CN111681429A - 基于gps数据的恶劣天气下脆弱路段识别方法及系统 - Google Patents

基于gps数据的恶劣天气下脆弱路段识别方法及系统 Download PDF

Info

Publication number
CN111681429A
CN111681429A CN202010511401.9A CN202010511401A CN111681429A CN 111681429 A CN111681429 A CN 111681429A CN 202010511401 A CN202010511401 A CN 202010511401A CN 111681429 A CN111681429 A CN 111681429A
Authority
CN
China
Prior art keywords
road
road section
section
historical
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010511401.9A
Other languages
English (en)
Other versions
CN111681429B (zh
Inventor
王泽�
杨海强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University
Zhejiang Police College
Original Assignee
Qingdao University
Zhejiang Police College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao University, Zhejiang Police College filed Critical Qingdao University
Priority to CN202010511401.9A priority Critical patent/CN111681429B/zh
Publication of CN111681429A publication Critical patent/CN111681429A/zh
Application granted granted Critical
Publication of CN111681429B publication Critical patent/CN111681429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place

Abstract

本发明公开了一种基于GPS数据的恶劣天气下脆弱路段识别方法及系统，所述识别方法：首先，根据历史气象数据确定城市网络中每个路段的历史气象信息，根据历史的GPS数据确定每个路段的历史拥堵信息，建立历史数据集；然后，将历史数据集中的恶劣天气的数据组成路段风险因子计算子集；利用所述路段风险因子计算子集计算每个路段的路段风险因子；将所述历史数据集中最大通行流量值大于通行量阈值的数据组成路段影响因子计算子集；利用所述路段影响因子计算子集计算每个路段的路段影响因子；最后，将每个路段的路段风险因子与路段影响因子的乘积作为每个路段的脆弱性指标，进行脆弱路段识别。本发明实现了城市道路的脆弱路段的识别。

Description

基于GPS数据的恶劣天气下脆弱路段识别方法及系统
技术领域
本发明涉及交通管理技术领域，特别涉及一种基于GPS数据的恶劣天气下脆弱路段识别方法及系统。
背景技术
近些年，台风、暴雨、暴雪等恶劣天气频发，给城市经济社会发展和人民生命财产安全带来巨大威胁。应急疏散已成为灾害响应过程中行之有效的重要防御性举措，道路网承载着巨大疏散交通需求，发挥着灾害响应生命线系统的关键作用。而由于城市交通系统的复杂性，以及交通流的随机性，大规模城市道路网络中存在一定量的脆弱路段。这些脆弱路段在恶劣天气条件下，具有两点特征：一是相比其他道路，更容易由于积水、出行需求激增等原因，导致其丧失应有的通行能力，二是当其丧失通行能力后，容易造成周边道路的拥堵，影响周边交通通行。在应急疏散过程中，由于脆弱路段的存在，会大大降低恶劣天气下人民疏散的效率和效果，而给人民生命财产安全带来损失。如何实现脆弱路段的识别成为一个亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于GPS数据的恶劣天气下脆弱路段识别方法及系统，以实现城市脆弱路段的识别。
为实现上述目的，本发明提供了如下方案：
一种基于GPS数据的恶劣天气下脆弱路段识别方法，所述识别方法包括如下步骤：
根据历史气象数据确定城市网络中每个路段的历史气象信息，根据历史的GPS数据确定每个路段的历史拥堵信息，建立历史数据集；
将历史数据集中的恶劣天气的数据组成路段风险因子计算子集；
利用所述路段风险因子计算子集计算每个路段的路段风险因子；
将所述历史数据集中最大通行流量值大于通行量阈值的数据组成路段影响因子计算子集；所述最大通行流量值为路段中在历史的所有的时间段的GPS定位点数的最大值；
利用所述路段影响因子计算子集计算每个路段的路段影响因子；
将每个路段的路段风险因子与路段影响因子的乘积作为每个路段的脆弱性指标，进行脆弱路段识别。
可选的，所述根据历史的GPS数据确定每个路段的历史拥堵信息，具体包括：
根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，作为每个路段的历史拥堵信息。
可选的，根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，具体包括：
根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列；
从所述备选路段序列中选取交通流方向与所述GPS数据的GPS定位点的移动方向相同的路段，作为所述GPS数据的GPS定位点所属的路段；
将所述GPS数据的GPS定位点所属的路段的GPS数据的时间点所属的时间段的GPS定位点的数量增加1，选取下一个历史的GPS数据，返回步骤“根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列”，直到选取完所有的历史的GPS数据，获得每个路段在每个时间段的GPS定位点的数量。
可选的，所述利用所述路段风险因子计算子集计算每个路段的路段风险因子，具体包括：
根据所述路段风险因子计算子集，利用公式
Figure BDA0002528511170000021
计算每个路段的路段拥堵比例；其中，
Figure BDA0002528511170000022
为路段si的路段拥堵比例，
Figure BDA0002528511170000023
为路段si在全部时段N1内拥堵的频次；
根据所述路段风险因子计算子集，利用公式
Figure BDA0002528511170000031
计算每个路段的路段无车辆驶入比例；其中，
Figure BDA0002528511170000032
为路段si的路段无车辆驶入比例，
Figure BDA0002528511170000033
为路段si在全部时段N1内GPS定位点数量为0的频次；
根据每个路段的路段拥堵比例和路段无车辆驶入比例，利用公式
Figure BDA0002528511170000034
计算每个路段的路段风险因子；其中，
Figure BDA0002528511170000035
为路段si的路段风险因子。
可选的，所述利用所述路段影响因子计算子集计算每个路段的路段影响因子，具体包括：
利用所述路段影响因子计算子集，利用公式
Figure BDA0002528511170000036
计算路段si的自身交通压力权重
Figure BDA0002528511170000037
其中，
Figure BDA0002528511170000038
为路段si的最大通行流量值，
Figure BDA0002528511170000039
是全部路段sl中最大交通流量值；
选取以路段si为中心的预设范围内的全部路段，组成邻接路段集合；
根据邻接路段集合中每个路段的最大通行流量值，利用公式
Figure BDA00025285111700000310
计算路段si的最大通行流量值在邻接路段集合中的比例；其中，
Figure BDA00025285111700000311
为路段si的最大通行流量值在邻接路段集合中的比例，
Figure BDA00025285111700000312
Figure BDA00025285111700000313
和
Figure BDA00025285111700000314
分别表示邻接路段集合中路段s1、路段s2和路段sm的最大通行流量值，m表示邻接路段集合中路段的数量；
根据路段si的自身交通压力权重和路段si的最大通行流量值在邻接路段集合中的比例，利用公式
Figure BDA00025285111700000315
计算路段si的路段影响因子；其中，Isi表示路段si的路段影响因子。
一种基于GPS数据的恶劣天气下脆弱路段识别系统，所述识别系统包括：
历史数据集获取模块，用于根据历史气象数据确定城市网络中每个路段的历史气象信息，根据历史的GPS数据确定每个路段的历史拥堵信息，建立历史数据集；
路段风险因子计算子集选取模块，用于将历史数据集中的恶劣天气的数据组成路段风险因子计算子集；
路段风险因子计算模块，用于利用所述路段风险因子计算子集计算每个路段的路段风险因子；
路段影响因子计算子集选取模块，用于将所述历史数据集中最大通行流量值大于通行量阈值的数据组成路段影响因子计算子集；所述最大通行流量值为路段中在历史的所有的时间段的GPS定位点数的最大值；
路段影响因子计算模块，用于利用所述路段影响因子计算子集计算每个路段的路段影响因子；
脆弱路段识别模块，用于将每个路段的路段风险因子与路段影响因子的乘积作为每个路段的脆弱性指标，进行脆弱路段识别。
可选的，所述历史数据集获取模块，具体包括：
历史拥堵信息计算子模块，用于根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，作为每个路段的历史拥堵信息。
可选的，所述历史拥堵信息计算子模块，具体包括：
备选路段序列获取单元，用于根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列；
所属路段确定单元，用于从所述备选路段序列中选取交通流方向与所述GPS数据的GPS定位点的移动方向相同的路段，作为所述GPS数据的GPS定位点所属的路段；
GPS定位点数量确定单元，用于将所述GPS数据的GPS定位点所属的路段的GPS数据的时间点所属的时间段的GPS定位点的数量增加1，选取下一个历史的GPS数据，返回步骤“根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列”，直到选取完所有的历史的GPS数据，获得每个路段在每个时间段的GPS定位点的数量。
可选的，所述路段风险因子计算模块，具体包括：
路段拥堵比例计算子模块，用于根据所述路段风险因子计算子集，利用公式
Figure BDA0002528511170000051
计算每个路段的路段拥堵比例；其中，
Figure BDA0002528511170000052
为路段si的路段拥堵比例，
Figure BDA0002528511170000053
为路段si在全部时段N1内拥堵的频次；
路段无车辆驶入比例计算子模块，用于根据所述路段风险因子计算子集，利用公式
Figure BDA0002528511170000054
计算每个路段的路段无车辆驶入比例；其中，
Figure BDA0002528511170000055
为路段si的路段无车辆驶入比例，
Figure BDA0002528511170000056
为路段si在全部时段N1内GPS定位点数量为0的频次；
路段风险因子计算子模块，用于根据每个路段的路段拥堵比例和路段无车辆驶入比例，利用公式
Figure BDA0002528511170000057
计算每个路段的路段风险因子；其中，
Figure BDA0002528511170000058
为路段si的路段风险因子。
可选的，所述路段影响因子计算模块，具体包括：
自身交通压力权重计算子模块，用于利用所述路段影响因子计算子集，利用公式
Figure BDA0002528511170000059
计算路段si的自身交通压力权重
Figure BDA00025285111700000510
其中，
Figure BDA00025285111700000511
为路段si的最大通行流量值，
Figure BDA00025285111700000512
是全部路段sl中最大交通流量值；
邻接路段集合选取子模块，用于选取以路段si为中心的预设范围内的全部路段，组成邻接路段集合；
比例计算子模块，用于根据邻接路段集合中每个路段的最大通行流量值，利用公式
Figure BDA00025285111700000513
计算路段si的最大通行流量值在邻接路段集合中的比例；其中，
Figure BDA00025285111700000514
为路段si的最大通行流量值在邻接路段集合中的比例，
Figure BDA00025285111700000515
和
Figure BDA00025285111700000516
分别表示邻接路段集合中路段s1、路段s2和路段sm的最大通行流量值，m表示邻接路段集合中路段的数量；
路段影响因子计算子模块，用于根据路段si的自身交通压力权重和路段si的最大通行流量值在邻接路段集合中的比例，利用公式
Figure BDA0002528511170000061
计算路段si的路段影响因子；其中，Isi表示路段si的路段影响因子。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于GPS数据的恶劣天气下脆弱路段识别方法及系统，所述识别方法：首先，根据历史气象数据确定城市网络中每个路段的历史气象信息，根据历史的GPS数据确定每个路段的历史拥堵信息，建立历史数据集；然后，将历史数据集中的恶劣天气的数据组成路段风险因子计算子集；利用所述路段风险因子计算子集计算每个路段的路段风险因子；将所述历史数据集中最大通行流量值大于通行量阈值的数据组成路段影响因子计算子集；利用所述路段影响因子计算子集计算每个路段的路段影响因子；最后，将每个路段的路段风险因子与路段影响因子的乘积作为每个路段的脆弱性指标，进行脆弱路段识别。本发明实现了城市道路的脆弱路段的识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于GPS数据的恶劣天气下脆弱路段识别方法的流程图；
图2为本发明提供的一种基于GPS数据的恶劣天气下脆弱路段识别方法的原理图。
具体实施方式
本发明的目的是提供一种基于GPS数据的恶劣天气下脆弱路段识别方法及系统，以实现城市脆弱路段的识别。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对发明作进一步详细的说明。
为实现上述目的，本发明提供了如下方案：
如图1和2所示，本发明提供一种基于GPS数据的恶劣天气下脆弱路段识别方法，如图2所示，本发明基于广泛分布于城市路网中的车辆GPS数据，通过路段风险因子、影响因子的计算，识别路网中存在的脆弱路段。本发明主要包括四个部分：1、基于GPS数据、路网拓扑、历史天气、历史拥堵等信息分析及融合；2、计算路网中全部路段的风险因子；3、计算路网中全部路段的影响因子；4、结合路段的风险因子和影响因子，识别路网中的脆弱路段。
如图1所示，所述识别方法包括如下步骤：
步骤101，根据历史气象数据确定城市网络中每个路段的历史气象信息，根据历史的GPS数据确定每个路段的历史拥堵信息，建立历史数据集。
本发明涉及的历史数据集包括：历史GPS数据、路网拓扑信息、历史天气信息以及历史的拥堵信息。需要对这些数据进行异常处理、时空融合等操作，以形成满足要求的数据集。
对路网拓扑数据分析处理：
本发明识别的是路段级的风险因子和影响因子，因此首先定义路段为：紧邻的两个任意类型交叉口所夹的单向道路。
将城市道路网络中的全部路段编号为：s1,s2,...,si,...,sn，n为路段总数。
路段si的起点交叉口经纬度坐标为：
Figure BDA0002528511170000071
路段si的终点交叉口经纬度坐标为：
Figure BDA0002528511170000072
路段si的中心点为
Figure BDA0002528511170000073
路段交通流方向包括：由北向南、由东北向西南、由东向西、由东南向西北、由南向北、由西南向东北、由西向东、由西北向东南，分别编号为1、2、3、4、5、6、7、8。
GPS数据预处理及地图匹配：
GPS数据主要包括编号、时间戳、经纬度坐标、车头朝向(通常为与正北方向的夹角)、瞬时速度等信息。
(1)数据预处理
需要对车辆GPS数据进行错误数据剔除、重复数据删除等预处理。
1)错误数据剔除
剔除的错误数据主要包括：经纬度坐标超出城市经纬度坐标范围的剔除、瞬时速度超过120km/h的剔除、时间信息不合理的剔除、车头朝向信息不合理的剔除。
2)重复数据删除
由于存储和传输过程中的网络及设备故障，GPS数据中存在一部分重复数据，保留这部分重复数据的最新一条，剩余的删除。
3)停留数据删除
停车会导致大量相同的经纬度坐标，这部分数据无法反映交通动态运行状态，要予以删除。删除方法为：连续3条及以上定位数据的经纬度坐标距离不超过20米，保留这批数据中的第1条，从第2条开始删除，直至精度为坐标距离变化超过20米的新1条为止。
所述根据历史的GPS数据确定每个路段的历史拥堵信息，具体包括：
根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，作为每个路段的历史拥堵信息。
步骤101中的根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，具体包括：根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列；从所述备选路段序列中选取交通流方向与所述GPS数据的GPS定位点的移动方向相同的路段，作为所述GPS数据的GPS定位点所属的路段；将所述GPS数据的GPS定位点所属的路段的GPS数据的时间点所属的时间段的GPS定位点的数量增加1，选取下一个历史的GPS数据，返回步骤“根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列”，直到选取完所有的历史的GPS数据，获得每个路段在每个时间段的GPS定位点的数量。
其中，确定GPS数据的GPS定位点所属的路段，即将GPS数据与地图数据匹配的具体步骤为：
需要将GPS定位数据{p1,p2,...,pj,...,pn}与路段进行匹配，以便统计路段交通流量信息。匹配方法如下：
步骤1：对于任意一条定位点pj信息(包括经度坐标
Figure BDA0002528511170000091
纬度坐标
Figure BDA0002528511170000092
行车方向
Figure BDA0002528511170000093
信息)，筛选与其相邻100米内
Figure BDA0002528511170000094
的所有路段集合为{s1,s2,...,sm}；
步骤2：将{s1,s2,...,sm}路段集合中所有路段按照与定位点pj的距离，由小到大进行排列，形成备选路段序列
Figure BDA0002528511170000095
步骤3：将定位点pj的车行车方向
Figure BDA0002528511170000096
进行换算，包括：
Figure BDA0002528511170000097
换算为5，
Figure BDA0002528511170000098
换算为6；
Figure BDA0002528511170000099
换算为7,；
Figure BDA00025285111700000910
换算为8；
Figure BDA00025285111700000911
换算为4，
Figure BDA00025285111700000912
换算为3；
Figure BDA00025285111700000913
换算为2，其余换算为1。
步骤4：从备选路段序列
Figure BDA00025285111700000914
中依次取路段，与定位点pj换算后的方向值匹配，直至获得与之相等的路段为止，此路段即为定位点pj的所属路段。
本发明的最小空间单元为路段，最小时间单元为5分钟。共有N＝n×288×d条数据，即城市全部n条路段，在d天内的交通流量、拥堵、天气等数据。
历史天气信息中，有极端恶劣天气赋值为1，无极端恶劣天气赋值为0。将全部历史天气信息进行时空划分，可获得特定路段、特定时段的历史天气数据。
历史拥堵信息中，路段拥堵赋值为1，路段非拥堵赋值为0。将全部历史拥堵信息进行时空划分，可获得特定路段、特定时段的历史拥堵信息。
综上所述，获得所有路段在所有事件段内的交通流量、天气情况、拥堵情况，即本发明的完整数据集D，共N＝n×288×d条数据。其中一条典型数据为示例为：2020年4月1日15:00至15:05，路段pj的交通流量(GPS定位点数量)为32，天气为1(即暴雨等恶劣天气)，拥堵情况为1(即拥堵)。
步骤102，将历史数据集中的恶劣天气的数据组成路段风险因子计算子集。
从全部数据集D中，筛选其中天气属性值为1(即恶劣天气)的子集D1，作为路段风险因子计算的数据集。
步骤103，利用所述路段风险因子计算子集计算每个路段的路段风险因子。
步骤103所述利用所述路段风险因子计算子集计算每个路段的路段风险因子，具体包括：根据所述路段风险因子计算子集，利用公式
Figure BDA0002528511170000101
计算每个路段的路段拥堵比例；其中，
Figure BDA0002528511170000102
为路段si的路段拥堵比例，
Figure BDA0002528511170000103
为路段si在全部时段N1内拥堵的频次。根据所述路段风险因子计算子集，利用公式
Figure BDA0002528511170000104
计算每个路段的路段无车辆驶入比例；其中，
Figure BDA0002528511170000105
为路段si的路段无车辆驶入比例，
Figure BDA0002528511170000106
为路段si在全部时段N1内GPS定位点数量为0的频次。根据每个路段的路段拥堵比例和路段无车辆驶入比例，利用公式
Figure BDA0002528511170000107
计算每个路段的路段风险因子；其中，
Figure BDA0002528511170000108
为路段si的路段风险因子。
具体的，风险路段是指恶劣天气下极易丧失通行能力的路段，而通常包括两种情况：一是出现多次拥堵的情况，二是完全没有车辆驶入。
对于子集D1，其涵盖的路段总数为n，其涵盖的时段(5分钟)总数为N1。对于特定路段si，则可统计计算如下信息：
路段拥堵比例为：
Figure BDA0002528511170000109
其中
Figure BDA00025285111700001010
为路段si在全部N1内拥堵的频次(即拥堵时段个数)。
路段无车辆驶入比例为：
Figure BDA0002528511170000111
其中
Figure BDA0002528511170000112
为路段si在全部N1内交通量为0(即GPS定位点个数为0)的频次(即时段个数)。
则可获得路段风险因子Rsi，其计算方式为：
Figure BDA0002528511170000113
其中，Rsi的取值为[0,1]，当Rsi值越大，越有可能为风险路段，反之则反。
步骤104，将所述历史数据集中最大通行流量值大于通行量阈值的数据组成路段影响因子计算子集；所述最大通行流量值为路段中在历史的所有的时间段的GPS定位点数的最大值。
脆弱路段另一个显著的特征是，承担了极大的交通通行压力，而且当其丧失通行能力时，周边道路无法分担这些压力。因此，本发明提出路段影响因子及其计算方法，作为此特征的衡量指标。
首先在全部路段中筛选交通通行压力大的路段。对于特定路段si，其历史交通流量(即GPS定位点个数)为
Figure BDA0002528511170000114
则可计算此路段的最大通行能力
Figure BDA0002528511170000115
方法为：
将历史交通流量
Figure BDA0002528511170000116
从大到小排列为
Figure BDA0002528511170000117
前10％数量的流量均值即为此路段的最大通行能力，计算方式如下：
Figure BDA0002528511170000118
则对于全部n条路段，其最大通行能力集合为
Figure BDA0002528511170000119
可筛选排名前10％的路段作为城市全部n条路段中通行压力大的路段，共计0.1·n条。
步骤105，利用所述路段影响因子计算子集计算每个路段的路段影响因子。
对于交通通行压力大的路段si，进行影响评价。包括两个部分：
(1)自身压力权重，是对路段si自身交通压力的评价，计算方式为
Figure BDA0002528511170000121
其中
Figure BDA0002528511170000122
是全部路段中最大交通流量值。
(2)影响周边路段权重，是结合周边道路交通流情况，对路段si可替代性的评价，此权重计算过程如下：
步骤1筛选路段si周边5000米范围内全部路段，依据为
Figure BDA0002528511170000123
即邻接路段集合{s1,s2,...,sm}，共计m条；
步骤2获取邻接路段集合{s1,s2,...,sm}的全部最大交通通行能力，即
Figure BDA0002528511170000124
步骤3计算路段si的最大通行能力在邻接路段集合的比例
Figure BDA0002528511170000125
计算公式为
Figure BDA0002528511170000126
步骤4路段si的路段影响因子Isi计算方式为：
Figure BDA0002528511170000127
其中，Isi的取值为[0,1]，当Isi值越大，越有可能为影响路段，即当其丧失通行能力，对周边交通影响最大，反之则反。
步骤106，将每个路段的路段风险因子与路段影响因子的乘积作为每个路段的脆弱性指标，进行脆弱路段识别。
对于路段si，脆弱性指标为vulsi，其计算方法为：vulsi＝Rsi×Isi；
vulsi的取值为[0,1]，当vulsi值越大，越有可能为脆弱路段，反之则反。判定依据为：vulsi≥θ；
其中，θ为脆弱性判定阈值，默认为0.5，取值越大本方法越灵敏，即判断出的脆弱路段越少。当路段si的脆弱性指标满足上述公式，即可判定此路段为脆弱路段。计算全部道路的脆弱性指标，即可获得城市道路网络中全部满足要求的脆弱路段。
一种基于GPS数据的恶劣天气下脆弱路段识别系统，所述识别系统包括：
历史数据集获取模块，用于根据历史气象数据确定城市网络中每个路段的历史气象信息，根据历史的GPS数据确定每个路段的历史拥堵信息，建立历史数据集；
路段风险因子计算子集选取模块，用于将历史数据集中的恶劣天气的数据组成路段风险因子计算子集；
路段风险因子计算模块，用于利用所述路段风险因子计算子集计算每个路段的路段风险因子；
路段影响因子计算子集选取模块，用于将所述历史数据集中最大通行流量值大于通行量阈值的数据组成路段影响因子计算子集；所述最大通行流量值为路段中在历史的所有的时间段的GPS定位点数的最大值；
路段影响因子计算模块，用于利用所述路段影响因子计算子集计算每个路段的路段影响因子；
脆弱路段识别模块，用于将每个路段的路段风险因子与路段影响因子的乘积作为每个路段的脆弱性指标，进行脆弱路段识别。
可选的，所述历史数据集获取模块，具体包括：
历史拥堵信息计算子模块，用于根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，作为每个路段的历史拥堵信息。
可选的，所述历史拥堵信息计算子模块，具体包括：
备选路段序列获取单元，用于根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列；
所属路段确定单元，用于从所述备选路段序列中选取交通流方向与所述GPS数据的GPS定位点的移动方向相同的路段，作为所述GPS数据的GPS定位点所属的路段；
GPS定位点数量确定单元，用于将所述GPS数据的GPS定位点所属的路段的GPS数据的时间点所属的时间段的GPS定位点的数量增加1，选取下一个历史的GPS数据，返回步骤“根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列”，直到选取完所有的历史的GPS数据，获得每个路段在每个时间段的GPS定位点的数量。
可选的，所述路段风险因子计算模块，具体包括：
路段拥堵比例计算子模块，用于根据所述路段风险因子计算子集，利用公式
Figure BDA0002528511170000141
计算每个路段的路段拥堵比例；其中，
Figure BDA0002528511170000142
为路段si的路段拥堵比例，
Figure BDA0002528511170000143
为路段si在全部时段N1内拥堵的频次；
路段无车辆驶入比例计算子模块，用于根据所述路段风险因子计算子集，利用公式
Figure BDA0002528511170000144
计算每个路段的路段无车辆驶入比例；其中，
Figure BDA0002528511170000145
为路段si的路段无车辆驶入比例，
Figure BDA0002528511170000146
为路段si在全部时段N1内GPS定位点数量为0的频次；
路段风险因子计算子模块，用于根据每个路段的路段拥堵比例和路段无车辆驶入比例，利用公式
Figure BDA0002528511170000147
计算每个路段的路段风险因子；其中，
Figure BDA0002528511170000148
为路段si的路段风险因子。
可选的，所述路段影响因子计算模块，具体包括：
自身交通压力权重计算子模块，用于利用所述路段影响因子计算子集，利用公式
Figure BDA0002528511170000149
计算路段si的自身交通压力权重；其中，
Figure BDA00025285111700001410
为路段si的最大通行流量值，
Figure BDA00025285111700001411
是全部路段中最大交通流量值；
邻接路段集合选取子模块，用于选取以路段si为中心的预设范围内的全部路段，组成邻接路段集合；
比例计算子模块，用于根据邻接路段集合中每个路段的最大通行流量值，利用公式
Figure BDA00025285111700001412
计算路段si的最大通行流量值在邻接路段集合中的比例；其中，
Figure BDA00025285111700001413
为路段si的最大通行流量值在邻接路段集合中的比例，
Figure BDA0002528511170000151
和
Figure BDA0002528511170000152
分别表示邻接路段集合中路段s1、路段s2和路段sm的最大通行流量值，m表示邻接路段集合中路段的数量；
路段影响因子计算子模块，用于根据路段si的自身交通压力权重和路段si的最大通行流量值在邻接路段集合中的比例，利用公式
Figure BDA0002528511170000153
计算路段si的路段影响因子；其中，Isi表示路段si的路段影响因子。
下面结合现有的路段检测方法，对本发明的技术效果进行说明。
申请号为CN201610125269.1发明名称为一种基于局部异常因子的城市交通拥堵路段检测方法的专利提供了如下方案：
一种基于局部异常因子的城市交通拥堵路段检测方法，其特征在于：步骤为：首先利用公交线路站点数据将城市公交车GPS数据从时空两方面划分成时空段，并从中提取出能够反映道路交通状况的特征值，随后利用特征值计算出每个时空段的局部异常因子，并计算每个路段的异常指数，将其排序，最终得到城市交通中异常的拥堵路段。本发明能够利用数据自动检测出城市交通中异常的拥堵路段，为城市交通规划提供有效信息，具有可行性强、适用范围广、人力消耗少的特点。
该发明的重点在利用公交车GPS数据计算路段的相关参数，并计算其时空异常因子，由此获得异常拥堵路段。此发明只提供了一种路段异常拥堵的识别方法，并未涉及恶劣天气条件下路段通行能力失效的风险，也未涉及路段通行能力失效对周边道路的影响。
申请号为CN201811085797.4发明名称为常发拥堵路段的识别和筛查方法的专利提供了如下方案：
常发拥堵路段的识别和筛查方法，主要内容是：获取历史拥堵数据，统计某个路段每天的累计拥堵时长，确定所述路段累计拥堵时长服从的概率分布，计算路段累计拥堵时长的可靠度，当可靠度超过设定阈值ε1时，则判断所述路段为常发拥堵路段；在给定可靠度的情况下，根据路段累计拥堵时长服从的概率分布，计算路段的给定可靠度的累计拥堵时长，当给定可靠度的累计拥堵时长超过设定阈值ε2，则判断路段为常发拥堵路段。
该发明的重点是通过统计计算的方法，识别城市道路网络中的常发性拥堵路段。此发明只提供了一种常发路段的识别方法，并未涉及恶劣天气条件下路段通行能力失效的风险，也未涉及路段通行能力失效对周边道路的影响。
城市道路网络中客观存在一定量的脆弱路段，这些路段在恶劣天气条件下负面影响极大，体现在：一方面是恶劣天气造成的路面积水、交通流量激增等问题，造成这些脆弱路段极易丧失其应有的通行能力；另一方面是由于其承担了周边路段较大的通行压力，当其丧失通行能力后，极易造成周边道路拥的严重拥堵，进一步加剧了应急疏散的风险。脆弱路段的存在，说明城市道路网络结构的不合理，同时也为恶劣天气下的应急疏散带来极大的负面影响。本发明基于成本低、分布广泛的车辆GPS数据，结合路网拓扑、历史天气、历史拥堵等信息，综合考虑路段失效的风险因子和对周边路段的影响因子，识别了路网中的脆弱路段，能够有效解决上述问题。本发明的实施可以为城市交通应急管理、应急疏散等提供有效的理论支撑，同时也能够为城市交通路网结构优化设计提供支撑。
具体的本发明公开了以下技术效果：
1、路段影响因子及其计算方法，利用历史的GPS数据，以及城市道路拓扑网络信息，分别从自身通行压力和对周边路段的影响两方面进行影响评价，更准确的反映脆弱路段的重要性和不可替代性。
2、脆弱路段识别，在路段拓扑信息、车辆GPS数据、历史天气、历史拥堵等多源数据分析融合的基础上，分别提出了路段风险因子和路段影响因子及其计算方法，综合二者获得脆弱路段的识别方法。
本发明以数据驱动为理念，基于海量GPS数据、路网拓扑信息、历史天气、历史拥堵数据的分析融合，分别计算路段的风险因子和影响因子，综合二者提出了脆弱路段是被方法。本发明的实施存在两点有益效果：一方面，利用车辆GPS数据，相较于线圈、地磁、电警、卡口等检测器数据，成本低且覆盖度广，可以反映城市的宏观交通流状态；另一方面，本发明提出了城市路段的风险因子和影响因子，分别评估在恶劣天气条件下，路段易丧失其原本应有的通行能力和对周边交通运行的影响，并综合考虑提出了路段脆弱性的评价指标，实现了科学合理的脆弱路段识别方法。同时，本发明在应急交通疏散管理、交通组织结构优化等方面具有十分重要的应用价值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (10)

1.一种基于GPS数据的恶劣天气下脆弱路段识别方法，其特征在于，所述识别方法包括如下步骤：
根据历史气象数据确定城市网络中每个路段的历史气象信息，根据历史的GPS数据确定每个路段的历史拥堵信息，建立历史数据集；
将历史数据集中的恶劣天气的数据组成路段风险因子计算子集；
利用所述路段风险因子计算子集计算每个路段的路段风险因子；
将所述历史数据集中最大通行流量值大于通行量阈值的数据组成路段影响因子计算子集；所述最大通行流量值为路段中在历史的所有的时间段的GPS定位点数的最大值；
利用所述路段影响因子计算子集计算每个路段的路段影响因子；
将每个路段的路段风险因子与路段影响因子的乘积作为每个路段的脆弱性指标，进行脆弱路段识别。
2.根据权利要求1所述的基于GPS数据的恶劣天气下脆弱路段识别方法，其特征在于，所述根据历史的GPS数据确定每个路段的历史拥堵信息，具体包括：
根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，作为每个路段的历史拥堵信息。
3.根据权利要求2所述的基于GPS数据的恶劣天气下脆弱路段识别方法，其特征在于，根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，具体包括：
根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列；
从所述备选路段序列中选取交通流方向与所述GPS数据的GPS定位点的移动方向相同的路段，作为所述GPS数据的GPS定位点所属的路段；
将所述GPS数据的GPS定位点所属的路段的GPS数据的时间点所属的时间段的GPS定位点的数量增加1，选取下一个历史的GPS数据，返回步骤“根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列”，直到选取完所有的历史的GPS数据，获得每个路段在每个时间段的GPS定位点的数量。
4.根据权利要求1所述的基于GPS数据的恶劣天气下脆弱路段识别方法，其特征在于，所述利用所述路段风险因子计算子集计算每个路段的路段风险因子，具体包括：
根据所述路段风险因子计算子集，利用公式
Figure FDA0002528511160000021
计算每个路段的路段拥堵比例；其中，
Figure FDA0002528511160000022
为路段si的路段拥堵比例，
Figure FDA0002528511160000023
为路段si在全部时段N1内拥堵的频次；
根据所述路段风险因子计算子集，利用公式
Figure FDA0002528511160000024
计算每个路段的路段无车辆驶入比例；其中，
Figure FDA0002528511160000025
为路段si的路段无车辆驶入比例，
Figure FDA0002528511160000026
为路段si在全部时段N1内GPS定位点数量为0的频次；
根据每个路段的路段拥堵比例和路段无车辆驶入比例，利用公式
Figure FDA0002528511160000027
计算每个路段的路段风险因子；其中，
Figure FDA0002528511160000028
为路段si的路段风险因子。
5.根据权利要求1所述的基于GPS数据的恶劣天气下脆弱路段识别方法，其特征在于，所述利用所述路段影响因子计算子集计算每个路段的路段影响因子，具体包括：
利用所述路段影响因子计算子集，利用公式
Figure FDA0002528511160000029
计算路段si的自身交通压力权重
Figure FDA00025285111600000210
其中，
Figure FDA00025285111600000211
为路段si的最大通行流量值，
Figure FDA00025285111600000212
是全部路段sl中最大交通流量值；
选取以路段si为中心的预设范围内的全部路段，组成邻接路段集合；
根据邻接路段集合中每个路段的最大通行流量值，利用公式
Figure FDA0002528511160000031
计算路段si的最大通行流量值在邻接路段集合中的比例；其中，
Figure FDA0002528511160000032
为路段si的最大通行流量值在邻接路段集合中的比例，
Figure FDA0002528511160000033
Figure FDA0002528511160000034
和
Figure FDA0002528511160000035
分别表示邻接路段集合中路段s1、路段s2和路段sm的最大通行流量值，m表示邻接路段集合中路段的数量；
根据路段si的自身交通压力权重和路段si的最大通行流量值在邻接路段集合中的比例，利用公式
Figure FDA0002528511160000036
计算路段si的路段影响因子；其中，Isi表示路段si的路段影响因子。
6.一种基于GPS数据的恶劣天气下脆弱路段识别系统，其特征在于，所述识别系统包括：
历史数据集获取模块，用于根据历史气象数据确定城市网络中每个路段的历史气象信息，根据历史的GPS数据确定每个路段的历史拥堵信息，建立历史数据集；
路段风险因子计算子集选取模块，用于将历史数据集中的恶劣天气的数据组成路段风险因子计算子集；
路段风险因子计算模块，用于利用所述路段风险因子计算子集计算每个路段的路段风险因子；
路段影响因子计算子集选取模块，用于将所述历史数据集中最大通行流量值大于通行量阈值的数据组成路段影响因子计算子集；所述最大通行流量值为路段中在历史的所有的时间段的GPS定位点数的最大值；
路段影响因子计算模块，用于利用所述路段影响因子计算子集计算每个路段的路段影响因子；
脆弱路段识别模块，用于将每个路段的路段风险因子与路段影响因子的乘积作为每个路段的脆弱性指标，进行脆弱路段识别。
7.根据权利要求6所述的基于GPS数据的恶劣天气下脆弱路段识别系统，其特征在于，所述历史数据集获取模块，具体包括：
历史拥堵信息计算子模块，用于根据历史的GPS数据，计算每个路段在每个时间段的GPS定位点的数量，作为每个路段的历史拥堵信息。
8.根据权利要求7所述的基于GPS数据的恶劣天气下脆弱路段识别系统，其特征在于，所述历史拥堵信息计算子模块，具体包括：
备选路段序列获取单元，用于根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列；
所属路段确定单元，用于从所述备选路段序列中选取交通流方向与所述GPS数据的GPS定位点的移动方向相同的路段，作为所述GPS数据的GPS定位点所属的路段；
GPS定位点数量确定单元，用于将所述GPS数据的GPS定位点所属的路段的GPS数据的时间点所属的时间段的GPS定位点的数量增加1，选取下一个历史的GPS数据，返回步骤“根据历史的GPS数据，确定与所述GPS数据的GPS定位点距离小于预设距离阈值的所有路段，并按照距离从小到大的顺序进行排序，获得备选路段序列”，直到选取完所有的历史的GPS数据，获得每个路段在每个时间段的GPS定位点的数量。
9.根据权利要求6所述的基于GPS数据的恶劣天气下脆弱路段识别系统，其特征在于，所述路段风险因子计算模块，具体包括：
路段拥堵比例计算子模块，用于根据所述路段风险因子计算子集，利用公式
Figure FDA0002528511160000041
计算每个路段的路段拥堵比例；其中，
Figure FDA0002528511160000042
为路段si的路段拥堵比例，
Figure FDA0002528511160000043
为路段si在全部时段N1内拥堵的频次；
路段无车辆驶入比例计算子模块，用于根据所述路段风险因子计算子集，利用公式
Figure FDA0002528511160000044
计算每个路段的路段无车辆驶入比例；其中，
Figure FDA0002528511160000045
为路段si的路段无车辆驶入比例，
Figure FDA0002528511160000046
为路段si在全部时段N1内GPS定位点数量为0的频次；
路段风险因子计算子模块，用于根据每个路段的路段拥堵比例和路段无车辆驶入比例，利用公式
Figure FDA0002528511160000051
计算每个路段的路段风险因子；其中，
Figure FDA0002528511160000052
为路段si的路段风险因子。
10.根据权利要求6所述的基于GPS数据的恶劣天气下脆弱路段识别系统，其特征在于，所述路段影响因子计算模块，具体包括：
自身交通压力权重计算子模块，用于利用所述路段影响因子计算子集，利用公式
Figure FDA0002528511160000053
计算路段si的自身交通压力权重
Figure FDA0002528511160000054
其中，
Figure FDA0002528511160000055
为路段si的最大通行流量值，
Figure FDA0002528511160000056
是全部路段sl中最大交通流量值；
邻接路段集合选取子模块，用于选取以路段si为中心的预设范围内的全部路段，组成邻接路段集合；
比例计算子模块，用于根据邻接路段集合中每个路段的最大通行流量值，利用公式
Figure FDA0002528511160000057
计算路段si的最大通行流量值在邻接路段集合中的比例；其中，
Figure FDA0002528511160000058
为路段si的最大通行流量值在邻接路段集合中的比例，
Figure FDA0002528511160000059
和
Figure FDA00025285111600000510
分别表示邻接路段集合中路段s1、路段s2和路段sm的最大通行流量值，m表示邻接路段集合中路段的数量；
路段影响因子计算子模块，用于根据路段si的自身交通压力权重和路段si的最大通行流量值在邻接路段集合中的比例，利用公式
Figure FDA00025285111600000511
计算路段si的路段影响因子；其中，Isi表示路段si的路段影响因子。
CN202010511401.9A 2020-06-08 2020-06-08 基于gps数据的恶劣天气下脆弱路段识别方法及系统 Active CN111681429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010511401.9A CN111681429B (zh) 2020-06-08 2020-06-08 基于gps数据的恶劣天气下脆弱路段识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010511401.9A CN111681429B (zh) 2020-06-08 2020-06-08 基于gps数据的恶劣天气下脆弱路段识别方法及系统

Publications (2)

Publication Number Publication Date
CN111681429A true CN111681429A (zh) 2020-09-18
CN111681429B CN111681429B (zh) 2021-05-18

Family

ID=72435110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010511401.9A Active CN111681429B (zh) 2020-06-08 2020-06-08 基于gps数据的恶劣天气下脆弱路段识别方法及系统

Country Status (1)

Country Link
CN (1) CN111681429B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162028A1 (en) * 2006-12-28 2008-07-03 Denso Corporation Traffic congestion degree determination device, traffic congestion degree notification device, and program
CN103714696A (zh) * 2013-12-13 2014-04-09 广东车联网信息科技服务有限公司 高速交通信息接入处理系统
CN104318780A (zh) * 2014-10-31 2015-01-28 重庆大学 考虑气象因素、道路线形因素的高速公路事件检测方法
CN105139463A (zh) * 2015-09-01 2015-12-09 罗毅青 一种大数据城市道路定价方法及系统
CN109186628A (zh) * 2018-09-04 2019-01-11 武汉华信联创技术工程有限公司 一种用于自动驾驶导航的天气服务系统及方法
CN109559506A (zh) * 2018-11-07 2019-04-02 北京城市系统工程研究中心 一种降雨天气下城市道路间断交通流延误时间预测方法
CN111145536A (zh) * 2019-12-02 2020-05-12 北京航空航天大学 一种基于异常检测的道路网络脆性评价方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162028A1 (en) * 2006-12-28 2008-07-03 Denso Corporation Traffic congestion degree determination device, traffic congestion degree notification device, and program
CN103714696A (zh) * 2013-12-13 2014-04-09 广东车联网信息科技服务有限公司 高速交通信息接入处理系统
CN104318780A (zh) * 2014-10-31 2015-01-28 重庆大学 考虑气象因素、道路线形因素的高速公路事件检测方法
CN105139463A (zh) * 2015-09-01 2015-12-09 罗毅青 一种大数据城市道路定价方法及系统
CN109186628A (zh) * 2018-09-04 2019-01-11 武汉华信联创技术工程有限公司 一种用于自动驾驶导航的天气服务系统及方法
CN109559506A (zh) * 2018-11-07 2019-04-02 北京城市系统工程研究中心 一种降雨天气下城市道路间断交通流延误时间预测方法
CN111145536A (zh) * 2019-12-02 2020-05-12 北京航空航天大学 一种基于异常检测的道路网络脆性评价方法

Also Published As

Publication number Publication date
CN111681429B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN108564226B (zh) 一种基于出租车gps及手机信令数据的公交线路优化方法
KR100899243B1 (ko) 지아이에스를 이용한 재해 상황 분석 시스템 및 그 방법
CN104992254B (zh) 基于电网gis的山火与气象结合的趋势预判方法
CN109544912B (zh) 一种基于多源数据融合的城市路网积水状态预测方法
Liu et al. A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards
CN114363316A (zh) 一种跨区域道路基础设施智能联网监测与监管系统
CN107066689A (zh) 一种输电线路风偏故障的气象风险预警方法
CN110310501A (zh) 一种机动车高速公路团雾监测预报方法
Fu et al. Spatial analysis of taxi speeding event using GPS trajectory data
CN111681429B (zh) 基于gps数据的恶劣天气下脆弱路段识别方法及系统
CN111694034B (zh) 一种基于北斗导航定位的河湖长制水情巡查系统
KR101722989B1 (ko) 기지국 유동인구 정보를 활용한 재난 관리 장치 및 방법
CN113434619A (zh) 一种4g的高速公路智能交通路况监控系统
CN109764244B (zh) 基于手机信号lbs和大数据的油气管道灾害应急处理方法
CN114677144A (zh) 一种基于地理大数据的车险理赔欺诈风险识别方法及系统
CN115909750A (zh) 事故多发地识别方法、装置、设备及存储介质
CN115456463A (zh) 一种山洪灾害危险区风险等级划分方法及系统
Umeda et al. Analysis of traffic state during a heavy rain disaster using probe data
CN113112794A (zh) 基于时空气象网格的交通事故发生率预测方法
CN110442660B (zh) 一种用于智能公交系统的公交线网长度计算方法
CN113570133A (zh) 一种应对强降雨的输配电线路风险预测方法及系统
CN106447126A (zh) 热带气旋引发沿海地区能见度变化确定、预报方法及系统
CN113129586A (zh) 一种基于路段速度数据的平面交叉口整体运行评价方法
CN112578479A (zh) 一种基于降水预报的城市内涝告警装置及方法
CN110956820A (zh) 一种基于乘客手机gps定位的公路客运超载实时预警系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant