CN111710156A - 一种道路交通流量预测方法、系统、介质及设备 - Google Patents
一种道路交通流量预测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN111710156A CN111710156A CN202010448387.2A CN202010448387A CN111710156A CN 111710156 A CN111710156 A CN 111710156A CN 202010448387 A CN202010448387 A CN 202010448387A CN 111710156 A CN111710156 A CN 111710156A
- Authority
- CN
- China
- Prior art keywords
- road
- flow
- road section
- traffic
- segmented
- 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
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种道路交通流量预测方法、系统、介质及设备。方法包括:基于RFID和GPS数据训练路段自由流速度和单车道通行能力;根据路段自由流速度、单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定;采用系统聚类分析法根据路段物理特性对各路段的分段流量延误函数进行分类,获取不同道路等级多种类型的分段流量延误函数;将分段流量延误函数应用于道路交通模型进行道路交通流量预测。本发明实施例基于RFID和GPS大数据资源标定分段流量延误函数,提供精准、可持续的本地化道路流量延误函数,实现现状与规划道路交通的精准模拟和预测,支撑相关部门领导和技术人员的分析与决策。
Description
技术领域
本发明涉及交通模型技术领域,尤其涉及一种道路交通流量预测方法、系统、介质及设备。
背景技术
道路交通是城市综合交通系统的重要组成部分,道路交通系统的规划、设计与管理必须采用宏观定量道路交通模型进行支撑。流量延误函数是进行宏观道路交通模型模拟与预测的基础函数,可支撑现状与规划道路功能定位分析、方案比选以及线路设计等,其重要性不言而喻。
流量延误函数(Volume Delay Function,VDF)是宏观道路交通分配模型中路径选择和流量分配的关键基础函数,主要反映路段行驶时间和路段流量之间的数学关系,同时也在四阶段模型的出行分布和方式划分阶段参与交通阻抗的计算。
传统标定流量延误函数的数据源如路段流量、车速一般通过人工调查、视频观测或者跟车测速等费时费力方式获取,调查成本高、覆盖面小且标定函数精度较低,难以有效应用。国外有关流量延误函数的理论研究相对较多,产生了大量的函数形式如BPR函数、Conical函数、Akcelik函数和Logit函数等,但部分函数参数较多,标定困难,以经验参数取值为主,难以适应我国城市道路等级多样、道路类型丰富、车种类型繁多的现状,不能实现参数本地化应用,函数实用性较差。此外,函数采用单一类型,道路交通分配流量溢出时敏感性低,难以有效解决道路交通分配流量大幅超出道路通行能力的流量溢出问题,影响道路交通流量分配精度。
发明内容
本发明所要解决的技术问题是针对现有技术存在的问题,提供一种道路交通流量预测方法、系统、介质及设备。
为解决上述技术问题,本发明实施例提供一种道路交通流量预测方法,包括:
基于路段车载GPS数据训练路段自由流速度,基于路段RFID数据训练路段单车道通行能力;
根据所述路段自由流速度、路段单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定;
采用系统聚类分析法根据路段物理特性对各路段的分段流量延误函数进行分类,获取不同道路等级多种类型的分段流量延误函数;
将所述分段流量延误函数应用于道路交通模型进行道路交通流量预测。
为解决上述技术问题,本发明实施例还提供一种道路交通流量预测,包括:
基础数据训练模块,用于基于路段车载GPS数据训练路段自由流速度,基于路段RFID数据训练路段单车道通行能力;
函数标定模块,用于根据所述路段自由流速度、路段单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定;
函数分类模块,用于采用系统聚类分析法根据路段物理特性对各路段的分段流量延误函数进行分类,获取不同道路等级多种类型的分段流量延误函数;
交通流量预测模块,用于将所述分段流量延误函数应用于道路交通模型进行道路交通流量预测。
为解决上述技术问题,本发明实施例还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行上述技术方案所述的道路交通流量预测方法。
为解决上述技术问题,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述技术方案所述的道路交通流量预测方法。
本发明的有益效果是:基于RFID和GPS大数据资源标定分段流量延误函数,具有基础数据丰富、覆盖面广、数据动态连续以及可持续获取的优势。分别以RFID和GPS数据为基础,可训练获取本地化的道路通行能力和自由流速度,标定不同道路等级和类型的本地化流量延误函数,实现参数的本地化;采用分段流量延误函数,有效解决了饱和度大于1情况下的流量溢出问题,提高了道路交通流量模拟和预测的精准度。
本发明附加的方面及其优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明一实施例提供的道路交通流量预测方法流程图;
图2为本发明另一实施例提供的道路交通流量预测方法流程图;
图3为本发明实施例提供路段流量与速度时变图示例;
图4为本发明实施例提供路段流量-速度图示例;
图5为本发明实施例提供路段流量-密度图示例;
图6为本发明实施例提供的道路交通流量预测系统结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的道路交通流量预测方法流程图;如图1所示,该方法包括:
S10,基于路段车载GPS数据训练路段自由流速度,基于路段RFID数据训练路段单车道通行能力;
S20,根据所述路段自由流速度、路段单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定;
S30,采用系统聚类分析法根据路段物理特性对各路段的分段流量延误函数进行分类,获取不同道路等级多种类型的分段流量延误函数;
S40,将所述分段流量延误函数应用于道路交通模型进行道路交通流量预测。
该实施例中,道路交通模型可以采用经典四阶段交通模型方法建设。在现状与规划道路、轨道和地面公交等各类交通网络基础上,利用居民出行调查、综合交通流量调查以及各类大数据资源进行出行生成、出行分布、方式划分和交通分配参数的标定,分别模拟和预测现状和规划道路交通运行状况,建设现状与规划道路交通模型。
上述实施例中,基于RFID和GPS大数据资源标定分段流量延误函数,具有基础数据丰富、覆盖面广、数据动态连续以及可持续获取的优势。分别以RFID和GPS数据为基础,可训练获取本地化的道路通行能力和自由流速度,标定不同道路等级和类型的本地化流量延误函数,实现参数的本地化;采用分段流量延误函数,有效解决了饱和度大于1情况下的流量溢出问题,提高了道路交通流量模拟和预测的精准度。
图3为路段流量与速度时变图示例,如图3所示,一日内的路段单车道流量、速度随时间的变化而不断变化。当路段流量较低时,路段速度处于较高的水平;随着早晚高峰时段的到来,路段流量不断增加,路段速度不断降低。
图4为路段流量-速度图示例,如图4所示,当路段流量和饱和度较低时,路段速度较高,处于畅通流状态;随着路段流量不断增加,饱和度不断提高,路段速度不断降低,处于压缩流状态;最终,路段流量和饱和度逐渐趋于稳定,路段速度处于相对较低水平的运行区间,处于饱和流状态。
图5为路段流量-密度图示例,如图5所示,当路段流量和饱和度较低时,路段密度也较低,处于畅通流状态;随着路段流量不断增加,饱和度不断提高,路段密度也不断增长,处于压缩流状态;最终,路段流量和饱和度逐渐趋于稳定,路段密度也处于相对较高水平的运行区间,处于饱和流状态。
可选地,在一个实施例中,如图2所示,所述基于车载GPS数据训练路段自由流速度,包括:基于浮动车测速算法采用路段车载GPS数据获取路段每辆车的实时车速,采用该路段工作日预设分位值的实时速度作为路段自由流速度值。
需要说明的是,路段自由流速度是路段车流密度接近于零时或者不受其他车辆干扰时,根据驾驶员主观意愿自由选择的行驶速度。基于浮动车测速算法采用路段车载GPS数据获取路段每辆车的实时车速Vi,该实施例中,可以采用该路段工作日85%分位值的实时速度作为路段自由流速度值V85%。
该实施例中,基于GPS大数据资源训练路段自由流速度,具有基础数据丰富、覆盖面广、数据动态连续以及可持续获取的优势,能够有效获取不同物理特性路段的自由流速度,极大弥补了传统获取自由流速度方式费时费力、调查成本高、覆盖面小且精度低的劣势。
可选地,在一个实施例中,如图2所示,基于路段RFID数据训练路段单车道通行能力,包括:基于路段RFID数据结合路段流密速曲线划分的路段车辆运行状态训练路段单车道通行能力。
具体基于路段RFID数据结合路段流密速曲线划分的路段车辆运行状态训练路段单车道通行能力可以包括:
若路段车流运行状态存在饱和流状态,则采取路段工作日连续预设时间流量值的预设分位值作为路段单车道通行能力的取值;若路段车流运行状态不存在饱和流状态,则提取该路段的最大流量值;若所述最大流量值在同等条件下饱和路段的通行能力取值区间[Fi,Fj]内,则所述最大流量值为该路段单车道通行能力;若所述最大流量值不在同等条件下饱和路段的通行能力取值区间[Fi,Fj]内,则根据道路条件取相同道路条件下已知路段单车道通行能力的平均值为该路段单车道通行能力。
以RFID流量数据为基础,根据交通流理论,结合路段流量-密度-速度曲线(即流密速曲线)所划分的畅通流、压缩流和饱和流状态,采用路段实测车道通行能力表征单车道通行能力。若路段车流运行存在饱和流状态,则采取路段工作日连续1小时流量值(5分钟车流量为基本单位)的85%分位值F85%作为路段单车道通行能力的取值。若不存在饱和流状态,则提取该路段的最大流量值Fmax,判断其是否在同等条件下饱和路段的通行能力取值区间[Fi,Fj]内,若在对应区间,则其最大流量值Fmax即为该路段单车道通行能力;若不在该区间,则根据道路条件取相同道路条件下已知路段单车道通行能力的平均值为该路段单车道通行能力值。
该实施例中,基于RFID大数据资源训练路段单车道通行能力,具有基础数据丰富、覆盖面广、数据动态连续以及可持续获取的优势,能够有效获取不同物理特性路段的单车道通行能力,极大弥补了传统获取单车道通行能力方式费时费力、调查成本高、覆盖面小且精度低的劣势。
可选地,在一个实施例中,所述根据所述路段自由流速度、路段单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定,包括:
根据所述路段自由流速度和路段单车道通行能力确定路段的饱和度;当所述饱和度小于第一预设值时,采用线性函数对所述分段流量延误函数进行参数标定;当所述饱和度大于第二预设值时且小于第三预设值时,采用BPR函数对所述分段流量延误函数进行参数标定;当所述饱和度大于第四预设值时,采用幂函数对所述分段流量延误函数进行参数标定;其中,所述第二预设值小于第一预设值,第三预设值大于第一预设值;第四预设值大于第一预设值且小于第三预设值。
具体地,所述当所述饱和度小于第一预设值时,采用线性函数对所述分段流量延误函数进行参数标定;当所述饱和度大于第二预设值时且小于第三预设值时,采用BPR函数对所述分段流量延误函数进行参数标定;当所述饱和度大于第四预设值时,采用幂函数对所述分段流量延误函数进行参数标定,公式如下:
其中,t为两交叉口之间的路段行驶时间,min;t0为路段接近零流量时的路段行驶时间,min;v-路段单车道交通量,pcu/h;c-路段单车道通行能力,pcu/h;α,β为待标定参数。
需要说明的是,该实施例采用分段流量延误函数对各路段的流量与速度状态进行拟合,待标定参数α与β。其中,当饱和度小于0.4即流密速状态为畅通流时,采用线性函数进行标定;当饱和度大于0.3小于1即流密速状态为压缩流时,采用BPR函数进行标定;当饱和度大于0.9即流密速状态为饱和流时,采用幂函数进行标定。
上述实施例中,采用饱和度交叉区间有效反应了路段畅通流、压缩流和饱和流状态的临界状态的运行特征,有利于在模型实际应用过程中形成较为平滑的函数,避免流量分配过程中出现突变。采用三个阶段三类类型的函数,更能精准反映道路的实际运行状态。特别是在饱和流状态阶段,当饱和度超过1之后,采用幂函数会将会不断放大饱和度所造成的路段延误,在道路交通流量分配过程中降低相应路段分配流量,更接近现实运行状态,可以有效解决该类型路段流量溢出问题。
本发明实施例中,采用系统聚类分析法根据路段物理特性对各路段的分段流量延误函数进行分类,获取不同道路等级多种类型的分段流量延误函数。
不同RFID监测路段具有不同的分段流量延误函数,该实施例对分段流量延误函数进行分类,有效支撑了缺少RFID点位的现状与规划道路的模型应用。具体地,可以结合道路等级、相交道路等级、前方交叉口形式、右进右出交叉口数量、中央分隔带类型、道路纵坡、道路间距、车道数、自由流速度、单车道通行能力等路段物理特性,分析不同物理特性因素对类型划分的影响显著性,采用不同因素组合,利用2层或3层的层次聚类分析法对不同道路等级的分段流量延误函数进行分类,计算不同道路等级不同层次类型畅通流、压缩流和饱和流状态的分段流量延误函数。
可选地,在一个实施例中,所述将所述分段流量延误函数应用于道路交通模型进行道路交通流量预测,包括:
具有RFID监测点位的路段采用匹配的分段流量延误函数应用于道路交通模型进行道路交通流量预测;缺乏RFID监测点位的路段或者新增规划道路的路段,根据所述路段的道路物理特性,选择与所述道路物料特性相应的分段流量延误函数,应用于道路交通模型进行道路交通流量预测。
需要说明的是,现状与规划模型中的RFID监测点位路段采用相应的分段流量延误函数,缺乏RFID监测点位以及新增规划道路的现状与规划模型路段,结合道路等级、中央分隔带类型、道路纵坡、前方交叉口类型、右进右出交叉口数量等物理特性因素,选择相应的分段流量延误参数、自由流速度及单车道通行能力。
另外,现状与规划道路处于不断的动态变化过程中,为了保障现状与规划模型模拟预测的精度,需对现状与规划模型的流量延误函数进行动态更新维护。综合各方面因素,可以以年为单位,获取相应的RFID点位流量数据和GPS车载速度数据,重新训练路段自由流速度与单车道通行能力、标定分段流量延误函数、分类分段流量延误函数,开展现状与规划模型应用。
上文结合图1至图5,详细描述了根据本发明实施例提供的道路交通流量预测方法。下面结合图6,详细描述本发明实施例提供的道路交通流量预测系统。
如图6所示,本发明实施例还提供一种道路交通流量预测系统,包括:
基础数据训练模块,用于基于路段车载GPS数据训练路段自由流速度,基于路段RFID数据训练路段单车道通行能力;
函数标定模块,用于根据所述路段自由流速度、路段单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定;
函数分类模块,用于采用系统聚类分析法根据路段物理特性对各路段的分段流量延误函数进行分类,获取不同道路等级多种类型的分段流量延误函数;
交通流量预测模块,用于将所述分段流量延误函数应用于道路交通模型进行道路交通流量预测。
本发明实施例还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行上述实施例提供的道路交通流量预测方法。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例提供的道路交通流量预测方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种道路交通流量预测方法,其特征在于,包括:
基于路段车载GPS数据训练路段自由流速度,基于路段RFID数据训练路段单车道通行能力;
根据所述路段自由流速度、路段单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定;
采用系统聚类分析法根据路段物理特性对各路段的分段流量延误函数进行分类,获取不同道路等级多种类型的分段流量延误函数;
将所述分段流量延误函数应用于道路交通模型进行道路交通流量预测。
2.根据权利要求1所述的方法,其特征在于,所述基于车载GPS数据训练路段自由流速度,包括:基于浮动车测速算法采用路段车载GPS数据获取路段每辆车的实时车速,采用该路段工作日预设分位值的实时速度作为路段自由流速度值。
3.根据权利要求1所述的方法,其特征在于,基于路段RFID数据训练路段单车道通行能力,包括:基于路段RFID数据结合路段流密速曲线划分的路段车辆运行状态训练路段单车道通行能力。
4.根据权利要求3所述的方法,其特征在于,所述基于路段RFID数据结合路段流密速曲线划分的路段车辆运行状态训练路段单车道通行能力,包括:
若路段车流运行状态存在饱和流状态,则采取路段工作日连续预设时间流量值的预设分位值作为路段单车道通行能力的取值;
若路段车流运行状态不存在饱和流状态,则提取该路段的最大流量值;
若所述最大流量值在同等条件下饱和路段的通行能力取值区间[Fi,Fj]内,则所述最大流量值为该路段单车道通行能力;
若所述最大流量值不在同等条件下饱和路段的通行能力取值区间[Fi,Fj]内,则根据道路条件取相同道路条件下已知路段单车道通行能力的平均值为该路段单车道通行能力。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述路段自由流速度、路段单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定,包括:
根据所述路段自由流速度和路段单车道通行能力确定路段的饱和度;
当所述饱和度小于第一预设值时,采用线性函数对所述分段流量延误函数进行参数标定;当所述饱和度大于第二预设值时且小于第三预设值时,采用BPR函数对所述分段流量延误函数进行参数标定;当所述饱和度大于第四预设值时,采用幂函数对所述分段流量延误函数进行参数标定;
其中,所述第二预设值小于第一预设值,第三预设值大于第一预设值;第四预设值大于第一预设值且小于第三预设值。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述将所述分段流量延误函数应用于道路交通模型进行道路交通流量预测,包括:
具有RFID监测点位的路段采用匹配的分段流量延误函数应用于道路交通模型进行道路交通流量预测;
缺乏RFID监测点位的路段或者新增规划道路的路段,根据所述路段的道路物理特性,选择与所述道路物料特性相应的分段流量延误函数,应用于道路交通模型进行道路交通流量预测。
8.一种道路交通流量预测系统,其特征在于,包括:
基础数据训练模块,用于基于路段车载GPS数据训练路段自由流速度,基于路段RFID数据训练路段单车道通行能力;
函数标定模块,用于根据所述路段自由流速度、路段单车道通行能力以及路段流密速曲线,对不同流量速度状态的分段流量延误函数进行参数标定;
函数分类模块,用于采用系统聚类分析法根据路段物理特性对各路段的分段流量延误函数进行分类,获取不同道路等级多种类型的分段流量延误函数;
交通流量预测模块,用于将所述分段流量延误函数应用于道路交通模型进行道路交通流量预测。
9.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1-7任一项所述的道路交通流量预测方法。
10.一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的道路交通流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448387.2A CN111710156B (zh) | 2020-05-25 | 2020-05-25 | 一种道路交通流量预测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448387.2A CN111710156B (zh) | 2020-05-25 | 2020-05-25 | 一种道路交通流量预测方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111710156A true CN111710156A (zh) | 2020-09-25 |
CN111710156B CN111710156B (zh) | 2021-07-27 |
Family
ID=72537705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448387.2A Active CN111710156B (zh) | 2020-05-25 | 2020-05-25 | 一种道路交通流量预测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111710156B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421428A (zh) * | 2021-08-25 | 2021-09-21 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于多源gps数据的出行阻抗模型标定及校核方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933666A (zh) * | 2015-07-03 | 2015-09-23 | 东南大学 | 综合交通网络客运交通方式路段阻抗确定方法 |
CN105070042A (zh) * | 2015-07-22 | 2015-11-18 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交通预测的建模方法 |
-
2020
- 2020-05-25 CN CN202010448387.2A patent/CN111710156B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933666A (zh) * | 2015-07-03 | 2015-09-23 | 东南大学 | 综合交通网络客运交通方式路段阻抗确定方法 |
CN105070042A (zh) * | 2015-07-22 | 2015-11-18 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交通预测的建模方法 |
Non-Patent Citations (4)
Title |
---|
万涛,等,: "Akcelik函数在天津市交通量分配中的应用研究", 《规划创新:2010中国城市规划年会论文集》 * |
吴祥国,等: "大数据背景下重庆市综合交通模型维护升级", 《城市交通》 * |
吴祥国,等: "重庆市主城区综合交通模型重构实证研究", 《创新驱动与智慧发展——2018年中国城市交通规划年会论文集》 * |
赵再先 等: "大数据时代"四阶段"交通模型体系技术升级方法", 《交通与运输》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421428A (zh) * | 2021-08-25 | 2021-09-21 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于多源gps数据的出行阻抗模型标定及校核方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111710156B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109382B (zh) | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
CN108364467B (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
Ali et al. | CLACD: A complete LAne-Changing decision modeling framework for the connected and traditional environments | |
CN110197588A (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
Weng et al. | Decision tree–based model for estimation of work zone capacity | |
CN106652441A (zh) | 一种基于时空数据的城市道路交通状态预测方法 | |
CN110415517B (zh) | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 | |
Song et al. | Comparative analysis of car-following models for emissions estimation | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
CN108375378B (zh) | 乡村道路中扩展导航方法 | |
CN106781486A (zh) | 基于浮动车数据的交通状态评价方法 | |
EP3725633B1 (de) | Verfahren zum ermitteln von fahrverläufen | |
CN113033899B (zh) | 无人驾驶邻近车辆轨迹预测方法 | |
CN112614335B (zh) | 一种基于生成-滤波机制的交通流特征模态分解方法 | |
EP3726436A1 (de) | Verfahren zum ermitteln von fahrverläufen | |
CN103456163A (zh) | 城市快速路互通立交通行能力和运行状态判别方法与系统 | |
CN111710156B (zh) | 一种道路交通流量预测方法、系统、介质及设备 | |
CN115457764A (zh) | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 | |
CN107092988B (zh) | 一种专用道公交车辆驻站时间预测方法 | |
CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
CN106991817B (zh) | 多级路网路段交通容量确定方法 | |
Louah et al. | Traffic operations at an entrance ramp of a suburban freeway first results | |
Rozenshtein et al. | Models for estimating drivers following on two-lane rural highways |
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 |