CN111724589A - 一种基于多源数据的高速公路断面流量估计方法 - Google Patents

一种基于多源数据的高速公路断面流量估计方法 Download PDF

Info

Publication number
CN111724589A
CN111724589A CN202010495061.5A CN202010495061A CN111724589A CN 111724589 A CN111724589 A CN 111724589A CN 202010495061 A CN202010495061 A CN 202010495061A CN 111724589 A CN111724589 A CN 111724589A
Authority
CN
China
Prior art keywords
section
flow
road section
travel speed
vehicle
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
CN202010495061.5A
Other languages
English (en)
Other versions
CN111724589B (zh
Inventor
孙棣华
郑林江
赵敏
罗燕琴
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.)
Chongqing Shouxun Technology Co ltd
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202010495061.5A priority Critical patent/CN111724589B/zh
Publication of CN111724589A publication Critical patent/CN111724589A/zh
Application granted granted Critical
Publication of CN111724589B publication Critical patent/CN111724589B/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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多源数据的高速公路断面流量估计方法，在高速公路断面交通检测设备分布稀疏的情况下，本发明利用历史收费数据和车检器数据，还原车辆运行状态，并通过分析路网收费站之间的流量转移关系，对断面流量进行估计，提高了估计的准确性；同时利用RBF神经网络模型做进一步校正，进一步提高了本方法的估计准确性；实现了在检测设备分布稀疏的情形下断面流量的准确估计。该方法可以根据实际需求，对不同时间窗口和不同主线断面的流量进行估计，可以为交通调查、交通预测提供参考。

Description

一种基于多源数据的高速公路断面流量估计方法
技术领域
本发明属于智能交通信息技术领域，具体涉及一种结合高速公路车检器检测数据和收费数据估计高速公路主线断面流量的方法。
背景技术
近年来高速公路车流量呈稳步上升趋势，部分高速公路路段负荷不断增加，交通拥堵以及交通事故发生更显频繁。高速公路断面流量可以较为直观地反映高速公路交通状态，实时准确的高速公路断面流量信息，可以有利于交通管理部门合理地进行道路限流、交通管制以及交通疏散等措施，有效减少交通拥堵发生；高速公路营运部门可以根据断面流量信息，合理配置收费站相关资源，提高收费站的工作效率；对于出行者而言，及时有效的道路流量信息，可以辅助路径选择，合理规划出行时间。
传统通过人工调查获取高速公路断面流量的方式误差较大，在交通运营中已经很少使用；利用交通检测设备获取高速公路断面流量的方式高度依赖检测设备的安装使用情况，而现阶段的交通检测设备分布较为稀疏，难以提供大范围路网的断面流量信息，并且仅靠增加检测设备的方式建设维护成本高昂，会给高速运营部门带来较重的经济负担。我国高速公路采用封闭收费的管理方式，车辆在进出高速公路时都要经过收费站，识别车辆车牌车型后收费，因此收费数据中记录了丰富的单车基本信息以及车辆OD(Origin-Destination，OD)信息。在不考虑道路异常拥堵的情况下，可以根据收费数据一定程度上还原车辆时空运行情况，实现对高速公路断面流量的估计。
专利CN102800198A利用收费收据计算车辆从上游收费站到检测断面的时间，通过统计单位时间通过断面的车辆数，获得断面交通流量，但该方法需要车辆已经驶离高速公路才能知道车辆是否经过目标断面，具有一定的滞后性。专利CN106327864A利用收费站间流量分配模式对断面交通流进行估计，但是收费数据仅能反映路段整体状态，实时性较差且对断面变化不够敏感。车检器检测数据能够提供通过车辆的瞬时速度及流量等交通信息，实时性较高却难以反映路段整体交通状态。因此通过数融合技术弥补单一收费数据的不足，合理利用现有数据源，实现多源交通数据之间的相互补充，对高速公路主线断面流量进行更为全面更加实时准确的估计，具有十分重要的经济价值与理论意义。
发明内容
有鉴于此，本发明的目的是提供一种基于多源数据的高速公路断面流量估计方法。
本发明的目的是通过以下技术方案来实现的：
一种基于多源数据的高速公路断面流量估计方法，包括以下步骤：
步骤1：确定当前时刻，目标断面位置以及估计流量的时间窗；
步骤2：基于高速公路历史收费数据中车辆OD信息，计算路段平均行程速度Ⅰ；
步骤3：根据车检器检测数据计算路段平均行程速度Ⅱ；
步骤4：利用最小均方误差加权平均法对分别基于收费数据的路段平均行程速度Ⅰ和基于车检器数据的路段平均行程速度Ⅱ进行融合，得到最终的路段平均行程速度
Figure BDA0002522487090000023
步骤5：根据车辆OD信息和步骤4所得的最终的路段平均行程速度，计算路网OD流量分配关系；
步骤6：根据上游收费站的上道流量与步骤5所得流量分配关系，计算断面流量；
步骤7：建立RBF神经网络模型，对断面流量估计结果进行校正。
进一步，所述步骤2中，基于高速公路历史收费数中车辆OD信息计算路段平均行程速度，具体包括如下步骤：
步骤21：根据收费流水记录，计算车辆n的OD行程时间ti,j(n)：
ti,j(n)＝tj(n)-ti(n)
其中：
ti(n)为车辆n在收费站Si的上道时刻；
tj(n)为车辆n在收费站Sj的下道时刻。
步骤22：剔除单车行程时间ti,j(n)中的离群值，找出时间窗下剩余车辆数N，计算OD平均行程时间Ti,j，公式如下：
Figure BDA0002522487090000021
步骤23：将高速公路根据收费站位置进行路段划分，根据路段所处位置，考虑OD间车辆的相互影响，计算路段平均行程时间Ti,i+1；
步骤24：结合收费系统中路段距离信息计算路段平均行程速度Ⅰ，用
Figure BDA0002522487090000022
表示；
进一步，所述步骤3包括如下步骤：
步骤31：将车检器数据与收费数据进行时空匹配；
步骤32：将单个车检器获取的断面瞬时速度转换为区间平均速度，得到单一车检器数据所反映的路段行程速度，用
Figure BDA0002522487090000031
表示；
步骤33：根据半距离法综合路段中多个车检器数据所反映的路段行程速度情况，得到基于车检器数据的路段平均行程速度Ⅱ，用
Figure BDA0002522487090000032
表示；
进一步，所述步骤4包括如下步骤：
步骤41：根据最小均方误差原则，求取所述路段平均行程速度Ⅰ和所述路段平均行程速度Ⅱ的权重；
步骤42：根据加权平均法计算最终的路段平均行程速度
Figure BDA0002522487090000033
进一步，所述步骤5包括如下步骤：
步骤51：计算目标断面到下游收费站Sj所需行程时间
Figure BDA0002522487090000034
步骤52：考虑经过目标断面的车辆到达下游收费站Sj的平均时刻，计算时间窗为(tb,te)的上道收费站Si和下道收费站Sj之间的OD分流比例pi,j；
进一步，所述步骤7包括如下步骤：
步骤71：采用高斯函数作为径向基函数：
Figure BDA0002522487090000035
其中，r为输入点到中心点的距离，σ为径向基函数的扩展常数，反映函数图像宽度。
步骤72：利用自组织聚类方法为隐含层神经元的径向基函数确定合适的中心点，然后通过各中心之间的距离计算其所对应的扩展常数；
步骤73：构造数据集，建立RBF高速公路断面流量估计模型。
步骤74：基于所建立的RBF断面流量校正模型，对计算得到的断面流量进行修正。
由于采用了上述技术方案，本发明具有如下的有益效果：
本发明在高速公路断面交通检测设备分布稀疏的情况下，利用历史收费数据和车检器数据，还原车辆运行状态，并通过分析检测流量与估计流量之间的关系，对断面流量进行估计，提高了估计的准确性；同时利用RBF神经网络模型做进一步校正，进一步提高了本方法的估计准确性；实现了在佳通设备分布稀疏的情形下断面流量的准确预测。该方法可以根据实际需求，对不同时间窗口和不同主线断面的流量进行估计，可以为交通调查、交通预测提供参考。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下：
图1示出本发明的高速公路路段划分示意图；
图2示出本发明的高速公路断面流量估计流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图1-2所示，本实施例提供的一种基于多源数据的高速公路断面流量估计方法，包括以下步骤：
步骤1：将高速公路划分为封闭路网，确定当前时刻为t0，目标断面Seck以及估计流量的时间窗(tb,te)，其中，tb＜te且te≤t0，(本实施例中，窗口大小为30min，事实上也可以根据实际情况具体选定)；
步骤2：基于高速公路历史收费数据出口流水表，得到车辆起讫(Origin-Destination)信息，计算OD平均行程时间，具体包括以下步骤：
步骤21：根据每条收费流水记录，计算车辆n的OD行程时间ti,j(n)：
ti,j(n)＝tj(n)-ti(n)
其中：
ti(n)为车辆n在收费站Si的上道时刻；
tj(n)为车辆n在收费站Sj的下道时刻。
步骤22：剔除单车行程时间ti,j(n)中的离群值，找出时间窗下剩余车辆数N，计算OD平均行程时间Ti,j，公式如下：
Figure BDA0002522487090000051
步骤23：将高速公路根据收费站位置，进行路段划分，路段划分示意图见附图1，根据路段所处位置，考虑OD间车辆的相互影响，计算路段平均行程时间Ti,i+1；
①当i＝0时，
Figure BDA0002522487090000052
其中：
Figure BDA0002522487090000053
②当0＜i＜N-1时，
Figure BDA0002522487090000054
其中：
Figure BDA0002522487090000055
③当i＝N-1时，
Figure BDA0002522487090000056
Figure BDA0002522487090000057
上述表达式中：
li,j为收费站Si到收费站Sj的距离；
Ti,j为收费站Si与收费站Sj之间的OD平均行程时间；
N为封闭高速路网收费站数量；
wj为从收费站Si到收费站Sj之间距离的倒数；
wm为从收费站Sm到收费站Si+1之间距离的倒数；
Wi为从收费站Si到收费站Sj之间距离的倒数与收费站Sm到收费站Si+1之间距离的倒数总和。
步骤24：计算路段平均行程速度
Figure BDA0002522487090000061
Figure BDA0002522487090000062
步骤3：根据车检器检测数据计算路段平均行程速度
Figure BDA0002522487090000063
具体包括如下步骤：
步骤31：将车检器检测数据与收费数据统计数据进行时空匹配；
步骤32：将第j个车检器获取的断面瞬时速度转换为路段平均行程速度
Figure BDA0002522487090000064
Figure BDA0002522487090000065
Figure BDA0002522487090000066
其中，Vt(j)表示第j个微波车检器在检测周期内所检测的断面平均速度；
qi表示检测周期内第i条车道的车辆数；
vi表示第i条车道的断面平均速度；
n为单向车道总数。
步骤33：根据半距离法综合路段中多个车检器数据计算所得路段平均行程速度
Figure BDA0002522487090000067
(本实施例中，路段共两个车检器)：
Figure BDA0002522487090000068
步骤4：利用加权平均法对基于收费数据和基于车检器数据计算的路段平均行程速度进行融合，具体包括以下步骤：
步骤41：根据最小均方误差原则，求取收费数据和车检器数据计算所得平均行程速度的权重：
Figure BDA0002522487090000071
其中，
Figure BDA0002522487090000072
为根据不同数据源计算的路段平均行程速度的方差；
步骤42：根据加权平均法计算最终的路段平均行程速度
Figure BDA0002522487090000073
Figure BDA0002522487090000074
步骤5：根据车辆OD信息，计算路网OD流量分配关系，具体包括如下步骤：
步骤51：计算目标断面到下游收费站Sj所需行程时间
Figure BDA0002522487090000075
Figure BDA0002522487090000076
Figure BDA0002522487090000077
其中，ldown为目标断面Seck其与邻近下游收费站Sk+1的距离；
步骤52：考虑经过目标断面的车辆到达下游收费站Sj的时刻，计算估计时间窗为(tb,te)的上道收费站Si和下道收费站Sj之间的OD分流比例pi,j；
Figure BDA0002522487090000078
①当
Figure BDA0002522487090000079
时，
Figure BDA00025224870900000710
②当
Figure BDA00025224870900000711
且
Figure BDA00025224870900000712
时，
Figure BDA00025224870900000713
其中，
Figure BDA00025224870900000714
③当
Figure BDA0002522487090000081
时，
Figure BDA0002522487090000082
上述表达式中：
t0为当前时刻；
tb为目标断面Seck流量估计时间窗的起始时刻；
te为目标断面Seck流量估计时间窗的结束时刻；
lup为目标断面Seck其与邻近上游收费站Sk的距离；
Figure BDA0002522487090000083
为车辆从上游收费站Si上道到目标断面Seck所需行程时间；
Figure BDA0002522487090000084
为从目标断面Seck到下游收费站Sj所需行程时间；
Figure BDA0002522487090000085
为
Figure BDA0002522487090000086
到
Figure BDA0002522487090000087
时段内从收费站Si上道、收费站Sj下道的车流量；
Figure BDA0002522487090000088
为
Figure BDA0002522487090000089
到
Figure BDA00025224870900000810
时段内上道收费站Si的上道流量；
pij为在时间窗
Figure BDA00025224870900000811
下，从上游收费站Si上道的车从下游收费站Sj下道的比例，称为收费站Si和收费站Sj收费站之间的OD流量转移比例；
Figure BDA00025224870900000812
为在距t0最近一个月的过去三周内，相同时间窗
Figure BDA00025224870900000813
下，上道收费站i上道的车从下道收费站j下道OD流量转移比例的平均值；
η为根据历史转移系数和估计值的情况，利用最小二乘法确定的权重。
步骤6：根据上游收费站的上道流量与步骤5所得流量分配关系估计断面流量Qseck(tb,te)：
Figure BDA00025224870900000814
Figure BDA00025224870900000815
其中，
Figure BDA00025224870900000816
为
Figure BDA00025224870900000817
到
Figure BDA00025224870900000818
时段内上游收费站Si的上道流量；
pij为在估计时间窗(tb,te)下，从上游收费站Si上道从下游收费站Sj(其中，j＝k+1,k+2,…,N)下道的OD流量转移比例。
步骤7：建立RBF神经网络模型，对断面流量估计结果进行校正，具体包括如下步骤：
步骤71：采用高斯函数作为径向基函数：
Figure BDA0002522487090000091
其中，r为输入值到中心点的距离，σ为径向基函数的扩展常数，反映函数图像宽度。
步骤72：利用K-means聚类算法为隐含层神经元的径向基函数确定合适的中心点，然后通过各中心之间的距离计算其所对应的扩展常数：
σi＝λdi
di＝min||ci-cj||
其中，λ为重叠系数，可通过试验获取；cj为除ci外的其他中心点。
步骤73：对估计断面流量时间序列X和车检器断面流量时间序列Y归一化处理，建立训练集{(x1,y1),…，(xl,yl)}∈(X×Y)l(l为训练数据中输入输出数据对的数量)，采用梯度下降方法求解连接权重，建立RBF高速公路断面流量估计模型。
步骤74：基于所建立的RBF断面流量校正模型，对估计得到的断面流量进行修正。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (6)

1.一种基于多源数据的高速公路断面流量估计方法，其特征在于，包括以下步骤：
步骤1：确定当前时刻，目标断面位置以及估计流量的时间窗；
步骤2：基于高速公路历史收费数据中车辆OD信息，计算路段平均行程速度Ⅰ；
步骤3：根据车检器检测数据计算路段平均行程速度Ⅱ；
步骤4：利用最小均方误差加权平均法对分别基于收费数据的路段平均行程速度Ⅰ和基于车检器数据的路段平均行程速度Ⅱ进行融合，得到最终的路段平均行程速度
Figure FDA0002522487080000011
步骤5：根据车辆OD信息和步骤4所得的最终的路段平均行程速度，计算路网OD流量分配关系；
步骤6：根据上游收费站的上道流量与步骤5所得流量分配关系，计算断面流量；
步骤7：建立RBF神经网络模型，对断面流量估计结果进行校正。
2.根据权利要求1所述的估计方法，其特征在于，所述步骤2中，基于高速公路历史收费数中车辆OD信息计算路段平均行程速度，具体包括如下步骤：
步骤21：根据收费流水记录，计算车辆n的OD行程时间ti,j(n)：
ti,j(n)＝tj(n)-ti(n)
其中：
ti(n)为车辆n在收费站Si的上道时刻；
tj(n)为车辆n在收费站Sj的下道时刻。
步骤22：剔除单车行程时间ti,j(n)中的离群值，找出时间窗下剩余车辆数N，计算OD平均行程时间Ti,j，公式如下：
Figure FDA0002522487080000012
步骤23：将高速公路根据收费站位置进行路段划分，根据路段所处位置，考虑OD间车辆的相互影响，计算路段平均行程时间Ti,i+1；
步骤24：结合收费系统中路段距离信息计算路段平均行程速度Ⅰ，用
Figure FDA0002522487080000013
表示。
3.根据权利要求1所述的估计方法，其特征在于，所述步骤3包括如下步骤：
步骤31：将车检器数据与收费数据进行时空匹配；
步骤32：将单个车检器获取的断面瞬时速度转换为区间平均速度，得到单一车检器数据所反映的路段行程速度，用
Figure FDA0002522487080000014
表示；
步骤33：根据半距离法综合路段中多个车检器数据所反映的路段行程速度情况，得到基于车检器数据的路段平均行程速度Ⅱ，用
Figure FDA0002522487080000021
表示。
4.根据权利要求1所述的估计方法，其特征在于，所述步骤4包括如下步骤：
步骤41：根据最小均方误差原则，求取所述路段平均行程速度Ⅰ和所述路段平均行程速度Ⅱ的权重；
步骤42：根据加权平均法计算最终的路段平均行程速度
Figure FDA0002522487080000022
5.根据权利要求1所述的估计方法，其特征在于，所述步骤5包括如下步骤：
步骤51：计算目标断面到下游收费站Sj所需行程时间
Figure FDA0002522487080000023
步骤52：考虑经过目标断面的车辆到达下游收费站Sj的平均时刻，计算时间窗为(tb,te)的上道收费站Si和下道收费站Sj之间的OD分流比例pi,j。
6.根据权利要求1所述的估计方法，其特征在于，所述步骤7包括如下步骤：
步骤71：采用高斯函数作为径向基函数：
Figure FDA0002522487080000024
其中，r为输入点到中心点的距离，σ为径向基函数的扩展常数，反映函数图像宽度。
步骤72：利用自组织聚类方法为隐含层神经元的径向基函数确定合适的中心点，然后通过各中心之间的距离计算其所对应的扩展常数；
步骤73：构造数据集，建立RBF高速公路断面流量估计模型；
步骤74：基于所建立的RBF断面流量校正模型，对计算得到的断面流量进行修正。
CN202010495061.5A 2020-06-03 2020-06-03 一种基于多源数据的高速公路断面流量估计方法 Active CN111724589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010495061.5A CN111724589B (zh) 2020-06-03 2020-06-03 一种基于多源数据的高速公路断面流量估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010495061.5A CN111724589B (zh) 2020-06-03 2020-06-03 一种基于多源数据的高速公路断面流量估计方法

Publications (2)

Publication Number Publication Date
CN111724589A true CN111724589A (zh) 2020-09-29
CN111724589B CN111724589B (zh) 2022-09-06

Family

ID=72565642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010495061.5A Active CN111724589B (zh) 2020-06-03 2020-06-03 一种基于多源数据的高速公路断面流量估计方法

Country Status (1)

Country Link
CN (1) CN111724589B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233426A (zh) * 2020-11-23 2021-01-15 重庆市市政设计研究院有限公司 基于rfid及多源数据的桥梁实时预警方法装置及系统
CN112419712A (zh) * 2020-11-04 2021-02-26 同盾控股有限公司 道路断面车速检测方法及系统
CN113240902A (zh) * 2021-03-25 2021-08-10 同济大学 一种基于抽样车辆轨迹数据的信控路网路径流量估计方法
CN113345252A (zh) * 2021-06-08 2021-09-03 重庆大学 一种收费站下道流量短时预测方法与装置
CN114596700A (zh) * 2022-01-10 2022-06-07 昆明理工大学 一种基于门架数据的高速公路路段实时流量估计方法
CN114862011A (zh) * 2022-04-29 2022-08-05 上海理工大学 一种考虑拥挤状态的道路断面分时段交通需求估计方法
CN114999162A (zh) * 2022-08-02 2022-09-02 北京交研智慧科技有限公司 一种道路交通流量获取方法和装置
CN115424432A (zh) * 2022-07-22 2022-12-02 重庆大学 一种基于多源数据的高速公路异常事件下的上游分流方法
CN115641721A (zh) * 2022-12-06 2023-01-24 南京感动科技有限公司 多来源交通流指标融合及基于融合指标的路况计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930718A (zh) * 2012-09-20 2013-02-13 同济大学 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法
CN104658252A (zh) * 2015-02-10 2015-05-27 交通运输部科学研究院 基于多源数据融合的高速公路交通运行状态的评估方法
CN108597227A (zh) * 2018-05-29 2018-09-28 重庆大学 高速公路收费站下道交通流量预测方法
CN109035784A (zh) * 2018-09-17 2018-12-18 江苏智通交通科技有限公司 基于多源异构数据的动态车流od估计方法
US20190172344A1 (en) * 2017-12-04 2019-06-06 Bluesignal Corporation System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof
CN110299011A (zh) * 2019-07-26 2019-10-01 长安大学 一种基于收费数据的高速公路任意断面的交通流预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930718A (zh) * 2012-09-20 2013-02-13 同济大学 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法
CN104658252A (zh) * 2015-02-10 2015-05-27 交通运输部科学研究院 基于多源数据融合的高速公路交通运行状态的评估方法
US20190172344A1 (en) * 2017-12-04 2019-06-06 Bluesignal Corporation System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof
CN108597227A (zh) * 2018-05-29 2018-09-28 重庆大学 高速公路收费站下道交通流量预测方法
CN109035784A (zh) * 2018-09-17 2018-12-18 江苏智通交通科技有限公司 基于多源异构数据的动态车流od估计方法
CN110299011A (zh) * 2019-07-26 2019-10-01 长安大学 一种基于收费数据的高速公路任意断面的交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘伟铭等: "一种基于收费数据的断面流量估算方法", 《数学的实践与认识》 *
靳引利等: "基于OD的高速公路断面交通流量推算方法", 《交通信息与安全》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419712A (zh) * 2020-11-04 2021-02-26 同盾控股有限公司 道路断面车速检测方法及系统
CN112233426A (zh) * 2020-11-23 2021-01-15 重庆市市政设计研究院有限公司 基于rfid及多源数据的桥梁实时预警方法装置及系统
CN112233426B (zh) * 2020-11-23 2024-02-02 重庆市市政设计研究院有限公司 基于rfid及多源数据的桥梁实时预警方法装置及系统
CN113240902A (zh) * 2021-03-25 2021-08-10 同济大学 一种基于抽样车辆轨迹数据的信控路网路径流量估计方法
CN113240902B (zh) * 2021-03-25 2022-06-07 同济大学 一种基于抽样车辆轨迹数据的信控路网路径流量估计方法
CN113345252B (zh) * 2021-06-08 2022-07-22 重庆大学 一种收费站下道流量短时预测方法与装置
CN113345252A (zh) * 2021-06-08 2021-09-03 重庆大学 一种收费站下道流量短时预测方法与装置
CN114596700A (zh) * 2022-01-10 2022-06-07 昆明理工大学 一种基于门架数据的高速公路路段实时流量估计方法
CN114596700B (zh) * 2022-01-10 2024-02-02 昆明理工大学 一种基于门架数据的高速公路路段实时流量估计方法
CN114862011A (zh) * 2022-04-29 2022-08-05 上海理工大学 一种考虑拥挤状态的道路断面分时段交通需求估计方法
CN115424432A (zh) * 2022-07-22 2022-12-02 重庆大学 一种基于多源数据的高速公路异常事件下的上游分流方法
CN115424432B (zh) * 2022-07-22 2024-05-28 重庆大学 一种基于多源数据的高速公路异常事件下的上游分流方法
CN114999162A (zh) * 2022-08-02 2022-09-02 北京交研智慧科技有限公司 一种道路交通流量获取方法和装置
CN115641721A (zh) * 2022-12-06 2023-01-24 南京感动科技有限公司 多来源交通流指标融合及基于融合指标的路况计算方法

Also Published As

Publication number Publication date
CN111724589B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN111724589B (zh) 一种基于多源数据的高速公路断面流量估计方法
CN104134349B (zh) 一种基于交通多源数据融合的公交路况处理系统及方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN103839409B (zh) 基于多断面视觉传感聚类分析的交通流状态判别方法
CN102855760B (zh) 基于浮动车数据的在线排队长度检测方法
CN111724595B (zh) 一种基于收费数据的高速公路断面流量估计方法
CN101710448B (zh) 基于全方位计算机视觉的道路交通状态检测装置
CN109191849B (zh) 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN107248283A (zh) 一种考虑路段关键度的城市区域路网运行状态评价方法
CN104778837A (zh) 一种道路交通运行态势多时间尺度预测方法
CN103985250A (zh) 轻量级的全息道路交通状态视觉检测装置
CN110299011A (zh) 一种基于收费数据的高速公路任意断面的交通流预测方法
CN102881162A (zh) 大规模交通信息的数据处理及融合方法
CN100466010C (zh) 异类交通信息实时融合方法
CN107527501A (zh) 一种高速公路站间行程时间数据的构造方法以及预测高速公路行程时间的方法
CN111739292B (zh) 一种考虑路网od流量贡献时变性的收费站流量预测方法
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统
CN117172461A (zh) 自动驾驶公交调度系统及基于客流预测的公交调度方法
CN116434361A (zh) 一种基于etc交易数据的高速公路拥堵识别方法
KR102646880B1 (ko) 교통량 증대를 위한 신호교차로 노면조건 및 교통패턴 분석 결과에 따른 신호등 운영 시스템
CN109255956A (zh) 一种收费站交通流量异常检测方法
CN113345252B (zh) 一种收费站下道流量短时预测方法与装置
CN103914984A (zh) 一种基于单元-区间协作的城市道路交通状态分析方法
CN110120154B (zh) 大规模路网下利用检测器数据的交通路况预测方法
CN117454318B (zh) 一种基于多源数据融合的桥梁群时空荷载分布识别方法

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
TR01 Transfer of patent right

Effective date of registration: 20240205

Address after: 3-1, Building 1, No. 52, Xinnan Road, Longxi Street, Yubei District, Chongqing, 400000

Patentee after: CHONGQING SHOUXUN TECHNOLOGY CO.,LTD.

Country or region after: China

Address before: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing

Patentee before: Chongqing University

Country or region before: China

TR01 Transfer of patent right