CN111724593A - 一种基于rfid考虑交通流转移率的公交行程时间预测方法 - Google Patents

一种基于rfid考虑交通流转移率的公交行程时间预测方法 Download PDF

Info

Publication number
CN111724593A
CN111724593A CN202010538009.3A CN202010538009A CN111724593A CN 111724593 A CN111724593 A CN 111724593A CN 202010538009 A CN202010538009 A CN 202010538009A CN 111724593 A CN111724593 A CN 111724593A
Authority
CN
China
Prior art keywords
bus
representing
time
travel time
rfid
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.)
Pending
Application number
CN202010538009.3A
Other languages
English (en)
Inventor
孙棣华
赵敏
周桐
刘志宗
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 University
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 CN202010538009.3A priority Critical patent/CN111724593A/zh
Publication of CN111724593A publication Critical patent/CN111724593A/zh
Pending legal-status Critical Current

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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • 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"
    • 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
    • G08G1/0104—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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station

Landscapes

  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于RFID考虑交通流转移率的公交行程时间预测方法，本发明考虑了交通流转利率对公交车行程时间的影响，构建带有自适应遗忘因子的卡尔曼滤波预测模型，可以实现实时准确的公交车行程时间预测，避免了目前传统的预测方法的缺陷(如预测结果受天气影响、忽略交通流转移对行程时间的影响)，对保证公共交通运输系统能高效运行起着至关重要的作用。

Description

一种基于RFID考虑交通流转移率的公交行程时间预测方法
技术领域
本发明属于智能交通信息技术领域，涉及一种基于RFID(Radio FrequencyIdentification)技术并考虑交通流转移率的公交车行程时间预测方法，可适用于城市道路已部署RFID技术装置的公交车行程时间预测。
背景技术
一般来说，先进的公共交通系统(Advanced Public Transportation System,APTS)不仅是智能交通系统(Intelligence Transportation System,ITS)的核心子系统之一，而且是城市交通控制、服务的基础。对于公共交通而言，实时、精确的公交车行程时间不仅可以实现公交车实时调度、动态监控、科学管理等功能，而且可以进一步吸引出行者们选择公共交通出行方式，达到节省出行时间，避免不必要的交通拥堵等目的；还可以提高公交服务水平，缓解城市环境污染，提升城市交通通行能力。
通过查阅公交车行程时间预测相关的专利和论文，现有的公交车行程时间预测方法，要么因为如利用GPS技术采集数据为抽样的情况，无法采集到全样本的单车数据并且没法获得实时的交通流转移率而导致行程时间预测有一定的差异；要么因如采用视频识别等技术采集公交车数据的手段易受恶劣天气和环境的影响，抗干扰效果差，导致采集公交车信息不够精确，最终导致公交车行程时间的预测精度不够高，效果不够理想。
而目前现有的基于RFID技术的公交车行程时间预测的研究尚未成熟，一般都是在公交车数据采集完全的情况下忽略了路段中存在支路、交叉口、匝道等存在交通流分流或合流的情形，即没有考虑交通流转移率，忽略了公交车站与站之间车辆分流合流导致的行程时间动态变化的情形，该类方法的预测精度及效果较差。
发明内容
有鉴于此，为了解决上述背景提到的问题，本发明提供一种基于RFID技术考虑交通流转移率的公交车行程时间预测方法。
本发明的目的是通过以下技术方案来实现的：
一种基于RFID考虑交通流转移率的公交行程时间预测方法，包括以下步骤：
步骤1：依据安装在道路龙门架上的RFID阅读器采集所有经过该RFID基站车辆的车辆信息，所述信息包括电子车牌号、经过时间和车辆类型；
步骤2：通过数据预处理，按照两两相邻RFID基站配对的形式，将采集到的车辆信息存入数据库中以待后续步骤使用；
步骤3：根据道路限速规定，设置行程时间阈值τ；
步骤4：根据时间阈值τ重新筛选出有效的所述车辆信息，去除冗余数据；
步骤5：计算每辆公交车经过两两相邻RFID基站的行程时间
Figure BDA0002537744040000021
及平均行程时间
Figure BDA0002537744040000022
Figure BDA0002537744040000023
Figure BDA0002537744040000024
式中，
Figure BDA0002537744040000025
代表所选路段上RFID基站i到j之间公交车k的行程时间；
Figure BDA0002537744040000026
和
Figure BDA0002537744040000027
分别表示公交车k经过RFID基站i与j的时间，车辆行驶方向为RFID基站i至
Figure BDA0002537744040000028
即RFID基站i代表道路上游处采集点，RFID基站j表示道路下游处采集点；
Figure BDA0002537744040000029
代表RFID基站i到j之间的平均行程时间。
步骤6：根据RFID基站间的平均行程时间
Figure BDA00025377440400000210
确定时间窗T，标记数据项f置为1，循环匹配经过相邻RFID基站间的公交车电子车牌号，每出现一次具有相同电子车牌记录时，f自动增加1，直至时间窗T结束，最终分别得到RFID基站i与基站j的公交车流量
Figure BDA00025377440400000211
与
Figure BDA00025377440400000212
步骤7：考虑到两两相邻RFID基站间的路段存在交叉口分流或者合流情况，计算RFID基站i与基站j之间实时的公交车交通流转移率αij：
Figure BDA00025377440400000213
式中，Qi表示基站i的公交车流量Qi，Qj表示基站j的公交车流量Qi，T表示时间窗，式中，Qi表示基站i的公交车流量Qi，Qj表示基站j的公交车流量Qi，T表示时间窗，Ti表示车辆经过上游基站i的过车时间；
步骤8：根据步骤5得到的行程时间和平均行程时间以及步骤7得到的公交车行程时间与公交车实时转移率，结合卡尔曼滤波方法，构建一种能自适应调整的公交车行程时间预测模型；
步骤9：利用步骤8改进的自适应扩展卡尔曼滤波方法进行公交车行程时间预测。进一步，所述步骤8的具体过程如下：
步骤8.1：在已有的扩展卡尔曼滤波算法基础上，加入自适应遗忘因子λ用于限制滤波器的记忆步长，自适应遗忘因子λ的一般计算方式如下：
Figure BDA0002537744040000031
式中，
ek代表测量残差及其转置
Figure BDA0002537744040000032
Hk和Fk表示该系统的状态转移矩阵(即观测矩阵和状态矩阵)及其转置矩阵
Figure BDA0002537744040000033
和
Figure BDA0002537744040000034
Pk-1|k-1表示先验误差协方差矩阵；
Qk和Rk分别代表过程噪声协方差矩阵和观测噪声协方差矩阵；
步骤8.2：考虑实时的交通流转移率
Figure BDA0002537744040000035
时，自适应遗忘因子λ表征如下：
Figure BDA0002537744040000036
wk＝|rk|/∑k∈trips|rk|
Figure BDA0002537744040000037
式中，
wk和rk分别代表第k阶相应的权重及自相关系数；
Figure BDA0002537744040000038
和
Figure BDA0002537744040000039
分别代表第τk个交通流转移率的值以及交通流转移率的平均值。
进一步，所述步骤9的具体过程如下：
步骤9.1：首先表征出公交行程时间的状态方程和观测方程，并将其线性化：
Figure BDA00025377440400000310
Figure BDA00025377440400000311
步骤9.2：然后将步骤8.2中的自适应遗忘因子用于卡尔曼滤波的预测过程，得到其先验估计值及先验误差协方差矩阵；
Figure BDA0002537744040000041
Figure BDA0002537744040000042
步骤9.3：最后进行更新过程的处理，得到最终的公交车行程时间预测值；
Pk|k＝(I-GkHk)Pk|k-1
Figure BDA0002537744040000043
式中，
Pk|k表示后验误差协方差矩阵，Gk表示卡尔曼增益。
由于采用了上述技术方案，本发明具有如下的有益效果：
本发明考虑了交通流转利率对公交车行程时间的影响，构建带有自适应遗忘因子的卡尔曼滤波预测模型，可以实现实时准确的公交车行程时间预测，避免了目前传统的预测方法的缺陷(如预测结果受天气影响、忽略交通流转移对行程时间的影响)，对保证公共交通运输系统能高效运行起着至关重要的作用。
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为本发明总体流程示意图；
图2为步骤5中计算公交车行程时间的流程示意图；
图3为步骤6计算交通流量的流程示意图；
图4为步骤7中交通流分流示意图；
图5为本发明的公交车行程时间预测算法示意图。
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1-5所示，本实施例提供的一种基于RFID考虑交通流转移率的公交行程时间预测方法，包括以下步骤：
步骤1：依据安装在道路龙门架上的RFID阅读器采集所有经过该RFID基站车辆的车辆信息，所述信息包括电子车牌号、经过时间和车辆类型；
步骤2：通过数据预处理，按照两两相邻RFID基站配对的形式，将采集到的车辆信息存入数据库中以待后续步骤使用；
步骤3：根据道路限速规定，用上下游基站的距离除以限速得到行程时间阈值τ；
步骤4：根据时间阈值τ重新筛选出有效的所述车辆信息，去除冗余数据；
步骤5：计算每辆公交车经过两两相邻RFID基站的行程时间
Figure BDA0002537744040000051
及平均行程时间
Figure BDA0002537744040000052
Figure BDA0002537744040000053
Figure BDA0002537744040000054
式中，
Figure BDA0002537744040000055
代表所选路段上RFID基站i到j之间公交车k的行程时间；
Figure BDA0002537744040000056
和
Figure BDA0002537744040000057
分别表示公交车k经过RFID基站i与j的时间，车辆行驶方向为RFID基站i至
Figure BDA0002537744040000058
即RFID基站i代表道路上游处采集点，RFID基站j表示道路下游处采集点；
Figure BDA0002537744040000059
代表RFID基站i到j之间的平均行程时间。
步骤6：根据RFID基站间的平均行程时间
Figure BDA00025377440400000510
确定时间窗T，标记数据项f置为1，循环匹配经过相邻RFID基站间的公交车电子车牌号，每出现一次具有相同电子车牌记录时，f自动增加1，直至时间窗T结束，最终分别得到RFID基站i与基站j的公交车流量
Figure BDA00025377440400000511
与
Figure BDA00025377440400000512
步骤7：考虑到两两相邻RFID基站间的路段存在交叉口分流或者合流情况，计算RFID基站i与基站j之间实时的公交车交通流转移率αij：
Figure BDA00025377440400000513
式中，Qi表示基站i的公交车流量Qi，Qj表示基站j的公交车流量Qi，T表示时间窗，式中，Qi表示基站i的公交车流量Qi，Qj表示基站j的公交车流量Qi，T表示时间窗，Ti表示车辆经过上游基站i的过车时间；
步骤8：根据步骤5得到的行程时间和平均行程时间以及步骤7得到的公交车行程时间与公交车实时转移率，结合卡尔曼滤波方法，构建一种能自适应调整的公交车行程时间预测模型；
步骤9：利用步骤8改进的自适应扩展卡尔曼滤波方法进行公交车行程时间预测。进一步，所述步骤8的具体过程如下：
步骤8.1：在已有的扩展卡尔曼滤波算法基础上，加入自适应遗忘因子λ用于限制滤波器的记忆步长，自适应遗忘因子λ的一般计算方式如下：
Figure BDA0002537744040000061
式中，
ek代表测量残差及其转置
Figure BDA0002537744040000062
Hk和Fk表示该系统的状态转移矩阵(即观测矩阵和状态矩阵)及其转置矩阵
Figure BDA0002537744040000063
和
Figure BDA0002537744040000064
Pk-1|k-1表示先验误差协方差矩阵；
Qk和Rk分别代表过程噪声协方差矩阵和观测噪声协方差矩阵；
步骤8.2：考虑实时的交通流转移率
Figure BDA0002537744040000065
时，自适应遗忘因子λ表征如下：
Figure BDA0002537744040000066
wk＝|rk|/∑k∈trips|rk|
Figure BDA0002537744040000067
式中，
wk和rk分别代表第k阶相应的权重及自相关系数；
Figure BDA0002537744040000071
和
Figure BDA0002537744040000072
分别代表第τk个交通流转移率的值以及交通流转移率的平均值。
进一步，所述步骤9的具体过程如下：
步骤9.1：首先表征出公交行程时间的状态方程和观测方程，并将其线性化：
Figure BDA0002537744040000073
Figure BDA0002537744040000074
步骤9.2：然后将步骤8.2中的自适应遗忘因子用于卡尔曼滤波的预测过程，得到其先验估计值及先验误差协方差矩阵；
Figure BDA0002537744040000075
Figure BDA0002537744040000076
步骤9.3：最后进行更新过程的处理，得到最终的公交车行程时间预测值；
Pk|k＝(I-GkHk)Pk|k-1
Figure BDA0002537744040000077
式中，
Pk|k表示后验误差协方差矩阵，Gk表示卡尔曼增益。

Claims (3)

1.一种基于RFID考虑交通流转移率的公交行程时间预测方法，其特征在于，包括以下步骤：
步骤1：依据安装在道路龙门架上的RFID阅读器采集所有经过该RFID基站车辆的车辆信息，所述信息包括电子车牌号、经过时间和车辆类型；
步骤2：通过数据预处理，按照两两相邻RFID基站配对的形式，将采集到的车辆信息存入数据库中以待后续步骤使用；
步骤3：根据道路限速规定，设置行程时间阈值τ；
步骤4：根据时间阈值τ重新筛选出有效的所述车辆信息，去除冗余数据；
步骤5：计算每辆公交车经过两两相邻RFID基站的行程时间
Figure FDA0002537744030000011
及平均行程时间
Figure FDA0002537744030000012
Figure FDA0002537744030000013
Figure FDA0002537744030000014
式中，
Figure FDA0002537744030000015
代表所选路段上RFID基站i到j之间公交车k的行程时间；
Figure FDA0002537744030000016
和
Figure FDA0002537744030000017
分别表示公交车k经过RFID基站i与j的时间，车辆行驶方向为RFID基站i至
Figure FDA0002537744030000018
即RFID基站i代表道路上游处采集点，RFID基站j表示道路下游处采集点；
Figure FDA0002537744030000019
代表RFID基站i到j之间的平均行程时间。
步骤6：根据RFID基站间的平均行程时间
Figure FDA00025377440300000110
确定时间窗T，标记数据项f置为1，循环匹配经过相邻RFID基站间的公交车电子车牌号，每出现一次具有相同电子车牌记录时，f自动增加1，直至时间窗T结束，最终分别得到RFID基站i与基站j的公交车流量
Figure FDA00025377440300000111
与
Figure FDA00025377440300000112
步骤7：考虑到两两相邻RFID基站间的路段存在交叉口分流或者合流情况，计算RFID基站i与基站j之间实时的公交车交通流转移率αij：
Figure FDA00025377440300000113
式中，Qi表示基站i的公交车流量Qi，Qj表示基站j的公交车流量Qi，T表示时间窗，Ti表示车辆经过上游基站i的过车时间；
步骤8：根据步骤5得到的行程时间和平均行程时间以及步骤7得到的公交车行程时间与公交车实时转移率，结合卡尔曼滤波方法，构建一种能自适应调整的公交车行程时间预测模型；
步骤9：利用步骤8改进的自适应扩展卡尔曼滤波方法进行公交车行程时间预测。
2.根据权利要求1所述的方法，其特征在于，所述步骤8的具体过程如下：
步骤8.1：在已有的扩展卡尔曼滤波算法基础上，加入自适应遗忘因子λ用于限制滤波器的记忆步长，自适应遗忘因子λ的一般计算方式如下：
Figure FDA0002537744030000021
式中，
ek代表测量残差及其转置
Figure FDA0002537744030000022
Hk和Fk表示该系统的状态转移矩阵(即观测矩阵和状态矩阵)及其转置矩阵
Figure FDA0002537744030000023
和
Figure FDA0002537744030000024
Pk-1|k-1表示先验误差协方差矩阵；
Qk和Rk分别代表过程噪声协方差矩阵和观测噪声协方差矩阵；
步骤8.2：考虑实时的交通流转移率
Figure FDA0002537744030000025
时，自适应遗忘因子λ表征如下：
Figure FDA0002537744030000026
wk＝|rk|/∑k∈trips|rk|
Figure FDA0002537744030000027
式中，
wk和rk分别代表第k阶相应的权重及自相关系数；
Figure FDA0002537744030000028
和
Figure FDA0002537744030000029
分别代表第τk个交通流转移率的值以及交通流转移率的平均值。
3.根据权利要求1所述的方法，其特征在于，所述步骤9的具体过程如下：
步骤9.1：首先表征出公交行程时间的状态方程和观测方程，并将其线性化：
Figure FDA0002537744030000031
Figure FDA0002537744030000032
步骤9.2：然后将步骤8.2中的自适应遗忘因子用于卡尔曼滤波的预测过程，得到其先验估计值及先验误差协方差矩阵；
Figure FDA0002537744030000033
Figure FDA0002537744030000034
步骤9.3：最后进行更新过程的处理，得到最终的公交车行程时间预测值；
Pk|k＝(I-GkHk)Pk|k-1
Figure FDA0002537744030000035
式中，
Pk|k表示后验误差协方差矩阵，Gk表示卡尔曼增益。
CN202010538009.3A 2020-06-12 2020-06-12 一种基于rfid考虑交通流转移率的公交行程时间预测方法 Pending CN111724593A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010538009.3A CN111724593A (zh) 2020-06-12 2020-06-12 一种基于rfid考虑交通流转移率的公交行程时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010538009.3A CN111724593A (zh) 2020-06-12 2020-06-12 一种基于rfid考虑交通流转移率的公交行程时间预测方法

Publications (1)

Publication Number Publication Date
CN111724593A true CN111724593A (zh) 2020-09-29

Family

ID=72566666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010538009.3A Pending CN111724593A (zh) 2020-06-12 2020-06-12 一种基于rfid考虑交通流转移率的公交行程时间预测方法

Country Status (1)

Country Link
CN (1) CN111724593A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112306998A (zh) * 2020-10-13 2021-02-02 武汉中科通达高新技术股份有限公司 交委数据去重方法、装置及服务器
CN112530165A (zh) * 2020-11-30 2021-03-19 中国民航信息网络股份有限公司 一种基于物联网的机坪保障车辆的违章判断方法和装置
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971545A (zh) * 2017-05-16 2017-07-21 青岛大学 一种公交车到站时间预测方法
CN109215350A (zh) * 2018-11-02 2019-01-15 重庆大学 一种基于rfid电子车牌数据的短期交通状态预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971545A (zh) * 2017-05-16 2017-07-21 青岛大学 一种公交车到站时间预测方法
CN109215350A (zh) * 2018-11-02 2019-01-15 重庆大学 一种基于rfid电子车牌数据的短期交通状态预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李华民，吴俊美，孙棣华，陈栋，赵敏: "基于RFID电子车牌数据的公交行程时间预测方法", 《中国公路学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112306998A (zh) * 2020-10-13 2021-02-02 武汉中科通达高新技术股份有限公司 交委数据去重方法、装置及服务器
CN112306998B (zh) * 2020-10-13 2023-11-24 武汉中科通达高新技术股份有限公司 交委数据去重方法、装置及服务器
CN112530165A (zh) * 2020-11-30 2021-03-19 中国民航信息网络股份有限公司 一种基于物联网的机坪保障车辆的违章判断方法和装置
CN112530165B (zh) * 2020-11-30 2022-01-28 中国民航信息网络股份有限公司 一种基于物联网的机坪保障车辆的违章判断方法和装置
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
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

Similar Documents

Publication Publication Date Title
CN111724593A (zh) 一种基于rfid考虑交通流转移率的公交行程时间预测方法
CN107024216B (zh) 引入全景地图的智能车辆融合定位系统及方法
CN108550261B (zh) 基于rfid电子车牌的城市交通od计算方法
CN101989381B (zh) 基于浮动车技术的道路单向限行与通行状态识别方法
CN108806248B (zh) 一种针对rfid电子车牌数据的车辆出行轨迹划分方法
CN107591005B (zh) 动静态检测相结合的停车区域管理方法、服务器及系统
EP3014598A1 (de) Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche
CN107292417B (zh) 基于重污染序列案例库的区域重污染判别预报方法及装置
CN108648445B (zh) 基于交通大数据的动态交通态势预测方法
CN106940929B (zh) 交通数据预测方法及装置
CN113570860B (zh) 针对轨迹数据的城市道路交通状态精细划分与识别的方法
CN116206451A (zh) 一种智慧交通车流数据分析方法
CN113538907A (zh) 一种基于交通流分级的行车时间估计系统
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法
CN117409569A (zh) 一种基于大数据的智慧交通系统及方法
CN115100847B (zh) 面向低渗透率网联车轨迹数据的排队服务时间估计方法
CN113723459B (zh) 一种基于时间聚合的公交运营时段划分及单程点推荐方法
CN102013166A (zh) 基于浮动车技术的红绿灯路口识别方法
CN111951556B (zh) 一种基于rfid数据考虑货车混入率的公交行程时间预测方法
CN111724587A (zh) 一种基于rfid技术的交通流密度参数提取方法
CN108986455B (zh) 一种车联网环境下拼车优先的hov车道动态管控方法
CN113345252A (zh) 一种收费站下道流量短时预测方法与装置
CN106548444B (zh) 面向道路实时速度估算的浮动车载客行为模式清洗方法
CN111931968A (zh) 一种应用手机gps数据来优化公共自行车站点布局的方法
Rosas et al. Neural network delay estimation with inclusion of heavy goods vehicular data

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200929

RJ01 Rejection of invention patent application after publication