CN111724601A - 一种适用于数据缺失的机动车交通流预测方法 - Google Patents

一种适用于数据缺失的机动车交通流预测方法 Download PDF

Info

Publication number
CN111724601A
CN111724601A CN202010613173.6A CN202010613173A CN111724601A CN 111724601 A CN111724601 A CN 111724601A CN 202010613173 A CN202010613173 A CN 202010613173A CN 111724601 A CN111724601 A CN 111724601A
Authority
CN
China
Prior art keywords
traffic flow
data
road section
predicted
road
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
CN202010613173.6A
Other languages
English (en)
Other versions
CN111724601B (zh
Inventor
李长乐
岳文伟
张和和
陈越
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202010613173.6A priority Critical patent/CN111724601B/zh
Publication of CN111724601A publication Critical patent/CN111724601A/zh
Priority to US17/338,719 priority patent/US20210407284A1/en
Priority to GB2108207.8A priority patent/GB2599765B/en
Application granted granted Critical
Publication of CN111724601B publication Critical patent/CN111724601B/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
    • 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
    • G08G1/01—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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种适用于数据缺失的机动车交通流预测方法，输入待预测交通流的城市路网拓扑结构，选取路网中的某个路段作为待预测路段，通过最优切割法由可观测数据和缺失数据的时空关系确定待预测路段的相邻路段数据集合，根据最近邻算法对相邻路段数据集合中的缺失数据进行填补，得到填补后的数据集合，再由填补后的数据集合根据预测模型得出待预测路段在预测时刻的交通流数据。本发明可用于复杂的城市道路网络中交通流数据缺失情况下某路段高效预测机动车交通流。

Description

一种适用于数据缺失的机动车交通流预测方法
技术领域
本发明属于物理技术领域，更进一步涉及交通流预测技术领域的一种基于最优切割的数据缺失情况下交通流预测方法。本发明可利用最优切割方法在交通数据缺失情况下预测未来预设时间段内的城市道路交通流，可用于在数据缺失条件下为车辆提供实时的交通流变化情况，为出行者和交通管理部门提供实时的参考依据。
背景技术
交通流预测，即对城市道路中的机动车的实时流量进行预测，其作为实时交通状态判别和交通流诱导的基础，正发挥着日趋重要的作用。一方面，交通流预测信息能够为出行者提供出行方式、出行路线、出行时间的规划依据，提高出行效率，降低出行成本；另一方面，交通流预测信息也可以为交通管理部门提供实时的决策依据，通过制定适当的交通控制策略缓解交通拥塞，改善交通出行环境。交通流预测的关键在于完整的交通流数据的采集和存储，但在复杂的城市道路环境中，检测器与存储设备故障、通信系统损耗、气象状态等因素将不可避免地导致交通流数据丢失，严重影响交通流预测的有效性。因此，需要对数据集中的缺失数据进行有效的处理，使观测数据集完整化，提供高效准确的交通流预测。传统的交通流预测方法通常有两种方式：一种是直接利用不完整的交通流数据进行交通流预测，加大了预测难度，同时降低了预测的准确性；另一种是将缺失数据全部填补完整，再基于完整的交通流数据进行交通流预测，增加了额外的开销和时延，难以满足交通管理部门和出行者对实时交通数据的需求。
电子科技大学在其申请的专利文献“一种结合时空特性的路网交通流量短时预测方法”(申请号：2019109408485，公开号：CN110782663A)中提出了一种采用深度神经网络模型来进行交通流预测的方法。该方法基于海量交通数据，通过神经网络降低预测模型复杂度，节省预测时间来更高效快速地预测实时交通流。该方法存在的不足之处是：该方法没有考虑到得到的交通流历史数据大概率是缺失数据的数据集，由不完整的数据集进行预测，预测难度会增加，且预测结果准确性会降低。
Sehyun Tak等人在其发表的论文“Data-Driven Imputation Method forTraffic Data in Sectional Units of Road Links”(IEEE Transactions onIntelligent Transportation Systems,vol.17,no.6,June 2016)中提出了一种基于插值方法进行数据填补的交通流预测方法。该方法的特征是利用时间相邻数据与模式相邻数据对缺失数据进行插值填补，得到完整的交通流数据集之后，再利用交通流预测模型对道路网络中短期交通流进行预测。该方法存在的不足之处是：由于该方法利用时间相邻数据和模式相邻数据来插值填补缺失数据，未能综合考虑观测数据与缺失数据之间的时空关系，对所有的缺失数据均进行填补，在复杂城市环境中数据缺失量较大时，将会造成额外的填补开销，导致交通流预测时延上升。
Peibo Duan等人在其发表的论文“A Unified Spatio-Temporal Model forShort-Term Traffic Flow Prediction”(IEEE Transactions on IntelligentTransportation Systems,vol.20,no.9,Sept.2019)中提出了一种基于统计学习进行数据填补的交通流预测方法。该方法以观测数据的统计特性为基础，通过不断迭代来填补缺失数据以得到完整数据集，再利用交通流预测模型对路网中短期交通流进行预测。该方法存在的不足之处是：由于该方法以观测数据的统计特性为基础，通过不断迭代来填补缺失数据，增大了预测难度和时延；同时该方法对所有缺失数据进行填补，造成了额外的开销和时延问题，难以满足交通管理部门和出行者对实时交通信息的需求。
发明内容
本发明的目的是针对上述现有技术的不足，提出了一种适用于数据缺失的机动车交通流预测方法，以解决城市交通中因交通流数据缺失无法高效预测道路交通流的问题。
实现本发明目的的思路是，由于复杂的城市道路环境中有存储设备、通信系统、气象等因素可能导致交通流数据缺失，通过最优切割法，综合考虑待预测道路与缺失数据道路之间的时空关系，可以有效减少所需数据集中缺失数据的填补数目。再通过交通流预测模型和得出的完整数据集对待预测道路交通流进行预测，可满足复杂交通环境中数据缺失严重条件下交通流预测效率的需要，为出行者和交通管理部门提供实时的参考依据。
为实现上述目的，本发明的具体步骤如下：
(1)输入待预测交通流的城市路网拓扑结构，对路网中的每个路段进行编号；
(2)利用时空关系的最优切割法，生成相邻路段数据集合：
(2a)为待预测路段设置一个集合，并将其初始化为零；
(2b)判断待预测路段的所有一阶相邻路段在预测时刻前k1个采样点处交通流量数据是否完整，若是，则将每个一阶相邻路段对应的编号和相应时刻的交通流数据均添加到集合中后执行步骤(2f)；否则，执行步骤(2c)，其中，k1表示机动车从待预测路段到其所有一阶相邻路段的平均通行时间；
(2c)从所有一阶相邻路段中找出在预测时刻前k1个采样点处交通流量数据完整的路段，将每个一阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中；
(2d)判断数据缺失的每个一阶相邻路段相连的所有二阶相邻路段在预测时刻前k2个采样点处交通流量数据是否完整，若是，则将每个二阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中后执行步骤(2f)；否则，执行步骤(2e)，其中，k2表示机动车从待预测路段到其所有二阶相邻路段的平均通行时间；
(2e)从所有二阶相邻路段中找出在预测时刻前k2个采样点处交通流量数据完整的路段，将每个二阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中，并将与数据缺失的二阶相邻路段相连的所有三阶相邻路段对应的每条路段编号全部添加到集合中后执行步骤(2f)；
(2f)得到待预测路段的相邻路段数据集合；
(3)对相邻路段数据集合进行数据填补：
通过最近邻算法，对相邻路段数据集中缺失交通流数据的路段数据进行填补，得到填补后数据集合；
(4)按照下式，分别计算待预测路段与填补后数据集合中每条路段之间的交通流互相关系数：
Figure BDA0002562843310000046
其中，wmn表示路网中待预测路段n与填补后数据集合中第m条相邻路段交通流之间的互相关系数，E表示求期望值操作，xn(t)和xm(t+kmn)分别表示待预测路段n与填补后数据集合中第m条相邻路段在当前t时刻或者t+kmn时刻的交通流量，kmn表示在一年采样时间内机动车从待预测路段n到第m条相邻路段的平均通行时间，
Figure BDA0002562843310000041
和
Figure BDA0002562843310000042
分别表示在一年采样时间内第m条相邻路段、待预测路段n所有机动车的平均交通流量，
Figure BDA0002562843310000043
和
Figure BDA0002562843310000044
分别表示在一年采样时间内第m条相邻路段与待预测路段n交通流量的标准差；
(5)按照下式，计算待预测路段在预期时刻的交通流量：
Figure BDA0002562843310000045
其中，Xn(t)表示待预测路段n在预期时刻t的交通流量，L表示填补后数据集合中的元素总数，l表示填补后数据集合中元素的序号，序号为l的元素与第m条相邻路段的交通流数据相对应，∑表示求和操作，xm(t-kmn)表示待预测路段的第m条相邻路段在t-kmn时刻的交通流量。
本发明与现有技术相比具有以下优点：
第一，由于本发明考虑了复杂的城市道路环境中，检测器与存储设备故障、通信系统损耗、气象状态等因素将不可避免地导致交通流数据丢失，而对这些缺失数据的填补保证了准确的交通流预测结果，克服了现有技术中对交通流预测时直接采用所提供的数据，默认其数据具有完整性，从而导致预测复杂度较高，预测准确率低的问题，使得本发明在预测交通流时，降低预测复杂性的同时具有更高的准确率。
第二，由于本发明采用基于最优切割的交通流预测方法，对待预测道路与缺失数据道路之间时间维度和空间维度上的联系进行综合考虑，有效减少了交通流数据集中缺失数据的填补数量，克服了现有技术中对所有缺失数据进行填补，增加额外工作量和开销的问题，使得本发明在保证交通流预测精度的前提下，能够有效地降低交通流预测的工作量，减小预测时间，保证了数据缺失情况下交通流预测效率。
附图说明：
图1为本发明的流程图；
图2为本发明利用最优切割法为待预测路段确定相邻路段集合步骤的流程图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1，对本发明的实现具体步骤做进一步的描述。
步骤1，输入待预测交通流的城市路网拓扑结构，对路网中的每个路段进行编号。
步骤2，利用时空关系的最优切割法，生成相邻路段数据集。
参照附图2，对利用最优切割法生成待预测路段的相邻路段数据集的具体步骤做进一步的描述。
第1步，为待预测路段设置一个集合，并将其初始化为零。
第2步，判断待预测路段的所有一阶相邻路段在预测时刻前k1个采样点处交通流量数据是否完整，若是，则将每个一阶相邻路段对应的编号和相应时刻的交通流数据均添加到集合中后执行本步骤的第6步；否则，执行本步骤的第3步，其中，k1表示机动车从待预测路段到其所有一阶相邻路段的平均通行时间。
第3步，从所有一阶相邻路段中找出在预测时刻前k1个采样点处交通流量数据完整的路段，将每个一阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中。
第4步，判断数据缺失的每个一阶相邻路段相连的所有二阶相邻路段在预测时刻前k2个采样点处交通流量数据是否完整，若是，则将每个二阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中后执行本步骤的第6步；否则，执行本步骤的第5步，其中，k2表示机动车从待预测路段到其所有二阶相邻路段的平均通行时间。
第5步，从所有二阶相邻路段中找出在预测时刻前k2个采样点处交通流量数据完整的路段，将每个二阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中，并将与数据缺失的二阶相邻路段相连的所有三阶相邻路段对应的每条路段编号全部添加到集合中后执行本步骤的第6步。
第6步，得到待预测路段的相邻路段数据集合。
所述的待预测路段所有一阶、二阶及三阶相邻路段分别指的是与待预测路段相连的一阶相邻路段、与一阶相邻路段相连的二阶相邻路段以及与二阶相邻路段相连的三阶相邻路段。
所述的时空关系中“时”的关系指的是，可以观测到的完整的数据和未能观测到的数据在时间上的联系；“空”的关系指的是可以观测到的完整的数据和未能观测到的数据各自对应的路段之间的位置关系，包含一阶相邻路段、二阶相邻路段以及三阶相邻路段。
所述的平均通行时间，按照下式进行计算：
Figure BDA0002562843310000061
其中，kij表示车辆从路段i到路段j平均通行时间，符号
Figure BDA0002562843310000062
表示对数值向上取整操作，sij表示路段i的中心位置到路段j的中心位置之间的距离，
Figure BDA0002562843310000063
和
Figure BDA0002562843310000064
分别表示在一年采样时间内路段i、路段j所有车辆的平均速度。
步骤3，对相邻路段集合进行数据填补。
通过最近邻算法，对相邻路段数据集中缺失交通流数据的路段数据进行填补，得到填补后数据集合。
所述的最近邻算法是指，通过对某路段交通流量数据采样中采样时间距缺失数据时刻最近的两个时刻交通流数据求平均值，用该平均值填补该路段在缺失数据时刻的交通流数据。
所述的填补后数据集合和未填补数据集合具有相同的元素个数，且每个元素对应的路段相同，其区别在于填补后的数据集中所有交通流数据是完整的，未填补的数据集有些路段的交通流数据是缺失的。
步骤4，按照下式，分别计算待预测路段与填补后数据集合中每条路段之间的交通流互相关系数：
Figure BDA0002562843310000071
其中，wmn表示路网中待预测路段n与填补后数据集合中第m条相邻路段交通流之间的互相关系数，E表示求期望值操作，xn(t)和xm(t+kmn)分别表示待预测路段n与填补后数据集合中第m条相邻路段在当前t时刻或者t+kmn时刻的交通流量，kmn表示在一年采样时间内机动车从待预测路段n到第m条相邻路段的平均通行时间，
Figure BDA0002562843310000072
和
Figure BDA0002562843310000073
分别表示在一年采样时间内第m条相邻路段、待预测路段n所有机动车的平均交通流量，
Figure BDA0002562843310000074
和
Figure BDA0002562843310000075
分别表示在一年采样时间内第m条相邻路段与待预测路段n交通流量的标准差。
步骤5，按照下式，计算待预测路段在预期时刻的交通流量：
Figure BDA0002562843310000076
其中，Xn(t)表示待预测路段n在预期时刻t的交通流量，L表示填补后数据集合中的元素总数，l表示填补后数据集合中元素的序号，序号为l的元素与第m条相邻路段的交通流数据相对应，∑表示求和操作，xm(t-kmn)表示待预测路段的第m条相邻路段在t-kmn时刻的交通流量。
所述交通流量是指，对路网中的每个路段从一年某个时刻开始，每隔1分钟采样一次，将每次采样时间内该路段通过的机动车的总数称之该时刻的交通流量。
以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (4)

1.一种适用于数据缺失的机动车交通流预测方法，其特征在于，根据可观测数据和缺失数据之间的时空关系进行最优切割，确定所需填补的缺失数据，利用得到的填补后的数据集，预测未来预设时间段内的某条道路的交通流量，该方法的具体步骤包括如下：
(1)输入待预测交通流的城市路网拓扑结构，对路网中的每个路段进行编号；
(2)利用时空关系的最优切割法，生成相邻路段数据集合：
(2a)为待预测路段设置一个集合，并将其初始化为零；
(2b)判断待预测路段的所有一阶相邻路段在预测时刻前k1个采样点处交通流量数据是否完整，若是，则将每个一阶相邻路段对应的编号和相应时刻的交通流数据均添加到集合中后执行步骤(2f)；否则，执行步骤(2c)，其中，k1表示机动车从待预测路段到其所有一阶相邻路段的平均通行时间；
(2c)从所有一阶相邻路段中找出在预测时刻前k1个采样点处交通流量数据完整的路段，将每个一阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中；
(2d)判断数据缺失的每个一阶相邻路段相连的所有二阶相邻路段在预测时刻前k2个采样点处交通流量数据是否完整，若是，则将每个二阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中后执行步骤(2f)；否则，执行步骤(2e)，其中，k2表示机动车从待预测路段到其所有二阶相邻路段的平均通行时间；
(2e)从所有二阶相邻路段中找出在预测时刻前k2个采样点处交通流量数据完整的路段，将每个二阶相邻路段对应的编号及相应时刻的交通流数据添加到集合中，并将与数据缺失的二阶相邻路段相连的所有三阶相邻路段对应的每条路段编号全部添加到集合中后执行步骤(2f)；
(2f)得到待预测路段的相邻路段数据集合；
(3)对相邻路段数据集合进行数据填补：
通过最近邻算法，对相邻路段数据集中缺失交通流数据的路段数据进行填补，得到填补后数据集合；
(4)按照下式，分别计算待预测路段与填补后数据集合中每条路段之间的交通流互相关系数：
Figure FDA0002562843300000021
其中，wmn表示路网中待预测路段n与填补后数据集合中第m条相邻路段交通流之间的互相关系数，E表示求期望值操作，xn(t)和xm(t+kmn)分别表示待预测路段n与填补后数据集合中第m条相邻路段在当前t时刻或者t+kmn时刻的交通流量，kmn表示在一年采样时间内机动车从待预测路段n到第m条相邻路段的平均通行时间，
Figure FDA0002562843300000022
和
Figure FDA0002562843300000023
分别表示在一年采样时间内第m条相邻路段、待预测路段n所有机动车的平均交通流量，
Figure FDA0002562843300000024
和
Figure FDA0002562843300000025
分别表示在一年采样时间内第m条相邻路段与待预测路段n交通流量的标准差；
(5)按照下式，计算待预测路段在预期时刻的交通流量：
Figure FDA0002562843300000026
其中，Xn(t)表示待预测路段n在预期时刻t的交通流量，L表示填补后数据集合中的元素总数，l表示填补后数据集合中元素的序号，序号为l的元素与第m条相邻路段的交通流数据相对应，∑表示求和操作，xm(t-kmn)表示待预测路段的第m条相邻路段在t-kmn时刻的交通流量。
2.根据权利要求1所述的一种适用于数据缺失的机动车交通流预测方法，其特征在于，步骤(2b)中所述的平均通行时间是由下式计算得到的：
Figure FDA0002562843300000027
其中，kij表示在一年采样时间内机动车从路段i到路段j的平均通行时间，
Figure FDA0002562843300000028
表示向上取整操作，sij表示路段i的中心位置到路段j的中心位置之间的距离，
Figure FDA0002562843300000029
和
Figure FDA00025628433000000210
分别表示在一年采样时间内路段i、路段j所有机动车的平均速度。
3.根据权利要求1所述的一种适用于数据缺失的机动车交通流预测方法，其特征在于，步骤(3)中所述的最近邻算法是指，通过对某路段交通流数据采样中采样时间距缺失数据时刻最近的两个时刻交通流数据求平均值，用该平均值填补该路段在缺失数据时刻的交通流数据。
4.根据权利要求1所述的一种适用于数据缺失的机动车交通流预测方法，其特征在于，步骤(5)中所述交通流量指的是对路网中的每个路段从一年某个时刻开始，每隔1分钟采样一次，将每次采样时间内该路段通过的机动车的总数称之该时刻的交通流量。
CN202010613173.6A 2020-06-30 2020-06-30 一种适用于数据缺失的机动车交通流预测方法 Active CN111724601B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010613173.6A CN111724601B (zh) 2020-06-30 2020-06-30 一种适用于数据缺失的机动车交通流预测方法
US17/338,719 US20210407284A1 (en) 2020-06-30 2021-06-04 Vehicle traffic flow prediction method with missing data
GB2108207.8A GB2599765B (en) 2020-06-30 2021-06-09 Vehicle traffic flow prediction method with missing data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010613173.6A CN111724601B (zh) 2020-06-30 2020-06-30 一种适用于数据缺失的机动车交通流预测方法

Publications (2)

Publication Number Publication Date
CN111724601A true CN111724601A (zh) 2020-09-29
CN111724601B CN111724601B (zh) 2022-03-18

Family

ID=72570524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010613173.6A Active CN111724601B (zh) 2020-06-30 2020-06-30 一种适用于数据缺失的机动车交通流预测方法

Country Status (3)

Country Link
US (1) US20210407284A1 (zh)
CN (1) CN111724601B (zh)
GB (1) GB2599765B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469425A (zh) * 2021-06-23 2021-10-01 北京邮电大学 深度交通拥堵预测方法
CN114639233A (zh) * 2020-12-15 2022-06-17 腾讯科技（深圳）有限公司 一种拥堵状态预测方法、装置、电子设备及存储介质
CN114664090A (zh) * 2022-04-14 2022-06-24 山东大学 基于循环神经网络的交通数据填补方法及系统
CN116013087A (zh) * 2023-03-27 2023-04-25 东莞市城建规划设计院 一种基于城市运动车辆检测的车流量统计方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11594126B2 (en) * 2020-08-28 2023-02-28 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for a traffic flow monitoring and graph completion system
US11603101B2 (en) * 2020-09-24 2023-03-14 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for vehicles resolving a standoff
CN113706863B (zh) * 2021-08-05 2022-08-02 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
CN113673769B (zh) * 2021-08-24 2024-02-02 北京航空航天大学 基于多元时间序列插补的图神经网络交通流预测方法
CN114399901B (zh) * 2022-01-04 2022-12-13 青岛海信网络科技股份有限公司 一种控制交通系统的方法和设备
CN114091357B (zh) * 2022-01-19 2022-05-06 杭州海康威视数字技术股份有限公司 交通流预测方法、装置、电子设备及存储介质
CN114613145B (zh) * 2022-05-12 2022-08-19 中运科技股份有限公司 一种大数据下的客运流量感知预警系统及方法
CN114936530A (zh) * 2022-06-22 2022-08-23 郑州大学 基于tam的多元空气质量数据缺失值填充模型及其构建方法
CN115240424A (zh) * 2022-07-26 2022-10-25 石河子大学 基于数据驱动的多视图流量预测方法及系统
CN116206443B (zh) * 2023-02-03 2023-12-15 重庆邮电大学 一种基于时空路网像素化表示的交通流量数据插补方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104064023A (zh) * 2014-06-18 2014-09-24 银江股份有限公司 一种基于时空关联的动态交通流预测方法
CN105006147A (zh) * 2015-06-19 2015-10-28 武汉大学 一种基于道路时空关联关系的路段行程时间推断方法
CN105632193A (zh) * 2015-12-25 2016-06-01 银江股份有限公司 一种基于时空关联性的数据缺失路段速度计算方法
KR101623361B1 (ko) * 2014-12-12 2016-06-08 건국대학교 산학협력단 시공간 교통 흐름 예측 시스템
CN108198415A (zh) * 2017-12-28 2018-06-22 同济大学 一种基于深度学习的城市快速路事故预测方法
CN109272169A (zh) * 2018-10-10 2019-01-25 深圳市赛为智能股份有限公司 交通流量预测方法、装置、计算机设备及存储介质
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109961180A (zh) * 2019-03-15 2019-07-02 浙江工业大学 一种基于时空相关性的短时交通流量预测方法
CN110517479A (zh) * 2018-05-22 2019-11-29 杭州海康威视系统技术有限公司 一种城市道路交通预测方法、装置及电子设备
CN110889963A (zh) * 2018-09-11 2020-03-17 深圳云天励飞技术有限公司 一种道路监控方法、装置及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4729469B2 (ja) * 2006-11-10 2011-07-20 日立オートモティブシステムズ株式会社 交通情報システム
US8755991B2 (en) * 2007-01-24 2014-06-17 Tomtom Global Assets B.V. Method and structure for vehicular traffic prediction with link interactions and missing real-time data
CN105702029B (zh) * 2016-02-22 2017-11-28 北京航空航天大学 一种分时段考虑时空关联性的快速路交通状态预测方法
CN110782663B (zh) 2019-09-30 2021-09-24 电子科技大学 一种结合时空特性的路网交通流量短时预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104064023A (zh) * 2014-06-18 2014-09-24 银江股份有限公司 一种基于时空关联的动态交通流预测方法
KR101623361B1 (ko) * 2014-12-12 2016-06-08 건국대학교 산학협력단 시공간 교통 흐름 예측 시스템
CN105006147A (zh) * 2015-06-19 2015-10-28 武汉大学 一种基于道路时空关联关系的路段行程时间推断方法
CN105632193A (zh) * 2015-12-25 2016-06-01 银江股份有限公司 一种基于时空关联性的数据缺失路段速度计算方法
CN108198415A (zh) * 2017-12-28 2018-06-22 同济大学 一种基于深度学习的城市快速路事故预测方法
CN110517479A (zh) * 2018-05-22 2019-11-29 杭州海康威视系统技术有限公司 一种城市道路交通预测方法、装置及电子设备
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN110889963A (zh) * 2018-09-11 2020-03-17 深圳云天励飞技术有限公司 一种道路监控方法、装置及存储介质
CN109272169A (zh) * 2018-10-10 2019-01-25 深圳市赛为智能股份有限公司 交通流量预测方法、装置、计算机设备及存储介质
CN109961180A (zh) * 2019-03-15 2019-07-02 浙江工业大学 一种基于时空相关性的短时交通流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于滨等: "K近邻短时交通流预测模型", 《交通运输工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114639233A (zh) * 2020-12-15 2022-06-17 腾讯科技（深圳）有限公司 一种拥堵状态预测方法、装置、电子设备及存储介质
CN114639233B (zh) * 2020-12-15 2024-02-02 腾讯科技（深圳）有限公司 一种拥堵状态预测方法、装置、电子设备及存储介质
CN113469425A (zh) * 2021-06-23 2021-10-01 北京邮电大学 深度交通拥堵预测方法
CN113469425B (zh) * 2021-06-23 2024-02-13 北京邮电大学 深度交通拥堵预测方法
CN114664090A (zh) * 2022-04-14 2022-06-24 山东大学 基于循环神经网络的交通数据填补方法及系统
CN116013087A (zh) * 2023-03-27 2023-04-25 东莞市城建规划设计院 一种基于城市运动车辆检测的车流量统计方法

Also Published As

Publication number Publication date
CN111724601B (zh) 2022-03-18
GB2599765A (en) 2022-04-13
US20210407284A1 (en) 2021-12-30
GB202108207D0 (en) 2021-07-21
GB2599765B (en) 2023-03-01

Similar Documents

Publication Publication Date Title
CN111724601B (zh) 一种适用于数据缺失的机动车交通流预测方法
US8798897B2 (en) Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models
CN109658695B (zh) 一种多因素的短时交通流预测方法
US7953544B2 (en) Method and structure for vehicular traffic prediction with link interactions
CN102087788B (zh) 基于浮动车车速置信度的交通状态参数估计方法
CN104766475B (zh) 一种城市交通瓶颈挖掘方法
CN109584552B (zh) 一种基于网络向量自回归模型的公交到站时间预测方法
CN105787858B (zh) 一种高速公路网态势推演方法
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划系统及方法
CN104778834A (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN104123833A (zh) 一种道路状况的规划方法和装置
CN113837446B (zh) 一种基于多源异构数据的机场陆侧区域交通态势预测方法
US10706720B2 (en) Predicting vehicle travel times by modeling heterogeneous influences between arterial roads
CN116913088A (zh) 一种用于高速公路的智能流量预测方法
CN115658666A (zh) 多源数据融合的稀疏交通流量补全方法及系统
CN113763713B (zh) 一种路网瓶颈路段发掘与管理方法及装置
US20220110021A1 (en) Flow forecasting for mobile users in cellular networks
Chen et al. Adaptive network traffic control with approximate dynamic programming based on a non-homogeneous Poisson demand model
CN117217089A (zh) 一种基于双向长短期记忆网络的航迹预测方法
CN112907953B (zh) 一种基于稀疏gps数据的公交行程时间预测方法
CN113903171A (zh) 一种基于高速路网时空特性的车辆群智感知节点优化方法
Cussigh et al. An all-electric alpine crossing: time-optimal strategy calculation via fleet-based vehicle data
CN115909711A (zh) 交通拥堵指数预测方法、装置及相关设备
Kyaw et al. Estimating travel speed of yangon road network using gps data and machine learning techniques
CN116206448A (zh) 基于轻量级的时空图卷积模型对交通量的预测方法及装置

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