CN111739292A - 一种考虑路网od流量贡献时变性的收费站流量预测方法 - Google Patents

一种考虑路网od流量贡献时变性的收费站流量预测方法 Download PDF

Info

Publication number
CN111739292A
CN111739292A CN202010514575.0A CN202010514575A CN111739292A CN 111739292 A CN111739292 A CN 111739292A CN 202010514575 A CN202010514575 A CN 202010514575A CN 111739292 A CN111739292 A CN 111739292A
Authority
CN
China
Prior art keywords
toll station
toll
flow
prediction
time
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
CN202010514575.0A
Other languages
English (en)
Other versions
CN111739292B (zh
Inventor
赵敏
张强
唐毅
王荣斌
孙棣华
代振
张特森
曹文梦
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
Chongqing University
Original Assignee
Chongqing Shouxun Technology Co ltd
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 Shouxun Technology Co ltd, Chongqing University filed Critical Chongqing Shouxun Technology Co ltd
Priority to CN202010514575.0A priority Critical patent/CN111739292B/zh
Publication of CN111739292A publication Critical patent/CN111739292A/zh
Application granted granted Critical
Publication of CN111739292B publication Critical patent/CN111739292B/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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G08G1/065—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)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑路网OD流量贡献时变性的收费站流量预测方法，S1：统计分析路网中构成各收费站90％出口流量的入口站点数，拟合其区间分布，在此基础上得到降维阈值；S2：通过分析不同天中同一预测时间区间的流量贡献率，拟合其概率分布，估计预测时段的贡献率；S3：结合不同天中在同一预测区间的流量贡献率的变化程度，确定在预测区间路网中各收费站的权重；S4：结合各收费站的实时上道流量数据，建立考虑OD间贡献时变性的下道流量预测模型，得到初步预测结果；S5：根据上一时间窗口的预测结果与实际结果的误差，对本时间窗口的预测结果进行修正，得到最终的预测结果。本发明减小了计算的规模，提高了精度，值得在本领域大量推广。

Description

一种考虑路网OD流量贡献时变性的收费站流量预测方法
技术领域
本发明涉及智能交通领域，具体的，涉及一种考虑路网OD流量贡献时变性的收费站流量预测方法。
背景技术
智能交通系统作为智慧城市的重要组成部分，能够有效缓解交通拥堵，减少空气污染，为人们提供更安全的交通条件。交通流量预测作为智能交通的关键技术之一，在智能交通系统领域中占据着举足轻重的地位。它可以根据路网历史交通状态预测未来一段时间内的交通状况。不仅能让旅行者及时了解交通状况，也可以为交通管理部门提供管控依据。例如：通过可靠的预测数据，交通管理人员可以及早发现路网中存在的潜在风险，并采取有效的措施来确保交通正常运行。对于出行者而言，可以及时得到未来交通状况的实时、动态的估计结果，并在拥堵形成之前，做出调整出发时间或调整出行路线的决定。因此，及时而准确的交通流量预测无论对于出行者还是对于交通管理部门，都有着很重要的作用和意义。
通过查阅相关专利和论文，发现现有高速公路路段交通状态检测方法主要有：
现有技术一：专利CN104269055A中使用ARMA模型对收费站的时间序列进行回归预测，这种方法比较简单，在流量趋势较为稳定时，预测效果良好，但是因为其只是利用所预测收费站的历史数据的趋势进行预测，并未考虑到路网中其他收费站点对其的影响，因此在复杂情况下精度不高，应用受限。
现有技术二：专利CN108597227A中考虑了路网中收费站点的时空联系，利用状态转移矩阵对收费站点下道流量进行预测。但仅适用于小型路网，当路网较大时，转移矩阵就会过于庞大。计算规模过大，预测时间也会随之急剧增加，在实时的流量预测中效率较低。
发明内容
有鉴于此，本发明的目的是提供
本发明的目的是通过以下技术方案实现的：
一种考虑路网OD流量贡献时变性的收费站流量预测方法，
S1：统计分析路网中构成各收费站90％出口流量的入口站点数，拟合其区间分布，在此基础上得到降维阈值；
S2：通过分析不同天中同一预测时间区间的流量贡献率，拟合其概率分布，估计预测时段的贡献率；
S3：结合不同天中在同一预测区间的流量贡献率的变化程度，确定在预测区间路网中各收费站的权重；
S4：结合各收费站的实时上道流量数据，建立考虑OD间贡献时变性的下道流量预测模型，得到初步预测结果，具体为：
Figure BDA0002529707160000021
式中，Qjpre(k,k+τ)为k到k+τ时间段收费站j的下道流量预测值；
δij为收费站i到收费站j之间的平均行程时间；
Wij(k,k+τ)为k到k+τ时间段收费站i的权重；
QOi(k-δij,k+τ-δij)为k-δij到k+τ-δij时间段收费站i的上道流量；
Figure BDA0002529707160000022
为k到k+τ时间段各入口收费站所占权重的总和；
S5：根据上一时间窗口的预测结果与实际结果的误差，对本时间窗口的预测结果进行修正，得到最终的预测结果Qjpre′，表示为：
Figure BDA0002529707160000023
其中：τ为预测时间窗；
Qj(k-τ,k)为k-τ,k时间段目标收费站的下道流量实际值；
Qjpre(k-τ,k)为k-τ,k时间段目标收费站的下道流量预测值。
进一步，所述S1具体为：
S11：统计所述固定时间段内N个收费站相互之间的流量贡献率，然后统计构成各收费站90％流量的入口收费站个数；
k到k+τ时间段内封闭路网中N个收费站对目标收费站j的流量贡献率，可表示为：
Figure BDA0002529707160000031
φij(k,k+τ)∈[0,1]
Figure BDA0002529707160000032
其中：Qij(k-δij,k+τ-δij)为k-δij到k+τ-δij时间段内从收费站i上道，并且于k到k+τ时间段内从收费站j下道的车流量；
Qj(k,k+τ)为k到k+τ时间段内从收费站j下道的总的车流量；
δij为从收费站i到目标收费站j的平均行程时间；
N为该封闭路网中收费站个数；
S12：统计构成各收费站90％流量的入口收费站个数区间分布，根据分布结果，估计与目标收费站具有强相关的收费站的个数N'。
进一步，所述S2具体为：
S21：获取不同时间区间的收费站i对目标收费站的流量贡献率；
S22：获得S21所得到的的流量贡献率的变化范围区间，然后将该区间等分为若干个贡献率变化范围子区间；
S23：统计流量贡献率在所有贡献率变化范围子区间内的频率，并拟合流量贡献率的概率分布；
S24：基于S23，取其概率分布的期望值μ来近似估计预测时段内收费站i对目标收费站 j的流量贡献率。
进一步，所述S3具体为：
S31：获取路网中的N个收费站对目标收费站j的流量贡献率的变异系数；
S32：获得路网中各入口收费站对目标收费站j的流量贡献率的权重值，具体表示为：
Figure BDA0002529707160000033
式中，Wij(k,k+τ)为k到k+τ时间段内收费站i所对应的权重值；
φij(k,k+τ)为k到k+τ时间段内收费站i对收费站j的流量贡献率；
CVij(k,k+τ)为k到k+τ时间段内收费站i对收费站j的流量贡献率的变化大小；
Figure BDA0002529707160000034
为路网中与收费站j强相关的N'个入口收费站的流量贡献率变异程度的总和。
进一步，基于所述S32，所述路网中与目标收费站具有强相关的收费站的流量变化率的变化程度可以表示为：
Figure BDA0002529707160000041
式中，CVij为收费站i对收费站j的流量贡献率的变异系数，表示贡献率的变化程度，N' 为与目标收费站j强相关的入口收费站个数。
本发明的有益效果是：
本发明根据统计方法，通过对不同时间区间的各收费站对目标收费站的流量贡献率的统计，获取了预测时段的各收费站对目标收费站的流量贡献率，同时根据上一预测时间段的目标收费站的下道流量去修正本预测时间段的目标收费站的下道流量，减小了计算的规模，提高了精度，值得在本领域大量推广。
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
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1是高速公路收费站系统示意图。
图2是整体预测方案示意图；
图3是整体预测流程图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
本实施例提出一种考虑路网OD流量贡献时变性的收费站流量预测方法，适用于封闭路段的所有收费站，本实施例首先通过统计方法，估计路网中各收费站对目标收费站的流量贡献率，然后根据流量贡献率的变化得到各收费站的变异系数，进而得到初步预测结果，再对初步预测结果进行修正，得到最终的真实预测结果。统计数据来源于收费路网数据，采集范围为一个月(31天)。
如图1-3所示，具体方式为：
S1：统计分析路网中构成各收费站90％出口流量的入口站点数，拟合其区间分布，在此基础上得到降维阈值。
S11：统计一个月内N个收费站相互之间的流量贡献率，流量贡献率的获取公式如下：
Figure BDA0002529707160000051
其中需要满足：
φij(k,k+τ)∈[0,1]
Figure BDA0002529707160000052
其中：Qij(k-δij,k+τ-δij)为k-δij到k+τ-δij时间段内从收费站i上道，并且于k到k+τ时间段内从收费站j下道的车流量；
Qj(k,k+τ)为k到k+τ时间段内从收费站j下道的总的车流量；
δij为从收费站i到目标收费站j的平均行程时间；
其中平均行程时间用下式表示：
Figure BDA0002529707160000053
N为该封闭路网中收费站个数；
tjdm为第m辆车的下道时间；
tiom为第m辆车上道时间；
M为在预测时段内从收费站i上道且从收费站j下道的所有车辆总数；
τ为预测时间窗。
本实施例中，此步骤的τ为1个月，采用过去一个月的收费数据，然后统计构成各收费站90％流量的入口收费站个数。
S12：统计一个月内N个收费站相互之间的流量贡献率，然后统计构成各收费站90％流量的入口收费站个数；
S13：统计构成各收费站90％流量的入口收费站个数区间分布，根据分布结果，估计与目标收费站具有强相关的收费站的个数N'，本实施例中，区间分布结果为正态分布类型，因此采用标准3σ准则，即在99％的置信度下，认为路网中有μ+3σ个入口收费站与目标收费站存在很强的相关性。因此认为N'＝μ+3σ。
S2：对OD间流量贡献率进行分析，通过分析不同天中相同时段的流量贡献率，拟合其概率分布，估计预测时段的贡献率，即通过统计的方式获得了在预测窗口的流量贡献率。
S21：按照式(1)，计算得到一个月内每一天的同一时刻的收费站i对目标收费站j的流量贡献率；
S22：将S21计算所得到的数据生成收费站i对目标收费站j流量贡献率变化区间。并将该区间等分为10份，即获得10个贡献率变化子区间；
S23：统计流量贡献率在各贡献率变化范围子区间内的频率，并拟合流量贡献率的概率分布；
S24：基于S23，取其概率分布的期望值μ来近似估计收费站i在预测时段对目标收费站 j流量的贡献率。
S3：结合不同天中同一预测区间的流量贡献率的变化程度，确定路网中各收费站的权重；
对于同一个入口收费站来说，其对于目标收费站的流量贡献是不同的，通常随着时间的变化而变化，因此，采用变异系数来评价OD间流量贡献率在一个月中的变化程度，若变异系数较大，则说明该入口收费站在时间段k内其对于目标站点的贡献率变化较大，相对不稳定，难以用于预测，相反的，变异系数较小的入口收费站，其贡献率相对稳定，在这一时间段内有较强的行为模式，可以用来对出口的流量进行预测，即用变异系数来度量各个入口收费站对目标收费站下道流量的贡献率的变化程度。
S31：获取路网中的N个收费站对目标收费站j的流量贡献率的变异系数，对于数据序列 [X1,X2…XM]，其变异系数的计算方式如下：
Figure BDA0002529707160000061
式中，CV是收费站i对目标收费站j的流量贡献率的变异系数，用来评价收费站i对收费站j流量贡献率的变化程度，其中i＝1,2……μ+3σ
Figure BDA0002529707160000062
为一个月内收费站i对目标收费站j的流量贡献率的均值；
Xi为第i天收费站i对目标收费站j的流量贡献率；
N为统计的天数，这里为31天。
S32：若一个入口收费站对目标收费站的流量贡献比例较大，且贡献比例变化较小，则给予其较大的比重，反之，则给予其较小的比重，因此，路网中各入口收费站对目标收费站j 的流量贡献率的权重值，具体表示为：
Figure BDA0002529707160000071
式中，Wij(k,k+τ)为k到k+τ时间段内收费站i所对应的权重值；
φij(k,k+τ)为k到k+τ时间段内收费站i对收费站j的流量贡献率；
CVij(k,k+τ)为k到k+τ时间段内收费站i对收费站j的流量贡献率的变化大小；
Figure BDA0002529707160000072
为路网中与收费站j强相关的μ+3σ个入口收费站的流量贡献率变异程度的总和；
μ为步骤24中得到的入口收费站点个数概率分布的期望值，
此步骤的τ为预测时间窗。
因此，路网中各收费站对收费站j的权重矩阵W可以表示为：
Figure BDA0002529707160000073
写成矩阵的形式为：
Wj＝Φj*Ψj
其中，Φj为路网中与收费站j强相关的μ+3σ个入口收费站对收费站j的流量贡献率，如S24所述，利用其概率分布的期望值来近似估计收费站i对南川收费站流量贡献率。Ψj为路网中与收费站j强相关的μ+3σ个入口收费站流量贡献率的变化程度矩阵，可用式(5)表达：
Figure RE-GDA0002644770530000074
式中，CVij为收费站i对收费站j的流量贡献率的变异系数，表示贡献率的变化程度，μ+3σ为与收费站j强相关的入口收费站个数。
S4：结合各收费站的实时上道流量数据，建立考虑OD间贡献时变性的下道流量预测模型，得到初步预测结果，具体为：
Figure BDA0002529707160000081
式中，Qjpre(k,k+τ)为k到k+τ时间段收费站j的下道流量预测值；
δij为收费站i到收费站j之间的平均行程时间；
Wij(k,k+τ)为k到k+τ时间段收费站i的权重；
QOi(k-δij,k+τ-δij)为k-δij到k+τ-δij时间段收费站i的上道流量；
Figure BDA0002529707160000082
为k到k+τ时间段各入口收费站所占权重的总和。
S5：根据上一时间窗口的预测结果与实际结果的误差，对本时间窗口的预测结果进行修正，得到最终的预测结果Qjpre′，表示为：
Figure BDA0002529707160000083
其中：τ为预测时间窗；
Qj(k-τ,k)为k-τ,k时间段目标收费站的下道流量实际值；
Qjpre(k-τ,k)为k-τ,k时间段目标收费站的下道流量预测值。
Figure RE-GDA0002644770530000084
式中，CVij为收费站i对收费站j的流量贡献率的变异系数，表示贡献率的变化程度，N' 为与目标收费站j强相关的入口收费站个数。

Claims (5)

1.一种考虑路网OD流量贡献时变性的收费站流量预测方法，其特征在于：
S1：统计分析路网中构成各收费站90％出口流量的入口站点数，拟合其区间分布，在此基础上得到降维阈值；
S2：通过分析不同天中同一预测时间区间的流量贡献率，拟合其概率分布，估计预测时段的贡献率；
S3：结合不同天中在同一预测区间的流量贡献率的变化程度，确定在预测区间路网中各收费站的权重；
S4：结合各收费站的实时上道流量数据，建立考虑OD间贡献时变性的下道流量预测模型，得到初步预测结果，具体为：
Figure FDA0002529707150000011
式中，Qjpre(k,k+τ)为k到k+τ时间段收费站j的下道流量预测值；
δij为收费站i到收费站j之间的平均行程时间；
Wij(k,k+τ)为k到k+τ时间段收费站i的权重；
QOi(k-δij,k+τ-δij)为k-δij到k+τ-δij时间段收费站i的上道流量；
Figure FDA0002529707150000012
为k到k+τ时间段各入口收费站所占权重的总和；
S5：根据上一时间窗口的预测结果与实际结果的误差，对本时间窗口的预测结果进行修正，得到最终的预测结果Qjpre′，表示为：
Figure FDA0002529707150000013
其中：τ为预测时间窗；
Qj(k-τ,k)为k-τ,k时间段目标收费站的下道流量实际值；
Qjpre(k-τ,k)为k-τ,k时间段目标收费站的下道流量预测值。
2.根据权利要求1所述的考虑路网OD流量贡献时变性的收费站流量预测方法，其特征在于：所述S1具体为：
S11：统计所述固定时间段内N个收费站相互之间的流量贡献率，然后统计构成各收费站90％流量的入口收费站个数；
k到k+τ时间段内封闭路网中N个收费站对目标收费站j的流量贡献率，可表示为：
Figure FDA0002529707150000021
φij(k,k+τ)∈[0,1]
Figure FDA0002529707150000022
其中：Qij(k-δij,k+τ-δij)为k-δij到k+τ-δij时间段内从收费站i上道，并且于k到k+τ时间段内从收费站j下道的车流量；
Qj(k,k+τ)为k到k+τ时间段内从收费站j下道的总的车流量；
δij为从收费站i到目标收费站j的平均行程时间；
N为该封闭路网中收费站个数；
S12：统计构成各收费站90％流量的入口收费站个数区间分布，根据分布结果，估计与目标收费站具有强相关的收费站的个数N'。
3.根据权利要求2所述的考虑路网OD流量贡献时变性的收费站流量预测方法，其特征在于：所述S2具体为：
S21：获取不同天中相同时间区间的收费站i对目标收费站的流量贡献率；
S22：获得S21所得到的的流量贡献率的变化范围区间，然后将该区间等分为若干个贡献率变化范围子区间；
S23：统计流量贡献率在所有贡献率变化范围子区间内的频率，并拟合流量贡献率的概率分布；
S24：基于S23，取其概率分布的期望值μ来近似估计预测时段内收费站i对目标收费站j的流量贡献率。
4.根据权利要求3所述的考虑路网OD流量贡献时变性的收费站流量预测方法，其特征在于：所述S3具体为：
S31：获取路网中的N个收费站对目标收费站j的流量贡献率的变异系数；
S32：获得路网中各入口收费站对目标收费站j的流量贡献率的权重值，具体表示为：
Figure FDA0002529707150000031
式中，Wij(k,k+τ)为k到k+τ时间段内收费站i所对应的权重值；
φij(k,k+τ)为k到k+τ时间段内收费站i对收费站j的流量贡献率；
CVij(k,k+τ)为k到k+τ时间段内收费站i对收费站j的流量贡献率的变化大小；
Figure FDA0002529707150000032
为路网中与收费站j强相关的N'个入口收费站的流量贡献率变异程度的总和。
5.根据权利要求4所述的考虑路网OD流量贡献时变性的收费站流量预测方法，其特征在于：基于所述S32，所述路网中与目标收费站具有强相关的收费站的流量变化率的变化程度可以表示为：
Figure FDA0002529707150000033
式中，CVij为收费站i对收费站j的流量贡献率的变异系数，表示贡献率的变化程度，N'为与目标收费站j强相关的入口收费站个数。
CN202010514575.0A 2020-06-08 2020-06-08 一种考虑路网od流量贡献时变性的收费站流量预测方法 Active CN111739292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010514575.0A CN111739292B (zh) 2020-06-08 2020-06-08 一种考虑路网od流量贡献时变性的收费站流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010514575.0A CN111739292B (zh) 2020-06-08 2020-06-08 一种考虑路网od流量贡献时变性的收费站流量预测方法

Publications (2)

Publication Number Publication Date
CN111739292A true CN111739292A (zh) 2020-10-02
CN111739292B CN111739292B (zh) 2022-04-01

Family

ID=72648476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010514575.0A Active CN111739292B (zh) 2020-06-08 2020-06-08 一种考虑路网od流量贡献时变性的收费站流量预测方法

Country Status (1)

Country Link
CN (1) CN111739292B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096378A (zh) * 2021-02-23 2021-07-09 北京航空航天大学 基于深度集合经验模态分解的高速公路od预测方法
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
CN115240431A (zh) * 2022-09-20 2022-10-25 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN116402408A (zh) * 2023-06-06 2023-07-07 北京工业大学 一种基于站点浓度差异的本外地排放贡献估算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107993438A (zh) * 2017-12-08 2018-05-04 上海云砥信息科技有限公司 一种高速公路瓶颈路段拥堵预警方法
CN108564789A (zh) * 2018-06-11 2018-09-21 重庆大学 基于收费站数据的高速公路匝道上下行方向流量估计方法
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
CN110245423A (zh) * 2019-06-14 2019-09-17 重庆大学 一种高速公路收费站间流量关系分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107993438A (zh) * 2017-12-08 2018-05-04 上海云砥信息科技有限公司 一种高速公路瓶颈路段拥堵预警方法
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
CN108564789A (zh) * 2018-06-11 2018-09-21 重庆大学 基于收费站数据的高速公路匝道上下行方向流量估计方法
CN110245423A (zh) * 2019-06-14 2019-09-17 重庆大学 一种高速公路收费站间流量关系分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王海燕 等: "高速公路出入口OD矩阵推算方法", 《公路交通科技》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096378A (zh) * 2021-02-23 2021-07-09 北京航空航天大学 基于深度集合经验模态分解的高速公路od预测方法
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
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
CN115240431A (zh) * 2022-09-20 2022-10-25 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN115240431B (zh) * 2022-09-20 2023-02-10 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN116402408A (zh) * 2023-06-06 2023-07-07 北京工业大学 一种基于站点浓度差异的本外地排放贡献估算方法
CN116402408B (zh) * 2023-06-06 2023-09-26 北京工业大学 一种基于站点浓度差异的本外地排放贡献估算方法

Also Published As

Publication number Publication date
CN111739292B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
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
CN103903430B (zh) 一种采用多源同构数据的行程时间动态融合预测方法
CN111724589B (zh) 一种基于多源数据的高速公路断面流量估计方法
CN107610464A (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
CN110874668B (zh) 一种轨道交通od客流预测方法、系统及电子设备
CN105512741A (zh) 一种公交客流组合预测方法
CN111260933B (zh) 用于高分辨率机动车动态排放清单的小时交通量测算方法
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
CN113051811B (zh) 一种基于gru网络的多模式短期交通拥堵预测方法
Zhang et al. Latency prediction for delay-sensitive v2x applications in mobile cloud/edge computing systems
CN113920729A (zh) 一种基于路侧感知系统对交通参与者感知能力的评价方法
CN112686417A (zh) 一种地铁大客流预测方法、系统及电子设备
CN108053646B (zh) 基于时间敏感特征的交通特征获取方法、预测方法及系统
Mepparambath et al. A novel modelling approach of integrated taxi and transit mode and route choice using city-scale emerging mobility data
CN112150045B (zh) 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测系统
Zhang et al. Stochastic volatility modeling approach that accounts for uncertainties in travel time reliability forecasting
CN113345252B (zh) 一种收费站下道流量短时预测方法与装置
CN112382087B (zh) 交通堵塞预测方法
CN110704789B (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
Wang et al. Travel time prediction: Empirical analysis of missing data issues for advanced traveler information system applications
El Esawey et al. Using buses as probes for neighbor links travel time estimation in an urban network
El-Sayed et al. Urban area congestion detection and propagation using histogram model
Shiravi et al. Continual retiming of traffic signals using big travel time data
Wang et al. Modeling and algorithms of VMT and AADT estimation for community area traffic networks
CN110019633B (zh) 基于ArcGIS二次开发的线密度统计方法及系统

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