CN111768619A - 一种基于卡口数据的快速路车辆od点确定方法 - Google Patents
一种基于卡口数据的快速路车辆od点确定方法 Download PDFInfo
- Publication number
- CN111768619A CN111768619A CN202010545375.1A CN202010545375A CN111768619A CN 111768619 A CN111768619 A CN 111768619A CN 202010545375 A CN202010545375 A CN 202010545375A CN 111768619 A CN111768619 A CN 111768619A
- Authority
- CN
- China
- Prior art keywords
- bayonet
- point
- vehicle
- data
- express way
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种基于卡口数据的快速车辆OD点确定方法。本发明实施例提供的基于卡口数据的快速车辆OD点确定方法通过定义车辆出行链并结合预处理的原始数据进行车辆单次出行轨迹的OD提取,再分析车辆单次出行轨迹的完整性并分类,并针对不同类别的车辆单次出行轨迹采用不同的OD点确定方法,具有城市快速路的针对性且OD点确定过程相对简单。
Description
技术领域
本发明涉及智能交通的技术领域,特别是涉及一种基于卡口数据的快速车辆OD点确定方法。
背景技术
随着城镇化和机动化进程的快速推进,城市的快速路网密集程度越来越高。城市快速路是专供汽车行驶、全封闭、出入受控制的城市道路系统的主骨架。它串联城市主要交通枢纽、主要高速出入口、主要景点等各地点,是城市交通的命脉。提取城市快速路车辆出行OD点是交通需求分析的关键内容之一,可以完整地再现城市交通同时具备规律性和随机性的特点,为交通需求管理政策的制定提供科学、可靠的依据。
目前,针对快速路车辆OD点确定方法存在多种研究,如王美红利用天津市交叉口卡口监控设备获取的车牌数据,结合FCM模糊聚类算法和K-means++算法进行交通状态的识别,克服了FCM算法若初始聚类中心选择不当则易导致局部最优的问题;朱耀堃利用中国某省会城市路旁卡口获取的车牌数据,提出了一种基于深度信念网络的结合路网结构和时空特性的短时车辆轨迹预测方法,并将每一条轨迹缺失的节点补全;王寅朴利用车牌数据以LSTM神经网络进行车辆轨迹重构,后以CNN结合LSTM进行路网动态OD确定的研究;周韬等人利用快速路网不全的卡口获得的卡口数据,结合其他多源数据进行OD计算。虽然有较多基于车牌数据识别方面的研究,但是目前较多研究集中在城市内的车辆出行轨迹,较少有针对城市快速路的研究,且现有的研究方法都过于复杂、计算量级较大。
因此,针对上述技术问题,有必要提供一种专门针对城市快速路且计算相对简单的基于卡口数据的快速路车辆OD点确定方法。
发明内容
有鉴于此,本发明实施例的目的在于提供一种卡口数据的快速车辆OD点确定方法。本发明实施例提供的卡口数据的快速车辆OD点确定方法通过定义车辆出行链并结合预处理的原始数据进行车辆单次出行轨迹的OD提取,再通过分析车辆单次出行轨迹的完整性并进行分类,并针对不同类别的车辆单次出行轨迹采用不同的OD点确定方法,具有城市快速路的针对性且OD点确定过程相对简单。
为了实现上述目的,本发明实施例提供的技术方案如下:一种基于卡口数据的快速路车辆OD点确定方法,包括步骤S1:获取卡口的原始数据,对所述原始数据进行预处理而获得预处理数据;步骤S2:定义车辆出行链,并结合所述预处理数据对车辆单次出行轨迹进行OD提取;步骤S3:分析步骤S2所获得的车辆单次出行轨迹的完整性并将所述车辆单次出行轨迹进行分类;采用最短路径搜索的原理对不同类别的车辆单次出行轨迹采用不同的OD点确定方法。
作为本发明的进一步改进,根据快速路涉及的第一地面、上匝道、主线、下匝道、第二地面,将车辆单次出行轨迹的分为不同情况的28种类别。
作为本发明的进一步改进,不同的OD点确定方法包括根据卡口空间位置关系进行OD点确定,根据有无卡口设备进行OD点确定。
作为本发明的进一步改进,O点确定方法具体包括:直接确定O点;采用最短路搜寻距离第一地面卡口最近的下游的无卡口上匝道估计为O点;采用最短路搜寻距离主线卡口最近的上游的无卡口上匝道估计为O点;采用最短路搜寻距离下匝道卡口最近的上游的无卡口上匝道估计为O点。
作为本发明的进一步改进,D点确定方法具体包括:直接确定为D点;采用最短路搜寻距离第一地面卡口最近的下游的无卡口上匝道估计为D点;采用最短路搜寻距离主线卡口最近的上游的无卡口上匝道估计为D点;采用最短路搜寻距离下匝道卡口最近的上游的无卡口上匝道估计为D点。
作为本发明的进一步改进,步骤S2中对车辆单次出行轨迹进行OD提取的具体过程包括:基于所述预处理数据,筛选卡口类型为入口或主线或出口的记录后,将车牌号码去重,得到使用快速路的车辆,并将所述使用快速路的车辆定义为快速路车辆;基于所述快速路车辆的车牌号码,从所述预处理数据集中提取快速路车辆的所有过车记录;基于所述快速路车辆的所有过车记录,按照车牌号码、经过时间排序,生成所述快速路车辆一天的出行链;以预设速度阈值为划分间隔,判断相邻两条卡口的过车记录是否属于同一次出行;若相邻两条过车记录之间的速度小于所述预设速度阈值,则打断出行链,两个打断点之间的轨迹即单次出行轨迹;将所述快速路车辆一天出行链的所有相邻两条过车记录都判断完成后,得到快速路车辆出行次序划分表。
作为本发明的进一步改进,所述预设速度阈值为5km/h。
作为本发明的进一步改进,所述原始数据包括卡口过车记录表和卡口点位信息表,所述卡口过车记录表包括车牌号码、卡口编号、日期和过车时间,所述卡口点位信息表包括卡口编号、卡口名称、经度和纬度。
作为本发明的进一步改进,对所述原始数据进行预处理包括对卡口过车记录表中的数据冗余情况、车牌丢失情况和车牌失准情况进行处理;对卡口定位信息表中的点位经纬度校核和点位分类进行处理。
本发明具有以下优点:
本发明实施例所提供的卡口数据的快速车辆OD点确定方法通过定义车辆出行链并结合预处理的原始数据进行车辆单次出行轨迹的OD提取,再分析车辆单次出行轨迹的完整性并进行分类,并针对不同类别的车辆单次出行轨迹采用不同的OD点确定方法,具有城市快速路的针对性且OD点确定过程相对简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于卡口数据的快速车辆OD点确定方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
如图1所示,一种基于卡口数据的快速路车辆OD点确定方法的流程示意图。在该实施例中,基于卡口数据的快速路车辆OD点确定方法包括三个步骤,每个步骤的具体内容如下所述。
步骤S1:获取卡口的原始数据,对所述原始数据进行预处理而获得预处理数据。原始数据包括卡口过车记录表和卡口点位信息表。卡口过车记录表包括车牌号码、卡口编号、日期和过车时间。如表1所示,车牌识别数据样本的一个样本的卡口过车记录的示意表。
表1、卡口过车记录的示意表
卡口点位信息表包括卡口编号、卡口名称、经度和纬度。如表2所示,卡口点位信息样本示意表。
表2卡口点位信息样本示意表
在实际应用中,原始数据并非理论研究假设时那么理想。原始数据通常会包括各种原因导致的噪声数据,而噪声数据会对原始数据的分析产生干扰。在一优选实施例中,需要对原始数据进行预处理,以提高所使用数据集的质量。在一优选实施例中,对原始数据进行预处理包括对卡口过车记录表中的数据冗余情况、车牌丢失情况和车牌失准情况进行处理;对卡口定位信息表中的点位经纬度校核和点位分类进行处理。
当过车数据同时满足以下三个条件时,判定为重复数据:①两条数据的车牌号码完全相同;②两条数据的日期完全相同;③两条数据的过车时间完全相同。对于重复数据,仅需保留第一条即可:先将过车数据按照车牌号码、日期、经过时间三个字段排序,而后删除与前一条数据车牌号码、日期、经过时间三个字段完全相同的数据,保留前一条数据。
卡口设备虽识别到有车辆经过,但未识别到车牌,车牌号码字段多为“0”“unknown”或其他表示,这种情况称为车牌丢失。对于车牌丢失的数据,即丢失了路网中行驶车辆的唯一特征标签,这类数据无法得到车辆出行轨迹信息,且仅占总数据量不到0.1%,因此在预处理阶段采用删除的方式进行处理。
正常车牌号码需要满足以下两点:①车牌号的位数是7位(普通车辆)或8位(新能源车辆);②车牌号前2位符合民用车辆车牌表。不满足条件①或条件②的车牌号码称之为车牌失准,即识别到车牌号码,但车牌中并非所有元素(汉字、字母、数字)都准确。对于车牌失准的情况,采取删除的方式进行处理。
卡口设备安装过程中,由于位置信息录入失误、GPS定位有偏差等原因,部分点位的经纬度丢失或经纬度不准确。为保证后续划分出行轨迹、计算行程信息等步骤的准确性,人工通过QGIS软件对点位经纬度信息进行补全和校核。
本发明实施例的针对对象为城市的快速路网,为得到使用快速路的车辆及后续对于这些车辆的分析,需要将所有卡口点位按路段性质进行分类,分为地面卡口、快速路入口卡口、快速路主线卡口、快速路出口卡口四类。以苏州市的快速路样本为例,卡口分类完成之后,在卡口点位信息表中进行相应的标记(增加字段“卡口类型”),如表3所示;同时需要在过车数据中也进行标记(增加字段“卡口类型”),如表4所示。
表3卡口点位分类标记后样本示例
表4过车数据增加卡口类型标记后样本示例
步骤S2:定义车辆出行链,并结合所述预处理数据对车辆单次出行轨迹进行OD提取。车辆出行链是车辆一天内多次出行组成的活动序列,包含各类出行信息,如时间、空间等时空特征,经过挖掘能发现出发时间、活动停留时间、活动目的、路径选择稳定性、车辆行驶顺序、OD分布等信息,是交通需求分析中的关键内容,对于城市交通发展有一定的指导意义。
对车辆单次出行轨迹进行OD提取的具体过程包括四个步骤:
步骤S21:基于所述预处理数据,筛选卡口类型为入口或主线或出口的记录后,将车牌号码去重,得到使用快速路的车辆,并将所述使用快速路的车辆定义为快速路车辆。预处理数据包括卡口类型的分类,卡口类型分为地面、入口、主线、出口卡口四类,其中入口、主线、出口属于快速路卡口。
步骤S22:基于所述快速路车辆的车牌号码,从所述预处理数据集中提取快速路车辆的所有过车记录。
步骤S23:基于所述快速路车辆的所有过车记录,按照车牌号码、经过时间排序,生成所述快速路车辆一天的出行链。
步骤S24:以预设速度阈值为划分间隔,判断相邻两条卡口的过车记录是否属于同一次出行;若相邻两条过车记录之间的速度小于所述预设速度阈值,则打断出行链,两个打断点之间的轨迹即单次出行轨迹;将所述快速路车辆一天出行链的所有相邻两条过车记录都判断完成后,得到快速路车辆出行次序划分表。根据行车停车的大数据统计分析,预设速度阈值为5km/h。
步骤S3:分析步骤S2所获得的车辆单次出行轨迹的完整性并将所述车辆单次出行轨迹进行分类;采用最短路径搜索的原理对不同类别的车辆单次出行轨迹采用不同的OD点确定方法。
定义快速路车辆一次完整的出行轨迹为:车辆由地面道路驶入快速路上匝道(即O点),在快速路主线上行驶一段时间后,通过快速路下匝道(D点)驶离快速路,回到地面道路,在此过程中均留有车牌识别信息。一次完整的出行轨迹中包括五个元素:第一地面→上匝道→主线→下匝道→第二地面。其中,任何一个元素信息缺失的则认为是非完整出行轨迹。
根据快速路涉及的第一地面、上匝道、主线、下匝道、第二地面,将车辆单次出行轨迹的分为不同情况的28种类别。28种类别的详细描述,如表5所示。
表5快速路车辆出行轨迹详细分类
虽然快速路网的匝道卡口覆盖率不高,但有卡口的匝道与无卡口的匝道之间本身具有一定的拓扑关系。根据上述特征进一步挖掘,便可以对从原始数据中提取的不完整出行轨迹进行修补(对OD点进行估计分配)。不同的OD点确定方法包括根据卡口空间位置关系进行OD点确定,根据有无卡口设备进行OD点确定。(1)根据卡口空间位置关系进行OD点确定:对于不存在快速路上、下匝道位置记录的出行轨迹,若有其他位置如快速路主线卡口、地面卡口的记录,则利用最短路径算法,在地面卡口及主线卡口之间搜索快速路车辆可能经过的上、下匝道。必须注意的是运用最短路径搜索时需要区分方向,即整个路网相当于一张有向图。(2)根据有无卡口设备进行OD点确定:对于有卡口且卡口能正常检测的匝道,认为能够记录经过的所有车辆的信息,因此这类匝道不加入需估算的OD点中,即估计分配的OD点中只会出现无卡口(或卡口检测经度低)的匝道。
上述两种方法并非独立,实际运用时需要将其结合起来,使得估算的OD点的可信度最大。结合这两种方法,本发明实施例,对上述28种出行轨迹分别确定估计方法,如表6所示。
表6快速路车辆OD点确定方法
其中:
对O点来说:
①O点为“上匝道”的即直接将该上匝道卡口作为O点。
②O点为“根据地面估计”的利用最短路搜寻距离该地面卡口最近的下游的上匝道卡口作为O点。
③O点为“根据主线估计”的利用最短路搜寻距离该主线卡口最近的上游的上匝道卡口作为O点。
④O点为“根据下匝道估计”的利用最短路搜寻距离该下匝道卡口最近的上游的上匝道卡口作为O点。
⑤②至④这三种需要估计的情况,O点估计范围限定于卡口检测精度低的匝道与未装有卡口的匝道。
对D点来说:
①D点为“下匝道”的即直接将该下匝道卡口作为D点。
②D点为“根据地面估计”的利用最短路搜寻距离该地面卡口最近的上游的下匝道卡口作为D点。
③D点为“根据主线估计”的利用最短路搜寻距离该主线卡口最近的下游的下匝道卡口作为D点。
④D点为“根据上匝道估计”的利用最短路搜寻距离该上匝道卡口最近的下游的下匝道卡口作为D点。
⑤②至④这三种需要估计的情况,D点估计范围限定于卡口检测精度低的匝道与未装有卡口的匝道。
根据O点估计方法,将28种类型的出行轨迹可以进行一些合并操作,可以整合为4大类情况,如表7所示。同样地,根据D点估计方法,将28种类型的出行轨迹可以进行一些合并操作,可以整合为4大类情况,如表8所示。
表7 O点确定方法
表8 D点确定方法
本发明实施例所提供的卡口数据的快速车辆OD点确定方法通过定义车辆出行链并结合预处理的原始数据进行车辆单次出行轨迹的OD提取,再通过完分析车辆单次出行轨迹的完整性并进行分类,并针对不同类别的车辆单次出行轨迹采用不同的OD点确定方法,具有城市快速路的针对性且OD点确定过程相对简单
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种基于卡口数据的快速路车辆OD点确定方法,其特征在于,所述确定方法包括:
步骤S1:获取卡口的原始数据,对所述原始数据进行预处理而获得预处理数据;
步骤S2:定义车辆出行链,并结合所述预处理数据对车辆单次出行轨迹进行OD提取;
步骤S3:分析步骤S2所获得的车辆单次出行轨迹的完整性并将所述车辆单次出行轨迹进行分类;采用最短路径搜索的原理对不同类别的车辆单次出行轨迹采用不同的OD点确定方法。
2.根据权利要求1所述的一种基于卡口数据的快速路车辆OD点确定方法,其特征在于,根据快速路出行涉及的第一地面、上匝道、主线、下匝道、第二地面,将车辆单次出行轨迹的分为不同情况的28种类别。
3.根据权利要求1所述的一种基于卡口数据的快速路车辆OD点确定方法,其特征在于,不同的OD点确定方法包括根据卡口空间位置关系进行OD点确定,根据有无卡口设备进行OD点确定。
4.根据权利要求3所述的一种基于卡口数据的快速路车辆OD确定方法,其特征在于,O点确定方法具体包括:直接确定O点;采用最短路搜寻距离第一地面卡口最近的下游的无卡口上匝道估计为O点;采用最短路搜寻距离主线卡口最近的上游的无卡口上匝道估计为O点;采用最短路搜寻距离下匝道卡口最近的上游的无卡口上匝道估计为O点。
5.根据权利要求3所述的一种基于卡口数据的快速路车辆OD确定方法,其特征在于,D点确定方法具体包括:直接确定为D点;采用最短路搜寻距离第一地面卡口最近的下游的无卡口上匝道估计为D点;采用最短路搜寻距离主线卡口最近的上游的无卡口上匝道估计为D点;采用最短路搜寻距离下匝道卡口最近的上游的无卡口上匝道估计为D点。
6.根据权利要求1所述的一种基于卡口数据的快速路车辆OD点确定方法,其特征在于,步骤S2中对车辆单次出行轨迹进行OD提取的具体过程包括:
基于所述预处理数据,筛选卡口类型为入口或主线或出口的记录后,将车牌号码去重,得到使用快速路的车辆,并将所述使用快速路的车辆定义为快速路车辆;
基于所述快速路车辆的车牌号码,从所述预处理数据集中提取快速路车辆的所有过车记录;
基于所述快速路车辆的所有过车记录,按照车牌号码、经过时间排序,生成所述快速路车辆一天的出行链;
以预设速度阈值为划分间隔,判断相邻两条卡口的过车记录是否属于同一次出行;若相邻两条过车记录之间的速度小于所述预设速度阈值,则打断出行链,两个打断点之间的轨迹即单次出行轨迹;将所述快速路车辆一天出行链的所有相邻两条过车记录都判断完成后,得到快速路车辆出行次序划分表。
7.根据权利要求6所述的一种基于卡口数据的快速路车辆OD点确定方法,其特征在于,所述预设速度阈值为5km/h。
8.根据权利要求1所述的一种基于卡口数据的快速路车辆OD点确定方法,其特征在于,所述原始数据包括卡口过车记录表和卡口点位信息表,所述卡口过车记录表包括车牌号码、卡口编号、日期和过车时间,所述卡口点位信息表包括卡口编号、卡口名称、经度和纬度。
9.根据权利要求8所述的一种基于卡口数据的快速路车辆OD点确定方法,其特征在于,对所述原始数据进行预处理包括对卡口过车记录表中的数据冗余情况、车牌丢失情况和车牌失准情况进行处理;对卡口定位信息表中的点位经纬度校核和点位分类进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010545375.1A CN111768619A (zh) | 2020-06-16 | 2020-06-16 | 一种基于卡口数据的快速路车辆od点确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010545375.1A CN111768619A (zh) | 2020-06-16 | 2020-06-16 | 一种基于卡口数据的快速路车辆od点确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111768619A true CN111768619A (zh) | 2020-10-13 |
Family
ID=72721362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010545375.1A Pending CN111768619A (zh) | 2020-06-16 | 2020-06-16 | 一种基于卡口数据的快速路车辆od点确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768619A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614356A (zh) * | 2020-12-15 | 2021-04-06 | 中国联合网络通信集团有限公司 | 交通控制方法和装置 |
CN113420488A (zh) * | 2021-05-18 | 2021-09-21 | 东南大学 | 一种基于轨迹重构的城市路网od估计方法 |
CN114241765A (zh) * | 2021-12-15 | 2022-03-25 | 重庆中信科信息技术有限公司 | 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质 |
CN114416710A (zh) * | 2021-12-29 | 2022-04-29 | 苏州大学 | 一种快速路车辆od位置提取方法及系统 |
CN114566053A (zh) * | 2022-03-03 | 2022-05-31 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路交通量预测优化算法 |
CN116071929A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于卡口车牌识别数据的实时路况监测系统及其方法 |
CN117765740A (zh) * | 2023-12-29 | 2024-03-26 | 杭州诚智天扬科技有限公司 | 一种车辆超员的识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959759A (zh) * | 2006-11-17 | 2007-05-09 | 上海城市综合交通规划科技咨询有限公司 | 基于浮动车数据的交通分析方法 |
JP2011232869A (ja) * | 2010-04-26 | 2011-11-17 | Sumitomo Electric Ind Ltd | 起終点交通量算出装置、交通シミュレータ及び起終点交通量算出方法 |
CN109087508A (zh) * | 2018-08-30 | 2018-12-25 | 广州市市政工程设计研究总院有限公司 | 基于高清卡口数据的毗邻区域交通量分析方法及系统 |
CN110276950A (zh) * | 2019-06-24 | 2019-09-24 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
-
2020
- 2020-06-16 CN CN202010545375.1A patent/CN111768619A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959759A (zh) * | 2006-11-17 | 2007-05-09 | 上海城市综合交通规划科技咨询有限公司 | 基于浮动车数据的交通分析方法 |
JP2011232869A (ja) * | 2010-04-26 | 2011-11-17 | Sumitomo Electric Ind Ltd | 起終点交通量算出装置、交通シミュレータ及び起終点交通量算出方法 |
CN109087508A (zh) * | 2018-08-30 | 2018-12-25 | 广州市市政工程设计研究总院有限公司 | 基于高清卡口数据的毗邻区域交通量分析方法及系统 |
CN110276950A (zh) * | 2019-06-24 | 2019-09-24 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
Non-Patent Citations (3)
Title |
---|
周韬等: "基于卡口数据的快速路车辆出行OD计算方法", 《创新驱动与智慧发展——2018年中国城市交通规划年会论文集》 * |
熊满初: "基于大数据的城市道路交通状态分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
阮树斌等: "基于车牌识别数据的机动车出行轨迹提取算法", 《浙江大学学报(工学版)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614356A (zh) * | 2020-12-15 | 2021-04-06 | 中国联合网络通信集团有限公司 | 交通控制方法和装置 |
CN113420488A (zh) * | 2021-05-18 | 2021-09-21 | 东南大学 | 一种基于轨迹重构的城市路网od估计方法 |
CN113420488B (zh) * | 2021-05-18 | 2024-03-08 | 东南大学 | 一种基于轨迹重构的城市路网od估计方法 |
CN114241765A (zh) * | 2021-12-15 | 2022-03-25 | 重庆中信科信息技术有限公司 | 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质 |
CN114241765B (zh) * | 2021-12-15 | 2023-01-03 | 重庆中信科信息技术有限公司 | 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质 |
CN114416710A (zh) * | 2021-12-29 | 2022-04-29 | 苏州大学 | 一种快速路车辆od位置提取方法及系统 |
CN114416710B (zh) * | 2021-12-29 | 2023-04-07 | 苏州大学 | 一种快速路车辆od位置提取方法及系统 |
CN114566053A (zh) * | 2022-03-03 | 2022-05-31 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路交通量预测优化算法 |
CN116071929A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于卡口车牌识别数据的实时路况监测系统及其方法 |
CN117765740A (zh) * | 2023-12-29 | 2024-03-26 | 杭州诚智天扬科技有限公司 | 一种车辆超员的识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768619A (zh) | 一种基于卡口数据的快速路车辆od点确定方法 | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
US20190182624A1 (en) | Method and device for judging intercity transportation mode based on mobile phone data | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN108062857B (zh) | 用于出租车乘客出行目的的预测方法 | |
Weijermars | Analysis of urban traffic patterns using clustering | |
CN108122186B (zh) | 一种基于卡口数据的职住位置估计方法 | |
CN114416710B (zh) | 一种快速路车辆od位置提取方法及系统 | |
CN112767684A (zh) | 一种基于收费数据的高速公路交通拥堵检测方法 | |
Yang et al. | Impact of weather on freeway origin-destination volume in China | |
CN111724592B (zh) | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
Li et al. | Driving performances assessment based on speed variation using dedicated route truck GPS data | |
CN104217591A (zh) | 动态路况检测方法及系统 | |
CN112637781B (zh) | 一种基于基站轨迹的用户通行方式判别方法 | |
Jintanakul et al. | Bayesian mixture model for estimating freeway travel time distributions from small probe samples from multiple days | |
Erdelić et al. | Classification of travel modes using streaming GNSS data | |
Song et al. | Public transportation service evaluations utilizing seoul transportation card data | |
Qian | Real-time incident detection using social media data. | |
CN113723761B (zh) | 一种基于运行数据的多维度城市公交运行服务可靠度评价方法 | |
Pokusaev et al. | Anomalies in transport data | |
CN113723459A (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 | |
CN111724587A (zh) | 一种基于rfid技术的交通流密度参数提取方法 | |
Rossi et al. | Fitting time headway and speed distributions for bicycles on separate bicycle lanes |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201013 |