CN111815955A - 一种基于交通流基本图的城市道路积水智能识别方法 - Google Patents
一种基于交通流基本图的城市道路积水智能识别方法 Download PDFInfo
- Publication number
- CN111815955A CN111815955A CN202010949980.5A CN202010949980A CN111815955A CN 111815955 A CN111815955 A CN 111815955A CN 202010949980 A CN202010949980 A CN 202010949980A CN 111815955 A CN111815955 A CN 111815955A
- Authority
- CN
- China
- Prior art keywords
- road
- basic graph
- time
- traffic flow
- data
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于交通流基本图的城市道路积水智能识别方法,属于城市防涝技术领域。解决了现有技术中存在的易出现误判,且判别周期过长,实时性不强的问题。要点:本发明融合了交通大数据以及气象数据实现了对积水的实时识别,摆脱了对高成本检测设备的依赖;针对积水影响的是道路通行能力这一特征,引入了交通流基本图工具,避免识别积水导致的拥堵扩散路段为积水路段以减少误判;用以识别积水的各项交通流参数统计周期为5分钟,相比现有方法30分钟的统计周期能够更加敏感地反映积水的影响,缩短积水被识别到的时间。本发明用于城市防涝积水识别。
Description
技术领域
本发明涉及一种城市道路积水智能识别方法,具体涉及一种基于交通流基本图的城市道路积水智能识别方法,属于城市防涝技术领域。
背景技术
近年来,极端天气频现,城市道路积水风险不断增大,加剧道路交通拥堵并严重威胁道路交通安全。例如,2017年台风“苗柏”引发强降水,深圳市多处道路发生积水现象,众多道路由于积水导致交通中断,大量车辆熄火淹没在这些“大水坑”中。受道路积水影响,中心城区早高峰交通指数高达6.2,较普通工作日上升72%。为有效支撑暴雨天气下的城市应急防灾、交通安全管理和交通运行保障,亟需开展道路积水识别监测工作。
现有的道路积水检测手段主要有两类,一类是依赖于前端设备,如液压水位传感器等,该类设备每套仅能检测一个点,投资巨大且系统大部分时间处于闲置状态,浪费严重,同时设备易受环境影响,以致检测精度降低,设备损耗亦随时间推移也不断加强,存在难以维护等问题。另一类则是通过数据来智能识别道路积水,目前该类方法主要有两种思路,一是根据积水形成的原因来推导可能积水的路段,二是根据积水造成的影响来识别已经积水的路段。前者主要基于降雨历时数据、排水管线数据和地表高程的信息,实现对降雨过程中地表径流和排水过程的模拟,从而推导可能积水的地点;后者则通过研究积水道路下的交通异常现象,结合降雨量、交通流量、车速等来推测出积水路段。相比而言,前者由于需要不同道路的地理信息数据及排水系统数据,采集数据与建立系统的难度更大,而且由于排水参数无法实时检测与更新,难以做到准确识别。而后者目前则集中于对道路积水时交通状态的研究,而少有通过交通状态来反推道路积水的。
(1)中国专利申请201520878929.4,申请日2015-11-06,公开了一种城市公共道路积水智能监控系统。该系统通过压力传感器对道路积水进行压力感应,将压力数据处理为积水状态后发出指令于显示屏和报警器,实现对路面积水情况的实时检测与显示。此方法为传统的基于检测设备的积水识别,虽然在检测设备上具有一定创新,但依然无法解决一套设备只能检测一个点、布设及维护成本大的问题。
(2)中国专利申请201610601125.9, 申请日2016-07-27,公开了一种通过降雨预报预测城市积水的方法及系统,其通过分析降雨历时数据、排水管线数据和地表高程信息,对降雨过程中的地表径流和排水过程进行模拟计算,以推导出可能积水的地点。但由于整个城市道路系统中各路段对应的地理信息皆不相同,且管道变更频繁、偶发性排水管道堵塞现象频发,仅通过对排水过程的模拟分析一方面需要的基础数据难以获取,另一方面对偶发性的堵塞现象也难以实时判断。
(3)Boni Su等[Boni Su, Hong Huang, Yuntao Li. Integrated simulationmethod for waterlogging and traffic congestion under urban rainstorms[J].Nature Hazards (2016) 81:23–40.]模拟了降雨所造成道路积水的时间和空间分布,依据驾驶员对不同程度道路积水的行为反应而建立了微观仿真模型以评估降雨造成的积水对道路交通的影响。此方法重点分析了道路积水与道路交通的相关性,在一定程度上为基于浮动车行驶参数进行积水识别提供了理论支撑。但方法所提出的仿真模型参数较多且运行耗时较长,难以满足实时检测的需求。
(4)刘军等[刘军,宋国华,赵琦,高永.基于FCD的桥下积水导致城市交通拥堵点段识别方法研究[J].交通信息与安全.31(176):43-48.2013.],以及[刘军.基于浮动车数据的桥下积水导致的城市快速路交通拥堵规律研究[D].北京交通大学.2014.]研究了快速路立交桥下积水所导致的交通拥堵蔓延规律,并提出了识别方法,但其仅研究了特定道路、严重积水情况下的交通特性,只适用于研究道路高危积水情形,而无法识别全路网层面上不同的积水等级,由于不同积水情况下道路交通运行特征差异较大,而且不同路段本身对应的交通状况也各异,因此该方法的普适性相对而言不强。
(5)中国专利申请CN109961631A,2019-07-02,道路积水点识别方法及道路积水点识别系统,发明人戴剑军等通过对比非积水以及积水时段的道路车速,流量参数,设置了道路车速以及流量阈值,通过对道路实时车速,流量的监测以及降雨修正系数的引入获取道路积水的综合评价值,实现对道路积水的实时判别。但该方法忽略了积水影响的是通行能力这一道路固有属性,当积水造成了大范围拥堵时,大量路段车速以及流量均会下降,因此易出现误判,即将未积水的路段识别为积水路段,同时由于该方法样本车流参数需服从正态分布,因此参数统计的时间粒度需在半小时以上,会延长积水被识别到的时间,以致实时性不强。
综合以上,刘军等虽然提出了根据车流量、速度来对快速路立交桥下积水进行识别的方法,但该方法仅适用于严重积水的情况,且只适用于桥底等特定区域。戴剑军等也提出了根据车流量、速度以及降雨量来对城市路网进行积水识别的方法,但忽略了积水影响的是道路通行能力,易出现误判,且判别周期过长,实时性不强。
发明内容
鉴于上述事实,本发明的目的是针对现有技术中存在的易出现误判,且判别周期过长,实时性不强的问题,进而设计了一种基于交通流基本图的城市道路积水智能识别方法,其提出了数据驱动的基于交通流基本图的积水点识别方法,该方法融合了交通大数据以及气象数据实现了对积水的实时识别,摆脱了对高成本检测设备的依赖;针对积水影响的是道路通行能力这一特征,引入了交通流基本图工具,避免识别积水导致的拥堵扩散路段为积水路段以减少误判;用以识别积水的各项交通流参数统计周期为5分钟,相比现有方法30分钟的统计周期能够更加敏感地反映积水的影响,缩短积水被识别到的时间。
在下文中简要概述本发明基本思想和实施方案,以简化的形式给出某些概念,为后续更详细的描述作铺垫。这个概述并不是为了确定本发明的关键或重要部分,也不是为了限定本发明的范围。
为实现上述目的,本发明采用如下技术方案:
一种基于交通流基本图的城市道路积水智能识别方法,具体步骤:
Step1历史数据标定:定义连续个异常数据点为事件,发生积水为事件,未发生积水为事件,降雨为事件,则为求解的目标,即当降雨时,在产生连续个异常数据点的条件下发生积水的概率;基于一段时间的路况数据构建道路基本图模型,并筛选样本计算路段的,即计算当降雨时,道路未积水条件下产生连续个异常数据点事件的概率;通过估算;
Step2实时积水识别:基于实时连续异常点个数以及降雨修正系数计算路段实时积水概率。
进一步地,所述Step1历史数据标定具体实现方法如下:
Step11交通流基本图构建,
利用路况数据构建道路交通流基本图;计算道路密度及速度参数,或者密度及流量关系;统计间隔取5分钟,针对路况数据进行上述参数的计算,以轴为密度,轴为速度或者流量分别构建交通流基本图模型,同时对基本图模型分别进行拟合,选取拟合优度最高的数据模型作为路段的基本图模型;
计算需基于样本,样本的筛选需首先识别异常数据点,识别异常数据点的过程即对道路通行能力下降识别;对任一道路,其基本图模型密度范围为,当时,按单位密度切分基本图模型,时,按密度切分,取各密度区域对应速度的90%分位点作为对应下界,数据点低于对应的速度90%分位值则视为异常数据点;根据连续异常数据点的阈值完成样本的筛选,取6,各道路的,即道路未积水条件下产生连续个异常数据点事件的概率,计算采用如下公式:
进一步地, Step11中所述路况数据是基于手机导航及公交GPS数据,或者是地磁及卡口交通数据采集设备采集的数据。
进一步地,所述基于手机导航及公交GPS数据字段包括路段编号、时间间隔、累计行驶里程以及累计行驶时间。
进一步地,Step11中所述计算道路密度及速度参数,采用如下公式进行计算:
进一步地,所述Step2实时积水识别具体实现方法如下:
Step22实时积水概率计算,发生降雨时,以5分钟为统计间隔,计算得到实时密度及速度或者密度及流量数据点,对比路段基本图模型,若无异常数据点,则判断路段未积水,若存在异常数据点,判断路段发生积水的概率。
进一步地,Step22中若存在异常数据点,判断路段发生积水的概率分两种情况:
由于降雨积水数据样本的缺乏,式中无法计算得到,由于与成负相关关系;因此根据值采用如下方法估计:假定两者呈线性关系,当取0时, 取0.9,当取1时,取0.1;根据实时值可对应历史标定结果得到,进而得到;
综合以上的关键点在于:
(1)本发明基于交通大数据与降雨数据,实现了无检测装置的道路积水智能识别。
(2)本发明综合考虑了积水成因-降雨,以及积水造成的影响-道路通行能力下降,并采用道路交通流基本图这一工具识别道路通行能力下降。
(3)本发明基于交通流基本图建立了道路积水识别模型。
本发明所达到的效果为:
本发明提出了数据驱动的基于交通流基本图的积水点识别方法,该方法融合了交通大数据以及气象数据实现了对积水的实时识别,摆脱了对高成本检测设备的依赖;针对积水影响的是道路通行能力这一特征,引入了交通流基本图工具,避免识别积水导致的拥堵扩散路段为积水路段以减少误判;用以识别积水的各项交通流参数统计周期为5分钟,相比现有方法30分钟的统计周期能够更加敏感地反映积水的影响,缩短积水被识别到的时间。具体优点:
(1)区别于传统的硬件设备检测方法,本发明实现了无检测装置的道路积水智能识别,免去了高昂的设备成本以及维修费用。
(2)综合考虑了积水成因(降雨)与积水影响(道路通行能力下降),既避免了仅通过积水成因进行判断时对道路地理信息数据收集的繁琐,又保证了识别的精度。
(3)基于道路交通流基本图模型建立的积水识别方法具有算法简单、识别高效的特点。
(4)各类相关数据皆可实时接入并分析,以5分钟为一个识别周期,具有较强的时效性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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为本发明一种基于交通流基本图的城市道路积水智能识别方法的整体流程图;
图2为第一种密度-速度关系道路交通流基本图模型示意图;
图3为第二种密度-速度关系道路交通流基本图模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例1:参见图1-3,本实施例的一种基于交通流基本图的城市道路积水智能识别方法,具体流程如图1所示。
道路通行能力降低表现为,按一定时间统计间隔得到的密度-速度数据点处于道路交通流基本图下方,该类数据点这里被称为异常数据点。针对特定路段,在降雨时,积水概率随连续异常数据点个数,即道路通行能力下降持续时间的增加而增大。定义连续个异常数据点为事件,发生积水为事件,降雨为事件。为求解的目标,由于该事件样本量不足,无法直接统计得到。然而,降雨场景下道路未积水的样本量丰富,考虑通过估算。的计算需识别正常日期,即样本,可通过设定连续异常数据点阈值的方式区分,这里取6,即不存在道路通行能力下降持续时间超过30分钟的天数为样本。同时,积水与降雨强度息息相关,可以引入降雨强度修正系数修正积水概率。
如图1所示,本实施例的整体流程可分为两部分。(i)历史数据标定:基于一个月的历史手机导航,公交路况数据构建道路基本图模型,并筛选样本计算路段的;(ii)实时积水识别:基于实时连续异常点个数以及降雨修正系数计算路段实时积水概率。
更具体地:Step1历史数据标定,
历史数据标定中所用的百度导航,公交路况数据结构类似,字段信息为:路段编号、时间片(五分钟间隔)、累计行驶里程和累计行驶时间。
更具体地:交通流基本图构建,
道路交通流基本图的构建需计算道路密度,速度参数。统计间隔取5分钟,采用如下公式进行参数计算:
针对历史手机导航,公交GPS数据进行上述参数的计算,以轴为密度,轴为速度分别构建交通流基本图模型,同时采用指数或对数模型对基本图模型分别进行拟合,选取拟合优度最高的数据模型作为路段的基本图模型。如下图2为构建的基本图模型识别积水的效果。
更具体地:Step12交通流基本图模型下界确定与计算,计算需基于样本,样本的筛选需首先识别异常数据点,识别异常数据点的过程即对道路通行能力下降识别。对任一道路,其基本图模型密度范围为,当时,按单位密度切分基本图模型,时,按密度切分,取各密度区域对应速度的90%分位点作为对应下界,数据点低于对应的速度90%分位值则视为异常数据点。根据连续异常数据点的阈值完成样本的筛选,各道路的计算采用如下公式:
更具体地:Step2实时积水识别,
实时积水识别部分在完成历史数据标定的基础上,接入实时手机导航,公交路况数据以及实时降雨量数据,实现对路段积水的实时智能识别。实时手机导航,公交路况数据与其历史数据格式一致。降雨量数据:将区域的经度和纬度分别按照0.01度的大小进行格点划分,每个格点代表大约1Km*1Km的地面范围。按照每5分钟的频率基于自动站实况监测数据进行插值计算,得到每个格点的降雨量数据。
更具体地:Step21降雨修正系数,
更具体地:Step22实时积水概率计算,
发生降雨时,以5分钟为统计间隔,计算得到实时密度—速度数据点,对比路段基本图模型。若无异常数据点,则判断路段未积水,若存在异常数据点,分两种情况:
由于降雨积水数据样本的缺乏,式中无法计算得到,但可以确定与成负相关关系。因此根据值采用如下方法估计:假定两者呈线性关系,当取0时,取0.9,当取1时,取0.1。根据实时值可对应历史标定结果得到 ,进而得到。
实施例2:本实施例与实施例1的不同点在于:基于的交通流基本图可以是密度-速度关系图,也可以是密度-流量关系图等其他交通流基本图模型。
实施例3:本实施例与1或2实施例的不同点在于:基本图模型可以是基于手机导航,公交GPS数据,也可以是地磁,卡口等其他交通数据采集设备采集的数据。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
2.根据权利要求1所述的一种基于交通流基本图的城市道路积水智能识别方法,其特征在于:所述Step1历史数据标定具体实现方法如下:
Step11交通流基本图构建,
利用路况数据构建道路交通流基本图;计算道路密度及速度参数,或者密度及流量关系;统计间隔取5分钟,针对路况数据进行上述参数的计算,以轴为密度,轴为速度或者流量分别构建交通流基本图模型,同时对基本图模型分别进行拟合,选取拟合优度最高的数据模型作为路段的基本图模型;
计算需基于样本,样本的筛选需首先识别异常数据点,识别异常数据点的过程即对道路通行能力下降识别;对任一道路,其基本图模型密度范围为,当时,按单位密度切分基本图模型,时,按密度切分,取各密度区域对应速度的90%分位点作为对应下界,数据点低于对应的速度90%分位值则视为异常数据点;根据连续异常数据点的阈值完成样本的筛选, 取6,各道路的计算采用如下公式:
3.根据权利要求2所述的一种基于交通流基本图的城市道路积水智能识别方法,其特征在于: Step11中所述路况数据是基于手机导航及公交GPS数据,或者是地磁及卡口交通数据采集设备采集的数据。
4.根据权利要求3所述的一种基于交通流基本图的城市道路积水智能识别方法,其特征在于:所述基于手机导航及公交GPS数据字段包括路段编号、时间间隔、累计行驶里程以及累计行驶时间。
6.根据权利要求5所述的一种基于交通流基本图的城市道路积水智能识别方法,其特征在于:Step11中采用指数或对数模型对基本图模型分别进行拟合,选取拟合优度最高的数据模型作为路段的基本图模型。
8.根据权利要求7所述的一种基于交通流基本图的城市道路积水智能识别方法,其特征在于:Step22中若存在异常数据点,判断路段发生积水的概率分两种情况:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949980.5A CN111815955B (zh) | 2020-09-11 | 2020-09-11 | 一种基于交通流基本图的城市道路积水智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949980.5A CN111815955B (zh) | 2020-09-11 | 2020-09-11 | 一种基于交通流基本图的城市道路积水智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815955A true CN111815955A (zh) | 2020-10-23 |
CN111815955B CN111815955B (zh) | 2021-03-26 |
Family
ID=72860783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010949980.5A Active CN111815955B (zh) | 2020-09-11 | 2020-09-11 | 一种基于交通流基本图的城市道路积水智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815955B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113053111A (zh) * | 2021-03-09 | 2021-06-29 | 周凤英 | 一种基于机器视觉和物联网的城市交通市政道路安全在线监测云平台 |
CN113255605A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面病害检测方法、装置、终端设备及存储介质 |
CN116611333A (zh) * | 2023-05-23 | 2023-08-18 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961631A (zh) * | 2017-12-22 | 2019-07-02 | 深圳市城市交通规划设计研究中心有限公司 | 道路积水点识别方法及道路积水点识别系统 |
CN110298076A (zh) * | 2019-05-27 | 2019-10-01 | 广州奥格智能科技有限公司 | 一种基于gis和swmm的城市内涝智能建模及分析方法 |
CN110322690A (zh) * | 2019-06-17 | 2019-10-11 | 西北工业大学 | 一种下沉路段积水状况监测预警系统及其预测预警方法 |
-
2020
- 2020-09-11 CN CN202010949980.5A patent/CN111815955B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961631A (zh) * | 2017-12-22 | 2019-07-02 | 深圳市城市交通规划设计研究中心有限公司 | 道路积水点识别方法及道路积水点识别系统 |
CN110298076A (zh) * | 2019-05-27 | 2019-10-01 | 广州奥格智能科技有限公司 | 一种基于gis和swmm的城市内涝智能建模及分析方法 |
CN110322690A (zh) * | 2019-06-17 | 2019-10-11 | 西北工业大学 | 一种下沉路段积水状况监测预警系统及其预测预警方法 |
Non-Patent Citations (1)
Title |
---|
邱建栋 等: "城市道路积水智能识别系统研究及应用", 《品质交通与协同共治——2019年中国城市交通规划年会论文集》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113053111A (zh) * | 2021-03-09 | 2021-06-29 | 周凤英 | 一种基于机器视觉和物联网的城市交通市政道路安全在线监测云平台 |
CN113255605A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面病害检测方法、装置、终端设备及存储介质 |
CN116611333A (zh) * | 2023-05-23 | 2023-08-18 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
CN116611333B (zh) * | 2023-05-23 | 2023-11-14 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111815955B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815955B (zh) | 一种基于交通流基本图的城市道路积水智能识别方法 | |
CN109448367B (zh) | 一种基于大数据图像采集的智能道路交通追踪管理系统 | |
CN113742818B (zh) | 市政道路积水多因素复合型预警预报方法 | |
CN110160550B (zh) | 一种基于道路积水预测的城市路线引导方法 | |
CN102968901B (zh) | 获取区域拥堵信息的方法及区域拥堵分析装置 | |
CN110633865A (zh) | 一种基于排涝模型的城市积水预测与安全预警系统 | |
CN113110200A (zh) | 一种基于气象和雨洪模型的城市内涝预警系统 | |
CN109961631B (zh) | 道路积水点识别方法及道路积水点识别系统 | |
CN101673369A (zh) | 基于投影寻踪的排水管网洪涝风险评价方法 | |
CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警系统 | |
CN117173871B (zh) | 一种防汛监测方法和系统 | |
CN116206426B (zh) | 一种基于物联网的移动式水位监测报警系统 | |
CN107273686B (zh) | 雨洪径流氮磷输出负荷预测方法 | |
CN111986464A (zh) | 一种基于动态方法预报道路结冰的系统 | |
CN112330066A (zh) | 一种基于地理信息的台风期间出行风险预警的方法 | |
CN108920655B (zh) | 一种道路天气信息系统时空覆盖范围量化方法及装置 | |
CN116380153A (zh) | 一种城市内涝监测预警系统及预警方法 | |
CN109814462A (zh) | 一种基于大数据的城市排水网络监控控制系统 | |
CN115294770A (zh) | 一种雨天交通拥堵指数的预测方法和装置 | |
CN112530137A (zh) | 一种基于临界雨量的分布式中小流域地质灾害及洪水预警方法 | |
Hablas | A study of inclement weather impacts on freeway free-flow speed | |
CN111397686A (zh) | 一种城市内涝预警方法 | |
CN114926962A (zh) | 一种河流水域洪涝预警用水位ai图像识别预警系统 | |
CN218513040U (zh) | 一种气象灾害联合监测预警装置 | |
CN117113038B (zh) | 城市水土流失黄泥水事件溯源方法及系统 |
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 |