CN111951555A - 一种基于rfid数据的交通流速度临界相变区间估计方法 - Google Patents

一种基于rfid数据的交通流速度临界相变区间估计方法 Download PDF

Info

Publication number
CN111951555A
CN111951555A CN202010844569.1A CN202010844569A CN111951555A CN 111951555 A CN111951555 A CN 111951555A CN 202010844569 A CN202010844569 A CN 202010844569A CN 111951555 A CN111951555 A CN 111951555A
Authority
CN
China
Prior art keywords
traffic flow
flow speed
representing
sample
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
Application number
CN202010844569.1A
Other languages
English (en)
Other versions
CN111951555B (zh
Inventor
孙棣华
赵敏
谌锐
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 CN202010844569.1A priority Critical patent/CN111951555B/zh
Publication of CN111951555A publication Critical patent/CN111951555A/zh
Application granted granted Critical
Publication of CN111951555B publication Critical patent/CN111951555B/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

Landscapes

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

Abstract

本发明公开了一种基于RFID数据的交通流速度临界相变区间估计方法，针对目前对交通流速度临界相变区间的估计问题缺乏细致研究和基于RFID数据对临界交通状态下的各类交通流参数进行估计时存在较多不确定因素等问题，利用采集得到的RFID数据，设计冗余数据识别算法，提取交通流速度特征参数并进行数据预处理，构建混合高斯模型(GMM)并利用最大期望(EM)算法完成模型参数求解，结合“数据间隙”现象建立估计模型对交通流速度临界相变区间进行有效估计。本发明提出的交通流速度临界相变区间估计方法能为城市道路交通状态的划分提供重要的参考依据。

Description

一种基于RFID数据的交通流速度临界相变区间估计方法
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)数据的交通流速度临界相变区间估计方法，可适用于已部署RFID设备装置的城市道路交通流速度临界相变区间的估计。
背景技术
在加速城市化的历程中，城市道路交通出现了供不应求的现状。通过信息化手段对城市道路交通流速度的临界相变区间进行有效准确地估计不仅可以提高道路利用率、缓解交通拥堵，还能够为研究城市道路交通状态的划分提供重要依据。
目前已有的研究成果大多关注于城市道路交通状态判别以及交通流参数估计等方面，并且在研究过程中已大量涉及了各类模型和算法。然而，对于城市道路交通流参数(例如：交通流速度参数)临界相变区间的参数估计问题却鲜有学者展开过细致且全面的研究。该项研究对交通数据质量与数量的要求均较高，目前传统的交通信息采集技术(例如：环形地感线圈、GPS浮动车数据等)均难以获得城市路网中所有运行车辆的交通数据，而基于RFID技术采集得到的汽车电子标识数据因其独特的数据优势为研究交通流速度的临界相变区间估计问题带来了新的机遇。但如何利用采集到的RFID数据全面、精准地进行交通流特征分析，如何有效地针对交通流速度参数进行临界相变区间的估计对于广大研究者而言仍是一个不小的挑战。
专利文献CN104574968A公开了一种临界交通状态参数的确定方法，该方法利用某路段获取的基本交通流参数，计算得到该路段在畅通状态和拥堵状态下的交通状态参数，通过高斯模型累积概率密度函数确定临界交通状态参数值。但是该方法在获取基本交通流参数时并未进行必要的数据预处理，导致数据质量难以保障；且该方法在获得临界交通参数大致取值范围时略显主观，缺乏科学严谨地理论支撑，使得该方法确定出的临界交通状态参数可信度较低。
发明内容
有鉴于此，本发明的目的是提供一种基于RFID数据的交通流速度临界相变区间估计方法。
本发明的目的是通过以下技术方案来实现的：
本发明提供一种基于RFID数据的交通流速度临界相变区间估计方法，该方法包括以下步骤：
1)根据研究路段采集得到的RFID数据，剔除冗余数据并提取交通流速度特征参数V；
2)对提取的特征参数根据预设观测时间窗口T分别进行数据预处理，获得可靠的交通流速度序列样本X；
3)对交通流速度序列进行高斯分布拟合，构建高斯混合模型(GMM)，并利用最大期望(EM)算法估计模型参数，获得交通流速度临界相变区间长度β；
4)利用交通流数据在临界相变区间附近存在“数据间隙”的现象，建立估计模型，对交通流速度临界相变区间Δ进行估计。
进一步的，所述步骤1)，在存储有RFID数据的数据库中筛选出研究路段上、下游基站的全部过车数据，按Passtime升序排列，利用设计算法对冗余数据进行有效识别并剔除并利用如下公式提取交通流速度特征参数V：
Figure BDA0002642618530000021
式中，vk代表第k辆车通过研究路段的行程速度；L代表研究路段长度，即上下游RFID基站间的距离；tki代表第k辆车经过下游RFID基站所在断面的时间；tkj代表第k辆车经过上游RFID基站所在断面的时间；N代表通过研究路段的车辆总数。
进一步的，所述步骤2)，预先设置时间窗口T为T＝τmin，分别获得各个时间窗口内观测得到的交通流速度子序列样本Vτ1,Vτ2,...,Vτk,Vτ(k+1),...,Vτm和各交通流速度子序列样本容量nτ1,nτ2,...,nτk,nτ(k+1),...,nτm：
Figure BDA0002642618530000022
其中，Vτk表示第k个时间窗口内观测到的交通流速度子序列样本；V表示交通流速度序列；N代表各子序列样本容量；nτk表示第k个时间窗口内观测到的交通流速度子序列样本容量；vk代表在该时间窗口内第k辆车通过研究路段的行程速度；m代表是时间窗口的总个数。
根据如下公式，可获得各子序列样本均值
Figure BDA0002642618530000023
和样本方差
Figure BDA0002642618530000024
分别为：
Figure BDA0002642618530000031
式中，
Figure BDA0002642618530000032
代表第k个时间窗口内观测到的交通流速度子序列的样本均值；
Figure BDA0002642618530000033
代表第k个时间窗口内观测到的交通流速度子序列的样本方差；nτk表示第k个时间窗口内观测到的交通流速度子序列样本容量；vk代表在该时间窗口内第k辆车通过研究路段的行程速度。
根据3σ准则，可获得第k个时间窗口内观测得到的交通流速度子序列中可靠数据样本值区间Vτ′k为：
Figure BDA0002642618530000034
其中，V′τk代表获得的可靠数据样本值区间。
循环遍历各个交通流速度子序列，若子序列样本值vk属于其对应区间，则保留该样本值；否则，认定为异常数据值应将其剔除。从而获得可靠的交通流速度序列样本X。
进一步的，所述步骤3)，对步骤2)获得的可靠交通流速度序列样本X进行高斯分布拟合，构建高斯混合模型(GMM)，该模型可描述为：
Figure BDA0002642618530000035
其中，
Figure BDA0002642618530000036
代表高斯混合模型的自身参数；X代表交通流速度序列样本；xk代表第k类高斯子模型中的交通流速度序列值；αk代表高斯混合模型的模型混合系数，且有
Figure BDA0002642618530000037
αk∈[0,1]；
Figure BDA0002642618530000038
代表第k类高斯子模型的交通流速度高斯分布函数；μk代表第k类高斯子模型中交通流速度样本均值；
Figure BDA0002642618530000039
代表第k类高斯子模型中交通流速度样本方差。
利用最大期望(EM)算法估计模型自身参数
Figure BDA00026426185300000310
根据如下公式，可获得交通流速度临界相变区间长度β：
Figure BDA0002642618530000041
式中，β为交通流速度临界相变区间长度；k为高斯混合模型中高斯子模型的种类数目；μmax代表所有高斯子模型中的最大交通流速度样本均值；μmin代表所有高斯子模型中的最小交通流速度样本均值。
进一步的，所述步骤4)，利用交通流数据在临界相变区间附近存在“数据间隙”的现象，建立如下所示交通流速度临界相变区间估计模型并完成对交通流速度临界相变区间的估计：
Figure BDA0002642618530000042
式中，s代表交通流速度序列样本X的最小样本值；e代表交通流速度序列样本X的最大样本值；β代表循环遍历步长，即步骤3)获得的交通流速度临界相变区间长度；k代表循环遍历次数；θ(x)代表各遍历区间的频率特征函数；n[s+xβ,s+(x+1)β)代表第x个遍历区间的数据点个数；N代表交通流速度序列样本X的总数据点个数；f(a,b)代表获取最小频率特征函数值θ(xi)对应遍历区间上、下限的功能函数；γdown代表估计模型输出估计区间的下限值；γup代表估计模型输出估计区间的上限值；Δ代表交通流速度临界相变区间估计模型输出值，即最终获得的交通流速度临界相变区间估计值。
由于采用了上述技术方案，本发明具有如下的特点和优点：
本发明提出一种基于RFID数据的交通流速度临界相变区间估计方法，针对目前少有学者就交通流速度临界相变区间的估计问题进行细致研究和基于RFID数据对临界交通状态下的各类交通流参数进行估计时存在较多不确定因素等问题，利用采集得到的RFID数据，设计冗余数据识别算法，提取交通流速度特征参数并进行数据预处理，构建混合高斯模型(GMM)并利用最大期望(EM)算法完成模型参数求解，结合“数据间隙”现象建立估计模型对交通流速度临界相变区间进行有效估计。本发明提出的交通流速度临界相变区间估计方法能为城市道路交通状态的划分提供重要的参考依据。
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。
具体实施方式
为使本发明的技术方案、优点和目的更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。
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所示，一种基于RFID数据的交通流速度临界相变区间估计方法，该方法包括以下步骤：
步骤1)根据研究路段采集得到的RFID数据，剔除冗余数据并提取交通流速度特征参数V。具体包括以下几个子步骤：
步骤1.1：在存储有RFID数据的数据库中筛选出研究路段上、下游基站的全部过车数据，按Passtime升序排列；
步骤1.2：设计冗余数据识别算法，识别并剔除冗余数据。具体包括以下几个子步骤：
步骤1.2.1：分别将研究路段上游RFID基站布设的多个RFID阅读器所采集的交通数据和下游RFID基站布设的多个RFID阅读器所采集的交通数据整合到数据库的一张新表中，形成该路段上、下游横断面RFID数据集；
步骤1.2.2：判断研究路段上、下游横断面RFID数据集中的数据，相邻两条或多条数据的EID字段是否完全相同。若完全相同，则再选取Passtime字段，将该字段的日期形式转换为时间戳形式，将二者时间差与预先设定的合理阈值λ相比较。若时间差值低于该设定阈值λ，则将除第一条以外的冗余数据剔除；
步骤1.3：利用如下公式提取交通流速度特征参数V：
Figure BDA0002642618530000061
式中，
vk代表第k辆车通过研究路段的行程速度；
L代表研究路段长度，即上下游RFID基站间的距离；
tki代表第k辆车经过下游RFID基站所在断面的时间；
tkj代表第k辆车经过上游RFID基站所在断面的时间；
N代表通过研究路段的车辆总数。
步骤2)对提取的特征参数根据预设观测时间窗口T分别进行数据预处理，获得可靠的交通流速度序列样本X。具体包括以下几个子步骤：
步骤2.1：设置时间窗口T为T＝τmin；
步骤2.2：分别获得各个时间窗口内观测得到的交通流速度子序列样本Vτ1,Vτ2,...,Vτm和各交通流速度子序列样本容量nτ1,nτ2,...,nτm，如下所示：
Figure BDA0002642618530000062
其中，
Vτk表示第k个时间窗口内观测到的交通流速度子序列样本；
V表示交通流速度序列；
N代表各子序列样本容量；
nτk表示第k个时间窗口内观测到的交通流速度子序列样本容量；
vk代表在该时间窗口内第k辆车通过研究路段的行程速度；
m代表是时间窗口的总个数。
步骤2.3：根据如下公式，可获得各子序列样本均值
Figure BDA0002642618530000071
和样本方差
Figure BDA0002642618530000072
分别为：
Figure BDA0002642618530000073
式中，
Figure BDA0002642618530000074
代表第k个时间窗口内观测到的交通流速度子序列的样本均值；
Figure BDA0002642618530000075
代表第k个时间窗口内观测到的交通流速度子序列的样本方差；
nτk表示第k个时间窗口内观测到的交通流速度子序列样本容量；
vk代表在该时间窗口内第k辆车通过研究路段的行程速度。
步骤2.4：根据3σ准则，可获得第k个时间窗口内观测得到的交通流速度子序列中可靠数据样本值区间V′τk为：
Figure BDA0002642618530000076
其中，
V′τk代表获得的可靠数据样本值区间。
步骤2.5：循环遍历各个交通流速度子序列，若子序列样本值vk属于其对应区间，则保留该样本值；否则，认定为异常数据值应将其剔除。从而获得可靠的交通流速度序列样本X。
步骤3)对交通流速度序列进行高斯分布拟合，构建高斯混合模型(GMM)，并利用最大期望(EM)算法估计模型参数，获得交通流速度临界相变区间长度β。具体包括以下几个子步骤：
步骤3.1：对步骤2.5获得的可靠交通流速度序列样本X进行高斯分布拟合，构建高斯混合模型(GMM)，该模型可描述为：
Figure BDA0002642618530000077
其中，
Figure BDA0002642618530000081
代表高斯混合模型的自身参数；
X代表交通流速度序列样本；
xk代表第k类高斯子模型中的交通流速度序列值；
αk代表高斯混合模型的模型混合系数，且有
Figure BDA0002642618530000082
αk∈[0,1]；
Figure BDA0002642618530000083
代表第k类高斯子模型的交通流速度高斯分布函数；
μk代表第k类高斯子模型中交通流速度样本均值；
Figure BDA0002642618530000084
代表第k类高斯子模型中交通流速度样本方差。
步骤3.2：利用最大期望(EM)算法估计模型自身参数
Figure BDA0002642618530000085
具体包括以下几个子步骤：
步骤3.2.1：提出最大期望(EM)算法的前提假设：存在一组样本数据x1,x2,...,xN以及一个有n个高斯子模型的高斯混合模型；
步骤3.2.2：初始化模型参数
Figure BDA0002642618530000086
k＝1,2,3,...,n，分别设置模型参数的初始值；
步骤3.2.3：根据当前初始化的参数，分别计算每个样本数据i来自模型k的概率或可能性。对于给定的数据样本xi来说，它由第k个分量生成的后验概率为：
Figure BDA0002642618530000087
其中，
γik表示估计的样本数据由每个分量生成的概率；
Qi(zi＝k|xi)表示在给定样本xi的情况下，它的分类zi是第k个分量的概率；
z为隐含的随机变量；
且上式中i＝1,2,3,...,N；k＝1,2,3,...,n。
步骤3.2.4：根据步骤3.2.3求出的γik值，计算新一轮迭代模型中的参数值αk,μk,
Figure BDA0002642618530000088
并更新。参数计算公式如下：
Figure BDA0002642618530000091
步骤3.2.5：检查似然函数的值是否收敛，若不收敛，则一直重复执行步骤3.2.4和步骤3.2.5，直到系统模型算法收敛为止，至此即可估计出GMM自身参数
Figure BDA0002642618530000092
步骤3.3：根据如下公式，可获得交通流速度临界相变区间长度β：
Figure BDA0002642618530000093
式中，
β为交通流速度临界相变区间长度；
k为高斯混合模型中高斯子模型的种类数目；
μmax代表所有高斯子模型中的最大交通流速度样本均值；
μmin代表所有高斯子模型中的最小交通流速度样本均值。
步骤4)利用交通流数据在临界相变区间附近存在“数据间隙”的现象，建立估计模型，对交通流速度临界相变区间Δ进行估计。具体包括以下几个子步骤：
步骤4.1：利用交通流数据在临界相变区间附近存在“数据间隙”的现象，建立如下所示交通流速度临界相变区间估计模型：
Figure BDA0002642618530000101
式中，
s代表交通流速度序列样本X的最小样本值；
e代表交通流速度序列样本X的最大样本值；
β代表单次遍历步长，即步骤3)获得的交通流速度临界相变区间长度；
k代表循环遍历总次数；
θ(x)代表各遍历区间的频率特征函数；
n[s+xβ,s+(x+1)β)代表第x次遍历的区间内数据点个数；
N代表交通流速度序列样本X的总数据点个数；
f(a,b)代表获取最小频率特征函数值对应遍历区间上、下限的功能函数；
xi代表最小频率特征函数值对应的遍历次数；
γdown代表估计模型输出估计区间的下限值；
γup代表估计模型输出估计区间的上限值；
Δ代表估计模型输出值，即获得的交通流速度临界相变区间估计值。
步骤4.2：利用步骤4.1建立的交通流速度临界相变区间估计模型完成对研究路段交通流速度临界相变区间的估计。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (5)

1.一种基于RFID数据的交通流速度临界相变区间估计方法，其特征在于：该方法包括以下步骤：
1)根据研究路段采集得到的RFID数据，剔除冗余数据并提取交通流速度特征参数V；
2)对提取的特征参数根据预设观测时间窗口T分别进行数据预处理，获得可靠的交通流速度序列样本X；
3)对交通流速度序列进行高斯分布拟合，构建高斯混合模型(GMM)，并利用最大期望(EM)算法估计模型参数，获得交通流速度临界相变区间长度β；
4)利用交通流数据在临界相变区间附近存在“数据间隙”的现象，建立估计模型，对交通流速度临界相变区间Δ进行估计。
2.根据权利要求1所述的一种基于RFID数据的交通流速度临界相变区间估计方法，其特征在于，所述步骤1)的具体过程如下：在存储有RFID数据的数据库中筛选出研究路段上、下游基站的全部过车数据，按Passtime升序排列，利用设计算法对冗余数据进行有效识别并剔除并利用如下公式提取交通流速度特征参数V：
Figure FDA0002642618520000011
式中，vk代表第k辆车通过研究路段的行程速度；L代表研究路段长度，即上下游RFID基站间的距离；tki代表第k辆车经过下游RFID基站所在断面的时间；tkj代表第k辆车经过上游RFID基站所在断面的时间；N代表通过研究路段的车辆总数。
3.根据权利要求2所述的一种基于RFID数据的交通流速度临界相变区间估计方法，其特征在于，所述步骤2)的具体过程如下：预先设置时间窗口T为T＝τmin，分别获得各个时间窗口内观测得到的交通流速度子序列样本Vτ1,Vτ2,...,Vτk,Vτ(k+1),...,Vτm和各交通流速度子序列样本容量nτ1,nτ2,...,nτk,nτ(k+1),...,nτm：
Figure FDA0002642618520000012
其中，Vτk表示第k个时间窗口内观测到的交通流速度子序列样本；V表示交通流速度序列；N代表各子序列样本容量；nτk表示第k个时间窗口内观测到的交通流速度子序列样本容量；vk代表在该时间窗口内第k辆车通过研究路段的行程速度；m代表是时间窗口的总个数；
根据如下公式，可获得各子序列样本均值
Figure FDA0002642618520000021
和样本方差
Figure FDA0002642618520000022
分别为：
Figure FDA0002642618520000023
式中，
Figure FDA0002642618520000024
代表第k个时间窗口内观测到的交通流速度子序列的样本均值；
Figure FDA0002642618520000025
代表第k个时间窗口内观测到的交通流速度子序列的样本方差；nτk表示第k个时间窗口内观测到的交通流速度子序列样本容量；vk代表在该时间窗口内第k辆车通过研究路段的行程速度；
根据3σ准则，可获得第k个时间窗口内观测得到的交通流速度子序列中可靠数据样本值区间V′τk为：
Figure FDA0002642618520000026
其中，V′τk代表获得的可靠数据样本值区间；
循环遍历各个交通流速度子序列，若子序列样本值vk属于其对应区间，则保留该样本值；否则，认定为异常数据值应将其剔除，从而获得可靠的交通流速度序列样本X。
4.根据权利要求3所述的一种基于RFID数据的交通流速度临界相变区间估计方法，其特征在于，所述步骤3)的具体过程如下：对步骤2)获得的可靠交通流速度序列样本X进行高斯分布拟合，构建高斯混合模型(GMM)，该模型可描述为：
Figure FDA0002642618520000027
其中，
Figure FDA0002642618520000028
代表高斯混合模型的自身参数；X代表交通流速度序列样本；xk代表第k类高斯子模型中的交通流速度序列值；αk代表高斯混合模型的模型混合系数，且有
Figure FDA0002642618520000029
Figure FDA00026426185200000210
代表第k类高斯子模型的交通流速度高斯分布函数；μk代表第k类高斯子模型中交通流速度样本均值；
Figure FDA0002642618520000031
代表第k类高斯子模型中交通流速度样本方差；
利用最大期望(EM)算法估计模型自身参数
Figure FDA0002642618520000032
根据如下公式，可获得交通流速度临界相变区间长度β：
Figure FDA0002642618520000033
式中，β为交通流速度临界相变区间长度；k为高斯混合模型中高斯子模型的种类数目；μmax代表所有高斯子模型中的最大交通流速度样本均值；μmin代表所有高斯子模型中的最小交通流速度样本均值。
5.根据权利要求4所述的一种基于RFID数据的交通流速度临界相变区间估计方法，其特征在于，所述步骤4)的具体过程如下：利用交通流数据在临界相变区间附近存在“数据间隙”的现象，建立如下所示交通流速度临界相变区间估计模型并完成对交通流速度临界相变区间的估计：
Figure FDA0002642618520000034
式中，s代表交通流速度序列样本X的最小样本值；e代表交通流速度序列样本X的最大样本值；β代表单次遍历步长，即步骤3)获得的交通流速度临界相变区间长度；k代表循环遍历总次数；θ(x)代表各遍历区间的频率特征函数；n[s+xβ,s+(x+1)β)代表第x次遍历的区间内数据点个数；N代表交通流速度序列样本X的总数据点个数；f(a,b)代表获取最小频率特征函数值θ(xi)对应遍历区间上、下限的功能函数；xi代表最小频率特征函数值对应的遍历次数；γdown代表估计模型输出估计区间的下限值；γup代表估计模型输出估计区间的上限值；Δ代表交通流速度临界相变区间估计模型输出值，即最终获得的交通流速度临界相变区间估计值。
CN202010844569.1A 2020-08-20 2020-08-20 一种基于rfid数据的交通流速度临界相变区间估计方法 Active CN111951555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010844569.1A CN111951555B (zh) 2020-08-20 2020-08-20 一种基于rfid数据的交通流速度临界相变区间估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010844569.1A CN111951555B (zh) 2020-08-20 2020-08-20 一种基于rfid数据的交通流速度临界相变区间估计方法

Publications (2)

Publication Number Publication Date
CN111951555A true CN111951555A (zh) 2020-11-17
CN111951555B CN111951555B (zh) 2022-04-22

Family

ID=73359002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010844569.1A Active CN111951555B (zh) 2020-08-20 2020-08-20 一种基于rfid数据的交通流速度临界相变区间估计方法

Country Status (1)

Country Link
CN (1) CN111951555B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070225912A1 (en) * 2006-03-21 2007-09-27 Bernard Grush Private, auditable vehicle positioning system and on-board unit for same
CN102509454A (zh) * 2011-11-03 2012-06-20 安徽科力信息产业有限责任公司 基于fcd与地磁检测器的道路状态融合方法
CN104001741A (zh) * 2014-04-29 2014-08-27 张家港联峰钢铁研究所有限公司 一种小规格高Cr的82B盘条轧后控制冷却方法
KR20140141055A (ko) * 2013-05-31 2014-12-10 서울여자대학교 산학협력단 무릎 자기공명영상의 전방십자인대 분할 장치 및 그 분할 방법
CN104574968A (zh) * 2015-01-19 2015-04-29 浙江大学 一种临界交通状态参数的确定方法
WO2016196254A1 (en) * 2015-05-29 2016-12-08 Nike Innovate C.V. Calculating energy expenditure from athletic movement attributes
CN108109377A (zh) * 2018-01-23 2018-06-01 重庆城市综合交通枢纽开发投资有限公司 一种基于三维McMaster算法的常偶发拥堵判别方法
CN109873443A (zh) * 2019-04-12 2019-06-11 重庆大学 基于临界电压的电网故障下直流连续换相失败预测方法
CN109885854A (zh) * 2018-11-23 2019-06-14 南京航空航天大学 基于arma模型的颤振边界实时预测系统及预测方法
CN111260922A (zh) * 2020-01-20 2020-06-09 浙江工业大学 一种基于拥堵态势分级的匝道控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070225912A1 (en) * 2006-03-21 2007-09-27 Bernard Grush Private, auditable vehicle positioning system and on-board unit for same
CN102509454A (zh) * 2011-11-03 2012-06-20 安徽科力信息产业有限责任公司 基于fcd与地磁检测器的道路状态融合方法
KR20140141055A (ko) * 2013-05-31 2014-12-10 서울여자대학교 산학협력단 무릎 자기공명영상의 전방십자인대 분할 장치 및 그 분할 방법
CN104001741A (zh) * 2014-04-29 2014-08-27 张家港联峰钢铁研究所有限公司 一种小规格高Cr的82B盘条轧后控制冷却方法
CN104574968A (zh) * 2015-01-19 2015-04-29 浙江大学 一种临界交通状态参数的确定方法
WO2016196254A1 (en) * 2015-05-29 2016-12-08 Nike Innovate C.V. Calculating energy expenditure from athletic movement attributes
CN108109377A (zh) * 2018-01-23 2018-06-01 重庆城市综合交通枢纽开发投资有限公司 一种基于三维McMaster算法的常偶发拥堵判别方法
CN109885854A (zh) * 2018-11-23 2019-06-14 南京航空航天大学 基于arma模型的颤振边界实时预测系统及预测方法
CN109873443A (zh) * 2019-04-12 2019-06-11 重庆大学 基于临界电压的电网故障下直流连续换相失败预测方法
CN111260922A (zh) * 2020-01-20 2020-06-09 浙江工业大学 一种基于拥堵态势分级的匝道控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HE, YUCHU: "Cooperative Driving and Lane Changing Modeling for Connected Vehicles in the Vicinity of Traffic Signals: A Cyber-Physical Perspective", 《IEEE ACCESS》 *
MING-MING GAO: "Application of Gaussian Mixture Model Genetic Algorithm in data stream clustering analysis", 《2010 IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND INTELLIGENT SYSTEMS》 *
U014540876: "高斯混合模型（GMM）及其求解（期望最大化（EM）算法）", 《CSDN》 *
徐程: "高速公路临界交通状态参数估计方法", 《公路》 *

Also Published As

Publication number Publication date
CN111951555B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN108597227B (zh) 高速公路收费站下道交通流量预测方法
US9454902B2 (en) Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream
CN102044073B (zh) 判断图像中人群密度的方法及系统
CN103310435B (zh) 将垂直投影和最优路径相结合对车牌字符进行分割的方法
CN107123265A (zh) 一种基于并行计算的高速公路交通状态估计方法
CN103310199B (zh) 基于高分辨率遥感数据的车辆型号识别方法
CN108242147B (zh) 交通路况估计方法、装置及系统
CN103984994A (zh) 一种城市轨道交通客流高峰持续时间预测方法
CN113516105B (zh) 一种车道检测方法、装置及计算机可读存储介质
CN110459050B (zh) 一种基于混合决策树的短期公交客流预测方法
CN111640304B (zh) 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
CN110889558A (zh) 路况预测方法及装置
CN108665703A (zh) 基于宏观基本图的路网状态转换点判别方法
CN109615865B (zh) 一种基于od数据增量迭代式估计路段交通流量的方法
CN106572387B (zh) 视频序列对齐方法和系统
CN101216943A (zh) 一种视频运动目标分割的方法
CN109858559A (zh) 基于交通流宏观基本图的自适应交通分析路网简化方法
CN104916124A (zh) 基于马尔可夫模型的公共自行车系统调控方法
CN110991442B (zh) 一种高速公路车牌云端高精准识别方法
CN114495498B (zh) 一种交通数据分布有效性判别方法及装置
Chen et al. Short-term traffic states forecasting considering spatial–temporal impact on an urban expressway
CN112801181B (zh) 城市信令交通流用户分类、预测方法、存储介质及系统
CN111951555B (zh) 一种基于rfid数据的交通流速度临界相变区间估计方法
CN104517127A (zh) 一种基于Bag-of-features模型的自学习行人计数方法及装置
CN110120154B (zh) 大规模路网下利用检测器数据的交通路况预测方法

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