CN112183871A - 基于空气指数的城市交通诱导系统 - Google Patents
基于空气指数的城市交通诱导系统 Download PDFInfo
- Publication number
- CN112183871A CN112183871A CN202011079487.9A CN202011079487A CN112183871A CN 112183871 A CN112183871 A CN 112183871A CN 202011079487 A CN202011079487 A CN 202011079487A CN 112183871 A CN112183871 A CN 112183871A
- Authority
- CN
- China
- Prior art keywords
- path
- road
- point
- urban
- map
- 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
- 230000007613 environmental effect Effects 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000003570 air Substances 0.000 description 38
- 238000010586 diagram Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于空气指数的城市交通诱导系统,包括数据库、城市数学模型地图模块、REI数据融合模块、天气结果预测模块、诱导路径最优选择云平台;REI为道路环保指数;城市数学模型地图模块结合实际城市地图进行数学模型的建立,使环境信息可视化;天气结果预测模块通过神经网络对未来环境数据、道路选择结果进行预测并验证,提供一种准确可行的方案;诱导路径最优选择云平台利用优化后的最短路径算法可以直观的显示出本系统诱导方案与最短路径之间的区别,管理者能在云端服务器上为用户提供最终方案;本发明可以用于城市交通规划与管理、道路选择安排、城市交通诱导。
Description
技术领域
本发明涉及路径规划技术,具体涉及一种基于空气指数的城市交通诱导系统。
背景技术
目前,现有的路径规划系统主要依靠GPS定位并且配合最短路径算法实现最快到达目的地的技术,最终可以得到的是路径长度最短路径、时间最短路径和通过红绿灯最少路径。而这些方法可能带来的问题就是城市交通枢纽路口的拥堵与局部地区空气环境质量的严重下降。这种情况在以旅游产业为重心的城市尤为突出,通过环保局的调查显示,旅游城市每年环境最差的时节发生在节假日期间,汽车在涌入城市时绝大多数都选择路径长度最短路径,同时城市交通路网也会迎来巨大挑战。随着智能交通的高速发展,交通与环境已经融为一体,优质的交通路网不仅仅局限于路径长度,更多的是科学的管理与规划。而仅依靠最短的路径方法早已满足不了智能交通发展的需求。道路因素与油耗因素的结合也只适合为个体用户考虑,对于城市格局的改变做不到全盘观测。随着最短路径算法技术已经被引入交通领域并取得了广泛的应用比如:
1、上海汽车电子导航系统。改进型Dijkstra最短路径算法在此系统上运行和测试,结果表明该算法能够提供高效率的搜索速度和较高的精度。
2、深圳多目标无人机拍摄时,基于最短路径的无人机航路规划,提出了以旅行商问题为基础的规划模型,局部优化后进行了航线最短路径求解,最后在VC++6.0下利用OpenGL的API,实现了航线及飞行过程的可视化。
3、上海市采用ISCLT3模型对环境空气质量的现状进行模拟计算,并应用于城市道路交通规划大气环境影响预测。
4、苏南某工业园区为例,采用空气质量模型AERMOD模型预测园区内常规污染物浓度,多尺度空气质量模型CMAQ(Community Multiscale Air Quality)预测O3、PM2.5等二次污染物浓度,以评估该园区土地利用和产业规划调整对区域大气环境质量的影响。
5、英国较早建立了交通规划环境影响评价体系,积累了较为成熟的经验;以英国交通部的交通分析指南(TAG)为基础,阐述了其交通规划大气环境影响评价的方法,分析其评价思路及特点。
6、德国国际合作机构(GIZ)在中国开展中德合作已经30多年,双方面临的挑战包括气候变化、环境污染和城市拥堵。
现有比较成熟的交通导航技术都是针对单一的因素进行规划的,例如针对路径长度或者时间进行规划,不能有效的整合多因素进行考虑,并且缺少一个可以官方公布信息和用户查询的平台。目前最短路径算法用于交通导航已经是一个基础,但是其融合其他因素的路径被局限在很小的范围内;针对现有交通诱导系统的局限性本发明提出一种基于空气指数的城市交通诱导系统,结合实际城市地图进行数学模型的建立,使环境信息可视化;通过神经网络对未来环境数据、道路选择结果进行预测,提供出一种准确可行的环保路径规划路径。
发明内容
本发明的目的在于提出一种基于空气指数的城市交通诱导系统,该系统提供一种准确可行的环保路径规划路径,解决以旅游业为主的中小型城市,在节假日时客流量多、道路拥堵和环境下降的问题。
实现本发明目的的技术方案为:一种基于空气指数的城市交通诱导系统,包括数据库、城市数学模型地图模块、REI数据融合模块、天气结果预测模块、诱导路径最优选择云平台;REI为道路环保指数;
所述数据库用于保存当前和历史空气质量数据和实况交通道路信息;
所述城市数学模型地图模块是以城市真实地图作为背景,加入交通枢纽路口点、空气环境监测点、诱导路径起始点和诱导路径终止点建立的城市数学模型地图;
所述天气结果预测模块利用神经网络预测空气质量指数,从数据库中统计的城市空气环境监测点附近过去十年内历史空气质量数据和实况交通道路信息选出交通拥堵情况下的空气质量数据,然后进行神经网络预测处理,得到空气环境监测点区域内的空气质量指数的预测值;
所述REI数据融合模块将预测的空气质量指数与实际路径长度常量进行融合得到道路环保指数;融合的公式如下,
其中,第i条路的道路环保指数简称Ri,xi是第i条路可配置的权重,wi是第i条路的权重,n是道路条数;Li和AQIi分别是第i条路的实际路径长度常量长度和预测的空气质量指数;α和β是与对应参数Li和AQIi的两个系数,α在道路上未发生突发事件情况下默认为1,若某道路上发生突发事件增大α,0<β<1;
所述诱导路径最优选择云平台通过最短路径算法计算路径权值进行比较,最终系统生成包含最优诱导路径与最短路径的地图,地图通过所述平台公布。
进一步的,所述空气质量数据包括PM2.5、PM10以及空气中SO2、CO、NO2和O3含量数据,实况交通道路信息包括车流量、车流量密度、车道占有率。
进一步的,所述加入交通枢纽路口点具体为通过API技术将地图上的交通枢纽路口点、干道以及城市的交通枢纽入口进行经纬坐标转换,将省道、国道和高速的交叉口的路口处用红色浮点进行标记,并标注城市环城的四个入口与模拟目的地;给予每个岔路口标记编号。
进一步的,所述建立的城市数学模型地图是利用实际路径长度测量功能与道路环保指数在Python中构建出的数学模型骨架地图。
进一步的,所述诱导路径最优选择云平台通过最短路径算法计算路径权值进行比较具体步骤为:
(1)根据权重s构建一张无向图Graph,设定起点start和终点end;
(2)构建一个集合Q,用来存放起点start到其余各点的距离,如果某个点和start之间不直接相连,则距离为∞;
(3)从集合Q中选取值最小对应的点作为参考点,将起点与其相连;
(4)从参考点开始,遍历它的邻接点;将起点到参考点的距离与参考点到其邻接点的距离分别求和得到求和值;将最小求和值与起点到参考点的邻接点的距离进行比较;如果前者较小,则将参考点放入数prev并作为起点,如果后者较小,起点不变;然后将最小求和值对应的邻接点作为参考点,重复步骤(4),直至到达终点end;
(5)返回数组prev,遍历求和其可得最优路径。
与现有技术相比,本发明的有益效果为:
(1)数据处理上融合了道路环境因素,使环境与道路信息归一化、可视化;
(2)重要的交通路口在地图显示上作出重点标识,综合实际城市地图进行数学模型的建立;
(3)通过神经网络对未来环境数据、道路选择结果进行预测并验证,寻找到临近最佳参数为后期最短路径算法提供准确的计算数据来源;
(4)利用最短路径算法计算后可以直观的显示出本系统诱导路径与最短路径之间的区别,并在路径规划与地图上显示;
(5)云端平台可以实时和发布收集交通与环境信息,给与用户参考与选择。
附图说明
图1是本发明基于空气指数的城市交通诱导系统的示意图;
图2是本发明中云端平台公布出的地图与诱导路径包含的信息示意图。
图3为本发明中加入交通枢纽路口点的地图的示意图。
图4为基于图3通过Python建立的地图示意图。
图5为本发明中诱导路径最优选择云平台公布的包含诱导路径的地图示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
如图1所示,一种基于空气指数的城市交通诱导系统,包括数据库、城市数学模型地图模块、REI数据融合模块、天气结果预测模块、诱导路径最优选择云平台;REI为道路环保指数;
所述数据库用于保存当前和历史空气质量数据和实况交通道路信息;所述空气质量数据包括PM2.5、PM10以及空气中SO2、CO、NO2和O3含量数据,实况交通道路信息包括车流量、车流量密度、车道占有率等车流量信息;
所述城市数学模型地图模块是以城市真实地图作为背景,加入交通枢纽路口点、空气环境监测点、诱导路径起始点和诱导路径终止点建立而成的城市数学模型地图;以城市真实地图作为背景,通过API技术将地图上的交通枢纽路口点、干道以及城市的交通枢纽入口从经纬坐标转换,例如:在广角范围内(若需要精细范围也可自定义所需的范围),将省道、国道和高速的交叉口等重要交通路口处用红色浮点进行标记,标注城市环城的四个入口与模拟目的地。给予每个岔路口标记编号,为下面在道路地图上的计算提供数学模型基础。道路地图如图3所示;利用实际路径长度测量功能在Python中构建出基本地图的数学模型骨架地图。例如:根据城市周围大量交通要塞与人口居住的密集度划分出8个区域。各区域内近十年环境指数采集节点报告数据与实际道路地图结合。添加经过神经网路预测后的空气质量指数为数据变量,再与实际路径长度常量进行融合得到道路环保指数;给定每条道路的中间节点为静态道路点(绿点)。例如23节点至24节点的中间节点为静态道路点。通过Python进行数学模型建立,8个环境指数采集节点(红点)的影响因子像水滴一样进行波纹式扩散。波及范围设置为5个等级,离中心测试点越近的影响因素越高。Python实验结果图如图4所示;
所述天气结果预测模块利用神经网络预测空气质量指数,从数据库中统计的城市空气环境监测点附近过去十年内历史空气质量数据和实况交通道路信息选出交通拥堵情况下的空气质量数据,然后进行神经网络预测处理,得到空气环境监测点区域内的空气质量指数的预测值;
所述REI数据融合模块将预测的空气质量指数与实际路径长度常量进行融合得到道路环保指数,融合的公式如下,
其中,第i条路的道路环保指数简称Ri,xi是第i条路可配置的权重,wi是第i条路的权重,n是道路条数;Li和AQIi分别是第i条路的实际路径长度常量长度和预测的空气质量指数;α和β是与对应参数Li和AQIi的两个系数;α对应的是道路长度调控系数,在道路上未发生突发事件情况下默认为1,若某道路上发生突发事件可以增大α值使该道路的wi增大,使得Ri也对应增大;β对应的是该道路上的环境调控系数,0<β<1,是随着某道路的环境污染情况而调控的,若β超过1则会使Li的影响效果严重削弱;
所述诱导路径最优选择云平台通过最短路径算法计算路径权值进行比较,最终系统生成包含最优诱导路径与最短路径的地图,地图通过所述平台公布,最优诱导路径为道路环保指数最高路径。
通过最短路径算法计算路径权值进行比较具体为:
(1)根据权重s构建一张无向图Graph,设定起点start和终点end;
(2)构建一个集合Q,用来存放起点start到其余各点的距离,如果某个点和start之间不直接相连,则距离为∞;
(3)从集合Q中选取值最小对应的点作为参考点,将起点与其相连;
(4)从参考点开始,遍历它的邻接点;将起点到参考点的距离与参考点到其邻接点的距离分别求和得到求和值;将最小求和值与起点到参考点的邻接点的距离进行比较;如果前者较小,则将参考点放入数prev并作为起点,如果后者较小,起点不变;然后将最小求和值对应的邻接点作为参考点,重复步骤(4),直至到达终点end;
(5)返回数组prev,遍历求和其可得最优路径。
最终生成包含最优诱导(道路环保指数最高)路径与最短(路径最短)路径的地图,地图通过云平台发布给用户可提供用户自行选择。
如图2是本发明中通过云端平台公布出的诱导路径包含的各类信息。为了使城市交通框架能够在系统中展现出来,让本发明可以让广大用户实际感受到,使用到。本发明在云端平台直接公布出的计算后的路径选择路径,其中包括最短路径路径和REI(道路环保指数)最高的路径路径。路线直接在地图中显示出来。且从地图中可以明显看出本系统提供的REI(道路环保指数)最高的诱导路径避免了空气污染严重地区与易拥堵路口。
实施例
用户通过基于空气质量指数的诱导路径规划系统输入起点与终点,可以获得计算后的两种路径方案,并且在地图中可以直观浏览到两条路径的行车规划。在输入不同的起点与终点都会有相对应的路径方案在云平台上公布,为用户的行车选择提供方便简洁的通道。
根据用户键入的起点与终点,得到不同的路径,其中包含两种,一种是最短路径,一种是诱导路径。例如键入起点34至终点39,得到两种不同的路径推荐方案,用户选择了诱导路径,如图5所示;诱导路径避开了空气监测站所在的空气污染严重区域,诱导车辆从其他道路通过以到达行车终点。
Claims (5)
1.一种基于空气指数的城市交通诱导系统,其特征在于,包括数据库、城市数学模型地图模块、REI数据融合模块、天气结果预测模块、诱导路径最优选择云平台;REI为道路环保指数;
所述数据库用于保存当前和历史空气质量数据和实况交通道路信息;
所述城市数学模型地图模块是以城市真实地图作为背景,加入交通枢纽路口点、空气环境监测点、诱导路径起始点和诱导路径终止点建立的城市数学模型地图;
所述天气结果预测模块利用神经网络预测空气质量指数,从数据库中统计的城市空气环境监测点附近过去十年内历史空气质量数据和实况交通道路信息选出交通拥堵情况下的空气质量数据,然后进行神经网络预测处理,得到空气环境监测点区域内的空气质量指数的预测值;
所述REI数据融合模块将预测的空气质量指数与实际路径长度常量进行融合得到道路环保指数;融合的公式如下,
其中,第i条路的道路环保指数简称Ri,xi是第i条路可配置的权重,wi是第i条路的权重,n是道路条数;Li和AQIi分别是第i条路的实际路径长度常量长度和预测的空气质量指数;α和β是与对应参数Li和AQIi的两个系数,α在道路上未发生突发事件情况下默认为1,若某道路上发生突发事件增大α,0<β<1;
所述诱导路径最优选择云平台通过最短路径算法计算路径权值进行比较,最终系统生成包含最优诱导路径与最短路径的地图,地图通过所述平台公布。
2.根据权利要求1所述的基于空气指数的城市交通诱导系统,其特征在于,所述空气质量数据包括PM2.5、PM10以及空气中SO2、CO、NO2和O3含量数据,实况交通道路信息包括车流量、车流量密度、车道占有率。
3.根据权利要求1所述的基于空气指数的城市交通诱导系统,其特征在于,所述加入交通枢纽路口点具体为通过API技术将地图上的交通枢纽路口点、干道以及城市的交通枢纽入口进行经纬坐标转换,将省道、国道和高速的交叉口的路口处用红色浮点进行标记,并标注城市环城的四个入口与模拟目的地;给予每个岔路口标记编号。
4.根据权利要求3所述的基于空气指数的城市交通诱导系统,其特征在于,所述建立的城市数学模型地图是利用实际路径长度测量功能与道路环保指数在Python中构建出的数学模型骨架地图。
5.根据权利要求1所述的基于空气指数的城市交通诱导系统,其特征在于,所述诱导路径最优选择云平台通过最短路径算法计算路径权值进行比较具体步骤为:
(1)根据权重s构建一张无向图Graph,设定起点start和终点end;
(2)构建一个集合Q,用来存放起点start到其余各点的距离,如果某个点和start之间不直接相连,则距离为∞;
(3)从集合Q中选取值最小对应的点作为参考点,将起点与其相连;
(4)从参考点开始,遍历它的邻接点;将起点到参考点的距离与参考点到其邻接点的距离分别求和得到求和值;将最小求和值与起点到参考点的邻接点的距离进行比较;如果前者较小,则将参考点放入数prev并作为起点,如果后者较小,起点不变;然后将最小求和值对应的邻接点作为参考点,重复步骤(4),直至到达终点end;
(5)返回数组prev,遍历求和其可得最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011079487.9A CN112183871B (zh) | 2020-10-10 | 2020-10-10 | 基于空气指数的城市交通诱导系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011079487.9A CN112183871B (zh) | 2020-10-10 | 2020-10-10 | 基于空气指数的城市交通诱导系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183871A true CN112183871A (zh) | 2021-01-05 |
CN112183871B CN112183871B (zh) | 2024-09-06 |
Family
ID=73947570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011079487.9A Active CN112183871B (zh) | 2020-10-10 | 2020-10-10 | 基于空气指数的城市交通诱导系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183871B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837496A (zh) * | 2021-11-04 | 2021-12-24 | 长春嘉诚信息技术股份有限公司 | 一种秸秆焚烧对空气质量影响的模型预测方法 |
CN114896521A (zh) * | 2022-04-06 | 2022-08-12 | 中国科学院合肥物质科学研究院 | 一种城市马拉松赛道路线智能推荐方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837154A (zh) * | 2014-03-14 | 2014-06-04 | 北京工商大学 | 路径规划的方法及系统 |
CN104464320A (zh) * | 2014-12-15 | 2015-03-25 | 东南大学 | 基于真实路网特性及动态行程时间的最短路径诱导方法 |
CN106767818A (zh) * | 2016-12-05 | 2017-05-31 | 北京仿真中心 | 可穿戴电子设备及其健康出行系统 |
CN108827842A (zh) * | 2018-04-13 | 2018-11-16 | 安徽新华学院 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
CN108871362A (zh) * | 2018-06-12 | 2018-11-23 | 山东理工大学 | 一种汽车动态环保出行路径规划方法 |
CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
CN110633558A (zh) * | 2019-11-05 | 2019-12-31 | 贵州财经大学 | 一种城市交通系统建模系统 |
-
2020
- 2020-10-10 CN CN202011079487.9A patent/CN112183871B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837154A (zh) * | 2014-03-14 | 2014-06-04 | 北京工商大学 | 路径规划的方法及系统 |
CN104464320A (zh) * | 2014-12-15 | 2015-03-25 | 东南大学 | 基于真实路网特性及动态行程时间的最短路径诱导方法 |
CN106767818A (zh) * | 2016-12-05 | 2017-05-31 | 北京仿真中心 | 可穿戴电子设备及其健康出行系统 |
CN108827842A (zh) * | 2018-04-13 | 2018-11-16 | 安徽新华学院 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
CN108871362A (zh) * | 2018-06-12 | 2018-11-23 | 山东理工大学 | 一种汽车动态环保出行路径规划方法 |
CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
CN110633558A (zh) * | 2019-11-05 | 2019-12-31 | 贵州财经大学 | 一种城市交通系统建模系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837496A (zh) * | 2021-11-04 | 2021-12-24 | 长春嘉诚信息技术股份有限公司 | 一种秸秆焚烧对空气质量影响的模型预测方法 |
CN113837496B (zh) * | 2021-11-04 | 2024-05-14 | 长春嘉诚信息技术股份有限公司 | 一种秸秆焚烧对空气质量影响的模型预测方法 |
CN114896521A (zh) * | 2022-04-06 | 2022-08-12 | 中国科学院合肥物质科学研究院 | 一种城市马拉松赛道路线智能推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112183871B (zh) | 2024-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data | |
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
JP7163099B2 (ja) | エネルギー管理装置、モデル管理方法及びコンピュータプログラム | |
US11237007B2 (en) | Dangerous lane strands | |
CN107103392A (zh) | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 | |
Kong et al. | RMGen: A tri-layer vehicular trajectory data generation model exploring urban region division and mobility pattern | |
CN101639871B (zh) | 面向行为研究的车载动态交通信息诱导系统模拟设计方法 | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
US8989999B2 (en) | Vehicle range analysis using driving environment information with optional continuous averaging | |
US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
Ding et al. | Greenplanner: Planning personalized fuel-efficient driving routes using multi-sourced urban data | |
CN103177561A (zh) | 公交实时路况的生成方法及系统 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN112652172B (zh) | 一种基于车辆gps轨迹的路段交通量分析方法 | |
CN112183871B (zh) | 基于空气指数的城市交通诱导系统 | |
Bachechi et al. | Implementing an urban dynamic traffic model | |
CN107655490B (zh) | 基于移动用户轨迹分段和最热搜索的热点路径发现方法 | |
CN116542709A (zh) | 一种基于交通态势感知的电动汽车充电站规划分析方法 | |
JP2023155476A (ja) | 情報処理システム、情報処理装置、情報処理方法及び情報処理プログラム | |
CN106327867A (zh) | 一种基于gps数据的公交准点预测方法 | |
CN105806355A (zh) | 一种车辆绿色路径导航系统及方法 | |
CN109800903A (zh) | 一种基于出租车轨迹数据的盈利路线规划方法 | |
Kyriakou et al. | Analysis of spatiotemporal data to predict traffic conditions aiming at a smart navigation system for sustainable urban mobility | |
CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN109447352A (zh) | 一种公交出行od矩阵反推的组合方法 |
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 |