CN112512020B - 一种基于多源数据融合的交通状态弱信号感知研判方法 - Google Patents
一种基于多源数据融合的交通状态弱信号感知研判方法 Download PDFInfo
- Publication number
- CN112512020B CN112512020B CN202011309429.0A CN202011309429A CN112512020B CN 112512020 B CN112512020 B CN 112512020B CN 202011309429 A CN202011309429 A CN 202011309429A CN 112512020 B CN112512020 B CN 112512020B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- grid
- vehicle
- road
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/48—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于多源数据融合的交通状态弱信号感知研判方法，包括根据道路属性和交通数据属性对道路进行网格化划分；交通数据采集、预处理及融合；根据DSRC断面数据，利用手机基站数据对某一段的高速路段车辆数量进行估算，通过定位数据和视频进行校准；区域车辆运行状态识别；对交通状态变化参数进行实时动态分析；通过交通运行状态保持时间和交通状态变化速度趋势，综合反应交通过渡态变化过程。本发明可充分利用从多方面获取到的多源数据，提出交通状态弱信号感知研判方法，能够在交通状态过渡阶段及时准确地感知交通状态变化趋势，进而主动疏导管控，最大程度上避免交通拥堵的发生，保证交通运行的效率与安全。
Description
技术领域
本发明属于智能交通技术领域。
背景技术
交通状态的感知研判对道路交通的安全与效率具有重要影响。如何利用现有的技术资源及时、准确地监测和预测交通状态一直是一个热门的研究问题。
目前，对交通状态感知的研究多依赖于固定式车辆检测器数据，但由于受成本的限制，车检器的布设数量十分有限，则得到的车检器数据十分有限。少数的利用多源数据进行交通状态感知的方法也都一定程度上存在数据来源及类型单一，数据利用率低等问题，使得交通状态监测与预测的准确性和空间覆盖范围受到了严重的影响。
此外，现有技术专注于对当前或过去某一时刻的交通状态做出评估分析和对未来某一时间段内的交通状态进行预测，无法从实时细微的交通状态变化中感知短时间内的交通运行趋势，也就是进行交通状态弱信号感知，进而难以针对未来的交通状态主动疏导管理，缓解交通运行压力。
发明内容
本发明的发明目的是提供一种基于多源数据融合的交通状态弱信号感知研判方法，以解决如下技术问题：
1)丰富交通状态弱信号感知的源数据获取及利用率；
2)进行交通状态弱信号感知研判，捕捉交通过渡状态变化趋势；
3)建立模型，保证感知研判的实时性和准确性；
4)依据研判结果输出交通疏导管控策略，提升管控效率，保障交通运行。
本发明为解决上述技术问题，采用如下技术方案：
一种基于多源数据融合的交通状态弱信号感知研判方法，步骤如下：
步骤1，交通道路网格模型划分，根据道路属性和交通数据属性对道路进行网格化划分；
步骤1.1，将相同属性区域的道路网格划分为相同大小的网格；
步骤1.2，确定网格中的道路属性，包含高速公路、主干路、次干路、支路，并标注到每个网格中；在同一网格中相同方向的高速公路、主干路各自不超过一条；
步骤1.3，根据不同属性区域的预划分道路网格中的车辆位置数据，确定该区域的预划分道路网格大小；在确保同一网格中需要出现样本量足够的车辆位置数据的情况下，车辆密度越大道路网格划分越小；
步骤1.4，考虑信令数据在网格中的应用，信令数据反映的是基站的属性，蜂窝网络覆盖区域中网格数量越少越精确；
步骤1.5，根据上述网格划分原则，完成划分道路网格；
步骤2，交通数据采集、预处理及融合，所使用的交通数据包含车辆位置数据、手机信令数据，还包含基站位置、终端切换时间、门架DSRC数据、车辆OBU终端和门架通信的时间及门架位置数据、视频数据，以及基于视频的断面流量、车辆数、停留时间数据；
步骤2.1，交通数据采集，根据需求，按照道路网格划分，采集网格关联的交通数据；
步骤2.2，对采集的数据进行预处理，对于手机信令数据，需要确定道路网格和基站覆盖的关系，基站和道路产生关联关系，过滤掉非直接影响的手机信令数据，对临近基站间的信令切换进行归一化处理，根据时间确定切换时间；对于定位数据，过滤掉道路网格以外的定位数据，过滤时间序列中偏移量较大的位置数据；对于DSRC和视频数据根据卡口的数据确定归属网格单元；形成所有数据的空间序列；
步骤2.3，根据手机信令的基站切换数据，确定手机信号当前归属的基站，确定归属道路网格；根据定位数据确定车辆当前所在网格；根据时间序列，按照时间轴，对所有数据进行排序，形成时间序列数据；
步骤2.4，通过时空序列匹配，对所有数据进行融合管理；
步骤3，定点的交通存在状态，交通流量、车速、时间占有率分析，根据DSRC断面数据作为分析背景场，两个断面之间的车辆总数及通行时间有预估计，利用手机基站数据对某一段的高速路段车辆数量进行估算，通过定位数据和视频进行校准。
步骤3.1，对数据记录的手机个体移动进行模拟，手机使用时，基站可以生成该手机登入登出基站时间和所属基站编号。对连续出现多条记录，可以捕捉到个体移动的轨迹，对有序个体序列进行合并，筛查，可以获得某一时段的高速路段车辆数据；
步骤3.2，当车上用户手机逐渐远离当前通信基站，该手机接收信号强度下降，当降低到某一水平时，需要将实际通信链路转移到另一个信号强度较高的目标基站，根据车辆行驶方向运动过程，通过基站定位技术推演车辆运行轨迹；
步骤3.3，通过全样本信令数据进行分析，得到网格特定网格交通流量、车辆平均速度、网格道路时间占有率概要数据；辅助部分样本车辆位置数据，通过时间序列，精准得到车辆位移、车速信息，通过精准样本校准，准确分析网格特定网格交通流量、车辆平均速度、网格道路时间占有率；
步骤4，区域车辆运行状态识别，分析车辆行驶时间、流量密度、排队长度、区间速度，根据门架DSRC数据为基础，定位数据配合，辅以手机信令，视频数据进行区域车辆运行状态分析；
步骤4.1，根据连续道路网格区域中，已经反映了交通流量、速度、时间占有率等，根据定位数据，刻画单体车辆运行状态以及不同车辆之间的关系分布，根据手机信令定位，反映区域聚集车辆量；
步骤4.2，确定区域车辆聚集情况，根据手机信令属性，基站与道路网格的相关关系，根据基站车辆手机流动数据，确定区域车辆数量，根据DSRC大断面数据，验证数个区域车辆流量正确性；
步骤4.3，根据定位数据，可以通过位置及时间属性，精准刻画车辆行驶轨迹特征，表征为时刻位置、时刻速度，根据网格切片，获取所有经过车辆行驶轨迹，通过轨迹刻画，形成车辆相对位置属性，根据数据融合结果，分析交通流量密度，区间速度，车辆行驶时间和排队长度等区域车辆运行状态；
步骤5，根据时间序列实时动态分析，对交通状态变化参数进行分析，分析平均运行速度变化率、平均密度变化率、平均排队长度变化率、区间车辆驶入驶出状态；
步骤5.1，根据道路网格中的数据，包含平均运行速度、车流密度、排队长度进行基于数据密度的网格聚类，将密度相连的点的最大集合，把具有高密度的区域划分为同一类；选取核心网格，定义网格每个方向的相邻网格的数据为邻域，将网格中的特征数据来标识邻域中的最小样本量，将邻域网格中的特征数据为表征值，最小样本量为表征值的阈值；当表征值高于最小样本量时，网格定义为核心网格，当表征值低于最小样本量但可由其他核心网格到达时，网格定义为边界网格，如果不可达，定义为噪声网格；通过聚类算法，形成特征数据的网格聚类；
步骤5.2，通过聚类网格区间的时间序列变化，反应分析平均运行速度变化率、平均密度变化率、平均排队长度变化率、区间车辆驶入驶出状态；
步骤5.3，通过特征区域分析结果，得到交通拥堵风险点，得到已经产生拥堵的交通区域；通过时间序列，准确感知交通状态变化趋势，以及交通拥堵位置变化趋势，为交通管控提供交通网络整体性区域化数据分析；
步骤6，根据步骤4区域车辆运行状态识别、步骤5交通状态变化参数，通过交通运行状态保持时间和交通状态变化速度趋势，综合反应交通过渡态变化过程，通过交通特征聚类移动变换趋势，反应交通过渡态变化范围，以指导交通处置。
所述步骤1.3，在确保同一网格中需要出现样本量足够的车辆位置数据的情况，是指一个网格内同一个车辆在正常行驶中，车辆位置数据大于等于四个点位。
所述步骤3.3，辅助部分样本车辆位置数据，其中的样本量越高准确定越高，样本量达到车辆样本的9％之后，准确度就趋近于实际。
本发明的优点及积极效果：
本发明充分利用了从多方面获取到的多源数据，提出交通状态弱信号感知研判方法，能够在交通状态过渡阶段及时准确地感知交通状态变化趋势，进而主动疏导管控，最大程度上避免交通拥堵的发生，保证交通运行的效率与安全。
具体实施方式
本发明所述的方法采用多源数据内容包含手机信令数据、北斗定位数据、GPS数据、视频数据、门架DSRC数据等。基于融合的多源数据，进行交通状态感知研判。交通状态包含，定点的交通存在状态，交通流量、车速、时间占有率等，区域车辆运行状态，车辆行驶时间、流量密度、排队长度、区间速度，交通状态变化参数，平均运行速度变化率、平均密度变化率、平均排队长度变化率、区间车辆驶入驶出状态等。
本发明的具体技术实施例如下：
一种基于多源数据融合的交通状态弱信号感知研判方法，步骤如下：
步骤1，交通道路网格模型划分，根据道路属性和交通数据属性对道路进行网格化划分；
步骤1.1，将相同属性区域的道路网格划分为相同大小的网格；如：交通流量大的市区、交通流量小的郊区分别为属性区域划分的依据。
步骤1.2，确定网格中的道路属性，包含高速公路、主干路、次干路、支路，并标注到每个网格中。在同一网格中相同方向的高速公路、主干路各自不超过一条；
步骤1.3，根据不同属性区域的预划分道路网格中的车辆位置数据，确定该区域的预划分道路网格大小。在确保同一网格中需要出现样本量足够的车辆位置数据的情况下，车辆密度越大道路网格划分越小；所述在确保同一网格中需要出现样本量足够的车辆位置数据的情况，是指一个网格内同一个车辆在正常行驶中，车辆位置数据大于等于四个点位。
步骤1.4，考虑信令数据在网格中的应用，信令数据反映的是基站的属性，蜂窝网络覆盖区域中网格数量越少越精确；
步骤1.5，根据上述网格划分原则，完成划分道路网格；
以北京为例，市区可以设置成100m左右的网格，郊区则会将网格明显拉大。
步骤2，交通数据采集、预处理及融合，所使用的交通数据包含车辆位置数据、手机信令数据，还包含基站位置、终端切换时间、门架DSRC数据、车辆OBU终端和门架通信的时间及门架位置数据、视频数据，以及基于视频的断面流量、车辆数、停留时间数据；
步骤2.1，交通数据采集，根据需求，按照道路网格划分，采集网格关联的交通数据；
步骤2.2，对采集的数据进行预处理，对于手机信令数据，需要确定道路网格和基站覆盖的关系，基站和道路产生关联关系，过滤掉非直接影响的手机信令数据，对临近基站间的信令切换进行归一化处理，根据时间确定切换时间；对于定位数据，过滤掉道路网格以外的定位数据，过滤时间序列中偏移量较大的位置数据；对于DSRC和视频数据根据卡口的数据确定归属网格单元；形成所有数据的空间序列；
步骤2.3，根据手机信令的基站切换数据，确定手机信号当前归属的基站，确定归属道路网格；根据定位数据确定车辆当前所在网格；根据时间序列，按照时间轴，对所有数据进行排序，形成时间序列数据；
步骤2.4，通过时空序列匹配，对所有数据进行融合管理；
步骤3，定点的交通存在状态，交通流量、车速、时间占有率分析，根据DSRC断面数据作为分析背景场，两个断面之间的车辆总数及通行时间有预估计，利用手机基站数据对某一段的高速路段车辆数量进行估算，通过定位数据和视频进行校准。
步骤3.1，对数据记录的手机个体移动进行模拟，手机使用时，基站可以生成该手机登入登出基站时间和所属基站编号。对连续出现多条记录，可以捕捉到个体移动的轨迹，对有序个体序列进行合并，筛查，可以获得某一时段的高速路段车辆数据；
步骤3.2，当车上用户手机逐渐远离当前通信基站，该手机接收信号强度下降，当降低到某一水平时，需要将实际通信链路转移到另一个信号强度较高的目标基站，根据车辆行驶方向运动过程，通过基站定位技术推演车辆运行轨迹；
步骤3.3，通过全样本信令数据进行分析，得到网格特定网格交通流量、车辆平均速度、网格道路时间占有率概要数据；辅助少量样本车辆位置数据，通过时间序列，精准得到车辆位移、车速信息，通过精准样本校准，准确分析网格特定网格交通流量、车辆平均速度、网格道路时间占有率；上述辅助少量样本车辆位置数据，其中的样本量越高准确定越高，样本量达到车辆样本的9％之后，准确度就趋近于实际。
步骤4，区域车辆运行状态识别，分析车辆行驶时间、流量密度、排队长度、区间速度，根据门架DSRC数据为基础，定位数据配合，辅以手机信令，视频数据进行区域车辆运行状态分析；
步骤4.1，根据连续道路网格区域中，已经反映了交通流量、速度、时间占有率等，根据定位数据，刻画单体车辆运行状态以及不同车辆之间的关系分布，根据手机信令定位，反映区域聚集车辆量；
步骤4.2，确定区域车辆聚集情况，根据手机信令属性，基站与道路网格的相关关系，根据基站车辆手机流动数据，确定区域车辆数量，根据DSRC大断面数据，验证数个区域车辆流量正确性；
步骤4.3，根据定位数据，可以通过位置及时间属性，精准刻画车辆行驶轨迹特征，表征为时刻位置、时刻速度，根据网格切片，获取所有经过车辆行驶轨迹，通过轨迹刻画，形成车辆相对位置属性，根据数据融合结果，分析交通流量密度，区间速度，车辆行驶时间和排队长度等区域车辆运行状态；
步骤5，根据时间序列实时动态分析，对交通状态变化参数进行分析，分析平均运行速度变化率、平均密度变化率、平均排队长度变化率、区间车辆驶入驶出状态；
步骤5.1，根据道路网格中的数据，包含平均运行速度、车流密度、排队长度进行基于数据密度的网格聚类，将密度相连的点的最大集合，把具有高密度的区域划分为同一类；选取核心网格，定义网格每个方向的相邻网格的数据为邻域，将网格中的特征数据来标识邻域中的最小样本量，将邻域网格中的特征数据为表征值，最小样本量为表征值的阈值；当表征值高于最小样本量时，网格定义为核心网格，当表征值低于最小样本量但可由其他核心网格到达时，网格定义为边界网格，如果不可达，定义为噪声网格；通过聚类算法，形成特征数据的网格聚类。
步骤5.2，通过聚类网格区间的时间序列变化，反应分析平均运行速度变化率、平均密度变化率、平均排队长度变化率、区间车辆驶入驶出状态；
步骤5.3，通过特征区域分析结果，得到交通拥堵风险点，得到已经产生拥堵的交通区域；通过时间序列，准确感知交通状态变化趋势，以及交通拥堵位置变化趋势，为交通管控提供交通网络整体性区域化数据分析；
步骤6，根据步骤4区域车辆运行状态识别、步骤5交通状态变化参数，通过交通运行状态保持时间和交通状态变化速度趋势，综合反应交通过渡态变化过程，通过交通特征聚类移动变换趋势，反应交通过渡态变化范围，以指导交通处置。
Claims (4)
1.一种基于多源数据融合的交通状态弱信号感知研判方法，步骤如下：
步骤1，交通道路网格模型划分，根据道路属性和交通数据属性对道路进行网格化划分；
步骤1.1，将相同属性区域的道路网格划分为相同大小的网格；
步骤1.2，确定网格中的道路属性，包含高速公路、主干路、次干路、支路，并标注到每个网格中；在同一网格中相同方向的高速公路、主干路各自不超过一条；
步骤2，交通数据采集、预处理及融合，所使用的交通数据包含车辆位置数据、手机信令数据，还包含基站位置、终端切换时间、门架DSRC数据、车辆OBU终端和门架通信的时间及门架位置数据、视频数据，以及基于视频的断面流量、车辆数、停留时间数据；
步骤2.1，交通数据采集，根据需求，按照道路网格划分，采集网格关联的交通数据；
步骤2.2，对采集的数据进行预处理，对于手机信令数据，需要确定道路网格和基站覆盖的关系，基站和道路产生关联关系，过滤掉非直接影响的手机信令数据，对临近基站间的信令切换进行归一化处理，根据时间确定切换时间；对于定位数据，过滤掉道路网格以外的定位数据，过滤时间序列中偏移量较大的位置数据；对于DSRC和视频数据根据卡口的数据确定归属网格单元；形成所有数据的空间序列；
步骤2.3，根据手机信令的基站切换数据，确定手机信号当前归属的基站，确定归属道路网格；根据定位数据确定车辆当前所在网格；根据时间序列，按照时间轴，对所有数据进行排序，形成时间序列数据；
步骤2.4，通过时空序列匹配，对所有数据进行融合管理；
步骤3，定点的交通存在状态，交通流量、车速、时间占有率分析，根据DSRC断面数据作为分析背景场，两个断面之间的车辆总数及通行时间有预估计，利用手机基站数据对某一段的高速路段车辆数量进行估算，通过定位数据和视频进行校准；
步骤3.1，对数据记录的手机个体移动进行模拟，手机使用时，基站生成该手机登入登出基站时间和所属基站编号；对连续出现多条记录，捕捉到个体移动的轨迹，对有序个体序列进行合并，筛查，获得某一时段的高速路段车辆数据；
步骤3.2，当车上用户手机逐渐远离当前通信基站，该手机接收信号强度下降，当降低到某一水平时，需要将实际通信链路转移到另一个信号强度较高的目标基站，根据车辆行驶方向运动过程，通过基站定位技术推演车辆运行轨迹；
步骤3.3，通过全样本信令数据进行分析，得到网格特定的网格交通流量、车辆平均速度、网格道路时间占有率概要数据；辅助部分样本车辆位置数据，通过时间序列，精准得到车辆位移、车速信息，通过精准样本校准，准确分析网格特定的网格交通流量、车辆平均速度、网格道路时间占有率；
步骤4，区域车辆运行状态识别，分析车辆行驶时间、流量密度、排队长度、区间速度，根据门架DSRC数据为基础，定位数据配合，辅以手机信令，视频数据进行区域车辆运行状态分析；
步骤4.1，根据连续道路网格区域中，交通流量、速度、时间占有率和定位的数据，刻画单体车辆运行状态以及不同车辆之间的关系分布，根据手机信令定位，反映区域聚集车辆量；
步骤4.2，确定区域车辆聚集情况，根据手机信令属性，基站与道路网格的相关关系，根据基站车辆手机流动数据，确定区域车辆数量，根据DSRC大断面数据，验证数个区域车辆流量正确性；
步骤4.3，根据定位数据，通过位置及时间属性，精准刻画车辆行驶轨迹特征，表征为时刻位置、时刻速度，根据网格切片，获取所有经过车辆行驶轨迹，通过轨迹刻画，形成车辆相对位置属性，根据数据融合结果，分析交通流量密度、区间速度、车辆行驶时间和排队长度区域车辆运行状态；
步骤5，根据时间序列实时动态分析，对交通状态变化参数进行分析，分析平均运行速度变化率、平均密度变化率、平均排队长度变化率、区间车辆驶入驶出状态；
步骤5.1，根据道路网格中的数据，包含平均运行速度、车流密度、排队长度进行基于数据密度的网格聚类，将密度相连的点的最大集合，把具有高密度的区域划分为同一类；选取核心网格，定义网格每个方向的相邻网格的数据为邻域，将网格中的特征数据来标识邻域中的最小样本量，将邻域网格中的特征数据为表征值，最小样本量为表征值的阈值；当表征值高于最小样本量时，网格定义为核心网格，当表征值低于最小样本量但可由其他核心网格到达时，网格定义为边界网格，如果不可达，定义为噪声网格；通过聚类算法，形成特征数据的网格聚类；
步骤5.2，通过聚类网格区间的时间序列变化，反应分析平均运行速度变化率、平均密度变化率、平均排队长度变化率、区间车辆驶入驶出状态；
步骤5.3，通过特征区域分析结果，得到交通拥堵风险点，得到已经产生拥堵的交通区域；通过时间序列，准确感知交通状态变化趋势，以及交通拥堵位置变化趋势，为交通管控提供交通网络整体性区域化数据分析；
步骤6，根据步骤4区域车辆运行状态识别、步骤5交通状态变化参数，通过交通运行状态保持时间和交通状态变化速度趋势，综合反应交通过渡态变化过程，通过交通特征聚类移动变换趋势，反应交通过渡态变化范围，以指导交通处置。
2.根据权利要求1所述的一种基于多源数据融合的交通状态弱信号感知研判方法，其特征在于，步骤1还包括如下：
步骤1.3，根据不同属性区域的预划分道路网格中的车辆位置数据，确定该区域的预划分道路网格大小；在确保同一网格中需要出现样本量足够的车辆位置数据的情况下，车辆密度越大道路网格划分越小；
步骤1.4，考虑信令数据在网格中的应用，信令数据反映的是基站的属性，蜂窝网络覆盖区域中网格数量越少越精确。
3.根据权利要求2所述的一种基于多源数据融合的交通状态弱信号感知研判方法，其特征在于，所述步骤1.3，在确保同一网格中需要出现样本量足够的车辆位置数据的情况，是指一个网格内同一个车辆在正常行驶中，车辆位置数据大于等于四个点位。
4.根据权利要求1所述的一种基于多源数据融合的交通状态弱信号感知研判方法，其特征在于，所述步骤3.3，辅助部分样本车辆位置数据，其中的样本量越高准确定越高，样本量达到车辆样本的9%之后，准确度就趋近于实际。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011309429.0A CN112512020B (zh) | 2020-11-20 | 2020-11-20 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011309429.0A CN112512020B (zh) | 2020-11-20 | 2020-11-20 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112512020A CN112512020A (zh) | 2021-03-16 |
| CN112512020B true CN112512020B (zh) | 2022-10-11 |
Family
ID=74958943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011309429.0A Active CN112512020B (zh) | 2020-11-20 | 2020-11-20 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112512020B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256969B (zh) * | 2021-04-30 | 2022-08-16 | 山东金宇信息科技集团有限公司 | 一种高速公路的交通事故预警方法、设备及介质 |
| CN113538907B (zh) * | 2021-07-09 | 2022-05-03 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
| CN113781767A (zh) * | 2021-08-05 | 2021-12-10 | 浙江省机电设计研究院有限公司 | 一种基于多源感知的交通数据融合方法及系统 |
| CN114267173B (zh) * | 2021-12-13 | 2023-08-18 | 河北雄安京德高速公路有限公司 | 高速公路时空特征的多源数据融合方法、装置及设备 |
| CN114333324A (zh) * | 2022-01-06 | 2022-04-12 | 厦门市美亚柏科信息股份有限公司 | 一种交通状态的实时获取方法及终端 |
| CN114663992B (zh) * | 2022-03-18 | 2023-06-06 | 福建工程学院 | 一种多源数据融合高速公路门架定位方法 |
| CN115966095A (zh) * | 2022-12-02 | 2023-04-14 | 云控智行科技有限公司 | 基于车辆的交通数据融合处理方法、装置、设备及介质 |
| CN116403402B (zh) * | 2023-04-13 | 2024-06-21 | 交通运输部公路科学研究所 | 一种网联环境下城市交叉口区域的交通状态预测方法 |
| CN117877273B (zh) * | 2024-03-12 | 2024-05-10 | 山东高速股份有限公司 | 基于空地信息融合的智慧高速交通状态判别方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021671A (zh) * | 2014-05-16 | 2014-09-03 | 浙江银江研究院有限公司 | 一种svm与模糊判断相结合的道路实时路况的判断方法 |
| CN104778836A (zh) * | 2015-04-03 | 2015-07-15 | 江苏省交通规划设计院股份有限公司 | 基于手机信令数据质量感知的高速公路交通状态识别方法 |
| CN107134142A (zh) * | 2017-07-10 | 2017-09-05 | 中南大学 | 一种基于多源数据融合的城市道路流量预测方法 |
| CN108198416A (zh) * | 2017-12-28 | 2018-06-22 | 金交恒通有限公司 | 一种手机信令与路网大数据的融合方法及其应用与系统 |
| CN108335482A (zh) * | 2017-01-20 | 2018-07-27 | 亚信蓝涛（江苏）数据科技有限公司 | 一种城市交通态势感知方法及可视化方法 |
| CN110969847A (zh) * | 2019-11-25 | 2020-04-07 | 中云智网数据产业(常州)有限公司 | 一种基于城市交通的车辆高效运行管理方法 |
-
2020
- 2020-11-20 CN CN202011309429.0A patent/CN112512020B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021671A (zh) * | 2014-05-16 | 2014-09-03 | 浙江银江研究院有限公司 | 一种svm与模糊判断相结合的道路实时路况的判断方法 |
| CN104778836A (zh) * | 2015-04-03 | 2015-07-15 | 江苏省交通规划设计院股份有限公司 | 基于手机信令数据质量感知的高速公路交通状态识别方法 |
| CN108335482A (zh) * | 2017-01-20 | 2018-07-27 | 亚信蓝涛（江苏）数据科技有限公司 | 一种城市交通态势感知方法及可视化方法 |
| CN107134142A (zh) * | 2017-07-10 | 2017-09-05 | 中南大学 | 一种基于多源数据融合的城市道路流量预测方法 |
| CN108198416A (zh) * | 2017-12-28 | 2018-06-22 | 金交恒通有限公司 | 一种手机信令与路网大数据的融合方法及其应用与系统 |
| CN110969847A (zh) * | 2019-11-25 | 2020-04-07 | 中云智网数据产业(常州)有限公司 | 一种基于城市交通的车辆高效运行管理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于SD的轨道交通应急救援效能分析;唐昭等;《交通运输工程与信息学报》;20200920(第03期);全文 * |
| 基于多属性决策的城市道路交通拥挤识别;顾九春等;《控制工程》;20160420(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112512020A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112512020B (zh) | 一种基于多源数据融合的交通状态弱信号感知研判方法 | |
| Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
| CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
| CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
| CN102869037B (zh) | 一种基于A口和Abis口信令数据的高速铁路用户分离方法 | |
| CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
| CN110516866B (zh) | 一种用于城市轨交列车拥挤度的实时估计方法 | |
| CN105785411A (zh) | 一种基于区域划分的异常轨迹检测方法 | |
| CN103500504A (zh) | 基于rfid数据的城市道路交通参数估计与路况判别方法及应用系统 | |
| CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
| CN107146414B (zh) | 基于车辆识别的路网通行能力提取方法 | |
| 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 | |
| CN103345842A (zh) | 一种道路车辆分型系统及方法 | |
| Kianfar et al. | Placement of roadside equipment in connected vehicle environment for travel time estimation | |
| CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
| CN105303831A (zh) | 一种基于通信数据判断高速路拥堵情况的方法 | |
| CN110070720A (zh) | 提高交叉口占道施工区通行能力模型拟合度的计算方法 | |
| CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
| CN113361825A (zh) | 一种踩踏事故早期预警方法及系统 | |
| CN116524712A (zh) | 融合时空关联数据的高速公路拥堵预测方法、系统及装置 | |
| CN110415517A (zh) | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 | |
| CN105513362A (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
| CN113434619A (zh) | 一种4g的高速公路智能交通路况监控系统 | |
| CN106651061B (zh) | 一种基于dsrc数据与点检测器数据的实时融合方法 | |
| CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 |
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 |