CN112598907B - 拥堵预测方法、装置、设备及可读存储介质 - Google Patents
拥堵预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112598907B CN112598907B CN202011497094.XA CN202011497094A CN112598907B CN 112598907 B CN112598907 B CN 112598907B CN 202011497094 A CN202011497094 A CN 202011497094A CN 112598907 B CN112598907 B CN 112598907B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cluster
- clusters
- vehicles
- congestion
- 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
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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"
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本发明提供一种拥堵预测方法、装置、设备及可读存储介质。该方法包括:确定多个车团,并确定每个车团的速度;基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;若存在,则确定存在拥堵。通过本发明,以车团为基础,当存在至少两个车团在同一时刻到达同一位置时,确定存在拥堵,提高了拥堵预测的准确性。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种拥堵预测方法、装置、设备及可读存储介质。
背景技术
近年来,我国城市道路交通拥堵日益严重,由此造成出行效率和可靠性的降低,受到交通管理决策者和研究者的普遍关注。
为了解决交通拥堵的问题,现有技术一般是先预测是否会发生拥堵,然后将拥堵信息告知将要经过拥堵点的车辆,以供相关车辆绕行,从而减轻拥堵。
现有技术中,一般是通过在各路段设置传感器感知路况和环境,包括车流量、天气等,并以此为基础预测拥堵,但这种方式成本较高;另一种方式是通过历史数据进行统计分析得到道路拥堵规律,基于此预测未来的交通拥堵状况,但这种方式准确性较低;还有一种是以道路交通情况,包括车流量、车流速以及车流密度等参数,结合机器学习或深度学习算法等进行拥堵预测,这种方式受训练效果的影响较大,训练效果不佳时,预测的准确性较低。
发明内容
本发明提供一种拥堵预测方法、装置、设备及可读存储介质,旨在解决现有技术中存在的上述问题。
第一方面,本发明提供一种拥堵预测方法,所述拥堵预测方法包括:
确定多个车团,并确定每个车团的速度;
基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;
若存在,则确定存在拥堵。
可选的,所述确定车团的步骤包括:
以每辆车作为每个车团;
重复执行将与每个车团中任一台车辆的距离小于预设距离且行驶方向的角度小于预设角度的车辆加入每个车团的步骤,直至每个车团包括的车辆数量不再增加为止;
重复执行将相似度大于或等于预设相似度的两个车团合并为一个车团的步骤,直至任意两个车团相似度小于预设相似度为止,得到多个车团。
可选的,所述确定车团的步骤包括:
确定与每辆车辆的行驶方向的角度小于预设角度的第一车辆,从第一车辆中确定与每辆车辆距离最短的第二车辆,将每辆车辆以及对应的第二车辆作为一个车团;
重复执行将包含相同车辆的两个车团合并为一个车团的步骤,直至任意两个车团不含包相同车辆为止,得到多个车团。
可选的,所述得到多个车团的步骤包括:
将得到的多个车团中车辆数量大于或等于预设阈值的车团作为最终确定的多个车团。
可选的,所述确定每个车团的速度的步骤包括:
以每个车团中任一车辆的速度作为其所属车团的速度。
可选的,所述确定每个车团的速度的步骤包括:
以每个车团中所有车辆的平均速度作为其所属车团的速度。
可选的,在所述若存在,则确定存在拥堵的步骤之后,还包括:
发送不同的指导速率至所述至少两个车团中的各个车团;
或,发送绕路通知至所述至少两个车团中的一个或多个车团;
或发送不同的指导速率至所述至少两个车团中的部分车团,发送绕路通知至所述至少两个车团中除所述部分车团以外的其他车团。
第二方面,本发明还提供一种拥堵预测装置,所述拥堵预测装置包括:
车团确定模块,用于确定多个车团,并确定每个车团的速度;
检测模块,用于基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;
拥堵确定模块,用于若存在,则确定存在拥堵。
第三方面,本发明还提供一种拥堵预测设备,所述拥堵预测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的拥堵预测程序,其中所述拥堵预测程序被所述处理器执行时,实现如上所述的拥堵预测方法的步骤。
第四方面,本发明还提供一种可读存储介质,所述可读存储介质上存储有拥堵预测程序,其中所述拥堵预测程序被处理器执行时,实现如上所述的拥堵预测方法的步骤。
本发明中,确定多个车团,并确定每个车团的速度;基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;若存在,则确定存在拥堵。通过本发明,以车团为基础,当存在至少两个车团在同一时刻到达同一位置时,确定存在拥堵,提高了拥堵预测的准确性。
附图说明
图1为本发明实施例方案中涉及的拥堵预测设备的硬件结构示意图;
图2为本发明拥堵预测方法一实施例的流程示意图;
图3为本发明拥堵预测方法一实施例中的行车场景示意图;
图4为本发明拥堵预测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
第一方面,本发明实施例提供一种拥堵预测设备。
参照图1,图1为本发明实施例方案中涉及的拥堵预测设备的硬件结构示意图。本发明实施例中,拥堵预测设备可以包括处理器1001(例如中央处理器Central ProcessingUnit,CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WI-FI接口);存储器1005可以是高速随机存取存储器(random accessmemory,RAM),也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及拥堵预测程序。其中,处理器1001可以调用存储器1005中存储的拥堵预测程序,并执行本发明实施例提供的拥堵预测方法。
第二方面,本发明实施例提供了一种拥堵预测方法。
参照图2,图2为本发明拥堵预测方法一实施例的流程示意图。如图2所示,一实施例中,拥堵预测方法包括:
步骤S10,确定多个车团,并确定每个车团的速度;
本实施例中,对一车辆而言,在t1时刻获取车辆的位置,经过预设时长(例如30s),再次获取该车辆的位置,根据两次获取的位置,即可得到该车辆的速度,其中速度包括该车辆的行驶速率以及行驶方向。对道路上的每辆车辆均做上述处理,即可得到每辆车辆的速度,从而将行驶方向接近且距离较近的车辆划分到同一车团,如此,即可将在道路上行驶的车辆分为多个车团。
容易理解的是,本实施例是为了对拥堵进行预测,现实生活中,容易出现拥堵的位置一般是路口处,因此,可以是以路口为中心点,以要经过该路口的车辆为基础,进行车团划分。其中,可以根据各个车辆的导航规划路径确定车辆是否会经过该路口。当然,也可以是以道路上的所有车辆为基础,进行车团划分。
进一步地,一实施例中,所述确定车团的步骤包括:
以每辆车作为每个车团;重复执行将与每个车团中任一台车辆的距离小于预设距离且行驶方向的角度小于预设角度的车辆加入每个车团的步骤,直至每个车团包括的车辆数量不再增加为止;重复执行将相似度大于或等于预设相似度的两个车团合并为一个车团的步骤,直至任意两个车团相似度小于预设相似度为止,得到多个车团。
本实施例中,假设当前需要以车辆1~n为基础进行车辆划分,首先获取每辆车辆的位置以及行驶方向;然后以每辆车辆为一个车团,则车团1包括车辆1,车团2包括车辆2,车团3包括车辆3,依次类推。对于车团1而言,初始仅包含车辆1,在车辆2至n中查找与车辆1的距离小于预设距离,且与车辆1的行驶方向的角度小于预设角度的其他车辆,例如其他车辆为车辆2至7,则将车辆2至7加入车团1,此时,车团1包括车辆1至7;然后继续在车辆8至n中查找与当前的车团1中任一车辆的距离小于预设距离,且与车辆1的行驶方向的角度小于预设角度的其他车辆,并将其他车辆加入当前的车团1,重复上述流程,直至车团1包括的车辆数量不再增加为止。对车团2至n而言,按照相同的方式进行更新,在此不做赘述。
基于上述方式,得到车团1至n,然后计算每两个车团的相似度,并将相似度大于预设相似度的两个车团合并为一个车团,并重复执行基于相似度进行车团合并的步骤,直至任意两个车团相似度小于预设相似度为止,即可得到多个车团。
其中,预设距离根据实际情况进行设置,例如设置为5米,在此不做限制;预设角度根据实际情况进行设置,例如设置为30°,在此不做限制;预设相似度根据实际情况进行设置,例如设置为70%,在此不做限制。
两个车团的相似度定义为:两个车团共有车辆的数量/车辆数量较多的那个车团的车辆数量,比如车团1包括车辆ABCD,车团2包括车辆ABCDE,共有车辆为ABCD,数量为4,除以车辆数量较多的车团的车辆数量5,相似度为80%。
进一步地,一实施例中,所述确定车团的步骤包括:
确定与每辆车辆的行驶方向的角度小于预设角度的第一车辆,从第一车辆中确定与每辆车辆距离最短的第二车辆,将每辆车辆以及对应的第二车辆作为一个车团;重复执行将包含相同车辆的两个车团合并为一个车团的步骤,直至任意两个车团不含包相同车辆为止,得到多个车团。
本实施例中,假设当前需要以车辆1~n为基础进行车辆划分,首先获取每辆车辆的位置以及行驶方向。
对于车辆1,从车辆2至n中查找与车辆1的行驶方向的角度小于预设角度的第一车辆,容易理解的是,若有多台车辆的行驶方向与车辆1的行驶方向所形成的的角度小于预设角度,则将多台车辆作为第一车辆;然后,再从第一车辆中确定与车辆1距离最短的第二车辆,若第一车辆只包含一台车辆,则直接将该第一车辆作为车辆1对应的第二车辆,并将车辆1与其对应的第二车辆作为一个车团,记为车团1;若第一车辆包含p台车辆,且p台车辆中有q台车辆与车辆1的距离最短且相等,则以这q台车辆作为车辆1对应的第二车辆,并将车辆1与其对应的第二车辆作为一个车团,记为车团1。对于车辆2至n按照同样的方式进行处理,即可得到车团2至n。
然后,将车团1至n两两比较,若任意两个车团包含至少一个相同车辆,则将这两个车团进行合并为一个车团。例如,将车团1与车团3合并,将车团2与5合并,将车团4与6合并等等。再将当前得到的车团两两比较,若任意两个车团包含至少一个相同车辆,则将这两个车团进行合并为一个车团。重复执行两两比较以及合并的流程,直至任意两个车团不含包相同车辆为止,得到多个车团。
进一步地,一实施例中,所述得到多个车团的步骤包括:
将得到的多个车团中车辆数量大于或等于预设阈值的车团作为最终确定的多个车团。
本实施例中,容易理解的是,若得到的多个车团中存在车辆数量很少的车团,例如车团i中只有较少的车辆,这样的车团即使相遇也不会导致拥堵,因此,在得到多个车团后,还需要进一步确定各个车团包含的车辆数量,并将车辆数量大于或等于预设阈值的车团作为最终确定的多个车团。
通过本实施例,可以提高拥堵预测的准确性。
步骤S20,基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;
本实施例中,假设当前得到的车团为车团1至m。基于每个车团的速度,由于速度包含行驶速率和行驶方向,首先,根据行驶方向,确定是否存在至少两个车团有交汇点。参照图3,图3为本发明拥堵预测方法一实施例中的行车场景示意图。如图3所示,根据车团1和车团2的行驶方向可确定两车团有交汇点,即存在相遇的可能。若相遇则容易导致拥堵,因此进一步根据车团1的当前位置以及行驶速率,计算得到车团1到达交汇点所需要的时长1;同时,根据车团2的当前位置以及行驶速率,计算得到车团2到达交汇点所需要的时长2;比较时长1和时长2,若时长1等于时长2或两者相差小于预设时长,则确定两车团会相遇,即存在至少两个车团在同一时刻到达同一位置。
步骤S30,若存在,则确定存在拥堵。
本实施例中,若存在至少两个车团在同一时刻到达同一位置,即说明大量车辆会交汇,则确定存在拥堵。
本实施例中,确定多个车团,并确定每个车团的速度;基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;若存在,则确定存在拥堵。通过本实施例,以车团为基础,当存在至少两个车团在同一时刻到达同一位置时,确定存在拥堵,提高了拥堵预测的准确性。
进一步地,一实施例中,所述确定每个车团的速度的步骤包括:
以每个车团中任一车辆的速度作为其所属车团的速度。
本实施例中,对任意车团而言,若需要确定该车团的速度,可以从该车团中随机选择一台车辆,并以该车辆的速度作为该车团的速度。其中,速度包括行驶方向以及行驶速率。
进一步地,一实施例中,所述确定每个车团的速度的步骤包括:
以每个车团中所有车辆的平均速度作为其所属车团的速度。
本实施例中,对任意车团而言,若需要确定该车团的速度,则获取该车团中每台车辆的速度,然后求平均值,得到平均速度,并以平均速度作为该车团的速度。其中,速度包括行驶方向以及行驶速率。
进一步地,一实施例中,在步骤S30之后,还包括:
发送不同的指导速率至所述至少两个车团中的各个车团;
或,发送绕路通知至所述至少两个车团中的一个或多个车团;
或发送不同的指导速率至所述至少两个车团中的部分车团,发送绕路通知至所述至少两个车团中除所述部分车团以外的其他车团。
本实施例中,若检测到车团1、车团2、车团3在同一时刻到达同一位置,则发送指导速率1至车团1,发送指导速率2至车团2,发送指导速率3至车团3,这样能避免三个车团同一时刻到达同一位置,从而避免了拥堵。还可以是,发送绕路通知至车团1,或发送绕路通知至车团1和车团2,这样也可以避免三个车团同一时刻到达同一位置,从而避免了拥堵。还可以是,发送指导速率1至车团1,发送指导速率2至车团2,发送绕路通知至车团3,这样也可以避免三个车团同一时刻到达同一位置,从而避免了拥堵。
第三方面,本发明实施例还提供一种拥堵预测装置。
参照图4,图4为本发明拥堵预测装置一实施例的功能模块示意图。如图4所示,拥堵预测装置包括:
车团确定模块10,用于确定多个车团,并确定每个车团的速度;
检测模块20,用于基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;
拥堵确定模块30,用于若存在,则确定存在拥堵。
进一步地,一实施例中,车团确定模块10,用于:
以每辆车作为每个车团;
重复执行将与每个车团中任一台车辆的距离小于预设距离且行驶方向的角度小于预设角度的车辆加入每个车团的步骤,直至每个车团包括的车辆数量不再增加为止;
重复执行将相似度大于或等于预设相似度的两个车团合并为一个车团的步骤,直至任意两个车团相似度小于预设相似度为止,得到多个车团。
进一步地,一实施例中,车团确定模块10,用于:
确定与每辆车辆的行驶方向的角度小于预设角度的第一车辆,从第一车辆中确定与每辆车辆距离最短的第二车辆,将每辆车辆以及对应的第二车辆作为一个车团;
重复执行将包含相同车辆的两个车团合并为一个车团的步骤,直至任意两个车团不含包相同车辆为止,得到多个车团。
进一步地,一实施例中,车团确定模块10,用于:
将得到的多个车团中车辆数量大于或等于预设阈值的车团作为最终确定的多个车团。
进一步地,一实施例中,车团确定模块10,用于:
以每个车团中任一车辆的速度作为其所属车团的速度。
进一步地,一实施例中,车团确定模块10,用于:
以每个车团中所有车辆的平均速度作为其所属车团的速度。
进一步地,一实施例中,拥堵预测装置还包括通知模块,用于:
发送不同的指导速率至所述至少两个车团中的各个车团;
或,发送绕路通知至所述至少两个车团中的一个或多个车团;
或发送不同的指导速率至所述至少两个车团中的部分车团,发送绕路通知至所述至少两个车团中除所述部分车团以外的其他车团。
其中,上述拥堵预测装置中各个模块的功能实现与上述拥堵预测方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
第四方面,本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有拥堵预测程序,其中所述拥堵预测程序被处理器执行时,实现如上述的拥堵预测方法的步骤。
其中,拥堵预测程序被执行时所实现的方法可参照本发明拥堵预测方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种拥堵预测方法,其特征在于,所述拥堵预测方法包括:
确定多个车团,并确定每个车团的速度;
所述确定多个车团的步骤包括:
以每辆车作为每个车团;
重复执行将与每个车团中任一台车辆的距离小于预设距离且行驶方向的角度小于预设角度的车辆加入每个车团的步骤,直至每个车团包括的车辆数量不再增加为止;
重复执行将相似度大于或等于预设相似度的两个车团合并为一个车团的步骤,直至任意两个车团相似度小于预设相似度为止,得到多个车团;
基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;
若存在,则确定存在拥堵。
2.如权利要求1所述的拥堵预测方法,其特征在于,所述确定多个车团的步骤包括:
确定与每辆车辆的行驶方向的角度小于预设角度的第一车辆,从第一车辆中确定与每辆车辆距离最短的第二车辆,将每辆车辆以及对应的第二车辆作为一个车团;
重复执行将包含相同车辆的两个车团合并为一个车团的步骤,直至任意两个车团不含包相同车辆为止,得到多个车团。
3.如权利要求1或2所述的拥堵预测方法,其特征在于,所述得到多个车团的步骤包括:
将得到的多个车团中车辆数量大于或等于预设阈值的车团作为最终确定的多个车团。
4.如权利要求1所述的拥堵预测方法,其特征在于,所述确定每个车团的速度的步骤包括:
以每个车团中任一车辆的速度作为其所属车团的速度。
5.如权利要求1所述的拥堵预测方法,其特征在于,所述确定每个车团的速度的步骤包括:
以每个车团中所有车辆的平均速度作为其所属车团的速度。
6.如权利要求2、4以及5中任一项所述的拥堵预测方法,其特征在于,在所述若存在,则确定存在拥堵的步骤之后,还包括:
发送不同的指导速率至所述至少两个车团中的各个车团;
或,发送绕路通知至所述至少两个车团中的一个或多个车团;
或发送不同的指导速率至所述至少两个车团中的部分车团,发送绕路通知至所述至少两个车团中除所述部分车团以外的其他车团。
7.一种拥堵预测装置,其特征在于,所述拥堵预测装置包括:
车团确定模块,用于确定多个车团,并确定每个车团的速度;
车团确定模块,用于:
以每辆车作为每个车团;
重复执行将与每个车团中任一台车辆的距离小于预设距离且行驶方向的角度小于预设角度的车辆加入每个车团的步骤,直至每个车团包括的车辆数量不再增加为止;
重复执行将相似度大于或等于预设相似度的两个车团合并为一个车团的步骤,直至任意两个车团相似度小于预设相似度为止,得到多个车团;
检测模块,用于基于每个车团的速度检测是否存在至少两个车团在同一时刻到达同一位置;
拥堵确定模块,用于若存在,则确定存在拥堵。
8.一种拥堵预测设备,其特征在于,所述拥堵预测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的拥堵预测程序,其中所述拥堵预测程序被所述处理器执行时,实现如权利要求1至6中任一项所述的拥堵预测方法的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有拥堵预测程序,其中所述拥堵预测程序被处理器执行时,实现如权利要求1至6中任一项所述的拥堵预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497094.XA CN112598907B (zh) | 2020-12-17 | 2020-12-17 | 拥堵预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497094.XA CN112598907B (zh) | 2020-12-17 | 2020-12-17 | 拥堵预测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598907A CN112598907A (zh) | 2021-04-02 |
CN112598907B true CN112598907B (zh) | 2021-12-07 |
Family
ID=75199102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011497094.XA Active CN112598907B (zh) | 2020-12-17 | 2020-12-17 | 拥堵预测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598907B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102959598A (zh) * | 2010-06-29 | 2013-03-06 | 本田技研工业株式会社 | 堵车预测装置 |
CN106441336A (zh) * | 2016-10-29 | 2017-02-22 | 安徽省艾佳信息技术有限公司 | 一种基于道路拥堵的导航系统 |
CN107194497A (zh) * | 2017-04-27 | 2017-09-22 | 北京交通大学 | 一种突发事件下城市轨道交通乘客出行路径规划方法 |
CN107240252A (zh) * | 2017-05-05 | 2017-10-10 | 长安大学 | 一种交叉口的主动式车辆调度方法 |
CN107293110A (zh) * | 2017-07-25 | 2017-10-24 | 维沃移动通信有限公司 | 一种车队控制方法及终端 |
JP2018010454A (ja) * | 2016-07-13 | 2018-01-18 | 株式会社日立製作所 | 混雑度予測装置、混雑度予測情報配信システム、および混雑度予測方法 |
CN108447291A (zh) * | 2018-04-03 | 2018-08-24 | 南京锦和佳鑫信息科技有限公司 | 一种智能道路设施系统及控制方法 |
JP2018180906A (ja) * | 2017-04-12 | 2018-11-15 | 富士通株式会社 | 混雑予測プログラム、混雑予測装置、及び混雑予測方法 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
CN109385940A (zh) * | 2018-10-26 | 2019-02-26 | 淮阴工学院 | 基于交通波理论的左转掉头口距停止线长度的设计方法 |
CN109767030A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 道路拥堵检测方法、装置、计算机设备及存储介质 |
CN109887279A (zh) * | 2019-02-26 | 2019-06-14 | 北京隆普智能科技有限公司 | 一种交通拥堵预测方法及系统 |
CN110083802A (zh) * | 2019-04-12 | 2019-08-02 | 重庆邮电大学 | 基于多目标回归的高速公路收费站车流量大数据预测方法 |
CN110782654A (zh) * | 2019-02-22 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 拥堵区域通行能力估测方法、装置及数据处理设备 |
CN111192451A (zh) * | 2019-12-26 | 2020-05-22 | 深圳信息职业技术学院 | 车辆到达时间的预测方法、装置、计算机设备及存储介质 |
CN111508227A (zh) * | 2020-03-30 | 2020-08-07 | 广东方纬科技有限公司 | 交通数据处理方法、信号灯控制方法、装置和存储介质 |
CN111768612A (zh) * | 2020-07-10 | 2020-10-13 | 江苏智能交通及智能驾驶研究院 | 基于c-v2x的车辆编队行驶策略控制方法 |
CN111810280A (zh) * | 2020-04-26 | 2020-10-23 | 东风商用车有限公司 | Dpf碳载量预警的系统 |
CN112068571A (zh) * | 2020-09-28 | 2020-12-11 | 四川紫荆花开智能网联汽车科技有限公司 | 一种用于无人驾驶的车辆编队系统和方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112015019249A2 (pt) * | 2013-03-08 | 2017-07-18 | Honda Motor Co Ltd | método de detecção de indicação de congestionamento, programa, e dispositivo de detecção de indicação de congestionamento |
RU2016100024A (ru) * | 2013-06-06 | 2017-07-14 | Общество С Ограниченной Ответственностью "Яндекс" | Способ создания компьютеризированной модели и способ (варианты) определения значений степени загруженности дорог в отношении географической области |
US9443425B2 (en) * | 2014-11-06 | 2016-09-13 | Myine Electronics, Inc. | Methods and systems for destination congestion avoidance |
KR20160126296A (ko) * | 2015-04-23 | 2016-11-02 | 에스케이텔레콤 주식회사 | 경로안내장치 및 그 동작 방법 |
DE102015217793A1 (de) * | 2015-09-17 | 2017-03-23 | Volkswagen Aktiengesellschaft | Vorrichtung, Verfahren und Computerprogramm zum Bereitstellen von Stauinformation über eine Fahrzeug-zu-Fahrzeug-Schnittstelle |
CN105631793B (zh) * | 2015-12-18 | 2020-01-14 | 华南理工大学 | 一种车流拥堵中车辆群自主协同调度的智能疏导方法 |
US10643084B2 (en) * | 2017-04-18 | 2020-05-05 | nuTonomy Inc. | Automatically perceiving travel signals |
CN110415511B (zh) * | 2018-04-28 | 2021-08-13 | 杭州海康威视数字技术股份有限公司 | 车辆信息管理方法、装置及存储介质 |
CN111833593B (zh) * | 2019-04-18 | 2022-12-27 | 北京京东乾石科技有限公司 | 控制车辆的方法和装置,及由车辆执行的控制方法和车辆 |
CN109920263B (zh) * | 2019-04-22 | 2021-01-19 | 爱驰汽车有限公司 | 分叉路口提醒方法、系统、设备及存储介质 |
CN110321973B (zh) * | 2019-07-23 | 2023-07-21 | 南京信息工程大学 | 一种基于视觉的组合车辆检测方法 |
CN111439261B (zh) * | 2020-05-12 | 2023-07-21 | 吉林大学 | 一种用于智能车群主动换道功能的车流量计算系统 |
CN111583668B (zh) * | 2020-05-27 | 2021-12-28 | 阿波罗智联(北京)科技有限公司 | 交通拥堵检测方法、装置、电子设备和存储介质 |
CN111723854B (zh) * | 2020-06-08 | 2023-08-29 | 杭州像素元科技有限公司 | 一种高速公路交通拥堵检测方法、设备及可读存储介质 |
CN111860396A (zh) * | 2020-07-28 | 2020-10-30 | 江苏中设集团股份有限公司 | 识别归纳车辆当前区域拥堵状况的方法 |
CN111866810B (zh) * | 2020-07-30 | 2022-06-24 | 广东工业大学 | 一种车联网频谱分配方法及设备 |
CN112069944B (zh) * | 2020-08-25 | 2024-04-05 | 青岛海信网络科技股份有限公司 | 一种道路拥堵等级确定方法 |
-
2020
- 2020-12-17 CN CN202011497094.XA patent/CN112598907B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102959598A (zh) * | 2010-06-29 | 2013-03-06 | 本田技研工业株式会社 | 堵车预测装置 |
JP2018010454A (ja) * | 2016-07-13 | 2018-01-18 | 株式会社日立製作所 | 混雑度予測装置、混雑度予測情報配信システム、および混雑度予測方法 |
CN106441336A (zh) * | 2016-10-29 | 2017-02-22 | 安徽省艾佳信息技术有限公司 | 一种基于道路拥堵的导航系统 |
JP2018180906A (ja) * | 2017-04-12 | 2018-11-15 | 富士通株式会社 | 混雑予測プログラム、混雑予測装置、及び混雑予測方法 |
CN107194497A (zh) * | 2017-04-27 | 2017-09-22 | 北京交通大学 | 一种突发事件下城市轨道交通乘客出行路径规划方法 |
CN107240252A (zh) * | 2017-05-05 | 2017-10-10 | 长安大学 | 一种交叉口的主动式车辆调度方法 |
CN107293110A (zh) * | 2017-07-25 | 2017-10-24 | 维沃移动通信有限公司 | 一种车队控制方法及终端 |
CN108447291A (zh) * | 2018-04-03 | 2018-08-24 | 南京锦和佳鑫信息科技有限公司 | 一种智能道路设施系统及控制方法 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
CN109385940A (zh) * | 2018-10-26 | 2019-02-26 | 淮阴工学院 | 基于交通波理论的左转掉头口距停止线长度的设计方法 |
CN109767030A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 道路拥堵检测方法、装置、计算机设备及存储介质 |
CN110782654A (zh) * | 2019-02-22 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 拥堵区域通行能力估测方法、装置及数据处理设备 |
CN109887279A (zh) * | 2019-02-26 | 2019-06-14 | 北京隆普智能科技有限公司 | 一种交通拥堵预测方法及系统 |
CN110083802A (zh) * | 2019-04-12 | 2019-08-02 | 重庆邮电大学 | 基于多目标回归的高速公路收费站车流量大数据预测方法 |
CN111192451A (zh) * | 2019-12-26 | 2020-05-22 | 深圳信息职业技术学院 | 车辆到达时间的预测方法、装置、计算机设备及存储介质 |
CN111508227A (zh) * | 2020-03-30 | 2020-08-07 | 广东方纬科技有限公司 | 交通数据处理方法、信号灯控制方法、装置和存储介质 |
CN111810280A (zh) * | 2020-04-26 | 2020-10-23 | 东风商用车有限公司 | Dpf碳载量预警的系统 |
CN111768612A (zh) * | 2020-07-10 | 2020-10-13 | 江苏智能交通及智能驾驶研究院 | 基于c-v2x的车辆编队行驶策略控制方法 |
CN112068571A (zh) * | 2020-09-28 | 2020-12-11 | 四川紫荆花开智能网联汽车科技有限公司 | 一种用于无人驾驶的车辆编队系统和方法 |
Non-Patent Citations (4)
Title |
---|
Forecast Upcoming Traffic States by Exploiting Nearest Junctions and Big Data;Md. Akter Hossain;《2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT)》;20191219;1-7 * |
信号交叉口的交通流参数研究;吴晓霞;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20171215;C034-1213 * |
基于出入流率匹配的区域交通拥挤测度与控制研究;马亚锋;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20181015;C034-21 * |
自动驾驶车辆交叉口协调控制策略;冯琦;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180215;C034-946 * |
Also Published As
Publication number | Publication date |
---|---|
CN112598907A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945507B (zh) | 行程时间预测方法及装置 | |
US11847573B2 (en) | Predicting user state using machine learning | |
CN107972670B (zh) | 车辆虚拟地图 | |
Chen et al. | Discovering popular routes from trajectories | |
US20100010733A1 (en) | Route prediction | |
Karmakar et al. | Assessing trust level of a driverless car using deep learning | |
JP6944472B2 (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
CN111179589B (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
CN112037518A (zh) | 一种用于预测交通状态的计算方法、系统及车辆 | |
CN108074008B (zh) | 一种预测拥堵路段的方法及装置 | |
CN112328719A (zh) | 一种路径信息显示方法、装置、终端及存储介质 | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
CN112598907B (zh) | 拥堵预测方法、装置、设备及可读存储介质 | |
CN113108806A (zh) | 路径规划方法、装置、设备及介质 | |
CN110057377B (zh) | 路径导航方法及相关产品 | |
CN114743385B (zh) | 车辆处理方法、装置及计算机设备 | |
CN110793531A (zh) | 道路匹配的方法、装置以及可读存储介质 | |
CN113724490B (zh) | 一种道路拥堵检测的方法 | |
US20220207993A1 (en) | Method, apparatus, and system for verifying a lane closure using probe data | |
CN114780646A (zh) | 车辆处理方法、装置、计算机设备及存储介质 | |
CN113483775A (zh) | 路径预测方法及装置、电子设备及计算机可读存储介质 | |
CN111814114A (zh) | 车道定位校验的方法、设备、电子设备、车辆及存储介质 | |
CN114746918A (zh) | 使用热图来检测单向驾驶的系统和方法 | |
CN113639759B (zh) | 导航方法和导航装置 | |
CN115892076B (zh) | 车道障碍物筛选方法、装置和域控制器 |
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 |