CN112669596B - 一种基于大数据的交通安全态势判别系统及方法 - Google Patents
一种基于大数据的交通安全态势判别系统及方法 Download PDFInfo
- Publication number
- CN112669596B CN112669596B CN202011469683.7A CN202011469683A CN112669596B CN 112669596 B CN112669596 B CN 112669596B CN 202011469683 A CN202011469683 A CN 202011469683A CN 112669596 B CN112669596 B CN 112669596B
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- violation
- network
- safety situation
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的交通安全态势判别系统及方法,该系统包括车辆信息模块、违章信息模块、网络信息模块、安全态势判断模块,所述车辆信息模块用于获得该系统中的车辆信息数据,所述违章信息模块用于获得车辆历史违章信息数据,所述网络信息模块用于获得车辆网络上可使用的网络信息数据,所述安全态势判断模块用于生成当前交通安全态势的等级。本发明结合车辆信息、违章信息以及网络信息对数据进行分析,获取人为方面的交通安全态势,为交通安全态势判别提供一种具备高效性、实时性的参考方法。
Description
技术领域
本发明涉及城市道路交通安全技术领域,具体为一种基于大数据的交通安全态势判别系统及方法。
背景技术
随着城镇化、机动化进程的不断加速,道路交通事故的增长源不断增加,我国城市道路交通安全问题变得非常严峻,城市道路交通事故往往会导致交通拥堵,在交通拥堵的情况下,二次事故发生的可能性陡增,从而造成恶性循环。
与国外相比,我国的道路宽度明显更大,但是国外的车辆运行速度更快,交通运行的效率更高。通过比较统计同样等级的道路,国内国外道路的通行能力差距非常大。我国的道路没有把通行能力充分发挥出来,这在我国的大中小城市是非常普遍的现象,这里面涉及到管理问题、设计问题,和一定的规划问题。
交通事故的发生受到人、车、路、环境等等因素影响,具有很高的复杂性。而当前国内具备大量的交通收费数据、视频数据,其中,视频数据是现在体量最大的数据,且是典型的非结构化数据,目前还不能充分发挥它在交通安全方面的价值。
另外,手机和社交网络数据是被我们忽略的数据,实际上社交网络数据是大数据的重要组成部分,它提供了很多传统的大数据来源无法提供的,关于人类的情感、活动、社会关系这方面的信息。在大数据的帮助下我们有可能突破传统方法的技术瓶颈,实现城市路网的主动安全规划、主动安全设计和主动安全调控。
发明内容
本发明的目的在于提供一种基于大数据的交通安全态势判别系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的交通安全态势判别系统,包括车辆信息模块、违章信息模块、网络信息模块、安全态势判断模块,所述车辆信息模块用于获得该系统中的车辆信息数据,所述违章信息模块用于获得车辆历史违章信息数据,所述网络信息模块用于获得车辆网络上可使用的网络信息数据,所述安全态势判断模块用于生成当前交通安全态势的等级。
进一步的,所述车辆信息模块包括车牌信息采集单元、车辆速度采集单元、地理位置输出单元,所述车牌信息单元用于将车辆经过磁感线圈时拍摄的图像进行识别并输出车牌的信息数据,所述车辆速度采集单元用于获得车辆的速度数据并将此速度数据与车牌的信息数据绑定并输出,所述地理位置输出单元用于将拍摄地址的地理信息与车牌的信息数据绑定并输出。
进一步的,所述违章信息模块包括历史违章类型单元、历史违章频率单元,所述历史违章类型单元用于根据车辆车牌获取该车牌对应的历史违章信息,并将历史违章信息分为不同的违章类型,所述历史违章频率用于获得单位时间车辆不同违章类型的违章次数。
进一步的,所述网络信息模块包括网络线路采集单元、地理位置采集单元,所述网络线路采集单元用于通过爬虫技术获取网络上车辆导航的线路数据,所述地理位置采集单元用于获取车辆在网络上显示当前所处的地理位置信息。
进一步的,所述安全态势判断模块包括拥堵点判断单元、态势等级生成单元,所述拥堵点判断单元用于结合网络线路以及道路基础设施数据判断当前会出现拥堵点的具体位置,所述态势等级生成单元用于将将交通安全态势以图像的方式进行等级展示。
一种基于大数据的交通安全态势判别方法,所示方法包括以下步骤:
S1:车辆信息采集设备获取经过磁感线圈车辆的车牌信息、车速信息,并将以上信息绑定此车辆信息采集设备的地理位置信息输出,转步骤S2;
S2:运用网络爬虫获取车辆在网络上导航的线路信息以及当前车辆在网络上显示所处的地理位置信息,将步骤S1中车辆信息采集设备输出的地理位置信息与网络上显示当前所处的地理位置信息进行比对,比对相同时,将车牌信息以及车速信息与此车辆在网络上导航的线路信息进行绑定,转步骤S3;
S3:根据车辆车牌信息,从公安违章系统中获取该车牌的车辆公安违章信息,车辆公安违章信息包括违章车牌信息、违章时间信息、违章内容信息,将此车辆公安违章信息根据车牌信息与此车辆在网络上导航的线路信息进行绑定,最终生成单个车辆节点,所述单个车辆节点的描述特征包括车牌信息、车速信息、线路信息、违章时间信息、违章内容信息,转步骤S4;
S4:由单个车辆节点中的车速信息、线路信息结合道路基础设施信息,获取预测的拥堵点位置以及此拥堵点的范围,转步骤S5;
S5:当单个车辆节点进入预测拥堵点范围时,利用此车辆节点描述特征相应增加进入的拥堵点范围的安全态势价值度数值,当单个车辆节点离开预测拥堵点范围时,利用此车辆节点描述特征相应减少进入的拥堵点范围的安全态势价值度数值,转步骤S6;
S6:由拥堵点范围的安全态势价值度数值划分交通安全态势的动态等级。
进一步的,所述步骤S2中包括以下步骤:
S21:车辆信息采集设备输出的地理位置信息与网络上显示当前所处的地理位置信息进行比对,比对相同时,车辆信息采集设备输出在固定时间范围内获取的单个或者数个车牌信息,当车辆信息采集设备在固定时间范围内的车牌数量有且为一时,将此车牌信息与此车辆在网络上导航的线路信息进行绑定,当数量不为一时,转步骤S22;
S22:获取车辆在网络上导航的线路信息中下一个车辆信息采集设备输出的地理位置,由此车辆信息采集设备输出在固定时间范围内获取的单个或者数个车牌信息,将获取的数个车牌信息与步骤S21中获取的数个车牌信息进行查重,将重复的车牌信息与此车辆在网络上导航的线路信息进行绑定,转步骤S23;
S23:重复以上步骤S22,直至绑定完毕。
进一步的,所述步骤S4中获取拥堵点在时间T范围内的人员历史死亡数量为S,人员历史受重伤数量为Z,人员历史受轻伤数量为Q,道路宽度为K,道路复杂度为F,道路最大车流量为L,根据公式1:
其中D为此拥堵点的范围半径,a为历史死亡的权重系数,b为历史受重伤的权重系数,c为历史受轻伤的权重系数,d为范围半径转换系数。
进一步的,所述步骤S3中获取单个车辆节点在时间t范围内的累计记分总数为j,累计记分次数为p,车辆信息采集设备采集的车速为vi,车辆信息采集设备所处的限制车速为gi,单个车辆节点经过车辆信息采集设备的次数为n,车辆节点的安全系数为c,根据公式2:
其中Ux为单个节点车辆的安全态势价值度;
根据公式3:
其中S表示进入拥堵点的范围半径D的安全态势价值度数值总值,该安全态势价值度数值总值用于判断交通安全态势的动态等级。
与现有技术相比,本发明所达到的有益效果是:本发明结合车辆信息、违章信息以及网络信息对数据进行分析,实时获取单个人为方面的交通安全态势,并结合道路基础设施信息获得当前状况下预测可能存在的拥堵点位置和范围,从而获得总的人为交通安全态势为交通安全态势判别提供一种具备高效性、实时性的参考方法。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的模块与单元结构示意图;
图2是本发明的安全态势生成步骤示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1-2,本发明提供技术方案:
一种基于大数据的交通安全态势判别系统,包括车辆信息模块、违章信息模块、网络信息模块、安全态势判断模块,所述车辆信息模块用于获得该系统中的车辆信息数据,所述违章信息模块用于获得车辆历史违章信息数据,所述网络信息模块用于获得车辆网络上可使用的网络信息数据,所述安全态势判断模块用于生成当前交通安全态势的等级。
所述车辆信息模块包括车牌信息采集单元、车辆速度采集单元、地理位置输出单元,所述车牌信息单元用于将车辆经过磁感线圈时拍摄的图像进行识别并输出车牌的信息数据,所述车辆速度采集单元用于获得车辆的速度数据并将此速度数据与车牌的信息数据绑定并输出,所述地理位置输出单元用于将拍摄地址的地理信息与车牌的信息数据绑定并输出。
所述违章信息模块包括历史违章类型单元、历史违章频率单元,所述历史违章类型单元用于根据车辆车牌获取该车牌对应的历史违章信息,并将历史违章信息分为不同的违章类型,所述历史违章频率用于获得单位时间车辆不同违章类型的违章次数。
所述网络信息模块包括网络线路采集单元、地理位置采集单元,所述网络线路采集单元用于通过爬虫技术获取网络上车辆导航的线路数据,所述地理位置采集单元用于获取车辆在网络上显示当前所处的地理位置信息。
所述安全态势判断模块包括拥堵点判断单元、态势等级生成单元,所述拥堵点判断单元用于结合网络线路以及道路基础设施数据判断当前会出现拥堵点的具体位置,所述态势等级生成单元用于将将交通安全态势以图像的方式进行等级展示。
以上模块与单元的结构如图1所示。
一种基于大数据的交通安全态势判别方法,参照图2,所示方法包括以下步骤:
S1:车辆信息采集设备获取经过磁感线圈车辆的车牌信息、车速信息,并将以上信息绑定此车辆信息采集设备的地理位置信息输出,转步骤S2;
S2:运用网络爬虫获取车辆在网络上导航的线路信息以及当前车辆在网络上显示所处的地理位置信息,将步骤S1中车辆信息采集设备输出的地理位置信息与网络上显示当前所处的地理位置信息进行比对,比对相同时,将车牌信息以及车速信息与此车辆在网络上导航的线路信息进行绑定,转步骤S3;
步骤S2中通过网络爬虫技术实时从类似百度地图、腾讯地图等软件服务器中,获取大量车辆导航信息,主要获取的内容包括车辆的路线数据以及网络当前位置数据,再对比由步骤S1中车辆信息采集设备获取的车牌信息数据以及地理位置数据对路线数据对应的车牌信息数据进行锁定。
S3:根据车辆车牌信息,从公安违章系统中获取该车牌的车辆公安违章信息,车辆公安违章信息包括违章车牌信息、违章时间信息、违章内容信息,将此车辆公安违章信息根据车牌信息与此车辆在网络上导航的线路信息进行绑定,最终生成单个车辆节点,所述单个车辆节点的描述特征包括车牌信息、车速信息、线路信息、违章时间信息、违章内容信息,转步骤S4;
步骤S3中将每个车辆的人为因素信息进行整合,生成单个车辆节点,此节点为人为交通安全态势判别的最小元素,由此最小元素的描述特征分析处理可获得具备高效统计效果的安全态势判别结果。
S4:由单个车辆节点中的车速信息、线路信息结合道路基础设施信息,获取预测的拥堵点位置以及此拥堵点的范围,转步骤S5;
步骤S4中的道路基础设施信息包含道路的最大车流量数据,由车速信息和线路信息可预判当前单个节点的运动趋势,再结合道路的最大车流量数据,判断当前道路出现拥堵的可能性,当预测会出现拥堵时,再对此拥堵点的范围进行计算。
S5:当单个车辆节点进入预测拥堵点范围时,利用此车辆节点描述特征相应增加进入的拥堵点范围的安全态势价值度数值,当单个车辆节点离开预测拥堵点范围时,利用此车辆节点描述特征相应减少进入的拥堵点范围的安全态势价值度数值,转步骤S6;
S6:由拥堵点范围的安全态势价值度数值划分交通安全态势的动态等级。
所述步骤S2中包括以下步骤:
S21:车辆信息采集设备输出的地理位置信息与网络上显示当前所处的地理位置信息进行比对,比对相同时,车辆信息采集设备输出在固定时间范围内获取的单个或者数个车牌信息,当车辆信息采集设备在固定时间范围内的车牌数量有且为一时,将此车牌信息与此车辆在网络上导航的线路信息进行绑定,当数量不为一时,转步骤S22;
S22:获取车辆在网络上导航的线路信息中下一个车辆信息采集设备输出的地理位置,由此车辆信息采集设备输出在固定时间范围内获取的单个或者数个车牌信息,将获取的数个车牌信息与步骤S21中获取的数个车牌信息进行查重,将重复的车牌信息与此车辆在网络上导航的线路信息进行绑定,转步骤S23;
S23:重复以上步骤S22,直至绑定完毕。
因为实际网络延迟的问题,车辆信息采集设备输出地理位置信息与网络上显示当前所处的地理位置信息会存在不同步的情况,因此单纯的对比会导致锁定错误率过大,以上步骤S21至步骤S23提供了一种查重办法,目的在于多次比对来大幅度提高锁定准确率。
所述步骤S4中获取拥堵点在时间T范围内的人员历史死亡数量为S,人员历史受重伤数量为Z,人员历史受轻伤数量为Q,道路宽度为K,道路复杂度为F,道路最大车流量为L,根据公式1:
其中D为此拥堵点的范围半径,a为历史死亡的权重系数,b为历史受重伤的权重系数,c为历史受轻伤的权重系数,d为范围半径转换系数,拥堵点的范围半径用于反映该拥堵点发生事故的大致范围,其范围越大则单个车辆节点的数据就会相应变多,模拟实际状况中拥堵越为严重则二次发生的可能性也会越大的情况,其大小由公式1中右侧数据数值大小决定,因为历史死亡数量价值大于人员历史受重伤数量的价值,人员历史受重伤数量的价值大于人员历史受轻伤数量的价值,所以公式1中a>b>c,所述道路复杂度由当前道路的类型判断获得。
所述步骤S3中获取单个车辆节点在时间t范围内的累计记分总数为j,累计记分次数为p,车辆信息采集设备采集的车速为vi,车辆信息采集设备所处的限制车速为gi,单个车辆节点经过车辆信息采集设备的次数为n,车辆节点的安全系数为c,根据公式2:
其中Ux为单个节点车辆的安全态势价值度,此安全态势价值度是为了通过从车辆信息采集设备方面、公安违章方面对于单个节点车辆发生事故的可能性大小进行定义,gi为车辆信息采集设备所处的限制车速,其数值大小由人工进行大小定义或者由实际道路状况判断,其目的在于确定一个正常速度的阈值,公式2中的车辆节点的安全系数由网络爬虫通过网络获取通讯设备使用状况获得,当无法获取时其数值为一,若可以获取则通讯设备使用频率越高则安全系数越大;
根据公式3:
经由以上公式1至公式3获得范围半径D的安全态势价值度数值总值,其中S表示进入拥堵点的范围半径D的安全态势价值度数值总值,该安全态势价值度数值总值用于判断交通安全态势的动态等级。
本发明的工作原理:
本发明结合车辆信息、违章信息以及网络信息对数据进行分析,将以上数据转化为具备描述特征的单个车辆节点,以此实时获取单个人为方面的交通安全态势,并结合道路基础设施信息模拟获得当前状况下预测可能存在的拥堵点位置和范围,从而预测总的人为交通安全态势,为交通安全态势判别提供一种具备高效性、实时性的参考方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据的交通安全态势判别方法,其特征在于:所示方法包括以下步骤:
S1:车辆信息采集设备获取经过磁感线圈车辆的车牌信息、车速信息,并将以上信息绑定此车辆信息采集设备的地理位置信息输出,转步骤S2;
S2:运用网络爬虫获取车辆在网络上导航的线路信息以及当前车辆在网络上显示所处的地理位置信息,将步骤S1中车辆信息采集设备输出的地理位置信息与网络上显示当前所处的地理位置信息进行比对,比对相同时,将车牌信息以及车速信息与此车辆在网络上导航的线路信息进行绑定,转步骤S3;
S3:根据车辆车牌信息,从公安违章系统中获取该车牌的车辆公安违章信息,车辆公安违章信息包括违章车牌信息、违章时间信息、违章内容信息,将此车辆公安违章信息根据车牌信息与此车辆在网络上导航的线路信息进行绑定,最终生成单个车辆节点,所述单个车辆节点的描述特征包括车牌信息、车速信息、线路信息、违章时间信息、违章内容信息,转步骤S4;
S4:由单个车辆节点中的车速信息、线路信息结合道路基础设施信息,获取预测的拥堵点位置以及此拥堵点的范围,转步骤S5;
S5:当单个车辆节点进入预测拥堵点范围时,利用此车辆节点描述特征相应增加进入的拥堵点范围的安全态势价值度数值,当单个车辆节点离开预测拥堵点范围时,利用此车辆节点描述特征相应减少进入的拥堵点范围的安全态势价值度数值,转步骤S6;
S6:由拥堵点范围的安全态势价值度数值划分交通安全态势的动态等级;
所述步骤S2中包括以下步骤:
S21:车辆信息采集设备输出的地理位置信息与网络上显示当前所处的地理位置信息进行比对,比对相同时,车辆信息采集设备输出在固定时间范围内获取的单个或者数个车牌信息,当车辆信息采集设备在固定时间范围内的车牌数量有且为一时,将此车牌信息与此车辆在网络上导航的线路信息进行绑定,当数量不为一时,转步骤S22;
S22:获取车辆在网络上导航的线路信息中下一个车辆信息采集设备输出的地理位置,由此车辆信息采集设备输出在固定时间范围内获取的单个或者数个车牌信息,将获取的数个车牌信息与步骤S21中获取的数个车牌信息进行查重,将重复的车牌信息与此车辆在网络上导航的线路信息进行绑定,转步骤S23;
S23:重复以上步骤S22,直至绑定完毕;
所述步骤S4中获取拥堵点在时间T范围内的人员历史死亡数量为S,人员历史受重伤数量为Z,人员历史受轻伤数量为Q,道路宽度为K,道路复杂度为F,道路最大车流量为L,根据公式1:
其中D为此拥堵点的范围半径,a为历史死亡的权重系数,b为历史受重伤的权重系数,c为历史受轻伤的权重系数,d为范围半径转换系数;
所述步骤S3中获取单个车辆节点在时间t范围内的累计记分总数为j,累计记分次数为p,车辆信息采集设备采集的车速为vi,车辆信息采集设备所处的限制车速为gi,单个车辆节点经过车辆信息采集设备的次数为n,车辆节点的安全系数为c,根据公式2:
其中Ux为单个节点车辆的安全态势价值度;
根据公式3:
其中S表示进入拥堵点的范围半径D的安全态势价值度数值总值,该安全态势价值度数值总值用于判断交通安全态势的动态等级。
2.一种执行如权利要求1所述的基于大数据的交通安全态势判别方法的基于大数据的交通安全态势判别系统,包括车辆信息模块、违章信息模块、网络信息模块、安全态势判断模块,其特征在于:所述车辆信息模块用于获得该系统中的车辆信息数据,所述违章信息模块用于获得车辆历史违章信息数据,所述网络信息模块用于获得车辆网络上可使用的网络信息数据,所述安全态势判断模块用于生成当前交通安全态势的等级。
3.根据权利要求2所述的基于大数据的交通安全态势判别系统,其特征在于:所述车辆信息模块包括车牌信息采集单元、车辆速度采集单元、地理位置输出单元,所述车牌信息单元用于将车辆经过磁感线圈时拍摄的图像进行识别并输出车牌的信息数据,所述车辆速度采集单元用于获得车辆的速度数据并将此速度数据与车牌的信息数据绑定并输出,所述地理位置输出单元用于将拍摄地址的地理信息与车牌的信息数据绑定并输出。
4.根据权利要求2所述的一种基于大数据的交通安全态势判别系统,其特征在于:所述违章信息模块包括历史违章类型单元、历史违章频率单元,所述历史违章类型单元用于根据车辆车牌获取该车牌对应的历史违章信息,并将历史违章信息分为不同的违章类型,所述历史违章频率用于获得单位时间车辆不同违章类型的违章次数。
5.根据权利要求2所述的一种基于大数据的交通安全态势判别系统,其特征在于:所述网络信息模块包括网络线路采集单元、地理位置采集单元,所述网络线路采集单元用于通过爬虫技术获取网络上车辆导航的线路数据,所述地理位置采集单元用于获取车辆在网络上显示当前所处的地理位置信息。
6.根据权利要求2所述的一种基于大数据的交通安全态势判别系统,其特征在于:所述安全态势判断模块包括拥堵点判断单元、态势等级生成单元,所述拥堵点判断单元用于结合网络线路以及道路基础设施数据判断当前会出现拥堵点的具体位置,所述态势等级生成单元用于将将交通安全态势以图像的方式进行等级展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011469683.7A CN112669596B (zh) | 2020-12-14 | 2020-12-14 | 一种基于大数据的交通安全态势判别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011469683.7A CN112669596B (zh) | 2020-12-14 | 2020-12-14 | 一种基于大数据的交通安全态势判别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669596A CN112669596A (zh) | 2021-04-16 |
CN112669596B true CN112669596B (zh) | 2023-01-24 |
Family
ID=75405812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011469683.7A Active CN112669596B (zh) | 2020-12-14 | 2020-12-14 | 一种基于大数据的交通安全态势判别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669596B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662143B (zh) * | 2022-11-21 | 2023-04-14 | 吉林大学 | 一种公交企业运营安全态势动态预测系统及方法 |
CN116824864B (zh) * | 2023-08-28 | 2023-11-21 | 山东微笑集成科技有限公司 | 一种灵活配置可视化接入的政务数据处理系统 |
CN117315945B (zh) * | 2023-11-30 | 2024-03-01 | 长春汽车工业高等专科学校 | 一种基于大数据的交通碰撞事故车辆救援方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19905284A1 (de) * | 1998-02-19 | 1999-09-09 | Ddg Ges Fuer Verkehrsdaten Mbh | Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung |
JP2008040600A (ja) * | 2006-08-02 | 2008-02-21 | Xanavi Informatics Corp | 統計交通情報生成方法、統計交通情報生成装置およびカーナビゲーション装置 |
JP2011013893A (ja) * | 2009-07-01 | 2011-01-20 | Nissan Motor Co Ltd | 情報提供システム、情報センタ、車載装置及び情報提供方法 |
CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警系统及其方法 |
CN108288384A (zh) * | 2018-02-09 | 2018-07-17 | 杨茂君 | 机动车智能管理大数据平台系统 |
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 |
CN110648528A (zh) * | 2019-09-10 | 2020-01-03 | 烟台市公路事业发展中心 | 一种智慧公路管理系统 |
CN110687562A (zh) * | 2019-09-12 | 2020-01-14 | 华为技术有限公司 | 一种定位方法及车载装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI534764B (zh) * | 2014-01-10 | 2016-05-21 | 財團法人工業技術研究院 | 車輛定位裝置與方法 |
CN106781592B (zh) * | 2017-01-04 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 一种基于大数据的交通导航系统及方法 |
US20200250968A1 (en) * | 2019-01-31 | 2020-08-06 | International Business Machines Corporation | Traffic congestion estimation |
CN111798579B (zh) * | 2020-07-29 | 2021-07-23 | 贵州汇联通电子商务服务有限公司 | 一种基于etc龙门架的高速公路拥堵预测方法及系统 |
-
2020
- 2020-12-14 CN CN202011469683.7A patent/CN112669596B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19905284A1 (de) * | 1998-02-19 | 1999-09-09 | Ddg Ges Fuer Verkehrsdaten Mbh | Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung |
JP2008040600A (ja) * | 2006-08-02 | 2008-02-21 | Xanavi Informatics Corp | 統計交通情報生成方法、統計交通情報生成装置およびカーナビゲーション装置 |
JP2011013893A (ja) * | 2009-07-01 | 2011-01-20 | Nissan Motor Co Ltd | 情報提供システム、情報センタ、車載装置及び情報提供方法 |
CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警系统及其方法 |
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 |
CN108288384A (zh) * | 2018-02-09 | 2018-07-17 | 杨茂君 | 机动车智能管理大数据平台系统 |
CN110648528A (zh) * | 2019-09-10 | 2020-01-03 | 烟台市公路事业发展中心 | 一种智慧公路管理系统 |
CN110687562A (zh) * | 2019-09-12 | 2020-01-14 | 华为技术有限公司 | 一种定位方法及车载装置 |
Non-Patent Citations (3)
Title |
---|
基于大数据的智慧交通态势分析平台设计与实现;车辉;《广播电视网络》;20200728;全文 * |
基于属性识别理论的快速路交通安全态势评估方法研究;吴杰;《城市道桥与防洪》;20191215(第12期);全文 * |
基于短时交通流预测的道路拥堵判断研究;喻博;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669596A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112669596B (zh) | 一种基于大数据的交通安全态势判别系统及方法 | |
CN111341095B (zh) | 一种基于边缘侧在线计算的交通信号控制系统及方法 | |
CN103258430B (zh) | 路段旅行时间统计、以及交通路况判定方法和装置 | |
CN106507315B (zh) | 基于网络社交媒体数据的城市交通事故预测方法和系统 | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN101751782A (zh) | 一种基于多源信息融合的十字路口交通事件自动检测系统 | |
CN104464321A (zh) | 一种基于交通运行指数发展态势的智能交通诱导方法 | |
CN114022988B (zh) | 一种基于人工智能的访客信息管理验证系统及方法 | |
CN105719510B (zh) | 车联网环境下道路交通事故链阻断系统的效率评价方法 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN111667204A (zh) | 自动驾驶开放测试道路环境风险度确定、分级方法及系统 | |
CN105303831A (zh) | 一种基于通信数据判断高速路拥堵情况的方法 | |
CN105509758A (zh) | 一种基于移动终端的线路规划方法、系统及移动终端 | |
CN101656021A (zh) | 一种路况的判别方法、系统及交通信息处理系统 | |
Lu et al. | Analyzing the evolution of rare events via social media data and k-means clustering algorithm | |
CN101551940A (zh) | 城市快速道路交通状态判别与发布系统及其方法 | |
CN106558217A (zh) | 一种获取路边停车场信息的方法、装置及服务器 | |
CN105118310A (zh) | 一种基于视频的单点自优化信号控制方法及装置 | |
CN113256978A (zh) | 一种城市拥堵地区的诊断方法、系统及储存介质 | |
CN108876075A (zh) | 城市轨道交通站点地区宜步行性评价方法 | |
Liu et al. | Internet of things based solutions for transport network vulnerability assessment in intelligent transportation systems | |
CN110139278A (zh) | 车联网下安全型防御合谋攻击的系统及其方法 | |
CN112598305B (zh) | 基于局域结构流量的城市路网重要节点识别方法 | |
CN110428617A (zh) | 一种基于5g便携式智能终端及mec的交通对象识别方法 | |
CN112884194A (zh) | 基于信号交叉口运行状况的可变车道切换与信号配时方法 |
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 |