CN112950934A - 一种道路拥堵原因识别方法 - Google Patents

一种道路拥堵原因识别方法 Download PDF

Info

Publication number
CN112950934A
CN112950934A CN202110109654.8A CN202110109654A CN112950934A CN 112950934 A CN112950934 A CN 112950934A CN 202110109654 A CN202110109654 A CN 202110109654A CN 112950934 A CN112950934 A CN 112950934A
Authority
CN
China
Prior art keywords
congestion
road
traffic
vector
node
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.)
Pending
Application number
CN202110109654.8A
Other languages
English (en)
Inventor
李长乐
岳文伟
薛楠
陈越
计星怡
沙子凡
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202110109654.8A priority Critical patent/CN112950934A/zh
Publication of CN112950934A publication Critical patent/CN112950934A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种道路拥堵原因识别方法，主要解决现有方法忽略交通要素因果关系，不适用于大范围路网的问题。其实现方案为：基于梯度增强决策树GBDT法，根据容易获取的车道数量、交通流量和信号控制策略多个交通因素得到其相对应的解释变量，利用变量对路网的性能进行建模，并对模型进行训练测试及参数优化，使用优化后的模型预测路网中的平均车速，并基于该模型对影响路网性能的各个因素进行排序，从而识别出导致交通拥塞的根本原因。本发明利用梯度增强决策树的方法来观测路网中各种因素对道路拥堵的贡献，找到引发拥堵的因素，有效识别出造成交通拥堵的原因，且结果准确可靠。

Description

一种道路拥堵原因识别方法
技术领域
本发明属于智能交通技术领域，涉及道路拥堵原因判别，具体为一种道路拥堵原因识别方法，可用于识别道路拥堵的根本原因并提出解决方法，为缓解交通拥堵提供指导。
背景技术
交通承载的是一个城市的生命力，是其文明的重要标志。当今社会经济飞速发展，城镇化持续推进，因此交通需求也飞速增长，交通已经成为了制约社会发展的一个瓶颈。在交通问题中，拥堵问题的影响最为严重。拥堵直接提升了社会运作的时间成本，加剧能源浪费，造成空气污染，导致隐形的经济损失。所以，解决交通拥堵问题成为当前社会发展的一个重要举措。
当前交通拥堵现象愈发严重。而造成拥堵的原因却不尽相同，最主要的两方面是道路容量不足和交通控制方案不合理。当前针对交通拥堵的研究主要是基于拥塞传播的现象来展开的，拥塞现象的产生常常是由交通瓶颈而引发的，瓶颈路段交通状态的不断恶化会蔓延到其他相邻路段并导致这些路段的拥塞。随着交通拥塞在交通网络中的传播，在特定条件下会导致整个交通网络的瘫痪，影响交通网络的整体运行效率。因此，在道路网络规划中，识别交通网络中由于路网拓扑规划不合理、不同路段通行能力与道路容量不匹配、交通控制方案(如红绿灯协调管理)不合理等原因引起的交通瓶颈，可以为交通设施改善方案提供依据并采取相应措施缓解交通堵塞。
针对道路交通瓶颈识别的研究，目前常见的方法有以下两种：第一种是基于道路车辆平均速度在交通瓶颈处上下流的差异识别方法，该方法利用路段的空间关系，将道路网络中的路段分为多个长度相同的部分，比较各部分路段车辆平均速度的差异，并识别出车辆平均速度下降最多的路段作为交通瓶颈。第二种则是将道路网络中首先发生拥塞的路段视作交通瓶颈，该方法统计道路网络中各路段拥塞的起止时间，比较各路段拥塞的时间先后关系，并将各路段中首先发生拥塞的路段当作交通瓶颈，从而实现道路网络中交通瓶颈的识别。然而，这些方法都是从拥塞的时间关系或空间关系来入手的，并未考虑交通要素的因果关系，无法直接用于大范围路网中解决实际交通问题。所以在面对交通环境中路网结构复杂的场景时，现有方法并不适用。
在名称为“基于拥塞传播分析的道路瓶颈识别方法及其系统”的专利文献(申请号：CN201810040761.8，公开号：CN108062860A)中，提出了一种通过采集、处理拥塞时间构建树形结构有向图，再分解有向图形成交通拥塞树并进行权重分配，根据Markov模型分析后计算各顶点的综合权重值来确定交通拥塞瓶颈。该方法虽然能够有效识别交通拥塞瓶颈，然而其不足之处在于：忽略了交叉路口交通拥塞的影响，仅能将交通拥塞成因定位于具体路段。
发明内容
本发明目的在于针对上述现有技术的不足，提出一种道路拥堵原因识别方法，利用交通要素之间的因果关系，即利用控制变量法来观测路网中各种因素对拥堵的贡献，从而获知道路交通拥堵的根本原因。
本发明的基本思路是：利用基于梯度增强决策树GBDT的方法，根据容易获取的车道数、信号控制策略和交通流等因素，得到其相对应的解释变量，利用变量对路网的性能进行建模，通过构建得到的模型来预测路网中的平均车速，并基于该模型对影响路网性能的各个因素进行排序，从而识别出导致交通拥塞的根本原因。
本发明实现上述目的具体步骤如下：
(1)输入苏福尔斯市道路网络数据样本构建数据集，记输入样本的预测变量为x、标签为y；
Figure BDA0002916426000000021
其中，
Figure BDA0002916426000000022
分别表示车道数量向量、交通流量向量和信号控制策略向量；
(2)根据梯度增强决策树GBDT法构建拥堵原因识别模型，步骤如下：
(2a)假设F是基于一组预测变量x对标签y的逼近；采用最小二乘误差函数作为损失函数L(y,F)：
Figure BDA0002916426000000023
(2b)将数据集随机划分为训练集和测试集两部分，利用训练集构建输入空间R，遍历数据集中每个特征的所有可能切分点，将输入空间R分割为J个回归树叶子节点区域{R1m,R2m,…,Rjm,…,RJm}，其中j＝1,2,…,J，m＝1,2,...,M，M为最大迭代次数；得到每棵决策树表达式，即弱学习器hm(x)如下：
Figure BDA0002916426000000031
其中，bjm表示预测回归树叶子节点区域Rjm的相应常值；I＝0或1，表示对决策树的判定；若预测变量x∈Rjm，则I＝1，否则I＝0；
(2c)对弱学习器hm(x)迭代出M个不同的回归树，并按照下式得到强学习器Fm(x)：
Figure BDA0002916426000000032
其中，Fm-1(x)表示第m-1棵决策树对应的强学习器，ρm表示梯度下降步长；
(2d)当标签y与强学习器Fm(x)的残差
Figure BDA0002916426000000033
为负梯度时，在每个回归树叶子节点区域中通过计算最佳拟合值γm，得到最佳分割γjm；
(2e)根据最佳分割γjm对强学习器Fm(x)表达式进行变形，得到拥堵原因识别模型：
Figure BDA0002916426000000034
其中，ξ表示学习率；
(3)利用测试集对拥堵原因识别模型进行机器学习测试，得到模型测试结果；
(4)以决定系数R2作为本模型的评价标准，根据测试结果选择使R2最接近1的学习率ξ作为最优学习率，得到优化后的拥堵原因识别模型；
(5)使用优化后的拥堵原因识别模型对实际道路网络进行拥堵原因识别，最终获知道路拥堵原因。
本发明与现有技术相比，具有如下优点：
第一、由于本发明考虑了各个交通要素之间的因果关系，从而在面对交通环境中路网结构复杂的大范围路网场景时，也能够识别出引发交通拥堵的具体原因；
第二、由于本发明采用基于梯度增强决策树GBDT机器学习方法构建拥堵原因识别模型，使其适用于复杂路网时可以不断修正参数进行拟合，从而在对影响路网性能的各因素进行排序后，得到更为准确的排序结果，即识别出导致交通拥塞的根本原因；
第三、由于本发明以交通仿真SUMO为样本对不同交通流条件下的十字路口信号控制策略和路段车道数进行机器学习训练和测试，得到适用于各种交通情况的识别模型，利用该模型对实际道路网络进行拥堵原因识别与平均车速预测，从而获得更为准确的识别结果。
附图说明
图1为本发明的实现流程图。
图2为本发明中的苏福尔斯市道路网络示意图。
具体实施方式
以下结合附图和实施例，对本发明作进一步详细描述：
参照附图1，本发明提出的一种道路拥堵原因识别方法，包括如下步骤：
步骤1：输入苏福尔斯市道路网络数据样本构建数据集，记输入样本的预测变量为x、标签为y。输入样本的预测变量x为一个向量，其包含交通流量、每条边的车道数量和每个十字路口的信号控制策略。交通流量矩阵S、车道数量矩阵A和控制策略向量
Figure BDA0002916426000000041
中分别包含有元素spq、apq和np；将每个十字路口记为一个节点，spq表示从节点p到节点q路段的交通流量；apq表示从节点p到节点q的车道数，取值范围为1-3；np表示节点p的信号控制策略，在无控制时np＝0.1、固定时间控制时np＝0.5、响应控制时np＝1；其中p和q为两个不同节点。将车道数量矩阵A、交通流量矩阵S展平并与信号控制策略向量
Figure BDA0002916426000000042
拼接得到预测变量x的表达式：
Figure BDA0002916426000000043
其中，
Figure BDA0002916426000000044
分别表示车道数量向量、交通流量向量和信号控制策略向量；车道数量矩阵A、交通流量矩阵S分别对应车道数量向量
Figure BDA0002916426000000045
交通流量向量
Figure BDA0002916426000000046
可进行相互转换。标签y表示路网各仿真步骤平均速度的均值。
步骤2：使用梯度增强决策树GBDT机器学习方法，按照如下方式构建拥堵原因识别模型：
(2a)假设F是基于一组预测变量x对标签y的逼近；采用最小二乘误差函数作为损失函数L(y,F)：
Figure BDA0002916426000000051
(2b)将数据集随机划分为训练集和测试集两部分，利用训练集构建输入空间R，遍历数据集中每个特征的所有可能切分点，将输入空间R分割为J个回归树叶子节点区域{R1m,R2m,…,Rjm,…,RJm}，其中j＝1,2,…,J，m＝1,2,...,M，M为最大迭代次数；得到每棵决策树表达式，即弱学习器hm(x)如下：
Figure BDA0002916426000000052
其中，bjm表示预测回归树叶子节点区域Rjm的相应常值；I＝0或1，表示对决策树的判定；若预测变量x∈Rjm，则I＝1，否则I＝0；
(2c)对弱学习器hm(x)迭代出M个不同的回归树h1(x),…,hM(x)，并按照下式得到强学习器Fm(x)表达式如下：
Figure BDA0002916426000000053
其中，Fm-1(x)表示第m-1棵决策树对应的强学习器，ρm表示梯度下降步长；
梯度下降步长ρm计算公式如下：
Figure BDA0002916426000000054
其中，L(yi,Fm-1(xi))表示数据集中的第i个数据的损失函数，ρ表示初始步长；
(2d)当标签y与强学习器Fm(x)的残差
Figure BDA0002916426000000055
为负梯度时，在每个回归树叶子节点区域中通过计算最佳拟合值γm，得到最佳分割γjm；即当满足条件
Figure BDA0002916426000000056
时，在每个区域Rjm中通过
Figure BDA0002916426000000057
找到最佳分割γjm；
(2e)根据最佳分割γjm对强学习器Fm(x)表达式进行变形，得到拥堵原因识别模型：
Figure BDA0002916426000000061
其中，ξ表示学习率。
步骤3：利用测试集对拥堵原因识别模型进行机器学习测试，得到模型测试结果。
步骤4：以决定系数R2作为本模型的评价标准，根据步骤3仿真结果对模型参数进行优化，选择使R2最接近1的学习率ξ作为最优学习率，得到优化后的拥堵原因识别模型。
梯度增强决策树逐步建立模型，通过最小化某一损失函数的值来更新参数。为了防止过度学习，提高模型的性能，选择较小学习率以更好地最小化损失函数，并限制每个子树的复杂性，最终获得一个良好的成本效益模型。通过选择参数组合，获得性能最优的梯度增强决策树GBDT模型，即拥堵原因识别模型。
步骤5：使用优化后的拥堵原因识别模型对实际道路网络进行拥堵原因识别，最终获知道路拥堵原因；具体按照如下方式进行：
(5.1)计算预测变量x中各个向量对决策树中单棵回归树T的影响
Figure BDA0002916426000000062
Figure BDA0002916426000000063
其中，J为回归树叶子节点数量，J-1即为回归树的非叶子节点数量，v(t)是和节点t相关联的特征，
Figure BDA0002916426000000064
是节点t分裂之后平方损失的减少值，k＝a,s,n表示影响因素为车道数量、交通流量或信号控制策略；
(5.2)计算预测变量x对全部回归树
Figure BDA0002916426000000065
的影响
Figure BDA0002916426000000066
Figure BDA0002916426000000067
其中，Tm表示第m棵回归树；
(5.3)对
Figure BDA0002916426000000068
按照由大到小的顺序进行排序，根据排序结果确定预测变量x中车道数量向量
Figure BDA0002916426000000069
交通流量向量
Figure BDA00029164260000000610
和信号控制策略向量
Figure BDA00029164260000000611
的相对重要性，其中排序最靠前的向量对应的影响因素即为导致道路拥堵的原因。
下面结合仿真实验对本发明的效果作进一步的说明。
1.仿真条件：
本发明的仿真实验在SUMO软件环境下进行。
2.仿真内容：
a)输入目标路网基于苏福尔斯市、南达科他、美国(76年道路网络边缘和24路口)；
b)选定目标路段；
c)设定初始参数，启动仿真并记录结果；
d)更改参数获得不同道路情况下的仿真结果；
e)训练GBDT构建的拥堵原因识别模型并对影响因素的相对权重进行排序，对对拥堵原因进行判断。
仿真实验步骤具体如下：
1)在SUMO仿真软件中初始化指定路段的容量和交通灯相位。初始的道路容量设定为双向两车道，交通灯初始相位设定为绿灯相位10秒，红灯相位10秒。
2)在路网中生成随机车流。使车流的起点在路网中均匀分布，终点同样均匀分布。
3)在初始状态下启动交通仿真，每隔0.5秒记录一次路网中的车辆平均速度，画出速度-时间变化图graph1；
4)改变指定路段的道路容量(车道数)，从双向两车道变成双向四车道，交通灯相位配时不变，再次启动仿真，每隔0.5秒记录一次路网中车辆的平均速度，画出速度-时间变化图graph2；
5)继续改变指定路段的道路容量(车道数)，从双向四车道变为双向六车道，交通灯相位配时不变，再次启动仿真，每隔0.5秒记录一次路网中车辆的平均速度，画出速度-时间变化图graph3。
6)基于步骤graph3的结果，在该指定车道的来车车道上放置探测线圈，在交通灯固定相位和固定配时的条件下检测该路段红灯相位时车辆平均排队长度L1和相垂直的路段的红灯车辆平均排队长度L2(在仿真中取十次实验的平均值)，改变交通灯相位配时，使两条路段各自绿灯相位之比为
Figure BDA0002916426000000071
基于此种逻辑，启动仿真，每隔0.5秒记录一次路网中的车辆平均速度，画出速度-时间变化图graph4。
7)基于graph4的结果，在该指定车道的来车车道上放置探测线圈，在交通灯固定相位和固定配时的条件下检测该路段红灯相位时车辆平均排队长度L3和相垂直的路段的红灯车辆平均排队长度L4(在仿真中取十次实验的平均值)，改变交通灯相位配时，使两条路段各自绿灯相位之比为
Figure BDA0002916426000000081
基于此种逻辑，启动仿真，每隔0.5秒记录一次路网中的车辆平均速度，画出速度-时间变化图graph5。
8)基于graph5的结果，在该指定车道的来车车道上放置探测线圈，在交通灯固定相位和固定配时的条件下检测该路段红灯相位时车辆平均排队长度L5和相垂直的路段的红灯车辆平均排队长度L6(在仿真中取十次实验的平均值)，改变交通灯相位配时，使两条路段各自绿灯相位之比为
Figure BDA0002916426000000082
基于此种逻辑，启动仿真，每隔0.5秒记录一次路网中的车辆平均速度，画出速度-时间变化图graph6。
3.仿真结果：
我们选取苏福尔斯市道路网络图中的22号路口进行实验，按照仿真内容步骤对其参数进行调整并启动仿真，得到与利用拥堵原因识别模型进行识别相一致的结果，即交通灯是造成该路段拥堵的主要原因，符合实际情况。
上述仿真分析证明了本发明所提方法的正确性与有效性。
本发明未详细说明部分属于本领域技术人员公知常识。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (7)

1.一种道路拥堵原因识别方法，其特征在于，包括如下步骤：
(1)输入苏福尔斯市道路网络数据样本构建数据集，记输入样本的预测变量为x、标签为y；
Figure FDA0002916425990000011
其中，
Figure FDA0002916425990000012
分别表示车道数量向量、交通流量向量和信号控制策略向量；
(2)根据梯度增强决策树GBDT法构建拥堵原因识别模型，步骤如下：
(2a)假设F是基于一组预测变量x对标签y的逼近；采用最小二乘误差函数作为损失函数L(y,F)：
Figure FDA0002916425990000013
(2b)将数据集随机划分为训练集和测试集两部分，利用训练集构建输入空间R，遍历数据集中每个特征的所有可能切分点，将输入空间R分割为J个回归树叶子节点区域{R1m,R2m,…,Rjm,…,RJm}，其中j＝1,2,…,J，m＝1,2,...,M，M为最大迭代次数；得到每棵决策树表达式，即弱学习器hm(x)如下：
Figure FDA0002916425990000014
其中，bjm表示预测回归树叶子节点区域Rjm的相应常值；I＝0或1，表示对决策树的判定；若预测变量x∈Rjm，则I＝1，否则I＝0；
(2c)对弱学习器hm(x)迭代出M个不同的回归树，并按照下式得到强学习器Fm(x)：
Figure FDA0002916425990000015
其中，Fm-1(x)表示第m-1棵决策树对应的强学习器，ρm表示梯度下降步长；
(2d)当标签y与强学习器Fm(x)的残差
Figure FDA0002916425990000021
为负梯度时，在每个回归树叶子节点区域中通过计算最佳拟合值γm，得到最佳分割γjm；
(2e)根据最佳分割γjm对强学习器Fm(x)表达式进行变形，得到拥堵原因识别模型：
Figure FDA0002916425990000022
其中，ξ表示学习率；
(3)利用测试集对拥堵原因识别模型进行机器学习测试，得到模型测试结果；
(4)以决定系数R2作为本模型的评价标准，根据测试结果选择使R2最接近1的学习率ξ作为最优学习率，得到优化后的拥堵原因识别模型；
(5)使用优化后的拥堵原因识别模型对实际道路网络进行拥堵原因识别，最终获知道路拥堵原因。
2.根据权利要求1所述方法，其特征在于：步骤(1)中预测变量x的表达式是将车道数量矩阵A、交通流量矩阵S展平并与信号控制策略向量
Figure FDA0002916425990000023
拼接得到，其中车道数量矩阵A、交通流量矩阵S分别对应车道数量向量
Figure FDA0002916425990000024
交通流量向量
Figure FDA0002916425990000025
可进行相互转换。
3.根据权利要求2所述方法，其特征在于：交通流量矩阵S、车道数量矩阵A和控制策略向量
Figure FDA0002916425990000026
中包含的元素分别为spq、apq和np；将每个十字路口记为一个节点，spq表示从节点p到节点q路段的交通流量；apq表示从节点p到节点q的车道数，取值范围为1-3；np表示节点p的信号控制策略，在无控制时np＝0.1、固定时间控制时np＝0.5、响应控制时np＝1；其中p和q为两个不同节点。
4.根据权利要求1所述方法，其特征在于：步骤(1)中标签y表示路网各仿真步骤平均速度的均值。
5.根据权利要求1所述方法，其特征在于：步骤(2c)中的梯度下降步长ρm计算公式如下：
Figure FDA0002916425990000031
其中，L(yi,Fm-1(xi))表示数据集中的第i个数据的损失函数，ρ表示初始步长。
6.根据权利要求1所述方法，其特征在于：步骤(2d)中最佳拟合值γm，按照下式计算得到：
Figure FDA0002916425990000032
其中，γ表示初始分割。
7.根据权利要求1所述方法，其特征在于：步骤(5)中拥堵原因识别，按照如下方式进行：
(5.1)计算预测变量x中各个向量对决策树中单棵回归树T的影响
Figure FDA0002916425990000033
Figure FDA0002916425990000034
其中，J为回归树叶子节点数量，J-1即为回归树的非叶子节点数量，v(t)是和节点t相关联的特征，
Figure FDA0002916425990000035
是节点t分裂之后平方损失的减少值，k＝a,s,n表示影响因素为车道数量、交通流量或信号控制策略；
(5.2)计算预测变量x对全部回归树
Figure FDA0002916425990000036
的影响
Figure FDA0002916425990000037
Figure FDA0002916425990000038
其中，Tm表示第m棵回归树；
(5.3)对
Figure FDA0002916425990000041
按照由大到小的顺序进行排序，根据排序结果确定预测变量x中车道数量向量
Figure FDA0002916425990000042
交通流量向量
Figure FDA0002916425990000043
和信号控制策略向量
Figure FDA0002916425990000044
的相对重要性，其中排序最靠前的向量对应的影响因素即为导致道路拥堵的原因。
CN202110109654.8A 2021-01-26 2021-01-26 一种道路拥堵原因识别方法 Pending CN112950934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110109654.8A CN112950934A (zh) 2021-01-26 2021-01-26 一种道路拥堵原因识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110109654.8A CN112950934A (zh) 2021-01-26 2021-01-26 一种道路拥堵原因识别方法

Publications (1)

Publication Number Publication Date
CN112950934A true CN112950934A (zh) 2021-06-11

Family

ID=76237691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110109654.8A Pending CN112950934A (zh) 2021-01-26 2021-01-26 一种道路拥堵原因识别方法

Country Status (1)

Country Link
CN (1) CN112950934A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333315A (zh) * 2021-12-29 2022-04-12 杭州海康威视数字技术股份有限公司 一种车辆异常滞留诊断方法、装置及设备
CN114852135A (zh) * 2022-07-08 2022-08-05 八维通科技有限公司 基于大数据的类轨道交通行驶预测方法
CN116050672A (zh) * 2023-03-31 2023-05-02 山东银河建筑科技有限公司 基于人工智能的城市管理方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797768A (zh) * 2020-07-06 2020-10-20 华侨大学 一种城市道路交通拥堵多原因自动实时识别方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797768A (zh) * 2020-07-06 2020-10-20 华侨大学 一种城市道路交通拥堵多原因自动实时识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈越: "Root Cause Identification for Road Network Congestion Using the Gradient Boosting Decision Trees", 《IEEE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333315A (zh) * 2021-12-29 2022-04-12 杭州海康威视数字技术股份有限公司 一种车辆异常滞留诊断方法、装置及设备
CN114852135A (zh) * 2022-07-08 2022-08-05 八维通科技有限公司 基于大数据的类轨道交通行驶预测方法
CN114852135B (zh) * 2022-07-08 2022-10-04 八维通科技有限公司 基于大数据的类轨道交通行驶预测方法
CN116050672A (zh) * 2023-03-31 2023-05-02 山东银河建筑科技有限公司 基于人工智能的城市管理方法及系统

Similar Documents

Publication Publication Date Title
CN112950934A (zh) 一种道路拥堵原因识别方法
CN108364467B (zh) 一种基于改进型决策树算法的路况信息预测方法
CN109754597B (zh) 一种城市道路区域拥堵调控策略推荐系统及方法
CN112085947B (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN108062860B (zh) 基于拥塞传播分析的道路瓶颈识别方法及其系统
CN109598930B (zh) 一种自动检测高架封闭系统
CN112037539B (zh) 一种用于饱和城市交通网络的信控方案推荐方法及系统
CN111179592B (zh) 基于时空数据流融合分析的城市交通预测方法和系统
CN111241994A (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN112542049A (zh) 智慧交通综合管控平台
CN112991721A (zh) 基于图卷积网络节点关联度的城市路网交通速度预测方法
CN117173913B (zh) 基于不同时段车流量分析的交通控制方法及系统
CN116612120A (zh) 一种针对数据不平衡的两阶段式道路缺陷检测方法
CN115862322A (zh) 一种车辆可变限速控制优化方法、系统、介质及设备
CN116110234A (zh) 基于人工智能的车流量预测方法、装置及其应用
CN109784586A (zh) 车险的出险情况的预测方法及系统
CN116631203A (zh) 结合交通流预测与强化学习的自适应交通信号控制方法
CN113034940A (zh) 一种基于Fisher有序聚类的单点信号交叉口优化配时方法
CN117114220A (zh) 一种基于图神经网络的车辆调度算法
Zhang et al. Pavement crack detection based on deep learning
CN115907361A (zh) 人工智能大数据的道路建设规划方法、介质及电子设备
CN115565388A (zh) 基于多通道车辆检测与立体特征标注的交通灯控制方法
Yang et al. Forecasting model for urban traffic flow with BP neural network based on genetic algorithm
CN113191398A (zh) 一种基于改进Faster R-CNN的路面破损识别方法
CN113269156A (zh) 一种基于多尺度特征融合的信号灯检测识别方法及系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210611