CN113129582A - 一种交通状态预测方法及装置 - Google Patents
一种交通状态预测方法及装置 Download PDFInfo
- Publication number
- CN113129582A CN113129582A CN201911407245.5A CN201911407245A CN113129582A CN 113129582 A CN113129582 A CN 113129582A CN 201911407245 A CN201911407245 A CN 201911407245A CN 113129582 A CN113129582 A CN 113129582A
- Authority
- CN
- China
- Prior art keywords
- road
- traffic
- bearing capacity
- traffic state
- road section
- 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
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
-
- 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
- G08G1/07—Controlling traffic signals
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种交通状态预测方法和装置，计算相邻下游路段在下一预测时间长度内的交通量；获取所述相邻下游路段的道路等级；基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态,所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。基于所述一种交通状态预测方法和装置，本申请还提供了一种控制潮汐车道的方法和装置。通过互联网技术并应用交通大数据分析手段，从当前路段车流量和基于历史数据道路承载力两个维度，实现对于未来路段到达交通量的短时动态预测后的道路交通状态预报。
Description
技术领域
本发明涉及交通出行技术领域，特别是涉及一种交通状态预测方法及装置。
背景技术
传统交通预测是指交通现象各要素之间以及交通现象与社会经济活动各因素之间相互关系的定量描述，由大量的人工调查统计数据，通过数理统计等数学方法建立。通常有输入端和输出端：输入端为已知因素，即自变量；输出端为拟推算或拟预测的交通状态，即应变量。人工观测需要大量人力和经费，而且不能长期连续观测；基于历史数据平均值预测未来时间段(同月份/同星期)交通状态由于未考虑真实世界当前路段车辆行驶速度，造成短时预测结果精度差甚至无法预测。
图1示出了现有技术中交通状态预测方法，具体为：获取同比时间段(月份或者星期)路段历史交通状态，基于历史数据平均值预测未来时间段(同月份或同星期)的交通状态，输出路段的交通状态。从上述现有技术中的交通状态预测方法可以看出，由于其未考虑真实世界当前路段车辆行驶速度，造成短时预测结果精度差甚至无法预测。
发明内容
为解决上述现有传统技术存在的缺陷，需要提供一种基于导航数据定义道路承载力下的交通状态预测方法及装置，为不同道路等级在不同时段的交通态势演变奠定数据基础。
为解决上述技术问题，作为本发明的第一个方面，提供了一种交通状态预测方法，包括如下步骤：
计算相邻下游路段在下一预测时间长度内的交通量；
获取所述相邻下游路段的道路等级；
基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态,所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
进一步地，所述方法还包括：
获取交通状态预测时间长度；
获取当前路段的当前实际导航用户数量，所述相邻下游路段是所述当前路段的相邻下游路段；
获取在当前交通状态下通过所述当前路段的旅行时间；
所述计算相邻下游路段在下一预测时间长度内的交通量具体为：
基于所述交通状态预测时间长度、所述当前路段的当前实际导航用户数量和所述通过当前路段的旅行时间，计算所述相邻下游路段在下一预测时间长度内的交通量。
进一步地，所述基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态具体为：
选择与所述道路等级匹配的承载力数据表；
查找所述交通量所属的道路能承载的交通量区间值，来获得所述交通量所对应的导航用户承载力；
以获得的所述导航用户承载力所对应的道路交通状态作为所述相邻下游路段的交通状态。
进一步地，所述方法还包括：
生成每一个道路等级下的所述承载力数据表，具体为：
设定不同道路等级的交通状态划分规则；
获取不同道路等级的导航用户数量历史数据；
基于所述交通状态划分规则和所述导航用户数量历史数据，计算不同道路等级的不同交通状态下的导航用户承载力；
基于所述计算的不同道路等级的不同交通状态下的导航用户承载力，生成不同道路等级的道路交通状态和导航用户承载力的对应关系表，作为承载力数据表。
进一步地，所述交通状态划分规则所划分的交通状态包括：畅通、缓行、拥堵、严重拥堵。
进一步地，所述道路等级包括：高速路、快速路、主干道、次干道、支路。
进一步地，所述方法还包括：输出计算后的交通状态。
进一步地，所述方法还包括：将计算后的所述交通状态发送到终端，所述终端显示所述交通状态。
本发明还提供了一种交通状态预测方法，包括如下步骤：
发送交通状态预测请求；
接收与当前路段相邻下游路段的交通状态，所述相邻下游路段的交通状态是基于交通量和承载力数据表计算的，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
本发明还提供了一种控制潮汐车道的方法，基于所述交通状态预测方法对道路的交通状态进行预测，根据预测后的所述道路的交通状态进行潮汐车道控制。
本发明还提供了一种交通状态预测装置，所述装置包括交通量预测模块、获取模块一和交通状态预测模块；
所述交通量预测模块，用于计算相邻下游路段在下一预测时间长度内的交通量；
所述获取模块一，用于获取所述相邻下游路段的道路等级；
所述交通状态预测模块，用于基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态,所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
进一步地，所述装置还包括：
获取模块二，用于获取交通状态预测时间长度；
获取模块三，用于获取当前路段的当前实际导航用户数量，所述相邻下游路段是所述当前路段的相邻下游路段；
获取模块四，用于获取在当前交通状态下通过所述当前路段的旅行时间；
所述交通量预测模块，具体用于基于所述交通状态预测时间长度、所述当前路段的当前实际导航用户数量和所述通过当前路段的旅行时间，计算所述相邻下游路段在下一预测时间长度内的交通量。
进一步地，所述基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态具体为：
选择与所述道路等级匹配的承载力数据表；
查找所述交通量所属的道路能承载的交通量区间值，来获得所述交通量所对应的导航用户承载力；
以获得的所述导航用户承载力所对应的道路交通状态作为所述相邻下游路段的交通状态。
进一步地，所述装置还包括承载力数据表生成模块，用于生成每一个道路等级下的所述承载力数据表；
所述装置还包括：
设定模块，用于设定不同道路等级的交通状态划分规则；
获取模块五，用于获取不同道路等级的导航用户数量历史数据；
承载力计算模块，用于基于所述交通状态划分规则和所述导航用户数量历史数据，计算不同道路等级的不同交通状态下的导航用户承载力；
所述承载力数据表生成模块，具体用于基于所述计算的不同道路等级的不同交通状态下的导航用户承载力，生成不同道路等级的道路交通状态和导航用户承载力的对应关系表，作为承载力数据表。
进一步地，所述交通状态划分规则所划分的交通状态包括：畅通、缓行、拥堵、严重拥堵；
进一步地，所述道路等级包括：高速路、快速路、主干道、次干道、支路。
进一步地，所述装置还包括：所述预测结果输出模块，用于输出计算后的交通状态。
进一步地，所述装置还包括：发送模块，用于将计算后的所述交通状态发送到终端，所述终端显示所述交通状态。
本发明还提供了一种交通状态预测装置，所述装置包括发送模块和接收模块；
所述发送模块，用于发送交通状态预测请求；
所述接收模块，用于接收与当前路段相邻下游路段的交通状态，所述相邻下游路段的交通状态是基于交通量和承载力数据表计算的，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
本发明还提供了一种控制潮汐车道的装置，其特征在于，所述装置包括所述交通状态预测装置和控制模块，所述控制模块用于根据所述交通状态预测装置预测后的道路的交通状态进行潮汐车道控制。
本发明还提供了一种交通状态预测系统，包括客户端和服务器：
所述客户端，用于向所述服务器发送交通状态预测请求，并接收所述服务器发送的与当前路段相邻下游路段的交通状态；
所述服务器，用于基于交通量和承载力数据表计算所述相邻下游路段的交通状态，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
本发明还提供了一种电子设备，所述电子设备包括：
存储装置；
一个或多个处理器；
其中，存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述的一种交通状态预测方法或一种控制潮汐车道的方法。
本发明还提供了一种计算机程序产品，包括计算机程序指令，当所述指令由处理器执行时，用于实现如上述的一种交通状态预测方法或一种控制潮汐车道的方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被执行时，实现如上述的一种交通状态预测方法或一种控制潮汐车道的方法。
本发明可适用于城市交通状态预测，尤其适用于短时交通状态预测。通过互联网技术并应用交通大数据分析手段，从当前路段车流量和基于历史数据道路承载力两个维度，实现对于未来路段到达交通量的短时动态预测后的道路交通状态预报。通过建立统一的计算标准，为不同道路等级在不同时段的交通态势演变提供有效的数据支持，便于城市交通管理部门预调度、应急指挥预案制定。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1给出了现有技术中交通状态预测方法的示意图；
图2给出了本发明的交通状态预测方法的流程示意图；
图3给出了本发明的交通状态预测方法的优选实施示意图；
图4给出了本发明的交通状态预测装置的模块组成示意图；
图5给出了本发明的交通状态预测方法的实际应用的优选实施示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图对本发明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作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。
实施例一：
参见图2和3，本发明的实施例一提供了一种交通状态预测方法和装置，包括如下步骤：
(1)计算相邻下游路段在下一预测时间长度内的交通量，所述交通量是在下一预测时间长度内能够达到的车辆数。
所述方法还包括：
获取交通状态预测时间长度；
获取当前路段的当前实际导航用户数量，所述相邻下游路段是所述当前路段的相邻下游路段；
获取在当前交通状态下通过所述当前路段的旅行时间。
所述计算相邻下游路段在下一预测时间长度内的交通量具体为：
基于所述交通状态预测时间长度、所述当前路段的当前实际导航用户数量和所述通过当前路段的旅行时间，计算所述相邻下游路段在下一预测时间长度内的交通量。
(2)获取所预测路段即所述相邻下游路段的道路等级。
所述道路等级包括：高速路、快速路、主干道、次干道、支路等。
(3)基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
所述基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态具体为：
选择与所述道路等级匹配的承载力数据表；
查找所述交通量所对应的导航用户承载力，即查找所述交通量所属的道路能承载的交通量区间值，来获得所述交通量所对应的导航用户承载力；
以获得的所述导航用户承载力所对应的道路交通状态作为所述相邻下游路段的交通状态。
进一步地，还需要生成每一个道路等级下的所述承载力数据表，具体为：
1)设定不同道路等级的交通状态划分规则，所述交通状态划分规则所划分的交通状态包括：畅通、缓行、拥堵、严重拥堵等；
进一步地，所述设定不同道路等级的交通状态划分规则的步骤包括：
设定高速路的交通状态划分规则；
设定快速路的交通状态划分规则；
设定主干道的交通状态划分规则；
设定次干道的交通状态划分规则；
设定支路的交通状态划分规则。
2)获取不同道路等级的导航用户数量历史数据；
进一步地，所述获取不同道路等级的导航用户数量历史数据的步骤包括：
获取高速路的导航用户数量历史数据；
获取快速路的导航用户数量历史数据；
获取主干道的导航用户数量历史数据；
获取次干道的导航用户数量历史数据；
获取支路的导航用户数量历史数据。
3)基于所述交通状态划分规则和所述导航用户数量历史数据，计算不同道路等级的不同交通状态下的导航用户承载力，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值；
进一步地，所述计算不同道路等级的不同交通状态下的导航用户承载力的步骤包括：
计算导航畅通状态下高速路承载力；计算导航缓行状态下高速路承载力；计算导航拥堵状态下高速路承载力；计算导航严重拥堵状态下高速路承载力；
计算导航畅通状态下快速路承载力；计算导航缓行状态下快速路承载力；计算导航拥堵状态下快速路承载力；计算导航严重拥堵状态下快速路承载力；
计算导航畅通状态下主干道承载力；计算导航缓行状态下主干道承载力；计算导航拥堵状态下主干道承载力；计算导航严重拥堵状态下主干道承载力；
计算导航畅通状态下次干道承载力；计算导航缓行状态下次干道承载力；计算导航拥堵状态下次干道承载力；计算导航严重拥堵状态下次干道承载力；
计算导航畅通状态下支路承载力；计算导航缓行状态下支路承载力；计算导航拥堵状态下支路承载力；计算导航严重拥堵状态下快支路承载力。
4)基于所述计算的不同道路等级的不同交通状态下的导航用户承载力生成不同道路等级的道路交通状态和导航用户承载力的对应关系表，作为承载力数据表。
(4)输出计算后的交通状态。
进一步地，所述方法还包括：将计算后的所述交通状态发送到终端，所述终端显示所述交通状态。所述终端接收到所述交通状态后，可以基于交通状态安排或规划路线、行程。
与上述一种交通状态预测方法相对应的，本发明还提供了一种应用于终端侧的交通状态预测方法，包括如下步骤：
发送交通状态预测请求；
接收与当前路段相邻下游路段的交通状态，所述相邻下游路段的交通状态是基于交通量和承载力数据表计算的，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
基于上述一种交通状态预测方式，本发明还提供了一种控制潮汐车道的方法，基于所述交通状态预测方法对道路的交通状态进行预测，根据预测后的所述道路的交通状态进行潮汐车道控制。比如，在预测到某一道路的交通状态不是畅通状态且对侧的交通状态车辆较少或是畅通状态时，可以启用对侧车道来作为本侧的潮汐车道，从而改善交通状况。
本发明中，首先输入预测路段的道路等级和交通状态预测时间长度，同时设定不同等级道路交通状态划分规则；动态值方面，获取路段当前实际导航用户数量和在当前状态下通过路段旅行时间，从而计算相邻下游路段在下一预测时长内的交通量；静态表方面，通过获取不同等级道路导航用户数量历史数据，计算不同交通状态下、不同道路等级的导航用户承载力后，生成基于导航数据定义的道路承载力数据表；最终基于静态导航用户数定义的道路承载力数据表匹配动态可达车辆数目后，计算路段交通状态并输出。
通过建立统一的计算标准，为不同道路等级在不同时段的交通态势演变提供有效的数据支持，为城市交通管理部门预调度、应急指挥预案制定和精细化管理提供抓手。
通常情况下，在实施本发明时，上述步骤均在计算机系统和数据库中完成。
实施例二：
参见图4，本发明的实施例二还提供了一种交通状态预测装置，该装置包括：交通量预测模块、获取模块一、获取模块二、获取模块三、获取模块四、获取模块五、设定模块、承载力计算模块、承载力数据表生成模块、交通状态预测模块和预测结果输出模块。
所述交通量预测模块，用于计算相邻下游路段在下一预测时间长度内的交通量，所述交通量是在下一预测时间长度内能够达到的车辆数。
所述交通状态预测装置还包括：
获取模块二，用于获取交通状态预测时间长度；
获取模块三，用于获取当前路段的当前实际导航用户数量，所述相邻下游路段是所述当前路段的相邻下游路段；
获取模块四，用于获取在当前交通状态下通过所述当前路段的旅行时间。
所述交通量预测模块，用于基于所述交通状态预测时间长度、所述当前路段的当前实际导航用户数量和所述通过当前路段的旅行时间，计算所述相邻下游路段在下一预测时间长度内的交通量。
获取模块一，用于获取所预测路段即所述相邻下游路段的道路等级。
所述道路等级包括：高速路、快速路、主干道、次干道、支路等。
交通状态预测模块，用于基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
所述交通状态预测装置还包括承载力数据表生成模块，用于生成每一个道路等级下的所述承载力数据表。
所述交通状态预测装置还包括：
设定模块，用于设定不同道路等级的交通状态划分规则，所述交通状态划分规则所划分的交通状态包括：畅通、缓行、拥堵、严重拥堵等；
进一步地，所述设定不同道路等级的交通状态划分规则的步骤包括：
设定高速路的交通状态划分规则；
设定快速路的交通状态划分规则；
设定主干道的交通状态划分规则；
设定次干道的交通状态划分规则；
设定支路的交通状态划分规则。
获取模块五，用于获取不同道路等级的导航用户数量历史数据；
进一步地，所述获取不同道路等级的导航用户数量历史数据的步骤包括：
获取高速路的导航用户数量历史数据；
获取快速路的导航用户数量历史数据；
获取主干道的导航用户数量历史数据；
获取次干道的导航用户数量历史数据；
获取支路的导航用户数量历史数据。
承载力计算模块，用于基于所述交通状态划分规则和所述导航用户数量历史数据，计算不同道路等级的不同交通状态下的导航用户承载力，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值；
进一步地，所述计算不同道路等级的不同交通状态下的导航用户承载力的步骤包括：
计算导航畅通状态下高速路承载力；计算导航缓行状态下高速路承载力；计算导航拥堵状态下高速路承载力；计算导航严重拥堵状态下高速路承载力；
计算导航畅通状态下快速路承载力；计算导航缓行状态下快速路承载力；计算导航拥堵状态下快速路承载力；计算导航严重拥堵状态下快速路承载力；
计算导航畅通状态下主干道承载力；计算导航缓行状态下主干道承载力；计算导航拥堵状态下主干道承载力；计算导航严重拥堵状态下主干道承载力；
计算导航畅通状态下次干道承载力；计算导航缓行状态下次干道承载力；计算导航拥堵状态下次干道承载力；计算导航严重拥堵状态下次干道承载力；
计算导航畅通状态下支路承载力；计算导航缓行状态下支路承载力；计算导航拥堵状态下支路承载力；计算导航严重拥堵状态下快支路承载力。
所述承载力数据表生成模块，用于基于所述承载力计算模块计算的不同道路等级的不同交通状态下的导航用户承载力生成不同道路等级的道路交通状态和导航用户承载力的对应关系表，作为承载力数据表。
进一步地，所述基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态具体为：
选择与所述道路等级匹配的承载力数据表；
查找所述交通量所对应的导航用户承载力，即查找所述交通量所属的道路能承载的交通量区间值，来获得所述交通量所对应的导航用户承载力；
以获得的所述导航用户承载力所对应的道路交通状态作为所述相邻下游路段的交通状态。
所述预测结果输出模块，用于输出计算后的交通状态。
进一步地，所述装置还包括：发送模块，用于将计算后的所述交通状态发送到终端，所述终端显示所述交通状态。
与上述一种交通状态预测装置相对应的，本发明还提供了一种应用于终端侧的交通状态预测装置，所述装置包括发送模块和接收模块；
所述发送模块，用于发送交通状态预测请求；
所述接收模块，用于接收与当前路段相邻下游路段的交通状态，所述相邻下游路段的交通状态是基于交通量和承载力数据表计算的，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
本发明还提供了一种控制潮汐车道的装置，所述装置包括所述交通状态预测装置和控制模块，所述控制模块用于根据所述交通状态预测装置预测后的道路的交通状态进行潮汐车道控制。
本发明还提供了一种交通状态预测系统，包括客户端和服务器：
所述客户端，用于向所述服务器发送交通状态预测请求，并接收所述服务器发送的与当前路段相邻下游路段的交通状态；
所述服务器，用于基于交通量和承载力数据表计算所述相邻下游路段的交通状态，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
实施例三：
图5示出本发明的具体实施例。如图5所示，假设当前时刻为2018年9月30日12:30，则图5中显示的道路交通状态为该日13:00的预测值，可以使用不同的颜色表示拥堵或者畅通。该动态预测方法在场景一和场景二路段进行实际应用后所取得的效果如下所示：
场景一路段：当计算相邻下游路段在下一预测时长内的交通量为15时，基于学习后生成的高速公路不同交通状态下基于导航数据定义道路承载力数据表，输出基于导航数据定义道路承载力下的路段交通状态预测结果为畅通。
场景二路段：当计算相邻下游路段在下一预测时长内的交通量为33时，基于学习后生成的快速路不同交通状态下基于导航数据定义道路承载力数据表，输出基于导航数据定义道路承载力下的路段交通状态预测结果为严重拥堵。
本发明可在计算机系统中实现道路基础数据库的构建，同时基于导航轨迹数据库检索所需要的历史数据，并基于导航软件数据库的检索功能完成道路车流量和旅行时间信息的实时获取；在数据库系统中通过匹配算法最终完成基于导航数据定义道路承载力下的路段交通状态预测。
所属领域的技术人员可以清楚的了解到，为了描述的方便和简洁，上述描述的装置、模块和单元的具体工作过程，可以参考前述方法实施例的对应过程，在此不再赘述。
另外，本发明实施例还公开了一种电子设备，其包括存储装置和一个或多个处理器，存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如实施例一的方法。
本发明实施例还公开了一种计算机程序产品，包括计算机程序指令，当指令由处理器执行时，用于实现如实施例一的方法。
本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被执行时，实现如实施例一的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图和框图中的每个方框可以代表一个单元、模块、程序段或代码的一部分，包含一个或多个用于实现逻辑功能的计算机可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。也要注意的是，框图和流程图中的每个方框或方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
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者操作区分开来，而不一定要求或者暗示这些实体或者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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明，上述实施例仅是为说明所作的举例，而并非对实施方式的限定。对于本领域技术人员来说，在上述说明的基础上，还可以做出其它不同形式的变化或变动，而这些变化或变动将是显而易见的，处于本发明的保护范围之中。
Claims (14)
1.一种交通状态预测方法，其特征在于，包括如下步骤：
计算相邻下游路段在下一预测时间长度内的交通量；
获取所述相邻下游路段的道路等级；
基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态,所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取交通状态预测时间长度；
获取当前路段的当前实际导航用户数量，所述相邻下游路段是所述当前路段的相邻下游路段；
获取在当前交通状态下通过所述当前路段的旅行时间；
所述计算相邻下游路段在下一预测时间长度内的交通量具体为：
基于所述交通状态预测时间长度、所述当前路段的当前实际导航用户数量和所述通过当前路段的旅行时间，计算所述相邻下游路段在下一预测时间长度内的交通量。
3.如权利要求1或2所述的方法，其特征在于，所述基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态具体为：
选择与所述道路等级匹配的承载力数据表；
查找所述交通量所属的道路能承载的交通量区间值，来获得所述交通量所对应的导航用户承载力；
以获得的所述导航用户承载力所对应的道路交通状态作为所述相邻下游路段的交通状态。
4.如权利要求1或2所述的方法，其特征在于，所述方法还包括：
生成每一个道路等级下的所述承载力数据表，具体为：
设定不同道路等级的交通状态划分规则；
获取不同道路等级的导航用户数量历史数据；
基于所述交通状态划分规则和所述导航用户数量历史数据，计算不同道路等级的不同交通状态下的导航用户承载力；
基于所述计算的不同道路等级的不同交通状态下的导航用户承载力，生成不同道路等级的道路交通状态和导航用户承载力的对应关系表，作为承载力数据表。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：输出计算后的所述交通状态。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：将计算后的所述交通状态发送到终端，所述终端显示所述交通状态。
7.一种交通状态预测方法，其特征在于，包括如下步骤：
发送交通状态预测请求；
接收与当前路段相邻下游路段的交通状态，所述相邻下游路段的交通状态是基于交通量和承载力数据表计算的，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
8.一种控制潮汐车道的方法，其特征在于，基于权利要求1-6之一所述的交通状态预测方法对道路的交通状态进行预测，根据预测后的所述道路的交通状态进行潮汐车道控制。
9.一种交通状态预测装置，其特征在于，所述装置包括交通量预测模块、获取模块一和交通状态预测模块；
所述交通量预测模块，用于计算相邻下游路段在下一预测时间长度内的交通量；
所述获取模块一，用于获取所述相邻下游路段的道路等级；
所述交通状态预测模块，用于基于所述交通量和承载力数据表计算所述相邻下游路段的交通状态,所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
10.一种交通状态预测装置，其特征在于，所述装置包括发送模块和接收模块；
所述发送模块，用于发送交通状态预测请求；
所述接收模块，用于接收与当前路段相邻下游路段的交通状态，所述相邻下游路段的交通状态是基于交通量和承载力数据表计算的，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
11.一种控制潮汐车道的装置，其特征在于，所述装置包括如权利要求9所述的交通状态预测装置和控制模块，所述控制模块用于根据所述交通状态预测装置预测后的道路的交通状态进行潮汐车道控制。
12.一种交通状态预测系统，包括客户端和服务器，其特征在于：
所述客户端，用于向所述服务器发送交通状态预测请求，并接收所述服务器发送的与当前路段相邻下游路段的交通状态；
所述服务器，用于基于交通量和承载力数据表计算所述相邻下游路段的交通状态，所述交通量是相邻下游路段在下一预测时间长度内的交通量，所述承载力数据表包括每一个道路等级下的道路交通状态和导航用户承载力的对应关系，所述导航用户承载力表示在某一道路交通状态下所述道路能承载的交通量区间值。
13.一种电子设备，其特征在于，所述电子设备包括：
存储装置；
一个或多个处理器；
其中，存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7任一项所述的一种交通状态预测方法或如权利要求8所述的一种控制潮汐车道的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被执行时，实现如权利要求1-7任一项所述的一种交通状态预测方法或如权利要求8所述的一种控制潮汐车道的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911407245.5A CN113129582B (zh) | 2019-12-31 | 2019-12-31 | 一种交通状态预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911407245.5A CN113129582B (zh) | 2019-12-31 | 2019-12-31 | 一种交通状态预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113129582A true CN113129582A (zh) | 2021-07-16 |
| CN113129582B CN113129582B (zh) | 2023-05-09 |
Family
ID=76769390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911407245.5A Active CN113129582B (zh) | 2019-12-31 | 2019-12-31 | 一种交通状态预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113129582B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808415A (zh) * | 2021-09-17 | 2021-12-17 | 智道网联科技(北京)有限公司 | 车道实时动态调整方法及控制系统 |
| CN114120655A (zh) * | 2022-01-26 | 2022-03-01 | 苏州映赛智能科技有限公司 | 道路状态预测方法、系统、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020145541A1 (en) * | 2001-03-30 | 2002-10-10 | Communications Res. Lab., Ind. Admin. Inst. (90%) | Road traffic monitoring system |
| US20060089787A1 (en) * | 2002-08-29 | 2006-04-27 | Burr Jonathan C | Traffic scheduling system |
| CN102819955A (zh) * | 2012-09-06 | 2012-12-12 | 北京交通发展研究中心 | 基于车辆行程数据的道路网运行评价方法 |
| CN103956050A (zh) * | 2012-09-06 | 2014-07-30 | 北京交通发展研究中心 | 基于车辆行程数据的道路网运行评价方法 |
| CN104835335A (zh) * | 2015-06-03 | 2015-08-12 | 常州市蓝涛物联网科技有限公司 | 路网交通优化控制系统和方法 |
| CN104933859A (zh) * | 2015-05-18 | 2015-09-23 | 华南理工大学 | 一种基于宏观基本图的确定网络承载力的方法 |
| US20160335890A1 (en) * | 2015-05-12 | 2016-11-17 | Here Global B.V. | Dynamic Multi-Lane Capacity Optimization In A Mixed Vehicle Environment |
| KR101703058B1 (ko) * | 2016-08-30 | 2017-02-06 | 주식회사 블루시그널 | 교통데이터 분석에 의한 교통상태패턴 예측시스템 및 그 예측방법 |
| JP2017045131A (ja) * | 2015-08-24 | 2017-03-02 | 住友電工システムソリューション株式会社 | 交通情報提供装置、コンピュータプログラム及び交通情報提供方法 |
| CN106503382A (zh) * | 2016-10-28 | 2017-03-15 | 新奥科技发展有限公司 | 一种城市道路规划方法及装置 |
| CN107103142A (zh) * | 2017-07-11 | 2017-08-29 | 交通运输部公路科学研究所 | 面向公路和铁路网的综合交通网络运行态势推演仿真技术 |
| CN110517490A (zh) * | 2019-08-22 | 2019-11-29 | 广州市交通规划研究院 | 道路机动车承载力计算方法、系统、装置及存储介质 |
-
2019
- 2019-12-31 CN CN201911407245.5A patent/CN113129582B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020145541A1 (en) * | 2001-03-30 | 2002-10-10 | Communications Res. Lab., Ind. Admin. Inst. (90%) | Road traffic monitoring system |
| US20060089787A1 (en) * | 2002-08-29 | 2006-04-27 | Burr Jonathan C | Traffic scheduling system |
| CN102819955A (zh) * | 2012-09-06 | 2012-12-12 | 北京交通发展研究中心 | 基于车辆行程数据的道路网运行评价方法 |
| CN103956050A (zh) * | 2012-09-06 | 2014-07-30 | 北京交通发展研究中心 | 基于车辆行程数据的道路网运行评价方法 |
| US20160335890A1 (en) * | 2015-05-12 | 2016-11-17 | Here Global B.V. | Dynamic Multi-Lane Capacity Optimization In A Mixed Vehicle Environment |
| CN104933859A (zh) * | 2015-05-18 | 2015-09-23 | 华南理工大学 | 一种基于宏观基本图的确定网络承载力的方法 |
| CN104835335A (zh) * | 2015-06-03 | 2015-08-12 | 常州市蓝涛物联网科技有限公司 | 路网交通优化控制系统和方法 |
| JP2017045131A (ja) * | 2015-08-24 | 2017-03-02 | 住友電工システムソリューション株式会社 | 交通情報提供装置、コンピュータプログラム及び交通情報提供方法 |
| KR101703058B1 (ko) * | 2016-08-30 | 2017-02-06 | 주식회사 블루시그널 | 교통데이터 분석에 의한 교통상태패턴 예측시스템 및 그 예측방법 |
| CN106503382A (zh) * | 2016-10-28 | 2017-03-15 | 新奥科技发展有限公司 | 一种城市道路规划方法及装置 |
| CN107103142A (zh) * | 2017-07-11 | 2017-08-29 | 交通运输部公路科学研究所 | 面向公路和铁路网的综合交通网络运行态势推演仿真技术 |
| CN110517490A (zh) * | 2019-08-22 | 2019-11-29 | 广州市交通规划研究院 | 道路机动车承载力计算方法、系统、装置及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 杨阳;王芳;: "基于浮动车技术的城市交通评价预测系统应用研究", 交通与运输(学术版) * |
| 贾顺平等: "基于居民出行特性与路网承载力的城市交通状态研究", 《交通运输系统工程与信息》 * |
| 钱靖晶: "路网承载力约束下的多方式交通网络分配", 《万方学术期刊》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808415A (zh) * | 2021-09-17 | 2021-12-17 | 智道网联科技(北京)有限公司 | 车道实时动态调整方法及控制系统 |
| CN114120655A (zh) * | 2022-01-26 | 2022-03-01 | 苏州映赛智能科技有限公司 | 道路状态预测方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113129582B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moreira-Matias et al. | On predicting the taxi-passenger demand: A real-time approach | |
| CN113129582B (zh) | 一种交通状态预测方法及装置 | |
| Hasicic et al. | Criteria for solar car optimized route estimation | |
| He et al. | Road grade prediction for predictive energy management in hybrid electric vehicles | |
| Xiao et al. | Traffic speed cloud maps: A new method for analyzing macroscopic traffic flow | |
| Narayanan et al. | Travel time estimation using speed predictions | |
| CN110986992A (zh) | 无人售卖车辆的导航方法、装置、电子设备和存储介质 | |
| Kumar et al. | Integration of exponential smoothing with state space formulation for bus travel time and arrival time prediction | |
| Li et al. | Development of analytical procedure for selection of control measures to reduce congestions at various freeway bottlenecks | |
| CN112797994A (zh) | 用于确定路线的预计到达时间的方法及相关装置和服务器 | |
| Kukadapwar et al. | Estimation of optimal path on urban road networks using ahp algorithm | |
| Ni et al. | The network kinematic waves model: a simplified approach to network traffic | |
| Patel et al. | Categorization of urban traffic congestion based on the fuzzification of congestion index value and influencing parameters | |
| Di Salvo et al. | Modeling Users’ Performance: Predictive Analytics in an IoT Cloud Monitoring System | |
| Chang et al. | Traffic flow forecast for traffic with forecastable sporadic events | |
| Ge et al. | Investigating freeway traffic hypercongestion between an on-ramp and its immediate upstream off-ramp | |
| Cartenì et al. | A big data and cloud computing model architecture for a multi-class travel demand estimation through traffic measures: a real case application in Italy | |
| Thankappan et al. | A non-continuum lumped-parameter dynamic model applied to Indian traffic | |
| Sarraj et al. | Challenges of getting traffic statistics in developing cities | |
| Ogunlade et al. | Mathematical Modelling of Inpatient Flow and Bed Allocation in a Nigerian Tertiary Hospital | |
| Revathi et al. | Performance measurements of an unsignalized traffic flow using fuzzy queuing theory | |
| Miller et al. | Transferability of models that estimate crashes as a function of access management | |
| Lee et al. | The construction of a route-diversion traffic flow prediction model and potential applications | |
| Pakpahan et al. | Development of Road Network Traffic Model in Bandung City | |
| Potnurwar et al. | Design of Traffic Volume Forecasting based on Genetic Algorithm |
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 |