CN113259900B - 一种分布式多源异构交通数据融合方法及装置 - Google Patents
一种分布式多源异构交通数据融合方法及装置 Download PDFInfo
- Publication number
- CN113259900B CN113259900B CN202110583464.XA CN202110583464A CN113259900B CN 113259900 B CN113259900 B CN 113259900B CN 202110583464 A CN202110583464 A CN 202110583464A CN 113259900 B CN113259900 B CN 113259900B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- road
- road section
- matching
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 25
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 230000006855 networking Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种分布式多源异构交通数据融合方法及装置,该方法包括:获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据;根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,得到公交站点与路段的匹配结果;进行标牌与路段的匹配,使交通里程标牌与智能网联V2X轨迹信息关联;分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码,根据路段方向、道路名称、道路名称中数字编码确定路段相似度水平,根据路段相似度水平进行路段数据融合。本发明提供的融合多源异构交通数据方法,实现了多源异构交通数据属性的统一和关联。
Description
技术领域
本发明涉及交通数据融合技术领域,尤其涉及一种分布式多源异构交通数据融合方法及装置。
背景技术
城市交通运营与管理业务复杂且数据源多样化,其包括浮动车、公交车、交通事故、卡口、毫米波雷达、激光雷达、智能网联等数据。而面向场景的交通运营与监管业务对数据质量、系统性能均要求较高。数据采集、管理与融合处理方法与系统成为当前亟待解决的问题。随着分布式边缘计算技术在智慧道路建设过程中的广泛应用,充分发挥分布式边缘计算在处理数据量级、时延、响应速度方面的技术优势,实现多源数据标准化管理及预处理,将大大提升系统整体效率。
当前交通运营与监管平台主要通过建设交通大数据系统,对城市级数据整体进行提取分析,且数据经过多重清洗工作,依赖于机器学习、深度学习等复杂网络算法,对系统算法要求极高,且易导致数据可视化存在较大延时。
基于分布式边缘计算算力下沉处理局部交通数据的方案,虽然可以实现打破数据“壁垒”,解决对算法复杂度、系统性能要求高等问题,现有融合多源交通数据的分布式数据处理方案较为欠缺,无法实现多源异构交通数据属性统一和关联,且不足以支持诸如交通事故导致的拥堵状态感知判定、交通事故影响分析、公交运营线路动态规划等业务应用。
发明内容
有鉴于此,有必要提供一种分布式多源异构交通数据融合方法及装置,用以解决现有技术中无法实现多源异构交通数据属性统一和关联的问题。
本发明提供一种分布式多源异构交通数据融合方法,包括以下步骤:
获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据;
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,得到公交站点与路段的匹配结果;
根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配,使交通里程标牌与智能网联V2X轨迹信息关联;
分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码,根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平,根据路段相似度水平进行路段数据融合。
进一步地,根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,具体包括:
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据,以一个公交站点坐标为为圆心,在设定直径范围内获取最近的三条路线,根据三条路线及投影分析法实现站点与路段匹配。
进一步地,根据三条路线及投影分析法实现站点与路段匹配,具体包括:
根据三条路线及投影分析法,获取投影三角形高h,当时,表
明站点与路段相匹配,其中,,,为道路宽度,为道路中车道的条数,a为GPS轨迹点与第一个路段节点之间的距离,b为GPS轨迹点
与第二个路段节点之间的距离,c为第一个路段节点与第一个路段节点之间的距离,所述三
条线路由GPS轨迹点、第一个路段节点及第二个路段节点组成。
进一步地,根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配,具体包括:针对道路,生成连续位置信息线性参考层,将每条智能网联V2X轨迹信息沿所述线性参考层转化成交通里程标牌信息,将交通事故发生地与交通里程标牌关联。
进一步地,所述分布式多源异构交通数据融合方法还包括,根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据,离散化待匹配路段,得到离散的点数据,进行点与路段匹配,得到公交站点与路段的匹配结果。
进一步地,根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平,具体包括:
进一步地,所述分布式多源异构交通数据融合方法还包括,根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件,根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件,根据智能网联V2X数据中的车辆速度确定是否满足速度匹配条件,若同时满足上述匹配条件,则可获取交通拥堵的概率。
进一步地,根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件,具体包括:
若第i辆智能网联汽车满足空间匹配函数,则第i辆智能网联汽车满足空间匹配条
件,所述空间匹配函数为,,,分别为第辆
智能网联汽车纬度和经度;、分别为当前碰撞事故的纬度和经度,为根据
经纬度求解距离函数,为交通事故影响范围阈值。
进一步地,根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件,具体包括:
根据智能网联V2X数据和交通事故数据中经度、纬度数据,若第i辆智能网联汽车
满足时间匹配函数,则第i辆智能网联汽车满足空间匹配条件,其中,为满足空间匹配条件的智能网联汽车时间数据,为当前事故时间数据,为
时间差阈值。
本发明还提供一种分布式多源异构交通数据融合装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述任一技术方案所述的分布式多源异构交通数据融合方法。
与现有技术相比,本发明的有益效果包括:通过获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据;根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,得到公交站点与路段的匹配结果;根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配,使交通里程标牌与智能网联V2X轨迹信息关联;分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码,根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平,根据路段相似度水平进行路段数据融合;实现了多源异构交通数据属性的统一和关联。
附图说明
图1为本发明提供的分布式多源异构交通数据融合方法一实施例的流程示意图;
图2为本发明提供的点与路段匹配原理示意图;
图3为本发明提供的投影分析法原理示意图;
图4为本发明提供的交通事故发生位置信息确定原理的示意图;
图5为本发明提供的路段与路段匹配原理的示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明提供了一种分布式多源异构交通数据融合方法,其中一实施例流程示意图如图1所示,在该实施例中,所述分布式多源异构交通数据融合方法包括以下步骤:
S1、获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据;
S2、根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,得到公交站点与路段的匹配结果;
S3、根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配,使交通里程标牌与智能网联V2X轨迹信息关联;
S4、分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码,根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平,根据路段相似度水平进行路段数据融合。
一个具体实施例中,分别提取智能网联汽车V2X数据、交通事故、交通检测器数据、公交车运营数据,所述智能网联汽车V2X数据、交通事故、交通检测器数据、公交车运营数据对应字段及含义,分别如表1-4所示;
表1 智能网联V2X数据对应字段及含义
表2 交通事故数据对应字段及含义
表3 交通检测器数据对应字段及含义
表4 公交车运营数据对应字段及含义
作为一个优选的实施例,根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,具体包括:
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据,以一个公交站点坐标为为圆心,在设定直径范围内获取最近的三条路线,根据三条路线及投影分析法实现站点与路段匹配。
一个具体实施例中,为了便于边缘数据融合,基于边缘交通数据与地图车道数据,实现边缘交通数据经纬度与道路匹配关联,其中包括点与路段匹配、道路标牌与路段匹配、路段与路段匹配。
作为一个优选的实施例,根据三条路线及投影分析法实现站点与路段匹配,具体包括:
根据三条路线及投影分析法,获取投影三角形高h,当时,表明
站点与路段相匹配,其中,,,为道路宽度,
为道路中车道的条数,a为GPS轨迹点与第一个路段节点之间的距离,b为GPS轨迹点与第二
个路段节点之间的距离,c为第一个路段节点与第一个路段节点之间的距离,所述三条线路
由GPS轨迹点、第一个路段节点及第二个路段节点组成。
一个具体实施例中,点与路段匹配用于V2X数据、公交车位置数据(点)与交通检测
器(路段)数据的融合;以一个公交站点为圆心,在设定直径范围(如100米)内寻找最近的三
条路线,然后基于投影分析法实现站点与路段匹配;点与路段匹配原理示意图,如图2所示;
确定目标道路路段,分别与最近的三条路段中每个路段构建投影三角形,边长分别为a、b、c,高为h,投影分析法原理示意图,如图3所示;,,满足时,表明站点与路段相匹配。
作为一个优选的实施例,根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配,具体包括:针对道路,生成连续位置信息线性参考层,将每条智能网联V2X轨迹信息沿所述线性参考层转化成交通里程标牌信息,将交通事故发生地与交通里程标牌关联。
一个具体实施例中,标牌与路段的匹配用于交通事故数据与智能网联V2X数据融合;由于原始的交通事故数据中不含事故发生的位置信息,因此为了获取交通事故位置信息,可采取以下步骤,针对每一条道路,生成一个连续位置信息线性参考层;将每一条智能网联V2X轨迹信息沿线性参考层转化成交通里程标牌信息;将交通事故发生地与里程标牌关联,得到交通事故发生的位置信息。
另一个具体实施例中,交通事故发生位置信息确定原理的示意图,如图4所示,若在区间“123”处发生交通事故A,通过映射得到对应的交通里程标牌“MM15”,由于交通里程标牌信息由轨迹信息转化而成,因此可确定事故A的位置。
作为一个优选的实施例,所述分布式多源异构交通数据融合方法还包括,根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据,离散化待匹配路段,得到离散的点数据,进行点与路段匹配,得到公交站点与路段的匹配结果。
一个具体实施例中,通过离散化待匹配路段,得到连续多个离散的点数据,再次采用点与路段匹配方法,实现路段与路段的匹配;路段与路段匹配原理的示意图,如图5所示,图5中分别为两条路段“a”、“b”离散化的轨迹点,通过投影分析法,分别使用边缘交通数据与两个路段的相互匹配,即可求解出路段“b”为相互匹配路段,路段“a”为不可相互匹配路段;进而实现边缘交通数据与路段的关联。
作为一个优选的实施例,根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平,具体包括:
一个具体实施例中,由于每一类数据源中包含的道路命名规则不统一,因此需要
验证匹配的路段对是否具有相似的道路名称;根据地理信息中对路段的描述,路段相似度
水平与路段方向、道路名称、道路名称中数字编号相关,因此建立相似度方程(相似度水平
公式),判定路段相似度水平S;,式中为权重系数,表示路
段方向,表示道路名称中文相似度,表示道路名称中数字编号。若,认为待匹配
路段对相似度高,可视为同一路段,进行路段数据融合;若,认为待匹配路段对相似度
低,视为不同路段,为相似度阈值,可为0.8。
作为一个优选的实施例,所述分布式多源异构交通数据融合方法还包括,根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件,根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件,根据智能网联V2X数据中的车辆速度确定是否满足速度匹配条件,若同时满足上述匹配条件,则可获取交通拥堵的概率。
作为一个优选的实施例,根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件,具体包括:
若第i辆智能网联汽车满足空间匹配函数,则第i辆智能网联汽车满足空间匹配条
件,所述空间匹配函数为,、分别为
第辆智能网联汽车纬度和经度;、分别为当前碰撞事故的纬度和经度,
为根据经纬度求解距离函数,为交通事故影响范围阈值。
一个具体实施例中,可融合智能网联汽车V2X数据与交通事故数据进行交通拥堵
状态判别,为了实现拥堵状态感知与短时预测,需要进行时空状态匹配,通过V2X车速信息
判定是否导致拥堵,根据V2X数据和交通事故数据“latitude”和“longitude”字段,分别在
边缘数据库中提取相应信息,若第i辆智能网联汽车满足空间匹配函数,则空间状态
匹配;
作为一个优选的实施例,根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件,具体包括:
根据智能网联V2X数据和交通事故数据中经度、纬度数据,若第i辆智能网联汽车
满足时间匹配函数,则第i辆智能网联汽车满足空间匹配条件,其中,为满足空间匹配条件的智能网联汽车时间数据,为当前事故时间数据,为时
间差阈值。
表4公交车数据索引受交通事故影响的公交运营线路;因此,融合交通事故数据与公交运营数据可以进行公交运营线路动态规划。
本发明实施例还提供了一种分布式多源异构交通数据融合装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述任一实施例所述的分布式多源异构交通数据融合方法。
本发明公开了一种分布式多源异构交通数据融合方法及装置,通过获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据;根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,得到公交站点与路段的匹配结果;根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配,使交通里程标牌与智能网联V2X轨迹信息关联;分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码,根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平,根据路段相似度水平进行路段数据融合;实现了多源异构交通数据属性的统一和关联。
本发明技术方案实现了基于分布式边缘计算的多源异构交通数据融合,道路匹配即相似度判定方法,可有效解决目前分布式数据融合在多源异构交通数据属性统一及关联方面的问题;时空匹配、速度索引等方法可适用于不同交通应用业务数据处理需求。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种分布式多源异构交通数据融合方法,其特征在于,包括以下步骤:
获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据;
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,得到公交站点与路段的匹配结果;
根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配,使交通里程标牌与智能网联V2X轨迹信息关联;
分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码,根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平,根据路段相似度水平进行路段数据融合;
根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平,具体包括:
2.根据权利要求1所述的分布式多源异构交通数据融合方法,其特征在于,根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配,具体包括:
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据,以一个公交站点坐标为圆心,在设定直径范围内获取最近的三条路线,根据三条路线及投影分析法实现站点与路段匹配。
4.根据权利要求1所述的分布式多源异构交通数据融合方法,其特征在于,根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配,具体包括:针对道路,生成连续位置信息线性参考层,将每条智能网联V2X轨迹信息沿所述线性参考层转化成交通里程标牌信息,将交通事故发生地与交通里程标牌关联。
5.根据权利要求1所述的分布式多源异构交通数据融合方法,其特征在于,还包括,根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据,离散化待匹配路段,得到离散的点数据,进行点与路段匹配,得到公交站点与路段的匹配结果。
6.根据权利要求1所述的分布式多源异构交通数据融合方法,其特征在于,还包括,根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件,根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件,根据智能网联V2X数据中的车辆速度确定是否满足速度匹配条件,若同时满足上述匹配条件,则可获取交通拥堵的概率。
9.一种分布式多源异构交通数据融合装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-8任一所述的分布式多源异构交通数据融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583464.XA CN113259900B (zh) | 2021-05-27 | 2021-05-27 | 一种分布式多源异构交通数据融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583464.XA CN113259900B (zh) | 2021-05-27 | 2021-05-27 | 一种分布式多源异构交通数据融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113259900A CN113259900A (zh) | 2021-08-13 |
CN113259900B true CN113259900B (zh) | 2021-10-15 |
Family
ID=77184728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583464.XA Active CN113259900B (zh) | 2021-05-27 | 2021-05-27 | 一种分布式多源异构交通数据融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113259900B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850237B (zh) * | 2021-11-29 | 2022-02-22 | 华砺智行(武汉)科技有限公司 | 基于视频和轨迹数据的网联车目标检测评价方法及系统 |
CN114020860A (zh) * | 2021-12-28 | 2022-02-08 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 异源异构道路数据融合方法及系统 |
CN114065876B (zh) * | 2022-01-11 | 2022-04-12 | 华砺智行(武汉)科技有限公司 | 基于路侧多传感器的数据融合方法、装置、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719315A (zh) * | 2009-12-23 | 2010-06-02 | 山东大学 | 一种基于中间件的动态交通信息采集方法 |
CN104464321A (zh) * | 2014-12-17 | 2015-03-25 | 合肥革绿信息科技有限公司 | 一种基于交通运行指数发展态势的智能交通诱导方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4931706B2 (ja) * | 2007-06-25 | 2012-05-16 | アルパイン株式会社 | ナビゲーション装置 |
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
CN105608155B (zh) * | 2015-12-17 | 2018-09-25 | 北京华油信通科技有限公司 | 海量数据分布式存储系统 |
CN105701193A (zh) * | 2016-01-11 | 2016-06-22 | 同济大学 | 一种交通大数据动态信息快速搜索方法及其应用 |
US10762776B2 (en) * | 2016-12-21 | 2020-09-01 | Here Global B.V. | Method, apparatus, and computer program product for determining vehicle lane speed patterns based on received probe data |
CN109410586B (zh) * | 2018-12-13 | 2020-06-05 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
CN109697852B (zh) * | 2019-01-23 | 2021-04-02 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
US11574538B2 (en) * | 2019-08-16 | 2023-02-07 | GM Global Technology Operations LLC | Method and apparatus for perception-sharing between vehicles |
CN111383452A (zh) * | 2019-12-03 | 2020-07-07 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
-
2021
- 2021-05-27 CN CN202110583464.XA patent/CN113259900B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719315A (zh) * | 2009-12-23 | 2010-06-02 | 山东大学 | 一种基于中间件的动态交通信息采集方法 |
CN104464321A (zh) * | 2014-12-17 | 2015-03-25 | 合肥革绿信息科技有限公司 | 一种基于交通运行指数发展态势的智能交通诱导方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113259900A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113259900B (zh) | 一种分布式多源异构交通数据融合方法及装置 | |
CN105138779B (zh) | 车载gps时空轨迹大数据优选方法及系统 | |
Veloso et al. | Sensing urban mobility with taxi flow | |
CN113654564A (zh) | 用于运载工具的方法 | |
US11887324B2 (en) | Cross-modality active learning for object detection | |
CN109872533A (zh) | 一种基于空间数据的车道级实时交通情报处理方法 | |
CN111414558B (zh) | 导航路线的发送方法、显示方法、装置、服务器及介质 | |
US11932260B2 (en) | Selecting testing scenarios for evaluating the performance of autonomous vehicles | |
Ma et al. | Evolution regularity mining and gating control method of urban recurrent traffic congestion: a literature review | |
JP7321400B1 (ja) | 推定装置および推定方法 | |
CN116071929B (zh) | 基于卡口车牌识别数据的实时路况监测系统及其方法 | |
Liu et al. | Safernet: Safe transportation routing in the era of internet of vehicles and mobile crowd sensing | |
Boubakri et al. | High definition map update for autonomous and connected vehicles: A survey | |
Stenneth et al. | Monitoring and mining GPS traces in transit space | |
Bhuyan | Defining Level of Service Criteria for Urban Streets in Indian Context | |
Li et al. | An automatic extraction method of coach operation information from historical trajectory data | |
CN113724499A (zh) | 一种道路交通事件三维可视化分析方法及系统 | |
Murphy et al. | Image-based classification of GPS noise level using convolutional neural networks for accurate distance estimation | |
Sasaki et al. | Road segment interpolation for incomplete road data | |
Bhuyan et al. | Defining los criteria of urban streets using GPS data: k-means and k-medoid clustering in Indian context | |
Chen et al. | Transportation sentiment analysis for safety enhancement | |
Jafarlou et al. | Improving Fuzzy-logic based map-matching method with trajectory stay-point detection | |
Reza et al. | Non-cooperating vehicle tracking in VANETs using the conditional logit model | |
Arregui et al. | Impact of the road network configuration on map‐matching algorithms for FCD in urban environments | |
Sun et al. | Deep learning-based probability model for traffic information estimation |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Distributed Multi source Heterogeneous Traffic Data Fusion Method and Device Effective date of registration: 20231010 Granted publication date: 20211015 Pledgee: Bank of China Limited Wuhan Economic and Technological Development Zone sub branch Pledgor: ISMARTWAYS (WUHAN) TECHNOLOGY Co.,Ltd. Registration number: Y2023980060478 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |