CN113345252B - 一种收费站下道流量短时预测方法与装置 - Google Patents
一种收费站下道流量短时预测方法与装置 Download PDFInfo
- Publication number
- CN113345252B CN113345252B CN202110640841.9A CN202110640841A CN113345252B CN 113345252 B CN113345252 B CN 113345252B CN 202110640841 A CN202110640841 A CN 202110640841A CN 113345252 B CN113345252 B CN 113345252B
- Authority
- CN
- China
- Prior art keywords
- station
- flow
- data
- traffic
- upstream
- 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
- G08G1/065—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种收费站下道流量短时预测方法与装置,并具体公开了数据获取模块:用于获取预测数据;获取的数据包括封闭路网中各站点车辆的上道收费数据以及下道收费数据,包括收费时间、车牌号、车辆类型、站点名称、行程时间;数据预测模块:基于数据获取模块获得的数据构建数据集,计算当前时段数据与数据集中数据的欧式距离计算权值,利用加权平均的方式确定当前时段上游站点向目标站点的转移比例;最终构建各站点向目标站点转移的车流量的预测模块,用于预测各时段目标站点的下道流量。
Description
技术领域
本发明涉及智能交通领域,具体涉及到一种通过建立高速路网中多个收费站点的流量转移关系,从而预测目标收费站短时下道流量的方法。
背景技术
交通流量预测一直是智能交通系统的重要组成部分,具有重要的研究和应用意义。短期交通流量作为基本短期交通参数之一,可以在智能交通系统作出交通决策时提供关键依据。短期交通流量预测技术能够根据交通路网中采集的历史数据,建立合理的预测模型,准确地预测路网中的车流量。在高速公路路网中,准确的收费站下道流量预测能够为收费站管理运营部门提供决策依据,帮助其合理地安排收费车道和工作人员等,节省运营成本,提高收费站通行效率,也能够帮助交通指挥部门及时地预知站点流量情况,对道路交通做出合理安排。同时对于出行者来说,提前掌握各个收费站点的车流量能够帮助他们合理规划出行路径,节省出行时间。因此,高速公路收费站短时下道流量预测对于个人和交通部门都有着重要的现实意义。
通过查阅相关专利和论文,发现现有高速公路收费站短时流量预测方法主要有:
现有技术一:专利CN111785018A中使用GRU神经网络建立了收费站下道流量时间序列的回归预测模型,这种方法利用神经网络学习了目标站点自身的下道流量的历史规律,能够对下道流量时间序列进行趋势外推,从而对流量作出预测,在车流量稳定时预测精度较好。但是高速公路网中多个收费站点的流量是相互影响的,该方法只考虑了目标站点自身流量的历史变化规律,没有考虑路网其他站点的上道流量对目标站点下道流量的影响,因此当路网上道流量发生变化时,这种方法不能提供一个较好的预测效果。
现有技术二:专利CN108597227A中考虑了路网中其他收费站的上道流量与目标收费站下道流量的联系,通过建立路网上道流量向目标收费站转移下道的关系,从而预测目标站点的下道车流量。这种方法在建立流量转移关系的过程中,静态考虑了站点间的行程时间,同时未考虑车型流量对流量转移比例的影响,只能在流量转移关系稳定时有较好的预测精度,当站点间行程时间以及路段的车型流量发生变化时,该方法不能提供一个较好的预测效果。
发明内容
本发明的目的在于提供一种对目标站点下道流量的预测更加准确的收费站下道流量短时预测方法。
为了实现上述目的,本发明是通过以下技术方案来实现的:一种考虑路段车型流量的收费站下道流量短时预测方法,包括以下步骤:
步骤1)获取封闭路网中各个站点的车辆上道收费数据和下道收费数据,并进行数据预处理;
步骤2)利用路网上道车辆数据与目标收费站下道收费数据进行单车匹配,以30min为时间窗口进行统计,构建站点间的车辆数据集,数据集的输入标签是各个时段中上游站点到目标收费站的客车流量和货车流量,输出特征是各个时段上游站点到目标收费站的最长行程时间和最短行程时间;
步骤3)利用K近邻回归预测算法,建立行程时间预测模型,预测在当前时段车辆从上游站点到目标收费站的最长行程时间和最短行程时间;
步骤4)根据下道流量预测目标时间段和步骤3预测出的最长行程时间以及最短行程时间,确定上游站点的上道车流量的统计时段T,并进行流量统计;
步骤5)根据历史数据,统计前30天的时段T里,上游站点和目标站点之间的客车流量和货车流量,以及在目标站点下道的车流量占上游站点上道车流量的比例,形成30个历史样本信息;
步骤6)根据当前时段的客车和货车流量与步骤5构建的30个历史样本信息的相似度,确定各个历史样本中转移比例的权值,利用加权平均的方式确定当前时段内上游站点车流量向目标收费站点转移的比例;
步骤7)将步骤4中统计的上游站点的上道车流量乘上步骤6中确定的流量转移比例,得到某一个上游站点向目标站点转移的车流量;
步骤8)针对所有的上游站点,执行步骤2到步骤7,获得各个上游站点向目标站点转移的车流量,将它们相加,得到目标站点的下道流量预测值。
进一步的,所述步骤1),收费站的上道和下道收费数据记录了每一辆经过该站点的车辆的大量相关信息,提取出其中主要的数据字段,包括收费时间、车牌号、车辆类型等,该数据为车流量的预测提供了有力支撑。收费数据是通过高速公路有关部门获得,不在本研究之列。进一步的,所述步骤2),利用收费站上道和下道收费数据进行单车匹配,形成每一辆车的行程信息完整记录,然后以30min为时间窗口统计各个时段的从特定站点上道并从目标站点下道的各个车型流量,并且查找到各个时段里的站点间通行车辆中的最长行程时间和最短行程时间。
进一步的,所述步骤3),利用步骤2中得到的各个时段的车型流量和最长行程时间和最短行程时间,建立相应的历史数据库。利用K近邻回归预测算法,可以根据当前时段k(假设是从k0时刻到k1时刻)的车型流量预测出当前时段站点间的最长行程时间τl最短行程时间τs。
进一步的,所述步骤4),步骤3中预测出在时段k中,从上游站点到目标站点的最长最短行程时间分别是τl和τs,那么对应的上游站点的车辆上道统计时段为从k0-τs到k1-τl,统计该时段上游站点的上道流量为
进一步的,所述步骤5),根据步骤2得到的车辆通行记录,统计前30天中从k0-τs时刻到k1-τl时刻,上游站点和目标站点之间的客车流量和货车流量,以及在目标站点下道的车流量占上游站点上道车流量的比例,形成30个历史样本信息;
进一步的,所述步骤6),计算当前时段的客车和货车流量与步骤5构建的30个历史样本信息中的客车货车流量的欧氏距离,根据欧氏距离来确定各个历史样本中转移比例的权值,利用加权平均的方式确定当前时段内上游站点车流量向目标收费站点转移的比例。假设当前客车流量为货车流量为则当前时段流量状况为前30个历史同时段的流量状况为流量转移比例为当前时段的流量状况与第i个历史同时段的流量状况的相似度θi为:
则第i个历史时段转移比例的权重ωi为:
进一步的,所述步骤8),QDi为路网中上游站点i向目标站点转移的车流量,而目标站点的下道流量包含了路网中所有上游站点转移过来的车流量。假设上游站点个数为n,目标站点下道流量预测值QD为:
本发明还提供了基于上述方法的一种收费下道流量短时预测装置,其特征在于:包括数据获取模块:用于获取预测数据;获取的数据包括封闭路网中各站点车辆的上道收费数据以及下道收费数据,包括收费时间、车牌号、车辆类型、站点名称、行程时间;数据预测模块:基于数据获取模块获得的数据构建数据集,计算当前时段数据与数据集中数据的欧式距离计算权值,利用加权平均的方式确定当前时段上游站点向目标站点的转移比例;最终构建各站点向目标站点转移的车流量的预测模块,用于预测各时段目标站点的下道流量。
有益效果:
本发明提出了一种考虑路段车型流量的收费站下道流量短时预测方法,利用了高速路网中各个收费站的流量的空间关联,建立了上游站点的上道车流量和目标站点的下道车流量之间的转移关系。在这过程中考虑了路段行程时间的动态变化以及路段车型流量对转移关系的影响,使建立的转移关系更加符合实际。因此在对目标收费站下道流量进行短时预测时,能够更好地应对路网上道流量的变化,使得对目标站点下道流量的预测更加准确。
附图说明
图1为本发明实施例中收费站下道流量短时预测方法的流程图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
如图1所示,本申请实施例提供一种交通状态估计方法,包括以下步骤:参阅图1。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的模型输入输出及模型结构,其实际实施时各输入输出及模型结构也可能更为复杂。
如图1所示,考虑路段车型流量的收费站下道流量短时预测方法,该方法包括以下步骤:
步骤1),收费站的上道和下道收费数据记录了每一辆经过该站点的车辆的大量相关信息,提取出其中主要的数据字段,包括收费时间、车牌号、车辆类型等,该数据为车流量的预测提供了有力支撑。收费数据是通过高速公路有关部门获得,不在本研究之列。
上道收费数据的主要字段含义如下:
表1上道收费数据字段含义
下道收费数据的主要字段含义如下:
表2下道收费数据字段含义
步骤2),利用收费站上道和下道收费数据进行单车匹配,形成每一辆车的行程信息完整记录,然后以30min为时间窗口统计各个时段的从特定站点上道并从目标站点下道的各个车型流量,并且查找到各个时段里的站点间通行车辆中的最长行程时间和最短行程时间
车辆通行记录数据各个字段的含义如下:
表3车辆通行记录字段含义
步骤3),利用步骤2中得到的各个时段的车型流量和最长行程时间和最短行程时间,建立相应的历史数据库。利用K近邻回归预测算法,可以根据当前时段k(假设是从k0时刻到k1时刻)的车型流量预测出当前时段站点间的最长行程时间τl最短行程时间τs。
步骤5),根据步骤2得到的车辆通行记录,统计前30天中从k0-τs时刻到k1-τl时刻,上游站点和目标站点之间的客车流量和货车流量,以及在目标站点下道的车流量占上游站点上道车流量的比例,形成30个历史样本信息;
步骤6),计算当前时段的客车和货车流量与步骤5构建的30个历史样本信息中的客车货车流量的欧氏距离,根据欧氏距离来确定各个历史样本中转移比例的权值,利用加权平均的方式确定当前时段内上游站点车流量向目标收费站点转移的比例。假设当前客车流量为货车流量为则当前时段流量状况为前30个历史同时段的流量状况为流量转移比例为当前时段的流量状况与第i个历史同时段的流量状况的相似度θi为:
则第i个历史时段转移比例的权重ωi为:
步骤8),QDi为路网中上游站点i向目标站点转移的车流量,而目标站点的下道流量包含了路网中所有上游站点转移过来的车流量。假设上游站点个数为n,目标站点下道流量预测值QD为:
本实施例还提供了基于上述方法的一种收费下道流量短时预测装置,其特征在于:包括数据获取模块:用于获取预测数据;获取的数据包括封闭路网中各站点车辆的上道收费数据以及下道收费数据,包括收费时间、车牌号、车辆类型、站点名称、行程时间;数据预测模块:基于数据获取模块获得的数据构建数据集,计算当前时段数据与数据集中数据的欧式距离计算权值,利用加权平均的方式确定当前时段上游站点向目标站点的转移比例;最终构建各站点向目标站点转移的车流量的预测模块,用于预测各时段目标站点的下道流量。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,但本领域技术人员应当理解,可以在形式上和细节上对其进行各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.一种收费站下道流量短时预测方法,其特征在于:包括以下步骤:
步骤1)、提取路网中各站点车辆上道数据和下道数据,并对数据进行预处理;
步骤2)、根据步骤1)中提取的数据对各站点车辆上道数据与目标站点车辆下道数据进行单车匹配,并以一段固定时间窗口进行统计构建站点间的车辆数据集,所述数据集的输入标签是各个时间段中上游站点到目标站点的客车流量和货车流量,输出特征是各个时段上游站点到目标站点的最长行程时间和最短行程时间;
步骤3)、利用K近邻回归预测算法,建立行程时间预测模型,预测在当前时段车辆从上游站点到目标站点的最长行程时间和最短行程时间;
步骤4)、根据目标站点的下道流量预测目标时间段和步骤3)预测出的最长行程时间以及最短行程时间,确定上游站点的上道车流量的统计时段T,并进行流量统计;
步骤5)、根据历史数据,统计前30天的时段T里,上游站点和目标站点之间的客车流量和货车流量,以及在目标站点下道的车流量占上游站点上道车流量的比例,形成30个历史样本信息;
步骤6)、根据当前时段的客车和货车流量与步骤5)构建的30个历史样本信息的相似度,确定各个历史样本中转移比例的权值,利用加权平均的方式确定当前时段内上游站点车流量向目标收费站点转移的比例;
步骤7)、将步骤4)中统计的上游站点的上道车流量乘上步骤6)中确定的流量转移比例,得到某一个上游站点向目标站点转移的车流量;
步骤8)、针对所有的上游站点,执行步骤2)到步骤7),获得各个上游站点向目标站点转移的车流量,将它们相加,得到目标站点的下道流量预测值;
基于上述方法的一种收费下道流量短时预测装置,包括;
数据获取模块:用于获取预测数据;获取的数据包括封闭路网中各站点车辆的上道收费数据以及下道收费数据,包括收费时间、车牌号、车辆类型、站点名称、行程时间;
数据预测模块:基于数据获取模块获得的数据构建数据集,计算当前时段数据与数据集中数据的欧式距离计算权值,利用加权平均的方式确定当前时段上游站点向目标站点的转移比例;最终构建各站点向目标站点转移的车流量的预测模块,用于预测各时段目标站点的下道流量。
2.如权利要求1所述的收费站下道流量短时预测方法,其特征在于:步骤1)中提取的信息包含每一辆经过站点的车辆的收费时间、车牌号、车辆类型。
3.如权利要求2所述的收费站下道流量短时预测方法,其特征在于:步骤2)中以30min为固定时间窗口进行统计。
5.如权利要求4所述的收费站下道流量短时预测方法,其特征在于:步骤5)中根据步骤2)得到的车辆通行记录,统计前30天中从k0-τs时刻到k1-τl时刻,上游站点和目标站点之间的客车流量和货车流量,以及在目标站点下道的车流量占上游站点上道车流量的比例,形成30个历史样本信息。
6.如权利要求5所述的收费站下道流量短时预测方法,其特征在于:步骤6)中计算当前时段的客车和货车流量与步骤5)中构建的30个历史样本信息中的客车货车流量的欧氏距离,根据欧氏距离来确定各个历史样本中转移比例的权值,利用加权平均的方式确定当前时段内上游站点车流量向目标站点转移的比例;其中,前客车流量为货车流量为当前时段流量状况为前30个历史同时段的流量状况为流量转移比例为当前时段的流量状况与第i个历史同时段的流量状况的相似度θi为:
则第i个历史时段转移比例的权重ωi为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640841.9A CN113345252B (zh) | 2021-06-08 | 2021-06-08 | 一种收费站下道流量短时预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640841.9A CN113345252B (zh) | 2021-06-08 | 2021-06-08 | 一种收费站下道流量短时预测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113345252A CN113345252A (zh) | 2021-09-03 |
CN113345252B true CN113345252B (zh) | 2022-07-22 |
Family
ID=77475560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110640841.9A Active CN113345252B (zh) | 2021-06-08 | 2021-06-08 | 一种收费站下道流量短时预测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113345252B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240431B (zh) * | 2022-09-20 | 2023-02-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800198A (zh) * | 2012-08-15 | 2012-11-28 | 重庆大学 | 高速公路断面交通流量的测算方法 |
CN106327864A (zh) * | 2015-07-10 | 2017-01-11 | 北京大学 | 一种基于高速公路联网收费数据的交通流估计方法 |
EP3186662A1 (en) * | 2014-08-26 | 2017-07-05 | Microsoft Technology Licensing, LLC | Measuring traffic speed in a road network |
CN106991824A (zh) * | 2017-05-23 | 2017-07-28 | 招商局重庆交通科研设计院有限公司 | 收费站车辆排队预测方法 |
CN108417034A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 一种基于多变量灰色模型的高速公路节假日车流量预测方法 |
CN108564789A (zh) * | 2018-06-11 | 2018-09-21 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
CN108665707A (zh) * | 2018-05-24 | 2018-10-16 | 金陵科技学院 | 一种预防局部交通拥堵的高速公路入口分流及流量协同控制方法 |
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 |
CN110211396A (zh) * | 2019-05-30 | 2019-09-06 | 华南理工大学 | 一种高速公路收费站与周边交叉口群的动态调控方法 |
CN110245423A (zh) * | 2019-06-14 | 2019-09-17 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110299011A (zh) * | 2019-07-26 | 2019-10-01 | 长安大学 | 一种基于收费数据的高速公路任意断面的交通流预测方法 |
CN110517485A (zh) * | 2019-08-09 | 2019-11-29 | 大连理工大学 | 一种基于时段划分的短时交通流预测方法 |
CN111260122A (zh) * | 2020-01-13 | 2020-06-09 | 重庆首讯科技股份有限公司 | 一种高速公路上车流量预测方法及装置 |
CN111292533A (zh) * | 2020-02-11 | 2020-06-16 | 北京交通大学 | 基于多源数据的高速公路任意时段任意断面流量估计方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN111696369A (zh) * | 2020-04-10 | 2020-09-22 | 北京数城未来科技有限公司 | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 |
CN111724589A (zh) * | 2020-06-03 | 2020-09-29 | 重庆大学 | 一种基于多源数据的高速公路断面流量估计方法 |
CN111724593A (zh) * | 2020-06-12 | 2020-09-29 | 重庆大学 | 一种基于rfid考虑交通流转移率的公交行程时间预测方法 |
CN111724595A (zh) * | 2020-06-23 | 2020-09-29 | 重庆大学 | 一种基于收费数据的高速公路断面流量估计方法 |
CN111739292A (zh) * | 2020-06-08 | 2020-10-02 | 重庆大学 | 一种考虑路网od流量贡献时变性的收费站流量预测方法 |
CN112488369A (zh) * | 2020-11-19 | 2021-03-12 | 南方电网科学研究院有限责任公司 | 一种充电站的选址定容方法、装置以及存储介质 |
CN112581774A (zh) * | 2020-12-08 | 2021-03-30 | 重庆大学 | 一种基于etc数据的高速公路服务区驶入车流量估计方法 |
CN112598165A (zh) * | 2020-12-11 | 2021-04-02 | 湖南大学 | 基于私家车数据的城市功能区转移流量预测方法及装置 |
CN112801400A (zh) * | 2021-02-09 | 2021-05-14 | 重庆大学 | 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311651B2 (en) * | 2012-02-29 | 2019-06-04 | Conduent Business Services, Llc | Method and system for providing dynamic pricing algorithm with embedded controller for high occupancy toll lanes |
CN105590346B (zh) * | 2016-02-18 | 2018-01-16 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
CN107945507B (zh) * | 2016-10-13 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 行程时间预测方法及装置 |
CN107993438A (zh) * | 2017-12-08 | 2018-05-04 | 上海云砥信息科技有限公司 | 一种高速公路瓶颈路段拥堵预警方法 |
US10986602B2 (en) * | 2018-02-09 | 2021-04-20 | Intel Corporation | Technologies to authorize user equipment use of local area data network features and control the size of local area data network information in access and mobility management function |
CN108847021B (zh) * | 2018-06-07 | 2021-12-21 | 华南理工大学 | 一种考虑异质用户的路网流量预测方法 |
CN109064754B (zh) * | 2018-10-10 | 2021-08-27 | 南京宁昱通交通科技有限公司 | 一种高速公路入口分流及流量协同控制方法 |
CN111063204B (zh) * | 2019-12-19 | 2020-11-10 | 浙江省交通规划设计研究院有限公司 | 一种基于收费站流量的高速公路车速预测模型训练方法 |
CN112489422B (zh) * | 2020-11-19 | 2022-11-04 | 浙江工业大学 | 一种基于算法模型分析的车流量预测方法 |
-
2021
- 2021-06-08 CN CN202110640841.9A patent/CN113345252B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800198A (zh) * | 2012-08-15 | 2012-11-28 | 重庆大学 | 高速公路断面交通流量的测算方法 |
EP3186662A1 (en) * | 2014-08-26 | 2017-07-05 | Microsoft Technology Licensing, LLC | Measuring traffic speed in a road network |
CN106327864A (zh) * | 2015-07-10 | 2017-01-11 | 北京大学 | 一种基于高速公路联网收费数据的交通流估计方法 |
CN106991824A (zh) * | 2017-05-23 | 2017-07-28 | 招商局重庆交通科研设计院有限公司 | 收费站车辆排队预测方法 |
CN108417034A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 一种基于多变量灰色模型的高速公路节假日车流量预测方法 |
CN108665707A (zh) * | 2018-05-24 | 2018-10-16 | 金陵科技学院 | 一种预防局部交通拥堵的高速公路入口分流及流量协同控制方法 |
CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
CN108564789A (zh) * | 2018-06-11 | 2018-09-21 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
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 |
CN110211396A (zh) * | 2019-05-30 | 2019-09-06 | 华南理工大学 | 一种高速公路收费站与周边交叉口群的动态调控方法 |
CN110245423A (zh) * | 2019-06-14 | 2019-09-17 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110299011A (zh) * | 2019-07-26 | 2019-10-01 | 长安大学 | 一种基于收费数据的高速公路任意断面的交通流预测方法 |
CN110517485A (zh) * | 2019-08-09 | 2019-11-29 | 大连理工大学 | 一种基于时段划分的短时交通流预测方法 |
CN111260122A (zh) * | 2020-01-13 | 2020-06-09 | 重庆首讯科技股份有限公司 | 一种高速公路上车流量预测方法及装置 |
CN111292533A (zh) * | 2020-02-11 | 2020-06-16 | 北京交通大学 | 基于多源数据的高速公路任意时段任意断面流量估计方法 |
CN111696369A (zh) * | 2020-04-10 | 2020-09-22 | 北京数城未来科技有限公司 | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN111724589A (zh) * | 2020-06-03 | 2020-09-29 | 重庆大学 | 一种基于多源数据的高速公路断面流量估计方法 |
CN111739292A (zh) * | 2020-06-08 | 2020-10-02 | 重庆大学 | 一种考虑路网od流量贡献时变性的收费站流量预测方法 |
CN111724593A (zh) * | 2020-06-12 | 2020-09-29 | 重庆大学 | 一种基于rfid考虑交通流转移率的公交行程时间预测方法 |
CN111724595A (zh) * | 2020-06-23 | 2020-09-29 | 重庆大学 | 一种基于收费数据的高速公路断面流量估计方法 |
CN112488369A (zh) * | 2020-11-19 | 2021-03-12 | 南方电网科学研究院有限责任公司 | 一种充电站的选址定容方法、装置以及存储介质 |
CN112581774A (zh) * | 2020-12-08 | 2021-03-30 | 重庆大学 | 一种基于etc数据的高速公路服务区驶入车流量估计方法 |
CN112598165A (zh) * | 2020-12-11 | 2021-04-02 | 湖南大学 | 基于私家车数据的城市功能区转移流量预测方法及装置 |
CN112801400A (zh) * | 2021-02-09 | 2021-05-14 | 重庆大学 | 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 |
Non-Patent Citations (9)
Title |
---|
A combined model of random forest and multilayer perceptron to forecast expressway traffic flow;Dan Xu;《2017 7th IEEE International Conference on Electronics Information and Emergency Communication (ICEIEC)》;20171023;448-451 * |
Self-Adaptive Tolling Strategy for Enhanced High-Occupancy Toll Lane Operations;Guohui Zhang;《IEEE Transactions on Intelligent Transportation Systems》;20130923;306-317 * |
分车型的高速公路短时交通流量预测方法研究;周桐;《计算机应用研究》;20150130;1996-1999 * |
基于LSTM引入客车占比特征的短时交通流预测;翁小雄;《重庆交通大学学报(自然科学版)》;20201115;20-25 * |
基于多特征GBDT模型的收费站短时交通流量预测;林培群;《广西大学学报(自然科学版)》;20180815;1192-1199 * |
基于收费数据时间和空间关系的高速公路收费站流量预测;和婧;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20201215;C034-74 * |
基于时空注意力机制的高速公路多收费站多时段出口流量预测方法研究;黄子敬;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210215;C034-995 * |
收费站与车检器数据结合的高速公路路段短时流量预测;陈雪;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190415;C034-344 * |
考虑异质出行者的道路收费路网流量演化模型;田晟;《华南理工大学学报(自然科学版)》;20181115;110-116 * |
Also Published As
Publication number | Publication date |
---|---|
CN113345252A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data | |
Liu et al. | Bus arrival time prediction based on LSTM and spatial-temporal feature vector | |
CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
Niu et al. | DeepSense: A novel learning mechanism for traffic prediction with taxi GPS traces | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN105513337A (zh) | 一种客流量的预测方法及装置 | |
CN112036757B (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN111768619A (zh) | 一种基于卡口数据的快速路车辆od点确定方法 | |
CN112906945A (zh) | 一种交通流量预测方法、系统及计算机可读存储介质 | |
CN112801400A (zh) | 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 | |
CN111899511A (zh) | 一种共线线路avl数据的公交车到站时间预测方法 | |
CN113345252B (zh) | 一种收费站下道流量短时预测方法与装置 | |
CN116153125A (zh) | 一种基于ida-rnn模型的空间维度公交到达时间预测方法 | |
CN111724592A (zh) | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 | |
CN114005275B (zh) | 一种基于多数据源融合的高速公路车辆拥堵判别方法 | |
CN112767686B (zh) | 一种基于多源数据融合的公路网汽车排放估算方法 | |
CN108830414B (zh) | 一种电动汽车商用充电区的负荷预测方法 | |
CN106157657A (zh) | 一种移动用户的运动状态识别系统及其方法 | |
Nair et al. | Mapping bus and stream travel time using machine learning approaches | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |