CN113470376A - 基于卡口过车数据的实时区域在途车辆计数方法及系统 - Google Patents
基于卡口过车数据的实时区域在途车辆计数方法及系统 Download PDFInfo
- Publication number
- CN113470376A CN113470376A CN202110572158.6A CN202110572158A CN113470376A CN 113470376 A CN113470376 A CN 113470376A CN 202110572158 A CN202110572158 A CN 202110572158A CN 113470376 A CN113470376 A CN 113470376A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bayonet
- transit
- data
- current
- 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
- G08G1/065—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
Abstract
本发明提供了一种基于卡口过车数据的实时区域在途车辆计数方法及系统，包括：步骤S1：获取历史卡口过车数据，并对历史卡口过车数据进行预处理，得到预处理后的历史卡口过车数据；步骤S2：对预处理后的历史卡口过车数据进行统计分析，计算机动车辆在卡口抓拍记录下后，在预设时间区间内仍然在道路上行驶的概率，得到各卡口离线在途率；步骤S3：对今日卡口过车数据进行处理，获取每辆机动车在区域内到当前时刻为止最后一条过车记录；步骤S4：根据每辆机动车的最后一条过车记录和卡口离线在途率数据，统计当前时刻整个区域的在途量。
Description
技术领域
本发明涉及城市智慧交通领域，具体地，涉及一种基于卡口过车数据的实时区域在途车辆计数方法及系统，适用于区域道路交通实时运行状态的评价，为城市管理部门提供数据支持和决策依据。
背景技术
在城市道路交通流量分析中，如何计算在道路中实时行驶的机动车的数量即在途量，对城市交通组织管理、道路拥堵治理以及居民出行分析等有重大意义。问题的难点在于城市级区域的实时在途量计算，在空间维度和时间维度都具有很大的挑战。经调研，现有的计算方法有以下三种。
方法一，基于城市机动车保有量、各个道路通行能力等基础静态数据加上专家的经验进行预估，该方案的缺陷是经验预估会有误差，而且无法做到实时计算。
方法二，基于整个城市浮动车GPS数据进行的实时估算，该方案的缺陷主要是数据覆盖度不够，只能用局部采样来预估整体。
方法三，基于城市卫星图像做机动车目标识别来，该方案的缺陷是图像算法在卫星图上识别难度较大，识别准确度的不够，另外无法解决遮挡问题，导致误差很大。
随着视频监控行业的迅猛发展，智能交通、智能卡口设备的增多，道路中行驶的机动车辆会很容易被设备拍摄然后产出结构化数据。这些数据记录了每辆机动车的行驶轨迹，其覆盖程度满足我们计算的需求。本发明利用整个城市交通卡口过车数据，设计了一种方法来实时计算区域在途量。创新点在于以下方面。首先，卡口过车记录可以实时反映机动车实际在途行驶，在卡口设备覆盖度高的现代城市内，利用该数据来计算区域实时在途量很有优势。其次，本发明提出了一种概率估计模型，只要机动车被任意卡口抓拍并记录下来，都会对区域在途量的计算有贡献，因此少量卡口设备覆盖缺失的路段对整体区域计算的影响会有很大降低，增加了方法的鲁棒性。最后，本发明可以对整个城市区域做实时的在途量计算，对比其他方案有空间性和时效性的优势。
专利文献CN112489432A(申请号：202011490916.1)公开了一种高速公路在途车数量计算方法、装置及存储介质，通过对卡口设备信息进行排序分段，从卡口设备获取过车数据，通过过车数据和卡口设备信息进行匹配，对异常数据进行剔除，最后能准确的计算出正在高速公路上行驶的在途车辆。得到高速公路和高速公路每段路上的在途车数量，可以监控到每一段路的车辆行驶情况和拥堵情况，能更准确的知道高速公路每一段路上实时的在途车辆数。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于卡口过车数据的实时区域在途车辆计数方法及系统。
根据本发明提供的一种基于卡口过车数据的实时区域在途车辆计数方法，包括：
步骤S1：获取历史卡口过车数据，并对历史卡口过车数据进行预处理，得到预处理后的历史卡口过车数据；
步骤S2：对预处理后的历史卡口过车数据进行统计分析，计算机动车辆在卡口抓拍记录下后，在预设时间区间内仍然在道路上行驶的概率，得到各卡口离线在途率；
步骤S3：对今日卡口过车数据进行处理，获取每辆机动车在区域内到当前时刻为止最后一条过车记录；
步骤S4：根据每辆机动车的最后一条过车记录和卡口离线在途率数据，统计当前时刻整个区域的在途量。
优选地，所述步骤S1中预处理包括：过滤无号牌的机动车过车记录、过滤预设时间内只出现一次的车牌记录以及过滤由于卡口设备时钟问题导致的异常数据。
优选地，所述步骤S2包括：
步骤S2.1：确定数据统计粒度；
步骤S2.1：对任意时刻任意卡口，统计当前的机动车在预设时间区间内在途的概率；
步骤S2.2：取预设数量过车数据，统计各卡口的离线在途率；
步骤S2.3：按分钟计算全天在途率，获得全天任意时间区间的卡口在途率，重复执行步骤S2.1至步骤S2.3，获得每日最新的离线在途率。
优选地，所述步骤S2.1中统计当前的机动车在预设时间区间内在途的概率包括：在预设时间区间内被再次抓拍，则当前的机动车在预设时间内在途。
优选地，所述步骤S4包括：
步骤S4.1：获取当前时刻预设时间区域内每辆机动车的最后一条过车记录；
步骤S4.2：计算最后过车时间与当前时刻的时间差；
步骤S4.3：基于过车记录中的卡口ID、当前时刻以及时间差，获取当前时刻每辆机动车在途的概率P，概率P作为对在途量的贡献；
步骤S4.4：根据当前时刻每辆机动车在途量的贡献，得到当前区域内所有机动车对在途量的累计贡献；
步骤S4.5：全天每分钟计算一次，获得当天实时在途量。
根据本发明提供的一种基于卡口过车数据的实时区域在途车辆计数系统，包括：
模块M1：获取历史卡口过车数据，并对历史卡口过车数据进行预处理，得到预处理后的历史卡口过车数据；
模块M2：对预处理后的历史卡口过车数据进行统计分析，计算机动车辆在卡口抓拍记录下后，在预设时间区间内仍然在道路上行驶的概率，得到各卡口离线在途率；
模块M3：对今日卡口过车数据进行处理，获取每辆机动车在区域内到当前时刻为止最后一条过车记录；
模块M4：根据每辆机动车的最后一条过车记录和卡口离线在途率数据，统计当前时刻整个区域的在途量。
优选地，所述模块M1中预处理包括：过滤无号牌的机动车过车记录、过滤预设时间内只出现一次的车牌记录以及过滤由于卡口设备时钟问题导致的异常数据。
优选地，所述模块M2包括：
模块M2.1：确定数据统计粒度；
模块M2.1：对任意时刻任意卡口，统计当前的机动车在预设时间区间内在途的概率；
模块M2.2：取预设数量过车数据，统计各卡口的离线在途率；
模块M2.3：按分钟计算全天在途率，获得全天任意时间区间的卡口在途率，重复触发模块M2.1至模块M2.3执行，获得每日最新的离线在途率。
优选地，所述模块M2.1中统计当前的机动车在预设时间区间内在途的概率包括：在预设时间区间内被再次抓拍，则当前的机动车在预设时间内在途。
优选地，所述模块M4包括：
模块M4.1：获取当前时刻预设时间区域内每辆机动车的最后一条过车记录；
模块M4.2：计算最后过车时间与当前时刻的时间差；
模块M4.3：基于过车记录中的卡口ID、当前时刻以及时间差，获取当前时刻每辆机动车在途的概率P，概率P作为对在途量的贡献；
模块M4.4：根据当前时刻每辆机动车在途量的贡献，得到当前区域内所有机动车对在途量的累计贡献；
模块M4.5：全天每分钟计算一次，获得当天实时在途量。
与现有技术相比，本发明具有如下的有益效果：本发明通过对离线卡口过车数据的处理，实现了对每个卡口设备在任意时刻抓拍到机动车记录是否在途的概率进行了估计。而实时计算中利用了机动车被抓拍到即在途的客观事实以及通过离线在途率估计来计算在途的概率贡献，达到在途量更加精准的计算效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为基于卡口过车数据的实时区域在途车辆计数方法流程图；
图2为获取各卡口每日离线在途率计算流程图；
图3为获取预设区域内实时在途量流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种基于卡口过车数据的实时区域在途车辆计数方法，如图1至3所示，包括：
步骤S1：获取历史卡口过车数据，并对历史卡口过车数据进行预处理，得到预处理后的历史卡口过车数据；
步骤S2：对预处理后的历史卡口过车数据进行统计分析，计算机动车辆在卡口抓拍记录下后，在预设时间区间内仍然在道路上行驶的概率，得到各卡口离线在途率；
步骤S3：对今日卡口过车数据进行处理，获取每辆机动车在区域内到当前时刻为止最后一条过车记录；
步骤S4：根据每辆机动车的最后一条过车记录和卡口离线在途率数据，统计当前时刻整个区域的在途量。
具体地，所述步骤S1中预处理包括：过滤无号牌的机动车过车记录、过滤预设时间内只出现一次的车牌记录以及过滤由于卡口设备时钟问题导致的异常数据。
具体地，所述步骤S2包括：
步骤S2.1：确定数据统计粒度；
步骤S2.1：对任意时刻任意卡口，统计当前的机动车在预设时间区间内在途的概率；
步骤S2.2：取预设数量过车数据，统计各卡口的离线在途率；
步骤S2.3：按分钟计算全天在途率，获得全天任意时间区间的卡口在途率，重复执行步骤S2.1至步骤S2.3，获得每日最新的离线在途率。
具体地，所述步骤S2.1中统计当前的机动车在预设时间区间内在途的概率包括：在预设时间区间内被再次抓拍，则当前的机动车在预设时间内在途。
具体地，所述步骤S4包括：
步骤S4.1：获取当前时刻预设时间区域内每辆机动车的最后一条过车记录；
步骤S4.2：计算最后过车时间与当前时刻的时间差；
步骤S4.3：基于过车记录中的卡口ID、当前时刻以及时间差，获取当前时刻每辆机动车在途的概率P，概率P作为对在途量的贡献；
步骤S4.4：根据当前时刻每辆机动车在途量的贡献，得到当前区域内所有机动车对在途量的累计贡献；
步骤S4.5：全天每分钟计算一次，获得当天实时在途量。
根据本发明提供的一种基于卡口过车数据的实时区域在途车辆计数系统，包括：
模块M1：获取历史卡口过车数据，并对历史卡口过车数据进行预处理，得到预处理后的历史卡口过车数据；
模块M2：对预处理后的历史卡口过车数据进行统计分析，计算机动车辆在卡口抓拍记录下后，在预设时间区间内仍然在道路上行驶的概率，得到各卡口离线在途率；
模块M3：对今日卡口过车数据进行处理，获取每辆机动车在区域内到当前时刻为止最后一条过车记录；
模块M4：根据每辆机动车的最后一条过车记录和卡口离线在途率数据，统计当前时刻整个区域的在途量。
具体地，所述模块M1中预处理包括：过滤无号牌的机动车过车记录、过滤预设时间内只出现一次的车牌记录以及过滤由于卡口设备时钟问题导致的异常数据。
具体地，所述模块M2包括：
模块M2.1：确定数据统计粒度；
模块M2.1：对任意时刻任意卡口，统计当前的机动车在预设时间区间内在途的概率；
模块M2.2：取预设数量过车数据，统计各卡口的离线在途率；
模块M2.3：按分钟计算全天在途率，获得全天任意时间区间的卡口在途率，重复触发模块M2.1至模块M2.3执行，获得每日最新的离线在途率。
具体地，所述模块M2.1中统计当前的机动车在预设时间区间内在途的概率包括：在预设时间区间内被再次抓拍，则当前的机动车在预设时间内在途。
具体地，所述模块M4包括：
模块M4.1：获取当前时刻预设时间区域内每辆机动车的最后一条过车记录；
模块M4.2：计算最后过车时间与当前时刻的时间差；
模块M4.3：基于过车记录中的卡口ID、当前时刻以及时间差，获取当前时刻每辆机动车在途的概率P，概率P作为对在途量的贡献；
模块M4.4：根据当前时刻每辆机动车在途量的贡献，得到当前区域内所有机动车对在途量的累计贡献；
模块M4.5：全天每分钟计算一次，获得当天实时在途量。
实施例2
实施例2是实施例1的优选例
本发明方法采用卡口数据来计算整个城市区域的实时在途量，具体实施步骤如下：
步骤A：卡口过车数据处理：卡口过车数据的数据结构主要包含3个关键字段，卡口id、车牌号码、过车时间。该记录的现实表达是在某时刻机动车通过某个卡口，其中车牌号码为机动车唯一标识。在数据处理过程中，本发明采用了三种主要处理措施。
具体措施：
步骤A11、本发明分析认定，无号牌记录为机动车识别错误，因此过滤无号牌的记录。
步骤A12、本发明分析认定，在历史数据中一天内只出现一次的车牌号为车牌识别错误，无法用于还原轨迹。因此，在历史数据处理中，过滤一天内只出现一次的车牌记录。
步骤A13、过车记录中存在过车抓拍时间超过记录入库的系统时间。由于卡口设备时钟问题导致的异常数据，需要过滤。
步骤B、各卡口全天离线在途率计算：对历史卡口过车数据进行统计分析，计算机动车辆在被某个卡口抓拍记录下后，在接下来时间区间内仍然在道路上行驶的概率。
P(卡口ID，当前时刻，时间区间)
本发明认为在城市道路卡口监控设备的普遍覆盖的情况下，机动车30分钟之后未被卡口再次抓拍并记录下来，则该机动车在途的概率为0，因此把时间区间按分钟划分，分为1分钟，2分钟，3分钟...30分钟，这样我们就得到了某个时刻的在途率。由于我们希望得到全天任意时刻的在途率，因此本发明每分钟计算一次，得到分钟级在途率。该概率按每分钟计算一次，获取全天任意时刻的在途率。
步骤C、今日卡口过车数据处理：对今日卡口过车数据进行处理，获得每辆机动车在区域内到当前时刻为止最后一条过车记录。
步骤D、实时区域在途量计算：根据每辆机动车的最后一条过车记录和离线卡口在途率数据，统计当前时刻整个区域的在途量。
进一步的技术方案：对步骤B的实施步骤做如下详细描述。
步骤B11：确定数据统计粒度。时间区间按分钟分为1分钟，2分钟，3分钟……30分钟。全天任意时刻的统计粒度到分钟级即每分钟的概率。
步骤B12：各卡口某时刻离线在途率计算。对某个时刻任意卡口，统计当前的机动车在时间区间内在途的概率。本发明分析认定，在接下来的时间区间内被再次抓拍即为在当前时间区间内在途，没有被再次抓拍大于30分钟即为停止行驶。概率p即为：
P(卡口ID，当前时刻，时间区间)
即为当前时刻通过该卡口的过车记录中时间区间(n分钟)被再次抓拍到的过车记录数与所有记录的比值。
取大量过车数据(如近N天，不包含今天)来统计各卡口的离线在途率。
步骤B13：各卡口全天离线在途率计算。按分钟来计算全天在途率，即获得全天任意分钟的卡口在途率。
步骤B14：每日重复B12、B13进行更新。获得每日最新的离线在途率。
更为具体地，离线在途率的计算：
假设某个卡口设备36xx18点钟有100条过车记录，每条记录被下一次抓拍的时间按分钟分区间统计，假设如下表
| (0,1] | (1,2] | (3,4] | .... | (30,无穷大) |
| 40 | 30 | 10 | 10 | 10 |
其中：1-2分钟内被再次抓拍到，意味着在1分钟内是在途的；2-3分钟内被再次抓拍到，意味着在1分钟内和2分钟内都是在途的；....另外，我们认定抓拍时间差大于30分钟或者未被再次抓拍，说明该车辆可能已经停驶。因此
P(卡口36xx18，8，1)＝(40+30+10+10)/100＝0.9
P(卡口36xx18，8，2)＝(30+10+10)/100＝0.5
……
P(卡口36xx18，8，>30)＝0
进一步的技术方案：对步骤D的实施步骤做如下详细描述。
步骤D11：获取当前时刻区域内每辆机动车的最后一条过车记录。
步骤D12：计算最后过车时间与当前时刻的时间差。
步骤D13：计算每辆机动车实时在途的概率。基于过车记录中的卡口ID、当前时刻以及步骤D12中计算的时间差，获取当前时刻每辆机动车在途的概率p作为对在途量的贡献
步骤D14：统计该区域内所有机动车对在途量的累计贡献。即所有机动车P(卡口ID，当前时刻，时间区间)之和。
步骤D15：全天每分钟计算一次，即获得今日实时在途量。
更为具体地，实时在途量计算：
举例单个8点前，卡口设备36xx1所包含的最后过车记录中，距当前时间的时间差分区间计数；
| (0,1] | (1,2] | (3,4] | .... | (30,无穷大) |
| 100 | 50 | 10 | 10 | 10 |
因此，卡口设备36XX1抓拍到最后一条记录的所有车辆对当前在途量的贡献即为100*0.9+50*0.5+……。
对区域内所有卡口设备的在途量贡献求和，即为区域在途量。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于卡口过车数据的实时区域在途车辆计数方法，其特征在于，包括：
步骤S1：获取历史卡口过车数据，并对历史卡口过车数据进行预处理，得到预处理后的历史卡口过车数据；
步骤S2：对预处理后的历史卡口过车数据进行统计分析，计算机动车辆在卡口抓拍记录下后，在预设时间区间内仍然在道路上行驶的概率，得到各卡口离线在途率；
步骤S3：对今日卡口过车数据进行处理，获取每辆机动车在区域内到当前时刻为止最后一条过车记录；
步骤S4：根据每辆机动车的最后一条过车记录和卡口离线在途率数据，统计当前时刻整个区域的在途量。
2.根据权利要求1所述的基于卡口过车数据的实时区域在途车辆计数方法，其特征在于，所述步骤S1中预处理包括：过滤无号牌的机动车过车记录、过滤预设时间内只出现一次的车牌记录以及过滤由于卡口设备时钟问题导致的异常数据。
3.根据权利要求1所述的基于卡口过车数据的实时区域在途车辆计数方法，其特征在于，所述步骤S2包括：
步骤S2.1：确定数据统计粒度；
步骤S2.1：对任意时刻任意卡口，统计当前的机动车在预设时间区间内在途的概率；
步骤S2.2：取预设数量过车数据，统计各卡口的离线在途率；
步骤S2.3：按分钟计算全天在途率，获得全天任意时间区间的卡口在途率，重复执行步骤S2.1至步骤S2.3，获得每日最新的离线在途率。
4.根据权利要求3所述的基于卡口过车数据的实时区域在途车辆计数方法，其特征在于，所述步骤S2.1中统计当前的机动车在预设时间区间内在途的概率包括：在预设时间区间内被再次抓拍，则当前的机动车在预设时间内在途。
5.根据权利要求1所述的基于卡口过车数据的实时区域在途车辆计数方法，其特征在于，所述步骤S4包括：
步骤S4.1：获取当前时刻预设时间区域内每辆机动车的最后一条过车记录；
步骤S4.2：计算最后过车时间与当前时刻的时间差；
步骤S4.3：基于过车记录中的卡口ID、当前时刻以及时间差，获取当前时刻每辆机动车在途的概率P，概率P作为对在途量的贡献；
步骤S4.4：根据当前时刻每辆机动车在途量的贡献，得到当前区域内所有机动车对在途量的累计贡献；
步骤S4.5：全天每分钟计算一次，获得当天实时在途量。
6.一种基于卡口过车数据的实时区域在途车辆计数系统，其特征在于，包括：
模块M1：获取历史卡口过车数据，并对历史卡口过车数据进行预处理，得到预处理后的历史卡口过车数据；
模块M2：对预处理后的历史卡口过车数据进行统计分析，计算机动车辆在卡口抓拍记录下后，在预设时间区间内仍然在道路上行驶的概率，得到各卡口离线在途率；
模块M3：对今日卡口过车数据进行处理，获取每辆机动车在区域内到当前时刻为止最后一条过车记录；
模块M4：根据每辆机动车的最后一条过车记录和卡口离线在途率数据，统计当前时刻整个区域的在途量。
7.根据权利要求6所述的基于卡口过车数据的实时区域在途车辆计数系统，其特征在于，所述模块M1中预处理包括：过滤无号牌的机动车过车记录、过滤预设时间内只出现一次的车牌记录以及过滤由于卡口设备时钟问题导致的异常数据。
8.根据权利要求6所述的基于卡口过车数据的实时区域在途车辆计数系统，其特征在于，所述模块M2包括：
模块M2.1：确定数据统计粒度；
模块M2.1：对任意时刻任意卡口，统计当前的机动车在预设时间区间内在途的概率；
模块M2.2：取预设数量过车数据，统计各卡口的离线在途率；
模块M2.3：按分钟计算全天在途率，获得全天任意时间区间的卡口在途率，重复触发模块M2.1至模块M2.3执行，获得每日最新的离线在途率。
9.根据权利要求8所述的基于卡口过车数据的实时区域在途车辆计数系统，其特征在于，所述模块M2.1中统计当前的机动车在预设时间区间内在途的概率包括：在预设时间区间内被再次抓拍，则当前的机动车在预设时间内在途。
10.根据权利要求6所述的基于卡口过车数据的实时区域在途车辆计数系统，其特征在于，所述模块M4包括：
模块M4.1：获取当前时刻预设时间区域内每辆机动车的最后一条过车记录；
模块M4.2：计算最后过车时间与当前时刻的时间差；
模块M4.3：基于过车记录中的卡口ID、当前时刻以及时间差，获取当前时刻每辆机动车在途的概率P，概率P作为对在途量的贡献；
模块M4.4：根据当前时刻每辆机动车在途量的贡献，得到当前区域内所有机动车对在途量的累计贡献；
模块M4.5：全天每分钟计算一次，获得当天实时在途量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110572158.6A CN113470376B (zh) | 2021-05-25 | 2021-05-25 | 基于卡口过车数据的实时区域在途车辆计数方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110572158.6A CN113470376B (zh) | 2021-05-25 | 2021-05-25 | 基于卡口过车数据的实时区域在途车辆计数方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113470376A true CN113470376A (zh) | 2021-10-01 |
| CN113470376B CN113470376B (zh) | 2022-06-10 |
Family
ID=77871416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110572158.6A Active CN113470376B (zh) | 2021-05-25 | 2021-05-25 | 基于卡口过车数据的实时区域在途车辆计数方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470376B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294776A (zh) * | 2022-06-23 | 2022-11-04 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000025631A (ja) * | 1998-07-10 | 2000-01-25 | Nissan Motor Co Ltd | レーンキープシステム |
| CN105225476A (zh) * | 2014-06-10 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车辆轨迹的生成、聚合方法和装置 |
| CN108257386A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 行驶轨迹获取方法和装置 |
| CN109215339A (zh) * | 2018-08-24 | 2019-01-15 | 浙江大学 | 一种基于实时路况分析的道路指示系统及方法 |
| WO2019239175A1 (ja) * | 2018-06-12 | 2019-12-19 | 日産自動車株式会社 | 車両管理システムおよび車両管理方法 |
| US10586024B1 (en) * | 2019-05-23 | 2020-03-10 | Banjo, Inc. | System and method for event-based vehicle operation |
| CN110954105A (zh) * | 2019-11-26 | 2020-04-03 | 东软集团股份有限公司 | 车辆位置预测方法、装置、存储介质及电子设备 |
| CN111091711A (zh) * | 2019-12-18 | 2020-05-01 | 上海天壤智能科技有限公司 | 基于强化学习和交通车道竞争理论的交通控制方法及系统 |
| CN111127910A (zh) * | 2019-12-18 | 2020-05-08 | 上海天壤智能科技有限公司 | 交通信号调节方法、系统及介质 |
| CN112489432A (zh) * | 2020-12-17 | 2021-03-12 | 安徽百诚慧通科技有限公司 | 一种高速公路在途车数量计算方法、装置及存储介质 |
| CN112581765A (zh) * | 2020-12-12 | 2021-03-30 | 陕西世纪高通科技有限公司 | 一种基于卡口融合的在途量计算方法 |
-
2021
- 2021-05-25 CN CN202110572158.6A patent/CN113470376B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000025631A (ja) * | 1998-07-10 | 2000-01-25 | Nissan Motor Co Ltd | レーンキープシステム |
| CN105225476A (zh) * | 2014-06-10 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车辆轨迹的生成、聚合方法和装置 |
| CN108257386A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 行驶轨迹获取方法和装置 |
| WO2019239175A1 (ja) * | 2018-06-12 | 2019-12-19 | 日産自動車株式会社 | 車両管理システムおよび車両管理方法 |
| CN109215339A (zh) * | 2018-08-24 | 2019-01-15 | 浙江大学 | 一种基于实时路况分析的道路指示系统及方法 |
| US10586024B1 (en) * | 2019-05-23 | 2020-03-10 | Banjo, Inc. | System and method for event-based vehicle operation |
| CN110954105A (zh) * | 2019-11-26 | 2020-04-03 | 东软集团股份有限公司 | 车辆位置预测方法、装置、存储介质及电子设备 |
| CN111091711A (zh) * | 2019-12-18 | 2020-05-01 | 上海天壤智能科技有限公司 | 基于强化学习和交通车道竞争理论的交通控制方法及系统 |
| CN111127910A (zh) * | 2019-12-18 | 2020-05-08 | 上海天壤智能科技有限公司 | 交通信号调节方法、系统及介质 |
| CN112581765A (zh) * | 2020-12-12 | 2021-03-30 | 陕西世纪高通科技有限公司 | 一种基于卡口融合的在途量计算方法 |
| CN112489432A (zh) * | 2020-12-17 | 2021-03-12 | 安徽百诚慧通科技有限公司 | 一种高速公路在途车数量计算方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 王静等: "基于GPS的道路客运旅客在途位置辨识与到站时间精准预测技术", 《数字通信世界》 * |
| 王静等: "基于GPS的道路客运旅客在途位置辨识与到站时间精准预测技术", 《数字通信世界》, no. 09, 1 September 2018 (2018-09-01) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294776A (zh) * | 2022-06-23 | 2022-11-04 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
| CN115294776B (zh) * | 2022-06-23 | 2024-04-12 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113470376B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
| CN108257386B (zh) | 行驶轨迹获取方法和装置 | |
| CN111966729B (zh) | 一种车辆轨迹数据处理方法、装置、设备及存储介质 | |
| CN107885795B (zh) | 一种卡口数据的数据校验方法、系统和装置 | |
| CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
| CN110222131A (zh) | 起讫信息提取方法及装置 | |
| CN101187943B (zh) | 自动更新系统、自动更新方法及其程序 | |
| Kazagli et al. | Estimation of arterial travel time from automatic number plate recognition data | |
| CN103077610A (zh) | 一种路段旅行时间估计的方法和系统 | |
| CN109254861B (zh) | 基于轨迹数据的od需求提取及其可靠性分析方法 | |
| CN106327866B (zh) | 基于rfid的车辆出行od切分方法及其系统 | |
| CN113570864B (zh) | 一种电动自行车行驶路径匹配方法、设备及存储介质 | |
| CN105448092A (zh) | 一种关联车辆的分析方法及装置 | |
| CN110838232A (zh) | 基于过车电警数据的单一车辆od获取方法 | |
| CN110851490B (zh) | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 | |
| CN113470376B (zh) | 基于卡口过车数据的实时区域在途车辆计数方法及系统 | |
| CN111009123A (zh) | 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 | |
| CN106940929B (zh) | 交通数据预测方法及装置 | |
| CN115880894A (zh) | 一种交通状态确定方法、装置及设备 | |
| JP2019505892A (ja) | ビッグデータに基づいて道路状態を予測する方法及び装置 | |
| CN112562334A (zh) | 基于浮动车数据的弯曲路段实时速度计算方法、装置及介质 | |
| CN115841765B (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
| CN110264725B (zh) | 路段流量的确定方法及装置 | |
| CN113611130B (zh) | 一种本地与过境货车车流量获取方法、系统及存储介质 | |
| Ma et al. | A new online travel time estimation approach using distorted automatic vehicle identification data |
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 |