CN113487869A - 拥堵瓶颈点确定方法、装置、计算机设备和存储介质 - Google Patents
拥堵瓶颈点确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113487869A CN113487869A CN202110786798.7A CN202110786798A CN113487869A CN 113487869 A CN113487869 A CN 113487869A CN 202110786798 A CN202110786798 A CN 202110786798A CN 113487869 A CN113487869 A CN 113487869A
- Authority
- CN
- China
- Prior art keywords
- road
- congestion
- congested
- target
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004590 computer program Methods 0.000 claims description 41
- 238000012216 screening Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智慧交通,特别涉及一种拥堵瓶颈点确定方法、装置、计算机设备和存储介质。所述方法包括:获取不同时段的路况数据和基于路网数据构建的路网拓扑图;基于所述路况数据,生成所述路网拓扑图中各路段在不同所述时段的路况分布图;所述路况分布图用于反映所述路网拓扑图中各路段在不同所述时段是否拥堵;在所述路网拓扑图的各路段中,根据所述路况分布图选取在至少两个所述时段发生拥堵的目标路段;确定所述目标路段在所述路网拓扑图内拥堵路段的集合中的拥堵贡献分值;基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。采用本方法能够提高确定拥堵瓶颈点的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种拥堵瓶颈点的确定方法、装置、计算机设备和存储介质。
背景技术
交通拥堵是城市管理的重要课题,随着城市汽车保有量的快速提高,城市交通拥堵问题日益严重,而道路的拥堵瓶颈点是造成交通拥堵的直接原因,拥堵瓶颈点在车流高峰期会造成大面积的交通拥堵,严重影响城市交通的正常运行。因此,如何快速精准的找出道路中的拥堵瓶颈点,是解决交通拥堵问题的前提条件。
传统技术中,对道路中拥堵瓶颈点的位置定位,主要是根据路况数据判断道路中是否由拥堵路段,然后将该拥堵路段作为拥堵瓶颈点;或者,根据群众上报的拥堵路段作为拥堵瓶颈点。然而,上述确定拥堵瓶颈点的方案存在准确性和有效性的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种拥堵瓶颈点确定方法、装置、计算机设备和存储介质,能够准确有效地找出拥堵瓶颈点。
一种拥堵瓶颈点确定方法,所述方法包括:
获取不同时段的路况数据和基于路网数据构建的路网拓扑图;
基于所述路况数据,生成所述路网拓扑图中各路段在不同所述时段的路况分布图;所述路况分布图用于反映所述路网拓扑图中各路段在不同所述时段是否拥堵;
在所述路网拓扑图的各路段中,根据所述路况分布图选取在至少两个所述时段发生拥堵的目标路段;
确定所述目标路段对基于所述路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;
基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
在一个实施例中,所述方法还包括:
确定所述拥堵簇的拥堵起始时刻和拥堵结束时刻;
基于所述拥堵起始时刻和所述拥堵结束时刻确定所述拥堵簇的持续时间;
根据所述持续时间确定与所述拥堵簇对应的拥堵瓶颈点的拥堵类型。
在一个实施例中,所述路况分布图包括路况时空分布图;所述基于所述路况数据,生成所述路网拓扑图中各路段在不同所述时段的路况分布图包括:
基于所述路况数据,分别生成所述路网拓扑图中各路段在每个不同所述时段的路况空间分布图;
按照时间维度对每个不同所述时段的路况空间分布图进行组合,得到所述路况时空分布图。
一种拥堵瓶颈点确定装置,所述装置包括:
获取模块,用于获取不同时段的路况数据和基于路网数据构建的路网拓扑图;
生成模块,用于基于所述路况数据,生成所述路网拓扑图中各路段在不同所述时段的路况分布图;所述路况分布图用于反映所述路网拓扑图中各路段在不同所述时段是否拥堵;
选取模块,用于在所述路网拓扑图的各路段中,根据所述路况分布图选取在至少两个所述时段发生拥堵的目标路段;
分值确定模块,用于确定所述目标路段对基于所述路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;
瓶颈点确定模块,还用于基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
在一个实施例中,所述瓶颈点确定模块,还用于:
按照所述拥堵贡献分值的大小,对所述目标路段进行排序;
在排序后的目标路段中,选取排序的名次达到预设条件的目标路段;
基于选取的所述目标路段确定拥堵瓶颈点。
在一个实施例中,所述路网拓扑图包括基于不同路网对应的所述路网数据构建的拓扑图;所述瓶颈点确定模块,还用于:
当所述路网为线状路网时,将选取的所述目标路段确定为拥堵瓶颈点;
当所述路网为网状路网时,查找与选取的所述目标路段关联的道路关键节点,将所述道路关键节点作为所述拥堵瓶颈点;或者,对选取的所述目标路段进行聚类,根据聚类的结果得到目标路段交叉点,将所述目标路段交叉点确定为所述拥堵瓶颈点。
在一个实施例中,所述瓶颈点确定模块,还用于:
当所述路网为线状路网时,确定各选取的所述目标路段间的距离;
对相互间的所述距离小于预设距离的目标路段进行连接;
将连接后的所述目标路段确定为拥堵瓶颈点。
在一个实施例中,所述装置还包括:
聚类模块,用于对所述路网拓扑图内在不同所述时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇;
所述分值确定模块,还用于:
在所述至少两个拥堵簇中,确定所述目标路段所属的目标拥堵簇;
确定所述目标路段在所述目标拥堵簇中的拥堵贡献分值。
在一个实施例中,所述分值确定模块,还用于:
确定所述目标路段在不同所述时段发生拥堵的频次;所述频次为大于或等于二的正整数;
确定所述频次和所述目标路段的长度之间的积值;
确定所述目标拥堵簇中各拥堵路段的长度与所述目标拥堵簇中各拥堵路段在不同所述时段发生拥堵的频次之间积值的和值;
基于所述积值与所述和值确定拥堵贡献分值。
在一个实施例中,所述聚类模块,还用于:
对于首个所述时段,查找由所述路网拓扑图内的在首个所述时段发生拥堵且相互连通的拥堵路段,并将相互连通的所述拥堵路段作为子拥堵簇;
对于非首个所述时段,将所述路网拓扑图内的在当前非首个所述时段发生拥堵且相互连通的拥堵路段与所述子拥堵簇叠加,直至所有非首个所述时段对应且相互连通的拥堵路段均与所述子拥堵簇叠加,得到至少两个拥堵簇。
在一个实施例中,所述装置还包括:
获取模块,用于获取基于所述路网拓扑图内各拥堵路段形成的拥堵簇;
频次确定模块,用于确定所述拥堵簇内各拥堵路段在不同所述时段发生拥堵的频次;
积值确定模块,用于确定所述频次和所述拥堵簇内相应拥堵路段的长度之间的积值;
簇大小确定模块,用于将所确定的各积值之间的和值作为所述拥堵簇的簇大小,所述簇大小用于衡量所述拥堵簇内各拥堵路段的拥堵程度。
在一个实施例中,所述装置还包括:
持续时间确定模块,用于确定所述拥堵簇的持续时间;
筛选模块,用于按照所述簇大小和所述持续时间,对所述拥堵簇进行筛选;
合并模块,用于基于筛选后的所述拥堵簇进行合并,得到合并拥堵簇;
分值确定模块,还用于确定所述目标路段对所属的所述合并拥堵簇的拥堵贡献分值。
在一个实施例中,所述装置还包括:
时刻确定模块,用于确定所述拥堵簇的拥堵起始时刻和拥堵结束时刻;
持续时间确定模块,用于基于所述拥堵起始时刻和所述拥堵结束时刻确定所述拥堵簇的持续时间;
类型确定模块,用于根据所述持续时间确定与所述拥堵簇对应的拥堵瓶颈点的拥堵类型。
在一个实施例中,所述路网拓扑图包括基于不同路网对应的所述路网数据构建的拓扑图;所述装置还包括:
累加值确定模块,用于当所述路网为线状路网时,确定所述拥堵簇中在各拥堵时段发生拥堵的拥堵路段所对应的长度累加值;或者,当所述路网为网状路网时,确定所述拥堵簇中在各拥堵时段发生拥堵的、且属于相同道路的拥堵路段所对应的长度累加值;根据所述拥堵簇对应的长度累加值,确定与所述拥堵簇对应的拥堵瓶颈点的拥堵范围。
在一个实施例中,所述路况分布图包括路况时空分布图;所述生成模块,还用于:
基于所述路况数据,分别生成所述路网拓扑图中各路段在每个不同所述时段的路况空间分布图;
按照时间维度对每个不同所述时段的路况空间分布图进行组合,得到所述路况时空分布图。
在一个实施例中,所述瓶颈点确定模块,还用于:
以所述拥堵贡献分值达到预设条件的目标路段为根节点,向作为子节点的剩余所述目标路段进行邻接节点逐层扩展,得到基于所述根节点和扩展的邻接节点所构成的路段节点树;
基于所述路段节点树中根节点至叶子节点各自对应的目标路段,确定拥堵瓶颈点。
在一个实施例中,所述瓶颈点确定模块,还用于:
将所述拥堵贡献分值达到预设条件的目标路段作为根节点,向作为子节点的剩余所述目标路段进行邻接节点逐层扩展;
当扩展得到的邻接节点中存在拥堵贡献分值大于预设值的邻接节点时,将扩展得到的邻接节点作为中间节点,并从所述中间节点中选取目标中间节点继续进行扩展,直至扩展得到的邻接节点中不存在拥堵贡献分值大于所述预设值的邻接节点;
当扩展得到的邻接节点中不存在拥堵贡献分值大于所述预设值的邻接节点时,基于所述根节点和所有扩展的邻接节点构成所述路段节点树。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取不同时段的路况数据和基于路网数据构建的路网拓扑图;
基于所述路况数据,生成所述路网拓扑图中各路段在不同所述时段的路况分布图;所述路况分布图用于反映所述路网拓扑图中各路段在不同所述时段是否拥堵;
在所述路网拓扑图的各路段中,根据所述路况分布图选取在至少两个所述时段发生拥堵的目标路段;
确定所述目标路段对基于所述路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;
基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取不同时段的路况数据和基于路网数据构建的路网拓扑图;
基于所述路况数据,生成所述路网拓扑图中各路段在不同所述时段的路况分布图;所述路况分布图用于反映所述路网拓扑图中各路段在不同所述时段是否拥堵;
在所述路网拓扑图的各路段中,根据所述路况分布图选取在至少两个所述时段发生拥堵的目标路段;
确定所述目标路段对基于所述路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;
基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
上述拥堵瓶颈点确定方法、装置、计算机设备和存储介质,基于路网数据构建路网拓扑图,基于不同时段的路况数据生成路网拓扑图中各路段在不同时段的路况分布图,从而可以根据路况分布图来判断路网拓扑图中各路段在不同时段是否拥堵。根据路况分布图可以选取出在至少两个时段发生拥堵的目标路段,确定目标路段在路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值,基于拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点,从而可以精确的确定拥堵瓶颈点,提高了确定拥堵瓶颈点的准确性。此外,由于路况分布图是针对路网拓扑图中各路段的路况图,能够反映大面积路网中各路段在不同时段是否拥堵,因此可以在大面积路网中快速查找出拥堵瓶颈点,可应用于各大中型的交通路网中查找拥堵瓶颈点的应用场景。
附图说明
图1为一个实施例中拥堵瓶颈点确定方法的应用环境图;
图2为一个实施例中拥堵瓶颈点确定方法的流程示意图;
图3为一个实施例中路况分布图的示意图;
图4a为另一个实施例中路况分布图的示意图;
图4b为一个实施例中拥堵瓶颈点的示意图;
图5a为一个实施例中拥堵瓶颈点确定方法的流程示意图;
图5b为一个实施例中拥堵瓶颈点确定方法的流程示意图;
图5c为一个实施例中路网中目标路段的示意图;
图5d为一个实施例中路段节点树的示意图;
图5e为一个实施例中相邻路网区域中路段节点树的示意图;
图6a为一个实施例中路网拓扑图的示意图;
图6b为另一个实施例中路网拓扑图的示意图;
图7a为一个实施例中目标路段的示意图;
图7b为一个实施例中拥堵瓶颈点的示意图;
图8为一个实施例中拥堵贡献分值确定方法的流程示意图;
图9为一个实施例中线状路网的拥堵范围示意图;
图10a为一个实施例中0-10min时段内拥堵路段的示意图;
图10b为一个实施例中10-20min时段内拥堵路段的示意图;
图10c为一个实施例中20-30min时段内拥堵路段的示意图;
图10d为一个实施例中30-40min时段内拥堵路段的示意图;
图11为一个实施例中拥堵范围确定方法的流程示意图;
图12为一个实施例中拥堵瓶颈点确定装置的结构框图;
图13为另一个实施例中拥堵瓶颈点确定装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
本申请实施例提供的方案涉及人工智能的智慧交通技术,具体通过如下实施例进行说明:
本申请提供的拥堵瓶颈点确定方法,可以应用于如图1所示的应用环境中。在该应用环境中,服务器102通过网络与在路网中行驶的交通工具104进行通信,交通工具104将不同时段的路况数据发送至服务器102。服务器102获取不同时段的路况数据和基于路网数据构建的路网拓扑图;基于路况数据,生成路网拓扑图中各路段在不同时段的路况分布图;路况分布图用于反映路网拓扑图中各路段在不同时段是否拥堵;在路网拓扑图的各路段中,根据路况分布图选取在至少两个时段发生拥堵的目标路段;确定目标路段对基于路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;基于拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
其中,服务器102可以是独立的物理服务器,也可以是区块链系统中的多个服务节点所组成的服务器集群,各服务节点之间形成组成点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission Control Protocol)协议之上的应用层协议。
此外,服务器102还可以是多个物理服务器构成的服务器集群,可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
交通工具104可以是各种在路网中行驶的、安装了定位系统的交通工具,包括出租车、公交车等。定位系统可以是GPS(Global Positioning System)定位系统、北斗定位系统、GLONASS(Global Navigation Satellite System)定位系统、伽利略定位系统等。服务器102与交通工具104之间可以通过网络等通讯连接方式进行连接,本申请在此不做限制。
在一个实施例中,如图2所示,提供了一种拥堵瓶颈点确定方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,获取不同时段的路况数据和基于路网数据构建的路网拓扑图。
其中,时段可以是预设时长的时间段,预设时长例如可以是5分钟、10分钟等。不同时段可以是在时间上连续的时间段,也可以是在时间上不连续的时段。例如,服务器将24小时划分为288个不同时段,每个时段的时长为5分钟。又例如,服务器将一小时划分为6个时段,分别是0-9min时段、10-19min时段、20-29min时段、30-39min时段、40-49min时段、50-59min时段。
路况数据是反映路网中交通工具的通行情况的数据,可以包括交通拥堵指数、平均行驶速度和车流量中的至少一种。
路网拓扑图可以是用于表示路网中路段间连接关系的拓扑图,可以由边、端点和交叉点等组成。其中,路网拓扑图中的边用于表示路网中的路段,端点用于表示路段的起点或者终点,交叉点用于表示两条或两条以上道路在交汇处形成的路段交叉点。
在一个实施例中,服务器可以将路网中道路划分为多个路段,分别获取各路段在不同时段的路况数据。例如,服务器可以将2km长的快速路A划分为40个50米长的路段,分别获取各路段在不同时段的路况数据。
在一个实施例中,路网中行驶的交通工具通过定位装置获取位置信息,然后通过无线通讯网络将位置信息发送至服务器,服务器根据各交通工具上传的位置信息计算得到各路段的路况数据。
在一个实施例中,S202之后,具体还包括:服务器还可以对路况数据进行预处理。其中,对路况数据预处理包括:去除路况数据中的冗余数据、对路况数据进行滤波以及去除路况数据中的异常数据和不完整数据等。
其中,路网数据是反映路网中各路段间拓扑关系的数据,包括各路段的位置坐标、长度、车道数以及路段交叉点的坐标等。
在一个实施例中,服务器还可以从电子地图对应的数据库中获取路网数据。
S204,基于路况数据,生成路网拓扑图中各路段在不同时段的路况分布图;路况分布图用于反映路网拓扑图中各路段在不同时段是否拥堵。
其中,服务器可以根据各路段在不同时段的交通拥堵指数、平均行驶速度和车流量中的至少一种确定各路段在不同时段是否拥堵。例如,在各不同时段,服务器确定路网扑图中拥堵指数大于指数阈值的路段发生拥堵;或者,服务器确定平均行驶速度小于预设速度阈值的路段发生拥堵;或者,服务器确定路网拓扑图中拥堵指数大于指数阈值且车流量大于车流量阈值的路段发生拥堵;或者,服务器对各路段的平均行驶速度和车流量进行加权计算,根据加权计算的结果确定各路段是否发生拥堵。
其中,路况分布图是用于反映路网拓扑图中各路段在不同时段是否拥堵的分布图,可以是二维平面图,如图3所示;此外,也可以是三维立体图。服务器在路况分布图中对在路网拓扑图中各时段发生拥堵的路段进行标记,如将发生拥堵的路段标记为与不发生拥堵的路段不同的颜色,可参考图3。
在一个实施例中,当路网为线状路网时,服务器根据路况数据生成线状路网中各路段在不同时段的二维路况分布图。其中,在线状路网的路况分布图中,横坐标轴表示道路中的各点距起始点的距离,纵坐标轴表示时段。
在一个实施例中,路况分布图包括路况时空分布图;基于路况数据,生成路网拓扑图中各路段在不同时段的路况分布图包括:基于路况数据,分别生成路网拓扑图中各路段在每个不同时段的路况空间分布图;按照时间维度对每个不同时段的路况空间分布图进行组合,得到路况时空分布图。
其中,路况空间分布图是用于反映某个时段内发生拥堵的路段的路况分布图。当路网为线状路网时,路况空间分布图为一维空间分布图,当路网为网状路网时,路况空间分布图为二维空间分布图。其中,路况时空分布图是用于反映路发生拥堵的路段在时间维度和空间维度分布的分布图。
在一个实施例中,当路网为网状路网时,服务器分别根据每个时段的路况数据生成对应于每个时段的二维路况空间分布图,然后将每个时段的二维路况空间分布图按时间维度组合,得到三维路况时空分布图。其中,在三维路况时空分布图中,每一个二维路况空间分布图中的两个水平坐标轴表示不同走向的道路中的各点距相应道路起始点的距离,与该二维路况空间分布图垂直的坐标轴表示时段。
在一个实施例中,服务器首先构建时空分布图,其中,时空分布图中的横坐标轴表示道路中的各点距起始点的距离,纵坐标轴表示时段。然后,在该时空分布图中对在各时段发生拥堵的路段和未发生拥堵的路段用不同的颜色进行标记,得到各路段在不同时段的路况时空分布图。例如,图3为线状路网中道路A的路况时空分布图,横坐标轴表示道路A中的每个路段与该道路A的起始点之间的距离,纵坐标轴表示时段。服务器用黑色线对在不同时段发生拥堵的路段进行标记,用白色线对在不同时段未发生拥堵的路段进行标记。
此外,服务器还可以用实线对发生拥堵的路段进行标记,用虚线对未发生拥堵的路段进行标记。
S206,在各路段中,根据路况分布图选取在至少两个时段发生拥堵的目标路段。
其中,至少两个时段可以是不同时段中相邻的时段或者不相邻的时段。例如,在划分144个不同的时段中,至少两个时段可以是第3-15时段,或者第20时段、35时段。对应地,目标路段可以指在至少两个时段发生拥堵的拥堵路段,如在第3-15时段发生拥堵的拥堵路段,或者在第20时段和35时段发生拥堵的拥堵路段。
在一个实施例中,S206具体可以包括:服务器根据路况分布图确定各时段发生拥堵的路段,从各路段中选取在至少两个时段发生拥堵的目标路段。
例如,如图4a所示,图4a为线状路网中道路A的路况分布图,两个端点之间的线段表示道路A中100米长的路段。其中,实线线段表示该路段在对应的时段发生拥堵,虚线线段表示该路段在对应的时段未发生拥堵。如标号为4的线段表示道路A第100-200米的路段在30-40分钟的时段内发生拥堵。如图4a所示的路况分布图,服务器可以根据该路况分布图确定100-200米的路段在5个时段发生拥堵,200-300米的路段在2个时段发生拥堵,300-400米的路段在3个时段发生拥堵,600-700米的路段在1个时段发生拥堵,700-800米的路段在2个时段发生拥堵。所以,服务器选取的目标路段为100-200米、200-300米、300-400米、700-800米这四个在至少两个时段发送拥堵的拥堵路段。
S208,确定目标路段对基于路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值。
其中,拥堵路段是路网拓扑图中在一个或多个时段发生了拥堵的路段。拥堵贡献分值用于表示目标路段在拥堵路段的集合中的拥堵贡献程度,该拥堵贡献分值可以用数字、分数或百分比等表示,例如拥堵贡献分值可以是5,也可以是30%,或者2/3等。
其中,拥堵簇是拥堵路段组成的集合,同一拥堵簇中的拥堵路段在时间或者空间上有关联关系。在时间上有关联关系可以是发生拥堵的时段相邻,或者发生拥堵的时段在同一时间范围内;在空间上有关联关系可以是在空间上相邻或者能够连通,或者从属于同一空间范围。如图4a所示,拥堵簇为拥堵路段1-10组成的集合。
在一个实施例中,服务器可以根据目标路段在不同时段发生拥堵的频次确定拥堵贡献分值,使目标路段的拥堵贡献分值与在不同时段发生拥堵的频次成正比。例如,如图4a所示,100-200米路段在5个不同时段发生了拥堵,200-300米路段在2个不同时段发生了拥堵,300-400米路段在3个不同时段发生了拥堵,600-700米路段在1个时段发生了拥堵,700-800米路段在2个不同时段发生了拥堵。其中100-200米路段在不同时段发生拥堵的频次最高,服务器针对100-200米路段所确定的拥堵贡献分值最高。
S210,基于拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
其中,预设条件用于衡量目标路段是否可用来确定拥堵瓶颈点。具体地,预设条件可以是预设分值或者预设分值区间,如目标路段的拥堵贡献分值是否达到预设分值,或是否处于预设分值区间内。该预设分值可以是预先设定的分值,或者是所有拥堵贡献分值的平均值,又或者是拥堵贡献分值的加权和。
拥堵瓶颈点是路网中经常发生拥堵的路口、路段或区域,例如可以是道路交叉口、岔道口、隧道和多条路段形成的区域等。拥堵瓶颈点具有多种拥堵类型,包括早高峰瓶颈点、全天瓶颈点和晚高峰瓶颈点。例如,如图4b所示为服务器确定的拥堵瓶颈点。
在一个实施例中,S210具体可以包括:服务器将目标路段确定为拥堵瓶颈点;或者,服务器也可以将目标路段所属的区域确定为拥堵瓶颈点;或者,服务器也可以将目标路段以及目标路段相连的路段确定为拥堵瓶颈点;或者,服务器也可以将各目标路段之间的交叉口作为拥堵瓶颈点。
在S210之后,服务器还可以确定拥堵瓶颈点的类型,具体步骤可以包括:服务器确定拥堵簇的拥堵起始时刻和拥堵结束时刻;基于拥堵起始时刻和拥堵结束时刻确定拥堵簇的持续时间;根据持续时间确定与拥堵簇对应的拥堵瓶颈点的拥堵类型。由于拥堵簇中的拥堵路段分布在不同时段,服务器可以通过拥堵簇的拥堵起始时刻和拥堵结束时刻确定拥堵簇的持续时间,然后根据持续时间确定与拥堵簇对应的拥堵瓶颈点的拥堵类型,从而可以实现根据拥堵瓶颈点对应的拥堵类型对拥堵瓶颈点分类管控,提高了对拥堵瓶颈点进行管控的效率。
其中,服务器根据拥堵簇的持续时间所属的时间范围可以将拥堵瓶颈点分为早高峰瓶颈点、全天瓶颈点和晚高峰瓶颈点等拥堵类型。例如,将24小时分为144个时段,每个时段10min,若拥堵簇的持续时间在200min-600min范围内,则服务器将拥堵簇对应的拥堵瓶颈点确定为早高峰瓶颈点;若拥堵簇的持续时间在800min-1200min范围内,则服务器将拥堵簇对应的拥堵瓶颈点确定为晚高峰瓶颈点;若拥堵簇的持续时间超过8个小时,则服务器将拥堵簇对应的拥堵瓶颈点确定为全天瓶颈点。例如,如图3中所示的全天瓶颈点、早高峰瓶颈点和晚高峰瓶颈点。
上述实施例中,基于路网数据构建路网拓扑图,基于不同时段的路况数据生成路网拓扑图中各路段在不同时段的路况分布图,从而可以根据路况分布图来判断路网拓扑图中各路段在不同时段是否拥堵。根据路况分布图可以选取出在至少两个时段发生拥堵的目标路段,确定目标路段在路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值,基于拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点,从而可以精确的确定拥堵瓶颈点,提高了确定拥堵瓶颈点的准确性。此外,由于路况分布图是针对路网拓扑图中各路段的路况图,能够反映大面积路网中各路段在不同时段是否拥堵,因此可以在大面积路网中快速查找出拥堵瓶颈点,可应用于各大中型的交通路网中查找拥堵瓶颈点的应用场景。
在一个实施例中,如图5a所示,S210具体可以包括如下步骤:
S502a,按照拥堵贡献分值的大小,对目标路段进行排序。
其中,对目标路段进行排序可以是按照拥堵贡献分值从大到小的顺序进行排序,也可以是按照拥堵贡献分值从小到大的顺序进行排序。
S504a,在排序后的目标路段中,选取排序的名次达到预设条件的目标路段。
其中,预设条件可以用于表示排序的名次是否达到预设名次;或者,在按照拥堵贡献分值从大到小的顺序进行排序时,预设条件也可以是排序的名次预设的名次范围内,例如,排序的名次在前20%名次范围内。
S506a,基于选取的目标路段确定拥堵瓶颈点。
在一个实施例中,S506a具体可以包括:服务器将选取的目标路段确定为拥堵瓶颈点;或者,服务器也可以将选取的目标路段所属的区域确定为拥堵瓶颈点;或者,服务器也可以将选取的目标路段以及与选取的目标路段相连的路段确定为拥堵瓶颈点;或者,服务器也可以将各目标路段之间的交叉口作为拥堵瓶颈点。
上述实施例中,服务器按照拥堵贡献分值的大小,对目标路段进行排序,并基于排序的名次达到预设条件的目标路段确定拥堵瓶颈点,从而能够更加精确合理的确定拥堵瓶颈点。
在一个实施例中,如图5b所示,S210具体可以包括如下步骤:
S502b,以拥堵贡献分值达到预设条件的目标路段为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展,得到基于根节点和扩展的邻接节点所构成的路段节点树。
其中,剩余目标路段是目标路段中除根节点对应的目标路段之外的目标路段。剩余目标路段中包括与根节点对应的目标路段相邻接的目标路段,还包括与根节点对应的目标路段不相邻接的目标路段。
其中,邻接节点逐层扩展是从根节点开始进行节点扩展,并且扩展得到的子节点对应的目标路段与该子节点的父节点对应的目标路段相邻接。例如,如图5c所示,路网中具有目标路段A-K,如果拥堵贡献分值达到预设条件的目标路段为目标路段B,则服务器将目标路段B作为根节点。由于目标路段A、C和D与目标路段B相邻接,所以服务器基于目标路段A、C和D对根节点进行扩展,得到根节点的邻接节点A、C和D,然后再对邻接节点A、C和D进行扩展,依次类推,扩展得到的路段节点树如图5d所示。
在一个实施例中,S502b具体包括:将拥堵贡献分值达到预设条件的目标路段作为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展;当扩展得到的邻接节点中存在拥堵贡献分值大于预设值的邻接节点时,将扩展得到的邻接节点作为中间节点,并从中间节点中选取目标中间节点继续进行扩展,直至扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点;当扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点时,基于根节点和所有扩展的邻接节点构成路段节点树。
其中,中间节点是路段节点树中具有父节点和子节点的节点。服务器可以从中间节点中选取部分满足条件的目标中间节点,并继续对目标中间节点进行扩展。所选取的目标中间节点可以是拥堵贡献分值大于预设分值的中间节点,也可以是对应的目标路段中长度大于预设长度值的中间节点。
服务器首先选取拥堵贡献分值达到预设条件的目标路段作为根节点,从根节点向邻接节点逐层扩展,扩展得到的邻接节点对应的目标路段与该邻接节点的父节点对应的目标路段相邻接。当扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点时,停止进行扩展,服务器基于根节点和所有扩展的邻接节点对应的目标路段构成路段节点树。
在一个实施例中,S502b之后还包括:将所有路段节点树进行组合,得到路段节点森林;在路段节点森林中,对不同路网区域的边界上具有重合的目标路段所对应的路段节点树进行合并,得到合并路段节点树后的路段节点森林。
其中,路网区域是按照划分规则对路网拓扑图进行划分所得的区域。划分规则例如可以是按照Geohash编码进行划分,Geohash编码是一种地址编码方法,用字符串表示路网拓扑图中每个点的经度和纬度。服务器可以按照Geohash编码对大范围的路网拓扑图进行划分,得到多个路网区域。例如,服务器可以根据市级城市的路网拓扑图中每个坐标点的Geohash编码对该市级城市的路网拓扑图进行划分,得到多个路网区域。
其中,合并是将多个路段节点树组合成一个路段节点树。例如,如图5e所示,路网区域A中的路段节点树2由目标路段1、2、3、4、5、6组成,路网区域B中的路段节点树1由目标路段6、7、8、9、10组成,路段节点树1和路段节点树2具有重合的目标路段6,服务器将路段节点树1和路段节点树2合并为一个由目标路段1-10组成的路段节点树。
在一个实施例中,在路段节点森林中,确定在相邻路网区域的边界上具有重合的目标路段所对应的路段节点树;对确定的路段节点树中重合的目标路段进行去重处理;对去重处理后所得的路段节点树进行合并,得到合并路段节点树后的路段节点森林。
其中,去重处理是去除重合的目标路段,以使合并后的路段节点树中没有重合的目标路段。例如,如图5e所示,路段节点树1和路段节点树2在相邻路网区域的边界上具有重合的目标路段6,服务器对路段节点树1和路段节点树2中的目标路段6进行去重处理,仅在一个路段节点树中保留目标路段6(假设保留路段节点树2中的目标路段6),并对去重处理后所得的路段节点树1和路段节点树2进行合并。
在一个实施例中,得到合并路段节点树后的路段节点森林之后,还包括:对于路段节点森林中的每个路段节点树,服务器基于路段节点树中根节点至叶子节点各自对应的目标路段,分别确定对应的拥堵瓶颈点。
S504b,基于路段节点树中根节点至叶子节点各自对应的目标路段,确定拥堵瓶颈点。
在一个实施例中,S504b可以包括:将根节点至叶子节点各自对应的目标路段首尾相连,并将连接得到的路线确定为拥堵瓶颈点。
在另一个实施例中,S504b还可以包括:确定路段节点树中分层最多的分支,在分层最多的分支中,将根节点至叶子结点各自对应的目标路段确定为拥堵瓶颈点。
上述实施例中,以拥堵贡献分值达到预设条件的目标路段为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展,得到基于根节点和扩展的邻接节点所构成的路段节点树,并基于路段节点树中根节点至叶子节点各自对应的目标路段,确定拥堵瓶颈点,从而使所确定的拥堵瓶颈点更符合拥堵的实际情况,提高了确定拥堵瓶颈点的准确性。
在一个实施例中,上述的路网包括线状路网和网状路网。线状路网是各条道路在三维立体交叉点交叉,在二维平面没有交叉点的路网。例如,线状路网可以是高速路网、快速路网等。网状路网是各条道路间在二维平面有交叉点的路网。
服务器以连接边(Link)为基础单元组成线状路网的路网拓扑图。连接边由有序坐标序列组成,用于表示路网中预设长度的路段,路段的起点和终点为连接边的端点。由于线状路网中各条道路在二维平面没有交叉点,所以线状路网中每条道路对应的路网拓扑图为一维线状图,例如,如图6a所示为线状路网中道路A和道路B的路网拓扑图,道路A和道路B均由首尾相连的连接边串连组成,每个连接边表示5m长的路段,连接边之间由端点间隔。道路A和道路B的路网拓扑图间没有交叉点。
服务器以多个连接边按顺序串连成的连接段(Segment)为基础单元组成网状路网的路网拓扑图。由于各连接段在交叉点处交叉,所以网状路网对应的路网拓扑图为二维网状图。例如,如图6b所示为网状路网的路网拓扑图,网状路网中包括道路A、道路B、道路C和道路D,各条道路间在交叉点处交叉。在网状路网的路网拓扑图中,服务器用连接边组成的连接段表示一条道路上两个交叉点之间的路段。
在一个实施例中,路网拓扑图包括基于不同路网对应的路网数据构建的拓扑图;S506具体可以包括:当路网为线状路网时,将选取的目标路段确定为拥堵瓶颈点;当路网为网状路网时,查找与选取的目标路段关联的道路关键节点,将道路关键节点作为拥堵瓶颈点;或者,对选取的目标路段进行聚类,根据聚类的结果得到目标路段交叉点,将目标路段交叉点确定为拥堵瓶颈点。
其中,道路关键节点是路网中对交通工具的顺畅通行起关键制约作用的路段。例如,匝道、隧道口、变窄路段、过江通道等。
其中,与选取的目标路段关联的道路关键节点可以是:与选取的目标路段在空间上有关联关系的道路关键节点。例如,与目标路段相连的道路关键节点;或者,在选取的目标路段周围预设范围内的道路关键节点;或者,与选取的目标路段同属于一条道路的道路关键节点。
在一个实施例中,服务器根据网状路网对应的路网拓扑图确定道路关键节点。然后,根据查找算法在路网拓扑图中查找与选取的目标路段关联的道路关键节点。查找算法包括但不限于顺序查找法、二分查找法、二叉树排序查找法、哈希表查找法和分块查找法等。
其中,目标路段交叉点是两条或者两条以上的目标路段在交汇处所形成的交叉点,包括但不限于T型交叉点、Y型交叉点、十字型交叉点和环型交叉点等。
在一个实施例中,服务器通过聚类算法对达到预设条件的目标路段进行聚类,得到多个目标路段的集合,然后确定每个集合中的目标路段交叉点,将目标路段交叉点确定为拥堵瓶颈点。聚类算法包括但不限于划分法(例如,K-Means算法)、层次法(例如,BIRCH算法)、密度算法(例如,DBSCAN算法)、图论聚类法、网格算法(STING算法)和模型算法等。
上述实施例中,路网包括线状路网和网状路网,对于线状路网,服务器选取的目标路段确定为拥堵瓶颈点;而对于网状路网,服务器查找到道路关键节点或者聚类得到目标路段交叉点,并将道路关键节点或者目标路段交叉点确定为拥堵瓶颈点。从而服务器可以针对不同路网的特点确定拥堵瓶颈点,所确定的拥堵瓶颈点更加精确。并且,由于道路关键节点以及目标路段交叉点都是路网中容易造成拥堵的节点,服务器将所得的道路关键节点以及目标路段交叉点确定为拥堵瓶颈点,提高了所确定的拥堵瓶颈点的合理性。
在一个实施例中,上述当路网为线状路网时,将选取的目标路段确定为拥堵瓶颈点的步骤,具体可以包括:当路网为线状路网时,确定各选取的目标路段间的距离;对相互间的距离小于预设距离的目标路段进行连接;将连接后的目标路段确定为拥堵瓶颈点。
其中,各选取的目标路段间的距离可以是:从各目标路段上任选的坐标点间的距离。对于该任选的坐标点,可以是各目标路段的中点,或者也可以是各目标路段的端点等。
在一个实施例中,上述对相互间的距离小于预设距离的目标路段进行连接的步骤,具体可以包括:服务器将两条相互间距离小于预设距离的目标路段和目标路段间的路段连接在一起,形成一条路段。例如,如图7a所示,将服务器将4号路段和6号路段相连,6号路段和8号路段相连,9号路段和11号路段相连,11号路段和13号路段相连,得到如图7b中所示的连接后的目标路段。
在一个实施例中,上述当路网为线状路网时,将选取的目标路段确定为拥堵瓶颈点的步骤,具体可以包括:当路网为线状路网时,服务器判断各选取的目标路段是否满足离散条件,若满足,则服务器将相互间距离小于预设距离的目标路段相连,根据连接后得到的路段确定拥堵瓶颈点。其中,离散条件例如可以是各目标路段的中点坐标的方差达到预设方差值,或者离散条件可以是各目标路段的中点坐标的平均差达到预设差值等。
上述实施例中,由于线状路网在发生拥堵时,拥堵会沿着道路线状扩散,将相互间的距离小于预设距离的目标路段进行连接,并将连接后的目标路段确定为拥堵瓶颈点可以使所确定的拥堵瓶颈点更加符合拥堵的实际情况,提高了所确定的拥堵瓶颈点的合理性。此外,当路网为线状路网时,若各目标路段满足离散条件,说明目标路段分布的较为分散,在发生拥堵时,由于线状路网中路段间会相互影响,拥堵路段沿着线状道路扩散,服务器将连接后得到的路段确定为拥堵瓶颈点,更加符合线状路网在发生拥堵时的实际情况,所确定的拥堵瓶颈点更加合理。
在一个实施例中,如图8所示,S208可以包括如下步骤:
S802,对路网拓扑图内在不同时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇。
其中,聚类可以是将物理对象或抽象对象的集合分成由类似对象组成的多个类的过程。服务器对路网拓扑图内在不同时段发生拥堵的拥堵路段进行聚类可以是:对拥堵路段在时间和空间两个维度进行聚类,将在时间或者空间上有关联关系的拥堵路段分为同一拥堵簇中的路段。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。上述的数据对象可以指拥堵路段。
拥堵簇可以是拥堵路段组成的集合,同一拥堵簇中的拥堵路段在时间或者空间上有关联关系。在时间上有关联关系可以是发生拥堵的时段相邻,或者发生拥堵的时段在同一时间范围内;在空间上有关联关系可以是在空间上相邻或者能够连通,或者从属于同一空间范围。
当路网为线状路网时,每个时段发生拥堵的拥堵路段分布在一维空间,所以服务器对在不同时段的拥堵路段进行聚类得到的拥堵簇为二维拥堵簇;当路网为网状路网时,每个时段发生拥堵的拥堵路段分布在二维空间,所以服务器对在不同时段的拥堵路段进行聚类得到的拥堵簇为三维拥堵簇。
S804,在至少两个拥堵簇中,确定目标路段所属的目标拥堵簇。
服务器对在不同时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇,每个拥堵簇中包括多个在时间或者空间上有关联关系的拥堵路段。
在一个实施例中,服务器可以根据目标路段的坐标值确定目标路段所属的目标拥堵簇。
在一个实施例中,S804之前还包括:服务器对至少两个拥堵簇进行优化,优化方式具体可以包括:服务器确定各个拥堵簇的中心点,删除各个拥堵簇中距离中心点的距离超过预设距离的拥堵路段。由于距离中心点较远的拥堵路段与其他拥堵路段间的关联性较弱,服务器对各个拥堵簇进行优化可以提高所得到的拥堵簇的准确性。
S806,确定目标路段在目标拥堵簇中的拥堵贡献分值。
在一个实施例中,服务器可以基于目标路段在目标拥堵簇中的不同时段发生拥堵的频次确定拥堵贡献分值,具体地,服务器确定目标路段在目标拥堵簇中的不同时段发生拥堵的频次,将所确定的频次输入以该频次为参数的分值计算函数中,得到拥堵贡献分值。其中,分值计算函数可以是以频次为参数的线性函数,也可以是以频次为参数的非线性函数。
上述实施例中,服务器对路网拓扑图内在不同时段发生拥堵的拥堵路段进行聚类得到至少两个拥堵簇,并分别确定目标路段在所属的目标拥堵簇中的拥堵贡献分值。所以服务器可以根据拥堵贡献分值确定各目标路段对拥堵路段的拥堵程度的贡献,并将对拥堵程度贡献较大的目标路段确定为拥堵瓶颈点,从而能够更加精确的确定拥堵瓶颈点。
在一个实施例中,S802具体可以包括:对于首个时段,查找由路网拓扑图内的在首个时段发生拥堵且相互连通的拥堵路段,并将相互连通的拥堵路段作为子拥堵簇;对于非首个时段,将路网拓扑图内的在当前非首个时段发生拥堵且相互连通的拥堵路段与子拥堵簇叠加,直至所有非首个时段对应且相互连通的的拥堵路段均与子拥堵簇叠加,得到至少两个拥堵簇。
其中,相互连通的拥堵路段中,各拥堵路段上任意一点能够和其他拥堵路段上的任意一点相互连通,相互连通的拥堵路段可以组成强连接。将相互连通的拥堵路段与子拥堵簇叠加可以是将相互连通的拥堵路段与子拥堵簇中的拥堵路段合成新的拥堵路段的集合。
在另一个实施例中,S802具体还可以包括:对于首个时段,服务器确定由路网拓扑图内的在首个时段发生拥堵的拥堵路段组成的强连接,并将上述强连接作为子拥堵簇,其中,强连接是相互连通的拥堵路段的集合。对于非首个时段,服务器确定当前时段路网拓扑图内的强连接,然后遍历每一个强连接中的拥堵路段A,查询该拥堵路段A在上一时段中所属的子拥堵簇,将该子拥堵簇与拥堵路段A对应的强连接合并为一个新的子拥堵簇,直到所有非首个时段对应的拥堵路段组成的强连接均与该拥堵路段在前一时段所属的子拥堵簇叠加,得到至少两个拥堵簇。
上述实施例中,服务器对在当前时段发生拥堵且相互连通的拥堵路段与前一时段形成的子拥堵簇叠加,以对拥堵路段进行聚类,得到至少两个拥堵簇,并可以根据聚类得到的拥堵簇确定各目标路段的拥堵贡献分值,并最终确定拥堵瓶颈点,从而可以更精确的确定拥堵瓶颈点。此外服务器将当前时段中的拥堵路段组成强连接相当于在空间维度对拥堵路段进行聚类,然后将拥堵路段在当前时段所属的强连接与拥堵路段在前一时段所属的子拥堵簇进行叠加,相当于在时间维度对拥堵路段进行聚类。充分利用了拥堵路段在空间维度和时间维度的相关性,所得到的拥堵簇中的拥堵路段在时间和空间两个维度具有关联性,更加能够反映拥堵的实际情况,从而可以更准确有效的确定拥堵瓶颈点。
在一个实施例中,S208之前还包括:获取基于路网拓扑图内各拥堵路段形成的拥堵簇;确定拥堵簇内各拥堵路段在不同时段发生拥堵的频次;确定频次和拥堵簇内相应拥堵路段的长度之间的积值;将所确定的各积值之间的和值作为拥堵簇的簇大小,簇大小用于衡量拥堵簇内拥堵路段的拥堵程度。
其中,各拥堵路段在不同时段发生拥堵的频次可以是在所有的不同时段中,拥堵路段发生拥堵的时段个数。例如,如图4a所示,标号为1-10的拥堵路段组成拥堵簇,100-200米的目标路段在5个不同时段发生了拥堵,该拥堵路段在不同时段发生拥堵的频次为5。
其中,簇大小用于衡量拥堵簇内拥堵路段的拥堵程度。拥堵程度是用于表示拥堵簇的时空影响范围的参数,时空影响范围包括拥堵簇中拥堵路段在空间上的分布范围以及拥堵簇中拥堵路段在时间上的持续范围。拥堵簇内拥堵路段的路段长度越长,拥堵程度越高,拥堵簇内拥堵路段的拥堵持续时间越长,拥堵程度越高。
服务器确定频次和拥堵簇内相应拥堵路段的长度之间的积值可以是将拥堵路段在不同时段发生拥堵的时段个数与该拥堵路段的长度相乘,得到积值。例如,如图4a所示,100-200米的拥堵路段发生拥堵的频次为5,长度为100,则服务器得到的积值为500。
在一个实施例中,服务器确定频次和拥堵簇内相应拥堵路段的长度之间积值可以包括:服务器获取各拥堵路段在各不同时段的拥堵指数标记值,然后计算各拥堵路段在各不同时段的拥堵指数标记值与路段长度的积值,将所得的积值作为拥堵簇内各拥堵路段在不同时段发生拥堵的频次和长度之间的积值。
例如,服务器通过公式(1)确定频次和拥堵簇内相应拥堵路段的长度之间的积值,其中,s0为所确定的积值,T为从拥堵簇的开始时刻至结束时刻之间的所有不同时段的集合。ci,j为拥堵路段i在j时段的拥堵指数的标记值,当拥堵路段i在j时段发生拥堵时,ci,j为1,当目标路段i在j时段未发生拥堵时,ci,j为0。li为路段i的长度。
在一个实施例中,服务器将上述的和值作为拥堵簇的簇大小。该簇大小可以通过以下方式计算:服务器首先确定拥堵簇中各拥堵路段的长度与各拥堵路段在不同时段发生拥堵的频次之间的积值,然后对所得的各积值进行求和得到拥堵簇的簇大小。
在另一个实施例中,该簇大小还可以通过以下方式计算:服务器首先计算拥堵簇中各路段对应的拥堵指数标记值与路段长度的积值,然后针对各路段所得的积值进行求和,得到拥堵簇的簇大小。例如,服务器根据公式(2)计算拥堵簇的簇大小。其中,s为所得到的簇大小,L各路段组成的拥堵簇,T为从拥堵簇的开始时刻至结束时刻之间的所有时段的集合。ci,j为路段i在j时段的拥堵指数的标记值,当路段i在j时段为拥堵路段时,ci,j为1,当路段i在j时段为畅通路段时,ci,j为0。li为路段i的长度。
在一个实施例中,确定各拥堵簇的持续时间;按照簇大小和持续时间,对拥堵簇进行筛选;基于筛选后的拥堵簇进行合并,得到合并拥堵簇;S208可以包括:确定目标路段对所属的合并拥堵簇的拥堵贡献分值。
其中,持续时间是拥堵簇的拥堵起始时刻和拥堵结束时刻间的时间间隔。拥堵起始时刻是拥堵簇中最早出现拥堵路段的时刻。拥堵结束时刻是拥堵簇中最晚出现拥堵路段的时刻。例如,如图3所示,图中拥堵簇A中拥堵路段最早出现于400分钟,最晚出现于1350分钟,持续时间为950分钟。
在一个实施例中,按照簇大小和持续时间,对拥堵簇进行筛选可以是服务器删除簇大小未达到量化阈值的拥堵簇,或者删除持续时间未达到时间阈值的拥堵簇,或者同时删除簇大小未达到量化阈值、且持续时间未达到时间阈值的拥堵簇。
在一个实施例中,基于筛选后的拥堵簇进行合并,得到合并拥堵簇可以是服务器对间隔时间未达到预设时间的拥堵簇进行合并,或者对空间间隔未达到预设距离的拥堵簇进行合并,或者对间隔时间未达到预设时间、且空间间隔未达到预设距离的拥堵簇进行合并。
上述实施例中,服务器对拥堵簇进行筛选及合并,可以得到对路网中的拥堵程度影响较大的拥堵簇,使得到的拥堵簇更加合理,更有实际意义。然后服务器在合并拥堵簇中,确定目标路段所属的目标拥堵簇,并继而确定拥堵贡献分值,从而提高了拥堵贡献分值的准确性。
在一个实施例中,S806具体可以包括:确定目标路段在不同时段发生拥堵的频次;频次为大于或等于二的正整数;确定频次和目标路段的长度之间的积值;确定目标拥堵簇中各拥堵路段的长度与目标拥堵簇中各拥堵路段在不同时段发生拥堵的频次之间积值的和值;基于积值与和值确定拥堵贡献分值。
其中,目标路段在不同时段发生拥堵的频次可以是在所有的不同时段中,目标路段发生拥堵的时段个数。例如,如图4a所示,道路A中100-200米的目标路段在5个不同时段发生了拥堵,该目标路段在不同时段发生拥堵的频次为5。
服务器确定频次和目标路段的长度之间的积值可以是将目标路段在不同时段发生拥堵的时段个数与目标路段的长度相乘,得到积值。例如,如图4a所示,目标路段为100-200米的路段,该目标路段发生拥堵的频次为5,长度为100,则服务器得到的积值为500。
在一个实施例中,服务器确定频次和目标路段的长度之间的积值可以包括:服务器获取目标路段在各不同时段的拥堵指数标记值,然后计算目标路段在各不同时段的拥堵指数标记值与路段长度的积值,将所得的积值作为目标路段在不同时段发生拥堵的频次和目标路段的长度之间的积值。
例如,服务器通过公式(1)确定频次和目标路段的长度之间的积值,其中,s0为所确定的积值,T为从目标拥堵簇的开始时刻至结束时刻之间的所有不同时段的集合。ci,j为目标路段i在j时段的拥堵指数的标记值,当目标路段i在j时段发生拥堵时,ci,j为1,当目标路段i在j时段未发生拥堵时,ci,j为0。li为路段i的长度。
在一个实施例中,服务器首先确定目标路段在不同时段发生拥堵的频次,确定频次和目标路段的长度之间的积值,然后确定目标拥堵簇中各拥堵路段的长度与目标拥堵簇中各拥堵路段在不同时段发生拥堵的频次之间积值的和值,基于积值与和值的比值确定拥堵贡献分值。
在一个实施例中,服务器首先计算拥堵簇中各路段对应的拥堵指数标记值与路段长度的积值,针对各路段所得的积值进行求和,得到拥堵簇的簇大小。然后,确定目标路段在各不同时段对应的拥堵指数标记值与目标路段的长度之间的积值。最后,服务器计算得到上述积值与簇大小的比值,并将该比值作为拥堵贡献分值。例如,服务器根据公式(3)计算拥堵贡献分值,其中,Ri为第i个目标路段的拥堵贡献分值,L各路段组成的拥堵簇,T为从拥堵簇的开始时刻至结束时刻之间的所有时段的集合,ci,j为路段i在j时段的拥堵指数的标记值,当路段i在j时段为拥堵路段时,ci,j为1,当路段i在j时段为畅通路段时,ci,j为0。
li为路段i的长度
在另一个实施例中,服务器将积值与和值输入计算模型,通过计算模型得到拥堵贡献分值。其中,计算模型可以是CNN(Convolutional Neural Networks,卷积神经网络)模型、RNN(Residual Neural Networks,残差卷积神经网络)、DL(Deep Learning,深度学习)模型等。
上述实施例中,服务器根据目标路段对应的积值以及各拥堵路段对应的积值之和确定拥堵贡献分值,使所确定的拥堵贡献分值与目标路段在不同时段发生拥堵的频次成正比,从而使所确定的拥堵贡献分值更加精确合理。
在确定拥堵瓶颈点之后,服务器还可以确定该拥堵瓶颈点的拥堵范围。具体地,当路网为线状路网时,确定拥堵簇中在各拥堵时段发生拥堵的拥堵路段所对应的长度累加值,其中,路网拓扑图包括基于不同路网对应的路网数据构建的拓扑图;或者,当路网为网状路网时,确定拥堵簇中在各拥堵时段发生拥堵的、且属于相同道路的拥堵路段所对应的长度累加值;根据拥堵簇对应的长度累加值,确定与拥堵簇对应的拥堵瓶颈点的拥堵范围。
其中,拥堵范围是拥堵簇中拥堵路段在空间维度的分布范围。当路网为线状路网时,由于线状路网中各道路在二维平面无交叉点,拥堵簇中各时段对应的拥堵路段分布在一维空间,服务器在一个空间维度计算各拥堵路段所对应的长度累加值,并基于在一个空间维度计算得到的长度累加值确定拥堵范围。当路网为网状路网时,网状路网中各道路在二维平面有交叉点,路网中在二维平面有多条道路,拥堵簇中各时段对应的拥堵路段分布在二维空间,服务器在两个空间维度分别计算属于相同道路的各拥堵路段所对应的长度累加值,基于在两个空间维度计算得到的长度累加值确定拥堵范围。
其中,上述根据拥堵簇对应的长度累加值,确定与拥堵簇对应的拥堵瓶颈点的拥堵范围,具体可以包括:服务器根据最大的长度累加值确定拥堵范围,或者也可以根据各时段对应的长度累加值的平均值确定拥堵范围。
例如,当路网为线状路网时,如图9所示,拥堵路段1-12组成拥堵簇,对于该拥堵簇中的拥堵路段,其在从30分钟到70分钟的不同时段内对应的长度累加值分别为100米、300米、400米、300米和100米。其中,最大的长度累加值400米对应的拥堵路段分布在100米至500米范围内。服务器确定拥堵范围为100米至500米。
例如,当路网为网状路网时,如图10a至10d所示分别为在10min-40min内的四个不同时段时,拥堵簇中拥堵路段在二维空间的分布图。在0-10min时段时,在x方向维度,最大的长度累加值为300;在y方向维度,最大的长度累加值为300。在20min时段时,在x方向维度,最大的长度累加值为200;在y方向维度,最大的长度累加值为300。在30min时段时,在x方向维度,最大的长度累加值为400;在y方向维度,最大的长度累加值为400。在40min时段时,在x方向维度,最大的长度累加值为400;在y方向维度,最大的长度累加值为500。服务器基于不同时段x方向维度最大的长度累加值确定为在x方向的拥堵范围,基于不同时段y方向维度最大的长度累加值确定为在y方向的拥堵范围,所确定的拥堵范围为x方向100至400米,y方向100至500米。
上述实施例中,服务器确定长度累加值并根据长度累计值确定拥堵瓶颈点的拥堵范围从而可以精确的确定拥堵地点,方便对拥堵瓶颈点进行管控,提高了对拥堵瓶颈点进行管控的效率。
在一个实施例中,如11所示,拥堵瓶颈点确定方法包括如下步骤:
S1102,获取不同时段的路况数据和基于路网数据构建的路网拓扑图。
S1104,基于路况数据,生成路网拓扑图中各路段在不同时段的路况分布图;路况分布图用于反映路网拓扑图中各路段在不同时段是否拥堵。
S1106,在各路段中,根据路况分布图选取在至少两个时段发生拥堵的目标路段。
S1108,对路网拓扑图内在不同时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇。
S1110,在至少两个拥堵簇中,确定目标路段所属的目标拥堵簇;
S1112,确定所述目标路段在所述目标拥堵簇中的拥堵贡献分值。
S1114,基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
S1116,根据拥堵簇的持续时间确定与拥堵簇对应的拥堵瓶颈点的拥堵类型,并且根据拥堵簇对应的长度累加值,确定与拥堵簇对应的拥堵瓶颈点的拥堵范围。
上述S1102~S1116的具体步骤可以参考图2实施和图8实施例。
本申请还提供一种交通管控应用场景,该交通管控应用场景应用上述的拥堵瓶颈点确定方法,具体包括如下内容:
服务器获取路网中各路段的拓扑数据,根据各路段的拓扑数据生成路网拓扑图。当路网为线状路网时,服务器以连接边为基础单元生成路网拓扑图;当路网为网状路网时,服务器以连接段为基础单元生成路网拓扑图。
路网中行驶的交通工具通过定位系统获取位置信息,并将位置信息上传到服务器,服务器对位置信息进行预处理,以保证位置信息的完整性和正确性。然后,服务器对预处理后的位置信息进行计算,得到路况数据,并基于路况数据生成用于反映路网拓扑图中各路段在不同时段是否拥堵的路况分布图,并在屏幕上显示。服务器根据路况分布图对路网拓扑图内在不同时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇。服务器在至少两个拥堵簇中,选取拥堵贡献分值达到预设条件的目标路段,并基于目标路段确定拥堵瓶颈点。此外,服务器还可以根据拥堵簇的拥堵起始时刻和拥堵结束时刻确定与拥堵簇对应的拥堵瓶颈点的拥堵类型,并当路网为线状路网时,确定拥堵簇中在各拥堵时段发生拥堵的拥堵路段所对应的长度累加值;或者,当路网为网状路网时,确定拥堵簇中在各拥堵时段发生拥堵的、且属于相同道路的拥堵路段所对应的长度累加值;根据拥堵簇对应的长度累加值,确定与拥堵簇对应的拥堵瓶颈点的拥堵范围。服务器根据所确定的拥堵类型和拥堵范围对拥堵瓶颈点进行交通管控。
应该理解的是,虽然图2、6、8、11的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、6、8、11中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种拥堵瓶颈点确定装置,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:获取模块1202、生成模块1204、选取模块1206、分值确定模块1208和瓶颈点确定模块1210,其中:
获取模块1202,用于获取不同时段的路况数据和基于路网数据构建的路网拓扑图;
生成模块1204,用于基于路况数据,生成路网拓扑图中各路段在不同时段的路况分布图;路况分布图用于反映路网拓扑图中各路段在不同时段是否拥堵;
选取模块1206,用于在路网拓扑图的各路段中,根据路况分布图选取在至少两个时段发生拥堵的目标路段;
分值确定模块1208,用于确定目标路段在路网拓扑图内拥堵路段形成的拥堵簇的拥堵贡献分值;
瓶颈点确定模块1210,还用于基于拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
上述拥堵瓶颈点确定方法、装置、计算机设备和存储介质,基于路网数据构建路网拓扑图,基于不同时段的路况数据生成路网拓扑图中各路段在不同时段的路况分布图,从而可以根据路况分布图来判断路网拓扑图中各路段在不同时段是否拥堵。根据路况分布图可以选取出在至少两个时段发生拥堵的目标路段,确定目标路段在路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值,基于拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点,从而可以精确的确定拥堵瓶颈点,提高了确定拥堵瓶颈点的准确性。此外,由于路况分布图是针对路网拓扑图中各路段的路况图,能够反映大面积路网中各路段在不同时段是否拥堵,因此可以在大面积路网中快速查找出拥堵瓶颈点,可应用于各大中型的交通路网中查找拥堵瓶颈点的应用场景。
在一个实施例中,瓶颈点确定模块1210,还用于:
按照拥堵贡献分值的大小,对目标路段进行排序;
在排序后的目标路段中,选取排序的名次达到预设条件的目标路段;
基于选取的目标路段确定拥堵瓶颈点。
在一个实施例中,路网拓扑图包括基于不同路网对应的路网数据构建的拓扑图;瓶颈点确定模块1210,还用于:
当路网为线状路网时,将选取的目标路段确定为拥堵瓶颈点;
当路网为网状路网时,查找与选取的目标路段关联的道路关键节点,将道路关键节点作为拥堵瓶颈点;或者,对选取的目标路段进行聚类,根据聚类的结果得到目标路段交叉点,将目标路段交叉点确定为拥堵瓶颈点。
在一个实施例中,瓶颈点确定模块1210,还用于:
当路网为线状路网时,确定各选取的目标路段间的距离;
对相互间的距离小于预设距离的目标路段进行连接;
将连接后的目标路段确定为拥堵瓶颈点。
在一个实施例中,如图13所示,所述装置还包括:
聚类模块1212,用于对所述路网拓扑图内在不同所述时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇;
所述分值确定模块1208,还用于:
在所述至少两个拥堵簇中,确定所述目标路段所属的目标拥堵簇;
确定所述目标路段在所述目标拥堵簇中的拥堵贡献分值。
在一个实施例中,所述分值确定模块1208,还用于:
确定所述目标路段在不同所述时段发生拥堵的频次;所述频次为大于或等于二的正整数;
确定所述频次和所述目标路段的长度之间的积值;
确定所述目标拥堵簇中各拥堵路段的长度与所述目标拥堵簇中各拥堵路段在不同所述时段发生拥堵的频次之间积值的和值;
基于所述积值与所述和值确定拥堵贡献分值。
在一个实施例中,所述聚类模块1212,还用于:
对于首个所述时段,查找由所述路网拓扑图内的在首个所述时段发生拥堵且相互连通的拥堵路段,并将相互连通的所述拥堵路段作为子拥堵簇;
对于非首个所述时段,将所述路网拓扑图内的在当前非首个所述时段发生拥堵且相互连通的拥堵路段与所述子拥堵簇叠加,直至所有非首个所述时段对应且相互连通的拥堵路段均与所述子拥堵簇叠加,得到至少两个拥堵簇。
在一个实施例中,所述装置还包括:
获取模块1202,用于获取基于所述路网拓扑图内各拥堵路段形成的拥堵簇;
频次确定模块1214,用于确定所述拥堵簇内各拥堵路段在不同所述时段发生拥堵的频次;
积值确定模块1216,用于确定所述频次和所述拥堵簇内相应拥堵路段的长度之间的积值;
簇大小确定模块1218,用于将所确定的各积值之间的和值作为所述拥堵簇的簇大小,所述簇大小用于衡量所述拥堵簇内各拥堵路段的拥堵程度。
在一个实施例中,所述装置还包括:
持续时间确定模块1220,用于确定所述拥堵簇的持续时间;
筛选模块1222,用于按照所述簇大小和所述持续时间,对所述拥堵簇进行筛选;
合并模块1224,用于基于筛选后的所述拥堵簇进行合并,得到合并拥堵簇;
分值确定模块1208,还用于确定所述目标路段对所属的所述合并拥堵簇的拥堵贡献分值。
在一个实施例中,所述装置还包括:
时刻确定模块1226,用于确定所述拥堵簇的拥堵起始时刻和拥堵结束时刻;
持续时间确定模块1220,用于基于所述拥堵起始时刻和所述拥堵结束时刻确定所述拥堵簇的持续时间;
类型确定模块1228,用于根据所述持续时间确定与所述拥堵簇对应的拥堵瓶颈点的拥堵类型。
在一个实施例中,所述路网拓扑图包括基于不同路网对应的所述路网数据构建的拓扑图;所述装置还包括:
累加值确定模块1230,用于当所述路网为线状路网时,确定所述拥堵簇中在各拥堵时段发生拥堵的拥堵路段所对应的长度累加值;或者,当所述路网为网状路网时,确定所述拥堵簇中在各拥堵时段发生拥堵的、且属于相同道路的拥堵路段所对应的长度累加值;根据所述拥堵簇对应的长度累加值,确定与所述拥堵簇对应的拥堵瓶颈点的拥堵范围。
在一个实施例中,所述路况分布图包括路况时空分布图;所述生成模块1204,还用于:
基于所述路况数据,分别生成所述路网拓扑图中各路段在每个不同所述时段的路况空间分布图;
按照时间维度对每个不同所述时段的路况空间分布图进行组合,得到所述路况时空分布图。
在一个实施例中,瓶颈点确定模块1210,还用于:
以拥堵贡献分值达到预设条件的目标路段为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展,得到基于根节点和扩展的邻接节点所构成的路段节点树;
基于路段节点树中根节点至叶子节点各自对应的目标路段,确定拥堵瓶颈点。
在一个实施例中,瓶颈点确定模块1210,还用于:
将拥堵贡献分值达到预设条件的目标路段作为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展;
当扩展得到的邻接节点中存在拥堵贡献分值大于预设值的邻接节点时,将扩展得到的邻接节点作为中间节点,并从中间节点中选取目标中间节点继续进行扩展,直至扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点;
当扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点时,基于根节点和所有扩展的邻接节点构成路段节点树。
关于拥堵瓶颈点确定装置的具体限定可以参见上文中对于拥堵瓶颈点确定方法的限定,在此不再赘述。上述拥堵瓶颈点确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储拥堵瓶颈点确定数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种拥堵瓶颈点确定方法。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取不同时段的路况数据和基于路网数据构建的路网拓扑图;基于路况数据,生成路网拓扑图中各路段在不同时段的路况分布图;路况分布图用于反映路网拓扑图中各路段在不同时段是否拥堵;在路网拓扑图的各路段中,根据路况分布图选取在至少两个时段发生拥堵的目标路段;确定目标路段对基于路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;基于拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:按照拥堵贡献分值的大小,对目标路段进行排序;在排序后的目标路段中,选取排序的名次达到预设条件的目标路段;基于选取的目标路段确定拥堵瓶颈点。
在一个实施例中,路网拓扑图包括基于不同路网对应的路网数据构建的拓扑图;处理器执行计算机程序时还实现以下步骤:当路网为线状路网时,将选取的目标路段确定为拥堵瓶颈点;当路网为网状路网时,查找与选取的目标路段关联的道路关键节点,将道路关键节点作为拥堵瓶颈点;或者,对选取的目标路段进行聚类,根据聚类的结果得到目标路段交叉点,将目标路段交叉点确定为拥堵瓶颈点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当路网为线状路网时,确定各选取的目标路段间的距离;对相互间的距离小于预设距离的目标路段进行连接;将连接后的目标路段确定为拥堵瓶颈点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对路网拓扑图内的在不同时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇;在至少两个拥堵簇中,确定目标路段所属的目标拥堵簇;确定目标路段在目标拥堵簇中的拥堵贡献分值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定目标路段在不同时段发生拥堵的频次;频次为大于或等于二的正整数;确定频次和目标路段的长度之间的积值;确定目标拥堵簇中各拥堵路段的长度与目标拥堵簇中各拥堵路段在不同时段发生拥堵的频次之间积值的和值;基于积值与和值确定拥堵贡献分值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对于首个时段,查找由路网拓扑图内的在首个时段发生拥堵且相互连通的拥堵路段,并将相互连通的拥堵路段作为子拥堵簇;对于非首个时段,将路网拓扑图内的在当前非首个时段发生拥堵且相互连通的拥堵路段与子拥堵簇叠加,直至所有非首个时段对应且相互连通的拥堵路段均与子拥堵簇叠加,得到至少两个拥堵簇。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取基于路网拓扑图内各拥堵路段形成的拥堵簇;确定拥堵簇内各拥堵路段在不同时段发生拥堵的频次;确定频次和拥堵簇内相应拥堵路段的长度之间的积值;将所确定的各积值之间的和值作为拥堵簇的簇大小,簇大小用于衡量拥堵簇内拥堵路段的拥堵程度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定拥堵簇的持续时间;按照簇大小和持续时间,对拥堵簇进行筛选;基于筛选后的拥堵簇进行合并,得到合并拥堵簇;确定目标路段对基于路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值包括:确定目标路段对所属的合并拥堵簇的拥堵贡献分值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定拥堵簇的拥堵起始时刻和拥堵结束时刻;基于拥堵起始时刻和拥堵结束时刻确定拥堵簇的持续时间;根据持续时间确定与拥堵簇对应的拥堵瓶颈点的拥堵类型。
在一个实施例中,路网拓扑图包括基于不同路网对应的路网数据构建的拓扑图;处理器执行计算机程序时还实现以下步骤:当路网为线状路网时,确定拥堵簇中在各拥堵时段发生拥堵的拥堵路段所对应的长度累加值;或者,当路网为网状路网时,确定拥堵簇中在各拥堵时段发生拥堵的、且属于相同道路的拥堵路段所对应的长度累加值;根据拥堵簇对应的长度累加值,确定与拥堵簇对应的拥堵瓶颈点的拥堵范围。
在一个实施例中,路况分布图包括路况时空分布图;处理器执行计算机程序时还实现以下步骤:基于路况数据,分别生成路网拓扑图中各路段在每个不同时段的路况空间分布图;按照时间维度对每个不同时段的路况空间分布图进行组合,得到路况时空分布图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:以拥堵贡献分值达到预设条件的目标路段为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展,得到基于根节点和扩展的邻接节点所构成的路段节点树;基于路段节点树中根节点至叶子节点各自对应的目标路段,确定拥堵瓶颈点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将拥堵贡献分值达到预设条件的目标路段作为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展;当扩展得到的邻接节点中存在拥堵贡献分值大于预设值的邻接节点时,将扩展得到的邻接节点作为中间节点,并从中间节点中选取目标中间节点继续进行扩展,直至扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点;当扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点时,基于根节点和所有扩展的邻接节点构成路段节点树。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取不同时段的路况数据和基于路网数据构建的路网拓扑图;基于路况数据,生成路网拓扑图中各路段在不同时段的路况分布图;路况分布图用于反映路网拓扑图中各路段在不同时段是否拥堵;在路网拓扑图的各路段中,根据路况分布图选取在至少两个时段发生拥堵的目标路段;确定目标路段对基于路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;基于拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:按照拥堵贡献分值的大小,对目标路段进行排序;在排序后的目标路段中,选取排序的名次达到预设条件的目标路段;基于选取的目标路段确定拥堵瓶颈点。
在一个实施例中,路网拓扑图包括基于不同路网对应的路网数据构建的拓扑图;计算机程序被处理器执行时还实现以下步骤:当路网为线状路网时,将选取的目标路段确定为拥堵瓶颈点;当路网为网状路网时,查找与选取的目标路段关联的道路关键节点,将道路关键节点作为拥堵瓶颈点;或者,对选取的目标路段进行聚类,根据聚类的结果得到目标路段交叉点,将目标路段交叉点确定为拥堵瓶颈点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当路网为线状路网时,确定各选取的目标路段间的距离;对相互间的距离小于预设距离的目标路段进行连接;将连接后的目标路段确定为拥堵瓶颈点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对路网拓扑图内的在不同时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇;在至少两个拥堵簇中,确定目标路段所属的目标拥堵簇;确定目标路段在目标拥堵簇中的拥堵贡献分值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定目标路段在不同时段发生拥堵的频次;频次为大于或等于二的正整数;确定频次和目标路段的长度之间的积值;确定目标拥堵簇中各拥堵路段的长度与目标拥堵簇中各拥堵路段在不同时段发生拥堵的频次之间积值的和值;基于积值与和值确定拥堵贡献分值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于首个时段,查找由路网拓扑图内的在首个时段发生拥堵且相互连通的拥堵路段,并将相互连通的拥堵路段作为子拥堵簇;对于非首个时段,将路网拓扑图内的在当前非首个时段发生拥堵且相互连通的拥堵路段与子拥堵簇叠加,直至所有非首个时段对应且相互连通的拥堵路段均与子拥堵簇叠加,得到至少两个拥堵簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取基于路网拓扑图内各拥堵路段形成的拥堵簇;确定拥堵簇内各拥堵路段在不同时段发生拥堵的频次;确定频次和拥堵簇内相应拥堵路段的长度之间的积值;将所确定的各积值之间的和值作为拥堵簇的簇大小,簇大小用于衡量拥堵簇内拥堵路段的拥堵程度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定拥堵簇的持续时间;按照簇大小和持续时间,对拥堵簇进行筛选;基于筛选后的拥堵簇进行合并,得到合并拥堵簇;确定目标路段对基于路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值包括:确定目标路段对所属的合并拥堵簇的拥堵贡献分值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定拥堵簇的拥堵起始时刻和拥堵结束时刻;基于拥堵起始时刻和拥堵结束时刻确定拥堵簇的持续时间;根据持续时间确定与拥堵簇对应的拥堵瓶颈点的拥堵类型。
在一个实施例中,路网拓扑图包括基于不同路网对应的路网数据构建的拓扑图;计算机程序被处理器执行时还实现以下步骤:当路网为线状路网时,确定拥堵簇中在各拥堵时段发生拥堵的拥堵路段所对应的长度累加值;或者,当路网为网状路网时,确定拥堵簇中在各拥堵时段发生拥堵的、且属于相同道路的拥堵路段所对应的长度累加值;根据拥堵簇对应的长度累加值,确定与拥堵簇对应的拥堵瓶颈点的拥堵范围。
在一个实施例中,路况分布图包括路况时空分布图;计算机程序被处理器执行时还实现以下步骤:基于路况数据,分别生成路网拓扑图中各路段在每个不同时段的路况空间分布图;按照时间维度对每个不同时段的路况空间分布图进行组合,得到路况时空分布图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:以拥堵贡献分值达到预设条件的目标路段为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展,得到基于根节点和扩展的邻接节点所构成的路段节点树;基于路段节点树中根节点至叶子节点各自对应的目标路段,确定拥堵瓶颈点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将拥堵贡献分值达到预设条件的目标路段作为根节点,向作为子节点的剩余目标路段进行邻接节点逐层扩展;当扩展得到的邻接节点中存在拥堵贡献分值大于预设值的邻接节点时,将扩展得到的邻接节点作为中间节点,并从中间节点中选取目标中间节点继续进行扩展,直至扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点;当扩展得到的邻接节点中不存在拥堵贡献分值大于预设值的邻接节点时,基于根节点和所有扩展的邻接节点构成路段节点树。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种拥堵瓶颈点确定方法,其特征在于,所述方法包括:
获取不同时段的路况数据和基于路网数据构建的路网拓扑图;
基于所述路况数据,生成所述路网拓扑图中各路段在不同所述时段的路况分布图;所述路况分布图用于反映所述路网拓扑图中各路段在不同所述时段是否拥堵;
在所述路网拓扑图的各路段中,根据所述路况分布图选取在至少两个所述时段发生拥堵的目标路段;
确定所述目标路段对基于所述路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;
基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
2.根据权利要求1所述的方法,其特征在于,所述基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点包括:
按照所述拥堵贡献分值的大小,对所述目标路段进行排序;
在排序后的目标路段中,选取排序的名次达到预设条件的目标路段;
基于选取的所述目标路段确定拥堵瓶颈点。
3.根据权利要求2所述的方法,其特征在于,所述路网拓扑图包括基于不同路网对应的所述路网数据构建的拓扑图;所述基于选取的所述目标路段确定拥堵瓶颈点包括:
当所述路网为线状路网时,将选取的所述目标路段确定为拥堵瓶颈点;
当所述路网为网状路网时,查找与选取的所述目标路段关联的道路关键节点,将所述道路关键节点作为所述拥堵瓶颈点;或者,对选取的所述目标路段进行聚类,根据聚类的结果得到目标路段交叉点,将所述目标路段交叉点确定为所述拥堵瓶颈点。
4.根据权利要求3所述的方法,其特征在于,所述当所述路网为线状路网时,将选取的所述目标路段确定为拥堵瓶颈点包括:
当所述路网为线状路网时,确定各选取的所述目标路段间的距离;
对相互间的所述距离小于预设距离的目标路段进行连接;
将连接后的所述目标路段确定为拥堵瓶颈点。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述路网拓扑图内的在不同所述时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇;
所述确定所述目标路段对基于所述路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值包括:
在所述至少两个拥堵簇中,确定所述目标路段所属的目标拥堵簇;
确定所述目标路段在所述目标拥堵簇中的拥堵贡献分值。
6.根据权利要求5所述的方法,其特征在于,所述确定所述目标路段在所述目标拥堵簇中的拥堵贡献分值包括:
确定所述目标路段在不同所述时段发生拥堵的频次;所述频次为大于或等于二的正整数;
确定所述频次和所述目标路段的长度之间的积值;
确定所述目标拥堵簇中各拥堵路段的长度与所述目标拥堵簇中各拥堵路段在不同所述时段发生拥堵的频次之间积值的和值;
基于所述积值与所述和值确定拥堵贡献分值。
7.根据权利要求5所述的方法,其特征在于,所述对所述路网拓扑图内的在不同所述时段发生拥堵的拥堵路段进行聚类,得到至少两个拥堵簇包括:
对于首个所述时段,查找由所述路网拓扑图内的在首个所述时段发生拥堵且相互连通的拥堵路段,并将相互连通的所述拥堵路段作为子拥堵簇;
对于非首个所述时段,将所述路网拓扑图内的在当前非首个所述时段发生拥堵且相互连通的拥堵路段与所述子拥堵簇叠加,直至所有非首个所述时段对应且相互连通的拥堵路段均与所述子拥堵簇叠加,得到至少两个拥堵簇。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取基于所述路网拓扑图内各拥堵路段形成的拥堵簇;
确定所述拥堵簇内各拥堵路段在不同所述时段发生拥堵的频次;
确定所述频次和所述拥堵簇内相应拥堵路段的长度之间的积值;
将所确定的各积值之间的和值作为所述拥堵簇的簇大小,所述簇大小用于衡量所述拥堵簇内拥堵路段的拥堵程度。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
确定所述拥堵簇的持续时间;
按照所述簇大小和所述持续时间,对所述拥堵簇进行筛选;
基于筛选后的所述拥堵簇进行合并,得到合并拥堵簇;
所述确定所述目标路段对基于所述路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值包括:
确定所述目标路段对所属的所述合并拥堵簇的拥堵贡献分值。
10.根据权利要求1至9中的任一项所述的方法,其特征在于,所述路网拓扑图包括基于不同路网对应的所述路网数据构建的拓扑图;所述方法还包括:
当所述路网为线状路网时,确定所述拥堵簇中在各拥堵时段发生拥堵的拥堵路段所对应的长度累加值;或者,
当所述路网为网状路网时,确定所述拥堵簇中在各拥堵时段发生拥堵的、且属于相同道路的拥堵路段所对应的长度累加值;
根据所述拥堵簇对应的长度累加值,确定与所述拥堵簇对应的拥堵瓶颈点的拥堵范围。
11.根据权利要求1所述的方法,其特征在于,所述基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点包括:
以所述拥堵贡献分值达到预设条件的目标路段为根节点,向作为子节点的剩余所述目标路段进行邻接节点逐层扩展,得到基于所述根节点和扩展的邻接节点所构成的路段节点树;
基于所述路段节点树中根节点至叶子节点各自对应的目标路段,确定拥堵瓶颈点。
12.根据权利要求11所述的方法,其特征在于,所述以所述拥堵贡献分值达到预设条件的目标路段为根节点,向作为子节点的剩余所述目标路段进行邻接节点逐层扩展,得到基于所述根节点和扩展的邻接节点所构成的路段节点树包括:
将所述拥堵贡献分值达到预设条件的目标路段作为根节点,向作为子节点的剩余所述目标路段进行邻接节点逐层扩展;
当扩展得到的邻接节点中存在拥堵贡献分值大于预设值的邻接节点时,将扩展得到的邻接节点作为中间节点,并从所述中间节点中选取目标中间节点继续进行扩展,直至扩展得到的邻接节点中不存在拥堵贡献分值大于所述预设值的邻接节点;
当扩展得到的邻接节点中不存在拥堵贡献分值大于所述预设值的邻接节点时,基于所述根节点和所有扩展的邻接节点构成所述路段节点树。
13.一种拥堵瓶颈点确定装置,其特征在于,所述装置包括:
获取模块,用于获取不同时段的路况数据和基于路网数据构建的路网拓扑图;
生成模块,用于基于所述路况数据,生成所述路网拓扑图中各路段在不同所述时段的路况分布图;所述路况分布图用于反映所述路网拓扑图中各路段在不同所述时段是否拥堵;
选取模块,用于在所述路网拓扑图的各路段中,根据所述路况分布图选取在至少两个所述时段发生拥堵的目标路段;
分值确定模块,用于确定所述目标路段对基于所述路网拓扑图内各拥堵路段形成的拥堵簇的拥堵贡献分值;
瓶颈点确定模块,还用于基于所述拥堵贡献分值达到预设条件的目标路段确定拥堵瓶颈点。
14.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110786798.7A CN113487869A (zh) | 2021-07-12 | 2021-07-12 | 拥堵瓶颈点确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110786798.7A CN113487869A (zh) | 2021-07-12 | 2021-07-12 | 拥堵瓶颈点确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487869A true CN113487869A (zh) | 2021-10-08 |
Family
ID=77938880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110786798.7A Pending CN113487869A (zh) | 2021-07-12 | 2021-07-12 | 拥堵瓶颈点确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487869A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527366A (zh) * | 2022-09-09 | 2022-12-27 | 扬州大学 | 一种大规模城市路网交通拥堵瓶颈辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960571A (zh) * | 2017-03-30 | 2017-07-18 | 百度在线网络技术(北京)有限公司 | 道路拥堵瓶颈点确定方法、装置、服务器及存储介质 |
CN107134133A (zh) * | 2017-01-23 | 2017-09-05 | 北京博研智通科技有限公司 | 辖区之间高速公路交通拥堵程度排序的方法和系统 |
CN109035778A (zh) * | 2018-08-29 | 2018-12-18 | 深圳市赛为智能股份有限公司 | 拥堵成因分析方法、装置、计算机设备及存储介质 |
US20190394129A1 (en) * | 2018-06-20 | 2019-12-26 | Beijing University Of Posts And Telecommunications | Method And Apparatus For Datacenter Congestion Control Based On Software Defined Network |
CN111325968A (zh) * | 2018-12-13 | 2020-06-23 | 深圳先进技术研究院 | 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备 |
CN112863176A (zh) * | 2021-01-06 | 2021-05-28 | 北京掌行通信息技术有限公司 | 交通拥堵溯源方法、装置、电子设备及存储介质 |
-
2021
- 2021-07-12 CN CN202110786798.7A patent/CN113487869A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107134133A (zh) * | 2017-01-23 | 2017-09-05 | 北京博研智通科技有限公司 | 辖区之间高速公路交通拥堵程度排序的方法和系统 |
CN106960571A (zh) * | 2017-03-30 | 2017-07-18 | 百度在线网络技术(北京)有限公司 | 道路拥堵瓶颈点确定方法、装置、服务器及存储介质 |
US20190394129A1 (en) * | 2018-06-20 | 2019-12-26 | Beijing University Of Posts And Telecommunications | Method And Apparatus For Datacenter Congestion Control Based On Software Defined Network |
CN109035778A (zh) * | 2018-08-29 | 2018-12-18 | 深圳市赛为智能股份有限公司 | 拥堵成因分析方法、装置、计算机设备及存储介质 |
CN111325968A (zh) * | 2018-12-13 | 2020-06-23 | 深圳先进技术研究院 | 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备 |
CN112863176A (zh) * | 2021-01-06 | 2021-05-28 | 北京掌行通信息技术有限公司 | 交通拥堵溯源方法、装置、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527366A (zh) * | 2022-09-09 | 2022-12-27 | 扬州大学 | 一种大规模城市路网交通拥堵瓶颈辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9536146B2 (en) | Determine spatiotemporal causal interactions in data | |
CN108981739B (zh) | 一种路径规划方法、装置、服务器及存储介质 | |
CN106198049A (zh) | 真实车辆在环测试系统和方法 | |
US20220068121A1 (en) | System for providing corridor metrics for a corridor of a road network | |
CN110631601B (zh) | 一种基于非显示拓扑矢量地图的路径规划方法 | |
CN103593430A (zh) | 一种基于移动对象时空信息轨迹分段聚类的方法 | |
CN104952248A (zh) | 一种基于欧氏空间的车辆汇聚预测方法 | |
CN113779430B (zh) | 路网数据生成方法、装置、计算设备和存储介质 | |
CN114443784A (zh) | 基于高精度地图的本地动态地图实现方法 | |
CN116127689A (zh) | 数字孪生空间的构建方法、装置及计算设备 | |
CN113487869A (zh) | 拥堵瓶颈点确定方法、装置、计算机设备和存储介质 | |
CN113259900A (zh) | 一种分布式多源异构交通数据融合方法及装置 | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
Elshrif et al. | Network-less trajectory imputation | |
CN113239138A (zh) | 地图匹配方法、装置、计算机设备和存储介质 | |
CN113793500A (zh) | 城市交通道路可计算路网的构建方法及系统 | |
CN112732860B (zh) | 道路提取方法、装置、可读存储介质及设备 | |
CN107588779B (zh) | 一种基于任意两节点间行程时间的车辆智能导航方法 | |
CN114637305B (zh) | 一种无人机最短路径规划方法及装置 | |
Costa et al. | Generation of road maps from trajectories collected with smartphone–a method based on genetic algorithm | |
US11946769B2 (en) | Method, apparatus, and system for identifying special areas and cleaning-up map data | |
CN113656979A (zh) | 路网数据生成方法、装置、电子设备及存储介质 | |
KR102362694B1 (ko) | 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 | |
Brunauer et al. | Recognizing spatio-temporal traffic patterns at intersections using self-organizing maps | |
Hiller et al. | Aggregation of road characteristics from online maps and evaluation of datasets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40055215 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |