CN113487872A - 一种基于大数据和人工智能的公交车通行时间预测方法 - Google Patents

一种基于大数据和人工智能的公交车通行时间预测方法 Download PDF

Info

Publication number
CN113487872A
CN113487872A CN202111045518.3A CN202111045518A CN113487872A CN 113487872 A CN113487872 A CN 113487872A CN 202111045518 A CN202111045518 A CN 202111045518A CN 113487872 A CN113487872 A CN 113487872A
Authority
CN
China
Prior art keywords
road
bus
sub
road section
time
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
Application number
CN202111045518.3A
Other languages
English (en)
Other versions
CN113487872B (zh
Inventor
谢宗艺
唐银丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong an art design Co.,Ltd.
Original Assignee
Nantong Feixuan Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Feixuan Intelligent Technology Co ltd filed Critical Nantong Feixuan Intelligent Technology Co ltd
Priority to CN202111045518.3A priority Critical patent/CN113487872B/zh
Publication of CN113487872A publication Critical patent/CN113487872A/zh
Application granted granted Critical
Publication of CN113487872B publication Critical patent/CN113487872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及大数据和人工智能的公交车通行时间预测方法。该方法首先将公交路段分段为多个子路段，获取公交车的行驶数据和子路段内的车辆光流信息。根据行驶数据和车辆光流信息各子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标；将路况特征、路段特征向量和驾驶习惯指标输入通行时间预测网络输出对应子路段的预测通行时间；通行时间预测网络的损失函数由复杂度指标、预测通行时间和真实通行时间构建；由多个子路段的预测通行时间、红绿灯的等待时间和公交车站点的停靠时间之和得到公交路段的通行时间。本发明通过对各子路段的通行时间进行预测，减小了累计误差，提升了通行时间的准确性。

Description

一种基于大数据和人工智能的公交车通行时间预测方法
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于大数据和人工智能的公交车通行时间预测方法。
背景技术
随着我国社会经济的不断发展，城市交通拥堵、出行不便等问题日益突出，严重影响了人们的正常生活和城市的发展。发展城市公共交通不仅是缓解城市交通拥堵的有效措施，还是改善城市人居环境，促进城市可持续发展的必然要求。公交车作为城市公共交通中最常见的交通方式，公交车的通行时间判断直接影响公交车的调度结果，且公交车通行时间预测对人们出行有着积极作用。
目前，公交车通行时间预测通常根据历史GPS数据，得到由当前实时位置到达各站点的平均距离和平均通行时间。该方法没有根据影响公交通行时间的因素进行通行时间预测，而是直接得到平均历史通行时间，会导致预测的公交通行时间准确性较差。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于大数据和人工智能的公交车通行时间预测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于大数据和人工智能的公交车通行时间预测方法，该方法包括以下步骤：
根据公交车站点以及红绿灯将公交路段分段为多个子路段；
获取公交车的行驶数据和公交车所在的子路段内的车辆光流信息，所述行驶数据包括三轴角速度、行驶速度和真实通行时间；将所述车辆光流信息的均值作为所述子路段的路况特征；
根据所述三轴角速度的变化量和所述行驶速度的变化量之比得到所述子路段的路段特征向量，将所述子路段的路段特征向量聚类为多个分割路段，并得到各所述分割路段内所述路段特征向量的元素数量；由所述分割路段内所述元素数量的最大差异值和所述分割路段的数量的乘积得到复杂度指标；
对所述分割路段之间的分割点处相邻两个窗口内的行驶速度变化量进行滤波，将滤波后行驶速度变化量的均值作为速度变化特征值，将多个所述分割点处的所述速度变化特征值的均值作为驾驶习惯指标；
将所述路况特征、所述路段特征向量和所述驾驶习惯指标输入通行时间预测网络输出对应子路段的预测通行时间；所述通行时间预测网络的损失函数为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为一个批次数据的数量；
Figure DEST_PATH_IMAGE006
为通过所述通行时间预测网络模拟预测的第
Figure DEST_PATH_IMAGE008
个数据的预测通行时间；
Figure DEST_PATH_IMAGE010
为第
Figure 882737DEST_PATH_IMAGE008
个数据的真实通行时间；
Figure DEST_PATH_IMAGE012
为第
Figure 594079DEST_PATH_IMAGE008
个数据的复杂度指标；
获取所述公交车在各红绿灯的等待时间以及各站点的停靠时间；由多个所述子路段的预测通行时间、所述等待时间和所述停靠时间之和得到所述公交路段的通行时间。
优选的，所述获取公交车的行驶数据和公交车所在的子路段内的车辆光流信息，包括：
采集道路图像；
将所述道路图像中车辆行驶区域的像素值置为1，其他区域的像素值置为0，得到遮罩图像；
根据所述遮罩图像和所述道路图像得到车辆行驶区域图像；
对所述车辆行驶区域图像进行关键点检测，得到所述车辆行驶区域图像内各车辆关键点的车辆光流信息。
优选的，所述将所述子路段的路段特征向量聚类为多个分割路段，包括：
对所述路段特征向量进行有序聚类，得到分割点和每个分割类别的分割类别直径；由所述分割点和所述分割类别直径，得到多个分割路段和每个分割路段中所述路段特征向量的元素数量。
优选的，所述由所述分割路段内所述元素数量的最大差异值和所述分割路段的数量的乘积得到复杂度指标，包括：
所述复杂度指标的计算公式为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为所述复杂度指标；
Figure DEST_PATH_IMAGE018
为所述分割路段的数量；
Figure DEST_PATH_IMAGE020
为第
Figure 785020DEST_PATH_IMAGE018
个分割路段中所述路段特征向量的元素数量。
优选的，所述对所述分割路段之间的分割点处相邻两个窗口内的行驶速度变化量进行滤波，将滤波后行驶速度变化量的均值作为速度变化特征值，包括：
获取所述子路段内公交车的行驶速度变化量序列，以所述子路段内所述分割路段之间的分割点为中心点，获取与所述中心点相邻两个相同宽度的窗口内的相邻行驶速度变化量序列；
对两个相邻行驶速度变化量序列进行最大值滤波，将滤波结果的均值作为速度变化特征值。
本发明具有如下有益效果：
本发明实施例利用大数据和人工智能技术，对公交车路段进行分段得到多个子路段，获取多个子路段的历史行驶数据和车辆光流信息，根据各子路段的行驶数据和车辆光流信息得到子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标，得到预测通行时间的各影响指标，对各影响指标进行分析，对复杂度指标较大、更难获得准确通行时间的子路段更加关注，提高各子路段的通行时间的准确性；由子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标构建通行时间预测网络，将实时的路况特征、驾驶习惯指标输入通行时间预测网络即可得到预测通行时间，将各子路段的预测通行时间、红绿灯等待时间和公交车站点的停靠时间相加得到公交路段的通行时间。将停靠时间和等待时间逐一单独计算，该时间与后续的通行时间有着密切联系，且逐一得到各个子路段的通行时间，消除了累计误差，使公交车在不同路段受多种因素的影响下，提高了通行时间预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于大数据和人工智能的公交车通行时间预测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据和人工智能的公交车通行时间预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供基于大数据和人工智能的公交车通行时间预测方法的具体实施方法，该方式适用于公交车沿着预设行驶路段行驶。已知行驶路段上有多少个公交车站点和红绿灯，且能够从大数据获取红绿灯的状态。为了解决通行时间预测不准确的问题，本实施例用行驶路段的路况特征、路段特征向量、路段的复杂度以及驾驶员的驾驶习惯这些通行时间影响指标得到预测通行时间，且利用分别计算各子路段的预测通行时间，达到了减小累计误差，提高通行时间预测准确性的目的。
下面结合附图具体的说明本发明所提供的一种基于大数据和人工智能的公交车通行时间预测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于大数据和人工智能的公交车通行时间预测方法的方法流程图。
步骤S100，根据公交车站点以及红绿灯将公交路段分段为多个子路段。
对公交车的运行路线进行分段得到多个子路段，并获取各子路段的历史数据。
需要说明的是，公交车沿着设定路线通行，不同特征的子路段通行时间不同，且子路段的通行时间会影响到红绿灯和公交车站点的停靠时间，所以本发明实施例按照先后顺序对各子路段进行分析，这样可以减小每一个子路段的通行时间误差，且可避免误差的累积，提高预测结果的准确性。
首先获得公交车的运行路线，获得公交车站点和红绿灯的位置信息，利用该公交车站点和红绿灯位置信息作为分段点对公交车线路进行分段，获得
Figure DEST_PATH_IMAGE022
个子路段，记为
Figure DEST_PATH_IMAGE024
。在各子路段范围内公交车均处于正常行驶状态，在红绿灯和公交车站点处会出现停留状态。
需要说明的是，子路段上的通行时间会直接影响到后续运行路段上红绿灯和公交车站点的停靠时间，比如子路段的通行时间不同赶上红绿灯红色状态和绿色状态的概率不同，公交车站点等待的人流量也可能不同，所以路段通行时间的准确预测直接影响整个通行时间预测的准确性。
步骤S200，获取公交车的行驶数据和公交车所在的子路段内的车辆光流信息，行驶数据包括三轴角速度、行驶速度和真实通行时间；将车辆光流信息的均值作为子路段的路况特征。
统计公交车在各子路段上的历史行驶数据，包括子路段的真实通行时间
Figure 25246DEST_PATH_IMAGE006
、子路段每间隔一米的位置处车辆的行驶速度
Figure DEST_PATH_IMAGE026
和子路段每间隔一米的位置处车辆的三轴角速度
Figure DEST_PATH_IMAGE028
，以及公交车从子路段起始点出发时该子路段的路况特征
Figure DEST_PATH_IMAGE030
。需要说明的是，子路段的真实通行时间
Figure 426272DEST_PATH_IMAGE006
、行驶速度
Figure 177190DEST_PATH_IMAGE026
和三轴角速度
Figure 144009DEST_PATH_IMAGE028
均可以直接通过IMU传感器获得，路况特征根据道路监控摄像头获得。
具体的，路况特征的获取方法为：
当公交车从子路段的起始点出发时，采集道路图像。人为的将道路图像中车辆行驶区域的像素值置为1，其他区域的像素值置为0，得到遮罩图像
Figure DEST_PATH_IMAGE032
。将遮罩图像
Figure 351874DEST_PATH_IMAGE032
与道路图像相乘，得到车辆行驶区域图像
Figure DEST_PATH_IMAGE034
，以屏蔽无关路况降低后续的计算量。
同时，在子路段上按照公交车的行驶方向划定车辆行驶区域的主方向，记为
Figure DEST_PATH_IMAGE036
且满足
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
为主方向的编号。
需要说明的是，一个子路段可能会有多个车辆行驶区域的主方向，如公交车在某个子路段内原本的行驶路线是沿着正南方向直行，由于地形地势或者其他外界原因的影响，公交车行驶的路线缓慢的向西方倾斜10°，则正南方向和南偏西10°的这两个方向皆为该子路段的主方向。
主方向的数量和公交车行驶方向的变化次数有关。只有主方向上的道路状况才会对公交车的通行时间带来影响，故可屏蔽无关方向的路况，避免无关方向的路况对通行时间的预测带来误差。
进一步，利用关键点检测网络对车辆行驶区域图像
Figure 646720DEST_PATH_IMAGE034
进行处理获得车辆的中心点Heatmap图像，利用
Figure DEST_PATH_IMAGE042
函数得到车辆关键点的位置信息。利用稀疏光流算法获得车辆行驶区域内各车辆关键点的车辆光流信息
Figure DEST_PATH_IMAGE044
，该车辆光流信息反映的是车辆行驶的速度方向和速度大小。
需要说明的是，关键点检测网络为Encoder-Decoder结构，可采用现有的OpenPose网络，OpenPose网络的训练和推理过程为公知技术，在此不再赘述。
通过车辆光流信息可以得到公交车主方向上其他车辆对公交车造成的速度影响，如当公交车主方向上有车辆速度较快，则速度较快的车辆对应的光流信息就会较大，光流信息较大使得子路段的路况特征变大，路况特征越大会导致公交车的行驶速度需要相应的减慢，去避免事故的发生，所以可由车辆光流信息反映公交车子路段的路况特征。
则子路段的路况特征
Figure DEST_PATH_IMAGE046
的计算方法为：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE050
表示车辆行驶区域内车辆的数量；
Figure DEST_PATH_IMAGE052
为子路段
Figure DEST_PATH_IMAGE054
内主方向的数量；
Figure DEST_PATH_IMAGE056
为第
Figure DEST_PATH_IMAGE058
个车辆的光流信息；
Figure DEST_PATH_IMAGE060
为子路段
Figure 152395DEST_PATH_IMAGE022
内第
Figure DEST_PATH_IMAGE062
个车辆行驶区域的方向；
Figure 708141DEST_PATH_IMAGE046
为子路段
Figure 119531DEST_PATH_IMAGE022
的路况特征，路况特征能够反映公交车行驶的顺利程度。
步骤S300，根据三轴角速度的变化量和行驶速度的变化量之比得到子路段的路段特征向量，将子路段的路段特征向量聚类为多个分割路段，并得到各分割路段内路段特征向量的元素数量；由分割路段内元素数量的最大差异值和分割路段的数量的乘积得到复杂度指标。
（1）根据三轴角速度的变化量和行驶速度的变化量之比得到子路段的路段特征向量。
每个公交车上都部署一个IMU传感器可以获得车辆的位姿信息，IMU传感器的获取数值为车辆的三轴角速度
Figure DEST_PATH_IMAGE064
。该三轴角速度
Figure 229569DEST_PATH_IMAGE028
与公交车行驶速度的变化、行驶轨迹的曲率变化以及道路的坡度变化有关，道路的坡度变化以及行驶轨迹的曲率变化是影响公交车通行时间的重要因素。
需要说明的是，速度随机游走会对IMU传感器获得的三轴角速度造成随机性误差，故为了消除速度对IMU示数的影响，本发明实施例利用单位变化速度内的三轴角速度变化来反映道路特征。
对子路段各位置处车辆的行驶速度和三轴角速度
Figure 617563DEST_PATH_IMAGE028
进行处理，用当前位置的数值减去上一位置的数值，得到当前子路段各位置处行驶速度变化量的序列
Figure DEST_PATH_IMAGE066
和三轴角速度变化量的序列
Figure DEST_PATH_IMAGE068
，则子路段的路段特征向量为
Figure DEST_PATH_IMAGE070
，其中
Figure DEST_PATH_IMAGE072
表示子路段的长度。需要说明的是，因为子路段是每间隔一米的位置处就获得一组公交车的行驶速度
Figure 231078DEST_PATH_IMAGE026
和三轴角速度
Figure 813369DEST_PATH_IMAGE028
数据，所以
Figure 207441DEST_PATH_IMAGE072
个数据代表子路段有
Figure 900591DEST_PATH_IMAGE072
米，即可表示子路段的长度。
该子路段的路段特征向量
Figure DEST_PATH_IMAGE074
反映的是公交车行驶轨迹的曲率变化和道路的坡度变化特征。需要说明的是，使用单位变化速度内的三轴角速度的变化
Figure 613287DEST_PATH_IMAGE074
表示子路段的路段特征向量，达到了消除速度随机游走对IMU传感器获得的三轴角速度造成随机性误差。
（2）将子路段的路段特征向量聚类为多个分割路段。
利用有序聚类算法对子路段的路段特征向量
Figure 163217DEST_PATH_IMAGE074
进行处理。需要说明的是路段特征向量中路段特征值的下标为子路段起始点到子路段终点的有序序列，如路段特征值
Figure DEST_PATH_IMAGE076
对应的为子路段中最靠近子路段起始点的段，路段特征值
Figure DEST_PATH_IMAGE078
对应的为子路段中最靠近子路段中点的段。有序聚类算法在不打乱下标顺序的情况下获得多个分割点，按照多个分割点将子路段分成了多个分割路段，使得各分割路段之内的路段特征差异最小，而各分割路段之间的差异较大。
具体的，有序聚类的计算步骤为：
定义有序聚类的各类的直径：设某一类别
Figure DEST_PATH_IMAGE080
包含的样本为
Figure DEST_PATH_IMAGE082
，则类别
Figure 654373DEST_PATH_IMAGE080
的样本均值为：
Figure DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE086
为第
Figure 853010DEST_PATH_IMAGE080
个类别的样本均值；
Figure DEST_PATH_IMAGE088
为子路段中第
Figure DEST_PATH_IMAGE090
个三轴角速度的变化量；
Figure DEST_PATH_IMAGE092
为子路段中第
Figure 644380DEST_PATH_IMAGE090
个行驶速度的变化量；
Figure DEST_PATH_IMAGE094
为子路段中第
Figure 535850DEST_PATH_IMAGE090
个路段特征值；
Figure DEST_PATH_IMAGE096
为第
Figure 576619DEST_PATH_IMAGE080
个类别的长度，该长度即为分割路段内对应的路段特征向量的元素数量；
Figure DEST_PATH_IMAGE098
为第
Figure 80412DEST_PATH_IMAGE080
个类别的样本中的第一个分割路段对应的长度；
Figure 850922DEST_PATH_IMAGE040
为第
Figure 477076DEST_PATH_IMAGE080
个类别的样本中的最后一个分割路段对应的长度。
类别
Figure 34834DEST_PATH_IMAGE080
的分割类别直径，该直径即为类别的长度为：
Figure DEST_PATH_IMAGE100
其中，
Figure DEST_PATH_IMAGE102
为类别
Figure 76739DEST_PATH_IMAGE080
的分割类别直径；
Figure 170597DEST_PATH_IMAGE086
为第
Figure 436493DEST_PATH_IMAGE080
个类别的样本均值；
Figure 514171DEST_PATH_IMAGE094
为子路段中第
Figure 156505DEST_PATH_IMAGE090
个路段特征值。
定义有序聚类的目标函数：用
Figure DEST_PATH_IMAGE104
表示将子路段中
Figure 868983DEST_PATH_IMAGE072
个样本分为
Figure DEST_PATH_IMAGE106
类的一种分类方法，类别数量用分割点的下标表示，常记分法为
Figure 774623DEST_PATH_IMAGE104
为
Figure DEST_PATH_IMAGE108
或简记为：
Figure DEST_PATH_IMAGE110
，其中分点为：
Figure DEST_PATH_IMAGE112
，即
Figure DEST_PATH_IMAGE114
；
则分类法的损失函数为，即定义目标函数为：
Figure DEST_PATH_IMAGE116
。
当有序样本的数量
Figure 182339DEST_PATH_IMAGE072
和类别数量
Figure 97205DEST_PATH_IMAGE106
固定时，目标函数
Figure DEST_PATH_IMAGE118
越小表示各类的离差平均和越小，分类越合理，遍历所有可能的分法，得到当前分类数下的最优分法，该最优分法使分类目标函数
Figure 900076DEST_PATH_IMAGE118
达到最小，记最优分法为
Figure DEST_PATH_IMAGE120
，
Figure 976617DEST_PATH_IMAGE120
是使
Figure 825624DEST_PATH_IMAGE118
达到极小的分类法。
目标函数
Figure 544181DEST_PATH_IMAGE118
的递推公式满足下列公式：
Figure DEST_PATH_IMAGE122
Figure DEST_PATH_IMAGE124
即要想将
Figure 903356DEST_PATH_IMAGE072
个样本划分为
Figure 681956DEST_PATH_IMAGE106
类的最优分割，应建立在
Figure DEST_PATH_IMAGE126
个样本分为
Figure DEST_PATH_IMAGE128
类的最优分割的基础上，这里
Figure DEST_PATH_IMAGE130
。
利用目标函数
Figure 159205DEST_PATH_IMAGE118
获得分为
Figure DEST_PATH_IMAGE132
到
Figure 383251DEST_PATH_IMAGE106
类的最优分割，绘制最优分割的目标函数
Figure 691873DEST_PATH_IMAGE118
随着
Figure 641374DEST_PATH_IMAGE106
值变化的曲线，当该曲线出现拐点时，对应的
Figure 402657DEST_PATH_IMAGE106
值即为最佳分类数，预设最佳分类数为
Figure 525333DEST_PATH_IMAGE018
，则对应的最优分法
Figure DEST_PATH_IMAGE134
即为有序聚类的结果。需要说明的是，为了保证得到最优分类数，
Figure 157303DEST_PATH_IMAGE106
的值不能太小，本发明实施例中
Figure 12127DEST_PATH_IMAGE106
的取值为10。
Figure 36538DEST_PATH_IMAGE106
的取值为10表示通过目标函数
Figure 900589DEST_PATH_IMAGE118
获得分为
Figure 918224DEST_PATH_IMAGE132
到10类的最优分割，通过后续的处理判断哪一类最优分割能达到本发明实施例的目的。其中，
Figure 475107DEST_PATH_IMAGE018
的值小于等于10，即
Figure 210982DEST_PATH_IMAGE018
为分割路段的数量。
至此，将子路段内分为了
Figure 675461DEST_PATH_IMAGE018
个分割路段，并获得
Figure DEST_PATH_IMAGE136
个分割点，以及每个分割路段的直径
Figure DEST_PATH_IMAGE138
，即每个分割路段的长度
Figure 219706DEST_PATH_IMAGE138
。属于同一个子路段的每个分割路段对应的曲率和坡度特征是相同的。
（3）由分割路段内元素数量的最大差异值和分割路段的数量的乘积得到复杂度指标。
复杂度指标
Figure 446026DEST_PATH_IMAGE016
的计算公式为：
Figure 100002_DEST_PATH_IMAGE014A
其中，
Figure 138038DEST_PATH_IMAGE018
为分割路段的数量；
Figure 343892DEST_PATH_IMAGE020
为第
Figure 336119DEST_PATH_IMAGE018
个分割路段的长度，该长度即为分割路段内对应的路段特征向量的元素数量。
子路段的复杂度指标越大，表示子路段道路变化越复杂，获得准确的行驶时间的难度越大，该复杂度指标将参与后续通行时间预测网络的损失函数的设计，以提高复杂环境下的预测通行时间的准确性。
步骤S400，对分割路段之间的分割点处相邻两个窗口内的行驶速度变化量进行滤波，将滤波后行驶速度变化量的均值作为速度变化特征值，将多个分割点处的速度变化特征值的均值作为驾驶习惯指标。
为了保证乘客以及路边行驶人员的安全，驾驶员会在各分割点处进行先减速后加速的情况，驾驶习惯主要表现在分割点处的速度变化情况。需要说明的是，每一段子路段内是不包含红绿灯和公交车站的，驾驶员在子路段内各分割点处进行先减速后加速的原因有可能是道路上有人行道，或者路边有大型超市、商场、学校等人流过大的场所，所以驾驶员应先减速再加速。
对子路段行驶速度变化量序列
Figure 31542DEST_PATH_IMAGE066
进行分析，以子路段内分割路段之间的分割点为中心点，获取与中心点相邻两个相同宽度的窗口内的相邻行驶速度变化量序列，如设置宽度为
Figure DEST_PATH_IMAGE140
的窗口，在分割点的左侧宽度为
Figure DEST_PATH_IMAGE142
的窗口内获取相邻行驶速度变化量序列，并进行最大值滤波得到
Figure DEST_PATH_IMAGE144
，在分割点的右侧宽度为
Figure 115911DEST_PATH_IMAGE142
的窗口内获取相邻行驶速度变化序列，并进行最大值滤波得到
Figure DEST_PATH_IMAGE146
，将滤波结果
Figure 594296DEST_PATH_IMAGE144
和
Figure 706609DEST_PATH_IMAGE146
的均值作为速度变化特征值，即分割点处的速度变化特征值为
Figure DEST_PATH_IMAGE148
。
得到分割点处的速度变化特征值，按照获取时间的顺序构成
Figure 979458DEST_PATH_IMAGE136
维的驾驶习惯特征向量
Figure DEST_PATH_IMAGE150
，将多个分割点处的速度变化特征值的均值作为驾驶习惯指标。采用速度变化特征值计算驾驶习惯指标是因为每个驾驶员的驾驶习惯不同，有的驾驶员开车当遇到过马路的行人时刹车和启动车辆时速度都比较快，而有的驾驶员相对来说比较稳重，刹车和启动车辆的速度都比较缓慢，所以每个驾驶员都有不同的驾驶习惯，驾驶习惯也是通行时间的影响因素。
驾驶员的驾驶习惯指标
Figure DEST_PATH_IMAGE152
：
Figure DEST_PATH_IMAGE154
其中，
Figure DEST_PATH_IMAGE156
为第
Figure DEST_PATH_IMAGE158
个速度变化特征值；
Figure 816702DEST_PATH_IMAGE136
为驾驶习惯特征向量的维数。
通过人脸识别确定驾驶员的身份，将驾驶员对应的驾驶习惯指标存储到该驾驶员的个人数据库中，为后续的驾驶习惯的调用做准备。
至此根据步骤S100~S400，利用历史数据中的公交车行驶数据和各子路段内的车辆光流信息得到各子路段的路况特征
Figure 364358DEST_PATH_IMAGE030
、路段特征向量
Figure 331177DEST_PATH_IMAGE074
、复杂度指标
Figure 40507DEST_PATH_IMAGE016
、驾驶员的驾驶习惯指标
Figure 725566DEST_PATH_IMAGE152
以及通过IMU传感器得到的子路段的真实通行时间
Figure 873651DEST_PATH_IMAGE006
。不仅考虑到驾驶习惯指标和子路段的路况特征对预测通行时间的影响，还将复杂度指标参与损失函数的计算，确保不同子路段通行时间的预测准确性。
步骤S500，将路况特征、路段特征向量和驾驶习惯指标输入通行时间预测网络输出对应子路段的预测通行时间；通行时间预测网络的损失函数为：
Figure 100002_DEST_PATH_IMAGE002A
其中，
Figure 662353DEST_PATH_IMAGE004
为一个批次数据的数量；
Figure 73743DEST_PATH_IMAGE006
为通过通行时间预测网络模拟预测的第
Figure 980519DEST_PATH_IMAGE008
个数据的预测通行时间；
Figure 869978DEST_PATH_IMAGE010
为第
Figure 545810DEST_PATH_IMAGE008
个数据的真实通行时间；
Figure 862522DEST_PATH_IMAGE012
为第
Figure 256594DEST_PATH_IMAGE008
个数据的复杂度指标。
考虑到每个子路段的路段特征向量的维度不同，且如果路段特征向量的维度过大会导致计算量过大。故先对每个子路段的路段特征向量进行降维处理，使得各子路段的路段特征向量统一至相同的维度
Figure DEST_PATH_IMAGE160
，将降维处理之后的路段特征向量作为
Figure DEST_PATH_IMAGE162
。在本发明实施例中采用PCA进行降维处理，由于PCA降维技术为公知技术，在此不再赘述。
将降维后的路段特征向量
Figure 385962DEST_PATH_IMAGE162
存储在数据库中，以方便后续的网络训练和通行时间的预测。
构建通行时间预测网络，该网络为全连接网络，由输入层、隐藏层和输出层构成。其中，隐藏层的数目实施者可自行设定，在本发明实施例中隐藏层数量为4，输入层为接受数据包含
Figure DEST_PATH_IMAGE164
个神经元，输出层为一个神经元。通行时间预测网络的输入为子路段的路况特征
Figure 447458DEST_PATH_IMAGE030
、
Figure 200651DEST_PATH_IMAGE160
维的路段特征向量
Figure 82019DEST_PATH_IMAGE162
以及驾驶习惯指标
Figure 47701DEST_PATH_IMAGE152
，输出为对应的子路段的预测通行时间
Figure 963705DEST_PATH_IMAGE010
。
该通行时间预测网络的损失函数采用加权均方差函数，根据不同子路段的复杂度指标的大小设定不同的权重，复杂度指标越大则获取准确通行时间的难度越大，则在训练过程中应增加对其的监督力度，相应的分配的权重也越大。
其中，训练数据采用的是步骤S100~S400获得的历史数据，以真实通行时间
Figure 622219DEST_PATH_IMAGE010
为标签，用梯度下降法更新网络模型参数，完成网络训练。
具体的，损失函数的计算方法为：
Figure DEST_PATH_IMAGE002AA
其中，
Figure 223839DEST_PATH_IMAGE004
为一个批次数据的数量；
Figure 993212DEST_PATH_IMAGE006
为通过通行时间预测网络模拟预测的第
Figure 498143DEST_PATH_IMAGE008
个数据的预测通行时间；
Figure 593138DEST_PATH_IMAGE010
为第
Figure 449098DEST_PATH_IMAGE008
个数据的真实通行时间；
Figure 22162DEST_PATH_IMAGE012
为第
Figure 443916DEST_PATH_IMAGE008
个数据的复杂度指标。在本发明实施例中设定一个批次数据的数量为32。
后续通过训练好的通行时间预测网络，可以直接输入实时采集的子路段的路况特征
Figure 709813DEST_PATH_IMAGE030
、实时获取的驾驶员的驾驶习惯指标
Figure 286025DEST_PATH_IMAGE152
以及数据库中提取的降维后的路段特征向量
Figure 662780DEST_PATH_IMAGE162
，即可输出该子路段的预测通行时间
Figure 939040DEST_PATH_IMAGE006
。
通过该通行时间预测DNN网络即可得到准确的公交车在各子路段上的预测通行时间。
步骤S600，获取公交车在各红绿灯的等待时间以及各站点的停靠时间；由多个子路段的预测通行时间、等待时间和停靠时间之和得到公交路段的通行时间。
考虑到各个子路段通行时间对红绿灯停靠时间和公交车站点停靠时间的影响，本发明实施例从各子路段的起始点开始计算通行时间，消除累计误差，得到准确的公交路段的通行时间。
当公交车从公交路段的起始点出发时，调用道路监控摄像头按照步骤S200，获得各子路段的路况特征。并通过驾驶员的身份，从数据库中得到该驾驶员对应的驾驶习惯指标。其中，各子路段的降维后的路段特征向量同样保存在数据库中，可直接获得。
通过步骤S500训练完毕的通行时间预测网络即可得到各个子路段的预测通行时间，各子路段的预测通行时间分别记为
Figure DEST_PATH_IMAGE166
，
Figure 844679DEST_PATH_IMAGE022
表示子路段的数量。
公交车在站点停靠时间与候车人数相关，影响因素单一，且同一个路线的公交车在不同时刻、相同站点的停靠时间是有规律的，所有基于统计的思想即可获得固定线路的公交车不同时刻在站点的停靠时间。
以站点2为例介绍具体的统计方法：以天为单位，统计固定线路车辆时刻
Figure DEST_PATH_IMAGE168
时在站点2的停靠时间，采集至少一个月的数据，取其均值，记为在时刻
Figure 612915DEST_PATH_IMAGE168
时站点2的停靠时间
Figure DEST_PATH_IMAGE170
，其中
Figure DEST_PATH_IMAGE172
表示站点2。
需要说明的是固定线路车辆时刻
Figure 262203DEST_PATH_IMAGE168
指的是公交车离开起始点到达站点2的时刻，比如公交车从起始点到达站点2用了10分钟，则可采集一个月内用了10分钟到达站点2时在站点2的停靠时间，并对该停靠时间求均值，得到最终的停靠时间。
按照先后顺序为每相邻两个子路段的分段点进行编号，其中分段点包括公交车站点和红绿灯，公交车站点标记为
Figure DEST_PATH_IMAGE174
，红绿灯标记为
Figure DEST_PATH_IMAGE176
。
从公交路段的起始站开始计算公交车通行时间
Figure DEST_PATH_IMAGE178
：记从公交路段的起始站发车的时刻为
Figure DEST_PATH_IMAGE180
。首先判断第一个分段点类型：当第一个分段点为红绿灯时，从大数据中获取
Figure DEST_PATH_IMAGE182
时刻的红绿灯状态，其中
Figure DEST_PATH_IMAGE184
为到达第一个红绿灯的通行时间，设第一个子路段的预测通行时间为
Figure DEST_PATH_IMAGE186
，即
Figure DEST_PATH_IMAGE188
；若红绿灯状态为绿灯，则等待时间
Figure DEST_PATH_IMAGE190
，若红绿灯状态为红灯，则等待时间
Figure DEST_PATH_IMAGE192
为红灯的剩余时间，此时通行时间为
Figure DEST_PATH_IMAGE194
；
当第一个分段点为公交车站点时，则根据统计结果该时间段在该公交车站点的停靠时间
Figure DEST_PATH_IMAGE196
，此时通行时间为
Figure DEST_PATH_IMAGE198
，其中
Figure DEST_PATH_IMAGE200
为到达第一个公交车站点的通行时间，设第一个子路段的通行时间为
Figure 762278DEST_PATH_IMAGE186
，即
Figure DEST_PATH_IMAGE202
。
在此基础上进一步判断下一个分段点的类型，根据不同分段点的类型确定在分段点的停靠时间。沿着公交车行驶的方向进行遍历，则公交路段的通行时间
Figure 838818DEST_PATH_IMAGE178
为：
Figure DEST_PATH_IMAGE204
其中，
Figure DEST_PATH_IMAGE206
表示第
Figure 327306DEST_PATH_IMAGE026
个子路段的预测通行时间；
Figure DEST_PATH_IMAGE208
表示红绿灯的数量；
Figure DEST_PATH_IMAGE210
表示在红绿灯
Figure DEST_PATH_IMAGE212
等待的时间；
Figure DEST_PATH_IMAGE214
表示到达红绿灯
Figure 452388DEST_PATH_IMAGE212
时的通行时间；
Figure DEST_PATH_IMAGE216
表示公交车站点的数量；
Figure DEST_PATH_IMAGE218
表示在公交车站点
Figure DEST_PATH_IMAGE220
停留的时间；
Figure DEST_PATH_IMAGE222
表示到达公交车站点
Figure 77142DEST_PATH_IMAGE220
时的通行时间。
得到了公交路段的通行时间，可以辅助公交公司实现精准调度。
综上所述，本发明实施例利用大数据和人工智能技术，对公交车路段进行分段得到多个子路段，获取多个子路段的历史行驶数据和车辆光流信息，根据各子路段的行驶数据和车辆光流信息得到子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标；由子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标构建通行时间预测网络，将实时的路况特征、驾驶习惯指标输入通行时间预测网络即可得到预测通行时间，将各子路段的预测通行时间、红绿灯等待时间和公交车站点的停靠时间相加得到公交路段的通行时间。在公交车在不同路段受多种因素的影响下，提高了通行时间预测的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于大数据和人工智能的公交车通行时间预测方法，其特征在于，该方法包括以下步骤：
根据公交车站点以及红绿灯将公交路段分段为多个子路段；
获取公交车的行驶数据和公交车所在的子路段内的车辆光流信息，所述行驶数据包括三轴角速度、行驶速度和真实通行时间；将所述车辆光流信息的均值作为所述子路段的路况特征；
根据所述三轴角速度的变化量和所述行驶速度的变化量之比得到所述子路段的路段特征向量，将所述子路段的路段特征向量聚类为多个分割路段，并得到各所述分割路段内所述路段特征向量的元素数量；由所述分割路段内所述元素数量的最大差异值和所述分割路段的数量的乘积得到复杂度指标；
对所述分割路段之间的分割点处相邻两个窗口内的行驶速度变化量进行滤波，将滤波后行驶速度变化量的均值作为速度变化特征值，将多个所述分割点处的所述速度变化特征值的均值作为驾驶习惯指标；
将所述路况特征、所述路段特征向量和所述驾驶习惯指标输入通行时间预测网络输出对应子路段的预测通行时间；所述通行时间预测网络的损失函数为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 317196DEST_PATH_IMAGE004
为一个批次数据的数量；
Figure 334831DEST_PATH_IMAGE006
为通过所述通行时间预测网络模拟预测的第
Figure 563818DEST_PATH_IMAGE008
个数据的预测通行时间；
Figure 565272DEST_PATH_IMAGE010
为第
Figure 295331DEST_PATH_IMAGE008
个数据的真实通行时间；
Figure 134848DEST_PATH_IMAGE012
为第
Figure 659371DEST_PATH_IMAGE008
个数据的复杂度指标；
获取所述公交车在各红绿灯的等待时间以及各站点的停靠时间；由多个所述子路段的预测通行时间、所述等待时间和所述停靠时间之和得到所述公交路段的通行时间。
2.根据权利要求1所述的基于大数据和人工智能的公交车通行时间预测方法，其特征在于，所述获取公交车的行驶数据和公交车所在的子路段内的车辆光流信息，包括：
采集道路图像；
将所述道路图像中车辆行驶区域的像素值置为1，其他区域的像素值置为0，得到遮罩图像；
根据所述遮罩图像和所述道路图像得到车辆行驶区域图像；
对所述车辆行驶区域图像进行关键点检测，得到所述车辆行驶区域图像内各车辆关键点的车辆光流信息。
3.根据权利要求1所述的基于大数据和人工智能的公交车通行时间预测方法，其特征在于，所述将所述子路段的路段特征向量聚类为多个分割路段，包括：
对所述路段特征向量进行有序聚类，得到分割点和每个分割类别的分割类别直径；由所述分割点和所述分割类别直径，得到多个分割路段和每个分割路段中所述路段特征向量的元素数量。
4.根据权利要求1所述的基于大数据和人工智能的公交车通行时间预测方法，其特征在于，所述由所述分割路段内所述元素数量的最大差异值和所述分割路段的数量的乘积得到复杂度指标，包括：
所述复杂度指标的计算公式为：
Figure DEST_PATH_IMAGE014A
其中，
Figure 85804DEST_PATH_IMAGE016
为所述复杂度指标；
Figure 494920DEST_PATH_IMAGE018
为所述分割路段的数量；
Figure 549463DEST_PATH_IMAGE020
为第
Figure 713728DEST_PATH_IMAGE018
个分割路段中所述路段特征向量的元素数量。
5.根据权利要求1所述的基于大数据和人工智能的公交车通行时间预测方法，其特征在于，所述对所述分割路段之间的分割点处相邻两个窗口内的行驶速度变化量进行滤波，将滤波后行驶速度变化量的均值作为速度变化特征值，包括：
获取所述子路段内公交车的行驶速度变化量序列，以所述子路段内所述分割路段之间的分割点为中心点，获取与所述中心点相邻两个相同宽度的窗口内的相邻行驶速度变化量序列；
对两个相邻行驶速度变化量序列进行最大值滤波，将滤波结果的均值作为速度变化特征值。
CN202111045518.3A 2021-09-07 2021-09-07 一种基于大数据和人工智能的公交车通行时间预测方法 Active CN113487872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111045518.3A CN113487872B (zh) 2021-09-07 2021-09-07 一种基于大数据和人工智能的公交车通行时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111045518.3A CN113487872B (zh) 2021-09-07 2021-09-07 一种基于大数据和人工智能的公交车通行时间预测方法

Publications (2)

Publication Number Publication Date
CN113487872A true CN113487872A (zh) 2021-10-08
CN113487872B CN113487872B (zh) 2021-11-16

Family

ID=77947255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111045518.3A Active CN113487872B (zh) 2021-09-07 2021-09-07 一种基于大数据和人工智能的公交车通行时间预测方法

Country Status (1)

Country Link
CN (1) CN113487872B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113905215A (zh) * 2021-12-07 2022-01-07 江西佳铭特实业有限公司 一种公交安全驾驶监控系统
CN113916239A (zh) * 2021-10-20 2022-01-11 北京轻舟智航科技有限公司 一种自动驾驶公交车的车道级导航方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096643A (zh) * 2015-09-02 2015-11-25 重庆大学 基于多线路前车运行数据的实时公交到站时间预测方法
CN106781506A (zh) * 2017-02-21 2017-05-31 济南全通信息科技有限公司 基于公交车gps数据的大范围城市公交线网实时运行水平评价方法
CN109584552A (zh) * 2018-11-28 2019-04-05 青岛大学 一种基于网络向量自回归模型的公交到站时间预测方法
US20190378405A1 (en) * 2018-06-12 2019-12-12 Electronics And Telecommunications Research Institute Method for predicting travel time using spatio-temporal model and apparatus thereof
CN111667689A (zh) * 2020-05-06 2020-09-15 浙江师范大学 车辆旅行时间预测的方法、设备和计算机设备
CN111833600A (zh) * 2020-06-10 2020-10-27 北京嘀嘀无限科技发展有限公司 通行时间预测方法、装置及数据处理设备
CN112116810A (zh) * 2020-09-07 2020-12-22 东南大学 基于城市道路卡口数据的全路网路段行程时间估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096643A (zh) * 2015-09-02 2015-11-25 重庆大学 基于多线路前车运行数据的实时公交到站时间预测方法
CN106781506A (zh) * 2017-02-21 2017-05-31 济南全通信息科技有限公司 基于公交车gps数据的大范围城市公交线网实时运行水平评价方法
US20190378405A1 (en) * 2018-06-12 2019-12-12 Electronics And Telecommunications Research Institute Method for predicting travel time using spatio-temporal model and apparatus thereof
CN109584552A (zh) * 2018-11-28 2019-04-05 青岛大学 一种基于网络向量自回归模型的公交到站时间预测方法
CN111667689A (zh) * 2020-05-06 2020-09-15 浙江师范大学 车辆旅行时间预测的方法、设备和计算机设备
CN111833600A (zh) * 2020-06-10 2020-10-27 北京嘀嘀无限科技发展有限公司 通行时间预测方法、装置及数据处理设备
CN112116810A (zh) * 2020-09-07 2020-12-22 东南大学 基于城市道路卡口数据的全路网路段行程时间估计方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916239A (zh) * 2021-10-20 2022-01-11 北京轻舟智航科技有限公司 一种自动驾驶公交车的车道级导航方法
CN113916239B (zh) * 2021-10-20 2024-04-12 北京轻舟智航科技有限公司 一种自动驾驶公交车的车道级导航方法
CN113905215A (zh) * 2021-12-07 2022-01-07 江西佳铭特实业有限公司 一种公交安全驾驶监控系统

Also Published As

Publication number Publication date
CN113487872B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN105913661B (zh) 一种基于收费数据的高速公路路段交通状态判别方法
CN113487872B (zh) 一种基于大数据和人工智能的公交车通行时间预测方法
CN103839409B (zh) 基于多断面视觉传感聚类分析的交通流状态判别方法
WO2019047905A1 (zh) 一种交通路况分析系统、方法以及装置
CN109191849B (zh) 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN104732075B (zh) 一种城市道路交通事故风险实时预测方法
CN108629973A (zh) 基于固定检测设备的路段交通拥堵指数计算方法
CN112950946B (zh) 一种市政道路施工期交通拥堵原因判别方法
CN105405293B (zh) 一种道路旅行时间短期预测方法和系统
CN113380052B (zh) 基于etc数据的驶入服务区车流量预测方法及装置
CN109345832B (zh) 一种基于深度递归神经网络的城市道路超车预测方法
CN112885088B (zh) 一种基于动态交通流的多匝道协调控制方法
CN112767683B (zh) 一种基于反馈机制的路径诱导方法
CN107067759A (zh) 一种基于acp的平行交通信号灯实时控制方法
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN101739823A (zh) 一种适用低频采样的路段平均行程时间测量方法
CN111063204B (zh) 一种基于收费站流量的高速公路车速预测模型训练方法
CN106355905A (zh) 一种基于卡口数据的高架信号控制方法
CN111581538A (zh) 一种基于高速公路收费数据的高速交通流状态推断方法
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN105654720A (zh) 基于城市道路拥堵识别的检测器布设方法
CN113283762A (zh) 一种评价停车场道路规划的装置
CN111986483A (zh) 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质
CN109489679A (zh) 一种导航路径中的到达时间计算方法
CN111754771A (zh) 一种基于交通信号和密度延误的个体行程时间预测方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220309

Address after: 226100 No. 38 Zhonghua East Road, three Factory Street, Haimen City, Nantong, Jiangsu

Patentee after: Nantong an art design Co.,Ltd.

Address before: 226100 group 29, qinglonggang village, Sanchang street, Haimen City, Nantong City, Jiangsu Province

Patentee before: Nantong Feixuan Intelligent Technology Co.,Ltd.