CN113506440B - 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 - Google Patents
一种拉格朗日坐标系下多源数据融合的交通状态估计方法 Download PDFInfo
- Publication number
- CN113506440B CN113506440B CN202111048468.4A CN202111048468A CN113506440B CN 113506440 B CN113506440 B CN 113506440B CN 202111048468 A CN202111048468 A CN 202111048468A CN 113506440 B CN113506440 B CN 113506440B
- Authority
- CN
- China
- Prior art keywords
- traffic
- coordinate system
- traffic flow
- road
- traffic state
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种拉格朗日坐标系下多源数据融合的交通状态估计方法;该方法包括利用交通检测器采集多源交通流数据;以交通流中车辆标号和时间作为坐标系原点,建立拉格朗日坐标系下的交通流模型;利用拉格朗日坐标系下的交通流模型根据采集的多源交通流数据估计道路交通状态。本发明可以有效利用多源数据融合的优越性,利用多源数据融合的方法实现大范围估计时空坐标系下任意一点的道路交通状态。
Description
技术领域
本发明涉及道路交通状态估计技术领域,具体涉及一种拉格朗日坐标系下多源数据融合的交通状态估计方法。
背景技术
道路交通状态主要通过交通流量、交通密度以及平均速度三种状态变量进行表征,以描述道路交通流中各种复杂的交通现象。交通状态估计是基于道路上的交通检测器所收集的交通流数据针对三种交通流状态变量进行推断、计算的过程,对于道路交通控制、重大事件检测以及交通运行情况监测等具有重大意义,交通状态估计所获取的交通状态信息是道路交通管理与控制的前提,有了交通状态信息,城市管理者才能对于道路交通进行针对性管控和评价,以提升路网交通整体性能。
传统交通状态估计方法通常利用固定检测器(如感应线圈)所收集的交通流数据,基于时空坐标系(即欧式坐标系)的交通流模型,对于道路整体交通状态进行估计,由于固定监测器安装位置一定,且能长时间不间断地在特定位置收集交通流数据,因此可以和时空坐标系下的交通流模型完美契合,然而,由于固定检测器安装位置一定,进行大范围道路交通状态估计时需要大面积布设固定检测器,相应的成本也会更高。为提高检测器的时空覆盖率,除了固定检测器还可以利用空间覆盖范围更广的移动检测器(如浮动车)所收集的交通流数据,并针对这两种来源的交通流数据进行融合,同时应用于交通状态估计,以获得更全面的道路交通状态信息。不过,移动检测器所收集的交通流数据具有时空分散的特点,并不是在特定时间区域或者特定空间区域收集的交通流数据,因此移动检测器所收集的数据难以适用于传统基于时空(欧式)坐标系的交通流模型。
发明内容
针对现有交通状态估计方法数据来源单一、大范围交通状态估计成本高等问题,本发明提供了一种拉格朗日坐标系下多源数据融合的交通状态估计方法,以实现更大范围的交通状态估计。
为了达到上述发明目的,本发明采用的技术方案为:
一种拉格朗日坐标系下多源数据融合的交通状态估计方法,包括以下步骤:
利用交通检测器采集多源交通流数据;
以交通流中车辆标号和时间作为坐标系原点,建立拉格朗日坐标系下的交通流模型;
利用拉格朗日坐标系下的交通流模型根据采集的多源交通流数据估计道路交通状态。
进一步地,所述交通检测器具体包括:
等间距布设在关键路口、交叉口进出口道以及主干道的固定检测器,
以及移动于交通路网的移动检测器。
进一步地,所述利用交通检测器采集多源交通流数据具体包括:
在道路首尾两端等间距布设固定检测器,采集通过固定检测器位置的交通流量、行车速度、占有率信息;
在道路交通流中布设具有设定渗透率的移动检测器,采集行车轨迹信息。
进一步地,所述以交通流中车辆标号和时间作为坐标系原点,建立拉格朗日坐标系下的交通流模型,具体包括:
根据交通流状态密度、交通流流量和交通流速度建立时空坐标系下的交通流基本图模型;
根据固定检测器采集的交通流数据对时空坐标系下的交通流基本图模型参数进行标定;
根据标定后的时空坐标系下的交通流基本图模型计算拉格朗日坐标系下的交通流基本图模型关系式;
将时空坐标系下的交通状态转化为拉格朗日坐标系下的交通状态,并根据交通流速度与拉格朗日坐标系下的交通流基本图模型关系式的对应关系,建立拉格朗日坐标系下的交通流模型。
进一步地,所述拉格朗日坐标系下的交通流模型具体表示为:
其中,表示求偏导函数,表示n号车在t时刻所处路段,表示拉格朗日坐标系下的交通流基本图模型关系式,s表示n号车在t时刻与前车的间距,,表示拥堵状态密度,表示交通流量达到通行能力时的关键密度,w表示反向波波速,v f 表示道路交通流自由流速度。
进一步地,所述利用拉格朗日坐标系下的交通流模型根据采集的多源交通流数据估计道路交通状态具体包括:
根据固定检测器采集的交通流数据确定所估计道路交通状态的区域范围;
根据移动检测器采集的交通流数据计算交通状态边界条件;
根据交通状态边界条件估计区域范围内的道路交通状态。
进一步地,所述根据固定检测器采集的交通流数据确定所估计道路交通状态的区域范围具体包括:
利用道路首尾段等间距布设的固定检测器,对道路行驶的车辆进行编号,并追踪道路上行驶的移动检测器的相应编号,确定道路最下游与最上游的移动检测器之间的道路区域范围。
进一步地,所述根据移动检测器采集的交通流数据计算交通状态边界条件具体包括:
对移动检测器采集的交通流数据进行线性插值,生成一段连续的浮动车位置信息;
根据每一个移动检测器的编号,计算每一个移动检测器对应的交通状态边界条件。
进一步地,所述根据交通状态边界条件估计区域范围内的道路交通状态具体包括:
根据每一个移动检测器对应的交通状态边界条件计算拉格朗日坐标系下任意点的交通状态;
采用Lax-Hopf方法对拉格朗日坐标系下任意点的交通状态求解最优解;
对交通状态的最优解进行坐标系转换,得到时空坐标系下的交通状态。
进一步地,所述采用Lax-Hopf方法对拉格朗日坐标系下任意点的交通状态求解最优解具体包括:
对拉格朗日坐标系下任意点的交通状态的不同解,选取所有边界条件所计算的交通状态不同解的最小值为唯一解。
本发明具有以下有益效果:
(1)本发明提出的拉格朗日坐标系下多源数据融合的交通状态估计方法可以有效利用多源数据融合的优越性,相比于欧式坐标系下基于固定检测器只能估计固定位置的交通状态,或者基于移动检测器只能估计时空稀疏的交通状态,多源数据融合的方法可以实现大范围估计时空坐标系下任意一点的道路交通状态;
(2)本发明提出的交通状态估计方法巧妙利用移动检测器如浮动车所收集到的轨迹数据针对道路其他范围的交通状态进行估计,这一类轨迹数据通过车载GPS或者导航软件即可获取,无需在车辆上安装额外的传感器装置,相对固定检测器所使用的感应线圈或者电磁波传感器成本更低,且少量移动检测器或浮动车即可实现大范围的道路交通状态估计;
(3)本发明所利用的移动检测器,可以作为智慧城市应用的附加功能予以实施;例如,智慧城市应用中针对大气环境数据的移动监测车,共享出行中具有实时GPS轨迹数据记录的网约车,均可作为移动检测器应用于本发明所设计的道路交通状态估计方法,具有良好的应用前景。
附图说明
图1为本发明实施例提供的一种拉格朗日坐标系下多源数据融合的交通状态估计方法流程示意图;
图2为本发明实施例中步骤S2的分步骤流程示意图;
图3为本发明实施例中步骤S3的分步骤流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
本发明综合考虑传统交通状态估计方法的局限性,在多源数据环境下提出了一种新的解决方案。本发明考虑固定检测器以及移动检测器所收集的多源交通流数据,建立拉格朗日坐标系下的交通流模型,将多源数据与交通流模型进行融合,从而实现更大范围的交通状态估计。
如图1所示,本发明实施例提供了一种拉格朗日坐标系下多源数据融合的交通状态估计方法,包括以下步骤S1至S3:
S1、利用交通检测器采集多源交通流数据;
在本发明的一个可选实施例中,本发明所采用的交通检测器具体包括等间距布设在关键路口、交叉口进出口道以及主干道的固定检测器,以及移动于交通路网的移动检测器。通过利用布设于道路的固定检测器以及在路网中运动的移动检测器来收集道路交通流数据。
具体而言,固定检测器主要包括布设在关键路口、交叉口进出口道以及主干道等间距布设的本领域常用的感应线圈或电磁波传感器,这一类固定检测器可在长时间内连续不断检测通过传感器的交通流量,即单位时间内通过传感器所在位置的车辆数,并对通过传感器的每个车辆进行编号。
移动检测器主要包括本领域常用的如浮动车等移动于交通路网动态收集数据的检测器,这里的浮动车是指安装了车载GPS定位装置并行驶在城市主干道上的公交汽车和出租车;根据装备车载全球定位系统的浮动车在其行驶过程中定期记录的车辆位置,方向和速度信息,应用地图匹配、路径推测等相关的计算模型和算法进行处理,使浮动车位置数据和城市道路在时间和空间上关联起来。这一类检测器可以收集如浮动车移动过程中的行车轨迹,从而间接反应行车过程中交通流的变化情况。
本发明通过在道路首尾两端等间距布设固定检测器,采集通过固定检测器位置的交通流量、行车速度等信息;并且在道路交通流中布设具有设定渗透率的移动检测器,采集行车轨迹等信息。
S2、以交通流中车辆标号和时间作为坐标系原点,建立拉格朗日坐标系下的交通流模型;
在本发明的一个可选实施例中,如图2所示,步骤S2具体包括以下分步骤S21至S24:
S21、根据交通流状态密度、交通流流量和交通流速度建立时空坐标系下的交通流基本图模型;
S22、根据固定检测器采集的交通流数据对时空坐标系下的交通流基本图模型参数进行标定;
S23、根据标定后的时空坐标系下的交通流基本图模型计算拉格朗日坐标系下的交通流基本图模型关系式;
S24、将时空坐标系下的交通状态转化为拉格朗日坐标系下的交通状态,并根据交通流速度与拉格朗日坐标系下的交通流基本图模型关系式的对应关系,建立拉格朗日坐标系下的交通流模型。
具体而言,交通流模型指的是表述交通流状态密度ρ、交通流流量q以及交通流速度v三个变量之间关系的数学模型,其中交通流状态密度是指在确定的时间段内单位距离道路上的车辆数目,交通流流量是指在某一时刻车流在单位时间内通过某个观测点时的车辆数目,交通流速度是指在某一时刻车辆通过某个观测点时的速度;本领域中根据守恒方程、三参数关系以及交通流基本图模型来构建交通流模型。
在时空坐标系即欧式坐标系下,守恒方程表示针对道路任一时空断面,上游进入该断面的车辆数与下游离开该断面的车辆数相等,其具体表达式如下:
其中,x,t分别表示空间变量和时间变量。
三参数关系表示交通流流量q等于交通流状态密度ρ与交通流速度v的乘积,其具体表达式如下:
q=ρv
交通流基本图模型表示交通流速度v和交通流状态密度ρ的函数关系V,其具体表达式如下:
上述三个关系式用以描述交通流三个变量的状态演化过程。
本发明定义由初始时刻到t时刻,通过x位置的累计车辆数为N(x,t),可以得到累计车辆数与交通流状态密度及交通流流量的关系如下:
结合上式以及上述三个关系式,可得如下关系式:
其中交通流基本图模型的三角形关系表示为:
固定检测器所收集的交通流数据为通过检测器所安放位置的累积车辆数N(x,t),因此可以良好适用于欧式坐标系下的交通流模型,但固定检测器安装位置一般较为稀疏,难以进行大范围的时空覆盖,因此需要与空间覆盖范围更广的移动检测器相结合。然而,移动检测器收集的是时空坐标(x,t)动态轨迹数据,难以直接应用于交通流模型进行交通状态估计,所以接下来需要建立拉格朗日坐标系下的交通流模型。
与欧式坐标系基于时空(x,t)为原点建立坐标系不同的是,拉格朗日坐标系基于移动物体和时间作为原点,在交通流中则是以车辆的标号n和时间t作为原点建立坐标系(n,t),车辆标号n为车辆在路段中的排队序号,拉格朗日坐标系下t时刻n号车通过x位置,等价于在欧式坐标系下由初始时刻到t时刻通过x位置的累计车辆数为n,可用下式表示:
以n号车在t时刻的位置x作为模型变量可得其表达式如下:
上述两式可将欧式坐标系中的交通状态转化为拉格朗日坐标系下的交通状态。
为建立拉格朗日坐标系(n,t)下的交通流模型,将位置变量X(n,t)分别针对车辆标号n和时间t求偏导,可得如下关系式:
其中,v(n,t)表示n号车在t时刻的速度,s(n,t)表示n号车在t时刻所占据的空间,即n号车在t时刻与前车的间距,等于路段X(n,t)处交通流状态密度ρ(n,t)的倒数。
从而根据交通流基本图模型可以得到如下关系式:
模型中的参数可根据固定检测器所收集的数据进行标定。其中,固定检测器所收集的占有率数据可计算检测器布设位置的交通密度,与检测器收集的交通流量一起可针对欧式坐标系下交通流基本图模型的三角形关系参数进行标定,进而可以得到拉格朗日坐标系下交通流基本图模型关系式,该模型关系式与下式一起可得到拉格朗日坐标系下的交通流模型表示为:
S3、利用拉格朗日坐标系下的交通流模型根据采集的多源交通流数据估计道路交通状态。
在本发明的一个可选实施例中,如图3所示,步骤S3具体包括以下分步骤S31至S33:
S31、根据固定检测器采集的交通流数据确定所估计道路交通状态的区域范围;
具体而言,本发明利用道路首尾段等间距布设的固定检测器,对道路行驶的车辆进行编号,并追踪道路上行驶的移动检测器的相应编号,确定道路最下游与最上游的移动检测器之间的道路区域范围,该道路区域范围的交通状态均可根据浮动车轨迹数据进行估计,若道路上游有新的浮动车驶入道路或下游有浮动车驶离道路,则针对道路区域范围进行相应调整。若基于固定检测器所测得的最上游与最下游浮动车所表示的车辆编号为N 1和N 2,则交通状态估计区域为[N 1, N 2]×[0,t],即两辆车之间的道路范围从时刻0到时刻t的交通状态均可得到估计。
S32、根据移动检测器采集的交通流数据计算交通状态边界条件;
具体而言,移动检测器所收集的轨迹数据为每隔设定时间间隔采样的多个GPS位置坐标,而所需计算的拉格朗日坐标系下的交通状态变量为n号车的连续位置信息。因此本发明对移动检测器采集的轨迹数据进行线性插值,生成一段连续的浮动车位置信息;并结合每一个移动检测器的车辆编号,计算每一个移动检测器对应的交通状态边界条件。每一辆浮动车均可得到这样一个交通状态已知的边界条件,每一个边界条件均可计算出拉格朗日坐标系下其余点(n,t)的交通状态。
S33、根据交通状态边界条件估计区域范围内的道路交通状态。
应用Lax-Hopf方法,从多个不同的交通状态值的解中选取最优解,优选地选取所有边界条件所计算的交通状态不同解的最小值为唯一解,其具体表达式如下:
其中,m为边界条件的数量,即N 1到N 2范围内浮动车移动检测器的数量;即可得到该位置所对应的道路交通状态。
最后,将得到的该位置所对应的道路交通状态通过拉格朗日坐标系与欧式坐标系的坐标系转换,即可得到道路区域范围内任意时空位置所对应的交通状态。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种拉格朗日坐标系下多源数据融合的交通状态估计方法,其特征在于,包括以下步骤:
利用交通检测器采集多源交通流数据;所述交通检测器具体包括:
等间距布设在关键路口、交叉口进出口道以及主干道的固定检测器,
以及移动于交通路网的移动检测器;
以交通流中车辆标号和时间作为坐标系原点,建立拉格朗日坐标系下的交通流模型,具体包括:
根据交通流状态密度、交通流流量和交通流速度建立时空坐标系下的交通流基本图模型;
根据固定检测器采集的交通流数据对时空坐标系下的交通流基本图模型参数进行标定;
根据标定后的时空坐标系下的交通流基本图模型计算拉格朗日坐标系下的交通流基本图模型关系式;
将时空坐标系下的交通状态转化为拉格朗日坐标系下的交通状态,并根据交通流速度与拉格朗日坐标系下的交通流基本图模型关系式的对应关系,建立拉格朗日坐标系下的交通流模型;
利用拉格朗日坐标系下的交通流模型根据采集的多源交通流数据估计道路交通状态。
2.根据权利要求1所述的拉格朗日坐标系下多源数据融合的交通状态估计方法,其特征在于,所述利用交通检测器采集多源交通流数据具体包括:
在道路首尾两端等间距布设固定检测器,采集通过固定检测器位置的交通流量、行车速度、占有率信息;
在道路交通流中布设具有设定渗透率的移动检测器,采集行车轨迹信息。
4.根据权利要求1所述的拉格朗日坐标系下多源数据融合的交通状态估计方法,其特征在于,所述利用拉格朗日坐标系下的交通流模型根据采集的多源交通流数据估计道路交通状态具体包括:
根据固定检测器采集的交通流数据确定所估计道路交通状态的区域范围;
根据移动检测器采集的交通流数据计算交通状态边界条件;
根据交通状态边界条件估计区域范围内的道路交通状态。
5.根据权利要求4所述的拉格朗日坐标系下多源数据融合的交通状态估计方法,其特征在于,所述根据固定检测器采集的交通流数据确定所估计道路交通状态的区域范围具体包括:
利用道路首尾段等间距布设的固定检测器,对道路行驶的车辆进行编号,并追踪道路上行驶的移动检测器的相应编号,确定道路最下游与最上游的移动检测器之间的道路区域范围。
6.根据权利要求4所述的拉格朗日坐标系下多源数据融合的交通状态估计方法,其特征在于,所述根据移动检测器采集的交通流数据计算交通状态边界条件具体包括:
对移动检测器采集的交通流数据进行线性插值,生成一段连续的浮动车位置信息;
根据每一个移动检测器的编号,计算每一个移动检测器对应的交通状态边界条件。
7.根据权利要求4所述的拉格朗日坐标系下多源数据融合的交通状态估计方法,其特征在于,所述根据交通状态边界条件估计区域范围内的道路交通状态具体包括:
根据每一个移动检测器对应的交通状态边界条件计算拉格朗日坐标系下任意点的交通状态;
采用Lax-Hopf方法对拉格朗日坐标系下任意点的交通状态求解最优解;
对交通状态的最优解进行坐标系转换,得到时空坐标系下的交通状态。
8.根据权利要求7所述的拉格朗日坐标系下多源数据融合的交通状态估计方法,其特征在于,所述采用Lax-Hopf方法对拉格朗日坐标系下任意点的交通状态求解最优解具体包括:
对拉格朗日坐标系下任意点的交通状态的不同解,选取所有边界条件所计算的交通状态不同解的最小值为唯一解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048468.4A CN113506440B (zh) | 2021-09-08 | 2021-09-08 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048468.4A CN113506440B (zh) | 2021-09-08 | 2021-09-08 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113506440A CN113506440A (zh) | 2021-10-15 |
CN113506440B true CN113506440B (zh) | 2021-11-30 |
Family
ID=78016450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111048468.4A Active CN113506440B (zh) | 2021-09-08 | 2021-09-08 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506440B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576918B (zh) * | 2024-01-17 | 2024-04-02 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据的城市道路流量全域预测方法 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317985A (zh) * | 2014-09-19 | 2015-01-28 | 大连理工大学 | 一种基于界带有限元和拉格朗日坐标的流体仿真方法 |
CN104658252A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于多源数据融合的高速公路交通运行状态的评估方法 |
CN105513359A (zh) * | 2016-01-27 | 2016-04-20 | 北京工业大学 | 一种基于智能手机移动检测的城市快速路交通状态估计方法 |
EP3035314A1 (en) * | 2014-12-18 | 2016-06-22 | Be-Mobile NV | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN106873621A (zh) * | 2017-02-26 | 2017-06-20 | 南京航空航天大学 | 一种基于拉格朗日方程的无人机编队队形控制算法 |
CN106952291A (zh) * | 2017-03-14 | 2017-07-14 | 哈尔滨工程大学 | 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法 |
CN108694749A (zh) * | 2018-04-11 | 2018-10-23 | 东南大学 | 一种高速公路多路径识别及交通状态估计方法及其系统 |
CN108710967A (zh) * | 2018-04-19 | 2018-10-26 | 东南大学 | 基于数据融合和支持向量机的高速路交通事故严重度预测方法 |
CN109064741A (zh) * | 2018-08-01 | 2018-12-21 | 北京航空航天大学 | 基于多源数据融合的干道车辆运行轨迹重构的方法 |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109308805A (zh) * | 2018-08-20 | 2019-02-05 | 广东交通职业技术学院 | 一种基于自适应加权平均数据融合的路网mfd估测方法 |
CN109584557A (zh) * | 2018-12-14 | 2019-04-05 | 北京工业大学 | 一种基于动态分解模式和矩阵填充的交通流预测方法 |
CN110009765A (zh) * | 2019-04-15 | 2019-07-12 | 合肥工业大学 | 一种自动驾驶车辆场景数据系统及场景格式转化方法 |
CN110659774A (zh) * | 2019-09-23 | 2020-01-07 | 北京交通大学 | 大数据方法驱动的停车需求预测方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
CN111625769A (zh) * | 2019-07-12 | 2020-09-04 | 湖南大学 | 一种基于拉格朗日插值和三次指数平滑的pmu-scada数据对时与融合方法 |
CN111783340A (zh) * | 2020-07-01 | 2020-10-16 | 四川大学 | 基于固定拉格朗日坐标系建立非饱和大变形固结分析数学模型的方法 |
CN111881596A (zh) * | 2020-08-06 | 2020-11-03 | 重庆交通大学 | 一种基于拉格朗日插值的溢油污染源逆时追踪模拟方法 |
CN111930014A (zh) * | 2020-08-13 | 2020-11-13 | 重庆邮电大学 | 动静态数据混合驱动的Hammerstein非线性工业系统简约灰箱子空间辨识方法 |
CN112382095A (zh) * | 2020-11-26 | 2021-02-19 | 长沙理工大学 | 一种多源数据融合的城市快速路交通状态估计方法 |
CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及系统 |
CN113034903A (zh) * | 2021-03-05 | 2021-06-25 | 交通运输部公路科学研究所 | 基于多源信息融合的交通状态估计方法和装置 |
CN113158520A (zh) * | 2021-04-09 | 2021-07-23 | 西安交通大学 | 一种用于冷冻靶系统中的燃料冰层界面追踪模拟方法 |
CN113299059A (zh) * | 2021-04-08 | 2021-08-24 | 四川国蓝中天环境科技集团有限公司 | 一种数据驱动的道路交通管控决策支持方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3158547B1 (en) * | 2014-06-17 | 2020-10-07 | King Abdullah University Of Science And Technology | System and method for traffic signal timing estimation |
CN104574968B (zh) * | 2015-01-19 | 2017-02-01 | 浙江大学 | 一种临界交通状态参数的确定方法 |
CN106448233B (zh) * | 2016-08-19 | 2017-12-05 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
CN106767832B (zh) * | 2017-01-17 | 2020-11-13 | 哈尔滨工业大学 | 一种基于动态多维分配的被动多源多目标跟踪方法 |
CN109571450B (zh) * | 2019-01-17 | 2020-12-01 | 北京理工大学 | 用于多关节蛇形机器人在水下避障的浸入边界控制方法 |
CN111402576A (zh) * | 2020-01-10 | 2020-07-10 | 长沙理工大学 | 一种基于深度学习的城市道路交通状态预测系统 |
-
2021
- 2021-09-08 CN CN202111048468.4A patent/CN113506440B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317985A (zh) * | 2014-09-19 | 2015-01-28 | 大连理工大学 | 一种基于界带有限元和拉格朗日坐标的流体仿真方法 |
EP3035314A1 (en) * | 2014-12-18 | 2016-06-22 | Be-Mobile NV | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN104658252A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于多源数据融合的高速公路交通运行状态的评估方法 |
CN105513359A (zh) * | 2016-01-27 | 2016-04-20 | 北京工业大学 | 一种基于智能手机移动检测的城市快速路交通状态估计方法 |
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN106873621A (zh) * | 2017-02-26 | 2017-06-20 | 南京航空航天大学 | 一种基于拉格朗日方程的无人机编队队形控制算法 |
CN106952291A (zh) * | 2017-03-14 | 2017-07-14 | 哈尔滨工程大学 | 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法 |
CN108694749A (zh) * | 2018-04-11 | 2018-10-23 | 东南大学 | 一种高速公路多路径识别及交通状态估计方法及其系统 |
CN108710967A (zh) * | 2018-04-19 | 2018-10-26 | 东南大学 | 基于数据融合和支持向量机的高速路交通事故严重度预测方法 |
CN109064741A (zh) * | 2018-08-01 | 2018-12-21 | 北京航空航天大学 | 基于多源数据融合的干道车辆运行轨迹重构的方法 |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109308805A (zh) * | 2018-08-20 | 2019-02-05 | 广东交通职业技术学院 | 一种基于自适应加权平均数据融合的路网mfd估测方法 |
CN109584557A (zh) * | 2018-12-14 | 2019-04-05 | 北京工业大学 | 一种基于动态分解模式和矩阵填充的交通流预测方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
CN110009765A (zh) * | 2019-04-15 | 2019-07-12 | 合肥工业大学 | 一种自动驾驶车辆场景数据系统及场景格式转化方法 |
CN111625769A (zh) * | 2019-07-12 | 2020-09-04 | 湖南大学 | 一种基于拉格朗日插值和三次指数平滑的pmu-scada数据对时与融合方法 |
CN110659774A (zh) * | 2019-09-23 | 2020-01-07 | 北京交通大学 | 大数据方法驱动的停车需求预测方法 |
CN111783340A (zh) * | 2020-07-01 | 2020-10-16 | 四川大学 | 基于固定拉格朗日坐标系建立非饱和大变形固结分析数学模型的方法 |
CN111881596A (zh) * | 2020-08-06 | 2020-11-03 | 重庆交通大学 | 一种基于拉格朗日插值的溢油污染源逆时追踪模拟方法 |
CN111930014A (zh) * | 2020-08-13 | 2020-11-13 | 重庆邮电大学 | 动静态数据混合驱动的Hammerstein非线性工业系统简约灰箱子空间辨识方法 |
CN112382095A (zh) * | 2020-11-26 | 2021-02-19 | 长沙理工大学 | 一种多源数据融合的城市快速路交通状态估计方法 |
CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及系统 |
CN113034903A (zh) * | 2021-03-05 | 2021-06-25 | 交通运输部公路科学研究所 | 基于多源信息融合的交通状态估计方法和装置 |
CN113299059A (zh) * | 2021-04-08 | 2021-08-24 | 四川国蓝中天环境科技集团有限公司 | 一种数据驱动的道路交通管控决策支持方法 |
CN113158520A (zh) * | 2021-04-09 | 2021-07-23 | 西安交通大学 | 一种用于冷冻靶系统中的燃料冰层界面追踪模拟方法 |
Non-Patent Citations (11)
Title |
---|
A Multi-Index Fusion Clustering Strategy for Traffic Flow State Identification;DI BAO;《IEEE Access》;20191108;166404-166409 * |
Bidirectional Spatial–Temporal Network for Traffic Prediction with Multisource Data;Ke Han;《Transportation ResearchRecord Journal of the Transportation Research Board》;20200901;1-17 * |
Moving object detection from moving platforms using Lagrange multiplier;Agwad ElTantawy and Mohamed S. Shehata;《2015 IEEE International Conference on Image Processing (ICIP)》;20151210;2586-2590 * |
Spatial-Temporal Inference of Urban Traffic Emissions Based on Taxi Trajectories and Multi-Source Urban Data;Ke Han;《Transportation Research Part C: Emerging Technologies》;20190902;145-165 * |
一种LS-SVM在线式短时交通流预测方法;康军;《计算机应用研究》;20171010;2965-2968 * |
半离散模型的宽移动堵塞行波解;吴春秀;《泉州师范学院学报》;20200315;30-33 * |
基于Lagrange坐标的交通流方程的建立与仿真;吕婷婷;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170415;C034-798 * |
基于宏观基本图的空中交通流运行状态诊断与识别研究;季晓岳;《长沙航空职业技术学院学报》;20200315;68-73 * |
建立拉格朗日坐标交通流模拟理论;刘洞泉;《城市道桥与防洪》;19900702;18-24 * |
拉格朗日体系下高速公路网监控方法研究;张生;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20160105;摘要和第一章至第七章的第1-82页 * |
拥堵交通网络模型和增强拉格朗日乘子算法;程琳;《管理科学学报》;20061030;18-27 * |
Also Published As
Publication number | Publication date |
---|---|
CN113506440A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10108863B2 (en) | System and method for detecting and tracking objects | |
Rahmani et al. | Path inference from sparse floating car data for urban networks | |
CN107000750A (zh) | 用于车辆经济性改进的设备及方法 | |
Chen et al. | Adaptive rolling smoothing with heterogeneous data for traffic state estimation and prediction | |
Ni | Determining traffic-flow characteristics by definition for application in ITS | |
WO2012111138A1 (ja) | 歩行者移動情報検出装置 | |
CN106355882B (zh) | 一种基于路中检测器的交通状态估计方法 | |
Cathey et al. | Transit vehicles as traffic probe sensors | |
CN112712693B (zh) | 水淹检测装置、水淹检测系统以及计算机可读存储介质 | |
JP3775394B2 (ja) | 走行リンク確定システム及びリンク旅行時間計測システム | |
CN113506440B (zh) | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 | |
CN102855755B (zh) | 一种基于运行车速预测的城市干道车队离散模型的建模方法 | |
Zhu et al. | A driving cycle detection approach using map service API | |
CN110930693A (zh) | 一种用于道路断面的在线短时交通流预测方法 | |
Li et al. | Virtual detection at intersections using connected vehicle trajectory data | |
Abdelhalim et al. | A framework for real-time traffic trajectory tracking, speed estimation, and driver behavior calibration at urban intersections using virtual traffic lanes | |
JP6419260B1 (ja) | 交通情報取得装置、交通情報取得システム、交通情報取得方法、および交通情報取得プログラム | |
Shin et al. | Image-based learning to measure the stopped delay in an approach of a signalized intersection | |
Scora et al. | Real-time roadway emissions estimation using visual traffic measurements | |
Cao et al. | Mobile traffic surveillance system for dynamic roadway and vehicle traffic data integration | |
Derevitskiy et al. | Traffic estimation on full graph of transport network using GPS data of bus movements | |
CN113538902B (zh) | 基于交通状态的交叉口车辆轨迹数据修复方法 | |
CN205247622U (zh) | 一种车辆排队长度监测系统 | |
CN112492889B (zh) | 基于车辆轨迹数据的交通控制系统和方法 | |
Kyaw et al. | Estimating travel speed of yangon road network using gps data and machine learning techniques |
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 |