CN113570867A - 一种城市交通状态预测方法、装置、设备及可读存储介质 - Google Patents
一种城市交通状态预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113570867A CN113570867A CN202111125550.2A CN202111125550A CN113570867A CN 113570867 A CN113570867 A CN 113570867A CN 202111125550 A CN202111125550 A CN 202111125550A CN 113570867 A CN113570867 A CN 113570867A
- Authority
- CN
- China
- Prior art keywords
- road
- data
- gps positioning
- vehicle
- positioning data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种城市交通状态预测方法、装置、设备及可读存储介质,所述方法包括:获取当前时刻之前的第一时间段内城市中各车辆的GPS定位数据和城市的路网数据;将车辆的GPS定位数据匹配到城市的路网数据上,得到匹配路网后的GPS定位数据;根据匹配路网后的GPS定位数据计算得到第一结果;基于CS‑BiLSTM模型和第一结果预测得到当前时刻之后的第二时间段内每个区域的TTI拥堵系数预测值,根据第二结果得到城市在当前时刻之后的第二时间段内的交通状态。本发明通过改进后的CS‑BiLSTM模型预测出未来某一时间段的TTI拥堵系数,可以帮助城市交通管理系统的交通管理者合理的分配交通资源。
Description
技术领域
本发明涉及城市交通技术领域,具体而言,涉及一种城市交通状态预测方法、装置、设备及可读存储介质。
背景技术
我国各大城市主要道路网中频繁发生道路交通拥堵,是一种属于城市交通的顽固性疾病,会给广大城市居民带来严重的环境污染、经济损失和自然资源的严重浪费。为了更好地方便公共交通部门合理的进行资源分配和做出合理的交通指挥调度方案,很有必要制定一套能准确预测道路交通运行状态的预测方法。
发明内容
本发明的目的在于提供一种城市交通状态预测方法、装置、设备及可读存储介质,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了一种城市交通状态预测方法,所述方法包括:
获取第一数据和第二数据,所述第一数据包括当前时刻之前的第一时间段内所述城市中各车辆的GPS定位数据,所述第二数据包括所述城市的路网数据;
将所述车辆的GPS定位数据匹配到所述城市的路网数据上,得到匹配路网后的GPS定位数据;
根据所述匹配路网后的GPS定位数据计算得到第一结果,所述第一结果包括当前时刻之前的第一时间段内所述城市中每个区域的TTI拥堵系数;
基于CS-BiLSTM模型和所述第一结果预测得到第二结果,所述第二结果包括当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值,根据所述第二结果得到所述城市在当前时刻之后的第二时间段内的交通状态。
可选的,所述将所述车辆的GPS定位数据匹配到所述城市的路网数据上,得到匹配路网后的GPS定位数据,包括:
基于边界矩形的路网匹配判断算法,利用平行四边形来标识所述城市中的每条道路,得到每条所述道路对应的平行四边形区域;
根据所述车辆的GPS定位数据和所述每条所述道路对应的平行四边形区域得到所述车辆所属的道路;
将每个所述车辆的GPS定位数据匹配到所述车辆所属的道路,形成所述匹配路网后的GPS定位数据。
可选的,所述根据所述车辆的GPS定位数据和所述每个所述道路对应的平行四边形区域得到所述车辆所属的道路,包括:
构建所述平行四边形区域上条边对应的第一线性方程,构建所述平行四边形区域下条边对应的第二线性方程;
将所述车辆的GPS定位数据中包含的所述车辆所处的经度分别带入所述第一线性方程和第二线性方程,计算得到第一数值和第二数值;
判断所述车辆的GPS定位数据中包含的所述车辆所处的纬度是否处于所述第一数值和所述第二数值之间,若处于则所述车辆属于所述平行四边形区域所对应的道路。
可选的,所述根据所述匹配路网后的GPS定位数据计算得到第一结果,包括:
获取第三数据和第四数据,所述第三数据包括每个所述区域中每条道路的自由流速度,所述第四数据包括每条所述道路的设计数据;
根据所述匹配路网后的GPS定位数据计算得到每个所述区域中每条所述道路的平均速度;
根据每条所述道路的自由流速度和每条所述道路的平均速度计算得到每条所述道路的TTI拥堵系数,根据所述第四数据计算得到每条所述道路的权重系数;
将每条所述道路的TTI拥堵系数和对应的每条所述道路的权重系数相乘得到第三结果,根据所述第三结果与每个所述区域中道路的总数得到每个所述区域的TTI拥堵系数。
可选的,所述根据所述匹配路网后的GPS定位数据计算得到每个所述区域中每条所述道路的平均速度,包括:
根据所述匹配路网后的GPS定位数据查找得到在当前时刻之前的第一时间段内经过所述道路的全部车辆;
基于所述道路的长度和所述全部车辆中每一车辆经过所述道路的时间,计算得到所述全部车辆中每一车辆经过所述道路的平均速度;
根据所述每一车辆经过所述道路的平均速度和在当前时刻之前的第一时间段内经过所述道路的车辆的数量,计算得到每条所述道路的平均速度。
可选的,所述基于CS-BiLSTM模型和所述第一结果预测得到第二结果,包括:
对C-BiLSTM模型进行改进,使用Softmax层来连接所述C-BiLSTM模型中的CNN层和BiLSTM层,得到CS-BiLSTM模型;
将所述第一结果输入所述CS-BiLSTM模型中,得到当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值。
可选的,所述根据所述第二结果得到所述城市在当前时刻之后的第二时间段内的交通状态,包括:
对当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值进行分析,得到当前时刻之后的第二时间段内每个所述区域的交通状态,其中,当所述TTI拥堵系数预测值大于等于1.5时,则认定所述区域处于严重拥堵状态;当所述TTI拥堵系数预测值大于等于1.2小于1.5时,则认定所述区域处于中度拥堵状态;当所述TTI拥堵系数预测值大于等于1小于1.2时,则认定所述区域处于轻微拥堵状态;当所述TTI拥堵系数预测值小于1时,则认定所述区域处于畅通状态;
整合当前时刻之后的第二时间段内每个所述区域的交通状态得到所述城市在当前时刻之后的第二时间段内的交通状态。
第二方面,本申请实施例提供了一种城市交通状态预测装置,所述装置包括获取模块、匹配模块、计算模块和预测模块。
获取模块,用于获取第一数据和第二数据,所述第一数据包括当前时刻之前的第一时间段内所述城市中各车辆的GPS定位数据,所述第二数据包括所述城市的路网数据;
匹配模块,用于将所述车辆的GPS定位数据匹配到所述城市的路网数据上,得到匹配路网后的GPS定位数据;
计算模块,用于根据所述匹配路网后的GPS定位数据计算得到第一结果,所述第一结果包括当前时刻之前的第一时间段内所述城市中每个区域的TTI拥堵系数;
预测模块,用于基于CS-BiLSTM模型和所述第一结果预测得到第二结果,所述第二结果包括当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值,根据所述第二结果得到所述城市在当前时刻之后的第二时间段内的交通状态。
可选的,所述匹配模块,包括:
标识单元,用于基于边界矩形的路网匹配判断算法,利用平行四边形来标识所述城市中的每条道路,得到每条所述道路对应的平行四边形区域;
第一计算单元,用于根据所述车辆的GPS定位数据和所述每条所述道路对应的平行四边形区域得到所述车辆所属的道路;
匹配单元,用于将每个所述车辆的GPS定位数据匹配到所述车辆所属的道路,形成所述匹配路网后的GPS定位数据。
可选的,所述第一计算单元,包括:
构建子单元,用于构建所述平行四边形区域上条边对应的第一线性方程,构建所述平行四边形区域下条边对应的第二线性方程;
第一计算子单元,用于将所述车辆的GPS定位数据中包含的所述车辆所处的经度分别带入所述第一线性方程和第二线性方程,计算得到第一数值和第二数值;
判断子单元,用于判断所述车辆的GPS定位数据中包含的所述车辆所处的纬度是否处于所述第一数值和所述第二数值之间,若处于则所述车辆属于所述平行四边形区域所对应的道路。
可选的,所述计算模块,包括:
获取单元,用于获取第三数据和第四数据,所述第三数据包括每个所述区域中每条道路的自由流速度,所述第四数据包括每条所述道路的设计数据;
第二计算单元,用于根据所述匹配路网后的GPS定位数据计算得到每个所述区域中每条所述道路的平均速度;
第三计算单元,用于根据每条所述道路的自由流速度和每条所述道路的平均速度计算得到每条所述道路的TTI拥堵系数,根据所述第四数据计算得到每条所述道路的权重系数;
第四计算单元,用于将每条所述道路的TTI拥堵系数和对应的每条所述道路的权重系数相乘得到第三结果,根据所述第三结果与每个所述区域中道路的总数得到每个所述区域的TTI拥堵系数。
可选的,所述第二计算单元,包括:
查找子单元,用于根据所述匹配路网后的GPS定位数据查找得到在当前时刻之前的第一时间段内经过所述道路的全部车辆;
第二计算子单元,用于基于所述道路的长度和所述全部车辆中每一车辆经过所述道路的时间,计算得到所述全部车辆中每一车辆经过所述道路的平均速度;
第三计算子单元,用于根据所述每一车辆经过所述道路的平均速度和在当前时刻之前的第一时间段内经过所述道路的车辆的数量,计算得到每条所述道路的平均速度。
可选的,所述预测模块,包括:
改进单元,用于对C-BiLSTM模型进行改进,使用Softmax层来连接所述C-BiLSTM模型中的CNN层和BiLSTM层,得到CS-BiLSTM模型;
预测单元,用于将所述第一结果输入所述CS-BiLSTM模型中,得到当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值。
可选的,所述所述预测模块,包括:
分析单元,用于对当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值进行分析,得到当前时刻之后的第二时间段内每个所述区域的交通状态,其中,当所述TTI拥堵系数预测值大于等于1.5时,则认定所述区域处于严重拥堵状态;当所述TTI拥堵系数预测值大于等于1.2小于1.5时,则认定所述区域处于中度拥堵状态;当所述TTI拥堵系数预测值大于等于1小于1.2时,则认定所述区域处于轻微拥堵状态;当所述TTI拥堵系数预测值小于1时,则认定所述区域处于畅通状态;
整合单元,用于整合当前时刻之后的第二时间段内每个所述区域的交通状态得到所述城市在当前时刻之后的第二时间段内的交通状态。
第三方面,本申请实施例提供了一种城市交通状态预测设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述城市交通状态预测方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质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上述城市交通状态预测方法的步骤。
本发明的有益效果为:
1、本发明在收集到海量的交通数据基础上,通过深入地研究城市交通拥堵的特征信息以及影响其发生的关键因素,科学分析选择TTI拥堵系数作为交通状态评价指标,并通过改进后的CS-BiLSTM模型预测出未来某一时间段的TTI拥堵系数,通过预测得到的TTI拥堵系数得到未来城市的交通状态,通过预测得到的交通状态可以帮助城市交通管理系统的交通管理者合理的分配交通资源和做出合理的交通指挥调度方案,进而解决交通拥堵问题,提高城市通行效率。
2、本发明将Softmax层加入在卷积网络层和循环网络层之间,用Softmax函数增强了卷积网络层提取出来的数据的空间特征,进而提高了TTI拥堵系数预测值的预测准确度。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1是本发明实施例中所述的城市交通状态预测方法流程示意图;
图2是本发明实施例中所述的城市交通状态预测装置结构示意图;
图3是本发明实施例中所述的城市交通状态预测设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号或字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了一种城市交通状态预测方法,该方法包括步骤S1、步骤S2和步骤S3。
步骤S1、获取第一数据和第二数据,所述第一数据包括当前时刻之前的第一时间段内所述城市中各车辆的GPS定位数据,所述第二数据包括所述城市的路网数据;
步骤S2、将所述车辆的GPS定位数据匹配到所述城市的路网数据上,得到匹配路网后的GPS定位数据;
步骤S3、根据所述匹配路网后的GPS定位数据计算得到第一结果,所述第一结果包括当前时刻之前的第一时间段内所述城市中每个区域的TTI拥堵系数;
步骤S4、基于CS-BiLSTM模型和所述第一结果预测得到第二结果,所述第二结果包括当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值,根据所述第二结果得到所述城市在当前时刻之后的第二时间段内的交通状态。
在本实施例中,收集的车辆的GPS定位数据可以是出租车的GPS定位数据,在另一种实施方式中还可以对出租车的GPS定位数据进行筛选,选择只载有乘客的出租车的GPS定位数据;得到GPS定位数据后还可以对数据进行数据清洗处理,包括:去除/补全有缺失的数据、去除/修改格式和内容错误的数据、去除/修改格式和内容错误的数据,将进行数据清洗处理之后的数据用于后续计算可以提高最终预测结果的准确性。
在本实施例中,当前时刻之前的第一时间段内,可以是当前时刻的前60、30、15min等,当前时刻之后的第二时间段内可以是当前时刻的后15、30、45min等,在本实施例中采用前60min的数据来预测后15min的数据,也就是说用前60min内城市中每个区域的TTI拥堵系数来预测后15min这个时间段的每个区域的TTI拥堵系数。
本实施例在收集到海量的交通数据基础上,通过深入地研究城市交通拥堵的特征信息以及影响其发生的关键因素,科学分析选择TTI拥堵系数作为交通状态评价指标,并通过改进后的CS-BiLSTM模型预测出未来某一时间段的TTI拥堵系数,通过预测得到的TTI拥堵系数得到未来城市的交通状态,通过预测得到的交通状态可以帮助城市交通管理系统的交通管理者合理的分配交通资源和做出合理的交通指挥调度方案,进而解决交通拥堵问题,提高城市通行效率。
在本公开的一种具体实施方式中,所述步骤S2,还可以包括步骤S21、步骤S22和步骤S23。
步骤S21、基于边界矩形的路网匹配判断算法,利用平行四边形来标识所述城市中的每条道路,得到每条所述道路对应的平行四边形区域;
步骤S22、根据所述车辆的GPS定位数据和所述每条所述道路对应的平行四边形区域得到所述车辆所属的道路;
步骤S23、将每个所述车辆的GPS定位数据匹配到所述车辆所属的道路,形成所述匹配路网后的GPS定位数据。
在本实施例中,边界矩形的路网匹配判断算法为:该算法构造每个道路段的矩形区域,由两个顶点确定,称为道路段的边界矩形。然而在实际情况中,并不是所有的道路都是东西走向或南北走向,因此本实施例在边界矩形的路网匹配判断算法的基础上进行了改进,将上述方法的图形改为平行四边形来标识道路,而平行四边形的位置通过存储其4个顶点的坐标来确定。通过本实施例方法,可以快速地将GPS定位数据匹配到路网上,且具有效率和准确性。
在本公开的一种具体实施方式中,所述步骤S22,还可以包括步骤S221、步骤S222和步骤S223。
步骤S221、构建所述平行四边形区域上条边对应的第一线性方程,构建所述平行四边形区域下条边对应的第二线性方程;
步骤S222、将所述车辆的GPS定位数据中包含的所述车辆所处的经度分别带入所述第一线性方程和第二线性方程,计算得到第一数值和第二数值;
步骤S223、判断所述车辆的GPS定位数据中包含的所述车辆所处的纬度是否处于所述第一数值和所述第二数值之间,若处于则所述车辆属于所述平行四边形区域所对应的道路。
在本实施例中,通过上述平行四边形区域的4个顶点的坐标可以求出上、下条边对应的直线公式,也就是第一线性方程和第二线性方程。
在本公开的一种具体实施方式中,所述步骤S3,还可以包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、获取第三数据和第四数据,所述第三数据包括每个所述区域中每条道路的自由流速度,所述第四数据包括每条所述道路的设计数据;
步骤S32、根据所述匹配路网后的GPS定位数据计算得到每个所述区域中每条所述道路的平均速度;
步骤S33、根据每条所述道路的自由流速度和每条所述道路的平均速度计算得到每条所述道路的TTI拥堵系数,根据所述第四数据计算得到每条所述道路的权重系数;
步骤S34、将每条所述道路的TTI拥堵系数和对应的每条所述道路的权重系数相乘得到第三结果,根据所述第三结果与每个所述区域中道路的总数得到每个所述区域的TTI拥堵系数。
在本实施例中,每条所述道路的设计数据包括道路的编号、道路的长度和道路的类型,通过公式(1)计算得到每条所述道路的TTI拥堵系数,公式(1)为:
公式(1)中,代表每个区域中每条道路的拥堵系数,代表每个区域中每
条道路的编号,S fi 代表每个区域中每条道路的自由流速度,S ri 代表每个区域中每条道路的
平均速度;其中每条道路的平均速度通过步骤S321-S323计算得到;
通过公式(2)计算得到每条所述道路的权重系数,公式(2)为:
公式(2)中,代表每个区域中每条道路的权重系数,代表每个区域中每条道
路的编号,代表每个区域中每条道路的长度,代表每个区域中道路类型的总数,
代表每个区域中道路的总条数。其中道路类型的总数就是例如这个区域中总共有三条道
路,第一条道路属于类型1,第二条道路属于类型2,第三条道路属于类型2,则就有类型1和
类型2这两个类型,那么道路类型的总数就为2;
通过公式(3)计算得到每个所述区域的TTI拥堵系数,公式(3)为:
在本公开的一种具体实施方式中,所述步骤S32,还可以包括步骤S321、步骤S322和步骤S323。
步骤S321、根据所述匹配路网后的GPS定位数据查找得到在当前时刻之前的第一时间段内经过所述道路的全部车辆;
步骤S322、基于所述道路的长度和所述全部车辆中每一车辆经过所述道路的时间,计算得到所述全部车辆中每一车辆经过所述道路的平均速度;
步骤S323、根据所述每一车辆经过所述道路的平均速度和在当前时刻之前的第一时间段内经过所述道路的车辆的数量,计算得到每条所述道路的平均速度。
在本公开的一种具体实施方式中,所述步骤S4,还可以包括步骤S41和步骤S42。
步骤S41、对C-BiLSTM模型进行改进,使用Softmax层来连接所述C-BiLSTM模型中的CNN层和BiLSTM层,得到CS-BiLSTM模型;
步骤S42、将所述第一结果输入所述CS-BiLSTM模型中,得到当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值。
在本实施例中,将Softmax层加入在卷积网络层和循环网络层之间,旨在用Softmax函数增强卷积网络层提取出来的数据的空间特征,进而提高TTI拥堵系数预测值的预测准确度。
在本公开的一种具体实施方式中,所述步骤S4,还可以包括步骤S43和步骤S44。
步骤S43、对当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值进行分析,得到当前时刻之后的第二时间段内每个所述区域的交通状态,其中,当所述TTI拥堵系数预测值大于等于1.5时,则认定所述区域处于严重拥堵状态;当所述TTI拥堵系数预测值大于等于1.2小于1.5时,则认定所述区域处于中度拥堵状态;当所述TTI拥堵系数预测值大于等于1小于1.2时,则认定所述区域处于轻微拥堵状态;当所述TTI拥堵系数预测值小于1时,则认定所述区域处于畅通状态;
步骤S44、整合当前时刻之后的第二时间段内每个所述区域的交通状态得到所述城市在当前时刻之后的第二时间段内的交通状态。
在本实施例中通过得到每个区域的交通状态之后可以将预测得到的每个区域的交通状态发送至相关的交通管理部门处,或将所有的区域的交通状态进行整合后在对其进行分析,得到分析结果后再将分析结果发送至相关的交通管理部门处,以上两种方式均可以用于帮助相关的工作人员合理的分配交通资源或做出合理的交通指挥调度,通过此种方式可以降低交通拥堵情况的发生概率,提高通行效率。
实施例2
如图2所示,本实施例提供了一种城市交通状态预测装置,所述装置包括获取模块701、匹配模块702、计算模块703和预测模块704。
所述获取模块701,用于获取第一数据和第二数据,所述第一数据包括当前时刻之前的第一时间段内所述城市中各车辆的GPS定位数据,所述第二数据包括所述城市的路网数据;
所述匹配模块702,用于将所述车辆的GPS定位数据匹配到所述城市的路网数据上,得到匹配路网后的GPS定位数据;
所述计算模块703,用于根据所述匹配路网后的GPS定位数据计算得到第一结果,所述第一结果包括当前时刻之前的第一时间段内所述城市中每个区域的TTI拥堵系数;
所述预测模块704,用于基于CS-BiLSTM模型和所述第一结果预测得到第二结果,所述第二结果包括当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值,根据所述第二结果得到所述城市在当前时刻之后的第二时间段内的交通状态。
本实施例在收集到海量的交通数据基础上,通过深入地研究城市交通拥堵的特征信息以及影响其发生的关键因素,科学分析选择TTI拥堵系数作为交通状态评价指标,并通过改进后的CS-BiLSTM模型预测出未来某一时间段的TTI拥堵系数,通过预测得到的TTI拥堵系数得到未来城市的交通状态,通过预测得到的交通状态可以帮助城市交通管理系统的交通管理者合理的分配交通资源和做出合理的交通指挥调度方案,进而解决交通拥堵问题,提高城市通行效率。
在本公开的一种具体实施方式中,所述匹配模块702,还包括标识单元7021、第一计算单元7022和匹配单元7023。
所述标识单元7021,用于基于边界矩形的路网匹配判断算法,利用平行四边形来标识所述城市中的每条道路,得到每条所述道路对应的平行四边形区域;
所述第一计算单元7022,用于根据所述车辆的GPS定位数据和所述每条所述道路对应的平行四边形区域得到所述车辆所属的道路;
所述匹配单元7023,用于将每个所述车辆的GPS定位数据匹配到所述车辆所属的道路,形成所述匹配路网后的GPS定位数据。
在本公开的一种具体实施方式中,所述第一计算单元7022,还包括构建子单元70221、第一计算子单元70222和判断子单元70223。
所述构建子单元70221,用于构建所述平行四边形区域上条边对应的第一线性方程,构建所述平行四边形区域下条边对应的第二线性方程;
所述第一计算子单元70222,用于将所述车辆的GPS定位数据中包含的所述车辆所处的经度分别带入所述第一线性方程和第二线性方程,计算得到第一数值和第二数值;
所述判断子单元70223,用于判断所述车辆的GPS定位数据中包含的所述车辆所处的纬度是否处于所述第一数值和所述第二数值之间,若处于则所述车辆属于所述平行四边形区域所对应的道路。
在本公开的一种具体实施方式中,所述计算模块703,还包括获取单元7031、第二计算单元7032、第三计算单元7033和第四计算单元7034。
所述获取单元7031,用于获取第三数据和第四数据,所述第三数据包括每个所述区域中每条道路的自由流速度,所述第四数据包括每条所述道路的设计数据;
所述第二计算单元7032,用于根据所述匹配路网后的GPS定位数据计算得到每个所述区域中每条所述道路的平均速度;
所述第三计算单元7033,用于根据每条所述道路的自由流速度和每条所述道路的平均速度计算得到每条所述道路的TTI拥堵系数,根据所述第四数据计算得到每条所述道路的权重系数;
所述第四计算单元7034,用于将每条所述道路的TTI拥堵系数和对应的每条所述道路的权重系数相乘得到第三结果,根据所述第三结果与每个所述区域中道路的总数得到每个所述区域的TTI拥堵系数。
在本公开的一种具体实施方式中,所述第二计算单元7032,还包括查找子单元70321、第二计算子单元70322和第三计算子单元70323。
所述查找子单元70321,用于根据所述匹配路网后的GPS定位数据查找得到在当前时刻之前的第一时间段内经过所述道路的全部车辆;
所述第二计算子单元70322,用于基于所述道路的长度和所述全部车辆中每一车辆经过所述道路的时间,计算得到所述全部车辆中每一车辆经过所述道路的平均速度;
所述第三计算子单元70323,用于根据所述每一车辆经过所述道路的平均速度和在当前时刻之前的第一时间段内经过所述道路的车辆的数量,计算得到每条所述道路的平均速度。
在本公开的一种具体实施方式中,所述预测模块704,还包括改进单元7041和预测单元7042。
所述改进单元7041,用于对C-BiLSTM模型进行改进,使用Softmax层来连接所述C-BiLSTM模型中的CNN层和BiLSTM层,得到CS-BiLSTM模型;
所述预测单元7042,用于将所述第一结果输入所述CS-BiLSTM模型中,得到当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值。
在本公开的一种具体实施方式中,所述预测模块704,还包括分析单元7043和整合单元7044。
所述分析单元7043,用于对当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值进行分析,得到当前时刻之后的第二时间段内每个所述区域的交通状态,其中,当所述TTI拥堵系数预测值大于等于1.5时,则认定所述区域处于严重拥堵状态;当所述TTI拥堵系数预测值大于等于1.2小于1.5时,则认定所述区域处于中度拥堵状态;当所述TTI拥堵系数预测值大于等于1小于1.2时,则认定所述区域处于轻微拥堵状态;当所述TTI拥堵系数预测值小于1时,则认定所述区域处于畅通状态;
所述整合单元7044,用于整合当前时刻之后的第二时间段内每个所述区域的交通状态得到所述城市在当前时刻之后的第二时间段内的交通状态。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了一种城市交通状态预测设备,下文描述的城市交通状态预测设备与上文描述的城市交通状态预测方法可相互对应参照。
图3是根据一示例性实施例示出的城市交通状态预测设备800的框图。如图3所示,该城市交通状态预测设备800可以包括:处理器801,存储器802。该城市交通状态预测设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该城市交通状态预测设备800的整体操作,以完成上述的城市交通状态预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该城市交通状态预测设备800的操作,这些数据例如可以包括用于在该城市交通状态预测设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该城市交通状态预测设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,该城市交通状态预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的城市交通状态预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的城市交通状态预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由该城市交通状态预测设备800的处理器801执行以完成上述的城市交通状态预测方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的城市交通状态预测方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的城市交通状态预测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种城市交通状态预测方法,其特征在于,包括:
获取第一数据和第二数据,所述第一数据包括当前时刻之前的第一时间段内所述城市中各车辆的GPS定位数据,所述第二数据包括所述城市的路网数据;
将所述车辆的GPS定位数据匹配到所述城市的路网数据上,得到匹配路网后的GPS定位数据;
根据所述匹配路网后的GPS定位数据计算得到第一结果,所述第一结果包括当前时刻之前的第一时间段内所述城市中每个区域的TTI拥堵系数;
基于CS-BiLSTM模型和所述第一结果预测得到第二结果,所述第二结果包括当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值,根据所述第二结果得到所述城市在当前时刻之后的第二时间段内的交通状态。
2.根据权利要求1所述的城市交通状态预测方法,其特征在于,所述将所述车辆的GPS定位数据匹配到所述城市的路网数据上,得到匹配路网后的GPS定位数据,包括:
基于边界矩形的路网匹配判断算法,利用平行四边形来标识所述城市中的每条道路,得到每条所述道路对应的平行四边形区域;
根据所述车辆的GPS定位数据和所述每条所述道路对应的平行四边形区域得到所述车辆所属的道路;
将每个所述车辆的GPS定位数据匹配到所述车辆所属的道路,形成所述匹配路网后的GPS定位数据。
3.根据权利要求2所述的城市交通状态预测方法,其特征在于,所述根据所述车辆的GPS定位数据和所述每个所述道路对应的平行四边形区域得到所述车辆所属的道路,包括:
构建所述平行四边形区域上条边对应的第一线性方程,构建所述平行四边形区域下条边对应的第二线性方程;
将所述车辆的GPS定位数据中包含的所述车辆所处的经度分别带入所述第一线性方程和第二线性方程,计算得到第一数值和第二数值;
判断所述车辆的GPS定位数据中包含的所述车辆所处的纬度是否处于所述第一数值和所述第二数值之间,若处于则所述车辆属于所述平行四边形区域所对应的道路。
4.根据权利要求1所述的城市交通状态预测方法,其特征在于,所述根据所述匹配路网后的GPS定位数据计算得到第一结果,包括:
获取第三数据和第四数据,所述第三数据包括每个所述区域中每条道路的自由流速度,所述第四数据包括每条所述道路的设计数据;
根据所述匹配路网后的GPS定位数据计算得到每个所述区域中每条所述道路的平均速度;
根据每条所述道路的自由流速度和每条所述道路的平均速度计算得到每条所述道路的TTI拥堵系数,根据所述第四数据计算得到每条所述道路的权重系数;
将每条所述道路的TTI拥堵系数和对应的每条所述道路的权重系数相乘得到第三结果,根据所述第三结果与每个所述区域中道路的总数得到每个所述区域的TTI拥堵系数。
5.一种城市交通状态预测装置,其特征在于,包括:
获取模块,用于获取第一数据和第二数据,所述第一数据包括当前时刻之前的第一时间段内所述城市中各车辆的GPS定位数据,所述第二数据包括所述城市的路网数据;
匹配模块,用于将所述车辆的GPS定位数据匹配到所述城市的路网数据上,得到匹配路网后的GPS定位数据;
计算模块,用于根据所述匹配路网后的GPS定位数据计算得到第一结果,所述第一结果包括当前时刻之前的第一时间段内所述城市中每个区域的TTI拥堵系数;
预测模块,用于基于CS-BiLSTM模型和所述第一结果预测得到第二结果,所述第二结果包括当前时刻之后的第二时间段内每个所述区域的TTI拥堵系数预测值,根据所述第二结果得到所述城市在当前时刻之后的第二时间段内的交通状态。
6.根据权利要求5所述的城市交通状态预测装置,其特征在于,所述匹配模块,包括:
标识单元,用于基于边界矩形的路网匹配判断算法,利用平行四边形来标识所述城市中的每条道路,得到每条所述道路对应的平行四边形区域;
第一计算单元,用于根据所述车辆的GPS定位数据和所述每条所述道路对应的平行四边形区域得到所述车辆所属的道路;
匹配单元,用于将每个所述车辆的GPS定位数据匹配到所述车辆所属的道路,形成所述匹配路网后的GPS定位数据。
7.根据权利要求6所述的城市交通状态预测装置,其特征在于,所述第一计算单元,包括:
构建子单元,用于构建所述平行四边形区域上条边对应的第一线性方程,构建所述平行四边形区域下条边对应的第二线性方程;
第一计算子单元,用于将所述车辆的GPS定位数据中包含的所述车辆所处的经度分别带入所述第一线性方程和第二线性方程,计算得到第一数值和第二数值;
判断子单元,用于判断所述车辆的GPS定位数据中包含的所述车辆所处的纬度是否处于所述第一数值和所述第二数值之间,若处于则所述车辆属于所述平行四边形区域所对应的道路。
8.根据权利要求5所述的城市交通状态预测装置,其特征在于,所述计算模块,包括:
获取单元,用于获取第三数据和第四数据,所述第三数据包括每个所述区域中每条道路的自由流速度,所述第四数据包括每条所述道路的设计数据;
第二计算单元,用于根据所述匹配路网后的GPS定位数据计算得到每个所述区域中每条所述道路的平均速度;
第三计算单元,用于根据每条所述道路的自由流速度和每条所述道路的平均速度计算得到每条所述道路的TTI拥堵系数,根据所述第四数据计算得到每条所述道路的权重系数;
第四计算单元,用于将每条所述道路的TTI拥堵系数和对应的每条所述道路的权重系数相乘得到第三结果,根据所述第三结果与每个所述区域中道路的总数得到每个所述区域的TTI拥堵系数。
9.一种城市交通状态预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述城市交通状态预测方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质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如权利要求1至4任一项所述城市交通状态预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111125550.2A CN113570867B (zh) | 2021-09-26 | 2021-09-26 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111125550.2A CN113570867B (zh) | 2021-09-26 | 2021-09-26 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570867A true CN113570867A (zh) | 2021-10-29 |
CN113570867B CN113570867B (zh) | 2021-12-07 |
Family
ID=78174347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111125550.2A Active CN113570867B (zh) | 2021-09-26 | 2021-09-26 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570867B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255590A (zh) * | 2021-12-17 | 2022-03-29 | 重庆市城投金卡信息产业(集团)股份有限公司 | 基于rfid数据的交通运行分析方法 |
CN114333335A (zh) * | 2022-03-15 | 2022-04-12 | 成都交大大数据科技有限公司 | 基于轨迹数据的车道级交通状态估计方法、装置及系统 |
CN115512546A (zh) * | 2022-10-08 | 2022-12-23 | 河南博汇智能科技有限公司 | 一种智慧高速交通流主动管理方法、装置及电子设备 |
CN116612648A (zh) * | 2023-05-15 | 2023-08-18 | 深圳市显科科技有限公司 | 基于情报板的道路阶段性动态交通疏堵提示方法及装置 |
Citations (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1707544A (zh) * | 2005-05-26 | 2005-12-14 | 上海交通大学 | 城市路网交通流状态估计方法 |
US20130245873A1 (en) * | 2008-12-19 | 2013-09-19 | Intelligent Mechatronic Systems Inc. | Monitoring of power charging in vehicle |
CN103366557A (zh) * | 2013-07-25 | 2013-10-23 | 北京交通发展研究中心 | 基于拥堵指数的交通拥堵评价方法 |
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN105261217A (zh) * | 2015-10-03 | 2016-01-20 | 上海大学 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
CN106971535A (zh) * | 2017-03-19 | 2017-07-21 | 北京通途永久科技有限公司 | 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台 |
CN107123295A (zh) * | 2017-06-30 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 拥堵路段预测方法、装置、服务器以及存储介质 |
CN107195177A (zh) * | 2016-03-09 | 2017-09-22 | 中国科学院深圳先进技术研究院 | 基于分布式内存计算框架对城市交通路况的预测方法 |
CN107702729A (zh) * | 2017-09-06 | 2018-02-16 | 东南大学 | 一种考虑预期路况的车辆导航方法及系统 |
CN108022425A (zh) * | 2017-12-21 | 2018-05-11 | 东软集团股份有限公司 | 交通状况预测方法、装置和计算机设备 |
CN108492555A (zh) * | 2018-03-20 | 2018-09-04 | 青岛海信网络科技股份有限公司 | 一种城市路网交通状态评价方法及装置 |
CN109190948A (zh) * | 2018-08-20 | 2019-01-11 | 北京航空航天大学 | 一种大型航空枢纽运行与城市交通拥堵的关联分析方法 |
CN109215346A (zh) * | 2018-10-11 | 2019-01-15 | 平安科技(深圳)有限公司 | 一种交通通行时间的预测方法、存储介质和服务器 |
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
CN110491158A (zh) * | 2019-09-25 | 2019-11-22 | 西安安邦鼎立智能科技有限公司 | 一种基于多元数据融合的公交车到站时间预测方法及系统 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
CN110992233A (zh) * | 2019-12-13 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种针对城市聚集事件的应急疏散方法与系统 |
CN111383452A (zh) * | 2019-12-03 | 2020-07-07 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN111768618A (zh) * | 2020-06-04 | 2020-10-13 | 北京航空航天大学 | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 |
WO2020222820A1 (en) * | 2019-04-30 | 2020-11-05 | Futurewei Technologies, Inc. | Spatial-temporal haptic stimulation systems and methods |
CN111986480A (zh) * | 2020-08-24 | 2020-11-24 | 安徽科力信息产业有限责任公司 | 一种城市道路交通事件影响评价方法、系统及存储介质 |
WO2020232732A1 (en) * | 2019-05-23 | 2020-11-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for predicting traffic information |
CN112561146A (zh) * | 2020-12-08 | 2021-03-26 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
CN112562325A (zh) * | 2020-11-26 | 2021-03-26 | 东南大学 | 基于块坐标下降的大规模城市交通网络流量监测方法 |
CN112652189A (zh) * | 2020-12-30 | 2021-04-13 | 西南交通大学 | 基于策略流的交通分配方法、装置、设备及可读存储介质 |
CN112669595A (zh) * | 2020-12-10 | 2021-04-16 | 浙江大学 | 一种基于深度学习的网约车流量预测方法 |
CN112735129A (zh) * | 2020-12-25 | 2021-04-30 | 北京中交兴路信息科技有限公司 | 货车停车调度的方法及装置 |
CN112766600A (zh) * | 2021-01-29 | 2021-05-07 | 武汉大学 | 一种城市区域人群流量预测方法及系统 |
CN113052405A (zh) * | 2021-05-08 | 2021-06-29 | 林兴叶 | 基于物联网和人工智能的交通拥堵预测与优化方法 |
CN113112050A (zh) * | 2021-03-11 | 2021-07-13 | 云南电网有限责任公司电力科学研究院 | 一种基于W-BiLSTM的轨道交通短时客流量预测方法 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及系统 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN113313303A (zh) * | 2021-05-28 | 2021-08-27 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
US20210272450A1 (en) * | 2015-11-04 | 2021-09-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Method of providing traffic related information and device, computer program and computer program product |
-
2021
- 2021-09-26 CN CN202111125550.2A patent/CN113570867B/zh active Active
Patent Citations (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1707544A (zh) * | 2005-05-26 | 2005-12-14 | 上海交通大学 | 城市路网交通流状态估计方法 |
US20130245873A1 (en) * | 2008-12-19 | 2013-09-19 | Intelligent Mechatronic Systems Inc. | Monitoring of power charging in vehicle |
CN103366557A (zh) * | 2013-07-25 | 2013-10-23 | 北京交通发展研究中心 | 基于拥堵指数的交通拥堵评价方法 |
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN105261217A (zh) * | 2015-10-03 | 2016-01-20 | 上海大学 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
US20210272450A1 (en) * | 2015-11-04 | 2021-09-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Method of providing traffic related information and device, computer program and computer program product |
CN107195177A (zh) * | 2016-03-09 | 2017-09-22 | 中国科学院深圳先进技术研究院 | 基于分布式内存计算框架对城市交通路况的预测方法 |
CN106971535A (zh) * | 2017-03-19 | 2017-07-21 | 北京通途永久科技有限公司 | 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台 |
CN107123295A (zh) * | 2017-06-30 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 拥堵路段预测方法、装置、服务器以及存储介质 |
CN107702729A (zh) * | 2017-09-06 | 2018-02-16 | 东南大学 | 一种考虑预期路况的车辆导航方法及系统 |
CN108022425A (zh) * | 2017-12-21 | 2018-05-11 | 东软集团股份有限公司 | 交通状况预测方法、装置和计算机设备 |
CN108492555A (zh) * | 2018-03-20 | 2018-09-04 | 青岛海信网络科技股份有限公司 | 一种城市路网交通状态评价方法及装置 |
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN109190948A (zh) * | 2018-08-20 | 2019-01-11 | 北京航空航天大学 | 一种大型航空枢纽运行与城市交通拥堵的关联分析方法 |
CN109215346A (zh) * | 2018-10-11 | 2019-01-15 | 平安科技(深圳)有限公司 | 一种交通通行时间的预测方法、存储介质和服务器 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
WO2020222820A1 (en) * | 2019-04-30 | 2020-11-05 | Futurewei Technologies, Inc. | Spatial-temporal haptic stimulation systems and methods |
WO2020232732A1 (en) * | 2019-05-23 | 2020-11-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for predicting traffic information |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
CN110491158A (zh) * | 2019-09-25 | 2019-11-22 | 西安安邦鼎立智能科技有限公司 | 一种基于多元数据融合的公交车到站时间预测方法及系统 |
CN111383452A (zh) * | 2019-12-03 | 2020-07-07 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN110992233A (zh) * | 2019-12-13 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种针对城市聚集事件的应急疏散方法与系统 |
CN111768618A (zh) * | 2020-06-04 | 2020-10-13 | 北京航空航天大学 | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 |
CN111986480A (zh) * | 2020-08-24 | 2020-11-24 | 安徽科力信息产业有限责任公司 | 一种城市道路交通事件影响评价方法、系统及存储介质 |
CN112562325A (zh) * | 2020-11-26 | 2021-03-26 | 东南大学 | 基于块坐标下降的大规模城市交通网络流量监测方法 |
CN112561146A (zh) * | 2020-12-08 | 2021-03-26 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
CN112669595A (zh) * | 2020-12-10 | 2021-04-16 | 浙江大学 | 一种基于深度学习的网约车流量预测方法 |
CN112735129A (zh) * | 2020-12-25 | 2021-04-30 | 北京中交兴路信息科技有限公司 | 货车停车调度的方法及装置 |
CN112652189A (zh) * | 2020-12-30 | 2021-04-13 | 西南交通大学 | 基于策略流的交通分配方法、装置、设备及可读存储介质 |
CN112766600A (zh) * | 2021-01-29 | 2021-05-07 | 武汉大学 | 一种城市区域人群流量预测方法及系统 |
CN113112050A (zh) * | 2021-03-11 | 2021-07-13 | 云南电网有限责任公司电力科学研究院 | 一种基于W-BiLSTM的轨道交通短时客流量预测方法 |
CN113052405A (zh) * | 2021-05-08 | 2021-06-29 | 林兴叶 | 基于物联网和人工智能的交通拥堵预测与优化方法 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及系统 |
CN113313303A (zh) * | 2021-05-28 | 2021-08-27 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
Non-Patent Citations (11)
Title |
---|
SURESH MAINALI: "Pre-processing for Road Traffic Congestion Prediction in Nepal Based On GPS Data Using Parallel Computing Strategy", 《2019 INTERNATIONAL CONFERENCE ON COMPUTING, COMMUNICATION, AND INTELLIGENT SYSTEMS (ICCCIS)》 * |
XIAOYANG ZHENG: "An End-To-End CNN-BiLSTM Attention Model for Gearbox Fault Diagnosis", 《2020 IEEE INTERNATIONAL CONFERENCE ON PROGRESS IN INFORMATICS AND COMPUTING (PIC)》 * |
余勃文: "基于压缩感知和深度学习的电能质量扰动识别研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
刘晓波,蒋阳升,唐优华: "综合交通大数据应用技术的发展展望", 《大数据》 * |
周越: "基于深度学习的城市出租车流量预测模型", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张东冉: "融合多源数据的城市快速路交通状态识别及预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张振: "基于车辆通行大数据的高速公路路况预测的研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李勇: "基于出租车GPS数据的城市交通拥堵识别和关联性分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
熊振华: "融合多特征神经网络的城市道路速度预测研究", 《测绘科学》 * |
韦佳: "基于时空特性的城市道路交通运行状态预测及评价方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
韩子雯: "基于多源数据的高速公路交通状态预测与估计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255590A (zh) * | 2021-12-17 | 2022-03-29 | 重庆市城投金卡信息产业(集团)股份有限公司 | 基于rfid数据的交通运行分析方法 |
CN114333335A (zh) * | 2022-03-15 | 2022-04-12 | 成都交大大数据科技有限公司 | 基于轨迹数据的车道级交通状态估计方法、装置及系统 |
CN115512546A (zh) * | 2022-10-08 | 2022-12-23 | 河南博汇智能科技有限公司 | 一种智慧高速交通流主动管理方法、装置及电子设备 |
CN116612648A (zh) * | 2023-05-15 | 2023-08-18 | 深圳市显科科技有限公司 | 基于情报板的道路阶段性动态交通疏堵提示方法及装置 |
CN116612648B (zh) * | 2023-05-15 | 2024-03-26 | 深圳市显科科技有限公司 | 基于情报板的道路阶段性动态交通疏堵提示方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113570867B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控系统 | |
CN112749825B (zh) | 预测车辆的目的地的方法和装置 | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
CN112069635B (zh) | 一种换电柜的部署方法、装置、介质及电子设备 | |
Zou et al. | Estimation of travel time based on ensemble method with multi-modality perspective urban big data | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
Ma et al. | Public transportation big data mining and analysis | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
Pramanik et al. | Modeling traffic congestion in developing countries using google maps data | |
CN116384844B (zh) | 基于地理信息云平台的决策方法及装置 | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
CN112699955A (zh) | 一种用户分类方法、装置、设备及存储介质 | |
CN117133124A (zh) | 一种数字孪生智能公路收费与管理系统及方法 | |
CN117037482A (zh) | 道路交通运行状态实时感知方法、系统、设备及存储介质 | |
CN116484912A (zh) | 模型构建方法、装置、设备及存储介质 | |
Wu et al. | Spatio‐temporal neural network for taxi demand prediction using multisource urban data | |
KR20190138350A (ko) | 웨어러블 기기에서 수집한 생체 정보 및 행동 패턴을 활용한 개인별 범죄 피해 확률 예측 시스템 | |
CN112380443B (zh) | 导乘推荐方法、装置、计算机设备和存储介质 | |
Xia et al. | An ASM-CF model for anomalous trajectory detection with mobile trajectory big 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 |