CN113628434A - 交通状态监测方法、装置、计算机设备和可读存储介质 - Google Patents

交通状态监测方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN113628434A
CN113628434A CN202010372669.9A CN202010372669A CN113628434A CN 113628434 A CN113628434 A CN 113628434A CN 202010372669 A CN202010372669 A CN 202010372669A CN 113628434 A CN113628434 A CN 113628434A
Authority
CN
China
Prior art keywords
traffic flow
observation time
flow dispersion
time length
target
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
CN202010372669.9A
Other languages
English (en)
Other versions
CN113628434B (zh
Inventor
陈清元
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.)
Oneplus Technology Shenzhen Co Ltd
Original Assignee
Oneplus Technology Shenzhen 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 Oneplus Technology Shenzhen Co Ltd filed Critical Oneplus Technology Shenzhen Co Ltd
Priority to CN202010372669.9A priority Critical patent/CN113628434B/zh
Publication of CN113628434A publication Critical patent/CN113628434A/zh
Application granted granted Critical
Publication of CN113628434B publication Critical patent/CN113628434B/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
    • 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
    • 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

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种交通状态监测方法、装置、计算机设备和可读存储介质。所述方法包括：获取目标路段在观测时长内的采样所得车辆GPS数据；根据所述车辆GPS数据计算所述观测时长内各采样周期的交通流离散度；确定所述观测时长内的所述交通流离散度处于预设范围的第一比率；若所述第一比率大于比率阈值，则确定在所述观测时长内所述目标路段的交通状态为拥堵状态。采用本方法能够提高交通状态监测的准确性。

Description

交通状态监测方法、装置、计算机设备和可读存储介质
技术领域
本申请涉及交通流量监控技术领域，特别是涉及一种交通状态监测方法、装置、计算机设备和可读存储介质。
背景技术
近年来随着我国经济的飞速发展，私家车数量日益增加所产生的交通需求，与交通基础设施所能提供的通行能力之间愈加不平衡，交通拥堵问题己成为出行者最大的困扰。为缓解交通拥堵问题，通常需要对各个路段的交通状态进行监测，传统的交通状态监测方法是通过在各个路口埋设车检器以获取交通流量数据，然后基于车检器所对应的分析模型对获取的交通流量数据进行分析，从而得到对应的交通状态。
然而对于车辆密度大、车流量多的路段，采用传统的交通状态监测方法所获取的交通流量数据往往与实际误差较大，从而导致所监测的交通状态不准确。
发明内容
基于此，有必要针对交通状态监测结果不准确的技术问题，提供一种交通状态监测方法、装置、计算机设备和可读存储介质。
一种交通状态监测方法，所述方法包括：
获取目标路段在观测时长内采样所得的车辆GPS数据；
根据所述车辆GPS数据计算所述观测时长内各采样周期的交通流离散度；
确定所述观测时长内的所述交通流离散度处于预设范围的第一比率；
若所述第一比率大于比率阈值，则确定在所述观测时长内所述目标路段的交通状态为拥堵状态。
在一个实施例中，所述获取目标路段在观测时长内的采样所得车辆GPS数据，包括：
获取目标路段在观测时长内采样所得的原始车辆GPS数据；
对所述原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据。
在一个实施例中，所述车辆GPS数据包括车辆数量、车辆速度和车辆位置，所述根据所述车辆GPS数据计算所述观测时长内各采样周期的交通流离散度，包括：
根据所述车辆数量和所述车辆速度计算速度变异系数；
根据所述车辆数量和所述车辆位置计算跟车距离变异系数；
根据所述速度变异系数和所述跟车距离变异系数计算所述观测时长内各采样周期的交通流离散度。
在一个实施例中，所述根据所述车辆数量和所述车辆位置计算跟车距离变异系数，包括：
根据所述车辆位置计算跟车距离；
根据所述车辆数量和所述跟车距离计算跟车距离变异系数。
在一个实施例中，所述确定所述观测时长内的所述交通流离散度处于预设范围的第一比率，包括：
获取所述观测时长对应的第一时长和所述采样周期对应的第二时长；
根据所述第一时长和所述第二时长计算在所述观测时长内的采样次数；
确定在所述观测时长内所述交通流离散度处于所述预设范围的命中次数；
根据所述采样次数和所述命中次数，计算在所述观测时长内所述交通流离散度处于预设范围的第一比率。
在一个实施例中，所述方法还包括：
根据所述观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度；
确定所述目标观测时长内的所述预测交通流离散度处于所述预设范围的第二比率；
若所述第二比率大于所述比率阈值，则确定在所述目标观测时长内所述目标路段的交通状态为拥堵状态。
在一个实施例中，所述根据所述观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，包括：
将所述观测时长内各采样周期的交通流离散度输入交通流离散度预测模型；所述交通流离散度预测模型为自回归移动平均模型；
通过所述交通流离散度预测模型预测所述目标观测时长内各目标采样周期的交通流离散度。
在一个实施例中，所述方法还包括：
根据在所述目标观测时长内所述目标路段的交通状态为拥堵状态，对所述目标路段对应路口的信号灯配时进行调整。
在一个实施例中，所述方法还包括：
根据在所述观测时长内所述目标路段的交通状态为拥堵状态生成拥堵提示信息；所述拥堵提示信息用于提示所述目标路段发生拥堵；
将所述拥堵提示信息发送至目标终端。
一种交通状态监测装置，所述装置包括：
数据获取模块，用于获取目标路段在观测时长内采样所得的车辆GPS数据；
交通流离散度计算模块，用于根据所述车辆GPS数据计算所述观测时长内各采样周期的交通流离散度；
比率确定模块，用于确定所述观测时长内的所述交通流离散度处于预设范围的第一比率；
交通状态确定模块，用于若所述第一比率大于比率阈值，则确定在所述观测时长内所述目标路段的交通状态为拥堵状态。
在一个实施例中，所述数据获取模块，还用于：
获取目标路段在观测时长内采样所得的原始车辆GPS数据；
对所述原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据。
在一个实施例中，所述车辆GPS数据包括车辆数量、车辆速度和车辆位置，所述交通流离散度计算模块，还用于：
根据所述车辆数量和所述车辆速度计算速度变异系数；
根据所述车辆数量和所述车辆位置计算跟车距离变异系数；
根据所述速度变异系数和所述跟车距离变异系数计算所述观测时长内各采样周期的交通流离散度。
在一个实施例中，所述交通流离散度计算模块，还用于：
根据所述车辆位置计算跟车距离；
根据所述车辆数量和所述跟车距离计算跟车距离变异系数。
在一个实施例中，所述比率确定模块，还用于：
获取所述观测时长对应的第一时长和所述采样周期对应的第二时长；
根据所述第一时长和所述第二时长计算在所述观测时长内的采样次数；
确定在所述观测时长内所述交通流离散度处于所述预设范围的命中次数；
根据所述采样次数和所述命中次数，计算在所述观测时长内所述交通流离散度处于预设范围的第一比率。
在一个实施例中，所述装置还包括：交通流离散度预测模块，其中：
所述交通流离散度预测模块，用于根据所述观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度；
所述比率确定模块，还用于确定所述目标观测时长内的所述预测交通流离散度处于所述预设范围的第二比率；
所述交通状态确定模块，还用于若所述第二比率大于所述比率阈值，则确定在所述目标观测时长内所述目标路段的交通状态为拥堵状态。
在一个实施例中，所述交通流离散度预测模块，还用于：
将所述观测时长内各采样周期的交通流离散度输入交通流离散度预测模型；所述交通流离散度预测模型为自回归移动平均模型；
通过所述交通流离散度预测模型预测所述目标观测时长内各目标采样周期的交通流离散度。
在一个实施例中，所述装置还包括：信号灯配时模块，其中：
所述信号灯配时模块，用于根据在所述目标观测时长内所述目标路段的交通状态为拥堵状态，对所述目标路段对应路口的信号灯配时进行调整。
在一个实施例中，所述装置还包括：提示信息生成模块和提示信息发送模块，其中：
所述提示信息生成模块，用于根据在所述观测时长内所述目标路段的交通状态为拥堵状态生成拥堵提示信息；所述拥堵提示信息用于提示所述目标路段发生拥堵；
所述提示信息发送模块，用于将所述拥堵提示信息发送至目标终端。
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如上任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上任一项所述方法的步骤。
上述交通状态监测方法、装置、计算机设备和可读存储介质，通过获取目标路段在观测时长内采样所得的车辆GPS数据，然后根据车辆GPS数据计算观测时长内各采样周期的交通流离散度，确定观测时长内的交通流离散度处于预设范围的第一比率，根据第一比率准确的监测出各个路段的交通状态，其中，当第一比率大于比率阈值时，则确定在观测时长内目标路段的交通状态为拥堵状态，从而提高了交通状态监测的准确性。
附图说明
图1为一个实施例中交通状态监测方法的应用环境图；
图2为一个实施例中交通状态监测方法的流程示意图；
图3为一个实施例中原始车辆GPS数据序列图；
图4为一个实施例中车辆GPS数据序列图；
图5为另一个实施例中交通状态监测方法的流程示意图；
图6为一个实施例中交通状态监测装置的结构框图；
图7为另一个实施例中交通状态监测装置的结构框图；
图8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。
本申请提供的交通状态监测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。该交通状态监测方法可以执行于终端102或服务器104，以执行于终端102为例，终端102从服务器104获取目标路段在观测时长内采样所得的车辆GPS数据；根据车辆GPS数据计算观测时长内各采样周期的交通流离散度；确定观测时长内的交通流离散度处于预设范围的第一比率；若第一比率大于比率阈值，则确定在观测时长内目标路段的交通状态为拥堵状态。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种交通状态监测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S202，获取目标路段在观测时长内采样所得的车辆GPS数据。
其中，目标路段为所要监测交通状态的路段；观测时长为每次对目标路段的交通状态进行监测时，所需采集数据的时长，观测时长可以根据实际需要进行设定，例如观测时长为5分钟或10分钟；车辆GPS数据为用于对目标路段的交通状态进行分析的基础数据，车辆GPS数据至少包括：车辆所在路段、车辆位置、车辆速度、数据输出时间等，如下表所示为车辆GPS数据所包括的字段：
表1车辆GPS数据字段表
Figure BDA0002478897840000061
在一个实施例中，服务器实时获取各路段上所行驶车辆的车辆GPS数据，并对所获取的车辆GPS数据进行保存。当终端需要对目标路段的交通状态进行监测时，直接向服务器发送数据获取请求，该数据获取请求中携带有目标路段的路段标识和观测时长，服务器在接收到该数据获取请求后，根据该数据获取请求中的路段标识和观测时长获取采样所得的原始车辆GPS数据，并将该原始车辆GPS数据返回至终端，终端在接收到该原始车辆GPS数据之后，可直接对该原始车辆GPS数据进行分析。其中，服务器是按照采样周期进行原始车辆GPS数据采集的，例如，采样周期的时长为10秒，则服务器每10秒采集一次原始车辆GPS数据。
在一个实施例中，终端向服务器发送数据获取请求，服务器在接收到该数据获取请求之后，根据该数据获取请求中的路段标识查找对应的原始车辆GPS数据包，然后从原始车辆GPS数据包中提取出最新的、且与该观测时长对应的原始车辆GPS数据，并将该原始车辆GPS数据返回至终端，终端在接收到该原始车辆GPS数据之后，将该原始车辆GPS数据作为车辆GPS数据直接进行分析，确定对应的交通状态。
在一个实施例中，终端接收到服务器返回的原始车辆GPS数据之后，对该原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据，以便对该车辆GPS数据进行分析，确定对应的交通状态。其中无效数据为采样时间与数据输出时间之间的时间延迟较长的数据，影响交通状态分析结果的准确性。
S204，根据车辆GPS数据计算观测时长内各采样周期的交通流离散度。
其中，车辆GPS数据为在观测时长内多次采样所得到的，采样周期为两次相邻采样时间点之间的时间间隔，观测时长内包含多个采样周期，根据每个采样周期所采集的车辆GPS数据，可计算出该采样周期所对应的交通流离散度；交通流离散度用于表示其所属采样周期对应的交通状态。
在一个实施例中，终端在获取观测时长内各个采样周期所采集的车辆GPS数据之后，根据该车辆GPS数据分别计算出各采样周期的交通流离散度，计算过程具体包括以下步骤：根据车辆GPS数据中的车辆数据和车辆速度计算速度变异系数，然后根据车辆GPS数据中的车辆数据和车辆位置计算跟车距离变异系数，再根据计算所得的速度变异系数和跟车距离变异系数计算观测时长内各采样周期的交通流离散度。其中，速度变异系数用于描述交通流的离散性状态，跟车距离变异系数用于描述交通流的连续性状态。
在一个实施例中，根据车辆GPS数据中的车辆数据和车辆位置计算跟车距离变异系数具体包括以下步骤：根据车辆位置计算跟车距离，根据车辆数量和跟车距离计算跟车距离变异系数。
S206，确定观测时长内的交通流离散度处于预设范围的第一比率。
其中，预设范围为交通状态中拥堵状态的衡量值，对于单个交通流离散度，若其处于该预设范围，则认为该交通流离散度对应的交通状态为拥堵；第一比率为观测时长内的各采样周期对应的交通流离散度中，交通流离散度处于预设范围的比率。
在一个实施例中，终端在计算出观测时长内各采样周期的交通流离散度之后，统计交通流离散度处于预设范围的命中次数，然后根据命中次数和观测时长对应的采样次数，计算出观测时长内交通流离散度处于预设范围的第一比率。其中第一比率为命中次数和采样次数的比值。
在一个实施例中，观测时长对应的采样次数计算过程包括以下步骤：获取观测时长对应的第一时长和采样周期对应的第二时长，然后根据第一时长和第二时长计算观测时长内的采样次数。其中，采样次数为第一时长和第二时长的比值。
S208，若第一比率大于比率阈值，则确定在观测时长内目标路段的交通状态为拥堵状态。
其中，比率阈值用于判断观测时长内目标路段的交通状态。
在一个实施例中，终端在确定出交通流离散度处于预设范围的第一比率之后，判断该第一比率是否大于比率阈值，若第一比率大于比率阈值，则确定在观测时长内目标路段的交通状态为拥堵状态，即交通流失衡状态；若第一比率小于比率阈值，则确定在观测时长内目标路段的交通状态为畅通状态，即交通流稳定状态。
在一个实施例中，终端在确定出观测时长内目标路段的交通状态为拥堵状态之后，根据该拥堵状态生成拥堵提示信息，并将该拥堵提示信息发送至目标终端，其中目标终端可以是用户车载终端，或者是用户手机终端。目标终端在接收到拥堵提示信息之后，对该拥堵信息进行显示，以便提醒用户合理安排自己的行驶路线。
在一个实施例中，终端在确定出观测时长内目标路段的交通状态为拥堵状态之后，将拥堵状态数据发送至目标终端，目标终端在接收到该拥堵状态数据之后，重新规划导航路线，并按照重新规划后的导航路线为用户提供导航服务。
作为一个示例对上述实施例进行说明。终端在获取到目标路段在观测时长内的车辆GPS数据之后，根据车辆数量和车辆速度计算速度变异系数，其中速度变异系数可通过下式求得：
Figure BDA0002478897840000091
其中，SCVl(t)为在采样t时刻路段l上对应的速度变异系数，SSDl(t)为在采样t时刻路段l上对应的所有车辆的速度标准差，
Figure BDA0002478897840000092
为在采样t时刻路段l上所有车辆的速度均值，
Figure BDA0002478897840000093
为在采样t时刻路段l上第i辆车的瞬时速度，nl(t)为在采样t时刻路段l上的车辆数量。采样t时刻具体可以是观测时间内的第j个采样周期对应的时刻。
终端在获取到目标路段在观测时长内的车辆GPS数据之后，根据车辆位置计算跟车距离，根据车辆数量和跟车距离计算跟车距离变异系数，其中跟车距离变异系数可通过下式求得：
Figure BDA0002478897840000101
其中，DCVl(t)为在采样t时刻路段l上对应的跟车距离变异系数，DSDl(t)为在采样t时刻路段l上对应的所有车辆的跟车距离标准差，
Figure BDA0002478897840000102
为在采样t时刻路段l上所有辆车的跟车距离均值，
Figure BDA0002478897840000103
为在采样t时刻路段l上第i辆车的跟车距离，nl(t)为在采样t时刻路段l上的车辆数量。采样t时刻具体可以是观测时间内的第j个采样周期对应的时刻。
终端在计算出速度变异系数和跟车距离变异系数之后，根据速度变异系数和跟车距离变异系数计算对应的交通流离散度，其中交通流离散度可通过下式求得：
TCVl(t)＝αSCVl(t)+(1-α)DCVl(t) (3)
其中，TCVl(t)为在采样t时刻路段l上对应的交通流离散度，α为速度变异系数对应的权重，1-α为跟车距离变异系数对应的权重。
终端在计算出各个采样周期对应的交通流离散度之后，统计各交通流离散度处于预设范围的命中次数，其中命中次数可以通过下式求得：
Figure BDA0002478897840000104
其中，Xn为在观测时长内交通流离散度TCVl(t)处于预设范围Q的，命中次数，Yn表示交通流离散度TCVl(t)是否处于预设范围Q，TCVl(t)处于预设范围Q时，对应的Yn为1，TCVl(t)非处于预设范围Q时，对应的Yn为0。
终端在计各交通流离散度处于预设范围的命中次数之后，根据命中次数和观测时长内的采样次数，计算交通流离散度处于预设范围的第一比率。其中第一比率可以通过下式求得：
Figure BDA0002478897840000111
其中，η为第一比率，m为采样次数，T为观测时长对应的第一时长，Tg为采样周期对应的第二时长。
终端在计算出第一比率η之后，判断第一比率是否大于比率阈值R，若是，则确定在观测时长内目标路段l的交通状态为拥堵状态；若否，则确定在观测时长内目标路段l的交通状态为畅通状态。其中，比率阈值R可以根据历史车辆GPS数据结合3σ准则确定进行确定，例如，根据3σ准则，则选取Q为(μ-σ,μ+σ)，对应的R为0.6826。
上述实施例中，终端通过获取目标路段在观测时长内采样所得的车辆GPS数据，然后根据车辆GPS数据计算观测时长内各采样周期的交通流离散度，确定观测时长内的交通流离散度处于预设范围的第一比率，根据第一比率准确的监测出各个路段的交通状态，其中，当第一比率大于比率阈值时，则确定在观测时长内目标路段的交通状态为拥堵状态，从而提高了道路状态监测的准确性。
在一个实施例中，终端接收到服务器返回的原始车辆GPS数据之后，对该原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据。其中，无效数据剔除处理过程如下：首先确定观测时长内的各采样周期的原始车辆GPS数据序列图，如图3所示，图中横坐标表示数据点所对应的采样周期，纵坐标表示数据点所对应的时间延迟，在确定原始车辆GPS数据的原始车辆GPS数据序列图后，根据该原始车辆GPS数据序列图，确定出所获取的原始车辆GPS数据中的无效数据，其中无效数据对应于原始车辆GPS数据序列图中的孤立数据点，通过对原始车辆GPS数据序列图中的孤立数据点进行剔除，即可剔除原始车辆GPS数据中的无效数据，得到车辆GPS数据序列图(如图4所示)。
对确定原始车辆GPS数据序列图中的孤立数据点进行说明。设图3所示的原始车辆GPS数据序列图对应的时间序列为D＝(d1,d2,d3,…,dn)，对于观测时长内的任意采样时间tk，若其对应的时间延迟dk满足公式(6)，则确定该数据点是数据序列中的孤立数据点。公式(6)如下：
Figure BDA0002478897840000121
其中，δ为时间延迟阈值，ε相邻采样时间的时间间隔阈值，δ、ε均大于0。对于观测时长两端点的采样时间t1和tn，若其对应的时间延迟d1和dn分别满足公式(7)和公式(8)，则确定该数据点是数据序列中的孤立数据点。公式(7)、公式(8)如下：
Figure BDA0002478897840000122
Figure BDA0002478897840000123
其中，σ为针对端点的时间延迟阈值，σ大于0。例如针对观测时长为5分钟的原始车辆GPS数据，可取δ为100s，σ为20s。
上述实施例中，终端通过获取目标路段在观测时长内采样所得的原始车辆GPS数据，对原始车辆GPS数据进行无效数据剔除处理，得到准确的车辆GPS数据，并根据该车辆GPS数据确定在观测时长内目标路段的交通状态，进而提高了道路状态监测的准确性。
在一个实施例中，上述交通状态监测方法还包括以下步骤：根据观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度，确定预测交通流离散度处于预设范围的第二比率；若第二比率大于比率阈值，则确定在目标观测时长内目标路段的交通状态为拥堵状态。
在一个实施例中，根据观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，具体包括以下步骤：将目标观测时长内各目标采样周期的交通流离散度输入交通流离散度预测模型，通过交通流离散度预测模型预测目标观测时长内各目标采样周期的交通流离散度，其中交通流离散度预测模型为自回归移动平均模型(ARMA模型)。
作为一个示例对上述实施例进行说明，终端在计算出观测时长内各采样周期的交通流离散度之后，将目标观测时长内各目标采样周期的交通流离散度输入交通流离散度预测模型，其中交通流离散度预测模型如下：
Figure BDA0002478897840000131
其中，上式称为(p,q)阶的自回归移动平均模型，记为ARMA(p,q)，α1,α2,...,αp为自回归系数，β1,β2,...,βq为移动平均系数，TCVl(t')为在预测采样t’时刻路段l上对应的预测交通流离散度，TCVl(t'-1)为与预测采样t’时刻相差一个采样周期采样的时刻路段l上对应的交通流离散度，通过上述交通流离散度预测模型可以一次预测出观测时长之后的第一个预测采样周期、第二个预测采样周期至第n个采样周期所对应的预测交通流离散度，从而预测出目标观测时长中的各个预测采样周期所对应的预测交通流离散度。
在一个实施例中，终端在预测出目标观测时长内目标路段的交通状态为拥堵状态，对目标路段对应路口的信号灯配时进行调整，并根据该拥堵状态生成拥堵提示信息，将该拥堵提示信息发送至目标终端。
上述实施例中，终端根据计算所得的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度，并确定目标观测时长内预测交通流离散度处于预设范围的第二比率，根据第二比率预测出各个路段的交通状态，其中，当第二比率大于比率阈值时，则确定在目标观测时长内目标路段的交通状态为拥堵状态，从而提高了交通状态预测的准确性。
在一个实施例中，如图5所示，提供了一种交通状态监测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S502，获取目标路段在观测时长内采样所得的原始车辆GPS数据。
S504，对原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据。
S506，根据车辆数量和车辆速度计算速度变异系数。
S508，根据车辆数量和车辆位置计算跟车距离变异系数。
S510，根据速度变异系数和跟车距离变异系数计算观测时长内各采样周期的交通流离散度。
S512，确定观测时长内的交通流离散度处于预设范围的第一比率。
S514，判断第一比率是否大于比率阈值。
若第一比率大于比率阈值，则执行S516，若第一小于第一比率阈值，则执行518。
S516，确定在观测时长内目标路段的交通状态为拥堵状态。
S518，确定在观测时长内目标路段的交通状态为流畅状态。
S520，根据观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度。
S522，确定目标观测时长内，预测交通流离散度处于预设范围的第二比率。
S524，判断第二比率是否大于比率阈值。
若第二比率大于比率阈值，则执行S526；若第二比率小于比率阈值，则执行S528。
S526，确定在目标观测时长内目标路段的交通状态为拥堵状态。
S528，确定在目标观测时长内目标路段的交通状态为流畅状态。
应该理解的是，虽然图2和5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和5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6所示，提供了一种交通状态监测装置，包括：数据获取模块602、交通流离散度计算模块604、比率确定模块606和交通状态确定模块608，其中：
数据获取模块602，用于获取目标路段在观测时长内采样所得的车辆GPS数据；
交通流离散度计算模块604，用于根据车辆GPS数据计算观测时长内各采样周期的交通流离散度；
比率确定模块606，用于确定观测时长内的交通流离散度处于预设范围的第一比率；
交通状态确定模块608，用于若第一比率大于比率阈值，则确定在观测时长内目标路段的交通状态为拥堵状态。
在一个实施例中，车辆GPS数据包括车辆数量、车辆速度和车辆位置，交通流离散度计算模块604，还用于：
根据车辆数量和车辆速度计算速度变异系数；
根据车辆数量和车辆位置计算跟车距离变异系数；
根据速度变异系数和跟车距离变异系数计算观测时长内各采样周期的交通流离散度。
在一个实施例中，交通流离散度计算模块604，还用于：
根据车辆位置计算跟车距离；
根据车辆数量和跟车距离计算跟车距离变异系数。
在一个实施例中，比率确定模块606，还用于：
获取观测时长对应的第一时长和采样周期对应的第二时长；
根据第一时长和第二时长计算在观测时长内的采样次数；
确定在观测时长内交通流离散度处于预设范围的命中次数；
根据采样次数和命中次数，计算在观测时长内交通流离散度处于预设范围的第一比率。
上述实施例中，终端通过获取目标路段在观测时长内采样所得的车辆GPS数据，然后根据车辆GPS数据计算观测时长内各采样周期的交通流离散度，确定观测时长内的交通流离散度处于预设范围的第一比率，根据第一比率准确的监测出各个路段的交通状态，其中，当第一比率大于比率阈值时，则确定在观测时长内目标路段的交通状态为拥堵状态，从而提高了道路状态监测的准确性。
在一个实施例中，数据获取模块602，还用于：
获取目标路段在观测时长内采样所得的原始车辆GPS数据；
对原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据。
上述实施例中，终端通过获取目标路段在观测时长内采样所得的原始车辆GPS数据，对原始车辆GPS数据进行无效数据剔除处理，得到准确的车辆GPS数据，并根据该车辆GPS数据确定在观测时长内目标路段的交通状态，进而提高了道路状态监测的准确性。
在一个实施例中，如图7所示，装置还包括：交通流离散度预测模块610，其中：
交通流离散度预测模块610，用于根据观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度；
比率确定模块606，还用于确定目标观测时长内的预测交通流离散度处于预设范围的第二比率；
交通状态确定模608块，还用于若第二比率大于比率阈值，则确定在目标观测时长内目标路段的交通状态为拥堵状态。
在一个实施例中，交通流离散度预测模块610，还用于：
将观测时长内各采样周期的交通流离散度输入交通流离散度预测模型；交通流离散度预测模型为自回归移动平均模型；
通过交通流离散度预测模型预测目标观测时长内各目标采样周期的交通流离散度。
上述实施例中，终端根据计算所得的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度，并确定目标观测时长内预测交通流离散度处于预设范围的第二比率，根据第二比率预测出各个路段的交通状态，其中，当第二比率大于比率阈值时，则确定在目标观测时长内目标路段的交通状态为拥堵状态，从而提高了交通状态预测的准确性。
在一个实施例中，如图7所示，装置还包括：信号灯配时模块612，其中：
信号灯配时模块612，用于根据在目标观测时长内目标路段的交通状态为拥堵状态，对目标路段对应路口的信号灯配时进行调整。
在一个实施例中，如图7所示，装置还包括：提示信息生成模块614和提示信息发送模块616，其中：
提示信息生成模块614，用于根据在观测时长内目标路段的交通状态为拥堵状态生成拥堵提示信息；拥堵提示信息用于提示目标路段发生拥堵；
提示信息发送模块616，用于将拥堵提示信息发送至目标终端。
上述实施例中，终端在确定出目标路段的交通状态之后，根据交通状态执行对应的操作，如调节信号灯配时或者进行相应的提示等，从而缓解了交通拥堵状态。
关于交通状态监测装置的具体限定可以参见上文中对于交通状态监测方法的限定，在此不再赘述。上述交通状态监测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终端，其内部结构图可以如图8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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种交通状态监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8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，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：获取目标路段在观测时长内采样所得的车辆GPS数据；根据车辆GPS数据计算观测时长内各采样周期的交通流离散度；确定观测时长内的交通流离散度处于预设范围的第一比率；若第一比率大于比率阈值，则确定在观测时长内目标路段的交通状态为拥堵状态。
在一个实施例中，处理器执行获取目标路段在观测时长内采样所得的车辆GPS数据步骤的计算机程序时，具体实现以下步骤：获取目标路段在观测时长内采样所得的原始车辆GPS数据；对原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据。
在一个实施例中，车辆GPS数据包括车辆数量、车辆速度和车辆位置，处理器执行根据车辆GPS数据计算观测时长内各采样周期的交通流离散度步骤的计算机程序时，具体实现以下步骤：根据车辆数量和车辆速度计算速度变异系数；根据车辆数量和车辆位置计算跟车距离变异系数；根据速度变异系数和跟车距离变异系数计算观测时长内各采样周期的交通流离散度。
在一个实施例中，处理器执行根据车辆数量和车辆位置计算跟车距离变异系数步骤的计算机程序时，具体实现以下步骤：根据车辆位置计算跟车距离；根据车辆数量和跟车距离计算跟车距离变异系数。
在一个实施例中，处理器执行确定观测时长内的交通流离散度处于预设范围的第一比率步骤的计算机程序时，具体实现以下步骤：获取观测时长对应的第一时长和采样周期对应的第二时长；根据第一时长和第二时长计算在观测时长内的采样次数；确定在观测时长内交通流离散度处于预设范围的命中次数；根据采样次数和命中次数，计算在观测时长内交通流离散度处于预设范围的第一比率。
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：根据观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度；确定预测交通流离散度处于预设范围的第二比率；若第二比率大于比率阈值，则确定在目标观测时长内目标路段的交通状态为拥堵状态。
在一个实施例中，处理器执行根据观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度步骤的计算机程序时，具体实现以下步骤：将观测时长内各采样周期的交通流离散度输入交通流离散度预测模型；交通流离散度预测模型为自回归移动平均模型；通过交通流离散度预测模型预测目标观测时长内各目标采样周期的交通流离散度。
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：根据在目标观测时长内目标路段的交通状态为拥堵状态，对目标路段对应路口的信号灯配时进行调整。
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：根据在观测时长内目标路段的交通状态为拥堵状态生成拥堵提示信息；拥堵提示信息用于提示目标路段发生拥堵；将拥堵提示信息发送至目标终端。
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：获取目标路段在观测时长内采样所得的车辆GPS数据；根据车辆GPS数据计算观测时长内各采样周期的交通流离散度；确定观测时长内的交通流离散度处于预设范围的第一比率；若第一比率大于比率阈值，则确定在观测时长内目标路段的交通状态为拥堵状态。
在一个实施例中，计算机程序被处理器执行获取目标路段在观测时长内采样所得的车辆GPS数据的步骤时，使得处理器具体执行以下步骤：获取目标路段在观测时长内采样所得的原始车辆GPS数据；对原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据。
在一个实施例中，车辆GPS数据包括车辆数量、车辆速度和车辆位置，计算机程序被处理器执行根据车辆GPS数据计算观测时长内各采样周期的交通流离散度的步骤时，使得处理器具体执行以下步骤：根据车辆数量和车辆速度计算速度变异系数；根据车辆数量和车辆位置计算跟车距离变异系数；根据速度变异系数和跟车距离变异系数计算观测时长内各采样周期的交通流离散度。
在一个实施例中，计算机程序被处理器执行根据车辆数量和车辆位置计算跟车距离变异系数的步骤时，使得处理器具体执行以下步骤：根据车辆位置计算跟车距离；根据车辆数量和跟车距离计算跟车距离变异系数。
在一个实施例中，计算机程序被处理器执行确定观测时长内的交通流离散度处于预设范围的第一比率的步骤时，使得处理器具体执行以下步骤：获取观测时长对应的第一时长和采样周期对应的第二时长；根据第一时长和第二时长计算在观测时长内的采样次数；确定在观测时长内交通流离散度处于预设范围的命中次数；根据采样次数和命中次数，计算在观测时长内交通流离散度处于预设范围的第一比率。
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：根据观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度；确定预测交通流离散度处于预设范围的第二比率；若第二比率大于比率阈值，则确定在目标观测时长内目标路段的交通状态为拥堵状态。
在一个实施例中，计算机程序被处理器执行根据观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度的步骤时，使得处理器具体执行以下步骤：将观测时长内各采样周期的交通流离散度输入交通流离散度预测模型；交通流离散度预测模型为自回归移动平均模型；通过交通流离散度预测模型预测目标观测时长内各目标采样周期的交通流离散度。
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：根据在目标观测时长内目标路段的交通状态为拥堵状态，对目标路段对应路口的信号灯配时进行调整。
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：根据在观测时长内目标路段的交通状态为拥堵状态生成拥堵提示信息；拥堵提示信息用于提示目标路段发生拥堵；将拥堵提示信息发送至目标终端。
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 (12)

1.一种交通状态监测方法，其特征在于，所述方法包括：
获取目标路段在观测时长内采样所得的车辆GPS数据；
根据所述车辆GPS数据计算所述观测时长内各采样周期的交通流离散度；
确定所述观测时长内的所述交通流离散度处于预设范围的第一比率；
若所述第一比率大于比率阈值，则确定在所述观测时长内所述目标路段的交通状态为拥堵状态。
2.根据权利要求1所述的方法，其特征在于，所述获取目标路段在观测时长内采样所得的车辆GPS数据，包括：
获取目标路段在观测时长内采样所得的原始车辆GPS数据；
对所述原始车辆GPS数据进行无效数据剔除处理，得到车辆GPS数据。
3.根据权利要求1所述的方法，其特征在于，所述车辆GPS数据包括车辆数量、车辆速度和车辆位置，所述根据所述车辆GPS数据计算所述观测时长内各采样周期的交通流离散度，包括：
根据所述车辆数量和所述车辆速度计算速度变异系数；
根据所述车辆数量和所述车辆位置计算跟车距离变异系数；
根据所述速度变异系数和所述跟车距离变异系数计算所述观测时长内各采样周期的交通流离散度。
4.根据权利要求3所述的方法，其特征在于，所述根据所述车辆数量和所述车辆位置计算跟车距离变异系数，包括：
根据所述车辆位置计算跟车距离；
根据所述车辆数量和所述跟车距离计算跟车距离变异系数。
5.根据权利要求1所述的方法，其特征在于，所述确定所述观测时长内的所述交通流离散度处于预设范围的第一比率，包括：
获取所述观测时长对应的第一时长和所述采样周期对应的第二时长；
根据所述第一时长和所述第二时长计算在所述观测时长内的采样次数；
确定在所述观测时长内所述交通流离散度处于所述预设范围的命中次数；
根据所述采样次数和所述命中次数，计算在所述观测时长内所述交通流离散度处于预设范围的第一比率。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，得到预测交通流离散度；
确定所述目标观测时长内的所述预测交通流离散度处于所述预设范围的第二比率；
若所述第二比率大于所述比率阈值，则确定在所述目标观测时长内所述目标路段的交通状态为拥堵状态。
7.根据权利要求6所述的方法，其特征在于，所述根据所述观测时长内各采样周期的交通流离散度，预测目标观测时长内各目标采样周期的交通流离散度，包括：
将所述观测时长内各采样周期的交通流离散度输入交通流离散度预测模型；所述交通流离散度预测模型为自回归移动平均模型；
通过所述交通流离散度预测模型预测所述目标观测时长内各目标采样周期的交通流离散度。
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据在所述目标观测时长内所述目标路段的交通状态为拥堵状态，对所述目标路段对应路口的信号灯配时进行调整。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据在所述观测时长内所述目标路段的交通状态为拥堵状态生成拥堵提示信息；所述拥堵提示信息用于提示所述目标路段发生拥堵；
将所述拥堵提示信息发送至目标终端。
10.一种交通状态监测装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标路段在观测时长内采样所得的车辆GPS数据；
交通流离散度计算模块，用于根据所述车辆GPS数据计算所述观测时长内各采样周期的交通流离散度；
比率确定模块，用于确定所述观测时长内的所述交通流离散度处于预设范围的第一比率；
交通状态确定模块，用于若所述第一比率大于比率阈值，则确定在所述观测时长内所述目标路段的交通状态为拥堵状态。
11.一种计算机设备，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9中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，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9中任一项所述的方法的步骤。
CN202010372669.9A 2020-05-06 2020-05-06 交通状态监测方法、装置、计算机设备和可读存储介质 Active CN113628434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010372669.9A CN113628434B (zh) 2020-05-06 2020-05-06 交通状态监测方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010372669.9A CN113628434B (zh) 2020-05-06 2020-05-06 交通状态监测方法、装置、计算机设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN113628434A true CN113628434A (zh) 2021-11-09
CN113628434B CN113628434B (zh) 2022-11-15

Family

ID=78376471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010372669.9A Active CN113628434B (zh) 2020-05-06 2020-05-06 交通状态监测方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN113628434B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101046919A (zh) * 2006-10-12 2007-10-03 华南理工大学 基于交通流相特征的城市交通系统状态可视化评价方法及其应用
CN103473928A (zh) * 2013-09-24 2013-12-25 重庆大学 基于rfid技术的城市交通拥堵判别方法
CN103956050A (zh) * 2012-09-06 2014-07-30 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN106067248A (zh) * 2016-05-30 2016-11-02 重庆大学 一种考虑速度离散特性的高速公路交通状态估计方法
WO2017166474A1 (zh) * 2016-03-29 2017-10-05 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN107564276A (zh) * 2017-07-06 2018-01-09 重庆大学 一种基于交通状态突变的交通事件检测方法
US20180261083A1 (en) * 2016-05-13 2018-09-13 Tencent Technology (Shenzhen) Company Limited Method and apparatus for obtaining signal light duration data
CN109658697A (zh) * 2019-01-07 2019-04-19 平安科技（深圳）有限公司 交通拥堵的预测方法、装置和计算机设备
CN110264715A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于路段突发拥堵分析的交通事件检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101046919A (zh) * 2006-10-12 2007-10-03 华南理工大学 基于交通流相特征的城市交通系统状态可视化评价方法及其应用
CN103956050A (zh) * 2012-09-06 2014-07-30 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN103473928A (zh) * 2013-09-24 2013-12-25 重庆大学 基于rfid技术的城市交通拥堵判别方法
WO2017166474A1 (zh) * 2016-03-29 2017-10-05 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
US20180261083A1 (en) * 2016-05-13 2018-09-13 Tencent Technology (Shenzhen) Company Limited Method and apparatus for obtaining signal light duration data
CN106067248A (zh) * 2016-05-30 2016-11-02 重庆大学 一种考虑速度离散特性的高速公路交通状态估计方法
CN107564276A (zh) * 2017-07-06 2018-01-09 重庆大学 一种基于交通状态突变的交通事件检测方法
CN109658697A (zh) * 2019-01-07 2019-04-19 平安科技（深圳）有限公司 交通拥堵的预测方法、装置和计算机设备
CN110264715A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于路段突发拥堵分析的交通事件检测方法

Also Published As

Publication number Publication date
CN113628434B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
KR101982159B1 (ko) 카테고리별로 구분된 유동인구 정보를 이용한 유동인구 측정 방법
US9872125B2 (en) Data collection and management system, data collection and management method, terminal, and management apparatus
CN110942625B (zh) 基于现实路径流量回溯调节的动态od估计方法及装置
EP3045001B1 (en) Methods, wireless device and network node for managing positioning method based on prediction
Mazaré et al. Trade-offs between inductive loops and GPS probe vehicles for travel time estimation: A Mobile Century case study
CN104601604B (zh) 网络安全态势分析方法
CN112434260B (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
Erkan et al. Bluetooth as a traffic sensor for stream travel time estimation under Bogazici Bosporus conditions in Turkey
Li et al. Travel time reliability measure based on predictability using the Lempel–Ziv algorithm
Stipancic et al. Impact of congestion and traffic flow on crash frequency and severity: application of smartphone-collected GPS travel data
CN111667689B (zh) 车辆旅行时间预测的方法、设备和计算机设备
CN111626519A (zh) 一种航班到达时间预测方法、装置和电子设备
KR20170062178A (ko) 교통 상황 예측 서버 및 방법
Gore et al. Congestion index and reliability-based freeway level of service
CN112734242A (zh) 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端
CN111721312B (zh) 一种运行轨迹生成方法和装置
Abidin et al. Integrating Twitter traffic information with Kalman filter models for public transportation vehicle arrival time prediction
Fahs et al. Traffic congestion prediction based on multivariate modelling and neural networks regressions
CN113628434B (zh) 交通状态监测方法、装置、计算机设备和可读存储介质
CN113256405A (zh) 欺诈用户集中区域的预测方法、装置、设备及存储介质
Zhang et al. Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model
Vu et al. Bus running time prediction using a statistical pattern recognition technique
CN115482655B (zh) 一种基于偏最小二乘Kriging模型的路径诱导方法
CN111189533A (zh) 外力入侵监测方法、装置、计算机设备和存储介质
CN114512001B (zh) 区域交通监测方法、装置、电子设备、介质及程序产品

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