CN113643535A - 基于智慧城市的道路交通预测方法、装置、设备及介质 - Google Patents

基于智慧城市的道路交通预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN113643535A
CN113643535A CN202110881295.8A CN202110881295A CN113643535A CN 113643535 A CN113643535 A CN 113643535A CN 202110881295 A CN202110881295 A CN 202110881295A CN 113643535 A CN113643535 A CN 113643535A
Authority
CN
China
Prior art keywords
probability
vehicle
time
road section
point
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
CN202110881295.8A
Other languages
English (en)
Other versions
CN113643535B (zh
Inventor
钱文光
方光平
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.)
Hybrid Technology Zhejiang Co ltd
Original Assignee
Baofangyun Technology Zhejiang 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 Baofangyun Technology Zhejiang Co ltd filed Critical Baofangyun Technology Zhejiang Co ltd
Priority to CN202110881295.8A priority Critical patent/CN113643535B/zh
Publication of CN113643535A publication Critical patent/CN113643535A/zh
Application granted granted Critical
Publication of CN113643535B publication Critical patent/CN113643535B/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
    • 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

Abstract

本发明公开了一种基于智慧城市的道路交通状况预测方法、装置、设备及介质，方法包括：接收用户通过用户终端输入的起始点以及目的地点，并根据所述起始点以及所述目的地点生成最优行驶路线；获取所述最优行驶路线上的易堵塞路段以及用户到达所述易堵塞路段的预计时间点；获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列；根据所述汽车分布序列以及当前的天气特征预测所述易阻塞路段在各个时间单元内的塞车概率；根据各个时间单元内的塞车概率，计算所述预计时间点时所述易阻塞路段的塞车总概率，并将所述塞车总概率反馈给用户终端；接收用户基于所述塞车总概率的反馈，所述反馈包括继续使用所述最优行驶路线或者更换行驶路线。

Description

基于智慧城市的道路交通预测方法、装置、设备及介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于智慧城市的道路交通预测方法、装置、设备及介质。
背景技术
智慧城市是把新一代信息技术充分运用在城市中各行各业基于知识社会下一代创新的城市信息化高级形态，其实现信息化、工业化与城镇化深度融合，有助于缓解“大城市病”，提高城镇化质量，实现精细化和动态管理，并提升城市管理成效和改善市民生活质量。
出行是每个用户都必不可少的行为，随着社会的进步，越来越多的用户都通过汽车的方式出行，其在给用户带来便利的前提下，同时也增加了交通堵塞的可能性，而严重的交通堵塞无疑会大大影响到用户的出行体验感以及生活质量。
发明内容
针对上述问题，本发明实施例的目的在于提供一种基于智慧城市的道路交通状况预测方法、装置、设备及介质，以改善上述问题。
本发明实施例提供了一种基于智慧城市的道路交通状况预测方法，其包括：
接收用户通过用户终端输入的起始点以及目的地点，并根据所述起始点以及所述目的地点生成最优行驶路线；
获取所述最优行驶路线上的易堵塞路段以及用户到达所述易堵塞路段的预计时间点；
获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列；所述汽车分布序列包括为在各个时间单元内通过所述易堵塞路段的汽车数量；
根据所述汽车分布序列以及当前的天气特征预测所述易阻塞路段在各个时间单元内的塞车概率；
根据各个时间单元内的塞车概率，计算所述预计时间点时所述易阻塞路段的塞车总概率，并将所述塞车总概率反馈给用户终端；以及
接收用户基于所述塞车总概率的反馈，所述反馈包括继续使用所述最优行驶路线或者更换行驶路线。
优选地，获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列，具体为：
将当前时间到所述预计时间点划分为多个时间单元；
获取反馈为继续使用所述最优行驶路线的所有用户及其到达所述易堵塞点的预计时间；
根据各个用户的预计时间计算在各个时间单元内到达所述易堵塞点的汽车数量，进而根据各个时间单元的汽车数量生成汽车分布序列。
优选地，根据所述汽车分布序列以及当前的天气预测所述易阻塞路段在各个时间单元内的塞车概率，具体为：
获取当前天气特征及其对应的概率映射表；其中，所述概率映射表定义了时间单元内的汽车通过数量及其对应的塞车概率。
优选地，根据各个时间单元内的塞车概率，计算所述预计时间点的塞车总概率，并将所述塞车总概率反馈给用户终端，具体包括：
获取所述预计时间点所在的目标时间单元以及前N个时间单元的塞车概率；
根据这N+1个时间单元的塞车概率以及其配置的权重，计算得到塞车总概率；其中，相距时间越远的时间单元的权重越小；
将所述塞车总概率反馈给用户终端。
优选地，还包括：
根据用户使用的地图软件的市场占有率，对所述汽车分布序列中，各个时间单元内通过所述易堵塞路段的汽车数量进行修正。
本发明实施例还提供了一种基于智慧城市的道路交通状况预测装置，其包括：
路线生成单元，用于接收用户通过用户终端输入的起始点以及目的地点，并根据所述起始点以及所述目的地点生成最优行驶路线；
时间点预计单元，用于获取所述最优行驶路线上的易堵塞路段以及用户到达所述易堵塞路段的预计时间点；
序列生成单元，用于获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列；所述汽车分布序列包括为在各个时间单元内通过所述易堵塞路段的汽车数量；
塞车概率计算单元，用于根据所述汽车分布序列以及当前的天气特征预测所述易阻塞路段在各个时间单元内的塞车概率；
塞车总概率计算单元，用于根据各个时间单元内的塞车概率，计算所述预计时间点时所述易阻塞路段的塞车总概率，并将所述塞车总概率反馈给用户终端；以及
反馈接单元，用于接收用户基于所述塞车总概率的反馈，所述反馈包括继续使用所述最优行驶路线或者更换行驶路线。
优选地，序列生成单元，具体用于：
将当前时间到所述预计时间点划分为多个时间单元；
获取反馈为继续使用所述最优行驶路线的所有用户及其到达所述易堵塞点的预计时间；
根据各个用户的预计时间计算在各个时间单元内到达所述易堵塞点的汽车数量，进而根据各个时间单元的汽车数量生成汽车分布序列。
优选地，塞车概率计算单元具体用于：
获取当前天气特征及其对应的概率映射表；其中，所述概率映射表定义了时间单元内的汽车通过数量及其对应的塞车概率。
本发明实施例还提供了一种基于智慧城市的道路交通预测设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的基于智慧城市的道路交通预测方法。
本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上述的基于智慧城市的道路交通预测方法。
综上所述，本实施例中，可以通过收集用户的行驶路线的选择来预计某个时间点某个路段的塞车总概率，从而为用户的出行提供参考，并且如果某个路段的塞车总概率较高，也可以潜在的引导用户使用其他的行驶路线，进而较低了塞车的概率，保证交通的正常运行。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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的附图。
图1是本发明第一实施例提供的基于智慧城市的道路交通状况预测方法的流程示意图。
图2是本发明第二实施例提供的基于智慧城市的道路交通状况预测装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
请参阅图1，本发明第一实施例提供了一种基于智慧城市的道路交通状况预测方法，其可由基于智慧城市的道路交通状况预测设备(以下简称预测设备)来执行，特别的，由所述预测设备内的一个或者多个处理器来执行，以实现如下步骤：
S101，接收用户通过用户终端输入的起始点以及目的地点，并根据所述起始点以及所述目的地点生成最优行驶路线。
在本实施例中，所述预测设备可为位于云端的服务器，其中，用户的用户终端上可安装有相应的地图软件或者导航软件，并可通过这些软件访问所述预测设备。
例如，用户目前的起始点为A，其目的地点位B，则用户通过地图软件输入起始点A和目的地点B后，预测设备即可以生成从A到B的最优行驶路线。其中，最优行驶路线可能为用时最短的路线、距离最短的路线或者经过红绿灯最少的路线，具体视用户的设置而定。
S102，获取所述最优行驶路线上的易堵塞路段以及用户到达所述易堵塞路段的预计时间点。
在本实施例中，由于一些特定的原因，存在一些易堵塞路段，例如多个道路的交汇路段、弯折度大的路段等，这些路段在预测设备中可被标记为易堵塞路段。
在本实施例中，预计时间点的计算目前大多数地图软件都有提供，本发明在此不做赘述。
S103，获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列；所述汽车分布序列包括为在各个时间单元内通过所述易堵塞路段的汽车数量。
在本实施例中，具体地，由于预测设备可以收集到使用该地图软件的所有用户的出行信息，再根据每个用户到达易堵塞路段的预计时间点，因此其可以获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列。
例如，假设每个时间单元为1分钟，用户出发时间为9:00，预计时间点位9:12分，则汽车分布序列将会包含有12个时间单元的汽车数量。
其中，考虑到并非每个用户都会使用同一个地图软件，因此还需要根据地图软件的市场占有率对每个时间单元的汽车数量进行修正。
例如，假设预测设备收集到使用地图软件在9:05分通过易堵塞路段的汽车数量为100，而地图软件的市场占有率为25％，则修正后的汽车数量为400。
S104，根据所述汽车分布序列以及当前的天气特征预测所述易阻塞路段在各个时间单元内的塞车概率。
具体地，所述预测设备可以获取当前天气特征及其对应的概率映射表；其中，所述概率映射表定义了时间单元内的汽车通过数量及其对应的塞车概率。如此，所述预测设备就可以获取到在各个时间单元内的塞车概率。
其中，概率映射表可通过大数据的分析或者大量的数据分析形成。
S105，根据各个时间单元内的塞车概率，计算所述预计时间点时所述易阻塞路段的塞车总概率，并将所述塞车总概率反馈给用户终端。
在本实施例中，各个时间单元的塞车概率并非是独立的，而是相关的。例如，在9：05分发生了塞车，则其必然会导致后续的塞车，因此还需要根据各个时间单元内的塞车概率，计算所述预计时间点时所述易阻塞路段的塞车总概率。
在本实施例中，考虑到历史时刻的塞车概率的影响，塞车总概率通过滑动平均法来计算获得。
例如，某一个时间T的塞车总概率P＝PT+wT-1*PT-1+wT-2*PT-2+…+wT-N*PT-N。
其中，PT、PT-1分别为T和T-1时刻的塞车概率，通过概率映射表获得，wT-i为T-i时刻分配的权重，i越大说明其离T时刻越远，对T时刻的影响也越小，因此其权重也越小。
在本实施例中，N和每个历史时刻的权重可根据实际需要设定，例如N可选取为10，即至考虑最近的10个时间单元的影响，另外，权重之和为小于1的数，并不一定需要等于1。
S106，接收用户基于所述塞车总概率的反馈，所述反馈包括继续使用所述最优行驶路线或者更换行驶路线。
在本实施例中，所述预测设备在计算得到塞车总概率后，其将在到达预计时间点时的塞车总概率发送给用户，用户在获取到该塞车总概率后，可以自主的选择是否需要更换行驶路线。同时用户的选择也将会作为数据的一部分做后续的计算。
综上所述，本实施例中，可以通过收集用户的行驶路线的选择来预计某个时间点某个路段的塞车总概率，从而为用户的出行提供参考，并且如果某个路段的塞车总概率较高，也可以潜在的引导用户使用其他的行驶路线，进而较低了塞车的概率，保证交通的正常运行。
请参阅图2，本发明第二实施例还提供了一种基于智慧城市的道路交通状况预测装置，其包括：
路线生成单元210，用于接收用户通过用户终端输入的起始点以及目的地点，并根据所述起始点以及所述目的地点生成最优行驶路线；
时间点预计单元220，用于获取所述最优行驶路线上的易堵塞路段以及用户到达所述易堵塞路段的预计时间点；
序列生成单元230，用于获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列；所述汽车分布序列包括为在各个时间单元内通过所述易堵塞路段的汽车数量；
塞车概率计算单元240，用于根据所述汽车分布序列以及当前的天气特征预测所述易阻塞路段在各个时间单元内的塞车概率；
塞车总概率计算单元250，用于根据各个时间单元内的塞车概率，计算所述预计时间点时所述易阻塞路段的塞车总概率，并将所述塞车总概率反馈给用户终端；以及
反馈接单元260，用于接收用户基于所述塞车总概率的反馈，所述反馈包括继续使用所述最优行驶路线或者更换行驶路线。
优选地，序列生成单元230具体用于：
将当前时间到所述预计时间点划分为多个时间单元；
获取反馈为继续使用所述最优行驶路线的所有用户及其到达所述易堵塞点的预计时间；
根据各个用户的预计时间计算在各个时间单元内到达所述易堵塞点的汽车数量，进而根据各个时间单元的汽车数量生成汽车分布序列。
优选地，塞车概率计算单元240具体用于：
获取当前天气特征及其对应的概率映射表；其中，所述概率映射表定义了时间单元内的汽车通过数量及其对应的塞车概率。
本发明第三实施例还提供了一种基于智慧城市的道路交通预测设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的基于智慧城市的道路交通预测方法。
本发明第四实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上述的基于智慧城市的道路交通预测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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)

1.一种基于智慧城市的道路交通状况预测方法，其特征在于，包括：
接收用户通过用户终端输入的起始点以及目的地点，并根据所述起始点以及所述目的地点生成最优行驶路线；
获取所述最优行驶路线上的易堵塞路段以及用户到达所述易堵塞路段的预计时间点；
获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列；所述汽车分布序列包括为在各个时间单元内通过所述易堵塞路段的汽车数量；
根据所述汽车分布序列以及当前的天气特征预测所述易阻塞路段在各个时间单元内的塞车概率；
根据各个时间单元内的塞车概率，计算所述预计时间点时所述易阻塞路段的塞车总概率，并将所述塞车总概率反馈给用户终端；以及
接收用户基于所述塞车总概率的反馈，所述反馈包括继续使用所述最优行驶路线或者更换行驶路线。
2.根据权利要求1所述的基于智慧城市的道路交通预测方法，其特征在于，获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列，具体为：
将当前时间到所述预计时间点划分为多个时间单元；
获取反馈为继续使用所述最优行驶路线的所有用户及其到达所述易堵塞点的预计时间；
根据各个用户的预计时间计算在各个时间单元内到达所述易堵塞点的汽车数量，进而根据各个时间单元的汽车数量生成汽车分布序列。
3.根据权利要求1所述的基于智慧城市的道路交通预测方法，其特征在于，根据所述汽车分布序列以及当前的天气预测所述易阻塞路段在各个时间单元内的塞车概率，具体为：
获取当前天气特征及其对应的概率映射表；其中，所述概率映射表定义了时间单元内的汽车通过数量及其对应的塞车概率。
4.根据权利要求1所述的基于智慧城市的道路交通预测方法，其特征在于，根据各个时间单元内的塞车概率，计算所述预计时间点的塞车总概率，并将所述塞车总概率反馈给用户终端，具体包括：
获取所述预计时间点所在的目标时间单元以及前N个时间单元的塞车概率；
根据这N+1个时间单元的塞车概率以及其配置的权重，计算得到塞车总概率；其中，相距时间越远的时间单元的权重越小；
将所述塞车总概率反馈给用户终端。
5.根据权利要求4所述的基于智慧城市的道路交通预测方法，其特征在于，还包括：
根据用户使用的地图软件的市场占有率，对所述汽车分布序列中，各个时间单元内通过所述易堵塞路段的汽车数量进行修正。
6.一种基于智慧城市的道路交通状况预测装置，其特征在于，包括：
路线生成单元，用于接收用户通过用户终端输入的起始点以及目的地点，并根据所述起始点以及所述目的地点生成最优行驶路线；
时间点预计单元，用于获取所述最优行驶路线上的易堵塞路段以及用户到达所述易堵塞路段的预计时间点；
序列生成单元，用于获取到达所述预定时间点之间，通过所述易堵塞路段的汽车分布序列；所述汽车分布序列包括为在各个时间单元内通过所述易堵塞路段的汽车数量；
塞车概率计算单元，用于根据所述汽车分布序列以及当前的天气特征预测所述易阻塞路段在各个时间单元内的塞车概率；
塞车总概率计算单元，用于根据各个时间单元内的塞车概率，计算所述预计时间点时所述易阻塞路段的塞车总概率，并将所述塞车总概率反馈给用户终端；以及
反馈接单元，用于接收用户基于所述塞车总概率的反馈，所述反馈包括继续使用所述最优行驶路线或者更换行驶路线。
7.根据权利要求6所述的基于智慧城市的道路交通预测装置，其特征在于，序列生成单元，具体用于：
将当前时间到所述预计时间点划分为多个时间单元；
获取反馈为继续使用所述最优行驶路线的所有用户及其到达所述易堵塞点的预计时间；
根据各个用户的预计时间计算在各个时间单元内到达所述易堵塞点的汽车数量，进而根据各个时间单元的汽车数量生成汽车分布序列。
8.根据权利要求6所述的基于智慧城市的道路交通预测装置，其特征在于，塞车概率计算单元具体用于：
获取当前天气特征及其对应的概率映射表；其中，所述概率映射表定义了时间单元内的汽车通过数量及其对应的塞车概率。
9.一种基于智慧城市的道路交通预测设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1至5任意一项所述的基于智慧城市的道路交通预测方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如权利要求1至5任意一项所述的基于智慧城市的道路交通预测方法。
CN202110881295.8A 2021-08-02 2021-08-02 基于智慧城市的道路交通预测方法、装置、设备及介质 Active CN113643535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110881295.8A CN113643535B (zh) 2021-08-02 2021-08-02 基于智慧城市的道路交通预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110881295.8A CN113643535B (zh) 2021-08-02 2021-08-02 基于智慧城市的道路交通预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113643535A true CN113643535A (zh) 2021-11-12
CN113643535B CN113643535B (zh) 2023-02-21

Family

ID=78419345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110881295.8A Active CN113643535B (zh) 2021-08-02 2021-08-02 基于智慧城市的道路交通预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113643535B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187887A (zh) * 2023-03-09 2023-05-30 交通运输部规划研究院 一种交通分部门货物交流数据构建和追踪的方法

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208492A1 (en) * 2006-03-03 2007-09-06 Inrix, Inc. Dynamic time series prediction of future traffic conditions
CN103337167A (zh) * 2013-04-11 2013-10-02 沈怀信 城市道路预定分配确定终行驶路线,预防交通拥堵的方法
CN103971530A (zh) * 2014-05-27 2014-08-06 四川汇源吉迅数码科技有限公司 一种实时路径规划方法
CN104240499A (zh) * 2014-06-23 2014-12-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
CN105788335A (zh) * 2016-04-05 2016-07-20 广东欧珀移动通信有限公司 一种导航的方法及终端
CN106530694A (zh) * 2016-11-07 2017-03-22 深圳大学 一种基于交通拥堵传播模型的交通拥堵预测方法及系统
CN107045783A (zh) * 2017-05-19 2017-08-15 邱惠崧 一种基于约定出行的道路路网精准行车运行方法和系统
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
CN108364489A (zh) * 2017-12-29 2018-08-03 中兴智能交通股份有限公司 一种交通状态的判断方法和装置
CN108961761A (zh) * 2018-08-14 2018-12-07 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN109147325A (zh) * 2018-09-04 2019-01-04 广州视源电子科技股份有限公司 路况预测方法及装置、存储介质、处理器
CN109579861A (zh) * 2018-12-10 2019-04-05 华中科技大学 一种基于强化学习的路径导航方法及系统
CN110174893A (zh) * 2019-05-07 2019-08-27 重庆工程职业技术学院 一种无人驾驶控制方法、系统及车辆
CN110364010A (zh) * 2019-08-22 2019-10-22 三星电子（中国）研发中心 一种预测路况的导航方法及系统
CN110517492A (zh) * 2019-08-27 2019-11-29 中国科学院自动化研究所 基于平行集成学习的交通路径推荐方法、系统、装置
CN110751848A (zh) * 2019-10-24 2020-02-04 邓生毛 智能交通管理之主动干预系统
CN111275965A (zh) * 2020-01-20 2020-06-12 交通运输部科学研究院 一种基于互联网大数据的实时交通仿真分析系统与方法
CN111862583A (zh) * 2019-04-24 2020-10-30 北京嘀嘀无限科技发展有限公司 一种车流量预测方法及装置
CN112037518A (zh) * 2020-09-15 2020-12-04 浙江吉利控股集团有限公司 一种用于预测交通状态的计算方法、系统及车辆
CN112489433A (zh) * 2020-12-17 2021-03-12 华为技术有限公司 交通拥堵分析方法及装置
CN112785841A (zh) * 2020-12-25 2021-05-11 北京中交兴路信息科技有限公司 判断货车行驶路线拥堵状态的方法及装置

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208492A1 (en) * 2006-03-03 2007-09-06 Inrix, Inc. Dynamic time series prediction of future traffic conditions
CN103337167A (zh) * 2013-04-11 2013-10-02 沈怀信 城市道路预定分配确定终行驶路线,预防交通拥堵的方法
CN103971530A (zh) * 2014-05-27 2014-08-06 四川汇源吉迅数码科技有限公司 一种实时路径规划方法
CN104240499A (zh) * 2014-06-23 2014-12-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
CN105788335A (zh) * 2016-04-05 2016-07-20 广东欧珀移动通信有限公司 一种导航的方法及终端
CN106530694A (zh) * 2016-11-07 2017-03-22 深圳大学 一种基于交通拥堵传播模型的交通拥堵预测方法及系统
CN107045783A (zh) * 2017-05-19 2017-08-15 邱惠崧 一种基于约定出行的道路路网精准行车运行方法和系统
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
CN108364489A (zh) * 2017-12-29 2018-08-03 中兴智能交通股份有限公司 一种交通状态的判断方法和装置
CN108961761A (zh) * 2018-08-14 2018-12-07 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN109147325A (zh) * 2018-09-04 2019-01-04 广州视源电子科技股份有限公司 路况预测方法及装置、存储介质、处理器
CN109579861A (zh) * 2018-12-10 2019-04-05 华中科技大学 一种基于强化学习的路径导航方法及系统
CN111862583A (zh) * 2019-04-24 2020-10-30 北京嘀嘀无限科技发展有限公司 一种车流量预测方法及装置
CN110174893A (zh) * 2019-05-07 2019-08-27 重庆工程职业技术学院 一种无人驾驶控制方法、系统及车辆
CN110364010A (zh) * 2019-08-22 2019-10-22 三星电子（中国）研发中心 一种预测路况的导航方法及系统
CN110517492A (zh) * 2019-08-27 2019-11-29 中国科学院自动化研究所 基于平行集成学习的交通路径推荐方法、系统、装置
CN110751848A (zh) * 2019-10-24 2020-02-04 邓生毛 智能交通管理之主动干预系统
CN111275965A (zh) * 2020-01-20 2020-06-12 交通运输部科学研究院 一种基于互联网大数据的实时交通仿真分析系统与方法
CN112037518A (zh) * 2020-09-15 2020-12-04 浙江吉利控股集团有限公司 一种用于预测交通状态的计算方法、系统及车辆
CN112489433A (zh) * 2020-12-17 2021-03-12 华为技术有限公司 交通拥堵分析方法及装置
CN112785841A (zh) * 2020-12-25 2021-05-11 北京中交兴路信息科技有限公司 判断货车行驶路线拥堵状态的方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187887A (zh) * 2023-03-09 2023-05-30 交通运输部规划研究院 一种交通分部门货物交流数据构建和追踪的方法

Also Published As

Publication number Publication date
CN113643535B (zh) 2023-02-21

Similar Documents

Publication Publication Date Title
AU2020203551B2 (en) Dynamically determining origin and destination locations for a network system
CN110361024B (zh) 用于利用车辆组标识的动态车道级车辆导航的方法和系统
EP2473820B1 (en) Distributed traffic navigation using vehicular communication
US8150611B2 (en) System and methods for providing predictive traffic information
CN109642800B (zh) 路线探索方法及路线探索装置
EP4042297A1 (en) Method and system for risk determination of a route
US8954278B2 (en) Speed profile dictionary
JP5895926B2 (ja) 移動案内装置及び移動案内方法
EP3483557A1 (en) Methods and apparatuses for predicting a destination of a user's current travel path
EP2515284A1 (en) Predictive vehicular traffic management solution
CN113643535B (zh) 基于智慧城市的道路交通预测方法、装置、设备及介质
CN113532459A (zh) 一种预测式导航路线规划方法及系统
WO2016135647A1 (en) Systems and methods for managing networked vehicle resources
CN103730005A (zh) 一种路程行驶时间的预测方法和系统
WO2018097047A1 (ja) 交通制御システム、交通情報出力装置、交通制御方法、及び、記録媒体
SE540155C2 (en) Device and method for classification of road segment based on their suitability for platooning
Abou-Senna Congestion pricing strategies to investigate the potential of route diversion on toll facilities using en-route guidance
US11747153B1 (en) Apparatus and associated method for determining a travel itinerary
CN110211381B (zh) 交通线路分配方法及装置
Meuser et al. Relevance-aware information dissemination in vehicular networks
CN111854777B (zh) 导航路线行驶时间的更新方法、导航方法、系统及车辆
CN113611106A (zh) 基于智慧城市的道路交通状况预测方法、装置、设备
Meyers et al. Reliable real-time destination prediction
CN112304326A (zh) 出行路线规划方法、设备及存储介质
JP6915194B2 (ja) 経路探索システムおよび経路探索プログラム

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: 20230807

Address after: 314000 Building 512, North District 4, No. 2777 Renmin Avenue, Xucun Town, Haining City, Jiaxing City, Zhejiang Province (self declared)

Patentee after: Wenyuan new chain technology (Zhejiang) Co.,Ltd.

Address before: 314400-206, unit 1, building 2, North District, No. 2777, Renmin Avenue, Xucun Town, Haining City, Jiaxing City, Zhejiang Province

Patentee before: Baofangyun Technology (Zhejiang) Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230925

Address after: No. 199 Renmin Road, Jiangbei District, Ningbo City, Zhejiang Province, 315000, 16-2

Patentee after: Hybrid Technology (Zhejiang) Co.,Ltd.

Address before: 314000 Building 512, North District 4, No. 2777 Renmin Avenue, Xucun Town, Haining City, Jiaxing City, Zhejiang Province (self declared)

Patentee before: Wenyuan new chain technology (Zhejiang) Co.,Ltd.