CN113724490B - 一种道路拥堵检测的方法 - Google Patents
一种道路拥堵检测的方法 Download PDFInfo
- Publication number
- CN113724490B CN113724490B CN202110838777.5A CN202110838777A CN113724490B CN 113724490 B CN113724490 B CN 113724490B CN 202110838777 A CN202110838777 A CN 202110838777A CN 113724490 B CN113724490 B CN 113724490B
- Authority
- CN
- China
- Prior art keywords
- road
- congestion
- time
- clustering
- road section
- 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
- 238000001514 detection method Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 2
- 208000027744 congestion Diseases 0.000 description 47
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008092 positive effect Effects 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Analytical Chemistry (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于道路交通管理技术领域,公开了一种道路拥堵检测的方法,包括:确定一个速度阈值以及一个评分的阈值,获取某一时段经过某路段的机动车数量及相应机动车的速度;基于某个时间段内经过该路段机动车的速度计算路段对应的评分值,将评分值与评分阈值进行比较,判断路段发生拥堵的可能性;通过图模型将路段信息组织起来,对道路网络进行描述;通过异构信息网络聚类算法对网络中的表示道路的顶点进行聚类;对其他道路拥堵状况进行判断。本发明基于提取的拥堵路段的特征进行拥堵道路的确定,准确性好且时效强,进而可实现在路况变得非常拥堵前减少拥堵路段的驶入车辆,有效的缓解交通阻塞,提高汽车的通行效率和车主的用车体验。
Description
技术领域
本发明属于道路交通管理技术领域,尤其涉及一种道路拥堵检测的方法。
背景技术
目前,城市道路拥堵已成为城市交通治理重点关注的问题。目前,通常是根据路段拥堵时间的长短,来确定路段是否为常发拥堵路段,并由交通管理部门对常发拥堵路段进行拥堵治理。借助导航设备、导航应用等可以对日益拥堵的交通现状有一定的缓解作用,目前主要存在两种解决方案,第一种是:为用户规划一条前往目的地路程最短的路线;第二种是:结合当前的交通拥堵状况,为用户规划一条前往目的地耗时最短的路线。然而,第一种方案中只是给出了路程最短的路线,并没有考虑各个路段的实际拥堵状况以及下一个时间段的拥堵状况,很可能出现路程最短但耗时并不是最短的情况;第二种方案虽然是结合当前的交通拥堵状况规划出了一条耗时最短的路线,但是由于交通拥堵状况是会实时变化的,很可能规划的路线上的路段在下一个时间段就变为拥堵了,从而导致规划的路线并不一定是耗时最短的路线。可见,上述解决方案均无法对路段拥堵状况进行准确地预测,导致难以规划出快捷的驾驶路线。
通过上述分析,现有技术存在的问题及缺陷为:现有的确定拥堵路段的方法时效性不强,且预测结果不准确。
发明内容
针对现有技术存在的问题,本发明提供了一种道路拥堵检测的方法。
本发明是这样实现的,一种道路拥堵检测的方法,所述道路拥堵检测的方法包括:
步骤一,确定一个速度阈值s以及一个评分的阈值α;获取某一时段经过某路段的机动车数量及相应机动车的速度;
步骤二,基于某个时间段内经过该路段机动车的速度计算路段对应的评分值;在时间段(t,t+Δt)内经过路段ri的机动车数量为n,其中有k量机动车的速度小于速度阈值s;
步骤三,在获得路段ri在时间段(t,t+Δt)内的评分之后,将评分值与评分阈值进行比较,判断路段发生拥堵的可能性;
步骤四,通过图模型将路段信息组织起来,对道路网络进行描述;
步骤五,通过异构信息网络聚类算法对步骤四中描述的网络中的表示道路的顶点进行聚类;
步骤六,拥堵发现,当同一个簇中的某条道路发生了拥堵,那么同一个簇中的其他道路在未来也有发生拥堵的可能性。
进一步,步骤二中,所述在该时段中路段ri的拥堵评分的计算模型为:
进一步,所述将计算的拥堵评分与预设的评分阈值进行比较,预测路段发生拥堵的可能性包括:
若评分值大于或等于评分阈值,说明路段在特定的时间段内慢速行驶的机动车过多,有发生拥堵的可能性;若评分值小于评分阈值则说明路段的绝大部分机动车都是以正常的速度在行驶,发生拥堵的可能性较小。
进一步,所述步骤四中,图模型的顶点集合为RC={S1,S2,…,Sn,T1,T2,...,Tm},其中集合RC中的元素S1,...,Sn被用于表示不同的道路,每条道路都应当包含全局唯一的编号值ri;元素T1,...,Tm被用于表示不同的时间段,每个时间段的长度均为Δt。
进一步,所述图模型当中顶点之间的边是不同的,当某条边被用于连接道路和时间段,那么该边的权值就是该条道路在特定时间段内的拥堵评分;当某条边被用于连接两条道路,那么就表示这两条道路在空间上十分的接近,该边的权值为1;当某条边连接的两个顶点均为时间段,那么就表示这两个时间段在时间上非常的接近。
进一步,所述在道路网络中当某条道路出现拥堵状况时,具有以下特征:
首先,当道路发生拥堵,那么与该条道路相邻近的其他道路同样可能在该时间段内发生拥堵;
其次,发生拥堵的路段可能被检测到在多个时间段内都存在拥堵的风险;由于拥堵路段具有以上特征,采用聚类的方式发现拥堵道路。
进一步,所述在聚类时当部分道路顶点在空间或时间上比较接近,那么这些顶点就会被聚合到同一个簇中,完成聚类后应当对所有簇进行检查,如果某个簇的道路存在所有特征,那么说明该条道路发生了拥堵。
进一步,所述聚类具体过程为:
提取每个道路顶点的空间、时间边序列,初始随机选取k个空间或时间边序列对应作为k个类别的聚类中心;
逐个对空间或时间边序列进行分类:对于待分配的空间或时间边序列,计算其与各聚类中心的相似度,若其中聚类中心与空间或时间边序列的相似度最高,则将空间或时间边归为相应类别,进而分配下一个空间或时间边序列;待所有空间或时间边序列均分配完成后更新各类别的聚类中心,判断各类别新的聚类中心是否与旧的聚类中心完全一致:若是,则停止并输出聚类结果即当前所有行为时间序列的分类结果,各空间或时间边序列的分类结果即为对应的聚类结果;若否,则返回重新对空间或时间边序列进行分类。
本发明另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的道路拥堵检测的方法。
本发明另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的道路拥堵检测的方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明确定一个速度阈值以及一个评分的阈值,获取某一时段经过某路段的机动车数量及相应机动车的速度;基于某个时间段内经过该路段机动车的速度计算路段对应的评分值;在获得路段在时间段内的评分之后,将评分值与评分阈值进行比较,判断路段发生拥堵的可能性;通过图模型将路段信息组织起来,对道路网络进行描述;通过异构信息网络聚类算法对步骤四中描述的网络中的表示道路的顶点进行聚类;拥堵发现,当同一个簇中的某条道路发生了拥堵,那么同一个簇中的其他道路在未来也有发生拥堵的可能性。本发明基于提取的拥堵路段的特征进行拥堵道路的确定,准确性好且时效强,进而可实现在路况变得非常拥堵前减少拥堵路段的驶入车辆,有效的缓解交通阻塞,提高汽车的通行效率和车主的用车体验。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的道路拥堵检测的方法流程图。
图2是本发明实施例提供的预测路段发生拥堵的可能性方法流程图。
图3是本发明实施例提供的图模型当中顶点之间的边是不同时,道路网络分析方法流程图。
图4是本发明实施例提供的在道路网络中当某条道路出现拥堵状况时,特征分类方法流程图。
图5是本发明实施例提供的聚类方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种道路拥堵检测的方法,下面结合附图对本发明作详细的描述。
如图1所述,本发明实施例提供的道路拥堵检测的方法包括以下步骤:
S101:确定一个速度阈值s以及一个评分的阈值α;获取某一时段经过某路段的机动车数量及相应机动车的速度;
S102:基于某个时间段内经过该路段机动车的速度计算路段对应的评分值;在时间段(t,t+Δt)内经过路段ri的机动车数量为n,其中有k量机动车的速度小于速度阈值s;
S103:在获得路段ri在时间段(t,t+Δt)内的评分之后,将评分值与评分阈值进行比较,判断路段发生拥堵的可能性;
S104:通过图模型将路段信息组织起来,对道路网络进行描述;
S105:通过异构信息网络聚类算法对步骤四中描述的网络中的表示道路的顶点进行聚类;
S106:拥堵发现,当同一个簇中的某条道路发生了拥堵,那么同一个簇中的其他道路在未来也有发生拥堵的可能性。
本发明实施例提供的S102中,在该时段中路段ri的拥堵评分的计算模型为:
如图2所示,本发明实施例提供的将计算的拥堵评分与预设的评分阈值进行比较,预测路段发生拥堵的可能性包括:
S201:若评分值大于或等于评分阈值,说明路段在特定的时间段内慢速行驶的机动车过多,有发生拥堵的可能性;
S202:若评分值小于评分阈值则说明路段的绝大部分机动车都是以正常的速度在行驶,发生拥堵的可能性较小。
本发明实施例提供的104中,图模型的顶点集合为RC={S1,S2,…,Sn,T1,T2,...,Tm},其中集合RC中的元素S1,...,Sn被用于表示不同的道路,每条道路都应当包含全局唯一的编号值ri;元素T1,...,Tm被用于表示不同的时间段,每个时间段的长度均为Δt。
如图3所示,本发明实施例提供的图模型当中顶点之间的边是不同时,道路网络分析过程为:
S301:当某条边被用于连接道路和时间段,那么该边的权值就是该条道路在特定时间段内的拥堵评分;
S302:当某条边被用于连接两条道路,那么就表示这两条道路在空间上十分的接近,该边的权值为1;
S303:当某条边连接的两个顶点均为时间段,那么就表示这两个时间段在时间上非常的接近。
如图4所示,本发明实施例提供的在道路网络中当某条道路出现拥堵状况时,特征分类包括:
S401:当道路发生拥堵,那么与该条道路相邻近的其他道路同样可能在该时间段内发生拥堵;
S402:发生拥堵的路段可能被检测到在多个时间段内都存在拥堵的风险;由于拥堵路段具有以上特征,采用聚类的方式发现拥堵道路。
所述在聚类时当部分道路顶点在空间或时间上比较接近,那么这些顶点就会被聚合到同一个簇中,完成聚类后应当对所有簇进行检查,如果某个簇的道路存在所有特征,那么说明该条道路发生了拥堵。
如图5所示,本发明实施例提供的聚类具体过程为:
S501:提取每个道路顶点的空间、时间边序列,初始随机选取k个空间或时间边序列对应作为k个类别的聚类中心;
S502:逐个对空间或时间边序列进行分类:对于待分配的空间或时间边序列,计算其与各聚类中心的相似度,若其中聚类中心与空间或时间边序列的相似度最高,则将空间或时间边归为相应类别,进而分配下一个空间或时间边序列;
S503:待所有空间或时间边序列均分配完成后更新各类别的聚类中心,判断各类别新的聚类中心是否与旧的聚类中心完全一致:
S504:若是,则停止并输出聚类结果即当前所有行为时间序列的分类结果,各空间或时间边序列的分类结果即为对应的聚类结果;若否,则返回重新对空间或时间边序列进行分类。
下面结合具体实施例对本发明的技术方案作进一步说明。
需要确定一个速度阈值s以及一个评分的阈值α,之后基于某个时间段内经过该路段机动车的速度计算路段对应的评分值。假设在时间段(t,t+Δt)内经过路段ri的机动车数量为n,其中有k量机动车的速度小于速度阈值s,那么在该时段中路段ri的拥堵评分的计算方法如式(3)所示:
在获得路段ri在时间段(t,t+Δt)内的评分之后,需要将该评分值与评分阈值进行比较,若该评分值大于或等于评分阈值,那么就说明该路段在特定的时间段内慢速行驶的机动车过多,有发生拥堵的可能性;若评分值小于评分阈值则说明该路段的绝大部分机动车都是以正常的速度在行驶,发生拥堵的可能性较小。
在获得所有拥堵风险较高的路段信息之后,需要通过图模型将这些路段信息组织起来,该图模型的顶点集合为RC={S1,S2,…,Sn,T1,T2,...,Tm},其中集合RC中的元素S1,...,Sn被用于表示不同的道路,每条道路都应当包含全局唯一的编号值ri;元素T1,...,Tm被用于表示不同的时间段,每个时间段的长度均为Δt。另外,在图模型当中顶点之间的边也是不同的,如果某条边被用于连接道路和时间段那么该边的权值就是该条道路在特定时间段内的拥堵评分;如果某条边被用于连接两条道路,那么就表示这两条道路在空间上十分的接近,该边的权值为1;如果某条边连接的两个顶点均为时间段,那么就表示这两个时间段在时间上非常的接近。
在构造图模型时,首先需要获取每条道路在不同时间段的评分值并构造三元组(ri,t+Δt,score),t+Δt表示一个特定的时间段,score为对应的评分值。接下来需要在顶点之间添加边,添加边时首先应该将属于同一个三元组的路段和时间段连接起来,它们之间边的权重为三元组中的评分值;之后对所有的道路进行检查,如果两条道路的距离比较接近,那么就需要在这两条道路对应的顶点之间添加一条边;另外,也应当对时间段进行检查,如果两个时间段比较接近,那么同样需要在两个时间段对应的顶点之间添加一条边。
可以发现在路网中当某条道路确实出现拥堵状况时通常具有以下特征,首先,如果道路发生拥堵,那么与该条道路相邻近的其他道路同样可能在该时间段内发生拥堵。其次,发生拥堵的路段可能被检测到在多个时间段内都存在拥堵的风险。由于拥堵路段具有以上描述的特征,因此可以采用聚类的方式来发现拥堵道路。在聚类时如果部分道路顶点在空间或时间上比较接近,那么这些顶点就会被聚合到同一个簇中,完成聚类后应当对所有簇进行检查,如果某个簇的道路存在以上描述的所有特征,那么就说明该条道路发生了拥堵。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种道路拥堵检测的方法,其特征在于,所述道路拥堵检测的方法包括以下步骤:
步骤一,确定一个速度阈值s以及一个评分阈值α;获取某一时间段经过某路段的机动车数量及相应机动车的速度;
步骤二,基于某个时间段内经过该路段机动车的速度计算路段对应的评分值;在时间段(t,t+Δt)内经过路段ri的机动车数量为n,其中有k量机动车的速度小于速度阈值s;
步骤三,在获得路段ri在时间段(t,t+Δt)内的评分之后,将评分值与评分阈值进行比较,判断路段发生拥堵的可能性;
步骤四,通过图模型将路段信息组织起来,对道路网络进行描述;
步骤五,通过异构信息网络聚类算法对步骤四中描述的网络中的表示道路的顶点进行聚类;
步骤六,拥堵发现,当同一个簇中的某条道路发生了拥堵,那么同一个簇中的其他道路在未来也有发生拥堵的可能性;
在该时间段中路段ri的评分值的计算模型为:
将计算的评分值与预设的评分阈值进行比较,预测路段发生拥堵的可能性包括:
若评分值大于或等于评分阈值,说明路段在特定的时间段内慢速行驶的机动车过多,有发生拥堵的可能性;若评分值小于评分阈值则说明路段的绝大部分机动车都是以正常的速度在行驶,发生拥堵的可能性较小;
所述步骤四中,图模型的顶点集合为RC={S1,S2,…,Sn,T1,T2,...,Tm},其中集合RC中的元素S1,...,Sn被用于表示不同的道路,每条道路都应当包含全局唯一的编号值ri;元素T1,...,Tm被用于表示不同的时间段,每个时间段的长度均为Δt;
所述图模型当中顶点之间的边是不同的,当某条边被用于连接道路和时间段,那么该边的权值就是该条道路在特定时间段内的评分值;当某条边被用于连接两条道路,那么就表示这两条道路在空间上十分的接近,该边的权值为1;当某条边连接的两个顶点均为时间段,那么就表示这两个时间段在时间上非常的接近;
在道路网络中当某条道路出现拥堵状况时,具有以下特征:
首先,当道路发生拥堵,那么与该条道路相邻近的其他道路同样可能在该时间段内发生拥堵;
其次,发生拥堵的路段可能被检测到在多个时间段内都存在拥堵的风险;由于拥堵路段具有以上特征,采用聚类的方式发现拥堵道路;
在聚类时当部分道路顶点在空间或时间上比较接近,那么这些顶点就会被聚合到同一个簇中,完成聚类后应当对所有簇进行检查,如果某个簇的道路存在所有特征,那么说明该条道路发生了拥堵。
2.如权利要求1所述道路拥堵检测的方法,其特征在于,所述聚类具体过程为:
提取每个道路顶点的空间、时间边序列,初始随机选取k个空间或时间边序列对应作为k个类别的聚类中心;
逐个对空间或时间边序列进行分类:对于待分配的空间或时间边序列,计算其与各聚类中心的相似度,若其中聚类中心与空间或时间边序列的相似度最高,则将空间或时间边归为相应类别,进而分配下一个空间或时间边序列;待所有空间或时间边序列均分配完成后更新各类别的聚类中心,判断各类别新的聚类中心是否与旧的聚类中心完全一致:若是,则停止并输出聚类结果即当前所有行为时间序列的分类结果,各空间或时间边序列的分类结果即为对应的聚类结果;若否,则返回重新对空间或时间边序列进行分类。
3.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~2任意一项所述的道路拥堵检测的方法。
4.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~2任意一项所述的道路拥堵检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110838777.5A CN113724490B (zh) | 2021-07-23 | 2021-07-23 | 一种道路拥堵检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110838777.5A CN113724490B (zh) | 2021-07-23 | 2021-07-23 | 一种道路拥堵检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724490A CN113724490A (zh) | 2021-11-30 |
CN113724490B true CN113724490B (zh) | 2022-07-29 |
Family
ID=78673899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110838777.5A Active CN113724490B (zh) | 2021-07-23 | 2021-07-23 | 一种道路拥堵检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724490B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457781B (zh) * | 2022-09-13 | 2023-07-11 | 内蒙古工业大学 | 一种基于多代理深度强化学习的智能交通信号灯控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107993438A (zh) * | 2017-12-08 | 2018-05-04 | 上海云砥信息科技有限公司 | 一种高速公路瓶颈路段拥堵预警方法 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
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 |
-
2021
- 2021-07-23 CN CN202110838777.5A patent/CN113724490B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107993438A (zh) * | 2017-12-08 | 2018-05-04 | 上海云砥信息科技有限公司 | 一种高速公路瓶颈路段拥堵预警方法 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113724490A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540201B (zh) | 基于路侧激光雷达的车辆排队长度实时估计方法及系统 | |
JP4978692B2 (ja) | マップマッチングシステム、マップマッチング方法およびプログラム | |
CN109978075B (zh) | 车辆虚假位置信息识别方法、装置、电子设备、存储介质 | |
CN107273520B (zh) | 一种基于货车监控数据的装卸货地点识别方法 | |
US9562786B2 (en) | Candidate path recommendation | |
JP7086725B2 (ja) | 渋滞予測装置、および、渋滞予測方法 | |
JP6045846B2 (ja) | 交通事故発生予報装置、方法およびプログラム | |
CN110426050B (zh) | 地图匹配纠正方法、装置、设备和存储介质 | |
US20170010111A1 (en) | Management of events and moving objects | |
US9524640B2 (en) | Traffic simulation system and traffic simulation program | |
US11545030B2 (en) | Vehicle traffic information analysis and traffic jam management | |
CN108062860B (zh) | 基于拥塞传播分析的道路瓶颈识别方法及其系统 | |
CN106919957B (zh) | 处理数据的方法及装置 | |
JP5421949B2 (ja) | 交通量予測装置、交通量予測方法およびプログラム | |
CN113724490B (zh) | 一种道路拥堵检测的方法 | |
KR101598343B1 (ko) | 정체 시공간 패턴 자동인식 시스템 및 그 방법 | |
CN114446064A (zh) | 一种分析高速公路服务区流量的方法、装置、存储介质及终端 | |
CN111862586B (zh) | 道路区域的异常路段确定方法、装置及存储介质 | |
CN112732905A (zh) | 一种基于知识图谱的交通事故分析与防控方法及系统 | |
US20220343637A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
CN113682302B (zh) | 一种驾驶状态估计方法、装置、电子设备及存储介质 | |
CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
CN115798212B (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
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 |