CN113808401B - 交通拥堵预测方法、装置、设备及存储介质 - Google Patents
交通拥堵预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113808401B CN113808401B CN202111095932.5A CN202111095932A CN113808401B CN 113808401 B CN113808401 B CN 113808401B CN 202111095932 A CN202111095932 A CN 202111095932A CN 113808401 B CN113808401 B CN 113808401B
- Authority
- CN
- China
- Prior art keywords
- congestion
- road
- historical
- traffic
- numbers
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能领域,公开了一种交通拥堵预测方法、装置、设备及存储介质,该方法包括:获取历史道路数据,根据历史道路数据统计所有车牌号在高峰期内行驶经过对应的道路号的次数,并根据次数计算所有车牌号经过对应的道路号的概率以及各道路号的拥堵值;根据拥堵值确定道路号的历史拥堵程度,并根据历史拥堵程度计算拥堵概率,按照历史拥堵程度和拥堵概率预测道路号在未来时段的交通拥堵情况。本发明实现了对高峰期内交通拥堵情况的预测,且提高了交通拥堵预测的准确度,为城市交通提供指导和预警作用。此外,本发明还涉及区块链领域,历史道路数据可存储于区块链中。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种交通拥堵预测方法、装置、设备及存储介质。
背景技术
随着生活水平的不断提高,使得车辆保有量也极速增加,城市交通基础设施和人民交通出行需求的矛盾也越来越突出。因此城市交通拥堵预测变得越来越重要。
现有技术中发布的实时交通数据即为当前时刻道路的实时交通情况,但是发布的未来某一时段的交通流数据存在较大的不确定性,即交通拥堵预测的准确度较低,但是在实际生活中,越来越多的用户为了提前合理的安排行程更期望能够提前获知某些道路、或者某些区域准确的交通数据,因此,如何提高交通拥堵的预测准确度是一个亟需解决的问题。
发明内容
本发明的主要目的在于解决现有技术中交通拥堵预测的准确度低的技术问题。
本发明第一方面提供了一种交通拥堵预测方法,所述交通拥堵预测方法包括:获取不同周期内高峰期的历史道路数据;对所述历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建所述车牌号与对应的道路号的关联关系;基于所述关联关系,统计各所述车牌号在高峰期内行驶经过对应的道路号的次数,并根据所述次数计算所述车牌号经过对应的道路号的概率;根据所述概率计算高峰期内所有所述道路号的拥堵值;根据所述拥堵值确定所述道路号的历史拥堵程度;统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
可选的,在本发明的第一方面的第一种实现方式中,所述根据所述概率计算高峰期内所述道路号的拥堵值包括:从所述历史道路数据中提取所述道路号的红绿灯周期以及绿灯通过车辆数;根据所述车牌号经过对应的道路号的概率计算高峰期内所述道路号的路段车流量;对所述红绿灯周期和所述绿灯通过车辆数进行分析,确定所述道路号的路段通过能力;根据所述路段车流量和所述路段通过能力计算高峰期内所述道路号的拥堵值。
可选的,在本发明的第一方面的第二种实现方式中,所述对所述红绿灯周期和所述绿灯通过车辆数进行分析,确定所述道路号的路段通过能力包括:对各所述红绿灯周期和各所述绿灯通过车辆数进行匹配并建立映射关系;根据所述映射关系,分别对各所述红绿灯周期和各所述绿灯通过车辆数对应进行算术除法运算,得到不同周期的路段通过能力值;对不同周期的所述路段通过能力值进行均值计算,确定所述道路号的路段通过能力。
可选的,在本发明的第一方面的第三种实现方式中,所述根据所述拥堵值确定所述道路号的历史拥堵程度包括:提取预设的拥堵层级对应的拥堵值区间,并判断所述拥堵值是否落在所述拥堵值区间内;若是,则将所述拥堵值区间对应的拥堵层级作为所述道路号在对应的高峰期内的历史拥堵程度。
可选的,在本发明第一方面的第四种实现方式中,所述统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率包括:提取在不同周期的高峰期内各所述道路号的历史拥堵程度;判断同一所述道路号在各所述周期的高峰期内的历史拥堵程度是否一致;若是,则分别统计各所述道路号隶属于同一历史拥堵程度的拥堵次数;根据所述拥堵次数,分别计算各所述道路号隶属于不同历史拥堵程度的拥堵概率。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况包括:将各所述历史拥堵程度对应的拥堵层级按照所述拥堵概率由高至低进行排序,生成拥堵层级序列;根据所述拥堵层级序列对各所述道路号在不同周期的高峰期内的历史拥堵情况进行分析,得到分析结果;根据所述分析结果预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
可选的,在本发明第一方面的第六种实现方式中,在所述根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况之后,还包括:实时获取当前时段内通过所述道路号的出行车牌号;根据所述车牌号与对应的道路号的关联关系和所述出行车牌号,从所有所述车牌号中查找还未通过所述道路号的未行车牌号;根据交通拥堵情况,对所述未行车牌号对应的驾驶员发送交通信息提示。
本发明第二方面提出一种交通拥堵预测装置,所述交通拥堵预测装置包括:获取模块,用于获取不同周期内高峰期的历史道路数据;构建模块,用于对所述历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建所述车牌号与对应的道路号的关联关系;统计模块,用于基于所述关联关系,统计各所述车牌号在高峰期内行驶经过对应的道路号的次数,并根据所述次数计算所述车牌号经过对应的道路号的概率;拥堵值计算模块,用于根据所述概率计算高峰期内所有所述道路号的拥堵值;确定模块,用于根据所述拥堵值确定所述道路号的历史拥堵程度;拥堵概率计算模块,用于统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;预测模块,用于根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
可选的,在本发明第二方面的第一种实现方式中,所述拥堵值计算模块包括:第一提取单元,用于从所述历史道路数据中提取所述道路号的红绿灯周期以及绿灯通过车辆数;第一计算单元,用于根据所述车牌号经过对应的道路号的概率计算高峰期内所述道路号的路段车流量;第一确定单元,用于对所述红绿灯周期和所述绿灯通过车辆数进行分析,确定所述道路号的路段通过能力;第二计算单元,用于根据所述路段车流量和所述路段通过能力计算高峰期内所述道路号的拥堵值。
可选的,在本发明第二方面的第二种实现方式中,所述第一确定单元包括:匹配子单元,用于对各所述红绿灯周期和各所述绿灯通过车辆数进行匹配并建立映射关系;计算子单元,用于根据所述映射关系,分别对各所述红绿灯周期和各所述绿灯通过车辆数对应进行算术除法运算,得到不同周期的路段通过能力值;确定子单元,用于对不同周期的所述路段通过能力值进行均值计算,确定所述道路号的路段通过能力。
可选的,在本发明第二方面的第三种实现方式中,所述确定模块包括:第一判断单元,用于提取预设的拥堵层级对应的拥堵值区间,并判断所述拥堵值是否落在所述拥堵值区间内;第二确定单元,用于若所述拥堵值落在所述拥堵值区间内,则将所述拥堵值区间对应的拥堵层级作为所述道路号在对应的高峰期内的历史拥堵程度。
可选的,在本发明第二方面的第四种实现方式中,所述拥堵概率计算模块包括:第二提取单元,用于提取在不同周期的高峰期内各所述道路号的历史拥堵程度;第二判断单元,用于判断同一所述道路号在各所述周期的高峰期内的历史拥堵程度是否一致;统计单元,用于若同一所述道路号在各所述周期的高峰期内的历史拥堵程度一致,则分别统计各所述道路号隶属于同一历史拥堵程度的拥堵次数;第三计算单元,用于根据所述拥堵次数,分别计算各所述道路号隶属于不同历史拥堵程度的拥堵概率。
可选的,在本发明第二方面的第五种实现方式中,所述预测模块包括:排序单元,用于将各所述历史拥堵程度对应的拥堵层级按照所述拥堵概率由高至低进行排序,生成拥堵层级序列;分析单元,用于根据所述拥堵层级序列对各所述道路号在不同周期的高峰期内的历史拥堵情况进行分析,得到分析结果;预测单元,用于根据所述分析结果预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
可选的,在本发明第二方面的第六种实现方式中,所述交通拥堵预测装置还包括提示模块,其具体用于:实时获取当前时段内通过所述道路号的出行车牌号;根据所述车牌号与对应的道路号的关联关系和所述出行车牌号,从所有所述车牌号中查找还未通过所述道路号的未行车牌号;根据交通拥堵情况,对所述未行车牌号对应的驾驶员发送交通信息提示。
本发明第三方面提供了一种交通拥堵预测设备,所述交通拥堵预测设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述交通拥堵预测设备执行上述的交通拥堵预测方法的步骤。
本发明第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机执行上述的交通拥堵预测方法的步骤。
在本发明提供的技术方案中,通过确定各车牌号在高峰期内行驶经过的道路号,统计所有车牌号在高峰期内行驶经过对应的道路号的次数,并根据次数计算所有车牌号经过对应的道路号的概率以及各道路号的拥堵值;根据拥堵值确定道路号的历史拥堵程度,并根据历史拥堵程度计算拥堵概率,按照历史拥堵程度和拥堵概率预测道路号在当前时刻以及后续多个时间段内的的交通拥堵情况。本发明实现了对高峰期内交通拥堵情况的预测,且根据历史拥堵程度和拥堵概率对交通拥堵情况进行预测,提高了交通拥堵预测结果的可靠性和准确度。
附图说明
图1为本发明实施例中交通拥堵预测方法的第一个实施例示意图;
图2为本发明实施例中交通拥堵预测方法的第二个实施例示意图;
图3为本发明实施例中交通拥堵预测方法的第三个实施例示意图;
图4为本发明实施例中交通拥堵预测方法的第四个实施例示意图;
图5为本发明实施例中交通拥堵预测装置的一个实施例示意图;
图6为本发明实施例中交通拥堵预测装置的另一个实施例示意图;
图7为本发明实施例中交通拥堵预测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种交通拥堵预测方法、装置、设备及存储介质,通过确定各车牌号在高峰期内行驶经过的道路号,统计所有车牌号在高峰期内行驶经过对应的道路号的次数,并根据次数计算所有车牌号经过对应的道路号的概率以及各道路号的拥堵值;根据拥堵值确定道路号的历史拥堵程度,并根据历史拥堵程度计算拥堵概率,按照历史拥堵程度和拥堵概率预测道路号在当前时刻以及后续多个时间段内的的交通拥堵情况。本发明实施例实现了对高峰期内交通拥堵情况的预测,且根据历史拥堵程度和拥堵概率对交通拥堵情况进行预测,提高了交通拥堵预测结果的可靠性和准确度。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体内容进行描述,请参阅图1,本发明实施例中交通拥堵预测方法的第一个实施例包括:
101,获取不同周期内高峰期的历史道路数据;
实时采集不同周期内高峰期的动态的联动互联网地图道路拥堵系数数据(未知、畅通、缓行、拥堵、严重拥堵),服务器通过互联网地图(高德、百度等)或者交通局相关数据获取城市交通早晚高峰期主要拥堵的道路数据,其中,该历史道路数据包括各道路对应的道路号以及行驶经过各道路的车牌号,高峰期包括工作日和假期的早高峰期和晚高峰期。
在本实施例中,通过道路上设置的摄像头拍摄行驶经过的车辆的车牌号,并上传至服务器,服务器通过人工智能的AI图像识别技术识别所上传的图片,从而识别得到图片中行驶经过该道路号的车牌号,并将其储存至服务器中。
另外,本发明实施例可以基于人工智能技术对历史道路数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
102,对历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建车牌号与对应的道路号的关联关系;
对历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,对历史道路数据中各道路对应的道路号和经过各道路的车牌号进行分析,即对各道路号和各车牌号进行分类统计,将在高峰期内行驶经过同一道路号对应的道路的所有车牌号划分为一个类,直至所有的车牌号都已被归类,从而确定在不同时段的高峰期内,各车牌号行驶经过的对应的道路号,并对各车牌号与其在高峰期内行驶经过的对应的道路号建立关联关系。即构建各车牌号与各道路号的对应关系,根据该对应关系,可以查询到高峰期内经过各道路号对应的道路的车牌号。
103,基于关联关系,统计各车牌号在高峰期内行驶经过对应的道路号的次数,并根据次数计算车牌号在高峰期内经过对应的道路号的概率;
根据构建好的各车牌号与其在高峰期内行驶经过的对应的道路号的关联关系,统计车牌号行驶经过对应的道路号的总次数,并从中筛选出高峰期内该车牌号行驶经过对应的道路号的次数。并根据该车牌号在高峰期内行驶经过该道路号的次数计算该车牌号在高峰期内经过对应的道路号的概率。即统计所有车牌号各自经过对应的道路号总次数,以及所有车牌号在高峰期内经过对应道路号的次数,从而计算所有车牌号在高峰期内经过对应的道路号的概率。
具体的,计算该车牌号在高峰期内出现对应的道路号的概率P(a)。其中,该P(a)的数值越高,表示该车牌号在高峰期内出现在对应的道路号的概率越大;具体运算公式为:
其中,t为该车牌号高峰期内经过该道路号的次数,T为该车牌号经过该道路号的总次数。
104,根据车牌号在高峰期内经过对应的道路号的概率计算高峰期内所有道路号的拥堵值;
根据所有车牌号在高峰期内经过对应的道路号的概率来计算高峰期内所有的道路号的拥堵值。在本实施例中,服务器从历史道路数据中提取道路号的红绿灯周期以及绿灯通过车辆数;根据车牌号在高峰期内经过对应的道路号的概率计算高峰期内道路号的路段车流量;并对红绿灯周期和绿灯通过车辆数进行分析,根据每个红绿灯周期内,绿灯通过车辆数来确定道路号的路段通过能力;根据路段车流量和路段通过能力计算高峰期内各道路号的拥堵值。
105,根据拥堵值确定道路号的历史拥堵程度;
服务器根据高峰期内各道路号的拥堵值分析各道路号的历史拥堵程度,即根据拥堵值的大小确定各道路号在不同周期的高峰期内的历史拥堵程度,不同的拥堵值对应不同的历史拥堵程度。当道路号在一时段的高峰期内的拥堵值越大,则说明该在道路号在该时段的高峰期内的历史拥堵程度更高,拥堵值的大小表示其道路号的历史拥堵程度的高低。
106,统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;
服务器统计不同周期内各道路号隶属于同一历史拥堵程度的拥堵次数,即统计各道路号对应的各个历史拥堵程度的出现次数以及所有历史拥堵程度的出现总次数,对各历史拥堵程度的出现次数与出现总次数进行比值计算,从而得到各道路号对应的拥堵概率,其中,拥堵概率为道路号对应的一个历史拥堵程度出现的概率,拥堵概率的数值越小,表示该历史拥堵程度出现的概率越小。
107,根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
对道路号在不同周期的高峰期内的历史拥堵程度和拥堵概率的分析来预测该道路号对应在不同时段的高峰期内的交通拥堵情况,即道路号在一时段的高峰期内的历史拥堵程度和该历史拥堵程度对应的拥堵概率,可以预测该道路号未来在同一时段的高峰期内的交通拥堵情况,例如,该道路号在周一的早高峰期内的历史拥堵程度为严重拥堵,且严重拥堵对应的拥堵概率的数值较高,则可以预测该道路号未来在周一的早高峰期内的交通拥堵情况为严重拥堵。
另外,服务器根据所有车辆的行驶路径预测此后各时间段里,会发生拥堵的道路号,向车辆发出拥堵预报,并选取将经过该道路号的部分车辆发出重新规划路径的指令;服务器按指令自动进行新的路径规划,车辆按新的路径行驶,保证这些车辆不再通过预测会发生拥堵的道路号,从而排除了这些道路号发生拥堵的可能性,再对所有路径规划进行计算和预测,得出此后各时间段里,新的会发生拥堵的道路号,服务器再次向车辆发出拥堵预报和重新规划路径的指令,经如此反复调整,所有道路号的拥堵率会大幅降低。
在本发明实施例中,通过计算所有车牌号经过对应的道路号的概率以及各道路号的拥堵值来确定道路号的历史拥堵程度,并根据历史拥堵程度计算拥堵概率,按照历史拥堵程度和拥堵概率预测道路号在未来时段的交通拥堵情况。本发明实施例实现了对高峰期内交通拥堵情况的预测,且根据历史拥堵程度和拥堵概率对交通拥堵情况进行预测,提高了交通拥堵预测结果的可靠性和准确度,为城市交通提供指导和预警作用。
请参阅图2,本发明实施例中交通拥堵预测方法的第二个实施例包括:
201,获取不同周期内高峰期的历史道路数据;
202,对历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建车牌号与对应的道路号的关联关系;
203,基于关联关系,统计各车牌号在高峰期内行驶经过对应的道路号的次数,并根据次数计算车牌号在高峰期内经过对应的道路号的概率;
204,从历史道路数据中提取道路号的红绿灯周期以及绿灯通过车辆数;
在本实施例中,服务器预先对每个道路号根据各道路号对应的交通流动情况设置对应的红绿灯周期,该道路根据红绿灯周期对通过该道路的车辆数进行管控。服务器从历史道路数据中提取出各道路号对应的红绿灯周期以及各道路号在每个红绿灯周期内绿灯通过车辆数。
205,根据车牌号在高峰期内经过对应的道路号的概率计算高峰期内道路号的路段车流量;
服务器根据车牌号在高峰期内经过对应的道路号的概率来计算该道路号在高峰期内的路段车流量,即计算车牌号在高峰期内经过对应的道路号的次数,得到所有车牌号在高峰期内经过该道路号的总次数,其中,所有车牌号在高峰期内经过该道路号的总次数就是高峰期内该道路号的路段车流量。
206,对红绿灯周期和绿灯通过车辆数进行分析,确定道路号的路段通过能力;
服务器对红绿灯周期和绿灯通过车辆数进行分析,即对每个红绿灯周期内的绿灯通过车辆数进行分析,将绿灯通过车辆数与红绿灯周期进行算术除法运算,得到的结果为该道路号对应的路段通过能力,其中,绿灯通过车辆数为被除数,红绿灯周期为除数,即该道路号的路段通过能力=绿灯通过车辆数/红绿灯周期(秒)。
对该道路号的各红绿灯周期和各绿灯通过车辆数进行匹配,即对该道路号的各个红绿灯周期及在该周期内绿灯通过车辆数进行匹配,并对各红绿灯周期和各绿灯通过车辆数建立映射关系,根据该映射关系,分别对各红绿灯周期和各绿灯通过车辆数对应进行算术除法运算,得到该道路号在不同的红绿灯周期内的路段通过能力值,即(各)红绿灯周期内的路段通过能力值=(各)绿灯通过车辆数/(各)红绿灯周期。
当得到该道路号各红绿灯周期内的路段通过能力值之后,对不同周期的路段通过能力值进行均值计算,即对各红绿灯周期内的路段通过能力值进行均值计算,将均值计算所得到的结果来表示该道路号的路段通过能力。
207,根据路段车流量和路段通过能力计算高峰期内道路号的拥堵值;
服务器根据该路段车流量和该路段通过能力来计算高峰期内各道路号对应的拥堵值,即将该道路号对应的路段车流量和该道路号的路段通过能力进行算术除法运算,得到的结果为该道路号的拥堵值,其中,路段车流量为被除数,路段通过能力为除数。
在本实施例中,除交通事故、施工、需紧急通过等引起的临时拥堵外,正常情况下,拥堵由到达路口的车流量大于路口通过能力造成,因此,可以计算,拥堵值=路段车流量/路段通过能力;当拥堵度为100%时,表示该道路号在红灯期间等待的车辆在绿灯期间刚好能全部通过。
208,根据拥堵值确定道路号的历史拥堵程度;
209,统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;
210,根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
在本发明实施例中,步骤201-203、步骤208-210与上述的交通拥堵预测方法的第一个实施例中的步骤101-103、步骤105-107一致,在此不做赘述。
在本发明实施例中,通过提取道路号对应的红绿灯周期以及绿灯通过车辆数计算该道路号的路段通过能力,结合路段通过能力计算道路号对应的拥堵值,从而对拥堵情况进行预测,实现了对交通拥堵情况的预测,提高了交通拥堵预测的准确度。
请参阅图3,本发明实施例中交通拥堵预测方法的第三个实施例包括:
301,获取不同周期内高峰期的历史道路数据;
302,对历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建车牌号与对应的道路号的关联关系;
303,基于关联关系,统计各车牌号在高峰期内行驶经过对应的道路号的次数,并根据次数计算车牌号在高峰期内经过对应的道路号的概率;
304,根据车牌号经过对应的道路号的概率计算高峰期内所有道路号的拥堵值;
305,提取预设的拥堵层级对应的拥堵值区间,并判断拥堵值是否落在拥堵值区间内;
306,若拥堵值落在拥堵值区间内,则将拥堵值区间对应的拥堵层级作为道路号在对应的高峰期内的历史拥堵程度;
服务器预先设置每个拥堵层级对应的拥堵值区间,即一个拥堵层级对应一个拥堵值区间,提取该道路号在对应的高峰期内的拥堵值,并将该拥堵值与各拥堵值区间进行匹配,即判断该拥堵值是否落在该拥堵值区间内,若该拥堵值落在该拥堵值区间内,则可确定该拥堵值区间对应的拥堵层级就是该道路号在对应的高峰期内的历史拥堵程度,即该道路号在对应的高峰期内的历史拥堵程度可以用该拥堵层级进行表示。该拥堵层级越高则说明该道路号在对应的高峰期内的拥堵程度越高。
307,提取在不同周期的高峰期内各所述道路号的历史拥堵程度;
308,判断同一所述道路号在各所述周期的高峰期内的历史拥堵程度是否一致;
309,若同一所述道路号在各所述周期的高峰期内的历史拥堵程度一致,则分别统计各所述道路号隶属于同一历史拥堵程度的拥堵次数;
310,根据所述拥堵次数,分别计算各所述道路号隶属于不同历史拥堵程度的拥堵概率;
统计每个道路号在不同周期的高峰期内的拥堵层级,其中,该拥堵层级表示该道路号的历史拥堵程度;周期可设置为距离当前时间的一年或两年时间内,具体可根据实际情况进行设定;拥堵层级包括畅通、缓行、拥堵、严重拥堵四个层级。
统计不同周期内的同一时段中各道路号隶属于同一历史拥堵程度的拥堵次数,即统计各道路号对应的不同周期内的同一时段中各个历史拥堵程度的出现次数以及所有历史拥堵程度的出现总次数,对各历史拥堵程度的出现次数与出现总次数进行比值计算,从而得到各道路号对应的历史拥堵程度在不同周期内的同一时段中的拥堵概率,其中,拥堵概率为道路号对应的一个历史拥堵程度出现的概率,拥堵概率的数值越小,表示该历史拥堵程度出现的概率越小。例如,统计道路号在不同周期的早高峰期内的各拥堵层级以及各拥堵层级出现的次数,将该道路号在不同周期的早高峰期内的各拥堵层级出现的次数分别与该道路号在不同周期的早高峰期内的各拥堵层级出现的总次数进行比值计算,得到各拥堵层级对应的出现概率,该出现概率表示该拥堵层级对应的历史拥堵程度的拥堵概率。
311,将各所述历史拥堵程度对应的拥堵层级按照所述拥堵概率由高至低进行排序,生成拥堵层级序列;
312,根据所述拥堵层级序列对各所述道路号在不同周期的高峰期内的历史拥堵情况进行分析,得到分析结果;
313,根据所述分析结果预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
服务器将各历史拥堵程度对应的拥堵层级按照拥堵概率由高至低进行排序,即将各拥堵层级按照其对应的出现概率由高至低进行排序,按照出现概率的大小对各拥堵层级进行排序,从而得到拥堵层级序列。该拥堵层级序列反映了该道路号在不同周期内的同一高峰期的拥堵情况。
获取该道路号分别在不同周期内的同一高峰期的拥堵层级序列,然后根据各拥堵层级序列,对道路号对应的不同周期内的同一高峰期内的历史拥堵程度进行分析,得到各道路号对应不同周期内的同一高峰期内的历史拥堵程度分析结果,并根据各道路号在不同周期内的同一高峰期内的历史拥堵程度分析结果预测各道路号在当前时刻以及后续多个时间段内的交通拥堵情况。例如,该道路号在不同周期内周一的早高峰期内的拥堵层级序列中排位第一的拥堵层级为严重拥堵层级,则说明该道路号在周一的早高峰期内的历史拥堵程度为严重拥堵程度,由此可以预测该道路号在后续的周一的早高峰期内的交通拥堵情况为严重拥堵程度。
在本发明实施例中,步骤301-304与上述的交通拥堵预测方法的第一个实施例中的步骤101-104一致,在此不做赘述。
在本发明实施例中,根据车牌号经过对应的道路号的概率计算各道路号的拥堵值,并根据预设的拥堵层级对应的拥堵值区间,判断各拥堵值对应的拥堵层级,从而对高峰期内各道路号的历史拥堵程序进行分析,提高后续根据历史拥堵程度对各道路号在未来时段的交通拥堵情况预测的准确度。
请参阅图4,本发明实施例中交通拥堵预测方法的第四个实施例包括:
401,获取不同周期内高峰期的历史道路数据;
402,对所述历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建所述车牌号与对应的道路号的关联关系;
403,基于所述关联关系,统计各所述车牌号在高峰期内行驶经过对应的道路号的次数,并根据所述次数计算所述车牌号经过对应的道路号的概率;
404,根据所述概率计算高峰期内所有所述道路号的拥堵值;
405,根据所述拥堵值确定所述道路号的历史拥堵程度;
406,统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;
407,根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况;
408,实时获取当前时段内通过道路号的出行车牌号;
409,根据车牌号与对应的道路号的关联关系和出行车牌号,从所有车牌号中查找还未通过道路号的未行车牌号;
410,根据交通拥堵情况,对未行车牌号对应的车辆发送交通信息提示。
在预测道路号在高峰期内的交通拥堵情况之后,向车主发送预警通知,排除当天经过该道路的车辆名单(过滤已经过该道路车辆数据),筛选出还未经过该道路的车辆,结合过往的数据,在未出行的车辆经过该道路的时间点前半个小时,发出消息预警。及时通知到车主,延迟出行或者绕路出行或者选择其它出行方式按需出行。
具体的,服务器实时获取当前时段内通过各道路号的所有出行车牌号,并根据服务器中存储的车牌号与对应的道路号之间的关联关系,从历史道路数据中存储的高峰期内的所有车牌号中查找还未通过对应道路号的车牌号,并将其记为未行车牌号。服务器根据所预测的当前各道路号的交通拥堵情况,获取未行车牌号对应的车辆信息,然后将交通拥堵情况封装为交通信息提示发送至未行车牌号对应的车辆。
交通拥堵出现的根本原因在于车辆通行需求超过道路可承载容量,道路车流量下降,车辆速度降低。及时有效的预测拥堵并发出告警信息,探寻形成拥堵的时间,对于城市居民来说,可以更加合理的规划出行路线,节省出行时间;对于城市道路管理者而言,可以更为有效的分配工作,出台合理的控制策略,缓解城市拥堵。
在本发明实施例中,步骤401-407与上述的交通拥堵预测方法的第一个实施例中的步骤101-107一致,在此不做赘述。
在本发明实施例中,获取当前时段内通过道路号的出行车牌号,并根据车牌号与道路号的关联关系对未通过道路号的未行车牌号对应的车辆发送交通信息提示,从而实现对各道路号的交通情况进行有效控制,缓解交通拥堵。
上面对本发明实施例中的交通拥堵预测方法进行了描述,下面对本发明实施例中的交通拥堵预测装置进行描述,请参照图5,本发明实施例中的交通拥堵预测装置的一个实施例包括:
获取模块501,用于获取不同周期内高峰期的历史道路数据;
构建模块502,用于对所述历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建所述车牌号与对应的道路号的关联关系;
统计模块503,用于基于所述关联关系,统计各所述车牌号在高峰期内行驶经过对应的道路号的次数,并根据所述次数计算所述车牌号经过对应的道路号的概率;
拥堵值计算模块504,用于根据所述概率计算高峰期内所有所述道路号的拥堵值;
确定模块505,用于根据所述拥堵值确定所述道路号的历史拥堵程度;
拥堵概率计算模块506,用于统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;
预测模块507,用于根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
在本发明实施例中,通过交通拥堵预测装置计算所有车牌号经过对应的道路号的概率以及各道路号的拥堵值来确定道路号的历史拥堵程度,并根据历史拥堵程度计算拥堵概率,按照历史拥堵程度和拥堵概率预测道路号在未来时段的交通拥堵情况。本发明实施例实现了对高峰期内交通拥堵情况的预测,且根据历史拥堵程度和拥堵概率对交通拥堵情况进行预测,提高了预测结果的可靠性和准确度。
请参阅图6,本发明实施例中的交通拥堵预测装置的另一个实施例包括:
获取模块501,用于获取不同周期内高峰期的历史道路数据;
构建模块502,用于对所述历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建所述车牌号与对应的道路号的关联关系;
统计模块503,用于基于所述关联关系,统计各所述车牌号在高峰期内行驶经过对应的道路号的次数,并根据所述次数计算所述车牌号经过对应的道路号的概率;
拥堵值计算模块504,用于根据所述概率计算高峰期内所有所述道路号的拥堵值;
确定模块505,用于根据所述拥堵值确定所述道路号的历史拥堵程度;
拥堵概率计算模块506,用于统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;
预测模块507,用于根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
其中,所述拥堵值计算模块504包括:
第一提取单元5041,用于从所述历史道路数据中提取所述道路号的红绿灯周期以及绿灯通过车辆数;
第一计算单元5042,用于根据所述车牌号经过对应的道路号的概率计算高峰期内所述道路号的路段车流量;
第一确定单元5043,用于对所述红绿灯周期和所述绿灯通过车辆数进行分析,确定所述道路号的路段通过能力;
第二计算单元5044,用于根据所述路段车流量和所述路段通过能力计算高峰期内所述道路号的拥堵值。
其中,所述第一确定单元5043包括:
匹配子单元50431,用于对各所述红绿灯周期和各所述绿灯通过车辆数进行匹配并建立映射关系;
计算子单元50432,用于根据所述映射关系,分别对各所述红绿灯周期和各所述绿灯通过车辆数对应进行算术除法运算,得到不同周期的路段通过能力值;
确定子单元50433,用于对不同周期的所述路段通过能力值进行均值计算,确定所述道路号的路段通过能力。
其中,所述确定模块505包括:
第一判断单元5051,用于提取预设的拥堵层级对应的拥堵值区间,并判断所述拥堵值是否落在所述拥堵值区间内;
第二确定单元5052,用于若所述拥堵值落在所述拥堵值区间内,则将所述拥堵值区间对应的拥堵层级作为所述道路号在对应的高峰期内的历史拥堵程度。
其中,所述拥堵概率计算模块506包括:
第二提取单元5061,用于提取在不同周期的高峰期内各所述道路号的历史拥堵程度;
第二判断单元5062,用于判断同一所述道路号在各所述周期的高峰期内的历史拥堵程度是否一致;
统计单元5063,用于若同一所述道路号在各所述周期的高峰期内的历史拥堵程度一致,则分别统计各所述道路号隶属于同一历史拥堵程度的拥堵次数;
第三计算单元5064,用于根据所述拥堵次数,分别计算各所述道路号隶属于不同历史拥堵程度的拥堵概率。
其中,所述预测模块507包括:
排序单元5071,用于将各所述历史拥堵程度对应的拥堵层级按照所述拥堵概率由高至低进行排序,生成拥堵层级序列;
分析单元5072,用于根据所述拥堵层级序列对各所述道路号在不同周期的高峰期内的历史拥堵情况进行分析,得到分析结果;
预测单元5073,用于根据所述分析结果预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
其中,所述交通拥堵预测装置还包括提示模块508,其具体用于:
实时获取当前时段内通过所述道路号的出行车牌号;
根据所述车牌号与对应的道路号的关联关系和所述出行车牌号,从所有所述车牌号中查找还未通过所述道路号的未行车牌号;
根据交通拥堵情况,对所述未行车牌号对应的驾驶员发送交通信息提示。
在本发明实施例中,通过交通拥堵预测装置通过提取道路号对应的红绿灯周期以及绿灯通过车辆数计算该道路号的路段通过能力,结合路段通过能力计算道路号对应的拥堵值,从而对拥堵情况进行预测,实现了对交通拥堵情况的预测,并根据历史拥堵程度和拥堵概率对交通拥堵情况进行预测,提高了交通拥堵预测的准确度。
请参阅图7,下面从硬件处理的角度对本发明实施例中的交通拥堵预测设备的一个实施例进行详细描述。
图7是本发明实施例提供的一种交通拥堵预测设备的结构示意图,该交通拥堵预测设备700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)710(例如,一个或一个以上处理器)和存储器720,一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对交通拥堵预测设备700中的一系列指令操作。更进一步地,处理器710可以设置为与存储介质730通信,在交通拥堵预测设备700上执行存储介质730中的一系列指令操作。
交通拥堵预测设备700还可以包括一个或一个以上电源740,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口760,和或或,一个或一个以上操作系统731,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的交通拥堵预测设备结构并不构成对交通拥堵预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明所指服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述交通拥堵预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元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全部或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,服务器,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(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以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种交通拥堵预测方法,其特征在于,所述交通拥堵预测方法包括:
获取不同周期内高峰期的历史道路数据;
对所述历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建所述车牌号与对应的道路号的关联关系;
基于所述关联关系,统计各所述车牌号在高峰期内行驶经过对应的道路号的次数,并根据所述次数计算所述车牌号经过对应的道路号的概率;
从所述历史道路数据中提取所述道路号的红绿灯周期以及绿灯通过车辆数;根据所述车牌号经过对应的道路号的概率计算高峰期内所述道路号的路段车流量;对所述红绿灯周期和所述绿灯通过车辆数进行分析,确定所述道路号的路段通过能力;根据所述路段车流量和所述路段通过能力计算高峰期内所述道路号的拥堵值;
根据所述拥堵值确定所述道路号的历史拥堵程度;
统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;
根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
2.根据权利要求1所述的交通拥堵预测方法,其特征在于,所述对所述红绿灯周期和所述绿灯通过车辆数进行分析,确定所述道路号的路段通过能力包括:
对各所述红绿灯周期和各所述绿灯通过车辆数进行匹配并建立映射关系;
根据所述映射关系,分别对各所述红绿灯周期和各所述绿灯通过车辆数对应进行算术除法运算,得到不同周期的路段通过能力值;
对不同周期的所述路段通过能力值进行均值计算,确定所述道路号的路段通过能力。
3.根据权利要求2所述的交通拥堵预测方法,其特征在于,所述根据所述拥堵值确定所述道路号的历史拥堵程度包括:
提取预设的拥堵层级对应的拥堵值区间,并判断所述拥堵值是否落在所述拥堵值区间内;
若是,则将所述拥堵值区间对应的拥堵层级作为所述道路号在对应的高峰期内的历史拥堵程度。
4.根据权利要求3所述的交通拥堵预测方法,其特征在于,所述统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率包括:
提取在不同周期的高峰期内各所述道路号的历史拥堵程度;
判断同一所述道路号在各所述周期的高峰期内的历史拥堵程度是否一致;
若是,则分别统计各所述道路号隶属于同一历史拥堵程度的拥堵次数;
根据所述拥堵次数,分别计算各所述道路号隶属于不同历史拥堵程度的拥堵概率。
5.根据权利要求4所述的交通拥堵预测方法,其特征在于,所述根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况包括:
将各所述历史拥堵程度对应的拥堵层级按照所述拥堵概率由高至低进行排序,生成拥堵层级序列;
根据所述拥堵层级序列对各所述道路号在不同周期的高峰期内的历史拥堵情况进行分析,得到分析结果;
根据所述分析结果预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
6.根据权利要求1-5中任一项所述的交通拥堵预测方法,其特征在于,在所述根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况之后,还包括:
实时获取当前时段内通过所述道路号的出行车牌号;
根据所述车牌号与对应的道路号的关联关系和所述出行车牌号,从所有所述车牌号中查找还未通过所述道路号的未行车牌号;
根据交通拥堵情况,对所述未行车牌号对应的驾驶员发送交通信息提示。
7.一种交通拥堵预测装置,其特征在于,所述交通拥堵预测装置包括:
获取模块,用于获取不同周期内高峰期的历史道路数据;
构建模块,用于对所述历史道路数据进行分析,提取其中各车牌号在高峰期内行驶经过的道路号,并构建所述车牌号与对应的道路号的关联关系;
统计模块,用于基于所述关联关系,统计各所述车牌号在高峰期内行驶经过对应的道路号的次数,并根据所述次数计算所述车牌号经过对应的道路号的概率;
拥堵值计算模块,用于从所述历史道路数据中提取所述道路号的红绿灯周期以及绿灯通过车辆数;根据所述车牌号经过对应的道路号的概率计算高峰期内所述道路号的路段车流量;对所述红绿灯周期和所述绿灯通过车辆数进行分析,确定所述道路号的路段通过能力;根据所述路段车流量和所述路段通过能力计算高峰期内所述道路号的拥堵值;
确定模块,用于根据所述拥堵值确定所述道路号的历史拥堵程度;
拥堵概率计算模块,用于统计不同周期内各所述道路号隶属于同一历史拥堵程度的拥堵次数,并根据所述拥堵次数计算各所述道路号的拥堵概率;
预测模块,用于根据所述历史拥堵程度和所述拥堵概率预测各所述道路号在当前时刻以及后续多个时间段内的交通拥堵情况。
8.一种交通拥堵预测设备,其特征在于,所述交通拥堵预测设备包括:
存储器和至少一个处理器,所述存储器中存储有计算机程序,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述交通拥堵预测设备执行如权利要求1-6中任一项所述的交通拥堵预测方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质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权利要求1-6中任一项所述的交通拥堵预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095932.5A CN113808401B (zh) | 2021-09-18 | 2021-09-18 | 交通拥堵预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095932.5A CN113808401B (zh) | 2021-09-18 | 2021-09-18 | 交通拥堵预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808401A CN113808401A (zh) | 2021-12-17 |
CN113808401B true CN113808401B (zh) | 2023-02-10 |
Family
ID=78939624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095932.5A Active CN113808401B (zh) | 2021-09-18 | 2021-09-18 | 交通拥堵预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808401B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550471B (zh) * | 2022-04-22 | 2022-08-23 | 四川九通智路科技有限公司 | 一种智能交通的信号灯控制方法及控制系统 |
CN115311851B (zh) * | 2022-07-19 | 2023-11-03 | 北京三快在线科技有限公司 | 路况信息确定方法、装置、电子设备及存储介质 |
CN115294768A (zh) * | 2022-08-02 | 2022-11-04 | 阿波罗智联(北京)科技有限公司 | 交通拥堵状态分析方法、装置、设备及存储介质 |
CN115331439B (zh) * | 2022-08-09 | 2023-08-18 | 山东旗帜信息有限公司 | 一种基于车辆历史画像的高速公路立交的车流量预测方法 |
CN117058877B (zh) * | 2023-08-30 | 2024-02-27 | 佳泽睿安集团有限公司 | 一种城市交通智能监控方法及系统 |
CN117133130B (zh) * | 2023-10-26 | 2024-03-01 | 中国市政工程西南设计研究总院有限公司 | 一种机场道路拥堵预测仿真方法及系统 |
CN118155425A (zh) * | 2024-05-11 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 一种基于聚类的实时交通拥堵预测方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139328A (zh) * | 2015-08-21 | 2015-12-09 | 北方工业大学 | 面向车牌识别数据的旅行时间实时预测方法及装置 |
CN105160874A (zh) * | 2015-08-18 | 2015-12-16 | 工业和信息化部电信研究院 | 一种交通信息处理方法和装置 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN109949571A (zh) * | 2019-03-19 | 2019-06-28 | 北京百度网讯科技有限公司 | 异常拥堵的判别方法及装置、设备及存储介质 |
CN110264735A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
JP2020030870A (ja) * | 2019-12-03 | 2020-02-27 | パイオニア株式会社 | 渋滞予測システム、端末装置、渋滞予測方法および渋滞予測プログラム |
CN112419710A (zh) * | 2020-10-22 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
US20210241618A1 (en) * | 2019-03-28 | 2021-08-05 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for prediction road condition, device and computer storage medium |
-
2021
- 2021-09-18 CN CN202111095932.5A patent/CN113808401B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160874A (zh) * | 2015-08-18 | 2015-12-16 | 工业和信息化部电信研究院 | 一种交通信息处理方法和装置 |
CN105139328A (zh) * | 2015-08-21 | 2015-12-09 | 北方工业大学 | 面向车牌识别数据的旅行时间实时预测方法及装置 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN109949571A (zh) * | 2019-03-19 | 2019-06-28 | 北京百度网讯科技有限公司 | 异常拥堵的判别方法及装置、设备及存储介质 |
US20210241618A1 (en) * | 2019-03-28 | 2021-08-05 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for prediction road condition, device and computer storage medium |
CN110264735A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
JP2020030870A (ja) * | 2019-12-03 | 2020-02-27 | パイオニア株式会社 | 渋滞予測システム、端末装置、渋滞予測方法および渋滞予測プログラム |
CN112419710A (zh) * | 2020-10-22 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
拥堵路段的判断与分析;田薇等;《遥感信息》;20170215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113808401A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113808401B (zh) | 交通拥堵预测方法、装置、设备及存储介质 | |
CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
US12008896B2 (en) | System and method for detection and quantification of irregular traffic congestion | |
US10902719B2 (en) | Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN113034913A (zh) | 交通拥堵预测方法、装置、设备及存储介质 | |
CN107025788B (zh) | 一种旅行时间预测方法及装置 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN109615851B (zh) | 一种在群智感知系统中基于关键路段的感知节点选取方法 | |
AU2011306659A1 (en) | Driver profiling system and method | |
CN112016735B (zh) | 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质 | |
CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
CN110675646B (zh) | 公交站点位置获取方法及装置 | |
CN113807588A (zh) | 基于交通事故的行车路径规划方法及装置 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN112767694A (zh) | 用于缓解道路拥堵的交通优化方法和装置 | |
CN106056903A (zh) | 基于gps数据的道路拥塞区域的检测方法 | |
CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
CN110276951B (zh) | 一种基于移动互联网交通拥堵预警方法 | |
CN116597649A (zh) | 一种基于高速公路收费系统的路网交通流量推演方法 | |
CN111626495A (zh) | 基于云平台的作业调度系统 | |
CN105303246A (zh) | 一种多线路公交到站时间预测方法 | |
CN115798209A (zh) | 一种公交实时空驶调度方法和系统 | |
CN112927497B (zh) | 一种浮动车识别方法、相关方法和装置 | |
Tran et al. | Transportation analytics with fuzzy logic and regression |
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 |