CN113837446B - 一种基于多源异构数据的机场陆侧区域交通态势预测方法 - Google Patents
一种基于多源异构数据的机场陆侧区域交通态势预测方法 Download PDFInfo
- Publication number
- CN113837446B CN113837446B CN202111002569.8A CN202111002569A CN113837446B CN 113837446 B CN113837446 B CN 113837446B CN 202111002569 A CN202111002569 A CN 202111002569A CN 113837446 B CN113837446 B CN 113837446B
- Authority
- CN
- China
- Prior art keywords
- airport
- traffic situation
- data
- side area
- traffic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于多源异构数据的机场陆侧区域交通态势预测方法,采集机场陆侧区域内交通流检测点位或待预测路段的交通流数据,同时获取机场陆侧区域内其他多源异构数据,利用特征选择算法进行特征重要度排序;基于筛选后的多特征数据集,采用深度学习算法对机场陆侧区域交通流状态进行预测;建立判别机场陆侧区域交通态势的评价指标,确定每个评价指标的影响权重及其交通态势隶属函数;根据交通流状态预测结果,计算评价指标,确定各评价指标对应于每一种交通态势的隶属度;最终根据各评价指标的隶属度和权重进行模糊综合评估,按照最大隶属度原则确定交通态势等级结果。本发明工程实用性强,能够有效挖掘机场陆侧区域交通态势演化规律。
Description
技术领域
本发明涉及机场陆侧区域交通态势预测领域,具体是一种基于多源异构数据的机场陆侧区域交通态势预测方法。
背景技术
随着我国客流、货流的需求不断增加,尤其是远距离运输的需求日益增加,中国航空事业得到了高速发展,飞机逐渐成为远距离出行的首选交通工具。然而,在机场陆侧交通管制地区频繁出现的交通拥堵现象,以及随之产生的延误和环境污染会给出行者、管理者乃至社会带来巨大的经济损失。因此,有必要对机场陆侧区域的交通态势进行预测,从而使出行者能够提前规划路径并决定出发时间,使交通管理者能提前感知拥堵路段,第一时间做好交通疏导工作。
机场作为典型的综合交通枢纽,是空中运输与地面运输的转换结点,本身具备丰富的交通态势预测数据基础,比如卡口数据、网约车停车场数据、出租车停车场数据、私家车停车场数据、航班数据、机场大巴客流量数据、货流数据、交叉口信号相位数据、交通事件数据、道路施工作业数据、天气数据等等。如何利用这些多源异构数据进行交通态势预测显得尤为重要,这将有助于缓解机场陆侧道路的拥堵问题,提高乘客出行效率,进而提升机场的竞争力。
目前关于交通态势预测的研究存在以下问题:(1)大部分研究以城市路网为交通态势预测对象,而重点关注机场陆侧交通态势预测的研究较少;(2)当前机场陆侧区域交通态势预测大多基于单一数据源或人为经验:基于单一数据源判别的方式未能充分利用现有多源异构数据的有效信息,基于人为经验判别的方式具有较大的主观性和不确定性,两者均不能够实现实时、高精度的交通态势预测,存在着应用局限性。
发明内容
为了克服已有技术的不足,本发明提供一种基于多源异构数据的机场陆侧区域交通态势预测方法,利用特征重要度排序方法从大量多源异构数据中筛选出关键特征用于预测,并采用模糊综合评价方法判别机场陆侧区域的交通态势,工程实用性强,能够克服人工特征选择与态势评价的弊端,能够有效挖掘机场陆侧区域交通态势演化规律。
本发明解决其技术问题所采用的技术方案是:
一种基于多源异构数据的机场陆侧区域交通态势预测方法,包括以下步骤:
(1)采集机场陆侧区域内所有交通流检测点位或待预测路段的交通流数据;
(2)获取机场陆侧区域中其他多源异构数据;
(3)利用特征选择算法对于上述多源异构数据进行特征重要度排序;
(4)基于选择后的特征采用深度学习算法对机场陆侧区域交通流状态进行预测,得到t时刻对应的预测结果:
其中,表示第k个检测点位或路段在t+h时间内的预测值;H表示预测窗口长度;n表示检测点位或路段数量;
(5)构建模糊综合评价指标体系,选择畅通、轻度拥堵、严重拥堵作为交通态势判断集;选择路段平均行程速度、车辆延误时间指数、道路饱和度作为判别机场陆侧区域交通态势的评价指标集,对应A=[a1,a2,a3]为权重集,其中ai表示每个评价因素在综合评价中的影响程度,满足0≤ai≤1且之后根据机场陆侧区域内交通流的运行特点,确定每个评价指标的交通态势隶属函数;
(6)将步骤(4)得到的交通流状态预测结果转化为评价指标,然后根据隶属函数计算隶属度,再利用权重集A进行模糊变换,得到每个检测点位或路段的模糊综合评价结果B:
R为隶属矩阵,rij,i,j=1,2,3表示第i个评价指标对于第j种交通态势的隶属度,bj,j=1,2,3分别表示三种态势对应的结果系数;
(7)根据步骤(6)得到的模糊综合评价结果向量,按照最大隶属度原则选择最大系数对应的交通态势作为该检测点位或路段的交通态势等级;
(8)对每个检测点位或路段均重复步骤(6)和步骤(7),得到最终的机场陆侧区域交通态势预测结果。
进一步,所述步骤(1)中,交通流数据包括流量、速度和行程时间等。
所述步骤(2)中,其他多源异构数据包括卡口数据、各类停车场数据、航班数据、机场大巴数据、交叉口信号相位数据、交通事件数据、道路施工作业数据和天气数据等。
所述步骤(3)中,所述特征选择算法为XGBOOST。
所述步骤(4)中,所述深度学习算法为LSTM。
所述步骤(4)中,所述机场陆侧区域交通流状态包括速度、流量和行程时间等,所述预测值包括流量、速度和行程时间等。
本发明的技术构思为:首先采集机场陆侧区域内检测点位或待预测路段的交通流数据,如流量、速度、行程时间等,同时获取机场陆侧区域内其他多源异构数据,如停车场数据、航班数据、机场大巴数据、交通事件数据、天气数据等;利用特征选择算法对上述数据进行特征选择,然后采用深度学习算法(如LSTM)对机场陆侧区域交通流状态(如速度、流量、行程时间等)进行预测;建立判别机场陆侧区域交通态势(畅通、轻度拥堵、严重拥堵)的评价指标(路段平均行程速度、车辆延误时间指数、道路饱和度),确定每个评价指标的影响权重及其交通态势隶属函数,从而构建模糊综合评价指标体系;根据交通流状态预测结果,计算评价指标,确定各指标对应于每一种交通态势的隶属度;基于各评价指标隶属度和权重进行模糊综合评估,按照最大隶属度原则确定交通态势等级。本发明利用特征重要度排序方法从大量数据中筛选出重要特征用于预测,并采用模糊综合评价方法判别机场陆侧区域的交通态势,实现了多源异构数据情况下的机场陆侧区域交通态势预测,能够有效挖掘机场陆侧区域交通态势演化规律。
本发明的有益效果主要表现在:采用特征选择思想,用重要度排序方法从大量特征数据中筛选出重要特征对机场陆侧区域交通状态进行预测,并基于预测结果,采用模糊综合评价方法判别机场陆侧区域的交通态势,实现了多源异构数据情况下的机场陆侧区域交通态势预测。本发明能够避免复杂数据环境下模型过拟合的问题,可以提升模型性能,缩短训练时间,提高预测精度,高效判别大型交通枢纽交通态势。
附图说明
图1是特征重要度排序图;
图2是路段平均行程速度隶属函数示意图;
图3是车辆延误时间指数隶属函数示意图;
图4是道路饱和度隶属函数示意图。
图5是基于多源异构数据的机场陆侧区域交通态势预测方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图5,一种基于多源异构数据的机场陆侧区域交通态势预测方法,以浙江省杭州市萧山机场陆侧区域为例,机场陆侧区域含有重要信号交叉口4个,重要卡口点位4个,重要路段3个。区域内含有卡口数据、网约车停车场数据、P4、P5停车场数据、出租车停车场数据、航班数据、机场大巴客流量数据、交叉口信号相位数据、交通事件数据、施工占道数据、天气数据等近20种多源异构数据。通过以下方法对该陆侧交通的重点区域进行交通态势预测。
(1)采集机场陆侧区域内所有交通流检测点位或待预测路段的交通流数据,如流量、速度、行程时间等。
(2)获取机场陆侧区域内其他多源异构数据,如停车场数据、航班数据、机场大巴数据等近20种特征数据,对数据进行清洗,为下一步特征选择做准备。
(3)使用XGBOOST算法进行特征选择,对各特征按重要度排序,如图1所示。
(4)基于选择后的特征采用LSTM算法对机场陆侧区域交通流状态(如速度、流量、行程时间等)进行预测,得到t时刻对应的预测结果:
其中,表示第k个检测点位或路段在t+h时间内的预测值(如流量、速度、行程时间等);H表示预测窗口长度;n表示检测点位或路段数量。
(5)构建模糊综合评价指标体系。选择畅通、轻度拥堵、严重拥堵作为交通态势判断集;选择路段平均行程速度、车辆延误时间指数、道路饱和度作为判别机场陆侧区域交通态势的评价指标集,对应A=[a1,a2,a3]为权重集,其中ai表示每个评价因素在综合评价中的影响程度,满足0≤ai≤1且其中,路段平均行程速度的权重为0.4,车辆延误时间指数为0.3,道路饱和度的权重为0.3,即A=[0.4,0.3,0.3]。
(6)构造每个评价指标的隶属函数,根据我国城市道路交通流的运行特点,平均行程速度和平均行程延误与交通态势之间的关系与梯形函数特征相符合。综合常用的线性三角形函数与梯形函数,利用线性分析法,对应标准化公式,进行定量分析,从而构造出路段平均行程速度、车辆延误时间指数、道路饱和度三个指标因素对应于三个态势判断集的隶属函数,分别如图2、图3、图4所示。
(7)将步骤(4)得到的交通流状态预测结果转化为评价指标,然后根据隶属函数计算隶属度,再利用权重集进行模糊变换,得到模糊综合评价结果B:
R为隶属矩阵,rij,i,j=1,2,3表示第i个评价指标对于第j种态势的隶属度,bj,j=1,2,3分别表示三种态势对应的结果系数。
(8)根据步骤(7)得到的模糊综合评价结果向量,按照最大隶属度原则选择最大系数对应的交通态势作为该检测点位或路段的交通态势等级。
(9)对每个检测点位或路段均重复步骤(6)到步骤(8),得到最终的机场陆侧区域预测结果。
上述实施方式为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的修改、替代、组合、裁剪,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于多源异构数据的机场陆侧区域交通态势预测方法,其特征在于,所述方法包括以下步骤:
(1)采集机场陆侧区域内所有交通流检测点位或待预测路段的交通流数据;
(2)获取机场陆侧区域中其他多源异构数据,其他多源异构数据包括卡口数据、各类停车场数据、航班数据、机场大巴数据、交叉口信号相位数据、交通事件数据、道路施工作业数据和天气数据;
(3)利用特征选择算法对于上述多源异构数据进行特征重要度排序;
(4)基于选择后的特征采用深度学习算法对机场陆侧区域交通流状态进行预测,得到t时刻对应的预测结果:
其中,表示第k个检测点位或路段在t+h时间内的预测值,k=1,2,...,n,h=1,2,...,H;H表示预测窗口长度;n表示检测点位或路段数量;
(5)构建模糊综合评价指标体系,选择畅通、轻度拥堵、严重拥堵作为交通态势判断集;选择路段平均行程速度、车辆延误时间指数、道路饱和度作为判别机场陆侧区域交通态势的评价指标集,对应A=[a1,a2,a3]为权重集,其中ai表示每个评价因素在综合评价中的影响程度,满足0≤ai≤1且之后根据机场陆侧区域内交通流的运行特点,确定每个评价指标的交通态势隶属函数;
(6)将步骤(4)得到的交通流状态预测结果转化为评价指标,然后根据隶属函数计算隶属度,再利用权重集A进行模糊变换,得到每个检测点位或路段的模糊综合评价结果B:
R为隶属矩阵,rij表示第i个评价指标对于第j种交通态势的隶属度,i,j=1,2,3,bj分别表示三种态势对应的结果系数,j=1,2,3;
(7)根据步骤(6)得到的模糊综合评价结果向量,按照最大隶属度原则选择最大系数对应的交通态势作为该检测点位或路段的交通态势等级;
(8)对每个检测点位或路段均重复步骤(6)和步骤(7),得到最终的机场陆侧区域交通态势预测结果。
2.如权利要求1所述的一种基于多源异构数据的机场陆侧区域交通态势预测方法,其特征在于,所述步骤(1)中,交通流数据包括流量、速度和行程时间。
3.如权利要求1或2所述的一种基于多源异构数据的机场陆侧区域交通态势预测方法,其特征在于,所述步骤(3)中,所述特征选择算法为XGBOOST。
4.如权利要求1或2所述的一种基于多源异构数据的机场陆侧区域交通态势预测方法,其特征在于,所述步骤(4)中,所述深度学习算法为LSTM。
5.如权利要求1或2所述的一种基于多源异构数据的机场陆侧区域交通态势预测方法,其特征在于,所述步骤(4)中,所述机场陆侧区域交通流状态包括速度、流量和行程时间,所述预测值包括流量、速度和行程时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002569.8A CN113837446B (zh) | 2021-08-30 | 2021-08-30 | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002569.8A CN113837446B (zh) | 2021-08-30 | 2021-08-30 | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837446A CN113837446A (zh) | 2021-12-24 |
CN113837446B true CN113837446B (zh) | 2024-01-09 |
Family
ID=78961518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111002569.8A Active CN113837446B (zh) | 2021-08-30 | 2021-08-30 | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837446B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620526B (zh) * | 2022-12-21 | 2023-03-07 | 中国民航大学 | 一种基于大数据分析的机场陆侧交通管理系统及优化方法 |
CN115862338B (zh) * | 2023-03-01 | 2023-05-16 | 天津大学 | 一种机场交通流量预测方法、系统、电子设备及介质 |
CN117094062B (zh) * | 2023-10-16 | 2024-02-27 | 广东省建筑设计研究院有限公司 | 一种航站楼陆侧高效交通设计方法及构型、系统 |
CN117636633B (zh) * | 2023-11-27 | 2024-05-17 | 香港科技大学(广州) | 一种基于时空感知混合图的交通流量预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521981A (zh) * | 2011-12-20 | 2012-06-27 | 青岛海信网络科技股份有限公司 | 一种基于消息中间件的交通态势计算方法 |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN107248284A (zh) * | 2017-08-09 | 2017-10-13 | 北方工业大学 | 基于多源信息融合的实时交通评价方法 |
CN110807919A (zh) * | 2019-10-22 | 2020-02-18 | 浙江大学 | 基于过车数据的城市路网交通运行态势评价方法 |
CN112561304A (zh) * | 2020-12-10 | 2021-03-26 | 交科院技术咨询(北京)有限公司 | 城市常规公交线网的评价方法 |
WO2021147300A1 (zh) * | 2020-01-22 | 2021-07-29 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、系统与装置 |
CN113256975A (zh) * | 2021-05-12 | 2021-08-13 | 中国民航大学 | 基于级联失效的机场陆侧道路交通拥堵影响范围确定方法 |
CN113299120A (zh) * | 2021-05-25 | 2021-08-24 | 中国电子科技集团公司第二十八研究所 | 一种边云协同支撑的空中交通态势智能感知系统 |
-
2021
- 2021-08-30 CN CN202111002569.8A patent/CN113837446B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521981A (zh) * | 2011-12-20 | 2012-06-27 | 青岛海信网络科技股份有限公司 | 一种基于消息中间件的交通态势计算方法 |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN107248284A (zh) * | 2017-08-09 | 2017-10-13 | 北方工业大学 | 基于多源信息融合的实时交通评价方法 |
CN110807919A (zh) * | 2019-10-22 | 2020-02-18 | 浙江大学 | 基于过车数据的城市路网交通运行态势评价方法 |
WO2021147300A1 (zh) * | 2020-01-22 | 2021-07-29 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、系统与装置 |
CN112561304A (zh) * | 2020-12-10 | 2021-03-26 | 交科院技术咨询(北京)有限公司 | 城市常规公交线网的评价方法 |
CN113256975A (zh) * | 2021-05-12 | 2021-08-13 | 中国民航大学 | 基于级联失效的机场陆侧道路交通拥堵影响范围确定方法 |
CN113299120A (zh) * | 2021-05-25 | 2021-08-24 | 中国电子科技集团公司第二十八研究所 | 一种边云协同支撑的空中交通态势智能感知系统 |
Non-Patent Citations (1)
Title |
---|
唐龙峰.基于注意力机制的路段交通态势智能预测技术研究与实现.中国优秀硕士学位论文全文库.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113837446A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837446B (zh) | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 | |
US7755509B2 (en) | Use of pattern matching to predict actual traffic conditions of a roadway segment | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN100337256C (zh) | 城市路网交通流状态估计方法 | |
CN104766475B (zh) | 一种城市交通瓶颈挖掘方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN109670277A (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN109215343B (zh) | 基于社团发现的路网拥堵区域动态识别方法及系统 | |
CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
CN113065685B (zh) | 基于自动驾驶应用场景的高精地图交通规则模型及其实现方法 | |
CN112926768A (zh) | 基于时空注意力机制的地面道路车道级交通流预测方法 | |
CN110132298B (zh) | 垃圾清运车的最短路径确定方法 | |
Miao et al. | Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas | |
CN117012042B (zh) | 一种基于动态复杂网络的交通流量预测方法及设备 | |
Kerper et al. | Driving more efficiently-the use of inter-vehicle communication to predict a future velocity profile | |
CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
Kutlimuratov et al. | Impact of stops for bus delays on routes | |
CN111008747A (zh) | 一种基于交旅数据融合的景区客流量预测方法 | |
CN110132297B (zh) | 回收物清运导航方法 | |
Li et al. | On the layout of fixed urban traffic detectors: an application study | |
CN114923512A (zh) | 一种基于共享单车和出租车移动轨迹的城市污染物监测优化方法 | |
Tanimura et al. | Prediction of deceleration amount of vehicle speed in snowy urban roads using weather information and traffic data | |
CN106530689B (zh) | 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 |
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 |