CN114155717B - 一种交通流数据筛选方法、装置、设备及可读存储介质 - Google Patents

一种交通流数据筛选方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114155717B
CN114155717B CN202210123739.6A CN202210123739A CN114155717B CN 114155717 B CN114155717 B CN 114155717B CN 202210123739 A CN202210123739 A CN 202210123739A CN 114155717 B CN114155717 B CN 114155717B
Authority
CN
China
Prior art keywords
density
interval
spatial average
time length
traffic data
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
Application number
CN202210123739.6A
Other languages
English (en)
Other versions
CN114155717A (zh
Inventor
郑芳芳
刘婧
刘晓波
郝钢
王晓兰
孙毅
白霖涵
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.)
Chengdu Jiaoda Big Data Technology Co ltd
Southwest Jiaotong University
Original Assignee
Chengdu Jiaoda Big Data Technology Co ltd
Southwest Jiaotong University
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 Chengdu Jiaoda Big Data Technology Co ltd, Southwest Jiaotong University filed Critical Chengdu Jiaoda Big Data Technology Co ltd
Priority to CN202210123739.6A priority Critical patent/CN114155717B/zh
Publication of CN114155717A publication Critical patent/CN114155717A/zh
Application granted granted Critical
Publication of CN114155717B publication Critical patent/CN114155717B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/065Traffic 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

本发明提供了一种交通流数据筛选方法、装置、设备及可读存储介质,所述方法包括:获取第一时间段内的交通数据,将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度;将每一段交通数据所对应的小时交通流率、空间平均速度和密度记为一个样本中的参数,得到样本集,并对所述样本集进行筛选,得到筛选后的样本集;基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本。本发明筛选得到的样本为更接近于平稳状态的样本,因此利用本发明中筛选后的样本可拟合得到更可靠的交通流基本图模型。

Description

一种交通流数据筛选方法、装置、设备及可读存储介质
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种交通流数据筛选方法、装置、设备及可读存储介质。
背景技术
交通流基本图模型描述的是交通流参数在平稳状态(确定型)或平稳状态附近(随机型)的函数关系。模型拟合过程会受到明显偏离平稳状态的样本数据的影响,因此有必要将这些数据排除在外。平稳状态是由微观驾驶行为特性决定的,使用微观轨迹数据标定基本图模型时可通过界定前后车辆速度的变化情况选取合适的近稳态样本。然而,对于常见的定点检测器(如:线圈检测器)采集的数据,其不包含区分状态的微观信息,因此无法通过平稳状态的定义进行数据筛选,导致基本图模型的标定引入了大量的误差。
发明内容
本发明的目的在于提供一种交通流数据筛选方法、装置、设备及可读存储介质,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了一种交通流数据筛选方法,所述方法包括:
获取第一时间段内的交通数据,所述交通数据包括线圈检测器在第一时间长度内采集到的车辆总数、时间平均车速和时间占有率,所述第一时间长度小于所述第一时间段的时间长度;
将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度;
将每一段交通数据所对应的小时交通流率、空间平均速度和密度记为一个样本中的参数,得到样本集,并对所述样本集进行筛选,得到筛选后的样本集;
基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本。
第二方面,本申请实施例提供了一种交通流数据筛选装置,所述装置包括获取模块、划分模块、筛选模块和计算模块。
获取模块,用于获取第一时间段内的交通数据,所述交通数据包括线圈检测器在第一时间长度内采集到的车辆总数、时间平均车速和时间占有率,所述第一时间长度小于所述第一时间段的时间长度;
划分模块,用于将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度;
筛选模块,用于将每一段交通数据所对应的小时交通流率、空间平均速度和密度记为一个样本中的参数,得到样本集,并对所述样本集进行筛选,得到筛选后的样本集;
计算模块,用于基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本。
第三方面,本申请实施例提供了一种交通流数据筛选设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述交通流数据筛选方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述交通流数据筛选方法的步骤。
本发明的有益效果为:
1、本发明中基于线圈检测器采集到的数据进行数据筛选处理,筛选后得到的样本可以用于构建交通流基本图模型,本发明筛选得到的样本为更接近于平稳状态的样本,因此利用本发明中筛选后的样本可拟合得到更可靠的基本图模型。
2、本发明给出了宏观数据下准平稳状态的假设,弥补了使用定点检测器数据标定基本图模型时无法考虑稳态假设的不足;同时在该假设下提出了基于信值的准平稳状态宏观交通流数据样本筛选方法,使用筛选后的数据可拟合得到更可靠的基本图模型。
3、本发明提出了定点检测器数据下的准平稳交通状态假设。通过将密度区域离散化,认为每个密度区域内处于平稳状态附近的样本密度值呈均匀分布,速度值呈高斯分布,弥补了定点检测器数据下无法给出稳态描述的空白。
4、本发明通过显著性水平确定信值深度l,进而确定信值上下限,建立样本筛选方法。所提出的筛选方法能剔除明显偏离稳态的交通流样本,用于基本图模型拟合时能得到更可靠的结果。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例中所述的交通流数据筛选方法流程示意图;
图2是本发明实施例中所述的交通流数据筛选装置结构示意图;
图3是本发明实施例中所述的交通流数据筛选设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号或字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了一种交通流数据筛选方法,该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一时间段内的交通数据,所述交通数据包括线圈检测器在第一时间长度内采集到的车辆总数、时间平均车速和时间占有率,所述第一时间长度小于所述第一时间段的时间长度;
步骤S2、将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度;
步骤S3、将每一段交通数据所对应的小时交通流率、空间平均速度和密度记为一个样本中的参数,得到样本集,并对所述样本集进行筛选,得到筛选后的样本集;
步骤S4、基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本。
在本实施例中,第一时间段和第一时间长度和可以根据用户的需求进行自定义,例如第一时间段可以是半年或一年,第一时间长度可以是30s;
交通流基本图模型是指平稳状态下交通流宏观参数之间的函数关系,本质上是个体车辆微观驾驶行为在宏观层面的集聚体现。基本图模型是描述交通流系统特性最基本的方法,由其确定的交通流参数是宏观连续模型的基础输入信息,应用场景涉及交通状态识别、通行能力分析、交通控制、微观交通流模型构建等众多领域,同时也是交通规划与设计的重要依据。
交通流基本图模型假设交通流处于平稳状态,此时车辆的跟驰行为表现为头车以恒定速度行驶,车队内各车辆间速度相同,加速度均为0。稳态行为决定了车辆在不同拥堵程度下的期望速度、道路通行能力和队列的空间范围,因此在研究交通流参数基本关系时将研究范围界定在平稳状态下十分关键。从对稳态的描述中可以看出,该状态的确定基于微观驾驶行为特性。受检测手段的限制,描述微观交通特性的数据(如:全样本车辆轨迹数据)不易获取,因此在实际应用中往往利用定点检测器(如线圈检测器)采集数据(车辆计数、时间平均车速、时间占有率),经过转换得到宏观交通流数据(流量、空间平均车速、密度),进而标定基本图模型。这类数据中不包含区分状态的微观信息,因此这种标定方式相当于放松了稳态限制,为模型的标定引入了大量的误差。
本实施例中基于线圈检测器采集到的数据进行数据筛选处理,筛选后得到的样本可以用于构建交通流基本图模型,本实施例筛选得到的样本为更接近于平稳状态的样本,因此利用本实施例中筛选后的样本可拟合得到更可靠的基本图模型。
在本公开的一种具体实施方式中,所述步骤S2,还可以包括步骤S21和步骤S22。
步骤S21、将所述第一时间段内的交通数据按照第二时间长度进行划分,得到划分后的交通数据,所述第二时间长度介于所述第一时间段的时间长度和所述第一时间长度之间;
步骤S22、基于每个所述划分后的交通数据,计算得到所述划分后的交通数据在所述第二时间长度内的小时交通流率、空间平均速度和密度。
在本实施例中,即将线圈检测器采集的交通数据转换成交通流基本图模型描述的小时交通流量、密度和空间平均速度。交通流基本图模型描述的是平稳状态下宏观交通流参数间的函数关系,因此需要先从线圈检测器获取的信息中得到宏观交通流参数,包括小时交通流率、密度和空间平均速度。
在本公开的一种具体实施方式中,所述步骤S22,还可以包括步骤S221、步骤S222和步骤S223。
步骤S221、通过公式(1)计算得到所述划分后的交通数据在所述第二时间长度内的小时交通流率,所述公式(1)为:
Figure GDA0003564942090000071
公式(1)中,
Figure GDA0003564942090000072
为所述划分后的交通数据在所述第二时间长度内的小时交通流率;Ni为所述第二时间长度内第i个所述第一时间长度内的车辆总数;T1为所述第一时间长度;T2为所述第二时间长度;
步骤S222、通过公式(2)计算得到所述划分后的交通数据在所述第二时间长度内的空间平均速度,所述公式(2)为:
Figure GDA0003564942090000081
公式(2)中,
Figure GDA0003564942090000082
为所述划分后的交通数据在所述第二时间长度内的空间平均速度;T1为所述第一时间长度;T2为所述第二时间长度;
Figure GDA0003564942090000083
为所述第二时间长度内第i个所述第一时间长度内的时间平均车速,
Figure GDA0003564942090000084
为所述第二时间长度内所述时间平均车速的方差;
步骤S223、通过公式(3)计算得到所述划分后的交通数据在所述第二时间长度内的密度,所述公式(3)为:
Figure GDA0003564942090000085
公式(3)中,
Figure GDA0003564942090000086
为所述划分后的交通数据在所述第二时间长度内的密度;
Figure GDA0003564942090000087
为所述划分后的交通数据在所述第二时间长度内的小时交通流率;
Figure GDA0003564942090000088
为所述划分后的交通数据在所述第二时间长度内的空间平均速度。
在本实施例中,所述第一时间长度和所述第二时间长度的单位均为秒,并且所述第二时间长度小于3600s;
在本实施例中,所述第一时间长度可以为30s,即所述交通数据包括线圈检测器在30s内采集到的数据,所述第二时间长度可以为300s;在300s内包括10个30s,即公式(1)中的N1可以理解为第一个30s内采集到的车辆总数;
在本公开的一种具体实施方式中,所述步骤S3,还可以包括步骤S31和步骤S32。
步骤S31、获取数据删除条件,所述数据删除条件包括与所述小时交通流率、空间平均速度和密度相关的删除条件;
步骤S32、根据所述数据删除条件对样本进行筛选,其中,当所述样本中的所述参数满足所述数据删除条件时,则将包括所述参数的样本删除。
在本实施例中,计算得到
Figure GDA0003564942090000091
Figure GDA0003564942090000092
之后,将这三个数据集合成一个样本,即一个样本中包括
Figure GDA0003564942090000093
Figure GDA0003564942090000094
然后对样本进行筛选,其中,筛选条件为一个样本中的数据满足以下条件之一则将此样本删除,条件为:
1)
Figure GDA0003564942090000095
Figure GDA0003564942090000096
中至少存在一项小于零;
2)
Figure GDA0003564942090000097
为零但
Figure GDA0003564942090000098
大于零;
3)
Figure GDA0003564942090000099
大于350km/h。
在本公开的一种具体实施方式中,所述步骤S4,还可以包括步骤S41、步骤S42、步骤S43和步骤S44。
步骤S41、筛选出所述筛选后的样本集中的最大密度,根据所述最大密度和每个区间的长度划分得到至少两个密度区间;
步骤S42、基于所述筛选后的样本集计算每个密度区间对应的信值分界深度;
步骤S43、基于每个密度区间对应的信值分界深度计算得到每个密度区间所对应的信值区间,将密度处于所述密度区间内的样本中包含的空间平均速度进行分析,其中,将处于所述信值区间以外的所述空间平均速度所对应的样本进行删除,得到所述密度区间所对应的删除后的样本;
步骤S44、将所有的密度区间所对应的删除后的样本进行集合得到所述最终筛选后的样本。
在本公开的一种具体实施方式中,所述步骤S42,还可以包括步骤S421。
步骤S421、通过公式(4)计算得到每个密度区间对应的信值分界深度,所述公式(4)为:
Figure GDA0003564942090000101
公式(4)中,l为每个密度区间对应的信值分界深度;ni为处于第i个密度区间内的样本的数量,其中,若所述样本中包含的所述密度处于第i个密度区间内,则所述样本也就处于第i个密度区间内;
Figure GDA0003564942090000102
为标准正态分布的1-α/2分位点,其中,当
Figure GDA0003564942090000103
时,采用由Hofmann等人提出的“trustworthy”准则,当样本量较少时,将其退化成通过四分位值判断异常的标准,显著性水平α可由经验确定(如取0.05),也可根据所有样本中稳态样本的比例确定;
样本序列的信值是指特定信值深度下样本的顺序统计量,由中位数递归确定。
在本公开的一种具体实施方式中,所述步骤S43,还可以包括步骤S431。
步骤S431、通过公式(5)-(7)计算每个密度区间对应的信值区间,所述公式(5)-(7)为:
Figure GDA0003564942090000111
Figure GDA0003564942090000112
Figure GDA0003564942090000113
公式(5)中,dl为信值分界深度为l时对应的样本次序;其中
Figure GDA00035649420900001113
表示向下取整,d1对应速度序列中位数的样本次序,d2对应上四分位数的样本次序,依此类推,由不同信值深度的上下分位数可确定信值区间,ni为处于第i个密度区间内的样本的数量;
公式(6)-(7)中,Ll为信值区间的信值下限;Ul为信值区间的信值上限;
Figure GDA0003564942090000114
Figure GDA0003564942090000115
分别表示向下取整和向上取整;ni为处于第i个密度区间内的样本的数量;
Figure GDA0003564942090000116
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第dl位的空间平均速度,其中,若所述样本中包含的所述密度处于第i个密度区间内,则所述样本也就处于第i个密度区间内;
Figure GDA0003564942090000117
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure GDA0003564942090000118
位的空间平均速度;
Figure GDA0003564942090000119
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure GDA00035649420900001110
位的空间平均速度;
Figure GDA00035649420900001111
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第ni-dl+1位的空间平均速度;
Figure GDA00035649420900001112
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure GDA0003564942090000121
位的空间平均速度;
Figure GDA0003564942090000122
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure GDA0003564942090000123
Figure GDA0003564942090000124
位的空间平均速度;Z为整数集合;
信值下限和信值上限分别表示深度为l的上下分位样本次序对应的速度取值,若dl为整数则以该位置的速度值作为界限,否则界限将通过相邻两个速度值的均值来确定。当速度值落在信值区间外时,认为其明显偏离该密度区域下的稳态速度区间,在拟合基本图时不予考虑。
除了上述实施例,在另一种实施例方式中,由于在模型参数标定时样本选择对拟合结果有重要影响,但以往的研究中使用定点检测器数据标定基本图参数时,对于样本选择问题并未得到足够的重视,仅在数据预处理时设定参数的合理取值区间或制定规则筛选出不合理的样本点,而并没有对基本图模型建立的前提--平稳状态--进行充分的探讨。虽然从定点检测器数据中无法筛选出满足平稳性假设的样本,我们仍然可以基于对平稳状态的理解,从统计的角度对其近似描述。由于平稳状态下车辆按期望速度行驶,我们可以认为在平稳状态下的样本主要集中在一个高频密度-速度区域;相反,非平稳状态下车辆的运行受随机因素影响较大,数据样本呈现出分散的性质。
因此,所述步骤S3后,在所述步骤S4中还提出了准平稳交通状态假设,即将宏观交通流参数样本离散化,建立准平稳状态假设,首先以长度dk为单位,对密度取值区间离散化,将密度值划分至
Figure GDA0003564942090000125
个区间,
Figure GDA0003564942090000126
为向上取整符号,用k(i)、v(i)分别表示第i个密度区间中样本的密度值和速度值,然后对准平稳状态附近的K-V分布关系进行如下假设:
假设1:k(i)~U(dk×(i-1),dk×i);
假设2:v(i,J)~N(V(mean(k(i))),σi 2),J为i处对应的准平稳状态邻域;
即假设1认为样本密度值在区间i内呈均匀分布。当dk→0时这一假设天然成立,dk取较小值时可近似认为该假设成立;
假设2认为对于准平稳状态附近的样本,每个密度区间i内的样本速度值呈高斯分布,均值为V(mean(k(i))),是密度均值的函数(该函数由基本图模型刻画),方差为σi 2。这一假设的依据为所有分布在中间位置都是正态的,准平稳状态下的驾驶行为体现了大多数驾驶员的选择。
根据准平稳状态假设,再执行步骤S41、步骤S42、步骤S43、步骤S44、步骤S421和步骤S431的步骤,构建基于信值的样本筛选方法,进而最终筛选出的样本即为准平稳状态样本。对于第i个密度区间,首先将落在其中的样本速度值以顺序统计量的形式表示,根据判定准则确定临界信值深度;然后计算该信值深度对应的样本次序;最后由样本次序计算得到信值上下限,界限之内的样本被认为满足准平稳状态假设,为筛选出的准平稳状态交通流数据样本,对所有密度区间进行以上过程。
将落在深度为l的信值区域之内的速度样本视为在该密度范围内的准平稳状态样本,用集合
Figure GDA0003564942090000131
表示如公式(8),其中S(i)为未经筛选的样本集合。
Figure GDA0003564942090000132
Figure GDA0003564942090000141
个密度区间内的样本重复步骤S421和步骤S431,可以得到每个密度区间内的准平稳状态交通流数据样本,这些样本共同构成整个密度区域内准平稳状态交通流数据样本,如公式(9)。
Figure GDA0003564942090000142
本实施例中的方法从统计的角度对稳态进行近似描述,认为在平稳状态下的样本主要集中在一个高频密度-速度区域;相反,非平稳状态下车辆的运行受随机因素影响较大,数据样本呈现出明显偏离中心的分散性质。具体的,本实施例首先将交通密度离散化,从统计的角度给出准平稳状态交通流数据分布的假设。然后,基于该假设确定密度区域内样本速度值的顺序统计量,以深度为l的信值作为分界点建立样本筛选方法。界限之内的区域为准平稳状态区域,区域内的样本被认定为准平稳状态样本。利用本实施例中的方法可以从定点检测器采集的数据中筛选出准平稳状态样本,去除明显偏离准平稳状态的样本,使交通流基本图模型的标定更准确。
相较于上述实施例来讲,本实施例提出了定点检测器数据下的准平稳交通状态假设,通过将密度区域离散化,认为每个密度区域内处于平稳状态附近的样本密度值呈均匀分布,速度值呈高斯分布,弥补了定点检测器数据下无法给出稳态描述的空白。
实施例2
如图2所示,本实施例提供了一种交通流数据筛选装置,所述装置包括获取模块701、划分模块702、筛选模块703和计算模块704。
获取模块701,用于获取第一时间段内的交通数据,所述交通数据包括线圈检测器在第一时间长度内采集到的车辆总数、时间平均车速和时间占有率,所述第一时间长度小于所述第一时间段的时间长度;
划分模块702,用于将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度;
筛选模块703,用于将每一段交通数据所对应的小时交通流率、空间平均速度和密度记为一个样本中的参数,得到样本集,并对所述样本集进行筛选,得到筛选后的样本集;
计算模块704,用于基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本。
本实施例中基于线圈检测器采集到的数据进行数据筛选处理,筛选后得到的样本可以用于构建交通流基本图模型,本实施例筛选得到的样本为更接近于平稳状态的样本,因此利用本实施例中筛选后的样本可拟合得到更可靠的基本图模型。
在本公开的一种具体实施方式中,所述划分模块702,还包括划分单元7021和第一计算单元7022。
划分单元7021,用于将所述第一时间段内的交通数据按照第二时间长度进行划分,得到划分后的交通数据,所述第二时间长度介于所述第一时间段的时间长度和所述第一时间长度之间;
第一计算单元7022,用于基于每个所述划分后的交通数据,计算得到所述划分后的交通数据在所述第二时间长度内的小时交通流率、空间平均速度和密度。
在本公开的一种具体实施方式中,所述筛选模块703,还包括获取单元7031和第一筛选单元7032。
获取单元7031,用于获取数据删除条件,所述数据删除条件包括与所述小时交通流率、空间平均速度和密度相关的删除条件;
第一筛选单元7032,用于根据所述数据删除条件对样本进行筛选,其中,当所述样本中的所述参数满足所述数据删除条件时,则将包括所述参数的样本删除。
在本公开的一种具体实施方式中,所述计算模块704,还包括第二筛选单元7041、第二计算单元7042、第三计算单元7043和集合单元7044。
第二筛选单元7041,用于筛选出所述筛选后的样本集中的最大密度,根据所述最大密度和每个区间的长度划分得到至少两个密度区间;
第二计算单元7042,用于基于所述筛选后的样本集计算每个密度区间对应的信值分界深度;
第三计算单元7043,用于基于每个密度区间对应的信值分界深度计算得到每个密度区间所对应的信值区间,将密度处于所述密度区间内的样本中包含的空间平均速度进行分析,其中,将处于所述信值区间以外的所述空间平均速度所对应的样本进行删除,得到所述密度区间所对应的删除后的样本;
集合单元7044,用于将所有的密度区间所对应的删除后的样本进行集合得到所述最终筛选后的样本。
在本公开的一种具体实施方式中,所述第一计算单元7022,还包括第一计算子单元70221、第二计算子单元70222和第三计算子单元70223。
第一计算子单元70221,用于通过公式(1)计算得到所述划分后的交通数据在所述第二时间长度内的小时交通流率,所述公式(1)为:
Figure GDA0003564942090000171
公式(1)中,
Figure GDA0003564942090000172
为所述划分后的交通数据在所述第二时间长度内的小时交通流率;Ni为所述第二时间长度内第i个所述第一时间长度内的车辆总数;T1为所述第一时间长度;T2为所述第二时间长度;
第二计算子单元70222,用于通过公式(2)计算得到所述划分后的交通数据在所述第二时间长度内的空间平均速度,所述公式(2)为:
Figure GDA0003564942090000173
公式(2)中,
Figure GDA0003564942090000174
为所述划分后的交通数据在所述第二时间长度内的空间平均速度;T1为所述第一时间长度;T2为所述第二时间长度;
Figure GDA0003564942090000175
为所述第二时间长度内第i个所述第一时间长度内的时间平均车速,
Figure GDA0003564942090000176
为所述第二时间长度内所述时间平均车速的方差;
第三计算子单元70223,用于通过公式(3)计算得到所述划分后的交通数据在所述第二时间长度内的密度,所述公式(3)为:
Figure GDA0003564942090000181
公式(3)中,
Figure GDA0003564942090000182
为所述划分后的交通数据在所述第二时间长度内的密度;
Figure GDA0003564942090000183
为所述划分后的交通数据在所述第二时间长度内的小时交通流率;
Figure GDA0003564942090000184
为所述划分后的交通数据在所述第二时间长度内的空间平均速度。
在本公开的一种具体实施方式中,所述第二计算单元7042,还包括第四计算子单元70421。
第四计算子单元70421,用于通过公式(4)计算得到每个密度区间对应的信值分界深度,所述公式(4)为:
Figure GDA0003564942090000185
公式(4)中,l为每个密度区间对应的信值分界深度;ni为处于第i个密度区间内的样本的数量,其中,若所述样本中包含的所述密度处于第i个密度区间内,则所述样本也就处于第i个密度区间内;
Figure GDA0003564942090000186
为标准正态分布的1-α/2分位点。
在本公开的一种具体实施方式中,所述第三计算单元7043,还包括第五计算子单元70431。
第五计算子单元70431,用于通过公式(5)-(7)计算每个密度区间对应的信值区间,所述公式(5)-(7)为:
Figure GDA0003564942090000187
Figure GDA0003564942090000191
Figure GDA0003564942090000192
公式(5)中,dl为信值分界深度为l时对应的样本次序;其中
Figure GDA0003564942090000193
表示向下取整,d1对应速度序列中位数的样本次序,d2对应上四分位数的样本次序,依此类推,由不同信值深度的上下分位数可确定信值区间,ni为处于第i个密度区间内的样本的数量;
公式(6)-(7)中,Ll为信值区间的信值下限;Ul为信值区间的信值上限;
Figure GDA0003564942090000194
Figure GDA0003564942090000195
分别表示向下取整和向上取整;ni为处于第i个密度区间内的样本的数量;
Figure GDA0003564942090000196
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第dl位的空间平均速度,其中,若所述样本中包含的所述密度处于第i个密度区间内,则所述样本也就处于第i个密度区间内;
Figure GDA0003564942090000197
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure GDA0003564942090000198
位的空间平均速度;
Figure GDA0003564942090000199
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure GDA00035649420900001910
位的空间平均速度;
Figure GDA00035649420900001911
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第ni-dl+1位的空间平均速度;
Figure GDA00035649420900001912
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure GDA00035649420900001913
位的空间平均速度;
Figure GDA00035649420900001914
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure GDA0003564942090000201
Figure GDA0003564942090000202
位的空间平均速度;Z为整数集合;
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了交通流数据筛选设备,下文描述的交通流数据筛选设备与上文描述的交通流数据筛选方法可相互对应参照。
图3是根据一示例性实施例示出的交通流数据筛选设备800的框图。如图3所示,该交通流数据筛选设备800可以包括:处理器801,存储器802。该交通流数据筛选设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该交通流数据筛选设备800的整体操作,以完成上述的交通流数据筛选方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该交通流数据筛选设备800的操作,这些数据例如可以包括用于在该交通流数据筛选设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该交通流数据筛选设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,该交通流数据筛选设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的交通流数据筛选方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的交通流数据筛选方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由该交通流数据筛选设备800的处理器801执行以完成上述的交通流数据筛选方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的交通流数据筛选方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的交通流数据筛选方法的步骤。
该可读存储介质具体可以为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存储程序代码的可读存储介质。
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 (6)

1.一种交通流数据筛选方法,其特征在于,包括:
获取第一时间段内的交通数据,所述交通数据包括线圈检测器在第一时间长度内采集到的车辆总数、时间平均车速和时间占有率,所述第一时间长度小于所述第一时间段的时间长度;
将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度;
将每一段交通数据所对应的小时交通流率、空间平均速度和密度记为一个样本中的参数,得到样本集,并对所述样本集进行筛选,得到筛选后的样本集;
基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本;
其中,将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度,包括:
将所述第一时间段内的交通数据按照第二时间长度进行划分,得到划分后的交通数据,所述第二时间长度介于所述第一时间段的时间长度和所述第一时间长度之间;
基于每个所述划分后的交通数据,计算得到所述划分后的交通数据在所述第二时间长度内的小时交通流率、空间平均速度和密度;其中,通过公式(1)计算得到所述划分后的交通数据在所述第二时间长度内的小时交通流率,所述公式(1)为:
Figure FDA0003564942080000021
公式(1)中,
Figure FDA0003564942080000022
为所述划分后的交通数据在所述第二时间长度内的小时交通流率;Ni为所述第二时间长度内第i个所述第一时间长度内的车辆总数;T1为所述第一时间长度;T2为所述第二时间长度;
通过公式(2)计算得到所述划分后的交通数据在所述第二时间长度内的空间平均速度,所述公式(2)为:
Figure FDA0003564942080000023
公式(2)中,
Figure FDA0003564942080000024
为所述划分后的交通数据在所述第二时间长度内的空间平均速度;T1为所述第一时间长度;T2为所述第二时间长度;
Figure FDA0003564942080000025
为所述第二时间长度内第i个所述第一时间长度内的时间平均车速,
Figure FDA0003564942080000026
为所述第二时间长度内所述时间平均车速的方差;
通过公式(3)计算得到所述划分后的交通数据在所述第二时间长度内的密度,所述公式(3)为:
Figure FDA0003564942080000027
公式(3)中,
Figure FDA0003564942080000028
为所述划分后的交通数据在所述第二时间长度内的密度;
Figure FDA0003564942080000029
为所述划分后的交通数据在所述第二时间长度内的小时交通流率;
Figure FDA00035649420800000210
为所述划分后的交通数据在所述第二时间长度内的空间平均速度;
其中,基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本,包括:
筛选出所述筛选后的样本集中的最大密度,根据所述最大密度和每个区间的长度划分得到至少两个密度区间;
基于所述筛选后的样本集计算每个密度区间对应的信值分界深度;
基于每个密度区间对应的信值分界深度计算得到每个密度区间所对应的信值区间,将密度处于所述密度区间内的样本中包含的空间平均速度进行分析,其中,将处于所述信值区间以外的所述空间平均速度所对应的样本进行删除,得到所述密度区间所对应的删除后的样本;
将所有的密度区间所对应的删除后的样本进行集合得到所述最终筛选后的样本;
其中,通过公式(4)计算得到每个密度区间对应的信值分界深度,所述公式(4)为:
Figure FDA0003564942080000031
公式(4)中,l为每个密度区间对应的信值分界深度;ni为处于第i个密度区间内的样本的数量;
Figure FDA0003564942080000033
为标准正态分布的1-α/2分位点;α为显著性水平;
通过公式(5)-(7)计算每个密度区间对应的信值区间,所述公式(5)-(7)为:
Figure FDA0003564942080000032
Figure FDA0003564942080000041
Figure FDA0003564942080000042
公式(5)中,dl为信值分界深度为l时对应的样本次序;其中
Figure FDA00035649420800000414
表示向下取整,ni为处于第i个密度区间内的样本的数量;
公式(6)-(7)中,Ll为信值区间的信值下限;Ul为信值区间的信值上限;
Figure FDA0003564942080000043
Figure FDA0003564942080000044
分别表示向下取整和向上取整;ni为处于第i个密度区间内的样本的数量;
Figure FDA0003564942080000045
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第dl位的空间平均速度,其中,若所述样本中包含的所述密度处于第i个密度区间内,则所述样本也就处于第i个密度区间内;
Figure FDA0003564942080000046
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure FDA0003564942080000047
位的空间平均速度;
Figure FDA0003564942080000048
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure FDA0003564942080000049
位的空间平均速度;
Figure FDA00035649420800000410
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第ni-dl+1位的空间平均速度;
Figure FDA00035649420800000411
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure FDA00035649420800000412
位的空间平均速度;
Figure FDA00035649420800000413
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure FDA00035649420800000415
Figure FDA00035649420800000416
位的空间平均速度;Z为整数集合。
2.根据权利要求1所述的交通流数据筛选方法,其特征在于,对所述样本集进行筛选,得到筛选后的样本集,包括:
获取数据删除条件,所述数据删除条件包括与所述小时交通流率、空间平均速度和密度相关的删除条件;
根据所述数据删除条件对样本进行筛选,其中,当所述样本中的所述参数满足所述数据删除条件时,则将包括所述参数的样本删除。
3.一种交通流数据筛选装置,其特征在于,包括:
获取模块,用于获取第一时间段内的交通数据,所述交通数据包括线圈检测器在第一时间长度内采集到的车辆总数、时间平均车速和时间占有率,所述第一时间长度小于所述第一时间段的时间长度;
划分模块,用于将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度;
筛选模块,用于将每一段交通数据所对应的小时交通流率、空间平均速度和密度记为一个样本中的参数,得到样本集,并对所述样本集进行筛选,得到筛选后的样本集;
计算模块,用于基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本;
其中,将所述第一时间段内的交通数据进行划分,并计算划分得到的每一段交通数据所对应的小时交通流率、空间平均速度和密度,包括:
将所述第一时间段内的交通数据按照第二时间长度进行划分,得到划分后的交通数据,所述第二时间长度介于所述第一时间段的时间长度和所述第一时间长度之间;
基于每个所述划分后的交通数据,计算得到所述划分后的交通数据在所述第二时间长度内的小时交通流率、空间平均速度和密度;其中,通过公式(1)计算得到所述划分后的交通数据在所述第二时间长度内的小时交通流率,所述公式(1)为:
Figure FDA0003564942080000061
公式(1)中,
Figure FDA0003564942080000062
为所述划分后的交通数据在所述第二时间长度内的小时交通流率;Ni为所述第二时间长度内第i个所述第一时间长度内的车辆总数;T1为所述第一时间长度;T2为所述第二时间长度;
通过公式(2)计算得到所述划分后的交通数据在所述第二时间长度内的空间平均速度,所述公式(2)为:
Figure FDA0003564942080000063
公式(2)中,
Figure FDA0003564942080000064
为所述划分后的交通数据在所述第二时间长度内的空间平均速度;T1为所述第一时间长度;T2为所述第二时间长度;
Figure FDA0003564942080000065
为所述第二时间长度内第i个所述第一时间长度内的时间平均车速,
Figure FDA0003564942080000066
为所述第二时间长度内所述时间平均车速的方差;
通过公式(3)计算得到所述划分后的交通数据在所述第二时间长度内的密度,所述公式(3)为:
Figure FDA0003564942080000071
公式(3)中,
Figure FDA0003564942080000072
为所述划分后的交通数据在所述第二时间长度内的密度;
Figure FDA0003564942080000073
为所述划分后的交通数据在所述第二时间长度内的小时交通流率;
Figure FDA0003564942080000074
为所述划分后的交通数据在所述第二时间长度内的空间平均速度;
其中,基于所述筛选后的样本集计算得到空间平均速度的取值范围,基于所述空间平均速度的取值范围对所述筛选后的样本集再次进行筛选,得到最终筛选后的样本,包括:
筛选出所述筛选后的样本集中的最大密度,根据所述最大密度和每个区间的长度划分得到至少两个密度区间;
基于所述筛选后的样本集计算每个密度区间对应的信值分界深度;
基于每个密度区间对应的信值分界深度计算得到每个密度区间所对应的信值区间,将密度处于所述密度区间内的样本中包含的空间平均速度进行分析,其中,将处于所述信值区间以外的所述空间平均速度所对应的样本进行删除,得到所述密度区间所对应的删除后的样本;
将所有的密度区间所对应的删除后的样本进行集合得到所述最终筛选后的样本;
其中,通过公式(4)计算得到每个密度区间对应的信值分界深度,所述公式(4)为:
Figure FDA0003564942080000075
公式(4)中,l为每个密度区间对应的信值分界深度;ni为处于第i个密度区间内的样本的数量;
Figure FDA0003564942080000081
为标准正态分布的1-α/2分位点;α为显著性水平;
通过公式(5)-(7)计算每个密度区间对应的信值区间,所述公式(5)-(7)为:
Figure FDA0003564942080000082
Figure FDA0003564942080000083
Figure FDA0003564942080000084
公式(5)中,dl为信值分界深度为l时对应的样本次序;其中
Figure FDA0003564942080000085
表示向下取整,d1对应速度序列中位数的样本次序,d2对应上四分位数的样本次序,依此类推,由不同信值深度的上下分位数可确定信值区间,ni为处于第i个密度区间内的样本的数量;
公式(6)-(7)中,Ll为信值区间的信值下限;Ul为信值区间的信值上限;
Figure FDA0003564942080000086
Figure FDA0003564942080000087
分别表示向下取整和向上取整;ni为处于第i个密度区间内的样本的数量;
Figure FDA0003564942080000088
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第dl位的空间平均速度,其中,若所述样本中包含的所述密度处于第i个密度区间内,则所述样本也就处于第i个密度区间内;
Figure FDA0003564942080000089
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure FDA00035649420800000810
位的空间平均速度;
Figure FDA00035649420800000811
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure FDA0003564942080000091
位的空间平均速度;
Figure FDA0003564942080000092
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第ni-dl+1位的空间平均速度;
Figure FDA0003564942080000093
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure FDA0003564942080000094
位的空间平均速度;
Figure FDA0003564942080000095
为处于第i个密度区间内的空间平均速度按从小到大进行排序,排列第
Figure FDA0003564942080000096
Figure FDA0003564942080000097
位的空间平均速度;Z为整数集合。
4.根据权利要求3所述的交通流数据筛选装置,其特征在于,筛选模块,包括:
获取单元,用于获取数据删除条件,所述数据删除条件包括与所述小时交通流率、空间平均速度和密度相关的删除条件;
第一筛选单元,用于根据所述数据删除条件对样本进行筛选,其中,当所述样本中的所述参数满足所述数据删除条件时,则将包括所述参数的样本删除。
5.一种交通流数据筛选设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至2任一项所述交通流数据筛选方法的步骤。
6.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述交通流数据筛选方法的步骤。
CN202210123739.6A 2022-02-10 2022-02-10 一种交通流数据筛选方法、装置、设备及可读存储介质 Active CN114155717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210123739.6A CN114155717B (zh) 2022-02-10 2022-02-10 一种交通流数据筛选方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210123739.6A CN114155717B (zh) 2022-02-10 2022-02-10 一种交通流数据筛选方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114155717A CN114155717A (zh) 2022-03-08
CN114155717B true CN114155717B (zh) 2022-04-26

Family

ID=80450406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210123739.6A Active CN114155717B (zh) 2022-02-10 2022-02-10 一种交通流数据筛选方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114155717B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114944062B (zh) * 2022-05-30 2023-05-26 长安大学 一种隧道平行交通系统构建方法
CN115830874B (zh) * 2023-02-10 2023-05-12 西南交通大学 一种交通流基本图的拟合性能评价方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103531023A (zh) * 2013-10-18 2014-01-22 北京世纪高通科技有限公司 一种数据处理方法及装置
CN107437093A (zh) * 2017-07-06 2017-12-05 重庆大学 一种基于rfid数据强度‑时间分布的初始聚类中心优化选取方法
CN110261272A (zh) * 2019-07-05 2019-09-20 西南交通大学 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6786420B1 (en) * 1997-07-15 2004-09-07 Silverbrook Research Pty. Ltd. Data distribution mechanism in the form of ink dots on cards
US7689321B2 (en) * 2004-02-13 2010-03-30 Evolution Robotics, Inc. Robust sensor fusion for mapping and localization in a simultaneous localization and mapping (SLAM) system
US20200074864A1 (en) * 2018-09-04 2020-03-05 GM Global Technology Operations LLC System to reduce the rate of redundant vehicle data
US20210097854A1 (en) * 2020-12-14 2021-04-01 Intel Corporation Monitoring system, apparatus of a vehicle, apparatus of a roadside unit, traffic infrastructure system, and methods thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103531023A (zh) * 2013-10-18 2014-01-22 北京世纪高通科技有限公司 一种数据处理方法及装置
CN107437093A (zh) * 2017-07-06 2017-12-05 重庆大学 一种基于rfid数据强度‑时间分布的初始聚类中心优化选取方法
CN110261272A (zh) * 2019-07-05 2019-09-20 西南交通大学 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Aurelien Cavelan.Detection of Silent Data Corruptions in Smoothed Particle Hydrodynamics Simulations.《2019 19th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGRID)》.2019,31-40. *
Gaoyuan Xiong.An Effective Data Filtering Scheme Based on Context in VANETs.《2020 IEEE 20th International Conference on Communication Technology (ICCT)》.2020,752-756. *
Heike Hofmann.Letter-Value Plots: Boxplots for Large Data.《Journal of computational and graphical statistics》.2017,469-477. *
葛明达.激光雷达四维像多尺度像素级信息融合算法研究.《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》.2014,(第03期),I136-538. *

Also Published As

Publication number Publication date
CN114155717A (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN114155717B (zh) 一种交通流数据筛选方法、装置、设备及可读存储介质
Joubert et al. Combining accelerometer data and contextual variables to evaluate the risk of driver behaviour
WO2022142042A1 (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN112434260B (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN113570867B (zh) 一种城市交通状态预测方法、装置、设备及可读存储介质
Li Application of finite mixture of logistic regression for heterogeneous merging behavior analysis
CN115952062A (zh) 数据异常检测方法、装置、设备及介质
CN115080638B (zh) 微观仿真的多源数据融合分析方法、电子设备及存储介质
JP2021182189A (ja) 事故予測方法、コンピュータプログラム、事故予測装置及び学習モデル生成方法
CN114238033B (zh) 板卡运行状态预警方法、装置、设备及可读存储介质
CN113836241B (zh) 时序数据分类预测方法、装置、终端设备及存储介质
Kalair et al. Dynamic and interpretable hazard-based models of traffic incident durations
CN114601478A (zh) 一种提高司机警觉度的方法、装置、设备及可读存储介质
WO2016037346A1 (en) Measuring and diagnosing noise in urban environment
Panwai et al. A reactive agent-based neural network car following model
CN114118306B (zh) Sds凝胶电泳实验数据的分析方法、装置及sds凝胶试剂
US20230058076A1 (en) Method and system for auto generating automotive data quality marker
Rao et al. Investigating the intra-driver heterogeneity in car following behaviour based on large-scale naturalistic driving study
WO2022025244A1 (ja) 車両事故予測システム、車両事故予測方法、車両事故予測プログラム、及び、学習済みモデル生成システム
Kim et al. A study on travel time estimation of diverging traffic stream on highways based on timestamp data
CN109612467B (zh) 轨迹简化方法、系统及轨迹可视化系统
CN112149833B (zh) 基于机器学习的预测方法、装置、设备和存储介质
CN114218504A (zh) 阻断路段识别方法、装置、电子设备及存储介质
CN116959259B (zh) 基于学校放学事件的交通预测方法、电子设备及存储介质
CN115830874B (zh) 一种交通流基本图的拟合性能评价方法及系统

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