CN114463972A - 一种基于etc门架通信数据的路段区间交通分析预测方法 - Google Patents
一种基于etc门架通信数据的路段区间交通分析预测方法 Download PDFInfo
- Publication number
- CN114463972A CN114463972A CN202210095742.1A CN202210095742A CN114463972A CN 114463972 A CN114463972 A CN 114463972A CN 202210095742 A CN202210095742 A CN 202210095742A CN 114463972 A CN114463972 A CN 114463972A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- time
- sample
- interval
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 210000004258 portal system Anatomy 0.000 description 6
- 238000007667 floating Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明公开了一种基于ETC门架通信数据的路段区间交通分析预测方法，包括：按照交通部的接口协议，在路段区间对接样本数据，按收费业务特性对样本数据进行清洗加工，过滤异常交易情况记录，生成区间交通数据时空切片样本库；样本训练；进行实时数据的计算，形成路段区间车流、旅行时间和车速交通特征向量；建立区间交通分析模型，进行区间短时预测和区间周期趋势预测。本发明依托高速公路门架及收费站车辆通行数据，提供了区间路段车流及交通状态短期及趋势预测分析方法及区间短时预测、周期趋势预测场景应用开发，为高速相关职能部门决策者提供准确交通态势预测分析，为相应统筹运营管理提供工具，为公众的高速交通出行服务提供数据分析服务。
Description
技术领域
本发明涉及交通信息分析预测领域，尤其涉及一种基于ETC门架通信数据的路段区间交通分析预测方法。
背景技术
随着2020年取消省界站项目的实施，我国高速公路ETC门架建设全面完成，构建了覆盖全路网、高密度的融合高清车牌识别、ETC计费功能的门架系统。适度超前的设备配置为路网运营管理部门带来了海量高价值的计费、监测感知数据资源。
交通分析就是对交通调查的各类资料。运用系统分析方法，找出内部因果关系及发展趋势，为交通预测提供定性模型与结论。
现有的交通预测方法一般有遗传算法、神经网络、数据挖掘、支持向量机、灰色理论等；如在申请号为CN202011006344.5的发明专利中就公开了一种基于ETC门架系统的短时流量预测方法，该方法通过提取待预测路段内历史车辆通行数据，并按车道汇总样本流量数据；分别计算相邻两天或两天以上的不同时间段内的各车道流量变化浮动值，再计算得到变化浮动平均值；在待预测高速路段的同一通行方向上，选取相邻两个或两个以的ETC门架，统计历史车流量数据；再根据待预测路段内的ETC门架，采集相同时段内ETC门架每个车道的RSU天线数据并转换位交通量数据矩阵，计算路网各车道不同时段实时流量；将获得的车道实时流量数据与对应浮动平均值相乘，最终得出流量预测值。该方案解决了交调数据采集的是某一断面的交通量数据，无法细分到车道，以及交调点分布的密度不均匀，无法进行精细化计算的问题；从而提供一种数据采集快速方便、流量数据更新效率高、预测快速精准基于ETC门架系统的短时流量预测方法。但是该方案仅能进行短时流量预测，对导航APP较为适用，而对于高速运营职能部门来说，仅仅掌握路网交通车辆流量的短时预测，对于提高主动发现管控路网运营风险的管理效能并不明显。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于ETC门架通信数据的路段区间交通分析预测方法。
本发明的目的是通过以下技术方案来实现的：
一种基于ETC门架通信数据的路段区间交通分析预测方法，包括以下步骤：
步骤1：构建样本库：按照交通部的接口协议，在路段区间对接样本数据，按收费业务特性对样本数据进行清洗加工，过滤异常交易情况记录，生成区间交通数据时空切片样本库；
步骤2：样本训练：基于样本数据按照预测分析需求，构建损失函数，从而生成各项交通影响参数权重；
步骤3：实时数据计算：按最小5分钟完成相关路段区间门架和收费站业务数据实时数据加工，形成路段区间车流、旅行时间、车速交通特征向量；
步骤4：预测分析：根据预测需求，建立区间交通分析模型，进行区间短时预测和区间周期趋势预测，并根据样本训练结果和挖掘算法求得预测值。
进一步的，所述样本数据为通过接口协议采集的门架、收费站经纬度坐标和相邻区间里程的基础数据，并将高速路网按门架和收费站进行路段区间的分割。
进一步的，所述路段区间是相邻门架间或相邻门架与收费站间构成的无二义性路径的车辆高速通行区间；所述路段区间的分割利用撤站后路网部署的相邻门架间无二义路径的特性，采用相邻门架将高速路网分割为独立不可再发的区间。
进一步的，所述步骤1中生成区间交通数据时空切片样本库之前，还包括将历史数据按5分钟或1小时的不同时间维度分片计算统计相关省界、城际、收费站客、路段区间车流量、路段区间旅行时间和路段区间车辆行车车速的交通特征信息，并形成5分钟或1小时交通样本向量集合。
进一步的，所述路段区间旅行时间T的计算公式为：
其中，n为该时间段内通过该路段区间车辆总数；TSi为为第i辆车进入该路段区间的时间；TEi为该车离开该区间的时间。
进一步的，所述区间交通数据时空切片样本库依据样本向量的历史时序，将生成样本向量划分为工作日样本库和节假日样本库。
进一步的，所述区间短时预测的过程具体为：
步骤401：实时采集收费数据，按5分钟进行实时计算获取车流量的维度信息，实时计算区间路段车流量、车辆旅行时间和车辆平均速度，形成实时样本对象；
步骤402：根据采集数据的区间选择与之对应的样本库数据进行相识度比较，基于欧式几何距离公式，选取相似度最高的多个样本向量，然后对选取的样本向量各自对应的下一时间间隔的交通量进行累加求平均，求得预测值。
进一步的，所述区间周期趋势预测的过程具体为：
步骤411：按时间基于最近的多个天数的各路段区间小时进行统计样本；
步骤412：选取的各路段区间小时统计的样本数据，将各分布时间点的数据拟合成一条最佳趋势线，在此基础上，带入最近时间点发生数据测算未来24小时每小时交通流量；其中，损失函数为：
其中，w为各项预测因子待解权重，b为待解线性方程的截距，yi为各样本点数据，xi为第i个时空样本交通车流量，n为该路段区间样本总量。
本发明的有益效果：本发明总体思路基于全国取消省界后的高速路网大量部署的门架系统，对其数据进行清洗加工，构建路段区间样本数据，在此基础上结合KNN，线性回归，逻辑回归等算法建立省际、城际、路段的短时、周期交通预测模型；依托高速公路门架及收费站车辆通行数据，提供了区间路段车流及交通状态短期及趋势预测分析方法及区间短时预测、周期趋势预测场景应用开发，为高速相关职能部门决策者提供准确交通态势预测分析，为相应统筹运营管理提供工具，为公众的高速交通出行服务提供数据分析服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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示出的结构获得其他的附图。
图1是本发明的实施思路图。
图2是本发明的方法流程图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
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，所描述的实施例仅是本发明的一部分实施例，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。
实施例1，如图1和图2所示，一种基于ETC门架通信数据的路段区间交通分析预测方法，包括以下步骤：
步骤1：构建样本库：按照交通部的接口协议，在路段区间对接样本数据，按收费业务特性对样本数据进行清洗加工，过滤异常交易情况记录，生成区间交通数据时空切片样本库；
步骤2：样本训练：基于样本数据按照预测分析需求，构建损失函数，从而生成各项交通影响参数权重；
步骤3：实时数据计算：按最小5分钟完成相关路段区间门架和收费站业务数据实时数据加工，形成路段区间车流、旅行时间、车速交通特征向量；
步骤4：预测分析：根据预测需求，建立区间交通分析模型，进行区间短时预测和区间周期趋势预测，并根据样本训练结果和挖掘算法求得预测值。
样本数据准备：(1)样本数据为通过接口协议采集的门架、收费站经纬度坐标和相邻区间里程的基础数据，并将高速路网按门架和收费站进行路段区间的分割。
路段区间是相邻门架间或相邻门架与收费站间构成的无二义性路径的车辆高速通行区间；所述路段区间的分割利用撤站后路网部署的相邻门架间无二义路径的特性，采用相邻门架将高速路网分割为独立不可再发的区间。
(2)将历史数据按5分钟或1小时的不同时间维度分片计算统计相关省界、城际、收费站客、路段区间车流量、路段区间旅行时间和路段区间车辆行车车速的交通特征信息，并形成5分钟或1小时交通样本向量集合。
其中，路段区间车流量基于区间相关门架及出入口车流量统计方法如下：
其中，Vi为该区间统计时间范围经过的车辆，Distinct函数定义为过滤重复统计的车辆，n为车辆数量。
其中，路段区间旅行时间T的计算公式为：
其中，n为该时间段内通过该路段区间车辆总数；TSi为为第i辆车进入该路段区间的时间；TEi为该车离开该区间的时间。
(3)区间交通数据时空切片样本库依据样本向量的历史时序，将生成样本向量划分为工作日样本库和节假日样本库。区间交通数据按5分钟时空切片后，样本库中时空切片向量定义如下：
SetTraffic＝{Section,TrafficDT,Fs,Ts,Vs,Fb,Fe}，其中Section为区间编号，TrafficDT为交通时段(5分钟，如2020-10-0100:00:00表示时间段为2020年10月1日0点至2020年10月1日0点5分)，Fs为区间车流量，Ts为区间车辆平均旅行时间，Vs为区间车辆平均行驶速度，Fb为区间开始门架车流量，Fe为区间结束门架车流量。
在本实施例中，区间短时预测的过程具体为：
实时采集收费数据，按5分钟进行实时计算获取车流量的维度信息，实时计算区间路段车流量、车辆旅行时间和车辆平均速度，形成实时样本对象。
根据采集数据的区间选择与之对应的样本库数据进行相识度比较，基于欧式几何距离公式，选取相似度最高的多个样本向量，然后对选取的样本向量各自对应的下一时间间隔的交通量进行累加求平均，求得预测值。
其中的相似度计算公式为：
m为样本维度数，n为当前维度；xi、xj为两个相比较的时空切片样本向量，Xin、Xjn为两个时空切片向量中第n个维度的交通要素。
在本实施例中，所述区间周期趋势预测的过程具体为：
按时间基于最近的15～30天的各路段区间小时进行统计样本。
选取最近的15～30天的样本数据，将各分布时间点的数据拟合成一条最佳趋势线，在此基础上，带入最近时间点发生数据测算未来24小时每小时交通流量；设计预测公式符合线性关系函数Y＝wX+b，其中Y为未来24小时中某小时预测车流量，X为当日对应该小时的车流量，求解线性模型中w和b两个参数W则构建预测损失函数L(w，b)为
按照损失函数公式通过将L(w，b)分别对w和b求导，获取损失最小值是w，b的值，将L(w，b)分别对w和b求导，得到
①
②
上述两式①、②为，则可得到w和b的最优解如下：
其中，w为各项预测因子待解权重，b为待解线性方程的截距，yi为各样本点数据，xi为第i个时空样本交通车流量，n为该路段区间样本总量。
本发明从高速运营管理方角度出发，基于路网大规模部署的门架系统，通过对区域高速公路收费数据、高速门架通行数据等相关数据清洗，加工，对相关区域建立交通运行特征档案，通过相邻门架、收费站划分独立非二义性路径区间，按时间维度和空间维度构成时空数据切片，在此基础上建立区间交通流量，拥堵模型，实现高速路网交通态势准确预测、分析。
本发明能基于丰富门架的历史业务数据，在路网层面按相邻门架构建路径唯一的门架区间矩阵，实现精准颗粒度的路段交通数据时空切片，在此基础上通过KNN及线性回归算法完成路网交通车辆流量短时及周期趋势预测，提升高速运营职能部门掌控路网车辆通行态势，主动发现管控路网运营风险的管理效能。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM、RAM等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (8)
1.一种基于ETC门架通信数据的路段区间交通分析预测方法，其特征在于，包括以下步骤：
步骤1：构建样本库：按照交通部的接口协议，在路段区间对接样本数据，按收费业务特性对样本数据进行清洗加工，过滤异常交易情况记录，生成区间交通数据时空切片样本库；
步骤2：样本训练：基于样本数据按照预测分析需求，构建损失函数，从而生成各项交通影响参数权重；
步骤3：实时数据计算：按最小5分钟完成相关路段区间门架和收费站业务数据实时数据加工，形成路段区间车流、旅行时间、车速交通特征向量；
步骤4：预测分析：根据预测需求，建立区间交通分析模型，进行区间短时预测和区间周期趋势预测，并根据样本训练结果和挖掘算法求得预测值。
2.根据权利要求1所述的一种基于ETC门架通信数据的路段区间交通分析预测方法，其特征在于，所述样本数据为通过接口协议采集的门架、收费站经纬度坐标和相邻区间里程的基础数据，并将高速路网按门架和收费站进行路段区间的分割。
3.根据权利要求2所述的一种基于ETC门架通信数据的路段区间交通分析预测方法，其特征在于，所述路段区间是相邻门架间或相邻门架与收费站间构成的无二义性路径的车辆高速通行区间；所述路段区间的分割利用撤站后路网部署的相邻门架间无二义路径的特性，采用相邻门架将高速路网分割为独立不可再发的区间。
4.根据权利要求1所述的一种基于ETC门架通信数据的路段区间交通分析预测方法，其特征在于，所述步骤1中生成区间交通数据时空切片样本库之前，还包括将历史数据按5分钟或1小时的不同时间维度分片计算统计相关省界、城际、收费站客、路段区间车流量、路段区间旅行时间和路段区间车辆行车车速的交通特征信息，并形成5分钟或1小时交通样本向量集合。
5.根据权利要求4所述的一种基于ETC门架通信数据的路段区间交通分析预测方法，其特征在于，所述路段区间旅行时间T的计算公式为：
其中，n为该时间段内通过该路段区间车辆总数；TSi为为第i辆车进入该路段区间的时间；TEi为该车离开该区间的时间。
6.根据权利要求1所述的一种基于ETC门架通信数据的路段区间交通分析预测方法，其特征在于，所述区间交通数据时空切片样本库依据样本向量的历史时序，将生成样本向量划分为工作日样本库和节假日样本库。
7.根据权利要求1所述的一种基于ETC门架通信数据的路段区间交通分析预测方法，其特征在于，所述区间短时预测的过程具体为：
步骤401：实时采集收费数据，按5分钟进行实时计算获取车流量的维度信息，实时计算区间路段车流量、车辆旅行时间和车辆平均速度，形成实时样本对象；
步骤402：根据采集数据的区间选择与之对应的样本库数据进行相识度比较，基于欧式几何距离公式，选取相似度最高的多个样本向量，然后对选取的样本向量各自对应的下一时间间隔的交通量进行累加求平均，求得预测值。
8.根据权利要求1所述的一种基于ETC门架通信数据的路段区间交通分析预测方法，其特征在于，所述区间周期趋势预测的过程具体为：
步骤411：按时间基于最近的多个天数的各路段区间小时进行统计样本；
步骤412：选取的各路段区间小时统计的样本数据，将各分布时间点的数据拟合成一条最佳趋势线，在此基础上，带入最近时间点发生数据测算未来24小时每小时交通流量；其中，损失函数为：
其中，w为各项预测因子待解权重，b为待解线性方程的截距，yi为各样本点数据，xi为第i个时空样本交通车流量，n为该路段区间样本总量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210095742.1A CN114463972B (zh) | 2022-01-26 | 2022-01-26 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210095742.1A CN114463972B (zh) | 2022-01-26 | 2022-01-26 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114463972A true CN114463972A (zh) | 2022-05-10 |
| CN114463972B CN114463972B (zh) | 2024-02-27 |
Family
ID=81410686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210095742.1A Active CN114463972B (zh) | 2022-01-26 | 2022-01-26 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463972B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240414A (zh) * | 2022-07-19 | 2022-10-25 | 陕西蓝德智慧交通科技有限公司 | 一种基于etc门架系统的交通情况调查方法 |
| CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
| CN116386156A (zh) * | 2023-05-29 | 2023-07-04 | 云南贝蝉物联网科技有限公司 | 一种高速收费站etc终端故障处理方法 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
| CN116778718A (zh) * | 2023-08-24 | 2023-09-19 | 云南省交通投资建设集团有限公司 | 一种路段主线收费站出口交通拥堵预测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150609A (zh) * | 2013-02-18 | 2013-06-12 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
| CN106548625A (zh) * | 2016-12-07 | 2017-03-29 | 山东易构软件技术股份有限公司 | 一种城市道路交通状况组合预测方法 |
| CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术（北京）有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
| CN108629979A (zh) * | 2018-06-12 | 2018-10-09 | 浙江工业大学 | 一种基于历史和周边路口数据的拥堵预测算法 |
| CN110428629A (zh) * | 2019-09-03 | 2019-11-08 | 浙江创研信息技术有限公司 | 一种基于智能路测设备的道路状况探测方法 |
| CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
| CN111063204A (zh) * | 2019-12-19 | 2020-04-24 | 浙江省交通规划设计研究院有限公司 | 一种基于收费站流量的高速公路车速预测模型训练方法 |
| CN111932898A (zh) * | 2020-09-23 | 2020-11-13 | 南京感动科技有限公司 | 一种基于etc门架系统的短时流量预测方法 |
| WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
| CN113420414A (zh) * | 2021-05-27 | 2021-09-21 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
-
2022
- 2022-01-26 CN CN202210095742.1A patent/CN114463972B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150609A (zh) * | 2013-02-18 | 2013-06-12 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
| CN106548625A (zh) * | 2016-12-07 | 2017-03-29 | 山东易构软件技术股份有限公司 | 一种城市道路交通状况组合预测方法 |
| CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术（北京）有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
| CN108629979A (zh) * | 2018-06-12 | 2018-10-09 | 浙江工业大学 | 一种基于历史和周边路口数据的拥堵预测算法 |
| CN110428629A (zh) * | 2019-09-03 | 2019-11-08 | 浙江创研信息技术有限公司 | 一种基于智能路测设备的道路状况探测方法 |
| CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
| WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
| CN111063204A (zh) * | 2019-12-19 | 2020-04-24 | 浙江省交通规划设计研究院有限公司 | 一种基于收费站流量的高速公路车速预测模型训练方法 |
| CN111932898A (zh) * | 2020-09-23 | 2020-11-13 | 南京感动科技有限公司 | 一种基于etc门架系统的短时流量预测方法 |
| CN113420414A (zh) * | 2021-05-27 | 2021-09-21 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240414A (zh) * | 2022-07-19 | 2022-10-25 | 陕西蓝德智慧交通科技有限公司 | 一种基于etc门架系统的交通情况调查方法 |
| CN115240414B (zh) * | 2022-07-19 | 2024-04-02 | 陕西蓝德智慧交通科技有限公司 | 一种基于etc门架系统的交通情况调查方法 |
| CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
| CN115240431B (zh) * | 2022-09-20 | 2023-02-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
| CN116386156A (zh) * | 2023-05-29 | 2023-07-04 | 云南贝蝉物联网科技有限公司 | 一种高速收费站etc终端故障处理方法 |
| CN116386156B (zh) * | 2023-05-29 | 2024-01-02 | 特微乐行(广州)技术有限公司 | 一种高速收费站etc终端故障处理方法 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
| CN116778718A (zh) * | 2023-08-24 | 2023-09-19 | 云南省交通投资建设集团有限公司 | 一种路段主线收费站出口交通拥堵预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114463972B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114463972A (zh) | 一种基于etc门架通信数据的路段区间交通分析预测方法 | |
| CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
| CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
| CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
| CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
| CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
| CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
| CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
| CN109686090B (zh) | 一种基于多源数据融合的虚拟交通流量计算方法 | |
| CN102081846A (zh) | 基于高速公路收费数据轨迹匹配的交通状态识别方法 | |
| CN116504076A (zh) | 基于etc门架数据的高速公路车流量预测方法 | |
| CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| CN112116810A (zh) | 基于城市道路卡口数据的全路网路段行程时间估计方法 | |
| CN109615865B (zh) | 一种基于od数据增量迭代式估计路段交通流量的方法 | |
| CN108055639B (zh) | 一种基于信令数据分析的人流密度预测方法及系统 | |
| CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
| CN113821547A (zh) | 快速高效的停车场占有率短时预测方法、系统及存储介质 | |
| CN111680888A (zh) | 基于rfid数据确定路网容量的方法 | |
| CN115188192B (zh) | 一种基于行程预测的自动控制泊车系统及方法 | |
| CN111275073A (zh) | 一种基于手机信令数据的区域人流分析方法 | |
| CN113538907B (zh) | 一种基于交通流分级的行车时间估计系统 | |
| Niu et al. | Highway temporal-spatial traffic flow performance estimation by using gantry toll collection samples: A deep learning method | |
| CN117520906B (zh) | 基于人群出行活动熵的不同特征人群分类方法及系统 | |
| CN113538908B (zh) | 一种基于组合特征参数的路况分区系统 |
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 |