CN114582141A - 常发车流量大路段识别方法及系统 - Google Patents
常发车流量大路段识别方法及系统 Download PDFInfo
- Publication number
- CN114582141A CN114582141A CN202210212928.0A CN202210212928A CN114582141A CN 114582141 A CN114582141 A CN 114582141A CN 202210212928 A CN202210212928 A CN 202210212928A CN 114582141 A CN114582141 A CN 114582141A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road section
- traffic flow
- day
- hour
- 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
Images
Classifications
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种常发车流量大路段识别方法及系统,属于交通运营管理技术领域,包括不考虑道路通行能力的常发车流量大路段识别方法和考虑道路通行能力的常发车流量大路段识别方法,分别基于海量历史交通大数据,统计路段车流量和交通饱和度的概率分布,计算路段车流量和交通饱和度超过设定阈值的概率,以及给定可靠度情况下路段的车流量和交通饱和度,提取常发车流量大路段。本发明能够为交通管理部门制定管控措施,发布智能诱导信息,引导流量均衡分布,疏导车流量大路段提供数据支撑;能够为交通规划部门和建设部门制定道路改扩建方案提供科学依据,从而提升道路网络的整体服务水平。
Description
技术领域
本发明涉及交通运营管理技术领域,具体涉及一种常发车流量大路段识别方法及系统。
背景技术
随着经济的飞速发展,人们生活水平的提高,交通出行需求急剧增加,导致部分道路实际车流量远远超过设计通行能力,造成交通异常拥堵,严重影响人们的出行质量。例如,受上下班通勤出行的影响,部分道路在早晚高峰出现异常拥堵;部分关键路段,如机场、火车站等周边道路,车流量大,导致交通长期处于拥堵状态;尤其在节假日期间外出旅游和走亲访友出行需求激增,导致部分道路车流量大,造成交通异常拥堵。
精准识别常发车流量大路段,一方面能够为交通管理部门制定交通管控措施,发布智能诱导信息,引导交通流量均衡分布,疏导车流量大路段提供数据支撑;另一方面能够为交通规划和建设部门制定道路改扩建方案提供科学依据,从而提升路网的整体服务水平。常发车流量大路段具有一定的规律性和可预见性,但是目前仍然缺乏可靠的常发车流量大路段识别方法。
申请号为201811365016.7的发明专利申请提出一种路段车流量报警的计算方法,通过统计路段卡口所在位置的断面5分钟流量及不同天气下路段的初始饱和流率,判别断面处的路段交通运行状态,实现“大流量、异常流量、拥堵、零值”四种实时流量报警。对于大流量报警,若当前时刻对应的断面流量大于等于设定阈值,则系统触发大流量报警。申请号为202010381370.X的发明专利申请提出一种车流量及路段车辆数检测系统,通过设定被检测路段长度及单位时长等固定数据,获取单位时间进入路段车辆数,获取单位时间驶出路段车辆数,对单位时间进出路段的车辆数进行分析处理,得出路段的瞬时车辆数及路段的拥堵率。专利号为201910293785.9的发明专利申请提出基于多目标回归的高速公路收费站车流量大数据预测方法,通过构建多目标回归模型,根据收费站历史车流量数据、天气数据等信息,预测收费站8点到10点每20分钟的车流量。
上述现有技术中,车流量大路段的判断标准是流量大于设定阈值,且只能识别短期5分钟内的流量大路段。受各种因素的影响,道路流量具有高度的差异性和波动性,例如,有些路段只是在短期内流量特别大(如事故绕行路径),但常态情况下流量都很小。
发明内容
本发明的目的在于提供一种基于道路通行能力、为制定道路网络的流量均衡分布策略及智慧化改造提升措施提供科学依据的常发车流量大路段识别方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种常发车流量大路段识别方法,该方法不考虑道路通行能力,包括如下步骤:
提取路段的历史车流量数据;
基于历史车流量数据统计每条路段在每天每小时的车流量;
计算每条路段在每天每小时车流量的均值和方差;
根据均值和方差计算路段车流量超过设定阈值的概率;
根据概率计算给定可靠度情况下的路段车流量;
根据路段车流量和可靠度,识别常发车流量大路段。
可选的,计算每条路段在每天每小时车流量的均值和方差包括:
计算路段车流量服从的概率分布,车流量在区间(a,b]的概率P{a<qi,θ,j≤b}可以表示为
其中,f(x)为qi,θ,j的概率密度函数,根据历史的车流量数据拟合得到。
式中,Φ(·)表示标准正态分布的分布函数。
可选的,当给定路段车流量时,可靠度的计算方法:路段i在特征日Θ第j个小时车流量qi,θ,j大于设定阈值Q0的概率的计算公式为
当给定可靠度时,路段车流量的计算方法:可靠度为θ时,路段i在特征日Θ第j个小时的车流量qi,θ,j的计算公式为
qi,θ,j=Φ-1(1-θ)·σi,C,j+μi,C,j
其中,Φ-1(·)表示正态分布累积概率密度函数的反函数。
第二方面,本发明提供一种基于如上所述的不考虑道路通行能力的方法的常发车流量大路段识别系统,包括:
提取模块,用于提取路段的历史车流量数据;
第一计算模块,用于基于历史车流量数据统计每条路段在每天每小时的车流量;
第二计算模块,用于计算每条路段在每天每小时车流量的均值和方差;
第三计算模块,用于根据均值和方差计算路段车流量超过设定阈值的概率;
第四计算模块,用于根据概率计算给定可靠度情况下的路段车流量;
识别模块,用于根据路段车流量和可靠度,识别常发车流量大路段。
第三方面,本发明提供一种常发车流量大路段识别方法,该方法考虑道路通行能力,包括如下步骤:
提取路段的历史车流量数据;
基于历史车流量数据统计每条路段在每天每小时的车流量;
计算每条路段在每天每小时的交通饱和度;
计算每条路段在每天每小时的交通饱和度的均值和方差;
根据均值和方差计算交通饱和度超过设定阈值的概率;
根据概率计算给定可靠度情况下的路段交通饱和度;
根据路段交通饱和度和可靠度,识别常发车流量大路段。
可选的,计算每条路段在每天每小时的交通饱和度的均值和方差,包括:
用Si,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的交通饱和度,用Ci,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的实际通行能力,用qi,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的车流量,则
计算路段交通饱和度服从的概率分布,交通饱和度在区间(a,b]的概率P{a<Si,θ,j≤b}可以表示为
其中,f(x)为Si,θ,j的概率密度函数,根据历史的交通饱和度拟合得到。
式中,Φ(·)表示标准正态分布的分布函数。
可选的,当给定路段交通饱和度时,可靠度的计算方法:路段i在特征日Θ第j个小时的交通饱和度Si,θ,j大于设定阈值S0的概率的计算公式为
当给定可靠度,路段交通饱和度的计算方法:当可靠度为θ时,路段i在特征日Θ第j个小时的交通饱和度Si,θ,j的计算公式为
其中,Φ-1(·)表示正态分布累积概率密度函数的反函数。
第四方面,本发明提供一种基于如上所述的考虑道路通行能力的方法的常发车流量大路段识别系统,包括:
提取模块,用于提取路段的历史车流量数据;
第一计算模块,用于基于历史车流量数据统计每条路段在每天每小时的车流量;
第二计算模块,用于计算每条路段在每天每小时的交通饱和度;
第三计算模块,用于计算每条路段在每天每小时的交通饱和度的均值和方差;
第四计算模块,用于根据均值和方差计算交通饱和度超过设定阈值的概率;
第五计算模块,用于根据概率计算给定可靠度情况下的路段交通饱和度;
识别模块,用于根据路段交通饱和度和可靠度,识别常发车流量大路段。
本发明有益效果:能够为交通管理部门制定管控措施,发布智能诱导信息,引导流量均衡分布,疏导车流量大路段提供数据支撑;能够为交通规划部门和建设部门制定道路改扩建方案提供科学依据,从而提升道路网络的整体服务水平。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
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获得其他的附图。
图1为本发明实施例1所述的不考虑道路通行能力的常发车流量大路段识别方法流程示意图。
图2为本发明实施例2所述的考虑道路通行能力的常发车流量大路段识别方法流程示意图。
图3为本发明实施例提出两种可靠的常发车流量大路段识别方法流程示意图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种常发车流量大路段识别系统,包括:
提取模块,用于提取路段的历史车流量数据;
第一计算模块,用于基于历史车流量数据统计每条路段在每天每小时的车流量;
第二计算模块,用于计算每条路段在每天每小时车流量的均值和方差;
第三计算模块,用于根据均值和方差计算路段车流量超过设定阈值的概率;
第四计算模块,用于根据概率计算给定可靠度情况下的路段车流量;
识别模块,用于根据路段车流量和可靠度,识别常发车流量大路段。
本实施例1中,利用上述的系统实现了不考虑道路通行能力的常发车流量大路段识别方法,该方法流程如图1所示,包括提取路段的历史车流量数据(如三个月);统计每条路段在每天每小时的车流量;计算每条路段在每天每小时车流量的均值和方差;计算路段车流量超过设定阈值的概率;计算给定可靠度情况下的路段车流量;根据路段车流量和可靠度,识别常发车流量大路段。
准备批量历史车流量数据(如三个月),计算每条路段每天每小时的车流量。由于不同特征时段的流量具有较大差异,将路段车流量划分为不同特征时段。具体的特征时段划分方法:将日期划分为节假日和非节假日,并进一步将节假日按照出程高峰和返程高峰划分为节前工作日、节假日前期(出程高峰)、节假日中期、节假日后期(返程高峰)、节后工作日,将非节假日按照星期划分为星期一到星期日7个特征日。
计算路段车流量服从的概率分布,车流量在区间(a,b]的概率P{a<qi,θ,j≤b}可以表示为
其中,f(x)为qi,θ,j的概率密度函数,根据历史的车流量数据拟合得到。
式中,φ(·)表示标准正态分布的分布函数。
当给定路段车流量时,可靠度的计算方法:路段i在特征日Θ第j个小时车流量qi,θ,j大于设定阈值Q0的概率的计算公式为
当给定可靠度时,路段车流量的计算方法:可靠度为θ时,路段i在特征日Θ第j个小时的车流量qi,θ,j的计算公式为
qi,θ,j=Φ-1(1-θ)·σi,C,j+μi,C,j
其中,Φ-1(·)表示正态分布累积概率密度函数的反函数。
本实施例1中,通过上述计算方法,可以计算路段车流量和可靠度。当路段i在特征日Θ第j个小时的车流量超过设定阈值ε1,且可靠度超过设定阈值ε2时,判断路段i在特征日Θ第j个小时为常发车流量大路段。实际应用中,根据路段车流量和可靠度,对路段进行排名,优先对车流量大、可靠度高的路段进行改造提升。
实施例2
本实施例2中,提供一种常发车流量大路段识别系统,包括:
提取模块,用于提取路段的历史车流量数据;
第一计算模块,用于基于历史车流量数据统计每条路段在每天每小时的车流量;
第二计算模块,用于计算每条路段在每天每小时的交通饱和度;
第三计算模块,用于计算每条路段在每天每小时的交通饱和度的均值和方差;
第四计算模块,用于根据均值和方差计算交通饱和度超过设定阈值的概率;
第五计算模块,用于根据概率计算给定可靠度情况下的路段交通饱和度;
识别模块,用于根据路段交通饱和度和可靠度,识别常发车流量大路段。
如图2所示,本实施例2中,利用上述的系统实现了考虑道路通行能力的常发车流量大路段识别方法,包括:提取路段的历史车流量数据(如三个月);统计每条路段在每天每小时的车流量;计算每条路段在每天每小时的交通饱和度;计算每条路段在每天每小时的交通饱和度的均值和方差;计算路段的交通饱和度超过设定阈值的概率;计算给定可靠度情况下路段的交通饱和度;根据路段的交通饱和度和可靠度,识别车流量大路段。
在车流量相同的情况下,道路通行能力决定了道路的服务水平。道路通行能力受道路条件(如车道数、车道宽度、侧向余宽、行车视距、纵坡、路面状况等)、交通条件(如交通量大小、混合车型、行人、非机动车干扰等)和交通外环境(如沿线地形、地物、景观、气候等)三方面因素的影响。本实施例2中,道路服务水平通常分为6级:
一级服务水平:交通流处于自由流状态。行车密度小,速度高,驾驶的自由度很大,驾驶人能够按照自己的意愿选择行驶速度,不受交通流中其他车辆的影响。公路设施为驾驶人提供的舒适度和方便性最优。较小的交通事故或行车障碍的影响容易消除,在事故路段不会产生停滞排队。
二级服务水平:交通流基本处于自由流状态,驾驶人基本可以按照自己的意愿选择行驶速度,但是开始关注到交通流内有其他参与者,驾驶人身心舒适水平很高,较小的交通事故或行车障碍的影响易消除,在事故路段会产生轻微停滞排队。
三级服务水平:交通流状态处于稳定流的上半段。车辆间的相互影响变大,选择速度受到其他车辆的影响,变换车道时驾驶人要格外小心,较小的交通事故仍能消除,但事故路段的服务质量大大降低,事故路段会形成排队,驾驶人心情紧张。
四级服务水平:交通流状态处于稳定流的下半段,但是车辆运行明显地受到交通流内其他车辆的相互影响,速度和驾驶的自由度受到明显限制。交通量稍有增加就会导致服务水平的显著降低,驾驶人身心舒适水平降低,即使较小的交通事故也难以消除,会形成很长的排队车流。
五级服务水平:交通流状态处于拥挤流,交通量即将达到饱和状态。任何干扰都会使交通流紊乱甚至交通阻塞,车流行驶的灵活性极端受限,驾驶人身心舒适水平很差。
六级服务水平:交通流处于拥堵状态,是通常意义上的强制流或阻塞流。交通需求超过公路设施允许的通过量,车流排队行驶,队列中的车辆出现走走停停现象,运行状态极不稳定,可能在不同交通流状态间发生突变。
道路服务水平可以通过交通饱和度量化。交通饱和度是实际交通量和实际通行能力的比值。用Si,θ,j表示路段i在特征日Θ第j个小时的交通饱和度,用Ci,θ,j表示路段i在特征日Θ第j个小时的实际通行能力,用qi,θ,j表示路段i在特征日Θ第j个小时的车流量,则
例如,对于高速公路基本路段,当Si,θ,j≤0.35,服务水平是一级;当0.35<Si,θ,j≤0.55,服务水平是二级;当0.55<Si,θ,j≤0.75,服务水平是三级;当0.75<Si,θ,j≤0.9,服务水平是四级;当0.9<Si,θ,j≤1,服务水平是五级;当Si,θ,j>1,服务水平是六级。
本实施例2中,准备批量历史车流量数据(如三个月),计算每条路段每天每小时的车流量。由于不同特征时段的车流量具有较大差异,将路段的车流量按照特征时段划分为不同时段,具体的特征时段划分方法:将日期划分为节假日和非节假日,并进一步将节假日按照出程高峰和返程高峰划分为节前工作日、节假日前期(出程高峰)、节假日中期、节假日后期(返程高峰)、节后工作日,将非节假日按照星期划分为星期一到星期日7个特征日。
用Si,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的交通饱和度,用Ci,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的实际通行能力,用qi,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的车流量,则
计算路段交通饱和度服从的概率分布,交通饱和度在区间(a,b]的概率P{a<Si,θ,j≤b}可以表示为
其中,f(x)为Si,θ,j的概率密度函数,根据历史的交通饱和度拟合得到。
式中,Φ(·)表示标准正态分布的分布函数。
当给定路段交通饱和度时,可靠度的计算方法:路段i在特征日Θ第j个小时的交通饱和度Si,θ,j大于设定阈值S0的概率的计算公式为
当给定可靠度,路段交通饱和度的计算方法:当可靠度为θ时,路段i在特征日Θ第j个小时的交通饱和度Si,θ,j的计算公式为
其中,Φ-1(·)表示正态分布累积概率密度函数的反函数。
本实施例2中,通过上述计算方法,可以计算路段交通饱和度和可靠度。当路段i在特征日Θ第j个小时的交通饱和度超过设定阈值ε3,且可靠度超过设定阈值ε4时,判断路段i在特征日Θ第j个小时为常发车流量大路段。实际应用中,根据路段交通饱和度和可靠度,对路段进行排名,优先对交通饱和度高、可靠度高的路段进行改造提升。
综上,如图3所示,本发明实施例提出两种可靠的常发车流量大路段识别方法,包括不考虑道路通行能力的常发车流量大路段识别方法和考虑道路通行能力的常发车流量大路段识别方法,分别基于海量历史交通大数据,统计路段车流量和交通饱和度的概率分布,计算路段车流量和交通饱和度超过设定阈值的概率,以及给定可靠度情况下路段的车流量和交通饱和度,提取常发车流量大路段。该方法一方面能够为交通管理部门制定管控措施,发布智能诱导信息,引导流量均衡分布,疏导车流量大路段提供数据支撑;另一方面能够为交通规划部门和建设部门制定道路改扩建方案提供科学依据,从而提升道路网络的整体服务水平。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种常发车流量大路段识别方法,该方法不考虑道路通行能力,其特征在于,包括如下步骤:
提取路段的历史车流量数据;
基于历史车流量数据统计每条路段在每天每小时的车流量;
计算每条路段在每天每小时车流量的均值和方差;
根据均值和方差计算路段车流量超过设定阈值的概率;
根据概率计算给定可靠度情况下的路段车流量;
根据路段车流量和可靠度,识别常发车流量大路段。
5.一种基于如权利要求1-4任一项所述的方法的常发车流量大路段识别系统,其特征在于,包括:
提取模块,用于提取路段的历史车流量数据;
第一计算模块,用于基于历史车流量数据统计每条路段在每天每小时的车流量;
第二计算模块,用于计算每条路段在每天每小时车流量的均值和方差;
第三计算模块,用于根据均值和方差计算路段车流量超过设定阈值的概率;
第四计算模块,用于根据概率计算给定可靠度情况下的路段车流量;
识别模块,用于根据路段车流量和可靠度,识别常发车流量大路段。
6.一种常发车流量大路段识别方法,该方法考虑道路通行能力,其特征在于,包括如下步骤:
提取路段的历史车流量数据;
基于历史车流量数据统计每条路段在每天每小时的车流量;
计算每条路段在每天每小时的交通饱和度;
计算每条路段在每天每小时的交通饱和度的均值和方差;
根据均值和方差计算交通饱和度超过设定阈值的概率;
根据概率计算给定可靠度情况下的路段交通饱和度;
根据路段交通饱和度和可靠度,识别常发车流量大路段。
7.根据权利要求6所述的常发车流量大路段识别方法,其特征在于,计算每条路段在每天每小时的交通饱和度的均值和方差,包括:
用Si,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的交通饱和度,用Ci,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的实际通行能力,用qi,θ,k,j表示路段i在特征日Θ第j个小时第k个样本的车流量,则
计算路段交通饱和度服从的概率分布,交通饱和度在区间(a,b]的概率P{a<Si,Θ,j≤b}可以表示为
其中,f(x)为Si,θ,j的概率密度函数,根据历史的交通饱和度拟合得到。
10.一种基于如权利要求6-9任一项所述的方法的常发车流量大路段识别系统,其特征在于,包括:
提取模块,用于提取路段的历史车流量数据;
第一计算模块,用于基于历史车流量数据统计每条路段在每天每小时的车流量;
第二计算模块,用于计算每条路段在每天每小时的交通饱和度;
第三计算模块,用于计算每条路段在每天每小时的交通饱和度的均值和方差;
第四计算模块,用于根据均值和方差计算交通饱和度超过设定阈值的概率;
第五计算模块,用于根据概率计算给定可靠度情况下的路段交通饱和度;
识别模块,用于根据路段交通饱和度和可靠度,识别常发车流量大路段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210212928.0A CN114582141B (zh) | 2022-03-04 | 2022-03-04 | 常发车流量大路段识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210212928.0A CN114582141B (zh) | 2022-03-04 | 2022-03-04 | 常发车流量大路段识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114582141A true CN114582141A (zh) | 2022-06-03 |
CN114582141B CN114582141B (zh) | 2023-09-22 |
Family
ID=81773976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210212928.0A Active CN114582141B (zh) | 2022-03-04 | 2022-03-04 | 常发车流量大路段识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114582141B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746640A (zh) * | 2024-02-20 | 2024-03-22 | 云南省公路科学技术研究院 | 一种道路交通车流量滚动预测方法、系统、终端及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050099323A1 (en) * | 2003-10-28 | 2005-05-12 | Pioneer Corporation | Device, system, method, program for reporting traffic condition, and recording medium with the program recorded therein |
CN101710449A (zh) * | 2009-12-04 | 2010-05-19 | 吉林大学 | 基于公交车gps数据的交通流运行状态识别方法 |
CN104732762A (zh) * | 2015-04-21 | 2015-06-24 | 银江股份有限公司 | 一种交通异常路段概率识别方法 |
US20180292224A1 (en) * | 2017-04-05 | 2018-10-11 | Gregory Brodski | System and method for traffic volume estimation |
CN109147330A (zh) * | 2018-09-19 | 2019-01-04 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
CN109360414A (zh) * | 2018-09-18 | 2019-02-19 | 北京交通大学 | 常发拥堵路段的识别和筛查方法 |
CN109935076A (zh) * | 2018-05-21 | 2019-06-25 | 吉林化工学院 | 一种城市快速路常发性交通瓶颈识别方法 |
CN110111578A (zh) * | 2019-05-25 | 2019-08-09 | 东南大学 | 一种基于张量恢复的偶发性交通拥堵检测方法 |
-
2022
- 2022-03-04 CN CN202210212928.0A patent/CN114582141B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050099323A1 (en) * | 2003-10-28 | 2005-05-12 | Pioneer Corporation | Device, system, method, program for reporting traffic condition, and recording medium with the program recorded therein |
CN101710449A (zh) * | 2009-12-04 | 2010-05-19 | 吉林大学 | 基于公交车gps数据的交通流运行状态识别方法 |
CN104732762A (zh) * | 2015-04-21 | 2015-06-24 | 银江股份有限公司 | 一种交通异常路段概率识别方法 |
US20180292224A1 (en) * | 2017-04-05 | 2018-10-11 | Gregory Brodski | System and method for traffic volume estimation |
CN109935076A (zh) * | 2018-05-21 | 2019-06-25 | 吉林化工学院 | 一种城市快速路常发性交通瓶颈识别方法 |
CN109360414A (zh) * | 2018-09-18 | 2019-02-19 | 北京交通大学 | 常发拥堵路段的识别和筛查方法 |
CN109147330A (zh) * | 2018-09-19 | 2019-01-04 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
CN110111578A (zh) * | 2019-05-25 | 2019-08-09 | 东南大学 | 一种基于张量恢复的偶发性交通拥堵检测方法 |
Non-Patent Citations (1)
Title |
---|
杨海强 等: "基于GPS数据的城市常发性拥堵区域识别方法", 《科学技术与工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746640A (zh) * | 2024-02-20 | 2024-03-22 | 云南省公路科学技术研究院 | 一种道路交通车流量滚动预测方法、系统、终端及介质 |
CN117746640B (zh) * | 2024-02-20 | 2024-04-30 | 云南省公路科学技术研究院 | 一种道路交通车流量滚动预测方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114582141B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
Lorenz et al. | A probabilistic approach to defining freeway capacity and breakdown | |
US6539300B2 (en) | Method for regional system wide optimal signal timing for traffic control based on wireless phone networks | |
Benekohal et al. | Methodology for estimating operating speed and capacity in work zones | |
CN105225500A (zh) | 一种交通控制辅助决策方法及装置 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN109147319B (zh) | 一种基于多交通数据指标的道路突发事件判别方法 | |
Liu et al. | Evaluating the impacts of unconventional outside left-turn lane design on traffic operations at signalized intersections | |
CN111882858B (zh) | 一种基于多源数据的高速公路异常事件排队长度预测方法 | |
DE102013000385A1 (de) | Verfahren und Navigationssystem zum Ermitteln eines Fahrroutenvorschlags für eine bevorstehende Fahrt mit einem Kraftwagen | |
Khan et al. | Traffic flow interruptions in Dhaka City: Is smooth traffic flow possible | |
CN116168539A (zh) | 一种公路通行能力参数的预测方法及预测装置 | |
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 | |
CN112150802B (zh) | 基于地面公交运行状态可靠性的城市道路等级划分方法 | |
CN114582141A (zh) | 常发车流量大路段识别方法及系统 | |
CN113920727B (zh) | 一种由施工引发道路拥堵的预测方法及系统 | |
CN109785627A (zh) | 一种十字路口交通流量监控系统 | |
Ambühl et al. | A case study of Zurich’s two-layered perimeter control | |
CN115731693A (zh) | 一种车道划分方法以及相关装置 | |
Messer | Advanced freeway system ramp metering strategies for Texas | |
CN110363317B (zh) | 一种路灯充电桩智能预约方法与系统 | |
Ova et al. | Evaluation of transit signal priority strategies for small-medium cities | |
Barlovic et al. | Online traffic simulation with cellular automata | |
CN112053570B (zh) | 一种城市交通路网运行状态监测评价方法及系统 | |
Ober-Sundermeier et al. | Prediction of congestion due to road works on freeways |
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 |