CN114627642B - 一种交通拥堵识别方法及装置 - Google Patents
一种交通拥堵识别方法及装置 Download PDFInfo
- Publication number
- CN114627642B CN114627642B CN202210179699.7A CN202210179699A CN114627642B CN 114627642 B CN114627642 B CN 114627642B CN 202210179699 A CN202210179699 A CN 202210179699A CN 114627642 B CN114627642 B CN 114627642B
- Authority
- CN
- China
- Prior art keywords
- driving speed
- time
- identified
- determining
- historical
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种交通拥堵识别方法及装置,该方法包括获取交通路段在任一待识别的时段对应的各时间维度下的历史行车速度记录,从各时间维度下的历史行车速度记录中,确定符合正态分布的参考历史行车速度记录,对参考历史行车速度记录进行交通时段划分,确定出各交通时段的行车速度子序列,根据待识别的时段所属的交通时段的行车速度子序列和待识别的时段的行车速度,确定交通路段在待识别的时段的拥堵类型。如此,该方案通过综合考虑历史时间周期性和交通动态演变性,分时间维度挖掘历史时间的行车速度,以此从多时间维度的历史行车速度记录中确定稳定性最高的历史行车速度记录用于作为拥堵类型识别的依据,即可有效地提高交通拥堵识别的准确性。
Description
技术领域
本申请涉及智能交通技术领域,尤其涉及一种交通拥堵识别方法及装置。
背景技术
随着城市交通流不断增长,不良交通影响的蔓延速度越来越快,影响范围越来越大,因此,交通安全管理的及时性和拥堵控制的有效性变得愈加重要。以宏观控制策略为指导,结合工作实际,主要从工作日、非工作日、特殊天气和重大活动等不同场景,从宏观层面制定交通管理控制策略;微观层面根据交通状态,制定多时段管控方案。在城市智能交通管理与控制系统中,及时地定位常发及突发交通拥堵现象,愈加受到交通管理与控制人员的重视。
工作、娱乐、交通和教育等主要功能的实现会使得交通数据呈现常态化的运行规律。其中,常态化的规律表现为工作日主要通勤干道的拥堵及区域性的扩散蔓延;非工作日商圈、学校、医院等区域内聚形式的拥堵;节假日景区及其周边区域内部的拥堵。此外,交通运行受外界环境、城市建设、功能区转移等复杂因素的影响,常态化规律呈现增长、消散等状态的转移。另外,在交通流随机性到达的影响下,交通数据在时间采集粒度下具有波动性,而交通演变规律具有一定的稳定性。但是,现阶段,在针对交通历史数据(比如车辆速度)进行分析处理识别交通拥堵时,因忽视交通时变规律导致交通拥堵的识别存在较大的误差。
综上,目前亟需一种交通拥堵识别方法,用以有效地提高交通拥堵识别的准确性。
发明内容
本申请示例性的实施方式中提供了一种交通拥堵识别方法及装置,用以有效地提高交通拥堵识别的准确性。
第一方面,本申请示例性的实施方式中提供了一种交通拥堵识别方法,适用于对交通路段进行各时段的拥堵类型识别,所述方法包括:
针对任一待识别的时段,获取所述交通路段在所述待识别的时段对应的各时间维度下的历史行车速度记录;其中,每一时间维度下的历史行车速度记录中包括具有相关度的各天的行车速度序列;任一天的行车速度序列用于表征所述交通路段在该天中按时序记录的各行车速度数据;
从所述各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录,并对所述参考历史行车速度记录进行交通时段划分,确定出各交通时段的行车速度子序列;
根据所述待识别的时段所属的交通时段的行车速度子序列和所述交通路段在所述待识别的时段的行车速度,确定所述交通路段在所述待识别的时段的拥堵类型。
上述技术方案中,本申请中的技术方案通过综合考虑历史时间的周期性和交通动态演变性,进行分时间维度挖掘历史时间的行车速度数据,并从多时间维度的历史时间行车速度记录中确定出行车速度数据时变稳定性最高的历史时间行车速度记录(即对应的某一时间维度的历史时间行车速度记录),然后通过针对该时间维度的历史时间行车速度记录进行交通时段的划分,以此可辅助后续准确地识别交通路段在某一待识别的时段所具有的拥堵类型。具体来说,针对任一交通路段,在对该交通路段的某一待识别的时段所具有的拥堵类型进行识别时,获取该交通路段在该待识别的时段对应的各时间维度下的历史行车速度记录,并从各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录(即行车速度数据时变稳定性最高的历史行车速度记录)。然后,针对该参考历史行车速度记录进行交通时段划分,即可在准确地确定出各交通时段的行车速度子序列,并根据待识别的时段所属的交通时段的行车速度子序列和该交通路段在该待识别的时段的行车速度,即可准确地确定该交通路段在该待识别的时段所具有的拥堵类型,从而可以有效地提高交通拥堵识别的准确性。
在一些示例性的实施方式中,所述获取所述交通路段在所述待识别的时段对应的各时间维度下的历史行车速度记录,包括:
确定所述待识别的时段所属的时间类型;
在各时间维度下,获取与所述待识别的时段所属的时间类型对应的各历史行车速度数据;
针对任一时间维度下的历史行车速度数据,通过预设的相关系数算法,从所述历史行车速度数据中确定出符合相关度要求的各天的行车速度序列,从而得到所述时间维度下的历史行车速度记录。
上述技术方案中,由于在不同时间类型(比如工作日、非工作日、固定节假日、人为规定的聚集日等),交通运行规律是不相同的,因此本申请中的技术方案通过按照不同时间类型进行获取对应的各时间维度下的历史行车速度记录,如此实现了针对不同时间类型的历史时间行车速度记录进行分层级的获取,并综合考虑了不同时间类型的周期性和不同时间类型的交通动态演变性,即可针对属于某一时间类型的待识别的时段的拥堵类型进行准确地识别。
在一些示例性的实施方式中,各时间维度包括周每天维度、周同期维度及月每天维度;
所述在各时间维度下,获取与所述待识别的时段所属的时间类型对应的各历史行车速度数据,包括:
在周每天维度下,获取至少前一周中与所述待识别的时段所属的时间类型相同的每一天的历史行车速度数据;
在周同期维度下,获取至少前一月中与所述待识别的时段符合周同期的每一天的历史行车速度数据;
在月每天维度下,获取至少前一月中与所述待识别的时段所属的时间类型相同的每一天的历史行车速度数据。
上述技术方案中,通过分时间维度的进行获取用于辅助识别拥堵类型的历史行车数据,如此,可更加全面地体现与待识别的时段匹配的某一时间类型的各行车速度数据的周期性、运行规律,以此可为更加准确地识别待识别的时段的拥堵类型提供有效地数据支持。
在一些示例性的实施方式中,所述通过预设的相关系数算法,从所述历史行车速度数据中确定出符合相关度要求的各天的行车速度序列,包括:
通过所述预设的相关系数算法,对所述历史行车数据中第m天的行车速度序列和第m+i天的行车速度序列进行相关度计算,确定所述第m天的行车速度序列与所述第m+i天的行车速度序列之间的相关度是否符合相关度要求;所述m和所述i均为大于等于1的整数;
若符合相关度要求,则将所述第m天的行车速度序列和所述第m+i天的行车速度序列加入至所述时间维度下的历史行车速度记录中。
上述技术方案中,通过预设的相关系数算法,可以准确地确定某一时间维度下符合设定相关度的各天的行车速度序列,以此可形成该时间维度下的历史行车速度记录,从而可以为后续准确地识别待识别的时段的拥堵类型提供有效地数据支持。
在一些示例性的实施方式中,所述从所述各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录,包括:
针对每个时间维度下的历史行车速度记录,确定所述时间维度下的历史行车速度记录对应的偏度系数和峰度系数,并根据所述偏度系数和所述峰度系数确定所述时间维度下的历史行车速度记录对应的综合系数值;
从多个综合系数值中确定出最小的综合系数值,并将所述最小的综合系数值对应的时间维度下的历史行车速度记录确定为参考历史行车速度记录。
上述技术方案中,由于峰度系数是可以用来反映频数分布曲线顶端尖峭或扁平程度的指标,且偏度系数是可以描述分布偏离对称性程度的一个特征数,因此偏度系数和峰度系数是可以用来衡量历史行车速度记录的分布形状。比如偏度系数越接近0,这说明数据集越对称;峰度系数越接近0,就说明数据集的分布峰度与正态分布越相似。因此,数据分布统计参数偏度系数的绝对值小于一个设定值且峰度系数的绝对值小于1一个设定值,则可认为数据序列近似服从于正态分布。基于上述分析,则通过偏度系数和峰度系数从各时间维度的历史行车速度记录中确定出最稳定的时间维度的历史行车速度记录,也即是符合正态分布的参考历史行车速度记录,从而可以将该参考历史行车速度记录作为后续准确识别待识别的时段的拥堵类型的依据。
在一些示例性的实施方式中,所述对所述参考历史行车速度记录进行交通时段划分,包括:
基于所述参考历史行车速度记录中各天的行车速度序列,确定各时间粒度下的行车速度参考值;
对所述各时间粒度下的行车速度参考值进行拟合,确定出多个区间段;将位于起始位置的区间段确定为夜间时段;
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值与所述夜间时段的行车速度参考值,确定所述区间段为高峰时段或平峰时段。
上述技术方案中,通过分析交通速度数据的分布,根据交通运行状态的显著性不同进行划分时段,比如,夜间时段的车流速度分布平均,在数据上表现为分布稳定;高峰时段大量车辆聚集,导致车辆之间相互影响,速度降低,极易发生拥堵;平峰时段即使较大车流也能够停车一次通过,即使拥堵发生也很快会消散。如此,通过拟合所确定的多个区间段,并结合各时段的交通运行特征,即可准确地划分出不同的交通时段。
在一些示例性的实施方式中,所述基于所述参考历史行车速度记录中各天的行车速度序列,确定各时间粒度下的行车速度参考值,包括:
基于所述参考历史行车速度记录中各天的行车速度序列,对各天中同一时间粒度下的行车速度的平均值进行平滑处理,得到各时间粒度下的行车速度参考值;
所述对所述各时间粒度下的行车速度参考值进行拟合,确定出多个区间段,包括:
通过最小二乘法对设定间隔内的各时间粒度的行车速度参考值进行直线拟合;
将相邻直线间的夹角大于等于夹角阈值的两直线拟合为一条直线;其中,同一直线上的线段对应一个区间段。
上述技术方案中,通过采用最小二乘法进行拟合,可确定出多条直线,并通过针对相邻两条直线的夹角进行判断,即可判断是否合并该相邻两条直线,从而能够准确地划分出不同的区间段。
在一些示例性的实施方式中,所述针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值与所述夜间时段的行车速度参考值,确定所述区间段为高峰时段或平峰时段,包括:
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值,确定所述区间段的第一速度均值,并根据所述夜间时段的行车速度参考值,确定所述夜间时段的第二速度均值,以及确定所述第一速度均值与所述第二速度均值的比值;
若所述比值大于等于第一设定阈值,则确定所述区间段为高峰时段;
若所述比值位于第二设定阈值与所述第一设定阈值之间,则确定所述区间段为平峰时段;所述第二设定阈值小于所述第一设定阈值。
上述技术方案中,由于夜间时段的车流速度分布平均,在数据上表现为分布稳定,因此可以将该夜间时段的速度均值作为区分高峰时段与平峰时段的参考依据。也即是,可以通过区间段的速度均值与夜间时段的速度均值的比值来准确地划分出高峰时段或平峰时段,比如设置用于区分高峰时段与平峰时段的阈值,针对任一区间段,若该区间段的速度均值与夜间时段的速度均值的比值大于等于第一设定阈值,则可以确定该区间段为高峰时段;若该区间段的速度均值与夜间时段的速度均值的比值位于第二设定阈值与第一设定阈值之间,则可以确定该区间段为平峰时段。
在一些示例性的实施方式中,根据所述待识别的时段所属的交通时段的行车速度子序列和所述交通路段在所述待识别的时段的行车速度,确定所述交通路段在所述待识别的时段的拥堵类型,包括:
根据所述待识别的时段所属的交通时段的行车速度子序列,确定所属交通时段对应的参考速度均值和参考速度标准差;
通过所述参考速度均值和所述参考速度标准差,确定用于识别拥堵类型的识别下限值和识别上限值;
若所述待识别的时段的行车速度位于所述识别下限值与所述识别上限值之间,则确定所述交通路段在所述待识别的时段具有的拥堵类型为非拥堵;
若所述待识别的时段的行车速度小于所述识别下限值,则在确定拥堵持续时长大于等于第一时长间阈值时,确定所述交通路段在所述待识别的时段具有的拥堵类型为突发拥堵;
若所述识别下限值小于0,则在确定所述待识别的时段的行车速度小于正常行车速度时,确定所述交通路段在所述待识别的时段具有的拥堵类型为常发拥堵。
上述技术方案中,通过将交通路段在待识别的时段的行车速度与该待识别的时段所属的交通时段的行车速度子序列确定的识别下限值、识别上限值进行比较,即可准确地判断交通路段在待识别的时段所具有的拥堵类型是常发拥堵、突发拥堵或非拥堵。
在一些示例性的实施方式中,还包括:
若所述待识别的时段的行车速度大于所述识别上限值,则确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正;
若所述待识别的时段的行车速度小于所述识别下限值,且所述交通路段的拥堵持续时长小于所述第一时长间阈值,则确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正;
若所述识别下限值小于0,且所述待识别的时段的行车速度大于等于正常行车速度,则在确定所述交通路段的畅通持续时长小于第二时长间阈值时,确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正。
上述技术方案中,在确定待识别的时段的行车速度为异常数据时,即可通过平滑位于待识别的时段之前的多个时段的行车速度,准确地对待识别的时段的行车速度进行修正,从而尽最大可能地减少在交通状态转移过程中,对常态化现象时空动态转移判断的影响。
第二方面,本申请示例性的实施方式中提供了一种交通拥堵识别装置,适用于对交通路段进行各时段的拥堵类型识别,所述装置包括:
获取单元,用于针对任一待识别的时段,获取所述交通路段在所述待识别的时段对应的各时间维度下的历史行车速度记录;其中,每一时间维度下的历史行车速度记录中包括具有相关度的各天的行车速度序列;任一天的行车速度序列用于表征所述交通路段在该天中按时序记录的各行车速度数据;
处理单元,用于从所述各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录,并对所述参考历史行车速度记录进行交通时段划分,确定出各交通时段的行车速度子序列;根据所述待识别的时段所属的交通时段的行车速度子序列和所述交通路段在所述待识别的时段的行车速度,确定所述交通路段在所述待识别的时段的拥堵类型。
在一些示例性的实施方式中,所述获取单元具体用于:
确定所述待识别的时段所属的时间类型;
在各时间维度下,获取与所述待识别的时段所属的时间类型对应的各历史行车速度数据;
针对任一时间维度下的历史行车速度数据,通过预设的相关系数算法,从所述历史行车速度数据中确定出符合相关度要求的各天的行车速度序列,从而得到所述时间维度下的历史行车速度记录。
在一些示例性的实施方式中,各时间维度包括周每天维度、周同期维度及月每天维度;
所述获取单元具体用于:
在周每天维度下,获取至少前一周中与所述待识别的时段所属的时间类型相同的每一天的历史行车速度数据;
在周同期维度下,获取至少前一月中与所述待识别的时段符合周同期的每一天的历史行车速度数据;
在月每天维度下,获取至少前一月中与所述待识别的时段所属的时间类型相同的每一天的历史行车速度数据。
在一些示例性的实施方式中,所述获取单元具体用于:
通过所述预设的相关系数算法,对所述历史行车数据中第m天的行车速度序列和第m+i天的行车速度序列进行相关度计算,确定所述第m天的行车速度序列与所述第m+i天的行车速度序列之间的相关度是否符合相关度要求;所述m和所述i均为大于等于1的整数;
若符合相关度要求,则将所述第m天的行车速度序列和所述第m+i天的行车速度序列加入至所述时间维度下的历史行车速度记录中。
在一些示例性的实施方式中,所述处理单元具体用于:
针对每个时间维度下的历史行车速度记录,确定所述时间维度下的历史行车速度记录对应的偏度系数和峰度系数,并根据所述偏度系数和所述峰度系数确定所述时间维度下的历史行车速度记录对应的综合系数值;
从多个综合系数值中确定出最小的综合系数值,并将所述最小的综合系数值对应的时间维度下的历史行车速度记录确定为参考历史行车速度记录。
在一些示例性的实施方式中,所述处理单元具体用于:
基于所述参考历史行车速度记录中各天的行车速度序列,确定各时间粒度下的行车速度参考值;
对所述各时间粒度下的行车速度参考值进行拟合,确定出多个区间段;将位于起始位置的区间段确定为夜间时段;
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值与所述夜间时段的行车速度参考值,确定所述区间段为高峰时段或平峰时段。
在一些示例性的实施方式中,所述处理单元具体用于:
基于所述参考历史行车速度记录中各天的行车速度序列,对各天中同一时间粒度下的行车速度的平均值进行平滑处理,得到各时间粒度下的行车速度参考值;
所述处理单元具体用于:
通过最小二乘法对设定间隔内的各时间粒度的行车速度参考值进行直线拟合;
将相邻直线间的夹角大于等于夹角阈值的两直线拟合为一条直线;其中,同一直线上的线段对应一个区间段。
在一些示例性的实施方式中,所述处理单元具体用于:
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值,确定所述区间段的第一速度均值,并根据所述夜间时段的行车速度参考值,确定所述夜间时段的第二速度均值,以及确定所述第一速度均值与所述第二速度均值的比值;
若所述比值大于等于第一设定阈值,则确定所述区间段为高峰时段;
若所述比值位于第二设定阈值与所述第一设定阈值之间,则确定所述区间段为平峰时段;所述第二设定阈值小于所述第一设定阈值。
在一些示例性的实施方式中,所述处理单元具体用于:
根据所述待识别的时段所属的交通时段的行车速度子序列,确定所属交通时段对应的参考速度均值和参考速度标准差;
通过所述参考速度均值和所述参考速度标准差,确定用于识别拥堵类型的识别下限值和识别上限值;
若所述待识别的时段的行车速度位于所述识别下限值与所述识别上限值之间,则确定所述交通路段在所述待识别的时段具有的拥堵类型为非拥堵;
若所述待识别的时段的行车速度小于所述识别下限值,则在确定拥堵持续时长大于等于第一时长间阈值时,确定所述交通路段在所述待识别的时段具有的拥堵类型为突发拥堵;
若所述识别下限值小于0,则在确定所述待识别的时段的行车速度小于正常行车速度时,确定所述交通路段在所述待识别的时段具有的拥堵类型为常发拥堵。
在一些示例性的实施方式中,所述处理单元还用于:
若所述待识别的时段的行车速度大于所述识别上限值,则确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正;
若所述待识别的时段的行车速度小于所述识别下限值,且所述交通路段的拥堵持续时长小于所述第一时长间阈值,则确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正;
若所述识别下限值小于0,且所述待识别的时段的行车速度大于等于正常行车速度,则在确定所述交通路段的畅通持续时长小于第二时长间阈值时,确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正。
第三方面,本申请实施例提供一种计算设备,包括至少一个处理器以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行上述第一方面任意所述的交通拥堵识别方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行上述第一方面任意所述的交通拥堵识别方法。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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为本申请一些实施例提供的一种交通拥堵识别方法的流程示意图;
图2为本申请一些实施例提供的一种时间序列分段示意图;
图3为本申请一些实施例提供的一种交通拥堵识别装置的结构示意图;
图4为本申请一些实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
图1示例性的示出了本申请实施例提供的一种交通拥堵识别方法的流程,该流程可以由交通拥堵识别装置执行。其中,交通拥堵识别装置可以是服务器或者也可以是能够支持服务器实现该方法所需的功能的部件(比如芯片或集成电路)等,当然也可以是其它具有实现该方法所需的功能的电子设备。本申请实施例中的交通拥堵识别方法适用于对任一交通路段进行各时段的拥堵类型识别。
如图1所示,该流程具体包括:
步骤101,针对任一待识别的时段,获取所述交通路段在所述待识别的时段对应的各时间维度下的历史行车速度记录。
本申请实施例中,针对每个时间维度,该时间维度下的历史行车速度记录中包括具有相关度的各天的行车速度序列(即各天的行车速度序列之间具有强相关性);任一天的行车速度序列用于表征交通路段在该天中按时序记录的各行车速度数据。
具体地,由于在不同时间类型(比如工作日、非工作日、固定节假日、人为规定的聚集日等),交通运行规律是不相同的,因此本申请中的技术方案通过按照不同时间类型进行获取对应的各时间维度下的历史行车速度记录,如此实现了针对不同时间类型的历史时间行车速度记录进行分层级的获取。也即是,首先确定待识别的时段所属的时间类型,并基于各时间维度,获取与该待识别的时段所属的时间类型匹配的各历史行车速度数据。然后,任一时间维度下的历史行车速度数据,通过预设的相关系数算法,从该历史行车速度数据中确定出符合相关度要求的各天的行车速度序列,从而即可得到该时间维度下的历史行车速度记录。其中,各时间维度可以包括周每天维度、周同期维度以及月每天维度。其中,在周每天维度下,可以获取至少前一周中与该待识别的时段所属的时间类型相同的每一天的历史行车速度数据;在周同期维度下,可以获取至少前一月中与该待识别的时段符合周同期的每一天的历史行车速度数据;在月每天维度下,可以获取至少前一月中与该待识别的时段所属的时间类型相同的每一天的历史行车速度数据,如此即可构成与该待识别的时段所属的时间类型匹配的各历史行车速度数据。之后,针对任一时间维度下的历史行车速度数据,通过预设的相关系数算法,将该时间维度下的历史行车速度数据中第m天的行车速度序列与该时间维度下的历史行车速度数据中位于第m天之后的任一天(即第m+i天)的行车速度序列进行相关度计算,以此确定第m天的行车速度序列与第m+i天的行车速度序列之间的相关度是否符合相关度要求,如果符合相关度要求,则将第m天的行车速度序列和第m+i的行车速度序列加入该时间维度下的历史行车速度记录中。其中,m和i均为大于等于1的整数。
需要说明的是,在获取与该待识别的时段所属的时间类型匹配的各历史行车速度数据之前,首先根据0值的不存在性,及行车速度的上限限制条件的判断,去除记录的各历史时间的历史行车速度数据中的显著性异常数据。具体地,针对显著性异常极大极小及缺失数据处理时,比如在交通管制车辆静止不动,夜间无车辆通行,或在设备或传输异常时,存在速度为0或数据缺失的情况。若能获取到速度为0或数据缺失的原因,则将异常原因作为标记数据进行存储。以及根据城市道路设置限速,车辆运行速度超过限速值将被认定为违章,因此,路段速度数据存在上限值。若能够获取到道路的限速值,则将道路的限速值设置为路段速度上限;否则采用交通流自由流速度的统计值作为上限值。
示例性地,通过利用预设的相关系数算法(比如皮尔逊相关系数算法),获取各时间维度下的历史行车速度记录。即:
其中,pearson(va,vb)用于表示第a天的行车速度序列与第b天的行车速度序列之间的相关度,va、vb分别为第a天的行车速度序列和第b天的行车速度序列,N为历史行车速度数据中所包含数据的个数。其中,pearson(va,vb)∈(0.8,1]表示第a天的行车速度序列与第b天的行车速度序列极强相关;pearson(va,vb)∈(0.6,0.8]表示第a天的行车速度序列与第b天的行车速度序列强相关。
以待识别的时段所属的时间类型为工作日为例,假设待识别的时段所在日期为周一,在周每天维度下,获取该周一的至少前一周中属于工作日的每一天的历史行车速度数据(比如上周一的行车速度数据、上周二的行车速度数据、上周三的行车速度数据、上周四的行车速度数据、上周五的行车速度数据),根据皮尔逊相关系数算法,将确定出的极强相关和强相关的各天的行车速度数据作为周每天维度下的历史行车速度记录。具体地,将上周一的行车速度数据va,周一,a=1,2,3,…,n,n为数据最小时间粒度单元的个数,比如采集数据的最小时间粒度为3min,则n为480,即一天有480个时间粒度;将上周二、上周三、上周四、上周五的行车速度数据记为vb,i,其中,b=1,2,3,…,n,i∈{上周二,上周三,上周四,上周五}。分别计算上周一同上周二、上周三、上周四、上周五之间的皮尔逊相关系数,设置条件为pearson(va,vb)>0.6,将两两之间满足该条件的行车速度数据加入到周每天维度下的历史行车速度记录R1中。如果上周一同任意一天均不满足该条件,则将上周一的行车速度数据形成子集合R11={上周一};继续计算上周二同上周三、上周四、上周五之间的皮尔逊相关系数,如果仅上周二同上周三之间的相关系数满足该条件,则形成子集合R12={上周二、上周三};继续计算上周四同上周五之间的皮尔逊相关系数,如果上周四同上周五之间的相关系数满足该条件,则形成子集合R13={上周四、上周五}。如此,将所有的子集合聚合,即可形成周每天维度下的历史行车速度记录={R11,R12,R13}={{上周一},{上周二、上周三},{上周四、上周五}}。
其次,在周同期维度下,获取该周一的至少前一月中各周一的历史行车速度数据(比如上周一的行车速度数据、上上周一的行车速度数据、上上上周一的行车速度数据、上上上上周一的行车速度数据),根据皮尔逊相关系数算法,将确定出的极强相关和强相关的各周一的行车速度数据作为周同期维度下的历史行车速度记录。具体地实施方式可以参考上述确定周每天维度下的历史行车速度记录的实施方式,在此不再赘述,比如周同期维度下的历史行车速度记录={上周一,上上周一,上上上周一,上上上上周一}。最后,在月每天维度下,获取该周一的至少前一月中属于工作日的各天的历史行车速度数据(比如上周一的行车速度数据、上周二的行车速度数据、上周三的行车速度数据、上周四的行车速度数据、上周五的行车速度数据、上上周一的行车速度数据、上上周二的行车速度数据、上上周三的行车速度数据、上上周四的行车速度数据、上上周五的行车速度数据等),根据皮尔逊相关系数算法,将确定出的极强相关和强相关的各天的行车速度数据作为月每天维度下的历史行车速度记录。具体地实施方式可以参考上述确定周每天维度下的历史行车速度记录的实施方式,在此不再赘述,比如月每天维度下的历史行车速度记录={上周一,上周二,上周三,上周四,上周五,上上周一,上上周二,上上周三,……}。
需要说明的是,根据自然周期规律及人为活动形成的周期规律,将历史日期分为从年至日间规律划分为4个级别,即(1)为保证历史数据可用性,将日、周、月、季度、年等自然周期划分,存储为第一层历史日期数据;(2)为承担城市功能要素,将工作日、非工作日和节假日区分开,进行第二层历史日期数据分级;(3)局部地区人为规定的规律性聚集时间间隔,如几天举办一次的农贸市场,将局部规律日期与其他日期分开,进行第三层历史数据分级;(4)受外界环境及聚集性活动影响,恶劣天气和重大活动等无特定周期性的情况下,进行历史日期数据的第四层分级。其中,第一和第二层历史日期分级的依据自然周期划分;第三层根据日间的时间序列间的相关系数得到稳定相关的日间规律性的强相关时间序列;第四层历史日期根据数据异常表现结合天气或活动日期等信息进行标记。
步骤102,从所述各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录,并对所述参考历史行车速度记录进行交通时段划分,确定出各交通时段的行车速度子序列。
本申请实施例中,在应用统计方法对数据进行分析时,会发现许多分析方法如T检验、方差分析、相关分析以及线性回归等,都要求数据服从正态分布或近似正态分布,以偏度系数和峰度系数检测数据集是否符合正态分布为例,通过对偏度系数的计算,能够判定数据分布的不对称程度以及方向,比如正态分布的偏度系数为0,即数据分布是对称的,若偏度系数大于0,则数据分布右偏,即分布有一条长尾在右,若偏度系数小于0,则数据分布为左偏,即分布有一条长尾在左;通过对峰度系数的计算,能够判定数据相对于正态分布而言是更陡峭还是平缓,比如正态分布的峰度系数为0,均匀分布的峰度系数为-1.2(平缓),指数分布的峰度为6(陡峭)。因此,本申请中的技术方案通过偏度系数和峰度系数从各时间维度的历史行车速度记录中确定出最稳定的时间维度的历史行车速度记录,也即是符合正态分布的参考历史行车速度记录。具体地,针对每个时间维度下的历史行车速度记录,确定该时间维度下的历史行车速度记录对应的偏度系数和峰度系数,并根据偏度系数和峰度系数确定该时间维度下的历史行车速度记录对应的综合系数值。然后,从多个综合系数值中确定出最小的综合系数值,并将该最小的综合系数值对应的时间维度下的历史行车速度记录确定为参考历史行车速度记录。同时基于参考历史行车速度记录中各天的行车速度序列,确定各时间粒度下的行车速度参考值,比如具体是基于参考历史行车速度记录中各天的行车速度序列,对各天中同一时间粒度下的行车速度的平均值进行平滑处理,即可得到各时间粒度下的行车速度参考值。再对各时间粒度下的行车速度参考值进行拟合,即可确定出多个区间段,比如具体是通过最小二乘法对设定间隔内的各时间粒度的行车速度参考值进行直线拟合,并将相邻直线间的夹角大于等于夹角阈值的两直线拟合为一条直线。其中,同一直线上的线段对应一个区间段;夹角阈值可以根据本领域技术人员的经验或可以根据多次实验所得结果或可以根据实际应用场景进行设置,比如设置为30°或30°以上等,本申请实施例对此并不作限定。其中,将位于起始位置的区间段确定为夜间时段(因为一天中的各行车速度数据是按照时序记录的,比如一天的时间是从零点到二十四点,那么位于起始位置的区间段就可以作为夜间时段)。然后,针对多个区间段中除夜间时段以外的任一区间段,根据该区间段的行车速度参考值与夜间时段的行车速度参考值,即可确定该区间段是为高峰时段还是为平峰时段,比如具体是:针对多个区间段中除夜间时段以外的任一区间段,根据该区间段的行车速度参考值,确定该区间段的第一速度均值,并根据该夜间时段的行车速度参考值,确定该夜间时段的第二速度均值,以及确定第一速度均值与第二速度均值的比值。如果比值大于等于第一设定阈值,则可以确定该区间段为高峰时段;如果比值位于第二设定阈值与第一设定阈值之间,则可以确定该区间段为平峰时段。其中,第二设定阈值小于第一设定阈值;第一设定阈值或第二设定阈值可以根据本领域技术人员的经验或可以根据多次实验所得结果或可以根据实际应用场景进行设置,本申请实施例对此并不作限定。
示例性地,针对周每天维度下的历史行车速度记录、周同期维度下的历史行车速度记录、月每天维度下的历史行车速度记录,通过分别统计该三个维度下的历史行车速度记录对应的偏度系数和峰度系数,来判断得到数据分布最紧密的历史行车速度记录。其中,通过下述公式计算偏度系数和峰度系数。
其中,S(v)用于表示任一时间维度下的历史行车速度记录对应的偏度系数Skewness,K(v)用于表示该时间维度下的历史行车速度记录对应的峰度系数Kurtosis,vi用于表示该时间维度下的历史行车速度记录中每个时间粒度(比如3min作为时间粒度,一天可以有480个时间粒度)下的行车速度,n用于表示该时间维度下的历史行车速度记录中所包含数据的个数,用于表示该时间维度下的历史行车速度记录中各历史行车速度的平均值,SD用于表示该时间维度下的历史行车速度记录中各历史行车速度的方差。
其中,由于数据分布统计参数偏度系数Skewness的绝对值小于设定阈值(比如1)且峰度系数Kurtosis的绝对值小于设定阈值(比如1),可认为数据序列近似服从于正态分布,因此,在|S(v)=|≤1且|K(v)|≤1时,可以计算各时间类型下的偏度系数和峰度系数的综合系数值SK(v),比如对于工作日和非工作日,可以分别通过下述方式计算工作日(比如周一至周五的任一天)时偏度系数和峰度系数的综合系数值,以及计算非工作日(比如周六或周日)时偏度系数和峰度系数的综合系数值。
其中,SKworkday(v)用于表示在待识别的时段属于工作日时某一时间维度下的历史行车速度记录对应的综合系数值,SKworkend(v)用于表示在待识别的时段属于非工作日时某一时间维度下的历史行车速度记录对应的综合系数值,i用于表示任一时间维度下的历史行车速度记录。
以待识别的时段属于工作日为例,从上述计算的各时间维度下的历史行车速度记录对应的综合系数值中确定出最小的综合系数值,并针对该最小的综合系数值对应的时间维度下的历史行车速度记录进行交通时段划分。例如,在实现城市功能要素的过程中,典型的如工作日双峰型交通流出行规律,会出现常态化分时段性的路段拥堵;非工作日和节假日同样也会呈现相似的时段特征数据,不同之处在于时段的划分方式将不一致。交通划分时段下的运行特点总结为3个部分,即(1)夜间时段:车辆速度较小无法形成车队,同时运行小周期的信号控制,单车等待时间少,车流速度分布平均,在数据上表现为分布稳定;(2)早高峰或晚高峰时段:大量车辆聚集,导致车辆之间相互影响,速度降低,极易发生拥堵,在拥堵规律比较一致的情况下形成常发拥堵的现象;(3)平峰时段及过渡时段:车队等红灯产生的延迟,即使较大车流也能够停车一次通过,即使拥堵发生也很快会消散。其中,通过分析交通速度数据的分布,根据交通运行状态的显著性不同进行划分时段:首先将随机性较大的离散数据进行平滑处理,通过时序列分段算法,进行时间序列断点的检测及优化,实现时间序列的分段。
其中,由于在原始数据的时间粒度下,速度的波动性大,因此为了减少这种波动性对历史数据统计的影响,通过设定平滑时间跨度,进行数据平滑,作为分析参考数据。具体地,根据最小的综合系数值对应的时间维度下的历史行车速度记录中各天的行车速度序列,对各天中同一时间粒度下的行车速度的平均值进行平滑处理,即可得到各时间粒度下的行车速度参考值。比如最小的综合系数值对应的时间维度下的历史行车速度记录中有三天的行车速度序列,则可以按照从零点到二十四点的顺序,对该三天中同一时间粒度下的行车速度进行求平均值,如此即可从零点到二十四点对应的各时间粒度下的行车速度均值,再针对从零点到二十四点对应的各时间粒度下的行车速度均值进行平滑处理。其中,可以通过下述平滑公式进行平滑处理。
比如,假设当前时间为01:00,即当前时间粒度t=20,在a=3的情况下,平滑结果统计值即为第t-a=20-3=17到t+(a-1)=20+2=22时间粒度下的数据平均值,即其中,v17、v18、v19分别为00:45、00:50和00:55的速度均值,v20、v21、v22分别为01:00、01:05和01:10的速度均值。即分别取前后a(比如设置为3)个时间的速度均值进行平滑作为当前平滑值。
在将最小的综合系数值对应的时间维度下的历史行车速度记录中各天的行车速度序列按照24小时序列平滑处理后,每间隔一定时间(比如15分钟)获取多个平滑后的数据电,通过最小二乘法进行直线拟合得到拟合直线yi=Aixi+Bi,i=1,2,3,…,48,并计算相邻两个拟合直线之间的矢量夹角α(i,i+1),并判断两相邻拟合直线夹角的绝对值是否大于设定阈值(比如30°),即|α(i,i+1)|是否大于30°,若两相邻拟合直线夹角的绝对值大于设定阈值,则取夹角绝对值较小的进行时段合并,如此可形成如图2所示的时间序列分段示意图。若时序下拟合直线相对于横坐标的矢量角度小于等于设定阈值(比如15°)时,判断数据序列较为平稳;若时序下拟合直线相对于横坐标的矢量角度大于设定阈值,判断数据处于相对的非平稳状态,即交通状态处于动态变化期。
通过图2可知,划分得到的第一个区间段可以作为夜间时段,则该第一区间段下的行车速度子序列即可作为该夜间时段下的行车速度子序列,同时可以根据该夜间时段下的行车速度序列,计算该夜间时段下的行车速度均值,并将该行车速度均值作为划分高峰时段与平峰时段的参考依据,也即作为自由流速度再分别计算各剩余区间段下的行车速度均值,针对每个剩余区间段,计算该剩余区间段下的行车速度均值与自由流速度的比值,即其中,将α=1.5作为区分高峰时段与其它时段的参考依据,若αi≥1.5,则判断该区间段为高峰时段,同时该区间段下的行车速度子序列可作为该高峰时段下的行车速度子序列,若1.5>αi≥1,则判断该区间段为平峰时段或过渡时段,其中,将划分时段的长度T=60min作为平峰时段与过渡时段的区分阈值,若Ti≤60,则判断该区间段为过渡时段,同时该区间段下的行车速度子序列可作为该过渡时段下的行车速度子序列,若T>60,则判断该区间段为平峰时段,同时该区间段下的行车速度子序列可作为该平峰时段下的行车速度子序列。
步骤103,根据所述待识别的时段所属的交通时段的行车速度子序列和所述交通路段在所述待识别的时段的行车速度,确定所述交通路段在所述待识别的时段的拥堵类型。
本申请实施例中,在确定出各交通时段的行车速度子序列之后,该各交通时段的行车速度子序列可以作为识别交通拥堵类型的数据依据。具体地,根据待识别的时段所属的交通时段的行车速度子序列,即可确定所属交通时段对应的参考速度均值和参考速度标准差,并通过参考速度均值和参考速度标准差,即可确定用于识别拥堵类型的识别下限值和识别上限值。然后,如果判断待识别的时段的行车速度位于识别下限值与所述识别上限值之间,则可以确定交通路段在待识别的时段具有的拥堵类型为非拥堵;如果判断待识别的时段的行车速度小于识别下限值,则在确定交通路段的拥堵持续时长大于等于第一时长间阈值时,即可确定交通路段在待识别的时段具有的拥堵类型为突发拥堵;如果判断识别下限值小于0,则在确定待识别的时段的行车速度小于正常行车速度时,即可确定交通路段在待识别的时段具有的拥堵类型为常发拥堵。
此外,需要说明的是,如果待识别的时段的行车速度大于识别上限值,则可以确定待识别的时段的行车速度存在异常,此时需要通过平滑位于待识别的时段之前的多个时段的行车速度,对待识别的时段的行车速度进行修正。或者,如果待识别的时段的行车速度小于识别下限值,且交通路段的拥堵持续时长小于第一时长间阈值,则可以确定待识别的时段的行车速度存在异常,此时需要通过平滑位于待识别的时段之前的多个时段的行车速度,对待识别的时段的行车速度进行修正。或者,如果识别下限值小于0,且待识别的时段的行车速度大于等于正常行车速度,则在确定交通路段的畅通持续时长小于第二时长间阈值时,可以确定待识别的时段的行车速度存在异常,此时需要通过平滑位于待识别的时段之前的多个时段的行车速度,对待识别的时段的行车速度进行修正。其中,第一时长间阈值或第二时长间阈值可以根据本领域技术人员的经验或可以根据多次实验所得结果或可以根据实际应用场景进行设置,本申请实施例对此并不作限定。
示例性地,在根据待识别的时段(即需要识别的时间粒度)所属的交通时段的行车速度子序列,确定所属交通时段对应的参考速度均值和参考速度标准差σ后,即可确定用于识别拥堵类型的识别下限值和识别上限值如果待识别的时段的行车速度vi位于与之间,即则可以确定待识别的时段的行车速度是正常数据。如果则可以判断待识别的时段的行车速度是异常数据,此时需要针对待识别的时段的行车速度进行修正。如果则可以初步判断交通路段在待识别的时段是属于非常态拥堵,同时考虑到交通拥堵有形成、传播及消散的过程,交通状态的变化具有一定的时间持续性,因此需要进一步判断交通路段的拥堵持续时长是否大于等于设定时长阈值(比如10min),如果拥堵持续时长大于等于10min,则可以判断交通路段在待识别的时段是属于突发拥堵,并记录突发拥堵开始时间以及结束时间,如果拥堵持续时长小于10min,则判断待识别的时段的行车速度是异常数据,可能是由于设备传输异常等导致的,此时需要针对待识别的时段的行车速度进行修正。如果则需要判断待识别的时段的行车速度是否小于车辆正常行驶速度,如果是,则判断交通路段在待识别的时段是属于常发拥堵。其中,对于支路及相关类型的路段,如果则可以判断交通路段在待识别的时段是属于常发拥堵。如果待识别的时段的行车速度大于等于车辆正常行驶速度,则需要进一步判断交通路段的畅通持续时长是否大于等于设定阈值(比如10min),如果畅通持续时长大于等于10min,则可以确定待识别的时段的行车速度是正常数据。如果畅通持续时长小于10min,则可以确定待识别的时段的行车速度是异常数据,此时需要针对待识别的时段的行车速度进行修正。
在针对异常数据进行修正时,如果数据异常时间是在单个时间粒度时,通过平滑前n个时间粒度(比如前3个时间粒度),进行修正当前时间粒度的行车速度。具体地修正公式如下:
其中,vt为当前时间粒度t下的行车速度的修正值,αi为前n个时间粒度中每个时间粒度下的行车速度vi所设置的权重值,n为平滑时间粒度数量的阈值,比如n为3。其中,需要说明的是,由于通用历史日期及时段规律下,隐含着更加细微的动态演变规律。而对于事物未来发展水平,新近观测值比早期观测值的参考价值更大,因而在针对异常数据进行修正时,新近观测值应赋予早期观测值更大权重。
如果数据异常时间在两个时间粒度及以上时,使用均值进行补充或修正,并标记异常的原因。比如,假设n个时间粒度的行车速度v1,v2,v3,…,vt,…,vn,vt为第一个异常数据,且vt+1,…,vt+m,m≥2,连续m+1个时间序列下交通数据(即行车速度)异常,则该异常时间序列数据通过历史时间数据进行修正。即其中,v′t+1,…,v′t+m取历史时间数据中的最近一天序列值或者历史时间数据的均值。
上述实施例表明,本申请中的技术方案通过综合考虑历史时间的周期性和交通动态演变性,进行分时间维度挖掘历史时间的行车速度数据,并从多时间维度的历史时间行车速度记录中确定出行车速度数据时变稳定性最高的历史时间行车速度记录(即对应的某一时间维度的历史时间行车速度记录),然后通过针对该时间维度的历史时间行车速度记录进行交通时段的划分,以此可辅助后续准确地识别交通路段在某一待识别的时段所具有的拥堵类型。具体来说,针对任一交通路段,在对该交通路段的某一待识别的时段所具有的拥堵类型进行识别时,获取该交通路段在该待识别的时段对应的各时间维度下的历史行车速度记录,并从各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录(即行车速度数据时变稳定性最高的历史行车速度记录)。然后,针对该参考历史行车速度记录进行交通时段划分,即可在准确地确定出各交通时段的行车速度子序列,并根据待识别的时段所属的交通时段的行车速度子序列和该交通路段在该待识别的时段的行车速度,即可准确地确定该交通路段在该待识别的时段所具有的拥堵类型,从而可以有效地提高交通拥堵识别的准确性。
基于相同的技术构思,图3示例性的示出了本申请实施例提供的一种交通拥堵识别装置,该装置可以执行交通拥堵识别方法的流程。其中,交通拥堵识别装置可以是服务器或者也可以是能够支持服务器实现该方法所需的功能的部件(比如芯片或集成电路)等,当然也可以是其它具有实现该方法所需的功能的电子设备。本申请实施例中的交通拥堵识别方法适用于对任一交通路段进行各时段的拥堵类型识别。
如图3所示,该装置包括:
获取单元301,用于针对任一待识别的时段,获取所述交通路段在所述待识别的时段对应的各时间维度下的历史行车速度记录;其中,每一时间维度下的历史行车速度记录中包括具有相关度的各天的行车速度序列;任一天的行车速度序列用于表征所述交通路段在该天中按时序记录的各行车速度数据;
处理单元302,用于从所述各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录,并对所述参考历史行车速度记录进行交通时段划分,确定出各交通时段的行车速度子序列;根据所述待识别的时段所属的交通时段的行车速度子序列和所述交通路段在所述待识别的时段的行车速度,确定所述交通路段在所述待识别的时段的拥堵类型。
在一些示例性的实施方式中,所述获取单元301具体用于:
确定所述待识别的时段所属的时间类型;
在各时间维度下,获取与所述待识别的时段所属的时间类型对应的各历史行车速度数据;
针对任一时间维度下的历史行车速度数据,通过预设的相关系数算法,从所述历史行车速度数据中确定出符合相关度要求的各天的行车速度序列,从而得到所述时间维度下的历史行车速度记录。
在一些示例性的实施方式中,各时间维度包括周每天维度、周同期维度及月每天维度;
所述获取单元301具体用于:
在周每天维度下,获取至少前一周中与所述待识别的时段所属的时间类型相同的每一天的历史行车速度数据;
在周同期维度下,获取至少前一月中与所述待识别的时段符合周同期的每一天的历史行车速度数据;
在月每天维度下,获取至少前一月中与所述待识别的时段所属的时间类型相同的每一天的历史行车速度数据。
在一些示例性的实施方式中,所述获取单元301具体用于:
通过所述预设的相关系数算法,对所述历史行车数据中第m天的行车速度序列和第m+i天的行车速度序列进行相关度计算,确定所述第m天的行车速度序列与所述第m+i天的行车速度序列之间的相关度是否符合相关度要求;所述m和所述i均为大于等于1的整数;
若符合相关度要求,则将所述第m天的行车速度序列和所述第m+i天的行车速度序列加入至所述时间维度下的历史行车速度记录中。
在一些示例性的实施方式中,所述处理单元302具体用于:
针对每个时间维度下的历史行车速度记录,确定所述时间维度下的历史行车速度记录对应的偏度系数和峰度系数,并根据所述偏度系数和所述峰度系数确定所述时间维度下的历史行车速度记录对应的综合系数值;
从多个综合系数值中确定出最小的综合系数值,并将所述最小的综合系数值对应的时间维度下的历史行车速度记录确定为参考历史行车速度记录。
在一些示例性的实施方式中,所述处理单元302具体用于:
基于所述参考历史行车速度记录中各天的行车速度序列,确定各时间粒度下的行车速度参考值;
对所述各时间粒度下的行车速度参考值进行拟合,确定出多个区间段;将位于起始位置的区间段确定为夜间时段;
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值与所述夜间时段的行车速度参考值,确定所述区间段为高峰时段或平峰时段。
在一些示例性的实施方式中,所述处理单元302具体用于:
基于所述参考历史行车速度记录中各天的行车速度序列,对各天中同一时间粒度下的行车速度的平均值进行平滑处理,得到各时间粒度下的行车速度参考值;
所述处理单元302具体用于:
通过最小二乘法对设定间隔内的各时间粒度的行车速度参考值进行直线拟合;
将相邻直线间的夹角大于等于夹角阈值的两直线拟合为一条直线;其中,同一直线上的线段对应一个区间段。
在一些示例性的实施方式中,所述处理单元302具体用于:
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值,确定所述区间段的第一速度均值,并根据所述夜间时段的行车速度参考值,确定所述夜间时段的第二速度均值,以及确定所述第一速度均值与所述第二速度均值的比值;
若所述比值大于等于第一设定阈值,则确定所述区间段为高峰时段;
若所述比值位于第二设定阈值与所述第一设定阈值之间,则确定所述区间段为平峰时段;所述第二设定阈值小于所述第一设定阈值。
在一些示例性的实施方式中,所述处理单元302具体用于:
根据所述待识别的时段所属的交通时段的行车速度子序列,确定所属交通时段对应的参考速度均值和参考速度标准差;
通过所述参考速度均值和所述参考速度标准差,确定用于识别拥堵类型的识别下限值和识别上限值;
若所述待识别的时段的行车速度位于所述识别下限值与所述识别上限值之间,则确定所述交通路段在所述待识别的时段具有的拥堵类型为非拥堵;
若所述待识别的时段的行车速度小于所述识别下限值,则在确定拥堵持续时长大于等于第一时长间阈值时,确定所述交通路段在所述待识别的时段具有的拥堵类型为突发拥堵;
若所述识别下限值小于0,则在确定所述待识别的时段的行车速度小于正常行车速度时,确定所述交通路段在所述待识别的时段具有的拥堵类型为常发拥堵。
在一些示例性的实施方式中,所述处理单元302还用于:
若所述待识别的时段的行车速度大于所述识别上限值,则确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正;
若所述待识别的时段的行车速度小于所述识别下限值,且所述交通路段的拥堵持续时长小于所述第一时长间阈值,则确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正;
若所述识别下限值小于0,且所述待识别的时段的行车速度大于等于正常行车速度,则在确定所述交通路段的畅通持续时长小于第二时长间阈值时,确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正。
基于相同的技术构思,本申请实施例还提供了一种计算设备,如图4所示,包括至少一个处理器401,以及与至少一个处理器连接的存储器402,本申请实施例中不限定处理器401与存储器402之间的具体连接介质,图4中处理器401和存储器402之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器402存储有可被至少一个处理器401执行的指令,至少一个处理器401通过执行存储器402存储的指令,可以执行前述的交通拥堵识别方法中所包括的步骤。
其中,处理器401是计算设备的控制中心,可以利用各种接口和线路连接计算设备的各个部分,通过运行或执行存储在存储器402内的指令以及调用存储在存储器402内的数据,从而实现数据处理。可选的,处理器401可包括一个或多个处理单元,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理下发指令。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。在一些实施例中,处理器401和存储器402可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器401可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合交通拥堵识别方法实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器402作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器402可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器402是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器402还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于相同的技术构思,本申请实施例还提供了一种计算机可读存储介质,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行上述交通拥堵识别方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请的方法、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,使得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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种交通拥堵识别方法,其特征在于,适用于对交通路段进行各时段的拥堵类型识别,所述方法包括:
针对任一待识别的时段,获取所述交通路段在所述待识别的时段对应的各时间维度下的历史行车速度记录;其中,每一时间维度下的历史行车速度记录中包括具有相关度的各天的行车速度序列;任一天的行车速度序列用于表征所述交通路段在该天中按时序记录的各行车速度数据;
从所述各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录,并对所述参考历史行车速度记录进行交通时段划分,确定出各交通时段的行车速度子序列;
根据所述待识别的时段所属的交通时段的行车速度子序列和所述交通路段在所述待识别的时段的行车速度,确定所述交通路段在所述待识别的时段的拥堵类型;
所述从所述各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录,包括:
针对每个时间维度下的历史行车速度记录,确定所述时间维度下的历史行车速度记录对应的偏度系数和峰度系数,并根据所述偏度系数和所述峰度系数确定所述时间维度下的历史行车速度记录对应的综合系数值;
从多个综合系数值中确定出最小的综合系数值,并将所述最小的综合系数值对应的时间维度下的历史行车速度记录确定为参考历史行车速度记录;
所述对所述参考历史行车速度记录进行交通时段划分,包括:
基于所述参考历史行车速度记录中各天的行车速度序列,确定各时间粒度下的行车速度参考值;
对所述各时间粒度下的行车速度参考值进行拟合,确定出多个区间段;将位于起始位置的区间段确定为夜间时段;
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值与所述夜间时段的行车速度参考值,确定所述区间段为高峰时段或平峰时段。
2.如权利要求1所述的方法,其特征在于,所述获取所述交通路段在所述待识别的时段对应的各时间维度下的历史行车速度记录,包括:
确定所述待识别的时段所属的时间类型;
在各时间维度下,获取与所述待识别的时段所属的时间类型对应的各历史行车速度数据;
针对任一时间维度下的历史行车速度数据,通过预设的相关系数算法,从所述历史行车速度数据中确定出符合相关度要求的各天的行车速度序列,从而得到所述时间维度下的历史行车速度记录。
3.如权利要求2所述的方法,其特征在于,各时间维度包括周每天维度、周同期维度及月每天维度;
所述在各时间维度下,获取与所述待识别的时段所属的时间类型对应的各历史行车速度数据,包括:
在周每天维度下,获取至少前一周中与所述待识别的时段所属的时间类型相同的每一天的历史行车速度数据;
在周同期维度下,获取至少前一月中与所述待识别的时段符合周同期的每一天的历史行车速度数据;
在月每天维度下,获取至少前一月中与所述待识别的时段所属的时间类型相同的每一天的历史行车速度数据;
所述针对任一时间维度下的历史行车速度数据,通过预设的相关系数算法,从所述历史行车速度数据中确定出符合相关度要求的各天的行车速度序列,包括:
通过所述预设的相关系数算法,对所述历史行车数据中第m天的行车速度序列和第m+i天的行车速度序列进行相关度计算,确定所述第m天的行车速度序列与所述第m+i天的行车速度序列之间的相关度是否符合相关度要求;所述m和所述i均为大于等于1的整数;
若符合相关度要求,则将所述第m天的行车速度序列和所述第m+i天的行车速度序列加入至所述时间维度下的历史行车速度记录中。
4.如权利要求1所述的方法,其特征在于,所述基于所述参考历史行车速度记录中各天的行车速度序列,确定各时间粒度下的行车速度参考值,包括:
基于所述参考历史行车速度记录中各天的行车速度序列,对各天中同一时间粒度下的行车速度的平均值进行平滑处理,得到各时间粒度下的行车速度参考值;
所述对所述各时间粒度下的行车速度参考值进行拟合,确定出多个区间段,包括:
通过最小二乘法对设定间隔内的各时间粒度的行车速度参考值进行直线拟合;
将相邻直线间的夹角大于等于夹角阈值的两直线拟合为一条直线;其中,同一直线上的线段对应一个区间段。
5.如权利要求1所述的方法,其特征在于,所述针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值与所述夜间时段的行车速度参考值,确定所述区间段为高峰时段或平峰时段,包括:
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值,确定所述区间段的第一速度均值,并根据所述夜间时段的行车速度参考值,确定所述夜间时段的第二速度均值,以及确定所述第一速度均值与所述第二速度均值的比值;
若所述比值大于等于第一设定阈值,则确定所述区间段为高峰时段;
若所述比值位于第二设定阈值与所述第一设定阈值之间,则确定所述区间段为平峰时段;所述第二设定阈值小于所述第一设定阈值。
6.如权利要求1至5任一项所述的方法,其特征在于,根据所述待识别的时段所属的交通时段的行车速度子序列和所述交通路段在所述待识别的时段的行车速度,确定所述交通路段在所述待识别的时段的拥堵类型,包括:
根据所述待识别的时段所属的交通时段的行车速度子序列,确定所属交通时段对应的参考速度均值和参考速度标准差;
通过所述参考速度均值和所述参考速度标准差,确定用于识别拥堵类型的识别下限值和识别上限值;
若所述待识别的时段的行车速度位于所述识别下限值与所述识别上限值之间,则确定所述交通路段在所述待识别的时段具有的拥堵类型为非拥堵;
若所述待识别的时段的行车速度小于所述识别下限值,则在确定所述交通路段的拥堵持续时长大于等于第一时长间阈值时,确定所述交通路段在所述待识别的时段具有的拥堵类型为突发拥堵;
若所述识别下限值小于0,则在确定所述待识别的时段的行车速度小于正常行车速度时,确定所述交通路段在所述待识别的时段具有的拥堵类型为常发拥堵。
7.如权利要求6所述的方法,其特征在于,还包括:
若所述待识别的时段的行车速度大于所述识别上限值,则确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正;
若所述待识别的时段的行车速度小于所述识别下限值,且所述交通路段的拥堵持续时长小于所述第一时长间阈值,则确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正;
若所述识别下限值小于0,且所述待识别的时段的行车速度大于等于正常行车速度,则在确定所述交通路段的畅通持续时长小于第二时长间阈值时,确定所述待识别的时段的行车速度存在异常,并通过平滑位于所述待识别的时段之前的多个时段的行车速度,对所述待识别的时段的行车速度进行修正。
8.一种交通拥堵识别装置,其特征在于,适用于对交通路段进行各时段的拥堵类型识别,所述装置包括:
获取单元,用于针对任一待识别的时段,获取所述交通路段在所述待识别的时段对应的各时间维度下的历史行车速度记录;其中,每一时间维度下的历史行车速度记录中包括具有相关度的各天的行车速度序列;任一天的行车速度序列用于表征所述交通路段在该天中按时序记录的各行车速度数据;
处理单元,用于从所述各时间维度下的历史行车速度记录中,确定出符合正态分布的参考历史行车速度记录,并对所述参考历史行车速度记录进行交通时段划分,确定出各交通时段的行车速度子序列;根据所述待识别的时段所属的交通时段的行车速度子序列和所述交通路段在所述待识别的时段的行车速度,确定所述交通路段在所述待识别的时段的拥堵类型;
所述处理单元具体用于:
针对每个时间维度下的历史行车速度记录,确定所述时间维度下的历史行车速度记录对应的偏度系数和峰度系数,并根据所述偏度系数和所述峰度系数确定所述时间维度下的历史行车速度记录对应的综合系数值;
从多个综合系数值中确定出最小的综合系数值,并将所述最小的综合系数值对应的时间维度下的历史行车速度记录确定为参考历史行车速度记录;
所述处理单元具体用于:
基于所述参考历史行车速度记录中各天的行车速度序列,确定各时间粒度下的行车速度参考值;
对所述各时间粒度下的行车速度参考值进行拟合,确定出多个区间段;将位于起始位置的区间段确定为夜间时段;
针对所述多个区间段中除所述夜间时段以外的任一区间段,根据所述区间段的行车速度参考值与所述夜间时段的行车速度参考值,确定所述区间段为高峰时段或平峰时段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210179699.7A CN114627642B (zh) | 2022-02-25 | 2022-02-25 | 一种交通拥堵识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210179699.7A CN114627642B (zh) | 2022-02-25 | 2022-02-25 | 一种交通拥堵识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627642A CN114627642A (zh) | 2022-06-14 |
CN114627642B true CN114627642B (zh) | 2023-03-14 |
Family
ID=81899826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210179699.7A Active CN114627642B (zh) | 2022-02-25 | 2022-02-25 | 一种交通拥堵识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627642B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306937B (zh) * | 2023-03-22 | 2023-11-10 | 中航信移动科技有限公司 | 一种基于时间序列离线数据的规则提取方法、介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
CN107578624A (zh) * | 2017-09-15 | 2018-01-12 | 杭州分数科技有限公司 | 城市交通管控方法、装置及系统 |
CN109523788A (zh) * | 2018-12-05 | 2019-03-26 | 青岛理工大学 | 一种路段运行效果评价方法 |
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 |
CN110197586A (zh) * | 2019-05-20 | 2019-09-03 | 重庆大学 | 一种基于多源数据的高速公路路段拥堵检测方法 |
CN111091720A (zh) * | 2020-03-23 | 2020-05-01 | 北京交研智慧科技有限公司 | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 |
CN112242062A (zh) * | 2020-10-15 | 2021-01-19 | 杭州宣迅电子科技有限公司 | 一种基于大数据的智慧交通实时监控处理系统 |
JP2021096720A (ja) * | 2019-12-18 | 2021-06-24 | 日産自動車株式会社 | 車両の走行環境推定方法、及び、走行環境推定システム |
CN113362602A (zh) * | 2021-06-29 | 2021-09-07 | 山东旗帜信息有限公司 | 一种基于门架通行数据的拥堵分析方法及设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4788598B2 (ja) * | 2006-12-28 | 2011-10-05 | 株式会社デンソー | 渋滞度判定装置、渋滞情報報知装置及びプログラム |
US8972192B2 (en) * | 2007-09-25 | 2015-03-03 | Here Global B.V. | Estimation of actual conditions of a roadway segment by weighting roadway condition data with the quality of the roadway condition data |
CN103761430B (zh) * | 2014-01-10 | 2017-07-07 | 安徽科力信息产业有限责任公司 | 一种基于浮动车的路网高峰时段识别方法 |
CN104036638B (zh) * | 2014-06-10 | 2016-06-15 | 深圳市元征科技股份有限公司 | 一种实时路况监控方法和实时路况监控设备 |
CN104732762B (zh) * | 2015-04-21 | 2017-01-25 | 银江股份有限公司 | 一种交通异常路段概率识别方法 |
CN105825683B (zh) * | 2015-08-16 | 2018-11-13 | 北京数行健科技有限公司 | 一种道路交通状况评价方法 |
CN111882858B (zh) * | 2020-06-01 | 2022-05-20 | 重庆大学 | 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 |
-
2022
- 2022-02-25 CN CN202210179699.7A patent/CN114627642B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
CN107578624A (zh) * | 2017-09-15 | 2018-01-12 | 杭州分数科技有限公司 | 城市交通管控方法、装置及系统 |
CN109523788A (zh) * | 2018-12-05 | 2019-03-26 | 青岛理工大学 | 一种路段运行效果评价方法 |
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 |
CN110197586A (zh) * | 2019-05-20 | 2019-09-03 | 重庆大学 | 一种基于多源数据的高速公路路段拥堵检测方法 |
JP2021096720A (ja) * | 2019-12-18 | 2021-06-24 | 日産自動車株式会社 | 車両の走行環境推定方法、及び、走行環境推定システム |
CN111091720A (zh) * | 2020-03-23 | 2020-05-01 | 北京交研智慧科技有限公司 | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 |
CN112242062A (zh) * | 2020-10-15 | 2021-01-19 | 杭州宣迅电子科技有限公司 | 一种基于大数据的智慧交通实时监控处理系统 |
CN113362602A (zh) * | 2021-06-29 | 2021-09-07 | 山东旗帜信息有限公司 | 一种基于门架通行数据的拥堵分析方法及设备 |
Non-Patent Citations (2)
Title |
---|
基于互联网信息的城市道路偶发拥堵判别算法研究与应用;高林等;《工业仪表与自动化装置》;20180215(第01期);全文 * |
基于速度特性的城市快速路常发性交通拥堵研究;冯星宇等;《交通信息与安全》;20140220(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114627642A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
CN109118771B (zh) | 一种城市交通常发性拥堵特征确定的方法及装置 | |
CN110223502B (zh) | 一种交叉口进口道数据渠化的方法及装置 | |
CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN114627642B (zh) | 一种交通拥堵识别方法及装置 | |
CN111540204B (zh) | 一种面向交叉口问题诊断的交通运行状态评估方法及装置 | |
CN111815973B (zh) | 信号交叉口分析方法及相关设备 | |
US11670163B2 (en) | Method of predicting a traffic behaviour in a road system | |
CN112185108B (zh) | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 | |
CN115935056A (zh) | 车辆虚假轨迹的识别方法、装置、设备及存储介质 | |
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 | |
CN111369810A (zh) | 车辆出行特征获取方法、装置、电子设备及存储介质 | |
CN112652164B (zh) | 一种交通时段划分方法、装置及设备 | |
CN111815941A (zh) | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 | |
CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
CN114863676B (zh) | 一种拥堵识别方法及装置 | |
CN115273468B (zh) | 一种交通拥堵控制策略生成方法及装置 | |
CN112885128B (zh) | 识别封堵路段的方法、装置、设备及存储介质 | |
CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
CN111402571A (zh) | 一种勤务车队冲突异常预警及调整方案生成的方法及装置 | |
CN111243280B (zh) | 一种实时计算交通状态的指标的方法及装置 | |
CN112489432A (zh) | 一种高速公路在途车数量计算方法、装置及存储介质 | |
CN112734250A (zh) | 自由流速度的计算方法、装置、电子设备及存储介质 | |
CN111402581A (zh) | 一种交通状态检测方法及检测装置 | |
Figliozzi et al. | Evaluation of Roadway Reallocation Projects: Analysis of Before-and-After Travel Speeds and Congestion Utilizing High-Resolution Bus Transit Data |
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 |