CN114822016A - 一种基于gps数据流的路段均速估计系统 - Google Patents
一种基于gps数据流的路段均速估计系统 Download PDFInfo
- Publication number
- CN114822016A CN114822016A CN202210238699.XA CN202210238699A CN114822016A CN 114822016 A CN114822016 A CN 114822016A CN 202210238699 A CN202210238699 A CN 202210238699A CN 114822016 A CN114822016 A CN 114822016A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- data set
- road section
- grid
- 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
- G08G1/01—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于GPS数据流的路段均速估计系统,数据采集模块采集目标路网在目标日期及前一天的出租车GPS数据,获得第一数据集和实时数据集;数据预处理模块剔除第一数据集中位于路网交叉口的数据和噪声数据,获得第二数据集;数据有效性判别模块实时剔除实时数据集中的无效数据,获得第三数据集;单路段内单车均速计算模块根据第三数据集计算每辆出租车在单个路段上的单车均速,获得第四数据集;单路段均速估计模块根据第四数据集计算目标路网内各路段在目标日期的路段均速;路段均速传输模块通过地图匹配获取路段名称,将路段名称及对应的路段均速传输至移动终端。与现有技术相比,本发明响应快速,低延迟,能长时间稳定运行。
Description
技术领域
本发明涉及交通控制领域,尤其是涉及一种基于GPS数据流的路段均速估计系统。
背景技术
随着城市商品运输以及个体交通出行需求的持续增长,商用私用车辆数量的迅速提高,交通拥堵状况持续加重。解决这些道路交通问题的传统方式是进行路面加宽,改造路网系统,即从“硬件”方面解决这些问题。然而城市道路不可能一直扩张,北京、上海这样的大都市已经陷入了无地可用、无路可修的困境。在这样的背景下,智能交通系统应运而生。
智能交通系统通过相应的数据采集技术来获取实时交通流数据,监控道路状况,及时发现和解决道路拥堵问题,并且可提前将前方路段的道路拥堵情况告知驾驶者,以便驾驶者及时调整线路和车速。其中出租车GPS数据具有经济性强,数据获取容易,数据覆盖面积广等优点被广泛采用。然而数据采集、存储和计算量大,数据价值密度相对较低,以上多种因素导致常规的智能交通系统已经难以在目标响应时间之内完成GPS流数据的处理。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于GPS数据流的路段均速估计系统,响应快速,低延迟,能长时间稳定运行。
本发明的目的可以通过以下技术方案来实现:
一种基于GPS数据流的路段均速估计系统,包括:
数据采集模块,用于采集目标路网在目标日期前一天的出租车GPS数据,获得第一数据集,动态采集目标路网在目标日期的出租车GPS数据,获得实时数据集;
数据预处理模块,用于通过二次密度峰值聚类剔除第一数据集中位于路网交叉口的数据和噪声数据,获得第二数据集;
数据有效性判别模块,根据第二数据集,通过数据流网格聚类算法实时剔除实时数据集中的无效数据,获得第三数据集;
单路段内单车均速计算模块,用于根据第三数据集计算每辆出租车在单个路段上的单车均速,获得第四数据集;
单路段均速估计模块,用于根据第四数据集计算目标路网内各路段在目标日期的路段均速;
路段均速传输模块,用于对第一数据集进行地图匹配,获取路段名称,再将路段名称及对应的路段均速传输至移动终端。
进一步地,所述的出租车GPS数据包括单车编号、记录时刻和经纬度。
进一步地,所述的二次密度峰值聚类的具体过程包括:
31)根据经纬度计算第一数据集中相邻数据点之间欧式距离,获得第一欧氏距离矩阵,对第一欧氏距离矩阵进行第一次密度峰值聚类,获得第一数据集中位于交叉口位置的第一出租车GPS数据标号,根据该标号剔除第一数据集中对应的出租车GPS数据,获得中间数据集;
32)根据经纬度计算中间数据集中相邻数据点之间欧式距离,获得第二欧氏距离矩阵,对第二欧氏距离矩阵进行第二次密度峰值聚类,获得中间数据集中位于各路段内部的第二出租车GPS数据标号,剔除中间数据集中除第二出租车GPS数据标号对应的出租车GPS数据外的其余数据,获得第二数据集。
进一步地,所述的欧式距离的计算公式为:
其中,dij为数据点(xi,yi)和数据点(xj,yj)之间的欧式距离。
进一步地,所述的密度峰值聚类的具体过程包括:
51)取得以ρi为横轴,δi为纵轴的聚类决策图,其中,ρi为数据点(xi,yi)的局部密度,δi为数据点(xi,yi)到局部密度比它大且距离最近的数据点(xj,yj)的距离;
所述的ρi和δi的计算公式为:
其中,dc为截断距离,X(·)为判断逻辑函数,(·)<0,X(·)=1,否则X(·)=0;
52)利用聚类决策图将ρi和δi相对较高的点标记为簇中心,将每个剩余点分配到与其最紧邻且密度比它大的数据点所在簇。
进一步地,所述的数据流网格聚类算法的具体过程包括:
将二维经纬度空间S按维度均匀划分为密度网格;
将第二数据集输入基于storm平台的数据流网格聚类算法Topology,产生初始参数和初始化簇,作为判定基准;
将实时数据集中的数据点放入相应的网格单元,动态计算网格单元的密度,基于判定基准,根据密度判定网格单元的类型,所述的网格单元的类型包括稠密网格、过渡网格和稀疏网格;
若网格单元被判定为稠密网格,则将实时数据集中该网格单元内数据点车辆标号对应的出租车GPS数据聚类至该网格单元所在的簇中;
若网格单元被判定为稀疏网格,则在第二数据集中删除该网格单元内数据点车辆标号对应的出租车GPS数据;
若网格单元被判定为过渡网格,则保留第二数据集中该网格单元内数据点车辆标号对应的出租车GPS数据,但不聚类至该网格单元所在的簇中,直至该车辆标号的下个数据点所在网格单元被判定为稠密网格或稀疏网格为止。
进一步地,每辆出租车在单个路段上的均速的计算过程包括:
将第三数据集中的出租车GPS数据按照车辆编号排序,获得多个序列{g11,g12,…,g1n},…,{gm1,gm2,…,gmn},其中gij为车辆编号为i的(xj,yj)格式的经纬度数据;
计算单车均速,计算公式为:
其中,v为单个路段内的单车均速,sj为单个序列内gij与gij+1之间的欧氏距离,sj∈{s1,s2,…,sn-1},所述的sj的计算公式为:
tj为点gij与gij+1的时间戳之差,tj∈{t1,t2,…,tn-1}。
进一步地,所述的目标路网内各路段在目标日期的路段均速的计算公式为:
其中,V为目标路网内的路段在目标日期的路段均速,vi为该路段内i号单车均速,Li为i号单车覆盖的行驶路程。
进一步地,所述的单路段均速估计模块将目标路网内各路段在目标日期的路段均速存储至Hbase数据库。
进一步地,所述的数据有效性判别模块、单路段内单车均速计算模块和单路段均速估计模块的数量为多个,多个数据有效性判别模块、单路段内单车均速计算模块和单路段均速估计模块并列执行。
与现有技术相比,本发明具有以如下有益效果:
本发明利用路段均速来缓解交通拥堵,采集目标日期前一天的出租车GPS数据,通过二次密度峰值聚类剔除路网交叉口的数据和噪声数据,再通过数据流网格聚类算法实时剔除实时采集的出租车GPS数据中的无效数据,并计算目标路网内各路段在目标日期的路段均速,将路段名称及对应的路段均速传输至移动终端,处理了出租车GPS数据噪声多的问题,缓和了高速、低速样本对路段均速的影响,解决了系统长时间运行带来的老化难题,并且能够将数据传输至手机导航软件显示实时路段均速即可为用户提供路段内最佳行驶车速,避免因紧急制动产生拥堵传递链。
附图说明
图1为本发明的系统结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
路段均速估计对于缓解拥堵的实际意义在于:当某一路段车辆较多时,行进的车流密度会大大提升,很小的干扰就可能触发交通拥堵的传递链。密集情况下一位驾驶员轻微制动,紧随其后的驾驶员由于反应原因,不得不紧急制动。经过不断传递,微小的干扰会被放大成一块拥堵区域。驾驶员往往意识不到应在距通拥堵区域较远处减速,最终只能急刹车来避免交通事故发生,助推了拥堵传递浪潮。而且许多驾驶员会在减速后迅速加速并高于路段均速行驶,而后又在下一个拥堵点再次制动,产生更多拥堵区域。拥堵区域已经产生的情况下,若后续驾驶员能够获取前方路段均速的实时信息,以路段均速行驶则可以切断上述拥堵传递链,改善交通拥堵状况。后续在自动驾驶普及的情况下,若是与自动驾驶结合甚至可以完全避免此类拥堵。
一种基于GPS数据流的路段均速估计系统,用于缓解交通拥堵,如图1,包括数据采集模块、数据预处理模块、数据有效性判别模块、单路段内单车均速计算模块、单路段均速估计模块和路段均速传输模块,其中,数据有效性判别模块、单路段内单车均速计算模块和单路段均速估计模块并列执行,具有并行化特征。
(一)数据采集模块
采集目标路网在目标日期前一天的出租车GPS数据,获得第一数据集,动态采集目标路网在目标日期的出租车GPS数据,出租车GPS数据包括单车编号、记录时刻和经纬度。
(二)数据预处理模块
提取目标日期前日出租车GPS数据中的经纬度数据,利用以下公式求两数据点之间的欧式距离,构成欧氏距离矩阵:
其中,dij为数据点(xi,yi)和数据点(xj,yj)之间的欧式距离;
对得到的欧氏距离矩阵进行一次密度峰值聚类,利用公式:
取得以ρi为横轴,δi为纵轴的聚类决策图,其中,ρi为数据点(xi,yi)的局部密度,δi为数据点(xi,yi)到局部密度比它大且距离最近的数据点(xj,yj)的距离,dc为截断距离,X(·)为判断逻辑函数,(·)<0,X(·)=1,否则X(·)=0;
利用决策图,将ρi和δi都相对较高的点标记为簇中心,将剩余点进行分配,分配时,将每个剩余点分配到它的最紧邻且密度比其他大的数据点所在簇,由于交通运输网络特性,在交叉口附近的GPS数据峰值密度远大于路段内部数据,故聚类完成后可以得到目标路网内位于交叉口位置的出租车GPS数据标号;
根据标号将目标GPS数据剔除,再利用上文同样方法求得数据集内剩余两数据点之间的欧氏距离矩阵,对得到的欧氏距离矩阵进行二次密度峰值聚类,由于已经剔除位于交叉口位置的出租车GPS数据,GPS数据峰值密度交叉口附近转移至各路段内部,故聚类完成后可以得到位于各路段内部的GPS数据标号,根据标号将目标外的GPS数据剔除即可消除噪声漂移数据,并将数据储至Hbase数据库。
本实例中,选定目标路网的范围为:纬度[121.542,121.558],经度[31.245,31.26],目标日期为2007年2月20日前日的2007年2月19日,提取目标路网内的GPS数据的经纬度数据共记966条。求各两数据点之间的欧氏距离获得共计966*966的距离矩阵,提取其中有效信息466095条进行一次密度峰值聚类,得以ρi为横轴,δi为纵轴的聚类决策图。将ρi和δi都相对较高的点标记为簇中心,本例中共计14个簇中心,即目标路网内的14个交叉口,将每个剩余点分配到它的最紧邻且密度比其他大的数据点所在簇,获得14个位于交叉口位置的出租车GPS数据标号,并将之剔除,剩余590条GPS数据的经纬度数据。求各两数据点之间的欧氏距离获得共计590*590的距离矩阵,提取其中有效信息173755条进行二次次密度峰值聚类,得以ρi为横轴,δi为纵轴的聚类决策图。将ρi和δi都相对较高的点标记为簇中心,本实施例中共计15个簇中心,即目标路网内15条去除交叉口的分离路段,将每个剩余点分配到它的最紧邻且密度比其他大的数据点所在簇,获得15个分离路段位置的出租车GPS数据标号,共计524条,将之提取,即可获得剔除位于路网交叉口的数据并消除其他噪声数据的出租车GPS数据,并将数据储至Hbase数据库。
(三)数据有效性判别模块
将二维经纬度空间S按维度均匀划分为密度网格,每一维空间均被划分为p个部分,因此数据空间S共被划分为p2个具有密度和性质的单元格,其中,网格单元的密度是由初始化簇和网格单元内数据点个数决定的,网格单元的密度决定了网格单元的性质,网格单元按性质被划分为:稠密网格、过渡网格和稀疏网格。
将数据预处理模块获得的剔除位于路网交叉口的数据并消除其他噪声数据的出租车GPS数据输入基于storm平台的数据流网格聚类算法Topology,产生初始参数和初始化簇,作为判定基准;再将目标日期的出租车GPS数据数据流输入聚类算法Topology,将输入的数据点放入相应的单元格,对网格单元动态计算密度并进行判定:若网格单元判定为稠密网格,则数据点车辆标号对应的GPS数据可以聚类至该单元格所在的簇中即对应路段上参与该路段的均速估计,反之,若判定为稀疏网格,即认为该数据点不再目标路网内的路段上,删除该数据点车辆标号对应的所有数据缓存,防止系统长时间运行导致的老化,若判定为过渡网格则保留数据点,但不参与路段均速估计,直至该车辆标号的下个数据点判定为稠密或稀疏为止。本实例中,选定目标路网纬度[121.542,121.558],经度[31.245,31.26]的二维经纬度空间均匀划分为密度网格,每一维空间均被划分为500个部分,因此数据空间S共被划分为25000个具有密度和性质的单元格,将数据预处理模块获得的524条剔除位于路网交叉口的数据并消除其他噪声数据的出租车GPS数据输入基于storm平台的数据流网格聚类算法Topology,产生15个初始化簇,即15条分离路段作为判定,再将2007年2月20日1500辆出租车,共计150000条GPS数据通过Kalfka生成稳定数据流输入聚类算法Topology,将输入的数据点放入相应的单元格,每5秒对网格单元动态计算密度并进行实时判定,运行时长5分钟内共计获得5365条有效数据。
(四)单路段内单车均速计算模块
针对单个路段,将通过有效性判别步骤的所有GPS数据,按照车辆编号分为多个序列:{g11,g12,…,g1n},…,{gm1,gm2,…,gmn},其中gij为车辆编号为i的(xj,yj)格式的经纬度数据;对单个序列进行单车均速计算,基于每个序列集中相邻数据点之间的距离{s1,s2,…,sn-1},其中sj为单个序列内gij与gij+1之间的欧氏距离,sj的计算公式为:
进行距离—时间计算得到的速度可以近似地认为单车通过路段的速度,计算公式如下:
其中,v为单个路段内的单车均速,tj为点gij与gij+1的时间戳之差,tj∈{t1,t2,…,tn-1}。
本实例中针对1号路段运行时长5分钟内共计获得795条有效数据,按车辆标号分为10个:{g11,g12,…,g150},…,{g101,g102,…,g1060},针对单个序列进行单车均速计算,例如1号车序列,计算相邻数据点之间的欧式距离{s1,s2,…,s49}共计49条,计算相邻数据点之间的时间差{t1,t2,…,t49}共计49条,行距离—时间计算得到的速度可以近似地得到1号车通过该路段的均速为23km/s,10个序列并行计算同时获得10个单车均速。总计15个单路段内单车均速计算模块并行计算,获得180个单车均速。
(五)单路段均速估计模块
针对单个路段,将单路段内单车均速计算模块获取的单车均速输入,由于单车均速并非同一时刻路段内各出租车的瞬时速度,传统的排序均值法不能准确反应该路段内的车流均速,使用平均速度=总路程÷总时间的思想可以获得较为准确的路段均速,计算公式如下:
其中,V为目标路网内的路段在目标日期的路段均速,vi为该路段内i号单车均速,Li为i号单车覆盖的行驶路程。
该算法考虑行程距离的因素缓和了高速、低速样本对最终结果带来的影响,使结果更加精确,随后将结果存储至Hbase数据库。本实施例中,针对1号路段运行时长15分钟内共计获得10个单车均速,将单车均速与其GPS序列计算得出的总里程匹配,例如该路段上1号车均速为23km/s,行驶总里程为300米,2号车均速为50km/s,行驶总里程为1200米。
10号车均速为15km/s,行驶总里程为200米。计算得出该路段均速为21km/s,总计15个单路段均速估计模块,并行计算获得15个路段均速,并将结果存储至Hbase数据库。
(六)路段均速传输模块
将出租车GPS数据预处理模块得到的剔除位于路网交叉口的数据并消除其他噪声数据的出租车GPS数据传输至服务端导航软件进行地图匹配获取路段名称,将单路段均速估计模块获取的路段均速与路段名称匹配得到一组(路段名称:路段均速)格式的数据。将数据传输至手机导航软件显示实时路段均速即可为用户提供路段内最佳行驶车速,避免因紧急制动产生拥堵传递链。本实施例中通过地图匹配获取的路段名称为新建路隧道,银城东路,世纪大道,…,浦东大道。将单路段均速估计模块获取的路段均速与路段名称匹配得到一组(新建路隧道:50km/s),(银城东路:23km/s),…,(浦东大道:35km/s)的数据,将数据传输至手机导航软件显示实时路段均速。
本实施例提出了一种基于GPS数据流的路段均速估计系统,解决了目前城城市商品运输以及个体交通出行需求的持续增长导致的交通拥堵问题,具有经济性强、数据获取容易、数据覆盖面积广的优点,且能够满足快速响应、低延迟、长时间稳定运行等要求,具有非常重要的应用价值。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于GPS数据流的路段均速估计系统,其特征在于,包括:
数据采集模块,用于采集目标路网在目标日期前一天的出租车GPS数据,获得第一数据集,动态采集目标路网在目标日期的出租车GPS数据,获得实时数据集;
数据预处理模块,用于通过二次密度峰值聚类剔除第一数据集中位于路网交叉口的数据和噪声数据,获得第二数据集;
数据有效性判别模块,根据第二数据集,通过数据流网格聚类算法实时剔除实时数据集中的无效数据,获得第三数据集;
单路段内单车均速计算模块,用于根据第三数据集计算每辆出租车在单个路段上的单车均速,获得第四数据集;
单路段均速估计模块,用于根据第四数据集计算目标路网内各路段在目标日期的路段均速;
路段均速传输模块,用于对第一数据集进行地图匹配,获取路段名称,再将路段名称及对应的路段均速传输至移动终端。
2.根据权利要求1所述的一种基于GPS数据流的路段均速估计系统,其特征在于,所述的出租车GPS数据包括单车编号、记录时刻和经纬度。
3.根据权利要求2所述的一种基于GPS数据流的路段均速估计系统,其特征在于,所述的二次密度峰值聚类的具体过程包括:
31)根据经纬度计算第一数据集中相邻数据点之间欧式距离,获得第一欧氏距离矩阵,对第一欧氏距离矩阵进行第一次密度峰值聚类,获得第一数据集中位于交叉口位置的第一出租车GPS数据标号,根据该标号剔除第一数据集中对应的出租车GPS数据,获得中间数据集;
32)根据经纬度计算中间数据集中相邻数据点之间欧式距离,获得第二欧氏距离矩阵,对第二欧氏距离矩阵进行第二次密度峰值聚类,获得中间数据集中位于各路段内部的第二出租车GPS数据标号,剔除中间数据集中除第二出租车GPS数据标号对应的出租车GPS数据外的其余数据,获得第二数据集。
6.根据权利要求1所述的一种基于GPS数据流的路段均速估计系统,其特征在于,所述的数据流网格聚类算法的具体过程包括:
将二维经纬度空间S按维度均匀划分为密度网格;
将第二数据集输入基于storm平台的数据流网格聚类算法Topology,产生初始参数和初始化簇,作为判定基准;
将实时数据集中的数据点放入相应的网格单元,动态计算网格单元的密度,基于判定基准,根据密度判定网格单元的类型,所述的网格单元的类型包括稠密网格、过渡网格和稀疏网格;
若网格单元被判定为稠密网格,则将实时数据集中该网格单元内数据点车辆标号对应的出租车GPS数据聚类至该网格单元所在的簇中;
若网格单元被判定为稀疏网格,则在第二数据集中删除该网格单元内数据点车辆标号对应的出租车GPS数据;
若网格单元被判定为过渡网格,则保留第二数据集中该网格单元内数据点车辆标号对应的出租车GPS数据,但不聚类至该网格单元所在的簇中,直至该车辆标号的下个数据点所在网格单元被判定为稠密网格或稀疏网格为止。
9.根据权利要求1所述的一种基于GPS数据流的路段均速估计系统,其特征在于,所述的单路段均速估计模块将目标路网内各路段在目标日期的路段均速存储至Hbase数据库。
10.根据权利要求1所述的一种基于GPS数据流的路段均速估计系统,其特征在于,所述的数据有效性判别模块、单路段内单车均速计算模块和单路段均速估计模块的数量为多个,多个数据有效性判别模块、单路段内单车均速计算模块和单路段均速估计模块并列执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238699.XA CN114822016B (zh) | 2022-03-11 | 2022-03-11 | 一种基于gps数据流的路段均速估计系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238699.XA CN114822016B (zh) | 2022-03-11 | 2022-03-11 | 一种基于gps数据流的路段均速估计系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114822016A true CN114822016A (zh) | 2022-07-29 |
CN114822016B CN114822016B (zh) | 2023-07-25 |
Family
ID=82529739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210238699.XA Active CN114822016B (zh) | 2022-03-11 | 2022-03-11 | 一种基于gps数据流的路段均速估计系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114822016B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080172171A1 (en) * | 2007-01-17 | 2008-07-17 | Gregory Mikituk Kowalski | Methods and systems for controlling traffic flow |
WO2010124138A1 (en) * | 2009-04-22 | 2010-10-28 | Inrix, Inc. | Predicting expected road traffic conditions based on historical and current data |
CN102110363A (zh) * | 2011-03-30 | 2011-06-29 | 北京世纪高通科技有限公司 | 一种浮动车数据处理的方法及装置 |
US20130113615A1 (en) * | 2011-11-04 | 2013-05-09 | Thinkware Systems Corporation | Apparatus and method for providing real-time information using analysis factor based on road and traffic conditions |
CN103258430A (zh) * | 2013-04-26 | 2013-08-21 | 青岛海信网络科技股份有限公司 | 路段旅行时间统计、以及交通路况判定方法和装置 |
CN105575120A (zh) * | 2015-12-31 | 2016-05-11 | 银江股份有限公司 | 面向道路实时速度计算的浮动车数据停车行为模式清洗方法 |
CN106056903A (zh) * | 2016-06-22 | 2016-10-26 | 江苏迪纳数字科技股份有限公司 | 基于gps数据的道路拥塞区域的检测方法 |
CN106611496A (zh) * | 2015-10-27 | 2017-05-03 | 北京航天长峰科技工业集团有限公司 | 一种基于gps定位技术的交通流量监测方法 |
CN108303978A (zh) * | 2017-12-29 | 2018-07-20 | 东莞产权交易中心 | 一种车辆自动驾驶的动态路径与速度确定方法 |
CN110299009A (zh) * | 2019-07-22 | 2019-10-01 | 上海工程技术大学 | 一种基于knn算法的预测短时交通流的方法和电子设备 |
US20200160701A1 (en) * | 2018-11-19 | 2020-05-21 | Fortran Traffic Systems Limited | Systems and methods for managing traffic flow using connected vehicle data |
CN111915874A (zh) * | 2019-05-08 | 2020-11-10 | 中国科学院大学 | 一种道路平均通行时间预测方法 |
CN112820108A (zh) * | 2021-01-12 | 2021-05-18 | 南京睿思交通信息科技有限公司 | 一种自学习的路网交通状态分析及预测方法 |
-
2022
- 2022-03-11 CN CN202210238699.XA patent/CN114822016B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080172171A1 (en) * | 2007-01-17 | 2008-07-17 | Gregory Mikituk Kowalski | Methods and systems for controlling traffic flow |
WO2010124138A1 (en) * | 2009-04-22 | 2010-10-28 | Inrix, Inc. | Predicting expected road traffic conditions based on historical and current data |
CN102110363A (zh) * | 2011-03-30 | 2011-06-29 | 北京世纪高通科技有限公司 | 一种浮动车数据处理的方法及装置 |
US20130113615A1 (en) * | 2011-11-04 | 2013-05-09 | Thinkware Systems Corporation | Apparatus and method for providing real-time information using analysis factor based on road and traffic conditions |
CN103258430A (zh) * | 2013-04-26 | 2013-08-21 | 青岛海信网络科技股份有限公司 | 路段旅行时间统计、以及交通路况判定方法和装置 |
CN106611496A (zh) * | 2015-10-27 | 2017-05-03 | 北京航天长峰科技工业集团有限公司 | 一种基于gps定位技术的交通流量监测方法 |
CN105575120A (zh) * | 2015-12-31 | 2016-05-11 | 银江股份有限公司 | 面向道路实时速度计算的浮动车数据停车行为模式清洗方法 |
CN106056903A (zh) * | 2016-06-22 | 2016-10-26 | 江苏迪纳数字科技股份有限公司 | 基于gps数据的道路拥塞区域的检测方法 |
CN108303978A (zh) * | 2017-12-29 | 2018-07-20 | 东莞产权交易中心 | 一种车辆自动驾驶的动态路径与速度确定方法 |
US20200160701A1 (en) * | 2018-11-19 | 2020-05-21 | Fortran Traffic Systems Limited | Systems and methods for managing traffic flow using connected vehicle data |
CN111915874A (zh) * | 2019-05-08 | 2020-11-10 | 中国科学院大学 | 一种道路平均通行时间预测方法 |
CN110299009A (zh) * | 2019-07-22 | 2019-10-01 | 上海工程技术大学 | 一种基于knn算法的预测短时交通流的方法和电子设备 |
CN112820108A (zh) * | 2021-01-12 | 2021-05-18 | 南京睿思交通信息科技有限公司 | 一种自学习的路网交通状态分析及预测方法 |
Non-Patent Citations (2)
Title |
---|
刘力源: "考虑时空相关的路段平均速度预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 034 - 967 * |
徐熠明: "改良马尔可夫模型在节假日客流预测中的应用", 《软件导刊》, vol. 20, no. 9, pages 174 - 179 * |
Also Published As
Publication number | Publication date |
---|---|
CN114822016B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154698B (zh) | 一种基于gps轨迹大数据的公交到离站精确时间计算方法 | |
CN102737504B (zh) | 一种基于驾驶特性的公交车到站时间实时估计方法 | |
CN108550262B (zh) | 基于毫米波雷达的城市交通感知系统 | |
CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
CN108053058B (zh) | 一种基于大数据的电动出租车充电桩选址方法 | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN109275121B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 | |
CN112927503B (zh) | 一种雨天高速公路主线速度限制和匝道融合协调控制方法 | |
CN112396834B (zh) | 基于元胞自动机模型的雾天高速公路协调控制方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN103337189A (zh) | 一种基于路段动态划分的车辆路径诱导方法 | |
CN109147390B (zh) | 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法 | |
CN109190811B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 | |
CN105427620B (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
CN109118770A (zh) | 一种基于交通监测数据的路段通行能力挖掘方法 | |
CN109118786B (zh) | 一种基于量化自适应卡尔曼滤波的车辆速度预测方法 | |
CN102568207A (zh) | 交通数据处理方法和装置 | |
CN104573972B (zh) | 一种基于车载gps数据的公交路线运营时段划分方法 | |
CN108376477B (zh) | 车路协同公交精准数据融合中心系统及工作方法 | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
CN108985616A (zh) | 一种公交专用道布局评价方法 | |
CN113470359B (zh) | 基于5g-v2x的道路大规模拥堵告警方法及系统 | |
CN114822016B (zh) | 一种基于gps数据流的路段均速估计系统 | |
CN113971885B (zh) | 车速预测的方法、装置及系统 | |
CN116863696A (zh) | 一种超限车辆路线预测与拦截预警的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |