CN114999148A - 拥堵程度监测方法、装置、计算机设备和存储介质 - Google Patents
拥堵程度监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114999148A CN114999148A CN202210527478.4A CN202210527478A CN114999148A CN 114999148 A CN114999148 A CN 114999148A CN 202210527478 A CN202210527478 A CN 202210527478A CN 114999148 A CN114999148 A CN 114999148A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- vehicle data
- determining
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 description 17
- 238000005192 partition Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012806 monitoring device Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G08G1/0125—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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
Abstract
本申请涉及一种拥堵程度监测方法、装置、计算机设备和存储介质。所述方法包括：获取拥堵监测区域内的车辆数据；针对所述拥堵监测区域内的任一车道，根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度；根据各车道对应的所述车辆平均行驶速度，确定各所述车道的拥堵程度。采用本方法可以提高拥堵程度的判断精度。
Description
技术领域
本申请涉及交通技术领域，特别是涉及一种拥堵程度监测方法、装置、计算机设备和存储介质。
背景技术
随着社会经济的发展，汽车保有量增加，交通拥堵问题也逐渐浮出水面。在驾车出行时，确定哪一条道路拥堵、哪一条道路畅通对于保障顺畅的出行至关重要。
目前判断拥堵程度的方法多基于路网容量，这种方法计算在固定的一段时间内，在一条道路上行驶的车辆数，并根据车辆数与路网最大容量之间的区别判断道路是否拥堵。
然而，尽管车辆数和道路拥堵程度之间具有相关性，但由于对车辆数的统计依赖GPS(Global Positioning System、全球定位系统)信息，若车辆不使用GPS，这部分车辆就不会被统计，因此车辆数并不能精准的反映一条道路的拥堵程度，进而导致根据路网容量判断拥堵程度的方法精度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种拥堵程度监测方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种拥堵程度监测方法，所述方法包括：
获取拥堵监测区域内的车辆数据；
针对所述拥堵监测区域内的任一车道，根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度；
根据各车道对应的所述车辆平均行驶速度，确定各所述车道的拥堵程度。
在其中一个实施例中，所述车辆数据中包括车辆位置信息，所述根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度之前，所述方法还包括：
针对任一所述车辆数据，根据所述车辆数据中的所述车辆位置信息，确定所述车辆数据对应的车道标识；
分别将各所述车辆数据对应的所述车道标识加入各所述车辆数据中。
在其中一个实施例中，所述根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度，包括：
根据所述车道的车道标识，获取监测时段内所述车道对应的车辆数据；
根据所述监测时段内所述车道对应的车辆数据，确定所述车道对应的车辆平均行驶速度。
在其中一个实施例中，所述车辆数据中包括时间戳信息，所述根据所述监测时段内所述车道对应的车辆数据，确定所述车道对应的车辆平均行驶速度，包括：
根据所述监测时段内所述车道对应的车辆数据，确定位于所述车道内的车辆的行驶总时长和行驶总距离；
根据位于所述车道内的车辆的行驶总时长和行驶总距离，确定所述车道对应的车辆平均行驶速度。
在其中一个实施例中，所述车辆数据中包括车辆标识，所述根据所述监测时段内所述车道对应的车辆数据，确定位于所述车道内的车辆的行驶总时长和行驶总距离，包括：
根据所述车辆数据中的车辆标识，获取各所述车辆标识对应的所述车辆数据；
针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据，得到所述监测时段内所述车辆标识对应的车辆的行驶时长和行驶距离；
根据所述监测时段内各所述车辆标识对应的车辆的所述行驶时长和所述行驶距离，确定位于所述车道内的车辆的行驶总时长和行驶总距离。
在其中一个实施例中，所述针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据，得到监测时段内所述车辆标识对应的车辆的行驶时长和行驶距离，包括：
针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据中的所述时间戳信息，确定所述车辆标识对应的车辆在所述监测时段内的行驶时长；
根据所述车辆标识对应的所述车辆数据中，时间戳信息相邻的两个所述车辆数据中的所述车辆位置信息，确定所述车辆标识对应的车辆在所述监测时段内的行驶距离。
第二方面，本申请还提供了一种拥堵程度监测装置，所述装置包括：
获取模块，用于获取拥堵监测区域内的车辆数据；
第一确定模块，用于针对所述拥堵监测区域内的任一车道，根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度；
第二确定模块，用于根据各车道对应的所述车辆平均行驶速度，确定各所述车道的拥堵程度。
在其中一个实施例中，所述车辆数据中包括车辆位置信息，所述装置还包括：
第三确定模块，用于针对任一所述车辆数据，根据所述车辆数据中的所述车辆位置信息，确定所述车辆数据对应的车道标识；
加入模块，用于分别将各所述车辆数据对应的所述车道标识加入各所述车辆数据中。
在其中一个实施例中，所述第一确定模块，还用于：
根据所述车道的车道标识，获取监测时段内所述车道对应的车辆数据；
根据所述监测时段内所述车道对应的车辆数据，确定所述车道对应的车辆平均行驶速度。
在其中一个实施例中，所述车辆数据中包括时间戳信息，所述第一确定模块，还用于：
根据所述监测时段内所述车道对应的车辆数据，确定位于所述车道内的车辆的行驶总时长和行驶总距离；
根据位于所述车道内的车辆的行驶总时长和行驶总距离，确定所述车道对应的车辆平均行驶速度。
在其中一个实施例中，所述车辆数据中包括车辆标识，所述第一确定模块，还用于：
根据所述车辆数据中的车辆标识，获取各所述车辆标识对应的所述车辆数据；
针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据，得到所述监测时段内所述车辆标识对应的车辆的行驶时长和行驶距离；
根据所述监测时段内各所述车辆标识对应的车辆的所述行驶时长和所述行驶距离，确定位于所述车道内的车辆的行驶总时长和行驶总距离。
在其中一个实施例中，所述第一确定模块，还用于：
针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据中的所述时间戳信息，确定所述车辆标识对应的车辆在所述监测时段内的行驶时长；
根据所述车辆标识对应的所述车辆数据中，时间戳信息相邻的两个所述车辆数据中的所述车辆位置信息，确定所述车辆标识对应的车辆在所述监测时段内的行驶距离。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上任一项方法。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质，其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以上任一项方法。
第五方面，本申请还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上任一项方法。
上述拥堵程度监测方法、装置、计算机设备和存储介质，可以通过获取拥堵监测区域内的车辆数据，从而对拥堵监测区域内的任一车道，根据位于该车道内车辆的车辆数据，确定该车道对应的车辆平均行驶速度，进而根据车辆平均行驶速度确定各车道的拥堵程度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
附图说明
图1为一个实施例中拥堵程度监测方法的流程示意图；
图2为一个实施例中拥堵程度监测方法的流程示意图；
图3为一个实施例中步骤104的流程示意图；
图4为一个实施例中步骤304的流程示意图；
图5为一个实施例中步骤402的流程示意图；
图6为一个实施例中步骤504的流程示意图；
图7为一个实施例中拥堵程度监测方法的流程示意图；
图8为一个实施例中拥堵程度监测方法的示意图；
图9为一个实施例中拥堵程度监测方法的示意图；
图10为一个实施例中拥堵程度监测装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种拥堵程度监测方法。本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。
本实施例中，该方法包括以下步骤：
步骤102，获取拥堵监测区域内的车辆数据。
本申请实施例中，拥堵监测区域是待进行道路拥堵监测的区域，其中可以包括至少一条车道。车辆数据是数据源获取的拥堵监测区域内各车辆的数据，其中包括车辆的基本信息，例如：车辆标识、车辆位置信息、时间戳信息等。
需要说明的是，车辆数据可以来自多个数据源，例如车辆搭载的GPS、路侧感知器等，也即可以通过车辆搭载的GPS主动实时上报车辆数据，或者可以通过路侧感知器实时检测车辆的车辆数据。本申请实施例不对数据源做具体限定，凡是能获取车辆数据的数据源均适用于本申请实施例中。
在一个示例中，终端中可以包括基于flink框架搭建的数据处理系统，通过该数据处理系统，可以对自多个数据源获取到的车辆数据进行合并处理，以形成单一的数据流，进而对数据流进行监测判断，可以实现实时的对车道拥堵情况进行监测。
在获取车辆数据后，还可以对车辆数据做预处理，如数据清洗过滤、车辆轨迹坐标偏转处理等，以去除车辆数据中的异常值，具体过程本申请实施例中对此不做过多赘述，任一可以实现上述预处理操作的方式均适用于本申请实施例中。
步骤104，针对拥堵监测区域内的任一车道，根据位于车道内的车辆的车辆数据，确定车道对应的车辆平均行驶速度。
针对拥堵监测区域内的任一车道，本申请实施例可以确定位于该车道内的车辆，并根据位于该车道内的车辆的车辆数据，确定该车道内车辆的车辆平均行驶速度。示例性的，以拥堵监测区域包括2条车道(车道1、车道2)为例，则可以分别确定行驶于车道1、车道2的车辆，并分别计算车道1、车道2对应的车辆平均行驶速度，以根据车道1的车辆平均行驶速度确定车道1的拥堵程度、根据车道2的车辆平均行驶速度确定车道2的拥堵程度。
步骤106，根据各车道对应的车辆平均行驶速度，确定各车道的拥堵程度。
本申请实施例中，在得到各车道对应的车辆平均行驶速度后，可以根据各车道的车辆平均行驶速度，分别确定各车道的拥堵程度。
示例性的，可以根据道路类型(例如：城市道路、高速公路等)和道路限速，按照车辆平均行驶速度区间划分拥堵类别，并根据各车道对应的车辆平均速度对应的拥堵类别，确定各车道的拥堵程度，示例性的，拥堵类别可以包括：畅通、轻度拥堵、中度拥堵、严重拥堵等。举例来说，在限速为120km/h的高速公路上，可以按照车辆平均行驶速度≥70km/h为畅通、70km/h＞车辆平均行驶速度≥50km/h为轻度拥堵、50km/h＞车辆平均行驶速度≥30km/h为中度拥堵、30km/h＞车辆平均行驶速度≥0km/h为严重拥堵划分四个拥堵类别。若车道1和车道2均为高速公路，且道路1对应的车辆平均行驶速度为72km/h，车道2对应的车辆平均行驶速度为65km/h，则可以判断车道1的拥堵程度为畅通，车道2的拥堵程度为轻度拥堵。
需要说明的是，上述针对拥堵类别的划分仅作为本申请实施例中拥堵类别的一种示例，实际上，还可以根据需求对拥堵类别做更粗粒度或者更细粒度的划分，本申请实施例不对拥堵类别的划分方式做具体限定。
本申请实施例提供的拥堵程度监测方法，可以通过获取拥堵监测区域内的车辆数据，从而对拥堵监测区域内的任一车道，根据位于该车道内车辆的车辆数据，确定该车道对应的车辆平均行驶速度，进而根据车辆平均行驶速度确定各车道的拥堵程度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
在一个实施例中，车辆数据中包括车辆位置信息，如图2所示，步骤104之前，上述方法还包括：
步骤202，针对任一车辆数据，根据车辆数据中的车辆位置信息，确定车辆数据对应的车道标识；
步骤204，分别将各车辆数据对应的车道标识加入各车辆数据中。
其中，车辆位置信息用于指示车辆在该车辆数据被采集时所处的位置。示例性的，车辆位置信息可以是该车辆的经纬度坐标。车道标识用于指代拥堵监测区域内的车道，拥堵监测区域内的每一条车道都拥有唯一的车道标识。
示例性的，在获取车辆数据后，可以根据车辆位置信息定位车辆所处的车道。例如：可以根据含有车道位置信息的地图，将车辆位置信息与车道位置信息进行匹配，确定车辆在该车辆数据被采集的时刻所处的车道，进而将该车道的车道标识作为该车辆数据对应的车道标识。
示例性的，若车辆数据中的车辆位置信息为一个经纬度坐标(116.491905,39.871244)，含有车道位置信息的地图中车道1对应的经纬度坐标范围为经度116.49至116.50，纬度39.8712至39.87123，车道标识为001，车道2对应的经纬度坐标范围为经度116.49至116.50，纬度39.87123至39.87126，车道标识为002，则可以确定车辆在该车辆数据被采集的时刻位于车道2，进而可以确定该车辆数据对应的车道标识为002。
在得到车辆数据中的车辆位置信息对应的车道标识后，可以将车道标识加入车辆数据中，以便于后续根据车道标识获取该车道对应的车辆数据，进而根据该车道对应的车辆数据，确定该车道对应的车辆平均行驶速度。
本申请实施例提供的拥堵程度监测方法，可以获取车辆在车辆数据被采集的时刻所处的车道的车道标识，并将该车道标识加入车辆数据中，以便于根据车辆数据中的车道标识确定拥堵监测区域内的各车道所对应的车辆数据，进而根据各车道对应的车辆数据，确定各车道对应的车辆平均行驶速度和拥堵程度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
在一个实施例中，如图3所示，步骤104中，根据位于车道内的车辆的车辆数据，确定车道对应的车辆平均行驶速度，包括：
步骤302，根据车道的车道标识，获取监测时段内车道对应的车辆数据。
其中，监测时段是距离当前时间一定时长的时间段。本申请实施例对监测时段的时长不作具体限定，具体取值可以由监测需求进行确定，例如：对于监测需求精度较高的场景，监测时段可以取值较短；对于监测需求精度不高的场景，监测时段可以取值较长。
在本申请实施例中，针对任一车道，可以从监测时段内的车辆数据中，获取包括该车道的车道标识的车辆数据。示例性的，若车道的车道标识是002，则可以从监测时段内的车辆数据中获取包括车道标识002的车辆数据。
步骤304，根据监测时段内车道对应的车辆数据，确定车道对应的车辆平均行驶速度。
对于拥堵监测区域内的任一车道，本申请实施例可以根据监测时段内该车道对应的车辆数据，确定该监测时段内，行驶于该车道的车辆的车辆平均行驶速度，以便于后续根据该车道对应的车辆平均行驶速度确定该车道的拥堵程度。
示例性的，可以根据位于该车道内的车辆的车辆数据，确定各车辆的平均行驶速度，进而将各车辆的平均行驶速度的均值所为该车道对应的车辆平均行驶速度。
本申请实施例提供的拥堵程度监测方法，可以通过获取监测时段内拥堵监测区域各车道对应的车辆数据，从而确定在监测时段内行驶于各车道的车辆的车辆平均行驶速度，进而根据该车辆平均行驶速度确定各车道的拥堵程度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
在一个实施例中，车辆数据中包括时间戳信息，如图4所示，步骤304中，根据监测时段内车道对应的车辆数据，确定车道对应的车辆平均行驶速度，包括：
步骤402，根据监测时段内车道对应的车辆数据，确定位于车道内的车辆的行驶总时长和行驶总距离。
本申请实施例中，对于监测时段内车道对应的车辆数据，可以通过车辆数据中的时间戳信息和车辆位置信息得到位于该车道内的任一车辆的行驶时长和行驶距离，再根据位于该车道内的所有车辆的行驶实测和行驶距离，得到位于该车到内的车辆的行驶总时长和行驶总距离。
步骤404，根据位于车道内的车辆的行驶总时长和行驶总距离，确定车道对应的车辆平均行驶速度。
在得到位于车道内的车辆的行驶总时长和行驶总距离后，可以以行驶总距离除以行驶总时长，得到该车道对应的车辆平均行驶速度(参见公式(一)所示)：
其中，
代表车辆平均行驶速度，S代表行驶总距离，T代表行驶总时长。
本申请实施例提供的拥堵程度监测方法，可以通过位于车道内的车辆的行驶总时长和行驶总距离，确定车道对应的车辆平均行驶速度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
在一个实施例中，车辆数据中包括车辆标识，如图5所示，步骤402中，根据监测时段内车道对应的车辆数据，确定位于车道内的车辆的行驶总时长和行驶总距离，包括：
步骤502，根据车辆数据中的车辆标识，获取各车辆标识对应的车辆数据。
其中，车辆标识为用于唯一标识车辆的信息，例如：车牌号、车辆ID等信息。本申请实施例中，在获取监测时段内车道对应的车辆数据后，可以根据车辆数据中的车辆标识，获取各车辆标识对应的车辆数据。
示例性的，若监测时段内车道对应的车辆数据共有3个，分别为{车辆标识：101，车辆位置信息：X1，时间戳信息：Y1}，{车辆标识：102，车辆位置信息：X2，时间戳信息：Y2}，{车辆标识：101，车辆位置信息：X3，时间戳信息：Y3}，则该车道对应的车辆数据中的车辆标识共有两个：101和102。其中车辆标识101对应的车辆数据为{车辆标识：101，车辆位置信息：X1，时间戳信息：Y1}、{车辆标识：101，车辆位置信息：X3，时间戳信息：Y3}，车辆标识102对应的车辆数据为{车辆标识：102，车辆位置信息：X2，时间戳信息：Y2}。
步骤504，针对任一车辆标识，根据车辆标识对应的车辆数据，得到监测时段内车辆标识对应的车辆的行驶时长和行驶距离。
本申请实施例中，针对任一车辆标识，根据该车辆标识对应的车辆数据中的车辆位置信息和时间戳信息，可以得到监测时段内该车辆标识对应的车辆的行驶时长和行驶距离。
步骤506，根据监测时段内各车辆标识对应的车辆的行驶时长和行驶距离，确定位于车道内的车辆的行驶总时长和行驶总距离。
在得到各车辆标识对应的车辆的行驶时长和行驶距离之后，可以确定行驶于该车道内的所有车辆的行驶总时长和行驶总距离。示例性的，可以将位于该车道内的各车辆对应的行驶时长相加，得到位于该车道内的车辆行驶总时长；将位于该车道内的各车辆对应的行驶距离相加，得到位于该车道内的车辆行驶总距离。
本申请实施例提供的拥堵程度监测方法，可以根据车辆数据中的车辆标识，获取位于车道内的各车辆对应的车辆数据，以得到各车辆的行驶时长和行驶距离，进而确定位于车道内的各车辆的行驶总时长和行驶总距离，并得到车道对应的车辆平均行驶速度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
在一个实施例中，如图6所示，步骤504中，针对任一车辆标识，根据车辆标识对应的车辆数据，得到监测时段内车辆标识对应的车辆的行驶时长和行驶距离，包括：
步骤602，根据车辆标识对应的车辆数据中的时间戳信息，确定车辆标识对应的车辆的行驶时长。
本申请实施例中，根据车辆标识对应的车辆数据中最早的时间戳信息和最晚的时间戳信息，可以得到该车辆标识对应的车辆的行驶时长。
示例性的，若该车辆标识共对应3个车辆数据，车辆数据中的时间戳信息分别为1578971652366、1578971647366、1578971657366，则该车辆标识对应的车辆数据中最早的时间戳信息为1578971647366，最晚的时间戳信息为1578971657366。得到该车辆标识对应的车辆的行驶时长的方式可以是对最晚的时间戳信息和最早的时间戳信息作差，例如，时间戳信息1578971657366与1578971647366之间相差10000毫秒，即代表该车辆标识对应的车辆在车道内的行驶时长为10秒。
步骤604，根据车辆标识对应的车辆数据中，时间戳信息相邻的两个车辆数据中的车辆位置信息，确定车辆标识对应的车辆的行驶距离。
其中，时间戳信息相邻的两个时间戳是在时间戳信息按照时间顺序排列时，前后相邻的两个时间戳。例如，在时间戳信息共有3个时，第一时间戳为1578971652366，第二时间戳为1578971647366，第三时间戳为1578971657366，按照时间顺序排列时，时间戳顺序为第二时间戳、第一时间戳、第三时间戳，则第二时间戳与第一时间戳相邻，第三时间戳与第二时间戳相邻。
本申请实施例中，根据车辆标识对应的车辆数据中，时间戳信息相邻的车辆数据中的车辆位置信息，可以得到该车辆标识对应的车辆的行驶距离。示例性的，以车辆位置信息为车辆经纬度坐标为例，对于时间戳信息相邻的两个车辆数据，可以取车辆数据中的车辆经纬度坐标之间的直线距离。得到所有时间戳信息相邻的车辆数据中的车辆经纬度坐标之间的直线距离后，可以将所有直线距离相加，得到车辆的行驶距离。
本申请实施例提供的拥堵程度监测方法，对于任一车辆标识，可以根据该车辆标识对应的车辆数据中的时间戳信息和车辆位置信息，确定该车辆标识对应的车辆的行驶时间和行驶时长，进而确定位于车道内的各车辆的行驶总时长和行驶总距离，并得到车道对应的车辆平均行驶速度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
为使本领域技术人员更好的理解本申请实施例，以下通过具体示例对本申请实施例加以说明。
示例性的，如图7所示，示出了一种拥堵程度监测方法的流程图。
在本申请实施例中，可以采用基于flink框架搭建的数据处理系统对车辆数据进行处理。Flink框架是一种高性能的数据处理引擎，可以对连续的数据流进行实时处理，故而在本申请实施例中，采用flink框架搭建的数据处理系统对车辆数据进行处理，可以提高车辆数据处理的速度，实时反映各车道的拥堵程度。
在获取拥堵监测区域内的车辆数据之后，确定车道对应的车辆平均行驶速度之前，还可以使用基于flink框架搭建的数据处理系统中的的union算子对车辆数据进行合并处理，形成单一的数据流。在单一的数据流中，车辆数据按照时间顺序排列。在使用union算子时，首先可以对接收到的来自多个数据源的车辆数据定义一个统一的实体类，进而使用union算子将多个数据源中的车辆数据合并。示例性的，以数据源为车载GPS和路侧感知器为例，若车载GPS为数据源1，路侧感知器为数据源2，则来自车载GPS的数据为数据流1，来自路侧感知器的数据为数据流2，合并后的车辆数据为{数据流1、数据流2}。在合并后的车辆数据中，车辆数据按照时间顺序排列。
在来自多个数据源的车辆数据合并后，可以对车辆数据进行预处理。预处理方式有数据清洗过滤，车辆轨迹坐标偏转处理等。
在对车辆数据进行预处理时，还可以将车辆位置信息与车道级地图进行匹配。根据车辆数据中的车辆位置信息，可以确定车辆在每一个车辆数据被采集时所处的车道，进而可以将代表该车道的车道标识加入车辆数据之中。
进一步地，在根据位于车道内的车辆的车辆数据，确定车道对应的车辆平均行驶速度之前，还可以将车辆数据发送至消息中间件中存储。在本申请实施例中，使用的消息中间件为kafka。Kafka是一种高吞吐量的消息中间件，其具有单分区有序的特点，也即kafka在每一个分区中都会按照数据输入的顺序(在本申请实施例中为时间顺序)储存数据，但kafka并不保证跨分区有序。故而在本申请实施例中，拥有同样车辆标识的车辆数据需要进入kafka的同一个分区，以保证对于每一车辆，该车辆的数据在被下游读取时按照时间顺序排列。
本申请实施例对分区算法不作具体限定，凡是能达到上述目的的分区算法均适用于本申请实施例中。
示例性的，可以采用对车辆标识取余的算法达到上述目的。例如，当kafka有两个分区时，偶数在对2取余后余数为0，则车辆标识为偶数的车辆数据均会进入分区0；奇数在对2取余后余数为1，则车辆标识为奇数的车辆数据均会进入分区1。
在本申请实施例中，将数据流发送至消息中间件暂存，可以保证下游处理的数据流量较为平稳。采用高吞吐量且单分区有序的消息中间件kafka，可以提高处理车辆数据的能力，并保证对于来自同一车辆的车辆数据，该车辆的车辆数据在被下游读取时仍按时间顺序排列，因此可以省略后续对车辆数据的排序步骤，进一步加快处理车辆数据的速度。
在读取kafka中储存的车辆数据后，可以根据车道的车道标识，获取监测时段内车道对应的车辆数据。其中，监测时段通过在基于flink框架搭建的数据处理系统中设置滑动窗口实现。
示例性的，可以采用基于flink框架搭建的数据处理系统中的keyby算法，以车道标识为key，对车辆数据进行分组处理，以获取各车道对应的车辆数据。
在根据车辆数据中的车辆标识，获取各车辆标识对应的车辆数据时，获取的各车辆标识对应的车辆数据按照时间顺序排列。示例性的，可以采用哈希算法(HashMap)，以车辆标识作为关键字(key)，以该车辆标识对应的车辆数据中的车辆位置数据作为映射值(value)，采用哈希算法对监测时段内车道对应的车辆数据进行映射处理，得到每一个车辆标识对应的车辆位置数据集合。由于本申请实施例从kafka中获取各车道对应的车辆数据，基于kafka单分区有序的特点，来自同一车辆的数据是按照时间顺序排列的数据，相应的，经过哈希算法映射处理后，车辆位置数据集合中的车辆位置数据也会按照时间排列，故无需再对车辆位置数据集合进行排序处理。
进一步地，对于每一个车辆位置数据集合，可以根据车辆位置数据集合中两两相邻的车辆位置数据之间的距离差，得到该车辆在两个相邻的车辆位置数据之间的行驶距离，进而根据所有车辆在相邻的车辆位置数据之间的行驶距离得到该车辆在监测时段内的行驶距离。
确定车道内的车辆的行驶总时长和行驶总距离的方法可以参照前述实施例的相关描述，本申请实施例在此不再赘述。
进一步地，根据各车道的平均行驶速度，可以得到各车道的拥堵程度。示例性的，如图8、图9所示，可以采用根据道路类型、道路限速和平均行驶速度判断交通拥堵程度的拥堵系数表确定车道的拥堵级别。其中图8是城市道路的拥堵系数表，图9是高速路的拥堵系数表。
本申请实施例提供的拥堵程度监测方法，可以通过获取拥堵监测区域内的车辆数据，从而对拥堵监测区域内的任一车道，根据位于该车道内车辆的车辆数据，确定该车道对应的车辆平均行驶速度，进而根据车辆平均行驶速度确定各车道的拥堵程度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的拥堵程度监测方法的拥堵程度监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个拥堵程度监测装置实施例中的具体限定可以参见上文中对于拥堵程度监测方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种拥堵程度监测装置，包括：获取模块1002、第一确定模块1004和第二模块1006，其中：
获取模块1002，用于获取拥堵监测区域内的车辆数据；
第一确定模块1004，用于针对所述拥堵监测区域内的任一车道，根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度；
第二确定模块1006，用于根据各车道对应的所述车辆平均行驶速度，确定各所述车道的拥堵程度。
基于本申请实施例提供的拥堵程度监测装置，可以通过获取拥堵监测区域内的车辆数据，从而对拥堵监测区域内的任一车道，根据位于该车道内车辆的车辆数据，确定该车道对应的车辆平均行驶速度，进而根据车辆平均行驶速度确定各车道的拥堵程度。由于本申请实施例通过车辆平均行驶速度判断车道拥堵程度，无需计算拥堵监测区域内的车辆数，故而可以避免不使用GPS的车辆无法被统计的问题，因此可以提高拥堵程度的判断精度。
在其中一个实施例中，所述车辆数据中包括车辆位置信息，所述装置还包括：
第三确定模块，用于针对任一所述车辆数据，根据所述车辆数据中的所述车辆位置信息，确定所述车辆数据对应的车道标识；
加入模块，用于分别将各所述车辆数据对应的所述车道标识加入各所述车辆数据中。
在其中一个实施例中，所述第一确定模块1004，还用于：
根据所述车道的车道标识，获取监测时段内所述车道对应的车辆数据；
根据所述监测时段内所述车道对应的车辆数据，确定所述车道对应的车辆平均行驶速度。
在其中一个实施例中，所述车辆数据中包括时间戳信息，所述第一确定模块1004，还用于：
根据所述监测时段内所述车道对应的车辆数据，确定位于所述车道内的车辆的行驶总时长和行驶总距离；
根据位于所述车道内的车辆的行驶总时长和行驶总距离，确定所述车道对应的车辆平均行驶速度。
在其中一个实施例中，所述车辆数据中包括车辆标识，所述第一确定模块1004，还用于：
根据所述车辆数据中的车辆标识，获取各所述车辆标识对应的所述车辆数据；
针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据，得到所述监测时段内所述车辆标识对应的车辆的行驶时长和行驶距离；
根据所述监测时段内各所述车辆标识对应的车辆的所述行驶时长和所述行驶距离，确定位于所述车道内的车辆的行驶总时长和行驶总距离。
在其中一个实施例中，所述第一确定模块1004，还用于：
针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据中的所述时间戳信息，确定所述车辆标识对应的车辆在所述监测时段内的行驶时长；
根据所述车辆标识对应的所述车辆数据中，时间戳信息相邻的两个所述车辆数据中的所述车辆位置信息，确定所述车辆标识对应的车辆在所述监测时段内的行驶距离。
上述拥堵程度监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种拥堵程度监测方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种拥堵程度监测方法，其特征在于，所述方法包括：
获取拥堵监测区域内的车辆数据；
针对所述拥堵监测区域内的任一车道，根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度；
根据各车道对应的所述车辆平均行驶速度，确定各所述车道的拥堵程度。
2.根据权利要求1所述的方法，其特征在于，所述车辆数据中包括车辆位置信息，所述根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度之前，所述方法还包括：
针对任一所述车辆数据，根据所述车辆数据中的所述车辆位置信息，确定所述车辆数据对应的车道标识；
分别将各所述车辆数据对应的所述车道标识加入各所述车辆数据中。
3.根据权利要求2所述的方法，其特征在于，所述根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度，包括：
根据所述车道的车道标识，获取监测时段内所述车道对应的车辆数据；
根据所述监测时段内所述车道对应的车辆数据，确定所述车道对应的车辆平均行驶速度。
4.根据权利要求3所述的方法，其特征在于，所述车辆数据中包括时间戳信息，所述根据所述监测时段内所述车道对应的车辆数据，确定所述车道对应的车辆平均行驶速度，包括：
根据所述监测时段内所述车道对应的车辆数据，确定位于所述车道内的车辆的行驶总时长和行驶总距离；
根据位于所述车道内的车辆的行驶总时长和行驶总距离，确定所述车道对应的车辆平均行驶速度。
5.根据权利要求4所述的方法，其特征在于，所述车辆数据中包括车辆标识，所述根据所述监测时段内所述车道对应的车辆数据，确定位于所述车道内的车辆的行驶总时长和行驶总距离，包括：
根据所述车辆数据中的车辆标识，获取各所述车辆标识对应的所述车辆数据；
针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据，得到所述监测时段内所述车辆标识对应的车辆的行驶时长和行驶距离；
根据所述监测时段内各所述车辆标识对应的车辆的所述行驶时长和所述行驶距离，确定位于所述车道内的车辆的行驶总时长和行驶总距离。
6.根据权利要求5所述的方法，其特征在于，所述针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据，得到监测时段内所述车辆标识对应的车辆的行驶时长和行驶距离，包括：
针对任一所述车辆标识，根据所述车辆标识对应的所述车辆数据中的所述时间戳信息，确定所述车辆标识对应的车辆在所述监测时段内的行驶时长；
根据所述车辆标识对应的所述车辆数据中，时间戳信息相邻的两个所述车辆数据中的所述车辆位置信息，确定所述车辆标识对应的车辆在所述监测时段内的行驶距离。
7.一种拥堵程度监测装置，其特征在于，所述装置包括：
获取模块，用于获取拥堵监测区域内的车辆数据；
第一确定模块，用于针对所述拥堵监测区域内的任一车道，根据位于所述车道内的车辆的所述车辆数据，确定所述车道对应的车辆平均行驶速度；
第二确定模块，用于根据各车道对应的所述车辆平均行驶速度，确定各所述车道的拥堵程度。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527478.4A CN114999148A (zh) | 2022-05-16 | 2022-05-16 | 拥堵程度监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527478.4A CN114999148A (zh) | 2022-05-16 | 2022-05-16 | 拥堵程度监测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114999148A true CN114999148A (zh) | 2022-09-02 |
Family
ID=83028077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210527478.4A Pending CN114999148A (zh) | 2022-05-16 | 2022-05-16 | 拥堵程度监测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114999148A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171701A (zh) * | 2023-08-14 | 2023-12-05 | 陕西天行健车联网信息技术有限公司 | 一种车辆行驶数据处理方法、装置、设备和介质 |
| CN117171701B (zh) * | 2023-08-14 | 2024-05-14 | 陕西天行健车联网信息技术有限公司 | 一种车辆行驶数据处理方法、装置、设备和介质 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080162028A1 (en) * | 2006-12-28 | 2008-07-03 | Denso Corporation | Traffic congestion degree determination device, traffic congestion degree notification device, and program |
| CN101872544A (zh) * | 2010-06-12 | 2010-10-27 | 江苏省交通科学研究院股份有限公司 | 简易的城市道路拥堵状态统计评估方法 |
| CN103310633A (zh) * | 2013-05-23 | 2013-09-18 | 北京交通发展研究中心 | 交通拥堵评价方法 |
| CN104574972A (zh) * | 2015-02-13 | 2015-04-29 | 无锡物联网产业研究院 | 一种交通状态检测方法以及交通状态检测装置 |
| JP2017174345A (ja) * | 2016-03-25 | 2017-09-28 | パイオニア株式会社 | 混雑度算出装置、混雑度算出方法並びに混雑度算出用プログラム及び記録媒体 |
| CN107742418A (zh) * | 2017-09-29 | 2018-02-27 | 东南大学 | 一种城市快速路交通拥堵状态及堵点位置自动识别方法 |
| CN109767030A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 道路拥堵检测方法、装置、计算机设备及存储介质 |
| WO2019189218A1 (ja) * | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 交通監視装置、交通監視システム、交通監視方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
| JP2019191802A (ja) * | 2018-04-23 | 2019-10-31 | 住友電工システムソリューション株式会社 | 渋滞度判定装置、渋滞度判定方法、及びコンピュータプログラム |
| CN110489799A (zh) * | 2019-07-18 | 2019-11-22 | 讯飞智元信息科技有限公司 | 交通拥堵仿真处理方法及相关装置 |
| JP2019211814A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社東芝 | 渋滞予測装置、および、渋滞予測方法 |
| CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
| CN111583668A (zh) * | 2020-05-27 | 2020-08-25 | 北京百度网讯科技有限公司 | 交通拥堵检测方法、装置、电子设备和存储介质 |
| WO2021004222A1 (zh) * | 2019-07-11 | 2021-01-14 | 江苏大学 | 一种自动驾驶车辆专用车道控制系统与方法 |
| CN112382098A (zh) * | 2021-01-12 | 2021-02-19 | 中兴通讯股份有限公司 | 交通拥堵检测方法、装置、电子设备及存储介质 |
| CN112435472A (zh) * | 2020-11-12 | 2021-03-02 | 北京嘀嘀无限科技发展有限公司 | 拥堵分析方法、装置、设备及存储介质 |
| CN112489433A (zh) * | 2020-12-17 | 2021-03-12 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
| CN112863176A (zh) * | 2021-01-06 | 2021-05-28 | 北京掌行通信息技术有限公司 | 交通拥堵溯源方法、装置、电子设备及存储介质 |
| CN113706857A (zh) * | 2020-05-22 | 2021-11-26 | 百度在线网络技术（北京）有限公司 | 道路通行性的确定方法、装置、设备及存储介质 |
| CN114078327A (zh) * | 2020-08-20 | 2022-02-22 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| CN114359845A (zh) * | 2021-12-20 | 2022-04-15 | 北京百度网讯科技有限公司 | 道路拥挤度的检测方法、装置和电子设备 |
-
2022
- 2022-05-16 CN CN202210527478.4A patent/CN114999148A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080162028A1 (en) * | 2006-12-28 | 2008-07-03 | Denso Corporation | Traffic congestion degree determination device, traffic congestion degree notification device, and program |
| CN101872544A (zh) * | 2010-06-12 | 2010-10-27 | 江苏省交通科学研究院股份有限公司 | 简易的城市道路拥堵状态统计评估方法 |
| CN103310633A (zh) * | 2013-05-23 | 2013-09-18 | 北京交通发展研究中心 | 交通拥堵评价方法 |
| CN104574972A (zh) * | 2015-02-13 | 2015-04-29 | 无锡物联网产业研究院 | 一种交通状态检测方法以及交通状态检测装置 |
| JP2017174345A (ja) * | 2016-03-25 | 2017-09-28 | パイオニア株式会社 | 混雑度算出装置、混雑度算出方法並びに混雑度算出用プログラム及び記録媒体 |
| CN107742418A (zh) * | 2017-09-29 | 2018-02-27 | 东南大学 | 一种城市快速路交通拥堵状态及堵点位置自动识别方法 |
| WO2019189218A1 (ja) * | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 交通監視装置、交通監視システム、交通監視方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
| JP2019191802A (ja) * | 2018-04-23 | 2019-10-31 | 住友電工システムソリューション株式会社 | 渋滞度判定装置、渋滞度判定方法、及びコンピュータプログラム |
| JP2019211814A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社東芝 | 渋滞予測装置、および、渋滞予測方法 |
| CN109767030A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 道路拥堵检测方法、装置、计算机设备及存储介质 |
| WO2021004222A1 (zh) * | 2019-07-11 | 2021-01-14 | 江苏大学 | 一种自动驾驶车辆专用车道控制系统与方法 |
| CN110489799A (zh) * | 2019-07-18 | 2019-11-22 | 讯飞智元信息科技有限公司 | 交通拥堵仿真处理方法及相关装置 |
| CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
| CN113706857A (zh) * | 2020-05-22 | 2021-11-26 | 百度在线网络技术（北京）有限公司 | 道路通行性的确定方法、装置、设备及存储介质 |
| CN111583668A (zh) * | 2020-05-27 | 2020-08-25 | 北京百度网讯科技有限公司 | 交通拥堵检测方法、装置、电子设备和存储介质 |
| CN114078327A (zh) * | 2020-08-20 | 2022-02-22 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| CN112435472A (zh) * | 2020-11-12 | 2021-03-02 | 北京嘀嘀无限科技发展有限公司 | 拥堵分析方法、装置、设备及存储介质 |
| CN112489433A (zh) * | 2020-12-17 | 2021-03-12 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
| CN112863176A (zh) * | 2021-01-06 | 2021-05-28 | 北京掌行通信息技术有限公司 | 交通拥堵溯源方法、装置、电子设备及存储介质 |
| CN112382098A (zh) * | 2021-01-12 | 2021-02-19 | 中兴通讯股份有限公司 | 交通拥堵检测方法、装置、电子设备及存储介质 |
| CN114359845A (zh) * | 2021-12-20 | 2022-04-15 | 北京百度网讯科技有限公司 | 道路拥挤度的检测方法、装置和电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171701A (zh) * | 2023-08-14 | 2023-12-05 | 陕西天行健车联网信息技术有限公司 | 一种车辆行驶数据处理方法、装置、设备和介质 |
| CN117171701B (zh) * | 2023-08-14 | 2024-05-14 | 陕西天行健车联网信息技术有限公司 | 一种车辆行驶数据处理方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| McKenzie | Urban mobility in the sharing economy: A spatiotemporal comparison of shared mobility services | |
| Hellinga et al. | Decomposing travel times measured by probe-based traffic monitoring systems to individual road segments | |
| CN112017447B (zh) | 一种基于gps位置信息判定车辆逆行违规的方法及系统 | |
| EP1736735A1 (en) | Travel time database generating device and method | |
| US20200370913A1 (en) | Method, apparatus, and computer program product for determining lane level traffic information | |
| CN107000750A (zh) | 用于车辆经济性改进的设备及方法 | |
| Evans et al. | Spatial big data | |
| JP2014229228A (ja) | 運転診断装置，運転診断方法及びプログラム | |
| JP2008242674A (ja) | 交通情報システム | |
| CN106846806A (zh) | 基于Isolation Forest的城市道路交通异常检测方法 | |
| JP2023184590A (ja) | 情報処理装置 | |
| CN115655301A (zh) | 车辆导航路线的选取方法、装置、电子设备及介质 | |
| CN110533906B (zh) | 一种路况信息的获取方法及相关装置 | |
| JP2004101504A (ja) | 走行リンク確定システム及びリンク旅行時間計測システム | |
| US20210095990A1 (en) | Lane level routing and navigation using lane level dynamic profiles | |
| CN112562334A (zh) | 基于浮动车数据的弯曲路段实时速度计算方法、装置及介质 | |
| Tseng et al. | A participatory sensing approach for personalized distance-to-empty prediction and green telematics | |
| CN114999148A (zh) | 拥堵程度监测方法、装置、计算机设备和存储介质 | |
| CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
| Fei et al. | Spatiotemporal bus route profiling using odometer data | |
| EP3944113B1 (en) | Method, apparatus, and computer program product for anonymizing trajectories | |
| Tin et al. | Measuring similarity between vehicle speed records using dynamic time warping | |
| CN106887138B (zh) | 一种堵车蔓延态势侦测方法与系统 | |
| US20220028267A1 (en) | Method, apparatus, and computer program product for anonymizing trajectories | |
| Pereira et al. | Decision Support Dashboard for Traffic and Environment Analysis of a Smart City. |
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 |