CN115204755B - 服务区入区率测算方法、装置、电子设备及可读存储介质 - Google Patents
服务区入区率测算方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115204755B CN115204755B CN202211118438.0A CN202211118438A CN115204755B CN 115204755 B CN115204755 B CN 115204755B CN 202211118438 A CN202211118438 A CN 202211118438A CN 115204755 B CN115204755 B CN 115204755B
- Authority
- CN
- China
- Prior art keywords
- time
- target
- service area
- vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000001595 flow curve Methods 0.000 claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 210000003127 knee Anatomy 0.000 claims 6
- 238000002715 modification method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 206010016256 fatigue Diseases 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种服务区入区率测算方法、装置、电子设备及可读存储介质,所述方法包括:获取目标服务区关联门架的门架数据;根据门架数据计算时间流量曲线,其中,时间流量曲线的横坐标为高速通过时间,纵坐标为车辆流量;基于预设条件系统聚类模型处理时间流量曲线,以得到基础拐点时间;根据预设修正方法修正基础拐点时间,以得到目标拐点时间;根据目标拐点时间及之后时间对应的进入目标服务区的车辆流量和预设总车辆流量计算目标服务区的入区率。所述测算方法,根据时间顺序对门架数据进行预处理,并根据预设修正方法处理基础拐点时间,在有效提升服务区入区率测算准确度的同时,扩展了门架数据的应用范围。
Description
技术领域
本发明涉及交通规划数据分析领域,尤其涉及一种服务区入区率测算方法、装置、电子设备及可读存储介质。
背景技术
目前判断高速公路服务区入区率通常采用以下方法:一是在服务区出入口布设高清摄像头或者ETC感应设备的方式来识别车辆是否进入服务区,二是利用调查得到的某一服务区的车辆驶入率以及不同车型车辆在高速公路上的平均行驶速度,综合推算不同路段服务区的入区率。
利用上述第一种方法判断服务区入区率时,需在服务区入口、出口位置安装高清摄像头或者ETC识别设备,需要投入大量建设资金,且需要建设特殊的信息系统记录车辆进入服务区的数据,在日常运行过程中还需要投入大量经费对硬件和软件进行维护,成本较高。
利用上述第二种方法判断服务区入区率,首先,调查得到的某一服务区的车辆输入率并不准确,且得到的车辆驶入率无法随着季节、天气和时间等因素动态变化;其次,根据全部行程的平均行驶速度推算途经路段的行驶速度,需要利用交通分配模型进行推算,降低了入区率的测算精度。
因此,亟需一种能够精确、高效测算服务区入区率的方案。
发明内容
为了解决上述技术问题,本申请实施例提供了一种服务区入区率测算方法、装置、电子设备及计算机可读存储介质,具体方案如下:
第一方面,本申请实施例提供了一种服务区入区率测算方法,包括:
获取目标服务区关联门架的门架数据;
根据所述门架数据计算时间流量曲线,其中,所述时间流量曲线的横坐标为高速通过时间,纵坐标为车辆流量;
基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间,其中,小于所述基础拐点时间的车辆流量为未进入所述目标服务区的流量,大于或等于所述基础拐点时间的车辆流量为进入所述目标服务区的流量;
根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间;
根据目标时段对应的进入所述目标服务区的车辆流量和预设总车辆流量计算所述目标服务区的入区率,所述目标时段为包括所述目标拐点时间和所述目标拐点时间之后时间的时间段。
根据本申请实施例的一种具体实施方式,所述获取目标服务区关联门架的门架数据的步骤,包括:
判断所述门架数据是否包括缺失字段;
若所述门架数据包括缺失字段,根据所述缺失字段的类型对所述缺失字段进行插补;
若所述门架数据不包括缺失字段,跳转执行所述根据所述门架数据计算时间流量曲线的步骤。
根据本申请实施例的一种具体实施方式,根据所述缺失字段的类型对所述缺失字段进行插补的步骤,包括:
识别缺失字段的类型;
若所述缺失字段的类型为第一类型字段,对所述缺失字段进行热卡填充;
若所述缺失字段的类型为第二类型字段,删除包括所述缺失字段的门架数据。
根据本申请实施例的一种具体实施方式,基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间的步骤,包括:
根据所述时间流量曲线中的高速通过时间数据以及对应的车流量数据,分别计算条件矩阵和距离矩阵;
按照所述条件矩阵的分布情况对所述距离矩阵进行聚类,以得到目标数据组,所述目标数据组中相邻数据之间的距离相似度大于预设阈值,且所述目标数据组中的数据按时间顺序排列;
将所述目标数据组中最后一个数据对应的时间确定为所述基础拐点时间。
根据本申请实施例的一种具体实施方式,所述根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间的步骤,包括:
根据对应车辆类型的参考车辆行驶速度对所述基础拐点时间对应的实时车辆行驶速度进行验证;
若所述实时车辆行驶速度小于或等于所述参考车辆行驶速度,根据所述参考车辆行驶速度修正所述基础拐点时间,以得到所述目标拐点时间;
若所述实时车辆行驶速度大于所述参考车辆行驶速度,跳转执行获取目标服务区关联门架的门架数据的步骤。
根据本申请实施例的一种具体实施方式,所述根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间的步骤,还包括:
分别获取所述目标服务区任意两个关联门架之间预设车辆的车辆轨迹,其中,所述预设车辆为两客一危类型车辆;
根据DBSCAN聚类方法对所述车辆轨迹进行聚类,以得到服务区停泊轨迹点;
根据各服务区停泊轨迹点对应的时间信息计算得到目标时间阈值;
根据所述目标时间阈值修正所述基础拐点时间,以得到所述目标拐点时间。
根据本申请实施例的一种具体实施方式,所述根据所述目标时间阈值修正所述基础拐点时间,以得到所述目标拐点时间的步骤,包括:
第二方面,本申请实施例提供了一种服务区入区率测算装置,包括:
数据获取模块,用于获取目标服务区关联门架的门架数据;
曲线计算模块,用于根据所述门架数据计算时间流量曲线,其中,所述时间流量曲线的横坐标为高速通过时间,纵坐标为车辆流量;
聚类分析模块,用于基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间,其中,小于所述基础拐点时间的车辆流量为未进入所述目标服务区的流量,大于或等于所述基础拐点时间的车辆流量为进入所述目标服务区的流量;
时间修正模块,用于根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间;
入区率计算模块,用于根据目标时段对应的进入所述目标服务区的车辆流量和预设总车辆流量计算所述目标服务区的入区率,所述目标时段为包括所述目标拐点时间和所述目标拐点时间之后时间的时间段。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行前述第一方面及第一方面任一实施方式所述的服务区入区率测算方法。
第四方面,本申请实施例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中存储有计算机程序,所述计算机程序在处理器上运行时执行前述第一方面及第一方面任一实施方式所述的服务区入区率测算方法。
本申请实施例提供了一种服务区入区率测算方法、装置、电子设备及可读存储介质,包括:获取目标服务区关联门架的门架数据;根据所述门架数据计算时间流量曲线,其中,所述时间流量曲线的横坐标为高速通过时间,纵坐标为车辆流量;基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间;根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间;根据所述目标拐点时间及之后时间对应的进入所述目标服务区的车辆流量和预设总车辆流量计算所述目标服务区的入区率。本申请提出的测算方法,根据时间顺序对门架数据进行预处理,在有效避免直接处理门架数据的不稳定性的同时,扩展了门架数据的应用范围。根据预设修正方法处理基础拐点时间,有效提升了服务区入区率的测算精度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的一种服务区入区率测算方法的方法流程示意图;
图2示出了本申请实施例提供的一种服务区入区率测算方法中的时间流量曲线的示意图;
图3示出了本申请实施例提供的一种服务区入区率测算装置的装置模块示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
参考图1,为本申请实施例提供的一种服务区入区率测算方法的方法流程示意图,本申请实施例提供的服务区入区率测算方法,如图1所示,所述服务区入区率测算方法包括:
步骤S101,获取目标服务区关联门架的门架数据;
在本实施例中,所述目标服务区为任意高速路段上的高速公路服务区。
所述高速公路服务区可以为任意类型服务区,本实施例对所述目标服务区的类型不作限定。
所诉目标服务区的关联门架包括位于所述目标服务区上游的高速出入口门架和位于所述目标服务区下游的高速出入口门架。
具体的,本实施例中的目标服务区关联门架为经过所述目标服务区的车辆上高速公路的高速出入口门架和下高速公路的高速出入口门架。
本实施例可以从指定网络中心数据库获取高速公路相关的出入口门架数据,并基于所述门架数据进行预处理。
经过所述目标服务区的车辆的车辆类型包括客车和货车,其中,客车包括普通客车和从事旅游业务的大客车,货车包括普通货车和载有化危品的货车。
本实施例不对经过所述目标服务区的车辆的车辆类型作具体限定,本实施例提出的服务区入区率测算方法可用于判断任意可以上高速的车辆是否经过目标服务区。
在获取门架数据时,可以根据服务区入区率的测算目标进行自适应的设置。
举例来说,若需要分析下雨天气或下雪天气前的车辆入区情况和下雨或下雪天气后的车辆入区情况,可以获取对应天气状况时间段的门架数据,以便于构建对应天气状况时间段目标服务区的时间流量曲线。
也就是说,本实施例提出的服务区入区率测算方法可以根据天气情况自适应的选择相应时间段的门架数据,以进行服务区入区率的计算。
另外,获取门架数据时,也可以将一天的时间分为早中晚三个时间段,并依次获取早中晚三个时间段的门架数据,以便于对服务区入区率进行测算。
具体的,早上时间段可以为6:00-12:00,中午时间段可以为12:00-18:00,晚上时间段可以为18:00-次日6:00。本实施例中的早中晚三个时间段的时间也可以自适应调整,此处不作唯一限定。
需知的,对于两客一危车辆中的包括化危品的货车车辆,在获取行驶轨迹数据时,仅获取早上时间段和中午时间段的轨迹数据。
在具体实施例中,获取目标服务区的门架数据时,还需要对门架数据进行质量检测,以避免门架数据中存在缺失的字段。
根据本申请实施例的一种具体实施方式,所述获取目标服务区关联门架的门架数据的步骤,包括:
判断所述门架数据是否包括缺失字段;
若所述门架数据包括缺失字段,根据所述缺失字段的类型对所述缺失字段进行插补;
若所述门架数据不包括缺失字段,跳转执行所述根据所述门架数据计算时间流量曲线的步骤。
在具体实施例中,在获取各高速出入口门架的门架数据时,会对获取到的门架数据进行质量分析,以判断所述门架数据是否可以用于后续的时间流量曲线构建步骤。
具体的,对门架数据进行质量分析的步骤包括识别所述门架数据是否包括缺失的字段。
在正常情况下,门架数据包括车辆车牌号、车辆类型、车辆通过时间、车辆高速行驶里程等字段。需知的,所述门架数据还可以包括其它关键字段,关键字段可以根据实际应用场景进行自适应设置,此处不作唯一限定。
当门架数据缺失任意关键字段时,需要对所述门架数据进行插补处理后,再进行后续曲线构建处理。
若所述门架数据不缺失关键字段,则可以执行后续时间流量曲线构建步骤。
根据本申请实施例的一种具体实施方式,根据所述缺失字段的类型对所述缺失字段进行插补的步骤,包括:
识别缺失字段的类型;
若所述缺失字段的类型为第一类型字段,对所述缺失字段进行热卡填充;
若所述缺失字段的类型为第二类型字段,删除包括所述缺失字段的门架数据。
在具体实施例中,对缺失字段进行插补时,先基于预设指标识别模型分析缺失字段的类型。
所述缺失字段的类型包括第一类型字段和第二类型字段,其中,第一类型字段为对时间流量曲线构建步骤影响较小的字段,例如车辆类型、车辆车牌号等,第二类型字段为对时间流量曲线构建步骤影响较大的字段,例如车辆通过时间等。
在本实施例中,对第一类型字段进行插补处理时,可以先建立缺失字段在变量X和其它变量Y之间的相关系数矩阵,取相关系数最大的值对缺失字段进行填充。例如,车辆类型的判断变量为车辆轴数,车辆轴数越相近,相关系数越大,车型越相同。
对于第二类型字段,由于第二类型字段本身的精确程度较高,产生误差时对时间流量曲线产生的影响较大,因此,若识别出缺失字段的类型为第二类型字段,直接删除包括缺失字段的门架数据。例如,若缺失字段为车辆通过时间,由于车辆通过时间对精确度的要求高,插补时产生的误差会对最后的结果产生比较大的影响,所以直接将存在缺失车辆通过时间的门架数据删除。
本实施例通过质量检测处理和缺失值插补处理,能够有效的避免门架数据为测算结果带来的不稳定型,从而有效提升服务区入区率的测算准确性。
在对所述门架数据执行上述实施例中的质量检测处理和缺失值插补处理后,使用剩余门架数据进行时间流量曲线的构建步骤。
步骤S102,根据所述门架数据计算时间流量曲线,其中,所述时间流量曲线的横坐标为高速通过时间,纵坐标为车辆流量;
在本实施例中,在获取位于目标服务区上游门架的门架数据和位于目标服务区下游门架的门架数据后,可以基于各类型车辆经过上下游门架的门架通过时间等数据,计算在各高速路段上不同时间段的车流量变化情况。
在计算得到不同高速路段的车流量的变化情况后,可以使用制图工具将随通过高速路段时间长度从小到大的车流量数据的散点图绘制出来。其中,所述制图工具可以为任意一种动态智能画图工具,本实施例对制图工具的类型不作具体限定。
如图2所示,图2为货车车辆在目标服务区的时间流量曲线,其中,纵坐标为货车车辆的车辆流量,横坐标为货车在高速公路上行驶且通过所述目标服务区的总时长。
从图2中可以看出,货车车辆的车辆流量数据有一个高峰期,并在高速通过时间变长后包括一些小高峰波动。其中,在第一个高峰期,数据上升速度更快,达到的峰值更高,随后车辆流量数据下降的也更快,说明货车车辆快速通过目标服务区两个关联门架的时间就在第一个高峰期的峰值及峰值左右的时间段内;在高速通过时间变长后的小高峰中,数据上升的较慢,达到的峰值也较低,并且有持续的小高峰波动,说明高速通过时间变长后的货车车辆陆续进入了服务区,并且根据不同需求停留了不同的时间。
本实施例提出的时间流量曲线中的车辆流量数据是根据车辆在高速路段上行驶的总时长,按照总时长从小到大顺序进行排列的,也就是说,可以基于车辆流量随着时间长度的变化,对目标服务区的车辆流量数据进行具体分析。
步骤S103,基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间,其中,小于所述基础拐点时间的车辆流量为未进入所述目标服务区的流量,大于或等于所述基础拐点时间的车辆流量为进入所述目标服务区的流量;
在本实施例中,在使用动态智能画图工具绘制出目标服务区的时间流量曲线后,需要分析得到第一个高峰期关联的拐点时间,以便于分析目标服务区的实时车辆流量。
在本实施例提出的时间流量曲线图中,高速通过时间的长度小于所述拐点时间的长度的全部时间对应的车辆流量,为未进入所述目标服务区的车辆流量;高速通过时间的长度大于或等于所述拐点时间的长度的全部时间对应的车辆流量,为进入所述目标服务区的车辆流量。
本实施例使用条件系统聚类方法对时间流量曲线进行分析,将车辆流量数据值大于或等于预设流量阈值的数据存入第一数据组,将车辆流量数据值小于预设流量阈值的数据存入第二数据组。
其中,预设流量阈值的设置可以根据实际应用场景进行自适应替换。
本实施例基于预设条件聚类方法对时间流量曲线中的时间流量数据进行聚类分析,可以通过设置的条件信息对时间流量数据进行约束,以使得车辆流量数据随高速通过时间进行排列的顺序不会因为聚类分析而被改变,从而能够进一步提升服务区入区率测算的精度。
根据本申请实施例的一种具体实施方式,基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间的步骤,包括:
根据所述时间流量曲线中的高速通过时间数据以及对应的车流量数据,分别计算条件矩阵和距离矩阵;
按照所述条件矩阵的分布情况对所述距离矩阵进行聚类,以得到目标数据组,所述目标数据组中相邻数据之间的距离相似度大于预设阈值,且所述目标数据组中的数据按时间顺序排列;
将所述目标数据组中最后一个数据对应的时间确定为所述基础拐点时间。
举例来说,在某一服务区中,通过对车辆的时间流量数据的预处理步骤,可以得到一组按照高速通过时间从小到大的顺序排列的数据(X1,Y1),……,(Xn,Yn),其中,X代表高速通过时间,Y代表对应高速通过时间段的车辆流量。
设置的条件系统聚类模型的条件为高速出入口门架前后衔接的时间流量数据为1,高速出入口门架前后不衔接的时间流量数据为0。即需要统计高速出入口门架前后衔接的时间流量数据。
根据上述条件得到的条件矩阵为:
从上述条件矩阵可以看出,条件矩阵次对角线上的数值均为1,其余位置上的数据均为0,说明各时间流量数据的高速出入口门架前后可以衔接,也就是说,按照高速通过时间长度排序的车辆流量数据没有被打乱顺序。
计算距离矩阵时,计算时间流量数据之间的距离可以采用欧式距离的计算公式进行计算,也可以采用其它距离的计算公式进行计算,本实施例对此不作限定。
具体的,欧氏距离也称欧几里得度量(euclidean metric),是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。
当采用欧式距离公式进行距离矩阵的计算时,公式如下:
将所述条件矩阵和所述距离矩阵进行合并,可以得到条件距离矩阵,根据条件矩阵的分布情况,即按照次对角线上的距离进行聚类,可以得到相应的第一数据组和第二数据组。
具体的,基于最短距离法,考察次对角线上的距离,找到彼此之间最短的距离,将有最短距离的两类数据进行合并,并在合并之后继续查找最短距离,直至数据被分为第一数据组和第二数据组。
具体的,所述第一数据组为车辆流量的数值大于或等于预设流量阈值的数据组,所述目标数据组为所述第一数据组。
所述第一数据组中按照时间通过顺序排列的最后一个数据,即本实施例得到的基础拐点时间对应的数据。
在获取基础拐点时间后,还需要进行预设修正处理,以进一步提升服务区车辆驶入车流量数据测算的精度。
步骤S104,根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间;
在本实施例中,预设修正方法包括基于不同类型车辆在无服务区高速路段上行驶的参考车辆行驶速度对不同类型车辆的基础拐点时间进行修正,以及基于两客一危车辆的车辆行驶轨迹数据对基础拐点时间进行修正。
优选的,先进行参考车辆行驶速度对基础拐点时间的修正步骤,再进行两客一危车辆的车辆行驶轨迹数据对基础拐点时间的修正步骤。
根据本申请实施例的一种具体实施方式,所述根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间的步骤,包括:
根据对应车辆类型的参考车辆行驶速度对所述基础拐点时间对应的实时车辆行驶速度进行验证;
若所述实时车辆行驶速度小于或等于所述参考车辆行驶速度,根据所述参考车辆行驶速度修正所述基础拐点时间,以得到所述目标拐点时间;
若所述实时车辆行驶速度大于所述参考车辆行驶速度,跳转执行获取目标服务区关联门架的门架数据的步骤。
在具体实施例中,获取时间流量数据、计算时间流量曲线以及分析时间流量曲线均需要根据车辆类型进行分类处理,对于货车车辆和客车车辆进行不同处理能够进一步提升目标服务区车辆驶入车流量的测算准确度。
在进行修正步骤时,首先需要分别计算出客车和货车在基础拐点时间对应的实时车辆行驶速度。
根据路段的路面情况、车辆行驶拥挤程度以及其它路面特征选择和上述两个关联门架之间路面特征相似的无服务区路段上的客货车的平均行驶速度进行测算,得到客车的平均行驶速度和货车的平均行驶速度。
将与客车的平均行驶速度进行比较,若大于客车的平均行驶速度,则说明此时基础时间拐点对应车辆行驶速度不符合车辆行驶逻辑,需要跳转值获取目标服务区关联门架的门架数据的步骤,重新验证门架数据的准确性,并再次进行时间流量数据的计算。
具体的,货车的实时车辆行驶速度的验证步骤和客车的实时车辆行驶速度的验证步骤相同,此处不作赘述。
进一步的,在对实时车辆行驶速度进行验证后,还可以对验证通过的基础时间拐点进行车辆轨迹修正处理,以进一步提升服务区入区率的测算准确性。
根据本申请实施例的一种具体实施方式,所述根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间的步骤,还包括:
分别获取所述目标服务区任意两个关联门架之间预设车辆的车辆轨迹,其中,所述预设车辆为两客一危类型车辆;
根据DBSCAN聚类方法对所述车辆轨迹进行聚类,以得到服务区停泊轨迹点;
根据各服务区停泊轨迹点对应的时间信息计算得到目标时间阈值;
根据所述目标时间阈值修正所述基础拐点时间,以得到所述目标拐点时间。
在具体实施例中,预设车辆为两客一危类型车辆。两客一危类型车辆在高速公路上行驶时,都是沿着既定的高速公路方向前进,且行驶轨迹上经过的服务区位置也比较固定,车辆进入服务区之后的轨迹更加密集。
采用基于密度的聚类方法,DBSCAN聚类方法对预设车辆的车辆轨迹进行聚类,能够精确识别出车辆进入服务区的行为,并识别出车辆进入服务区的具体时间。
在应用过程中,预设车辆的行驶轨迹数据可以基于全球定位系统(GlobalPositioning System,简称GPS)进行测量,也可以基于北斗定位系统进行测量,本实施例不对行驶轨迹数据的获取方式作具体限定,可以根据实际应用场景进行自适应替换。
在进行修正过程中,两客类型车辆属于客车车辆,一危类型车辆属于货车车辆,因此,在修正时需要分别对客车的基础拐点时间和货车的基础拐点时间进行修正。
获取轨迹信息时,分别得到两客一危类型车辆的行驶轨迹后,按照高速通过时间顺序进行排列,得到行驶轨迹数据组G={P1,P2,P3,…,Pn}。
在形成的一系列车辆行驶轨迹点的基础上,利用密度距离计算得到预设车辆的停留区域,即服务区。
本实施例使用DBSCAN聚类方法对停留区域进行判别,其计算逻辑如下:
步骤二,选取行驶轨迹数据组G中未访问过的一个点Pi,Pi为噪音点或没有归为某一类簇的点,并将点Pi标记为已访问;
步骤四,若M集合中存在未访问点,选取M集合中未访问点Pj,并将点Pj标记为已访问;若全部点已访问,回到步骤二。
步骤五,若在范围内最少点数量大于或等于MinPts,则标记为核心点,并将该点在范围的所有点归入集合M,回到步骤四。若不满足核心点要求,则标记为噪音,回到步骤三,直至所有M中点都标记为已访问,然后返回到步骤一。
此时能够得到车辆轨迹形成的停泊点,选取若干条经过两条门架间车辆的通过轨迹,经过聚类能够得到服务区的位置,形成服务区停泊轨迹点Q,例如Q={q1(j,w),q2(j,w),…,qn(j,w)}。
在服务区停泊轨迹点中,选取出时间最早的轨迹点q1=(j1,w1)作为进入服务区的时间,选取出时间最晚的轨迹点qn=(jn,wn)作为离开服务区的时间,两者相减能够得到车辆在服务区停留的时间t1=qn=(jn,wn)-q1=(j1,w1)。
同时获取车辆进入第一门架的时间ta和离开第二门架的时间tb,两者相减得到穿过两个门架的时间t2=tb-ta。
然后可以得到车辆进入服务区的最低时间阈值T=t2-t1。所述最低时间阈值即所述目标时间阈值。
当某一辆经过所述第一门架和第二门架的车辆的高速通过时间大于T,就说明该车辆进入了服务区,否则就认为该车辆没进服务区。
在得到所述最低时间阈值后,即可以根据所述最低时间阈值对基础拐点时间进行修正步骤。
根据本申请实施例的一种具体实施方式,所述根据所述目标时间阈值修正所述基础拐点时间,以得到所述目标拐点时间的步骤,包括:
本实施例通过双重修正步骤对基础拐点时间进行修正处理,能够以时间为主、速度为辅对时间流量数据进行校验,提升车辆驶入服务区的车流量的测算精度。同时还采用了两客一危车辆的轨迹数据对基础拐点时间进行修正,有效减少了因高速出入口门架位置的不确定性而导致的计算误差,进一步提升了本实施例提出的服务区入区率测算方法的测算精度。
步骤S105,根据目标时段对应的进入所述目标服务区的车辆流量和预设总车辆流量计算所述目标服务区的入区率,所述目标时段为包括所述目标拐点时间和所述目标拐点时间之后时间的时间段。
在本实施例中,获取目标拐点时间后,即可以根据所述目标拐点时间及之后的全部时间在时间流量曲线中对应的车流量,计算对应进入所述目标服务区的车辆流量。
综上,本实施例提出的服务区入区率测算方法相较于现有的入区率测算方法要更加准确,测量的精度更高,且不会收到门架数据的不稳定型影响。另外,基于本实施例提出的服务区入区率测算方法计算的服务区入区率对于服务区的规划具有十分重要的作用,举例来说,在计算出总的入区率的基础上,利用事件分析法,可以计算特殊天气(如下雪、下雨等)情况的入区率,分析下雨/雪前的车辆入区情况和下雨/雪后的车辆入区情况,从而进一步完善特殊天气下服务区的建设。将每天的时间分成早中晚三个维度,进一步细化早中晚的车流量变化以及入区的变化情况,可依据这个对服务区的餐饮、住宿等服务设施可以起到完善的作用。
另外,本实施例提出的测算方法能够获取多个高速通过时间段的车辆进入服务区的入区情况,通过测算某一车辆入区率的变化情况,可以得知该车辆是否进入过服务区,如果超过4个小时还没有进入服务区,说明车辆没有在中途休息,有疲劳驾驶的风险,可以和智能化设施进行结合,及时调度调节,减少因疲劳驾驶而发生事故。
参考图3,为本申请实施例提供的一种服务区入区率测算装置300的装置模块示意图,本申请实施例提供的服务区入区率测算装置300,如图1所示,所述服务区入区率测算装置300包括:
数据获取模块301,用于获取目标服务区关联门架的门架数据;
曲线计算模块302,用于根据所述门架数据计算时间流量曲线,其中,所述时间流量曲线的横坐标为高速通过时间,纵坐标为车辆流量;
聚类分析模块303,用于基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间,其中,小于所述基础拐点时间的车辆流量为未进入所述目标服务区的流量,大于或等于所述基础拐点时间的车辆流量为进入所述目标服务区的流量;
时间修正模块304,用于根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间;
入区率计算模块305,用于根据目标时段对应的进入所述目标服务区的车辆流量和预设总车辆流量计算所述目标服务区的入区率,所述目标时段为包括所述目标拐点时间和所述目标拐点时间之后时间的时间段。
另外,本申请实施例还提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行前述实施例中的服务区入区率测算方法。
本申请实施例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中存储有计算机程序,所述计算机程序在处理器上运行时执行前述实施例中的服务区入区率测算方法。
另外,上述实施例中提到的服务区入区率测算装置、电子设备及计算机可读存储介质的具体实施过程,可以参见上述方法实施例的具体实施过程,在此不再一一赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种服务区入区率测算方法,其特征在于,包括:
获取目标服务区关联门架的门架数据;
根据所述门架数据计算时间流量曲线,其中,所述时间流量曲线的横坐标为高速通过时间,纵坐标为车辆流量;
基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间,其中,小于所述基础拐点时间的车辆流量为未进入所述目标服务区的流量,大于或等于所述基础拐点时间的车辆流量为进入所述目标服务区的流量;
根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间;
根据目标时段对应的进入所述目标服务区的车辆流量和预设总车辆流量计算所述目标服务区的入区率,所述目标时段为包括所述目标拐点时间和所述目标拐点时间之后时间的时间段;
基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间的步骤,包括:
根据所述时间流量曲线中的高速通过时间数据以及对应的车流量数据,分别计算条件矩阵和距离矩阵;
按照所述条件矩阵的分布情况对所述距离矩阵进行聚类,以得到目标数据组,所述目标数据组中相邻数据之间的距离相似度大于预设阈值,且所述目标数据组中的数据按时间顺序排列;
将所述目标数据组中最后一个数据对应的时间确定为所述基础拐点时间。
2.根据权利要求1所述的服务区入区率测算方法,其特征在于,所述获取目标服务区关联门架的门架数据的步骤,包括:
判断所述门架数据是否包括缺失字段;
若所述门架数据包括缺失字段,根据所述缺失字段的类型对所述缺失字段进行插补;
若所述门架数据不包括缺失字段,跳转执行所述根据所述门架数据计算时间流量曲线的步骤。
3.根据权利要求2所述的服务区入区率测算方法,其特征在于,根据所述缺失字段的类型对所述缺失字段进行插补的步骤,包括:
识别缺失字段的类型;
若所述缺失字段的类型为第一类型字段,对所述缺失字段进行热卡填充;
若所述缺失字段的类型为第二类型字段,删除包括所述缺失字段的门架数据。
4.根据权利要求1所述的服务区入区率测算方法,其特征在于,所述根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间的步骤,包括:
根据对应车辆类型的参考车辆行驶速度对所述基础拐点时间对应的实时车辆行驶速度进行验证;
若所述实时车辆行驶速度小于或等于所述参考车辆行驶速度,根据所述参考车辆行驶速度修正所述基础拐点时间,以得到所述目标拐点时间;
若所述实时车辆行驶速度大于所述参考车辆行驶速度,跳转执行获取目标服务区关联门架的门架数据的步骤。
5.根据权利要求4所述的服务区入区率测算方法,其特征在于,所述根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间的步骤,还包括:
分别获取所述目标服务区任意两个关联门架之间预设车辆的车辆轨迹,其中,所述预设车辆为两客一危类型车辆;
根据DBSCAN聚类方法对所述车辆轨迹进行聚类,以得到服务区停泊轨迹点;
根据各服务区停泊轨迹点对应的时间信息计算得到目标时间阈值;
根据所述目标时间阈值修正所述基础拐点时间,以得到所述目标拐点时间。
7.一种服务区入区率测算装置,其特征在于,包括:
数据获取模块,用于获取目标服务区关联门架的门架数据;
曲线计算模块,用于根据所述门架数据计算时间流量曲线,其中,所述时间流量曲线的横坐标为高速通过时间,纵坐标为车辆流量;
聚类分析模块,用于基于预设条件系统聚类模型处理所述时间流量曲线,以得到基础拐点时间,其中,小于所述基础拐点时间的车辆流量为未进入所述目标服务区的流量,大于或等于所述基础拐点时间的车辆流量为进入所述目标服务区的流量;
时间修正模块,用于根据预设修正方法修正所述基础拐点时间,以得到目标拐点时间;
入区率计算模块,用于根据目标时段对应的进入所述目标服务区的车辆流量和预设总车辆流量计算所述目标服务区的入区率,所述目标时段为包括所述目标拐点时间和所述目标拐点时间之后时间的时间段;
所述聚类分析模块,具体用于根据所述时间流量曲线中的高速通过时间数据以及对应的车流量数据,分别计算条件矩阵和距离矩阵;按照所述条件矩阵的分布情况对所述距离矩阵进行聚类,以得到目标数据组,所述目标数据组中相邻数据之间的距离相似度大于预设阈值,且所述目标数据组中的数据按时间顺序排列;将所述目标数据组中最后一个数据对应的时间确定为所述基础拐点时间。
8.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1至6任一项所述的服务区入区率测算方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至6中任一项所述的服务区入区率测算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211118438.0A CN115204755B (zh) | 2022-09-15 | 2022-09-15 | 服务区入区率测算方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211118438.0A CN115204755B (zh) | 2022-09-15 | 2022-09-15 | 服务区入区率测算方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204755A CN115204755A (zh) | 2022-10-18 |
CN115204755B true CN115204755B (zh) | 2022-12-06 |
Family
ID=83573617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211118438.0A Active CN115204755B (zh) | 2022-09-15 | 2022-09-15 | 服务区入区率测算方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204755B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457774B (zh) * | 2022-10-31 | 2023-03-03 | 江西锦路科技开发有限公司 | 基于高速服务区的车流量采集方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001076284A (ja) * | 1999-09-03 | 2001-03-23 | Toshiba Corp | 交通流解析システム |
US6449555B1 (en) * | 1999-03-05 | 2002-09-10 | Kabushiki Kaisha Toshiba | Run time information arithmetic operation apparatus |
CN107507418A (zh) * | 2017-08-09 | 2017-12-22 | 清华大学 | 一种高速公路车辆进入服务区停留过程分析方法及装置 |
CN109800916A (zh) * | 2019-01-23 | 2019-05-24 | 山东省交通规划设计院 | 一种高速公路服务区驶入车流量的建模方法 |
CN114155706A (zh) * | 2021-10-27 | 2022-03-08 | 北京千方科技股份有限公司 | 一种服务区车辆判别方法、装置、电子设备和存储介质 |
CN114373309A (zh) * | 2021-12-29 | 2022-04-19 | 联通智网科技股份有限公司 | 服务区车流量的计算方法、装置、终端设备及介质 |
CN114446064A (zh) * | 2021-12-31 | 2022-05-06 | 北京掌行通信息技术有限公司 | 一种分析高速公路服务区流量的方法、装置、存储介质及终端 |
CN114550457A (zh) * | 2022-03-11 | 2022-05-27 | 中天科技(清远)有限公司 | 一种高速公路服务区车流量预测方法 |
-
2022
- 2022-09-15 CN CN202211118438.0A patent/CN115204755B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6449555B1 (en) * | 1999-03-05 | 2002-09-10 | Kabushiki Kaisha Toshiba | Run time information arithmetic operation apparatus |
JP2001076284A (ja) * | 1999-09-03 | 2001-03-23 | Toshiba Corp | 交通流解析システム |
CN107507418A (zh) * | 2017-08-09 | 2017-12-22 | 清华大学 | 一种高速公路车辆进入服务区停留过程分析方法及装置 |
CN109800916A (zh) * | 2019-01-23 | 2019-05-24 | 山东省交通规划设计院 | 一种高速公路服务区驶入车流量的建模方法 |
CN114155706A (zh) * | 2021-10-27 | 2022-03-08 | 北京千方科技股份有限公司 | 一种服务区车辆判别方法、装置、电子设备和存储介质 |
CN114373309A (zh) * | 2021-12-29 | 2022-04-19 | 联通智网科技股份有限公司 | 服务区车流量的计算方法、装置、终端设备及介质 |
CN114446064A (zh) * | 2021-12-31 | 2022-05-06 | 北京掌行通信息技术有限公司 | 一种分析高速公路服务区流量的方法、装置、存储介质及终端 |
CN114550457A (zh) * | 2022-03-11 | 2022-05-27 | 中天科技(清远)有限公司 | 一种高速公路服务区车流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115204755A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN109166317B (zh) | 基于状态特征的城市交通路径通过时间确定方法 | |
CN103632540B (zh) | 基于浮动车数据的城市主干道交通运行信息处理方法 | |
WO2014206699A1 (de) | Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche | |
CN106971540B (zh) | 高速公路隧道环境下驾驶人的行为风险量化方法 | |
CN108665699B (zh) | 一种预测车辆出现地点的方法及装置 | |
CN113127466B (zh) | 一种车辆轨迹数据预处理方法及计算机存储介质 | |
CN105869402B (zh) | 基于多类型浮动车数据的高速公路路段速度修正方法 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN115204755B (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN106940929B (zh) | 交通数据预测方法及装置 | |
CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
US20230184563A1 (en) | Connected vehicle-based road surface quality determination | |
Yu et al. | Time headway distribution analysis of naturalistic road users based on aerial datasets | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
CN116481560B (zh) | 车辆行驶里程的计算方法、装置、终端及存储介质 | |
CN115841765B (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN114495519B (zh) | 一种高速公路智慧可视化展示系统 | |
CN114973681B (zh) | 一种在途车辆感知方法及设备 | |
CN110956808B (zh) | 一种基于非全样定位数据的重型货车交通流量预测方法 | |
CN106997678B (zh) | 快速路出口匝道上游车载指路信息优化设计方法 | |
CN116561604B (zh) | 货车的识别方法、装置、电子设备及介质 | |
Rosas et al. | Neural network delay estimation with inclusion of heavy goods vehicular data | |
CN118052347B (zh) | 一种基于浮动车出行轨迹序列的旅行时间估计方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |