CN115294770A - 一种雨天交通拥堵指数的预测方法和装置 - Google Patents

一种雨天交通拥堵指数的预测方法和装置 Download PDF

Info

Publication number
CN115294770A
CN115294770A CN202210927204.4A CN202210927204A CN115294770A CN 115294770 A CN115294770 A CN 115294770A CN 202210927204 A CN202210927204 A CN 202210927204A CN 115294770 A CN115294770 A CN 115294770A
Authority
CN
China
Prior art keywords
data
road
historical
rainfall
predicted
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
Application number
CN202210927204.4A
Other languages
English (en)
Inventor
郭军
王宇翔
李志凯
徐焱
胡进
黄鹤
熊明明
李晓霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Climate Center
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Tianjin Climate Center
Aerospace Hongtu Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Climate Center, Aerospace Hongtu Information Technology Co Ltd filed Critical Tianjin Climate Center
Priority to CN202210927204.4A priority Critical patent/CN115294770A/zh
Publication of CN115294770A publication Critical patent/CN115294770A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明提供了一种雨天交通拥堵指数的预测方法和装置，涉及交通拥堵预测的技术领域，包括：获取待预测区域的历史数据；利用预设算法、历史道路速度数据集和历史降雨数据集，确定出待预测区域的降水分布结果；基于降水分布结果和历史数据，提取出待预测区域内各条道路的特征数据，并利用特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型；在获取到历史道路速度数据集待预测区域的当前数据之后，利用当前数据和随机森林回归树模型，确定出待预测区域内各条道路的交通拥堵指数，解决了现有的雨天交通拥堵预测结果准确度较低的技术问题。

Description

一种雨天交通拥堵指数的预测方法和装置
技术领域
本发明涉及交通拥堵预测的技术领域，尤其是涉及一种雨天交通拥堵指数的预测方法和装置。
背景技术
随着经济不断发展和城镇化水平的提高，人们驾车出行的频率越来越高，对交通出行的准确性需求也随之增高，随之而来的问题就是交通拥堵日渐严重，如何掌握交通信息，参考交通信息对出行时间和出行路线进行规划成为迫切需要解决的问题。为用户提供准确实时的交通拥堵状态变化预测，可以为用户节省出行时间，减少不必要的浪费，同时准确的交通拥堵判识对实施及时的交通管控也有助益，具有很大的商业价值。
正常天气下道路交通流预测已经趋于成熟，涉及很多方法，包括卡尔曼滤波、马尔可夫模型、K近邻(K-Nearest Neighbor，KNN)算法、支持向量机、随机森林、神经网络等。深度学习可以从海量数据中挖掘和捕捉数据序列的相应规律，可以应用于正常天气下道路交通流预测，主要研究方法包括深度信念网络、深度自编码器、循环神经网络和卷积神经网络(Convolutional Neural Network，CNN)等。还有一些学者将天气数据作为模型输入，基于支持向量机、多元回归函数、深度信念网络、门控神经网络、长短期记忆(Long Short-TermMemory，LSTM)神经网络、CNN等提出了各种交通流预测模型。
雨天对车辆运行速度和拥堵有直接影响，目前对城市道路雨天拥堵现象的研究较多，随着移动网络技术的普及，对雨天的交通拥堵预测已有一些研究，如利用多元线性回归分析法,考虑天气对旅游区交通拥堵造成的影响；考虑时段和天气对交通状况的影响,基于随机森林算法短时预测交通拥堵指数。这些技术方法多是对拥堵等级进行分级预测，缺少对城市道路雨天和不同时段交通状态的综合拥堵预测，导致雨天交通拥堵预测结果准确度较低。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种雨天交通拥堵指数的预测方法和装置，以缓解了现有的雨天交通拥堵预测结果准确度较低的技术问题。
第一方面，本发明实施例提供了一种雨天交通拥堵指数的预测方法，包括：获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数。
进一步地，所述历史道路速度数据集为
Figure BDA0003780058010000021
其中，p为断面编号，i为道路编号，i∈{1,2,3,…,I}，I为道路条数，z为任一时刻，a为交通部门的采样时间间隔；所述历史降雨数据集为
Figure BDA0003780058010000031
Figure BDA0003780058010000032
j为气象观测站编号，j∈{1,2,3,…,J}，J1为气象观测站个数，b为气象部门采样时间间隔。
进一步地，利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，包括：基于所述历史道路速度数据集，确定出道路速度时间序列，以及基于所述历史降雨数据集，确定出降雨数据时间序列，其中，所述道路速度时间序列为
Figure BDA0003780058010000033
Figure BDA0003780058010000034
Figure BDA0003780058010000035
为
Figure BDA0003780058010000036
个时间间隔断面p第i条道路的速度数据，
Figure BDA0003780058010000037
Figure BDA0003780058010000038
为所有时期内获取数据的时间间隔数，所述降雨数据时间序列为
Figure BDA0003780058010000039
Figure BDA00037800580100000310
为第
Figure BDA00037800580100000311
个时间间隔断面p第j个气象观测站在第s个时间间隔段的降雨数据，s∈{1,2,3,…,S}，S为时间间隔段的个数；基于所述预设算法、所述道路速度时间序列和所述降雨数据时间序列，确定出所述待预测区域的降水分布结果。
进一步地，基于所述预设算法、所述道路速度时间序列和所述降雨数据时间序列，确定出所述待预测区域的降水分布结果，包括：基于所述GIS空间分析处理算法，确定出所述待预测区域内的目标道路和所述目标道路对应的空格点数据，其中，所述目标道路为所述待预测区域内道路长度小于或等于预设阈值的道路；基于所述反距离加权插值算法，所述降雨数据时间序列和所述空格点数据，确定出降雨格点数据集时间序列，其中，所述降雨格点数据集时间序列为
Figure BDA00037800580100000312
Figure BDA00037800580100000313
Figure BDA00037800580100000314
为，
Figure BDA00037800580100000315
为所有时期内获取数据的时间间隔数，
Figure BDA00037800580100000316
Figure BDA00037800580100000317
是断面p第s个时间间隔段第
Figure BDA00037800580100000318
个时间间隔的降雨格点数据待预测点x0的插值结果，
Figure BDA00037800580100000319
为所述待预测区域内断面p第s个时间间隔段第
Figure BDA0003780058010000049
个时间间隔的观测站点xi(i＝1,2,…,J)的实测值，J2为参与计算的观测点的数量；di0为待预测点x0与各已知观测点xi之间的距离，n为距离di0的幂值基于所述降雨格点数据集时间序列和所述目标道路，确定目标降雨数据时间序列，其中，所述目标降雨数据时间序列为
Figure BDA0003780058010000041
Figure BDA0003780058010000042
为第
Figure BDA0003780058010000043
个时间间隔断面p第i条道路在第s个时间间隔段道路降雨量；基于所述道路速度时间序列和所述降雨数据时间序列，确定出所述降水分布结果，其中，所述降水分布结果为
Figure BDA0003780058010000044
进一步地，基于所述降水分布结果，提取出所述待预测区域内各条道路的特征数据，包括：
基于所述GIS空间分析处理算法，确定出所述目标道路对应的目标参数，其中，所述目标参数包括：所述目标道路的中心点，目标气象观测站和所述目标气象观测站对应的降雨数据的时间序列，所述目标气象观测站为距离所述中心点空间距离最小的气象观测站，所述目标气象观测站对应的降雨数据的时间序列为
Figure BDA0003780058010000045
Figure BDA0003780058010000046
Figure BDA0003780058010000047
为在第
Figure BDA0003780058010000048
个时间间隔断面p第i条道路在预测时间间隔段内所述目标气象观测站j采集到的降雨量；基于所述目标参数，确定出所述待预测区域内各条道路的特征数据。
进一步地，基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，包括：基于所述历史数据，确定出所述目标道路的时序特征数据，其中，所述时序特征数据包括：出现拥堵的时间，出现拥堵的时间是否为早晚高峰时段，出现拥堵的时间是否为节假日；基于所述降水分布结果，确定出所述目标道路的降雨特征数据，其中，所述降雨特征数据包括：多个预设时长对应的降雨总量；基于所述目标道路对应的目标参数，确定出所述目标道路的空间特征参数，其中，所述空间特征参数包括：所述目标道路的中心点与所述目标气象观测站之间的距离，所述目标气象观测站在目标预设时长采集到的目标道路的降雨量。
进一步地，利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，包括：基于所述特征数据和所述历史交通拥堵指数集，构建输入矩阵，其中，所述输入矩阵为
Figure BDA0003780058010000051
Figure BDA0003780058010000052
Figure BDA0003780058010000053
为第
Figure BDA0003780058010000054
个时间间隔预测断面p第i条道路交通拥堵指数时所输入的向量；基于所述输入矩阵，构建所述随机森林回归树模型。
第二方面，本发明实施例还提供了一种雨天交通拥堵指数的预测装置，包括：获取单元，确定单元，构建单元和预测单元，其中，所述获取单元，用于获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；所述确定单元，用于利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；所述构建单元，用于基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；所述预测单元，用于在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数，达到了对雨天道路拥堵进行精准预测的目的，进而解决了现有的雨天交通拥堵预测结果准确度较低的技术问题，从而实现了为人们雨天出行提供更准确可靠的路况预判信息的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种雨天交通拥堵指数的预测方法的流程图；
图2为本发明实施例提供的一种雨天交通拥堵指数的预测装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
实施例一：
根据本发明实施例，提供了一种雨天交通拥堵指数的预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种雨天交通拥堵指数的预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；
需要说明的是，上述的历史道路速度数据集为
Figure BDA0003780058010000071
Figure BDA0003780058010000072
其中，p为断面编号，i为道路编号，i∈{1,2,3,…,I}，I为道路条数，z为任一时刻，a为交通部门的采样时间间隔。
上述的历史降雨数据集为
Figure BDA0003780058010000081
j为气象观测站编号，j∈{1,2,3,…,J}，J1为气象观测站个数，b为气象部门采样时间间隔。
上述的历史交通拥堵指数集为
Figure BDA0003780058010000082
Figure BDA0003780058010000083
Figure BDA0003780058010000084
为
Figure BDA0003780058010000085
个时间间隔断面p第i条道路的交通拥堵指数数据，
Figure BDA0003780058010000086
Figure BDA0003780058010000087
Figure BDA0003780058010000088
为所有时期内获取数据的时间间隔数。
步骤S104，利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；
步骤S106，基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；
步骤S108，在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数。
在本发明实施例中，通过获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数，达到了对雨天道路拥堵进行精准预测的目的，进而解决了现有的雨天交通拥堵预测结果准确度较低的技术问题，从而实现了为人们雨天出行提供更准确可靠的路况预判信息的技术效果。
在本发明实施例中，步骤S104包括如下步骤：
步骤S11，基于所述历史道路速度数据集，确定出道路速度时间序列，以及基于所述历史降雨数据集，确定出降雨数据时间序列，其中，所述道路速度时间序列为
Figure BDA0003780058010000091
Figure BDA0003780058010000092
为
Figure BDA0003780058010000093
个时间间隔断面p第i条道路的速度数据，
Figure BDA0003780058010000094
Figure BDA0003780058010000095
为所有时期内获取数据的时间间隔数，所述降雨数据时间序列为
Figure BDA0003780058010000096
Figure BDA0003780058010000097
Figure BDA0003780058010000098
为第
Figure BDA0003780058010000099
个时间间隔断面p第j个气象观测站在第s个时间间隔段的降雨数据，s∈{1,2,3,…,S}，S为时间间隔段的个数；
步骤S11，基于所述预设算法、所述道路速度时间序列和所述降雨数据时间序列，确定出所述待预测区域的降水分布结果。
在本发明实施例中，根据预测时间间隔，将历史道路速度数据集
Figure BDA00037800580100000910
进行集记后得到断面p第i条道路速度数据的时间序列
Figure BDA00037800580100000911
Figure BDA00037800580100000912
Figure BDA00037800580100000913
为
Figure BDA00037800580100000914
个时间间隔断面p第i条道路的速度数据，
Figure BDA00037800580100000915
Figure BDA00037800580100000916
为所有时期内获取数据的时间间隔数。
根据采样时间间隔与预测时间间隔之间的差值集记不同的时间间隔O，O∈{b<o≤c}，将历史降雨数据集
Figure BDA00037800580100000917
进行集记后得到断面p第j个气象观测站在第s个时间间隔段降雨数据的时间序列
Figure BDA00037800580100000918
Figure BDA00037800580100000919
Figure BDA00037800580100000920
为第
Figure BDA00037800580100000921
个时间间隔断面p第j个气象观测站在第s个时间间隔段降雨数据，s∈{1,2,3,…,S}，S为时间间隔段个数。
接着，利用GIS空间分析处理方法和气象要素空间插值法(反距离加权插值法)计算路网中道路编号i按照时间序列的降雨量，具体步骤如下：
为了提高计算道路降雨量的准确性，利用GIS工具计算路网中道路集R的长度L，及气象观测站之间的距离，并计算出最短距离Ls。根据观测站之间的最短距离筛选出长度
Figure BDA0003780058010000101
的道路集R0。
利用GIS工具根据道路集R0的空间范围生成n×n米分辨率的空格点数据Z(X)。
利用反距离加权插值分析法(IDW)根据断面p第s个时间间隔段的第
Figure BDA0003780058010000102
个时间间隔降雨数据集
Figure BDA0003780058010000103
Figure BDA0003780058010000104
为第j个气象观测站断面p在第s个时间间隔段第
Figure BDA0003780058010000105
个时间间隔降雨量，计算以空格点数据Z(X)为基础的断面p第s个时间间隔段的降雨格点数据集时间序列
Figure BDA0003780058010000106
Figure BDA0003780058010000107
为所有时期内获取数据的时间间隔数，计算公式如下：
Figure BDA0003780058010000108
其中，
Figure BDA0003780058010000109
是断面p第s个时间间隔段第
Figure BDA00037800580100001010
个时间间隔的降雨格点数据待预测点x0的插值结果；
Figure BDA00037800580100001011
为待预测区域内断面p第s个时间间隔段第
Figure BDA00037800580100001019
个时间间隔的观测站点xi(i＝1,2,…,J)的实测值，J为参与计算的观测点的数量；di0为待预测点x0与各已知观测点xi之间的距离；n为距离di0的幂值，优选的，在本申请中n＝2。
利用GIS工具计算道路集R0与降雨格点数据集时间序列
Figure BDA00037800580100001012
空间相交得到断面p第i条道路第s个时间间隔段道路降雨数据时间序列
Figure BDA00037800580100001013
Figure BDA00037800580100001014
Figure BDA00037800580100001015
为第
Figure BDA00037800580100001016
个时间间隔断面p第i条道路在第s个时间间隔段道路降雨量，
Figure BDA00037800580100001017
Figure BDA00037800580100001018
为所有时期内获取数据的时间间隔数。
根据道路编号i将道路速度数据的时间序列
Figure BDA0003780058010000111
与道路降雨数据时间序列
Figure BDA0003780058010000112
按照时间序列进行关联，得到断面p第i条道路速度、降雨数据时间序列
Figure BDA0003780058010000113
s∈{1,2,3,…,S}，S为时间间隔段个数。
利用反距离权重插值法对区域内有限的观测站点的降水数据进行插值，可以有效获取整个待预测区域的降水分布，再根据降水分布计算道路降雨量的方法更客观准确反应道路降雨情况。
在本发明实施例中，步骤S106包括如下步骤：
步骤S21，基于所述GIS空间分析处理算法，确定出所述目标道路对应的目标参数，其中，所述目标参数包括：所述目标道路的中心点，目标气象观测站和所述目标气象观测站对应的降雨数据的时间序列，所述目标气象观测站为距离所述中心点空间距离最小的气象观测站，所述目标气象观测站对应的降雨数据的时间序列为
Figure BDA0003780058010000114
Figure BDA0003780058010000115
Figure BDA0003780058010000116
为在第
Figure BDA0003780058010000117
个时间间隔断面p第i条道路在预测时间间隔段内所述目标气象观测站j采集到的降雨量；
步骤S22，基于所述目标参数，确定出所述待预测区域内各条道路的特征数据。
在本发明实施例中，利用GIS工具计算待预测区域道的目标道路的集合R0第i条道路的中心点qi，并计算qi距气象观测点最近的空间距离di，及最近的气象观测点j断面p降雨数据的时间序列
Figure BDA0003780058010000118
Figure BDA0003780058010000119
Figure BDA00037800580100001110
为第
Figure BDA00037800580100001111
个时间间隔断面p第i条道路中心点距离最近的气象观测站j在预测时间间隔段内的降雨量。
基于所述历史数据，确定出所述目标道路的时序特征数据，时序特征数据包括：出现拥堵的时间(年、月、日、时间、星期几)、是否早晚高峰(早高峰：7时-9时，晚高峰：17时-19时)、是否节假日，共计提取时序特征7个，此类特征表征道路的拥堵时间具现化特性。
基于降水分布结果，确定出目标道路的降雨特征数据，降雨特征数据包括：多个预设时长对应的降雨总量，多个预设时长一般为10分钟，20分钟和30分钟。此类特征表征道路拥堵受降雨条件影响的具现化特征。
基于目标道路对应的目标参数，确定出目标道路的空间特征参数，其中，空间特征参数包括：目标道路的中心点与所述目标气象观测站之间的距离，目标气象观测站在目标预设时长采集到的目标道路的降雨量，一般情况下目标预设试产为30分钟，此类特征表征道路拥堵对应的降雨表征受其观测位置影响的程度。
在本发明实施例中，步骤S108包括如下步骤：
步骤S31，基于所述特征数据和所述历史交通拥堵指数集，构建输入矩阵，其中，所述输入矩阵为
Figure BDA0003780058010000121
Figure BDA0003780058010000122
为第
Figure BDA0003780058010000123
个时间间隔预测断面p第i条道路交通拥堵指数时所输入的向量；
步骤S32，基于所述输入矩阵，构建所述随机森林回归树模型。
在本发明实施例中，基于序列
Figure BDA0003780058010000124
构建模型所需输入矩阵
Figure BDA0003780058010000125
Figure BDA0003780058010000126
为第
Figure BDA0003780058010000127
个时间间隔预测断面p第i条道路交通拥堵指数时所输入的向量。
使用随机森林回归树模型构建模型，挖掘历史数据的规律。
为保证随机森林回归树模型的预测精度，需使用历史交通拥堵指数和降雨数据对该模型进行训练；选择均方误差(Mean Squared Error,MSE)作为损失函数：
Figure BDA0003780058010000128
式中：
Figure BDA0003780058010000131
和
Figure BDA0003780058010000132
分别为第t个时间间隔断面p第i条道路由随机森林回归树模型所得交通拥堵指数数据预测值和拥堵指数数据实测值，t∈{1,2,3,…,T}，T为预测时间间隔数。
根据训练好的随机森林回归树模型对交通拥堵指数进行预测，使用均方误差(MSE)评价模型的预测性能，MSE越小，模型的预测经度越高。
本发明实施例综合气象精细化网格化预测、气象要素空间插值方法、气象要素特征提取、GIS空间分析处理、路网空间特征提取、交通海量数据分析等技术方法，在雨天这一复杂天气场景下，提高交通拥堵预判精度。
本发明实施例实用性强，可以直接嫁接到城市交通路况监测系统中，为人们雨天出行提供更准确可靠的路况预判信息。
实施例二：
本发明实施例还提供了一种雨天交通拥堵指数的预测装置，该雨天交通拥堵指数的预测装置用于执行本发明实施例上述内容所提供的雨天交通拥堵指数的预测方法，以下是本发明实施例提供的装置的具体介绍。
如图2所示，图2为上述雨天交通拥堵指数的预测装置的示意图，该雨天交通拥堵指数的预测装置包括：获取单元10，确定单元20，构建单元30和预测单元40。
所述获取单元，用于获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；
所述确定单元，用于利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；
所述构建单元，用于基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；
所述预测单元，用于在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数。
在本发明实施例中，通过获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数，达到了对雨天道路拥堵进行精准预测的目的，进而解决了现有的雨天交通拥堵预测结果准确度较低的技术问题，从而实现了为人们雨天出行提供更准确可靠的路况预判信息的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)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发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种雨天交通拥堵指数的预测方法，其特征在于，包括：
获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；
利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；
基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；
在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数。
2.根据权利要求1所述的方法，其特征在于，
所述历史道路速度数据集为
Figure FDA0003780050000000011
其中，p为断面编号，i为道路编号，i∈{1,2,3,…,I}，I为道路条数，z为任一时刻，a为交通部门的采样时间间隔；
所述历史降雨数据集为
Figure FDA0003780050000000012
j为气象观测站编号，j∈{1,2,3,…,J}，J1为气象观测站个数，b为气象部门采样时间间隔。
3.根据权利要求2所述的方法，其特征在于，利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，包括：
基于所述历史道路速度数据集，确定出道路速度时间序列，以及基于所述历史降雨数据集，确定出降雨数据时间序列，其中，所述道路速度时间序列为
Figure FDA0003780050000000021
Figure FDA00037800500000000213
为
Figure FDA0003780050000000022
个时间间隔断面p第i条道路的速度数据，
Figure FDA0003780050000000023
为所有时期内获取数据的时间间隔数，所述降雨数据时间序列为
Figure FDA0003780050000000024
Figure FDA0003780050000000025
Figure FDA00037800500000000214
为第
Figure FDA0003780050000000026
个时间间隔断面p第j个气象观测站在第s个时间间隔段的降雨数据，s∈{1,2,3,…,S}，S为时间间隔段的个数；
基于所述预设算法、所述道路速度时间序列和所述降雨数据时间序列，确定出所述待预测区域的降水分布结果。
4.根据权利要求3所述的方法，其特征在于，基于所述预设算法、所述道路速度时间序列和所述降雨数据时间序列，确定出所述待预测区域的降水分布结果，包括：
基于所述GIS空间分析处理算法，确定出所述待预测区域内的目标道路和所述目标道路对应的空格点数据，其中，所述目标道路为所述待预测区域内道路长度小于或等于预设阈值的道路；
基于所述反距离加权插值算法，所述降雨数据时间序列和所述空格点数据，确定出降雨格点数据集时间序列，其中，所述降雨格点数据集时间序列为
Figure FDA0003780050000000027
Figure FDA00037800500000000215
为，
Figure FDA0003780050000000028
为所有时期内获取数据的时间间隔数，
Figure FDA0003780050000000029
Figure FDA00037800500000000216
是断面p第s个时间间隔段第
Figure FDA00037800500000000212
个时间间隔的降雨格点数据待预测点x0的插值结果，
Figure FDA00037800500000000210
为所述待预测区域内断面p第s个时间间隔段第
Figure FDA00037800500000000211
个时间间隔的观测站点xi(i＝1,2,…,J)的实测值，J2为参与计算的观测点的数量，di0为待预测点x0与各已知观测点xi之间的距离，n为距离di0的幂值；
基于所述降雨格点数据集时间序列和所述目标道路，确定目标降雨数据时间序列，其中，所述目标降雨数据时间序列为
Figure FDA0003780050000000036
Figure FDA0003780050000000034
Figure FDA0003780050000000038
为第
Figure FDA0003780050000000035
个时间间隔断面p第i条道路在第s个时间间隔段道路降雨量；
基于所述道路速度时间序列和所述降雨数据时间序列，确定出所述降水分布结果，其中，所述降水分布结果为
Figure FDA0003780050000000033
5.根据权利要求4所述的方法，其特征在于，基于所述降水分布结果，提取出所述待预测区域内各条道路的特征数据，包括：
基于所述GIS空间分析处理算法，确定出所述目标道路对应的目标参数，其中，所述目标参数包括：所述目标道路的中心点，目标气象观测站和所述目标气象观测站对应的降雨数据的时间序列，所述目标气象观测站为距离所述中心点空间距离最小的气象观测站，所述目标气象观测站对应的降雨数据的时间序列为
Figure FDA0003780050000000031
Figure FDA0003780050000000032
Figure FDA0003780050000000039
为在第
Figure FDA0003780050000000037
个时间间隔断面p第i条道路在预测时间间隔段内所述目标气象观测站j采集到的降雨量；
基于所述目标参数，确定出所述待预测区域内各条道路的特征数据。
6.根据权利要求5所述的方法，其特征在于，基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，包括：
基于所述历史数据，确定出所述目标道路的时序特征数据，其中，所述时序特征数据包括：出现拥堵的时间，出现拥堵的时间是否为早晚高峰时段，出现拥堵的时间是否为节假日；
基于所述降水分布结果，确定出所述目标道路的降雨特征数据，其中，所述降雨特征数据包括：多个预设时长对应的降雨总量；
基于所述目标道路对应的目标参数，确定出所述目标道路的空间特征参数，其中，所述空间特征参数包括：所述目标道路的中心点与所述目标气象观测站之间的距离，所述目标气象观测站在目标预设时长采集到的目标道路的降雨量。
7.根据权利要求6所述的方法，其特征在于，利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，包括：
基于所述特征数据和所述历史交通拥堵指数集，构建输入矩阵，其中，所述输入矩阵为
Figure FDA0003780050000000041
Figure FDA0003780050000000043
为第
Figure FDA0003780050000000042
个时间间隔预测断面p第i条道路交通拥堵指数时所输入的向量；
基于所述输入矩阵，构建所述随机森林回归树模型。
8.一种雨天交通拥堵指数的预测装置，其特征在于，包括：获取单元，确定单元，构建单元和预测单元，其中，
所述获取单元，用于获取待预测区域的历史数据，其中，所述历史数据包括：历史道路速度数据集，历史降雨数据集和历史交通拥堵指数集；
所述确定单元，用于利用预设算法、所述历史道路速度数据集和所述历史降雨数据集，确定出所述待预测区域的降水分布结果，其中，所述预设算法包括：GIS空间分析处理算法和反距离加权插值算法；
所述构建单元，用于基于所述降水分布结果和所述历史数据，提取出所述待预测区域内各条道路的特征数据，并利用所述特征数据和所述历史交通拥堵指数集，构建随机森林回归树模型，其中，所述特征数据包括：时序特征数据，降雨特征数据和空间特征参数；
所述预测单元，用于在获取到所述待预测区域的当前数据之后，利用所述当前数据和所述随机森林回归树模型，确定出所述待预测区域内各条道路的交通拥堵指数。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至7任一项所述方法的步骤。
CN202210927204.4A 2022-08-03 2022-08-03 一种雨天交通拥堵指数的预测方法和装置 Pending CN115294770A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210927204.4A CN115294770A (zh) 2022-08-03 2022-08-03 一种雨天交通拥堵指数的预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210927204.4A CN115294770A (zh) 2022-08-03 2022-08-03 一种雨天交通拥堵指数的预测方法和装置

Publications (1)

Publication Number Publication Date
CN115294770A true CN115294770A (zh) 2022-11-04

Family

ID=83826144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210927204.4A Pending CN115294770A (zh) 2022-08-03 2022-08-03 一种雨天交通拥堵指数的预测方法和装置

Country Status (1)

Country Link
CN (1) CN115294770A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092309A (zh) * 2023-01-05 2023-05-09 无锡车联天下信息技术有限公司 一种交通灯控制方法、装置、系统、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272408A (ja) * 2003-03-06 2004-09-30 Nri & Ncc Co Ltd 渋滞予測システムおよび渋滞予測方法
US9142125B1 (en) * 2014-05-21 2015-09-22 Sap Se Traffic prediction using precipitation
CN106600959A (zh) * 2016-12-13 2017-04-26 广州市公共交通数据管理中心 一种交通拥堵指数的预测方法
CN107045788A (zh) * 2017-06-28 2017-08-15 北京数行健科技有限公司 交通路况预测方法及装置
JP2018073322A (ja) * 2016-11-04 2018-05-10 住友電気工業株式会社 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法
JP2019169028A (ja) * 2018-03-26 2019-10-03 東日本高速道路株式会社 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル
CN111882869A (zh) * 2020-07-13 2020-11-03 大连理工大学 一种考虑不良天气的深度学习交通流预测方法
US20210213971A1 (en) * 2020-08-25 2021-07-15 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for determining road information data and computer storage medium
CN113538898A (zh) * 2021-06-04 2021-10-22 南京美慧软件有限公司 一种基于多源数据的高速公路拥堵管控系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272408A (ja) * 2003-03-06 2004-09-30 Nri & Ncc Co Ltd 渋滞予測システムおよび渋滞予測方法
US9142125B1 (en) * 2014-05-21 2015-09-22 Sap Se Traffic prediction using precipitation
JP2018073322A (ja) * 2016-11-04 2018-05-10 住友電気工業株式会社 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法
CN106600959A (zh) * 2016-12-13 2017-04-26 广州市公共交通数据管理中心 一种交通拥堵指数的预测方法
CN107045788A (zh) * 2017-06-28 2017-08-15 北京数行健科技有限公司 交通路况预测方法及装置
JP2019169028A (ja) * 2018-03-26 2019-10-03 東日本高速道路株式会社 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル
CN111882869A (zh) * 2020-07-13 2020-11-03 大连理工大学 一种考虑不良天气的深度学习交通流预测方法
US20210213971A1 (en) * 2020-08-25 2021-07-15 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for determining road information data and computer storage medium
CN113538898A (zh) * 2021-06-04 2021-10-22 南京美慧软件有限公司 一种基于多源数据的高速公路拥堵管控系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何璐希;刘畅;: "广州市降雨量与交通拥堵指数的关系", 广东气象, no. 05 *
吴中;张津玮;杨海飞;吴琼;: "考虑相关性的雨天城市道路交通拥堵概率预测", 贵州大学学报(自然科学版), no. 03 *
宋洋;: "基于多因素的城市道路交通拥堵预测分析", 建筑技术开发, no. 03 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092309A (zh) * 2023-01-05 2023-05-09 无锡车联天下信息技术有限公司 一种交通灯控制方法、装置、系统、电子设备及存储介质
CN116092309B (zh) * 2023-01-05 2024-04-16 无锡车联天下信息技术有限公司 一种交通灯控制方法、装置、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN103050005B (zh) 城市道路交通状态时空分析方法与系统
CN101751777B (zh) 基于空间聚类分析的城市路网交通小区动态划分方法
CN101794507B (zh) 基于浮动车数据的宏观路网交通状态评价方法
WO2019047905A1 (zh) 一种交通路况分析系统、方法以及装置
JP5374067B2 (ja) 交通状態シミュレーション装置及びプログラム
CN113919231B (zh) 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN109923575A (zh) 自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法
CN110782120B (zh) 一种交通流模型的评测方法、系统、设备及介质
JP2011138487A (ja) 空間−時間関係に基づく交通予測方法およびシステム
CN110956807B (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN108648445B (zh) 基于交通大数据的动态交通态势预测方法
CN112613225B (zh) 一种基于神经网络元胞传输模型的交叉口交通状态预测方法
CN102520464A (zh) 区域积涝预报系统及其预报方法
CN110853347A (zh) 一种短时交通路况预测方法、装置及终端设备
CN116362419B (zh) 一种城市防洪预警系统及方法
CN113593191A (zh) 一种基于大数据的可视化城市内涝监测预警系统
CN115294770A (zh) 一种雨天交通拥堵指数的预测方法和装置
CN116524712A (zh) 融合时空关联数据的高速公路拥堵预测方法、系统及装置
CN116385690B (zh) 一种基于bim模型的三维运维管控平台及其管控方法
CN116703004B (zh) 一种基于预训练模型的水系流域智慧巡护方法和装置
CN109190797A (zh) 一种基于改进k最近邻的大规模路网状态短时预测方法
CN109814462A (zh) 一种基于大数据的城市排水网络监控控制系统
CN112907956B (zh) 一种基于时空信息的高速公路车道级运行速度预测方法
KR20150072470A (ko) 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템

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