CN115457766A - 一种用于预测道路拥堵状态的方法及系统 - Google Patents
一种用于预测道路拥堵状态的方法及系统 Download PDFInfo
- Publication number
- CN115457766A CN115457766A CN202211054879.9A CN202211054879A CN115457766A CN 115457766 A CN115457766 A CN 115457766A CN 202211054879 A CN202211054879 A CN 202211054879A CN 115457766 A CN115457766 A CN 115457766A
- Authority
- CN
- China
- Prior art keywords
- determining
- influence
- road
- congestion
- weight
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于预测道路拥堵状态的方法及系统,属于数据处理技术领域。本发明方法包括:确定目标道路的道路类型,按照所述道路类型对所述目标道路进行模型化处理,以生成所述目标道路的道路模型,并根据所述道路模型确定影响目标道路拥堵的影响指标;采集所述目标道路不同时段的交通数据,将交通数据划分为多个样本,并确定每个样本中影响指标的权值,并将权值最大的影响指标作为所述样本的属性;对带有属性的多个样本进行训练,获取拥堵模型;将预测信息输入至所述拥堵模型,基于拥堵模型确定所述目标道路的拥堵状态。应用本发明,可有效避免交通拥堵的问题,做到道路的合理设计。
Description
技术领域
本发明涉及数据处理技术领域,并且更具体地,涉及一种用于预测道路拥堵状态的方法及系统。
背景技术
实际生活中,小区车流量拥堵问题饱受困扰。尤其是上下班高峰期,车辆在小区出入口的拥堵情况更为严重。
现有的交通拥堵方案多为道路行驶中的情况,往往只关注机动车的流量,而小区的特点在于道路结构复杂,影响因素多(行人、非机动车、岔路口等),因此需要具有针对性的方案来解决这一问题。
发明内容
针对上述问题,本发明提出了一种用于预测道路拥堵状态的方法,包括:
确定目标道路的道路类型,按照所述道路类型对所述目标道路进行模型化处理,以生成所述目标道路的道路模型,并根据所述道路模型确定影响目标道路拥堵的影响指标;
采集所述目标道路不同时段的交通数据,将交通数据划分为多个样本,并确定每个样本中影响指标的权值,并将权值最大的影响指标作为所述样本的属性;
对带有属性的多个样本进行训练,获取拥堵模型;
将预测信息输入至所述拥堵模型,基于拥堵模型确定所述目标道路的拥堵状态;
所述预测信息,包括:目标时段以及目标道路的目标路段。
可选的,影响指标包括如下中的至少一种:车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。
可选的,不同时段,按照工作日、节假日以及工作日上下班高峰时间进行划分。
可选的,确定每个样本中影响指标的权值,包括:
确定影响指标间互相影响的因素,并根据所述互相影响的因素建立所述影响指标的影响矩阵;
通过熵值法确定样本中交通事件的随机性和无序程度,根据所述交通事件的随机性和无序程度确定影响指标的离散程度;
根据离散程度推导出影响指标的变异程度和权重,并通过所述变异程度和权重修正影响矩阵,通过修正后的影响矩阵,对所述权重进行修正,获取修正后的影响指标的权重;
根据所述修正后的影响指标的权重,确定影响指标的权值。
可选的,对带有属性的多个样本进行训练,获取拥堵模型,包括:
将带有属性的多个样本导入至带有无监督的K-means++聚类算法的训练模型中,对所述带有属性的样本基于无监督的K-means++聚类算法进行多次模拟运算,将属性值大于预设值的样本分配到同一类中,并确定样本的共同属性特征,根据所述共同属性特征对不同道路的优劣进行区分,并以不同道路的优劣表示小区周边道路的拥堵情况,并生成拥堵模型。
本发明还提出了一种用于预测道路拥堵状态的系统,包括:
指标确定单元,用于确定目标道路的道路类型,按照所述道路类型对所述目标道路进行模型化处理,以生成所述目标道路的道路模型,并根据所述道路模型确定影响目标道路拥堵的影响指标;
采集单元,用于采集所述目标道路不同时段的交通数据,将交通数据划分为多个样本,并确定每个样本中影响指标的权值,并将权值最大的影响指标作为所述样本的属性;
训练单元,用于对带有属性的多个样本进行训练,获取拥堵模型;
预测单元,用于将预测信息输入至所述拥堵模型,基于拥堵模型确定所述目标道路的拥堵状态;
所述预测信息,包括:目标时段以及目标道路的目标路段。
可选的,影响指标包括如下中的至少一种:车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。
可选的,不同时段,按照工作日、节假日以及工作日上下班高峰时间进行划分。
可选的,确定每个样本中影响指标的权值,包括:
确定影响指标间互相影响的因素,并根据所述互相影响的因素建立所述影响指标的影响矩阵;
通过熵值法确定样本中交通事件的随机性和无序程度,根据所述交通事件的随机性和无序程度确定影响指标的离散程度;
根据离散程度推导出影响指标的变异程度和权重,并通过所述变异程度和权重修正影响矩阵,通过修正后的影响矩阵,对所述权重进行修正,获取修正后的影响指标的权重;
根据所述修正后的影响指标的权重,确定影响指标的权值。
可选的,对带有属性的多个样本进行训练,获取拥堵模型,包括:
将带有属性的多个样本导入至带有无监督的K-means++聚类算法的训练模型中,对所述带有属性的样本基于无监督的K-means++聚类算法进行多次模拟运算,将属性值大于预设值的样本分配到同一类中,并确定样本的共同属性特征,根据所述共同属性特征对不同道路的优劣进行区分,并以不同道路的优劣表示小区周边道路的拥堵情况,并生成拥堵模型。
与现有技术相比,本发明的有益效果为:
本发明中采用熵值法确定影响指标的权值,采用无监督的Kmeans++聚类算法建立拥堵模型,通过拥堵模型可以准确量化小区周边道路交通拥堵这一主观因素带来的影响,结论直观,针对性强,在小区周边道路已有设计规划的基础上应用本发明,可有效避免交通拥堵的问题,做到道路的合理设计。
附图说明
图1为本发明的方法流程图;
图2为本发明的建立拥堵模型的流程图;
图3为本发明的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
实施例1:
本发明提出了一种用于预测道路拥堵状态的方法,如图1所示,包括:
步骤S1、确定目标道路的道路类型,按照所述道路类型对所述目标道路进行模型化处理,以生成所述目标道路的道路模型,并根据所述道路模型确定影响目标道路拥堵的影响指标;
步骤S2、采集所述目标道路不同时段的交通数据,将交通数据划分为多个样本,并确定每个样本中影响指标的权值,并将权值最大的影响指标作为所述样本的属性;
步骤S3、对带有属性的多个样本进行训练,获取拥堵模型;
步骤S4、将预测信息输入至所述拥堵模型,基于拥堵模型确定所述目标道路的拥堵状态;
所述预测信息,包括:目标时段以及目标道路的目标路段。
本实施例中目标道路为小区周边道路;
步骤S1中对小区周边道路进行模型化处理,即是根据小区道路已有规划,以及周边车辆通行情况,进行模型化分析;首先根据道路为T型、十字型、是否有红绿灯的情况进行简单分类,其次对道路的重要程度进行分类,贴近小区的道路,其同行情况对小区拥堵影响最大,并且在小区出入口等位置更易造成车辆、行人拥堵。此外,现实生活中道路错综复杂,本发明将实际道路网进行分类规整,将红绿灯、十字路口、掉头车道等会对车辆通行情况造成明显影响的道路情况进行分类。大多数实际车道可由上述模型拼接而成。
影响指标包括如下中的至少一种:车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。
车辆通行流量:计算日平均交通量,为单位时间内通过某段道路的车辆数。
行人通行流量:计算日平均交通量,为单位时间内通过某段道路的人数。
车辆事故率:针对小区进出口、弯道最容易发生交通事故的问题,车辆事故率为某一时间段内事故数占通过车辆总数的比重。
道路通行度:用做衡量道路的通行水平。实际上,通行流量和通行时间总体上成反比。根据通行流量和通行时间的关系,同时包括道路交通能力本身的影响,从而计算出各级道路的通行度得分。
步骤2中的不同时段,按照工作日、节假日以及工作日上下班高峰时间进行划分。
确定每个样本中影响指标的权值,包括:
确定影响指标间互相影响的因素,并根据所述互相影响的因素建立所述影响指标的影响矩阵;
通过熵值法确定样本中交通事件的随机性和无序程度,根据所述交通事件的随机性和无序程度确定影响指标的离散程度;
根据离散程度推导出影响指标的变异程度和权重,并通过所述变异程度和权重修正影响矩阵,通过修正后的影响矩阵,对所述权重进行修正,获取修正后的影响指标的权重;
根据所述修正后的影响指标的权重,确定影响指标的权值。
权重的确定采用熵值法,对于车流量、人流量等携带信息量较大的指标,其确定性越小,熵也就越小。因此熵值能够确定不同指标在反映信息可靠程度时所占的权重,从而能达到一种客观赋权的目的。
步骤S3中拥堵模型的建立,如图2所示,包括:
确定多个小区周边道路的道路类型,按照所述道路类型对所述多个小区周边道路进行模型化处理,以生成所述多个小区周边道路的道路模型,并根据所述道路模型确定影响多个小区周边道路拥堵的影响指标;
采集所述多个小区周边道路不同时段的交通数据,将交通数据划分为多个样本,并确定每个样本中影响指标的权值,并将权值最大的影响指标作为所述样本的属性;
将带有属性的样本导入至带有无监督的K-means++聚类算法的训练模型中,对所述带有属性的样本基于无监督的K-means++聚类算法进行多次模拟运算,将属性值大于预设值的样本分配到同一类中,并确定样本的共同属性特征,根据所述共同属性特征对不同道路的优劣进行区分,并以不同道路的优劣表示小区周边道路的拥堵情况,并生成拥堵模型。
实施例2:
本发明还提出了一种用于预测道路拥堵状态的系统200,如图3所示,包括:
指标确定单元201,用于确定目标道路的道路类型,按照所述道路类型对所述目标道路进行模型化处理,以生成所述目标道路的道路模型,并根据所述道路模型确定影响目标道路拥堵的影响指标;
采集单元202,用于采集所述目标道路不同时段的交通数据,将交通数据划分为多个样本,并确定每个样本中影响指标的权值,并将权值最大的影响指标作为所述样本的属性;
训练单元203,用于对带有属性的多个样本进行训练,获取拥堵模型;
预测单元204,用于将预测信息输入至所述拥堵模型,基于拥堵模型确定所述目标道路的拥堵状态;
所述预测信息,包括:目标时段以及目标道路的目标路段。
其中,影响指标包括如下中的至少一种:车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。
其中,不同时段,按照工作日、节假日以及工作日上下班高峰时间进行划分。
其中,确定每个样本中影响指标的权值,包括:
确定影响指标间互相影响的因素,并根据所述互相影响的因素建立所述影响指标的影响矩阵;
通过熵值法确定样本中交通事件的随机性和无序程度,根据所述交通事件的随机性和无序程度确定影响指标的离散程度;
根据离散程度推导出影响指标的变异程度和权重,并通过所述变异程度和权重修正影响矩阵,通过修正后的影响矩阵,对所述权重进行修正,获取修正后的影响指标的权重;
根据所述修正后的影响指标的权重,确定影响指标的权值。
其中,对带有属性的多个样本进行训练,获取拥堵模型,包括:
将带有属性的多个样本导入至带有无监督的K-means++聚类算法的训练模型中,对所述带有属性的样本基于无监督的K-means++聚类算法进行多次模拟运算,将属性值大于预设值的样本分配到同一类中,并确定样本的共同属性特征,根据所述共同属性特征对不同道路的优劣进行区分,并以不同道路的优劣表示小区周边道路的拥堵情况,并生成拥堵模型。
本发明中采用熵值法确定影响指标的权值,采用无监督的Kmeans++聚类算法建立拥堵模型,通过拥堵模型可以准确量化小区周边道路交通拥堵这一主观因素带来的影响,结论直观,针对性强,在小区周边道路已有设计规划的基础上应用本发明,可有效避免交通拥堵的问题,做到道路的合理设计。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种用于预测道路拥堵状态的方法,其特征在于,所述方法包括:
确定目标道路的道路类型,按照所述道路类型对所述目标道路进行模型化处理,以生成所述目标道路的道路模型,并根据所述道路模型确定影响目标道路拥堵的影响指标;
采集所述目标道路不同时段的交通数据,将交通数据划分为多个样本,并确定每个样本中影响指标的权值,并将权值最大的影响指标作为所述样本的属性;
对带有属性的多个样本进行训练,获取拥堵模型;
将预测信息输入至所述拥堵模型,基于拥堵模型确定所述目标道路的拥堵状态;
所述预测信息,包括:目标时段以及目标道路的目标路段。
2.根据权利要求1所述的方法,其特征在于,所述影响指标包括如下中的至少一种:车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。
3.根据权利要求1所述的方法,其特征在于,所述不同时段,按照工作日、节假日以及工作日上下班高峰时间进行划分。
4.根据权利要求1所述的方法,其特征在于,所述确定每个样本中影响指标的权值,包括:
确定影响指标间互相影响的因素,并根据所述互相影响的因素建立所述影响指标的影响矩阵;
通过熵值法确定样本中交通事件的随机性和无序程度,根据所述交通事件的随机性和无序程度确定影响指标的离散程度;
根据离散程度推导出影响指标的变异程度和权重,并通过所述变异程度和权重修正影响矩阵,通过修正后的影响矩阵,对所述权重进行修正,获取修正后的影响指标的权重;
根据所述修正后的影响指标的权重,确定影响指标的权值。
5.根据权利要求1所述的方法,其特征在于,所述对带有属性的多个样本进行训练,获取拥堵模型,包括:
将带有属性的多个样本导入至带有无监督的K-means++聚类算法的训练模型中,对所述带有属性的样本基于无监督的K-means++聚类算法进行多次模拟运算,将属性值大于预设值的样本分配到同一类中,并确定样本的共同属性特征,根据所述共同属性特征对不同道路的优劣进行区分,并以不同道路的优劣表示小区周边道路的拥堵情况,并生成拥堵模型。
6.一种用于预测道路拥堵状态的系统,其特征在于,所述系统包括:
指标确定单元,用于确定目标道路的道路类型,按照所述道路类型对所述目标道路进行模型化处理,以生成所述目标道路的道路模型,并根据所述道路模型确定影响目标道路拥堵的影响指标;
采集单元,用于采集所述目标道路不同时段的交通数据,将交通数据划分为多个样本,并确定每个样本中影响指标的权值,并将权值最大的影响指标作为所述样本的属性;
训练单元,用于对带有属性的多个样本进行训练,获取拥堵模型;
预测单元,用于将预测信息输入至所述拥堵模型,基于拥堵模型确定所述目标道路的拥堵状态;
所述预测信息,包括:目标时段以及目标道路的目标路段。
7.根据权利要求6所述的系统,其特征在于,所述影响指标包括如下中的至少一种:车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。
8.根据权利要求6所述的系统,其特征在于,所述不同时段,按照工作日、节假日以及工作日上下班高峰时间进行划分。
9.根据权利要求6所述的系统,其特征在于,所述确定每个样本中影响指标的权值,包括:
确定影响指标间互相影响的因素,并根据所述互相影响的因素建立所述影响指标的影响矩阵;
通过熵值法确定样本中交通事件的随机性和无序程度,根据所述交通事件的随机性和无序程度确定影响指标的离散程度;
根据离散程度推导出影响指标的变异程度和权重,并通过所述变异程度和权重修正影响矩阵,通过修正后的影响矩阵,对所述权重进行修正,获取修正后的影响指标的权重;
根据所述修正后的影响指标的权重,确定影响指标的权值。
10.根据权利要求6所述的系统,其特征在于,所述对带有属性的多个样本进行训练,获取拥堵模型,包括:
将带有属性的多个样本导入至带有无监督的K-means++聚类算法的训练模型中,对所述带有属性的样本基于无监督的K-means++聚类算法进行多次模拟运算,将属性值大于预设值的样本分配到同一类中,并确定样本的共同属性特征,根据所述共同属性特征对不同道路的优劣进行区分,并以不同道路的优劣表示小区周边道路的拥堵情况,并生成拥堵模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054879.9A CN115457766B (zh) | 2022-08-31 | 2022-08-31 | 一种用于预测道路拥堵状态的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054879.9A CN115457766B (zh) | 2022-08-31 | 2022-08-31 | 一种用于预测道路拥堵状态的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115457766A true CN115457766A (zh) | 2022-12-09 |
CN115457766B CN115457766B (zh) | 2023-08-08 |
Family
ID=84299930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211054879.9A Active CN115457766B (zh) | 2022-08-31 | 2022-08-31 | 一种用于预测道路拥堵状态的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457766B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604479A (zh) * | 2009-07-14 | 2009-12-16 | 北京交通大学 | 混合交通环境下平面信号交叉口服务水平的评价方法 |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN102855386A (zh) * | 2012-07-31 | 2013-01-02 | 北京市市政工程设计研究总院 | 一种人行道和非机动车道评价方法及装置 |
US20150262477A1 (en) * | 2014-03-11 | 2015-09-17 | Here Global B.V. | Probabilistic Road System Reporting |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测系统 |
CN108364467A (zh) * | 2018-02-12 | 2018-08-03 | 北京工业大学 | 一种基于改进型决策树算法的路况信息预测方法 |
CN109285347A (zh) * | 2018-09-26 | 2019-01-29 | 东莞绿邦智能科技有限公司 | 一种基于云平台的城市道路拥堵分析系统 |
JP2019101860A (ja) * | 2017-12-05 | 2019-06-24 | 株式会社日立製作所 | 混雑解析装置及び混雑解析方法 |
CN110232820A (zh) * | 2019-05-20 | 2019-09-13 | 北京世纪高通科技有限公司 | 一种路况预测模型的建立方法及装置 |
CN110889558A (zh) * | 2019-11-29 | 2020-03-17 | 北京世纪高通科技有限公司 | 路况预测方法及装置 |
CN112085947A (zh) * | 2020-07-31 | 2020-12-15 | 浙江工业大学 | 一种基于深度学习和模糊聚类的交通拥堵预测方法 |
CN112348152A (zh) * | 2020-11-05 | 2021-02-09 | 襄阳易捷达隆物联科技有限公司 | 基于改进层次分析法的交通拥堵疏导方法及系统 |
CN113256985A (zh) * | 2021-06-28 | 2021-08-13 | 智道网联科技(北京)有限公司 | 一种交通拥堵预测方法、装置和电子设备 |
CN113723191A (zh) * | 2021-07-30 | 2021-11-30 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
CN114595962A (zh) * | 2022-03-08 | 2022-06-07 | 济南市规划设计研究院 | 一种基于云物元模型的大学校园出入口对城市道路交通影响的评价方法 |
CN114742444A (zh) * | 2022-04-28 | 2022-07-12 | 青岛理工大学 | 一种基于博弈组合赋权的城市低碳客运交通结构评价方法 |
-
2022
- 2022-08-31 CN CN202211054879.9A patent/CN115457766B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604479A (zh) * | 2009-07-14 | 2009-12-16 | 北京交通大学 | 混合交通环境下平面信号交叉口服务水平的评价方法 |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN102855386A (zh) * | 2012-07-31 | 2013-01-02 | 北京市市政工程设计研究总院 | 一种人行道和非机动车道评价方法及装置 |
US20150262477A1 (en) * | 2014-03-11 | 2015-09-17 | Here Global B.V. | Probabilistic Road System Reporting |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测系统 |
JP2019101860A (ja) * | 2017-12-05 | 2019-06-24 | 株式会社日立製作所 | 混雑解析装置及び混雑解析方法 |
CN108364467A (zh) * | 2018-02-12 | 2018-08-03 | 北京工业大学 | 一种基于改进型决策树算法的路况信息预测方法 |
CN109285347A (zh) * | 2018-09-26 | 2019-01-29 | 东莞绿邦智能科技有限公司 | 一种基于云平台的城市道路拥堵分析系统 |
CN110232820A (zh) * | 2019-05-20 | 2019-09-13 | 北京世纪高通科技有限公司 | 一种路况预测模型的建立方法及装置 |
CN110889558A (zh) * | 2019-11-29 | 2020-03-17 | 北京世纪高通科技有限公司 | 路况预测方法及装置 |
CN112085947A (zh) * | 2020-07-31 | 2020-12-15 | 浙江工业大学 | 一种基于深度学习和模糊聚类的交通拥堵预测方法 |
CN112348152A (zh) * | 2020-11-05 | 2021-02-09 | 襄阳易捷达隆物联科技有限公司 | 基于改进层次分析法的交通拥堵疏导方法及系统 |
CN113256985A (zh) * | 2021-06-28 | 2021-08-13 | 智道网联科技(北京)有限公司 | 一种交通拥堵预测方法、装置和电子设备 |
CN113723191A (zh) * | 2021-07-30 | 2021-11-30 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
CN114595962A (zh) * | 2022-03-08 | 2022-06-07 | 济南市规划设计研究院 | 一种基于云物元模型的大学校园出入口对城市道路交通影响的评价方法 |
CN114742444A (zh) * | 2022-04-28 | 2022-07-12 | 青岛理工大学 | 一种基于博弈组合赋权的城市低碳客运交通结构评价方法 |
Non-Patent Citations (1)
Title |
---|
张立 等: "小区开放对道路通行的影响", 贵州科学, pages 17 - 22 * |
Also Published As
Publication number | Publication date |
---|---|
CN115457766B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
Ali et al. | CLACD: A complete LAne-Changing decision modeling framework for the connected and traditional environments | |
CN110782120A (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
CN108573600B (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
CN113988476A (zh) | 一种针对道路运输安全风险的动态评估预测方法 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN109035775B (zh) | 一种突发事件识别的方法及装置 | |
Abdullah et al. | Exploring the factors influencing traffic accidents: an analysis of black spots and decision tree for injury severity | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
Treboux et al. | A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed | |
CN115457766B (zh) | 一种用于预测道路拥堵状态的方法及系统 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN115416673A (zh) | 一种驾驶状态检测装置、方法、电子设备及车辆 | |
CN111260927B (zh) | 一种公路路网流量预测方法 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
JP2023005015A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
CN113850297A (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
CN112069376A (zh) | 交通信息可视化的数据处理方法、系统和存储介质 | |
CN117973636B (zh) | 一种通用交通气象短临预报方法、装置及存储介质 | |
CN111524354B (zh) | 基于语言模型的城市交通网络路径选择行为的预测方法、系统、介质及设备 | |
CN113344239B (zh) | 一种基于两级谱聚类的交通拥堵状况预测方法及系统 | |
CN114999155B (zh) | 一种车辆轨迹的拥堵评价方法、装置、设备及存储介质 | |
Heckendorn et al. | Machine Learning-Based High Fidelity Mesoscopic Modeling Tool for Traffic Network Optimization |
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 |