CN115909720B - 一种交通网络状态预测方法及系统 - Google Patents
一种交通网络状态预测方法及系统 Download PDFInfo
- Publication number
- CN115909720B CN115909720B CN202211260904.9A CN202211260904A CN115909720B CN 115909720 B CN115909720 B CN 115909720B CN 202211260904 A CN202211260904 A CN 202211260904A CN 115909720 B CN115909720 B CN 115909720B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic
- information
- preset
- prediction result
- 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 32
- 238000012216 screening Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 14
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了一种交通网络状态预测方法及系统,涉及计算机应用技术领域,所述方法包括:通过根据预设交通路口,获取多条交通路线;遍历获取车辆状态信息和行人状态信息;根据车辆状态信息对预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;根据行人状态信息对预设交通路口的预设时间的人流拥堵状态进行预测,生成人流密度预测结果;预测生成车辆通行时长预测结果;判断车辆通行时长预测结果是否满足预设时长;若满足,生成交通网络状态预警信息,发送至交通管控端。解决了现有技术中交通网络状态预测考虑不全面、结果不准确的问题。达到了提高车辆通行时长预测结果准确性和有效性,进而提高预警管控质量的技术效果。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种交通网络状态预测方法及系统。
背景技术
随着社会的快速发展,私家车辆越来越多,给城市交通造成了更大的压力。现有技术中通过监测和计算各个交通路口的历史车流量等相关数据,从而对各个交通路口的交通网络状态进行规律寻找和预测,然而,由于忽略了各个交通路口的车辆和行人实时状态情况,导致交通网络状态的预测结果不准确,最终影响交通智能管控的实际效果。示范性的如某交通路口有多个行走速度不同的行人,路口车辆由于礼让行人需多次停车,对车辆实际通过路口的时间产生较大影响,进而影响路口的交通网络状态。因此,研究利用计算机技术对交通路口的实时车辆、行人状态进行监测分析,对于提高交通网络状态预测准确性、可靠性具有重要意义。
然而,现有技术中通过监测计算交通路口的车流量数据进行交通网络状态的预测,存在忽略车辆和行人状态对交通网络的影响,导致交通网络状态预测结果不准确,最终影响交通智能管控效果的技术问题。
发明内容
本发明的目的是提供一种交通网络状态预测方法及系统,用以解决现有技术中通过监测计算交通路口的车流量数据进行交通网络状态的预测,存在忽略车辆和行人状态对交通网络的影响,导致交通网络状态预测结果不准确,最终影响交通智能管控效果的技术问题。
鉴于上述问题,本发明提供了一种交通网络状态预测方法及系统。
第一方面,本发明提供了一种交通网络状态预测方法,所述方法通过一种交通网络状态预测系统实现,其中,所述方法包括:通过根据预设交通路口,获取多条交通路线;遍历所述多条交通路线,获取车辆状态信息和行人状态信息;根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果;根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果;判断所述车辆通行时长预测结果是否满足预设时长;若满足所述预设时长,生成交通网络状态预警信息,发送至交通管控端。
第二方面,本发明还提供了一种交通网络状态预测系统,用于执行如第一方面所述的一种交通网络状态预测方法,其中,所述系统包括:第一获取模块,所述第一获取模块用于根据预设交通路口,获取多条交通路线;第二获取模块,所述第二获取模块用于遍历所述多条交通路线,获取车辆状态信息和行人状态信息;第一生成模块,所述第一生成模块用于根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;第二生成模块,所述第二生成模块用于根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果;第三生成模块,所述第三生成模块用于根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果;判断模块,所述判断模块用于判断所述车辆通行时长预测结果是否满足预设时长;执行模块,所述执行模块用于若满足所述预设时长,生成交通网络状态预警信息,发送至交通管控端。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过根据预设交通路口,获取多条交通路线;遍历所述多条交通路线,获取车辆状态信息和行人状态信息;根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果;根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果;判断所述车辆通行时长预测结果是否满足预设时长;若满足所述预设时长,生成交通网络状态预警信息,发送至交通管控端。通过对预设交通路口的交通线路进行采集,实现了为后续分析预测路口车辆和行人状态提供线路基础的技术目标。通过分析各条交通线路上的车辆和行人状态信息,进而计算预测车辆和人流密度,为后续预测车辆通过路口的时间提供预测依据,提高车辆通行市场的预测准确性。通过分析预测车辆通行时长,进而对比分析生成交通网络状态预警信息,达到了提高车辆通行时长预测结果准确性和有效性,进而提高预警管控质量的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本发明一种交通网络状态预测方法的流程示意图;
图2为本发明一种交通网络状态预测方法中计算车辆密度预测结果的流程示意图;
图3为本发明一种交通网络状态预测方法中计算人流密度预测结果的流程示意图;
图4为本发明一种交通网络状态预测方法中生成车辆通行时长预测结果的流程示意图;
图5为本发明一种交通网络状态预测系统的结构示意图。
附图标记说明:
第一获取模块M100,第二获取模块M200,第一生成模块M300,第二生成模块M400,第三生成模块M500,判断模块M600,执行模块M700。
具体实施方式
本发明通过提供一种交通网络状态预测方法及系统,解决了现有技术中通过监测计算交通路口的车流量数据进行交通网络状态的预测,存在忽略车辆和行人状态对交通网络的影响,导致交通网络状态预测结果不准确,最终影响交通智能管控效果的技术问题。通过分析预测车辆通行时长,进而对比分析生成交通网络状态预警信息,达到了提高车辆通行时长预测结果准确性和有效性,进而提高预警管控质量的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
请参阅附图1,本发明提供了一种交通网络状态预测方法,其中,所述方法应用于一种交通网络状态预测系统,所述方法具体包括如下步骤:
步骤S100:根据预设交通路口,获取多条交通路线;
步骤S200:遍历所述多条交通路线,获取车辆状态信息和行人状态信息;
具体而言,所述一种交通网络状态预测方法应用于所述一种交通网络状态预测系统,可以通过分析各条交通线路上的车辆和行人状态信息,并计算预测车辆和人流密度,进而通过预测车辆通过路口的时间生成交通网络状态预警信息,提升交通预警和管控效果。
所述预设交通路口是指任意一个使用交通网络状态预测系统进行交通状态智能分析预测的路口。示范性的如某十字路口。对所述预设交通路口的交通线路进行采集,从而得到所述多条交通路线。示范性的如某十字路口包括东、西、南、北四个方向的大道,以及各条大道上分叉路口的多条分支道路。接着,对所述多条交通路线中的各条交通线路依次进行遍历,从而得到所述多条交通路线中的各条交通线路上的实时车辆、实时行人的相关数据信息,示范性的如某道路上行人位置、数量、行人性别和身高等特征信息,也就是采集所述车辆状态信息和所述行人状态信息。
通过对预设交通路口的各条交通路线依次进行实时状态采集,得到各条交通路线上的车辆和行人状态数据,实现了为后续分析预测路口车辆和行人状态提供线路基础,进而为预测预设交通路口的车辆通行时长提供全面、有效的数据信息的技术目标。
步骤S300:根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;
进一步的,如附图2所示,本发明步骤S300还包括:
步骤S310:从所述车辆状态信息中,提取车辆定位信息;
步骤S320:根据所述车辆定位信息判断定位车辆是否具有支路;
进一步的,本发明步骤S320还包括:
步骤S321:若具有支路,判断所述车辆状态信息是否具有车辆导航路线信息;
进一步的,本发明步骤S321还包括:
步骤S3211:若不具有,判断所述车辆状态信息是否具有当前时区的车辆惯用路线信息;
进一步的,本发明还包括如下步骤:
步骤S32111:若不具有,假设所述定位车辆通过所述预设交通路口。
步骤S3212:若具有,根据所述车辆惯用路线信息,判断所述定位车辆是否通过所述预设交通路口;
步骤S3213:若通过,从所述车辆状态信息中,提取所述车辆速度信息;
步骤S3214:根据所述车辆速度信息,计算所述车辆密度预测结果。
步骤S322:若具有,根据所述车辆导航路线信息,判断所述定位车辆是否通过所述预设交通路口;
步骤S323:若通过,从所述车辆状态信息中,提取所述车辆速度信息;
步骤S324:根据所述车辆速度信息,计算所述车辆密度预测结果。
步骤S330:若不具有支路,从所述车辆状态信息中,提取车辆速度信息;
步骤S340:根据所述车辆速度信息,计算车辆抵达时间;
步骤S350:根据所述车辆抵达时间,计算所述车辆密度预测结果。
具体而言,所述预设时间是指由实际交通网络状态预测需求等分析确定的交通路口预测时间。示范性的如预测某交通路口在每天下午五点至六点的交通网络状态,则将预设时间设置为下午五点至六点,提前存储在交通网络状态预测系统中。在基于所述预设时间对所述预设交通路口中各条交通路线依次进行车辆、行人状态信息采集,并得到所述车辆状态信息和行人状态信息后,针对性进行车俩拥堵状态的预测。
首先从所述车辆状态信息中提取任意一个车辆的位置信息,即所述车辆定位信息,并根据所述车辆定位信息判断所述任意一个车辆,即所述定位车辆是否具有支路。示范性的如某车辆在十字路口东西方向大道上自东向西行驶,且当前所处位置为接近十字路口中心15米处的左侧第一车道上,那么推测该车辆可能在达到十字路口后向左拐驶入南北方向大道,或者直接直行。根据判断结果,若定位车辆不具有支路,那么从所述车辆状态信息中提取所述定位车辆的速度信息,并根据所述车辆速度信息,计算车辆抵达预设目的地的时间。进一步,根据所述车辆抵达时间计算所述车辆密度预测结果。
进一步的,根据判断结果,若所述定位车辆具有支路,此时系统再次判断所述车辆状态信息是否具有车辆导航路线信息,如果所述车辆状态信息具有所述车辆导航路线信息,则系统直接基于所述车辆导航路线信息,分析判断所述定位车辆是否通过所述预设交通路口。当分析结果显示所述定位车辆需要通过所述预设交通路口时,系统自动从所述车辆状态信息中提取所述定位车辆的所述车辆速度信息,并根据所述车辆速度信息,计算所述车辆密度预测结果。然而,当所述车辆状态信息不具有所述车辆导航路线信息,则系统自动对所述车辆状态信息进行判断,确定所述定位车辆是否具有当前时区的车辆惯用路线信息,若具备则根据所述车辆惯用路线信息判断所述定位车辆是否通过所述预设交通路口。最终,所述定位车辆通过所述预设交通路口,则从所述车辆状态信息中提取所述车辆速度信息,并根据所述车辆速度信息,计算所述车辆密度预测结果。此外,如果所述车辆状态信息不具有当前时区的车辆惯用路线信息,则默认所述定位车辆需要通过所述预设交通路口。
通过基于所述车辆状态信息对的预设时间的车俩拥堵状态进行预测,并生成车辆密度预测结果,实现了为后续计算定位车辆通过预设交通路口的通行时间预测提供全面、可靠的数据基础的目标,达到了提高车辆通行时长预测准确性的技术效果。
步骤S400:根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果;
进一步的,如附图3所示,本发明步骤S400还包括:
步骤S410:从所述行人状态信息中,提取行人定位信息;
步骤S420:根据所述行人定位信息,筛除具有支路的行人群体,从所述行人状态信息中,提取剩余行人群体的行人速度信息;
步骤S430:根据所述行人速度信息,计算行人抵达时间;
步骤S440:根据所述行人抵达时间,计算所述人流密度预测结果。
具体而言,在基于所述预设时间对所述预设交通路口中各条交通路线依次进行车辆、行人状态信息采集,并得到所述车辆状态信息和行人状态信息后,针对性进行行人流动密度的预测。首先从所述行人状态信息中提取行人定位信息,并根据所述行人定位信息筛除具有支路的行人群体,也就是说,仅保留没有支路流动可能的行人的运动速度数据,即得到所述行人速度信息。进一步,根据所述行人速度信息,结合所述预设交通路口的长度数据等计算得到行人到达预设目的地的时间,即所述行人抵达时间。最后,根据所述行人抵达时间计算所述人流密度预测结果。通过基于所述行人状态信息对的预设时间的人流拥堵状态进行预测,并生成人流密度预测结果,实现了将行人流动考虑进后续计算定位车辆通过预设交通路口的通行时间预测中,从而提高数据分析全面性、可靠性的目标,达到了提高车辆通行时长预测准确性的技术效果。
步骤S500:根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果;
进一步的,如附图4所示,本发明步骤S500还包括:
步骤S510:获取所述预设交通路口的道路特征参数,其中,所述道路特征参数包括道路车道数量、交汇道路数量和红绿灯时限信息;
步骤S520:根据所述道路车道数量、所述交汇道路数量和所述红绿灯时限信息,基于交通管控数据库,筛选交通管控记录数据;
步骤S530:根据所述交通管控记录数据,获取车辆密度记录数据、人流密度记录数据和车辆通行时长记录数据;
步骤S540:基于循环神经网络,调取所述车辆密度记录数据、所述人流密度记录数据和所述车辆通行时长记录数据有监督学习,生成通行时间预测模型;
步骤S550:将所述车辆密度预测结果和所述人流密度预测结果输入所述通行时间预测模型,生成所述车辆通行时长预测结果。
具体而言,在依次分析计算得到所述车辆密度预测结果和所述人流密度预测结果后,进一步分析计算得到所述车辆通行时长预测结果。首先采集所述预设交通路口的道路特征参数,其中,所述道路特征参数包括道路车道数量、交汇道路数量和红绿灯时限信息,并根据所述道路车道数量、所述交汇道路数量和所述红绿灯时限信息,结合交通管控数据库筛选得到所述预设交通路口的交通管控记录数据。然后,根据所述交通管控记录数据,获取车辆密度记录数据、人流密度记录数据和车辆通行时长记录数据。接着,基于所述车辆密度记录数据、人流密度记录数据和车辆通行时长记录数据等相关历史数据记录情况,利用循环神经网络调取所述车辆密度记录数据、所述人流密度记录数据和所述车辆通行时长记录数据进行有监督学习,并生成通行时间预测模型。其中,所述循环神经网络是一种计算机学习方法,通过智能学习生成智能模型,可为后续智能分析提供模型基础,进而提高后续预测分析效率和准确率。最后,将所述车辆密度预测结果和所述人流密度预测结果输入所述通行时间预测模型,通过所述通行时间预测模型可以智能化分析得到所述车辆通行时长预测结果。通过基于历史交通管控记录数据训练得到通行时间预测模型,并通过通行时间预测模型智能化对所述车辆密度预测结果和所述人流密度预测结果进行智能化处理分析,从而得到车辆通行时长预测结果,达到了提高车辆通行时长预测准确性和可靠性、同时提高车辆通行时间的预测速度的技术效果。
步骤S600:判断所述车辆通行时长预测结果是否满足预设时长;
步骤S700:若满足所述预设时长,生成交通网络状态预警信息,发送至交通管控端。
具体而言,所述预设时长是指相关交通管控人员、专家等结合历史管控经验等,综合分析后确定的会造成预设交通路口拥堵的车辆通过路口时长数据,提前存储于交通网络状态预测系统中。在通行时间预测模型智能化分析得到所述车辆通行时长预测结果后,系统自动判断所述车辆通行时长预测结果是否满足所述预设时长,当所述车辆通行时长预测结果满足所述预设时长时,系统自动生成交通网络状态预警信息,用于表明当前车辆由于通过路口速度过慢,将会造成预设交通路口的拥堵,并将所述交通网络状态预警信息发送至交通管控端,进而相关交通管控人员基于预警信息进行交通管控约束,以避免造成预设交通路口拥堵。
综上所述,本发明所提供的一种交通网络状态预测方法具有如下技术效果:
通过根据预设交通路口,获取多条交通路线;遍历所述多条交通路线,获取车辆状态信息和行人状态信息;根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果;根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果;判断所述车辆通行时长预测结果是否满足预设时长;若满足所述预设时长,生成交通网络状态预警信息,发送至交通管控端。通过对预设交通路口的交通线路进行采集,实现了为后续分析预测路口车辆和行人状态提供线路基础的技术目标。通过分析各条交通线路上的车辆和行人状态信息,进而计算预测车辆和人流密度,为后续预测车辆通过路口的时间提供预测依据,提高车辆通行市场的预测准确性。通过分析预测车辆通行时长,进而对比分析生成交通网络状态预警信息,达到了提高车辆通行时长预测结果准确性和有效性,进而提高预警管控质量的技术效果。
实施例二
基于与前述实施例中一种交通网络状态预测方法,同样发明构思,本发明还提供了一种交通网络状态预测系统,请参阅附图5,所述系统包括:
第一获取模块M100,所述第一获取模块M100用于根据预设交通路口,获取多条交通路线;
第二获取模块M200,所述第二获取模块M200用于遍历所述多条交通路线,获取车辆状态信息和行人状态信息;
第一生成模块M300,所述第一生成模块M300用于根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;
第二生成模块M400,所述第二生成模块M400用于根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果;
第三生成模块M500,所述第三生成模块M500用于根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果;
判断模块M600,所述判断模块M600用于判断所述车辆通行时长预测结果是否满足预设时长;
执行模块M700,所述执行模块M700用于若满足所述预设时长,生成交通网络状态预警信息,发送至交通管控端。
进一步的,所述系统中的所述第一生成模块M300还用于:
从所述车辆状态信息中,提取车辆定位信息;
根据所述车辆定位信息判断定位车辆是否具有支路;
若不具有支路,从所述车辆状态信息中,提取车辆速度信息;
根据所述车辆速度信息,计算车辆抵达时间;
根据所述车辆抵达时间,计算所述车辆密度预测结果。
进一步的,所述系统中的所述第一生成模块M300还用于:
若具有支路,判断所述车辆状态信息是否具有车辆导航路线信息;
若具有,根据所述车辆导航路线信息,判断所述定位车辆是否通过所述预设交通路口;
若通过,从所述车辆状态信息中,提取所述车辆速度信息;
根据所述车辆速度信息,计算所述车辆密度预测结果。
进一步的,所述系统中的所述第一生成模块M300还用于:
若不具有,判断所述车辆状态信息是否具有当前时区的车辆惯用路线信息;
若具有,根据所述车辆惯用路线信息,判断所述定位车辆是否通过所述预设交通路口;
若通过,从所述车辆状态信息中,提取所述车辆速度信息;
根据所述车辆速度信息,计算所述车辆密度预测结果。
进一步的,所述系统中的所述第一生成模块M300还用于:
若不具有,假设所述定位车辆通过所述预设交通路口。
进一步的,所述系统中的所述第二生成模块M400还用于:
从所述行人状态信息中,提取行人定位信息;
根据所述行人定位信息,筛除具有支路的行人群体,从所述行人状态信息中,提取剩余行人群体的行人速度信息;
根据所述行人速度信息,计算行人抵达时间;
根据所述行人抵达时间,计算所述人流密度预测结果。
进一步的,所述系统中的所述第三生成模块M500还用于:
获取所述预设交通路口的道路特征参数,其中,所述道路特征参数包括道路车道数量、交汇道路数量和红绿灯时限信息;
根据所述道路车道数量、所述交汇道路数量和所述红绿灯时限信息,基于交通管控数据库,筛选交通管控记录数据;
根据所述交通管控记录数据,获取车辆密度记录数据、人流密度记录数据和车辆通行时长记录数据;
基于循环神经网络,调取所述车辆密度记录数据、所述人流密度记录数据和所述车辆通行时长记录数据有监督学习,生成通行时间预测模型;
将所述车辆密度预测结果和所述人流密度预测结果输入所述通行时间预测模型,生成所述车辆通行时长预测结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种交通网络状态预测方法和具体实例同样适用于本实施例的一种交通网络状态预测系统,通过前述对一种交通网络状态预测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种交通网络状态预测系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种交通网络状态预测方法,其特征在于,包括:
根据预设交通路口,获取多条交通路线;
遍历所述多条交通路线,获取车辆状态信息和行人状态信息;
根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;
根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果;
根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果;
判断所述车辆通行时长预测结果是否满足预设时长;
若满足所述预设时长,生成交通网络状态预警信息,发送至交通管控端;
其中,所述根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果,包括:
从所述车辆状态信息中,提取车辆定位信息;
根据所述车辆定位信息判断定位车辆是否具有支路;
若不具有支路,从所述车辆状态信息中,提取车辆速度信息;
根据所述车辆速度信息,计算车辆抵达时间;
根据所述车辆抵达时间,计算所述车辆密度预测结果;
根据所述车辆定位信息判断定位车辆是否具有支路,还包括:
若具有支路,判断所述车辆状态信息是否具有车辆导航路线信息;
若具有,根据所述车辆导航路线信息,判断所述定位车辆是否通过所述预设交通路口;
若通过,从所述车辆状态信息中,提取所述车辆速度信息;
根据所述车辆速度信息,计算所述车辆密度预测结果;
判断所述车辆状态信息是否具有车辆导航路线信息,还包括:
若不具有,判断所述车辆状态信息是否具有当前时区的车辆惯用路线信息;
若具有,根据所述车辆惯用路线信息,判断所述定位车辆是否通过所述预设交通路口;
若通过,从所述车辆状态信息中,提取所述车辆速度信息;
根据所述车辆速度信息,计算所述车辆密度预测结果;
判断所述车辆状态信息是否具有当前时区的车辆惯用路线信息,还包括:
若不具有,假设所述定位车辆通过所述预设交通路口。
2.如权利要求1所述的方法,其特征在于,所述根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果,包括:
从所述行人状态信息中,提取行人定位信息;
根据所述行人定位信息,筛除具有支路的行人群体,从所述行人状态信息中,提取剩余行人群体的行人速度信息;
根据所述行人速度信息,计算行人抵达时间;
根据所述行人抵达时间,计算所述人流密度预测结果。
3.如权利要求1所述的方法,其特征在于,所述根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果,包括:
获取所述预设交通路口的道路特征参数,其中,所述道路特征参数包括道路车道数量、交汇道路数量和红绿灯时限信息;
根据所述道路车道数量、所述交汇道路数量和所述红绿灯时限信息,基于交通管控数据库,筛选交通管控记录数据;
根据所述交通管控记录数据,获取车辆密度记录数据、人流密度记录数据和车辆通行时长记录数据;
基于循环神经网络,调取所述车辆密度记录数据、所述人流密度记录数据和所述车辆通行时长记录数据有监督学习,生成通行时间预测模型;
将所述车辆密度预测结果和所述人流密度预测结果输入所述通行时间预测模型,生成所述车辆通行时长预测结果。
4.一种交通网络状态预测系统,其特征在于,包括:
第一获取模块,所述第一获取模块用于根据预设交通路口,获取多条交通路线;
第二获取模块,所述第二获取模块用于遍历所述多条交通路线,获取车辆状态信息和行人状态信息;
第一生成模块,所述第一生成模块用于根据所述车辆状态信息对所述预设交通路口的预设时间的车俩拥堵状态进行预测,生成车辆密度预测结果;
第二生成模块,所述第二生成模块用于根据所述行人状态信息对所述预设交通路口的所述预设时间的人流拥堵状态进行预测,生成人流密度预测结果;
第三生成模块,所述第三生成模块用于根据所述车辆密度预测结果和所述人流密度预测结果进行通行时间预测,生成车辆通行时长预测结果;
判断模块,所述判断模块用于判断所述车辆通行时长预测结果是否满足预设时长;
执行模块,所述执行模块用于若满足所述预设时长,生成交通网络状态预警信息,发送至交通管控端;
所述第一生成模块还用于:
从所述车辆状态信息中,提取车辆定位信息;
根据所述车辆定位信息判断定位车辆是否具有支路;
若不具有支路,从所述车辆状态信息中,提取车辆速度信息;
根据所述车辆速度信息,计算车辆抵达时间;
根据所述车辆抵达时间,计算所述车辆密度预测结果;
若具有支路,判断所述车辆状态信息是否具有车辆导航路线信息;
若具有,根据所述车辆导航路线信息,判断所述定位车辆是否通过所述预设交通路口;
若通过,从所述车辆状态信息中,提取所述车辆速度信息;
根据所述车辆速度信息,计算所述车辆密度预测结果;
若不具有,判断所述车辆状态信息是否具有当前时区的车辆惯用路线信息;
若具有,根据所述车辆惯用路线信息,判断所述定位车辆是否通过所述预设交通路口;
若通过,从所述车辆状态信息中,提取所述车辆速度信息;
根据所述车辆速度信息,计算所述车辆密度预测结果;
若不具有,假设所述定位车辆通过所述预设交通路口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260904.9A CN115909720B (zh) | 2022-10-14 | 2022-10-14 | 一种交通网络状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260904.9A CN115909720B (zh) | 2022-10-14 | 2022-10-14 | 一种交通网络状态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909720A CN115909720A (zh) | 2023-04-04 |
CN115909720B true CN115909720B (zh) | 2023-12-26 |
Family
ID=86473428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211260904.9A Active CN115909720B (zh) | 2022-10-14 | 2022-10-14 | 一种交通网络状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909720B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06203292A (ja) * | 1993-01-07 | 1994-07-22 | Hitachi Ltd | 交通情報提供方法 |
CN101901546A (zh) * | 2010-04-29 | 2010-12-01 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
CN106355885A (zh) * | 2016-11-24 | 2017-01-25 | 深圳市永达电子信息股份有限公司 | 基于大数据分析平台的交通信号动态控制方法及系统 |
CN107123285A (zh) * | 2017-06-14 | 2017-09-01 | 苏州远征魂车船技术有限公司 | 一种智能道路通行管控装置 |
CN107301774A (zh) * | 2017-06-30 | 2017-10-27 | 深圳市金溢科技股份有限公司 | 交通拥堵预警方法、系统、车载单元和路侧单元 |
CN108269395A (zh) * | 2016-12-30 | 2018-07-10 | 大唐高鸿信息通信研究院(义乌)有限公司 | 适用于车载短距离通信网络交通拥塞预测和处理方法 |
CN113781815A (zh) * | 2021-08-31 | 2021-12-10 | 湖南湘旭交安光电高科技股份有限公司 | 车路协同环境下交叉路口动态绕行诱导控制方法、装置及存储介质 |
CN114694392A (zh) * | 2022-03-29 | 2022-07-01 | 东风汽车集团股份有限公司 | 一种基于车路协同的智能红绿灯路口高效通行方法 |
CN114882720A (zh) * | 2021-01-21 | 2022-08-09 | 广州汽车集团股份有限公司 | 智能路网的推送方法、推送装置及车辆 |
CN114973661A (zh) * | 2022-05-16 | 2022-08-30 | 深圳市中建恒峰电子有限公司 | 一种具备智能控制及交通流数据存储的交通信号灯 |
CN115049167A (zh) * | 2022-08-16 | 2022-09-13 | 北京市城市规划设计研究院 | 交通态势预测方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036638B (zh) * | 2014-06-10 | 2016-06-15 | 深圳市元征科技股份有限公司 | 一种实时路况监控方法和实时路况监控设备 |
-
2022
- 2022-10-14 CN CN202211260904.9A patent/CN115909720B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06203292A (ja) * | 1993-01-07 | 1994-07-22 | Hitachi Ltd | 交通情報提供方法 |
CN101901546A (zh) * | 2010-04-29 | 2010-12-01 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
CN106355885A (zh) * | 2016-11-24 | 2017-01-25 | 深圳市永达电子信息股份有限公司 | 基于大数据分析平台的交通信号动态控制方法及系统 |
CN108269395A (zh) * | 2016-12-30 | 2018-07-10 | 大唐高鸿信息通信研究院(义乌)有限公司 | 适用于车载短距离通信网络交通拥塞预测和处理方法 |
CN107123285A (zh) * | 2017-06-14 | 2017-09-01 | 苏州远征魂车船技术有限公司 | 一种智能道路通行管控装置 |
CN107301774A (zh) * | 2017-06-30 | 2017-10-27 | 深圳市金溢科技股份有限公司 | 交通拥堵预警方法、系统、车载单元和路侧单元 |
CN114882720A (zh) * | 2021-01-21 | 2022-08-09 | 广州汽车集团股份有限公司 | 智能路网的推送方法、推送装置及车辆 |
CN113781815A (zh) * | 2021-08-31 | 2021-12-10 | 湖南湘旭交安光电高科技股份有限公司 | 车路协同环境下交叉路口动态绕行诱导控制方法、装置及存储介质 |
CN114694392A (zh) * | 2022-03-29 | 2022-07-01 | 东风汽车集团股份有限公司 | 一种基于车路协同的智能红绿灯路口高效通行方法 |
CN114973661A (zh) * | 2022-05-16 | 2022-08-30 | 深圳市中建恒峰电子有限公司 | 一种具备智能控制及交通流数据存储的交通信号灯 |
CN115049167A (zh) * | 2022-08-16 | 2022-09-13 | 北京市城市规划设计研究院 | 交通态势预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115909720A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
D'Andrea et al. | Detection of traffic congestion and incidents from GPS trace analysis | |
CN109145954B (zh) | 一种基于多源时空数据的网约车出行安全评价方法及系统 | |
CN111583639B (zh) | 一种道路交通拥堵预警方法及系统 | |
US9564048B2 (en) | Origin destination estimation based on vehicle trajectory data | |
Chien et al. | Dynamic travel time prediction with real-time and historic data | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN100466010C (zh) | 异类交通信息实时融合方法 | |
CN114446049B (zh) | 基于社会价值取向的交通流预测方法、系统、终端及介质 | |
CN110555476A (zh) | 一种适用于人机混驾环境下智能车辆换道轨迹预测方法 | |
CN112991743A (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
CN109782751A (zh) | 用于自主系统性能和基准测试的方法和设备 | |
KR100865939B1 (ko) | 교통정보 안내 시스템 및 방법 | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
CN111986483A (zh) | 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质 | |
CN114495514A (zh) | 一种多源数据协同的车辆违规掉头热点区域识别方法 | |
Farid et al. | Estimation of short-term bus travel time by using low-resolution automated vehicle location data | |
CN104217591A (zh) | 动态路况检测方法及系统 | |
CN115909720B (zh) | 一种交通网络状态预测方法及系统 | |
AlRajie | Investigation of using microscopic traffic simulation tools to predict traffic conflicts between right-turning vehicles and through cyclists at signalized intersections | |
Noma-Osaghae et al. | The validity of a decentralised simulation-based system for the resolution of Road traffic congestion | |
Henclewood et al. | Real-time data driven arterial simulation for performance measures estimation | |
CN110827561A (zh) | 一种基于车辆的道路路况信息预报系统及方法 | |
Gore et al. | A hazard-based model to derive travel time under congested conditions | |
Joseph et al. | Investigation of deep learning methodologies in intelligent green transportation system |
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 |