CN116013083B - 一种基于电子地图数据的路网常发性交通状态识别方法 - Google Patents
一种基于电子地图数据的路网常发性交通状态识别方法 Download PDFInfo
- Publication number
- CN116013083B CN116013083B CN202310032347.3A CN202310032347A CN116013083B CN 116013083 B CN116013083 B CN 116013083B CN 202310032347 A CN202310032347 A CN 202310032347A CN 116013083 B CN116013083 B CN 116013083B
- Authority
- CN
- China
- Prior art keywords
- formula
- jth column
- ith row
- grids
- traffic
- 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 22
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 9
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 10
- 238000007726 management method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于电子地图数据的路网常发性交通状态识别方法，包括：1、通过ArcGIS确定研究区域并将研究区域划分成多个大小相等的网格；2、通过电子地图获得每个网格在不同时间段下的交通态势数据；3、计算所有时段下每个网格的交通状态的数量；4、计算所有时段下每个网格交通状态的比例；5、交通状态的比例与对应的阈值比较，确定网格的常发性交通状态。本发明将路网细分成一个个大小相同的网格，确定每个网格内常发性的交通状态，可以为管理者可以制定精度更高的交通规划和交通需求管理策略，以缓解城市交通拥堵的问题；城市的旅行者和通勤者可以提前绕道，选择更加通畅的路线，从而能提高通行效率。
Description
技术领域
本发明涉及智能交通控制技术领域，具体来说是一种基于电子地图数据的路网常发性交通状态识别方法。
背景技术
随着人口的增长和经济的发展，城市化进程加快，城市中车辆的数量越来越多。虽然道路和其他基础设施的建设也在攀升，但两者发展的不一致导致了城市交通拥堵的问题。交通拥堵问题越来越严重，尤其是在一些大城市。交通拥堵不仅给市民的出行和生活带来不便，影响了人们的出行率，也严重制约了城市的可持续发展，对环境造成了极大的破环和污染。常发性拥堵指的是在较长时间的持续下，某一空间中发生的由于交通流量超过了该路网的荷载能力而产生的交通拥堵现象。然而对于一个城市而言，并非所有道路交通都会拥堵，会产生拥堵的道路其拥堵频率、每次拥堵时间等情况也各有不同，因此为满足城市道路交通规划需要，有必要建立一个动态识别道路交通拥堵情况的方法。
随着城市化的发展，城市内部交通拥堵问题已经越来越凸显，传统的研究数据获取方式已不能满足现有研究的需求。例如使用传感器技术、雷达技术和视屏技术，这些现有的数据采集方法还有一些缺点，例如安装和设备维护需要大量的成本。随着电子地图的不断发展，大数据技术的逐渐成熟与普及，出行者在日常生活中使用导航软件的频率已经越来越高。作为交通领域内数据传输技术与大数据技术的领先者，电子地图企业掌握着日常交通生活中的绝大部分数据信息，掌握这些数据信息，则可以了解当前时刻路段的拥堵情况，对交通问题进行管控，也能够对未来的路况信息进行预测。
发明内容
本发明为克服现有技术的不足之处，提出了一种基于电子地图数据的路网常发性交通状态识别方法，以期能确定路网内常发性的交通状态，从而能制定精度更高的交通规划和交通需求管理策略，以缓解城市交通拥堵的问题。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于电子地图数据的路网常发性交通状态识别方法的特点在于，包括以下步骤：
步骤1、将电子地图中的目标区域划分成m×n个边长为l的网格，其中，m为行总数，n为列总数；
定义(i,j)为第i行第j列网格的坐标；其中，i∈[1,m]，j∈[1,n]；
定义当前时刻为第t个时刻，令第t+1个时刻与第t个时刻之间的间隔为Δt，其中，t∈[1,T]；T表示总时刻数；
获取所有网格的中点坐标，并从电子地图中获取第t个时刻下每个网格的交通状态，从而构成第t个时刻下每个网格的交通态势数据，所述交通状态包括：严重拥堵记为SC、拥堵记为FC、轻微拥堵记为MC和畅通记为UC；
步骤2、初始化j＝1；
步骤3、初始化i＝1；
步骤4、计算T个时刻下第i行第j列网格的各种交通状态的数量；
步骤4.1、根据式(1)计算T个时刻下第i行第j列网格的交通状态为严重拥堵的数量NumSC(i,j)；
式(1)中，表示第t个时刻下第i行第j列网格的交通状态是否严重拥堵，若此时是严重拥堵，则令/>否则令/>
步骤4.2、根据式(2)计算T个时刻下第i行第j列网格的交通状态为拥堵的数量NumFC(i,j)；
式(2)中，表示第t个时刻下第i行第j列网格的交通状态是否拥堵，若此时是拥堵，则令/>否则，令/>
步骤4.3、根据式(3)计算T个时刻下第i行第j列网格的交通状态为轻微拥堵的数量NumMC(i,j)；
式(3)中，表示第t个时刻下第i行第j列网格的交通状态是否轻微拥堵，若是轻微拥堵，则令/>否则，令/>
步骤4.4、根据式(4)计算T个时刻下第i行第j列网格的交通状态为畅通的数量NumUC(i,j)；
式(4)中，表示第t个时刻下第i行第j列网格的交通状态是否畅通，若是畅通，则令/>否则，令/>
步骤5、根据式(5)计算T个时刻下第i行第j列网格的所有交通状态的数目NumTotal(i,j)；
NumTotal(i,j)＝NumSC(i,j)+NumFC(i,j)+NumMC(i,j)+NumUC(i,j) (5)
步骤6、计算T个时刻下第i行第j列网格的各种交通状态的比例；
步骤6.1、根据式(6)计算T个时刻下第i行第j列网格的严重拥堵的比例γSC(i,j)；
步骤6.2、根据式(7)计算T个时刻下第i行第j列网格的拥堵的比例γFC(i,j)；
步骤6.3、根据式(8)计算T个时刻下第i行第j列网格的轻微拥堵的比例γMC(i,j)；
步骤6.4、根据式(9)计算T个时刻下第i行第j列网格的畅通的比例γUC(i,j)；
步骤7、判断是否满足式(10)，如果满足式(10)，则表示T个时刻下第i行第j列网格内的道路常发性拥挤，并执行步骤14；否则，执行步骤8；
γSC(i,j)≥θα (10)
式(10)中，θα表示严重拥堵比例阈值；
步骤8、判断是否满足式(11)，如果满足式(11)，则表示T个时刻下第i行第j列网格内的道路常发性拥挤，并执行步骤14；否则，执行步骤9；
γFC(i,j)≥θβ (11)
式(11)中，θβ表示拥堵比例阈值；
步骤9、判断是否满足式(12)，如果满足式(12)，则表示T个时刻下第i行第j列网格内的道路常发性拥挤，并执行步骤14；否则，执行步骤10；
γMC(i,j)≥θγ (12)
式(12)中，θγ表示轻微拥堵比例阈值；
步骤10、判断是否满足式(13)，如果满足式(13)，则表示T个时刻下第i行第j列网格内的道路畅通，并执行步骤14；否则，执行步骤11；
0＜γSC(i,j)＜θα (13)
步骤11、判断是否满足式(14)，如果满足式(14)，则表示T个时刻下第i行第j列网格内的道路畅通，并执行步骤14；否则，执行步骤12；
0＜γFC(i,j)＜θβ (14)
步骤12、判断是否满足式(15)，如果满足式(15)，则表示T个时刻下第i行第j列网格内的道路为畅通，并执行步骤14；否则，直接执行步骤14；
0＜γMC(i,j)＜θγ (15)
步骤13、判断是否满足式(16)，如果满足式(16)，表示网格内没有道路，并执行步骤14，否则，表示T个时刻下第i行第j列网格内的道路为畅通，并执行步骤14；
γUC(i,j)＝0 (16)
步骤14、输出T个时刻下第i行第j列网格的交通状态；
步骤15、判断是否满足式(17)，如果满足则执行步骤16，否则，执行步骤17；
i<m (17)
步骤16、将i+1的值赋值给i,并返回步骤4；
步骤17、判断是否满足式(18)，如果满足，则执行步骤18，否则，输出T个时刻下目标区域中所有网格的交通状态；
j<n (18)
步骤18、将j+1的值赋值给j，并返回步骤3。
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述路网常发性交通状态识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明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的特点在于，所述计算机程序被处理器运行时执行所述路网常发性交通状态识别方法的步骤。
与已有技术相比，本发明的有益技术效果体现在：
1、本发明将路网的研究范围细分分成一个个大小相同的网格区域，通过电子地图获取每个网格的实时的交通态势数据，通过算法再识别每个网格内的常发性的交通状态，使得研究的区域更加的小而精准，根据获得的整个路网交通状态的结果，管理者可以制定精度更高的交通规划和交通需求管理策略，以缓解城市交通拥堵的问题；城市的旅行者和通勤者可以提前绕道，选择更加通畅的路线，提高了通行效率。
2、本发明采用访问电子地图获得交叉口的实时交通态势数据，然后将采集的数据通过算法确定每个网格内的常发性交通状态，减少了设备的安装和维护的费用，减少了外部因素对数据采集时的干扰，提高了数据的准确性，进而提高了识别路网常发性交通状态发法的准确性和可靠性。
3、本发明识别没每个网格内的常发性交通状态，车辆可以提前切换路线，减少停车次数避免了车辆反复启停，为驾驶员创造较为良好的驾驶环境，减少了车辆尾气产生，从而降低了环境污染和增加能源消耗。
附图说明
图1为本发明的总体流程图；
图2为确定常发性交通状态的循环图；
图3为合肥市部分路网图；
图4为路网的研究范围图；
图5为研究范围网格化图。
具体实施方式
本实施例中，如图1所示，一种基于电子地图数据的路网常发性交通状态识别方法，包括以下步骤：
步骤1、将电子地图中的目标区域划分成m×n个边长为l的网格，其中，m为行总数，n为列总数；
定义(i,j)为第i行第j列网格的坐标；其中，i∈[1,m]，j∈[1,n]；
定义当前时刻为第t个时刻，令第t+1个时刻与第t个时刻之间的间隔为Δt，其中，t∈[1,T]；T表示总时刻数；
获取所有网格的中点坐标，并从电子地图中获取第t个时刻下每个网格的交通状态，从而构成第t个时刻下每个网格的交通态势数据，交通状态包括：严重拥堵记为SC、拥堵记为FC、轻微拥堵记为MC和畅通记为UC；
获得交通态势数据的步骤是：1、确定研究区域；2、道路矢量；3、整理道路数据；4、确定分析尺度；5、建立坐标系；6、获取交通态势数据；
如图2所示，为确定网格常发性交通状态的循环图；
步骤2、初始化j＝1；
步骤3、初始化i＝1；
步骤4、计算T个时刻下第i行第j列网格的各种交通状态的数量；
步骤4.1、根据式(1)计算T个时刻下第i行第j列网格的交通状态为严重拥堵的数量NumSC(i,j)；
式(1)中，表示第t个时刻下第i行第j列网格的交通状态是否严重拥堵，若此时是严重拥堵，则令/>否则令/>
步骤4.2、根据式(2)计算T个时刻下第i行第j列网格的交通状态为拥堵的数量NumFC(i,j)；
式(2)中，表示第t个时刻下第i行第j列网格的交通状态是否拥堵，若此时是拥堵，则令/>否则令/>
步骤4.3、根据式(3)计算T个时刻下第i行第j列网格的交通状态为轻微拥堵的数量NumMC(i,j)；
式(3)中，表示第t个时刻下第i行第j列网格的交通状态是否轻微拥堵，若此时是轻微拥堵，则令/>否则令/>
步骤4.4、根据式(4)计算T个时刻下第i行第j列网格的交通状态为畅通的数量NumUC(i,j)；
式(4)中，表示第t个时刻下第i行第j列网格的交通状态是否畅通，若此时是畅通，则令/>否则令/>
步骤5、根据式(5)计算T个时刻下第i行第j列网格的所有交通状态的数目NumTotal(i,j)；
NumTotal(i,j)＝NumSC(i,j)+NumFC(i,j)+NumMC(i,j)+NumUC(i,j) (5)
步骤6、计算T个时刻下第i行第j列网格的各种交通状态的比例；
步骤6.1、根据式(6)计算T个时刻下第i行第j列网格的严重拥堵的比例γSC(i,j)；
步骤6.2、根据式(7)计算T个时刻下第i行第j列网格的拥堵的比例γFC(i,j)；
步骤6.3、根据式(8)计算T个时刻下第i行第j列网格的轻微拥堵的比例γMC(i,j)；
步骤6.4、根据式(9)计算T个时刻下第i行第j列网格的畅通的比例γUC(i,j)；
步骤7、判断是否满足式(10)，如果满足式(10)，则表示T个时刻下第i行第j列网格内的道路为常发性拥挤，并执行步骤14；否则执行步骤8；
γSC(i,j)≥θα (10)
式(10)中，θα表示严重拥堵比例阈值；
步骤8、判断是否满足式(11)，如果满足式(11)，则表示T个时刻下第i行第j列网格内的道路为常发性拥挤，并执行步骤14；否则执行步骤9；
γFC(i,j)≥θβ (11)
式(11)中，θβ表示拥堵比例阈值；
步骤9、判断是否满足式(12)，如果满足式(12)，则表示T个时刻下第i行第j列网格内的道路为常发性拥挤，并执行步骤14；否则执行步骤10；
γMC(i,j)≥θγ (12)
式(12)中，θγ表示轻微拥堵比例阈值；
步骤10、判断是否满足式(13)，如果满足式(13)，则表示T个时刻下第i行第j列网格内的道路为畅通，并执行步骤14；否则执行步骤11；
0＜γSC(i,j)＜θα (13)
步骤11、判断是否满足式(14)，如果满足式(14)，则表示T个时刻下第i行第j列网格内的道路为畅通，并执行步骤14；否则执行步骤12；
0＜γFC(i,j)＜θβ (14)
步骤12、判断是否满足式(15)，如果满足式(15)，则表示T个时刻下第i行第j列网格内的道路为畅通，并执行步骤14；否则执行步骤14；
0＜γMC(i,j)＜θγ (15)
步骤13、判断是否满足式(16)，如果满足式(16)，表示网格内没有道路，并执行步骤14，否则，表示T个时刻下第i行第j列网格内的道路为畅通，并执行步骤14；
γUC(i,j)＝0 (16)
步骤14、输出T个时刻下第i行第j列网格的交通状态；
步骤15、判断是否满足式(17)，如果满足则执行步骤16，否则，执行步骤17；
i<m (17)
步骤16、将i+1的值赋值给i,并返回步骤4；
步骤17、判断是否满足式(18)，如果满足则执行步骤18，否则，执行步骤19；
j<n (18)
步骤18、将j+1的值赋值给j，并返回步骤3；
步骤19、输出T个时刻下目标区域中所有网格的交通状态。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行所述存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本实施例中，以合肥是为例，如图3所示，在ArcGIS里面生成路网图，如图4所示，确定路网的额研究范围，如图5所示，将研究范围划分成大小相同的网格，其中行数为37，列数为38，总共将研究区域分成了1026个网格，具体实施中每30分钟采集一次交通态势数据，时间为早上的7点开始到晚上的七点结束，然后连续采集一周的数据，来确定交通拥堵，其中，严重拥堵比例阈值为θα＝0.1，拥堵比例阈值为θβ＝0.3，轻微拥堵比例阈值为θγ＝0.5，确定网格(14，14)、(14，15)、(14，16)、(15，14)、(15，15)、(15，16)、(16，14)、(16，15)、(16，16)的常发性交通状态。
根据式(1)-式(4)计算网格(14，14)、(14，15)、(14，16)、(15，14)、(15，15)、(15，16)、(16，14)、(16，15)、(16，16)的严重拥堵、拥堵、轻微拥堵和畅通的数量，得到结果如表1所示：
表1严重拥堵、拥堵、轻微拥堵和畅通的数量
根据式(5)-式(8)计算，严重拥堵、拥堵和轻微拥堵所占的比列，得到的结果如表2所示：
NumTotal(i,j)＝NumSC(i,j)+NumFC(i,j)+NumMC(i,j)+NumUC(i,j) (5)
表2严重拥堵、拥堵和轻微拥堵的比例
根据式(10)-式(15)确定每个区域的常发性交通状态：
γSC(i，j)≥θα (10)
γFC(i，j)≥θβ (11)
γMC(i，j)≥θγ (12)
0＜γSC(i,j)＜θα (13)
0＜γFC(i,j)＜θβ (14)
0＜γMC(i，j)＜θγ (15)
网格(14，14)，γSC(i,j)＝0.1020≥θα＝0.1，属于常发性交通拥堵区域；
网格(14，15)，γSC(i,j)＝0.0680＜θα＝0.1，γFC(i,j)＝0.3061≥θβ＝0.3，属于常发性交通拥堵区域；
网格(14，16)，γSC(i,j)＝0.0544＜θα＝0.1，γFC(i,j)＝0.1497＜θβ＝0.3，γMC(i,j)＝0.5102≥θγ＝0.5，属于常发性交通拥堵区域；
网格(15，14)，γSC(i,j)＝0.0340＜θα＝0.1，γFC(i,j)＝0.0680＜θβ＝0.3，γMC(i,j)＝0.1020＜θγ＝0.5，属于畅通区域；
网格(15，15)，γSC(i,j)＝0.1361≥θα＝0.1，属于常发性交通拥堵区域；
网格(15，16)，γSC(i,j)＝0＜θα＝0.1，γFC(i,j)＝0.1020＜θβ＝0.3，γMC(i,j)＝0.2177＜θγ＝0.5，属于畅通区域；
网格(16，14)，γSC(i,j)＝0.0272＜θα＝0.1，γFC(i,j)＝0.3401≥θβ＝0.3，属于常发性交通拥堵区域；
网格(16，15)，γSC(i,j)＝0.0476＜θα＝0.1，γFC(i,j)＝0.0884＜θβ＝0.3，γMC(i,j)＝0.5442≥θγ＝0.5，属于常发性交通拥堵区域；
网格(16，16)，γSC(i,j)＝0，γFC(i,j)＝0，γMC(i,j)＝0，且γUC(i,j)＝0，说明此网格内不含有道路。
Claims (3)
1.一种基于电子地图数据的路网常发性交通状态识别方法，其特征在于，包括以下步骤：
步骤1、将电子地图中的目标区域划分成m×n个边长为l的网格，其中，m为行总数，n为列总数；
定义(i,j)为第i行第j列网格的坐标；其中，i∈[1,m]，j∈[1,n]；
定义当前时刻为第t个时刻，令第t+1个时刻与第t个时刻之间的间隔为Δt，其中，t∈[1,T]；T表示总时刻数；
获取所有网格的中点坐标，并从电子地图中获取第t个时刻下每个网格的交通状态，从而构成第t个时刻下每个网格的交通态势数据，所述交通状态包括：严重拥堵记为SC、拥堵记为FC、轻微拥堵记为MC和畅通记为UC；
步骤2、初始化j＝1；
步骤3、初始化i＝1；
步骤4、计算T个时刻下第i行第j列网格的各种交通状态的数量；
步骤4.1、根据式(1)计算T个时刻下第i行第j列网格的交通状态为严重拥堵的数量NumSC(i,j)；
式(1)中，表示第t个时刻下第i行第j列网格的交通状态是否严重拥堵，若此时是严重拥堵，则令/>否则令/>
步骤4.2、根据式(2)计算T个时刻下第i行第j列网格的交通状态为拥堵的数量NumFC(i,j)；
式(2)中，表示第t个时刻下第i行第j列网格的交通状态是否拥堵，若此时是拥堵，则令/>否则，令/>
步骤4.3、根据式(3)计算T个时刻下第i行第j列网格的交通状态为轻微拥堵的数量NumMC(i,j)；
式(3)中，表示第t个时刻下第i行第j列网格的交通状态是否轻微拥堵，若是轻微拥堵，则令/>否则，令/>
步骤4.4、根据式(4)计算T个时刻下第i行第j列网格的交通状态为畅通的数量NumUC(i,j)；
式(4)中，表示第t个时刻下第i行第j列网格的交通状态是否畅通，若是畅通，则令/>否则，令/>
步骤5、根据式(5)计算T个时刻下第i行第j列网格的所有交通状态的数目NumTotal(i,j)；
NumTotal(i,j)＝NumSC(i,j)+NumFC(i,j)+NumMC(i,j)+NumUC(i,j) (5)
步骤6、计算T个时刻下第i行第j列网格的各种交通状态的比例；
步骤6.1、根据式(6)计算T个时刻下第i行第j列网格的严重拥堵的比例γSC(i,j)；
步骤6.2、根据式(7)计算T个时刻下第i行第j列网格的拥堵的比例γFC(i,j)；
步骤6.3、根据式(8)计算T个时刻下第i行第j列网格的轻微拥堵的比例γMC(i,j)；
步骤6.4、根据式(9)计算T个时刻下第i行第j列网格的畅通的比例γUC(i,j)；
步骤7、判断是否满足式(10)，如果满足式(10)，则表示T个时刻下第i行第j列网格内的道路常发性拥挤，并执行步骤14；否则，执行步骤8；
γSC(i,j)≥θα (10)
式(10)中，θα表示严重拥堵比例阈值；
步骤8、判断是否满足式(11)，如果满足式(11)，则表示T个时刻下第i行第j列网格内的道路常发性拥挤，并执行步骤14；否则，执行步骤9；
γFC(i,j)≥θβ (11)
式(11)中，θβ表示拥堵比例阈值；
步骤9、判断是否满足式(12)，如果满足式(12)，则表示T个时刻下第i行第j列网格内的道路常发性拥挤，并执行步骤14；否则，执行步骤10；
γMC(i,j)≥θγ (12)
式(12)中，θγ表示轻微拥堵比例阈值；
步骤10、判断是否满足式(13)，如果满足式(13)，则表示T个时刻下第i行第j列网格内的道路畅通，并执行步骤14；否则，执行步骤11；
0＜γSC(i,j)＜θα (13)
步骤11、判断是否满足式(14)，如果满足式(14)，则表示T个时刻下第i行第j列网格内的道路畅通，并执行步骤14；否则，执行步骤12；
0＜γFC(i,j)＜θβ (14)
步骤12、判断是否满足式(15)，如果满足式(15)，则表示T个时刻下第i行第j列网格内的道路为畅通，并执行步骤14；否则，直接执行步骤14；
0＜γMC(i,j)＜θγ (15)
步骤13、判断是否满足式(16)，如果满足式(16)，表示网格内没有道路，并执行步骤14，否则，表示T个时刻下第i行第j列网格内的道路为畅通，并执行步骤14；
γUC(i,j)＝0 (16)
步骤14、输出T个时刻下第i行第j列网格的交通状态；
步骤15、判断是否满足式(17)，如果满足则执行步骤16，否则，执行步骤17；
i<m (17)
步骤16、将i+1的值赋值给i,并返回步骤4；
步骤17、判断是否满足式(18)，如果满足，则执行步骤18，否则，输出T个时刻下目标区域中所有网格的交通状态；
j<n (18)
步骤18、将j+1的值赋值给j，并返回步骤3。
2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述路网常发性交通状态识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
3.一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，所述计算机程序被处理器运行时执行权利要求1所述路网常发性交通状态识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310032347.3A CN116013083B (zh) | 2023-01-10 | 2023-01-10 | 一种基于电子地图数据的路网常发性交通状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310032347.3A CN116013083B (zh) | 2023-01-10 | 2023-01-10 | 一种基于电子地图数据的路网常发性交通状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116013083A CN116013083A (zh) | 2023-04-25 |
| CN116013083B true CN116013083B (zh) | 2024-03-12 |
Family
ID=86020966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310032347.3A Active CN116013083B (zh) | 2023-01-10 | 2023-01-10 | 一种基于电子地图数据的路网常发性交通状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116013083B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103956050A (zh) * | 2012-09-06 | 2014-07-30 | 北京交通发展研究中心 | 基于车辆行程数据的道路网运行评价方法 |
| CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
| CN106887137A (zh) * | 2015-12-15 | 2017-06-23 | 高德信息技术有限公司 | 拥堵事件提示方法及装置 |
| CN109345031A (zh) * | 2018-10-26 | 2019-02-15 | 江苏智通交通科技有限公司 | 基于交通流数据的协调干线线路规划方法及配置系统 |
| CN114783183A (zh) * | 2022-04-15 | 2022-07-22 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
| CN114863676A (zh) * | 2022-04-15 | 2022-08-05 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
| CN115100848A (zh) * | 2022-05-20 | 2022-09-23 | 同济大学 | 一种地面交通拥堵的出行溯源方法和系统 |
-
2023
- 2023-01-10 CN CN202310032347.3A patent/CN116013083B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103956050A (zh) * | 2012-09-06 | 2014-07-30 | 北京交通发展研究中心 | 基于车辆行程数据的道路网运行评价方法 |
| CN106887137A (zh) * | 2015-12-15 | 2017-06-23 | 高德信息技术有限公司 | 拥堵事件提示方法及装置 |
| CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
| CN109345031A (zh) * | 2018-10-26 | 2019-02-15 | 江苏智通交通科技有限公司 | 基于交通流数据的协调干线线路规划方法及配置系统 |
| CN114783183A (zh) * | 2022-04-15 | 2022-07-22 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
| CN114863676A (zh) * | 2022-04-15 | 2022-08-05 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
| CN115100848A (zh) * | 2022-05-20 | 2022-09-23 | 同济大学 | 一种地面交通拥堵的出行溯源方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116013083A (zh) | 2023-04-25 |
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 | |
| CN108550261B (zh) | 基于rfid电子车牌的城市交通od计算方法 | |
| 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 | |
| CN108335496B (zh) | 一种城市级交通信号优化方法与系统 | |
| CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
| CN102280031B (zh) | 一种基于浮动车数据的路口交通状态识别方法 | |
| CN103956050A (zh) | 基于车辆行程数据的道路网运行评价方法 | |
| CN110682905B (zh) | 基于行驶里程的时域中电池荷电状态参考变化量获取方法 | |
| CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
| CN114819305B (zh) | 一种基于碳排放度量尺度下的路径规划方法 | |
| CN111383449A (zh) | 路口通行预估方法、计算机设备和计算机可读存储介质 | |
| CN116572799B (zh) | 基于深度学习的动力电池荷电续航预测方法、系统及终端 | |
| CN110796317A (zh) | 一种基于需求预测的城市出租车调度方法 | |
| CN115527372B (zh) | 一种基于全局最优的智能交通实时诱导可变信息系统 | |
| CN109859475B (zh) | 一种基于dbscan密度聚类的交叉口信号控制方法、装置及系统 | |
| CN110132298B (zh) | 垃圾清运车的最短路径确定方法 | |
| CN116013083B (zh) | 一种基于电子地图数据的路网常发性交通状态识别方法 | |
| Kim et al. | Data-driven parking decisions: Proposal of parking availability prediction model | |
| CN116968767A (zh) | 基于多维数据融合的新能源汽车充电路径规划方法及系统 | |
| CN108873696B (zh) | 基于车载数据的城市道路过饱和预防控制建模方法 | |
| CN115860536A (zh) | 一种道路口拥挤率评价方法 | |
| CN111442783B (zh) | 一种优化路径规划的方法及终端 | |
| CN112735122A (zh) | 一种公共交通信号优先的相位切换方法 | |
| CN114862011B (zh) | 一种考虑拥挤状态的道路断面分时段交通需求估计方法 | |
| CN117541928B (zh) | 一种基于卷积神经网络的城市建筑物质存量估算方法及系统 |
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 |