CN116403411A - 基于多信号源的交通拥堵预测方法及系统 - Google Patents

基于多信号源的交通拥堵预测方法及系统 Download PDF

Info

Publication number
CN116403411A
CN116403411A CN202310671410.8A CN202310671410A CN116403411A CN 116403411 A CN116403411 A CN 116403411A CN 202310671410 A CN202310671410 A CN 202310671410A CN 116403411 A CN116403411 A CN 116403411A
Authority
CN
China
Prior art keywords
road
module
image data
prediction
service area
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
Application number
CN202310671410.8A
Other languages
English (en)
Other versions
CN116403411B (zh
Inventor
王呈敏
黄友杰
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.)
Shandong Xiehe University
Original Assignee
Shandong Xiehe University
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 Shandong Xiehe University filed Critical Shandong Xiehe University
Priority to CN202310671410.8A priority Critical patent/CN116403411B/zh
Publication of CN116403411A publication Critical patent/CN116403411A/zh
Application granted granted Critical
Publication of CN116403411B publication Critical patent/CN116403411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及道路交通管理技术领域，具体涉及基于多信号源的交通拥堵预测方法及系统，包括：控制终端，是系统的主控端，用于发出执行命令；构建模块，用于构建系统服务区域道路模型；接收模块，用于接收系统服务区域道路模型对应道路上监控设备实时采集到的图像数据；分析模块，用于获取接收模块接收到的图像数据，分析图像数据中存在的车辆数量；本发明能够以构建的系统服务区域道路模型作为数据采集目标，在系统服务区域道路模型中对应的各道路进行图像数据的采集，并对采集的图像数据进行车辆数量的计数，从而以此作为数据支持对系统服务区域道路模型中各道路的拥堵情况进行预测，进而为用户提供参考，在驾车出行时，规避拥堵道路。

Description

基于多信号源的交通拥堵预测方法及系统
技术领域
本发明涉及道路交通管理技术领域，具体涉及基于多信号源的交通拥堵预测方法及系统。
背景技术
交通，指从事旅客和货物运输及语言和图文传递的行业，包括运输和邮电两个方面，在国民经济中属于第三产业。运输有铁路、公路、水路、空路、管道五种方式，邮电包括邮政和电信两方面内容。
由于近年来国民经济的增长，购买汽车作为代步工具的人也随之增多，进而使得道路出现拥堵的概率随之增高，人们往往因道路拥堵而在驾车出行时出现延误。
为此，我们提出一种基于多信号源的交通拥堵预测方法及系统来辅助驾车出行用户规避因道路拥堵而造成的行程延误的问题。
发明内容
针对现有技术所存在的上述缺点，本发明提供了基于多信号源的交通拥堵预测方法及系统，解决了道路出现拥堵的概率随之增高，人们往往因道路拥堵而在驾车出行时出现延误的问题。
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，基于多信号源的交通拥堵预测系统，包括：
控制终端，是系统的主控端，用于发出执行命令；
构建模块，用于构建系统服务区域道路模型；
接收模块，用于接收系统服务区域道路模型对应道路上监控设备实时采集到的图像数据；
分析模块，用于获取接收模块接收到的图像数据，分析图像数据中存在的车辆数量；
上载模块，用于接收分析模块中分析到的图像数据中存在的车辆数量，参考图像数据对应监控设备、监控设备对应道路、道路对应系统服务区域道路模型中道路，以车辆数量对系统服务区域道路模型中各道路进行标记；
预测模块，用于读取完成车辆数量标记的系统服务区域道路模型，预测道路拥堵概率；
其中，预测模块运行结束时，系统服务区域道路模型中的所有标记同步抹除。
更进一步地，所述构建模块下级设置有子模块，包括：
输入单元，用于输入并储存电子地图；
选择单元，用于获取输入单元中储存的电子地图，在电子地图中选择道路；
其中，所述选择单元中于电子地图中选择的道路相互之间，每组道路均至少有一组其他道路其连接，选择单元选择的道路及集合即构建模块所构建的系统服务区域道路模型。
更进一步地，所述接收模块通过无线网络与系统服务区域道路模型对应道路上的监控设备连接，监控设备通过无线网络进行图像数据传输实时向接收模块反馈；
其中，所述接收模块内部设置有子模块，包括：
设定单元，用于设定接收模块运行时间戳及预测时间戳。
更进一步地，所述设定单元中设定的两组时间戳均通过系统端用户手动编辑设定，设定单元于系统初始运行时同步启动，设定单元设定的两组时间戳间隔时间不小于30min。
更进一步地，所述分析模块在获取图像数据时，所获取的图像数据为设定单元设定的接收模块运行时间戳时刻，系统服务区域道路模型对应道路上所有监控设备采集的图像数据，所述分析模块在图像数据中存在的车辆数量时，通过下式进行图像数据中车辆数量的计数求取，公式为：
Figure SMS_1
；
式中：
Figure SMS_2
为道路上处于（x，y）面域范围内车辆的数量；/>
Figure SMS_3
为方差；i为（x，y）面域范围的大小；u为（x，y）面域范围上可视面面积；q为误差损耗因子；K为车辆模型平面大小；
其中，因车辆处于道路上不存在重叠情况，故q的取值为1；
更进一步地，所述上载模块中对系统服务区域道路模型中各道路进行车辆数量标记时，同步对已标记车辆数量的道路进行行驶目标道路的标记；
其中，所述行驶目标道路为已标记车辆数量道路行进方向所连接的道路。
更进一步地，所述构建模块在构建系统服务区域道路模型时，对多行道路以并排分布的单行道路进行道路模型的构建。
更进一步地，所述预测模块预测道路拥堵概率时，预测目标道路为系统服务区域道路模型中所有道路，且应用设定单元中设定的预测时间戳进行预测；
其中，预测模块在预测道路拥堵概率时，通过下式进行道路拥堵概率请求，公式为：
Figure SMS_4
；
式中：
Figure SMS_6
为道路拥堵概率，行进方向为/>
Figure SMS_9
至/>
Figure SMS_11
；/>
Figure SMS_7
为拥堵预测目标道路的车辆数量；/>
Figure SMS_10
为拥堵预测目标道路的连接道路；α及β为/>
Figure SMS_12
及/>
Figure SMS_13
的权重因子；/>
Figure SMS_5
为接收模块（3）运行时间戳及预测时间戳的差值；/>
Figure SMS_8
为道路拥堵干扰系数。
更进一步地，所述控制终端通过介质电性连接有构建模块，所述构建模块下级通过介质电性连接有输入单元及选择单元，所述构建模块通过介质电性连接有接收模块，所述接收模块内部通过介质电性连接有设定单元，所述设定单元通过介质电性与控制终端相连接，所述接收模块通过介质电性连接有分析模块、上载模块及预测模块，所述预测模块通过介质电性与设定单元相连接。
第二方面，基于多信号源的交通拥堵预测方法，包括以下步骤：
步骤1：应用电子地图确认并构建系统服务区域道路模型；
步骤2：设定道路图像采集时间戳及预测时间戳，根据道路图像采集时间戳实时采集道路模型中各对应道路的图像数据；
步骤3：分析采集的图像数据中存在的车辆数量及道路模型中各道路相互之间关联性；
步骤4：选择拥堵预测目标道路，获取拥堵预测目标道路及其关联道路上存在的车辆数量；
步骤5：应用拥堵预测目标道路及其关联道路上存在的车辆数量，进行拥堵预测目标道路预测时间戳时刻的拥堵概率计算。
有益效果
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
本发明提供一种基于多信号源的交通拥堵预测系统，该系统在运行过程中，能够以构建的系统服务区域道路模型作为数据采集目标，在系统服务区域道路模型中对应的各道路进行图像数据的采集，并对采集的图像数据进行车辆数量的计数，从而以此作为数据支持对系统服务区域道路模型中各道路的拥堵情况进行预测，进而为用户提供参考，在驾车出行时，规避拥堵道路。
本发明中系统在运行时，还能够供用户端自主设定预测时间戳，通过设定的预测时间戳，能够更加适应用户使用需求，确保预测结果的即时性，从而以此提供用户出行参考，以便于规避拥堵路段，且有利于系统服务区域中各道路的行驶车辆分布均衡。
本发明采用构建系统服务区域道路模型的方式，能够提供以系统用户更加快捷明了的查看方式，提升了该系统在被用户使用时的使用体验，且进一步提供了一种基于多信号源的交通拥堵预测方法，通过该方法中的步骤执行，维护了系统运行的稳定。
附图说明
为了更清楚地说明本发明实施例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本发明的一些实施例，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为基于多信号源的交通拥堵预测系统的结构示意图；
图2为基于多信号源的交通拥堵预测方法的流程示意图；
图中的标号分别代表：1、控制终端；2、构建模块；21、输入单元；22、选择单元；3、接收模块；31、设定单元；4、分析模块；5、上载模块；6、预测模块。
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，下面将结合本发明实施例中的附图，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作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。
下面结合实施例对本发明作进一步的描述。
实施例一 本实施例的基于多信号源的交通拥堵预测系统，如图1所示，包括：
控制终端1，是系统的主控端，用于发出执行命令；
构建模块2，用于构建系统服务区域道路模型；
接收模块3，用于接收系统服务区域道路模型对应道路上监控设备实时采集到的图像数据；
分析模块4，用于获取接收模块3接收到的图像数据，分析图像数据中存在的车辆数量；
上载模块5，用于接收分析模块4中分析到的图像数据中存在的车辆数量，参考图像数据对应监控设备、监控设备对应道路、道路对应系统服务区域道路模型中道路，以车辆数量对系统服务区域道路模型中各道路进行标记；
预测模块6，用于读取完成车辆数量标记的系统服务区域道路模型，预测道路拥堵概率；
其中，预测模块6运行结束时，系统服务区域道路模型中的所有标记同步抹除；
构建模块2下级设置有子模块，包括：
输入单元21，用于输入并储存电子地图；
选择单元22，用于获取输入单元21中储存的电子地图，在电子地图中选择道路；
其中，选择单元22中于电子地图中选择的道路相互之间，每组道路均至少有一组其他道路其连接，选择单元22选择的道路及集合即构建模块2所构建的系统服务区域道路模型；
分析模块4在获取图像数据时，所获取的图像数据为设定单元31设定的接收模块3运行时间戳时刻，系统服务区域道路模型对应道路上所有监控设备采集的图像数据，分析模块4在图像数据中存在的车辆数量时，通过下式进行图像数据中车辆数量的计数求取，公式为：
Figure SMS_14
；
式中：
Figure SMS_15
为道路上处于（x，y）面域范围内车辆的数量；/>
Figure SMS_16
为方差；i为（x，y）面域范围的大小；u为（x，y）面域范围上可视面面积；q为误差损耗因子；K为车辆模型平面大小；
其中，因车辆处于道路上不存在重叠情况，故q的取值为1；
预测模块6预测道路拥堵概率时，预测目标道路为系统服务区域道路模型中所有道路，且应用设定单元31中设定的预测时间戳进行预测；
其中，预测模块6在预测道路拥堵概率时，通过下式进行道路拥堵概率请求，公式为：
Figure SMS_17
；
式中：
Figure SMS_19
为道路拥堵概率，行进方向为/>
Figure SMS_22
至/>
Figure SMS_23
；/>
Figure SMS_20
为拥堵预测目标道路的车辆数量；/>
Figure SMS_24
为拥堵预测目标道路的连接道路；α及β为/>
Figure SMS_25
及/>
Figure SMS_26
的权重因子；/>
Figure SMS_18
为接收模块（3）运行时间戳及预测时间戳的差值；/>
Figure SMS_21
为道路拥堵干扰系数。
在本实施例中，控制终端1控制构建模块2运行构建系统服务区域道路模型，接收模块3同步的接收系统服务区域道路模型对应道路上监控设备实时采集到的图像数据，再由分析模块4获取接收模块3接收到的图像数据，分析图像数据中存在的车辆数量，上载模块5后置运行接收分析模块4中分析到的图像数据中存在的车辆数量，参考图像数据对应监控设备、监控设备对应道路、道路对应系统服务区域道路模型中道路，以车辆数量对系统服务区域道路模型中各道路进行标记，最后通过预测模块6读取完成车辆数量标记的系统服务区域道路模型，预测道路拥堵概率；
此外，通过上述公式的计算，能够对图像数据中的车辆数量进行求取，为后续道路拥堵概率计算求取提供必要的数据支持；
同时，由构建模块2下级设置的子模块，可够使得系统根据用户使用需求来确定系统服务区域，并同步完成了系统运行过程所应用的道路模型的构建。
实施例二 接收模块3通过无线网络与系统服务区域道路模型对应道路上的监控设备连接，监控设备通过无线网络进行图像数据传输实时向接收模块3反馈；
其中，接收模块3内部设置有子模块，包括：
设定单元31，用于设定接收模块3运行时间戳及预测时间戳。
如图1所示，设定单元31中设定的两组时间戳均通过系统端用户手动编辑设定，设定单元31于系统初始运行时同步启动，设定单元31设定的两组时间戳间隔时间不小于30min。
通过设定单元31的部署，能够进一步提供系统用户以更加适应性的协调，以便于系统用户通过设定单元31来修改接收模块3运行时间戳及预测时间戳，确保系统所系统的道路拥堵预测更加符合用户的出行需求。
如图1所示，上载模块5中对系统服务区域道路模型中各道路进行车辆数量标记时，同步对已标记车辆数量的道路进行行驶目标道路的标记；
其中，行驶目标道路为已标记车辆数量道路行进方向所连接的道路。
通过上述设置，为系统服务用户在使用该系统时，用户具备更加快捷明了的查看条件，以便于系统输出的道路拥堵信息被用户快速读取。
如图1所示，构建模块2在构建系统服务区域道路模型时，对多行道路以并排分布的单行道路进行道路模型的构建。
通过该设置，为系统运行的稳定提供了必要的条件约束，避免系统中构建的道路模型中各道路存在多条车流的情况。
如图1所示，控制终端1通过介质电性连接有构建模块2，构建模块2下级通过介质电性连接有输入单元21及选择单元22，构建模块2通过介质电性连接有接收模块3，接收模块3内部通过介质电性连接有设定单元31，设定单元31通过介质电性与控制终端1相连接，接收模块3通过介质电性连接有分析模块4、上载模块5及预测模块6，预测模块6通过介质电性与设定单元31相连接。
实施例三 基于多信号源的交通拥堵预测方法，包括以下步骤：
步骤1：应用电子地图确认并构建系统服务区域道路模型；
步骤2：设定道路图像采集时间戳及预测时间戳，根据道路图像采集时间戳实时采集道路模型中各对应道路的图像数据；
步骤3：分析采集的图像数据中存在的车辆数量及道路模型中各道路相互之间关联性；
步骤4：选择拥堵预测目标道路，获取拥堵预测目标道路及其关联道路上存在的车辆数量；
步骤5：应用拥堵预测目标道路及其关联道路上存在的车辆数量，进行拥堵预测目标道路预测时间戳时刻的拥堵概率计算。
综上而言，上述实施例中系统在运行过程中，能够以构建的系统服务区域道路模型作为数据采集目标，在系统服务区域道路模型中对应的各道路进行图像数据的采集，并对采集的图像数据进行车辆数量的计数，从而以此作为数据支持对系统服务区域道路模型中各道路的拥堵情况进行预测，进而为用户提供参考，在驾车出行时，规避拥堵道路；并且，系统在运行时，还能够供用户端自主设定预测时间戳，通过设定的预测时间戳，能够更加适应用户使用需求，确保预测结果的即时性，从而以此提供用户出行参考，以便于规避拥堵路段，且有利于系统服务区域中各道路的行驶车辆分布均衡；同时，采用构建系统服务区域道路模型的方式，能够提供以系统用户更加快捷明了的查看方式，提升了该系统在被用户使用时的使用体验，且进一步提供了一种基于多信号源的交通拥堵预测方法，通过该方法中的步骤执行，维护了系统运行的稳定。
以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于多信号源的交通拥堵预测系统，其特征在于，包括：
控制终端（1），是系统的主控端，用于发出执行命令；
构建模块（2），用于构建系统服务区域道路模型；
接收模块（3），用于接收系统服务区域道路模型对应道路上监控设备实时采集到的图像数据；
分析模块（4），用于获取接收模块（3）接收到的图像数据，分析图像数据中存在的车辆数量；
上载模块（5），用于接收分析模块（4）中分析到的图像数据中存在的车辆数量，参考图像数据对应监控设备、监控设备对应道路、道路对应系统服务区域道路模型中道路，以车辆数量对系统服务区域道路模型中各道路进行标记；
预测模块（6），用于读取完成车辆数量标记的系统服务区域道路模型，预测道路拥堵概率；
其中，预测模块（6）运行结束时，系统服务区域道路模型中的所有标记同步抹除。
2.根据权利要求1所述的基于多信号源的交通拥堵预测系统，其特征在于，所述构建模块（2）下级设置有子模块，包括：
输入单元（21），用于输入并储存电子地图；
选择单元（22），用于获取输入单元（21）中储存的电子地图，在电子地图中选择道路；
其中，所述选择单元（22）中于电子地图中选择的道路相互之间，每组道路均至少有一组其他道路其连接，选择单元（22）选择的道路及集合即构建模块（2）所构建的系统服务区域道路模型。
3.根据权利要求1所述的基于多信号源的交通拥堵预测系统，其特征在于，所述接收模块（3）通过无线网络与系统服务区域道路模型对应道路上的监控设备连接，监控设备通过无线网络进行图像数据传输实时向接收模块（3）反馈；
其中，所述接收模块（3）内部设置有子模块，包括：
设定单元（31），用于设定接收模块（3）运行时间戳及预测时间戳。
4.根据权利要求3所述的基于多信号源的交通拥堵预测系统，其特征在于，所述设定单元（31）中设定的两组时间戳均通过系统端用户手动编辑设定，设定单元（31）于系统初始运行时同步启动，设定单元（31）设定的两组时间戳间隔时间不小于30min。
5.根据权利要求1或3所述的基于多信号源的交通拥堵预测系统，其特征在于，所述分析模块（4）在获取图像数据时，所获取的图像数据为设定单元（31）设定的接收模块（3）运行时间戳时刻，系统服务区域道路模型对应道路上所有监控设备采集的图像数据，所述分析模块（4）在图像数据中存在的车辆数量时，通过下式进行图像数据中车辆数量的计数求取，公式为：
Figure QLYQS_1
；
式中：
Figure QLYQS_2
为道路上处于（x，y）面域范围内车辆的数量；/>
Figure QLYQS_3
为方差；i为（x，y）面域范围的大小；u为（x，y）面域范围上可视面面积；q为误差损耗因子；K为车辆模型平面大小；
其中，因车辆处于道路上不存在重叠情况，故q的取值为1。
6.根据权利要求1所述的基于多信号源的交通拥堵预测系统，其特征在于，所述上载模块（5）中对系统服务区域道路模型中各道路进行车辆数量标记时，同步对已标记车辆数量的道路进行行驶目标道路的标记；
其中，所述行驶目标道路为已标记车辆数量道路行进方向所连接的道路。
7.根据权利要求1所述的基于多信号源的交通拥堵预测系统，其特征在于，所述构建模块（2）在构建系统服务区域道路模型时，对多行道路以并排分布的单行道路进行道路模型的构建。
8.根据权利要求1或3所述的基于多信号源的交通拥堵预测系统，其特征在于，所述预测模块（6）预测道路拥堵概率时，预测目标道路为系统服务区域道路模型中所有道路，且应用设定单元（31）中设定的预测时间戳进行预测；
其中，预测模块（6）在预测道路拥堵概率时，通过下式进行道路拥堵概率请求，公式为：
Figure QLYQS_4
；
式中：
Figure QLYQS_6
为道路拥堵概率，行进方向为/>
Figure QLYQS_8
至/>
Figure QLYQS_11
；/>
Figure QLYQS_7
为拥堵预测目标道路的车辆数量；/>
Figure QLYQS_9
为拥堵预测目标道路的连接道路；α及β为/>
Figure QLYQS_12
及/>
Figure QLYQS_13
的权重因子；/>
Figure QLYQS_5
为接收模块（3）运行时间戳及预测时间戳的差值；/>
Figure QLYQS_10
为道路拥堵干扰系数。
9.根据权利要求1所述的基于多信号源的交通拥堵预测系统，其特征在于，所述控制终端（1）通过介质电性连接有构建模块（2），所述构建模块（2）下级通过介质电性连接有输入单元（21）及选择单元（22），所述构建模块（2）通过介质电性连接有接收模块（3），所述接收模块（3）内部通过介质电性连接有设定单元（31），所述设定单元（31）通过介质电性与控制终端（1）相连接，所述接收模块（3）通过介质电性连接有分析模块（4）、上载模块（5）及预测模块（6），所述预测模块（6）通过介质电性与设定单元（31）相连接。
10.基于多信号源的交通拥堵预测方法，所述方法是对如权利要求1-9中任意一项所述基于多信号源的交通拥堵预测系统的实施方法，其特征在于，包括以下步骤：
步骤1：应用电子地图确认并构建系统服务区域道路模型；
步骤2：设定道路图像采集时间戳及预测时间戳，根据道路图像采集时间戳实时采集道路模型中各对应道路的图像数据；
步骤3：分析采集的图像数据中存在的车辆数量及道路模型中各道路相互之间关联性；
步骤4：选择拥堵预测目标道路，获取拥堵预测目标道路及其关联道路上存在的车辆数量；
步骤5：应用拥堵预测目标道路及其关联道路上存在的车辆数量，进行拥堵预测目标道路预测时间戳时刻的拥堵概率计算。
CN202310671410.8A 2023-06-08 2023-06-08 基于多信号源的交通拥堵预测方法及系统 Active CN116403411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310671410.8A CN116403411B (zh) 2023-06-08 2023-06-08 基于多信号源的交通拥堵预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310671410.8A CN116403411B (zh) 2023-06-08 2023-06-08 基于多信号源的交通拥堵预测方法及系统

Publications (2)

Publication Number Publication Date
CN116403411A true CN116403411A (zh) 2023-07-07
CN116403411B CN116403411B (zh) 2023-08-11

Family

ID=87016512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310671410.8A Active CN116403411B (zh) 2023-06-08 2023-06-08 基于多信号源的交通拥堵预测方法及系统

Country Status (1)

Country Link
CN (1) CN116403411B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003148971A (ja) * 2001-11-07 2003-05-21 Equos Research Co Ltd ナビゲーション装置
KR100690279B1 (ko) * 2005-09-12 2007-03-09 주식회사 리트코 다목적 영상감지 시스템
US20100070253A1 (en) * 2008-09-12 2010-03-18 Yosuke Hirata Method and system for traffic simulation of road network
KR101123967B1 (ko) * 2010-12-31 2012-03-23 경희대학교 산학협력단 교통 정체 예측 시스템, 예측 방법 및 그 기록 매체
CN104484997A (zh) * 2014-12-24 2015-04-01 福州大学 一种基于视频图像技术的区域运动车流量检测方法
CN106023626A (zh) * 2016-06-17 2016-10-12 深圳市元征科技股份有限公司 一种交通拥堵提示方法、服务器及车载设备
CN109448367A (zh) * 2018-10-22 2019-03-08 卢伟涛 一种基于大数据图像采集的智能道路交通追踪管理系统
CN111768618A (zh) * 2020-06-04 2020-10-13 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警系统及方法
CN112132071A (zh) * 2020-09-27 2020-12-25 上海眼控科技股份有限公司 识别交通拥堵的处理方法、装置、设备及存储介质
CN112417953A (zh) * 2020-10-12 2021-02-26 腾讯科技（深圳）有限公司 道路状况检测和地图数据更新方法、装置、系统及设备
CN112818935A (zh) * 2021-03-02 2021-05-18 南京邮电大学 基于深度学习的多车道拥堵检测及持续时间预测方法及系统
CN112991719A (zh) * 2021-01-28 2021-06-18 北京奥泽尔科技发展有限公司 一种基于拥堵画像的交通拥堵预测方法及系统
CN115187932A (zh) * 2022-05-12 2022-10-14 安徽超清科技股份有限公司 一种基于人工智能的道路拥堵分析系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003148971A (ja) * 2001-11-07 2003-05-21 Equos Research Co Ltd ナビゲーション装置
KR100690279B1 (ko) * 2005-09-12 2007-03-09 주식회사 리트코 다목적 영상감지 시스템
US20100070253A1 (en) * 2008-09-12 2010-03-18 Yosuke Hirata Method and system for traffic simulation of road network
KR101123967B1 (ko) * 2010-12-31 2012-03-23 경희대학교 산학협력단 교통 정체 예측 시스템, 예측 방법 및 그 기록 매체
CN104484997A (zh) * 2014-12-24 2015-04-01 福州大学 一种基于视频图像技术的区域运动车流量检测方法
CN106023626A (zh) * 2016-06-17 2016-10-12 深圳市元征科技股份有限公司 一种交通拥堵提示方法、服务器及车载设备
CN109448367A (zh) * 2018-10-22 2019-03-08 卢伟涛 一种基于大数据图像采集的智能道路交通追踪管理系统
CN111768618A (zh) * 2020-06-04 2020-10-13 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警系统及方法
CN112132071A (zh) * 2020-09-27 2020-12-25 上海眼控科技股份有限公司 识别交通拥堵的处理方法、装置、设备及存储介质
CN112417953A (zh) * 2020-10-12 2021-02-26 腾讯科技（深圳）有限公司 道路状况检测和地图数据更新方法、装置、系统及设备
CN112991719A (zh) * 2021-01-28 2021-06-18 北京奥泽尔科技发展有限公司 一种基于拥堵画像的交通拥堵预测方法及系统
CN112818935A (zh) * 2021-03-02 2021-05-18 南京邮电大学 基于深度学习的多车道拥堵检测及持续时间预测方法及系统
CN115187932A (zh) * 2022-05-12 2022-10-14 安徽超清科技股份有限公司 一种基于人工智能的道路拥堵分析系统

Also Published As

Publication number Publication date
CN116403411B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN107330547B (zh) 一种城市公交动态调度优化方法及系统
CN106530781B (zh) 基于车联网分享路况信息的方法及系统
CN102903237B (zh) 交通管理服务装置以及交通管理服务方法
CN110298516B (zh) 一种基于客流od数据的拆分过长公交线路的方法、装置、移动端设备及服务器
WO2022152026A1 (zh) 交通拥堵检测方法、装置、电子设备及存储介质
CN109703389B (zh) 基于新能源公交车的车桩网一体化充电调度装置及方法
US6329932B1 (en) Method for determining traffic data and traffic information exchange
CN103106788A (zh) 路况采集和服务系统及方法
CN106056944A (zh) 行驶环境评价系统及行驶环境评价方法
CN105096590A (zh) 交通信息生成方法和交通信息生成设备
CN112785162A (zh) 基于智能车语义的高精地图众包数据质量评估方法与系统
Dressler et al. On the impact of human driver behavior on intelligent transportation systems
CN103903432A (zh) 用于确定路链拥堵状况的设备和方法
CN116403411B (zh) 基于多信号源的交通拥堵预测方法及系统
CN110556014A (zh) 智能公交调度平台系统
DE112016007166T5 (de) Kraftstoffwirkungsgrad-Schätzsystem, Kraftstoffwirkungsgrad-Schätzverfahren und Kraftstoffwirkungsgrad-Schätzprogramm
CN114078322B (zh) 一种公交运行状态评价方法、装置、设备及存储介质
CN113971885B (zh) 车速预测的方法、装置及系统
CN116844337A (zh) 基于车路协同的道路交通实时路况信息分析系统和方法
JP2001209883A (ja) 交通情報推定装置
CN105303246A (zh) 一种多线路公交到站时间预测方法
JP3355887B2 (ja) 旅行時間予測方法および旅行時間予測装置
CN113538887A (zh) 一种智能公交终端系统
CN114443752A (zh) 一种车辆载客推荐方法、网络设备和终端
CN106781470B (zh) 城市道路的运行速度的处理方法及装置

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