CN116431923A - 一种针对城市道路的交通出行预测方法、设备及介质 - Google Patents
一种针对城市道路的交通出行预测方法、设备及介质 Download PDFInfo
- Publication number
- CN116431923A CN116431923A CN202310473705.4A CN202310473705A CN116431923A CN 116431923 A CN116431923 A CN 116431923A CN 202310473705 A CN202310473705 A CN 202310473705A CN 116431923 A CN116431923 A CN 116431923A
- Authority
- CN
- China
- Prior art keywords
- traffic
- travel
- preference
- range
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种针对城市道路的交通出行预测方法、设备及介质,方法包括:接收用户针对城市道路的交通出行预测请求;对交通出行预测请求进行解析,确定用户的出行范围以及出行时间;获取出行范围在当前时间对应的第一交通数据,第一交通数据包括交通流量、交通速度;在城市道路的交通出行预测神经网络模型库中,确定出行范围对应的目标交通出行预测神经网络模型;根据目标交通出行预测神经网络模型、第一交通数据,生成出行范围在未来预设时长内的第二交通数据;获取用户在预设时间段内的历史出行信息,以确定用户的交通出行偏好;根据交通出行偏好、第二交通数据以及出行时间,生成用户的交通出行推荐信息。提高交通出行预测准确率。
Description
技术领域
本申请涉及交通技术领域,尤其涉及一种针对城市道路的交通出行预测方法、设备及介质。
背景技术
目前,城市交通出行人数越来越多,从而造成道路资源或者公共交通工具资源在某些特殊时间段内不够用,造成交通拥堵的情况,给人们的出行带来了很大的困扰。
因此,采用交通出行预测技术,通过对历史交通数据的分析,可以预测未来的交通情况,从而提供给出行者更好的出行建议。目前通常采用拍照进行获取到道路的车辆状态,预测未来一段时间内的交通情况,但是,由于交通类型多并且交通情况复杂,仅仅从图片上的车辆密度无法准确推断出用户将要出行范围内的每种交通类型的交通拥堵情况,从而为用户推荐的出行信息不全面也不准确,从而导致针对城市道路的交通出行预测准确率低。
发明内容
本申请实施例提供一种针对城市道路的交通出行预测方法、设备及介质,用于解决针对城市道路的交通出行预测准确率低的问题。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种针对城市道路的交通出行预测方法,该方法包括:接收用户针对城市道路的交通出行预测请求;对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间;所述出行范围包括出行起点位置坐标以及出行终点位置坐标;获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度;所述交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种;在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型;根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据;获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好;根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
一个示例中,所述在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型之前,所述方法还包括:确定所述城市道路的全网路况信息;对所述全网路况信息进行划分,得到所述城市道路的多个范围区域;其中,每个范围区域中各车道路况信息之间的相似度小于预设相似阈值;获取所述城市道路的样本交通数据,将样本交通数据作为输入,对初始神经网络模型进行有监督训练,得到所述城市道路的交通出行预测神经网络模型;根据每个范围区域的区域样本交通数据,对所述交通出行预测神经网络模型进行更新,得到所述每个范围区域的目标交通出行预测神经网络模型,以生成所述城市道路的交通出行预测神经网络模型库。
一个示例中,所述根据每个范围区域的区域样本交通数据,对所述交通出行预测神经网络模型进行更新,得到所述每个范围区域的目标交通出行预测神经网络模型,具体包括:对范围区域的区域样本交通数据进行拥堵偏好分析,确定所述范围区域的交通拥堵偏好;所述交通类型拥堵偏好能够表示处于拥堵状态的时长相对越长的交通类型;在预先构建的所述范围区域的映射表中,对所述交通类型拥堵偏好进行检索,确定所述区域样本交通数据对应的交通类型拥堵占比;根据所述交通类型拥堵占比,调整所述区域样本交通数据中相应交通类型数据的训练权重;基于调整的训练权重,将所述区域样本交通数据作为输入,对所述交通出行预测神经网络模型进行训练,得到所述范围区域的目标交通出行预测神经网络模型。
一个示例中,所述对范围区域的区域样本交通数据进行拥堵偏好分析,生成所述范围区域的交通拥堵偏好,具体包括:确定范围区域对应的多种交通类型;所述交通类型包括公交车、汽车、非机动车、地铁中的至少两种;对所述区域样本交通数据进行分类,得到每种交通类型的待分析交通数据;根据所述待分析交通数据,生成每种交通类型的拥堵时间区间;根据所述拥堵时间区间,确定每种交通类型的交通拥堵时间偏好;根据所述每种交通类型的交通拥堵时间偏好,生成所述范围区域的交通拥堵偏好。
一个示例中,所述根据所述历史出行信息,确定所述用户的交通出行偏好,具体包括:基于所述历史出行信息,提取所述用户在不同历史时间段内的出行交通类型;统计每种出行交通类型的次数;将超过预设第一次数阈值的出行交通类型确定为出行偏好交通类型;提取所述出行偏好交通类型在每个出行日期的出行时间;根据多个出行时间,确定所述用户针对每天的多个出行时间区间;其中,每个出行时间区间的时长不超过预设出行时长;在所述预设时间段内,统计每个出行时间区间的出现次数;将超过预设第二次数阈值的出行时间区间确定为出行偏好时间区间;根据所述出行偏好时间区间与所述出行偏好交通类型,确定所述用户的交通出行偏好。
一个示例中,所述根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息,具体包括:根据预设拥堵计算规则,对所述第二交通数据进行分析,确定在所述出行范围内,针对每种交通类型的交通拥堵等级;将所述交通拥堵等级低于预设等级阈值的交通类型作为待推荐交通类型;确定所述出行时间是否具有对应的出行偏好区间;若是,判断所述待推荐交通类型是否与所述对应的出行偏好区间的出行偏好交通类型具有匹配关系;若是,则根据具有匹配关系的待推荐交通类型,生成所述用户的交通出行推荐信息。
一个示例中,所述方法还包括:若所述出行时间不具有对应的出行偏好区间,则确定与所述出行时间之间时间差值最小的备选出行偏好区间;判断所述待推荐交通类型是否与所述备选出行偏好区间的出行偏好交通类型具有匹配关系;若是,则根据具有匹配关系的待推荐交通类型,生成所述用户的交通出行推荐信息;若否,则根据所述待推荐交通类型,生成所述用户的交通出行推荐信息。
一个示例中,所述根据预设拥堵计算规则,对所述第二交通数据进行分析,确定在所述出行范围内,针对每种交通类型的交通拥堵等级,具体包括:将所述第二交通数据中的交通流量在交通拥堵映射表中进行匹配,确定在所述出行范围内,针对每种交通类型的初始交通拥堵度;将所述第二交通数据中的交通速度在补偿映射表中进行匹配,确定每种交通类型的补偿等级;根据所述补偿等级,对所述初始交通拥堵度进行补偿;所述补偿等级越高,补偿的程度越高;根据补偿的所述初始交通拥堵度,确定针对每种交通类型的交通拥堵等级。
另一方面,本申请实施例提供了一种针对城市道路的交通出行预测设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:接收用户针对城市道路的交通出行预测请求;对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间;所述出行范围包括出行起点位置坐标以及出行终点位置坐标;获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度;所述交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种;在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型;根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据;获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好;根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
另一方面,本申请实施例提供了一种针对城市道路的交通出行预测非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:接收用户针对城市道路的交通出行预测请求;对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间;所述出行范围包括出行起点位置坐标以及出行终点位置坐标;获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度;所述交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种;在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型;根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据;获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好;根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
针对用户的交通出行预测请求,将确定出行范围对应的目标交通出行预测神经网络模型,从而基于目标交通出行预测神经网络模型以及出行范围内针对每种交通类型的第一交通数据,生成出行范围在未来预设时长内的第二交通数据,能够提高为不同范围区域定制相应的目标交通出行预测神经网络模型,提高了该范围区域内第二交通数据的预测准确率,以及结合了深度学习,提高了第二交通数据的预测效率。
然后继续考虑用户的交通出行偏好,最后结合交通出行偏好、第二交通数据以及出行时间,生成用户的全面地交通出行推荐信息,从而能够结合用户的出行习惯,为用户推荐既能满足用户出行需求又能满足用户出行习惯的交通出行推荐信息,给用户带来了良好的出行体验。
附图说明
为了更清楚地说明本申请的技术方案,下面将结合附图来对本申请的部分实施例进行详细说明,附图中:
图1为本申请实施例提供的一种针对城市道路的交通出行预测方法的流程示意图;
图2为本申请实施例提供的一种针对城市道路的交通出行设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种针对城市道路的交通出行预测方法的流程示意图。该流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
图1中的流程可以包括以下步骤:
S101:接收用户针对城市道路的交通出行预测请求。
其中,用户在交通出行预测平台输入交通出行预测请求,并将交通出行预测请求进行提交。
S102:对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间。
其中,出行范围包括出行起点位置坐标以及出行终点位置坐标。
S103:获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度。
其中,交通数据采集设备和传感器获取第一交通数据,交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种。
需要说明的是,针对于公共交通工具,地铁与公交车,可以通过分析交通卡数据和公共交通车辆GPS数据,可以随时把握用户乘坐公共交通工具的人数、上下车辆数据、进出车站的人数。从而得到地铁人流量、公交车人流量、公交车流量,以及公交车的交通速度。
需要说明的是,地铁的交通速度一般是预先设置好,无特殊情况不会发生变化,因此不需要计算地铁的交通速度。
针对汽车和非机动车,则可以通过车辆GPS数据,以及由交管部门安装的道路监控设备,还有应急、教育、城管等部门安装的监控网,特别是高清视频摄像头,可以准确记录车辆类型、车辆号牌、车辆速度等详细车辆信息,从而通过对车辆信息进行分析,得到汽车流量以及非机动车流量,以及对应汽车交通速度,非机动车交通速度。
从而能够利用大数据分析技术,可以采集更全面、更准确的交通数据,从而提高预测精度。
S104:在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型。
在本申请的一些实施例中,由于城市道路的路况并非全部一致,比如,路的宽窄,路旁边的建筑情况(是否具有建筑物,以及建筑物的类型)、路的坡度等。而路况不同,则导致交通拥堵情况是不同的。比如,路窄则比较容易在人流量大时造成交通拥堵,或者路的附近范围内具有写字楼,则也比较容易在特定时间点造成交通拥堵。针对此情况,将相似的路况划分为同一范围区域,针对每个范围区域的情况,定制目标交通出行预测神经网络模型,从而生成该城市道路的交通出行预测神经网络模型库。
具体地,首先确定城市道路的全网路况信息。然后,对全网路况信息进行划分,得到城市道路的多个范围区域。其中,每个范围区域中各车道路况信息之间的相似度小于预设相似阈值。
然后,获取城市道路的样本交通数据,将样本交通数据作为输入,对初始神经网络模型进行有监督训练,得到城市道路的交通出行预测神经网络模型。其中,在训练时,可以将当前时间输入的样本交通数据,所对应的在未来预设时长内的样本交通数据,作为标签。
从而,根据每个范围区域的区域样本交通数据,对交通出行预测神经网络模型进行更新,得到每个范围区域的目标交通出行预测神经网络模型,以生成城市道路的交通出行预测神经网络模型库。
需要说明的是,需要检索出行范围对应的范围区域,从而确定出行范围对应的目标交通出行预测神经网络模型。
进一步地,由于不同范围区域的交通拥堵情况不同,则对交通数据中每种交通类型的数据占比进行适应性调整,从而对交通出行预测神经网络模型的输入权重进行更新。
具体地,首先,对范围区域的区域样本交通数据进行拥堵偏好分析,生成所述范围区域的交通拥堵偏好。
其中,首先,确定范围区域对应的多种交通类型。比如,交通类型包括公交车、汽车、非机动车、地铁。
然后,对区域样本交通数据进行分类,得到每种交通类型的待分析交通数据。然后,根据待分析交通数据,生成每种交通类型的拥堵时间区间,从而根据拥堵时间区间,确定每种交通类型的交通拥堵时间偏好。
需要说明的是,对待分析交通数据进行拥堵分析,确定范围区域内每种交通类型在不同时间的交通拥堵等级,从而基于在不同时间的交通拥堵等级,确定每种交通类型的交通拥堵时间偏好。
需要说明的是,交通拥堵时间偏好能够表示每种交通类型在处于拥堵状态的多个时间区间,即,每种交通类型的交通拥堵等级高于预设拥堵等级的时间区间。也就是说,在每天中,按照每种交通类型的拥堵等级,对每天的时间进行划分时间区间,每个时间区间代表了不同的交通拥堵等级。
然后,根据每种交通类型的交通拥堵时间偏好,确定范围区域内的交通类型拥堵偏好。需要说明的是,交通类型拥堵偏好能够表示在处于拥堵状态的时长相对越长的交通类型。
然后,在预先构建的范围区域的映射表中,对交通类型拥堵偏好进行检索,确定区域样本交通数据对应的交通类型拥堵占比。需要说明的是,映射表中包括了该范围区域针对不同的交通类型拥堵偏好对应的不同情况的交通类型拥堵占比。可以理解的是,映射表可以反映出交通类型拥堵偏好对应的每个交通类型拥堵情况,所对应的每个交通类型的占比。
然后,根据交通类型拥堵占比,调整区域样本交通数据中相应交通类型数据的训练权重。
最后,基于调整的训练权重,将区域样本交通数据作为输入,对交通出行预测神经网络模型进行训练,得到范围区域的目标交通出行预测神经网络模型。
S105:根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据。
其中,可以利用数据清洗、去噪等技术,对采集到的交通数据进行预处理,得到高质量的第一交通数据,然后将第一交通数据输入目标交通出行预测神经网络模型,输出出行范围在未来预设时长内的第二交通数据。
S106:获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好。
在本申请的一些实施例中,由于每个用户的出行时间习惯是不一样的,以及针对一个用户,在不同时间的出行方式又是不一样的。因此,为了从用户的出行习惯上角度考虑,为用户定制推荐适合出行习惯的出行路线。
具体地,首先,基于历史出行信息,提取用户在不同历史时间段内的出行交通类型。然后,统计每种出行交通类型的次数。将超过预设第一次数阈值的出行交通类型确定为出行偏好交通类型。然后,提取出行偏好交通类型在每个出行日期的出行时间。然后,根据多个出行时间,确定用户针对每天的多个出行时间区间;其中,每个出行时间区间的时长不超过预设出行时长。
然后,在预设时间段内,统计每个出行时间区间的出现次数,然后,将超过预设第二次数阈值的出行时间区间确定为出行偏好时间区间。最后,根据出行偏好时间区间与出行偏好交通类型,确定用户的交通出行偏好。
S107:根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
在本申请的一些实施例中,首先,根据预设拥堵计算规则,对第二交通数据进行分析,确定在出行范围内,针对每种交通类型的交通拥堵等级。
其中,在生成交通拥堵等级时,考虑到可以从交通速度方面,反映出一定的拥堵情况。
因此,首先,将第二交通数据中的交通流量在交通拥堵映射表中进行匹配,确定在出行范围内,针对每种交通类型的初始交通拥堵度。
然后,将第二交通数据中的交通速度在补偿映射表中进行匹配,确定每种交通类型的补偿等级。需要说明的是,交通速度越低,补偿等级越高。
然后,根据补偿等级,对初始交通拥堵度进行补偿。其中,补偿等级越高,补偿的程度越高。
最后,根据补偿的初始交通拥堵度,确定针对每种交通类型的交通拥堵等级。
接下来,将交通拥堵等级低于预设等级阈值的交通类型作为待推荐交通类型。然后,确定出行时间是否具有对应的出行偏好区间。
若是,判断待推荐交通类型是否与对应的出行偏好区间的出行偏好交通类型具有匹配关系。
也就是说,待推荐交通类型可能有多个,那么在这多个中,确定是否具有用户的出行偏好交通类型。
若是,则根据具有匹配关系的待推荐交通类型,生成用户的交通出行推荐信息。
需要说明的是,若出行时间不具有对应的出行偏好区间,则确定与出行时间之间时间差值最小的备选出行偏好区间。判断待推荐交通类型是否与备选出行偏好区间的出行偏好交通类型具有匹配关系。
若是,则根据具有匹配关系的待推荐交通类型,生成用户的交通出行推荐信息。
需要说明的是,若不具有具有匹配关系的待推荐交通类型,则直接根据待推荐交通类型,生成用户的交通出行推荐信息。
需要说明的是,虽然本申请实施例是参照图1来对步骤S101至步骤S107依次进行介绍说明的,但这并不代表步骤S101至步骤S107必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S101至步骤S107依次进行介绍说明,是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说,在本申请实施例中,步骤S101至步骤S107之间的先后顺序可以根据实际需要进行适当调整。
通过图1的方法,针对用户的交通出行预测请求,将确定出行范围对应的目标交通出行预测神经网络模型,从而基于目标交通出行预测神经网络模型以及出行范围内针对每种交通类型的第一交通数据,生成出行范围在未来预设时长内的第二交通数据,能够提高为不同范围区域定制相应的目标交通出行预测神经网络模型,提高了该范围区域内第二交通数据的预测准确率,以及结合了深度学习,提高了第二交通数据的预测效率。
然后继续考虑用户的交通出行偏好,最后结合交通出行偏好、第二交通数据以及出行时间,生成用户的全面地交通出行推荐信息,从而能够结合用户的出行习惯,为用户推荐既能满足用户出行需求又能满足用户出行习惯的交通出行推荐信息,给用户带来了良好的出行体验。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图2为本申请实施例提供的一种针对城市道路的交通出行预测设备的结构示意图,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
接收用户针对城市道路的交通出行预测请求;
对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间;所述出行范围包括出行起点位置坐标以及出行终点位置坐标;
获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度;所述交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种;
在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型;
根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据;
获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好;
根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
本申请的一些实施例提供的对一种针对城市道路的交通出行预测非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
接收用户针对城市道路的交通出行预测请求;
对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间;所述出行范围包括出行起点位置坐标以及出行终点位置坐标;
获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度;所述交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种;
在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型;
根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据;
获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好;
根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等,均应落入本申请的保护范围之内。
Claims (10)
1.一种针对城市道路的交通出行预测方法,其特征在于,所述方法包括:
接收用户针对城市道路的交通出行预测请求;
对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间;所述出行范围包括出行起点位置坐标以及出行终点位置坐标;
获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度;所述交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种;
在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型;
根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据;
获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好;
根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
2.根据权利要求1所述的方法,其特征在于,所述在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型之前,所述方法还包括:
确定所述城市道路的全网路况信息;
对所述全网路况信息进行划分,得到所述城市道路的多个范围区域;其中,每个范围区域中各车道路况信息之间的相似度小于预设相似阈值;
获取所述城市道路的样本交通数据,将样本交通数据作为输入,对初始神经网络模型进行有监督训练,得到所述城市道路的交通出行预测神经网络模型;
根据每个范围区域的区域样本交通数据,对所述交通出行预测神经网络模型进行更新,得到所述每个范围区域的目标交通出行预测神经网络模型,以生成所述城市道路的交通出行预测神经网络模型库。
3.根据权利要求2所述的方法,其特征在于,所述根据每个范围区域的区域样本交通数据,对所述交通出行预测神经网络模型进行更新,得到所述每个范围区域的目标交通出行预测神经网络模型,具体包括:
对范围区域的区域样本交通数据进行拥堵偏好分析,确定所述范围区域的交通拥堵偏好;所述交通类型拥堵偏好能够表示处于拥堵状态的时长相对越长的交通类型;
在预先构建的所述范围区域的映射表中,对所述交通类型拥堵偏好进行检索,确定所述区域样本交通数据对应的交通类型拥堵占比;
根据所述交通类型拥堵占比,调整所述区域样本交通数据中相应交通类型数据的训练权重;
基于调整的训练权重,将所述区域样本交通数据作为输入,对所述交通出行预测神经网络模型进行训练,得到所述范围区域的目标交通出行预测神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述对范围区域的区域样本交通数据进行拥堵偏好分析,生成所述范围区域的交通拥堵偏好,具体包括:
确定范围区域对应的多种交通类型;所述交通类型包括公交车、汽车、非机动车、地铁中的至少两种;
对所述区域样本交通数据进行分类,得到每种交通类型的待分析交通数据;
根据所述待分析交通数据,生成每种交通类型的拥堵时间区间;
根据所述拥堵时间区间,确定每种交通类型的交通拥堵时间偏好;
根据所述每种交通类型的交通拥堵时间偏好,生成所述范围区域的交通拥堵偏好。
5.根据权利要求1所述的方法,其特征在于,所述根据所述历史出行信息,确定所述用户的交通出行偏好,具体包括:
基于所述历史出行信息,提取所述用户在不同历史时间段内的出行交通类型;
统计每种出行交通类型的次数;
将超过预设第一次数阈值的出行交通类型确定为出行偏好交通类型;
提取所述出行偏好交通类型在每个出行日期的出行时间;
根据多个出行时间,确定所述用户针对每天的多个出行时间区间;其中,每个出行时间区间的时长不超过预设出行时长;
在所述预设时间段内,统计每个出行时间区间的出现次数;
将超过预设第二次数阈值的出行时间区间确定为出行偏好时间区间;
根据所述出行偏好时间区间与所述出行偏好交通类型,确定所述用户的交通出行偏好。
6.根据权利要求1所述的方法,其特征在于,所述根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息,具体包括:
根据预设拥堵计算规则,对所述第二交通数据进行分析,确定在所述出行范围内,针对每种交通类型的交通拥堵等级;
将所述交通拥堵等级低于预设等级阈值的交通类型作为待推荐交通类型;
确定所述出行时间是否具有对应的出行偏好区间;
若是,判断所述待推荐交通类型是否与所述对应的出行偏好区间的出行偏好交通类型具有匹配关系;
若是,则根据具有匹配关系的待推荐交通类型,生成所述用户的交通出行推荐信息。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若所述出行时间不具有对应的出行偏好区间,则确定与所述出行时间之间时间差值最小的备选出行偏好区间;
判断所述待推荐交通类型是否与所述备选出行偏好区间的出行偏好交通类型具有匹配关系;
若是,则根据具有匹配关系的待推荐交通类型,生成所述用户的交通出行推荐信息;
若否,则根据所述待推荐交通类型,生成所述用户的交通出行推荐信息。
8.根据权利要求6所述的方法,其特征在于,所述根据预设拥堵计算规则,对所述第二交通数据进行分析,确定在所述出行范围内,针对每种交通类型的交通拥堵等级,具体包括:
将所述第二交通数据中的交通流量在交通拥堵映射表中进行匹配,确定在所述出行范围内,针对每种交通类型的初始交通拥堵度;
将所述第二交通数据中的交通速度在补偿映射表中进行匹配,确定每种交通类型的补偿等级;
根据所述补偿等级,对所述初始交通拥堵度进行补偿;所述补偿等级越高,补偿的程度越高;
根据补偿的所述初始交通拥堵度,确定针对每种交通类型的交通拥堵等级。
9.一种针对城市道路的交通出行预测设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
接收用户针对城市道路的交通出行预测请求;
对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间;所述出行范围包括出行起点位置坐标以及出行终点位置坐标;
获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度;所述交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种;
在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型;
根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据;
获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好;
根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
10.一种针对城市道路的交通出行预测非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
接收用户针对城市道路的交通出行预测请求;
对所述交通出行预测请求进行解析,确定所述用户的出行范围以及出行时间;所述出行范围包括出行起点位置坐标以及出行终点位置坐标;
获取所述出行范围在当前时间对应的第一交通数据,所述第一交通数据包括交通流量、交通速度;所述交通流量包括地铁人流量、公交车人流量、汽车流量、公交车流量、非机动车流量中的至少两种;
在所述城市道路的交通出行预测神经网络模型库中,确定所述出行范围对应的目标交通出行预测神经网络模型;
根据所述目标交通出行预测神经网络模型、所述第一交通数据,生成所述出行范围在未来预设时长内的第二交通数据;
获取所述用户在预设时间段内的历史出行信息,根据所述历史出行信息,确定所述用户的交通出行偏好;
根据所述交通出行偏好、所述第二交通数据以及所述出行时间,生成所述用户的交通出行推荐信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473705.4A CN116431923B (zh) | 2023-04-24 | 2023-04-24 | 一种针对城市道路的交通出行预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473705.4A CN116431923B (zh) | 2023-04-24 | 2023-04-24 | 一种针对城市道路的交通出行预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116431923A true CN116431923A (zh) | 2023-07-14 |
CN116431923B CN116431923B (zh) | 2024-02-02 |
Family
ID=87079590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310473705.4A Active CN116431923B (zh) | 2023-04-24 | 2023-04-24 | 一种针对城市道路的交通出行预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116431923B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612115A (zh) * | 2024-01-24 | 2024-02-27 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
CN117744950A (zh) * | 2024-01-24 | 2024-03-22 | 深圳宇翊技术股份有限公司 | 出行需求分析方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288113A (zh) * | 2018-01-31 | 2018-07-17 | 民航成都电子技术有限责任公司 | 一种空港地面交通智能推荐方法 |
CN108492555A (zh) * | 2018-03-20 | 2018-09-04 | 青岛海信网络科技股份有限公司 | 一种城市路网交通状态评价方法及装置 |
US10074271B1 (en) * | 2017-06-02 | 2018-09-11 | Yandex Europe Ag | Methods and systems for generating a traffic prediction |
CN111666503A (zh) * | 2019-03-05 | 2020-09-15 | 百度在线网络技术(北京)有限公司 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
US10810883B1 (en) * | 2016-06-03 | 2020-10-20 | Uber Technologies, Inc. | Travel time estimation |
CN112749825A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
CN112766607A (zh) * | 2021-02-02 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 出行路线的推荐方法、装置、电子设备及可读存储介质 |
CN113822460A (zh) * | 2021-06-23 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种交通流量预测方法、装置、电子设备和存储介质 |
CN114693494A (zh) * | 2022-04-24 | 2022-07-01 | 南通大学 | 一种基于区块链的残疾人定制公共交通出行方法及系统 |
JP2023005015A (ja) * | 2021-06-28 | 2023-01-18 | 株式会社東芝 | 交通状況予測装置、および、交通状況予測方法 |
-
2023
- 2023-04-24 CN CN202310473705.4A patent/CN116431923B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10810883B1 (en) * | 2016-06-03 | 2020-10-20 | Uber Technologies, Inc. | Travel time estimation |
US10074271B1 (en) * | 2017-06-02 | 2018-09-11 | Yandex Europe Ag | Methods and systems for generating a traffic prediction |
CN108288113A (zh) * | 2018-01-31 | 2018-07-17 | 民航成都电子技术有限责任公司 | 一种空港地面交通智能推荐方法 |
CN108492555A (zh) * | 2018-03-20 | 2018-09-04 | 青岛海信网络科技股份有限公司 | 一种城市路网交通状态评价方法及装置 |
CN111666503A (zh) * | 2019-03-05 | 2020-09-15 | 百度在线网络技术(北京)有限公司 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
CN112749825A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
CN112766607A (zh) * | 2021-02-02 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 出行路线的推荐方法、装置、电子设备及可读存储介质 |
CN113822460A (zh) * | 2021-06-23 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种交通流量预测方法、装置、电子设备和存储介质 |
JP2023005015A (ja) * | 2021-06-28 | 2023-01-18 | 株式会社東芝 | 交通状況予測装置、および、交通状況予測方法 |
CN114693494A (zh) * | 2022-04-24 | 2022-07-01 | 南通大学 | 一种基于区块链的残疾人定制公共交通出行方法及系统 |
Non-Patent Citations (2)
Title |
---|
PING WANG等: "Fine-Grained Traffic Flow Prediction of Various Vehicle Types via Fusion of Multisource Data and Deep Learning Approaches", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, vol. 22, no. 11, pages 6921 - 6930, XP011886571, DOI: 10.1109/TITS.2020.2997412 * |
沈晴: "面向交通拥堵预测大数据的神经网络群组快速学习", 中国博士学位论文全文数据库 (信息科技辑), pages 140 - 10 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612115A (zh) * | 2024-01-24 | 2024-02-27 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
CN117744950A (zh) * | 2024-01-24 | 2024-03-22 | 深圳宇翊技术股份有限公司 | 出行需求分析方法、装置、设备及存储介质 |
CN117612115B (zh) * | 2024-01-24 | 2024-05-03 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
CN117744950B (zh) * | 2024-01-24 | 2024-07-02 | 深圳宇翊技术股份有限公司 | 出行需求分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116431923B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116431923B (zh) | 一种针对城市道路的交通出行预测方法、设备及介质 | |
US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
US12008896B2 (en) | System and method for detection and quantification of irregular traffic congestion | |
WO2019085807A1 (zh) | 一种路况信息获取方法及其设备、存储介质 | |
EP3322961B1 (en) | Methods and systems for detecting a closure and/or opening of a navigable element | |
Soria et al. | Assessment of car-following models by driver type and under different traffic, weather conditions using data from an instrumented vehicle | |
EP3344951B1 (en) | Method and system for detecting an open navigable element | |
Huang et al. | Travel time prediction using tree-based ensembles | |
CN105427602B (zh) | 一种车辆出行主题确定方法及装置 | |
CN104281709A (zh) | 交通信息瓦片地图的生成方法和系统 | |
WO2020035383A1 (en) | Method and system of recommending a place to park | |
CN113276874A (zh) | 一种车辆行驶轨迹处理方法及相关装置 | |
CN106940929B (zh) | 交通数据预测方法及装置 | |
Pirc et al. | Highway travel time estimation using multiple data sources | |
Raj et al. | Evaluation of perception and nonperception based approaches for modeling urban road level of service | |
Chu et al. | Discrete choice models for gap acceptance at urban expressway merge sections considering safety, road geometry, and traffic conditions | |
Lu et al. | A parking occupancy prediction approach based on spatial and temporal analysis | |
Xu et al. | Applying finite mixture models to New York City travel times | |
Provoost et al. | Short term prediction of parking area states using real time data and machine learning techniques | |
CN116386317A (zh) | 一种交通路口的车流量预测方法及装置 | |
So et al. | Methodology to Estimate Volume–Capacity Ratios at Traffic Signals Based on Upstream-Link Travel Times | |
CN115223359A (zh) | 一种对收费站预警的方法、装置、电子设备和存储介质 | |
Milia et al. | Forecasting Parking Search Times Using Big Data | |
Rahaman | Context-aware mobility analytics and trip planning |
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 |