CN116935642A - 基于物联网的便捷出行管理方法 - Google Patents
基于物联网的便捷出行管理方法 Download PDFInfo
- Publication number
- CN116935642A CN116935642A CN202310919818.2A CN202310919818A CN116935642A CN 116935642 A CN116935642 A CN 116935642A CN 202310919818 A CN202310919818 A CN 202310919818A CN 116935642 A CN116935642 A CN 116935642A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- traffic
- traffic flow
- internet
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000007418 data mining Methods 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种基于物联网的便捷出行管理方法，包括：采集第一数据，所述第一数据包括交通流量数据信息、车辆位置信息、道路状态信息及气象信息；对所述第一数据进行数据处理，包括数据清洗、异常值处理以及噪声处理；将处理后的数据进行数据分析及可视化显示；利用交通流量数据，分析交通瓶颈、高峰时段、拥堵区域；对车辆位置信息进行分析，确定车辆分布、运行轨迹和速度，形成轨迹图；通过机器学习方法，对历史数据进行数据挖掘，预测交通流量、车辆位置和气象变化趋势，通过预测结果生成出行任务。本发明通过对获取的数据处理以及机器学习训练，够有效的分析和处理数据，提高数据的安全性和可靠性，确保各个设备能够更好的协同工作。
Description
技术领域
本发明涉及物联网出行管理技术领域，具体涉及一种基于物联网的便捷出行管理方法。
背景技术
随着科技的不断进步，物联网时代愈加成熟，城市的交通管理也被纳入智慧城市的范畴中，便捷式出行管理成为城市运行体系的重要组成部分。如今，物联网时代下的城市智慧交通管理不仅推动了城市交通运输的现代化，同时也给公众带来了无与伦比的出行体验。
目前，便捷出行管理方面存在一些问题，如数据安全和隐私保护方面，便捷出行管理涉及到大量的个人和交通数据的收集、传输和处理。确保这些数据的安全性和隐私保护是一项重要的技术问题。需要采取安全的通信协议、数据加密和访问控制措施来防止数据泄露和潜在的安全威胁。便捷出行管理中产生的数据量巨大，包括车辆位置、路况信息、用户行为等。有效地管理和分析这些数据，提取有用的信息和洞察，以支持出行决策和优化出行服务，是一个技术上的挑战。另外便捷出行管理中产生的数据量巨大，包括车辆位置、路况信息、用户行为等。有效地管理和分析这些数据，提取有用的信息和洞察，以支持出行决策和优化出行服务，是一个技术上的挑战。
发明内容
本发明的目的在于提供一种基于物联网的便捷出行管理方法，能够有效的分析和处理数据，提高数据的安全性和可靠性，确保各个设备能够更好的协同工作。
根据本公开的一方面，提供了一种基于物联网的便捷出行管理方法，包括：采集第一数据，所述第一数据包括交通流量数据信息、车辆位置信息、道路状态信息及气象信息；对所述第一数据进行数据处理，包括数据清洗、异常值处理以及噪声处理；将处理后的数据进行数据分析及可视化显示；利用交通流量数据，分析交通瓶颈、高峰时段、拥堵区域；对车辆位置信息进行分析，确定车辆分布、运行轨迹和速度，形成轨迹图；通过机器学习方法，对历史数据进行数据挖掘，预测交通流量、车辆位置和气象变化趋势；通过预测结果生成出行任务。
根据本公开的一方面，对道路状态信息进行分析，具体包括如下步骤：
利用交通传感器和车辆位置信息，实时监测道路交通流量和车辆速度，通过拥堵监测，及时发现交通拥堵情况，生成拥堵数据报告；基于历史交通数据和实时交通信息，预测道路的通行时间；获取道路事实状态信息及交通流量分布信息，评估道路的安全性和风险。
根据本公开的一方面，通过预测结果生成出行任务，具体包括如下步骤：根据历史数据以及机器学习训练后的数据，创建出行信息；根据创建的出行信息拆分成多个关联的子任务；根据各子任务，调用应用程序，匹配交通预测交通状态信息。
根据本公开的一方面，所述数据清洗包括如下步骤：识别缺失值及异常值，通过插值法填补缺失值，并剔除异常值；将处理后的数据进行统一格式化，生成数据列表；剔除列表中的重复数据以及极端值；对清洗后的数据进行验证。
根据本公开的一方面，所述通过机器学习方法，预测交通流量、车辆位置和气象变化趋势，具体步骤如下：对数据进行特征工程处理，提取与预测相关的特征信息，所述特征信息包括时间特征、天气特征、节假日特征，历史位置数据、历史气象数据；数据划分，将数据集划分为训练集和测试集，训练集用于建立预测模型，测试集用于评估模型的性能；选择模型，根据预测任务的性质，选择机器学习模型，所述机器学习模型包括回归模型及时间序列分析方法
根据本公开的一方面，所述回归模型包括线性回归、决策树回归、支持向量机回归；所述时间序列分析方法包括ARIMA、Prophet。
由上述技术方案可知，本公开提出了一种基于物联网的便捷出行管理方法，通过对获取的数据处理以及机器学习训练，并通过对历史数据进行数据挖掘，预测交通流量、车辆位置和气象变化趋势方法，够有效的分析和处理数据，提高数据的安全性和可靠性，确保各个设备能够更好的协同工作。
附图说明
图1出示了根据本公开的基于物联网的便捷出行管理方法流程图。
具体实施方式
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，所描述的实施例仅仅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。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本公开提供了一种基于物联网的便捷出行管理方法，包括如下步骤：
S1:采集第一数据，所述第一数据包括交通流量数据信息、车辆位置信息、道路状态信息及气象信息；
收集交通流量数据、车辆位置信息、道路状态信息和气象信息，这些数据可以来自交通传感器、GPS定位设备、天气预报系统等，确保数据的准确性和完整性，将各类数据进行整合。
S2:对所述第一数据进行数据处理，包括数据清洗、异常值处理以及噪声处理；
数据收集和清洗：首先，收集历史交通流量、车辆位置和气象数据，并对数据进行清洗和预处理，处理缺失值、异常值和噪声。对数据进行特征工程处理，提取与预测相关的特征。对于交通流量预测，特征可以包括时间特征(如小时、星期几等)、天气特征(如温度、湿度等)、节假日特征等。对于车辆位置预测，特征可以包括历史位置数据、时间特征等。对于气象变化预测，特征可以包括历史气象数据、时间特征等，然后将数据集划分为训练集和测试集。
处理缺失值：对于存在缺失值的数据，可以采取不同的处理方法，一种常用的方法是删除包含缺失值的行或列，但要谨慎使用，以免丢失重要信息。另一种方法是使用插值法填补缺失值，如平均值、中位数或相关数据的插值。
异常值是与其他观测值明显不同的数据点，可能是由于测量误差或数据录入错误引起的。需要识别和处理异常值。可以使用统计方法，如标准差、箱线图等来检测和处理异常值。数据格式统一：确保数据的格式一致性，如日期格式、数值格式等。这有助于数据的比较和计算。检查数据中是否存在重复的记录，如果有重复值，需要将其去除，以避免对结果产生重复影响。检查数据中是否存在错误或不合理的数据，如不可能的极端值。这些错误数据可能是录入错误或系统故障引起的。需要进行验证和纠正。在数据清洗过程中，可能需要对数据进行转换，如单位换算、数据归一化等，以使数据更易于理解和处理。如果数据量过大，可以考虑进行数据采样，选取一部分样本来进行分析。这样可以减少计算资源的消耗，但要确保采样样本的代表性。在进行数据清洗时，应记录清洗过程的步骤和方法，以便复现和追溯数据清洗的过程。在完成数据清洗后，要对数据进行验证，确保清洗后的数据满足分析需求，并且准确无误。
S3:将处理后的数据进行数据分析及可视化显示，具体为：
利用交通传感器和车辆位置信息，实时监测道路交通流量和车辆速度，通过拥堵监测，及时发现交通拥堵情况，生成拥堵数据报告；基于历史交通数据和实时交通信息，预测道路的通行时间；获取道路事实状态信息及交通流量分布信息，评估道路的安全性和风险。
分析气象信息，特别是天气预报，可以帮助评估交通安全状况。对于恶劣天气条件(如暴雨、雪天、雾霾等)，交通管理部门可以采取措施警示驾驶员，限速或关闭某些道路，以确保道路通行的安全。
气象条件对交通流量有很大的影响。例如，在下雨天或下雪天，交通流量可能会增加，因为驾驶员可能会减速行驶，导致交通拥堵。通过分析气象信息，交通管理部门可以预测交通流量的变化，做出相应的交通调度和管理安排。
恶劣天气条件可能导致道路状况恶化，例如路面湿滑或结冰。通过分析气象信息，交通管理部门可以及时监测道路状况，采取必要的道路维护和处理措施，确保道路通行的安全性。
将数据进行可视化处理，通过图表、地图等方式展示交通流量、车辆位置、道路状态和气象信息的分布和变化趋势。可视化可以帮助快速了解数据特征和关联。
S4:利用交通流量数据，分析交通瓶颈、高峰时段、拥堵区域；
S5:对车辆位置信息进行分析，确定车辆分布、运行轨迹和速度，形成轨迹图；
S6:通过机器学习方法，对历史数据进行数据挖掘，预测交通流量、车辆位置和气象变化趋势，具体为：
对数据进行特征工程处理，提取与预测相关的特征信息，所述特征信息包括时间特征、天气特征、节假日特征，历史位置数据、历史气象数据；将数据集划分为训练集和测试集，训练集用于建立预测模型，测试集用于评估模型的性能；根据预测任务的性质，选择机器学习模型。
使用训练集对选择的模型进行训练，拟合模型参数，训练集用于建立预测模型，测试集用于评估模型的性能。根据预测任务的性质，选择合适的机器学习模型。对于交通流量和车辆位置预测，可以使用回归模型，如线性回归、决策树回归、支持向量机回归等。对于气象变化预测，可以使用时间序列分析方法，如ARIMA、Prophet等。
使用测试集对训练好的模型进行验证，计算预测结果与实际值的误差。根据验证结果，对模型进行调优，可以调整模型参数或尝试不同的模型结构，以提高预测性能。使用训练好的模型进行预测。根据实时的时间特征和气象信息(对于交通流量和车辆位置预测)，输入模型进行预测，得到预测结果。随着时间的推移，不断收集新的历史数据，更新模型并进行持续改进，以适应交通状况和气象变化的趋势。在实际应用中，持续监测模型的性能，并根据实际预测效果进行调整和改进，确保模型的准确性和可靠性。
S7:通过预测结果生成出行任务。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可消除的只读存储器(ErasableRead Only Memory，EROM)、软盘、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于物联网的便捷出行管理方法，其特征在于，包括：
采集第一数据，所述第一数据包括交通流量数据信息、车辆位置信息、道路状态信息及气象信息；
对所述第一数据进行数据处理，包括数据清洗、异常值处理以及噪声处理；
将处理后的数据进行数据分析及可视化显示；
利用交通流量数据，分析交通瓶颈、高峰时段、拥堵区域；
对车辆位置信息进行分析，确定车辆分布、运行轨迹和速度，形成轨迹图；
通过机器学习方法，对历史数据进行数据挖掘，预测交通流量、车辆位置和气象变化趋势；
通过预测结果生成出行任务。
2.根据权利要求1所述的基于物联网的便捷出行管理方法，其特征在于，对道路状态信息进行分析，具体包括如下步骤：
利用交通传感器和车辆位置信息，实时监测道路交通流量和车辆速度，通过拥堵监测，及时发现交通拥堵情况，生成拥堵数据报告；
基于历史交通数据和实时交通信息，预测道路的通行时间；
获取道路事实状态信息及交通流量分布信息，评估道路的安全性和风险。
3.根据权利要求1所述的基于物联网的便捷出行管理方法，其特征在于，通过预测结果生成出行任务，具体包括如下步骤：
根据历史数据以及机器学习训练后的数据，创建出行信息；
根据创建的出行信息拆分成多个关联的子任务；
根据各子任务，调用应用程序，匹配交通预测交通状态信息。
4.根据权利要求1所述的基于物联网的便捷出行管理方法，其特征在于，所述数据清洗包括如下步骤：
识别缺失值及异常值，通过插值法填补缺失值，并剔除异常值；
将处理后的数据进行统一格式化，生成数据列表；
剔除列表中的重复数据以及极端值；
对清洗后的数据进行验证。
5.根据权利要求1所述的基于物联网的便捷出行管理方法，其特征在于，所述通过机器学习方法，预测交通流量、车辆位置和气象变化趋势，具体步骤如下：
对数据进行特征工程处理，提取与预测相关的特征信息，所述特征信息包括时间特征、天气特征、节假日特征，历史位置数据、历史气象数据；
数据划分，将数据集划分为训练集和测试集，训练集用于建立预测模型，测试集用于评估模型的性能；
选择模型，根据预测任务的性质，选择机器学习模型，所述机器学习模型包括回归模型及时间序列分析方法。
6.根据权利要求5所述的基于物联网的便捷出行管理方法，其特征在于，所述回归模型包括线性回归、决策树回归、支持向量机回归；所述时间序列分析方法包括ARIMA、Prophet。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919818.2A CN116935642A (zh) | 2023-07-24 | 2023-07-24 | 基于物联网的便捷出行管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919818.2A CN116935642A (zh) | 2023-07-24 | 2023-07-24 | 基于物联网的便捷出行管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116935642A true CN116935642A (zh) | 2023-10-24 |
Family
ID=88385890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310919818.2A Pending CN116935642A (zh) | 2023-07-24 | 2023-07-24 | 基于物联网的便捷出行管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116935642A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238145A (zh) * | 2023-11-14 | 2023-12-15 | 山东纵云信息技术有限公司 | 一种基于大数据的智慧交通管理方法及系统 |
-
2023
- 2023-07-24 CN CN202310919818.2A patent/CN116935642A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238145A (zh) * | 2023-11-14 | 2023-12-15 | 山东纵云信息技术有限公司 | 一种基于大数据的智慧交通管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190303791A1 (en) | Predicting pipe failure | |
| Chien et al. | Dynamic travel time prediction with real-time and historic data | |
| US9111442B2 (en) | Estimating incident duration | |
| KR101617349B1 (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
| CN101187943B (zh) | 自动更新系统、自动更新方法及其程序 | |
| CN116935642A (zh) | 基于物联网的便捷出行管理方法 | |
| CN115565373B (zh) | 高速公路隧道事故实时风险预测方法、装置、设备及介质 | |
| Ma et al. | Estimation of the automatic vehicle identification based spatial travel time information collected in Stockholm | |
| Nasser et al. | A novel method for analyzing weather effect on smart city traffic | |
| Zhang et al. | A causal inference approach to measure the vulnerability of urban metro systems | |
| CN113821861A (zh) | 一种基于多元回归的路基路面压实质量测量方法和系统 | |
| CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
| Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
| Iqbal et al. | Predicting arterial breakdown probability: A data mining approach | |
| CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
| Kwon et al. | Modelling of winter road surface temperature (RST)—A GIS-based approach | |
| KR20220073567A (ko) | 빅데이터를 이용한 노면 상태 예측 시스템 | |
| Nguyen et al. | Bayesian heterogeneous degradation performance modeling with an unknown number of sub‐populations | |
| Qiao et al. | Estimating IRI based on pavement distress type, density, and severity: Insights from machine learning techniques | |
| Figueiras et al. | Visualisation and detection of road traffic events using complex event processing | |
| Kim et al. | Reinforcement learning approach to develop variable speed limit strategy using vehicle data and simulations | |
| Wang et al. | A geostatistical investigation into the effective spatiotemporal coverage of road weather information systems in Alberta, Canada | |
| Bansal | Biogeography-based optimization and support vector regression for freeway travel time prediction and feature selection | |
| Alghamdi et al. | Improving spatiotemporal traffic prediction in adversary weather conditions using hierarchical bayesian state space modeling | |
| Philip et al. | Time-series forecasting of road distress parameters using dynamic Bayesian belief networks |
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 |