CN117475641A - 一种高速公路交通状态的检测方法、装置、设备及介质 - Google Patents
一种高速公路交通状态的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117475641A CN117475641A CN202311824932.3A CN202311824932A CN117475641A CN 117475641 A CN117475641 A CN 117475641A CN 202311824932 A CN202311824932 A CN 202311824932A CN 117475641 A CN117475641 A CN 117475641A
- Authority
- CN
- China
- Prior art keywords
- traffic
- section
- road section
- road
- expressway
- 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
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 128
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 238000000605 extraction Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种高速公路交通状态的检测方法、装置、设备及介质,所述方法包括:针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征;针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。根据所述方法和装置,提高了不同类型下高速公路交通状态检测的准确性。
Description
技术领域
本申请涉及交通状态监测技术领域,尤其是涉及一种高速公路交通状态的检测方法、装置、设备及介质。
背景技术
交通状态是交通需求、交通事件、道路通行能力综合作用下形成的。交通拥堵是通行能力不能满足通行需求的时产生的交通状态。随着交通需求的上升、交通事件频发并缺少有效的管控措施、道路通行能力缺乏深入分析导致了通行缓慢、堵塞或者中断的现象时有发生,极大地影响了通行效率和出行体验。
多年来行业内一直致力于通过智慧化手段提升道路运行管理能力,随着海量交通大数据的积累,借助于交通大数据分析技术,还原路网真实运行状态,实现数据的价值增值并为决策提供支持;基于通过历史交通信息、实时监测交通信息运用人工智能算法和大数据技术对未来交通信息进行有效地预测,辅以合理的诱导措施,有望缓解现阶段路网通行效率低的问题。
高速公路收费数据属于定点检测数据,检测节点包括门架和收费站,检测节点之间的距离差异较大,从几公里到数十公路不等,不同检测节点之间的流量差异较大,同时交通状态检测受到天气、特殊事件的因素影响,这些客观条件使实时交通检测所面临的挑战。因此,如何快速准确的对高速公路的交通状态进行检测成为了不容小觑的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种高速公路交通状态的检测方法、装置、设备及介质,将高速公路路段按照流量特征、路段中门架数量和相邻门架之间的距离进行类型划分,不同类型的高速公路路段使用不同的检测方法进行交通状态检测,提高了不同类型下高速公路交通状态检测的准确性。
第一方面,本申请实施例提供了一种高速公路交通状态的检测方法,所述检测方法包括:
基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型;其中,所述流量类型包括正常流量和低流量;
针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征;其中,所述目标路段类型为单源长距离路段、第一多源路段或第二多源路段中的任意一种;
针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
进一步的,当该高速公路路段对应的路段类型为所述单源长距离路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
利用第一预设距离阈值以及该高速公路路段的路段长度,将该高速公路路段划分成多个第一子路段;
基于所述路段长度和预设拥堵速度阈值确定出时间段,并提取大于或等于所述时间段内的该高速公路路段的第一上游门架通行数据和第一下游门架通行数据;
以第一预设周期为时间窗对所述第一上游门架通行数据和第一下游门架通行数据进行特征提取,计算该高速公路路段的上游门架特征和下游门架特征;
针对于多个第一子路段中以上游门架为起始点的目标第一子路段,将该高速公路路段的上游门架特征作为该目标第一子路段的起始节点对应的交通流特征,将该目标第一子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征;
将所述下一第一子路段作为所述目标第一子路段,返回执行所述将该目标第一子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第一子路段相邻的下一第一子路段;
针对于每个第一子路段,基于该第一子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该子路段对应的路段交通流特征,并将该第一子路段对应的路段交通流特征输入到所述交通状态判别模型中,得到该第一子路段的交通状态。
进一步的,所述第一多源路段表征该高速公路路段为多源路段,且多个路段中包含至少一个短距离路段;当该高速公路路段对应的路段类型为第一多源路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
针对于该高速公路路段中的每个短距离路段,以第二预设周期为时间窗提取该短距离路段的第二上游门架通行数据和第二下游门架通行数据,并基于所述第二上游门架通行数据和所述第二下游门架通行数据计算该短距离路段对应的路段交通流特征;
针对于该高速公路路段中的每个第一长距离路段,基于该第一长距离路段中的交叉点,利用第二预设距离阈值以及该第一长距离路段的路段长度,将该第一长距离路段划分成多个第二子路段;
针对于多个第二子路段中目标第二子路段,将该目标第二子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第二子路段相邻的下一第二子路段的起始节点对应的交通流特征;
将所述下一第二子路段作为所述目标第二子路段,返回执行所述将该目标第二子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第二子路段相邻的下一第二子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第二子路段相邻的下一第二子路段;
针对于每个第二子路段,基于该第二子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第二子路段对应的路段交通流特征;
针对于每个短距离路段,判断多个第二子路段中是否存在与该短距离路段重叠的重叠第二子路段,若是则将该短距离路段对应的路段交通流特征与所述重叠第二子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征,若否则将该短距离路段对应的路段交通流特征作为该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征;
将每个第一路段对应的路段交通流特征输入到所述交通状态判别模型中,得到每个第一路段的交通状态。
进一步的,所述第二多源路段表征该高速公路路段为多源路段,且多个路段中不包含短距离路段;当该高速公路路段对应的路段类型为第二多源路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
针对于该高速公路路段中的每个第二长距离路段,基于该第二长距离路段中的交叉点,利用第三预设距离阈值以及该第二长距离路段的路段长度,将该第二长距离路段划分成多个第三子路段;
针对于多个第三子路段中目标第三子路段,将该目标第三子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第三子路段相邻的下一第三子路段的起始节点对应的交通流特征;
将所述下一第三子路段作为所述目标第三子路段,返回执行所述将该目标第三子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第三子路段相邻的下一第三子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第三子路段相邻的下一第三子路段;
针对于每个第三子路段,基于该第三子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第三子路段对应的路段交通流特征;
判断多个第三子路段中是否存在与该第三子路段的重叠第三子路段,若是则将该第三子路段对应的路段交通流特征与所述重叠第三子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该第三子路段所属的第二路段对应的路段交通流特征,若否则将该第三子路段对应的路段交通流特征作为该高速公路路段中该第三子路段所属的第二路段对应的路段交通流特征;
将每个第二路段对应的路段交通流特征输入到所述交通状态判别模型中,得到每个第二路段的交通状态。
进一步的,针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为单源短距离路段时,通过以下步骤确定该高速公路路段的交通状态:
提取该高速公路路段在历史时间段内的历史上游门架通行数据和历史下游门架通行数据;
以第三预设周期为时间窗对所述历史上游门架通行数据和所述历史下游门架通行数据进行特征提取,计算该高速公路路段的上游门架历史交通流特征和下游门架历史交通流特征;
基于所述上游门架历史交通流特征和所述下游门架历史交通流特征计算该高速公路路段对应的路段历史交通流特征,并将所述路段历史交通流特征输入到所述交通状态判别模型中,得到该高速公路路段的交通状态。
进一步的,所述针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态,包括:
基于该高速公路路段的路段长度、预设拥堵速度阈值以及该高速公路路段在多个历史自然日内的多个通行量最小值之间的均值大于该高速公路路段的最小通行量阈值时的时长,计算目标时间周期;
以所述目标时间周期为时间窗,提取该高速公路路段的第三上游门架通行数据和第三下游门架通行数据;
对所述第三上游门架通行数据和所述第三下游门架通行数据进行特征提取,计算该高速公路路段的上游门架交通流特征和下游门架交通流特征;
基于所述上游门架交通流特征和所述下游门架交通流特征计算该高速公路路段对应的路段交通流特征,并将该高速公路路段对应的路段交通流特征输入到所述交通状态判别模型中,得到该高速公路路段的交通状态。
进一步的,所述基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型,包括:
针对于每个预设数量,计算所述高速公路路段中该预设数量的车辆的实际通行速度与该预设数量的车辆的计算通行速度之间的均方根误差;
将多个均方根误差中最小的均方根误差对应的预设数量作为目标数量;
基于所述高速公路路段的历史通行数据计算所述高速公路路段在多个历史自然日内的多个通行量最小值之间的均值;
若所述均值小于所述目标数量,则所述高速公路路段对应的流量类型为低流量路段;
若所述均值大于或等于所述目标数量,则所述高速公路路段对应的流量类型为正常流量。
第二方面,本申请实施例还提供了一种高速公路交通状态的检测装置,所述检测装置包括:
流量类型确定模块,用于基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型;其中,所述流量类型包括正常流量和低流量;
第一检测模块,用于针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征;其中,所述目标路段类型为单源长距离路段、第一多源路段或第二多源路段中的任意一种;
第二检测模块,用于针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的高速公路交通状态的检测方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该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如上述的高速公路交通状态的检测方法的步骤。
本申请实施例提供的一种高速公路交通状态的检测方法、装置、设备及介质,首先,基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型;针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征;针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
与现有技术中的交通状态检测方法相比,本申请将高速公路路段按照流量特征、路段中门架数量和相邻门架之间的距离进行类型划分,不同类型的高速公路路段使用不同的检测方法进行交通状态检测,提高了不同类型下高速公路交通状态检测的准确性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的一种高速公路交通状态的检测方法的流程图;
图2为本申请实施例所提供的一种多源路段示意图;
图3为本申请实施例所提供的一种高速公路交通状态的检测装置的结构示意图;
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于交通状态监测技术领域。
经研究发现,交通状态是交通需求、交通事件、道路通行能力综合作用下形成的。交通拥堵是通行能力不能满足通行需求的时产生的交通状态。随着交通需求的上升、交通事件频发并缺少有效的管控措施、道路通行能力缺乏深入分析导致了通行缓慢、堵塞或者中断的现象时有发生,极大地影响了通行效率和出行体验。
多年来行业内一直致力于通过智慧化手段提升道路运行管理能力,随着海量交通大数据的积累,借助于交通大数据分析技术,还原路网真实运行状态,实现数据的价值增值并为决策提供支持;基于通过历史交通信息、实时监测交通信息运用人工智能算法和大数据技术对未来交通信息进行有效地预测,辅以合理的诱导措施,有望缓解现阶段路网通行效率低的问题。
高速公路收费数据属于定点检测数据,检测节点包括门架和收费站,检测节点之间的距离差异较大,从几公里到数十公路不等,不同检测节点之间的流量差异较大,同时交通状态检测受到天气、特殊事件的因素影响,这些客观条件使实时交通检测所面临的挑战。因此,如何快速准确的对高速公路的交通状态进行检测成为了不容小觑的技术问题。
基于此,本申请实施例提供了一种高速公路交通状态的检测方法,将高速公路路段按照流量特征、路段中门架数量和相邻门架之间的距离进行类型划分,不同类型的高速公路路段使用不同的检测方法进行交通状态检测,提高了不同类型下高速公路交通状态检测的准确性。
请参阅图1,图1为本申请实施例所提供的一种高速公路交通状态的检测方法的流程图。如图1中所示,本申请实施例提供的检测方法,包括:
S101、基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型。
需要说明的是,所述流量类型包括正常流量和低流量。
针对上述步骤S101,在具体实施时,基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型。这里,利用路段通行车辆计算区间速度,当通过两个门架的车流量较低时,由于速度值容易受到异常数据影响,因此需要对高速公路路段划分低流量和正常流量。根据本申请所提供的实施例,异常数据可以包括采集的错误数据和进入服务区的车辆产生的数据,对此本申请不做具体限定。
作为一种可选的实施例,针对上述步骤S101,所述基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型,包括:
步骤1011,针对于每个预设数量,计算所述高速公路路段中该预设数量的车辆的实际通行速度与该预设数量的车辆的计算通行速度之间的均方根误差针对于每个预设数量,计算所述高速公路路段中该预设数量的车辆的实际通行速度与该预设数量的车辆的计算通行速度之间的均方根误差。
这里,预设数量可取值为1-50的整数。
针对上述步骤1011,在具体实施时,针对于每个预设数量,取高速公路路段中该预设数量的车辆的实际通行速度,以及该预设数量的车辆的计算通行速度,并计算实际通行速度与计算通行速度之间的均方根误差。
步骤1012,将多个均方根误差中最小的均方根误差对应的预设数量作为目标数量。
针对上述步骤1012,在具体实施时,多个均方根误差确定出后,将多个均方根误差中最小的均方根误差对应的预设数量作为目标数量,也就是将均方根误差最小时的车辆数量作为高速公路路段最少通行车辆阈值。
步骤1013,基于所述高速公路路段的历史通行数据计算所述高速公路路段在多个历史自然日内的多个通行量最小值之间的均值。
针对上述步骤1013,在具体实施时,针对于每个历史自然日,确定该历史自然日中高速公路路段的通行量最小值。然后计算多个通行量最小值之间的均值。
步骤1014,若所述均值小于所述目标数量,则所述高速公路路段对应的流量类型为低流量路段。
步骤1015,若所述均值大于或等于所述目标数量,则所述高速公路路段对应的流量类型为正常流量。
针对上述步骤1014-步骤1015,在具体实施时,确定出目标数量和均值后,将目标数量与均值进行对比。若均值小于目标数量,则高速公路路段对应的流量类型为低流量路段。若均值大于或等于目标数量,则高速公路路段对应的流量类型为正常流量。
S102,针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征。
这里,所述目标路段类型为单源长距离路段、第一多源路段或第二多源路段中的任意一种。
针对上述步骤S102,在具体实施时,针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征。
具体的,单源路段为高速公路路段中只有一个上游门架的路段,即单源路段中的节点为门架-收费站-门架。请参阅图2,图2为本申请实施例所提供的一种多源路段示意图。如图2所示,多源路段为高速公路路段中有至少两个上游门架的路段,即多源路段中的节点为门架-交叉点-门架。在图2提供的示例中,下游门架的流量来源包括上游门架1、上游门架2、上游门架3,路段包括上游门架1-下游门架、上游门架2-下游门架、上游门架3-下游门架。下游门架所在的路段为重叠路段,上游门架所在的路段为非重叠路段。上述第一多源路段表征该高速公路路段为多源路段,且多个路段中包含至少一个短距离路段,上述第二多源路段表征该高速公路路段为多源路段,且多个路段中不包含短距离路段。这里,根据本申请提供的实施例,按照路段中相邻门架之间的距离,可以将路段分为短距离路段和长距离路段。具体的划分方法为:如果两个相邻门架之间的路段距离大于距离阈值D时,则将该路段划分长距离路段,不大于距离阈值D划分为短距离路段。具体的,通过下述公式计算距离阈值:
其中,为交通状态更新周期,单位为分钟;/>为预设拥堵速度阈值,单位为千米/小时。
针对本申请提供的实施例,当高速公路路段中只存在一个上游门架,且该高速公路路段的距离大于距离阈值D时,该高速公路路段的路段类型为单源长距离路段。当高速公路路段中存在至少两个上游门架,且该高速公路路段中存在两个相邻门架之间的路段距离小于或等于距离阈值D时,该高速公路路段的路段类型为第一多源路段。当高速公路路段中存在至少两个上游门架,且该高速公路路段中每两个相邻门架之间的路段距离均大于距离阈值D时,该高速公路路段的路段类型为第二多源路段。
这里,根据本申请提供的检测方法,上述交通状态判别模型为XGBoost模型,交通流特征预测模型为LSTM模型。作为一种可选的实施例,通过以下方式训练所述交通状态判别模型:
提取多个样本路段在历史时间内的上下游门架通行样本数据,以及每个样本路段对应的交通状态样本数据。以交通状态更新周期T为时间窗对每个样本路段的上下游门架通行样本数据进行特征提取,计算每个样本路段的路段速度、路段通行量、上游门架流量、下游门架流量、上游门架大车占比、上游门架小车占比、下游门架大车占比和下游门架小车占比。将每个样本路段所提取的特征为输入,每个样本路段的交通状态样本数据为输出,建立并训练XGBoost交通状态判别模型。
作为一种可选的实施例,通过以下方式训练所述交通流特征预测模型:
提取多个样本路段在历史时间内的上下游门架通行样本数据。以交通状态更新周期T为时间窗对每个样本路段的上下游门架通行样本数据进行特征提取,计算每个样本路段的、上游门架流量、下游门架流量、上游门架大车占比、上游门架小车占比、下游门架大车占比和下游门架小车占比。以每个样本路段的上游门架特征为输入(包括上游门架速度、上游门架流量、上游门架大车占比、上游门架小车占比),每个路段的下游门架特征为输出(包括下游门架速度、下游门架流量、下游门架大车占比、下游门架小车占比),建立并训练LSTM交通流特征预测模型。
作为一种可选的实施方式,针对上述步骤S102,当该高速公路路段对应的路段类型为所述单源长距离路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
I:利用第一预设距离阈值以及该高速公路路段的路段长度,将该高速公路路段划分成多个第一子路段。
针对上述步骤I,在具体实施时,确定该高速公路路段的路段长度为L,将该高速公路路段划分为cell(L/D)段,以得到多个第一子路段。
II:基于所述路段长度和预设拥堵速度阈值确定出时间段,并提取大于或等于所述时间段内的该高速公路路段的第一上游门架通行数据和第一下游门架通行数据。
针对上述步骤II,在具体实施时,基于该高速公路路段的路段长度和预设拥堵速度阈值确定时间段,即cell(L/Vc ),Vc预设拥堵速度阈值表示。并提取大于或等于该时间段内的该高速公路路段的第一上游门架通行数据和第一下游门架通行数据。
III:以第一预设周期为时间窗对所述第一上游门架通行数据和所述第一下游门架通行数据进行特征提取,计算该高速公路路段的上游门架特征和下游门架特征。
这里,第一预设周期为交通状态更新周期T。
针对上述步骤III,在具体实施时,以预设周期T为时间窗对第一上游门架通行数据和第一下游门架通行数据进行特征提取,计算该高速公路路段的上游门架特征和下游门架特征。具体的,计算该高速公路路段的上游门架至该高速公路路段的下游门架的路段速度、上游门架至下游门架的路段通行量、上游门架流量、下游门架流量、上游门架大车占比、上游门架小车占比、下游门架大车占比、下游门架小车占比、上游门架速度和下游门架速度。
IV:针对于多个第一子路段中以上游门架为起始点的目标第一子路段,将该高速公路路段的上游门架特征作为该目标第一子路段的起始节点对应的交通流特征,将该目标第一子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征。
V:将所述下一第一子路段作为所述目标第一子路段,返回执行所述将该目标第一子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第一子路段相邻的下一第一子路段。
针对上述步骤IV-步骤V,在具体实施时,针对于多个第一子路段中以上游门架为起始点的目标第一子路段,由于该目标第一子路段的起始点与上游门架的位置相同,因此将该高速公路路段的上游门架特征作为该目标第一子路段的起始节点对应的交通流特征,将该目标第一子路段对应的交通流特征输入到构建好的交通流特征预测模型中,既可以确定出目标第一子路段的终止节点对应的交通流特征,由于与该目标第一子路段相邻的下一第一子路段的起始节点与目标第一子路段的终止节点的位置相同,因此相当于确定出了下一第一子路段的起始节点对应的交通流特征。然后将下一第一子路段作为目标第一子路段,返回执行上述步骤IV中将该目标第一子路段对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第一子路段相邻的下一第一子路段。这样即可确定出该高速公路路段划分后的每个节点对应的交通流特征。
VI:针对于每个第一子路段,基于该第一子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该子路段对应的路段交通流特征,并将该第一子路段对应的路段交通流特征输入到所述交通状态判别模型中,得到该第一子路段的交通状态。
针对上述步骤VI,在具体实施时,针对于每个第一子路段,基于该第一子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第一子路段对应的路段交通流特征,具体的,路段交通流特征包括该第一子路段的路段速度、路段通行量、上游门架流量、下游门架流量、上游门架大车占比、上游门架小车占比、下游门架大车占比和下游门架小车占比。然后再进行特征融合。然后,将该第一子路段对应的路段交通流特征输入到预先构建好的交通状态判别模型中,即可得到该第一子路段的交通状态。
作为一种可选的实施方式,针对上述步骤S101,当该高速公路路段对应的路段类型为第一多源路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
i:针对于该高速公路路段中的每个短距离路段,以第二预设周期为时间窗提取该短距离路段的第二上游门架通行数据和第二下游门架通行数据,并基于所述第二上游门架通行数据和所述第二下游门架通行数据计算该短距离路段对应的路段交通流特征。
针对上述步骤i,在具体实施时,针对于该高速公路路段中的每个短距离路段,以预设周期T为时间窗,提取该短距离路段的上游门架通行数据和下游门架通行数据,并基于该短距离路段的上游门架通行数据和下游门架通行数据计算该短距离路段对应的路段交通流特征。这里,路段交通流特征包括该短距离路段的路段速度、路段通行量、上游门架流量、下游门架流量、上游门架大车占比、上游门架小车占比、下游门架大车占比和下游门架小车占比。
ii:针对于该高速公路路段中的每个第一长距离路段,基于该第一长距离路段中的交叉点,利用第二预设距离阈值以及该第一长距离路段的路段长度,将该第一长距离路段划分成多个第二子路段。
针对上述步骤ii,在具体实施时,针对于该高速公路路段中的每个第一长距离路段,首先以该第一长距离路段中的交叉点为分割点,将该第一长距离路段划分为至少两段。然后针对于划分后的每段路段,确定该路段的路段长度为L,将该路段划分为cell(L/D)段,即可得到多个第二子路段。
iii:针对于多个第二子路段中目标第二子路段,将该目标第二子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第二子路段相邻的下一第二子路段的起始节点对应的交通流特征。
iv:将所述下一第二子路段作为所述目标第二子路段,返回执行所述将该目标第二子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第二子路段相邻的下一第二子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第二子路段相邻的下一第二子路段。
这里,上述步骤iii-步骤iv的描述可参考上述步骤IV-步骤V中的描述,并且可以达到相同的技术效果,在此不再赘述。
v:针对于每个第二子路段,基于该第二子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第二子路段对应的路段交通流特征。
针对上述步骤v,在具体实施时,每个第二子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征确定出后,针对于每个第二子路段,基于该第二子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第二子路段对应的路段交通流特征。
vi:针对于每个短距离路段,判断多个第二子路段中是否存在与该短距离路段重叠的重叠第二子路段,若是则将该短距离路段对应的路段交通流特征与所述重叠第二子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征,若否则将该短距离路段对应的路段交通流特征作为该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征。
vii:将每个第一路段对应的路段交通流特征输入到所述交通状态判别模型中,得到每个子第一路段的交通状态。
针对上述步骤vi-vii,在具体实施时,高速公路路段中每个路段对应的路段交通流特征均确定出之后,需要对重叠路段进行特征融合,非重叠路段的路段交通流特征为路段本身的路段交通流特征,重叠路段的路段交通流特征需进行特征融合。具体的,针对于每个短距离路段,判断多个第二子路段中是否存在与该短距离路段重叠的重叠第二子路段。若存在重叠第二子路段,则将该短距离路段对应的路段交通流特征与所述重叠第二子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征。这里,第一路段对应的路段交通流特征为该短距离路段对应的路段交通流特征与重叠第二子路段对应的路段交通流特征之间的平均值。若不存在重叠第二子路段,则将该短距离路段对应的路段交通流特征作为该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征。最后,将每个第一路段对应的路段交通流特征输入到预先训练好的交通状态判别模型中,即可得到每个子路段的交通状态。
作为一种可选的实施方式,针对上述步骤S102,当该高速公路路段对应的路段类型为第二多源路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
(1):针对于该高速公路路段中的每个第二长距离路段,基于该第二长距离路段中的交叉点,利用第三预设距离阈值以及该第二长距离路段的路段长度,将该第二长距离路段划分成多个第三子路段。
这里,上述步骤(1)的描述可参考上述步骤ii中的描述,并且可以达到相同的技术效果,在此不再赘述。
(2):针对于多个第三子路段中目标第三子路段,将该目标第三子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第三子路段相邻的下一第三子路段的起始节点对应的交通流特征。
(3):将所述下一第三子路段作为所述目标第三子路段,返回执行所述将该目标第三子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第三子路段相邻的下一第三子路段的起始节点对应的交通流特征,直至该高速公路路段中不存在与该目标第三子路段相邻的下一第三子路段。
这里,上述步骤(2)-步骤(3)的描述可参考上述步骤iii-iv步骤中的描述,并且可以达到相同的技术效果,在此不再赘述。
(4):针对于每个第三子路段,基于该第三子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第三子路段对应的路段交通流特征。
这里,上述步骤(4)的描述可参考上述步骤v中的描述,并且可以达到相同的技术效果,在此不再赘述。
(5):判断多个第三子路段中是否存在与该第三子路段的重叠第三子路段,若是则将该第三子路段对应的路段交通流特征与所述重叠第三子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该第三子路段所属的第二路段对应的路段交通流特征,若否则将该第三子路段对应的路段交通流特征作为该高速公路路段中该第三子路段所属的第二路段对应的路段交通流特征。
(6):将每个第二路段对应的路段交通流特征输入到所述交通状态判别模型中,得到每个第二路段的交通状态。
这里,上述步骤(5)-(6)的描述可参考上述步骤vi-vii中的描述,并且可以达到相同的技术效果,在此不再赘述。
作为一种可选的实施例,针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为单源短距离路段时,通过以下步骤确定该高速公路路段的交通状态:
A:提取该高速公路路段在历史时间段内的历史上游门架通行数据和历史下游门架通行数据。
B:以第三预设周期为时间窗对所述历史上游门架通行数据和所述历史下游门架通行数据进行特征提取,计算该高速公路路段的上游门架历史交通流特征和下游门架历史交通流特征。
C:基于所述上游门架历史交通流特征和所述下游门架历史交通流特征计算该高速公路路段对应的路段历史交通流特征,并将所述路段历史交通流特征输入到所述交通状态判别模型中,得到该高速公路路段的交通状态。
针对上述步骤A-步骤C,在具体实施时,当该高速公路路段为单源短距离路段时,提取该高速公路路段在历史时间段内的历史上游门架通行数据和历史下游门架通行数据。然后,以预设周期为时间窗对历史上游门架通行数据和所述下游门架通行数据进行特征提取,计算该高速公路路段的上游门架历史交通流特征和下游门架历史交通流特征。最后,根据上游门架历史交通流特征和下游门架历史交通流特征计算该高速公路路段对应的路段历史交通流特征,并将该路段历史交通流特征输入到预先训练好的交通状态判别模型中,得到该高速公路路段的交通状态。
S103,针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
针对上述步骤S103,在具体实施时,针对于流量类型为低流量的高速公路路段,调用交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
作为一种可选的实施例,针对上述步骤S103,所述针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态,包括:
步骤1031,基于该高速公路路段的路段长度、预设拥堵速度阈值以及该高速公路路段在多个历史自然日内的多个通行量最小值之间的均值大于该高速公路路段的最小通行量阈值时的时长,计算目标时间周期。
针对上述步骤1031,在具体实施时,根据该高速公路路段的路段长度、预设拥堵速度阈值以及时长,计算目标时间周期。
这里,通过下述公式计算目标时间周期:
其中,是该高速公路路段的路段长度,/>为拥堵速度阈值,/>为该高速公路路段在多个历史自然日内的多个通行量最小值之间的均值大于该高速公路路段的最小通行量阈值时的时长。具体的,/>的确定方法如下:首先以T为时间窗,计算该时间窗内多个通行量最小值之间的均值,如果该均值小于该高速公路路段的最小通行量阈值,则T=T+1,返回以T为时间窗,计算该时间窗内多个通行量最小值之间的均值的步骤,直至该均值大于或等于该高速公路路段的最小通行量阈值,/>。
步骤1032,以所述目标时间周期为时间窗,提取该高速公路路段的第三上游门架通行数据和第三下游门架通行数据。
步骤1033,对所述第三上游门架通行数据和所述第三下游门架通行数据进行特征提取,计算该高速公路路段的上游门架交通流特征和下游门架交通流特征。
步骤1034,基于所述上游门架交通流特征和所述下游门架交通流特征计算该高速公路路段对应的路段交通流特征,并将该高速公路路段对应的路段交通流特征输入到所述交通状态判别模型中,得到该高速公路路段的交通状态。
针对上述步骤1032-步骤1034,在具体实施时,以该目标时间周期为时间窗,提取该高速公路路段的上游门架通行数据和下游门架通行数据。然后,对上游门架通行数据和下游门架通行数据进行特征提取,计算该高速公路路段的上游门架交通流特征和下游门架交通流特征,包括路段速度、路段通行量、上游门架流量、下游门架流量、上游门架大车占比、上游门架小车占比、下游门架大车占比和下游门架小车占比。最后,基于上游门架交通流特征和下游门架交通流特征计算该高速公路路段对应的路段交通流特征,并将路段交通流特征输入到预先训练的交通状态判别模型中,得到该高速公路路段的交通状态。
本申请实施例提供的高速公路交通状态的检测方法,首先,基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型;针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征;针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
与现有技术中的交通状态检测方法相比,本申请将高速公路路段按照流量特征、路段中门架数量和相邻门架之间的距离进行类型划分,不同类型的高速公路路段使用不同的检测方法进行交通状态检测,提高了不同类型下高速公路交通状态检测的准确性。
请参阅图3,图3为本申请实施例所提供的一种高速公路交通状态的检测装置的结构示意图。如图3中所示,所述检测装置300包括:
流量类型确定模块301,用于基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型;其中,所述流量类型包括正常流量和低流量;
第一检测模块302,用于针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征;其中,所述目标路段类型为单源长距离路段、第一多源路段或第二多源路段中的任意一种;
第二检测模块303,用于针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
进一步的,当该高速公路路段对应的路段类型为所述单源长距离路段时,所述第一检测模块302在用于调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征时,所述第一检测模块302还用于:
利用第一预设距离阈值以及该高速公路路段的路段长度,将该高速公路路段划分成多个第一子路段;
基于所述路段长度和预设拥堵速度阈值确定出时间段,并提取大于或等于所述时间段内的该高速公路路段的第一上游门架通行数据和第一下游门架通行数据;
以第一预设周期为时间窗对所述第一上游门架通行数据和第一下游门架通行数据进行特征提取,计算该高速公路路段的上游门架特征和下游门架特征;
针对于多个第一子路段中以上游门架为起始点的目标第一子路段,将该高速公路路段的上游门架特征作为该目标第一子路段的起始节点对应的交通流特征,将该目标第一子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征;
将所述下一第一子路段作为所述目标第一子路段,返回执行所述将该目标第一子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第一子路段相邻的下一第一子路段;
针对于每个第一子路段,基于该第一子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该子路段对应的路段交通流特征,并将该第一子路段对应的路段交通流特征输入到所述交通状态判别模型中,得到该第一子路段的交通状态。
进一步的,所述第一多源路段表征该高速公路路段为多源路段,且多个路段中包含至少一个短距离路段;当该高速公路路段对应的路段类型为第一多源路段时,所述第一检测模块302在用于调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征时,所述第一检测模块302还用于:
针对于该高速公路路段中的每个短距离路段,以第二预设周期为时间窗提取该短距离路段的第二上游门架通行数据和第二下游门架通行数据,并基于所述第二上游门架通行数据和所述第二下游门架通行数据计算该短距离路段对应的路段交通流特征;
针对于该高速公路路段中的每个第一长距离路段,基于该第一长距离路段中的交叉点,利用第二预设距离阈值以及该第一长距离路段的路段长度,将该第一长距离路段划分成多个第二子路段;
针对于多个第二子路段中目标第二子路段,将该目标第二子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第二子路段相邻的下一第二子路段的起始节点对应的交通流特征;
将所述下一第二子路段作为所述目标第二子路段,返回执行所述将该目标第二子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第二子路段相邻的下一第二子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第二子路段相邻的下一第二子路段;
针对于每个第二子路段,基于该第二子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第二子路段对应的路段交通流特征;
针对于每个短距离路段,判断多个第二子路段中是否存在与该短距离路段重叠的重叠第二子路段,若是则将该短距离路段对应的路段交通流特征与所述重叠第二子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征,若否则将该短距离路段对应的路段交通流特征作为该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征;
将每个第一路段对应的路段交通流特征输入到所述交通状态判别模型中,得到每个第一路段的交通状态。
进一步的,所述第二多源路段表征该高速公路路段为多源路段,且多个路段中不包含短距离路段;所述第一检测模块302在用于调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征时,所述第一检测模块302还用于:
针对于该高速公路路段中的每个第二长距离路段,基于该第二长距离路段中的交叉点,利用第三预设距离阈值以及该第二长距离路段的路段长度,将该第二长距离路段划分成多个第三子路段;
针对于多个第三子路段中目标第三子路段,将该目标第三子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第三子路段相邻的下一第三子路段的起始节点对应的交通流特征;
将所述下一第三子路段作为所述目标第三子路段,返回执行所述将该目标第三子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第三子路段相邻的下一第三子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第三子路段相邻的下一第三子路段;
针对于每个第三子路段,基于该第三子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第三子路段对应的路段交通流特征;
判断多个第三子路段中是否存在与该第三子路段的重叠第三子路段,若是则将该第三子路段对应的路段交通流特征与所述重叠第三子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该第三子路段所属的第二路段对应的路段交通流特征,若否则将该第三子路段对应的路段交通流特征作为该高速公路路段中该第三子路段所属的第二路段对应的路段交通流特征;
将每个第二路段对应的路段交通流特征输入到所述交通状态判别模型中,得到每个第二路段的交通状态。
进一步的,所述检测装置300还包括第三检测模块,针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为单源短距离路段时,所述第三检测模块用于通过以下步骤确定该高速公路路段的交通状态:
提取该高速公路路段在历史时间段内的历史上游门架通行数据和历史下游门架通行数据;
以第三预设周期为时间窗对所述历史上游门架通行数据和所述历史下游门架通行数据进行特征提取,计算该高速公路路段的上游门架历史交通流特征和下游门架历史交通流特征;
基于所述上游门架历史交通流特征和所述下游门架历史交通流特征计算该高速公路路段对应的路段历史交通流特征,并将所述路段历史交通流特征输入到所述交通状态判别模型中,得到该高速公路路段的交通状态。
进一步的,所述第二检测模块303在用于针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态时,所述第二检测模块303还用于:
基于该高速公路路段的路段长度、预设拥堵速度阈值以及该高速公路路段在多个历史自然日内的多个通行量最小值之间的均值大于该高速公路路段的最小通行量阈值时的时长,计算目标时间周期;
以所述目标时间周期为时间窗,提取该高速公路路段的第三上游门架通行数据和第三下游门架通行数据;
对所述第三上游门架通行数据和所述第三下游门架通行数据进行特征提取,计算该高速公路路段的上游门架交通流特征和下游门架交通流特征;
基于所述上游门架交通流特征和所述下游门架交通流特征计算该高速公路路段对应的路段交通流特征,并将该高速公路路段对应的路段交通流特征输入到所述交通状态判别模型中,得到该高速公路路段的交通状态。
进一步的,所述流量类型确定模块301在用于基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型时,所述流量类型确定模块301还用于:
针对于每个预设数量,计算所述高速公路路段中该预设数量的车辆的实际通行速度与该预设数量的车辆的计算通行速度之间的均方根误差;
将多个均方根误差中最小的均方根误差对应的预设数量作为目标数量;
基于所述高速公路路段的历史通行数据计算所述高速公路路段在多个历史自然日内的多个通行量最小值之间的均值;
若所述均值小于所述目标数量,则所述高速公路路段对应的流量类型为低流量路段;
若所述均值大于或等于所述目标数量,则所述高速公路路段对应的流量类型为正常流量。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1所示方法实施例中高速公路交通状态的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该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可以执行如上述图1所示方法实施例中的高速公路交通状态的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种高速公路交通状态的检测方法,其特征在于,所述检测方法包括:
基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型;其中,所述流量类型包括正常流量和低流量;
针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征;其中,所述目标路段类型为单源长距离路段、第一多源路段或第二多源路段中的任意一种;
针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
2.根据权利要求1所述的检测方法,其特征在于,当该高速公路路段对应的路段类型为所述单源长距离路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
利用第一预设距离阈值以及该高速公路路段的路段长度,将该高速公路路段划分成多个第一子路段;
基于所述路段长度和预设拥堵速度阈值确定出时间段,并提取大于或等于所述时间段内的该高速公路路段的第一上游门架通行数据和第一下游门架通行数据;
以第一预设周期为时间窗对所述第一上游门架通行数据和第一下游门架通行数据进行特征提取,计算该高速公路路段的上游门架特征和下游门架特征;
针对于多个第一子路段中以上游门架为起始点的目标第一子路段,将该高速公路路段的上游门架特征作为该目标第一子路段的起始节点对应的交通流特征,将该目标第一子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征;
将所述下一第一子路段作为所述目标第一子路段,返回执行所述将该目标第一子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第一子路段相邻的下一第一子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第一子路段相邻的下一第一子路段;
针对于每个第一子路段,基于该第一子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该子路段对应的路段交通流特征,并将该第一子路段对应的路段交通流特征输入到所述交通状态判别模型中,得到该第一子路段的交通状态。
3.根据权利要求1所述的检测方法,其特征在于,所述第一多源路段表征该高速公路路段为多源路段,且多个路段中包含至少一个短距离路段;当该高速公路路段对应的路段类型为第一多源路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
针对于该高速公路路段中的每个短距离路段,以第二预设周期为时间窗提取该短距离路段的第二上游门架通行数据和第二下游门架通行数据,并基于所述第二上游门架通行数据和所述第二下游门架通行数据计算该短距离路段对应的路段交通流特征;
针对于该高速公路路段中的每个第一长距离路段,基于该第一长距离路段中的交叉点,利用第二预设距离阈值以及该第一长距离路段的路段长度,将该第一长距离路段划分成多个第二子路段;
针对于多个第二子路段中目标第二子路段,将该目标第二子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第二子路段相邻的下一第二子路段的起始节点对应的交通流特征;
将所述下一第二子路段作为所述目标第二子路段,返回执行所述将该目标第二子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第二子路段相邻的下一第二子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第二子路段相邻的下一第二子路段;
针对于每个第二子路段,基于该第二子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第二子路段对应的路段交通流特征;
针对于每个短距离路段,判断多个第二子路段中是否存在与该短距离路段重叠的重叠第二子路段,若是则将该短距离路段对应的路段交通流特征与所述重叠第二子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征,若否则将该短距离路段对应的路段交通流特征作为该高速公路路段中该短距离路段所属的第一路段对应的路段交通流特征;
将每个第一路段对应的路段交通流特征输入到所述交通状态判别模型中,得到每个第一路段的交通状态。
4.根据权利要求1所述的检测方法,其特征在于,所述第二多源路段表征该高速公路路段为多源路段,且多个路段中不包含短距离路段;当该高速公路路段对应的路段类型为第二多源路段时,所述调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征,包括:
针对于该高速公路路段中的每个第二长距离路段,基于该第二长距离路段中的交叉点,利用第三预设距离阈值以及该第二长距离路段的路段长度,将该第二长距离路段划分成多个第三子路段;
针对于多个第三子路段中目标第三子路段,将该目标第三子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第三子路段相邻的下一第三子路段的起始节点对应的交通流特征;
将所述下一第三子路段作为所述目标第三子路段,返回执行所述将该目标第三子路段的起始节点对应的交通流特征输入到所述交通流特征预测模型中,确定出与该目标第三子路段相邻的下一第三子路段的起始节点对应的交通流特征的步骤,直至该高速公路路段中不存在与该目标第三子路段相邻的下一第三子路段;
针对于每个第三子路段,基于该第三子路段的起始节点对应的交通流特征以及终止节点对应的交通流特征计算该第三子路段对应的路段交通流特征;
判断多个第三子路段中是否存在与该第三子路段的重叠第三子路段,若是则将该第三子路段对应的路段交通流特征与所述重叠第三子路段对应的路段交通流特征进行特征融合,得到该高速公路路段中该第三子路段所属的第二路段对应的路段交通流特征,若否则将该第三子路段对应的路段交通流特征作为该高速公路路段中该第三子路段所属的第二路段对应的路段交通流特征;
将每个第二路段对应的路段交通流特征输入到所述交通状态判别模型中,得到每个第二路段的交通状态。
5.根据权利要求1所述的检测方法,其特征在于,针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为单源短距离路段时,通过以下步骤确定该高速公路路段的交通状态:
提取该高速公路路段在历史时间段内的历史上游门架通行数据和历史下游门架通行数据;
以第三预设周期为时间窗对所述历史上游门架通行数据和所述历史下游门架通行数据进行特征提取,计算该高速公路路段的上游门架历史交通流特征和下游门架历史交通流特征;
基于所述上游门架历史交通流特征和所述下游门架历史交通流特征计算该高速公路路段对应的路段历史交通流特征,并将所述路段历史交通流特征输入到所述交通状态判别模型中,得到该高速公路路段的交通状态。
6.根据权利要求1所述的检测方法,其特征在于,所述针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态,包括:
基于该高速公路路段的路段长度、预设拥堵速度阈值以及该高速公路路段在多个历史自然日内的多个通行量最小值之间的均值大于该高速公路路段的最小通行量阈值时的时长,计算目标时间周期;
以所述目标时间周期为时间窗,提取该高速公路路段的第三上游门架通行数据和第三下游门架通行数据;
对所述第三上游门架通行数据和所述第三下游门架通行数据进行特征提取,计算该高速公路路段的上游门架交通流特征和下游门架交通流特征;
基于所述上游门架交通流特征和所述下游门架交通流特征计算该高速公路路段对应的路段交通流特征,并将该高速公路路段对应的路段交通流特征输入到所述交通状态判别模型中,得到该高速公路路段的交通状态。
7.根据权利要求1所述的检测方法,其特征在于,所述基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型,包括:
针对于每个预设数量,计算所述高速公路路段中该预设数量的车辆的实际通行速度与该预设数量的车辆的计算通行速度之间的均方根误差;
将多个均方根误差中最小的均方根误差对应的预设数量作为目标数量;
基于所述高速公路路段的历史通行数据计算所述高速公路路段在多个历史自然日内的多个通行量最小值之间的均值;
若所述均值小于所述目标数量,则所述高速公路路段对应的流量类型为低流量路段;
若所述均值大于或等于所述目标数量,则所述高速公路路段对应的流量类型为正常流量。
8.一种高速公路交通状态的检测装置,其特征在于,所述检测装置包括:
流量类型确定模块,用于基于高速公路路段的交通流特征确定所述高速公路路段对应的流量类型;其中,所述流量类型包括正常流量和低流量;
第一检测模块,用于针对于流量类型为正常流量的高速公路路段,当基于该高速公路路段中上游门架的数量以及相邻门架之间的距离确定该高速公路路段对应的路段类型为目标路段类型时,调用交通状态判别模型和交通流特征预测模型对该高速公路路段进行交通状态检测和交通流特征检测,以确定该高速公路路段的交通状态和交通流特征;其中,所述目标路段类型为单源长距离路段、第一多源路段或第二多源路段中的任意一种;
第二检测模块,用于针对于流量类型为低流量的高速公路路段,调用所述交通状态判别模型对该高速公路路段进行交通状态检测,以确定该高速公路路段的交通状态。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的高速公路交通状态的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述的高速公路交通状态的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311824932.3A CN117475641B (zh) | 2023-12-28 | 2023-12-28 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311824932.3A CN117475641B (zh) | 2023-12-28 | 2023-12-28 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475641A true CN117475641A (zh) | 2024-01-30 |
CN117475641B CN117475641B (zh) | 2024-03-08 |
Family
ID=89638242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311824932.3A Active CN117475641B (zh) | 2023-12-28 | 2023-12-28 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475641B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504528A (zh) * | 2016-11-02 | 2017-03-15 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN112434075A (zh) * | 2020-10-23 | 2021-03-02 | 北京千方科技股份有限公司 | 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 |
CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
CN112802215A (zh) * | 2020-12-31 | 2021-05-14 | 千方捷通科技股份有限公司 | 高速公路通行费用的稽核方法、装置、设备及存储介质 |
CN113034903A (zh) * | 2021-03-05 | 2021-06-25 | 交通运输部公路科学研究所 | 基于多源信息融合的交通状态估计方法和装置 |
CN113870570A (zh) * | 2021-12-02 | 2021-12-31 | 湖南省交通科学研究院有限公司 | 一种基于etc的路网运行状态方法、系统和存储介质 |
CN114596700A (zh) * | 2022-01-10 | 2022-06-07 | 昆明理工大学 | 一种基于门架数据的高速公路路段实时流量估计方法 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
CN114898571A (zh) * | 2022-04-22 | 2022-08-12 | 福建工程学院 | 一种基于etc大数据的高速公路全路段车速测量方法 |
CN115050183A (zh) * | 2022-06-09 | 2022-09-13 | 上海人工智能创新中心 | 一种生成模拟交通流的方法 |
CN115762186A (zh) * | 2022-10-26 | 2023-03-07 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 道路流量确定方法、装置、存储介质及电子设备 |
CN115830855A (zh) * | 2022-11-11 | 2023-03-21 | 南京理工大学 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
US20230092432A1 (en) * | 2021-09-16 | 2023-03-23 | Cavnue Technology, LLC | Intelligent Entry and Egress for Dedicated Lane |
CN116129645A (zh) * | 2023-02-22 | 2023-05-16 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路施工区的交通流预测方法、装置及存储介质 |
CN116168539A (zh) * | 2023-02-27 | 2023-05-26 | 辽宁艾特斯智能交通技术有限公司 | 一种公路通行能力参数的预测方法及预测装置 |
CN116311927A (zh) * | 2023-03-13 | 2023-06-23 | 辽宁艾特斯智能交通技术有限公司 | 一种交通流量的预测方法、装置、电子设备及存储介质 |
CN116386020A (zh) * | 2023-03-27 | 2023-07-04 | 东南大学 | 多源数据融合的高速公路收费站出口流量预测方法及系统 |
CN116682261A (zh) * | 2023-06-14 | 2023-09-01 | 招商新智科技有限公司 | 一种节假日道路流量数据预测分析方法及分析装置 |
CN116913088A (zh) * | 2023-07-13 | 2023-10-20 | 辽宁高速通智慧出行有限责任公司 | 一种用于高速公路的智能流量预测方法 |
CN117058872A (zh) * | 2023-08-03 | 2023-11-14 | 交通运输部路网监测与应急处置中心 | 一种用于高速公路信息发布方法、系统和存储介质 |
-
2023
- 2023-12-28 CN CN202311824932.3A patent/CN117475641B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504528A (zh) * | 2016-11-02 | 2017-03-15 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
CN112434075A (zh) * | 2020-10-23 | 2021-03-02 | 北京千方科技股份有限公司 | 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 |
CN112802215A (zh) * | 2020-12-31 | 2021-05-14 | 千方捷通科技股份有限公司 | 高速公路通行费用的稽核方法、装置、设备及存储介质 |
CN113034903A (zh) * | 2021-03-05 | 2021-06-25 | 交通运输部公路科学研究所 | 基于多源信息融合的交通状态估计方法和装置 |
US20230092432A1 (en) * | 2021-09-16 | 2023-03-23 | Cavnue Technology, LLC | Intelligent Entry and Egress for Dedicated Lane |
CN113870570A (zh) * | 2021-12-02 | 2021-12-31 | 湖南省交通科学研究院有限公司 | 一种基于etc的路网运行状态方法、系统和存储介质 |
CN114596700A (zh) * | 2022-01-10 | 2022-06-07 | 昆明理工大学 | 一种基于门架数据的高速公路路段实时流量估计方法 |
CN114898571A (zh) * | 2022-04-22 | 2022-08-12 | 福建工程学院 | 一种基于etc大数据的高速公路全路段车速测量方法 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
CN115050183A (zh) * | 2022-06-09 | 2022-09-13 | 上海人工智能创新中心 | 一种生成模拟交通流的方法 |
CN115762186A (zh) * | 2022-10-26 | 2023-03-07 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 道路流量确定方法、装置、存储介质及电子设备 |
CN115830855A (zh) * | 2022-11-11 | 2023-03-21 | 南京理工大学 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
CN116129645A (zh) * | 2023-02-22 | 2023-05-16 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路施工区的交通流预测方法、装置及存储介质 |
CN116168539A (zh) * | 2023-02-27 | 2023-05-26 | 辽宁艾特斯智能交通技术有限公司 | 一种公路通行能力参数的预测方法及预测装置 |
CN116311927A (zh) * | 2023-03-13 | 2023-06-23 | 辽宁艾特斯智能交通技术有限公司 | 一种交通流量的预测方法、装置、电子设备及存储介质 |
CN116386020A (zh) * | 2023-03-27 | 2023-07-04 | 东南大学 | 多源数据融合的高速公路收费站出口流量预测方法及系统 |
CN116682261A (zh) * | 2023-06-14 | 2023-09-01 | 招商新智科技有限公司 | 一种节假日道路流量数据预测分析方法及分析装置 |
CN116913088A (zh) * | 2023-07-13 | 2023-10-20 | 辽宁高速通智慧出行有限责任公司 | 一种用于高速公路的智能流量预测方法 |
CN117058872A (zh) * | 2023-08-03 | 2023-11-14 | 交通运输部路网监测与应急处置中心 | 一种用于高速公路信息发布方法、系统和存储介质 |
Non-Patent Citations (2)
Title |
---|
吕能超: "区分冲突类型的路段实时碰撞风险预测模型", 《中国公路学报》, 26 January 2022 (2022-01-26) * |
黄征;李永汉;: "高速公路可变信息标志的应用探讨", 交通标准化, no. 21, 8 November 2013 (2013-11-08) * |
Also Published As
Publication number | Publication date |
---|---|
CN117475641B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3413284B1 (en) | Computer system and method for state prediction of a traffic system | |
Hossain et al. | Understanding crash mechanism on urban expressways using high-resolution traffic data | |
CN112820108B (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN110363255B (zh) | 一种基于深度学习算法的高速公路限速限流方法 | |
CN108062860B (zh) | 基于拥塞传播分析的道路瓶颈识别方法及其系统 | |
Wang et al. | Interactive multiple model ensemble Kalman filter for traffic estimation and incident detection | |
CN104751642A (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN109598930B (zh) | 一种自动检测高架封闭系统 | |
US20210264790A1 (en) | Integrated collision avoidance and road safety management system | |
CN108681717B (zh) | 城市级交通视频检测设备质量检测方法 | |
CN113963539B (zh) | 高速公路交通事故识别方法、模块及系统 | |
CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN109615865B (zh) | 一种基于od数据增量迭代式估计路段交通流量的方法 | |
US10706720B2 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
Sun et al. | Traffic congestion evaluation method for urban arterials: case study of Changzhou, China | |
CN109035775B (zh) | 一种突发事件识别的方法及装置 | |
CN105185106A (zh) | 一种基于粒计算的道路交通流参数预测方法 | |
CN116168539A (zh) | 一种公路通行能力参数的预测方法及预测装置 | |
CN114446064A (zh) | 一种分析高速公路服务区流量的方法、装置、存储介质及终端 | |
CN117475641B (zh) | 一种高速公路交通状态的检测方法、装置、设备及介质 | |
CN116229727A (zh) | 一种基于在线仿真的道路拥堵诱导方法及管控系统 | |
EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN117392834A (zh) | 一种智能路线规划方法及系统 | |
CN105389982A (zh) | 基于fcd的城市交叉口拥堵事件检测及消散方法 | |
CN111243280B (zh) | 一种实时计算交通状态的指标的方法及装置 |
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 | ||
CP03 | Change of name, title or address |
Address after: 110000 floors 3-4, No. 197, Nanjing South Street, Heping District, Shenyang City, Liaoning Province Patentee after: Liaoning Jiaotou Aites Technology Co.,Ltd. Country or region after: China Address before: 110000 floors 3-4, No. 197, Nanjing South Street, Heping District, Shenyang City, Liaoning Province Patentee before: LIAONING ATS INTELLIGENT TRANSPORTATION TECHNOLOGY CO.,LTD. Country or region before: China |
|
CP03 | Change of name, title or address |