CN117593167A - 基于大数据的智能城市规划管理方法及系统 - Google Patents

基于大数据的智能城市规划管理方法及系统 Download PDF

Info

Publication number
CN117593167A
CN117593167A CN202410069454.8A CN202410069454A CN117593167A CN 117593167 A CN117593167 A CN 117593167A CN 202410069454 A CN202410069454 A CN 202410069454A CN 117593167 A CN117593167 A CN 117593167A
Authority
CN
China
Prior art keywords
flow
traffic
building
traffic flow
personnel
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
CN202410069454.8A
Other languages
English (en)
Other versions
CN117593167B (zh
Inventor
杨磊
范子玉
范建涛
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 Guojian Land Real Estate Evaluation Surveying And Mapping Co ltd
Original Assignee
Shandong Guojian Land Real Estate Evaluation Surveying And Mapping Co ltd
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 Guojian Land Real Estate Evaluation Surveying And Mapping Co ltd filed Critical Shandong Guojian Land Real Estate Evaluation Surveying And Mapping Co ltd
Priority to CN202410069454.8A priority Critical patent/CN117593167B/zh
Publication of CN117593167A publication Critical patent/CN117593167A/zh
Application granted granted Critical
Publication of CN117593167B publication Critical patent/CN117593167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及城市规划领域，具体为基于大数据的智能城市规划管理方法及系统，包括：人员统计模块、建筑流动模块、流量预测模块、线路规划模块和通行限速模块，人员统计模块用于采集人员流动情况，分析人员出行模式，建筑流动模块用于预测建筑间的人流，构建区域内人员流动模型，流量预测模块用于预测未来各路段的交通流量情况，线路规划模块用于规划公交线路和调整派车频率，动态限速模块用于调整公交线路的限速范围，本发明能够实现公共交通优化、智能道路管理、交通拥堵预测等功能，提高交通运输效率并减少碳排放，使公共交通职能最大化，提高城市交通的通行能力。

Description

基于大数据的智能城市规划管理方法及系统
技术领域
本发明涉及城市规划技术领域，具体为基于大数据的智能城市规划管理方法及系统。
背景技术
城市规划是一种将城市发展和治理纳入一个统一系统的方法，包括土地利用规划、交通规划、环境保护规划、市政设施规划、建筑设计等。城市在规划过程中，需要建立完善的公共交通体系，建立高效的交通网络，解决交通拥堵问题，提高交通流动性，随着城市的快速发展，公共交通线路也必须随城市规划而变化，以缓解道路交通流量，方便居民出行。
在规划新的公交线路时，需要对道路流量进行预估，一般测量交通流量的手段是在道路中安装摄像机，根据历史车流量预估未来车流量，但在道路中露天安装的摄像机很容易故障，而且城市建筑规划的改变也会对车流量造成影响，监测结果并不能灵活反映当前的交通情况，也不能实现对公共交通的动态化调节。
此外，车辆通行速度、事故风险与拥堵情况间存在密切关系，如何在保证安全的情况下、提高车辆通行速度，从而缓解拥堵，也是一个亟待解决的问题。
发明内容
本发明的目的在于提供基于大数据的智能城市规划管理方法及系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：基于大数据的智能城市规划管理系统，包括：人员统计模块、建筑流动模块、流量预测模块、线路规划模块和通行限速模块；
所述人员统计模块用于采集城市区域内各建筑的交通出入情况，分析该建筑内流动人员的出行模式，并计算不同出行模式下人员流动数量随时间的变化情况；
所述建筑流动模块用于根据建筑特征，通过大数据计算人员向各目的地建筑的流动概率，由各建筑间的人员流动概率，计算每两栋建筑间的预计人流，再根据全域建筑间的预计人流和道路连接情况，构建区域内人员流动模型；
所述流量预测模块用于根据历史数据，评估外来车辆目的地，并计算出外来人员流动模型，根据所述区域内人员流动模型和外来人员流动模型，计算未来城市内每个路段的交通流量情况，并标记拥堵路段；
所述线路规划模块用于根据预测出的拥堵路段，进行公共交通线路的规划，并评估公交线路对车流量的影响，根据预测出的交通流量，动态调整公共交通的派车频率，使道路流量控制在设定范围内；
所述通行限速模块用于根据城市内的历史行车记录，分析车辆事故风险、速度与车流量间的关系，结合不同路段内的预计车流量，动态调整路段的限速范围，使车流在风险可控的范围内达到更高的速度。
进一步的，所述人员统计模块包括：出入检测单元和出行分析单元；
所述出入检测单元用于利用设置在建筑大门和停车场内的摄像装置，获取建筑内的交通出入情况，所述交通出入情况包括：行人出入量、车辆出入量和停车场占用量；
所述出行分析单元用于根据建筑内的历史交通出入情况，分析人员采用各出行模式的比例，所述出行模式包括：步行、非车辆出行和车辆出行，并计算不同出行模式下人员流动数量随时间的变化情况。
进一步的，所述建筑流动模块包括：人员流动单元、区域拟合单元和交通潮汐单元；
所述人员流动单元用于获取对比特征，所述对比特征包括：历史流动人员数量、建筑间的距离和建筑容量，根据不同建筑间的特征，计算每一座建筑的人员吸引力；
所述区域拟合单元用于根据区域内所有建筑的人员吸引力，计算人员向各目的地建筑的流动概率和每两栋建筑间的预计人流，构建区域内人员流动模型；
所述交通潮汐单元用于根据建筑间的道路连接情况和预计人流，计算每个路段内的预估交通流量。
进一步的，所述流量预测模块包括：车流评估单元和拥堵预测单元；
所述车流评估单元用于根据历史数据计算车流的数量，将外来车流计算到预估交通流量内，得到总交通流量变化函数；
所述拥堵预测单元用于根据总交通流量变化函数和道路的承载能力，将交通流量大于承载能力的路段标记为拥堵路段。
进一步的，所述线路规划模块包括：公交缓流单元、线路评估单元和动态派车单元；
所述公交缓流单元用于根据其他线路开通前后的交通流量数据，评估公交线路对车流量的影响；
所述线路评估单元用于根据拥堵路段的分布规划公交线路，使每一个拥堵路段都有公交线路经过；
所述动态派车单元用于根据公交线路对车流量的影响与线路途经路段的预估交通流量，计算公交线路的派车频率，使公交线路途经各路段的交通流量降低到道路承载能力以下。
进一步的，所述通行限速模块包括：速度风险单元和限速调整单元；
所述速度风险单元用于分析车辆速度、交通流量和事故概率间的关系，根据预估交通流量和设定的事故概率阈值，计算公交车辆最高行驶速度；
所述限速调整单元用于根据计算出的车辆最高行驶速度，调节路段内车辆的最高限速。
基于大数据的智能城市规划管理方法，包括以下步骤：
步骤S1.采集城市内各建筑的交通出入情况，根据所述交通出入情况分析流动人员的数量和出行模式，计算不同出行模式下人员流动数量随时间的变化情况；
步骤S2.根据建筑间的对比特征，构造流量预测方法，计算每一座建筑内的人员向其他各建筑的行人流动概率和车辆流动概率，再根据步骤S1中得到的人员流动数量，计算各建筑间的预计交通流量；
步骤S3.根据步骤S2中得到的预计交通流量和建筑间的道路网，对相同时间段内的交通流量进行叠加，计算各路段的内部交通流量，将内部交通流量与道路容量相比较，识别出繁忙路段；
步骤S4.根据步骤S3中预测出的各路段的内部交通流量，进行公共交通线路的规划，以交通流量最高的路段作为起点站，根据相邻其他路段的预测交通流量进行下一站点的设置，直到完成线路闭环，并根据其他线路开通前后的交通流量数据，评估公交线路对交通流量的影响，根据所述交通总流量和公交线路的影响，计算公交线路的派车频率；
步骤S5.根据城市历史事故记录，拟合交通流量、车辆速度与交通事故发生率间的关联函数，根据公交站点所在路段的交通流量，计算交通事故发生率低于阈值的前提下，不同路段车辆的最高行驶速度，再根据计算出的最高行驶速度，调节各站点所在路段公交车辆的最高限速。
进一步的，步骤S1包括：
步骤S11.对城市区域内的每一座建筑执行人员检测方法，所述人员检测方法如下：
将一天平均划分为n个时段，所述n为预设值，n≥2，利用设置在建筑大门和停车场内的摄像装置，获取建筑在每个时段内的交通出入情况，所述交通出入情况包括：行人出入量、车辆出入量和停车场占用量；
步骤S12.根据检测到的交通出入情况，生成行人流入序列A1=[R1,R2,…,Rn]，其中Rn代表第n个时段内进入建筑的行人数量，行人流出序列a1=[r1,r2,…,rn]，其中rn代表第n个时段内离开建筑的行人数量，车辆流入序列B1=[E1,E2,…,En]，其中En代表第n个时段内进入建筑的车辆数量，车辆流出序列b1=[e1,e2,…,en]，其中En代表第n个时段内离开建筑的车辆数量。
进一步的，步骤S2包括：
步骤S21.构造流量预测方法，所述流量预测方法如下：
对该建筑以外的其他建筑进行编号，编号结果构成集合D={1,2,…,m-1}，其中m代表城市内所有建筑的数量；
获取其他建筑的对比特征，所述对比特征包括：历史一日内交通出入情况、建筑间的距离和建筑内停车场容量；
获取行人行走的速度范围，将所述速度范围平均分为u个区间，每个区间上下限的平均值记作Vh，其中，h∈{1,2，…，u}，利用正态分布预估行人以各种速度行走的概率P（Vh），所述P（Vh）=f（Vh），其中f（）代表服从位置参数μ=（V1+Vu）/2，尺度参数σ=1的正态分布的概率密度函数；
根据以下公式，计算建筑间的行人流动概率：
；
其中，Pd代表当前建筑与编号d建筑间的行人流动概率，a1(i)代表序列a1中第i个 元素，代表序列a1中所有元素的平均值，Ad代表编号d的建筑历史一日内的行人流入序列，代表序列Ad的平均值，L代表当前建筑与编号d建筑间的距离，INT（）为取整函数，所述Pd、和L均大于0，均大于0，且Pd≤1；
从交通部门获取建筑间道路的限速范围和道路容量，将所述限速范围分为U个区间，每个区间上下限的平均值记作VH，其中，H∈{1,2，…，U}，预估车辆在各速度行驶的概率Q（VH），所述Q（VH）=F（VH），其中F（）代表服从位置参数μ=VH·e^(-BT/K)，尺度参数σ=1的正态分布的概率密度函数，BT代表当前时段内所有流出建筑的车辆数量，K为道路容量，代表道路容纳车辆的能力，e为自然对数的底数；
根据以下公式，计算建筑间的车辆流动概率：
；
其中，Qd代表当前建筑与编号d建筑间的车辆流动概率，b1(i)代表序列b1中第i个 元素，Bd代表编号d的建筑历史一日内的车辆流入序列，代表序列Bd的平均值，Gd代表编号 d的建筑内停车场容量，代表城市内所有停车场的总容量，gd代表编号d的建筑内停车场 占用量，所述Qd、和Gd均大于0均大于0，且Qd≤1；
步骤S22.根据当前流出建筑的行人与车辆数量，对当前建筑和编号d的建筑间的交通流量进行预测，得到预测交通流量Wd，所述Wd=c·an·Pd+bn·Qd，其中c为预设值，代表行人相对于车辆的交通权重，且0＜c≤1；
获取当前建筑与编号d的建筑间连接的路段数量，将预测交通流量Wd平均分配到各路段中；
遍历集合D，得到当前建筑与每一座其他建筑间的预测交通流量。
本步骤根据建筑流入流出数量、建筑间的距离和建筑容量，计算每两栋建筑间的人员流动性，根据全域建筑间的人员流动性和道路连接情况，计算路段交通流量的变化情况。
进一步的，步骤S3包括：
步骤S31.对城市内的每一座建筑执行步骤S2中所述的流量预测方法，将得到的使用预测交通流量进行叠加，得到每一条路段上的内部交通流量；
步骤S32.将步骤S31中得到的内部交通流量与道路容量K作比较，当一条路段中的内部交通流量大于等于道路容量，则将该路段标记为繁忙路段，发送到城市交通指挥中心，供交通管理人员参考。
进一步的，步骤S4包括：
步骤S41.根据步骤S3中预测出的各路段的内部交通流量，按以下规则规划公共交通线路：
以内部交通流量最大的路段作为公共交通第一站点，在起点站所在路段两端连接的所有道路中，选择交通流量最大的路段作为第二站点，在第二站点所在路段两端连接的所有道路中，选择交通流量最大，且没有设置站点的路段作为第三站点，以此类推，直到找不到符合条件的路段为止；
步骤S42.根据其他线路开通前后的交通流量数据，利用GIS轨迹数据分析工具和交通流模拟软件，计算公共交通的派车频率与交通流量总减少量间的函数关系W（T），其中T代表派车频率，W（T）代表交通流量总减少量；
步骤S43.根据预设的通行流量WY，计算公交线路的派车频率：
；
其中，Z代表公交线路经过的路段数量，Wj代表第j站点所在路段的交通流量，WY为预设的通行流量；
根据W（T）的函数值，计算对应的自变量值，存在多个计算结果的，取最小的计算结果，将所述计算结果记作T0，以T0作为公交线路的派车频率。
本步骤利用大数据分析和人工智能技术，对城市中的公共交通线路进行综合分析和优化，以提高城市的效率和可持续性，可以使城市根据实际人流量，控制公共交通线路的位置与派车频率。
进一步的，步骤S5包括：
步骤S51.根据城市历史事故记录，利用自回归积分移动平均模型ARIMA拟合交通流量、车辆速度与交通事故发生率间的关联函数X（W,V），其中函数值X代表事故发生率，W代表交通流量，V代表车辆速度；
步骤S52.将预设的交通事故发生率阈值X0以及公交线路沿途各路段的车流量Wj输入所述关联函数，计算自变量V的值，存在多个计算结果的，选择最大的计算结果，计算出的值记作Vj，将Vj作为第j站点所在路段的最高限速值，对公交车辆进行限速。
与现有技术相比，本发明所达到的有益效果是：
1.本发明利用大数据分析和人工智能技术，对城市中的公共交通线路进行综合分析和优化，以提高城市的效率和可持续性，可以使城市根据实际人流量，控制公共交通线路的位置与派车频率，实现公共交通优化、智能道路管理、交通拥堵预测等功能，提高交通运输效率并减少碳排放，使公共交通职能最大化。
2.本发明能够根据建筑流入流出数量、建筑间的距离和建筑容量，计算每两栋建筑间的人员流动性，根据全域建筑间的人员流动性和道路连接情况，计算路段交通流量的变化情况，相比于传统道路监测手段，无需投入额外的摄像设备，减少了交通维护费用，同时预测结果更加准确，提高了城市的效率和可持续性。
3.本发明能够计算公交线路沿途的车流量，根据计算结果和不同路段的车流量，随时间动态调节各公共交通车辆在各路段的限速值，减少交通拥堵，提高道路的通行能力，同时减少交通事故的发生，提高居民的通行效率和出行舒适度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于大数据的智能城市规划管理系统的结构示意图；
图2是本发明基于大数据的智能城市规划管理方法的步骤示意图。
具体实施方式
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。
请参阅图1，本发明提供技术方案：基于大数据的智能城市规划管理系统，包括：人员统计模块、建筑流动模块、流量预测模块、线路规划模块和通行限速模块；
所述人员统计模块用于采集城市区域内各建筑的交通出入情况，分析该建筑内流动人员的出行模式，并计算不同出行模式下人员流动数量随时间的变化情况；
所述人员统计模块包括：出入检测单元和出行分析单元；
所述出入检测单元用于利用设置在建筑大门和停车场内的摄像装置，获取建筑内的交通出入情况，所述交通出入情况包括：行人出入量、车辆出入量和停车场占用量；
所述出行分析单元用于根据建筑内的历史交通出入情况，分析人员采用各出行模式的比例，所述出行模式包括：步行、非车辆出行和车辆出行，并计算不同出行模式下人员流动数量随时间的变化情况。
所述建筑流动模块用于根据建筑特征，通过大数据计算人员向各目的地建筑的流动概率，由各建筑间的人员流动概率，计算每两栋建筑间的预计人流，再根据全域建筑间的预计人流和道路连接情况，构建区域内人员流动模型；
所述建筑流动模块包括：人员流动单元、区域拟合单元和交通潮汐单元；
所述人员流动单元用于获取对比特征，所述对比特征包括：历史流动人员数量、建筑间的距离和建筑容量，根据不同建筑间的特征，计算每一座建筑的人员吸引力；
所述区域拟合单元用于根据区域内所有建筑的人员吸引力，计算人员向各目的地建筑的流动概率和每两栋建筑间的预计人流，构建区域内人员流动模型；
所述交通潮汐单元用于根据建筑间的道路连接情况和预计人流，计算每个路段内的预估交通流量。
所述流量预测模块用于根据历史数据，评估外来车辆目的地，并计算出外来人员流动模型，根据所述区域内人员流动模型和外来人员流动模型，计算未来城市内每个路段的交通流量情况，并标记拥堵路段；
所述流量预测模块包括：车流评估单元和拥堵预测单元；
所述车流评估单元用于根据历史数据计算车流的数量，将外来车流计算到预估交通流量内，得到总交通流量变化函数；
所述拥堵预测单元用于根据总交通流量变化函数和道路的承载能力，将交通流量大于承载能力的路段标记为拥堵路段。
所述线路规划模块用于根据预测出的拥堵路段，进行公共交通线路的规划，并评估公交线路对车流量的影响，根据预测出的交通流量，动态调整公共交通的派车频率，使道路流量控制在设定范围内；
所述线路规划模块包括：公交缓流单元、线路评估单元和动态派车单元；
所述公交缓流单元用于根据其他线路开通前后的交通流量数据，评估公交线路对车流量的影响；
所述线路评估单元用于根据拥堵路段的分布规划公交线路，使每一个拥堵路段都有公交线路经过；
所述动态派车单元用于根据公交线路对车流量的影响与线路途经路段的预估交通流量，计算公交线路的派车频率，使公交线路途经各路段的交通流量降低到道路承载能力以下。
所述通行限速模块用于根据城市内的历史行车记录，分析车辆事故风险、速度与车流量间的关系，结合不同路段内的预计车流量，动态调整路段的限速范围，使车流在风险可控的范围内达到更高的速度。
所述通行限速模块包括：速度风险单元和限速调整单元；
所述速度风险单元用于分析车辆速度、交通流量和事故概率间的关系，根据预估交通流量和设定的事故概率阈值，计算公交车辆最高行驶速度；
所述限速调整单元用于根据计算出的车辆最高行驶速度，调节路段内车辆的最高限速。
如图2所示，基于大数据的智能城市规划管理方法，包括以下步骤：
步骤S1.采集城市内各建筑的交通出入情况，根据所述交通出入情况分析流动人员的数量和出行模式，计算不同出行模式下人员流动数量随时间的变化情况；
步骤S1包括：
步骤S11.对城市区域内的每一座建筑执行人员检测方法，所述人员检测方法如下：
将一天平均划分为n个时段，所述n为预设值，n≥2，利用设置在建筑大门和停车场内的摄像装置，获取建筑在每个时段内的交通出入情况，所述交通出入情况包括：行人出入量、车辆出入量和停车场占用量；
步骤S12.根据检测到的交通出入情况，生成行人流入序列A1=[R1,R2,…,Rn]，其中Rn代表第n个时段内进入建筑的行人数量，行人流出序列a1=[r1,r2,…,rn]，其中rn代表第n个时段内离开建筑的行人数量，车辆流入序列B1=[E1,E2,…,En]，其中En代表第n个时段内进入建筑的车辆数量，车辆流出序列b1=[e1,e2,…,en]，其中En代表第n个时段内离开建筑的车辆数量。
步骤S2.根据建筑间的对比特征，计算每一座建筑向其他建筑进行人员流动的概率，并根据流动人员的出行模式，预测各建筑间的预计交通流量；
步骤S2包括：
步骤S21.构造流量预测方法，所述流量预测方法如下：
对该建筑以外的其他建筑进行编号，编号结果构成集合D={1,2,…,m-1}，其中m代表城市内所有建筑的数量；
获取其他建筑的对比特征，所述对比特征包括：历史一日内交通出入情况、建筑间的距离和建筑内停车场容量；
获取行人行走的速度范围，将所述速度范围平均分为u个区间，每个区间上下限的平均值记作Vh，其中，h∈{1,2，…，u}，利用正态分布预估行人以各种速度行走的概率P（Vh），所述P（Vh）=f（Vh），其中f（）代表服从位置参数μ=（V1+Vu）/2，尺度参数σ=1的正态分布的概率密度函数；
根据以下公式，计算建筑间的行人流动概率：
；
其中，Pd代表当前建筑与编号d建筑间的行人流动概率，a1(i)代表序列a1中第i个 元素，代表序列a1中所有元素的平均值，Ad代表编号d的建筑历史一日内的行人流入序列，代表序列Ad的平均值，L代表当前建筑与编号d建筑间的距离，INT（）为取整函数，所述Pd、和L均大于0，且Pd≤1；
从交通部门获取建筑间道路的限速范围和道路容量，将所述限速范围分为U个区间，每个区间上下限的平均值记作VH，其中，H∈{1,2，…，U}，预估车辆在各速度行驶的概率Q（VH），所述Q（VH）=F（VH），其中F（）代表服从位置参数μ=VH·e^(-BT/K)，尺度参数σ=1的正态分布的概率密度函数，BT代表当前时段内所有流出建筑的车辆数量，K为道路容量，代表道路容纳车辆的能力，e为自然对数的底数；
根据以下公式，计算建筑间的车辆流动概率：
；
其中，Qd代表当前建筑与编号d建筑间的车辆流动概率，b1(i)代表序列b1中第i个 元素，Bd代表编号d的建筑历史一日内的车辆流入序列，代表序列Bd的平均值，Gd代表编号 d的建筑内停车场容量，代表城市内所有停车场的总容量，gd代表编号d的建筑内停车场 占用量，所述Qd、和Gd均大于0，且Qd≤1；
步骤S22.根据当前流出建筑的行人与车辆数量，对当前建筑和编号d的建筑间的交通流量进行预测，得到预测交通流量Wd，所述Wd=c·an·Pd+bn·Qd，其中c为预设值，代表行人相对于车辆的交通权重，且0＜c≤1；
获取当前建筑与编号d的建筑间连接的路段数量，将预测交通流量Wd平均分配到各路段中；
遍历集合D，得到当前建筑与每一座其他建筑间的预测交通流量。
步骤S3.根据步骤S2中得到的预计交通流量和建筑间的道路网，对相同时间段内的交通流量进行叠加，计算各路段的内部交通流量；
步骤S3包括：
步骤S31.对城市内的每一座建筑执行步骤S2中所述的流量预测方法，将得到的使用预测交通流量进行叠加，得到每一条路段上的内部交通流量；
步骤S32.将步骤S31中得到的内部交通流量与道路容量K作比较，当一条路段中的内部交通流量大于等于道路容量，则将该路段标记为繁忙路段，发送到城市交通指挥中心，供交通管理人员参考。
步骤S4.根据步骤S3中预测出的各路段的内部交通流量，进行公共交通线路的规划，并根据其他线路开通前后的交通流量数据，评估公交线路对交通流量的影响，根据所述交通总流量和公交线路影响，计算公交线路的派车频率；
步骤S4包括：
步骤S41.根据步骤S3中预测出的各路段的内部交通流量，按以下规则规划公共交通线路：
以内部交通流量最大的路段作为公共交通第一站点，在起点站所在路段两端连接的所有道路中，选择交通流量最大的路段作为第二站点，在第二站点所在路段两端连接的所有道路中，选择交通流量最大，且没有设置站点的路段作为第三站点，以此类推，直到找不到符合条件的路段为止；
步骤S42.根据其他线路开通前后的交通流量数据，利用GIS轨迹数据分析工具和交通流模拟软件，计算公共交通的派车频率与交通流量总减少量间的函数关系W（T），其中T代表派车频率，W（T）代表交通流量总减少量；
步骤S43.根据预设的通行流量WY，计算公交线路的派车频率：
；
其中，Z代表公交线路经过的路段数量，Wj代表第j站点所在路段的交通流量，WY为预设的通行流量，且W（T）>0；
根据W（T）的函数值，计算对应的自变量值，存在多个计算结果的，取最小的计算结果，将所述计算结果记作T0，以T0作为公交线路的派车频率。
步骤S5.根据公交线路沿途交通流量，计算公交车辆最高行驶速度，根据计算出的最高行驶速度，调节各路段公交车辆的最高限速。
步骤S5包括：
步骤S51.根据城市历史事故记录，利用自回归积分移动平均模型ARIMA拟合交通流量、车辆速度与交通事故发生率间的关联函数X（W,V），其中函数值X代表事故发生率，W代表交通流量，V代表车辆速度；
步骤S52.将预设的交通事故发生率阈值X0以及公交线路沿途各路段的车流量Wj输入所述关联函数，计算自变量V的值，存在多个计算结果的，选择最大的计算结果，计算出的值记作Vj，将Vj作为第j站点所在路段的最高限速值，对公交车辆进行限速。
实施例：
某城市区域内只有3座建筑，每隔30分钟检测一次各建筑内的人员出入情况和车辆出入情况，得到当前时段内行人流出流量分别为5人/分钟、10人/分钟和15人/分钟，车辆流出流量分别为4辆/分钟、1辆/分钟和4辆/分钟，行人流入量分别为8人/分钟、12人/分钟和10人/分钟，车辆流入量分别为5辆/分钟、2辆/分钟和2辆/分钟，3座建筑两两间存在路段连接，构成三角形道路网；
根据3座建筑的历史流入流出数量，得到当前时段行人在建筑1到建筑2之间的流动概率为0.2，车辆流动概率为0.5，行人相对于车辆的交通权重为0.1，则得到当前时段建筑1到建筑2之间的预测交通流量Wd=c·an·Pd+bn·Qd=2.1，按此方法计算出所有路段的交通流量，得到三条路段间的交通流量分别为4、6和5，则以第二路段作为公交初始站点构建交通线路，公交线路的纾解作用为0.2流量·分钟/辆，预设的通行流量WY=5，计算出的派车频率为7分钟/辆，则在当前30分钟内以7分钟/辆的频率进行派车。
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。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于大数据的智能城市规划管理方法，其特征在于，所述方法包括以下步骤：
步骤S1.采集城市内各建筑的交通出入情况，根据所述交通出入情况分析流动人员的数量和出行模式，计算不同出行模式下人员流动数量随时间的变化情况；
步骤S2.根据建筑间的对比特征，构造流量预测方法，计算每一座建筑内的人员向其他各建筑的行人流动概率和车辆流动概率，再根据步骤S1中得到的人员流动数量，计算各建筑间的预计交通流量；
步骤S3.根据步骤S2中得到的预计交通流量和建筑间的道路网，对相同时间段内的交通流量进行叠加，计算各路段的内部交通流量，将内部交通流量与道路容量相比较，识别出繁忙路段；
步骤S4.根据步骤S3中预测出的各路段的内部交通流量，进行公共交通线路的规划，以交通流量最高的路段作为起点站，根据相邻其他路段的预测交通流量进行下一站点的设置，直到完成线路闭环，并根据其他线路开通前后的交通流量数据，评估公交线路对交通流量的影响，根据所述交通总流量和公交线路的影响，计算公交线路的派车频率；
步骤S5.根据城市历史事故记录，拟合交通流量、车辆速度与交通事故发生率间的关联函数，根据公交站点所在路段的交通流量，计算交通事故发生率低于阈值的前提下，不同路段车辆的最高行驶速度，再根据计算出的最高行驶速度，调节各站点所在路段公交车辆的最高限速。
2.根据权利要求1所述的基于大数据的智能城市规划管理方法，其特征在于：步骤S1包括：
步骤S11.对城市区域内的每一座建筑执行人员检测方法，所述人员检测方法如下：
将一天平均划分为n个时段，所述n为预设值，n≥2，利用设置在建筑大门和停车场内的摄像装置，获取建筑在每个时段内的交通出入情况，所述交通出入情况包括：行人出入量、车辆出入量和停车场占用量；
步骤S12.根据检测到的交通出入情况，生成行人流入序列A1=[R1,R2,…,Rn]，其中Rn代表第n个时段内进入建筑的行人数量，行人流出序列a1=[r1,r2,…,rn]，其中rn代表第n个时段内离开建筑的行人数量，车辆流入序列B1=[E1,E2,…,En]，其中En代表第n个时段内进入建筑的车辆数量，车辆流出序列b1=[e1,e2,…,en]，其中En代表第n个时段内离开建筑的车辆数量。
3.根据权利要求2所述的基于大数据的智能城市规划管理方法，其特征在于：步骤S2包括：
步骤S21.构造流量预测方法，所述流量预测方法如下：
对该建筑以外的其他建筑进行编号，编号结果构成集合D={1,2,…,m-1}，其中m代表城市内所有建筑的数量；
获取其他建筑的对比特征，所述对比特征包括：历史一日内交通出入情况、建筑间的距离和建筑内停车场容量；
获取行人行走的速度范围，将所述速度范围平均分为u个区间，每个区间上下限的平均值记作Vh，其中，h∈{1,2，…，u}，利用正态分布预估行人以各种速度行走的概率P（Vh），所述P（Vh）=f（Vh），其中f（）代表服从位置参数μ=（V1+Vu）/2，尺度参数σ=1的正态分布的概率密度函数；
根据以下公式，计算建筑间的行人流动概率：
；
其中，Pd代表当前建筑与编号d建筑间的行人流动概率，a1(i)代表序列a1中第i个元素，代表序列a1中所有元素的平均值，Ad代表编号d的建筑历史一日内的行人流入序列，/>代表序列Ad的平均值，L代表当前建筑与编号d建筑间的距离，INT（）为取整函数，所述Pd、/>和L均大于0，且Pd≤1；
从交通部门获取建筑间道路的限速范围和道路容量，将所述限速范围分为U个区间，每个区间上下限的平均值记作VH，其中，H∈{1,2，…，U}，预估车辆在各速度行驶的概率Q（VH），所述Q（VH）=F（VH），其中F（）代表服从位置参数μ=VH·e^(-BT/K)，尺度参数σ=1的正态分布的概率密度函数，BT代表当前时段内所有流出建筑的车辆数量，K为道路容量，代表道路容纳车辆的能力，e为自然对数的底数；
根据以下公式，计算建筑间的车辆流动概率：
；
其中，Qd代表当前建筑与编号d建筑间的车辆流动概率，b1(i)代表序列b1中第i个元素，Bd代表编号d的建筑历史一日内的车辆流入序列，代表序列Bd的平均值，Gd代表编号d的建筑内停车场容量，/>代表城市内所有停车场的总容量，gd代表编号d的建筑内停车场占用量，所述Qd、/>和Gd均大于0，且Qd≤1；
步骤S22.根据当前流出建筑的行人与车辆数量，对当前建筑和编号d的建筑间的交通流量进行预测，得到预测交通流量Wd，所述Wd=c·an·Pd+bn·Qd，其中c为预设值，代表行人相对于车辆的交通权重，且0＜c≤1；
获取当前建筑与编号d的建筑间连接的路段数量，将预测交通流量Wd平均分配到各路段中；
遍历集合D，得到当前建筑与每一座其他建筑间的预测交通流量。
4.根据权利要求3所述的基于大数据的智能城市规划管理方法，其特征在于：步骤S3包括：
步骤S31.对城市内的每一座建筑执行步骤S2中所述的流量预测方法，将得到的使用预测交通流量进行叠加，得到每一条路段上的内部交通流量；
步骤S32.将步骤S31中得到的内部交通流量与道路容量K作比较，当一条路段中的内部交通流量大于等于道路容量，则将该路段标记为繁忙路段，发送到城市交通指挥中心；
步骤S4包括：
步骤S41.根据步骤S3中预测出的各路段的内部交通流量，按以下规则规划公共交通线路：
以内部交通流量最大的路段作为公共交通第一站点，在起点站所在路段两端连接的所有道路中，选择交通流量最大的路段作为第二站点，在第二站点所在路段两端连接的所有道路中，选择交通流量最大，且没有设置站点的路段作为第三站点，以此类推，直到找不到符合条件的路段为止；
步骤S42.根据其他线路开通前后的交通流量数据，利用GIS轨迹数据分析工具和交通流模拟软件，计算公共交通的派车频率与交通流量总减少量间的函数关系W（T），其中T代表派车频率，W（T）代表交通流量总减少量；
步骤S43.根据预设的通行流量WY，计算公交线路的派车频率：
；
其中，Z代表公交线路经过的路段数量，Wj代表第j站点所在路段的交通流量，WY为预设的通行流量；
根据W（T）的函数值，计算对应的自变量值，存在多个计算结果的，取最小的计算结果，将所述计算结果记作T0，以T0作为公交线路的派车频率。
5.根据权利要求4所述的基于大数据的智能城市规划管理方法，其特征在于：步骤S5包括：
步骤S51.根据城市历史事故记录，利用自回归积分移动平均模型ARIMA拟合交通流量、车辆速度与交通事故发生率间的关联函数X（W,V），其中函数值X代表事故发生率，W代表交通流量，V代表车辆速度；
步骤S52.将预设的交通事故发生率阈值X0以及公交线路沿途各路段的车流量Wj输入所述关联函数，计算自变量V的值，存在多个计算结果的，选择最大的计算结果，计算出的值记作Vj，将Vj作为第j站点所在路段的最高限速值，对公交车辆进行限速。
6.基于大数据的智能城市规划管理系统，其特征在于，所述系统包括以下模块：人员统计模块、建筑流动模块、流量预测模块、线路规划模块和通行限速模块；
所述人员统计模块用于采集城市区域内各建筑的交通出入情况，分析该建筑内流动人员的出行模式，并计算不同出行模式下人员流动数量随时间的变化情况；
所述建筑流动模块用于根据建筑特征，通过大数据计算人员向各目的地建筑的流动概率，由各建筑间的人员流动概率，计算每两栋建筑间的预计人流，再根据全域建筑间的预计人流和道路连接情况，构建区域内人员流动模型；
所述流量预测模块用于根据历史数据，评估外来车辆目的地，并计算出外来人员流动模型，根据所述区域内人员流动模型和外来人员流动模型，计算未来城市内每个路段的交通流量情况，并标记拥堵路段；
所述线路规划模块用于根据预测出的拥堵路段，进行公共交通线路的规划，并评估公交线路对车流量的影响，根据预测出的交通流量，动态调整公共交通的派车频率，使道路流量控制在设定范围内；
所述通行限速模块用于根据城市内的历史行车记录，分析车辆事故风险、速度与车流量间的关系，结合不同路段内的预计车流量，动态调整路段的限速范围，使车流在风险可控的范围内达到更高的速度。
7.根据权利要求6所述的基于大数据的智能城市规划管理系统，其特征在于：所述人员统计模块包括：出入检测单元和出行分析单元；
所述出入检测单元用于利用设置在建筑大门和停车场内的摄像装置，获取建筑内的交通出入情况，所述交通出入情况包括：行人出入量、车辆出入量和停车场占用量；
所述出行分析单元用于根据建筑内的历史交通出入情况，分析人员采用各出行模式的比例，所述出行模式包括：步行、非车辆出行和车辆出行，并计算不同出行模式下人员流动数量随时间的变化情况。
8.根据权利要求7所述的基于大数据的智能城市规划管理系统，其特征在于：所述建筑流动模块包括：人员流动单元、区域拟合单元和交通潮汐单元；
所述人员流动单元用于获取对比特征，所述对比特征包括：历史流动人员数量、建筑间的距离和建筑容量，根据不同建筑间的特征，计算每一座建筑的人员吸引力；
所述区域拟合单元用于根据区域内所有建筑的人员吸引力，计算人员向各目的地建筑的流动概率和每两栋建筑间的预计人流，构建区域内人员流动模型；
所述交通潮汐单元用于根据建筑间的道路连接情况和预计人流，计算每个路段内的预估交通流量。
9.根据权利要求8所述的基于大数据的智能城市规划管理系统，其特征在于：所述流量预测模块包括：车流评估单元和拥堵预测单元；
所述车流评估单元用于根据历史数据计算车流的数量，将外来车流计算到预估交通流量内，得到总交通流量变化函数；
所述拥堵预测单元用于根据总交通流量变化函数和道路的承载能力，将交通流量大于承载能力的路段标记为拥堵路段。
10.根据权利要求9所述的基于大数据的智能城市规划管理系统，其特征在于：所述线路规划模块包括：公交缓流单元、线路评估单元和动态派车单元；
所述公交缓流单元用于根据其他线路开通前后的交通流量数据，评估公交线路对车流量的影响；
所述线路评估单元用于根据拥堵路段的分布规划公交线路，使每一个拥堵路段都有公交线路经过；
所述动态派车单元用于根据公交线路对车流量的影响与线路途经路段的预估交通流量，计算公交线路的派车频率，使公交线路途经各路段的交通流量降低到道路承载能力以下；
所述通行限速模块包括：速度风险单元和限速调整单元；
所述速度风险单元用于分析车辆速度、交通流量和事故概率间的关系，根据预估交通流量和设定的事故概率阈值，计算公交车辆最高行驶速度；
所述限速调整单元用于根据计算出的车辆最高行驶速度，调节路段内车辆的最高限速。
CN202410069454.8A 2024-01-18 2024-01-18 基于大数据的智能城市规划管理方法及系统 Active CN117593167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410069454.8A CN117593167B (zh) 2024-01-18 2024-01-18 基于大数据的智能城市规划管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410069454.8A CN117593167B (zh) 2024-01-18 2024-01-18 基于大数据的智能城市规划管理方法及系统

Publications (2)

Publication Number Publication Date
CN117593167A true CN117593167A (zh) 2024-02-23
CN117593167B CN117593167B (zh) 2024-04-12

Family

ID=89922249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410069454.8A Active CN117593167B (zh) 2024-01-18 2024-01-18 基于大数据的智能城市规划管理方法及系统

Country Status (1)

Country Link
CN (1) CN117593167B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117809475A (zh) * 2024-02-27 2024-04-02 交通运输部水运科学研究所 基于数据驱动的港区应急路段疏导系统
CN118396196A (zh) * 2024-07-01 2024-07-26 日照朝力信息科技有限公司 基于大数据的智能城市规划管理方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574970A (zh) * 2015-01-26 2015-04-29 中国人民解放军理工大学 城市地下停车系统出入口接驳处交通状态评价方法
CN109753694A (zh) * 2018-12-13 2019-05-14 东南大学 基于全过程出行感知时间的中小城市公交线网设计方法
CN112651546A (zh) * 2020-12-10 2021-04-13 北京北大千方科技有限公司 一种公交线路优化方法以及系统
CN115331429A (zh) * 2021-04-20 2022-11-11 孙素萍 基于智慧城市的交通风险感知系统
CN115472001A (zh) * 2022-07-25 2022-12-13 深圳市城市交通规划设计研究中心股份有限公司 体育场人车交通疏散仿真评估方法、电子设备及存储介质
CN115712808A (zh) * 2022-10-18 2023-02-24 吉林大学 一种基于bpr函数模型的城市道路交通时间的计算方法及其系统
WO2023109720A1 (zh) * 2021-12-13 2023-06-22 深圳先进技术研究院 城市公共交通规划方法
CN116911568A (zh) * 2023-08-09 2023-10-20 济南华云妙网络科技有限公司 一种公共交通智慧运营管理方法及系统
CN116935654A (zh) * 2023-09-15 2023-10-24 北京安联通科技有限公司 一种基于数据分配值的智慧城市数据分析方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574970A (zh) * 2015-01-26 2015-04-29 中国人民解放军理工大学 城市地下停车系统出入口接驳处交通状态评价方法
CN109753694A (zh) * 2018-12-13 2019-05-14 东南大学 基于全过程出行感知时间的中小城市公交线网设计方法
CN112651546A (zh) * 2020-12-10 2021-04-13 北京北大千方科技有限公司 一种公交线路优化方法以及系统
CN115331429A (zh) * 2021-04-20 2022-11-11 孙素萍 基于智慧城市的交通风险感知系统
WO2023109720A1 (zh) * 2021-12-13 2023-06-22 深圳先进技术研究院 城市公共交通规划方法
CN115472001A (zh) * 2022-07-25 2022-12-13 深圳市城市交通规划设计研究中心股份有限公司 体育场人车交通疏散仿真评估方法、电子设备及存储介质
CN115712808A (zh) * 2022-10-18 2023-02-24 吉林大学 一种基于bpr函数模型的城市道路交通时间的计算方法及其系统
CN116911568A (zh) * 2023-08-09 2023-10-20 济南华云妙网络科技有限公司 一种公共交通智慧运营管理方法及系统
CN116935654A (zh) * 2023-09-15 2023-10-24 北京安联通科技有限公司 一种基于数据分配值的智慧城市数据分析方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MITTAL, ANKUSH等: "Audio-video based people counting and security framework for traffic crossings", 《JOURNAL OF VLSI SIGNAL PROCESSING SYSTEMS FOR SIGNAL IMAGE AND VIDEO TECHNOLOGY》, 1 December 2007 (2007-12-01) *
岳锦涛: "基于多源数据的人居单元交通规划研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 January 2023 (2023-01-15) *
马超群;艾倩楠;张俊;: "不完备信息下公交断面客流的推算模型", 公路交通科技, no. 05, 15 May 2018 (2018-05-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117809475A (zh) * 2024-02-27 2024-04-02 交通运输部水运科学研究所 基于数据驱动的港区应急路段疏导系统
CN117809475B (zh) * 2024-02-27 2024-04-26 交通运输部水运科学研究所 基于数据驱动的港区应急路段疏导系统
CN118396196A (zh) * 2024-07-01 2024-07-26 日照朝力信息科技有限公司 基于大数据的智能城市规划管理方法

Also Published As

Publication number Publication date
CN117593167B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN117593167B (zh) 基于大数据的智能城市规划管理方法及系统
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
El-Geneidy et al. Effects of bus stop consolidation on passenger activity and transit operations
CN109215350B (zh) 一种基于rfid电子车牌数据的短期交通状态预测方法
CN107679654B (zh) 一种停车规模预估控制系统及实现方法
Li et al. Public bus arrival time prediction based on traffic information management system
CN102842219B (zh) 预测方法和系统
US20220414450A1 (en) Distributed Multi-Task Machine Learning for Traffic Prediction
Karoń et al. Problems of quality of public transportation systems in smart cities—Smoothness and disruptions in urban traffic
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
Padiath et al. Prediction of traffic density for congestion analysis under Indian traffic conditions
Samoili et al. Investigation of lane flow distribution on hard shoulder running freeways
Quek et al. A novel self-organizing fuzzy rule-based system for modelling traffic flow behaviour
Chen et al. Using automatic passenger counter data in bus arrival time prediction
Liang et al. An Overlapping Phase Approach to Optimize Bus Signal Priority Control under Two‐Way Signal Coordination on Urban Arterials
CN116993131B (zh) 一种基于公共交通线路管理的优化方法及系统
Shen Freeway travel time estimation and prediction using dynamic neural networks
Izadpanah Freeway travel time prediction using data from mobile probes
CN112053570B (zh) 一种城市交通路网运行状态监测评价方法及系统
Liu Bi-level optimization algorithm for dynamic reversible lane control based on short-term traffic flow prediction
Shamlitskiy et al. Transport stream optimization based on neural network learning algorithms
Oskarbski et al. Multi-level transport systems model for traffic management activities
Lee et al. A hybrid soft computing approach to link travel speed estimation
Mazloumi et al. Using SCATS data to predict bus travel time
Shah et al. Detroit freeway corridor ITS evaluation

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