TW202147272A - 車流推估方法與系統 - Google Patents
車流推估方法與系統 Download PDFInfo
- Publication number
- TW202147272A TW202147272A TW109119901A TW109119901A TW202147272A TW 202147272 A TW202147272 A TW 202147272A TW 109119901 A TW109119901 A TW 109119901A TW 109119901 A TW109119901 A TW 109119901A TW 202147272 A TW202147272 A TW 202147272A
- Authority
- TW
- Taiwan
- Prior art keywords
- road
- traffic flow
- traffic
- designated
- designated road
- Prior art date
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本發明提供一種推估車流之方法與系統,係先利用監督式學習技術,建立以行動網路基地台為基礎的人工智慧通用型車流推估模型,再以迴歸分析技術映射指定道路的車流特徵後,獲得結合人工智慧與迴歸分析演算法的車流推估模型,便能以指定道路的行動信令資料推估該指定道路的車流量。
Description
本發明係有關一種車流推估方法與系統,特別係有關一種結合監督式人工智慧及迴歸分析演算法並根據行動網路信令之車流推估方法與系統。
對於道路交通資訊的偵測,目前發展有以行動網路基地台為基礎的探偵車(Cellular-Based Vehicle Probe,CVP)技術。相較於傳統固定於路側的超音波、微波或線圈等車輛偵測器(Vehicle Detector,VD)、電子道路收費系統(Electronic Toll Collection,ETC)為基礎的探偵車(ETC-Based Vehicle Probe,EVP)、以及全球衛星定位系統的探偵車(GPS-Based Vehicle Probe,GVP)等,該技術更具有高涵蓋率、建置成本低、且無須使用車上通訊裝置等特色,已成為電信業者熱門研究議題。
追溯過去的研究發明,CVP信令技術主要是使用在車速或旅行時間的估算,其原因主要在於藉由少部分的點對點之間配對的行動網路信令資料之時間差與相對的路段長度,即可計算路段的平均車速及旅行時間等交通參數。但若以路段上CVP信令資料統計數量作為車流量,往往會產生不可忽略誤差,其原因在於不同電信業者只擁有近似於市場佔有率的行動信令資料,以及每輛車的乘客數與手機數均未知,也就是說每輛車所產生的CVP信令數量未知且不
一致。因此在都會區密集的道路,道路CVP信令資料總數遠遠高於車輛數,且在一般道路上車流型態為汽車及機車混和車流,CVP信令資料的分布樣態會隨著不同道路之汽機車混合比例或是道路周邊的型態而有顯著的不同,因此估算車流量十分不易。
鑒於人工智慧技術日益成熟與進步,現有技術曾提出人工智慧車流推估系統及方法,惟人工智慧技術於測試之指定道路需大量的歷史資料作為建立模型學習訓練之用,才能提升CVP車流推估精準度。然而實務上,指定道路可能僅有少量可供參考歷史資料,故會影響車流推估的精準度。
由此可見,上述習用方式仍有諸多缺失,實非一良善之設計,而亟待加以改良。
為解決上述問題,本發明提供一種車流推估方法,包括:蒐集與指定道路具有至少一相同特徵之道路的歷史行動信令交通資料,再萃取該道路之歷史行動信令交通資料之特徵及標籤值;將該道路之特徵及標籤值組成訓練集,透過監督式人工智慧技術,訓練並校調人工智慧通用型車流推估模型,以產生經訓練與校調之人工智慧通用型車流推估模型;蒐集該指定道路之歷史行動信令交通資料,再萃取該指定道路之該歷史行動信令交通資料之特徵及標籤值;以及將該指定道路之特徵輸入該經訓練與校調之人工智慧通用型車流推估模型,以推估該指定道路之通用型車流;及,依據該指定道路之標籤值與通用型車流,進行道路型態迴歸分析訓練,以產生該指定道路之迴歸分析車流推估模型。
在一實施例中,該道路和該指定道路之標籤值得為單一或多種車輛之車流量。
本發明另提供一種車流推估方法,包括:蒐集指定道路於推估時間內之行動信令交通資料,再萃取該指定道路之行動信令交通資料之特徵;將該指定道路之特徵輸入人工智慧通用型車流推估模型,以推估該指定道路之通用型車流;以及,將該指定道路之通用型車流輸入該指定道路之迴歸分析車流推估模型,以利用道路型態迴歸分析技術產生該指定道路於該推估時間內之車流推估資訊。
本發明又提供一種車流推估系統,包括:道路資料擷取與萃取模組,用於蒐集與指定道路具有至少一相同特徵之道路的歷史行動信令交通資料,再萃取該道路的歷史行動信令交通資料之特徵及標籤值;監督式人工智慧學習模組,用於將該道路之特徵及標籤值組成訓練集,以透過監督式人工智慧技術,訓練並校調人工智慧通用型車流推估模型,以產生經訓練與校調之人工智慧通用型車流推估模型;指定道路資料擷取與萃取模組,用於蒐集該指定道路之歷史行動信令交通資料,再萃取該指定道路之歷史行動信令交通資料之特徵及標籤值;以及人工智慧車流推估模組,用於將該指定道路之該特徵輸入該經訓練與校調之人工智慧通用型車流推估模型,以推估該指定道路之通用型車流;及指定道路迴歸分析模組,用於依據該指定道路之標籤值與通用型車流,進行道路型態迴歸分析訓練,以產生該指定道路之迴歸分析車流推估模型。
本發明再提供一種車流推估系統,包括:指定道路資料擷取與萃取模組,用於蒐集指定道路於推估時間內之行動信令交通資料,再萃取該指定道路之行動信令交通資料之特徵;人工智慧車流推估模組,用於將該指定道路之特
徵輸入人工智慧通用型車流推估模型,以推估該指定道路之通用型車流;以及迴歸分析車流推估模組,用於將該指定道路之通用型車流輸入該指定道路之迴歸分析車流推估模型,以利用道路型態迴歸分析技術產生該指定道路於該推估時間內之車流推估資訊。
本發明之方法與系統係利用行動網路的信令資料,結合監督式人工智慧及迴歸分析演算法,以推估指定道路之各種車輛的車流量,可改善指定道路因學習訓練資料不足而影響車流推估精準度之問題。
S110~S190:方法步驟
S210~S240:方法步驟
310、410、510:車流真值
320、420、520:車流推估值
600:車流推估系統
610:相似道路資料擷取與萃取模組
630:監督式人工智慧學習模組
640:指定道路資料擷取與萃取模組
660:人工智慧車流推估模組
670:指定道路迴歸分析模組
700:車流推估系統
710:指定道路資料擷取與萃取模組
730:人工智慧車流推估模組
740:迴歸分析車流推估模組
第1圖為根據本發明一實施例的一種根據行動網路信令之車流推估方法的訓練階段之流程圖。
第2圖為根據本發明一實施例的一種根據行動網路信令之車流推估方法的應用階段之流程圖。
第3圖為根據本發明一實施例的一種根據行動網路信令之車流推估方法的大汽車車流推估之示意圖。
第4圖為根據本發明一實施例的一種根據行動網路信令之車流推估方法的小汽車車流推估之示意圖。
第5圖為根據本發明一實施例的一種根據行動網路信令之車流推估方法的機車車流推估之示意圖。
第6圖為根據本發明一實施例的一種根據行動網路信令之車流推估系統的方塊圖。
第7圖為根據本發明一實施例的一種根據行動網路信令之車流推估系統的方塊圖。
以下藉由特定的具體實施例說明本發明之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。
本發明提供一種根據行動網路信令之車流推估方法,此車流推估方法區分為訓練階段與應用階段,應用階段係提取訓練階段產生之車流推估模型以進行指定道路之車流推估。第1圖與第2圖分別為訓練階段與應用階段之流程圖。
以下說明第1圖之流程,即本實施例之車流推估方法的訓練階段之流程。首先,蒐集指定道路之相似道路之歷史行動信令交通資料(S110),其中,指定道路為需要推估其車流之道路,而相似道路為與指定道路相似或相近之道路,該相似道路具有至少一個與指定道路相同的特徵。例如,相似道路和指定道路同為城市或鄉村之道路,或相似道路和指定道路間之距離(如以經緯度計算)小於一預設值,或相似道路和指定道路具有類似特性(如市場、觀光景點、政府機關)等。上述之歷史行動信令交通資料為在過去的某時間段取自行動網路基地台之CVP行動信令交通資料。在本實施例中,相似道路具有大量歷史行動信令交通資料,而指定道路之歷史行動信令交通資料較少,不足以直接推估其車流,故需要借助相似道路之歷史行動信令交通資料。
然後,萃取相似道路之歷史行動信令交通資料之特徵及標籤值(S120),例如可萃取每個單位時間內之相似道路的歷史行動信令交通資料之特徵
及標籤值。上述特徵為根據上述歷史行動信令交通資料進行過濾、篩選和/或計算而取得之資料。例如,上述特徵可包括行動網路信令、行動網路位置、行動網路時間、旅行時間、以及車速中之至少一者。其中,行動網路信令為行動裝置之國際行動裝置識別碼(international mobile equipment identity,IMEI)和/或國際行動用戶識別碼(international mobile subscriber identity,IMSI)。行動網路位置為行動裝置位置,例如行動裝置之全球定位系統(Global Positioning System,GPS)位置。行動網路時間為時間戳記(timestamp)。旅行時間為行動裝置於相似道路上之移動所經歷之時間長度。車速為行動裝置於相似道路上之移動速度。
另外,相似道路之上述標籤值為車流量,例如可為上述時間段的每個單位時間內通過相似道路之單一或多種車輛(如貨車、公車、汽車、機車、腳踏車等)的數量。該標籤值可取自相似道路之車輛或電子標籤偵測器、道路影像辨識、以及人工道路調查之至少一者。
然後,將相似道路之特徵和標籤值組成訓練集,透過監督式人工智慧技術或其演算法,訓練並校調人工智慧通用型車流推估模型(S130),以產生經訓練與校調之人工智慧通用型車流推估模型(S140)。該監督式人工智慧技術或其演算法可為支持向量機(support vector machine)、決策樹(decision tree)、隨機森林(random forest)或類神經網路(neural network)。該類神經網路可為倒傳遞神經網路(back propagation neural network,BPNN)、循環神經網路(recurrent neural network,RNN)、深度神經網路(deep neural network,DNN)、卷積神經網路(convolution neural network,CNN)、或長短期記憶(long short term memory,LSTM)網路。
另一方面,蒐集指定道路之歷史行動信令交通資料(S150),並萃取指定道路之歷史行動信令交通資料之特徵及標籤值(S160),例如可萃取每個單位時間內之指定道路的歷史行動信令交通資料之特徵及標籤值。指定道路之歷史行動信令交通資料、特徵及標籤值類似於相似道路之歷史行動信令交通資料、特徵及標籤值,只是將其說明中之相似道路替換為指定道路,在此不加以贅述。
然後,將指定道路之特徵輸入步驟S140所產生之經訓練與校調之人工智慧通用型車流推估模型,以推估指定道路之通用型車流(S170)。接著,依據指定道路之標籤值與通用型車流,進行道路型態迴歸分析訓練(S180),以產生指定道路之迴歸分析車流推估模型(S190)。其中,該道路型態迴歸分析訓練所使用之技術或演算法可為線性迴歸(linear regression)、對數機率迴歸(logistic regression)、複迴歸(multiple regression)、多項式迴歸(polynomial regression)、多變量迴歸(multi-variable regression)、或複多變量迴歸(multiple multi-variable regression)。
以下說明第2圖之流程,即本實施例之車流推估方法的應用階段之流程,其應用階段可以用來推估指定道路於任意推估時間(例如即時)之車流。首先,蒐集指定道路於推估時間內之行動信令交通資料(S210),該推估時間可為任意時間段。指定道路之行動信令交通資料為在該推估時間內取自行動網路基地台之CVP行動信令交通資料。然後,萃取指定道路之行動信令交通資料之特徵(S220),例如可萃取該推估時間的每個單位時間內之指定道路的行動信令交通資料之特徵。指定道路之上述特徵包括行動網路信令、行動網路位置、行動網路時間、旅行時間、以及車速之至少一者。
然後,將指定道路之特徵輸入步驟S140產生之人工智慧通用型車流推估模型,以推估指定道路之通用型車流(S230)。接著,將指定道路之通用型車流輸入步驟S190產生之指定道路之迴歸分析車流推估模型,以利用道路型態迴歸分析技術產生指定道路於推估時間內之車流推估資訊(S240)。該車流推估資訊包括該推估時間的每個單位時間內通過指定道路之各種車輛的數量。
在以下實施例中,請參照第1圖及第2圖,以基隆市基金一路至基金三路為相似道路,並以基隆市愛三路為指定道路(該相似道路與指定道路具有至少一相同的特徵,如同為城市或鄉村之道路,或其距離小於預設值),說明本發明所提供之結合監督式人工智慧及迴歸分析演算法並根據行動網路信令之車流推估方法,其實施步驟如下。
首先,於訓練階段,蒐集基隆市基金一路至基金三路於2018年12月至2019年11月期間之歷史行動信令交通資料(S110)。然後,萃取固定時間(如每五分鐘)的基金一路至基金三路於該期間之歷史行動信令交通資料之特徵值(S120),例如,將歷史行動信令交通資料以固定時間(如五分鐘)為單位時間作分割,每一日便可分割為288個時間點,萃取出288個時間點相應的歷史行動信令交通資料之特徵,並以車輛電子標籤(eTag)偵測器偵測所得之單一或多種車輛的車流量為標籤值(S120)。
然後,將上述特徵和標籤值組成訓練集,透過監督式人工智慧技術或其演算法,訓練並校調人工智慧通用型車流推估模型(S130),以產生人工智慧通用型車流推估模型(S140)。
另一方面,蒐集指定道路基隆市愛三路於2020年1月22日7:00~20:30期間之歷史行動信令交通資料(S150),同樣以固定時間(如五分鐘)
為單位時間,萃取該期間內每五分鐘的愛三路之歷史行動信令交通資料之特徵(S160),並以基隆市愛三路之車流影像錄影,辨識各種車輛(如大汽車、小汽車及機車等)車流量作為標籤值(S160)。
然後,提取步驟S140產生之人工智慧通用型車流推估模型,並輸入步驟S160萃取之基隆市愛三路之特徵,以推估愛三路之通用型車流(S170)。接著,輸入愛三路之上述標籤值與推估之通用型車流,進行道路型態迴歸分析訓練(S180),以產生愛三路之迴歸分析車流推估模型(S190)。
然後,進入應用階段,以2020年3月12日7:00~20:30之期間為推估時間,蒐集愛三路於推估時間之行動信令交通資料(S210),同樣以固定時間(如五分鐘)為單位時間,萃取愛三路於推估時間內每五分鐘的行動信令交通資料之特徵(S220)。接著,輸入步驟S220萃取之特徵於步驟S140產生之人工智慧通用型車流推估模型,以推估愛三路之通用型車流(S230)。然後,輸入步驟S230產生之通用型車流於步驟S190產生之迴歸分析車流推估模型,利用道路型態迴歸分析技術以產生愛三路於2020年3月12日7:00~20:30期間之CVP車流推估資訊(S240)。
在此實施例中,大汽車、小汽車與機車之車流推估請分別參閱第3圖至第5圖,其中,橫軸為時間,縱軸為通過愛三路之車輛數量。第3圖至第5圖係以同時間根據道路影像偵測之各類車流量為真值(310,410,510),與本實施例之車流推估方法所推估之車流推估資訊(320,420,520)相比較,兩者之間的平均絕對誤差率(mean absolute percentage error,MAPE)分別為大汽車26.1%、小汽車11.3%及機車12.2%。因為本實施例中指定道路大汽車樣本數少,以至MAPE
略大,惟相較於傳統車輛偵測器MAPE約30%而言,本實施例之車流推估方法仍具有較佳精準度。
若先前已建立步驟S140之相似道路之人工智慧通用型車流推估模型及步驟S190之指定道路之迴歸分析車流推估模型,則直接將這些模型應用於第2圖所示之應用階段流程即可,而無需重複執行第1圖所示之訓練階段流程,藉以加快其執行效率。
第6圖為根據本發明一實施例的一種根據行動網路信令之車流推估系統600的方塊圖。車流推估系統600包括相似道路資料擷取與萃取模組610、監督式人工智慧學習模組630、指定道路資料擷取與萃取模組640、人工智慧車流推估模組660、以及指定道路迴歸分析模組670,其中,每一模組均可為軟體、硬體或韌體,若為硬體,則可為具有資料處理與運算能力之處理單元、處理器、電腦或伺服器,若為軟體或韌體,則可包括處理單元、處理器、電腦或伺服器可執行之指令。車流推估系統600可用於執行第1圖所示的車流推估方法之訓練階段。例如,相似道路資料擷取與萃取模組610可用於執行步驟S110與步驟S120,監督式人工智慧學習模組630可用於執行步驟S130及S140,指定道路資料擷取與萃取模組640可用於執行步驟S150與步驟S160,人工智慧車流推估模組660可用於執行步驟S170,指定道路迴歸分析模組670可用於執行步驟S180及S190。以上各步驟細節已於前述實施例中說明,故不再重複贅述。
第7圖為根據本發明一實施例的一種根據行動網路信令之車流推估系統700的方塊圖。車流推估系統700包括指定道路資料擷取與萃取模組710、人工智慧車流推估模組730、以及迴歸分析車流推估模組740,其中,每一模組均可為軟體、硬體或韌體,若為硬體,則可為具有資料處理與運算能力之處理單
元、處理器、電腦或伺服器,若為軟體或韌體,則可包括處理單元、處理器、電腦或伺服器可執行之指令。車流推估系統700可用於執行第2圖所示的車流推估方法之應用階段。例如,指定道路資料擷取與萃取模組710可用於執行步驟S210與步驟S220,人工智慧車流推估模組730可用於執行步驟S230,迴歸分析車流推估模組740可用於執行步驟S240。以上各步驟細節已於前述實施例中說明,故不再重複贅述。
綜上所述,本發明僅使用行動裝置(如手機),不需要車上通訊裝置,以行動信令資料即可推估道路車流量,亦不需要額外路側設備,故可大幅減少系統硬體建置之成本與時程。此外,本發明運用人工智慧技術,可克服電信業者僅具有部分行動網路佔有率之問題。再者,實務上,指定道路經常可能僅有少量可供參考之歷史資料,故若僅以習知人工智慧技術推估車流,將會影響精準度,而本發明利用行動網路信令並結合監督式人工智慧及迴歸分析技術,以改善指定道路因學習訓練資料不足而影響車流推估精準度之現象,並可加快其執行效率。
上述實施形態僅例示性說明本發明之原理及其功效,而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下,對上述實施形態進行修飾與改變。因此,本發明之權利保護範圍,應如後述之申請專利範圍所列。
S110~S190:方法步驟
Claims (10)
- 一種車流推估方法,包括:蒐集與指定道路具有至少一相同特徵之道路的歷史行動信令交通資料,再萃取該道路之歷史行動信令交通資料之特徵及標籤值;將該道路之特徵及標籤值組成訓練集,透過監督式人工智慧技術,訓練並校調人工智慧通用型車流推估模型,以產生一經訓練與校調之人工智慧通用型車流推估模型;蒐集該指定道路之歷史行動信令交通資料,再萃取該指定道路之該歷史行動信令交通資料之特徵及標籤值;以及將該指定道路之特徵輸入該經訓練與校調之人工智慧通用型車流推估模型,以推估該指定道路之通用型車流;及依據該指定道路之標籤值與通用型車流,進行道路型態迴歸分析訓練,以產生該指定道路之迴歸分析車流推估模型。
- 如申請專利範圍第1項所述之車流推估方法,其中,該道路和該指定道路同為城市或鄉村之道路,或該道路和該指定道路間之距離小於一預設值。
- 如申請專利範圍第1項所述之車流推估方法,其中,該道路和該指定道路之歷史行動信令交通資料係取自行動網路基地台,且該道路和該指定道路之特徵係包括行動網路信令、行動網路位置、行動網路時間、旅行時間、以及車速中之至少一者。
- 如申請專利範圍第1項所述之車流推估方法,其中,該道路和該指定道路之標籤值係為單一或多種車輛之車流量。
- 如申請專利範圍第1項所述之車流推估方法,其中,該監督式人工智慧技術為支持向量機、決策樹、隨機森林或類神經網路。
- 如申請專利範圍第1項所述之車流推估方法,其中,該道路型態迴歸分析訓練所使用之技術為線性迴歸、對數機率迴歸、複迴歸、多項式迴歸、多變量迴歸、或複多變量迴歸。
- 一種車流推估方法,包括:蒐集指定道路於推估時間內之行動信令交通資料,再萃取該指定道路之行動信令交通資料之特徵;將該指定道路之特徵輸入人工智慧通用型車流推估模型,以推估該指定道路之通用型車流;以及將該指定道路之通用型車流輸入該指定道路之迴歸分析車流推估模型,以利用道路型態迴歸分析技術產生該指定道路於該推估時間內之車流推估資訊。
- 如申請專利範圍第7項所述之車流推估方法,其中,該指定道路之該行動信令交通資料取自行動網路基地台,且該指定道路之該特徵包括行動網路信令、行動網路位置、行動網路時間、旅行時間、以及車速中之至少一者。
- 一種車流推估系統,包括:道路資料擷取與萃取模組,用於蒐集與指定道路具有至少一相同特徵之道路的歷史行動信令交通資料,再萃取該道路的歷史行動信令交通資料之特徵及標籤值;監督式人工智慧學習模組,用於將該道路之特徵及標籤值組成訓練集,以透過監督式人工智慧技術,訓練並校調人工智慧通用型車流推估模型,俾產生經訓練與校調之人工智慧通用型車流推估模型;指定道路資料擷取與萃取模組,用於蒐集該指定道路之歷史行動信令交通資料,再萃取該指定道路之歷史行動信令交通資料之特徵及標籤值;以及人工智慧車流推估模組,用於將該指定道路之特徵輸入該經訓練與校調之人工智慧通用型車流推估模型,以推估該指定道路之通用型車流;及指定道路迴歸分析模組,用於依據該指定道路之標籤值與通用型車流,進行道路型態迴歸分析訓練,以產生該指定道路之迴歸分析車流推估模型。
- 一種車流推估系統,包括:指定道路資料擷取與萃取模組,用於蒐集指定道路於推估時間內之行動信令交通資料,再萃取該指定道路之行動信令交通資料之特徵;人工智慧車流推估模組,用於將該指定道路之特徵輸入人工智慧通用型車流推估模型,以推估該指定道路之通用型車流;以及迴歸分析車流推估模組,用於將該指定道路之通用型車流輸入該指定道路之迴歸分析車流推估模型,以利用道路型態迴歸分析技術產生該指定道路於該推估時間內之車流推估資訊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109119901A TWI748514B (zh) | 2020-06-12 | 2020-06-12 | 車流推估方法與系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109119901A TWI748514B (zh) | 2020-06-12 | 2020-06-12 | 車流推估方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI748514B TWI748514B (zh) | 2021-12-01 |
TW202147272A true TW202147272A (zh) | 2021-12-16 |
Family
ID=80680838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109119901A TWI748514B (zh) | 2020-06-12 | 2020-06-12 | 車流推估方法與系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI748514B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759484A (zh) * | 2023-01-06 | 2023-03-07 | 南京隼眼电子科技有限公司 | 一种交通流量预测方法、电子设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762036B2 (en) * | 2012-11-15 | 2014-06-24 | Mitsubishi Electric Research Laboratories, Inc. | Method for predicting travel times using autoregressive models |
US20160110381A1 (en) * | 2014-10-17 | 2016-04-21 | Fuji Xerox Co., Ltd. | Methods and systems for social media-based profiling of entity location by associating entities and venues with geo-tagged short electronic messages |
CN107305742A (zh) * | 2016-04-18 | 2017-10-31 | 滴滴(中国)科技有限公司 | 用于确定预计到达时间的方法和设备 |
CN107180534B (zh) * | 2017-07-03 | 2019-11-15 | 华南理工大学 | 支持向量回归机融合的高速公路路段平均速度估计方法 |
WO2019028763A1 (en) * | 2017-08-10 | 2019-02-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEM AND METHOD FOR ESTIMATING ROUTE TIME AND DISTANCE |
CN108877224B (zh) * | 2018-07-18 | 2019-05-14 | 长安大学 | 一种可进行置信区间估计的短时交通流预测方法 |
TWI676397B (zh) * | 2018-10-18 | 2019-11-01 | 中華電信股份有限公司 | 運用行動網路信令資料之人工智慧車流推估系統及其方法 |
CN109544932B (zh) * | 2018-12-19 | 2021-03-19 | 东南大学 | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 |
CN110246330A (zh) * | 2019-05-29 | 2019-09-17 | 佛山市慧城信息科技有限公司 | 一种公交线路客流量预估方法、电子设备和存储介质 |
-
2020
- 2020-06-12 TW TW109119901A patent/TWI748514B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI748514B (zh) | 2021-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9564048B2 (en) | Origin destination estimation based on vehicle trajectory data | |
El-Wakeel et al. | Towards a practical crowdsensing system for road surface conditions monitoring | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN109872533B (zh) | 一种基于空间数据的车道级实时交通情报处理方法 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN105702152A (zh) | 地图生成方法和装置 | |
WO2007010317A1 (en) | Method, device and system for modeling a road network graph | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN109064741A (zh) | 基于多源数据融合的干道车辆运行轨迹重构的方法 | |
CN105096590B (zh) | 交通信息生成方法和交通信息生成设备 | |
Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
Kianfar et al. | Placement of roadside equipment in connected vehicle environment for travel time estimation | |
CN110969142A (zh) | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 | |
CN111183464B (zh) | 基于车辆轨迹数据估计信号交叉路口的饱和流量的系统和方法 | |
Ferreira et al. | Vehicular sensing: Emergence of a massive urban scanner | |
TW202147272A (zh) | 車流推估方法與系統 | |
CN109974690A (zh) | 车辆定位方法、设备及系统 | |
US9607509B2 (en) | Identification of vehicle parking using data from vehicle sensor network | |
Montero et al. | Case study on cooperative car data for estimating traffic states in an urban network | |
CN111624638A (zh) | 基于大数据系统的行踪追溯及监控报告的生成方法 | |
Habtie et al. | Cellular network based real-time urban road traffic state estimation framework using neural network model estimation | |
CN106887138B (zh) | 一种堵车蔓延态势侦测方法与系统 | |
CN113506440B (zh) | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 | |
Higuchi et al. | Monitoring live parking availability by vision-based vehicular crowdsensing | |
CN115100847A (zh) | 面向低渗透率网联车轨迹数据的排队服务时间估计方法 |