CN102629418B - 基于模糊卡尔曼滤波的交通流预测方法 - Google Patents
基于模糊卡尔曼滤波的交通流预测方法 Download PDFInfo
- Publication number
- CN102629418B CN102629418B CN201210102006.0A CN201210102006A CN102629418B CN 102629418 B CN102629418 B CN 102629418B CN 201210102006 A CN201210102006 A CN 201210102006A CN 102629418 B CN102629418 B CN 102629418B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- tau
- flow parameter
- kalman filtering
- parameter
- 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.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013459 approach Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001664542 Karima Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007805 zymography Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
基于模糊卡尔曼滤波的交通流预测方法,其特征在于包括以下步骤:在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据;获取各车道检测器同期历史交通流参数数据;采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型;通过卡尔曼滤波时间更新方程和状态更新方程,得到卡尔曼滤波参数预测结果;将历史同期平均交通流参数引入式(2)中,构建模糊卡尔曼滤波交通流参数预测模型;根据检测器采集到的实时交通流参数和历史同期平均交通流参数,对下一时间间隔及之后的交通流参数进行预测。
Description
技术领域
本发明涉及一种交通流预测方法。
背景技术
短时交通流参数预测是以检测设备获得的实时交通数据为基础,通过构建的模型和方法预测下一时段的交通流参数。该预测结果通常用于实时交通信号控制***和动态诱导***中。因此短时交通流参数的预测将直接影响上述***的实时效果。
从预测模型看,短时交通流预测可分为两类:第一类是以数理统计和微积分等传统数学和物理方法为基础的预测模型,主要包括时间序列模型、卡尔曼滤波模型、参数回归模型、指数平滑模型等;第二类是以现代科学技术和方法为主要研究手段而形成的预测模型,其特点是所采用的模型和方法不追求严格意义上的数学推导和明确的物理意义,而更重视对真实交通流现象的拟合效果,主要包括非参数回归模型、KARIMA算法、基于小波理论的方法、基于多维分形的方法、谱分析法、状态空间重构模型和多种与神经网络相关的复合预测模型等。
在上述预测模型中,卡尔曼滤波预测模型因其具有精度较高,鲁棒性较强的优点被广泛使用,而且较IWAO OKUTANI和VYTHOTKAS P C通过卡尔曼滤波模型预测交通流参数发现,其预测结果优于著名的UTCS-2预测方法的预测结果。但是已有的卡尔曼滤波预测模型预测输出值存在几个时间段的延迟,即存在一定的滞后性,影响了预测参数在动态实时控制和在诱导***中的广泛应用。
发明内容
本发明要克服已有的卡尔曼滤波预测模型预测输出值存在滞后性的缺点,提供一种能够弥补滞后性问题的基于模糊卡尔曼滤波的交通流参数预测方法。
本发明所述的基于模糊卡尔曼滤波的交通流参数预测方法包括以下步骤:
1)在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据;
2)获取各车道检测器同期历史交通流参数数据;
3)采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型,所述动态卡尔曼滤波交通流参数预测模型描述如式(1)所示:
式中:为τ时刻后k个时间段的路段L上的交通流参数向量,它与路段两端出入口的交通流参数有关;V(τ)=[v1(τ),v2(τ),…,vm(τ)]T是在时段((τ-1)T,τT]各出入口的交通流参数向量,其中vm(τ)是在时段((τ-1)T,τT]某个入口或出口的交通流参数,它包含对交通流参数预测一些有用的预测因子,可以通过检测器直接观测到,V(τ-1)是在时段((τ-1)T,τT]前一个时段((τ-2)T,(τ-1)T]各出入口的交通流参数向量;H0,H1,…,Hn-1为参数矩阵,Hk=[c1′(τ),c′2(τ),…,c′m(τ)],c′m(τ)为状态变量;m为路段上入口和出口所考虑的检测器总数;ω(τ)为观测噪声,假定为期望为零的白噪声,它的协方差矩阵为R(τ);
4)在步骤3)基础上,通过卡尔曼滤波时间更新方程和状态更新方程,得到卡尔曼滤波参数预测结果如(2)所示:
式中:为τ时刻后k个时间段路段L上所预测的交通流参数向量;
为状态估计向量;A(τ)=[VT(τ),VT(τ-1),VT(τ-2)]为交通流参数的观测向量;
5)将历史同期平均交通流参数引入式(2)中,构建模糊卡尔曼滤波交通流参数预测模型如式(3)所示:
其中,为预测的最终结果,为同时期历史平均参数;为卡尔曼滤波的预测结果;γ为历史值权重系数;
6)将检测器采集到的实时交通流参数和历史同期平均交通流参数输入到式(3)中,对下一时间间隔及之后的交通流参数进行预测。
所述检测器包括但不限于环形感应线圈检测器、视频检测器、微波检测器、雷达检测器、无线传感器节点;
所述交通流参数是指交通流量和/或占有率和/或速度和/或密度和/或饱和度;
所述下一时间间隔是指5分钟或15分钟或30分钟或60分钟。
所述卡尔曼滤波时间更新方程为:
P(τ|τ-1)=Q(τ-1)+B(τ-1)P(τ-1)BT(τ-1) (5)
状态更新方程为:
K(τ)=P(τ|τ-1)AT(τ)[A(τ)P(τ|τ-1)AT(τ)+R(τ)]-1 (6)
P(τ)=[I-K(τ)A(τ)]P(τ|τ-1) (8)
式中:为状态向量,为状态估计向量;B(τ)为状态转移矩阵,B(τ)=I;P(τ)为误差协方差,P(τ|τ-1)为估计协方差;K(τ)为卡尔曼增益;z(τ)为实际获取的交通流参数,其值等于R(τ)为期望为零的白噪声。
所述历史值权重系数γ由模糊逻辑确定;
所述模糊规则:以相对误差,平均相对误差,平均绝对相对误差,作为模糊综合判断的指标,参数γ越大,则当前交通流变化趋势更接近历史平均;反之,则当前交通流变化趋势更接近卡尔曼滤波模块的预测值。
本发明将同期历史数据和卡尔曼滤波模块用于短时交通流参数预测,利用模糊逻辑算法将两者进行组合,其输出值作为最终交通流参数预测值。本发明能够对交通流参数做出较为准确的预测,能够用于实时交通信号控制***和动态诱导***中,也可对交通管理部门的管理提供有效的保障。本发明充分利用卡尔曼滤波模型精度高,鲁棒性强的特点,结合城市道路交通流的日相似性特点,从而提高预测精度。
本发明的优点是:无滞后性、精确度高。
附图说明
图1是路段动态交通流示意图
图2是本发明工作原理
具体实施方式
参照附图:
本发明所述的基于模糊卡尔曼滤波的交通流参数预测方法包括以下步骤:
1)在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据;
2)获取各车道检测器同期历史交通流参数数据;
3)采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型,所述动态卡尔曼滤波交通流参数预测模型描述如式(1)所示:
式中:为τ时刻后k个时间段的路段L上的交通流参数向量,它与路段两端出入口的交通流参数有关;V(τ)=[v1(τ),v2(τ),…,vm(τ)]T是在时段((τ-1)T,τT]各出入口的交通流参数向量,其中vm(τ)是在时段((τ-1)T,τT]某个入口或出口的交通流参数,它包含对交通流参数预测一些有用的预测因子,可以通过检测器直接观测到,V(τ-1)是在时段((τ-1)T,τT]前一个时段((τ-2)T,(τ-1)T]各出入口的交通流参数向量;H0,H1,…,Hn-1为参数矩阵,Hk=[c1′(τ),c′2(τ),…,c′m(τ)],c′m(τ)为状态变量;m为路段上入口和出口所考虑的检测器总数;ω(τ)为观测噪声,假定为期望为零的白噪声,它的协方差矩阵为R(τ);
4)在步骤3)基础上,通过卡尔曼滤波时间更新方程和状态更新方程,得到卡尔曼滤波参数预测结果如(2)所示:
式中:为τ时刻后k个时间段路段L上所预测的交通流参数向量;
为状态估计向量;A(τ)=[VT(τ),VT(τ-1),VT(τ-2)]为交通流参数的观测向量;
5)将历史同期平均交通流参数引入式(2)中,构建模糊卡尔曼滤波交通流参数预测模型如式(3)所示:
其中,为预测的最终结果,为同时期历史平均参数;为卡尔曼滤波的预测结果;γ为历史值权重系数
6)将检测器采集到的实时交通流参数和历史同期平均交通流参数输入到式(3)中,对下一时间间隔及之后的交通流参数进行预测。
所述检测器包括但不限于环形感应线圈检测器、视频检测器、微波检测器、雷达检测器、无线传感器节点;
所述交通流参数是指交通流量和/或占有率和/或速度和/或密度和/或饱和度;
所述下一时间间隔是指5分钟或15分钟或30分钟或60分钟。
所述卡尔曼滤波时间更新方程为:
P(τ|τ-1)=Q(τ-1)+B(τ-1)P(τ-1)BT(τ-1) (5)
状态更新方程为:
K(τ)=P(τ|τ-1)AT(τ)[A(τ)P(τ|τ-1)AT(τ)+R(τ)]-1 (6)
P(τ)=[I-K(τ)A(τ)]P(τ|τ-1) (8)
式中:为状态向量,为状态估计向量;B(τ)为状态转移矩阵,B(τ)=I;P(τ)为误差协方差,P(τ|τ-1)为估计协方差;K(τ)为卡尔曼增益;z(τ)为实际获取的交通流参数,其值等于R(τ)为期望为零的白噪声。
所述历史值权重系数γ由模糊逻辑确定;
所述模糊规则:以相对误差,平均相对误差,平均绝对相对误差,作为模糊综合判断的指标,参数γ越大,则当前交通流变化趋势更接近历史平均;反之,则当前交通流变化趋势更接近卡尔曼滤波模块的预测值。
具体实施时,设置检测器布置如图1所示,图中dn为置于道路中的检测器,每天24小时监测并记录该监测器的车辆,以一个固定时间5min汇总一次,存储一周的交通流参数,将其分为工作日与非工作日流参数。按工作日与非工作日对不同日同时段求均值,并折算成小时交通流参数,作为历史交通流参数标本。
预测时,建立交通流预测模型:
其中,为观测路段在时段(τT,(τ+1)T]内的交通流参数预测值,其中,τ=1,2,…,n,T为预测周期,一般取值为5-15min,H0,H1,…,Hn+1为参数矩阵,Hk=[c1′(τ),c′2(τ),…,c′m(τ)],c′m(τ)为状态变量;V(τ)=[v1(τ),v2(τ),…,vm(τ)]T为时段((τ-1)T,τT]内路段各出入口的交通流参数向量,vm(τ)是时段((τ-1)T,τT]内路段出入的交通流参数;ω(τ)为观测噪声,假定为期望为零的白噪声,它的协方差矩阵为R(τ)。
将式(1)作以下变换:
X(τ)=(H0,H1,H2)T
A(τ)=[VT(τ),VT(τ-1),VT(τ-2)]
交通流参数预测模型可变为:
X(τ)=B(τ)X(τ-1)+v(τ-1)
z(τ)=A(τ)X(τ)+ω(τ)
式中:z(τ)为观测向量;X(τ)为状态向量;A(τ)为观测矩阵;B(τ)为状态转移矩阵,B(τ)=I;v(τ-1)为模型噪声,假定为期望为零的白噪声,它的协方差矩阵为Q(τ-1)。
将每个时间段检测上来的交通流参数输入卡尔滤波模型中,按图2所示过程推算,图2为卡尔曼滤波预测模型具体推算过程,它可分为两个部分:时间更新方程和状态更新方程。时间更新方程负责及时向前推算当前状态变量和误差协方差估计的值,以便为下一个时间状态构造先验估计。状态更新方程利用实际获取的测量值对先验估计做出纠正得到后验估计。图2中,为状态向量,为状态估计向量;B(τ)为状态转移矩阵,B(τ)=I;P(τ)为误差协方差,P(τ|τ-1)为估计协方差;K(τ)为卡尔曼增益;z(τ)为实际获取的交通流参数,其值等于R(τ)为期望为零的白噪声。
得到预测结果的数学表达式为:
其中,为卡尔曼滤波预测模型的输出,代表观某测路段在时段(τT,(τ+1)T]内卡尔曼滤波预测模型的交通流参数预测值;为前一时段的状态矩阵。
采用一种模糊逻辑算法,将获取的同期历史平均值和卡尔曼滤波预测模型的输出作组合,建立基于模糊卡尔曼滤波的短时交通流预测方法,数学表达式为:
其中:为模糊组合模型的输出,代表观某测路段在时段(τT,(τ+1)T]内交通流参数的预测值;为卡尔曼滤波预测模型的输出,代表观某测路段在时段(τT,(τ+1)T]内卡尔曼滤波模块的交通流参数预测值;为在已知时段(τT,(τ+1)T]历史平均值;γ为权重系数,γ∈[0,1],模糊组合γ调整算法的模糊规则的基本规则为:以相对误差,平均相对误差,平均绝对相对误差,作为模糊综合判断的指标,参数γ越大,则当前交通流参数变化趋势更接近历史平均;反之,则当前交通流参数变化趋势更接近卡尔曼滤波预测模型的预测值。
预测结果主要用于路网协调控制实施。被控区域内如图1所示,在交叉口出入口和关键路段埋有车辆检测器,用于实时监测交通流参数,检测到信息通过专用网络传输到交通信息库中。
Claims (3)
1.基于模糊卡尔曼滤波的交通流预测方法,其特征在于包括以下步骤:
1)在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据;
2)获取各车道检测器同期历史交通流参数数据;
3)采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型,所述动态卡尔曼滤波交通流参数预测模型描述如式(1)所示:
式中:为τ时刻后k个时间段的路段L上的交通流参数向量,它与路段两端出入口的交通流参数有关;V(τ)=[v1(τ),v2(τ),…,vm(τ)]T是在时段((τ-1)T,τT]各出入口的交通流参数向量,其中vm(τ)是在时段((τ-1)T,τT]某个入口或出口的交通流参数,它包含对交通流参数预测一些有用的预测因子,可以通过检测器直接观测到,V(τ-1)是在时段((τ-1)T,τT]前一个时段((τ-2)T,(τ-1)T]各出入口的交通流参数向量;H0,H1,…,Hn-1为参数矩阵,Hk=[c1′(τ),c′2(τ),…,c′m(τ)],c′m(τ)为状态变量;m为路段上入口和出口所考虑的检测器总数;ω(τ)为观测噪声,假定为期望为零的白噪声,它的协方差矩阵为R(τ);
4)在步骤3)基础上,通过卡尔曼滤波时间更新方程和状态更新方程,得到卡尔曼滤波参数预测结果如(2)所示:
式中:为τ时刻后k个时间段路段L上所预测的交通流参数向量;
为状态估计向量;A(τ)=[VT(τ),VT(τ-1),VT(τ-2)]为交通流参数的观测向量;
所述卡尔曼滤波时间更新方程为:
P(τ|τ-1)=Q(τ-1)+B(τ-1)P(τ-1)BT(τ-1) (5)
状态更新方程为:
K(τ)=P(τ|τ-1)AT(τ)[A(τ)P(τ|τ-1)AT(τ)+R(τ)]-1 (6)
P(τ)=[I-K(τ)A(τ)]P(τ|τ-1) (8)
式中:为状态向量,为状态估计向量;B(τ)为状态转移矩阵,B(τ)=I;P(τ)为误差协方差,P(τ|τ-1)为估计协方差;K(τ)为卡尔曼增益;z(τ)为实际获取的交通流参数,其值等于R(τ)为期望为零的白噪声,Q(τ-1)为模型噪声的协方差矩阵;
5)将历史同期平均交通流参数引入式(2)中,构建模糊卡尔曼滤波交通流参数预测模型如式(3)所示:
其中,为预测的最终结果,为同时期历史平均参数;为卡尔曼滤波的预测结果;γ为历史值权重系数;
6)将检测器采集到的实时交通流参数和历史同期平均交通流参数输入到式(3)中,对下一时间间隔及之后的交通流参数进行预测。
2.如权利要求1所述的方法,其特征在于:
所述检测器包括但不限于环形感应线圈检测器、视频检测器、微波检测器、雷达检测器、无线传感器节点;
所述交通流参数是指交通流量和/或占有率和/或速度和/或密度和/或饱和度;
所述下一时间间隔是指5分钟或15分钟或30分钟或60分钟。
3.如权利要求1所述的方法,其特征在于:
所述历史值权重系数γ由模糊逻辑确定;
所述模糊规则:以相对误差,平均相对误差,平均绝对相对误差,作为模糊综合判断的指标,参数γ越大,则当前交通流变化趋势更接近历史平均;反之,则当前交通流变化趋势更接近卡尔曼滤波模块的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210102006.0A CN102629418B (zh) | 2012-04-09 | 2012-04-09 | 基于模糊卡尔曼滤波的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210102006.0A CN102629418B (zh) | 2012-04-09 | 2012-04-09 | 基于模糊卡尔曼滤波的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102629418A CN102629418A (zh) | 2012-08-08 |
CN102629418B true CN102629418B (zh) | 2014-10-29 |
Family
ID=46587673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210102006.0A Active CN102629418B (zh) | 2012-04-09 | 2012-04-09 | 基于模糊卡尔曼滤波的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102629418B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938203B (zh) * | 2012-11-06 | 2014-08-20 | 江苏大为科技股份有限公司 | 基于基本交通流参数的道路拥挤状态自动判别方法 |
CN104346926B (zh) * | 2013-07-31 | 2017-09-12 | 国际商业机器公司 | 行驶时间预测方法和装置、以及相关终端设备 |
CN104135333B (zh) * | 2014-07-24 | 2017-01-11 | 航天恒星科技有限公司 | 一种基于卡尔曼滤波器的tdma节点开环网络时间同步方法 |
CN104156524B (zh) * | 2014-08-01 | 2018-03-06 | 河海大学 | 交通数据流的聚集查询方法及*** |
CN104507096B (zh) * | 2014-12-10 | 2018-01-09 | 中国科学院计算技术研究所 | 无线传感网中模型驱动的数据传输方法及*** |
CN104573859A (zh) * | 2014-12-31 | 2015-04-29 | 合肥城市云数据中心有限公司 | 一种基于Wifi定位和云数据处理技术的人流量预测方法 |
CN104751630B (zh) * | 2014-12-31 | 2017-01-18 | 浙江工业大学 | 一种基于Kernel‑KNN匹配的道路交通状态获取方法 |
CN104778837B (zh) * | 2015-04-14 | 2017-12-05 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
CN105185106B (zh) * | 2015-07-13 | 2017-07-04 | 丁宏飞 | 一种基于粒计算的道路交通流参数预测方法 |
CN105321345B (zh) * | 2015-09-18 | 2017-06-30 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
CN105118294B (zh) * | 2015-09-25 | 2017-03-29 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN105608508A (zh) * | 2015-12-25 | 2016-05-25 | 上海电机学院 | 一种交通最优路线查询方法及*** |
CN106156790B (zh) * | 2016-06-08 | 2020-04-14 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN106530715B (zh) * | 2016-12-24 | 2019-05-31 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
CN106530721B (zh) * | 2016-12-28 | 2017-08-29 | 山东理工大学 | 一种基于转移矩阵的交叉口各流向流量值动态预测方法 |
CN108538050B (zh) * | 2017-03-01 | 2020-07-31 | 香港理工大学深圳研究院 | 一种短时交通流量预测方法及装置 |
CN107123265B (zh) * | 2017-06-12 | 2020-01-10 | 东南大学 | 一种基于并行计算的高速公路交通状态估计方法 |
CN108281013A (zh) * | 2018-03-22 | 2018-07-13 | 安徽八六物联科技有限公司 | 一种道路车流量监控*** |
CN110136453A (zh) * | 2019-06-14 | 2019-08-16 | 内蒙古工业大学 | 基于lk局部差分光流法的车流量检测方法 |
CN112989548A (zh) * | 2019-12-17 | 2021-06-18 | 南京理工大学 | 基于多模型组合的城市道路交通流仿真推演方法 |
CN111260131B (zh) * | 2020-01-16 | 2023-06-02 | 汕头大学 | 一种短期交通流的预测方法及装置 |
CN113449905A (zh) * | 2021-05-21 | 2021-09-28 | 浙江工业大学 | 一种基于门控循环单元神经网络的交通拥堵预警方法 |
CN113687143B (zh) * | 2021-08-12 | 2024-04-05 | 国网上海市电力公司 | 一种电磁波信号幅值衰减与传播距离关系曲线的拟合方法 |
CN115497294B (zh) * | 2022-09-22 | 2023-09-19 | 东南大学 | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004078482A (ja) * | 2002-08-15 | 2004-03-11 | Japan Automobile Research Inst Inc | 車両の交通状態量推定システム |
JP2007041782A (ja) * | 2005-08-02 | 2007-02-15 | Toshiba Corp | 道路交通状況把握システム |
CN101510357A (zh) * | 2009-03-26 | 2009-08-19 | 美慧信息科技(上海)有限公司 | 一种基于手机信号数据检测交通状态的方法 |
CN101697250A (zh) * | 2009-11-05 | 2010-04-21 | 东南大学 | 城市公交车辆路段行程时间改进预测方法 |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN101982843A (zh) * | 2010-10-21 | 2011-03-02 | 天津大学 | 一种非参数回归短时交通流预测中状态向量的选取方法 |
CN102169630A (zh) * | 2011-03-31 | 2011-08-31 | 上海电科智能***股份有限公司 | 一种道路连续交通流数据质量控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050068938A (ko) * | 2003-12-30 | 2005-07-05 | 현대자동차주식회사 | 도로 교통상황 판단방법 |
-
2012
- 2012-04-09 CN CN201210102006.0A patent/CN102629418B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004078482A (ja) * | 2002-08-15 | 2004-03-11 | Japan Automobile Research Inst Inc | 車両の交通状態量推定システム |
JP2007041782A (ja) * | 2005-08-02 | 2007-02-15 | Toshiba Corp | 道路交通状況把握システム |
CN101510357A (zh) * | 2009-03-26 | 2009-08-19 | 美慧信息科技(上海)有限公司 | 一种基于手机信号数据检测交通状态的方法 |
CN101697250A (zh) * | 2009-11-05 | 2010-04-21 | 东南大学 | 城市公交车辆路段行程时间改进预测方法 |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN101982843A (zh) * | 2010-10-21 | 2011-03-02 | 天津大学 | 一种非参数回归短时交通流预测中状态向量的选取方法 |
CN102169630A (zh) * | 2011-03-31 | 2011-08-31 | 上海电科智能***股份有限公司 | 一种道路连续交通流数据质量控制方法 |
Non-Patent Citations (1)
Title |
---|
基于卡尔曼滤波理论的交通流量实时预测模型;杨兆升,朱中;《中国公路学报》;19990731;第12卷(第3期);第63-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102629418A (zh) | 2012-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
CN104408913B (zh) | 一种考虑时空相关性的交通流三参数实时预测方法 | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
Stathopoulos et al. | A multivariate state space approach for urban traffic flow modeling and prediction | |
CN106503840A (zh) | 停车场可用车位预测方法及*** | |
CN105513359B (zh) | 一种基于智能手机移动检测的城市快速路交通状态估计方法 | |
CN103810869B (zh) | 一种基于动态转向比例估计的路口信号控制方法 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和*** | |
CN102800200B (zh) | 相邻信号交叉口相关性分析方法 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
Allström et al. | Hybrid approach for short-term traffic state and travel time prediction on highways | |
CN104183119A (zh) | 基于路段od反推的实时交通流分布预测*** | |
CN103903452A (zh) | 交通流短时预测方法 | |
CN105513350A (zh) | 基于时空特性的分时段多参数短时交通流预测方法 | |
CN101894461A (zh) | 城市地面道路行程时间预测方法 | |
CN103903430A (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
CN103177570A (zh) | 一种早晚高峰交通拥堵指数的预测方法 | |
CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
Lim et al. | Data fusion algorithm improves travel time predictions | |
CN109191845A (zh) | 一种公交车辆到站时间预测方法 | |
CN110930693B (zh) | 一种用于道路断面的在线短时交通流预测方法 | |
Zhi-Peng et al. | An improved adaptive exponential smoothing model for short-term travel time forecasting of urban arterial street | |
CN107123265A (zh) | 一种基于并行计算的高速公路交通状态估计方法 | |
CN112466116A (zh) | 基于边缘计算的交叉口群分布式控制方法 | |
CN112542049A (zh) | 智慧交通综合管控平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |