CN104183134B - 基于智能分车型的高速公路短时交通流量预测方法 - Google Patents
基于智能分车型的高速公路短时交通流量预测方法 Download PDFInfo
- Publication number
- CN104183134B CN104183134B CN201410427899.5A CN201410427899A CN104183134B CN 104183134 B CN104183134 B CN 104183134B CN 201410427899 A CN201410427899 A CN 201410427899A CN 104183134 B CN104183134 B CN 104183134B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- traffic flow
- sequence
- car
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能分车型的高速公路短时交通流量预测方法,包括如下步骤:步骤一、获取数据;步骤二、数据预处理;步骤三、对经过预处理后得到的总车流量数据序列进行平稳性检验,若总车流量数据序列为平稳数据序列,则采用时间序列法预测交通流量;若总车流量数据序列为非平稳数据序列,则分两类车型进行预测:对小型车和集装箱型车采用时间序列法进行交通流量预测;对中型车和大型车采用二次指数平滑法进行交通流量预测;步骤四、按照不同车型的车辆折算系数将预测结果折算成标准车辆,计算得到总车流量预测值;步骤五、等待至下一次数据更新时,执行步骤一。本发明能够提高预测精度,帮助交通管理者或出行者更好地把握路况。
Description
技术领域
本发明属于道路车辆的交通控制***技术领域,具体的为一种基于智能分车型的高速公路短时交通流量预测方法。
背景技术
随着高速公路里程的增加,交通管理者对交通的信息化管理要求以及出行者对交通的信息化服务需求也在逐渐增加,实时准确的把握未来路段的交通状况是高效管理与服务的前提,而对短时交通流量的预测是对路段未来交通情况把握的关键。如何准确把握交通流的规律,提高流量预测的精度,是现有研究的重要方向。
现有的高速公路短时交通流量的预测方法主要涉及基于线性***理论的方法、基于非线性理论的方法、基于知识发现的智能预测方法、基于组合预测的方法以及基于交通流模态的预测方法等理论基础。基于这些理论基础,目前已研发出了多种高速公路短时交通流量的预测方法:
(1)五邑大学学报(自然科学版)(第18卷第3期,2004年9月)公开了一种交通流的时间序列建模及预测方法,其采用时间序列模型对短时交通流量进行了预测,实际数据验证结果表明该模型能够较好地拟合交通流时间序列,并可获得较高的预测精度;
(2)交通运输工程与信息学报(第8卷第1期,2010年3月)公开了一种基于混沌时间序列的道路断面短时交通流预测模型,其针对道路断面的短时交通流量序列的混沌特性进行了分析,实测交通流量数据验证结果表明了该预测模型在一定程度上具有效性;
(3)***工程理论与实践(第30卷第2期,2010年2月)公开了一种基于K近邻非参数回归的短时交通流预测方法,并将利用K值构造的预测区间用于特殊路况的预测中,也得到了明显的改进效果;
(4)吉林大学学报(工学版)(第40卷第5期,2010年9月)公开了一种基于小波分析的交通参数组合预测方法,该方法更加准确地预测交通参数的变化趋势,具有普适性,且比传统的基于小波分析的组合预测过程简单,为大运算量的实时应用提供了可能;
(5)北京交通大学董春娇等,针对城市快速路自由流状态、拥挤流状态和阻塞流状态下交通流参数的时间和空间分布特性,提出了一种多状态下城市快速路网交通流短时预测理论与方法研究,其研究了混合状态下城市快速路交通流短时预测,实验表明,相比较传统的预测方法具有更高的预测精度。
纵观以上各种交通流量的预测方法,为了提高预测的效果,需要更好的挖掘交通状态的变化趋势,把握交通流内部的规律性,而上述交通流量预测方法均是以总交通流量为研究对象来分析预测交通流的变化的。
发明内容
通过对微波车检器采集的分车型流量数据分析发现:高速公路上的小型车与集装箱型车每天的流量均比较低,且一天中的流量波动较平稳;中型车每天的流量变化呈现出两个明显的波峰,但在早晚波动均比较平稳,而大型车一天的流量曲线中除了早、晚高峰分别存在一段上升与下降趋势外,其余的时间段流量变化相对比较平稳。由此可见,不同车型流量的波动变化规律是不同的,且各自车型一天中的流量变化也是随着时间的变化而改变的,相比较总车流量而言,每个车型的交通流量变化的规律性更为明显。
有鉴于此,本发明的目的在于提供一种基于智能分车型的高速公路短时交通流量预测方法,能够根据实时交通流量数据的特点,调整预测模型,从而达到智能分车型预测,提高预测精度。
为达到上述目的,本发明提供如下技术方案:
一种基于智能分车型的高速公路短时交通流量预测方法,其特征在于:包括如下步骤:
步骤一、获取数据:获取高速公路的总车流量数据序列、分车型流量数据序列、平均车速和平均占有率;
步骤二、数据预处理:剔除不符合交通实际情况的数据;
步骤三、对经过预处理后得到的总车流量数据序列进行平稳性检验,若总车流量数据序列为平稳数据序列,则采用时间序列法预测交通流量;若总车流量数据序列为非平稳数据序列,则将车型分为两类,第一类车型包括小型车和集装箱型车两种车型,且该类车型的交通流量预测方法采用时间序列法进行预测;第二类车型包括中型车和大型车两种车型,且该类车型的交通流量预测方法采用二次指数平滑法进行预测;
其中,采用时间序列法预测交通流量包括以下步骤:
(1)对获取的分车型流量数据序列进行平稳性判断,若对应的分车型流量数据序列平稳,则直接执行下一步;若对应的分车型流量数据序列不平稳,则对该分车型流量数据序列进行差分处理,得到新的平稳的分车型流量数据序列后,再执行下一步;
(2)采用ARIMA模型作为预测模型进行预测,且对于经过差分处理后得到的新的平稳的分车型流量数据序列,还需对其预测结果进行反变换,转换为对应车型的流量预测值;
采用二次指数平滑法预测交通流量包括以下步骤:
(1)对获取的分车型流量数据序列进行一次累加,并在累加后的曲线上通过可决系数的计算选取组成线性度最好的K个近邻序列;
(2)通过实验法确定与预测标准误差最小的平滑系数α为最佳平滑系数;
(3)根据二次指数平滑法预测模型进行预测,并通过转换得到对应车型的流量预测值;
步骤四、按照不同车型的车辆折算系数将预测结果折算成标准车辆,计算得到总车流量预测值;
步骤五、等待至下一次数据更新时,执行步骤一。
进一步,所述步骤二中,分别采用阈值理论与交通流理论剔除不符合交通实际情况的数据;
所述阈值理论为:在一个数据更新周期内,设定总车流量数据的阀值范围为[0,Qmax],平均车速的阀值范围为[0,Vmax];若采集到的总车流量数据或平均车速的数据不在对应的阀值范围内时,则表明该组数据不可靠,并将其剔除;若采集到的总车流量数据和平均车数的数据均落在对应的阀值范围内时,则表明该组数据可靠,保留该组数据;其中,Qmax、Vmax分别表示在一个数据更新周期内的流量最大值和速度最大值;
所述交通流理论为:首先,根据交通流理论建立错误数据判断规则,即剔除规则;然后,判断采集的数据序列是否满足剔除规则;当满足剔除规则时,将对应的数据需剔除;当不满足剔除规则时,保留对应的数据。
进一步,所述步骤三中,总车流量数据序列的平稳性检验方法为:
(1)获取经过预处理的总车流量数据序列Xt,并延迟k得到Xt+k,计算其各自均值μt、μt+k;
(2)根据自相关函数公式计算其自相关函数R(k):
其中,σ2为方差,k为滞后期;
(3)当自相关函数R(k)不能快速衰减趋近于0或在0附近波动,则总车流量数据序列属于非平稳序列;当自相关函数R(k)能够快速衰减到0,则总车流量数据序列属于平稳序列。
进一步,所述步骤三中,所述ARIMA模型的公式如下:
其中,xt为分车型流量数据序列,εt为白噪声,B为延迟算子(Bjxt=xt-j),d为差分次数;p为模型的阶次;
利用相关矩估计法及BIC准则进行模型参数的估计及模型阶次p的确定,具体公式如下:
其中,和(i=1,2,...,p)分别表示分车型流量数据序列的自相关函数和模型参数;p表示模型的阶次,在计算自相关函数时,p取为其中N表示样本量。
进一步,所述步骤三中,二次指数平滑法预测模型的公式如下:
其中:为第t+T期预测值;
at和bt分别为模型参数,且
为第t期的一次指数平滑值,且
为第t期的二次指数平滑值,且
α为平滑系数,Xt-1为初始值;
流量预测值的转换公式为:
其中,和为利用二次指数平滑法对最优K近邻序列t+T-1时刻和t+T时刻的流量预测值。
进一步,所述步骤四中,t时刻的折算后的总车流量预测值为:
其中,q1(t)、q2(t)、q3(t)、q4(t)分别为t时刻小型车、中型车、大型车、集装箱型车的流量预测值。
本发明的有益效果在于:
本发明基于智能分车型的高速公路短时交通流量预测方法,从实时交通流量变化特点和一天中不同车型的流量变化特点的角度出发,通过实时的判断交通流量序列的平稳性,确定是否需要进行分车型预测;该方法即把握了实时的流量特点,也考虑了整体的流量变化趋势和不同车型车流量的变化特点,相比较不考虑车型的预测方法,其更能表现出交通流内部的规律性,能够获得更高的预测精度。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明基于智能分车型的高速公路短时交通流量预测方法实施例的流程图;
图2为本实施例对总车流量数据序列进行平稳性检验的流程图;
图3为本实施例采用时间序列法预测交通流量的流程图;
图4为本实施例采用二次指数平滑法预测交通流量的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,为本发明基于智能分车型的高速公路短时交通流量预测方法实施例的流程图。本实施例基于智能分车型的高速公路短时交通流量预测方法,其特征在于:包括如下步骤:
步骤一、获取数据:读取经高速公路微波车检器采集得到的总车流量数据序列、分车型流量数据序列、平均车速和平均占有率,本实施例将车型分为四种,分别为小型车、中型车、大型车和集装箱型车,具体的,本实施例高速公路交通数据字段定义如表1所示:
表1:高速公路交通数据字段定义表
序列的平稳性不仅受到数据本身的影响,还受到样本量大小的影响。随着数据序列样本量的增加,序列的平稳性往往随之下降,而且样本量过大会增加序列的自相关系数和偏相关系数的计算量;又由于交通流量变化的不确定性和随机性,样本量太小的流量序列不仅难以通过平稳性检验,而且也无法反映交通流的变化趋势,进行预测时就会产生较大的误差。通过多次实验,本实施例的流量数据序列的样本量选取25个。
步骤二、数据预处理:剔除不符合交通实际情况的数据;本实施例分别采用阈值理论与交通流理论剔除不符合交通实际情况的数据;
阈值理论为:读取距当前时刻a×m分钟,长度为m的数据序列,这里m取值与步骤1中的样本量一样为25,a为一个数据更新周期的时间间隔;设定在一个数据更新周期内,总车流量数据的阀值范围为[0,Qmax],平均车速的阀值范围为[0,Vmax];若采集到的总车流量数据或平均车速的数据不在对应的阀值范围内时,则表明该组数据不可靠,并将其剔除;若采集到的总车流量数据和平均车数的数据均落在对应的阀值范围内时,则表明该组数据可靠,保留该组数据;其中,Qmax、Vmax分别表示在一个数据更新周期内的流量最大值和速度最大值,本实施例Qmax取值为300辆,Vmax取值为150km/h。
所述交通流理论为:首先,根据交通流理论建立错误数据判断规则,即剔除规则;然后,判断采集的数据序列是否满足剔除规则;当满足剔除规则时,将对应的数据需剔除;当不满足剔除规则时,保留对应的数据。本实施例交通流理论错误数据判断规则如表2所示。
表2:基于交通流理论的错误数据判别规则
步骤三、对经过预处理后得到的总车流量数据序列进行平稳性检验,平稳时间序列是指均值、方差和自回归函数不随时间变化的时间序列。当时间序列{xt}为平稳随机过程时,对于任意一个时段1≤t1<t2...<tm和h≥1,的联合分布等同于的联合分布;由定义可知,平稳性等价于:所有xt都具有相同的分布;在整个时期内,任何两个相邻项之间的相关程度都相同;用数学表达式为:
(1)对任意t,均值恒为常数:Ext=μ(与t无关的常数)。
(2)方差Var(xt)=σ2(与t无关的有限常数)。
(3)对任意整数t和k,自相关函数rt,t+k只与k有关,rt,t+k=rk。
本实施例的总车流量数据序列的平稳性检验方法为:
(1)获取经过预处理的总车流量数据序列Xt,并延迟k得到Xt+k,计算其各自均值μt、μt+k;
(2)根据自相关函数公式计算其自相关函数R(k):
其中,σ2为方差,k为滞后期;
(3)当自相关函数R(k)不能快速衰减趋近于0或在0附近波动,则总车流量数据序列属于非平稳序列;当自相关函数R(k)能够快速衰减到0,则总车流量数据序列属于平稳序列。
若总车流量数据序列为平稳数据序列,则采用时间序列法预测交通流量;若总车流量数据序列为非平稳数据序列,则将车型分为两类,第一类车型包括小型车和集装箱型车两种车型,且该类车型的交通流量预测方法采用时间序列法进行预测;第二类车型包括中型车和大型车两种车型,且该类车型的交通流量预测方法采用二次指数平滑法进行预测;
其中,采用时间序列法预测交通流量包括以下步骤:
(1)对获取的分车型流量数据序列进行平稳性判断,若对应的分车型流量数据序列平稳,则直接执行下一步;若对应的分车型流量数据序列不平稳,则对该分车型流量数据序列进行差分处理,得到新的平稳的分车型流量数据序列和差分次数d后,再执行下一步;
(2)采用ARIMA模型作为预测模型进行预测,且对于经过差分处理后得到的新的平稳的分车型流量数据序列,还需对其预测结果进行反变换,转换为对应车型的流量预测值。
具体的,ARIMA模型的公式如下:
其中,xt为分车型流量数据序列,εt为白噪声,B为延迟算子(Bjxt=xt-j),d为差分次数;p为模型的阶次,为模型参数;
利用相关矩估计法及BIC准则进行模型参数的估计及模型阶次p的确定,具体公式如下:
其中,和(i=1,2,...,p)分别表示分车型流量数据序列的自相关函数和模型参数;p表示模型的阶次,在计算自相关函数时,p取为其中N表示样本量,即本实施例的模型阶次p=5。
采用二次指数平滑法预测交通流量包括以下步骤:
(1)对获取的分车型流量数据序列进行一次累加,并在累加后的曲线上通过可决系数的计算选取组成线性度最好的K个近邻序列,本实施例中,K=25;
(2)通过实验法确定与预测标准误差最小的平滑系数α为最佳平滑系数,其中,α∈[0.6,1];
(3)取最优K个近邻序列前3个值的平均值作为初始值,结合最佳平滑系数α,根据二次指数平滑法预测模型进行预测,并通过转换得到对应车型的流量预测值。
具体的,二次指数平滑法预测模型的公式如下:
其中:为第t+T期预测值;
at和bt分别为模型参数,且
为第t期的一次指数平滑值,且
为第t期的二次指数平滑值,且
α为平滑系数,Xt-1为初始值;
流量预测值的转换公式为:
其中,和为利用二次指数平滑法对最优K近邻序列t+T-1时刻和t+T时刻的流量预测值。
步骤四、按照不同车型的车辆折算系数将预测结果折算成标准车辆,计算得到总车流量预测值。具体的,t时刻的折算后的总车流量预测值为:
其中,q1(t)、q2(t)、q3(t)、q4(t)分别为t时刻小型车、中型车、大型车、集装箱型车的流量预测值。
步骤五、等待至下一次数据更新时,执行步骤一。
本实施例基于智能分车型的高速公路短时交通流量预测方法,从实时交通流量变化特点和一天中不同车型的流量变化特点的角度出发,通过实时的判断交通流量序列的平稳性,确定是否需要进行分车型预测;该方法即把握了实时的流量特点,也考虑了整体的流量变化趋势和不同车型车流量的变化特点,相比较不考虑车型的预测方法,其更能表现出交通流内部的规律性,能够获得更高的预测精度。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (6)
1.一种基于智能分车型的高速公路短时交通流量预测方法,其特征在于:包括如下步骤:
步骤一、获取数据:获取高速公路的总车流量数据序列、分车型流量数据序列、平均车速和平均占有率;
步骤二、数据预处理:剔除不符合交通实际情况的数据;
步骤三、对经过预处理后得到的总车流量数据序列进行平稳性检验,若总车流量数据序列为平稳数据序列,则采用时间序列法预测交通流量;若总车流量数据序列为非平稳数据序列,则将车型分为两类,第一类车型包括小型车和集装箱型车两种车型,且该类车型的交通流量预测方法采用时间序列法进行预测;第二类车型包括中型车和大型车两种车型,且该类车型的交通流量预测方法采用二次指数平滑法进行预测;
其中,采用时间序列法预测交通流量包括以下步骤:
(1)对获取的分车型流量数据序列进行平稳性判断,若对应的分车型流量数据序列平稳,则直接执行下一步;若对应的分车型流量数据序列不平稳,则对该分车型流量数据序列进行差分处理,得到新的平稳的分车型流量数据序列后,再执行下一步;
(2)采用ARIMA模型作为预测模型进行预测,且对于经过差分处理后得到的新的平稳的分车型流量数据序列,还需对其预测结果进行反变换,转换为对应车型的流量预测值;
采用二次指数平滑法预测交通流量包括以下步骤:
(1)对获取的分车型流量数据序列进行一次累加,并在累加后的曲线上通过可决系数的计算选取组成线性度最好的K个近邻序列;
(2)通过实验法确定与预测标准误差最小的平滑系数α为最佳平滑系数;
(3)根据二次指数平滑法预测模型进行预测,并通过转换得到对应车型的流量预测值;
步骤四、按照不同车型的车辆折算系数将预测结果折算成标准车辆,计算得到总车流量预测值;
步骤五、等待至下一次数据更新时,执行步骤一。
2.根据权利要求1所述基于智能分车型的高速公路短时交通流量预测方法,其特征在于:所述步骤二中,分别采用阈值理论与交通流理论剔除不符合交通实际情况的数据;
所述阈值理论为:在一个数据更新周期内,设定总车流量数据的阀值范围为[0,Qmax],平均车速的阀值范围为[0,Vmax];若采集到的总车流量数据或平均车速的数据不在对应的阀值范围内时,则表明该组数据不可靠,并将其剔除;若采集到的总车流量数据和平均车数的数据均落在对应的阀值范围内时,则表明该组数据可靠,保留该组数据;其中,Qmax、Vmax分别表示在一个数据更新周期内的流量最大值和速度最大值;
所述交通流理论为:首先,根据交通流理论建立错误数据判断规则,即剔除规则;然后,判断采集的数据序列是否满足剔除规则;当满足剔除规则时,将对应的数据需剔除;当不满足剔除规则时,保留对应的数据。
3.根据权利要求1所述基于智能分车型的高速公路短时交通流量预测方法,其特征在于:所述步骤三中,总车流量数据序列的平稳性检验方法为:
(1)获取经过预处理的总车流量数据序列Xt,并延迟k得到Xt+k,计算其各自均值μt、μt+k;
(2)根据自相关函数公式计算其自相关函数R(k):
其中,σ2为方差,k为滞后期;
(3)当自相关函数R(k)不能快速衰减趋近于0或在0附近波动,则总车流量数据序列属于非平稳序列;当自相关函数R(k)能够快速衰减到0,则总车流量数据序列属于平稳序列。
4.根据权利要求1所述基于智能分车型的高速公路短时交通流量预测方法,其特征在于:所述步骤三中,所述ARIMA模型的公式如下:
其中,xt为分车型流量数据序列,εt为白噪声,B为延迟算子(Bjxt=xt-j),d为差分次数;p为模型的阶次;
利用相关矩估计法及BIC准则进行模型参数的估计及模型阶次p的确定,具体公式如下:
其中,和分别表示分车型流量数据序列的自相关函数和模型参数;p表示模型的阶次,在计算自相关函数时,p取为其中N表示样本量。
5.根据权利要求1所述基于智能分车型的高速公路短时交通流量预测方法,其特征在于:所述步骤三中,二次指数平滑法预测模型的公式如下:
其中:为第t+T期预测值;
at和bt分别为模型参数,且
为第t期的一次指数平滑值,且
为第t期的二次指数平滑值,且
α为平滑系数,Xt-1为初始值;
流量预测值的转换公式为:
其中,和为利用二次指数平滑法对最优K近邻序列t+T-1时刻和t+T时刻的流量预测值。
6.根据权利要求1所述基于智能分车型的高速公路短时交通流量预测方法,其特征在于:所述步骤四中,t时刻的折算后的总车流量预测值为:
其中,q1(t)、q2(t)、q3(t)、q4(t)分别为t时刻小型车、中型车、大型车、集装箱型车的流量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410427899.5A CN104183134B (zh) | 2014-08-27 | 2014-08-27 | 基于智能分车型的高速公路短时交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410427899.5A CN104183134B (zh) | 2014-08-27 | 2014-08-27 | 基于智能分车型的高速公路短时交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104183134A CN104183134A (zh) | 2014-12-03 |
CN104183134B true CN104183134B (zh) | 2016-02-10 |
Family
ID=51964136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410427899.5A Active CN104183134B (zh) | 2014-08-27 | 2014-08-27 | 基于智能分车型的高速公路短时交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104183134B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957329A (zh) * | 2016-06-29 | 2016-09-21 | 肖锐 | 一种公路信息化智能*** |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899663B (zh) * | 2015-06-17 | 2019-02-26 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
CN105761489A (zh) * | 2016-04-13 | 2016-07-13 | 南京邮电大学 | 一种交通流预测的三次指数平滑最优方法 |
CN105913654B (zh) * | 2016-06-29 | 2018-06-01 | 深圳市前海绿色交通有限公司 | 一种智能交通管理*** |
CN106128101B (zh) * | 2016-06-29 | 2018-09-04 | 南京城建隧桥经营管理有限责任公司 | 交通流量短时预测结果的可视化装置 |
CN108428338B (zh) * | 2017-02-15 | 2021-11-12 | 阿里巴巴集团控股有限公司 | 交通路况分析方法、装置以及电子设备 |
CN107256636A (zh) * | 2017-06-29 | 2017-10-17 | 段晓辉 | 一种融合激光扫描与视频技术的交通流获取方法 |
CN107798871B (zh) * | 2017-10-27 | 2020-07-03 | 云南大学 | 一种高速公路收费站交通流量预测方法及*** |
CN107798877B (zh) * | 2017-11-22 | 2020-10-02 | 北京云星宇交通科技股份有限公司 | 一种基于高速公路收费数据对交通量进行预测的方法及*** |
CN108898851B (zh) * | 2018-06-20 | 2020-11-27 | 东南大学 | 城市道路断面交通量组合预测方法 |
CN109887290B (zh) * | 2019-03-30 | 2021-03-23 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
CN111696369B (zh) * | 2020-04-10 | 2023-04-28 | 北京数城未来科技有限公司 | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 |
CN111951556B (zh) * | 2020-08-20 | 2022-04-29 | 重庆大学 | 一种基于rfid数据考虑货车混入率的公交行程时间预测方法 |
CN111951557B (zh) * | 2020-08-21 | 2022-05-24 | 成都工业学院 | 一种基于车联网大数据的区域短时交通流预测方法及*** |
CN114154667A (zh) * | 2020-09-07 | 2022-03-08 | 思维实创(哈尔滨)科技有限公司 | 一种基于大数据的混合式时间序列电梯运行参数预测方法 |
CN111932898B (zh) * | 2020-09-23 | 2020-12-22 | 南京感动科技有限公司 | 一种基于etc门架***的短时流量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090124197A (ko) * | 2008-05-29 | 2009-12-03 | 주식회사 세인시스템 | 복합검지체계를 가진 교통정보 예측 복합 검지기 및교통정보 예측 방법 |
CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通***集成有限公司 | 交通流数据短时预测方法及*** |
CN102722982A (zh) * | 2012-03-30 | 2012-10-10 | 上海市金山区青少年活动中心 | 基于背景与帧间差分算法的车流及其运动状态检测方法 |
CN103606292A (zh) * | 2013-11-13 | 2014-02-26 | 山西大学 | 一种智能导航仪及其路径导航的实现方法 |
CN103903452A (zh) * | 2014-03-11 | 2014-07-02 | 东南大学 | 交通流短时预测方法 |
-
2014
- 2014-08-27 CN CN201410427899.5A patent/CN104183134B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090124197A (ko) * | 2008-05-29 | 2009-12-03 | 주식회사 세인시스템 | 복합검지체계를 가진 교통정보 예측 복합 검지기 및교통정보 예측 방법 |
CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通***集成有限公司 | 交通流数据短时预测方法及*** |
CN102722982A (zh) * | 2012-03-30 | 2012-10-10 | 上海市金山区青少年活动中心 | 基于背景与帧间差分算法的车流及其运动状态检测方法 |
CN103606292A (zh) * | 2013-11-13 | 2014-02-26 | 山西大学 | 一种智能导航仪及其路径导航的实现方法 |
CN103903452A (zh) * | 2014-03-11 | 2014-07-02 | 东南大学 | 交通流短时预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957329A (zh) * | 2016-06-29 | 2016-09-21 | 肖锐 | 一种公路信息化智能*** |
CN105957329B (zh) * | 2016-06-29 | 2019-04-19 | 芜湖达成储运有限公司 | 一种公路信息化智能*** |
Also Published As
Publication number | Publication date |
---|---|
CN104183134A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104183134B (zh) | 基于智能分车型的高速公路短时交通流量预测方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
CN103413443B (zh) | 基于隐马尔科夫模型的短时交通流状态预测方法 | |
CN101794507B (zh) | 基于浮动车数据的宏观路网交通状态评价方法 | |
CN102568205B (zh) | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
CN103646542A (zh) | 一种交通影响范围的预测方法和装置 | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
CN104778835B (zh) | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 | |
Theja et al. | Short term prediction of traffic parameters using support vector machines technique | |
CN103903433A (zh) | 一种道路交通状态的实时动态判别方法及装置 | |
CN104484994A (zh) | 基于阵列雷达的城市路网交通运行指数评价方法及装置 | |
CN105118294A (zh) | 一种基于状态模式的短时交通流预测方法 | |
CN106295888A (zh) | 一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法 | |
CN106887141A (zh) | 基于排队论的连续交通节点拥塞程度预测模型、***及方法 | |
CN106898142A (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN104050809A (zh) | 交通状况自动分析预测方法 | |
CN106548625B (zh) | 一种城市道路交通状况组合预测方法 | |
Li et al. | Real-time congestion prediction for urban arterials using adaptive data-driven methods | |
Wang et al. | Using k-means clustering to identify time-of-day break points for traffic signal timing plans | |
Guo | Application of entropy weight method in the evaluation of the road capacity of open area |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201230 Address after: 402460 station No.14, no.6, 10th floor, innovation and development center, No.19 Lingfang Avenue, Changzhou street, Rongchang District, Chongqing Patentee after: Chongqing kezhiyuan Technology Co.,Ltd. Address before: 400030 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
TR01 | Transfer of patent right |