CN105243848A - 实时路况的预测方法和*** - Google Patents
实时路况的预测方法和*** Download PDFInfo
- Publication number
- CN105243848A CN105243848A CN201510760673.1A CN201510760673A CN105243848A CN 105243848 A CN105243848 A CN 105243848A CN 201510760673 A CN201510760673 A CN 201510760673A CN 105243848 A CN105243848 A CN 105243848A
- Authority
- CN
- China
- Prior art keywords
- road
- matrix
- shunting
- present road
- current
- 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.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种实时路况的预测方法和***,先通过道路服务器调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度,依次获得当前道路的通行率、分流流向矩阵及分流矩阵,之后基于马尔科夫过程将当前时刻当前道路的通行率及当前道路的分流矩阵迭代,获得预定时刻预测道路的通行率。由于当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值,而每条道路的限速可通过道路拓扑结构信息直接获得,因此仅需获得预定时刻预测道路的通行率即可反推预定时刻预测道路上车辆行驶速度,较为直观的获得预测道路的实时路况,提高了预测的精准度,具有普适性。
Description
技术领域
本发明涉及交通技术领域,特别涉及一种实时路况的预测方法和***。
背景技术
随着人们生活水平的提高,驾驶车辆出行已经成为人们主要的交通方式之一,如果驾驶员在驾驶车辆的过程中能够获取道路的路况信息,则有助于驾驶员规划行驶路径,如果进一步能够获取到即将到达道路在到达时的路况信息,驾驶员就可以根据预测结果更加合理的规划行驶路径,这样就能提高道路的利用率并有效的防治拥堵。
目前,路况预测主要有以下三种方式:
一、如中国专利号为201110438175.7公开了一种融合多种交通数据的交通状况预测***及方法,其主要基于历史数据,流量数据及速度数据这三种类型的数据,并根据相应的权重建立模型,然后根据建立好的模型预测道路的路况情况。
二、如中国专利号为200910265617.5公开了基于时空关系的路况预测方法和***,其主要基于历史数据、空间影响度、实时路况数据这三种类型的数据,并强调了道路的网络空间关系,根据以上三种数据类型,建立相应的权重模型,对路况进行预测。
三、如中国专利号为201310155684.8公开了一种基于群智网络的交通拥堵提示***,该***是由网页交通热点挖掘模块、微博交通热点挖掘模块及路况规律预测模块构成,面向群智感知网络,结合传统的交通信息来源,对城市交通热点进行基于数据活化技术的挖掘和预测。
经过研究发现,上述三种路况预测方式均存在各自的缺点:
第一种方式,需要大量人员参与,耗费大量财力物力;速度数据通过浮动车量技术来获取实时数据,流量数据可以通过线圈来采集实时的流量数据;需要的数据类型多,就需要大量的采集工作;第二点在于模型的建立偏复杂,对计算和模型的准确性有一定的影响。第二种方式同样存在着与第一种方式相同的问题,同时空间影响度考虑了某一范围内的影响,但是路况存在着蝴蝶效应,有可能影响的范围会波及到其他范围。第三种方式主要是挖掘网页上和微博上的交通热点数据,如果某一区域在网页或者微博上不属于热点区域,那么就不会产生路况,更不可能有路况预测。
发明内容
本发明的目的在于提供一种实时路况的预测方法和***,以解决使用现有技术中实时路况的预测方法存在建模复制、精准度低的问题。
为解决上述技术问题,本发明提供一种实时路况的预测方法,所述实时路况的预测方法包括:
道路服务器调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度;
根据所述道路拓扑结构信息及当前时刻当前道路的车辆行驶速度计算当前时刻当前道路的通行率,所述当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值;
根据道路拓扑结构信息获得当前道路的分流流向矩阵,所述分流流向矩阵中的每个元素表征两条不同道路之间是否存在连接;
根据所述分流流向矩阵计算当前道路的分流矩阵;
基于马尔科夫过程将当前时刻当前道路的通行率及当前道路的分流矩阵迭代,获得预定时刻预测道路的通行率。
可选的,在所述的实时路况的预测方法中,计算当前道路的分流矩阵采用如下公式:
A=qE+(1-q)P(n),
其中,A表示当前道路的分流矩阵,E表示单位矩阵,P(n)表示当前道路的分流流向矩阵,q表示车辆会留在当前道路上的概率。
可选的,在所述的实时路况的预测方法中,获得预定时刻预测道路的通行率采用如下公式:
R(n+1)=AR(n),
其中,R(n)表示当前时刻当前道路的通行率,R(n+1)表示预定时刻为下一时刻时预测道路的通行率,A表示当前道路的分流矩阵。
可选的,在所述的实时路况的预测方法中,所述分流流向矩阵的元素为0或1,当两条不同道路之间存在连接时,所述分流流向矩阵的元素取1;当两条不同道路之间不存在连接时,所述分流流向矩阵的元素取0。
可选的,在所述的实时路况的预测方法中,所述道路拓扑结构信息包括:所有道路的限速、道路的编号及道路的类型等级。
可选的,在所述的实时路况的预测方法中,所述当前时刻当前道路的车辆行驶速度等于当前时刻在当前道路上所有车辆行驶速度的平均值。
可选的,在所述的实时路况的预测方法中,当前时刻当前道路的通行率和预定时刻预测道路的通行率的取值范围均为[0,1]。
本发明还提供一种实时路况的预测***,所述实时路况的预测***包括:
道路服务器,用于调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度;
通行率获取模块,用于根据所述道路拓扑结构信息及当前时刻当前道路的车辆行驶速度计算当前时刻当前道路的通行率,所述当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值;
分流矩阵获取模块,根据所述道路拓扑结构信息获得当前道路的分流流向矩阵,所述分流流向矩阵中的每个元素表征两条不同道路之间是否存在连接;
分流矩阵计算模块,根据所述分流矩阵获取模块计算当前道路的分流矩阵;
预测模块,基于马尔科夫过程将当前时刻当前道路的通行率及当前道路的分流矩阵迭代,获得预定时刻预测道路的通行率。
可选的,在所述的实时路况的预测***中,所述分流矩阵计算模块计算当前道路的分流矩阵采用如下公式:
A=qE+(1-q)P(n),
其中,A表示当前道路的分流矩阵,E表示单位矩阵,P(n)表示当前道路的分流流向矩阵,q表示车辆会留在当前道路上的概率。
可选的,在所述的实时路况的预测***中,所述预测模块获得预定时刻预测道路的通行率采用如下公式:
R(n+1)=AR(n),
其中,R(n)表示当前时刻当前道路的通行率,R(n+1)表示预定时刻为下一时刻时预测道路的通行率,A表示当前道路的分流矩阵。
在本发明所提供的实时路况的预测方法和***中,先通过道路服务器调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度,依次获得当前道路的通行率、分流流向矩阵及分流矩阵,之后基于马尔科夫过程将当前时刻当前道路的通行率及当前道路的分流矩阵迭代,获得预定时刻预测道路的通行率。由于当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值,而每条道路的限速可通过道路拓扑结构信息直接获得,因此仅需获得预定时刻预测道路的通行率即可反推预定时刻预测道路上车辆行驶速度,较为直观的获得预测道路的实时路况,提高了预测的精准度,具有普适性。
附图说明
图1是本发明一实施例中实时路况的预测方法的流程图;
图2是本发明一实施例中实时路况的预测***的示意图。
图2中,道路服务器10;通行率获取模块11;分流矩阵获取模块12;分流矩阵计算模块13;预测模块14。
具体实施方式
以下结合附图和具体实施例对本发明提出的实时路况的预测方法和***作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
请参考图1,其为本发明一实施例中实时路况的预测方法的流程图。如图1所示,所述的实时路况的预测方法包括如下步骤:
首先,执行步骤S1,道路服务器调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度;其中,所述道路拓扑结构信息包括:道路的限速、道路的编号及道路的类型等级等信息,对于拓扑结构信息可以存储于道路服务器中,以便用户在进行路况预测时实施调用相关信息。对于道路的限速,如果拓扑结构信息当中没有记载道路的限速数据,则根据道路的不同类型等级确定道路的不同的限速数据。
接着,执行步骤S2,根据所述道路拓扑结构信息及当前时刻当前道路的车辆行驶速度计算当前时刻当前道路的通行率,所述当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值;其中,所述当前时刻当前道路的车辆行驶速度等于当前时刻在当前道路上所有车辆行驶速度的平均值;
这里需要说明的是当前道路的车辆行驶速度的数值是会时刻发生改变的数据,而当前道路的限速是根据道路的类型级别有所规定的,因此,道路的限速与时间没有关系。
具体的,道路的车辆行驶速度获取方式如下:
道路服务器获取行驶车辆的相关数据,主要包括:行驶车辆的卫星定位数据、车辆的速度数据以及行驶车辆方向角数据;道路服务器根据行驶车辆的卫星定位数据以及行驶车辆的方向角数据定位行驶车辆所在的道路;道路服务器获取同一条道路的所有行驶车辆的行驶速度,根据在同一条道路的所有行驶车辆的速度的平均速度作为该道路的车辆行驶速度。
进一步地,当前时刻当前道路的通行率和预定时刻预测道路的通行率取值范围均为[0,1]。通行率值越接近于1,说明当前时刻当前道路的车辆行驶速度越接近当前道路的限速,也就是说该条道路越畅通。通行率值越接近于0,说明当前时刻当前道路的车辆行驶速度越低于当前道路的限速,也就是该条道路通行率越不好,该条道路越拥堵。当然,实际上,车辆行驶的速度极有可能超过道路的限速,但毕竟是小概率事件,此时将通行率值取为1。
接着,执行步骤S3,根据道路拓扑结构信息获得当前道路的分流流向矩阵P(n),所述分流流向矩阵中的每个元素表征两条不同道路之间是否存在连接;P(n)=(rij),这里rij表示编号为i的道路与编号为j的道路之间的连接关系,rij取值为0或1,当编号为i的道路与编号为j的道路之间存在连接时,所述分流流向矩阵的元素取1;当编号为i的道路与编号为j的道路之间不存在连接时,所述分流流向矩阵的元素取0。
接着,执行步骤S4,根据所述分流流向矩阵计算当前道路的分流矩阵;其中,计算当前道路的分流矩阵采用如下公式:
A=qE+(1-q)P(n),
A表示当前道路的分流矩阵,E表示单位矩阵,P(n)表示当前道路的分流流向矩阵,q表示车辆会留在当前道路上的概率,本实施例中q为0.8。
步骤S3中的分流流向矩阵表征是道路分流方向,而步骤S4中的分流矩阵表征道路的分流策略,
道路的分流策略体现在两个方面,第一方面,向哪些地方分流,第二方面,怎么分流;其中,对于第一方面是根据道路的连接关系分流,每条道路上的通行率值只能分流到与高道路连接的下一跳道路上,分流策略只能发生在相互连接的道路之间。对于第二方面,就是确定向下一条道路的分流的比例问题,根据步骤S4,分流比例是按照通行率值的比例关系进行分流。首先,获取该条道路的所有下一条道路,然后,获取所有下一条道路的通行率值,最后根据通行率值的比例关系进行分流。
接着,执行步骤S5,基于马尔科夫过程将当前时刻当前道路的通行率及当前道路的分流矩阵迭代,获得预定时刻预测道路的通行率。其中,获得预定时刻预测道路的通行率采用如下公式:
R(n+1)=AR(n),
其中,R(n)表示当前时刻当前道路的通行率,R(n+1)表示预定时刻为下一时刻预测道路的通行率,A表示当前道路的分流矩阵。
本发明预测路况时,采用的是基于马尔可夫过程的预测方式,之所以把路况看作是马尔可夫过程,是因为对于路况而言,下一时刻的路况只取决于当前时刻的路况,而与之前的路况是没有关系的,而这恰恰构成了马尔可夫过程。本申请的技术方案中充当马尔可夫过程中的状态转移矩阵的是行驶车辆的分流矩阵,马尔可夫过程中的初始值就是当前时刻当前道路的通行率数值;迭代结果就是预测的下一时刻(若当前为n时刻,则下一时刻为n+1时刻)的道路的通行率数值,如果要预测下下时刻(若当前为n时刻,则下下时刻为n+2时刻)的道路的数值,只需要多迭代一次就可以算出来。这里所谓的下一时刻的预测道路的通行率数值或下下时刻的预定道路的通行率数值即为预定时刻预测道路的通行率。也就是说,想要预测未来某一时刻某道路的路况,可以基于当前时刻当前道路的通行率及车辆的分流矩阵经过相应次数的迭代即可计算获知。因此,只要计算出预定时刻的某道路的通行率即可获知预测道路在预定时刻时的路况,该方案较为直观,可靠性强。
相应的,本实施例还提供了一种实时路况的预测***,下面参考图2详细说明本实施例所述实时路况的预测***。
道路服务器10,用于调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度;
通行率获取模块11,用于根据所述道路拓扑结构信息及当前时刻当前道路的车辆行驶速度计算当前时刻当前道路的通行率,所述当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值;
分流矩阵获取模块12,根据所述道路拓扑结构信息获得当前道路的分流流向矩阵,所述分流流向矩阵中的每个元素表征两条不同道路之间是否存在连接;其中,所述分流矩阵计算模块12计算当前道路的分流矩阵采用如下公式:
A=qE+(1-q)P(n),
其中,A表示当前道路的分流矩阵,E表示单位矩阵,P(n)表示当前道路的分流流向矩阵,q表示车辆会留在当前道路上的概率。
分流矩阵计算模块13,根据所述分流矩阵获取模块12计算当前道路的分流矩阵A;
预测模块14,基于马尔科夫过程将当前时刻(本实施为n时刻)当前道路的通行率R(n)及当前道路的分流矩阵A迭代,获得预定时刻(本实施为n+1时刻)预测道路的通行率。其中,所述预测模块获得预定时刻预测道路的通行率采用如下公式:
R(n+1)=AR(n),
其中,R(n)表示当前时刻当前道路的通行率,R(n+1)表示预定时刻为下一时刻预测道路的通行率,A表示当前道路的分流矩阵,n表示n时刻,具体指代时间点。
优选的,实时路况的预测***还包括路况预测展示子***,用于给外界提供接口,通过接口的方式给外部***提供服务。
综上,在本发明所提供的实时路况的预测方法和***中,先通过道路服务器调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度,依次获得当前道路的通行率、分流流向矩阵及分流矩阵,之后基于马尔科夫过程将当前时刻当前道路的通行率及当前道路的分流矩阵迭代,获得预定时刻预测道路的通行率。由于当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值,而每条道路的限速可通过道路拓扑结构信息直接获得,因此仅需获得预定时刻预测道路的通行率即可反推预定时刻预测道路上车辆行驶速度,较为直观的获得预测道路的实时路况,提高了预测的精准度,具有普适性。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种实时路况的预测方法,其特征在于,包括:
道路服务器调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度;
根据所述道路拓扑结构信息及当前时刻当前道路的车辆行驶速度计算当前时刻当前道路的通行率,所述当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值;
根据道路拓扑结构信息获得当前道路的分流流向矩阵,所述分流流向矩阵中的每个元素表征两条不同道路之间是否存在连接;
根据所述分流流向矩阵计算当前道路的分流矩阵;
基于马尔科夫过程将当前时刻当前道路的通行率及当前道路的分流矩阵迭代,获得预定时刻预测道路的通行率。
2.如权利要求1所述的实时路况的预测方法,其特征在于,计算当前道路的分流矩阵采用如下公式:
A=qE+(1-q)P(n),
其中,A表示当前道路的分流矩阵,E表示单位矩阵,P(n)表示当前道路的分流流向矩阵,q表示车辆会留在当前道路上的概率。
3.如权利要求2所述的实时路况的预测方法,其特征在于,获得预定时刻预测道路的通行率采用如下公式:
R(n+1)=AR(n),
其中,R(n)表示当前时刻当前道路的通行率,R(n+1)表示预定时刻为下一时刻时预测道路的通行率,A表示当前道路的分流矩阵。
4.如权利要求1所述的实时路况的预测方法,其特征在于,所述分流流向矩阵的元素为0或1,当两条不同道路之间存在连接时,所述分流流向矩阵的元素取1;当两条不同道路之间不存在连接时,所述分流流向矩阵的元素取0。
5.如权利要求1所述的实时路况的预测方法,其特征在于,所述道路拓扑结构信息包括:所有道路的限速、道路的编号及道路的类型等级。
6.如权利要求1所述的实时路况的预测方法,其特征在于,所述当前时刻当前道路的车辆行驶速度等于当前时刻在当前道路上所有车辆行驶速度的平均值。
7.如权利要求1所述的实时路况的预测方法,其特征在于,当前时刻当前道路的通行率和预定时刻预测道路的通行率的取值范围均为[0,1]。
8.一种实时路况的预测***,其特征在于,包括:
道路服务器,用于调用道路拓扑结构信息并获取当前时刻当前道路的车辆行驶速度;
通行率获取模块,用于根据所述道路拓扑结构信息及当前时刻当前道路的车辆行驶速度计算当前时刻当前道路的通行率,所述当前时刻当前道路的通行率等于当前时刻当前道路的车辆行驶速度与当前道路的限速的比值;
分流矩阵获取模块,根据所述道路拓扑结构信息获得当前道路的分流流向矩阵,所述分流流向矩阵中的每个元素表征两条不同道路之间是否存在连接;
分流矩阵计算模块,根据所述分流矩阵获取模块计算当前道路的分流矩阵;
预测模块,基于马尔科夫过程将当前时刻当前道路的通行率及当前道路的分流矩阵迭代,获得预定时刻预测道路的通行率。
9.如权利要求8所述的实时路况的预测***,其特征在于,所述分流矩阵计算模块计算当前道路的分流矩阵采用如下公式:
A=qE+(1-q)P(n),
其中,A表示当前道路的分流矩阵,E表示单位矩阵,P(n)表示当前道路的分流流向矩阵,q表示车辆会留在当前道路上的概率。
10.如权利要求9所述的实时路况的预测***,其特征在于,所述预测模块获得预定时刻预测道路的通行率采用如下公式:
R(n+1)=AR(n),
其中,R(n)表示当前时刻当前道路的通行率,R(n+1)表示预定时刻为下一时刻时预测道路的通行率,A表示当前道路的分流矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510760673.1A CN105243848A (zh) | 2015-11-10 | 2015-11-10 | 实时路况的预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510760673.1A CN105243848A (zh) | 2015-11-10 | 2015-11-10 | 实时路况的预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105243848A true CN105243848A (zh) | 2016-01-13 |
Family
ID=55041474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510760673.1A Pending CN105243848A (zh) | 2015-11-10 | 2015-11-10 | 实时路况的预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243848A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
CN108074008A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 一种预测拥堵路段的方法及装置 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082767A1 (en) * | 1999-03-08 | 2002-06-27 | Telquest, Ltd. | Method and system for mapping traffic congestion |
CN101694743A (zh) * | 2009-08-25 | 2010-04-14 | 北京世纪高通科技有限公司 | 预测路况的方法和装置 |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和*** |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN104732761A (zh) * | 2015-02-06 | 2015-06-24 | 上海语镜汽车信息技术有限公司 | 一种基于实时计算的、关注道路本身的道路交通状况预测方法 |
-
2015
- 2015-11-10 CN CN201510760673.1A patent/CN105243848A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082767A1 (en) * | 1999-03-08 | 2002-06-27 | Telquest, Ltd. | Method and system for mapping traffic congestion |
CN101694743A (zh) * | 2009-08-25 | 2010-04-14 | 北京世纪高通科技有限公司 | 预测路况的方法和装置 |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和*** |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN104732761A (zh) * | 2015-02-06 | 2015-06-24 | 上海语镜汽车信息技术有限公司 | 一种基于实时计算的、关注道路本身的道路交通状况预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
CN108074008A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 一种预测拥堵路段的方法及装置 |
CN108074008B (zh) * | 2016-11-18 | 2022-01-07 | 腾讯科技(深圳)有限公司 | 一种预测拥堵路段的方法及装置 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN110969275B (zh) * | 2018-09-30 | 2024-01-23 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945507B (zh) | 行程时间预测方法及装置 | |
US9755850B2 (en) | Providing dynamic routing alternatives based on determined traffic conditions | |
Liu et al. | Dynamic shared autonomous taxi system considering on-time arrival reliability | |
CN105389987B (zh) | 一种道路交通状况预测方法及装置 | |
KR101385057B1 (ko) | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 | |
US20150179064A1 (en) | Traffic-Volume Prediction Device and Method | |
CN102288193A (zh) | 一种基于历史数据的机动车出行路径的确定方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN103971530A (zh) | 一种实时路径规划方法 | |
CN103745611A (zh) | 一种交通路径规划方法、装置及*** | |
CN113066285B (zh) | 一种路况信息确定方法、装置、电子设备及存储介质 | |
CN105303854A (zh) | 一种出行路线数据的处理方法和装置 | |
CN108106622A (zh) | 一种乘车路线规划方法及*** | |
Karmakar et al. | A smart priority-based traffic control system for emergency vehicles | |
CN106197442A (zh) | 导航方法以及设备 | |
Cao et al. | Bilevel generalized least squares estimation of dynamic origin–destination matrix for urban network with probe vehicle data | |
CN104484514A (zh) | 一种规避拥堵路段的弹性公交线路设计方法 | |
Yang et al. | Effects of left-turn waiting areas on capacity and level of service of signalized intersections | |
CN107957267B (zh) | 一种导航路径提示信息的确定方法及装置 | |
CN105243848A (zh) | 实时路况的预测方法和*** | |
KR101123967B1 (ko) | 교통 정체 예측 시스템, 예측 방법 및 그 기록 매체 | |
Jian Daniel et al. | Research and analysis on causality and spatial-temporal evolution of urban traffic congestions—a case study on Shenzhen of China | |
CN105303838A (zh) | 确定道路流量的方法和装置 | |
CN104376712B (zh) | 缺失交通信息补全装置及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160113 |
|
WD01 | Invention patent application deemed withdrawn after publication |