CN106781511B - 一种基于gps数据和交通事故类型的拥堵时间预测方法 - Google Patents
一种基于gps数据和交通事故类型的拥堵时间预测方法 Download PDFInfo
- Publication number
- CN106781511B CN106781511B CN201710173992.1A CN201710173992A CN106781511B CN 106781511 B CN106781511 B CN 106781511B CN 201710173992 A CN201710173992 A CN 201710173992A CN 106781511 B CN106781511 B CN 106781511B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- accident
- gps data
- distance
- 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
Classifications
-
- 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
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于GPS数据和交通事故类型的拥堵时间预测方法,包括:确定交通事故类型、事故处理时间t、事故发生时刻t1及事故的经纬度坐标;拥堵车流中的车辆定时上传GPS数据和时间,所述GPS数据包括车辆的经纬度坐标;一车辆在t2时刻请求通过事故地点的时间T:若t2时刻处于事故的处理时间t1+t内,根据Haversine公式计算该车辆距事故地点的距离d;t2时刻该车辆的初始速度为0,计算该车辆通过距离d所需的时间t3,从而得到T。本发明是在事故发生后,对当前事故影响范围内的具体行驶车辆信息进行采集,然后通过事故类型和GPS进行估算得到车辆实际通过拥堵路段的具体时间,数据更加真实可靠,预测结果更加准确可靠。
Description
技术领域
本发明涉及道路交通技术领域,尤其涉及一种基于GPS数据和交通事故类型的拥堵时间预测方法。
背景技术
交通事故会引发大范围的交通拥堵,增加车辆油耗和废气排放,带来能源消耗和环境污染问题。一旦发生交通事故,部分道路就会被占用或者封闭,事故发生地点通行能力降低,无法满***通需求,进而导致交通拥堵,增加二次事故发生的可能性。同时,司机在等待事故处理、缓慢跟进通行过程中会产生急躁或者消极的情绪,也极易引发行驶车辆之间的冲突(剐蹭)等,增加二次事故发生的可能性。此时,如果能尽可能准确的预测到通过事故发生地的时间,为后续司机提供时间参考,将会稳定他们的情绪,促进事故后续车辆安全有序通过事故发生地,同时也能提前合理安排自己的行程。
现有道路拥堵时间的获取一般通过获取多个交通特性参数,包括车辆占有率、车流量、车辆平均速度和车头时距等;然后将获取到的交通特性参数基于BP神经网络算法得到将要拥堵的时间。现有技术仅通过获取拥堵道路上的交通特性参数来判断拥堵的等待时间,其没有考虑对于交通事故导致的拥堵;因此,现有道路拥堵时间的获取方法不准确,不能实时的反应道路拥堵的实际状况。
发明内容
针对上述问题中存在的不足之处,本发明提供一种基于GPS数据和交通事故类型的拥堵时间预测方法。
为实现上述目的,本发明提供一种基于GPS数据和交通事故类型的拥堵时间预测方法,包括:
确定交通事故类型、事故处理时间t、事故发生时刻t1及事故的经纬度坐标;
拥堵车流中的车辆定时上传GPS数据和时间,所述GPS数据包括车辆的经纬度坐标;
一车辆在t2时刻请求通过事故地点的时间T:
若t2时刻处于事故的处理时间t1+t内,根据Haversine公式计算该车辆距事故地点的距离d;t2时刻该车辆的初始速度为0,根据公式(1)计算该车辆通过距离d所需的时间t3,根据公式(2)得到T;其中:
T=t1+t-t2+t3 (2)
式中:a为该车辆在距离d内的平均加速度。
作为本发明的进一步改进,若t2时刻处于事故的处理时间t1+t外,则:
假设该车辆位于Q点,Q点与事故地点O点之间还存在Q1,Q2,…,Qn-1,Qn个点有汽车在行驶;
基于Q1到Qn点各车辆提交的GPS数据与上一次提交的GPS数据,通过Haversine公式计算各车辆在前后两次测量时间内行驶的距离,然后除以测量时间分别求出每辆车的行驶速度分别为v1,v2…vn-1,vn;
基于Q点的GPS数据和Q1到Qn点最后一次提交的GPS数据,通过Haversine公式分别求出Q到Q1的距离S1,Q1到Q2的距离S2,……,Qn-1到O的距离Sn;根据公式(3)得到T;
作为本发明的进一步改进,所述平均加速度a的计算方法为:
假设该车辆在距离d内该车辆共上传1,2,···,N次GPS数据和时间,该车辆在第一次上传数据时的初始加速度a1=0;
通过Haversine公式计算相邻两次测量时间内该车辆行驶的距离d12、d23、…、d(N-1,N),并d12、d23、…、d(N-1,N)及测量时间计算出相邻两次测量时间内的加速度分别为a12、a23、…、a(N-1,N);
a12与a23取平均值得a13;
a13与a34取平均值得a14;
…
a(1,N-1)与a(N-1,N)取平均值得a(1,N),即a。
作为本发明的进一步改进,当该路段的限速为vmax,则该车辆通过距离d所需的时间t3为:
根据公式(4)求得Smax,若Smax≥d,则根据公式(1)计算t3;
若Smax<d,则由公式(5)计算t3;
作为本发明的进一步改进,所述交通事故类型分为五类:车辆间的交通事故、车辆与行人的交通事故、机动车对非机动车的交通事故及车辆自身事故。
与现有技术相比,本发明的有益效果为:
本发明是在事故发生后,对当前事故影响范围内的具体行驶车辆信息进行采集,然后通过事故类型和GPS进行估算得到车辆实际通过拥堵路段的具体时间,数据更加真实可靠,预测结果更加准确可靠。
附图说明
图1为本发明一种实施例公开的基于GPS数据和交通事故类型的拥堵时间预测方法的流程图;
图2为本发明一种实施例公开的汽车拥堵示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
针对现有技术中存在的技术问题,本发明以GPS数据和交通事故类型为基础,对由交通事故引起的交通拥堵进行分析,对交通事故发生后的后续车辆等待时间进行研究,建立事故发生后的道路拥堵等待时间预测模型。
下面结合附图对本发明做进一步的详细描述:
本发明提供一种基于GPS数据和交通事故类型的拥堵时间预测方法,包括:
步骤1、前提条件假设:
a、拥堵车流中的车辆借助车载GPS或者手机定时上传GPS数据和时间,GPS数据包括车辆的经纬度坐标。
b、通过用户提交,得知交通事故类型、事故处理时间、事故发生时刻及事故的经纬度坐标;其中:
按事故的对象可将交通事故分为五类:a、车辆间的交通事故;b、车辆与行人的交通事故;c、机动车对非机动车的交通事故;d、车辆自身事故;e、车辆对固定物的事故。每当发生交通事故时,拥堵车流最前方第一辆车通过移动客户端手动将事故类型上传服务器,上传的速度和时间信息,而通过该车辆定时上传的地理位置和时间,可以计算出该车的速度,若速度为零或地理位置不变则表示车辆已停止,若不为零或地理位置改变则表示车辆已启动,从而能够得到该事故的处理时间。服务器会对每次事故的时间进行计算,然后与之前服务器中存在的该交通事故的平均处理时间数据取平均值,进一步得到该事故的平均处理时间。通过上述方法对各种交通事故类型的处理时间进行统计,估算出各种交通事故处理分别需要的平均时间,然后将该时间作为本文拥堵时间预测算法中从事故发生到恢复交通所需要的时间。我们可以假设五种交通事故类型对应的平均处理时间分别为ta,tb,tc,td,te,作为下文中的计算需要。
c、道路都是直的。
步骤2、车辆行驶的速度可以通过以下测量方法获得:
通过GPS设备连续获取车辆的经纬度坐标,算出测量时间内行驶的距离,然后除以测量时间便可以得到车辆的速度。
地球半径Radius=6371.004km;
假设前后两点的经纬度坐标分别为:A(latitude1,longitude1),B(latitude2,longitude2),记录的时间分别为t1,t2。采用Haversine公式计算;
其中
haversin(θ)=sin2(θ/2)=(1-cos(θ))/2 (2)
式中:R为地球半径;表示两点的纬度;Δλ表示两点经度的差值。
即R=Radius,Δλ=longitude2-longitude1。代入公式,即可求出AB之间的距离d。
车辆行驶速度为:
v=d/(t2-t1) (3)
步骤3、事故未处理完的路程时间预测:
假设t0时刻在坐标O点(latitude0,longitude0)发生了交通事故a,那么ta时刻事故基本处理完毕,交通恢复畅通。若在t0到ta时刻有用户请求拥堵时间提示,假设该用户是位于坐标P(latitude1,longitude1)点的车辆,在t1时刻请求获取通过该拥堵路段的时间。
通过公式(1)、(2)求出OP之间的距离为dop。
假设该路段限速为vmax,加速度为服务器中记录的该次交通事故所堵塞的交通区域的加速度数值a,其中a的初始值为0。当该区域内每辆车每次上传到服务器的GPS坐标,与上次该车上传的GPS坐标进行比较,若发生变化,则计算该车的加速度,然后与服务器保存的数值a进行比较,若a=0,则a的值等于该车的加速度值,若不等于0,则求平均值。若GPS坐标前后没有变化,即车辆加速度为0,处于静止状态,则不做处理。
加速度公式为:
v=v0+at (4)
其中v0=0,若Smax≥dop,则由公式(5)可得通过该路段的时间top:
若Smax<dop,则由公式(4)、(5)可得通过该路段的时间
最后,预测车辆在t1时刻从P点通过O点的时间为Top,Top即拥堵时间;
Top=ta-t1+top (8)
步骤4、事故处理完成后,汽车开始行驶后的路程时间预测:
事故已经处理完毕,汽车已经开始缓慢启动,此时正在缓慢启动的位于坐标Q(latitude2,longitude2)点的车辆,在t2时刻请求获取通过该拥堵路段的时间提示,也就是从Q点通过O点所用的时间。
假设在Q点和O点之间,还存在Q1,Q2,…,Qn-1,Qn个点有汽车在行驶,如图1所示。
根据Q1到Qn点提交的GPS坐标与上一次提交的GPS坐标,通过公式(1)、(2)、(3)可以分别求出每辆车的行驶速度分别为v1,v2…vn-1,vn。
根据Q点的GPS坐标和Q1到Qn点最后一次提交的GPS坐标,分别求出Q到Q1的距离S1,Q1到Q2的距离S2,……,Qn-1到O的距离Sn。则从Q点到O点的时间可以估算为Top,Top即拥堵时间;
因为考虑到了道路上行驶车流中所有车辆的速度,所以通过公式(9)的计算,比单独使用加速度来计算会更加精确。
优选的,所述平均加速度a的计算方法为:
假设该车辆在距离d内该车辆共上传1,2,···,N次GPS数据和时间,该车辆在第一次上传数据时的初始加速度a1=0;
通过Haversine公式计算相邻两次测量时间内该车辆行驶的距离d12、d23、…、d(N-1,N),并d12、d23、…、d(N-1,N)及测量时间计算出相邻两次测量时间内的加速度分别为a12、a23、…、a(N-1,N);
a12与a23取平均值得a13;
a13与a34取平均值得a14;
…
a(1,N-1)与a(N-1,N)取平均值得a(1,N),即a。
实施例1:
本发明提供一种基于GPS数据和交通事故类型的拥堵时间预测方法,包括:
(1)数据设定:
假设下午17时在西大望路北工大西门路口C点(39.881911,116.48398)向北行驶方向发生一起交通事故,有两辆车分别标记为A和B。A车位于事故后方拥堵车流的中间位置,GPS坐标点为(39.880876,116.483971),B车位于事故后方拥堵车流的靠后位置,GPS坐标点为(39.879478,116.483984)。假设该交通事故是由于同向车辆发生碰撞导致,属于车辆间的交通事故。假设该种交通事故一般处理时间为15分钟。该路段限速40Km/h,约11m/s,一般车辆加速度为8m/s2。
(2)模型计算求解:
采用Haversine公式(1)、(2)分别求出,AC之间的距离约为115米,BC之间的距离约为271米。17时10分,A车请求服务器通过C点的时间。此时事故还未处理完毕,通过公式(7)可得:
再由公式(8)可得A车通过C点的时间约为5分11秒。
若B车请求服务器通过C点的时间,同上,通过公式(7)、(8)可得,B车通过C点的时间约为5分25秒。
本发明是在事故发生后,对当前事故影响范围内的具体行驶车辆信息进行采集,然后通过事故类型和GPS进行估算得到车辆实际通过拥堵路段的具体时间,数据更加真实可靠,预测结果更加准确可靠。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (4)
1.一种基于GPS数据和交通事故类型的拥堵时间预测方法,其特征在于,包括:
确定交通事故类型、事故处理时间t、事故发生时刻t1及事故的经纬度坐标;
拥堵车流中的车辆定时上传GPS数据和时间,所述GPS数据包括车辆的经纬度坐标;
一车辆在t2时刻请求通过事故地点的时间T:
若t2时刻处于事故的处理时间t1+t内,根据Haversine公式计算该车辆距事故地点的距离d;t2时刻该车辆的初始速度为0,根据公式(1)计算该车辆通过距离d所需的时间t3,根据公式(2)得到T;其中:
T=t1+t-t2+t3 (2)
式中:a为该车辆在距离d内的平均加速度;
若t2时刻处于事故的处理时间t1+t外,则:
假设该车辆位于Q点,Q点与事故地点O点之间还存在Q1,Q2,…,Qn-1,Qn个点有汽车在行驶;
基于Q1到Qn点各车辆提交的GPS数据与上一次提交的GPS数据,通过Haversine公式计算各车辆在前后两次测量时间内行驶的距离,然后除以测量时间分别求出每辆车的行驶速度分别为v1,v2…vn-1,vn;
基于Q点的GPS数据和Q1到Qn点最后一次提交的GPS数据,通过Haversine公式分别求出Q到Q1的距离S1,Q1到Q2的距离S2,……,Qn-1到O的距离Sn;根据公式(3)得到T;
2.如权利要求1所述的基于GPS数据和交通事故类型的拥堵时间预测方法,其特征在于,所述平均加速度a的计算方法为:
假设该车辆在距离d内该车辆共上传1,2,···,N次GPS数据和时间,该车辆在第一次上传数据时的初始加速度a1=0;
通过Haversine公式计算相邻两次测量时间内该车辆行驶的距离d12、d23、···、d(N-1,N),并根据d12、d23、···、d(N-1,N)及测量时间计算出相邻两次测量时间内的加速度分别为a12、a23、···、a(N-1,N);
a12与a23取平均值得a13;
a13与a34取平均值得a14;
···
a(1,N-1)与a(N-1,N)取平均值得a(1,N),即a。
3.如权利要求2所述的基于GPS数据和交通事故类型的拥堵时间预测方法,其特征在于,当行驶路段的限速为vmax,则该车辆通过距离d所需的时间t3为:
根据公式(4)求得Smax,若Smax≥d,则根据公式(1)计算t3;
若Smax<d,则由公式(5)计算t3;
4.如权利要求1所述的基于GPS数据和交通事故类型的拥堵时间预测方法,其特征在于,所述交通事故类型分为五类:车辆间的交通事故、车辆与行人的交通事故、机动车对非机动车的交通事故、车辆自身事故及车辆对固定物的事故。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710173992.1A CN106781511B (zh) | 2017-03-22 | 2017-03-22 | 一种基于gps数据和交通事故类型的拥堵时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710173992.1A CN106781511B (zh) | 2017-03-22 | 2017-03-22 | 一种基于gps数据和交通事故类型的拥堵时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106781511A CN106781511A (zh) | 2017-05-31 |
CN106781511B true CN106781511B (zh) | 2019-07-26 |
Family
ID=58966371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710173992.1A Active CN106781511B (zh) | 2017-03-22 | 2017-03-22 | 一种基于gps数据和交通事故类型的拥堵时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106781511B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019090753A1 (en) * | 2017-11-13 | 2019-05-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for monitoring traffic congestion |
CN108320553B (zh) * | 2018-04-04 | 2021-04-27 | 大陆投资(中国)有限公司 | 基于道路驾驶事件的路况预测方法 |
CN109532756B (zh) * | 2018-11-21 | 2020-06-05 | 江苏满运软件科技有限公司 | 车辆非法点火告警方法、装置、电子设备、存储介质 |
CN111811773A (zh) * | 2020-06-24 | 2020-10-23 | 河海大学 | 一种水域上空风拖曳系数测算方法 |
CN111983592A (zh) * | 2020-08-14 | 2020-11-24 | 西安应用光学研究所 | 一种机载光电***无源定位拟合测向测速方法 |
CN118038678A (zh) * | 2021-03-26 | 2024-05-14 | 上海博泰悦臻网络技术服务有限公司 | 拥堵路况推送方法、装置、电子设备和存储介质 |
CN113642752A (zh) * | 2021-08-24 | 2021-11-12 | 长沙理工大学 | 一种城市出租车同时运营数目确定方法和装置 |
CN115394099B (zh) * | 2022-08-18 | 2024-02-02 | 杭州亥迪交通设备有限公司 | 道路交通诱导方法、***、设备及交通指引牌 |
CN115240432B (zh) * | 2022-09-21 | 2023-02-28 | 智道网联科技(北京)有限公司 | 交通拥堵检测方法、装置及电子设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101116922B1 (ko) * | 2010-04-12 | 2012-03-12 | 한양대학교 산학협력단 | 차량의 통행시간 산출 방법 |
CN103295414A (zh) * | 2013-05-31 | 2013-09-11 | 北京建筑工程学院 | 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 |
CN103632546A (zh) * | 2013-11-27 | 2014-03-12 | 中国航天***工程有限公司 | 一种基于浮动车数据的城市道路交通事故影响预测方法 |
CN103700259A (zh) * | 2013-12-13 | 2014-04-02 | 广东车联网信息科技服务有限公司 | 实时交通路况判别方法 |
CN103730020A (zh) * | 2014-01-17 | 2014-04-16 | 中国联合网络通信集团有限公司 | 交通事故预警方法及装置 |
CN105185117A (zh) * | 2015-10-09 | 2015-12-23 | 山东高速信息工程有限公司 | 一种公路旅行时间预测方法、***及装置 |
CN106469503A (zh) * | 2015-08-14 | 2017-03-01 | 高德软件有限公司 | 一种预测交通事件影响范围的方法和装置 |
-
2017
- 2017-03-22 CN CN201710173992.1A patent/CN106781511B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101116922B1 (ko) * | 2010-04-12 | 2012-03-12 | 한양대학교 산학협력단 | 차량의 통행시간 산출 방법 |
CN103295414A (zh) * | 2013-05-31 | 2013-09-11 | 北京建筑工程学院 | 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 |
CN103632546A (zh) * | 2013-11-27 | 2014-03-12 | 中国航天***工程有限公司 | 一种基于浮动车数据的城市道路交通事故影响预测方法 |
CN103700259A (zh) * | 2013-12-13 | 2014-04-02 | 广东车联网信息科技服务有限公司 | 实时交通路况判别方法 |
CN103730020A (zh) * | 2014-01-17 | 2014-04-16 | 中国联合网络通信集团有限公司 | 交通事故预警方法及装置 |
CN106469503A (zh) * | 2015-08-14 | 2017-03-01 | 高德软件有限公司 | 一种预测交通事件影响范围的方法和装置 |
CN105185117A (zh) * | 2015-10-09 | 2015-12-23 | 山东高速信息工程有限公司 | 一种公路旅行时间预测方法、***及装置 |
Non-Patent Citations (1)
Title |
---|
基于路网运行效率的高速公路交通事故诱导研究;孙眉浪;《中国优秀硕士学位论文全文数据库》;20160215;第22-25,39-42页 |
Also Published As
Publication number | Publication date |
---|---|
CN106781511A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106781511B (zh) | 一种基于gps数据和交通事故类型的拥堵时间预测方法 | |
US11511736B1 (en) | Autonomous vehicle retrieval | |
US10977945B1 (en) | Vehicular driver warnings | |
US11441916B1 (en) | Autonomous vehicle trip routing | |
JP5900454B2 (ja) | 車両用車線案内システム及び車両用車線案内方法 | |
US11175152B2 (en) | Method and system for risk determination of a route | |
US10627248B2 (en) | Cognitive load routing metric for vehicle guidance | |
US20160363935A1 (en) | Situational and predictive awareness system | |
CN109191876B (zh) | 一种基于车联网技术的特殊车辆交通诱导***及其控制方法 | |
JP5424754B2 (ja) | リンク旅行時間算出装置及びプログラム | |
CN109084794B (zh) | 一种路径规划方法 | |
CN105702035B (zh) | 一种利用历史公交数据评估乘车难易程度的方法 | |
CN104750963B (zh) | 交叉口延误时长估计方法及装置 | |
CN103712630A (zh) | 一种车辆导航***及车辆导航方法 | |
CN101964941A (zh) | 基于动态信息的智能导航与位置服务***及方法 | |
Shimosaka et al. | Modeling risk anticipation and defensive driving on residential roads with inverse reinforcement learning | |
CN102903233A (zh) | 用于更新行驶时间估计的方法和设备 | |
CN107085944A (zh) | 一种交通数据处理***及方法 | |
CN114761985A (zh) | V2x车辆道路使用率 | |
Flaskou et al. | Analysis of freight corridors using GPS data on trucks | |
Stamatiadis et al. | Use of technology to improve bicycle mobility in smart cities | |
CN111323034B (zh) | 在车辆的测试行驶期间确定接下来测试路线的方法和设备 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
JP2014066655A (ja) | 経路探索装置及び経路探索方法 | |
Alrukaibi et al. | Real-time travel time estimation in partial network coverage: A case study in Kuwait City |
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 |