CN108648445B - 基于交通大数据的动态交通态势预测方法 - Google Patents

基于交通大数据的动态交通态势预测方法 Download PDF

Info

Publication number
CN108648445B
CN108648445B CN201810357889.7A CN201810357889A CN108648445B CN 108648445 B CN108648445 B CN 108648445B CN 201810357889 A CN201810357889 A CN 201810357889A CN 108648445 B CN108648445 B CN 108648445B
Authority
CN
China
Prior art keywords
data
pca
situation
traffic
cent
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
Application number
CN201810357889.7A
Other languages
English (en)
Other versions
CN108648445A (zh
Inventor
钟会玲
沈建惠
沈斌
姜雪明
徐梦
王雯
韩妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Supcon Information Industry Co Ltd
Original Assignee
ZHEJIANG SUPCON INFORMATION CO Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZHEJIANG SUPCON INFORMATION CO Ltd filed Critical ZHEJIANG SUPCON INFORMATION CO Ltd
Priority to CN201810357889.7A priority Critical patent/CN108648445B/zh
Publication of CN108648445A publication Critical patent/CN108648445A/zh
Application granted granted Critical
Publication of CN108648445B publication Critical patent/CN108648445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于交通大数据的动态交通态势预测方法，本发明采用滚动的动态优化思想，在进行预测态势过程中，依据实时和历史不断更新模型，使预测态势更加符合实际。

Description

基于交通大数据的动态交通态势预测方法
技术领域
本发明涉及交通大数据态势预测技术领域，尤其是涉及一种准确性高和稳定性好的基于交通大数据的动态交通态势预测方法。
背景技术
目前，随着我国机动车数量的急剧增多，城市交通拥堵已经成为我国各大中城市普遍面临的问题，拥堵造成的延误时间和环境污染已经带给社会巨大的经济损失，现有技术发布的实时交通态势为当前路段的实时交通态势，未能展示对未来一段时间的交通态势状况预测结果。但是在实际生活中，越来越多的用户为了提前合理的安排出行路径，更希望能够提前了解某些路段、或者某些区域的未来一段时间的交通状况，因此，现有的发布实时交通态势并不能满足用户的路径规划需求。因此研究交通态势，能对出行者路径选择、交通管理者疏导交通提供重要依据，精准的交通态势预测成为目前亟待解决的问题。
在现在交通数据的采集方法中，车牌识别技术是一种新兴的城市道路交通信息采集技术，通过设置在城市道路路口的卡口摄像头进行车辆车牌的捕获识别以及记录，车牌识别技术在交通数据获取方面体现了精度高、样本量大、覆盖车辆范围广等优点，历史累积的卡口数据形成交通大数据，车辆区间平均速度用以计算路段行程车速，所以基于卡口***车牌识别的交通态势判别方法具有很好的学术研究意义。
国内外学者对交通态势预测算法做了大量研究。有学者选取路段车流量、占有率、车流速度和车流密度作为参数，利用贝叶斯法则算法，预测各种交通态势发生的概率。也有学者利用流量、速度、占有率、平均车道流量等参数，采用最大嫡训练模型得到各参数对应的权值，从而预测交通态势。也有基于神经网络的交通流状态模糊推理方法，上述算法均考虑了多个参数，通过训练得到交通态势所对应的参数组合。然而过多的参数输入导致在实际应用中存在很大的局限性。也有通过历史路段速度数据，区分工作日和非工作日以及天气状态建立不同基础态势表，仅根据当前日期以及天气给出预测整天交通态势。该方法不确定因素太大导致预测准确率低。
发明内容
本发明的发明目的是为了克服现有技术中的交通态势预测方法的准确性和稳定性均无法满***通需求的不足，提供了一种准确性高和稳定性好的基于交通大数据的动态交通态势预测方法。
为了实现上述目的，本发明采用以下技术方案：
一种基于交通大数据的动态交通态势预测方法，其特征是，包括如下步骤：
(1-1)采集区域路段的交通数据信息；
(1-2)获取区域路段距离当前时刻前M天内的交通数据信息的n个抽样数据，抽样间隔为T1；
(1-3)标准化抽样数据，利用主成分分析方法对标准化后的抽样数据进行分析，得到抽样数据的特征数据pca_v，将特征数据pca_v转换到[-a，a]之间，将特征数据pca_v转换到[0，1]；
(1-4)划分态势；
(1-5)选取距离当前时刻前M天内每天相同时段的时间长度为S的pca_v数据，共有M组
Figure GDA0002289755260000031
行数据pca_vj1，设定聚类半径为r，采用K-Means聚类方法进行聚类，得到聚类结果为E类，且聚类中心为cent_vi1，存入历史学习库cent_v；
(1-6)取距离当前时刻S时间长度的交通数据信息的抽样数据，重复步骤(1-2)、(1-3)和(1-4)，得到一维数据pca_vc；
(1-7)选取pca_vc和历史学习库cent_v中时间长度为
Figure GDA0002289755260000032
的对应数据，计算pca_vc与历史学习库cent_v的距离dis和余弦距离dis_cos；并做出交通态势预测；
(1-8)更新历史学习库cent_v。
现有预测方法在准确性和稳定性方面均不能满***通需求，本发明采用滚动的动态优化思想，在进行预测态势过程中，依据实时和历史不断更新模型，使预测态势更加符合实际。
作为优选，步骤(1-3)包括如下具体步骤：
用抽样数据构成n×3数据矩阵，数据矩阵中的元素用xij表示；
(2-1)利用如下公式进行标准化处理：
i＝1，2，...，n；j＝1，2，3；
其中，
Figure GDA0002289755260000034
得到标准化后的数据矩阵；
(2-2)设定样本相关系数矩阵为R，计算样本相关系数矩阵R中的每个元素rij：
Figure GDA0002289755260000042
n＞1，其中xi，xj均为标准化后的数据矩阵的列向量，
Figure GDA0002289755260000043
均为列向量对应均值，k＝1，2，…，n；xki为标准化后的数据矩阵的第k行第i列元素，xkj为标准化后的数据矩阵的第k行第j列元素；
(2-3)
Figure GDA0002289755260000044
其中样本新数据Fi1＝a11xi1+a12xi2+a13xi3，[a11，a12，a13]为由相关系数矩阵R计算得到的特征向量；
(2-4)将Fij转换至[-a，a]，
Figure GDA0002289755260000045
(2-5)将Fij转换到[0，1]，Fij＝(Fij+a)/2a。
作为优选，抽样数据包括实际行程速度v、路段下游路口车流量的倒数1/q和路段下游车头时距标准差std_time。
作为优选，步骤(1-7)还包括如下步骤：
Figure GDA0002289755260000046
如果存在dis＜r，则将满足dis＜r且余弦距离dis_cos最小的历史学习库cent_v中最后半个小时数据作为预测态势结果；
如果dis＞r则给出报警，如果pca_vc缺失数据严重，则不给出预测。
作为优选，步骤(1-4)包括如下具体步骤：
当pca_v位于[0，0.1)划分为态势1，当pca_v位于[0.1，0.2)划分为态势2，当pca_v位于[0.2，0.3)划分为态势3，当pca_v位于[0.3，0.4)划分为态势4，当pca_v位于[0.4，0.5)划分为态势5，当pca_v位于[0.5，0.6)划分为态势6，当pca_v位于[0.6，0.7)划分为态势7，当pca_v位于[0.7，0.8)划分为态势8，当pca_v位于[0.8，0.9)划分为态势9，当pca_v位于[0.9，1]划分为态势10。
作为优选，步骤(1-8)包括如下具体步骤：
计算当前时刻前S时间长度内的数据与历史学习库cent_v中对应的各个S时间长度的数据间距离D1，选取最小的D1，将当前数据归为与最小的D1对应的历史学习库cent_v中；
并更新历史学习库cent_v的聚类中心cent_vi；
cent_vi＝(cent_vi+pca-vc)/2，其中cent_vi为cent_v中的一个聚类中心。
作为优选，M为20天至40天，T1为5分钟或10分钟，S为1.5小时。
因此，本发明具有如下有益效果：采用滚动的动态优化思想，在进行预测态势过程中，依据实时和历史不断更新模型，使预测态势更加符合实际。
附图说明
图1是本发明的一种流程图；
图2是本发明的一种实验路网区域示意图；
图3是本发明的一种交通态势滚动预测方法示意图。
图4是本发明某一路段白天6点至22点滚动预测5分钟pca_vc预测值与真实值的一种对比图；
图5是本发明某一路段白天6点至22点滚动预测半小时pca_vc预测值与真实值的一种对比图；
图6是本发明对实验路网中某一路段态势真实值和预测值一种对比示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1、图2所示，本发明提供一种基于交通大数据的动态交通态势预测方法，以柯桥区区域路网为例，选取金柯桥大道以西至笛扬路，北至裕民路，南至群贤路，其中共包含7个路段；
通过以下方法对该区域路段交通态势进行动态预测，具体步骤如下：
(1-1)采集区域路段的交通数据信息；
(1-2)获取区域路段距离当前时刻前一个月的白天早上6点至晚上10点共5760个抽样数据，抽样数据包括实际行程速度v、路段下游路口车流量的倒数1/q以及路段下游车头时距标准差std_time，抽样间隔为5分钟；
(1-3)标准化抽样数据，利用主成分分析方法对标准化后的抽样数据进行分析，得到抽样数据的特征数据pca_v，将特征数据pca_v转换到[-a，a]之间，将特征数据pca_v转换到[0，1]；
用抽样数据构成n×3数据矩阵，数据矩阵中的元素用xij表示；
(1-3-1)利用如下公式进行标准化处理：
Figure GDA0002289755260000071
i＝1，2，...，n；j＝1，2，3；
其中，
Figure GDA0002289755260000072
得到标准化后的数据矩阵；
(1-3-2)设定样本相关系数矩阵为R，
Figure GDA0002289755260000073
计算样本相关系数矩阵R中的每个元素rij：
Figure GDA0002289755260000074
n＞1，其中xi，xj均为标准化后的数据矩阵的列向量，
Figure GDA0002289755260000075
均为列向量对应均值，k＝1，2，…，n；xki为标准化后的数据矩阵的第k行第i列元素，xkj为标准化后的数据矩阵的第k行第j列元素；
(1-3-3)
Figure GDA0002289755260000076
其中样本新数据Fi1＝a11xi1+a12xi2+a13xi3，[a11，a12，a13]为由相关系数矩阵R计算得到的特征向量；
(1-3-4)将Fij转换至[-a，a]，
Figure GDA0002289755260000077
(1-3-5)将Fij转换到[0，1]，Fij＝(Fij+a)/2a。
(1-4)划分态势；
当pca_v位于[0，0.1)划分为态势1，当pca_v位于[0.1，0.2)划分为态势2，当pca_v位于[0.2，0.3)划分为态势3，当pca_v位于[0.3，0.4)划分为态势4，当pca_v位于[0.4，0.5)划分为态势5，当pca_v位于[0.5，0.6)划分为态势6，当pca_v位于[0.6，0.7)划分为态势7，当pca_v位于[0.7，0.8)划分为态势8，当pca_v位于[0.8，0.9)划分为态势9，当pca_v位于[0.9，1]划分为态势10。态势值越小越交通越拥堵，部分路段原始数据及态势数据如表1：
(1-5)选取30天中相同时间的1个半小时的pca_v数据，共有30组18行数据pca_vj1，选择聚类半径为r的K-Means聚类pca_vj，聚类后分为E类，且聚类中心为cent_vi1，存入历史学习库cent_v，聚类后的部分cent_v数据如表2：
Figure GDA0002289755260000082
(1-6)取距离当前时刻一个小时的交通数据信息的抽样数据重复步骤(1-2)、(1-3)和(1-4)，得到当前一维数据pca_vc；
(1-7)计算pca_vc与历史学习库cent_v(选取对应相同时刻的一个小时12条数据)的距离dis以及余弦距离dis_cos，如果存在dis＜r则预测，在满足dis＜r且余弦距离dis_cos最小的参照数组cent_v中最后半个小时数据即为预测态势结果，如果dis＞r则给出报警，如果pca_vc缺失数据严重则不给出预测，其中距离及夹角计算方法如下：
(1-8)计算当前时刻前1个半小时内的数据与历史学习库cent_v中对应的各个S时间长度的数据间距离D1，选取最小的D1，将当前数据归为与最小的D1对应的历史学习库cent_v中；
并更新历史学习库cent_v的聚类中心cent_vi；
cent_vi＝(cent_vi+pca_vc)/2，其中cent_vi为cent_v中的一个聚类中心。
(1-9)图3中假设一个周期为[t-Tr t+Tr]，那么下一个周期为[t+Tr t+2Tr]，一个周期预测结束，跳到步骤(1-6)进行下一周期预测。
采用以上滚动预测方法，某一路段白天6点至22点滚动预测5分钟pca_vc预测值与真实值对比如图4所示(图中，星号表示预测值，线条真实值)，白天6点至22点滚动预测半个小时pca_vc值与真实值对比如图5所示(图中，星号表示预测值，线条真实值)，且态势预测值与实际值相关性达到0.77，可见该方法有较好的效果，且随着历史库越丰富预测精度越好。
图6是本发明对实验路网中某一路段态势真实值和预测值一种对比示意图，细线表示真实值，粗线表示预测值，从图6中可以看出某一路段随时间变化的态势，真实值与预测值趋势一致，且态势预测值与实际值相关性达到0.77。
上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (7)

1.一种基于交通大数据的动态交通态势预测方法，其特征是，包括如下步骤：
(1-1)采集区域路段的交通数据信息；
(1-2)获取区域路段距离当前时刻前M天内的交通数据信息的n个抽样数据，抽样间隔为T1；
(1-3)标准化抽样数据，利用主成分分析方法对标准化后的抽样数据进行分析，得到抽样数据的特征数据pca_v，将特征数据pca_v转换到[-a，a]之间，将特征数据pca_v转换到[0，1]；
(1-4)划分态势；
(1-5)选取距离当前时刻前M天内每天相同时段的时间长度为S的pca_v数据，共有M组
Figure FDA0002289755250000011
行数据pca_vj1，设定聚类半径为r，采用K-Means聚类方法进行聚类，得到聚类结果为E类，且聚类中心为cent_vi1，存入历史学习库cent_v；
(1-6)取距离当前时刻S时间长度的交通数据信息的抽样数据，重复步骤(1-2)、(1-3)和(1-4)，得到一维数据pca_vc；
(1-7)选取pca_vc和历史学习库cent_v中时间长度为的对应数据，计算pca_vc与历史学习库cent_v的距离dis和余弦距离dis_cos；并做出交通态势预测；
(1-8)更新历史学习库cent_v。
2.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，步骤(1-3)包括如下具体步骤：
用抽样数据构成n×3数据矩阵，数据矩阵中的元素用xij表示；
(2-1)利用如下公式进行标准化处理：
Figure FDA0002289755250000021
i＝1，2，...，n；j＝1，2，3；
其中，
Figure FDA0002289755250000022
得到标准化后的数据矩阵；
(2-2)设定样本相关系数矩阵为R，
Figure FDA0002289755250000023
计算样本相关系数矩阵R中的每个元素rij：
Figure FDA0002289755250000024
其中xi，xj均为标准化后的数据矩阵的列向量，均为列向量对应均值，k＝1，2，…，n；xki为标准化后的数据矩阵的第k行第i列元素，xkj为标准化后的数据矩阵的第k行第j列元素；
(2-3)
Figure FDA0002289755250000026
其中样本新数据Fi1＝a11xi1+a12xi2+a13xi3，[a11，a12，a13]为由相关系数矩阵R计算得到的特征向量；
(2-4)将Fij转换至[-a，a]，
Figure FDA0002289755250000027
(2-5)将Fij转换到[0，1]，Fij＝(Fij+a)/2a。
3.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，抽样数据包括实际行程速度v、路段下游路口车流量的倒数1/q和路段下游车头时距标准差std_time。
4.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，步骤(1-7)还包括如下步骤：
Figure FDA0002289755250000031
如果存在dis＜r，则将满足dis＜r且余弦距离dis_cos最小的历史学习库cent_v中最后半个小时数据作为预测态势结果；
如果dis＞r则给出报警，如果pca_vc缺失数据严重，则不给出预测。
5.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，步骤(1-4)包括如下具体步骤：
当pca_v位于[0，0.1)划分为态势1，当pca_v位于[0.1，0.2)划分为态势2，当pca_v位于[0.2，0.3)划分为态势3，当pca_v位于[0.3，0.4)划分为态势4，当pca_v位于[0.4，0.5)划分为态势5，当pca_v位于[0.5，0.6)划分为态势6，当pca_v位于[0.6，0.7)划分为态势7，当pca_v位于[0.7，0.8)划分为态势8，当pca_v位于[0.8，0.9)划分为态势9，当pca_v位于[0.9，1]划分为态势10。
6.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，步骤(1-8)包括如下具体步骤：
计算当前时刻前S时间长度内的数据与历史学习库cent_v中对应的各个S时间长度的数据间距离D1，选取最小的D1，将当前数据归为与最小的D1对应的历史学习库cent_v中；
并更新历史学习库cent_v的聚类中心cent_vi；
cent_vi＝(cent_vi+pca_vc)/2，其中cent_vi为cent_v中的一个聚类中心。
7.根据权利要求1或2或3或4或5或6所述的基于交通大数据的动态交通态势预测方法，其特征是，M为20天至40天，T1为5分钟或10分钟，S为1.5小时。
CN201810357889.7A 2018-04-19 2018-04-19 基于交通大数据的动态交通态势预测方法 Active CN108648445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810357889.7A CN108648445B (zh) 2018-04-19 2018-04-19 基于交通大数据的动态交通态势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810357889.7A CN108648445B (zh) 2018-04-19 2018-04-19 基于交通大数据的动态交通态势预测方法

Publications (2)

Publication Number Publication Date
CN108648445A CN108648445A (zh) 2018-10-12
CN108648445B true CN108648445B (zh) 2020-02-21

Family

ID=63746700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810357889.7A Active CN108648445B (zh) 2018-04-19 2018-04-19 基于交通大数据的动态交通态势预测方法

Country Status (1)

Country Link
CN (1) CN108648445B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907267A (zh) * 2019-12-03 2021-06-04 顺丰科技有限公司 货物件量预测方法、装置、计算机设备和存储介质
CN111523562B (zh) * 2020-03-20 2021-06-08 浙江大学 一种基于车牌识别数据的通勤模式车辆识别方法
CN112069376A (zh) * 2020-08-27 2020-12-11 武汉理工大学 交通信息可视化的数据处理方法、***和存储介质
CN112598169B (zh) * 2020-12-17 2023-03-24 广东南方通信建设有限公司 交通运行态势评估方法、***及装置
CN113030443A (zh) * 2021-02-26 2021-06-25 上海伽易信息技术有限公司 一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型
CN113808391B (zh) * 2021-08-19 2022-08-02 佛山市城市规划设计研究院 一种提高交通导航实时准确性的方法
CN114023073B (zh) * 2022-01-06 2022-04-19 南京感动科技有限公司 一种基于车辆行为分析的高速公路拥堵预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810849A (zh) * 2012-11-15 2014-05-21 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
CN104504897A (zh) * 2014-09-28 2015-04-08 北京工业大学 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
CN107154150A (zh) * 2017-07-25 2017-09-12 北京航空航天大学 一种基于道路聚类和双层双向lstm的交通流量预测方法
CN107451599A (zh) * 2017-06-28 2017-12-08 青岛科技大学 一种基于机器学习的综合模型的交通行为预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9368027B2 (en) * 2013-11-01 2016-06-14 Here Global B.V. Traffic data simulator

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810849A (zh) * 2012-11-15 2014-05-21 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
CN104504897A (zh) * 2014-09-28 2015-04-08 北京工业大学 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
CN107451599A (zh) * 2017-06-28 2017-12-08 青岛科技大学 一种基于机器学习的综合模型的交通行为预测方法
CN107154150A (zh) * 2017-07-25 2017-09-12 北京航空航天大学 一种基于道路聚类和双层双向lstm的交通流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于非参数回归的短时交通流量预测方法研究;范鲁明;《中国优秀硕士学位论文全文数据库》;20090430;全文 *

Also Published As

Publication number Publication date
CN108648445A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN108648445B (zh) 基于交通大数据的动态交通态势预测方法
CN109871876B (zh) 一种基于浮动车数据的高速公路路况识别与预测方法
CN108346292B (zh) 基于卡口数据的城市快速路实时交通指数计算方法
CN104318324B (zh) 基于出租车gps记录的机场巴士站点及路线规划方法
CN114783183B (zh) 一种基于交通态势算法的监控方法与***
CN106228808B (zh) 基于浮动车时空网格数据的城市快速路旅行时间预测方法
Li et al. Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks
CN107610469A (zh) 一种考虑多因素影响的日维度区域交通指数预测方法
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN113159364A (zh) 一种大型交通场站的客流预测方法及***
Loulizi et al. Steady‐State Car‐Following Time Gaps: An Empirical Study Using Naturalistic Driving Data
CN110400462B (zh) 基于模糊理论的轨道交通客流监测预警方法及其***
CN109376906B (zh) 基于多维度轨迹的出行时间预测方法、***及电子设备
CN112016735B (zh) 一种基于交通违法热点预测的巡逻路线规划方法、***和可读存储介质
Bachechi et al. Traffic analysis in a smart city
CN114463972A (zh) 一种基于etc门架通信数据的路段区间交通分析预测方法
CN113537569B (zh) 一种基于权重堆叠决策树的短时公交客流预测方法及***
CN113112076B (zh) 一种客流集散模式发现及预测方法
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN114091581A (zh) 一种基于稀疏轨迹的车辆运营行为类型识别方法
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN114463978B (zh) 一种基于轨道交通信息处理终端的数据监测方法
Loubesi et al. Road trafficking description and short term travel time forecasting, with a classification method
CN114139984A (zh) 基于流量与事故协同感知的城市交通事故风险预测方法
Turki et al. Using a new algorithm in Machine learning Approaches to estimate level-of-service in hourly traffic flow data in vehicular ad hoc networks

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 310053 23-25, 2 building, 352 BINKANG Road, Binjiang District, Hangzhou, Zhejiang.

Patentee after: Zhejiang zhongkong Information Industry Co.,Ltd.

Address before: 310053 23-25, 2 building, 352 BINKANG Road, Binjiang District, Hangzhou, Zhejiang.

Patentee before: ZHEJIANG SUPCON INFORMATION TECHNOLOGY Co.,Ltd.