CN108711286B - 一种基于多源车联网和手机信令的交通量分配方法及*** - Google Patents
一种基于多源车联网和手机信令的交通量分配方法及*** Download PDFInfo
- Publication number
- CN108711286B CN108711286B CN201810531546.8A CN201810531546A CN108711286B CN 108711286 B CN108711286 B CN 108711286B CN 201810531546 A CN201810531546 A CN 201810531546A CN 108711286 B CN108711286 B CN 108711286B
- Authority
- CN
- China
- Prior art keywords
- traffic
- rfid
- point
- cell
- traffic cell
- 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.)
- Expired - Fee Related
Links
- 230000011664 signaling Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000006855 networking Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于多源车联网和手机信令的交通量分配方法及***,方法包括S1:建立至少一个用作车辆轨迹起点的交通小区和至少一个用作车辆轨迹讫点的RFID点位;S2:对每个交通小区与各个RFID点位进行关系训练,筛选出交通小区所对应的有效RFID点位;S3:选取任意一个RFID点位为第一RFID点位,获取以第一RFID点位作为有效RFID点位的各个交通小区,并将各个小区作为第一RFID点位的有效交通小区。S4:重复S3,直至每个RFID点位都获取到与其对应的有效交通小区;S5:在预设时段内,计算每个RFID点所对应的有效交通小区的出行概率;S6:根据出行概率来分配每个交通小区的交通量。通过建立交通小区与RFID点位的对应关系,提高起讫点估计结果的科学性、准确性和便捷性。
Description
技术领域
本发明涉及城市交通规划及管理领域,尤其涉及一种基于多源车联网和手机信令的交通量分配方法及***。
背景技术
近年来,随着智能交通***的发展,O-D分布相关研究已经成为交通领域研究的热点。目前,最广泛使用的是基于GPS数据的O-D分布估计,周旭华等人曾应用出租车GPS数据进行O-D矩阵的生成,相比其他数据来源,GPS数据具有覆盖范围广,实时性高,成本低等优点,但它也有一定的局限性,包括:1、GPS数据只能反映少量车辆的路径轨迹,无法覆盖整个路网的车辆,部分道路可能会出现缺少数据的情况;2、GPS数据一般是针对出租车、公交车这类具有特定属性的车辆,其路径轨迹与私家车可能有所不同,无法代表路网所有车辆的运行轨迹。
也有相关应用RFID数据的研究,Hadavi和Shafahi提出了一种基于交通传感器数据的O-D估计方法,他们基于车牌识别传感器数据,提出了四个位置模型以获取O-D流。但RFID数据由于点位分布不够,只能获取以散点形式分布的轨迹数据,精度无法满足实际分析。还有基于手机信令数据的O-D分布研究,宋璐设计了一套基于手机信令数据的出行链获取方法,然而由于手机信令数据存在数据体量大、辨识难度高的缺点,单独作为基础数据的研究结果说服力还不够。
发明内容
本发明为了解决上述技术问题提供一种基于多源车联网和手机信令的交通量分配方法。
本发明解决上述技术问题的技术方案如下:一种基于多源车联网和手机信令的交通量分配方法,包括以下几个步骤:
S1:建立至少一个用作车辆轨迹起点的交通小区和至少一个用作车辆轨迹讫点的RFID点位;
S2:对每个所述交通小区与各个RFID点位进行关系训练,筛选出所述交通小区所对应的有效RFID点位;
S3:选取任意一个RFID点位为第一RFID点位,获取以所述第一RFID点位作为有效RFID点位的各个交通小区,并将所述各个小区作为所述第一RFID点位的有效交通小区。
S4:重复S3,直至每个所述RFID点位都获取到与其对应的有效交通小区;
S5:在预设时段内,计算每个所述RFID点所对应的有效交通小区的出行概率;
S6:根据所述出行概率来分配每个交通小区的交通量。
本发明的有益效果是:通过建立交通小区与RFID点位的对应关系,提高起讫点估计结果的科学性、准确性和便捷性。且根据上述起讫点轨迹计算车辆出行概率,最后通过车辆出行概率合理分配车辆的出行量。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步,所述S2具体方法为:将cij按从大到小排序,选取cij靠前10个RFID点位,作为交通小区i的有效RFID点位;
其中,cij为从所述交通小区i出发后首次经过的RFID点位j的车辆数,且所述cij的最小值大于或等于10。
采用上述进一步方案的有益效果是通过选取交通小区对应车辆经过频率较多的RFID点位,优化交通小区与该交通小区对应的有效RFID点位的对应关系。
进一步,所述S2还包括:
采用上述进一步方案的有益效果是通过出行车辆占比率对cij最大值小于10的RFID点位进行筛选,使对应更完善,进一步优化优化交通小区与该交通小区对应的有效RFID点位的对应关系。
进一步,所述S5具体方法为:按照以下公式计算所述出行概率Pij:
其中,Ti为交通小区i的手机信令数据出行量;Ki为交通小区i的车辆出行分担率;Si为交通小区i的车载OBD数据和出租车GPS数据出行量之和;SiR为交通小区i经过所述交通小区i对应的有效RFID点位的出行量。
采用上述进一步方案的有益效果是通过该多源车联网数据参数来计算出行概率,融合RFID、GPS数据、手机信令数据和车载OBD数据进行O-D分布估计,并充分考虑现役道路上各种类型车辆,从而提出更精确的估计方法。
本发明为了解决上述技术问题还提供一种基于多源车联网和手机信令的交通量分配***,其技术方案如下:
一种基于多源车联网和手机信令的交通量分配***,包括:
起讫点建立模块,用于建立至少一个用作车辆轨迹起点的交通小区和至少一个用作车辆轨迹讫点的RFID点位;
关系训练模块,用于对每个所述交通小区与各个RFID点位进行关系训练,筛选出所述交通小区所对应的有效RFID点位;
反向关系训练模块,用于选取任意一个RFID点位为第一RFID点位,获取以所述第一RFID点位作为有效RFID点位的各个交通小区,并将所述各个小区作为所述第一RFID点位的有效交通小区。
起讫点网络建立模块,用于重复运行所述反向关系训练模块,直至每个所述RFID点位都获取到与其对应的有效交通小区;
出行概率计算模块,用于在预设时段内,计算每个所述RFID点所对应的有效交通小区的出行概率;
交通量分配模块,根据所述出行概率来分配每个交通小区的交通量。
进一步,所述关系训练模块还用于将cij按从大到小排序,选取cij靠前10个RFID点位,作为交通小区i的有效RFID点位;
其中,cij为从所述交通小区i出发后首次经过的RFID点位j的车辆数,且所述cij的最小值大于或等于10。
进一步,所述关系训练模块还用于在所述cij的最大值max(cij)<10时,则统计满足从交通小区i出发至各RFID点位的车辆数占所述交通小区i出行总车辆数的RFID点位,以统计的RFID点位为交通小区i所对应的有效RFID点位。
进一步,出行概率计算模块还用于按照以下公式计算所述出行概率Pij:
其中,Ti为交通小区i的手机信令数据出行量;Ki为交通小区i的车辆出行分担率;Si为交通小区i的车载OBD数据和出租车GPS数据出行量之和;SiR为交通小区i经过所述交通小区i对应的有效RFID点位的出行量。
附图说明
图1为本发明的方法流程图;
图2为本发明的研究区域示意图;
图3为本发明的交通小区1001对应RFID点位排名图;
图4为本发明对应八一路(中华路路口)民权路方向RFID点位小区统计图;
图5为本发明对应八一路(中华路路口)民权路方向RFID点位小区示意图;
图6位本发明***原理框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例提供的一种基于多源车联网和手机信令的交通量分配方法,包括以下几个步骤:
S1:建立至少一个用作车辆轨迹起点的交通小区和至少一个用作车辆轨迹讫点的RFID点位;
S2:对每个交通小区与各个RFID点位进行关系训练,筛选出交通小区所对应的有效RFID点位;
S3:选取任意一个RFID点位为第一RFID点位,获取以第一RFID点位作为有效RFID点位的各个交通小区,并将各个小区作为第一RFID点位的有效交通小区。
S4:重复S3,直至每个RFID点位都获取到与其对应的有效交通小区;
S5:在预设时段内,计算每个RFID点所对应的有效交通小区的出行概率;
S6:根据出行概率来分配每个交通小区的交通量。
优选地,S2具体方法为:将cij按从大到小排序,选取cij靠前10个RFID点位,作为交通小区i的有效RFID点位;
其中,cij为从交通小区i出发后首次经过的RFID点位j的车辆数,且cij的最小值大于或等于10。
优选地,S2还包括:
优选地,S5具体方法为:按照以下公式计算出行概率Pij:
其中,Ti为交通小区i的手机信令数据出行量;Ki为交通小区i的车辆出行分担率;Si为交通小区i的车载OBD数据和出租车GPS数据出行量之和;SiR为交通小区i经过交通小区i对应的有效RFID点位的出行量。
本发明实施例提供的一种基于多源车联网和手机信令的交通量分配方法,包括以下几个步骤:
S1:建立交通小区i车辆与附近各RFID点位的对应关系。其中,对应关系建立的具体方法为:设cij表示从交通小区i出发后首次经过的RFID点位j的车辆数,对于任一交通小区i,取记录数最多的前10个交通小区,若记录最小值大于等于10,统计满***通小区i出发至各RFID点位车辆数cij>10的点位;若max(cij)<10,则统计满***通小区i的出发至各RFID点位车辆占此小区出行总车辆数的点位,设此类点位为交通小区i的有效出行点位,设Cij为从交通小区i出发后首次经过有效RFID点位j的车辆数。
S2:获取RFID点位j途经车辆对应的交通小区集。
具体的,遍历所有交通小区,得到每一交通小区的有效出行RFID点位。对于某一RFID点位j,设该点位是附近n个交通小区的有效出行点位,则点位j对应的交通小区集为{C1j,C2j,…,Cnj},该点位对应的出行起点为这n个交通小区之一。
S3:建立任一交通小区i与RFID点位j的对应关系。
具体的,由S1、S2可建立任一交通小区i对应的有效出行RFID点位和经过任一RFID点位j的车辆可能来自的交通小区之间的对应关系。
S4:获取一定时段内RFID点位j的出行车辆小区来源。
具体的,设交通小区i手机信令数据的出行量为Ti,该小区的车辆出行分担率为Ki,该小区的车载OBD数据和出租车GPS数据出行量之和为Si,其中经过RFID有效点位j的出行量为SiR,基于S3中交通小区i与RFID点位j的对应关系,经过RFID点位j的车辆来自交通小区i的概率Pij为:
由于研究交通小区属于相邻小区,因此假设这些交通小区的车辆出行分担率相等,即K1=K2=…=Kn,即:
需要说明的是,由于相邻的各个小区,它们公用相同的公交站点、交通路口以及出行路口等且居住的人群特征和提供的岗位特征类似,所以可以假设这些交通小区的车辆出行分担率相等,即K1=K2=…=Kn。
S5:结合多源车联网数据,即将RFID点位j处交通量分配至各交通小区i中。
本实施例的技术方案针对目前关于O-D分布估计的研究多是基于单一数据源或两种数据源的模型构建,进而推出实际的O-D分布。事实上,较少的数据源仅仅代表一部分群体的出行情况,比如GPS数据往往只反映了出租车和公交车的出行轨迹,因此传统的O-D估计不能反映全状态的交通出行行为,将会产生较大的估算误差。
通过加入多源车联网数据,其中,多源车联网数据包括RFID数据、GPS数据、车载OBD数据和手机信令数据,来描述各交通小区全状态的出行情况,将很大程度提高结果的科学性和准确性。
然而,多源车联网数据能较好反映全状态的车辆出行情况,但由于交通小区与附近RFID点位对应关系复杂,将会增加估计难度。
因此,本实施例还提出根据交通小区前往附近RFID点位的记录数数量,建立交通小区与RFID点位的对应关系。建立两者对应关系后,O-D估计快速、方便且得到O-D分布精确度较高,并基于该对应关系计算车辆出行概率,以更好地分配交通量。
在实际应用中,以重庆市渝中区区域作为例:
如图2所示:其中,1001为交通小区编号,RFID点位分别设置在交通小区附近车流量较多的路口或站点。
然后再在该区域内建立交通小区与RFID点位的对应关系,如图3所示,交通小区1001全天首次经过的RFID点记录数的排名情况,取记录数超过10的RFID点位作为1001交通小区的有效出行RFID点位。同理可得到所有交通小区的有效出行RFID点位。
统计将八一路(中华路路口)民权路方向RFID点位作为有效出行点位的交通小区,如图4和图5所示。基于此,便建立了该RFID点位与附近各交通小区的对应关系。
其次,再分配时段内经过RFID点位车辆的来源交通小区,调取图4和图5中八一路(中华路路口)民权路方向RFID点位对应的各交通小区的全天手机信令出行量、车载OBD和出租车出行量,以及各交通小区前往上述点位的车载OBD和出租车出行量,依据公式(2)计算各交通小区出发前往该点位的出行概率,如表1所示:
表1来源小区概率及出行量分配表
zone | T<sub>i</sub> | S<sub>i</sub> | S<sub>iR</sub> | P<sub>ij</sub> | C<sub>ij</sub> |
1041 | 6148 | 727 | 69 | 7.03% | 19 |
1013 | 6254 | 588 | 86 | 11.01% | 30 |
1024 | 13816 | 745 | 161 | 35.95% | 96 |
1031 | 7826 | 678 | 159 | 22.10% | 59 |
1008 | 2069 | 130 | 32 | 6.13% | 16 |
1025 | 7113 | 554 | 24 | 3.71% | 10 |
996 | 3692 | 182 | 12 | 2.93% | 8 |
997 | 12283 | 186 | 14 | 11.13% | 30 |
再取2017年6月21日下午15时至16时出发经过八一路RFID点位的记录车次268车次,依据上述计算概率结果,可将将交通量分配至各对应交通小区。
综上所述,本方案先由车载OBD数据和出租车GPS数据得到从某交通小区出发首先经过的RFID点信息,建立交通小区与RFID点位的对应关系,然后由该RFID点经过的车辆信息反推出车辆来自周围各交通小区的概率,进而完成基于RFID数据估计O-D分布,从而提高起讫点估计结果的科学性、准确性和便捷性。且根据上述起讫点轨迹计算车辆出行概率,最后通过车辆出行概率合理分配车辆的出行量。
本发明实施例提供的一种基于多源车联网和手机信令的交通量分配***,如图6所示,包括:
起讫点建立模块,用于建立至少一个用作车辆轨迹起点的交通小区和至少一个用作车辆轨迹讫点的RFID点位;
关系训练模块,用于对每个交通小区与各个RFID点位进行关系训练,筛选出交通小区所对应的有效RFID点位;
反向关系训练模块,用于选取任意一个RFID点位为第一RFID点位,获取以第一RFID点位作为有效RFID点位的各个交通小区,并将各个小区作为第一RFID点位的有效交通小区。
起讫点网络建立模块,用于重复运行反向关系训练模块,直至每个RFID点位都获取到与其对应的有效交通小区;
出行概率计算模块,用于在预设时段内,计算每个RFID点所对应的有效交通小区的出行概率;
交通量分配模块,根据出行概率来分配每个交通小区的交通量。
优选地,关系训练模块还用于将cij按从大到小排序,选取cij靠前10个RFID点位,作为交通小区i的有效RFID点位;
其中,cij为从交通小区i出发后首次经过的RFID点位j的车辆数,且cij的最小值大于或等于10。
优选地,关系训练模块还用于在cij的最大值max(cij)<10时,则统计满足从交通小区i出发至各RFID点位的车辆数占交通小区i出行总车辆数的RFID点位,以统计的RFID点位为交通小区i所对应的有效RFID点位。
优选地,出行概率计算模块还用于按照以下公式计算出行概率Pij:
其中,Ti为交通小区i的手机信令数据出行量;Ki为交通小区i的车辆出行分担率;Si为交通小区i的车载OBD数据和出租车GPS数据出行量之和;SiR为交通小区i经过交通小区i对应的有效RFID点位的出行量。
以上仅为本发明的较佳实施例,并不用以限制本发明,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 (6)
1.一种基于多源车联网和手机信令的交通量分配方法,其特征在于,包括以下几个步骤:
S1:建立至少一个用作车辆轨迹起点的交通小区和至少一个用作车辆轨迹讫点的RFID点位;
S2:对每个所述交通小区与各个RFID点位进行关系训练,筛选出所述交通小区所对应的有效RFID点位;
S3:选取任意一个RFID点位为第一RFID点位,获取以所述第一RFID点位作为有效RFID点位的各个交通小区,并将所述各个小区作为所述第一RFID点位的有效交通小区;
S4:重复S3,直至每个所述RFID点位都获取到与其对应的有效交通小区;
S5:在预设时段内,计算每个所述RFID点所对应的有效交通小区的出行概率;
S6:根据所述出行概率来分配每个交通小区的交通量;
所述S5具体方法为:按照以下公式计算所述出行概率Pij:
其中,Ti为交通小区i的手机信令数据出行量;Si为交通小区i的车载OBD数据和出租车GPS数据出行量之和;SiR为交通小区i经过所述交通小区i对应的有效RFID点位的出行量。
2.根据权利要求1所述一种基于多源车联网和手机信令的交通量分配方法,其特征在于,所述S2具体方法为:将cij按从大到小排序,选取cij靠前10个RFID点位,作为交通小区i的有效RFID点位;
其中,cij为从所述交通小区i出发后首次经过的RFID点位j的车辆数,且所述cij的最小值大于或等于10。
4.一种基于多源车联网和手机信令的交通量分配***,其特征在于,包括:
起讫点建立模块,用于建立至少一个用作车辆轨迹起点的交通小区和至少一个用作车辆轨迹讫点的RFID点位;
关系训练模块,用于对每个所述交通小区与各个RFID点位进行关系训练,筛选出所述交通小区所对应的有效RFID点位;
反向关系训练模块,用于选取任意一个RFID点位为第一RFID点位,获取以所述第一RFID点位作为有效RFID点位的各个交通小区,并将所述各个小区作为所述第一RFID点位的有效交通小区;
起讫点网络建立模块,用于重复运行所述反向关系训练模块,直至每个所述RFID点位都获取到与其对应的有效交通小区;
出行概率计算模块,用于在预设时段内,计算每个所述RFID点所对应的有效交通小区的出行概率;
交通量分配模块,根据所述出行概率来分配每个交通小区的交通量;
出行概率计算模块还用于按照以下公式计算所述出行概率Pij:
其中,Ti为交通小区i的手机信令数据出行量;Si为交通小区i的车载OBD数据和出租车GPS数据出行量之和;SiR为交通小区i经过所述交通小区i对应的有效RFID点位的出行量。
5.根据权利要求4所述一种基于多源车联网和手机信令的交通量分配***,其特征在于,所述关系训练模块还用于将cij按从大到小排序,选取cij靠前10个RFID点位,作为交通小区i的有效RFID点位;
其中,cij为从所述交通小区i出发后首次经过的RFID点位j的车辆数,且所述cij的最小值大于或等于10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531546.8A CN108711286B (zh) | 2018-05-29 | 2018-05-29 | 一种基于多源车联网和手机信令的交通量分配方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531546.8A CN108711286B (zh) | 2018-05-29 | 2018-05-29 | 一种基于多源车联网和手机信令的交通量分配方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108711286A CN108711286A (zh) | 2018-10-26 |
CN108711286B true CN108711286B (zh) | 2021-06-08 |
Family
ID=63869924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810531546.8A Expired - Fee Related CN108711286B (zh) | 2018-05-29 | 2018-05-29 | 一种基于多源车联网和手机信令的交通量分配方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108711286B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145562B (zh) * | 2018-11-06 | 2021-01-15 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
CN110276947B (zh) * | 2019-06-05 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种交通融合分析预测方法、***及电子设备 |
CN110728433B (zh) * | 2019-09-19 | 2023-05-26 | 重庆市交通规划研究院 | 一种基于手机信令的地块居住人口测算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102710582A (zh) * | 2011-03-28 | 2012-10-03 | 上海日浦信息技术有限公司 | 支持大规模微观交通仿真的可扩展分布式*** |
CN103903437A (zh) * | 2014-02-27 | 2014-07-02 | 中国科学院自动化研究所 | 基于视频交通检测数据的机动车出行od矩阵获取方法 |
CN104183119A (zh) * | 2014-08-19 | 2014-12-03 | 中山大学 | 基于路段od反推的实时交通流分布预测*** |
CN105741549A (zh) * | 2016-04-18 | 2016-07-06 | 北京航空航天大学 | 一种基于空间copula理论的交通流量预测方法 |
US9564048B2 (en) * | 2014-12-18 | 2017-02-07 | Sap Se | Origin destination estimation based on vehicle trajectory data |
CN106504528A (zh) * | 2016-11-02 | 2017-03-15 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN106571032A (zh) * | 2016-11-01 | 2017-04-19 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN107679653A (zh) * | 2017-09-21 | 2018-02-09 | 东南大学 | 一种基于优势出行距离的od分配方法 |
-
2018
- 2018-05-29 CN CN201810531546.8A patent/CN108711286B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102710582A (zh) * | 2011-03-28 | 2012-10-03 | 上海日浦信息技术有限公司 | 支持大规模微观交通仿真的可扩展分布式*** |
CN103903437A (zh) * | 2014-02-27 | 2014-07-02 | 中国科学院自动化研究所 | 基于视频交通检测数据的机动车出行od矩阵获取方法 |
CN104183119A (zh) * | 2014-08-19 | 2014-12-03 | 中山大学 | 基于路段od反推的实时交通流分布预测*** |
US9564048B2 (en) * | 2014-12-18 | 2017-02-07 | Sap Se | Origin destination estimation based on vehicle trajectory data |
CN105741549A (zh) * | 2016-04-18 | 2016-07-06 | 北京航空航天大学 | 一种基于空间copula理论的交通流量预测方法 |
CN106571032A (zh) * | 2016-11-01 | 2017-04-19 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN106504528A (zh) * | 2016-11-02 | 2017-03-15 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN107679653A (zh) * | 2017-09-21 | 2018-02-09 | 东南大学 | 一种基于优势出行距离的od分配方法 |
Non-Patent Citations (2)
Title |
---|
基于CRISP-DM的交通大数据分析方法及实践——以重庆市手机信令数据;周涛 等;《城市交通》;20171120;第15卷(第5期);第42-51页 * |
自动识别环境下车辆的出行矩阵估计新方法;孙剑 等;《同济大学学报(自然科学版)》;20111231;第39卷(第12期);第1800-1804页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108711286A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Caceres et al. | Deriving origin–destination data from a mobile phone network | |
Alexander et al. | Assessing the impact of real-time ridesharing on urban traffic using mobile phone data | |
Zhang et al. | High-resolution simulation of link-level vehicle emissions and concentrations for air pollutants in a traffic-populated eastern Asian city | |
CN103177575B (zh) | 城区出租车动态在线调度优化***及其方法 | |
CN110969857B (zh) | 一种交通信息处理方法及装置 | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
CN108711286B (zh) | 一种基于多源车联网和手机信令的交通量分配方法及*** | |
DE20022274U1 (de) | Gerät zum Vorsehen einer Fahrstreckenführung für Fahrzeuge | |
CN111882867A (zh) | 一种基于物联网的城市智慧交通预警*** | |
US10489431B2 (en) | Digital location-based data methods and product | |
CN105869402B (zh) | 基于多类型浮动车数据的高速公路路段速度修正方法 | |
Hu et al. | Use of automated vehicle location data for route-and segment-level analyses of bus route reliability and speed | |
CN105096625A (zh) | 获取实时路况信息的方法及***以及服务器 | |
Byon et al. | Bunching and headway adherence approach to public transport with GPS | |
Dressler et al. | On the impact of human driver behavior on intelligent transportation systems | |
Ozbay et al. | Big data and the calibration and validation of traffic simulation models | |
CN116233757A (zh) | 一种基于手机信令数据的居民出行碳排放量计算方法 | |
Aguiar et al. | MobiWise: Eco-routing decision support leveraging the Internet of Things | |
Medved et al. | Evolution of data sources for integrated data-driven urban mobility management | |
Li et al. | What is the best catchment area of a metro station? A study based on station level ridership modeling | |
Iqbal et al. | Effect of link-level variations of connected vehicles (CV) proportions on the accuracy and reliability of travel time estimation | |
Riedl et al. | Road network coverage models for cloud-based automotive applications: A case study in the city of munich | |
Oskarbski et al. | Multi-level transport systems model for traffic management activities | |
Sharma et al. | Capacity analysis of Bhopal BRTS using empirical and simulation model | |
Atoyebi et al. | Traffic Flow Characteristics Modelling of a Central Business District–Case Study of Challenge Area, Ibadan, Nigeria |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210608 |