CN109377754B - 一种车联网环境下的短时交通流速度预测方法 - Google Patents

一种车联网环境下的短时交通流速度预测方法 Download PDF

Info

Publication number
CN109377754B
CN109377754B CN201811264868.7A CN201811264868A CN109377754B CN 109377754 B CN109377754 B CN 109377754B CN 201811264868 A CN201811264868 A CN 201811264868A CN 109377754 B CN109377754 B CN 109377754B
Authority
CN
China
Prior art keywords
traffic flow
short
prediction
data
time
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
CN201811264868.7A
Other languages
English (en)
Other versions
CN109377754A (zh
Inventor
华雪东
项昀
王炜
阳建强
李烨
刘岩
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201811264868.7A priority Critical patent/CN109377754B/zh
Publication of CN109377754A publication Critical patent/CN109377754A/zh
Application granted granted Critical
Publication of CN109377754B publication Critical patent/CN109377754B/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
    • G08G1/0108—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
    • 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

本发明公开了一种车联网环境下的短时交通流速度预测方法，该方法包含了确定短时交通流预测参数、数据采集与处理、组合预测模型建立、车联网环境下的短时交通流速度预测四个步骤，通过对车联网环境下交通流运行数据的采集、存储与处理，并基于该数据，构建并标定了短时交通流速度组合预测模型，实现车联网环境下的短时交通流速度预测，通过本发明方法，可以有效利用车联网环境下产生的各类数据，提升短时交通流速度预测的数据采集效率、数据获取精度以及预测的精度。

Description

一种车联网环境下的短时交通流速度预测方法
所属领域
本发明属于交通***短时交通流预测技术领域，具体涉及一种车联网环境下的短时交通流速度预测方法。
背景技术
随着道路交通领域技术的不断发展与进阶，道路交通流预测预报已成为智能交通***极为关键的技术之一，其中，短时交通流预测又是交通控制和交通诱导的基础，通过各类交通运行的数据提前感知与预测未来即将到来的交通流的运行情况，并提前做好应对准备，这一直是短时交通流领域研究的热点，无数学者在短时交通流的预测方面进行了大量的基础性与实践性探索。
目前，各国政府都在大力推进车联网、车路协同等技术，通过车与车、车与路之间通讯与交互，可以实现交通***有机要素间的信息共享，提升交通***运行的效率与安全性。在车联网环境下，对于短时交通流的预测同样是有提升作用的，一方面传统的短时交通流预测，需要基于传统的交通信息采集设备，采集得到的信息点位较为固定，且会存在数据采集的误差甚至是错误，而在引入车联网环境后，车辆可以在运行过程中的任何位置、任何时间向***传输自身的运行状态信息，并且信息的精度完全具有保障；另一方面，在车联网环境下，车辆间信息的交互，也降低了交通流运行的波动性，间接提升了交通流运行的可靠性，因而在此情况下，积极开发一种能够在车联网环境下的短时交通流速度预测方法，将是对交通***短时交通流预测技术领域的极大推动和改革。
发明内容
本发明正是针对现有技术中的问题，提供了一种交通***短时交通流预测技术领域，相比较现有的短时交通流预测技术，更加有助于提升短时交通流预测的精度与预测效率，降低短时交通流预测的技术与设备门槛，本方法包含了确定短时交通流预测参数、数据采集与处理、组合预测模型建立、车联网环境下的短时交通流速度预测四个步骤，通过对车联网环境下交通流运行数据的采集、存储与处理，并基于该数据，构建并标定了短时交通流速度组合预测模型，实现车联网环境下的短时交通流速度预测。
为了实现上述目的，本发明采用的技术方案是：一种车联网环境下的短时交通流速度预测方法，包含如下步骤：
S1，确定短时交通流预测参数：所述预测参数至少包括短时交通流速度预测点位位置L，短时交通流速度预测的时间间隔G及短时交通流速度预测的车流方向D；
S2，数据采集与处理：所述步骤用来采集机动车经过预测点位位置L时的速度和时间，根据数据采集的日期和时间对数据进行分组存储，随后进行取平均处理；
S3，组合预测模型建立：所述步骤通过采用组合预测模型，将对短时交通流预测转变为对预测参数连续变化规律的拟合与离散残差的预测；
S4，车联网环境下的短时交通流速度预测：将需要进行短时交通流速度预测的日期及时间分组序号带入步骤S3中的组合预测模型中，计算得到短时交通流速度预测值。
作为本发明的一种改进，所述步骤S1中短时交通流速度预测点位位置L采用经纬度坐标，所述时间间隔G的单位为分钟，且G∈{3,5,6,10,15,20,30,60}。
作为本发明的又一种改进，所述步骤S2进一步包括：
S21，数据采集；当有机动车经过点位位置L处，且该机动车的行驶方向等于D时，车联网***自动记录该机动车经过点位位置L处时的速度，并自动记录经过点位位置L处时的时间；
S22，数据存储；将步骤S21中采集得到的交通流速度数据按照采集得到数据的日期和时间进行分组存储，所述分组存储后，组
Figure BDA0001844653610000021
中存储的交通流速度数据分别记为
Figure BDA0001844653610000022
其中，上标date为数据采集时的日期，下标q为数据采集时的时间分组序号；所述组
Figure BDA0001844653610000023
中共存储交通流速度数据个数为
Figure BDA0001844653610000024
个；
S23，数据处理；将步骤S22中存储的数据进行取平均处理，即：组
Figure BDA0001844653610000031
的交通流代表速度为
Figure BDA0001844653610000032
作为本发明的又一种改进，所述步骤S22中数据采集的时间分组序号q为正整数，且q≤1440/G。
作为本发明的又一步改进，所述步骤S3中进一步包括：所述步骤通过采用组合预测模型，将对短时交通流预测转变为对预测参数连续变化规律的拟合与离散残差的预测；
S31，连续变化模型拟合；构建连续变化模型的拟合，所述拟合函数为：
Figure BDA0001844653610000033
其中，m0、m1、m2为函数的待定系数；
S32，残差计算；根据步骤S31中的拟合函数，计算拟合后速度的残差，计算公式为：
Figure BDA0001844653610000034
其中
Figure BDA0001844653610000035
为速度的残差；
S33，残差预测模型建立；采用支持向量机模型作为残差的预测模型，根据q的大小，确定训练样本数据输入残差预测模型的函数f(x)并训练模型，待残差预测模型训练完成后，将预测的残差值记为
Figure BDA0001844653610000036
所述
Figure BDA0001844653610000037
即为当交通流代表速度为
Figure BDA0001844653610000038
时，残差预测模型计算得到的残差预测值；
S34，车联网环境下的短时交通流速度预测模型建立；所述车联网环境下的短时交通流速度预测模型为：
Figure BDA0001844653610000039
其中
Figure BDA00018446536100000310
为短时交通流速度预测值。
作为本发明的又一种改进，所述步骤S33中，当q大于1时，将
Figure BDA0001844653610000041
作为支持向量机模型的训练样本数据输入模型，其中
Figure BDA0001844653610000042
为输入参数，
Figure BDA0001844653610000043
为预测值；当q等于1时，将
Figure BDA0001844653610000044
作为支持向量机模型的训练样本数据输入模型，其中
Figure BDA0001844653610000045
为输入参数，
Figure BDA0001844653610000046
为预测值。
作为本发明的更进一步改进，所述步骤S2中采集并存储的短时交通流速度数据，至少包括了从预测当天开始，向前推180天内的总历史数据。
与现有技术相比，本发明提出的一种车联网环境下的短时交通流速度预测方法，通过对车联网环境下交通流运行数据的采集、存储与处理，构建并标定了基于数据的短时交通流速度组合预测模型，实现车联网环境下的短时交通流速度预测，与现有的基于定点检测装置的短时交通流预测方法相比，本发明方法车辆可以在运行过程中的任何位置、任何时间向***传输自身的运行状态信息，信息的精度具有保障，可以有效降低短时交通流预测对地点与车辆检测硬件设备的要求，并且由于在车联网环境下，车辆间信息实现交互，也降低了交通流运行的波动性，间接提升了交通流运行的可靠性，数据的采集精度大幅提升，基于数据的短时交通流速度组合预测模型的预测精度也有一定的提升。
附图说明
图1为本发明车联网环境下的短时交通流速度预测方法的步骤流程图；
图2为本发明实施例2的道路状况示意图；
图3为本发明实施例2的预测方法中连续变化模型拟合结果的示意图；
图4为本发明实施例2的预测方法中残差计算结果的示意图。
具体实施方式
以下将结合附图和实施例，对本发明进行较为详细的说明。
实施例1
一种车联网环境下的短时交通流速度预测方法，图如1所示，包含如下步骤：
S1，确定短时交通流预测参数：所述确定的预测参数至少包括短时交通流速度预测点位位置L，短时交通流速度预测的时间间隔G及短时交通流速度预测的车流方向D；其中，短时交通流速度预测点位位置L采用经纬度坐标，时间间隔G的单位为分钟，且G∈{3,5,6,10,15,20,30,60}
S2，数据采集与处理：所述步骤用来采集机动车经过预测点位位置L时的速度和时间，根据数据采集的日期和时间对数据进行分组存储，随后进行取平均处理；
S21，数据采集；当有机动车经过点位位置L处，且该机动车的行驶方向等于D时，车联网***自动记录该机动车经过点位位置L处时的速度，并自动记录经过点位位置L处时的时间；
S22，数据存储；将步骤S21中采集得到的交通流速度数据按照采集得到数据的日期和时间进行分组存储，所述分组存储后，组
Figure BDA0001844653610000051
中存储的交通流速度数据分别记为
Figure BDA0001844653610000052
其中，上标date为数据采集时的日期，下标q为数据采集时的时间分组序号；所述组
Figure BDA0001844653610000053
中共存储交通流速度数据个数为
Figure BDA0001844653610000054
个；
在本步骤中，数据采集的时间分组序号q为正整数，且q≤1440/G，而
Figure BDA0001844653610000055
为date日期当天第(q-1)G分钟到第qG分钟这一时间区间内采集得到的交通流速度组成的分组，
Figure BDA0001844653610000056
即组
Figure BDA0001844653610000057
中共存储交通流速度数据个数；此处需要采集并存储短时交通流速度预测当天之前至少180天的历史数据。
S23，数据处理；将步骤S22中存储的数据进行取平均处理，即：组
Figure BDA0001844653610000058
的交通流代表速度为
Figure BDA0001844653610000059
S3，组合预测模型建立：所述步骤通过采用组合预测模型，将对短时交通流预测转变为对预测参数连续变化规律的拟合与离散残差的预测；
S31，连续变化模型拟合；采用所述步骤S23处理后的交通流代表速度
Figure BDA00018446536100000510
作为因变量，将q作为自变量，拟合如下函数
Figure BDA0001844653610000061
其中，m0、m1、m2为函数的待定系数，
Figure BDA0001844653610000062
为速度的拟合函数；
S32，残差计算；根据步骤S31中的拟合函数，计算拟合后速度的残差，计算公式为：
Figure BDA0001844653610000063
其中
Figure BDA0001844653610000064
为速度的残差；
S33，残差预测模型建立；采用支持向量机模型作为残差的预测模型，根据q的大小，确定训练样本数据输入模型，获取预测值；
当q大于1时，将
Figure BDA0001844653610000065
作为支持向量机模型的训练样本数据输入模型，其中
Figure BDA0001844653610000066
为输入参数，
Figure BDA0001844653610000067
为预测值；当q等于1时，将
Figure BDA0001844653610000068
作为支持向量机模型的训练样本数据输入模型，其中
Figure BDA0001844653610000069
为输入参数，
Figure BDA00018446536100000610
为预测值，待残差预测模型训练完成后，记为
Figure BDA00018446536100000611
所述
Figure BDA00018446536100000612
即为当交通流代表速度为
Figure BDA00018446536100000613
时，残差预测模型计算得到的残差预测值；
S34，车联网环境下的短时交通流速度预测模型建立；所述车联网环境下的短时交通流速度预测模型为：
Figure BDA00018446536100000614
其中
Figure BDA00018446536100000615
为短时交通流速度预测值。
S4，车联网环境下的短时交通流速度预测：将需要进行短时交通流速度预测的日期及时间分组序号带入步骤S3中的组合预测模型中，计算得到短时交通流速度预测值。
本发明方法车辆可以在运行过程中的任何位置、任何时间向***传输自身的运行状态信息，信息的精度具有保障，可以有效降低短时交通流预测对地点与车辆检测硬件设备的要求，并且由于在车联网环境下，车辆间信息实现交互，也降低了交通流运行的波动性，间接提升了交通流运行的可靠性，数据的采集精度大幅提升，基于数据的短时交通流速度组合预测模型的预测精度也有一定的提升。
实施例2
本实施例选取选择美国某州际道路作为实例，道路状况示意图如图2所示，一种车联网环境下的短时交通流速度预测方法，包含如下步骤：
S1，确定短时交通流预测参数：
确定的参数包含：短时交通流速度预测点位位置L，即图2所示标记点位，短时交通流速度预测的时间间隔G＝5分钟，短时交通流速度预测的车流方向D为从图中的左侧向右的方向；
S2，数据采集与处理：包含数据采集、数据存储、数据处理三个步骤：
S21，数据采集：当有机动车经过点位位置L处，且该机动车的行驶方向等于D，车联网***自动记录该机动车经过点位位置L处时的速度，并自动记录经过点位位置L处时的时间；
S22，数据存储：将上述步骤采集得到的交通流速度数据按照采集得到数据的日期和时间进行分组存储；分组存储后，组
Figure BDA0001844653610000071
中共存储交通流速度数据
Figure BDA0001844653610000072
个，分别记为
Figure BDA0001844653610000073
其中，上标date为数据采集时的日期，下标q为数据采集时的时间分组序号，q为正整数，且q≤1440/G，
Figure BDA0001844653610000074
为date日期当天第(q-1)G分钟到第qG分钟这一时间区间内采集得到的交通流速度组成的分组，
Figure BDA0001844653610000075
为组
Figure BDA0001844653610000076
中共存储交通流速度数据个数；
S23，数据处理：将所述步骤B2)存储的数据进行取平均处理，组
Figure BDA0001844653610000077
的交通流代表速度为
Figure BDA0001844653610000078
本步骤中需要采集并存储短时交通流速度预测当天之前至少180天的历史数据。
S3，组合预测模型建立：采用组合预测模型，将对短时交通流预测转变为对预测参数连续变化规律的拟合与离散残差的预测，包含如下步骤：
S31，连续变化模型拟合：采用处理后的交通流代表速度
Figure BDA0001844653610000081
作为因变量，将q作为自变量，拟合如下函数
Figure BDA0001844653610000082
其中，m0、m1、m2为函数的待定系数，
Figure BDA0001844653610000083
为速度的拟合函数；拟合完成后，m0、m1、m2的取值分别为70.9、-2.017、4.808，拟合结果示意图如图3所示；
S32，残差计算：完成连续变化模型拟合后，计算拟合后速度的残差，如下式：
Figure BDA0001844653610000084
其中
Figure BDA0001844653610000085
为速度的残差；所述残差的结果(部分)如图4所示；
S33，残差预测模型建立：采用支持向量机模型作为残差的预测模型，根据q的大小，分成两种情况：当q大于1时，将
Figure BDA0001844653610000086
作为支持向量机模型的训练样本数据输入模型，其中
Figure BDA0001844653610000087
Figure BDA0001844653610000088
为输入参数，
Figure BDA0001844653610000089
为预测值；当q等于1时，将
Figure BDA00018446536100000810
作为支持向量机模型的训练样本数据输入模型，其中
Figure BDA00018446536100000811
为输入参数，
Figure BDA00018446536100000812
为预测值；残差预测模型训练完成后，记为
Figure BDA00018446536100000813
S34，车联网环境下的短时交通流速度预测模型建立；车联网环境下的短时交通流速度预测模型表示为下式
Figure BDA00018446536100000814
其中
Figure BDA00018446536100000815
为短时交通流速度预测值；
S4，车联网环境下的短时交通流速度预测；将需要进行短时交通流速度预测的日期及时间分组序号带入所述步骤S34获得的车联网环境下的短时交通流速度预测模型，得到短时交通流速度预测值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (5)

1.一种车联网环境下的短时交通流速度预测方法，其特征在于，包含如下步骤：
S1，确定短时交通流预测参数：所述预测参数至少包括短时交通流速度预测点位位置L，短时交通流速度预测的时间间隔G及短时交通流速度预测的车流方向D；
S2，数据采集与处理：该步骤用来采集机动车经过预测点位位置L时的速度和时间，根据数据采集的日期和时间对数据进行分组存储，随后进行取平均处理；
S21，数据采集；当有机动车经过点位位置L处，且该机动车的行驶方向等于D时，车联网***自动记录该机动车经过点位位置L处时的速度，并自动记录经过点位位置L处时的时间；
S22，数据存储；将步骤S21中采集得到的交通流速度数据按照采集得到数据的日期和时间进行分组存储，所述分组存储后，组
Figure FDA0003071531740000011
中存储的交通流速度数据分别记为
Figure FDA0003071531740000012
其中，上标date为数据采集时的日期，下标q为数据采集时的时间分组序号；所述组
Figure FDA0003071531740000013
中共存储交通流速度数据个数为
Figure FDA0003071531740000014
个；
S23，数据处理；将步骤S22中存储的数据进行取平均处理，即：组
Figure FDA0003071531740000015
的交通流代表速度为
Figure FDA0003071531740000016
S3，组合预测模型建立：该步骤通过采用组合预测模型，将对短时交通流预测转变为对预测参数连续变化规律的拟合与离散残差的预测；
S31，连续变化模型拟合：构建连续变化模型的拟合，拟合函数为：
Figure FDA0003071531740000017
其中，m0、m1、m2为函数的待定系数；
S32，残差计算：根据步骤S31中的拟合函数，计算拟合后速度的残差，计算公式为：
Figure FDA0003071531740000018
其中
Figure FDA0003071531740000021
为速度的残差；
S33，残差预测模型建立：采用支持向量机模型作为残差的预测模型，根据q的大小，确定训练样本数据输入残差预测模型的函数f(x)并训练模型，待残差预测模型训练完成后，将预测的残差值记为
Figure FDA0003071531740000022
所述
Figure FDA0003071531740000023
即为当交通流代表速度为
Figure FDA0003071531740000024
时，残差预测模型计算得到的残差预测值；
S34，车联网环境下的短时交通流速度预测模型建立：所述车联网环境下的短时交通流速度预测模型为：
Figure FDA0003071531740000025
其中
Figure FDA0003071531740000026
为短时交通流速度预测值；
S4，车联网环境下的短时交通流速度预测：将需要进行短时交通流速度预测的日期及时间分组序号带入步骤S3中的组合预测模型中，计算得到短时交通流速度预测值。
2.如权利要求1所述的一种车联网环境下的短时交通流速度预测方法，其特征在于步骤S1中短时交通流速度预测点位位置L采用经纬度坐标，所述时间间隔G的单位为分钟，且G∈{3,5,6,10,15,20,30,60}。
3.如权利要求2所述的一种车联网环境下的短时交通流速度预测方法，其特征在于步骤S22中数据采集的时间分组序号q为正整数，且q≤1440/G。
4.如权利要求3所述的一种车联网环境下的短时交通流速度预测方法，其特征在于步骤S33中，当q大于1时，将
Figure FDA0003071531740000027
作为支持向量机模型的训练样本数据输入模型，其中
Figure FDA0003071531740000028
为输入参数，
Figure FDA0003071531740000029
为预测值；当q等于1时，将
Figure FDA00030715317400000210
作为支持向量机模型的训练样本数据输入模型，其中
Figure FDA00030715317400000211
为输入参数，
Figure FDA00030715317400000212
为预测值。
5.如上述任一权利要求所述的一种车联网环境下的短时交通流速度预测方法，其特征在于步骤S2中采集并存储的短时交通流速度数据，至少包括了从预测当天开始，向前推180天内的总历史数据。
CN201811264868.7A 2018-10-29 2018-10-29 一种车联网环境下的短时交通流速度预测方法 Active CN109377754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811264868.7A CN109377754B (zh) 2018-10-29 2018-10-29 一种车联网环境下的短时交通流速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811264868.7A CN109377754B (zh) 2018-10-29 2018-10-29 一种车联网环境下的短时交通流速度预测方法

Publications (2)

Publication Number Publication Date
CN109377754A CN109377754A (zh) 2019-02-22
CN109377754B true CN109377754B (zh) 2021-07-02

Family

ID=65390043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811264868.7A Active CN109377754B (zh) 2018-10-29 2018-10-29 一种车联网环境下的短时交通流速度预测方法

Country Status (1)

Country Link
CN (1) CN109377754B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192453A (zh) * 2019-12-30 2020-05-22 深圳市麦谷科技有限公司 一种基于贝叶斯优化的短时交通流预测方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103730006A (zh) * 2014-01-26 2014-04-16 吉林大学 一种短时交通流量的组合预测方法
CN106935034A (zh) * 2017-05-08 2017-07-07 西安电子科技大学 面向车联网的区域交通流量预测***及方法
WO2017193556A1 (zh) * 2016-05-11 2017-11-16 杭州海康威视数字技术股份有限公司 一种速度预测方法及装置
CN107481523A (zh) * 2017-09-27 2017-12-15 中南大学 一种交通流速度预测方法及***
CN107705556A (zh) * 2017-09-01 2018-02-16 南京邮电大学 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN108564790A (zh) * 2018-06-12 2018-09-21 国交空间信息技术（北京）有限公司 一种基于交通流时空相似性的城市短时交通流预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739819A (zh) * 2009-11-19 2010-06-16 北京世纪高通科技有限公司 预测交通流的方法和装置
CN105355038A (zh) * 2015-10-14 2016-02-24 青岛观澜数据技术有限公司 一种利用pma建模预测短期交通流量的方法
CN107145985A (zh) * 2017-05-09 2017-09-08 北京城建设计发展集团股份有限公司 一种城市轨道交通客流区域联动预警方法
CN107967803A (zh) * 2017-11-17 2018-04-27 东南大学 基于多源数据及变权重组合预测模型的交通拥堵预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103730006A (zh) * 2014-01-26 2014-04-16 吉林大学 一种短时交通流量的组合预测方法
WO2017193556A1 (zh) * 2016-05-11 2017-11-16 杭州海康威视数字技术股份有限公司 一种速度预测方法及装置
CN106935034A (zh) * 2017-05-08 2017-07-07 西安电子科技大学 面向车联网的区域交通流量预测***及方法
CN107705556A (zh) * 2017-09-01 2018-02-16 南京邮电大学 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN107481523A (zh) * 2017-09-27 2017-12-15 中南大学 一种交通流速度预测方法及***
CN108564790A (zh) * 2018-06-12 2018-09-21 国交空间信息技术（北京）有限公司 一种基于交通流时空相似性的城市短时交通流预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
（网联环境下交通状态预测与诱导技术研究;程鑫;《中国博士学位论文全文数据库（电子期刊）》;20180615;全文21-51页 *
Space-Time Hybrid Model for Short-Time Travel Speed Prediction;Qi Fan;《Discrete Dynamics in Nature and Society》;20180223;全文 *
双车道二级公路纵坡段车辆运行速度预测模型;许金良等;《中国公路学报》;20081130;全文 *

Also Published As

Publication number Publication date
CN109377754A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
US10120381B2 (en) Identifying significant locations based on vehicle probe data
US10551842B2 (en) Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive
Thibault et al. A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction
US8949028B1 (en) Multi-modal route planning
Li et al. Prediction of urban human mobility using large-scale taxi traces and its applications
US8229666B2 (en) Generating and using pattern keys in navigation systems to predict user destinations
CN107389080A (zh) 一种车辆路径导航方法及电子设备
EP2646779B1 (en) Method of enrichment of road information data
US20160265922A1 (en) Pattern detection using probe data
CN109767619B (zh) 一种智能网联纯电动汽车行驶工况预测方法
Ye et al. A method for driving route predictions based on hidden Markov model
CN106104656A (zh) 地图信息生成***、方法及程序
EP2743898A3 (en) A method of and a navigation device for time-dependent route planning
US20180045527A1 (en) Systems and Methods for Predicting Vehicle Fuel Consumption
CN109141456A (zh) 导航路径规划方法及服务器
CN105091890A (zh) 用于推荐候选路径的方法和装置
CN106295849A (zh) 快速交通参数估算
CN103942312B (zh) 公交换乘线路规划方法和装置
CN110174893A (zh) 一种无人驾驶控制方法、***及车辆
CN114299712B (zh) 一种数据处理方法、装置、设备以及可读存储介质
Liu et al. A novel method for predicting vehicle state in internet of vehicles
CN109377754B (zh) 一种车联网环境下的短时交通流速度预测方法
CN109377758A (zh) 一种行驶时间预估方法及***
JP2014066542A (ja) バッテリ温度推定装置及び方法
CN110377671A (zh) 一种城市道路规划方法及设备

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