CN109872533A - 一种基于空间数据的车道级实时交通情报处理方法 - Google Patents
一种基于空间数据的车道级实时交通情报处理方法 Download PDFInfo
- Publication number
- CN109872533A CN109872533A CN201910129345.XA CN201910129345A CN109872533A CN 109872533 A CN109872533 A CN 109872533A CN 201910129345 A CN201910129345 A CN 201910129345A CN 109872533 A CN109872533 A CN 109872533A
- Authority
- CN
- China
- Prior art keywords
- lane
- information
- section
- data
- travel speed
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明属于交通信息技术领域,具体涉及一种基于空间数据的车道级实时交通情报处理方法,依次包括以下步骤:位置数据清洗;与普通导航地图匹配;单车路径推算,行程车速计算;多车车速融合生成路段车速;提取拥堵路段图像数据;识别车道线、车辆要素;与高精度导航地图匹配;按车道生成交通情报信息。本发明通过对车载设备产生的轨迹数据和车前方图像数据分析挖掘,应用模式识别和深度学习技术,生成了车道级实时交通情报信息,该信息可以为车道级导航引擎和无人驾驶决策***提供精确的数据支撑,为***进行车道引导和行程时间估计提供重要保障。
Description
技术领域
本发明属于交通信息技术领域,具体涉及一种基于空间数据的车道级实时交通情报处理方法。
背景技术
近几年,人工智能技术的高速发展以及在汽车领域中的广泛应用,使得无人驾驶技术在国内取得了快速的发展,应用场景逐渐多元,形成了以感知、高精地图、驾驶决策为核心三要素的技术方案。在感知要素中,需要感知两种信息:车身周边信息和实时路况信息。车身周边信息主要由车载传感器感知提供,实时路况信息由服务运营商提供。目前实时路况信息主要为路段级路况信息,只能满足普通导航和路径规划的需求,对于无人驾驶决策层来说,信息颗粒度还过于粗放,只有更为精细化的车道级实时路况信息才能满足需求,该项信息处理技术在国内尚处于起步阶段,还有极大的提升空间。
发明内容
针对上述技术问题,本发明提供一种基于空间数据的车道级实时交通情报处理方法,采用车载视觉与定位设备(以下简称车载设备),获取车辆的实时位置数据与车前方的实时图像数据,即本专利所述的空间数据,通过模式识别与深度学习技术,生成车道级实时路况信息。
车载设备记录的车辆实时位置数据包含:UTC时间,经度,纬度,瞬时速度,方向角,卫星数;实时图像数据包含:UTC时间,车前方图像。以普通导航电子地图的路段定义为路段计算单元,以五分钟作为一个处理周期,将处理周期内的车辆位置全部映射到路段计算单元,计算出每辆车在计算单元的行程车速,再将所有车辆的行程车速加权处理,得到路段路况状态,对于拥堵状态路段,提取相应的图像数据,通过模式识别和深度学习对图像中元素进行识别,得到每条车道的路况状态。
具体的过程为:
一种基于空间数据的车道级实时交通情报处理方法,依次包括以下步骤:位置数据清洗;与普通导航地图匹配;单车路径推算,行程车速计算;多车车速融合生成路段车速;提取拥堵路段图像数据;识别车道线、车辆要素;与高精度导航地图匹配;按车道生成交通情报信息。
更为详细的过程为:
(1)设定信息处理的时空边界,将边界之外的位置数据剔除;
本***计算周期为5分钟,时间边界即为5分钟;空间边界可根据实际需要自行定义。对于重复信息进行剔除。每辆车的位置信息按照时间先后顺序排序。
(2)将普通导航电子地图栅格化并为其建立网格索引;
将清洗后的位置数据导入到电子地图坐标系内,通过网格索引找到匹配的路段,并将原始位置投影到匹配路段,得到匹配点。
(3)计算每辆车相邻匹配点ai与ai+1经过的路段长度li,得到相邻点之间的行程车速vi;
建立行驶特征分类器,将得到的行程车速进行分类,将每段行程车速按类型赋予权重Φi,按权重将所有段的行程车速加权合并,得到单车行程车速Vn和置信度ψn。
(4)把经过相同路段的车辆归为一组,按置信度加权模型,将同组车辆的行程车速加权合并,生成路段行程车速当车辆数为k时,
n为样本车的数量,经过相同路段的n辆样本车;
(5)建立路段状态分类器,根据道路类型和路段行程车速将路段状态分为五类:畅通,基本畅通,缓慢,拥堵,严重拥堵;
将路段状态为缓慢、拥堵和严重拥堵的路段提出,回溯参与计算的所有车辆,并将车载设备中保存的图像数据提取出来,根据UTC时间与位置数据一一对应,作为待处理的空间数据VD:
VD={(x,y),pic,time}
其中,x为经度,y为维度,pic为图像,time为UTC时间;
(6)通过模式识别和深度学习技术,将图像pic中的车道信息、车辆信息、事件信息分别结构化为lni、vei、eti,将车道信息与车辆信息、事件信息做关联;图像结构化信息表达为:其中i为当前路段的车道总数;
(7)步骤(5)中待处理的空间数据VD,经过步骤(6)的结构化处理,变为结构化的空间数据
将通过位置坐标(x,y)与高精度导航电子地图的路段进行匹配,设匹配上的路段为hdlink,将与导航地图的车道数据关联,得到路段hdlink的空间数据为
(8)建立车道状态分类器,对中各类数据判断,生成车道状态lnsthdlink、拥堵原因ctnhdlink、通行延误Thdlink;得到最终车道级实时交通情报信息
其中i为路段hdlink的车道数,为预留的扩展信息,otime为信息发布时间。
本发明具有的技术效果:
本发明通过对车载设备产生的轨迹数据和车前方图像数据分析挖掘,应用模式识别和深度学习技术,生成了车道级实时交通情报信息,该信息可以为车道级导航引擎和无人驾驶决策***提供精确的数据支撑,为***进行车道引导和行程时间估计提供重要保障。
附图说明
图1为实施例原始位置数据清洗示意图;
图2为实施例位置点投影与路网匹配示意图;
图3为实施例两相邻点路径推测示意图;
图4为实施例多样本提取示意图;
图5为实施例原始图像数据pic的示意图。
具体实施方式
结合实施例说明本发明的具体技术方案。
(1)设定信息处理的时空边界,将边界之外的位置数据剔除。本***计算周期为5分钟,时间边界即为5分钟;空间边界可根据实际需要自行定义。对于重复信息进行剔除。每辆车的位置信息按照时间先后顺序排序。
如图1所示,圆点是待处理的位置点,矩形是定义的空间边界,矩形外的位置点即为空间边界之外。每个位置点都带有时间戳,将位置点按照时间戳排序,先将重复的位置点做去重处理,再根据***计算周期,把时间戳不在计算周期的位置点删除,再将空间边界外的位置点删除。
(2)将普通导航电子地图栅格化并为其建立网格索引。将清洗后的位置数据导入到电子地图坐标系内,通过网格索引找到匹配的路段,并将原始位置投影到匹配路段,得到匹配点。
如图2所示,位置数据为图中“GPS定位点”,通过网格索引找到位置点附近的路段,再根据投影位置,确定位置点匹配的路段,然后计算匹配点的坐标,上图圆点所示。
(3)计算每辆车相邻匹配点ai与ai+1经过的路段长度li,得到相邻点之间的行程车速vi。建立行驶特征分类器,将得到的行程车速进行分类,将每段行程车速按类型赋予权重Φi,按权重将所有段的行程车速加权合并,得到单车行程车速Vn和置信度ψn。
如图3所示,两个圆点为相邻匹配点。经计算推测后的行驶路径为link1、link2、link3,根据经过的路段长度计算出单车行驶速度V,并把速度分配到经过的三个路段。
(4)把经过相同路段的车辆归为一组,按置信度加权模型,将同组车辆的行程车速加权合并,生成路段行程车速当车辆数为k时,
如图4所示,下方路段为计算路段,经过上述1-3步骤,找出在计算路段行驶的所有车辆,并计算出每辆车在该路段的行驶速度和置信度,如下表所示
车辆编号 | 速度 | 置信度 |
779148 | V<sub>1</sub> | ψ<sub>1</sub> |
140032 | V<sub>2</sub> | ψ<sub>2</sub> |
431900 | V<sub>3</sub> | ψ<sub>3</sub> |
该路段的行程车速为
(5)建立路段状态分类器,根据道路类型和路段行程车速将路段状态分为五类:畅通,基本畅通,缓慢,拥堵,严重拥堵。将路段状态为缓慢、拥堵和严重拥堵的路段提出,回溯参与计算的所有车辆,并将车载设备中保存的图像数据提取出来,根据UTC时间与位置数据一一对应,作为待处理的空间数据VD,
VD={(x,y),pic,time}
其中,x为经度,y为维度,pic为图像,time为UTC时间。
根据城市不同,路段状态分类器的配置也不同,以上海为例,配置分类器如下:
假设步骤(4)实施例中,下方路段道路等级为“主干道”,当前周期行程车速那么就需要回溯本周期内参与计算的所有车辆,并将车载设备中保存的图像数据取回服务器端,为下一步处理做准备。
(6)通过模式识别和深度学习技术,将图像pic中的车道信息、车辆信息、事件信息分别结构化为lni、vei、eti,将车道信息与车辆信息、事件信息做关联。图像结构化信息表达为:其中i为当前路段的车道总数。
以图5为例,图5为原始图像数据pic的示意图。图像结构化后,车道1为ln1,车道2为ln2。
ln1关联的车辆信息ve1和事件信息et1,ve1含义为车辆数目为6,et1含义为本车道无事件信息,相邻车道ln2有事故信息,本车道受ln2事故影响。ln2关联的车辆信息ve2和事件信息et2,ve2含义为车辆数目为4,et2含义为本车道有两车碰撞事故,影响相邻车道ln1。
(7)步骤(5)中待处理的空间数据VD,经过步骤(6)的结构化处理,变为结构化的空间数据
将通过位置坐标(x,y)与高精度导航电子地图的路段进行匹配,设匹配上的路段为hdlink,将与导航地图的车道数据关联,得到路段hdlink的空间数据为
(8)建立车道状态分类器,对中各类数据判断,生成车道状态lnsthdlink、拥堵原因ctnhdlink、通行延误Thdlink。得到最终车道级实时交通情报信息
其中i为路段hdlink的车道数,为预留的扩展信息,otime为信息发布时间。
Claims (2)
1.一种基于空间数据的车道级实时交通情报处理方法,其特征在于,依次包括以下步骤:位置数据清洗;与普通导航地图匹配;单车路径推算,行程车速计算;多车车速融合生成路段车速;提取拥堵路段图像数据;识别车道线、车辆要素;与高精度导航地图匹配;按车道生成交通情报信息。
2.根据权利要求1所述的一种基于空间数据的车道级实时交通情报处理方法,其特征在于,,包括以下步骤:
(1)设定信息处理的时空边界,将边界之外的位置数据剔除;
(2)将普通导航电子地图栅格化并为其建立网格索引;将步骤(1)清洗后的位置数据导入到电子地图坐标系内,通过网格索引找到匹配的路段,并将原始位置投影到匹配路段,得到匹配点;
(3)计算每辆车相邻匹配点ai与ai+1经过的路段长度li,得到相邻点之间的行程车速vi;
建立行驶特征分类器,将得到的行程车速进行分类,将每段行程车速按类型赋予权重Φi,按权重将所有段的行程车速加权合并,得到单车行程车速Vn和置信度ψn;
(4)把经过相同路段的车辆归为一组,按置信度加权模型,将同组车辆的行程车速加权合并,生成路段行程车速当车辆数为k时,
n为样本车的数量,经过相同路段的n辆样本车;
(5)建立路段状态分类器,根据道路类型和路段行程车速将路段状态分为五类:畅通,基本畅通,缓慢,拥堵,严重拥堵;
将路段状态为缓慢、拥堵和严重拥堵的路段提出,回溯参与计算的所有车辆,并将车载设备中保存的图像数据提取出来,根据UTC时间与位置数据一一对应,作为待处理的空间数据VD:
VD={(x,y),pic,time}
其中,x为经度,y为维度,pic为图像,time为UTC时间;
(6)通过模式识别和深度学习技术,将图像pic中的车道信息、车辆信息、事件信息分别结构化为lni、vei、eti,将车道信息与车辆信息、事件信息做关联;图像结构化信息表达为:其中i为当前路段的车道总数;
(7)步骤(5)中待处理的空间数据VD,经过步骤(6)的结构化处理,变为结构化的空间数据
将通过位置坐标(x,y)与高精度导航电子地图的路段进行匹配,设匹配上的路段为hdlink,将与导航地图的车道数据关联,得到路段hdlink的空间数据为
(8)建立车道状态分类器,对中各类数据判断,生成车道状态lnsthdlink、拥堵原因ctnhdlink、通行延误Thdlink;得到最终车道级实时交通情报信息
其中i为路段hdlink的车道数,为预留的扩展信息,otime为信息发布时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129345.XA CN109872533B (zh) | 2019-02-21 | 2019-02-21 | 一种基于空间数据的车道级实时交通情报处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129345.XA CN109872533B (zh) | 2019-02-21 | 2019-02-21 | 一种基于空间数据的车道级实时交通情报处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872533A true CN109872533A (zh) | 2019-06-11 |
CN109872533B CN109872533B (zh) | 2020-12-04 |
Family
ID=66919030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129345.XA Active CN109872533B (zh) | 2019-02-21 | 2019-02-21 | 一种基于空间数据的车道级实时交通情报处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872533B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN110705484A (zh) * | 2019-10-08 | 2020-01-17 | 弈人(上海)科技有限公司 | 利用行车轨迹识别连续变更车道违法行为的方法 |
CN111060123A (zh) * | 2019-06-13 | 2020-04-24 | 广东星舆科技有限公司 | 一种基于普通地图实现车道级导航的方法与*** |
CN111626206A (zh) * | 2020-05-27 | 2020-09-04 | 北京百度网讯科技有限公司 | 高精地图构建方法、装置、电子设备及计算机存储介质 |
CN114413917A (zh) * | 2021-12-28 | 2022-04-29 | 高德软件有限公司 | 事件生效位置区间确定方法、导航方法、装置和电子设备 |
CN115188194A (zh) * | 2022-07-15 | 2022-10-14 | 同济大学 | 一种高速公路交通车道级精准诱导***及方法 |
CN115585816A (zh) * | 2022-11-23 | 2023-01-10 | 北京百度网讯科技有限公司 | 车道级地图匹配方法和装置 |
CN116580583A (zh) * | 2023-07-12 | 2023-08-11 | 禾多科技(北京)有限公司 | 车辆调度信息生成方法、装置、设备和计算机可读介质 |
CN117494248A (zh) * | 2023-12-29 | 2024-02-02 | 中科图新(苏州)科技有限公司 | 坐标数据处理方法、装置、计算机设备、存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001043476A (ja) * | 1999-07-28 | 2001-02-16 | Hitachi Denshi Ltd | 道路交通の管制制御システム |
CN1710624A (zh) * | 2005-06-02 | 2005-12-21 | 上海交通大学 | 城市路网交通流区间平均速度的获取方法 |
CN1975800A (zh) * | 2006-12-25 | 2007-06-06 | 北京世纪高通科技有限公司 | 一种交通信息融合处理方法和*** |
CN101308029A (zh) * | 2007-05-16 | 2008-11-19 | 北京英华慧通科技发展有限公司 | 路网网格匹配、路况状态信息及诱导路线信息获取方法 |
CN101571400A (zh) * | 2009-01-04 | 2009-11-04 | 四川川大智胜软件股份有限公司 | 基于动态交通信息的嵌入式车载组合导航*** |
WO2011108052A1 (ja) * | 2010-03-03 | 2011-09-09 | パナソニック株式会社 | 道路状況管理システム及び道路状況管理方法 |
CN102737508A (zh) * | 2012-06-19 | 2012-10-17 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
CN103149576A (zh) * | 2013-01-29 | 2013-06-12 | 武汉大学 | 一种浮动车数据的地图匹配方法 |
CN103745611A (zh) * | 2013-12-23 | 2014-04-23 | 北京掌城科技有限公司 | 一种交通路径规划方法、装置及*** |
CN104851295A (zh) * | 2015-05-22 | 2015-08-19 | 北京嘀嘀无限科技发展有限公司 | 获取路况信息的方法和*** |
CN105043403A (zh) * | 2015-08-13 | 2015-11-11 | 武汉光庭信息技术有限公司 | 高精度地图路线规划***及方法 |
CN105588576A (zh) * | 2015-12-15 | 2016-05-18 | 重庆云途交通科技有限公司 | 一种车道级导航方法及*** |
CN106767853A (zh) * | 2016-12-30 | 2017-05-31 | 中国科学院合肥物质科学研究院 | 一种基于多信息融合的无人驾驶车辆高精度定位方法 |
WO2017089135A1 (de) * | 2015-11-25 | 2017-06-01 | Volkswagen Aktiengesellschaft | Verfahren und system zum erstellen einer spurgenauen belegungskarte für fahrspuren |
CN107531282A (zh) * | 2015-04-14 | 2018-01-02 | 德尔福技术有限公司 | 用于由自动车辆进行车道选择的*** |
-
2019
- 2019-02-21 CN CN201910129345.XA patent/CN109872533B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001043476A (ja) * | 1999-07-28 | 2001-02-16 | Hitachi Denshi Ltd | 道路交通の管制制御システム |
CN1710624A (zh) * | 2005-06-02 | 2005-12-21 | 上海交通大学 | 城市路网交通流区间平均速度的获取方法 |
CN1975800A (zh) * | 2006-12-25 | 2007-06-06 | 北京世纪高通科技有限公司 | 一种交通信息融合处理方法和*** |
CN101308029A (zh) * | 2007-05-16 | 2008-11-19 | 北京英华慧通科技发展有限公司 | 路网网格匹配、路况状态信息及诱导路线信息获取方法 |
CN101571400A (zh) * | 2009-01-04 | 2009-11-04 | 四川川大智胜软件股份有限公司 | 基于动态交通信息的嵌入式车载组合导航*** |
WO2011108052A1 (ja) * | 2010-03-03 | 2011-09-09 | パナソニック株式会社 | 道路状況管理システム及び道路状況管理方法 |
CN102737508A (zh) * | 2012-06-19 | 2012-10-17 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
CN103149576A (zh) * | 2013-01-29 | 2013-06-12 | 武汉大学 | 一种浮动车数据的地图匹配方法 |
CN103745611A (zh) * | 2013-12-23 | 2014-04-23 | 北京掌城科技有限公司 | 一种交通路径规划方法、装置及*** |
CN107531282A (zh) * | 2015-04-14 | 2018-01-02 | 德尔福技术有限公司 | 用于由自动车辆进行车道选择的*** |
CN104851295A (zh) * | 2015-05-22 | 2015-08-19 | 北京嘀嘀无限科技发展有限公司 | 获取路况信息的方法和*** |
CN105043403A (zh) * | 2015-08-13 | 2015-11-11 | 武汉光庭信息技术有限公司 | 高精度地图路线规划***及方法 |
WO2017089135A1 (de) * | 2015-11-25 | 2017-06-01 | Volkswagen Aktiengesellschaft | Verfahren und system zum erstellen einer spurgenauen belegungskarte für fahrspuren |
CN105588576A (zh) * | 2015-12-15 | 2016-05-18 | 重庆云途交通科技有限公司 | 一种车道级导航方法及*** |
CN106767853A (zh) * | 2016-12-30 | 2017-05-31 | 中国科学院合肥物质科学研究院 | 一种基于多信息融合的无人驾驶车辆高精度定位方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060123A (zh) * | 2019-06-13 | 2020-04-24 | 广东星舆科技有限公司 | 一种基于普通地图实现车道级导航的方法与*** |
CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN110705484A (zh) * | 2019-10-08 | 2020-01-17 | 弈人(上海)科技有限公司 | 利用行车轨迹识别连续变更车道违法行为的方法 |
CN110705484B (zh) * | 2019-10-08 | 2023-05-02 | 弈人(上海)科技有限公司 | 利用行车轨迹识别连续变更车道违法行为的方法 |
CN111626206A (zh) * | 2020-05-27 | 2020-09-04 | 北京百度网讯科技有限公司 | 高精地图构建方法、装置、电子设备及计算机存储介质 |
CN114413917B (zh) * | 2021-12-28 | 2024-07-02 | 高德软件有限公司 | 事件生效位置区间确定方法、导航方法、装置和电子设备 |
CN114413917A (zh) * | 2021-12-28 | 2022-04-29 | 高德软件有限公司 | 事件生效位置区间确定方法、导航方法、装置和电子设备 |
CN115188194A (zh) * | 2022-07-15 | 2022-10-14 | 同济大学 | 一种高速公路交通车道级精准诱导***及方法 |
CN115585816A (zh) * | 2022-11-23 | 2023-01-10 | 北京百度网讯科技有限公司 | 车道级地图匹配方法和装置 |
CN116580583B (zh) * | 2023-07-12 | 2023-09-19 | 禾多科技(北京)有限公司 | 车辆调度信息生成方法、装置、设备和计算机可读介质 |
CN116580583A (zh) * | 2023-07-12 | 2023-08-11 | 禾多科技(北京)有限公司 | 车辆调度信息生成方法、装置、设备和计算机可读介质 |
CN117494248A (zh) * | 2023-12-29 | 2024-02-02 | 中科图新(苏州)科技有限公司 | 坐标数据处理方法、装置、计算机设备、存储介质 |
CN117494248B (zh) * | 2023-12-29 | 2024-04-12 | 中科图新(苏州)科技有限公司 | 坐标数据处理方法、装置、计算机设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109872533B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872533A (zh) | 一种基于空间数据的车道级实时交通情报处理方法 | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
WO2022206942A1 (zh) | 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 | |
WO2018064931A1 (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
CN110364008A (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN106197458A (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
CN113050455A (zh) | 一种用于智能网联汽车的数字孪生测试***及控制方法 | |
CN113112805B (zh) | 一种基于基站通讯与路口摄像头定位的路口监测预警方法 | |
CN105096590B (zh) | 交通信息生成方法和交通信息生成设备 | |
CN113259900B (zh) | 一种分布式多源异构交通数据融合方法及装置 | |
CN109377757A (zh) | 基于含多源粗差的车牌识别数据的车辆出行轨迹提取方法 | |
CN109146506A (zh) | 审查作弊订单的方法及***、终端设备、计算机设备 | |
CN113052405B (zh) | 基于物联网和人工智能的交通拥堵预测与优化方法 | |
JP7321400B1 (ja) | 推定装置および推定方法 | |
CN110009902A (zh) | 服务器设备和拥塞识别方法 | |
CN112184931A (zh) | 基于高速公路路网的车辆计费路径优选***及分析方法 | |
CN110021161B (zh) | 一种交通流向的预测方法及*** | |
CN113079463A (zh) | 一种基于手机信令数据的旅游景点游客出行活动识别方法 | |
CN108665084B (zh) | 一种对驾驶风险的预测方法及*** | |
CN110189537B (zh) | 基于时空特征的停车诱导方法、装置、设备及存储介质 | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及*** | |
CN115995151B (zh) | 应用于城市管理的网约车异常行为检测方法 | |
CN112732860A (zh) | 道路提取方法、装置、可读存储介质及设备 | |
US9607509B2 (en) | Identification of vehicle parking using data from vehicle sensor network |
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 |