CN109887283B - 一种基于卡口数据的道路拥堵预测方法、***及装置 - Google Patents
一种基于卡口数据的道路拥堵预测方法、***及装置 Download PDFInfo
- Publication number
- CN109887283B CN109887283B CN201910171067.4A CN201910171067A CN109887283B CN 109887283 B CN109887283 B CN 109887283B CN 201910171067 A CN201910171067 A CN 201910171067A CN 109887283 B CN109887283 B CN 109887283B
- Authority
- CN
- China
- Prior art keywords
- road
- congestion
- sequence
- congestion prediction
- acquiring
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于卡口数据的道路拥堵预测方法、***及装置,其中方法包括以下步骤:通过卡口数据获取上一时间段道路的动态特征;结合动态特征和预设的道路拥堵预测模型预测下一时间段道路的拥堵等级。本发明通过卡口数据获取道路的动态特征,并结合动态特征和道路拥堵预测模型预测道路的下一时间段的拥堵情况,能够有效和准确地预测交通的拥堵情况,解决了依靠人为预测造成预测不准确问题;而且本发明可对大范围面积内的交通拥堵情况进行预测,提高了预测效率,提供交通管理部门的管理效率以及缩短车主的出行时间和降低了出行成本,可广泛应用于智能交通技术领域。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种基于卡口数据的道路拥堵预测方法、***及装置。
背景技术
当前,城市中机动车保有量不断增长,交通压力急剧增加,部分地区经常发生交通拥堵,为城市交通畅通运行保障带来了巨大挑战,加剧了交通相关部门的管理问题,也给车主们的出现带来了不便。现有的技术中,对交给他拥堵预测一般是通过依赖于人的主观经验,交通拥堵分析结果不准确,而且只能实现小范围面积内的拥堵预测分析,交通预测效率低,车主出行时间增长,出行成本高。
名词解释:
卡口:包括公安***设置的安全检查和监控卡口和道路交通治安卡口监控***,利用先进的光电,计算机,图像处理,模式识别,WEB数据访问等技术,对监控路面的每一辆机动车的前部特征图像、车辆全景图像和路面实时视频流进行连续全天候实时记录,牌照识别仪根据所摄像的图像进行车辆号牌全自动识别,并能进行车辆动态布控和违章报警,通过公安网络能将各个监控点信息有机共享。
发明内容
为了解决上述技术问题,本发明的目的是提供一种可对大范围面积内交通拥堵情况进行准确预测的预测方法、***及装置。
本发明所采用的第一技术方案是:
一种基于卡口数据的道路拥堵预测方法,包括以下步骤:
通过卡口数据获取上一时间段道路的动态特征;
结合动态特征和预设的道路拥堵预测模型预测下一时间段道路的拥堵等级。
进一步,还包括建立道路拥堵预测模型的步骤,所述建立道路拥堵预测模型的步骤具体包括以下步骤:
获取道路的卡口数据,并根据卡口数据获取多个时间段的车辆信息;
根据车辆信息获取道路的动态特征序列,以及根据预设方式获取道路的静态特征序列;
结合动态特征序列、静态特征序列和预设的拥堵等级标记方式获取道路的时间拥堵序列;
结合时间拥堵序列和预设算法建立道路拥堵预测模型。
进一步,所述车辆信息包括大型车车辆信息和小型车车辆信息,所述根据车辆信息获取道路的动态特征序列这一步骤,具体包括以下步骤:
根据车辆信息计算各时间段的第一车流量和第一平均车速;
根据大型车车辆信息计算各时间段的大型车的第二车流量和第二平均车速,以及根据小型车车辆信息计算各时间段的小型车的第三车流量和第三平均车速;
结合每个小时的第一车流量、第一平均车速、第二车流量、第二平均车速、第三车流量、和第三平均车速获取道路的动态特征序列。
进一步,所述根据预设方式获取各道路的静态特征序列这一步骤,具体为:
获取道路的属性信息,并结合属性信息和预设的量化标准获取道路静态特征序列。
进一步,所述结合动态特征序列、静态特征序列和预设的拥堵等级标记方式获取道路的时间拥堵序列这一步骤,具体包括以下步骤:
将动态特征序列和静态特征序列结合并进行归一化处理后,获得每个时间段的特征集合;
根据预设的拥堵等级标记方式对每个特征集合进行标记后,获得时间拥堵序列。
进一步,所述预设算法为循环神经网络算法,所述结合时间拥堵序列和预设算法建立道路拥堵预测模型这一步骤,具体包括以下步骤:
结合时间拥堵序列和循环神经网络算法对道路拥堵预测模型进行训练后,获得初始的道路拥堵预测模型;
采用交叉训练的方法对初始的道路拥堵预测模型进行优化后,获得最终的道路拥堵预测模型。
进一步,所述初始的道路拥堵预测模型具体为:
At=φ(S*WF+At-1*WA+b)
其中,所述At代表下一时间段的动态特征,所述φ()代表神经元函数,所述S代表静态特征,所述At-1代表上一时间段的动态特征,所述WF代表道路静态特征在神经元函数中所占的权重,所述WA代表道路动态特征在神经元函数中所占的权重,所述b代表偏置项常数。
本发明所采用的第二技术方案是:
一种基于卡口数据的道路拥堵预测***,包括:
获取特征模块,用于通过卡口数据获取上一时间段道路的动态特征;
拥堵预测模块,用于结合动态特征和预设的道路拥堵预测模型预测下一时间段道路的拥堵等级。
进一步,还包括模型建立模块,所述模型建立模块包括信息获取单元、特征获取单元、拥堵标记单元和建模单元;
所述信息获取单元用于获取道路的卡口数据,并根据卡口数据获取多个时间段的车辆信息;
所述特征获取单元用于根据车辆信息获取道路的动态特征序列,以及根据预设方式获取道路的静态特征序列;
所述拥堵标记单元用于结合动态特征序列、静态特征序列和预设的拥堵等级标记方式获取道路的时间拥堵序列;
所述建模单元用于结合时间拥堵序列和预设算法建立道路拥堵预测模型。
本发明所采用的第三技术方案是:
一种基于卡口数据的道路拥堵预测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述的一种基于卡口数据的道路拥堵预测方法。
本发明的有益效果是:本发明通过卡口数据获取道路的动态特征,并结合动态特征和道路拥堵预测模型预测道路的下一时间段的拥堵情况,能够有效和准确地预测交通的拥堵情况,解决了依靠人为预测造成预测不准确问题;而且本发明可对大范围面积内的交通拥堵情况进行预测,提高了预测效率,提供交通管理部门的管理效率以及缩短车主的出行时间和降低了出行成本。
附图说明
图1是本发明一种基于卡口数据的道路拥堵预测方法的步骤流程图;
图2是本发明一种基于卡口数据的道路拥堵预测***的结构框图。
具体实施方式
实施例一
如图1所示,本实施例提供了一种基于卡口数据的道路拥堵预测方法,包括以下步骤
S1、通过卡口数据获取上一时间段道路的动态特征。
S2、结合动态特征和预设的道路拥堵预测模型预测下一时间段道路的拥堵等级。
通过卡口可以获取过往车辆的车牌号码、车牌类型和过车时的车速,所述道路的动态特征包括车流量和车速等特征,获取上一时间段的动态特征后,将动态特征输入道路拥堵预测模型预测下一时间段的车流量和车速等特征,预测拥堵情况。所述上一时间段和下一个时间为连续的两个时间段,时间周期根据实际情况选择;例如:所述上一时间段可以为上一个小时,下一个时间段可以为下一个小时,比如上一时间段为上午7点,则下一个时间段为上午8点;或者上一时间段为7点一刻,则下一个时间段为7点二刻。通过结合动态特征和预设模型预测交通的拥堵情况,由于结合较多有效的道路参数信息,因此能够更加精准地预测下一时间段的拥堵情况。另外,由于城市中设置了较多的卡口,因此可以根据卡口信息,对交通状况进行大范围面积地预测,提高了预测效率,更加有效的帮助到交通管理部门对道路的管理和提高车主的出行效率。
其中,通过步骤A1~A4建立道路拥堵预测模型:
A1、获取道路的卡口数据,并根据卡口数据获取多个时间段的车辆信息;所述车辆信息包括大型车车辆信息和小型车车辆信息
A2、根据车辆信息获取道路的动态特征序列,以及根据预设方式获取道路的静态特征序列;
A3、结合动态特征序列、静态特征序列和预设的拥堵等级标记方式获取道路的时间拥堵序列;
A4、结合时间拥堵序列和预设算法建立道路拥堵预测模型。
建立模型时,需要获取数据充当训练集对模型进行训练,获取一段时间周期的卡口数据,对卡口数据进行划分提取,获取多个时间段的车辆信息,比如获取一天的卡口数据,将一天分隔为24小时,分别提取每天小时的车辆信息。根据车辆信息获得动态特征序列,不同时间段的动态特征;根据预设方式获取道路的静态特征序列,比如道路的宽度参数,或者道路的级别参数,获取道路附件是否有公共场所建筑,比如学校、商场和医院等。结合时间段内的动态特征序列和静态特征序列,并对结合的特征序列标记拥堵等级后,获得时间序列上的时间拥堵序列,结合时间拥堵序列和预设算法训练获得道路拥堵预测模型。建立道路拥堵预测模型后,只需将上一时间段的动态特征输入道路拥堵预测模型,即可预测下一时间段的道路拥堵情况。
具体地,步骤A2中所述根据车辆信息获取道路的动态特征序列这一步骤包括步骤B1~B3:
B1、根据车辆信息计算各时间段的第一车流量和第一平均车速;
B2、根据大型车车辆信息计算各时间段的大型车的第二车流量和第二平均车速,以及根据小型车车辆信息计算各时间段的小型车的第三车流量和第三平均车速;
B3、结合每个小时的第一车流量、第一平均车速、第二车流量、第二平均车速、第三车流量、和第三平均车速获取道路的动态特征序列。
卡口可提取过往的车辆车牌号码、车牌类型和过车时车速的记录。根据车牌类型可判断车辆是大型车或小型车。卡口在过去一小时记录的过车数即为道路的车流量。所有车辆过卡口速度之和除以对应的过车数量,可得到对应群体的平均车速。在本实施例中具体地,将一天分隔为24小时,提取每个小时中该道路的道路所有车辆的平均车速Vt,其中t表示时间段,然后分别提取大型车的平均车速Vbt和小型车辆平均车速Vst;将一天分隔为24小时,提取每个小时中该道路的车流量Qt,其中t表示时间段,然后分别提取大型车的车流量Qbt和小型车的车流量Qst;最后获得车辆在t时刻的动态特征At={Vt,Vbt,Vst,Qt,Qbt,Qst}。
其中,步骤A2中所述根据预设方式获取各道路的静态特征序列这一步骤,具体为:获取道路的属性信息,并结合属性信息和预设的量化标准获取道路静态特征序列。
在本实施例中,道路的静态特征为S={s1,s2,...,sn},其中n表示道路的静态特征维度数量,例如道路为双车道,则双车道特征s1=2,其他车道记录相应的数值;道路附近有医院,则道路设施特征s2=1,或者道路附近有学校,则道路设施特征s2=2,还可相应的记录学校的上班和下班时间段;如此类推,获取道路所有的静态特征。确认需要使用的道路静态特征维度数量及量化标准,按标准提取道路静态特征S。
其中,步骤A3具体包括步骤A31~A32:
A31、将动态特征序列和静态特征序列结合并进行归一化处理后,获得每个时间段的特征集合。
A32、根据预设的拥堵等级标记方式对每个特征集合进行标记后,获得时间拥堵序列。
将动态特征序列和静态特征序列进行结合,并进行归一化处理后获得每个时间段的特征集合,在本实例中具体地,道路在t时刻的特征Ft由动态特征序列At={Vt,Vbt,Vst,Qt,Qbt,Qst}和路静态特征序列S={s1,s2,...,sn}组成,即Ft={Vt,Vbt,Vst,Qt,Qbt,Qst,s1,s2,...,sn},对于特征集合Ft={Vt,Vbt,Vst,Qt,Qbt,Qst,s1,s2,...,sn}进行归一化处理,去除特征值为0的特征,同时标记特征顺序,得到归一化后的特征集合;对于每个时刻的道路特征Ft,匹配一个对应的拥堵情况评价等级yt,最后获得时间拥堵序列。
所述步骤A4中预设的算法为循环神经网络算法,所述步骤A4包括步骤A41~A42:
A41、结合时间拥堵序列和循环神经网络算法对道路拥堵预测模型进行训练后,获得初始的道路拥堵预测模型。
A42、采用交叉训练的方法对初始的道路拥堵预测模型进行优化后,获得最终的道路拥堵预测模型。
将道路特征Ft={Vt,Vbt,Vst,Qt,Qbt,Qst,s1,s2,...,sn}与对应的拥堵等级yt合成的时间拥堵序列输入循环神经网络模型M中进行训练,训练模式为yt=M(Ft-1),最后通过交叉训练获得最优模型参数,使得模型M(F)针对样本分类具有最高精度,从而获得更高的预测精准度。
具体地,在t时刻,道路特征为Ft={Vt,Vbt,Vst,Qt,Qbt,Qst,s1,s2,...,sn},其中动态特征为At={Vt,Vbt,Vst,Qt,Qbt,Qst},静态特征为S={s1,s2,...,sn},在循环神经网络(RNN)中一个循环神经元关于一个实例的输出为:
At=φ(S*WF+At-1*WA+b)
其中,所述At代表下一时间段的动态特征,所述φ()代表神经元函数,所述S代表静态特征,所述At-1代表上一时间段的动态特征,所述WF代表道路静态特征在神经元函数中所占的权重,所述WA代表道路动态特征在神经元函数中所占的权重,所述b代表偏置项常数。通过计算上一时刻的道路车流量及平均车速与道路特征对下一时刻道路车流量及平均车速的相关性,训练后的神经网络可以计算下一时刻的道路车流量及平均车速从而预测道路的拥堵等级。
综上所述,本实施例一种基于卡口数据的道路拥堵预测方法的具有如下有益效果:
(1)、通过卡口数据获取道路的动态特征和静态特征,并结合道路拥堵预测模型预测道路的下一时间段的拥堵情况,能够有效和准确地预测交通的拥堵情况,解决了依靠人为预测造成预测不准确问题;而且本发明可对大范围面积内的交通拥堵情况进行预测,提高了预测效率,提供交通管理部门的管理效率以及缩短车主的出行时间和降低了出行成本。
(2)、对道路特征进行多维度提取,分别进行静态特征(包括道路的车道、道路附近的设施、道路的等级、道路是否属于桥梁等维度),和动态特征(对于同一天的不同时段不同道路的车流量及平均车速)的细化和提取,通过对训练样本数据进行样本交叉训练,消除过拟合问题,提高分类器正确率,极大地提高了预测的准确度。
(3)、具有较强的拓展性,随着获得的道路更加全面,通过加入更多维度特征数据,和扩展卡口的道路覆盖率,可以进一步提高拥堵预测模型的准确率。
实施例二
如图2所示,本实施例提供一种基于卡口数据的道路拥堵预测***,包括:
获取特征模块,用于通过卡口数据获取上一时间段道路的动态特征;
拥堵预测模块,用于结合动态特征和预设的道路拥堵预测模型预测下一时间段道路的拥堵等级。
进一步作为优选的实施方式,还包括模型建立模块,所述模型建立模块包括信息获取单元、特征获取单元、拥堵标记单元和建模单元;
所述信息获取单元用于获取道路的卡口数据,并根据卡口数据获取多个时间段的车辆信息;
所述特征获取单元用于根据车辆信息获取道路的动态特征序列,以及根据预设方式获取道路的静态特征序列;
所述拥堵标记单元用于结合动态特征序列、静态特征序列和预设的拥堵等级标记方式获取道路的时间拥堵序列;
所述建模单元用于结合时间拥堵序列和预设算法建立道路拥堵预测模型。
上述***,通过卡口数据获取道路的动态特征和静态特征,并结合道路拥堵预测模型预测道路的下一时间段的拥堵情况,能够有效和准确地预测交通的拥堵情况,解决了依靠人为预测造成预测不准确问题;而且本发明可对大范围面积内的交通拥堵情况进行预测,提高了预测效率,提供交通管理部门的管理效率以及缩短车主的出行时间和降低了出行成本。
实施例三
本实施例提供一种基于卡口数据的道路拥堵预测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现实施例一所述的一种基于卡口数据的道路拥堵预测方法。
本实施例的一种基于卡口数据的道路拥堵预测装置,可执行本发明方法实施例所提供的一种基于卡口数据的道路拥堵预测方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于卡口数据的道路拥堵预测方法,其特征在于,包括以下步骤:
通过卡口数据获取上一时间段道路的动态特征;
结合动态特征和预设的道路拥堵预测模型预测下一时间段道路的拥堵等级;
还包括建立道路拥堵预测模型的步骤,所述建立道路拥堵预测模型的步骤具体包括以下步骤:
获取道路的卡口数据,并根据卡口数据获取多个时间段的车辆信息;
根据车辆信息获取道路的动态特征序列,以及根据预设方式获取道路的静态特征序列;
结合动态特征序列、静态特征序列和预设的拥堵等级标记方式获取道路的时间拥堵序列;
结合时间拥堵序列和预设算法建立道路拥堵预测模型;
所述动态特征包括车流量和车速;
所述预设算法为循环神经网络算法,所述结合时间拥堵序列和预设算法建立道路拥堵预测模型这一步骤,具体包括以下步骤:
结合时间拥堵序列和循环神经网络算法对道路拥堵预测模型进行训练后,获得初始的道路拥堵预测模型;
采用交叉训练的方法对初始的道路拥堵预测模型进行优化后,获得最终的道路拥堵预测模型;
所述初始的道路拥堵预测模型具体为:
At=φ(S*WF+At-1*WA+b)
其中,所述At代表下一时间段的动态特征,所述φ()代表神经元函数,所述S代表静态特征,所述At-1代表上一时间段的动态特征,所述WF代表道路静态特征在神经元函数中所占的权重,所述WA代表道路动态特征在神经元函数中所占的权重,所述b代表偏置项常数。
2.根据权利要求1所述的一种基于卡口数据的道路拥堵预测方法,其特征在于,所述车辆信息包括大型车车辆信息和小型车车辆信息,所述根据车辆信息获取道路的动态特征序列这一步骤,具体包括以下步骤:
根据车辆信息计算各时间段的第一车流量和第一平均车速;
根据大型车车辆信息计算各时间段的大型车的第二车流量和第二平均车速,以及根据小型车车辆信息计算各时间段的小型车的第三车流量和第三平均车速;
结合每个小时的第一车流量、第一平均车速、第二车流量、第二平均车速、第三车流量、和第三平均车速获取道路的动态特征序列。
3.根据权利要求2所述的一种基于卡口数据的道路拥堵预测方法,其特征在于,所述根据预设方式获取各道路的静态特征序列这一步骤,具体为:
获取道路的属性信息,并结合属性信息和预设的量化标准获取道路静态特征序列。
4.根据权利要求3所述的一种基于卡口数据的道路拥堵预测方法,其特征在于,所述结合动态特征序列、静态特征序列和预设的拥堵等级标记方式获取道路的时间拥堵序列这一步骤,具体包括以下步骤:
将动态特征序列和静态特征序列结合并进行归一化处理后,获得每个时间段的特征集合;
根据预设的拥堵等级标记方式对每个特征集合进行标记后,获得时间拥堵序列。
5.一种基于卡口数据的道路拥堵预测***,其特征在于,包括:
获取特征模块,用于通过卡口数据获取上一时间段道路的动态特征;
拥堵预测模块,用于结合动态特征和预设的道路拥堵预测模型预测下一时间段道路的拥堵等级;
还包括模型建立模块,所述模型建立模块包括信息获取单元、特征获取单元、拥堵标记单元和建模单元;
所述信息获取单元用于获取道路的卡口数据,并根据卡口数据获取多个时间段的车辆信息;
所述特征获取单元用于根据车辆信息获取道路的动态特征序列,以及根据预设方式获取道路的静态特征序列;
所述拥堵标记单元用于结合动态特征序列、静态特征序列和预设的拥堵等级标记方式获取道路的时间拥堵序列;
所述建模单元用于结合时间拥堵序列和预设算法建立道路拥堵预测模型;
所述动态特征包括车流量和车速;
所述预设算法为循环神经网络算法,所述结合时间拥堵序列和预设算法建立道路拥堵预测模型这一步骤,具体包括以下步骤:
结合时间拥堵序列和循环神经网络算法对道路拥堵预测模型进行训练后,获得初始的道路拥堵预测模型;
采用交叉训练的方法对初始的道路拥堵预测模型进行优化后,获得最终的道路拥堵预测模型;
所述初始的道路拥堵预测模型具体为:
At=φ(S*WF+At-1*WA+b)
其中,所述At代表下一时间段的动态特征,所述φ()代表神经元函数,所述S代表静态特征,所述At-1代表上一时间段的动态特征,所述WF代表道路静态特征在神经元函数中所占的权重,所述WA代表道路动态特征在神经元函数中所占的权重,所述b代表偏置项常数。
6.一种基于卡口数据的道路拥堵预测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现权利要求1-4任一项所述的一种基于卡口数据的道路拥堵预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910171067.4A CN109887283B (zh) | 2019-03-07 | 2019-03-07 | 一种基于卡口数据的道路拥堵预测方法、***及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910171067.4A CN109887283B (zh) | 2019-03-07 | 2019-03-07 | 一种基于卡口数据的道路拥堵预测方法、***及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109887283A CN109887283A (zh) | 2019-06-14 |
CN109887283B true CN109887283B (zh) | 2021-01-26 |
Family
ID=66931226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910171067.4A Active CN109887283B (zh) | 2019-03-07 | 2019-03-07 | 一种基于卡口数据的道路拥堵预测方法、***及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109887283B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428612B (zh) * | 2019-07-05 | 2021-04-13 | 平安国际智慧城市科技股份有限公司 | 车辆管控方法、装置、计算机设备和存储介质 |
CN110335466B (zh) * | 2019-07-11 | 2021-01-26 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
CN111341098B (zh) * | 2020-02-18 | 2021-07-27 | 北京中旖新能源有限公司 | 拥堵状态预测的方法及装置 |
CN111341099B (zh) * | 2020-02-27 | 2022-05-10 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN111402579A (zh) * | 2020-02-29 | 2020-07-10 | 深圳壹账通智能科技有限公司 | 道路拥堵程度预测方法、电子装置及可读存储介质 |
CN111798579B (zh) * | 2020-07-29 | 2021-07-23 | 贵州汇联通电子商务服务有限公司 | 一种基于etc龙门架的高速公路拥堵预测方法及*** |
CN112633602B (zh) * | 2020-12-31 | 2023-03-03 | 深圳云天励飞技术股份有限公司 | 一种基于gis地图信息的交通拥堵指数预测方法及装置 |
CN113535819B (zh) * | 2021-07-15 | 2023-02-28 | 广州交信投科技股份有限公司 | 一种交通态势感知分析方法、装置、计算机存储介质及终端 |
CN113610304A (zh) * | 2021-08-11 | 2021-11-05 | 北京京东乾石科技有限公司 | 一种拥堵预测方法、装置、设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038478B (zh) * | 2017-04-20 | 2023-10-27 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
CN107085941B (zh) * | 2017-06-26 | 2021-01-26 | 广东工业大学 | 一种交通流预测方法、装置及*** |
CN107240254B (zh) * | 2017-08-02 | 2019-08-13 | 河北冀通慧达科技有限公司 | 交通路况预测方法及终端设备 |
CN108269401B (zh) * | 2018-01-30 | 2021-02-23 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN108335485B (zh) * | 2018-01-31 | 2020-04-24 | 杭州远眺科技有限公司 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
-
2019
- 2019-03-07 CN CN201910171067.4A patent/CN109887283B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109887283A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887283B (zh) | 一种基于卡口数据的道路拥堵预测方法、***及装置 | |
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
Cai et al. | Deep learning-based video system for accurate and real-time parking measurement | |
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN109325502B (zh) | 基于视频渐进区域提取的共享单车停放检测方法和*** | |
CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
Atkočiūnas et al. | Image processing in road traffic analysis | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测*** | |
CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及*** | |
CN114170580A (zh) | 一种面向高速公路的异常事件检测方法 | |
Rabbouch et al. | A vision-based statistical methodology for automatically modeling continuous urban traffic flows | |
Ketcham et al. | Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine | |
Singh et al. | Intelligent traffic management system | |
CN112562315B (zh) | 一种获取车流信息的方法、终端及存储介质 | |
CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
Zhang et al. | Machine learning and computer vision-enabled traffic sensing data analysis and quality enhancement | |
Parsola et al. | Automated system for road extraction and traffic volume estimation for traffic jam detection | |
Crawford et al. | Analysing spatial intrapersonal variability of road users using point-to-point sensor data | |
CN115187886A (zh) | 一种车辆违规行为检测方法、装置及电子设备 | |
CN111309954B (zh) | 景区导购行为识别*** | |
Muâ et al. | Classifying Vehicle Types from Video Streams for Traffic Flow Analysis Systems | |
Kansal et al. | Real time system for vehicle counting with speed estimation and license plate detection | |
Al Kherret et al. | Video-based detection and tracking model for traffic surveillance | |
Chakraborty | Freeway traffic incident detection using large scale traffic data and cameras |
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 |