CN109920250A - 动态预测城市道路智能交通管理方法 - Google Patents
动态预测城市道路智能交通管理方法 Download PDFInfo
- Publication number
- CN109920250A CN109920250A CN201910197752.4A CN201910197752A CN109920250A CN 109920250 A CN109920250 A CN 109920250A CN 201910197752 A CN201910197752 A CN 201910197752A CN 109920250 A CN109920250 A CN 109920250A
- Authority
- CN
- China
- Prior art keywords
- section
- city group
- city
- traffic
- urban road
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 230000003466 anti-cipated effect Effects 0.000 claims abstract description 5
- 238000012731 temporal analysis Methods 0.000 claims abstract description 5
- 238000000700 time series analysis Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract 3
- 238000005457 optimization Methods 0.000 claims abstract 2
- 230000006855 networking Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims 2
- 239000011159 matrix material Substances 0.000 claims 1
- 230000005654 stationary process Effects 0.000 claims 1
- 230000007704 transition Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000005259 measurement Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能交通技术领域，且公开了一种动态预测城市道路智能交通管理方法，所述使用历史数据分析的方法测定城市组团及道路的拥堵指数。在本发明中使用隐马尔可夫链的时间序列分析方法预测城市组团及道路拥堵指数，并采用智能合约和共识算法的查询、订购及发布的方法，通过：“订购数量”到“拥堵指数”到“行驶速度”到“行驶时间”的函数映射关系，建立车辆行驶的时间序列，由此推导出最佳行车线路，这种算法优先考量城市组团的最佳交通量，并由此取得基于城市组团的预期最佳行车路段线路及基于路段的预期最佳行车路段线路，在优先确保整体最优的情况下，实现局部最优化。
Description
技术领域
本发明涉及智能交通技术领域，具体为一种动态预测城市道路智能交通管理方法。
背景技术
在一给定的无向图G＝(V，E)中，(u，v)代表连接顶点u与顶点v的边，而w(u，v)代表此边的权重，若存在T为E的子集且为无循环图，使得的w(T)最小，则此T为G的最小生成树。
区块链技术，一种按照时间顺序将数据区块以顺序相连的方式组合成的一种链式数据结构，并以密码学方式保证的不可篡改和不可伪造的分布式账本。利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。其中，联盟链技术，强调同业或跨行业间的机构或组织间的价值与协同的强关联性以及联盟内部的弱中心化。以降低成本、提升效率为主要目标。以强身份许可、安全隐私、高性能、海量数据等为主要技术特点。联盟链的共识节点均是可验证身份的，并拥有高度治理结构的协议或商业规则。如果出现异常状况，可以启用监管机制和治理措施做出跟踪惩罚或进一步的治理措施，以减少损失。
智能合约，旨在以信息化方式传播、验证或执行合同的计算机协议。智能合约允许在没有第三方的情况下进行可信交易。这些交易可追踪且不可逆转。
共识机制，是通过特殊节点的投票，在很短的时间内完成对交易的验证和确认；对一笔交易，如果利益不相干的若干个节点能够达成共识，我们就可以认为全网对此也能够达成共识。
时间序列模型，是根据***观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型。
时间序列分析方法，将车辆流量、行驶速度等同一变数的一组观察值，按时间顺序加以排列，构成统计的时间序列，然后运用一定的数字方法使其向外延伸，预测交通状况的变化趋势，确定预测值。时间序列分析法的主要特点，是以时间的推移研究来预测交通状况的变化趋势，不受其他外在因素的影响。不过，在遇到外界发生较大变化，如突发事情发生时，根据过去已发生的数据进行预测，往往会有较大的偏差。
隐马尔可夫模型(Hidden Markov Model，HMM)是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如通过对车辆通过数量的统计，通过评估进而选出最有可能产生的车辆行驶速度。
智能交通***是将先进的、传感技术、控制技术以及计算机技术等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合的运输和管理***。利用无线通讯模块传输交通灯控制信号，能够实现一点对一点，一点对多点的数据通信”电子眼”，它可以把交通状况如实的记录下来，并反映到交通管理控制中心。电子警察***是集现代计算机控制技术、计算机通信技术、视频技术、电磁感应技术、数码相机设备、视频记录等技术运用到道路交通管理的一项新型技术。先进的交通管理***(ATMS)是一种利用先进的交通信息采集、数据通信、电子控制和计算机处理等当代高新技术以及现代交通工程理论，根据***工程原理进行集成，实现对地区道路网络交通流进行实时监控。主动控制、协调管理与操作合交通管理***。
城市组团是按照局部与整体协调，分工与整合相统一的城市发展理念，将城市功能进行高度集中而设置的城市空间分区，形成明显的分区特色，同时不影响各分区对城市各种功能的共享，由此形成大空间范围内多元功能相互组合的现代组图城市。
交叉口是两条或两条以上道路的交会处。是车辆、行人交通汇集、转向和疏散的必经之处。按相交道路的条数可分为三岔、四岔和多岔。按交叉的方式分有平面交叉和立体交叉。为保证交通安全和通畅，交叉口常设有信号灯等交通控制设施和其他交通管理设施。正确地设计道路交叉口，合理地组织和管理交叉***通，是提高通行能力和保障交通安全所必不可少的。解决城市交叉口的交通拥堵及安全问题是解决城市交通拥堵问题的重要环节。同样，解决城市交叉口的交通拥堵及安全问题关键在于如何合理地进行交通组织。
车联网(Internet of Vehicles)是由车辆位置、速度和路线等信息构成的巨大交互网络。通过GPS、RFID、传感器、摄像头图像处理等装置，车辆可以完成自身环境和状态信息的采集；通过互联网技术，所有的车辆可以将自身的各种信息传输汇聚到中央处理器；通过计算机技术，这些大量车辆的信息可以被分析和处理，从而计算出不同车辆的最佳路线、及时汇报路况和安排信号灯周期。
发明内容
(一)解决的技术问题
为了实现上述目的，本发明提供的一种动态预测城市道路智能交通管理方法，旨在解决传统的基于历史数据统计分析的交通管理方法的滞后性，和基于当前实时数据分析的交通管理方法带来的异常反馈效应，有效地提高交通流效率及交通网络效率，从而提高交通***的效率，减少拥堵路段及拥堵点，减少空气污染，提高出行人员满意度。
所述交通***的异常反馈效应是指，由于大众传播导致的交通路况误报，具体表现为当前交通状况和经过某段时间后的交通状况不符，极端情况下当前交通路况信息提示某路段绿色畅通，但是经过某段时间后，车辆行驶到该路段，却是红色拥堵，原因是众多车辆均接受到该交通路况信息并采用该行驶线路，导致拥堵发生。
(二)技术方案
鉴于现有技术存在的上述问题，本发明的一方面目的在于提供一种基于智能合约和共识算法的动态预测城市道路智能交通管理方法。
为实现上述的目的，本发明提供如下技术方案：一种动态预测城市道路智能交通管理方法，所述城市组团最佳交通量是指根据历史数据分析，在某城市组团区域交通流最快时，对应的单位时间内通过该城市组团区域的最大交通量。
作为优选，所述路段最佳交通量是指根据历史数据分析，在某路段交通流最快时，对应的单位时间内通过该路段的最大交通量。
作为优选，所述城市组团交通拥堵指数是指通过车辆超过城市组团最佳交通量的倍数。
作为优选，所述城市组团预期时段交通拥堵指数是指预期某个时段通过车辆超过城市组团最佳交通量的倍数。
作为优选，所述路段交通拥堵指数是指通过车辆超过路段最佳交通量的倍数。
作为优选，所述路段预期时段交通拥堵指数是指预期某个时段通过车辆超过路段最佳交通量的倍数。
作为优选，所述城市组团平均行驶速度是指通过某城市组团根据数据统计得出的车辆行驶速度平均值。
作为优选，所述路段平均行驶速度是指通过某路段根据数据统计得出的车辆行驶速度平均值。
作为优选，所述城市组团预期时段行驶速度是指根据数据统计得出的某城市组团预期某个时段交通拥堵指数对应的车辆平均行驶速度。
作为优选，所述路段预期时段行驶速度是指根据数据统计得出的某路段预期某个时段交通拥堵指数对应的车辆平均行驶速度。
作为优选，所述城市组团预期行驶时间是指根据城市组团的行驶距离和城市组团预期时段行驶速度的计算预期通过该城市组团的时间。
作为优选，所述路段预期行驶时间是指根据路段的行驶距离和路段预期时段行驶速度的计算预期通过该路段的时间。
作为优选，所述城市组团预期时段通过权值是指车联网服务节点根据预期时段的订购数量和该城市组团的最佳交通量确定的关系权值。
作为优选，所述路段预期时段通过权值是指车联网服务节点根据预期时刻的订购数量和该路段的最佳交通量确定的关系权值。
作为优选，所述某城市组团的预期行驶时段是由车辆出发时间点为初始时刻，经过一系列的前置通过城市组团的预期行驶时段的累加，和本城市组团预期行驶时间，得到的时段。
作为优选，所述某路段的预期行驶时段是由车辆出发时间点为初始时刻，经过一系列的前置通过路段的预期行驶时间的累加，和本路段预期行驶时间，得到的时段。
作为优选，所述基于城市组团的预期行驶时间序列是指由车辆从起点到终点预计途经的每个城市组团的预期行驶时段，组成的行驶时间序列。
作为优选，所述基于路段的预期行驶时间序列是指由车辆从起点到终点预计途经的每个路段的预期行驶时段，组成的行驶时间序列。
作为优选，所述城市组团间的最佳行驶线路是指预计途经的每个城市组团的预期时段通过权值的和值最小的行驶线路。
作为优选，所述路段的最佳行驶线路是指预计途经的每个路段的预期时段通过权值的和值最小的行驶线路。
作为优选，本发明提供一种基于智能合约和共识算法的动态预测城市道路智能交通***，可以查询、订购、发布实时及预期的交通信息。
在道路车辆均接入该智能交通***的情况下，本***包括：
所述基于区块链的城市道路智能交通***为联盟链，采用多分支链结构，用于跨市域及城市组团连接，链服务节点包括三类功能，即查询功能、订购功能、发布功能。
所述车辆预定行驶线路的形成方法是指，车辆根据路网交叉口各车联网服务节点的提供的各个城市组团预期时段的预期通过权值和各个路段预期时段的预期时段通过权值，制定的针对该车辆偏好的最优路线，制定最优路线的可选策略：权值最小策略，权值次小策略。
所述基于智能合约和共识算法的动态预测城市道路智能交通***，查询城市组团和路段的最佳预定行驶线路的方法，具体步骤是：
1、由车辆确定起点和终点，根据距离生成树算法，确定可能的途经的城市组团组合，
2、根据可能的途经城市组团规划行驶线路，向链服务节点查询基于城市组团的预期行驶时间序列，根据最小生成树算法，确定城市组团的最佳行驶线路；
3、根据途经的城市组团序列，在各个城市组团内，由距离生成树算法，确定可能的途经的路段组合，向链服务节点查询基于路段的预期行驶时间序列，根据最小生成树算法，由此确定路段的最佳行驶线路；
4、比较查询结果，根据用户偏好，例如：时间最短、距离最短，确定最终车辆预定行驶线路。
作为优选，所述基于智能合约和共识算法的动态预测城市道路智能交通***，订购路段预期通过权的方法，具体步骤是：
1、交通车辆，根据本车辆的预定行驶线路的路段，向当前路段的链服务节点提交城市组团及路段订购请求；
2、由智能交通***的智能合约机制确认交易，确认订购请求，并由智能合约机制向行驶线路沿途的城市组团及路段的链服务节点发布订购交易的信息。
作为预选，所述基于智能合约和共识算法的动态预测城市道路智能交通***，发布城市组团和路段预期通过权值的方法，具体步骤是：
1、动态预测城市道路智能交通管理方法，路段的链服务节点根据所主管路段的各预期时段的订购数量，由历史数据分析计算路段的各预期时段交通拥堵指数，及对应的预期时段行驶速度，并向相邻节点发布。
2、动态预测城市道路智能交通管理方法，由该智能交通***的共识算法机制，汇总城市组团内路段的预期交通拥堵指数，形成该城市组团的预期交通拥堵指数、预期时段行驶速度及该城市组团基于路段的预期最佳及合适的行驶路段线路，并向该智能交通***的节点全局发布。
附图说明
附图1为城市组团布局示例图；
附图2车辆由起点到终点选择最优线路的示例图；
附图3车辆由起点到终点选择基于城市组团的最优线路示例图；
附图4车辆与车联网服务节点集群之间，智能合约和共识算法的数据通讯连接关系图；
附图5为车辆与车联网服务节点之间数据通讯连接关系图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-5，一种动态预测城市道路智能交通管理方法，有车辆A、B、C、D，对应车联网服务节点A、D、E、H。
行驶速度单位为千米每小时，行驶时间单位为分钟。
假设城市组团甲主要为小型车辆行驶，长度2公里，最佳交通量为出600辆每小时、入600辆每小时。
城市组团甲，当前时段下午5点27分到下午5点30分
城市组团甲，下一时段下午5点30分到下午5点36分
城市组团甲，下一时段下午5点36分到下午5点40分
5点27分到下午5点30分、5点30分到下午5点36分、5点36分到下午5点40分，为预期行驶时间序列。
汇总得，各个时段，该城市组团的订购数量、预期交通拥堵指数、预期时段行驶速度：
当前时段下午5点27分到下午5点30分的订购数量560辆，
交通拥堵指数0.933，行驶速度40公里每小时，行驶时间3分钟
下一时段下午5点30分到下午5点36分的订购数量640辆，
交通拥堵指数1.067，行驶速度20公里每小时，行驶时间6分钟
下一时段下午5点36分到下午5点40分的订购数量600辆，
交通拥堵指数1.000，行驶速度30公里每小时，行驶时间4分钟。
假设城市组团乙主要为小型车辆行驶，长度2公里，最佳交通量为出800辆每小时、入800辆每小时。
城市组团乙，当前时段下午5点27分到下午5点30分
城市组团乙，下一时段下午5点33分到下午5点41分
城市组团乙，下一时段下午5点41分到下午5点47分
5点27分到下午5点30分、5点33分到下午5点41分、5点41分到下午5点47分，为预期行驶时间序列。
汇总得，各个时段，该城市组团的订购数量、预期交通拥堵指数、预期时段行驶速度：
当前时段下午4点到下午5点的订购数量720辆，
交通拥堵指数0.9，行驶速度40公里每小时，行驶时间3分钟
下一时段下午5点到下午6点的订购数量880辆，
交通拥堵指数1.1，行驶速度20公里每小时，行驶时间6分钟
下一时段下午6点到下午7点的订购数量800辆，
交通拥堵指数1.0，行驶速度30公里每小时，行驶时间4分钟。
对本发明优选的方案进一步说明，基于智能合约和共识算法的动态预测城市道路智能交通***，城市组团和路段预期通过权值的形成机制并发布的方法，如附图2所示，首先，由智能合约和共识算法，车联网服务节点A计算基于时间序列的订购数量、预期交通拥堵指数、预期时段行驶速度，并向相邻车联网服务节点B、C、D发布该信息；其次，由该智能交通***的共识算法机制，汇总城市组团甲内路段的基于时间序列的订购数量、预期交通拥堵指数、预期时段行驶速度，形成该城市组团的基于时间序列的订购数量、预期交通拥堵指数、预期时段行驶速度及该城市组团基于路段的预期最佳行驶路段线路，并向该智能交通***的车联网服务集群全局发布。
再者，基于智能合约和共识算法的动态预测城市道路智能交通***查询城市组团和路段的最佳预定行驶线路的方法，如附图3所示，车辆A确定起点和终点，根据距离生成树算法，确定可能途经的城市组团序列辛、戊、甲、丁和辛、戊、乙、丁，两个可选线路。查询基于城市组团的预期行驶时间序列的请求，到达了城市组团辛的车联网服务节点，返回城市组团和路段的最佳预定行驶线路的结果为城市组团序列辛、戊、甲、丁。根据途经的城市组团序列辛、戊、甲、丁，在各个城市组团内，如附图2所示，城市组团甲由距离生成树算法，确定可能的途经的路段组合，向链服务节点查询基于路段的预期行驶时间序列，根据最小生成树算法，由此确定路段的最佳行驶线路为线路1、线路2；
最终，比较结果集合，根据用户偏好，确定线路1为最佳行驶线路。
基于智能合约和共识算法的动态预测城市道路智能交通***订购路段预期通过权的方法，如附图4所示，车辆A，根据本车辆的预定行驶线路的路段，向起点路段的主管车联网服务节点提交路段订购请求，例如，车联网服务节点A确认订购请求。车联网服务节点A更新本路段的对应预期时段交通拥堵指数，及对应的预期时段行驶速度，并向相邻节点发布；车联网服务节点B接受到信息，确认订购请求，更新本路段的对应预期时段交通拥堵指数，及对应的预期时段行驶速度，并向相邻节点发布；该过程直到终点路段的主管车联网服务节点结束。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种动态预测城市道路智能交通管理方法，其特征在于：所述使用历史数据分析的方法测定城市组团及道路的拥堵指数，并采用智能合约和共识算法的查询的行车线路的方法、订购及发布行车线路的方法。
2.根据权利要求1所述的一种动态预测城市道路智能交通管理方法，其特征在于：所述行车线路是通过智能交通管理***计算产生，通过“订购数量”到“拥堵指数”到“行驶速度”到“行驶时间”的函数映射关系，建立车辆行驶的时间序列，由此推导出最佳行车线路。
3.根据权利要求2所述的动态预测城市道路智能交通管理方法，其特征在于：所述隐马尔可夫链的时间序列分析建立的函数映射关系：“订购数量”到“拥堵指数”、“拥堵指数”到“行驶速度”，是通过历史数据分析的方法取得转移概率矩阵，可以采用回归分析方法，但不限于回归分析方法，所述平稳过程的时间序列分析方法：“行驶速度”到“行驶时间”，“行驶时间”到“行驶时段”，“行驶时段”到“行驶时段序列”，是通过车联网服务节点计算取得；“行驶时段序列”到“最佳行驶线路”，是通过用户偏好取得。
4.根据权利要求1所述的动态预测城市道路智能交通管理方法，其特征在于：所述城市组团及道路拥堵指数，是优先考量城市组团的最佳交通量，并由此取得基于城市组团的预期最佳行车路段线路及基于路段的预期最佳行车路段线路，在优先确保整体最优的情况下，实现局部最优。
5.根据权利要求1所述的动态预测城市道路智能交通管理方法，其特征在于：所述智能合约和共识算法的查询、订购及发布的方法，是可以通过流言算法，但不限于流言算法，多种分布式算法实现弱一致性的信息同步。
6.根据权利要求2所述的动态预测城市道路智能交通管理方法，其特征在于：所述基于智能合约和共识算法的动态预测城市道路智能交通***查询城市组团和路段的最佳预定行车线路的方法，具体步骤是：
(1)、由车辆确定起点和终点，根据距离生成树算法，确定可能的途经的城市组团组合，
(2)、根据可能的途经城市组团规划行驶线路，向链服务节点查询基于城市组团的预期行驶时间序列，根据最小生成树算法，确定城市组团的最佳行驶线路；
(3)、根据途经的城市组团序列，在各个城市组团内，由距离生成树算法，确定可能的途经的路段组合，向链服务节点查询基于路段的预期行驶时间序列，根据最小生成树算法，由此确定路段的最佳行驶线路；
(4)、比较查询结果，根据用户偏好，例如：时间最短、距离最短，确定最终车辆预定行驶线路。
7.根据权利要求1所述的动态预测城市道路智能交通管理方法，其特征在于：所述基于智能合约和共识算法的动态预测城市道路智能交通***订购路段预期通过权的方法，具体步骤是：
(1)、交通车辆，根据本车辆的预定行驶线路的路段，向当前路段的链服务节点提交城市组团及路段订购请求；
(2)、由智能交通***的智能合约机制确认交易，确认订购请求，并由智能合约机制向行驶线路沿途的城市组团及路段的链服务节点发布订购交易的信息。
8.根据权利要求1所述的动态预测城市道路智能交通管理方法，其特征在于：所述基于智能合约和共识算法的动态预测城市道路智能交通***，城市组团和路段预期通过权值的形成机制并发布的方法，具体步骤是：
(1)、路段的链服务节点根据所主管路段的各预期时段的订购数量，由历史数据分析计算路段的各预期时段交通拥堵指数，及对应的预期时段行驶速度，并向相邻节点发布；
(2)、由该智能交通***的共识算法机制，汇总城市组团内路段的预期交通拥堵指数，形成该城市组团的预期交通拥堵指数、预期时段行驶速度及该城市组团基于路段的预期最佳及合适的行驶路段线路，并向该智能交通***的节点全局发布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910197752.4A CN109920250A (zh) | 2019-05-10 | 2019-05-10 | 动态预测城市道路智能交通管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910197752.4A CN109920250A (zh) | 2019-05-10 | 2019-05-10 | 动态预测城市道路智能交通管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109920250A true CN109920250A (zh) | 2019-06-21 |
Family
ID=66965128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910197752.4A Pending CN109920250A (zh) | 2019-05-10 | 2019-05-10 | 动态预测城市道路智能交通管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109920250A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145541A (zh) * | 2019-12-18 | 2020-05-12 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
| CN112133105A (zh) * | 2019-06-24 | 2020-12-25 | 株式会社日立制作所 | 交通流预测辅助装置以及交通流预测辅助方法 |
| CN112434260A (zh) * | 2020-10-21 | 2021-03-02 | 北京千方科技股份有限公司 | 一种公路的交通状态检测方法、装置、存储介质及终端 |
| CN114088101A (zh) * | 2022-01-14 | 2022-02-25 | 华清科盛(北京)信息技术有限公司 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
| CN115527372A (zh) * | 2022-11-29 | 2022-12-27 | 湖南工商大学 | 一种基于全局最优的智能交通实时诱导可变信息*** |
-
2019
- 2019-05-10 CN CN201910197752.4A patent/CN109920250A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112133105A (zh) * | 2019-06-24 | 2020-12-25 | 株式会社日立制作所 | 交通流预测辅助装置以及交通流预测辅助方法 |
| CN111145541A (zh) * | 2019-12-18 | 2020-05-12 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
| CN112434260A (zh) * | 2020-10-21 | 2021-03-02 | 北京千方科技股份有限公司 | 一种公路的交通状态检测方法、装置、存储介质及终端 |
| CN114088101A (zh) * | 2022-01-14 | 2022-02-25 | 华清科盛(北京)信息技术有限公司 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
| CN114088101B (zh) * | 2022-01-14 | 2022-06-10 | 华清科盛(北京)信息技术有限公司 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
| CN115527372A (zh) * | 2022-11-29 | 2022-12-27 | 湖南工商大学 | 一种基于全局最优的智能交通实时诱导可变信息*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109920250A (zh) | 动态预测城市道路智能交通管理方法 | |
| Kumar et al. | Applications of deep learning in congestion detection, prediction and alleviation: A survey | |
| Giuffrè et al. | A novel architecture of parking management for smart cities | |
| Ding et al. | Managing moving objects on dynamic transportation networks | |
| Zhou et al. | Optimizing taxi driver profit efficiency: A spatial network-based markov decision process approach | |
| US8793063B2 (en) | Selective exchange of vehicle operational data | |
| US6577946B2 (en) | Traffic information gathering via cellular phone networks for intelligent transportation systems | |
| CN110431572A (zh) | 用于管理地理位置中的资产的***和方法 | |
| US20070216521A1 (en) | Real-time traffic citation probability display system and method | |
| US20090240424A1 (en) | Open community model for exchanging information in dynamic environments | |
| JP6994203B2 (ja) | コネクテッド自動運転車のハイウエイシステムとそれを用いた方法 | |
| CN106503868A (zh) | 一种车队线路规划方法及相关设备 | |
| CN102024330A (zh) | 基于高清视频技术的智能交通信号控制***、方法及设备 | |
| De Souza et al. | Itssafe: An intelligent transportation system for improving safety and traffic efficiency | |
| WO2014016729A1 (en) | Sensing information service and its use in urban service planning system | |
| GB2576312A (en) | Method and system of recommending a place to park | |
| Yang et al. | Toward a real‐time smart parking data management and prediction (SPDMP) system by attributes representation learning | |
| EP4252217A1 (en) | Distributed multi-task machine learning for traffic prediction | |
| Owais et al. | Distributing portable excess speed detectors in AL Riyadh city | |
| CN102024331A (zh) | 可用于智能交通信号控制***的*** | |
| Hou et al. | Towards efficient vacant taxis cruising guidance | |
| CN114841712A (zh) | 网约车巡游违规运营状态的确定方法和装置及电子设备 | |
| He et al. | Crowd-sensing enhanced parking patrol using sharing bikes’ trajectories | |
| CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及*** | |
| CN110046851A (zh) | 基于Multi-Paxos的无人车物流任务分配方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190621 |
|
| WD01 | Invention patent application deemed withdrawn after publication |