CN110021161A - 一种交通流向的预测方法及*** - Google Patents
一种交通流向的预测方法及*** Download PDFInfo
- Publication number
- CN110021161A CN110021161A CN201810018910.0A CN201810018910A CN110021161A CN 110021161 A CN110021161 A CN 110021161A CN 201810018910 A CN201810018910 A CN 201810018910A CN 110021161 A CN110021161 A CN 110021161A
- Authority
- CN
- China
- Prior art keywords
- whereabouts
- frequent
- prediction
- prediction model
- crossing
- 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
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
- G08G1/0125—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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通流向的预测方法及***。本发明将通行对象划分为频繁对象和非频繁对象,并分别训练去向预测模型以用于去向预测,可以提高去向预测结果的准确度。并且,本发明实施例不需要在车辆上按照特定的设备,因此可以方便地应用于现有路网及其他公共场所的去向预测,具有实施简便,应用成本低,应用范围广等优点。
Description
技术领域
本发明涉及交通流量预测技术领域,具体涉及一种交通流向的预测方法及***。
背景技术
交通流向指交通路线上单位时间内流动的对象及其流动方向,常见有道路上的车流、人流,公交***的客流,以及独立场所如商场的客流、学校的人流等。通过对交通流向的预测,可以了解未来一段时间、特定地点的交通状况,为优化交通管理或交通建设规划提供参考。
目前,传统的交通流向的预测方法,通常存在预测精度较低的问题。而一些新出现的预测方法,需要依赖于车辆上安装的特定设备,因此存在着应用场景受限的问题。
发明内容
本发明实施例要解决的技术问题是提供一种交通流向的预测方法及***,不需要在车辆上安装特定设备,且能够提高预测交通流向的精度。
为解决上述技术问题,本发明实施例提供的交通流向的预测方法,包括:
确定位于目标路口的当前对象;
确定当前对象为频繁对象或非频繁对象,其中,频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量大于预定阈值的对象,非频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量不大于预定阈值的对象;
针对当前对象中的每个频繁对象,利用该频繁对象的第一去向预测模型,预测得到该频繁对象的去向,所述第一去向预测模型是基于该频繁对象在所述目标路口的历史轨迹训练得到的;以及,针对当前对象中的每个非频繁对象,利用目标路口的第二去向预测模型,预测得到该非频繁对象的去向,所述第二去向预测模型是基于目标路口的全部非频繁对象的历史轨迹训练得到的;
汇总当前对象中的每个频繁对象的去向和每个非频繁对象的去向,获得所述目标路口所有当前对象的去向预测结果。
优选的,在所述确定位于目标路口的当前对象的步骤之前,所述方法还包括:
收集所述目标路口的历史轨迹数据,并根据历史轨迹数据中同一对象的轨迹数量与预定阈值的大小关系,将对象划分为频繁对象或非频繁对象;
针对每个频繁对象,分别基于历史轨迹数据中该频繁对象的历史轨迹,训练得到该频繁对象的第一去向预测模型;以及,基于历史轨迹数据中所有的非频繁对象的历史轨迹,训练得到所述目标路口的第二去向预测模型。
优选的,进一步按照以下步骤,确定所述预定阈值的取值;
对所述预定阈值的取值范围内的每一个可能的不同取值,基于该取值,将所述历史轨迹数据中的对象划分为频繁对象或非频繁对象,并训练对应的所述第一去向预测模型和第二去向预测模型,以及,利用所得到的第一去向预测模型和第二去向预测模型,预测所述历史轨迹数据中各个历史轨迹中对象的去向,并统计该取值情况下的预测结果的准确度,得到由取值和准确度构成的数值对的集合;
在所得到的由取值和准确度构成的数值对的集合中,将准确度最高的预测结果所对应的取值,作为所述预定阈值的最终取值。
优选的,所述历史轨迹数据为所述目标路口在相同的公共交通条件组合下的历史轨迹,所述公共交通条件组合包括以下条件中的至少一者:自然日内的时间段;自然日的节假日属性;自然日在预定时间周期内的位置;路网状态;交通管制状态;车辆限行状态;以及,天气状态;
所述第一去向预测模型和第二去向预测模式包括:针对不同公共交通条件组合,训练得到对应的去向预测模型。
优选的,在所述确定位于目标路口的当前对象时,所述方法还包括:确定当前的公共交通条件组合;
在预测所述频繁对象的去向或非频繁对象的去向时,进一步根据当前的公共交通条件组合下训练得到的所述频繁对象或目标路口的去向预测模型,预测所述频繁对象的去向或非频繁对象的去向。
本发明实施例还提供了一种交通流向的预测***,包括:
对象确定模块,用于确定位于目标路口的当前对象;
对象分类模块,用于确定当前对象为频繁对象或非频繁对象,其中,频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量大于预定阈值的对象,非频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量不大于预定阈值的对象;
第一预测模块,用于针对当前对象中的每个频繁对象,利用该频繁对象的第一去向预测模型,预测得到该频繁对象的去向,所述第一去向预测模型是基于该频繁对象在所述目标路口的历史轨迹训练得到的;
第二预测模块,用于针对当前对象中的每个非频繁对象,利用目标路口的第二去向预测模型,预测得到该非频繁对象的去向,所述第二去向预测模型是基于目标路口的非频繁对象的全部历史轨迹训练得到的;
汇总模块,用于汇总当前对象中的每个频繁对象的去向和每个非频繁对象的去向,获得所述目标路口所有当前对象的去向预测结果。
优选的,所述预测***还包括:
数据收集处理模块,用于收集所述目标路口的历史轨迹数据,并根据历史轨迹数据中同一对象的轨迹数量与预定阈值的大小关系,将对象划分为频繁对象或非频繁对象;
模型训练模块,用于针对每个频繁对象,分别基于历史轨迹数据中该频繁对象的历史轨迹,训练得到该频繁对象的第一去向预测模型;以及,基于历史轨迹数据中所有的非频繁对象的历史轨迹,训练得到所述目标路口的第二去向预测模型。
优选的,所述预测***还包括:
阈值优化模块,用于对所述预定阈值的取值范围内的每一个可能的不同取值,基于该取值,将所述历史轨迹数据中的对象划分为频繁对象或非频繁对象,并训练对应的所述第一去向预测模型和第二去向预测模型,以及,利用所得到的第一去向预测模型和第二去向预测模型,预测所述历史轨迹数据中各个历史轨迹中对象的去向,并统计该取值情况下的预测结果的准确度,得到由取值和准确度构成的数值对的集合;在所得到的由取值和准确度构成的数值对的集合中,将准确度最高的预测结果所对应的取值,作为所述预定阈值的最终取值。
优选的,所述历史轨迹数据为所述目标路口在相同的公共交通条件组合下的历史轨迹,所述公共交通条件组合包括以下条件中的至少一者:自然日内的时间段;自然日的节假日属性;自然日在预定时间周期内的位置;路网状态;交通管制状态;车辆限行状态;以及,天气状态;
所述第一去向预测模型和第二去向预测模式包括:针对不同公共交通条件组合,训练得到对应的去向预测模型。
优选的,所述对象确定模块,还用于在确定位于目标路口的当前对象时,确定当前的公共交通条件组合;所述第一预测模块或第二预测模块,在预测所述频繁对象的去向或非频繁对象的去向时,进一步根据当前的公共交通条件组合下训练得到的所述频繁对象或目标路口的去向预测模型,预测所述频繁对象的去向或非频繁对象的去向。
本发明实施例还提供了另一种交通流向的预测***,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的交通流向的预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的交通流向的预测方法的步骤。
与现有技术相比,本发明实施例提供的交通流向的预测方法及***,将通行对象划分为频繁对象和非频繁对象,并分别训练去向预测模型以用于去向预测,可以提高去向预测结果的准确度。并且,本发明实施例不需要在车辆上按照特定的设备,因此可以方便地应用于现有路网及其他公共场所的去向预测,具有实施简便,应用成本低,应用范围广等优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的交通流向的预测方法的一个应用场景示意图;
图2为本发明实施例提供的交通流向的预测方法的一种流程示意图;
图3为本发明实施例中去向预测模型的一种示例图;
图4为本发明实施例中去向预测模型的另一种示例图;
图5为本发明实施例提供的交通流向的预测***的一种结构示意图;
图6为本发明实施例提供的交通流向的预测***的又一种结构示意图;
图7为本发明实施例提供的交通流向的预测***的又一种结构示意图;
图8为本发明实施例提供的交通流向的预测***的又一种结构示意图;
图9为本发明实施例提供的交通流向的预测***的运行框架的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供了一种交通流向的预测方法,该方法适应于预测目标路口的车辆和/或行人的流向。目标路口可以包括公共道路的路口,商场、机场、公交车站、地铁站等场所的出入口等。例如,可以通过在相关场所(如路口)架设摄像头或激光雷达传感器等设备,可以收集通过该路口的车辆及其车辆标识(如车牌号码),对于行人,则可以收集通过人脸识别技术或RFID(射频技术),收集通过该路口的行人及其身份标识(如人脸识别结果,或者公交***等)。下文中,将主要以公共道路的车辆流向为例进行说明。
为了便于说明,可以假定每个路口都是多叉路口,且只收集某个方向的车流情况。这里的多叉路口是指路口的去向大于或等于4种,例如,多叉路口中的一种路口为十字路口,其去向有4种。而丁字路口则因去向为3种,因此不属于多叉路口。对于不是多叉路口的路口(如丁字路口),可以认为在不具备通行路径方向上的车流流量为0,因此,不失一般性,对于非多叉路口及路口的各个方向的车流,都可以采用相同的方法和***进行处理。如图1所示,假定路口A是关注的目标路口,这里仅考虑从F到A(即F→A)这个方向的车流,它包括有F→A→B、F→A→D、F→A→F、和F→A→H共四个去向。后文中,如果不明确标明,都是F→A这个方向。
为提高交通流向预测的精度,本发明实施例提供了一种交通流向的预测方法请参照图2,本发明一个实施例提供的交通流向的预测统计的方法,包括:
步骤21,确定位于目标路口的当前对象。
这里,为了在某个待预测的时间段,预测某个目标路口的交通流向,需要获取在该待预测的时间段处于目标路口的当前对象。当前对象可能有1个或多个,这个(这些)当前对象的流动方向,即为本发明实施例所述方法所要预测的。对象可以是车辆和/或行人。本实施例中将主要以车辆为例进行说明。以图1为例,即可以通过架设在路口的摄像头或激光雷达传感器等设备,获取位于在路口A的当前车辆的图像,通过图像识别,确定路口A的当前车辆。这里,车辆可以通过车辆牌照来唯一标识。
步骤22,确定当前对象为频繁对象或非频繁对象,其中,频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量大于预定阈值的对象,非频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量不大于预定阈值的对象。
本发明实施例中,预先获取了目标路口的历史轨迹数据,历史轨迹数据中包括有通过目标路口的车辆的行驶轨迹,还可以包括其他相关参数,行驶轨迹可以包括车辆经过目标路口之前和之后所经过的至少一个路口,这些路口组成了车辆的行驶轨迹。上述相关参数可以包括车辆经过目标路口时的历史时间、路网状态、交通管制状态、车辆限行状态以及天气状态等。
历史轨迹数据中可能包括了当前对象的多条历史轨迹,也可能不存在当前对象的任何历史轨迹。本发明实施例中预先设置了一个预定阈值,若某个对象在历史轨迹数据中的历史轨迹数量大于该阈值,则认为该对象为频繁通过该目标路口的对象,即频繁对象;反之,则为非频繁对象。
步骤23,针对当前对象中的每个频繁对象,利用该频繁对象的第一去向预测模型,预测得到该频繁对象的第一去向,所述第一去向预测模型是基于该频繁对象在所述目标路口的历史轨迹训练得到的;以及,针对当前对象中的每个非频繁对象,利用目标路口的第二去向预测模型,预测得到该非频繁对象的第二去向,所述第二去向预测模型是基于目标路口的非频繁对象的历史轨迹训练得到的。
这里,本发明实施例针对频繁对象和非频繁对象,采用不同的预测模型进行预测。具体的,针对每一个频繁对象,都预先基于历史轨迹数据,生成了该频繁对象在目标路口的去向预测模型(即第一去向预测模型),因此针对当前对象中的每个频繁对象,利用该频繁对象的去向预测模型,来预测其去向。而对于非频繁对象,则不是为每个对象生成一个预测模型,而是将历史轨迹数据中的所有非频繁对象看作一个整体,针对目标路口生成一个去向预测模型(即第二去向预测模型),从而可以利用该第二去向预测模型,预测各个非频繁对象的去向。也就是说,目标路口的所有非频繁对象的预测模型都是相同的。
步骤24,汇总当前对象中的每个频繁对象的去向和非频繁对象的去向,获得所述目标路口所有当前对象的车流去向预测结果。
这里,通过将步骤23中各个频繁对象和每个非频繁对象的去向进行汇总,从而可以生成目标路口的去向预测结果。
通过以上步骤,本发明实施例将目标路口的当前对象,按照其是否频繁通过该路口的特点,划分为频繁对象和非频繁对象。由于每个频繁对象,其具有相对较多的历史轨迹,因此可以为其生成一个专用的第一去向预测模型以预测其去向,可以提高频繁对象的去向预测的精度。而对于非频繁对象,由于其历史轨迹较少,随机性较强,因此可以将所有非频繁对象作为一个整体,以获得较多的历史轨迹数据,进而生成一个第二去向预测模型,可以改善非频繁对象的预测精度。通过上述处理,可以获得更高精度的去向预测结果。并且,本发明实施例的上述实现中,并不需要在车辆上按照特定的设备,因此可以方便地应用于现有路网及其他公共场所的去向预测,具有实施简便,应用成本低,应用范围广等优点。
以上实施例中,在步骤21之前,预先基于历史轨迹数据生成了第一、第二去向预测模型。具体的,可以针对目标路口,收集该目标路口的历史轨迹数据,并根据历史轨迹数据中同一对象的轨迹数量与预定阈值的大小关系,将对象划分为频繁对象或非频繁对象。然后,针对每个频繁对象,分别基于历史轨迹数据中该频繁对象的历史轨迹,训练得到该频繁对象的第一去向预测模型;以及,基于历史轨迹数据中所有的非频繁对象的历史轨迹,训练得到所述目标路口的第二去向预测模型。
本发明实施例中,去向预测模型的训练,可以采用机器学习的相关算法实现。具体的,例如可以采用条件概率或决策树(Decision Tree)算法实现。其中,决策树是一种树形结构,其中每个内部节点表示一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别(去向)。具体算法实现本文不再赘述。
本发明实施例在训练去向预测模型时,需要根据一个预定阈值,将对象划分为频繁对象或非频繁对象。该预定阈值可以根据依经验设置。为了更好的设置该预定阈值,本发明实施例还可以通过以下方式,确定该预定阈值的取值:
首先,确定预定阈值的取值范围,例如,对于去向模型训练,通常要求有一个最低的样本数据量,这里,具体是指某个对象的历史轨迹最低数量(例如2条),因此可以确定预定阈值取值范围的下限为该最低的样本数据量。该预定阈值的上限不应超过历史轨迹数据各个对象的历史轨迹数量中的最大值,据此可以确定预定阈值取值范围的上限为该最大值(这里,假设为100)。
然后,在所述预定阈值的取值范围内的不同取值情况下,分别将所述历史轨迹数据中的对象划分为频繁对象或非频繁对象,并训练对应的所述第一去向预测模型和第二去向预测模型,以及,利用每个取值对应的第一去向预测模型或第二去向预测模型,预测所述历史轨迹数据中各个历史轨迹中对象的去向,并统计该取值情况下的预测结果的准确度。举例来说,在预定阈值的取值范围为2到100时,将针对2、3、4、…、99、100中的每个取值,分别进行以下处理:按照该取值,进行频繁对象/非频繁对象的划分,并训练第一、第二去向预测模型;然后,利用训练得到的去向预测模型,预测历史轨迹数据中的各个历史轨迹中的对象的去向,并确定预测是否准确,进而统计所有的历史轨迹的预测结果的准确度,得到由取值和准确度构成的数值对的集合。
最后,在所得到的由取值和准确度构成的数值对的集合中,将准确度最高的预测结果所对应的取值,作为所述预定阈值的最终取值。
考虑到交通流向受诸如时间、路网状态、交通管制状态、车辆限行状态以及天气情况等多种公共交通条件的影响,为了进一步提高去向模型以及预测结果的准确性,本发明实施例可以收集目标路口在相同的公共交通条件组合下的历史轨迹,得到历史轨迹数据,进而训练得到该公共交通条件组合下的第一、第二去向预测模型。然后,在实际预测时,在步骤21中,可以先确定当前待预测的场景所对应的当前公共交通条件组合,进而确定与该当前公共条件组合对应的第一、第二去向预测模型,然后在上述步骤23中,根据当前公共条件组合对应的第一、第二去向预测模型,预测所述频繁对象的去向或非频繁对象的去向。这里,所述公共交通条件组合包括以下条件中的至少一者:
1)自然日内的时间段。
通常,交通流量及流向与日内具体的时间段密切相关,例如,日内的某个时间段,如早晚高峰的时间段(如7:00~9:00,17:00~19:00通常车辆较多,因此可以根据目标路口的流量特点,将日内时间划分成多个时间段,分别收集不同自然日内的同一时间段内的历史轨迹数据。
2)自然日的节假日属性。
类似的,工作日与非工作日的交通流通常呈现不同的特点,因此可以针对自然日的节假日属性,如是否为工作日或节假日,来收集相同节假日属性下的历史轨迹数据。
3)自然日在预定时间周期内的位置。
对于自然日,通常按照周(星期)、月、季度等预定时间周期进行划分,在特定的时间周期内交通流可能呈现不同的特点,例如,某个目标路口在每周的周一通常流量较大,周二~周日流量较少,因此可以根据自然日在时间周期内的位置,来收集相同位置下的历史轨迹数据。
4)用于表示路网通行状态的路网状态,具体可以包括路网拥塞程度及断路维修信息等。
5)用于表示路网交通管制的交通管制状态。
6)车辆限行状态;以及,
7)天气状态。
路网的拥塞程度、道路的通断情况、交通管制状态、车辆限行状态以及天气状态等因素,也从一定程度上影响了交通流的特点,因此可以在这些维度下收集相同维度下的历史轨迹数据。
本发明实施例在以上一个或多个条件下进行目标路口历史轨迹数据的收集,进而训练得到相应条件下的去向预测模型。在实际预测时,可以根据当前预测场景对应的具体条件,来选择该条件下的去向预测模型进行预测,使得预测方式更为精细化,预测结果也更加准确。
通过优化上述预定阈值的取值,以及,针对不同的公共交通条件组合分别收集历史轨迹数据并训练去向预测模型,本发明实施例可以进一步提高去向预测结果的准确度。
为了更好的理解上述方法,下面结合图1所示的目标路口A,通过一个具体示例来作进一步的说明。需要指出的是,下面的示例仅为本发明实施例的一种应用场景,本发明实施例并不局限于此。
第一步:收集公共交通条件(比如限行信息)及车辆出现记录。
这里,公共交通条件包括节假日信息、路网信息、交通管制信息、车辆限行信息、天气等内容。车辆出现记录的一种记录方式如表1所示,表1中的每一行代表一条记录,其中,NO.表示记录序号,Vehicle ID即为车辆的车牌号,place即为当前观测地点,from与to分别是车辆的来源地点与去向地点,表中type字段表示车辆为频繁车辆(frequent)或非频繁车辆(infrequent),在收集车辆出现记录时,该字段内容未知,因此可以暂空。
表1
第二步:车辆出现记录的数据处理。
车辆出现记录的处理通常可以包括如下内容:
1)统计每辆车在一天内的行驶轨迹,具体的,轨迹可以由该车辆的车辆出现记录中的各个地点(如路口),按时间先后顺序组成的地点链条。比如,基于表1的数据,车辆a在2012-01-01这天的轨迹是E→F→A→H。
2)将每辆车的所有轨迹收集到一起,可以形成各个车辆的历史轨迹信息。比如,基于表1的数据,可以得到各辆车的历史轨迹信息如表2所示。此处轨迹的第一个地点和最后一个地点,有可能不是车辆经过的地点,而是用于指车辆在经过最后一个路口时的转向信息(比如,经过第一个路口时的车辆来源信息)。
表2
3)对历史轨迹中出现的每个路口,将通过此路口的所有轨迹收集到一起,例如,针对图1中的路口A,可以获得类似于表3所示的数据
表3
第三步:基于每个路口收集的所有轨迹,计算每辆车在该路口出现的次数。例如,对于表3的路口A的数据,可以计算得到每辆车出现的次数如表4所示。然后,将各个车辆的出现次数与预定阈值(此处假设为2)进行比较,将次数大于该阈值的车辆(此例中是车辆a和车辆b),标识为frequent(频繁),其它车辆则标为infrequent(非频繁),具体标识结果可以参见表1所示。
Vehicle ID | a | b | c | d | f |
出现次数 | 3 | 4 | 2 | 1 | 1 |
表4
第四步:对于非频繁车辆,将所有的非频繁车辆作为一个整体,训练其在路口A的去向预测模型。也就是说,所有非频繁车辆共用同一个去向预测模型。
例如,基于表3的数据,经过地点A后的非频繁车辆的去向统计数据如表5所示
From | To | Count |
F | B | 3 |
F | D | 1 |
表5
为了更准确地了解8:00到8:05之间,非频繁车辆经过地点A后可能去向,可以沿轨迹向前看以得到更多的信息,此处为简单起见,只向前看了一个路口,得到的结果如表6所示。
Source | From | Place | To | Count |
G | F | A | B | 3 |
E | F | A | D | 1 |
表6
根据表5和表6的数据以及收集的公共交通条件等信息,可以利用多分类的机器学习方法,训练一个去向预测模型。比如,包括但不限于以下两种方法
1)条件概率方法
对非频繁对象在目标路口的去向概率进行平滑处理之后,可以得到非频繁对象在目标路口的去向概率表,获得非频繁对象的去向预测模型。例如,对非频繁处理在路口A的去向概率进行平滑处理后可以得到类似于表7所示的概率表:
Source | P(B|F) | P(D|F) | P(F|F) | P(H|F) |
G | 0.97 | 0.01 | 0.01 | 0.01 |
E | 0.01 | 0.97 | 0.01 | 0.01 |
others | 0.74 | 0.24 | 0.01 | 0.01 |
表7
2)决策树方法
采用决策树算法,对非频繁对象在目标路口的历史轨迹进行处理,可得到如图3所示的决策树。决策树的每个叶节点代表一种类别,这里为去向预测结果。图3所示的决策树,是针对表5和表6的数据训练得到的。
第五步:为每个频繁车辆,分别基于该频繁车辆的历史轨迹数据,为其训练一个对应的去向预测模型。例如,以a车为例,训练其在8:00-8:05期间经过路口A后的去向预测模型。
具体的,可以采用与第四步相类似的方法,通过向前查看车辆行驶轨迹,可以得到车辆a的来源与去向统计,如表8所示。
Source | From | Place | To | Count |
E | F | A | H | 2 |
G | F | A | D | 1 |
表8
类似地,可以通过机器学习训练得到频繁车辆a的去向预测模型,具体可以采用比如条件概率模型(如表9所示)或决策树模型(如图4所示)。
SOURCE | P(B|F) | P(D|F) | P(F|F) | P(H|F) |
E | 0.97 | 0.01 | 0.01 | 0.01 |
G | 0.01 | 0.97 | 0.01 | 0.01 |
others | 0.65 | 0.33 | 0.01 | 0.01 |
表9
第六步:在获得上述去向预测模型后,可以基于以上模型,预测在给定时间段、出现在某个路口的某辆车的去向。
例如,以8:00-8:05之间,先后经过E、F后出现在路口A的两辆车a与x为例进行说明。
如果该车为非频繁车辆,或者首次出现的车(首次出现的车因其在历史轨迹数据中的记录数小于预设阈值,被归为非频繁车辆),则使用路口A的去向预测模型进行预测。此处假设x为首次出现的车,如果使用图3所示的模型预测,则可以得到它在经过路口A之后的去向为D方向。
如果该车为频繁车辆,则使用该车的去向预测模型。此处根据假设由表1得知a是频繁车辆,使用图4所示的去向去除模型,则可以得到车辆a在经过路口A之后的去向为H方向。
第七步:预测在给定时间段、某个路口的车流去向。
对于待预测的车流中的每辆车,采用第六步中类似处理,可以分别预测其其去向,然后将各车的去向汇总,即为整个车流的去向,得到整个车流的去向预测结果。
以上示例中,关于频繁阈值的确定,每个路口的阈值可能相同或不同,因此需要结合每个路口的历史轨迹数据来考虑。以路口A为例,假设利用机器学习方法进行去向预测模型训练,所需要的某个车辆的历史轨迹数量的最小记录数,比如最少需要2条,据此可以确定阈值下限。另外,分别针对每辆车,统计该车辆经过该路口的轨迹数,从而可以得到包括所有车辆的轨迹数的一个集合,根据该集合中的最大值,比如100,来确定阈值上限。然后,从阈值下限到上限,如从2到100,依次取值设为阈值,然后分别重复上述第三至第六步得到不同取值情况下对的去向预测模型,并利用所得到的去向预测模型预测历史轨迹中的去向,然后,统计预测的精度,取精度最大时的阈值作为阈值的最终取值。
以上通过一个示例说明了本发明实施例的交通流向的预测方法的具体应用。本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一个方法实施例中的交通流向的预测方法中的步骤。
基于以上方法,本发明实施例还提供了实施上述方法的***,请参照图5,本发明实施例提供了一种交通流向的预测***50,包括:
对象确定模块51,用于确定位于目标路口的当前对象;
对象分类模块52,用于确定当前对象为频繁对象或非频繁对象,其中,频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量大于预定阈值的对象,非频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量不大于预定阈值的对象;
第一预测模块53,用于针对当前对象中的每个频繁对象,利用该频繁对象的第一去向预测模型,预测得到该频繁对象的第一去向,所述第一去向预测模型是基于该频繁对象在所述目标路口的历史轨迹训练得到的;
第二预测模块54,用于针对当前对象中的每个非频繁对象,利用目标路口的第二去向预测模型,预测得到该非频繁对象的第二去向,所述第二去向预测模型是基于目标路口的非频繁对象的历史轨迹训练得到的;
汇总模块55,用于汇总当前对象的每个频繁对象的第一去向和每个非频繁对象的第二去向,获得所述目标路口的去向预测结果。
请参照图6,本发明实施例提供的另一种交通流向的预测***60,除了以上模块外,还还包括:
数据收集处理模块56,用于收集所述目标路口的历史轨迹数据,并根据历史轨迹数据中同一对象的轨迹数量与预定阈值的大小关系,将对象划分为频繁对象或非频繁对象;
模型训练模块57,用于针对每个频繁对象,分别基于历史轨迹数据中该频繁对象的历史轨迹,训练得到该频繁对象的第一去向预测模型;以及,基于历史轨迹数据中所有的非频繁对象的历史轨迹,训练得到所述目标路口的第二去向预测模型。
阈值优化模块58,用于在所述预定阈值的取值范围的不同取值情况下,分别将所述历史轨迹数据中的对象划分为频繁对象或非频繁对象,并训练对应的所述第一去向预测模型和第二去向预测模型,以及,利用每个取值对应的第一去向预测模型和第二去向预测模型,预测所述历史轨迹数据中各个历史轨迹中对象的去向,并统计该取值情况下的预测结果的准确度;以及,将准确度最高的预测结果所对应的取值,作为所述预定阈值的最终取值。该阈值将用于对象分类模块51。
这里,所述历史轨迹数据为所述目标路口在相同的公共交通条件组合下的历史轨迹,所述公共交通条件组合包括以下条件中的至少一者:自然日内的时间段;自然日的节假日属性;自然日在预定时间周期内的位置;路网状态;交通管制状态;车辆限行状态;以及,天气状态;所述第一去向预测模型和第二去向预测模式包括:针对不同公共交通条件组合,训练得到对应的去向预测模型。
这里,所述对象确定模块51,还用于在确定位于目标路口的当前对象时,确定当前的公共交通条件组合;所述第一预测模块53或第二预测模块54,在预测所述第一去向或第二去向时,进一步根据当前的公共交通条件组合下训练得到的所述频繁对象或目标路口的去向预测模型,预测所述第一去向或第二去向。
请参考图7,本发明实施例提供了又一种交通流向的预测***700的另一硬件结构示意图,包括:处理器701、网络接口702、存储器703、用户接口704和总线接口,其中:
在本发明实施例中,预测***700还包括:存储在存储器上703并可在处理器701上运行的计算机程序,计算机程序被处理器701、执行时实现如下步骤:确定位于目标路口的当前对象;
确定当前对象为频繁对象或非频繁对象,其中,频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量大于预定阈值的对象,非频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量不大于预定阈值的对象;针对当前对象中的每个频繁对象,利用该频繁对象的第一去向预测模型,预测得到该频繁对象的第一去向,所述第一去向预测模型是基于该频繁对象在所述目标路口的历史轨迹训练得到的;以及,针对当前对象中的每个非频繁对象,利用目标路口的第二去向预测模型,预测得到该非频繁对象的第二去向,所述第二去向预测模型是基于目标路口的非频繁对象的全部历史轨迹训练得到的;汇总当前对象的每个频繁对象的第一去向和每个非频繁对象的第二去向,获得所述目标路口的去向预测结果。
在图7中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器701代表的一个或多个处理器和存储器703代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。网络接口702可以是有线或无线网卡设备,实现数据在网络上的收发功能。针对不同的用户设备,用户接口704还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器701负责管理总线架构和通常的处理,存储器703可以存储处理器701在执行操作时所使用的数据。
可选的,计算机程序被处理器701执行时还可实现如下步骤:
在所述确定位于目标路口的当前对象的步骤之前,收集所述目标路口的历史轨迹数据,并根据历史轨迹数据中同一对象的轨迹数量与预定阈值的大小关系,将对象划分为频繁对象或非频繁对象;针对每个频繁对象,分别基于历史轨迹数据中该频繁对象的历史轨迹,训练得到该频繁对象的第一去向预测模型;以及,基于历史轨迹数据中所有的非频繁对象的历史轨迹,训练得到所述目标路口的第二去向预测模型。
可选的,计算机程序被处理器701执行时还可进一步按照以下步骤,确定所述预定阈值的取值;
在所述预定阈值的取值范围的不同取值情况下,分别将所述历史轨迹数据中的对象划分为频繁对象或非频繁对象,并训练对应的所述第一去向预测模型和第二去向预测模型,以及,利用每个取值对应的第一去向预测模型和第二去向预测模型,预测所述历史轨迹数据中各个历史轨迹中对象的去向,并统计该取值情况下的预测结果的准确度;将准确度最高的预测结果所对应的取值,作为所述预定阈值的最终取值。
这里,所述历史轨迹数据为所述目标路口在相同的公共交通条件组合下的历史轨迹,所述公共交通条件组合包括以下条件中的至少一者:自然日内的时间段;自然日的节假日属性;自然日在预定时间周期内的位置;路网状态;交通管制状态;车辆限行状态;以及,天气状态;所述第一去向预测模型和第二去向预测模式包括:针对不同公共交通条件组合,训练得到对应的去向预测模型。
可选的,计算机程序被处理器701执行时还可实现如下步骤:
在确定位于目标路口的当前对象时,确定当前的公共交通条件组合;在预测所述第一去向或第二去向时,进一步根据当前的公共交通条件组合下训练得到的所述频繁对象或目标路口的去向预测模型,预测所述第一去向或第二去向。
图8进一步提供了本发明实施例的交通流向的预测***800的一个***功能架构图。该预测***800包括功能处理模块、云***与数据三大部分,其中,功能处理模块主要包括:
数据收集模块801,用于进行数据收集,数据收集的内容包括移动对象(如车辆、行人)的出现记录,以及相关的公共或公开***提供的公共交通条件信息。
数据处理802,用于对数据收集模块801收集的数据进行处理,包括但不限于以下处理:
1)收集的出现记录中,可能出现字段缺失、无效的情况,这样的数据需要从记录中清除。
2)根据交通条件进行数据筛选,选出符合条件的记录。
3)将记录按地点切分成组,并进一步根据出现次数将数据切分为频繁与非频繁两个集合。
4)对于频繁集合,将每个移动对象的出现记录单独成组,每组数据按时间排序。
频繁车辆去向预测模块803,用于特定车辆的去向预测,其预测通常包括两个方面,首先是基于该频繁车辆的历史记录数据,训练得到该频繁车辆的第一去向预测模型,然后是在预测场景中,利用该去向预测模型进行该频繁车辆的去向预测。
非频繁车辆去向预测模块804,用于针对特定路口,将所有经过该路口的非频繁车辆,视为同一辆,利用非频繁车辆的历史数据训练得到路口车辆第二去向预测模型,并用于对非频繁车辆的去向预测。
可以看出,对于出于在某个路口的某车,训练模型预测其去向,包括两种情况:a)历史上频繁出现在此路口的车辆,基于它的历史数据训练预测模型,预测其去向;b)对于很少从此路口经过的车辆(包括以前从未出现过的车辆),利用路口车辆去向预测模型,预测其去向。
阈值优化模块805,用于通过评价去向预测模型的预测误差,以获取最优的频繁/非频繁车辆的划分阈值。
车流去向预测模块806,用于进行相关场景的车辆去向预测及统计。具体场景包括:针对特定路口的特定时间段的车流,根据车辆的ID确定其类型(指频繁或非频繁),并根据类型选择合适的预测模型去预测每辆车的去向,进而汇总得到整个车流的去向预测。又例如,给定起始路口及其车流,可以预测到达给定目标路口的车流数量。
用户界面模块807,提供设计好的用户交互界面,接收用户的输入,并展示预测模型返回的预测结果。这是***中实时响应用户请求的模块。
***控制模块807,用于将各功能处理模块合理组织起来,来完成预测服务。
以上预测***800还可能包括:云***811。由于实际应用中,可能收集的记录的数据量很大,频繁对象的数量也可能比较多,导致为每个频繁对象训练预测模型的计算量也很大。为了提高训练效率,可以利用云环境(比如Hadoop)来并行训练模型(比如利用HadoopMap/Reduce框架),以提高***的执行效率。
以上预测***800还可能包括数据模块,如传感器记录数据809和公共交通信息810,用于存储预测所用的数据,主要包括对象出现记录、相关的公共、***息等。
图9进一步给出了上述预测***800的运行框架示意图。该运行框架主要描述***的各个组成部分,如何相互配合以达到预测的目标。具体的,该运行框架包括离线的预测模型训练与在线的线上预测两部分。两部分的连接纽带,是离线训练得到的去向预测模型,包括针对非频繁对象的第二预测模型和针对频繁对象的第一预测模块,它们是线上进行预测的基础。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明实施例的交通流向的预测方法及***进行了详细描述。可以看出,本发明实施例提供的预测方法及***,通过将对象分为频繁对象或非频繁对象,据此采用不同的去向预测模型预测其去向,可以提高交通流向预测的准确度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种交通流向的预测方法,其特征在于,包括:
确定位于目标路口的当前对象;
确定当前对象为频繁对象或非频繁对象,其中,频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量大于预定阈值的对象,非频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量不大于预定阈值的对象;
针对当前对象中的每个频繁对象,利用该频繁对象的第一去向预测模型,预测得到该频繁对象的去向,所述第一去向预测模型是基于该频繁对象在所述目标路口的历史轨迹训练得到的;以及,针对当前对象中的每个非频繁对象,利用目标路口的第二去向预测模型,预测得到该非频繁对象的去向,所述第二去向预测模型是基于目标路口的全部非频繁对象的历史轨迹训练得到的;
汇总当前对象中的每个频繁对象的去向和每个非频繁对象的去向,获得所述目标路口所有当前对象的去向预测结果。
2.如权利要求1所述的方法,其特征在于,在所述确定位于目标路口的当前对象的步骤之前,所述方法还包括:
收集所述目标路口的历史轨迹数据,并根据历史轨迹数据中同一对象的轨迹数量与预定阈值的大小关系,将对象划分为频繁对象或非频繁对象;
针对每个频繁对象,分别基于历史轨迹数据中该频繁对象的历史轨迹,训练得到该频繁对象的第一去向预测模型;以及,基于历史轨迹数据中所有的非频繁对象的历史轨迹,训练得到所述目标路口的第二去向预测模型。
3.如权利要求2所述的方法,其特征在于,进一步按照以下步骤,确定所述预定阈值的取值;
对所述预定阈值的取值范围内的每一个可能的不同取值,基于该取值,将所述历史轨迹数据中的对象划分为频繁对象或非频繁对象,并训练对应的所述第一去向预测模型和第二去向预测模型,以及,利用所得到的第一去向预测模型和第二去向预测模型,预测所述历史轨迹数据中各个历史轨迹中对象的去向,并统计该取值情况下的预测结果的准确度,得到由取值和准确度构成的数值对的集合;
在所得到的由取值和准确度构成的数值对的集合中,将准确度最高的预测结果所对应的取值,作为所述预定阈值的最终取值。
4.如权利要求2所述的方法,其特征在于,
所述历史轨迹数据为所述目标路口在相同的公共交通条件组合下的历史轨迹,所述公共交通条件组合包括以下条件中的至少一者:自然日内的时间段;自然日的节假日属性;自然日在预定时间周期内的位置;路网状态;交通管制状态;车辆限行状态;以及,天气状态;
所述第一去向预测模型和第二去向预测模式包括:针对不同公共交通条件组合,训练得到对应的去向预测模型。
5.如权利要求4所述的方法,其特征在于,
在所述确定位于目标路口的当前对象时,所述方法还包括:确定当前的公共交通条件组合;
在预测所述频繁对象的去向或非频繁对象的去向时,进一步根据当前的公共交通条件组合下训练得到的所述频繁对象或目标路口的去向预测模型,预测所述频繁对象的去向或非频繁对象的去向。
6.一种交通流向的预测***,其特征在于,包括:
对象确定模块,用于确定位于目标路口的当前对象;
对象分类模块,用于确定当前对象为频繁对象或非频繁对象,其中,频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量大于预定阈值的对象,非频繁对象为该目标路口的历史轨迹数据中的该对象的轨迹数量不大于预定阈值的对象;
第一预测模块,用于针对当前对象中的每个频繁对象,利用该频繁对象的第一去向预测模型,预测得到该频繁对象的去向,所述第一去向预测模型是基于该频繁对象在所述目标路口的历史轨迹训练得到的;
第二预测模块,用于针对当前对象中的每个非频繁对象,利用目标路口的第二去向预测模型,预测得到该非频繁对象的去向,所述第二去向预测模型是基于目标路口的全部非频繁对象的历史轨迹训练得到的;
汇总模块,用于汇总当前对象的每个频繁对象的去向和每个非频繁对象的去向,获得所述目标路口所有当前对象的去向预测结果。
7.如权利要求6所述的预测***,其特征在于,还包括:
数据收集处理模块,用于收集所述目标路口的历史轨迹数据,并根据历史轨迹数据中同一对象的轨迹数量与预定阈值的大小关系,将对象划分为频繁对象或非频繁对象;
模型训练模块,用于针对每个频繁对象,分别基于历史轨迹数据中该频繁对象的历史轨迹,训练得到该频繁对象的第一去向预测模型;以及,基于历史轨迹数据中所有的非频繁对象的历史轨迹,训练得到所述目标路口的第二去向预测模型。
8.如权利要求7所述的预测***,其特征在于,还包括:
阈值优化模块,用于对所述预定阈值的取值范围内的每一个可能的不同取值,基于该取值,将所述历史轨迹数据中的对象划分为频繁对象或非频繁对象,并训练对应的所述第一去向预测模型和第二去向预测模型,以及,利用所得到的第一去向预测模型和第二去向预测模型,预测所述历史轨迹数据中各个历史轨迹中对象的去向,并统计该取值情况下的预测结果的准确度,得到由取值和准确度构成的数值对的集合;在所得到的由取值和准确度构成的数值对的集合中,将准确度最高的预测结果所对应的取值,作为所述预定阈值的最终取值。
9.一种交通流向的预测***,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的交通流向的预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的交通流向的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018910.0A CN110021161B (zh) | 2018-01-09 | 2018-01-09 | 一种交通流向的预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018910.0A CN110021161B (zh) | 2018-01-09 | 2018-01-09 | 一种交通流向的预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110021161A true CN110021161A (zh) | 2019-07-16 |
CN110021161B CN110021161B (zh) | 2021-12-21 |
Family
ID=67187737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810018910.0A Active CN110021161B (zh) | 2018-01-09 | 2018-01-09 | 一种交通流向的预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110021161B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523560A (zh) * | 2020-03-18 | 2020-08-11 | 第四范式(北京)技术有限公司 | 到港货车数量预测模型训练方法、预测方法、装置及*** |
CN113409599A (zh) * | 2021-06-16 | 2021-09-17 | 河南省城乡规划设计研究总院股份有限公司 | 一种基于信息预测的城市公交优先协调控制方法 |
WO2021218131A1 (zh) * | 2020-04-26 | 2021-11-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN114902083A (zh) * | 2020-01-13 | 2022-08-12 | 大陆汽车有限公司 | 路段的路面气象特征的自适应预测方法和装置 |
Citations (13)
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 |
US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
US20130282271A1 (en) * | 2012-04-24 | 2013-10-24 | Zetta Research and Development, LLC - ForC Series | Route guidance system and method |
US20130325284A1 (en) * | 2011-02-03 | 2013-12-05 | Toyota Jidosha Kabushiki Kaisha | Traffic congestion detection apparatus and vehicle control apparatus |
CN105469599A (zh) * | 2015-12-01 | 2016-04-06 | 上海交通大学 | 车辆轨迹跟踪和车辆行为预测方法 |
CN105760958A (zh) * | 2016-02-24 | 2016-07-13 | 电子科技大学 | 一种基于车联网的车辆轨迹预测方法 |
CN105913656A (zh) * | 2016-04-28 | 2016-08-31 | 泰华智慧产业集团股份有限公司 | 基于分布式统计频繁过车的方法及*** |
CN106197460A (zh) * | 2016-06-21 | 2016-12-07 | 吉林大学 | 一种应用gps出行数据进行出行目的地预测的方法 |
CN106530762A (zh) * | 2016-12-26 | 2017-03-22 | 东软集团股份有限公司 | 交通信号控制方法和装置 |
CN106558219A (zh) * | 2016-10-20 | 2017-04-05 | 深圳市元征科技股份有限公司 | 车辆轨迹预测方法及装置 |
CN106652440A (zh) * | 2015-10-30 | 2017-05-10 | 杭州海康威视数字技术股份有限公司 | 一种车辆的频繁活动区域的确定方法及装置 |
CN107085940A (zh) * | 2017-06-14 | 2017-08-22 | 安庆市七巧板家居科技有限公司 | 一种智能交通分流疏导*** |
CN107426703A (zh) * | 2017-08-24 | 2017-12-01 | 北京邮电大学 | 一种在室外人流密集场所基于模糊聚类的移动性预测方法 |
-
2018
- 2018-01-09 CN CN201810018910.0A patent/CN110021161B/zh active Active
Patent Citations (13)
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 |
US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
US20130325284A1 (en) * | 2011-02-03 | 2013-12-05 | Toyota Jidosha Kabushiki Kaisha | Traffic congestion detection apparatus and vehicle control apparatus |
US20130282271A1 (en) * | 2012-04-24 | 2013-10-24 | Zetta Research and Development, LLC - ForC Series | Route guidance system and method |
CN106652440A (zh) * | 2015-10-30 | 2017-05-10 | 杭州海康威视数字技术股份有限公司 | 一种车辆的频繁活动区域的确定方法及装置 |
CN105469599A (zh) * | 2015-12-01 | 2016-04-06 | 上海交通大学 | 车辆轨迹跟踪和车辆行为预测方法 |
CN105760958A (zh) * | 2016-02-24 | 2016-07-13 | 电子科技大学 | 一种基于车联网的车辆轨迹预测方法 |
CN105913656A (zh) * | 2016-04-28 | 2016-08-31 | 泰华智慧产业集团股份有限公司 | 基于分布式统计频繁过车的方法及*** |
CN106197460A (zh) * | 2016-06-21 | 2016-12-07 | 吉林大学 | 一种应用gps出行数据进行出行目的地预测的方法 |
CN106558219A (zh) * | 2016-10-20 | 2017-04-05 | 深圳市元征科技股份有限公司 | 车辆轨迹预测方法及装置 |
CN106530762A (zh) * | 2016-12-26 | 2017-03-22 | 东软集团股份有限公司 | 交通信号控制方法和装置 |
CN107085940A (zh) * | 2017-06-14 | 2017-08-22 | 安庆市七巧板家居科技有限公司 | 一种智能交通分流疏导*** |
CN107426703A (zh) * | 2017-08-24 | 2017-12-01 | 北京邮电大学 | 一种在室外人流密集场所基于模糊聚类的移动性预测方法 |
Non-Patent Citations (1)
Title |
---|
JAE-GIL LEE 等: "trajectory classification using hierarchical region-based and trajectory-based clustering", 《PROCEEDINGS OF THE VLDB ENDOWMENT》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114902083A (zh) * | 2020-01-13 | 2022-08-12 | 大陆汽车有限公司 | 路段的路面气象特征的自适应预测方法和装置 |
CN111523560A (zh) * | 2020-03-18 | 2020-08-11 | 第四范式(北京)技术有限公司 | 到港货车数量预测模型训练方法、预测方法、装置及*** |
CN111523560B (zh) * | 2020-03-18 | 2023-07-25 | 第四范式(北京)技术有限公司 | 到港货车数量预测模型训练方法、预测方法、装置及*** |
WO2021218131A1 (zh) * | 2020-04-26 | 2021-11-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN113409599A (zh) * | 2021-06-16 | 2021-09-17 | 河南省城乡规划设计研究总院股份有限公司 | 一种基于信息预测的城市公交优先协调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110021161B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
Wang et al. | A big data approach for smart transportation management on bus network | |
CN105185115B (zh) | 一种交通预测方法和预测*** | |
Geroliminis et al. | Identification and analysis of queue spillovers in city street networks | |
CN105513337B (zh) | 一种客流量的预测方法及装置 | |
CN107945507A (zh) | 行程时间预测方法及装置 | |
CN110021161A (zh) | 一种交通流向的预测方法及*** | |
CN105976062A (zh) | 信号灯时长数据的挖掘方法、出行服务实现方法和装置 | |
CN104424812B (zh) | 一种公交到站时间预测***和方法 | |
JP2015125775A (ja) | システムでの需要の予測のためのマルチタスク学習システムおよび方法 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
Ram et al. | SMARTBUS: A web application for smart urban mobility and transportation | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN113570864B (zh) | 一种电动自行车行驶路径匹配方法、设备及存储介质 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其*** | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
Anusha et al. | Data fusion based hybrid approach for the estimation of urban arterial travel time | |
CN110322687A (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN110986992A (zh) | 无人售卖车辆的导航方法、装置、电子设备和存储介质 | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
Farid et al. | Estimation of short-term bus travel time by using low-resolution automated vehicle location data |
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 |