CN110444009A - 一种基于物联网的高速路车流预测*** - Google Patents

一种基于物联网的高速路车流预测*** Download PDF

Info

Publication number
CN110444009A
CN110444009A CN201810411157.1A CN201810411157A CN110444009A CN 110444009 A CN110444009 A CN 110444009A CN 201810411157 A CN201810411157 A CN 201810411157A CN 110444009 A CN110444009 A CN 110444009A
Authority
CN
China
Prior art keywords
expressway
wagon flow
unit
vehicle
online
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
Application number
CN201810411157.1A
Other languages
English (en)
Other versions
CN110444009B (zh
Inventor
余坤鸿
林培川
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.)
Guangke Tongli Guangdong Data Service Co ltd
Original Assignee
Sesame Open Door Network Information Co Ltd
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 Sesame Open Door Network Information Co Ltd filed Critical Sesame Open Door Network Information Co Ltd
Priority to CN201810411157.1A priority Critical patent/CN110444009B/zh
Publication of CN110444009A publication Critical patent/CN110444009A/zh
Application granted granted Critical
Publication of CN110444009B publication Critical patent/CN110444009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—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)

Abstract

本发明涉及一种基于物联网的高速路车流预测***。包括：远程服务器，其包括：计算模块，用于先计算各个单位高速路的通过时间；数据获取模块，用于预先获取各个单位高速路的在线车辆历史数据；车辆车流预测请求模块，安装在车辆上，用于向GPS模块获取实时位置，并向远程服务器发送包括车辆的实时位置以及需要预测的单位高速路W1车流的车流预测请求；远程服务器还包括：接收模块，用于接收车辆的车流预测请求；数据获取模块还根据车辆的实时位置判断该车辆所在的单位高速路W2，并实时W2的实时车流数据A；计算模块，还用于预测W1在线车流数据；发送模块，用于将W1在线车流数据发送给车辆车流预测请求模块。本发明的方法预测准确率高。

Description

一种基于物联网的高速路车流预测***
技术领域
本发明涉及交通预测领域，更具体地，涉及一种基于物联网的高速路车流预测***。
背景技术
随着城市交通的高速发展，对交通流量的预测对交通管理和公共安全至关重要。但目前城市，特别是特大城市中，交通拥堵已经成为各城市出行的一道难题，如果能够预先知道道路的交通状态 就可以采取预防措施。流量预测已越来越多的应用于人们的日常生活。例如，在智慧城市场景中，可以通过对特定区域的人口流量的预测、对特定区域的车流流量的预测等，运用信息和通信技术手段合理规划城市各项机能的运作，进而为城市中的人创造更美好的生活，促进城市的和谐、可持续成长。
但是，现有的流量预测方案普遍存在预测精度低、无法以标准化的预测逻辑灵活适用于不同类型的流量预测需求。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷（不足），提供一种具有高预测准确率的基于物联网的高速路车流预测***。
为解决上述技术问题，本发明的技术方案如下：
一种基于物联网的高速路车流预测***，包括：安装在车辆上的车流预测请求模块和远程服务器；该车流预测请求模块与车辆的GPS模块、远程服务器连接；
远程服务器中定义高速路距离最近的两个入口之间的路段为单位高速路，该远程服务器包括：
计算模块，用于预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间；
数据获取模块，用于预先获取各个单位高速路第一个入口每个时段的在线车辆历史数据；
车辆车流预测请求模块，用于向GPS模块获取实时位置，并向远程服务器发送车流预测请求，所述车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流；
远程服务器还包括：
接收模块，用于接收车辆的车流预测请求；
数据获取模块还根据车流预测请求中车辆的实时位置判断该车辆所在的单位高速路W2，并实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A；
计算模块，还根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据；
发送模块，用于将预测的单位高速路W1在线车流数据发送给车辆车流预测请求模块。
上述方案中，数据获取模块具体用于：
选择一个日常历史周，将该日常历史周每天划分成若干个时段；
获取该日常历史周每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到日常历史周每个时段的平均在线车流历史数据。
上述方案中，数据获取模块还用于：
根据国家法定节假日前后浮动一定的日期，形成假日周期；
将该假日周期每天划分成若干个时段；
获取某一历史年度中该假日周期每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到假日周期每个时段的平均在线车流历史数据。
上述方案中，远程服务器中还包括存储模块，用于将计算模块所计算的单位高速路的通过时间存储在表格中，以及，将该平均在线车流历史数据与对应的单位高速路、时段存储在表格中。
上述方案中，计算模块还具体用于：
计算从W2到W1所需要经过的单位高速路，根据所经过的单位高速路的通过时间计算从W2到W1所需要的时间T2；
根据T2和T1预测该车辆达到W1的时刻T3；
查询T1和T3所在的时段所对应的平均在线车流历史数据，记为L1和L3
利用公式A* L3/ L1预测得到该车辆到达单位高速路W1时的在线车流数据。
上述方案中，远程服务器还包括：拥堵程度预判模块，其用于将交通拥堵程度划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵；每个交通拥堵程度对应每个单位高速路设置在线车流阈值；将预测到的该车辆到达单位高速路W1时的在线车流数据与对应的在线车流阈值进行比较，从而预测该车辆到达单位高速路W1时的交通拥堵程度；
所述发送模块还包括将预测的交通拥堵程度和预测的单位高速路W1在线车流数据一起发送给车辆车流预测请求模块。
与现有技术相比，本发明技术方案的有益效果是：
本发明的***对高速路进行划分形成一段段的单位高速路，分别对各个单位高速路的正常通行时间和在线车辆历史数据进行计算和获取，然后根据车辆所在高速路的实时车流数据，根据历史数据、实时车流数据和正常的通行时间来预测车辆即将到达的单位高速路在车辆按照正常时间到达时的在线车流数据，历史数据、实时车流数据和正常通行时间相结合来进行预测，预测准确率高。
附图说明
图1为本发明一种基于物联网的高速路车流预测***的框架图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中，需要理解的是，此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此，限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，为本发明一种基于物联网的高速路车流预测***的框架图。参见图1，本发明一种基于物联网的高速路车流预测***具体包括：安装在车辆上的车流预测请求模块101和远程服务器102；该车流预测请求模块101与车辆的GPS模块103、远程服务器102连接；
远程服务器102中定义高速路距离最近的两个入口之间的路段为单位高速路，该定义是将高速路划分成一段段，从而实现对每段高速路的车流量预测，预测准确率高。
远程服务器102包括计算模块1021、数据获取模块1022、接收模块1023、发送模块1024、拥堵程度预判模块1025、存储模块1026；
计算模块1021，用于预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间；所计算的单位高速路的通过时间存储在存储模块1026中，该通过时间存储时和单位高速路一对一进行存储，以便后续在存储模块1026中可以根据单位高速路查询对应的通过时间。
数据获取模块1022，用于预先获取各个单位高速路第一个入口每个时段的在线车辆历史数据；其具体的实现方式为：
选择一个日常历史周，将该日常历史周每天划分成若干个时段；该日常历史周的选择可以每个月或者每个季度重新选择一次并重新执行下面步骤以更新在线车辆历史数据。每天时段的划分可以以一个小时为单位进行划分，也可以根据交通高峰、平峰和夜间时段选择适合的划分方式。
获取该日常历史周每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到日常历史周每个时段的平均在线车流历史数据。时间跨度指的是一个时段内所包含的时间长度，比如以一个小时为单位划分得到的时段，则一个小时的跨度是60分钟，可以将60分钟作为时间跨度来计算平均在线车流历史数据。
此外，考虑到高速路平日和节假日的车流数据区别很大，本发明的数据获取模块1022还通过特别获取国家法定节假日的在线车流历史数据来作为预测的基础数据，具体的：
根据国家法定节假日前后浮动一定的日期，形成假日周期；如根据国家规定2018年元旦的放假时间是2017.12.30-2018.1.1，则可以选择2017.12.29-2018.1.2形成元旦假日周期。
将该假日周期每天划分成若干个时段；同样的，每天时段的划分可以以一个小时为单位进行划分，也可以根据交通高峰、平峰和夜间时段选择适合的划分方式。
获取某一历史年度中该假日周期每天每个时段的在线车流历史数据；具体实现过程中，获取上一年度的历史数据最为准确，因此，具体操作时假日周期的历史数据可以一年更新一次。
将该在线车流历史数据除此每个时段的时间跨度得到假日周期每个时段的平均在线车流历史数据。
将数据获取模块1022中得到的平均在线车流历史数据与对应的单位高速路、时段存储在存储模块1026中。
车辆车流预测请求模块101，用于向GPS模块103获取实时位置，并向远程服务器102发送车流预测请求，所述车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流；
接收模块1023，用于接收车辆的车流预测请求；
数据获取模块1022还根据车流预测请求中车辆的实时位置判断该车辆所在的单位高速路W2，并实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A；
计算模块1021还根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据；具体的：
计算从W2到W1所需要经过的单位高速路，通过查询存储模块1026得到所经过的单位高速路的通过时间，从而计算从W2到W1所需要的时间T2；
根据T2和T1预测该车辆到达W1的时刻T3；
通过存储模块1026查询T1和T3所在的时段所对应的平均在线车流历史数据，记为L1和L3
利用公式A* L3/ L1预测得到该车辆到达单位高速路W1时的在线车流数据。
在该预测方式中，通过实时获取数据的时刻来预测该车辆到达W1的时间，通过系数比L3/ L1来得到该车辆当前所在的单位高速路和预测要到达的单位高速路的在线车流历史数据的系数比，从而基于所获取到的A来预测得到单位高速路W1在线车流数据。此方式预测准确率高，可以实现在线车流的实时预测。
拥堵程度预判模块1025，用于将交通拥堵程度划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵；每个交通拥堵程度对应每个单位高速路设置在线车流阈值；将预测到的该车辆到达单位高速路W1时的在线车流数据与对应的在线车流阈值进行比较，从而预测该车辆到达单位高速路W1时的交通拥堵程度；通过拥堵程度预判模型来对所预测的在线车流数据进行拥堵程度判断，为用户带来直观的拥堵判断，提升用户体验度。
发送模块1024，用于将预测的单位高速路W1在线车流数据、预测的交通拥堵程度发送给车辆车流预测请求模块101。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于物联网的高速路车流预测***，其特征在于，包括：安装在车辆上的车流预测请求模块和远程服务器；该车流预测请求模块与车辆的GPS模块、远程服务器连接；
远程服务器中定义高速路距离最近的两个入口之间的路段为单位高速路，该远程服务器包括：
计算模块，用于预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间；
数据获取模块，用于预先获取各个单位高速路第一个入口每个时段的在线车辆历史数据；
车辆车流预测请求模块，用于向GPS模块获取实时位置，并向远程服务器发送车流预测请求，所述车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流；
远程服务器还包括：
接收模块，用于接收车辆的车流预测请求；
数据获取模块还根据车流预测请求中车辆的实时位置判断该车辆所在的单位高速路W2，并实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A；
计算模块，还根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据；
发送模块，用于将预测的单位高速路W1在线车流数据发送给车辆车流预测请求模块。
2.根据权利要求1所述的基于物联网的高速路车流预测***，其特征在于，数据获取模块具体用于：
选择一个日常历史周，将该日常历史周每天划分成若干个时段；
获取该日常历史周每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到日常历史周每个时段的平均在线车流历史数据。
3.根据权利要求2所述的基于物联网的高速路车流预测***，其特征在于，数据获取模块还用于：
根据国家法定节假日前后浮动一定的日期，形成假日周期；
将该假日周期每天划分成若干个时段；
获取某一历史年度中该假日周期每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到假日周期每个时段的平均在线车流历史数据。
4.根据权利要求3所述的基于物联网的高速路车流预测***，其特征在于，远程服务器中还包括存储模块，用于将计算模块所计算的单位高速路的通过时间存储在表格中，以及，将该平均在线车流历史数据与对应的单位高速路、时段存储在表格中。
5.根据权利要求4所述的基于物联网的高速路车流预测方法，其特征在于，计算模块还具体用于：
计算从W2到W1所需要经过的单位高速路，根据所经过的单位高速路的通过时间计算从W2到W1所需要的时间T2；
根据T2和T1预测该车辆达到W1的时刻T3；
查询T1和T3所在的时段所对应的平均在线车流历史数据，记为L1和L3
利用公式A* L3/ L1预测得到该车辆到达单位高速路W2时的在线车流数据。
6.根据权利要求5所述的基于物联网的高速路车流预测方法，其特征在于，远程服务器还包括：拥堵程度预判模块，其用于将交通拥堵程度划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵；每个交通拥堵程度对应每个单位高速路设置在线车流阈值；将预测到的该车辆到达单位高速路W1时的在线车流数据与对应的在线车流阈值进行比较，从而预测该车辆到达单位高速路W1时的交通拥堵程度；
所述发送模块还包括将预测的交通拥堵程度和预测的单位高速路W1在线车流数据一起发送给车辆车流预测请求模块。
CN201810411157.1A 2018-05-02 2018-05-02 一种基于物联网的高速路车流预测*** Active CN110444009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810411157.1A CN110444009B (zh) 2018-05-02 2018-05-02 一种基于物联网的高速路车流预测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810411157.1A CN110444009B (zh) 2018-05-02 2018-05-02 一种基于物联网的高速路车流预测***

Publications (2)

Publication Number Publication Date
CN110444009A true CN110444009A (zh) 2019-11-12
CN110444009B CN110444009B (zh) 2022-01-21

Family

ID=68427377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810411157.1A Active CN110444009B (zh) 2018-05-02 2018-05-02 一种基于物联网的高速路车流预测***

Country Status (1)

Country Link
CN (1) CN110444009B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331439A (zh) * 2022-08-09 2022-11-11 山东旗帜信息有限公司 一种基于车辆历史画像的高速公路立交的车流量预测方法及***

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002298281A (ja) * 2001-03-30 2002-10-11 Foundation For The Promotion Of Industrial Science 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム
JP2003288665A (ja) * 2002-03-27 2003-10-10 Fujitsu Fip Corp 交通量感知器を用いた路面性状推定方法とシステム
KR20140006689A (ko) * 2012-06-29 2014-01-16 서울대학교산학협력단 차량의 주행속도 예측 시스템 및 방법
CN104157142A (zh) * 2014-08-27 2014-11-19 河海大学 一种基于浮动车数据的城市路径行程时间预测方法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和***
CN106205125A (zh) * 2016-07-27 2016-12-07 安徽聚润互联信息技术有限公司 一种救护车抵达时间实时预测***及方法
US20160364645A1 (en) * 2015-06-12 2016-12-15 Xerox Corporation Learning mobility user choice and demand models from public transport fare collection data
CN106327864A (zh) * 2015-07-10 2017-01-11 北京大学 一种基于高速公路联网收费数据的交通流估计方法
CN106803227A (zh) * 2017-01-25 2017-06-06 东南大学 一种基于公交车载gps数据的主要客流量的公交od分析方法
CN107153896A (zh) * 2017-07-03 2017-09-12 北方工业大学 一种基于节点对熵的交通网路径预测方法及***
CN107240254A (zh) * 2017-08-02 2017-10-10 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
CN109448381A (zh) * 2018-12-19 2019-03-08 安徽江淮汽车集团股份有限公司 一种基于车联网大数据的交通路况预测方法
CN113313303A (zh) * 2021-05-28 2021-08-27 南京师范大学 基于混合深度学习模型的城市区域路网过车流量预测方法及其***

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002298281A (ja) * 2001-03-30 2002-10-11 Foundation For The Promotion Of Industrial Science 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム
JP2003288665A (ja) * 2002-03-27 2003-10-10 Fujitsu Fip Corp 交通量感知器を用いた路面性状推定方法とシステム
KR20140006689A (ko) * 2012-06-29 2014-01-16 서울대학교산학협력단 차량의 주행속도 예측 시스템 및 방법
CN104157142A (zh) * 2014-08-27 2014-11-19 河海大学 一种基于浮动车数据的城市路径行程时间预测方法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和***
US20160364645A1 (en) * 2015-06-12 2016-12-15 Xerox Corporation Learning mobility user choice and demand models from public transport fare collection data
CN106327864A (zh) * 2015-07-10 2017-01-11 北京大学 一种基于高速公路联网收费数据的交通流估计方法
CN106205125A (zh) * 2016-07-27 2016-12-07 安徽聚润互联信息技术有限公司 一种救护车抵达时间实时预测***及方法
CN106803227A (zh) * 2017-01-25 2017-06-06 东南大学 一种基于公交车载gps数据的主要客流量的公交od分析方法
CN107153896A (zh) * 2017-07-03 2017-09-12 北方工业大学 一种基于节点对熵的交通网路径预测方法及***
CN107240254A (zh) * 2017-08-02 2017-10-10 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
CN109448381A (zh) * 2018-12-19 2019-03-08 安徽江淮汽车集团股份有限公司 一种基于车联网大数据的交通路况预测方法
CN113313303A (zh) * 2021-05-28 2021-08-27 南京师范大学 基于混合深度学习模型的城市区域路网过车流量预测方法及其***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331439A (zh) * 2022-08-09 2022-11-11 山东旗帜信息有限公司 一种基于车辆历史画像的高速公路立交的车流量预测方法及***
CN115331439B (zh) * 2022-08-09 2023-08-18 山东旗帜信息有限公司 一种基于车辆历史画像的高速公路立交的车流量预测方法

Also Published As

Publication number Publication date
CN110444009B (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
US10984652B2 (en) Method and system for modeling and processing vehicular traffic data and information and applying thereof
KR101413505B1 (ko) 이력 및 현재 데이터에 기초하는 예상된 도로 교통 조건의 예측 방법 및 장치
US20080071466A1 (en) Representative road traffic flow information based on historical data
US9582999B2 (en) Traffic volume estimation
US10559201B1 (en) Using connected vehicle data to optimize traffic signal timing plans
US9299256B2 (en) Real-time parking assistant application
El Esawey et al. Development of daily adjustment factors for bicycle traffic
CN111712862B (zh) 用于生成交通量或交通密度数据的方法和***
JP2006079483A (ja) 交通情報提供装置，交通情報提供方法
KR101747848B1 (ko) 교통 상황 예측 서버 및 방법
WO2019070237A1 (en) VEHICLE AND NAVIGATION SYSTEM
CN110634292A (zh) 一种基于路阻性能函数的行程时间可靠性估计方法
CN111260933B (zh) 用于高分辨率机动车动态排放清单的小时交通量测算方法
CN111344733A (zh) 用于处理异构数据以确定时间和空间中的流入的设备和方法
Vital et al. Survey on intelligent truck parking: Issues and approaches
CN110444009A (zh) 一种基于物联网的高速路车流预测***
Sen et al. A case study on on-street parking demand estimation for 4-wheelers in urban CBD
Shen Freeway travel time estimation and prediction using dynamic neural networks
CN110444010A (zh) 一种基于物联网的高速路车流预测方法
CN108898851A (zh) 城市道路断面交通量组合预测方法
Snowdon et al. Spatiotemporal traffic volume estimation model based on GPS samples
Tong et al. A demand-supply equilibrium model for parking services in Hong Kong
Chen et al. Historical travel time based bus-arrival-time prediction model
Alsobky et al. Economic adaptive traffic signal system: design and operation
Comert et al. A simple traffic signal control using queue length information

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 511458 room 25, 903, No. 26, Jinlong Road, Nansha District, Guangzhou City, Guangdong Province

Applicant after: Sesame open door Network Information Co.,Ltd.

Address before: 511400 room x5137, Room 501, No. 13, Longxue Avenue Middle Road, Longxue Island, Nansha District, Guangzhou City, Guangdong Province

Applicant before: ZHIMAKAIMEN NETWORK INFORMATION Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211228

Address after: 510530 unit 304, building C2, innovation building, No. 182, Kexue Avenue, Huangpu District, Guangzhou, Guangdong Province (office only)

Applicant after: GUANGZHOU ZHIFENG DESIGN RESEARCH AND DEVELOPMENT Co.,Ltd.

Address before: 511458 room 25, 903, No. 26, Jinlong Road, Nansha District, Guangzhou City, Guangdong Province

Applicant before: Sesame open door Network Information Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230605

Address after: Room 801, No. 4, Wisdom West Street, Hengsha, Huangpu District, Guangzhou City, Guangdong Province, 510700 (office only)

Patentee after: Guangke Tongli (Guangdong) Data Service Co.,Ltd.

Address before: 510530 unit 304, building C2, innovation building, No. 182, Kexue Avenue, Huangpu District, Guangzhou, Guangdong Province (office only)

Patentee before: GUANGZHOU ZHIFENG DESIGN RESEARCH AND DEVELOPMENT Co.,Ltd.