CN110827540B - 一种多模态数据融合的机动车移动模式识别方法及*** - Google Patents
一种多模态数据融合的机动车移动模式识别方法及*** Download PDFInfo
- Publication number
- CN110827540B CN110827540B CN201911067400.3A CN201911067400A CN110827540B CN 110827540 B CN110827540 B CN 110827540B CN 201911067400 A CN201911067400 A CN 201911067400A CN 110827540 B CN110827540 B CN 110827540B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- motor vehicle
- movement
- state
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种多模态数据融合的机动车移动模式识别方法及***,该方法包括:基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类;基于交通流数据和交通监控视频数据提取全局交通移动状态;根据机动车重构和聚类后的移动轨迹以及全局交通移动状态预测机动车的移动属性数据。对机动车的时空轨迹数据和交通流数据实现多模态数据的融合,根据融合后数据对机动车移动模式识别,时空轨迹数据在个体的层面上描述机动车的移动模式,交通流数据在道路特征层面上和交通流全局层面描述路段通行情况,获得基于不同侧重点的更为精确的机动车移动模式识别结果,从而能获得更为全面、准确的机动车移动模式识别结果。
Description
技术领域
本发明涉及道路交通领域,具体涉及一种多模态数据融合的机动车移动模式识别方法及***。
背景技术
随着汽车保有量的大幅增长,交通拥堵不仅影响着居民的生活,更成为了阻碍了国民经济的进一步发展的“城市病”。道路交通拥堵产生的根本原因是交通需求与交通供给在时间和空间上的不平衡引起的。
当前,传统的缓解交通拥堵的方法大多为限行、加宽车道、优化城市路网和优化信号灯配时方案等,不能很快的适应交通需求的变化,因此仅能在短期内对改善交通状况有一定的作用。随着大数据时代的到来,雷达微波数据、断面监测数据和道路监控视频等组成了海量的交通大数据,如何根据大数据预测道路交通需求成为要解决的问题。
发明内容
本发明针对现有技术中存在的技术问题,提供一种多模态数据融合的机动车移动模式识别方法,解决现有技术方案不能预测道路交通需求的问题。
本发明解决上述技术问题的技术方案如下:一种多模态数据融合的机动车移动模式识别方法,包括:
步骤1,基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类;
步骤2,基于交通流数据和交通监控视频数据提取全局交通移动状态,所述全局交通移动状态包括全局车流状态和道路通行状态;
步骤3,根据所述机动车重构和聚类后的所述移动轨迹以及所述全局交通移动状态预测所述机动车的移动属性数据。
一种多模态数据融合的机动车移动模式识别***,包括:轨迹数据重构和聚类模块、全局交通移动状态数据获取模块和移动属性数据预测模块;
轨迹数据重构和聚类模块,基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类;
全局交通移动状态数据获取模块,基于交通流数据和交通监控视频数据提取全局交通移动状态数据,所述全局交通移动状态包括全局车流状态和道路通行状态;
移动属性数据预测模块,根据所述机动车重构和聚类后的所述移动轨迹以及所述全局交通移动状态预测所述机动车的移动属性数据。
本发明的有益效果是:对机动车的时空轨迹数据和交通流数据实现多模态数据的融合,根据融合后数据对机动车移动模式识别,时空轨迹数据在个体的层面上描述机动车的移动模式,交通流数据在道路特征层面上和交通流全局层面描述路段通行情况,获得基于不同侧重点的更为精确的机动车移动模式识别结果,从而能获得更为全面、准确的机动车移动模式识别结果。。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述时空轨迹数据包括:时间戳、车辆ID、车辆类别、车速、位置信息、所在车道信息和轨迹方向角的时序轨迹数据,其中所述车辆类别包括大、中和小。
进一步,所述步骤1中对所述移动轨迹进行重构的过程包括:根据所述机动车的速度、速度变化率、方向角、停留时间以及所述道路特征数据确定所述移动轨迹的位置序列中的关键特征点,基于所述关键特征点对所述移动轨迹进行重构;所述道路特征数据包括道路交汇点位置。
进一步,所述步骤1中对所述移动轨迹进行聚类的过程包括:
步骤101,对所述移动轨迹分别基于速度变化、方向角变化和停留时间进行划分为多个子轨迹;
步骤102,分别计算各个所述子轨迹的空间、时间、速度上的相似度,按照设定的权重计算各个所述相似度的加权平均值作为的轨迹相似度;
步骤103,根据轨迹间的时空距离基于所述机动车的车辆类别对所述子轨迹进行聚类,将聚类中心点特征作为聚类后的轨迹簇特征,得到多组相似轨迹簇。
进一步,所述步骤2中基于交通流数据提取全局交通移动状态的过程包括:
对所述交通流数据分别进行时间和空间划分,得到具有不同时间和空间属性的交通流数据段;
计算所述交通流数据段的平均速度及速度方差,与所述交通流数据的原始特征融合构建初级全局车流状态特征;
构建深层特征提取模型,提取所述初级全局车流状态特征向量的深层次特征。
进一步,所述步骤2中基于交通监控视频数据提取全局交通移动状态的过程包括:
提取所述交通监控视频中的交通状态关键帧;
基于路段和时间属性对所述交通监控视频数据进行划分;
构建基于图像的深度特征提取模型提取所述交通监控视频数据的全局交通状态深层次特征。
进一步,提取所述交通监控视频中的交通状态关键帧的过程包括:
计算当前帧与前后两帧的灰度图像的欧式距离,基于各帧间欧式距离大小提取所述交通状态关键帧;所述交通状态关键帧提取依据为所述欧式距离越大则相邻帧间交通状态变化越小。
进一步,所述步骤2包括:
设置所述交通流数据和所述交通监控视频数据的道路全局车流状态和道路通行状态的特征数据的权重,计算各个所述特征数据的加权平均值。
进一步,所述步骤3中预测所述机动车的移动属性数据还参考道路环境特征数据;所述道路环境特征数据包括气候状况、日期属性和突发事件发生状况。
采用上述进一步方案的有益效果是:将道路环境特征及日期特征引入机动车移动模式识别,可更加精准的揭示机动车移动模式,为信号灯配时优化、车辆路线规划等具体应用提供了可直接应用的准确数据。
附图说明
图1为本发明提供的一种多模态数据融合的机动车移动模式识别方法的流程图;
图2为本发明提供的对机动车的移动轨迹进行聚类的流程图;
图3为本发明提供的提取全局交通移动状态的整体方法流程图;
图4为本发明提供的基于交通监控视频数据提取全局交通移动状态的流程图;
图5为本发明提供的一种多模态数据融合的机动车移动模式识别***的结构框图。
附图中,各标号所代表的部件列表如下:
101、轨迹数据重构和聚类模块,102、全局交通移动状态数据获取模块,103、移动属性数据预测模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示为本发明提供的一种多模态数据融合的机动车移动模式识别方法的流程图,由图1可知,该方法包括:
步骤1,基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类。
步骤2,基于交通流数据和交通监控视频数据提取全局交通移动状态,全局交通移动状态包括全局车流状态和道路通行状态。
步骤3,根据机动车重构和聚类后的移动轨迹以及全局交通移动状态预测机动车的移动属性数据。
本发明提供的一种多模态数据融合的机动车移动模式识别方法,对机动车的时空轨迹数据和交通流数据实现多模态数据的融合,根据融合后数据对机动车移动模式识别,时空轨迹数据在个体的层面上描述机动车的移动模式,交通流数据在道路特征层面上和交通流全局层面描述路段通行情况,获得基于不同侧重点的更为精确的机动车移动模式识别结果,从而能获得更为全面、准确的机动车移动模式识别结果。
实施例1
本发明提供的实施例1为本发明提供的一种多模态数据融合的机动车移动模式识别方法的实施例,该实施例中:
步骤1,基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类。该时空轨迹数据包括:时间戳、车辆ID、车辆类别、车速、位置信息、所在车道信息和轨迹方向角的时序轨迹数据,其中车辆类别包括大、中和小。
对移动轨迹重构的过程就是特征点再选取的过程,即对移动轨迹进行基于关键点划分的过程。即从原始的机动车位置序列中提取关键特征点,从而形成更加精简且不失真的移动轨迹数据。其中,在交通领域中的机动车轨迹数据是受道路网络约束的,因此需要考虑路网拓扑结构和属性状态。同时,具有停留时间较长、速度变化较大等特殊状态的采样点也属于时空轨迹数据中具有重要意义的关键点。除了需要根据移动的速度和方向的变化程度判断轨迹特征点之外,路网的空间特征对轨迹的影响也尤为重要。因此,记录具有机动车经过的道路交汇点位置及出现明显速度变化、转向及较长时间的停留异常属性的位置点,并作为特征点保留。具体的,对移动轨迹进行重构的过程包括:
根据机动车的速度、速度变化率、方向角、停留时间以及道路特征数据确定移动轨迹的位置序列中的关键特征点,基于关键特征点对移动轨迹进行重构。该道路特征数据包括道路交汇点位置。
如图2所示为本发明提供的对机动车的移动轨迹进行聚类的流程图,由图2可知,该聚类的过程包括:
步骤101,对移动轨迹分别基于速度变化、方向角变化和停留时间进行划分为多个子轨迹。
步骤102,分别计算各个子轨迹的空间、时间、速度上的相似度,按照设定的权重计算各个相似度的加权平均值作为的轨迹相似度。
步骤103,根据轨迹间的时空距离基于机动车的车辆类别对子轨迹进行聚类,将聚类中心点特征作为聚类后的轨迹簇特征,得到多组相似轨迹簇。
步骤2,基于交通流数据和交通监控视频数据提取全局交通移动状态,全局交通移动状态包括全局车流状态和道路通行状态。如图3所示为本发明提供的提取全局交通移动状态的整体方法流程图。
具体的,基于交通流数据提取全局交通移动状态的过程包括:
对交通流数据分别进行时间和空间划分,得到具有不同时间和空间属性的交通流数据段。
计算交通流数据段的平均速度及速度方差,与交通流数据的原始特征融合构建初级全局车流状态特征。
构建深层特征提取模型,提取初级全局车流状态特征向量的深层次特征。
如图4所示为本发明提供的基于交通监控视频数据提取全局交通移动状态的流程图,由图4可知,该过程包括:
提取交通监控视频中的交通状态关键帧:计算当前帧与前后两帧的灰度图像的欧式距离,基于各帧间欧式距离大小提取交通状态关键帧;交通状态关键帧提取依据为欧式距离越大则相邻帧间交通状态变化越小。
基于路段和时间属性对交通监控视频数据进行划分。
构建基于图像的深度特征提取模型提取交通监控视频数据的全局交通状态深层次特征。具体的,可采用CNN卷积神经网络实现对全局交通状态的特征的提取。
由图3可知,步骤3还包括设置交通流数据和交通监控视频数据的道路全局车流状态和道路通行状态的特征数据的权重,计算各个特征数据的加权平均值,进行基于特征向量的拼接融合,从而得到不同时空属性下的全局交通状态特征。
步骤3,根据机动车重构和聚类后的移动轨迹以及全局交通移动状态预测机动车的移动属性数据。
预测机动车的移动属性数据还参考道路环境特征数据;道路环境特征数据包括气候状况、日期属性和突发事件发生状况。
机动车移动模式受交通环境影响,属于周期性的移动模式范畴。因此,外部交通环境及出行日期性质会对机动车移动模式产生极大的影响。机动车移动模式受天气状况、道路状况等道路环境特征影响。即同一日期同一路段内,若有雨、雪、雾霾等恶劣环境或追尾等交通事故发生,则交通拥堵概率大大提高。同时,交通拥堵状态受节假日、节气变化明显,因此将道路环境特征及日期特征引入机动车移动模式识别,可更加精准的揭示机动车移动模式,为信号灯配时优化、车辆路线规划等具体应用提供了可直接应用的准确数据。
实施例2
本发明提供的实施例2为本发明提供的一种多模态数据融合的机动车移动模式识别***的实施例,如图5所示,该***包括:轨迹数据重构和聚类模块101、全局交通移动状态数据获取模块102和移动属性数据预测模块103。
轨迹数据重构和聚类模块101,基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类。
全局交通移动状态数据获取模块102,基于交通流数据和交通监控视频数据提取全局交通移动状态数据,全局交通移动状态包括全局车流状态和道路通行状态。
移动属性数据预测模块103,根据机动车重构和聚类后的移动轨迹以及全局交通移动状态预测机动车的移动属性数据。
需要说明的是,本发明实施例提供的***,具体执行上述各实施例中的方法,具体详见上述各方法实施例,本发明实施例对此不再进行赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种多模态数据融合的机动车移动模式识别方法,其特征在于,所述方法包括:
步骤1,基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类;
步骤2,基于交通流数据和交通监控视频数据提取全局交通移动状态,所述全局交通移动状态包括全局车流状态和道路通行状态;
步骤3,根据所述机动车重构和聚类后的所述移动轨迹以及所述全局交通移动状态预测所述机动车的移动属性数据;
所述时空轨迹数据包括:时间戳、车辆ID、车辆类别、车速、位置信息、所在车道信息和轨迹方向角的时序轨迹数据,其中所述车辆类别包括大、中和小;
所述步骤1中对所述移动轨迹进行重构的过程包括:根据所述机动车的速度、速度变化率、方向角、停留时间以及所述道路特征数据确定所述移动轨迹的位置序列中的关键特征点,基于所述关键特征点对所述移动轨迹进行重构;所述道路特征数据包括道路交汇点位置;
所述步骤1中对所述移动轨迹进行聚类的过程包括:
步骤101,对所述移动轨迹分别基于速度变化、方向角变化和停留时间进行划分为多个子轨迹;
步骤102,分别计算各个所述子轨迹的空间、时间、速度上的相似度,按照设定的权重计算各个所述相似度的加权平均值作为的轨迹相似度;
步骤103,根据轨迹间的时空距离基于所述机动车的车辆类别对所述子轨迹进行聚类,将聚类中心点特征作为聚类后的轨迹簇特征,得到多组相似轨迹簇;
所述步骤2中基于交通流数据提取全局交通移动状态的过程包括:
对所述交通流数据分别进行时间和空间划分,得到具有不同时间和空间属性的交通流数据段;
计算所述交通流数据段的平均速度及速度方差,与所述交通流数据的原始特征融合构建初级全局车流状态特征;
构建深层特征提取模型,提取所述初级全局车流状态特征向量的深层次特征;
所述步骤2中基于交通监控视频数据提取全局交通移动状态的过程包括:
提取所述交通监控视频中的交通状态关键帧;
基于路段和时间属性对所述交通监控视频数据进行划分;
构建基于图像的深度特征提取模型提取所述交通监控视频数据的全局交通状态深层次特征;
所述步骤2包括:
设置所述交通流数据和所述交通监控视频数据的道路全局车流状态和道路通行状态的特征数据的权重,计算各个所述特征数据的加权平均值。
2.根据权利要求1所述的方法,其特征在于,所述步骤3中预测所述机动车的移动属性数据还参考道路环境特征数据;所述道路环境特征数据包括气候状况、日期属性和突发事件发生状况。
3.一种基于权利要求1或2所述的多模态数据融合的机动车移动模式识别方法的多模态数据融合的机动车移动模式识别***,其特征在于,所述***包括:轨迹数据重构和聚类模块、全局交通移动状态数据获取模块和移动属性数据预测模块;
轨迹数据重构和聚类模块,基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类;
全局交通移动状态数据获取模块,基于交通流数据和交通监控视频数据提取全局交通移动状态数据,所述全局交通移动状态包括全局车流状态和道路通行状态;
移动属性数据预测模块,根据所述机动车重构和聚类后的所述移动轨迹以及所述全局交通移动状态预测所述机动车的移动属性数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911067400.3A CN110827540B (zh) | 2019-11-04 | 2019-11-04 | 一种多模态数据融合的机动车移动模式识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911067400.3A CN110827540B (zh) | 2019-11-04 | 2019-11-04 | 一种多模态数据融合的机动车移动模式识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827540A CN110827540A (zh) | 2020-02-21 |
CN110827540B true CN110827540B (zh) | 2021-03-12 |
Family
ID=69552373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911067400.3A Active CN110827540B (zh) | 2019-11-04 | 2019-11-04 | 一种多模态数据融合的机动车移动模式识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827540B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681433B (zh) * | 2020-05-14 | 2022-04-12 | 黄传明 | 一种交叉***通信号灯配时优化方法和装置 |
CN111489555A (zh) * | 2020-05-14 | 2020-08-04 | 武汉理工大学 | 一种交通运行状态预测方法、装置和*** |
CN114429580A (zh) * | 2021-12-16 | 2022-05-03 | 哈尔滨理工大学 | 一种基于多模态轨迹的移动群智感知覆盖优化方法 |
CN117132002A (zh) * | 2023-10-26 | 2023-11-28 | 深圳前海中电慧安科技有限公司 | 一种多模态时空轨迹预测方法、装置、设备和介质 |
Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496280A (zh) * | 2011-12-13 | 2012-06-13 | 北京航空航天大学 | 一种路况信息实时获取方法 |
KR101304567B1 (ko) * | 2011-09-05 | 2013-09-05 | 이병철 | 도로망 기반의 빈번 차량 궤적 클러스터링 시스템 및 방법 |
CN103377555A (zh) * | 2012-04-25 | 2013-10-30 | 施乐公司 | 用于自动检测交通交叉路口的异常的方法和*** |
CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
CN104484999A (zh) * | 2014-12-31 | 2015-04-01 | 百度在线网络技术(北京)有限公司 | 基于用户轨迹确定动态交通信息的方法及装置 |
CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 |
CN104657424A (zh) * | 2015-01-21 | 2015-05-27 | 段炼 | 一种多时空特征融合下的兴趣点轨迹聚类方法 |
CN105023428A (zh) * | 2014-04-15 | 2015-11-04 | 高德软件有限公司 | 路况信息评估方法及装置 |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测*** |
CN107045788A (zh) * | 2017-06-28 | 2017-08-15 | 北京数行健科技有限公司 | 交通路况预测方法及装置 |
CN107145989A (zh) * | 2017-06-12 | 2017-09-08 | 南京航空航天大学 | 基于人‑车‑交通路况的实际行驶工况构建方法 |
CN107301254A (zh) * | 2017-08-24 | 2017-10-27 | 电子科技大学 | 一种路网热点区域挖掘方法 |
CN108492564A (zh) * | 2018-04-18 | 2018-09-04 | 山东省交通规划设计院 | 基于路网匹配测量高速公路车辆行驶速度的方法及*** |
WO2018161037A1 (en) * | 2017-03-03 | 2018-09-07 | Kennesaw State University Research And Service Foundation, Inc. | Systems and methods for quantitatively assessing collision risk and severity |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
CN109308805A (zh) * | 2018-08-20 | 2019-02-05 | 广东交通职业技术学院 | 一种基于自适应加权平均数据融合的路网mfd估测方法 |
CN109544932A (zh) * | 2018-12-19 | 2019-03-29 | 东南大学 | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 |
CN109670277A (zh) * | 2019-02-19 | 2019-04-23 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
CN109686090A (zh) * | 2019-01-17 | 2019-04-26 | 中南大学 | 一种基于多源数据融合的虚拟交通流量计算方法 |
CN109686091A (zh) * | 2019-01-17 | 2019-04-26 | 中南大学 | 一种基于多源数据融合的交通流量填补算法 |
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及*** |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN110047276A (zh) * | 2019-03-11 | 2019-07-23 | 广州文远知行科技有限公司 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
CN110176142A (zh) * | 2019-05-17 | 2019-08-27 | 佳都新太科技股份有限公司 | 车辆轨迹预测模型建立及预测方法 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN110188803A (zh) * | 2019-05-16 | 2019-08-30 | 南京图申图信息科技有限公司 | 基于出租车轨迹数据的出行时空模式识别方法与*** |
CN110210664A (zh) * | 2019-05-29 | 2019-09-06 | 东南大学 | 多个个体车辆使用行为短时预测的深度学习方法 |
CN110232816A (zh) * | 2018-11-26 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 交通排放的计算方法、计算装置及终端 |
CN110276947A (zh) * | 2019-06-05 | 2019-09-24 | 中国科学院深圳先进技术研究院 | 一种交通融合分析预测方法、***及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9697730B2 (en) * | 2015-01-30 | 2017-07-04 | Nissan North America, Inc. | Spatial clustering of vehicle probe data |
-
2019
- 2019-11-04 CN CN201911067400.3A patent/CN110827540B/zh active Active
Patent Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101304567B1 (ko) * | 2011-09-05 | 2013-09-05 | 이병철 | 도로망 기반의 빈번 차량 궤적 클러스터링 시스템 및 방법 |
CN102496280A (zh) * | 2011-12-13 | 2012-06-13 | 北京航空航天大学 | 一种路况信息实时获取方法 |
CN103377555A (zh) * | 2012-04-25 | 2013-10-30 | 施乐公司 | 用于自动检测交通交叉路口的异常的方法和*** |
CN105023428A (zh) * | 2014-04-15 | 2015-11-04 | 高德软件有限公司 | 路况信息评估方法及装置 |
CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 |
CN104484999A (zh) * | 2014-12-31 | 2015-04-01 | 百度在线网络技术(北京)有限公司 | 基于用户轨迹确定动态交通信息的方法及装置 |
CN104657424A (zh) * | 2015-01-21 | 2015-05-27 | 段炼 | 一种多时空特征融合下的兴趣点轨迹聚类方法 |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测*** |
WO2018161037A1 (en) * | 2017-03-03 | 2018-09-07 | Kennesaw State University Research And Service Foundation, Inc. | Systems and methods for quantitatively assessing collision risk and severity |
CN107145989A (zh) * | 2017-06-12 | 2017-09-08 | 南京航空航天大学 | 基于人‑车‑交通路况的实际行驶工况构建方法 |
CN107045788A (zh) * | 2017-06-28 | 2017-08-15 | 北京数行健科技有限公司 | 交通路况预测方法及装置 |
CN107301254A (zh) * | 2017-08-24 | 2017-10-27 | 电子科技大学 | 一种路网热点区域挖掘方法 |
CN108492564A (zh) * | 2018-04-18 | 2018-09-04 | 山东省交通规划设计院 | 基于路网匹配测量高速公路车辆行驶速度的方法及*** |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN109308805A (zh) * | 2018-08-20 | 2019-02-05 | 广东交通职业技术学院 | 一种基于自适应加权平均数据融合的路网mfd估测方法 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
CN110232816A (zh) * | 2018-11-26 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 交通排放的计算方法、计算装置及终端 |
CN109544932A (zh) * | 2018-12-19 | 2019-03-29 | 东南大学 | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 |
CN109686090A (zh) * | 2019-01-17 | 2019-04-26 | 中南大学 | 一种基于多源数据融合的虚拟交通流量计算方法 |
CN109686091A (zh) * | 2019-01-17 | 2019-04-26 | 中南大学 | 一种基于多源数据融合的交通流量填补算法 |
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及*** |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN109670277A (zh) * | 2019-02-19 | 2019-04-23 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN110047276A (zh) * | 2019-03-11 | 2019-07-23 | 广州文远知行科技有限公司 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
CN110188803A (zh) * | 2019-05-16 | 2019-08-30 | 南京图申图信息科技有限公司 | 基于出租车轨迹数据的出行时空模式识别方法与*** |
CN110176142A (zh) * | 2019-05-17 | 2019-08-27 | 佳都新太科技股份有限公司 | 车辆轨迹预测模型建立及预测方法 |
CN110210664A (zh) * | 2019-05-29 | 2019-09-06 | 东南大学 | 多个个体车辆使用行为短时预测的深度学习方法 |
CN110276947A (zh) * | 2019-06-05 | 2019-09-24 | 中国科学院深圳先进技术研究院 | 一种交通融合分析预测方法、***及电子设备 |
Non-Patent Citations (5)
Title |
---|
FAN LI, QINGQUAN LI, ZHEN LI, ZHAO HUANG.FAN LI 1,2, QINGQUAN A personal Location Prediction Method Based on individual Trajectory and Group Trajectory.《IEEE Access》.2019,第7卷 * |
基于时空特性分析和数据融合的交通流预测;邱世崇,陆百川,马庆禄,邹巍,张勤;《武汉理工大学学报(信息与管理工程版)》;20150430;第37卷(第2期);全文 * |
基于时空约束的轨迹聚类方法研究与应用;张旭;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101115(第11期);正文第7-46页 * |
基于车路协同的高速公路入口匝道车辆汇入引导方法;张存保,李劲松,黄传明,夏银霞;《武汉理工大学学报(交通科学与工程版)》;20170831;第41卷(第4期);全文 * |
考虑道路形状约束的车辆轨迹聚类方法;冯心欣,柳泽烽,谢志鹏,郑海峰;《重庆邮电大学学报( 自然科学版)》;20190831;第31卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110827540A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827540B (zh) | 一种多模态数据融合的机动车移动模式识别方法及*** | |
Bai et al. | Infrastructure-based object detection and tracking for cooperative driving automation: A survey | |
CN110781927B (zh) | 车路协同下基于深度学习的目标检测与分类方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN112487905B (zh) | 一种车辆周边行人危险等级预测方法及*** | |
Llorca et al. | Traffic data collection for floating car data enhancement in V2I networks | |
EP2813973B1 (en) | Method and system for processing video image | |
Liu et al. | Extending the detection range for low-channel roadside LiDAR by static background construction | |
CN115195748A (zh) | 基于数据驱动的智能汽车拟人化决策规划***及方法 | |
CN113221716A (zh) | 一种基于前景目标检测的无监督交通异常行为检测方法 | |
Tak et al. | Development of AI‐Based Vehicle Detection and Tracking System for C‐ITS Application | |
Qi et al. | Automated traffic volume analytics at road intersections using computer vision techniques | |
CN112215073A (zh) | 高速运动场景下的交通标线快速识别与循迹方法 | |
Minnikhanov et al. | Detection of traffic anomalies for a safety system of smart city | |
Gao et al. | Discretionary cut-in driving behavior risk assessment based on naturalistic driving data | |
Hashemi et al. | A new comparison framework to survey neural networks‐based vehicle detection and classification approaches | |
Chandra et al. | Meteor: A dense, heterogeneous, and unstructured traffic dataset with rare behaviors | |
Ashraf et al. | HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation | |
Tituana et al. | Vehicle counting using computer vision: A survey | |
Song et al. | A robust detection method for multilane lines in complex traffic scenes | |
CN113850112A (zh) | 基于孪生神经网络的路况识别方法和*** | |
CN113850111A (zh) | 基于语义分割和神经网络技术的路况识别方法和*** | |
CN112489423A (zh) | 一种基于视觉的城市道路交通交警指挥方法 | |
Wu et al. | To Turn or Not To Turn, SafeCross is the Answer | |
Adnan et al. | Traffic congestion prediction using deep convolutional neural networks: A color-coding approach |
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 |