CN111192454A - 基于行程时间演化的交通异常识别方法、***及存储介质 - Google Patents
基于行程时间演化的交通异常识别方法、***及存储介质 Download PDFInfo
- Publication number
- CN111192454A CN111192454A CN202010015303.6A CN202010015303A CN111192454A CN 111192454 A CN111192454 A CN 111192454A CN 202010015303 A CN202010015303 A CN 202010015303A CN 111192454 A CN111192454 A CN 111192454A
- Authority
- CN
- China
- Prior art keywords
- travel time
- distribution model
- weighted moving
- moving average
- time distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 18
- 230000007774 longterm Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于行程时间演化的交通异常识别方法、***及存储介质，通过获取浮动车数据，并构建行程时间分布模型并求解，然后计算指数加权移动均值和生成指数加权移动均值控制图，最后通过指数加权移动均值控制图进行交通异常识别。本发明分利用了浮动车数据，同时通过构建行程时间分布模型和计算指数加权移动均值，进而生成指数加权移动均值控制图使得能够对单个路段或者整个***交通状态的动态演变过程进行识别，从而能够有效识别交通网络中的异常交通事件，大大提高了识别准确率。本发明可广泛应用于交通领域中。
Description
技术领域
本发明涉及交通异常事件识别技术领域，尤其涉及一种基于行程时间演化的交通异常识别方法、***及存储介质。
背景技术
交通***高效稳定的运行不仅满足了出行者的出行需求，保证出行者的出行效率，而且在一定程度上能够带动各产业的发展，刺激城市经济。但是在实际条件下，交通***可能会存在效率低下拥堵严重等问题，这些问题可能是交通***内部的问题导致的，如线网设计缺陷、管控措施不合理，也有可能是外部扰动引起的，如交通事故、极端天气、道路改建或者重大集会活动。这些问题往往会降低道路交通网络的运行效率，增加用户的出行成本，因此准确地识别道路交通网络中的短期或者长期的交通异常事件对于交通管理者及时制定相应的交通管理措施来降低异常交通事件对整个***造成的影响具有重大意义。
目前对于交通***异常事件识别方法，选取的指标有断面流量、密度、占有率、拥堵指数等，但是这些数据难以采集或者覆盖范围较窄不能全面反应***的整体状态。而行程时间是一个反应交通***状态的重要指标，加之浮动车渗透率的不断升高，为行程时间的数据采集提供了有力的支持。而浮动车所采集到的数据存在一些噪声，这对于交通事件、交通状态的识别造成极大的干扰和误判。目前对于异常事件的研究主要集中在短期(日内)检测上，这些方法能够实时检测道路在短期的单一尺度内是否发生异常事件，却不够捕捉到交通***长期的缓慢演变，而实际上交通***是一个动态***，其主要原因是出行者的出行行为和道路网络结构在不断的改变，路网或者路段的行程时间也在动态变化。于是短期静态的行程时间作为交通异常的判定分析指标可能难以识别交通***的长期异常状态。
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基于行程时间演化的交通异常识别方法、***及存储介质。
第一方面，本发明实施例提供了一种基于行程时间演化的交通异常识别方法，包括以下步骤：
获取浮动车数据；
对浮动车数据进行处理，得到行程时间数据；
根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型；
根据求解后的行程时间分布模型，计算指数加权移动均值；
根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图；
获取实时的行程时间数据，并根据指数加权移动均值控制图中的控制边界进行交通异常识别。
进一步，所述的对浮动车数据进行处理，得到行程时间数据，这一步骤具体为：
对浮动车数据进行速度时间换算处理，得到行程时间数据。
进一步，所述的根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型，这一步骤具体包括：
根据行程时间数据，构建得到行程时间分布模型；
对行程时间分布模型进行局部最小二乘法处理，得出随机过程中的均值函数和协方差函数；
通过特征方程计算行程时间分布模型的特征值和特征函数；
根据行程时间分布模型，计算出可解释变异比大于95％的最少主成分个数；
根据得到的最少主成分个数，用主成分分析法计算所述行程时间分布模型的主成分函数的系数，得到求解后的行程时间分布模型。
进一步，所述的根据求解后的行程时间分布模型，计算指数加权移动均值，这一步骤具体包括：
根据求解后的行程时间分布模型，得出所需时间段的行程时间数据；
根据所需时间段的行程时间数据，计算指数加权移动均值。
进一步，当行程时间数据为单个路径车辆的行程时间数据，所述的根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图，这一步骤具体包括：
根据指数加权移动均值，计算行程时间均值和行程时间标准差；
根据行程时间均值和行程时间标准差，确定控制上界和控制下界；
根据控制上界和控制下界，生成得到数加权移动均值控制图。
进一步，当行程时间数据为多个路径车辆的行程时间数据，所述的根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图，这一步骤具体包括：
根据指数加权移动均值，计算行程时间均值和行程时间标准差；
根据行程时间均值和行程时间标准差，确定控制上界和控制下界；
根据指数加权移动均值，计算行程时间的控制指标；
根据控制指标、控制上界和控制下界，生成得到数加权移动均值控制图。
第二方面，本发明实施例提供了一种基于行程时间演化的交通异常识别***，包括：
获取单元，用于获取浮动车数据；
预处理单元，用于对浮动车数据进行处理，得到行程时间数据；
求解单元，用于根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型；
指数加权移动均值计算单元，用于根据求解后的行程时间分布模型，计算指数加权移动均值；
控制图生成单元，用于根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图；
异常识别单元，用于获取实时的行程时间数据，并根据指数加权移动均值控制图中的控制边界进行交通异常识别。
进一步，所述的求解单元具体包括：
模型构建单元，用于根据行程时间数据，构建得到行程时间分布模型；
第一处理单元，用于对行程时间分布模型进行局部最小二乘法处理，得出随机过程中的均值函数和协方差函数；
第二处理单元，用于通过特征方程计算行程时间分布模型的特征值和特征函数；
第三处理单元，用于根据行程时间分布模型，计算出可解释变异比大于95％的最少主成分个数；
第四处理单元，用于根据得到的最少主成分个数，用主成分分析法计算所述行程时间分布模型的主成分函数的系数，得到求解后的行程时间分布模型。
第三方面，本发明实施例提供了一种基于行程时间演化的交通异常识别装置，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所述一种基于行程时间演化的交通异常识别方法。
第四方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行所述一种基于行程时间演化的交通异常识别方法。
本发明的有益效果是：
本发明一种基于行程时间演化的交通异常识别方法、***、装置及存储介质分利用了浮动车数据，同时通过构建行程时间分布模型和计算指数加权移动均值，进而生成指数加权移动均值控制图使得能够对单个路段或者整个***交通状态的动态演变过程进行识别，从而能够有效识别交通网络中的异常交通事件，大大提高了识别准确率。
附图说明
图1是本发明一种基于行程时间演化的交通异常识别方法的步骤流程图；
图2是本发明一种基于行程时间演化的交通异常识别***的模块方框图；
图3是一个实施例中单个路段日间异常交通事件识别结果示意图；
图4是一个实施例中是单个路段日内异常交通事件识别结果示意图；
图5是一个实施例中整个交通***长期异常交通事件识别结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。而且需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
参考图1，本发明实施例用于通过历史的浮动车数据对交通***状态进行实时监控，在路段和路网尺度识别出整个***的异常交通事件，本实施例提供了一种基于行程时间演化的交通异常识别方法，包括以下步骤：
S101、获取浮动车数据。
S102、对浮动车数据进行处理，得到行程时间数据。
本步骤中，浮动车采集到的浮动车数据是车辆的行驶速度，在降噪之前需要对数据进行预处理，即将行驶速度转换为单位距离的行程时间。
S103、根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型。
S104、根据求解后的行程时间分布模型，计算指数加权移动均值。
S105、根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图。
S106、获取实时的行程时间数据，并根据指数加权移动均值控制图中的控制边界进行交通异常识别。
进一步作为优选的实施方式，所述的对浮动车数据进行处理，得到行程时间数据，这一步骤具体为：
对浮动车数据进行速度时间换算处理，得到行程时间数据。
进一步作为优选的实施方式，本实施例中，为了近似行程时间随机过程Φmn(t)，本实施例假设时段n的行程时间为该时段行程时间的均值取样，所述的根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型，这一步骤具体包括：
S1031、根据行程时间数据，构建得到行程时间分布模型。
本实施例中，记向量Xmn表示在m天n时段收集到的浮动车数据，假设这个行程时间数据是一个服从均值为μmn(t)，方差为G(t,s)的高斯过程。
结合Karhunen-Loeve法则可以估算出第m天n时段tj时刻的行程时间的观测值Xmn(tj)：
其中，emn为随机噪声，ξmg表示一组服从条件E(ξmg)＝0和var(ξmg)＝λg的随机系数，ψg(tj)为由一组单位基组成的标准正交特征函数，tj表示数据的收集时间。式子将各个时段的行程时间表示为同一时段历史行程时间的均值加上一个摄动和随机噪声之和。
S1032、对行程时间分布模型进行局部最小二乘法处理，得出随机过程中的均值函数
和协方差函数
S1033、通过特征方程计算行程时间分布模型的特征值
和特征函数
S1034、根据行程时间分布模型，计算出可解释变异比FVE大于95％的最少主成分个数B。
其中，B为主成分数量，C为特征值数量，λb为特征值。
S1035、根据得到的最少主成分个数，用主成分分析法计算所述行程时间分布模型的主成分函数的系数，得到求解后的行程时间分布模型。
进一步作为优选的实施方式，所述的根据求解后的行程时间分布模型，计算指数加权移动均值，这一步骤具体包括：
S1041、根据求解后的行程时间分布模型，得出所需时间段的行程时间数据；
S1042、根据所需时间段的行程时间数据，计算指数加权移动均值。
本实施例中也可以根据行程时间的历史数据计算得到指数加权移动均值，将第m天的日内行程时间变化过程表示为Tm(n)，其中n表示日内时间段。时间段n的逐日行程时间演化过程可以表示为Tn(m)，所以时间段n的行程时间指数加权移动均值可计算为：
其中，zmn为第m天时段n行程时间的指数加权移动平均值，λ表示权重常量，并且0<λ≤1本发明中取值为0.2，Tn(m)表示路段在第m天时段n的行程时间，zn0为该路段时段n第1天历史数据的行程时间。对其进行迭代可得：
zmn＝(1-(1-λ)m)Tn(m-j)+(1-λ)mz0n
其中Tn(m-j)表示第m-j天n时段的行程时间。
进一步作为优选的实施方式，当行程时间数据为单个路径车辆的行程时间数据，所述的根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图，这一步骤具体包括：
根据指数加权移动均值，计算行程时间均值和行程时间标准差；
根据行程时间均值和行程时间标准差，确定控制上界和控制下界；
根据控制上界和控制下界，生成得到数加权移动均值控制图。
本实施例中，将行程时间的指数加权移动均值集合记为Z＝{zmn:m＝1,…,M；n＝1,…,N}，可计算出前k天的行程时间在时段n的均值μkn和标准差σkn：
故第k天的控制上界UCL和控制下界LCL可以计算为：
其中，L为控制边界宽度，行程时间的波动较小/大时选择较小/大的L。控制上下界定义了行程时间处于正常状态，即正常状态的允许范围，如果计算的行程时间指数加权移动均值大于控制上界，则说明此时的路段交通处于异常状态，同时，由此算法识别出的异常事件数据不会计入用于构造控制边界的历史数据集中。
进一步作为优选的实施方式，当行程时间数据为多个路径车辆的行程时间数据，所述的根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图，这一步骤具体包括：
根据指数加权移动均值，计算行程时间均值和行程时间标准差；
根据行程时间均值和行程时间标准差，确定控制上界和控制下界；
根据指数加权移动均值，计算行程时间的控制指标；
根据控制指标、控制上界和控制下界，生成得到数加权移动均值控制图。
本实施例中，假设交通网络中的路径总数为R,
表示第r个路径在第m天时段n的z值。记qmn为第m天时段n所有路径的z值，Qn为时段n所有路径M天的指数加权移动均值的集合，即
则路网在第m天时段n的多变量指数加权移动均值控制图的统计指标Ymn为：
式中，Σn为Qn的协方差矩阵，μn为各路段在时段n的z值均值向量。
将Ymn与控制上界进行对比，即可快速识别网络中的异常事件，即当Ymn大于控制上界时，则指定路径发生交通异常事件。多变量指数加权移动均值控制图能够不断更新其历史数据集并且赋予一定权重，能够捕获各种原因导致的交通***状态的变化，具有较高的实用价值。
参考图2，本发明实施例提供了一种基于行程时间演化的交通异常识别***，包括：
获取单元，用于获取浮动车数据；
预处理单元，用于对浮动车数据进行处理，得到行程时间数据；
求解单元，用于根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型；
指数加权移动均值计算单元，用于根据求解后的行程时间分布模型，计算指数加权移动均值；
控制图生成单元，用于根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图；
异常识别单元，用于获取实时的行程时间数据，并根据指数加权移动均值控制图中的控制边界进行交通异常识别。
进一步作为优选的实施方式，所述的求解单元具体包括：
模型构建单元，用于根据行程时间数据，构建得到行程时间分布模型；
第一处理单元，用于对行程时间分布模型进行局部最小二乘法处理，得出随机过程中的均值函数和协方差函数；
第二处理单元，用于通过特征方程计算行程时间分布模型的特征值和特征函数；
第三处理单元，用于根据行程时间分布模型，计算出可解释变异比大于95％的最少主成分个数；
第四处理单元，用于根据得到的最少主成分个数，用主成分分析法计算所述行程时间分布模型的主成分函数的系数，得到求解后的行程时间分布模型。
可见，上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明还实施例提供了一种基于行程时间演化的交通异常识别装置，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所述一种基于行程时间演化的交通异常识别方法。
可见，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本发明实施例提供了一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行所述一种基于行程时间演化的交通异常识别方法。
为了直观的展示本发明算法的效果，图3～图5为三个实验结果，实验结果表明本发明使用的算法能够从日内短期、日间长期和单个路段、整个路网尺度精准的识别出***的异常交通事件。
从上述内容可知，本发明分利用了浮动车数据，同时通过构建行程时间分布模型和计算指数加权移动均值，进而生成指数加权移动均值控制图使得能够对单个路段或者整个***交通状态的动态演变过程进行识别，从而能够有效识别交通网络中的异常交通事件，大大提高了识别准确率。
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作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 (10)
1.一种基于行程时间演化的交通异常识别方法，其特征在于，包括以下步骤：
获取浮动车数据；
对浮动车数据进行处理，得到行程时间数据；
根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型；
根据求解后的行程时间分布模型，计算指数加权移动均值；
根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图；
获取实时的行程时间数据，并根据指数加权移动均值控制图中的控制边界进行交通异常识别。
2.根据权利要求1所述的一种基于行程时间演化的交通异常识别方法，其特征在于：所述的对浮动车数据进行处理，得到行程时间数据，这一步骤具体为：对浮动车数据进行速度时间换算处理，得到行程时间数据。
3.根据权利要求1所述的一种基于行程时间演化的交通异常识别方法，其特征在于：所述的根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型，这一步骤具体包括：
根据行程时间数据，构建得到行程时间分布模型；
对行程时间分布模型进行局部最小二乘法处理，得出随机过程中的均值函数和协方差函数；
通过特征方程计算行程时间分布模型的特征值和特征函数；
根据行程时间分布模型，计算出可解释变异比大于95％的最少主成分个数；
根据得到的最少主成分个数，用主成分分析法计算所述行程时间分布模型的主成分函数的系数，得到求解后的行程时间分布模型。
4.根据权利要求1所述的一种基于行程时间演化的交通异常识别方法，其特征在于：所述的根据求解后的行程时间分布模型，计算指数加权移动均值，这一步骤具体包括：
根据求解后的行程时间分布模型，得出所需时间段的行程时间数据；
根据所需时间段的行程时间数据，计算指数加权移动均值。
5.根据权利要求1所述的一种基于行程时间演化的交通异常识别方法，其特征在于：当行程时间数据为单个路径车辆的行程时间数据，所述的根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图，这一步骤具体包括：
根据指数加权移动均值，计算行程时间均值和行程时间标准差；
根据行程时间均值和行程时间标准差，确定控制上界和控制下界；
根据控制上界和控制下界，生成得到数加权移动均值控制图。
6.根据权利要求1所述的一种基于行程时间演化的交通异常识别方法，其特征在于：当行程时间数据为多个路径车辆的行程时间数据，所述的根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图，这一步骤具体包括：
根据指数加权移动均值，计算行程时间均值和行程时间标准差；
根据行程时间均值和行程时间标准差，确定控制上界和控制下界；
根据指数加权移动均值，计算行程时间的控制指标；
根据控制指标、控制上界和控制下界，生成得到数加权移动均值控制图。
7.一种基于行程时间演化的交通异常识别***，其特征在于，包括：
获取单元，用于获取浮动车数据；
预处理单元，用于对浮动车数据进行处理，得到行程时间数据；
求解单元，用于根据行程时间数据得出行程时间分布模型，并对所述行程时间分布模型进行降维，进而对行程时间分布模型进行求解，得到求解后的行程时间分布模型；
指数加权移动均值计算单元，用于根据求解后的行程时间分布模型，计算指数加权移动均值；
控制图生成单元，用于根据指数加权移动均值，构造出指数加权移动均值的控制边界，形成指数加权移动均值控制图；
异常识别单元，用于获取实时的行程时间数据，并根据指数加权移动均值控制图中的控制边界进行交通异常识别。
8.根据权利要求7所述的一种基于行程时间演化的交通异常识别***，其特征在于：所述的求解单元具体包括：
模型构建单元，用于根据行程时间数据，构建得到行程时间分布模型；
第一处理单元，用于对行程时间分布模型进行局部最小二乘法处理，得出随机过程中的均值函数和协方差函数；
第二处理单元，用于通过特征方程计算行程时间分布模型的特征值和特征函数；
第三处理单元，用于根据行程时间分布模型，计算出可解释变异比大于95％的最少主成分个数；
第四处理单元，用于根据得到的最少主成分个数，用主成分分析法计算所述行程时间分布模型的主成分函数的系数，得到求解后的行程时间分布模型。
9.一种基于行程时间演化的交通异常识别装置，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如权利要求1-6任一项所述一种基于行程时间演化的交通异常识别方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-6任一项所述一种基于行程时间演化的交通异常识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010015303.6A CN111192454B (zh) | 2020-01-07 | 2020-01-07 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010015303.6A CN111192454B (zh) | 2020-01-07 | 2020-01-07 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111192454A true CN111192454A (zh) | 2020-05-22 |
| CN111192454B CN111192454B (zh) | 2021-06-01 |
Family
ID=70710705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010015303.6A Active CN111192454B (zh) | 2020-01-07 | 2020-01-07 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111192454B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232257A (zh) * | 2020-10-26 | 2021-01-15 | 青岛海信网络科技股份有限公司 | 一种交通异常确定方法、装置、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927872A (zh) * | 2014-04-28 | 2014-07-16 | 武汉大学 | 一种基于浮动车数据预测多时段行程时间分布的方法 |
| CN104700200A (zh) * | 2014-12-18 | 2015-06-10 | 西安交通大学 | 一种面向数字化车间的产品多元质量监控方法 |
| CN105679025A (zh) * | 2016-02-22 | 2016-06-15 | 北京航空航天大学 | 一种基于可变权重混合分布的城市干道行程时间估计方法 |
| CN107424410A (zh) * | 2017-07-14 | 2017-12-01 | 中南大学 | 一种基于路径旅行时间计算的交通异常检测方法 |
| CN107688556A (zh) * | 2017-07-24 | 2018-02-13 | 中山大学 | 一种基于函数型主成分分析的实时行程时间计算方法 |
| WO2018122802A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种多模态道路交通异常检测方法 |
| CN109637143A (zh) * | 2019-01-22 | 2019-04-16 | 江苏智通交通科技有限公司 | 改进的行程时间可靠性分析方法 |
| CN110363989A (zh) * | 2019-07-11 | 2019-10-22 | 汉王科技股份有限公司 | 交通流量检测方法、装置、电子设备及存储介质 |
-
2020
- 2020-01-07 CN CN202010015303.6A patent/CN111192454B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927872A (zh) * | 2014-04-28 | 2014-07-16 | 武汉大学 | 一种基于浮动车数据预测多时段行程时间分布的方法 |
| CN104700200A (zh) * | 2014-12-18 | 2015-06-10 | 西安交通大学 | 一种面向数字化车间的产品多元质量监控方法 |
| CN105679025A (zh) * | 2016-02-22 | 2016-06-15 | 北京航空航天大学 | 一种基于可变权重混合分布的城市干道行程时间估计方法 |
| WO2018122802A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种多模态道路交通异常检测方法 |
| WO2018122805A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的交通异常检测方法 |
| WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
| CN107424410A (zh) * | 2017-07-14 | 2017-12-01 | 中南大学 | 一种基于路径旅行时间计算的交通异常检测方法 |
| CN107688556A (zh) * | 2017-07-24 | 2018-02-13 | 中山大学 | 一种基于函数型主成分分析的实时行程时间计算方法 |
| CN109637143A (zh) * | 2019-01-22 | 2019-04-16 | 江苏智通交通科技有限公司 | 改进的行程时间可靠性分析方法 |
| CN110363989A (zh) * | 2019-07-11 | 2019-10-22 | 汉王科技股份有限公司 | 交通流量检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| IVANA CAVAR 等: "Estimation of Travel Times on Signalized Arterials", 《JOURNAL OF CIVIL ENGINEERING AND ARCHITECTURE》 * |
| 李梦琦: "基于浮动车数据的道路拥堵状态评价及宏观基本图研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 钱叶魁 等: "基于多尺度主成分分析的全网络异常检测方法", 《软件学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232257A (zh) * | 2020-10-26 | 2021-01-15 | 青岛海信网络科技股份有限公司 | 一种交通异常确定方法、装置、设备及介质 |
| CN112232257B (zh) * | 2020-10-26 | 2023-08-11 | 青岛海信网络科技股份有限公司 | 一种交通异常确定方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111192454B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zou et al. | A space–time diurnal method for short-term freeway travel time prediction | |
| Zhang et al. | A multivariate short-term traffic flow forecasting method based on wavelet analysis and seasonal time series | |
| Boto‐Giralda et al. | Wavelet‐based denoising for traffic volume time series forecasting with self‐organizing neural networks | |
| CN111260249B (zh) | 一种基于lstm和随机森林混合模型的电力通信业务可靠性评估预测方法及装置 | |
| CN111368980B (zh) | 状态检测方法、装置、设备及存储介质 | |
| Bendre et al. | Time series decomposition and predictive analytics using MapReduce framework | |
| Klein Entink et al. | How to statistically analyze nano exposure measurement results: using an ARIMA time series approach | |
| Hayden et al. | Statistical methods to develop rating models | |
| WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
| CN111192454B (zh) | 基于行程时间演化的交通异常识别方法、***及存储介质 | |
| CN111178377A (zh) | 可视化特征筛选方法、服务器及存储介质 | |
| Alves et al. | Detecting chaos and predicting in Dow Jones Index | |
| CN112488496A (zh) | 一种财务指标预测方法及装置 | |
| Zounemat-Kermani | Investigating chaos and nonlinear forecasting in short term and mid-term river discharge | |
| CN115858609A (zh) | 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备 | |
| CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
| Yang et al. | Bayesian dynamic programming approach for tracking time-varying model properties in SHM | |
| CN113988709A (zh) | 中压配电线路故障率分析方法、装置、终端设备及介质 | |
| CN113033921A (zh) | 一种基于多元逐步回归分析的公交线路客流预测方法 | |
| Kulaglic et al. | Stock price forecast using wavelet transformations in multiple time windows and neural networks | |
| Stepashko et al. | A technique for integral evaluation and forecast of the performance of a complex economic system | |
| CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
| CN113919599A (zh) | 一种中长期负荷预测方法 | |
| Alamilla et al. | Seismicity assessment using earthquake catalogues with uncertain and incomplete data: probabilistic formulation | |
| Ito | Modeling dynamic diurnal patterns in high frequency financial 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 |