CN111583649A - 一种rfid时空数据交通流特征参数预测方法 - Google Patents
一种rfid时空数据交通流特征参数预测方法 Download PDFInfo
- Publication number
- CN111583649A CN111583649A CN202010414026.6A CN202010414026A CN111583649A CN 111583649 A CN111583649 A CN 111583649A CN 202010414026 A CN202010414026 A CN 202010414026A CN 111583649 A CN111583649 A CN 111583649A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- characteristic parameters
- predicting
- rfid
- 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 38
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000011144 upstream manufacturing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 12
- 230000007704 transition Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种RFID时空数据交通流特征参数预测方法,包括以下步骤:S1:获取RFID采集目标路段的交通数据,对交通数据进行时空相关性分析;S2:获取影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数的相关性;S3:预测目标路段在交通流稳定状态和交通流不稳定状态下的交通流特征参数;S4:对两种状态下的交通流特征参数进行加权组合。本发明克服了现有的预测方法计算量大、实时性和抗干扰能力差、预测精度不高、预测效率低等问题具有可以实现准确、全面、可靠的交通流特征参数预测,为改善交通拥堵问题提供了一种新思路的优点。
Description
技术领域
本发明涉及交通领域,具体的,涉及一种RFID时空数据交通流特征参数预测方法。
背景技术
准确、全面、可靠地掌握交通流特征参数预测信息是实现交通控制、交通诱导和提供实时交通信息的前提、基础和关键。目前,国内外对于交通参数的预测大多是通过相机传感器、环形线圈、出租车GPS、浮动车等获取的大量数据进行分析研究。然而,一方面,有些传感器在恶劣环境中不能很好的识别车辆信息;另一方面,有些传感器采集的数据大多都是抽样数据。本发明提供了一种新兴RFID电子车牌采集技术,这种技术不受天气影响,并且获取数据是全样本数据,而且具有高效、可靠的感知车辆信息的能力。
通过查阅相关论文和专利,现有的交通流特征参数预测方法大多是计算量大、实时性和抗干扰能力差、预测精度不高、预测效率低等。
发明内容
有鉴于此,本发明的目的是提供一种RFID时空数据交通流特征参数预测方法,。
本发明的目的是通过以下技术方案实现的:
一种RFID时空数据交通流特征参数预测方法,包括以下步骤:
S1:获取RFID采集目标路段的交通数据,对交通数据进行时空相关性分析;
S2:获取影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数的相关性;
S3:预测目标路段在交通流稳定状态和交通流不稳定状态下的交通流特征参数;
S4:对两种状态下的交通流特征参数进行加权组合。
进一步,所述S1具体为:
获取通过目标路段每一个车辆的RFID基站号、车辆ID号和车辆经过采集点的时间;
对获取的信息数据叠加形成时空数据矩阵;
分析每个采样时刻与该时刻的采集点数量的相关性。
进一步,所述影响目标路段交通状态的交通流特征参数包括上游标准车流量、慢行车比例、大型车比例和路口转向流量占比;
所述能够反映目标路段交通状态的交通流特征参数包括平均行程时间和下游路口标准车流量。
进一步,所述S2所述的相关性获取方法为:
yi=b0+b1x1+b2x2+b3x3+b4x4
x1为所述上游标准车流量,x2为所述慢行车比例,x3为所述大型车比例,x4为所述路口转向流量占比;
y1为所述平均行程时间,y2为所述下游路口标准车流量。
进一步,所述交通流不稳定状态的交通流特征参数的预测方法为:建立紧致型小波神经网络模型,使得输入层为所述上游标准车流量、所述慢行车比例、所述大型车比例和所述路口转向流量占比,输出层为所述平均行程时间和所述下游路口标准车流量;
所述交通流稳定状态的交通流特征参数的预测方法为:建立马尔科夫模型,预测下一时刻的目标路段的所述平均行程时间和所述下游路口标准车流量。
进一步,所述S4所述的加权组合的权值的设定条件为:预测的所述平均行程时间与实际的所述平均行程时间绝对误差应小于2-4s,预测的所述标准车流量与实际的所述标准车流量绝对误差应小于1-2.5pcu。
进一步,当不满足所述设定条件时,判定rW1与rM1、rW2与rM2的关系;
当rW1大于rM1,rW2大于rM2,选择所述小波神经网络模型模型的预测值作为预测结果,否则,选择所述马尔科夫模型预测值作为预测结果。
本发明的有益效果是:
本发明克服了现有的预测方法计算量大、实时性和抗干扰能力差、预测精度不高、预测效率低等问题具有可以实现准确、全面、可靠的交通流特征参数预测,为改善交通拥堵问题提供了一种新思路的优点。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明总体流程示意图;
图2紧致型小波神经网络交通参数预测模型。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
本实施提出了一种RFID时空数据交通流特征参数预测方法,如图1所示,具体的:
首先,获取RFID采集目标路段的交通数据,对交通数据进行时空相关性分析。RFID电子车牌***是通过安装在道路上的阅读器读取装有电子标签的车辆,并把采集的信息存储在数据库处理中心,采集的车辆数据信息主要包括RFID基站号、车辆ID号、车辆经过采集点的时间等,并对数据进行预处理。根据选取的目标路段上的RFID基站,以及影响目标路段交通状态的其他路段上的RFID基站,使用MySQL软件进行编程,查询所有通过选取得RFID基站车辆ID号、通过时间、以及相同的行驶方向。
对获取的信息叠加处理形成时空数据矩阵,具体为:
式中,αmn表示RFID采集车辆在n时刻通过第m个采集点的信息。
为了进一步说明数据之间具有很强的时空相关性,包括:时间相关性和空间相关性,获取每个采样时刻与该时刻的采集点数量的时空数据窗口,采用协方差和协方差矩阵分析两者之间的相关性,当协方差是在正值时,说明两个变量正相关,否则为负相关,计算公式如下所示:
其中,X表示采样时刻,Y表示采集点。此外,为了表示方便计算公式只列出来时空相关性,还可以表示时间上的相关性和空间上的相关性。通过分析相关性可以获得在同一时间不同采集点、不同时间相同采集点、不同时间不同采集点选取与计算的交通流特征参数。把能够影响目标路段交通状态的交通流特征参数作为建立模型的输入,能够反映目标路段交通状态的交通流特征参数作为建立模型输出的预测值。
设定预测时间窗口,本实施例的时间窗口设定为60S,每次预测的时间单位为秒。
第三,为了使选取的交通流特征参数能够充分体现在建立的组合模型上,分别采用小波神经网络模型和马尔科夫模型对目标路段的交通流特征参数进行预测,其中交通流特征参数包括能够影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数,能够影响目标路段交通状态的交通流特征参数为自变量X={x1,x2,x3,x4},x1,x2,x3,x4分别代表上游标准车流量、慢行车比例、大型车比例和路口转向流量占比作为模型的输入,计算方法为:
上游标准车流量计算公式:x1=∑λm·Vm
慢行车比例计算公式:x2=Vslow/Vall
大型车比例计算公式:x3=Vbig/Vall
路口转向流量占比计算公式:x4=Vrelative/Vobjective
式中,λm是第m种车型的折算系数,Vm是单位时间内通过上游路段上RFID电子车牌阅读器所在断面的第m种车型的数量,Vslow是单位时间内通过指定RFID电子车牌采集点断面安装有RFID电子车牌的慢行车数量,Vbig是单位时间内通过指定RFID电子车牌采集点断面安装有RFID电子车牌的大型车数量,Vall是单位时间内通过指定RFID电子车牌采集点断面所有安装有RFID电子车牌的机动车的数量,Vrelative表示单位时间内从某个相关路段进入到目标路段的机动车数量,Vobjective表示单位时间内目标路段行驶的机动车总数量。
Y={y1,y2}为因变量,分别代表平均行程时间和下游路口标准车流量作为模型输出的预测值,两者的计算方式具体为:
下游标准车流量计算公式:y2=∑λm·Vm
式中,n表示单位时间内通过目标路段的机动车总数量,是第k辆车经过目标路段下游路口RFID电子车牌采集点所在断面时间,是第k辆车经过目标路段的上游路口RFID电子车牌采集点所在断面时间,λm是第m种车型的折算系数,Vm是单位时间内通过下游路段上RFID电子车牌阅读器所在断面的第m种车型的数量。
为了获取X和Y的相关性,建立多元回归相关分析模型,计算公式如下所示:
yi=b0+b1x1+b2x2+b3x3+b4x4
小波神经网络模型是在交通流不稳定状态的交通流特征参数的预测方法,具体为:其理论模型为下式:
其中,ωij是连接输入层i和隐含层j的权值,ωjp是连接隐含层j和输出层p的权值;ψa,b是小波基函数;xw(p)是p时刻对紧致型小波神经网络的输入变量;σ表示的是传递函数。
如图2所示,其上游的标准车流量、慢行车比例、大型车比例、路口转向流量占比作为小波神经网络的输入层,目标路段平均行程时间、下游标准车流量作为输出层,其输出值作为小波神经网络模型的预测值。
马尔科夫模型为针对稳定的交通状态以及选取的交通流特征参数,对平均行程时间和下游路口标准车流量进行预测的方法。为了构造一个马尔科夫交通参数预测模型,需要知道交通参数所属的状态,根据所属的交通状态求出状态转移矩阵,使用状态转移矩阵对未来时刻的城市道路交通特征参数进行预测。具体步骤包括:
(1)确定状态转移概率,如下式所示:
式中,p(xi(t-1))→xj(t))表示的是当前t-1时刻状态转移到t时刻状态的概率,mi表示的是xi在不同时段出现的次数,mij表示的是状态xi转移到状态xj的次数。
(2)确定状态转移矩阵,如下式所示:
其中,需要满足以下条件:
(3)确定状态转移矩阵,如下式所示:
xk=x(t=k)=p×x(t=k-1)
其中,xk指的是k时刻的预测值,p为状态转移概率,x(t=k-1)指的是状态边界值。
(4)确定预测方程,如下式所示:
yk=Hxk+εk
式中,yk表示的是k时刻的观测值,εk表示的是k时刻的观噪声;H表示的是观测系数,一般用单位矩阵E表示。
针对马尔科夫模型和小波神经网络模型的单一模型的预测值,将两者进行加权组合,得到下式组合模型的预测值,可表示为:
式中,为小波神经网络模型的预测值,为马尔科夫模型的预测值,k1,k2,k3,k4为权值,权值根据误差情况进行自适应调整,具体按照前一时刻预测误差进行修正,使预测值满足预设条件,本实施例采用的预设条件具体为:
预测的行程时间与实际的行程时间绝对误差应小于2-4s,预测的标准车流量与实际的标准车流量绝对误差应小于1-2.5pcu,如果满足设定条件,则预测值采用组合预测得到的结果,其中组合模型的预测误差可以表示为:
式中:ΔTW-M(t)为预测的行程时间与实际的行程时间的绝对误差;
ΔQW-M(t)为预测的标准车流量与实际的标准车流量绝对误差。
若不满足预设条件,采用0-1组合预测模型对交通参数进一步预测。该模型是基于小波神经网络模型预测值和马尔科夫模型预测值与实际交通真实值的相关系数极大化准则来预测交通参数的,以提高交通参数的预测精度。具体公式如下:
式中,rW1,rM1表示的是小波神经网络模型行程时间预测值和马尔科夫模型行程时间预测值与实际交通真实值的相关系数,rW2,rM2表示的是小波神经网络模型下游标准车流量预测值和马尔科夫模型下游标准车流量预测值与实际交通真实值的相关系数。当rW1大于rM1,rW2大于rM2,说明小波神经网络模型的预测值与真实值之间的相关性更高,交通参数预测值与真实值更接近,此时选择小波神经网络模型的预测值作为预测结果,否则,选择马尔科夫模型预测值作为预测结果。
另t=t+1,判断t是否小于60,若小于,则继续进行上述步骤,继续对下一时刻的交通流特征进行预测,否则结束。
为了验证上述方法的准确性,选取平均绝对误差(MeanAbsolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、均方误差(Mean SquareError,MSE)、均方根误差(Root Mean Square Error,RMSE)和均方百分比误差(MeanSquare Percentage Error,MSPE)对预测结果进行分析,其值越小更能说明模型的预测精确度越高,进一步能够验证所提算法的有效性和准确性,计算公式如下:
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种RFID时空数据交通流特征参数预测方法,其特征在于:包括以下步骤:
S1:获取RFID采集目标路段的交通数据,对交通数据进行时空相关性分析;
S2:获取影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数的相关性;
S3:预测目标路段在交通流稳定状态和交通流不稳定状态下的交通流特征参数;
S4:对两种状态下的交通流特征参数进行加权组合。
2.根据权利要求1所述的一种RFID时空数据交通流特征参数预测方法,其特征在于:所述S1具体为:
获取通过目标路段每一个车辆的RFID基站号、车辆ID号和车辆经过采集点的时间;
对获取的信息数据叠加形成时空数据矩阵;
分析每个采样时刻与该时刻的采集点数量的相关性。
3.根据权利要求1所述的一种RFID时空数据交通流特征参数预测方法,其特征在于:
所述影响目标路段交通状态的交通流特征参数包括上游标准车流量、慢行车比例、大型车比例和路口转向流量占比;
所述能够反映目标路段交通状态的交通流特征参数包括平均行程时间和下游路口标准车流量。
5.根据权利要求4所述的一种RFID时空数据交通流特征参数预测方法,其特征在于:
所述交通流不稳定状态的交通流特征参数的预测方法为:建立紧致型小波神经网络模型,使得输入层为所述上游标准车流量、所述慢行车比例、所述大型车比例和所述路口转向流量占比,输出层为所述平均行程时间和所述下游路口标准车流量;
所述交通流稳定状态的交通流特征参数的预测方法为:建立马尔科夫模型,预测下一时刻的目标路段的所述平均行程时间和所述下游路口标准车流量。
6.根据权利要求5所述的一种RFID时空数据交通流特征参数预测方法,其特征在于:所述S4所述的加权组合的权值的设定条件为:预测的所述平均行程时间与实际的所述平均行程时间绝对误差应小于2-4s,预测的所述标准车流量与实际的所述标准车流量绝对误差应小于1-2.5pcu。
7.根据权利要求6所述的一种RFID时空数据交通流特征参数预测方法,其特征在于:当不满足所述设定条件时,判定rW1与rM1、rW2与rM2的关系;
当rW1大于rM1,rW2大于rM2,选择所述小波神经网络模型模型的预测值作为预测结果,否则,选择所述马尔科夫模型预测值作为预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414026.6A CN111583649B (zh) | 2020-05-15 | 2020-05-15 | 一种rfid时空数据交通流特征参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414026.6A CN111583649B (zh) | 2020-05-15 | 2020-05-15 | 一种rfid时空数据交通流特征参数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583649A true CN111583649A (zh) | 2020-08-25 |
CN111583649B CN111583649B (zh) | 2022-02-01 |
Family
ID=72117564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414026.6A Active CN111583649B (zh) | 2020-05-15 | 2020-05-15 | 一种rfid时空数据交通流特征参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583649B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233426A (zh) * | 2020-11-23 | 2021-01-15 | 重庆市市政设计研究院有限公司 | 基于rfid及多源数据的桥梁实时预警方法装置及*** |
CN115691164A (zh) * | 2022-09-27 | 2023-02-03 | 广州玩鑫信息科技有限公司 | 一种基于大数据的智慧交通管理方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102985956A (zh) * | 2010-06-29 | 2013-03-20 | 本田技研工业株式会社 | 堵车预测显示方法 |
CN103745106A (zh) * | 2014-01-10 | 2014-04-23 | 浙江银江研究院有限公司 | 一种短时交通流预测方法 |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN106448156A (zh) * | 2016-08-31 | 2017-02-22 | 广州地理研究所 | 基于汽车电子标识的城市交通运行状态预测方法和装置 |
DE102016216538A1 (de) * | 2016-09-01 | 2018-03-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Betreiben einer Steuervorrichtung eines Kraftfahrzeugs, Steuervorrichtung und Kraftfahrzeug |
CN108399745A (zh) * | 2018-03-01 | 2018-08-14 | 北京航空航天大学合肥创新研究院 | 一种基于无人机的分时段城市路网状态预测方法 |
CN109003446A (zh) * | 2018-07-12 | 2018-12-14 | 重庆市城投金卡信息产业股份有限公司 | 一种基于rfid数据的城市错峰通行效果分析方法 |
CN109961180A (zh) * | 2019-03-15 | 2019-07-02 | 浙江工业大学 | 一种基于时空相关性的短时交通流量预测方法 |
-
2020
- 2020-05-15 CN CN202010414026.6A patent/CN111583649B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102985956A (zh) * | 2010-06-29 | 2013-03-20 | 本田技研工业株式会社 | 堵车预测显示方法 |
CN103745106A (zh) * | 2014-01-10 | 2014-04-23 | 浙江银江研究院有限公司 | 一种短时交通流预测方法 |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN106448156A (zh) * | 2016-08-31 | 2017-02-22 | 广州地理研究所 | 基于汽车电子标识的城市交通运行状态预测方法和装置 |
DE102016216538A1 (de) * | 2016-09-01 | 2018-03-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Betreiben einer Steuervorrichtung eines Kraftfahrzeugs, Steuervorrichtung und Kraftfahrzeug |
CN108399745A (zh) * | 2018-03-01 | 2018-08-14 | 北京航空航天大学合肥创新研究院 | 一种基于无人机的分时段城市路网状态预测方法 |
CN109003446A (zh) * | 2018-07-12 | 2018-12-14 | 重庆市城投金卡信息产业股份有限公司 | 一种基于rfid数据的城市错峰通行效果分析方法 |
CN109961180A (zh) * | 2019-03-15 | 2019-07-02 | 浙江工业大学 | 一种基于时空相关性的短时交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
赵烨华等: "一种新的基于小波分析理论的组合预测方法", 《鲁东大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233426A (zh) * | 2020-11-23 | 2021-01-15 | 重庆市市政设计研究院有限公司 | 基于rfid及多源数据的桥梁实时预警方法装置及*** |
CN112233426B (zh) * | 2020-11-23 | 2024-02-02 | 重庆市市政设计研究院有限公司 | 基于rfid及多源数据的桥梁实时预警方法装置及*** |
CN115691164A (zh) * | 2022-09-27 | 2023-02-03 | 广州玩鑫信息科技有限公司 | 一种基于大数据的智慧交通管理方法及*** |
CN115691164B (zh) * | 2022-09-27 | 2024-05-03 | 新疆北鹰北创信息科技有限公司 | 一种基于大数据的智慧交通管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111583649B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
CN107610464B (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN109191845B (zh) | 一种公交车辆到站时间预测方法 | |
US20050091176A1 (en) | Forecasting apparatus | |
CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
CN111583649B (zh) | 一种rfid时空数据交通流特征参数预测方法 | |
CN109272745B (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN103258427A (zh) | 基于信息物理网络的城市快速路交通实时监控***与方法 | |
CN109118787B (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
CN112785077B (zh) | 基于时空数据的出行需求预测方法及*** | |
CN112382095A (zh) | 一种多源数据融合的城市快速路交通状态估计方法 | |
CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN110930693B (zh) | 一种用于道路断面的在线短时交通流预测方法 | |
CN110796317B (zh) | 一种基于需求预测的城市出租车调度方法 | |
CN110910531A (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
CN115436972A (zh) | 基于重载货车gps轨迹识别停留点的方法、***及介质 | |
Kumar et al. | Time series traffic flow prediction with hyper-parameter optimized ARIMA models for intelligent transportation system | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
CN113658423A (zh) | 基于循环门控单元的车辆轨迹异常检测方法 | |
Qian et al. | Vehicular networking-enabled vehicle state prediction via two-level quantized adaptive Kalman filtering | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及*** | |
CN111524358B (zh) | 一种区域辐射***通流量预测方法 | |
CN112927507A (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
CN111488417B (zh) | 信息处理方法、***、装置、设备及计算机存储介质 | |
CN116778715A (zh) | 一种多因素的高速交通流量智能预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |