CN111882858A - 一种基于多源数据的高速公路异常事件排队长度预测方法 - Google Patents

一种基于多源数据的高速公路异常事件排队长度预测方法 Download PDF

Info

Publication number
CN111882858A
CN111882858A CN202010484814.2A CN202010484814A CN111882858A CN 111882858 A CN111882858 A CN 111882858A CN 202010484814 A CN202010484814 A CN 202010484814A CN 111882858 A CN111882858 A CN 111882858A
Authority
CN
China
Prior art keywords
data
traffic flow
vehicle
abnormal event
prediction model
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
CN202010484814.2A
Other languages
English (en)
Other versions
CN111882858B (zh
Inventor
孙棣华
王卫平
唐毅
吴霄
赵敏
蒋陈虎
陈力云
黄启亮
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.)
Chongqing Expressway Group Co ltd
Chongqing University
Original Assignee
Chongqing Expressway Group Co ltd
Chongqing University
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 Chongqing Expressway Group Co ltd, Chongqing University filed Critical Chongqing Expressway Group Co ltd
Priority to CN202010484814.2A priority Critical patent/CN111882858B/zh
Publication of CN111882858A publication Critical patent/CN111882858A/zh
Application granted granted Critical
Publication of CN111882858B publication Critical patent/CN111882858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0125—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
    • G08G1/065—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多源数据的高速公路异常事件排队长度预测方法，本发明在考虑道路检测设备分布稀疏的情况下，基于车检器数据和收费数据，采用模态划分的方法在一定程度上解决排队长度预测所需数据获取困难的问题，可适用于发生于一定场景下的异常事件排队长度预测；本发明的方法是通过结合历史车检器数据和收费数据得到两个部分的车流量参数，通过历史收费数据结合收费站之间的OD特性得到两两收费站间的平均行程速度，结合建立的目标场景下的排队长度预测模型达到对排队长度进行预测的目的，该方法依据多源数据能够较为准确的预测排队长度的变化趋势，为道路交通***的交通管制以及交通拥堵问题的缓解提供强有力的技术支持。

Description

一种基于多源数据的高速公路异常事件排队长度预测方法
技术领域
本发明涉及交通数据分析及处理领域，特别涉及一种基于多源数据的高速公路异常事件排队长度预测方法。
背景技术
高速公路自20世纪90年代起在我国得到了突飞猛进的发展，以其本身固有的特点和优势，在现代交通运输中占有极为重要的地位和作用。随着高速公路上行驶的车辆越来越多，各种问题接踵而来，首当其冲的就是交通拥堵问题。由于高速公路上诸如交通事故、道路养护等异常事件的出现，使得原本就相当有限的高速公路资源难以充分利用，进而导致了严重的交通拥堵、车辆排队问题。不同于城市道路，高速公路的车辆一般行车速度都比较快，因此一旦发生交通拥堵往往将造成严重的后果，且拥堵的影响时间一般都较长，可能导致严重经济损失问题。
当前对于排队长度预测的方法大都以排队论或交通波模型作为基础进行改进，其中专利CN106887141A基于排队论，通过设置连续流量采集节点，根据每个节点之间队列长度，在假定车辆到达率服从一定分布的基础上得到路段的排队长度，该方法虽然在精度上具有一定的优势，但是对于设备布设稀疏的高速公路而言却难以具体实施，适用性较差。专利CN106571030A基于浮动车采集的多源数据针对道路交叉口这一具体场景提出了基于交通波模型的排队长度预测方法，该方法虽然对于检测设备的布设要求较低，但是却要求道路上需要存在一定比例的浮动车，这对于高速公路而言显然在大多数情况下是难以满足的。同时，目前对于排队长度进行预测的方法大都针对的是如交叉口等较为简单、封闭的道路环境，但是高速公路上存在包含匝道收费站等非封闭的道路场景，缺少相关的研究。
因此借助高速公路上能够获取的多源数据，有效地分析把握异常事件的影响范围及排队长度变化过程，将有助于指导交通管理者制定合理的交通管控策略，进而提高高速公路的管控和服务水平是当前智能交通***发展的急需，也是研究的重点和难点问题。
发明内容
有鉴于此，本发明的目的是提供一种基于多源数据的高速公路异常事件排队长度预测方法。
本发明的目的是通过以下技术方案来实现的：
一种基于多源数据的高速公路异常事件排队长度预测方法，包括以下步骤：
步骤一：基于设置于高速公路上的交通参数检测设备和匝道收费站的相对位置将道路摸态划分为若干类型；
步骤二：基于异常事件的空间信息进行道路模态匹配，所述异常事件的空间信息指异常事件发生地点；
步骤三：基于模态类型及异常事件时间信息进行相关历史数据的提取，所述相关历史数据包括交通参数检测设备检测到的车辆信息数据和匝道收费站的收费数据；
步骤四：提取历史车流量参数，构建未来车流量预测模型，具体过程如下：
4.1：基于提取的交通参数检测设备数据，根据异常事件发生时间ts，以固定周期Δt提取相应的历史车流量参数q′(ts+Δt)；
4.2：基于4.1得到的历史车流量参数q′(ts+Δt)，结合指数平滑法构建未来车流量预测模型，
步骤五：基于步骤三和四提取的收费数据提取车流量、路段平均行程速度参数；
5.1：基于收费数据结合匝道收费站的OD关系，来获得不同行程方向的历史车流量参数，然后步骤四中的未来车流量预测模型对未来流量进行预测；
5.2：以两两匝道收费站为一路段，以一定的时间间隔ΔT筛选相应的收费数据，根据两两匝道收费站之间的距离Sn，进而获得不同路段的历史平均行程速度
Figure BDA0002518749690000021
即：
Figure BDA0002518749690000022
步骤六：结合车道数、道路平均阻塞密度、步骤四、步骤五得到的信息建立不同模态下的排队长度预测模型；
步骤七：基于步骤六建立的排队长度预测模型对异常事件产生的车辆排队长度进行预测。
进一步，所述步骤一的交通参数检测设备为车检器。
进一步，所述步骤一的模态划分为以下四种：
①事发地点上游为车检器，事发地点下游为车检器；②事发地点上游为车检器，事发地点下游为匝道收费站；③事发地点为上游匝道收费站，事发地点下游为车检器；④事发地点上游为匝道收费站，事发地点下游为匝道收费站。
进一步，所述步骤四构建的未来车流量预测模型表达式为
Figure BDA0002518749690000031
式中yt代表时间序列，
Figure BDA0002518749690000032
代表第t周期的一次指数平滑值，α代表指数平滑系数，0＜α＜1。
进一步，所述步骤六的排队长度预测模型的表达式为
Figure BDA0002518749690000033
式中：L(t)代表时刻t时异常事件发生路段的车辆排队长度；Qi(t)代表t时刻事件发生地点上游的车辆到达数；Qu(t)代表t时刻事件发生地车辆离开数；M代表道路拥有的车道数；Kj代表平均阻塞密度；Nc初始阶段车辆累计数。
由于采用了上述技术方案，本发明具有如下的有益效果：
本发明在考虑道路检测设备分布稀疏的情况下，基于车检器数据和收费数据，采用模态划分的方法在一定程度上解决排队长度预测所需数据获取困难的问题，可适用于发生于一定场景下的异常事件排队长度预测；本发明的方法是通过结合历史车检器数据和收费数据得到两个部分的车流量参数，通过历史收费数据结合收费站之间的OD特性得到两两收费站间的平均行程速度，结合建立的目标场景下的排队长度预测模型达到对排队长度进行预测的目的，该方法依据多源数据能够较为准确的预测排队长度的变化趋势，为道路交通***的交通管制以及交通拥堵问题的缓解提供强有力的技术支持。
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
本发明的附图说明如下。
图1为本发明的流程示意图；
图2为本发明划分的道路模态示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图1-2所示，本实施例提供的一种基于多源数据的高速公路异常事件排队长度预测方法，包括以下步骤：
步骤一：基于设置于高速公路上的交通参数检测设备和匝道收费站的相对位置将道路摸态划分为若干类型；
步骤二：基于异常事件的空间信息进行道路模态匹配，所述异常事件的空间信息指异常事件发生地点；
步骤三：基于模态类型及异常事件时间信息进行相关历史数据的提取，所述相关历史数据包括交通参数检测设备检测到的车辆信息数据和匝道收费站的收费数据；
步骤四：提取历史车流量参数，构建未来车流量预测模型，具体过程如下：
4.1：基于提取的交通参数检测设备数据，根据异常事件发生时间ts，以固定周期Δt提取相应的历史车流量参数q′(ts+Δt)；
4.2：基于4.1得到的历史车流量参数q′(ts+Δt)，结合指数平滑法构建未来车流量预测模型，
步骤五：基于步骤三和四提取的收费数据提取车流量、路段平均行程速度参数；
5.1：基于收费数据结合匝道收费站的OD关系，来获得不同行程方向的历史车流量参数，然后步骤四中的未来车流量预测模型对未来流量进行预测；
5.2：以两两匝道收费站为一路段，以一定的时间间隔ΔT筛选相应的收费数据，根据
两两匝道收费站之间的距离Sn，进而获得不同路段的历史平均行程速度
Figure BDA0002518749690000041
即：
Figure BDA0002518749690000042
步骤六：结合车道数、道路平均阻塞密度、步骤四、步骤五得到的信息建立不同模态下的排队长度预测模型；
步骤七：基于步骤六建立的排队长度预测模型对异常事件产生的车辆排队长度进行预测。
本实施例中，所述步骤一的交通参数检测设备为车检器。
本实施例中，所述步骤一的模态划分为以下四种：
①事发地点上游为车检器，事发地点下游为车检器；②事发地点上游为车检器，事发地点下游为匝道收费站；③事发地点为上游匝道收费站，事发地点下游为车检器；④事发地点上游为匝道收费站，事发地点下游为匝道收费站。
本实施例中，所述步骤四构建的未来车流量预测模型表达式为
Figure BDA0002518749690000051
式中yt代表时间序列，
Figure BDA0002518749690000052
代表第t周期的一次指数平滑值，α代表指数平滑系数，0＜α＜1。
本实施例中，所述步骤六的排队长度预测模型的表达式为
Figure BDA0002518749690000053
式中：L(t)代表时刻t时异常事件发生路段的车辆排队长度；Qi(t)代表t时刻事件发生地点上游的车辆到达数；Qu(t)代表t时刻事件发生地车辆离开数；M代表道路拥有的车道数；Kj代表平均阻塞密度。
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保护范围当中。

Claims (5)

1.一种基于多源数据的高速公路异常事件排队长度预测方法，其特征在于，包括以下步骤：
步骤一：基于设置于高速公路上的交通参数检测设备和匝道收费站的相对位置将道路摸态划分为若干类型；
步骤二：基于异常事件的空间信息进行道路模态匹配，所述异常事件的空间信息指异常事件发生地点；
步骤三：基于模态类型及异常事件时间信息进行相关历史数据的提取，所述相关历史数据包括交通参数检测设备检测到的车辆信息数据和匝道收费站的收费数据；
步骤四：提取历史车流量参数，构建未来车流量预测模型，具体过程如下：
4.1：基于提取的交通参数检测设备数据，根据异常事件发生时间ts，以固定周期Δt提取相应的历史车流量参数q′(ts+Δt)；
4.2：基于4.1得到的历史车流量参数q′(ts+Δt)，结合指数平滑法构建未来车流量预测模型，
步骤五：基于步骤三和四提取的收费数据提取车流量、路段平均行程速度参数；
5.1：基于收费数据结合匝道收费站的OD关系，来获得不同行程方向的历史车流量参数，然后步骤四中的未来车流量预测模型对未来流量进行预测；
5.2：以两两匝道收费站为一路段，以一定的时间间隔ΔT筛选相应的收费数据，根据两两匝道收费站之间的距离Sn，进而获得不同路段的历史平均行程速度
Figure FDA0002518749680000011
即：
Figure FDA0002518749680000012
步骤六：结合车道数、道路平均阻塞密度、步骤四、步骤五得到的信息建立不同模态下的排队长度预测模型；
步骤七：基于步骤六建立的排队长度预测模型对异常事件产生的车辆排队长度进行预测。
2.根据权利要求1所述的检测方法，其特征在于，所述步骤一的交通参数检测设备为车检器。
3.根据权利要求1或2所述的检测方法，其特征在于，所述步骤一的模态划分为以下四种：
①事发地点上游为车检器，事发地点下游为车检器；②事发地点上游为车检器，事发地点下游为匝道收费站；③事发地点为上游匝道收费站，事发地点下游为车检器；④事发地点上游为匝道收费站，事发地点下游为匝道收费站。
4.根据权利要求1所述的检测方法，其特征在于，所述步骤四构建的未来车流量预测模型表达式为
Figure FDA0002518749680000021
式中yt代表时间序列，
Figure FDA0002518749680000022
代表第t周期的一次指数平滑值，α代表指数平滑系数，0＜α＜1。
5.根据权利要求1所述的检测方法，其特征在于，所述步骤六的排队长度预测模型的表达式为
Figure FDA0002518749680000023
式中：L(t)代表时刻t时异常事件发生路段的车辆排队长度；Qi(t)代表t时刻事件发生地点上游的车辆到达数；Qu(t)代表t时刻事件发生地车辆离开数；M代表道路拥有的车道数；Kj代表平均阻塞密度；Nc初始阶段车辆累计数。
CN202010484814.2A 2020-06-01 2020-06-01 一种基于多源数据的高速公路异常事件排队长度预测方法 Active CN111882858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010484814.2A CN111882858B (zh) 2020-06-01 2020-06-01 一种基于多源数据的高速公路异常事件排队长度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010484814.2A CN111882858B (zh) 2020-06-01 2020-06-01 一种基于多源数据的高速公路异常事件排队长度预测方法

Publications (2)

Publication Number Publication Date
CN111882858A true CN111882858A (zh) 2020-11-03
CN111882858B CN111882858B (zh) 2022-05-20

Family

ID=73154130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010484814.2A Active CN111882858B (zh) 2020-06-01 2020-06-01 一种基于多源数据的高速公路异常事件排队长度预测方法

Country Status (1)

Country Link
CN (1) CN111882858B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991724A (zh) * 2021-02-09 2021-06-18 重庆大学 一种高速公路异常事件发生位置与事发时间的估计方法及装置
CN113850991A (zh) * 2021-08-31 2021-12-28 北京北大千方科技有限公司 一种收费站的交通状况识别方法、装置、存储介质及终端
CN114627642A (zh) * 2022-02-25 2022-06-14 青岛海信网络科技股份有限公司 一种交通拥堵识别方法及装置
CN115424432A (zh) * 2022-07-22 2022-12-02 重庆大学 一种基于多源数据的高速公路异常事件下的上游分流方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020175831A1 (en) * 2001-04-06 2002-11-28 Terry Bergan Dynamic work zone safety system and method
CN102496264A (zh) * 2011-11-11 2012-06-13 东南大学 一种高速公路突发交通事件影响范围的确定方法
CN102800198A (zh) * 2012-08-15 2012-11-28 重庆大学 高速公路断面交通流量的测算方法
US20130041573A1 (en) * 2011-08-10 2013-02-14 Fujitsu Limited Apparatus for measuring vehicle queue length, method for measuring vehicle queue length, and computer-readable recording medium storing computer program for measuring vehicle queue length
CN103886756A (zh) * 2014-04-17 2014-06-25 交通运输部公路科学研究所 基于obu的高速公路路网运行状态检测方法
CN104361349A (zh) * 2014-10-31 2015-02-18 重庆大学 基于车检器和收费数据融合的异常交通状态识别方法及***
CN104392610A (zh) * 2014-12-19 2015-03-04 山东大学 基于分布式视频的高速路交通事件影响范围动态监控方法
CN104658252A (zh) * 2015-02-10 2015-05-27 交通运输部科学研究院 基于多源数据融合的高速公路交通运行状态的评估方法
CN105023433A (zh) * 2015-07-01 2015-11-04 重庆大学 一种高速公路交通异常事件影响范围预估方法
CN105702041A (zh) * 2016-04-21 2016-06-22 东南大学 基于神经网络的高速公路多源数据融合状态估计***及方法
CN106251630A (zh) * 2016-10-13 2016-12-21 东南大学 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法
CN107993438A (zh) * 2017-12-08 2018-05-04 上海云砥信息科技有限公司 一种高速公路瓶颈路段拥堵预警方法
CN109255948A (zh) * 2018-08-10 2019-01-22 昆明理工大学 一种基于卡尔曼滤波的分车道车流比例预测方法
CN109255956A (zh) * 2018-11-12 2019-01-22 长安大学 一种收费站交通流量异常检测方法
CN109446881A (zh) * 2018-09-05 2019-03-08 重庆大学 一种基于异构数据的高速公路路段交通状态检测方法
CN109979197A (zh) * 2019-04-04 2019-07-05 重庆同济同枥信息技术有限公司 基于融合数据的高速公路交通时间地图构建方法、***
US20190228593A1 (en) * 2016-02-18 2019-07-25 South China University Of Technology Toll road network traffic information collection and guidance system based on route identification system
CN110197586A (zh) * 2019-05-20 2019-09-03 重庆大学 一种基于多源数据的高速公路路段拥堵检测方法
CN110299011A (zh) * 2019-07-26 2019-10-01 长安大学 一种基于收费数据的高速公路任意断面的交通流预测方法
CN110782654A (zh) * 2019-02-22 2020-02-11 北京嘀嘀无限科技发展有限公司 拥堵区域通行能力估测方法、装置及数据处理设备
CN111161537A (zh) * 2019-12-25 2020-05-15 北京交通大学 考虑拥堵叠加效应的公路拥堵态势预测方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020175831A1 (en) * 2001-04-06 2002-11-28 Terry Bergan Dynamic work zone safety system and method
US20130041573A1 (en) * 2011-08-10 2013-02-14 Fujitsu Limited Apparatus for measuring vehicle queue length, method for measuring vehicle queue length, and computer-readable recording medium storing computer program for measuring vehicle queue length
CN102496264A (zh) * 2011-11-11 2012-06-13 东南大学 一种高速公路突发交通事件影响范围的确定方法
CN102800198A (zh) * 2012-08-15 2012-11-28 重庆大学 高速公路断面交通流量的测算方法
CN103886756A (zh) * 2014-04-17 2014-06-25 交通运输部公路科学研究所 基于obu的高速公路路网运行状态检测方法
CN104361349A (zh) * 2014-10-31 2015-02-18 重庆大学 基于车检器和收费数据融合的异常交通状态识别方法及***
CN104392610A (zh) * 2014-12-19 2015-03-04 山东大学 基于分布式视频的高速路交通事件影响范围动态监控方法
CN104658252A (zh) * 2015-02-10 2015-05-27 交通运输部科学研究院 基于多源数据融合的高速公路交通运行状态的评估方法
CN105023433A (zh) * 2015-07-01 2015-11-04 重庆大学 一种高速公路交通异常事件影响范围预估方法
US20190228593A1 (en) * 2016-02-18 2019-07-25 South China University Of Technology Toll road network traffic information collection and guidance system based on route identification system
CN105702041A (zh) * 2016-04-21 2016-06-22 东南大学 基于神经网络的高速公路多源数据融合状态估计***及方法
CN106251630A (zh) * 2016-10-13 2016-12-21 东南大学 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法
CN107993438A (zh) * 2017-12-08 2018-05-04 上海云砥信息科技有限公司 一种高速公路瓶颈路段拥堵预警方法
CN109255948A (zh) * 2018-08-10 2019-01-22 昆明理工大学 一种基于卡尔曼滤波的分车道车流比例预测方法
CN109446881A (zh) * 2018-09-05 2019-03-08 重庆大学 一种基于异构数据的高速公路路段交通状态检测方法
CN109255956A (zh) * 2018-11-12 2019-01-22 长安大学 一种收费站交通流量异常检测方法
CN110782654A (zh) * 2019-02-22 2020-02-11 北京嘀嘀无限科技发展有限公司 拥堵区域通行能力估测方法、装置及数据处理设备
CN109979197A (zh) * 2019-04-04 2019-07-05 重庆同济同枥信息技术有限公司 基于融合数据的高速公路交通时间地图构建方法、***
CN110197586A (zh) * 2019-05-20 2019-09-03 重庆大学 一种基于多源数据的高速公路路段拥堵检测方法
CN110299011A (zh) * 2019-07-26 2019-10-01 长安大学 一种基于收费数据的高速公路任意断面的交通流预测方法
CN111161537A (zh) * 2019-12-25 2020-05-15 北京交通大学 考虑拥堵叠加效应的公路拥堵态势预测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
CHANG ZHENWEN等: "Discussion on Emergency Traffic Organization Programs of Expressway Traffic Accident under Circumstance of Road Network", 《2009 SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 *
MIN ZHAO等: "An algorithm for freeway traffic state detection considering speed difference characteristic", 《2016 12TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA)》 *
孙棣华等: "高速公路短时交通流量预测的改进非参数回归算法", 《公路交通科技》 *
王伟: "高速公路事故持续时间及影响范围研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
罗例东: "高速公路异常事件影响范围演化分析与预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
胡沧粟: "基于DDDAS的高速公路异常事件影响范围仿真分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
费文鹏: "面向突发事件下动态路径诱导的拥堵传播与消散预测模型", 《中国优秀博士学位论文全文数据库 工程科技Ⅱ辑》 *
陈雪: "收费站与车检器数据结合的高速公路路段短时流量预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991724A (zh) * 2021-02-09 2021-06-18 重庆大学 一种高速公路异常事件发生位置与事发时间的估计方法及装置
CN113850991A (zh) * 2021-08-31 2021-12-28 北京北大千方科技有限公司 一种收费站的交通状况识别方法、装置、存储介质及终端
CN113850991B (zh) * 2021-08-31 2022-11-01 北京北大千方科技有限公司 一种收费站的交通状况识别方法、装置、存储介质及终端
CN114627642A (zh) * 2022-02-25 2022-06-14 青岛海信网络科技股份有限公司 一种交通拥堵识别方法及装置
CN115424432A (zh) * 2022-07-22 2022-12-02 重庆大学 一种基于多源数据的高速公路异常事件下的上游分流方法
CN115424432B (zh) * 2022-07-22 2024-05-28 重庆大学 一种基于多源数据的高速公路异常事件下的上游分流方法

Also Published As

Publication number Publication date
CN111882858B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN111882858B (zh) 一种基于多源数据的高速公路异常事件排队长度预测方法
CN108550262B (zh) 基于毫米波雷达的城市交通感知***
CN101807345B (zh) 一种基于视频检测技术的交通拥堵判别方法
CN109191849B (zh) 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
CN104778834A (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN103839409A (zh) 基于多断面视觉传感聚类分析的交通流状态判别方法
CN104408925A (zh) 基于陈列雷达的交叉口运行状态评价方法
CN111508094A (zh) 一种基于etc门架与卡口通行数据的高速公路拥堵发现方法
CN111145544B (zh) 一种基于拥堵蔓延消散模型的行程时间及路径预测方法
CN111243338A (zh) 基于车辆加速度的碰撞风险评价方法
CN104778835A (zh) 一种高等级道路多瓶颈点拥堵演化时空范围识别方法
CN106297296B (zh) 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、***
CN110766940A (zh) 道路信号交叉口运行状况评估方法
CN116052435B (zh) 一种城市道路拥堵影响范围界定与道路影响力计算方法
Biswas et al. Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis
Biswas et al. Modeling of the drivers’ decision-making behavior during yellow phase
CN104575049B (zh) 一种基于阵列雷达的高架匝道智能诱导方法及装置
CN116168538B (zh) 一种平面道路车辆通行空间识别方法
CN113297294B (zh) 一种基于大数据和云计算的高速公路监控管理方法及云监控管理平台
CN112907978A (zh) 基于监控视频的交通流量监控方法
CN114078321A (zh) 一种交通状况确定方法和装置
Yu et al. Simulation-based safety analysis of diversion and confluence area in urban underground loop
CN113688687B (zh) 一种基于电警数据的交通拥堵状态快速识别预测方法

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