CN111882877B - 一种交通区域分析方法及装置 - Google Patents

一种交通区域分析方法及装置 Download PDF

Info

Publication number
CN111882877B
CN111882877B CN202010902467.0A CN202010902467A CN111882877B CN 111882877 B CN111882877 B CN 111882877B CN 202010902467 A CN202010902467 A CN 202010902467A CN 111882877 B CN111882877 B CN 111882877B
Authority
CN
China
Prior art keywords
grid
vehicle
traffic
network
analyzed
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
Application number
CN202010902467.0A
Other languages
English (en)
Other versions
CN111882877A (zh
Inventor
党宇恒
潘星
王辉雄
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202010902467.0A priority Critical patent/CN111882877B/zh
Publication of CN111882877A publication Critical patent/CN111882877A/zh
Application granted granted Critical
Publication of CN111882877B publication Critical patent/CN111882877B/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
    • 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
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种交通区域分析方法及装置，其中，交通区域分析方法包括：获取待分析交通区域内的交通信息数据，交通信息数据包括车辆GPS轨迹；根据车辆GPS轨迹确定对应的车辆OD网格网络；根据交通信息数据计算车辆OD网格网络的网络性能；根据网络性能对待分析交通区域在发生异常事件的情况下的弹性能力进行分析。在上述方案中，通过构建车辆OD网格网络简化了基于实际路网拓扑结构，并且基于构建出的车辆OD网格网络对网络性能进行计算，以根据网络性能对待分析交通区域的弹性能力进行分析，从而可以提高对交通***进行弹性分析的效率。

Description

一种交通区域分析方法及装置
技术领域
本申请涉及交通网络弹性领域，具体而言，涉及一种交通区域分析方法及装置。
背景技术
现有技术中，弹性分析在交通***上的应用方法一般为：首先对交通***进行网络建模；然后将网络通过性能函数抽象为数学模型，并基于性能变化，给出弹性度量；最后在模型上进行仿真实验或者恢复策略规划。但是，弹性研究在交通***上的应用也存在着很多难点和问题。最重要一点为，现有的交通网络建模方法局限于实际路网的拓扑结构及道路信息过于庞杂，如果要对一个复杂交通***进行建模，数据工作量大，分析效率低，实际应用价值不高。
也就是说，现有的对交通***进行弹性分析的方法分析效率较低。
发明内容
本申请实施例的目的在于提供一种交通区域分析方法及装置，用以解决对交通***进行弹性分析的效率较低的技术问题。
为了实现上述目的，本申请实施例所提供的技术方案如下所示：
第一方面，本申请实施例提供一种交通区域分析方法，包括：获取待分析交通区域内的交通信息数据，所述交通信息数据包括车辆GPS轨迹；根据所述车辆GPS轨迹确定对应的车辆OD网格网络；根据所述交通信息数据计算所述车辆OD网格网络的网络性能；根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析。在上述方案中，通过构建车辆OD网格网络简化了基于实际路网拓扑结构，并且基于构建出的车辆OD网格网络对网络性能进行计算，以根据网络性能对待分析交通区域的弹性能力进行分析，从而可以提高对交通***进行弹性分析的效率。
在本申请的可选实施例中，所述根据所述车辆GPS轨迹确定对应的车辆OD网格网络，包括：根据所述车辆GPS轨迹确定所述车辆OD网格网络的步长，并根据所述步长得到网格化后的待分析交通区域；根据所述步长以及所述车辆GPS轨迹确定车辆OD轨迹；根据所述网格化后的待分析交通区域以及所述车辆OD轨迹得到所述车辆OD网格网络。在上述方案中，为了提高对交通***进行弹性分析的准确率以及效率，需要确定合适的步长，并基于确定出的步长，构建车辆OD网格网络，以简化基于实际路网拓扑结构，进一步的提高对交通***进行弹性分析的效率。
在本申请的可选实施例中，所述根据所述交通信息数据计算所述车辆OD网格网络的网络性能，包括：根据所述交通信息数据计算所述车辆OD网格网络中每一个网格的网格容量；其中，所述网格容量用于衡量所述每一个网格区域内的交通运行状况；根据所述网格容量以及所述车辆OD网格网络计算所述车辆OD网格网络的网络性能。在上述方案中，通过计算车辆OD网格网络的网格容量，可以衡量每个网格区域的交通运行状况，从而可以进一步确定每车辆网格网络的网络性能。
在本申请的可选实施例中，所述根据所述交通信息数据计算所述车辆OD网格网络中每一个网格的网格容量，包括：利用如下公式计算所述车辆OD网格网络中每一个网格的网格容量：
Figure BDA0002659749760000021
其中，ci_t为第i个网格在t时间段内的所述网格容量，si_t为所述第i个网格在所述t时间段内所述车辆GPS轨迹数量，vi_t为所述第i个网格在所述t时间段内车辆平均车速，smax_i为所述第i个网格在所有时间段内最大车辆GPS轨迹数量，vmax_i为所述第i个网格在所有时间段内车辆平均车速。
在本申请的可选实施例中，所述根据所述网格容量以及所述车辆OD网格网络计算所述车辆OD网格网络的网络性能，包括：根据所述网格容量计算网格容量变化率；根据所述网格容量变化率以及所述车辆OD网格网络计算用户OD需求满足率；根据所述用户OD需求满足率以及网格平均容量计算所述网络性能。在上述方案中，可以根据车辆OD网格网络的网络容量计算车辆OD网格网络的网络性能，以便后续可以根据车辆OD网格网络的网络性能对待分析交通区域在发生异常事件的情况下的弹性能力进行分析。
在本申请的可选实施例中，所述根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析，包括：利用如下公式计算所述弹性能力：
Figure BDA0002659749760000031
Figure BDA0002659749760000032
Figure BDA0002659749760000033
其中，Ri为所述待分析交通区域的累积性能恢复程度，Rr为所述待分析交通区域的性能恢复程度，Rv为所述待分析交通区域的性能恢复速度，t0为所述异常事件发生的时间，te为所述异常事件损失阶段结束的时间，tr为所述异常事件恢复阶段完成的时间，P(t0)为t0时所述待分析交通区域的网络性能，P(te)为te时所述待分析交通区域的网络性能，P(tr)为tr时所述待分析交通区域的网络性能。
在本申请的可选实施例中，在所述根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析之后，所述方法还包括：基于遗传算法计算得到弹性最优的恢复顺序和资源配置，以根据所述恢复顺序以及所述资源配置对发生异常事件的所述待分析交通区域进行恢复。在上述方案中，可以基于遗传算法，基于恢复顺序以资源配置两方面确定最优的恢复算法，使得决策者可以更有针对性的确定交通区域的恢复策略。
第二方面，本申请实施例提供一种交通区域分析装置，包括：获取模块，用于获取待分析交通区域内的交通信息数据，所述交通信息数据包括车辆GPS轨迹；第一确定模块，用于根据所述车辆GPS轨迹确定对应的车辆OD网格网络；第一计算模块，用于根据所述交通信息数据计算所述车辆OD网格网络的网络性能；分析模块，用于根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析。在上述方案中，通过构建车辆OD网格网络简化了基于实际路网拓扑结构，并且基于构建出的车辆OD网格网络对网络性能进行计算，以根据网络性能对待分析交通区域的弹性能力进行分析，从而可以提高对交通***进行弹性分析的效率。
在本申请的可选实施例中，所述第一确定模块还用于：根据所述车辆GPS轨迹确定所述车辆OD网格网络的步长，并根据所述步长得到网格化后的待分析交通区域；根据所述步长以及所述车辆GPS轨迹确定车辆OD轨迹；根据所述网格化后的待分析交通区域以及所述车辆OD轨迹得到所述车辆OD网格网络。在上述方案中，为了提高对交通***进行弹性分析的准确率以及效率，需要确定合适的步长，并基于确定出的步长，构建车辆OD网格网络，以简化基于实际路网拓扑结构，进一步的提高对交通***进行弹性分析的效率。
在本申请的可选实施例中，所述第一计算模块还用于：根据所述交通信息数据计算所述车辆OD网格网络中每一个网格的网格容量；其中，所述网格容量用于衡量所述每一个网格区域内的交通运行状况；根据所述网格容量以及所述车辆OD网格网络计算所述车辆OD网格网络的网络性能。在上述方案中，通过计算车辆OD网格网络的网格容量，可以衡量每个网格区域的交通运行状况，从而可以进一步确定每车辆网格网络的网络性能。
在本申请的可选实施例中，所述第一计算模块还用于：利用如下公式计算所述车辆OD网格网络中每一个网格的网格容量：
Figure BDA0002659749760000051
其中，ci_t为第i个网格在t时间段内的所述网格容量，si_t为所述第i个网格在所述t时间段内所述车辆GPS轨迹数量，vi_t为所述第i个网格在所述t时间段内车辆平均车速，smax_i为所述第i个网格在所有时间段内最大车辆GPS轨迹数量，vmax_i为所述第i个网格在所有时间段内车辆平均车速。
在本申请的可选实施例中，所述第一计算模块还用于：根据所述网格容量计算网格容量变化率；根据所述网格容量变化率以及所述车辆OD网格网络计算用户OD需求满足率；根据所述用户OD需求满足率以及网格平均容量计算所述网络性能。在上述方案中，可以根据车辆OD网格网络的网络容量计算车辆OD网格网络的网络性能，以便后续可以根据车辆OD网格网络的网络性能对待分析交通区域在发生异常事件的情况下的弹性能力进行分析。
在本申请的可选实施例中，所述分析模块还用于：利用如下公式计算所述弹性能力：
Figure BDA0002659749760000052
Figure BDA0002659749760000061
Figure BDA0002659749760000062
其中，Ri为所述待分析交通区域的累积性能恢复程度，Rr为所述待分析交通区域的性能恢复程度，Rv为所述待分析交通区域的性能恢复速度，t0为所述异常事件发生的时间，te为所述异常事件损失阶段结束的时间，tr为所述异常事件恢复阶段完成的时间，P(t0)为t0时所述待分析交通区域的网络性能，P(te)为te时所述待分析交通区域的网络性能，P(tr)为tr时所述待分析交通区域的网络性能。
在本申请的可选实施例中，所述装置还包括：第二计算模块，用于基于遗传算法计算得到弹性最优的恢复顺序和资源配置，以根据所述恢复顺序以及所述资源配置对发生异常事件的所述待分析交通区域进行恢复。在上述方案中，可以基于遗传算法，基于恢复顺序以资源配置两方面确定最优的恢复算法，使得决策者可以更有针对性的确定交通区域的恢复策略。
第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线；所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如第一方面中的交通区域分析方法。
第四方面，本申请实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如第一方面中的交通区域分析方法。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举本申请实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种交通区域分析方法的流程图；
图2为本申请实施例提供的步骤S102的具体实施方式的流程图；
图3为本申请实施例提供的一种车辆OD网格网络的示意图；
图4为本申请实施例提供的步骤S103的具体实施方式的流程图；
图5为本申请实施例提供的步骤S402的具体实施方式的流程图；
图6为本申请实施例提供的网络性能随时间变化的示意图；
图7为本申请实施例提供的一种交通区域分析装置的结构框图；
图8为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
交通运输***是一个城市、一个国家繁荣昌盛的关键，一个健康、高效的交通***对国民生活、经济发展、环境保护等方面有着至关重要的作用。据公安部数据显示，2019年全国民用汽车保有量已经达到26150万辆，与2018年底相比，增加2122万辆，增长8.83％。在城市汽车保有量和客运量上升的同时，城市交通运输***也面临着越来越严重的交通拥堵问题以及应对灾难破坏时的脆弱性问题。
弹性被定义为***或网络遭到破坏时，吸收破坏影响进行恢复并重新达到平衡状态的能力。不同于安全性和可靠性这些能力，弹性集中于***破坏后吸收抵抗而非事先预防，集中于提高***向好程度而非降低***降级程度。交通***弹性分析的方法，能够通过分析交通***的弹性以及对最优恢复策略进行决策，提高交通***的弹性能力，从而使得交通***在遭遇异常事件之后能够快速高效地恢复。
现有技术中，弹性分析在交通***上的应用方法一般为：首先对交通***进行网络建模；然后将网络通过性能函数抽象为数学模型，并基于性能变化，给出弹性度量；最后在模型上进行仿真实验或者恢复策略规划。但是，弹性研究在交通***上的应用也存在着很多难点和问题。最重要一点为，现有的交通网络建模方法局限于实际路网的拓扑结构及道路信息过于庞杂，如果要对一个复杂交通***进行建模，数据工作量大，分析效率低，实际应用价值不高。
基于上述分析，本申请提供一种交通区域分析方法，通过构建车辆OD网格网络简化了基于实际路网拓扑结构，并且基于构建出的车辆OD网格网络对网络性能进行计算，以根据网络性能对待分析交通区域的弹性能力进行分析，从而可以提高对交通***进行弹性分析的效率。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
请参照图1，图1为本申请实施例提供的一种交通区域分析方法的流程图，该交通区域分析方法可以包括：
步骤S101：获取待分析交通区域内的交通信息数据。
步骤S102：根据车辆GPS轨迹确定对应的车辆OD网格网络。
步骤S103：根据交通信息数据计算车辆OD网格网络的网络性能。
步骤S104：根据网络性能对待分析交通区域在发生异常事件的情况下的弹性能力进行分析。
具体的，在对交通***进行分析时，一般会对路网拓扑结构中的一个或者多个交通区域进行分析，其中，上述待分析的交通区域可以根据实际情况进行划分。例如：可以将一个路口划分为一个交通区域，也可以将多条道路划分为一个区域等，本申请实施例对此不作具体的限定。
下面以对一个待分析交通区域进行分析为例进行介绍。
首先，服务器可以获取待分析交通区域内的交通信息数据。其中，上述交通信息数据可以包括经过该待分析交通区域的车辆全球定位***(Global Positioning System，GPS)轨迹、经过该待分析交通区域的车辆车速、经过该待分析交通区域的车辆数量等，本领域技术人员可以根据实际情况选择合适的交通信息数据。
服务器获取待分析交通区域内的交通信息数据的方式有多种。作为一种实施方式，服务器可以接收云端发送的交通信息数据，这些交通信息数据为提前采集并存储在云端中的数据；作为另一种实施方式，服务器可以实时的接收待分析交通区域内设置的信息采集装置(例如：摄像头、车速传感器等)发送的交通信息数据。
可以理解的是，上述两种服务器获取待分析交通区域内的交通信息数据的方式仅为本申请实施例提供的两个示例，本领域技术人员可以根据实际情况选择其他服务器获取待分析交通区域内的交通信息数据的方式。
在获取到待分析交通区域内的交通信息数据之后，便可以利用上述交通信息数据对待分析交通区域进行分析。
首先，服务器可以根据交通信息数据中的车辆GPS轨迹确定对应的车辆起点-终点(Origin-Destination，OD)网格网络。下面对步骤S102进行详细的介绍。
请参照图2，图2为本申请实施例提供的步骤S102的具体实施方式的流程图，步骤S102可以包括如下步骤：
步骤S201：根据车辆GPS轨迹确定车辆OD网格网络的步长，并根据步长得到网格化后的待分析交通区域。
步骤S202：根据步长以及车辆GPS轨迹确定车辆OD轨迹。
步骤S203：根据网格化后的待分析交通区域以及车辆OD轨迹得到车辆OD网格网络。
具体的，网格地图是一种地理信息的储存和表示形式，可以将地理区域按经纬度或平面坐标系分割成多个网格单元，并将单元记录和存储各种地理要素储存进网格单元中。交通***网格则是一种特殊的交通信息断面监测器，用来记录储存平均车速、车流量等交通信息，在此基础上，以网格为点，以用户订单OD对为边构成了OD网格网络。这种网络建模方式可有效地避免了传统基于道路拓扑的建模方式带来的数据处理量问题。
一般来说，对于数据分析来说，数据细化程度越高，粒度级越小，分析结果的准确率越高。因此，在对交通区域进行分析的过程中，OD网格的步长越短越好。但是，OD网格在尽量短的基础上，还需要满足以下要求：
(1)失效网格数较少：网格步长过短会导致个别网格无法检测到车辆OD信息，形成失效网格(未有轨迹途径的网格)，而失效网格会占用内存空间，影响数据处理效率，因此，要保证失效网格的数量较少；
(2)网格总数量较多：网格数增多会造成数据分析工作增大，影响后续弹性分析工作的效率，因此，在满足失效网格少或者不存在失效网络的基础上，在数据分析工作量少的条件范围内，保证网格总数量最大；
(3)平均有效网格内轨迹数较大：平均网格内轨迹数较小，网格中的OD信息过少，会对网格容量以及网络性能的计算造成误差影响，因此，需要保证平均有效网格内轨迹数较大。
也就是说，OD网格步长的确定，要在满足失效网格少或者不存在失效网络的基础上，在数据分析工作量少的条件范围内，保证网格总数量最大，且平均有效网格内轨迹数较大。
因此，在网格划分的过程中，以车辆实时GPS数据集{Path}为基础，其中，车辆实时GPS数据集{Path}的经纬度范围为Lng∈[LngO,LngD]，Lat∈[LatO,LatD]，可视作为X×Y(单位：每平方千米)的方形区域。以(LngO,LngD)为起点，自西北向东南为方向，li(单位：千米)为步长，用正方形网格G(i,j)对数据集{Path}所在区域进行覆盖，并统计每种步长li取值下经过各网格的轨迹数，计算平均有效网格内轨迹数以及失效网格占比，计算公式如下：
Figure BDA0002659749760000111
Figure BDA0002659749760000112
其中，
Figure BDA0002659749760000113
为平均有效网格内车辆轨迹数，s为车辆总轨迹数量，Ni为以步长为li划分的网格总数，
Figure BDA0002659749760000114
失效网格占比，Nei为以步长为li划分的网格中未有轨迹途径的网格数。
最终，可以根据统计和计算结果，在众多步长中选择一个较合适的网格步长。然后，在确定OD网格的步长之后，便可以以确定的步长大小对待分析区域进行网格划分，得到网格化后的待分析交通区域。
也就是说，数据集{Path}待分析交通区域被分成了N个网格集合{Grid}，单个网格{Grid}具有如下性质：
(1)步长为lm(最佳步长，单位：千米)；
(2)坐标为G(i,j)，以左上网格坐标为G(1,1)，依次向右下递加；
(3)N个网格集合{Grid}的覆盖范围为Lng(i,j)∈[LngO(i,j),LngD(i,j)]，Lat(i,j)∈[LatO(i,j),LatD(i,j)]，其中(LngO(i,j),LatO(i,j))为网格左上顶点的经纬度，(LngD(i,j),LatD(i,j))为网格右下顶点经纬度；
(4)网格重心为(LngM(i,j),LatM(i,j))，即网格的中心经纬度。
可以将网格化后的待分析交通区域与车辆实时GPS数据集{Path}中的GPS轨迹进行叠合，并把GPS轨迹简化为轨迹经过的网格中心点相连的OD对，即为OD轨迹。其中，车辆实时GPS数据集{Path}是指车辆GPS经纬度定位点相连成的OD轨迹的集合，即Path为某个车辆GPS经纬度定位点连成的OD轨迹。OD轨迹中包括了多个时间相关的经纬度定位点，其演示了区域内各个车辆从开始至结束所经过的各个动态位置。
某个车辆的OD轨迹Path可以表示为：
Path＝P1<t1,(Lng1,Lat1)>
→P2<t2,(Lng2,Lat2)>→
…
→Pi<ti,(Lngi,Lati)>→
…
→Pj<tj,(Lngj,Latj)>→
…
→Pn<tn,(Lngn,Latn)>→；
其中，Path为某个车辆经纬度定位点连成的OD轨迹，Pi为Path轨迹上的某点，(Lngi,Lati)为Path轨迹在时刻ti的经纬度定位点，P1为Path轨迹起点，Pn为Path轨迹终点。
基于GPS的OD轨迹集合{Path}和网格集合{Grid}根据经纬度数据进行叠合，共同构成一个关于待分析交通区域的OD网格网络。当某轨迹Path上的点位于G(i,j)的覆盖范围中时，视此轨迹经过网格G(i,j)，并将轨迹简化为所途径网格的重心连结，网格OD轨迹的数学模型又可用下式表示：
Traj＝G1<t1,(LngM1,LatM1)>
→G2<t2,(LngM2,LatM2)>→
…
→Gi<ti,(LngMi,LatMi)>→
…
→Gj<tj,(LngMj,LatMj)>→
…
→Gn<tn,(LngMn,LatMn)>→；
式中，Traj为某个以网格重心相连的OD轨迹，Gi为OD轨迹所经过的网格，(LngMi,LatMi)为Gi的重心，G1为起始网格，Gn为终止网格。
由此，车辆OD轨迹与网格化后的待分析交通区域叠合形成了车辆OD网格网络。请参照图3，图3为本申请实施例提供的一种车辆OD网格网络的示意图，图3中较粗的线条代表车辆GPS经纬度定位点连成的OD轨迹，较细的线条代表简化后网格重心相连成的OD轨迹。
在上述方案中，为了提高对交通***进行弹性分析的准确率以及效率，需要确定合适的步长，并基于确定出的步长，构建车辆OD网格网络，以简化基于实际路网拓扑结构，进一步的提高对交通***进行弹性分析的效率。
在根据车辆GPS轨迹确定对应的车辆OD网格网络之后，可以根据交通信息数据计算车辆OD网格网络的网络性能。下面对步骤S103进行详细的介绍。
请参照图4，图4为本申请实施例提供的步骤S103的具体实施方式的流程图，步骤S103可以包括如下步骤：
步骤S401：根据交通信息数据计算车辆OD网格网络中每一个网格的网格容量。
步骤S402：根据网格容量以及车辆OD网格网络计算车辆OD网格网络的网络性能。
具体的，根据道路的负载-载荷关系，可以基于网格区域内交通信息数据计算网格容量，用以衡量区域内的交通运行状况和能力。网格作为一种特殊的交通信息断面监测器，网格内的车辆轨迹数和平均车速是最基本、最常见、最直观的反映交通通行情况的信息，所以基于负载-载荷的关系，以车辆轨迹数量和平均车速为自变量，可以利用如下公式计算车辆OD网格网络中每一个网格的网格容量：
Figure BDA0002659749760000141
其中，ci_t为第i个网格在t时间段内的网格容量，si_t为第i个网格在t时间段内车辆GPS轨迹数量，vi_t为第i个网格在t时间段内车辆平均车速，smax_i为第i个网格在所有时间段内最大车辆GPS轨迹数量，vmax_i为第i个网格在所有时间段内车辆平均车速。
轨迹数与最大轨迹数的比值表示了某时间内网格内车辆数量的饱和情况，而平均速度与最大平均速度的比值则表示了某时间内车辆的运行状况，两者乘积以一种较直观的形式计算了不同情况下的各网格内的交通通行能力。
在上述方案中，通过计算车辆OD网格网络的网格容量，可以衡量每个网格区域的交通运行状况，从而可以进一步确定每车辆网格网络的网络性能。
基于网格与OD对之间的关系以及网格容量，可以计算OD网格网络的网络性能，其中，网络性能被定义为以OD对上的需求量为权重的加权平均网格容量。
请参照图5，图5为本申请实施例提供的步骤S402的具体实施方式的流程图，步骤S402可以包括如下步骤：
步骤S501：根据网格容量计算网格容量变化率。
步骤S502：根据网格容量变化率以及车辆OD网格网络计算用户OD需求满足率。
步骤S503：根据用户OD需求满足率以及网格平均容量计算网络性能。
具体的，首先，利用如下公式计算网格容量变化率：
Figure BDA0002659749760000151
其中，ε为网格容量变化率，c为网格当前容量，cmax为网格最大的容量。
其次，利用如下公式计算用户OD需求满足率：
Figure BDA0002659749760000152
其中，Q为用户OD需求满足率，W为用户订单OD对集合，qw为某条OD对上的用户OD需求量，μw描述OD需求是否满足的二进制变量，εw为订单OD轨迹所途径的网格平均容量变化率，ε0为网格容量变化率的阈值。
最后，利用如下公式计算网络性能：
Figure BDA0002659749760000153
其中，P为网络性能，Q为用户OD需求满足率，
Figure BDA0002659749760000154
当前整体网格的平均容量，
Figure BDA0002659749760000155
为最大的整体网格的平均容量。
在上述方案中，可以根据车辆OD网格网络的网络容量计算车辆OD网格网络的网络性能，以便后续可以根据车辆OD网格网络的网络性能对待分析交通区域在发生异常事件的情况下的弹性能力进行分析。
在根据交通信息数据计算得到车辆OD网格网络的网络性能之后，可以根据网络性能对待分析交通区域在发生异常事件的情况下的弹性能力进行分析。下面对步骤S104进行详细的介绍。
步骤S104可以包括如下步骤：
利用如下公式计算待分析交通区域在发生异常事件的情况下的弹性能力：
Figure BDA0002659749760000161
Figure BDA0002659749760000162
Figure BDA0002659749760000163
其中，Ri为待分析交通区域的累积性能恢复程度，Rr为待分析交通区域的性能恢复程度，Rv为待分析交通区域的性能恢复速度，t0为异常事件发生的时间，te为异常事件损失阶段结束的时间，tr为异常事件恢复阶段完成的时间，P(t0)为t0时待分析交通区域的网络性能，P(te)为te时待分析交通区域的网络性能，P(tr)为tr时待分析交通区域的网络性能。
请参照图6，图6为本申请实施例提供的网络性能随时间变化的示意图，Ri描述了待分析交通区域的累积恢复程度，Ri越大，待分析交通区域累积性能恢复越大，即待分析交通区域被破坏程度越小，***弹性越大；Rr描述了待分析交通区域性能的恢复程度，Rr越大，待分析交通区域性能恢复的程度越高，待分析交通区域弹性越大；Rv描述了***性能恢复的速度，Rv越小，待分析交通区域恢复的速度越高，待分析交通区域弹性也越高。
在上述方案中，通过构建车辆OD网格网络简化了基于实际路网拓扑结构，并且基于构建出的车辆OD网格网络对网络性能进行计算，以根据网络性能对待分析交通区域的弹性能力进行分析，从而可以提高对交通***进行弹性分析的效率。
进一步的，在步骤S104之后，本申请实施例提供的交通区域分析方法还可以包括如下步骤：
基于遗传算法计算得到弹性最优的恢复顺序和资源配置，以根据恢复顺序以及资源配置对发生异常事件的待分析交通区域进行恢复。
具体的，从恢复顺序和资源配置两个方面出发，可以在车辆OD网格网络上对受异常事件影响的网格的容量进行恢复，并基于遗传算法计算得到弹性最优的恢复顺序和资源配置，为异常事件后恢复策略提供指导意见。
其中，恢复的最优先后顺序问题主要表现为在一定数量的网格集合{G1,G2,…,Gn}受到异常事件影响下，按一定重要程度顺序l＝{GⅠ,GⅡ,…,GN}对待恢复网格进行排列，使按此顺序的恢复过程所表现出弹性能力R最大。
作为一种实施方式，基于遗传算法计算得到弹性最优的恢复顺序的算法过程如下：
第一步，编码：已知发生异常事件的待分析交通区域对应的网格集合的条件下，以排列编码的方式对待恢复网格进行编码。
第二步，种群初始化：设置最大进化代数Z，确定交叉概率α与变异概率β，将恢复顺序作为染色体，并随机生成M个恢复顺序{l1,l2,…,lM}作为初始种群L0。
第三步，仿真恢复：针对种群中的每个恢复顺序(染色体)，进行基于OD网格网络的仿真恢复。
第四步，适应度计算：以弹性指标Ri为适应度f，计算种群L中各个染色体li的适应度fi即计算依照各个恢复顺序进行恢复所体现出的弹性。
第五步，选择运算：按照弹性大小确定选择算子对恢复顺序进行选择，淘汰弹性小的恢复顺序，留下弹性大的恢复顺序。
第六步，交叉运算：在交叉概率的约束下，选择交叉算子对种群两个弹性较大的恢复顺序进行交叉运算，生成新的恢复顺序。
第七步，变异运算：在交叉概率的约束下，选择变异算子对种群某个恢复顺序进行自我变换，得到新的恢复顺序。
第八步，停止条件判定：如果进化代数z小于最大进化代数Z，则将下一代种群代入第二步重复以下步骤；如果进化代数z等于最大进化代数Z，则停止迭代，输出弹性最大的最优解。
其中，恢复的最优配置问题主要表现为在一定数量的网格集合{G1,G2,…,Gn}受到异常事件影响下，按一定分配方式d＝{e1,e2,…,en}对待恢复网格进行资源分配，使按此资源分配方式的恢复过程所表现出弹性能力R最大。
作为一种实施方式，基于遗传算法计算得到弹性最优的资源配置的算法过程如下：
第一步，编码：已知发生异常事件的待分析交通区域对应的网格集合的条件下，以二进制编码的方式对待恢复网格进行编码。
第二步，种群初始化：设置最大进化代数Z，确定交叉概率α与变异概率β，将资源分配方式作为染色体，并随机生成M个资源分配方式{l1,l2,…,lM}作为初始种群L0。
第三步，仿真恢复：针对种群中的每个资源分配方式(染色体)，进行基于OD网格网络的仿真恢复。第四步，适应度计算：以弹性指标Rr为适应度f，计算种群L中各个染色体li的适应度fi即计算依照各个资源分配方式进行恢复所体现出的弹性。
第五步，选择运算：按照弹性大小确定选择算子对资源分配方式进行选择，淘汰弹性小的资源分配方式，留下弹性大的资源分配方式。
第六步，交叉运算：在交叉概率的约束下，选择交叉算子对种群两个弹性较大的资源分配方式进行交叉运算，生成新的资源分配方式。
第七步，变异运算：在交叉概率的约束下，选择变异算子对种群某个资源分配方式进行自我变换，得到新的资源分配方式。
第八步，停止条件判定：如果进化代数z小于最大进化代数Z，则将下一代种群代入第二步重复以下步骤；如果进化代数z等于最大进化代数Z，则停止迭代，输出弹性最大的最优解。
在上述方案中，可以基于遗传算法，基于恢复顺序以及资源分配方式两方面确定最优的恢复算法，使得决策者可以更有针对性的确定交通区域的恢复策略。
请参照图7，图7为本申请实施例提供的一种交通区域分析装置的结构框图，该交通区域分析装置700可以包括：获取模块701，用于获取待分析交通区域内的交通信息数据，所述交通信息数据包括车辆GPS轨迹；第一确定模块702，用于根据所述车辆GPS轨迹确定对应的车辆OD网格网络；第一计算模块703，用于根据所述交通信息数据计算所述车辆OD网格网络的网络性能；分析模块704，用于根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析。
在上述方案中，通过构建车辆OD网格网络简化了基于实际路网拓扑结构，并且基于构建出的车辆OD网格网络对网络性能进行计算，以根据网络性能对待分析交通区域的弹性能力进行分析，从而可以提高对交通***进行弹性分析的效率。
进一步的，所述第一确定模块702还用于：根据所述车辆GPS轨迹确定所述车辆OD网格网络的步长，并根据所述步长得到网格化后的待分析交通区域；根据所述步长以及所述车辆GPS轨迹确定车辆OD轨迹；根据所述网格化后的待分析交通区域以及所述车辆OD轨迹得到所述车辆OD网格网络。
在上述方案中，为了提高对交通***进行弹性分析的准确率以及效率，需要确定合适的步长，并基于确定出的步长，构建车辆OD网格网络，以简化基于实际路网拓扑结构，进一步的提高对交通***进行弹性分析的效率。
进一步的，所述第一计算模块703还用于：根据所述交通信息数据计算所述车辆OD网格网络中每一个网格的网格容量；其中，所述网格容量用于衡量所述每一个网格区域内的交通运行状况；根据所述网格容量以及所述车辆OD网格网络计算所述车辆OD网格网络的网络性能。
在上述方案中，通过计算车辆OD网格网络的网格容量，可以衡量每个网格区域的交通运行状况，从而可以进一步确定每车辆网格网络的网络性能。
进一步的，所述第一计算模块703还用于：利用如下公式计算所述车辆OD网格网络中每一个网格的网格容量：
Figure BDA0002659749760000201
其中，ci_t为第i个网格在t时间段内的所述网格容量，si_t为所述第i个网格在所述t时间段内所述车辆GPS轨迹数量，vi_t为所述第i个网格在所述t时间段内车辆平均车速，smax_i为所述第i个网格在所有时间段内最大车辆GPS轨迹数量，vmax_i为所述第i个网格在所有时间段内车辆平均车速。
进一步的，所述第一计算模块703还用于：根据所述网格容量计算网格容量变化率；根据所述网格容量变化率以及所述车辆OD网格网络计算用户OD需求满足率；根据所述用户OD需求满足率以及网格平均容量计算所述网络性能。
在上述方案中，可以根据车辆OD网格网络的网络容量计算车辆OD网格网络的网络性能，以便后续可以根据车辆OD网格网络的网络性能对待分析交通区域在发生异常事件的情况下的弹性能力进行分析。
进一步的，所述分析模块704还用于：利用如下公式计算所述弹性能力：
Figure BDA0002659749760000202
Figure BDA0002659749760000211
Figure BDA0002659749760000212
其中，Ri为所述待分析交通区域的累积性能恢复程度，Rr为所述待分析交通区域的性能恢复程度，Rv为所述待分析交通区域的性能恢复速度，t0为所述异常事件发生的时间，te为所述异常事件损失阶段结束的时间，tr为所述异常事件恢复阶段完成的时间，P(t0)为t0时所述待分析交通区域的网络性能，P(te)为te时所述待分析交通区域的网络性能，P(tr)为tr时所述待分析交通区域的网络性能。
进一步的，所述交通区域分析装置700还包括：第二计算模块，用于基于遗传算法计算得到弹性最优的恢复顺序和资源配置，以根据所述恢复顺序以及所述资源配置对发生异常事件的所述待分析交通区域进行恢复。
在上述方案中，可以基于遗传算法，基于恢复顺序以资源配置两方面确定最优的恢复算法，使得决策者可以更有针对性的确定交通区域的恢复策略。
请参照图8，图8为本申请实施例提供的一种电子设备的结构框图，该电子设备800包括：至少一个处理器801，至少一个通信接口802，至少一个存储器803和至少一个通信总线804。其中，通信总线804用于实现这些组件直接的连接通信，通信接口802用于与其他节点设备进行信令或数据的通信，存储器803存储有处理器801可执行的机器可读指令。当电子设备800运行时，处理器801与存储器803之间通过通信总线804通信，机器可读指令被处理器801调用时执行上述交通区域分析方法。
例如，本申请实施例的处理器801通过通信总线804从存储器803读取计算机程序并执行该计算机程序可以实现如下方法：步骤S101：获取待分析交通区域内的交通信息数据。步骤S102：根据车辆GPS轨迹确定对应的车辆OD网格网络。步骤S103：根据交通信息数据计算车辆OD网格网络的网络性能。步骤S104：根据网络性能对待分析交通区域在发生异常事件的情况下的弹性能力进行分析。
处理器801可以是一种集成电路芯片，具有信号处理能力。上述处理器801可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器803可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
可以理解，图8所示的结构仅为示意，电子设备800还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。图8中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中，电子设备800可以是，但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备，还可以是虚拟机等虚拟设备。另外，电子设备800也不一定是单台设备，还可以是多台设备的组合，例如服务器集群，等等。
本申请实施例还提供一种计算机程序产品，包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述实施例中交通区域分析方法的步骤，例如包括：获取待分析交通区域内的交通信息数据，所述交通信息数据包括车辆GPS轨迹；根据所述车辆GPS轨迹确定对应的车辆OD网格网络；根据所述交通信息数据计算所述车辆OD网格网络的网络性能；根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种交通区域分析方法，其特征在于，包括：
获取待分析交通区域内的交通信息数据，所述交通信息数据包括车辆GPS轨迹；
根据所述车辆GPS轨迹确定对应的车辆OD网格网络；
根据所述交通信息数据计算所述车辆OD网格网络的网络性能；
根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析；
其中，所述根据所述交通信息数据计算所述车辆OD网格网络的网络性能，包括：
根据所述交通信息数据计算所述车辆OD网格网络中每一个网格的网格容量；其中，所述网格容量用于衡量所述每一个网格区域内的交通运行状况；
根据所述网格容量以及所述车辆OD网格网络计算所述车辆OD网格网络的网络性能；
所述根据所述交通信息数据计算所述车辆OD网格网络中每一个网格的网格容量，包括：
利用如下公式计算所述车辆OD网格网络中每一个网格的网格容量：
Figure FDA0003039586420000011
其中，ci_t为第i个网格在t时间段内的所述网格容量，si_t为所述第i个网格在所述t时间段内所述车辆GPS轨迹数量，vi_t为所述第i个网格在所述t时间段内车辆平均车速，smax_i为所述第i个网格在所有时间段内最大车辆GPS轨迹数量，vmax_i为所述第i个网格在所有时间段内车辆平均车速。
2.根据权利要求1所述的交通区域分析方法，其特征在于，所述根据所述车辆GPS轨迹确定对应的车辆OD网格网络，包括：
根据所述车辆GPS轨迹确定所述车辆OD网格网络的步长，并根据所述步长得到网格化后的待分析交通区域；
根据所述步长以及所述车辆GPS轨迹确定车辆OD轨迹；
根据所述网格化后的待分析交通区域以及所述车辆OD轨迹得到所述车辆OD网格网络。
3.根据权利要求1所述的交通区域分析方法，其特征在于，所述根据所述网格容量以及所述车辆OD网格网络计算所述车辆OD网格网络的网络性能，包括：
根据所述网格容量计算网格容量变化率；
根据所述网格容量变化率以及所述车辆OD网格网络计算用户OD需求满足率；
根据所述用户OD需求满足率以及网格平均容量计算所述网络性能。
4.根据权利要求1所述的交通区域分析方法，其特征在于，所述根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析，包括：
利用如下公式计算所述弹性能力：
Figure FDA0003039586420000021
Figure FDA0003039586420000022
Figure FDA0003039586420000023
其中，Ri为所述待分析交通区域的累积性能恢复程度，Rr为所述待分析交通区域的性能恢复程度，Rv为所述待分析交通区域的性能恢复速度，t0为所述异常事件发生的时间，te为所述异常事件损失阶段结束的时间，tr为所述异常事件恢复阶段完成的时间，P(t0)为t0时所述待分析交通区域的网络性能，P(te)为te时所述待分析交通区域的网络性能，P(tr)为tr时所述待分析交通区域的网络性能。
5.根据权利要求1所述的交通区域分析方法，其特征在于，在所述根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析之后，所述方法还包括：
基于遗传算法计算得到弹性最优的恢复顺序和资源配置，以根据所述恢复顺序以及所述资源配置对发生异常事件的所述待分析交通区域进行恢复。
6.一种交通区域分析装置，其特征在于，包括：
获取模块，用于获取待分析交通区域内的交通信息数据，所述交通信息数据包括车辆GPS轨迹；
第一确定模块，用于根据所述车辆GPS轨迹确定对应的车辆OD网格网络；
第一计算模块，用于根据所述交通信息数据计算所述车辆OD网格网络的网络性能；
分析模块，用于根据所述网络性能对所述待分析交通区域在发生异常事件的情况下的弹性能力进行分析；
所述第一计算模块还用于：根据所述交通信息数据计算所述车辆OD网格网络中每一个网格的网格容量；其中，所述网格容量用于衡量所述每一个网格区域内的交通运行状况；
根据所述网格容量以及所述车辆OD网格网络计算所述车辆OD网格网络的网络性能；
所述第一计算模块还用于：利用如下公式计算所述车辆OD网格网络中每一个网格的网格容量：
Figure FDA0003039586420000041
其中，ci_t为第i个网格在t时间段内的所述网格容量，si_t为所述第i个网格在所述t时间段内所述车辆GPS轨迹数量，vi_t为所述第i个网格在所述t时间段内车辆平均车速，smax_i为所述第i个网格在所有时间段内最大车辆GPS轨迹数量，vmax_i为所述第i个网格在所有时间段内车辆平均车速。
7.一种电子设备，其特征在于，包括：处理器、存储器和总线；
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-5任一项所述的交通区域分析方法。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被计算机运行时，使所述计算机执行如权利要求1-5任一项所述的交通区域分析方法。
CN202010902467.0A 2020-08-31 2020-08-31 一种交通区域分析方法及装置 Active CN111882877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010902467.0A CN111882877B (zh) 2020-08-31 2020-08-31 一种交通区域分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010902467.0A CN111882877B (zh) 2020-08-31 2020-08-31 一种交通区域分析方法及装置

Publications (2)

Publication Number Publication Date
CN111882877A CN111882877A (zh) 2020-11-03
CN111882877B true CN111882877B (zh) 2021-07-27

Family

ID=73199058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010902467.0A Active CN111882877B (zh) 2020-08-31 2020-08-31 一种交通区域分析方法及装置

Country Status (1)

Country Link
CN (1) CN111882877B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598238B (zh) * 2020-12-14 2022-07-01 青岛大学 一种城市特种车辆服务真空区域智能识别方法
CN113808399A (zh) * 2021-09-15 2021-12-17 谦亨信息化技术与***(苏州)有限公司 一种基于大数据的智慧交通管理方法和***
CN113780674A (zh) * 2021-09-23 2021-12-10 北京交研智慧科技有限公司 研究出行路径的方法、装置及可读存储介质
CN113936481B (zh) * 2021-12-02 2022-07-26 公安部交通管理科学研究所 一种信号控制交叉口的空间利用状况评价方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104731963B (zh) * 2015-04-03 2018-06-15 重庆邮电大学 一种基于车联网的网格化路径推荐方法及***
WO2019217545A1 (en) * 2018-05-09 2019-11-14 Cavh Llc Systems and methods for driving intelligence allocation between vehicles and highways
CN109377750B (zh) * 2018-09-18 2020-10-09 北京航空航天大学 一种基于渗流分析的交通***弹性临界点确定方法
CN110211378B (zh) * 2019-05-29 2020-10-09 北京航空航天大学 一种基于复杂网络理论的城市交通健康指标体系评估方法

Also Published As

Publication number Publication date
CN111882877A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111882877B (zh) 一种交通区域分析方法及装置
Wang et al. GSNet: Learning spatial-temporal correlations from geographical and semantic aspects for traffic accident risk forecasting
CN113643532B (zh) 一种区域交通的预测方法以及设备
WO2021169174A1 (zh) 道路拥堵程度预测方法、装置、计算机设备及可读存储介质
CN111369056B (zh) 地质灾害预测方法及电子设备
CN116223975A (zh) 电缆故障点定位方法、装置、计算机设备和存储介质
CN113516417A (zh) 基于智能建模的业务评估方法、装置、电子设备及介质
Chen et al. A bayesian stochastic kriging optimization model dealing with heteroscedastic simulation noise for freeway traffic management
CN111667689A (zh) 车辆旅行时间预测的方法、设备和计算机设备
CN114781768A (zh) 基于城市资源数据的停车场设施规划方法、装置及设备
CN114826947A (zh) 一种基于自动编码器的流量矩阵恢复预测方法及***
CN114219023A (zh) 数据聚类方法、装置、电子设备及可读存储介质
CN116151600B (zh) 共享车辆的维护方法、装置、计算机设备和存储介质
CN112541047A (zh) 一种适用于多级网格化管理***的海量数据聚合方法
CN112150045A (zh) 基于车辆位置统计判断城市车辆供需关系的方法及其监测***
CN117037482A (zh) 道路交通运行状态实时感知方法、***、设备及存储介质
CN115757987B (zh) 基于轨迹分析的伴随对象确定方法、装置、设备及介质
CN111934938B (zh) 基于多属性信息融合的流网络关键节点识别方法和装置
CN115691140A (zh) 一种汽车充电需求时空分布的分析与预测方法
Xia et al. Deeprailway: a deep learning system for forecasting railway traffic
CN113052486B (zh) 监控点位布局评价方法、装置、电子设备及可读存储介质
CN114266317A (zh) 聚类方法、装置和服务器
CN114331477A (zh) 一种异常轨迹识别方法、装置、电子设备及存储介质
CN115033456A (zh) 一种内网前端性能监控方法、装置、计算机设备及存储介质
Sarlas et al. Analysis of urban traffic network vulnerability and classification of signalized intersections

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
CB03 Change of inventor or designer information

Inventor after: Pan Xing

Inventor after: Dang Yuheng

Inventor after: Wang Huixiong

Inventor before: Dang Yuheng

Inventor before: Pan Xing

Inventor before: Wang Huixiong

CB03 Change of inventor or designer information