CN111951557A - 一种基于车联网大数据的区域短时交通流预测方法及*** - Google Patents

一种基于车联网大数据的区域短时交通流预测方法及*** Download PDF

Info

Publication number
CN111951557A
CN111951557A CN202010848663.4A CN202010848663A CN111951557A CN 111951557 A CN111951557 A CN 111951557A CN 202010848663 A CN202010848663 A CN 202010848663A CN 111951557 A CN111951557 A CN 111951557A
Authority
CN
China
Prior art keywords
vehicles
vehicle
internet
traffic flow
types
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
CN202010848663.4A
Other languages
English (en)
Other versions
CN111951557B (zh
Inventor
刘剑
秦飞龙
黄兆飞
谢三山
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.)
Yami Technology Guangzhou Co ltd
Original Assignee
Chengdu Technological University CDTU
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 Chengdu Technological University CDTU filed Critical Chengdu Technological University CDTU
Priority to CN202010848663.4A priority Critical patent/CN111951557B/zh
Publication of CN111951557A publication Critical patent/CN111951557A/zh
Application granted granted Critical
Publication of CN111951557B publication Critical patent/CN111951557B/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (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车联网大数据的区域短时交通流预测方法及***，实现对流经目标区域内的多类型车辆的类型、数量进行预测，提高了园区交通管控能力、商用车的资源利用效率以及为商家生产安排提供指导，同时将单位时间预测的量，划分为若干个时区段，采用分时区法进行预测，稀释了预测准确率较低的时区段，从而使其单位时间的预测准确率有了明显提高。

Description

一种基于车联网大数据的区域短时交通流预测方法及***
技术领域
本发明涉及车流量预测技术领域，特别是一种基于车联网大数据的区域短时交通流预测方法及***。
背景技术
商用车联网通过北斗/GPS、RFID、传感器、摄像头图像处理等装置，完成自身环境和状态信息的采集，通过互联网将车辆自身的各种信息传输汇聚到服务器(云端)，这些带有大量车辆位置和运行状态的信息，构成了商用车联网大数据，利用大数据分析技术，通过计算机去分析和处理这些信息，可以延伸出众多的、有价值的应用场景，例如在ITS领域可以做商用车辆的最佳路线规划、及时路况信息汇报，危险品运输车行进路线上交通信号灯动态调整等等。
ITS是智能交通***(Intelligent Transportation System)的简称，交通流量是指在选定时区段内通过某一区域、某一道路断面或某一车道的交通实体数。交通流量的预测信息是ITS中进行智能交通管控、动态交通状态辨识与预测和实时交通流动态诱导的关键。目前交通流量预测技术方法主要有两类：一是基于人工智能即机器学***均、自回归滑动平均、卡尔曼滤波以及线性回归等。
由于现有的交通流量的预测技术方法主要集中在某一道路断面或某一车道的交通流量预测，很少有技术方法用于特定区域交通流量预测，如大型物流园区、矿山等区域。而现实这类区域的交通环境中，车辆的移动变化周期性很强，在同一周期时刻，有些区域会出现较高的交通流量，而有些区域的交通流量则较低，这些区域交通流量的不均衡会给园区的交通管控和商用车的资源利用效率带来严重的影响(如装、卸货时间变长)。特别是在工业园区内，商用货运车辆类型多，设置的车位分别用于不同类型的车辆停放，卸、装货，(现在园区车位基本采用全自动卸货，但是货车类型多，不同类型的货车，配置的卸货机械手不一致，因而相应类型货车需要停放于相应的车位进行卸货)现有预测技术的难以对车辆类型及其相应的数量进行预测。
发明内容
本发明的发明目的在于：针对现有技术存在的无法针对固定区域内的多种类型车辆进行预测的问题，提供一种基于车联网大数据的区域短时交通流预测方法及***。
为了实现上述目的，本发明采用的技术方案为：
一种基于车联网大数据的区域短时交通流预测方法，包括：
S100基于车联网大数据获取目标区域内连续X个周期的车辆情况，X大于1；
S200将车辆情况分为m个类型的车辆，得到每个类型车辆的数量，m大于或等于1；
S300采用统计矩阵法进行预测，计算X个周期车辆类型及相应数量的平均情况，并考虑车辆受不可控因素影响，得到下一个周期的车辆类型及相应数量的初步预测结果；其中，所述不可控因素包括天气、车辆故障、装卸设备故障；
S400针对一个或多个类型的车辆，根据所述下一个周期的初步预测结果，采用分时区法进行预测，将X个周期的每一个周期划分为若干时区，计算出各个时区段的X个周期的平均值，各个时区段的X个周期的平均值与X个周期的平均值的比值乘以下一个周期的初步预测结果，得到各个时区段的初步预测值，然后将各个时区段的初步预测值乘以相应的预测准确率后进行求和，得到下一个周期内的车辆数量的最终预测结果。
一种基于车联网大数据的区域短时交通流预测方法及***，实现对流经目标区域内的多类型车辆的类型、数量进行预测，提高了园区交通管控能力、商用车的资源利用效率以及为商家生产安排提供指导，同时将单位时间预测的量，划分为若干个时区段，采用分时区法进行预测，稀释了预测准确率较低的时区段，从而使其单位时间的预测准确率有了明显提高。
优选的，所述步骤S200包括：
将车辆情况分为m个类型的车辆，用车流量集合V表示：
V＝{V11，V12,…,V1i；V21，V22,…,V2j；…；Vm1，Vm2,…,Vmk}
将一个周期划分为n个时区段，用时区段结合表示：
T＝{T1，T2,…,Tn}
第k周期的车辆类型及相应数量Pk：
Figure BDA0002643962350000031
其中，
Figure BDA0002643962350000032
表示为第k周期Tj时区段Vi类型车辆出现的数量。
优选的，所述步骤S300包括：
S310进行无偏估计，得到第k+1周期的车辆类型及相应数量的无偏预测结果
Figure BDA0002643962350000033
S320引入偏差因子，得到第k+1周期的车辆类型及相应数量的初步预测结果；其中，偏差因子表示车辆受不可控因素影响的影响程度。
优选的，所述步骤S310包括：
进行无偏估计时，认为第k+1周期的无偏预测结果
Figure BDA0002643962350000034
等于第k周期的车辆类型及相应数量Pk在X天的平均情况
Figure BDA0002643962350000035
即：
Figure BDA0002643962350000041
优选的，所述步骤S320包括：
引入偏差因子
Figure BDA0002643962350000042
对第k+1周期的偏差因子采用轮盘赌选择法进行选择取值，有
Figure BDA0002643962350000043
来预测第X+1周期的车辆类型及相应数量，即有：
Figure BDA0002643962350000044
得到第X+1周期的车辆类型及相应数量：
Figure BDA0002643962350000045
第k周期的预测偏差ηk：
Figure BDA0002643962350000051
优选的，所述步骤S400包括：
针对一个或多个类型的车辆，下一个周期内的车辆数量的最终预测结果Nk+1：
Figure BDA0002643962350000052
其中，(Nk+1)'为初步预测结果中的车辆数量；
Figure BDA0002643962350000053
为1到K周期的Ti个时区段真实车辆数的平均值，
Figure BDA0002643962350000054
Figure BDA0002643962350000055
为第j周期第i个时区段实际采集到的车辆数；
Figure BDA0002643962350000056
为1到K周期中，平均每周期真实车辆数的平均值，
Figure BDA0002643962350000057
Nj为第j周期实际采集到的车辆数；
Figure BDA0002643962350000058
为1到K周期的Ti个时区段车辆数预测准确率的平均准确率，
Figure BDA0002643962350000059
Pi j为第j周期第i个时区段的预测准确率，
Figure BDA00026439623500000510
若Pi j<0，则令Pi j＝0。
优选的，所述的一个周期为一天，或一周，或一个月。
一种基于车联网大数据的区域短时交通流预测***，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器和显示器，所述至少一个处理器与车联网***通信连接，获取园区内车辆流量数据；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上任一项所述的方法；所述处理器设有数据输入输出接口，通过数据输入输出接口与显示器、键盘、鼠标、以及带有USB接口的电子设备进行连接，用于输入输出数据；所述指令被所述至少一个处理器执行的结果通过显示器进行显示，同时将结果发送于车辆网***。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明的一种基于车联网大数据的区域短时交通流预测方法及***，实现对流经目标区域内的多类型车辆的类型、数量进行预测，提高了园区交通管控能力、商用车的资源利用效率以及为商家生产安排提供指导，同时将单位时间预测的量，划分为若干个时区段，采用分时区法进行预测，稀释了预测准确率较低的时区段，从而使其单位时间的预测准确率有了明显提高。
附图说明
图1是本发明方法的流程示意图。
图2为本发明提供的***的结构示意图。
具体实施方式
下面结合附图，对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
针对工业园区内，商用货运车辆类型多，设置的车位分别用于不同类型的车辆停放，卸、装货，(现在园区车位基本采用全自动卸货，但是货车类型多，不同类型的货车，配置的卸货机械手不一致，因而相应类型货车需要停放于相应的车位进行卸货)现有预测技术的难以对车辆类型及其相应的数量进行预测，若园区内某时区段某类型商用货运车已经停满了园区内所有的用于停放该类型车辆的车位，若此时商家仍然雇佣该类型货运车辆在此时区段内进行货物配给，由于已经没有了用于该类型车辆停放、卸货空余的车位，显然需要等待，导致商家货物配给不能及时完成。
因此，本实施例1的一种基于车联网大数据的区域短时交通流预测方法，如图1所示，包括如下步骤：
S100由车联网大数据平台前段数据采集***，对该园区车辆进出连续采集X天，得到X天的车辆情况数据。
S200获得一个园区内一天中车辆情况，对该车辆情况进行处理，按照类型进行归类，得到m个类型的车辆，以及获得每个类型车辆的数量(i，j，k相等或不相等)，则该园区车流量集合可以表示为：
V＝{V11，V12,…,V1i；V21，V22,…,V2j；…；Vm1，Vm2,…,Vmk}；
将一天划分为n个时区段，时区段集合表示为：T＝{T1，T2,…,Tn}；
开始统计第一天内在园区车辆出现的情况，如下表，
Figure BDA0002643962350000071
表中，中间数字1表示为：在T1时区段，园区内V1类型车辆出现1辆。0表示该时区段该类型车辆未出现。
以Pk表示第k天园区车辆情况，
Figure BDA0002643962350000072
表示为第k天Tj时区段Vi类型车辆出现的数量，其矩阵表示形式为：
Figure BDA0002643962350000081
S300 X天的平均情况，计算如下：
Figure BDA0002643962350000082
由依据统计学原理，
Figure BDA0002643962350000083
以上为无偏估计，但是实际情况中，往往存在偏差因子，因此，引入偏差因子
Figure BDA0002643962350000084
此处偏差因子表示某类型车辆受不可控因素(天气、车辆故障、卸(装)设备故障等的影响程度)，对第k+1天的偏差因子采用轮盘赌选择法进行选择取值，有
Figure BDA0002643962350000085
来预测第X+1天的车辆情况，即有：
Figure BDA0002643962350000086
联立(2)与(3)即可求解，即得第X+1天的园区车辆情况：
Figure BDA0002643962350000091
第k天的预测偏差：ηk，等于车辆预测情况减去采集到的车辆真实情况的平方根，如下：
Figure BDA0002643962350000092
预测偏差值越小，则预测准确率越高。
S400进一步采用分时区法，对单位时间内的车流量进预测，具体就是将一个单位时间划分为若干时区，该单位时间内的预测数就等于各个时区内的预测数乘以该时区段预测的准确率，然后叠加求和。因为一个单位时间内，不同时区段，车辆流量预测准确率是存在较大的差异，如上午、中午、晚上等，采用分时区法，可以有效将预测准确率较低的时区段进行计算后，提高整个单位时间内的预测准确性，具体的就是：
以天为单位，进行预测，获得了以往每天的车流量情况，来预测下一天整天的车流量情况，
将一天划分为T个时区段，
下一天预测数＝求和{采用统计法得到的预测数×[(以往每天各个时区段真实的车流量的平均值/以往每天车流量真实情况的平均值)×相应各个时区段预测的准确率]}
其公式化为：
Figure BDA0002643962350000101
式中，Nk+1为采用分时区法得到的最终预测数，
(Nk+1)'为采用统计矩阵法等算法得到预测数；
Figure BDA0002643962350000102
为1到K天的Ti个时区段真实车辆数的平均值，
Figure BDA0002643962350000103
Figure BDA0002643962350000104
为第j天第i个时区段实际采集到的车辆数；
Figure BDA0002643962350000105
为1到K天中，平均每天真实车辆数的平均值，
Figure BDA0002643962350000106
Nj为第j天实际采集到的车辆数；
Figure BDA0002643962350000107
为1到K天的Ti个时区段车辆数预测准确率的平均准确率，
Figure BDA0002643962350000108
Pi j为第j天第i个时区段的预测准确率，
Figure BDA0002643962350000109
Figure BDA00026439623500001010
若Pi j<0，则令Pi j＝0。
如图2所示，根据本发明示例性实施例的***(例如具备程序执行功能的计算机服务器)，其包括至少一个处理器，电源，以及与所述至少一个处理器通信连接的存储器和显示器，所述至少一个处理器与车联网***通信连接，获取园区内车辆流量数据；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一实施例所公开的方法；所述处理器设有数据输入输出接口，通过数据输入输出接口与显示器、键盘、鼠标、以及带有USB接口的电子设备进行连接，用于输入输出数据；所述指令被所述至少一个处理器执行的结果通过显示器进行显示。同时将结果发送于车辆网***，各个用户即可通过车联网***获得该园区的车流量情况，进而进行各自的安排。电源用于为***提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的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，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例与实施例1的区别在于，以一周为单位时间，来预测下一周车流量情况，则可以将一周的时区段划分为7天，下一周预测数＝求和7天{采用统计法得到的预测数×[(以往每周各天真实的车流量的平均值/以往每周车流量真实情况的平均值)×各天对应车流量预测的准确率]}。
实施例3
本实施例与实施例1的区别在于，以月为单位时间，来预测下一个月车流量情况，则可以将一个月的时区段划分为四周或30天。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于车联网大数据的区域短时交通流预测方法，其特征在于，包括：
S100基于车联网大数据获取目标区域内连续X个周期的车辆情况，X大于1；
S200将车辆情况分为m个类型的车辆，得到每个类型车辆的数量，m大于或等于1；
S300采用统计矩阵法进行预测，计算X个周期车辆类型及相应数量的平均情况，并考虑车辆受不可控因素影响，得到下一个周期的车辆类型及相应数量的初步预测结果；其中，所述不可控因素包括天气、车辆故障、装卸设备故障；
S400针对一个或多个类型的车辆，根据所述下一个周期的初步预测结果，采用分时区法进行预测，将X个周期的每一个周期划分为若干时区，计算出各个时区段的X个周期的平均值，各个时区段的X个周期的平均值与X个周期的平均值的比值乘以下一个周期的初步预测结果，得到各个时区段的初步预测值，然后将各个时区段的初步预测值乘以相应的预测准确率后进行求和，得到下一个周期内的车辆数量的最终预测结果。
2.根据权利要求1所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述步骤S200包括：
将车辆情况分为m个类型的车辆，用车流量集合V表示：
V＝{V11，V12,…,V1i；V21，V22,…,V2j；…；Vm1，Vm2,…,Vmk}
将一个周期划分为n个时区段，n大于或等于1，用时区段结合表示：
T＝{T1，T2,…,Tn}
第k周期的车辆类型及相应数量Pk：
Figure FDA0002643962340000021
其中，
Figure FDA0002643962340000022
表示为第k周期Tj时区段Vi类型车辆出现的数量。
3.根据权利要求2所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述步骤S300包括：
S310进行无偏估计，得到第k+1周期的车辆类型及相应数量的无偏预测结果
Figure FDA0002643962340000023
S320引入偏差因子，得到第k+1周期的车辆类型及相应数量的初步预测结果；其中，偏差因子表示车辆受不可控因素影响的影响程度。
4.根据权利要求3所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述步骤S310包括：
进行无偏估计时，第k+1周期的无偏预测结果
Figure FDA0002643962340000024
等于第k周期的车辆类型及相应数量Pk在X天的平均情况
Figure FDA0002643962340000025
即：
Figure FDA0002643962340000026
5.根据权利要求4所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述步骤S320包括：
引入偏差因子
Figure FDA0002643962340000031
对第k+1周期的偏差因子采用轮盘赌选择法进行选择取值，有
Figure FDA0002643962340000032
来预测第X+1周期的车辆类型及相应数量，即有：
Figure FDA0002643962340000033
得到第X+1周期的车辆类型及相应数量：
Figure FDA0002643962340000034
第k周期的预测偏差ηk：
Figure FDA0002643962340000035
6.根据权利要求4所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述步骤S400包括：
针对一个或多个类型的车辆，下一个周期内的车辆数量的最终预测结果Nk+1：
Figure FDA0002643962340000036
其中，(Nk+1)'为初步预测结果中的车辆数量；
Figure FDA0002643962340000041
为1到K周期的Ti个时区段真实车辆数的平均值，
Figure FDA0002643962340000042
Figure FDA0002643962340000043
为第j周期第i个时区段实际采集到的车辆数；
Figure FDA0002643962340000044
为1到K周期中，平均每周期真实车辆数的平均值，
Figure FDA0002643962340000045
Nj为第j周期实际采集到的车辆数；
Figure FDA0002643962340000046
为1到K周期的Ti个时区段车辆数预测准确率的平均准确率，
Figure FDA0002643962340000047
Pi j为第j周期第i个时区段的预测准确率，
Figure FDA0002643962340000048
若Pi j<0，则令Pi j＝0。
7.根据权利要求1-6任一项所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述的一个周期为一天，或一周，或一个月。
8.一种基于车联网大数据的区域短时交通流预测***，其特征在于，所述***包括至少一个处理器、以及与所述至少一个处理器通信连接的存储器和显示器；所述处理器设有数据输入输出接口，所述处理器与车联网***通信连接，获取园区内车辆流量数据；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法；所述处理器通过数据输入输出接口与显示器、键盘、鼠标、以及带有USB接口的电子设备进行连接，用于输入输出数据；所述指令被所述至少一个处理器执行的结果通过显示器进行显示，同时，将结果传输于车联网***。
CN202010848663.4A 2020-08-21 2020-08-21 一种基于车联网大数据的区域短时交通流预测方法及*** Active CN111951557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010848663.4A CN111951557B (zh) 2020-08-21 2020-08-21 一种基于车联网大数据的区域短时交通流预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010848663.4A CN111951557B (zh) 2020-08-21 2020-08-21 一种基于车联网大数据的区域短时交通流预测方法及***

Publications (2)

Publication Number Publication Date
CN111951557A true CN111951557A (zh) 2020-11-17
CN111951557B CN111951557B (zh) 2022-05-24

Family

ID=73359651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010848663.4A Active CN111951557B (zh) 2020-08-21 2020-08-21 一种基于车联网大数据的区域短时交通流预测方法及***

Country Status (1)

Country Link
CN (1) CN111951557B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100082226A1 (en) * 2008-09-30 2010-04-01 International Business Machines Corporation System and Methods For Providing Predictive Traffic Information
CN104183134A (zh) * 2014-08-27 2014-12-03 重庆大学 基于智能分车型的高速公路短时交通流量预测方法
CN108280998A (zh) * 2018-01-30 2018-07-13 浙江大学 基于历史数据动态选择的短时交通流预测方法
US20190164418A1 (en) * 2017-11-30 2019-05-30 Volkswagen Ag System and method for predicting and maximizing traffic flow
US20190172344A1 (en) * 2017-12-04 2019-06-06 Bluesignal Corporation System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof
CN110009429A (zh) * 2019-04-10 2019-07-12 金瓜子科技发展（北京）有限公司 一种预测流量数据的方法、装置和计算机设备
CN110517485A (zh) * 2019-08-09 2019-11-29 大连理工大学 一种基于时段划分的短时交通流预测方法
CN111179586A (zh) * 2019-10-24 2020-05-19 广州市高科通信技术股份有限公司 一种基于大数据分析的交通诱导方法、设备及存储介质
CN111311913A (zh) * 2020-02-26 2020-06-19 清华大学 一种提高公路变窄路段通行效率的控制方法和***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100082226A1 (en) * 2008-09-30 2010-04-01 International Business Machines Corporation System and Methods For Providing Predictive Traffic Information
CN104183134A (zh) * 2014-08-27 2014-12-03 重庆大学 基于智能分车型的高速公路短时交通流量预测方法
US20190164418A1 (en) * 2017-11-30 2019-05-30 Volkswagen Ag System and method for predicting and maximizing traffic flow
US20190172344A1 (en) * 2017-12-04 2019-06-06 Bluesignal Corporation System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof
CN108280998A (zh) * 2018-01-30 2018-07-13 浙江大学 基于历史数据动态选择的短时交通流预测方法
CN110009429A (zh) * 2019-04-10 2019-07-12 金瓜子科技发展（北京）有限公司 一种预测流量数据的方法、装置和计算机设备
CN110517485A (zh) * 2019-08-09 2019-11-29 大连理工大学 一种基于时段划分的短时交通流预测方法
CN111179586A (zh) * 2019-10-24 2020-05-19 广州市高科通信技术股份有限公司 一种基于大数据分析的交通诱导方法、设备及存储介质
CN111311913A (zh) * 2020-02-26 2020-06-19 清华大学 一种提高公路变窄路段通行效率的控制方法和***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JIAN LIU；LIJUAN LIU: "An Improved Car-Following Model Car with Leading Acceleration Considered", 《IEEE》, 31 December 2010 (2010-12-31), pages 1 - 6, XP031841564 *
***: "基于时间序列模型的短时交通流预测的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
***: "基于时间序列模型的短时交通流预测的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 11, 16 October 2014 (2014-10-16), pages 034 - 24 *
翟冬梅: "基于深度学习的短时交通流预测研究", 《工程科技Ⅱ辑; 信息科技》, 15 January 2020 (2020-01-15), pages 1 - 77 *
邢珊珊: "基于时空关联的城市快速路短时交通流预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
邢珊珊: "基于时空关联的城市快速路短时交通流预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 01, 15 January 2018 (2018-01-15), pages 034 - 597 *

Also Published As

Publication number Publication date
CN111951557B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
Wang et al. A proactive material handling method for CPS enabled shop-floor
Fan et al. Short-term load forecasting based on a semi-parametric additive model
Labadi et al. Stochastic petri net modeling, simulation and analysis of public bicycle sharing systems
CN115511194B (zh) 一种农业数据处理方法、***、装置及介质
Li et al. Deep learning based parking prediction on cloud platform
CN110751411B (zh) 一种面向云制造任务的制造资源匹配方法
CN107978148A (zh) 一种基于多源交通数据动态可靠性的交通状态预测方法
CN116167585A (zh) 应用于垃圾运收的数据处理方法、装置、设备及调度***
CN116777328A (zh) 一种物流车线及装载管理方法、装置、设备及存储介质
Junyou et al. Application of support vector machine in bus travel time prediction
Seo et al. Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning
Irfan et al. Week Ahead Electricity Power and Price Forecasting Using Improved DenseNet-121 Method.
CN111951557B (zh) 一种基于车联网大数据的区域短时交通流预测方法及***
CN116911717A (zh) 一种用于城市贸易中的运力分配方法及***
Chang et al. Dynamic traffic prediction for insufficient data roadways via automatic control theories
CN116882673A (zh) 一种煤炭供应链***及调度方法
CN114626766B (zh) 基于大数据的共享电动车调度方法、装置、设备及介质
CN115640986A (zh) 基于奖励的机器人调度方法、装置、设备及介质
CN116027741A (zh) 一种用于复杂制造场景的边云协同人工智能框架
Biagioni et al. From model-based to model-free: Learning building control for demand response
CN114399344B (zh) 数据处理方法和数据处理装置
CN114327840B (zh) 数据处理方法和数据处理装置
CN112308344A (zh) 一种未离港航班订座值预测方法、装置及电子设备
CN111047354A (zh) 一种分时定价的实现方法、装置、电子设备和存储介质
Anbazhagan et al. RETRACTED CHAPTER: Short-Term Load Forecasting Using Wavelet De-noising Signal Processing Techniques

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231030

Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Yami Technology (Guangzhou) Co.,Ltd.

Address before: 610031 Sichuan province Chengdu City Street No. 2

Patentee before: CHENGDU TECHNOLOGICAL University