CN112396837A - 基于交通大数据的拥堵区域车辆来源路径分析方法和*** - Google Patents
基于交通大数据的拥堵区域车辆来源路径分析方法和*** Download PDFInfo
- Publication number
- CN112396837A CN112396837A CN202011265377.1A CN202011265377A CN112396837A CN 112396837 A CN112396837 A CN 112396837A CN 202011265377 A CN202011265377 A CN 202011265377A CN 112396837 A CN112396837 A CN 112396837A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- road
- passing
- data
- 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.)
- Pending
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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于交通大数据的拥堵区域车辆来源路径分析方法,包括:通过路网信息为每个路段构建过车集合,根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;将过车数据根据车牌进行聚合,得到在指定时间经过该区域的所有车牌;获取车辆在指定时间空间范围内的完整轨迹数据;提取目标车辆轨迹,获取目标车辆每一个轨迹点所对应的每一个路段;判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;判断是否已经分析完所有的目标车辆;根据预设规则输出路网数据中的所有路段和相关过车集合。本发明通过获取丰富车辆的轨迹数据来源,解决了现有技术对于拥堵区域车辆来源路径分析不准确的问题。
Description
技术领域
本发明涉及的是智慧交通领域,特别涉及一种基于交通大数据的拥堵区域车辆来源路径分析方法。
背景技术
随着经济的高速发展和人们生活水平的不断提高,我国的智慧交通建设正在进入一个更加深入,更加扎实的新的阶段,同时,由于大数据的存储能力和计算能力的不断加强,使得对车辆数据的分析挖掘处理得到不断的发展和革新,这为智慧交通的建立奠定了基础。
目前,智慧交通是通过先进的数据采集手段来构建其资源体系,实现对城市交通的高效便捷与精确的管理。当前的技术主要是将过车抓拍数据与卡口点位数据结合,分析出拥堵区域的车辆来源于哪些卡口,但是这样分析的结果既不准确也不直接,因为卡口可能会漏抓,而且卡口的分布也不一定能够覆盖整个城市,从而导致根据车辆的轨迹是不完整的,进而分析出来的来源卡口也不准确,所以需要丰富车辆的轨迹数据来源,比如车辆的GPS数据,车辆驾驶人的手机定位数据、手机信令数据等;另一方面,智能交通更关心的是道路的情况,仅仅只是分析出来源卡口是不直观的,需要与具体的道路数据相结合,分析出来源的路径。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于交通大数据的拥堵区域车辆来源路径分析方法和***。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,包括:
S100.通过路网信息为每个路段构建过车集合,根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;
S200.将过车数据根据车牌进行聚合,得到在指定时间空间范围内经过该区域的所有车牌;
S300.根据聚合后的车牌,获取车辆在指定时间空间范围内的完整轨迹数据;
S400.提取目标车辆轨迹,从完整轨迹中依次取出轨迹点位与路网数据进行匹配,获取目标车辆每一个轨迹点所对应的每一个路段;
S500.判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;
S600.判断是否已经分析完所有的目标车辆;
S700.根据预设规则输出路网数据中的所有路段和相关过车集合,确定拥堵区域车辆来源路径。
进一步地,S100中,路网信息至少包括:路网的经纬度集合信息,路网的编号信息。
进一步地,S200中,通过大数据聚合去重方法得到指定时间空间范围内经过该区域的所有车牌。
进一步地,S300中,获取车辆在指定时间空间范围内的完整轨迹数据的方法包括:通过过车卡口抓拍、车辆GPS定位,车辆驾驶人手机定位数据获取。
进一步地,其特征在于,S400中,轨迹点位与路网数据进行匹配的具体方法为:从完整轨迹点中选取待匹配轨迹点,通过路段坐标组成折线,计算待匹配轨迹点到折线距离,当待匹配轨迹点到折线距离最小时,则匹配当前路段。
进一步地,S500中,当目标车辆每一个轨迹所对应的路段的过车集合中没有包含目标车辆,则将该车辆添加到目标车辆每一个轨迹所对应的路段的过车集合中。
进一步地,S600中,当所有的目标车辆还未分析完,则重新执行S400-S500步骤,直到将所有的目标车辆分析完,继续执行S700.
进一步地,S700中,输出路网数据中的所有路段和相关过车集合的预设规则为:根据每个路段过车数量的多少来进行排序,则排名靠前的路段即为车辆拥堵来源的路径。
本发明还公开了一种基于交通大数据的拥堵区域车辆来源路径分析***,其特征在于,包括:路网信息模块、完整轨迹数据获取模块、目标车辆轨迹匹配模块、路段过车集合输出模块;其中:
路网信息模块,至少储存路网的经纬度集合信息,路网的编号信息,用于将路网信息发送给完整轨迹数据获取模块;
完整轨迹数据获取模块,接收路网信息模块发送的路网信息,用于根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;还用于将过车数据根据车牌进行聚合,得到在指定时间空间范围内经过该区域的所有车牌;还用于根据聚合后的车牌,获取车辆在指定时间空间范围内的完整轨迹数据;
目标车辆轨迹匹配模块,用于提取目标车辆轨迹,从完整轨迹中依次取出轨迹点位与路网数据进行匹配,获取目标车辆每一个轨迹点所对应的每一个路段;还用于判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;还用于判断是否已经分析完所有的目标车辆;
路段过车集合输出模块,用于根据预设规则输出路网数据中的所有路段和相关过车集合,确定拥堵区域车辆来源路径。
进一步地,当目标车辆轨迹匹配模块判定目标车辆每一个轨迹所对应的路段的过车集合中没有包含目标车辆时,则将该车辆添加到目标车辆每一个轨迹所对应的路段的过车集合中;当所有的目标车辆还未分析完,则重新执行目标车辆轨迹匹配步骤,直到将所有的目标车辆分析完。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明公开的一种基于交通大数据的拥堵区域车辆来源路径分析方法和***,通过路网信息为每个路段构建过车集合,根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;将过车数据根据车牌进行聚合,得到在指定时间经过该区域的所有车牌;获取车辆在指定时间空间范围内的完整轨迹数据;提取目标车辆轨迹,获取目标车辆每一个轨迹点所对应的每一个路段;判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;判断是否已经分析完所有的目标车辆;根据预设规则输出路网数据中的所有路段和相关过车集合。本发明通过获取丰富车辆的轨迹数据来源,解决了现有技术对于拥堵区域车辆来源路径分析不准确的问题。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中,基于交通大数据的拥堵区域车辆来源路径分析方法的流程图;
图2为本发明实施例2中,基于交通大数据的拥堵区域车辆来源路径分析方法的结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的拥堵路段车辆来源数据单一,导致拥堵区域车辆来源路径分析方法不准确的问题,本发明实施例提供一种基于交通大数据的拥堵区域车辆来源路径分析方法和***。
实施例1
本实施例公开了一种基于交通大数据的拥堵区域车辆来源路径分析方法,如图1,包括:
S100.通过路网信息为每个路段构建过车集合,根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据。
具体的,通过路网信息为每个路段构建过车集合(R1(),R2()…Rn()),,路网信息至少包括:路网的经纬度集合信息,路网的编号信息。
S200.将过车数据根据车牌进行聚合,得到在指定时间范围内经过该区域的所有车牌。
具体的,通过大数据聚合去重方法得到指定时间空间范围内经过该区域的所有车牌,得到在指定时间范围内经过该区域的所有车牌(CAR_1,CAR_2,…,CAR_n)。
S300.根据聚合后的车牌,获取车辆在指定时间空间范围内的完整轨迹数据。
具体的,获取车辆在指定时间空间范围内的完整轨迹数据的方法包括:通过过车卡口抓拍、车辆GPS定位,车辆驾驶人手机定位数据获取。根据聚合后的车牌(CAR_1,CAR_2,…,CAR_n),获取这些车辆在指定时间t内的完整轨迹数据,以CAR_i为例,将它的完整轨迹记为(track_i1,track_i2…track_im),其中i表示汽车编号,m表示轨迹编号。
S400.提取目标车辆轨迹,从完整轨迹中依次取出轨迹点位与路网数据进行匹配,获取目标车辆每一个轨迹点所对应的每一个路段。
具体的,轨迹点位与路网数据进行匹配的具体方法为:从完整轨迹点中选取待匹配轨迹点,通过路段坐标组成折线,计算待匹配轨迹点到折线距离,当待匹配轨迹点到折线距离最小时,则匹配当前路段。
具体的,以CAR_i为例,从完整轨迹(track_i1,track_i2,…,track_im)中依次取出轨迹点位与路网数据进行匹配,首先取出track_i1,计算距离track_i1最近的路段(每个路段都是由一串坐标组成的折线,而每个轨迹点位都是一个点,通过点到折线的距离公式来计算轨迹点track_1距离每个路段的距离),将该路段记为R。
S500.判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆。优选的,当目标车辆每一个轨迹所对应的路段的过车集合中没有包含目标车辆,则将该车辆添加到目标车辆每一个轨迹所对应的路段的过车集合中。
具体的,判断路段R的过车集合R()中是否包含了车辆CAR_i,如果不包含则将该车辆CAR_i添加到路段R的过车集合R()中。
S600.判断是否已经分析完所有的目标车辆;当所有的目标车辆还未分析完,则重新执行S400-S500步骤,直到将所有的目标车辆分析完,继续执行S700。S700.根据预设规则输出路网数据中的所有路段和相关过车集合,确定拥堵区域车辆来源路径。具体的,输出路网数据中的所有路段和相关过车集合,例如(R1(CAR_1,CAR_3CAR_5,CAR_7,CAR_8),R2(CAR_2),R3(CAR_3,CAR_5,CAR_8),R4(CAR_4,CAR_6)),将集合根据每个路段过车数量的多少来进行排序,得到(R1(CAR_1,CAR_3,CAR_5,CAR_7,CAR_8),R3(CAR_3,CAR_5,CAR_8),R4(CAR_4,CAR_6),R2(CAR_2)),排名靠前的路段即为拥堵路段来源车辆路径。
本实施例公开的一种基于交通大数据的拥堵区域车辆来源路径分析方法和***,通过路网信息为每个路段构建过车集合,根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;将过车数据根据车牌进行聚合,得到在指定时间经过该区域的所有车牌;获取车辆在指定时间空间范围内的完整轨迹数据;提取目标车辆轨迹,获取目标车辆每一个轨迹点所对应的每一个路段;判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;判断是否已经分析完所有的目标车辆;根据预设规则输出路网数据中的所有路段和相关过车集合。本发明通过获取丰富车辆的轨迹数据来源,解决了现有技术对于拥堵区域车辆来源路径分析不准确的问题。
实施例2
一种基于交通大数据的拥堵区域车辆来源路径分析***,如图2,包括:路网信息模块、完整轨迹数据获取模块、目标车辆轨迹匹配模块、路段过车集合输出模块;其中:
路网信息模块,至少储存路网的经纬度集合信息,路网的编号信息,用于将路网信息发送给完整轨迹数据获取模块。
完整轨迹数据获取模块,接收路网信息模块发送的路网信息,用于根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;还用于将过车数据根据车牌进行聚合,得到在指定时间空间范围内经过该区域的所有车牌;还用于根据聚合后的车牌,获取车辆在指定时间空间范围内的完整轨迹数据。具体的车牌进行聚合和获取完整轨迹数据的方法已在实施例1中进行详细描述,再此不在进行赘述。
目标车辆轨迹匹配模块,用于提取目标车辆轨迹,从完整轨迹中依次取出轨迹点位与路网数据进行匹配,获取目标车辆每一个轨迹点所对应的每一个路段;还用于判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;还用于判断是否已经分析完所有的目标车辆。具体的,目标车辆轨迹匹配模块的匹配方法已在实施例1中进行了举例详细描述,再此也不在进行赘述。
路段过车集合输出模块,用于根据预设规则输出路网数据中的所有路段和相关过车集合,确定拥堵区域车辆来源路径。
在一些优选实施例中,当目标车辆轨迹匹配模块判定目标车辆每一个轨迹所对应的路段的过车集合中没有包含目标车辆时,则将该车辆添加到目标车辆每一个轨迹所对应的路段的过车集合中;当所有的目标车辆还未分析完,则重新执行目标车辆轨迹匹配步骤,直到将所有的目标车辆分析完。
本发明公开的一种基于交通大数据的拥堵区域车辆来源路径分析***,通过路网信息为每个路段构建过车集合,根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;将过车数据根据车牌进行聚合,得到在指定时间经过该区域的所有车牌;获取车辆在指定时间空间范围内的完整轨迹数据;提取目标车辆轨迹,获取目标车辆每一个轨迹点所对应的每一个路段;判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;判断是否已经分析完所有的目标车辆;根据预设规则输出路网数据中的所有路段和相关过车集合。本发明通过获取丰富车辆的轨迹数据来源,解决了现有技术对于拥堵区域车辆来源路径分析不准确的问题。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (10)
1.一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,包括:
S100.通过路网信息为每个路段构建过车集合,根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;
S200.将过车数据根据车牌进行聚合,得到在指定时间范围内经过该区域的所有车牌;
S300.根据聚合后的车牌,获取车辆在指定时间空间范围内的完整轨迹数据;
S400.提取目标车辆轨迹,从完整轨迹中依次取出轨迹点位与路网数据进行匹配,获取目标车辆每一个轨迹点所对应的每一个路段;
S500.判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;
S600.判断是否已经分析完所有的目标车辆;
S700.根据预设规则输出路网数据中的所有路段和相关过车集合,确定拥堵区域车辆来源路径。
2.如权利要求1的一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,S100中,路网信息至少包括:路网的经纬度集合信息,路网的编号信息。
3.如权利要求1的一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,S200中,通过大数据聚合去重方法得到指定时间空间范围内经过该区域的所有车牌。
4.如权利要求1的一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,S300中,获取车辆在指定时间空间范围内的完整轨迹数据的方法包括:通过过车卡口抓拍、车辆GPS定位,车辆驾驶人手机定位数据获取。
5.如权利要求1的一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,S400中,轨迹点位与路网数据进行匹配的具体方法为:从完整轨迹点中选取待匹配轨迹点,通过路段坐标组成折线,计算待匹配轨迹点到折线距离,当待匹配轨迹点到折线距离最小时,则匹配当前路段。
6.如权利要求1的一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,S500中,当目标车辆每一个轨迹所对应的路段的过车集合中没有包含目标车辆,则将该车辆添加到目标车辆每一个轨迹所对应的路段的过车集合中。
7.如权利要求1的一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,S600中,当所有的目标车辆还未分析完,则重新执行S400-S500,直到将所有的目标车辆分析完,继续执行S700。
8.如权利要求1的一种基于交通大数据的拥堵区域车辆来源路径分析方法,其特征在于,S700中,输出路网数据中的所有路段和相关过车集合的预设规则为:根据每个路段过车数量的多少来进行排序,则排名靠前的路段即为车辆拥堵来源的路径。
9.一种基于交通大数据的拥堵区域车辆来源路径分析***,其特征在于,包括:路网信息模块、完整轨迹数据获取模块、目标车辆轨迹匹配模块、路段过车集合输出模块;其中:
路网信息模块,至少储存路网的经纬度集合信息,路网的编号信息,用于将路网信息发送给完整轨迹数据获取模块;
完整轨迹数据获取模块,接收路网信息模块发送的路网信息,用于根据需要分析的区域的空间范围和设置的时间空间范围获取过车数据;还用于将过车数据根据车牌进行聚合,得到在指定时间空间范围内经过该区域的所有车牌;还用于根据聚合后的车牌,获取车辆在指定时间空间范围内的完整轨迹数据;
目标车辆轨迹匹配模块,用于提取目标车辆轨迹,从完整轨迹中依次取出轨迹点位与路网数据进行匹配,获取目标车辆每一个轨迹点所对应的每一个路段;还用于判断目标车辆每一个轨迹所对应的路段的过车集合中是否包含了目标车辆;还用于判断是否已经分析完所有的目标车辆;
路段过车集合输出模块,用于根据预设规则输出路网数据中的所有路段和相关过车集合,确定拥堵区域车辆来源路径。
10.如权利要求9的一种基于交通大数据的拥堵区域车辆来源路径分析***,其特征在于,当目标车辆轨迹匹配模块判定目标车辆每一个轨迹所对应的路段的过车集合中没有包含目标车辆时,则将该车辆添加到目标车辆每一个轨迹所对应的路段的过车集合中;当所有的目标车辆还未分析完,则重新执行目标车辆轨迹匹配步骤,直到将所有的目标车辆分析完。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265377.1A CN112396837A (zh) | 2020-11-13 | 2020-11-13 | 基于交通大数据的拥堵区域车辆来源路径分析方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265377.1A CN112396837A (zh) | 2020-11-13 | 2020-11-13 | 基于交通大数据的拥堵区域车辆来源路径分析方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396837A true CN112396837A (zh) | 2021-02-23 |
Family
ID=74600858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011265377.1A Pending CN112396837A (zh) | 2020-11-13 | 2020-11-13 | 基于交通大数据的拥堵区域车辆来源路径分析方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396837A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505788A (zh) * | 2021-06-28 | 2021-10-15 | 杭州海康威视***技术有限公司 | 获取路网信息的方法、装置及存储介质 |
CN114419747A (zh) * | 2021-12-27 | 2022-04-29 | 北京万集科技股份有限公司 | 电子交易方法、电子交易装置、电子设备及介质 |
CN118155425A (zh) * | 2024-05-11 | 2024-06-07 | 四川智能交通***管理有限责任公司 | 一种基于聚类的实时交通拥堵预测方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838846A (zh) * | 2014-03-06 | 2014-06-04 | 中国科学院软件研究所 | 一种基于大数据的面向个人的应急引导方法及*** |
CN105046949A (zh) * | 2015-06-12 | 2015-11-11 | 中南大学 | 一种基于手机数据计算o-d流进行车源预测的方法 |
CN106530688A (zh) * | 2016-10-14 | 2017-03-22 | 浙江工业大学 | 基于Hadoop的海量交通数据处理方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN109544932A (zh) * | 2018-12-19 | 2019-03-29 | 东南大学 | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 |
CN109859495A (zh) * | 2019-03-31 | 2019-06-07 | 东南大学 | 一种基于rfid数据获取区间速度的方法 |
CN110111574A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于流量树分析的城市交通不平衡评价方法 |
CN111583628A (zh) * | 2020-03-27 | 2020-08-25 | 北京交通大学 | 基于数据质量控制的道路网重型货车交通流量预测方法 |
-
2020
- 2020-11-13 CN CN202011265377.1A patent/CN112396837A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838846A (zh) * | 2014-03-06 | 2014-06-04 | 中国科学院软件研究所 | 一种基于大数据的面向个人的应急引导方法及*** |
CN105046949A (zh) * | 2015-06-12 | 2015-11-11 | 中南大学 | 一种基于手机数据计算o-d流进行车源预测的方法 |
CN106530688A (zh) * | 2016-10-14 | 2017-03-22 | 浙江工业大学 | 基于Hadoop的海量交通数据处理方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN109544932A (zh) * | 2018-12-19 | 2019-03-29 | 东南大学 | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 |
CN109859495A (zh) * | 2019-03-31 | 2019-06-07 | 东南大学 | 一种基于rfid数据获取区间速度的方法 |
CN110111574A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于流量树分析的城市交通不平衡评价方法 |
CN111583628A (zh) * | 2020-03-27 | 2020-08-25 | 北京交通大学 | 基于数据质量控制的道路网重型货车交通流量预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505788A (zh) * | 2021-06-28 | 2021-10-15 | 杭州海康威视***技术有限公司 | 获取路网信息的方法、装置及存储介质 |
CN113505788B (zh) * | 2021-06-28 | 2024-02-23 | 杭州海康威视***技术有限公司 | 获取路网信息的方法、装置及存储介质 |
CN114419747A (zh) * | 2021-12-27 | 2022-04-29 | 北京万集科技股份有限公司 | 电子交易方法、电子交易装置、电子设备及介质 |
CN114419747B (zh) * | 2021-12-27 | 2024-04-19 | 北京万集科技股份有限公司 | 电子交易方法、电子交易装置、电子设备及介质 |
CN118155425A (zh) * | 2024-05-11 | 2024-06-07 | 四川智能交通***管理有限责任公司 | 一种基于聚类的实时交通拥堵预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396837A (zh) | 基于交通大数据的拥堵区域车辆来源路径分析方法和*** | |
CN103106280A (zh) | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 | |
CN112017447A (zh) | 一种基于gps位置信息判定车辆逆行违规的方法及*** | |
CN111008255B (zh) | 违章地点识别方法、装置、电子设备及存储介质 | |
CN112579718B (zh) | 一种城市用地功能的识别方法、装置及终端设备 | |
US20130261946A1 (en) | Vehicle information management server, vehicle information management system, and vehicle information management method | |
CN112749825A (zh) | 预测车辆的目的地的方法和装置 | |
Kou et al. | Multiobjective optimization model of intersection signal timing considering emissions based on field data: A case study of Beijing | |
US20220011123A1 (en) | Method of characterizing a route travelled by a user | |
CN113538952B (zh) | 公交车间隔异常识别与预警***、方法、设备及存储介质 | |
CN112734242A (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
CN112988936A (zh) | 出行轨迹预测方法、装置、计算设备及存储介质 | |
CN106980029B (zh) | 车辆超速判断方法及其*** | |
CN114186146B (zh) | 带容量限制的网约车服务网点选址方法及*** | |
CN108986456B (zh) | 限行尾号采集方法、装置、设备及计算机可读存储介质 | |
CN116935656B (zh) | 道路交通数据处理方法、装置、电子设备及存储介质 | |
CN114780556A (zh) | 用于地图的更新频率确定方法及装置 | |
CN116129643B (zh) | 一种公交车出行特征识别方法、装置、设备及介质 | |
CN117455032A (zh) | 基于地理模型的路网规划优化方法及*** | |
CN114676867A (zh) | 车辆路线预测方法和装置 | |
CN116030629B (zh) | 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 | |
CN113282638B (zh) | 一种城建用车识别方法和装置 | |
CN114610830A (zh) | 一种基于驾驶行为数据的地图要素变化检测方法 | |
CN113808388A (zh) | 综合考虑小汽车和公共交通运行的交通拥堵分析方法 | |
CN110807912A (zh) | 一种道路行车速度预测方法、终端设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |