CN112434075B - 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 - Google Patents

一种基于etc门架的交通异常检测方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN112434075B
CN112434075B CN202011148433.3A CN202011148433A CN112434075B CN 112434075 B CN112434075 B CN 112434075B CN 202011148433 A CN202011148433 A CN 202011148433A CN 112434075 B CN112434075 B CN 112434075B
Authority
CN
China
Prior art keywords
flow
traffic
data
etc portal
period
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
CN202011148433.3A
Other languages
English (en)
Other versions
CN112434075A (zh
Inventor
郑涵宜
杨珍珍
李智
夏曙东
苏欣
郭胜敏
董萧
尚雍明
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.)
Beijing Palmgo Information Technology Co ltd
Beijing China Transinfo Stock Co ltd
Original Assignee
Beijing Palmgo Information Technology Co ltd
Beijing China Transinfo Stock Co ltd
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 Beijing Palmgo Information Technology Co ltd, Beijing China Transinfo Stock Co ltd filed Critical Beijing Palmgo Information Technology Co ltd
Priority to CN202011148433.3A priority Critical patent/CN112434075B/zh
Publication of CN112434075A publication Critical patent/CN112434075A/zh
Application granted granted Critical
Publication of CN112434075B publication Critical patent/CN112434075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于ETC门架的交通异常检测方法、装置、存储介质及终端，该方法包括：根据预设周期实时获取待检测ETC门架当前采样周期的第一流量、第一流量变化率、第一变异系数数据；获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据，根据生成的多个参数进行计算，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数；对Z分数进行加权后求和，生成待检测ETC门架的通行参数；基于待检测ETC门架的通行参数确定是否出现交通异常。因此，采用本申请实施例，可以及时发现交通事故，使得交通事故能够及时处理，从而提高了高速路网运行效率。

Description

一种基于ETC门架的交通异常检测方法、装置、存储介质及 终端
技术领域
本发明涉及计算机技术领域，特别涉及一种基于ETC门架的交通异常检测方法、装置、存储介质及终端。
背景技术
随着我国高速公路门架ETC技术的发展，高速公路上的交通信息的可获得性与可信度逐渐提高。与城市内交通相比，高速公路上的交通往往更为稳定，但高速上的交通事故，在事故发生与清理阶段引起的城际间交通堵塞会造成更严重的损失。因此，对高速公路上的交通事故进行及时的检测，并基于检测到的事故为驾驶人规划更合理的路线，从而降低事故引起的交通阻塞程度是很有必要的。
目前在交通事故检测中，通常包括三种技术实现。第一种为基于浮动车信息采集***收集浮动车的速度数据，从而通过速度异常表现判断事故发生。然而由于浮动车数据不能覆盖所有高速路段，且行驶路径具有随机性，因此往往有许多缺失值，尽管现有技术能够通过附近路段的数据对缺失值进行一定填补，但填补后的数据可信度降低，且某些缺失值过多的路段难以进行填补，因此稳定性和可靠性都受到一定局限。第二种为通过一些***基于线圈、雷达等传感器检测速度、流量和车道占有率等信息，进而训练分类模型，但由于道路间***参数的差异，不同道路需要不同的分类模型，而模型训练需要收集大量的事故数据，任务量很大，且易受外部条件的改变的影响而导致模型失效，与此同时，检测需要的传感器在我国覆盖率较低，在当前条件下无法投入全国高速路段的检测中。第三种为基于交通流突变的事故检测方法需要依赖于多维度的道路、时间、天气等信息，构建流量预测模型，将流量的预测值与真实值进行对比，进而判断突变。然而，流量预测模型的构建需要收集较为复杂的网络拓扑信息，当路段关系发生改变时，模型将会失效，且分类器的训练依旧需要大量的历史事故数据，难以普及到全国的流量网络检测中。
以上三种现有技术均无法发现交通事故，无法保障交通事故及时处理，从而降低了高速路网运行效率。
发明内容
本申请实施例提供了一种基于ETC门架的交通异常检测方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于ETC门架的交通异常检测方法，该方法包括：
根据预设周期实时获取待检测ETC门架当前采样周期的第一流量、第一流量变化率及第一变异系数数据；
获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据；
基于所述预设第二采样时间点集合中的所述第二流量、所述第二流量变化率、所述第二变异系数及采样时间点集合，将所述当前采样周期的第一流量数据、第一流量变化率及第一变异系数数据进行Z分数转换，生成所述第一流量数据、所述第一流量变化率以及所述第一变异系数对应的Z分数，
将所述第一流量数据、第一流量变化率及所述第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的当前采样周期的通行参数；
基于所述待检测ETC门架的通行参数判定是否出现交通异常。
可选的，所述预设第二采样时间点集合是指过去n天的所述当前采样周期前后的m个周期的时间点的集合；
所述采样时间点集合是指所述预设第二采样时间点集合与所述当前采样周期对应的时间点的合集。
可选的，所述基于所述待检测ETC门架的通行参数确定是否出现交通异常，包括：
当所述待检测ETC门架的通行参数小于预设通行参数时，判定出现交通异常。当所述待检测ETC门架的通行参数大于等于预设通行参数时，判定未出现交通异常。
可选的，所述基于所述待检测ETC门架的通行参数确定是否出现交通异常之后，还包括：
当出现交通异常时，生成交通异常信息发送至相关部门进行预警；以及
当未出现交通异常时，将所述当前采样周期对应的第一流量数据发送至所述历史数据库进行保存。
可选的，所述方法还包括：
初始化所述历史数据库；其中，所述初始化历史数据库包括：
按照第二预设周期采集所述待检测ETC门架的流量数据；
计算每个所述第二预设周期的ETC门架的流量数据的第二变异系数；
当所述待检测ETC门架的流量数据的变异系数小于预设变异系数阈值时，将该第二预设周期对应的时间段、流量数据发送至所述历史数据库进行保存，直到所述保存的流量数据达到预设数量时。
可选的，所述历史数据库中的数据是逐步迭代的，所述迭代步骤包括：
当判定所述当前采样周期的的交通未出现异常时，将所述当前采样周期对应的时间段、流量数据发送至所述历史数据库；
删除所述历史数据库中距所述当前采样周期最久远的一个采样周期对应的时间段、流量数据。
可选的，所述第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权的权值相加为1。
第二方面，本申请实施例提供了一种基于ETC门架的交通异常检测装置，该装置包括：
第一参数获取模块，用于根据预设周期实时获取待检测ETC门架当前采样周期的第一流量数据、第一流量变化率、第一变异系数；
第二参数获取模块，用于获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据；
Z分数生成模块，用于基于所述预设第二采样时间点集合中的所述第二流量、所述第二流量变化率、第二变异系数数据及采样时间点集合，将所述当前采样周期的第一流量数据、第一流量变化率及第一变异系数数据进行Z分数转换，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数
其中，所述采样时间点集合由所述预设第二采样时间点集合与当前采样周期合并形成；通行参数生成模块，用于对所述第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的通行参数；
交通异常确定模块，用于基于所述待检测ETC门架的通行参数确定是否出现交通异常。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，基于ETC门架的交通异常检测装置首先根据预设周期实时获取待检测ETC门架当前采样周期的第一流量数据、第一流量变化率、第一变异系数，再获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据，然后根据生成的多个参数进行计算，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数，对第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的通行参数，最后基于待检测ETC门架的通行参数确定是否出现交通异常。由于本申请通过引用大数据及概率与统计学的方法，基于ECT门架数据实时检测高速公路上的流量变化，可以及时发现交通事故进行及时报警，并及时提醒高速公路上其他车辆规划更合理的出行路线，导致降低了交通事故造成的拥堵，从而提高了高速路网运行效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于ETC门架的交通异常检测方法的流程示意图；
图2是本申请实施例提供的一种基于ETC门架的交通异常检测时历史数据库进行初始化的流程示意图；
图3是本申请实施例提供的一种基于ETC门架的交通异常检测过程的过程示意框图；
图4是本申请实施例提供的一种基于ETC门架的交通异常检测装置的结构示意图；
图5是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止，目前在交通事故检测中，通常包括三种技术实现。第一种为基于浮动车信息采集***收集浮动车的速度数据，从而通过速度异常表现判断事故发生。然而由于浮动车数据不能覆盖所有高速路段，且行驶路径具有随机性，因此往往有许多缺失值，尽管现有技术能够通过附近路段的数据对缺失值进行一定填补，但填补后的数据可信度降低，且某些缺失值过多的路段难以进行填补，因此稳定性和可靠性都受到一定局限。第二种为通过一些***基于线圈、雷达等传感器检测速度、流量和车道占有率等信息，进而训练分类模型，但由于道路间***参数的差异，不同道路需要不同的分类模型，而模型训练需要收集大量的事故数据，任务量很大，且易受外部条件的改变的影响而导致模型失效，与此同时，检测需要的传感器在我国覆盖率较低，在当前条件下无法投入全国高速路段的检测中。第三种为基于交通流突变的事故检测方法需要依赖于多维度的道路、时间、天气等信息，构建流量预测模型，将流量的预测值与真实值进行对比，进而判断突变。然而，流量预测模型的构建需要收集较为复杂的网络拓扑信息，当路段关系发生改变时，模型将会失效，且分类器的训练依旧需要大量的历史事故数据，难以普及到全国的流量网络检测中。以上三种现有技术均无法发现交通事故，无法保障交通事故及时处理，从而降低了高速路网运行效率。为此，本申请提供了一种基于ETC门架的交通异常检测方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请通过引用大数据及概率与统计学的方法，基于ECT门架数据实时检测高速公路上的流量变化，可以及时发现交通事故进行及时报警，并及时提醒高速公路上其他车辆规划更合理的出行路线，导致降低了交通事故造成的拥堵，从而提高了高速路网运行效率，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图3，对本申请实施例提供的基于ETC门架的交通异常检测方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于ETC门架的交通异常检测装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的基于ETC门架的交通异常检测装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personaldigital assistant，PDA)、5G网络或未来演进网络中的终端设备等。
请参见图1，为本申请实施例提供了一种基于ETC门架的交通异常检测方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，根据预设周期实时获取待检测ETC门架当前采样周期的第一流量、第一流量变化率及第一变异系数数据；
其中，预设周期为用户根据实际应用场景自行设定的时间段，例如可以是5分钟为一个周期，也可以10分钟为一个周期，周期长短根据实际应用场景进行自行设定，此处不做限定。ETC门架为部署在高速公路上对车辆进行收费以及数据采集的设备。当前采样周期为设定的多个连续的周期下当前周期对应的时间段。第一流量数据为当前最新周期中采集的流量数据，该流量数据为基于车辆通过数量及速度信息获取的。流量数据是车辆通过高速公路ETC门框时产生的数据信息(即车辆通过数量以及速度等信息)。
在一种可能的实现方式中，当基于ETC门架流量数据进行交通异常检测时，用户终端首先需要从ETC门架产生的流量数据中根据预设周期实时不间断的获取待检测ETC门架的流量数据。
例如，以5分钟为一个周期，获取高速公路上每个ETC门架的流量数据时，第j天第i个统计周期的流量数据，记为c(j,i)。
其中，在概率论和统计学中，变异系数，又称“离散系数”(英文：coefficient ofvariation)，是概率分布离散程度的一个归一化量度，其定义为标准差与平均值之比。本申请中第一变异系数的具体计算可参见步骤S103，此处不再赘述。
S102，获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据；
其中，历史数据库是用来保存未出现交通异常流量数据的仓库。第一流量变化率、第一变异系数是根据步骤S101中当前采样周期以及第一流量数据计算而来的。
在一种可能的实现方式中，当根据步骤S101生成当前采样周期对应的第一流量数据后，首先基于当前采样周期对应的第一流量数据进行计算，生成当前采样周期对应的第一流量变化率以及第一变异系数，再从历史流量数据库中获取若干天内当前采样周期前后多个第二时间段对应的多个第二流量数据，然后基于多个第二时间段对应的多个第二流量数据进行计算，生成多个第二时间段对应的多个第二流量变化率以及多个第二变异系数，最后将当前采样周期和所述多个第二时间段进行合并后，生成采样时间点集合。
具体的，计算高速公路某个ETC门架的第j天第i个统计周期的流量变化率，可记为r(j,i)。从而第一流量变化率和多个第二流量变化率计算公式为：
具体的，计算某门架第j天第i个统计周期的及过去nr个统计周期流量的变异系数，记为s(j,i)，因此第一变异系数和第二变异系数的计算公式为：
其中，分母中的参数μ0(j,i)的计算公式为：
其中，分子中的参数σ0(j,i)的计算公式为：
需要说明的是，根据公式计算当前采样周期的变异系数时，通常可以计算过去1小时流量的变异系数，即nr＝12，即计算当前采样周期的变异系数时，需要用到当前采样周期过去1h的流量数据；为了避免分子为0时无法计算，若分子为0，则用0.01替代。
进一步地，生成采样时间点集合T的表示过程为：将第j天的第i个统计时间点表示为(j,i)，则判断时间点(j,i)时使用的采样时间点集合为
其中， 为第二时间段集合(即历史数据库中获取的)，/>代表采集的天数，/>表示统计总周期。{(j,i)}为第一时间段集合。
参数说明：m，n由业务需求确定。m越大，日内流量变化趋势对异常判断的影响越大；n越大，日间流量变化趋势对异常判断的影响越大。同时，由于参数推导基于采样时间点集合内所有时间点的流量服从同一分布的假设，m，n越大，该假设成立的可能性越低，对异常判断的敏感性会降低。
S103，基于所述预设第二采样时间点集合中的所述第二流量、所述第二流量变化率、第二变异系数数据及采样时间点集合，将所述当前采样周期的第一流量数据、第一流量变化率及第一变异系数数据进行Z分数转换，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数。
其中，第一流量数据、第一流量变化率以及第一变异系数对应的Z分数分别记为j、i是指第j天第i个统计周期的数据，其中，所述采样时间点集合由所述预设第二采样时间点集合与当前采样周期合并形成；
其中，Z分数也叫标准分数(standard score)是一个数与平均数的差再除以标准差的过程。在统计学中，标准分数是一个观测或数据点的值高于被观测值或测量值的平均值的标准偏差的符号数。
在一种可能的实现方式中，根据步骤S101、S102得到了多个参数分别为采样时间点集合、第一流量数据、第一流量变化率、第一变异系数、多个第二流量数据、多个第二流量变化率以及多个第二变异系数，根据得到的多个参数计算待检测ETC门架流量数据、流量变化率、变异系数各自对应的Z分数，即将各个门架的c(j,i),r(j,i),s(j,i)变换为代表通行状态偏离正常状态程度的
具体的，采样时间点集合T以及T中的数据在计算待检测ETC门架流量数据对应的Z分数时，将(j,i)时的参数c(j,i),r(j,i),s(j,i)标准化(利用中心极限定理)计算公式为：
其中，为经中心极限定理变型后得到的z值。z值越小(小于0时)，说明流量越低于正常水平。
其中，分子参数μ1(j,i)计算公式为：
其中，分母参数σ1(j,i)计算公式为：
上述公式中nT为采样时间点集合T中元素数量。
具体的，在计算待检测ETC门架流量变化率对应的Z分数时，计算公式为：
其中，假设(j,i)时刻通行状态仍正常，则可以以T集合中包含的时间点为样本，用样本均值与标准差估算出μX,μY,σX,σY，进而推导出此时流量变化率r(j,i)分布的概率密度函数f(·)和累积分布函数F(·)
F(r(j,i))表示若通行状态正常，流量变化率小于r(j,i)的概率。此概率越小，说明此时此刻的流量变化率越极端，通行状态正常这一假设成立的可能性越低。
为了统一F(r(j,i))与z分数的概念，对F(r(j,i))进行变换， 越小(小于0时)，说明流量越可能发生超出预期的骤降。
其中，参数
其中，参数
其中，参数
其中，参数
其中，参数
其中，参数
其中，参数
其中，参数
其中，参数
其中，参数
上述公式中，参数Φ(·)为标准正态分布的累积分布函数，nT为采样时间点集合T中元素数量。
具体的，在计算待检测ETC门架变异系数对应的Z分数时，计算公式为：
其中，假设(j,i)时刻通行状态仍正常，则可以以T集合中包含的时间点去除(j,i)时刻作为样本，用变异系数的均值估算出μ3，作为该时段理论变异系数(stheory)的估计值，进而推导出的概率密度函数f(·)和累积分布函数F(·)
则F(s(j,i))表示若通行状态正常，变异系数大于s(j,i)的概率。此概率越小，说明此时此刻的流量的变异系数(波动水平)越高于正常水平，通行状态正常这一假设成立的可能性越低。
为了统一F(s(j,i))与z值的概念，对F(s(j,i))进行变换， 越小(小于0时)，说明流量越可能发生超出预期的剧烈波动。
其中，由理论推导，的概率密度函数由下式给出：
其中,n＝ns(计算变异系数时用到ns个数据)
S104，对第一流量数据、第一流量变化率及第一变异系数对应的Z分数进行加权后求和，生成ETC门架的当前采样周期的通行参数。
在一种可能的实现方式中，在根据步骤S103得到后，获取预先设定的加权参数，为赋予/>不同比例的权值，生成待检测ETC门架的通行参数，z(j,i)，/>其中，z(j,i)是指第j天第i个检测周期的通行参数。
其中，通行参数是交通异常进行判断的参数值。
通常，z分数转换常用来检测正态分布中的离群值，当事故发生时，流量数据通常负向偏离正常的分布，因此，如果以正常时刻流量数据与待判断时刻流量数据为样本，则待判断时刻流量的z分数可作为交通状态是否异常的一个评价维度。但如果通过流量这一单一维度进行判断，***很容易发生误报警，而同时监测流量变化率和变异系数来检测流量骤降与剧烈波动，则可以提高***稳定性。为了将流量变化率和变异系数的偏离程度统一为与z得分相似的概念，进而对3者进行加权与综合评定。
本***通过概率论相关知识，对流量变化率和变异系数服从的近似分布进行推测，并通过通行状态正常时的数据对分布的参数进行估计，计算该分布下新时刻的变异系数与流量变化率(或更极端的情况)发生的概率，并通过正态分布累积分布函数的逆运算，将这一概率转换为非正态分布的“z分数”。最终，根据业务需求和交通***所处状态，赋予3个“z分数”不同比例的权值，综合判断交通***的通行状态。
S105，基于所述待检测ETC门架的通行参数判定是否出现交通异常。
在本申请实施例中，根据步骤S104可得到通行参数z(j,i)，若z(j,i)<z0，则交通状态异常。根据大量数据统计和统计学知识，z0＝-3更符合通常需求。所以z0优选-3值。
在一种可能的实现方式中，当待检测ETC门架的通行参数小于预设通行参数时，确定出现交通异常。当所述待检测ETC门架的通行参数大于等于预设通行参数时，确定未出现交通异常。
例如，z(j,i)越小，代表i时刻该门架流量低于正常水平，流量剧烈降低，流量剧烈波动，更符合该门架附近发生突发交通事故的流量特征。根据大量数据统计和统计学知识，将z(j,i)的阈值定为-3更符合通常的需求。
a,b,c由实际业务需要决定。a越大，***越依赖于流量水平和正常水平的区别判断交通事故引起的流量异常，流量整体偏离正常水平更容易被***捕捉；b越大，受到事故直接影响的流量剧烈降低更容易被识别；c越大，预期外的流量剧烈波动越容易被***捕捉。
a,b,c的取值还与前一时刻该门架所处的状态有关。判断阻断点恢复通行时，由于更易受过去一段时间内流量的影响，c的取值应相对较低；判断偏离点恢复稳定时，应给予a较小的取值，以避免稳定的***偏离被错误捕捉。
在一种可能的实现方式中，通行参数计算公式为： a+b+c＝1。a、b、c为不同比例的加权参数，为第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权的权值相加为1。
进一步地，在出现交通异常时，生成交通异常信息发送至相关部门进行预警，以及当未出现交通异常时，将当前采样周期对应的第一流量数据发送至所述历史数据库进行保存。
进一步地，还包括对历史数据库进行初始化，在进行初始化时，
首先按照第二预设采样周期获取待检测的ETC门架的流量数据，第二预设采样周期可以为一天，也可以为半天，，当第二预设采样周期为一天时，计算采集的每天的ETC门架的流量数据的变异系数，当该天的ETC门架的流量数据的变异系数小于预设变异系数阈值时，将该天ETC门架的流量数据及该天对应的时间段发送至所述历史数据库进行保存。
具体的，例如图2所示，计算一天流量的变异系数s(j)，并设定日变异系数阈值s，若s(j)<s，则将该日数据加入初始数据库。从最近的日期持续该过程，直到历史数据的数量达到***需求(288n)。通过这种方式防止异常数据过多的日期加入数据库，导致检测通行状态时无法检测出异常事件。
进一步地，可以通过机器学习确定出a,b,c的具体取值。
例如图3所示，图3是本申请实施例提供的基于ETC门架的交通异常检测过程的过程示意图。首先对高速公路ETC门架流量数据进行初始化以满足当前***要求，再通过预设周期不间断进行实时获取实时流量从而形成历史流量，通过形成的历史流量计算历史流量的变化率和变异系数，再从历史数据库中采集真确的ETC门架流量数据，然后将从历史数据库中采集真确的ETC门架流量数据对应的时间和形成历史流量对应的时间进行合并后生成时间点集合，再通过采样时间点集合以及历史流量的变化率和变异系数、ETC门架流量数据的变化率和变异系数进行计算，对实时参数(历史流量、历史流量的变化率和变异系数)进行变换，得到各自对应的Z分数，最后对各自对应的Z分数进行加权求和生成最终的通行参数，最后根据最终的通行参数判断交通状态是否异常，当异常时，进行预警，当无异常时，将实时参数发送至数据库进行保存(即更新历史数据库)。
在本申请实施例中，基于ETC门架的交通异常检测装置首先根据预设周期实时获取待检测ETC门架当前采样周期的第一流量、第一流量变化率、第一变异系数数据，再获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据，然后根据生成的多个参数进行计算，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数，对第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的通行参数，最后基于待检测ETC门架的通行参数确定是否出现交通异常。由于本申请通过引用大数据及概率与统计学的方法，基于ECT门架数据实时检测高速公路上的流量变化，可以及时发现交通事故进行及时报警，并及时提醒高速公路上其他车辆规划更合理的出行路线，导致降低了交通事故造成的拥堵，从而提高了高速路网运行效率。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图4，其示出了本发明一个示例性实施例提供的基于ETC门架的交通异常检测装置的结构示意图。该基于ETC门架的交通异常检测装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括流量数据生成模块10、第一参数获取模块20、第二参数获取模块30、Z分数生成模块40、通行参数生成模块50、交通异常确定模块60。
流量数据生成模块10，是用于实时获取待检测ETC门架的当前采样周期的流量数据，并基于该流量数据及获取的与该当前采样周期相邻的过去n个采样周期的流量数据计算得到第一流量变化率及第一系数数据；
第一参数获取模块20，用于根据预设周期实时获取待检测ETC门架当前采样周期的第一流量数据、第一流量变化率、第一变异系数；
第二参数获取模块30，用于获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据；
Z分数生成模块40，用于基于所述预设第二采样时间点集合中的所述第二流量、所述第二流量变化率、第二变异系数数据及采样时间点集合，将所述当前采样周期的第一流量数据、第一流量变化率及第一变异系数数据进行Z分数转换，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数
其中，所述采样时间点集合由所述预设第二采样时间点集合与当前采样周期合并形成；
通行参数生成模块50，用于对所述第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的通行参数；
交通异常确定模块60，用于基于所述待检测ETC门架的通行参数确定是否出现交通异常。
需要说明的是，上述实施例提供的基于ETC门架的交通异常检测装置在执行基于ETC门架的交通异常检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于ETC门架的交通异常检测装置与基于ETC门架的交通异常检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，基于ETC门架的交通异常检测装置首先根据预设周期实时获取待检测ETC门架当前采样周期的第一流量、第一流量变化率、第一变异系数数据，再获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据，然后根据生成的多个参数进行计算，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数，对第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的通行参数，最后基于待检测ETC门架的通行参数确定是否出现交通异常。由于本申请通过引用大数据及概率与统计学的方法，基于ECT门架数据实时检测高速公路上的流量变化，可以及时发现交通事故进行及时报警，并及时提醒高速公路上其他车辆规划更合理的出行路线，导致降低了交通事故造成的拥堵，从而提高了高速路网运行效率。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于ETC门架的交通异常检测方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于ETC门架的交通异常检测方法。
请参见图5，为本申请实施例提供了一种终端的结构示意图。如图5所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于ETC门架的交通异常检测应用程序。
在图5所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于ETC门架的交通异常检测应用程序，并具体执行以下操作：
根据预设周期实时获取待检测ETC门架当前采样周期的第一流量、第一流量变化率及第一变异系数数据；
获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据；
基于所述预设第二采样时间点集合中的所述第二流量、所述第二流量变化率、所述第二变异系数及采样时间点集合，将所述当前采样周期的第一流量数据、第一流量变化率及第一变异系数数据进行Z分数转换，生成所述第一流量数据、所述第一流量变化率以及所述第一变异系数对应的Z分数；
将所述第一流量数据、第一流量变化率及所述第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的当前采样周期的通行参数；
基于所述待检测ETC门架的通行参数判定是否出现交通异常。
在一个实施例中，处理器1001在执行基于所述待检测ETC门架的通行参数确定是否出现交通异常时，具体执行以下操作：
当所述待检测ETC门架的通行参数小于预设通行参数时，判定出现交通异常；
当所述待检测ETC门架的通行参数大于等于预设通行参数时，判定未出现交通异常。
在一个实施例中，处理器1001在执行基于所述待检测ETC门架的通行参数确定是否出现交通异常之后时，还执行以下操作：
当出现交通异常时，生成交通异常信息发送至相关部门进行预警；以及
当未出现交通异常时，将所述当前采样周期对应的第一流量数据发送至所述历史数据库进行保存。
在一个实施例中，处理器1001在执行初始化所述历史数据库时，具体执行以下操作：
按照第二预设周期采集所述待检测ETC门架的流量数据；
计算每个所述第二预设周期的ETC门架的流量数据的第二变异系数，
当所述待检测ETC门架的流量数据的变异系数小于预设变异系数阈值时，将该第二预设周期对应的时间段、流量数据发送至所述历史数据库进行保存，直到所述保存的流量数据达到预设数量。
在本申请实施例中，基于ETC门架的交通异常检测装置首先根据预设周期实时获取待检测ETC门架当前采样周期的第一流量数据，然后基于第一流量数据获取第一流量变化率、第一变异系数，再获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据，然后根据生成的多个参数进行计算，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数，对第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的通行参数，最后基于待检测ETC门架的通行参数确定是否出现交通异常。由于本申请通过引用大数据及概率与统计学的方法，基于ECT门架数据实时检测高速公路上的流量变化，可以及时发现交通事故进行及时报警，并及时提醒高速公路上其他车辆规划更合理的出行路线，导致降低了交通事故造成的拥堵，从而提高了高速路网运行效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (10)

1.一种基于ETC门架的交通异常检测方法，其特征在于，所述方法包括：
根据预设周期实时获取待检测ETC门架当前采样周期的第一流量、第一流量变化率及第一变异系数数据；
获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据；
基于所述预设第二采样时间点集合中的所述第二流量、所述第二流量变化率、所述第二变异系数及采样时间点集合，将所述当前采样周期的第一流量数据、第一流量变化率及第一变异系数数据进行Z分数转换，生成所述第一流量数据、所述第一流量变化率以及所述第一变异系数对应的Z分数；
将所述第一流量数据、第一流量变化率及所述第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的当前采样周期的通行参数；
基于所述待检测ETC门架的通行参数判定是否出现交通异常。
2.根据权利要求1所述的方法，其特征在于，所述预设第二采样时间点集合是指过去n天的所述当前采样周期前后的m个周期的时间点的集合；
所述采样时间点集合是指所述预设第二采样时间点集合与所述当前采样周期对应的时间点的合集。
3.根据权利要求1所述的方法，其特征在于，所述基于所述待检测ETC门架的通行参数确定是否出现交通异常，包括：
当所述待检测ETC门架的通行参数小于预设通行参数时，判定出现交通异常；
当所述待检测ETC门架的通行参数大于等于预设通行参数时，判定未出现交通异常。
4.根据权利要求1所述的方法，其特征在于，所述基于所述待检测ETC门架的通行参数确定是否出现交通异常之后，还包括：
当出现交通异常时，生成交通异常信息发送至相关部门进行预警；以及
当未出现交通异常时，将所述当前采样周期对应的第一流量数据发送至所述历史数据库进行保存。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
初始化所述历史数据库；其中，所述初始化历史数据库包括：
按照第二预设周期采集所述待检测ETC门架的流量数据；
计算每个所述第二预设周期的ETC门架的流量数据的第二变异系数，
当所述待检测ETC门架的流量数据的变异系数小于预设变异系数阈值时，将该第二预设周期对应的时间段、流量数据发送至所述历史数据库进行保存，直到所述保存的流量数据达到预设数量。
6.根据权利要求3所述的方法，其特征在于，所述历史数据库中的数据是逐步迭代的，所述迭代步骤包括：
当判定所述当前采样周期的的交通未出现异常时，将所述当前采样周期对应的时间段、流量数据发送至所述历史数据库；
删除所述历史数据库中距所述当前采样周期最久远的一个采样周期对应的时间段、流量数据。
7.根据权利要求1所述的方法，其特征在于，所述第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权的权值相加为1。
8.一种基于ETC门架的交通异常检测装置，其特征在于，所述装置包括：
第一参数获取模块，用于根据预设周期实时获取待检测ETC门架当前采样周期的第一流量数据、第一流量变化率、第一变异系数；
第二参数获取模块，用于获取历史数据库中预设第二采样时间点集合中的每个周期的第二流量、第二流量变化率、第二变异系数数据；
Z分数生成模块，用于基于所述预设第二采样时间点集合中的所述第二流量、所述第二流量变化率、第二变异系数数据及采样时间点集合，将所述当前采样周期的第一流量数据、第一流量变化率及第一变异系数数据进行Z分数转换，生成第一流量数据、第一流量变化率以及第一变异系数对应的Z分数
其中，所述采样时间点集合由所述预设第二采样时间点集合与当前采样周期合并形成；
通行参数生成模块，用于对所述第一流量数据、第一流量变化率以及第一变异系数对应的Z分数进行加权后求和，生成待检测ETC门架的通行参数；
交通异常确定模块，用于基于所述待检测ETC门架的通行参数确定是否出现交通异常。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
CN202011148433.3A 2020-10-23 2020-10-23 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 Active CN112434075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011148433.3A CN112434075B (zh) 2020-10-23 2020-10-23 一种基于etc门架的交通异常检测方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011148433.3A CN112434075B (zh) 2020-10-23 2020-10-23 一种基于etc门架的交通异常检测方法、装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN112434075A CN112434075A (zh) 2021-03-02
CN112434075B true CN112434075B (zh) 2024-06-14

Family

ID=74695980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011148433.3A Active CN112434075B (zh) 2020-10-23 2020-10-23 一种基于etc门架的交通异常检测方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN112434075B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495498B (zh) * 2022-01-20 2023-01-10 青岛海信网络科技股份有限公司 一种交通数据分布有效性判别方法及装置
CN117152973B (zh) * 2023-10-27 2024-01-05 贵州宏信达高新科技有限责任公司 基于etc门架数据的高速公路实时流量监测方法及***
CN117475641B (zh) * 2023-12-28 2024-03-08 辽宁艾特斯智能交通技术有限公司 一种高速公路交通状态的检测方法、装置、设备及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6449350B1 (en) * 1997-12-19 2002-09-10 Bellsouth Intellectual Property Corporation Processes and systems for dynamically measuring switch traffic
JP4003828B2 (ja) * 2002-03-29 2007-11-07 富士通エフ・アイ・ピー株式会社 道路制御方法および道路制御システム並びに記録媒体
US7908076B2 (en) * 2006-08-18 2011-03-15 Inrix, Inc. Representative road traffic flow information based on historical data
CN103886756B (zh) * 2014-04-17 2015-12-30 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
CN104318795A (zh) * 2014-10-31 2015-01-28 重庆大学 基于时空分析的高速公路地点交通状态偏离度获取方法
CN104732075B (zh) * 2015-03-06 2017-07-07 中山大学 一种城市道路交通事故风险实时预测方法
CN107248283B (zh) * 2017-07-18 2018-12-28 北京航空航天大学 一种考虑路段关键度的城市区域路网运行状态评价方法
CN110050300B (zh) * 2017-11-13 2021-08-17 北京嘀嘀无限科技发展有限公司 交通拥堵监控***和方法
US11100793B2 (en) * 2019-01-15 2021-08-24 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
CN111613053B (zh) * 2020-04-21 2021-06-15 北京掌行通信息技术有限公司 一种交通扰动的检测分析方法、装置、存储介质及终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种通过支持向量机对交通拥堵情况进行分类的方法;朱荀 等;南京大学学报(自然科学);20200330;278-283 *
结合可视图的多状态交通流时间序列特性分析;邢雪 等;物理学报;20171031;57-65 *

Also Published As

Publication number Publication date
CN112434075A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112434075B (zh) 一种基于etc门架的交通异常检测方法、装置、存储介质及终端
CN112434260B (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN110415516B (zh) 基于图卷积神经网络的城市交通流预测方法及介质
US9129522B2 (en) Traffic speed estimation using temporal and spatial smoothing of GPS speed data
CN107103753A (zh) 交通时间预测***、交通时间预测方法以及交通模型建立方法
CN111613053B (zh) 一种交通扰动的检测分析方法、装置、存储介质及终端
CN112863172A (zh) 高速公路交通运行状态判定方法、预警方法、装置及终端
WO2016107876A1 (en) Vehicular motion monitoring method
CN108091132A (zh) 一种交通流量预测方法及装置
CN113032249B (zh) 交通流量监测***的测试方法、装置及设备
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
US10706720B2 (en) Predicting vehicle travel times by modeling heterogeneous influences between arterial roads
CN114897312A (zh) 驾驶行为评分方法、装置、设备及存储介质
CN111651664A (zh) 一种基于事故位置点的事故车辆定位方法、装置、存储介质及终端
JP7348243B2 (ja) 交通流監視測定システムのテスト方法、装置及び機器
CN111667689A (zh) 车辆旅行时间预测的方法、设备和计算机设备
KR20170003769U (ko) 머신러닝을 이용한 버스 도착 정보 예측 시스템의 오차 개선 모델
CN112541621B (zh) 一种移动预测方法、智能终端及存储介质
CN117238145A (zh) 一种基于大数据的智慧交通管理方法及***
JP7188181B2 (ja) 渋滞予測プログラム、渋滞予測方法及び渋滞予測装置
CN115330067B (zh) 一种交通拥堵预测方法、装置、电子设备及存储介质
EP4141386A1 (en) Road data monitoring method and apparatus, electronic device and storage medium
CN113870598B (zh) 路况信息监控方法、装置、计算机设备及存储介质
CN112884352B (zh) 一种架空输电线路雷击故障风险评估方法
CN112382087B (zh) 交通堵塞预测方法

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