CN112434260A - 一种公路的交通状态检测方法、装置、存储介质及终端 - Google Patents
一种公路的交通状态检测方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN112434260A CN112434260A CN202011135464.5A CN202011135464A CN112434260A CN 112434260 A CN112434260 A CN 112434260A CN 202011135464 A CN202011135464 A CN 202011135464A CN 112434260 A CN112434260 A CN 112434260A
- Authority
- CN
- China
- Prior art keywords
- sampling period
- traffic
- current sampling
- period
- detected
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000005070 sampling Methods 0.000 claims abstract description 222
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000012417 linear regression Methods 0.000 claims abstract description 41
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 206010039203 Road traffic accident Diseases 0.000 abstract description 22
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F16/23—Updating
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种公路的交通状态检测方法、装置、存储介质及终端,该方法包括:构建待检测ETC门架的交通状态检测所需的采样时间点集合;采样时间点集合包括当前采样周期及多个连续的历史采样周期;加载当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度;基于采样时间点集合、流量数据与车辆平均速度创建线性回归模型,并通过线性回归模型计算当前采样周期的库克距离;根据当前采样周期的库克距离判断待检测ETC门架的交通状态是否异常。因此,采用本申请实施例,可以对交通事故进行及时报警,并为高速公路上的驾驶人规划更合理的路线,从而降低了事故造成的拥堵等后续影响程度,提高高速路网运行效率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种公路的交通状态检测方法、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;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。第二种为基于先进的摄影机等传感器,但此类传感器目前在我国的普及程度不高。第三种为基于实时流量数据与静态道路信息,通过采集多维度的道路、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,进而判断流量突变。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及时发现交通事故,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公路的交通状态检测方法、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公路的交通状态检测方法,该方法包括:
构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,所述采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段;
加载所述当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度;
基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离;
根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。
可选的,所述构建待检测ETC门架的交通状态检测所需的采样时间点集合,包括:
从实时数据库中提取待检测ETC门架的当前采样周期;
从历史正常数据库中提取所述当前采样周期对应的时间段之前多个连续的历史采样周期;
将所述当前采样周期和所述多个连续的历史采样周期进行合并,生成采样时间点集合。
可选的,所述根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常,包括:
当所述当前采样周期的库克距离大于等于预设库克距离阈值时,判定出现交通异常。当当前时间段的库克距离小于预设库克距离阈值时,确定未出现交通异常。
可选的,按照以下步骤更新所述历史正常数据库,包括:
若所述当前采样周期的交通状态未出现异常,则将当前采样周期对应的时间段、流量数据及车辆平均速度加入所述历史正常数据库,并将距所述当前采样周期时间最久远的采样周期对应的时间段、流量数据及车辆平均速度删除。
可选的,所述根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常之后,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流量数据以及车辆平均速度发送至所述历史正常数据库进行保存。
可选的,所述构建待检测ETC门架的交通状态检测所需的采样时间点集合之前,还包括:
构建历史正常数据库和实时数据库。
可选的,所述构建历史正常数据库包括:
按照预设周期采集所述待检测ETC门架的流量数据;
获取其中标记为交通正常状态的所述采样周期的时间、流量数据、车辆平均速度,并将每个所述采样周期对应的时间段、流量数据、车辆平均速度发送至历史正常数据库;
当所述交通正常状态的采样周期的数量累计到达预设数量时,所述历史正常数据库构建完成;
所述构建实时数据库包括:
获取其中标记为交通正常状态的所述采样周期的时间、流量数据、车辆平均速度,并将所述采样周期对应的时间段、流量数据、车辆平均速度发送到实时数据库保存。
第二方面,本申请实施例提供了一种公路的交通状态检测装置,该装置包括:
时间点集合生成模块,用于构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,所述采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段;
参数加载模块,用于加载所述当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度;
库克距离计算模块,用于基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离;
交通异常判断模块,用于根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。
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,公路的交通状态检测装置首先构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段,再加载当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度,然后基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离,最后根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。由于本申请通过获取公路上待检测的ETC门架流量与车辆平均速度数据,并基于库克距离判断线性模型异常值的思想与待检测ETC门架位置近期历史的流量、速度数据,构建速度-流量线性回归模型,并计算最新时间点在该线性模型下的库克距离,进而判断交通状态是否异常,从而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公路的交通状态检测方法的流程示意图;
图2是本申请实施例提供的一种公路的交通状态检测过程的过程示意框图;
图3是本申请实施例提供的另一种公路的交通状态检测方法的流程示意图;
图4是本申请实施例提供的一种公路的交通状态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;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。第二种为基于先进的摄影机等传感器,但此类传感器目前在我国的普及程度不高。第三种为基于实时流量数据与静态道路信息,通过采集多维度的道路、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,进而判断流量突变。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,本申请提供了一种公路的交通状态检测方法、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,由于本申请通过获取公路上待检测ETC门架流量与车辆平均速度数据,并基于库克距离判断线性模型异常值的思想与待检测ETC门架位置近期历史的流量、速度数据,构建速度-流量线性回归模型,并计算最新时间点在该线性模型下的库克距离,进而判断交通状态是否异常,从而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公路的交通状态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公路的交通状态检测装置上。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,本申请实施例中的公路的交通状态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(personal digital 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公路的交通状态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,构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,所述采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段;
其中,ETC门架是应用在高速公路上进行车辆收费及车辆信息获取的电子设备,在本申请中,通过对ETC门架产生的数据进行处理来分析待检测ETC门架交通对应的高速公路目前的交通状态。
在一种可能的实现方式中,在对待检测ETC门架对应的高速公路进行交通状态分析时,用户终端需要构建待检测ETC门架的交通状态检测所需的采样时间点集合,在进行时间点集合构建时,首先从从实时数据库中提取待检测ETC门架的当前采样周期对应的时间段,然后从历史正常数据库中提取当前采样周期对应的时间段之前多个连续的历史采样周期对应的时间段,再将当前采样周期对应的时间段和多个连续的历史采样周期对应的时间段进行合并,生成采样时间点集合。
进一步地,在一种可能的实现方式中,多个连续的历史采样周期对应的时间段是指与当前采样周期时间相距最近的多个连续的历史采样周期对应的时间段。
进一步地,在构建待检测ETC门架的交通状态检测所需的采样时间点集合之前还包括对历史正常数据库和实时数据库的构建,在构建历史正常数据库时,首先按照预设周期采集所述待检测ETC门架的流量数据,获取其中标记为交通正常状态的所述采样周期的时间、流量数据、车辆平均速度,并将每个所述采样周期对应的时间段、流量数据、车辆平均速度发送至历史正常数据库;
当所述交通正常状态的采样周期的数量累计到达预设数量时,所述历史正常数据库构建完成。
其中,需要说明的是上述在构建历史正常数据库时,也即历史正常数据库初始化时,获取标记为交通正常状态的采样周期的交通数据,标记为交通正常状态可以是通过人为判定并标记,也可以以流量的小时变异系数或日变异系数为判定标准,当日变异系数小于某一阈值时,判定该小时或该日的流量数据均为正常,该该小时或该日的流量数据均发送至历史正常数据库,直至历史正常数据库的采样周期数量达到预设数量。
。其中,历史正常数据库为存储过去一段时间交通状态为正常的流量、速度、时间数据。
在构建实时数据库时,根据预设周期实时获取多个ETC门架的流量数据,,并将所述采样周期对应的时间段、流量数据、车辆平均速度发送到实时数据库保存,例如以5分钟为统计间隔,获取各个门架位置的流量与速度数据。第i个统计周期的流量和速度,记为c(i),v(i)。
进一步地,当检测到对历史正常数据库进行更新时,历史正常数据库当接收到未出现交通异常的采样周期对应的流量数据以及车辆平均速度时,所述当前采样周期的交通状态未出现异常,则将当前采样周期对应的时间段、流量数据及车辆平均速度加入所述历史正常数据库,并将距所述当前采样周期时间最久远的采样周期对应的时间段、流量数据及车辆平均速度删除。,这样可以保障历史正常数据库中的数据为距当前采样周期时间最接近的预设数量的交通状态正常的数据,从而使得交通异常分析的结果更加精确。
其中,预设周期是用户根据实际应用场景进行自行设定,此处不做限定。例如预设周期可以为5分钟一个周期,也可以10分钟一个周期。库克距离是统计分析中一种常见的距离,用于诊断各种回归分析中是否存在异常数据,在本申请实施例中,库克距离阈值优选1。
具体的,从历史正常数据库和实时数据库中提取判断门架实时状态所需的采样时间点集合T包含:
(1)从历史正常数据库获取最近的m个时间段(周期)(为了满足大样本要求,m≥30)。需要说明的是,根据业务对***敏感度的不同需求,可有不同取值。m越大,***包含更多历史数据,从统计学意义上更准确。但随着增大,***更易受随着时间推移发生的线性模型的整体变化影响。根据大量统计数据,更能满足通常需求,在一个优选的实施例中,30≤m≤60。
(2)从实时数据库中提取的当前第i时间段(周期)。
S102,加载所述当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度;
其中,流量数据为经过ETC门架的车辆数,车辆平均速度为经过ETC门架的所有车辆平均速度。
在一种可能的实现方式中,在根据步骤S101得到采样时间点集合之后,用户终端需要加载当前第i时间段对应的流量数据以及车辆平均速度,并加载到连续的m个历史时间段对应的流量数据以及车辆平均速度。
S103,基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离;
其中,线性回归为是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。
通常,在本申请中,如果ETC门架位置处于正常交通状态,流量与速度成线性关系,且短时间内,交通***的参数不会发生突变,线性模型参数可以近似视为不变。尽管基于交通基本图,速度和流量不服从严格的线性关系,但将基本图分段后,每一小段都可以用线性模型近似。本申请中假设短期内道路状态不会发生突变。
因此,在本申请实施例中,如果门架位置受交通事故影响而发生阻断或严重堵塞,速度和流量会突然偏离原来的线性模型,在速度与流量的二维空间中表现为突然偏离速度-流量拟合线的异常离群值,这一异常离群值将对拟合线产生较大影响。因此计算该点的库克距离,当库克距离大于设定阈值时,说明在预定精度下,该点对原线性模型产生超过允许范围的影响,可以将该点交通状态判断为异常。
在一种可能的实现方式中,首先根据采样时间点集合T以及T中的各个时间段中的流量数据以及平均速度数据创建线性回归模型,在线性回归模型生成后,通过线性回归模型计算最新加入第i个统计周期(当前采样周期对应的时间段)的(c(i),v(i))的库克距离Di。
具体的,库克距离Di计算公式为:
其中,{v(i)|i∈T}采样时间点集合T中所有时间点的速度实际值,
进一步地,参数Hii的计算公式为:
其中,nT为采样时间点集合T中时间点个数。{c(i)|i∈T}采样时间点集合T中所有时间点的流量实际值。
S104,根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。
在一种可能的实现方式中,基于步骤S103可计算出库克距离Di,当当前采样周期对应的时间段的库克距离小于预设库克距离阈值时,确定未出现交通异常,当当前采样周期对应的时间段的库克距离小于预设库克距离阈值时,确定未出现交通异常。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,将当前采样周期对应的时间段对应的流量数据以及车辆平均速度发送至历史正常数据库进行保存。
具体的,根据计算出的Di及预先设定的库克距离阈值d,判断第i个统计周期门架位置交通状态,并更新历史正常状况下流量与速度数据库。
若Di≥d,则第i个统计周期门架交通状态为异常。
若Di<d,则第i个统计周期门架交通状态为正常。
优选的,库克距离阈值选择d=1判断线性回归异常离群点。
例如图2所示,图2是本申请实施例提供的公路的交通状态检测过程的过程示意图,首先在开始对ETC门架所在的高速公路进行交通状态检测时,首先获取各门架速度与流量数据,再从各门架速度与流量数据中确定出正常的流量数据保存至历史正常数据库,并构建实时数据库。然后从历史正常数据库以及实时数据库中提取时间点(时间段)集合T,再根据集合T中的数据信息构建车流量和速度的线性回归模型,并根据线性回归模型计算库克距离Di,在Di大于等于预设库克距离d时,确定为当前i时刻的交通状态异常。当Di小于预设库克距离d时,确定当前i时刻交通状态正常,在正常后,将当前i时刻交通的流量数据发送至历史正常数据库进行保存。
在本申请实施例中,公路的交通状态检测装置首先构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段,再加载当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度,然后基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离,最后根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。由于本申请通过获取公路上待检测的ETC门架流量与车辆平均速度数据,并基于库克距离判断线性模型异常值的思想与待检测门架位置近期历史的流量、速度数据,构建速度-流量线性回归模型,并计算最新时间点在该线性模型下的库克距离,进而判断交通状态是否异常,从而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。
请参见图3,为本申请实施例提供的一种公路的交通状态检测方法的流程示意图。本实施例以公路的交通状态检测方法应用于用户终端中来举例说明。
该公路的交通状态检测方法可以包括以下步骤:
S201,构建历史正常数据库和实时数据库;
S202,从实时数据库中提取待检测ETC门架的当前采样周期;
S203,从历史正常数据库中提取当前采样周期对应的时间段之前多个连续的历史采样周期;
S204,将所述当前采样周期和所述多个连续的历史采样周期进行合并,生成采样时间点集合;
S205,加载所述当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度;
S206,基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离;
S207,当所述当前采样周期的库克距离大于等于预设库克距离阈值时,判定出现交通异常,当所述当前采样周期的库克距离小于预设库克距离阈值时,判断未出现交通异常;
S208,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,将当前采样周期对应的时间段对应的流量数据以及车辆平均速度发送至历史正常数据库进行保存。
在本申请实施例中,公路的交通状态检测装置首先构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段,再加载当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度,然后基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离,最后根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。由于本申请通过获取公路上待检测的ETC门架流量与车辆平均速度数据,并基于库克距离判断线性模型异常值的思想与待检测门架位置近期历史的流量、速度数据,构建速度-流量线性回归模型,并计算最新时间点在该线性模型下的库克距离,进而判断交通状态是否异常,从而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公路的交通状态检测装置的结构示意图。该公路的交通状态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包括时间点集合生成模块10、参数加载模块20、库克距离计算模块30、交通异常判断模块40。
时间点集合生成模块10,用于构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段;
参数加载模块20,用于加载当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段对应的流量数据以及车辆平均速度;
库克距离计算模块30,用于基于采样时间点集合、流量数据与车辆平均速度创建线性回归模型,并通过线性回归模型计算当前采样周期对应的时间段的库克距离;
交通异常判断模块40,用于根据当前采样周期对应的时间段的库克距离判断待检测ETC门架的交通状态是否异常。
需要说明的是,上述实施例提供的公路的交通状态检测装置在执行公路的交通状态检测方法时,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,上述实施例提供的公路的交通状态检测装置与公路的交通状态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,公路的交通状态检测装置首先构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段,再加载当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度,然后基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离,最后根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。由于本申请通过获取公路上待检测的ETC门架流量与车辆平均速度数据,并基于库克距离判断线性模型异常值的思想与待检测门架位置近期历史的流量、速度数据,构建速度-流量线性回归模型,并计算最新时间点在该线性模型下的库克距离,进而判断交通状态是否异常,从而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公路的交通状态检测方法。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公路的交通状态检测方法。
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、用户接口模块以及公路的交通状态检测应用程序。
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中存储的公路的交通状态检测应用程序,并具体执行以下操作:
构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,所述采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段;
加载所述当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度;
基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离;
根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。
在一个实施例中,处理器1001在执行构建待检测ETC门架的交通状态检测所需的采样时间点集合时,具体执行以下操作:
从实时数据库中提取待检测ETC门架的当前采样周期;
从历史正常数据库中提取所述当前采样周期对应的时间段之前多个连续的历史采样周期;
将所述当前采样周期和所述多个连续的历史采样周期进行合并,生成采样时间点集合。
在一个实施例中,处理器1001在执行根据当前采样周期对应的时间段的库克距离判断待检测ETC门架的交通状态是否异常时,具体执行以下操作:
当当前采样周期对应的时间段的库克距离大于等于预设库克距离阈值时,确定出现交通异常
在一个实施例中,处理器1001在执行根据当前采样周期对应的时间段的库克距离判断待检测ETC门架的交通状态是否异常时,具体执行以下操作:
当当前采样周期对应的时间段的库克距离小于预设库克距离阈值时,确定未出现交通异常。
在一个实施例中,处理器1001在执行根据当前采样周期对应的时间段的库克距离判断待检测ETC门架的交通状态是否异常之后时,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,将当前采样周期对应的时间段对应的流量数据以及车辆平均速度发送至历史正常数据库进行保存。
在一个实施例中,处理器1001在执行构建待检测ETC门架的交通状态检测所需的采样时间点集合之前时,还执行以下操作:
按照预设周期采集所述待检测ETC门架的流量数据;
当所述待检测ETC门架的流量数据的采样周期达到设定采样周期数量时,计算所述设定采样周期数量的待检测ETC门架的流量数据对应的库克距离;
当所述待检测ETC门架的流量数据的库克距离大于等于预设库克距离阈值时,将所述设定采样周期数量的待检测ETC门架的流量数据发送至所述历史正常数据库保存;
根据预设采样周期实时采集多个ETC门架的流量数据发送到实时数据库保存。
在本申请实施例中,公路的交通状态检测装置首先构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段,再加载当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度,然后基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离,最后根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。由于本申请通过获取公路上待检测的ETC门架流量与车辆平均速度数据,并基于库克距离判断线性模型异常值的思想与待检测门架位置近期历史的流量、速度数据,构建速度-流量线性回归模型,并计算最新时间点在该线性模型下的库克距离,进而判断交通状态是否异常,从而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)
1.一种公路的交通状态检测方法,其特征在于,所述方法包括:
构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,所述采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段;
加载所述当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度;
基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离;
根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。
2.根据权利要求1所述的方法,其特征在于,所述构建待检测ETC门架的交通状态检测所需的采样时间点集合,包括:
从实时数据库中提取待检测ETC门架的当前采样周期;
从历史正常数据库中提取所述当前采样周期对应的时间段之前多个连续的历史采样周期;
将所述当前采样周期和所述多个连续的历史采样周期进行合并,生成采样时间点集合。
3.根据权利要求1所述的方法,其特征在于,所述根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常,包括:
当所述当前采样周期的库克距离大于等于预设库克距离阈值时,判定出现交通异常。
当所述当前采样周期的库克距离小于预设库克距离阈值时,判定交通未出现异常。
4.根据权利要求2所述的方法,其特征在于,按照以下步骤更新所述历史正常数据库,包括:
若所述当前采样周期的交通状态未出现异常,则将当前采样周期对应的时间段、流量数据及车辆平均速度加入所述历史正常数据库,并将距所述当前采样周期时间最久远的采样周期对应的时间段、流量数据及车辆平均速度删除。
5.根据权利要求1所述的方法,其特征在于,所述根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常之后,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流量数据以及车辆平均速度发送至所述历史正常数据库进行保存。
6.根据权利要求1所述的方法,其特征在于,所述构建待检测ETC门架的交通状态检测所需的采样时间点集合之前,还包括:
构建历史正常数据库和实时数据库。
7.根据权利要求6所述的方法,其特征在于,所述构建历史正常数据库包括:
按照预设周期采集所述待检测ETC门架的流量数据;
获取其中标记为交通正常状态的所述采样周期的时间、流量数据、车辆平均速度,并将每个所述采样周期对应的时间段、流量数据、车辆平均速度发送至历史正常数据库;
当所述交通正常状态的采样周期的数量累计到达预设数量时,所述历史正常数据库构建完成;
和/或
所述构建实时数据库包括:
根据预设采样周期实时采集所述待检测ETC门架的流量数据、车辆平均速度,并将所述采样周期对应的时间段、流量数据、车辆平均速度发送到实时数据库保存。
8.一种公路的交通状态检测装置,其特征在于,所述装置包括:
时间点集合生成模块,用于构建待检测ETC门架的交通状态检测所需的采样时间点集合;其中,所述采样时间点集合包括待检测ETC门架的当前采样周期对应的时间段以及多个连续的历史采样周期对应的时间段;
参数加载模块,用于加载所述当前采样周期以及多个连续的历史采样周期对应的流量数据以及车辆平均速度;
库克距离计算模块,用于基于所述采样时间点集合、所述流量数据与所述车辆平均速度创建线性回归模型,并通过所述线性回归模型计算所述当前采样周期的库克距离;
交通异常判断模块,用于根据所述当前采样周期的库克距离判断所述待检测ETC门架的交通状态是否异常。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135464.5A CN112434260B (zh) | 2020-10-21 | 2020-10-21 | 一种公路的交通状态检测方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135464.5A CN112434260B (zh) | 2020-10-21 | 2020-10-21 | 一种公路的交通状态检测方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434260A true CN112434260A (zh) | 2021-03-02 |
CN112434260B CN112434260B (zh) | 2024-06-14 |
Family
ID=74695866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011135464.5A Active CN112434260B (zh) | 2020-10-21 | 2020-10-21 | 一种公路的交通状态检测方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434260B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550478A (zh) * | 2022-02-28 | 2022-05-27 | 福建省高速公路信息科技有限公司 | 基于etc的高速公路安全自动驾驶推荐方法 |
CN114613137A (zh) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
CN114706112A (zh) * | 2022-03-03 | 2022-07-05 | 北京中交兴路信息科技有限公司 | 检测车辆定位的方法、装置、电子设备及介质 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 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车流量预测方法 |
CN117877274A (zh) * | 2024-03-13 | 2024-04-12 | 四川智慧高速科技有限公司 | 一种基于etc的省域高速路网交通诱导方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060182451A1 (en) * | 2005-01-18 | 2006-08-17 | Hisashi Shoji | Abnormality determining apparatus, image forming apparatus, copying machine, and information obtaining method |
CN101923778A (zh) * | 2009-09-11 | 2010-12-22 | 中山大学 | 一种基于视频的高速公路交通拥堵状态检测方法 |
CN102117731A (zh) * | 2009-12-31 | 2011-07-06 | 中芯国际集成电路制造(上海)有限公司 | 半导体工艺生产流程中的测量数据的监测方法和装置 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
CN106790029A (zh) * | 2016-12-15 | 2017-05-31 | 宝德科技集团股份有限公司 | 一种基于验证码的大数据获取方法和*** |
CN107657377A (zh) * | 2017-09-26 | 2018-02-02 | 大连理工大学 | 一种基于断点回归的公交专用道政策评价方法 |
CN108229592A (zh) * | 2018-03-27 | 2018-06-29 | 四川大学 | 基于gmdh神经元网络的离群点检测方法及装置 |
CN108847022A (zh) * | 2018-06-08 | 2018-11-20 | 浙江银江智慧交通集团有限公司 | 一种微波交通数据采集设备的异常值检测方法 |
CN109284320A (zh) * | 2018-08-15 | 2019-01-29 | 上海明析数据科技有限公司 | 大数据平台上的自动回归诊断方法 |
JP2019028608A (ja) * | 2017-07-27 | 2019-02-21 | 積水化学工業株式会社 | 情報処理システム、情報処理装置、及びプログラム |
CN109785629A (zh) * | 2019-02-28 | 2019-05-21 | 北京交通大学 | 一种短时交通流量预测方法 |
CN109920250A (zh) * | 2019-05-10 | 2019-06-21 | 李天学 | 动态预测城市道路智能交通管理方法 |
CN111511880A (zh) * | 2017-12-26 | 2020-08-07 | 株式会社Posco | 焦炭仓的附着矿物测量装置 |
CN111613053A (zh) * | 2020-04-21 | 2020-09-01 | 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 |
CN111785019A (zh) * | 2020-06-22 | 2020-10-16 | 北京千方科技股份有限公司 | 一种基于v2x的车辆交通数据生成方法、***及存储介质 |
-
2020
- 2020-10-21 CN CN202011135464.5A patent/CN112434260B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060182451A1 (en) * | 2005-01-18 | 2006-08-17 | Hisashi Shoji | Abnormality determining apparatus, image forming apparatus, copying machine, and information obtaining method |
CN101923778A (zh) * | 2009-09-11 | 2010-12-22 | 中山大学 | 一种基于视频的高速公路交通拥堵状态检测方法 |
CN102117731A (zh) * | 2009-12-31 | 2011-07-06 | 中芯国际集成电路制造(上海)有限公司 | 半导体工艺生产流程中的测量数据的监测方法和装置 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
CN106790029A (zh) * | 2016-12-15 | 2017-05-31 | 宝德科技集团股份有限公司 | 一种基于验证码的大数据获取方法和*** |
JP2019028608A (ja) * | 2017-07-27 | 2019-02-21 | 積水化学工業株式会社 | 情報処理システム、情報処理装置、及びプログラム |
CN107657377A (zh) * | 2017-09-26 | 2018-02-02 | 大连理工大学 | 一种基于断点回归的公交专用道政策评价方法 |
CN111511880A (zh) * | 2017-12-26 | 2020-08-07 | 株式会社Posco | 焦炭仓的附着矿物测量装置 |
CN108229592A (zh) * | 2018-03-27 | 2018-06-29 | 四川大学 | 基于gmdh神经元网络的离群点检测方法及装置 |
CN108847022A (zh) * | 2018-06-08 | 2018-11-20 | 浙江银江智慧交通集团有限公司 | 一种微波交通数据采集设备的异常值检测方法 |
CN109284320A (zh) * | 2018-08-15 | 2019-01-29 | 上海明析数据科技有限公司 | 大数据平台上的自动回归诊断方法 |
CN109785629A (zh) * | 2019-02-28 | 2019-05-21 | 北京交通大学 | 一种短时交通流量预测方法 |
CN109920250A (zh) * | 2019-05-10 | 2019-06-21 | 李天学 | 动态预测城市道路智能交通管理方法 |
CN111613053A (zh) * | 2020-04-21 | 2020-09-01 | 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 |
CN111785019A (zh) * | 2020-06-22 | 2020-10-16 | 北京千方科技股份有限公司 | 一种基于v2x的车辆交通数据生成方法、***及存储介质 |
Non-Patent Citations (8)
Title |
---|
YUCHUAN DU等: "Velocity Control Strategies to Improve Automated Vehicle Driving Comfort", IEEE, vol. 10, no. 1, pages 8, XP011676133, DOI: 10.1109/MITS.2017.2776148 * |
崔俊富等: "残差在线性回归分析中的作用研究", 牡丹江大学学报, vol. 29, no. 10, pages 84 * |
张军谋: "甘肃省入境客流演变及流量预测研究", 中国优秀硕士学位论文全文数据库经济与管理科学辑, no. 7, pages 153 - 98 * |
张辉等: "基于交通流理论的检测数据多元函数补全方法", 2019年中国城市交通规划年会, 16 October 2019 (2019-10-16), pages 1 * |
杨珍珍等: "数据驱动的动态路径优化和停车诱导模型与算法", 中国博士学位论文全文数据库工程科技Ⅱ辑, no. 1, 15 January 2020 (2020-01-15), pages 034 - 76 * |
胡凡: "公路客运量预测方法对比分析", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 12, 15 December 2015 (2015-12-15), pages 034 - 177 * |
胡凡: "公路客运量预测方法对比分析", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 12, pages 034 - 177 * |
陈长坤;武艳;辛梦阳;李明;: "基于广义线性模型的干线公路交通事故预测", 公路与汽运, no. 06, pages 56 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550478A (zh) * | 2022-02-28 | 2022-05-27 | 福建省高速公路信息科技有限公司 | 基于etc的高速公路安全自动驾驶推荐方法 |
CN114550478B (zh) * | 2022-02-28 | 2024-04-09 | 福建省高速公路信息科技有限公司 | 基于etc的高速公路安全自动驾驶推荐方法 |
CN114706112A (zh) * | 2022-03-03 | 2022-07-05 | 北京中交兴路信息科技有限公司 | 检测车辆定位的方法、装置、电子设备及介质 |
CN114613137A (zh) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
CN114613137B (zh) * | 2022-03-07 | 2023-02-21 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 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车流量预测方法 |
CN117877274A (zh) * | 2024-03-13 | 2024-04-12 | 四川智慧高速科技有限公司 | 一种基于etc的省域高速路网交通诱导方法 |
CN117877274B (zh) * | 2024-03-13 | 2024-05-14 | 四川智慧高速科技有限公司 | 一种基于etc的省域高速路网交通诱导方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112434260B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434260B (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
CN112863172B (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
CN108986465B (zh) | 一种车流量检测的方法、***及终端设备 | |
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 | |
CN113838284A (zh) | 一种事故高发路段上的车辆预警方法、装置、存储介质及终端 | |
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 | |
CN112837542B (zh) | 一种高速公路段交通量统计方法、装置、存储介质及终端 | |
CN113611104B (zh) | 货运车辆的风险识别方法、装置、存储介质及终端 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN104424812A (zh) | 一种公交到站时间预测***和方法 | |
CN114120650B (zh) | 用于生成测试结果的方法、装置 | |
CN113190538A (zh) | 一种基于轨迹数据的道路构建方法、装置、存储介质及终端 | |
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 | |
CN111540027A (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN114103987A (zh) | 车辆续航预警方法、装置及电子设备 | |
CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及*** | |
CN115440037B (zh) | 交通流量数据采集方法、装置、电子设备及存储介质 | |
EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN113838283B (zh) | 一种车辆的位置状态标记方法、装置、存储介质及终端 | |
CN115830870A (zh) | 收费站数据处理方法、装置、计算机设备和存储介质 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN114419883A (zh) | 识别路口缺失交通限制信息的方法、装置和电子设备 | |
CN109612467B (zh) | 轨迹简化方法、***及轨迹可视化*** |
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 |