CN112700650B - 一种安全智能监测预警的方法 - Google Patents
一种安全智能监测预警的方法 Download PDFInfo
- Publication number
- CN112700650B CN112700650B CN202110122567.6A CN202110122567A CN112700650B CN 112700650 B CN112700650 B CN 112700650B CN 202110122567 A CN202110122567 A CN 202110122567A CN 112700650 B CN112700650 B CN 112700650B
- Authority
- CN
- China
- Prior art keywords
- data
- congestion
- road condition
- condition information
- traffic flow
- 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
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
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
一种安全智能监测预警的方法,涉及智能交通行业领域,方法包括:步骤S01,核心控制器获取目标地理范围内若干等距路段的历史路况信息、当前路况信息,若当前路况信息与历史路况信息相同,则预测当前路况拥堵类型、拥堵级别与历史路况拥堵类型、拥堵级别相同,否则进入步骤S02。步骤S02,核心控制器将若干等距路段的当前路况信息中车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数据进行决策性融合后获得一个数据节点,进入步骤S03。步骤S03,核心控制器将所述数据节点代入决策树模型,获取目标地理范围内的拥堵类型、拥堵级别并发送的预警终端。本发明预测精准且数据处理速度快,实时预测道路拥堵情况。
Description
技术领域
本发明涉及智能交通行业领域,尤其是涉及一种安全智能监测预警的方法。
背景技术
在经济高速发展下,高速公路、省道、城区主干道等建设迅猛发展,车辆数量不断递增,交通环境日渐复杂。在出行上班时,需要对出行路况进行了解从而合理安排时间。因此,针对交通车流量预测变得尤为重要。
例如,发明专利申请公布号CN111627210A,公布日2020年9月314日,发明的名称为一种车流量预测方法、装置、设备及介质,该申请案公开了一种车流量预测方法、装置、设备及介质,其中,方法包括:获取候选路段集合中的候选路段的历史路况信息,以及待预测的目标路段的历史路况信息;根据上述目标路段的历史路况信息以及上述候选路段集合中的候选路段的历史路况信息,从上述候选路段集合中确定与上述目标路段具有相关性的候选路段,作为参考路段;获取上述参考路段的当前路况信息以及上述目标路段的当前路况信息,根据上述参考路段的当前路况信息以及上述目标路段的当前路况信息预测上述目标路段在下一时刻的车流量。该发明虽然可以一定程度上提高预测路段车流量的准确性,但是在预测过程中整合的信息较少,对于特殊情况判断存在不足。
发明内容
本发明克服了现有技术中在预测过程中整合的信息较少,对于特殊情况判断存在不足的问题,提出了一种监测预警时融合的信息多且全面,判断精准的安全智能监测预警的方法。
为实现以上目的,本发明通过以下技术方案来实现:
一种安全智能监测预警的方法,方法包括:
步骤S01,核心控制器获取目标地理范围内若干等距路段的历史路况信息、当前路况信息,所述历史路况信息、当前路况信息均包括车流量传感器中的车流量数据、车速传感器中的平均车速数据、图像传感器中的图像信息,核心控制器对所述图像信息进行计算获取可行驶道路宽度数据、车辆平均间距数据;若当前路况信息与历史路况信息相同,则预测当前路况拥堵类型、拥堵级别与历史路况拥堵类型、拥堵级别相同,否则进入步骤S02;
步骤S02,核心控制器将若干等距路段的当前路况信息中车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数据进行决策性融合后获得一个数据节点,进入步骤S03;
步骤S03,核心控制器将所述数据节点代入决策树模型,获取目标地理范围内的拥堵类型、拥堵级别并发送的预警终端。
在核心控制器获取的都是每个传感器的重要特征数据,这样不需要核心控制器进行预处理,加快了数据处理的时间,减小了通信量,抗干扰能力强。而且先查看当前路况信息与历史路况信息是否相同,若相同可以直接把历史路况拥堵类型、拥堵级别作为当前路况拥堵类型、拥堵级别,减少了处理时间,可以更快更准确进行预警。而在与历史路况信息不同时,进行数据融合,这样可以去除冗余数据,使得预测结果更准确。而决策树模型可以实时获取拥堵类型、拥堵级别,速度更快,精度更高。
作为优选,所述步骤S01具体包括:
步骤S11, 核心控制器获取目标地理范围内若干等距路段的历史路况信息、当前路况信息,所述历史路况信息、当前路况信息均包括车流量传感器中的车流量数据、车速传感器中的平均车速数据、图像传感器中的图像信息,核心控制器对所述图像信息进行计算获取可行驶道路宽度数据、车辆平均间距数据;
步骤S12,核心控制器计算每个等距路段的当前路况信息中的车流量数据与历史路况信息中的车流量数据之间的偏差率,核心控制器计算每个等距路段的当前路况信息中的平均车速数据与历史路况信息中的平均车速数据之间的偏差率,核心控制器计算每个等距路段的当前路况信息中的可行驶道路宽度数据与历史路况信息中的可行驶道路宽度数据之间的偏差率,核心控制器计算当前路况信息中的车辆平均间距数据与历史路况信息中的车辆平均间距数据之间的偏差率;若车流量数据的偏差率在车流量数据预设误差范围内,平均车速数据的偏差率在平均车速数据预设误差范围内,可行驶道路宽度数据的偏差率在可行驶道路宽度数据预设误差范围内,车辆平均间距数据的偏差率在车辆平均间距数据预设误差范围内,则确定当前路况信息与历史路况信息相同,预测拥堵类型、拥堵级别与历史堵类型、拥堵级别相同,否则进入步骤S02。
这样设置使得在当前路况信息与历史路况信息对比中,对每个数据进行对比,而且每个数据都在误差范围内才算是当前路况信息与历史路况信息相同,保证了预测精度。
作为优选,所述车流量数据、平均车速数据、图像信息上均设有传感器身份识别码,所述核心控制器内存储有所有传感器的身份识别码;所述步骤S01还包括:核心控制器验证车流量数据、平均车速数据、图像信息的身份识别码,确认是否来自核心控制器控制的传感器,若不是则重新获取信息,若是则确认前路况信息与历史路况信息是否相同。
这样设置防止核心控制器接收到非核心控制器控制的传感器的信息,防止预测不准确,也保证了整体的安全性。
作为优选,所述车流量数据预设误差范围、平均车速数据预设误差范围、可行驶道路宽度数据预设误差范围、车辆平均间距数据预设误差范围均为±5%。
作为优选,所述步骤S02中,所述进行决策级融合具体包括:将若干等距路段的车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数据进行决策性融合时,先采用卡尔曼滤波法将若干等距路段的车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数的冗余数据去除,然后将剩余数据决策性融合获得一个数据节点。
卡尔曼滤波法去除冗余数据准确,对预测结果来说精度更高。
作为优选,所述决策树模型包括一棵决策树,所述决策树上有若干个数据节点,每个数据节点对应一种拥堵类型的拥堵级别,所述步骤S03具体包括:核心控制器将融合获得的所述数据节点代入决策树模型,融合获得的所述数据节点分别与决策树上的若干个数据节点进行比较,若决策树上的一个数据节点与融合获得的所述数据节点重合度高于预设的重合率,则获取决策树上的一个数据节点对应的拥堵类型、拥堵级别为融合获得的所述数据节点的拥堵类型、拥堵级别,并发送到预警终端。
这样可以直接通过决策树模型找到相应的数据节点,快速获得拥堵类型、拥堵级别,便于实时了解道路拥堵情况,预测更快也更准确。
作为优选,所述预设的重合率为80%。
作为优选,所述步骤S03中还包括:核心控制器在预设的预警更新时间过后,重新回到步骤S01。
这样使得预警可以实时更新,保证了预警的时效性。
作为优选,所述核心控制器存有拥堵级别颜色信息,一级拥堵级别对应绿色显示信号,二级拥堵级别对应黄色显示信号,三级拥堵级别对应红色显示信号,四级拥堵级别对应黑色显示信号,所述级别数字越大拥堵程度越大,所述步骤S03具体包括:将拥堵类型、拥堵级别发送到预警终端时,根据拥堵级别发送与该拥堵级对应的颜色显示信号到预警终端。
这样可以更直观了解到拥堵的严重程度。
作为优选,所述预警终端接收拥堵类型、拥堵级别时,会替换上一次接收到的拥堵类型、拥堵级别、拥堵级别对应的颜色显示信号。
本发明的优点是:在核心控制器获取的都是每个传感器的重要特征数据,这样不需要核心控制器进行预处理,加快了数据处理的时间,减小了通信量,抗干扰能力强。而且先查看当前路况信息与历史路况信息是否相同,若相同可以直接把历史路况拥堵类型、拥堵级别作为当前路况拥堵类型、拥堵级别,减少了处理时间,可以更快更准确进行预警。而在与历史路况信息不同时,进行数据融合,这样可以去除冗余数据,使得预测结果更准确。而决策树模型可以实时获取拥堵类型、拥堵级别,速度更快,精度更高。
附图说明
图1为本发明一种安全智能监测预警的方法的流程图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
如图1所示,一种安全智能监测预警的方法,方法包括:
步骤S01,核心控制器获取目标地理范围内若干等距路段的历史路况信息、当前路况信息,所述历史路况信息、当前路况信息均包括车流量传感器中的车流量数据、车速传感器中的平均车速数据、图像传感器中的图像信息,核心控制器对所述图像信息进行计算获取可行驶道路宽度数据、车辆平均间距数据;若当前路况信息与历史路况信息相同,则预测当前路况拥堵类型、拥堵级别与历史路况拥堵类型、拥堵级别相同,否则进入步骤S02。
所述步骤S01具体包括:
步骤S11, 核心控制器获取目标地理范围内若干等距路段的历史路况信息、当前路况信息,所述历史路况信息、当前路况信息均包括车流量传感器中的车流量数据、车速传感器中的平均车速数据、图像传感器中的图像信息,核心控制器对所述图像信息进行计算获取可行驶道路宽度数据、车辆平均间距数据。
步骤S12,核心控制器计算每个等距路段的当前路况信息中的车流量数据与历史路况信息中的车流量数据之间的偏差率,核心控制器计算每个等距路段的当前路况信息中的平均车速数据与历史路况信息中的平均车速数据之间的偏差率,核心控制器计算每个等距路段的当前路况信息中的可行驶道路宽度数据与历史路况信息中的可行驶道路宽度数据之间的偏差率,核心控制器计算当前路况信息中的车辆平均间距数据与历史路况信息中的车辆平均间距数据之间的偏差率;若车流量数据的偏差率在车流量数据预设误差范围内,平均车速数据的偏差率在平均车速数据预设误差范围内,可行驶道路宽度数据的偏差率在可行驶道路宽度数据预设误差范围内,车辆平均间距数据的偏差率在车辆平均间距数据预设误差范围内,则确定当前路况信息与历史路况信息相同,预测拥堵类型、拥堵级别与历史堵类型、拥堵级别相同,否则进入步骤S02。
所述车流量数据预设误差范围、平均车速数据预设误差范围、可行驶道路宽度数据预设误差范围、车辆平均间距数据预设误差范围均为±5%。
这样设置使得在当前路况信息与历史路况信息对比中,对每个数据进行对比,而且每个数据都在误差范围内才算是当前路况信息与历史路况信息相同,保证了预测精度。
优选地,所述车流量数据、平均车速数据、图像信息上均设有传感器身份识别码,所述核心控制器内存储有所有传感器的身份识别码。所述步骤S01还包括:核心控制器验证车流量数据、平均车速数据、图像信息的身份识别码,确认是否来自核心控制器控制的传感器,若不是则重新获取信息,若是则确认前路况信息与历史路况信息是否相同。这样设置防止核心控制器接收到非核心控制器控制的传感器的信息,防止预测不准确,也保证了整体的安全性。
步骤S02,核心控制器将若干等距路段的当前路况信息中车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数据进行决策性融合后获得一个数据节点,进入步骤S03。
所述步骤S02中,所述进行决策级融合具体包括:将若干等距路段的车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数据进行决策性融合时,先采用卡尔曼滤波法将若干等距路段的车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数的冗余数据去除,然后将剩余数据决策性融合获得一个数据节点。例如,若干等距路段的车流量数据,有部分连续的等距路段的车流量数据相互误差小于5%,则将这部分连续的等距路段的车流量数据融合为这部分连续的等距路段的所有车流量数据的平均值。平均车速数据、可行驶道路宽度数据、车辆平均间距数据同上。利用卡尔曼滤波法则是将车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数据中与正常值偏差过大或过小的数据过滤掉。该数据节点为{车流量数据,平均车速数据,可行驶道路宽度数据,车辆平均间距数据|车流量数据∈区间a,平均车速数据∈区间b,可行驶道路宽度数据∈区间c,车辆平均间距数据∈区间d}。
步骤S03,核心控制器将所述数据节点代入决策树模型,获取目标地理范围内的拥堵类型、拥堵级别并发送到预警终端。
所述决策树模型包括一棵决策树,所述决策树上有若干个数据节点,每个数据节点对应一种拥堵类型的拥堵级别。数据节点内含数据集,例如数据节点N为{车流量数据,平均车速数据,可行驶道路宽度数据,车辆平均间距数据|车流量数据∈区间A,平均车速数据∈区间B,可行驶道路宽度数据∈区间C,车辆平均间距数据∈区间D}。
决策树模型是基于大量的历史路况信息,将其通过拥堵类型、拥堵级别划分不同的数据集,这些数据集构成决策树模型的数据节点。例如根据历史数据,在{车流量数据,平均车速数据,可行驶道路宽度数据,车辆平均间距数据|车流量数据∈[50辆/每分钟,+∞],平均车速数据∈[25公里/每小时,34公里/每小时],可行驶道路宽度数据∈[30m,40m],车辆平均间距数据∈[1m,6m]},
所述步骤S03具体包括:核心控制器将融合获得的所述数据节点代入决策树模型,融合获得的所述数据节点与决策树上的若干个数据节点进行比较,若决策树上的一个数据节点与融合获得的所述数据节点重合度高于预设的重合率,则获取决策树上的一个数据节点对应的拥堵类型、拥堵级别为融合获得的所述数据节点的拥堵类型、拥堵级别,并发送的预警终端。所述预设的重合率为80%。这样可以直接通过决策树模型找到相应的数据节点,快速获得拥堵类型、拥堵级别,便于实时了解道路拥堵情况,预测更快也更准确。
具体地,重合率计算为,决策树上的一个数据节点为{车流量数据,平均车速数据,可行驶道路宽度数据,车辆平均间距数据|车流量数据∈区间A,平均车速数据∈区间B,可行驶道路宽度数据∈区间C,车辆平均间距数据∈区间D},融合获得的所述数据节点为{车流量数据,平均车速数据,可行驶道路宽度数据,车辆平均间距数据|车流量数据∈区间a,平均车速数据∈区间b,可行驶道路宽度数据∈区间c,车辆平均间距数据∈区间d}。车流量数据重合率=[1-(区间a-区间A∩区间a)/区间a]×100%,平均车速数据重合率=[1-(区间b-区间B∩区间b)/区间b]×100%,可行驶道路宽度数据重合率=[1-(区间c-区间C∩区间c)/区间c]×100%,车辆平均间距数据重合率=[1-(区间d-区间D∩区间d)/区间d]×100%,最终整体的重合率=车流量数据重合率×25%+平均车速数据重合率×25%+可行驶道路宽度数据重合率×25%+车辆平均间距数据×25%。
所述步骤S03中还包括:核心控制器在预设的预警更新时间过后,重新回到步骤S01。这样使得预警可以实时更新,保证了预警的时效性。
优选地,所述核心控制器存有拥堵级别颜色信息,一级拥堵级别对应绿色显示信号,二级拥堵级别对应黄色显示信号,三级拥堵级别对应红色显示信号,四级拥堵级别对应黑色显示信号,所述级别数字越大拥堵程度越大,所述步骤S03具体包括:将拥堵类型、拥堵级别发送到预警终端时,根据拥堵级别发送与该拥堵级对应的颜色显示信号到预警终端。这样可以更直观了解到拥堵的严重程度。而且所述预警终端接收拥堵类型、拥堵级别时,会替换上一次接收到的拥堵类型、拥堵级别、拥堵级别对应的颜色显示信号。
在核心控制器获取的都是每个传感器的重要特征数据,这样不需要核心控制器进行预处理,加快了数据处理的时间,减小了通信量,抗干扰能力强。而且先查看当前路况信息与历史路况信息是否相同,若相同可以直接把历史路况拥堵类型、拥堵级别作为当前路况拥堵类型、拥堵级别,减少了处理时间,可以更快更准确进行预警。而在与历史路况信息不同时,进行数据融合,这样可以去除冗余数据,使得预测结果更准确。而决策树模型可以实时获取拥堵类型、拥堵级别,速度更快,精度更高。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种安全智能监测预警的方法,其特征在于,方法包括:
步骤S01,核心控制器获取目标地理范围内若干等距路段的历史路况信息、当前路况信息,所述历史路况信息、当前路况信息均包括车流量传感器中的车流量数据、车速传感器中的平均车速数据、图像传感器中的图像信息,核心控制器对所述图像信息进行计算获取可行驶道路宽度数据、车辆平均间距数据;若当前路况信息与历史路况信息相同,则预测当前路况拥堵类型、拥堵级别与历史路况拥堵类型、拥堵级别相同,否则进入步骤S02;
步骤S02,核心控制器将若干等距路段的当前路况信息中车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数据进行决策性融合后获得一个数据节点,进入步骤S03;
所述步骤S02中,所述进行决策级融合具体包括:将若干等距路段的车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数据进行决策性融合时,先采用卡尔曼滤波法将若干等距路段的车流量数据、平均车速数据、可行驶道路宽度数据、车辆平均间距数的冗余数据去除,然后将剩余数据决策性融合获得一个数据节点,所述数据节点为{车流量数据,平均车速数据,可行驶道路宽度数据,车辆平均间距数据|车流量数据∈区间a,平均车速数据∈区间b,可行驶道路宽度数据∈区间c,车辆平均间距数据∈区间d};
步骤S03,核心控制器将所述数据节点代入决策树模型,获取目标地理范围内的拥堵类型、拥堵级别并发送到预警终端;
所述步骤S01具体包括:
步骤S11, 核心控制器获取目标地理范围内若干等距路段的历史路况信息、当前路况信息,所述历史路况信息、当前路况信息均包括车流量传感器中的车流量数据、车速传感器中的平均车速数据、图像传感器中的图像信息,核心控制器对所述图像信息进行计算获取可行驶道路宽度数据、车辆平均间距数据;
步骤S12,核心控制器计算每个等距路段的当前路况信息中的车流量数据与历史路况信息中的车流量数据之间的偏差率,核心控制器计算每个等距路段的当前路况信息中的平均车速数据与历史路况信息中的平均车速数据之间的偏差率,核心控制器计算每个等距路段的当前路况信息中的可行驶道路宽度数据与历史路况信息中的可行驶道路宽度数据之间的偏差率,核心控制器计算当前路况信息中的车辆平均间距数据与历史路况信息中的车辆平均间距数据之间的偏差率;若车流量数据的偏差率在车流量数据预设误差范围内,平均车速数据的偏差率在平均车速数据预设误差范围内,可行驶道路宽度数据的偏差率在可行驶道路宽度数据预设误差范围内,车辆平均间距数据的偏差率在车辆平均间距数据预设误差范围内,则确定当前路况信息与历史路况信息相同,预测拥堵类型、拥堵级别与历史拥堵类型、拥堵级别相同,否则进入步骤S02;
所述决策树模型包括一棵决策树,所述决策树上有若干个数据节点,每个数据节点对应一种拥堵类型的拥堵级别,所述步骤S03具体包括:核心控制器将融合获得的所述数据节点代入决策树模型,融合获得的所述数据节点分别与决策树上的若干个数据节点进行比较,若决策树上的一个数据节点与融合获得的所述数据节点重合度高于预设的重合率,则获取决策树上的一个数据节点对应的拥堵类型、拥堵级别为融合获得的所述数据节点的拥堵类型、拥堵级别,并发送到预警终端。
2.根据权利要求1所述的一种安全智能监测预警的方法,其特征在于,所述车流量数据、平均车速数据、图像信息上均设有传感器身份识别码,所述核心控制器内存储有所有传感器的身份识别码;所述步骤S01还包括:核心控制器验证车流量数据、平均车速数据、图像信息的身份识别码,确认是否来自核心控制器控制的传感器,若不是则重新获取信息,若是则确认前路况信息与历史路况信息是否相同。
3.根据权利要求2所述的一种安全智能监测预警的方法,其特征在于,所述车流量数据预设误差范围、平均车速数据预设误差范围、可行驶道路宽度数据预设误差范围、车辆平均间距数据预设误差范围均为±5%。
4.根据权利要求1所述的一种安全智能监测预警的方法,其特征在于,所述预设的重合率为80%。
5.根据权利要求1所述的一种安全智能监测预警的方法,其特征在于,所述步骤S03中还包括:核心控制器在预设的预警更新时间过后,重新回到步骤S01。
6.根据权利要求1所述的一种安全智能监测预警的方法,其特征在于,所述核心控制器存有拥堵级别颜色信息,一级拥堵级别对应绿色显示信号,二级拥堵级别对应黄色显示信号,三级拥堵级别对应红色显示信号,四级拥堵级别对应黑色显示信号,所述级别数字越大拥堵程度越大,所述步骤S03具体包括:将拥堵类型、拥堵级别发送到预警终端时,根据拥堵级别发送与该拥堵级对应的颜色显示信号到预警终端。
7.根据权利要求6所述的一种安全智能监测预警的方法,其特征在于,所述预警终端接收拥堵类型、拥堵级别时,会替换上一次接收到的拥堵类型、拥堵级别、拥堵级别对应的颜色显示信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122567.6A CN112700650B (zh) | 2021-01-29 | 2021-01-29 | 一种安全智能监测预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122567.6A CN112700650B (zh) | 2021-01-29 | 2021-01-29 | 一种安全智能监测预警的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700650A CN112700650A (zh) | 2021-04-23 |
CN112700650B true CN112700650B (zh) | 2022-09-30 |
Family
ID=75516314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110122567.6A Active CN112700650B (zh) | 2021-01-29 | 2021-01-29 | 一种安全智能监测预警的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700650B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723191B (zh) * | 2021-07-30 | 2024-03-29 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
CN113870597B (zh) * | 2021-08-09 | 2022-07-12 | 中标慧安信息技术股份有限公司 | 基于物联网数据的交通调度的方法和*** |
CN113628454A (zh) * | 2021-08-18 | 2021-11-09 | 中国联合网络通信集团有限公司 | 交通信号灯控制方法、装置及*** |
CN113635829B (zh) * | 2021-10-19 | 2021-12-21 | 深圳市润格光电科技有限公司 | 交互式汽车氛围灯 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9257041B2 (en) * | 2009-04-22 | 2016-02-09 | Inrix, Inc. | Predicting expected road traffic conditions based on historical and current data |
CN104599499B (zh) * | 2015-01-12 | 2017-08-29 | 北京中交兴路车联网科技有限公司 | 一种分布式统计交通位置的方法及装置 |
CN106781460B (zh) * | 2016-11-30 | 2019-05-17 | 北京掌行通信息技术有限公司 | 一种路段交通状态确定方法及装置 |
CN109697852B (zh) * | 2019-01-23 | 2021-04-02 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
-
2021
- 2021-01-29 CN CN202110122567.6A patent/CN112700650B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112700650A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700650B (zh) | 一种安全智能监测预警的方法 | |
US9076333B2 (en) | Driving support device, driving support method, and driving support program | |
CN103026396B (zh) | 驾驶辅助装置 | |
CN111325978B (zh) | 一种高速公路车辆异常行为的全程监测警示***和方法 | |
KR102352666B1 (ko) | 교통 사고 위험을 예측하는 위험 예측 시스템 및 방법 | |
CN105551239B (zh) | 旅行时间预测方法及装置 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN112598199A (zh) | 一种基于决策树算法的监测预警方法 | |
JP2018511857A (ja) | 交通渋滞終端位置を特定するためのサーバ、システム及び方法 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
JP6742874B2 (ja) | 交通障害リスク予測装置 | |
CN111367968B (zh) | 驾驶数据处理方法、装置、设备及存储介质 | |
JP5504743B2 (ja) | 走行支援内容決定装置、走行支援内容決定方法および走行支援内容決定プログラム | |
JP4572944B2 (ja) | 運転支援装置、運転支援方法および運転支援プログラム | |
JP4957612B2 (ja) | 走行パターン情報取得装置、走行パターン情報取得方法および走行パターン情報取得プログラム | |
KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及*** | |
CN115683139A (zh) | 一种车载地图路径规划方法、***、电子设备及存储介质 | |
CN111882903A (zh) | 一种基于区块链的车载终端实时天气预警方法 | |
CN114944083B (zh) | 一种高速公路上行驶车辆与前车距离的判断方法 | |
CN114368386B (zh) | 一种车辆安全的预警方法、装置、设备及存储介质 | |
RU2724596C1 (ru) | Способ, устройство, центральное устройство и система для распознавания сдвига распределения в распределении данных и/или признаков входных данных | |
CN116597647A (zh) | 一种面向城市交通数据的实时异常轨迹检测方法 | |
CN114550478A (zh) | 基于etc的高速公路安全自动驾驶推荐方法 | |
CN117351715A (zh) | 基于广义可能性Kripke模型的车辆路径预报方法 |
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 |