CN112767684A - 一种基于收费数据的高速公路交通拥堵检测方法 - Google Patents
一种基于收费数据的高速公路交通拥堵检测方法 Download PDFInfo
- Publication number
- CN112767684A CN112767684A CN202011529480.2A CN202011529480A CN112767684A CN 112767684 A CN112767684 A CN 112767684A CN 202011529480 A CN202011529480 A CN 202011529480A CN 112767684 A CN112767684 A CN 112767684A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- traffic
- travel time
- traffic jam
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于收费数据的高速公路交通拥堵检测方法,包括以下步骤:步骤1:基于收费数据提取交通参数;步骤2:对于相邻ETC门架数据进行空间匹配,消除相邻ETC门架间上下道或异常数据,计算路段平均行程时间;步骤3:利用滚动时间间隔对于原始车辆行程时间数据进行合成;步骤4:构建高速公路平均行程速度判别模型;步骤5:进行模糊C均值聚类分析以划分不同的道路交通运行状态;步骤6:利用聚类结果实现对高速公路相邻ETC门架间交通拥堵的检测。本发明克服了交通参数固定时间尺度合成方法存在的缺陷和不足,可以适用于高速公路两ETC门架收费站间的路段交通拥堵状态估计。
Description
技术领域
本发明属于智能交通领域,涉及交通数据分析与处理领域,公开了一种基于收费数据的高速公路交通拥堵检测方法。
背景技术
准确及时地检测出高速公路交通拥堵的发生是相关部门采取管理措施,防止二次事故,减少经济损失的前提。由于近年来ETC门架收费***在高速公路的兴起,积累了海量的单车行车数据记录。各门架丰富的单车信息以及车辆在高速公路上行驶的详细记录在一定程度上反应高速公路路段的交通状态。如何有效利用丰富的海量ETC门架数据,利用其实现对高速公路路段交通拥堵的检测,对于交通管理者实施交通管制以及交通出行者规划合理出行方案具有重要的理论和研究意义。
事实上,现在已有部分利用高速公路联网收费数据进行交通拥堵检测和交通状态判别的研究,例如杨聚芬根据收费数据提取路段行程时间,并基于行程时间设计了反应道路交通状态的交通拥堵指数。同时为了解决相邻收费站间数据较少的问题,杨聚芬结合收费站在时空上的布局特征,提出了融合高速公路基本路段和复合路段的交通拥堵检测算法。在高速公路上,大部分收费站为互通收费站,对于两个相邻的互通收费站而言,想要获得车辆在两收费站之间路段上的行程时间,就要求车辆从上游互通收费站上道,然后从下游互通收费站下道。然而实际上,从相邻互通收费站上下道的车辆通常并不多,使得一天中两相邻互通收费站之间的收费数据较少,数据的缺失是导致收费数据难以应用的关键因素。
ETC门架安装在主线道路上,能够识别并记录所有经过该断面的车辆信息,弥补了相对于从相邻互通收费站之间的收费数据较少等问题,更能全面切实的标表征主线干道的各路段交通状态,结合ETC门架数据实现对高速公路路段交通拥堵的检测是可行的。
发明内容
有鉴于此,本发明的目的是提供一种基于收费数据的高速公路交通拥堵检测方法。
本发明的目的是通过以下技术方案来实现的:
一种基于收费数据的高速公路交通拥堵检测方法,包括以下步骤:
步骤1:基于收费数据提取交通参数;
步骤2:对于相邻ETC门架数据进行空间匹配,消除相邻ETC门架间上下道或异常数据,计算路段平均行程时间;
步骤3:利用滚动时间间隔对于原始车辆行程时间数据进行合成;
步骤4:构建高速公路平均行程速度判别模型;
步骤5:进行模糊C均值聚类分析以划分不同的道路交通运行状态;
步骤6:利用聚类结果实现对高速公路相邻ETC门架间交通拥堵的检测。
进一步,所述步骤1具体包括以下子步骤:
步骤11:获取每辆车ETC收费数据所记录的行程时间ti,ti为第i辆车的行程时间,由于ETC门架执行不停车收费,故行程时间直接为每辆车的OD行程时间;
步骤12:获取每隔5min时段的上下ETC门架的车流量。
进一步,步骤2包括以下子步骤:
步骤21:对相邻ETC门架间路段进行空间匹配,利用同一车辆经过相邻ETC门架的行驶时间之差作为相应两ETC门架收费站之间路段的行程时间;
步骤22:检测并剔除路段行程时间中的异常值;对于行程时间为负值的异常值直接删除,对于行程时间过长的异常值采用格拉布斯(Grubbs)准则法对一定时间范围内经过出口收费站下道的车辆的行程时间进行异常值检测。
进一步,步骤4包括以下子步骤:
步骤41:对于相邻ETC门架路段进行空间匹配;利用同一时间经过ETC门架而从另一相邻ETC门架驶出的行驶时间之差作为相应两ETC门架之间的行程时间;
步骤42:结合每个相邻ETC门架距离和每辆车的OD行程时间,计算当前时刻各路段平均行程速度v;
步骤44:计算前n个时间间隔路段平均行程速度的标准差SD。
进一步,步骤4包括以下子步骤:
步骤51:确定聚类类别个数c;
步骤52:将输入数据进行标准化处理,标准化公式如下:
式中:xj为原始数据,xmin样本数据最小值,xmax为样本最大值,x'j为标准化后的数据,标准化后数据均落在[0,1]区间范围内,最终的输入为X'={(v1',d1',SD'1),(v'2,d'2,SD'2),…(v'n,d'n,SD'n)},其中vi'(i=1,2,...,n)表示第i个样本数据的平均行程速度,di'(i=1,2,...,n)表示第i个样本的平均行程速度v(t)与前n个时间间隔平均值的偏差,SDi'(i=1,2,...,n)表示第i个样本时间间隔路段平均行程速度的标准差;
步骤53:利用模糊C聚类算法迭代求解过程,获得样本的隶属度矩阵和聚类中心矩阵。
进一步,所述步骤6的具体过程为:聚类结果得到聚类中心矩阵和隶属度矩阵,采用样本数据与各个交通中心点的欧氏距离确定最终分类原则,将样本数据归到距离分类中心欧氏距离最近的那一类,即欧氏距离最小原则:
则xi属于第k类交通状态,式中xi表示第i个样本数据,dij表示第i个样本距离第j个聚类中心的欧氏距离。
由于采用了上述技术方案,本发明具有如下的有益效果:
本发明根据ETC门架数据中的上下道信息提取车辆行程速度特征,用以表征路段交通状态。采用滚动时间序列的交通参数合成方法,判断收费站间交通状态。根据行程速度和交通状态之间的相关性,构建当前时刻路段平均行程速度、当前时刻路段平均行程速度与前几个时间间隔平均值的偏差、前几个时间间隔路段平均行程速度的标准差三个判别特征,使用模糊C均值聚类模型对构建的三个判别特征进行聚类分析,最终利用聚类结果实现对路段交通拥堵状态的判别。本发明克服了交通参数固定时间尺度合成方法存在的缺陷和不足,可以适用于高速公路两ETC门架收费站间的路段交通拥堵状态估计。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究,对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的总体流程示意图;
图2为检测路段ETC门架分布示意图;
图3为滚动时间间隔合成示意图。
具体实施方式
为使本发明的技术方案、优点和目的更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请的保护范围。
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图1-3所示,本实施例提供的一种基于收费数据的高速公路交通拥堵检测方法,
步骤1:基于ETC收费数据提取交通参数。
步骤11:获取经过该ETC门架路段所记录的行程时间ti,ti为第i辆车的行程时间。
步骤12:以下游的ETC门架记录时间减去相邻上游ETC门架记录时间,求得每辆车OD行程时间,计算公式为:
tOD=ti-td
步骤2:对于相邻ETC门架数据进行空间匹配,消除ETC门架间上下道或异常数据,计算路段平均行程时间。
步骤21:对相邻收费ETC门架路段进行空间匹配。每一个ETC门架会记录通过该断面所有车辆的信息,但有少部分车辆会在相邻ETC门架之间的上下路段进行驶入或驶出。结合此特点,利用同一时间经过ETC门架而从下一个相邻ETC门架的车辆的行驶时间之差作为相应两相邻ETC门架之间路段的平均行程时间:
T(k+1,k)=Tc(k)-Tc(k+1)|tc(k)=tc(k+1)
式中,Tc(k+1)为经过第k个ETC门架而从第k+1个门架经过的车辆在两相邻ETC门架间路段上的行程时间,tc(k)和tc(k+1)分别为从第k个ETC门架和第k+1个门架的车辆所经过的时间。
考虑到实际情况要求同时经过卡口的车辆分别从ETC门架k和ETC门架k+1经过的条件过于严格,因此可以适当将同一时间点扩大为同一时间窗口,以从收费站k下道的车辆经过卡口的时间点为中心,计算其前后一定时间内经过ETC门架而从下一个ETC门架的车辆的平均行程时间作为Tc(k+1)的近似值。
步骤22:消除ETC门架间上下道或异常数据。考虑到有少部分车辆从主线驶出匝道或者从匝道驶入主线,该类车辆在所处的相邻ETC门架中间无法进行完全车辆匹配,故将无法进行相邻ETC匹配的数据进行剔除。还在一类车辆匹配结果的异常为路段行程时间过长,明显不同于相同时段内的其他车辆。这种情况可能是由于车辆抛锚等异常事件造成的。此类异常数据也存在于ETC门架数据中,但这种行程时间并不能真实反映路段的交通状态,同样需要剔除。然而较长的行程时间也有可能是由交通拥堵引起的,为了确保不会误删拥堵状态下的数据,采用格拉布斯准则法(Grubbs)对一定时间范围内经过相邻ETC门架的车辆行程时间进行异常值检测。
格拉布斯准则法假设测量列为正态分布。把检测得到的数据按其大小,从小到大排列,总是先怀疑最小或最大的数据是异常的。具体步骤如下:
1).选定危险率α;
2).计算T值(T为顺序统计量X(r)的分布);
3).根据检测数据集X中的数据个数n和显著水平α查阅格拉布斯临界表得到对应的临界值T(n,α);
4).如果T≥T(n,α),则所怀疑的数据是异常的,应该予以舍弃,将其从检测数据集X中剔除,然后重复上述步骤直到没有异常值检出为止。
步骤3:利用滚动时间间隔对于原始车辆行程时间数据进行合成,以原始交通参数数据的采样间隔为基准,将当前与之前共m个采样间隔的交通参数数据按照一定的法则进行滚动合成。以车辆经过相邻ETC门架的下游出口时间为基准,在经过一定的输出时间后,计算合成时间间隔内所有从出口收费站下道的车辆的平均时间,将其作为该输出时间间隔内路段车辆行程时间时间。
步骤4:构建高速公路平均行程速度判别特征。
步骤41:计算当前路段平均行程速度v(t):
式中,L为相邻ETC门架之间路段的里程长度,T为平均行程时间。
步骤43:计算前n个时间间隔路段平均行程速度的标准差SD:
步骤5:进行模糊C均值聚类分析以划分不同的道路交通运行状态。
步骤51:确定聚类类别个数c。当前时刻路段平均行程速度反映道路交通流的运行状态,当前时刻路段平均行程速度与前n个时间间隔平均值的偏差表示当前时刻路段平均行程速度相对于前n个时间间隔的改变程度,而前n个时间间隔路段平均行程速度的标准差代表前n个时间间隔内平均行程速度的稳定程度;结合三个判别特征的意义将路段交通状态划分为交通畅通、由畅通向拥堵转变、交通拥堵和由拥堵向畅通转变等4种情况,由此确定模糊C均值聚类的类别个数c=4。
步骤52:将输入的数据进行标准化处理,标准化公式如下:
式中:xj为原始数据,xmin样本数据最小值,xmax为样本最大值,x'j为标准化后的数据,标准化后数据均落在[0,1]区间范围内,最终的输入为X'={(v'1,d'1,SD'1),(v'2,d'2,SD'2),…(v'n,d'n,SD'n)},其中vi'(i=1,2,...,n)表示第i个样本数据的平均行程速度,di'(i=1,2,...,n)表示第i个样本的平均行程速度v(t)与前n个时间间隔平均值的偏差,SDi'(i=1,2,...,n)表示第i个样本时间间隔路段平均行程速度的标准差。
步骤53:确定模糊加权指数m,设置最大迭代次数T和停止迭代阈值ε,令迭代次数t=0.
步骤54:根据如下公式计算隶属度矩阵U:
步骤55:根据下述公式计算新的聚类中心V(r+1)。
步骤56:如果||V(r+1)-V(r)||≤ε或者迭代次数r等于最大迭代次数T,算法结束,输出聚类中心V和隶属度矩阵U,否则令r=r+1,返回步骤54,直到算法结束。
步骤6:利用聚类结果实现对高速公路相邻ETC门架间路段交通拥堵的检测。对于实际数据x,将其输入到模型中,计算其距离最近的聚类中心,从而实现交通状态估计。样本数据归到欧氏距离最近的分类中心一类即欧式距离最小原则:
则xi属于第k类交通状态。式中xi表示第i个样本数据,dij表示第i个样本距离第j个聚类中心的欧氏距离。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (6)
1.一种基于收费数据的高速公路交通拥堵检测方法,其特征在于,包括以下步骤:
步骤1:基于收费数据提取交通参数;
步骤2:对于相邻ETC门架数据进行空间匹配,消除相邻ETC门架间上下道或异常数据,计算路段平均行程时间;
步骤3:利用滚动时间间隔对于原始车辆行程时间数据进行合成;
步骤4:构建高速公路平均行程速度判别模型;
步骤5:进行模糊C均值聚类分析以划分不同的道路交通运行状态;
步骤6:利用聚类结果实现对高速公路相邻ETC门架间交通拥堵的检测。
2.根据权利要求1所述的一种基于收费数据的高速公路交通拥堵检测方法,其特征在于,所述步骤1具体包括以下子步骤:
步骤11:获取每辆车ETC收费数据所记录的行程时间ti,ti为第i辆车的行程时间,由于ETC门架执行不停车收费,故行程时间直接为每辆车的OD行程时间;
步骤12:获取每隔5min时段的上下ETC门架的车流量。
3.根据权利要求2所述的一种基于收费数据的高速公路交通拥堵检测方法,其特征在于,步骤2包括以下子步骤:
步骤21:对相邻ETC门架间路段进行空间匹配,利用同一车辆经过相邻ETC门架的行驶时间之差作为相应两ETC门架收费站之间路段的行程时间;
步骤22:检测并剔除路段行程时间中的异常值;对于行程时间为负值的异常值直接删除,对于行程时间过长的异常值采用格拉布斯(Grubbs)准则法对一定时间范围内经过出口收费站下道的车辆的行程时间进行异常值检测。
5.根据权利要求4所述的一种基于收费数据的高速公路交通拥堵检测方法,其特征在于,步骤4包括以下子步骤:
步骤51:确定聚类类别个数c;
步骤52:将输入数据进行标准化处理,标准化公式如下:
式中:xj为原始数据,xmin样本数据最小值,xmax为样本最大值,x′j为标准化后的数据,标准化后数据均落在[0,1]区间范围内,最终的输入为X′={(v′1,d′1,SD′1),(v′2,d′2,SD′2),…(v′n,d′n,SD′n)},其中v′i(i=1,2,...,n)表示第i个样本数据的平均行程速度,d′i(i=1,2,...,n)表示第i个样本的平均行程速度v(t)与前n个时间间隔平均值的偏差,SD′i(i=1,2,...,n)表示第i个样本时间间隔路段平均行程速度的标准差;
步骤53:利用模糊C聚类算法迭代求解过程,获得样本的隶属度矩阵和聚类中心矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011529480.2A CN112767684A (zh) | 2020-12-22 | 2020-12-22 | 一种基于收费数据的高速公路交通拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011529480.2A CN112767684A (zh) | 2020-12-22 | 2020-12-22 | 一种基于收费数据的高速公路交通拥堵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767684A true CN112767684A (zh) | 2021-05-07 |
Family
ID=75694745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011529480.2A Pending CN112767684A (zh) | 2020-12-22 | 2020-12-22 | 一种基于收费数据的高速公路交通拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767684A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362602A (zh) * | 2021-06-29 | 2021-09-07 | 山东旗帜信息有限公司 | 一种基于门架通行数据的拥堵分析方法及设备 |
CN113380032A (zh) * | 2021-06-09 | 2021-09-10 | 重庆大学 | 一种基于层次聚类法的高速公路拥堵判断方法及装置 |
CN113850991A (zh) * | 2021-08-31 | 2021-12-28 | 北京北大千方科技有限公司 | 一种收费站的交通状况识别方法、装置、存储介质及终端 |
CN115311865A (zh) * | 2022-09-05 | 2022-11-08 | 中铁长江交通设计集团有限公司 | 一种基于etc门架和收费数据获取交通量调查数据的方法 |
CN115424432A (zh) * | 2022-07-22 | 2022-12-02 | 重庆大学 | 一种基于多源数据的高速公路异常事件下的上游分流方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN108682153A (zh) * | 2018-05-31 | 2018-10-19 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
CN110197586A (zh) * | 2019-05-20 | 2019-09-03 | 重庆大学 | 一种基于多源数据的高速公路路段拥堵检测方法 |
CN111581538A (zh) * | 2020-04-10 | 2020-08-25 | 华南理工大学 | 一种基于高速公路收费数据的高速交通流状态推断方法 |
CN111724592A (zh) * | 2020-06-12 | 2020-09-29 | 重庆大学 | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 |
CN112085947A (zh) * | 2020-07-31 | 2020-12-15 | 浙江工业大学 | 一种基于深度学习和模糊聚类的交通拥堵预测方法 |
-
2020
- 2020-12-22 CN CN202011529480.2A patent/CN112767684A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN108682153A (zh) * | 2018-05-31 | 2018-10-19 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
CN110197586A (zh) * | 2019-05-20 | 2019-09-03 | 重庆大学 | 一种基于多源数据的高速公路路段拥堵检测方法 |
CN111581538A (zh) * | 2020-04-10 | 2020-08-25 | 华南理工大学 | 一种基于高速公路收费数据的高速交通流状态推断方法 |
CN111724592A (zh) * | 2020-06-12 | 2020-09-29 | 重庆大学 | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 |
CN112085947A (zh) * | 2020-07-31 | 2020-12-15 | 浙江工业大学 | 一种基于深度学习和模糊聚类的交通拥堵预测方法 |
Non-Patent Citations (6)
Title |
---|
孙棣华等: "基于公交GPS数据的交叉口信号配时参数估计", 《控制与决策》 * |
屈莉莉: "《以港口为核心的服务供应链协同管理机制》", 30 June 2015, 东北财经大学出版社 * |
朱方: "《基于SVM的多信息融合技术在公交客流识别***中的应用研究》", 31 December 2018, 东北大学出版社 * |
李晓璐: "基于模糊C均值聚类的城市道路交通状态判别", 《交通科技与经济》 * |
杨庆芳等: "基于收费数据的高速公路交通状态判别方法", 《华南理工大学学报(自然科学版)》 * |
杨聚芬等: "基于收费数据的高速公路交通拥挤自动判别方法", 《哈尔滨工业大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380032A (zh) * | 2021-06-09 | 2021-09-10 | 重庆大学 | 一种基于层次聚类法的高速公路拥堵判断方法及装置 |
CN113362602A (zh) * | 2021-06-29 | 2021-09-07 | 山东旗帜信息有限公司 | 一种基于门架通行数据的拥堵分析方法及设备 |
CN113850991A (zh) * | 2021-08-31 | 2021-12-28 | 北京北大千方科技有限公司 | 一种收费站的交通状况识别方法、装置、存储介质及终端 |
CN115424432A (zh) * | 2022-07-22 | 2022-12-02 | 重庆大学 | 一种基于多源数据的高速公路异常事件下的上游分流方法 |
CN115424432B (zh) * | 2022-07-22 | 2024-05-28 | 重庆大学 | 一种基于多源数据的高速公路异常事件下的上游分流方法 |
CN115311865A (zh) * | 2022-09-05 | 2022-11-08 | 中铁长江交通设计集团有限公司 | 一种基于etc门架和收费数据获取交通量调查数据的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767684A (zh) | 一种基于收费数据的高速公路交通拥堵检测方法 | |
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN115240431B (zh) | 高速公路收费站交通流量实时在线仿真***及仿真方法 | |
CN111768619A (zh) | 一种基于卡口数据的快速路车辆od点确定方法 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN111724592B (zh) | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 | |
CN110120218A (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
CN110458244A (zh) | 一种应用于区域路网的交通事故严重度预测方法 | |
CN111640304B (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及*** | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、*** | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN114596700A (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN114882069A (zh) | 基于lstm网络和注意力机制的出租车轨迹异常检测方法 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN115995149A (zh) | 一种基于多源数据的停车供需特征动态评估方法及*** | |
CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN114757447B (zh) | 一种多模型混合的客运枢纽站客流量预测方法及*** |
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: 20210507 |