CN112966888B - 交通管理方法及相关产品 - Google Patents

交通管理方法及相关产品 Download PDF

Info

Publication number
CN112966888B
CN112966888B CN201911286274.0A CN201911286274A CN112966888B CN 112966888 B CN112966888 B CN 112966888B CN 201911286274 A CN201911286274 A CN 201911286274A CN 112966888 B CN112966888 B CN 112966888B
Authority
CN
China
Prior art keywords
road section
time period
road
target time
crowd density
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
CN201911286274.0A
Other languages
English (en)
Other versions
CN112966888A (zh
Inventor
苏建钢
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.)
Chengdu Yuntian Lifei Technology Co ltd
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Chengdu Yuntian Lifei Technology Co ltd
Shenzhen Intellifusion Technologies 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 Chengdu Yuntian Lifei Technology Co ltd, Shenzhen Intellifusion Technologies Co Ltd filed Critical Chengdu Yuntian Lifei Technology Co ltd
Priority to CN201911286274.0A priority Critical patent/CN112966888B/zh
Publication of CN112966888A publication Critical patent/CN112966888A/zh
Application granted granted Critical
Publication of CN112966888B publication Critical patent/CN112966888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供了一种交通管理方法及相关产品，该方法包括：获取目标区域中各个路段在目标时间段内的天气信息；将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度；根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。采用本申请实施例有利于提高交通安全与用户的出行体验。

Description

交通管理方法及相关产品
技术领域
本申请涉及智慧交通技术领域，具体涉及一种交通管理方法及相关产品。
背景技术
近年来，随着社会经济的发展，人们生活水平的提高，私有车辆的数量在逐年增多。随着私有车辆的增多，虽然给交通带来了便利，但同时也造成了道路拥堵和交通事故的增加，尤其是在节假日，道路拥挤的情况会更加明显。交通事故的增加不仅会造成人员财产的损失，还会进一步带来交通拥挤。因此，为了提高交通的便利性，在发生交通事故或者道路拥堵的情况下，交通部门将委派相关人员对道路进行疏导。但是，有些拥高峰路段即使进行疏导，仍然会产生交通堵塞或者发生交通事故。
因此，现有的交通管理策略都是基于当前的交通状况临时制定出的，在一定程度上无法解决当前的交通问题，导致交通管理效率低，交通安全性低。
发明内容
本申请实施例提供了一种交通管理方法及相关产品，通过天气信息预测人群密度，根据人群密度提前对各个路段生成交通管理策略，进而可预防交通事故的发生，提高交通安全性。
第一方面，本申请实施例提供一种交通管理方法，包括：
获取目标区域中各个路段在目标时间段内的天气信息；
将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度；
根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。
第二方面，本申请实施例提供一种交通管理装置，包括：
获取单元，用于获取目标区域中各个路段在目标时间段内的天气信息；
预测单元，用于将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度；
管理单元，用于根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如第一方面所述的方法中的步骤的指令。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得计算机执行如第一方面所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面所述的方法。
实施本申请实施例，具有如下有益效果：
可以看出，在本申请实施例中，获取目标区域在目标时间段内各个路段的天气信息，并基于人群密度预测模型预测该天气信息对应的人群密度；根据该人群密度预先生成交通管理策略，从而避免在该目标时间段内发生交通拥挤或者交通事故，有利于实现有效的交通管理，提高交通安全性，进而提高用户出行体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种交通管理方法的流程示意图；
图2为本申请实施例提供的一种对气象指标的编码示意图；
图3为本申请实施例提供的一种数据拼接的示意图；
图4为本申请实施例提供的一种卷积处理过程的示意图
图5为本申请实施例提供的另一种交通管理方法的流程示意图；
图6为本申请实施例提供的另一种交通管理方法的流程示意图；
图7为本申请实施例提供的一种交通管理装置的结构示意图；
图8为本申请实施例提供的一种交通管理装置的功能单元组成框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请中的交通管理装置可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile InternetDevices，简称：MID)或穿戴式设备等。上述交通管理装置仅是举例，而非穷举，包含但不限于上述交通管理装置。在实际应用中，上述交通管理装置还可以包括：智能车载终端、计算机设备等等。
参阅图1，图1为本申请实施例提供的一种交通管理方法的流程示意图。该方法应用于交通管理装置。本实施例的方法包括但不限于以下步骤：
101：交通管理装置获取目标区域中各个路段在目标时间段内的天气信息。
其中，目标区域可以为用户临时选出的区域；也可以是在电子地图上提前设定好的区域，交通管理装置通过电子地图提取出该目标区域；还可以是交通管理装置根据各个区域的交通事故发生概率，选取交通事故发生概率较大的区域作为该目标区域。本申请对目标区域的具体形式不做限定。
其中，该目标时间段为该目标区域中人流量较多的时间段。
可选的，该目标时间段可以为预设的时间段。例如，设定下午5:00-7:00、5:00-8:00、5:00-9:00或者其他时间段。该目标时间段也可是通过目标区域的实际情况确定出来的。具体来说，根据目标区域的地理位置以及当前时刻(包括年月日)确定目标区域的目标时间段。例如，当目标区域为旅游景区时，且当前时刻为节假日时，则确定目标区域的目标时间段为上午9:00-11:00，等等。
可选的，交通管理装置可从第三方平台(例如，气象平台)获取各个路段在目标时间段内的天气信息。
102：交通管理装置将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度。
交通管理装置将各个路段在目标时间段内的天气信息依次输入到预先训练好的人群密度预测模型，预测出各个路段在该目标时间段内的人群密度。
其中，人群密度预测模型为采用训练样本预先训练好的模型。其中，该训练样本为基于大数据统计出的各个路段在历史天气下的历史人群密度。
具体来说，获取各个路段在各个历史时刻下的各个历史天气，以及在各个历史天气下的各个历史人群密度，将各个路段的历史天气作为训练数据，将与该历史天气对应的历史人群密度作为监督信息训练模型，得到该人群密度预测模型。其中，对模型的训练过程为现有技术，不再叙述。
103：交通管理装置根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。
可选的，交通管理装置根据各个路段在目标时间段内的人群密度确定出各个路段的交通管理策略，并在可视化界面输出各个路段的交通管理策略，以提示相关工作人员根据各个路段的交通管理策略对各个路段的交通进行管理。
可以看出，在本申请实施例中，获取目标区域在目标时间段内各个路段的天气信息，并基于人群密度预测模型预测该天气信息对应的人群密度；根据该人群密度预先生成交通管理策略，从而避免在该目标时间段内发生交通拥挤或者交通事故，有利于实现有效的交通管理，提高交通安全性，进而提高用户出行体验。
下面提供一种使用人群密度预测模型预测各个路段的人群密度的具体实现过程，包括但不限于以下步骤：
步骤a：交通管理装置对各个路段的天气信息进行编码，得到至少一个二维矩阵。
具体来说，天气信息中包含有多个气象指标，该多个气象指标包括但不限于阴晴、温度、湿度、风向、风力、紫外线强度。因此，获取各个路段的历史天气信息；根据各个路段的历史天气信息中各个气象指标的最值(最大值和最小值)构建各个气象指标的二维矩阵模板；并基于各个气象指标的二维矩阵模板对各个路段在目标时间段内的天气信息的各个气象指标进行one-hot编码。即气象指标的二维矩阵模板中有对应取值的编码为1，无对应取值的编码为0，得到各个各个气象指标的二维矩阵。
下面以对气象指标中的温度指标为例具体说明。如路段A的气象指标中的温度为18°-25°，且路段A的温度指标对应的二维矩阵模板如图2左部分所示。对路段A的温度进行过one-hot编码后，得到如图2右部分所示的与温度指标对应的二维矩阵。
步骤b：交通管理装置将各个路段的至少一个二维矩阵进行纵向拼接，得到各个路段的输入数据。
即将至少一个二维矩阵在纵向上拼接为一个三维矩阵。该三维矩阵即是输入数据。
需要说明的是，在不同气象指标所编码的二维矩阵的维度不一致的情况下，需要进行维度的转换(例如填充padding)，将低纬度的二维矩阵转化为高纬度。
步骤c：交通管理装置将各个路段的输入数据依次输入到人群密度预测模型，得到各个路段的人群密度。
在一种可能的实施方式中，由于道路上的人流量除了与天气相关外，还与各个道路所处的地理位置以及时间相关，因此在将各个路段在目标时间段内的天气信息输入到预先训练好的人群密度预测模型之前，还获取各个路段的位置信息；并对各个路段的位置信息、目标时间段以及在目标时间段内的天气信息进行卷积处理，得到输入数据，将该输入数据输入到人群密度预测模型，得到各个路段在预设时间段内的人群密度。
下面提供另外一种使用人群密度预测模型预测各个路段的人群密度的具体实现过程，包括但不限于以下步骤：
步骤e：交通管理装置对各个路段的位置信息进行编码，得到第一输入数据。
获取该目标区域中所有路段，并依据所有路段构建与位置信息对应的二维模板矩阵。同样，使用one-hot编码方式对各个路段的位置信息进行编码。
步骤f：交通管理装置对目标时间段进行第二编码，得到第二输入数据。
创建与时间段对应的二维模板矩阵。例如，将一天划分为24个时间段，每个时间段对应一个小时，每个时间段作为矩阵中的一个元素，将每个时间段按照从先到后的顺序排列为二维模板矩阵(二维模板矩阵的行列均为5)，例如，时间段0:00-1:00为二维模板矩阵中第一行第一列中的第一个元素。然后，获取目标时间段对应的元素，将对应元素编码为1，其他非对应元素编码为0。
步骤g：交通管理装置对各个路段在目标时间段内的天气信息进行编码，得到第三输入数据。
编码方式与上述对天气信息的编码方式一致，不再叙述。
步骤h：交通管理装置对各个路段的第一输入数据、第二数据以及第三数据进行纵向拼接，得到各个路段的目标输入数据。
如图3所示，将各个路段的第一输入数据、第二输入数据和第三输入数据进行简单的纵向拼接，得到各个路段的目标输入数据。
步骤i：交通管理装置将各个路段的目标输入数据依次输入到人群密度预测模型，得到各个路段的人群密度。
在本实施方式中，综合考虑时间段、地理位置对人群密度的影响，并在输入数据中融入了各个路段的时间段、地理位置以及天气信息，从而使预测出在目标时间段内的人群密度更加接近各个路段的真实人群密度，进而提高交通管理的精确度。
但是，如果对第一输入数、第二输入数据和第三输入数据进行单纯的拼接，由于数据类型的不同，导致目标输入数据在空间的数据不连续。例如，第三输入数据(天气信息)的最后一层连接的是第二输入数据(时间段)，因此，两者数据类型完全不同，在空间上出现断层现象，有可能会影响对人群密度的预测精度。为了避免出现数据不连续的现象，下面提供了又一种使用人群密度预测模型预测各个路段的人群密度的具体实现过程，包括但不限于以下步骤：
步骤j：交通管理装置对各个路段的位置信息进行编码，得到第一输入数据，并采用第一卷积核与第一输入数据进行卷积，得到各个路段的第一卷积结果。
步骤k：交通管理装置对所述目标时间段进行第二编码，得到第二输入数据，并采用第二卷积核对所述第二输入数据进行卷积，得到各个路段的第二卷积结果。
步骤l：交通管理装置对各个路段在目标时间段内的天气信息进行编码，得到第三输入数据，并采用第三卷积核对第三输入数据进行卷积，得到各个路段的第三卷积结果。
可以理解的是，由于天气信息包含多个气象指标，如图4所示，对天气信息编码得到第三输入数据实质上为一个三维数据。该三维数据中每层数据对应一个气象指标。故在使用第三卷积和对第三输入数据进行卷积时，需对每一层的数据都进行卷积(图4仅示出了第一层数据的卷积过程)，故第三输入数据中每层都会得到一个第三卷积结果。由于位置信息和目标时间段对应的第一输入数据和第二输入数据是二维的，而该第三输入数据是三维的，需要多层卷积。因此，为了使数据之间维度匹配，当对第三输入数据中的深层数据进行卷积时，可重复使用该第一输入数据和第二输入数据，也就是相当于对第一输入数据和第二输入数据在纵向上进行复制，扩充为与第三输入数据维度相同的三维数据。
步骤m：交通管理装置对各个路段的第一卷积结果、第二卷积结果以及第三卷积结果进行加权处理，得到各个路段的输入数据。
从图4中可以看出，在每层上都会得到一个第一卷积结果、第二卷积结果和第三卷积结果。故对每层的第一卷积结果、第二卷积结果和第三卷积结果进行加权求和，得到每层对应的第四卷积结果。然后，将多层的第四卷积结果进行纵向的拼接，即可得到各个路段的输入数据。
步骤n：交通管理装置将各个路段的输入数据依次输入到人群密度预测模型，得到各个路段的人群密度。
在本实施方式中，对位置信息、天气信息以及目标时间段进行卷积处理，并对卷积结果进行加权，从而使得到的输入数据中每层数据均包含有位置信息、天气信息以及目标时间段，进而使得到的输入数据在空间(纵向)上保持连续性，不会有断层现象，进而使预测出来的人群密度更加精确，提高交通管理的精确度。
在一种可能的实施方式中，根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略的实现过程可以为：
获取各个路段的道路布局；其中，每个路段的道路布局包括该路段的车道数、人行横道数量、红绿灯数量，等等。
在确定各个路段发生交通拥堵的情况下，根据各个路段在所述目标时间段内的人群密度和道路布局确定各个路段的拥堵时长；具体来说，根据各个路段的道路布局，确定在一个周期内可以通过的人数。该一个周期为一个红绿灯周期。即获取该路段的车速，从而得到在两次红灯的时长之间通过车辆的第一数量(各个车道通过的车辆的总数量)以及根据两次绿灯时长之间通过行人的第二数量，根据该第一数量和第二数量，得到一个周期内可以通过的人数。然后，获取在该目标时间段内通过的总人数；根据该总人数和人群密度确定各个路段是否会发生交通拥堵，并在发生拥堵的情况下，根据该道路布局和人群密度确定出拥堵时长。
根据各个路段的道路布局和拥堵时长确定各个路段的出警数量；
根据各个路段的道路布局和出警数量得到各个路段的交通管理策略。
在本实施方式中，对每个路段进行针对性处理，确定出每个路段的交通管理策略，提高交通管理效率。
在一种可能的实施方式中，根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理之前，所述方法还包括:
获取各个路段最近一次发生历史交通事故时的历史天气信息；
将各个路段的历史天气信息输入到所述人群密度预测模型，得到各个路段最近一次发生历史交通事故时的历史人群密度；
根据各个路段的历史人群密度从各个路段中选出目标路段，所述目标路段的历史人群密度与在所述目标时间段内的人群密度的绝对差值小于阈值。
具体来说，将各个路段在目标时间段内的人群密度和之前发生交通事故的人群密度进行比对，如两者绝对差值小于阈值，则在很大程度上认为该路段还会发生交通事故，因此重点关注该目标路段。也就是说优先根据该目标路段在目标时间段内的人群密度，得到目标路段的交通管理策略，根据该交通管理策略对该目标路段进行管理。其中，确定目标路段的交通管理策略与上述确定各个路段的交通管理策略的方式一致，不再叙述。
在本实施方式中，首先筛选出目标路段，对目标路段的进行重点关注，避免目标路段再次发生交通事故，保证交通安全。
在一种可能的实施方式，根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略之前，所述方法还包括：
从当前时刻开始，按照预设时间间隔获取各个路段在目标时间段内的最新的天气信息。
其中，该预设时间间隔可以为0.5小时、1小时、1.5小时或者其他值。即在当前次获取完天气信息后，每隔预设时间间隔后，获取一次天气信息。
将各个路段的最新的天气信息与上述的天气信息进行比对，得到差异性；
在所述差异性满足条件的情况下，采用各个路段的最新的天气信息重新确定各个路段在目标时间段内的最新的人群密度，并根据各个路段的最新的人群密度确定各个路段最新的交通管理策略。
在本实施方式中，实时更新各个路段的天气信息，避免由于天气出现突变，还采用之前的交通管理策略进行交通管理带来的人力物力的投入的浪费，进而提高交通管理的精确性。
参阅图5，图5为本申请实施例提供的另一种交通管理方法的流程示意图。该方法应用于交通管理装置。该实施例中与图1所示的实施例相同的内容，此处不再重复描述。本实施例的方法包括但不限于以下步骤：
501：交通管理装置获取目标区域的地理位置。
502：交通管理装置根据所述目标区域的地理位置和当前时刻确定所述目标区域的目标时间段，所述目标时间段为所述目标区域中人流量的高峰时间段。
503：交通管理装置获取目标区域中各个路段在目标时间段内的天气信息。
504：交通管理装置将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度。
505：交通管理装置根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。
可以看出，在本实施例中，获取目标区域在目标时间段内各个路段的天气信息，并基于人群密度预测模型预测该天气信息对应的人群密度；根据该人群密度预先生成交通管理策略，从而避免在该目标时间段内发生交通拥挤或者交通事故，有利于实现有效的交通管理，提高交通安全性，进而提高用户出行体验；而且，该目标时间段是基于目标区域的地理位置实时确定出来的，从而保证生成的交通管理策略在时间上更加有针对性，进而有效解决目标区域在目标时间段的交通问题。
参阅图6，图6为本申请实施例提供的另一种交通管理方法的流程示意图。该方法应用于交通管理装置。该实施例中与图1、图5所示的实施例相同的内容，此处不再重复描述。本实施例的方法包括但不限于以下步骤：
601：交通管理装置获取目标区域的地理位置。
602：交通管理装置根据所述目标区域的地理位置和当前时刻确定所述目标区域的目标时间段，所述目标时间段为所述目标区域中人流量的高峰时间段。
603：交通管理装置获取目标区域中各个路段的位置信息以及目标区域中各个路段在目标时间段内的天气信息。
604：交通管理装置对各个路段的位置信息、各个路段在所述目标时间段内的天气信息以及当前时刻进行卷积处理，得到各个路段对应的输入数据。
605：交通管理装置将各个路段对应的输入数据输入到所述人群密度预测模型，预测各个路段在所述目标时间段内的人群密度。
606：交通管理装置获取各个路段最近一次发生历史交通事故时的历史天气信息。
607：交通管理装置将各个路段的历史天气信息输入到所述人群密度预测模型，得到各个路段最近一次发生历史交通事故时的历史人群密度。
608：交通管理装置根据各个路段的历史人群密度从各个路段中选出目标路段，所述目标路段的历史人群密度与在所述目标时间段内的人群密度的绝对差值小于阈值。
609：交通管理装置根据所述目标路段在所述目标时间段内的人群密度，得到所述目标路段的交通管理策略，采用所述目标路段的交通管理策略，对所述目标路段的交通进行管理。
可以看出，在本实施例中，获取目标区域在目标时间段内各个路段的天气信息，并基于人群密度预测模型预测该天气信息对应的人群密度；根据该人群密度预先生成交通管理策略，从而避免在该目标时间段内发生交通拥挤或者交通事故，有利于实现有效的交通管理，提高交通安全性，进而提高用户出行体验；并且，在人群密度预测时，结合了各个路段的地理位置以及目标时间段，从而使预测出来的人群密度更加精确，进而使生成的交通管理策略更加有针对性。
与上述图1、图5、图6所示的实施例一致的，请参阅图7，图7为本申请实施例提供的一种交通管理装置700的结构示意图。如图7所示，交通管理装置700包括处理器、存储器、通信接口以及一个或多个程序，且上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：
获取目标区域中各个路段在目标时间段内的天气信息；
将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度；
根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。
在一种可能的实施方式中，在获取目标区域中各个路段在目标时间段内的天气信息之前，上述程序还用于执行以下步骤的指令：
获取目标区域的地理位置；
根据所述目标区域的地理位置和当前时刻确定所述目标区域的目标时间段，所述目标时间段为所述目标区域中人流量的高峰时间段。
在一种可能的实施方式中，将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型之前，上述程序还用于执行以下步骤的指令：
获取所述目标区域中各个路段的位置信息；
对各个路段的位置信息、各个路段在所述目标时间段内的天气信息以及当前时刻进行卷积处理，得到各个路段对应的输入数据；
将各个路段对应的输入数据输入到所述人群密度预测模型，预测各个路段在所述目标时间段内的人群密度。
在一种可能的实施方式中，在对各个路段的位置信息、各个路段在所述目标时间段内的天气信息以及当前时刻进行卷积处理，得到各个路段对应的输入数据方面，上述程序具体用于执行以下步骤的指令：
对各个路段的位置信息进行编码，得到第一输入数据，采用第一卷积核与所述第一输入数据进行卷积，得到各个路段的第一卷积结果；
对所述目标时间段进行第二编码，得到第二输入数据，采用第二卷积核对所述第二输入数据进行卷积，得到各个路段的第二卷积结果；
对各个路段在所述目标时间段内的天气信息进行编码，得到第三输入数据，采用第三卷积核对所述第三输入数据进行卷积，得到各个路段的第三卷积结果；
对各个路段的所述第一卷积结果、所述第二卷积结果以及所述第三卷积结果进行加权处理，得到各个路段的输入数据。
在一种可能的实施方式中，在根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略方面，上述程序具体用于执行以下步骤的指令：
获取各个路段的道路布局；
在确定各个路段发生交通拥堵的情况下，根据各个路段在所述目标时间段内的人群密度和道路布局确定各个路段的拥堵时长；
根据各个路段的道路布局和拥堵时长确定各个路段的出警数量；
根据各个路段的道路布局和出警数量得到各个路段的交通管理策略。
在一种可能的实施方式中，根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理之前，上述程序还用于执行以下步骤的指令：
获取各个路段最近一次发生历史交通事故时的历史天气信息；
将各个路段的历史天气信息输入到所述人群密度预测模型，得到各个路段最近一次发生历史交通事故时的历史人群密度；
根据各个路段的历史人群密度从各个路段中选出目标路段，所述目标路段的历史人群密度与在所述目标时间段内的人群密度的绝对差值小于阈值；
在根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理方面，上述程序具体用于执行以下步骤的指令：
根据所述目标路段在所述目标时间段内的人群密度，得到所述目标路段的交通管理策略，采用所述目标路段的交通管理策略，对所述目标路段的交通进行管理。
参阅图8，图8为本申请实施例提供的一种交通管理装置的功能单元组成框图。交通管理装置800包括：获取单元810、预测单元820和管理单元830，其中：
获取单元810，用于获取目标区域中各个路段在目标时间段内的天气信息；
预测单元820，用于将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度；
管理单元830，用于根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。
在一种可能的实施方式中，交通管理装置还包括确定单元840，在获取目标区域中各个路段在目标时间段内的天气信息之前，确定单元840，用于：
获取目标区域的地理位置；
根据所述目标区域的地理位置和当前时刻确定所述目标区域的目标时间段，所述目标时间段为所述目标区域中人流量的高峰时间段。
在一种可能的实施方式中，将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型之前，
获取单元810，还用于获取所述目标区域中各个路段的位置信息；
预测单元820，还用于对各个路段的位置信息、各个路段在所述目标时间段内的天气信息以及当前时刻进行卷积处理，得到各个路段对应的输入数据；
将各个路段对应的输入数据输入到所述人群密度预测模型，预测各个路段在所述目标时间段内的人群密度。
在一种可能的实施方式中，在对各个路段的位置信息、各个路段在所述目标时间段内的天气信息以及当前时刻进行卷积处理，得到各个路段对应的输入数据方面，预测单元820，具体用于：
对各个路段的位置信息进行编码，得到第一输入数据，采用第一卷积核与所述第一输入数据进行卷积，得到各个路段的第一卷积结果；
对所述目标时间段进行第二编码，得到第二输入数据，采用第二卷积核对所述第二输入数据进行卷积，得到各个路段的第二卷积结果；
对各个路段在所述目标时间段内的天气信息进行编码，得到第三输入数据，采用第三卷积核对所述第三输入数据进行卷积，得到各个路段的第三卷积结果；
对各个路段的所述第一卷积结果、所述第二卷积结果以及所述第三卷积结果进行加权处理，得到各个路段的输入数据。
在一种可能的实施方式中，在根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略方面，管理单元830，具体用于：
获取各个路段的道路布局；
在确定各个路段发生交通拥堵的情况下，根据各个路段在所述目标时间段内的人群密度和道路布局确定各个路段的拥堵时长；
根据各个路段的道路布局和拥堵时长确定各个路段的出警数量；
根据各个路段的道路布局和出警数量得到各个路段的交通管理策略。
在一种可能的实施方式中，交通管理装置还包括筛选单元850，根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理之前，
获取单元810，还用于获取各个路段最近一次发生历史交通事故时的历史天气信息；
预测单元820，还用于将各个路段的历史天气信息输入到所述人群密度预测模型，得到各个路段最近一次发生历史交通事故时的历史人群密度；
筛选单元850，用于根据各个路段的历史人群密度从各个路段中选出目标路段，所述目标路段的历史人群密度与在所述目标时间段内的人群密度的绝对差值小于阈值；
在根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理方面，管理单元830，具体用于：
根据所述目标路段在所述目标时间段内的人群密度，得到所述目标路段的交通管理策略，采用所述目标路段的交通管理策略，对所述目标路段的交通进行管理。
本申请实施例还提供一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种交通管理方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种交通管理方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种交通管理方法，其特征在于，包括：
获取目标区域中各个路段在目标时间段内的天气信息；
获取所述目标区域中各个路段的位置信息；
将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度，包括：
对各个路段的位置信息进行编码，并将编码结果进行纵向复制，得到第一输入数据，采用第一卷积核对第一输入数据的每层数据进行卷积，得到各个路段在每层下的第一卷积结果；
对目标时间段进行第二编码，并将编码结果进行纵向复制，得到第二输入数据，采用第二卷积核对第二输入数据的每层数据进行卷积，得到各个路段在每层下的第二卷积结果；
对各个路段在所述目标时间段内的天气信息进行编码，得到第三输入数据，采用第三卷积核对第三输入数据的每层数据进行卷积，得到各个路段在每层下的第三卷积结果，天气信息中包含有多个气象指标，第三输入数据的每层数据对应一个气象指标；
对每层数据的第一卷积结果、第二卷积结果和第三卷积结果进行加权求和，得到每层数据对应的第四卷积结果；
将多层数据的第四卷积结果进行纵向的拼接，得到各个路段的输入数据；
将各个路段对应的输入数据输入到所述人群密度预测模型，预测各个路段在所述目标时间段内的人群密度；
根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。
2.根据权利要求1所述的方法，其特征在于，获取目标区域中各个路段在目标时间段内的天气信息之前，所述方法还包括：
获取目标区域的地理位置；
根据所述目标区域的地理位置和当前时刻确定所述目标区域的目标时间段，所述目标时间段为所述目标区域中人流量的高峰时间段。
3.根据权利要求1或2所述的方法，其特征在于，所述根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，包括：
获取各个路段的道路布局；
在确定各个路段发生交通拥堵的情况下，根据各个路段在所述目标时间段内的人群密度和道路布局确定各个路段的拥堵时长；
根据各个路段的道路布局和拥堵时长确定各个路段的出警数量；
根据各个路段的道路布局和出警数量得到各个路段的交通管理策略。
4.根据权利要求1或2所述的方法，其特征在于，根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理之前，所述方法还包括:
获取各个路段最近一次发生历史交通事故时的历史天气信息；
将各个路段的历史天气信息输入到所述人群密度预测模型，得到各个路段最近一次发生历史交通事故时的历史人群密度；
根据各个路段的历史人群密度从各个路段中选出目标路段，所述目标路段的历史人群密度与在所述目标时间段内的人群密度的绝对差值小于阈值；
所述根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理，包括：
根据所述目标路段在所述目标时间段内的人群密度，得到所述目标路段的交通管理策略，采用所述目标路段的交通管理策略，对所述目标路段的交通进行管理。
5.一种交通管理装置，其特征在于，包括：
获取单元，用于获取目标区域中各个路段在目标时间段内的天气信息；获取所述目标区域中各个路段的位置信息；
预测单元，用于将各个路段在所述目标时间段内的天气信息输入到预先训练好的人群密度预测模型，预测各个路段在所述目标时间段内的人群密度，包括：
对各个路段的位置信息进行编码，并将编码结果进行纵向复制，得到第一输入数据，采用第一卷积核对第一输入数据的每层数据进行卷积，得到各个路段在每层下的第一卷积结果；
对目标时间段进行第二编码，并将编码结果进行纵向复制，得到第二输入数据，采用第二卷积核对第二输入数据的每层数据进行卷积，得到各个路段在每层下的第二卷积结果；
对各个路段在所述目标时间段内的天气信息进行编码，得到第三输入数据，采用第三卷积核对第三输入数据的每层数据进行卷积，得到各个路段在每层下的第三卷积结果，天气信息中包含有多个气象指标，第三输入数据的每层数据对应一个气象指标；
对每层数据的第一卷积结果、第二卷积结果和第三卷积结果进行加权求和，得到每层数据对应的第四卷积结果；
将多层数据的第四卷积结果进行纵向的拼接，得到各个路段的输入数据；
将各个路段对应的输入数据输入到所述人群密度预测模型，预测各个路段在所述目标时间段内的人群密度；
管理单元，用于根据各个路段在所述目标时间段内的人群密度，得到各个路段的交通管理策略，采用各个路段的交通管理策略，对各个路段的交通进行管理。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括确定单元，
在获取目标区域中各个路段在目标时间段内的天气信息之前，所述确定单元，用于：
获取目标区域的地理位置；
根据所述目标区域的地理位置和当前时刻确定所述目标区域的目标时间段，所述目标时间段为所述目标区域中人流量的高峰时间段。
7.一种电子设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1-4任一项方法中的步骤的指令。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-4任一项所述的方法。
CN201911286274.0A 2019-12-13 2019-12-13 交通管理方法及相关产品 Active CN112966888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911286274.0A CN112966888B (zh) 2019-12-13 2019-12-13 交通管理方法及相关产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911286274.0A CN112966888B (zh) 2019-12-13 2019-12-13 交通管理方法及相关产品

Publications (2)

Publication Number Publication Date
CN112966888A CN112966888A (zh) 2021-06-15
CN112966888B true CN112966888B (zh) 2024-05-07

Family

ID=76270852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911286274.0A Active CN112966888B (zh) 2019-12-13 2019-12-13 交通管理方法及相关产品

Country Status (1)

Country Link
CN (1) CN112966888B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010026803A (ja) * 2008-07-18 2010-02-04 Pioneer Electronic Corp 渋滞予測装置、経路探索装置、渋滞予測方法、経路探索方法、渋滞予測プログラム、経路探索プログラムおよびコンピュータに読み取り可能な記録媒体
CN103198713A (zh) * 2013-03-21 2013-07-10 东南大学 基于交通数据和天气数据的减少交通事故的车辆调控方法
US9280382B1 (en) * 2011-08-31 2016-03-08 The Mathworks, Inc. Parallel processing of multidimensional arrays
CN107845262A (zh) * 2017-11-09 2018-03-27 山东浪潮云服务信息科技有限公司 一种交通事故预测方法和装置
CN108872984A (zh) * 2018-03-15 2018-11-23 清华大学 基于多基地雷达微多普勒和卷积神经网络的人体识别方法
CN108960404A (zh) * 2017-05-22 2018-12-07 浙江宇视科技有限公司 一种基于图像的人群计数方法及设备
CN109741597A (zh) * 2018-12-11 2019-05-10 大连理工大学 一种基于改进深度森林的公交车路段运行时间预测方法
CN109887272A (zh) * 2018-12-26 2019-06-14 阿里巴巴集团控股有限公司 一种交通人流量的预测方法及装置
CN110084603A (zh) * 2018-01-26 2019-08-02 阿里巴巴集团控股有限公司 训练欺诈交易检测模型的方法、检测方法以及对应装置
CN110197582A (zh) * 2018-02-27 2019-09-03 沈阳美行科技有限公司 数据分析方法、装置以及交通预警方法、装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010026803A (ja) * 2008-07-18 2010-02-04 Pioneer Electronic Corp 渋滞予測装置、経路探索装置、渋滞予測方法、経路探索方法、渋滞予測プログラム、経路探索プログラムおよびコンピュータに読み取り可能な記録媒体
US9280382B1 (en) * 2011-08-31 2016-03-08 The Mathworks, Inc. Parallel processing of multidimensional arrays
CN103198713A (zh) * 2013-03-21 2013-07-10 东南大学 基于交通数据和天气数据的减少交通事故的车辆调控方法
CN108960404A (zh) * 2017-05-22 2018-12-07 浙江宇视科技有限公司 一种基于图像的人群计数方法及设备
CN107845262A (zh) * 2017-11-09 2018-03-27 山东浪潮云服务信息科技有限公司 一种交通事故预测方法和装置
CN110084603A (zh) * 2018-01-26 2019-08-02 阿里巴巴集团控股有限公司 训练欺诈交易检测模型的方法、检测方法以及对应装置
CN110197582A (zh) * 2018-02-27 2019-09-03 沈阳美行科技有限公司 数据分析方法、装置以及交通预警方法、装置
CN108872984A (zh) * 2018-03-15 2018-11-23 清华大学 基于多基地雷达微多普勒和卷积神经网络的人体识别方法
CN109741597A (zh) * 2018-12-11 2019-05-10 大连理工大学 一种基于改进深度森林的公交车路段运行时间预测方法
CN109887272A (zh) * 2018-12-26 2019-06-14 阿里巴巴集团控股有限公司 一种交通人流量的预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于超越对数函数的道路交通事故频数预测;李蓉等;《湖南大学学报(自然科学版)》;全文 *

Also Published As

Publication number Publication date
CN112966888A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
Kumar et al. Short-term traffic flow prediction using seasonal ARIMA model with limited input data
Campos et al. A method for evacuation route planning in disaster situations
Dulebenets et al. Multiobjective optimization model for emergency evacuation planning in geographical locations with vulnerable population groups
Bai et al. Spatio-temporal graph convolutional and recurrent networks for citywide passenger demand prediction
Katsis et al. Spatial patterns of primate electrocutions in Diani, Kenya
Li et al. Competing risk mixture model and text analysis for sequential incident duration prediction
Girardet et al. Designing a graph-based approach to landscape ecological assessment of linear infrastructures
Esquivel et al. Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks
Torrisi et al. Continue to share? An overview on italian travel behavior before and after the COVID-19 lockdown
Crego et al. Moving through the mosaic: identifying critical linkage zones for large herbivores across a multiple‐use African landscape
Weng et al. Cluster-based lognormal distribution model for accident duration
DeYoung et al. Disaster preparedness and well-being among Cambodian–and Laotian–Americans
Alkheder Learning from the past: traffic safety in the eyes of affected local community in Abu Dhabi City, United Arab Emirates
Lu et al. Analyzing the evolution of rare events via social media data and k-means clustering algorithm
CN114118507A (zh) 一种基于多维信息融合的风险评估预警方法和装置
CN115222089A (zh) 一种道路交通拥堵预测方法、装置、设备及可读存储介质
KR20170065898A (ko) 도로 상에서의 기상악화로 인한 교통사고 발생 가능성 예측 방법 및 이를 위한 장치
Johnson et al. A test of a habitat evaluation procedure for Rocky Mountain bighorn sheep
CN112966888B (zh) 交通管理方法及相关产品
Sandoval Lambert et al. Responses to natural gas development differ by season for two migratory ungulates
CN109461303A (zh) 一种交通拥堵状态获取方法和装置
Fan et al. A deep reinforcement learning model for resilient road network recovery under earthquake or flooding hazards
Meneses et al. Analysis of pedestrian performance by integrating both quantitative and qualitative factors
US11182596B2 (en) Identifying a deficiency of a facility
Hohbein et al. Omnidirectional connectivity for the Andean bear (Tremarctos ornatus) across the Colombian Andes

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