CN113327418B - 一种快速路拥堵风险分级实时预测方法 - Google Patents
一种快速路拥堵风险分级实时预测方法 Download PDFInfo
- Publication number
- CN113327418B CN113327418B CN202110600439.8A CN202110600439A CN113327418B CN 113327418 B CN113327418 B CN 113327418B CN 202110600439 A CN202110600439 A CN 202110600439A CN 113327418 B CN113327418 B CN 113327418B
- Authority
- CN
- China
- Prior art keywords
- congestion
- road
- traffic
- road section
- data
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种快速路拥堵风险分级实时预测方法,包括以下步骤:1)根据目标快速路的道路几何数据划分目标快速路的路段单元;2)根据各路段单元的交通流历史数据获取目标路段的自由流速度;3)计算道路交通指数,并据此划分各路段单元的拥堵等级;4)根据拥堵等级、道路几何数据、交通流数据和天气数据进行变量筛选后构建拥堵风险实时预测模型,并进行拥堵风险概率预测;5)根据拥堵风险概率预测结果判断是否需要采取交通管控措施,若是则采取相应管控措施,实现动态调节,否则返回步骤4)。与现有技术相比,本发明将拥堵程度分级,并充分考虑了各拥堵等级之间的序列性关系,具有准确度高、可解释性佳、可用性强等优点。
Description
技术领域
本发明涉及快速路交通运行状态预测技术领域,尤其是涉及一种快速路拥堵风险分级实时预测方法。
背景技术
城市快速路是现代化交通体系的重要组成部分,承担着绝大多数的中、远距离交通和过境交通。其一旦发生交通拥堵,常常表现为拥堵强度高、拥堵路段多、拥堵时间长并且极易波及地面道路。在降低快速路拥堵影响的各类措施中,主动交通管控是关键所在,而精准的拥堵风险预测则是主动交通管控的前提。拥堵风险预测结果可作为主动交通管控的输入,从而确定主动交通管控措施的类型与等级。
拥堵风险实时预测技术在近年来飞速发展,取得了喜人的成果,但仍存在着一定缺陷,具体包括以下两点:
一、现有的预测技术不考虑各个拥堵等级之间的序列性关系,将其当作4种彼此没有关系的结果,导致预测精度偏低;
二、现有预测技术中输入数据仅考虑了交通流参数,对于天气、路段几何特征等因素并未纳入考虑范围,考虑不够全面。
三、现有预测技术多关注于预测精度,对于拥堵成因及其影响程度的分析有所欠缺,无法有效地为交通管控提供合适的管控方向。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速路拥堵风险分级实时预测方法。
本发明的目的可以通过以下技术方案来实现:
一种快速路拥堵风险分级实时预测方法,包括以下步骤:
1)根据目标快速路的道路几何数据划分目标快速路的路段单元;
2)根据各路段单元的交通流历史数据获取目标路段的自由流速度;
3)根据各路段单元的自由流速度以及实时获取的各路段单元的空间平均速度,计算道路交通指数,并据此划分各路段单元的拥堵等级;
4)根据拥堵等级、道路几何数据、交通流数据和天气数据进行变量筛选后构建拥堵风险实时预测模型,并进行拥堵风险概率预测;
5)根据拥堵风险概率预测结果判断是否需要采取交通管控措施,若是则采取相应管控措施,实现动态调节,否则返回步骤4)。
所述的步骤1)中,划分路段单元的具体过程为:
根据检测器布设位置和匝道汇入位置信息,人工确认路段单元起讫点。
所述的步骤2)中,以密度趋向于0时的快速路平均车速作为目标路段的自由流速度。
所述的步骤3)中,道路交通指数的计算式为:
其中,TSI为道路交通指数,vf为自由流速度,vi为空间平均速度。
根据道路交通指数TSI划分各路段单元的拥堵等级,所述的拥堵等级包括畅通、比较畅通、拥堵和严重拥堵4个等级,具体的对应划分关系如下:
道路交通指数 | [0,30) | [30,50) | [50,70) | [70,100] |
道路交通指数分级 | 1级 | 2级 | 3级 | 4级 |
交通运行状态等级 | 畅通 | 比较畅通 | 拥堵 | 严重拥堵 |
所述的步骤4)中,道路几何数据包括车道变化情况、匝道布设数量、快速路车道数量和路段长度,天气数据包括能见度情况和降水量,交通流数据包括空间平均速度、流量及其变化情况。
所述的步骤4)中,拥堵风险实时预测模型具体为有序Logit模型,其表达式为:
p1+p2+p3+p4=1
其中,Speed为目标路段在第一预设时间内的空间平均速度,Speed_diff_abs_ratio为目标路段在第一预设时间和第二预设时间内的空间平均速度的变化比例的绝对值,Vol_1为目标路段上游第一个检测器在第一预设时间内的流量,Vol_diff_1为目标路段上游第一个检测器在第一预设时间和第二预设时间内的流量的变化,Vol_diff_2为目标路段下游第一个检测器在第一预设时间和第二预设时间内的流量的变化,Lane_drop为目标路段上出现车道数量的减少,Mist为快速路的能见度情况,p1、p2、p3、p4分别为对应拥堵等级的预测概率,a1、…、a10均为训练参数,以上7个参数均为筛选后的参数。
在拥堵风险实时预测模型训练时,样本数据包含拥堵等级、道路几何数据、交通流数据和天气数据,对该样本数据进行随机抽样、数据清洗和自变量筛选后进行训练。
所述的天气数据根据预设的时间粒度进行更新,天气数据对应的时间粒度为5min,所述的交通流数据基于视频卡口实时获取并根据预设的时间粒度进行更新,交通流数据对应的时间粒度为5min,拥堵风险预测模型根据预设的时间间隔实时更新拥堵风险预测结果,预设的时间间隔为5min。
所述的步骤5)中,交通管控措施包括路侧管控措施和车载管控措施,所述的路侧管控措施包括可变限速控制和匝道控制,车载管控措施包括速度协调控制,若导致拥堵风险预测值上升的原因为交通量大、占有率高,则采用可变限速控制和匝道控制,减少短期交通量;若导致拥堵风险预测值上升的原因为车辆速度差大,则采取车载管控措施。
与现有技术相比,本发明具有以下优点:
一、本发明考虑了快速路拥堵等级的序列性,解析各个拥堵等级之间的内在联系,以此建立拥堵风险预测模型,从而显著提高模型的预测精度与模型可用性。
二、本发明在交通流参数的基础上,还考虑了路段几何特征、天气特征对于拥堵形成机理的影响,提高了预测模型的可解释性,通过增加输入变量类型的方式,提高了预测模型预测性能的稳定性,方便管理人员进行实时管控,提高***服务质量。
三、本发明基于统计学解析方法开展相关研究,有助于确定拥堵的显著致因及其影响程度,提供模型解释性,为交通管控***提供合适的管控方向。
附图说明
图1为本发明的流程示意图。
图2为预测模型输入变量的选取流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
快速路交通拥堵的发生是交通流状态、道路几何因素、天气条件联合作用的结果,同时,不同拥堵等级之间也存在序列性关系,为了充分考虑拥堵等级之间的序列性关系,提高该领域技术的准确度与可用性,如图1所示,本发明提供一种快速路拥堵风险分级实时预测方法,具体包括以下步骤:
步骤S1:获取目标快速路的道路几何数据,根据道路几何数据划分目标快速路的路段单元,基于各个路段单元开展拥堵机理解析;
步骤S2:获取各个路段单元的交通流历史数据,选择密度趋向于0时的快速路平均车速作为目标路段的自由流速度;
步骤S3:基于各路段单元的自由流速度,实时获取各路段单元的空间平均速度,以此计算道路交通指数,划分各路段单元的拥堵等级;
步骤S4:基于各路段单元的拥堵等级建立拥堵风险实时预测模型,实时获取目标快速路的交通流数据和天气数据,道路几何数据、交通流数据和天气数据输入拥堵风险预测模型,输出获得拥堵风险预测结果,道路几何数据包括车道变化情况、匝道布设数量、快速路车道数量和路段长度;天气数据包括能见度情况、降水量;交通流数据包括空间平均速度、流量及其变化情况;
步骤S5:根据拥堵风险预测结果,判断是否需要采取交通管控措施,若是则采取相应合适的管控措施,实现动态调节,否则返回步骤S4。
步骤S1中,目标快速路的道路几何数据通过ArcGIS软件收集得到,划分路段单元的具体过程为:
根据检测器布设位置、匝道汇入位置等数据,人工确认路段单元起讫点,其中,路段单元长度应保持在合适范围内,不宜过长或过短。
步骤S3中,道路交通指数的计算具体表达式如下:
其中,TSI为道路交通指数,vf为自由流速度,vi为路段i的空间平均速度。
拥堵等级包括畅通、比较畅通、拥堵和严重拥堵4个等级,不同TSI取值对应的快速路拥堵程度如表1所示:
表1拥堵等级划分表
道路交通指数 | [0,30) | [30,50) | [50,70) | [70,100] |
道路交通指数分级 | 1级 | 2级 | 3级 | 4级 |
交通运行状态等级 | 畅通 | 比较畅通 | 拥堵 | 严重拥堵 |
步骤S4具体包括以下步骤:
步骤S41:按照案例组:对照组=1:5的比例进行数据抽取;
步骤S42:进行数据清洗;
步骤S43:基于时空相关性进行变量重构造;
步骤S44:选取与因变量显著相关、且能提供最佳预测性能的自变量;
步骤S45:利用筛选的结果建立基于有序Logit理论的拥堵风险预测模型,其有序Logit模型的具体表达如下:
p1+p2+p3+p4=1
其中,p1、p2、p3、p4分别为对应拥堵等级的预测概率,Speed为目标路段在第一预设时间内的空间平均速度,Speed_diff_abs_ratio为目标路段在第一预设时间和第二预设时间内的空间平均速度的变化比例的绝对值,Vol_1为目标路段上游第一个检测器在第一预设时间内的流量,Vol_diff_1为目标路段上游第一个检测器在第一预设时间和第二预设时间内的流量的变化,Vol_diff_2为目标路段下游第一个检测器在第一预设时间和第二预设时间内的流量的变化,Lane_drop为目标路段上出现车道数量的减少,Mist为快速路的能见度情况。
本实施例中,第一预设时间为0-5min,第二预设时间为5-10min,Lane_drop对应的路段车道数变化取值为1表示车道数减少,取值为0表示车道数不发生变化。Mist对应的能见度情况取值为1表示天气有雾且能见度受限,取值为0表示无雾且能见度良好。
步骤S41中采用随机抽样的方式进行对照组数据的抽取,即无需控制对照组的样本采样空间。
步骤S42中数据清洗操作包括无效样本的剔除、缺失值检测与填补、异常值检测与填补。
步骤S43中在现有变量的基础上构造了能够反映交通流状态在时间上差异、在空间上差异的变量。
步骤S45中如图2所示,选取与因变量显著相关、且能提供最佳预测性能的自变量,该步骤既克服了模型中多重共线性的问题,又克服了建模过程中的维数较多的问题,在本实施例中,筛选并保留了7个建模变量,即Speed、Speed_diff_abs_ratio、Vol_1、Vol_diff_1、Vol_diff_2、Lane_drop和Mist。
基于有序Logit理论的预测模型中的自变量在相关性分析结果、有序Logistic回归结果与随机森林算法结果中筛选获得。
天气数据包括能见度,基于多种数据源实时获取,根据预设的时间粒度进行更新,本实施例中,天气数据对应的时间粒度为5min。
交通流数据基于视频卡口实时获取,并进行变量构造,得到模型输入所需变量信息,根据预设的时间粒度进行更新,发送到拥堵风险预测模型,本实施例中,交通流数据对应的时间粒度为5min。
拥堵风险预测模型根据预设的时间间隔实时更新拥堵风险预测结果,本实施例中,预设的时间间隔为5min。
步骤S5中,交通管控措施包括路侧管控措施和车载管控措施,路侧管控措施包括可变限速控制和匝道控制,车载管控措施包括速度协调控制,若导致拥堵风险预测值上升的原因主要是交通量大、占有率高,则采用可变限速控制和匝道控制,减少短期交通量;若导致拥堵风险预测值上升的原因主要是车辆速度差大,则采取基于车载的交通管控措施,给予每个智能网联车辆(CAV)相对应的建议速度,对智能网联车辆进行速度协调控制。对于多种场景,结合路侧管控措施和车载管控措施来有效降低拥堵风险。
在新的拥堵情况出现后,拥堵风险预测模型根据新的拥堵情况进行更新。
此外,需要说明的是,本说明书中所描述的具体实施例子,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.一种快速路拥堵风险分级实时预测方法,其特征在于,包括以下步骤:
1)根据目标快速路的道路几何数据划分目标快速路的路段单元;
2)根据各路段单元的交通流历史数据获取目标路段的自由流速度,以密度趋向于0时的快速路平均车速作为目标路段的自由流速度;
3)根据各路段单元的自由流速度以及实时获取的各路段单元的空间平均速度,计算道路交通指数,并据此划分各路段单元的拥堵等级,道路交通指数的计算式为:
其中,TSI为道路交通指数,vf为自由流速度,vi为空间平均速度,根据道路交通指数TSI划分各路段单元的拥堵等级,所述的拥堵等级包括畅通、比较畅通、拥堵和严重拥堵4个等级,具体的对应划分关系如下:
当道路交通指数在[0,30)范围内时,道路交通指数分级为1级,交通运行状态等级为畅通;
当道路交通指数在[30,50)范围内时,道路交通指数分级为2级,交通运行状态等级为比较畅通;
当道路交通指数在[50,70)范围内时,道路交通指数分级为3级,交通运行状态等级为拥堵;
当道路交通指数在[70,100]范围内时,道路交通指数分级为4级,交通运行状态等级为严重拥堵;
4)根据拥堵等级、道路几何数据、交通流数据和天气数据进行变量筛选后构建拥堵风险实时预测模型,并进行拥堵风险概率预测,道路几何数据包括车道变化情况、匝道布设数量、快速路车道数量和路段长度,天气数据包括能见度情况和降水量,交通流数据包括空间平均速度、流量及其变化情况,拥堵风险实时预测模型具体为有序Logit模型,其表达式为:
p1+p2+p3+p4=1
其中,Speed为目标路段在第一预设时间内的空间平均速度,Speed_diff_abs_ratio为目标路段在第一预设时间和第二预设时间内的空间平均速度的变化比例的绝对值,Vol_1为目标路段上游第一个检测器在第一预设时间内的流量,Vol_diff_1为目标路段上游第一个检测器在第一预设时间和第二预设时间内的流量的变化,Vol_diff_2为目标路段下游第一个检测器在第一预设时间和第二预设时间内的流量的变化,Lane_drop为目标路段上出现车道数量的减少,Mist为快速路的能见度情况,p1、p2、p3、p4分别为对应拥堵等级的预测概率,a1、…、a10均为训练参数;
5)根据拥堵风险概率预测结果判断是否需要采取交通管控措施,若是则采取相应管控措施,实现动态调节,否则返回步骤4)。
2.根据权利要求1所述的一种快速路拥堵风险分级实时预测方法,其特征在于,所述的步骤1)中,划分路段单元的具体过程为:
根据检测器布设位置和匝道汇入位置信息,人工确认路段单元起讫点。
3.根据权利要求1所述的一种快速路拥堵风险分级实时预测方法,其特征在于,在拥堵风险实时预测模型训练时,样本数据包含拥堵等级、道路几何数据、交通流数据和天气数据,对该样本数据进行随机抽样、数据清洗和自变量筛选后进行训练。
4.根据权利要求1所述的一种快速路拥堵风险分级实时预测方法,其特征在于,所述的天气数据根据预设的时间粒度进行更新,天气数据对应的时间粒度为5min,所述的交通流数据基于视频卡口实时获取并根据预设的时间粒度进行更新,交通流数据对应的时间粒度为5min,拥堵风险预测模型根据预设的时间间隔实时更新拥堵风险预测结果,预设的时间间隔为5min。
5.根据权利要求1所述的一种快速路拥堵风险分级实时预测方法,其特征在于,所述的步骤5)中,交通管控措施包括路侧管控措施和车载管控措施,所述的路侧管控措施包括可变限速控制和匝道控制,车载管控措施包括速度协调控制,若导致拥堵风险预测值上升的原因为交通量大、占有率高,则采用可变限速控制和匝道控制,减少短期交通量;若导致拥堵风险预测值上升的原因为车辆速度差大,则采取车载管控措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600439.8A CN113327418B (zh) | 2021-05-31 | 2021-05-31 | 一种快速路拥堵风险分级实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600439.8A CN113327418B (zh) | 2021-05-31 | 2021-05-31 | 一种快速路拥堵风险分级实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327418A CN113327418A (zh) | 2021-08-31 |
CN113327418B true CN113327418B (zh) | 2022-10-25 |
Family
ID=77422595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110600439.8A Active CN113327418B (zh) | 2021-05-31 | 2021-05-31 | 一种快速路拥堵风险分级实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327418B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049769B (zh) * | 2021-11-16 | 2023-07-04 | 上海华建工程建设咨询有限公司 | 一种预测道路拥挤状况的方法、装置和电子设备 |
CN113888850B (zh) * | 2021-12-03 | 2022-03-04 | 南京坤拓土木工程科技有限公司 | 沙尘气象市政道路拥堵态势多因素预警方法 |
CN113936469B (zh) * | 2021-12-09 | 2022-12-02 | 安徽交控信息产业有限公司 | 基于高速公路车道感知设备的交通信息交互***及方法 |
CN114463868B (zh) * | 2022-02-08 | 2024-02-02 | 山东高速股份有限公司 | 面向交通流管控的收费站交通流组合预测方法及*** |
CN114582130B (zh) * | 2022-03-15 | 2022-09-27 | 合肥工业大学 | 一种快速路多相位交通状态辨识方法 |
CN115206103B (zh) * | 2022-07-18 | 2023-05-30 | 山西省智慧交通研究院有限公司 | 一种基于平行仿真***的可变限速控制*** |
CN114999164B (zh) * | 2022-08-05 | 2022-11-04 | 深圳支点电子智能科技有限公司 | 智能交通预警处理方法及相关设备 |
CN116543560B (zh) * | 2023-07-05 | 2023-09-22 | 深圳市诚识科技有限公司 | 一种基于深度学习的智能路况预测***及方法 |
CN117173899B (zh) * | 2023-11-03 | 2024-01-30 | 武汉网信安全技术股份有限公司 | 一种智慧城市交通出行品质评价方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021672B (zh) * | 2014-06-09 | 2016-09-07 | 北京世纪高通科技有限公司 | 一种获取交通拥堵指数的方法和装置 |
CN105788289A (zh) * | 2014-12-17 | 2016-07-20 | 上海宝康电子控制工程有限公司 | 基于计算机软件***实现交通路况评估分析的方法和*** |
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
CN107610469B (zh) * | 2017-10-13 | 2021-02-02 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
CN108492555B (zh) * | 2018-03-20 | 2020-03-31 | 青岛海信网络科技股份有限公司 | 一种城市路网交通状态评价方法及装置 |
CN110276955B (zh) * | 2019-07-18 | 2021-04-06 | 中南大学 | 一种面向出行者个人感知的交通拥堵状态评价方法 |
CN112419709B (zh) * | 2020-10-16 | 2021-11-09 | 同济大学 | 一种基于路段异质性的快速路事故风险实时预测方法 |
-
2021
- 2021-05-31 CN CN202110600439.8A patent/CN113327418B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113327418A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113327418B (zh) | 一种快速路拥堵风险分级实时预测方法 | |
Gu et al. | Utilizing UAV video data for in-depth analysis of drivers’ crash risk at interchange merging areas | |
CN112419709B (zh) | 一种基于路段异质性的快速路事故风险实时预测方法 | |
CN108269401B (zh) | 一种基于数据驱动的高架桥交通拥堵预测方法 | |
US7755509B2 (en) | Use of pattern matching to predict actual traffic conditions of a roadway segment | |
CN109147330B (zh) | 一种拥堵识别方法及装置 | |
US9111442B2 (en) | Estimating incident duration | |
CN107610469A (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
Chengye et al. | Modelling motorway accidents using negative binomial regression | |
CN113963539B (zh) | 高速公路交通事故识别方法、模块及*** | |
CN109598930B (zh) | 一种自动检测高架封闭*** | |
CN111008223A (zh) | 一种基于时空关联规则的区域交通拥堵相关性计算方法 | |
US11908317B2 (en) | Real-time traffic safety management system | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
Chand et al. | Application of Fractal theory for crash rate prediction: Insights from random parameters and latent class tobit models | |
Biswas et al. | Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis | |
CN109493606A (zh) | 一种高速公路上违停车辆的识别方法及*** | |
CN111127887B (zh) | 一种基于实时交通状态驱动的信号控制优化***及方法 | |
CN114999181A (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
Heshami et al. | Deterministic and stochastic freeway capacity analysis based on weather conditions | |
Chauhan et al. | Effect of side friction parameter on urban road traffic: under mixed traffic scenario | |
Louah et al. | Traffic operations at an entrance ramp of a suburban freeway first results | |
Raj et al. | Evaluation of perception and nonperception based approaches for modeling urban road level of service | |
CN110211380B (zh) | 一种多源交通数据融合的高速公路拥堵区间探测方法 | |
CN116434361A (zh) | 一种基于etc交易数据的高速公路拥堵识别方法 |
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 |