CN113628446B - 一种基于物联网的交通信息采集分析方法及*** - Google Patents
一种基于物联网的交通信息采集分析方法及*** Download PDFInfo
- Publication number
- CN113628446B CN113628446B CN202111042016.5A CN202111042016A CN113628446B CN 113628446 B CN113628446 B CN 113628446B CN 202111042016 A CN202111042016 A CN 202111042016A CN 113628446 B CN113628446 B CN 113628446B
- Authority
- CN
- China
- Prior art keywords
- information
- traffic
- time
- traffic flow
- result
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于物联网的交通信息采集分析方法及***,方法包括:获得第一请求信息,获得第一实时位置信息和第一目的位置信息,获得可行路线集合;根据可行路线集合确定多个分析特征点集合;通过多个数据采集设备对多个特征点集合进行图像采集,获得第一图像采集集合;根据第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;基于车流特征分析结果对可行路线集合进行时间标识,获得第一时间标识结果;根据第一时间标识结果和可行路线集合的路程信息,获得第一反馈信息,对第一请求信息进行反馈。解决了现有技术中交通信息采集区域针对性较差且具有一定滞后性,导致存在适用性较低的技术问题。
Description
技术领域
本发明涉及下一代信息网络产业相关技术领域,具体涉及一种基于物联网的交通信息采集分析方法及***。
背景技术
随着现代经济的蓬蓬勃发展,道路上的车辆数目不断增加,交通压力倍增,如何实现道路交通安全高效的通行已经成为必要解决的交通难题之一。物联网是指通过各种信息传感器、射频识别技术、全球定位***、红外感应器、激光扫描器等各种装置与技术,实时采集任何需要监控、连接、互动的物体或过程,通过各类可能的网络接入,实现物与物、物与人的泛在连接,实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体,它让所有能够被独立寻址的普通物理对象形成互联互通的网络。基于物联网技术提高道路交通的安全高效具有十分重要的意义,而交通物联网***的搭建过程中,交通信息的实时收集和判别是关键的一步。
现有的交通信息采集方法主要利用检测器,传感器,监控等设备上传现场的交通信息,物联网***接收到交通信息后再进行处理调控,但实际应用过程中,信息采集区域针对性较差且具有滞后性,无法取代现场的人力调控。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中交通信息采集区域针对性较差且具有一定滞后性,导致存在适用性较低的技术问题。
发明内容
本申请实施例通过提供了一种基于物联网的交通信息采集分析方法及***,解决了现有技术中交通信息采集区域针对性较差且具有一定滞后性,导致存在适用性较低的技术问题。通过请求信息得到需要采集信息的调控区域的,读取请求位置和目的地之间的多条可行路线并获得各个可行路线的特征点位置,对特征点位置进行针对性的实时信息采集,并对实时信息进行分析,生成具有反馈结果,发送给请求来源,达到了提高针对性采集实时交通信息的技术效果。
鉴于上述问题,本申请实施例提供了一种基于物联网的交通信息采集分析方法及***。
第一方面,本申请实施例提供了一种基于物联网的交通信息采集分析方法,其中,所述方法应用于一数据分析***,所述数据分析***与数据采集设备通信连接,所述方法包括:获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;根据所述可行路线集合确定多个分析特征点集合;通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈。
另一方面,本申请实施例提供了一种基于物联网的交通信息采集分析***,其中,所述***包括:第一获得单元,所述第一获得单元用于获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;第二获得单元,所述第二获得单元用于根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;第一确定单元,所述第一确定单元用于根据所述可行路线集合确定多个分析特征点集合;第三获得单元,所述第三获得单元用于通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;第四获得单元,所述第四获得单元用于根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;第五获得单元,所述第五获得单元用于基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;第六获得单元,所述第六获得单元用于根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈。
第三方面,本申请实施例提供了一种基于物联网的交通信息采集***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;根据所述可行路线集合确定多个分析特征点集合;通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈的技术方案,本申请实施例通过提供了一种基于物联网的交通信息采集分析方法及***,通过请求信息得到需要采集信息的调控区域的,读取请求位置和目的地之间的多条可行路线并获得各个可行路线的特征点位置,对特征点位置进行针对性的实时信息采集,并对实时信息进行分析,生成反馈结果,发送给请求来源,达到了提高针对性采集实时交通信息的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于物联网的交通信息采集方法流程示意图;
图2为本申请实施例一种基于物联网的交通关联特征信息修正采集信息的方法流程示意图;
图3为本申请实施例一种基于物联网的历史交通信息调整采集信息的方法流程示意图;
图4为本申请实施例一种基于物联网的交通信息采集***结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一确定单元13,第三获得单元14,第四获得单元15,第五获得单元16,第六获得单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种基于物联网的交通信息采集分析方法及***,解决了现有技术中交通信息采集区域针对性较差且具有一定滞后性,导致存在适用性较低的技术问题。通过请求信息得到需要采集信息的调控区域的,读取请求位置和目的地之间的多条可行路线并获得各个可行路线的特征点位置,对特征点位置进行针对性的实时信息采集,并对实时信息进行分析,生成反馈结果,发送给请求来源,达到了提高针对性采集交通信息的技术效果。
申请概述
随着现代经济的蓬蓬勃发展,道路上的车辆数目不断增加,交通压力倍增,如何实现道路交通安全高效的通行已经成为必要解决的交通难题之一。物联网是指通过各种信息传感器、射频识别技术、全球定位***、红外感应器、激光扫描器等各种装置与技术,实时采集任何需要监控、连接、互动的物体或过程,通过各类可能的网络接入,实现物与物、物与人的泛在连接,实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体,它让所有能够被独立寻址的普通物理对象形成互联互通的网络。基于物联网技术提高道路交通的安全高效具有十分重要的意义,而交通物联网***的搭建过程中,交通信息的实时收集和判别是关键的一步。现有的交通信息采集方法主要利用检测器,传感器,监控等设备上传现场的交通信息,物联网***接收到交通信息后再进行处理调控,但实际应用过程中,信息采集区域针对性较差且具有滞后性,无法取代现场的人力调控。但现有技术中交通信息采集区域针对性较差且具有一定滞后性,导致存在适用性较低的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于物联网的交通信息采集分析方法,其中,所述方法应用于一数据分析***,所述数据分析***与数据采集设备通信连接,所述方法包括:获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;根据所述可行路线集合确定多个分析特征点集合;通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于物联网的交通信息采集分析方法,其中,所述方法应用于一数据分析***,所述数据分析***与数据采集设备通信连接,所述方法包括:
S100:获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;
具体而言,所述第一请求信息指的是使用所述数据分析***的用户发出的需求信息,其中,用户包括但不限于交通司机、交通管理机构等个人或者群体;所述第一实时位置信息指的是在接收到所述第一请求信息后,由所述数据分析***实时上传所述第一请求信息中需求调控的区域位置信息,可依据所述第一请求信息实时更新;所述第一目的位置信息指的是从所述第一请求信息中读取到的需要抵达的目的地的实时位置信息。所述第一实时位置为出发位置,所述第一目的位置信息为目标位置,通过采集出发位置和目标位置的实时位置信息,便于实时调整规划两地之间的行进路线。
S200:根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;
具体而言,所述可行路线集合指的是基于所述第一实时位置信息和所述第一目的位置信息,基于两地之间的交通路线,进行筛选,将无法通行(例如在维修)的路线删除,得到的可通行的路线集合,路线集合随着所述第一实时位置信息和所述第一目的位置信息的实时更新而实时变化。通过筛选出所述可行路线集合,为采集交通信息的区域确定提供了信息基础。
S300:根据所述可行路线集合确定多个分析特征点集合;
具体而言,所述多个特征点集合指的从所述可行路线中筛选出的需要重点信息采集的位置,所述特征点举不设限的几例如:十字路口、商圈周边、学校周边,闹市周边等对交通会造成明显影响的位置点。通过采集所述多个分析特征点集合将需要采集交通信息位置点再次缩小,增强了针对性,提高了交通信息的采集效率。
S400:通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;
具体而言,所述多个数据采集设备指的是对交通信息进行信息采集的装置,包括但不限于交通摄像头,遥感卫星、无人机、传感器等设备;所述第一图像采集集合指的是通过所述多个数据采集设备采集所述多个特征点集合的交通图像信息。通过采集所述多个特征点集合的交通图像信息便于分析所述可行路线集合的交通状况信息。
S500:根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;
具体而言,所述第一车流特征分析结果指的是基于所述第一图像采集集合对图像特征信息进行提取并分析得到结果,实现方式在此举不设限制的一例:利用车流特征分析模型对特征信息进行评估得到预测车流特征影响时间的结果信息,所述车流特征分析模型是以神经网络模型为基础建立,具有神经网络模型的特性,其中,人工神经网络是在现代神经科学的基础上提出和发展起来的,旨在反映人脑结构及功能的一种抽象数学模型,神经网络是一种运算模型,由大量的节点(或称神经元)之间相互连接构成,每个节点代表一种特定的输出函数称为激励函数,每两个节点之间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆,网络的输出则依照网络的连接方式,是对一种逻辑策略的表达,基于神经网络模型建立的所述车流特征分析模型能够输出准确的所述第一车流特征分析结果信息,从而具备了较强的分析计算能力,达到了准确而高效的技术效果。
S600:基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;
具体而言,所述第一时间标识结果指的是读取所述车流特征分析结果中的所述多个特征点集合车流特征信息的影响时间并基于此对所述可行路线集合进行标识的结果。通过所述第一时间标识结果可以反映所述可行路线集合中各条路线中目前的车流状况影响可能的延续时长,因而基于所述第一时间标识结果就可以调整合理的行进路线和速度,避免出现交通拥堵的情况出现,达到了实时性调节的技术效果。
S700:根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈。
具体而言,所述第一反馈信息指的是所述数据分析***基于所述第一时间标识结果和所述可行路线集合为用户智能推荐的路程信息;其中,优选的所述可行路线集合中各条路线的所述第一时间标识结果信息和所述可行路线集合的路程信息都采用可视化技术传输至用户,便于用户自主决策判断。通过所述第一反馈信息对所述第一请求信息进行反馈,发出所述第一请求信息的用户可根据具有一定预测性的所述第一时间标识结果及所述可行路线集合的路程信息决策最佳的行进方案,提高了采集信息的实时性。
进一步的,如图2所示,所述方法还包括步骤S800:
S810:获得所述多个分析特征点集合中的第一特征点;
S820:根据所述第一实时位置信息,获得第一交通设备到达所述第一特征点的第一预估时间节点,其中,所述第一交通设备为所述第一请求信息的发出设备;
S830:根据所述第一特征点,获得关联特征点集合;
S840:通过多个数据采集设备对所述关联特征点集合进行图像采集,获得第二图像采集集合;
S850:基于所述第二图像采集集合对所述第一预估时间节点进行修正,获得第二预估时间节点;
S860:根据所述第二预估时间节点对所述第一时间标识结果进行调整。
具体而言,所述第一特征点指的是在获得所述第一反馈信息后决定的路线上的特征点,优选的为选择的所述可行路线上的最近的特征点;所述第一交通设备指的是所述第一请求信息中需求调控的交通设备,所述第一交通设备包括发出所述第一请求信息的交通设备;所述第一预估时间节点指的是基于所述第一特征点和所述第一交通设备之间的所述第一实时位置信息得出行进距离,再结合所述第一交通设备到所述第一特征点之间的所述可行路线的车流特征状况,得到预测的抵达时间节点;所述关联特征点集合指的是可对所述第一交通设备行进至所述第一特征点路线上造成影响的不定因素,例如道路临时维修点、出现交通事故点、各个路口的交通变化等信息;所述第二图像采集集合指的是在检测到有所述关联特征点时,通过所述多个数据采集设备对所述关联特征点集合进行采集,实时更新所述第一交通设备到所述第一特征点之间的行进路线上的交通状况数据;进一步的,所述第二图像采集集合优选的和所述第一图像采集集合相同的处理方式,得到相应的车流特征信息并预测持续时间,基于此,修正所述第一预估时间节点,得到所述第二预估时间节点。更进一步的,通过所述第二时间节点调整所述第一时间标识结果,可对行进路线决策进行优化。通过所述关联特征点信息的处理,得到实时且更加全面的行进路线数据,提高了***决策的准确性;针对于所述第一交通设备到所述第一特征点之间的行进路线进行分析,再次缩小了信息的采集范围,增强了信息采集的针对性。
进一步的,所述方法步骤S840还包括:
S841:获得所述关联特征点集合中的第一关联特征点;
S842:获得所述第一关联特征点与所述第一特征点的第一距离信息;
S843:根据所述第一距离信息,获得所述第一关联特征点对所述第一特征点的影响时间区间;
S844:根据所述影响时间区间和所述第一预估时间节点获得第一时间区间;
S845:通过多个数据采集设备对所述第一关联特征点在所述第一时间区间进行图像采集,将图像采集结果作为所述第二图像采集集合中的图像信息。
具体而言,所述第一关联特征点指的是所述关联特征点中的某类特征点,例如所述第一交通设备到所述第一特征点之间的几个路口信息等,优选的调用顺序为从距离所述第一特征点由远及近;所述第一距离信息指的是所述第一关联特征点与所述第一特征点的在选用的所述可行路线上的距离数据;所述影响时间区间指的是基于所述第一关联特征点导致停误的时间和从所述第一关联特征点到达所述第一特征点的时间得到可能停误影响的时间区间;所述第一时间区间指的是为了减小所述影响时间区间的影响,基于所述第一预估时间节点计算得到的所述第一关联特征点图像信息的采集最佳时间区间,优选的使用:所述第一预估时间节点所述影响时间区间的最大值到所述第一预估时间节点所述影响时间区间的最小值,计算所述第一时间区间。通过对所述第一关联特征点对所述影响时间区间的预测,得到采集图像信息的最佳时间区间,提高了信息的实时性。
进一步的,所述方法还包括步骤S900:
S910:获得所述关联特征点集合中的第二关联特征点,其中,所述第二关联特征点与所述第一关联特征点不同;
S920:通过多个数据采集设备对所述第二关联特征点进行图像采集,获得第三图像集合;
S930:获得第一车道并入特征,基于所述第一车道并入特征对所述第三图像集合进行特征遍历,获得第一特征遍历结果,基于所述第一特征遍历结果生成第一车道拥堵系数;
S940:基于所述第一车道拥堵系数对所述第一车流特征分析结果进行调整。
具体而言,所述第二关联特征点指的和所述第一关联特征点不同的另一类特征点,包括但不限于停车比较多的路边,车辆起步会影响所述第一交通设备的行进时间;所述第三图像集合指的是通过所述多个数据采集设备对所述第二关联特征点进行图像采集后的结果。进一步的,所述第一车道并入特征指的是行驶或者停在路边的车辆进行并道的车辆特征,包括但不限于:动作特征和信号灯特征;所述第一特征遍历结果指的是指的是将所述第三图像集合和所述第一车道并入特征遍历对比,得到可能会并入所述第一交通设备规划行驶车道的车辆数目;所述第一车道拥堵系数指的是基于所述第一特征遍历结果的能会并入所述第一交通设备规划行驶车道的车辆数目,对所述第二关联特征点拥挤情况进行预测的结果;更进一步的,基于所述第一车道拥堵系数对所述第一车流特征分析结果进行修正,得到更加全面的分析结果。通过对所述第二关联特征点的识别分析,预测其他车辆并道对所述第一车流特征的影响结果并予以修正,为所述第一交通设备行进路线的选择提供了更加全面的参考基准。
进一步的,所述方法还包括步骤S1000:
S1010:获得第一天气信息;
S1020:判断所述第一天气信息是否满足第一预定阈值;
S1030:当所述第一天气信息满足第一预定阈值时,获得第一交通灯特征选择指令;
S1040:根据所述第一交通灯特征选择指令对所述多个特征点集合进行交通灯特征的选择,获得第一选择结果;
S1050:基于所述第一选择结果对所述第一反馈信息进行调整。
具体而言,所述第一天气信息指的是所述第一交通设备行驶当天的实时天气数据;所述第一预定阈值指的是可对出行造成影响的天气阈值,包括但不限于:大雾天气的可见度、雨天的雨水量等;当所述第一天气信息满足所述第一预定阈值时,无论是行人还是车辆行进速度都比较慢,所述第一交通灯特征选择指令指的是在此种场景下,选择交通信号灯较少的路口,提高行进速度;所述第一选择结果指的是依据所述第一交通灯特征选择指令对所述多个特征点集合都进行最佳的交通灯的选择;进一步的,基于所述第一选择结果对所述第一反馈信息进行调整,便于所述第一交通设备在行进过程中选择最佳的行进路线。
进一步的,基于所述根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果,步骤S500还包括:
S510:构建车流特征分析模型,其中,所述车流特征分析数据库为根据大数据对不同车流特征和车流特征的影响时间构建的模型,且所述车流特征分析模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:车流特征和标识车流特征影响时间的标识信息;
S520:将所述第一图像采集集合输入所述车流特征分析模型,获得所述第一车流特征分析结果。
具体而言,所述车流特征分析模型为神经网络模型,所述神经网络模型即机器学习中的神经网络模型,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习***。其中,它能根据训练数据进行不断的自我训练学习,所述多组训练数据中的每组均包括:车流特征和标识车流特征影响时间的标识信息;所述车流特征分析模型不断地自我的修正,当所述车流特征分析模型的输出信息达到预定的准确率/收敛状态时,则监督学习过程结束。通过对所述车流特征分析模型进行数据训练,使得所述车流特征分析模型处理输入数据更加准确,进而使得输出的所述第一车流特征分析结果信息也更加准确,达到了准确获得数据信息,提高评估结果智能化的技术效果。
进一步的,如图3所示,所述方法还包括步骤S1100:
S1110:根据所述第一预估时间节点,获得第一历史道路信息;
S1120:对所述第一历史道路信息进行车辆拥堵曲线构建,获得第一曲线构建结果;
S1130:根据所述第一曲线构建结果,对所述第一时间标识结果进行调整。
具体而言,所述第一历史道路信息指的是依据所述第一预估时间节点确定历史相同时间段对应路段的车辆拥堵情况;所述第一曲线构建结果指的是采集多组所述第一历史道路信息的车辆拥堵状况,随时间排序,构建曲线。进一步的,依据所述第一曲线构建结果,对所述第一交通设备行进过程的时间进行预测,并基于预测结果对所述第一时间标识结果进行调整,调整方式举不设限制的一例:根据历史数据的波动平均值为所述第一时间标识结果设置波动区间,若是预测结果超过预设调整区间,则对所述第一时间标识结果进行调整:预测结果大于所述第一时间标识结果,则增加所述第一时间标识结果;预测结果小于所述第一时间标识结果,则减少所述第一时间标识结果。通过对所述第一时间标识结果依据历史大数据进行调整,提高了采集到的交通信息的准确性。
综上所述,本申请实施例所提供的一种基于物联网的交通信息采集分析方法及***具有如下技术效果:
1.由于采用了获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;根据所述可行路线集合确定多个分析特征点集合;通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈的技术方案,本申请实施例通过提供了一种基于物联网的交通信息采集分析方法及***,通过请求信息得到需要采集信息的调控区域的,读取请求位置和目的地之间的多条可行路线并获得各个可行路线的特征点位置,对特征点位置进行针对性的实时信息采集,并对实时信息进行分析,生成反馈结果,发送给请求来源,达到了提高针对性采集实时交通信息的技术效果。
2.通过对所述关联特征点的识别分析,预测诸如路口突发状况、车辆并道状况对所述第一车流特征和行进时间的影响并依据分析结果予以修正,为所述第一交通设备行进路线的选择提供了更加全面的参考基准。
3.通过对所述第一时间标识结果依据历史大数据进行调整,提高了采集到的交通信息的准确性。
实施例二
基于与前述实施例中一种基于物联网的交通信息采集分析方法相同的发明构思,如图4所示,本申请实施例提供了一种基于物联网的交通信息采集分析***,其中,所述***包括:
第一获得单元11,所述第一获得单元11用于获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;
第二获得单元12,所述第二获得单元12用于根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;
第一确定单元13,所述第一确定单元13用于根据所述可行路线集合确定多个分析特征点集合;
第三获得单元14,所述第三获得单元14用于通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;
第四获得单元15,所述第四获得单元15用于根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;
第五获得单元16,所述第五获得单元16用于基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;
第六获得单元17,所述第六获得单元17用于根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈。
进一步的,所述***还包括:
第七获得单元,所述第七获得单元用于获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;
第八获得单元,所述第八获得单元用于根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;
第二确定单元,所述第二确定单元用于根据所述可行路线集合确定多个分析特征点集合;
第九获得单元,所述第九获得单元用于通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;
第十获得单元,所述第十获得单元用于根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;
第十一获得单元,所述第十一获得单元用于基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;
第十二获得单元,所述第十二获得单元用于根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈。
进一步的,所述***还包括:
第十三获得单元,所述第十三获得单元用于获得所述多个分析特征点集合中的第一特征点;
第十四获得单元,所述第十四获得单元用于根据所述第一实时位置信息,获得第一交通设备到达所述第一特征点的第一预估时间节点,其中,所述第一交通设备为所述第一请求信息的发出设备;
第十五获得单元,所述第十五获得单元用于根据所述第一特征点,获得关联特征点集合;
第十六获得单元,所述第十六获得单元用于通过多个数据采集设备对所述关联特征点集合进行图像采集,获得第二图像采集集合;
第十七获得单元,所述第十七获得单元用于基于所述第二图像采集集合对所述第一预估时间节点进行修正,获得第二预估时间节点;
第一调整单元,所述第一调整单元用于根据所述第二预估时间节点对所述第一时间标识结果进行调整。
进一步的,所述***还包括:
第十八获得单元,所述第十八获得单元用于获得所述关联特征点集合中的第一关联特征点;
第十九获得单元,所述第十九获得单元用于获得所述第一关联特征点与所述第一特征点的第一距离信息;
第二十获得单元,所述第二十获得单元用于根据所述第一距离信息,获得所述第一关联特征点度所述第一特征点的影响时间区间;
第二十一获得单元,所述第二十一获得单元用于根据所述影响时间区间和所述第一预估时间节点获得第一时间区间;
第一采集单元,所述第一采集单元用于通过多个数据采集设备对所述第一关联特征点在所述第一时间区间进行图像采集,将图像采集结果作为所述第二图像采集集合中的图像信息。
进一步的,所述***还包括:
第二十二获得单元,所述第二十二获得单元用于获得所述关联特征点集合中的第二关联特征点,其中,所述第二关联特征点与所述第一关联特征点不同;
第二十三获得单元,所述第二十三获得单元用于通过多个数据采集设备对所述第二关联特征点进行图像采集,获得第三图像集合;
第二十四获得单元,所述第二十四得单元用于获得第一车道并入特征,基于所述第一车道并入特征对所述第三图像集合进行特征遍历,获得第一特征遍历结果,基于所述第一特征遍历结果生成第一车道拥堵系数;
第二调整单元,所述第二调整单元用于基于所述第一车道拥堵系数对所述第一车流特征分析结果进行调整。
进一步的,所述***还包括:
第二十五获得单元,所述第二十五获得单元用于获得第一天气信息;
第一判断单元,所述第一判断单元用于判断所述第一天气信息是否满足第一预定阈值;
第二十六获得单元,所述第二十六获得单元用于当所述第一天气信息满足第一预定阈值时,获得第一交通灯特征选择指令;
第二十七获得单元,所述第二十七获得单元用于根据所述第一交通灯特征选择指令对所述多个特征点集合进行交通灯特征的选择,获得第一选择结果;
第三调整单元,所述第三调整单元用于基于所述第一选择结果对所述第一反馈信息进行调整。
进一步的,所述***还包括:
第一构建单元,所述第一构建单元用于构建车流特征分析模型,其中,所述车流特征分析数据库为根据大数据对不同车流特征和车流特征的影响时间构建的模型,且所述车流特征分析模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:车流特征和标识车流特征影响时间的标识信息;
第二十八获得单元,所述第二十八获得单元用于将所述第一图像采集集合输入所述车流特征分析模型,获得所述第一车流特征分析结果。
进一步的,所述***还包括:
第二十九获得单元,所述第二十九获得单元用于根据所述第一预估时间节点,获得第一历史道路信息;
第三十获得单元,所述第三十获得单元用于对所述第一历史道路信息进行车辆拥堵曲线构建,获得第一曲线构建结果;
第四调整单元,所述第四调整单元用于根据所述第一曲线构建结果,对所述第一时间标识结果进行调整。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备,
基于与前述实施例中一种基于物联网的交通信息采集分析方法相同的发明构思,本申请实施例还提供了一种基于物联网的交通信息采集分析***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的***,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc
read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于物联网的交通信息采集分析方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种基于物联网的交通信息采集分析方法,其中,所述方法应用于一数据分析***,所述数据分析***与数据采集设备通信连接,所述方法包括:获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;根据所述可行路线集合确定多个分析特征点集合;通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈,通过请求信息得到需要采集信息的调控区域的,读取请求位置和目的地之间的多条可行路线并获得各个可行路线的特征点位置,对特征点位置进行针对性的实时信息采集,并对实时信息进行分析,生成反馈结果,发送给请求来源,达到了提高针对性采集实时交通信息的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“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。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a -b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程***。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑***,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算***的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种基于物联网的交通信息采集分析方法,其中,所述方法应用于一数据分析***,所述数据分析***与数据采集设备通信连接,所述方法包括:
获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;
根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;
根据所述可行路线集合确定多个分析特征点集合;其中,所述多个特征点集合为从所述可行路线集合中筛选出的对交通会造成明显影响,需要重点信息采集的位置;
通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;
根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;其中,所述第一车流特征分析结果为基于所述第一图像采集集合,利用车流特征分析模型对图像特征信息进行提取并分析得到预测车流特征影响时间的结果;
基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;其中,所述第一时间标识结果为读取所述车流特征分析结果中的所述多个特征点集合车流特征信息的影响时间并基于此对所述可行路线集合进行标识的结果;通过所述第一时间标识结果反映所述可行路线集合中各条路线中目前的车流状况影响的延续时长,基于所述第一时间标识结果调整合理的行进路线;
根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈;其中,所述第一反馈信息为所述数据分析***基于所述第一时间标识结果和所述可行路线集合为用户智能推荐的路程信息;
其中,所述方法还包括:
获得所述多个分析特征点集合中的第一特征点;其中,所述第一特征点为在获得所述第一反馈信息后决定的路线上的特征点;
根据所述第一实时位置信息,获得第一交通设备到达所述第一特征点的第一预估时间节点,其中,所述第一交通设备为所述第一请求信息的发出设备;
根据所述第一特征点,获得关联特征点集合;其中,所述关联特征点集合为可对所述第一交通设备行进至所述第一特征点路线上造成影响的不定因素;
通过多个数据采集设备对所述关联特征点集合进行图像采集,获得第二图像采集集合;
基于所述第二图像采集集合对所述第一预估时间节点进行修正,获得第二预估时间节点;
根据所述第二预估时间节点对所述第一时间标识结果进行调整;
其中,所述方法还包括:
获得所述关联特征点集合中的第一关联特征点;
获得所述第一关联特征点与所述第一特征点的第一距离信息;
根据所述第一距离信息,获得所述第一关联特征点对所述第一特征点的影响时间区间;
根据所述影响时间区间和所述第一预估时间节点获得第一时间区间;
通过多个数据采集设备对所述第一关联特征点在所述第一时间区间进行图像采集,将图像采集结果作为所述第二图像采集集合中的图像信息。
2.如权利要求1所述的方法,其中,所述方法还包括:
获得所述关联特征点集合中的第二关联特征点,其中,所述第二关联特征点与所述第一关联特征点不同;
通过多个数据采集设备对所述第二关联特征点进行图像采集,获得第三图像集合;
获得第一车道并入特征,基于所述第一车道并入特征对所述第三图像集合进行特征遍历,获得第一特征遍历结果,基于所述第一特征遍历结果生成第一车道拥堵系数;其中,所述第一车道并入特征为行驶或者停在路边的车辆进行并道的车辆特征;所述第一特征遍历结果为将所述第三图像集合和所述第一车道并入特征遍历对比,得到会并入所述第一交通设备规划行驶车道的车辆数目;所述第一车道拥堵系数为基于所述第一特征遍历结果的会并入所述第一交通设备规划行驶车道的车辆数目,对所述第二关联特征点拥挤情况进行预测的结果;
基于所述第一车道拥堵系数对所述第一车流特征分析结果进行调整。
3.如权利要求1所述的方法,其中,所述方法还包括:
获得第一天气信息;
判断所述第一天气信息是否满足第一预定阈值;其中,所述第一预定阈值为对出行造成影响的天气阈值;
当所述第一天气信息满足第一预定阈值时,获得第一交通灯特征选择指令;其中,所述第一交通灯特征选择指令为当所述第一天气信息满足第一预定阈值时,选择交通信号灯较少的路口;
根据所述第一交通灯特征选择指令对所述多个特征点集合进行交通灯特征的选择,获得第一选择结果;其中,所述第一选择结果为依据所述第一交通灯特征选择指令对所述多个特征点集合都进行最佳的交通灯的选择;
基于所述第一选择结果对所述第一反馈信息进行调整。
4.如权利要求1所述的方法,其中,所述根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果,还包括:
构建车流特征分析模型,其中,所述车流特征分析数据库为根据大数据对不同车流特征和车流特征的影响时间构建的模型,且所述车流特征分析模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:车流特征和标识车流特征影响时间的标识信息;
将所述第一图像采集集合输入所述车流特征分析模型,获得所述第一车流特征分析结果。
5.如权利要求1所述的方法,其中,所述方法还包括:
根据所述第一预估时间节点,获得第一历史道路信息;
对所述第一历史道路信息进行车辆拥堵曲线构建,获得第一曲线构建结果;
根据所述第一曲线构建结果,对所述第一时间标识结果进行调整。
6.一种基于物联网的交通信息采集分析***,其中,所述***包括:
第一获得单元,所述第一获得单元用于获得第一请求信息,根据所述第一请求信息获得第一实时位置信息和第一目的位置信息;
第二获得单元,所述第二获得单元用于根据所述第一实时位置信息和所述第一目的位置信息,获得可行路线集合;
第一确定单元,所述第一确定单元用于根据所述可行路线集合确定多个分析特征点集合;其中,所述多个特征点集合为从所述可行路线集合中筛选出的对交通会造成明显影响,需要重点信息采集的位置;
第三获得单元,所述第三获得单元用于通过多个数据采集设备对所述多个特征点集合进行图像采集,获得第一图像采集集合;
第四获得单元,所述第四获得单元用于根据所述第一图像采集集合进行车流特征分析,获得第一车流特征分析结果;其中,所述第一车流特征分析结果为基于所述第一图像采集集合,利用车流特征分析模型对图像特征信息进行提取并分析得到预测车流特征影响时间的结果;
第五获得单元,所述第五获得单元用于基于所述车流特征分析结果对所述可行路线集合进行时间标识,获得第一时间标识结果;其中,所述第一时间标识结果为读取所述车流特征分析结果中的所述多个特征点集合车流特征信息的影响时间并基于此对所述可行路线集合进行标识的结果;通过所述第一时间标识结果反映所述可行路线集合中各条路线中目前的车流状况影响的延续时长,基于所述第一时间标识结果调整合理的行进路线;
第六获得单元,所述第六获得单元用于根据所述第一时间标识结果和所述可行路线集合的路程信息,获得第一反馈信息,根据所述第一反馈信息对所述第一请求信息进行反馈;其中,所述第一反馈信息为所述数据分析***基于所述第一时间标识结果和所述可行路线集合为用户智能推荐的路程信息;
第十三获得单元,所述第十三获得单元用于获得所述多个分析特征点集合中的第一特征点;其中,所述第一特征点为在获得所述第一反馈信息后决定的路线上的特征点;
第十四获得单元,所述第十四获得单元用于根据所述第一实时位置信息,获得第一交通设备到达所述第一特征点的第一预估时间节点,其中,所述第一交通设备为所述第一请求信息的发出设备;
第十五获得单元,所述第十五获得单元用于根据所述第一特征点,获得关联特征点集合;其中,所述关联特征点集合为可对所述第一交通设备行进至所述第一特征点路线上造成影响的不定因素;
第十六获得单元,所述第十六获得单元用于通过多个数据采集设备对所述关联特征点集合进行图像采集,获得第二图像采集集合;
第十七获得单元,所述第十七获得单元用于基于所述第二图像采集集合对所述第一预估时间节点进行修正,获得第二预估时间节点;
第一调整单元,所述第一调整单元用于根据所述第二预估时间节点对所述第一时间标识结果进行调整;
第十八获得单元,所述第十八获得单元用于获得所述关联特征点集合中的第一关联特征点;
第十九获得单元,所述第十九获得单元用于获得所述第一关联特征点与所述第一特征点的第一距离信息;
第二十获得单元,所述第二十获得单元用于根据所述第一距离信息,获得所述第一关联特征点度所述第一特征点的影响时间区间;
第二十一获得单元,所述第二十一获得单元用于根据所述影响时间区间和所述第一预估时间节点获得第一时间区间;
第一采集单元,所述第一采集单元用于通过多个数据采集设备对所述第一关联特征点在所述第一时间区间进行图像采集,将图像采集结果作为所述第二图像采集集合中的图像信息。
7.一种基于物联网的交通信息采集分析***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使***以执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042016.5A CN113628446B (zh) | 2021-09-07 | 2021-09-07 | 一种基于物联网的交通信息采集分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042016.5A CN113628446B (zh) | 2021-09-07 | 2021-09-07 | 一种基于物联网的交通信息采集分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628446A CN113628446A (zh) | 2021-11-09 |
CN113628446B true CN113628446B (zh) | 2022-03-15 |
Family
ID=78389260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111042016.5A Active CN113628446B (zh) | 2021-09-07 | 2021-09-07 | 一种基于物联网的交通信息采集分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628446B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114111816B (zh) * | 2021-11-16 | 2022-10-04 | 北京长隆讯飞科技有限公司 | 一种基于人工智能的低成本车道级高精度地图的方法 |
CN117690309A (zh) * | 2023-11-15 | 2024-03-12 | 浪潮智慧科技有限公司 | 一种基于大数据的城市交通引导方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006125291A1 (en) * | 2005-05-25 | 2006-11-30 | Hiroyuki Takada | System and method for estimating travel times of a traffic probe |
CN101777257A (zh) * | 2009-12-29 | 2010-07-14 | 北京世纪高通科技有限公司 | 获取路况信息的方法及*** |
KR20150039230A (ko) * | 2013-09-30 | 2015-04-10 | 주식회사 비트컴퓨터 | 차량 주변의 도로 교통 정보 제공 방법 및 이를 이용한 도로 교통 정보 시스템 |
CN108470445A (zh) * | 2018-03-23 | 2018-08-31 | 四川飞通***集成有限公司 | 出行行程规划方法 |
CN108629455A (zh) * | 2018-05-08 | 2018-10-09 | 电子科技大学 | 一种基于车辆自组织网的实时路径规划方法 |
CN109448368A (zh) * | 2018-10-22 | 2019-03-08 | 卢伟涛 | 一种基于图像采集的道路交通分流引导*** |
CN110533906A (zh) * | 2019-08-21 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 一种路况信息的获取方法及相关装置 |
-
2021
- 2021-09-07 CN CN202111042016.5A patent/CN113628446B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006125291A1 (en) * | 2005-05-25 | 2006-11-30 | Hiroyuki Takada | System and method for estimating travel times of a traffic probe |
CN101777257A (zh) * | 2009-12-29 | 2010-07-14 | 北京世纪高通科技有限公司 | 获取路况信息的方法及*** |
KR20150039230A (ko) * | 2013-09-30 | 2015-04-10 | 주식회사 비트컴퓨터 | 차량 주변의 도로 교통 정보 제공 방법 및 이를 이용한 도로 교통 정보 시스템 |
CN108470445A (zh) * | 2018-03-23 | 2018-08-31 | 四川飞通***集成有限公司 | 出行行程规划方法 |
CN108629455A (zh) * | 2018-05-08 | 2018-10-09 | 电子科技大学 | 一种基于车辆自组织网的实时路径规划方法 |
CN109448368A (zh) * | 2018-10-22 | 2019-03-08 | 卢伟涛 | 一种基于图像采集的道路交通分流引导*** |
CN110533906A (zh) * | 2019-08-21 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 一种路况信息的获取方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113628446A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020203551B2 (en) | Dynamically determining origin and destination locations for a network system | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
US11380195B2 (en) | Road traffic analysis methods and apparatuses | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
US10794720B2 (en) | Lane-level vehicle navigation for vehicle routing and traffic management | |
US9599488B2 (en) | Method and apparatus for providing navigational guidance using the states of traffic signal | |
Li et al. | Road risk modeling and cloud-aided safety-based route planning | |
CN113628446B (zh) | 一种基于物联网的交通信息采集分析方法及*** | |
EP3683549B1 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
CN108444486B (zh) | 一种导航路线排序方法和装置 | |
CN110942211A (zh) | 一种基于深度神经网络的预估达到时间预测方法及装置 | |
CN112801399B (zh) | 一种路径生成方法、装置、终端设备及存储介质 | |
US20220414450A1 (en) | Distributed Multi-Task Machine Learning for Traffic Prediction | |
CN112216130A (zh) | 一种车路协同环境下的应急车辆诱导方法 | |
Li et al. | Cloud aided safety-based route planning | |
CN114529088A (zh) | 基于事故风险成本的驾驶路径规划方法及*** | |
CN116453119A (zh) | 道路检测方法、装置、计算机、可读存储介质及程序产品 | |
CN115164922A (zh) | 一种路径规划方法、***、设备及存储介质 | |
Fu et al. | Incremental path planning: Reservation system in V2X environment | |
CN115662134B (zh) | 基于主动管控的城市功能区快速路时空资源动态配置方法 | |
CN114638428A (zh) | 一种交通路况预测方法、装置及车辆 | |
Abdelhamid et al. | Driver-centric route guidance | |
JP2004294371A (ja) | 所要時間データベースの作成方法および経路探索方法 | |
CN118097998B (zh) | 道路状态提示方法、***、存储介质及电子设备 | |
Ekhlakov | Modern Methods of T raffic F low Modeling: A Gra ph L oad C alculation M odel B ased on Real-T ime Data |
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 |