CN113870591B - 基于交通量预测的信号控制时段的划分方法、装置及设备 - Google Patents
基于交通量预测的信号控制时段的划分方法、装置及设备 Download PDFInfo
- Publication number
- CN113870591B CN113870591B CN202111234320.XA CN202111234320A CN113870591B CN 113870591 B CN113870591 B CN 113870591B CN 202111234320 A CN202111234320 A CN 202111234320A CN 113870591 B CN113870591 B CN 113870591B
- Authority
- CN
- China
- Prior art keywords
- traffic
- time
- sequence
- dividing
- prediction
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- 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
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通量预测的信号控制时段的划分方法、装置及设备,针对现有的对交通固定配时信号控制的时段划分缺乏理论及数据依据,而造成时段划分不合理的问题,通过确定目标交叉口并采集足够的过车数据,运用稳定性检测确定采样间隔;然后,将工作日与非工作日分开,制作训练集与测试集,使用ARIMA算法进行交通量预测;最后,使用蒙特卡罗算法进行最优分割,完成对交通固定配时信号控制的时段划分,提高了交通固定配时信号控制的时段划分的科学性及有效性,进一步减少单一信号配时产生的延误。
Description
技术领域
本发明属于智能交通控制的技术领域,尤其涉及一种基于交通量预测的信号控制时段的划分方法、装置及设备。
背景技术
为节约成本,而且能满***通需要,城市道路交叉口往往采用固定配时信号控制,为减少单一信号配时产生的延误,提出了分时段的固定配时方案。合理的信号控制时段划分能有效降低延误。但是以往信号控制时段划分算法忽略了交通量的波动性。
在数据采集层面,线圈检测器故障率高、安装不便且功能简单已不再满足精确的需求;以GPS为基础的轨迹数据采样率低,无法完整统计出交通量。
在采样间隔层面,以往的研究大都以经验确定采样间隔,而缺乏理论依据。
在交通量预测层面,目前神经网络算法在交通量预测方面取得了较好的成果,但大都面临一个问题:数据量少。
在时段划分层面,基于K-means聚类与FCM聚类的模型,没有考虑到时间序列的连续性,当采样间隔不大时,聚类结果会出现:相同的类,在不同的区间,局限性很大。
发明内容
本发明的目的是提供一种基于交通量预测的信号控制时段的划分方法、装置及设备,提高交通固定配时信号控制的时段划分的科学性及有效性。
为解决上述问题,本发明的技术方案为:
一种基于交通量预测的信号控制时段的划分方法,包括:
获取智能交通***中目标交叉口的过车数据,所述过车数据包括目标交叉口的车辆通过时间、车牌号及路段编号;
基于稳定性检测算法,确定采样间隔;所述采样间隔为用于统计交通量序列的时间跨度,其中,交通量序列来自过车数据;
以所述采样间隔统计每天的交通量序列,采用ARIMA算法分别对工作日及非工作日,进行日交通量预测,得到目标交通量序列;
对目标交通量序列进行时段划分,采用蒙特卡罗算法确定最优时段划分点,生成交通固定配时信号的控制时段。
根据本发明一实施例,所述获取智能交通***中目标交叉口的过车数据进一步包括:
获取安装于道路交叉口的电子警察采集的过车数据,根据目标交叉口的路段编号,提取目标交叉口一天的过车数据。
根据本发明一实施例,所述基于稳定性检测算法,确定采样间隔进一步包括:
初始化时间跨度T,以时间跨度T划分一天的时间,得到n个时段;
在第任意一个时段内,在保证交通量序列能进行ADF稳定性检测的条件下,以不同的采样间隔,统计交通量序列,并进行ADF稳定检测;其中,交通量序列为在一个时段内,以某一采样间隔统计过车数据得到的交通量,并以时间的先后顺序排列的交通量序列;
若ADF稳定性检测成功,则将时间跨度T作为交通量预测的采样间隔;若ADF稳定性检测失败,则更改时间跨度T,直至ADF稳定性检测成功。
根据本发明一实施例,所述采用ARIMA算法分别对工作日及非工作日,日交通量预测进一步包括:
统计目标交叉口连续一月的交通量时间序列,得到目标时间序列;以时间为横坐标、对于交通量为纵坐标,绘制交通量变化图,去除异常数据,得到连续多天的工作日交通量时间序列及非工作日交通量时间序列,作为ARIMA模型的训练集;以误差率作为评价指标,对ARIMA模型进行训练;其中,yp表示预测值,y表示实际值;
采用训练好的ARIMA模型进行日交通量预测,得到目标交通量时间序列。
根据本发明一实施例,所述采用蒙特卡罗算法确定最优时段划分点进一步包括:
将目标交通量序列根据时间,划分为k个时段的交通量序列,以蒙特卡罗算法选择划分点,计算时段划分后第k个时段的交通量序列离差其中/>为第k个交通量序列的均值,di为交通量序列中的第i个交通量;以所有时段的交通量序列的离差和为目标函数,将目标函数最小化的划分点为最优时段分割。
一种基于交通量预测的信号控制时段的划分装置,包括:
数据获取模块,用于获取智能交通***中目标交叉口的过车数据,所述过车数据包括目标交叉口的车辆通过时间、车牌号及路段编号;
采样间隔计算模块,用于基于稳定性检测算法,确定采样间隔;所述采样间隔为用于统计交通量序列的时间跨度,其中,交通量序列来自过车数据;
交通量预测模块,用于以所述采样间隔统计每天的交通量序列,采用ARIMA算法分别对工作日及非工作日,进行日交通量预测,得到目标交通量序列;
时段划分模块,用于对目标交通量序列进行时段划分,采用蒙特卡罗算法确定最优时段划分点,输出交通固定配时信号的控制时段。
一种基于交通量预测的信号控制时段的划分设备,包括:
存储器和处理器,所述存储器中存储有指令,所述存储器和所述处理器通过线路互连;
所述处理器调用所述存储器中的所述指令,实现本发明一实施例中的基于交通量预测的信号控制时段的划分方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本发明一实施例中的基于交通量预测的信号控制时段的划分方法。
本发明由于采用以上技术方案,使其与现有技术相比具有以下的优点和积极效果:
1)本发明一实施例中的基于交通量预测的信号控制时段的划分方法,针对现有的对交通固定配时信号控制的时段划分缺乏理论及数据依据,而造成时段划分不合理的问题,通过确定目标交叉口并采集足够的过车数据,运用稳定性检测确定采样间隔;然后,将工作日与非工作日分开,制作训练集与测试集,使用ARIMA算法进行交通量预测;最后,使用蒙特卡罗算法进行最优分割,完成对交通固定配时信号控制的时段划分,提高了交通固定配时信号控制的时段划分的科学性及有效性,进一步减少单一信号配时产生的延误。
2)本发明一实施例中的基于交通量预测的信号控制时段的划分方法,充分利用电子警察的高精度、高准确率,及其达到秒级的采样频率,为交通流采样间隔的确定和时段的准确划分提供了数据基础。
3)本发明一实施例中的基于交通量预测的信号控制时段的划分方法,通过对采样间隔内交通量序列进行稳定性分析,确定采样间隔,拥有理论依据。
4)以蒙特卡罗算法求解最优分割能有效的避开局部最优,而获得全局最优。
附图说明
图1为本发明一实施例中的基于交通量预测的信号控制时段的划分方法流图;
图2为本发明一实施例中的交通量序列的稳定性检测示意图;
图3为本发明一实施例中的连续29天的交通量序列规律图;
图4为本发明一实施例中的时段划分流程图;
图5为本发明一实施例中的工作日时段划分示意图;
图6为本发明一实施例中的非工作日时段划分示意图;
图7为本发明一实施例中的基于交通量预测的信号控制时段的划分装置框图;
图8为本发明一实施例中的基于交通量预测的信号控制时段的划分设备示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种基于交通量预测的信号控制时段的划分方法、装置及设备作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。
实施例一
本实施例针对现有的对交通固定配时信号控制的时段划分缺乏理论及数据依据,而造成时段划分不合理的问题,提供了一种基于交通量预测的信号控制时段的划分方法,通过确定目标交叉口并采集足够的过车数据,运用稳定性检测确定采样间隔;然后,将工作日与非工作日分开,制作训练集与测试集,使用ARIMA算法进行交通量预测;最后,使用蒙特卡罗算法进行最优分割,完成对交通固定配时信号控制的时段划分,提高了交通固定配时信号控制的时段划分的科学性及有效性,进一步减少单一信号配时产生的延误。
具体的,该基于交通量预测的信号控制时段的划分方法包括以下步骤:
S1:获取智能交通***中目标交叉口的过车数据,该过车数据包括目标交叉口的车辆通过时间、车牌号及路段编号;
S2:基于稳定性检测算法,确定采样间隔;该采样间隔为用于统计交通量序列的时间跨度,其中,交通量序列来自过车数据;
S3:以所述采样间隔统计每天的交通量序列,采用ARIMA算法分别对工作日及非工作日,进行日交通量预测,得到目标交通量序列;
S4:对目标交通量序列进行时段划分,采用蒙特卡罗算法确定最优时段划分点,生成交通固定配时信号的控制时段。
在步骤S1中,获取安装于道路交叉口的电子警察采集的过车数据,根据目标交叉口的路段编号,提取目标交叉口一天的过车数据。其中,过程数据为:在已安装电子警察的交叉口,在交叉口入口路段上,每当有车辆经过停车线,就会被电子警察拍摄,并利用先进的图像处理技术,获取一条数据,包括通过时间、车牌号与路段编号,该数据称为过车数据。而目标交叉口的数据,可通过编号库可以查询目标交叉口进口路段编号,然后从所有的过车数据中提取该交叉口一天的过车数据。
在实际应用中,通过电子警察,采集了某工业园区星湖街-现代大道交叉口2017年4月1日-4月29日连续29天的过车数据,作为数据基础。
在步骤S2中,基于稳定性检测算法,确定采样间隔进一步包括:
初始化时间跨度T,以时间跨度T划分一天的时间,得到n个时段;
在第任意一个时段内,在保证交通量序列能进行ADF稳定性检测的条件下,以不同的采样间隔,统计交通量序列,并进行ADF稳定检测;
若ADF稳定性检测成功,则将时间跨度T作为交通量预测的采样间隔;若ADF稳定性检测失败,则更改时间跨度T,直至ADF稳定性检测成功。
其中,时间跨度T定义:以一天为时间总长度,并对其进行多等分,所得到的时段称为时间跨度。
交通量序列D定义:在一个时间跨度内,以t为采样间隔,统计该间隔所有的过车数,统计每一个间隔内的交通量d,按时间先后排序,组成该时间跨度内的交通量序列D=[d1,d2,...,dn]。
在实际应用中,经过对不同的采样间隔统计的交通量序列进行ADF稳定检测,得出,在以T=6min为时间跨度的时段内,分别以t=15s,20s,30s为采样间隔统计交通量,生成的交通量序列基本稳定,请参看图2。
在步骤S3中,采用ARIMA算法分别对工作日及非工作日,日交通量预测进一步包括:
统计目标交叉口连续一月的交通量时间序列,得到目标时间序列;以时间为横坐标、对于交通量为纵坐标,绘制交通量变化图,去除异常数据,得到连续多天的工作日交通量时间序列及非工作日交通量时间序列,作为ARIMA模型的训练集;以误差率作为评价指标,对ARIMA模型进行训练;其中,yp表示预测值,y表示实际值;采用训练好的ARIMA模型进行日交通量预测,得到目标交通量时间序列。该ARIMA模型,即基于ARIMA算法用于实现日交通量预测的模型。
在实际应用中,以T=6min为采样间隔统计过车数据,得到29天的交通量序列,若以图显示该交通量序列,请参看图3。对该交通量序列进行数据清洗,删除异常数据后,将交通量序列分为工作日与非工作日,得到连续a天的工作日时间序列和连续b天非工作日时间序列。对于工作日:以前a-1天时间序列为训练集,第a天为验证集,通过ARIMA算法对第a天交通流进行预测,并以误差率作为评价指标,确定算法的准确率。使用训练好的ARIMA算法预测下一个工作日与非工作日交通量,并验证准确率。
在步骤S4中,对目标交通量序列进行时段划分,采用蒙特卡罗算法确定最优时段划分点,作为交通固定配时信号的控制点。具体可按以下步骤进行:
a)确定划分时段数k;
b)以离差反映序列波动程度;
c)以划分时段后的时间序列离差和为目标函数;
d)以使目标函数最小为目标,使用蒙塔卡罗算法确定最优划分。
在实际应用中,交叉口时段划分点往往位于整点处,而且其划分段不宜过多。以k=9作为划分后时段个数,分别使用蒙特卡洛算法进行最优分割,请参看图4。工作日的交通固定配时信号的控制时段划分结果,请参看图5,具体时段划分如下表1所示:
表1
时段编号 | 时段 |
Ⅰ | 00:00-02:00 |
Ⅱ | 02:00-06:00 |
Ⅲ | 06:00-07:00 |
Ⅳ | 07:00-10:00 |
Ⅴ | 10:00-17:00 |
Ⅵ | 17:00-19:00 |
Ⅶ | 19:00-20:00 |
Ⅷ | 20:00-22:00 |
Ⅸ | 22:00-00:00 |
非工作日的交通固定配时信号的控制时段化分结果,请参看图6,具体时段划分如表2所示:
表2
时段编号 | 时段 |
Ⅰ | 00:00-02:00 |
Ⅱ | 02:00-06:00 |
Ⅲ | 06:00-08:00 |
Ⅳ | 08:00-10:00 |
Ⅴ | 10:00-13:00 |
Ⅵ | 13:00-19:00 |
Ⅶ | 19:00-22:00 |
Ⅷ | 22:00-23:00 |
Ⅸ | 23:00-00:00 |
实施例二
本实施例提供了一种基于交通量预测的信号控制时段的划分装置,请参看图7,该基于交通量预测的信号控制时段的划分装置,包括:
数据获取模块1,用于获取智能交通***中目标交叉口的过车数据,该过车数据包括目标交叉口的车辆通过时间、车牌号及路段编号;
采样间隔计算模块2,用于基于稳定性检测算法,确定采样间隔;该采样间隔为用于统计交通量序列的时间跨度,其中,交通量序列来自过车数据;
交通量预测模块3,用于以该采样间隔统计每天的交通量序列,采用ARIMA算法分别对工作日及非工作日,进行日交通量预测,得到目标交通量序列;
时段划分模块4,用于对目标交通量序列进行时段划分,采用蒙特卡罗算法确定最优时段划分点,作为交通固定配时信号的控制点。
其中,数据获取模块1接收从智能交通***发送的道路交叉口的过车数据,该过车数据包括交叉口的车辆通过时间、车牌号及路段编号;根据目标交叉口的路段编号,从中提取目标交叉口一天的过车数据,作为后续处理的数据基础。
采样间隔计算模块2对数据获取模块1中一天的过车数据处理成多时段的交通量时间序列,在第任意一个时段内,在保证交通量序列能进行ADF稳定性检测的条件下,以不同的采样间隔,统计交通量序列,并进行ADF稳定检测;根据ADF稳定检测结果,确定采样间隔数值。
交通量预测模块3根据采样间隔计算模块2确定的采样间隔数值,统计目标交叉口连续一月的交通量时间序列,得到目标时间序列;以时间为横坐标、对于交通量为纵坐标,绘制交通量变化图,去除异常数据,得到连续多天的工作日交通量时间序列及非工作日交通量时间序列,作为ARIMA模型的训练集;以误差率作为评价指标,对ARIMA模型进行训练;其中,yp表示预测值,y表示实际值;采用训练好的ARIMA模型进行日交通量预测,得到目标交通量时间序列。
时段划分模块4则基于交通量预测模块3输出的目标交通量时间序列,确定划分时段数k;以离差反映交通量时间序列的波动程度;以划分时段后的交通量时间序的列离差和/>为目标函数;以使目标函数最小为目标,使用蒙塔卡罗算法确定最优划分,从而实现合理地划分交通固定配时信号控制时段。
实施例三
本实施例提供了一种基于交通量预测的信号控制时段的划分设备。请参看图8,该基于交通量预测的信号控制时段的划分设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于交通量预测的信号控制时段的划分设备500中的一系列指令操作。
进一步地,处理器510可以设置为与存储介质530通信,在基于交通量预测的信号控制时段的划分设备500上执行存储介质530中的一系列指令操作。
基于交通量预测的信号控制时段的划分设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作***531,例如Windows Serve、Vista等等。
本领域技术人员可以理解,图8示出的基于交通量预测的信号控制时段的划分设备结构并不构成对基于交通量预测的信号控制时段的划分设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行实施例一中的基于交通量预测的信号控制时段的划分方法的步骤。
实施例二中的模块如果以软件功能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介质中。基于这样的理解,本发明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的形式体现出来,该计算机软件存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-only memory,ROM)、随机存取存储器(Random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置及设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式。即使对本发明作出各种变化,倘若这些变化属于本发明权利要求及其等同技术的范围之内,则仍落入在本发明的保护范围之中。
Claims (5)
1.一种基于交通量预测的信号控制时段的划分方法,其特征在于,包括:
获取智能交通***中目标交叉口的过车数据,所述过车数据包括目标交叉口的车辆通过时间、车牌号及路段编号;
基于稳定性检测算法,确定采样间隔;所述采样间隔为用于统计交通量序列的时间跨度,其中,交通量序列来自过车数据;
以所述采样间隔统计每天的交通量序列,采用ARIMA算法分别对工作日及非工作日,进行日交通量预测,得到目标交通量序列;
对目标交通量序列进行时段划分,采用蒙特卡罗算法确定最优时段划分点,生成交通固定配时信号的控制时段;
其中,所述基于稳定性检测算法,确定采样间隔进一步包括:
初始化时间跨度T,以时间跨度T划分一天的时间,得到n个时段;
在第任意一个时段内,在保证交通量序列能进行ADF稳定性检测的条件下,以不同的采样间隔,统计交通量序列,并进行ADF稳定检测;其中,交通量序列为在一个时段内,以某一采样间隔统计过车数据得到的交通量,并以时间的先后顺序排列的交通量序列;
若ADF稳定性检测成功,则将时间跨度T作为交通量预测的采样间隔;若ADF稳定性检测失败,则更改时间跨度T,直至ADF稳定性检测成功;
所述采用ARIMA算法分别对工作日及非工作日,进行日交通量预测,进一步包括:
统计目标交叉口连续一月的交通量时间序列,得到目标时间序列;以时间为横坐标、对于交通量为纵坐标,绘制交通量变化图,去除异常数据,得到连续多天的工作日交通量时间序列及非工作日交通量时间序列,作为ARIMA模型的训练集;以误差率err作为评价指标,对ARIMA模型进行训练;
采用训练好的ARIMA模型进行日交通量预测,得到目标交通量时间序列;
所述采用蒙特卡罗算法确定最优时段划分点进一步包括:
将目标交通量序列根据时间,划分为k个时段的交通量序列,以蒙特卡罗算法选择划分点,计算时段划分后第k个时段的交通量序列离差devk,以所有时段的交通量序列的离差和为目标函数,将目标函数最小化的划分点为最优时段分割。
2.如权利要求1所述的基于交通量预测的信号控制时段的划分方法,其特征在于,所述获取智能交通***中目标交叉口的过车数据进一步包括:
获取安装于道路交叉口的电子警察采集的过车数据,根据目标交叉口的路段编号,提取目标交叉口一天的过车数据。
3.一种基于交通量预测的信号控制时段的划分装置,用于实现权利要求1或2所述的基于交通量预测的信号控制时段的划分方法,其特征在于,包括:
数据获取模块,用于获取智能交通***中目标交叉口的过车数据,所述过车数据包括目标交叉口的车辆通过时间、车牌号及路段编号;
采样间隔计算模块,用于基于稳定性检测算法,确定采样间隔;所述采样间隔为用于统计交通量序列的时间跨度,其中,交通量序列来自过车数据;
交通量预测模块,用于以所述采样间隔统计每天的交通量序列,采用ARIMA算法分别对工作日及非工作日,进行日交通量预测,得到目标交通量序列;
时段划分模块,用于对目标交通量序列进行时段划分,采用蒙特卡罗算法确定最优时段划分点,生成交通固定配时信号的控制时段。
4.一种基于交通量预测的信号控制时段的划分设备,其特征在于,包括:
存储器和处理器,所述存储器中存储有指令,所述存储器和所述处理器通过线路互连;
所述处理器调用所述存储器中的所述指令,实现如权利要求1或2所述的基于交通量预测的信号控制时段的划分方法。
5.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1或2所述的基于交通量预测的信号控制时段的划分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111234320.XA CN113870591B (zh) | 2021-10-22 | 2021-10-22 | 基于交通量预测的信号控制时段的划分方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111234320.XA CN113870591B (zh) | 2021-10-22 | 2021-10-22 | 基于交通量预测的信号控制时段的划分方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870591A CN113870591A (zh) | 2021-12-31 |
CN113870591B true CN113870591B (zh) | 2023-08-01 |
Family
ID=78997215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111234320.XA Active CN113870591B (zh) | 2021-10-22 | 2021-10-22 | 基于交通量预测的信号控制时段的划分方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870591B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115083173B (zh) * | 2022-04-27 | 2023-08-29 | 同济大学 | 一种基于电警数据的单点定时信号控制时段划分方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036646A (zh) * | 2014-06-26 | 2014-09-10 | 公安部交通管理科学研究所 | 交叉口信号配时时段的划分方法 |
CN104867339A (zh) * | 2015-05-12 | 2015-08-26 | 上海应用技术学院 | 一种基于向量分析的交通信号配时时段划分方法 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN110276966A (zh) * | 2019-07-25 | 2019-09-24 | 上海应用技术大学 | 交叉口信号控制时段划分方法 |
CN110517485A (zh) * | 2019-08-09 | 2019-11-29 | 大连理工大学 | 一种基于时段划分的短时交通流预测方法 |
CN110634292A (zh) * | 2019-09-19 | 2019-12-31 | 北京航空航天大学 | 一种基于路阻性能函数的行程时间可靠性估计方法 |
KR20200090528A (ko) * | 2019-01-21 | 2020-07-29 | 한국과학기술원 | 분산 예측 기반의 교통신호 제어 시스템 및 그 방법 |
CN112652164A (zh) * | 2020-12-02 | 2021-04-13 | 北京北大千方科技有限公司 | 一种交通时段划分方法、装置及设备 |
KR20210091569A (ko) * | 2020-01-14 | 2021-07-22 | 렉스젠(주) | 교통 신호 제어 시스템 및 그 방법 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615361B (zh) * | 2018-05-10 | 2021-05-07 | 江苏智通交通科技有限公司 | 基于多维时间序列分段的路口控制时段划分方法及*** |
CN108877223A (zh) * | 2018-07-13 | 2018-11-23 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN110853380B (zh) * | 2019-10-15 | 2021-09-03 | 同济大学 | 一种基于轨迹数据的信号控制时段划分方法 |
CN110782667A (zh) * | 2019-10-30 | 2020-02-11 | 北京百度网讯科技有限公司 | 信号灯分时段配时方法、装置、电子设备及存储介质 |
CN113593262B (zh) * | 2019-11-14 | 2022-09-27 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
GB2605130B (en) * | 2021-03-17 | 2023-08-16 | Xan Labs Int Ltd | Method and system of predictive traffic flow and of traffic light control |
CN113420925B (zh) * | 2021-06-28 | 2022-08-19 | 北京航空航天大学 | 一种基于朴素贝叶斯的交通健康预测方法及*** |
-
2021
- 2021-10-22 CN CN202111234320.XA patent/CN113870591B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036646A (zh) * | 2014-06-26 | 2014-09-10 | 公安部交通管理科学研究所 | 交叉口信号配时时段的划分方法 |
CN104867339A (zh) * | 2015-05-12 | 2015-08-26 | 上海应用技术学院 | 一种基于向量分析的交通信号配时时段划分方法 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
KR20200090528A (ko) * | 2019-01-21 | 2020-07-29 | 한국과학기술원 | 분산 예측 기반의 교통신호 제어 시스템 및 그 방법 |
CN110276966A (zh) * | 2019-07-25 | 2019-09-24 | 上海应用技术大学 | 交叉口信号控制时段划分方法 |
CN110517485A (zh) * | 2019-08-09 | 2019-11-29 | 大连理工大学 | 一种基于时段划分的短时交通流预测方法 |
CN110634292A (zh) * | 2019-09-19 | 2019-12-31 | 北京航空航天大学 | 一种基于路阻性能函数的行程时间可靠性估计方法 |
KR20210091569A (ko) * | 2020-01-14 | 2021-07-22 | 렉스젠(주) | 교통 신호 제어 시스템 및 그 방법 |
CN112652164A (zh) * | 2020-12-02 | 2021-04-13 | 北京北大千方科技有限公司 | 一种交通时段划分方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113870591A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Deeptravel: a neural network based travel time estimation model with auxiliary supervision | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和*** | |
CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN106503840B (zh) | 停车场可用车位预测方法及*** | |
Thomas et al. | Predictions of urban volumes in single time series | |
CN109191842B (zh) | 基于实时通行能力的拥堵调控策略推荐方法及*** | |
CN101673463A (zh) | 一种基于时间序列的交通信息预测方法及装置 | |
CN113870591B (zh) | 基于交通量预测的信号控制时段的划分方法、装置及设备 | |
CN113159374B (zh) | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 | |
CN114023073B (zh) | 一种基于车辆行为分析的高速公路拥堵预测方法 | |
CN113223291B (zh) | 停车场空闲车位数量预测***及方法 | |
CN111291216B (zh) | 一种基于人脸结构化数据的落脚点分析方法和*** | |
CN111815973B (zh) | 信号交叉口分析方法及相关设备 | |
CN107798877A (zh) | 一种基于高速公路收费数据对交通量进行预测的方法及*** | |
CN111009123A (zh) | 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及*** | |
CN111179601A (zh) | 隧道交通运行管控方法 | |
CN114647684A (zh) | 基于stacking算法的流量预测方法、装置及相关设备 | |
CN110956826B (zh) | 一种交通信号配时方案的生成方法、生成装置及存储介质 | |
CN112652168B (zh) | 一种重大交通事故预警方法、***及存储介质 | |
CN112150045B (zh) | 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测*** | |
CN109523788B (zh) | 一种路段运行效果评价方法 | |
CN112489439A (zh) | 一种基于大数据的交通管控方法、存储介质 | |
CN116665444A (zh) | 考虑事故风险的快速路匝道控制及可变限速协同控制方法 | |
Tišljarić et al. | Traffic state estimation using speed profiles and convolutional neural networks | |
CN113470376B (zh) | 基于卡口过车数据的实时区域在途车辆计数方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |