CN115331425B - 一种交通预警方法、装置和*** - Google Patents
一种交通预警方法、装置和*** Download PDFInfo
- Publication number
- CN115331425B CN115331425B CN202210770647.7A CN202210770647A CN115331425B CN 115331425 B CN115331425 B CN 115331425B CN 202210770647 A CN202210770647 A CN 202210770647A CN 115331425 B CN115331425 B CN 115331425B
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- special area
- path
- marking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 230000003137 locomotive effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种交通预警方法、装置和***。该方法包括：标记特殊区域，建立对应特殊区域的路网拓扑图；关联城市路网模型，采集特殊区域的交通数据；构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器；将关键交通检测器采集的数据转换为交通流空间密度，并依据交通流空间密度设置区域交通预警的压力阈值；依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据；依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警。本发明提供的方案能够在保证模型精度的前提下，减少输入样本量，降低训练压力，减小过拟合的技术效果。
Description
技术领域
本发明涉及交通路网技术应用领域，尤其涉及一种交通预警方法、装置和***。
背景技术
随着私人汽车保有量的增多，城市道路供需之间的矛盾日益加剧，道路上行车环境也更加复杂，交通拥堵的情况时常发生，普遍降低了出行者的行车速度，行程时间增大，因此需要交通拥堵预警技术及时发现拥堵点，并高效地对工作人员分配任务，快速处理堵塞，帮助出行者更有效地规划出行路线，节约出行时间。
但是传统道路拥堵预警多针对于单节点，覆盖范围小，当监测的路口即将存在拥堵时就会发出警报，无法根据实际道路流通情况及时针对拥堵上下流进行监测和提前预警，在一些特定时间段特殊区域如医院学校等交通密度大的建筑周边拥堵现象严重时，传统的交通预警***无法快速判断交通压力的种类和问题来源，进而导致无法有效快速处理疏通问题路段，难以快速高效缓解交通堵塞，难以保证交通的顺畅性。
针对上述由于相关技术中无法快速判断交通压力的种类和问题来源，进而导致无法有效快速处理疏通问题路段，难以快速高效缓解交通堵塞，难以保证交通的顺畅性的问题，目前尚未提出有效的解决方案。
发明内容
为解决上述技术问题，本发明期望提供一种交通预警方法、装置和***，以至少解决由于相关技术中无法快速判断交通压力的种类和问题来源，进而导致无法有效快速处理疏通问题路段，难以快速高效缓解交通堵塞，难以保证交通的顺畅性的问题。
本发明的技术方案是这样实现的：
第一方面，本发明提供一种交通预警方法，包括：标记特殊区域，建立对应特殊区域的路网拓扑图；关联城市路网模型，采集特殊区域的交通数据；构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器；将关键交通检测器采集的数据转换为交通流空间密度，并依据交通流空间密度设置区域交通预警的压力阈值；依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据；依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警。
可选的，标记特殊区域，建立对应特殊区域的路网拓扑图包括：标记特殊区域，其中，特殊区域为在特定时间段存在大于预设阈值的通行需求的建筑或设施及其周边预设相邻范围的道路设施所覆盖的区域；筛选特殊区域的中心节点，并将中心节点预设相邻范围的路口设置为节点，以节点为中心，将节点的所有关联路段作为与中心节点相近的路段，建立特殊区域的路网拓扑图。
进一步地，可选的，通过关联城市路网模型，采集路网拓扑图中区域路网模型的交通数据包括：通过关联城市路网模型，根据各路段的交通检测器采集路网拓扑图中区域路网模型的交通数据，其中，交通数据包括：区域路网模型的数据和交通检测器数据。
可选的，构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器包括：基于历史交通检测器数据，筛选中心节点周围通过的车辆，跟踪车辆轨迹，反推车辆在特殊区域内的行车路径，构建路径库；基于历史交通数据，统计路径在指定周期内的流量数据得到各路径的流量特征；基于实时交通数据，统计指定周期内流入中心节点的流量数据得到中心节点的流量特征；通过路径的流量特征和中心节点的流量特征的相关系数判断路径与中心节点的相关性，依据相关性筛选目标路径；对各相关性对应的目标路径，按对应目标路径的权重考虑路径流量对区域拥堵的影响，路径上依据流向，选取路段中安装在流向上的交通检测器，作为关键交通检测器。
进一步地，可选的，该方法还包括：对于路径中缺失卡口设备的路段，采用路径搜索算法搜索最短路径，补全路径。
可选的，将关键交通检测器采集的数据转换为交通流空间密度包括：使用流量或车头间距，按照标准小型汽车长度与车头间距之和计算当前排队长度的近似值，并将当前排队长度的近似值与路段长度进行比较，得到路段的第一交通流空间密度；使用车头时距，将连续两辆车通过固定点中关键交通检测器采集的时间间隔和路段自由流速度相乘，得到距离间隔，将距离间隔与路段长度对比得到路段的第二交通流空间密度；将第一交通流空间密度和第二交通流空间密度进行归一化处理，对归一化处理后的数据进行加权平均，得出路段的目标交通流空间密度。
进一步地，可选的，依据交通流空间密度设置区域交通预警的压力阈值包括：依据交通流空间密度对交通压力分类，设置区域交通预警的压力阈值；其中，交通压力分类包括流入压力和内部压力；压力阈值设置有多组。
可选的，依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据包括：根据压力阈值的压力报警获取区域实时拥堵情况并报警，并通过人工确认实时拥堵情况，标记正确的感知结果，生成标记数据；其中，人工确认，通过监控、交通指标对比进行实时或离线确认。
进一步地，可选的，依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警包括：对目标路径中的关键交通检测器数据按时间排序，进行数据处理得到目标路径的交通状态指标，并关联标记数据的拥堵标签；输入神经网络时序模型进行训练，得到时序拥堵预警模型；利用状态估计算法，对通过测试集得到的时间序列预测结果进行调整，训练得到特殊区域的拥堵预测模型；依据拥堵预测模型对特殊区的交通情况进行预警。
第二方面，本发明提供一种交通预警装置，包括：建立模块，用于标记特殊区域，建立对应特殊区域的路网拓扑图；采集模块，用于关联城市路网模型，采集路网拓扑图中区域路网模型的交通数据；筛选模块，用于构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器；转换模块，用于将关键交通检测器采集的数据转换为交通流空间密度，并依据交通流空间密度设置区域交通预警的压力阈值；标记模块，用于依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据；预警模块，用于依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警。
第三方面，本发明提供一种交通预警***，包括：标记模块，用于对特殊区域进行划分标记；数据采集模块，用于对重点路段路网模型和交通数据进行采集；数据转化模块，用于对采集的数据进行转化计算；重点路径监控模块，用于监控区域中重点路径的实时整体交通状态及基于相关性权重展示热力图；实时拥堵感知模块，用于对特殊区域路网进行实时报警，并由人工进行警情确认；拥堵预警模块，将实时数据输入到离线模型库进行拥堵预测，发出预警信号；
其中，数据转化模块包括：长度数据转化模块，用于对标准小型汽车长度与车头间距之和计算当前排队长度的近似值，并将结果与路段长度进行比较，得到路段的第一交通流空间密度；速度数据转化模块，用于对连续两辆车通过固定点的时间间隔和路段自由流速度做对比，得到距离间隔，并将距离间隔与路段长度对比得到路段的第二交通流空间密度。
本发明提供了一种交通预警方法、装置和***。通过标记特殊区域，建立对应特殊区域的路网拓扑图；关联城市路网模型，采集特殊区域的交通数据；构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器；将关键交通检测器采集的数据转换为交通流空间密度，并依据交通流空间密度设置区域交通预警的压力阈值；依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据；依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警，从而能够在保证模型精度的前提下，减少输入样本量，降低训练压力，减小过拟合的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一提供的一种交通预警方法的流程示意图；
图2为本发明实施例一提供的一种交通预警方法中路网拓扑图的示意图；
图3为本发明实施例二提供的一种交通预警装置的示意图；
图4为本发明实施例三提供的一种交通预警***的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。
还需要说明是，本发明下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。
实施例一
第一方面，本发明实施例提供一种交通预警方法，图1为本发明实施例一提供的一种交通预警方法的流程示意图；如图1所示，本申请实施例提供的交通预警方法包括：
步骤S101，标记特殊区域，建立对应特殊区域的路网拓扑图；
可选的，步骤S101中标记特殊区域，建立对应特殊区域的路网拓扑图包括：标记特殊区域，其中，特殊区域为在特定时间段存在大于预设阈值的通行需求的建筑或设施及其周边预设相邻范围的道路设施所覆盖的区域；筛选特殊区域的中心节点，并将中心节点预设相邻范围的路口设置为节点，以节点为中心，将节点的所有关联路段作为与中心节点相近的路段，建立特殊区域的路网拓扑图。
其中，本申请实施例中特殊区域包括但不限于：商场、学校、医院、景区，其中景区可能存在多个中心节点；
需要说明的是，本申请实施例中建立对应特殊区域的路网拓扑图如图2所示，图2为本发明实施例一提供的一种交通预警方法中路网拓扑图的示意图。为满足后续计算需求，中心建筑的路口筛选的范围需包含三层路口。
步骤S102，关联城市路网模型，采集特殊区域的交通数据；
具体的，步骤S102中关联城市路网模型，采集特殊区域的交通数据包括：通过关联城市路网模型，根据各路段的交通检测器采集路网拓扑图中区域路网模型的交通数据，其中，交通数据包括：区域路网模型的数据和交通检测器数据。
其中，区域路网模型的数据可以包括：道路、路段、路口、车道数据；交通检测器数据包括：流量、占有率、车头时距、排队长度数据；
在本申请实施例中，区域路网模型内的交通数据通过地磁、卡口等交通检测器采集，交通检测器以车辆为检测目标，检测车辆的信息以及通过状况，同时计算或统计各种交通参数，如流量、占有率、车头时距、排队长度等，其作用是为控制***提供多维度的交通信息以便进行信号控制。
其中，流量为单位时间内通过检测器的车辆数；
占有率则包括时间占有率和空间占有率，时间占有率指在道路的任一路段上，车辆通过时间的累计值与观测总时间的比值称为时间占有率；计算公式为
空间占有率指在道路的一定路段上，车辆总长度与路段总长度之比称为空间占有率，通常以百分数表示，计算公式为：
其中，R为占有率，L为道路段长度，T为车辆通过时间的累计值；
车头时距为交通流中两个连续的车辆通过固定点的时间间隔；
排队长度为交叉口等待通过的车流长度；
其中，在流量与占有率的关系中，流量小的情况下，对应的占有率存在偏小和偏大两种情况。流量小且占有率小，说明路段交通压力较小，通行车辆均能顺畅通过路段；流量小而占有率大，说明路段存在拥堵状况，通过车辆较少，也可能存在车辆长时间滞留在检测器的检测区域内的情况，方便提醒执勤工作人员及时处理。
步骤S103，构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器；
可选的，步骤S103中构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器包括：基于历史交通检测器数据，筛选所述中心节点周围通过的车辆，跟踪车辆轨迹，反推车辆在所述特殊区域内的行车路径，构建所述路径库；基于历史交通数据，统计所述路径在指定周期内的流量数据得到各路径的流量特征；并基于实时交通数据，统计指定周期内流入所述中心节点的流量数据得到所述中心节点的流量特征；通过所述路径的流量特征和所述中心节点的流量特征的相关系数判断所述路径与所述中心节点的相关性，依据所述相关性筛选目标路径；对各相关性对应的所述目标路径，按对应所述目标路径的权重考虑路径流量对区域拥堵的影响，所述路径上依据流向，选取路段中安装在所述流向上的交通检测器，作为所述关键交通检测器。
进一步地，可选的，本申请实施例提供的交通预警方法还包括：对于路径中缺失卡口设备的路段，采用路径搜索算法搜索最短路径，补全路径。
可选的，本申请实施例提供的交通预警方法还包括：根据路径历史数据与中心建筑的实时数据的相似性，从历史数据中得到路径流量模型，识别目标路径。
具体的，基于历史卡口检测器数据，筛选中心建筑周围通过的车辆，跟踪车辆轨迹，反推车辆在特殊区域内的行车路径。筛选中心建筑周围通过的车辆，需要在筛选车辆经过中心建筑最近的卡口，并且在一定时间段内没有经过下一个检测器的车辆。关联卡口检测器设备与路网，倒序排列每辆车的卡口数据，判断时间相邻的数据对应的卡口是否在空间上属于相连的路段。若属于相连路段，则将路段计入路径；否则，采用Dijkstra、Floyd等算法(即，本申请实施例中的路径搜索算法)搜索相邻时间的两个卡口之间的最短路径，进行路径补全。整合数据聚合得到的路径，生成特殊区域中的路径库。
其中，以一定粒度按路径聚合历史数据，取需要进行拥堵识别的时刻前一定时间窗的数据作为当前时刻不同路径的历史流量特征。同时，根据相同聚合粒度与时间窗取中心建筑周围检测器相同时刻前的数据，聚合为中心建筑流量特征，其中，中心建筑周围检测器指直接向中心建筑流入交通压力的路段上的检测器，通常为包围建筑的一圈路段上的检测器。以路径流量特征与中心建筑流量的相关系数判断路径与中心建筑交通状况相关性，按相关性可以动态筛选目标路径。使用时间窗选取部分数据是考虑到使用离该时刻相近的数据能更好地表征该时刻的交通特征。
对于不同相关性的目标路径，以相关系数作为权重考虑不同路径流量对区域拥堵不同程度的影响。路径上依据流向，选取路段中安装在流向上的交通检测器，作为关键交通检测器，用于计算路径的交通指标。
在本申请实施例中，计算流量相关性如下：
以10分钟粒度按路径聚合3个月历史数据，按时间序列排序得到每条路径一天内的历史流量特征。选取需要进行拥堵识别的时刻T，如15：10，取T时刻前1小时时间窗数据，即14：10～15：10之间的历史流量特征，作为该时间点的历史流量变化特征，记为X。同时，对实时数据同样按10分钟粒度聚合，取相同时间窗数据，作为中心建筑当前流量特征，记为Y。对X与Y计算相关性。
本申请实施例中，考虑到数据的非线性、连续性，过滤去除异常离群值后，采用皮尔逊相关系数计算方法，
其中，cov(X，Y)为X与Y的协方差，σX为X的标准差，σY为Y的标准差。相关系数介于-1～1之间，本实施例中，将小于0的系数置为0，表示该路径流量特征不符合中心建筑流量特征，向中心建筑输送交通压力的可能性较小。
在本申请实施例中，采用Dijkstra算法搜索最短路径的思路和过程如下：
若给定一个有N个节点带权值的有向图，首先设定一个数组D来保存出发点到各个节点的最短距离，再定义一个集合T来保存所有已经找到出发点到该点最短路径的节点。初始条件下，出发点至出发点的距离为0，出发点和与之有连接的节点之间的距离为相应的权值，无直接连接的节点距离定义为∞(无穷大),接着选出与出发点距离值最小的节点,将该点加入集合T,并以距出发点距离最小的节点为出发点，依次更新距出发点的距离值，即若该点距离值和该点到其他点的距离值之和小于出发点直接到达的距离值，则用该值替换直接到达值，否则不做改变，重复上述过程，直到T中包含了图中所有的节点，算法结束；
在本申请实施例中，采用Floyd算法搜索最短路径的思路和过程如下：
假设存在一个有N个节点的有向图或无向图,Floyd算法需要定义两个N×N的矩阵，记为D和P,D矩阵中的元素a[i][j]表示从顶点i到顶点j的距离，而P矩阵中的元素b[i][j]则表示从顶点i到顶点j中间经过的顶点。在初始状态；下，矩阵D表示每个顶点到其他各个顶点的距离，在计算机中通常为权重，若两点之间没有直接连接，则距离值为∞,而P矩阵初始状态下为所有b[i][j]元素的j值。记更新次数为K(共需要更新N次)，若(a[i][k-1]+a[k-1][j])<a[i][j],则用前者值替换后者的值，同时P矩阵中b[i][j]＝b[i][k-1],依次更新下去，直到更新次数为N,则算法结束，结合D矩阵与P矩阵，就得到从任意节点到其他所有节点的最短路径；
在本申请实施例中，通过统计行程终点为中心建筑的车辆行车路径，可以构建不同节点到中心建筑的通行路径库，筛选中心建筑周围流量与路径历史流量相关性较高的路径，得到特殊区域中的重要路径。
基于卡口检测器，建立节点与中心建筑的通行路径，对于缺失卡口的路段，采用Dijkstra、Floyd算法(即，本申请实施例中的路径搜索算法)搜索最短路径，建立通行路径库。在每个节点标记路径上的交通流向，得到路径上的关键车道。关联关键车道安装的车道级交通检测器，得到需要重点关注的关键检测器。
在本申请实施例中，筛选需要重点关注的检测器是为了排除无关车流对特殊区域拥堵感知的影响，相关性高的路段中包含了不同流向的交通流，根据重点关注的检测器可以得到最可能流入中心建筑的交通压力，实现精确压力分析。
步骤S104，将关键交通检测器采集的数据转换为交通流空间密度，并依据交通流空间密度设置区域交通预警的压力阈值；
可选的，步骤S104中将关键交通检测器采集的数据转换为交通流空间密度包括：使用流量或车头间距，按照标准小型汽车长度与车头间距之和计算当前排队长度的近似值，并将当前排队长度的近似值与路段长度进行比较，得到路段的第一交通流空间密度；使用车头时距，将连续两辆车通过固定点中关键交通检测器采集的时间间隔和路段自由流速度相乘，得到距离间隔，将距离间隔与路段长度对比得到路段的第二交通流空间密度；将第一交通流空间密度和第二交通流空间密度进行归一化处理，对归一化处理后的数据进行加权平均，得出路段的目标交通流空间密度。
进一步地，可选的，依据交通流空间密度设置区域交通预警的压力阈值包括：依据交通流空间密度对交通压力分类，设置区域交通预警的压力阈值；其中，交通压力分类包括流入压力和内部压力；压力阈值设置有多组。
具体的，节点上向区域传输交通流的路段存在交通流空间密度达到分位数阈值时，对区域内部的交通状况即将造成影响，为流入压力，与建筑相邻的路段的交通流空间密度达到阈值，说明建筑周围的交通压力较大，为内部压力。
在本申请实施例中，压力阈值设置有多组等级，不同的报警等级对应于特殊区域中某一个节点或多个节点达到拥堵的状况，可根据实际情况分为畅通、缓行、拥堵、严重拥堵等多重等级。
在本申请实施例中，对于压力报警的压力阈值是在车道级数据和路口设施模型的基础上，统计历史交通规律，得到不同路段的历史交通密度数据集，选择一组分位数来区分路段的拥堵与畅通状况，不同路段的交通状况不同，使用分位数作为压力阈值可以有针对性地基于路段本身历史交通规律得到预警的标准，同时分位数的调整可以根据调控人力与实际报警需求来调整，分位数数值设置较大时，问题区域数量少，但通常存在亟需解决的交通问题；降低分位数数值时，问题区域数量增多，有助于观察全域交通状况，可以根据实际情况灵活调节设计。
需要说明的是，在本申请实施例中可以按照用户要求调整报警灵敏度，对灵敏度要求高的场景，则只要达到1个阈值即进行报警，对要求低的场景，则需要达到均满足流入压力和内部压力对应的压力的情况。具体的，上述示例仅以作为本申请实施例提供的交通预警方法的优选示例，以实现本申请实施例提供的交通预警方法为准，具体不做限定。步骤S105，依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据；
可选的，步骤S105中依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据包括：根据压力阈值的压力报警获取区域实时拥堵情况并报警，并通过人工确认实时拥堵情况，标记正确的感知结果，生成标记数据；其中，人工确认，通过监控、交通指标对比进行实时或离线确认。
具体的，基于S103中的相关系数权重，按照拥堵报警业务需求定义介于0～1的权重阈值，满足权重要求的目标路径即认为在当前需要进行拥堵识别的时刻与中心建筑流量特征较为相似，该路径向中心建筑传输交通压力的可能性较大。当上述路径上的路段交通流空间密度达到预警阈值时，说明该路径向区域输入较多流量，对区域内部的交通状况即将造成影响，为流入压力，可以进行拥堵报警，对***交通流及流出区域的交通流进行疏导，可以引导信号配时人员定位具体问题，并可配合实行加大下游放行力度等措施，快速缓解交通压力。同时，整体考虑目标路径，对于存在多条路径拥堵的区域进行优先预警。
在本申请实施例中，人工对感知结果进行确认与标记是通过实时监控区域交通参数，记录满足压力阈值的警情，得到实时拥堵报警，并通过人工观察路口监控等方法对数据报警加以确认，进而得到拥堵报警准确性标签。
步骤S106，依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警。
可选的，步骤S106中依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警包括：对目标路径中的关键交通检测器数据按时间排序，进行数据处理得到目标路径的交通状态指标，并关联标记数据的拥堵标签；输入神经网络时序模型进行训练，得到时序拥堵预警模型；利用状态估计算法，对通过测试集得到的时间序列预测结果进行调整，训练得到特殊区域的拥堵预测模型；依据拥堵预测模型对特殊区的交通情况进行预警。
具体的，不同路径上包含的路段数量不同，路径上不同路段的重点检测器数量不同，因此需要对检测器数据进行聚合计算，以路段为单位计算流量和、平均占有率、平均交通流空间密度等指标，再以路径为单位计算交通指标平均值作为路径的指标。将上述路径指标数据按时间排序依次输入，构建特殊区域拥堵模型，标记拥堵标签，使用LSTM、RNN、GRU等神经网络时序模型进行循环计算，得出在拥堵发生前交通监测器的各项数据的阈值，将阈值数据记录标签，即得到特殊区域的拥堵预测标签。利用卡尔曼时间更新方程、最小二乘法等状态估计方法，对通过测试集得到的时间序列预测结果进行调整，得到混合模型预测的结果。
在本申请实施例中，使用重点路径上的关键检测器数据进行学习训练，排除对区域交通状况影响较小的检测器，可以在保证模型精度的前提下，减少输入样本量，降低训练压力，减小过拟合。
在本申请实施例中，时序模型是在一系列时刻按照时间次序，通过读取交通检测器内监测的交通流数据在每个时刻的变量，并将所获取的离散数据整合，进而得到时间序列模型；
在本申请实施例中，切分数据集属于AI训练学习***中的现有技术，包括将获取的数据集拆分出测试集和训练集并对样本进行测试和训练，其中拆分出来的测试集和训练集互斥，即测试样本尽量不在训练集中出现，未在训练集中使用过，以保证时序拥堵预警模型预警的准确度；
在本申请实施例中，根据卡尔曼时间更新方程对混合模型进行预测中，设定X(k)为k时刻的***状态，U(k)为k时刻对***的控制量，A和B为***参数，A为交通流空间密度变化参数，B为交通流控制量参数，对于混合模型来说他们为矩阵，Z(k)是k时刻的测量值，H为测量***的参数，W(k)和V(k)分别表述过程和测量的噪声，协方差分别用Q和R表示，且设定Q和R不随***状态变化而变化，引入一组线性随机微分方程：
X(k)＝AX(k-1)+BU(k)+W(k)
***测量值Z(k)＝HX(k)+V(k)；
首先根据***的过程模型，对下一状态进行预测；设定某一时刻***状态为k，根据***模型的上一状态可预测出某刻状态：
X(k|k-1)＝AX(k-1|k-1)+BU(k) (1)
X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为某刻状态的控制量，如果没有控制量，它可以为0；
到某刻为止，***结果已经更新，可是，对应于X(k|k-1)的协方差还没更新，用P表示；
P(k|k-1)＝AP(k-1|k-1)+A′+Q (2)
P(k|k-1)是X(k|k-1)对应的协方差，A’表示A的转置矩阵，Q是***过程的协方差，综合计算式(1)和(2)可以根据X(k|k-1)得到混合模型预测的结果并与预先设置的阈值相比较，若计算结果超过阈值，则说明预测结果下一时段会出现拥堵，此时发出预测拥堵警报。
本申请实施例提供的交通预警方法可以实现以特殊区域为中心，实时监测周边路段的交通流空间密度数据，出现拥堵时可以快速确定交通压力的种类和问题路段，实现对交通流空间密度过大时的及时拥堵感知和快速对问题路段实现处理和疏导，保证特殊区域周边的交通保持顺畅。并且可以自主调节特殊区域周边的拥堵感知阈值，有助于观察和操控全域交通状况，并可以通过交通检测器的数据及时对交通拥堵计算和预警，提前引导信号配时和人员定位处理，并可配合实行加大下游放行力度等措施，在整体上快速缓解交通压力。通过实时数据输入，可以对特殊区域路网实现实时报警，而且根据实时数据和离线模型库的数据匹配和计算可以***拥堵，方便指挥中心实时掌握特殊区域交通状况，且提前做出反应和指挥，对拥堵点做交通疏导，减小了拥堵的发生，保证了交通的顺畅。以及，在时间序列预测模型中，预测序列与真实的时间序列之间可能会存在一定的误差。通过对有误差的序列进行二次估计调优，重新对预测序列进行动态调整，可以提高预测精度。
本发明实施例提供了一种交通预警方法。通过标记特殊区域，建立对应特殊区域的路网拓扑图；关联城市路网模型，采集特殊区域的交通数据；构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器；将关键交通检测器采集的数据转换为交通流空间密度，并依据交通流空间密度设置区域交通预警的压力阈值；依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据；依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警，从而能够在保证模型精度的前提下，减少输入样本量，降低训练压力，减小过拟合的技术效果。
实施例二
第二方面，本发明实施例提供一种交通预警装置，图3为本发明实施例二提供的一种交通预警装置的示意图；如图3所示，本申请实施例提供的交通预警装置包括：建立模块31，用于标记特殊区域，建立对应特殊区域的路网拓扑图；采集模块32，用于关联城市路网模型，采集特殊区域的交通数据；筛选模块33，用于通过构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器；转换模块34，用于将关键交通检测器采集的数据转换为交通流空间密度，并依据交通流空间密度设置区域交通预警的压力阈值；标记模块35，用于依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据；预警模块36，用于依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警。
本发明实施例提供了一种交通预警装置。通过标记特殊区域，建立对应特殊区域的路网拓扑图；关联城市路网模型，采集特殊区域的交通数据；构建路径库，结合交通数据分析特殊区域内路径相关性，筛选关键交通检测器；将关键交通检测器采集的数据转换为交通流空间密度，并依据交通流空间密度设置区域交通预警的压力阈值；依据压力阈值获取特殊区域的拥堵信息，并对拥堵信息进行确认和标记，生成标记数据；依据标记数据和交通数据，训练拥堵预测模型，并通过拥堵预测模型对特殊区域的交通情况进行预警，从而能够在保证模型精度的前提下，减少输入样本量，降低训练压力，减小过拟合的技术效果。
实施例三
第三方面，本发明实施例提供一种交通预警***，图4为本发明实施例三提供的一种交通预警***的示意图；如图4所示，本申请实施例提供的交通预警***包括：标记模块41，用于对特殊区域进行划分标记；数据采集模块42，用于对重点路段路网模型和交通数据进行采集；数据转化模块43，用于对采集的数据进行转化计算；重点路径监控模块44，用于监控区域中重点路径的实时整体交通状态及基于相关性权重展示热力图；实时拥堵感知模块45，用于对特殊区域路网进行实时报警，并由人工进行警情确认；拥堵预警模块46，将实时数据输入到离线模型库进行拥堵预测，发出预警信号。
可选的，数据转化模块43包括：长度数据转化模块，用于对标准小型汽车长度与车头间距之和计算当前排队长度的近似值，并将结果与路段长度进行比较，得到路段的第一交通流空间密度；速度数据转化模块，用于对连续两辆车通过固定点的时间间隔和路段自由流速度做对比，得到距离间隔，并将距离间隔与路段长度对比得到路段的第二交通流空间密度。
具体的，如图4所示，标记模块41记作标记模块，数据采集模块42记作数据采集模块，数据转化模块43记作数据转化模块，重点路径监控模块44记作重点路径监控模块，实时拥堵感知模块45记作实时拥堵感知模块，拥堵预警模块46记作拥堵预警模块。
本申请实施例提供的交通预警***首先确认特殊区域，以特殊区域为中心，搜索最短路径并划分区域重点路段，然后进一步采集道路、路段、路口、车道、流量、占有率、车头时距、排队长度数据，然后对数据进行计算整合通过归一化处理并经过加权平均得出路段的整体交通流空间密度，然后将数据与交通检测器内部的交通参数做出匹配，其中，节点上向区域传输交通流的路段存在交通流空间密度达到预警阈值时，说明该上游路段向区域输入较多流量，对区域内部的交通状况即将造成影响，为流入压力，可以进行预警，提前对***交通流进行疏导；
通过实时数据输入，可以对特殊区域路网实现实时报警，而且根据实时数据和离线模型库的数据匹配和计算可以***拥堵，方便指挥中心提前做出反应和指挥，提前对拥堵点做交通疏导，大大减小了拥堵的发生，保证了交通的顺畅；
同时，对于与特殊区域相邻的路段交通流空间密度达到阈值时，说明特殊区域周围的交通压力较大，可以通过检测器对该交通问题进行预警，可以引导信号配时人员定位具体问题，并可配合实行加大下游放行力度等措施，快速缓解交通压力。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
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。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (9)
1.一种交通预警方法，其特征在于，包括：
标记特殊区域，筛选所述特殊区域的中心节点，建立对应所述特殊区域的路网拓扑图；其中，所述特殊区域为在特定时间段存在大于预设阈值的通行需求的建筑或设施及其周边预设相邻范围的道路设施所覆盖的区域；
关联城市路网模型，采集所述特殊区域的交通数据；
构建路径库，结合所述交通数据分析所述特殊区域内路径相关性，筛选关键交通检测器，其中，分析所述特殊区域内路径相关性，筛选关键交通检测器包括：通过所述路径的流量特征和中心节点的流量特征的相关系数判断所述路径与所述中心节点的相关性，依据相关性筛选目标路径，选取路段中安装在流向上的交通检测器，作为所述关键交通检测器；
将所述关键交通检测器采集的数据转换为交通流空间密度，并依据所述交通流空间密度设置区域交通预警的压力阈值；
依据所述压力阈值获取所述特殊区域的拥堵信息，并对所述拥堵信息进行确认和标记，生成标记数据；
依据所述标记数据和交通数据，训练拥堵预测模型，并通过所述拥堵预测模型对所述特殊区域的交通情况进行预警。
2.根据权利要求1所述的交通预警方法，其特征在于，所述标记特殊区域，筛选所述特殊区域的中心节点，建立对应所述特殊区域的路网拓扑图包括：
标记所述特殊区域，其中，所述特殊区域为在特定时间段存在大于预设阈值的通行需求的建筑或设施及其周边预设相邻范围的道路设施所覆盖的区域；
筛选所述特殊区域的中心节点，并将所述中心节点预设相邻范围的路口设置为节点，以所述节点为中心，将所述节点的所有关联路段作为与所述中心节点相近的路段，建立所述特殊区域的所述路网拓扑图。
3.根据权利要求2所述的交通预警方法，其特征在于，所述构建路径库，结合所述交通数据分析所述特殊区域内路径相关性，筛选关键交通检测器包括：
基于历史交通检测器数据，筛选所述中心节点周围通过的车辆，跟踪车辆轨迹，反推车辆在所述特殊区域内的行车路径，构建所述路径库；
基于历史交通数据，统计所述路径在指定周期内的流量数据得到各路径的流量特征；并基于实时交通数据，统计指定周期内流入所述中心节点的流量数据得到所述中心节点的流量特征；
通过所述路径的流量特征和所述中心节点的流量特征的相关系数判断所述路径与所述中心节点的相关性，依据所述相关性筛选目标路径；
对各相关性对应的所述目标路径，按对应所述目标路径的权重考虑路径流量对区域拥堵的影响，所述路径上依据流向，选取路段中安装在所述流向上的交通检测器，作为所述关键交通检测器。
4.根据权利要求3所述的交通预警方法，其特征在于，所述方法还包括：
对于所述路径中缺失卡口设备的路段，采用路径搜索算法搜索最短路径，补全路径。
5.根据权利要求3所述的交通预警方法，其特征在于，所述将所述关键交通检测器采集的数据转换为交通流空间密度包括：
使用流量或车头间距，按照标准小型汽车长度与车头间距之和计算当前排队长度，并将所述当前排队长度与路段长度进行比较，得到路段的第一交通流空间密度；
使用车头时距将连续两辆车通过固定点中所述关键交通检测器采集的时间间隔和路段自由流速度相乘，得到距离间隔，将距离间隔与路段长度对比得到路段的第二交通流空间密度；
将所述第一交通流空间密度和所述第二交通流空间密度进行归一化处理，对归一化处理后的数据进行加权平均，得出路段的目标交通流空间密度。
6.根据权利要求5所述的交通预警方法，其特征在于，所述依据所述交通流空间密度设置区域交通预警的压力阈值包括：
依据所述交通流空间密度对交通压力分类，设置所述区域交通预警的压力阈值；
其中，所述交通压力分类包括流入压力和内部压力；所述压力阈值设置有多组。
7.根据权利要求6所述的交通预警方法，其特征在于，所述依据所述压力阈值获取所述特殊区域的拥堵信息，并对所述拥堵信息进行确认和标记，生成标记数据包括：
根据所述压力阈值的压力报警获取区域实时拥堵情况并报警，并通过人工确认所述实时拥堵情况，标记正确的感知结果，生成所述标记数据；
其中，所述人工确认，通过监控、交通指标对比进行实时或离线确认。
8.根据权利要求7所述的交通预警方法，其特征在于，所述依据所述标记数据和交通数据，训练拥堵预测模型，并通过所述拥堵预测模型对所述特殊区域的交通情况进行预警包括：
对所述目标路径中的所述关键交通检测器数据按时间排序，进行数据处理得到所述目标路径的交通状态指标，并关联所述标记数据的拥堵标签；
输入神经网络时序模型进行训练，得到时序拥堵预警模型；
利用状态估计算法，对通过测试集得到的时间序列预测结果进行调整，训练得到所述特殊区域的拥堵预测模型；
依据所述拥堵预测模型对所述特殊区域的交通情况进行预警。
9.一种交通预警装置，其特征在于，包括：
建立模块，用于标记特殊区域，筛选所述特殊区域的中心节点，建立对应所述特殊区域的路网拓扑图；其中，所述特殊区域为在特定时间段存在大于预设阈值的通行需求的建筑或设施及其周边预设相邻范围的道路设施所覆盖的区域；
采集模块，用于关联城市路网模型，采集所述路网拓扑图中区域路网模型的交通数据；
筛选模块，用于构建路径库，结合所述交通数据分析所述特殊区域内路径相关性，筛选关键交通检测器，其中，分析所述特殊区域内路径相关性，筛选关键交通检测器包括：通过所述路径的流量特征和中心节点的流量特征的相关系数判断所述路径与所述中心节点的相关性，依据相关性筛选目标路径，选取路段中安装在流向上的交通检测器，作为所述关键交通检测器；
转换模块，用于将所述关键交通检测器采集的数据转换为交通流空间密度，并依据所述交通流空间密度设置区域交通预警的压力阈值；
标记模块，用于依据所述压力阈值获取所述特殊区域的拥堵信息，并对所述拥堵信息进行确认和标记，生成标记数据；
预警模块，用于依据所述标记数据和交通数据，训练拥堵预测模型，并通过所述拥堵预测模型对所述特殊区域的交通情况进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210770647.7A CN115331425B (zh) | 2022-06-30 | 2022-06-30 | 一种交通预警方法、装置和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210770647.7A CN115331425B (zh) | 2022-06-30 | 2022-06-30 | 一种交通预警方法、装置和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115331425A CN115331425A (zh) | 2022-11-11 |
| CN115331425B true CN115331425B (zh) | 2023-12-19 |
Family
ID=83917088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210770647.7A Active CN115331425B (zh) | 2022-06-30 | 2022-06-30 | 一种交通预警方法、装置和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115331425B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115809768B (zh) * | 2022-11-16 | 2023-09-29 | 大同市规划设计研究总院有限责任公司 | 一种智慧城市信息资源展示***及方法 |
| CN116453333B (zh) * | 2023-03-24 | 2024-04-16 | 阿波罗智联(北京)科技有限公司 | 用于预测主要车流路径的方法及模型训练方法 |
| CN116386336B (zh) * | 2023-05-29 | 2023-08-08 | 四川国蓝中天环境科技集团有限公司 | 基于卡口车牌数据的路网交通流量鲁棒计算方法及*** |
| CN117576908B (zh) * | 2023-11-21 | 2024-04-26 | 青岛格仑特新能源车辆制造有限公司 | 一种基于物联网的智能警用车载控制***及方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008217309A (ja) * | 2007-03-02 | 2008-09-18 | Nec Corp | フレキシブルネットワークシステム、それを使用する情報収集装置および方法 |
| JP2011039574A (ja) * | 2009-08-06 | 2011-02-24 | Shouwa Dengiken Kk | 混雑状況配信システム及び混雑状況配信方法 |
| US8566030B1 (en) * | 2011-05-03 | 2013-10-22 | University Of Southern California | Efficient K-nearest neighbor search in time-dependent spatial networks |
| CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
| CN105825677A (zh) * | 2016-05-31 | 2016-08-03 | 武汉大学 | 一种基于改进bml模型的城市交通拥堵预测方法 |
| CN106846805A (zh) * | 2017-03-06 | 2017-06-13 | 南京多伦科技股份有限公司 | 一种动态路网交通需求预测方法及其*** |
| CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 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 |
| CN111553539A (zh) * | 2020-05-09 | 2020-08-18 | 上海大学 | 一种基于概率模型检验的行驶路径规划方法 |
| CN111932036A (zh) * | 2020-09-23 | 2020-11-13 | 中国科学院地理科学与资源研究所 | 基于位置大数据的精细时空尺度动态人口预测方法及*** |
| CN112365708A (zh) * | 2020-09-29 | 2021-02-12 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
| CN112950940A (zh) * | 2021-02-08 | 2021-06-11 | 中冶南方城市建设工程技术有限公司 | 一种道路施工期的交通分流方法 |
| CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
| DE102020202342A1 (de) * | 2020-02-24 | 2021-08-26 | Zf Friedrichshafen Ag | Cloud-Plattform für automatisierte Mobilität und computerimplementiertes Verfahren zur Bereitstellung einer Cloud basierten Datenanreicherung an die automatisierte Mobilität |
| CN114202917A (zh) * | 2021-12-02 | 2022-03-18 | 安徽庐峰交通科技有限公司 | 基于动态交通流短时预测的施工区域交通控制与诱导方法 |
| CN114495489A (zh) * | 2021-12-30 | 2022-05-13 | 中智行(上海)交通科技有限公司 | 一种路口车道拓扑连接关系生成方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180091981A1 (en) * | 2016-09-23 | 2018-03-29 | Board Of Trustees Of The University Of Arkansas | Smart vehicular hybrid network systems and applications of same |
-
2022
- 2022-06-30 CN CN202210770647.7A patent/CN115331425B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008217309A (ja) * | 2007-03-02 | 2008-09-18 | Nec Corp | フレキシブルネットワークシステム、それを使用する情報収集装置および方法 |
| JP2011039574A (ja) * | 2009-08-06 | 2011-02-24 | Shouwa Dengiken Kk | 混雑状況配信システム及び混雑状況配信方法 |
| US8566030B1 (en) * | 2011-05-03 | 2013-10-22 | University Of Southern California | Efficient K-nearest neighbor search in time-dependent spatial networks |
| CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
| CN105825677A (zh) * | 2016-05-31 | 2016-08-03 | 武汉大学 | 一种基于改进bml模型的城市交通拥堵预测方法 |
| CN106846805A (zh) * | 2017-03-06 | 2017-06-13 | 南京多伦科技股份有限公司 | 一种动态路网交通需求预测方法及其*** |
| CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 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 |
| DE102020202342A1 (de) * | 2020-02-24 | 2021-08-26 | Zf Friedrichshafen Ag | Cloud-Plattform für automatisierte Mobilität und computerimplementiertes Verfahren zur Bereitstellung einer Cloud basierten Datenanreicherung an die automatisierte Mobilität |
| CN111553539A (zh) * | 2020-05-09 | 2020-08-18 | 上海大学 | 一种基于概率模型检验的行驶路径规划方法 |
| CN111932036A (zh) * | 2020-09-23 | 2020-11-13 | 中国科学院地理科学与资源研究所 | 基于位置大数据的精细时空尺度动态人口预测方法及*** |
| CN112365708A (zh) * | 2020-09-29 | 2021-02-12 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
| CN112950940A (zh) * | 2021-02-08 | 2021-06-11 | 中冶南方城市建设工程技术有限公司 | 一种道路施工期的交通分流方法 |
| CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
| CN114202917A (zh) * | 2021-12-02 | 2022-03-18 | 安徽庐峰交通科技有限公司 | 基于动态交通流短时预测的施工区域交通控制与诱导方法 |
| CN114495489A (zh) * | 2021-12-30 | 2022-05-13 | 中智行(上海)交通科技有限公司 | 一种路口车道拓扑连接关系生成方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘宜成等.基于DTW算法的时空图卷积路网交通流量预测研究.《交通运输***工程与信息》.2022,第1-17页. * |
| 基于GIS的交通事故信息***研究;谭健妹;刘清君;邹小梅;;山西科技(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115331425A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115331425B (zh) | 一种交通预警方法、装置和*** | |
| CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
| CN108269401B (zh) | 一种基于数据驱动的高架桥交通拥堵预测方法 | |
| Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
| Innamaa | Short-term prediction of travel time using neural networks on an interurban highway | |
| Kim et al. | Diagnosis and prediction of traffic congestion on urban road networks using Bayesian networks | |
| CN108091132B (zh) | 一种交通流量预测方法及装置 | |
| CN108492555A (zh) | 一种城市路网交通状态评价方法及装置 | |
| US20220254249A1 (en) | Traffic event and road condition identification and classification | |
| CN108184203B (zh) | 基于运营商位置信令的多级防控方法、装置、设备及介质 | |
| US12046135B2 (en) | Method and system of predictive traffic flow and of traffic light control | |
| CN109615851B (zh) | 一种在群智感知***中基于关键路段的感知节点选取方法 | |
| CN107146409B (zh) | 路网中设备检测时间异常的识别和真实时差估算方法 | |
| Vanajakshi | Estimation and prediction of travel time from loop detector data for intelligent transportation systems applications | |
| Guo et al. | Short-term traffic prediction under normal and abnormal traffic conditions on urban roads | |
| Huang et al. | Traffic system anomaly detection using spatiotemporal pattern networks | |
| Liu et al. | Developments and applications of simulation-based online travel time prediction system: traveling to Ocean City, Maryland | |
| CN116631195B (zh) | 一种基于城市子区域热点路口挖掘的区域异常检测方法 | |
| CN116597649B (zh) | 一种基于高速公路收费***的路网交通流量推演方法 | |
| CN112199454A (zh) | 一种基于有向图的管控车辆拦截点设置方法及装置 | |
| CN109448379A (zh) | 一种社交媒体数据偶发***通事件的识别及定位方法 | |
| Khoury et al. | Performance comparison of automatic vehicle identification and inductive loop traffic detectors for incident detection | |
| KR100532145B1 (ko) | 교통정보 제공장치에서의 원시자료 수집 제공 장치 | |
| Ivan et al. | Incident detection using vehicle-based and fixed-location surveillance | |
| Dervisoglu | Automatic Calibration of Freeway Models with Model-Based Sensor Fault Detection |
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 |