DE112020001662T5 - Method and system for extracting characteristics of traffic flow - Google Patents
Method and system for extracting characteristics of traffic flow Download PDFInfo
- Publication number
- DE112020001662T5 DE112020001662T5 DE112020001662.5T DE112020001662T DE112020001662T5 DE 112020001662 T5 DE112020001662 T5 DE 112020001662T5 DE 112020001662 T DE112020001662 T DE 112020001662T DE 112020001662 T5 DE112020001662 T5 DE 112020001662T5
- Authority
- DE
- Germany
- Prior art keywords
- trajectory
- point
- points
- cluster
- accordance
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
Die vorliegende Erfindung offenbart ein Verfahren und System zum Extrahieren von Merkmalen des Verkehrsflusses, wobei das Verfahren die folgenden Schritte umfasst: S100: Erfassen historischer Trajektoriendaten von mehreren Fahrzeugen durch das Internet der Dinge, Erhalten eines Satzes von Ausgangspunkten und eines Satzes von Endpunkten basierend auf voreingestellten Regeln und Extrahieren von Trajektorienzeitverteilungsmerkmalen von den Fahrzeugen;S200: basierend auf der Knotendichte, jeweiliges Bestimmen von mehreren Schlüsselpunkten eines einzelnen Fahrzeugs in Übereinstimmung mit den historischen Trajektoriendaten, Generieren eines Satzes von Schlüsselpunkten und Erhalten von Trajektorien-Hotspot-Bereichsmerkmalen in Übereinstimmung mit dem Satz von Schlüsselpunkten;S300: Bestimmen des Engpassknotenbereichs und des Engpasszeitraums des Fahrzeugverkehrs in Übereinstimmung mit den Trajektorienzeitverteilungsmerkmalen und den Trajektorien-Hotspot-Bereichsmerkmalen. Mit der vorliegenden Erfindung können der Engpassknotenbereich und -zeitraum des Fahrzeugverkehrs erhalten werden, um den Fahrer im Voraus zu benachrichtigen, um den Zeitraum oder den Bereich zu vermeiden, dabei kann die Verkehrsmanagementabteilung im Voraus in das Management eingreifen, um eine Verschärfung des Staus zu verhindern; dabei wird ebenfalls eine solide Datenbasis für die Straßenplanung bereitgestellt und die Verschwendung von Arbeitskräften, Sachmitteln und Finanzmitteln vermieden.The present invention discloses a method and system for extracting features of traffic flow, the method comprising the following steps: S100: Acquiring historical trajectory data of multiple vehicles through the Internet of Things, obtaining a set of starting points and a set of ending points based on preset ones Governing and extracting trajectory time distribution features from the vehicles;S200: based on the node density, respectively determining multiple key points of a single vehicle in accordance with the historical trajectory data, generating a set of key points and obtaining trajectory hotspot area features in accordance with the set of key points;S300: determining the bottleneck node area and the bottleneck period of the vehicle traffic in accordance with the trajectory time distribution characteristics and the trajectory hotspot area characteristics. With the present invention, the bottleneck node area and period of vehicle traffic can be obtained to notify the driver in advance to avoid the period or area, while the traffic management department can intervene in the management in advance to prevent the congestion from worsening ; it also provides a solid database for road planning and avoids wasting manpower, material and financial resources.
Description
Technisches Gebiettechnical field
Die vorliegende Erfindung betrifft das technische Gebiet des intelligenten Fahrzeugmanagements, insbesondere ein Verfahren und System zum Extrahieren von Merkmalen des Verkehrsflusses.The present invention relates to the technical field of intelligent vehicle management, in particular to a method and system for extracting characteristics of traffic flow.
Stand der TechnikState of the art
Da immer mehr Fahrzeuge in Tausende von Haushalten eintreten, sind immer mehr Fahrzeuge auf den Straßen unterwegs. Der Stau und der schlechte Verkehrsfluss werden Fahrern und Verkehrsmanagementabteilungen auf dem Weg wahrscheinlich verschiedene Unannehmlichkeiten bringen. Darüber hinaus sollen für den Straßenumbau und die Bauplanung auch die Merkmale des Verkehrsflusses als Datengrundlage erhalten werden, um eine Verschwendung von finanziellen und materiellen Ressourcen zu vermeiden.As more vehicles enter thousands of homes, more vehicles are on the roads. The congestion and poor flow of traffic are likely to bring various inconveniences to drivers and traffic management departments along the way. In addition, the characteristics of the traffic flow are to be retained as a data basis for road reconstruction and construction planning in order to avoid wasting financial and material resources.
Inhalt der vorliegenden ErfindungContents of the present invention
Die vorliegende Erfindung zielt darauf ab, zumindest eines der technischen Probleme aus dem Stand der Technik zu lösen. Dazu stellt die vorliegende Erfindung ein Verfahren zum Extrahieren von Merkmalen des Verkehrsflusses zur Verfügung, das die Merkmale des Verkehrsflusses wirksam extrahieren kann, um eine Datenbasis für den Fahrzeugverkehr und die Straßenplanung bereitzustellen.The present invention aims to solve at least one of the technical problems of the prior art. To this end, the present invention provides a traffic flow feature extraction method which can efficiently extract the traffic flow features to provide a database for vehicle traffic and road planning.
Die vorliegende Erfindung stellt weiterhin ein System zum Extrahieren von Merkmalen des Verkehrsflusses mit dem obigen Verfahren zum Extrahieren von Merkmalen des Verkehrsflusses zur Verfügung.The present invention further provides a traffic flow feature extracting system having the above traffic flow feature extracting method.
Die vorliegende Erfindung stellt weiterhin ein computerlesbares Speichermedium mit dem obigen Verfahren zum Extrahieren von Merkmalen des Verkehrsflusses zur Verfügung.The present invention further provides a computer-readable storage medium having the above method for extracting features of traffic flow.
Ein Verfahren zum Extrahieren von Merkmalen des Verkehrsflusses in einem Ausführungsbeispiel gemäß dem ersten Aspekt der vorliegenden Erfindung umfasst die folgenden Schritte:S100: Erfassen historischer Trajektoriendaten von mehreren Fahrzeugen durch das Internet der Dinge, Erhalten eines Satzes von Ausgangspunkten und eines Satzes von Endpunkten basierend auf voreingestellten Regeln und Extrahieren von Trajektorienzeitverteilungsmerkmalen von den Fahrzeugen; S200: basierend auf der Knotendichte, jeweiliges Bestimmen von mehreren Schlüsselpunkten eines einzelnen Fahrzeugs in Übereinstimmung mit den historischen Trajektoriendaten, Zusammenführen und Generieren eines Satzes von Schlüsselpunkten und Erhalten von Trajektorien-Hotspot-Bereichsmerkmalen in Übereinstimmung mit dem Satz von Schlüsselpunkten; S300: Bestimmen des Engpassknotenbereichs und des Engpasszeitraums des Fahrzeugverkehrs in Übereinstimmung mit den Trajektorienzeitverteilungsmerkmalen und den Trajektorien-Hotspot-Bereichsmerkmalen.A method for extracting features of traffic flow in an embodiment according to the first aspect of the present invention comprises the following steps:S100: Acquiring historical trajectory data of multiple vehicles through the Internet of Things, obtaining a set of starting points and a set of ending points based on preset ones controlling and extracting trajectory time distribution features from the vehicles; S200: based on the node density, respectively determining a plurality of key points of a single vehicle in accordance with the historical trajectory data, merging and generating a set of key points, and obtaining trajectory hotspot area features in accordance with the set of key points; S300: Determine the bottleneck node area and the bottleneck period of the vehicle traffic in accordance with the trajectory time distribution characteristics and the trajectory hotspot area characteristics.
Die Verfahren zum Extrahieren von Merkmalen des Verkehrsflusses in einem Ausführungsbeispiel der vorliegenden Erfindung weist zumindest die folgenden Vorteile auf: durch Erfassen von den Ausgangspunkten und Endpunkten der Fahrzeuge werden die Trajektorienverteilungsmerkmale erhalten, und in Übereinstimmung mit der Knotendichte werden die Trajektorien-Hotspot-Bereichsmerkmale erhalten, dadurch können der Engpassknotenbereich und -zeitraum des Fahrzeugverkehrs erhalten werden, um den Fahrer im Voraus zu benachrichtigen, um den Zeitraum oder den Bereich zu vermeiden, dabei kann die Verkehrsmanagementabteilung im Voraus in das Management eingreifen, um eine Verschärfung des Staus zu verhindern; dabei wird ebenfalls eine solide Datenbasis für die Straßenplanung bereitgestellt und die Verschwendung von Arbeitskräften, Sachmitteln und Finanzmitteln vermieden.The method for extracting features of traffic flow in an embodiment of the present invention has at least the following advantages: by detecting the starting points and ending points of the vehicles, the trajectory distribution features are obtained, and in accordance with the node density, the trajectory hotspot area features are obtained, thereby, the bottleneck node area and period of vehicle traffic can be obtained to notify the driver in advance to avoid the period or area, thereby allowing the traffic management department to intervene in management in advance to prevent the congestion from worsening; it also provides a solid database for road planning and avoids wasting manpower, material and financial resources.
In einigen Ausführungsbeispielen der vorliegenden Erfindung umfasst der Schritt S100: S110: Erhalten der historischen Trajektoriendaten eines einzelnen Fahrzeugs, Bereinigen der unbewegten Trajektorienpunkte in den historischen Trajektoriendaten basierend auf einem ersten Zeitschwellenwert und Unterteilen der historischen Trajektoriendaten in mehrere Fahrtrouten; S120: wenn die Start- und Endzeit der Fahrtroute größer oder gleich einem zweiten Zeitschwellenwert ist, wird der Startpunkt der Fahrtroute in dem Satz von Ausgangspunkten und der Schlusspunkt der Fahrtroute in dem Satz von Endpunkten hinzugefügt; S130: nachdem alle historischen Trajektoriendaten verarbeitet wurden, werden unter Verwendung der kumulativen Verteilungsfunktion die Trajektorienzeitverteilungsmerkmale aus dem Satz von Ausgangspunkten und dem Satz von Endpunkten extrahiert.In some embodiments of the present invention, step S100 includes: S110: obtaining the historical trajectory data of a single vehicle, cleaning up the still trajectory points in the historical trajectory data based on a first time threshold, and dividing the historical trajectory data into multiple travel routes; S120: if the start and end times of the travel route are greater than or equal to a second time threshold, the start point of the travel route is added to the set of start points and the end point of the travel route is added to the set of end points; S130: after all historical trajectory data has been processed, the trajectory time distribution features are extracted from the set of starting points and the set of ending points using the cumulative distribution function.
In einigen Ausführungsbeispielen der vorliegenden Erfindung umfasst der Schritt S110: S111: Erhalten eines ersten Trajektorienpunkts und eines zweiten Trajektorienpunkts aus den Trajektorienpunkten der historischen Trajektoriendaten eines einzelnen Fahrzeugs in zeitlicher Reihenfolge; S112: wenn die Geschwindigkeit des ersten Trajektorienpunkts 0 ist, wird es beurteilt, ob die Position des zweiten Trajektorienpunkts gleich wie die Position des ersten Trajektorienpunkts ist; S113: wenn die Position des zweiten Trajektorienpunkts gleich wie die Position des ersten Trajektorienpunkts ist, wird weiterhin in zeitlicher Reihenfolge rückwärts ein dritter Trajektorienpunkt, dessen Position nicht gleich wie die des ersten Trajektorienpunkts ist, gesucht; S114: Bereinigen des zweiten Trajektorienpunkts und Beurteilen, ob die Zeitdifferenz des dritten Trajektorienpunkts und des ersten Trajektorienpunkts größer als der erste Zeitschwellenwert ist; S115: wenn die Zeitdifferenz des dritten Trajektorienpunkts und des ersten Trajektorienpunkts größer als der erste Zeitschwellenwert ist, ist der erste Trajektorienpunkt der Schlusspunkt der vorherigen Fahrtroute und der dritte Trajektorienpunkt der Startpunkt der nächsten Fahrtroute.In some embodiments of the present invention, the step S110 includes: S111: obtaining a first trajectory point and a second trajectory point from the trajectory points of the historical trajectory data of a single vehicle in time order; S112: when the speed of the first trajectory point is 0, it is judged whether the position of the second trajectory point is the same as the position of the first trajectory point; S113: when the position of the second trajectory point is equal to the position of the first trajectory point, a third trajectory point whose position is not equal to that of the first trajectory point is further searched backward in time order; S114: cleaning the second trajectory point and judging whether the time difference of the third trajectory point and the first trajectory point is greater than the first time threshold; S115: when the time difference of the third trajectory point and the first trajectory point is greater than the first time threshold, the first trajectory point is the end point of the previous route and the third trajectory point is the start point of the next route.
In einigen Ausführungsbeispielen der vorliegenden Erfindung umfasst der Schritt S200:S210: Erfassen der historischen Trajektoriendaten eines einzelnen Fahrzeugs, Konstruieren eines Clusterunterteilungsberechnungsmodells basierend auf der Knotendichte und Erhalten eines ersten Clustersatzes in Übereinstimmung mit den historischen Trajektoriendaten;S220: Bereinigen eines Clusters in dem ersten Clustersatz, dessen Knotenanzahl kleiner als eine erste Anzahl ist, Erfassen eines dem Cluster entsprechenden Schlüsselpunkts in dem ersten Clustersatz und Zusammenführen dieses in dem Satz von Schlüsselpunkten, wobei die Summe der Abstände des Schlüsselpunkts zu anderen Punkten in dem Cluster minimal ist; S230: basierend auf dem Clusterunterteilungsberechnungsmodell, Erfassen eines zweiten Clustersatzes in Übereinstimmung mit dem Satz von Schlüsselpunkten, um die Trajektorien-Hotspot-Bereichsmerkmale zu erhalten.In some embodiments of the present invention, the step S200 includes: S210: acquiring the historical trajectory data of an individual vehicle, constructing a cluster subdivision calculation model based on the node density and obtaining a first cluster set in accordance with the historical trajectory data; S220: cleaning a cluster in the first cluster set, whose number of nodes is less than a first number, detecting a key point in the first set of clusters corresponding to the cluster and merging it in the set of key points, the sum of the distances of the key point to other points in the cluster being minimal; S230: based on the cluster division calculation model, acquiring a second set of clusters in accordance with the set of key points to obtain the trajectory hotspot area features.
In einigen Ausführungsbeispielen der vorliegenden Erfindung umfasst das Berechnungsverfahren des Clusterunterteilungsberechnungsmodells:S241: jeweiliges Erfassen des Nachbarschaftsdomänen-Unterstichprobensatzes des Stichprobenpunkts in Übereinstimmung mit einem ersten Bodennachbarschaftsdomänen-Abstandsschwellenwert, um einen ersten Nachbarschaftsdomänen-Unterstichprobensatz zu erhalten, wenn die Anzahl der Stichproben des ersten Nachbarschaftsdomänen-Unterstichprobensatzes größer als eine erste Anzahl der Stichproben ist, wird der Stichprobenpunkt in den Kernobjektsatz Ω zusammengeführt; S242: Erfassen des Trajektorienpunkts o zufällig aus dem Kernobjektsatz Ω, Initialisieren der Trajektorienwarteschlange Ωcur = {o}, Initialisieren des aktuellen Stichprobenclusters Ck = {o}. Aktualisieren des Satzes von nicht besuchten Trajektorienpunkten Γ = Γ - {o}; S243: Herausnehmen des Trajektorienpunkts o' aus der Trajektorienwarteschlange Ωcur, Erfassen des Nachbarschaftsdomänen-Unterstichprobensatzes N∈(o') des Trajektorienpunkts o' in Übereinstimmung mit dem ersten Bodennachbarschaftsdomänen-Abstandsschwellenwert, sei Δ = N∈(o') ∩ Γ, Aktualisieren Ck = Ck U Δ, Aktualisieren Γ = Γ - Δ, Aktualisieren Ωcur = Ωcur U (Δ ∩ Ω) - o'und Aktualisieren Ω = Ω - Ck; S245: Wiederholen des Schritts S243, bis die Trajektorienwarteschlange Ωcur leer ist; wenn die Trajektorienwarteschlange Ωcur leer ist, wird das Stichprobencluster Ck zum Clustersatz aktualisiert, Zurückkehren zum Schritt S242, bis der Kernobjektsatz Ω leer ist.In some embodiments of the present invention, the calculation method of the cluster division calculation model comprises: S241: each acquiring the neighborhood domain sub-sample set of the sampling point in accordance with a first ground neighborhood domain distance threshold to obtain a first neighborhood domain sub-sample set when the number of samples of the first neighborhood domain sub-sample set is greater than a first number of samples, the sample point is merged into the core object set Ω; S242: Acquire the trajectory point o randomly from the core object set Ω, initialize the trajectory queue Ω cur = {o}, initialize the current sample cluster C k = {o}. updating the set of unvisited trajectory points Γ = Γ - {o}; S243: Take the trajectory point o' out of the trajectory queue Ω cur , acquire the neighborhood domain subsample set N∈(o') of the trajectory point o' in accordance with the first ground neighborhood domain distance threshold, let Δ=N∈(o')∩Γ, update C k = C k U Δ, update Γ = Γ - Δ, update Ω cur = Ω cur U (Δ ∩ Ω) - o' and update Ω = Ω - C k ; S245: repeating step S243 until the trajectory queue Ω cur is empty; if the trajectory queue Ω cur is empty, the sample cluster C k is updated to the cluster set, returning to step S242 until the core object set Ω is empty.
In einigen Ausführungsbeispielen der vorliegenden Erfindung umfasst das Verfahren weiterhin: Bewerten des ersten Bodennachbarschaftsdomänen-Abstandsschwellenwerts und der ersten Anzahl der Stichproben basierend auf dem Bewertungsmodell, iteratives Aktualisieren der Trajektorien-Hotspot-Bereichsmerkmale in Übereinstimmung mit den Bewertungsergebnissen, wobei das Bewertungsmodell ist:
In einigen Ausführungsbeispielen der vorliegenden Erfindung wird der erste Bodennachbarschaftsdomänen-Abstandsschwellenwert auf 1000 und die erste Anzahl der Stichproben auf 15 konfiguriert.In some embodiments of the present invention, the first ground neighborhood domain distance threshold is configured to 1000 and the first number of samples to 15.
Ein System zum Extrahieren von Merkmalen des Verkehrsflusses in einem Ausführungsbeispiel gemäß dem zweiten Aspekt der vorliegenden Erfindung umfasst: ein Trajektoriendaten-Erfassungsmodul, das dazu verwendet wird, die historischen Trajektoriendaten von mehreren Fahrzeugen durch das Internet der Dinge zu erfassen; ein Zeitverteilungsmerkmal-Extraktionsmodul, das dazu verwendet wird, einen Satz von Ausgangspunkten und einen Satz von Endpunkten basierend auf voreingestellten Regeln und in Übereinstimmung mit den historischen Trajektoriendaten zu erfassen und die Trajektorienzeitverteilungsmerkmale von den Fahrzeugen zu extrahieren; ein Hotspot-Bereich-Merkmalextraktionsmodul, das dazu verwendet wird, mehrere Schlüsselpunkte eines einzelnen Fahrzeugs basierend auf der Knotendichte und in Übereinstimmung mit den historischen Trajektoriendaten jeweils zu bestimmen, diese zusammenzuführen und einen Satz von Schlüsselpunkten zu generieren sowie die Trajektorien-Hotspot-Bereichsmerkmale in Übereinstimmung mit dem Satz von Schlüsselpunkten zu erhalten; ein Engpassanalysemodul, das dazu verwendet wird, in Übereinstimmung mit den Trajektorienzeitverteilungsmerkmalen und den Trajektorien-Hotspot-Bereichsmerkmalen den Engpassknotenbereich und den Engpasszeitraum des Fahrzeugverkehrs zu bestimmen.A system for extracting features of traffic flow in an embodiment according to the second aspect of the present invention comprises: a trajectory data acquisition module used to acquire the historical trajectory data of a plurality of vehicles through the Internet of Things; a time distribution feature extraction module used to acquire a set of starting points and a set of ending points based on preset rules and in accordance with the historical trajectory data and extracting the trajectory time distribution features from the vehicles; a hotspot area feature extraction module used to determine multiple key points of a single vehicle based on node density and in accordance with historical trajectory data, respectively, and merge them; generate set of key points as well as obtain the trajectory hotspot area features according to the set of key points; a bottleneck analysis module used to determine the bottleneck node area and the bottleneck period of the vehicle traffic in accordance with the trajectory time distribution characteristics and the trajectory hotspot area characteristics.
Das System zum Extrahieren von Merkmalen des Verkehrsflusses in einem Ausführungsbeispiel der vorliegenden Erfindung weist zumindest die gleichen vorteilhaften Wirkungen wie das Ausführungsbeispiel des ersten Aspekts der vorliegenden Erfindung auf.The system for extracting features of traffic flow in an embodiment of the present invention has at least the same advantageous effects as the embodiment of the first aspect of the present invention.
In einigen Ausführungsbeispielen der vorliegenden Erfindung umfasst das Hotspot-Bereich-Merkmalextraktionsmodul: ein Konfigurationsmodul, das dazu verwendet wird, den ersten Bodennachbarschaftsdomänen-Abstandsschwellenwert und die erste Anzahl der Stichproben zu konfigurieren und ein Clusterunterteilungsberechnungsmodell basierend auf der Knotendichte zu konstruieren; ein erstes Berechnungsmodul, das dazu verwendet wird, basierend auf dem Clusterunterteilungsberechnungsmodell einen ersten Clustersatz in Übereinstimmung mit den historischen Trajektoriendaten zu erfassen, ein Cluster in dem ersten Clustersatz, dessen Knotenanzahl kleiner als eine erste Anzahl ist, zu bereinigen, einen dem Cluster entsprechenden Schlüsselpunkt in dem ersten Clustersatz zu erfassen und diesen in dem Satz von Schlüsselpunkten zusammenzuführen, wobei die Summe der Abstände des Schlüsselpunkts zu anderen Punkten in dem Cluster minimal ist; ein zweites Berechnungsmodul, das dazu verwendet wird, basierend auf dem Clusterunterteilungsberechnungsmodell einen zweiten Clustersatz in Übereinstimmung mit dem Satz von Schlüsselpunkten zu erfassen, um die Trajektorien-Hotspot-Bereichsmerkmale zu erhalten; ein Bewertungsmodul, das dazu verwendet wird, basierend auf dem Bewertungsmodell den ersten Bodennachbarschaftsdomänen-Abstandsschwellenwert und die erste Anzahl der Stichproben zu bewerten, um die Bewertungsergebnisse zu erhalten, wobei das Bewertungsmodell ist:
Ein computerlesbares Speichermedium in einem Ausführungsbeispiel gemäß dem dritten Aspekt der vorliegenden Erfindung, in dem ein Computerprogramm gespeichert ist, und wobei das Verfahren in einem Ausführungsbeispiel gemäß dem ersten Aspekt der vorliegenden Erfindung realisiert wird, wenn das Computerprogramm durch den Prozessor ausgeführt wird.A computer-readable storage medium in an embodiment according to the third aspect of the present invention storing a computer program, and wherein the method in an embodiment according to the first aspect of the present invention is implemented when the computer program is executed by the processor.
Das Computerspeichermedium in einem Ausführungsbeispiel der vorliegenden Erfindung weist zumindest die gleichen vorteilhaften Wirkungen wie das Ausführungsbeispiel des ersten Aspekts der vorliegenden Erfindung auf.The computer storage medium in an embodiment of the present invention has at least the same advantageous effects as the embodiment of the first aspect of the present invention.
Die zusätzlichen Aspekte und Vorteile der vorliegenden Erfindung werden teilweise in der folgenden Beschreibung angegeben, und einige werden aus der folgenden Beschreibung offensichtlich oder werden durch die Praxis der vorliegenden Erfindung verstanden.The additional aspects and advantages of the present invention will be set forth in part in the following description, and some will be apparent from the following description or will be understood through practice of the present invention.
Figurenlistecharacter list
Die obigen und/oder zusätzlichen Aspekte und Vorteile der vorliegenden Erfindung werden aus der Beschreibung der Ausführungsformen in Verbindung mit den folgenden Zeichnungen offensichtlich und leicht verständlich.
-
1 zeigt ein schematisches Ablaufdiagramm eines Verfahrens gemäß der vorliegenden Erfindung. -
2 zeigt ein schematisches Diagramm der Fahrtroutenaufteilung während des Zeitverteilungsmerkmal-Extraktionsprozesses in dem Verfahren in einem Ausführungsbeispiel der vorliegenden Erfindung. -
3 zeigt ein schematisches Diagramm eines Hotspot-Bereichsmerkmal-Extraktionsprozesses in dem Verfahren in einem Ausführungsbeispiel der vorliegenden Erfindung. -
4 zeigt ein schematisches Diagramm der Berechnungsschritte des Clusterunterteilungsberechnungsmodells in dem Verfahren in einem Ausführungsbeispiel der vorliegenden Erfindung. -
5 zeigt ein schematisches Blockdiagramm von Modulen in einem Ausführungsbeispiel der vorliegenden Erfindung.
-
1 shows a schematic flow diagram of a method according to the present invention. -
2 Fig. 12 is a schematic diagram of the travel route division during the time distribution feature extraction process in the method in an embodiment of the present invention. -
3 12 is a schematic diagram of a hot spot area feature extraction process in the method in an embodiment of the present invention. -
4 Fig. 12 shows a schematic diagram of the calculation steps of the cluster subdivision calculation model in the method in an embodiment of the present invention. -
5 Figure 12 shows a schematic block diagram of modules in an embodiment of the present invention.
BezugszeichenlisteReference List
- 100100
- Trajektoriendaten-ErfassungsmodulTrajectory data acquisition module
- 200200
- Zeitverteilungsmerkmal-ExtraktionsmodulTime distribution feature extraction module
- 300300
- Hotspot-Bereich-MerkmalextraktionsmodulHotspot area feature extraction module
- 400400
- Engpassanalysemodulbottleneck analysis module
- 310310
- Konfigurationsmodulconfiguration module
- 320320
- Erstes BerechnungsmodulFirst calculation module
- 330330
- Zweites BerechnungsmodulSecond calculation module
- 340340
- Bewertungsmodulrating module
- 350350
- Iterationssteuermoduliteration control module
Ausführliche BeschreibungDetailed description
Im Folgenden wird die Ausführungsform der vorliegenden Erfindung näher erläutert. Alle Beispiele der Ausführungsform werden in Figuren dargestellt, dabei stehen die von Anfang bis Ende gleichen oder ähnlichen Bezugszeichen für gleiche oder ähnliche Elemente oder Elemente mit gleicher oder ähnlicher Funktion. Die im Zusammenhang mit den Figuren erläuterten Ausführungsformen sind beispielhaft, dienen zur Erklärung der vorliegenden Erfindung und können nicht als Beschränkung für die vorliegende Erfindung verstanden werden.In the following, the embodiment of the present invention will be explained in more detail. All examples of the embodiment are illustrated in figures, in which the same or similar reference numbers from start to finish stand for the same or similar elements or elements with the same or similar function. The embodiments explained in connection with the figures are exemplary, serve to explain the present invention and cannot be understood as a limitation for the present invention.
In der Erläuterung der vorliegenden Erfindung bedeutet „einige“ eins oder mehrere, wobei „mehrere“ zwei oder mehr als zwei bedeutet, und wobei „größer als“, „kleiner als“, „überschreiten“ usw. so verstanden werden, dass die Nummer nicht enthalten ist, und wobei „über“, „unter“, „innerhalb“ usw. so verstanden werden, dass die Nummer enthalten ist. Darüber hinaus werden „das erste“, „das zweite“ nur zum Unterscheiden der technischen Merkmale verwendet und können nicht derart verstanden werden, dass sie die relative Bedeutung anweisen oder implizieren oder auf die Anzahl der angegebenen technischen Merkmale implizit hinweisen oder auf die Vorrang der angegebenen technischen Merkmale implizit hinweisen.In the explanation of the present invention, "some" means one or more, where "more" means two or more than two, and where "greater than", "less than", "exceed" etc. are understood to mean that the number does not is included, and where "above", "below", "within", etc. are understood to include the number. Furthermore, “the first”, “the second” are only used to distinguish the technical characteristics and cannot be understood as directing or implying the relative importance or implying the number of technical characteristics specified or the precedence of the specified ones technical features implicitly.
Siehe
Das Extrahieren der Bewegungszeitverteilungsmerkmale in einem Ausführungsbeispiel der vorliegenden Erfindung umfasst die folgenden Schritte. Zuerst werden die historischen Trajektoriendaten eines einzelnen IoT-Knotens (nämlich eines einzelnen Fahrzeugs) bereinigt, um die Fahrtroute zu berechnen und den entsprechenden Ausgangspunkt und Endpunkt zu erhalten. Für den Prozess zum Bereinigen der historischen Trajektoriendaten eines einzelnen Fahrzeugs und Berechnen der Fahrtroute wird Bezug auf
Die Berechnungsformel für den Bodenabstand zwischen zwei Stichprobenpunkten lautet wie folgt:
Dabei sind (x1, y1) die Breiten- und Längenkoordinaten des Stichprobenpunkts Xi, (x2, y2) sind die Breiten- und Längenkoordinaten des Stichprobenpunkts Xj, R ist der Erdradius und distance ist der Bodenabstand zwischen den beiden Stichprobenpunkten Xi und Xj. Wenn der Bodenabstand zwischen diesen beiden Punkten bei dem Nachbarschaftsdomänen-Abstandsschellenwert ε liegt, ist der Stichprobenpunkt X1 der ∈-Nachbarschaftsdomänen-Unterstichprobensatzes N∈(Xj) des Stichprobenpunkts Xj; offensichtlich ist der Stichprobenpunkt Xj auch der ∈-Nachbarschaftsdomänen-Unterstichprobensatzes N∈(Xi) des Stichprobenpunkts Xi. Für die Verarbeitungsschritte des Clusterunterteilungsberechnungsmodell in dem Ausführungsbeispiel der vorliegenden Erfindung wird Bezug auf
- Schritt 1: Initialisieren des Kernobjektsatzes Ω=Ø, Initialisieren der Anzahl von Clustern k=0, Initialisiere des nicht besuchten Stichprobensatzes Γ und der Clusteraufteilung C=Ø;
- Schritt 2: Empfangen des eingegebenen Stichprobensatzes, für jeden Stichprobenpunkt Xj wird gemäß Formel 1 und durch den ersten Bodennachbarschaftsdomänen-Abstandsschwellenwert der Nachbarschaftsdomänen-Unterstichprobensatz N∈(Xj) des Stichprobenpunkts Xj erhalten, wenn die Anzahl des Nachbarschaftsdomänen-Unterstichprobensatzes |N∈(Xj)| ≥ MinPts ist, wird die Stichprobe Xj in dem Satz Ω = Ω U {Xj} hinzugefügt, in einem Ausführungsbeispiel der vorliegenden Erfindung wird MinPts (nämlich die erste Anzahl der Stichproben) auf 15 eingestellt;
- Schritt 3: Bestimmen, ob der Kernobjektsatz Ω leer ist, wenn der Kernobjektsatz Ω = Ø ist, werden alle Clusteraufteilungen erhalten und der Clustersatz wird ausgegeben, die Berechnung wird beendet; andernfalls geht es zum Schritt 4;
- Schritt 4: zufälliges Auswählen eines Kernobjekts o in dem Kernobjektsatz Ω, einer Warteschlange Ωcur = {o}, einer initialisierten Kategorienummer k=k+1 und eines aktuellen Stichprobensatzes Ck = {o}, Aktualisieren des Satzes Γ = Γ - {o};
- Schritt 5: wenn die Warteschlange Ωcur = Ø ist, wird Ck erzeugt, Aktualisieren von C = {C1, C2, ..., Ck}, Aktualisieren des Satzes Ω = Ω - Ck,
Zurückkehren zum Schritt 3; andernfalls wird der Satz Ω = Ω - Ck aktualisiert, und es geht zum Schritt 6; - Schritt 6: Herausnehmen eines Stichprobenpunkts o' aus der Warteschlange Ωcur, gemäß
Formel 1 und durch den ersten Bodennachbarschaftsdomänen-Abstandsschwellenwert ε werden alle ∈ -Nachbarschaftsdomänen-Unterstichprobensätze N∈(o') des Stichprobenpunkts o' herausgefunden, (in einigen Ausführungsbeispielen der vorliegenden Erfindung wird der Nachbarschaftsdomänen-Abstandsschwellenwert ∈ auf 1000 eingestellt), sei Δ = N∈(o') ∩ Γ, Aktualisieren des Satzes Ck = Ck U Δ, Aktualisieren des Satzes Γ = Γ - Δ, Aktualisieren von Ωcur = Ωcur U (Δ ∩ Ω) - o' und Gehen zum Schritt 5.
- Step 1: initialize the core object set Ω=Ø, initialize the number of clusters k=0, initialize the unvisited sample set Γ and the cluster split C=Ø;
- Step 2: Receiving the input sample set, for each sample point X j , according to
formula 1 and by the first soil neighborhood domain distance threshold, the neighborhood domain sub-sample set N∈(X j ) of the sample point X j is obtained when the number of neighborhood domain sub-sample set |N∈ (X j )| ≥ MinPts, the sample X j is added in the set Ω = Ω U {X j }, in an embodiment of the present invention, MinPts (namely the first number of samples) is set to 15; - Step 3: determining whether the core object set Ω is empty, if the core object set Ω = Ø, all cluster partitions are obtained and the cluster set is output, the calculation is terminated; otherwise go to step 4;
- Step 4: randomly choose a core object o in the core object set Ω, a queue Ω cur = {o}, an initialized category number k=k+1 and a current sample set C k = {o}, update the set Γ = Γ - {o };
- Step 5: if the queue is Ω cur = Ø, C k is created, update C = {C 1 , C 2 , ..., C k }, update the set Ω = Ω - C k , return to
step 3 ; otherwise the set Ω = Ω - C k is updated and go to step 6; - Step 6: Taking a sample point o' from the queue Ω cur , according to
formula 1 and by the first ground neighborhood domain distance threshold ε, all ∈ -neighborhood domain subsample sets N∈(o') of the sample point o' are found (in some embodiments of the present In the invention, the neighborhood domain distance threshold ∈ is set to 1000), let Δ = N∈(o') ∩ Γ, update the set C k = C k U Δ, update the set Γ = Γ - Δ, update Ω cur = Ω cur U (Δ ∩ Ω) - o' and go to step 5.
In einem Ausführungsbeispiel der vorliegenden Erfindung werden die historischen Trajektoriendaten eines einzelnen Fahrzeugs erfasst, wobei die historischen Trajektoriendaten als Stichprobensatz eingegeben werden, und die Schritte 1 bis 6 werden durchgeführt, um den ersten Clustersatz zu erhalten, siehe
Dabei ist ai der durchschnittliche Abstand der Stichprobe i zu anderen Stichproben in demselben Cluster, und bi ist der Minimalwert des durchschnittlichen Abstands der Stichprobe i zu anderen Clustern. Je näher der S(i)-Wert an 1 liegt, zeigt es an, dass der ausgewählte erste Bodennachbarschaftsdomänen-Abstandsschwellenwert und die erste Anzahl der Stichproben MinPts besser geeignet sind. Nachdem das Bewertungsergebnis erhalten wurde, werden, wenn das Bewertungsergebnis nicht wie erwartet ist, der erste Bodennachbarschaftsdomänen-Abstandsschwellenwert und die erste Anzahl der Stichproben MinPts erneut ausgewählt, um zu iterieren und neue Trajektorien-Hotspot-Bereichsmerkmale zu erhalten.where a i is the average distance of sample i to other samples in the same cluster, and b i is the minimum value of the average distance of sample i to other clusters. The closer the S(i) value is to 1, it indicates that the selected first ground neighborhood domain distance threshold and the first number of samples MinPts are more appropriate. After the assessment result is obtained, if the assessment result is not as expected, the first ground neighborhood domain distance threshold and the first number of samples MinPts are reselected to iterate and obtain new trajectory hotspot area features.
Eine Vorrichtung in einem Ausführungsbeispiel der vorliegenden Erfindung, siehe
Siehe
In einigen anderen Ausführungsbeispielen der vorliegenden Erfindung umfasst das Hotspot-Bereich-Merkmalextraktionsmodul ein Konfigurationsmodul 310, ein erstes Berechnungsmodul 320 und ein zweites Berechnungsmodul 330, wobei es kein Bewertungsmodul 340 und Iterationssteuermodul 350 umfasst.In some other embodiments of the present invention, the hot spot area feature extraction module comprises a
Obwohl in der vorliegenden Beschreibung spezifische Ausführungsformen erläutert sind, wird ein Durchschnittsfachmann auf diesem Gebiet erkennen, dass viele andere modifizierte oder alternative Ausführungsformen ebenfalls im Umfang der vorliegenden Offenbarung liegen. Z.B. kann irgendeine der Funktionen und/oder Verarbeitungsfähigkeiten, die in Verbindung mit einem bestimmten Gerät oder einer bestimmten Komponente erläutert sind, von einem beliebigen anderen Gerät oder einer anderen Komponente ausgeführt werden. Obwohl verschiedene beispielhafte Implementierungen und Aufbauten gemäß den Ausführungsformen der vorliegenden Offenbarung erläutert wurden, wird der Durchschnittsfachmann auf diesem Gebiet erkennen, dass viele andere Modifikationen der hierin erläuterten beispielhaften Implementierungen und Aufbauten ebenfalls im Umfang der vorliegenden Offenbarung liegen.Although specific embodiments are discussed in this specification, one of ordinary skill in the art will recognize that many other modified or alternative embodiments are also within the scope of the present disclosure. For example, any of the functions and/or processing capabilities discussed in connection with a particular device or component may be performed by any other device or component. Although various example implementations and configurations have been discussed in accordance with the embodiments of the present disclosure, those of ordinary skill in the art will recognize that many other modifications to the example implementations and configurations discussed herein are also within the scope of the present disclosure.
Oben werden bestimmte Aspekte der vorliegenden Offenbarung unter Bezugnahme auf Blockdiagramme und Ablaufdiagramme von Systemen, Verfahren, System- und/oder Computerprogrammprodukten gemäß beispielhaften Ausführungsformen erläutert. Es versteht sich, dass ein oder mehrere Blöcke in den Blockdiagrammen und Ablaufdiagrammen und Kombinationen von Blöcken in den Blockdiagrammen und Ablaufdiagrammen jeweils durch Ausführen von computerausführbaren Programmanweisungen implementiert werden können. Außerdem müssen gemäß einigen Ausführungsformen einige Blöcke in den Blockdiagrammen und Ablaufdiagrammen möglicherweise nicht in der gezeigten Reihenfolge ausgeführt werden oder sie müssen möglicherweise nicht alle ausgeführt werden. Darüber hinaus können in bestimmten Ausführungsformen zusätzliche Komponenten und/oder Vorgänge vorhanden sein, die über die in den Blöcken in den Blockdiagrammen und Ablaufdiagrammen gezeigten Komponenten und/oder Vorgänge hinausgehen.Certain aspects of the present disclosure are explained above with reference to block diagrams and flowcharts of systems, methods, system and/or computer program products according to exemplary embodiments. It will be understood that one or more blocks in the block diagrams and flowcharts, and combinations of blocks in the block diagrams and flowcharts, can each be implemented by executing computer-executable program instructions. Also, some blocks in the block diagrams and flowcharts may not need to be performed in the order shown, or all blocks may not all need to be performed, according to some embodiments. Furthermore, in certain embodiments, there may be additional components and/or acts beyond the components and/or acts shown in the blocks in the block diagrams and flowcharts.
Aufgrund dessen unterstützen die Blöcke in den Blockdiagrammen und Ablaufdiagrammen eine Kombination von Vorrichtungen zum Ausführen bestimmter Funktionen, eine Kombination von Elementen oder Schritten zum Ausführen bestimmter Funktionen und Programmanweisungsvorrichtungen zum Ausführen bestimmter Funktionen. Es versteht sich auch, dass jeder Block in den Blockdiagrammen und Ablaufdiagrammen und Kombinationen von Blöcken in den Blockdiagrammen und Ablaufdiagrammen durch ein spezifisches Hardware-Computersystem, das spezifische Funktionen, Elemente oder Schritte durchführt, oder eine Kombination von spezifischen Hardware- und Computeranweisungen implementiert werden kann.As such, the blocks in the block diagrams and flowcharts support a combination of devices for performing particular functions, a combination of elements or steps for performing particular functions, and program instructional devices for performing particular functions. It is also understood that each block in the block diagrams and flowcharts, and combinations of blocks in the block diagrams and flowcharts, can be implemented by specific hardware computing system that performs specific functions, elements or steps, or combination of specific hardware and computer instructions .
Die in der vorliegenden Beschreibung erläuterten Programmmodule, Anwendungsprogramme usw. können eine oder mehrere Softwarekomponenten umfassen, einschließlich beispielsweise Softwareobjekte, Verfahren, Datenstrukturen und dergleichen. Jede solche Softwarekomponente kann computerausführbare Anweisungen umfassen, die auf die Ausführung reagieren, so dass mindestens ein Teil der hierin beschriebenen Funktionen (z.B. eine oder mehrere Operationen der hierin beschriebenen beispielhaften Verfahren) ausgeführt wird.The program modules, application programs, etc. discussed in this specification may include one or more software components including, for example, software objects, methods, data structures, and the like. Each such software component may be computer-executable Include instructions that are responsive to execution to perform at least a portion of the functions described herein (eg, one or more operations of the example methods described herein).
Die Softwarekomponenten können durch irgendeine von den Programmiersprachen codiert werden. Eine beispielhafte Programmiersprache kann eine Programmiersprache niedrigerer Ebene sein, wie z.B. eine Assemblersprache, die einer bestimmten Hardwarearchitektur und/oder Betriebssystemplattform zugeordnet ist. Die Softwarekomponenten, die Anweisungen in Assemblersprache enthalten, müssen möglicherweise von einem Assembler in einen ausführbaren Maschinencode umgewandelt werden, bevor sie von der Hardwarearchitektur und/oder Plattform ausgeführt werden. Eine andere beispielhafte Programmiersprache kann eine Programmiersprache höherer Ebene sein, die auf mehrere Architekturen portiert werden kann. Die Softwarekomponenten, die Programmiersprachen höherer Ebene enthalten, müssen möglicherweise vor der Ausführung von einem Interpreter oder Compiler in Zwischendarstellungen umgewandelt werden. Andere Beispiele für Programmiersprachen umfassen, sind aber nicht beschränkt auf Makrosprachen, Shell- oder Befehlssprachen, Jobsteuerungssprachen, Skriptsprachen, Datenbankabfrage- oder Suchsprachen oder Sprachen zum Schreiben von Berichten. In einem oder mehreren Ausführungsbeispielen kann die Softwarekomponente, die die Anweisungen eines der oben genannten Programmiersprachenbeispiele enthält, direkt von dem Betriebssystem oder anderen Softwarekomponenten ausgeführt werden, ohne vorher in eine andere Form umgewandelt zu werden.The software components can be coded by any of the programming languages. An example programming language may be a lower-level programming language, such as an assembly language, associated with a particular hardware architecture and/or operating system platform. The software components containing assembly language instructions may need to be converted to executable machine code by an assembler before being executed by the hardware architecture and/or platform. Another example programming language may be a higher level programming language that is portable to multiple architectures. The software components containing higher-level programming languages may need to be converted to intermediate representations by an interpreter or compiler before execution. Other examples of programming languages include, but are not limited to, macro languages, shell or command languages, job control languages, scripting languages, database query or search languages, or report writing languages. In one or more embodiments, the software component containing the instructions of any of the above example programming languages may be executed directly by the operating system or other software components without first being converted into another form.
Die Softwarekomponenten können als Dateien oder andere Datenspeicherstrukturen gespeichert werden. Die Softwarekomponenten ähnlicher Art oder verwandter Funktionen können zusammen in einem bestimmten Verzeichnis, Ordner oder einer Bibliothek gespeichert werden. Die Softwarekomponenten können statisch (z.B. voreingestellt oder fest) oder dynamisch (z.B. während der Ausführung erstellt oder geändert) sein.The software components can be stored as files or other data storage structures. The software components of similar nature or related functions can be stored together in a specific directory, folder or library. The software components can be static (e.g., preset or fixed) or dynamic (e.g., created or modified during execution).
Im Zusammenhang mit Figuren werden die Ausführungsbeispiele der vorliegenden Erfindung im Folgenden näher erläutert, allerdings ist die vorliegende Erfindung nicht auf die obigen Ausführungsbeispiele beschränkt. Innerhalb des Bereichs der Erkenntnisse des Durchschnittsfachmanns auf diesem technischen Gebiet können verschiedene Änderungen ohne Abweichung von dem Grundsatz der vorliegenden Erfindung durchgeführt werden.The exemplary embodiments of the present invention are explained in more detail below in connection with figures, but the present invention is not limited to the above exemplary embodiments. Various changes can be made within the scope of knowledge of those skilled in the art without departing from the principle of the present invention.
Claims (10)
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805829.4 | 2020-08-12 | ||
CN202010805829.4A CN112116806B (en) | 2020-08-12 | 2020-08-12 | Traffic flow characteristic extraction method and system |
PCT/CN2020/114489 WO2022032781A1 (en) | 2020-08-12 | 2020-09-10 | Traffic flow feature extraction method and system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE112020001662T5 true DE112020001662T5 (en) | 2022-04-21 |
Family
ID=73804048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112020001662.5T Pending DE112020001662T5 (en) | 2020-08-12 | 2020-09-10 | Method and system for extracting characteristics of traffic flow |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN112116806B (en) |
DE (1) | DE112020001662T5 (en) |
WO (1) | WO2022032781A1 (en) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652170B (en) * | 2020-12-24 | 2022-04-08 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | Method and device for positioning traffic jam hot spot |
CN114676917B (en) * | 2022-03-29 | 2024-07-02 | 福州大学 | Space distribution evaluation method and system for empty taxi |
CN115423841B (en) * | 2022-08-08 | 2023-06-23 | 华东师范大学 | Transportation end point calibration method and system for bulk logistics |
CN115457767B (en) * | 2022-08-30 | 2023-08-29 | 同济大学 | Lane information extraction method based on crowdsourcing machine motor car track |
CN115655281B (en) * | 2022-12-06 | 2024-07-16 | 亿海蓝(北京)数据技术股份公司 | Method and device for planning sea route and readable storage medium |
CN116030629B (en) * | 2023-01-09 | 2023-09-19 | 云艾网人工智能科技(江苏)有限公司 | Traffic jam tracing method based on track big data, storage medium and server |
CN116401568A (en) * | 2023-02-02 | 2023-07-07 | 道枢(上海)数字技术有限公司 | Intelligent event multi-occurrence area dividing method based on density clustering |
CN116597649B (en) * | 2023-06-09 | 2024-07-16 | 山西省智慧交通研究院有限公司 | Road network traffic flow deduction method based on expressway charging system |
CN117455918B (en) * | 2023-12-25 | 2024-03-26 | 深圳市辉熙智能科技有限公司 | Anti-blocking feeding method and system based on image analysis |
CN117994987B (en) * | 2024-04-07 | 2024-06-11 | 东南大学 | Traffic parameter extraction method and related device based on target detection technology |
CN118243131B (en) * | 2024-05-27 | 2024-07-23 | 北京车慧达科技有限公司 | Track prediction method based on vehicle track semantic analysis and deep belief network |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576481B2 (en) * | 2015-04-30 | 2017-02-21 | Here Global B.V. | Method and system for intelligent traffic jam detection |
CN104952248B (en) * | 2015-06-08 | 2017-09-12 | 浙江大学 | A kind of vehicle convergence Forecasting Methodology based on Euclidean space |
CN105843919A (en) * | 2016-03-24 | 2016-08-10 | 云南大学 | Moving object track clustering method based on multi-feature fusion and clustering ensemble |
CN107610464B (en) * | 2017-08-11 | 2019-02-12 | 河海大学 | A kind of trajectory predictions method based on Gaussian Mixture time series models |
CN108847023A (en) * | 2018-06-13 | 2018-11-20 | 新华网股份有限公司 | Push the method, apparatus and terminal device of warning information |
CN109033011B (en) * | 2018-06-19 | 2022-06-21 | 东软集团股份有限公司 | Method and device for calculating track frequency, storage medium and electronic equipment |
CN109034226A (en) * | 2018-07-16 | 2018-12-18 | 福州大学 | A kind of track of vehicle clustering method based on graph theory |
CN110176139B (en) * | 2019-02-21 | 2021-01-05 | 淮阴工学院 | DBSCAN + -based road congestion identification visualization method |
CN110135450B (en) * | 2019-03-26 | 2020-06-23 | 中电莱斯信息***有限公司 | Hot spot path analysis method based on density clustering |
CN111915893B (en) * | 2019-04-15 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | Road bottleneck point identification method and device, electronic equipment and storage medium |
CN111275963A (en) * | 2020-01-14 | 2020-06-12 | 北京百度网讯科技有限公司 | Method and device for mining hot spot area, electronic equipment and storage medium |
-
2020
- 2020-08-12 CN CN202010805829.4A patent/CN112116806B/en active Active
- 2020-09-10 WO PCT/CN2020/114489 patent/WO2022032781A1/en active Application Filing
- 2020-09-10 DE DE112020001662.5T patent/DE112020001662T5/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022032781A1 (en) | 2022-02-17 |
CN112116806A (en) | 2020-12-22 |
CN112116806B (en) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112020001662T5 (en) | Method and system for extracting characteristics of traffic flow | |
DE112011103424B4 (en) | System and method for selecting routes | |
DE102018128290A1 (en) | METHOD AND DEVICE FOR PRODUCING SCENARIOS AND PARAMETRIC SWEEPS FOR THE DEVELOPMENT AND EVALUATION OF AUTONOMOUS DRIVE SYSTEMS | |
DE102013208521A1 (en) | Collective learning of a highly accurate road model | |
DE102012201472A1 (en) | Method for providing parking information on free parking spaces | |
DE102019216914A1 (en) | SYSTEM AND METHOD FOR THE AUTOMATED GENERATION OF SEMANTIC CARDS | |
DE102016214045A1 (en) | Method and device for determining a roadway model for a vehicle environment | |
DE102009047407A1 (en) | Method and navigation device for simplifying a description of a route | |
DE102018116036A1 (en) | Training a deep convolutional neural network for individual routes | |
EP1423661B1 (en) | Method for determining routes and associated navigation system | |
DE102010001700A1 (en) | Method for determination utilization of e.g. roads, for driver of vehicle, has repeating detection of utilization of route section and increase of degree of utilization of route section, where degree of utilization is increased again | |
DE10145299A1 (en) | Procedure for the automatic calculation of optimal routes | |
DE112018006321T5 (en) | DEVICE FOR GENERATING DATA OF A DRIVEWAY WITHIN AN INTERSECTION, PROGRAM FOR GENERATING DATA OF A DRIVEWAY WITHIN AN INTERSECTION AND STORAGE MEDIUM | |
EP0889454A2 (en) | Method and central unit for forecasting and analysis of a traffic network | |
DE102020215589A1 (en) | CONTROLLING A DEEP-SEQUENCE MODEL WITH PROTOTYPES | |
DE102022210504A1 (en) | System and method for predicting a future position of a road user | |
DE102021006166A1 (en) | Procedure for data transfer between two digital road maps | |
DE102019215656B4 (en) | Method for evaluating a selected route, route evaluation system and computer program | |
DE102021116411A1 (en) | SYSTEMS AND PROCEDURES FOR CREATING INFRASTRUCTURE MODELS | |
DE102019217952A1 (en) | Method and device for providing a training data set for training an AI function on an unknown data domain | |
DE102018217610A1 (en) | Air quality optimization method, controller, vehicle and system for performing the method | |
DE102019002594A1 (en) | Method for updating an optimal route guidance | |
DE102022002334B3 (en) | Procedure for determining and providing lane courses | |
DE102022214233B3 (en) | Determining the similarity of traffic scenes to improve machine learning systems or algorithms for trajectory prediction or maneuver planning for automated vehicles | |
DE102022003360B3 (en) | Method for generating training data sets for an autonomous vehicle and system for generating training data sets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |