WO2020259074A1 - 一种基于大数据的交通拥堵预测***、方法及存储介质 - Google Patents

一种基于大数据的交通拥堵预测***、方法及存储介质 Download PDF

Info

Publication number
WO2020259074A1
WO2020259074A1 PCT/CN2020/087795 CN2020087795W WO2020259074A1 WO 2020259074 A1 WO2020259074 A1 WO 2020259074A1 CN 2020087795 W CN2020087795 W CN 2020087795W WO 2020259074 A1 WO2020259074 A1 WO 2020259074A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic
road section
congestion
big data
vehicles
Prior art date
Application number
PCT/CN2020/087795
Other languages
English (en)
French (fr)
Inventor
张彩霞
王向东
Original Assignee
佛山科学技术学院
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 佛山科学技术学院 filed Critical 佛山科学技术学院
Publication of WO2020259074A1 publication Critical patent/WO2020259074A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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

Definitions

  • the invention relates to the technical field of traffic control, in particular to a traffic jam prediction system, method and storage medium based on big data.
  • the traditional method of managing traffic congestion is usually the intelligent dispatch of traffic lights, the guide screen displays the congestion, and the map navigation displays the congestion.
  • the traditional method of managing traffic congestion is to relieve the congestion when the congestion occurs. This "headache, foot pain and foot pain" method treats the symptoms but not the root cause. This passive solution can only relieve the congestion, and the congestion is still daily Happened and did not really solve the problem. For example, there is congestion on a certain road section during the rush hours of work and off work. It is often seen that the traffic cops are on the spot to ease the congestion. This method has high labor costs and is not effective. And once the traffic cops are not present on a certain day Then it will return to the congested situation.
  • the purpose of the present invention is to solve the deficiencies of the prior art, and provide a multi-cascade flood control system and method based on machine learning.
  • a traffic jam prediction system based on big data including:
  • the road section is a section between two adjacent traffic light intersections that can be used for traffic, and is numbered in sequence in a certain order;
  • a camera module the camera module is set at each intersection of traffic lights and used to take images of passing vehicles;
  • the GPRS communication module is set at each traffic light intersection and is used to establish a communication connection between each traffic light intersection and the cloud server;
  • An image processing module the image processing module is used to perform image recognition on the image taken by the camera module, and obtain the license plate number information of the passing vehicles in the image;
  • the control center is used to calculate the traffic flow of each road section through the license plate number information of the vehicles passing by each traffic light intersection, and calculate the traffic jam probability of each road section according to the traffic flow of each road section.
  • sequence of the road section numbering is to perform S-shaped sequential numbering in a direction from the lower left corner to the upper right corner of the aerial view of the city.
  • a traffic congestion prediction method based on big data is also proposed, which is applied to the above-mentioned traffic congestion prediction system based on big data, including the following:
  • Step 1 Obtain the number of vehicles Q n on the road section numbered n within the threshold time;
  • Step 2 Calculate the congestion heat of each road segment within the threshold time.
  • the calculation method of the congestion heat is to arrange in descending order according to the number of vehicles Q n of each road segment within the threshold time. The larger the number of vehicles Q n, the greater the number of n The higher the congestion of the road section;
  • Step 3 Calculate the traffic jam probability model of each road section n according to the congestion heat, and fit the calculated traffic jam probability model to obtain a more accurate traffic jam probability model;
  • Step 4 The staff adjust the corresponding road sections according to the accurate traffic jam probability model.
  • the method of calculating the traffic jam probability model in the step 3 is:
  • the fitting method in the step 3 is to divide the variable n into several segments by means of piecewise fitting, and set an error threshold U. If the sum of squares of the errors for two consecutive times is higher than the threshold U, Then stop the fitting of the line segment and start the fitting of the next set of adjacent data curves.
  • n is adaptively divided into k segments, and for each segment:
  • the optimal parameter c n of each section c can be solved, and combined with the optimal parameter c m , you can find At this time b m , the optimal parameters (c m , b m ) of each segment of the curve m can be obtained, and thus the fitting model of formula (3) can be obtained.
  • the adjustment method of the staff is to pre-drain the road section with high congestion probability, that is, to extend the green traffic time between the road section and the road section with low congestion probability, and guide the vehicle into the road section with low congestion probability.
  • a computer-readable storage medium stores a computer program, and the computer program implements the steps of the method according to any one of claims 3-6 when the computer program is executed by a processor.
  • the beneficial effects of the present invention are: by proposing a traffic jam prediction system, method and storage medium based on big data, the present invention can intelligently monitor the traffic situation, and can generate a more accurate traffic jam probability prediction model. Help traffic control personnel to better control traffic and improve people's travel experience.
  • Figure 1 shows a flow chart of a traffic congestion prediction method based on big data
  • Figure 2 shows a schematic diagram of the positional relationship and road section composition of a 4 traffic light intersection.
  • the present invention proposes a traffic congestion prediction system based on big data, including:
  • the section is a section between two adjacent traffic light intersections that can be used for traffic, and is numbered in a certain order; in fact, the numbering only needs to comply with a certain rule, just to facilitate record management , As long as it is reasonable, those skilled in the art can set it according to their needs.
  • A, B, C, D in Figure 2 are 4 traffic light intersections, of which A1 and B1 constitute a road section, B2 and D1 constitute a road section, D2 and C2 constitute a road section, and C1 and A2 constitute a road section.
  • the camera module is installed at each traffic light intersection, used to take images of passing vehicles; the camera module here can be considered to install a camera if sufficient funds, but you can also directly use the original Camera.
  • the GPRS communication module is set at each traffic light intersection and is used to establish a communication connection between each traffic light intersection and the cloud server;
  • Image processing module the image processing module is used to perform image recognition on the image taken by the camera module, and obtain the license plate number information of the vehicles passing through the image; the image processing module for license plate recognition may consider the original system of the transportation department.
  • the control center is used to calculate the traffic flow of each road section through the license plate number information of the vehicles passing by each traffic light intersection, and calculate the traffic jam probability of each road section according to the traffic flow of each road section.
  • the sequence of the road segment numbering is to perform S-shaped sequential numbering from the lower left corner to the upper right corner of the bird's-eye view of the city.
  • a traffic congestion prediction method based on big data is also proposed, which is applied to the above-mentioned traffic congestion prediction system based on big data, including the following:
  • Step 1 Obtain the number of vehicles Q n on the road section numbered n within the threshold time;
  • the vehicle license plate number information of the corresponding two traffic light intersections of the road section with the number n If the vehicles appearing at the two traffic light intersections of the road section at the same time have the same license plate number and the same orientation, it is determined that the vehicle is Record one quantity for the same vehicle, if the same vehicle has a different direction, it means that the vehicle appears to pass by on both sides of the road section and record two quantities, and so on;
  • Step 2 Calculate the congestion heat of each road segment within the threshold time.
  • the calculation method of the congestion heat is to arrange in descending order according to the number of vehicles Q n of each road segment within the threshold time.
  • the larger the number of vehicles Q n, the greater the number of n The higher the degree of congestion in the road section; this threshold is generally set according to the needs of research, that is, the time that frequent congestion occurs, such as the time of peak work or school peak time, it is set reasonably, and the threshold is usually set during the time period of frequent congestion
  • the threshold is shorter, such as 10 minutes, because the changes are frequent, and the threshold is usually set longer, such as 30 minutes, during periods of infrequent congestion.
  • Step 3 Calculate the traffic jam probability model of each road section n according to the congestion heat, and fit the calculated traffic jam probability model to obtain a more accurate traffic jam probability model;
  • Step 4 The staff adjust the corresponding road sections according to the accurate traffic jam probability model.
  • the method of calculating the traffic congestion probability model in step 3 is:
  • the fitting method in step 3 is to divide the variable n into several segments by means of piecewise fitting, and set an error threshold U. If the sum of squares of the errors is high for two consecutive times At the threshold U, stop the fitting of the line segment and start the fitting of the next set of adjacent data curves.
  • n is adaptively divided into k segments, and each segment has:
  • the optimal parameter c n of each section c can be solved, and combined with the optimal parameter c m , you can find At this time b m , the optimal parameters (c m , b m ) of each segment of the curve m can be obtained, and thus the fitting model of formula (3) can be obtained.
  • the staff’s control method is to pre-drain the road section with high congestion probability, that is, to extend the green light transit time between the road section and the road section with low congestion probability, and guide the vehicle into the road section with low congestion probability.
  • a computer-readable storage medium stores a computer program, and the computer program implements the steps of the method according to any one of claims 3-6 when the computer program is executed by a processor.
  • modules described as separate components may or may not be physically separated, and the components displayed as modules may or may not be physical modules, that is, they may be located in one place, or they may be distributed to multiple network modules. Some or all of the modules may be selected according to actual needs to achieve the objectives of the solutions of the embodiments.
  • each embodiment of the present invention may be integrated into one processing module, or each module may exist alone physically, or two or more modules may be integrated into one module.
  • the above-mentioned integrated modules can be implemented in the form of hardware or software functional modules.
  • the integrated module is implemented in the form of a software function module and sold or used as an independent product, it can be stored in a computer readable storage medium.
  • the present invention implements all or part of the processes in the above-mentioned embodiments and methods, and can also be completed by instructing relevant hardware through a computer program.
  • the computer program can be stored in a computer-readable storage medium.
  • the computer program is executed by the processor, it can implement the steps of the foregoing method embodiments.
  • the computer program includes computer program code, and the computer program code may be in the form of source code, object code, executable file, or some intermediate forms.
  • the computer-readable medium may include: any entity or device capable of carrying the computer program code, recording medium, U disk, mobile hard disk, magnetic disk, optical disk, computer memory, read-only memory (ROM, Read-Only Memory) , Random Access Memory (RAM, Random Access Memory), electrical carrier signal, telecommunications signal, and software distribution media, etc.
  • ROM Read-Only Memory
  • RAM Random Access Memory
  • electrical carrier signal telecommunications signal
  • software distribution media etc.
  • the content contained in the computer-readable medium can be appropriately added or deleted in accordance with the requirements of the legislation and patent practice in the jurisdiction.
  • the computer-readable medium Does not include electrical carrier signals and telecommunication signals.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于大数据的交通拥堵预测***及方法，包括：步骤1、获取编号为n的路段的对应的两个红绿灯路口的车辆车牌号信息，统计阈值时间内同时存在两个红绿灯路口的车辆数量Q n；步骤2、计算阈值时间内每一个路段的拥堵热度，拥堵热度的计算方式为，按照阈值时间内每一个路段的车辆数量Q n进行降序排列，车辆数量Q n越大表示编号为n的路段拥堵热度越高；步骤3、根据拥堵热度计算每一个路段n的交通拥堵概率模型，并对计算出的交通拥堵概率模型进行拟合获得更为精确的交通拥堵概率模型；步骤4、工作人员根据精确的交通拥堵概率模型对相应的路段进行调控。能够快而准确的对交通拥堵情况进行预测，从而帮助相关人员进行相应的调控。

Description

一种基于大数据的交通拥堵预测***、方法及存储介质 技术领域
本发明涉及交通管制技术领域，尤其涉及一种基于大数据的交通拥堵预测***、方法及存储介质。
背景技术
随着人民生活水平的不断提高，科技的不断发展，机动车在数量和质量外观上不断突破创新的同时，交通拥堵的负面影响也凸显的尤为明显。之所以人们开始关注并有效缓解交通拥堵问题是因为交通拥堵不但对人们的日常生活与工作带来许多不便，而且对城市的经济发展起到了严重的制约作用。
传统的治理交通拥堵的方法通常是红绿灯的智能调度，引导屏显示拥堵，地图导航显示拥堵等。传统的治理交通拥堵的方法都是在拥堵发生时进行疏导，这种“头痛医头，脚痛医脚”的方式都治标不治本，这种被动方案只能起到缓解作用，而拥堵仍然每天发生，并没有真正解决问题。例如某一路段在上班和下班高峰期出现拥堵，经常有看到交通协警在现场人工角度从而缓解拥堵情况，这种方式人力成本高，效果不佳，且一旦某一天交通协警人员不在场则又会回到拥堵不堪的境地。
当今市场急需一种能够智能地对拥堵情况进行分析的***及方法，能够快而准确的对交通拥堵情况进行预测，从而帮助相关人员对交通进行相应的调控。
发明内容
本发明的目的是解决现有技术的不足，提供一种基于机器学习的多级联排防洪***及方法。
为了实现上述目的，本发明采用以下的技术方案：
提出一种基于大数据的交通拥堵预测***，包括：
行车区域的每一个路段，所述路段为相邻两个红绿灯路口之间可用于通车的路段，并按照一定的顺序进行依次编号；
摄像模块，所述摄像模块设置于每一个红绿灯路口处，用于对经过的车辆进行图像拍摄；
GPRS通信模块，所述GPRS通信模块设置于每一个红绿灯路口处，用于使每一个红绿灯路口与云端服务器建立通信连接；
图像处理模块，所述图像处理模块用于对摄像模块所拍摄的图像进行图像识别，获取图 像中经过的车辆车牌号信息；
控制中心，所述控制中心用于通过每一个红绿灯路口处经过车辆的车牌号信息计算出每一个路段的车流量，并根据每一个路段的车流量计算每一个路段的交通拥堵概率。
进一步，所述路段编号的顺序为以城市鸟瞰图的左下角向右上角的方向进行S形顺序编号。
还提出一种基于大数据的交通拥堵预测方法，应用于上述的一种基于大数据的交通拥堵预测***，包括以下：
步骤1、获取编号为n的路段在阈值时间内的车辆数量Q n；
步骤2、计算阈值时间内每一个路段的拥堵热度，所述拥堵热度的计算方式为，按照阈值时间内每一个路段的车辆数量Q n进行降序排列，车辆数量Q n越大表示编号为n的路段拥堵热度越高；
步骤3、根据拥堵热度计算每一个路段n的交通拥堵概率模型，并对计算出的交通拥堵概率模型进行拟合获得更为精确的交通拥堵概率模型；
步骤4、工作人员根据精确的交通拥堵概率模型对相应的路段进行调控。
进一步，所述步骤3中计算交通拥堵概率模型的方法为：
以路段编号n作为自变量，编号为n的路段的拥堵概率
Figure PCTCN2020087795-appb-000001
其中x 0表示尺度参数，c为广延参数，对上式(1)取两次对数可将式(1)化为
ln[-lnP c(n)]＝c(lnn-lnx 0)   (2),
将上式(2)进行坐标转换得到线性回归的形式
Y＝cX+b    (3)
其中Y＝ln[-lnP c(n)]，X＝lnn，b＝-clnx 0，其中n取1，2，3，…,n。
进一步，所述步骤3中的拟合方法为，采用分段拟合的方式即将变量n分成若干段，设定一个误差阈值U，若连续两次误差的平方和均高于该阈值U的话，则停止该线段的拟合，并开始下一组相邻数据曲线的拟合，根据以上，自适应的将n分为k段，对每一段有：
Figure PCTCN2020087795-appb-000002
令每一段曲线的分段点处的拟合值(X *，Y *)为该拟合线段的起始点，可以得到
b＝Y *-cX *    (5)
通过结合式(1)、(2)、(3)、(4)、(5)结合最小二乘法可以解出每一段c的最优参数c n，并结合最优参数c m，可以求出此时的b m，进而可以得到每一段划分的曲线m的最优参数(c m，b m),由此可以获得式(3)的拟合模型。
进一步，所述工作人员的调控方式为对高拥堵概率的路段进行预先疏导即将该路段与低拥堵概率的路段之间的绿灯通行时间进行延长，引导车辆进入低拥堵概率路段。
还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求3-6任一项所述方法的步骤。
本发明的有益效果为：本发明通过提出一种基于大数据的交通拥堵预测***、方法及存储介质，能够智能化地对交通情况进行监测，并且能够产生较为精确的交通拥堵概率预测模型，能够帮助交通调控人员更好地对交通进行调控，使人们的出行体验改善。
附图说明
图1所示为一种基于大数据的交通拥堵预测方法的流程图；
图2所示为一个4个红绿灯路口的位置关系及路段构成示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
结合图1以及图2，本发明提出一种基于大数据的交通拥堵预测***，包括：
行车区域的每一个路段，所述路段为相邻两个红绿灯路口之间可用于通车的路段，并按照一定的顺序进行依次编号；其实编号只要符合一定的规律即可，为的只是方便记录管理，只要合理都是可以的，本领域技术人员可以根据需要进行自行设置。图2中的A、B、C、D为4个红绿灯路口，其中A1与B1构成一个路段，B2与D1构成一个路段，D2与C2构成一个路段，C1与A2构成一个路段。
摄像模块，所述摄像模块设置于每一个红绿灯路口处，用于对经过的车辆进行图像拍摄；此处的摄像模块如果资金充裕的话可以考虑再装一个摄像头，但是也可以直接使用交通部门原有的摄像头。
GPRS通信模块，所述GPRS通信模块设置于每一个红绿灯路口处，用于使每一个红绿灯路口与云端服务器建立通信连接；
图像处理模块，所述图像处理模块用于对摄像模块所拍摄的图像进行图像识别，获取图像中经过的车辆车牌号信息；车牌识别的图像处理模块可以考虑采用交通部门原有的***。
控制中心，所述控制中心用于通过每一个红绿灯路口处经过车辆的车牌号信息计算出每一个路段的车流量，并根据每一个路段的车流量计算每一个路段的交通拥堵概率。
作为本方案的优选实施例，所述路段编号的顺序为以城市鸟瞰图的左下角向右上角的方向进行S形顺序编号。
还提出一种基于大数据的交通拥堵预测方法，应用于上述的一种基于大数据的交通拥堵预测***，包括以下：
步骤1、获取编号为n的路段在阈值时间内的车辆数量Q n；
具体的可以为获取编号为n的路段的对应的两个红绿灯路口的车辆车牌号信息，如果同时出现在该路段的两个红绿灯路口的车辆具有相同的车牌号以及相同的朝向则判定该车辆为同车辆记一个数量，若同车车辆但朝向不同则说明该车辆出现经过该路段两侧记两个数量，依次类推；
步骤2、计算阈值时间内每一个路段的拥堵热度，所述拥堵热度的计算方式为，按照阈值时间内每一个路段的车辆数量Q n进行降序排列，车辆数量Q n越大表示编号为n的路段拥堵热度越高；此阈值一般设置根据需要进行研究即经常出现拥堵的时间，比如上班高峰期或是放学高峰期的那段时间来合理设置，在经常出现拥堵的时间段，通常将阈值设置的短一些诸如10分钟，因为变化频繁，在不经常出现拥堵的时间段通常将阈值设置的长一些如30分钟。
步骤3、根据拥堵热度计算每一个路段n的交通拥堵概率模型，并对计算出的交通拥堵概率模型进行拟合获得更为精确的交通拥堵概率模型；
步骤4、工作人员根据精确的交通拥堵概率模型对相应的路段进行调控。
够快而准确的对交通拥堵情况进行预测，从而提醒相关人员对交通进行相应的调控，所述步骤3中计算交通拥堵概率模型的方法为：
以路段编号n作为自变量，编号为n的路段的拥堵概率
Figure PCTCN2020087795-appb-000003
其中x 0表示尺度参数，c为广延参数，对上式(1)取两次对数可将式(1)化为
ln[-lnP c(n)]＝c(lnn-lnx 0)     (2),
将上式(2)进行坐标转换得到线性回归的形式
Y＝cX+b     (3)
其中Y＝ln[-lnP c(n)]，X＝lnn，b＝-clnx 0，其中n取1，2，3，…,n。
作为本方案的优选实施例，所述步骤3中的拟合方法为，采用分段拟合的方式即将变量n分成若干段，设定一个误差阈值U，若连续两次误差的平方和均高于该阈值U的话，则停止该线段的拟合，并开始下一组相邻数据曲线的拟合，根据以上，自适应的将n分为k段，对每一段有：
Figure PCTCN2020087795-appb-000004
令每一段曲线的分段点处的拟合值(X *，Y *)为该拟合线段的起始点，可以得到
b＝Y *-cX *   (5)
通过结合式(1)、(2)、(3)、(4)、(5)结合最小二乘法可以解出每一段c的最优参数c n，并结合最优参数c m，可以求出此时的b m，进而可以得到每一段划分的曲线m的最优参数(c m，b m),由此可以获得式(3)的拟合模型。
作为本方案的优选实施例，所述工作人员的调控方式为对高拥堵概率的路段进行预先疏导即将该路段与低拥堵概率的路段之间的绿灯通行时间进行延长，引导车辆进入低拥堵概率路段。
还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求3-6任一项所述方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (7)

  1. 一种基于大数据的交通拥堵预测***，其特征在于，包括：
    行车区域的每一个路段，所述路段为相邻两个红绿灯路口之间可用于通车的路段，并按照一定的顺序进行依次编号；
    摄像模块，所述摄像模块设置于每一个红绿灯路口处，用于对经过的车辆进行图像拍摄；
    GPRS通信模块，所述GPRS通信模块设置于每一个红绿灯路口处，用于使每一个红绿灯路口与云端服务器建立通信连接；
    图像处理模块，所述图像处理模块用于对摄像模块所拍摄的图像进行图像识别，获取图像中经过的车辆车牌号信息；
    控制中心，所述控制中心用于通过每一个红绿灯路口处经过车辆的车牌号信息计算出每一个路段的车流量，并根据每一个路段的车流量计算每一个路段的交通拥堵概率。
  2. 根据权利要求1所述的一种基于大数据的交通拥堵预测***，其特征在于，所述路段编号的顺序为以城市鸟瞰图的左下角向右上角的方向进行S形顺序编号。
  3. 一种基于大数据的交通拥堵预测方法，其特征在于，应用于上述的一种基于大数据的交通拥堵预测***，包括以下：
    步骤1、获取编号为n的路段在阈值时间内的车辆数量Q n；
    步骤2、计算阈值时间内每一个路段的拥堵热度，所述拥堵热度的计算方式为，按照阈值时间内每一个路段的车辆数量Q n进行降序排列，车辆数量Q n越大表示编号为n的路段拥堵热度越高；
    步骤3、根据拥堵热度计算每一个路段n的交通拥堵概率模型，并对计算出的交通拥堵概率模型进行拟合获得更为精确的交通拥堵概率模型；
    步骤4、工作人员根据精确的交通拥堵概率模型对相应的路段进行调控。
  4. 根据权利要求3所述的一种基于大数据的交通拥堵预测方法，其特征在于，所述步骤3中计算交通拥堵概率模型的方法为：
    以路段编号n作为自变量，编号为n的路段的拥堵概率
    Figure PCTCN2020087795-appb-100001
    其中x 0表示尺度参数，c为广延参数，对上式(1)取两次对数可将式(1)化为
    ln[-lnP c(n)]＝c(lnn-lnx 0)  (2),
    将上式(2)进行坐标转换得到线性回归的形式
    Y＝cX+b  (3)
    其中Y＝ln[-lnP c(n)]，X＝lnn，b＝-clnx 0，其中n取1，2，3，…,n。
  5. 根据权利要求4所述的一种基于大数据的交通拥堵预测方法，其特征在于，所述步骤3中的拟合方法为，采用分段拟合的方式即将变量n分成若干段，设定一个误差阈值U，若连续两次误差的平方和均高于该阈值U的话，则停止该线段的拟合，并开始下一组相邻数据曲线的拟合，根据以上，自适应的将n分为k段，对每一段有：
    Figure PCTCN2020087795-appb-100002
    令每一段曲线的分段点处的拟合值(X *，Y *)为该拟合线段的起始点，可以得到
    b＝Y *-cX *  (5)
    通过结合式(1)、(2)、(3)、(4)、(5)结合最小二乘法可以解出每一段c的最优参数c n，并结合最优参数c m，可以求出此时的b m，进而可以得到每一段划分的曲线m的最优参数(c m，b m),由此可以获得式(3)的拟合模型。
  6. 根据权利要求3所述的一种基于大数据的交通拥堵预测方法，其特征在于，所述工作人员的调控方式为对高拥堵概率的路段进行预先疏导即将该路段与低拥堵概率的路段之间的绿灯通行时间进行延长，引导车辆进入低拥堵概率路段。
  7. 一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，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3-6任一项所述方法的步骤。
PCT/CN2020/087795 2019-06-28 2020-04-29 一种基于大数据的交通拥堵预测***、方法及存储介质 WO2020259074A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910572226.1 2019-06-28
CN201910572226.1A CN110264735B (zh) 2019-06-28 2019-06-28 一种基于大数据的交通拥堵预测***、方法及存储介质

Publications (1)

Publication Number Publication Date
WO2020259074A1 true WO2020259074A1 (zh) 2020-12-30

Family

ID=67922695

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/087795 WO2020259074A1 (zh) 2019-06-28 2020-04-29 一种基于大数据的交通拥堵预测***、方法及存储介质

Country Status (2)

Country Link
CN (1) CN110264735B (zh)
WO (1) WO2020259074A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210053572A1 (en) * 2019-08-23 2021-02-25 Magna Electronics Inc. Vehicular driving assist system with traffic jam probability determination
CN113610304A (zh) * 2021-08-11 2021-11-05 北京京东乾石科技有限公司 一种拥堵预测方法、装置、设备和存储介质
CN113706863A (zh) * 2021-08-05 2021-11-26 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
CN114202936A (zh) * 2021-12-17 2022-03-18 重庆特斯联智慧科技股份有限公司 一种交通指挥机器人及其控制方法
CN114418468A (zh) * 2022-03-29 2022-04-29 成都秦川物联网科技股份有限公司 一种智慧城市交通调度策略控制方法和物联网***
CN114613137A (zh) * 2022-03-07 2022-06-10 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN115083165A (zh) * 2022-06-29 2022-09-20 北京智城交建科技有限公司 智慧城市路***通指挥控制方法、装置及存储介质
CN115240406A (zh) * 2022-05-31 2022-10-25 厦门路桥信息股份有限公司 道路拥堵的管理方法、装置、计算机可读介质及电子设备
CN115273468A (zh) * 2022-07-20 2022-11-01 青岛海信网络科技股份有限公司 一种交通拥堵控制策略生成方法及装置
CN115346376A (zh) * 2022-10-20 2022-11-15 山东省国土空间规划院(山东省自然资源和不动产登记中心) 大数据城市交通量统计方法、***、存储介质及电子设备
CN115547054A (zh) * 2022-11-29 2022-12-30 湖南工商大学 一种基于大数据的交通引导***
CN115801787A (zh) * 2023-01-29 2023-03-14 智道网联科技(北京)有限公司 路端数据传输方法、装置及电子设备、存储介质
CN116129650A (zh) * 2023-03-03 2023-05-16 山东锐纳交通科技有限公司 一种基于大数据分析的交通预警***及其方法
CN114999143B (zh) * 2022-03-17 2023-08-29 高德软件有限公司 红灯时长挖掘方法、电子设备及计算机程序产品
CN117058877A (zh) * 2023-08-30 2023-11-14 佳泽睿安集团有限公司 一种城市交通智能监控方法及***
CN117392852A (zh) * 2023-12-11 2024-01-12 大作(江苏)云科技有限公司 一种面向大数据分析的云计算资源调度优化***
CN117593891A (zh) * 2024-01-19 2024-02-23 长安大学 一种基于高速公路交通大数据的车流量分析***及方法
CN117975745A (zh) * 2024-04-01 2024-05-03 华东交通大学 一种基于车联网的智慧交通监控***

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264735B (zh) * 2019-06-28 2021-11-30 佛山科学技术学院 一种基于大数据的交通拥堵预测***、方法及存储介质
CN110765222B (zh) * 2019-10-24 2022-04-19 成都路行通信息技术有限公司 一种基于Geohash编码的兴趣点自驾热度计算方法和平台
CN110910643B (zh) * 2019-12-03 2021-12-10 腾讯云计算（北京）有限责任公司 一种交通流的管控方法和装置
CN112530163B (zh) * 2020-11-23 2022-03-01 腾讯科技（深圳）有限公司 交通事故预测方法、装置、电子设备及存储介质
CN112634631A (zh) * 2020-12-11 2021-04-09 京东数字科技控股股份有限公司 交通信号灯的控制方法、装置、***以及电子设备
CN113077633A (zh) * 2021-02-24 2021-07-06 克拉玛依油城数据有限公司 一种新型智慧城市***及其应用方法
CN113674540B (zh) * 2021-09-14 2022-12-13 逸兴泰辰技术有限公司 路口红绿灯配时调整方法、终端
CN113808401B (zh) * 2021-09-18 2023-02-10 平安普惠企业管理有限公司 交通拥堵预测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005060856A1 (de) * 2005-12-20 2007-06-28 Robert Bosch Gmbh Verfahren zur Erkennung eines Stauereignisses
CN105261214A (zh) * 2015-10-09 2016-01-20 深圳市凯立德科技股份有限公司 一种路况预测方法、装置及服务器
CN106530753A (zh) * 2016-12-12 2017-03-22 广州二通通信科技有限公司 一种智能交通灯控制***
CN107085953A (zh) * 2017-06-06 2017-08-22 郑州云海信息技术有限公司 一种基于云计算的智能交通管理***及方法
CN107240280A (zh) * 2017-07-28 2017-10-10 深圳市盛路物联通讯技术有限公司 一种交通管理方法及***
CN108389403A (zh) * 2018-04-23 2018-08-10 白冰 基于车流量捕捉的交通信号灯及限速标志智能调节方法
CN110264735A (zh) * 2019-06-28 2019-09-20 佛山科学技术学院 一种基于大数据的交通拥堵预测***、方法及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5404453B2 (ja) * 2010-01-28 2014-01-29 株式会社日立製作所 車両監視装置
CN102968901B (zh) * 2012-11-30 2014-11-26 青岛海信网络科技股份有限公司 获取区域拥堵信息的方法及区域拥堵分析装置
GB2518662B (en) * 2013-09-27 2015-12-16 Thales Holdings Uk Plc Apparatus and method for managing traffic
CN104240499B (zh) * 2014-06-23 2016-08-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
CN104157139B (zh) * 2014-08-05 2016-01-13 中山大学 一种交通拥堵预测方法及可视化方法
CN105118288B (zh) * 2015-09-18 2018-01-19 青岛智能产业技术研究院 一种交通管理***和方法
CN107610464B (zh) * 2017-08-11 2019-02-12 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
CN108960498A (zh) * 2018-06-27 2018-12-07 沈阳理工大学 一种基于时序关联规则的交通拥堵预测方法
CN108986465B (zh) * 2018-07-27 2020-10-23 深圳大学 一种车流量检测的方法、***及终端设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005060856A1 (de) * 2005-12-20 2007-06-28 Robert Bosch Gmbh Verfahren zur Erkennung eines Stauereignisses
CN105261214A (zh) * 2015-10-09 2016-01-20 深圳市凯立德科技股份有限公司 一种路况预测方法、装置及服务器
CN106530753A (zh) * 2016-12-12 2017-03-22 广州二通通信科技有限公司 一种智能交通灯控制***
CN107085953A (zh) * 2017-06-06 2017-08-22 郑州云海信息技术有限公司 一种基于云计算的智能交通管理***及方法
CN107240280A (zh) * 2017-07-28 2017-10-10 深圳市盛路物联通讯技术有限公司 一种交通管理方法及***
CN108389403A (zh) * 2018-04-23 2018-08-10 白冰 基于车流量捕捉的交通信号灯及限速标志智能调节方法
CN110264735A (zh) * 2019-06-28 2019-09-20 佛山科学技术学院 一种基于大数据的交通拥堵预测***、方法及存储介质

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210053572A1 (en) * 2019-08-23 2021-02-25 Magna Electronics Inc. Vehicular driving assist system with traffic jam probability determination
CN113706863B (zh) * 2021-08-05 2022-08-02 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
CN113706863A (zh) * 2021-08-05 2021-11-26 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
CN113610304A (zh) * 2021-08-11 2021-11-05 北京京东乾石科技有限公司 一种拥堵预测方法、装置、设备和存储介质
CN114202936A (zh) * 2021-12-17 2022-03-18 重庆特斯联智慧科技股份有限公司 一种交通指挥机器人及其控制方法
CN114202936B (zh) * 2021-12-17 2023-04-21 重庆特斯联智慧科技股份有限公司 一种交通指挥机器人及其控制方法
CN114613137A (zh) * 2022-03-07 2022-06-10 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114613137B (zh) * 2022-03-07 2023-02-21 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114999143B (zh) * 2022-03-17 2023-08-29 高德软件有限公司 红灯时长挖掘方法、电子设备及计算机程序产品
CN114418468A (zh) * 2022-03-29 2022-04-29 成都秦川物联网科技股份有限公司 一种智慧城市交通调度策略控制方法和物联网***
US11587436B1 (en) 2022-03-29 2023-02-21 Chengdu Qinchuan Iot Technology Co., Ltd. Methods for controlling traffic scheduling strategies in smart cities and Internet of Things (IoT) systems thereof
US12033501B2 (en) 2022-03-29 2024-07-09 Chengdu Qinchuan Iot Technology Co., Ltd. Methods for traffic scheduling at intersections in smart cities and Internet of Things (IoT) systems thereof
CN115240406A (zh) * 2022-05-31 2022-10-25 厦门路桥信息股份有限公司 道路拥堵的管理方法、装置、计算机可读介质及电子设备
CN115240406B (zh) * 2022-05-31 2023-12-29 厦门路桥信息股份有限公司 道路拥堵的管理方法、装置、计算机可读介质及电子设备
CN115083165B (zh) * 2022-06-29 2023-11-28 北京智城交建科技有限公司 智慧城市路***通指挥控制方法、装置及存储介质
CN115083165A (zh) * 2022-06-29 2022-09-20 北京智城交建科技有限公司 智慧城市路***通指挥控制方法、装置及存储介质
CN115273468A (zh) * 2022-07-20 2022-11-01 青岛海信网络科技股份有限公司 一种交通拥堵控制策略生成方法及装置
CN115273468B (zh) * 2022-07-20 2023-10-24 青岛海信网络科技股份有限公司 一种交通拥堵控制策略生成方法及装置
CN115346376A (zh) * 2022-10-20 2022-11-15 山东省国土空间规划院(山东省自然资源和不动产登记中心) 大数据城市交通量统计方法、***、存储介质及电子设备
CN115547054A (zh) * 2022-11-29 2022-12-30 湖南工商大学 一种基于大数据的交通引导***
CN115801787A (zh) * 2023-01-29 2023-03-14 智道网联科技(北京)有限公司 路端数据传输方法、装置及电子设备、存储介质
CN115801787B (zh) * 2023-01-29 2023-07-07 智道网联科技(北京)有限公司 路端数据传输方法、装置及电子设备、存储介质
CN116129650A (zh) * 2023-03-03 2023-05-16 山东锐纳交通科技有限公司 一种基于大数据分析的交通预警***及其方法
CN116129650B (zh) * 2023-03-03 2023-10-31 新疆北斗同创信息科技有限公司 一种基于大数据分析的交通预警***及其方法
CN117058877A (zh) * 2023-08-30 2023-11-14 佳泽睿安集团有限公司 一种城市交通智能监控方法及***
CN117058877B (zh) * 2023-08-30 2024-02-27 佳泽睿安集团有限公司 一种城市交通智能监控方法及***
CN117392852A (zh) * 2023-12-11 2024-01-12 大作(江苏)云科技有限公司 一种面向大数据分析的云计算资源调度优化***
CN117392852B (zh) * 2023-12-11 2024-05-03 深圳鹏智瑞数字营销有限公司 一种面向大数据分析的云计算资源调度优化***
CN117593891A (zh) * 2024-01-19 2024-02-23 长安大学 一种基于高速公路交通大数据的车流量分析***及方法
CN117593891B (zh) * 2024-01-19 2024-05-07 长安大学 一种基于高速公路交通大数据的车流量分析***及方法
CN117975745A (zh) * 2024-04-01 2024-05-03 华东交通大学 一种基于车联网的智慧交通监控***
CN117975745B (zh) * 2024-04-01 2024-05-31 华东交通大学 一种基于车联网的智慧交通监控***

Also Published As

Publication number Publication date
CN110264735B (zh) 2021-11-30
CN110264735A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
WO2020259074A1 (zh) 一种基于大数据的交通拥堵预测***、方法及存储介质
US10354523B2 (en) Road traffic control system, method, and electronic device
CN110111592B (zh) 基于交通信号控制机动态匹配最优信号配时方案的方法
CN107945507A (zh) 行程时间预测方法及装置
CN104899650A (zh) 基于多源数据分析对旅游景区客流量进行预测的方法
CN106373425B (zh) 一种基于大数据的停车管理***
CN106355905B (zh) 一种基于卡口数据的高架信号控制方法
Liu et al. Intersection delay estimation from floating car data via principal curves: a case study on Beijing’s road network
CN110956807A (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN108538072A (zh) 一种确定发车策略的方法和装置
JP7505046B2 (ja) ダイヤグラムの生成方法、ダイヤグラムの生成装置、電子設備及びコンピュータ読取可能な記憶媒体
Deng et al. Reduce bus bunching with a real-time speed control algorithm considering heterogeneous roadway conditions and intersection delays
CN114509081B (zh) 基于差异化收费计算车辆通行成本的方法以及装置
CN114997493A (zh) 一种高速公路车辆碳排放量预测方法及***
Cappellari et al. An analysis of the New York City traffic volume, vehicle collisions, and safety under COVID-19
CN103500505A (zh) 一种获取汽车在道路交叉路口等待红绿灯时间的方法
CN105825675B (zh) 一种基于大数据的路段旅行时间计算方法和装置
CN112015748A (zh) 一种区域实时订单与运力的供需关系可视化方法和***
CN109523788B (zh) 一种路段运行效果评价方法
CN114758492B (zh) 一种动静态联动的停车场出口控制方法、装置及存储介质
CN111127885A (zh) 一种低排放城市区域的交通管控方法及其***
CN103839424B (zh) 一种基于招车期望值的出租车空车导航***与方法
Maxner et al. Simulation-based analysis of different curb space type allocations on curb performance
CN116453352A (zh) 一种基于k聚类算法和神经网络的货车交通流量预测方法
CN115759660A (zh) 一种无人驾驶车辆的调度方法、装置、设备和介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20830898

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20830898

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20830898

Country of ref document: EP

Kind code of ref document: A1