共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
基于浮动车移动检测与感应线圈融合技术的行程时间估计模型 总被引:7,自引:0,他引:7
综合考虑到浮动车检测技术与感应线圈检测技术的优缺点,为了提高道路行程时间估计的精度及完备性,提出基于浮动车与感应线圈的融合检测技术的行程时间估计模型。该模型利用神经网络技术对两种检测技术同一路段的检测数据进行融合,从而达到提高道路行程时间估计精度和完备性的目的。最后,以广州市7 000多辆装有GPS装置的出租车所提供的浮动车数据、100多个安装在广州市各主要道路口上的感应线圈检测器提供的感应线圈数据以及广州市交通电子地图为基础,在10条道路上分别随机选取的500个两种检测数据对提出的模型进行了验证,试验结果表明,此模型在道路行程时间估计的精度方面较浮动车移动检测技术与感应线圈技术有较大提高。 相似文献
3.
4.
5.
基于Vague集的道路交通状态决策信息融合 总被引:2,自引:1,他引:1
为了获取更加合理、准确的交通状态决策信息,针对交通状态决策信息的多源、模糊、时变特性,基于vague集建立了浮动车、感应线圈与人工报告作为信息源的模糊信息融合模型,能够实现路段与区域路网的交通状态判别。给出了一个路段多源交通状态决策信息融合的算例,验证了该方法的有效性。该方法同时为主客观信息融合提供了一种实现途径。 相似文献
6.
7.
8.
针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。 相似文献
9.
针对海量浮动车数据特点和快速处理要求,提出了一种基于矢量道路地图栅格化的海量浮动车数据方法,该算法的关键是矢量道路栅格化过程中包括了道路缓冲区和属性信息。道路缓冲区的宽度由一个与浮动车数据位置误差和道路宽度相关的置信区域决定;矢量道路缓冲区转换成栅格图后,栅格图中像素的位置对应着实际地理坐标,而像素值的灰度值表示道路的等级、名称、编号等属性或方向等信息;然后将海量浮动车数据与栅格道路地图进行叠加处理。这种方法不仅可以精确地计算出城市道路地图坐标系与浮动车数据坐标系之间的变换参数,而且还能够快速地获取区域路网以及特定道路的行驶速度。最后,通过超过一千万个真实的武汉市浮动车数据,并与经典的浮动车数据处理算法进行比较,验证了矢量道路栅格化方法处理海量浮动车数据的可行性和有效性。 相似文献
10.
15.
17.
19.