城市交通流估计背景简介

简介: 在城镇化演变进程中,汽车数量增加交通拥堵的问题越来越严峻,交通流量数据预测是交通管理和调控过程中尤为重要的环节,涉及到能否精准得到短时交通流量预测数据。

     近十年来,随着社会经济的发展,交通运输量得到迅猛增加。其中,除了经济发展所需要的物流运输的增长外,交通出行増多也是交通运输増长的重要一部分。并且,随着城市发展和城市居民收入水平的提高,城市居民对更好的出行方式和出行体验有了更高要求。因此,城市汽车的保有量也在不断攀升,根据国家统计局发布的《2019年国民经济和社会发展统计公报》数据显示,截至2019年底,国内14个省机动车保有量超过1000万辆,66个城市汽车保有量超过百万辆,此外,北京、上海、成都、武汉、重庆、深圳、苏州、郑州、天津、西安、东莞等11个城市汽车保有量超300万辆。人们生活水平提升也增加了居民的出行次数,除去通勤出行,人们休闲购物的次数也有所增加,大多数城市在2000年以后的出行次数就已经超过了2次/天,少数城市甚至超过了3次/天。除了在数量上人们的交通需求增加了之外,城市居民对交通质量的要求也在曰益提高,希望城市交通出行可以更加舒适、方便和快捷。然而城市交通的建设发展并没有满足人们需求的增长,2000-2015年,中国城市市辖区道路面积由246393万平方米增至550789万平方米(年均増长10.30%),而同期城市民用汽车拥有量的年均增长率则高达20.87%。城市中每年大量车辆的增加,人们出行数量的增加给城市交通产生了巨大压力。因此,城市特别是大中型城市都面临着交通拥堵这一问题,交通拥堵严重影响了城市居民的生活质量,使得出行时间成本和能源消耗都大大增加,造成了很大的经济损失和环境污染,尤其在面临天气变化时城市正常交通功能影响巨大。可以看出,城市交通建设远没有跟上居民出行的变化,加大城市交通建设可以提升城市交通系统的运载能力,但建设需要较长的时间,那么在进一步进行城市交通建设的同时,依赖一系列的管理措施提升现有的交通系统运行利用效率,是一个有效的可以较快实现的解决方案。这一方案就需要掌握城市交通的全面、多维度、系统的运行数据,以对现有的交通状态进行分析和优化决策,这其中的关键技术即为智能交通系统技术ITS技术。      

     以ITS技术为主要技术来解决城市交通问题已经成为广泛的共识,“十四五”加快建设交通强国的国家重大需求。2019年9月国务院发布了《交通强国建设纲要》首次将智能交通系统发展过程中的主要内容与新一代基础设施建设、智能化载运工具、人性化的服务系统等建设结合到一起。可以看出,ITS可以应用在城市交通中的多个方面,然而,技术的实施离不开交通状况基础数据的支撑。在交通数据中,交通流参数是最为基础和重要的数据,交通流是指汽车在道路上连续行驶形成的车流,在不受横向交叉影响的路段上,呈现出物理学上的流体特征。交通流参数是对其流体特征在时间上和空间上进行具体的测量与量化。交通流参数中最主要的三个参数是交通流体量、交通流密度、交通流速度,这三个参数可以表征交通流的基本特征。交通流参数可以表征交通现有状况,对其进行分析、统计和预测可实现:对交通拥堵进行识别、对交通未来状况进行预测、对异常交通状况进行识别。因此交通流参数的估计是ITS技术的核心环节,是必备的基础数据输入。

     综上所述,随着城市交通压力的日益加剧,以ITS技术为核心的相关领域的热点和难点问题越来越被重视。以这些技术研宄来提高城市交通运输利用率和对公众的交通服务水平,提高交通设施建设之间的协同能力已成为城市道路交通最为紧迫的战略性任务之一,而交通流估计技术是促进这些方面发展的重要支撑之一。

相关文章
|
机器学习/深度学习 传感器 编解码
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(中)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(中)
|
1月前
|
机器学习/深度学习 人工智能 文字识别
MMMU华人团队更新Pro版!多模态基准升至史诗级难度:过滤纯文本问题、引入纯视觉问答
【10月更文挑战第12天】多模态理解是人工智能的重要研究方向,华人团队改进了现有的MMMU基准,推出MMMU-Pro,以更严格地评估模型的多模态理解和推理能力。MMMU-Pro通过过滤纯文本问题、增加候选选项和引入纯视觉问答设置,提高了评估难度。实验结果显示,模型在MMMU-Pro上的性能明显下降,但CoT推理有助于提升表现。MMMU-Pro为多模态理解提供了更严格的评估工具,但也面临一些挑战。
41 1
|
6月前
|
机器学习/深度学习 编解码 计算机视觉
多种模态控制的背景生成技术
在保持输入主体不变的情况下生成背景的需求广泛存在,可用于海报生成、商品换背景多种场景。本文介绍一种使用扩散模型生成背景的技术,背景生成内容可接受图像、文字prompt和图像边缘edge等3中不同的引导方式,这些引导方式可以组合使用,灵活的控制生成背景的内容。该模型具有很好的通用性,对主体内容无限制,适用各种不同的图像主体,例如各类商品、动物甚至人像等。
296 0
|
存储 编解码 监控
转:如何利用视频压缩算法优化屏幕监控数据管理
屏幕监控数据的管理就跟整理书房一样,既要提高效率,还要省点存储成本。视频压缩算法就像是书架上的魔法工具,可以在不损坏图画的情况下,把数据量“瘦身”一下,让数据管理变得更轻松。以下是一些利用视频压缩算法优化屏幕监控数据管理的方法——
137 0
|
机器学习/深度学习 传感器 人工智能
纯视觉3D检测综述!一文详解3D检测现状、趋势和未来方向!(下)
基于图像的3D目标检测是自动驾驶领域的一个基本问题,也是一个具有挑战性的问题,近年来受到了业界和学术界越来越多的关注。得益于深度学习技术的快速发展,基于图像的3D检测取得了显著的进展。特别是,从2015年到2021年,已经有超过200篇研究这个问题的著作,涵盖了广泛的理论、算法和应用。然而,到目前为止,还没有一个调查来收集和组织这方面的知识。本文首次对这一新兴的不断发展的研究领域进行了全面综述,总结了基于图像的3D检测最常用的流程,并对其各个组成部分进行了深入分析。此外,作者还提出了两个新的分类法,将最先进的方法组织成不同的类别,以期提供更多的现有方法的系统综述,并促进与未来作品的公平比较。
纯视觉3D检测综述!一文详解3D检测现状、趋势和未来方向!(下)
|
机器学习/深度学习 传感器 编解码
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(上)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(上)
|
传感器 机器学习/深度学习 编解码
2022最新综述!一文详解自动驾驶中的多模态融合感知算法(数据级/特征级/目标级)
多模态传感器融合意味着信息互补、稳定和安全,长期以来都是自动驾驶感知的重要一环。然而信息利用的不充分、原始数据的噪声及各个传感器间的错位(如时间戳不同步),这些因素都导致融合性能一直受限。本文全面调研了现有多模态自动驾驶感知算法,传感器包括LiDAR和相机,聚焦于目标检测和语义分割,分析超过50篇文献。同传统融合算法分类方法不同,本文从融合阶段的不同将该领域分类两大类、四小类。此外,本文分析了当前领域存在的问题,对未来的研究方向提供参考。
2022最新综述!一文详解自动驾驶中的多模态融合感知算法(数据级/特征级/目标级)
|
机器学习/深度学习 自然语言处理 资源调度
机器学习实战系列[一]:工业蒸汽量预测(最新版本下篇)含特征优化模型融合等
在进行归回模型训练涉及主流ML模型:决策树、随机森林,lightgbm等;在模型验证方面:讲解了相关评估指标以及交叉验证等;同时用lgb对特征进行优化;最后进行基于stacking方式模型融合。
|
机器学习/深度学习 存储 SQL
带你读《2022年开源大数据热力报告》——TOP项目热力跃迁逻辑研究
带你读《2022年开源大数据热力报告》——TOP项目热力跃迁逻辑研究
216 0
下一篇
无影云桌面