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)
|
20天前
|
人工智能 数据挖掘 vr&ar
LeviTor:蚂蚁集团开源3D目标轨迹控制视频合成技术,能够控制视频中3D物体的运动轨迹
LeviTor是由南京大学、蚂蚁集团等机构联合推出的3D目标轨迹控制视频合成技术,通过结合深度信息和K-means聚类点控制视频中3D物体的轨迹,无需显式的3D轨迹跟踪。
60 4
LeviTor:蚂蚁集团开源3D目标轨迹控制视频合成技术,能够控制视频中3D物体的运动轨迹
|
1月前
|
人工智能 小程序 开发者
【一步步开发AI运动小程序】十一、人体关键点跳跃追踪
本文介绍如何利用“云智AI运动识别小程序插件”开发AI运动小程序,涵盖云上运动会、健身打卡等热门应用场景。通过示例代码展示如何调用插件功能,实现动作追踪与分析,助力开发者快速上手。
|
7月前
全息近眼显示技术如何实现三维图像再现?
【6月更文挑战第26天】全息近眼显示技术如何实现三维图像再现?
65 4
|
8月前
|
机器学习/深度学习 编解码 计算机视觉
|
8月前
|
机器学习/深度学习 算法 C#
[视觉概述] 机器视觉应用方向、项目流程及学习思路总结
[视觉概述] 机器视觉应用方向、项目流程及学习思路总结
306 0
|
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)
|
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)
|
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 JSON 编解码
伯克利开源首个泊车场景下的高清数据集和预测模型,支持目标识别、轨迹预测
伯克利开源首个泊车场景下的高清数据集和预测模型,支持目标识别、轨迹预测
274 0