CN104269057A - 一种基于浮动车od数据的卡口传感器部署方法 - Google Patents
一种基于浮动车od数据的卡口传感器部署方法 Download PDFInfo
- Publication number
- CN104269057A CN104269057A CN201410512654.2A CN201410512654A CN104269057A CN 104269057 A CN104269057 A CN 104269057A CN 201410512654 A CN201410512654 A CN 201410512654A CN 104269057 A CN104269057 A CN 104269057A
- Authority
- CN
- China
- Prior art keywords
- data
- floating car
- bunch
- density
- data item
- 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.)
- Granted
Links
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
- G08G1/0104—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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于浮动车OD数据的卡口传感器部署方法,主要包括以下步骤:(1)读取浮动车历史数据,进行预处理得到浮动车OD数据集X;(2)计算浮动车OD数据集X中的任意两点的距离,得到距离矩阵D=(dij)n×n;(3)对浮动车OD数据集X进行基于密度和参考距离的聚类算法分析;(4)对步骤(3)得到的每个簇类数据集Xk进行第二次聚类算法分析并作去噪处理得到城市出行密集区;(5)对城市出行密集区进行地图匹配并编号;(6)根据城市交通干道信息确定卡口传感器的部署位置。本发明方法可行性强,计算量降低且运算速度快,可以为城市卡口传感器部署提供实践指导方案。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种基于浮动车OD数据的卡口传感器部署方法。
背景技术
伴随着微电子技术、计算机技术、数字通信技术、网络技术以及人工智能等各种高新技术的不断发展,全球智能交通技术(ITS)得到迅速发展,现代交通传感器在交通控制和管理上应用得到不断发展和升级。依靠从传感器获得的交通流数据对中心商业区、交通主干线和高速公路制定交通管理策略已成为常见课题。
近年来,卡口传感器作为一种功能强大的新型传感器,在我国华东、华南部分省市的部署力度不断加强。卡口监控系统集高清晰摄像、图像处理、视频监控、图像识别、通信、自动控制等多项技术为一体,为打击肇事逃逸、侦破机动车盗抢以及其它涉案车辆提供准确的证据和信息,为维护交通治安、加强公安交通管理提供有力保障。然而,国内已有的卡口系统几乎都是各自相对独立设置的卡口点,彼此之间并不相互关联。卡口系统建设过程中往往存在调研论证不够充分深入、方案不够周详、布点不尽合理、可操作性较差等问题,大大地削弱了卡口系统应有作用的有效发挥,无法形成有效的监控网络。
由于经济的发展,城市面积不断扩大,道路不断增多,城市路网的密度也持续增大,如何在路网中合理部署卡口传感器对于卡口系统的建设非常重要。目前,传感器部署方面的研究仍处于学术探讨阶段,还未形成较完善的理论体系。现有的方法来主要集中在利用能耗和覆盖率为目标函数,利用优化算法设计无线传感器节点部署,例如专利《一种传感器网络的节点部署方法和节点》、专利《一种无线传感器网络的节点定位方法》,文献《基于覆盖率的传感器优化部署算法》等。研究人员往往基于理论研究,在假设的理想环境下基于目标函数给出一种最优的节点部署方法,而很少有可应用的实际性方案。另外,根据交通数据信息设计传感器部署方案研究还未涉及。
浮动车数据是近年来ITS中所获取的最重要交通数据之一,其输出结果不仅能为相关部门提供道路实时交通状况信息,,而且可为道路建设规划、拥堵缓解等各项工作提供定量数据分析基础。其中,浮动车OD(起屹点)数据,代表人们出行的起点和终点,反映了城市交通中的出行密集程度。为此设计一种基于浮动车OD数据的卡口传感器部署方法是有必要的。
发明内容
本发明为克服上述的不足之处,目的在于提供一种基于浮动车OD数据的卡口传感器部署方法,通过对浮动车OD数据的获取,计算距离矩阵,进行聚类分析得到城市出行密集区,并进行地图匹配,进而实现在城市的交通干道信息的基础上确定卡口传感器的部署方法,以实现卡口系统的有效监控;该方法可行性强,计算量降低且运算速度快,为城市卡口传感器部署提供了实践指导方案。
本发明是通过以下技术方案达到上述目的:一种基于浮动车OD数据的卡口传感器部署方法,包括如下步骤:
(1)读取浮动车历史数据,进行预处理得到浮动车OD数据集X;
(2)计算浮动车OD数据集X中的任意两点的距离,得到距离矩阵D=(dij)n×n;
(3)对浮动车OD数据集X进行基于密度和参考距离的聚类算法分析;
(4)对步骤(3)得到的每个簇类数据集Xk进行第二次聚类算法分析并作去噪处理得到城市出行密集区;
(5)对城市出行密集区进行地图匹配并编号;
(6)根据城市交通干道信息确定卡口传感器的部署位置。
作为优选,所述步骤(1)浮动车历史数据中包括六种数据项:日期数据项、车辆编号数据项、时间数据项、经度数据项、纬度数据项、空重车数据项。
作为优选,所述步骤(1)预处理得到浮动车OD数据集X的方法如下:
(1)数据判别规则的设计:判断每条记录是否包含浮动车数据应有的六个数据项,若不包含则不做保存直接读取下一条;若包含则进入各数据项的判别;
(2)数据的筛选:判断浮动车载客状态持续时间,删除不正常载客时间的浮动车数据;保留车辆状态从0变化到1和车辆状态从1变化到0的数据,删除其他数据(状态从0变化到0或者状态从1变化到1);
(3)整理筛选后的浮动车数据,提取浮动车经纬度数据并存储为浮动车OD数据集X;记X的元素为Xi,其中i=1,2,…,n代表数据ID;Xi=(xi,yi),其中xi代表i点经度,yi代表i点纬度。
作为优选,所述的各数据项的判别包括如下规则:
1)日期/时间数据项清洗规则:a.判断数据项中是否为空值;b.判断数据项中是否包含非数值型字符;c.判断数据项中的数值是否为所设定的日期/时间范围内;
2)车辆编号数据项清洗规则:a.判断数据项中是否为空值;b.判断数据项中是否包含非数值型字符;c.判断数据项中的车辆编号数值是否在该城市GPS定位的浮动车数量范围内;
3)经度/纬度数据项清洗规则:a.判断数据项中是否为空值;b.判断数据项中是否包含非数值型字符;c.判断数据项中的经度数值是否在该城市经度/纬度范围内;
4)空重车数据项清洗规则:a.判断数据项中是否为空值;b.判断数据项中是否包含非数值型字符;c.判断数据项中数值是否为0或为1(0表示空车,1表示载客)。
作为优选,所述的步骤(2)计算浮动车OD数据集X中的任意两点的距离依据如下公式:
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)dist(A,B)=R*Arccos(C)*π/180
其中dist(A,B)代表点A到点B之间的距离,MLonA,MLatA分别为点A的经度坐标和纬度坐标,MLonB,MLatB分别为点B的经度坐标和纬度坐标,R为地球的平均半径。
作为优选,所述的步骤(3)基于密度和参考距离的聚类算法分析包括如下步骤:
(1)计算密度:
点i的密度ρi的计算公式为ρi代表与点i的距离小于距离阈值d0的点的个数;
其中,特征函数χ(x):d0是距离阈值;
(2)密度向量排序:
对密度按从大到小的顺序排序,当密度相同时则按点i的数值从小到大的顺序排序,得到有序密度向量Ρ;其中满足
(3)计算参考距离:
定义点i的参考距离δi为点i距其高密度点(密度大于点i密度的点)的最小距离,计算公式为在计算过程中记录每个点i的最近高密度点ji,即满足
定义密度最大点i1的参考距离 则i=1,2,…,n;
(4)选取聚类中心:
画出ρ-δ(密度-参考距离)散点图,根据图形中密度与参考距离的取值密度阈值ρ0、参考距离阈值δ0,选择同时满足密度大于ρ0并且参考距离大于的δ0的点为聚类中心;
其中,由于密度最大点i1的参考距离则密度最大的点一定为聚类中心;
(5)确定每个点所在的簇:
从密度最大点开始依次划分每个点所在的簇,依次确定点i1,i2,…,ik,…,in所在的簇,得到的每个簇类的信息,每个簇类信息包括簇序号k;该簇内所有点经纬度坐标数据集Xk;该簇内所包含点的个数Nk。
作为优选,所述的确定点i1,i2,…,ik,…,in所在的簇的具体方法为点ik若是聚类中心,则直接得到所在的簇;若否,则点ik与其最近高密度点在同一个簇中,由于的取值范围是{i1,i2,…,ik-1},因此所在的簇已经确定,从而点ik所在的簇确定。
作为优选,所述的步骤(3)的基于密度和参考距离的聚类阈值选取依据为ρ-δ(密度-参考距离)散点图或传感器部署的整体预算数量两种中的任意一种。
作为优选,所述的步骤(4)去噪处理具体步骤如下:
(1)找到本簇中与其他簇类点距离小于等于距离阈值的点,求符合条件的点对密度均值并记录,取记录值得最大值作为本簇的密度临界值;
(2)将簇中的点的密度值与本簇的密度临界值进行对比,过滤小于密度临界值的点(即噪声点);
(3)由步骤(2)得到的簇类作为基于浮动车OD数据的城市出行密集区;簇类数据集的大小不同可以视为密集程度的不同。
作为优选,所述的步骤(5)对城市出行密集区进行地图匹配的方法为城市出行密集区在带有城市路网信息的ArcMap中展示,结合路网信息对城市出行密集区进行地图匹配;按照出行密集程度由大到小(簇类数据集由大到小)进行编号。
作为优选,所述的步骤(6)确定卡口传感器的部署位置的方法为:
(1)在交通干道与每个密集区相连的位置部署卡口传感器;
(2)密集程度大的簇内部,在交通干道交叉处部署卡口传感器。
本发明的有益效果在于:(1)实用性强,本方法提供了一种可实施应用的卡口传感器部署方法,其结果可为城市卡口传感器部署提供实践指导方案;(2)可行性强,由于当前浮动车数据在许多城市中的采集和管理技术已经比较成熟而带来极大的可行性;(3)本发明方法采用二次聚类算法,可在减少计算的同时更有效的识别出行密集区;(4)本发明方法在聚类分析时不需迭代,整个算法的时间复杂度低,运算速度快。
附图说明
图1是本发明的总体流程图;
图2是本发明浮动车OD数据获取流程图;
图3是基于密度和参考距离的聚类算法流程图;
图4是本发明浮动车数据集的ρ-δ散点图;
图5是本发明实施例1中将聚类结果显示到ArcMap中的示意图(即杭州市出行密集区示意图);
图6是本发明实施例1中所提出的基于浮动车OD数据的杭州市卡口传感器部署示意图;
图7是本发明实施例2中将聚类结果显示到ArcMap中的示意图(即杭州市出行密集区示意图);
图8是本发明实施例3根据传感器部署个数聚类分析的聚类结果示意图;
图9是本发明实施例3浮动车数据集的ρ-δ散点图;
图10是本发明实施例3二次聚类分析的聚类结果示意图;
图11是本发明实施例3卡口传感器部署结果示意图1;
图12是本发明实施例3卡口传感器部署结果示意图2。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例1:本实施例采用杭州市2013年6月4号浮动车数据,如图1所示的为基于浮动车OD数据的卡口传感器部署方案整体流程,具体实施过程如下:
(1)读取浮动车历史数据并进行数据预处理,获得浮动车OD数据。主要过程如附图2所示,主要包括以下流程:
(a)从历史数据库读取浮动车数据,各数据项分别为:日期数据项,车辆编号数据项,时间数据项,经度数据项,纬度数据项,空重车数据项。
(b)按照规则筛选保存数据:首先判断每条记录是否包含如上所述的六个数据项,若不包含则不做保存直接读取下一条;若包含则判断个数据项是否符合所设定要求。
(c)判断浮动车载客状态持续时间,删除不正常载客时间的浮动车数据,如载客超过5小时(即状态1持续5小时);保留车辆状态从0变化到1和车辆状态从1变化到0的数据,删除从0变化到0状态或者从1变化到1状态。数据处理后结果如表1所示:
表1
其中每一行代表一辆浮动车数据信息,第一列表示日期,第二列表示浮动车编号,从第三列开始每4列为一个单位,分别表示时间、状态(0表示空车,1表示载客)、该状态发生的经度、该状态发生的纬度。
(d)提取整理得到(如上表所示)的浮动车经纬度数据并存储为X,每一个经纬度数对为一个ID值,即为2013年6月4号杭州市浮动车OD数据;本实施例中,共计获得15500条浮动车OD数据。浮动车OD数据集X:Xi=(xi,yi),i=1,2,…,n代表数据ID,n=12847;xi和yi分别代表点i的经度和纬度。
(2)计算距离矩阵
由于浮动车OD数据集X任意的一点Xi=(xi,yi),xi属于东经,yi属于北纬,因此X中任意两点的地表距离计算公式如下:
zij=cosyi·cosyj·cos(xi-xj)+sinyi·cosyj
dij=R·Arccos(zij)·π/180
其中,R=6378.140千米为地球半径。
本实施例中,根据上述公式计算浮动车OD数据集X中两两距离,得到15500×15500的距离矩阵D,该矩阵的第i行第j列元素代表X中ID为i和j的两点之间的距离。为简化计算,在计算过程中将地球视为单位球。表2给出该距离矩阵的其中一个子矩阵:
表2
(3)基于密度和参考距离的聚类算法的具体流程如附图3所示,具体步骤如下:
(a)计算点i的密度ρi:
其中,特征函数χ(x):距离向量阈值d0取有序向量d1的第L(d1)/100~L(d1)/50个值,L(d1)代表有序距离向量d1的长度,有序向量d1是距离向量d按从小到大的顺序排序后得到的向量,d=(dij)j>i=(d12,…,d1n,d23,…,dn-1,n)。
本实施例中,取向量d1的第L(d1)/100值作为距离阈值,得d0=0.0010。
(b)对密度按从大到小的顺序排序,当密度相同时则按点i的数值从小到大的顺序排序,得到有序密度向量Ρ;其中满足
本实施例中,有序密度向量P及其对应的ID记录如表3所示:
P | 664 | 652 | 652 | 650 | 647 | 646 | 645 | 644 | 644 | 644 |
ID | 1599 | 946 | 8437 | 2356 | 12266 | 1499 | 4113 | 4010 | 8809 | 10800 |
表3
(c)计算点i的参考距离δi:在计算过程中记录每个点i的最近高密度点ji,即满足
密度最大点i1的参考距离 则i=1,2,…,n。
本实施例中每个点参考距离及其最近高密度点ID如表4所示:
表4
(d)选取聚类中心:
对于浮动车OD数据集X,画出ρ-δ散点图如附图4所示。根据图中密度与参考距离的取值范围来选取密度阈值和参考距离阈值;本实施例中取ρ0=125,δ0=0.046。
同时满足密度大于密度阈值并且参考距离大于参考距离阈值的点为聚类中心,本实施例的聚类中心记录如表5所示:
Cluster | 1 | 2 | 3 | 4 | 5 |
聚类中心ID | 47 | 48 | 1599 | 2536 | 3862 |
聚类中心经度 | 120.33067 | 120.16107 | 120.17636 | 120.08707 | 120.1078 |
聚类中心纬度 | 30.303125 | 30.306013 | 30.246586 | 30.263288 | 30.31885 |
表5
由于密度最大点i1=1599的参考距离则密度最大的点一定为聚类中心。
(e)从密度最大点开始依次确定每个点所在的簇,具体过程如下:
点ik若是聚类中心,则直接得到所在的簇;若否,则点ik与其最近高密度点所在的同一个簇中,由于的取值范围是{i1,i2,…,ik-1},因此所在的簇已经确定,从而点ik所在的簇确定。
(4)二次聚类分析,具体步骤如下:
(a)应用步骤3所述对数据浮动车OD数据集X进行聚类分析并记录每一个簇类的信息,信息内容如下:簇序号k;该簇内所有点经纬度坐标数据集Xk;该簇内所包含点的个数Nk。
按照要求本实施例的聚类结果记录如表6所示:
Cluster | 1 | 2 | 3 | 4 | 5 |
经纬度信息数据集 | X1 | X2 | X3 | X4 | X5 |
元素个数 | 839 | 2805 | 9322 | 832 | 1702 |
表6
(b)应用基于密度和参考距离的聚类算法依次对每个簇类数据集Xk进行聚类分析,并去掉每一类中的噪声点。去噪具体过程如下:
(i)确定密度临界值:找到该簇中与其他簇类点距离小于等于距离阈值的点,求符合条件的点对密度均值并记录,取记录值得最大值作为该簇的密度临界值;
(ii)过滤噪声:将簇中的点的密度值与该簇的密度临界值进行对比,过滤小于密度临界值的点(即噪声点)。
(iii)由(ii)得到的簇类作为基于浮动车OD数据的城市出行密集区;簇类数据集的大小不同可以视为密集程度的不同。
经过二次聚类分析,所得到的各个簇类及其密集程序信息如表7:
簇类序号 | 所含元素个数 | 簇类序号 | 所含元素个数 |
1 | 669 | 16 | 227 |
2 | 611 | 17 | 224 |
3 | 609 | 18 | 222 |
4 | 395 | 19 | 204 |
5 | 345 | 20 | 189 |
6 | 307 | 21 | 160 |
7 | 264 | 22 | 158 |
8 | 263 | 23 | 135 |
9 | 250 | 24 | 129 |
10 | 247 | 25 | 114 |
11 | 244 | 26 | 109 |
12 | 243 | 27 | 102 |
13 | 236 | 28 | 88 |
14 | 229 | 29 | 68 |
15 | 228 | 30 | 36 |
表7
(5)出行密集区地图匹配:
将步骤(4)的聚类结果显示到ArcMap中,结合路网信息对城市出行密集区进行地图匹配;按照出行密集程度由大到小(簇类数据集由大到小)进行编号。
杭州市出行密集区示意图如附图5所示。
(6)在获取城市的交通干道信息的基础上确定卡口传感器部署方法如下:
(a)在交通干道与每个密集区相连的位置部署卡口传感器;
(b)密集程度大的簇(本实施例中选取簇类元素个数大于100为密集程度较大的簇)内部交通干道交叉处部署卡口传感器。
基于浮动车OD数据的聚类分析获得出行密集区后,根据上述两个规则在杭州市出行密集区示意图用星号标记卡口传感器部署位置,具体示意图见附图6。
实施例2:本实施例采用杭州市2013年6月4号浮动车数据,如图1所示的为基于浮动车OD数据的卡口传感器部署方案整体流程,具体实施过程如下:
(1)读取浮动车历史数据并进行数据预处理,获得浮动车OD数据。主要过程如附图2所示,主要包括以下流程:
(a)从历史数据库读取浮动车数据,各数据项分别为:日期数据项,车辆编号数据项,时间数据项,经度数据项,纬度数据项,空重车数据项。
(b)按照规则筛选保存数据:首先判断每条记录是否包含如上所述的六个数据项,若不包含则不做保存直接读取下一条;若包含则判断个数据项是否符合所设定要求。
(c)判断浮动车载客状态持续时间,删除不正常载客时间的浮动车数据,如载客超过5小时(即状态1持续5小时);保留车辆状态从0变化到1和车辆状态从1变化到0的数据,删除从0变化到0状态或者从1变化到1状态。数据处理后结果如表8所示:
表8
其中每一行代表一辆浮动车数据信息,第一列表示日期,第二列表示浮动车编号,从第三列开始每4列为一个单位,分别表示时间、状态(0表示空车,1表示载客)、该状态发生的经度、该状态发生的纬度。
(d)提取整理得到(如上表所示)的浮动车经纬度数据并存储为X,每一个经纬度数对为一个ID值,即为2013年6月4号杭州市浮动车OD数据;本实施例中,共计获得15500条浮动车OD数据。浮动车OD数据集X:Xi=(xi,yi),i=1,2,…,n代表数据ID,n=12847;xi和yi分别代表点i的经度和纬度。
(2)计算距离矩阵
由于浮动车OD数据集X任意的一点Xi=(xi,yi),xi属于东经,yi属于北纬,因此X中任意两点的地表距离计算公式如下:
zij=cosyi·cosyj·cos(xi-xj)+sinyi·cosyj
dij=R·Arccos(zij)·π/180
其中,R=6378.140千米为地球半径。
本实施例中,根据上述公式计算浮动车OD数据集X中两两距离,得到15500×15500的距离矩阵D,该矩阵的第i行第j列元素代表X中ID为i和j的两点之间的距离。为简化计算,在计算过程中将地球视为单位。表9给出该距离矩阵的其中一个子矩阵:
表9
(3)基于密度和参考距离的聚类算法的具体流程如附图3所示,具体步骤如下:
(a)计算点i的密度ρi:
其中,特征函数χ(x):距离阈值d0取有序距离向量d1的第L(d1)/100~L(d1)/50个值,L(d1)代表有序距离向量d1的长度,有序向量d1是距离向量d按从小到大的顺序排序后得到的向量,d=(dij)j>i=(d12,…,d1n,d23,…,dn-1,n)。
本实施例中,取向量d1的第L(d1)/100值作为距离阈值,得d0=0.0010。
(b)对密度按从大到小的顺序排序,当密度相同时则按点i的数值从小到大的顺序排序,得到有序密度向量Ρ;其中满足
本实施例中,有序密度向量P及其对应的ID记录如表10所示:
P | 664 | 652 | 652 | 650 | 647 | 646 | 645 | 644 | 644 | 644 |
ID | 1599 | 946 | 8437 | 2356 | 12266 | 1499 | 4113 | 4010 | 8809 | 10800 |
表10
(c)计算点i的参考距离δi:在计算过程中记录每个点i的最近高密度点ji,即满足
密度最大点i1的参考距离 则i=1,2,…,n。
本实施例中每个点参考距离及其最近高密度点ID如表11所示:
表11
(d)选取聚类中心:
对于浮动车OD数据集X,画出ρ-δ散点图如附图4所示。根据图中密度与参考距离的取值范围来选取密度阈值和参考距离阈值;本实施例中取ρ0=100,δ0=0.05。
同时满足密度大于密度阈值并且参考距离大于参考距离阈值的点为聚类中心,本实施例的聚类中心记录如表12所示:
Cluster | 1 | 2 | 3 | 4 |
聚类中心ID | 47 | 48 | 1599 | 2536 |
聚类中心经度 | 120.33067 | 120.16107 | 120.17636 | 120.08707 |
聚类中心纬度 | 30.303125 | 30.306013 | 30.246586 | 30.263288 |
表12
由于密度最大点i1=1599的参考距离则密度最大的点一定为聚类中心。
(e)从密度最大点开始依次确定每个点所在的簇,具体过程如下:
点ik若是聚类中心,则直接得到所在的簇;若否,则点ik与其最近高密度点所在的同一个簇中,由于的取值范围是{i1,i2,…,ik-1},因此所在的簇已经确定,从而点ik所在的簇确定。
(4)二次聚类分析,具体步骤如下:
(a)应用步骤3所述对数据浮动车OD数据集X进行聚类分析并记录每一个簇类的信息,信息内容如下:簇序号k;该簇内所有点经纬度坐标数据集Xk;该簇内所包含点的个数Nk。
按照要求本实施例的聚类结果记录如表13所示:
Cluster | 1 | 2 | 3 | 4 |
经纬度信息数据集 | X1 | X2 | X3 | X4 |
元素个数 | 839 | 4507 | 9322 | 832 |
表13
(b)应用基于密度和参考距离的聚类算法依次对每个簇类数据集Xk进行聚类分析,并去掉每一类中的噪声点。去噪具体过程如下:
(i)确定密度临界值:找到该簇中与其他簇类点距离小于等于距离阈值的点,求符合条件的点对密度均值并记录,取记录值得最大值作为该簇的密度临界值;
(ii)过滤噪声:将簇中的点的密度值与该簇的密度临界值进行对比,过滤小于密度临界值的点(即噪声点)。
(iii)由(ii)得到的簇类作为基于浮动车OD数据的城市出行密集区;簇类数据集的大小不同可以视为密集程度的不同。
经过二次聚类分析,所得到的各个簇类及其密集程序信息如表14:
簇类序号 | 所含元素个数 | 簇类序号 | 所含元素个数 |
1 | 670 | 16 | 227 |
2 | 609 | 17 | 224 |
3 | 529 | 18 | 213 |
4 | 390 | 19 | 204 |
5 | 352 | 20 | 189 |
6 | 316 | 21 | 160 |
7 | 261 | 22 | 159 |
8 | 259 | 23 | 135 |
9 | 247 | 24 | 129 |
10 | 247 | 25 | 124 |
11 | 244 | 26 | 102 |
12 | 241 | 27 | 96 |
13 | 236 | 28 | 81 |
14 | 229 | 29 | 65 |
15 | 227 | 30 | 41 |
表14
(5)出行密集区地图匹配:
将步骤(4)的聚类结果显示到ArcMap中,结合路网信息对城市出行密集区进行地图匹配;按照出行密集程度由大到小(簇类数据集由大到小)进行编号。
杭州市出行密集区示意图如附图7所示。
(6)在获取城市的交通干道信息的基础上确定卡口传感器部署方法如下:
(a)在交通干道与每个密集区相连的位置部署卡口传感器;
(b)密集程度大的簇(本实施例中选取簇类元素个数大于100为密集程度较大的簇)内部交通干道交叉处部署卡口传感器。
基于浮动车OD数据的聚类分析获得出行密集区后,根据上述两个规则在杭州市出行密集区示意图用星号标记卡口传感器部署位置。
实施例3:本实施例根据传感器数量进行部署,假设预算经费为500个卡口传感器以内,据此进行聚类分析。
本实施例中采用杭州市2013年6月4号浮动车数据。
具体实施过程如下:
步骤1:读取浮动车历史数据并进行数据预处理,获得浮动车OD数据。主要过程如附图2所示,主要包括以下流程:
(1)从历史数据库读取浮动车数据,各数据项分别为:日期数据项,车辆编号数据项,时间数据项,经度数据项,纬度数据项,空重车数据项。
(2)按照规则筛选保存数据:首先判断每条记录是否包含如上所述的六个数据项,若不包含则不做保存直接读取下一条;若包含则判断个数据项是否符合所设定要求。
(3)判断浮动车载客状态持续时间,删除不正常载客时间的浮动车数据,如载客超过5小时(状态1持续5小时);保留车辆状态从0变化到1和车辆状态从1变化到0的数据,删除从0变化到0状态或者从1变化到1状态。数据处理后结果如下表15所示:
表15
其中每一行代表一辆浮动车数据信息,第一列表示日期,第二列表示浮动车编号,从第三列开始每4列为一个单位,分别表示时间、状态(0表示空车,1表示载客)、该状态发生的经度、该状态发生的纬度。(4)提取整理得到(如上表所示)的浮动车经纬度数据并存储为X,每一个经纬度数对为一个ID值,即为2013年6月4号杭州市浮动车OD数据;本实施例中,共计获得15500条浮动车OD数据。浮动车OD数据集X:Xi=(xi,yi),i=1,2,…,n代表数据ID,n=12847;xi和yi分别代表点i的经度和纬度。
步骤2:计算距离矩阵
由于浮动车OD数据集X任意的一点Xi=(xi,yi),xi属于东经,yi属于北纬,因此X中任意两点的地表距离计算公式如下:
zij=cosyi·cosyj·cos(xi-xj)+sinyi·cosyj
dij=R·Arccos(zij)·π/180
其中,R=6378.140千米为地球半径。
本实施例中,根据上述公式计算浮动车OD数据集X中两两距离,得到15500×15500的距离矩阵D,该矩阵的第i行第j列元素代表X中ID为i和j的两点之间的距离。为简化计算,在计算过程中将地球视为单位。下表16给出该距离矩阵的其中一个子矩阵:
表16
步骤3:基于密度和参考距离的聚类算法的具体流程如附图3所示,具体步骤如下:
(1)计算点i的密度ρi:
其中,特征函数χ(x):距离阈值d0取有序距离向量d1的第L(d1)/100~L(d1)/50个值,L(d1)代表有序距离向量d1的长度,有序向量d1是距离向量d按从小到大的顺序排序后得到的向量,d=(dij)j>i=(d12,…,d1n,d23,…,dn-1,n)。
本实施例中,取向量d1的第L(d1)/100值作为距离阈值,得d0=0.0010。
(2)对密度按从大到小的顺序排序,当密度相同时则按点i的数值从小到大的顺序排序,得到有序密度向量Ρ;其中满足
本实施例中,有序密度向量P及其对应的ID记录如下表17:
P | 664 | 652 | 652 | 650 | 647 | 646 | 645 | 644 | 644 | 644 |
ID | 1599 | 946 | 8437 | 2356 | 12266 | 1499 | 4113 | 4010 | 8809 | 10800 |
表17
(3)计算点i的参考距离δi:在计算过程中记录每个点i的最近高密度点ji,即满足
密度最大点i1的参考距离 则 i=1,2,…,n。
本实施例中每个点参考距离及其最近高密度点ID如下表18:
表18
(4)选取聚类中心:
对于浮动车OD数据集X,画出ρ-δ散点图如附图4所示。可根据图中密度与参考距离的取值范围来选取密度阈值和参考距离阈值,同时满足密度大于密度阈值并且参考距离大于参考距离阈值的点为聚类中心。
按照理论依据,应该选取密度值和参考距离值均较大的点作为聚类中心,因此在实施例1中取ρ0=125,δ0=0.046,聚类中心记录如下表19:
Cluster | 1 | 2 | 3 | 4 | 5 |
聚类中心ID | 47 | 48 | 1599 | 2536 | 3862 |
聚类中心经度 | 120.33067 | 120.16107 | 120.17636 | 120.08707 | 120.1078 |
聚类中心纬度 | 30.303125 | 30.306013 | 30.246586 | 30.263288 | 30.31885 |
表19
由于密度最大点i1=1599的参考距离则密度最大的点一定为聚类中心。
(5)从密度最大点开始依次确定每个点所在的簇,具体过程如下:
点ik若是聚类中心,则直接得到所在的簇;若否,则点ik与其最近高密度点所在的同一个簇中,由于的取值范围是{i1,i2,…,ik-1},因此所在的簇已经确定,从而点ik所在的簇确定。
步骤4:根据传感器部署个数进行二次聚类分析,具体步骤如下:
(1)应用步骤3所述对数据浮动车OD数据集X进行聚类分析并记录每一个簇类的信息,信息内容如下:簇序号k;该簇内所有点经纬度坐标数据集Xk;该簇内所包含点的个数Nk。
按照要求本实施例的聚类结果记录如下表20:
Cluster | 1 | 2 | 3 | 4 | 5 |
经纬度信息数据集 | X1 | X2 | X3 | X4 | X5 |
元素个数 | 839 | 2805 | 9322 | 832 | 1702 |
表20
聚类结果如图8所示。
(2)应用基于密度和参考距离的聚类算法依次对每个簇类数据集Xk进行聚类分析并去掉每一类中的噪声点。
根据传感器的个数进行聚类分析:
在最终获得的每一个簇类边缘部署6个卡口传感器(结合交通干道情况)用来监控进出该簇类的交通情况,簇类内部则根据聚类密集程度进行部署,即是按照所包含点的个数多少来进行部署。
由于本实施例共15500个点,每50个点部署一个传感器,因此簇类内部部署卡口传感器约为310个之内(由于去噪,最后的点集个数少于15500)。总数是500,外部部署卡口传感器约为200个。
根据步骤3所得到的簇类X1、X2、X3、X4、X5的元素个数的比例约为1:3:11:1:2,所以每个簇类经过二次聚类分析,要分别得到2,6,22,2,4个聚类,这样共36类,因此簇类的边缘部署36*6=216个传感器。
在对数据集X1、X2、X3、X4、X5进行聚类分析时,密度阈值和参考距离阈值的选取根据数据集要划分为几类在ρ-δ散点图中选取。
比如数据集X5,由于数据集X5要分为4类,因此从ρ-δ散点图中选取4个密度和参考距离较大点作为聚类中心。ρ-δ散点图如下图9所示。
去噪具体过程如下:
(2.1)确定密度临界值:找到该簇中与其他簇类点距离小于等于距离阈值的点,求符合条件的点对密度均值并记录,取记录值得最大值作为该簇的密度临界值;
(2.2)过滤噪声:将簇中的点的密度值与该簇的密度临界值进行对比,过滤小于密度临界值的点(即噪声点)。
(3)由(4.2)得到的簇类作为基于浮动车OD数据的城市出行密集区;簇类数据集的大小不同可以视为密集程度的不同。
经过二次聚类分析,实施例所得到的各个簇类及其密集程度信息如下表21所示:
簇类序号 | 所含元素个数 | 簇类序号 | 所含元素个数 |
1 | 794 | 19 | 208 |
2 | 656 | 20 | 198 |
3 | 594 | 21 | 178 |
4 | 544 | 22 | 163 |
5 | 479 | 23 | 163 |
6 | 444 | 24 | 160 |
7 | 438 | 25 | 156 |
8 | 364 | 26 | 141 |
9 | 311 | 27 | 133 |
10 | 306 | 28 | 126 |
11 | 303 | 29 | 109 |
12 | 299 | 30 | 101 |
13 | 289 | 31 | 95 |
14 | 284 | 32 | 93 |
15 | 250 | 33 | 68 |
16 | 236 | 34 | 58 |
17 | 231 | 35 | 32 |
18 | 221 | 36 | 32 |
表21
其中聚类结果如图10所示。
按照每50个点需要部署一个卡口传感器,实施例中每一个类的内部所需部署卡口传感器的个数如下表22所示:
表22
内部卡口传感器部署个数为202个,再加上外部216个,共418个,在预算范围内;卡口传感器部署结果如图11、图12所示。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (11)
1.一种基于浮动车OD数据的卡口传感器部署方法,其特征在于包括如下步骤:
(1)读取浮动车历史数据,进行预处理得到浮动车OD数据集X;
(2)计算浮动车OD数据集X中的任意两点的距离,得到距离矩阵D=(dij)n×n;
(3)对浮动车OD数据集X进行基于密度和参考距离的聚类算法分析;
(4)对步骤(3)得到的每个簇类数据集Xk进行第二次聚类算法分析并作去噪处理得到城市出行密集区;
(5)对城市出行密集区进行地图匹配并编号;
(6)根据城市交通干道信息确定卡口传感器的部署位置。
2.根据权利要求1所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述步骤(1)浮动车历史数据中包括六种数据项:日期数据项、车辆编号数据项、时间数据项、经度数据项、纬度数据项、空重车数据项。
3.根据权利要求1所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述步骤(1)预处理得到浮动车OD数据集X的方法如下:
(1)数据判别规则的设计:判断每条记录是否包含浮动车数据应有的六个数据项,若不包含则不做保存直接读取下一条;若包含则进入各数据项的判别;
(2)数据的筛选:判断浮动车载客状态持续时间,删除不正常载客时间的浮动车数据;保留车辆状态从0变化到1和车辆状态从1变化到0的数据,删除其他数据(状态从0变化到0或者状态从1变化到1);
(3)整理筛选后的浮动车数据,提取浮动车经纬度数据并存储为浮动车OD数据集X;记X的元素为Xi,其中i=1,2,…,n代表数据ID;Xi=(xi,yi),其中xi代表i点经度,yi代表i点纬度。
4.根据权利要求3所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述的各数据项的判别包括如下规则:
1)日期/时间数据项清洗规则:a.判断数据项中是否为空值;b.判断数据项中是否包含非数值型字符;c.判断数据项中的数值是否为所设定的日期/时间范围内;
2)车辆编号数据项清洗规则:a.判断数据项中是否为空值;b.判断数据项中是否包含非数值型字符;c.判断数据项中的车辆编号数值是否在该城市GPS定位的浮动车数量范围内;
3)经度/纬度数据项清洗规则:a.判断数据项中是否为空值;b.判断数据项中是否包含非数值型字符;c.判断数据项中的经度数值是否在该城市经度/纬度范围内;
4)空重车数据项清洗规则:a.判断数据项中是否为空值;b.判断数据项中是否包含非数值型字符;c.判断数据项中数值是否为0或为1(0表示空车,1表示载客)。
5.根据权利要求1或2或3或4所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述的步骤(2)计算浮动车OD数据集X中的任意两点的距离依据如下公式:
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
dist(A,B)=R*Arccos(C)*π/180
其中dist(A,B)代表点A到点B之间的距离,MLonA,MLatA分别为点A的经度坐标和纬度坐标,MLonB,MLatB分别为点B的经度坐标和纬度坐标,R为地球的平均半径。
6.根据权利要求1所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述的步骤(3)基于密度和参考距离的聚类算法分析包括如下步骤:
(1)计算密度:
点i的密度ρi的计算公式为i=1,2,…,n;ρi代表与点i的距离小于距离阈值d0的点的个数;
其中,特征函数χ(x):d0是距离阈值;
(2)密度向量排序:
对密度按从大到小的顺序排序,当密度相同时则按点i的数值从小到大的顺序排序,得到有序密度向量Ρ;其中满足
(3)计算参考距离:
定义点i的参考距离δi为点i距其高密度点(密度大于点i密度的点)的最小距离,计算公式为在计算过程中记录每个点i的最近高密度点ji,即满足
定义密度最大点i1的参考距离:则i=1,2,…,n;
(4)选取聚类中心:
画出ρ-δ(密度-参考距离)散点图,根据图形中密度与参考距离的取值密度阈值ρ0、参考距离阈值δ0,选择同时满足密度大于ρ0并且参考距离大于的δ0的点为聚类中心;
其中,由于密度最大点i1的参考距离则密度最大的点一定为聚类中心;
(5)确定每个点所在的簇:
从密度最大点开始依次划分每个点所在的簇,依次确定点i1,i2,…,ik,…,in所在的簇,得到的每个簇类的信息,每个簇类信息包括簇序号k;该簇内所有点经纬度坐标数据集Xk;该簇内所包含点的个数Nk。
7.根据权利要求6所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述的确定点i1,i2,…,ik,…,in所在的簇的具体方法为点ik若是聚类中心,则直接得到所在的簇;若否,则点ik与其最近高密度点在同一个簇中,由于的取值范围是{i1,i2,…,ik-1},因此所在的簇已经确定,从而点ik所在的簇确定。
8.根据权利要求1或2所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述的步骤(3)的基于密度和参考距离的聚类阈值选取依据为ρ-δ(密度-参考距离)散点图或传感器部署的整体预算数量两种中的任意一种。
9.根据权利要求1或4所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述的步骤(4)去噪处理具体步骤如下:
(1)找到本簇中与其他簇类点距离小于等于距离阈值的点,求符合条件的点对密度均值并记录,取记录值得最大值作为本簇的密度临界值;
(2)将簇中的点的密度值与本簇的密度临界值进行对比,过滤小于密度临界值的点(即噪声点);
(3)由步骤(2)得到的簇类作为基于浮动车OD数据的城市出行密集区;簇类数据集的大小不同可以视为密集程度的不同。
10.根据权利要求1或2或3所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述的步骤(5)对城市出行密集区进行地图匹配的方法为城市出行密集区在带有城市路网信息的ArcMap中展示,结合路网信息对城市出行密集区进行地图匹配;按照出行密集程度由大到小(簇类数据集由大到小)进行编号。
11.根据权利要求1所述的一种基于浮动车OD数据的卡口传感器部署方法,其特征在于,所述的步骤(6)确定卡口传感器的部署位置的方法为:
(1)在交通干道与每个密集区相连的位置部署卡口传感器;
(2)密集程度大的簇内部,在交通干道交叉处部署卡口传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410512654.2A CN104269057B (zh) | 2014-09-29 | 2014-09-29 | 一种基于浮动车od数据的卡口传感器部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410512654.2A CN104269057B (zh) | 2014-09-29 | 2014-09-29 | 一种基于浮动车od数据的卡口传感器部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104269057A true CN104269057A (zh) | 2015-01-07 |
CN104269057B CN104269057B (zh) | 2016-08-24 |
Family
ID=52160574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410512654.2A Active CN104269057B (zh) | 2014-09-29 | 2014-09-29 | 一种基于浮动车od数据的卡口传感器部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104269057B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105070055A (zh) * | 2015-07-23 | 2015-11-18 | 合肥革绿信息科技有限公司 | 一种基于浮动车gps的od矩阵估计方法 |
CN105489004A (zh) * | 2015-11-25 | 2016-04-13 | 杭州电子科技大学 | 面向道路实时速度计算的卡口与浮动车数据融合方法 |
CN105606110A (zh) * | 2015-11-03 | 2016-05-25 | 中兴软创科技股份有限公司 | 基于深度优先遍历的可达路径的查找方法与装置 |
CN105825672A (zh) * | 2016-04-11 | 2016-08-03 | 中山大学 | 一种基于浮动车数据的城市指引区域提取方法 |
CN106408939A (zh) * | 2016-10-29 | 2017-02-15 | 浙江大学 | 基于密度峰值聚类的交通流量序列划分方法 |
CN108765954A (zh) * | 2018-06-13 | 2018-11-06 | 上海应用技术大学 | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 |
CN109615851A (zh) * | 2018-07-30 | 2019-04-12 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
CN113380032A (zh) * | 2021-06-09 | 2021-09-10 | 重庆大学 | 一种基于层次聚类法的高速公路拥堵判断方法及装置 |
CN117556157A (zh) * | 2024-01-10 | 2024-02-13 | 每日互动股份有限公司 | 一种卡口位置的定位方法、装置、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006085511A (ja) * | 2004-09-17 | 2006-03-30 | Hitachi Ltd | 交通情報予測装置 |
CN103150900A (zh) * | 2013-02-04 | 2013-06-12 | 合肥革绿信息科技有限公司 | 一种基于视频的交通拥堵事件自动检测方法 |
CN103198672A (zh) * | 2013-03-27 | 2013-07-10 | 大连海事大学 | 一种城市路网交通流量检测器的布设方法 |
CN103810849A (zh) * | 2012-11-15 | 2014-05-21 | 北京掌城科技有限公司 | 一种基于浮动车数据的交通流变化趋势提取方法 |
-
2014
- 2014-09-29 CN CN201410512654.2A patent/CN104269057B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006085511A (ja) * | 2004-09-17 | 2006-03-30 | Hitachi Ltd | 交通情報予測装置 |
CN103810849A (zh) * | 2012-11-15 | 2014-05-21 | 北京掌城科技有限公司 | 一种基于浮动车数据的交通流变化趋势提取方法 |
CN103150900A (zh) * | 2013-02-04 | 2013-06-12 | 合肥革绿信息科技有限公司 | 一种基于视频的交通拥堵事件自动检测方法 |
CN103198672A (zh) * | 2013-03-27 | 2013-07-10 | 大连海事大学 | 一种城市路网交通流量检测器的布设方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105070055A (zh) * | 2015-07-23 | 2015-11-18 | 合肥革绿信息科技有限公司 | 一种基于浮动车gps的od矩阵估计方法 |
CN105606110A (zh) * | 2015-11-03 | 2016-05-25 | 中兴软创科技股份有限公司 | 基于深度优先遍历的可达路径的查找方法与装置 |
CN105606110B (zh) * | 2015-11-03 | 2019-03-01 | 浩鲸云计算科技股份有限公司 | 基于深度优先遍历的可达路径的查找方法与装置 |
CN105489004A (zh) * | 2015-11-25 | 2016-04-13 | 杭州电子科技大学 | 面向道路实时速度计算的卡口与浮动车数据融合方法 |
CN105489004B (zh) * | 2015-11-25 | 2019-01-11 | 杭州电子科技大学 | 面向道路实时速度计算的卡口与浮动车数据融合方法 |
CN105825672A (zh) * | 2016-04-11 | 2016-08-03 | 中山大学 | 一种基于浮动车数据的城市指引区域提取方法 |
CN105825672B (zh) * | 2016-04-11 | 2019-06-14 | 中山大学 | 一种基于浮动车数据的城市指引区域提取方法 |
CN106408939B (zh) * | 2016-10-29 | 2019-05-31 | 浙江大学 | 基于密度峰值聚类的交通流量序列划分方法 |
CN106408939A (zh) * | 2016-10-29 | 2017-02-15 | 浙江大学 | 基于密度峰值聚类的交通流量序列划分方法 |
CN108765954B (zh) * | 2018-06-13 | 2022-05-24 | 上海应用技术大学 | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 |
CN108765954A (zh) * | 2018-06-13 | 2018-11-06 | 上海应用技术大学 | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 |
CN109615851A (zh) * | 2018-07-30 | 2019-04-12 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
CN113380032A (zh) * | 2021-06-09 | 2021-09-10 | 重庆大学 | 一种基于层次聚类法的高速公路拥堵判断方法及装置 |
CN113380032B (zh) * | 2021-06-09 | 2022-08-02 | 重庆大学 | 一种基于层次聚类法的高速公路拥堵判断方法及装置 |
CN117556157A (zh) * | 2024-01-10 | 2024-02-13 | 每日互动股份有限公司 | 一种卡口位置的定位方法、装置、介质及设备 |
CN117556157B (zh) * | 2024-01-10 | 2024-04-05 | 每日互动股份有限公司 | 一种卡口位置的定位方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104269057B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104269057A (zh) | 一种基于浮动车od数据的卡口传感器部署方法 | |
AU2019214077B2 (en) | Method for dividing ecological and geological environment types based on coal resource development | |
Xiao et al. | Detecting travel modes using rule-based classification system and Gaussian process classifier | |
CN108717790B (zh) | 一种基于卡口车牌识别数据的车辆出行分析方法 | |
CN105261217B (zh) | 一种基于密度聚类算法的城市交通拥堵状态检测方法 | |
CN104809180B (zh) | 基于无监督智能学习算法的非法运营车辆识别方法 | |
CN101694743B (zh) | 预测路况的方法和装置 | |
CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
CN108417023A (zh) | 基于出租车上下客点空间聚类的交通小区中心点选取方法 | |
CN104778245A (zh) | 基于海量车牌识别数据的相似轨迹挖掘方法及装置 | |
CN105206046A (zh) | 基于大数据的出租车服务站选址及可行性评价方法 | |
CN103366365B (zh) | 基于人工免疫多目标聚类的sar图像变化检测方法 | |
CN106529608A (zh) | 一种机动车尾气遥测设备综合布点系统 | |
CN108062857A (zh) | 用于出租车乘客出行目的的预测方法 | |
CN103218672A (zh) | 一种基于gps数据网格统计的出租车巡航行为分析方法 | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN102968494A (zh) | 通过微博采集交通信息的系统及方法 | |
Zhang et al. | MaaS in bike-sharing: smart phone GPS data based layout optimization and emission reduction potential analysis | |
CN105095591A (zh) | 一种多尺度城市扩张关联规则提取方法 | |
Wang et al. | Relationship between urban road traffic characteristics and road grade based on a time series clustering model: a case study in Nanjing, China | |
CN107730717B (zh) | 一种基于特征提取的公共交通可疑卡识别方法 | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
CN112052405B (zh) | 一种基于司机经验的寻客区域推荐方法 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN109800903A (zh) | 一种基于出租车轨迹数据的盈利路线规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee after: Yinjiang Technology Co.,Ltd. Address before: 310012 floor 1, building 1, No. 223, Yile Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: ENJOYOR Co.,Ltd. |