CN104504099A - 基于位置轨迹的交通出行状态切分方法 - Google Patents
基于位置轨迹的交通出行状态切分方法 Download PDFInfo
- Publication number
- CN104504099A CN104504099A CN201410838542.6A CN201410838542A CN104504099A CN 104504099 A CN104504099 A CN 104504099A CN 201410838542 A CN201410838542 A CN 201410838542A CN 104504099 A CN104504099 A CN 104504099A
- Authority
- CN
- China
- Prior art keywords
- data
- cut
- trip
- time interval
- section
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Abstract
本发明属于居民交通出行行为分析技术领域,尤其涉及一种基于位置轨迹的交通出行状态切分方法,包括:GPS定位获得位置轨迹的经纬度坐标;计算轨迹点的距离、瞬时速度、瞬时加速度;对数据进行清洗以及异常数据的处理;然后与手动标识的出行方式进行匹配;选取不同的时间间隔T,对交通出行状态进行分割;特征提取并按顺序保存;把出行分割段的特征作为特征向量,对相邻分隔断的进行基于欧式距离的相似性度量,确定合适的时间间隔T,然后根据距离相似性的度量确定切分点,实现交通出行状态的切分。本方法能够更加准确的确定出行状态的关键点,进而能够更好地实现出行状态的切分;比以往固定的时间段、关键点的出行状态的分割更加的客观、可靠。
Description
技术领域
本发明属于居民交通出行行为分析技术领域,尤其涉及一种基于位置轨迹的交通出行状态切分方法。
背景技术
随着我国社会经济发展和城市化进程速度的加快,交通拥堵、交通事故、交通环境问题已成为我国城市常见的“城市病”。其中,城市交通拥堵问题已不仅仅是一个简单的技术问题,它成了每一个城市居民不断关心的问题,正逐渐转化为一个社会问题。为了解决城市交通拥堵问题,研究者们提出了不同的解决方法,其中,科学的交通规划和调度被多数学者认为是解决城市交通拥堵问题的有效手段,而科学的交通规划和调度需要对于居民交通出行行为信息的掌握。
目前,对于居民出行信息的调查主要是运用问卷调查、电话访问、邮件访问等传统的方法,但问卷调查、电话访问、邮件访问等传统的居民交通出行行为调查方法存在调查内容受主观意识的影响,使得调查数据的不精确,同时,还存在调查的成本高、工作量大、回收率不高、调查数据汇总和处理周期长等问题,影响后续的交通规划和管理工作。
随着智能手机成本的降低,智能手机的普及率越来越高。此外,为了满足用户的需求,大多数智能手机厂商开始将基于位置服务(LBS)应用的GPS模块和各类传感器作为手机的标准配置,就产生了海量的关于人们出行行为信息的数据,使得我们越来越多的考虑利用智能手机来记录出行者出行轨迹并进行自动化数据的分析与提取,获得更为精确、完整的居民出行行为信息。其中,如何自动辨别并提取有效的居民出行信息,尤其是如何识别出行个体在什么时候采用的是何种出行方式,是当前研究的难点所在,出行状态的分割是交通方式识别的重要的组成部分,出行状态分割的好坏直接决定着交通出行方式识别的好坏。
目前,交通出行方式识别研究很多,现今,一次出行往往包含有多个出行方式,就免不了对于出行状态的分割。大多数对于出行状态的分割的研究主要是利用固定的时间间隔进行出行状态进行分割,但利用固定时间间隔对于出行状态的分割,很难保证分割的时间段包含该交通方式的全部特性,从而影响交通出行方式的辨识。
发明内容
为了克服上述现有方法存在的缺陷,本发明提出了一种基于位置轨迹的交通出行状态切分方法,包括:
步骤1、利用智能手机的GPS定位模块中定位算法获取位置轨迹点的经纬度坐标、时间的特征,同时,手动标识该交通出行状态时间段内的交通出行方式;
步骤2、根据手机获取的位置轨迹点的经纬度坐标,计算位置轨迹点的移动距离、瞬时速度、瞬时加速度的特征;
步骤3、对步骤2计算位置轨迹点的数据进行预处理;
步骤4、将步骤1、2、3所得的数据与手动标识的交通出行方式按照时间的关系进行匹配;
步骤5、选取不同的时间间隔T1,T2,T3,...,Tn,对于某一特定的Ti(i=1,2,…,n)进行交通出行状态的分割,得到出行分割段,并把分割点按照时间序列进行排列并保存;
步骤6、对于步骤5所得的出行分割段进行特征提取,得到出行分割段的速度中位数、速度第95分位数、速度方差、总距离这四个特征;
步骤7、根据步骤6所得特征向量,采用基于欧式距离的相似性度量,对步骤5所得的相邻的出行分割段进行相似性度量;
步骤8、重复步骤5、步骤6、步骤7,直到获得所有不同的时间间隔所对应的特征向量的相似性,确定最佳的时间间隔T;然后通过对相似性的度量的分析来确定交通出行状态的切分点,实现交通出行状态的切分。
所述步骤1中GPS定位模块的数据采集频率为2s,手动标识的交通出行方式包括:步行、自行车、公交车、小汽车、地铁。
所述步骤2具体包括:
步骤21、将GPS定位获得的位置轨迹点的经纬度坐标数据导入数据库,并调整格式;
步骤22、通过相邻两点的经纬度,计算两点之间的距离并保存;
步骤23、根据步骤22所求的距离以及两点之间的时间间隔,计算得到位置轨迹点的瞬时速度、瞬时加速度的特征量并保存。
所述步骤3所述的数据预处理包括数据的清洗和异常数据的处理;要清洗的数据包括:数据时间、坐标及唯一标识,时间异常、位置异常、重复数据以及缺失数据;异常数据包括:速度、加速度以及具有明显的突变的数据;
异常数据进行处理:根据2012年新版城市道路工程设计规范,把城市各级道路的设计速度中快速路的最高设计速度100km/h作为处理突变数据的上界,当出行状态的位置轨迹点的瞬时速度大于速度上界时,就对其进行处理;具体处理办法如下:若出行状态的位置轨迹第i点的数据为突变数据,
v(i)=(v(i-2)+v(i+2))/2
a(i)=(v(i)-v(i-1))/dt(i)
其中,v(i)、a(i)为分别为第i点的速度、加速度,v(i-2)为第i-2点的速度,v(i+2)为第i+2点的速度,dt(i)为第i点和第i-1点的时间间隔。
所述步骤7具体包括:
步骤71、根据步骤6所得特征向量,对步骤5所得的相邻的出行分割段进行相似性度量,假设各特征的所包含信息的重要性一样;
步骤72、对于相邻的等长度的两组M维特征序列和利用欧式距离对特征序列之间的相似性估计度量函数表示为d(xi,xi+1),即
其中,i=(1,2,…,m-1),m为出行状态的分割段数;为第i段的第j个特征,为第i+1段的第j个特征,M为特征总数,第i段和第i+1段的相似度为s(xi,xi+1)=1/d(xi,xi+1);
步骤73、针对步骤6提取的第i段的速度中位数、速度第95分位数、速度方差、总距离四个特征向量,具体表示为确定M=4,进行以下计算,
得到相似度。
所述步骤8具体包括:
步骤81、根据步行的交通方式下的交通出行状态的相似性度量受道路情况影响很小,具有很好的平稳性和相似性度量较小的这一特征,对于不同时间间隔的Ti,出行方式为步行的交通出行状态下的相似性度量值进行平均值和方差σi 2的计算;若存在唯一的取对应的时间间隔Ti为最佳时间间隔;若存在多个取中的min{σi 2}对应的时间间隔Ti为最佳的时间间隔;
步骤82、根据确定的最佳的时间间隔Ti,找出相似度度量值的全部极大值{dm1,dm2,dm3,...,dmN},其中N表示极大值的个数;若max{dm1,dm2,dm3,...,dmN}<ε,则该交通出行的交通出行方式为一种,不存在交通出行状态的分割,其中ε为距离阀值100;若max{dm1,dm2,dm3,...,dmN}>ε,则认为该交通出行为混合交通出行方式出行,需要对于该交通出行状态进行切分;
步骤83、令 取出{dm1,dm2,dm3,...,dmN}中大于da的极大值{dm1,dm2,dm3,...,dmM}并保存所在序列中的位置为{lm1,lm2,...,lmJ,...,lmM},其中M为极大值个数,lmj表示极大值dmj在步骤5中所保存的第J个分割点,J=(1,2,3,...,M);
步骤84、若lm1>η,交通出行状态被切分为[0,....,lm1]和[lm2,...,lmJ],即lm1为切分点;若lm1<η,交通出行状态就不会在lm1进行切分;以此类推,两个相邻的极大值点lm(i+1)-lmi<η,则[lmi,....,lm(i+1)]在同一切分段,lm(i+2)-lm(i+1)<η,则[lmi,....,lm(i+1),...,lm(i+2)]在同一切分段,即lm(i+2)和lm(i+1)都不作为切分点;对于lmM,若lmJ-lmM<η,则lmM不作为切分点;若lmJ-lmM>η,则lmM为切分点;其中,η为分割点间隔数阀值,lmJ表示为步骤5中的最后的一个分割点;
步骤85、步骤84的递推方法,找出所有的切分点最终交通出行状态被切分成j+1段。
所述确定的最佳时间间隔为90s,分割点间隔数阀值η设定为5。
本发明的有益效果在于:针对目前一次出行包含多种交通出行方式,交通出行方式的识别困难,提出的一种基于位置轨迹的交通出行状态切分方法,运用智能手机GPS定位模块采集居民出行的时空数据,挖掘出行行为的特征,对于交通出行状态分割后的出行分隔断,利用基于欧式距离的相似性度量方法,判断相邻分隔断的相似性,确定交通出行状态的切分点,从而实现交通出行状态的切分,较以往的关于交通出行方式识别中的关键点的进行更加的客观、精确,将成为交通出行方式辨别的重要技术手段,有着广阔的应用前景。
附图说明
图1是本发明的流程图。
图2是获取基于位置轨迹出行状态信息图。
图3a~3c是步行出行方式的基于欧式距离的相似性度量图。
图4a~4c是步行和公交混合出行方式的基于欧式距离的相似性度量图。
具体实施方式
下面结合附图,对优选实施例作详细说明。
一种基于位置轨迹的交通出行状态切分方法,如图1所示,包括:
步骤1、利用智能手机的GPS定位模块中定位算法获取位置轨迹点的经纬度坐标、时间的特征,同时,手动标识该交通出行状态时间段内的交通出行方式;
步骤2、根据手机获取的位置轨迹点的经纬度坐标,计算位置轨迹点的移动距离、瞬时速度、瞬时加速度的特征;
步骤3、对步骤2计算位置轨迹点的数据进行预处理;
步骤4、将步骤1、2、3所得的数据与手动标识的交通出行方式按照时间的关系进行匹配;
步骤5、选取不同的时间间隔T1,T2,T3,...,Tn,对于某一特定的Ti(i=1,2,…,n)进行交通出行状态的分割,得到出行分割段,并把分割点按照时间序列进行排列并保存,如图2所示;
步骤6、对于步骤5所得的出行分割段进行特征提取,得到出行分割段的速度中位数、速度第95分位数、速度方差、总距离这四个特征;
步骤7、根据步骤6所得特征向量,采用基于欧式距离的相似性度量,对步骤5所得的相邻的出行分割段进行相似性度量;
步骤8、重复步骤5、步骤6、步骤7,直到获得所有不同的时间间隔所对应的特征向量的相似性,确定最佳的时间间隔T;然后通过对相似性的度量的分析来确定交通出行状态的切分点,实现交通出行状态的切分。
所述步骤1中GPS定位模块的数据采集频率为2s,手动标识的交通出行方式包括:步行、自行车、公交车、小汽车、地铁。
所述步骤2具体包括:
步骤21、将GPS定位获得的位置轨迹点的经纬度坐标数据导入数据库,并调整格式;
步骤22、通过相邻两点的经纬度,计算两点之间的距离并保存;
步骤23、根据步骤22所求的距离以及两点之间的时间间隔,计算得到位置轨迹点的瞬时速度、瞬时加速度的特征量并保存。
所述步骤3所述的数据预处理包括数据的清洗和异常数据的处理;要清洗的数据包括:数据时间、坐标及唯一标识,时间异常、位置异常、重复数据以及缺失数据;异常数据包括:速度、加速度以及具有明显的突变的数据;
异常数据进行处理:根据2012年新版城市道路工程设计规范,把城市各级道路的设计速度中快速路的最高设计速度100km/h作为处理突变数据的上界,当出行状态的位置轨迹点的瞬时速度大于速度上界时,就对其进行处理;具体处理办法如下:若出行状态的位置轨迹第i点的数据为突变数据,
v(i)=(v(i-2)+v(i+2))/2
a(i)=(v(i)-v(i-1))/dt(i)
其中,v(i)、a(i)为分别为第i点的速度、加速度,v(i-2)为第i-2点的速度,v(i+2)为第i+2点的速度,dt(i)为第i点和第i-1点的时间间隔。
所述步骤7具体包括:
步骤71、根据步骤6所得特征向量,对步骤5所得的相邻的出行分割段进行相似性度量,假设各特征的所包含信息的重要性一样;
步骤72、对于相邻的等长度的两组M维特征序列和利用欧式距离对特征序列之间的相似性估计度量函数表示为d(xi,xi+1),即
其中,i=(1,2,…,m-1),m为出行状态的分割段数;为第i段的第j个特征,为第i+1段的第j个特征,M为特征总数,第i段和第i+1段的相似度为s(xi,xi+1)=1/d(xi,xi+1);
步骤73、针对步骤6提取的第i段的速度中位数、速度第95分位数、速度方差、总距离四个特征向量,具体表示为确定M=4,进行以下计算,
得到相似度。
所述步骤8具体包括:
步骤81、根据步行的交通方式下的交通出行状态的相似性度量受道路情况影响很小,具有很好的平稳性和相似性度量较小的这一特征,对于不同时间间隔的Ti,出行方式为步行的交通出行状态下的相似性度量值进行平均值和方差σi 2的计算;若存在唯一的取对应的时间间隔Ti为最佳时间间隔;若存在多个取中的min{σi 2}对应的时间间隔Ti为最佳的时间间隔;
步骤82、根据确定的最佳的时间间隔Ti,找出相似度度量值的全部极大值{dm1,dm2,dm3,...,dmN},其中N表示极大值的个数;若max{dm1,dm2,dm3,...,dmN}<ε,则该交通出行的交通出行方式为一种,不存在交通出行状态的分割,其中ε为距离阀值100;若max{dm1,dm2,dm3,...,dmN}>ε,则认为该交通出行为混合交通出行方式出行,需要对于该交通出行状态进行切分;
步骤83、令 取出{dm1,dm2,dm3,...,dmN}中大于da的极大值{dm1,dm2,dm3,...,dmM}并保存所在序列中的位置为{lm1,lm2,...,lmJ,...,lmM},其中M为极大值个数,lmj表示极大值dmj在步骤5中所保存的第J个分割点,J=(1,2,3,...,M);
步骤84、若lm1>η,交通出行状态被切分为[0,....,lm1]和[lm2,...,lmJ],即lm1为切分点;若lm1<η,交通出行状态就不会在lm1进行切分;以此类推,两个相邻的极大值点lm(i+1)-lmi<η,则[lmi,....,lm(i+1)]在同一切分段,lm(i+2)-lm(i+1)<η,则[lmi,....,lm(i+1),...,lm(i+2)]在同一切分段,即lm(i+2)和lm(i+1)都不作为切分点;对于lmM,若lmJ-lmM<η,则lmM不作为切分点;若lmJ-lmM>η,则lmM为切分点;其中,η为分割点间隔数阀值,lmJ表示为步骤5中的最后的一个分割点;
步骤85、步骤84的递推方法,找出所有的切分点最终交通出行状态被切分成j+1段。
所述确定的最佳时间间隔为90s,分割点间隔数阀值η设定为5。
图3a~3c是步行出行方式的交通出行,图中选取的时间间隔分别为30s,60s,90s,按照步骤8的计算方法,确定最佳的时间间隔为90s。
图4a~4c中标为切分点的位置即为用步骤82所得到的切分点,同时图中虚线和标有的出行方式为该交通出行状态的实际的装换点位置和实际交通出行的出行方式,从图4a~4c可以得出本发明的方法对于交通出行状态切分实现具有很好的效果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于位置轨迹的交通出行状态切分方法,其特征在于,包括:
步骤1、利用智能手机的GPS定位模块中定位算法获取位置轨迹点的经纬度坐标、时间的特征,同时,手动标识该交通出行状态时间段内的交通出行方式;
步骤2、根据手机获取的位置轨迹点的经纬度坐标,计算位置轨迹点的移动距离、瞬时速度、瞬时加速度的特征;
步骤3、对步骤2计算位置轨迹点的数据进行预处理;
步骤4、将步骤1、2、3所得的数据与手动标识的交通出行方式按照时间的关系进行匹配;
步骤5、选取不同的时间间隔T1,T2,T3,...,Tn,对于某一特定的Ti(i=1,2,…,n)进行交通出行状态的分割,得到出行分割段,并把分割点按照时间序列进行排列并保存;
步骤6、对于步骤5所得的出行分割段进行特征提取,得到出行分割段的速度中位数、速度第95分位数、速度方差、总距离这四个特征;
步骤7、根据步骤6所得特征向量,采用基于欧式距离的相似性度量,对步骤5所得的相邻的出行分割段进行相似性度量;
步骤8、重复步骤5、步骤6、步骤7,直到获得所有不同的时间间隔所对应的特征向量的相似性,确定最佳的时间间隔T;然后通过对相似性的度量的分析来确定交通出行状态的切分点,实现交通出行状态的切分。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中GPS定位模块的数据采集频率为2s,手动标识的交通出行方式包括:步行、自行车、公交车、小汽车、地铁。
3.根据权利要求1所述的方法,其特征在于,所述步骤2具体包括:
步骤21、将GPS定位获得的位置轨迹点的经纬度坐标数据导入数据库,并调整格式;
步骤22、通过相邻两点的经纬度,计算两点之间的距离并保存;
步骤23、根据步骤22所求的距离以及两点之间的时间间隔,计算得到位置轨迹点的瞬时速度、瞬时加速度的特征量并保存。
4.根据权利要求1所述的方法,其特征在于,所述步骤3所述的数据预处理包括数据的清洗和异常数据的处理;要清洗的数据包括:数据时间、坐标及唯一标识,时间异常、位置异常、重复数据以及缺失数据;异常数据包括:速度、加速度以及具有明显的突变的数据;
异常数据进行处理:根据2012年新版城市道路工程设计规范,把城市各级道路的设计速度中快速路的最高设计速度100km/h作为处理突变数据的上界,当出行状态的位置轨迹点的瞬时速度大于速度上界时,就对其进行处理;具体处理办法如下:若出行状态的位置轨迹第i点的数据为突变数据,
v(i)=(v(i-2)+v(i+2))/2
a(i)=(v(i)-v(i-1))/dt(i)
其中,v(i)、a(i)为分别为第i点的速度、加速度,v(i-2)为第i-2点的速度,v(i+2)为第i+2点的速度,dt(i)为第i点和第i-1点的时间间隔。
5.根据权利要求1所述的方法,其特征在于,所述步骤7具体包括:
步骤71、根据步骤6所得特征向量,对步骤5所得的相邻的出行分割段进行相似性度量,假设各特征的所包含信息的重要性一样;
步骤72、对于相邻的等长度的两组M维特征序列和利用欧式距离对特征序列之间的相似性估计度量函数表示为d(xi,xi+1),即
其中,i=(1,2,…,m-1),m为出行状态的分割段数;为第i段的第j个特征,为第i+1段的第j个特征,M为特征总数,第i段和第i+1段的相似度为s(xi,xi+1)=1/d(xi,xi+1);
步骤73、针对步骤6提取的第i段的速度中位数、速度第95分位数、速度方差、总距离四个特征向量,具体表示为确定M=4,进行以下计算,
6.根据权利要求1所述的方法,其特征在于,所述步骤8具体包括:
步骤81、根据步行的交通方式下的交通出行状态的相似性度量受道路情况影响很小,具有很好的平稳性和相似性度量较小的这一特征,对于不同时间间隔的Ti,出行方式为步行的交通出行状态下的相似性度量值进行平均值和方差的计算;若存在唯一的取对应的时间间隔Ti为最佳时间间隔;若存在多个取中的对应的时间间隔Ti为最佳的时间间隔;
步骤82、根据确定的最佳的时间间隔Ti,找出相似度度量值的全部极大值{dm1,dm2,dm3,...,dmN},其中N表示极大值的个数;若max{dm1,dm2,dm3,...,dmN}<ε,则该交通出行的交通出行方式为一种,不存在交通出行状态的分割,其中ε为距离阀值100;若max{dm1,dm2,dm3,...,dmN}>ε,则认为该交通出行为混合交通出行方式出行,需要对于该交通出行状态进行切分;
步骤83、令 取出{dm1,dm2,dm3,...,dmN}中大于da的极大值{dm1,dm2,dm3,...,dmM}并保存所在序列中的位置为{lm1,lm2,...,lmJ,...,lmM},其中M为极大值个数,lmj表示极大值dmj在步骤5中所保存的第J个分割点,J=(1,2,3,...,M);
步骤84、若lm1>η,交通出行状态被切分为[0,....,lm1]和[lm2,...,lmJ],即lm1为切分点;若lm1<η,交通出行状态就不会在lm1进行切分;以此类推,两个相邻的极大值点lm(i+1)-lmi<η,则[lmi,....,lm(i+1)]在同一切分段,lm(i+2)-lm(i+1)<η,则[lmi,....,lm(i+1),...,lm(i+2)]在同一切分段,即lm(i+2)和lm(i+1)都不作为切分点;对于lmM,若lmJ-lmM<η,则lmM不作为切分点;若lmJ-lmM>η,则lmM为切分点;其中,η为分割点间隔数阀值,lmJ表示为步骤5中的最后的一个分割点;
步骤85、步骤84的递推方法,找出所有的切分点{lmx1,lmx2,...,lmxj},最终交通出行状态被切分成j+1段。
7.根据权利要求6所述的方法,其特征在于,所述确定的最佳时间间隔为90s,分割点间隔数阀值η设定为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410838542.6A CN104504099B (zh) | 2014-12-29 | 2014-12-29 | 基于位置轨迹的交通出行状态切分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410838542.6A CN104504099B (zh) | 2014-12-29 | 2014-12-29 | 基于位置轨迹的交通出行状态切分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504099A true CN104504099A (zh) | 2015-04-08 |
CN104504099B CN104504099B (zh) | 2018-02-16 |
Family
ID=52945497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410838542.6A Expired - Fee Related CN104504099B (zh) | 2014-12-29 | 2014-12-29 | 基于位置轨迹的交通出行状态切分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504099B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160872A (zh) * | 2015-08-12 | 2015-12-16 | 中山大学 | 一种gps轨迹数据智能采集方法及装置 |
CN105183893A (zh) * | 2015-09-29 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 定位轨迹的分类方法及装置 |
CN105206054A (zh) * | 2015-09-22 | 2015-12-30 | 浙江久拓科技有限公司 | 基于大数据分析的浮动车轨迹重复挖掘方法 |
CN106408026A (zh) * | 2016-09-20 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用户出行方式的识别方法和装置 |
CN106649656A (zh) * | 2016-12-13 | 2017-05-10 | 中国科学院软件研究所 | 一种面向数据库的时空轨迹大数据存储方法 |
CN108109369A (zh) * | 2018-02-06 | 2018-06-01 | 深圳市物语智联科技有限公司 | 一种基于行驶轨迹的运营车辆和非运营车辆识别监督方法 |
CN108701280A (zh) * | 2016-05-25 | 2018-10-23 | 谷歌有限责任公司 | 确定语义行进模式 |
CN109581444A (zh) * | 2018-11-01 | 2019-04-05 | 西北大学 | 一种gps轨迹分段及语义标注方法 |
CN109831744A (zh) * | 2017-11-23 | 2019-05-31 | 腾讯科技(深圳)有限公司 | 一种异常轨迹识别方法、装置及存储设备 |
CN110514213A (zh) * | 2018-05-21 | 2019-11-29 | 北京高德云图科技有限公司 | 一种出行方式的推荐方法及装置 |
CN110595794A (zh) * | 2019-09-02 | 2019-12-20 | 清华大学苏州汽车研究院(相城) | 一种面向自动驾驶卡车测试的车速数据清洗方法 |
CN110826758A (zh) * | 2018-08-14 | 2020-02-21 | 上海能链众合科技有限公司 | 行程类型确定方法及装置、存储介质、终端 |
CN110873783A (zh) * | 2018-08-14 | 2020-03-10 | 上海能链众合科技有限公司 | 碳排量监测方法及装置、存储介质、终端 |
CN111510859A (zh) * | 2020-05-25 | 2020-08-07 | 北京红山信息科技研究院有限公司 | 一种用户轨迹定位方法、系统、服务器和存储介质 |
CN113570170A (zh) * | 2021-09-23 | 2021-10-29 | 北京交研智慧科技有限公司 | 一种行程切分方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN102607553A (zh) * | 2012-03-06 | 2012-07-25 | 北京建筑工程学院 | 一种基于出行轨迹数据的行程识别方法 |
US20120296560A1 (en) * | 2011-05-19 | 2012-11-22 | Microsoft Corporation | Inferring a Behavioral State of a Vehicle |
CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
-
2014
- 2014-12-29 CN CN201410838542.6A patent/CN104504099B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120296560A1 (en) * | 2011-05-19 | 2012-11-22 | Microsoft Corporation | Inferring a Behavioral State of a Vehicle |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN102607553A (zh) * | 2012-03-06 | 2012-07-25 | 北京建筑工程学院 | 一种基于出行轨迹数据的行程识别方法 |
CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
Non-Patent Citations (3)
Title |
---|
FILIP BILJECKI 等: ""Transportation mode-based segmentation and classification of movement trajectories"", 《INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE》 * |
YU ZHENG 等: ""Understanding Transportation Modes Based on GPS Data for Web Applications"", 《ACM TRANSACTIONS ON THE WEB》 * |
王瑾 等: ""出行轨迹演绎性时序聚类分割算法"", 《计算机技术与发展》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160872B (zh) * | 2015-08-12 | 2018-01-19 | 中山大学 | 一种gps轨迹数据智能采集方法 |
CN105160872A (zh) * | 2015-08-12 | 2015-12-16 | 中山大学 | 一种gps轨迹数据智能采集方法及装置 |
CN105206054A (zh) * | 2015-09-22 | 2015-12-30 | 浙江久拓科技有限公司 | 基于大数据分析的浮动车轨迹重复挖掘方法 |
CN105183893A (zh) * | 2015-09-29 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 定位轨迹的分类方法及装置 |
CN108701280A (zh) * | 2016-05-25 | 2018-10-23 | 谷歌有限责任公司 | 确定语义行进模式 |
CN106408026B (zh) * | 2016-09-20 | 2020-04-28 | 百度在线网络技术(北京)有限公司 | 用户出行方式的识别方法和装置 |
CN106408026A (zh) * | 2016-09-20 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用户出行方式的识别方法和装置 |
CN106649656B (zh) * | 2016-12-13 | 2020-03-17 | 中国科学院软件研究所 | 一种面向数据库的时空轨迹大数据存储方法 |
CN106649656A (zh) * | 2016-12-13 | 2017-05-10 | 中国科学院软件研究所 | 一种面向数据库的时空轨迹大数据存储方法 |
CN109831744B (zh) * | 2017-11-23 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 一种异常轨迹识别方法、装置及存储设备 |
CN109831744A (zh) * | 2017-11-23 | 2019-05-31 | 腾讯科技(深圳)有限公司 | 一种异常轨迹识别方法、装置及存储设备 |
CN108109369A (zh) * | 2018-02-06 | 2018-06-01 | 深圳市物语智联科技有限公司 | 一种基于行驶轨迹的运营车辆和非运营车辆识别监督方法 |
CN110514213A (zh) * | 2018-05-21 | 2019-11-29 | 北京高德云图科技有限公司 | 一种出行方式的推荐方法及装置 |
CN110514213B (zh) * | 2018-05-21 | 2021-04-06 | 北京高德云图科技有限公司 | 一种出行方式的推荐方法及装置 |
CN110826758A (zh) * | 2018-08-14 | 2020-02-21 | 上海能链众合科技有限公司 | 行程类型确定方法及装置、存储介质、终端 |
CN110873783A (zh) * | 2018-08-14 | 2020-03-10 | 上海能链众合科技有限公司 | 碳排量监测方法及装置、存储介质、终端 |
CN110826758B (zh) * | 2018-08-14 | 2023-10-13 | 上海零数众合信息科技有限公司 | 行程类型确定方法及装置、存储介质、终端 |
CN109581444B (zh) * | 2018-11-01 | 2023-01-13 | 西北大学 | 一种gps轨迹分段及语义标注方法 |
CN109581444A (zh) * | 2018-11-01 | 2019-04-05 | 西北大学 | 一种gps轨迹分段及语义标注方法 |
CN110595794A (zh) * | 2019-09-02 | 2019-12-20 | 清华大学苏州汽车研究院(相城) | 一种面向自动驾驶卡车测试的车速数据清洗方法 |
CN111510859A (zh) * | 2020-05-25 | 2020-08-07 | 北京红山信息科技研究院有限公司 | 一种用户轨迹定位方法、系统、服务器和存储介质 |
CN111510859B (zh) * | 2020-05-25 | 2021-12-21 | 北京红山信息科技研究院有限公司 | 一种用户轨迹定位方法、系统、服务器和存储介质 |
CN113570170A (zh) * | 2021-09-23 | 2021-10-29 | 北京交研智慧科技有限公司 | 一种行程切分方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104504099B (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504099A (zh) | 基于位置轨迹的交通出行状态切分方法 | |
WO2019114432A1 (zh) | 路况生成方法、装置、设备和存储介质 | |
US9830817B2 (en) | Bus station optimization evaluation method and system | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
WO2016155517A1 (zh) | 物流监测方法及设备 | |
Assemi et al. | Developing and validating a statistical model for travel mode identification on smartphones | |
CN106997666B (zh) | 一种利用手机信令数据位置切换获取交通流速度的方法 | |
CN106408026B (zh) | 用户出行方式的识别方法和装置 | |
CN105809292A (zh) | 公交ic卡乘客下车站点推算方法 | |
Zhu et al. | Inferring taxi status using gps trajectories | |
CN105608505A (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN102156308A (zh) | 台风路径判别方法 | |
SG173686A1 (en) | Determining a traffic route using predicted traffic congestion | |
CN105261212A (zh) | 一种基于出租车gps数据地图匹配的出行时空分析方法 | |
CN110738856A (zh) | 一种基于移动聚类的城市交通拥堵精细识别方法 | |
CN104200104A (zh) | 一种基于空间特征的细粒度空气污染物浓度区域估计方法 | |
Sohrabi et al. | Dynamic bike sharing traffic prediction using spatiotemporal pattern detection | |
CN104599002A (zh) | 预测订单价值的方法及设备 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN104794927B (zh) | 一种公交车到站时间预测方法 | |
CN105608895A (zh) | 一种基于局部异常因子的城市交通拥堵路段检测方法 | |
CN104034337B (zh) | 一种浮动车地理位置点的地图匹配方法及装置 | |
CN104200082A (zh) | 台风登陆预测方法 | |
CN103093625A (zh) | 一种基于可信度验证的城市道路交通状态实时估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180216 Termination date: 20211229 |