CN104598992A - 一种车辆常跑路线分析方法 - Google Patents
一种车辆常跑路线分析方法 Download PDFInfo
- Publication number
- CN104598992A CN104598992A CN201510013430.1A CN201510013430A CN104598992A CN 104598992 A CN104598992 A CN 104598992A CN 201510013430 A CN201510013430 A CN 201510013430A CN 104598992 A CN104598992 A CN 104598992A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sequence
- grid
- provision
- runs away
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000005065 mining Methods 0.000 claims abstract description 7
- 238000013138 pruning Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 27
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Abstract
本发明公开一种车辆常跑路线分析方法,其统计计算量较少、耗时少、便于分析、计算结果准确。该方法包括步骤:(1)将车辆行驶路线序列化;(2)根据频繁序列挖掘模型的剪枝理论去除与非频繁序列相关的序列,剩下的序列为频繁序列;(3)将步骤(2)的频繁序列进行处理得到车辆常跑路线。
Description
技术领域
本发明涉及大规模数据处理的技术领域,具体地涉及一种车辆常跑路线分析方法。
背景技术
车辆常跑路线为车辆经常行驶的路线。
车辆常跑路线的分析对车联网业务有重要意义。具体体现有:
1、分析货车经常行驶路线,可以在货车空载时向货车推荐货运业务,提高货车车主的运营收入。从另一方面讨论,也可以为零散货源提供有效的运输途径。
2、分析货车的常跑路线有助于优化货车的运输路线,为货车司机提供更经济的运输线路。
3、根据车辆的常跑线路,可以在常跑线路的周边构建货车的一些相关服务。例如维修、加油等。
4、根据车辆常跑线路可以对运送危险品的车辆实行更细致的运输监控。减少重大事故的发生。
通常分析车辆常跑路线的方法为:统计所有车辆所有经过的路线的次数来判断车辆的常跑路线。即:使用了一种蛮力的办法来对所有线路进行频率统计,然后将行驶路线频率小的路线过滤掉,并给出经常跑的线路。因此,这种方法统计计算量大,耗时耗力巨大,而且不便于分析利用。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种车辆常跑路线分析方法,其统计计算量较少、耗时少、便于分析、计算结果准确。
本发明的技术解决方案是:这种车辆常跑路线分析方法,该方法包括以下步骤:
(1)将车辆行驶路线序列化;
(2)根据频繁序列挖掘模型的剪枝理论去除与非频繁序列相关的序列,
剩下的序列为频繁序列;
(3)将步骤(2)的频繁序列进行处理得到车辆常跑路线。
本发明将车辆行驶路线序列化,再根据频繁序列挖掘模型的剪枝理论获取频繁序列,从而得到车辆常跑路线,使得统计计算量大大减少,耗时减少,而且便于分析、计算结果准确。
附图说明
图1为根据本发明的数据网格化的示意图。
图2为根据本发明的车辆行驶停靠点聚类图。
图3为根据本发明的车辆停靠事件序列示意图。
图4为根据本发明的车辆常跑路线分析方法的流程图。
具体实施方式
如图4所示,这种车辆常跑路线分析方法,该方法包括以下步骤:
(1)将车辆行驶路线序列化;
(2)根据频繁序列挖掘模型的剪枝理论去除与非频繁序列相关的序列,剩下的序列为频繁序列;
(3)将步骤(2)的频繁序列进行处理得到车辆常跑路线。
本发明将车辆行驶路线序列化,再根据频繁序列挖掘模型的剪枝理论获取频繁序列,从而得到车辆常跑路线,使得统计计算量大大减少,耗时减少,而且便于分析、计算结果准确。
如图2所示,为一辆货车的行驶轨迹,其中A、B、C…分别为车辆的停靠网格,方格1(C1)、2(C2)、3(C3)、4(C4)、5(C5)、6(C6)分别为车辆经过的城市。如果按照普通方法计算,需要统计种路线的行驶频率,分别为:
1-2、1-3、1-4、1-5、1-6、2-3、2-4、2-5、
2-6、3-4、3-5、3-6、4-5、4-6、5-6
但是使用频繁项挖掘模式统计的数量可能就比这个数字要小很多。因为根据频繁序列挖掘模型的剪枝理论,如果上述路线中路线“1-2”为非频繁序列,那么路线1-3、路线1-4、路线1-5、路线1-6将不再统计。因为路线1-3、路线1-4等都经过路线1-2,如果路线1-2不是常跑路线,路线1-3、路线1-4等肯定不是常跑路线。
另外,所述步骤(1)包括以下分步骤:
(1.1)对原始车辆数据进行噪声数据过滤;
(1.2)对步骤(1.1)得到的每条数据的经纬度做网格化处理;
(1.3)计算每个车辆经过一个网格一次在该网格内的停留时间,如果一个车辆在一个网格之内的停留时间大于指定时间,认为是一次停靠;通过过滤操作过滤掉停留时间小于指定时间的网格;
(1.4)分析每个停靠网格的信息点POI数据,将POI数据是加油站、维修站的停靠网格过滤掉,然后对剩下的停靠网格进行单路径增量聚类,形成停靠网格;
(1.5)进行序列模式模型的建模。
另外,所述步骤(1.1)中将时间大于2020年或者小于2010年的数据记录过滤掉;将经度为0或者纬度为0的记录过滤掉;将行驶里程为0的记录过滤掉。
另外,所述步骤(1.2)中当两个数据的经纬度坐标除了最后两位之外都相同时,这两个数据的经纬度处于同一个网格中。
另外,所述步骤(1.3)中指定时间为10分钟。
另外,所述步骤(1.4)中增量聚类的簇半径为0.5km。
另外,所述步骤(1.5)的序列模式模型中在车辆行驶的过程中形成一个城市序列,每个城市为该城市序列的一个元素;而每个停靠网格簇为每个元素的一个事件;该模型用于分析具体每个车辆的运营规律。
或者,所述步骤(1.5)的序列模式模型中将车辆经过的城市形成事件序列,用于分析车辆运营经过的城市。
或者,所述步骤(1.5)的序列模式模型中将车辆经过的停靠网格簇形成序列,分析从一个区域到另一个区域的路线,优化路线为车辆提供经济的运输线路。
另外,所述步骤(3)中设定最小支持度阈值,如果有序列的最小支持度大于或等于该阈值,则该序列为一个频繁序列,对应为车辆的一个常跑路线。
下面给出具体的例子说明,其中车辆为货车。
原始数据为货车一个月的行驶轨迹数据。原始数据中,每一条记录为车载终端相隔30秒向服务器报告一次货车的运行信息。其中包括:位置GPS、车辆速度、车辆id等。
其计算过程为:
1、噪声数据过滤。将时间大于2020年,或者小于2010年的数据记录过滤掉;将经度为0或者纬度为0的记录过滤掉;将行驶里程为0的记录过滤掉。
2、网格化处理。对每条数据记录(R,record)的经纬度做网格(G,gridding)化处理。如图1所示,其处理过程为将经纬度的最后两位数字改写为“50”,做该处理后,只要两个经纬度坐标除了最后两位的前几位相同,就认为这两个经纬度相同,也可以认为这些经纬度处于同一个网格中。在图1中,可以认为R2、R3、R4处于网格2(G2)中,R5、R6、R7处于网格3(G3)中。对于每辆货车,按照货车的记录时间排序之后,计算当前时间跟上一条时间记录的间隔(duration),并添加在该记录末尾输出。
3、计算每辆货车经过一个网格一次在该网格内的停留时间(duration),在图1中,网格G2的停留时间为从记录R1到记录R4的时间,即R4的时间戳减去R1的时间戳。如果一辆货车在一个网格之内的停留时间大于10分钟,认为是一次停靠。通过过滤(filter)操作过滤掉停留时间小于10分钟的网格,剩下的为程序计算的停靠网格。
4、分析每个停靠网格的POI(point of interest)信息。如图2所示。点A、B、C…分别为步骤3中的停靠网格,C1、C2…分别为城市(C,city)标记。将POI信息是加油站、维修站的停靠网格过滤掉,然后对剩下的停靠网格进行单路径增量聚类,形成停靠网格簇(SC,stopping cluster)。如图2中的SC1、SC2等,增量聚类的簇半径设定为0.5km,因为通过分析数据,95%以上的车辆在每个停靠点的停靠变化不会超过1km。聚类的原因是货车每次在同一个POI停靠时,停靠位置可能会有小范围的变化,上传的经纬度数据也有所差别。
5、序列模式建模过程。在该业务场景中,有两种序列,一个是城市序列,一个是停靠网格簇序列。建模方法有三种方法,分别对应不同的应用。
A、在货车行驶的过程中形成了一个城市序列。如图3所示,解释了图2中车辆在行驶过程中形成的有序城市序列,记S1={C1C2C3C4C5C6},每个城市为该序列的一个元素。而每个停靠网格簇(SC)为每个元素的一个事件。该模型用于分析具体每个货车的货物运营规律。例如货车将货物从A市的某个地区,运输到B市的某个区域。
B、将货车经过的城市形成事件序列,不包含停靠网格簇,用于分析货车运营经过的城市。
C、将货车经过的停靠网格簇形成序列,分析从一个区域到另一个区域的路线,优化路线为货车提供经济的运输线路。
6、计算频繁模式。设定最小支持度MinSupport阈值,如果有序列的最小支持度大于或等于该阈值,则该序列为一个频繁序列。对应为货车的一个长跑路线。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (10)
1.一种车辆常跑路线分析方法,其特征在于:该方法包括以下步骤:
(1)将车辆行驶路线序列化;
(2)根据频繁序列挖掘模型的剪枝理论去除与非频繁序列相关的序列,剩下的序列为频繁序列;
(3)将步骤(2)的频繁序列进行处理得到车辆常跑路线。
2.根据权利要求1所述的车辆常跑路线分析方法,其特征在于:所述步骤(1)包括以下分步骤:
(1.1)对原始车辆数据进行噪声数据过滤;
(1.2)对步骤(1.1)得到的每条数据的经纬度做网格化处理;
(1.3)计算每个车辆经过一个网格一次在该网格内的停留时间,如果一个车辆在一个网格之内的停留时间大于指定时间,认为是一次停靠;通过过滤操作过滤掉停留时间小于指定时间的网格;
(1.4)分析每个停靠网格的信息点POI数据,将POI数据是加油站、维修站的停靠网格过滤掉,然后对剩下的停靠网格进行单路径增量聚类,形成停靠网格;
(1.5)进行序列模式模型的建模。
3.根据权利要求2所述的车辆常跑路线分析方法,其特征在于:所述步骤(1.1)中将时间大于2020年或者小于2010年的数据记录过滤掉;将经度为0或者纬度为0的记录过滤掉;将行驶里程为0的记录过滤掉。
4.根据权利要求3所述的车辆常跑路线分析方法,其特征在于:所述步骤(1.2)中当两个数据的经纬度坐标除了最后两位之外都相同时,这两个数据的经纬度处于同一个网格中。
5.根据权利要求4所述的车辆常跑路线分析方法,其特征在于:所述步骤(1.3)中指定时间为10分钟。
6.根据权利要求5所述的车辆常跑路线分析方法,其特征在于:所述步骤(1.4)中增量聚类的簇半径为0.5km。
7.根据权利要求6所述的车辆常跑路线分析方法,其特征在于:所述步骤(1.5)的序列模式模型中在车辆行驶的过程中形成一个城市序列,每个城市为该城市序列的一个元素;而每个停靠网格簇为每个元素的一个事件;该模型用于分析具体每个车辆的运营规律。
8.根据权利要求6所述的车辆常跑路线分析方法,其特征在于:所述步骤(1.5)的序列模式模型中将车辆经过的城市形成事件序列,用于分析车辆运营经过的城市。
9.根据权利要求6所述的车辆常跑路线分析方法,其特征在于:所述步骤(1.5)的序列模式模型中将车辆经过的停靠网格簇形成序列,分析从一个区域到另一个区域的路线,优化路线为车辆提供经济的运输线路。
10.根据权利要求1-9任一项所述的车辆常跑路线分析方法,其特征在于:所述步骤(3)中设定最小支持度阈值,如果有序列的最小支持度大于或等于该阈值,则该序列为一个频繁序列,对应为车辆的一个常跑路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510013430.1A CN104598992A (zh) | 2015-01-12 | 2015-01-12 | 一种车辆常跑路线分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510013430.1A CN104598992A (zh) | 2015-01-12 | 2015-01-12 | 一种车辆常跑路线分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104598992A true CN104598992A (zh) | 2015-05-06 |
Family
ID=53124760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510013430.1A Pending CN104598992A (zh) | 2015-01-12 | 2015-01-12 | 一种车辆常跑路线分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598992A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993441A (zh) * | 2017-12-18 | 2018-05-04 | 北京中交兴路信息科技有限公司 | 一种货车常跑路线的预测方法及装置 |
CN108133345A (zh) * | 2017-12-27 | 2018-06-08 | 北京中交兴路车联网科技有限公司 | 一种基于货车海量轨迹数据判断回程车的方法及系统 |
CN108133611A (zh) * | 2016-12-01 | 2018-06-08 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及系统 |
CN108182558A (zh) * | 2017-12-04 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种基于统计特征的运距计算方法及装置 |
CN108182800A (zh) * | 2017-12-08 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种货运交通信息处理方法及设备 |
CN108444487A (zh) * | 2018-01-30 | 2018-08-24 | 北京小度信息科技有限公司 | 导航数据处理方法、导航方法及相关装置 |
CN109948990A (zh) * | 2019-03-29 | 2019-06-28 | 合肥工业大学智能制造技术研究院 | 云物流环境下的路径优化方法、系统及存储介质 |
CN111353732A (zh) * | 2018-12-21 | 2020-06-30 | 北京中交兴路信息科技有限公司 | 车辆运输模式识别方法、装置、设备和存储介质 |
CN112633592A (zh) * | 2020-12-30 | 2021-04-09 | 鱼快创领智能科技(南京)有限公司 | 基于机器学习聚类算法的车辆常跑路线计算方法及系统 |
CN112700201A (zh) * | 2021-01-12 | 2021-04-23 | 上海斑马来拉物流科技有限公司 | 货源推荐方法、电子设备和存储介质 |
CN113222492A (zh) * | 2021-03-29 | 2021-08-06 | 北京中交兴路信息科技有限公司 | 一种车辆行驶线路类型的判别方法、装置、存储介质及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306183A (zh) * | 2011-08-30 | 2012-01-04 | 王洁 | 一种对事务数据流进行闭合加权频繁模式挖掘的方法 |
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机系统有限公司 | 一种基于历史轨迹数据挖掘的位置预测系统及方法 |
CN103258049A (zh) * | 2013-05-27 | 2013-08-21 | 重庆邮电大学 | 一种基于海量数据的关联规则挖掘方法 |
CN103761229A (zh) * | 2013-10-15 | 2014-04-30 | 北京航空航天大学 | 数据处理方法及装置 |
-
2015
- 2015-01-12 CN CN201510013430.1A patent/CN104598992A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306183A (zh) * | 2011-08-30 | 2012-01-04 | 王洁 | 一种对事务数据流进行闭合加权频繁模式挖掘的方法 |
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机系统有限公司 | 一种基于历史轨迹数据挖掘的位置预测系统及方法 |
CN103258049A (zh) * | 2013-05-27 | 2013-08-21 | 重庆邮电大学 | 一种基于海量数据的关联规则挖掘方法 |
CN103761229A (zh) * | 2013-10-15 | 2014-04-30 | 北京航空航天大学 | 数据处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
吕明琪: "基于轨迹数据挖掘的语义化位置感知计算研究", 《中国博士学位论文全文数据库》 * |
王晓明: "基于移动数据的轨迹模式挖掘算法的研究与应用", 《中国优秀硕士学位论文全文数据库》 * |
贾俊杰: "空间数据挖掘中若干关键技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133611A (zh) * | 2016-12-01 | 2018-06-08 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及系统 |
CN108182558A (zh) * | 2017-12-04 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种基于统计特征的运距计算方法及装置 |
CN108182800A (zh) * | 2017-12-08 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种货运交通信息处理方法及设备 |
CN107993441A (zh) * | 2017-12-18 | 2018-05-04 | 北京中交兴路信息科技有限公司 | 一种货车常跑路线的预测方法及装置 |
CN107993441B (zh) * | 2017-12-18 | 2020-03-27 | 北京中交兴路信息科技有限公司 | 一种货车常跑路线的预测方法及装置 |
CN108133345B (zh) * | 2017-12-27 | 2021-06-29 | 北京中交兴路车联网科技有限公司 | 一种基于货车海量轨迹数据判断回程车的方法及系统 |
CN108133345A (zh) * | 2017-12-27 | 2018-06-08 | 北京中交兴路车联网科技有限公司 | 一种基于货车海量轨迹数据判断回程车的方法及系统 |
CN108444487A (zh) * | 2018-01-30 | 2018-08-24 | 北京小度信息科技有限公司 | 导航数据处理方法、导航方法及相关装置 |
CN111353732A (zh) * | 2018-12-21 | 2020-06-30 | 北京中交兴路信息科技有限公司 | 车辆运输模式识别方法、装置、设备和存储介质 |
CN109948990A (zh) * | 2019-03-29 | 2019-06-28 | 合肥工业大学智能制造技术研究院 | 云物流环境下的路径优化方法、系统及存储介质 |
CN112633592A (zh) * | 2020-12-30 | 2021-04-09 | 鱼快创领智能科技(南京)有限公司 | 基于机器学习聚类算法的车辆常跑路线计算方法及系统 |
CN112633592B (zh) * | 2020-12-30 | 2023-07-18 | 鱼快创领智能科技(南京)有限公司 | 基于机器学习聚类算法的车辆常跑路线计算方法及系统 |
CN112700201A (zh) * | 2021-01-12 | 2021-04-23 | 上海斑马来拉物流科技有限公司 | 货源推荐方法、电子设备和存储介质 |
CN112700201B (zh) * | 2021-01-12 | 2023-08-15 | 上海斑马来拉物流科技有限公司 | 货源推荐方法、电子设备和存储介质 |
CN113222492A (zh) * | 2021-03-29 | 2021-08-06 | 北京中交兴路信息科技有限公司 | 一种车辆行驶线路类型的判别方法、装置、存储介质及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598992A (zh) | 一种车辆常跑路线分析方法 | |
CN104615858B (zh) | 一种计算车辆起始地和目的地的方法 | |
CN107036572A (zh) | 一种农机作业面积获取方法及装置 | |
CN103440768B (zh) | 一种基于动态修正的公交车到达时间实时预测方法 | |
CN101763729B (zh) | 路况数据特征值提取的方法和装置 | |
CN112270460A (zh) | 一种基于多源数据的超重货车货源站点识别方法 | |
CN109410368B (zh) | 一种基于铁路车号信息计算货车运行里程的方法 | |
Liu et al. | Intersection delay estimation from floating car data via principal curves: a case study on Beijing’s road network | |
CN104112361A (zh) | 路网交通中常发瓶颈和偶发瓶颈的识别方法 | |
CN104408920B (zh) | 基于卡口通行信息判断长途客运车辆交通违法行为的方法 | |
CN103035123A (zh) | 一种交通轨迹数据中异常数据获取方法及系统 | |
CN103632541B (zh) | 交通事件路链检测与数据填补方法 | |
CN104200659A (zh) | 一种不按规定线路行驶的重点车辆交通违法行为判定方法 | |
Berkow et al. | Beyond generating transit performance measures: visualizations and statistical analysis with historical data | |
CN105575120B (zh) | 面向道路实时速度计算的浮动车数据停车行为模式清洗方法 | |
CN103700262A (zh) | 一种套牌车车辆的区域自动捕获方法 | |
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 | |
CN106373399A (zh) | 一种公交线路站点间运行瓶颈识别系统 | |
CN101976305B (zh) | 一种基于概率统计的旅行时间筛选方法 | |
CN104978859A (zh) | 一种计算城市任意区域公交线网密度的方法 | |
CN105261218B (zh) | 基于大数据分析的浮动车伴随行为模式挖掘方法 | |
CN105551241B (zh) | 一种基于fcd及ep多源数据的实时拥堵分析方法 | |
CN105427600B (zh) | 一种基于fcd的道路拥堵实时识别方法与装置 | |
CN102809384A (zh) | 一种路链提取方法及装置 | |
CN104732062A (zh) | 一种基于特征事件、运动行为、行驶轨迹、地理位置的路上用户社会化属性自动判断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150506 |