CN104731963B - 一种基于车联网的网格化路径推荐方法及系统 - Google Patents

一种基于车联网的网格化路径推荐方法及系统 Download PDF

Info

Publication number
CN104731963B
CN104731963B CN201510158370.2A CN201510158370A CN104731963B CN 104731963 B CN104731963 B CN 104731963B CN 201510158370 A CN201510158370 A CN 201510158370A CN 104731963 B CN104731963 B CN 104731963B
Authority
CN
China
Prior art keywords
grid
path
search
destination
road
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.)
Active
Application number
CN201510158370.2A
Other languages
English (en)
Other versions
CN104731963A (zh
Inventor
刘宴兵
冉欢
肖云鹏
徐光侠
钟晓宇
卢星宇
蹇怡
刘亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201510158370.2A priority Critical patent/CN104731963B/zh
Publication of CN104731963A publication Critical patent/CN104731963A/zh
Application granted granted Critical
Publication of CN104731963B publication Critical patent/CN104731963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于车联网的网格化路径推荐方法，属于信息检索领域。本发明采用网格划分法，构建网格OD矩阵，以目标用户输入的起始地和目的地为搜索中心，划分九宫格的搜索网格，仅从搜索网格中，考虑个体移动特征、网格的路径静态特征和动态特征，线性组合路径开销函数，根据路径开销函数得到目标用户的路径最近邻居集，针对搜索半径，提供迭代搜索目标用户更为准确的邻居集，提升了推荐结果的准确度。该方法减少了计算网格的时间复杂度，克服传统路径特征计算单一性的问题，重新定义了路径特征的构成及其计算规则。可以广泛应用于交通运输、社交网络等相关领域。

Description

一种基于车联网的网格化路径推荐方法及系统
技术领域
本发明属于数据挖掘和信息检索领域，尤其是一种基于车联网的路径推荐方法。
背景技术
随着智能交通系统快速发展，车联网为有效收集城市车辆GPS行驶数据带来了机遇。许多城市的出租车都装载了GPS芯片。该芯片主要是为出租车公司的调度和管理部门提供呼叫服务和监管所用。这些GPS芯片会定时将其车辆标识、触发事件、运营状态、GPS时间、GPS经纬度、GPS速度等数据上传至服务中心，由此汇聚而成大规模的出租车移动轨迹数据。而在这些数据面前，则是现实中的种种问题：城市交通规划的缺陷导致拥堵；一些出租车司机的驾驶经验不足使其在寻找乘客时会采取毫无目的的随机漫游行为等。
针对司机漫游行为导致收益低的问题，本发明方法根据用户指定目的地和时间间隔的条件下，通过对大量的出租车GPS历史数据、地图兴趣点POI(Point of Interest)数据、签到数据以及城市路网数据的分析，计算在当前起始地附近不同路段的不同时间能搭载乘客并到达指定目的地的可能性，以推荐最优的载客路径。
现有的路径推荐方法具有的一个共同特点是力求建立路网连接图方法，以采集到的各个路段的车辆平均速度作为该路段的权值，以行程时间最短为目的求解最优路径，但未考虑路段上的历史载客概率、车辆移动周期差异等因素，通过这样的路网连接图，计算得到的最优路径并不理想。同时，虽然有些研究者根据道路属性对路网进行了分层，结合道路网络的分层特性和经典的最短路径算法提出新型的搜索策略，有效地提高了搜索效率。但是，这样的分层方式仍然存在两方面的不足：一是所得到的分层路网是静态的，不能根据各个时间段的不同很好地反映实际的路况信息；二是没有充分考虑各个路段的车辆流动性、人群活跃性等特征。
因此，本发明首先引入路径网格划分的思想，在目标用户给定目的地和时间间隔的条件下，以当前行驶位置划定网格搜索半径，在半径内查找可达路径，减少路径搜索的时间复杂度，然后再结合线上社交网络的签到行为、兴趣点和线下网格的路径静态、动态特征，最后得出起始地搜索半径内的各个路段的权值。本发明方法应用到交通领域，可以规避司机毫无目的的随机漫游，减少出行时间，提出最优的出行路径。经过验证分析，本发明方法比传统的路径推荐具有更好的推荐效果。
发明内容
本发明针对现有技术的上述缺陷，根据目标用户选择的目的地和时间间隔，首先将整个交通道路网划分为相等大小的网格区域，然后分别以起始地和目的地所在的网格为中心划定网格搜索半径，查找起始地网格半径内的可达路径，建立路网连接图，再计算搜索半径内的各个网格的静态、动态以及个体移动的特征，生成各个路径的开销函数，最后产生针对目标用户的Top-N推荐集，其中Top-N表示为根据生成的开销值升序排列(开销值越小，载客的概率越大)，选取开销值前N的路径。
本发明解决上述技术问题的技术方案是，建立了一种基于车联网的网格化路径推荐系统，该系统包括：获取数据源信息模块、构建网格OD(Origin-Destination)矩阵模块、计算路径特征模块、生成开销函数模块、搜索最近邻居集模块、生成Top-N推荐集模块。
构建网格OD矩阵，以起始地和目的地所在的网格搜索半径为计算区域，不需考虑其它剩余的道路网网格，降低了网格计算的时间复杂度，提高了搜索计算效率；计算路径特征模块，目的是提取个体移动性、网格搜索半径内的路径静态和动态特征；推荐系统的最终目的是为目标用户产生可能最感兴趣的N个路径列表。
为了实现以上发明目的，建立一种基于车联网的网格化路径推荐方法，具体包括以下实施步骤：获取数据源信息模块获取信息，构建网格OD矩阵模块构建网格OD矩阵；计算路径特征模块计算个体移动特征、网格静态特征和网格动态特征；生成开销函数模块根据路径特征向量得到搜索半径内各条路径的权值，搜索最近邻居集模块把所得的路径权值排序；生成Top-N推荐集模块根据最近邻居集的相关特征计算路径开销函数，根据生成的开销值升序排列，选取路径推荐集。
本发明的一个实施例为，所述构建网格OD矩阵具体为：将道路网划分为等分的网格，分别以起始地和目的地为搜索中心，以起始地搜索范围内预定网格为x轴，以目的地搜索范围内的预定网格为y轴，以时间片为z轴，则每个纵切面为固定z轴的各个时间片下的邻接OD矩阵。
本发明的另一个实施例为，所述计算个体移动特征、网格路径静态特征和网格路径动态特征进一步具体包括：个体移动性特征由周期转移性决定，在不同时间周期内从起始地搜索半径内某一网格移动到目的地搜索半径内的另一网格的转移概率为个体转移性特征；网格路径静态特征由各个路段的道路信息、兴趣点特征决定，网格路径动态特征由起始地搜索半径内的各个网格间的流动性和活跃性构成。
本发明的另一个实施例为，根据公式生成起始地搜索网格内的路径开销函数，其中，l表示单个路段，L表示起始地搜索半径内的所有路段，分别表示个体移动特征、网格的路径静态特征和动态特征。
本发明的另一个实施例为，根据从起始地网格到目的地搜索半径内网格数|ro→rD|，从起始地网格到目的地所有网格的总次数|ro→R′D|，调用公式：计算从起始地的网格搜索半径出发，到目的地网格搜索半径的网格转移概率，则个体移动特征根据路段宽度rdwidth，路段等级rdrank构成二维特征向量froad＝(rdwidth,rdrank)，路径周边存在n种类别兴趣点POI的特征fPOI＝(POI1,POI2,…,POIn)，根据公式：获得网格的路径静态特征根据公式计算网格的路径动态特征其中，是路段l上的平均转移时间花费，为社交平台的用户在网格内路径附近签到点的次数。
本发明提出一种基于车联网的网格化路径推荐系统，该系统包括：获取数据源信息模块、构建网格OD矩阵模块、计算路径特征模块、生成开销函数模块、搜索最近邻居集模块、生成Top-N推荐集模块。获取数据源信息模块获取路网数据、兴趣点、用户签到点、历史GPS数据，构建网格OD矩阵模块分别以起始地和目的地为中心，一个网格长度为半径划定网格搜索范围，计算路径特征模块计算个体移动特征、网格静态特征和网格动态特征；生成开销函数模块根据路径特征向量得到搜索半径内各条路径的权值，搜索最近邻居集模块把所得的路径权值排序；生成Top-N推荐集模块根据最近邻居集计算的路径开销函数，根据开销值选择路径，作为最终的路径推荐集。
传统的路径特征计算方法仅利用道路信息，如距离、交通状况等进行计算，同时大多的路径推荐方法是推荐最短或最快的路径提供给目标用户，并且从指定起始地附近搜索最优路径到达目的地的方法较少。为了克服传统路径特征计算单一性的问题，本文引入网格静态特征、网格动态特征和个体移动特征的概念，重新定义了路径特征的构成及其计算规则，提出一种改进的路径推荐算法。其中，采用网格划分法，以目标用户输入的起始地和目的地为搜索中心，划分搜索网格，仅从搜索网格中计算路径特征，从而时间复杂度也低于传统的方法，更加地合理化。然后，针对搜索半径，提供迭代搜索目标用户更为准确的邻居集，提升了推荐结果的准确度。
本发明首先通过网格搜索半径降低了原始所有网格矩阵的复杂度。其次在填充的网格矩阵的基础上，构造网格的路径静态特征、动态特征和个体移动特征用于路径的权值计算，其中结合线上社交网络的签到行为、兴趣点和线下的道路网络信息，充分考虑路径的静态和动态特征；最后生成Top-N开销函数模型，选取开销值前N的路径，作为最终的路径推荐集。该方法引入了网格搜索法，克服了传统网格方法时间复杂度较高的问题，并提出一种新型的路径权值计算规则，提高了用户路径推荐的准确度。
说明书附图
图1按照本发明一种实施方式的路径推荐方法的流程图；
图2构建网格OD矩阵执行流程示意图；
图3网格路径特征计算执行流程示意图；
图4生成多目标组合优化代价模型流程图。
具体实施方式
为使本发明的目的、技术方案以及优点更加简明清晰，以下参照附图并举实施例，对本发明具体实施作进一步的详细阐述。
如图1所示为本发明的实例原理框图，包括：获取数据源、构建网格OD矩阵、计算路径特征、生成开销函数、搜索最近邻居集、生成Top-N推荐集六个模块。
首先通过获取数据源信息模块获取路网数据、兴趣点、用户签到点、历史GPS数据；然后运用构建网格OD矩阵模块划分城市道路网的网格，得到以起始地和目的地为搜索中心的九宫格搜索网格，并构建OD矩阵；接着在搜索网格内查找可达路径，计算各条可达路径的静态特征、动态特征以及个体移动特征；最后在生成开销函数模块，根据生成的开销值升序排列(开销值越小，载客的概率越大)，选取开销值前N的路径，提供迭代搜索最近邻居集模块，为目标用户提供更为准确的邻居集。以下是各个模块的具体介绍与实现步骤：
构建网格OD矩阵。首先设定整个城市道路网的长宽坐标系，定义网格单元的大小，然后将坐标系等分为n×m规则的网格，并给予标记，然后以起始地和目的地为中心，划定网格搜索半径，构建网格OD矩阵。
计算路径特征模块计算个体移动性、网格搜索半径内的路径静态和动态特征。个体移动性表现为周期转移性，体现为个体在不同时间周期内从起始地搜索半径内某一网格移动到目的地搜索半径内的另一网格的转移概率。网格的路径静态特征包含各个路段的道路信息、兴趣点POI特征，其中道路信息是道路宽度、道路等级等特性所构成的特征向量，兴趣点POI表示各个网格内POI信息的多维向量，包含各类型POI的数量。网格的路径动态特征是由起始地搜索半径内的各个网格间的流动性和活跃性构成。流动性是各个路段上的转移时间花费。活跃性是由社交网络的用户签到行为体现，即网格内路径附近的签到点频数。
生成开销函数模块根据特征运用多目标线性组合优化方法，计算起始地搜索半径内各个路径的成本开销分值，最后依据分值高低，选取开销值前N的路径，作为最终的路径推荐集。
如图2所示为构建网格OD矩阵执行流程示意图，根据起始地和目的地为中心，构建以起始地、目的地为中心的搜索网格区域，查找起始地搜索网格内的可达路径。数据源的获取可以分别从路网数据中心获取路网数据、成熟社交平台的公共API获取兴趣点和用户签到点数据、从基于web的研究型位置服务系统获取GPS数据。
本实施例的主要包括以下步骤：
S1：获取数据源，并将整个城市道路网划分为n×m等分的网格，给予网格编号标记，构建网格OD矩阵；
S2：在起始地的网格搜索半径内查找可达的路径，计算路径的特征向量，其中包括计算网格的路径静态特征、动态特征和个体移动特征；
S3：生成开销函数，根据路径权值的大小，生成Top-N推荐集。
构建网格OD矩阵执行流程参照图2所示，具体可以包括如下步骤：
S11：网格抽象。
首先设定整个城市道路网的长宽坐标系，定义网格单元的大小(如可为每1平方千米)，然后将坐标系等分为n行m列的网格，记为R＝{r1,r2,…,rλ}，R表示整个道路网，r1,2,L,λ表示道路网等分的各个网格，其中λ＝n*m；接着对各个网格编号，记为(i,j)，其中i表示道路网划分网格的行，j表示道路网划分网格的列。最后根据目标用户输入的起始地和目的地为搜索中心，以一个网格的长度为搜索半径，划定搜索区域，目的是仅考虑搜索半径的网格，减少原有计算的网格数量。
S12：生成网格OD矩阵模型。
根据步骤S11中划定的道路网R，以起始地和目的地为搜索中心，划定搜索范围，以起始地搜索范围内预定网格为x轴，以目的地搜索范围内的预定网格为y轴，以划定时间片为z轴，则可得到一个n×n×k的三维立方体，其中，n为起始地搜索范围内、目的地搜索范围内的网格数，k为划分的时间片数。
如以九宫格搜索范围为例，九宫格搜索范围内的网格记为R′，其中，其中，以起始地搜索范围内的9个网格为x轴，以目的地搜索半径的9个网格为y轴，如以1天中每小时为1个时间片的24个时间片为z轴，则可得到一个9×9×24的三维立方体，每个纵切面为固定z轴的各个时间片下的邻接OD矩阵。
S13：根据输入的时间间隔抽象出在tk时间段(k＝1,2,…,24)的OD矩阵，其中，矩阵中填充的数值即为步骤S3求得的开销函数值。
上述步骤S2计算路径的特征向量参照图3所示。
S21：根据道路网数据构建以起始地为中心的搜索半径的路网，以道路交叉口为顶点V，各个路段为边E，路网的图结构表示为G<V,E>。
S22：计算个体移动特征
通过历史的GPS数据统计分析得出在时间维度Ts下，从起始地的网格搜索半径出发，到达目的地网格搜索半径的OD网格转移概率，根据公式(1)计算。
其中，ro表示起始地某一个网格的搜索半径，即O(Origin)类网格；rD表示目的地某一个网格的搜索半径，即D(Destination)类网格；R′D表示目的地所有网格的搜索半径；|ro→rD|表示从起始地网格到目的地搜索半径的网格的次数；|ro→R′D|表示从起始地网格到目的地所有网格的总次数。个体移动特征
S23：计算网格的路径静态特征
网格的路径静态特征包含各个路段的道路信息、兴趣点POI两个特征。其中各个路段的道路信息是由路段宽度、路段等级构成的二维特征向量，记为froad＝(rdwidth,rdrank)，其中rdwidth表示路段宽度，rdrank表示路段等级，并且分别归一化路段宽度、路段等级的值至0到1区间的数值，便于线性相加求得各个路段的道路信息特征。兴趣点POI的特征，记为fPOI＝(POI1,POI2,…,POIn)，其中下标n表示路径周边存在n种POI类别，POI1,2,L,n表示各个类别的数量。同理，可求得兴趣点特征值。
求得
S24：计算网格的路径动态特征
网格的路径静态特征包含由起始地搜索半径内各个网格间的流动性和活跃性构成。流动性是路段l上的平均转移时间花费，记为其中可通过历史出租车GPS轨迹数据统计分析得出。活跃性是由社交网络的用户签到行为体现，即通过社交平台的用户在网格内路径附近签到点的次数求得
求得
由于以上三个特征不属于一个数量级层面，所以在求解的数值过程中，需要分别对其分段，并归一化变形，以便于求解各条路径的开销分值。
上述步骤S3可参照图4所示，图4为生成多目标组合优化代价模型流程图。生成起始地搜索网格内的路径开销函数，得到的计算公式如下：
式2)中，l表示单个路段，L表示起始地搜索半径内的所有路段， 分别表示个体移动特征、网格的路径静态特征和动态特征。根据路径开销函数的大小，生成Top-N推荐集。
应当指出上述具体的实施例，可以使本领域的技术人员和读者更全面地理解本发明创造的实施方法，应该被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。因此，尽管本发明说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域的技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

Claims (8)

1.一种基于车联网的网格化路径推荐方法，其特征在于，该方法包括步骤：获取数据源信息模块获取信息，构建网格OD矩阵模块分别以起始地和目的地为中心，一个网格长度为半径划定网格搜索范围，将道路网划分为等分的网格，以起始地搜索范围内预定网格为x轴，以目的地搜索范围内的预定网格为y轴，以时间片为z轴，每个纵切面为固定z轴的各个时间片下的邻接OD矩阵；计算路径特征模块计算个体移动特征、网格静态特征和网格动态特征；生成开销函数模块根据路径特征向量得到搜索半径内各条路径的权值，搜索最近邻居集模块把所得的路径权值排序；生成Top-N推荐集模块根据最近邻居集计算路径开销函数，根据生成的开销值升序排列，选取路径推荐集。
2.根据权利要求1所述的方法，其特征在于，所述计算个体移动特征、网格路径静态特征和网格路径动态特征进一步具体包括：个体移动性特征由周期转移性决定，在不同时间周期内从起始地搜索半径内某一网格移动到目的地搜索半径内的另一网格的转移概率为个体转移性特征；网格路径静态特征由各个路段的道路信息、兴趣点特征决定，网格路径动态特征由起始地搜索半径内的各个网格间的流动性和活跃性构成。
3.根据权利要求1所述的方法，其特征在于，根据公式生成起始地搜索网格内的路径开销函数，其中，l表示单个路段，L表示起始地搜索半径内的所有路段，分别表示个体移动特征、网格的路径静态特征和动态特征。
4.根据权利要求2或3所述的方法，其特征在于，根据从起始地网格到目的地搜索半径内网格次数|ro→rD|，从起始地网格到目的地所有网格的总次数|ro→R′D|，调用公式：计算从起始地的网格搜索半径出发，到目的地网格搜索半径的网格转移概率，则个体移动特征根据路段宽度rdwidth，路段等级rdrank构成二维特征向量froad＝(rdwidth,rdrank)，路径周边存在n种类别兴趣点POI的特征fPOI＝(POI1,POI2,…,POIn)，根据公式：获得网格的路径静态特征根据公式计算网格的路径动态特征其中，是路段l上的平均转移时间花费，为社交平台的用户在网格内路径附近签到点的次数。
5.一种基于车联网的网格化路径推荐系统，其特征在于，该系统包括：获取数据源信息模块、构建网格OD矩阵模块、计算路径特征模块、生成开销函数模块、搜索最近邻居集模块、生成Top-N推荐集模块，获取数据源信息模块获取路网数据、兴趣点、用户签到点、历史GPS数据；构建网格OD矩阵模块分别以起始地和目的地为中心，一个网格长度为半径划定网格搜索范围，将道路网划分为等分的网格，以起始地搜索范围内预定网格为x轴，以目的地搜索范围内的预定网格为y轴，以时间片为z轴，每个纵切面为固定z轴的各个时间片下的邻接OD矩阵；计算路径特征模块计算个体移动特征、网格静态特征和网格动态特征；生成开销函数模块根据路径特征向量得到搜索半径内各条路径的权值，搜索最近邻居集模块根据路径权值排序；生成Top-N推荐集模块根据最近邻居集计算路径开销函数，对开销值排序，选取目标用户的推荐路径邻居集。
6.根据权利要求5所述的系统，其特征在于，所述计算个体移动特征、网格路径静态特征和网格路径动态特征进一步具体包括：个体移动性特征由周期转移性决定，在不同时间周期内从起始地搜索半径内某一网格移动到目的地搜索半径内的另一网格的转移概率为个体转移性特征；网格路径静态特征由各个路段的道路信息、兴趣点特征决定，网格路径动态特征由起始地搜索半径内的各个网格间的流动性和活跃性构成。
7.根据权利要求5所述的系统，其特征在于，根据公式生成起始地搜索网格内的路径开销函数，其中，l表示单个路段，L表示起始地搜索半径内的所有路段，分别表示个体移动特征、网格的路径静态特征和动态特征。
8.根据权利要求6或7所述的系统，其特征在于，根据从起始地网格到目的地搜索半径内网格次数|ro→rD|，从起始地网格到目的地所有网格的总次数|ro→R′D|，调用公式：计算从起始地的网格搜索半径出发，到目的地网格搜索半径的网格转移概率，则个体移动特征根据路段宽度rdwidth，路段等级rdrank构成二维特征向量froad＝(rdwidth,rdrank)，路径周边存在n种类别兴趣点POI的特征fPOI＝(POI1,POI2,…,POIn)，根据公式：获得网格的路径静态特征根据公式计算网格的路径动态特征其中，是路段l上的平均转移时间花费，为社交平台的用户在网格内路径附近签到点的次数。
CN201510158370.2A 2015-04-03 2015-04-03 一种基于车联网的网格化路径推荐方法及系统 Active CN104731963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510158370.2A CN104731963B (zh) 2015-04-03 2015-04-03 一种基于车联网的网格化路径推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510158370.2A CN104731963B (zh) 2015-04-03 2015-04-03 一种基于车联网的网格化路径推荐方法及系统

Publications (2)

Publication Number Publication Date
CN104731963A CN104731963A (zh) 2015-06-24
CN104731963B true CN104731963B (zh) 2018-06-15

Family

ID=53455850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510158370.2A Active CN104731963B (zh) 2015-04-03 2015-04-03 一种基于车联网的网格化路径推荐方法及系统

Country Status (1)

Country Link
CN (1) CN104731963B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978420B (zh) 2015-06-30 2018-09-07 百度在线网络技术（北京）有限公司 行车路线匹配方法和装置
CN108267142B (zh) * 2016-12-30 2021-07-06 上海博泰悦臻电子设备制造有限公司 一种基于地址卡片的导航显示方法、系统及一种车机
CN108536704B (zh) * 2017-03-02 2022-02-08 华为技术有限公司 一种轨迹查询方法、系统及装置
CN107038886B (zh) * 2017-05-11 2019-05-28 厦门大学 一种基于轨迹数据的出租车巡游路径推荐方法和系统
CN107171958B (zh) * 2017-05-24 2020-04-07 中山大学 一种sdn车载网络的路段分区选路方法
CN109506651B (zh) * 2017-09-15 2022-11-01 山东科技大学 平流层超压气球三维航迹规划方法
CN108444487B (zh) * 2018-01-30 2021-03-02 北京星选科技有限公司 导航数据处理方法、导航方法及相关装置
CN110175715B (zh) * 2019-05-24 2021-08-31 中南大学 一种基于场景依赖的非法游行路径动态预测的方法
US11428538B2 (en) * 2019-12-17 2022-08-30 Beijing Didi Infinity Technology And Development Co., Ltd. Vehicle detour monitoring
CN111814079B (zh) * 2020-07-03 2022-05-13 福州大学 结合聚类与cmab的群智感知车联网用户筛选方法
CN111882877B (zh) * 2020-08-31 2021-07-27 北京航空航天大学 一种交通区域分析方法及装置
CN114021025B (zh) * 2022-01-06 2022-05-20 深圳市沃特沃德软件技术有限公司 基于气象信息的路径推荐方法、装置、设备和存储介质
WO2023178608A1 (zh) * 2022-03-24 2023-09-28 之江实验室 一种基于多源异构信息网络的目的地推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288193A (zh) * 2011-07-06 2011-12-21 东南大学 一种基于历史数据的机动车出行路径的确定方法
CN103679286A (zh) * 2013-11-29 2014-03-26 华为技术有限公司 路径优化方法及装置
CN104183119A (zh) * 2014-08-19 2014-12-03 中山大学 基于路段od反推的实时交通流分布预测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10022812A1 (de) * 2000-05-10 2001-11-22 Daimler Chrysler Ag Verfahren zur Verkehrslagebestimmung auf Basis von Meldefahrzeugdaten für ein Verkehrsnetz mit verkehrsgeregelten Netzknoten
US8798897B2 (en) * 2010-11-01 2014-08-05 International Business Machines Corporation Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288193A (zh) * 2011-07-06 2011-12-21 东南大学 一种基于历史数据的机动车出行路径的确定方法
CN103679286A (zh) * 2013-11-29 2014-03-26 华为技术有限公司 路径优化方法及装置
CN104183119A (zh) * 2014-08-19 2014-12-03 中山大学 基于路段od反推的实时交通流分布预测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"多对象的最邻近查询";刘永山，等;《计算机工程》;20040630;第30卷(第11期);全文 *
"道路网络环境中的多对象最邻近查询";盛梅红，等;《计算机研究与发展》;20061231;全文 *

Also Published As

Publication number Publication date
CN104731963A (zh) 2015-06-24

Similar Documents

Publication Publication Date Title
CN104731963B (zh) 一种基于车联网的网格化路径推荐方法及系统
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN103678917B (zh) 一种基于模拟退火算法的公交实时到站时间预测方法
CN105788260B (zh) 一种基于智能公交系统数据的公交乘客od推算方法
CN104574967B (zh) 一种基于北斗的城市大面积路网交通感知方法
CN107832882A (zh) 一种基于马尔科夫决策过程的出租车寻客策略推荐方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN110826244B (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN107845261A (zh) 一种基于张量融合交通信息的汽车全局工况动态重构方法
CN113780665B (zh) 一种基于增强循环神经网络的私家车停留位置预测方法和系统
Yedavalli et al. Microsimulation analysis for network traffic assignment (MANTA) at metropolitan-scale for agile transportation planning
CN107220724A (zh) 客流量预测方法及装置
CN108985488A (zh) 个体出行目的地预测的方法
CN112101132A (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
Zheng et al. A novel approach to coordinating green wave system with adaptation evolutionary strategy
Jalel et al. Continuous time markov chain traffic model for urban environments
CN111738527B (zh) 一种基于热点探测模型的城市交通小区划分方法
Guttenberg et al. INCEPTS: Software for high-fidelity electric vehicle en route state of charge estimation, fleet analysis and charger deployment
CN112797997A (zh) 一种基于栅格路网的应急路径规划架构和方法
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
Yu et al. A dynamic line generation and vehicle scheduling method for airport bus line based on multi-source big travel data
CN114048913B (zh) 一种基于粒子群算法和遗传算法混合的救援规划方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant