CN105117595A - 一种基于浮动车数据的私家车出行数据集成方法 - Google Patents
一种基于浮动车数据的私家车出行数据集成方法 Download PDFInfo
- Publication number
- CN105117595A CN105117595A CN201510508865.3A CN201510508865A CN105117595A CN 105117595 A CN105117595 A CN 105117595A CN 201510508865 A CN201510508865 A CN 201510508865A CN 105117595 A CN105117595 A CN 105117595A
- Authority
- CN
- China
- Prior art keywords
- data
- car
- private car
- taxi
- information
- 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
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于浮动车数据的私家车数据集成方法,基于目标城市矢量数据投影该城市影像数据,并且配准目标城市的影像信息;基于目标城市影像得到不同城市功能区内的路网信息;根据GPS信息中的运营状态信息得到出租车OD数据;对整个城市进行经纬度划分,并确定不同城市功能区所包含的经纬度块;基于不同城市功能区之间的出租车OD矩阵,使用增长因子法得到私家车OD矩阵;根据私家车OD矩阵进行仿真。本发明通过分析长期海量的出租车GPS数据,结合不同城市功能区特有的社会属性,仿真生成目标城市中私家车的数据,可以为车载社交网络提供数据基础。
Description
技术领域
本发明属于车载社交网络领域,特别涉及私家车出行的OD矩阵生成方法以及私家车出行数据集的生成方法。
背景技术
随着车辆和公路的日益智能化,越来越多的汽车和路边基础设施安装了通信设备,使得行驶在道路上的车辆不再是一个个孤立的个体。智能汽车作为移动社交网络的新载体,为用户提供了新的移动通信方式,将社交网络和车联网络相结合,形成了车载社交网络(VSN,vehicularsocialnetwork)。车载社交网络中,驱使用户聚集或形成社群的主要因素是地理位置和社群用户兴趣,以及同行或相遇车辆之间的相互协作。因此车载社交网络具有自组织,社群形成迅捷,社会信息丰富等优势。
在车载社交网络中,OD矩阵是一项关键的基础数据,它可以反映实际交通路网中的真实交通分布。无论是进行交通网的规划,还是对城市进行合理的交通控制,OD矩阵都起着很重要的作用。此外,在交通仿真系统中,OD矩阵也是基本的仿真输入数据。早期的静态OD矩阵估计方法都是采用交通调查问卷,电话询问方式进行,这种方法时效性差,耗费巨大。近年来,随着计算机技术和信息技术发展,GPS数据更加精确,采集方式也更简捷,使得使用GPS数据估测OD矩阵的成本壁垒逐渐削弱。
交通仿真是研究运用现代计算机技术再现实际交通的特性、分析交通系统在各种设定条件下的可能行为,进而解决某种交通问题的一种手段。交通仿真研究道路可以深入分析车辆、道路、交通的特征,对交通系统进行优化,因此,交通问题已经成为近几年的研究热点之一。对交通系统的仿真研究可以分为三个层次:微观仿真、中观仿真和宏观仿真。微观仿真可以描述车辆与周围交通环境的相互关系,能够在计算机上仿真出每一辆车在路网上的运行,然而通过微观仿真来模拟整个城市的私家车辆信息,是目前学术界很少涉及的。
发明内容
本发明的目的主要针对上述现有技术的一些不足之处,提出一种基于浮动车数据的私家车出行数据集生成方法,通过对浮动车数据的处理,得到出租车之间的OD数据,基于增长因子法得到不同功能区之间私家车OD矩阵,进而进行仿真模拟,生成整个城市的私家车出行数据集。
本发明是通过以下技术方案达到上述目的:一种基于浮动车数据的私家车出行数据集生成方法,其特征在于包括如下步骤:
(11)根据某一城市的影像范围,获取对应区域的矢量数据,所述的矢量数据包括道路矢量数据;
(12)将城市功能区的影像投影到步骤(11)所得矢量数据;
(13)基于电子地图,校正步骤(21)所得到的路网数据,主要修改道路前进方向,路口处的道路连接,交通信号灯的位置等;
(14)修改步骤(22)所得到的电子地图,删除路网中的人行道和铁路,同时控制交通信号灯的变换,得到整个城市的路网信息;
(15)基于图像处理技术,根据城市功能区的影像,得到所有功能区的边界坐标;
(16)基于功能区的边界,对步骤(23)所得到的整个城市的路网进行划分。
其中,步骤(11)中,从OpenStreetMap服务器下载矢量数据。
其中,所述步骤(12)具体包括以下步骤:
a)使用ArcMap为城市功能区影像植入矢量数据的坐标系;
b)将城市功能区影像的四个角的点坐标投影到目标矢量数据的坐标系下,为四个角点设置经纬度坐标;
c)找到城市功能区影像与矢量数据不匹配的点,将该点配准到矢量数据中,直到城市功能区影像与矢量数据完全匹配。
本发明还提供一种基于浮动车数据的私家车出行数据集生成方法,其特征在于包括如下步骤:
(21)存储并读取浮动车历史数据,对GPS数据中出租车GPS信息进行预处理,得到浮动车OD数据集;
(22)对步骤(11)得到的OD数据集,依据城市功能区聚类得到不同功能区之间的出租车OD矩阵;
(23)基于增长因子法,得到不同功能区之间的私家车OD矩阵。
其中,所述步骤(21)具体包括如下步骤:
a)从文件中读取出租车GPS消息,判断“GPS状态”是否有效,如果GPS状态为0,则舍去此条信息;如果状态为1,存储该条信息;
b)读取所有有效的出租车GPS消息,判断当前GPS消息的时间是否合理,如果不合理,舍去此条信息;如果合理,存储该条信息;
c)得到所有有效GPS信息,将一天内所有同一ID的GPS信息放到同一文件下,删除重复项并且按照时间顺序排序;
d)如果当前GPS信息触发事件为1(变载客),并且前一条GPS信息运营状态为0(空车),保存该条信息;如果当前GPS信息触发事件为0(变空车),并且前一条GPS信息运营状态为1(载客),保存该条信息;
e)整理筛选后的数据集,得到出租车每一次运营的起始点和终止点,得到浮动车OD数据集。
其中,所述的步骤(22)具体包含如下步骤:
a)按照经纬度0.5x0.5范围划分整个城市;
b)统计不同经纬度小格所包含的浮动车起始点和终止点;
c)依据社会功能区影像归类经纬度小方格,使得每一个经纬度小方格都位于某一种社会功能区中。处于边界处的小方格,将其划分给所占面积超过1/2的社会功能区;
d)统计社会不同功能区中所有经纬度方格包含的出租车OD数据,得到不同社会功能区之间的出租车OD矩阵。
其中,所述的步骤(23)具体包含如下步骤:
a)统计不同的城市功能区所包含道路,根据不同道路上私家车和出租车数目比计算该功能区内私家车数目;
私家车数量的计算公式为:
其中SPi表示某一社会功能区内私家车的数量。STi为该功能区内出租车的数目,α是城市内出租车日均出行次数与统计出租车OD数目的比值。βi是第i个功能区内某条道路上出租车占整个区域内所有出租车数目的比值。
b)统计所有城市功能区内私家车的数量,得到不同城市功能区之间私家车OD矩阵。
本发明还提供一种基于浮动车数据的私家车数据集生成方法,其特征在于包含如下步骤:
(31)将不同城市功能区之间的私家车OD矩阵转换成不同的私家车旅程信息;
(32)将步骤(31)得到旅程信息转换成私家车在城市中运行的不同的路径信息;
(33)基于步骤(32)得到的不同路径信息,进行仿真模拟。
本发明的有益效果在于:
(1)以海量GPS数据作为研究基础,通过分析和处理GPS数据,得到整个城市的出租车OD数据。较之传统调查方法,使用GPS数据得到的结果更具加精确,数据量也更大。
(2)从微观角度出发,模拟生成整个城市的私家车数据,克服了交通系统现场试验实施困难,代价大的缺点,为交通枢纽的合理设计提供有力指导。
(3)以城市功能区为出发点,为传统车联网络注入社交属性,构建了不同城市功能区间私家车的车载社交网络。为下一步车载社交网络提供了平台和更坚实的保障。
附图说明
图1是本发明的整体流程图;
图2是本发明基于城市影像获取路网数据的流程图;
图3是本发明基于GPS数据获取出租车OD数据的流程图;
图4是本发明不同功能区间私家车OD矩阵获取流程图;
图5是本发明实例1中北京市某些功能区内所包含道路的示意图;
图6是本发明实例2中北京市某些功能区内所包含的经纬度方格及其编号示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步的描述,图1显示本发明的整体流程图。
实施例1:基于城市功能区的路网生成方法
本实例中涉及基于城市功能区的路网生成方法如图2,具体包括以下步骤:
(11)根据北京市的影像范围,从OpenStreetMap服务器下载对座矢量数据,所述的矢量数据包括道路矢量数据。
(12)将北京市城市功能区的影像投影到步骤(11)所得矢量数据,具体过程如下:
1)使用ArcMap为城市功能区影像植入矢量数据的坐标系;
2)将城市功能区影像的四个角的点坐标投影到目标矢量数据的坐标系下,为四个角点设置经纬度坐标;
3)找到城市功能区影像与矢量数据不匹配的点,将该点配准到矢量数据中,直到城市功能区影像与矢量数据匹配。
(13)基于电子地图,使用JOSM校正步骤(21)所得到的路网数据,主要修改道路前进方向,路口处的道路连接,交通信号灯的位置等;
(14)使用SUMO/netconvert修改步骤(22)所得到的电子地图,删除人行道和铁路,同时控制交通信号灯的变换,得到整个北京市的路网信息;
(15)根据城市功能区边界,使用opencv技术,得到所有功能区的边界坐标;
(16)基于功能区的边界,对步骤(23)所得到整个城市的路网进行划分。
根据北京市部分城市功能区影像划分所得到的部分路网信息,具体示意图见附图5。
实施例2:基于浮动车OD数据不同城市功能区间私家车OD矩阵生成方法。
本实例涉及不同功能去之间私家车OD矩阵的生成方法,过程如下:
(21)存储并读取浮动车历史数据,对GPS数据中出租车GPS信息进行预处理,得到浮动车OD数据集;
本实施例采用北京市2012年12月共30天的12000辆出租车的GPS数据,图3所示为浮动车数据OD数据处理方法,具体步骤如下:
本实例中的出租车GPS数据集,其格式如下表1所示:
编号 | 名称 | 注释 |
1 | 车辆标识 | 6个字符 |
2 | 触发事件 | 0=变空车,1=变载客,2=设防,3=撤防,4=其它 |
3 | 运营状态 | 0=空车,1=载客,2=驻车,3=停运,4=其它 |
4 | GPS时间 | 格式yyyymmddhhnnss,北京时间 |
5 | GPS经度 | 格式ddd.ddddddd,以度为单位 |
6 | GPS纬度 | 格式dd.ddddddd,以度为单位 |
7 | GPS速度 | 格式ddd,取值000-255内整数,以公里/小时为单位 |
8 | GPS方位 | 格式ddd,取值000-360内整数,以度为单位 |
9 | GPS状态 | 0=无效,1=有效 |
结束符 | 回车符+换行符 |
1)从文件中读取出租车GPS消息,判断“GPS状态”是否有效,如果GPS状态为0,则舍去此条信息;如果状态为1,存储该条信息;
2)读取所有有效的出租车GPS消息,判断当前GPS消息的时间是否合理,如果不合理,舍去此条信息;如果合理,存储该条信息;
3)得到所有有效GPS信息,将一天内所有同一ID的GPS信息放到同一文件下,删除重复项并且按照时间顺序排序;
4)如果当前GPS信息触发事件为1(变载客),并且前一条GPS信息运营状态为0(空车),保存该条信息;如果当前GPS信息触发事件为0(变空车),并且前一条GPS信息运营状态为1(载客),保存该条信息;
5)整理筛选后的数据集,得到出租车每一次运营的起始点和终止点,得到浮动车OD数据集。
数据处理后的结果如表2所示:
021554 | 1 | 1 | 20121101042359 | 116.4415 | 39.9324 | 15 | 264 | 1 |
021554 | 0 | 0 | 20121101043638 | 116.3376 | 39.934 | 0 | 8 | 1 |
021554 | 1 | 1 | 20121101044151 | 116.3398 | 39.93591 | 23 | 96 | 1 |
021554 | 0 | 0 | 20121101045109 | 116.3652 | 39.90816 | 0 | 210 | 1 |
(22)对步骤(11)得到的OD数据集,依据城市功能区进行聚类得到不同功能区之间的OD矩阵;
根据北京市城市功能区进行聚类方法,具体包含如下步骤:
1)按照经纬度0.5×0.5范围划分北京市六环内部区域;
2)统计不同经纬度小格所包含的浮动车起始点和终止点;
3)依据城市功能区影像归类经纬度方格,使得每一个经纬度方格都位于某一种社会功能区中。处于边界处的小方格,将其划分给所占面积超过1/2的城市功能区;
根据北京市不同城市功能区所划分得到的经纬度方格及其标号,具体示意图见附图6。
4)统计社会不同功能区中所有经纬度方格包含的出租车OD数据,得到不同社会功能区之间的出租车OD矩阵。
经过聚类不同城市功能区内的经纬度方格,所得到不同城市功能区及其所包含经纬度方格数目如表3:
实例中共得到123个城市功能区,此表只给出了部分内容。
(23)基于增长因子法,得到不同功能区之间的私家车OD矩阵。
虽然出租车的GPS数据并不能完全反应真实人们的出行状况,但我们可以在一定程度上认为,出租车和私家车都能反应人类的出行意愿,只是选择的交通工具不同,因此我们采用增长因子法来确定某一城市功能区内私家车的数量,图4是不同城市功能区之间私家车OD矩阵获取流程图。具体过程如下:
1)统计不同的城市功能区所包含道路,根据不同道路上私家车和出租车数目比计算该功能区内私家车数目。
私家车数量的计算公式为:
其中SPi表示某一社会功能区内私家车的数量。STi为该功能区内出租车的数目,α是城市内出租车日均出行次数与统计出租车OD数目的比值。βi是第i个功能区内某条道路上出租车占整个区域内所有出租车数目的比值。
2)统计所有城市功能区内私家车的数量,得到不同城市功能区之间私家车OD矩阵。
实施例3:应用不同功能区间的私家车OD矩阵,仿真生成整个城市的私家车出行数据
一种基于浮动车数据的私家车数据集生成方法,具体包含如下步骤:
(31)使用SUMO/od2trips,将不同功能区之间的私家车OD矩阵转换成不同的私家车旅程信息。
(32)使用SUMO/duarouter,将步骤(31)得到旅程信息转换成私家车在城市中运行的路径信息。
(33)基于不同的路径信息,使用SUMO/sumo,进行仿真模拟。
Claims (8)
1.一种基于浮动车数据的私家车出行数据集生成方法,其特征在于包括如下步骤:
(11)根据某一城市的影像范围,获取对应区域的矢量数据,所述的矢量数据包括道路矢量数据;
(12)将城市功能区的影像投影到步骤(11)所得矢量数据;
(13)基于电子地图,校正步骤(21)所得到的路网数据,主要修改道路前进方向,路口处的道路连接,交通信号灯的位置等;
(14)修改步骤(22)所得到的电子地图,删除路网中的人行道和铁路,同时控制交通信号灯的变换,得到整个城市的路网信息;
(15)基于图像处理技术,根据城市功能区的影像,得到所有功能区的边界坐标;
(16)基于功能区的边界,对步骤(23)所得到整个城市的路网进行划分。
2.根据权利要求1所述的一种基于浮动车数据的私家车出行数据集生成方法,其特征在于:步骤(11)中,从OpenStreetMap服务器下载矢量数据。
3.根据权利要求1或2所述的一种基于浮动车数据的私家车数据集生成方法,其特征在于所述步骤(12)包括以下步骤:
a)使用ArcMap为城市功能区影像植入矢量数据的坐标系;
b)将城市功能区影像的四个角的点坐标投影到目标矢量数据的坐标系下,为四个角点设置经纬度坐标;
c)找到城市功能区影像与矢量数据不匹配的点,将该点配准到矢量数据中,直到城市功能区影像与矢量数据完全匹配。
4.根据权利要求3所述的一种基于浮动车数据的私家车出行数据集生成方法,其特征在于,所述方法还包括如下步骤:
(21)存储并读取浮动车历史数据,对GPS数据中出租车GPS信息进行预处理,得到浮动车OD数据集;
(22)对步骤(11)得到的OD数据集,依据城市功能区聚类得到不同功能区之间的出租车OD矩阵;
(23)基于增长因子法,得到不同功能区之间的私家车OD矩阵。
5.根据权利要求4所述的一种基于浮动车数据的私家车出行数据集生成方法,其特征在于:所述步骤(21)具体包括如下步骤:
a)从文件中读取出租车GPS消息,判断“GPS状态”是否有效,如果GPS状态为0,则舍去此条信息;如果状态为1,存储该条信息;
b)读取所有有效的出租车GPS消息,判断当前GPS消息的时间是否合理,如果不合理,舍去此条信息;如果合理,存储该条信息;
c)得到所有有效GPS信息,将一天内所有同一ID的GPS信息放到同一文件下,删除重复项并且按照时间顺序排序;
d)如果当前GPS信息触发事件为1(变载客),并且前一条GPS信息运营状态为0(空车),保存该条信息;如果当前GPS信息触发事件为0(变空车),并且前一条GPS信息运营状态为1(载客),保存该条信息;
e)整理筛选后的数据集,得到出租车每一次运营的起始点和终止点,得到浮动车OD数据集。
6.根据权利要求4或5所述的一种基于浮动车数据的私家车出行数据集生成方法,其特征在于,所述的步骤(22)具体包含如下步骤:
a)按照经纬度0.5x0.5范围划分整个城市;
b)统计不同经纬度小格所包含的浮动车起始点和终止点;
c)依据社会功能区影像归类经纬度小方格,使得每一个经纬度小方格都位于某一种社会功能区中。处于边界处的小方格,将其划分给所占面积超过1/2的社会功能区;
d)统计社会不同功能区中所有经纬度方格包含的出租车OD数据,得到不同社会功能区之间的出租车OD矩阵。
7.根据权利要求6所述的一种基于浮动车数据的私家车出行数据集生成方法,其特征在于,所述的步骤(23)具体包含如下步骤:
a)统计不同的城市功能区所包含道路,根据不同道路上私家车和出租车数目比计算该功能区内私家车数目;
私家车数量的计算公式为:
其中SPi表示某一社会功能区内私家车的数量。STi为该功能区内出租车的数目,α是城市内出租车日均出行次数与统计出租车OD数目的比值。βi是第i个功能区内某条道路上出租车占整个区域内所有出租车数目的比值。
b)统计所有城市功能区内私家车的数量,得到不同城市功能区之间私家车OD矩阵。
8.根据权利要求4、5或7所述的一种基于浮动车数据的私家车出行数据集生成方法,其特征在于,所述方法还包括如下步骤:
(31)将不同城市功能区之间的私家车OD矩阵转换成不同的私家车旅程信息;
(32)将步骤(31)得到旅程信息转换成私家车在城市中运行的不同的路径信息;
(33)基于步骤(32)得到的不同路径信息,进行仿真模拟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510508865.3A CN105117595B (zh) | 2015-08-19 | 2015-08-19 | 一种基于浮动车数据的私家车出行数据集成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510508865.3A CN105117595B (zh) | 2015-08-19 | 2015-08-19 | 一种基于浮动车数据的私家车出行数据集成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105117595A true CN105117595A (zh) | 2015-12-02 |
CN105117595B CN105117595B (zh) | 2018-04-10 |
Family
ID=54665583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510508865.3A Expired - Fee Related CN105117595B (zh) | 2015-08-19 | 2015-08-19 | 一种基于浮动车数据的私家车出行数据集成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105117595B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548300A (zh) * | 2016-11-28 | 2017-03-29 | 中兴软创科技股份有限公司 | 出租车供需分析方法与系统 |
CN106651027A (zh) * | 2016-12-21 | 2017-05-10 | 北京航空航天大学 | 一种基于社交网络的互联网班车线路优化方法 |
CN108596551A (zh) * | 2018-05-10 | 2018-09-28 | 方琳凯 | 一种基于长途运输和同城配送的物流系统及方法 |
CN110175656A (zh) * | 2019-06-04 | 2019-08-27 | 北京交通大学 | 基于城市群白货流量的提高列车编组效率的城市聚类模型 |
CN110197293A (zh) * | 2019-04-15 | 2019-09-03 | 同济大学 | 基于浮动车数据的分时租赁汽车出行需求预测方法和系统 |
CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
CN111651502A (zh) * | 2020-06-01 | 2020-09-11 | 中南大学 | 一种基于多子空间模型的城市功能区识别方法 |
CN112801012A (zh) * | 2021-02-05 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 交通元素的处理方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020177947A1 (en) * | 2001-05-25 | 2002-11-28 | Randall Cayford | Method and system for electronically determining dynamic traffic information |
US20030050740A1 (en) * | 2001-09-07 | 2003-03-13 | Fecher Dana B. | Method and device for supplying information |
CN101794507A (zh) * | 2009-07-13 | 2010-08-04 | 北京工业大学 | 基于浮动车数据的宏观路网交通状态评价方法 |
CN102592446A (zh) * | 2012-03-13 | 2012-07-18 | 北京世纪高通科技有限公司 | 利用浮动车定位数据计算城际道路旅行时间的方法 |
-
2015
- 2015-08-19 CN CN201510508865.3A patent/CN105117595B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020177947A1 (en) * | 2001-05-25 | 2002-11-28 | Randall Cayford | Method and system for electronically determining dynamic traffic information |
US20030050740A1 (en) * | 2001-09-07 | 2003-03-13 | Fecher Dana B. | Method and device for supplying information |
CN101794507A (zh) * | 2009-07-13 | 2010-08-04 | 北京工业大学 | 基于浮动车数据的宏观路网交通状态评价方法 |
CN102592446A (zh) * | 2012-03-13 | 2012-07-18 | 北京世纪高通科技有限公司 | 利用浮动车定位数据计算城际道路旅行时间的方法 |
Non-Patent Citations (1)
Title |
---|
程颖: "《面向油耗排放测算的浮动车辆数据集成粒度优化研究》", 《万方学位论文库》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548300A (zh) * | 2016-11-28 | 2017-03-29 | 中兴软创科技股份有限公司 | 出租车供需分析方法与系统 |
CN106651027A (zh) * | 2016-12-21 | 2017-05-10 | 北京航空航天大学 | 一种基于社交网络的互联网班车线路优化方法 |
CN108596551A (zh) * | 2018-05-10 | 2018-09-28 | 方琳凯 | 一种基于长途运输和同城配送的物流系统及方法 |
CN108596551B (zh) * | 2018-05-10 | 2021-11-02 | 方琳凯 | 一种基于长途运输和同城配送的物流系统及方法 |
CN110197293A (zh) * | 2019-04-15 | 2019-09-03 | 同济大学 | 基于浮动车数据的分时租赁汽车出行需求预测方法和系统 |
CN110175656A (zh) * | 2019-06-04 | 2019-08-27 | 北京交通大学 | 基于城市群白货流量的提高列车编组效率的城市聚类模型 |
CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
CN110298500B (zh) * | 2019-06-19 | 2022-11-08 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
CN111651502A (zh) * | 2020-06-01 | 2020-09-11 | 中南大学 | 一种基于多子空间模型的城市功能区识别方法 |
CN111651502B (zh) * | 2020-06-01 | 2021-09-14 | 中南大学 | 一种基于多子空间模型的城市功能区识别方法 |
CN112801012A (zh) * | 2021-02-05 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 交通元素的处理方法、装置、电子设备及存储介质 |
CN112801012B (zh) * | 2021-02-05 | 2021-12-17 | 腾讯科技(深圳)有限公司 | 交通元素的处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105117595B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117595B (zh) | 一种基于浮动车数据的私家车出行数据集成方法 | |
He et al. | Modeling urban growth boundary based on the evaluation of the extension potential: A case study of Wuhan city in China | |
Gurram et al. | Agent-based modeling to estimate exposures to urban air pollution from transportation: exposure disparities and impacts of high-resolution data | |
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
Liu et al. | Cluster analysis of microscopic spatio-temporal patterns of tourists’ movement behaviors in mountainous scenic areas using open GPS-trajectory data | |
CN102393928A (zh) | 基于宏、中、微观交通仿真平台交互使用的交通仿真集成系统 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN111275965A (zh) | 一种基于互联网大数据的实时交通仿真分析系统与方法 | |
CN105844031B (zh) | 一种基于手机定位数据的城市交通廊道识别方法 | |
An et al. | Research on the construction of carbon emission evaluation system of low-carbon-oriented urban planning scheme: taking the West New District of Jinan city as example | |
Verhagen et al. | Finding Byzantine junctions with Steiner trees | |
Melnikov et al. | Data-driven travel demand modelling and agent-based traffic simulation in Amsterdam urban area | |
Sheng et al. | Risk assessment of traffic-related air pollution in a world heritage city | |
CN114692355B (zh) | 耦合WRF与OpenFOAM模型的机动车污染扩散模拟方法及系统 | |
CN106547862A (zh) | 基于流形学习的交通大数据降维处理方法 | |
Kang et al. | Potential of urban land use by autonomous vehicles: Analyzing land use potential in Seoul capital area of Korea | |
Cao et al. | Analysis of spatiotemporal changes in cultural heritage protected cities and their influencing factors: Evidence from China | |
Zhi et al. | Analysis on the development status of intelligent and connected vehicle test site | |
Huang et al. | Estimation of the impact of traveler information apps on urban air quality improvement | |
Zhang et al. | Space–time visualization analysis of bus passenger big data in Beijing | |
Lu et al. | Exploring travel patterns and static rebalancing strategies for dockless bike-sharing systems from multi-source data: a framework and case study | |
Zhai et al. | Validation of temporal and spatial consistency of facility-and speed-specific vehicle-specific power distributions for emission estimation: A case study in Beijing, China | |
Hu et al. | Traffic jams prediction method based on two-dimension cellular automata model | |
Krasnikov et al. | Simulation model for predicting ecological condition of urban areas at traffic intersections | |
Li | Application of Spatial‐Temporal Behavioral Trajectory Analysis in the Space Design of Digital Villages |
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 |
Granted publication date: 20180410 Termination date: 20200819 |
|
CF01 | Termination of patent right due to non-payment of annual fee |