CN105261217A - 一种基于密度聚类算法的城市交通拥堵状态检测方法 - Google Patents
一种基于密度聚类算法的城市交通拥堵状态检测方法 Download PDFInfo
- Publication number
- CN105261217A CN105261217A CN201510662173.4A CN201510662173A CN105261217A CN 105261217 A CN105261217 A CN 105261217A CN 201510662173 A CN201510662173 A CN 201510662173A CN 105261217 A CN105261217 A CN 105261217A
- Authority
- CN
- China
- Prior art keywords
- density
- data
- congestion
- gps
- gps data
- 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
- Position Fixing By Use Of Radio Waves (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于密度聚类算法的城市交通拥堵状态检测方法,具体步骤如下:首先对原始车辆GPS数据进行预处理,得到无噪声或小误差的数据;然后以限定数量和平均速度作为阈值计算拥堵点,得到候选拥堵点GPS数据;然后对候选拥堵点GPS数据进行DENCLUE聚类,得到拥堵区域信息;最后将拥堵区域信息作为城市拥堵状态信息保存到数据库。本发明可以有效找出交通拥堵区域,并对城市交通状态进行分级,为城市规划提供建议。
Description
技术领域
本发明涉及空间数据挖掘算法,处理GPS数据检测城市交通拥堵状态,特别是一种基于密度聚类算法的城市交通拥堵状态检测方法,属于计算机技术领域。
背景技术
智能交通系统(IntelligentTransportationSystem,ITS)是解决城市交通问题的重要解决途径之一。大数据时代,智能交通系统已经积累了巨量而复杂的道路交通数据信息,比如车辆的GPS信息,这些交通数据信息为智能交通系统管理和控制交通提供了重要的数据基础。
数据挖掘作为目前最强有力的一种数据分析工具,为道路交通数据的处理提供了新的分析手段,如何设计有效的数据挖掘算法将特定的交通规律挖掘出来是当前智能交通数据挖掘研究的关键。基于密度的聚类算法(DENCLUE,DENsity-basedCLUstEring)算法是Hinneburg等提出的,它是一种泛化的基于核密度估计的聚类算法。其核心思想是每一个空间数据点通过影响函数对空间产生影响,影响值可以叠加,从而在空间形成曲面,曲面的局部极大值点为密度吸引子,该吸引子的吸引域形成一类。将DENCLUE应用于交通数据挖掘,密度吸引子为拥堵区域的中心,吸引域为拥堵区域。
发明内容
本发明的目的是提供一种基于密度聚类算法的城市交通拥堵状态检测方法,通过挖掘车辆GPS大数据得到整个城市的拥堵状态信息。
为达到上述目的,本发明采用的技术方案是:
一种基于密度聚类算法的城市交通拥堵状态检测方法,具体步骤如下:
A.对原始车辆GPS数据进行预处理,得到无噪声或小误差的数据;
B.以限定数量和平均速度作为阈值计算拥堵点,得到候选拥堵点GPS数据;
C.对候选拥堵点GPS数据进行DENCLUE聚类,得到拥堵区域信息;
D.步骤C得到的拥堵区域信息作为城市拥堵状态信息保存到数据库。
上述步骤A中对原始车辆GPS数据进行预处理,得到无噪声或小误差的数据的操作步骤是:
A1)数据清理:GPS设备刚启动或故障原因会造成采集到大量为0的数据;GPS定位的误差会导致在某一时刻定位错误后在接来下的整个时间段采集的数据都是错误的。对于这两种数据需要完全删除;
A2)数据过滤:GPS传感器的噪声会造成采集到的个别数据存在误差,称为异常值(outliers)。对于异常值采用中值滤波器(MedianFilters)进行过滤,即对于检测到的异常值,取其附近n个点的中值替换该异常值。
上述步骤B中限定数量n是确定一个拥堵点所需的GPS数据的个数,与数据量呈正比,但是限定个数越大,造成的误差越大,平均速度是限定数量个GPS数据所经过的距离与时间的商,其特征在于上述步骤B中的以限定数量和平均速度作为阈值计算拥堵点,得到候选拥堵点GPS数据的操作步骤如下:
B1)根据数据集和城市交通状况确定限定数量n和速度阈值vthreshold;
B2)计算包含n个GPS数据的数据子集P{p1,p2…,pn}的平均速度其中d(pi,pi+1)为两个相邻GPS数据之间的距离,t(p1,pn)为两个相邻GPS数据之间的时间间隔;
B3)当数据子集P{p1,p2…,pn}确定一个拥堵点,转到步骤B4);当判断下一个GPS数据pn+1是否存在,如果pn+1存在,数据子集P{p1,p2…,pn}删除p1并添加pn+1,转到步骤B2),如果pn+1不存在,则输出候选拥堵点GPS数据,并转到步骤C;
B4)计算拥堵点以数据子集P{p1,p2…,pn}为例,其中cpoint的纬度为pi.Lat为第i个GPS数据的纬度,cpoint的经度为pi.Lngt为第i个GPS数据的经度,cpoint的到达时间为arvT=p1.T,p1.T为p1点的时间记录,cpoint的离开时间为levT=pn.T,pn.T为pn点的时间记录,记录拥堵点cpoint的信息以构成候选拥堵点GPS数据并以pn+1开始的n个GPS数据即P{pn+1,pn+2…,p2n}作为数据子集,转到步骤B2),如果不足n个,则输出候选拥堵点GPS数据,并转到步骤C。
上述步骤C中的DENCLUE是指基于密度的聚类算法,其特征在于上述步骤C中的对候选拥堵点GPS数据进行DENCLUE聚类,得到拥堵区域信息的操作步骤如下:
C1)对候选拥堵点GPS数据D以2σ(σ为设定的宽度阈值)为宽度进行网格划分,确定非空网格集Cp,每个网格c中数据数记为NC;
C2)设ξC为预定义的密度阈值,称Csp={c∈Cp|NC≥ξC}为高密度网格,将相邻的高密度网格连接起来作为Cp的子集,记为 其中cs为与c相连的高密度网格,以备计算局部密度函数;
C3)用高斯密度函数其中near(x)为以σ为半径以x1为中心的x1附近的点,计算相连高密度网格的局部密度函数;
C4)根据局部密度函数用爬山算法确定密度吸引子x*以及被密度吸引子x*所吸引的吸引域作为标记类,密度吸引子x*为拥堵区域的中心,标记类为拥堵区域,记为cregion,并根据吸引域中的GPS数据计算平均速度v作为此拥堵区域的平均速度。
上述步骤C4)中密度吸引子x*和拥堵区域cregion的确定方法为:
输入:已计算的高密度网格Cr
输出:密度吸引子x*和拥堵区域cregion
密度吸引子x*和拥堵区域cregion是这样生成的:对高密度网格Cr中的拥堵点按照经纬度进行排序,如果经度一样,则按纬度确定大小,对排序后的拥堵点数据进行爬山算法,极大值点为密度吸引子,即当其中(k∈N),则记x*=xk作为密度吸引点,处在两个极小值点之间的数据为被密度吸引子吸引的吸引域,归于x*所在的类;用此启发式方法,做两次爬山算法(一次为纬度方向,一次为经度方向),所有的点将会被聚类成拥堵区域cregion,并且每个拥堵区域有一个密度吸引子x*。
上述步骤D中的拥堵区域信息是指步骤C中得到的拥堵区域cregion(具体位置由密度吸引子的经纬度和吸引域数据确定),以及相应的密度吸引子的密度拥堵点个数N、平均速度v,作为城市拥堵状态信息评价拥堵状态。
本发明一种基于密度聚类算法的城市交通拥堵状态检测方法具有如下显而易见的突出特点和显著优点:
(1)本发明运用大数据的空间数据挖掘算法,将反映交通状况的GPS数据进行处理,有效找出交通拥堵区域。
(2)本发明以密度吸引子的密度、拥堵区域数据数、平均速度作为评价拥堵状态的标准,对城市交通拥堵状态进行分级,有效反映城市交通状态。
(3)本发明以历史数据为基础,通过分析城市一段时间的交通状况,可以发现城市交通规律,为城市规划提供有效帮助。
附图说明
图1是本发明一种基于密度聚类算法的城市交通拥堵状态检测方法的流程图。
图2是本发明中的对原始车辆GPS数据进行预处理的流程图。
图3是本发明中以限定数量和平均速度作为阈值计算拥堵点,得到候选拥堵点GPS数据的流程图。
图4是本发明中对候选拥堵点GPS数据进行DENCLUE聚类,得到拥堵区域信息的流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步详细的说明。
参照图1,本发明一种基于密度聚类算法的城市交通拥堵状态检测方法,其具体步骤如下:
(1)对原始车辆GPS数据进行预处理,得到无噪声或小误差的数据,如图2所示,其具体
步骤如下:
a)数据清理:GPS设备刚启动或故障原因会造成采集到大量为0的数据;GPS定位的误差会导致在某一时刻定位错误后在接来下的整个时间段采集的数据都是错误的。对于这两种数据需要完全删除;
b)数据过滤:GPS传感器的噪声会造成采集到的个别数据存在误差,称为异常值(outliers)。对于异常值采用中值滤波器(MedianFilters)进行过滤,即对于检测到的异常值,取其附近n个点的中值替换该异常值。
(2)以限定数量和平均速度作为阈值计算拥堵点,得到候选拥堵点GPS数据,如图3所示,其具体步骤如下:
a)根据数据集和城市交通状况确定限定数量n和速度阈值vthreshold;
b)计算包含n个GPS数据的数据子集P{p1,p2…,pn}的平均速度d(pi,pi+1)为两个相邻GPS数据之间的距离,t(p1,pn)为两个相邻GPS数据之间的时间间隔;
c)当数据子集P{p1,p2…,pn}确定一个拥堵点,转到步骤d);当判断下一个GPS数据pn+1是否存在,如果pn+1存在,数据子集P{p1,p2…,pn}删除p1并添加pn+1,转到步骤b),如果pn+1不存在,则输出候选拥堵点GPS数据,并转到步骤(3);
d)计算拥堵点以数据子集P{p1,p2…,pn}为例,其中cpoint的纬度为pi.Lat为第i个GPS数据的纬度,cpoint的经度为pi.Lngt为第i个GPS数据的经度,cpoint的到达时间为arvT=p1.T,p1.T为p1点的时间记录,cpoint的离开时间为levT=pn.T,pn.T为pn点的时间记录,记录拥堵点cpoint的信息以构成候选拥堵点GPS数据并以pn+1开始的n个GPS数据即P{pn+1,pn+2…,p2n}作为数据子集,转到步骤b),如果不足n个,则输出候选拥堵点GPS数据,并转到步骤(3)。
(3)对候选拥堵点GPS数据进行DENCLUE聚类,得到拥堵区域信息,如图4所示,其具体步骤如下:
a)对候选拥堵点GPS数据D以2σ(σ为设定的宽度阈值)为宽度进行网格划分,确定非空网格集Cp,每个网格c中数据数记为NC;
b)设ξC为预定义的密度阈值,称Csp={c∈Cp|NC≥ξC}为高密度网格,将相邻的高密度网格连接起来作为Cp的子集,记为 其中cs为与c相连的高密度网格,以备计算局部密度函数;
c)用高斯密度函数其中near(x)为以σ为半径以x1为中心的x1附近的点,计算相连高密度网格的局部密度函数;
d)根据局部密度函数用爬山算法确定密度吸引子x*以及被密度吸引子x*所吸引的吸引域作为标记类,密度吸引子x*为拥堵区域的中心,标记类为拥堵区域,记为cregion,并根据吸引域中的GPS数据计算平均速度v作为此拥堵区域的平均速度。
其中密度吸引子x*和拥堵区域cregion的确定方法为:
输入:已计算的高密度网格Cr
输出:密度吸引子x*和拥堵区域cregion
密度吸引子x*和拥堵区域cregion是这样生成的:对高密度网格Cr中的拥堵点按照经纬度进行排序,如果经度一样,则按纬度确定大小,对排序后的拥堵点数据进行爬山算法,极大值点为密度吸引子,即当其中(k∈N),则记x*=xk作为密度吸引点,处在两个极小值点之间的数据为被密度吸引子吸引的吸引域,归于x*所在的类;用此启发式方法,做两次爬山算法(一次为纬度方向,一次为经度方向),所有的点将会被聚类成拥堵区域cregion,并且每个拥堵区域有一个密度吸引子x*。
(4)对步骤(3)得到的拥堵区域信息作为城市拥堵状态信息保存到数据库。
拥堵区域信息是指步骤(3)中得到的拥堵区域cregion(具体位置由密度吸引子的经纬度和吸引域数据确定),以及相应的密度吸引子的密度拥堵点个数N、平均速度v,作为城市拥堵状态信息评价拥堵状态。
实验结果表明,本发明运用大数据的空间数据挖掘算法,将反映交通状况的GPS数据进行处理,可以有效找出交通拥堵区域,并对城市交通拥堵状态进行分级,为城市规划提供建议。
Claims (6)
1.一种基于密度聚类算法的城市交通拥堵状态检测方法,其特征在于,具体步骤如下:
A.对原始车辆GPS数据进行预处理,得到无噪声或小误差的数据;
B.以限定数量和平均速度作为阈值计算拥堵点,得到候选拥堵点GPS数据;
C.对候选拥堵点GPS数据进行DENCLUE聚类,得到拥堵区域信息;
D.将步骤C得到的拥堵区域信息作为城市拥堵状态信息保存到数据库。
2.根据权利要求1所述的一种基于密度聚类算法的城市交通拥堵状态检测方法,其特征在于,上述步骤A中对原始车辆GPS数据进行预处理,得到无噪声或小误差的数据的操作步骤如下:
A1)数据清理:GPS设备刚启动或故障原因会造成采集到大量为0的数据;GPS定位的误差会导致在某一时刻定位错误后在接来下的整个时间段采集的数据都是错误的,对于这两种数据需要完全删除;
A2)数据过滤:GPS传感器的噪声会造成采集到的个别数据存在误差,称为异常值,对于异常值采用中值滤波器进行过滤,即对于检测到的异常值,取其附近n个点的中值替换该异常值。
3.根据权利要求1所述的一种基于密度聚类算法的城市交通拥堵状态检测方法,其特征在于,上述步骤B中以限定数量和平均速度作为阈值计算拥堵点,得到候选拥堵点GPS数据的操作步骤如下:
B1)根据数据集和城市交通状况确定限定数量n和速度阈值vthreshold;
B2)计算包含n个GPS数据的数据子集P{p1,p2…,pn}的平均速度其中d(pi,pi+1)为两个相邻GPS数据之间的距离,t(p1,pn)为两个相邻GPS数据之间的时间间隔;
B3)当数据子集P{p1,p2…,pn}确定一个拥堵点,转到步骤B4);当判断下一个GPS数据pn+1是否存在,如果pn+1存在,数据子集P{p1,p2…,pn}删除p1并添加pn+1,转到步骤B2),如果pn+1不存在,则输出候选拥堵点GPS数据,并转到步骤C;
B4)计算拥堵点以数据子集P{p1,p2…,pn}为例,其中cpoint的纬度为pi.Lat为第i个GPS数据的纬度,cpoint的经度为pi.Lngt为第i个GPS数据的经度,cpoint的到达时间为arvT=p1.T,p1.T为p1点的时间记录,cpoint的离开时间为levT=pn.T,pn.T为pn点的时间记录,记录拥堵点cpoint的信息以构成候选拥堵点GPS数据并以pn+1开始的n个GPS数据即P{pn+1,pn+2…,p2n}作为数据子集,转到步骤B2),如果不足n个,则输出候选拥堵点GPS数据,并转到步骤C。
4.根据权利要求1所述的一种基于密度聚类算法的城市交通拥堵状态检测方法,其特征在于,上述步骤C中的DENCLUE是指基于密度的聚类算法,上述步骤C中的对候选拥堵点GPS数据进行DENCLUE聚类,得到拥堵区域信息的操作步骤如下:
C1)对候选拥堵点GPS数据D以2σ为宽度进行网格划分,其中σ为设定的宽度阈值,确定非空网格集Cp,每个网格c中数据数记为NC;
C2)设ξC为预定义的密度阈值,称Csp={c∈Cp|NC≥ξC}为高密度网格,将相邻的高密度网格连接起来作为Cp的子集,记为其中cs为与c相连的高密度网格,以备计算局部密度函数;
C3)用高斯密度函数其中near(x)为以σ为半径以x1为中心的x1附近的点,计算相连高密度网格的局部密度函数;
C4)根据局部密度函数用爬山算法确定密度吸引子x*以及被密度吸引子x*所吸引的吸引域作为标记类,密度吸引子x*为拥堵区域的中心,标记类为拥堵区域,记为cregion,并根据吸引域中的GPS数据计算平均速度v作为此拥堵区域的平均速度。
5.根据权利要求4所述的一种基于密度聚类算法的城市交通拥堵状态检测方法,其特征在于,上述步骤C4)中密度吸引子x*和拥堵区域cregion的确定方法为:
输入:已计算的高密度网格Cr
输出:密度吸引子x*和拥堵区域cregion
密度吸引子x*和拥堵区域cregion是这样生成的:对高密度网格Cr中的拥堵点按照经纬度进行排序,如果经度一样,则按纬度确定大小,对排序后的拥堵点数据进行爬山算法,极大值点为密度吸引子,即当其中(k∈N),则记x*=xk作为密度吸引点,处在两个极小值点之间的数据为被密度吸引子吸引的吸引域,归于x*所在的类;用此启发式方法,做两次爬山算法,一次为纬度方向,一次为经度方向,所有的点将会被聚类成拥堵区域cregion,并且每个拥堵区域有一个密度吸引子x*。
6.根据权利要求1所述的一种基于密度聚类算法的城市交通拥堵状态检测方法,其特征在于,上述步骤D中的拥堵区域信息是指步骤C中得到的拥堵区域cregion,具体位置由密度吸引子的经纬度和吸引域数据确定,以及相应的密度吸引子的密度拥堵点个数N、平均速度v,作为城市拥堵状态信息评价拥堵状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510662173.4A CN105261217B (zh) | 2015-10-03 | 2015-10-03 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510662173.4A CN105261217B (zh) | 2015-10-03 | 2015-10-03 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105261217A true CN105261217A (zh) | 2016-01-20 |
CN105261217B CN105261217B (zh) | 2017-12-22 |
Family
ID=55100883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510662173.4A Expired - Fee Related CN105261217B (zh) | 2015-10-03 | 2015-10-03 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261217B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869398A (zh) * | 2016-05-10 | 2016-08-17 | 浙江工业大学 | 一种基于K-means聚类的道路交通畅通度判断方法 |
CN106023592A (zh) * | 2016-07-11 | 2016-10-12 | 南京邮电大学 | 一种基于gps数据的交通拥堵检测方法 |
CN106205150A (zh) * | 2016-07-20 | 2016-12-07 | 安徽建筑大学 | 一种车联网路况监测系统 |
CN106292612A (zh) * | 2016-10-10 | 2017-01-04 | 深圳万发创新进出口贸易有限公司 | 一种钢包烘烤器故障在线诊断系统 |
CN108897820A (zh) * | 2018-06-21 | 2018-11-27 | 电子科技大学 | 一种denclue算法的并行化方法 |
CN109739585A (zh) * | 2018-12-29 | 2019-05-10 | 广西交通科学研究院有限公司 | 基于spark集群并行化计算的交通拥堵点发现方法 |
CN109785622A (zh) * | 2018-12-03 | 2019-05-21 | 南京三宝科技股份有限公司 | 一种基于车载电子标签技术的拥堵区域识别方法 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN110187367A (zh) * | 2019-05-23 | 2019-08-30 | 哈尔滨工业大学 | 一种越野滑雪运动轨迹跟踪与视频采集方法及系统 |
CN110493333A (zh) * | 2019-08-15 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种目标位置点的确定方法、装置、设备及存储介质 |
CN110738856A (zh) * | 2019-11-12 | 2020-01-31 | 中南大学 | 一种基于移动聚类的城市交通拥堵精细识别方法 |
CN110967012A (zh) * | 2018-09-30 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 路径规划方法及系统、计算机系统和计算机可读存储介质 |
US10657807B1 (en) | 2019-05-03 | 2020-05-19 | Here Global B.V. | Method, apparatus, and computer program product for detecting changes in road traffic condition |
CN111369200A (zh) * | 2020-04-01 | 2020-07-03 | 北京理工新源信息科技有限公司 | 一种基于车辆lbs数据的城市物流通道识别方法及系统 |
CN111382765A (zh) * | 2018-12-29 | 2020-07-07 | 中国移动通信集团四川有限公司 | 投诉热点区域聚类方法、装置、设备、介质 |
CN111797884A (zh) * | 2019-12-10 | 2020-10-20 | 青岛海信网络科技股份有限公司 | 一种基于聚类算法的快情报问题区域识别方法及装置 |
CN111915893A (zh) * | 2019-04-15 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 |
CN112418313A (zh) * | 2020-11-23 | 2021-02-26 | 重庆邮电大学 | 一种大数据在线噪声过滤系统与方法 |
CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN114764977A (zh) * | 2022-04-06 | 2022-07-19 | 成都亿盟恒信科技有限公司 | 一种基于驾驶数据的道路拥堵计算方法及系统 |
CN115148018A (zh) * | 2021-03-31 | 2022-10-04 | 海信集团控股股份有限公司 | 交通事件检测设备及方法 |
WO2023014311A1 (en) | 2021-08-06 | 2023-02-09 | Basarsoft Bilgi Teknolojileri Anonim Sirketi | Traffic density estimation system and a method thereof |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020026277A1 (en) * | 2000-05-10 | 2002-02-28 | Boris Kerner | Method for traffic situation determination on the basis of reporting vehicle data for a traffic network with traffic-controlled network nodes |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN102024325A (zh) * | 2010-12-23 | 2011-04-20 | 福建工程学院 | 基于浮动车技术的交通堵塞点识别方法 |
CN103000027A (zh) * | 2012-12-19 | 2013-03-27 | 安徽科力信息产业有限责任公司 | 基于浮动车在拥堵状态下的智能交通诱导方法 |
-
2015
- 2015-10-03 CN CN201510662173.4A patent/CN105261217B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020026277A1 (en) * | 2000-05-10 | 2002-02-28 | Boris Kerner | Method for traffic situation determination on the basis of reporting vehicle data for a traffic network with traffic-controlled network nodes |
EP1154389B1 (de) * | 2000-05-10 | 2004-06-02 | DaimlerChrysler AG | Verfahren zur Verkehrslagebestimmung für ein Verkehrsnetz |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN102024325A (zh) * | 2010-12-23 | 2011-04-20 | 福建工程学院 | 基于浮动车技术的交通堵塞点识别方法 |
CN103000027A (zh) * | 2012-12-19 | 2013-03-27 | 安徽科力信息产业有限责任公司 | 基于浮动车在拥堵状态下的智能交通诱导方法 |
Non-Patent Citations (4)
Title |
---|
倪升华: "基于数据的交通拥堵评价与预测方法", 《万方学位论文数据库》 * |
刘畅 等: "基于DBSCAN算法的城市交通拥堵区域发现", 《智能计算机与应用》 * |
王鸿遥 等: "基于DENCLUE聚类算法的交通事故多发点鉴别方法", 《交通运输工程与信息学报》 * |
田世艳: "基于GPS的城市道路交通状态实时判别技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869398A (zh) * | 2016-05-10 | 2016-08-17 | 浙江工业大学 | 一种基于K-means聚类的道路交通畅通度判断方法 |
CN106023592A (zh) * | 2016-07-11 | 2016-10-12 | 南京邮电大学 | 一种基于gps数据的交通拥堵检测方法 |
CN106205150A (zh) * | 2016-07-20 | 2016-12-07 | 安徽建筑大学 | 一种车联网路况监测系统 |
CN106292612A (zh) * | 2016-10-10 | 2017-01-04 | 深圳万发创新进出口贸易有限公司 | 一种钢包烘烤器故障在线诊断系统 |
CN108897820A (zh) * | 2018-06-21 | 2018-11-27 | 电子科技大学 | 一种denclue算法的并行化方法 |
CN108897820B (zh) * | 2018-06-21 | 2022-03-15 | 电子科技大学 | 一种denclue算法的并行化方法 |
CN110967012A (zh) * | 2018-09-30 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 路径规划方法及系统、计算机系统和计算机可读存储介质 |
CN109785622B (zh) * | 2018-12-03 | 2020-12-11 | 南京三宝科技股份有限公司 | 一种基于车载电子标签技术的拥堵区域识别方法 |
CN109785622A (zh) * | 2018-12-03 | 2019-05-21 | 南京三宝科技股份有限公司 | 一种基于车载电子标签技术的拥堵区域识别方法 |
CN111382765B (zh) * | 2018-12-29 | 2023-07-04 | 中国移动通信集团四川有限公司 | 投诉热点区域聚类方法、装置、设备、介质 |
CN109739585A (zh) * | 2018-12-29 | 2019-05-10 | 广西交通科学研究院有限公司 | 基于spark集群并行化计算的交通拥堵点发现方法 |
CN109739585B (zh) * | 2018-12-29 | 2022-02-18 | 广西交通科学研究院有限公司 | 基于spark集群并行化计算的交通拥堵点发现方法 |
CN111382765A (zh) * | 2018-12-29 | 2020-07-07 | 中国移动通信集团四川有限公司 | 投诉热点区域聚类方法、装置、设备、介质 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN110176139B (zh) * | 2019-02-21 | 2021-01-05 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN111915893A (zh) * | 2019-04-15 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 |
CN111915893B (zh) * | 2019-04-15 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 |
US11393334B2 (en) | 2019-05-03 | 2022-07-19 | Here Global B.V. | Method, apparatus, and computer program product for detecting changes in road traffic condition |
US10657807B1 (en) | 2019-05-03 | 2020-05-19 | Here Global B.V. | Method, apparatus, and computer program product for detecting changes in road traffic condition |
US10943474B2 (en) | 2019-05-03 | 2021-03-09 | Here Global B.V. | Method, apparatus, and computer program product for detecting changes in road traffic condition |
CN110187367A (zh) * | 2019-05-23 | 2019-08-30 | 哈尔滨工业大学 | 一种越野滑雪运动轨迹跟踪与视频采集方法及系统 |
CN110493333A (zh) * | 2019-08-15 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种目标位置点的确定方法、装置、设备及存储介质 |
CN110493333B (zh) * | 2019-08-15 | 2021-08-17 | 腾讯科技(深圳)有限公司 | 一种目标位置点的确定方法、装置、设备及存储介质 |
CN110738856B (zh) * | 2019-11-12 | 2020-09-22 | 中南大学 | 一种基于移动聚类的城市交通拥堵精细识别方法 |
CN110738856A (zh) * | 2019-11-12 | 2020-01-31 | 中南大学 | 一种基于移动聚类的城市交通拥堵精细识别方法 |
CN111797884A (zh) * | 2019-12-10 | 2020-10-20 | 青岛海信网络科技股份有限公司 | 一种基于聚类算法的快情报问题区域识别方法及装置 |
CN111369200A (zh) * | 2020-04-01 | 2020-07-03 | 北京理工新源信息科技有限公司 | 一种基于车辆lbs数据的城市物流通道识别方法及系统 |
CN111369200B (zh) * | 2020-04-01 | 2023-05-05 | 北京理工新源信息科技有限公司 | 一种基于车辆lbs数据的城市物流通道识别方法及系统 |
CN112418313B (zh) * | 2020-11-23 | 2022-09-27 | 重庆邮电大学 | 一种大数据在线噪声过滤系统与方法 |
CN112418313A (zh) * | 2020-11-23 | 2021-02-26 | 重庆邮电大学 | 一种大数据在线噪声过滤系统与方法 |
CN115148018A (zh) * | 2021-03-31 | 2022-10-04 | 海信集团控股股份有限公司 | 交通事件检测设备及方法 |
CN115148018B (zh) * | 2021-03-31 | 2024-05-24 | 海信集团控股股份有限公司 | 交通事件检测设备及方法 |
WO2023014311A1 (en) | 2021-08-06 | 2023-02-09 | Basarsoft Bilgi Teknolojileri Anonim Sirketi | Traffic density estimation system and a method thereof |
CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN114764977A (zh) * | 2022-04-06 | 2022-07-19 | 成都亿盟恒信科技有限公司 | 一种基于驾驶数据的道路拥堵计算方法及系统 |
CN114764977B (zh) * | 2022-04-06 | 2023-07-28 | 成都亿盟恒信科技有限公司 | 一种基于驾驶数据的道路拥堵计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105261217B (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261217A (zh) | 一种基于密度聚类算法的城市交通拥堵状态检测方法 | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
CN108415975B (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
Yuan et al. | Driving with knowledge from the physical world | |
CN106503840A (zh) | 停车场可用车位预测方法及系统 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN106777703A (zh) | 一种公交乘客实时分析系统及其构建方法 | |
CN106856049B (zh) | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 | |
CN108597227A (zh) | 高速公路收费站下道交通流量预测方法 | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
Sevlian et al. | Travel time estimation using floating car data | |
CN106097717A (zh) | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 | |
CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
Xu et al. | Utilizing artificial neural network in GPS-equipped probe vehicles data-based travel time estimation | |
CN108257385B (zh) | 一种基于公共交通的异常事件的甄别方法 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
Garg et al. | Mining bus stops from raw GPS data of bus trajectories | |
CN110400462A (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN111191817B (zh) | 一种基于换乘客流量的公交线网拓扑划分方法 | |
CN110738853B (zh) | 一种基于复杂网络相关性的关键节点识别方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN109344903A (zh) | 基于车载感知数据的城市道路路面故障实时检测方法 | |
CN112559909A (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 | |
CN108053646A (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 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180601 Address after: No. 99, Baoshan District Road, Shanghai, Shanghai Co-patentee after: Shanghai Federation of scientific and technological enterprises Patentee after: Shanghai University Address before: No. 99, Baoshan District Road, Shanghai, Shanghai Patentee before: Shanghai University |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171222 Termination date: 20201003 |
|
CF01 | Termination of patent right due to non-payment of annual fee |