CN105261218A - 基于大数据分析的浮动车伴随行为模式挖掘方法 - Google Patents
基于大数据分析的浮动车伴随行为模式挖掘方法 Download PDFInfo
- Publication number
- CN105261218A CN105261218A CN201510708766.XA CN201510708766A CN105261218A CN 105261218 A CN105261218 A CN 105261218A CN 201510708766 A CN201510708766 A CN 201510708766A CN 105261218 A CN105261218 A CN 105261218A
- Authority
- CN
- China
- Prior art keywords
- gps
- noeasi
- sum
- easi
- car
- 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大数据分析的浮动车伴随行为模式挖掘方法。本发明通过一个二维HashMap矩阵记录可疑车辆对的状态,每分钟数据中寻找可疑车辆对并更新HashMap,并运用双阈值来判定车辆对是否已形成伴随状态。本发明采用HashMap来存储大量车辆的相关关系使内存得到更充分利用。同时,本发明采用了关于连续时间的双阈值来记录、处理轨迹相似程度,更加简单有效。
Description
技术领域
本发明属于数据挖据技术领域,具体涉及到一种基于大数据分析的浮动车伴随行为模式挖掘方法。
背景技术
随着信息社会的发展特别是智能交通的发展,世界各地都在建立信息化的交通管理系统,对交通车辆进行科学合理的管理和疏导。其中,从大量车辆数据中实时查找伴随行为车辆对于监控、预防犯罪有着重要意义,因为类似绑架、勒索、贩毒等团伙作案,大多采用多车同时行动的情况,因此,能够及时、准确、或离线的分析出多车长时间相伴而行的行为,对监控、预防犯罪具有较高的价值。另外,也可以作为数据或设备异常供浮动车管理机构查验。因为,如果两辆以上的车辆如果经常沿着同一路线长时间相伴而行,我们有理由怀疑是否是人为或设备本身出现了故障,或者需要找出总是长时间相伴而行的原因。此外,大量两客一危的车辆游移在城市的密集车流和人流中间,极易引发重大安全事故,如果两辆危险车长时间距离100米以上的距离行驶,超出两个驾驶员相互识别的距离,那么一旦出现事故,必将造成更大的损失,因此,如果能够及时识别相聚较近的危险车,及时预警规避,对于预防重大安全事故也具备十分有益的价值。
发明内容
本发明针对现有技术的不足,提供了一种基于大数据分析的浮动车伴随行为模式挖掘方法。
本发明中浮动车数据具体指车载GPS终端设备上传的实时数据。
本发明的主要目标和内容即是,从不断持续上传的浮动车数据中计算出正在形成伴随行为模式的车辆对。
本发明技术方案的主要构思是:通过一个二维HashMap矩阵记录可疑车辆对的状态,每分钟数据中寻找可疑车辆对并更新HashMap,并运用双阈值来判定车辆对是否已形成伴随状态。
本发明方法包括以下步骤:
①预处理阶段:设定多个阈值;建立一个空的二维HashMap作为可疑集合,任意有嫌疑两辆车A和B可以从中得到对应可疑参数;建立一个待处理的数据集。
②如果超过终止时间,则退出;如果不超过,继续。
③读入一分钟数据,更新待处理数据集,仅保留每辆车最多前一分钟数据。
④在待处理数据集中寻找可疑车辆对,并将可疑关系更新至可疑集合中。
⑤遍历可疑集合,对每个元素进行维护,清除摆脱嫌疑的车辆对,输出已出现问题的车辆对。
本发明具有的有益效果:
1、本发明主要针对了当前大多数相关工作欠缺大量车辆实时进行捕捉能力的不足。
2、对于现实中大量车辆在地理上处于相对稀疏状态的特性,本发明采用HashMap来存储大量车辆的相关关系使内存得到更充分利用。
3、同时,本发明采用了关于连续时间的双阈值来记录、处理轨迹相似程度,更加简单有效。
本发明设计了合理的支持度指数,通过该指数,可以更加准确的捕捉时间和空间上有显式伴随行为模式的车辆——伴随时间更长、两车距离和越大的车辆可以更易被发现。
附图说明
图1是本发明方法的流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
浮动车伴随行为模式定义:在海量交通流中两辆浮动车以较近的距离相伴而行,并且保持较远的距离和时间,我们认为这两辆浮动车具有伴随的行为模式。
浮动车伴随行为模式数学表达:
定义1:时间片
在研究的时间[t0,tn+Δt]区间内,将其分为n个时间片,则第i个时间片为[ti,ti+Δt](ti=t0+n*Δt/2)。时间片大小为Δt,本实施例暂定1min。
定义2:车辆邻近状态AS(AdjacentState)
(1)[ti,ti+Δt]时间段内,A、B两车各有且仅有一个有效GPS数据,GPSA和GPSB。
(2)|GPSA-GPSB|=L代表A、B两点在地图上的距离。
(3)A车与B车在一个时间片内,其距离满足|GPSA-GPSB|<minL,则认为A、B两车在时间片[ti,ti+Δt]内邻近。minL为设定的一个可疑距离,本实施例中minL=100m。
定义3、浮动车伴随行为嫌疑支持度:
(1)
(2)浮动车伴随支持度指数EASI(ExplicitAccompanySupportIndex)
从指数的公式中可以看到,两辆车处于邻近状态AS的时间片越多,伴随的支持度指数就越高,处于邻近状态AS所经过的距离越长,伴随的支持度指数就越高。综合考虑了浮动车伴随行为模式同时具备的时、空两个特性。这个指数是一个无量纲的量,便于操作。
(3)浮动车非嫌疑支持度函数NoEASI(NoExplicitAccompanySupportIndex)
该函数中的两个变量:k代表当前时间片,m代表k之前的m个时间片。如果NoEASI在过去的连续m个时间片内都是非零的,即使在连续的m个时间片内,有几次不满足邻近状态AS条件,那么我们仍然累加A、B两车的伴随支持度指数EASI,除非A、B辆车在过去连续m个时间片内都不满足,那么NoEASI将为零。此时将不再累加A、B两车的伴随支持度指数EASI。
(4)浮动车非嫌疑支持度函数阈值NoEASI_Lim
在本实施例中认为m=7,NoEASI_Lim=0,即连续7个时间片不满足邻近状态AS条件,则可以认为两车可以解除伴随嫌疑。
(5)浮动车伴随支持度阈值EASI_Lim
当浮动车伴随支持度指数EASI累积到一定程度的时候认为A、B两辆车的伴随嫌疑较大,将输出报警信息。
在本实施例中,EASI同时考虑了时间和空间上的伴随行为,防止了堵车、数据偏移等极端情况,所以本实施例仅考虑正常行驶情况下的阈值设置。
在本实施例中,正常行驶车辆平均每个时间片内行驶距离处于[50m,300m];邻近状态持续时间超过20分钟的车辆发生伴随。两车行驶距离均最慢平均50m时,20分钟邻近状态,此时EASI=39*100*39/Lmin=1521;两车速度较大每个时间片内路程300m,邻近状态达到8分钟,EASI=16*600*16/Lmin=1536。
所以,本实施例采用均值EASI_Lim=1529。
定义4、浮动车伴随行为模式ACP_Pattern(AccompanyPattern)
在[t0,tn+Δt](tn=t0+n*Δt/2)内,对于A、B两辆车满足如下条件的:
(1)EASIn≥EASI_lim
(2)在m个连续的时间片内NoEASI(i,m)>NoEASI_Lim
则认为A,B两车在该区间内有伴随行为模式。
基于上述给出的基本定义,如图1所示,本实施例的具体步骤是:
1、预处理:
(i)设定可疑程度阈值为EASI_lim=1529和NoEASI_Lim=7,时间片大小Δt=1分钟;
(ii)建立一个空的二维HashMap作为可疑集合MP,如表1所示。任意有嫌疑两辆车A和B可以从中得到如下记录:
CarA,CarB:主键,两车车牌ID映射编号,见下文(iii)
EASI:伴随支持度指数
NoEASI:非嫌疑支持度函数
Sum_t:邻近时间
Sum_dis:累计的有效距离
Sum_0:统计倒数有多少个0,NoEASI=(NoEASI_lim-Sum_0)*EASI;如果少于NoEASI_lim,则NoEASI<>0(NoEASI不等于0)
GPS_A,GPS_B:A,B两车上一个时间片GPS坐标,用于计算Sum_dis
Start:伴随行为开始时间片编号
通过以上参数,可以更容易在程序中计算出EASI,NoEASI
EASI=Sum_dis*Sum_t*Δt/minL*Δt
NoEASI=(NoEASI_lim-Sum_0)*EASI
以上参数要与的算法中的参数对应,或进行说明对应。
表1.MP表的表结构
(*代表主键)
(iii)建立车牌ID映射,使不同车牌号的车辆拥有唯一编号i(i小于等于最大车辆数);
(iv)建立时间片ID,[t0,t0+Δt]对应为0;[t1,t1+Δt]对应2;
[t2,t2+Δt]对应3,;...[tn,tn+Δt]对应n。
(v)建立一个线性表GPS用来存储[t,t+Δt]时间段的浮动车数据,GPS[i]表示编号为i的车辆的记录,它有3个属性lon(经度),lat(维度),rnd(时间片ID);如果i在t+Δt时间片内有两条记录,取最新的记录存入GPS中。
(vi)正在处理的时间片编号rk=0;设定初始时间和终止时间,可疑距离阈值minL=100m。minL在邻近状态中有设定。
(vii)
设定结果集为一个表result
CarA,CarB:主键,两车车牌ID映射编号
EASI:伴随支持度指数
NoEASI:非嫌疑支持度函数
Start:伴随行为开始时间片编号
End:伴随行为被发现时间片变号
表2.伴随结果表result
CarA | CarB | EASI | No_EASI | Start | End |
完成后进行⑵.
⑵初始时间加一,判断是否达到终止时间,若达到则退出;若未达到则继续进行⑶。
⑶正在处理的时间片编号rk+=1(时间片编号自加1);时间往前滚动30S,读入30S数据;对于每条记录,读入其车牌号、经度、纬度,找到该车牌号唯一对应编号i;数据存入GPS[i]中,对于更新过的记录,将经度存于GPS[i].lon,纬度存于GPS[i].lat,GPS[i].rnd=rk。进行⑷.
每个时间片中更新数据集GPS。
⑷从数据集GPS中寻找可疑车辆对。枚举x使GPS[x].rnd==k(GPS[x].rnd等于k),对于每个x枚举y,使y遍历1到n;如果x<y,车辆x,y的地理距离记为disxy(disxy=|GPS[x]-GPS[y]|),disxy<可疑距离阈值minL,则对可疑关系集合MP中<x,y>进行更新,依照⑸
完成后,执行⑹。
⑸如果MP.get(x).get(y)==null(两者相等;x,y在MP中无记录),则在其中添加<x,y>的记录,EASI=0,No_EASI=0,Sum_t=0,Sum_dis=0,GPS_A=null,GPS_B=null,start=rk。
提取对应车辆记录p=MP.get(x).get(y)。
更新累计的有效距离和邻近时间
p.Sum_dis+=|GPS[x]-GPS_A|+|GPS[y]-GPS_B|,p.Sum_t+=1(p.Sum_t自加1);
更新倒数0的个数p.Sum_0=0;
更新显示伴随支持度指数p.EASI=Sum_dis*Sum_t*Δt/minL*Δt;
更新非嫌疑支持度函数p.NoEASI=(NoEASI_lim-p.Sum_0)*p.EASI;
更新A,B两车GPS坐标GPS_A=GPS[x],GPS_B=GPS[y]
完成后回到⑷。
⑹遍历MP,对于其中每对<x,y>,p=MP.get(x).get(y)。
如果disxy>minL:
p.Sum_0+=1(p.Sum_0自加1)
p.NoEASI=(NoEASI_lim-p.Sum_0)*p.EASI
更新A,B两车GPS坐标GPS_A=GPS[x],GPS_B=GPS[y]
如果p.NoEASI==0(NoEASI等于0),则将<x,y>从MP中移除,去掉嫌疑并回收内存。
如果p.EASI>EASI_lim,如果满足,则两车满足伴随行为模式。
在Result表中生成一条新纪录new。
new.CarA=p.CarA
new.CarB=p.CarB
new.EASI=p.EASI
new.NoEASI=p.NoEASI
new.Start=p.Start
new.End=rk
遍历完后,回到⑶。
Claims (1)
1.基于大数据分析的浮动车伴随行为模式挖掘方法,其特征在于该方法的具体步骤是:
步骤1、预处理:
(i)设定可疑程度阈值为EASI_lim和NoEASI_Lim,时间片大小Δt;
(ii)建立一个空的二维HashMap作为可疑集合MP,任意有嫌疑两辆车A和B可以从中得到如下记录:
CarA,CarB:主键,两车车牌ID映射编号;
EASI:伴随支持度指数;
NoEASI:非嫌疑支持度函数;
Sum_t:邻近时间;
Sum_dis:累计的有效距离;
Sum_0:统计倒数有多少个0,NoEASI=(NoEASI_lim-Sum_0)*EASI;如果少于NoEASI_lim,则NoEASI不等于0
GPS_A,GPS_B:A,B两车上一个时间片GPS坐标,用于计算Sum_dis
Start:伴随行为开始时间片编号;
通过以上参数,计算出EASI,NoEASI
EASI=Sum_dis*Sum_t*Δt/minL*Δt
NoEASI=(NoEASI_lim-Sum_0)*EASI
(iii)建立车牌ID映射,使不同车牌号的车辆拥有唯一编号i;
(iv)建立时间片ID,[t0,t0+Δt]对应为0;[t1,t1+Δt]对应2;[t2,t2+Δt]对应3,;...[tn,tn+Δt]对应n;
(v)建立一个线性表GPS用来存储[t,t+Δt]时间段的浮动车数据,GPS[i]表示编号为i的车辆的记录,它有三个属性lon(经度),lat(维度),rnd(时间片ID);如果i在t+Δt时间片内有两条记录,取最新的记录存入GPS中;
(vi)正在处理的时间片编号rk=0;设定初始时间和终止时间,可疑距离阈值minL;
(vii)设定结果集为一个表result,记录如下:
CarA,CarB:主键,两车车牌ID映射编号
EASI:伴随支持度指数
NoEASI:非嫌疑支持度函数
Start:伴随行为开始时间片编号
End:伴随行为被发现时间片变号
步骤2、初始时间加一,判断是否达到终止时间,若达到则退出;若未达到则继续进行步骤3;
步骤3、正在处理的时间片编号rk自加一;时间往前滚动若干秒,读入这若干秒的数据;对于每条记录,读入其车牌号、经度、维度,找到该车牌号唯一对应编号i;数据存入GPS[i]中,对于更新过的记录,将经度存于GPS[i].lon,纬度存于GPS[i].lat,GPS[i].rnd=rk;进行步骤4;
每个时间片中更新数据集GPS;
步骤4、从数据集GPS中寻找可疑车辆对;枚举x使GPS[x].rnd等于k,对于每个x枚举y,使y遍历1到n;如果x<y,车辆x,y的地理距离记为disxy(disxy=|GPS[x]-GPS[y]|),disxy<可疑距离阈值minL,则对可疑关系集合MP中<x,y>进行更新,依照步骤5
完成后,执行步骤6;
步骤5、如果MP.get(x).get(y)等于null,即x,y在MP中无记录,则在其中添加<x,y>的记录,EASI=0,No_EASI=0,Sum_t=0,Sum_dis=0,GPS_A=null,GPS_B=null,start=rk;
提取对应车辆记录p=MP.get(x).get(y);
更新累计的有效距离和邻近时间
p.Sum_dis+=|GPS[x]-GPS_A|+|GPS[y]-GPS_B|,p.Sum_t+=1;
更新倒数0的个数p.Sum_0=0;
更新显示伴随支持度指数p.EASI=Sum_dis*Sum_t*Δt/minL*Δt;
更新非嫌疑支持度函数p.NoEASI=(NoEASI_lim-p.Sum_0)*p.EASI;
更新A,B两车GPS坐标GPS_A=GPS[x],GPS_B=GPS[y]
完成后回到⑷;
步骤6、遍历MP,对于其中每对<x,y>,p=MP.get(x).get(y);
如果disxy>minL:
p.Sum_0+=1
p.NoEASI=(NoEASI_lim-p.Sum_0)*p.EASI
更新A,B两车GPS坐标GPS_A=GPS[x],GPS_B=GPS[y]
如果NoEASI等于0,则将<x,y>从MP中移除,去掉嫌疑并回收内存;
如果p.EASI>EASI_lim,如果满足,则两车满足伴随行为模式;
在Result表中生成一条新纪录new;
new.CarA=p.CarA
new.CarB=p.CarB
new.EASI=p.EASI
new.NoEASI=p.NoEASI
new.Start=p.Start
new.End=rk
遍历完后,回到步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510708766.XA CN105261218B (zh) | 2015-10-27 | 2015-10-27 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510708766.XA CN105261218B (zh) | 2015-10-27 | 2015-10-27 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105261218A true CN105261218A (zh) | 2016-01-20 |
CN105261218B CN105261218B (zh) | 2017-08-08 |
Family
ID=55100884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510708766.XA Active CN105261218B (zh) | 2015-10-27 | 2015-10-27 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261218B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875679A (zh) * | 2017-03-14 | 2017-06-20 | 东软集团股份有限公司 | 识别伴随车辆的方法及装置 |
CN107506368A (zh) * | 2017-07-04 | 2017-12-22 | 青岛海信网络科技股份有限公司 | 一种类案嫌疑车辆的确定方法及装置 |
CN108564788A (zh) * | 2018-06-07 | 2018-09-21 | 重庆邮电大学 | 一种基于流式大数据的同行车辆发现方法 |
CN116824866A (zh) * | 2023-08-29 | 2023-09-29 | 武汉中科通达高新技术股份有限公司 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000322421A (ja) * | 1999-05-07 | 2000-11-24 | Nec Software Kyushu Ltd | 携帯型盗難車両等検索システムおよび携帯型盗難車両等検索方法 |
DE10153148A1 (de) * | 2001-10-27 | 2003-05-08 | Schmitz Gmbh | Kraftfahrzeugscansystem |
US20060106531A1 (en) * | 2004-11-12 | 2006-05-18 | Aisin Aw Co., Ltd. | Information gathering systems, methods, and programs |
CN101593418A (zh) * | 2009-05-31 | 2009-12-02 | 上海宝康电子控制工程有限公司 | 嫌疑车辆关联查找方法 |
JP2010250586A (ja) * | 2009-04-16 | 2010-11-04 | Sumitomo Electric Ind Ltd | 交通情報提供装置及び方法 |
CN102289659A (zh) * | 2011-06-23 | 2011-12-21 | 杭州诚道科技有限公司 | 伴随车检测方法 |
CN103366566A (zh) * | 2013-06-25 | 2013-10-23 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
CN103456175A (zh) * | 2013-09-25 | 2013-12-18 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN104778245A (zh) * | 2015-04-09 | 2015-07-15 | 北方工业大学 | 基于海量车牌识别数据的相似轨迹挖掘方法及装置 |
-
2015
- 2015-10-27 CN CN201510708766.XA patent/CN105261218B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000322421A (ja) * | 1999-05-07 | 2000-11-24 | Nec Software Kyushu Ltd | 携帯型盗難車両等検索システムおよび携帯型盗難車両等検索方法 |
DE10153148A1 (de) * | 2001-10-27 | 2003-05-08 | Schmitz Gmbh | Kraftfahrzeugscansystem |
US20060106531A1 (en) * | 2004-11-12 | 2006-05-18 | Aisin Aw Co., Ltd. | Information gathering systems, methods, and programs |
JP2010250586A (ja) * | 2009-04-16 | 2010-11-04 | Sumitomo Electric Ind Ltd | 交通情報提供装置及び方法 |
CN101593418A (zh) * | 2009-05-31 | 2009-12-02 | 上海宝康电子控制工程有限公司 | 嫌疑车辆关联查找方法 |
CN102289659A (zh) * | 2011-06-23 | 2011-12-21 | 杭州诚道科技有限公司 | 伴随车检测方法 |
CN103366566A (zh) * | 2013-06-25 | 2013-10-23 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
CN103456175A (zh) * | 2013-09-25 | 2013-12-18 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN104778245A (zh) * | 2015-04-09 | 2015-07-15 | 北方工业大学 | 基于海量车牌识别数据的相似轨迹挖掘方法及装置 |
Non-Patent Citations (3)
Title |
---|
HUANG LIUSHENG ET AL.: ""A Fast Algorithm for Mining Association Rules"", 《J.COMPUT.SCI.&TECHNOL》 * |
方艾芬 等: ""基于关联规则挖掘的伴随车辆发现算法"", 《计算机应用与软件》 * |
赵新勇 等: "伴随车检测技术应用研究", 《交通运输系统工程与信息》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875679A (zh) * | 2017-03-14 | 2017-06-20 | 东软集团股份有限公司 | 识别伴随车辆的方法及装置 |
CN107506368A (zh) * | 2017-07-04 | 2017-12-22 | 青岛海信网络科技股份有限公司 | 一种类案嫌疑车辆的确定方法及装置 |
CN108564788A (zh) * | 2018-06-07 | 2018-09-21 | 重庆邮电大学 | 一种基于流式大数据的同行车辆发现方法 |
CN116824866A (zh) * | 2023-08-29 | 2023-09-29 | 武汉中科通达高新技术股份有限公司 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
CN116824866B (zh) * | 2023-08-29 | 2024-01-02 | 武汉中科通达高新技术股份有限公司 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105261218B (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270460B (zh) | 一种基于多源数据的超重货车货源站点识别方法 | |
CN105741590B (zh) | 路段预警的方法及系统 | |
CN103413437B (zh) | 一种基于车辆数据采集的道路交叉口转向识别方法及系统 | |
CN110276953A (zh) | 基于北斗定位系统的车辆违规行驶风险分析方法 | |
CN108074396A (zh) | 安全行驶评价方法及系统 | |
CN106846806A (zh) | 基于Isolation Forest的城市道路交通异常检测方法 | |
CN113870570B (zh) | 一种基于etc的路网运行状态方法、系统和存储介质 | |
CN105225515A (zh) | 一种基于电子围栏的监控方法及系统 | |
CN104200659B (zh) | 一种重点车辆是否按规定线路行驶的判定方法 | |
CN105261218A (zh) | 基于大数据分析的浮动车伴随行为模式挖掘方法 | |
CN102881057A (zh) | 基于iOBD的车辆管理系统及其车辆管理方法 | |
CN104240499A (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
DE102007042877A1 (de) | Kraftfahrzeug und System zur Vermittlung von Fahrbahneigenschaftsinformationen | |
CN105260832A (zh) | 基于订单数据的出租车驾驶员绩效评估方法 | |
CN104318315A (zh) | 一种城市道路交通污染物排放监控预警系统及方法 | |
CN102044153A (zh) | 一种交通流通畅等级评价的方法与系统 | |
CN107730892A (zh) | 一种基于fcd与互联网数据融合的交通拥堵指数评价方法 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的套牌车识别方法 | |
CN110428621A (zh) | 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法 | |
CN109067857A (zh) | 一种车联网大数据分析智能优化算法 | |
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 | |
CN104408578A (zh) | 基于轨迹点的机械化作业的量化考核系统及其方法 | |
Wemegah et al. | Big data challenges in transportation: A case study of traffic volume count from massive Radio Frequency Identification (RFID) data | |
CN103700262A (zh) | 一种套牌车车辆的区域自动捕获方法 | |
CN106251628A (zh) | 一种确定机动车的交通出行量的方法及装置 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20160120 Assignee: Hangzhou Cheng Road Polytron Technologies Inc Assignor: Hangzhou Electronic Science and Technology Univ Contract record no.: 2019330000034 Denomination of invention: Floating car accompany behavior mode digging method based on large data analysis Granted publication date: 20170808 License type: Common License Record date: 20190319 |
|
EE01 | Entry into force of recordation of patent licensing contract |