CN105489006A - 基于出租车gps数据的多尺度道路流量可视分析方法 - Google Patents
基于出租车gps数据的多尺度道路流量可视分析方法 Download PDFInfo
- Publication number
- CN105489006A CN105489006A CN201510937167.5A CN201510937167A CN105489006A CN 105489006 A CN105489006 A CN 105489006A CN 201510937167 A CN201510937167 A CN 201510937167A CN 105489006 A CN105489006 A CN 105489006A
- Authority
- CN
- China
- Prior art keywords
- road
- flow
- information
- map
- speed
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Instructional Devices (AREA)
Abstract
基于出租车GPS数据的多尺度道路流量可视分析方法包括以下几个步骤:(1)概览;首先将出租车的GPS数据进行提取,分析道路流量信息;(2)不同尺度的过滤选择;(3)细节展现;具体包括道路全局概览图RoadOverView,道路双向折线图LineChart,描述具体道路流量速度的可视化组件。
Description
技术领域
本发明涉及一种道路流量可视分析方法。
背景技术
随着城市化的发展和城市人口的增加,现代大都市面临着严重的城市疾病,如交通拥堵和不理想的城市规划等。交通拥堵造成诸多的负面影响,如时间浪费、成本上升、空气污染等等。多年来,政府部门努力解决这些问题,但是,有时,只有一点点的成功。近年来,随着不同传感技术的快速进步和广泛渗透,大量的数据已成功地收集记录了城市各个方面的状态。这给解决都市问题和创建基于城市大数据分析的智能城市带来了新的机遇。近年来,越来越多的城市想方设法提高城市道路的通信效率,以此来缓解早高峰和晚高峰最拥堵的时间段,提高城市居民的幸福感指数。
可变道路的研究为提升道路通信道路提供了一种解决方式,可变道路是在道路网络在特定情况下某些道路的运行方向可以发生变更,可变道路的一个典型应用就是潮汐车道,在高峰期的时候,可以将道路某一个方向的一个或者多个车道转变为另外一个方向的车道,以此来适应双向车道的流量。充分利用了道路资源,提供通行效率,缩短了早晚高峰的持续时间。还有一些可变道路是设置在一些路口,交通拥堵经常首先发生在某些路口,而且路口的通过效率要尽可能的高,防止车辆拥堵。因此在高峰期的时候,许多道路路口经常性的只允许直行或者有些路口直运行左转。
虽然可变道路为解决城市交通拥堵提供了一种非常重要的解决方式,现阶段虽然有许多研究致力于研究设置可变道路的最优化方法研究,但是在现实生活中更多的可变道路的设置还是基于交警的经验常识,以及从平时的规律进行总结,并为形成一套系统科学的方法。
发明内容
本发明提出一种基于数据驱动的方式来帮助交通运管部门设置可变道路,并且提供一套系统的可视分析方法在不同尺度的道路下提供不同的可视化组件让用户能快速发现需要设置可变道路的区域以及具体的道路,通过分析具体道路之间的关联以及在世界维度上的变化情况,可以设置需要调整成可变道路所持续的更精细的时间。
本发明所依据的数据基础是出租车的GPS数据。其中GPS数据是在2012年10月到2013年10月这个时间段收集的,每月约有8500辆出租车的GPS数据记录,通常情况下,每20秒传送一次出租车的位置信息。每天所有出租车总共记录约2000万条,这使得每天约有50万到70万多条轨迹,一年共约有2.3亿多条轨迹。可视分析方法在海量的数据中挖掘出真正有价值的信息提供了一种直观的手段,让交通运管人员或者是专业的分析人员能摆脱枯燥乏味的数字,而从更生动的图形交互方式获得所需要的知识。
本发明设计了一个基于B/S架构的Web版以探索道路流量时空模式的可视分析方法,利用流行的d3.js进行绘制可视化组件,揭示了不同道路的时间变化规律,以及相互之间流量的传递关系,为可变道路的设置提供了科学方法依据。为了能研究不同级别下可变道路的设定,本发明所涉及的基于出租车GPS数据的多尺度道路流量可视分析方法包括以下几个步骤:
(1)概览;首先将出租车的GPS数据进行提取,分析道路流量信息,考虑到出租车GPS点的数量是极其庞大的,将GPS数据点映射到路网道路上,其中采用OpenStreetMap上的地图数据和路网数据,映射方法为基于网格划分的ST-Matching算法;然后通过数据处理计算不同道路的流量和速度信息,并且提供时间区间过滤工具来选择不同的时间段分别进行研究,通过颜色的深浅来展现整个路网道路的流量和速度信息;
(2)不同尺度的过滤选择;在利用OpenStreetMap地图数据之后,由于地图数据在空间展现上的范围很大,而屏幕所展现空间有限,利用地图在放缩过程中每次只是展现部分区域,通过地图的移动来展现其他区域,在利用地图过滤出当前窗口中所包含的地理空间,将这部分空间所包含的道路信息通过LineChart进行展现,考虑到道路在地图上的空间问题,并不能直接在道路上绘制复杂的可视化组件;因此在地图缩放过程进行自适应的调整该组件的大小以此来展现不同尺度下道路可视分析组件;
(3)细节展现;当不同尺度和空间的道路可视化组件展现之后,用户通过鼠标事件选取具有特殊规律的LineChart,或者根据分析人员的领域知识来决定需要进一步分析的道路或者路段;选中道路之后,通过多视图链接的方式在一个新的窗口利用箭头图来展现更多的细节信息以及选中的道路的关联关系;在将GPS数据映射到具体的道路上之后,按照每15分钟一次统计各个道路的流量以及速度信息;因此可视化组件主要的数据基础是基于道路的流量与速度时空数据;
在将道路的流量与速度的时变信息可视化的时候,采用了在多尺度道路下设计不同的可视化组件来对数据的时空模式进行挖掘;
(3-1)道路全局概览图RoadOverView
可视分析采用的交互范式是先看整体,然后通过过滤和选择来进一步查看细节信息;RoadOverView作为道路全局概览图,主要采用的思路是将路网的流量和速度分别进行展示,因为原始地图的配色如果再加上速度的颜色映射,看起来混杂,而采用黑白色之后,背景和道路的信息展现直观;对于全局概览图效果,道路灰度越深说明流量越多,流量的聚集分为三个粒度进行聚集:按一天24小时任意的小时的时间段进行聚集,那么将会统计数据中所有在这个时间段内的流量;按周末和工作日进行聚集,将统计数据集中属于该时间区间的信息;按任意的连续的天进行聚集,则将统计各种节假日前后的流量差异;通过RoadOverView非常容易的挖掘出不同粒度下的道路流量时空模式;相应的对于速度信息也同样进行三种时间粒度的进行统计,这三种时间力度选择控件在地图的左边,通过拖动条的方式进行交互分析;
RoadOverView中从道路的流量信息到颜色的映射采用了线性离散采样进行映射,首先自适应的获取在时间过滤之后的数据集,获得最大和最小值,然后分成10个区间,某一个区间都对应着一个颜色映射值;流量的映射方案采用colorbrewer样式提供的颜色映射策略,灰度的颜色越深所表示的道路流量越大;对于速度的映射方案,同样根据道路上的灰度值来确定的速度的大小,灰度深代表速度越大,灰度越浅代表速度越小,从RoadOverView中的流量和速度信息中着重要研究的是集中于流量大速度小的拥挤区域,该拥挤区域通过RoadOverView很轻易的获得;
(3-2)道路双向折线图LineChart
采用了OpenStreetMap提供的路网信息,具备了传统道路拥堵情况并未研究道路的双向道路的信息,为道路匹配时出租车轨迹GPS数据具体匹配到道路的哪一个方向提供了基础;由于地图的道路具有一定的宽度,利用这个宽度,在道路的两边绘制两个LineChart,利用靠右行驶的方式来布局;每一个LineChart具有两条折线和左边轴构成两个面积图,并且灰色的部分表示该道路的流量随着时间变化情况,黑色的部分表示速度的变化情况;根据道路双向特性,寻找那些灰色折线图随着时间变化不对称的部分;而且在文三路和文二路上只有一个LineChart,这种情况是由于单行道引起的;通过寻找道路流量和速度变化异常的道路,为进一步分析哪些道路作为开设可变道路提供了参考;
(3-3)描述具体道路流量速度的可视化组件
在选择了双向道路LineChart具体某些道路之后,通过多视图链接的方式生成箭头图,该箭头图描述了选中道路的道路流量详细信息,并且通过鼠标的移动交互很轻松的找到详细信息里面的一排箭头图对应到具体那条选中的道路信息;将一天24小时分成15分钟统计一次道路流量信息,并且从早上六点开始,因此一共有4×18=72个小的箭头,某一个箭头的灰度值的从小到大编码速度的从小到大;每一排72个箭头是一条道路的信息,从左到右表示一天从6点到24点的时间变化;当选择多条的时候,利用垂直的排列方式进行排列;在鼠标移动过程中同一个纵轴所表示的数据是不同道路在同一个时间区间的统计信息,查看具体的速度和流量的具体数值。
本发明所设计的道路多尺度可视分析方法主要解决了城市道路拥挤区域的检测,以及各个主干道路之间的流量传递情况,可以为交警管制时间的确定,红绿灯的设置以及潮汐车道的设立提供了建设性的意见。
本发明的成果主要是:
(1)使用改进的ST-matching算法来将出租车轨迹GPS数据更精确快速的匹配到对应的道路上,为后期道路的流量与速度的准确度提供了保障。
(2)利用R-tree技术来存取道路的空间位置信息,解决了从海量出租车GPS数据提取到的道路信息,使得分析数据的规模变小,加速了道路索引效率以及道路详细信息的获取。为出租车GPS数据提取转换提供了一种思路,为后期的数据分析奠定了基础。
(3)利用从整体到局部的分析方式,该交互范式有利于用户能把握整体信息,并且快速交互到感兴趣的细节部分。本方面主要利用地图的缩放功能和矩形选择框的道路过滤功能发现城市拥挤道路的时空特性
(4)在控制面板上具有不同时间区间以及时间跨度的选择,结合地图矩形选择框和地图放缩情况,并且结合RoadOverView可以分析城市不同区域道路交通拥挤程度的时空模式。
(5)通过RoadOverView进一步的过滤出需要分析的区域,采用矩形选择工具并且生成LineChat可以查看双向道路的流量和速度模式,为可变道路的分析决策提供了帮助。
(6)根据LineChart的变化信息,选择一些关联道路并且将这些道路的详细信息通过多视图链接的方式再另外一个窗体进行展现,可以采用箭头图或者带分流信息的箭头图,通过分析高峰期的流量速度情况,为交通运管局潮汐车道的设立提供了数据依据。
附图说明
下面结合附图和实施方式对本发明作进一步说明。
图1(a)为本发明的流量的可视分析界面,图1(b)为本发明的速度的可视分析界面。
图2为本发明的展示多条道路上速度和流量变化情况。
图3为本发明的可视分析界面中箭头可视化组件图。
图4为本发明的道路流量可视分析的框架流程图。
图5为本发明的各个可视化组件交互分析流程图。
具体实施方式
下面结合实施例及附图进行详细说明。
本发明设计采用d3.js来绘制前端可视化组件,主要有全局视图,不同缩放级别下的选择过滤视图,最后还有过滤选择之后的详细视图箭头图,数据处理主要采用java进行编写。
本发明所涉及的基于出租车GPS数据的多尺度道路流量可视分析方法包括以下几个步骤:
(1)概览;首先将出租车的GPS数据进行提取,分析道路流量信息,考虑到出租车GPS点的数量是极其庞大的,将GPS数据点映射到路网道路上,其中采用OpenStreetMap上的地图数据和路网数据,映射方法主要利用基于网格划分的ST-Matching算法;通过数据处理计算不同道路的流量和速度信息,并且提供时间区间过滤工具来选择不同的时间段分别进行研究,通过颜色的深浅来展现整个路网道路的流量和速度信息;
(2)不同尺度的过滤选择;在利用OpenStreetMap地图数据之后,由于地图数据在空间展现上的范围很大,而屏幕所展现的空间是有限的,利用地图在放缩过程中每次只是展现部分区域,通过地图的移动来展现其他区域,在利用地图过滤出当前窗口中所包含的地理空间,将这部分空间所包含的道路信息通过LineChart进行展现,考虑到道路在地图上的空间问题,并不能直接在道路上绘制复杂的可视化组件;因此在地图缩放过程进行自适应的调整该组件的大小以此来展现不同尺度下道路可视分析组件;
(3)细节展现;当不同尺度和空间的道路可视化组件展现之后,用户通过鼠标事件选取具有特殊规律的LineChart,或者根据分析人员的领域知识来决定需要进一步分析的道路或者路段;选中道路之后,通过多视图链接的方式在一个新的窗口利用箭头图来展现更多的细节信息以及选中的道路的关联关系;在将GPS数据映射到具体的道路上之后,按照每15分钟一次统计各个道路的流量以及速度信息;因此可视化组件主要的数据基础是基于道路的流量与速度时空数据;
在将道路的流量与速度的时变信息可视化的时候,采用了在多尺度道路下设计不同的可视化组件来对数据的时空模式进行挖掘;
(3-1)道路全局概览图RoadOverView
可视分析采用的交互范式是先看整体,然后通过过滤和选择来进一步查看细节信息;RoadOverView作为道路全局概览图,主要采用的思路是将路网的流量和速度分别进行展示,因为原始地图的配色如果再加上速度的颜色映射,看起来混杂,而采用黑白色之后,背景和道路的信息展现直观;对于全局概览图效果,如图(1)所示,道路灰度越深说明流量越多。流量的聚集分为三个粒度进行聚集:按一天24小时任意的小时的时间段进行聚集,那么将会统计数据中所有在这个时间段内的流量;按周末和工作日进行聚集,将统计数据集中属于该时间区间的信息;按任意的连续的天进行聚集,则将统计各种节假日前后的流量差异;通过RoadOverView非常容易的挖掘出不同粒度下的道路流量时空模式;相应的对于速度信息也同样进行三种时间粒度的进行统计,这三种时间力度选择控件在地图的左边,通过拖动条的方式进行交互分析;
RoadOverView中从道路的流量信息到颜色的映射采用了线性离散采样进行映射,首先自适应的获取在时间过滤之后的数据集,获得最大和最小值,然后分成10个区间,某一个区间都对应着一个颜色映射值;流量的映射方案采用colorbrewer样式提供的颜色映射策略,灰度的颜色越深所表示的道路流量越大;对于速度的映射方案,同样根据道路上的灰度值来确定的速度的大小,灰度越深代表速度越大,灰度越浅代表速度越小,从RoadOverView中的流量和速度信息中着重要研究的是集中于流量大速度小的拥挤区域,该拥挤区域通过RoadOverView很轻易的获得;
(3-2)道路双向折线图LineChart
采用了OpenStreetMap提供的路网信息,具备了传统道路拥堵情况并未研究道路的双向道路的信息,为道路匹配时出租车轨迹GPS数据具体匹配到道路的哪一个方向提供了基础;由于地图的道路具有一定的宽度,利用这个宽度,在道路的两边绘制两个LineChart,利用靠右行驶的方式来布局;每一个LineChart具有两条折线和左边轴构成两个面积图,并且灰色的部分表示该道路的流量随着时间变化情况,黑色的部分表示速度的变化情况;根据道路双向特性,寻找那些灰色折线图随着时间变化不对称的部分,如图(2)所示;而且在文三路和文二路上只有一个LineChart,这种情况是由于单行道引起的;通过寻找道路流量和速度变化异常的道路,为进一步分析哪些道路作为开设可变道路提供了参考;
(3-3)描述具体道路流量速度的可视化组件
在选择了双向道路LineChart具体某些道路之后,通过多视图链接的方式生成箭头图,该箭头图描述了选中道路的道路流量详细信息,并且通过鼠标的移动交互很轻松的找到详细信息里面的一排箭头图对应到具体那条选中的道路信息,如图(3);将一天24小时分成15分钟统计一次道路流量信息,并且从早上六点开始,因此一共有4×18=72个小的箭头,某一个箭头的灰度值的从小到大编码速度的从小到大;每一排72个箭头是一条道路的信息,从左到右表示一天从6点到24点的时间变化;当选择多条的时候,利用垂直的排列方式进行排列;在鼠标移动过程中同一个纵轴所表示的数据是不同道路在同一个时间区间的统计信息,查看具体的速度和流量的具体数值。借此来分析不同道路自己的拥堵是否有关联,是否是某条道路出现拥挤了,然后与其相邻的道路在接下去的时刻也发生了拥堵,可以借此来研究道路拥堵状况的传递。或者分析同一条道路的双向信息,查看在早晚高峰期,道路的双向流量是否非常不平衡,以此来分析是否有必要在该车道开设潮汐,提高道路通行效率。
在本发明方法的预处理过程中,道路匹配算法主要通过改进的ST-matching算法将出租车轨迹的GPS点匹配到相应的道路上,以此来获得道路的流量和速度的时变统计量。将处理完成的道路流量和速度的时便统计量通过空间索引技术R-tree进行快速的查询,高效的绘制道路全局概览图RoadOverView,不同缩放级别下的LineChart,以及最后过滤选择之后的具体路段的细节信息。具体框架流程图见图4。
前端可视化各个组件的交互分析流程具体过程可以描述如图5。主要包含了从整体到细节的分析过程。
本发明的可视分析流程为首先通过地图的缩放定位到杭州的某个比较大的区域,然后通过时间筛选条件确定分析的数据,即选择所有的数据还是选择自己感兴趣的时间区间段,点击Flow或者Speed按钮将生成流量或者速度的RoadOverView视图,流量视图通过颜色的深浅来编码流量的大小,颜色越深流量越多。
结合分析人员的领域知识以及RoadOverView的视图结果,分析人员可以通过区域选择工具选择一些比较重要的区间来进一步分析道路流量信息,由于在RoadOverView中并未有道路的双向信息,在选择小部分区域之后,本发明采用LineChart来展现道路的双向行驶的流量以及速度信息。在展现完LineChart之后我们可以发现该区域内的一些道路特征。LineChart不能直观的对比相邻道路在时间变化上,因此本发明提供用户进一步的道路选择操作,让用户对LineChart通过鼠标单击的方式进行选择,然后通过多视图的链接交互的方式生成箭头图,或者描述道路状况的详细视图。
本发明通过多尺度不同缩放级别下采用不同的组件来查看不同粒度的道路流量以及速度信息,为交通运管部门的决策提供了宝贵的意见。
Claims (1)
1.基于出租车GPS数据的多尺度道路流量可视分析方法包括以下几个步骤:
(1)概览;首先将出租车的GPS数据进行提取,分析道路流量信息,考虑到出租车GPS点的数量是极其庞大的,将GPS数据点映射到路网道路上,其中采用OpenStreetMap上的地图数据和路网数据,映射方法为基于网格划分的ST-Matching算法;然后通过数据处理计算不同道路的流量和速度信息,并提供时间区间过滤工具来选择不同的时间段分别进行研究,通过颜色的深浅展现整个路网道路的流量和速度信息;
(2)不同尺度的过滤选择;在利用OpenStreetMap地图数据之后,由于地图数据在空间展现上的范围很大,而屏幕所展现的空间有限,利用地图在放缩过程中每次只是展现部分区域,因此通过地图的移动来展现其他区域,再利用地图过滤出当前窗口中所包含的地理空间,将这部分空间所包含的道路信息通过LineChart进行展现,考虑到道路在地图上的空间问题,并不能直接在道路上绘制复杂的可视化组件;因此在地图缩放过程进行自适应的调整该组件的大小以此来展现不同尺度下道路可视分析组件;
(3)细节展现;当不同尺度和空间的道路可视化组件展现之后,用户通过鼠标事件选取具有特殊规律的LineChart,或者根据分析人员的领域知识来决定需要进一步分析的道路或者路段;选中道路之后,通过多视图链接的方式在一个新的窗口利用箭头图来展现更多的细节信息以及选中的道路的关联关系;在将GPS数据映射到具体的道路上之后,按照每15分钟一次统计各个道路的流量以及速度信息;在将道路的流量与速度的时变信息可视化的时候,采用了在多尺度道路下设计不同的可视化组件来对数据的时空模式进行挖掘;
(3-1)道路全局概览图RoadOverView
可视分析采用的交互范式是先看整体,然后通过过滤和选择来进一步查看细节信息;RoadOverView作为道路全局概览图,采用的思路是将路网的流量和速度分别进行展示,因为原始地图的配色如果再加上速度的颜色映射,看起来混杂,而采用黑白色之后,背景和道路的信息展现直观;对于全局概览图效果,道路灰度越深说明流量越多;流量的聚集分为三个粒度进行聚集:按一天24小时任意的小时的时间段进行聚集,那么将会统计数据中所有在这个时间段内的流量;按周末和工作日进行聚集,将统计数据集中属于该时间区间的信息;按任意的连续的天进行聚集,则将统计各种节假日前后的流量差异;通过RoadOverView非常容易的挖掘出不同粒度下的道路流量时空模式;相应的,速度信息也同样进行三种时间粒度的进行统计,这三种时间力度选择控件在地图的左边,通过拖动条的方式进行交互分析;
RoadOverView中从道路的流量信息到颜色的映射采用了线性离散采样进行映射,首先自适应的获取在时间过滤之后的数据集,获得最大和最小值,然后分成10个区间,某一个区间都对应着一个颜色映射值;流量的映射方案采用colorbrewer样式提供的颜色映射策略,灰度的颜色越深所表示的道路流量越大;对于速度的映射方案,同样根据道路上的灰度值来确定的速度的大小,灰度越深代表速度越大,灰度越浅代表速度越小,从RoadOverView中的流量和速度信息中着重要研究的是集中于流量大速度小的拥挤区域,该拥挤区域通过RoadOverView很轻易的获得;
(3-2)道路双向折线图LineChart
采用OpenStreetMap提供的路网信息,具备了传统道路拥堵情况并未研究道路的双向道路的信息,为道路匹配时出租车轨迹GPS数据具体匹配到道路的哪一个方向提供了基础;由于地图的道路具有一定的宽度,利用这个宽度,在道路的两边绘制两个LineChart,利用靠右行驶的方式来布局;每一个LineChart具有两条折线和左边轴构成两个面积图,灰色的部分表示该道路的流量随着时间变化情况,黑色的部分表示速度的变化情况;根据道路双向特性,寻找灰色折线图随着时间变化不对称的部分;而在文三路和文二路上只有一个LineChart,这种情况是由于单行道引起的;通过寻找道路流量和速度变化异常的道路,为进一步分析哪些道路作为开设可变道路提供了参考;
(3-3)描述具体道路流量速度的可视化组件
选择了双向道路LineChart具体某些道路之后,通过多视图链接的方式生成箭头图,该箭头图描述了选中道路的道路流量详细信息,并且通过鼠标的移动交互很轻松的找到详细信息里面的一排箭头图对应到具体那条选中的道路信息;将一天24小时分成15分钟统计一次道路流量信息,并且从早上六点开始,因此一共有4×18=72个小的箭头,某一个箭头的灰度值的从小到大编码速度的从小到大;每一排72个箭头是一条道路的信息,从左到右表示一天从6点到24点的时间变化;当选择多条的时候,利用垂直的排列方式进行排列;在鼠标移动过程中,同一个纵轴所表示的数据是不同道路在同一个时间区间的统计信息,查看具体的速度和流量的具体数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510937167.5A CN105489006B (zh) | 2015-12-15 | 2015-12-15 | 基于出租车gps数据的多尺度道路流量可视分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510937167.5A CN105489006B (zh) | 2015-12-15 | 2015-12-15 | 基于出租车gps数据的多尺度道路流量可视分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105489006A true CN105489006A (zh) | 2016-04-13 |
CN105489006B CN105489006B (zh) | 2018-01-12 |
Family
ID=55675966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510937167.5A Active CN105489006B (zh) | 2015-12-15 | 2015-12-15 | 基于出租车gps数据的多尺度道路流量可视分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105489006B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157624A (zh) * | 2016-08-04 | 2016-11-23 | 浙江工业大学 | 基于交通定位数据的多粒度道路分流可视分析方法 |
CN107247591A (zh) * | 2017-06-09 | 2017-10-13 | 成都知道创宇信息技术有限公司 | 一种基于地图的大数据展示界面交互方法 |
CN107403020A (zh) * | 2017-09-21 | 2017-11-28 | 东南大学 | 保留已有路网数据并利用osm数据进行路网扩展的方法 |
CN107480306A (zh) * | 2017-09-21 | 2017-12-15 | 东南大学 | 快速提取osm数据中自定义多边形区域内路网的方法 |
CN107577725A (zh) * | 2017-08-22 | 2018-01-12 | 长安大学 | 一种城市出租车乘客出行特征可视化分析方法 |
CN108253976A (zh) * | 2018-01-04 | 2018-07-06 | 重庆大学 | 一种充分借助车辆航向的三阶段在线地图匹配算法 |
CN108665708A (zh) * | 2018-05-24 | 2018-10-16 | 中南大学 | 一种城市交通流不平衡模式挖掘方法及系统 |
CN110704491A (zh) * | 2019-09-30 | 2020-01-17 | 京东城市(北京)数字科技有限公司 | 数据查询方法和装置 |
CN110827537A (zh) * | 2019-10-22 | 2020-02-21 | 青岛海信网络科技股份有限公司 | 一种潮汐车道的设置方法、装置及设备 |
WO2023109720A1 (zh) * | 2021-12-13 | 2023-06-22 | 深圳先进技术研究院 | 城市公共交通规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006153882A (ja) * | 2005-11-30 | 2006-06-15 | Pioneer Electronic Corp | 表示装置 |
CN103020222A (zh) * | 2012-12-13 | 2013-04-03 | 广州市香港科大霍英东研究院 | 用于车辆gps数据分析与异常监测的可视挖掘方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN105095481A (zh) * | 2015-08-13 | 2015-11-25 | 浙江工业大学 | 大规模出租车od数据可视分析方法 |
-
2015
- 2015-12-15 CN CN201510937167.5A patent/CN105489006B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006153882A (ja) * | 2005-11-30 | 2006-06-15 | Pioneer Electronic Corp | 表示装置 |
CN103020222A (zh) * | 2012-12-13 | 2013-04-03 | 广州市香港科大霍英东研究院 | 用于车辆gps数据分析与异常监测的可视挖掘方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN105095481A (zh) * | 2015-08-13 | 2015-11-25 | 浙江工业大学 | 大规模出租车od数据可视分析方法 |
Non-Patent Citations (2)
Title |
---|
何贤国等: "出租车GPS大数据的道路行车可视分析", 《计算机辅助设计与图形学报》 * |
姜晓睿等: "城市道路交通数据可视分析综述", 《中国图像图形学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157624A (zh) * | 2016-08-04 | 2016-11-23 | 浙江工业大学 | 基于交通定位数据的多粒度道路分流可视分析方法 |
CN107247591A (zh) * | 2017-06-09 | 2017-10-13 | 成都知道创宇信息技术有限公司 | 一种基于地图的大数据展示界面交互方法 |
CN107577725A (zh) * | 2017-08-22 | 2018-01-12 | 长安大学 | 一种城市出租车乘客出行特征可视化分析方法 |
CN107403020A (zh) * | 2017-09-21 | 2017-11-28 | 东南大学 | 保留已有路网数据并利用osm数据进行路网扩展的方法 |
CN107480306A (zh) * | 2017-09-21 | 2017-12-15 | 东南大学 | 快速提取osm数据中自定义多边形区域内路网的方法 |
CN107480306B (zh) * | 2017-09-21 | 2019-10-01 | 东南大学 | 快速提取osm数据中自定义多边形区域内路网的方法 |
CN107403020B (zh) * | 2017-09-21 | 2019-10-01 | 东南大学 | 一种保留已有路网数据并利用osm数据进行路网扩展的方法 |
CN108253976B (zh) * | 2018-01-04 | 2021-06-15 | 重庆大学 | 一种充分借助车辆航向的三阶段在线地图匹配算法 |
CN108253976A (zh) * | 2018-01-04 | 2018-07-06 | 重庆大学 | 一种充分借助车辆航向的三阶段在线地图匹配算法 |
CN108665708A (zh) * | 2018-05-24 | 2018-10-16 | 中南大学 | 一种城市交通流不平衡模式挖掘方法及系统 |
CN108665708B (zh) * | 2018-05-24 | 2020-06-05 | 中南大学 | 一种城市交通流不平衡模式挖掘方法及系统 |
CN110704491A (zh) * | 2019-09-30 | 2020-01-17 | 京东城市(北京)数字科技有限公司 | 数据查询方法和装置 |
CN110827537A (zh) * | 2019-10-22 | 2020-02-21 | 青岛海信网络科技股份有限公司 | 一种潮汐车道的设置方法、装置及设备 |
CN110827537B (zh) * | 2019-10-22 | 2021-07-20 | 青岛海信网络科技股份有限公司 | 一种潮汐车道的设置方法、装置及设备 |
WO2023109720A1 (zh) * | 2021-12-13 | 2023-06-22 | 深圳先进技术研究院 | 城市公共交通规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105489006B (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105489006A (zh) | 基于出租车gps数据的多尺度道路流量可视分析方法 | |
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
KR102124955B1 (ko) | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 | |
Petrovska et al. | Traffic congestion analysis visualisation tool | |
CN106816008B (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
CN109345031B (zh) | 基于交通流数据的协调干线线路规划方法及配置系统 | |
Wang et al. | Travel time estimation method for urban road based on traffic stream directions | |
CN108389406B (zh) | 信号控制时段自动划分方法 | |
EP2590151A1 (en) | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras | |
CN103514743B (zh) | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 | |
CN103020222A (zh) | 用于车辆gps数据分析与异常监测的可视挖掘方法 | |
CN110716935A (zh) | 基于网约车出行的轨迹数据分析与可视化方法及系统 | |
CN106157624B (zh) | 基于交通定位数据的多粒度道路分流可视分析方法 | |
CN113806419B (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
CN103295404A (zh) | 基于行人过街净空时间的路段行人交通信号控制系统 | |
Sun et al. | Research on traffic congestion characteristics of city business circles based on TPI data: The case of Qingdao, China | |
CN111598069A (zh) | 一种基于深度学习的高速公路车辆换道区域分析方法 | |
CN106529765A (zh) | 采集作业的绩效评估方法和装置 | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN106558217A (zh) | 一种获取路边停车场信息的方法、装置及服务器 | |
Kraft et al. | Exploring the daily mobility rhythms in an urban environment: Using the data from intelligent transport systems | |
Huang et al. | Impact of bicycle traffic on the macroscopic fundamental diagram: some empirical findings in Shanghai | |
Poddar et al. | Massively parallelizable approach for evaluating signalized arterial performance using probe-based data |
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 |