CN106023589A - 一种基于卡口数据的车辆轨迹重构方法 - Google Patents
一种基于卡口数据的车辆轨迹重构方法 Download PDFInfo
- Publication number
- CN106023589A CN106023589A CN201610429411.1A CN201610429411A CN106023589A CN 106023589 A CN106023589 A CN 106023589A CN 201610429411 A CN201610429411 A CN 201610429411A CN 106023589 A CN106023589 A CN 106023589A
- Authority
- CN
- China
- Prior art keywords
- trajectory
- alternate trajectory
- alternate
- section
- road network
- 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
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于卡口数据的车辆轨迹重构方法,所述方法包括,步骤1,设置初始路网;步骤2,设置备选轨迹集;步骤3,设置轨迹决策属性;步骤4,最佳备选轨迹计算。本发明的上述方法解决了在卡口数据中车辆轨迹点缺失、轨迹不完整时,基于卡口数据对车辆轨迹的重构。
Description
技术领域
本发明涉及交通领域,尤其涉及一种基于卡口数据的车辆轨迹重构方法。
背景技术
卡口数据是交叉口处安置的卡口设备测得的一系列车辆记录数据,包括车牌号信息,车辆经过时间信息,地点信息等。目前越来越多研究使用到卡口数据,包括道路状态评估、通勤特征分析等。但由于卡口设备对车牌号识别精度有限,在数据处理过程中常会遇到车辆轨迹点缺失,导致轨迹不完整,影响到后续分析。目前很多关于车辆轨迹重构的研究,申请号为201310156627.1的专利——《一种基于道路属性和实时路况的行车轨迹还原算法》是根据车辆实际行驶时间与路网路段最短用时和实际用时分级匹配,但其仅考虑时间作为路径选择参考指标,过于单一。申请号为201310360322.2的专利——《一种基于车辆自动识别数据的城市路网车辆出行路径重构方法》利用粒子滤波理论,结合AVI检测数据和传统线圈检测数据,使用五种修正因子连续采样实现轨迹重构,但其使用数据来源不一,格式不一致,数据处理较为繁琐。
发明内容
本发明正是基于现有技术的上述缺陷而提出的,本发明的要解决的问题在于针对卡口数据中车辆轨迹点缺失、轨迹不完整现象,提出一种基于卡口数据的车辆轨迹重构方法。
为了解决上述问题,本发明提供的技术方案包括:
一种基于卡口数据的车辆轨迹重构方法,所述方法包括:
步骤1,设置初始路网
设置初始路网包括,根据实际路网选取初始路网的范围;选取所述初始路网的范围后对所述初始路网的节点进行标记;所述节点均选取为能够获取卡口数据的调查点,并且相邻节点间直接连通;对所有节点进行标记;获取相邻节点之间的路段的长度数据
步骤2,设置备选轨迹集
首先获取所述初始路网上目标车辆的已知轨迹信息;然后,根据目标车辆的已知轨迹信息确定备选轨迹集T={T1,T2,…,TN},Ti表示轨迹集中的第i个备选轨迹。其中N是所有符合该已知轨迹的备选轨迹总数;
步骤3,设置轨迹决策属性
为备选轨迹Ti设定四个属性值分别代表备选轨迹Ti的路段数量、速度相符程度、路径模式数量和车辆转弯次数;其中,备选轨迹Ti中所含有的路段数量设为Mi;表示所有备选轨迹中路段数量最大值;表示所有备选轨迹中路段数量最小值;所述速度相符程度通过比较备选轨迹理论速度Vi与备选轨迹上的实际行驶环境的实际速度Vi’的相符程度来计算得到;所述路径模式数量Pi是指在单个备选轨迹Ti中所包含的路径模式种类的数量,为各备选轨迹中最大路径模式数,为各备选轨迹中最小路径模式数;所述车辆转弯次数包括单个备选轨迹Ti中车辆转弯次数Di,所有备选轨迹中最大、最小转弯次数分别为其中所述速度相符程度属性为固定型属性,其余属性值为成本型属性;
步骤4,最佳备选轨迹计算
所述最佳备选轨迹计算包括如下具体步骤:
第一、初始决策矩阵标准化:N条备选轨迹的属性值构成初始决策矩阵A,所述决策矩阵A为一个Nx4的矩阵,其中包含代表N条备选轨迹的N行,以及代表四个属性的4列;所述决策矩阵中A的数值用aij表示,其中i∈N,j=1,2,3,4,根据属性类型,使用相应的方式进行所述决策矩阵的标准化:对于成本型属性
对于固定型属性:
其中,aj为相应备选轨迹的实际速度Vi’;得到标准化决策矩阵R;所述标准化决策矩阵R中的数值即为rij,其中i∈N,j=1,2,3,4;
第二、设置权重向量ωj,为第j个属性值的权重;ω=(ω1,ω2,ω3,ω4);
第三、计算备选轨迹的决策值
各个备选轨迹的决策值Ci+=Si-/(Si++Si-);其中;
Si+:为备选轨迹Ti中每个属性值与正理想的距离,
Si-:为备选轨迹Ti中每个属性值与负理想的距离,
为所有备选轨迹中四个属性值的正理想解,
为所有备选轨迹中四个属性值的负理想解,
vij=ωjrij;
第四、最大的Ci+对应的备选轨迹为最佳轨迹。
优选地,所述理论速度Vi与所述实际速度Vi’通过如下步骤求得:
第一,获取车辆在路网第一个被记录时刻tf,最后一个记录的时刻tl;所述车辆在该初始路网中行驶的总时间即可以确定为tl-tf;
第二,确定备选轨迹Ti在第一记录点和最后一个记录点之间的距离;备选轨迹Ti包含一系列节点,(s1,s2,…,sk),根据已知路网信息,将备选轨迹Ti上相邻节点间路段的距离累加即可得到备选轨迹在第一被记录时刻的节点和第二被记录时刻的节点之间的距离(d12,d23,…,dk-1k),其中dk-1k表示第k-1个节点至第k个节点之间的路段距离;
第三,备选轨迹Ti的理论时速为Vi=(d12+d23+…+dk-1k)/(tl-tf);
第四,所选路网包含路段(l1,l2,…,lt),查询计算每个路段全天每30min的平均速度;得到各路段全天速度集合:(V1,V2,…,Vt);其中一个路段i全天速度为Vi=(vi1,vi2…,vi48),(i∈t);
第五,根据车辆进入路网时间tf,查询tf±1h时间段之内备选轨迹Ti中的各个路段的速度,每个路段在该时间段内即有四个速度的数值,将单个路段在该时间段内的多个速度值平均,以及将备选轨迹中各个路段的速度值平均,获得该备选轨迹Ti的实际时速Vi’。
优选地,所述已知轨迹信息包括已知轨迹信息包括该车辆在出现在某一节点的时刻、该节点的编号以及行驶方向。
优选地,ω1=ω2=ω3=ω4。
本发明的技术方案具有如下技术效果:
1.本发明提出一种OWA算子和TOPSIS法结合的车辆轨迹重构方法,使用OWA算子进行决策属性标准化,TOPSIS法计算“最佳”路径,实现了车辆轨迹重构;
2.本发明选取四种决策属性:路段数量、速度相符程度、路段模式数量、车辆转弯次数,其中速度相符程度,需从卡口数据中获取轨迹时速等信息,使得轨迹重构有较高的环境适应性;
3.本发明在决策属性标准化中根据决策属性值类型,使用不同标准化方法,保持属性原有特征;
4.本发明可以高精度完成车辆轨迹重构,完整原有卡口数据,为车辆轨迹特征分析等奠定基础;
附图说明
图1为本发明提出的车辆轨迹重构方法流程图
图2为本发明实施例1中采用的路网图
图3路网路段速度曲线图
图4为本发明实施例1中车辆路径备选轨迹决策图
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明,使得本领域技术人员参照说明书文字能够据以实施:
为了达到以上目的,本发明提出基于卡口数据的车辆轨迹重构方法,其步骤如图1所示,具体步骤如下:
步骤1,设置初始路网。
根据实际路网选取初始路网的范围。选取所述初始路网的范围后需要对所述初始路网的节点进行标记。所述节点均选取为能够获取卡口数据的调查点,并且相邻节点间直接连通,即相邻节点间一次可达。确定所有节点后,对所有节点进行标记,所述标记可以通过设置在该节点的卡口设备编号来标记,也可以根据实际情况选取其他的方式进行标记。标记的路网结构如图2所示。标记完各个节点后,获取相邻节点之间的路段的长度数据。所述长度数据可以通过各种方式获得,例如预先测量获取的,或者是通过在地图或者实际路线的测量而实地获取的。优选地,可以将各个相邻节点之间路段长度汇总获得路段长度信息表。
例如,如图2所示,根据实际路网选取了初始路网的范围后,确定各个节点,并对各个节点采用卡扣设备的后两位进行编号,从而获得如图2所示的初始路网结构图,其中包含12个节点,17个路段。
根据该初始路网结构,获取相节点之间的路段长度从而得到如表1所示的路网信息表。所有节点(交叉口)均有卡口设备,且获取到地点编号的后两位数,路段的长度如表1所示:
表1路网信息表
起始地点编号 | 结束地点编号 | 长度 |
62 | 61 | 515 |
61 | 60 | 411 |
81 | 80 | 500 |
80 | 82 | 469 |
77 | 78 | 477 |
78 | 79 | 550 |
67 | 66 | 885 |
66 | 65 | 462 |
62 | 81 | 375 |
81 | 77 | 351 |
77 | 67 | 584 |
61 | 80 | 398 |
80 | 78 | 491 |
78 | 66 | 753 |
60 | 82 | 423 |
82 | 79 | 594 |
79 | 65 | 902 |
步骤2,设置备选轨迹集。
首先获取目标车辆的已知轨迹信息。所述目标车辆即为需要对其进行轨迹还原的车辆,已知轨迹信息包括该车辆在出现在某一节点的时刻、该节点的编号以及行驶方向。这些信息可以通过记录在相关数据库中的信息提取得到。通常,在节点上设置的卡口设备会记录关于车牌号、车辆在出现在某一节点的时刻、该节点的编号以及行驶方向等信息。通过在数据库中查询的方式即可获取特定车辆的上述信息。
然后,根据目标车辆的已知轨迹信息确定备选轨迹集。即在已知车辆的轨迹下确定在初始路网中符合该已知轨迹的各条轨迹,并将所述轨迹集合起来。创建备选轨迹集T={T1,T2,…,TN},Ti表示轨迹集中的第i个备选轨迹。其中N的值是根据已知轨迹信息和初始路网的结构决定的。
在本实施方式中,以一辆号牌号码(HPHM)为“浙CXXXXX”,天数信息为:“2015-12-30”的车辆为例,其在路网中出现的记录如表2所示。
表2“浙CXXXXX”车辆信息表
现在隐去
“浙CXXXXX 2015-12-3012:17:09 77南往北”、
“浙CXXXXX 2015-12-3012:17:51 81西往东”、
“浙CXXXXX 2015-12-3012:19:51 80南往北”
三条记录,仅仅已知剩余的三条记录,并用于对本具体实施方式中的方法进行验证,则在已知该“浙CXXXXX”车辆在表2中未被隐去的时刻出现在67、61、60号卡口的情况下,可以确定该车辆存在三条如图4所示的备选轨迹。
步骤3,设置轨迹决策属性
确定了所述备选轨迹集后,目标车辆实际的行驶轨迹应当就位于所述备选轨迹中的某一条上。需要从所述备选轨迹集中决策出该车辆的实际行驶轨迹。
由于车辆行驶的轨迹通常受到如下三个指标的影响:路径模式匹配程度、路径曲折度和时距相符程度,因此需要在对于备选轨迹的属性设置以及决策过程中考虑到上述三个指标所代表的因素。
具体而言,在本具体实施方式中,为备选轨迹Ti设定了四个属性值为xi1,xi2,xi3,xi4;
其中,xi1,xi2,xi3,xi4即代表备选轨迹Ti的路段数量、速度相符程度、路径模式数量和车辆转弯次数,即(xi1,xi2,xi3,xi4)=(Mi,Vi,Pi,Di)。
多个备选轨迹的属性值构成一个决策矩阵,该决策矩阵中速度相符程度数值的属性为固定型,区域的数值的属性为成本型。该决策矩阵可以通过OWA算子的决策方法确定出实际的行驶轨迹。
其中,备选轨迹Ti中所含有的路段数量设为Mi。表示所有备选轨迹中路段数量最大值;表示所有备选轨迹中路段数量最小值。
其中,所述速度相符程度指标衡量备选轨迹与实际行驶环境的速度相符程度。fV(Ti)通过计算备选轨迹Ti实际时速Vi’与理论时速Vi,并比较Vi’与Vi的接近程度来计算得到。
具体而言包括如下步骤:
第一,获取车辆在路网第一个被记录时刻tf,最后一个记录的时刻tl。所述记录时刻可以根据存储的卡口数据,例如车牌号、记录地点编号、过车时间、行驶方向,查询得到。得到第一个被记录的时刻和最后一个被记录时刻后,所述车辆在该初始路网中行驶的总时间即可以确定为tl-tf。
第二,确定备选轨迹Ti在第一记录点和最后一个记录点之间的距离。备选轨迹Ti包含一系列节点,(s1,s2,…,sk),根据已知路网信息,将备选轨迹Ti上相邻节点间路段的距离累加即可得到备选轨迹在第一被记录时刻的节点和第二被记录时刻的节点之间的距离(d12,d23,…,dk-1k),其中dk-1k表示第k-1个节点至第k个节点之间的路段距离。各个路段距离可以通过预先存储的记录获取,也可以利用ArcGIS测距功能以及其他测距方法来获取。
第三,备选轨迹Ti的理论时速为Vi=(d12+d23+…+dk-1k)/(tl-tf)。
第四,所选路网包含路段(l1,l2,…,lt),查询计算每个路段全天每30min的平均速度,得到各路段全天速度集合:(V1,V2,…,Vt),路段i全天速度为Vi=(vi1,vi2…,vi48),(i∈t);
第五,根据车辆进入路网时间tf,查询tf±1h时间段之内备选轨迹Ti中的各个路段的速度,每个路段在将该时间段内即有四个速度的数值,将该四个数值平均得到每个路段的实际速度值,然后将备选轨迹中所有路段的实际速度平均获得该备选轨迹Ti的实际时速Vi’。各个路段的实际速度平均可以采用基于各个路段长度和速度整体的平均,也可以将各个路段的速度加和除以路段的数量。
例如,在如上文所举的例子中,对于“浙CXXXXX”车辆,选取“2015-12-30”此天的卡口记录导入数据库,计算路网每个路段全天每30min的速度如图3,根据车辆第一次进入路网时间获取第23-26区间每条备选轨迹所含路段速度的平均值作为实际速度[26.925.123],并根据车辆进入和离开路网的时间,计算每条备选轨迹的理论速度[26.928.326.8]。
其中,所述路径模式数量是指在单个备选轨迹Ti中所包含的路径模式的种类的数量,所述路径模式是指代路径的形状的类型,例如阶梯型模式、直线型模式。一个备选路径中包括,2种路径模式那么它的路径模式数量即为2。假设Pi为备选轨迹Ti中的路径模式数量,为各备选轨迹中最大路径模式数,为各备选轨迹中最小路径模式数;
其中,所述车辆转弯次数包括单个备选轨迹Ti中车辆转弯次数为Di,所有备选轨迹中最大、最小转弯次数分别为
步骤4,“最佳”轨迹计算
计算所有备选轨迹的可能性Ci+,选择Ci+最大值对应的备选轨迹作为“最佳”路径。
具体而言“最佳”轨迹计算包括如下步骤:
第一、初始决策矩阵标准化:N条备选轨迹的属性值构成初始决策矩阵A,所述决策矩阵A为一个Nx4的矩阵,其中包含代表N条备选轨迹的N行,以及代表四个属性的4列。所述决策矩阵中的数值用aij表示,其中i∈N,j=1,2,3,4,根据属性类型(成本型和固定型),使用相应的方式进行所述决策矩阵的标准化:
对于成本型属性:
对于固定型属性:其中,aj表示固定值,
在本实施方式中由于仅仅是速度相符程度为固定型属性,因而aj即为相应备选轨迹的实际速度Vi’。
表转化后得到标准化决策矩阵R,所述标准化决策矩阵R中的数值即为rij,其中i∈N,j=1,2,3,4。
第二、设置权重向量ωj,为第j个属性值的权重;ω=(ω1,ω2,ω3,ω4),本具体实施方式中四个权重相等;
第三、计算备选轨迹的决策值
N条备选轨迹对应N个决策值,在本具体实施方式中所述N个决策值即为计算备选轨迹Ti与理想值的接近程度Ci+。Ci+=Si-/(Si++Si-);
Si+:为备选轨迹Ti中每个属性值与正理想的距离,
Si-:为备选轨迹Ti中每个属性值与负理想的距离,
为所有备选轨迹中四个属性值的正理想解,
为所有备选轨迹中四个属性值的负理想解,
其中,vij=ωjrij。
第四、最终最大的Ci+对应的备选轨迹为“最佳”轨迹。
以所述“浙CXXXXX”车辆为例:
将三条备选轨迹的属性值放入矩阵X;
将决策矩阵标准化得到矩阵R:
设置权重向量w=(0.250.250.250.25)求解加权标准决策矩阵W:
求解正负理想解:并求解各个方案与理想解的接近程度:
C1+=0.6667,C2+=0.2055,C3+=0.3333,则C1+即为“最佳”轨迹。即备选轨迹T1最合适,这与实际轨迹完全符合,从而验证了本具体实施方式中方法的可行性。
以上仅仅是本专利优选的技术方案而已,而本专利的保护范围不应当仅限于此。凡是在本专利发明构思下对于本专利进行的修改、删除或者是替换,均应当纳入到本专利的保护范围之内。
Claims (4)
1.一种基于卡口数据的车辆轨迹重构方法,其特征在于,所述方法包括:
步骤1,设置初始路网
设置初始路网包括,根据实际路网选取初始路网的范围;选取所述初始路网的范围后对所述初始路网的节点进行标记;所述节点均选取为能够获取卡口数据的调查点,并且相邻节点间直接连通;对所有节点进行标记;获取相邻节点之间的路段的长度数据
步骤2,设置备选轨迹集
首先获取所述初始路网上目标车辆的已知轨迹信息;然后,根据目标车辆的已知轨迹信息确定备选轨迹集T={T1,T2,…,TN},Ti表示轨迹集中的第i个备选轨迹。其中N是所有符合该已知轨迹的备选轨迹总数;
步骤3,设置轨迹决策属性
为备选轨迹Ti设定四个属性值分别代表备选轨迹Ti的路段数量、速度相符程度、路径模式数量和车辆转弯次数;其中,备选轨迹Ti中所含有的路段数量设为Mi;表示所有备选轨迹中路段数量最大值;表示所有备选轨迹中路段数量最小值;所述速度相符程度通过比较备选轨迹理论速度Vi与备选轨迹上的实际行驶环境的实际速度Vi’的相符程度来计算得到;所述路径模式数量Pi是指在单个备选轨迹Ti中所包含的路径模式种类的数量,为各备选轨迹中最大路径模式数,为各备选轨迹中最小路径模式数;所述车辆转弯次数包括单个备选轨迹Ti中车辆转弯次数Di,所有备选轨迹中最大、最小转弯次数分别为其中所述速度相符程度属性为固定型属性,其余属性值为成本型属性;
步骤4,最佳备选轨迹计算
所述最佳备选轨迹计算包括如下具体步骤:
第一、初始决策矩阵标准化:N条备选轨迹的属性值构成初始决策矩阵A,所述决策矩阵A为一个Nx4的矩阵,其中包含代表N条备选轨迹的N行,以及代表四个属性的4列;所述决策矩阵中A的数值用aij表示,其中i∈N,j=1,2,3,4,根据属性类型,使用相应的方式进行所述决策矩阵的标准化:对于成本型属性对于固定型属性:其中,aj为相应备选轨迹的实际速度Vi’;得到标准化决策矩阵R;所述标准化决策矩阵R中的数值即为rij,其中i∈N,j=1,2,3,4;
第二、设置权重向量ωj,为第j个属性值的权重;ω=(ω1,ω2,ω3,ω4);
第三、计算备选轨迹的决策值
各个备选轨迹的决策值Ci+=Si-/(Si++Si-);其中;
Si+:为备选轨迹Ti中每个属性值与正理想的距离,
Si-:为备选轨迹Ti中每个属性值与负理想的距离,
为所有备选轨迹中四个属性值的正理想解,
为所有备选轨迹中四个属性值的负理想解,
vij=ωjrij;
第四、最大的Ci+对应的备选轨迹为最佳轨迹。
2.根据权利要求1所述的方法,其特征在于,所述理论速度Vi与所述实际速度Vi’通过如下步骤求得:
第一,获取车辆在路网第一个被记录时刻tf,最后一个记录的时刻tl;所述车辆在该初始路网中行驶的总时间即可以确定为tl-tf;
第二,确定备选轨迹Ti在第一记录点和最后一个记录点之间的距离;备选轨迹Ti包含一系列节点,(s1,s2,…,sk),根据已知路网信息,将备选轨迹Ti上相邻节点间路段的距离累加即可得到备选轨迹在第一被记录时刻的节点和第二被记录时刻的节点之间的距离(d12,d23,…,dk-1k),其中dk-1k表示第k-1个节点至第k个节点之间的路段距离;
第三,备选轨迹Ti的理论时速为Vi=(d12+d23+…+dk-1k)/(tl-tf);
第四,所选路网包含路段(l1,l2,…,lt),查询计算每个路段全天每30min的平均速度;得到各路段全天速度集合:(V1,V2,…,Vt);其中一个路段i全天速度为Vi=(vi1,vi2…,vi48),(i∈t);
第五,根据车辆进入路网时间tf,查询tf±1h时间段之内备选轨迹Ti中的各个路段的速度,每个路段在该时间段内即有四个速度的数值,将单个路段在该时间段内的多个速度值平均,以及将备选轨迹中各个路段的速度值平均,获得该备选轨迹Ti的实际时速Vi’。
3.根据权利要求1-2中任一项所述的方法,其特征在于,所述已知轨迹信息包括已知轨迹信息包括该车辆在出现在某一节点的时刻、该节点的编号以及行驶方向。
4.根据权利要求1-3中任一项所述的方法,其特征在于,ω1=ω2=ω3=ω4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610429411.1A CN106023589B (zh) | 2016-06-16 | 2016-06-16 | 一种基于卡口数据的车辆轨迹重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610429411.1A CN106023589B (zh) | 2016-06-16 | 2016-06-16 | 一种基于卡口数据的车辆轨迹重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023589A true CN106023589A (zh) | 2016-10-12 |
CN106023589B CN106023589B (zh) | 2018-04-10 |
Family
ID=57088501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610429411.1A Expired - Fee Related CN106023589B (zh) | 2016-06-16 | 2016-06-16 | 一种基于卡口数据的车辆轨迹重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023589B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN107195180A (zh) * | 2017-06-08 | 2017-09-22 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的交通出行轨迹提取方法和装置 |
CN108447256A (zh) * | 2018-03-22 | 2018-08-24 | 连云港杰瑞电子有限公司 | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 |
CN110276950A (zh) * | 2019-06-24 | 2019-09-24 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110362557A (zh) * | 2019-05-27 | 2019-10-22 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
CN110491157A (zh) * | 2019-07-23 | 2019-11-22 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN110516935A (zh) * | 2019-08-13 | 2019-11-29 | 北京航空航天大学 | 一种基于端边云架构的矿车无人驾驶运输系统路权云智能分配方法 |
CN111047860A (zh) * | 2019-12-02 | 2020-04-21 | 安徽百诚慧通科技有限公司 | 一种车辆运行轨迹提取方法 |
CN111325993A (zh) * | 2019-04-24 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 通行速度确定方法、装置、电子设备及计算机存储介质 |
CN112215427A (zh) * | 2020-10-19 | 2021-01-12 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
CN112365711A (zh) * | 2020-10-21 | 2021-02-12 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
CN112562372A (zh) * | 2020-11-30 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种轨迹数据的处理方法以及相关装置 |
CN112965963A (zh) * | 2021-02-05 | 2021-06-15 | 同盾科技有限公司 | 信息处理方法 |
CN114333292A (zh) * | 2021-11-22 | 2022-04-12 | 上海电科智能系统股份有限公司 | 一种基于轨迹重构技术的流量修复方法 |
CN114851211A (zh) * | 2022-07-07 | 2022-08-05 | 国网瑞嘉(天津)智能机器人有限公司 | 臂架轨迹的规划方法、装置、服务器及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162702A (zh) * | 2013-03-05 | 2013-06-19 | 中山大学 | 稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法 |
AU2013101373A4 (en) * | 2013-10-17 | 2013-11-14 | Speed Watch Pty Ltd | Method and system for producing accurate digital map for vehicle systems |
CN103440764A (zh) * | 2013-08-19 | 2013-12-11 | 同济大学 | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 |
CN104933870A (zh) * | 2015-05-21 | 2015-09-23 | 中兴软创科技股份有限公司 | 基于车辆行为分析的车辆套牌识别方法与装置 |
CN105180945A (zh) * | 2015-09-24 | 2015-12-23 | 北京工商大学 | 一种基于移动智能终端的室内运动轨迹重构的方法和系统 |
-
2016
- 2016-06-16 CN CN201610429411.1A patent/CN106023589B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162702A (zh) * | 2013-03-05 | 2013-06-19 | 中山大学 | 稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法 |
CN103440764A (zh) * | 2013-08-19 | 2013-12-11 | 同济大学 | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 |
AU2013101373A4 (en) * | 2013-10-17 | 2013-11-14 | Speed Watch Pty Ltd | Method and system for producing accurate digital map for vehicle systems |
CN104933870A (zh) * | 2015-05-21 | 2015-09-23 | 中兴软创科技股份有限公司 | 基于车辆行为分析的车辆套牌识别方法与装置 |
CN105180945A (zh) * | 2015-09-24 | 2015-12-23 | 北京工商大学 | 一种基于移动智能终端的室内运动轨迹重构的方法和系统 |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN107195180A (zh) * | 2017-06-08 | 2017-09-22 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的交通出行轨迹提取方法和装置 |
CN108447256A (zh) * | 2018-03-22 | 2018-08-24 | 连云港杰瑞电子有限公司 | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 |
CN108447256B (zh) * | 2018-03-22 | 2023-09-26 | 连云港杰瑞电子有限公司 | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 |
CN111325993A (zh) * | 2019-04-24 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 通行速度确定方法、装置、电子设备及计算机存储介质 |
CN111325993B (zh) * | 2019-04-24 | 2021-02-19 | 北京嘀嘀无限科技发展有限公司 | 通行速度确定方法、装置、电子设备及计算机存储介质 |
CN110362557A (zh) * | 2019-05-27 | 2019-10-22 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
CN110362557B (zh) * | 2019-05-27 | 2022-04-26 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
CN110276950B (zh) * | 2019-06-24 | 2021-12-31 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110276950A (zh) * | 2019-06-24 | 2019-09-24 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110491157A (zh) * | 2019-07-23 | 2019-11-22 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN110491157B (zh) * | 2019-07-23 | 2022-01-25 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN110516935A (zh) * | 2019-08-13 | 2019-11-29 | 北京航空航天大学 | 一种基于端边云架构的矿车无人驾驶运输系统路权云智能分配方法 |
CN110516935B (zh) * | 2019-08-13 | 2022-01-07 | 北京航空航天大学 | 一种基于端边云架构的矿车无人驾驶运输系统路权云智能分配方法 |
CN111047860A (zh) * | 2019-12-02 | 2020-04-21 | 安徽百诚慧通科技有限公司 | 一种车辆运行轨迹提取方法 |
CN112215427B (zh) * | 2020-10-19 | 2022-12-23 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
CN112215427A (zh) * | 2020-10-19 | 2021-01-12 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
WO2022083166A1 (zh) * | 2020-10-19 | 2022-04-28 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
CN112365711B (zh) * | 2020-10-21 | 2021-11-02 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
CN112365711A (zh) * | 2020-10-21 | 2021-02-12 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
CN112562372B (zh) * | 2020-11-30 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 一种轨迹数据的处理方法以及相关装置 |
CN112562372A (zh) * | 2020-11-30 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种轨迹数据的处理方法以及相关装置 |
CN112965963A (zh) * | 2021-02-05 | 2021-06-15 | 同盾科技有限公司 | 信息处理方法 |
CN114333292A (zh) * | 2021-11-22 | 2022-04-12 | 上海电科智能系统股份有限公司 | 一种基于轨迹重构技术的流量修复方法 |
CN114333292B (zh) * | 2021-11-22 | 2022-11-18 | 上海电科智能系统股份有限公司 | 一种基于轨迹重构技术的流量修复方法 |
CN114851211B (zh) * | 2022-07-07 | 2022-09-23 | 国网瑞嘉(天津)智能机器人有限公司 | 臂架轨迹的规划方法、装置、服务器及存储介质 |
CN114851211A (zh) * | 2022-07-07 | 2022-08-05 | 国网瑞嘉(天津)智能机器人有限公司 | 臂架轨迹的规划方法、装置、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106023589B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023589A (zh) | 一种基于卡口数据的车辆轨迹重构方法 | |
CN109241069B (zh) | 一种基于轨迹自适应聚类的路网快速更新的方法及系统 | |
CN105371857B (zh) | 一种基于公交车gnss时空轨迹数据建构路网拓扑的装置及方法 | |
CN103038605B (zh) | 数字地图中的用于障碍物穿越的位置检测、时间表及行进时间估计 | |
CN104050817B (zh) | 限速信息库生成、限速信息检测的方法和系统 | |
CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
CN104330089B (zh) | 一种利用历史gps数据进行地图匹配的方法 | |
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 | |
CN102968900B (zh) | 一种对rfid交通数据进行处理的方法 | |
CN106225791A (zh) | 一种基于网格划分的gps定位与道路匹配方法 | |
CN104615858B (zh) | 一种计算车辆起始地和目的地的方法 | |
CN106846806A (zh) | 基于Isolation Forest的城市道路交通异常检测方法 | |
CN105355042A (zh) | 一种基于出租车gps的道路网络提取方法 | |
CN105574313B (zh) | 一种道路等级的确定方法和装置 | |
CN109686091A (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN106707301A (zh) | 一种基于定位数据的勤务巡线考核方法 | |
CN104900057A (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
CN104406590B (zh) | 一种基于道路等级的最短路径规划方法 | |
CN110413855A (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
CN106446281A (zh) | 一种结合陆域因素和水体因素进行流域四级分区的方法 | |
CN105355047A (zh) | 多交通检测源动态时间粒度的数据融合处理方法 | |
DE102013016435B4 (de) | Verfahren zur Korrektur von Positionsdaten und Kraftfahrzeug | |
CN109816271A (zh) | 基于共享单车轨迹数据的自行车道服务水平评价方法 | |
CN108022006A (zh) | 一种数据驱动的可达性概率和区域生成方法 |
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 | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 Termination date: 20210616 |
|
CF01 | Termination of patent right due to non-payment of annual fee |