CN106157624A - 基于交通定位数据的多粒度道路分流可视分析方法 - Google Patents
基于交通定位数据的多粒度道路分流可视分析方法 Download PDFInfo
- Publication number
- CN106157624A CN106157624A CN201610630728.1A CN201610630728A CN106157624A CN 106157624 A CN106157624 A CN 106157624A CN 201610630728 A CN201610630728 A CN 201610630728A CN 106157624 A CN106157624 A CN 106157624A
- Authority
- CN
- China
- Prior art keywords
- road
- crossing
- point
- flow
- section
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
基于交通定位数据的多粒度道路分流(交互)可视分析方法包括以下几个步骤:(1)原始交通数据重构;(2)道路匹配及路网的搭建;(3)道路流量和车辆行驶速度的计算;(4)多粒度道路状况分析组件搭建。
Description
技术领域
本发明涉及基于交通定位数据的多粒度道路分流可视分析方法。
背景技术
伴随着城镇化的进程,城市的中心区域和主干道路已经变的越来越拥挤,城市居民的出行变的十分不便,所以大家对获取及时的交通信息及一些出行建议有着强烈的需求,以此避免早晚高峰的时间段以及较拥堵的路段,提高出行效率。
而在当今的大数据时代,对GPS定位数据的分析已经变成了一个热门的课题,而由于安装GPS采集装置的设备不同,获取到的定位数据也分为很多种类。每当我们乘坐公共交通工具时,交通工具本身也在记录着行驶数据与载客数据等,这些数据都可以被用来分析并得出调整交通工具的具体使用方案。在人们的生活中,无时无刻不在产生数据,而随着采集设备成本的下降,定位数据积累的越来越多,变得越来越多样化。近年来,仅交通数据的规模性就已经达到了海量的级别,除了需要克服数据存储上的难题,数据的有效利用也变得更加困难。为了获取数据中蕴含的价值,各种数据分析与挖掘方法应运而生。
从海量数据中很难直接的提取有价值的信息,在处理维度较高的数据时,很多传统的数据分析方法也不再适用,为了将这些数据更直观的展现给分析人员,数据可视化和可视分析开始发挥更加重要的作用。其中数据可视化包括信息可视化与科学可视化,两者都是通过可视编码,把数据以图形的形式绘制出来。随着2005年以来信息可视化技术的高速发展,在城市道路交通的研究领域里也出现了交通可视分析的一个重要分支。与传统的黑盒分析不同,可视分析通过丰富的人机交互手段为使用者提供从概览到详细的探索能力,可视化所展现的图形式结果也使得分析人员能够更方便的挖掘数据中的信息。
因此,可视分析近年来在城市道路交通领域受到了广泛的关注,提高了分析人员的效率与准确性,也产生了大量的研究成果。可视化可以将抽象的数据用更直观的方式表达出来,以便使用者观察和分析。信息可视化主要是将高维度的复杂的数据使用人们最容易接受的方式绘制出来。数据本身主要源于人们的生活,通过降维、变换等方法,将数据变得更容易理解。将这些数据可视化之后,结合可视分析从历史数据中找出特定的模式,对未来进行预测,帮助人们管理与规划。
发明内容
本发明要克服城市道路路网分流和路口分流的问题,提出一种利用Hadoop平台处理数据的方式,设计出一种基于交通定位数据的多粒度道路分流(交互)可视分析方法,更好地帮助交通运管部门对道路流量进行分析,并且提供一套可视分析系统帮助用户分析道路流量特性,展示路口和路网的分流,通过道路全局概览图、流量速度像素图、路口流量等分弦图和路网流量传播图对一个城市的交通状况进行探索。
本发明所依据的数据基础是出租车的GPS数据。其中处理的数据主要是2013年的杭州市出租车GPS数据,包括杭州市区、郊区范围内以浙A车牌开头的所有9000辆出租车,数据以月份分割保存,并以车辆为单位存储每个月的GPS数据,每辆车平均约10万条记录,一个月的GPS数据大小为130G左右。每条GPS数据记录包括10个有效属性:点记录ID、车辆ID、车牌号、经度、纬度、速度、角度、载客标志、存储时间和发送时间。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传统分析方法中枯燥乏味的数字,而从更生动的图形交互方式获得所需要的内容。
本发明设计了一个B/S架构下,以探索城市道路流量的分布及分流模式为目的的可视分析方法,利用流行的d3.js进行可视化组件的绘制,与传统的流量可视化不同,本发明提出了针对路口和路网的分流数据可视化。用户可以从全局到局部再到全局的方式对整个城市中特定区域的分流进行详细的了解,配合日期和时间选择的插件,用户可以对不同时间段内不同道路的分流情况进行对比,并分析城市的流量传播情况。为了能具体准确地分析城市道路路网流量分布和路口分流,本发明所涉及的一种基于交通定位数据的多粒度道路分流(交互)可视分析方法包括以下几个步骤:
1)原始交通数据重构:首先将GPS数据进行清理和排序,其中每一辆车的数据作为一个文件,文件中的每个数组作为一条轨迹,利用时间戳将所有轨迹按照时间排序,然后根据判断是否有载客和时间的双重约束条件将轨迹拆分为多条轨迹,这有利于后续的流量统计;其次对地图数据,特别是矢量地图的清理及修正,主要解决的问题为道路单双向以及道路行驶方向的纠正;
2)道路匹配:匹配的目的就是为了将GPS点与所在道路绑定在一起。在上述数据预处理中,由于采集过程的偏差导致GPS无法匹配到正确道路上,而且采集设备本身没有获取车辆所行驶道路的信息,所以为了进行以道路为单位的流量与速度统计,需要将GPS点与道路之间进行匹配。其中步骤2)具体包括:
(2.1)路网构建,基于清洗过的ArcMap矢量地图,对地图中每条道路创建一个MBR,MBR(minimum bounding rectangle)是最小外接矩形,利用PRTree对所有MBR创建空间索引树,其中PRTree是一个实现了优先级R-Tree以及空间索引的JAVA开发包。为待匹配的轨迹中每一个GPS点同样创建一个MBR,然后在上一步的空间索引树进行查找,将找到的所有道路的MBR作为候选路段,提取路段信息;
(2.2)基于S-T matching算法,将GPS点准确匹配到道路上,结合GPS点求与每一个候选点的观察概率(Observation Probability):
其中是第i个GPS点pi对应的第j个候选点,GPS点候选点之间的欧氏距离,σ=20;
(2.3)根据上一个GPS点的候选点与当前GPS点的候选点计算两者的传输概率(Transmission Probability):
其中di-1→i=dist(pi,pi-1)为上一个GPS点与当前GPS点之间的欧氏距离,为前后两个候选点集合中每一对候选点在路网上的最短路径;
(2.4)根据计算出的观察概率和传输概率计算出候选点的空间分析函数:
找到最后一个GPS点的候选点集合中空间分析函数值最大的一个,反向推出上一个候选点,将候选点全部推算出后合成新的轨迹,即为匹配轨迹,并记录下每一个候选点所在的路段信息,为后续对轨迹化简时提供数据;
3)道路流量和车辆行驶速度的计算:首先统计每一个路段的流量,所有路段流量总和即为此道路的总流量。路段流量可以看成车辆当前时间经过当前路段的次数,考虑到后续路口分流的可视分析,在做流量统计时,利用路段序列中当前路段与下一路段在空间中的相对位置,计算两个路段向量的夹角和外积的模,若夹角小于30度则视为直行,若大于150度则为掉头,根据外积的模可以判断转向为左转还是右转,模为正数为左转,负数为右转;对于道路车辆行驶速度v,首先计算三种平均速度,三种平均速度分别为上个路段尾点到当前点的平均速度v1、当前点到下个路段起始点的平均速度v2和当前道路的瞬时速度v3:
v=ω1v1+ω2v2+ω3v3
其中ωi(i=1,2,3)为每种速度的加权值,且∑ωi(i=1,2,3)=1;
4)多粒度道路状况分析可视组件搭建;其中步骤4)中具体包括:
(4.1)交通流视觉编码:对流量进行映射时,由于每个路段流量的不统一性,所以采用动态映射方案,即根据流量的最大值和最小值进行动态的调整:
其中C(i)为第i条路段的映射颜色,RGB()为计算颜色映射的函数,fmax,fmin,f分别为道路的车流量最大值、道路的车流量最小值和当前路段车流量。对于速度的颜色映射由于具有统一性,采用绝对映射。由此可以对流量和速度在地图上进行映射,得到道路全局概览图,同时设计了多个交互控制插件,如“流量”、“时间”、“时间选择”等控制枢纽;
(4.2)构建路段流量分析组件:设计方格矩形,由于数据庞大,利用每15分钟的数据绘制一个方格,并且流量投射到方格的上三角,速度投射到下三角,将规定时间段的所有方格按照时间顺序按照矩阵排列即可得到流量速度像素图,可以通过点击概览图的路段得到此图;
(4.3)构建路口分流分析组件:将路口的分流情况绘制成一个圆,从圆边延伸出曲线作为驶入驶出的方向,称此为弦图。首先将弦图的数据源设计成一个矩阵,矩阵里的内容为每一个分类到其它分类包括本身在内的数值大小和每一分类的占比,扩展到整个圆;在路口的每个路段绘制两个弧,分别表示路口驶入和路口驶出的归一化后的流量大小,在相邻路段中间加入空白部分以作区分;由此每个路口有三个属性:路口A驶入、路口A驶出、路口A与路口B空白间隔,以此类推,每一个路口由3段组成,于是一个弦图就被分成12段,由此构建12×12的数据源矩阵:
其中A→C表示路口A驶出并驶入路口C,以此类推;α为该路段归一化后的总流量;将图形的每个分类绘制成曲线弦,与有角度的路段间空白区域形成圆;并重写弦图绘制的排序数组,以防弦图图中的弦有交叉,点击路网中的路口自动绘制路口分流情况;
(4.4)构建路网分流分析组件:使用节点表示路段,两点之间使用贝塞尔曲线进行连接形成路网流量传播图,并设计连线面积大小表示流量大小。同时设计使用鼠标悬浮路网流量传播图的节点时高亮相应道路的交互展示。
本发明的技术构思是:设计B/S架构下的可视分析方法,采用浏览器与服务器的模式设计方式,摆脱了对用户操作系统的依赖,维护简易,降低了分析人员使用系统的成本且,能够更方便的结合多种可视化函数库混合编写,达到更好的展示效果;对路网进行S-Tmatching匹配通定位点,非常准确且快速完成路网匹配,部署快速,提高方法的运算效率;从路段、路口、道路三个层面分析城市道路流量,深层次地展示了城市道路流量的多种规律。
本发明的优点是:成本低廉,维护简易,部署迅速,可视化界面交互多样性,多粒度分析道路流量状况。
附图说明
图1为本发明的可视化系统界面。
图2a为本发明的流量速度像素图的流量图界面,图2b为本发明的流量速度像素图的速度图界面。
图3为本发明的全局概览图。
图4为本发明的路口流量等分弦图。
图5为本发明的路网流量传播图。
图6为本发明的系统构架图。
具体实施方式
下面结合实施例及附图进行详细说明
本发明所涉及的基于交通定位数据的多粒度道路分流(交互)可视分析方法包括以下几个步骤:
1)原始交通数据重构:首先将GPS数据进行清理和排序,其中每一辆车的数据作为一个文件,文件中的每个数组作为一条轨迹,利用时间戳将所有轨迹按照时间排序,然后根据判断是否有载客和时间的双重约束条件将轨迹拆分为多条轨迹,这有利于后续的流量统计;其次对地图数据,特别是矢量地图的清理及修正,主要解决的问题为道路单双向以及道路行驶方向的纠正;
2)道路匹配:匹配的目的就是为了将GPS点与所在道路绑定在一起。在上述数据预处理中,由于采集过程的偏差导致GPS无法匹配到正确道路上,而且采集设备本身没有获取车辆所行驶道路的信息,所以为了进行以道路为单位的流量与速度统计,需要将GPS点与道路之间进行匹配。其中步骤2)具体包括:
(2.1)路网构建,基于清洗过的ArcMap矢量地图,对地图中每条道路创建一个MBR,MBR(minimum bounding rectangle)是最小外接矩形,利用PRTree对所有MBR创建空间索引树,其中PRTree是一个实现了优先级R-Tree以及空间索引的JAVA开发包。为待匹配的轨迹中每一个GPS点同样创建一个MBR,然后在上一步的空间索引树进行查找,将找到的所有道路的MBR作为候选路段,提取路段信息;
(2.2)基于S-T matching算法,将GPS点准确匹配到道路上,结合GPS点求与每一个候选点的观察概率(Observation Probability):
其中是第i个GPS点pi对应的第j个候选点,GPS点候选点之间的欧氏距离,σ=20;
(2.3)根据上一个GPS点的候选点与当前GPS点的候选点计算两者的传输概率(Transmission Probability):
其中di-1→i=dist(pi,pi-1)为上一个GPS点与当前GPS点之间的欧氏距离,为前后两个候选点集合中每一对候选点在路网上的最短路径;
(2.4)根据计算出的观察概率和传输概率计算出候选点的空间分析函数:
找到最后一个GPS点的候选点集合中空间分析函数值最大的一个,反向推出上一个候选点,将候选点全部推算出后合成新的轨迹,即为匹配轨迹,并记录下每一个候选点所在的路段信息,为后续对轨迹化简时提供数据;
3)道路流量和车辆行驶速度的计算:首先统计每一个路段的流量,所有路段流量总和即为此道路的总流量。路段流量可以看成车辆当前时间经过当前路段的次数,考虑到后续路口分流的可视分析,在做流量统计时,利用路段序列中当前路段与下一路段在空间中的相对位置,计算两个路段向量的夹角和外积的模,若夹角小于30度则视为直行,若大于150度则为掉头,根据外积的模可以判断转向为左转还是右转,模为正数为左转,负数为右转;对于道路车辆行驶速度v,首先计算三种平均速度,三种平均速度分别为上个路段尾点到当前点的平均速度v1、当前点到下个路段起始点的平均速度v2和当前道路的瞬时速度v3:
v=ω1v1+ω2v2+ω3v3
其中ωi(i=1,2,3)为每种速度的加权值,且∑ωi(i=1,2,3)=1;
4)设计多粒度道路状况分析可视组件;其中步骤4)中具体包括:
(4.1)交通流视觉编码:对流量进行映射时,由于每个路段流量的不统一性,所以采用动态映射方案,即根据流量的最大值和最小值进行动态的调整:
其中C(i)为第i条路段的映射颜色,RGB()为计算颜色映射的函数,fmax,fmin,f分别为道路的车流量最大值、道路的车流量最小值和当前路段车流量。对于速度的颜色映射由于具有统一性,采用绝对映射。由此可以对流量和速度在地图上进行映射,得到道路全局概览图,同时设计了多个交互控制插件,如“流量”、“时间”、“时间选择”等控制枢纽;
(4.2)构建路段流量分析组件:设计方格矩形,由于数据庞大,利用每15分钟的数据绘制一个方格,并且流量投射到方格的上三角,速度投射到下三角,将规定时间段的所有方格按照时间顺序按照矩阵排列即可得到流量速度像素图,可以通过点击概览图的路段得到此图;
(4.3)构建路口分流分析组件:将路口的分流情况绘制成一个圆,从圆边延伸出曲线作为驶入驶出的方向,称此为弦图。首先将弦图的数据源设计成一个矩阵,矩阵里的内容为每一个分类到其它分类包括本身在内的数值大小和每一分类的占比,扩展到整个圆;在路口的每个路段绘制两个弧,分别表示路口驶入和路口驶出的归一化后的流量大小,在相邻路段中间加入空白部分以作区分;由此每个路口有三个属性:路口A驶入、路口A驶出、路口A与路口B空白间隔,以此类推,每一个路口由3段组成,于是一个弦图就被分成12段,由此构建12×12的数据源矩阵:
其中A→C表示路口A驶出并驶入路口C,以此类推;α为该路段归一化后的总流量;将图形的每个分类绘制成曲线弦,与有角度的路段间空白区域形成圆;并重写弦图绘制的排序数组,以防弦图图中的弦有交叉,点击路网中的路口自动绘制路口分流情况;
(4.4)构建路网分流分析组件:使用节点表示路段,两点之间使用贝塞尔曲线进行连接形成路网流量传播图,并设计连线面积大小表示流量大小。同时设计使用鼠标悬浮路网流量传播图的节点时高亮相应道路的交互展示。
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。高效的绘制道路全局概览图、流量速度像素图、路口流量等分弦图和路网流量传播图。具体框架流程图见图6。主要解决了城市道路路网分流和路口分流的可视化展现问题,可以检测道路的拥挤状况以及路段之间的流量传递情况,可以为交警管制时间的确定,红绿灯的设置以及城市道路建设提供了建设性的意见。
以上阐述的是本发明给出的一个实施案例展示了多种层面的有效可视化组件,显然本发明不只是限于上述实施例,在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。所提出的可视化方案对分析城市道路流量的路网和路口分流分析是有效的,可以很好地展示路段、路口、路网三个层面的道路流量状况。
Claims (1)
1.基于交通定位数据的多粒度道路分流可视分析方法包括以下几个步骤:
1)原始交通数据重构:首先将GPS数据进行清理和排序,其中每一辆车的数据作为一个文件,文件中的每个数组作为一条轨迹,利用时间戳将所有轨迹按照时间排序,然后根据判断是否有载客和时间的双重约束条件将轨迹拆分为多条轨迹,这有利于后续的流量统计;其次对地图数据,特别是矢量地图的清理及修正,纠正道路单双向以及道路行驶方向;
2)道路匹配:匹配的目的就是为了将GPS点与所在道路绑定在一起;在上述数据预处理中,由于采集过程的偏差导致GPS无法匹配到正确道路上,而且采集设备本身没有获取车辆所行驶道路的信息,所以为了进行以道路为单位的流量与速度统计,需要将GPS点与道路之间进行匹配;其中步骤2)具体包括:
(2.1)路网构建,基于清洗过的ArcMap矢量地图,对地图中每条道路创建一个最小外接矩形MBR,利用PRTree对所有MBR创建空间索引树,其中PRTree是一个实现了优先级R-Tree以及空间索引的JAVA开发包;为待匹配的轨迹中每一个GPS点同样创建一个MBR,然后在上一步的空间索引树进行查找,将找到的所有道路的MBR作为候选路段,提取路段信息;
(2.2)基于S-T matching算法,将GPS点准确匹配到道路上,结合GPS点求与每一个候选点的观察概率:
其中是第i个GPS点pi对应的第j个候选点,GPS点候选点之间的欧氏距离,σ=20;
(2.3)根据上一个GPS点的候选点与当前GPS点的候选点计算两者的传输概率Transmission Probability:
其中di-1→i=dist(pi,pi-1)为上一个GPS点与当前GPS点之间的欧氏距离,为前后两个候选点集合中每一对候选点在路网上的最短路径;
(2.4)根据计算出的观察概率和传输概率计算出候选点的空间分析函数:
找到最后一个GPS点的候选点集合中空间分析函数值最大的一个,反向推出上一个候选点,将候选点全部推算出后合成新的轨迹,即为匹配轨迹,并记录下每一个候选点所在的路段信息,为后续对轨迹化简时提供数据;
3)道路流量和车辆行驶速度的计算:首先统计每一个路段的流量,所有路段流量总和即为此道路的总流量;路段流量可以看成车辆当前时间经过当前路段的次数,考虑到后续路口分流的可视分析,在做流量统计时,利用路段序列中当前路段与下一路段在空间中的相对位置,计算两个路段向量的夹角和外积的模,若夹角小于30度则视为直行,若大于150度则为掉头,根据外积的模可以判断转向为左转还是右转,模为正数为左转,负数为右转;对于道路车辆行驶速度v,首先计算三种平均速度,三种平均速度分别为上个路段尾点到当前点的平均速度v1、当前点到下个路段起始点的平均速度v2和当前道路的瞬时速度v3:
v=ω1v1+ω2v2+ω3v3
其中ωi(i=1,2,3)为每种速度的加权值,且∑ωi(i=1,2,3)=1;
4)设计多粒度道路状况分析可视组件;其中步骤4)中具体包括:
(4.1)交通流视觉编码:对流量进行映射时,由于每个路段流量的不统一性,所以采用动态映射方案,即根据流量的最大值和最小值进行动态的调整:
其中C(i)为第i条路段的映射颜色,RGB()为计算颜色映射的函数,fmax,fmin,f分别为道路的车流量最大值、道路的车流量最小值和当前路段车流量;对于速度的颜色映射由于具有统一性,采用绝对映射;由此可以对流量和速度在地图上进行映射,得到道路全局概览图,同时设计了多个交互控制插件;
(4.2)构建路段流量分析组件:设计方格矩形,由于数据庞大,利用每15分钟的数据绘制一个方格,并且流量投射到方格的上三角,速度投射到下三角,将规定时间段的所有方格按照时间顺序按照矩阵排列即可得到流量速度像素图,可以通过点击概览图的路段得到此图;
(4.3)构建路口分流分析组件:将路口的分流情况绘制成一个圆,从圆边延伸出曲线作为驶入驶出的方向,称此为弦图;首先将弦图的数据源设计成一个矩阵,矩阵里的内容为每一个分类到其它分类包括本身在内的数值大小和每一分类的占比,扩展到整个圆;在路口的每个路段绘制两个弧,分别表示路口驶入和路口驶出的归一化后的流量大小,在相邻路段中间加入空白部分以作区分;由此每个路口有三个属性:路口A驶入、路口A驶出、路口A与路口B空白间隔,以此类推,每一个路口由3段组成,于是一个弦图就被分成12段,由此构建12×12的数据源矩阵:
其中A→C表示路口A驶出并驶入路口C,以此类推;α为该路段归一化后的总流量;将图形的每个分类绘制成曲线弦,与有角度的路段间空白区域形成圆;并重写弦图绘制的排序数组,以防弦图图中的弦有交叉,点击路网中的路口自动绘制路口分流情况;
(4.4)构建路网分流分析组件:使用节点表示路段,两点之间使用贝塞尔曲线进行连接形成路网流量传播图,并设计连线面积大小表示流量大小;同时设计使用鼠标悬浮路网流量传播图的节点时高亮相应道路的交互展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610630728.1A CN106157624B (zh) | 2016-08-04 | 2016-08-04 | 基于交通定位数据的多粒度道路分流可视分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610630728.1A CN106157624B (zh) | 2016-08-04 | 2016-08-04 | 基于交通定位数据的多粒度道路分流可视分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106157624A true CN106157624A (zh) | 2016-11-23 |
CN106157624B CN106157624B (zh) | 2018-08-21 |
Family
ID=57329004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610630728.1A Active CN106157624B (zh) | 2016-08-04 | 2016-08-04 | 基于交通定位数据的多粒度道路分流可视分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106157624B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021017675A1 (zh) * | 2019-07-29 | 2021-02-04 | 腾讯科技(深圳)有限公司 | 轨迹数据处理方法、设备以及存储介质 |
CN112634612A (zh) * | 2020-12-15 | 2021-04-09 | 北京百度网讯科技有限公司 | 路口流量分析方法、装置、电子设备及存储介质 |
CN112700643A (zh) * | 2020-12-21 | 2021-04-23 | 北京百度网讯科技有限公司 | 输出车辆流向的方法、装置、路侧设备以及云控平台 |
CN113132907A (zh) * | 2019-12-27 | 2021-07-16 | 中国移动通信集团浙江有限公司 | 行人流量分流识别方法、装置、计算设备及存储设备 |
CN113688192A (zh) * | 2020-05-18 | 2021-11-23 | 百度在线网络技术(北京)有限公司 | 一种路口模型建立方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198694A1 (en) * | 2001-06-22 | 2002-12-26 | Qi Yang | Traffic data management and simulation system |
CN101046919A (zh) * | 2006-10-12 | 2007-10-03 | 华南理工大学 | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 |
CN103309964A (zh) * | 2013-06-03 | 2013-09-18 | 广州市香港科大霍英东研究院 | 一种针对大规模交通数据的高效可视监测分析系统 |
CN105489006A (zh) * | 2015-12-15 | 2016-04-13 | 浙江工业大学 | 基于出租车gps数据的多尺度道路流量可视分析方法 |
-
2016
- 2016-08-04 CN CN201610630728.1A patent/CN106157624B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198694A1 (en) * | 2001-06-22 | 2002-12-26 | Qi Yang | Traffic data management and simulation system |
CN101046919A (zh) * | 2006-10-12 | 2007-10-03 | 华南理工大学 | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 |
CN103309964A (zh) * | 2013-06-03 | 2013-09-18 | 广州市香港科大霍英东研究院 | 一种针对大规模交通数据的高效可视监测分析系统 |
CN105489006A (zh) * | 2015-12-15 | 2016-04-13 | 浙江工业大学 | 基于出租车gps数据的多尺度道路流量可视分析方法 |
Non-Patent Citations (1)
Title |
---|
何贤国: "《浙江工业大学硕士学位论文》", 25 May 2014 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
WO2021017675A1 (zh) * | 2019-07-29 | 2021-02-04 | 腾讯科技(深圳)有限公司 | 轨迹数据处理方法、设备以及存储介质 |
CN113132907A (zh) * | 2019-12-27 | 2021-07-16 | 中国移动通信集团浙江有限公司 | 行人流量分流识别方法、装置、计算设备及存储设备 |
CN113132907B (zh) * | 2019-12-27 | 2022-11-08 | 中国移动通信集团浙江有限公司 | 行人流量分流识别方法、装置、计算设备及存储设备 |
CN113688192A (zh) * | 2020-05-18 | 2021-11-23 | 百度在线网络技术(北京)有限公司 | 一种路口模型建立方法、装置、设备及介质 |
CN113688192B (zh) * | 2020-05-18 | 2022-07-26 | 百度在线网络技术(北京)有限公司 | 一种路口模型建立方法、装置、设备及介质 |
CN112634612A (zh) * | 2020-12-15 | 2021-04-09 | 北京百度网讯科技有限公司 | 路口流量分析方法、装置、电子设备及存储介质 |
CN112634612B (zh) * | 2020-12-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 路口流量分析方法、装置、电子设备及存储介质 |
CN112700643A (zh) * | 2020-12-21 | 2021-04-23 | 北京百度网讯科技有限公司 | 输出车辆流向的方法、装置、路侧设备以及云控平台 |
Also Published As
Publication number | Publication date |
---|---|
CN106157624B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157624A (zh) | 基于交通定位数据的多粒度道路分流可视分析方法 | |
CN111160753A (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
CN109410577A (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN108734955A (zh) | 预测路况状态的方法及装置 | |
CN102799897A (zh) | 基于gps定位的交通方式组合出行的计算机识别方法 | |
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 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
Cai et al. | Applying machine learning and google street view to explore effects of drivers’ visual environment on traffic safety | |
CN112101527B (zh) | 识别车道变化的方法和装置、电子设备和存储介质 | |
Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
CN112734176A (zh) | 一种充电站建站方法、装置、终端设备和可读存储介质 | |
Li et al. | A guided deep learning approach for joint road extraction and intersection detection from RS images and taxi trajectories | |
Wang et al. | Construction and application of artificial intelligence crowdsourcing map based on multi-track GPS data | |
Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
Zhang et al. | Automated detecting and placing road objects from street-level images | |
Bastani et al. | Inferring and improving street maps with data-driven automation | |
Jiao et al. | A novel framework for road vectorization and classification from historical maps based on deep learning and symbol painting | |
Menguc et al. | A data driven approach to forecasting traffic speed classes using extreme gradient boosting algorithm and graph theory | |
CN113327079A (zh) | 一种基于网约车轨迹的路径选择潜在因素可视分析方法 | |
CN111726535A (zh) | 基于车辆感知的智慧城市cim视频大数据画质控制方法 | |
CN113032667B (zh) | 一种基于城市道路网格的重路由及边捆绑方法 | |
Yang et al. | Unraveling nonlinear and interaction effects of multilevel built environment features on outdoor jogging with explainable machine learning | |
Delmas et al. | Towards context & climate sensitive urban design: An integrated simulation and parametric design approach |
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 |