CN106446960A - 一种密度聚类划分时间段的动态热度路网构建方法 - Google Patents
一种密度聚类划分时间段的动态热度路网构建方法 Download PDFInfo
- Publication number
- CN106446960A CN106446960A CN201610883475.9A CN201610883475A CN106446960A CN 106446960 A CN106446960 A CN 106446960A CN 201610883475 A CN201610883475 A CN 201610883475A CN 106446960 A CN106446960 A CN 106446960A
- Authority
- CN
- China
- Prior art keywords
- point
- time
- road network
- track
- river conjunction
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种密度聚类划分时间段的动态热度路网构建方法,属于基于位置服务的技术领域,它包括下述内容:(1)无路网背景下,在服务器端使用停留点扩展方法获取交汇口,并保存到服务器中;(2)扫描交汇口之间轨迹,统计交汇口之间的轨迹数,轨迹数不为空的交汇口之间生成边;(3)使用密度聚类划分时间段方法建立随时间变化的交汇口之间边热度;(4)当客户端发出请求时,服务器将热度路网信息发送给客户端,提供应答。本发明减少扩展计算量,高效地获取交汇口;避免等间隔时间划分造成的不合理划分和基于距离聚类划分造成的较高时间代价。
Description
技术领域
本发明属于基于位置服务的技术领域,具体是基于停留点扩展和密度聚类划分时间段算法的动态热度路网构建方法。
背景技术
随着智能定位设备的广泛使用和基于位置服务技术的快速发展,轨迹资源数量大幅增长,这些轨迹中包含了大量的车辆行驶信息、人群的出行习惯、区域交通流量信息。通过分析轨迹资源,可获取路网实际热度情况,应用在下述两种领域:
1.动态热度路网可用于预测没有道路信息区域的热度。例如,徒步旅行时经过的区域、自然景点内部区域、城市新修道路。这些区域都是人群集中的自然区域或者没有及时更新路网信息的区域,构建动态热度路网可得知该区域的动态热度。
2.动态热度路网构建是各种路径推荐应用、特别是动态路径推荐应用的关键技术,所构建的路网的热度随时间动态变化,反映实际路网热度变化。例如,在旅游线路推荐中,游客希望寻找新的旅游热点,这些旅游热点在热度路网中从无到有,遵循特定的热度变化规律。在城市交通路线推荐中,为避开拥堵路段,需要动态计算路网的拥堵状况。
依据轨迹数据构建热度路网大致分为三步:获取交汇口,计算交汇口之间边的热度值,构建热度路网。
目前,获取交汇口的算法主要有Chen的CohExpanding算法,陈依娇的PartExpanding算法。CohExpanding算法从初始轨迹点(简称“点”)开始,以初始点为圆心,对固定半径圆域内的点遍历,判断点与圆心的相关性,若达到相关性阈值则加入到相关性点集;对相关性点集内的其它点重复这一过程,直到相关性点集不再变化;依据交汇口的特性,判断相关性点集是否构成一个交汇口。CohExpanding算法建立在准确分析交汇口性质的基础上,能够发现大多数的有效的交汇口,但是点扩展需要对指定范围内的全部点进行扩展判断相关性,时间代价高。PartExpanding算法是对CohExpanding的改进,执行过程与CohExpanding的类似,不同之处在于首先对圆域内点按照欧氏距离排序,设定距离阈值,只对超过阈值的点进行扩展,减少了判断相关性的计算量。但是PartExpanding只对部分点扩展,不同点附近的密度分布不同,使用相同的标准扩展,导致过多的交汇口不能被发现,尽管运行时间缩短,但获取交汇口的精度大幅降低。
计算边热度值的方法主要是统计轨迹的数目。Li、Lai、Sacharidis等都采用扫描两点之间通过的轨迹数目得到一条边的热度,轨迹数目越多,表示热度越高。但是均统计了指定时间段内经过边的全部轨迹数,得到边的静态热度,计算边热度简单高效但是不能准确反映边热度随时间变化情况,无法用于构建动态热度路网。
构建动态热度路网的方法主要是分时间段构建对应时间段的静态路网。构建静态热度路网通常的方法是将指定时间内的轨迹数作为边热度值,扫描边并生成静态路网。Wu使用RNCA算法将轨迹图像匹配到路网,然后统计一天内映射到路网的轨迹,计算边热度值,构建一天内的静态热度路网。Chen提出在没有路网信息条件下,统计特征点的热度值,利用马尔可夫链构建一张指示不同地点转移概率的热度路网图,然后使用MPR算法推荐一条热度路线。构建动态热度路网需要考虑轨迹的时间属性。Wei提出在没有路网图的前提下,将轨迹图按照网格划分,从不确定的轨迹中构建一张具有时空属性、可路由的路网热点图,从而获取前k条热度的路径。该方法适用于低采样率、轨迹不确定数据的分析。Zhang提出按照平均时间划分轨迹点,提取不同时间段下的停留点,排序获取最热的候选点。平均划分时间段,可能会导致一个时间段同时包含有高峰和低谷的热度边。陈依娇提出TsPartition算法划分时间段,保证同一时间段热度值的一致性。该算法划分时间段需要迭代计算,时间代价高,并且质心是随机指定的,不能真实反映点的聚集特征,容易受到离群点的影响。Chen提出TimeParti算法引入vtsBound对时间段数量限制,采用拼接,进行平滑处理,该算法采用迭代计算,时间代价较高。
动态热度路网构建的关键是交汇口获取和时间段划分。当前交汇口获取时执行扩展操作,扩展需访问全部轨迹点,消耗时间较长。
当前动态热度路网构建主要由等间隔时间划分和基于距离聚类的划分方法,等间隔时间划分可能会导致一个时间段同时包含有高峰和低谷的热度边,划分精度低;基于距离聚类划分时间段需要多次迭代计算,时间代价高。
发明内容
本发明要解决的问题是保证划分后的时间段内时间点高聚合性,提高划分精度,同时控制划分时间段数量,减少计算和存储边热度代价。
本发明解决其技术问题所采用的技术方案是:
一种密度聚类划分时间段的动态热度路网构建方法,包括下述内容:
1、无路网背景下,在服务器端使用停留点扩展方法(StopExpanding)获取交汇口,并保存到服务器中。
2、根据服务器数据,扫描交汇口之间轨迹,统计交汇口之间的轨迹数,轨迹数不为空的交汇口间生成边。
3、根据步骤2中交汇口间边的关系,使用密度聚类划分时间段方法(DbPartiton),建立随时间变化的交汇口之间边热度。
4、使用数据结构中邻接矩阵存储边热度,构建热度路网,当旅游推荐平台客户端发出请求时,服务器将热度路网信息发送给客户端,提供应答。
所述的停留点扩展方法如下:
1、首先获取停留点:所述停留点包括停止、低速行驶两种情况;
(1)对于停止情况,扫描轨迹集中连续轨迹点,计算连续轨迹点之间的距离是否为0,若为0则计算连续轨迹点之间停留时间,停留时间大于设定自己设定的时间阈值tθ=24h,则将满足条件的连续轨迹点添加到停留点集合S;
(2)对于低速行驶情况,计算低速行驶的平均速度V,如果低速行驶平均速度小于指定速度阈值Vθ,则添加停留点集合S。所述低速是指汽车行驶速度低于19.7米/小时。
2、设置交汇口生成条件:
(1)轨迹点密度和相邻轨迹点的方向夹角。本发明使用相关点数量阈值度量轨迹点密度,Coh度量轨迹点相关度,Coh包含了轨迹点所在方向夹角信息。定义如下:
其中Coh(Pi,Pj)为相邻轨迹点pi,pj之间的相关度,e为相关点数量,dist(pi,pj)为轨迹点pi,pj两点间的欧氏距离,δ,α,β为公式参数,δ=200,α=5,β=2用于调整相关度值,θ为相邻点轨迹点pi,pj两点矢量方向的夹角。
设定相关度阈值Cohθ=0.5,相关点数量阈值交汇口满足下述条件,轨迹点相关度达到Cohθ,且相关点数量达到则这些轨迹点构成一个交汇口,选择其中一点表示交汇口。
对停留点扩展,获取交汇口:即随机选择轨迹中的任意一点为初始点,以初始点为圆心,使用公式(1)计算半径R=186m的圆域中的停留点与圆心点的相关性,若相关性大于设定相关度阈值Cohθ,该停留点加入相关性停留点集;重复这一过程获得其它相关性停留点,直到相关性停留点集不再增加为止。若相关性停留点集数量达到则计算相关性点集Q的质心center,获取到一个交汇口x(Q,center)。
所述的密度聚类划分时间段方法如下:
(1)、按照时间点聚集性划分时间段。若存在轨迹经过边eij,每一个轨迹点对应一个时刻,将最早进入和最晚离开轨迹经过边eij的轨迹点对应时间段Tr=[t1,tn]划分为n个连续的时间Tr1,Tr2…Trk…Trn,其中Trk=[tk,tk+1]表示Trk的时间区间。遍历时间段Tr内的轨迹点对应的时间点t,以t为中心,搜索e邻域范围内包含的轨迹点对应的时间点的个数,如果时间点的个数大于最少包含数MinPts,则该时间点为核心时间对象;
创建一个类,将核心时间对象e邻域中的所有直接密度可达点(后面有解释)加入到类,重复以上过程,得到若干个类。扫描类中时间点,若同一个类中存在多个核心时间对象,则合并核心时间对象得到聚类。
(2)、动态化热度,计算各个时间段内的边热度。
其中hotij(t)是以时刻t为中心、以Δt为半径的时间区间内边eij热度。|{traj}|是在2Δt内经过边eij的轨迹,根据聚类划分后的Δt分别计算各个时间段内的边热度。
1.利用停留点获取交汇口,因为停留点数量是轨迹点集的子集,并且具有交汇口特征,停留点常位于交汇口。因此,只对停留点判断相关性并扩展,在准确获取交汇口时可以大幅减少访问轨迹点数量,减少扩展计算量,降低获取交汇口时间。
2.密度聚类划分时间段,将时间点按照密度分布情况聚类,得到划分时间段,使得每个时间段内的平均热度与瞬时热度相差不大,基本能够代表瞬时热度,将瞬时热度计算转化为时间段平均热度计算,从而在保证一定热度精度的前提下,降低计算和存储热度值的代价。
本发明以交汇口特征为依据,区别对待普通轨迹点和停留点,设计了一种只对停留点扩展方法,缩小遍历点集,减少扩展计算量,高效地获取交汇口;设计了密度聚类划分时间段方法,按照热度变化划分时间段,搜索以核心时间对象为中心的时间点密集集合作为一个划分时间段,将瞬时热度转化为时间段平均热度计算,避免等间隔时间划分造成的不合理划分和基于距离聚类划分造成的较高时间代价;最后使用邻接矩阵存储边热度,构建热度路网。
算法1:停留点扩展方法(StopExpanding)
输入:Traj
输出:X
①for each pi∈Traj do
②S=getStop(pi,pi+1);
③for each pi∈Traj do
④if p.clid=false then
⑤p.clid=true;
⑥Cirlist.add(p);
⑦for each p∈Cirlist do
⑧Cirlist.remove(p);
⑨for each s∈Qurey(p,S.s)do
⑩if calCoh(p,s)>Cohθthen
Cirlist.add(s);
Q.add(s);
ifthen
center=Q.calAvg();
X.add(center);
return X;
算法1是利用停留点获取交汇口的伪代码(Stopexpanding),第①-②行首先扫描轨迹数据集中的点,利用相邻点获取停留点集,第③-⑥行遍历轨迹点,选择一初始点p进行访问,设置访问标记为已访问,并保存到圆心(用于扩展)集合Cirlist中。第⑦-⑨行遍历Cirlist中圆心,访问以该点为圆心R为半径的圆域,并只对圆域内停留点扩展,删除访问后的圆心。第行判断圆心与圆域内停留点的相关性,若相关则添加到集合Cirlist中作为下一次扩展的圆心,同时添加到集合Q中作为一个相关集合,集合Q中点重复行这一过程,直到相关点不再增加为止。第行判断相关点集数是否达到阈值,若达到阈值,则计算点集的质心,将质心作为交汇口,添加质心到交汇口集合,第行最后返回交汇口集合。
算法2:DbPartition
输入:eij.Tr,e,MinPts
输出:ClassList={eij.Trk|1<k<n}
①for each teij.Tr do
②if t.visited=false then
③t.visited=true;
④Trk=regionQuery(t,e);
⑤if|Trk|>MinPts then
⑥c=new cluster;
⑦c.add(Trk);
⑧ClassList.add(c);
⑨for each ci∈ClassList do
⑩if mutiTime(ci)then
merge();
return ClassList;
算法2是密度聚类划分时间段的伪代码(DbPartition),第①-③行首先遍历时间点集合,对没有访问过的时间点进行访问,并作访问标记。第④-⑤行获取当前访问时间点e邻域点集合,判断其是否为核心时间对象。第⑥-⑦行创建一个类,添加与核心时间对象直接密度相连的点,重复①-⑦过程,直到全部时间点遍历完。第⑧行将获取到的全部类添加到ClassList中。第行遍历类,mutiTime()判断同一类中是否存在多个核心时间对象,若存在,则使用merge()融合核心时间对象生成的类,得到全部核心时间对象生成类,每一个类对应一个划分时间段。第行返回划分时间段集合。
算法3:构建动态热度路网
输入:Traj
输出:G(V,E)
①V=StopExpanding();
②for each vi∈V do
③for each vj∈V do
④if existTraj(vi,vj,Traj)then
⑤eij=createEdge();
⑥for each vi∈V do
⑦for each vj∈V do
⑧DbPartition();
⑨for k∈ClassList.len do
⑩eij.hotij[k]=calHot(ClassList.get(k));
return G;
算法3为动态热度路网生成的伪代码:第①行首先使用算法1获取交汇口集并作为图顶点集,第②-⑤行遍历图顶点,任取两顶点,使用existTraj判断是否存在轨迹经过,若存在,则两顶点之间生成边。第⑥-⑧行使用算法2划分时间段。第⑨-⑩行使用calHot计算划分后各个时间段热度,保存热度值到邻接矩阵。第行返回动态热度路网。
附图说明
图1是本发明中停留点扩展获取交汇口示意图。
图2~图5是本发明中密度聚类划分时间段的步骤示意图。
具体实施方式
图1是停留点扩展获取交汇口的一个例子。
首先随机选取p1为圆心,对其R半径范围内点遍历,获取停留点s1,s2,判断它们与p1的相关性,假设均相关,把s1,s2加入相关性点集。
分别对s1,s2所在的R半径的圆域内遍历。s1圆域内没有不在相关性点集的停留点。s2的R半径的圆域内只有停留点s3不在相关性点集内,计算s2和s3的相关性,加入相关性点集。此时没有可扩展的停留点,假定相关性点集Q={p1,s1,s2,s3}满足轨迹密度阈值计算质心center,得到交汇口x(Q,center)。
图2所示,空心三角形和黑色三角形分别为核心时间对象和时间点在时间轴上的映射。设e=2,MinPts=4,首先遍历时间点,找到两个核心时间对象,分别将核心时间对象e邻域的点加入到c1,c2类中,因为c1中包含了两个核心时间对象,如图3所示,所以融合c1,c2类。图4分别遍历时间点,判断核心时间对象得到类c3,c4,c5。因为c4中存在多个核心时间对象,融合c4,c5类。图5得到最终划分时间段Tr1,Tr2,Tr3。
轨迹点p:本文在不混淆的情况下简称“点”,是运动对象在某时刻的位置,由一个三元组构成(x,y,t),三个属性分别为经度、纬度和时刻。
轨迹traj:运动对象按照时间顺序排列的一组点。表示为traj:p1→p2→…→pn,如果i<j,则pi.t<pj.t。
停留点s:运动对象完全停止时的位置或者以低速通过某一区域时的位置,表示为s(x,y,t),记停留点集合为S。完全停止的判断条件:pi.x=pj.x,pi.y=pj.y并且tθ<pi.t-pj.t,其中tθ为停留时间段下限常数。低速通过的判断条件:Dist(pi,pj)为两点之间距离,|pi.t-pj.t|为两点之间时间差,Vθ为速度阈值。
交汇口x:路网出现明显交汇的地理区域,由一个二元组构成x(Q,center),其中Q是x区域的轨迹点集,center是Q的质心,记全部交汇口构成的集合为X。
e邻域:给定一时间点t的e邻域为:[t-e,t+e]。
核心时间对象:如果给定时间点e邻域内的时间点数大于等于MinPts,则称该时间点为核心时间对象。
直接密度可达:给定一个时间点集合Tr,如果时间点tp在时间点tq的e邻域内,且tq是一个核心时间对象,则tp从tq出发是直接密度可达的。
动态热度路网G:是一个无向图G(V,E),V={vi|vi∈X}是路网顶点集;E=V×V是路网边集,表示存在轨迹经过两顶点vi,vj,则生成边eij。hotij(t)是边eij热度函数,表示t时刻的热度值。
给定轨迹数据集,只对停留点扩展,高效获取X,在轨迹经过的交汇口间生成边,计算边随时间变化的热度函数hotij(t),将各边热度信息保存到动态热度路网G中,动态热度路网边只考虑轨迹分布所生成的边,不考虑全部道路分支细节的生成。
Claims (3)
1.一种密度聚类划分时间段的动态热度路网构建方法,包括下述内容: (1)无路网背景下,在服务器端使用停留点扩展方法获取交汇口,并保存到服务器中; (2)扫描交汇口之间轨迹,统计交汇口之间的轨迹数,轨迹数不为空的交汇口之间生成边; (3)使用密度聚类划分时间段方法建立随时间变化的交汇口之间边热度; (4)当客户端发出请求时,服务器将热度路网信息发送给客户端,提供应答。
2.根据权利要求1所述一种密度聚类划分时间段的动态热度路网构建方法,其特征是所述的停留点扩展方法包括下述内容:
(1)首先获取停留点:所述停留点包括停止、低速行驶两种情况;
(ⅰ)对于停止情况,扫描轨迹集中的连续轨迹点,计算连续轨迹点之间的距离是否为0,若为0则计算连续轨迹点之间停留时间,停留时间大于设定时间阈值tθ=24h,则将满足条件的连续轨迹点添加到停留点集合S;
(ⅱ)对于低速行驶情况,计算低速行驶的平均速度V,如果低速行驶平均速度小于设定速度阈值Vθ,则添加停留点集合S;
(2)设置交汇口生成条件:
(1)轨迹点密度和相邻轨迹点之间的方向夹角;
式中,Coh(Pi,Pj)为相邻轨迹点pi,pj之间的相关度,e为相关点数量,dist(pi,pj)为轨迹点pi,pj两点间的欧氏距离,δ=200,α=5,β=2,θ为相邻轨迹点pi,pj矢量方向的夹角;
设定相关度阈值Cohθ=0.5,相关点数量阈值交汇口满足下述条件,轨迹点相关度达到Cohθ,且相关点数量达到则这些轨迹点构成一个交汇口,选择其中一点表示交汇口。
对停留点扩展,获取交汇口:即随机选择轨迹中的任意一点为初始点,以初始点为圆心,使用公式
计算半径R=186m的圆域中的停留点与圆心点的相关性,若相关性大于设定相关度阈值Cohθ,该停留点加入相关性停留点集;重复这一过程获得其它相关性停留点,直到相关性停留点集不再增加为止。若相关性停留点集数量达到则计算相关性点集Q的质心center,获取到一个交汇口x(Q,center)。
3.根据权利要求1所述一种密度聚类划分时间段的动态热度路网构建方法,其特征是所述的密度聚类划分时间段方法,包括下述内容:
(1)、按照时间点聚集性划分时间段;若存在轨迹经过边eij,每一个轨迹点对应一个时刻,将最早进入和最晚离开轨迹经过边eij的轨 迹点对应时间段Tr=[t1,tn]划分为n个连续的时间Tr1,Tr2…Trk…Trn,其中Trk=[tk,tk+1]表示Trk的时间区间;遍历时间段Tr内的轨迹点对应的时间点t,以t为中心,搜索e邻域范围内包含的轨迹点对应的时间点的个数,如果时间点的个数大于最少包含数MinPts,则该时间点为核心时间对象;
创建一个类,将核心时间对象e邻域中的所有直接密度可达点(后面有解释)加入到类,重复以上过程,得到若干个类。扫描类中时间点,若同一个类中存在多个核心时间对象,则合并核心时间对象得到聚类。
(2)、计算各个时间段内的边热度;
其中hotij(t)是以时刻t为中心、以Δt为半径的时间区间内边eij热度;|{traj}|是在2Δt内经过边eij的轨迹,根据聚类划分后的Δt分别计算各个时间段内的边热度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610883475.9A CN106446960B (zh) | 2016-10-10 | 2016-10-10 | 一种密度聚类划分时间段的动态热度路网构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610883475.9A CN106446960B (zh) | 2016-10-10 | 2016-10-10 | 一种密度聚类划分时间段的动态热度路网构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106446960A true CN106446960A (zh) | 2017-02-22 |
CN106446960B CN106446960B (zh) | 2019-05-21 |
Family
ID=58173050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610883475.9A Expired - Fee Related CN106446960B (zh) | 2016-10-10 | 2016-10-10 | 一种密度聚类划分时间段的动态热度路网构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446960B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016358A (zh) * | 2017-03-24 | 2017-08-04 | 上海电力学院 | 中等密度场景小群体实时检测方法 |
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN107944628A (zh) * | 2017-11-27 | 2018-04-20 | 中国矿业大学 | 一种路网环境下的聚集模式发现方法及系统 |
CN108763553A (zh) * | 2018-06-01 | 2018-11-06 | 云南大学 | 基于密度的停留点识别方法 |
CN109003107A (zh) * | 2017-06-06 | 2018-12-14 | 北京嘀嘀无限科技发展有限公司 | 区域划分方法及装置 |
CN109308291A (zh) * | 2018-09-30 | 2019-02-05 | 歌尔科技有限公司 | 地图轨迹的平滑方法、装置、终端及计算机可读存储介质 |
WO2019024345A1 (zh) * | 2017-08-04 | 2019-02-07 | 深圳大学 | 基于带序兴趣区域的轨迹查询的匀速搜索扩展算法 |
CN109754373A (zh) * | 2018-12-18 | 2019-05-14 | 太原理工大学 | 面向移动端的全景图像色彩纠正方法 |
CN110223061A (zh) * | 2019-05-30 | 2019-09-10 | 杭州李奥信息科技有限公司 | 加油站无线结算方法 |
CN110516708A (zh) * | 2019-07-23 | 2019-11-29 | 江苏大学 | 一种基于轨迹与路网匹配的路径预测方法 |
CN111179592A (zh) * | 2019-12-31 | 2020-05-19 | 合肥工业大学 | 基于时空数据流融合分析的城市交通预测方法和系统 |
CN111464950A (zh) * | 2020-03-31 | 2020-07-28 | 天津市城市规划设计研究院 | 一种使用手机信令数据提取出行停驻点的方法 |
CN112577487A (zh) * | 2019-09-27 | 2021-03-30 | 阿里巴巴集团控股有限公司 | 路线处理方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2473562A (en) * | 2008-11-21 | 2011-03-16 | Mitac Int Corp | Method of creating suggested pathways for helping pedestrians cross open spaces |
CN105825672A (zh) * | 2016-04-11 | 2016-08-03 | 中山大学 | 一种基于浮动车数据的城市指引区域提取方法 |
CN105975913A (zh) * | 2016-04-28 | 2016-09-28 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
CN104537830B (zh) * | 2014-12-29 | 2016-09-28 | 上海电科智能系统股份有限公司 | 一种基于出行热点路网影响评估的交通指数区域划分方法 |
-
2016
- 2016-10-10 CN CN201610883475.9A patent/CN106446960B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2473562A (en) * | 2008-11-21 | 2011-03-16 | Mitac Int Corp | Method of creating suggested pathways for helping pedestrians cross open spaces |
CN104537830B (zh) * | 2014-12-29 | 2016-09-28 | 上海电科智能系统股份有限公司 | 一种基于出行热点路网影响评估的交通指数区域划分方法 |
CN105825672A (zh) * | 2016-04-11 | 2016-08-03 | 中山大学 | 一种基于浮动车数据的城市指引区域提取方法 |
CN105975913A (zh) * | 2016-04-28 | 2016-09-28 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
Non-Patent Citations (1)
Title |
---|
陈依娇等: "《用于热门路径查询的动态热度路网的构建方法》", 《微型电脑应用》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016358B (zh) * | 2017-03-24 | 2020-03-20 | 上海电力学院 | 中等密度场景小群体实时检测方法 |
CN107016358A (zh) * | 2017-03-24 | 2017-08-04 | 上海电力学院 | 中等密度场景小群体实时检测方法 |
CN109003107A (zh) * | 2017-06-06 | 2018-12-14 | 北京嘀嘀无限科技发展有限公司 | 区域划分方法及装置 |
CN109003107B (zh) * | 2017-06-06 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 区域划分方法及装置 |
WO2019024345A1 (zh) * | 2017-08-04 | 2019-02-07 | 深圳大学 | 基于带序兴趣区域的轨迹查询的匀速搜索扩展算法 |
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN107766808B (zh) * | 2017-09-30 | 2021-06-29 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN107944628A (zh) * | 2017-11-27 | 2018-04-20 | 中国矿业大学 | 一种路网环境下的聚集模式发现方法及系统 |
CN108763553A (zh) * | 2018-06-01 | 2018-11-06 | 云南大学 | 基于密度的停留点识别方法 |
CN108763553B (zh) * | 2018-06-01 | 2021-07-20 | 云南大学 | 基于密度的停留点识别方法 |
CN109308291A (zh) * | 2018-09-30 | 2019-02-05 | 歌尔科技有限公司 | 地图轨迹的平滑方法、装置、终端及计算机可读存储介质 |
CN109308291B (zh) * | 2018-09-30 | 2020-12-04 | 歌尔科技有限公司 | 地图轨迹的平滑方法、装置、终端及计算机可读存储介质 |
CN109754373A (zh) * | 2018-12-18 | 2019-05-14 | 太原理工大学 | 面向移动端的全景图像色彩纠正方法 |
CN109754373B (zh) * | 2018-12-18 | 2022-12-30 | 太原理工大学 | 面向移动端的全景图像色彩纠正方法 |
CN110223061A (zh) * | 2019-05-30 | 2019-09-10 | 杭州李奥信息科技有限公司 | 加油站无线结算方法 |
CN110516708A (zh) * | 2019-07-23 | 2019-11-29 | 江苏大学 | 一种基于轨迹与路网匹配的路径预测方法 |
CN112577487A (zh) * | 2019-09-27 | 2021-03-30 | 阿里巴巴集团控股有限公司 | 路线处理方法、装置及电子设备 |
CN111179592A (zh) * | 2019-12-31 | 2020-05-19 | 合肥工业大学 | 基于时空数据流融合分析的城市交通预测方法和系统 |
CN111179592B (zh) * | 2019-12-31 | 2021-06-11 | 合肥工业大学 | 基于时空数据流融合分析的城市交通预测方法和系统 |
CN111464950A (zh) * | 2020-03-31 | 2020-07-28 | 天津市城市规划设计研究院 | 一种使用手机信令数据提取出行停驻点的方法 |
CN111464950B (zh) * | 2020-03-31 | 2021-03-30 | 天津市城市规划设计研究总院有限公司 | 一种使用手机信令数据提取出行停驻点的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106446960B (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446960A (zh) | 一种密度聚类划分时间段的动态热度路网构建方法 | |
US11657708B2 (en) | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM | |
CN105628033B (zh) | 一种基于道路连通关系的地图匹配方法 | |
CN108629974B (zh) | 顾及城市道路交通网络特征的交通运行指数建立方法 | |
CN108109382B (zh) | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN109959388B (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN106052701B (zh) | 一种交通溢流状态下车辆路径选择的方法 | |
Ding et al. | Network-matched trajectory-based moving-object database: Models and applications | |
GB2599765A (en) | Vehicle traffic flow prediction method with missing data | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
CN112530158B (zh) | 一种基于历史轨迹的路网补充方法 | |
CN106971535A (zh) | 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台 | |
CN105427592B (zh) | 基于浮动车的导航电子地图转向代价计算方法 | |
CN111337047B (zh) | 基于多任务点约束的非结构化道路宏观路径规划方法 | |
Zhu et al. | Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data | |
CN110502567B (zh) | 一种面向主题的城市轨道交通站点层次poi提取方法 | |
Huang et al. | Mining crowdsourced trajectory and geo‐tagged data for spatial‐semantic road map construction | |
Menguc et al. | A Data Driven Approach to Forecasting Traffic Speed Classes Using Extreme Gradient Boosting Algorithm and Graph Theory | |
Wu et al. | A flood-discharge-based spatio-temporal diffusion method for multi-target traffic hotness construction from trajectory data | |
CN116629425A (zh) | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 | |
Xi et al. | Map matching algorithm and its application |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190521 Termination date: 20201010 |