CN106600960B - 基于时空聚类分析算法的交通出行起讫点识别方法 - Google Patents
基于时空聚类分析算法的交通出行起讫点识别方法 Download PDFInfo
- Publication number
- CN106600960B CN106600960B CN201611195128.3A CN201611195128A CN106600960B CN 106600960 B CN106600960 B CN 106600960B CN 201611195128 A CN201611195128 A CN 201611195128A CN 106600960 B CN106600960 B CN 106600960B
- Authority
- CN
- China
- Prior art keywords
- travel
- origin
- destination
- point
- points
- 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.)
- Expired - Fee Related
Links
Images
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)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于时空聚类分析算法的交通出行起讫点识别方法,用手机GPS定位仪采集居民一天完整出行时空定位数据;对采集的数据进行预处理,剔除异常数据并修补缺失数据;利用基于密度的时空聚类分析算法识别交通出行起讫点;按不同用户及用户出行时间顺序统计形成最终交通出行起讫点识别结果。本发明充分利用了手机GPS定位技术高精度、可连续追踪出行轨迹的特征,并发挥基于密度的时空聚类分析算法的识别优势,解决传统空间聚类算法在识别实际出行端点上的不足,实现利用手机定位数据进行居民交通出行起讫点信息智能识别。该方法可用于大范围、自动化的居民交通出行起讫点信息采集。
Description
技术领域
本发明属于交通数据采集中居民出行调查领域,尤其涉及一种利用基于密度的时空聚类分析算法对手机GPS定位数据进行分析、处理,从而识别个体交通出行中交通出行起讫点时空位置信息的流程与方法。
背景技术
随着社会经济的不断发展,居民的日常交通出行种类与次数都在不断增加。随之而来的是各大城市的交通拥堵现象日益严重,直接影响到社会经济发展和居民交通出行质量。居民交通出行起讫点信息(即居民从哪儿到哪儿)的获取可以为整个城市居民交通出行现状分析提供重要依据,具体包含居民人均出行次数,城市热点地区的识别,客流集散地的集散现象分析等。目前,用于获取居民交通出行起讫点信息的方法主要有两种:
(1)居民出行调查。居民出行调查是目前应用最为广泛的居民出行起讫点信息获取方法,主要包含入户纸质问卷、电话采访以及邮件访问等常见调查形式,居民出行调查依靠受访者回忆过去一天或多天的交通出行起讫点来完成信息采集,因此该方法受被调查者主观配合程度及记忆水平影响较大。其主要缺点有:1.受访者不愿意参与调查或调查随意性过强,主观回忆偏差、错误现象较为普遍,并且很多短途或短时间出行信息常常会被遗漏,数据质量无法得到可靠保障;2.调查工序繁琐、组织难度大,通常开展居民出行调查需要交通局、公安局以及街道办事处等多部门协调完成,调查组织难度较大,并且入户调查前的问卷设计、调查人员培训、人员组织与分工等比较繁琐,需要耗费大量的人力物力。
(2)利用手机GPS数据来提取居民出行起讫点信息。目前用于处理手机GPS数据来提取出行起讫点信息的方法主要是“基于规则的方法”(rule-based method),通过设定一定的速度阈值、相邻轨迹点距离阈值及相应的停留时长阈值等依据一定规则,设置一定的限制条件进行不断分类,最终将完整的出行链GPS轨迹点分为出行起讫轨迹点和出行移动轨迹点。但是这类方法的相应阈值设定以及规则设定主要依据主观经验,缺乏相应的数据支撑,同时,这类方法不考虑GPS轨迹点的空间分布信息,技术应用范围有一定的局限。
本发明提出利用基于密度的时空聚类分析算法来处理手机GPS数据提取出行起讫点信息的方法能够有效避免上述缺陷。首先,手机GPS定位仪能够连续采集居民出行全程时空轨迹信息,通过对手机GPS时空定位数据的挖掘与处理分析,有望高精度识别出行全程交通出行起讫点信息。该技术能够避免传统调查法中受访者主观回忆偏差或信息遗漏现象,数据更加客观真实;此外,手机GPS定位数据精度较高,数据更新周期可控,并且借助目前已广泛普及的智能手机,该技术在数据采集内容、质量以及成本方面都得到显著改善。同时,本发明提出应用基于密度的时空聚类分析算法进行交通出行起讫点识别,算法参数标定依据采集客观数据的统计分析确定,有效避免了现有依靠主观经验识别技术的主观缺陷,识别过程智能、高效,技术适用范围更广,具有很好的行业应用前景。
发明内容
为了克服现有技术的上述缺点,本发明提出一种基于时空聚类分析算法的交通出行起讫点识别方法,运用手机GPS定位数据分析提取居民交通出行起讫点信息,提出异常轨迹数据剔除、缺失轨迹数据修补的数据预处理方法,在此基础上,创造性提出应用基于密度的时空聚类分析算法对手机GPS仪记录的GPS轨迹数据进行交通出行起讫点识别,提出了数据处理的整套方法。该技术最终能将居民一天或多天完整的交通出行切割成多个单次出行,并包含每次出行起讫点的时空位置信息。
本发明解决其技术问题所采用的技术方案是:一种基于时空聚类分析算法的交通出行起讫点识别方法,包括如下步骤:
步骤一、用手机GPS定位仪采集居民一天完整出行时空定位数据;
步骤二、对步骤一采集的数据进行预处理,剔除异常数据并修补缺失数据;
步骤三、利用基于密度的时空聚类分析算法识别交通出行起讫点;
步骤四、按不同用户及用户出行时间顺序统计形成最终交通出行起讫点识别结果,包含居民一天完整出行过程中所有出行起讫点的时间段和位置信息。
与现有技术相比,本发明的积极效果是:针对我国目前居民日常交通出行起讫点信息采集方法复杂,费用昂贵,数据质量较低等问题,提出一种基于手机GPS定位数据的交通出行起讫点智能识别方法。运用手机GPS定位仪采集居民多种出行目的类型的出行时空特征数据,在此基础上,将居民出行过程分为两类:出行当中的运动状态和出行起讫点停留状态,出行起讫点的GPS轨迹点会聚集在一起,空间密度较大,而出行当中的GPS轨迹点较为分散,空间密度较小。进而利用基于密度的时空聚类分析算法对交通出行起讫点进行识别,并提取出每次出行起讫点发生的时间段、地理位置等信息。
本发明的优点在于:充分利用了手机GPS定位技术高精度、可连续追踪出行轨迹的特征,并发挥基于密度的时空聚类分析算法的识别优势,解决传统空间聚类算法在识别实际出行端点上的不足,实现利用手机定位数据进行居民交通出行起讫点信息智能识别。该方法可用于大范围、自动化的居民交通出行起讫点信息采集。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为个体出行链GPS轨迹时空分布图;
图2为核心对象,边界对象和噪声示意图:(a)DBSCAN中的核心对象;(b)本发明中的核心对象;(c)直接密度可达;
图3为出行起讫点停留时长累计概率分布图;
图4为553临近距离折线图。
具体实施方式
一种基于时空聚类分析算法的交通出行起讫点识别方法,先用手机GPS定位仪采集居民一天完整出行时空定位数据,将数据按照用户编号、出行时间顺序有序导入计算机数据库中存储与管理;再利用Matlab软件调用原始数据进行数据预处理,剔除异常数据、修补缺失数据;在此基础上,利用基于密度的时空聚类分析算法对手机GPS采集的轨迹数据进行交通出行起讫点识别;最后,根据不同用户及用户出行时间顺序,将识别结果进行整理统计,形成最终交通出行起讫点识别结果,包含居民一天完整出行过程中所有出行起讫点的时间段、位置信息。所述方法中主要包含下述处理步骤:
步骤一:手机GPS定位数据采集及数据库创建
1)数据采集:利用手机GPS定位仪采集居民出行时空特征数据,具体包括出行时间、卫星数、定位经纬度、速度等。轨迹点的时间、经纬度数据用于判断是否满足点簇聚类,是否存在出行起讫点的条件。同时可用于表达不同交通出行起讫点发生的时间段和地理位置信息,如图1所示。
数据采集时,用户应在一天离开家出发前2-3分钟打开数据采集软件预热,并确保出行过程中软件始终处于开启状态,回家后2-3分钟后关闭软件。数据采集时间间隔应以1秒为宜,间隔过长会增大交通出行起讫点识别误差。
由于时空聚类分析算法需进行参数标定,20%的用户需在出行的同时记录出行日志,包含其真实出行起讫点的时间。
2)手机GPS定位数据库创建:数据采集结束后,将手机GPS定位数据导入计算机中,并根据用户编号、调查时间先后顺序将所有数据进行分类存储,形成基础数据库供后续数据分析和处理。
步骤二:数据预处理
1)异常数据剔除:由于城市峡谷效应和建筑物遮挡时手机GPS信号会较弱,在较弱条件下,GPS轨迹点往往会发生较大的位置偏移,4颗可见卫星是准确定位的前提条件,删除可见卫星数少于4颗的定位记录;其次、删除瞬时速度变化值大于25km/h的定位记录,减少手机运行问题造成的误差。
2)缺失数据修补:由于用户在地下或室内活动时,手机GPS定位仪信号会被建筑物遮蔽,造成无法数据采集,GPS轨迹点将出现缺失段。计算数据缺失前30秒轨迹中心点与缺失后30秒轨迹中心点的距离,若距离小于800米,则以这两个中心点为端点,以缺失数据时长(秒)为个数,均匀按照两个端点经纬度差值修补轨迹点。
步骤三:利用基于密度的时空聚类分析算法识别交通出行起讫点
本发明提出的基于密度的时空聚类分析算法,详细定义为:
Ε邻域:给定对象的空间距离半径为Eps,时间距离为△T的区域成为该对象的E邻域;
核心点:如果给定对象Ε邻域内的样本点数大于等于MinPts,则称该对象为核心点,对应实际出行中的出行停留点;
直接密度可达:对于样本集合D,如果样本点q在p的邻域内,并且p为核心点,那么对象q从对象p直接密度可达;
密度可达:对于样本集合D,给定一串样本点p1,p2…pn,p=p1,q=pn,假如对象pi从pi-1直接密度可达,那么对象q从对象p密度可达;
密度相连:存在样本集合D中的一点o,如果对象o到对象p和对象q都是密度可达的,那么p和q密度相关联。
传统基于密度的空间聚类算法是通过定义核心点的密度,以核心点为发起点,不断按照密度要求向四周拓展最终形成点簇的过程。形成的点簇往往意味着出行者在此处有小范围停留,轨迹点较为密集,通常可将这一停留点识别为出行端点。而本发明所提出的基于密度的时空聚类算法,将原来聚类算法的空间距离换成时空距离,可以充分考虑轨迹点中时间序列,避免了由于GPS信号缺失,重复路径以及多个出行端点在同一处等情况的识别不理想,使得传统基于密度的空间聚类方法改进过后,广泛适用于交通行业中出行端点的识别(如图2所示)。
可以发现,密度可达是直接密度可达的传递闭包,并且这种关系是非对称的。密度相连是对称关系。本发明提出的时空聚类分析算法目的是找到密度相连对象的最大集合作为点簇。具体识别过程如下:
1)数据导入:打开Matlab,按照用户编号顺序以及数据采集时间顺序依次将步骤二处理得到的出行轨迹数据导入。
2)参数标定:利用时空聚类分析算法来处理个体出行GPS轨迹数据,主要需定义三个参数Eps,△T以及相应的样本点(轨迹点)数MinPts,三个参数确定了核心点的时空密度以及相应的点簇拓展条件。
依据20%用户真实出行日志记录,对应用户编号采集的GPS数据,对出行起讫点停留时长做累计概率分布分析,以累计概率达到特定百分比(一般在90%以上,通常选95%)的出行端点停留时长(秒)作为MinPts(表示实际情况下,在某一范围的轨迹点超过MinPts时,有90%以上的可能为出行停留点),这样,聚类时,邻域内轨迹点数目大于MinPts的点被判定为核心点。其次,统计每个轨迹点的邻域内包含MinPts个点时所需的邻域半径,并绘制成折线图,找出折线图中存在的拐点(拐点前后的曲线曲率差异较大,表示聚类算法的搜索半径设置为此拐点所对应距离),以此拐点的距离作为Eps的参数标定值(小于此距离会将可能的出行停留点漏判,大于此距离会造成停留点的误识别)。考虑到定义核心点时的时间序列,即核心点拓展的条件是满足空间距离的同时也满足时间距离,由于GPS采样时间间隔为1s,即每秒获得一个轨迹点,停留时间即为△T,取值△T=MinPts。
3)出行起讫点识别:在完成时空聚类分析算法的参数标定后,编程并运用该算法来对所有用户预处理过的出行GPS数据进行聚类分析,识别出每条出行链轨迹中的满足聚类条件的点簇,将这些点簇作为出行起讫点,点簇的时长即为出行起讫点停留时长,点簇的经纬度位置即为起讫点地理位置。算法识别过程可以表述为:
从任选一个未被访问过的点开始,找出与其距离在Eps与△T(同时满足)之内(包括Eps和△T)的所有附近点;如果附近点的数量大于等于MinPts,则当前点与其附近点形成一个簇,并且出发点被标记为已访问;然后递归,以相同的方法处理该簇内所有未被标记为已访问的点,从而对簇进行扩展;如果附近点的数量小于MinPts,则该点暂时被标记作为噪声点;如果簇充分地被扩展,即簇内的所有点被标记为已访问,然后用同样的算法去处理未被访问的点。
步骤四:出行起讫点结果整理
1)起讫点合并:若识别出的起讫点中包含时间相邻的两个或多个起讫点,为了避免误识别并提高识别精度,可以计算上一个起讫点的最后一个轨迹点与下一个起讫点第一个轨迹点的时间间隔与距离。若时间间隔小于600秒或距离小于500米(人的一次有目的的出行时间一般大于600秒,距离大于500米,或者通过整理统计用户出行日志得到合适的取值),则将这两个起讫点合并为一个起讫点,减少误判。
2)行程整理:在上述步骤的基础上,按照不同用户每天出行时间先后顺序,统计出所有出行起讫点的时间和位置信息。
具体实施方式:我们在成都市进行了数据采集与算法应用试验,来详细说明如何操作本发明。
步骤一:手机GPS定位数据采集及数据库创建
1)数据采集:成都市30名志愿者安装手机GPS采集软件,按照设计好的出行路线出行并采集数据。为了保证数据样本的多样性和合理性,出行路线包含日常的通勤出行、非通勤出行(包含日常生活、文化娱乐休闲、接送人、就医、业务等)、上下学出行等。试验共采集了200条完整的出行链数据,同时志愿者记录相应的出行日志用于后期核对。
数据采集时,用户应在一天离开家出发前2-3分钟打开数据采集软件预热,并确保出行过程中软件始终处于开启状态,回家后2-3分钟后关闭软件。数据采集时间间隔应以1秒为宜,间隔过长会增大交通出行起讫点识别误差。
2)手机GPS定位数据库创建:数据采集结束后,将手机GPS定位数据导入计算机中,并根据用户编号、调查时间先后顺序将所有数据进行分类存储,形成基础数据库供后续数据分析和处理。
表1手机GPS定位数据格式样例
步骤二:数据预处理
1)异常数据剔除:由于城市峡谷效应和建筑物遮挡时手机GPS信号会较弱,在较弱条件下,GPS轨迹点往往会发生较大的位置偏移,4颗可见卫星是准确定位的前提条件,删除可见卫星数少于4颗的定位记录;其次、删除瞬时速度变化值大于25km/h的定位记录,减少手机运行问题造成的误差。
2)缺失数据修补:由于用户在地下或室内活动时,手机GPS定位仪信号会被建筑物遮蔽,造成无法数据采集,GPS轨迹点将出现缺失段。计算数据缺失前30秒轨迹中心点与缺失后30秒轨迹中心点的距离,若距离小于800米,则以这两个中心点为端点,以缺失数据时长(秒)为个数,均匀按照两个端点经纬度差值修补轨迹点。
步骤三:利用基于密度的时空聚类分析算法识别交通出行起讫点
1)数据导入:打开Matlab,按照用户编号顺序以及数据采集时间顺序依次将步骤二处理得到的出行轨迹数据导入。
2)参数标定:利用时空聚类分析算法来处理个体出行GPS轨迹数据,主要需定义三个参数Eps,△T以及相应的样本点(轨迹点)数MinPts,三个参数确定了核心点的时空密度以及相应的点簇拓展条件。
依据20%用户真实出行日志记录,对应用户编号采集的GPS数据,对各种类型的出行端点的停留时长做累计概率分布分析,如图3所示,发现出行端点停留时长为553s时,累计概率分布达到了95%。即95%的出行端点是可以由553s的停留时长拓展形成,符合时空聚类分析算法点簇拓展的基本要求,即轨迹点密度已经足够大,能够支撑聚类算法点簇的形成。同时,统计每个轨迹点的邻域内包含553个点时所需的邻域半径,并绘制成折线图,如图4所示,可以发现该折线图存在一处拐点(点距离为162m)。因此,本文提出相应的参数标定为:Eps=162m,MinPts=553,△T=553s。
3)出行起讫点识别:在完成时空聚类分析算法的参数标定后,运用该算法来对所有用户预处理过的出行GPS数据进行聚类分析,识别出每条出行链轨迹中的满足聚类条件的点簇,将这些点簇作为出行起讫点,点簇的时长即为出行起讫点停留时长,点簇的经纬度位置即为起讫点地理位置。
步骤四:出行起讫点结果整理
1)起讫点合并:若发生时间相邻两个起讫点的时间间隔与距离,即计算上一个起讫点的最后一个轨迹点与下一个起讫点第一个轨迹点的时间间隔与距离。若时间间隔小于600秒或距离小于500米,则将这两个起讫点合并为一个起讫点。
2)行程整理:在上述步骤的基础上,最后按照不同用户每天出行时间先后顺序,统计出所有出行起讫点的时间和位置信息。
表2交通出行起讫点信息识别结果样例
Claims (7)
1.一种基于时空聚类分析算法的交通出行起讫点识别方法,其特征在于:包括如下步骤:
步骤一、用手机GPS定位仪采集居民一天完整出行时空定位数据;
步骤二、对步骤一采集的数据进行预处理,剔除异常数据并修补缺失数据;
步骤三、利用基于密度的时空聚类分析算法识别交通出行起讫点:
(1)确定E邻域内的样本点数MinPts:以累计概率达到特定百分比的出行端点停留时长作为MinPts;
(2)确定空间距离半径Eps:统计每个轨迹点的邻域内包含MinPts个点时所需的邻域半径,并绘制成折线图,找出折线图中存在的拐点,以此拐点的距离作为Eps;
(3)确定时间距离△T:△T=MinPts;
(4)以上述三个参数作为相应的点簇拓展条件寻找密度相连对象的最大集合作为点簇,将这些点簇作为出行起讫点,点簇的时长即为出行起讫点停留时长,点簇的经纬度位置即为起讫点地理位置;
步骤四、按不同用户及用户出行时间顺序统计形成最终交通出行起讫点识别结果,包含居民一天完整出行过程中所有出行起讫点的时间段和位置信息。
2.根据权利要求1所述的基于时空聚类分析算法的交通出行起讫点识别方法,其特征在于:根据点簇拓展条件寻找密度相连对象的最大集合作为点簇的方法为:从任选一个未被访问过的点开始,找出与其距离在Eps与△T之内的所有附近点;如果附近点的数量大于等于MinPts,则当前点与其附近点形成一个簇,并且出发点被标记为已访问;然后递归,以相同的方法处理该簇内所有未被标记为已访问的点,从而对簇进行扩展,直至簇内的所有点被标记为已访问;然后用同样的方法去处理未被访问的点。
3.根据权利要求1所述的基于时空聚类分析算法的交通出行起讫点识别方法,其特征在于:步骤一所述的数据采集时间间隔为1秒。
4.根据权利要求1所述的基于时空聚类分析算法的交通出行起讫点识别方法,其特征在于:步骤一所述采集的数据包括:出行时间、卫星数、定位经纬度和速度。
5.根据权利要求1所述的基于时空聚类分析算法的交通出行起讫点识别方法,其特征在于:步骤二所述剔除异常数据的方法为:删除可见卫星数少于4颗的定位记录;删除瞬时速度变化值大于25km/h的定位记录。
6.根据权利要求1所述的基于时空聚类分析算法的交通出行起讫点识别方法,其特征在于:步骤二所述缺失数据修补的方法为:计算数据缺失前30秒轨迹中心点与缺失后30秒轨迹中心点的距离,若距离小于800米,则以这两个中心点为端点,以缺失数据时长为个数,均匀按照两个端点经纬度差值修补轨迹点。
7.根据权利要求1所述的基于时空聚类分析算法的交通出行起讫点识别方法,其特征在于:步骤四所述统计形成最终交通出行起讫点时,若识别出的起讫点中包含时间相邻的两个或多个起讫点,则计算上一个起讫点的最后一个轨迹点与下一个起讫点第一个轨迹点的时间间隔与距离;若时间间隔小于600秒或距离小于500米,则将这两个起讫点合并为一个起讫点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611195128.3A CN106600960B (zh) | 2016-12-22 | 2016-12-22 | 基于时空聚类分析算法的交通出行起讫点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611195128.3A CN106600960B (zh) | 2016-12-22 | 2016-12-22 | 基于时空聚类分析算法的交通出行起讫点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600960A CN106600960A (zh) | 2017-04-26 |
CN106600960B true CN106600960B (zh) | 2020-01-24 |
Family
ID=58600675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611195128.3A Expired - Fee Related CN106600960B (zh) | 2016-12-22 | 2016-12-22 | 基于时空聚类分析算法的交通出行起讫点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600960B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273520B (zh) * | 2017-06-22 | 2020-05-29 | 北京理工大学 | 一种基于货车监控数据的装卸货地点识别方法 |
CN107293132A (zh) * | 2017-08-14 | 2017-10-24 | 常州市规划设计院 | 基于交通延误的交叉口信号灯配时设计方法 |
CN107657572A (zh) * | 2017-09-13 | 2018-02-02 | 北京城建设计发展集团股份有限公司 | 基于高频等间距时空轨迹数据的停留点识别方法及系统 |
CN107832778B (zh) * | 2017-10-13 | 2021-07-13 | 中国舰船研究设计中心 | 一种基于空间综合相似度的相同目标识别方法 |
CN108256560B (zh) * | 2017-12-27 | 2021-05-04 | 同济大学 | 一种基于时空聚类的停驻识别方法 |
CN110109899B (zh) * | 2018-01-19 | 2023-09-12 | 阿里巴巴集团控股有限公司 | 物联网数据填补方法、装置及系统 |
CN108765954B (zh) * | 2018-06-13 | 2022-05-24 | 上海应用技术大学 | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 |
CN109297492A (zh) * | 2018-09-06 | 2019-02-01 | 中国电子科技集团公司电子科学研究院 | 一种移动轨迹驻停点的确定方法及装置 |
CN109165245B (zh) * | 2018-09-19 | 2020-06-26 | 北京航空航天大学 | 多源数据融合的移动轨迹生成模型的时空模式挖掘方法 |
CN109471141A (zh) * | 2018-11-12 | 2019-03-15 | 湖南科技大学 | 一种手机记录日常生活和运动轨迹的方法 |
CN109508750A (zh) * | 2018-12-03 | 2019-03-22 | 斑马网络技术有限公司 | 用户起讫点聚类分析方法、装置及存储介质 |
CN111314947B (zh) * | 2018-12-12 | 2022-12-09 | 中兴通讯股份有限公司 | 一种用户识别方法、装置、设备及计算机可读存储介质 |
CN109684384B (zh) * | 2018-12-29 | 2023-03-28 | 太原科技大学 | 一种轨迹数据时空密度分析系统及其分析方法 |
CN110032609B (zh) * | 2019-02-28 | 2023-09-12 | 东南大学 | 一种基于定位数据的生活圈识别方法 |
CN110096566A (zh) * | 2019-06-18 | 2019-08-06 | 武汉中海庭数据技术有限公司 | 一种生成地图车道线的聚类参数的确定方法及系统 |
CN110909037B (zh) * | 2019-10-09 | 2024-02-13 | 中国人民解放军战略支援部队信息工程大学 | 一种频繁轨迹模式的挖掘方法及装置 |
CN110727714A (zh) * | 2019-10-21 | 2020-01-24 | 西南交通大学 | 融合时空聚类和支持向量机的居民出行特征提取方法 |
CN111405483B (zh) * | 2020-03-10 | 2021-07-30 | 腾讯科技(深圳)有限公司 | 行程轨迹生成方法、装置、电子设备及存储介质 |
CN111476494B (zh) * | 2020-04-11 | 2023-05-23 | 重庆交通开投科技发展有限公司 | 基于多源数据精准分析公交人口地理分布的方法 |
CN111665845B (zh) * | 2020-06-24 | 2023-09-22 | 阿波罗智能技术(北京)有限公司 | 用于规划路径的方法、装置、设备以及存储介质 |
CN111931998B (zh) * | 2020-07-27 | 2023-05-02 | 大连海事大学 | 一种基于移动定位数据的个体出行模式预测方法及系统 |
CN112000755B (zh) * | 2020-08-14 | 2024-03-12 | 青岛市城市规划设计研究院 | 一种基于手机信令数据的区域出行廊道识别方法 |
CN112163060A (zh) * | 2020-09-16 | 2021-01-01 | 安徽龙运智能科技有限公司 | 一种大数据技术处理海量gps数据系统 |
CN112182410B (zh) * | 2020-11-05 | 2023-04-21 | 西南交通大学 | 基于时空轨迹知识图谱的用户出行模式挖掘方法 |
CN113570635A (zh) * | 2021-06-03 | 2021-10-29 | 浙江大华技术股份有限公司 | 目标运动轨迹还原方法、装置、电子设备、存储介质 |
CN114219053B (zh) * | 2022-02-23 | 2023-04-18 | 北京淇瑀信息科技有限公司 | 用户位置信息处理方法、装置及电子设备 |
CN117292546B (zh) * | 2023-10-23 | 2024-05-07 | 重庆交通大学 | 一种基于手机gps数据的交通出行方式od计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020284A (zh) * | 2012-12-28 | 2013-04-03 | 刘建勋 | 一种基于时空聚类的出租车载客点推荐方法 |
CN104657424A (zh) * | 2015-01-21 | 2015-05-27 | 段炼 | 一种多时空特征融合下的兴趣点轨迹聚类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8176509B2 (en) * | 2009-06-30 | 2012-05-08 | Yahoo! Inc. | Post processing video to identify interests based on clustered user interactions |
CN103869367A (zh) * | 2014-03-25 | 2014-06-18 | 中南大学 | 一种基于共享密度的地震事件时空聚集模式提取方法 |
-
2016
- 2016-12-22 CN CN201611195128.3A patent/CN106600960B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020284A (zh) * | 2012-12-28 | 2013-04-03 | 刘建勋 | 一种基于时空聚类的出租车载客点推荐方法 |
CN104657424A (zh) * | 2015-01-21 | 2015-05-27 | 段炼 | 一种多时空特征融合下的兴趣点轨迹聚类方法 |
Non-Patent Citations (2)
Title |
---|
基于GPS定位数据的出行端点推断;肖光年;《吉林大学学报》;20160531;第46卷(第3期);第770-776页 * |
基于浮动车数据的城市居民出行行为规律研究;张朋东;《中国优秀硕士学位论文全文数据库工程科技II辑》;20130215(第2期);第31-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106600960A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600960B (zh) | 基于时空聚类分析算法的交通出行起讫点识别方法 | |
CN108320501B (zh) | 基于用户手机信令的公交线路识别方法 | |
Zheng et al. | Detecting collective anomalies from multiple spatio-temporal datasets across different domains | |
CN107958031B (zh) | 基于融合数据的居民出行od分布提取方法 | |
CN106323301B (zh) | 一种道路情报的获取方法及装置 | |
CN112133090A (zh) | 一种基于手机信令数据的多方式交通分布模型构建方法 | |
CN107194525A (zh) | 一种基于手机信令的城市中心评估方法 | |
CN111144452B (zh) | 一种基于信令数据和聚类算法的移动用户出行链提取方法 | |
Fekih et al. | A data-driven approach for origin–destination matrix construction from cellular network signalling data: a case study of Lyon region (France) | |
CN106096631A (zh) | 一种基于手机大数据的流动人口分类识别分析方法 | |
CN109684384B (zh) | 一种轨迹数据时空密度分析系统及其分析方法 | |
CN110969861B (zh) | 一种车辆识别方法、装置、设备及计算机存储介质 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110727714A (zh) | 融合时空聚类和支持向量机的居民出行特征提取方法 | |
Usyukov | Methodology for identifying activities from GPS data streams | |
Ghorpade et al. | An integrated stop-mode detection algorithm for real world smartphone-based travel survey | |
CN112215059B (zh) | 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质 | |
CN108154387B (zh) | 公交车身广告投放线路方案的评估方法及装置 | |
CN111104468B (zh) | 一种基于语义轨迹推断用户活动的方法 | |
Yang et al. | Detecting home and work locations from mobile phone cellular signaling data | |
CN114501336A (zh) | 一种公路出行量测算方法、装置、电子设备及存储介质 | |
CN110933601B (zh) | 目标区域确定方法、装置、设备和介质 | |
Yao et al. | Trip end identification based on spatial-temporal clustering algorithm using smartphone positioning data | |
CN112734216A (zh) | 一种基于通信定位数据的居民出行目的的识别方法 | |
Shen et al. | A method of traffic travel status segmentation based on position trajectories |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20200124 Termination date: 20201222 |
|
CF01 | Termination of patent right due to non-payment of annual fee |