CN107577725A - 一种城市出租车乘客出行特征可视化分析方法 - Google Patents
一种城市出租车乘客出行特征可视化分析方法 Download PDFInfo
- Publication number
- CN107577725A CN107577725A CN201710725052.9A CN201710725052A CN107577725A CN 107577725 A CN107577725 A CN 107577725A CN 201710725052 A CN201710725052 A CN 201710725052A CN 107577725 A CN107577725 A CN 107577725A
- Authority
- CN
- China
- Prior art keywords
- taxi
- point
- mrow
- msub
- characteristicses
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种城市出租车乘客出行特征可视化分析方法,包括:步骤一、提取出租车GPS数据并进行数据清洗;获取出租车的上客点和下客点并聚类;步骤二、利用轨迹压缩算法对清洗后的出租车GPS数据进行压缩,提取轨迹特征点;步骤三、进行可视化前的编码映射;步骤四、可视化展示分析:A)聚集可视化:根据获取到的出租车的上客点和下客点聚类结果,利用聚类分布图对数据显示,得到出租车的上客点和下客点分布时空概览图;B)特征可视化:对不同的数据特征采用不同的可视化组件对数据时空模式进行挖掘,并进行出租车的行驶轨迹可视化分析、乘客出行特征可视化分析、乘客出行特征对比分析。本发明为探索乘客出行特征分析提供了一种简单明了的表现形式。
Description
技术领域
本发明涉及交通数据可视化领域,具体为一种城市出租车乘客出行特征可视化分析方法。
背景技术
GPS地理感知设备日渐普及,车辆、人等的移动轨迹数据量急剧增加,分析这些数据能帮助人们认知身边的城市,为相关部门人员提供丰富、准确的辅助信息。出租车作为城市交通的重要组成部分,对于反映居民出行时空规律具有重要指征作用。如何有效地挖掘、分析出租车GPS轨迹数据显得十分重要,其结果可以应用于城市规划、智能交通等领域。
就出租车而言,以西安市为例,一天产生的出租车数据量达2GB,有效的理解和利用这些数据不仅需要自动高效的分析方法,也需要直观生动的可视化来展示。
近年来,轨迹数据的可视化技术得到很大的发展。目前交通轨迹数据的可视化主要集中在道路交通流、交通事件等方面,而当研究特征为标量时,也大多是采用简单的图表效果。目前还未有关于城市出租车乘客出行特征的可视化分析方法。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种城市出租车乘客出行特征可视化分析方法,利用可视化技术进行基于网页的交互式分析,借助Leaflet.js地图和D3.js等相关技术,结合地图和其它视图多方位探索分析出租车乘客出行特征,将复杂的数据转换为直观、动态交互的图形图像,使用户通过视觉感知手段发现数据中隐藏的时空规律、直观地掌握城市出租车乘客的出行特征,同时也为结合多个可视化方法分析轨迹数据提供新的路径。
为了实现上述目的,本发明采用的技术方案为:包括以下步骤:
步骤一、提取出租车GPS数据并进行数据清洗;获取出租车的上客点和下客点并聚类;
步骤二、利用轨迹压缩算法对清洗后的出租车GPS数据进行压缩,提取轨迹特征点;
步骤三、进行可视化前的编码映射;
步骤四、可视化展示分析:
A)聚集可视化:根据获取到的出租车的上客点和下客点聚类结果,利用聚类分布图对数据进行显示,得到出租车的上客点和下客点分布时空概览图;
B)特征可视化:对不同的数据特征采用不同的可视化组件对数据时空模式进行挖掘,并进行出租车的行驶轨迹可视化分析、乘客出行特征可视化分析、乘客出行特征对比分析。
步骤一中数据清洗包括剔除经纬度越界和异常数据,异常包括格式错误及时间间隔不是30s;获取出租车的上客点和下客点时使用二次排序,首先将出租车按车牌号分组并排序,然后在每组内按时间字段排序,最后根据车辆状态字段提取4→5为上客点、5→4为下客点;车辆状态字段分为:0.无状态位;1.防劫;2.签到;3.签退;4.空车;5.重车;6.点火;7.熄火。
所述步骤一通过基于密度的G-DBSCAN聚类算法对出租车的上客点和下客点进行聚类。
所述的步骤二采用距离阈值和速度差值阈值共同提取轨迹特征点;
所述的轨迹压缩算法中速度差值的计算方法为:
2.1.计算轨迹点p0到pi之间的平均速度
2.2.计算轨迹点的速度差值ΔSpeed;
式中的i代表每个轨迹点的编号,v是轨迹点的当前速度。
步骤三可视化前的编码映射包括颜色编码和时间编码;颜色编码包括在绘制车辆行驶轨迹时,引入颜色饱和度α编码车辆轨迹的亮度,每个轨迹点对应的颜色饱和度αi计算公式为:
式中的vimax分别表示当前绘制的轨迹平均速度和最大速度;
所述的时间编码是指采用动画来表示车辆轨迹数据中的时间流动方向。
特征可视化采用包含地图和平行坐标的视图显示轨迹特征点来可视化出租车的行驶轨迹;利用包含分页柱状图和箱线图可视化出租车乘客出行特征,出租车乘客出行特征包括车辆数、出行量、实载率及出行需求;利用交互式平行坐标视图来对比分析乘客出行特征之间的关联。
所述的出租车行驶轨迹可视化分析包括:首先对出租车的行驶轨迹进行压缩,利用格式刷的方式进行交互分析,通过平行坐标图的筛选,在地图上绘制对应的轨迹,观察各个时间段车辆的运行状态,通过平行坐标图对车辆速度以及是否载客的信息进行了解。所述的乘客出行特征可视化分析包括:对乘客某一时间段出行特征的统计信息,采用柱状图和箱线图结合的方式对比其随时间的变化规律,柱状图对比观察每天各时段的变化,箱线图反映每天出租车的平均需求量以及最大、最小值,箱线图上移动光标显示需求车辆数据。所述的乘客出行特征对比分析通过某个或多个属性筛选,从不同维度可视化分析出行特征的潜在规律。
与现有技术相比,本发明具有如下的有益效果:经过基本的数据处理之后,综合进行聚集可视化和特征可视化,聚集可视化具有能够支持大量轨迹数据可视分析的优点,而特征可视化能够直接研究用户最关注的特征,在分析任务明确时通常能够给出最相关的结果。本发明结合两种可视化方法,实现了城市出租车乘客出行特征的可视化设计方案。首先,通过数据处理得到了能够用于可视化的特征数据,然后对乘客上下车点进行聚集可视化,并利用多视图协同交互的方法对轨迹数据进行了特征可视化,最后根据可视化结果对城市出租车乘客出行时空分布情况进行了分析。本发明为探索乘客出行特征分析提供了一种简单明了的表现形式,经过实际验证,基于西安市出租车GPS轨迹数据集的实例分析结果表明该可视化设计方法能够直观地揭示城市出租车乘客出行特征在时空分布上的变化规律。
附图说明
图1本发明轨迹和特征数据可视化设计流程图;
图2本发明利用西安市某天出租车GPS轨迹数据得到的出租车乘客上客点聚类分布图;
图3本发明提取的该天早上5-7点某辆车的运行路线图:(a)为本发明的出租车运行轨迹可视化界面,(b)为本发明的出租车GPS轨迹数据点的可视化界面。
图4本发明利用西安市一周出租车轨迹数据提取的出行需求变化情况图。
图5本发明利用西安市一周出租车轨迹数据提取的出行特征信息对比分析图。
具体实施方式
下面结合实施例及附图对本发明作进一步说明。
本发明设计实施过程借助Leaflet.js地图和D3.js等相关技术,主要有全局的上/下客点聚类分布,多视图协同的出租车运行路线图以及一周车辆出行特征分析图,最后还有多个出行特征的关联分析图,其中数据处理主要采用Java语言进行编写。
本发明城市出租车乘客出行特征可视化分析方法包括以下几个步骤:
S1:出租车GPS轨迹数据处理:首先将出租车GPS数据进行提取,包括数据清洗;提取上/下客点及聚类;轨迹数据压缩;提取出行特征数据(标量);
其中出租车GPS原始轨迹数据包含八个字段,字段间由逗号分隔,从清洗后的数据中选择一条数据,对应的各字段含义如下表1所示。
表1出租车GPS轨迹数据字段含义
GPS_ID | 车牌号 | 时间 | 经度 | 纬度 | 速度 | 方向 | 状态 |
114 | 陕AU1881 | 2011-06-09 17:03:14 | 108.923089 | 34.188038 | 73 | 98 | 5 |
具体步骤如下:
S1.1:数据清洗:由于GPS设备故障或其它异常原因,使出租车GPS轨迹数据存在杂乱、重复及不完整的数据,若不清洗而直接应用,会直接或间接影响结果的准确性。数据清洗主要包括剔除经纬度越界、异常(数据格式错误、时间间隔不是30s)数据;
S1.2:提取上/下客点:提取上下客点时,使用了二次排序,先把出租车按车牌号分组,第一次是对车牌号进行排序,然后在每组内按时间字段排序。再根据“车辆状态”字段提取:4→5为上客点,5→4为下客点;
S1.3:采用基于密度的G-DBSCAN聚类算法对S1.2提取的上/下客点进行聚类;
S1.4:轨迹数据压缩:利用设计的自适应轨迹压缩算法,采用距离阈值和速度差值阈值共同确定轨迹中的特征点,对清洗后的出租车GPS轨迹数据进行压缩,该算法能准确确定出租车GPS轨迹数据中的特征点,为后期绘制出租车轨迹提供了保障。
其中S1.4中速度差值的计算包括如下步骤:
S1.4.1:出租车GPS轨迹点p0到pi之间的平均速度记为计算方法如下:
式中的i代表每个轨迹点的编号,v是轨迹点的当前速度。
S1.4.2:出租车GPS轨迹点的速度差值记为ΔSpeed,其计算公式如下:
其中,为轨迹点p0到pi之间的平均速度,其计算方法如S1.4.1中释义。
S2:可视化编码:进行可视化前的编码映射,包括颜色编码和时间编码,步骤如下:
S2.1:颜色编码:在绘制车辆行驶轨迹时,引入颜色饱和度α来编码车辆轨迹的亮度,每个轨迹点对应的颜色饱和度αi计算公式为:
其中vimax分别表示当前绘制的轨迹平均速度和最大速度。
S2.2:时间编码:考虑到地图道路宽度有限,绘制轨迹时的原则是尽量减小时间编码对地图的遮挡。因此,采用动画来表示车辆轨迹数据中时间流动方向。
S3:可视化展示分析:集成聚集可视化和特征可视化,来展示通过数据处理得到可用于可视化的特征数据;在将出租车GPS轨迹数据可视化的时候,根据数据处理后,不同的数据特征采用了不同的可视化组件来对数据的时空模式进行挖掘。包括如下步骤:
S3.1:聚集可视化:利用利用聚类分布图显示S1.3所生成的数据,得到出租车乘客上/下客点分布时空概览图。
S3.2:特征可视化:利用包含地图和平行坐标视图显示S1.4所生成的数据,可视化出租车的行驶轨迹;利用包含分页柱状图和箱线图可视化出租车乘客出行特征(车辆数、出行量、实载率及出行需求等标量);利用交互式平行坐标视图对比分析乘客出行特征关联。
S3.2.1:出租车的行驶轨迹可视化分析
采用地图和交互式平行坐标图相结合的方式绘制轨迹。首先对轨迹进行了压缩,利用格式刷的方式进行交互分析,通过平行坐标图的筛选,在地图上绘制对应的轨迹,可以观察各个时间段车辆的运行状态,而通过平行坐标图可以了解车辆速度、是否载客等信息。为了清晰的显示车辆运行轨迹,重新调整了地图底图的整体配色方案,隐藏了各交通干道和一些街道小建筑标志,留下一些标志性的建筑。时间编码是采用动画,颜色的亮度由α控制。
S3.2.2:出租车乘客出行特征可视化分析
在地图上可以从空间上展示出租车乘客的出行特征,但是对于车辆数、出行量、实载率以及出行需求等出行特征(标量)随时间的变化规律,就必须结合其它可视化方式。因此本发明采用多视图协同的方式进行可视化。本发明选择一周出租车需求量作为实例,实验中是用出租车的数量与实载比率的乘积来反应出租车需求状况的。
对于出租车乘客一周出行特征的统计信息,采用柱状图和箱线图结合的方式对比其随时间的变化规律,柱状图对比反映一周每天各个时间段的变化;箱线图反映每天的出租车平均需求量以及最大、最小值,如果在箱线图上移动光标,会有数据显示,该数据为需求车辆数。
S3.2.3:出租车乘客出行特征对比分析
利用平行坐标图展现各出行特征之间的关联变化,并在平行坐标图上设置了刷子、交换坐标轴等操作,可以通过对某个或多个属性进行筛选,从不同维度可视化分析出行特征的潜在规律。平行坐标图下半部的数据表进行排序等操作,并和上面的平行坐标图是相关联的。
图2为本发明利用西安市2011年6月3号一天的出租车GPS轨迹数据得到的出租车乘客上客点聚类分布图。图3为本发明提取的2011年6月3号早上5-7点一辆车的运行路线图。图4为本发明利用西安市2011年6月1-7号的轨迹数据提取的出行需求信息,得到出租车一周出行需求变化情况。图5为本发明利用西安市2011年6月1-7号的轨迹数据提取的车辆数、出行需求、实载率等一周出行特征信息,得到的出租车出行特征对比分析图。
图示结果分析如下:
图2至图5分别为两种可视化方法得到的西安市出租车乘客出行时空特征图,多角度探索分析了城市出租车乘客出行特征。图2是利用聚类思想,绘制的上客点分布聚类图。图3采用地图和平行坐标图结合的方式可视化出租车行驶轨迹,可视化效果简单明了、易操作。图4以出行需求为例,利用不同视图探索出租车出行需求量。同理也可以加载其它出行特征数据进行可视化分析。图5利用交互式平行坐标图来分析出行特征之间的关联。
根据可视化结果,结合西安市发展现状,总结出以下几个有关西安市出租车乘客的出行特征的时空特点:
a.图2表明上客点的分布和西安市主要交通活动热点的空间分布具有较高的吻合性,市区的上客点明显高于城郊、乡镇,这是因为市区人们生活水平较高,上班族较多。在三环以外的地区,咸阳机场附近却明显高于其它地方。此外,根据西安市实际的就业集中地和居住地密度较高的地区,这些地方点的分布也明显密集,从而进一步说明了出租车乘客的出行特征与实际交通行为空间的一致性。
b.图3表明早高峰阶段车辆行驶速度较低,但是实载率较高,并且车辆行驶的路径也都在市区内。这是因为市区内早高峰阶段人们可能因为出行时间紧张,因此出租车载客率高,道路车流量大,车辆行驶速度也相对较低。
c.出租车出行不同于公交、地铁等常规公共交通出行,在研究其出行行为时,交通量数据会呈现出周期性规律。以出行需求分析为例,实验中是用出租车的数量与实载比率的乘积来反应出租车需求状况的,图4表明凌晨0-7时是一天内需求的最低时段,有明显的早晚高峰;6月1号是儿童节,6月6号是端午节,得出节假日的需求变化特征明显与工作日不同,除了同比工作日早高峰时间略高外,其他时间段需求明显均比较高。
d.图5通过平行坐标图对比了一周出租车运行车辆数、出行量、实载率、出行需求,可以观察到各个特征之间的关联。例如实载率在0.8左右时,可以看出出租车需求状况与平均实载率相符合,对应的时间多为周内的早、晚高峰,车辆数和需求量也比较高,操作平行坐标图,可以观察各个特征在不同时间段、节假日和工作日的变化。
Claims (9)
1.一种城市出租车乘客出行特征可视化分析方法,其特征在于,包括以下步骤:
步骤一、提取出租车GPS数据并进行数据清洗;获取出租车的上客点和下客点并聚类;
步骤二、利用轨迹压缩算法对清洗后的出租车GPS数据进行压缩,提取轨迹特征点;
步骤三、进行可视化前的编码映射;
步骤四、可视化展示分析:
A)聚集可视化:根据获取到的出租车的上客点和下客点聚类结果,利用聚类分布图对数据进行显示,得到出租车的上客点和下客点分布时空概览图;
B)特征可视化:对不同的数据特征采用不同的可视化组件对数据时空模式进行挖掘,并进行出租车的行驶轨迹可视化分析、乘客出行特征可视化分析、乘客出行特征对比分析。
2.根据权利要求1所述的城市出租车乘客出行特征可视化分析方法,其特征在于:所述的步骤一中数据清洗包括剔除经纬度越界和异常数据,异常包括格式错误及时间间隔不是30s;
获取出租车的上客点和下客点时使用二次排序,首先将出租车按车牌号分组并排序,然后在每组内按时间字段排序,最后根据车辆状态字段提取4→5为上客点、5→4为下客点;车辆状态字段分为:0.无状态位;1.防劫;2.签到;3.签退;4.空车;5.重车;6.点火;7.熄火。
3.根据权利要求1所述的城市出租车乘客出行特征可视化分析方法,其特征在于:所述的步骤一通过基于密度的G-DBSCAN聚类算法对出租车的上客点和下客点进行聚类。
4.根据权利要求1所述的城市出租车乘客出行特征可视化分析方法,其特征在于:所述的步骤二采用距离阈值和速度差值阈值共同提取轨迹特征点;
所述的轨迹压缩算法中速度差值的计算方法为:
2.1.计算轨迹点p0到pi之间的平均速度
<mrow>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>i</mi>
<mo>*</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<mi>v</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>*</mo>
<mi>v</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
2.2.计算轨迹点的速度差值ΔSpeed;
<mrow>
<mi>&Delta;</mi>
<mi>S</mi>
<mi>p</mi>
<mi>e</mi>
<mi>e</mi>
<mi>d</mi>
<mo>=</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>v</mi>
<mo>-</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>;</mo>
</mrow>
式中的i代表每个轨迹点的编号,v是轨迹点的当前速度。
5.根据权利要求1所述的城市出租车乘客出行特征可视化分析方法,其特征在于:所述的步骤三可视化前的编码映射包括颜色编码和时间编码;颜色编码包括在绘制车辆行驶轨迹时,引入颜色饱和度α来编码车辆轨迹的亮度,每个轨迹点对应的颜色饱和度αi计算公式为:
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
式中的vimax分别表示当前绘制的轨迹平均速度和最大速度;
所述的时间编码是指采用动画来表示车辆轨迹数据中的时间流动方向。
6.根据权利要求1所述的城市出租车乘客出行特征可视化分析方法,其特征在于:特征可视化采用包含地图和平行坐标的视图显示轨迹特征点来可视化出租车的行驶轨迹;利用包含分页柱状图和箱线图可视化出租车乘客出行特征,出租车乘客出行特征包括车辆数、出行量、实载率以及出行需求;利用交互式平行坐标视图来对比分析乘客出行特征之间的关联。
7.根据权利要求1所述的城市出租车乘客出行特征可视化分析方法,其特征在于,所述的出租车行驶轨迹可视化分析包括:首先对出租车的行驶轨迹进行压缩,利用格式刷的方式进行交互分析,通过平行坐标图的筛选,在地图上绘制对应的轨迹,观察各个时间段车辆的运行状态,通过平行坐标图对车辆速度以及是否载客的信息进行了解。
8.根据权利要求1所述的城市出租车乘客出行特征可视化分析方法,其特征在于,所述的乘客出行特征可视化分析包括:对乘客某一时间段出行特征的统计信息,采用柱状图和箱线图结合的方式对比其随时间的变化规律,柱状图对比观察每天各时段的变化,箱线图反映每天出租车的平均需求量以及最大、最小值,箱线图上移动光标显示需求车辆数据。
9.根据权利要求1所述的城市出租车乘客出行特征可视化分析方法,其特征在于,乘客出行特征对比分析通过某个或多个属性筛选,从不同维度可视化分析出行特征的潜在规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725052.9A CN107577725A (zh) | 2017-08-22 | 2017-08-22 | 一种城市出租车乘客出行特征可视化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725052.9A CN107577725A (zh) | 2017-08-22 | 2017-08-22 | 一种城市出租车乘客出行特征可视化分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107577725A true CN107577725A (zh) | 2018-01-12 |
Family
ID=61034783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710725052.9A Pending CN107577725A (zh) | 2017-08-22 | 2017-08-22 | 一种城市出租车乘客出行特征可视化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107577725A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959466A (zh) * | 2018-06-20 | 2018-12-07 | 淮阴工学院 | 基于bcs-dbscan的出租车载客热点可视化方法及系统 |
CN109254984A (zh) * | 2018-10-16 | 2019-01-22 | 杭州电子科技大学 | 基于od数据感知城市动态结构演化规律的可视分析方法 |
CN109581444A (zh) * | 2018-11-01 | 2019-04-05 | 西北大学 | 一种gps轨迹分段及语义标注方法 |
CN109858567A (zh) * | 2019-03-06 | 2019-06-07 | 上海赢科信息技术有限公司 | 车主的出行形态的判断方法及系统 |
CN109859516A (zh) * | 2019-03-13 | 2019-06-07 | 重庆皓石金科技有限公司 | 一种出租汽车异常聚集识别方法及装置 |
CN109885639A (zh) * | 2019-03-21 | 2019-06-14 | 江苏智通交通科技有限公司 | 可视化的出租车上下车特征分析方法 |
CN110097074A (zh) * | 2019-03-19 | 2019-08-06 | 中国科学院信息工程研究所 | 一种基于序列相似度的车辆轨迹压缩方法 |
CN110119482A (zh) * | 2019-05-13 | 2019-08-13 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
CN110728305A (zh) * | 2019-09-16 | 2020-01-24 | 南京信息工程大学 | 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法 |
CN112150017A (zh) * | 2020-09-28 | 2020-12-29 | 四川交通职业技术学院 | 一种基于互联网大数据的城市客运资源配置方法 |
CN112686327A (zh) * | 2021-01-05 | 2021-04-20 | 重庆邮电大学 | 一种基于轨迹三重特征聚类的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544834A (zh) * | 2013-11-14 | 2014-01-29 | 孙林 | 一种基于gps轨迹的出租车寻客策略选优方法 |
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 |
CN105469435A (zh) * | 2016-01-20 | 2016-04-06 | 北京格灵深瞳信息技术有限公司 | 一种轨迹压缩方法及装置 |
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 |
-
2017
- 2017-08-22 CN CN201710725052.9A patent/CN107577725A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544834A (zh) * | 2013-11-14 | 2014-01-29 | 孙林 | 一种基于gps轨迹的出租车寻客策略选优方法 |
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 |
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 |
CN105469435A (zh) * | 2016-01-20 | 2016-04-06 | 北京格灵深瞳信息技术有限公司 | 一种轨迹压缩方法及装置 |
Non-Patent Citations (3)
Title |
---|
吴家皋 等: "基于综合时空特性的混合式轨迹压缩算法", 《计算机应用》 * |
段宗涛 等: "基于Spark平台城市出租车乘客出行特征分析", 《计算机系统应用》 * |
赵利刚: "基于出租车轨迹数据的载客情况可视化分析", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959466A (zh) * | 2018-06-20 | 2018-12-07 | 淮阴工学院 | 基于bcs-dbscan的出租车载客热点可视化方法及系统 |
CN108959466B (zh) * | 2018-06-20 | 2020-06-02 | 淮阴工学院 | 基于bcs-dbscan的出租车载客热点可视化方法及系统 |
CN109254984A (zh) * | 2018-10-16 | 2019-01-22 | 杭州电子科技大学 | 基于od数据感知城市动态结构演化规律的可视分析方法 |
CN109254984B (zh) * | 2018-10-16 | 2020-10-23 | 杭州电子科技大学 | 基于od数据感知城市动态结构演化规律的可视分析方法 |
CN109581444A (zh) * | 2018-11-01 | 2019-04-05 | 西北大学 | 一种gps轨迹分段及语义标注方法 |
CN109581444B (zh) * | 2018-11-01 | 2023-01-13 | 西北大学 | 一种gps轨迹分段及语义标注方法 |
CN109858567A (zh) * | 2019-03-06 | 2019-06-07 | 上海赢科信息技术有限公司 | 车主的出行形态的判断方法及系统 |
CN109859516A (zh) * | 2019-03-13 | 2019-06-07 | 重庆皓石金科技有限公司 | 一种出租汽车异常聚集识别方法及装置 |
CN110097074A (zh) * | 2019-03-19 | 2019-08-06 | 中国科学院信息工程研究所 | 一种基于序列相似度的车辆轨迹压缩方法 |
CN109885639A (zh) * | 2019-03-21 | 2019-06-14 | 江苏智通交通科技有限公司 | 可视化的出租车上下车特征分析方法 |
WO2020186770A1 (zh) * | 2019-03-21 | 2020-09-24 | 江苏智通交通科技有限公司 | 可视化的出租车上下车特征分析方法 |
CN110119482A (zh) * | 2019-05-13 | 2019-08-13 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
CN110119482B (zh) * | 2019-05-13 | 2021-04-06 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
CN110728305A (zh) * | 2019-09-16 | 2020-01-24 | 南京信息工程大学 | 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法 |
CN110728305B (zh) * | 2019-09-16 | 2024-01-05 | 南京信息工程大学 | 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法 |
CN112150017A (zh) * | 2020-09-28 | 2020-12-29 | 四川交通职业技术学院 | 一种基于互联网大数据的城市客运资源配置方法 |
CN112686327A (zh) * | 2021-01-05 | 2021-04-20 | 重庆邮电大学 | 一种基于轨迹三重特征聚类的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107577725A (zh) | 一种城市出租车乘客出行特征可视化分析方法 | |
Zhao et al. | Uncovering the spatiotemporal patterns of CO2 emissions by taxis based on Individuals' daily travel | |
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
Andrienko et al. | Spatio-temporal aggregation for visual analysis of movements | |
Tominski et al. | Stacking-based visualization of trajectory attribute data | |
Andrienko et al. | A general framework for using aggregation in visual exploration of movement data | |
Wang | Integrating GIS, simulation models, and visualization in traffic impact analysis | |
CN103020222B (zh) | 用于车辆gps数据分析与异常监测的可视挖掘方法 | |
Jiang et al. | Large-scale taxi O/D visual analytics for understanding metropolitan human movement patterns | |
CN105095481A (zh) | 大规模出租车od数据可视分析方法 | |
Zhao et al. | Space-time dynamics of cab drivers' stay behaviors and their relationships with built environment characteristics | |
CN109388663A (zh) | 一种面向社会安全领域的大数据智能分析平台 | |
CN106294679A (zh) | 一种基于地铁数据进行站点聚类的可视化方法 | |
CN112288048A (zh) | 一种基于多源数据驱动的城市人群出行识别方法 | |
CN113378891A (zh) | 基于轨迹分布表示的城市区域关系可视分析方法 | |
CN110442662A (zh) | 一种确定用户属性信息的方法以及信息推送方法 | |
CN110837973B (zh) | 一种基于交通出行数据的人类出行选择信息挖掘方法 | |
CN113806419A (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
Chaolong et al. | Research on visualization of multi-dimensional real-time traffic data stream based on cloud computing | |
CN112184088A (zh) | 一种基于多源数据的城市可骑行性评价方法及系统 | |
CN115114533A (zh) | 基于知识图谱的公共交通出行用户画像构建方法及系统 | |
CN108932592A (zh) | 一种列车开行方案与列车运行图的分析方法及装置 | |
CN109740957B (zh) | 一种城市交通网络节点分类方法 | |
Gomes et al. | Interactive visualization of traffic dynamics based on trajectory data | |
Cao et al. | Application of big data visualization in urban planning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180112 |