CN108510008A - 一种基于浮动车轨迹点空间关系和分布的路网提取方法 - Google Patents
一种基于浮动车轨迹点空间关系和分布的路网提取方法 Download PDFInfo
- Publication number
- CN108510008A CN108510008A CN201810318817.1A CN201810318817A CN108510008A CN 108510008 A CN108510008 A CN 108510008A CN 201810318817 A CN201810318817 A CN 201810318817A CN 108510008 A CN108510008 A CN 108510008A
- Authority
- CN
- China
- Prior art keywords
- point
- tracing point
- cell
- core
- tracing
- 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
Abstract
本发明涉及一种基于浮动车轨迹点空间关系和分布的路网提取方法,包括如下步骤:S1:数据转换与清理;S2:建立两层空间网格索引G;S3:计算轨迹点空间分布F;S4:基于轨迹点空间分布计算核心点候选集H;S5:计算核心点P,计算核心点候选集的几何质心,在核心点候选集H中,距离质心最近的轨迹点即标记为核心点;S6:核心点连接,基于轨迹点方向聚类的方法,并考虑空间距离的因素,得到相邻网格间的交通关联度函数C(A,B),将同类方向中交通关联度函数C(A,B)最大的核心点连接;S7:将所有核心点连接后,即提取出路网。其具有运行稳定可靠、路网提取效率高且精度准确、能够适用于多种条件下的浮动车数据等优点。
Description
技术领域
本发明涉及基于浮动车轨迹大数据的应用技术领域,尤其涉及一种基于浮动车轨迹点空间关系和分布的路网提取方法。
背景技术
浮动车技术是近年来智能交通系统中常采用的动态交通采集技术之一,其突出优点是能够通过少量装有基于卫星定位的车载设备的浮动车获得准确、实时的动态交通信息,成本低且效率高,具有实时性强、覆盖范围大的特点。
传统的路网提取方法主要分为实地测绘方法和基于遥感影像的生成方法两种。前者准确率较高,但耗时耗力,且信息更新周期较长;后者能够自动生成路网,但精度容易受光照、天气和植被等环境因素影响,且影像的更新周期较长。总之,传统的路网提取方法在实际应用时存在较大的缺点。
随着路网提取方法的研究不断深入,部分学者提出了:基于拐点或交叉点的方法、基于轨迹聚类的方法、基于KDE(核密度估计)的方法等。这些算法有的对浮动车数据采集频率要求高(相邻轨迹点采集时间间隔小于10秒),但是适用于城市路网,应用空间相对狭隘;有的需要一定精度的电子地图作为研究基础,也即是说研究的平台要求相对较高;有的算法构造的路网较准确,但是覆盖性不好,且时间效率很低,不利于推广应用。而对于低频率采样(相邻轨迹点采集时间间隔半分钟左右)浮动车数据,现有的基于浮动车轨迹的路网提取算法无法很好适用于普通公路的提取。
基于上述研究背景,本发明提出一种能够克服传统路网提取方法中存在的上述缺陷或者不足,以及近些年部分学者提出的路网提取方法中缺点的路网提取方法。
发明内容
本发明的目的在于提出一种基于浮动车轨迹点空间关系和分布的路网提取方法,其具有运行稳定可靠、路网提取效率高且精度准确、能够适用于多种条件下的浮动车数据等优点。
为了达到上述目的,本发明采用如下技术方案实现:
一种基于浮动车轨迹点空间关系和分布的路网提取方法,该方法包括如下步骤:
S1:数据转换与清理:将原始的浮动车位置数据按照浮动车唯一标识码和数据采集时间,转换为浮动车轨迹时间序列数据,并清理空间重复的轨迹点,以及位置明显漂移的浮动车数据;
S2:建立两层空间网格索引G;
S3:计算轨迹点空间分布F;
S4:基于轨迹点空间分布计算核心点候选集H;
S5:计算核心点P:计算核心点候选集的几何质心,在核心点候选集H中,距离质心最近的轨迹点即标记为核心点;
S6:核心点连接:基于轨迹点方向聚类的方法,并考虑空间距离的因素,得到相邻网格间的交通关联度函数C(A,B),将同类方向中交通关联度函数C(A,B)最大的核心点连接;
S7:将所有核心点连接后,即提取出路网。
其中,所述步骤S2中两层网格索引G的建立方法包括:
S21:首先对浮动车数据所在空间进行单元格划分,建立每个单元格与每个浮动车轨迹点的双向空间映射,此映射为第一层空间索引;
S22:然后对每个单元格进行四叉树划分,建立每个子区域与每个浮动车轨迹点的双向空间映射,此映射为第二层空间索引。
其中,所述步骤S3中轨迹点空间分布的F的计算方法包括:
S31:首先将单元格内的子区域空间编码为0-3,4-7,分别代表单元格内划分的4个子区域,即“口”型子区域,和每两个相邻子区域组成的4个长方形区域,即“I”型子区域;
S32:然后统计8个子区域内的轨迹点数量;
S33:针对“口”型子区域,判断是否存在某个子区域轨迹点数量占比大于50%,且其他3个子区域轨迹点数量占比都小于16%,如果存在,则该“口”型子区域编码就为该单元格内轨迹点的空间分布编码;如果不存在,转到S34;
S34:找出轨迹点数量最多的“I”型子区域,如果其轨迹点数量占比大于60%,则该“I”型子区域编码就为该单元格内轨迹点的空间分布编码,如果都不满足,则标记该单元格轨迹点分布编码为-1。
其中,所述步骤S4总候选点集H的选取方法包括:
S41:如果单元格A的空间分布编码FA∈{0-7},说明该单元格A内的轨迹点集中在靠近边界某个“口”型或“I”型子区域中,区域编码为FA,然后考察与该子区域空间相邻的其他单元格的空间分布,转到S42;如果FA=-1,转到S43;
S42:若存在相邻单元格B:其空间分布为FB,且FB区域在空间上与FA区域直接相邻,则认为FB区域与FA区域中的轨迹点属于同一聚类,添加FB区域与FA区域中的轨迹点到同一个候选轨迹点集中;若不存在这样的相邻单元格,则转到S43;
S43:判断单元格A中的轨迹点是否为少量点或离散点,即是否为“噪音”,判断方法为:如果FA=-1且Count(P(A))≤20,则单元格A中的轨迹点标记为少量点或离散点;如果FA∈{0-7},但相邻单元格内轨迹点没有集中在单元格A的边界,且相邻单元格又存在核心点,则本网格中轨迹点被认为是少量点或离散点;如果本网格中轨迹点不属于少量点或离散点,则添加到核心点候选集H。
其中,所述步骤S6中交通关联度函数C(A,B)的计算方法包括:
S61:以每个单元格A中核心点为原点,计算周围单元格核心点的方向角θ;
S62:计算周围单元格核心点与单元格A中核心点的距离d;
S63:对单元格A内轨迹点方向聚类,统计与方向角θ相近的轨迹点数量;
S64:计算相邻周围单元格与单元格A的交通关联度函数C,使用如下公式计算:
式中θi(A)为单元格A内第i个轨迹点的方向角,θB为单元格B中核心点的方向角,count(|θi(A)-θB|<α)表示单元格A网格内轨迹点指向单元格B网格内核心点的数量,α为角度阈值,指向单元格B核心点的轨迹点被认为会经过单元格B,d(Pa,Pb)表示单元格A中核心点与单元格B中核心点的距离;从上式中可以看出,两个相邻区域的交通关联度与经过这两个区域的轨迹点数量成正比,与这两个区域的距离成反比。
采用本发明基于浮动车轨迹点空间关系和分布的路网提取方法具有如下有益效果:
(1)相对于基于遥感影像的路网提取方法,本发明以大规模浮动车轨迹数据为基础,数据量大、时空范围广,不受光照、云雾等气候条件以及树木等自然条件影响,能够真实、全面反映路网结构;
(2)相对于基于浮动车轨迹点密度聚类的路网提取方法,本发明采用两层空间网格索引,建立浮动车轨迹点和空间网格的双向映射,提高了道路核心点和路网线位提取的时间效率;
(3)相对于基于浮动车轨迹聚类或者交叉点连接的路网提取方法,本发明充分使用统计意义上的轨迹点方向信息,并基于道路上下游的交通相关性,设计了相邻区域的交通关联度,使低频率采集的浮动车数据能够满足路网提取算法的要求。
附图说明
图1为本发明基于浮动车轨迹点空间关系和分布的路网提取方法的流程示意图;
图2为本发明浮动车原始轨迹点分布图,其中,2(a)为转换后的轨迹点空间分布图,图2(b)为图2(a)中的局部区域放大图;
图3为本发明两层空间网格索引示意图,其中,3(a)为第一层空间网格索引示意图;3(b)为第二层空间网格索引示意图;
图4为本发明划分的网格子区域编码示意图,其中,4a为“口”型子区域,4b为“I”型子区域;
图5为本发明的轨迹点空间分布编码示意图,其中,图5(a)为“口”型子区域内轨迹点的空间分布编码,图5(b)为“I”型子区域内轨迹点的空间分布编码;
图6为本发明选取核心点候选集方法流程图;
图7为本发明选取核心点候选集方法示意图;
图8为本发明提取的核心轨迹点分布图;
图9为本发明的核心点连接方法流程图;
图10为本发明的核心点连接示意图;
图11为本发明与其他方法提取的路网矢量对比图,其中,图11(a)是使用本发明提取路网的效果图,图11(b)是结合浮动车原始轨迹点和遥感影像人工矢量化的实际路网效果图,图11(c)是利用基于密度的空间聚类方法——DBSCAN方法提取的路网效果图,图11(d)是利用遥感影像基于图像识别的方法提取的路网效果图。
具体实施方式
一种基于浮动车轨迹点空间关系和分布的路网提取方法,该方法包括如下步骤:
S1:数据转换与清理:将原始的浮动车位置数据按照浮动车唯一标识码和数据采集时间,转换为浮动车轨迹时间序列数据,并清理空间重复的轨迹点,以及位置明显漂移的浮动车数据;
S2:建立两层空间网格索引G;
S3:计算轨迹点空间分布F;
S4:基于轨迹点空间分布计算核心点候选集H;
S5:计算核心点P:计算核心点候选集的几何质心,在核心点候选集H中,距离质心最近的轨迹点即标记为核心点;
S6:核心点连接:基于轨迹点方向聚类的方法,并考虑空间距离的因素,得到相邻网格间的交通关联度函数C(A,B),将同类方向中交通关联度函数C(A,B)最大的核心点连接;
S7:将所有核心点连接后,即提取出路网。
其中,所述步骤S2:中两层网格索引G的建立方法包括:
S21:首先对浮动车数据所在空间进行单元格划分,建立每个单元格与每个浮动车轨迹点的双向空间映射,此映射为第一层空间索引;
S22:然后对每个单元格进行四叉树划分,建立每个子区域与每个浮动车轨迹点的双向空间映射,此映射为第二层空间索引。
其中,所述步骤S3中轨迹点空间分布的F的计算方法包括:
S31:首先将单元格内的子区域空间编码为0-3,4-7,分别代表单元格内划分的4个子区域,即“口”型子区域,和每两个相邻子区域组成的4个长方形区域,即“I”型子区域;
S32:然后统计8个子区域内的轨迹点数量;
S33:针对“口”型子区域,判断是否存在某个子区域轨迹点数量占比大于50%,且其他3个子区域轨迹点数量占比都小于16%,如果存在,则该“口”型子区域编码就为该单元格内轨迹点的空间分布编码;如果不存在,转到S34;
S34:找出轨迹点数量最多的“I”型子区域,如果其轨迹点数量占比大于60%,则该“I”型子区域编码就为该单元格内轨迹点的空间分布编码,如果都不满足,则标记该单元格轨迹点分布编码为-1。
其中,所述步骤S4总候选点集H的选取方法包括:
S41:如果单元格A的空间分布编码FA∈{0-7},说明该单元格A内的轨迹点集中在边界某个“口”型或“I”型子区域,区域编码为FA,考察与该子区域空间相邻的其他单元格的空间分布,转到S42;如果FA=-1,转到S43;
S42:若存在相邻单元格B:其空间分布为FB,且FB区域在空间上与FA区域直接相邻,则认为FB区域与FA区域中的轨迹点属于同一聚类,添加FB区域与FA区域中的轨迹点为候选轨迹点集;若不存在这样的相邻单元格,则转到S43;
S43:判断单元格A中的轨迹点是否为少量点或离散点,即是否为“噪音”,判断方法为:如果FA=-1且Count(P(A))≤20,则单元格A中的轨迹点标记为少量点或离散点;如果FA∈{0-7},但相邻单元格轨迹点没有集中在单元格A的边界,且相邻单元格存在核心点,则本网格内轨迹点被认为是少量点或离散点;如果本网格中轨迹点不属于少量点或离散点,则添加到核心点候选集H。
其中,所述步骤S6中交通关联度函数C(A,B)的计算方法包括:
S61:以每个单元格A中核心点为原点,计算周围单元格核心点的方向角θ;
S62:计算周围单元格核心点与单元格A中核心点的距离d;
S63:对单元格A内轨迹点方向聚类,统计与方向角θ相近的轨迹点数量;
S64:计算相邻周围单元格与单元格A的交通关联度函数C,使用如下公式计算:
式中θi(A)为单元格A内第i个轨迹点的方向角,θB为单元格B中核心点的方向角,count(|θi(A)-θB|<α)表示单元格A网格内指向单元格B网格内核心点的轨迹点数量,α为角度阈值,指向单元格B的轨迹点被认为会经过单元格B,d(Pa,Pb)表示单元格A中核心点与单元格B中核心点的距离;从上式中可以看出,两个相邻区域的交通关联度与经过这两个区域的轨迹点数量成正比,与这两个区域的距离成反比;本发明经过大量实验,α取15°,β取90°。
经过大量的试验进行数据统计分析,本发明与传统的DBSCAN方法路网提取、遥感影像基于图像识别的方法路网提取技术相比较,匹配精度、执行时间如下表所示:
在实际路网中每隔20米选取一个点,选择5米为缓冲区,若在该点5米范围内能匹配到算法提取的路网,表示算法在该位置提取成功,匹配精度描述为匹配成功的点与所有选取点的百分比。从结果中可以看出,由于基于DBSCAN的方法对轨迹点密度要求较高,存在很多缺失片段,而基于遥感影像的方法在树林遮盖路段提取效果很差,故两者匹配精度都不高。在时间效率上,基于DBSCAN的方法存在大量矢量点的比较计算,基于遥感影像的方法存在大量像元计算,而本发明使用了两层空间索引,并且通过计算轨迹点的分布来获得聚类,提高的轨迹点搜索效率,降低了计算范围,所花费的时间都远远小于其他两种方法。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (5)
1.一种基于浮动车轨迹点空间关系和分布的路网提取方法,其特征在于,该方法包括如下步骤:
S1:数据转换与清理:将原始的浮动车位置数据按照浮动车唯一标识码和数据采集时间,转换为浮动车轨迹时间序列数据,并清理空间重复的轨迹点,以及位置明显漂移的浮动车数据;
S2:建立两层空间网格索引G;
S3:计算轨迹点空间分布F;
S4:基于轨迹点空间分布计算核心点候选集H;
S5:计算核心点P:计算核心点候选集的几何质心,在核心点候选集H中,距离质心最近的轨迹点即标记为核心点;
S6:核心点连接:基于轨迹点方向聚类的方法,并考虑空间距离的因素,得到相邻网格间的交通关联度函数C(A,B),将同类方向中交通关联度函数C(A,B)最大的核心点连接;
S7:将所有核心点连接后,即提取出路网。
2.根据权利要求1所述的一种基于浮动车轨迹点空间关系和分布的路网提取方法,其特征在于,所述步骤S2中两层网格索引G的建立方法包括:
S21:首先对浮动车数据所在空间进行单元格划分,建立每个单元格与每个浮动车轨迹点的双向空间映射,此映射为第一层空间索引;
S22:然后对每个单元格进行四叉树划分,建立每个子区域与每个浮动车轨迹点的双向空间映射,此映射为第二层空间索引。
3.根据权利要求2所述的一种基于浮动车轨迹点空间关系和分布的路网提取方法,其特征在于,所述步骤S3中轨迹点空间分布F的计算方法包括:
S31:首先将单元格内的子区域空间编码为0-3,4-7,分别代表单元格内划分的4个子区域,即“口”型子区域,和每两个相邻子区域组成的4个长方形区域,即“I”型子区域;
S32:然后统计8个子区域内的轨迹点数量;
S33:针对“口”型子区域,判断是否存在某个子区域轨迹点数量占比大于50%,且其他3个子区域轨迹点数量占比都小于16%,如果存在,则该“口”型子区域编码就为该单元格内轨迹点的空间分布编码;如果不存在,转到S34;
S34:找出轨迹点数量最多的“I”型子区域,如果其轨迹点数量占比大于60%,则该“I”型子区域编码就为该单元格内轨迹点的空间分布编码,如果都不满足,则标记该单元格轨迹点分布编码为-1。
4.根据权利要求3所述的一种基于浮动车轨迹点空间关系和分布的路网提取方法,其特征在于,所述步骤S4总候选点集H的选取方法包括:
S41:如果单元格A的空间分布编码FA∈{0-7},说明该单元格A内的轨迹点集中在靠近边界某个“口”型或“I”型子区域中,区域编码为FA,然后考察与该子区域空间相邻的其他单元格的空间分布,转到S42;如果FA=-1,转到S43;
S42:若存在相邻单元格B:其空间分布为FB,且FB区域在空间上与FA区域直接相邻,则认为FB区域与FA区域中的轨迹点属于同一聚类,添加FB区域与FA区域中的轨迹点到1个候选轨迹点集中;若不存在这样的相邻单元格,则转到S43;
S43:判断单元格A中的轨迹点是否为少量点或离散点,方法为:如果FA=-1且Count(P(A))≤20,则单元格A中的轨迹点标记为少量点或离散点;如果FA∈{0-7},但相邻单元格轨迹点没有集中在单元格A的边界,且相邻单元格存在核心点,则本网格被认为是少量点或离散点;如果本网格中轨迹点不属于少量点或离散点,则添加本网格中的轨迹点到核心点候选集H。
5.根据权利要求4所述的一种基于浮动车轨迹点空间关系和分布的路网提取方法,其特征在于,所述步骤S6中交通关联度函数C(A,B)的计算方法包括:
S61:以每个单元格A中核心点为原点,计算周围单元格核心点的方向角θ;
S62:计算周围单元格核心点与单元格A中核心点的距离d;
S63:对单元格A内轨迹点方向聚类,统计与方向角θ相近的轨迹点数量;
S64:计算相邻周围单元格与单元格A的交通关联度函数C,使用如下公式计算:
式中θi(A)为单元格A内第i个轨迹点的方向角,θB为单元格B中核心点的方向角,count(|θi(A)-θB|<α)表示单元格A网格内轨迹点指向单元格B网格内核心点的数量,α为角度阈值,指向单元格B的轨迹点被认为会经过单元格B,d(Pa,Pb)表示单元格A中核心点与单元格B中核心点的距离;从上式中可以看出,两个相邻区域的交通关联度与经过这两个区域的轨迹点数量成正比,与这两个区域的距离成反比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810318817.1A CN108510008B (zh) | 2018-04-11 | 2018-04-11 | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810318817.1A CN108510008B (zh) | 2018-04-11 | 2018-04-11 | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510008A true CN108510008A (zh) | 2018-09-07 |
CN108510008B CN108510008B (zh) | 2021-05-14 |
Family
ID=63381354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810318817.1A Active CN108510008B (zh) | 2018-04-11 | 2018-04-11 | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510008B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871469A (zh) * | 2019-02-28 | 2019-06-11 | 浙江大学城市学院 | 基于动态图元的小簇人群识别方法 |
CN109916414A (zh) * | 2019-03-29 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 地图匹配方法、装置、设备和介质 |
CN111127891A (zh) * | 2019-12-27 | 2020-05-08 | 中国交通通信信息中心 | 一种基于浮动车轨迹大数据的路网核查方法 |
CN112053300A (zh) * | 2020-09-01 | 2020-12-08 | 国交空间信息技术(北京)有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
CN116430423A (zh) * | 2023-06-13 | 2023-07-14 | 广州悦跑信息科技有限公司 | 一种运动数据中卫星导航定位轨迹点坐标方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1154389A1 (de) * | 2000-05-10 | 2001-11-14 | DaimlerChrysler AG | Verfahren zur Verkehrslagebestimmung für ein Verkehrsnetz |
CN101364345A (zh) * | 2008-09-25 | 2009-02-11 | 北京航天智通科技有限公司 | 基于探测车技术的实时动态交通信息处理方法 |
JP2009259158A (ja) * | 2008-04-21 | 2009-11-05 | Toyota Central R&D Labs Inc | 交通状態シミュレーション装置及びプログラム |
CN103177561A (zh) * | 2011-12-26 | 2013-06-26 | 北京掌城科技有限公司 | 公交实时路况的生成方法及系统 |
CN104197945A (zh) * | 2014-08-27 | 2014-12-10 | 浙江工业大学 | 一种基于低采样率浮动车数据的全局投票地图匹配方法 |
CN105225486A (zh) * | 2015-10-09 | 2016-01-06 | 哈尔滨工业大学深圳研究生院 | 填补缺失浮动车数据的方法及系统 |
CN106225791A (zh) * | 2016-08-03 | 2016-12-14 | 福建工程学院 | 一种基于网格划分的gps定位与道路匹配方法 |
US20170178499A1 (en) * | 2015-12-17 | 2017-06-22 | International Business Machines Corporation | Method, computer readable storage medium and system for producing an uncertainty-based traffic congestion index |
-
2018
- 2018-04-11 CN CN201810318817.1A patent/CN108510008B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1154389A1 (de) * | 2000-05-10 | 2001-11-14 | DaimlerChrysler AG | Verfahren zur Verkehrslagebestimmung für ein Verkehrsnetz |
JP2009259158A (ja) * | 2008-04-21 | 2009-11-05 | Toyota Central R&D Labs Inc | 交通状態シミュレーション装置及びプログラム |
CN101364345A (zh) * | 2008-09-25 | 2009-02-11 | 北京航天智通科技有限公司 | 基于探测车技术的实时动态交通信息处理方法 |
CN103177561A (zh) * | 2011-12-26 | 2013-06-26 | 北京掌城科技有限公司 | 公交实时路况的生成方法及系统 |
CN104197945A (zh) * | 2014-08-27 | 2014-12-10 | 浙江工业大学 | 一种基于低采样率浮动车数据的全局投票地图匹配方法 |
CN105225486A (zh) * | 2015-10-09 | 2016-01-06 | 哈尔滨工业大学深圳研究生院 | 填补缺失浮动车数据的方法及系统 |
US20170178499A1 (en) * | 2015-12-17 | 2017-06-22 | International Business Machines Corporation | Method, computer readable storage medium and system for producing an uncertainty-based traffic congestion index |
CN106225791A (zh) * | 2016-08-03 | 2016-12-14 | 福建工程学院 | 一种基于网格划分的gps定位与道路匹配方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871469A (zh) * | 2019-02-28 | 2019-06-11 | 浙江大学城市学院 | 基于动态图元的小簇人群识别方法 |
CN109871469B (zh) * | 2019-02-28 | 2021-09-24 | 浙江大学城市学院 | 基于动态图元的小簇人群识别方法 |
CN109916414A (zh) * | 2019-03-29 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 地图匹配方法、装置、设备和介质 |
CN111127891A (zh) * | 2019-12-27 | 2020-05-08 | 中国交通通信信息中心 | 一种基于浮动车轨迹大数据的路网核查方法 |
CN112053300A (zh) * | 2020-09-01 | 2020-12-08 | 国交空间信息技术(北京)有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
CN112053300B (zh) * | 2020-09-01 | 2023-11-21 | 国交空间信息技术(北京)有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
CN116430423A (zh) * | 2023-06-13 | 2023-07-14 | 广州悦跑信息科技有限公司 | 一种运动数据中卫星导航定位轨迹点坐标方法 |
CN116430423B (zh) * | 2023-06-13 | 2023-08-29 | 广州悦跑信息科技有限公司 | 一种运动数据中卫星导航定位轨迹点坐标修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108510008B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510008A (zh) | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 | |
CN108320501B (zh) | 基于用户手机信令的公交线路识别方法 | |
Liston et al. | Simulating complex snow distributions in windy environments using SnowTran-3D | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN105243128B (zh) | 一种基于签到数据的用户行为轨迹聚类方法 | |
CN110852577A (zh) | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 | |
CN106779203B (zh) | 一种基于不同风速段的高原山区风电功率预测方法 | |
CN106779201B (zh) | 一种考虑高原山区风机位置的风速建模方法 | |
CN106503714A (zh) | 一种基于兴趣点数据识别城市功能区的方法 | |
CN105243844A (zh) | 一种基于手机信令的道路状态识别方法 | |
CN103578119A (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN109190161B (zh) | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 | |
CN108171993A (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
CN108646319A (zh) | 一种短时强降雨预报方法及系统 | |
CN106156949A (zh) | 一种基于内涝风险评估的雨水低影响开发规划方法 | |
CN109815611A (zh) | 一种基于数字流域的流域边界生成方法 | |
CN106547862A (zh) | 基于流形学习的交通大数据降维处理方法 | |
CN109325614A (zh) | 一种基于gis的汽车站选址方法 | |
CN111738104A (zh) | 一种基于地理信息系统提取地形类别的方法 | |
CN115115138A (zh) | 一种近海风暴潮增水预测方法 | |
CN101441683A (zh) | 一种城市暴雨洪涝演化过程的预测方法 | |
CN107480867A (zh) | 自适应变尺度干旱评价模型及评价方法 | |
CN109633790A (zh) | 自然流域划分法中确定子流域降雨量时空分布的方法 | |
CN104281893A (zh) | 一种水库洪水预报调度及动态跟踪系统 | |
CN113052084A (zh) | 一种基于手机定位数据的社区级矢量道路网提取方法 |
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 |