CN108596018B - 基于移动数据的交通站点人群网格化迁徙检测方法和装置 - Google Patents
基于移动数据的交通站点人群网格化迁徙检测方法和装置 Download PDFInfo
- Publication number
- CN108596018B CN108596018B CN201810190953.7A CN201810190953A CN108596018B CN 108596018 B CN108596018 B CN 108596018B CN 201810190953 A CN201810190953 A CN 201810190953A CN 108596018 B CN108596018 B CN 108596018B
- Authority
- CN
- China
- Prior art keywords
- grid
- crowd
- traffic
- migration
- starting
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Abstract
一种基于移动数据的交通站点人群网格化迁徙检测方法和装置,该方法包括:对待检测地区进行区域网格划分;根据待检测地区的交通站点位置和所述区域网格确定起始网格集合;根据所述起始网格集合内的移动设备确定目标人群;计算所述目标人群中单个目标对象在起始网格的得分,以及所述单个目标对象所对应的目的地网格的得分;根据所述目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系,可低成本、高效率地实现交通站点人群网格化迁徙的监测。
Description
技术领域
本发明涉及迁徙检测技术领域,特别涉及一种基于移动数据的交通站点人群网格化迁徙检测方法、一种计算机可读存储介质和一种基于移动数据的交通站点人群网格化迁徙检测装置。
背景技术
线网设计、发车频率、行车时刻表是城市公交、轨道交通网络规划的基础,对其进行合理的决策需要有足够有效的出行OD数据和科学的方法来支撑。当前主要以城市居民出行OD调查,城市公交IC卡为数据基础,建立多目标决策、熵极大模型、遗传算法等模型来进行预测分析。
但是,由于OD调查一般样本量较小,对区域总体的代表性不强,且耗费的人力财力巨大、周期较长;较大城市的公交IC卡,在样本量方面较OD调查有所提高,但却仅能统计从公交/地铁站到公交/地铁站点的流量信息,不能准确定位居民的实际OD,且不能统计私家车等非公共交通的数据。从路段断面交通量的基础数据来看,进行线网设计、发车频率、行车时刻表的决策,通常需要的OD量远大于有断面交通量的路段,造成了总体估计精度偏低。
另一方面,引力模型等模型有一定的假设条件,现实生活中未必满足这些条件,且影响居民出行的因素较多,综合考虑起来较为复杂。模型建立依赖历史数据,对近期或区域交通网络上的交通阻抗都不会有多大变化的出行分布预测是可用的,但一般情况下,区域交通会因交通设施改进等的变化而不断变化,有一定的局限性。
综上,现有技术中的规划结果常导致一些车辆拥挤不堪、乘客体验较差的同时,另一些车辆却客源不足,车辆空驶率较高。因此,现有技术需要改进。
发明内容
本申请提供一种基于移动数据的交通站点人群网格化迁徙检测方法,能够利用移动设备留下的数据进行交通站点人群网格迁徙的监测,有效增加了基础数据的数量,同时提高了基础数据的准确性。
根据第一方面,一种实施例中提供一种基于移动数据的交通站点人群网格化迁徙检测方法,包括以下步骤:对待检测地区进行区域网格划分;根据待检测地区的交通站点位置和划分的所述区域网格确定起始网格集合;根据所述起始网格集合内的移动设备确定目标人群;计算所述目标人群中单个目标对象在起始网格的得分,以及所述单个目标对象所对应的目的地网格的得分;根据所述目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系。
进一步地,所述根据待检测地区的交通站点位置和所述区域网格确定起始网格集合具体包括:根据所述交通站点位置确定该交通站点对应的相邻网格;其中,每个交通站点位置对应8个相邻网格;将所述交通站点位置与其对应的相邻网格确定为起始网格集合。
进一步地,所述单个目标对象在起始网格的得分通过所述单个目标对象在所述起始网格的出现时间或频次确定。
进一步地,所述单个目标对象所对应的目的地网格的得分通过所述单个目标对象在所述目的地网格的驻留时间和/或频次确定。
在一个实施例,所述单个目标对象在目的地网格的得分为:
Wgrid=W1×VN_frequency+W2×VT_stay
其中,VN_frequency、VT_stay分别为目的地网格的出现频次和驻留时间的标准化值,W1≥0、W2≥0、W1+W2=1。
根据第二方面,一种实施例中提供一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现所述的交通站点人群网格化迁徙检测方法。
根据第三方面,一种实施例中提供一种基于移动数据的交通站点人群网格化迁徙检测装置,包括:网格划分模块,用于对待检测地区进行区域网格划分;网格聚类模块,用于根据待检测地区的交通站点位置和划分的所述区域网格确定起始网格集合;人群设定模块,用于根据所述起始网格集合内的移动设备确定目标人群;计算模块,用于计算所述目标人群中单个目标对象在起始网格的得分,以及所述单个目标对象所对应的目的地网格的得分;迁徙识别模块,用于根据所述目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系。
进一步地,所述网格聚类模块还包括:根据所述交通站点位置确定该交通站点对应的相邻网格;其中,每个交通站点位置对应8个相邻网格,以及将所述交通站点位置与其对应的相邻网格确定为起始网格集合。
进一步地,所述计算模块还包括:通过所述单个目标对象在所述起始网格的出现时间或频次确定。
进一步地,所述计算模块还包括:通过所述单个目标对象在所述目的地网格的驻留时间和/或频次确定。
依据上述实施例的基于移动数据的交通站点人群网格化迁徙检测方法,通过对待检测地区进行区域网格划分,然后根据待检测地区的交通站点位置和区域网格确定起始网格集合,再根据起始网格集合内的移动设备确定目标人群,计算目标人群中单个目标对象在起始网格的得分,以及单个目标对象所对应的目的地网格的得分,进而根据目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系。由此,本发明实施例的检测方法通过将地区网格化,再利用移动设备留下的海量、实时、能精确描述人群空间分布的大数据资源,低成本、高效率地实现了交通站点人群网格化迁徙的监测。
附图说明
图1为根据本发明实施例的基于移动数据的交通站点人群网格化迁徙检测方法的流程图;
图2为根据本发明一个实施例的相邻网格的示意图;
图3为根据本发明实施例的基于移动数据的交通站点人群网格化迁徙检测装置的方框示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
下面参考附图来描述本发明实施例提出的基于移动数据的交通站点人群网格化迁徙检测方法和基于移动数据的交通站点人群网格化迁徙检测装置。
图1为根据本发明实施例的基于移动数据的交通站点人群网格化迁徙检测方法。如图1所示,本发明实施例的基于移动数据的交通站点人群网格化迁徙检测方法包括以下步骤:
S1:对待检测地区进行区域网格划分。
需要说明的是,首先确定区域网格的长度l和宽度h,其中长度l和宽度h的单位均为米,并将待检测区域按照网格的长度和宽度进行网格划分,并将划分后的网格按照XiYj格式进行编号。
其中,i、j编号的公式为:
其中,lng1为坐标原点的经度、lng1坐标原点的纬度、lngi为选取点坐标的经度、lati选取点坐标的纬度,坐标原点为待检测地区中任选的点,选取点为待检测地区的交通站点。
S2:根据待检测地区的交通站点位置和区域网格确定起始网格集合。
根据本发明的一个实施例,根据交通站点位置确定该交通站点对应的相邻网格;其中,每个交通站点位置对应8个相邻网格;将交通站点位置与其对应的相邻网格确定为起始网格集合。
需要说明的是,如图2所示,假设网格XiYj为交通站点所在的网格,则其相邻网格分别为:X编号相同Y编号加减一的网格,即XiYj-1和XiYj+1;Y编号相同X编号加减一的网格,即Xi-1Yj和Xi+1Yj;X、Y编号同时加一或减一的网格,即Xi-1Yj-1和Xi+1Yj+1;X编号加一Y编号减一的网格,即Xi+1Yj-1:X编号减一Y编号加一的网格,即Xi-1Yj+1。
也就是说,对于一个交通站点而言,该交通站点所在的网格与围绕该网格的8个网格组成该交通站点的起始网格集合,即每个交通站点的起始网格集合具有9个网格。
举例来说,选取经纬度为(114.3177074,36.41671623)的点作为坐标原点,网格长度l和宽度h均为25m,例如,经纬度为(114.434806,36.630472)的站点的网格编码为X419Y951,其相邻网格为:X419Y950、X419Y952、X418Y951、X420Y951、X418Y950、X420Y952、X420Y950、X418Y952,则经纬度为(114.434806,36.630472)的站点的起始网格集合为{X419Y951,X419Y950、X419Y952、X418Y951、X420Y951、X418Y950、X420Y952、X420Y950、X418Y952}
又如,对于经纬度为(114.434806,36.630472)的站点和经纬度为(114.455556,36.612167)的站点,起始网格集合为{X419Y951,X419Y950,X419Y952,X418Y951,X420Y951,X418Y950,X420Y952,X420Y950,X418Y952,X493Y869,X493Y868,X493Y870,X492Y869,X494Y869,X492Y868,X494Y870,X494Y868,X492Y870}
S3:根据起始网格集合内的移动设备确定目标人群。
具体地,在统计时间内,根据SDK(software development kit,软件开发工具包)、WIFI(WIreless-Fidelity,无线保真)、基站上报的移动设备坐标数据,锁定上报坐标在起始网格集合内的移动设备为目标人群,并跟踪记录这些目标人群在统计时间内的所有坐标数据。
S4:计算目标人群中单个目标对象在起始网格的得分,以及单个目标对象所对应的目的地网格的得分。
根据本发明的一个实施例,单个目标对象在起始网格的得分可通过单个目标对象在起始网格的出现时间或频次确定。
其中,单个目标对象在起始网格的出现时间越早或频次越多,权重越大,即起始网格的得分越高,得分最高的起始网格被设置为该单个目标对象的起始网格。
根据本发明的一个实施例,单个目标对象所对应的目的地网格的得分通过单个目标对象在目的地网格的驻留时间和/或频次确定。
也就是说,单个目标对象对应的目的地网格的得分可通过单个目标对象在目的地网格的驻留时间或频次确定,也可通过单个目标对象在目的地网格的驻留时间和频次确定。
其中,当通过单个目标对象在目的地网格的驻留时间或频次确定时,单个目标对象的出现频次越多或者驻留时间越长,该目的地网格的权重越大,得分最高的目的地网格被设置为该单个目标对象的目的地网格。
当通过单个目标对象在目的地网格的驻留时间和频次确定时,因为两个判断条件的量纲不同,需要先对两个指标的数值进行标准化,再计算单个目标对象在各目的地网格的得分,得分最高的目的地网格被设置为该单个目标对象的目的地网格。
其中,标准化公式为:
该单个目标对象在目的地网格的得分为:
Wgrid=W1×VN_frequency+W2×VT_stay
其中,VN_frequency、VT_stay分别为目的地网格的出现频次和驻留时间的标准化值,W1≥0、W2≥0、W1+W2=1。
S5:根据目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系。
也就是说,分别计算目标人群中单个目标对象的起始网格得分和目的地网格得分,再将单个目标对象的起始网格和目的地网格进行汇总,一个得分最高的起始网格对应一个得分最高的目的地网格,进而得到目标人群的起始网格和目的地网格对,即得到该交通站点人群迁徙网格关系。
综上所述,根据本发明实施例的基于移动数据的交通站点人群网格化迁徙检测方法,通过对待检测地区进行区域网格划分,然后根据待检测地区的交通站点位置和区域网格确定起始网格集合,再根据起始网格集合内的移动设备确定目标人群,计算目标人群中单个目标对象在起始网格的得分,以及单个目标对象所对应的目的地网格的得分,进而根据目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系。由此,本发明实施例的检测方法通过将地区网格化,再利用移动设备留下的海量、实时、能精确描述人群空间分布的大数据资源,低成本、高效率的做到交通站点人群网格化迁徙的监测。
本发明实施例还提出了一种计算机可读存储介质,包括程序,程序能够被处理器执行以实现交通站点人群网格化迁徙检测方法。
根据本发明实施例提出的计算机可读存储介质,通过执行程序来实现交通站点人群网格化迁徙检测方法,能低成本、高效率的做到交通站点人群网格化迁徙的监测。
与上述几种实施例提供的基于移动数据的交通站点人群网格化迁徙检测方法相对应,本发明的一种实施例还提供一种基于移动数据的交通站点人群网格化迁徙检测装置,由于本发明实施例提供的基于移动数据的交通站点人群网格化迁徙检测装置与上述几种实施例提供的基于移动数据的交通站点人群网格化迁徙检测方法相对应,因此在前述基于移动数据的交通站点人群网格化迁徙检测方法的实施方式也适用于本实施例提供的基于移动数据的交通站点人群网格化迁徙检测装置,在本实施例中不再描述。
图3为根据本发明实施例的基于移动数据的交通站点人群网格化迁徙检测装置的方框示意图。如图3所示,本发明实施例的基于移动数据的交通站点人群网格化迁徙检测装置包括:网格划分模块10、网格聚类模块20、人群设定模块30、计算模块40和迁徙识别模块50。
其中,网格划分模块10用于对待检测地区进行区域网格划分;网格聚类模块20用于根据待检测地区的交通站点位置和区域网格确定起始网格集合;人群设定模块30用于根据起始网格集合内的移动设备确定目标人群;计算模块40用于计算目标人群中单个目标对象在起始网格的得分,以及单个目标对象所对应的目的地网格的得分;迁徙识别模块50用于根据目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系。
根据本发明的一个实施例,网格聚类模块20还包括:根据交通站点位置确定该交通站点对应的相邻网格;其中,每个交通站点位置对应8个相邻网格,以及将交通站点位置与其对应的相邻网格确定为起始网格集合。
根据本发明的一个实施例,计算模块40还包括:通过单个目标对象在起始网格的出现时间或频次确定。
根据本发明的一个实施例,计算模块40还包括:通过单个目标对象在目的地网格的驻留时间和/或频次确定。
综上所述,本发明实施例的基于移动数据的交通站点人群网格化迁徙检测装置,通过网格划分模块对待检测地区进行区域网格划分,网格聚类模块根据待检测地区的交通站点位置和区域网格确定起始网格集合,人群设定模块根据起始网格集合内的移动设备确定目标人群,计算模块计算目标人群中单个目标对象在起始网格的得分,以及单个目标对象所对应的目的地网格的得分,迁徙识别模块根据目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系。由此,本发明实施例的检测装置通过将地区网格化,再利用移动设备留下的海量、实时、能精确描述人群空间分布的大数据资源,低成本、高效率的做到交通站点人群网格化迁徙的监测。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (8)
1.一种基于移动数据的交通站点人群网格化迁徙检测方法,其特征在于包括以下步骤:
对待检测地区进行区域网格划分;
根据待检测地区的交通站点位置和划分的所述区域网格确定起始网格集合;
根据所述起始网格集合内的移动设备确定目标人群;
计算所述目标人群中单个目标对象在起始网格的得分,以及所述单个目标对象所对应的目的地网格的得分;
根据所述目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系;
其中,所述根据待检测地区的交通站点位置和所述区域网格确定起始网格集合具体包括:根据所述交通站点位置确定该交通站点对应的相邻网格;其中,每个交通站点位置对应8个相邻网格;将所述交通站点位置与其对应的相邻网格确定为起始网格集合。
2.如权利要求1所述的基于移动数据的交通站点人群网格化迁徙检测方法,其特征在于,所述单个目标对象在起始网格的得分通过所述单个目标对象在所述起始网格的出现时间或频次确定。
3.如权利要求1所述的基于移动数据的交通站点人群网格化迁徙检测方法,其特征在于,所述单个目标对象所对应的目的地网格的得分通过所述单个目标对象在所述目的地网格的驻留时间和/或频次确定。
4.如权利要求1所述的基于移动数据的交通站点人群网格化迁徙检测方法,其特征在于,所述单个目标对象在目的地网格的得分为:
Wgrid=W1×VN_ftequency+W2×VT_stay
其中,VN_ftequency、VT-stay分别为目的地网格的出现频次和驻留时间的标准化值,W1≥0、W2≥0、W1+W2=1。
5.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-4中任一项所述的交通站点人群网格化迁徙检测方法。
6.一种基于移动数据的交通站点人群网格化迁徙检测装置,其特征在于包括:
网格划分模块,用于对待检测地区进行区域网格划分;
网格聚类模块,用于根据待检测地区的交通站点位置和划分的所述区域网格确定起始网格集合;
人群设定模块,用于根据所述起始网格集合内的移动设备确定目标人群;
计算模块,用于计算所述目标人群中单个目标对象在起始网格的得分,以及所述单个目标对象所对应的目的地网格的得分;
迁徙识别模块,用于根据所述目标人群的起始网格得分、目的地网格得分识别该地区的人群迁徙网格关系;
其中,所述网格聚类模块还包括:根据所述交通站点位置确定该交通站点对应的相邻网格;其中,每个交通站点位置对应8个相邻网格,以及将所述交通站点位置与其对应的相邻网格确定为起始网格集合。
7.如权利要求6所述的基于移动数据的交通站点人群网格化迁徙检测装置,其特征在于,所述计算模块还包括:通过所述单个目标对象在所述起始网格的出现时间或频次确定。
8.如权利要求6所述的基于移动数据的交通站点人群网格化迁徙检测装置,其特征在于,所述计算模块还包括:通过所述单个目标对象在所述目的地网格的驻留时间和/或频次确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810190953.7A CN108596018B (zh) | 2018-03-08 | 2018-03-08 | 基于移动数据的交通站点人群网格化迁徙检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810190953.7A CN108596018B (zh) | 2018-03-08 | 2018-03-08 | 基于移动数据的交通站点人群网格化迁徙检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596018A CN108596018A (zh) | 2018-09-28 |
CN108596018B true CN108596018B (zh) | 2021-07-13 |
Family
ID=63625922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810190953.7A Active CN108596018B (zh) | 2018-03-08 | 2018-03-08 | 基于移动数据的交通站点人群网格化迁徙检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596018B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19933886A1 (de) * | 1999-07-22 | 2001-01-25 | Deutsche Telekom Mobil | Verfahren zur orts- und/oder entfernungsabhängigen Gebührenerhebung in Mobilfunknetzen |
CN104217244B (zh) * | 2014-08-14 | 2017-05-03 | 长安通信科技有限责任公司 | 基于地理网格的人数测定方法和人群态势监测方法及系统 |
CN105206057B (zh) * | 2015-09-30 | 2018-09-07 | 哈尔滨工业大学深圳研究生院 | 基于浮动车居民出行热点区域的检测方法及系统 |
CN105682025B (zh) * | 2016-01-05 | 2019-01-04 | 重庆邮电大学 | 基于移动信令数据的用户驻留地识别方法 |
-
2018
- 2018-03-08 CN CN201810190953.7A patent/CN108596018B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
Non-Patent Citations (1)
Title |
---|
《基于骑行时空数据的共享单车设施规划研究》;邓力凡 等;《规划师》;20171031;第33卷(第10期);第84-85页第2.2小节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596018A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9355063B2 (en) | Parking lot detection using probe data | |
Kong et al. | Efficient traffic state estimation for large-scale urban road networks | |
Liu et al. | Understanding intra-urban trip patterns from taxi trajectory data | |
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
CN111985710A (zh) | 一种公交乘客出行站点预测方法、存储介质及服务器 | |
CN107194525A (zh) | 一种基于手机信令的城市中心评估方法 | |
CN104281709A (zh) | 交通信息瓦片地图的生成方法和系统 | |
CN101136140A (zh) | 道路交通的通行速度计算和匹配的方法和系统 | |
CN108806301B (zh) | 一种公交车辆信息的自动识别方法 | |
CN103177412A (zh) | 一种出租车载客信息的计算方法和系统 | |
Reddy et al. | Bus travel time prediction under high variability conditions | |
CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
CN110111599A (zh) | 一种基于大数据的停车诱导方法、终端设备及存储介质 | |
CN109840272B (zh) | 一种共享电动汽车站点用户需求预测方法 | |
CN104599002A (zh) | 预测订单价值的方法及设备 | |
CN104298832A (zh) | 一种基于rfid技术的路网交通流分析方法 | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
Triantakonstantis et al. | Urban growth prediction in Athens, Greece, using artificial neural networks | |
CN110059849A (zh) | 路径确定方法和装置 | |
CN113486880A (zh) | 图像采集设备布置方法、装置、电子设备及存储介质 | |
CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
Kumar et al. | Analytical approach to identify the optimum inputs for a bus travel time prediction method | |
JP2018077756A (ja) | 対象経路を含む移動位置範囲群に基づき通行量を推定する装置、プログラム及び方法 | |
CN108596018B (zh) | 基于移动数据的交通站点人群网格化迁徙检测方法和装置 |
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 |