CN108734129A - 手机及车辆定位分析方法及系统 - Google Patents
手机及车辆定位分析方法及系统 Download PDFInfo
- Publication number
- CN108734129A CN108734129A CN201810489570.XA CN201810489570A CN108734129A CN 108734129 A CN108734129 A CN 108734129A CN 201810489570 A CN201810489570 A CN 201810489570A CN 108734129 A CN108734129 A CN 108734129A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- cluster
- module
- location
- 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
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种手机及车辆定位分析方法及系统,通过先获取GPS定位数据和基站定位数据,对采集的数据进行数据预处理操作生成可行性数据集存入数据库,通过数据库可行性数据的经纬度进行地图匹配,之后再次扫描数据库,将车辆GPS及手机定位轨迹数据点通过优化的ST‑DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值,将关键对象度量作为定位分析模型的支持度,根据HOV车道实际规定符合车辆车载人数作为其最小支持度,检测符合在HOV车道行驶车辆,将符合的车辆信息存入对应的数据库,为交通部门道路检测执法提供科学依据。本发明解决了传统应用红外热成像技术识别车辆实载乘员数,依托视频监控设备对违规驶入HOV车道车辆的自动抓拍从而进行监测执法。
Description
技术领域
本发明涉及一种手机及车辆定位分析方法及系统。
背景技术
DBSCAN作为基本的聚类算法,目的是找到密度相连对象的最大集合。其聚类前不需要指定K参数,显著优点是聚类速度快且较好的识别噪声点和发现任意形状的簇,过滤低密度区域,发现稠密度样本点。ST-DBSCAN是由Birant D等人在2007年为能够处理时空对象在DBSCAN的基础上改进的聚类算法,是将DBSCAN算法在时间维度上进行扩展,以三维空间圆柱体为搜索邻域取代二维的圆形搜索邻域。该数据定位分析模型使用优化ST-DBSCAN算法,主要包含三个步骤:第一阶段是通过某一路段的车载GPS轨迹数确定出适合K-means聚类算法的K值,即表示可行性数据集分配的簇族数,第二阶段由K-均值算法对可行性数据集进行快速聚类,通过对聚类结果进行统计分析确定出适合ST-DBSCAN算法的两个参数Eps和MinPts的值。第三阶段是ST-DBSCAN算法根据获得的参数值进行参数调优和聚类分析。
发明内容
本发明的目的在于提供一种手机及车辆定位分析方法及系统。
为解决上述问题,本发明提供一种手机及车辆定位分析方法,包括:
采集道路上运行车辆的GPS的定位数据以及道路上车载乘客手机的海量GPS的定位数据和基站的定位数据;
对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库;
通过所述数据库中的可行性数据集的经纬度的信息进行地图匹配;
根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值;
将各个簇的关键对象度量值作为定位分析模型的支持度,将HOV车道实际规定符合车辆车载人数作为其最小支持度,检测满足所述最小支持度的符合在HOV车道的行驶车辆,将符合的行驶车辆的信息存入对应的数据库;
将所述符合的行驶车辆的信息作为挖掘建立的车辆及手机定位分析模型的依据。
进一步的,在上述方法中,对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库,包括:
假设Pi-1、Pi、Pi+1是按照时间顺序排列的位置点,其中Pi是疑似异常点,计算移动对象在Pi-1、Pi+1点之间的平均速度v,移动对象在时间段[ti-1,ti]内的路程小于等于半径r1且在时间段[ti,ti+1]的路程小于等于r2,即移动对象在ti时刻出现在以Pi-1为原点以r1为半径和以Pi+1为原点以r2为半径的两区域的交集时则为正点,反之,Pi是异常点,将Pi删除。
进一步的,在上述方法中,根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值,包括:
通过优化的ST-DBSCAN聚类算法的ε和Minpts参数值,根据所述定位数据,得出车辆中乘客人数作为簇的关键对象度量值。
进一步的,在上述方法中,通过优化的ST-DBSCAN聚类算法的ε和Minpts参数值,根据所述定位数据,得出车辆中乘客人数作为簇的关键对象度量值,包括:
步骤一,通过某一路段的车载GPS轨迹数据确定出K-means聚类算法的K值,即表示可行性数据集分配的簇族数;
步骤二,使用K-means算法对可行性定位数据集N进行聚类,得到簇族数集合(A1,A2,...,Ak);其中Ai表示第i个簇;
步骤三,对于每一个簇Ai,计算其中每每两个样本之间相距的距离,从而得出样本距离集Di,其中,Di=(d1,d2,...,di);
步骤四,对集合Di,计算比较得出距离值的最大值Di(max)和最小值Di(min),并计算出两者之间的差值x;
步骤五,通过x将可行性数据集的样本集分为若干个不同的取值范围,对每一范围的轨迹数据点进行计算分析,并查找含有对应轨迹数据点最多的一组簇Ai,将其含有最少样本轨迹数据点的簇Am的轨迹点数作为参数Minptsi;
步骤六,重复上述的步骤一至五求得所有数据集中不同的簇Ai对应的εi值和Minptsi值,并以最大的Minpts作为可行性数据集的参数标准值。
根据本发明的另一面,提供一种手机及车辆定位分析系统,包括:
第一模块,用于采集道路上运行车辆的GPS的定位数据以及道路上车载乘客手机的海量GPS的定位数据和基站的定位数据;
第二模块,用于对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库;
第三模块,用于通过所述数据库中的可行性数据集的经纬度的信息进行地图匹配;
第四模块,用于根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值;
第五模块,用于将各个簇的关键对象度量值作为定位分析模型的支持度,将HOV车道实际规定符合车辆车载人数作为其最小支持度,检测满足所述最小支持度的符合在HOV车道的行驶车辆,将符合的行驶车辆的信息存入对应的数据库;
第六模块,用于将所述符合的行驶车辆的信息作为挖掘建立的车辆及手机定位分析模型的依据。
进一步的,在上述系统中,所述第二模块,用于假设Pi-1、Pi、Pi+1是按照时间顺序排列的位置点,其中Pi是疑似异常点,计算移动对象在Pi-1、Pi+1点之间的平均速度v,移动对象在时间段[ti-1,ti]内的路程小于等于半径r1且在时间段[ti,ti+1]的路程小于等于r2,即移动对象在ti时刻出现在以Pi-1为原点以r1为半径和以Pi+1为原点以r2为半径的两区域的交集时则为正点,反之,Pi是异常点,将Pi删除。
进一步的,在上述系统中,所述第四模块,用于通过优化的ST-DBSCAN聚类算法的ε和Minpts参数值,根据所述定位数据,得出车辆中乘客人数作为簇的关键对象度量值。
进一步的,在上述系统中,所述第四模块,包括:
第四一模块,用于通过某一路段的车载GPS轨迹数据确定出K-means聚类算法的K值,即表示可行性数据集分配的簇族数;
第四二模块,用于使用K-means算法对可行性定位数据集N进行聚类,得到簇族数集合(A1,A2,...,Ak);其中Ai表示第i个簇;
第四三模块,用于对于每一个簇Ai,计算其中每每两个样本之间相距的距离,从而得出样本距离集Di,其中,Di=(d1,d2,...,di);
第四四模块,用于对集合Di,计算比较得出距离值的最大值Di(max)和最小值Di(min),并计算出两者之间的差值x;
第四五模块,用于通过x将可行性数据集的样本集分为若干个不同的取值范围,对每一范围的轨迹数据点进行计算分析,并查找含有对应轨迹数据点最多的一组簇Ai,将其含有最少样本轨迹数据点的簇Am的轨迹点数作为参数Minptsi;
第四六模块,用于重复执行上述的模块四一至模块四五求得所有数据集中不同的簇Ai对应的εi值和Minptsi值,并以最大的Minpts作为可行性数据集的参数标准值。
与传统应用红外热成像技术识别车辆实载乘员数,依托视频监控设备对违规驶入HOV车道车辆的自动抓拍从而进行监测执法相比,本发明的有益效果是:创新性提出使用智能移动手机定位技术及车载GPS技术建立检测模型应用于HOV车道智能检测。可以节约基础设施建设成本,为交通部门道路执法提供新的监测手段。
附图说明
图1是本发明一实施例的手机及车辆定位分析方法及系统的移动对象轨迹点异常处理示意图;
图2是本发明一实施例的基于K均值的ST-DBSCAN改进算法的手机及车辆定位分析模型能在HOV车道上的应用的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种手机及车辆定位分析方法,包括:
步骤S1,采集道路上运行车辆的GPS的定位数据以及道路上车载乘客手机的海量GPS的定位数据和基站的定位数据;
步骤S2,对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库;
步骤S3,通过所述数据库中的可行性数据集的经纬度的信息进行地图匹配;
步骤S4,根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度
量值;
步骤S5,将各个簇的关键对象度量值作为定位分析模型的支持度,将HOV车道实际规定符合车辆车载人数作为其最小支持度,检测满足所述最小支持度的符合在HOV车道的行驶车辆,将符合的行驶车辆的信息存入对应的数据库;
步骤S6,将所述符合的行驶车辆的信息作为挖掘建立的车辆及手机定位分析模型的依据。
在此,本发明提供一种基于K均值的ST-DBSCAN改进算法的手机及车辆定位分析模型能在HOV车道上的应用,先获取道路上运行车辆的GPS定位数据以及道路上车载乘客手机的GPS定位数据和基站定位数据,对采集的数据进行数据格式校验、剔除逻辑错误数据、补齐部分缺失数据等数据预处理操作生成可行性数据集存入数据库,通过数据库可行性数据的经纬度等信息进行地图匹配,之后再次扫描数据库,将车辆GPS及手机定位轨迹数据点通过优化的ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值。将关键对象度量作为定位分析模型的支持度,根据HOV车道实际规定符合车辆车载人数作为其最小支持度,检测符合在HOV车道行驶车辆,将符合的车辆信息存入对应的数据库,为交通部门道路检测执法提供科学依据。满足最小支持度的数据集就是最后挖掘建立的车辆及手机定位分析模型的依据。解决了传统应用红外热成像技术识别车辆实载乘员数,依托视频监控设备对违规驶入HOV车道车辆的自动抓拍从而进行监测执法,创新性提出使用智能移动手机定位技术及车载GPS技术建立检测模型应用于HOV车道智能检测。
本发明的手机及车辆定位分析方法一实施例中,步骤S2,对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库,包括:
如图2所示,P4和P6可能是两个异常点,所以对P4、P6点进行异常检测。检测标准:假设Pi-1、Pi、Pi+1是按照时间顺序排列的位置点,其中Pi是疑似异常点,计算移动对象在Pi-1、Pi+1点之间的平均速度v,移动对象在时间段[ti-1,ti]内的路程小于等于半径r1且在时间段[ti,ti+1]的路程小于等于r2,即移动对象在ti时刻出现在以Pi-1为原点以r1为半径和以Pi+1为原点以r2为半径的两区域的交集时则为正点,反之,Pi是异常点,将Pi删除。
本发明的手机及车辆定位分析方法一实施例中,步骤S4,根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值,包括:
通过优化的ST-DBSCAN聚类算法的ε和Minpts参数值,根据所述定位数据,得出车辆中乘客人数作为簇的关键对象度量值。
在此,对优化的ST-DBSCAN聚类算法思想具体描述如下:
输入input:可行性定位数据集N,k-均值的簇数k
输出output:ε1,ε2,...,εk、Minpts。
步骤:
步骤一,通过某一路段的车载GPS轨迹数据确定出K-means聚类算法的K值,即表示可行性数据集分配的簇族数;
步骤二,使用K-means算法对可行性定位数据集N进行聚类,得到簇族数集合(A1,A2,...,Ak);其中Ai表示第i个簇;
步骤三,对于每一个簇Ai,计算其中每每两个样本之间相距的距离,从而得出样本距离集Di,其中,Di=(d1,d2,...,di);
步骤四,对集合Di,计算比较得出距离值的最大值Di(max)和最小值Di(min),并计算出两者之间的差值x;
步骤五,通过x将可行性数据集的样本集分为若干个不同的取值范围,对每一范围的轨迹数据点进行计算分析,并查找含有对应轨迹数据点最多的一组簇Ai,将其含有最少样本轨迹数据点的簇Am的轨迹点数作为参数Minptsi;
步骤六,重复上述的步骤一至五求得所有数据集中不同的簇Ai对应的εi值和Minptsi值,并以最大的Minpts作为可行性数据集的参数标准值。
本发明还提供另一种手机及车辆定位分析及系统,包括:
第一模块,用于采集道路上运行车辆的GPS的定位数据以及道路上车载乘客手机的海量GPS的定位数据和基站的定位数据;
第二模块,用于对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库;
第三模块,用于通过所述数据库中的可行性数据集的经纬度的信息进行地图匹配;
第四模块,用于根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值;
第五模块,用于将各个簇的关键对象度量值作为定位分析模型的支持度,将HOV车道实际规定符合车辆车载人数作为其最小支持度,检测满足所述最小支持度的符合在HOV车道的行驶车辆,将符合的行驶车辆的信息存入对应的数据库;
第六模块,用于将所述符合的行驶车辆的信息作为挖掘建立的车辆及手机定位分析模型的依据。
进一步的,在上述系统中,所述第二模块,用于假设Pi-1、Pi、Pi+1是按照时间顺序排列的位置点,其中Pi是疑似异常点,计算移动对象在Pi-1、Pi+1点之间的平均速度v,移动对象在时间段[ti-1,ti]内的路程小于等于半径r1且在时间段[ti,ti+1]的路程小于等于r2,即移动对象在ti时刻出现在以Pi-1为原点以r1为半径和以Pi+1为原点以r2为半径的两区域的交集时则为正点,反之,Pi是异常点,将Pi删除。
进一步的,在上述系统中,所述第四模块,用于通过优化的ST-DBSCAN聚类算法的ε和Minpts参数值,根据所述定位数据,得出车辆中乘客人数作为簇的关键对象度量值。
进一步的,在上述系统中,所述第四模块,包括:
第四一模块,用于通过某一路段的车载GPS轨迹数据确定出K-means聚类算法的K值,即表示可行性数据集分配的簇族数;
第四二模块,用于使用K-means算法对可行性定位数据集N进行聚类,得到簇族数集合(A1,A2,...,Ak);其中Ai表示第i个簇;
第四三模块,用于对于每一个簇Ai,计算其中每每两个样本之间相距的距离,从而得出样本距离集Di,其中,Di=(d1,d2,...,di);
第四四模块,用于对集合Di,计算比较得出距离值的最大值Di(max)和最小值Di(min),并计算出两者之间的差值x;
第四五模块,用于通过x将可行性数据集的样本集分为若干个不同的取值范围,对每一范围的轨迹数据点进行计算分析,并查找含有对应轨迹数据点最多的一组簇Ai,将其含有最少样本轨迹数据点的簇Am的轨迹点数作为参数Minptsi;
第四六模块,用于重复执行上述的模块四一至模块四五求得所有数据集中不同的簇Ai对应的εi值和Minptsi值,并以最大的Minpts作为可行性数据集的参数标准值。
本发明的系统各实施例的详细内容,具体可参见各方法实施例的对应部分,在此,不再赘述。
与传统应用红外热成像技术识别车辆实载乘员数,依托视频监控设备对违规驶入HOV车道车辆的自动抓拍从而进行监测执法相比,本发明的有益效果是:创新性提出使用智能移动手机定位技术及车载GPS技术建立检测模型应用于HOV车道智能检测。可以节约基础设施建设成本,为交通部门道路执法提供新的监测手段。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (8)
1.一种手机及车辆定位分析方法,其特征在于,包括:
采集道路上运行车辆的GPS的定位数据以及道路上车载乘客手机的海量GPS的定位数据和基站的定位数据;
对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库;
通过所述数据库中的可行性数据集的经纬度的信息进行地图匹配;
根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值;
将各个簇的关键对象度量值作为定位分析模型的支持度,将HOV车道实际规定符合车辆车载人数作为其最小支持度,检测满足所述最小支持度的符合在HOV车道的行驶车辆,将符合的行驶车辆的信息存入对应的数据库;
将所述符合的行驶车辆的信息作为挖掘建立的车辆及手机定位分析模型的依据。
2.如权利要求1所述的手机及车辆定位分析方法,其特征在于,对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库,包括:
假设Pi-1、Pi、Pi+1是按照时间顺序排列的位置点,其中Pi是疑似异常点,计算移动对象在Pi-1、Pi+1点之间的平均速度v,移动对象在时间段[ti-1,ti]内的路程小于等于半径r1且在时间段[ti,ti+1]的路程小于等于r2,即移动对象在ti时刻出现在以Pi-1为原点以r1为半径和以Pi+1为原点以r2为半径的两区域的交集时则为正点,反之,Pi是异常点,将Pi删除。
3.如权利要求1所述的手机及车辆定位分析方法,其特征在于,根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值,包括:
通过优化的ST-DBSCAN聚类算法的ε和Minpts参数值,根据所述定位数据,得出车辆中乘客人数作为簇的关键对象度量值。
4.如权利要求3所述的手机及车辆定位分析方法,其特征在于,通过优化的ST-DBSCAN聚类算法的ε和Minpts参数值,根据所述定位数据,得出车辆中乘客人数作为簇的关键对象度量值,包括:
步骤一,通过某一路段的车载GPS轨迹数据确定出K-means聚类算法的K值,即表示可行性数据集分配的簇族数;
步骤二,使用K-means算法对可行性定位数据集N进行聚类,得到簇族数集合(A1,A2,...,Ak);其中Ai表示第i个簇;
步骤三,对于每一个簇Ai,计算其中每每两个样本之间相距的距离,从而得出样本距离集Di,其中,Di=(d1,d2,...,di);
步骤四,对集合Di,计算比较得出距离值的最大值Di(max)和最小值Di(min),并计算出两者之间的差值x;
步骤五,通过x将可行性数据集的样本集分为若干个不同的取值范围,对每一范围的轨迹数据点进行计算分析,并查找含有对应轨迹数据点最多的一组簇Ai,将其含有最少样本轨迹数据点的簇Am的轨迹点数作为参数Minptsi;
步骤六,重复上述的步骤一至五求得所有数据集中不同的簇Ai对应的εi值和Minptsi值,并以最大的Minpts作为可行性数据集的参数标准值。
5.一种手机及车辆定位分析系统,其特征在于,包括:
第一模块,用于采集道路上运行车辆的GPS的定位数据以及道路上车载乘客手机的海量GPS的定位数据和基站的定位数据;
第二模块,用于对采集的定位数据进行包括数据格式校验、剔除逻辑错误数据、补齐部分缺失数据的数据预处理操作,以生成可行性数据集存入数据库;
第三模块,用于通过所述数据库中的可行性数据集的经纬度的信息进行地图匹配;
第四模块,用于根据所述地图匹配结构再次扫描数据库,将所述定位数据的定位轨迹数据点通过ST-DBSCAN聚类算法进行分类,计算出各个簇的关键对象度量值;
第五模块,用于将各个簇的关键对象度量值作为定位分析模型的支持度,将HOV车道实际规定符合车辆车载人数作为其最小支持度,检测满足所述最小支持度的符合在HOV车道的行驶车辆,将符合的行驶车辆的信息存入对应的数据库;
第六模块,用于将所述符合的行驶车辆的信息作为挖掘建立的车辆及手机定位分析模型的依据。
6.如权利要求5所述的手机及车辆定位分析系统,其特征在于,所述第二模块,用于假设Pi-1、Pi、Pi+1是按照时间顺序排列的位置点,其中Pi是疑似异常点,计算移动对象在Pi-1、Pi+1点之间的平均速度v,移动对象在时间段[ti-1,ti]内的路程小于等于半径r1且在时间段[ti,ti+1]的路程小于等于r2,即移动对象在ti时刻出现在以Pi-1为原点以r1为半径和以Pi+1为原点以r2为半径的两区域的交集时则为正点,反之,Pi是异常点,将Pi删除。
7.如权利要求5所述的手机及车辆定位分析系统,其特征在于,所述第四模块,用于通过优化的ST-DBSCAN聚类算法的ε和Minpts参数值,根据所述定位数据,得出车辆中乘客人数作为簇的关键对象度量值。
8.如权利要求7所述的手机及车辆定位分析系统,其特征在于,所述第四模块,包括:
第四一模块,用于通过某一路段的车载GPS轨迹数据确定出K-means聚类算法的K值,即表示可行性数据集分配的簇族数;
第四二模块,用于使用K-means算法对可行性定位数据集N进行聚类,得到簇族数集合(A1,A2,...,Ak);其中Ai表示第i个簇;
第四三模块,用于对于每一个簇Ai,计算其中每每两个样本之间相距的距离,从而得出样本距离集Di,其中,Di=(d1,d2,...,di);
第四四模块,用于对集合Di,计算比较得出距离值的最大值Di(max)和最小值Di(min),并计算出两者之间的差值x;
第四五模块,用于通过x将可行性数据集的样本集分为若干个不同的取值范围,对每一范围的轨迹数据点进行计算分析,并查找含有对应轨迹数据点最多的一组簇Ai,将其含有最少样本轨迹数据点的簇Am的轨迹点数作为参数Minptsi;
第四六模块,用于重复执行上述的模块四一至模块四五求得所有数据集中不同的簇Ai对应的εi值和Minptsi值,并以最大的Minpts作为可行性数据集的参数标准值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489570.XA CN108734129A (zh) | 2018-05-21 | 2018-05-21 | 手机及车辆定位分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489570.XA CN108734129A (zh) | 2018-05-21 | 2018-05-21 | 手机及车辆定位分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734129A true CN108734129A (zh) | 2018-11-02 |
Family
ID=63937905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810489570.XA Pending CN108734129A (zh) | 2018-05-21 | 2018-05-21 | 手机及车辆定位分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734129A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111143A (zh) * | 2019-04-28 | 2019-08-09 | 上海二三四五移动科技有限公司 | 一种建立移动端用户画像的控制方法以及控制装置 |
CN110728309A (zh) * | 2019-09-27 | 2020-01-24 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于铁路信号与北斗定位的行车轨迹聚类方法 |
CN110956820A (zh) * | 2019-12-12 | 2020-04-03 | 武汉理工大学 | 一种基于乘客手机gps定位的公路客运超载实时预警系统 |
CN111079524A (zh) * | 2019-11-05 | 2020-04-28 | 联通系统集成有限公司贵州省分公司 | 一种基于运营商基站的目标身份识别方法与系统 |
CN111309780A (zh) * | 2020-01-21 | 2020-06-19 | 腾讯云计算(北京)有限责任公司 | 一种轨迹数据处理方法及装置 |
CN111310551A (zh) * | 2018-12-11 | 2020-06-19 | e解决方案有限公司 | 用于识别特定于乘员的设置的方法及用于执行该方法的车辆 |
CN111507364A (zh) * | 2019-01-31 | 2020-08-07 | 杭州隼目信息科技有限公司 | 一种可疑车辆检测方法 |
CN111651529A (zh) * | 2020-05-26 | 2020-09-11 | 河北师范大学 | 基于手机信令数据的机场航空旅客分类识别方法 |
CN111862589A (zh) * | 2020-01-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种高容量车道确定方法及装置 |
CN112348091A (zh) * | 2020-11-10 | 2021-02-09 | 成都福立盟环保大数据有限公司 | 基于渣土车gps的双聚类的黑工地点位识别算法 |
CN113253324A (zh) * | 2021-02-25 | 2021-08-13 | 安徽乐道信息科技有限公司 | 一种高速公路目标场景定位方法、导航方法及系统 |
CN114466328A (zh) * | 2022-04-13 | 2022-05-10 | 北京融信数联科技有限公司 | 渣土车轨迹还原方法、系统和可读存储介质 |
CN114818905A (zh) * | 2022-04-21 | 2022-07-29 | 福州大学 | 一种基于基站切换数据的车速估计误差的评价方法及系统 |
CN115587657A (zh) * | 2022-10-19 | 2023-01-10 | 华中科技大学 | 一种夜间定制公交的站点确定及线路优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7786897B2 (en) * | 2007-01-23 | 2010-08-31 | Jai Pulnix, Inc. | High occupancy vehicle (HOV) lane enforcement |
CN103593974A (zh) * | 2013-11-06 | 2014-02-19 | 福建工程学院 | 一种基于定位信息的公交载客量采集方法 |
US20170046644A1 (en) * | 2014-04-24 | 2017-02-16 | Beijing Didi Infinity Science And Technology Limited | System and method for managing supply of service |
CN107392245A (zh) * | 2017-07-19 | 2017-11-24 | 南京信息工程大学 | 一种出租车载客轨迹聚类算法Tr‑OPTICS |
CN107657211A (zh) * | 2017-08-11 | 2018-02-02 | 广州烽火众智数字技术有限公司 | 一种hov车道的车辆乘客人数检测方法和装置 |
-
2018
- 2018-05-21 CN CN201810489570.XA patent/CN108734129A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7786897B2 (en) * | 2007-01-23 | 2010-08-31 | Jai Pulnix, Inc. | High occupancy vehicle (HOV) lane enforcement |
CN103593974A (zh) * | 2013-11-06 | 2014-02-19 | 福建工程学院 | 一种基于定位信息的公交载客量采集方法 |
US20170046644A1 (en) * | 2014-04-24 | 2017-02-16 | Beijing Didi Infinity Science And Technology Limited | System and method for managing supply of service |
CN107392245A (zh) * | 2017-07-19 | 2017-11-24 | 南京信息工程大学 | 一种出租车载客轨迹聚类算法Tr‑OPTICS |
CN107657211A (zh) * | 2017-08-11 | 2018-02-02 | 广州烽火众智数字技术有限公司 | 一种hov车道的车辆乘客人数检测方法和装置 |
Non-Patent Citations (4)
Title |
---|
DERYA BIRANT ET AL: "ST-DBSCAN: An algorithm for clustering spatial-temporal data", 《DATA KNOWL. ENG》 * |
GUPTA A ET AL: "DTC: A framework to Detect Traffic Congestion by mining versatile GPS data", 《2013 1ST INTERNATIONAL CONFERENCE ON EMERGING TRENDS AND APPLICATIONS IN COMPUTER SCIENCE》 * |
刘爽: "基于时空轨迹的交通数据分析与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
吕绍仟: "基于时空数据的移动对象相似性度量方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310551B (zh) * | 2018-12-11 | 2023-07-18 | e解决方案有限公司 | 用于识别特定于乘员的设置的方法及用于执行该方法的车辆 |
CN111310551A (zh) * | 2018-12-11 | 2020-06-19 | e解决方案有限公司 | 用于识别特定于乘员的设置的方法及用于执行该方法的车辆 |
CN111507364A (zh) * | 2019-01-31 | 2020-08-07 | 杭州隼目信息科技有限公司 | 一种可疑车辆检测方法 |
CN110111143A (zh) * | 2019-04-28 | 2019-08-09 | 上海二三四五移动科技有限公司 | 一种建立移动端用户画像的控制方法以及控制装置 |
CN110728309A (zh) * | 2019-09-27 | 2020-01-24 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于铁路信号与北斗定位的行车轨迹聚类方法 |
CN110728309B (zh) * | 2019-09-27 | 2023-05-02 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于铁路信号与北斗定位的行车轨迹聚类方法 |
CN111079524A (zh) * | 2019-11-05 | 2020-04-28 | 联通系统集成有限公司贵州省分公司 | 一种基于运营商基站的目标身份识别方法与系统 |
CN110956820A (zh) * | 2019-12-12 | 2020-04-03 | 武汉理工大学 | 一种基于乘客手机gps定位的公路客运超载实时预警系统 |
CN111862589A (zh) * | 2020-01-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种高容量车道确定方法及装置 |
CN111862589B (zh) * | 2020-01-13 | 2022-05-27 | 北京嘀嘀无限科技发展有限公司 | 一种高容量车道确定方法及装置 |
CN111309780A (zh) * | 2020-01-21 | 2020-06-19 | 腾讯云计算(北京)有限责任公司 | 一种轨迹数据处理方法及装置 |
CN111309780B (zh) * | 2020-01-21 | 2023-04-25 | 腾讯云计算(北京)有限责任公司 | 一种轨迹数据处理方法及装置 |
CN111651529A (zh) * | 2020-05-26 | 2020-09-11 | 河北师范大学 | 基于手机信令数据的机场航空旅客分类识别方法 |
CN112348091A (zh) * | 2020-11-10 | 2021-02-09 | 成都福立盟环保大数据有限公司 | 基于渣土车gps的双聚类的黑工地点位识别算法 |
CN113253324A (zh) * | 2021-02-25 | 2021-08-13 | 安徽乐道信息科技有限公司 | 一种高速公路目标场景定位方法、导航方法及系统 |
CN113253324B (zh) * | 2021-02-25 | 2024-03-29 | 安徽乐道智能科技有限公司 | 一种高速公路目标场景定位方法、导航方法及系统 |
CN114466328B (zh) * | 2022-04-13 | 2022-06-28 | 北京融信数联科技有限公司 | 渣土车轨迹还原方法、系统和可读存储介质 |
CN114466328A (zh) * | 2022-04-13 | 2022-05-10 | 北京融信数联科技有限公司 | 渣土车轨迹还原方法、系统和可读存储介质 |
CN114818905A (zh) * | 2022-04-21 | 2022-07-29 | 福州大学 | 一种基于基站切换数据的车速估计误差的评价方法及系统 |
CN115587657A (zh) * | 2022-10-19 | 2023-01-10 | 华中科技大学 | 一种夜间定制公交的站点确定及线路优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734129A (zh) | 手机及车辆定位分析方法及系统 | |
Shen et al. | Review of GPS travel survey and GPS data-processing methods | |
CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
Biljecki et al. | Transportation mode-based segmentation and classification of movement trajectories | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
CN111862606B (zh) | 一种基于多源数据的非法营运车辆识别方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN104573116B (zh) | 基于出租车gps数据挖掘的交通异常识别方法 | |
CN110298500A (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 | |
CN109615572A (zh) | 基于大数据的人员亲密度分析的方法及系统 | |
CN105096590B (zh) | 交通信息生成方法和交通信息生成设备 | |
CN114363842B (zh) | 基于手机信令数据的公交乘客下车站点预测方法及装置 | |
CN109634946A (zh) | 一种基于大数据挖掘的轨迹智能匹配关联分析算法模型 | |
CN110517500A (zh) | 一种人车关联处理方法及装置 | |
CN107240264A (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
CN107578619B (zh) | 基于ic卡数据测定地铁站点公共自行车服务范围的方法 | |
CN114067610B (zh) | 一种错过岔道口事故的仿真场景构建方法及装置 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN107622660A (zh) | 一种道路限行时间确定方法及装置 | |
CN110491157A (zh) | 一种基于停车场数据和卡口数据的车辆关联方法 | |
Habtie et al. | Cellular network based real-time urban road traffic state estimation framework using neural network model estimation | |
Hu et al. | Evaluating Bicycling Environments with Trajectory Data on Shared Bikes: A Case Study of Beijing | |
CN110956820A (zh) | 一种基于乘客手机gps定位的公路客运超载实时预警系统 |
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 |
Application publication date: 20181102 |
|
RJ01 | Rejection of invention patent application after publication |