CN108960684A - 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 - Google Patents
一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 Download PDFInfo
- Publication number
- CN108960684A CN108960684A CN201810941450.9A CN201810941450A CN108960684A CN 108960684 A CN108960684 A CN 108960684A CN 201810941450 A CN201810941450 A CN 201810941450A CN 108960684 A CN108960684 A CN 108960684A
- Authority
- CN
- China
- Prior art keywords
- trip
- node
- passenger
- chain
- topological relation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012546 transfer Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims 1
- 238000013467 fragmentation Methods 0.000 abstract description 4
- 238000006062 fragmentation reaction Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 101150004703 eIF3i gene Proteins 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G06Q50/40—
Abstract
本发明公开了一种基于不完全轨迹片段的公交乘客出行链挖掘方法,该方法整合乘客在公交系统中零散的轨迹片段,形成出行拓扑关系图,并借助改进的深度优先算法得到乘客在公交系统中的闭合出行链,并给出了乘客不闭合的出行轨迹片段、闭合出行链以及进行关联的方法。本发明的方法可从当前各大城市公交系统严重碎片化的轨迹片段中还原出乘客的闭合出行链,有利于从个体的角度分析乘客的出行特征与行为规律。
Description
技术领域
本发明涉及智能化公共交通技术领域,更具体地说,涉及一种基于不完全 轨迹片段的公交乘客出行链挖掘方法。
背景技术
随着智能交通系统的快速发展,尤其是可记录乘客活动位置信息的IC卡在 公交行业的大规模应用,通过刷卡记录低成本提取宏观市域以至中观交通小区 层面客流分布信息已成为了交管部门获知客流动态的新途径。然而,对公交系 统进行科学合理的运营规划不仅需要得到大范围的客流态势,更需要深入挖掘 每个乘客在站点空间上的出行模式,即闭合出行链。闭合出行链描述了出行者 从起始点出发,经过若干个目的地,再返回起始点的出行全过程。它摒弃了传 统交通行为模型中表征每一次出行的孤立静态性,真实揭示了城市交通出行全 过程的连续性特征,体现了乘客交通出行的连续动态特性。
然而,通过乘客出行刷卡记录获知每一名乘客的闭合出行链,仍存在较大 困难。究其原因,一方面,随着城市公交线网日渐发达,乘客可以选择多种不 同的线路甚至合理步行距离内完全不同的车站作为起终点完成相同的目的出行, 给信息处理带来困难;另一方面,城市公交系统是一个开放的巨系统,乘客可 以在多种交通方式(如共享自行车、出租车)间做出选择,公交票卡所反映的 轨迹数据仅仅反映乘客在城市中活动的轨迹片段,成链特性不显著。因此需要 对片段化的轨迹数据进行深度整合与处理方能去除冗余信息还原每一位乘客在 公交系统中闭合出行链。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种基于不完全轨 迹片段的公交乘客出行链挖掘方法,该方法不仅整合乘客在公交系统中碎片化 的轨迹片段,得到乘客在公交系统中的闭合出行链,还给出了乘客不闭合的出 行轨迹片段、闭合出行链以及进行关联的实现方案,有利于从个体的角度分析 乘客的出行特征与行为规律。
为了达到上述目的,本发明采用以下技术方案:
本发明一种基于不完全轨迹片段的公交乘客出行链挖掘方法,包括下述步 骤:
S1、采用聚类的方法合并乘客的等价出行,所述等价出行是指乘客出行记 录在出行空间上相似但首末站名不相同的出行站点轨迹,所述空间上相似是指 起点、终点均具有非常近的地理距离;
S2、扫描每一名乘客合并等价出行后的站点轨迹集合,考察出行站点轨迹 间两两的时空可连接性,构建出行拓扑关系图数据结构;
S3、借助深度优先搜索算法,从出行拓扑关系图中提取乘客闭合出行链;
S4、将每天无法形成闭合出行链的出行站点轨迹记录与步骤S3得到的闭合 出行链进行关联。
作为优选的技术方案,步骤S1具体为:
对于每一名乘客任意两条出行站点轨迹记录T1、T2,计算起点间的距离δO与 终点间的距离δD,若δO+δD小于预先设定的距离ε,则认为T1、T2为等价出行, 将其归入一个簇u中,所述u={T1,T2,...,Tk},并用簇中被使用频次最高的出行 作为代表元素,替换掉其它出行记录。
作为优选的技术方案,所述ε为500-800米,即成年人以步行速度1.2m/s,20 分钟步行的距离。
作为优选的技术方案,步骤S2中,构建出行拓扑关系图数据结构以及拓扑 关系图局部的特征如下:
(i)以乘客的每一段出行为节点,所述每一段出行包含起点、换乘和终点, 出行拓扑关系图中各节点的连边由节点间的时空关联性决定;
(ii)出行拓扑关系图节点空间可连接定义为:对于出行拓扑关系图中任两 个节点轨迹记录T1、轨迹记录T2,所述任两个节点代表一次完整的出行,若T1的 终点与T2起点间距离小于ε,或者T1的起点与T2终点间距离小于ε,则T1、T2空间 上可连接;
(iii)出行拓扑关系图节点时间可连接定义为:对于该乘客至少能在k个 独立出行日观察到Ti在Tj后发生;
(iiii)出行拓扑关系图中任两个T1,T2,若时空可连接,则T1、T2可连接。
作为优选的技术方案,步骤S3具体为:
S31、计算步骤S2中生成的乘客出行拓扑关系图中各节点被使用的频数, 生成节点的可访问次数表;
S32、从第一个节点vo开始,依次选定出行拓扑关系图中任一节点vk,将vk加 入链表ODL,利用深度优先法则寻找下一个可连接的节点vk+1;
S33、若vk+1与ODL中所有元素均无法构成闭合出行链,则将vk+1加入ODL, 继续利用深度优先搜索算法寻找下一个可连接的节点vk+2;
S34、若vk+n与ODL中任一元素可连接且构成闭合出行链TCk,则提取该闭 合链并输出,同时,TCk中所有涉及的节点可访问次数减1;
S35、若某节点vm可访问次数为零,则从拓扑关系图与ODL中移除该节点;
S36、若ODL无法再获取到新节点且仍不闭合,则将最后一个进入链表的节 点移出再次利用深度优先搜索算法获取新节点;
S37、若ODL中所有元素均被移出,则重新选择开始点,直到拓扑关系图中 所有可访问的节点都被当作过开始点用过为止,保证搜索到 乘客OTD出行拓扑关系图HTGp中所有的连通分量。
作为优选的技术方案,步骤S4具体为:
S41、对每一个闭合出行链TCi,与出行日d非闭合出行记录集Tnc,定义其 支持度为TCi与Tnc共有的等价出行个数比上TCi中所有的出行;
S42、对每一个闭合出行链TCi,与出行日d非闭合出行记录集Tnc,定义其 覆盖度为TCi与Tnc共有的等价出行个数比上Tnc中所有的出行个数;
S43、将关联问题转化为:寻找尽量少的闭合链TCx∈Dp,将Tnc所包含的非 闭合出行全部覆盖,同时要求每个TCx拥有尽量高的支持度,并借助贪婪算法求 解。
作为优选的技术方案,步骤S43中所述借助贪婪算法求解,具体步骤为:
S431、计算该乘客每个闭合链在Tnc中的支持度与覆盖度,取出支持度与覆 盖度乘积最大的闭合链TCm,与从Tnc中移出相应被覆盖的记录同时将TCm与 建立关联;
S432、重复第S431步,直到Tnc中所有的出行均已被关联。
本发明与现有技术相比,具有如下优点和有益效果:
本发明采用把每段出行轨迹作为一个结点,设定结点连接定义,利用深度 优先算法的技术方案,实现了碎片化轨迹信息背景下公交乘客闭合出行链的提 取,摒弃了传统碎片化的OTD出行特征分析,为深入挖掘个体乘客的出行模式 与出行规律提供了坚实基础。
附图说明
图1是本发明的算法流程如图;
图2是本实施例出行拓扑关系图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方 式不限于此。
实施例
如图1所示,本实施例一种基于不完全轨迹片段的公交乘客出行链挖掘方 法,主要包括以下步骤:
S1、聚类法合并等价的出行。在公交线网繁密的城市中,乘客出行记录会 出现大量空间上相似但首末站名不相同的站点,所述空间上相似即起点、终点 均具有非常近的地理距离,为保证得到客观真实的公交闭合出行链,需要合并 相似的出行。
本实施例中,采用聚类法合并等价出行的具体方法为:
对于每一名乘客任意两条出行站点轨迹记录T1、T2,计算起点间的距离δO与 终点间的距离δD,若δO+δD小于预先设定的距离ε(一合理距离可为700米,步 行速度1.2m/s,约20分钟步行时间),则认为T1、T2为等价出行,将其归入一个 簇u,其中u={T1,T2,...,Tk},并用簇中被使用频次最高的出行作为代表元 素,替换掉其它出行记录。
S2、扫描每一名乘客合并等价出行后的站点轨迹集合,考察出行站点轨迹 间两两的时空可连接性,构建出行拓扑关系图数据结构。
如图2所示,所述出行拓扑关系图的特点,包括下述内容:
(i)以乘客的每一段出行为节点,所述每一段出行包含起点、换乘、终点, 出行拓扑关系图中各节点的连边由节点间的时空关联性决定。
从图中可知,该乘客共有5种不同的乘车记录,其中,O表示起点,T表示 换乘,D表示终点,这些乘车记录组成了3段不同的出行,分别为Trip1、Trip2、 Trip3,这些出行被转化成拓扑图中三个不同的节点。
(ii)出行拓扑关系图节点空间可连接定义为:对于出行拓扑关系图中任 两个T1、T2,所述任两个节点代表一次完整的出行,若T1的终点与T2起点间距离 小于700m,或者T1的起点与T2终点间距离小于ε,则T1、T2空间上可连接。
(iii)出行拓扑关系图节点时间可连接定义为:对于该乘客至少能在k个 独立出行日观察到Ti在Tj后发生。
(iiii)出行拓扑关系图中任两个T1、T2,若时空可连接,则T1、T2可连接。
S3、借助深度优先搜索算法,从出行拓扑关系图中提取乘客闭合出行链。 该步骤包含以下子步骤:
S31、计算步骤S2生成的该乘客出行拓扑关系图中各节点被使用的频数, 生成节点的可访问次数表;
S32、从第一个节点vo开始,依次选定出行拓扑关系图中任一节点vk,将vk加 入链表ODL,利用深度优先法则寻找下一个可连接的节点vk+1;
S33、若vk+1与ODL中所有元素均无法构成闭合出行链,则将vk+1加入ODL, 继续利用深度优先搜索算法寻找下一个可连接的节点vk+2;
S34、若vk+n与ODL中任一元素可连接且构成闭合出行链TCk,则提取该闭 合链并输出,同时,TCk中所有涉及的节点可访问次数减1;
S35、若某节点vm可访问次数为零,则从拓扑关系图与ODL中移除该节点。
S36、若ODL无法再获取到新节点且仍不闭合,则将最后一个进入链表的节 点移出再次利用深度优先准则获取新节点。
S37、若ODL中所有元素均被移出,则重新选择开始点,直到拓扑关系图中 所有可访问的节点都被当作过开始点用过为止,保证搜索到 乘客OTD出行拓扑关系图HTGp中所有的连通分量。
S4、将每天无法形成闭合出行链的出行站点轨迹记录与步骤S3得到的闭合 出行链进行关联,该步骤具体包括下述内容:
S41、对每一个闭合出行链TCi,与出行日d非闭合出行记录集Tnc,定义其 支持度为TCi与Tnc共有的等价出行个数比上TCi中所有的出行;
S42、对每一个闭合出行链TCi,与出行日d非闭合出行记录集Tnc,定义其 覆盖度为TCi与Tnc共有的等价出行个数比上Tnc中所有的出行个数;
S43、将关联问题转化为:寻找尽肯能少的闭合链TCx∈Dp,将Tnc所包含的 非闭合出行全部覆盖,同时要求每个TCx拥有尽可能高的支持度。显然,该问题 是经典的集合覆盖问题,可以借助贪婪算法求解,具体步骤如下:
S431、计算该乘客每个闭合链在Tnc中的支持度与覆盖度,取出支持度与覆 盖度乘积最大的闭合链TCm,与从Tnc中移出相应被覆盖的记录同时将TCm与 建立关联。
S432、重复第S431步,直到Tnc中所有的出行均已被关联。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实 施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、 替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于不完全轨迹片段的公交乘客出行链挖掘方法,其特征在于,包括下述步骤:
S1、采用聚类的方法合并乘客的等价出行,所述等价出行是指乘客出行记录在出行空间上相似但首末站名不相同的出行站点轨迹,所述空间上相似是指起点、终点均具有非常近的地理距离;
S2、扫描每一名乘客合并等价出行后的站点轨迹集合,考察出行站点轨迹间两两的时空可连接性,构建出行拓扑关系图数据结构;
S3、借助深度优先搜索算法,从出行拓扑关系图中提取乘客闭合出行链;
S4、将每天无法形成闭合出行链的出行站点轨迹记录与步骤S3得到的闭合出行链进行关联。
2.根据权利要求1所述基于不完全轨迹片段的公交乘客出行链挖掘方法,其特征在于,步骤S1具体为:
对于每一名乘客任意两条出行站点轨迹记录T1、T2,计算起点间的距离δO与终点间的距离δD,若δO+δD小于预先设定的距离ε,则认为T1、T2为等价出行,将其归入一个簇u中,所述u={T1,T2,...,Tk},并用簇中被使用频次最高的出行作为代表元素,替换掉其它出行记录。
3.根据权利要求2所述基于不完全轨迹片段的公交乘客出行链挖掘方法,其特征在于,所述ε为500-800米,即成年人以步行速度1.2m/s,20分钟步行的距离。
4.根据权利要求1或3所述基于不完全轨迹片段的公交乘客出行链挖掘方法,其特征在于,步骤S2中,构建出行拓扑关系图数据结构以及拓扑关系图局部的特征如下:
(i)以乘客的每一段出行为节点,所述每一段出行包含起点、换乘和终点,出行拓扑关系图中各节点的连边由节点间的时空关联性决定;
(ii)出行拓扑关系图节点空间可连接定义为:对于出行拓扑关系图中任两个节点轨迹记录T1、轨迹记录T2,所述任两个节点代表一次完整的出行,若T1的终点与T2起点间距离小于ε,或者T1的起点与T2终点间距离小于ε,则T1、T2空间上可连接;
(iii)出行拓扑关系图节点时间可连接定义为:对于该乘客至少能在k个独立出行日观察到Ti在Tj后发生;
(iiii)出行拓扑关系图中任两个T1,T2,若时空可连接,则T1、T2可连接。
5.根据权利要求1所述基于不完全轨迹片段的公交乘客出行链挖掘方法,其特征在于,步骤S3具体为:
S31、计算步骤S2中生成的乘客出行拓扑关系图中各节点被使用的频数,生成节点的可访问次数表;
S32、从第一个节点vo开始,依次选定出行拓扑关系图中任一节点vk,将vk加入链表ODL,利用深度优先法则寻找下一个可连接的节点vk+1;
S33、若vk+1与ODL中所有元素均无法构成闭合出行链,则将vk+1加入ODL,继续利用深度优先搜索算法寻找下一个可连接的节点vk+2;
S34、若vk+n与ODL中任一元素可连接且构成闭合出行链TCk,则提取该闭合链并输出,同时,TCk中所有涉及的节点可访问次数减1;
S35、若某节点vm可访问次数为零,则从拓扑关系图与ODL中移除该节点;
S36、若ODL无法再获取到新节点且仍不闭合,则将最后一个进入链表的节点移出再次利用深度优先搜索算法获取新节点;
S37、若ODL中所有元素均被移出,则重新选择开始点,直到拓扑关系图中所有可访问的节点都被当作过开始点用过为止,保证搜索到乘客OTD出行拓扑关系图HTGp中所有的连通分量。
6.根据权利要求1所述基于不完全轨迹片段的公交乘客出行链挖掘方法,其特征在于,步骤S4具体为:
S41、对每一个闭合出行链TCi,与出行日d非闭合出行记录集Tnc,定义其支持度为TCi与Tnc共有的等价出行个数比上TCi中所有的出行;
S42、对每一个闭合出行链TCi,与出行日d非闭合出行记录集Tnc,定义其覆盖度为TCi与Tnc共有的等价出行个数比上Tnc中所有的出行个数;
S43、将关联问题转化为:寻找尽量少的闭合链TCx∈Dp,将Tnc所包含的非闭合出行全部覆盖,同时要求每个TCx拥有尽量高的支持度,并借助贪婪算法求解。
7.根据权利要求6所述基于不完全轨迹片段的公交乘客出行链挖掘方法,其特征在于,步骤S43中所述借助贪婪算法求解,具体步骤为:
S431、计算该乘客每个闭合链在Tnc中的支持度与覆盖度,取出支持度与覆盖度乘积最大的闭合链TCm,与从Tnc中移出相应被覆盖的记录同时将TCm与建立关联;
S432、重复第S431步,直到Tnc中所有的出行均已被关联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810941450.9A CN108960684B (zh) | 2018-08-17 | 2018-08-17 | 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810941450.9A CN108960684B (zh) | 2018-08-17 | 2018-08-17 | 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960684A true CN108960684A (zh) | 2018-12-07 |
CN108960684B CN108960684B (zh) | 2021-11-23 |
Family
ID=64470547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810941450.9A Active CN108960684B (zh) | 2018-08-17 | 2018-08-17 | 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960684B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN111858806A (zh) * | 2020-07-09 | 2020-10-30 | 武汉译码当先科技有限公司 | 乘客出行轨迹检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279950A (zh) * | 2011-08-02 | 2011-12-14 | 中国铁道科学研究院电子计算技术研究所 | 基于数据挖掘和神经网络的轨道交通清分方法 |
CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
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 |
CN106874432A (zh) * | 2017-01-24 | 2017-06-20 | 华南理工大学 | 一种公共交通乘客出行时空轨迹提取方法 |
US20170220966A1 (en) * | 2016-02-03 | 2017-08-03 | Operr Technologies, Inc. | Method and System for On-Demand Customized Services |
-
2018
- 2018-08-17 CN CN201810941450.9A patent/CN108960684B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279950A (zh) * | 2011-08-02 | 2011-12-14 | 中国铁道科学研究院电子计算技术研究所 | 基于数据挖掘和神经网络的轨道交通清分方法 |
CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
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 |
US20170220966A1 (en) * | 2016-02-03 | 2017-08-03 | Operr Technologies, Inc. | Method and System for On-Demand Customized Services |
CN106874432A (zh) * | 2017-01-24 | 2017-06-20 | 华南理工大学 | 一种公共交通乘客出行时空轨迹提取方法 |
Non-Patent Citations (1)
Title |
---|
李莹 等: "基于公交IC卡和GPS数据的换乘识别方法", 《广西大学学报( 自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN110782070B (zh) * | 2019-09-25 | 2022-04-22 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN111858806A (zh) * | 2020-07-09 | 2020-10-30 | 武汉译码当先科技有限公司 | 乘客出行轨迹检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108960684B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | T-CONV: A convolutional neural network for multi-scale taxi trajectory prediction | |
CN109359682B (zh) | 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法 | |
CN105206048B (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
CN107766808A (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 | |
CN109949574B (zh) | 一种数据驱动的城市路网交通小区多级划分方法 | |
Kumar et al. | Understanding urban mobility via taxi trip clustering | |
Tang et al. | Exploring urban travel patterns using density-based clustering with multi-attributes from large-scaled vehicle trajectories | |
CN106651027A (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
CN111489549B (zh) | 一种基于历史行为画像的出行车辆路径选择方法 | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
CN108960684A (zh) | 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 | |
Yang et al. | Short-term traffic speed prediction of urban road with multi-source data | |
Ezzat et al. | Building road segments and detecting turns from gps tracks | |
CN114238542A (zh) | 多源交通gis路网多层级实时融合更新方法 | |
CN113283581A (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
Guan et al. | A unified framework for predicting kpis of on-demand transport services | |
CN114386536B (zh) | 区域确定方法、装置、计算设备以及存储介质 | |
CN106056577A (zh) | 基于mds‑srm混合级联的sar图像变化检测方法 | |
CN107729610A (zh) | 一种基于网络游记的旅游推荐线路图生成方法 | |
Xiao et al. | A contextual master-slave framework on urban region graph for urban village detection | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN109740957A (zh) | 一种城市交通网络节点分类方法 | |
Hu et al. | A novel method for the detection of road intersections and traffic rules using big floating car data | |
Cai et al. | The mining of urban hotspots based on multi-source location data fusion |
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 |