CN109034628B - 一种城市公共自行车系统的过载判断方法 - Google Patents

一种城市公共自行车系统的过载判断方法 Download PDF

Info

Publication number
CN109034628B
CN109034628B CN201810862648.8A CN201810862648A CN109034628B CN 109034628 B CN109034628 B CN 109034628B CN 201810862648 A CN201810862648 A CN 201810862648A CN 109034628 B CN109034628 B CN 109034628B
Authority
CN
China
Prior art keywords
point
overload
points
taxi
steps
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
Application number
CN201810862648.8A
Other languages
English (en)
Other versions
CN109034628A (zh
Inventor
孙小华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changxing Huagenai Logistics Equipment Co ltd
Original Assignee
Changxing Huagenai Logistics Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changxing Huagenai Logistics Equipment Co ltd filed Critical Changxing Huagenai Logistics Equipment Co ltd
Priority to CN201810862648.8A priority Critical patent/CN109034628B/zh
Publication of CN109034628A publication Critical patent/CN109034628A/zh
Application granted granted Critical
Publication of CN109034628B publication Critical patent/CN109034628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Coin-Freed Apparatuses For Hiring Articles (AREA)

Abstract

本发明公开了一种城市公共自行车系统的过载判断方法，包括以下步骤：步骤一：租车点聚类划分；步骤二：建立扩散模型；步骤三：判断指标的计算；步骤四：过载判断。本发明通过先将租车点根据空间位置及相关性规则进行聚类划分，再结合聚类划分集合中租车点的状态与扩散规律进行扩散建模，并进行判断指标计算，最后基于指标对公共自行车系统的过载状态进行判断。本发明基于扩散规律对租车点的过载进行判断，基于此可以制定改善现有城市公共自行车系统的方案，具有实践指导意义。

Description

一种城市公共自行车系统的过载判断方法
【技术领域】
本发明涉及公共自行车的技术领域，特别是城市公共自行车系统的过载判断方法的技术领域。
【背景技术】
城市公共自行车租赁系统是公共自行车及其租车点构成的一个庞大的自行车网的系统。“公共自行车”就是在某个区域内(城市、大型景区、大学城、大型企业内等)，隔一定距离规划出一些停放公共自行车的点(比如社区门口、校园门口、车站、码头、商圈、景点、公交对接处、地铁出口，公交换乘点等)，每个租车点放置自行车20辆左右，供市民在一定时间内免费使用，利于低碳出行，全民健身，和城市畅通。城市公共自行车的租车点应该是公交车站的2倍。每辆自行车都是特制的，有自己的身份标签。通过融鼎公共自行车管理系统来管理自行车的租借。由于系统联网，所以在任何租车点刷卡借车，可在其它任何不同的点刷卡还车。
随着经济的快速发展，以及国内外对环保绿色出行的重视，公共自行车的发展得到了重视。目前的公共自行车系统缺乏根据动态需求实时系统优化的能力，导致公共自行车系统多发性局部瘫痪，甚至全局瘫痪。因此，有必要针对城市中现有的公共自行车系统进行分析，确定是否会出现局部或全局瘫痪，然后在此基础上，进行租车点的增设修改，从而建立一个不会过载的公共自行车系统。
公共自行车的数量多，若研究单个公共自行车的信息，除了数量巨大会导致工作量庞大外，还具有数据分散的特点，这对规律的挖掘产生了巨大的阻碍。公共自行车的相关数据是动态变化的，每辆自行车就产生一条记录(相关信息)。然而，租车点的数量较少，数据较为集中。因此，可以将公共自行车的租车点作为研究对象，用于对城市公共自行车系统是否过载进行判断。
【发明内容】
本发明的目的就是解决现有技术中的问题，提出一种城市公共自行车系统的过载判断方法，结合城市公共自行车系统的过载情况、租车点数量、时间属性和地域空间属性等因素，建立扩散模型，然后对判断指标进行计算，最后通过该判断指标的比较，做出是否过载的判断。本发明基于扩散规律对租车点的过载进行判断，基于此可以制定改善现有城市公共自行车系统的方案，具有实践指导意义。
为实现上述目的，本发明提出了一种城市公共自行车系统的过载判断方法，包括以下步骤：
步骤一：租车点聚类划分：根据距离进行租车点聚类划分后，再根据相似性规则进行租车点聚类划分；
步骤二：建立扩散模型：
Figure GDA0003202232490000021
其中α(t)为t时刻租车点通过租借行为从正常状态变成过载状态的概率，β(t)为t时刻租车点通过租借行为从过载状态恢复成正常状态的概率，S(t)为t时刻很容易发生过载的租车点，I(t)为t时刻已经过载的租车点，λ(t)为t时刻扩散点扩散租车点的扩散强度，μ(t)为t时刻租车点恢复租赁状态的恢复强度；
步骤三：判断指标的计算：结合S+I＝K，将扩散模型转变为
Figure GDA0003202232490000031
求得判断指标
Figure GDA0003202232490000032
其中K为区域中的租车点数目；
步骤四：过载判断：当ρ≥1时，过载不会扩散导致局部或公共自行车系统的全局瘫痪；当ρ＜1时，过载会扩散而导致公共自行车系统的局部或全局瘫痪。
作为优选，所述步骤一中的根据距离进行租车点聚类划分的方法包括以下步骤：
步骤s11：初始凝聚点的选择：初始聚点集合M0为M0＝{a1,a2,…,an}，其中a为凝聚点，n为初始凝聚点的个数；
步骤s12：获得初始区域划分集合G0：建立集合A0：
Figure GDA0003202232490000033
其中d(a,ai)为a与ai两者之间的距离，将研究对象按照距离划分成n类，得到一个初始区域划分集合为
Figure GDA0003202232490000034
步骤s13：更新区域划分集合G1计算：凝聚点依据
Figure GDA0003202232490000035
进行更新，
更新聚点集合
Figure GDA0003202232490000036
再重新进行划分，建立集合
Figure GDA0003202232490000037
为
Figure GDA0003202232490000038
得新的区域划分集合为
Figure GDA0003202232490000039
步骤s14：重复上述步骤：重复q次，随着q的逐渐增大，区域划分集合不再发生变化，则输出区域划分集合GA＝{A1,A2,...,An}，结束计算。
作为优选，所述步骤一中的根据相似性规则进行租车点聚类划分的方法包括以下步骤：
步骤s21：获得聚点集合Mq：先初始聚点集合M0＝{a1,a2,...,an}，其中a为凝聚点，n为初始凝聚点的个数，再依据
Figure GDA0003202232490000041
进行更新，更新聚点集合
Figure GDA0003202232490000042
最后重复上述步骤，重复q次，获得聚点集合
Figure GDA0003202232490000043
步骤s22：获得划分集合GB0：按照有无租/还行为的规则将数据在时间区间上进行二元化处理，用1代表有租/还行为，0代表无租/还行为，获得GB0＝{B0 1,B0 2,...,B0 n}；
步骤s23：更新划分集合GB1：计算
Figure GDA0003202232490000044
xik∈ai＝(xi1,xi2,...,xim)，xjk∈aj＝(xj1,xj2,...,xjm)，其中m为数据维数，W{xik＝xjk}表示在m维数据中出现xik＝xjk的次数；将f＝0的ai去除，更新集合GB1＝{B1 1,B1 2,...,B1 n}；
步骤s24：重复上述步骤，得到基于相似性规则聚类划分的集合GB＝{B1,B2,...,Bn}。
作为优选，所述步骤二中的λ(t)为t时刻正常点转变成过载点的租车点数目与正常点的租车点数目的比值；所述步骤二中的μ(t)为t时刻过载点转变成正常点的租车点数目与过载点的租车点数目的比值。
本发明的有益效果：
本发明通过先将租车点根据空间位置及相关性规则进行聚类划分，再结合聚类划分集合中租车点的状态与扩散规律进行扩散建模，并进行判断指标计算，最后基于指标对公共自行车系统的过载状态进行判断。本发明基于扩散规律对租车点的过载进行判断，基于此可以制定改善现有城市公共自行车系统的方案，具有实践指导意义。
本发明的特征及优点将通过实施例进行详细说明。
【具体实施方式】
本发明，包括以下步骤：
步骤一：租车点聚类划分：根据距离进行租车点聚类划分后，再根据相似性规则进行租车点聚类划分；
步骤二：建立扩散模型：
Figure GDA0003202232490000051
其中α(t)为t时刻租车点通过租借行为从正常状态变成过载状态的概率，β(t)为t时刻租车点通过租借行为从过载状态恢复成正常状态的概率，S(t)为t时刻很容易发生过载的租车点，I(t)为t时刻已经过载的租车点，λ(t)为t时刻扩散点扩散租车点的扩散强度，μ(t)为t时刻租车点恢复租赁状态的恢复强度；
步骤三：判断指标的计算：结合S+I＝K，将扩散模型转变为
Figure GDA0003202232490000052
求得判断指标
Figure GDA0003202232490000053
其中K为区域中的租车点数目；
步骤四：过载判断：当ρ≥1时，过载不会扩散导致局部或公共自行车系统的全局瘫痪；当ρ＜1时，过载会扩散而导致公共自行车系统的局部或全局瘫痪。
具体的，所述步骤一中的根据距离进行租车点聚类划分的方法包括以下步骤：
步骤s11：初始凝聚点的选择：初始聚点集合M0为M0＝{a1,a2,…,an}，其中a为凝聚点，n为初始凝聚点的个数；
步骤s12：获得初始区域划分集合G0：建立集合A0：
Figure GDA0003202232490000061
其中d(a,ai)为a与ai两者之间的距离，将研究对象按照距离划分成n类，得到一个初始区域划分集合为
Figure GDA0003202232490000062
步骤s13：更新区域划分集合G1计算：凝聚点依据
Figure GDA0003202232490000063
进行更新，
更新聚点集合
Figure GDA0003202232490000064
再重新进行划分，建立集合
Figure GDA0003202232490000065
为
Figure GDA0003202232490000066
得新的区域划分集合为
Figure GDA0003202232490000067
步骤s14：重复上述步骤：重复q次，随着q的逐渐增大，区域划分集合不再发生变化，则输出区域划分集合GA＝{A1,A2,...,An}，结束计算。
具体的，所述步骤一中的根据相似性规则进行租车点聚类划分的方法包括以下步骤：
步骤s21：获得聚点集合Mq：先初始聚点集合M0＝{a1,a2,…,an}，其中a为凝聚点，n为初始凝聚点的个数，再依据
Figure GDA0003202232490000068
进行更新，更新聚点集合
Figure GDA0003202232490000069
最后重复上述步骤，重复q次，获得聚点集合
Figure GDA00032022324900000610
步骤s22：获得划分集合GB0：按照有无租/还行为的规则将数据在时间区间上进行二元化处理，用1代表有租/还行为，0代表无租/还行为，获得GB0＝{B0 1,B0 2,...,B0 n}；
步骤s23：更新划分集合GB1：计算
Figure GDA00032022324900000611
xik∈ai＝(xi1,xi2,...,xim)，xjk∈aj＝(xj1,xj2,...,xjm)，其中m为数据维数，W{xik＝xjk}表示在m维数据中出现xik＝xjk的次数；将f＝0的ai去除，更新集合GB1＝{B1 1,B1 2,...,B1 n}；
步骤s24：重复上述步骤，得到基于相似性规则聚类划分的集合GB＝{B1,B2,...,Bn}。
具体的，所述步骤二中的λ(t)为t时刻正常点转变成过载点的租车点数目与正常点的租车点数目的比值；所述步骤二中的μ(t)为t时刻过载点转变成正常点的租车点数目与过载点的租车点数目的比值。
本发明工作过程：
本发明一种城市公共自行车系统的过载判断方法在工作过程中，以下例进行说明。
以某地区的公共自行车系统的90个租车点为例进行说明，90个租车点则说明M＝90。根据该地区的公共自行车运行的历史数据分析得知，该区域所有的租车点当中，有12个公共自行车租车点最容易处于过载状态(盈/空状态)，因此利用经验法将其选为初始凝聚点，则n＝12，再结合经纬度与K均值融合的方法后得到一次聚类的结果按(经度，纬度)的形式记录如下：(120.3839，30.3208)、(120.3413，30.3305)、(120.3706，30.3409)、(120.3529，30.2939)、(120.3608，30.3196)、(120.3141，30.3014)、(120.3512，30.3063)、(120.3306，30.3230)、(120.3550，30.3377)、(120.3341，30.2845)、(120.3439，30.3608)、(120.3834，30.3039)。
基于相似性规则的区域划分中，首先，为了能找出具有相似性的特征，将对应的租车点的租/还数据按照一定的时间区间将其划分成18个子区间，并将对应区间的中，根据是否发生租/还行为将区间中的数据进行二元化，用1代表有租/还行为，0代表无租/还行为。
以A1为例：A1＝{2475,2562}，A1集合中有两个租车点(租车点标号分别为2475，2562)。
a0 2475＝[1 0 1 5 5 3 2 4 2 0 7 7 3 2 2 0]；
a0 2562＝[0 0 1 0 0 0 0 0 1 0 0 0 2 0 0 0]。
二元化处理后：
a0 2475＝[1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 0]；
a0 2562＝[0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0]。
获得W{xik＝xjk}＝6，计算
Figure GDA0003202232490000081
则该集合中租车点相关，具有扩散性。得到B1＝{a2475,a2562}，同理可得，基于相关性规则聚类划分的集GB＝{B1,B2,...,Bn}。
依据该区域的状态，建立扩散模型为
Figure GDA0003202232490000082
再获得判断指标
Figure GDA0003202232490000083
因此，过载不会扩散导致局部或公共自行车系统的全局瘫痪。
本发明，结合城市公共自行车系统的过载情况、租车点数量、时间属性和地域空间属性等因素，建立扩散模型，然后对判断指标进行计算，最后通过该判断指标的比较，做出是否过载的判断。本发明基于扩散规律对租车点的过载进行判断，基于此可以制定改善现有城市公共自行车系统的方案，具有实践指导意义。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (2)

1.一种城市公共自行车系统的过载判断方法，其特征在于：包括以下步骤：
步骤一：租车点聚类划分：根据距离进行租车点聚类划分后，再根据相似性规则进行租车点聚类划分；
根据距离进行租车点聚类划分的方法包括以下步骤：
步骤s11：初始凝聚点的选择：初始聚点集合M0为M0＝{a1,a2,…,an}，其中a为凝聚点，n为初始凝聚点的个数；
步骤s12：获得初始区域划分集合G0：建立集合A0：
Figure FDA0003202232480000011
其中d(a,ai)为a与ai两者之间的距离，将研究对象按照距离划分成n类，得到一个初始区域划分集合为
Figure FDA0003202232480000012
步骤s13：更新区域划分集合G1计算：凝聚点依据
Figure FDA0003202232480000013
进行更新，更新聚点集合
Figure FDA0003202232480000014
再重新进行划分，建立集合
Figure FDA0003202232480000015
为
Figure FDA0003202232480000016
得新的区域划分集合为
Figure FDA0003202232480000017
步骤s14：重复上述步骤：重复q次，随着q的逐渐增大，区域划分集合不再发生变化，则输出区域划分集合GA＝{A1,A2,...,An}，结束计算；
根据相似性规则进行租车点聚类划分的方法包括以下步骤：
步骤s21：获得聚点集合Mq：先初始聚点集合M0＝{a1,a2,…,an}，其中a为凝聚点，n为初始凝聚点的个数，再依据
Figure FDA0003202232480000018
进行更新，更新聚点集合
Figure FDA0003202232480000019
最后重复上述步骤，重复q次，获得聚点集合
Figure FDA00032022324800000110
步骤s22：获得划分集合GB0：按照有无租/还行为的规则将数据在时间区间上进行二元化处理，用1代表有租/还行为，0代表无租/还行为，获得GB0＝{B0 1,B0 2,...,B0 n}；
步骤s23：更新划分集合GB1：计算
Figure FDA0003202232480000021
xik∈ai＝(xi1,xi2,...,xim)，xjk∈aj＝(xj1,xj2,…,xjm)，其中m为数据维数，W{xik＝xjk}表示在m维数据中出现xik＝xjk的次数；将f＝0的ai去除，更新集合GB1＝{B1 1,B1 2,...,B1 n}；
步骤s24：重复上述步骤，得到基于相似性规则聚类划分的集合GB＝{B1,B2,...,Bn}；
步骤二：建立扩散模型：
Figure FDA0003202232480000022
其中α(t)为t时刻租车点通过租借行为从正常状态变成过载状态的概率，β(t)为t时刻租车点通过租借行为从过载状态恢复成正常状态的概率，S(t)为t时刻很容易发生过载的租车点，I(t)为t时刻已经过载的租车点，λ(t)为t时刻扩散点扩散租车点的扩散强度，μ(t)为t时刻租车点恢复租赁状态的恢复强度；
步骤三：判断指标的计算：结合S+I＝K，将扩散模型转变为
Figure FDA0003202232480000023
求得判断指标
Figure FDA0003202232480000024
其中K为区域中的租车点数目；
步骤四：过载判断：当ρ≥1时，过载不会扩散导致局部或公共自行车系统的全局瘫痪；当ρ＜1时，过载会扩散而导致公共自行车系统的局部或全局瘫痪。
2.如权利要求1所述的一种城市公共自行车系统的过载判断方法，其特征在于：所述步骤二中的λ(t)为t时刻正常点转变成过载点的租车点数目与正常点的租车点数目的比值；所述步骤二中的μ(t)为t时刻过载点转变成正常点的租车点数目与过载点的租车点数目的比值。
CN201810862648.8A 2018-08-01 2018-08-01 一种城市公共自行车系统的过载判断方法 Active CN109034628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810862648.8A CN109034628B (zh) 2018-08-01 2018-08-01 一种城市公共自行车系统的过载判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810862648.8A CN109034628B (zh) 2018-08-01 2018-08-01 一种城市公共自行车系统的过载判断方法

Publications (2)

Publication Number Publication Date
CN109034628A CN109034628A (zh) 2018-12-18
CN109034628B true CN109034628B (zh) 2022-10-25

Family

ID=64647426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810862648.8A Active CN109034628B (zh) 2018-08-01 2018-08-01 一种城市公共自行车系统的过载判断方法

Country Status (1)

Country Link
CN (1) CN109034628B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910103A (zh) * 2017-01-09 2017-06-30 杭州电子科技大学 一种公共自行车系统租赁点功能聚类方法
CN108256969A (zh) * 2018-01-12 2018-07-06 杭州电子科技大学 一种公共自行车租赁点调度区域划分方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140132767A1 (en) * 2010-07-31 2014-05-15 Eric Sonnabend Parking Information Collection System and Method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910103A (zh) * 2017-01-09 2017-06-30 杭州电子科技大学 一种公共自行车系统租赁点功能聚类方法
CN108256969A (zh) * 2018-01-12 2018-07-06 杭州电子科技大学 一种公共自行车租赁点调度区域划分方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于关联规则的公共自行车调度区域聚类划分》;董红召 等;《科技通报》;20130930;第29卷(第9期);正文第209-212、216页 *

Also Published As

Publication number Publication date
CN109034628A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN104050817B (zh) 限速信息库生成、限速信息检测的方法和系统
WO2022206974A1 (zh) 一种基于路侧感知单元的静态和非静态物体点云识别方法
Ding et al. Network-matched trajectory-based moving-object database: Models and applications
Fang et al. FTPG: A fine-grained traffic prediction method with graph attention network using big trace data
GB2599765A (en) Vehicle traffic flow prediction method with missing data
CN105206057B (zh) 基于浮动车居民出行热点区域的检测方法及系统
CN105608505A (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
CN109584552A (zh) 一种基于网络向量自回归模型的公交到站时间预测方法
CN107656987A (zh) 一种基于lda模型的地铁站点功能挖掘方法
CN102968494A (zh) 通过微博采集交通信息的系统及方法
Zhou Attention based stack resnet for citywide traffic accident prediction
CN103905824A (zh) 视频语义检索与压缩同步的摄像系统与方法
CN114328780A (zh) 基于六角格的智慧城市地理信息更新方法、设备及介质
Kong et al. The method and application of big data mining for mobile trajectory of taxi based on MapReduce
Li et al. Estimating crowd flow and crowd density from cellular data for mass rapid transit
CN112950926A (zh) 一种基于大数据和深度学习的城市主干道路速度预测方法
CN116824868B (zh) 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质
CN109034628B (zh) 一种城市公共自行车系统的过载判断方法
CN104778355A (zh) 基于广域分布交通系统的异常轨迹检测方法
Xu et al. An assistant decision-supporting method for urban transportation planning over big traffic data
Dong et al. Overview of the identification of traffic accident-prone locations driven by big data
CN110942260B (zh) 一种基于贝叶斯最大熵的高校交通安全评价方法
Li et al. Multi-scale trajectory clustering to identify corridors in mobile networks
CN112183597A (zh) 一种基于谱聚类的非均衡交通事故严重程度分析方法
WO2020024206A1 (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质

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