CN109409731B - 一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法 - Google Patents
一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法 Download PDFInfo
- Publication number
- CN109409731B CN109409731B CN201811226995.8A CN201811226995A CN109409731B CN 109409731 B CN109409731 B CN 109409731B CN 201811226995 A CN201811226995 A CN 201811226995A CN 109409731 B CN109409731 B CN 109409731B
- Authority
- CN
- China
- Prior art keywords
- travel
- data
- traffic
- road
- trip
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000012217 deletion Methods 0.000 abstract 1
- 230000037430 deletion Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012358 sourcing Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本专利公开了一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法，所述方法包括，步骤1、出行数据的采集处理融合；步骤2、基于融合数据的出行特征识别；步骤3、公路节假日出行特征输出。本专利融合了断面检测交通数据及“众包”数据，数据获取更加高效且成本较低，结合两种数据来源的优点，所获数据更加准确全面，可充分发挥各方优势尽量避免数据缺失现象。节假日期间公路客流量变化较大，对基础设施，物资调配等各方面都提出很大考验。选择交通方式、出行目的、出行强度三个指标来识别节假日的公路出行特征，建立识别模型，可以相对全面地刻画道路运行状况。
Description
技术领域
本发明属于交通信息服务技术领域，具体涉及一种融合断面检测交通数据及“众包”数据的公路节假日出行特征识别方法，旨在通过多源数据融合呈现公路出行的实时状况，帮助节假日期间内的资源调配和交通管制提供判断依据。
背景技术
随着民众旅游消费意识的增强，以及国家对带薪休假的普及，节假日已经成为公众很好的出游契机。旅游热潮的到来，对各方面都提出了严峻的挑战。在道路交通领域，节假日期间公路交通出行的主要目的将由日常通勤变为探亲访友、休闲娱乐等。服务人群的改变必然导致交通量的变化，造成道路交通网络面临大量由本地市民和外地游客带来的人口压力。统计表明，2017年春节期间，北京公路进出省际客运达到220万人次。高客流量要求高水平的服务。如果道路基础设施运行不够完善，就可能造成大面积的路网瘫痪，影响公众的节假日出行体验。因此，有必要设计出一种出行特征识别方法，帮助准确掌握节假日期间各公路道路交通状况情况，从而确定所需服务质量以及突发事件应急水平。
目前，节假日出行特征都是通过传统的居民出行调查来获取，这种方式无论在经济性还是获取的准确性上已经不能满足新时代交通规划的需要，我们需要一种快速准确自动化的服务模式。随着“众包”一词的兴起，数据众包服务以其低成本高效率的众包模式极大满足了客户对数据的需求。数据众包指的是将数据来源分配给各个出行用户，每个道路实际出行者都是数据提供者。通过这种服务模式可采集到大量的原始数据，再经过数据标注，对原始数据进行加工，最终可以获得高质量的数据，帮助数据科学家更精准地进行分析预测。高德地图发布的有关统计，其每天产生的轨迹数据有72％来自众包服务。因此，本发明的创新点在于融合了断面检测交通数据及“众包”数据，其中“众包”技术可利用GPS 移动定位相关技术采集出行者多种出行方式的时空轨迹点以及经纬度，结合断面检测技术采集的移动目标准确的瞬时速度、区间平均速度等，可自动快速形成目标用户的准确出行特征。
发明内容
针对相关领域的技术发展现状，为满足新时代交通规划的需求以及新兴技术的发展，本发明公开了一种融合断面检测交通数据及“众包”数据的节假日出行特征识别方法，旨在通过多源数据融合精确呈现公路出行的实时状况。
本发明旨在通过建立出行特征指标来描述节假日公路的具体出行特征，包括交通方式、出行目的和出行强度。其中交通方式指标分为很多类别，包括步行、自行车、公共交通以及自驾出行等。这些出行方式在速度、加速度轨迹路线方面存在很大差异，本发明可以通过对多源数据的统计分析掌握各种出行方式的特征，作为判断节假日期间出行者采用交通方式的参考依据。出行目的指标用来预测公众出行目的地，通过出行目的可以判断出行者将要去向何处，从而将该过程所有途径的路线做好人力物力的安排工作，以应对即将到来的出行压力。出行强度指标包括出行时耗、出行距离和出行次数，出行强度反映了公众的出行需要，是衡量出行能力和城市交通服务水平的综合指标。
基于已经确定的出行特征识别的描述指标，本发明提出了一种融合断面检测交通数据及“众包”数据的公路节假日出行特征识别方法，具体实施过程如下：
步骤1、出行数据的采集处理融合；
在需要进行公路节假日公路出行特征识别的公路网络，隔距离S布置固定站点，结合视频检测技术、地基检测器等设备采集路段某一地点、某一车道的交通量、速度和占有率等参数。“众包”数据通过出行者自带的手机的定位功能、使用地图导航的情况以及出行者消费记录等数据，可以获取大量出行信息，包括出行者的实时GPS定位信息，从中可以提取到出行者道路出行的方向，运行轨迹，出行的开始时间、结束时间、运行总时长以及周围路况信息等。最后与断面检测交通数据进行速度、交通量匹配融合，得到交通流在整个运行过程的各项技术指标。
步骤2、基于融合数据的出行特征识别；
针对交通方式、出行目的和出行强度三个描述指标的特点，分别建立评价模型，得到三个指标各自特征评价模块。
步骤2.1交通方式的确定；
节假日期间用户的出行方式主要包括步行、自行车、公交和驾车，每种交通方式在速度、加速度都有很大的差异。通过采集大量的训练数据，建立各种交通方式的特征识别模型。基于融合的“众包”数据和断面检测数据，可以从其轨迹数据获得出行者的运行特征，输入训练得到交通出行方式。
步骤2.2出行目的的确定；
统计数据发现，节假日期间，公众出行的主要目的分为以下几类：探亲走访，景点游玩，以及少部分的上班通勤。而在节假期间交通量变化较大且对道路运行质量产生较大影响的主要还是不同于日常通勤的走访和娱乐活动。把各个住宅区、景点区、办公区建立为出行基站。为了判断出行目的，选择k近邻算法。根据基站特征描述训练文本向量，将周围性质同一类别的基站建立训练元组，设定参数 k值，维护一个大小为k的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列。遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别，得到出行目的。测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值。
步骤2.3出行强度的确定。
本发明用出行时耗、出行距离和出行次数三个指标来计算出行强度，出行强度反映了公众的出行需要，是衡量出行能力和城市交通服务水平的综合指标。通过融合的断面检测交通数据和“众包”数据，我们可以获得每次出行过程的开始时间、停车时间、结束时间等参数。将所有停车点按时间顺序排列，记连续两个停车点之间的过程为一次出行，得到出游过程所有的出行次数y1。同时提取每次出行的出行时耗t1，并记录相应出行距离x1。用Z表示出行强度，
令
其中α、β、γ分别表示时间、距离、次数的影响系数，n表示出行次数。
根据所求出行强度，可以将出行强度划分为轻度、中度和重度三个等级，实时对交通状况进行等级评估。
步骤3、公路节假日出行特征输出
基于已经建立出行特征识别模型，运用数据检测设备获得节假日期间以某市为中心的各道路实时运行参数，经过出行特征识别模型的分析处理，得到当前各道路公众总体出行情况。
本发明的优点在于：
(1)融合了断面检测交通数据及“众包”数据，数据获取更加高效且成本较低，结合两种数据来源的优点，所获数据更加准确全面，可充分发挥各方优势尽量避免数据缺失现象。
(2)节假日期间公路客流量变化较大，对基础设施，物资调配等各方面都提出很大考验。选择交通方式、出行目的、出行强度三个指标来识别节假日的公路出行特征，建立识别模型，可以相对全面地刻画道路运行状况。
附图说明
图1交通方式确定方法流程图；
图2是k近邻算法确定出行目的流程图；
图3融合断面检测交通数据及“众包”数据的公路节假日出行特征识别方法框架图。
具体实施方式
下面结合具体事例和附图对本发明作进一步说明。
本发明提出一种融合断面检测交通数据及“众包”数据的公路节假日出行特征识别方法，，旨在通过多源数据融合从三个指标来描述节假日公路出行特征，包括出行目的、交通方式和出行强度三个方面。
步骤1、出行数据的采集处理融合；
以北京为例(假设海拔高度的变化可以忽略)，对于北京市中心以及北京与周边各省市的连接线路，每隔一个距离S，我们将布置固定站点，结合视频检测技术、地基检测器获取实时断面交通流量、速度和占有率等参数。基于“众包”数据，道路出行者是一个重要的数据获取来源。通过出行者自带的手机的定位功能、使用地图导航的情况以及出行者消费记录，可以获取大量出行信息，包括出行者的实时GPS定位信息，从中可以提取到出行者道路出行的方向，运行轨迹，出行的开始时间、结束时间、运行总时长以及周围路况信息等。
步骤1.1“众包”数据。
“众包”服务是一个快速、高效获取大量有效信息重要数据来源，可依靠设备没有局限于某一类具体设备，可以获取车载GPS信息、机使用信息，从中提取出行者的轨迹位置信息。
步骤1.2断面检测交通数据；
利用断面交通检测设备可以采集路段上某一地点、某一车道的交通量、速度、占有量等数据，结合“众包”获得的轨迹位置信息，与断面检测数据进行速度、交通量进行匹配融合，得到车辆在整个运行过程的各项技术指标。
步骤2、模型建立以及出行特征识别将轨迹数据与速度数据融合；
针对交通方式、出行目的和出行强度三个描述指标的特点，分别建立评价模型，得到三个指标各自特征评价模块。
步骤2.1交通方式的确定；
节假日期间用户的出行方式主要包括步行、自行车、公交和驾车，每种交通方式在速度、加速度都有很大的差异。通过采集大量的训练特征，建立各种交通方式的训练特征模型。基于融合的“众包”数据和断面检测数据，可以从其轨迹数据获得出行者的运行特征，输入训练模型得到交通出行方式。
步骤2.2出行目的的确定；
统计数据发现，节假日期间，公众出行的主要目的分为以下几类：探亲走访，景点游玩，以及少部分的上班通勤。而在节假期间交通量变化较大且对道路运行质量产生较大影响的主要还是不同于日常通勤的走访和娱乐活动。把各个住宅区、景点区、办公区建立为出行基站。为了判断出行目的，选择k近邻算法。根据基站特征描述训练文本向量，将周围性质同一类别的基站建立训练元组，设定参数 k值，维护一个大小为k的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列。遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别，得到出行目的。测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值。
步骤2.3出行强度的确定。
本发明用出行时耗、出行距离和出行次数三个指标来计算出行强度，出行强度反映了公众的出行需要，是衡量出行能力和城市交通服务水平的综合指标。通过融合的断面检测交通数据和“众包”数据，我们可以获得每次出行过程的开始时间、停顿时间、结束时间等参数。将所有停顿点按时间顺序排列，记连续两个停顿点之间的过程为一次出行，得到出游过程所有的出行次数y1。同时提取每次出行的出行时耗t1，并记录相应出行距离x1。用Z表示出行强度，
令
其中α、β、γ分别表示时间、距离、次数的影响系数，n表示出行次数。
根据所求出行强度，可以将出行强度划分为轻度、中度和重度三个等级，实时对交通状况进行等级评估。
步骤3、公路节假日出行特征输出
基于已经建立出行特征识别模型，运用数据检测设备获得节假日期间以某市为中心的各道路实时运行参数，经过出行特征识别模型的分析处理，得到当前各道路公众总体出行情况。
Claims (4)
1.一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法，其特征在于，包括如下步骤：
步骤1、出行数据的采集处理融合
断面检测交通数据包括，在需要进行公路节假日公路出行特征识别的公路网络，隔距离S布置固定站点，设置视频检测、地基检测器设备采集路段某一地点、某一车道的交通量、速度和占有率参数；众包数据通过出行者自带的手机的定位功能、使用地图导航的情况以及出行者消费记录数据，获取出行的信息，包括出行者的实时GPS定位信息，从中可以提取到出行者道路出行的方向、运行轨迹、出行的开始时间、结束时间、运行总时长以及周围路况信息；
采集得到断面检测交通数据和众包数据后，将所述众包数据与断面检测交通数据进行速度、交通量匹配融合，得到交通流在整个运行过程的各项技术指标；
步骤2、基于融合数据的出行特征识别
针对交通方式、出行目的和出行强度三个描述指标的特点，分别建立评价模型，得到三个指标各自特征评价模块；
首先进行交通方式的确定；
通过采集训练数据，建立各种交通方式的特征识别模型；基于步骤一中融合的众包数据和断面检测数据，通过其轨迹数据获得出行者的运行特征，并将运行特征输入训练模型得到交通出行方式；
然后确定出行目的；
为了判断出行目的，选择k近邻算法，根据出行基站特征描述训练文本向量，将周围性质同一类别的出行基站建立训练元组，设定参数k值，维护一个大小为k的按距离由大到小的优先级队列，用于存储最近邻训练元组；随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列；遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别，得到出行目的；测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值；
最后确定出行强度；
使用出行时耗、出行距离和出行次数三个指标来计算出行强度，通过融合的断面检测交通数据和众包数据，获得每次出行过程的开始时间、停车时间、结束时间参数；将所有停车点按时间顺序排列，记连续两个停车点之间的过程为一次出行，得到出游过程所有的出行次数y1；同时提取每次出行的出行时耗t1，并记录相应出行距离x1；用Z表示出行强度，令
其中α、β、γ分别表示时间、距离、次数的影响系数，n表示出行次数；根据所求出行强度，将出行强度划分为轻度、中度和重度三个等级，实时对交通状况进行等级评估；得到出行特征识别模型；
步骤3、公路节假日出行特征输出
基于步骤2建立出行特征识别模型，运用数据检测设备获得节假日期间以某市为中心的各道路实时运行参数，经过出行特征识别模型的分析处理，得到当前各道路公众总体出行情况。
2.根据权利要求1所述的一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法，其特征在于，节假日期间用户的出行方式主要包括步行、自行车、公交和驾车，每种交通方式在速度、加速度都有很大的差异。
3.根据权利要求2所述的一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法，其特征在于，将公众出行的主要目的分为：探亲走访，景点游玩，以及少部分的上班通勤。
4.根据权利要求1所述的一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法，其特征在于，把各个住宅区、景点区、办公区建立为出行基站。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811226995.8A CN109409731B (zh) | 2018-10-22 | 2018-10-22 | 一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811226995.8A CN109409731B (zh) | 2018-10-22 | 2018-10-22 | 一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409731A CN109409731A (zh) | 2019-03-01 |
| CN109409731B true CN109409731B (zh) | 2022-04-12 |
Family
ID=65468696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811226995.8A Active CN109409731B (zh) | 2018-10-22 | 2018-10-22 | 一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409731B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008672B (zh) * | 2019-12-23 | 2022-06-10 | 腾讯科技（深圳）有限公司 | 样本提取方法、装置、计算机可读存储介质和计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
| CN106446208A (zh) * | 2016-09-30 | 2017-02-22 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
| CN106781490A (zh) * | 2016-12-29 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 城市道路交通运行分析评价系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732756A (zh) * | 2013-12-24 | 2015-06-24 | 中兴通讯股份有限公司 | 一种利用移动通信数据挖掘进行公交规划的方法 |
-
2018
- 2018-10-22 CN CN201811226995.8A patent/CN109409731B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
| CN106446208A (zh) * | 2016-09-30 | 2017-02-22 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
| CN106781490A (zh) * | 2016-12-29 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 城市道路交通运行分析评价系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据融合的高速公路交通状况检测;崔艳玲等;《计算机学报》;20170831;第40卷(第8期);1798-1812页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409731A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101965601B (zh) | 驾驶辅助装置及驾驶辅助方法 | |
| CN112749825B (zh) | 预测车辆的目的地的方法和装置 | |
| Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
| CN109544932A (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
| Veloso et al. | Sensing urban mobility with taxi flow | |
| CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
| CN108062857B (zh) | 用于出租车乘客出行目的的预测方法 | |
| CN104318324A (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
| Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
| CN110675646B (zh) | 公交站点位置获取方法及装置 | |
| CN109002189B (zh) | 一种运动识别方法、装置、设备和计算机存储介质 | |
| CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
| CN110727714A (zh) | 融合时空聚类和支持向量机的居民出行特征提取方法 | |
| Saremi et al. | Combining map-based inference and crowd-sensing for detecting traffic regulators | |
| Jones et al. | Parkus 2.0: Automated cruise detection for parking availability inference | |
| CN113079463A (zh) | 一种基于手机信令数据的旅游景点游客出行活动识别方法 | |
| CN109409731B (zh) | 一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法 | |
| CN104700616B (zh) | 城市交通压力预测方法及系统 | |
| CN112183871B (zh) | 基于空气指数的城市交通诱导系统 | |
| Naumov et al. | Estimating parameters of demand for trips by public bicycle system using GPS data | |
| Erdelić et al. | Classification of travel modes using streaming GNSS data | |
| Liu et al. | Determination of routing velocity with GPS floating car data and webGIS-based instantaneous traffic information dissemination | |
| CN108986466B (zh) | 一种基于WiFi探针的交通OD信息采集系统及处理方法 | |
| Semanjski et al. | Sensing human activity for smart cities’ mobility management | |
| van den Heuvel et al. | Using Bluetooth and WiFi to unravel real-world slow mode activity travel behaviour |
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 |