CN109410576A - 多源数据融合的路况分析方法、装置、存储介质及系统 - Google Patents
多源数据融合的路况分析方法、装置、存储介质及系统 Download PDFInfo
- Publication number
- CN109410576A CN109410576A CN201811327880.8A CN201811327880A CN109410576A CN 109410576 A CN109410576 A CN 109410576A CN 201811327880 A CN201811327880 A CN 201811327880A CN 109410576 A CN109410576 A CN 109410576A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- traffic data
- microblogging
- floating car
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多源数据融合的路况分析方法,包括:获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理;将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据;以预设格式将生成的实时路况数据标记在地图的对应区域。本发明还公开了一种多源数据融合的路况分析装置、存储介质及系统。本发明通过将不同来源、具有不同特点的数据即微博交通信息以及浮动车交通信息进行融合,覆盖了更大范围的实时交通信息。在合理融合各种来源的交通数据时,合理势叠加、相互补充对应的交通数据,实现了提高实时交通状态准确率的有益效果。
Description
技术领域
本发明涉及实时路况分析技术领域,尤其涉及一种多源数据融合的路况分析方法、装置、存储介质及系统。
背景技术
国内外的大型互联网公司,如Google、腾讯、百度也都通过各自的地图服务发布实时路况信息,还提供实时路况的预测功能。但这些产品提供的实时交通信息都比较简单,只有路况的拥堵信息。此外准确度也通常并不理想。
在移动互联网迅速发展的背景下,由于移动设备具有可以跟随人们出行的特点,很多以实时交通信息为依托的移动应用也不断涌现。其代表产品有车托帮、路况电台、交通在手等。这些产品以andriod、ios等移动平台为基础,向用户提供各种实时交通信息。有些产品还提供接朋友、分享路况等社交功能。同样,这些产品也通常存在着准确度不高,信息内容单一等缺点。
随着交通领域信息化程度的不断提高,实时交通数据可以通过更多新的途径获得。在交通数据获取渠道增加的条件下,不同来源的数据在诸多方面如数据种类、覆盖的范围、数据的结构特点、数据的采集成本、数据的准确度等都存在较大的差异,因此反映实际实时交通情况的特点也会有差异;甚至在不同时空条件下的同来源数据,其反映交通状态的能力也有所不同。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种多源数据融合的路况分析方法,旨在解决现有技术在了解实时路况信息时,由于交通数据获取渠道增加的原因,造成各交通数据获取渠道得到的交通数据存在差异,进而在反应实时交通情况时造成交通状态差异的技术问题。
为实现上述目的,本发明提供一种多源数据融合的路况分析方法,包括以下内容:
获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理;
将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据;
以预设格式将生成的实时路况数据标记在地图的对应区域。
优选地,所述获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理的步骤之前,还包括:
获取微博交通信息以及浮动车交通信息;
在获取到的所述微博交通信息以及浮动车交通信息中抓取有效的微博交通数据以及浮动车交通数据。
优选地,所述将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据的步骤,包括:
提取所述微博交通数据以及所述浮动车交通数据的交通数据特征;
以提取到的所述交通数据特征为基础融合所述微博交通数据以及所述浮动车交通数据。
优选地,所述提取所述微博交通数据以及所述浮动车交通数据的交通数据特征的步骤,还包括:
解析所述浮动车交通数据的数据源,并以解析到的所述数据源生成所述浮动车交通数据的交通数据特征。
优选地,所述以提取到的所述交通数据特征为基础融合所述微博交通数据以及所述浮动车交通数据的步骤,还包括:
判断同一交通数据特征对应的微博交通数据与浮动车交通数据的交通状况是否一致;
在确认所述微博交通数据与浮动车交通数据的交通状况一致时,将所述微博交通数据与所述浮动车交通数据融合为所述交通数据特征的实时路况数据;
在确认所述微博交通数据与浮动车交通数据的交通状况不一致时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
优选的,所述在确认所述微博交通数据与浮动车交通数据的交通状况不一致时,以所述微博交通数据作为所述交通数据特征的实时路况数据的步骤,还包括:
获取所述微博交通数据的发布时间,计算所述发布时间与当前时间的时间差值;
在确认所述时间差值小于预设阈值时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
此外,为实现上述目的,本发明还提供一种多源数据融合的路况分析装置,所述多源数据融合的路况分析装置包括:存储器、处理器,所述存储器上存储有能够被处理器调用的计算机程序,所述计算机程序被所述处理器执行时实现如上所述多源数据融合的路况分析方法的步骤。
本发明还提供一种可读存储介质,所述可读存储介质上存储有多源数据融合的路况分析程序,所述多源数据融合的路况分析程序被处理器执行时实现如上所述多源数据融合的路况分析方法的步骤。
本发明还提供一种多源数据融合的路况分析系统,所述多源数据融合的路况分析系统在执行时实现如上所述的多源数据融合的路况分析方法的步骤。
本发明实施例提出的一种多源数据融合的路况分析方法,以获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理;将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据;以预设格式将生成的实时路况数据标记在地图的对应区域。通过将不同来源、具有不同特点的数据即微博交通信息以及浮动车交通信息进行融合,覆盖了更大范围的实时交通信息。在合理融合各种来源的交通数据时,合理势叠加、相互补充对应的交通数据,实现了提高实时交通状态准确率的有益效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图;
图2为本发明多源数据融合的路况分析方法第一实施例的流程示意图;
图3为图2中步骤S20的细化步骤示意图;
图4为目标位置点与路段边界垂点之间的距离示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理;将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据;以预设格式将生成的实时路况数据标记在地图的对应区域。
由于现有技术中,在了解实时路况信息时,由于交通数据获取渠道增加的原因,造成各交通数据获取渠道得到的交通数据存在差异,进而在反应实时交通情况时造成交通状态差异的技术问题。
本发明提供一种解决方案,通过将不同来源、具有不同特点的数据即微博交通信息以及浮动车交通信息进行融合,覆盖了更大范围的实时交通信息。在合理融合各种来源的交通数据时,合理势叠加、相互补充对应的交通数据,实现了提高实时交通状态准确率的有益效果。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器,便携计算机等可移动式或不可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及多源数据融合的路况分析程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的多源数据融合的路况分析程序,并执行以下操作:
获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理;
将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据;
以预设格式将生成的实时路况数据标记在地图的对应区域。
进一步地,处理器1001可以调用存储器1005中存储的多源数据融合的路况分析程序,还执行以下操作:
获取微博交通信息以及浮动车交通信息;
在获取到的所述微博交通信息以及浮动车交通信息中抓取有效的微博交通数据以及浮动车交通数据。
进一步地,处理器1001可以调用存储器1005中存储的多源数据融合的路况分析程序,还执行以下操作:
提取所述微博交通数据以及所述浮动车交通数据的交通数据特征;
以提取到的所述交通数据特征为基础融合所述微博交通数据以及所述浮动车交通数据。
进一步地,处理器1001可以调用存储器1005中存储的多源数据融合的路况分析程序,还执行以下操作:
解析所述浮动车交通数据的数据源,并以解析到的所述数据源生成所述浮动车交通数据的交通数据特征。
进一步地,处理器1001可以调用存储器1005中存储的多源数据融合的路况分析程序,还执行以下操作:
判断同一交通数据特征对应的微博交通数据与浮动车交通数据的交通状况是否一致;
在确认所述微博交通数据与浮动车交通数据的交通状况一致时,将所述微博交通数据与所述浮动车交通数据融合为所述交通数据特征的实时路况数据;
在确认所述微博交通数据与浮动车交通数据的交通状况不一致时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
进一步地,处理器1001可以调用存储器1005中存储的多源数据融合的路况分析程序,还执行以下操作:
获取所述微博交通数据的发布时间,计算所述发布时间与当前时间的时间差值;
在确认所述时间差值小于预设阈值时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
参照图2,图2为本发明多源数据融合的路况分析方法第一实施例的流程示意图,所述多源数据融合的路况分析方法包括:
步骤S10,获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理;
基于当前的实时路况需求,获取微博交通数据以及浮动车交通数据。将获取到的微博交通数据以及浮动车交通数据处理后,进行实时交通数据混合操作。由于获取到的微博交通数据以及浮动车交通数据所表示的交通状况囊括了所能得到的所有地区线路的交通状态,因此,在基于获取到的微博交通数据以及浮动车交通数据记性数据融合之前,以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理,以罗列相关的交通数据,其预设的处理的步骤由相关的技术人员设定。
另外,由于在通过微博以及浮动车在获取路况交通时,微博发布的信息过于杂乱,且浮动车获取的交通数据为车辆数据,因此,在通过微博交通信息以及浮动车信息得到所述微博交通数据及浮动车交通数据时,需在微博交通信息及浮动车信息中提取相关的交通数据,即所述获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理的步骤之前,还包括:
获取微博交通信息以及浮动车交通信息;
在获取到的所述微博交通信息以及浮动车交通信息中抓取有效的微博交通数据以及浮动车交通数据。
在目标微博账号中获取微博交通信息,以及浮动车信息。由于微博以及浮动车的不可预计性,本发明方法中,微博交通信息与浮动车交通信息分别通过不同的方式进行微博交通数据以及浮动车交通数据提取操作,其具体内容可如下所述:
1、微博数据处理:
本发明方法的实施例使用新浪微博提供的API抓取与路况有关的微博。考虑到微博信息的随意性较强,只抓取可信度较强的由交警官方微博发布的路况信息。微博抓取的流程比较简单,就是不断向新浪微博服务器发送抓取指定用户微博的请求,然后接受数据。表1-1为新浪微博API信息表,其介绍了部分与本文有关的新浪微博API。
名称 | 描述 |
statuses/friends_timeline | 获取当前登录用户及其所关注用户最新微博 |
statuses/friends_timeline_batch | 批量获取指定的一批用户的微博列表 |
statuses/public_timeline | 获取最新的公共微博 |
表1-1新浪微博部分API介绍
对于从新浪微博服务器上抓取的微博数据,需要对其进行一些预处理才能进行解析,本发明方法对微博数据的预处理操作包括内容类型判断、时效性判断、中文分词等。其具体的判断内容如下所述:
(1)判断微博的内容是否与路况有关:由于只抓取由指定账号发布的路况播报微博,这类微博都包含有“#路况播报#”这样的话题标志。因此只要判断微博文本中是否有这样的标志即可。
(2)判断微博的时效性:由于需实时路况,则那些时效性不强的数据就没有分析意义,因此通过提取微博文本中描述的时间信息进行路况信息筛选,即在确认微博的路况信息的发布时间与当前时间的差值超过一定阀值,就不对其进行分析,将其存入数据库即可。
如上所述,抓取微博发布的路况实现信息时,由于中文在词语之间没有间隙,如果不对文本进行分词处理,就无法从微博文本中提取实时路况信息。可通过使用中科院分词软件ictclas[1]作为目标分词工具,因为所述目标分析工具具有分词速度快、分词精度高、支持自定义词性等特点。从微博路况信息文本的特点来看,这类文本通常只包括地点、方向、事件这3类词汇。而这些词汇的特征比较明显,与其他词汇产生歧义的可能性很小,加上微博文本十分短小(不超过140字),路况信息的描述也大多采用规范的陈述句形式,因此在对微博文本分词时,其采取的分词策略是建立地点、方向、事件这3类词汇的词库,并将这3类词汇导入目标分词工具,在完成分词处理后,对这3类词汇标注特别的词性。地址词库包含一定区域范围内所有地物的名称,比如道路名、隧道名、桥梁名、POI名等;方向词库中包含了路况信息中描述方向的词汇,比如西往东、自南向北、往北等;事件词库中包含路况事件的各种描述,如车流缓慢、畅通等。由于方向和事件词汇相对较少,因此方向词库和事件词库手动创建,而地点词库则是从Sougou输入法的词库中导出建立。
微博描述的实时路况信息主要包括时间、地点、事件、方向四方面的内容。其中时间、事件、方向都使用比较固定且简单的词汇描述,解析相对简单。而对路况地点的识别则比较复杂,主要体现在微博文本中描述路况地点的类型比较多样化,如路口、高架、隧道、立交等;而且微博文本中对路况地点的自然语言描述往往不是仅仅依靠单一地点,而是通过对各种不同类型的地点的组合来描述某一个地点。如果不对其进行总结并找出其中的规则,并构造路况地点的表达模式,就很难从微博文本中找出准确的实时路况信息。可通过分别对路况地点的类型和微博文本中对路况地点的描述方式进行了研究,并在此基础上总结出了微博路况信息描述的各种模式。将用文本描述的路况地点分为基本地点和符合地点两类,基本地点不可拆分为其他地点的组合,而复合地点是由基本地点和方向组合而成。本发明方法中,其微博交通文本的基本地点和复合地点的行式如表1-2和1-3所示。
表1-2路况地点基本类型
表1-3路况信息中地点的复合表达方式
在确定了路况信息中地点的类型和路况信息的地点描述模式后,就可以根据这些规则和模式从微博文本中解析实时路况信息。其解析算法的思路是先判断地点词汇的类型,即道路、隧道、路况、桥梁等。在此基础上分析路况地点词汇的组合,进一步与路况地点的表达方式进行匹配,并在匹配成功的表达式中选择长度最大的构造相应的路况信息。
在从微博文本中提取了实时路况信息的地点、方向等信息后,出于实时路况的需要,还需要将路况的地点描述与路网信息匹配,找出对应的精确路段。同时为了将微博路况通过WebGIS发布,也需要得出路况地点的大致经纬度。根据路况地点类型的不同采取不同的解析方法。如果地点类型是两条道路的交叉路口,则在数据库中遍历两条道路各个路段的信息,找出相交的路段作为路况对应的路段,并以该路段的经纬度作为路况地点发生的经纬度,为加快效率,可将主要路段之间的交叉路口的信息计算出来,在进行匹配时先从中查找结果,如果未命中,再从数据库中进行遍历计算。如果是POI、桥梁、立交等地名,根据百度地图的经纬度解析API解析出该地名的经纬度,并根据该经纬度进行道路匹配的计算(在后面会介绍),考虑到百度地图API返回的结果可能有误,只有返回的路段名称与微博中一致,才将该算法的结果作为路况信息所对应的路段返回。
2、浮动车数据处理步骤:
本发明方法所采集的浮动车数据来源为深圳市交通运输委员会,通过指定的服务器Socket地址和端口对外发布,在接入服务器后就可接收到实时数据。数据以字节为单位,并有一定的格式,如表2-1所示,表2-1为浮动车数据传输协议格式信息表。根据该格式就可以从读取到的字节流中解析各种信息。
表2-1浮动车数据传输协议格式信息表
从Socket字节流中读取的浮动车辆的GPS数据为浮动车辆所安装的GPS终端设备所发回的实时数据,以出租车数据为例,其具体的数据格式如下表所示:
表2-2出租车实时数据的组成格式表
根据数据的特点,将实时抓取浮动车数据的功能分为两个模块,一个模块向指定的服务器地址和端口发送请求,并实时接收数据,另一个模块则根据数据格式从接收到的字节流中提取出浮动车实时数据的各种信息(方向、速度等)。为提高效率,两个模块的工作线程并发执行,二者之间通过Java语言定义的阻塞队列(java.util.concurrent.BlockingQueue)进行数据的传递。阻塞队列的数据结构特征可定义为,在确认队列已满时,往其中添加数据的操作会被祖舍;若确认队列已空,从其中获取元素的操作也会被阻塞。当第一个模块从服务器端获取到包含数据内容的字节流后,将其放入阻塞队列中。而第二个模块则不间断地从阻塞队列中获取数据,并从中提取信息。
浮动车数据在抓取过程中,出于各种因素的影响,难免会出现数据丢失、错误等现象,为降低非正常数据对实时路况计算结果产生的影响,需要对数据进行过滤,识别并筛选非正常的数据。其具体的需过滤的异常数据包括如下所述的内容:
A、过时的数据;
由于实时路况的计算中,时效性过低的数据对于当前路况的计算几乎没有意义,但由于各种因素的影响,数据延迟到来的可能性很高。因此需要对这类数据进行剔除,本系统对延迟超过1小时的数据进行过滤处理。
B、重复的数据;
由于设备的因素,在抓取的浮动车GPS轨迹数据时,可能存在重复数据,这类数据对道路行驶速度的计算结果会产生误差,因此需要对这类数据进行识别和过滤。可采用高性能的key/value数据库redis进行重复数据的识别。对于每一条采集的数据,先判断redis数据库中是否含有相同的数据。如果有则将当前数据丢弃,否则将数据存入redis数据库中并继续后面的处理。由于浮动车的GPS轨迹数据不间断产生,本系统对存入redis缓存中的数据记录设置生存周期,当数据在redis中的时间超过生存周期,就会自动从数据库中消除。这样保证了redis缓存中的数据不会随着系统运行时间的增长变得过多。
C、空载的出租车数据
由于空载的出租车为了寻找乘客,其速度往往低于正常行驶车辆。在从空驶到上客的状态转换过程中,车辆会停止行驶,而且对出租车而言,会出现在路边停止行驶等待乘客出现的状态,这样便会返回大量速度为0的记录,如果在路况计算中使用这些数据,就会影响计算结果的准确性。因此应对这类数据进行过滤处理。
D、靠近站点、行驶速度低的公交车数据
由于公交车在行驶过程中要经常停靠站点,其速度接近0,这些数据也会影响道路路况的计算结果。因此对这类数据也应该进行过滤。
如上所述,由于实时路况的计算是以道路为计算单位,因此必须解析出每条浮动车GPS行驶轨迹数据对应的道路。本发明方法可根据浮动车GPS轨迹数据记录中的经纬度信息和已有的路网信息进行道路匹配。
另外,本发明方法的道路路网空间信息通过ESRI公司的Shapefile保存,该文件中保存的道路信息包括道路的名称、宽度、经纬度等信息,数据重要部分的格式说明如下表所示:
表2-3路网数据的组成格式示意图
在本发明方法中,道路匹配算法的思路是根据每一条浮动车GPS轨迹数据记录的经纬度信息计算出其所在的mapID,然后与保存在shape文件中具有相同mapID的道路路网数据进行比较,找出与当前位置距离最小的道路,如果该距离在允许范围内,则认为当前的车辆行驶在该道路上。
在道路匹配算法中,需要计算经纬度坐标点到某个路段的距离,在这个过程中需要计算两个经纬度坐标点的距离。由于地球表面并非二维平面,所以需要对经纬度坐标进行投影转换。本系统采用高斯投影[1]方法进行经纬度坐标的转换,经过转换后,两经纬度坐标点的距离公式为式(1),即如下所述:
在如上所述的两经纬度坐标点的距离公式中,lat1,lat2是两个坐标点的纬度,lng1,lng2代表两点的经度。R代表地球半径,S代表计算出的两经纬度坐标点的距离。另,在计算某个位置点到某路段的距离的方法是计算该点到该路段边界的投影距离,若定义所述位置点为目标位置点,则计算所述目标位置点和它到路段边界垂点之间的距离。其相关的表示图可如图4所示,图4为目标位置点与路段边界垂点之间的距离示意图。
如图4所述的目标位置点与路段边界垂点的距离,其计算P点到路段AB的距离的公式如下所述的式(2)及式(3):
在以上公式中,SAB,SPA,SPB是采用式(1)计算得来的两点的距离,式(3)则是在计算出两点的距离基础上,采用海伦公式计算出投影距离。
在实际运行过程中发现,虽然路网数据将整个区域分成了若干个网格,而且根据每个位置点的经纬度可以计算出对应的网格。但每个网格内包含的路段数目仍然较多,如果在对某个浮动车数据位置进行道路匹配的过程中,对其所在网格的路段逐一进行距离计算,则算法的性能难以得到保证。为了改进系统的性能,可采用mongodb数据库的地理空间索引来改进道路匹配算法。
mongodb数据库的地理空间索引支持在多维空间中进行近邻查询,即在某个范围内,找到离某个位置最近的若干个位置。这样在某个位置点进行道路匹配时,就可以利用该索引找出该位置一定范围内的道路,再进行道路距离的计算,这样便可明显减少算法的复杂度。对100个经纬度位置点分别用基于mongodb空间索引改进和原来的算法进行道路匹配。
在进行了道路匹配计算后,就能得到最近一段时间内各个道路上的浮动车行驶轨迹数据。由于抓取的车辆GPS数据中包括瞬时速度字段,根据某条道路最近一段时间内所有轨迹数据记录的瞬时速度来计算该段道路最近的行驶速度。具体方法是使用指数平滑法,赋予历史数据和当前观测值不同的权重,从而进行路段速度的计算。
以往的路段速度方法大多根据计算属于同一路段的浮动车数据记录的速度平均值来获取道路速度的估计值。但如果在某一时间间隔内该路段上的浮动车数据记录较少时,这种方法会造成较大的误差。根据Kellere的研究[33],在进行路段速度的计算中,计算所依据的样本数量必须大于一定值,否则无法保证结果的可信水平。
根据交通流理论,道路交通状态在较短时间内不会有太大的波动。因此采用指数平滑法进行道路速度的计算。原因是指数平滑法在计算过程中既充分利用了历史数据中包含的信息,同时又赋予最近的数据较大的权重。这就使得算法能够较好的抵御异常数据的影响。其具体方法如下:
设第t个时间间隔内某路段有n(t)个车辆瞬时速度值,分别为v1(t),v2(t)......vn(t)(t),如果n(t)小于规定值,则继续等待后面的数据。反之,对这些速度记录按照本节的方法过滤异常的数据记录。
根据当前时间的数据记录和上一时刻对当前道路速度的估计值计算当前时间路段速度。如果上一时段内的计算结果并不存在,则将浮动车辆的瞬时速度平均值作为结果。否则按照平滑指数算法进行计算,计算公式如下:
在上式中,和分别代表第t和t-1个时段内路段的速度估计值,f(t)为第i个时段内的平滑参数,该参数∈[0,1]且随时间变化。f(t)的计算方法为:
在上式中,代表在t时段内,各个探测车辆的瞬时速度的方差。代表在t-1时段,路段速度的计算值和平均值的方差。代表t时段和t-1时段路段平均速度的方差。从f(t)的定义可以看出,该平滑参数会根据当前浮动车数据的数量、当前数据的方差以及上一时段估计值与当前时段平均值的差值而自动调整。例如,如果上一时段的估计值与当前时段实际数据的平均值差距较大,说明上一时段的估计偏差较大,则f(t)应较大,也就意味着当前的计算重点依靠当前的数据记录。
步骤S20,将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据;
将预处理后的微博交通数据以及浮动车交通数据融合,系统中的实时路况信息来源有2种,即微博交通数据以及浮动车交通数据。在将所述微博交通数据及浮动车交通数据融合时,以提取所述微博交通数据及浮动车交通数据的交通特征基础上,将对应来源的数据即微博交通数据及浮动车交通数据进行决策级融合,例如同一交通地点对应的微博交通数据与浮动车交通数据叠加融合生成基于所述交通地点的实时交通状态。如此,根据已融合的所述微博交通数据以及浮动车交通数据,生成实时路况数据。其实时路况数据包括交通地点及对应的实时交通状态。
另外,在将预处理后的微博交通数据及浮动车交通数据融合并生成实时路况时,由于时间推移的原因,同一交通数据特征对应的微博交通数据及浮动车交通数据所体现的交通状况可能不一致,因此,所述以提取到的所述交通数据特征为基础融合所述微博交通数据以及所述浮动车交通数据的步骤,还包括:
判断同一交通数据特征对应的微博交通数据与浮动车交通数据的交通状况是否一致;
在确认所述微博交通数据与浮动车交通数据的交通状况一致时,将所述微博交通数据与所述浮动车交通数据融合为所述交通数据特征的实时路况数据;
在确认所述微博交通数据与浮动车交通数据的交通状况不一致时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
在将微博交通数据及浮动车交通数据融合时,根据微博交通数据及浮动车交通数据的交通状态,判断基于同一交通数据特征的微博交通数据及浮动车交通数据的所对应的交通状况是否一致,当二者交通数据的结果相同时,直接采用相同的结果;当二者交通数据的判定结果不同时,考虑到抓取的与实时路况有关的微博均为官方发布,具有很高的可信度,则采取优先相信微博路况的方法。如此,在以微博交通数据为准时,需根据所述微博交通数据的发布时间,即所述在确认所述微博交通数据与浮动车交通数据的交通状况不一致时,以所述微博交通数据作为所述交通数据特征的实时路况数据的步骤,还包括:
获取所述微博交通数据的发布时间,计算所述发布时间与当前时间的时间差值;
在确认所述时间差值小于预设阈值时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
在确认同一交通数据特征的微博交通数据与浮动车交通数据所体现的交通状态不一致时,获取所述微博交通数据对应的微博信息发布时间,并计算所述微博信息发布时间与当前时间的时间差。将计算到的时间差与预设阈值比对,若所述时间差小于设定的预设阀值tmin时,取微博交通数据的道路判定结果为最终判定结果,否则采用浮动车数据的判定结果。
步骤S30,以预设格式将生成的实时路况数据标记在地图的对应区域。
通过微博交通数据及浮动车交通数据生成的实时路况数据,将生成的所述是实时路况数据标记到地图的对应区域。由于实时路况数据的信息包括交通特征点以及对应的实时交通状态,因此,以所述实时路况数据的交通特征点为基础,将所述交通特征点的实时交通状态标记在地图的对应区域。另外,由于实时交通状态包括各种拥堵、通畅等类型,为提高查看效果,可以预设格式根据所述实时路况数据的实时交通状态标记在对应的地图位置。其预设格式可包括但不限于颜色、线条粗细、线条类型等,其具体的格式内容可由相关的技术人员设定。
在本实施例中,通过将不同来源、具有不同特点的数据即微博交通信息以及浮动车交通信息进行融合,覆盖了更大范围的实时交通信息。在合理融合各种来源的交通数据时,合理势叠加、相互补充对应的交通数据,实现了提高实时交通状态准确率的有益效果。
参考图3,图3为图2中步骤S20的细化步骤示意图,基于上述所示的第一实施例,所述将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据的步骤,包括:
步骤S21,提取所述微博交通数据以及所述浮动车交通数据的交通数据特征;
步骤S22,以提取到的所述交通数据特征为基础融合所述微博交通数据以及所述浮动车交通数据。
本实施例中,预处理后的微博交通数据及浮动车交通数据的数据内容包括交通数据特征以及对应的实时交通状态,因此,在将预处理后的微博交通数据与浮动车交通数据融合时,提取所述微博交通数据及所述浮动车交通数据的交通数据特征,并以提取到的交通数据特征在所述微博交通数据及浮动车交通数据获取对应的实时交通状态,将二者实时交通状态叠加后形成所述交通数据特征的实时交通数据。另外,将微博交通数据以及度动车交通数据融合为实时路况数据时,由于浮动车交通数据包括出租车以及公交车的GPS行驶轨迹,而出租车、公交车的GPS行驶轨迹数据在数据特征、路况计算方法方面非常接近,另外,微博路况信息则与这两种浮动车数据在特征、判定方法上存在的较大差异,因此需先对公交车、出租车的数据按照一定准则进行数据融合,再将其融合结果与微博路况数据的判定结果进行决策级融合。即所述提取所述微博交通数据以及所述浮动车交通数据的交通数据特征的步骤,还包括:
解析所述浮动车交通数据的数据源,并以解析到的所述数据源生成所述浮动车交通数据的交通数据特征。
基于预处理后的浮动车交通数据,其浮动车交通数据中的出租车和公交车的GPS行驶轨迹数据在结构上非常接近,而且都是通过计算最近一段时间内道路车辆的平均行驶速度判定道路实时路况。因此对这两类数据进行融合的方法是根据两类数据的特征计算二者的可信度,并赋以相应的权重,对各自的计算结果进行融合。根据系统需求,根据道路平均速度,将得到的路况分为不同的状态,如拥堵、畅通等。由于在各种状态之间并无明确的界限,本系统采用模糊综合判定的方法来判定道路的实时路况。其具体的算法流程如下:
确定出租车和公交车的路况检测结果对于各种实时路况状态的隶属度矩阵,假设路况判定结果有n种,则R=[R1,R2]T,其中R1=(r11,r12,…..,r1n),R2=(r21,r22,……,r2n),其中R1代表出租车的道路速度检测结果相对于各中路况状态的隶属度,R2代表公交车的道路速度检测结果相对于各中路况状态的隶属度,rij代表第i个检测结果相对于第j中道路状态的隶属度。本文根据出租车、公交车计算得到的道路平均行驶速度和各种实时路况状态判断中值的类相似度函数来计算隶属度[33],该函数为其中v为某个道路交通状态的判断中值,为出租车或公交车数据源所计算出的道路平均行驶速度,σ为隶属函数的宽度参数。例如,假设拥堵状态的中值点为10km/h,根据出租车的轨迹数据监测到的某条道路的平均行驶速度为24km/h,则出租车数据相对于拥堵状态的隶属度根据计算为0.2466。
确定各数据源的评判权重分配首先构造各数据源的判定权重矩阵。构造矩阵A=[a1,a2]为数据源的判定权重矩阵。其中a1为出租车数据源的评判权重,a2为公交车数据源的评判权重。且a1+a2=1,ai(i=1,2)越大,则代表第i种数据源的在综合评判中具有更高的可信度。权重的确定主要根据不同数据源在实际中的准确度和专家经验确定。
确定道路状态将数据源评判矩阵A与道路状态隶属度矩阵R相乘得到评判结果矩阵B=[b1,b2...bn],其中bi表示第i种道路交通状态的评判得分,越高则表示该种状态符合实际的可能性越大。以取得分最高的那个状态作为出租车、公交车数据融合的最终道路交通状态判定结果,及融合后的浮动车交通数据。
此外,本发明实施例还提出一种可读存储介质,所述可读存储介质上存储有多源数据融合的路况分析程序,所述多源数据融合的路况分析程序被处理器执行时实现如下操作:
获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理;
将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据;
以预设格式将生成的实时路况数据标记在地图的对应区域。
进一步地,所述多源数据融合的路况分析程序被处理器执行时还实现如下操作:
获取微博交通信息以及浮动车交通信息;
在获取到的所述微博交通信息以及浮动车交通信息中抓取有效的微博交通数据以及浮动车交通数据。
进一步地,所述多源数据融合的路况分析程序被处理器执行时还实现如下操作:
提取所述微博交通数据以及所述浮动车交通数据的交通数据特征;
以提取到的所述交通数据特征为基础融合所述微博交通数据以及所述浮动车交通数据。
进一步地,所述多源数据融合的路况分析程序被处理器执行时还实现如下操作:
解析所述浮动车交通数据的数据源,并以解析到的所述数据源生成所述浮动车交通数据的交通数据特征。
进一步地,所述多源数据融合的路况分析程序被处理器执行时还实现如下操作:
判断同一交通数据特征对应的微博交通数据与浮动车交通数据的交通状况是否一致;
在确认所述微博交通数据与浮动车交通数据的交通状况一致时,将所述微博交通数据与所述浮动车交通数据融合为所述交通数据特征的实时路况数据;
在确认所述微博交通数据与浮动车交通数据的交通状况不一致时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
进一步地,所述多源数据融合的路况分析程序被处理器执行时还实现如下操作:
获取所述微博交通数据的发布时间,计算所述发布时间与当前时间的时间差值;
在确认所述时间差值小于预设阈值时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
本发明还提供一种多源数据融合的路况分析系统,所述多源数据融合的路况分析系统在执行时实现如上所述的多源数据融合的路况分析方法实施例的内容。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、药品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、药品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、药品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种多源数据融合的路况分析方法,其特征在于,所述多源数据融合的路况分析方法包括以下步骤:
获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理;
将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据;
以预设格式将生成的实时路况数据标记在地图的对应区域。
2.如权利要求1所述多源数据融合的路况分析方法,其特征在于,所述获取微博交通数据以及浮动车交通数据,并以预设的处理步骤对获取到的所述微博交通数据以及浮动车交通数据进行预处理的步骤之前,还包括:
获取微博交通信息以及浮动车交通信息;
在获取到的所述微博交通信息以及浮动车交通信息中抓取有效的微博交通数据以及浮动车交通数据。
3.如权利要求1所述的多源数据融合的路况分析方法,其特征在于,所述将预处理后的微博交通数据以及浮动车交通数据融合,以生成实时路况数据的步骤,包括:
提取所述微博交通数据以及所述浮动车交通数据的交通数据特征;
以提取到的所述交通数据特征为基础融合所述微博交通数据以及所述浮动车交通数据。
4.如权利要求3所述多源数据融合的路况分析方法,其特征在于,所述提取所述微博交通数据以及所述浮动车交通数据的交通数据特征的步骤,还包括:
解析所述浮动车交通数据的数据源,所述浮动车交通数据包括公交车数据及出租车数据;
以解析到的所述数据源生成所述浮动车交通数据的交通数据特征。
5.如权利要求3所述的多源数据融合的路况分析方法,其特征在于,所述以提取到的所述交通数据特征为基础融合所述微博交通数据以及所述浮动车交通数据的步骤,还包括:
判断同一交通数据特征对应的微博交通数据与浮动车交通数据的交通状况是否一致;
在确认所述微博交通数据与浮动车交通数据的交通状况一致时,将所述微博交通数据与所述浮动车交通数据融合为所述交通数据特征的实时路况数据;
在确认所述微博交通数据与浮动车交通数据的交通状况不一致时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
6.如权利要求5所述的多源数据融合的路况分析方法,其特征在于,所述在确认所述微博交通数据与浮动车交通数据的交通状况不一致时,以所述微博交通数据作为所述交通数据特征的实时路况数据的步骤,还包括:
获取所述微博交通数据的发布时间,计算所述发布时间与当前时间的时间差值;
在确认所述时间差值小于预设阈值时,以所述微博交通数据作为所述交通数据特征的实时路况数据。
7.一种多源数据融合的路况分析装置,其特征在于,所述多源数据融合的路况分析装置包括:存储器、处理器,所述存储器上存储有能够被处理器调用的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述多源数据融合的路况分析方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有多源数据融合的路况分析程序,所述多源数据融合的路况分析程序被处理器执行时实现如权利要求1至6中任一项所述多源数据融合的路况分析方法的步骤。
9.一种多源数据融合的路况分析系统,其特征在于,所述多源数据融合的路况分析系统在执行时实现如权利要求1至6任一项所述的多源数据融合的路况分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811327880.8A CN109410576A (zh) | 2018-11-08 | 2018-11-08 | 多源数据融合的路况分析方法、装置、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811327880.8A CN109410576A (zh) | 2018-11-08 | 2018-11-08 | 多源数据融合的路况分析方法、装置、存储介质及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410576A true CN109410576A (zh) | 2019-03-01 |
Family
ID=65472638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811327880.8A Pending CN109410576A (zh) | 2018-11-08 | 2018-11-08 | 多源数据融合的路况分析方法、装置、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410576A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341099A (zh) * | 2020-02-27 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN113160571A (zh) * | 2021-06-28 | 2021-07-23 | 智道网联科技(北京)有限公司 | 基于车路协同的多数据源的数据融合处理方法和装置 |
CN113256984A (zh) * | 2021-06-25 | 2021-08-13 | 智道网联科技(北京)有限公司 | 基于车路协同的多数据源的数据融合处理方法和装置 |
CN113920739A (zh) * | 2021-10-29 | 2022-01-11 | 复旦大学 | 基于信息物理融合系统的交通数据驱动框架及构建方法 |
CN114093171A (zh) * | 2022-01-21 | 2022-02-25 | 杭州海康威视数字技术股份有限公司 | 基于多源数据融合的交通运行状态监测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571997A (zh) * | 2009-05-31 | 2009-11-04 | 上海宝康电子控制工程有限公司 | 多源交通信息融合处理方法及其装置 |
CN102201163A (zh) * | 2011-04-12 | 2011-09-28 | 北京世纪高通科技有限公司 | 一种基于rds-tmc的信息处理方法 |
CN102968494A (zh) * | 2012-11-28 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 通过微博采集交通信息的系统及方法 |
CN103794046A (zh) * | 2012-10-29 | 2014-05-14 | 日电(中国)有限公司 | 确定行驶范围的方法、装置及显示行驶范围的系统 |
CN103903422A (zh) * | 2012-12-24 | 2014-07-02 | 北京掌城科技有限公司 | 一种多源交通信息的融合方法 |
EP3035314A1 (en) * | 2014-12-18 | 2016-06-22 | Be-Mobile NV | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN106599217A (zh) * | 2016-12-16 | 2017-04-26 | 广东威创视讯科技股份有限公司 | 路况显示方法以及装置 |
-
2018
- 2018-11-08 CN CN201811327880.8A patent/CN109410576A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571997A (zh) * | 2009-05-31 | 2009-11-04 | 上海宝康电子控制工程有限公司 | 多源交通信息融合处理方法及其装置 |
CN102201163A (zh) * | 2011-04-12 | 2011-09-28 | 北京世纪高通科技有限公司 | 一种基于rds-tmc的信息处理方法 |
CN103794046A (zh) * | 2012-10-29 | 2014-05-14 | 日电(中国)有限公司 | 确定行驶范围的方法、装置及显示行驶范围的系统 |
CN102968494A (zh) * | 2012-11-28 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 通过微博采集交通信息的系统及方法 |
CN103903422A (zh) * | 2012-12-24 | 2014-07-02 | 北京掌城科技有限公司 | 一种多源交通信息的融合方法 |
EP3035314A1 (en) * | 2014-12-18 | 2016-06-22 | Be-Mobile NV | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN106599217A (zh) * | 2016-12-16 | 2017-04-26 | 广东威创视讯科技股份有限公司 | 路况显示方法以及装置 |
Non-Patent Citations (1)
Title |
---|
权太范: "《目标跟踪新理论与技术》", 31 August 2009, 国防工业出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341099A (zh) * | 2020-02-27 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN111341099B (zh) * | 2020-02-27 | 2022-05-10 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN113256984A (zh) * | 2021-06-25 | 2021-08-13 | 智道网联科技(北京)有限公司 | 基于车路协同的多数据源的数据融合处理方法和装置 |
CN113256984B (zh) * | 2021-06-25 | 2021-11-05 | 智道网联科技(北京)有限公司 | 基于车路协同的多数据源的数据融合处理方法和装置 |
CN113160571A (zh) * | 2021-06-28 | 2021-07-23 | 智道网联科技(北京)有限公司 | 基于车路协同的多数据源的数据融合处理方法和装置 |
CN113920739A (zh) * | 2021-10-29 | 2022-01-11 | 复旦大学 | 基于信息物理融合系统的交通数据驱动框架及构建方法 |
CN114093171A (zh) * | 2022-01-21 | 2022-02-25 | 杭州海康威视数字技术股份有限公司 | 基于多源数据融合的交通运行状态监测方法及装置 |
CN114093171B (zh) * | 2022-01-21 | 2022-05-06 | 杭州海康威视数字技术股份有限公司 | 基于多源数据融合的交通运行状态监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
US11305780B2 (en) | Road condition status prediction method, device, and server, and storage medium | |
CN102163225B (zh) | 一种基于微博客收集的交通信息融合方法 | |
CN106781479B (zh) | 一种基于手机信令数据实时获取高速公路运行状态的方法 | |
CN104121908B (zh) | 一种延时路径规划的方法和系统 | |
Tang et al. | A network Kernel Density Estimation for linear features in space–time analysis of big trace data | |
CN110364008A (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN109215350A (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN108062857B (zh) | 用于出租车乘客出行目的的预测方法 | |
CN105589939A (zh) | 识别群体运动轨迹方法和装置 | |
CN112418696B (zh) | 城市交通动态知识图谱的构建方法及装置 | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
Li et al. | Robust inferences of travel paths from GPS trajectories | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN102968494A (zh) | 通过微博采集交通信息的系统及方法 | |
CN105427592B (zh) | 基于浮动车的导航电子地图转向代价计算方法 | |
Ma et al. | Public transportation big data mining and analysis | |
CN111222381A (zh) | 用户出行方式识别方法、装置、电子设备及存储介质 | |
CN110530386A (zh) | 一种基于改进Dijkstra算法的动态最短路径规划方法 | |
CN105023230B (zh) | 一种基于arcgis的轨道站点客流吸引范围界定方法 | |
CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |