CN109561391A - 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 - Google Patents
基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 Download PDFInfo
- Publication number
- CN109561391A CN109561391A CN201910065615.5A CN201910065615A CN109561391A CN 109561391 A CN109561391 A CN 109561391A CN 201910065615 A CN201910065615 A CN 201910065615A CN 109561391 A CN109561391 A CN 109561391A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- service area
- analysis
- people
- 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
Classifications
-
- 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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Abstract
本公开提供了一种基于蜂窝网和Wi‑Fi数据的高速公路服务区人流量分析方法，包括：采集蜂窝网原始数据和Wi‑Fi原始数据，通过对原始数据进行过滤和分析，提取用户的物理位置移动轨迹和网络空间活动轨迹；根据处理后的蜂窝网数据所得的用户的物理位置移动轨迹和网络空间活动轨迹进行服务区用户驶入率和停留时长分析，以及服务区服务用户的地域覆盖范围分析；根据处理后的Wi‑Fi数据所得的用户的物理位置移动轨迹和网络空间活动轨迹进行服务区内用户位置判断、停留行为分析和用户属性判断。
Description
技术领域
本公开属于交通调查数据分析领域，具体涉及一种基于蜂窝网和Wi-Fi数据来分析高速公路服务区人流量的方法。
背景技术
就发明人所知，在我国综合交通运输体系中，各种交通方式分属于不同的部门管理，对于规划设计部门来说，获取完整的交通运输统计数据较为困难，而且不同的交通方式运输数据格式和统计口径不一致，不便于统一分析。在服务区规划和项目前期工作中，服务区需求测算等完全基于传统的交通量数据，而传统的交通量调查采用人工调查的方式，虽然简单易行，但需要消耗大量的人力物力财力，而且调查范围有限、调查时间有限、抽样率有限、数据处理效率不高。同时，现场调查时可能会阻断交通，影响通行效率，调查人员安全也难以完全保障，存在一定的安全隐患。而且服务区在投入使用后的效果评估，同样也极大的依靠人工调查，数据整理困难，难以形成客观的量化评价标准，不能给后续的服务区改造升级以及新的服务区的建立提供有力的数据支持。因此，对于高速公路服务区来说，无论是前期规划还是后期使用评估乃至改造升级，都离不开服务区交通量和人流量调查的数据支撑。显然，目前传统分析方法已无法满足需求。
随着手机的广泛普及和移动定位技术的快速发展，分析手机(蜂窝网)大数据成为了调查服务区人流量的新方式。移动运营商可以依据手机连接基站来实时判断用户位置，智能手机本身也能开启GPS定位向以百度地图为代表的手机软件上报自身位置信息。因此，从移动运营商和手机软件运营商处可以得到用户大量的时间位置信息，从而能够获取用户的出行轨迹、移动速度等信息。蜂窝网数据记录用户实时的位置信息，包含用户完整的移动轨迹。进一步，对于服务区交通量分析来说，基于蜂窝网数据，我们可以通过路网匹配分析用户所走的道路以及在长途行驶中进入哪些服务区停留，这将从大尺度范围分析高速公路服务区的服务人数。
同时，随着服务区基础设施的逐渐完善，各大服务区Wi-Fi覆盖率不断提升。用户进入服务区后通过Wi-Fi自由上网，在不同的功能区则连接不同的AP。通过连接的AP，我们就能够获得用户在服务区内部的移动轨迹，比如先去加油站加油，再去便利店买食物等。通过Wi-Fi数据，我们可以分析用户进入服务区使用了哪些功能，并进一步得到服务区内部不同功能区的服务人数的情况，这是小尺度范围的高速公路服务区人流量。
服务区人流量分析主要有两大目的：第一，通过分析进入服务区的用户数量及用户在不同功能区的停留时间，评估该服务区功能是否满足用户需要，比如功能是否完善或厕所、加油站等候时间是否过长等；第二，通过对比不同服务区的人流量及其相应位置，评估服务区群的布局是否合理和是否有必要再建造新的服务区。粗粒度但覆盖范围大的蜂窝网数据和细粒度但覆盖范围小的Wi-Fi数据，将二者结合起来，正好能够满足服务区人流量分析的要求：服务区内小尺度的人流量分析(Wi-Fi)和服务区群大尺度的人流量分析(蜂窝网)。与传统服务区人流量调查技术相比，基于蜂窝网和Wi-Fi数据联合分析的方法还具有分析样本大、可长期连续监测等优势，能够为服务区规划、评估乃至改造提供更加及时准确的基础数据和决策支持。
发明内容
本公开提供了一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，通过结合蜂窝网数据和服务区Wi-Fi数据，对高速公路服务区人流量(人数)的大尺度特征和小尺度特征进行分析与刻画。
为了实现上述目的，本公开的技术方案如下：
一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，包括：
采集蜂窝网原始数据和Wi-Fi原始数据，通过对原始数据进行过滤和分析，提取用户的物理位置移动轨迹和网络空间活动轨迹；
根据处理后的蜂窝网数据所得的用户的物理位置移动轨迹和网络空间活动轨迹进行服务区用户驶入率和停留时长分析，以及服务区服务用户的地域覆盖范围分析；
根据处理后的Wi-Fi数据所得的用户的物理位置移动轨迹和网络空间活动轨迹进行服务区内用户位置判断、停留行为分析和用户属性判断。
进一步的，所述采集的蜂窝网原始数据包括用户标识，连接基站，连接时间和使用APP的行为，所述采集的Wi-Fi原始数据包括用户标识，连接AP，连接时间和使用APP。
进一步的，所述对原始数据进行过滤和分析包括合并相同用户标识的轨迹点，根据时间戳排序组成用户的原始轨迹，对用户原始轨迹进行数据过滤和驻留点提取，构建用于服务区交人流量分析的用户轨迹。
进一步的，所述对原始数据进行过滤和分析还包括对于APP字段，预先统计收集APP的类别信息并统计好用户使用APP的时空特征，为识别用户群体做准备。
进一步的，所述用户驶入率和停留时长分析具体包括：
基于处理后的蜂窝网数据和路网匹配算法，找出移动轨迹靠近目标高速公路段的用户，得到途径目标服务区的潜在用户；
通过用户停靠特征，判断其是否进入服务区，对于进入的用户进一步统计进入前已行驶时间和距离和进入后停留时间；
计算目标服务区的驶入率和平均停留时长。
进一步的，所述用户地域覆盖范围分析具体包括：
基于处理后的蜂窝网数据，指定服务区，提取数据观测周期内进入过该服务区的手机用户；
分析每个用户的旅程起点城市D和旅程终点城市O，构建城际OD表；
根据城际OD表分析该服务区的服务用户地域覆盖范围。
进一步的，根据对服务区内的用户位置判断进行服务区内不同功能区的停留人数统计，具体包括：基于用户连接AP的连续记录以及AP实际覆盖位置信息，通过平滑滤波方法除掉移动轨迹中的漂移数据点，准确判断用户真实去过的功能区，得到不同功能区的实时聚集人数。
基于不同功能区的实时聚集人数，可判断各功能区是否发生拥挤或资源不足的情况。
进一步的，所述停留行为分析具体包括：
采集用户在各功能区的停留时长及不同功能区间的转移行为，基于K-means聚类的方式得到不同的用户移动模式；
基于用户移动模式进一步分析用户进入服务区的意图和相应的比例。
进一步的，所述用户属性判断的方法为：集合属于同一用户的所有Wi-Fi数据，包括移动设备品牌、App使用信息、流量消耗信息和在各个功能区停留时间，通过有监督学习或者无监督学习的方式进行用户属性判断。
进一步的，所述用户属性包括性别、年龄和职业述。
与现有技术相比，本公开的有益效果是：
本公开通过结合手机蜂窝网数据和服务区Wi-Fi数据，对高速公路服务区人流量进行了不同角度的刻画，对于评估服务区功能是否完善，资源是否满足需求以及服务区选址是否合适等多方面都具有重要意义，与传统服务区人流量调查技术相比，基于蜂窝网和Wi-Fi数据联合分析的方法具有分析样本大、可长期连续监测等优势，能够为服务区规划、评估乃至改造提供更加及时准确的基础数据和决策支持。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开某一实施例的分析方法的方案框架图；
图2为本公开某一实施例的服务区驶入率与停留时长的分析方法流程图；
图3为本公开某一实施例的服务区用户地域覆盖范围分析方法流程图；
图4为本公开某一实施例的服务区用户停留意图分析方法流程图。
具体实施方式
下面结合附图与具体实施例对本公开做进一步的说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
作为一种或多种实施例，本公开分析方法的框架图如图1所示，包括蜂窝网数据模块、Wi-Fi数据模块和服务区人流量特征分析模块，服务区的人流量特征分析模块包括大尺度人流量特征分析和小尺度人流量特征分析，下面将详细介绍每个模块的内容。
1、蜂窝网数据
原始数据介绍：蜂窝网数据是指由运营商收集的、包含短信业务、通话业务、移动管理业务和数据流量业务在内的多种业务原始数据。通过对其进行过滤和分析，提取用户的物理位置移动轨迹和网络空间活动轨迹。本公开中，对于蜂窝网数据的研究包括以下4个字段：用户标识(IMSI)，连接基站，连接时间和使用APP的行为。
数据预处理：基于原始数据，生成用户真实轨迹数据。
具体操作包括两步，首先通过合并相同用户标识的轨迹点，并根据时间戳排序组成用户的原始轨迹，然后通过数据过滤和驻留点提取等构建更加具有实际意义的用户轨迹。对于APP字段，预先统计收集APP的类别信息并统计好用户使用APP的时空特征，为识别用户群体做准备。
2、Wi-Fi数据
原始数据介绍：随着智慧服务区的加速推进，许多高速公路服务区都实施了免费Wi-Fi的全覆盖，能够采集大量的服务区客流特征数据。数据记录的字段包含：用户标识(MAC地址)，连接AP，连接时间和使用APP。由于服务区内不同功能区的AP名称不同，因此可以通过AP来判断用户在服务区所处的位置，为用户在服务区内不同功能区停留行为和使用APP行为分析做准备。
Wi-Fi数据的预处理参考蜂窝网处理方法。
3、大尺度人流量特征
大尺度人流量特征研究高速公路服务区服务用户数量及其地域范围，主要包含用户选择行为与停留特征分析和用户覆盖范围分析。由于蜂窝网数据能记录用户出行的完整轨迹，包括进入服务区前和离开后的轨迹信息，以及在多服务区可供选择的情况下有选择的停留等信息。因此，我们主要依据蜂窝网数据来分析多服务区大尺度人流量特征。
(1)用户驶入率与停留时长分析
首先基于路网匹配算法，完成移动轨迹和目标高速公路段(途径目标服务区)之间的匹配过滤，从而得到潜在的会出现在目标服务区的目标用户集合。基于提取出的目标用户移动轨迹，重点分析服务区附近的移动行为，判断停留行为进而推断该用户是否存在进入特定服务区的行为。基于此，我们进一步通过用户移动轨迹与多个特定服务区关联行为的聚合分析，得到用户进入服务区的偏好、时机以及停留特点，总结出典型的服务区进出及停留规律，以服务区驶入率和停留时长为重要指标。通过分析典型的服务区使用规律，我们将得以量化的评估服务区的服务质量、辐射范围，从而为服务区的改扩建以及新服务区的选址提供科学指导。
本部分算法流程如图2所示：基于蜂窝网数据，首先基于路网匹配找出移动轨迹靠近目标高速公路段的用户，得到途径目标服务区的潜在用户。然后通过用户停靠特征，判断其是否进入服务区，对于进入的用户进一步统计进入前已行驶时间和距离和进入后停留时间。最后，计算目标服务区的驶入率和平均停留时长，同样也可统计平均已行驶时间和距离等。通过比较不同服务区的驶入率、平均停留时长、进入前平均行驶距离等，可以评估服务区的服务质量。
(2)用户地域覆盖范围分析
分析一个服务区服务用户的地域范围是非常重要的。服务用户的城际OD矩阵非常具有代表性，也就是统计进入服务区的用户是从哪个城市来(起点O)，离开服务区后去到了哪个城市(起点D)，通过获取相应的OD矩阵分析该服务区服务用户的地域范围，并进一步评估该服务区建址的合理性。
本部分算法流程如图3所示：基于蜂窝网数据，首先指定服务区，然后提取数据观测周期进入过该服务区的手机用户，对于每个用户分析这段旅程的起点城市和终点城市，最后将所有用户的结果叠加起来得到OD表，该表记录了服务区服务了从o(属于O)地到d(属于D)地的用户数。
4、小尺度人流量特征
小尺度人流量特征主要是研究用户在一个服务区内的行为特征，主要包含用户位置判断、停留行为分析和用户属性判断等方面。由于Wi-Fi数据主要记录用户在服务区内的行为数据且空间粒度远小于蜂窝网数据，因此可依据Wi-Fi数据来分析单服务区内小尺度人流量特征。
(1)不同功能区停留人数统计
服务区内有不同功能的区域，包括加油站、餐厅、便利店和洗手间等。判断用户在哪些区域有过停留非常重要，这将是对服务区功能是否完善的重要评估。进一步分析停留时间，如如厕等候时间过长等则将反映服务区资源不足导致用户体验下降的情况。Wi-Fi数据能够有效进行用户的位置判断。Wi-Fi网络范围非常小，一个使用802.11b或802.11g的典型无线路由器和天线，在无任何障碍物下可覆盖范围仅有室内-50平方米/室外-140平方米。利用Wi-Fi我们可以有效定位用户的位置，尤其是室内定位。基于用户Wi-Fi数据中连接AP的连续记录(如<AP1，AP1，AP1，AP1，AP2，AP3，AP3…>，假设数据定时上报)，我们可以结合AP实际覆盖位置信息，通过平滑滤波的方法除掉移动轨迹中漂移的数据点，准确判断用户真实去过的AP(如例子中的AP1和AP3)即相应的功能区。进一步，我们就可以得到不同功能区实时的聚集人数(如每小时停留人数等)，并判断是否发生拥挤或资源不足的情况。
(2)用户停留意图分析
不同功能区停留人数是聚合用户的人流量特征，而用户停留意图分析则旨在研究个体用户在服务区内的移动特征，即在各功能区的停留时长及不同功能区间的转移行为，来分析用户在服务区停留的主要原因。通过以上特征，我们通过K-means聚类的方式得到服务区几种典型用户的移动模式，包括但不限于以下几种：进服务区短暂停留且主要在卫生间停留的用户，进服务区短暂停留且主要在加油站停留的用户，进服务区长时间停留且主要在餐厅、小卖部停留的用户，并进一步分析其进入服务区的意图(如厕、加油或者是进食)和相应的比例，这将有效评估服务区功能的重要性和完备性。算法流程见图4。
(3)用户个人属性判断
服务区人群属性包括性别、年龄和职业等。服务区中的停留人群是由个体来构成的，个体的性别，年龄，职业，消费水平等因素会对个体的交通出行行为以及服务区停留行为产生关键的影响，直观的讲，如果用户性别为女，那么她乘坐的车辆为货车的概率会比较低；如果用户的消费水平比较高，那么他在服务区内消费的金额可能会比较高。
基于Wi-Fi数据判断用户属性的基本方法如下：首先集合属于同一用户的所有数据，包括移动设备品牌、App使用信息、流量消耗信息、在各个功能区停留时间等信息。以上信息包含用户在服务区内丰富的行为信息，也蕴含着对用户消费能力的刻画。比如，不同性别和年龄的人使用的APP及其时空特征有较大差异，不同职业的人对于手机品牌的偏好也不同。通过以上数据信息，我们可以采用有监督学习(找一些志愿者上报用户属性)或者无监督学习的方式，在一段程度上估计用户的性别、年龄和职业。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，包括：
采集蜂窝网原始数据和Wi-Fi原始数据，通过对原始数据进行过滤和分析，提取用户的物理位置移动轨迹和网络空间活动轨迹；
根据处理后的蜂窝网数据所得的用户的物理位置移动轨迹和网络空间活动轨迹进行服务区用户驶入率和停留时长分析，以及服务区服务用户的地域覆盖范围分析；
根据处理后的Wi-Fi数据所得的用户的物理位置移动轨迹和网络空间活动轨迹进行服务区内用户位置判断、停留行为分析和用户属性判断。
2.如权利要求1所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，所述采集的蜂窝网原始数据包括用户标识，连接基站，连接时间和使用APP的行为，所述采集的Wi-Fi原始数据包括用户标识，连接AP，连接时间和使用APP。
3.如权利要求2所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，所述对原始数据进行过滤和分析包括合并相同用户标识的轨迹点，根据时间戳排序组成用户的原始轨迹，对用户原始轨迹进行数据过滤和驻留点提取，构建用于服务区人流量分析的用户轨迹。
4.如权利要求2所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，所述对原始数据进行过滤和分析还包括对于APP字段，预先统计收集APP的类别信息并统计好用户使用APP的时空特征，为识别用户群体做准备。
5.如权利要求1所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，所述用户驶入率和停留时长分析具体包括：
基于处理后的蜂窝网数据和路网匹配算法，找出移动轨迹靠近目标高速公路段的用户，得到途径目标服务区的潜在用户；
通过用户停靠特征，判断其是否进入服务区，对于进入的用户进一步统计进入前已行驶时间和距离和进入后停留时间；
计算目标服务区的驶入率和平均停留时长。
6.如权利要求1所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，所述用户地域覆盖范围分析具体包括：
基于处理后的蜂窝网数据，指定服务区，提取数据观测周期内进入过该服务区的手机用户；
分析每个用户的旅程起点城市D和旅程终点城市O，构建城际OD表；
根据城际OD表分析该服务区的服务用户地域覆盖范围。
7.如权利要求2所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，根据对服务区内的用户位置判断进行服务区内不同功能区的停留人数统计，具体包括：基于用户连接AP的连续记录以及AP实际覆盖位置信息，通过平滑滤波方法除掉移动轨迹中的漂移数据点，准确判断用户真实去过的功能区，得到不同功能区的实时聚集人数。
8.如权利要求1所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，所述停留行为分析具体包括：
采集用户在各功能区的停留时长及不同功能区间的转移行为，基于K-means聚类的方式得到不同的用户移动模式；
基于用户移动模式进一步分析用户进入服务区的意图和相应的比例。
9.如权利要求1所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，所述用户属性判断的方法为：集合属于同一用户的所有Wi-Fi数据，包括移动设备品牌、App使用信息、流量消耗信息和在各个功能区停留时间，通过有监督学习或者无监督学习的方式进行用户属性判断。
10.如权利要求9所述的一种基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法，其特征在于，所述用户属性包括性别、年龄和职业述。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910065615.5A CN109561391B (zh) | 2019-01-23 | 2019-01-23 | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910065615.5A CN109561391B (zh) | 2019-01-23 | 2019-01-23 | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109561391A true CN109561391A (zh) | 2019-04-02 |
| CN109561391B CN109561391B (zh) | 2020-12-29 |
Family
ID=65873822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910065615.5A Active CN109561391B (zh) | 2019-01-23 | 2019-01-23 | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109561391B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070718A (zh) * | 2019-04-30 | 2019-07-30 | 山东省交通规划设计院 | 高速公路服务区服务质量动态评估方法、系统及设备 |
| CN110086874A (zh) * | 2019-04-30 | 2019-08-02 | 清华大学 | 一种高速公路服务区用户分类方法、系统、设备及介质 |
| CN110096804A (zh) * | 2019-04-30 | 2019-08-06 | 山东省交通规划设计院 | 基于移动终端数据的高速公路服务区的布局方法及系统 |
| CN110113778A (zh) * | 2019-04-30 | 2019-08-09 | 清华大学 | 基于数据驱动的高速公路服务区扩建规模测算方法及系统 |
| CN110545558A (zh) * | 2019-09-06 | 2019-12-06 | 山东省交通规划设计院 | 基于Wi-Fi数据的高速服务区人群密度估计系统 |
| CN113096403A (zh) * | 2021-04-19 | 2021-07-09 | 重庆交通大学 | 基于互联网+的智慧高速大数据服务平台 |
| CN113380052A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 基于etc数据的驶入服务区车流量预测方法及装置 |
| CN115278532A (zh) * | 2022-07-19 | 2022-11-01 | 中国联合网络通信集团有限公司 | 客流量计算方法、装置、设备和存储介质 |
| CN117541027A (zh) * | 2024-01-09 | 2024-02-09 | 四川省公路规划勘察设计研究院有限公司 | 开放式服务区选址分析方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225485A (zh) * | 2015-10-09 | 2016-01-06 | 山东高速信息工程有限公司 | 一种高速公路服务区服务容量的监测方法、系统及装置 |
| US20170132916A1 (en) * | 2015-11-06 | 2017-05-11 | Edward D. Ioli Trust | Automated highway system (ahs) |
| CN107071719A (zh) * | 2016-12-12 | 2017-08-18 | 浙江大学 | 一种基于室内移动对象轨迹分析的热点区域热度分析方法 |
| CN107507418A (zh) * | 2017-08-09 | 2017-12-22 | 清华大学 | 一种高速公路车辆进入服务区停留过程分析方法及装置 |
-
2019
- 2019-01-23 CN CN201910065615.5A patent/CN109561391B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225485A (zh) * | 2015-10-09 | 2016-01-06 | 山东高速信息工程有限公司 | 一种高速公路服务区服务容量的监测方法、系统及装置 |
| US20170132916A1 (en) * | 2015-11-06 | 2017-05-11 | Edward D. Ioli Trust | Automated highway system (ahs) |
| CN107071719A (zh) * | 2016-12-12 | 2017-08-18 | 浙江大学 | 一种基于室内移动对象轨迹分析的热点区域热度分析方法 |
| CN107507418A (zh) * | 2017-08-09 | 2017-12-22 | 清华大学 | 一种高速公路车辆进入服务区停留过程分析方法及装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070718A (zh) * | 2019-04-30 | 2019-07-30 | 山东省交通规划设计院 | 高速公路服务区服务质量动态评估方法、系统及设备 |
| CN110086874A (zh) * | 2019-04-30 | 2019-08-02 | 清华大学 | 一种高速公路服务区用户分类方法、系统、设备及介质 |
| CN110096804A (zh) * | 2019-04-30 | 2019-08-06 | 山东省交通规划设计院 | 基于移动终端数据的高速公路服务区的布局方法及系统 |
| CN110113778A (zh) * | 2019-04-30 | 2019-08-09 | 清华大学 | 基于数据驱动的高速公路服务区扩建规模测算方法及系统 |
| CN110545558A (zh) * | 2019-09-06 | 2019-12-06 | 山东省交通规划设计院 | 基于Wi-Fi数据的高速服务区人群密度估计系统 |
| CN113096403A (zh) * | 2021-04-19 | 2021-07-09 | 重庆交通大学 | 基于互联网+的智慧高速大数据服务平台 |
| CN113380052A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 基于etc数据的驶入服务区车流量预测方法及装置 |
| CN113380052B (zh) * | 2021-06-08 | 2022-07-15 | 重庆大学 | 基于etc数据的驶入服务区车流量预测方法及装置 |
| CN115278532A (zh) * | 2022-07-19 | 2022-11-01 | 中国联合网络通信集团有限公司 | 客流量计算方法、装置、设备和存储介质 |
| CN115278532B (zh) * | 2022-07-19 | 2024-03-15 | 中国联合网络通信集团有限公司 | 客流量计算方法、装置、设备和存储介质 |
| CN117541027A (zh) * | 2024-01-09 | 2024-02-09 | 四川省公路规划勘察设计研究院有限公司 | 开放式服务区选址分析方法 |
| CN117541027B (zh) * | 2024-01-09 | 2024-03-15 | 四川省公路规划勘察设计研究院有限公司 | 开放式服务区选址分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109561391B (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109561391A (zh) | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 | |
| CN110111575B (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
| Huang et al. | Transport mode detection based on mobile phone network data: A systematic review | |
| Xia et al. | Exploring human mobility patterns in urban scenarios: A trajectory data perspective | |
| Li et al. | How does ridesplitting reduce emissions from ridesourcing? A spatiotemporal analysis in Chengdu, China | |
| CN107305590B (zh) | 一种基于手机信令数据的城市交通出行特征确定方法 | |
| CN107241512B (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
| Liu et al. | Understanding intra-urban trip patterns from taxi trajectory data | |
| Caceres et al. | Traffic flow estimation models using cellular phone data | |
| WO2022089031A1 (zh) | 一种基于大数据和人工智能的网络优化方法 | |
| Fekih et al. | A data-driven approach for origin–destination matrix construction from cellular network signalling data: a case study of Lyon region (France) | |
| CN106503843A (zh) | 一种基于手机信令数据的常规公交线网优化与调整方法 | |
| CN106651027B (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
| CN105206048A (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 | |
| CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
| Ma et al. | Deriving operational origin-destination matrices from large scale mobile phone data | |
| CN104318324A (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
| CN107818332B (zh) | 高速公路互通立交服务范围分析方法及装置 | |
| CN108717676A (zh) | 基于多数据融合的不同尺度下的职住空间评价方法及系统 | |
| CN109684373A (zh) | 基于出行和话单数据分析的重点关系人发现方法 | |
| Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
| CN110377679B (zh) | 一种基于轨迹定位数据的公共空间活力测度方法及系统 | |
| CN117056823A (zh) | 一种识别共享单车通勤用户职业类型的方法及系统 | |
| Demissie | Combining datasets from multiple sources for urban and transportation planning: Emphasis on cellular network data | |
| Saldivar-Carranza et al. | Identifying Vehicle Turning Movements at Intersections from Trajectory Data |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 250031 Shandong Province Flyover District of Ji'nan city Shanxi Road No. 576. Applicant after: Shandong transportation planning and Design Institute Co.,Ltd. Applicant after: TSINGHUA University Address before: 250031 Shandong Province Flyover District of Ji'nan city Shanxi Road No. 576. Applicant before: SHANDONG PROVINCIAL COMMUNICATIONS PLANNING AND DESIGN INSTITUTE Applicant before: TSINGHUA University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 250031 No. 576 Wushanxi Road, Tianqiao District, Jinan City, Shandong Province Patentee after: Shandong transportation planning and Design Institute Group Co.,Ltd. Patentee after: TSINGHUA University Address before: 250031 No. 576 Wushanxi Road, Tianqiao District, Jinan City, Shandong Province Patentee before: Shandong transportation planning and Design Institute Co.,Ltd. Patentee before: TSINGHUA University |