CN109727454B - 一种基于时空立方体的道路超速事件黑点识别方法 - Google Patents

一种基于时空立方体的道路超速事件黑点识别方法 Download PDF

Info

Publication number
CN109727454B
CN109727454B CN201910116108.XA CN201910116108A CN109727454B CN 109727454 B CN109727454 B CN 109727454B CN 201910116108 A CN201910116108 A CN 201910116108A CN 109727454 B CN109727454 B CN 109727454B
Authority
CN
China
Prior art keywords
road
event
overspeed event
space
location
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.)
Expired - Fee Related
Application number
CN201910116108.XA
Other languages
English (en)
Other versions
CN109727454A (zh
Inventor
陆建
安颖
钟宁
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910116108.XA priority Critical patent/CN109727454B/zh
Publication of CN109727454A publication Critical patent/CN109727454A/zh
Application granted granted Critical
Publication of CN109727454B publication Critical patent/CN109727454B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于时空立方体的道路超速事件黑点识别方法，包括：(1)获取待识别地区的地理信息和超速事件信息；(2)采用Global Moran’s I方法计算最佳空间步长，并根据所述最佳空间步长构建道路超速事件时空立方体；(3)根据构建的超速事件时空立方体，采用Mann‑Kendall统计方法判断各地点的道路超速事件变化趋势；(4)根据构建的超速事件时空立方体，采用Getis‑Ord General G统计方法获取道路超速事件的热点地点；(5)根据各地点的道路超速事件变化趋势和获取的道路超速事件的热点地点得到道路超速事件的黑点。本发明从超速事件时间分布和空间分布的角度分析，可以更准确的识别道路超速事件黑点。

Description

一种基于时空立方体的道路超速事件黑点识别方法
技术领域
本发明涉及交通领域，尤其涉及一种基于时空立方体的道路超速事件黑点识别方法。
背景技术
驾驶违法行为是造成交通事故的主要原因。其中，超速行驶作为交通违法行为之一，是造成道路交通风险的重要因素。交通事件黑点表示的是交通事件多发地段。
时空立方体模型由Hagerstrand于十六世纪末期提出，是可视化分析和时空分布分析的重要方法之一，通过三维模型同时展现现实中的二维平面世界(x维度与y维度) 和时间变化(z维度)，它能够综合考虑时间、空间和属性信息，通过合理设置时空立方体的时间步长、空间步长，更清晰地展示立方体内关键属性的时空分布情况，为关键属性的时空分析提供良好的时空颗粒度。
现有交通事件黑点的判别研究主要以交通事故为对象，大多采用事件频率法和事件率法从空间角度开展，分析一个区域一段时间内各个地点超速事件发生的绝对频率，将绝对频率和平均事件频率进行对比，若大于平均时间频率则判定为超速事件黑点；还有部分方法计算道路超速事件的相对频率，即综合考虑一个地点的超速事件频率和交通流量，得出该地区的相对事件频率再跟某阈值进行对比从而判别道路超速事件黑点。
这些传统的道路超速事件黑点判别方法仅仅考虑了事件在空间分布的不均衡性，而未考虑事件在时间分布的不均衡性，损失了大量道路超速事件的相关信息，很难保证对于道路超速事件黑点判别的准确性。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种基于时空立方体的道路超速事件黑点识别方法，能够更加充分挖掘道路超速事件中的信息，同时结合超速事件时间分布和空间分布的特征，判别道路超速事件黑点。
技术方案：本发明所述的基于时空立方体的道路超速事件黑点识别方法包括：
(1)获取待识别地区的地理信息和超速事件信息；
(2)采用Global Moran’s I方法计算最佳空间步长，并根据所述最佳空间步长构建道路超速事件时空立方体；
(3)根据构建的超速事件时空立方体，采用Mann-Kendall统计方法判断各地点的道路超速事件变化趋势；
(4)根据构建的超速事件时空立方体，采用Getis-Ord General G统计方法获取道路超速事件的热点地点；
(5)根据各地点的道路超速事件变化趋势和获取的道路超速事件的热点地点得到道路超速事件的黑点。
进一步的，步骤(2)包括：
(2.1)以不同的邻域距离计算道路超速事件频率的Global Moran’s I；其中，Global Moran’s I的计算公式如下：
Figure RE-GDA0001978509550000021
式中，n为待识别地区的地点总数，
Figure RE-GDA0001978509550000022
yi为地点i的道路超速事件频率，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
(2.2)根据不同邻域距离下计算得到的Global Moran’s I，以邻域距离为横轴、Global Moran’s I的z得分为纵轴绘制曲线，并选择曲线峰值对应的邻域距离作为最佳空间步长；
(2.3)按照时间步长为1天，空间步长为所述最佳空间步长，构建道路超速事件的时空立方体。
进一步的，步骤(3)包括：
(3.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Mann-Kendall检验统计量，其中，所述Mann-Kendall检验统计量的计算公式如下：
Figure RE-GDA0001978509550000023
式中，Si表示地点i的Mann-Kendall检验统计量，i＝1,…,n，n为地点总数，m为设定段时间内的时间步长数，
Figure RE-GDA0001978509550000024
形如Xi,*为地点i的第*个时间步长中的道路超速事件频率；
(3.2)根据每个地点的Mann-Kendall检验统计量计算标准化转化值Z，其中，所述标准化转化值Z的计算公式如下：
Figure RE-GDA0001978509550000031
式中，
Figure RE-GDA0001978509550000032
tu为第u组的数据点的数量；
(3.3)根据Mann-Kendall检验统计量的标准化转化值Z采用下表中规则判断道路超速事件的变化趋势：
Z 置信度 变化趋势
＜-2.58 99％ 下降，置信度为99％
-2.58～-1.96 95％ 下降，置信度为95％
-1.96～-1.65 90％ 下降，置信度为90％
-1.65～1.65 — 非显著性趋势
1.65～1.96 90％ 上升，置信度为90％
1.96～2.58 95％ 上升，置信度为95％
＞2.58 99％ 上升，置信度为99％
进一步的，步骤(4)包括：
(4.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Getis-Ord的局部统计值，其中，所述Getis-Ord的局部统计值计算公式如下：
Figure RE-GDA0001978509550000033
式中，
Figure RE-GDA0001978509550000034
为地点i的Getis-Ord的局部统计值，n为地点总数，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
Figure RE-GDA0001978509550000041
(4.2)根据每个地点的Getis-Ord检验统计量按照下表中规则判断是否为道路超速事件的热点或冷点：
Figure RE-GDA0001978509550000042
。
进一步的，步骤(5)具体包括：
对道路超速事件变化趋势和道路超速事件热点统计结果进行交叉分析，若 Mann-Kendall检验判定该地点道路超速事件显著增加，且Getis-Ord检验判定该地点为显著的道路超速事件的热点，则判定该地点为道路超速事件黑点。
有益效果：本发明与现有技术相比，其显著优点是：本发明在判定超速事件“黑点”时，综合考虑了超速事件的空间分布情况和超速事件数在各地点的变化趋势。相比于现有技术，该发明可以更加充分挖掘道路超速事件中的信息，实现对超速行为高发时段与高发点位的预测甄别。
附图说明
图1为本发明的流程示意图；
图2为江苏省吴江区卡口点位示意图；
图3为采用本发明方法对图2数据计算得到的邻域距离-Global Moran’s I曲线；
图4为采用本发明方法对图2数据计算得到的路超速事件的时空立方体；
图5为采用本发明方法对图2数据计算得到的超速行驶监测点计数值趋势显著性水平分级图；
图6为采用本发明方法对图2数据计算得到的超速行驶时空热点分析可视化表达图。
具体实施方式
本实施例提供了一种基于时空立方体的道路超速事件黑点识别方法，如图1所示，包括：
步骤101：获取待识别地区的地理信息和超速事件信息。
以江苏省苏州市吴江区为例，其卡口点位如图2所示，确定卡口点位超速事件频率计算结果表1。图2中，各卡口点位即为统计超速事件的参考地点。表1中，序号是根据各地点事件频率统计结果排序后设置的顺序编号，Location是地点的原始编号，事件频率统计了2016年1月1日0点0分0秒至2016年12月30日23点59分59秒的超速行驶记录数据，单位为(件/年)。
表1卡口点位超速事件频率计算结果
Figure RE-GDA0001978509550000051
Figure RE-GDA0001978509550000061
步骤102：采用Global Moran’s I方法计算最佳空间步长，并根据所述最佳空间步长构建道路超速事件时空立方体。该步骤具体包括：
(2.1)以不同的邻域距离计算道路超速事件频率的Global Moran’s I；其中，Global Moran’s I的计算公式如下：
Figure RE-GDA0001978509550000062
式中，n为待识别地区的地点总数，
Figure RE-GDA0001978509550000063
yi为地点i的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则， wij＝0；
(2.2)根据不同邻域距离下计算得到的Global Moran’s I，以邻域距离为横轴、Global Moran’s I的z得分为纵轴绘制曲线，并选择曲线峰值对应的邻域距离作为最佳空间步长；
(2.3)按照时间步长为1天，空间步长为所述最佳空间步长，构建道路超速事件的时空立方体。
例如，接上例，通过计算Global Moran’s I后绘制的曲线如图3所示。根据最优空间步长并以1天作为时间步长，构建道路超速事件的时空立方体如图4所示。图3中可以观测到在500米左右的地方Global Moran’s I最高，所以选择500米作为最优空间步长。图4中可以明显看到红点和黄色区域，这些都是超速事件频发的时空区域。
步骤103：根据构建的超速事件时空立方体，采用Mann-Kendall统计方法判断各地点的道路超速事件变化趋势。该步骤具体包括：
(3.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的 Mann-Kendall检验统计量，其中，所述Mann-Kendall检验统计量的计算公式如下：
Figure RE-GDA0001978509550000071
式中，Si表示地点i的Mann-Kendall检验统计量，i＝1,…,n，n为地点总数，m为设定段时间内的时间步长数，
Figure RE-GDA0001978509550000072
形如Xi,*为地点i的第*个时间步长中的道路超速事件频率；
(3.2)根据每个地点的Mann-Kendall检验统计量计算标准化转化值Z，其中，所述标准化转化值Z的计算公式如下：
Figure RE-GDA0001978509550000073
式中，
Figure RE-GDA0001978509550000074
tu为第u组的数据点的数量；
(3.3)根据Mann-Kendall检验统计量的标准化转化值Z采用下表中规则判断道路超速事件的变化趋势：
表2道路超速事件趋势Mann-Kendall检验表
Figure RE-GDA0001978509550000075
Figure RE-GDA0001978509550000081
当Z为正，表明该地区道路超速事件频率呈上升趋势，Z为负，表明道路超速事件频率呈下降趋势，且变化速度与Z的大小成正比。例如，接上例，可以得到事件变化趋势结果如图5所示。
步骤104：根据构建的超速事件时空立方体，采用Getis-Ord General G统计方法获取道路超速事件的热点地点。该步骤具体包括：
(4.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Getis-Ord的局部统计值，其中，所述Getis-Ord的局部统计值计算公式如下：
Figure RE-GDA0001978509550000082
式中，
Figure RE-GDA0001978509550000083
为地点i的Getis-Ord的局部统计值，n为地点总数，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
Figure RE-GDA0001978509550000084
(4.2)根据每个地点的Getis-Ord检验统计量按照下表中规则判断是否为道路超速事件的热点或冷点：
表3道路超速事件热点冷点Getis-Ord General G检验
Figure RE-GDA0001978509550000085
对于具有显著统计学意义(置信度p＝99％，95％，90％)的正
Figure RE-GDA0001978509550000086
Figure RE-GDA0001978509550000087
越高，高值(热点)的聚类就越紧密；对于统计学上的显著性(置信度p＝99％，95％，90％)负
Figure RE-GDA0001978509550000091
Figure RE-GDA0001978509550000092
越低，低值(冷点)的聚类就越紧密。例如，接上例，计算的道路超速事件热点结果如图6所示。各种类型的热点冷点均在图中以图例形式展示。
步骤105：根据各地点的道路超速事件变化趋势和获取的道路超速事件的热点地点得到道路超速事件的黑点。
其中，对道路超速事件变化趋势和道路超速事件热点统计结果进行交叉分析，若Mann-Kendall检验判定该地点道路超速事件显著增加，且Getis-Ord检验判定该地点为显著的道路超速事件的热点，则判定该地点为道路超速事件黑点。
例如，接上例，判断-结果如表4所示：
表4时空分布趋势与热点交叉统计表
Figure RE-GDA0001978509550000093
以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (5)

1.一种基于时空立方体的道路超速事件黑点识别方法，其特征在于该方法包括：
(1)获取待识别地区的地理信息和超速事件信息；
(2)采用Global Moran’s I方法计算最佳空间步长，并根据所述最佳空间步长构建道路超速事件时空立方体；
(3)根据构建的超速事件时空立方体，采用Mann-Kendall统计方法判断各地点的道路超速事件变化趋势；
(4)根据构建的超速事件时空立方体，采用Getis-Ord General G统计方法获取道路超速事件的热点地点；
(5)根据各地点的道路超速事件变化趋势和获取的道路超速事件的热点地点得到道路超速事件的黑点。
2.根据权利要求1所述的基于时空立方体的道路超速事件黑点识别方法，其特征在于：步骤(2)包括：
(2.1)以不同的邻域距离计算道路超速事件频率的Global Moran’s I；其中，GlobalMoran’s I的计算公式如下：
Figure FDA0001970182130000011
式中，n为待识别地区的地点总数，
Figure FDA0001970182130000012
yi为地点i的道路超速事件频率，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
(2.2)根据不同邻域距离下计算得到的Global Moran’s I，以邻域距离为横轴、GlobalMoran’s I的z得分为纵轴绘制曲线，并选择曲线峰值对应的邻域距离作为最佳空间步长；
(2.3)按照时间步长为1天，空间步长为所述最佳空间步长，构建道路超速事件的时空立方体。
3.根据权利要求1所述的基于时空立方体的道路超速事件黑点识别方法，其特征在于：步骤(3)包括：
(3.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Mann-Kendall检验统计量，其中，所述Mann-Kendall检验统计量的计算公式如下：
Figure FDA0001970182130000021
式中，Si表示地点i的Mann-Kendall检验统计量，i＝1,…,n，n为地点总数，m为设定段时间内的时间步长数，
Figure FDA0001970182130000022
形如
Figure FDA0001970182130000023
为地点i的第*个时间步长中的道路超速事件频率；
(3.2)根据每个地点的Mann-Kendall检验统计量计算标准化转化值Z，其中，所述标准化转化值Z的计算公式如下：
Figure FDA0001970182130000024
式中，
Figure FDA0001970182130000025
tu为第u组的数据点的数量；
(3.3)根据Mann-Kendall检验统计量的标准化转化值Z采用下表中规则判断道路超速事件的变化趋势：
Z 置信度 变化趋势 ＜-2.58 99％ 下降，置信度为99％ -2.58～-1.96 95％ 下降，置信度为95％ -1.96～-1.65 90％ 下降，置信度为90％ -1.65～1.65 — 非显著性趋势 1.65～1.96 90％ 上升，置信度为90％ 1.96～2.58 95％ 上升，置信度为95％ ＞2.58 99％ 上升，置信度为99％
。
4.根据权利要求1所述的基于时空立方体的道路超速事件黑点识别方法，其特征在于：步骤(4)包括：
(4.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Getis-Ord的局部统计值，其中，所述Getis-Ord的局部统计值计算公式如下：
Figure FDA0001970182130000031
式中，
Figure FDA0001970182130000032
为地点i的Getis-Ord的局部统计值，n为地点总数，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
Figure FDA0001970182130000033
(4.2)根据每个地点的Getis-Ord检验统计量按照下表中规则判断是否为道路超速事件的热点或冷点：
Figure FDA0001970182130000034
。
5.根据权利要求1所述的基于时空立方体的道路超速事件黑点识别方法，其特征在于：步骤(5)具体包括：
对道路超速事件变化趋势和道路超速事件热点统计结果进行交叉分析，若Mann-Kendall检验判定该地点道路超速事件显著增加，且Getis-Ord检验判定该地点为显著的道路超速事件的热点，则判定该地点为道路超速事件黑点。
CN201910116108.XA 2019-02-15 2019-02-15 一种基于时空立方体的道路超速事件黑点识别方法 Expired - Fee Related CN109727454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910116108.XA CN109727454B (zh) 2019-02-15 2019-02-15 一种基于时空立方体的道路超速事件黑点识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910116108.XA CN109727454B (zh) 2019-02-15 2019-02-15 一种基于时空立方体的道路超速事件黑点识别方法

Publications (2)

Publication Number Publication Date
CN109727454A CN109727454A (zh) 2019-05-07
CN109727454B true CN109727454B (zh) 2020-07-31

Family

ID=66301393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910116108.XA Expired - Fee Related CN109727454B (zh) 2019-02-15 2019-02-15 一种基于时空立方体的道路超速事件黑点识别方法

Country Status (1)

Country Link
CN (1) CN109727454B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643546B (zh) * 2021-05-19 2023-02-28 海南师范大学 一种应用于车内行为检测系统的监控管理终端及其方法
CN115424430B (zh) * 2022-06-09 2024-01-23 长沙理工大学 高速公路交通事故黑点路段鉴别方法、计算机装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902966A (zh) * 2012-12-28 2014-07-02 北京大学 基于序列时空立方体特征的视频交互事件分析方法及装置
CN103971519A (zh) * 2014-04-04 2014-08-06 东南大学 一种利用交通冲突判别事故易发路段的方法及其系统
CN104778835A (zh) * 2015-03-17 2015-07-15 同济大学 一种高等级道路多瓶颈点拥堵演化时空范围识别方法
CN106355881A (zh) * 2016-10-12 2017-01-25 同济大学 一种基于空间自相关的事故多发点鉴别方法及装置
KR101709088B1 (ko) * 2016-11-11 2017-02-22 봉만석 고속화도로 교통사고다발구간을 포함한 위험구간 돌발상황 대응을 위한 연속류 고속화도로 위험상황 제어 장치 및 그 방법
CN107293117A (zh) * 2017-07-04 2017-10-24 清华大学 一种公路异常事件的判断方法
CN108682149A (zh) * 2018-05-21 2018-10-19 东南大学 基于二项Logistic回归的公路事故黑点路段线形致因分析方法
CN109118766A (zh) * 2018-09-04 2019-01-01 华南师范大学 一种基于交通卡口的同行车辆判别方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902966A (zh) * 2012-12-28 2014-07-02 北京大学 基于序列时空立方体特征的视频交互事件分析方法及装置
CN103902966B (zh) * 2012-12-28 2018-01-05 北京大学 基于序列时空立方体特征的视频交互事件分析方法及装置
CN103971519A (zh) * 2014-04-04 2014-08-06 东南大学 一种利用交通冲突判别事故易发路段的方法及其系统
CN104778835A (zh) * 2015-03-17 2015-07-15 同济大学 一种高等级道路多瓶颈点拥堵演化时空范围识别方法
CN106355881A (zh) * 2016-10-12 2017-01-25 同济大学 一种基于空间自相关的事故多发点鉴别方法及装置
KR101709088B1 (ko) * 2016-11-11 2017-02-22 봉만석 고속화도로 교통사고다발구간을 포함한 위험구간 돌발상황 대응을 위한 연속류 고속화도로 위험상황 제어 장치 및 그 방법
CN107293117A (zh) * 2017-07-04 2017-10-24 清华大学 一种公路异常事件的判断方法
CN108682149A (zh) * 2018-05-21 2018-10-19 东南大学 基于二项Logistic回归的公路事故黑点路段线形致因分析方法
CN109118766A (zh) * 2018-09-04 2019-01-01 华南师范大学 一种基于交通卡口的同行车辆判别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于空间集聚特征的事故多发路段判别——以广州市为例;樊天翔;《交叉创新与转型重构——2017 年中国城市交通规划年会论文集》;20171231;第1-11页 *

Also Published As

Publication number Publication date
CN109727454A (zh) 2019-05-07

Similar Documents

Publication Publication Date Title
CN110677859B (zh) 弱覆盖区域的确定方法、装置和计算机可读存储介质
CN108961747B (zh) 一种不完备卡口数据条件下的城市道路交通状态信息提取方法
CN109727454B (zh) 一种基于时空立方体的道路超速事件黑点识别方法
CN112837533B (zh) 一种考虑风险因素时变特征的公路事故频次预测方法
CN111598069B (zh) 一种基于深度学习的高速公路车辆换道区域分析方法
CN108346291B (zh) 基于手机app的城市道路交通事故采集与分析方法
CN102289734A (zh) 基坑工程动态风险评估与管理方法
CN110929939A (zh) 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法
CN111598999A (zh) 一种基于三维干旱体结构的干旱事件识别方法
CN116013084B (zh) 交通管控场景确定方法、装置、电子设备及存储介质
CN103955596A (zh) 一种基于交通事故采集技术的事故热点综合判定方法
CN113435769A (zh) 一种计算城市无障碍设施指数的方法
CN113256978A (zh) 一种城市拥堵地区的诊断方法、系统及储存介质
CN115330254A (zh) 一种山洪综合风险预警方法、系统及存储介质
CN116842435A (zh) 基于swap的场次干旱三维度量及时空演变可视化方法
CN112883847A (zh) 基于大数据与图像分析技术的市政道路工程建设项目智慧监理方法
CN115879616A (zh) 一种基于输电线路微气象站监测数据的高危气象识别方法及装置
CN115358507A (zh) 生产建设项目扰动图斑水土流失风险识别评估方法
CN108010268A (zh) 一种基于基站定位的防踩踏事故实时预警方法
EP3659402B1 (en) System and method for displaying street lighting levels
Beitel et al. Quality measure of short-duration bicycle counts
CN116932679A (zh) 一种基于gis技术多模式行业气象服务检验应用方法
CN113516850B (zh) 基于空间句法分析的管道沿线交通流量数据采集方法
CN112614309B (zh) 一种地质灾害气象预警准确率的计算方法
CN114564521A (zh) 一种基于聚类算法确定农机工作时间段的方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200731