CN109885639A - 可视化的出租车上下车特征分析方法 - Google Patents

可视化的出租车上下车特征分析方法 Download PDF

Info

Publication number
CN109885639A
CN109885639A CN201910219988.3A CN201910219988A CN109885639A CN 109885639 A CN109885639 A CN 109885639A CN 201910219988 A CN201910219988 A CN 201910219988A CN 109885639 A CN109885639 A CN 109885639A
Authority
CN
China
Prior art keywords
taxi
bus
trip
data
section
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
Application number
CN201910219988.3A
Other languages
English (en)
Other versions
CN109885639B (zh
Inventor
吕伟韬
杨树
李璐
潘阳阳
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.)
JIANGSU INTELLIGENT TRANSPORTATION SYSTEMS Co Ltd
Original Assignee
JIANGSU INTELLIGENT TRANSPORTATION SYSTEMS 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 JIANGSU INTELLIGENT TRANSPORTATION SYSTEMS Co Ltd filed Critical JIANGSU INTELLIGENT TRANSPORTATION SYSTEMS Co Ltd
Priority to CN201910219988.3A priority Critical patent/CN109885639B/zh
Publication of CN109885639A publication Critical patent/CN109885639A/zh
Priority to PCT/CN2019/115056 priority patent/WO2020186770A1/zh
Application granted granted Critical
Publication of CN109885639B publication Critical patent/CN109885639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种可视化的出租车上下车特征分析方法，通过提取出租车GPS轨迹数据中的上下车信息，基于K‑medoids算法的出租车出行特征聚类分析，进而对基于路段上下车平均波动趋势曲线图的图案形状对提取聚类后的日常通勤类的出行目的特征分析，最终在GIS电子地图中呈现出各路段出租车出行特征信息；该方法不用根据经验人工设定内核尺寸和搜索半径参数数值，避免传统热力图通过人工经验配置内核尺寸和搜素半径导致上下车点区域可视化的情况。基于上下车数据的平均波动趋势的趋势图形状划分出出租车出行目的特征信息，从而通过在GIS电子地图中叠加展现出出租车出行特征信息，形成直观清晰的出租车上下车特征的创新可视化展示方式。

Description

可视化的出租车上下车特征分析方法
技术领域
本发明涉及一种可视化的出租车上下车特征分析方法。
背景技术
出租车上下车热点区域及出行目的的研究是出租车调度和路径优化的关键，而传统出租车出行模式可视化展示方式主要为热力图或冷热点绘制研究。出租车上下车热力图的绘制主要取决于内核尺寸和搜索半径两个参数，其中每一个上下车点看作二维高斯分布的中心，内核尺寸决定二维高斯分布的离散类型，搜索半径决定区域内上下车点的数量，从而通过对这些二维高斯分布的求和得到热点或热力图，但是这种数据方法的最优解来自两个参数，而两个参数的取值均是由经验决定。
同时出租车上下车点一般沿着城市道路沿线，而传统热力图或冷热点的研究绘制是将每个上下车点作为二维高斯分布的中心，高斯分布没有方向约束，这就意味着绘制出的热力图中，在没有道路覆盖的区域也存在上下车行为。另一方面，这种热力图和热点图的可视化展示方式仅能展现出区域热点，针对时间信息无法展示，在可视化展示前均需人工筛选数据的收集统计时间段。
综上所述，针对传统出租车上下车可视化展示方法(热力图/热点图)，急需提供一种将时空信息一起展示的道路上下车可视化展示方法，使交管用户能够清楚掌握各条道路上出租车上下车模式信息。
发明内容
针对传统出租车上下车热点区域热力图的可视化展现模式，本发明的目的是提供一种可视化的出租车上下车特征分析方法，使用户有效掌握路网内出租车上下车出行特征信息，避免传统热力图展示方式需要人工确定参数信息的经验化模式，并解决现有技术中存在的如何将道路上下车进行时空信息一起展示，使交管用户能够清楚掌握各条道路上出租车上下车模式信息的问题。
本发明的技术解决方案是：
一种可视化的出租车上下车特征分析方法，通过提取出租车GPS轨迹数据中的上下车信息，基于K-medoids算法的出租车出行特征聚类分析，进而对基于路段上下车平均波动趋势曲线图的图案形状对提取聚类后的日常通勤类的出行目的特征分析，最终在GIS电子地图中呈现出各路段出租车出行特征信息，包括以下步骤，
S1、提取出租车的GPS轨迹数据并整合汇总，得到每条路段平均每天各时段的上下车情况；
S2、基于傅里叶变换将上下车数据的时间序列从时域转换为频域数值；
S3、利用k-medoids将步骤S2中变换后频域数值进行聚类分析，确定出租车出行类型，包括日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失模式；
S4、提取日常通勤出行模式下的各时段出租车上下车数量，绘制出当日各时段上下车数波动趋势图，基于波动趋势图的图案形状确定时段下出租车出行的出行目的；
S5、基于步骤S3确定的出行特征以及步骤S4确定的各路段通勤出行目的，在GIS电子地图中标注出各路段的出租车上下车出行目的特征信息。
进一步地，步骤S1具体为，
S11、接入出租车车载终端，获取出租车GPS轨迹数据，提取出租车上下车数据；
S12、整合每条路段每天的出租车GPS轨迹数据，得到每条路段平均每天各时段的上下车情况。
进一步地，步骤S11中，提取出租车上下车数据，具体为，
首先对出租车轨迹信息进行数据清洗工作再进行数据分析；出租车车辆的GPS轨迹数据是按其时间进行排序所行成的时间序列traj＝{p1，p2，…，pi，…，pn}，其中，pi＝(lngi，lati，ti)，lngi表示车辆在第i个位置时的经度，lati表示车辆在第i个位置时的纬度，ti表示车辆在第i个位置时的时刻；出租车上下车情况根据出租车GPS轨迹数据中的载客状态包括重车和空车确定，即出租车载客状态由空车变为重车则说明有乘客上车，出租车载客状态由重车变为空车则说明乘客下车，进而从GPS轨迹数据中提取出上下车点并按时间序列排列。
进一步地，步骤S12中，得到每条路段平均每天各时段的上下车情况，具体为，
S121、根据城市路网信息确定路段，相邻交叉口之间的距离即为路段，进而依托GPS轨迹数据中的经纬度(lngi，lati)将GPS轨迹数据分至各路段上；根据日期和时间将GPS轨迹数据中的时刻信息ti进行分类排序，进而整合每条路段每天各时间段内上下车数量；
S122、求解出每天各时段出租车上下车均值，得到每条路段平均每天各时段的上下车数量，并按时间序列排列。
进一步地，基于傅里叶变换将上下车数据的时间序列从时域转换为频域数值，具体为，基于时空数据变换特征，通过傅里叶变换公示将上下车数据情况值Nt＝{p1，p2，…，pj}转换为频率数值ω(t)＝{ω1，ω2，…，ωj}，即针对步骤S1求得各时段内上下车数量转换到各时段频率数值，具体傅里叶公式为：
式中，ω代表频率，t代表时间，e-iωt为复变函数，f(t)为上下车数据量，F(ω)为上下车数量频率数值。
进一步地，步骤S3中，确定出租车出行模式，包括日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失模式，具体为，
S31、分别对统计时间段样本数量各路段各时间段内的上下车频率数据进行整合，确定样聚类分析的簇个数k；
S32、在统计时间范围内样本点中随机选择k个点作为初始中心点，分别计算剩下点距离k个中心点的欧氏距离从而划分出簇，进一步根据划分的簇再求解簇内剩下的点与其其他样本点的曼哈顿距离之和，并将曼哈顿距离之和最小的点作为簇的中心点；不断重复求解簇直到中心点不再改变，得到聚类结果，即出租车GPS上下车频率数据的划分情况。
本发明的有益效果是：
一、该种可视化的出租车上下车特征分析方法，与传统热力图的展现方式相比较，该方法不用根据经验人工设定内核尺寸和搜索半径参数数值，能够避免传统热力图通过人工经验配置内核尺寸和搜素半径导致上下车点区域可视化的情况。
二、该种可视化的出租车上下车特征分析方法，通过傅里叶变换将GPS轨迹数据中的时间序列上下车数据转换为频率数值，时空信息在转换中不会丢失，更便于数据的聚类分析。
三、本发明方法通过K-medoids中心点方法对GPS上下车轨迹数据进行聚类分析，划分出日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失出行模式四种情况，并基于上下车数据的平均波动趋势的趋势图形状(英文字母)划分出出租车出行目的特征信息，从而通过在GIS电子地图中叠加英文字母展现出出租车出行特征信息。
四、该种可视化的出租车上下车特征分析方法，通过将GPS轨迹信息提取整合，分析出租车上下车数据，以K-medoids算法聚类分析出租车出行模式，以上下车数据波动趋势图的英文字母形状分析出行特征，从而形成直观清晰的出租车上下车特征的创新可视化展示方式。
五、该种可视化的出租车上下车特征分析方法，对比传统热力图的空间聚类分析，通过对各路段上的上下车数据进行k-medoids中心点聚类分析以及上下车数据平均波动趋势图绘制，找到出租车上下车出行模式及出行特征规律信息，从而方便交通规划管理者进行出租车调度和路径优化。
附图说明
图1是本发明实施例可视化的出租车上下车特征分析方法的流程示意图。
图2是实施例中出租车上车情况的娱乐出行(U型)、工作出行(M型)、就餐出行(W型)和混合型(VVV型)四个类型的示意图。
图3是实施例中具体示例的某市的出租车上车点位分布示意图。
图4是实施例中某市某两日某路段时域到频域的直方图。
图5是实施例中对某路段统计时段(季度)各日各时段内的上车数据量进行聚类分析后划分出日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失模式四种模式情况的说明示意图。
图6是实施例中对日常通勤出行模式下绘制的曲线的示意图。
图7是实施例中将娱乐出行(U型)、工作出行(M型)、就餐出行(W型)和混合型(VVV型)各类型叠加到地图后的说明示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种可视化的出租车上下车特征分析方法，通过提取出租车GPS轨迹数据中的上下车信息，基于K-medoids算法的出租车出行特征聚类分析，进而对基于路段上下车平均波动趋势曲线图的图案形状对提取聚类后的日常通勤类的出行目的特征分析，最终在GIS电子地图中呈现出各路段出租车出行特征信息，如图1，具体步骤如下：
S1.提取出租车GPS轨迹数据并整合汇总，得到每条路段平均每天各时段的上下车情况。
S11.接入出租车车载终端，获取出租车GPS轨迹数据，提取出租车上/下车数据。
优选地，在提取时首先对出租车轨迹信息进行数据清洗工作再进行数据分析；出租车车辆的GPS轨迹数据是按其时间进行排序所行成的时间序列traj＝{p1，p2，…，pi，…，pn}，其中，pi＝(lngi，lati，ti)，lngi表示车辆在第i个位置时的经度，lati表示车辆在第i个位置时的纬度，ti表示车辆在第i个位置时的时刻；出租车上下车情况根据出租车GPS轨迹数据中的载客状态(重车和空车)确定，即出租车载客状态由空车变为重车则说明有乘客上车，出租车载客状态由重车变为空车则说明乘客下车，进而从GPS轨迹数据中提取出上下车点(按时间序列排列)。
S12.整合每条路段每天的上下车GPS轨迹数据，得到每条路段平均每天各时段的上下车情况，其中路段为相邻交叉口之间的距离。
S121.根据城市路网信息确定路段(相邻交叉口之间的距离即为路段)，进而依托GPS轨迹数据中的经纬度(lngi，lati)将GPS轨迹数据分至各路段上；根据日期和时间将GPS轨迹数据中的时刻信息ti进行分类排序，进而整合每条路段每天各时间段内上下车数量；
S122.求解出每天各时段出租车上下车均值，得到每条路段平均每天各时段的上下车数量，并按时间序列排列。如提取出A路段中的上车数据，对A路段同时段上车数据求均值得到A路段平均一天内的上车波动趋势情况。
S2.基于傅里叶变换将上下车数据的时间序列从时域转换为频域数值。
具体来说，基于时空数据变换特征，通过傅里叶变换公示将上下车数据情况值Nt＝{p1，p2，…，pj}转换为频率数值ω(t)＝{ω1，ω2，…，ωj}，即针对S1步骤求得各时段内上下车数量转换到各时段频率数值，具体傅里叶公式为：
S3.利用k-medoids将步骤S2中变换后频域数值进行聚类分析，确定出租车出行类型，包括日常通勤出行、节假日出行、混合出行和数据缺失。
S31.分别对统计时间段样本数量各路段各时间段内的上下车频率数据进行整合，确定样聚类分析的簇个数k；
S32.在统计时间范围内样本点中随机选择k个点作为初始中心点，分别计算剩下点距离k个中心点的欧氏距离从而划分出簇，进一步根据划分的簇再求解簇内剩下的点与其其他样本点的曼哈顿距离之和，并将曼哈顿距离之和最小的点作为簇的中心点；不断重复求解簇直到中心点不再改变，得到聚类结果，即出租车GPS上下车频率数据的划分情况。
具体来说，在对GPS轨迹数据频率聚类分析时，可以划分为四类，包括日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失模式，其中工作日和周末差别较少均默认为日常通勤出行模式，同时一周内各日之间的变化较小。
S4.提取日常通勤出行模式下的各时段出租车上下车数量，绘制出当日各时段上下车数波动趋势图，基于波动趋势图的图案形状确定时段下出租车出行的出行目的。
以出租车上车情况为例，具体包括趋势图呈现“U型”形状的娱乐出行、趋势图呈现“M型”形状的工作出行、趋势图呈现“W型”形状的就餐出行和趋势图呈现“VVV型”形状的混合型，如图2所示。
S5.基于GIS电子地图呈现各路段出租车上下车的出行特征信息。
具体来说，基于步骤S3确定的出行特征以及步骤S4确定的各路段通勤出行目的，在GIS电子地图中标注出各路段的出租车上下车出行目的特征信息。
该种可视化的出租车上下车特征分析方法，提取出出租车车辆的GPS轨迹信息，将各路段上下车数据按时间排序，通过傅里叶变换和k-medoids算法将出租车出行进行聚类分析，针对日常通勤模式以英文字母形状的可视化方式展现出路段出租车出行目的，从而在GIS电子地图中展示处理，使用户有效掌握路网内出租车上下车出行特征信息，避免传统热力图展示方式需要人工确定参数信息的经验化模式。
实施例的创新的出租车上下车特征可视化展现方式，对比传统热力图的空间聚类分析，通过对各路段上的上下车数据进行k-medoids中心点聚类分析以及上下车数据平均波动趋势图绘制，找到出租车上下车出行模式及出行特征规律信息，从而方便交通规划管理者进行出租车调度和路径优化。
实施例的一个具体示例如下：
步骤S1、选取某市作为研究对象，获取该市某季度内出租车的运营数据包括GPS轨迹数据，根据车辆重车/空车状态确定提取出上车数据进行研究，其中出租车上车点位分布如图3所示。
步骤S2、按路段对每日各时段的上车数据进行统计，并通过傅里叶变换转换为频率数值，绘制出时域到频域的直方图，得到转换后的频率指数，其中某两日某路段的直方图如图4所示。
步骤S3、对某路段统计时段(季度)各日各时段内的上车数据量进行聚类分析，划分出四种模式情况，如图5所示。
步骤S4、进一步分别对各模式下当日出租车上车数量波动趋势进行绘制，以日常通勤为例，其绘制的曲线如图6所示。
其中在日常通勤出行模式下，针对全天各时间段内确定各类型出行方式其高峰时间段如下：
步骤S5、进一步将数据将各类型叠加到地图上，具体信息如图7所示。

Claims (6)

1.一种可视化的出租车上下车特征分析方法，其特征在于：通过提取出租车GPS轨迹数据中的上下车信息，基于K-medoids算法的出租车出行特征聚类分析，进而对基于路段上下车平均波动趋势曲线图的图案形状对提取聚类后的日常通勤类的出行目的特征分析，最终在GIS电子地图中呈现出各路段出租车出行特征信息，包括以下步骤，
S1、提取出租车的GPS轨迹数据并整合汇总，得到每条路段平均每天各时段的上下车情况；
S2、基于傅里叶变换将上下车数据的时间序列从时域转换为频域数值；
S3、利用k-medoids将步骤S2中变换后频域数值进行聚类分析，确定出租车出行类型，包括日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失模式；
S4、提取日常通勤出行模式下的各时段出租车上下车数量，绘制出当日各时段上下车数波动趋势图，基于波动趋势图的图案形状确定时段下出租车出行的出行目的；
S5、基于步骤S3确定的出行特征以及步骤S4确定的各路段通勤出行目的，在GIS电子地图中标注出各路段的出租车上下车出行目的特征信息。
2.如权利要求1所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S1具体为，
S11、接入出租车车载终端，获取出租车GPS轨迹数据，提取出租车上下车数据；
S12、整合每条路段每天的出租车GPS轨迹数据，得到每条路段平均每天各时段的上下车情况。
3.如权利要求2所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S11中，提取出租车上下车数据，具体为，
首先对出租车轨迹信息进行数据清洗工作再进行数据分析；出租车车辆的GPS轨迹数据是按其时间进行排序所行成的时间序列traj＝{p1，p2，…，pi，…，pn}，其中，pi＝(lngi，lati，ti)，lngi表示车辆在第i个位置时的经度，lati表示车辆在第i个位置时的纬度，ti表示车辆在第i个位置时的时刻；出租车上下车情况根据出租车GPS轨迹数据中的载客状态包括重车和空车确定，即出租车载客状态由空车变为重车则说明有乘客上车，出租车载客状态由重车变为空车则说明乘客下车，进而从GPS轨迹数据中提取出上下车点并按时间序列排列。
4.如权利要求2所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S12中，得到每条路段平均每天各时段的上下车情况，具体为，
S121、根据城市路网信息确定路段，相邻交叉口之间的距离即为路段，进而依托GPS轨迹数据中的经纬度(lngi，lati)将GPS轨迹数据分至各路段上；根据日期和时间将GPS轨迹数据中的时刻信息ti进行分类排序，进而整合每条路段每天各时间段内上下车数量；
S122、求解出每天各时段出租车上下车均值，得到每条路段平均每天各时段的上下车数量，并按时间序列排列。
5.如权利要求1-4任一项所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S2中，基于傅里叶变换将上下车数据的时间序列从时域转换为频域数值，具体为，基于时空数据变换特征，通过傅里叶变换公示将上下车数据情况值Nt＝{p1，p2，…，pj}转换为频率数值ω(t)＝{ω1，ω2，…，ωj}，即针对步骤S1求得各时段内上下车数量转换到各时段频率数值，具体傅里叶公式为：
式中，ω代表频率，t代表时间，e-iωt为复变函数，f(t)为上下车数据量，F(ω为上下车数量频率数值。
6.如权利要求1-4任一项所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S3中，确定出租车出行模式，包括日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失模式，具体为，
S31、分别对统计时间段样本数量各路段各时间段内的上下车频率数据进行整合，确定样聚类分析的簇个数k；
S32、在统计时间范围内样本点中随机选择k个点作为初始中心点，分别计算剩下点距离k个中心点的欧氏距离从而划分出簇，进一步根据划分的簇再求解簇内剩下的点与其其他样本点的曼哈顿距离之和，并将曼哈顿距离之和最小的点作为簇的中心点；不断重复求解簇直到中心点不再改变，得到聚类结果，即出租车GPS上下车频率数据的划分情况。
CN201910219988.3A 2019-03-21 2019-03-21 可视化的出租车上下车特征分析方法 Active CN109885639B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910219988.3A CN109885639B (zh) 2019-03-21 2019-03-21 可视化的出租车上下车特征分析方法
PCT/CN2019/115056 WO2020186770A1 (zh) 2019-03-21 2019-11-01 可视化的出租车上下车特征分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910219988.3A CN109885639B (zh) 2019-03-21 2019-03-21 可视化的出租车上下车特征分析方法

Publications (2)

Publication Number Publication Date
CN109885639A true CN109885639A (zh) 2019-06-14
CN109885639B CN109885639B (zh) 2022-12-23

Family

ID=66933606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910219988.3A Active CN109885639B (zh) 2019-03-21 2019-03-21 可视化的出租车上下车特征分析方法

Country Status (2)

Country Link
CN (1) CN109885639B (zh)
WO (1) WO2020186770A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428604A (zh) * 2019-07-30 2019-11-08 山东交通学院 一种基于gps轨迹数据和地图数据的出租车违规停车监测与预警方法
US11467598B2 (en) * 2019-10-10 2022-10-11 Lg Electronics Inc. Method of estimating position in local area of large space and robot and cloud server implementing thereof

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380906B (zh) * 2020-10-19 2024-05-31 上汽通用五菱汽车股份有限公司 一种基于行车数据确定用户住址的方法
CN112734532B (zh) * 2021-01-15 2024-06-14 东南大学 基于共享电单车借还车点数据的通勤行为识别方法
CN112905729B (zh) * 2021-03-05 2024-01-30 亿海蓝（北京）数据技术股份公司 轨迹数据的热力图生成方法、装置、电子设备和存储介质
CN114579884B (zh) * 2022-02-16 2024-05-31 中冶南方城市建设工程技术有限公司 城市建成区内共享单车出行展示方法及系统
CN116029624B (zh) * 2022-07-21 2024-02-06 大连海事大学 一种融合货车轨迹和poi数据的货源地识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010250673A (ja) * 2009-04-17 2010-11-04 Ntt Docomo Inc タクシー利用者抽出装置及びタクシー利用者抽出方法
CN107577725A (zh) * 2017-08-22 2018-01-12 长安大学 一种城市出租车乘客出行特征可视化分析方法
WO2018064931A1 (zh) * 2016-10-08 2018-04-12 大连理工大学 考虑出租车运营状态下的城市道路行程时间分布估算方法
CN108242149A (zh) * 2018-03-16 2018-07-03 成都智达万应科技有限公司 一种基于交通数据的大数据分析方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529754B (zh) * 2016-06-27 2020-04-03 江苏智通交通科技有限公司 基于大数据分析的出租车运营情况评估方法
CN108959466B (zh) * 2018-06-20 2020-06-02 淮阴工学院 基于bcs-dbscan的出租车载客热点可视化方法及系统
CN109254861B (zh) * 2018-09-17 2021-10-29 江苏智通交通科技有限公司 基于轨迹数据的od需求提取及其可靠性分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010250673A (ja) * 2009-04-17 2010-11-04 Ntt Docomo Inc タクシー利用者抽出装置及びタクシー利用者抽出方法
WO2018064931A1 (zh) * 2016-10-08 2018-04-12 大连理工大学 考虑出租车运营状态下的城市道路行程时间分布估算方法
CN107577725A (zh) * 2017-08-22 2018-01-12 长安大学 一种城市出租车乘客出行特征可视化分析方法
CN108242149A (zh) * 2018-03-16 2018-07-03 成都智达万应科技有限公司 一种基于交通数据的大数据分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428604A (zh) * 2019-07-30 2019-11-08 山东交通学院 一种基于gps轨迹数据和地图数据的出租车违规停车监测与预警方法
US11467598B2 (en) * 2019-10-10 2022-10-11 Lg Electronics Inc. Method of estimating position in local area of large space and robot and cloud server implementing thereof

Also Published As

Publication number Publication date
CN109885639B (zh) 2022-12-23
WO2020186770A1 (zh) 2020-09-24

Similar Documents

Publication Publication Date Title
CN109885639A (zh) 可视化的出租车上下车特征分析方法
CN108427965B (zh) 一种基于路网聚类的热点区域挖掘方法
CN105355049B (zh) 一种基于宏观基本图的高速公路运行状态评价方法
CN105513370B (zh) 基于稀疏车牌识别数据挖掘的交通小区划分方法
CN107766808A (zh) 道路网络空间中车辆对象移动轨迹聚类的方法及系统
US20130211699A1 (en) Parking lot detection using probe data
CN108417023A (zh) 基于出租车上下客点空间聚类的交通小区中心点选取方法
CN106651027B (zh) 一种基于社交网络的互联网班车线路优化方法
CN109034469A (zh) 一种基于机器学习的游客流量预测方法
CN105913661A (zh) 一种基于收费数据的高速公路路段交通状态判别方法
CN108961758A (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN109993215B (zh) 一种基于交通大数据的路径诱导方法
CN110634299B (zh) 基于多源轨迹数据的城市交通状态精细划分与识别方法
CN109101559B (zh) 一种基于poi和公交刷卡数据的城市功能区识别方法
CN102183259A (zh) 基于电子地图道路特征识别的导航方法
CN106530717A (zh) 基于云模型的施工路段行车险态评价方法
CN107729938A (zh) 一种基于公交接驳辐射区特征的轨道站点分类方法
CN106875734B (zh) 一种推送停车路线的方法及装置
CN107832779A (zh) 一种轨道站点分类系统
CN108648445A (zh) 基于交通大数据的动态交通态势预测方法
CN112308616A (zh) 一种航司旅客的群体划分方法及装置
CN102902976A (zh) 一种基于目标及其空间关系特性的图像场景分类方法
CN103942952A (zh) 一种路网功能层次状态等级评估方法
CN113570860B (zh) 针对轨迹数据的城市道路交通状态精细划分与识别的方法
CN109979198A (zh) 基于大规模浮动车数据的城市快速道路车速离散辨识方法

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: 211106 19 Su Yuan Avenue, Jiangning economic and Technological Development Zone, Nanjing, Jiangsu

Applicant after: JIANGSU ZHITONG TRANSPORTATION TECHNOLOGY Co.,Ltd.

Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor

Applicant before: JIANGSU ZHITONG TRANSPORTATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant