CN110084308A - 一种基于车辆轨迹分析构建通勤路径的方法 - Google Patents
一种基于车辆轨迹分析构建通勤路径的方法 Download PDFInfo
- Publication number
- CN110084308A CN110084308A CN201910364179.1A CN201910364179A CN110084308A CN 110084308 A CN110084308 A CN 110084308A CN 201910364179 A CN201910364179 A CN 201910364179A CN 110084308 A CN110084308 A CN 110084308A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- path
- time
- space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000000284 extract Substances 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 9
- 101100533306 Mus musculus Setx gene Proteins 0.000 claims description 4
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车辆轨迹分析构建通勤路径的方法,具体涉及道路交通领域,该方法包括:收集车辆的轨迹数据。筛选出轨迹数据中空间相似度大于预设阈值的轨迹集合,生成车辆轨迹空间聚类集合。同时,筛选出时间差小于预设阈值的轨迹集合,生成车辆轨迹时空聚类集合。当车辆轨迹时空聚类集合中任一个的轨迹数量>预设阈值,则判定该行驶轨迹是由通勤车辆行驶产生的。则,将满足条件的轨迹作为候选通勤轨迹,且对其进行空间相似度和时间差进行筛选,得到车辆的通勤路径。通过本发明提供的方法可判断通勤车以及构建通勤路径,进而为相关部门开展工作提供借鉴意义。
Description
技术领域
本发明涉及道路交通领域,具体为一种基于车辆轨迹分析构建通勤路径的方法。
背景技术
通勤车是指不以盈利为目的,通常拥有固定的行驶时间和行驶路线的车辆。其主要功能是居民上下班或接送小孩。通过对通勤车的分析与判断,进而分析其通勤路径,宏观上可以获得城市的职住分布,对于城市交通规划、拥堵治理引导有借鉴作用;微观上通过对车辆通勤行为进行细粒度刻画,方便交警等管理部门对于车辆行为的深层了解,进而实现缉查布控以及失驾判断等等。
与此同时,随着智慧交通的普及,卡口等设备广泛应用于城市交通中。基于卡口等设备的数据,已有相关方法可以构建全路网的车辆轨迹。然而,如何利用行驶车辆的轨迹数据,进行通勤车判断及通勤路径构建是一个亟需解决的问题。
发明内容
本发明提供了一种基于车辆轨迹分析构建通勤路径的方法,通过该方法可判断通勤车以及构建通勤路径,进而为相关部门开展工作提供借鉴意义。
为实现上述目的,本发明提供如下技术方案:
一种基于车辆轨迹分析构建通勤路径的方法,该通勤路径构建方法包括如下步骤:
S01、收集车辆在时间段t内的轨迹数据,所述的轨迹数据经预处理后,组合得到每辆车的轨迹集合,记为set。
S02、将得到的轨迹集合按照空间聚类算法进行分析,筛选出空间相似度大于空间相似度阈值threspace的轨迹集合,且合并后生成车辆轨迹空间聚类集合,记为:
sets=(set1,set2,...,setp),其中,p是自然数,且p≥1。
S03、对得到的车辆轨迹空间聚类集合按照时间聚类算法进行分析,筛选出车辆轨迹空间聚类集合中时间差小于时间相似度阈值thretime的轨迹集合,生成车辆轨迹时空聚类集合,记为:
setst=(set1,set2,...,setn)。
S04、当seti中的轨迹数量>threc,则判定该行驶轨迹是由通勤车辆行驶产生的;其中,seti是集合setst中任一一个元素,threc是预设的轨迹数量阈值;
则,将满足条件的seti重新组合成通勤路径候选集合,记为setc。
首先在空间上,计算轨迹集合seti中车辆经过交叉口的平均次数,将车辆经过的大于平均次数的交叉口提取出来,对于前后断开的交叉口利用路网数据进行补全。
其次在时间上,选择出发时间和到达时间的中位数作为车辆最终的出发时间和到达时间。
S05、在集合setc中,任意一个候选通勤轨迹setx基于空间相似度和时间差进行筛选,若:
候选通勤轨迹setx的空间相似度大于所述的空间相似度阈值threspace,时间差小于所述的时间相似度阈值thretime;
则,丢弃该候选通勤轨迹;
不符合上述条件的候选通勤轨迹最终组合生成车辆的通勤路径集合,记为其中,startTime为出发时间,endTime为到达时间,path为路径。
作为优选,在步骤S01中,所述轨迹数据包括车牌信息、时间信息以及空间信息。空间信息需要进行交叉口绑定,交叉口绑定规则如下:
如果轨迹数据中的空间信息与交叉口绑定,则直接提取交叉口信息。若轨迹数据中的空间信息与路段绑定,则提取上游路段交叉口信息。若轨迹数据中的空间信息仅为经纬度,则计算该经纬度与各个交叉口之间的欧式距离,且提取距离最近的交叉口信息。
作为优选,在步骤S01中,预处理方法为:
S01a、将获得的轨迹数据经格式化后,获得初始轨迹集合,记为:
setorigin=(trace1,trace2,...,tracen);
其中,tracei表示集合setorigin中任意一个元素,记为:
tracei=(cari,startTimei,endTimei,pathi);
cari表示车辆的车牌号,startTimei表示车辆的出发时间,endTimei表示车辆的到达时间,pathi表示车辆的行驶路径,记为pathi=(s1,s2,...,sn),sn表示交叉口编号;
S01b、将相同车牌号的轨迹元素提取出来,组合生成每辆车对应的轨迹集合。
作为优选,在步骤S02中,空间聚类算法步骤为:
S02a、提取每辆车的轨迹集合中的行驶路径元素,组合构成路径集合,记为:
setpath=(path1,path2,...,pathn);
则,空间相似度simpath的计算方法为:
其中,pathi和pathj为任意两条行驶路径,|pathi∩pathj|表示轨迹中相同不重复的交叉口数量,|pathi∪pathj|表示轨迹中所有不重复的交叉口数量;
S02b、将所有空间相似度大于空间相似度阈值threspace的轨迹聚为一类,得到车辆轨迹空间聚类集合。
作为优选,时间聚类算法步骤为:
S03a、在车辆轨迹空间聚类集合中,提取每辆车的轨迹集合中的出发时间元素,组合构成出发时间集合,记为:
setstartTime=(startTime1,startTime2,startTimen);
计算时间差startTimedis,startTimedis=|startTimetransi-startTimetransj|,其中startTimetransi为任意i时刻的出发时间,startTimetransj为任意j时刻的出发时间,时间范围为0-24小时;因为一天只有24小时,即此处时间不是广义上日期+时刻(例如2019-04-0811:20),仅仅是时刻(11:20)。
S03b、将所有时间差小于时间相似度阈值thretime的轨迹聚为一类,得到车辆轨迹时空聚类集合。
本发明的有益效果为:
本发明利用轨迹分析,采用时间聚类和空间聚类的思想,判断出车辆是否为通勤车辆;对于研判出的通勤车辆,结合路网信息和时空相似度,构建最终的通勤路径。通勤车辆的研判与通勤路径的构建对于了解城市职住分布、车辆行驶规律具有有益作用。本发明具有易于实现、简单高效、参数配置灵活的特点,有利于工程化应用。
附图说明
图1为本实施例中一种基于车辆轨迹分析构建通勤路径的方法的流程示意图。
具体实施方式
本实施例提供了一种基于车辆轨迹分析构建通勤路径的方法,该方法包括了如下步骤:
S01、收集默认30天的轨迹数据,识别轨迹数据的格式,提取车牌信息、时间信息以及空间信息。空间信息需要进行交叉口绑定,交叉口绑定规则如下:
如果轨迹数据中的空间信息与交叉口绑定,则直接提取交叉口信息。若轨迹数据中的空间信息与路段绑定,则提取上游路段交叉口信息。若轨迹数据中的空间信息仅为经纬度,则计算该经纬度与各个交叉口之间的欧式距离,且提取距离最近的交叉口信息。
最终,格式化轨迹数据后生成初始轨迹集合,setorigin=(trace1,trace2,...,tracen),其中tracei为轨迹点。
例如A车牌中的某条轨迹信息如下表所示。
车牌 | 时间信息 | 空间信息 |
A | 2018-10-12 11:00:00 | 路段a |
A | 2018-10-12 11:12:07 | 路段b |
A | 2018-10-12 11:19:15 | 路段c |
A | 2018-10-12 11:21:42 | 路段d |
A | 2018-10-12 11:30:00 | 路段e |
此处空间信息为路段信息,则需要借助路网拓扑信息找到该路段的上游交叉口,例如路段a的上游交叉口为交叉口A。然后在时间上选取起点时间和终点时间信息,空间上将各个交叉口信息连接起来,最终构建轨迹信息。
例如trace1=(A车牌,2018-10-12 11:00:00,2018-10-11 11:30:00,'A,B,C,D,E')表示A车牌在2018-10-12 11:00:00至在2018-10-12 11:30:00有一条经过A,B,C,D,E交叉口的轨迹。
S02、根据车牌号划分轨迹,将相同车牌号的轨迹提取出来,最终生成每辆车的初始轨迹集合。
每辆车的轨迹集合空间聚类过程包括:
(1)、提取每辆车的轨迹集合中的路径,构成路径集合setpath。
(2)、对于路径集合中的路径,计算路径之间的相似度。若轨迹1的路径为“A,B,C,D,E”,轨迹2的路径为“B,C,D,E,F”,则二者的相似度为sim=4/6=0.667。
(3)、设定空间相似度阈值threspace,默认值为0.5。将所有空间相似度大于0.5的轨迹聚为一类。最终生成车辆轨迹空间聚类集合sets。
每辆车的轨迹集合时间聚类过程包括:
a、提取每辆车的轨迹集合中的出发时间,构成出发时间集合setstartTime。
b、对于出发时间集合中的时间,计算时间差。若轨迹1的出发时间为2018-10-1211:00:00,轨迹2的出发时间为2018-10-12 10:46:00,则二者的时间差为14分钟。
c、设定时间相似度阈值thretime,默认值为60分钟。将所有出发时间差小于60min的轨迹聚为一类。最终生成车辆轨迹时空聚类集合setst。
S03、研判通勤车辆的方法为:设定轨迹数量阈值threc,默认值为15。对于车辆轨迹时空聚类集合setst,若其中任意有一个seti中的轨迹数量大于15,则该车辆判定为通勤车辆,满足条件的seti构成通勤路径候选集合setc。
构建通勤路径过程包括:
S04、生成候选通勤轨迹集合。对于通勤路径候选集合setc中的各个轨迹集合seti,各生成一条该集合的候选通勤轨迹。首先在空间上,计算轨迹集合seti中各交叉口的平均次数,将大于平均次数的交叉口提取出来,对于前后断开的交叉口进行补全。补全可利用交叉口路段之间的路网关系;其次在时间上,选择出发时间和到达时间的中位数作为最终的出发时间和到达时间。
S05、相似候选通勤轨迹筛选。对于各个轨迹集合seti生成的候选通勤轨迹,基于上述空间相似度、时间差的阈值,若轨迹1=(车牌A,10:15,10:31,‘A,B,C,D,E’),轨迹2=(车牌A,10:24,10:43,‘B,C,D,E,F’),则其空间相似度为0.667,时间差为9分钟,同时满足大于空间相似度阈值和小于时间差阈值的条件,可视为同一条通勤路径,则随机丢弃其中一条,避免出现冗余结果。例如丢弃轨迹2,最终生成该车辆的通勤路径commute=(车牌A,10:15,10:31,‘A,B,C,D,E’)。
Claims (5)
1.一种基于车辆轨迹分析构建通勤路径的方法,其特征在于,包括如下步骤:
S01、收集车辆在时间段t内的轨迹数据,所述的轨迹数据经预处理后,组合得到每辆车的轨迹集合,记为set;
S02、将得到的轨迹集合按照空间聚类算法进行分析,筛选出空间相似度大于空间相似度阈值threspace的轨迹集合,且合并后生成车辆轨迹空间聚类集合,记为:
sets=(set1,set2,...,setp),其中,p是自然数,且p≥1;
S03、对得到的车辆轨迹空间聚类集合按照时间聚类算法进行分析,筛选出车辆轨迹空间聚类集合中时间差小于时间相似度阈值thretime的轨迹集合,生成车辆轨迹时空聚类集合,记为:
setst=(set1,set2,...,setn);
S04、当seti中的轨迹数量>threc,则判定该行驶轨迹是由通勤车辆行驶产生的;其中,seti是集合setst中任一一个元素,threc是预设的轨迹数量阈值;
则,将满足条件的seti重新组合成通勤路径候选集合,记为setc;
S05、在集合setc中,任意一个候选通勤轨迹setx基于空间相似度和时间差进行筛选,若:
候选通勤轨迹setx的空间相似度大于所述的空间相似度阈值threspace,时间差小于所述的时间相似度阈值thretime;
则,丢弃该候选通勤轨迹;
不符合上述条件的候选通勤轨迹最终组合生成车辆的通勤路径集合,记为其中,startTime为出发时间,endTime为到达时间,path为路径。
2.根据权利要求1所述的一种基于车辆轨迹分析构建通勤路径的方法,其特征在于,在步骤S01中,所述轨迹数据包括车牌信息、时间信息以及空间信息。
3.根据权利要求1所述的一种基于车辆轨迹分析构建通勤路径的方法,其特征在于,在步骤S01中,预处理方法为:
S01a、将获得的轨迹数据经格式化后,获得初始轨迹集合,记为:
setorigin=(trace1,trace2,...,tracen);
其中,tracei表示集合setorigin中任意一个元素,记为:
tracei=(cari,startTimei,endTimei,pathi);
cari表示车辆的车牌号,startTimei表示车辆的出发时间,endTimei表示车辆的到达时间,pathi表示车辆的行驶路径,记为pathi=(s1,s2,...,sn),sn表示交叉口编号;
S01b、将相同车牌号的轨迹元素提取出来,组合生成每辆车对应的轨迹集合。
4.根据权利要求3所述的一种基于车辆轨迹分析构建通勤路径的方法,其特征在于,在步骤S02中,空间聚类算法步骤为:
S02a、提取每辆车的轨迹集合中的行驶路径元素,组合构成路径集合,记为:
setpath=(path1,path2,...,pathn);
则,空间相似度simpath的计算方法为:
其中,pathi和pathj为任意两条行驶路径,|pathi∩pathj|表示轨迹中相同不重复的交叉口数量,|pathi∪pathj|表示轨迹中所有不重复的交叉口数量;
S02b、将所有空间相似度大于空间相似度阈值threspace的轨迹聚为一类,得到车辆轨迹空间聚类集合。
5.根据权利要求4所述的一种基于车辆轨迹分析构建通勤路径的方法,其特征在于,时间聚类算法步骤为:
S03a、在车辆轨迹空间聚类集合中,提取每辆车的轨迹集合中的出发时间元素,组合构成出发时间集合,记为:
setstartTime=(startTime1,startTime2,startTimen);
计算时间差startTimedis,startTimedis=|startTimetransi-startTimetransj|,其中startTimetransi为任意i时刻的出发时间,startTimetransj为任意j时刻的出发时间,时间范围为0-24小时;
S03b、将所有时间差小于时间相似度阈值thretime的轨迹聚为一类,得到车辆轨迹时空聚类集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364179.1A CN110084308B (zh) | 2019-04-30 | 2019-04-30 | 一种基于车辆轨迹分析构建通勤路径的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364179.1A CN110084308B (zh) | 2019-04-30 | 2019-04-30 | 一种基于车辆轨迹分析构建通勤路径的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084308A true CN110084308A (zh) | 2019-08-02 |
CN110084308B CN110084308B (zh) | 2022-05-17 |
Family
ID=67418254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910364179.1A Active CN110084308B (zh) | 2019-04-30 | 2019-04-30 | 一种基于车辆轨迹分析构建通勤路径的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084308B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053566A (zh) * | 2020-08-24 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 电子设备及车辆的出行类型识别方法 |
CN112185120A (zh) * | 2020-10-09 | 2021-01-05 | 重庆大学 | 一种基于电子车牌数据的通勤私家车识别方法 |
CN112509315A (zh) * | 2020-11-04 | 2021-03-16 | 杭州远眺科技有限公司 | 一种基于视频分析的交通事故检测方法 |
CN112633592A (zh) * | 2020-12-30 | 2021-04-09 | 鱼快创领智能科技(南京)有限公司 | 基于机器学习聚类算法的车辆常跑路线计算方法及系统 |
CN113724494A (zh) * | 2021-07-30 | 2021-11-30 | 东南大学 | 一种定制公交需求区域识别方法 |
CN114297328A (zh) * | 2021-12-28 | 2022-04-08 | 杭州电子科技大学 | 基于时空缓冲区的轨迹数据补全及交通流预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246706A (zh) * | 2013-04-09 | 2013-08-14 | 哈尔滨工程大学 | 一种道路网络空间中车辆对象移动轨迹聚类的方法 |
CN103325245A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院信息工程研究所 | 一种黑名单车辆的时空行驶轨迹预测方法 |
CN105701560A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 一种通勤路线信息的确定方法及装置 |
CN106408080A (zh) * | 2015-07-31 | 2017-02-15 | 富士通株式会社 | 运动物体的计数装置及方法 |
CN107038168A (zh) * | 2016-02-03 | 2017-08-11 | 中兴通讯股份有限公司 | 一种用户通勤轨迹管理方法、装置及系统 |
CN108596202A (zh) * | 2018-03-08 | 2018-09-28 | 清华大学 | 基于移动终端gps定位数据计算个人通勤时间的方法 |
CN108922193A (zh) * | 2018-08-03 | 2018-11-30 | 北京航空航天大学 | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 |
CN109242024A (zh) * | 2018-09-13 | 2019-01-18 | 中南大学 | 一种基于卡口数据的车辆行为相似度计算方法 |
CN109686093A (zh) * | 2019-01-23 | 2019-04-26 | 北京航空航天大学 | 一种基于轨迹分析的交通运力测算方法和装置 |
-
2019
- 2019-04-30 CN CN201910364179.1A patent/CN110084308B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246706A (zh) * | 2013-04-09 | 2013-08-14 | 哈尔滨工程大学 | 一种道路网络空间中车辆对象移动轨迹聚类的方法 |
CN103325245A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院信息工程研究所 | 一种黑名单车辆的时空行驶轨迹预测方法 |
CN106408080A (zh) * | 2015-07-31 | 2017-02-15 | 富士通株式会社 | 运动物体的计数装置及方法 |
CN105701560A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 一种通勤路线信息的确定方法及装置 |
CN107038168A (zh) * | 2016-02-03 | 2017-08-11 | 中兴通讯股份有限公司 | 一种用户通勤轨迹管理方法、装置及系统 |
CN108596202A (zh) * | 2018-03-08 | 2018-09-28 | 清华大学 | 基于移动终端gps定位数据计算个人通勤时间的方法 |
CN108922193A (zh) * | 2018-08-03 | 2018-11-30 | 北京航空航天大学 | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 |
CN109242024A (zh) * | 2018-09-13 | 2019-01-18 | 中南大学 | 一种基于卡口数据的车辆行为相似度计算方法 |
CN109686093A (zh) * | 2019-01-23 | 2019-04-26 | 北京航空航天大学 | 一种基于轨迹分析的交通运力测算方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053566A (zh) * | 2020-08-24 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 电子设备及车辆的出行类型识别方法 |
CN112053566B (zh) * | 2020-08-24 | 2022-01-11 | 青岛海信网络科技股份有限公司 | 电子设备及车辆的出行类型识别方法 |
CN112185120A (zh) * | 2020-10-09 | 2021-01-05 | 重庆大学 | 一种基于电子车牌数据的通勤私家车识别方法 |
CN112509315A (zh) * | 2020-11-04 | 2021-03-16 | 杭州远眺科技有限公司 | 一种基于视频分析的交通事故检测方法 |
CN112509315B (zh) * | 2020-11-04 | 2022-02-15 | 杭州远眺科技有限公司 | 一种基于视频分析的交通事故检测方法 |
CN112633592A (zh) * | 2020-12-30 | 2021-04-09 | 鱼快创领智能科技(南京)有限公司 | 基于机器学习聚类算法的车辆常跑路线计算方法及系统 |
CN112633592B (zh) * | 2020-12-30 | 2023-07-18 | 鱼快创领智能科技(南京)有限公司 | 基于机器学习聚类算法的车辆常跑路线计算方法及系统 |
CN113724494A (zh) * | 2021-07-30 | 2021-11-30 | 东南大学 | 一种定制公交需求区域识别方法 |
CN113724494B (zh) * | 2021-07-30 | 2022-06-07 | 东南大学 | 一种定制公交需求区域识别方法 |
CN114297328A (zh) * | 2021-12-28 | 2022-04-08 | 杭州电子科技大学 | 基于时空缓冲区的轨迹数据补全及交通流预测方法 |
CN114297328B (zh) * | 2021-12-28 | 2023-02-03 | 杭州电子科技大学 | 基于时空缓冲区的轨迹数据补全及交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110084308B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084308A (zh) | 一种基于车辆轨迹分析构建通勤路径的方法 | |
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 | |
Uppoor et al. | Generation and analysis of a large-scale urban vehicular mobility dataset | |
CN102394008B (zh) | 使用来自移动数据源的数据估算道路交通状况 | |
Smaglik et al. | Event-based data collection for generating actuated controller performance measures | |
CN104778836B (zh) | 基于手机信令数据质量感知的高速公路交通状态识别方法 | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN106651027B (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
CN105608889B (zh) | 一种车辆停留分析方法 | |
CN110609824B (zh) | 城市路网环境下基于动态空间网络模型的热点区域检测方法 | |
CN116012208A (zh) | 用于智慧城市的风险区域预警信息生成方法和物联网系统 | |
CN101783074A (zh) | 一种城市道路交通流状态实时判别方法及系统 | |
CN106332052B (zh) | 基于移动通信终端的微区域治安预警方法 | |
CN105489006A (zh) | 基于出租车gps数据的多尺度道路流量可视分析方法 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN113806419B (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
CN114372503A (zh) | 一种集群车辆运动轨迹预测方法 | |
CN105913658A (zh) | 一种交通流推测od位置及od矩阵的方法 | |
CN107945517A (zh) | 一种交通数据处理装置 | |
CN109614450A (zh) | 基于多维数据的人员去向分析的方法及系统 | |
Hasani et al. | Identifying high-risk intersections for walking and bicycling using multiple data sources in the city of San Diego | |
Tobe et al. | vcity map: Crowdsensing towards visible cities | |
CN108665723A (zh) | 一种信息获取方法及装置 | |
Habtie et al. | Cellular network based real-time urban road traffic state estimation framework using neural network model estimation | |
Piyadasun et al. | Rationalizing police patrol beats using heuristic-based clustering |
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 |