CN110111575B - 一种基于复杂网络理论的城市交通流量网络分析方法 - Google Patents
一种基于复杂网络理论的城市交通流量网络分析方法 Download PDFInfo
- Publication number
- CN110111575B CN110111575B CN201910409384.5A CN201910409384A CN110111575B CN 110111575 B CN110111575 B CN 110111575B CN 201910409384 A CN201910409384 A CN 201910409384A CN 110111575 B CN110111575 B CN 110111575B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- data
- urban
- traffic flow
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003012 network analysis Methods 0.000 title claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 5
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000007667 floating Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F16/29—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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于复杂网络理论的城市交通流量网络分析方法，其步骤如下：A：对城市交通数据及车辆轨迹数据预处理；B:将城市进行区域划分，抽取车辆轨迹的起始点O和终止点D，统计区域间的交通流量，从而构建城市交通流量网络；C：对城市交通流量网络的拓扑结构和流量特征参数进行计算；D：城市交通流量网络中结构特征和流量特征参数的统计分布计算及特征量之间的相关性分析。本发明运用实证交通数据，从复杂网络的视角提供了从城市整体层面的对交通需求和交通流量的视角，理解城市居民交通出行需求特征，对于未来城市交通运行状态的调控以及城市公共交通运行的规划管理提供方法支撑。
Description
技术领域
本发明提出一种基于复杂网络理论的城市交通流量网络分析方法，它涉及一种基于复杂网络理论的城市交通流建模及分析方法，属于网络科学与交通科学的交叉技术领域。
背景技术
城市是居民居住、工作、接受教育、休闲娱乐以及进行其他日常活动的场所，在其规划和发展过程中形成了不同的空间结构和功能区域，以满足城市居民的不同生活需求。为了满足各种出行目的，居民会在不同的时间、不同的地点产生不同的出行行为，从而产生多样的城市交通需求。城市化进程的加快和居民生活水平的提高使得我国居民的机动车保有量激增；与此同时，由于城市规模有限，城市道路建设的速度远远不及城市机动车数量增加的速度，带来了一系列城市交通问题：其中最为严重的交通拥堵已经成为从小城镇到大都市都普遍存在的典型的“城市病”，造成极大的经济损失、环境污染和安全隐患。城市道路交通问题日益突出的根本原因在于居民大量的机动车出行交通需求与城市交通系统道路资源供给能力之间的不平衡不匹配。在城市道路供应能力不能快速提升的情况下，研究城市交通需求的特性，理解能够反映居民出行需求的城市交通流量分布，从而支撑制定具有针对性的交通政策、采取加强引导和管控等措施，充分、合理利用现有城市道路资源并有效缓解城市交通拥堵等问题。同时，现代通信技术的发展和智能移动设备的普及，使得多源实证交通大数据的获取得以实现：手机信令数据、手机应用端导航数据和轨迹数据、浮动车GPS轨迹数据和速度数据等；计算机技术与交通领域等多学科交叉的发展趋势使得基于数据驱动的城市交通运行系统研究分析成为可能，为研究分析反映城市交通需求的交通流量提供数据和技术支撑。
城市道路交通的流量本质上体现了城市居民的出行需求。学者们最初对交通需求研究的数据来源主要有问卷调查、电话问询、交通调查等方式，这些方法的目的性和可操作性较强，但是需要消耗较大的人力、物力和财力，数据规模较小，时效性较差。具体来说，现有居民出行的交通需求研究主要集中交通OD矩阵上。城市交通的OD研究最初的手段是通过城市居民的出行OD调查，又称为起讫点调查，“O”表示居民出行的起点，“D”表示居民出行的目的地。OD调查能够体现一定时空范围内城市居民出行的整体过程及城市或地区的基本交通状况，能够帮助理解城市交通系统中交通流量和交通源之间的相互作用规律，并得到OD矩阵。OD矩阵是一项关键基础数据，能够在交通网络的规划、交通管理及交通控制等方面提供支撑，也能够作为交通仿真系统的仿真输入数据。传统的OD研究和OD矩阵获得方法是通过大量人工调查(路边停车调查、家庭问卷调查)得到的；现代道路交通传感器的普及(检测线圈、交通摄像头等)以及智能设备和定位系统的运用，使得多源和大量数据如道路检测数据、浮动车数据、手机信令数据等能够运用到城市出行交通需求的研究中。在运用手机信令数据研究城市交通OD方面，White等人分析了利用手机网络设备来获取交通定位信息，提出了基于运营商处用户信息的OD矩阵获取算法。Yoo等人基于蜂窝基站信息来提出了一种估计OD的方法，并与浮动车数据采集到的信息进行比较，分别计算OD矩阵，结果表明基于蜂窝基站和基于GPS浮动车获取的OD矩阵并没有显著区别，验证了基于手机数据获取和分析交通OD的可行性和准确性。Cacere等人基于全球移动通信系统提出了一种获取出行OD矩阵的方法。Sohn等人提出基于手机数据获取动态OD流的方法，利用手机经过蜂窝基站区中观测位置的时间以及路径选择概率，从而间接获取OD流。刘淼等人提出“person as sensor”的概念，认为手机使用个体是很好的数据传感器，可以通过手机数据识别居民出行的起讫点、出行时间等居民日常出行情况。龚航等人以美国旧金山市为例，使用手机数据对城市交通大区之间的OD分布进行估计，并结合居民出行调查数据对估计结果进行了检验和比较，表明基于手机数据的出行估计有较高可靠性。杨飞等人基于手机位置区定位数据，通过数据进行运行状态、位置和时间的比较，识别用户出行的起讫点，研究了获取OD矩阵的方法。李佳等人研究了基于COO手机定位数据来获取区域动态OD的方法，结合用户小区切换数据，识别其出行轨迹和起讫点，从而得到交通OD矩阵。在运用浮动车数据研究城市交通OD方面，Veloso等人使用葡萄牙里斯本市的出租车数据，基于乘客的乘车点和下车点对其出行的OD特征进行分析，并考虑时间和空间等因素运用朴素贝叶斯方法对区域间的交通量进行预测。赵慧等人基于浮动车和路段流量数据提出一种动态OD估计模型，并以北京市西三环交通走廊为例，进行动态OD需求估计的分析，验证了模型的有效性和准确性。董敬欣等人提出浮动车与运营车辆比例随OD对动态变化的估算模型及其相应的算法，研究了用浮动车检测实时OD矩阵的方法，并在北京市进行了实例应用。李艳红等人使用出租车OD数据，构建了出租车出行特征、出行时间分布及出行空间分布的分析方法和指标体系，并对比分析了不同时间出租车的出行特征。
可以看出，现有对城市交通居民出行需求及相应区域间交通流量的研究，特别是对出行起讫点(Origin and destination，以下称为OD)的研究，重点在于OD矩阵的获取或者OD矩阵的估计，主要考虑了城市中“点对点”的出行需求，较少考虑其交通流量在空间上的耦合性交互性和时间上的连续性。
本发明结合复杂网络理论的方法，对采集到的车辆出行导航轨迹数据进行预处理，提取轨迹的ID、时间戳、起点O和终点D等信息。将城市空间进行区域划分，基于交通出行需求的OD关系和由此产生的交通流量，建立城市交通流量网络。网络中节点为城市中划分出的区域，连边为区域间由交通需求形成的交通流量，连边为有向边，其方向从起点O所在的区域指向终点D所在的区域，边权重为区域间交通流量的大小。运用复杂网络理论，对城市交通流量网络的拓扑性质和流量特征的特征参量进行计算；并对城市交通流量网络的特征参量进行分布统计分析和特征量之间相关性分析，研究得到流量网络的结构特征和流量特点。本发明基于实证交通数据，考虑居民出行需求所产生的交通流量在空间上和时间上具有连续性和耦合性，建立交通流量网络，从城市整体层面的对交通需求进行分析挖掘，理解城市居民交通出行需求特征，并为城市公共交通运行的规划管理提供参考。
发明内容
(一)发明的目的
本发明的目的是：针对现有交通需求和流量研究较少考虑需求和交通流量在空间上的耦合性交互性和时间上的连续性的问题，本发明提供了一种基于复杂网络理论的城市交通流量网络分析方法，从城市整体层面的对交通需求的时空耦合进行分析挖掘，理解城市居民交通出行需求特征，并为城市公共交通运行的规划管理提供方法支撑。
本发明的理论基础：城市居民出行需求及其所产生的区域间交通流量在时间上具有连续性，在空间上具有耦合性，本质上能够抽象成为一种具有权重的复杂网络模型。通过实证交通数据，挖掘和建立能够反映居民出行需求的流量网络模型，运用复杂网络的方法对其进行分析，能够深入理解城市居民出行需求及流量的相应统计特征和特性。
(二)技术方案
本发明的技术解决方案是：建立基于复杂网络理论的城市交通流量网络建模和分析方法。本发明首先对采集到的车辆出行导航轨迹数据进行预处理，提取轨迹的ID、时间戳、起点O和终点D等信息；将城市空间进行区域划分，基于交通出行需求的OD关系和由此产生的交通流量，建立城市交通流量网络；运用复杂网络理论，对城市交通流量网络的拓扑性质和流量特征的特征参量进行计算；对城市交通流量网络的特征参量进行分布统计分析和特征量之间相关性分析，研究得到流量网络的结构特征和流量特点。
本发明是一种基于复杂网络理论的城市交通流量网络分析方法，其步骤如下：
步骤A：对城市交通数据及车辆轨迹数据预处理；
本发明基于满足以下要求的各个测定时刻的城市交通数据及车辆轨迹数据：
(a)城市交通网络拓扑结构数据，包括城市区域的经纬度坐标，城市道路信息(包括路段编号、路段长度、路段车道数、路段的起止点)，城市路口信息(包括路口编号、路口经纬度坐标)；
(b)车辆轨迹数据，包括车辆ID信息，车辆在不同时刻采集到的位置经纬度信息及相应的时间戳，若数据源为出租车则还应包含车辆的营运状态信息(空车/载客)；
现实采集到的数据往往是有缺失或是有错误的，这时候需要运用数据补偿、数据筛选方法对数据进行预处理，保证每个轨迹及其相应的位置和时间信息的正确性和完整性；根据研究的实际需要设定相应的时间窗口进行数据筛选，选出满足时间窗口要求的车辆轨迹数据；
步骤B：将城市进行区域划分，抽取车辆轨迹的起始点O和终止点D，统计区域间的交通流量，从而构建城市交通流量网络；
针对筛选出的满足时间窗口要求的车辆轨迹数据，提取轨迹的起始点O点和终止点D点，O点和D点的提取方法根据数据源(出租车轨迹数据、社会车辆数据、网约车数据、车载导航数据等)有所不同，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；将城市进行区域划分，分为互不重叠且能够完全覆盖整个城市面积的多个区域，每个区域有其经纬度坐标范围和相应的区域编号(该区域编号是唯一的)；区域划分的具体方法根据具体问题有所不同，可以划分为规则的棋盘型，也可以按照Voronoi diagram等方法；统计区域间的交通流量并建立相应的城市交通流量网络，例如对于某一条轨迹(其起始点为O1，终止点为D1)，O1的经纬度坐标在区域i中，D1的经纬度坐标在区域j中(区域i和j为不同区域)，则表示存在一人次从区域i指向区域j的流量，以区域i和区域j作为顶点，建立一条从区域i指向区域j的有向连边，，从而建立起城市交通流量网络，注意本发明中不考虑区域内的流量；该网络中节点为城市中划分出的区域，连边为区域间由交通需求形成的交通流量，连边为有向边，其方向从起点O所在的区域指向终点D所在的区域，边权重为区域间交通流量的大小；
步骤C：运用复杂网络分析的方法，对城市交通流量网络的拓扑结构和流量特征参数进行计算；
所建立的城市交通流量网络是一种加权网络，运用复杂网络理论及分析方法，对城市交通流量网络的拓扑结构和流量特征参数进行计算，研究网络的度、边权重、强度、介数等结构和流量特征参数；
城市道路流量网络中节点的度是指网络中是与其直接相连的边数目，一般节点i的度用ki表示，对于由n个顶点构成的有向网络，由于网络中的边具有方向性，且不同方向的边可能对节点带来的影响不同，因此有向网络中节点的度可以进一步分为入度和出度：节点i的入度是与节点i相连且方向指向节点i的边的数目，节点i的出度是指与节点i相连且方向从节点i指向其他节点的边的数目，节点i的度是其出度与入度之和，表示为
ki＝ki-in+ki-out
其中Aij是网络邻接矩阵的表示方法，当节点i和节点j之间存在连边时，该值为1，否则该值为0，下同；
城市道路流量网络的边权值wij是指从节点i到节点j的出行量的大小，即这两点之间的出行轨迹数，可以在网络构建的过程中统计获得，权重代表的是网络中边上流量，能够反映出网络拓扑结构之外更多的信息，对网络边权重的分布进行统计，可以得到网络中流量分布的性质，例如网络中边流量的分布是均匀或者异质的；
城市道路流量网络中节点的强度是指与其直接相连的所有边的权重之和，一般节点i的强度用si表示，对于由n个顶点构成的有向网络，同样节点的强度可以进一步分为入强度和出强度：节点i入强度是与节点i相连且方向指向节点i的边的权重之和，节点i的出强度是指与节点i相连且方向从节点i指向其他节点的边的权重之和，节点i的强度是其出强度与入强度之和，表示为
si＝si-in+si-out
城市流量网络中节点的介数是指网络中经过该节点的所有节点对的最短路径的数量的比例，能够描述网络中的一个节点在其他节点之间路径上的分布程度，在一定程度上可以反映网络中节点承担交通流量的能力和节点在网络中的重要程度，一般节点i的介数用bi表示，其定义如为
其中
为从节点s到节点t经过节点i的最短路径的总数，gst为从节点s到节点t的最短路径的总数；
对城市交通流量网络的以上特征参数进行计算，得到复杂网络视角下城市交通流量网络的结构特征和流量特征参数的度量结果；
步骤D：城市交通流量网络中结构特征和流量特征参数的统计分布计算及特征量之间的相关性分析；
在城市交通流量网络中，不同的节点所代表的区域可能存在着不同的结构和流量特征，从全局的层面对交通流量网络的结构和流量特征进行理解，需要对整个网络中节点的结构和流量特征参数进行统计，研究其分布特点；对步骤C中所计算的城市交通流量网络的结构特征和流量特征的度量参数，即网络中节点的度、边权重、节点的强度、节点的介数等，运用概率密度统计的方法，研究这些特征参数的概率密度分布和累积概率密度分布，对于有明显特征的分布(如正态分布、指数分布、幂律分布等)，根据实际数据的结果拟合其分布的特征参数，从而研究城市交通流量网络的结构和流量分布特点；
城市交通流量网络的结构反映其拓扑连接特点，流量网络中的流量特征反映其功能，网络的结构和功能往往都存在一定的相互作用和影响，通过对交通流量网络的结构特征参数和流量特征参数之间的相关性分析，研究流量网络结构和功能之间的关系。
其中，在步骤A所述的“车辆轨迹数据预处理”，其具体做法包括对坐标漂移或时间戳错误等不正确数据的删除，对同一ID在相近时间段内不连续或缺失的轨迹数据进行补偿，对无用数据的舍弃等，只保留计算所需要的信息，相关数据筛选和补偿技术属公知技术，本发明不做赘述；
其中，在步骤B所述的“将城市进行区域划分”，可以采取不同的城市划分方法，如规则网格划分、六边形区域划分、行政区划分、Voronoi diagram划分等等，划分区域的方式和标准可以根据研究的实际需求进行选取，由于划分方法属于公知技术，本发明不做赘述；
其中，在步骤B所述的“抽取车辆轨迹的起始点O和终止点D”，提取方法对于不同的数据源(出租车轨迹数据、社会车辆数据、网约车数据、车载导航数据等)有所不同，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；对于出租车轨迹数据，其营运状态值为“0”时表示空载，营运状态值为“1”时表示载客，城市居民的出行需求应为其载客的轨迹，因此将出租车轨迹中营运状态由“0”变为“1”的点提取为该段轨迹的起始点O，将出租车轨迹中营运状态由“1”变为“0”的点提取为该段轨迹的终止点D；对于社会车辆数据，识别其轨迹之中的静止点，当静止的时间超过设置的相应时间阈值时，则认为该车辆的轨迹是不连续的，将当前停止时段的第一个轨迹点作为轨迹的终止点D，将相应轨迹的起点作为起始点O；对于网约车数据和车载导航数据，一般数据中会记录乘客的出发地和目的地，因此直接提取乘客的出发地作为起始点O，目的地作为终止点D；
其中，在步骤B所述的“统计区域间的交通流量”，其具体做法为：对于区域i和区域j，统计轨迹数据集中所有起始点O在区域i且终止点D在区域j内的所有轨迹的数量，作为从区域i到区域j的交通流量；将所有区域间存在的交通流量进行统计，得到流量网络中区域间的交通流量，本发明中不考虑相同区域内的流量。
其中，在步骤C中所述的“对城市交通流量网络的拓扑结构和流量特征参数进行计算”，其中所涉及的具体参数如网络的节点强度、边权重、节点的强度、节点的介数等，其计算方法和算法属于公知技术，本发明不做赘述；
其中，在步骤D中所述的“统计量之间的相关性分析”，其具体做法为：对于两个变量，先对其作散点图，观察变量之间是否具有明显的相关性趋势；如果变量之间具有明显的相关性趋势，再对变量进行回归分析；作散点图和进行回归分析的技术方法属于公知技术，本发明不做赘述；
通过以上步骤，本发明针对现有交通需求和流量研究未考虑需求和交通流量在空间上的耦合性交互性和时间上的连续性的问题，运用实证交通数据，从复杂网络的视角提供了从城市整体层面的对交通需求和交通流量的视角，理解城市居民交通出行需求特征；本发明对于未来城市交通运行状态的调控以及城市公共交通运行的规划管理提供方法支撑。
(三)优点和功效
本发明具有如下优点和功效：
(a)全局性：传统的研究城市交通需求OD估计或预测大都是“点对点”的研究，相比于传统研究，本发明中，通过实证交通数据建立城市交通流量网络，从城市的层面，用网络视角研究城市居民出行的交通需求以及由此产生的流量特征，从全局角度出发，对城市交通需求和流量的特点进行理解，有利于城市层面的交通运行状态的调控；
(b)空间耦合性：本发明中建立城市交通流量网络，并对网络的结构特征和流量特征进行分析研究，可以发现网络中不同节点(即不同区域)之间结构特征和流量特征的相似性以及差异性，得到不同节点在空间上可能存在的耦合关系；
(c)时间连续性：本发明中通过控制时间窗口，可以得到不同时间窗口下的城市交通流量网络，相比于单次出行的轨迹，能够得到人们在一定时间内累积出行的需求及其流量交互的网络，表征出人们的出行交通量分布及相应的群体出行交通流量关系，在时间上具有连续性，能够为城市公共交通运行的规划管理提供方法支撑。
综上，这种新方法能够为理解城市交通需求及其产生的流量提供新的视角，对于未来城市交通运行状态的调控以及城市公共交通运行的规划管理提供方法支撑。
附图说明
图1为本发明所述方法流程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案更加清楚，下面将结合附图及具体实施案例进行详细描述。应当理解，此处所描述的实施实例仅用于说明和解释本发明，并不用于限定本发明。
本发明的目的在于针对现有交通需求和流量研究未考虑需求和交通流量在空间上的耦合性交互性和时间上的连续性的问题，提供一种基于复杂网络理论的城市交通流量网络分析方法。在本发明中，首先对采集到的车辆出行导航轨迹数据进行预处理，提取轨迹的ID、时间戳、起点O和终点D等信息；将城市空间进行区域划分，基于交通出行需求的OD关系和由此产生的交通流量，建立城市交通流量网络；运用复杂网络理论，对城市交通流量网络的拓扑性质和流量特征的特征参量进行计算；对特征参量进行分布统计分析和特征量之间相关性分析，研究得到流量网络的结构特征和流量特点。
如图1所示，本发明为一种基于复杂网络理论的城市交通流量网络分析方法，以北京市某一天的众包导航轨迹数据为例建立起相应的城市交通流量网络并进行分析，在实施案例中的具体步骤如下：
步骤A：对北京市交通数据及车辆轨迹数据预处理；
本实施案例中的数据包括北京市交通网络拓扑结构数据，包括城市区域的经纬度坐标，城市道路信息(包括路段编号、路段长度、路段车道数、路段的起止点)，城市路口信息(包括路口编号、路口经纬度坐标)；某一天内车辆导航轨迹数据，包括车辆ID信息，车辆在不同时刻采集到的位置经纬度信息及相应的时间戳；
首先根据轨迹信息的时间戳，结合数据采集的时间，将时间戳与实际采集时间不符的数据剔除；其次，根据北京市的经纬度坐标范围，将经纬度坐标超出北京市范围的轨迹数据剔除；最后，有部分轨迹由于采集信号不好或其他原因会存在部分缺失，利用插值补偿等方法将这部分轨迹数据补偿完整；
步骤B：将北京市划分为规则网格区域，抽取车辆轨迹的起始点O和终止点D，统计区域间的交通流量，构建城市交通流量网络；
针对筛选出的车辆导航轨迹数据，提取轨迹的起点作为起始点O点，目的地作为终止点D点，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；将北京市按照规则网络进行区域划分，划分的网格大小可以根据研究的细粒度不同进行不同的设定，每个区域有其经纬度坐标范围和相应的区域编号(该区域编号是唯一的)；统计区域间的交通流量并建立相应的城市交通流量网络，对于区域i和区域j，统计轨迹数据集中所有起始点O在区域i且终止点D在区域j内的所有轨迹的数量，作为从区域i到区域j的交通流量，将所有区域间存在的交通流量进行统计，得到流量网络中区域间的交通流量，本发明中不考虑相同区域内的流量；该网络中节点为城市中划分出的区域，连边为区域间由交通需求形成的交通流量，连边为有向边，其方向从起点O所在的区域指向终点D所在的区域，边权重为区域间交通流量的大小；
步骤C：运用复杂网络分析的方法，对北京市交通流量网络的的拓扑结构和流量特征参数进行计算；
所建立的城市交通流量网络是一种加权复杂网络，运用复杂网络理论及分析方法，对网络中节点的度、边权重、节点的强度和节点的介数等结构和流量特征度量值运用相应的算法，进行计算；
对北京市交通流量网络节点的度、出度、入度、边权重、节点强度、节点入强度、出强度、节点介数等特征参数进行计算；这些特征参数对于理解城市的需求及交通流量有着重要含义：出度反映从这一区域向其他区域有出行需求的区域数量的多少，入度反映有到达该区域出行需求的其他区域数量的多少，出强度反映从这一区域向其他区域有出行需求的交通流量的多少，入强度反映有到达该区域出行需求的其他区域交通流量的多少，介数反映该区域在北京市流量网络中的重要程度；
步骤D：北京市交通流量网络中结构特征和流量特征参数的统计分布计算及特征量之间的相关性分析；
对步骤C中所计算的城市交通流量网络的结构特征和流量特征的度量参数，即节点的度、出度、入度、边权重、节点强度、节点入强度、出强度、节点介数等特征参数，运用概率密度统计的方法，得到这些特征参数的概率密度分布和累积概率密度分布，研究其概率分布的特点，对于有明显特征的分布(如正态分布、指数分布、幂律分布等)，根据实际数据拟合其分布的特征参数；
通过对北京市交通流量网络的结构特征参数和流量特征参数之间的相关性分析，将网络中节点的度与节点的强度、节点的强度与节点的介数等不同参量之间进行散点图分析，判断不同参量之间的相关性趋势，对于具有明显相关性的参量，在进行回归分析，从而研究流量网络结构和功能之间的关系；对城市交通流量网络的以上特征进行统计分析，得到复杂网络视角下城市交通流量网络的结构特征和流量特点。
本发明未详细阐述部分属于本领域公知技术。
以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于复杂网络理论的城市交通流量网络分析方法，其特征在于：其步骤如下：
步骤A：对城市交通数据及车辆轨迹数据预处理；
基于满足以下要求的各个测定时刻的城市交通数据及车辆轨迹数据：
(a)城市交通网络拓扑结构数据，包括城市区域的经纬度坐标，城市道路信息和城市路口信息；城市道路信息包括路段编号、路段长度、路段车道数、路段的起止点；城市路口信息包括路口编号、路口经纬度坐标；
(b)车辆轨迹数据，包括车辆ID信息，车辆在不同时刻采集到的位置经纬度信息及相应的时间戳，若数据源为出租车则还应包含车辆的营运状态信息；
对有缺失及有错误的数据，运用数据补偿、数据筛选方法对数据进行预处理，保证每个轨迹及其相应的位置和时间信息的正确性和完整性；设定相应的时间窗口进行数据筛选，选出满足时间窗口要求的车辆轨迹数据；
步骤B：将城市进行区域划分，抽取车辆轨迹的起始点O和终止点D，统计区域间的交通流量，从而构建城市交通流量网络；
针对筛选出的满足时间窗口要求的车辆轨迹数据，提取轨迹的起始点O点和终止点D点，O点和D点的提取方法根据数据源，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；将城市进行区域划分，分为互不重叠且能够完全覆盖整个城市面积的多个区域，每个区域有其经纬度坐标范围和相应的区域编号，该区域编号是唯一的；区域划分的具体方法根据具体问题有所不同，划分为规则的棋盘型，也能按照Voronoi diagram方法；统计区域间的交通流量并建立相应的城市交通流量网络；对于一条轨迹，其起始点为O1，终止点为D1，起点O1的经纬度坐标在区域i中，终点D1的经纬度坐标在区域j中，区域i和j为不同区域，则表示存在一人次从区域i指向区域j的流量，以区域i和区域j作为顶点，建立一条从区域i指向区域j的有向连边，从而建立起城市交通流量网络，不考虑区域内的流量；该网络中节点为城市中划分出的区域，连边为区域间由交通需求形成的交通流量，连边为有向边，其方向从起点O所在的区域指向终点D所在的区域，边权重为区域间交通流量的大小；
步骤C：运用复杂网络分析的方法，对城市交通流量网络的拓扑结构和流量特征参数进行计算；
所建立的城市交通流量网络是一种加权网络，运用复杂网络理论及分析方法，对城市交通流量网络的拓扑结构和流量特征参数进行计算，研究网络的度、边权重、强度、介数结构和流量特征参数；
城市道路流量网络中节点的度是指网络中是与其直接相连的边数目，节点i的度用ki表示，对于由n个顶点构成的有向网络，由于网络中的边具有方向性，且不同方向的边可能对节点带来的影响不同，因此有向网络中节点的度能进一步分为入度和出度：节点i的入度是与节点i相连且方向指向节点i的边的数目，节点i的出度是指与节点i相连且方向从节点i指向其他节点的边的数目，节点i的度是其出度与入度之和，表示为
ki＝ki-in+ki-out
其中Aij是网络邻接矩阵的表示方法，当节点i和节点j之间存在连边时，该值为1，否则该值为0，下同；
城市道路流量网络的边权值wij是指从节点i到节点j的出行量的大小，即这两点之间的出行轨迹数，能在网络构建的过程中统计获得，权重代表的是网络中边上流量，能够反映出网络拓扑结构之外更多的信息，对网络边权重的分布进行统计，能得到网络中流量分布的性质，网络中边流量的分布是均匀及异质的；
城市道路流量网络中节点的强度是指与其直接相连的所有边的权重之和，节点i的强度用si表示，对于由n个顶点构成的有向网络，同样节点的强度能进一步分为入强度和出强度：节点i入强度是与节点i相连且方向指向节点i的边的权重之和，节点i的出强度是指与节点i相连且方向从节点i指向其他节点的边的权重之和，节点i的强度是其出强度与入强度之和，表示为
si＝si-in+si-out
城市流量网络中节点的介数是指网络中经过该节点的所有节点对的最短路径的数量的比例，能够描述网络中的一个节点在其他节点之间路径上的分布程度，在一定程度上能反映网络中节点承担交通流量的能力和节点在网络中的重要程度，节点i的介数用bi表示，其定义为
其中
为从节点s到节点t经过节点i的最短路径的总数，gst为从节点s到节点t的最短路径的总数；
对城市交通流量网络的以上特征参数进行计算，得到复杂网络视角下城市交通流量网络的结构特征和流量特征参数的度量结果；
步骤D：城市交通流量网络中结构特征和流量特征参数的统计分布计算及特征量之间的相关性分析；
在城市交通流量网络中，不同的节点所代表的区域可能存在着不同的结构和流量特征，从全局的层面对交通流量网络的结构和流量特征进行理解，需要对整个网络中节点的结构和流量特征参数进行统计，研究其分布特点；对步骤C中所计算的城市交通流量网络的结构特征和流量特征的度量参数，即网络中节点的度、边权重、节点的强度和节点的介数，运用概率密度统计的方法，研究这些特征参数的概率密度分布和累积概率密度分布，对于有明显特征的分布，根据实际数据的结果拟合其分布的特征参数，从而研究城市交通流量网络的结构和流量分布特点；
城市交通流量网络的结构反映其拓扑连接特点，流量网络中的流量特征反映其功能，网络的结构和功能往往都存在一预定的相互作用和影响，通过对交通流量网络的结构特征参数和流量特征参数之间的相关性分析，研究流量网络结构和功能之间的关系。
2.根据权利要求1所述的一种基于复杂网络理论的城市交通流量网络分析方法，其特征在于：在步骤A中所述的“车辆轨迹数据预处理”，其具体做法包括对坐标漂移及时间戳错误的不正确数据的删除，对同一ID在相近时间段内不连续及缺失的轨迹数据进行补偿，对无用数据的舍弃，只保留计算所需要的信息。
3.根据权利要求1所述的一种基于复杂网络理论的城市交通流量网络分析方法，其特征在于：在步骤B中所述的“将城市进行区域划分”，能采取不同的城市划分方法，包括规则网格划分、六边形区域划分、行政区划分和Voronoi diagram划分，划分区域的方式和标准能根据研究的实际需求进行选取。
4.根据权利要求1所述的一种基于复杂网络理论的城市交通流量网络分析方法，其特征在于：在步骤B中所述的“抽取车辆轨迹的起始点O和终止点D”，提取方法对于不同的数据源，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；对于出租车轨迹数据，其营运状态值为“0”时表示空载，营运状态值为“1”时表示载客，城市居民的出行需求应为其载客的轨迹，因此将出租车轨迹中营运状态由“0”变为“1”的点提取为该段轨迹的起始点O，将出租车轨迹中营运状态由“1”变为“0”的点提取为该段轨迹的终止点D；对于社会车辆数据，识别其轨迹之中的静止点，当静止的时间超过设置的相应时间阈值时，则认为该车辆的轨迹是不连续的，将当前停止时段的第一个轨迹点作为轨迹的终止点D，将相应轨迹的起点作为起始点O；对于网约车数据和车载导航数据，数据中会记录乘客的出发地和目的地，因此直接提取乘客的出发地作为起始点O，目的地作为终止点D。
5.根据权利要求1所述的一种基于复杂网络理论的城市交通流量网络分析方法，其特征在于：在步骤B中所述的“统计区域间的交通流量”，其具体做法为：对于区域i和区域j，统计轨迹数据集中所有起始点O在区域i且终止点D在区域j内的所有轨迹的数量，作为从区域i到区域j的交通流量；将所有区域间存在的交通流量进行统计，得到流量网络中区域间的交通流量，不考虑相同区域内的流量。
6.根据权利要求1所述的一种基于复杂网络理论的城市交通流量网络分析方法，其特征在于：在步骤C中所述的“对城市交通流量网络的拓扑结构和流量特征参数进行计算”，其中所涉及的具体参数为网络的节点强度、边权重、节点的强度和节点的介数。
7.根据权利要求1所述的一种基于复杂网络理论的城市交通流量网络分析方法，其特征在于：在步骤D中所述的“统计量之间的相关性分析”，其具体做法为：对于两个变量，先对其作散点图，观察变量之间是否具有明显的相关性趋势；如果变量之间具有明显的相关性趋势，再对变量进行回归分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910409384.5A CN110111575B (zh) | 2019-05-16 | 2019-05-16 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910409384.5A CN110111575B (zh) | 2019-05-16 | 2019-05-16 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110111575A CN110111575A (zh) | 2019-08-09 |
| CN110111575B true CN110111575B (zh) | 2020-10-27 |
Family
ID=67490496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910409384.5A Active CN110111575B (zh) | 2019-05-16 | 2019-05-16 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111575B (zh) |
Families Citing this family (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647693B (zh) * | 2019-09-23 | 2021-03-05 | 北京京东智能城市大数据研究院 | 路径推荐的方法和装置 |
| CN110675631A (zh) * | 2019-10-15 | 2020-01-10 | 中国城市规划设计研究院 | 一种交通流溯源分析方法及系统 |
| CN110738853B (zh) * | 2019-10-25 | 2020-10-09 | 北京航空航天大学 | 一种基于复杂网络相关性的关键节点识别方法 |
| CN110781958B (zh) * | 2019-10-25 | 2022-06-17 | 福州大学 | 基于最大生成树和最优图分割的od流向聚类方法 |
| CN112750299B (zh) * | 2019-10-29 | 2022-05-06 | 华为云计算技术有限公司 | 一种交通流量分析方法和装置 |
| CN111063035B (zh) * | 2019-11-22 | 2021-09-03 | 同济大学 | 一种gis中od关系的三维可视化方法及装置 |
| CN111143955A (zh) * | 2019-12-18 | 2020-05-12 | 福建工程学院 | 一种城市路网拓扑连接边权重的获取方法和获取系统 |
| CN111402600B (zh) * | 2020-01-20 | 2021-09-14 | 中国电建集团华东勘测设计研究院有限公司 | 基于复杂网络沙堆模型的城市路网机理关联规划方法 |
| CN111369200B (zh) * | 2020-04-01 | 2023-05-05 | 北京理工新源信息科技有限公司 | 一种基于车辆lbs数据的城市物流通道识别方法及系统 |
| CN111507879A (zh) * | 2020-04-15 | 2020-08-07 | 北京交通大学 | 一种城市空间结构识别方法 |
| CN111882475B (zh) * | 2020-06-24 | 2024-01-05 | 北京工业大学 | 一种城市轨道交通站点的出行模式可视化分析方法 |
| CN112000653B (zh) * | 2020-08-21 | 2024-03-29 | 睿驰达新能源汽车科技（北京）有限公司 | 基于空间和时间的区域网格化驾驶行为数据预处理方法 |
| CN112101865B (zh) * | 2020-09-14 | 2024-06-28 | 拉扎斯网络科技（上海）有限公司 | 等待时间获取方法、装置、计算机设备及可读存储介质 |
| CN112382083A (zh) * | 2020-10-13 | 2021-02-19 | 厦门市交通研究中心 | 一种基于gps数据的货运交通od分析方法、装置及设备 |
| CN112629533B (zh) * | 2020-11-11 | 2023-07-25 | 南京大学 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
| CN112543414A (zh) * | 2020-12-03 | 2021-03-23 | 上海评驾科技有限公司 | 一种基于乘用车行程起终点的空间定位方法 |
| CN112598238B (zh) * | 2020-12-14 | 2022-07-01 | 青岛大学 | 一种城市特种车辆服务真空区域智能识别方法 |
| CN112488419B (zh) * | 2020-12-15 | 2023-02-10 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
| CN114139843A (zh) * | 2021-03-08 | 2022-03-04 | 上海评驾科技有限公司 | 一种基于乘用车和商用车车流数据来定义城市群的方法 |
| CN113487465B (zh) * | 2021-06-22 | 2022-09-30 | 中国地质大学（武汉） | 基于标签传播算法的城市重叠结构特征检测方法及系统 |
| CN113268843B (zh) * | 2021-06-28 | 2022-12-02 | 江苏省城市规划设计研究院有限公司 | 一种考虑面状要素关联关系的line-polygon公交复杂网络构建方法 |
| CN113674122B (zh) * | 2021-07-22 | 2024-09-27 | 华设设计集团股份有限公司 | 一种适用高并发出行数据的城市居民出行规律快速提取方法 |
| CN113505314A (zh) * | 2021-07-27 | 2021-10-15 | 王程 | 时空复杂网络聚类的位置轨迹分析系统 |
| CN113627089B (zh) * | 2021-08-27 | 2022-08-02 | 东南大学 | 一种基于混合密度神经网络的城市车流量仿真方法 |
| CN113673619B (zh) * | 2021-08-27 | 2023-08-04 | 湖南航天远望科技有限公司 | 一种基于拓扑分析的地理大数据空间潜模式分析方法 |
| CN113780674A (zh) * | 2021-09-23 | 2021-12-10 | 北京交研智慧科技有限公司 | 研究出行路径的方法、装置及可读存储介质 |
| CN114061604A (zh) * | 2021-10-12 | 2022-02-18 | 贵州民族大学 | 基于移动轨迹大数据的载客路线推荐方法、装置及系统 |
| CN114333356B (zh) * | 2021-11-30 | 2023-12-15 | 中交第二公路勘察设计研究院有限公司 | 基于视频多区域标记的道路平面交叉口交通量统计方法 |
| CN114333323B (zh) * | 2022-01-05 | 2023-04-28 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种基于压力特征的高速公路行程速度预测方法 |
| CN114648433B (zh) * | 2022-03-21 | 2024-08-02 | 南京师范大学 | 一种基于量子游走的网约车流量多尺度特征解析方法 |
| CN114758498B (zh) * | 2022-04-01 | 2023-06-20 | 中南大学 | 基于多向最优扩展的城市有向交通廊道识别方法 |
| CN114898559B (zh) * | 2022-05-26 | 2023-08-15 | 中国科学院深圳先进技术研究院 | 一种城市车辆移动感知能力测定方法 |
| CN116089875A (zh) * | 2023-01-13 | 2023-05-09 | 广州市城市规划勘测设计研究院 | 融合多源时空数据的交通流量预测方法、装置及存储介质 |
| CN115984077B (zh) * | 2023-02-24 | 2023-06-13 | 南方科技大学 | 一种交通异常流量因果检测方法及设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7916742B1 (en) * | 2005-05-11 | 2011-03-29 | Sprint Communications Company L.P. | Dynamic jitter buffer calibration |
| CN103630919A (zh) * | 2012-08-24 | 2014-03-12 | 陈曦 | 一种网络化定位解算方法 |
| GB2534882B (en) * | 2015-02-03 | 2021-02-17 | Fujitsu Ltd | Apparatus, method, and program for predicting vehicle collision rates |
| CN105869401B (zh) * | 2016-05-12 | 2018-06-29 | 华南理工大学 | 一种基于不同拥挤程度的路网动态分区方法 |
| CN106533742B (zh) * | 2016-10-31 | 2019-05-14 | 天津大学 | 基于时间序列模式表征的加权有向复杂网络建网方法 |
| CN109461310A (zh) * | 2018-12-17 | 2019-03-12 | 银江股份有限公司 | 一种基于复杂网络的路网评价方法 |
-
2019
- 2019-05-16 CN CN201910409384.5A patent/CN110111575B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110111575A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
| Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
| Carli et al. | Automated evaluation of urban traffic congestion using bus as a probe | |
| Ram et al. | SMARTBUS: A web application for smart urban mobility and transportation | |
| Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
| CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
| Byon et al. | Bunching and headway adherence approach to public transport with GPS | |
| CN114419897A (zh) | 一种基于v2x技术的城市交通cim系统及其展示方法 | |
| Ghandeharioun et al. | Link travel time estimation for arterial networks based on sparse GPS data and considering progressive correlations | |
| Carli et al. | Monitoring traffic congestion in urban areas through probe vehicles: A case study analysis | |
| CN108447257B (zh) | 一种基于Web的交通数据分析方法及系统 | |
| Zhou et al. | Method for judging parking status based on yolov2 target detection algorithm | |
| Huang et al. | Sensing Multi-modal Mobility Patterns: A Case Study of Helsinki using Bluetooth Beacons and a Mobile Application | |
| Lian et al. | Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency | |
| CN104700616B (zh) | 城市交通压力预测方法及系统 | |
| CN116823572B (zh) | 人口流动数据的获取方法、装置及计算机可读存储介质 | |
| Banik et al. | Mapping of bus travel time to traffic stream travel time using econometric modeling | |
| Derrmann et al. | Towards privacy-neutral travel time estimation from mobile phone signalling data | |
| Faizrahnemoon | Real-data modelling of transportation networks | |
| Yadlowsky et al. | Link density inference from cellular infrastructure | |
| Sun et al. | Deep learning-based probability model for traffic information estimation | |
| Rosa et al. | Advances on urban mobility using innovative data-driven models | |
| Tica et al. | Analytics Use Cases for Landside Traffic Optimization in the Catchment Area of the Airport: Case Study of Zagreb Airport | |
| Abu-Aisha et al. | A New Methodology To Infer Travel Behavior Using Floating Car 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |