CN110148298A - 基于机动车电子标识数据的私家车规律出行行为发现方法 - Google Patents

基于机动车电子标识数据的私家车规律出行行为发现方法 Download PDF

Info

Publication number
CN110148298A
CN110148298A CN201910549940.9A CN201910549940A CN110148298A CN 110148298 A CN110148298 A CN 110148298A CN 201910549940 A CN201910549940 A CN 201910549940A CN 110148298 A CN110148298 A CN 110148298A
Authority
CN
China
Prior art keywords
travel behaviour
private car
window
time
vehicle
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
CN201910549940.9A
Other languages
English (en)
Other versions
CN110148298B (zh
Inventor
郑林江
陈莉
孙棣华
赵敏
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN201910549940.9A priority Critical patent/CN110148298B/zh
Publication of CN110148298A publication Critical patent/CN110148298A/zh
Application granted granted Critical
Publication of CN110148298B publication Critical patent/CN110148298B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G08G1/0125—Traffic data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于机动车电子标识数据的私家车规律出行行为发现方法。包括以下步骤：步骤S1:构建单个私家车在挖掘时间内的车辆轨迹数据立方体及周期时间切片；步骤S2：在周期时间切片上进行基于滑动窗口的层次聚类；步骤S3：提取代表规律出行行为。本发明将私家车规律行为提取看作是时间序列周期模式挖掘问题，提出一种将车辆轨迹用数据立方体表示的方法，并且很容易扩展周期和时间维度，能够有效进行车辆轨迹的时间序列周期模式挖掘。本发明为私家车共乘提供了良好的基础，为缓解早晚高峰时段拥堵问题提供了新的解决思路。

Description

基于机动车电子标识数据的私家车规律出行行为发现方法
技术领域
本发明涉及交通技术领域，特别涉及一种基于机动车电子标识数据的私家车规律出行行为发现方法。
背景技术
私家车出行是造成城市道路早晚高峰交通拥堵的主要因素之一，有限的城市交通道路资源与私家车出行大量空闲座位资源浪费之间的矛盾已严重制约现代城市交通效率的提升。事实上，大量私家车空闲座位是一种可进行优化配置的共享交通资源，在保证居民出行目的同时，私家车共享出行能够减少道路私家车流量，大幅缓解城市道路交通压力。国内外的专家学者开始尝试利用居民的出行数据来改善城市交通，其中数据驱动的拼车具有极大的潜力。数据驱动的拼车一般为长期拼车，其基础是发现车辆的规律出行行为。车辆的规律出行行为是指车辆在一定周期内重复的相同行车行为。传统的车辆规律出行行为发现大多数基于出租车的GPS数据，出租车的行为往往是不同乘客行为的组合，而私家车的行为往往能与司机对应，更适合长期拼车，缓解早晚高峰拥堵问题。本发明基于机动车电子标识数据，机动车电子标识数据使用RFID识别技术，其优势体现在车辆识别快、识别不受天气条件影响、车辆识别信息全面等方面，所以RFID电子标识数据能够准确的标识与识别私家车，记录城市私家车的行车轨迹，进而从中发现车辆的规律出行行为。
发明内容
有鉴于此，本发明的目的是提供一种基于机动车电子标识数据的私家车规律出行行为发现方法。能够建立以私家车轨迹为对象的数据立方体，并从中发现私家车是否有规律出行行为，有则生成车辆的代表规律出行行为。
第一方面，本发明的目的是通过以下技术方案实现的：
基于机动车电子标识数据的私家车规律出行行为发现方法，包括以下步骤：
步骤S1:构建单个私家车在挖掘时间内的车辆轨迹数据立方体及周期时间切片；
步骤S2：在周期时间切片上进行基于滑动窗口的层次聚类；
步骤S3：提取代表规律出行行为。
特别地，所述步骤S1中，利用私家车出行轨迹构建一段时间内的车辆轨迹数据立方体及周期时间切片，该方法包括以下步骤：
步骤S11：根据每个汽车电子标识的历史记录R从周期维度、时间维度和阅读器维度三个方面建立车辆轨迹原始数据立方体。
步骤S12：将原始数据立方体结合Apriori先验性质剔除不可能采集到规律行为的阅读器形成工作立方体。
步骤S13：在工作立方体上，从阅读器维度对度量值进行汇总构成周期-时间切片。
特别地，所述步骤S2中，采用基于滑动窗口方法对周期-时间切片进行层次聚类，该方法包括以下步骤：
步骤S21：定义一个滑动窗口，窗口有两个变化参数，窗口当前位置cur_position、窗口长度cur_len，参数按一定规则变化；
步骤S22：当窗口位置和窗口长度不再变化时，得到稳定的窗口，对窗口内的值进行层次聚类来挖掘规律出行行为，最终的聚类数目及聚类簇决定了车辆是否有规律出行行为及规律出行行为特征信息。
特别地，所述步骤S3中，利用步骤S2所提取得规律出行行为特征信息还原规律出行行为，包括出行路径、容忍时间和重复天数，规律出行行为特征信息，包括规律出行行为经过的阅读器、规律出行行为发生的周期段、时间段，结合轨迹记录，就可获得个体的规律出行行为。
第二方面，本发明提供了一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。
第三方面，本发明还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前所述的方法。
本发明的有益效果是：
本发明将私家车规律行为提取看作是时间序列周期模式挖掘问题，提出一种将车辆轨迹用车辆轨迹数据立方体表示的方法，并且很容易扩展周期和时间维度，能够有效进行车辆轨迹的时间序列周期模式挖掘。本发明为私家车共乘提供了良好的基础，为缓解早晚高峰时段拥堵问题提供了新的解决思路。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1车辆规律出行行为提取图；
图2车辆轨迹数据立方体示意图；
图3周期时间切片示意图；
图4滑动窗口层次聚类示意图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
如图1所示，本发明的基于机动车电子车牌数据发现车辆规律出行行为发现方法，包括以下步骤：
步骤S1：构建单个车辆在挖掘时间内的车辆轨迹数据立方体并形成周期时间切片；
步骤S11：规律出行行为是一系列具有周期性的有序出行动作，如果将规律出行行为看成含有周期性的时间序列，可将规律出行行为的发现看作时间序列部分周期模式挖掘的问题。利用数据立方体来挖掘部分周期模式是一种有效方法，将其应用在车辆轨迹的挖掘上首先要建立车辆轨迹的数据立方体。
经典的数据立方体模型，其从三维角度分析销售金额的数据，分别是时间维度(time)、地点维度(location)和类型维度(item)。可以根据每个汽车电子标识的历史记录R从周期维度、时间维度和阅读器维度三个方面建立原始数据立方体：
1、阅读器维度：如图2(a)所示，为了简便表达阅读器标识，此处用A、B、C......字母来代替原有通过经纬度编码的标识。阅读器维度上是某车辆的历史记录中包含所有阅读器的集合。
2、周期维度：如图2(a)中周期维度的基本单位是天，因为规律出行行为的最小周期是一天，一天内的周期行为不考虑且在出行行为中很少。周期维度的一个层次是(天，周，月)，天是一个级别的周期，周是一个级别的周期以及月是一个级别的周期。通过对天的级别进行上卷，可以得到周期维度为一周的数据立方体。
3、时间维度：图2(a)中时间维度是将一天中06:00到21:00的时间段分成30个30分钟的时间段。从需求和安全的角度出发，分析06:00到21:00之间的规律出行行为，划分成30分钟小的时间段。
步骤S12：整个车辆轨迹数据立方体的事实是某特定车辆在某半个小时的时间段中是否通过了这个阅读器。事实的度量值，即分析的指标是“0”或“1”，“0”表示在该时间段没有通过这个阅读器，“1”表示在该时间段通过了这个阅读器。
Apriori先验性质指出频繁项集的所有非空子集也一定是频繁的。相似的是，在规律行为中，行为是一系列记录的序列，若整个序列是规律的，则子序列也是规律的。通过历史数据建立了原始数据立方体后，可以结合Apriori先验性质剔除数据立方体的部分切片，从而简化数据立方体并形成周期时间切片：
1、从周期维度和时间维度上对度量值进行汇总，统计在讨论的所有周期段中通过该阅读器的次数，即原始数据立方体在讨论周期段中“1”的个数，从而构成阅读器切块，时间维度为ALL，周期维度为ALL。如图2(b)所示，是一个阅读器切块，其对工作日五天(周期为天)的所有时间段的度量值进行汇总，得到通过阅读器的总次数。对阅读器切块中度量值小于min_sup*ps(min_sup为支持度，值在0到1之间；ps为周期段个数，值与挖掘数据量相关)的阅读器剔除不进行讨论，因为根据先验性质可以判定他们构成的记录不会存在规律出行行为中。图2(b)是对工作日讨论的，周期段个数ps为5，最小支持度阈值min_sup设置为50％，所以度量值小于3的H、I和J阅读器剔除。
2、根据阅读器切块获得剔除的阅读器后，就可以对原始数据立方体进行化简，去除剔除的阅读器的切片，根据讨论的周期段构成工作立方体。图2(c)是一个工作立方体，其是根据图2(a)和图2(b)取一周五个工作日进行讨论，并剔除“H”、“I”和“J”阅读器后的立方体。
步骤S13:在工作立方体上，从阅读器维度对度量值进行汇总构成周期-时间切片。
这里先对阅读器进行二进制编码，若工作立方体中讨论m个阅读器，则将每个阅读器编码成m位的二进制数，其中有且仅有一个比特位为1来表示该阅读器。例如图2(c)中，将阅读器“A”编码为0000001，“B”为0000010，“C”为0000100，“D”为0001000，“E”为0010000，“F”为0100000和“G”为1000000。然后，从阅读器维度对度量值进行汇总，汇总的操作是对原始度量值为“1”的阅读器二进制编码进行按位与操作。图3是针对图2(c)的工作立方体从阅读器维度进行汇总得到的周期-时间切片。图中以左下角为原点的第五行第三列的度量值是因某特定车辆在周一07:00～07:30这个时间段通过了“A”、“B”、“C”这三个阅读器，将它们二进制编码进行按位与(0000001&0000010&0000100)得到的结果(0000111)。通过这个结果我们也可以解析出车辆在某个时间段通过的阅读器集合。
步骤S2：在周期时间切片上进行基于滑动窗口的层次聚类；
有了周期-时间切片后，还需要采用基于滑动窗口的方法进行层次聚类，该方法包括以下步骤：
步骤S21：首先，定义一个滑动窗口，窗口有两个变化参数，本实施例中，定义窗口当前位置cur_position，窗口当前大小cur_len，以及一个固定参数窗口高度h＝ps，即周期段个数。若讨论工作日5天的规律出行行为，则h＝5。定义滑动窗口是分了确定聚类分析的范围，切分轨迹序列避免多次出行对分析的影响，滑动窗口操作如下：
1、滑动窗口初始化时，当前位置cur_position＝1，当前窗口大小cur_len＝1。即窗口在周期-时间切片的第1列，对应图3中06:00～06:30时间段的位置，窗口大小为一个时间段(30分钟)。
2、当窗口内的所有非0二进制数的个数小于min_sup*ps时，则窗口右移一个时间段(cur_positon＝cur_positon+1)。
3、当窗口内存在不少于min_sup*ps个非0二进制数时，窗口停止右移，窗口大小进行扩充(cur_len＝cur_len+1)。例如图4中当cur_position＝3，cur_len＝1时，接下来窗口进行扩充，cur_len＝cur_len+1＝2。
4、当窗口大小连续2次扩充后非0二进制数的个数没有变化时，则停止窗口大小的扩充，窗口大小回退到连续2次扩充前(这里，认为连续2个时间段即一个小时内没有记录时，则将轨迹断开得到一次出行)。将窗口当前位置进行前移(cur_position＝cur_position-1)看是否有非0二进制数进入(增加这一步是为了防止前面讨论时增加的非0二进制数的个数小于min_sup*ps时，导致该时间段跳过)。若无非0二进制数进入，则得到稳定窗口；若有非0二进制数进入，则cur_position＝cur_position-1，得到稳定窗口。
5、讨论稳定窗口内的二进制序列获得规律出行行为特征。例如当cur_position＝3，cur_len＝2时对窗口大小进行连续2次扩充时，没有非0二进制数进入窗口，则窗口不再变化。窗口当前位置进行前移，亦无非0二进制数进入，得到稳定窗口。则对cur_position＝3，cur_len＝2的窗口进行讨论，如图4中红色线框区域所示。
6、讨论后cur_position＝cur_position+cur_len+2，cur_len＝1重新进行窗口的变化和继续挖掘其他的规律出行行为。直到cur_position到达周期-时间切片的末端。
步骤S22：得到稳定的滑动窗口后，可以基于层次聚类来挖掘规律出行行为的特征信息。具体操作如下：
1、先将窗口中每个周期段的二进制序列看成一个簇Ci，相同的序列合并成一个簇。
2、然后根据簇的距离进行合并，簇间距离定义为dist(Ci,Cj)。当两个簇的距离dist(Ci,Cj)＜＝1时，将这两个簇进行合并。两个簇的距离是簇中对象的最大距离，如公式(5.1)所示：
两个对象的距离为最大的单位时间段海明距离，如公式(5.2)所示：
其中Hamming_dist()指在一个时间段中序列的海明距离，即对应位上编码不同的位数。例如，“0000111#0000010”和“0000011#0000100”(“#”将两个时间段的序列分隔开)都是位于两个时间段的二进制序列。这两个序列总的海明距离是3，但每个时间段中序列的海明距离分别是1和2。所以，这两个序列的最大的单位时间段海明距离是2。
3、重复上述过程，直到没有簇可以进行合并时，结束聚类。
4、查看对象个数最多的簇。如果这个簇的对象个数不少于min_sup*ps，则存在规律出行行为。根据簇中的二进制序列，可以获知规律出行行为的特征信息，包括规律出行行为经过哪几个阅读器？规律出行行为发生在哪些周期段，哪些时间段？
基于图3周期-时间切片进行滑动窗口操作后，可以形成两个稳定的窗口，如图4中红色线框区域所示。针对稳定的滑动窗口可以进行层次聚类，图4中展示了左数第二个稳定窗口聚类后的两个簇(min_sup＝50％，ps＝5，min_sup*ps＝2.5)，其中①号簇中含有3个对象，故存在规律出行行为。规律出行行为发生在周二、周三和周四的17:00～18:30这一时段，出行通过“D”“E”“F”和“G”这四个阅读器(根据第一部分构建数据立方体时的阅读器编码可知)。这些特征信息可以帮助提取规律出行行为。
步骤S3：通过基于滑动窗口的层次聚类方法得到规律出行行为的特征信息后，结合原始轨迹，找到与时间和阅读器对应的出行行为。根据出行的出发时间对出行行为进行排序，将排序后位于中间的出行行为作为个人规律出行行为。此外，这些行为中出发时间之间的最大差值被定义为规律出行行为的容忍时间(单位分钟)，表示为tolerance_time，其体现了个人出行时间的浮动范围。出行行为的数量定义为规律出行行为的重复天数，表示为repetition_day。例如，图4中第二个滑动窗口中①号簇对应的出行行为分别是[D,17:21]→[E,17:26]→[F,17:31]→[G,17:53]，[D,17:17]→[E,17:28]→[F,17:32]→[G,17:56]，[D,17:24]→[F,17:37]→[G,17:54]。
对通过“D”采集器的时间进行排序，取排序在中间出行行为作为规律出行行为(即周二的出行行为，[D,17:17]→[E,17:28]→[F,17:32]→[G,17:56])，规律出行行为的容忍时间为7分钟(17:24-17:17)，tolerance_time＝7min；重复天数为3，repetition_day＝3。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的动态配置基于机动车电子标识数据的私家车规律出行行为发现技术时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.基于机动车电子标识数据的私家车规律出行行为发现方法，其特征在于：所述方法包括以下步骤：
步骤S1:构建单个私家车在挖掘时间内的车辆轨迹数据立方体及周期时间切片；
步骤S2：在周期时间切片上进行基于滑动窗口的层次聚类；
步骤S3：提取私家车代表规律出行行为。
2.根据权利要求1所述的基于机动车电子标识数据的私家车规律出行行为发现方法，其特征在于：利用私家车出行轨迹构建一段时间内的车辆轨迹数据立方体及周期时间切片，该方法包括以下步骤：
步骤S11：根据每个汽车电子标识的历史记录R从周期维度、时间维度和阅读器维度三个方面建立车辆轨迹原始数据立方体。
步骤S12：将原始数据立方体结合Apriori先验性质剔除不可能采集到规律行为的阅读器形成工作立方体。
步骤S13：在工作立方体上，从阅读器维度对度量值进行汇总构成周期-时间切片。
3.根据权利要求1所述的基于机动车电子标识数据的私家车规律出行行为发现方法，其特征在于：所述步骤S2中，采用基于滑动窗口方法对周期-时间切片进行层次聚类，该方法包括以下步骤：
步骤S21：定义一个滑动窗口，窗口有两个变化参数，窗口当前位置cur_position、窗口长度cur_len，参数按一定规则变化；
步骤S22：当窗口位置和窗口长度不再变化时，得到稳定的窗口，对窗口内的值进行层次聚类来挖掘规律出行行为，最终的聚类数目及聚类簇决定了车辆是否有规律出行行为及规律出行行为特征信息。
4.根据权利要求1所述的基于机动车电子标识数据的私家车规律出行行为发现方法，其特征在于：所述步骤S3中，利用步骤S2所提取得规律出行行为特征信息还原规律出行行为，包括出行路径、容忍时间和重复天数，规律出行行为特征信息，包括规律出行行为经过的阅读器、规律出行行为发生的周期段、时间段，结合轨迹记录，就可获得个体的规律出行行为。
5.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-4任一项所述的方法。
6.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-4任一项所述的方法。
CN201910549940.9A 2019-06-24 2019-06-24 基于机动车电子标识数据的私家车规律出行行为发现方法 Active CN110148298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910549940.9A CN110148298B (zh) 2019-06-24 2019-06-24 基于机动车电子标识数据的私家车规律出行行为发现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910549940.9A CN110148298B (zh) 2019-06-24 2019-06-24 基于机动车电子标识数据的私家车规律出行行为发现方法

Publications (2)

Publication Number Publication Date
CN110148298A true CN110148298A (zh) 2019-08-20
CN110148298B CN110148298B (zh) 2022-03-18

Family

ID=67596244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910549940.9A Active CN110148298B (zh) 2019-06-24 2019-06-24 基于机动车电子标识数据的私家车规律出行行为发现方法

Country Status (1)

Country Link
CN (1) CN110148298B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964545A (zh) * 2023-03-16 2023-04-14 四川国蓝中天环境科技集团有限公司 一种基于运渣车轨迹点推断污染点位的方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593646A (zh) * 2013-10-16 2014-02-19 中国计量学院 一种基于微行为分析的密集人群异常行为检测方法
CN104268599A (zh) * 2014-09-29 2015-01-07 中国科学院软件研究所 一种基于车辆轨迹时空特征分析的黑车智能发现方法
CN104468847A (zh) * 2014-12-31 2015-03-25 北京赛维安讯科技发展有限公司 一种车辆的行程记录信息分享方法、设备、服务器及系统
CN104751672A (zh) * 2013-12-30 2015-07-01 上海博泰悦臻网络技术服务有限公司 路径位置获取装置、车辆报站方法以及系统
CN104952248A (zh) * 2015-06-08 2015-09-30 浙江大学 一种基于欧氏空间的车辆汇聚预测方法
CN105183769A (zh) * 2015-07-31 2015-12-23 浙江工商大学 基于流数据立方体的轨迹数据原位可视化方法
CN105989224A (zh) * 2015-02-04 2016-10-05 南京乐行天下智能科技有限公司 一种针对不同出行方式的模式识别技术
CN106899306A (zh) * 2017-02-20 2017-06-27 武汉大学 一种保持移动特征的车辆轨迹线数据压缩方法
CN106971534A (zh) * 2017-02-09 2017-07-21 江苏智通交通科技有限公司 基于号牌数据的通勤出行特征分析方法
CN107038858A (zh) * 2017-05-25 2017-08-11 厦门大学 通勤私家车动态拼车推荐方法
CN107277765A (zh) * 2017-05-12 2017-10-20 西南交通大学 一种基于聚类离群分析的手机信令轨迹预处理方法
CN107784597A (zh) * 2017-09-19 2018-03-09 平安科技（深圳）有限公司 出行方式识别方法、装置、终端设备及存储介质
CN107798079A (zh) * 2017-09-30 2018-03-13 北京泓达九通科技发展有限公司 基于车辆轨迹数据的路段拼接方法及系统
CN108564788A (zh) * 2018-06-07 2018-09-21 重庆邮电大学 一种基于流式大数据的同行车辆发现方法
CN108717790A (zh) * 2018-07-06 2018-10-30 广州市交通运输研究所 一种基于卡口车牌识别数据的车辆出行分析方法
CN108898829A (zh) * 2018-06-07 2018-11-27 重庆邮电大学 针对无差异性划分和数据稀疏的动态短时交通流预测系统
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
WO2019009110A1 (ja) * 2017-07-05 2019-01-10 クラリオン株式会社 車両用外界認識装置

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593646A (zh) * 2013-10-16 2014-02-19 中国计量学院 一种基于微行为分析的密集人群异常行为检测方法
CN104751672A (zh) * 2013-12-30 2015-07-01 上海博泰悦臻网络技术服务有限公司 路径位置获取装置、车辆报站方法以及系统
CN104268599A (zh) * 2014-09-29 2015-01-07 中国科学院软件研究所 一种基于车辆轨迹时空特征分析的黑车智能发现方法
CN104468847A (zh) * 2014-12-31 2015-03-25 北京赛维安讯科技发展有限公司 一种车辆的行程记录信息分享方法、设备、服务器及系统
CN105989224A (zh) * 2015-02-04 2016-10-05 南京乐行天下智能科技有限公司 一种针对不同出行方式的模式识别技术
CN104952248A (zh) * 2015-06-08 2015-09-30 浙江大学 一种基于欧氏空间的车辆汇聚预测方法
CN105183769A (zh) * 2015-07-31 2015-12-23 浙江工商大学 基于流数据立方体的轨迹数据原位可视化方法
CN106971534A (zh) * 2017-02-09 2017-07-21 江苏智通交通科技有限公司 基于号牌数据的通勤出行特征分析方法
CN106899306A (zh) * 2017-02-20 2017-06-27 武汉大学 一种保持移动特征的车辆轨迹线数据压缩方法
CN107277765A (zh) * 2017-05-12 2017-10-20 西南交通大学 一种基于聚类离群分析的手机信令轨迹预处理方法
CN107038858A (zh) * 2017-05-25 2017-08-11 厦门大学 通勤私家车动态拼车推荐方法
WO2019009110A1 (ja) * 2017-07-05 2019-01-10 クラリオン株式会社 車両用外界認識装置
JP2019016116A (ja) * 2017-07-05 2019-01-31 クラリオン株式会社 車両用外界認識装置
CN107784597A (zh) * 2017-09-19 2018-03-09 平安科技（深圳）有限公司 出行方式识别方法、装置、终端设备及存储介质
CN107798079A (zh) * 2017-09-30 2018-03-13 北京泓达九通科技发展有限公司 基于车辆轨迹数据的路段拼接方法及系统
CN108564788A (zh) * 2018-06-07 2018-09-21 重庆邮电大学 一种基于流式大数据的同行车辆发现方法
CN108898829A (zh) * 2018-06-07 2018-11-27 重庆邮电大学 针对无差异性划分和数据稀疏的动态短时交通流预测系统
CN108717790A (zh) * 2018-07-06 2018-10-30 广州市交通运输研究所 一种基于卡口车牌识别数据的车辆出行分析方法
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 (3)

* Cited by examiner, † Cited by third party
Title
ASLAM,M;FAN FANG: "Energy efficient cubical layered path planning alogrithm for acoustic UWSNs", 《COMPUTERS AND SIGNAL PROCESSING》 *
刘倩: "城市中规律出行的私家车行驶特征分析方法研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》 *
相诗尧: "移动对象多维属性空间数据立方构建及分析应用研究", 《中国博士学位论文全文数据库（工程科技Ⅰ辑）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964545A (zh) * 2023-03-16 2023-04-14 四川国蓝中天环境科技集团有限公司 一种基于运渣车轨迹点推断污染点位的方法

Also Published As

Publication number Publication date
CN110148298B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
Wang et al. Visual traffic jam analysis based on trajectory data
Yang et al. Stochastic skyline route planning under time-varying uncertainty
CN108629979B (zh) 一种基于历史和周边路口数据的拥堵预测算法
CN110414747B (zh) 一种基于深度学习的时空长短期城市人流量预测方法
CN109670277A (zh) 一种基于多模态数据融合与多模型集成的旅行时间预测方法
US8706459B2 (en) Traffic sensor management
CN110942211A (zh) 一种基于深度神经网络的预估达到时间预测方法及装置
CN103295414A (zh) 一种基于海量历史gps轨迹数据的公交车到站时间预测方法
CN102622880A (zh) 一种交通信息数据修复方法及装置
EP4016412A1 (en) Traffic prediction
CN115440032B (zh) 一种长短期公共交通流量预测方法
CN104050512A (zh) 基于多粒度地图的运输时间估计
Park et al. Optimization of time-of-day breakpoints for better traffic signal control
CN105513370A (zh) 基于稀疏车牌识别数据挖掘的交通小区划分方法
Melnikov et al. Data-driven travel demand modelling and agent-based traffic simulation in Amsterdam urban area
CN111915874B (zh) 一种道路平均通行时间预测方法
CN110148298A (zh) 基于机动车电子标识数据的私家车规律出行行为发现方法
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN111145535B (zh) 一种复杂场景下的行程时间可靠性分布预测方法
CN112633579B (zh) 一种基于域对抗的交通流迁移预测方法
JP2006018435A (ja) 交通流データ予測装置および交通流データ予測方法
CN113282835B (zh) 停车地点推荐方法、装置和电子设备
Rempe et al. Feature engineering for data-driven traffic state forecast in urban road networks
Kakarla et al. Travel Time Prediction and Route Performance Analysis in BRTS based on Sparse GPS Data
CN113190769B (zh) 通勤特征数据确定方法、装置、电子设备和存储介质

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