CN110379152B - 一种共享单车实时监控和再平衡的可视化方法 - Google Patents
一种共享单车实时监控和再平衡的可视化方法 Download PDFInfo
- Publication number
- CN110379152B CN110379152B CN201910653052.1A CN201910653052A CN110379152B CN 110379152 B CN110379152 B CN 110379152B CN 201910653052 A CN201910653052 A CN 201910653052A CN 110379152 B CN110379152 B CN 110379152B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- longitude
- latitude
- rebalancing
- 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
- 238000007794 visualization technique Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 238000012800 visualization Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 101100100125 Mus musculus Traip gene Proteins 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/2477—Temporal data 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种共享单车实时监控和再平衡的可视化方法,该方法综合考虑时间和空间上的用户行为模型,在时间上通过对用户出行热力图和折线图的观察,可以快速了解用户出行模式并发现异常;在空间上,对散点图上的空白矩形区域的判断,从而快速了解需要进行共享单车再平衡的区域。与现有技术相比,本发明能有效促进共享单车运营商对共享单车时空分布的了解,提高对共享单车用户行为模式的洞察能力,为共享单车的调度与再平衡提供了决策依据。
Description
技术领域
本发明涉及信息技术领域,尤其是涉及一种共享单车实时监控和再平衡的可视化方法。
背景技术
共享单车系统是一种新型的公共交通出行模式,也是对现有公共交通网络的有效补充。它有效缓解了“最后一公里问题”,并使得人们的出行更加环保可持续。近年来,共享单车的使用呈逐年上升的趋势,中国各大城市都相继建立了共享单车服务网点。
目前应用最广的共享单车大多无固定桩,可通过GPS进行跟踪,并集成了实时通信技术和配套的线上服务平台。用户在租用和停放共享单车时都会产生大量数据。这些信息都通过网络传输回数据中心,供运营商对用户行为模式进行进一步的数据分析。
由于共享单车往往仅作为单向和短时使用的交通工具,其高度动态的时空运动将导致自行车在地理分布上出现不平衡。通过使用再平衡方法,管理者可以缓解这种情况,具体分为两类:在用户干预可以忽略不计的情况下,夜间对车辆地理分布进行再平衡称为静态再平衡;如果考虑用户干预,则称为动态再平衡。现有研究在这两类方法上都提出了相关解决方案,但往往仅将其视为数值计算问题,而较少使用直观的可视化方法。已有的共享单车可视化也仅限于使用传统可视化方法,如柱状图、饼图、折线图等展现用户行为,呈现结果较为单一且难以直接获知需要进行再平衡的区域。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种共享单车实时监控和再平衡的可视化方法。
本发明的目的可以通过以下技术方案来实现:
一种共享单车实时监控和再平衡的可视化方法,包括如下步骤:
步骤一、收集共享单车用户行为数据并清理无效信息,所述的共享单车用户行为数据包括用户ID、车型、开始用车时间、结束用车时间、起点地理位置信息、终点地理位置信息;所述的无效信息包括用户请求ID与单车ID。
步骤二、对收集的用户行为数据中的所有时间数据进行预处理。具体步骤包括:
201)对开始用车时间、结束用车时间进行数据格式归一化处理;
202)对归一化处理后的开始用车时间、结束用车时间数据按照年、月、周、日、小时五种不同时间范围,对数据进行分层。
步骤三、将预处理后的所有时间数据生成用户时序出行模型可视化图表。具体包括以下步骤:
301)将用车时间数据按照横轴为小时、纵轴第一层级为周、第二层级为日来绘制用户出行模式时序热力图,其中以每一个数据格的颜色深浅代表当前时段内的用车人数;
302)将用车时间数据按照横轴第一层级为周,第二层级为小时,纵轴为用车人数来绘制用户出行模式折线图,其中以折线的不同颜色代表用户所用车的时间为本年度第几周。
步骤四、采用Geohash编码方法对用户行为数据中的起点地理位置信息数据、终点地理位置信息数据进行编码。具体包括以下步骤:
401)将经度区间进行二分处理,获取经度左右区间,若给定的经度落在经度左右区间的左区间内,则将该经度标记为0,若给定的经度落在经度左右区间的右区间内,则标将该经度记为1;同时,将纬度区间进行二分处理,获取纬度左右区间,若给定的纬度落在纬度左右区间的左区间内,则将该纬度标记为0,若给定的纬度落在纬度左右区间的右区间内,则将该纬度标记为1。
402)递归上述过程,根据每次迭代不断缩小的区间,获取一个序列,该序列的长度与给定的区间划分次数有关。
403)通过上述计算,获取经度和纬度两串0-1编码,随后从右向左,将经度放在偶数位,将纬度放在奇数位,将两串编码组合生成新数字串。
404)对生成的新数字串进行base32编码,获取Geohash字符串。具体内容为:
使用0-9以及去除掉a,i,l,o的b-z共32个字母对生成的新数字串进行base32编码,获取Geohash字符串。
步骤五、将编码后的起点数据与终点数据排序并生成二维散点图可视化。具体内容为:
501)将编码后的起点数据与终点数据按照ASCII表顺序升序排序;
502)根据排序后的数据生成可视化二维散点图,其中横轴为排序后的起点Geohash字符串,纵轴为排序后的终点Geohash字符串。
步骤六、根据可视化结果判断需要进行再平衡的区域。具体内容为:
601)对生成的可视化二维散点图寻找散点围成的空白矩形区域;散点围成的空白矩形区域由观察者定义。
602)根据寻找的散点围成的空白矩形区域的面积判断需要进行再平衡的区域,面积阈值由用户实际需求设定,空白矩形区域面积越大则表明该区域的共享单车的流动性越强。
本发明的有益效果为:
本发明方法综合考虑时间和空间上的用户行为模型:时间角度,通过对用户出行热力图和折线图的观察分析,可以快速了解用户出行模式并发现异常空间角度,对散点图上的空白矩形区域的判断,从而快速了解需要进行共享单车再平衡的区域;本发明能有效促进共享单车运营商对共享单车时空分布的了解,提高对共享单车用户行为模式的洞察能力,为共享单车的调度与再平衡提供决策依据。
附图说明
图1为本发明方法的流程示意图;
图2为用户出行模式时序热力图;
图3为Geohash编码空间分布散点图;
图4为Geohash编码空间分布散点放大图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1所示,本发明涉及一种共享单车实时监控和再平衡的可视化方法,具体包括如下步骤:
步骤1:收集共享单车用户行为数据并清理无效信息(包括用户请求ID与单车ID)。共享单车用户行为数据包括用户ID、车型、开始用车时间、结束用车时间、起点地理位置信息、终点地理位置信息。
步骤2:对时间数据进行预处理。具体步骤为:
步骤2.1:对开始用车时间、结束用车时间进行数据格式归一化处理;
步骤2.2:对步骤2.1处理后的数据按照不同时间范围,即年、月、周、日、小时,对数据进行分层。(如将原1个数据列的开始用车时间2017/5/1422:16:00划分为[2017,5,20,14,22],即5个数据列。)
步骤3:生成用户时序出行模型可视化图表。具体步骤为:
步骤3.1:将用车时间数据按照横轴为小时、纵轴第一层级为周、第二层级为日来绘制热力,其中每一个数据格的颜色深浅代表当前时段内的用车人数的多少;
步骤3.2:将用车时间数据按照横轴第一层级为周,第二层级为小时,纵轴为用车人数来绘制折线图,利用折线的不同颜色代表其为本年度第几周。
步骤4:使用Geohash编码方式对起点与终点地理位置信息数据进行编码。具体包括下列步骤:
步骤4.1:将经度区间[-180,180]进行二分为[-180,0),[0,180],称为经度左右区间,若给定的经度落在经度左右区间的左区间则标记为0,若给定的经度落在经度左右区间的右区间则标记为1;同理,将纬度区间[-90,90]进行二分为[-90,0),[0,90],称为纬度左右区间,若给定的纬度落在纬度左右区间的左区间则标记为0,若给定的纬度落在纬度左右区间的右区间则标记为1;
步骤4.2:递归上述过程,随着每次迭代区间总在缩小,并越来越逼近给定的经纬度,随着算法的进行会产生一个序列,序列的长度与给定的区间划分次数有关;
步骤4.3:通过上述计算,得到经度和纬度两串0-1编码。而后从右往左,偶数位放经度,奇数位放纬度,把2串编码组合生成新数字串;
步骤4.4:使用0-9、b-z(去除a,i,l,o)这32个字母对前述数字串进行base32编码,得到Geohash字符串;
步骤5:将编码后的起点与终点数据排序并生成可视化二维散点图。具体包括下列步骤:
步骤5.1:将编码后的起点与终点数据按照ASCII表顺序升序排序;
步骤5.2:将排序后的数据生成二维散点图,其中横轴为排序后的起点Geohash字符串,纵轴为排序后的终点Geohash字符串。
步骤6:根据可视化结果判断需要进行再平衡的区域。包括:
步骤6.1:观察可视化结果并找寻散点围成的空白矩形区域(如图3所示),散点围成的空白矩形区域由观察者定义。
步骤6.2:根据空白矩形区域的面积判断需要进行再平衡的区域,面积阈值由用户实际需求设定,空白矩形区域面积越大则表明该区域的共享单车的流动性越强。
本发明方法综合考虑时间和空间上的用户行为模型:时间角度,通过对用户出行热力图和折线图的观察,可以快速了解用户出行模式并发现异常空间角度,对散点图上的空白矩形区域的判断,从而快速了解需要进行共享单车再平衡的区域。本发明能有效促进共享单车运营商对共享单车时空分布的了解,提高对共享单车用户行为模式的洞察能力,为共享单车的调度与再平衡提供了决策依据。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种共享单车实时监控和再平衡的可视化方法,其特征在于,包括下列步骤:
1)收集共享单车用户行为数据并清理无效信息,所述的共享单车用户行为数据包括用户ID、车型、开始用车时间、结束用车时间、起点地理位置信息、终点地理位置信息;
2)对收集的用户行为数据中的所有时间数据进行预处理;
3)将预处理后的所有时间数据生成用户时序出行模型可视化图表;
4)采用Geohash编码方法对用户行为数据中的起点地理位置信息数据、终点地理位置信息数据进行编码;
5)将编码后的起点数据与终点数据排序并生成二维散点图可视化;
6)根据可视化结果判断需要进行再平衡的区域;具体包括以下步骤:
61)观察可视化结果并找寻散点围成的空白矩形区域,散点围成的空白矩形区域由观察者定义;
62)根据空白矩形区域的面积判断需要进行再平衡的区域,面积阈值由用户实际需求设定,空白矩形区域面积越大则表明该区域的共享单车的流动性越强;
步骤2)具体包括以下步骤:
201)对开始用车时间、结束用车时间进行数据格式归一化处理;
202)对归一化处理后的开始用车时间、结束用车时间数据按照年、月、周、日、小时五种不同时间范围,对数据进行分层;
步骤3)具体包括以下步骤:
301)将用车时间数据按照横轴为小时、纵轴第一层级为周、第二层级为日来绘制用户出行模式时序热力图,其中以每一个数据格的颜色深浅代表当前时段内的用车人数;
302)将用车时间数据按照横轴第一层级为周,第二层级为小时,纵轴为用车人数来绘制用户出行模式折线图,并以折线的不同颜色代表用户所用车的时间为本年度的不同周次。
2.根据权利要求1所述的一种共享单车实时监控和再平衡的可视化方法,其特征在于,步骤4)具体包括以下步骤:
401)将经度区间进行二分处理,获取经度左右区间,对给定的经度进行区间标记,同时,将纬度区间进行二分处理,获取纬度左右区间,对给定的纬度进行区间标记,
402)递归上述过程,根据每次迭代不断缩小的区间,获取一个序列,该序列的长度与给定的区间划分次数有关;
403)通过上述计算,获取经度和纬度两串0-1编码,随后从右向左,将经度放在偶数位,将纬度放在奇数位,将两串编码组合生成新数字串;
404)对生成的新数字串进行base32编码,获取Geohash字符串。
3.根据权利要求2所述的一种共享单车实时监控和再平衡的可视化方法,其特征在于,步骤401)的具体内容为:
将经度区间进行二分处理,获取经度左右区间,若给定的经度落在经度左右区间的左区间内,则将该经度标记为0,若给定的经度落在经度左右区间的右区间内,则标将该经度记为1;同时,将纬度区间进行二分处理,获取纬度左右区间,若给定的纬度落在纬度左右区间的左区间内,则将该纬度标记为0,若给定的纬度落在纬度左右区间的右区间内,则将该纬度标记为1。
4.根据权利要求2所述的一种共享单车实时监控和再平衡的可视化方法,其特征在于,步骤404)的具体内容为:
使用0-9以及去除掉a,i,l,o的b-z共32个字母对生成的新数字串进行base32编码,获取Geohash字符串。
5.根据权利要求4所述的一种共享单车实时监控和再平衡的可视化方法,其特征在于,步骤5)的具体内容为:
501)将编码后的起点数据与终点数据按照ASCII表顺序升序排序;
502)根据排序后的数据生成可视化二维散点图,其中横轴为排序后的起点Geohash字符串,纵轴为排序后的终点Geohash字符串。
6.根据权利要求1所述的一种共享单车实时监控和再平衡的可视化方法,其特征在于,所述的无效信息包括用户请求ID与单车ID。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653052.1A CN110379152B (zh) | 2019-07-19 | 2019-07-19 | 一种共享单车实时监控和再平衡的可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653052.1A CN110379152B (zh) | 2019-07-19 | 2019-07-19 | 一种共享单车实时监控和再平衡的可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110379152A CN110379152A (zh) | 2019-10-25 |
CN110379152B true CN110379152B (zh) | 2021-12-31 |
Family
ID=68254132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910653052.1A Active CN110379152B (zh) | 2019-07-19 | 2019-07-19 | 一种共享单车实时监控和再平衡的可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379152B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190982B (zh) * | 2019-12-25 | 2024-03-22 | 航天信息股份有限公司 | 一种基于大数据的共享单车管理方法及系统 |
CN113065753B (zh) * | 2021-03-25 | 2022-05-27 | 上海钧正网络科技有限公司 | 基于路网需求热度的运维区域分层管理方法、装置、终端及介质 |
CN113240898B (zh) * | 2021-04-30 | 2022-11-22 | 云上青海大数据产业有限公司 | 一种大数据信息采集方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296350A (zh) * | 2016-08-04 | 2017-01-04 | 杭州电子科技大学 | 一种可视化分析城市公共自行车系统借还模式的方法 |
CN106649656A (zh) * | 2016-12-13 | 2017-05-10 | 中国科学院软件研究所 | 一种面向数据库的时空轨迹大数据存储方法 |
CN107092623A (zh) * | 2016-12-21 | 2017-08-25 | 口碑控股有限公司 | 一种兴趣点查询方法及装置 |
CN108920476A (zh) * | 2018-03-30 | 2018-11-30 | 斑马网络技术有限公司 | 地图检索算路引擎测试系统及其测试方法 |
KR20190029411A (ko) * | 2017-09-11 | 2019-03-20 | 주식회사 제주컨버전스 | 이미지 검색 방법, 및 이미지 검색 방법을 실행시키는 프로그램이 기록된 기록 매체 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101927182B1 (ko) * | 2016-11-15 | 2018-12-10 | 현대자동차 주식회사 | 위험상황 경고 장치 및 위험상황 경고 방법이 구현된 컴퓨터로 판독 가능한 기록매체 |
CN109508865B (zh) * | 2018-10-19 | 2021-07-27 | 东南大学 | 基于时空使用模式的地铁站辐射范围内共享单车的部署方法 |
CN109903125A (zh) * | 2019-01-28 | 2019-06-18 | 东南大学 | 基于od数据的共享单车借还与停放时空分布可视化方法 |
-
2019
- 2019-07-19 CN CN201910653052.1A patent/CN110379152B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296350A (zh) * | 2016-08-04 | 2017-01-04 | 杭州电子科技大学 | 一种可视化分析城市公共自行车系统借还模式的方法 |
CN106649656A (zh) * | 2016-12-13 | 2017-05-10 | 中国科学院软件研究所 | 一种面向数据库的时空轨迹大数据存储方法 |
CN107092623A (zh) * | 2016-12-21 | 2017-08-25 | 口碑控股有限公司 | 一种兴趣点查询方法及装置 |
KR20190029411A (ko) * | 2017-09-11 | 2019-03-20 | 주식회사 제주컨버전스 | 이미지 검색 방법, 및 이미지 검색 방법을 실행시키는 프로그램이 기록된 기록 매체 |
CN108920476A (zh) * | 2018-03-30 | 2018-11-30 | 斑马网络技术有限公司 | 地图检索算路引擎测试系统及其测试方法 |
Non-Patent Citations (2)
Title |
---|
基于Geohash的出租车汽车轨迹的存储与应用研究;王翔 等;《信息技术》;20151231;第69-71页 * |
基于共享单车数据的居民出行热点区域与时空特征分析;王璐 等;《河南科学》;20181231;第36卷(第12期);第2010-2015页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110379152A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379152B (zh) | 一种共享单车实时监控和再平衡的可视化方法 | |
CN107045673B (zh) | 基于堆模型融合的公共自行车流量变化量预测方法 | |
Aburas et al. | Land suitability analysis of urban growth in Seremban Malaysia, using GIS based analytical hierarchy process | |
Xu et al. | Real-time prediction of taxi demand using recurrent neural networks | |
CN105843942B (zh) | 一种基于大数据技术的城市防汛决策支持方法 | |
CN107609682B (zh) | 一种大数据环境下人口集聚中短期预警方法 | |
CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、系统及介质 | |
CN111754336B (zh) | 一种网点排班方法和装置 | |
Lin et al. | Landscape ecological risk assessment and its driving factors of multi-mountainous city | |
CN116109462B (zh) | 一种自然灾害后饮水水源地污染监测预警方法及系统 | |
CN111080501A (zh) | 基于手机信令数据的真实人群密度时空分布估算方法 | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
CN104715608B (zh) | 基于HBase的全天候全域出租车聚集实时监测方法 | |
CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警系统 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
CN116975785B (zh) | 一种基于cim模型的多源异构数据融合分析方法及系统 | |
Fafoutellis et al. | Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data | |
Song et al. | High spatial resolution mapping of steel resources accumulated above ground in mainland China: Past trends and future prospects | |
Hamdy | Using Remote Sensing Techniques to Assess the Changes in the Rate of Urban Green Spaces in Egypt: A Case Study of Greater Cairo | |
Askari et al. | Taxi demand prediction using an LSTM-based deep sequence model and points of interest | |
CN106781508B (zh) | 一种Spark环境下基于多重相空间的短时交通流预测方法 | |
CN113487638A (zh) | 高精度语义分割算法U2-net的地物边缘检测方法 | |
Georgati et al. | Spatially explicit population projections: The case of Copenhagen, Denmark | |
CN110263783A (zh) | 基于深度学习的多特征充电选址影响因素分析方法及系统 |
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 |