CN110379159A - 基于机动车电子标识数据的出行链提取方法 - Google Patents
基于机动车电子标识数据的出行链提取方法 Download PDFInfo
- Publication number
- CN110379159A CN110379159A CN201910549944.7A CN201910549944A CN110379159A CN 110379159 A CN110379159 A CN 110379159A CN 201910549944 A CN201910549944 A CN 201910549944A CN 110379159 A CN110379159 A CN 110379159A
- Authority
- CN
- China
- Prior art keywords
- chain
- data
- trip
- track
- motor 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.)
- Pending
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
- G06F16/21—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
- G06F16/29—Geographical information databases
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Remote Sensing (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出行链提取方法,包括以下步骤:步骤S1:提取载人私家车轨迹链;步骤S2:清洗轨迹链中冗余数据;步骤S3:生成阅读器后继集合Successor Set;步骤S4:基于马尔科夫决策过程进行轨迹补全;本发明通过清洗冗余的数据,补全缺失的数据,最终将轨迹链分割成为多条出行链,基于出行链的分析能够完整地获取车辆的出行特征,从而能更好地掌握城市交通状态,为智慧城市的建设提供更好的服务。
Description
技术领域
本发明涉及交通技术领域,具体涉及一种基于汽车电子标识数据的出行链提取方法。
背景技术
进入新世纪以来,我国社会经济的飞速发展和城市化水平不断提高,伴随着机动车 的城镇保有量和人均拥有量地双增长,一系列交通方面的困境显得越发突出。当前城市交通道路建设与机动车数量陡增之间不协调带来的交通拥堵大大影响了居民出行体验,也给国民经济带来了损失。智能交通是现在人们解决交通问题的一个主要方向,其中出 行链的提取尤为重要。
目前关于乘用车的出行链提取的研究主要是基于车辆的GPS数据展开的,GPS数据的采样时间间隔比较短一般都在几十秒左右,在轨迹中的停留部分,GPS点会密集的分 布在一个较小的空间内,所以采用距离阈值法或一些基于采样点空间密度的聚类算法就 可以实现对轨迹中停留的识别,并且会有不错的效果。但是装有GPS或北斗定位系统的 车辆较少,仅仅能分析出租车和两客一危车辆,无法对所有车辆进行分析,导致最后得 到的出行数据不能代表整个城市的整体交通状况。
而本发明所基于的RFID电子车牌数据则不存在这样的问题,RFID电子标识数据具有覆盖全部车辆的优势,就研究的私家车而言,在当前私家车占机动车总数60%的情况下,提取私家车的出行轨迹,分析私家车的出行特征能更好地掌握城市交通状态,为智 慧城市的建设提供更好的服务。
因此,需要提出一种新的基于汽车电子标识数据的出行链提取方法,将车辆的轨迹 划分为多条出行链。
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出行链提取方法。能够 清洗冗余的数据,补全缺失的数据,最终将轨迹链分割成为多条出行链。
本发明的目的是通过以下技术方案实现的:
该种基于机动车电子标识数据的出行链提取方法,包括以下步骤:
步骤S1:提取载人私家车轨迹链;
步骤S2:清洗轨迹链中冗余数据;
步骤S3:生成阅读器后继集合Successor Set;
步骤S4:基于马尔科夫决策过程进行轨迹补全;
步骤S5:计算高峰时间阈值λh和平峰时间阈值λf,根据时间阈值分割轨迹链提取出行链。
特别地,所述步骤S1中,是将每辆车每天的记录构成一个集合Records,对Records中 的所有记录R=(eid,rid,passtime)根据通过时间R·passtime进行升序排序,从而得到每辆车 的轨迹链Tra={R1,R2,…,Rn}。
特别地,所述步骤S2中,认定原始轨迹链Tra={R1,R2,…,Rn}中相邻两数据的时间差小 于设定时间间隔X,即Rn·passtime-Rn·passtime≤X,则这组数据的后者Rn可能为冗余数据, 将其删除。
特别地,所述时间间隔X为30s。
特别地,所述步骤S4中,轨迹补全是将阅读器集合作为状态集合S,到达下个阅读器动 作的集合作为动作集合A,基于步骤S3生成的阅读器后继集合判定两个阅读器能否直接到达 作为转移方程,定义收益函数Pf及衰减因子γ,补全Tra={R1,R2,...,Rk-1,Rk,...,Rn}中Rk·rid不 在Rk-1·rid的后继集合中的轨迹链,找到能使收益函数Pf最大的最优策略π*。
特别地,所述步骤S5中,若轨迹Tra={R1,R2,…,Rn}中通过两个阅读器Rk·rid和Rk+1·rid 的时间差值大于设定时间阈值时,于此处断开轨迹链,将其分割为两条出行链。
特别地,所述步骤S5中选用出租车通行数据进行时间阈值λ的定义。
特别地,所述步骤S5中使用四分位数筛选法来剔除异常通行时间。
第二方面,本发明还提供一种电子设备,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:本发明通过清洗冗余的数据,补全缺失的数据,最终将轨迹链分 割成为多条出行链,基于出行链的分析能够完整地获取车辆的出行特征,从而能更好地掌 握城市交通状态,为智慧城市的建设提供更好的服务。
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为本发明的流程图
图2为提取出行链过程示意图;
图3为平峰时段阈值分布示意图。
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。
本发明提供的一种提供了一种新的基于汽车电子标识数据的出行链提取方法(结合 图1),包括:
步骤S1:将每辆车每天的记录构成一个集合Records。对Records中的所有记录 R=(eid,rid,passtime)根据通过时间R·passtime进行升序排序,就可得到每辆车每天的轨迹链 Tra={R1,R2,...,Rn}。
本实施例中,研究的对象是载人私家车,故需要通过一次筛选获得私家车的轨迹链。其 中取R·eid·type∈{K33,K32,K31},R·eid·property=A的记录,即车辆类型是小轿车、越野 车或小型客车(小型乘用车,包括7座和7座以下的轿车、MPV、SUV和小型面包车),车辆 使用性质是非运营。
步骤S2:清洗轨迹链中冗余数据;
本实施例中认为原始轨迹链Tra={R1,R2,...,Rn}中相邻两数据的时间差小于30s。则这组 数据的后者Rn可能为冗余数据。本发明将冗余数据定义为两类:同一阅读器的冗余数据和不 同阅读器的冗余数据。同一阅读器的冗余数据指由同一个阅读器按时间顺序连续获取重复数 据,即两条记录(eid,rid,passtime)中eid与rid部分都一样,passtime部分差值在30s以内。 这类数据产生有两个原因:一是车辆进入RFID阅读器的识别区域后静止或缓慢前行导致数 据重复读取;二是数据在上传和存储时因为断电断网等异常情况发生,在解决异常后产生的 冗余情况。不同阅读器的冗余数据指重复数据由不同阅读器采集到,即轨迹链中两条相邻记 录中,rid部分不一样,但passtime部分差值在30s以内。不同阅读器的冗余数据与RFID阅 读器的交叉读有关。在RFID系统中,当两个阅读器布置较近时,它们的探测区域就会出现 重叠,发生空间失配问题。在汽车电子标识系统中,一个路段横截面上布置了多个同向RFID 阅读器(每个车道上布置一个RFID阅读器),这样带来了空间失配问题,从而产生冗余数据。
步骤S3:阅读器后继集合(Successor Set):指通过该阅读器后可能通过的阅读器所构成的 集合。本实施例中,定义a阅读器的后继集合为Suca={b,c,d},即在轨迹链Tra={R1,R2,...,Rn} 中当Rn-1·rid=a时,Rn·rid=b||c||d,通过a阅读器后下一个阅读器是b、c、d中一个。a后 继集合中的阅读器称为a的后继。
有了所有轨迹链后,将阅读器a在轨迹中相邻的后一个阅读器z作为该阅读器的候选后 继,从而构成a的候选后继集合Suc′a。然后根据公式(3.1)计算该阅读器a的候选后继z的频 次Freaz,
其中,Countaz是通过历史数据统计得到的从阅读器a直接到达阅读器z的次数,而是从阅读器a直接到其所有候选后继次数的总和。然后根据频次Fre从高到低对候选后继集 合中的后继进行排序,对排序后的集合根据公式(3.2)计算各个候选后继的累积频次,去除累 积频次大于90%的候选后继从而构成后继集合Suc,CFreaz=∑Freai。
其中,Freai是排序后的候选后继集合中排在z前面的候选阅读器的频次。
步骤S4:对于一段轨迹链Tra={R1,R2,...,Rn}而言,阅读器的集合对应了马尔可夫决策过 程中状态集合S,每个阅读器就是一种状态。选择行驶到达某个阅读器就是动作集合A中的 一种动作,有多少个阅读器就对应了多少个动作。车辆在行驶过程中形成的轨迹链就可以认 为是状态的转移过程,该过程受路网限制,要接受状态转移方程T的约束。并且这种转移关 系在目的状态(目的阅读器)确定的情况下,认为决策只与当前状态有关,即车辆在选择某 条道路去往目的地时只考虑当前车辆所处位置到目的地的情况,与它前一个时刻所处位置无 关,故整个过程满足一阶马尔可夫性。定义一个与目的状态正关联的收益函数,则驾驶过程 就是使整体收益最大的决策,让我们最优到达目的状态。马尔可夫决策过程得到的具有前瞻 性的最优策略与道路行驶中选择到达目的地的全局最优路径是相似的,两者很好的符合,所 以用马尔可夫决策过程对轨迹链进行建模是合理的。
接下来,将该模型用于轨迹补全中。若轨迹链Tra={R1,R2,...,Rk-1,Rk,...,Rn}中Rk·rid不在Rk-1·rid的后继集合中,则认为记录Rk-1与Rk之间需要进行轨迹补全。而空间补全的过程 就是当前状态为Rk-1·rid,目标状态为Rk·rid的轨迹链模型决策过程。特别注意的是收益函数 Pf是与目标状态Rk·rid有关的函数。则整个轨迹补全过程中我们决策从当前阅读器到达哪个 阅读器,最终期望带来最大的收益。由于收益函数Pf与目的阅读器有关以及衰减因子的限制, 获得最大收益的同时,状态转移成目的阅读器。故轨迹空间补全的过程就是求解模型的最优 策略π*。
本发明基于动态规划的思想通过值迭代或策略迭代来求解最优策略。由于策略迭代要求 解方程组,在状态较多时开销较大,故在这里使用值迭代来求解,整个轨迹空间补全过程见 图2。
通过刚才的算法,可以对Tra={R1,R2,...,Rk-1,Rk,...,Rn}中的空间阅读器进行补全,但记 录中还有时间部分。这里我们用平均时间差α来填充时间部分。例如,Rk-1与Rk之间通过轨 迹链模型补全了两个阅读器sc1与sc2,则补全的记录Rc1、Rc2中Rc1·rid=sc1,Rc2·rid=sc2。 Rk-1与Rk之间平均时间差α根据公式求得,
步骤S5:当轨迹链Tra={R1,R2,...,Rn}中通过两阅读器Rk·rid和Rk+1·rid的时间差值大于 设定的时间阈值λ时,即Rk+1·passtime-Rk·passtime>λ,就认为通过阅读器Rk·rid和阅读器 Rk+1·rid时中间具有其他非出行的行为(例如停车购物、吃饭、办事等),故将轨迹断开。
获得两个阅读器的高峰阈值λh和平峰阈值λf后,就可以对一天的轨迹链进行分段,提取 出行链。例如轨迹链Tra={R1,R2,...,Rn}中任意两个相邻记录Rk与Rk+1,若 Rk·passtime∈[07:00,10:00)∪[17:00,19:00)且Rk+1·passtime-Rk·passtime>λh,则Rk与Rk+1之间分段 形成两个出行链;若Rk·passtime∈[00:00,07:00)∪[10:00,17:00)∪[19:00,24:00)且 Rk+1·passtime-Rk·passtime>λf,则Rk与Rk+1之间也分段形成两个出行链;其他情况则不分段。 最终我们得到机动车一天中的多个出行链。
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出行链提取方法技术时,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 (10)
1.基于机动车电子标识数据的出行链提取方法,其特征在于:所述方法包括以下步骤:
步骤S1:提取载人私家车轨迹链;
步骤S2:清洗轨迹链中冗余数据;
步骤S3:生成阅读器后继集合Successor Set;
步骤S4:基于马尔科夫决策过程进行轨迹补全;
步骤S5:计算高峰时间阈值λh和平峰时间阈值λf,根据时间阈值分割轨迹链提取出行链。
2.根据权利要求1所述的基于机动车电子标识数据的出行链提取方法,其特征在于:所述步骤S1中,是将每辆车每天的记录构成一个集合Records,对Records中的所有记录R=(eid,rid,passtime)根据通过时间R·passtime进行升序排序,从而得到每辆车的轨迹链Tra={R1,R2,…,Rn}。
3.根据权利要求1所述的基于机动车电子标识数据的出行链提取方法,其特征在于:所述步骤S2中,认定原始轨迹链Tra={R1,R2,…,Rn}中相邻两数据的时间差小于设定时间间隔X,即Rn·passtime-Rn·passtime≤X,则这组数据的后者Rn可能为冗余数据,将其删除。
4.根据权利要求3所述的基于机动车电子标识数据的出行链提取方法,其特征在于:所述时间间隔X为30s。
5.根据权利要求3所述的基于机动车电子标识数据的出行链提取方法,其特征在于:所述步骤S4中,轨迹补全是将阅读器集合作为状态集合S,到达下个阅读器动作的集合作为动作集合A,基于步骤S3生成的阅读器后继集合判定两个阅读器能否直接到达作为转移方程,定义收益函数Pf及衰减因子γ,补全Tra={R1,R2,...,Rk-1,Rk,...,Rn}中Rk·rid不在Rk-1·rid的后继集合中的轨迹链,找到能使收益函数Pf最大的最优策略π*。
6.根据权利要求5所述的基于机动车电子标识数据的出行链提取方法,其特征在于:所述步骤S5中,若轨迹Tra={R1,R2,…,Rn}中通过两个阅读器Rk·rid和Rk+1·rid的时间差值大于设定时间阈值时,于此处断开轨迹链,将其分割为两条出行链。
7.根据权利要求6所述的基于机动车电子标识数据的出行链提取方法,其特征在于:所述步骤S5中选用出租车通行数据进行时间阈值λ的定义。
8.根据权利要求7所述的基于机动车电子标识数据的出行链提取方法,其特征在于:所述步骤S5中使用四分位数筛选法来剔除异常通行时间。
9.一种电子设备,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1-8任一项所述的方法。
10.一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1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549944.7A CN110379159A (zh) | 2019-06-24 | 2019-06-24 | 基于机动车电子标识数据的出行链提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549944.7A CN110379159A (zh) | 2019-06-24 | 2019-06-24 | 基于机动车电子标识数据的出行链提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110379159A true CN110379159A (zh) | 2019-10-25 |
Family
ID=68249252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910549944.7A Pending CN110379159A (zh) | 2019-06-24 | 2019-06-24 | 基于机动车电子标识数据的出行链提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379159A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243280A (zh) * | 2020-03-20 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种实时计算交通状态的指标的方法及装置 |
CN111882102A (zh) * | 2020-06-05 | 2020-11-03 | 百度在线网络技术(北京)有限公司 | 轨迹中的中断区间信息的补偿方法、设备及存储介质 |
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 |
CN115366958A (zh) * | 2022-08-25 | 2022-11-22 | 中车青岛四方机车车辆股份有限公司 | 一种自诊断方法、系统及数据管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844561A (zh) * | 2016-12-30 | 2017-06-13 | 重庆大学 | 一种基于r‑tbf的rfid冗余数据清洗策略 |
CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
CN108550261A (zh) * | 2018-05-31 | 2018-09-18 | 重庆大学 | 基于rfid电子车牌的城市交通od计算方法 |
CN108806248A (zh) * | 2018-05-31 | 2018-11-13 | 重庆大学 | 一种针对rfid电子车牌数据的车辆出行轨迹划分方法 |
WO2018222124A1 (en) * | 2017-06-01 | 2018-12-06 | Terranet Ab | Vehicular self-positioning |
-
2019
- 2019-06-24 CN CN201910549944.7A patent/CN110379159A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844561A (zh) * | 2016-12-30 | 2017-06-13 | 重庆大学 | 一种基于r‑tbf的rfid冗余数据清洗策略 |
WO2018222124A1 (en) * | 2017-06-01 | 2018-12-06 | Terranet Ab | Vehicular self-positioning |
CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
CN108550261A (zh) * | 2018-05-31 | 2018-09-18 | 重庆大学 | 基于rfid电子车牌的城市交通od计算方法 |
CN108806248A (zh) * | 2018-05-31 | 2018-11-13 | 重庆大学 | 一种针对rfid电子车牌数据的车辆出行轨迹划分方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243280A (zh) * | 2020-03-20 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种实时计算交通状态的指标的方法及装置 |
CN111243280B (zh) * | 2020-03-20 | 2021-04-13 | 青岛海信网络科技股份有限公司 | 一种实时计算交通状态的指标的方法及装置 |
CN111882102A (zh) * | 2020-06-05 | 2020-11-03 | 百度在线网络技术(北京)有限公司 | 轨迹中的中断区间信息的补偿方法、设备及存储介质 |
CN111882102B (zh) * | 2020-06-05 | 2024-03-22 | 百度在线网络技术(北京)有限公司 | 轨迹中的中断区间信息的补偿方法、设备及存储介质 |
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 |
CN115366958A (zh) * | 2022-08-25 | 2022-11-22 | 中车青岛四方机车车辆股份有限公司 | 一种自诊断方法、系统及数据管理系统 |
CN115366958B (zh) * | 2022-08-25 | 2023-08-22 | 中车青岛四方机车车辆股份有限公司 | 一种自诊断方法、系统及数据管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biswas et al. | An automatic traffic density estimation using Single Shot Detection (SSD) and MobileNet-SSD | |
CN110379159A (zh) | 基于机动车电子标识数据的出行链提取方法 | |
CN103325245A (zh) | 一种黑名单车辆的时空行驶轨迹预测方法 | |
CN113011815A (zh) | 一种货车停靠点提取方法和出行特征确定方法、装置 | |
WO2019232335A1 (en) | Methodologies, systems, and components for incremental and continual learning for scalable improvement of autonomous systems | |
Yang et al. | Identifying intercity freight trip ends of heavy trucks from GPS data | |
CN109035758B (zh) | 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法 | |
Li et al. | Modeling vehicle merging position selection behaviors based on a finite mixture of linear regression models | |
CN113326974A (zh) | 一种基于多任务超图卷积网络的多源交通流预测方法 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
Jeng et al. | Real-time vehicle classification using inductive loop signature data | |
Pan et al. | A novel vision-based framework for identifying dynamic vehicle loads on long-span bridges: A case study of Jiangyin Bridge, China | |
Smith et al. | Classification of sidewalks in street view images | |
Orozco et al. | Vehicular detection and classification for intelligent transportation system: A deep learning approach using faster R-CNN model | |
CN114049610A (zh) | 一种高速公路上机动车倒车和逆行违法行为主动发现方法 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
Al Nasim et al. | An automated approach for the recognition of bengali license plates | |
CN106157657A (zh) | 一种移动用户的运动状态识别系统及其方法 | |
Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
Gupta et al. | LSTM based real-time smart parking system | |
Darwhekar et al. | Computer vision based intelligent traffic management system | |
Bapaume et al. | Forecasting passenger flows and headway at train level for a public transport line: Focus on atypical situations | |
CN115423841A (zh) | 一种面向大宗物流的运输终点校准方法及系统 | |
Kunjir et al. | Managing Smart Urban Transportation with the integration of Big Data Analytic Platform | |
CN108596146A (zh) | 道路多目标分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
RJ01 | Rejection of invention patent application after publication |