CN110413855A - 一种基于出租车下客点的区域出入口动态提取方法 - Google Patents

一种基于出租车下客点的区域出入口动态提取方法 Download PDF

Info

Publication number
CN110413855A
CN110413855A CN201910626042.9A CN201910626042A CN110413855A CN 110413855 A CN110413855 A CN 110413855A CN 201910626042 A CN201910626042 A CN 201910626042A CN 110413855 A CN110413855 A CN 110413855A
Authority
CN
China
Prior art keywords
interest
point
area
cluster
taxi
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
CN201910626042.9A
Other languages
English (en)
Other versions
CN110413855B (zh
Inventor
周侗
钱振
陈昊烜
陶菲
陆杰
刘浩
马培龙
高丽娜
王振兴
刘润瑞
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.)
Nantong University
Original Assignee
Nantong 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 Nantong University filed Critical Nantong University
Priority to CN201910626042.9A priority Critical patent/CN110413855B/zh
Publication of CN110413855A publication Critical patent/CN110413855A/zh
Application granted granted Critical
Publication of CN110413855B publication Critical patent/CN110413855B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于出租车下客点的区域出入口动态提取方法，属于智能交通技术领域。本发明将POI数据和出租车下客点数据提取后进行预处理，然后POI数据根据位置信息和名称信息进行聚类分析，确定各个感兴趣区域，设定各个感兴趣区域的周边道路缓冲区，获取对应缓冲区的出租车下客点信息，根据该信息进行聚类，确定每个感兴趣区域的出租车下客点聚类区域，然后根据感兴趣区域的边界、感兴趣区域的区域中心和感兴趣区域对应的各个出租车下客点聚类中心确定感兴趣区域的出入口。本发明通过与出入口关联的下客点热度，提取实现常见感兴趣区域的出入口，实现了常见感兴趣区域的出入口的动态监测，可以及时发现新的出入口以及现在出入口的分布规律。

Description

一种基于出租车下客点的区域出入口动态提取方法
技术领域
本发明属于智能交通技术领域，特别涉及一种基于出租车下客点的区域出入口动态提取方法。
背景技术
近年来，城市化进程快速发展，AOI(Area of Interests，感兴趣区域，如学校、景区、医院)的出入口变动较为频繁，为引导居民的日常出行，网络地图需要做到及时更新地图要素，现有地图数据尚无法对AOI的出入口实时数据进行及时更新。
在城市环境中，出租车作为城市计算领域中极为重要的组成部分。目前，大多城市的出租车上已经安装了GPS设备，实时向数据中心发送当前位置信息，这些数据蕴含着城市交通系统的丰富信息，充分利用出租车轨迹数据挖掘可以帮助政府了解城市道路状况，交通资源与交通需求的分布，甚至道路与交通路线规划信息。
发明内容
本发明的目的是提供一种基于出租车下客点的区域出入口动态提取方法，从而实现各感兴趣区域出入口的动态提取，监测出入口的实时活跃状态。
为达到上述目的，本发明提供了一种基于出租车下客点的区域出入口动态提取方法，包括以下步骤：
获取兴趣点数据；
采用聚类算法将所述兴趣点数据进行聚类，确定多个感兴趣区域；
针对每个感兴趣区域，采集所述感兴趣区域的出租车下客点数据，并根据所述出租车下客点数据确定所述感兴趣区域的出入口位置。
进一步的，所述采用聚类算法将所述兴趣点数据进行聚类，包括：
采用二分K均值聚类算法将所述兴趣点数据按照位置信息进行一次聚类；
采用文本聚类算法将所述兴趣点数据按照名称信息进行二次聚类；
根据所述一次聚类的结果和所述二次聚类的结果确定多个聚类区域，所述聚类区域即为感兴趣区域。
进一步的，所述根据所述一次聚类的结果和所述二次聚类的结果确定多个聚类区域，包括：
根据一次聚类的结果确定每个兴趣点记录所属的聚类区域，构建一次聚类序列，所述一次聚类序列中的变量元素代表各个兴趣点记录对应的一次聚类区域类别；
根据二次聚类的结果确定每个兴趣点记录所属的聚类区域，构建二次聚类序列，所述二次聚类序列中的变量元素代表各个兴趣点记录对应的二次聚类区域类别；
将所述一次聚类序列和所述二次聚类序列分为主序列和次序列，将所述主序列中的各变量元素进行排序，使所述主序列中聚类区域类别相同的兴趣点记录靠在一起；
将经过排序的主序列中的各变量元素乘以所述次序列中对应兴趣点记录的变量元素，得到中间序列；
将所述中间序列中的各变量元素依次两两比较，并根据比较结果生成最终序列，所述最终序列中的每个变量元素即为对应的兴趣点记录所属的区域类别。
进一步的，所述采集所述感兴趣区域的出租车下客点数据，并根据所述出租车下客点数据确定所述感兴趣区域的出入口位置，具体包括：
确定感兴趣区域的周边道路缓冲区，并采集所述周边道路缓冲区中的出租车下客点数据；
采用二分K均值聚类算法对所述出租车下客点数据进行聚类，得到多个出租车下客点聚类区域；
获取所述感兴趣区域的区域中心位置信息和各个所述出租车下客点聚类区域的聚类中心位置信息，计算所述感兴趣区域对应的各个所述出租车下客点聚类区域的反距离数量权重，其中，所述位置信息为经纬度信息；
对各个所述出租车下客点聚类区域的反距离数量权重进行求和，得到所述感兴趣区域的出入口方向向量；
将所述感兴趣区域的出入口方向向量延伸至与所述感兴趣区域的边界相交于一交点，该交点即为所述感兴趣区域的出入口位置；
其中，所述反距离数量权重的计算公式如下：
上式中，IDQWl为感兴趣区域的第l个出租车下客点聚类区域的反距离数量权重，Ql为感兴趣区域的第l个出租车下客点聚类区域中的出租车下客点记录个数，Dl为感兴趣区域的区域中心与其第l个出租车下客点聚类区域的聚类中心的距离，L为感兴趣区域对应的出租车下客点聚类区域的个数，p为反距离幂参数。
进一步的，所述对各个所述出租车下客点聚类区域的反距离数量权重进行求和，得到所述感兴趣区域的出入口方向向量，包括：
以感兴趣区域的区域中心为起点，以各个所述出租车下客点聚类区域的聚类中心为终点，计算各个所述出租车下客点聚类区域的方向；
根据计算得到的各个所述出租车下客点聚类区域的方向对各个所述所述出租车下客点聚类区域的反距离权重按如下公式求和得到所述感兴趣区域的出入口方向向量；
其中，Direction表示感兴趣区域的出入口方向向量，cdpjx为感兴趣区域的第l个出租车下客点聚类区域的聚类中心的经度数值，cdpjy为感兴趣区域的第l个出租车下客点聚类区域的聚类中心的纬度数值，poicx为感兴趣区域的区域中心的经度数值，poicy为感兴趣区域的区域中心的纬度数值，为感兴趣区域的第l个出租车下客点聚类区域的反距离数量权重，L为感兴趣区域对应的出租车下客点聚类区域的个数。
本发明提供的基于出租车下客点的区域出入口动态提取方法，可根据现有的POI数据进行位置信息聚类和名称信息聚类，准确确定AOI区域，解决了现有POI数据属性以及地理关系信息中缺少AOI相关信息的问题。另外，本发明的基于出租车下客点的区域出入口动态提取方法，针对出租车下客点数据位置信息进行聚类，提取车辆聚类中心，并对POI数据的位置以及文本名称数据分别聚类并合并聚类结果，提取 POI聚类中心。基于车辆聚类中心和POI聚类中心计算出租车下客点聚类区域的方向向量，赋予相应权重，并出租车下客点聚类区域的方向向量求和计算区域的出入口方向向量，最终对出入口方向向量实例化交于相应的AOI边界处，其交点作为出入口位置。这种方式能够提取出区域热点出入口，可便于相关人员进行针对性管理，此外，本发明提出的出入口动态提取方法能够有效优化网络地图服务更新地图要素的技术方法，可减少人力物力开销。
附图说明
图1是本发明实施例提供的区域出入口动态提取方法流程图；
图2是本发明实施例提供的区域出入口动态提取方法得到的AOI出入口精度示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本申请实施例提供的基于出租车下客点的区域出入口动态提取方法，具体包括以下步骤：
S1：获取兴趣点数据。
本申请使用网络地图提供的开放兴趣点获取接口，利用网络爬虫技术，基于特定关键词以及地理方位爬取城市中的感兴趣点数据。
举例来说，若想获取江苏省南通市的所有医院兴趣点数据，首先需要获取南通市的坐标范围，以坐标范围和“医院”关键字为主要参数，并获得网络地图的相应许可，最终编写爬虫程序进行批量获取数据。
对于获得的兴趣点数据，还需要进行数据清洗，具体过程为：
(1)地理范围筛选。因兴趣点通过网络地图接口获取，部分数据存在地理范围越界问题，需在地理信息系统软件中对该部分数据进行编辑剔除。
(2)文件格式转换。原始兴趣点数据为文本格式，不易于在地理信息系统软件中进行空间分析，需将该类文件转换为图形文件(ShapeFile)，便于空间分析和可视化操作。
(3)地图匹配。兴趣点数据的空间参考与其他步骤中的数据空间参考不一致，导致空间分析时其位置无法相互匹配，因此需将数据转换为相应的地理坐标系，并进行几何校正。
S2：采用聚类算法将所述兴趣点数据进行聚类，确定多个感兴趣区域。
本发明结合二分K均值算法和文本聚类算法对兴趣点数据的位置和文本名称信息进行聚类，以确定感兴趣区域，具体为：
步骤S21：采用二分K均值聚类算法将兴趣点数据按照位置信息进行一次聚类，构建一次聚类序列；
以兴趣点数据中的经纬度数据集LLpoi＝{(lon1,lat1),(lon2,lat2),…,(loni,lati)…,(lonn,latn)}为样本，其中loni为经度，lati为纬度，使用二分K均值算法进行聚类，构建一次聚类序列ClusterA＝{ca1,ca2,…,cai,…,can}，其中 cai为第i个兴趣点记录对应的一次聚类区域类别，i＝1,…,n，n为兴趣点数据中包含的兴趣点的个数。
步骤S22：采用文本聚类算法将兴趣点数据按照名称信息进行二次聚类，构建二次聚类序列；
以兴趣点数据中的文本名称数据集N＝{name1,name2…,namei,…,namen}为样本进行文本聚类，构建二次聚类序列ClusterB＝{cb1,cb2,…,cbi,…,cbn}，其中cbi为第i个兴趣点记录对应的二次聚类区域类别，i＝1,…,n， n为兴趣点数据中包含的兴趣点的个数。
步骤S23：根据一次聚类序列和二次聚类序列确定多个聚类区域；
将一次聚类序列和二次聚类序列分为主序列和次序列，将所述主序列中的各变量元素进行排序，使所述主序列中聚类区域类别相同的兴趣点记录靠在一起；
将经过排序的主序列中的各变量元素乘以所述次序列中对应兴趣点记录的变量元素，得到中间序列；
将所述中间序列中的各变量元素依次两两比较，并根据比较结果生成最终序列，所述最终序列中的每个变量元素即为对应的兴趣点记录所属的区域类别。
以ClusterA为主序列、ClusterB为次序列为例，进行以下操作：
对序列ClusterA进行排序，然后将排序后的ClusterA中各个变量元素乘以次序列ClusterB中对应兴趣点记录的变量元素，得到中间序列M＝{ca1*cb1,ca2*cb2,…,cai*cbi,…,can*cbn}。
创建序列ClusterC＝{0,0,…0,…,0}(容量为n)和循环变量k＝1，遍历M，若M中的元素发生改变，ClusterC对应位置赋予k，k递增。伪代码如下：
最终，得到最终序列ClusterC＝{c1,c2,…,ci,…,cn}，其中ci为最终得到的第i个兴趣点记录对应的聚类区域类别，i＝1,…,n，n为兴趣点数据中包含的兴趣点的个数。
完成以上步骤，便可将所有的感兴趣点(POI)划分为若干个感兴趣区域。
S3：针对每个感兴趣区域，采集所述感兴趣区域的出租车下客点数据，并根据所述出租车下客点数据确定所述感兴趣区域的出入口位置。
通过采集每个感兴趣区域的出租车下客点数据，分析对应感兴趣区域的出入口位置，具体包括以下步骤：
步骤S31：确定感兴趣区域的周边道路缓冲区，并采集所述周边道路缓冲区中的出租车下客点数据；
首先，利用出租车轨迹数据提取出租车下客记录。
具体为：先剔除出租车轨迹数据中车辆记录为空且地理位置有误的数据，然后利用经过剔除清洗后的出租车轨迹数据的状态变化，提取出租车上下客记录。其中，出租车轨迹数据由无数个GPS数据点组成，将每辆出租车一次上下客记录的GPS点关联在一起，便构成了出租车的一次载客行驶轨迹。根据数据中的载客状态属性(“空车”为空载状态，“重车”为载客状态，“重车”→“空车”为一次下客记录。)得到出租车的下客事件信息，并将其进行提取。
然后，筛选道路等级为II、III、IV级的道路，编辑成为AOI周边道路，以AOI周边道路为基准，对其做半径为50米的缓冲区面域，保留被拓扑包含于该面域内的下客点，该下客点数据即为AOI周边道路缓冲区中的出租车下客点数据。
步骤S32：采用二分K均值聚类算法对出租车下客点数据进行聚类，得到多个出租车下客点聚类区域；
在地理信息系统软件中，对下客点数据和AOI数据进一步进行空间关联，即下客点数据绑定对应位置 AOI的属性。提取关联后的下客点数据中的经纬度数据集DLLj＝{(Dlonj1,Dlatj1), (Dlonj2,Dlatj2),…,(Dlonji,Dlatji)…,(Dlonjm,Dlatjm)}为样本，其中Dlonji为第j个AOI区域对应的第i个下客点的经度，Dlati为第j个AOI区域第i个下客点的纬度，使用二分K均值算法进行聚类，构建聚类序列DCluster＝{dpj1, dpj2,…,dpji,…,dpjm}，其中dpji为第j个AOI区域对应的第i个下客点对应的聚类区域类别，i＝1,…,m，m为第j个AOI区域对应的下客点的个数。
步骤S33：获取所述感兴趣区域的区域中心位置信息和各个所述出租车下客点聚类区域的聚类中心位置信息，计算所述感兴趣区域对应的各个所述出租车下客点聚类区域的反距离数量权重，其中，所述位置信息为经纬度信息；
其中，所述反距离数量权重的计算公式如下：
上式中，IDQWl为感兴趣区域的第l个出租车下客点聚类区域的反距离数量权重，Ql为感兴趣区域的第l个出租车下客点聚类区域中的出租车下客点记录个数，Dl为感兴趣区域的区域中心与其第l个出租车下客点聚类区域的聚类中心的距离，L为感兴趣区域对应的出租车下客点聚类区域的个数，p为反距离幂参数。
具体计算步骤如下：
针对第j个感兴趣区域(AOI)，j＝1,…,Z：
首先，计算获取第j个感兴趣区域的区域中心的位置信息poicj(poicjx,poicjy)，poicjx为第j个AOI 区域中心的经度值，poicjy为第j个AOI区域中心的纬度值，其中Z为AOI的个数；针对第j个AOI计算对应的下客点聚类区域的聚类中心的位置信息cdpjl(cdpjlx,cdpjly)，cdpjlx为第j个AOI对应的第l个下客点聚类区域的聚类中心的经度值，cdpjly为第j个AOI对应的第l个下客点聚类区域的聚类中心的纬度值。
然后，根据以下计算公式计算每个AOI区域中心与其对应的各个出租车下客点聚类区域的聚类中心的距离。
其中，Dj,l第j个AOI的区域中心与其对应的第l个出租车下客点聚类区域的聚类中心的距离。
上式中，IDQWj,l为第j个AOI对应的第l个出租车下客点聚类区域的反距离数量权重，Ql为第j个 AOI对应的第l个出租车下客点聚类区域中的出租车下客点记录个数，L为第j个AOI对应的出租车下客点聚类区域的个数，p为反距离幂参数。
步骤S34：对各个出租车下客点聚类区域的反距离数量权重进行求和，得到对应的AOI的出入口方向向量；
以感兴趣区域的区域中心为起点，以各个所述出租车下客点聚类区域的聚类中心为终点，计算各个所述出租车下客点聚类区域的方向，然后根据计算得到的各个所述出租车下客点聚类区域的方向对各个所述所述出租车下客点聚类区域的反距离权重按如下公式求和得到所述感兴趣区域的出入口方向向量；
其中，Direction表示感兴趣区域的出入口方向向量，cdpjx为感兴趣区域的第l个出租车下客点聚类区域的聚类中心的经度数值，cdpjy为感兴趣区域的第l个出租车下客点聚类区域的聚类中心的纬度数值， poicx为感兴趣区域的区域中心的经度数值，poicy为感兴趣区域的区域中心的纬度数值，IDQWj为感兴趣区域的第l个出租车下客点聚类区域的反距离数量权重，L为感兴趣区域对应的出租车下客点聚类区域的个数。
具体计算过程为：
针对第j个感兴趣区域(AOI)，j＝1,…,Z：
以poicj为起点，dpcl为终点，计算向量集
伪代码如下：
按如下公式计算vj,l的总和作为各个AOI的出入口方向向量Directionj：
步骤S35：将所述感兴趣区域的出入口方向向量延伸至与所述感兴趣区域的边界相交于一交点，该交点即为所述感兴趣区域的出入口位置；
延伸Directionj并交第j个AOI的边界于点ej作为第j个AOI出入口位置。
下面结合实际应用场景对本发明实施例提供的技术方案进行详细说明。
本发明实施例中所用到数据的地理范围为江苏省南通市崇川区，以医院为关键字获取兴趣点数据，并基于兴趣点提取相应位置的AOI，实验对象为南通大学附属医院等4所三甲医院，在ArcGIS中利用 Python实现提取方法并进行验证。具体实验环境为：ArcGIS10.6+Python2.7.14+Pycharm。其中，POI 数据，AOI数据和路网数据分别利用网络爬虫通过高德地图API获取；车辆数据为2018年11月南通市区1455辆出租车运营轨迹数据。
依据方案的步骤，对经预处理的下客点以及POI数据进行聚类，其中在使用二分K均值算法对经空间关联的下客点聚类时，需确定较优的K值，本申请使用“手肘法”对各层下客点进行测试，对比各层下客点数据的SSE与K的关系，分析确定较优K值，具体为：K医院＝4。
在提取每类AOI的出入口位置时，IDQW中的距离权重p需根据数据特性，经对比实验选择合理数值。在本申请中，通过利用地理信息系统软件对提取出入口位置和实际出入口位置进行测量，计算位置偏差以衡量提取效果，分析根据不同距离权重p提取的出入口位置与实际位置的偏差，如表1所示，当p 取3时位置整体偏差较小，平均偏差为9.5米，提取效果较好，实验结果如图2所示。
表1不同距离权重的提取效果比较
Table2 Comparison of theextraction effects of different distanceweights
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种基于出租车下客点的区域出入口动态提取方法，其特征在于，包括如下步骤：
获取兴趣点数据；
采用聚类算法将所述兴趣点数据进行聚类，确定多个感兴趣区域；
针对每个感兴趣区域，采集所述感兴趣区域的出租车下客点数据，并根据所述出租车下客点数据确定所述感兴趣区域的出入口位置。
2.根据权利要求1所述的区域出入口动态提取方法，其特征在于，所述采用聚类算法将所述兴趣点数据进行聚类，包括：
采用二分K均值聚类算法将所述兴趣点数据按照位置信息进行一次聚类；
采用文本聚类算法将所述兴趣点数据按照名称信息进行二次聚类；
根据所述一次聚类的结果和所述二次聚类的结果确定多个聚类区域，所述聚类区域即为感兴趣区域。
3.根据权利要求2所述的区域出入口动态提取方法，其特征在于，所述根据所述一次聚类的结果和所述二次聚类的结果确定多个聚类区域，包括：
根据一次聚类的结果确定每个兴趣点记录所属的聚类区域，构建一次聚类序列，所述一次聚类序列中的变量元素代表各个兴趣点记录对应的一次聚类区域类别；
根据二次聚类的结果确定每个兴趣点记录所属的聚类区域，构建二次聚类序列，所述二次聚类序列中的变量元素代表各个兴趣点记录对应的二次聚类区域类别；
将所述一次聚类序列和所述二次聚类序列分为主序列和次序列，将所述主序列中的各变量元素进行排序，使所述主序列中聚类区域类别相同的兴趣点记录靠在一起；
将经过排序的主序列中的各变量元素乘以所述次序列中对应兴趣点记录的变量元素，得到中间序列；
将所述中间序列中的各变量元素依次两两比较，并根据比较结果生成最终序列，所述最终序列中的每个变量元素即为对应的兴趣点记录所属的区域类别。
4.根据权利要求1所述的区域出入口动态提取方法，其特征在于，所述采集所述感兴趣区域的出租车下客点数据，并根据所述出租车下客点数据确定所述感兴趣区域的出入口位置，具体包括：
确定感兴趣区域的周边道路缓冲区，并采集所述周边道路缓冲区中的出租车下客点数据；
采用二分K均值聚类算法对所述出租车下客点数据进行聚类，得到多个出租车下客点聚类区域；
获取所述感兴趣区域的区域中心位置信息和各个所述出租车下客点聚类区域的聚类中心位置信息，计算所述感兴趣区域对应的各个所述出租车下客点聚类区域的反距离数量权重，其中，所述位置信息为经纬度信息；
对各个所述出租车下客点聚类区域的反距离数量权重进行求和，得到所述感兴趣区域的出入口方向向量；
将所述感兴趣区域的出入口方向向量延伸至与所述感兴趣区域的边界相交于一交点，该交点即为所述感兴趣区域的出入口位置；
其中，所述反距离数量权重的计算公式如下：
上式中，IDQWl为感兴趣区域的第l个出租车下客点聚类区域的反距离数量权重，Ql为感兴趣区域的第l个出租车下客点聚类区域中的出租车下客点记录个数，Dl为感兴趣区域的区域中心与其第l个出租车下客点聚类区域的聚类中心的距离，L为感兴趣区域对应的出租车下客点聚类区域的个数，p为反距离幂参数。
5.根据权利要求4所述的区域出入口动态提取方法，其特征在于，所述对各个所述出租车下客点聚类区域的反距离数量权重进行求和，得到所述感兴趣区域的出入口方向向量，包括：
以感兴趣区域的区域中心为起点，以各个所述出租车下客点聚类区域的聚类中心为终点，计算各个所述出租车下客点聚类区域的方向；
根据计算得到的各个所述出租车下客点聚类区域的方向对各个所述所述出租车下客点聚类区域的反距离权重按如下公式求和得到所述感兴趣区域的出入口方向向量；
其中，Direction表示感兴趣区域的出入口方向向量，cdpjx为感兴趣区域的第l个出租车下客点聚类区域的聚类中心的经度数值，cdpjy为感兴趣区域的第l个出租车下客点聚类区域的聚类中心的纬度数值，poicx为感兴趣区域的区域中心的经度数值，poicy为感兴趣区域的区域中心的纬度数值，IDQWl为感兴趣区域的第l个出租车下客点聚类区域的反距离数量权重，L为感兴趣区域对应的出租车下客点聚类区域的个数。
CN201910626042.9A 2019-07-11 2019-07-11 一种基于出租车下客点的区域出入口动态提取方法 Active CN110413855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910626042.9A CN110413855B (zh) 2019-07-11 2019-07-11 一种基于出租车下客点的区域出入口动态提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910626042.9A CN110413855B (zh) 2019-07-11 2019-07-11 一种基于出租车下客点的区域出入口动态提取方法

Publications (2)

Publication Number Publication Date
CN110413855A true CN110413855A (zh) 2019-11-05
CN110413855B CN110413855B (zh) 2023-02-24

Family

ID=68361115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910626042.9A Active CN110413855B (zh) 2019-07-11 2019-07-11 一种基于出租车下客点的区域出入口动态提取方法

Country Status (1)

Country Link
CN (1) CN110413855B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859175A (zh) * 2020-03-06 2020-10-30 北京嘀嘀无限科技发展有限公司 一种推荐上车点的方法和系统
CN112115222A (zh) * 2020-09-08 2020-12-22 北京百度网讯科技有限公司 兴趣点显示方法、装置、电子设备和存储介质
CN112417273A (zh) * 2020-11-17 2021-02-26 平安科技（深圳）有限公司 区域画像图生成方法、装置、计算机设备及存储介质
CN113739814A (zh) * 2021-08-27 2021-12-03 南通大学 一种基于出租车轨迹序列的乘客下客点提取优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040179736A1 (en) * 2001-05-26 2004-09-16 Yin Jia Hong Automatic classification and/or counting system
CN108417023A (zh) * 2018-05-02 2018-08-17 长安大学 基于出租车上下客点空间聚类的交通小区中心点选取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040179736A1 (en) * 2001-05-26 2004-09-16 Yin Jia Hong Automatic classification and/or counting system
CN108417023A (zh) * 2018-05-02 2018-08-17 长安大学 基于出租车上下客点空间聚类的交通小区中心点选取方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859175A (zh) * 2020-03-06 2020-10-30 北京嘀嘀无限科技发展有限公司 一种推荐上车点的方法和系统
CN112115222A (zh) * 2020-09-08 2020-12-22 北京百度网讯科技有限公司 兴趣点显示方法、装置、电子设备和存储介质
CN112115222B (zh) * 2020-09-08 2024-03-08 北京百度网讯科技有限公司 兴趣点显示方法、装置、电子设备和存储介质
CN112417273A (zh) * 2020-11-17 2021-02-26 平安科技（深圳）有限公司 区域画像图生成方法、装置、计算机设备及存储介质
CN112417273B (zh) * 2020-11-17 2022-04-19 平安科技（深圳）有限公司 区域画像图生成方法、装置、计算机设备及存储介质
CN113739814A (zh) * 2021-08-27 2021-12-03 南通大学 一种基于出租车轨迹序列的乘客下客点提取优化方法
CN113739814B (zh) * 2021-08-27 2023-09-26 南通大学 一种基于出租车轨迹序列的乘客下客点提取优化方法

Also Published As

Publication number Publication date
CN110413855B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
CN107134142B (zh) 一种基于多源数据融合的城市道路流量预测方法
CN110413855A (zh) 一种基于出租车下客点的区域出入口动态提取方法
CN110298500B (zh) 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法
CN102332210B (zh) 基于手机定位数据的实时城市道路交通流数据提取方法
CN104330089B (zh) 一种利用历史gps数据进行地图匹配的方法
CN108427965A (zh) 一种基于路网聚类的热点区域挖掘方法
Yang et al. Impact of accessibility on housing prices in Dalian city of China based on a geographically weighted regression model
CN104318324B (zh) 基于出租车gps记录的机场巴士站点及路线规划方法
CN112133090A (zh) 一种基于手机信令数据的多方式交通分布模型构建方法
Yao et al. Discovering the homogeneous geographic domain of human perceptions from street view images
CN108053240B (zh) 生成车载广告投放公交线路方案的方法及装置
Shang et al. Estimating building-scale population using multi-source spatial data
Thériault et al. Modelling commuter trip length and duration within GIS: Application to an OD survey
WO2023050955A1 (zh) 一种基于功能混合度和集成学习的城市功能区识别方法
CN109686091A (zh) 一种基于多源数据融合的交通流量填补算法
CN112000755B (zh) 一种基于手机信令数据的区域出行廊道识别方法
Zhang et al. Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis
CN105844031B (zh) 一种基于手机定位数据的城市交通廊道识别方法
CN111062446A (zh) 基于多源国土资源数据的土地类型分类方法
CN115100012A (zh) 一种轨道交通站点步行可达性计算方法
CN106547862A (zh) 基于流形学习的交通大数据降维处理方法
CN109712402A (zh) 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
Soe et al. Haversine formula and RPA algorithm for navigation system
CN109800903A (zh) 一种基于出租车轨迹数据的盈利路线规划方法
CN111400877B (zh) 一种基于gis数据的智能城市仿真系统和方法

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
GR01 Patent grant
GR01 Patent grant