CN110458459A - 交通数据的可视化分析方法、装置、设备及可读存储介质 - Google Patents
交通数据的可视化分析方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110458459A CN110458459A CN201910748169.8A CN201910748169A CN110458459A CN 110458459 A CN110458459 A CN 110458459A CN 201910748169 A CN201910748169 A CN 201910748169A CN 110458459 A CN110458459 A CN 110458459A
- Authority
- CN
- China
- Prior art keywords
- group
- traffic data
- visualization
- association
- object time
- 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
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 74
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000012800 visualization Methods 0.000 claims abstract description 147
- 238000013480 data collection Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000011161 development Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 5
- 238000006116 polymerization reaction Methods 0.000 description 5
- 238000009412 basement excavation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000736199 Paeonia Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- LGZXYFMMLRYXLK-UHFFFAOYSA-N mercury(2+);sulfide Chemical compound [S-2].[Hg+2] LGZXYFMMLRYXLK-UHFFFAOYSA-N 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种交通数据的可视化分析方法、装置、设备及可读存储介质,该方法包括:在预设采样周期内采集目标区域的交通数据集,并从交通数据集中提取各目标时刻的交通数据;对每个目标时刻的交通数据中的各目标物进行地理位置聚类,以将每个目标时刻的各目标物聚合成若干个基于不同地理位置的群组;为每个目标时刻的每个群组生成可视化图标;对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,生成关联演变群组的可视化图标之间的可视化关联纽带;在目标区域的电子地图上,显示每个目标时刻的每个群组的可视化图标,在关联演变群组的可视化图标之间显示所述可视化关联纽带。本发明能够在发生异常时帮助决策者快速作出决策。
Description
技术领域
本发明涉及数据分析领域,尤其涉及交通数据的可视化分析方法、装置、设备及可读存储介质。
背景技术
随着城市人口的急剧增加,交通流量大幅度增长,尤其是城市热区,或者,大型马拉松赛事场景中,交通流量会在短时间内剧增。目前,仅会对这些热门区域的实时交通流信息(包括车速、人或车流量、紧急事件报警等)进行监控,在异常(比如车祸、车辆刮擦、行人闯入马路、运动员受伤等)发生的情况下,决策者需耗费更多的时间和资源,才能够做出决策。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种交通数据的可视化分析方法、装置、设备及可读存储介质,旨在解决仅对实时交通流信息进行监控的方式,无法在发生异常时帮助决策者快速作出决策的技术问题。
为实现上述目的,本发明提供一种交通数据的可视化分析方法,其特征在于,所述方法包括以下步骤:
在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据;
对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组;
为每个目标时刻对应的每个群组生成可视化图标,所述可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;
对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并生成所述关联演变群组的可视化图标之间的可视化关联纽带,所述可视化关联纽带包含所述关联演变群组的关联程度以及所述关联演变群组在相邻时刻的演变方向和轨迹;
在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在所述关联演变群组的可视化图标之间显示所述可视化关联纽带。
可选地,所述对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组的步骤包括:
从每个目标时刻的所述交通数据中,获取各目标物的地理位置;
根据每个目标时刻的所述各目标物的地理位置,采用混合聚类算法对每个目标时刻的所述各目标物进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组。
可选地,所述根据每个目标时刻的所述各目标物的地理位置,采用混合聚类算法对每个目标时刻的所述各目标物进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组的步骤包括:
采用第一聚类算法,对每个目标时刻的所述各目标物的地理位置进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的初始群组;
采用第二聚类算法,计算每个目标时刻对应的每个初始群组的中心地理位置,将每个目标时刻对应的每个初始群组的所述中心地理位置作为聚类中心,对每个目标时刻的所述各目标物的地理位置进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组。
可选地,所述对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组的步骤包括:
将相邻时刻的群组进行比对,以确定相邻时刻的群组中目标物的重合率;
将相邻时刻目标物的重合率达到预设阈值的群组,确定为匹配成功的群组,将匹配成功的群组作为关联演变群组。
可选地,所述生成所述关联演变群组的可视化图标之间的可视化关联纽带的步骤包括:
根据所述关联演变群组中目标物的重合率,确定所述关联演变群组在相邻时刻的关联程度;
基于所述关联演变群组在相邻时刻的关联程度,生成所述关联演变群组的可视化图标之间的可视化关联纽带。
可选地,所述在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标的步骤包括:
获取所述目标区域的电子地图;
在所述目标区域的电子地图上,确定每个目标时刻对应的每个群组的中心地理位置,以每个目标时刻对应的每个群组的所述中心地理位置为中心,显示每个目标时刻对应的每个群组的可视化图标。
可选地,所述在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标的步骤之后,还包括:
在接收到作用于关联演变群组中任一群组对应可视化图标的选择指令时,在所述目标区域的电子地图上,查找关联演变群组中另一群组对应的可视化图标;
在所述选择指令对应的可视化图标和查找到的可视化图标之间显示所述可视化关联纽带。
此外,为实现上述目的,本发明还提供一种交通数据的可视化分析装置,所述交通数据的可视化分析装置包括:
提取模块,用于在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据;
聚类模块,用于对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组;
生成模块,用于为每个目标时刻对应的每个群组生成可视化图标,所述可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;
匹配模块,用于对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并生成所述关联演变群组的可视化图标之间的可视化关联纽带,所述可视化关联纽带包含所述关联演变群组的关联程度以及所述关联演变群组在相邻时刻的演变方向和轨迹;
显示模块,用于在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在所述关联演变群组的可视化图标之间显示所述可视化关联纽带。
此外,为实现上述目的,本发明还提供一种交通数据的可视化分析设备,所述交通数据的可视化分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的交通数据的可视化程序,其中所述交通数据的可视化分析程序被所述处理器执行时,实现如上所述的交通数据的可视化分析方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有交通数据的可视化分析程序,所述交通数据的可视化分析程序被处理器执行时实现如上所述的交通数据的可视化分析方法的步骤。
本发明提供一种交通数据的可视化分析方法、装置、设备及可读存储介质,在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从交通数据集中提取各目标时刻的交通数据;对每个目标时刻的交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的各目标物聚合成若干个基于不同地理位置的群组,从而实现了对交通数据集的时序性挖掘;之后,为每个目标时刻对应的每个群组生成可视化图标,该可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并根据关联演变群组的关联程度,生成关联演变群组的可视化图标之间的可视化关联纽带,该可视化关联纽带包含关联演变群组的关联程度以及关联演变群组在相邻时刻的演变方向和轨迹;在目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在关联演变群组的可视化图标之间显示可视化关联纽带,实现了对挖掘结果的可视化呈现,从而实现了对挖掘结果的空间性分析,那么在异常情况发生时,决策者便可直接从可视化挖掘结果中发现交通规律,利于决策者掌握发生异常情况的原因,最终为决策提供分析与支持,进而实现对异常情况的及时响应及处理。
附图说明
图1是本发明实施例方案涉及的交通数据的可视化分析设备的硬件结构示意图;
图2为本发明交通数据的可视化分析方法第一实施例的流程示意图;
图3为本发明交通数据的可视化分析方法第一实施例涉及的可视化圆形气泡示例;
图4为本发明交通数据的可视化分析方法第一实施例涉及的连接关联演变群组的可视化关联纽带的示例;
图5为本发明交通数据的可视化分析方法第一实施例涉及的在目标区域的电子地图显示挖掘结果的示意图;
图6为本发明本发明交通数据的可视化分析装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据;对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组;为每个目标时刻对应的每个群组生成可视化图标,所述可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并生成所述关联演变群组的可视化图标之间的可视化关联纽带,所述可视化关联纽带包含所述关联演变群组的关联程度以及所述关联演变群组在相邻时刻的演变方向和轨迹;在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在所述关联演变群组的可视化图标之间显示所述可视化关联纽带。以解决仅对实时交通流信息进行监控的方式,无法在发生异常时帮助决策者快速作出决策的技术问题。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例涉及的交通数据的可视化分析方法可以由交通数据的可视化分析设备实现,该交通数据的可视化分析设备可以是PC、服务器等具有数据处理功能的设备。
参照图1,图1为本发明实施例方案中涉及的交通数据的可视化分析设备的硬件结构示意图。本发明实施例中,交通数据的可视化分析设备可以包括处理器1001(例如中央处理器Central Processing Unit、CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口);存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种可读存储介质的存储器1005可以包括操作系统、网络通信模块以及交通数据的可视化分析程序。在图1中,网络通信模块主要用于连接服务器,与服务器进行数据通信;而处理器1001可以调用存储器1005中存储的交通数据的可视化分析程序,并执行本发明实施例提供的交通数据的可视化分析方法。
本发明实施例提供了一种交通数据的可视化分析方法。
参照图2,图2为本发明交通数据的可视化分析方法第一实施例的流程示意图。
本实施例中,该交通数据的可视化分析方法由交通数据的可视化分析设备实现,该交通数据的可视化分析设备可以是PC、服务器等终端设备,可选为图1所示的设备,该交通数据的可视化分析方法包括以下步骤:
步骤S10,在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据;
步骤S20,对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组;
步骤S30,为每个目标时刻对应的每个群组生成可视化图标,所述可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;
步骤S40,对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并生成所述关联演变群组的可视化图标之间的可视化关联纽带,所述可视化关联纽带包含所述关联演变群组的关联程度以及所述关联演变群组在相邻时刻的演变方向和轨迹;
步骤S50,在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在所述关联演变群组的可视化图标之间显示所述可视化关联纽带。
本实施例通过对采样周期内的交通数据集进行时序性挖掘,再对挖掘结果结果进行可视化呈现,实现对挖掘结果的空间性分析,那么在异常情况发生时,决策者便可直接从可视化挖掘结果中发现交通规律,利于决策者掌握发生异常情况的原因,最终为决策提供分析与支持,进而实现对异常情况的及时响应及处理。
以下详细介绍本实施例实现交通数据的可视化分析的具体步骤:
步骤S10,在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据;
首先,在预设采样周期T内,采集目标区域的交通数据集,其中,目标区域可以是含指定面积的指定区域,比如某个城市市中心方圆十公里的区域、马拉松赛场等,该交通数据集包含采样周期T内每一时刻的交通数据,每一时刻的交通数据包括目标物及其地理位置,目标物可以是车辆或行人等,目标物的地理位置具体可以是经纬度信息。
之后,按照预设时间间隔,从交通数据集中提取多个目标时刻的交通数据,比如,以采样周期为1小时为例,对于10:00-11:00之间的交通数据集,每间隔10分钟作为一个目标时刻,依次提取10:10、10:20、10:30、10:40、10:50、11:00这6个目标时刻的交通数据。
步骤S20,对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组;
进一步地,对每个目标时刻的交通数据中所包含的各目标物,进行地理位置聚类,从而将每个目标时刻的交通数据中所包含的各目标物,聚合成若干个基于不同地理位置的群组。作为一种实施方式,所述步骤S20包括:
A、从每个目标时刻的所述交通数据中,获取各目标物的地理位置;
B、根据每个目标时刻的所述各目标物的地理位置,采用混合聚类算法对每个目标时刻的所述各目标物进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组。
即,先从每个目标时刻的交通数据中,获取各目标物对应的地理位置,为提高聚类结果的准确性,根据每个时刻的各目标物的地理位置,采用混合聚类算法,对每个目标时刻对应的各目标物进行聚类,从而将每个目标时刻对应的各目标物,聚合成若干个基于不同地理位置的群组,由此,实现了对交通数据集的时序性挖掘。
在更多的实施中,考虑到采集的交通数据集存在误差,会影响挖掘效果,由此,在所述按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据的步骤之前,还需对交通数据集进行校准处理,具体地,判断采集的交通数据集是否与目标区域的电子地图匹配,如果不匹配,则对交通数据集进行拟合、补缺、删除冗余数据、去噪和/或增强处理,如此,再从校准处理后的交通数据集提取各目标时刻的交通数据进行挖掘,将大大提升挖掘效果。
步骤S30,为每个目标时刻对应的每个群组生成可视化图标,所述可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;
进一步地,为了更直观地体现每个时刻对应的各群组的信息,为每个目标时刻对应的各群组生成对应的可视化图标,该可视化图标包含相应目标时刻,以及,相应群组的平均运动速度和相应群组中目标物的总数。该可视化图标可选为预设大小的圆形气泡,以气泡边框的颜色映射相应群组的平均运动速度,以气泡的半径映射相应群组中目标物的总数,还在气泡中以数字标识相应群组中目标物的总数和相应的目标时刻,可参照图3,图3为可视化气泡的示例示意图。
以可视化图标为预设大小的圆形气泡为例说明步骤S30,具体地,需预先建立气泡边框颜色与平均运动速度之间的映射表,比如平均运动速度为0~10Km/h对应深红色,平均运动速度为10~20Km/h对应红色,平均运动速度为20~30Km/h对应橘红色。而对于每个目标时刻对应的各群组的平均运动速度的计算,可以在步骤S20之前,先对交通数据集中各目标物进行标识,再计算交通数据集中各目标物的平均运动速度,即,对于每个目标物,可以在目标区域中选取相应的两个坐标点,计算其在两个坐标点之间的平均运动速度,然后建立交通数据集中各目标物的标识与各目标物的平均运动速度的映射表,那么步骤S20之后,便可从交通数据集中各目标物的标识与各目标物的平均运动速度的映射表中,查询每个目标时刻对应的各群组中各目标物的平均运动速度,对每个目标时刻对应的各群组中各目标物的平均运动速度取均值,作为每个目标时刻对应的各群组的平均运动速度。之后,从前述气泡边框颜色与平均运动速度之间的映射表中,匹配每个目标时刻对应的各群组的平均运动速度对应的颜色,结合每个目标时刻和每个目标时刻对应的各群组中目标物的总数生成可视化的圆形气泡。
步骤S40,对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并生成所述关联演变群组的可视化图标之间的可视化关联纽带,所述可视化关联纽带包含所述关联演变群组的关联程度以及所述关联演变群组在相邻时刻的演变方向和轨迹;
之后,将相邻时刻的群组进行匹配,以对相邻目标时刻的群组进行关联演变分析。
作为一种实施方式,所述对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组的步骤包括:
C、将相邻时刻的群组进行比对,以确定相邻时刻的群组中目标物的重合率;
D、将相邻时刻目标物的重合率达到预设阈值的群组,确定为匹配成功的群组,将匹配成功的群组作为关联演变群组。
即,将相邻时刻的群组进行比对,确定相邻时刻的群组中目标物的重合率,对于相邻时刻所包含的目标物重合率达到预设阈值的的群组,则确认为匹配成功,将匹配成功的群组作为关联演变群组,为方便理解,以10:10的群组x和10:20的群组y为例,若二者中包含的目标物重合率为70%,达到阈值60%,说明10:10到10:20之间,有70%的目标物从目标区域中的一个地点移动到下一个地点,认为10:10的群组x演变成了10:20的群组y。
进一步地,所述生成所述关联演变群组的可视化图标之间的可视化关联纽带的步骤包括:
E、根据所述关联演变群组中目标物的重合率,确定所述关联演变群组在相邻时刻的关联程度;
F、基于所述关联演变群组在相邻时刻的关联程度,生成所述关联演变群组的可视化图标之间的可视化关联纽带。
目标物重合率用于表示关联演变群组之间的关联程度,以10:10的群组m和10:20群组n为例,若二者中包含的目标物重合率为85%,表示二者的关联程度为85%,说明10:10到10:20之间,有85%的目标物从目标区域中的一个地点移动到下一个地点,认为10:10的群组m演变成了10:20的群组n,为了表示这个演变过程,基于关联程度生成一个可视化关联纽带,可视化关联纽带可以是可视化柱状连线,用于连接关联演变群组的可视化图标,可视化柱状连线的颜色映射关联演变群组的平均运动速度(因关联演变群组中目标物),可视化柱状连线的粗细映射关联演变群组的关联程度,示意图参照图4。
步骤S50,在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在所述关联演变群组的可视化图标之间显示所述可视化关联纽带。
所述在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标的步骤包括:
G、获取所述目标区域的电子地图;
H、在所述目标区域的电子地图上,确定每个目标时刻对应的每个群组的中心地理位置,以每个目标时刻对应的每个群组的所述中心地理位置为中心,显示每个目标时刻对应的每个群组的可视化图标。
即,首先获取目标区域的电子地图,然后在目标区域的电子地图上,确定每个目标时刻对应的每个群组的中心地理位置,以每个目标时刻对应的每个群组的所述中心地理位置为中心,显示每个目标时刻对应的每个群组的可视化图标。继续以可视化图标为预设大小的圆形气泡为例说明,即,以每个目标时刻对应的每个群组的中心地理位置为圆心,显示每个目标时刻对应的每个群组的可视化圆形气泡,并在关联演变群组的可视化图标之间显示可视化关联纽带,示意图参照物5。
在更多的实施中,所述在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标的步骤之后,还包括:
I、在接收到作用于关联演变群组中任一群组对应可视化图标的选择指令时,在所述目标区域的电子地图上,查找关联演变群组中另一群组对应的可视化图标;
J、在所述选择指令对应的可视化图标和查找到的可视化图标之间显示所述可视化关联纽带。
即,用户可以对目标区域的电子地图上显示的每个目标时刻对应的每个群组的可视化图标进行点击或触摸,触发选择指令,如果选择指令是作用于关联演变群组中任一群组对应的可视化图标,则从目标区域的电子地图上,查找关联演变群组中另一群组对应的可视化图标,然后在选择指令对应的可视化图标和查找到的可视化图标之间显示可视化关联纽带,使得用户可以与目标区域的电子地图上显示的表示群组的可视化图标进行交互,查看群组的时空演变过程,从而追踪表示群组的可视化图标在哪个时刻发生了特征变化,进一步探索得到更详细的信息。
在更多的实施中,用户还可以对目标区域的电子地图上的感兴趣区域进行选择存储,交通数据的可视化分析设备在接收到基于感兴趣区域的选择指令时,通过其接口将选择指令对应的感兴趣区域的信息存储于用户终端中,供用户随时查看。
本实施例提供一种交通数据的可视化分析方法,在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从交通数据集中提取各目标时刻的交通数据;对每个目标时刻的交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的各目标物聚合成若干个基于不同地理位置的群组,从而实现了对交通数据集的时序性挖掘;之后,为每个目标时刻对应的每个群组生成可视化图标,该可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并根据关联演变群组的关联程度,生成关联演变群组的可视化图标之间的可视化关联纽带;在目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在关联演变群组的可视化图标之间显示可视化关联纽带,实现了对挖掘结果的可视化呈现,从而实现了对挖掘结果的空间性分析,那么在异常情况发生时,决策者便可直接从可视化挖掘结果中发现交通规律,利于决策者掌握发生异常情况的原因,最终为决策提供分析与支持,进而实现对异常事件的及时响应及处理。
进一步地,基于上述第一实施例,提出了本发明交通数据的可视化分析方法的第二实施例,与第一实施例的区别在于,所述步骤B包括:
B1,采用第一聚类算法,对每个目标时刻的所述各目标物的地理位置进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的初始群组;
B2,采用第二聚类算法,计算每个目标时刻对应的每个初始群组的中心地理位置;
B3,将每个目标时刻对应的每个初始群组的所述中心地理位置作为聚类中心,对每个目标时刻的所述各目标物的地理位置进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组。
作为一种实施方式,混合聚类算法包括第一聚类算法和第二聚类算法,第一聚类算法可选为DBSCAN算法,第二聚类算法可选为kmeans算法。以第一聚类算法为DBSCAN算法、第二聚类算法为kmeans算法对步骤B的实施方式进行说明。
为方便理解,首先对DBSCAN算法和K-means算法进行介绍,DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)算法是一个比较有代表性的基于密度的聚类算法,与聚合和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域聚合成簇,并可在噪声的空间数据库中发现任意形状的聚类,DBSCAN算法的重点是选取合适的聚合半径参数和聚合所需指定的阈值MinPts(Minimumnumber of a points)数目。K-means算法则是很典型的基于距离的聚类算法,其采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大,该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标,K-means算法的重点在于聚类中心K值的选择。
考虑到实际中,交通数据中各目标物的地理位置过于分散,难以选择合适的K值,由此,本实施例先采用DBSCAN算法,按照设定的目标物的活动半径的密度可达来对每个目标时刻对应的各目标物的地理位置进行聚类,然后基于DBSCAN算法的聚类结果,再采用K-means算法对每个目标时刻对应的各目标物的地理位置进行聚类。
具体地,采用球面距离来衡量地理位置的距离,来作为聚合的半径参数,可选为将2公里作为聚合的半径参数,MinPts个数设为5,然后根据设定的半径参数和MinPts个数,利用DBSCAN算法对每个目标时刻对应的各目标物的地理位置进行聚类,从而将每个目标时刻对应的各目标物的地理位置聚合成若干个簇,也就是将每个目标时刻对应的各目标物聚合成若干个初始群组。
进一步地,将每一初始初始群组作为新的输入,利用Kmeans算法的迭代聚合计算出每个目标时刻对应的每个初始群组的中心点,然后以每个目标时刻的各初始群组的中心点为聚类中心,计算每个目标时刻对应的各目标物的地理位置与每个目标时刻对应的各聚类中心的距离,以将每个目标时刻对应的各目标物的地理位置分配给距离其最近的聚类中心,当每个目标时刻对应的各目标物的地理位置分配完成时,即可将每个目标时刻对应的各目标物聚合成若干个基于不同地理位置的群组。
此外,本发明实施例还提供一种交通数据的可视化分析装置。
参照图3,图3为本发明交通数据的可视化分析装置第一实施例的功能模块示意图。
本实施例中,所述交通数据的可视化分析装置包括:
提取模块10,用于在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据;
聚类模块20,用于对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组;
生成模块30,用于为每个目标时刻对应的每个群组生成可视化图标,所述可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;
匹配模块40,用于对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并生成所述关联演变群组的可视化图标之间的可视化关联纽带,所述可视化关联纽带包含所述关联演变群组的关联程度以及所述关联演变群组在相邻时刻的演变方向和轨迹;
显示模块50,用于在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在所述关联演变群组的可视化图标之间显示所述可视化关联纽带。
其中,上述交通数据的可视化分析装置的各虚拟功能模块存储于图1所示交通数据的可视化分析设备的存储器1005中,用于实现交通数据的可视化分析程序的所有功能;各模块被处理器1001执行时,实现了实现了对交通数据集的时序性挖掘,以及,实现了对挖掘结果的可视化呈现,从而实现了对挖掘结果的空间性分析,那么在异常情况发生时,决策者便可直接从可视化挖掘结果中发现交通规律,利于决策者掌握发生异常情况的原因,最终为决策提供分析与支持,进而实现对异常事件的及时响应及处理。
进一步的,所述聚类模块20包括:
第一获取单元,用于从每个目标时刻的所述交通数据中,获取各目标物的地理位置;
聚类单元,用于根据每个目标时刻的所述各目标物的地理位置,采用混合聚类算法对每个目标时刻的所述各目标物进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组。
进一步的,所述聚类单元包括:
第一聚类子单元,用于采用第一聚类算法,对每个目标时刻的所述各目标物的地理位置进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的初始群组;
第二聚类子单元,用于采用第二聚类算法,计算每个目标时刻对应的每个初始群组的中心地理位置,将每个目标时刻对应的每个初始群组的所述中心地理位置作为聚类中心,对每个目标时刻的所述各目标物的地理位置进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组。
进一步的,所述匹配模块40包括:
比对单元,用于将相邻时刻的群组进行比对,以确定相邻时刻的群组中目标物的重合率;
第一确定单元,用于将相邻时刻目标物的重合率达到预设阈值的群组,确定为匹配成功的群组,将匹配成功的群组作为关联演变群组。
进一步的,所述匹配模块40还包括:
第二确定单元,用于根据所述关联演变群组中目标物的重合率,确定所述关联演变群组在相邻时刻的关联程度;
生成单元,用于基于所述关联演变群组在相邻时刻的关联程度,生成所述关联演变群组的可视化图标之间的可视化关联纽带。
进一步的,所述显示模块50包括:
第二获取单元,用于获取所述目标区域的电子地图;
第一显示单元,用于在所述目标区域的电子地图上,确定每个目标时刻对应的每个群组的中心地理位置,以每个目标时刻对应的每个群组的所述中心地理位置为中心,显示每个目标时刻对应的每个群组的可视化图标。
进一步的,显示模块50,还包括:
查找单元,用于在接收到作用于关联演变群组中任一群组对应可视化图标的选择指令时,在所述目标区域的电子地图上,查找关联演变群组中另一群组对应的可视化图标;
第二显示单元,在所述选择指令对应的可视化图标和查找到的可视化图标之间显示所述可视化关联纽带。
其中,上述交通数据的可视化分析装置中各个模块的功能实现与上述交通数据的可视化分析方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有交通数据的可视化分析程序,其中所述交通数据的可视化分析程序被处理器执行时,实现如上述的交通数据的可视化分析方法的步骤。
其中,交通数据的可视化分析程序被执行时所实现的方法可参照本发明交通数据的可视化分析方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种交通数据的可视化分析方法,其特征在于,所述方法包括以下步骤:
在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据;
对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组;
为每个目标时刻对应的每个群组生成可视化图标,所述可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;
对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并生成所述关联演变群组的可视化图标之间的可视化关联纽带,所述可视化关联纽带包含所述关联演变群组的关联程度以及所述关联演变群组在相邻时刻的演变方向和轨迹;
在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在所述关联演变群组的可视化图标之间显示所述可视化关联纽带。
2.如权利要求1所述的交通数据的可视化分析方法,其特征在于,所述对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组的步骤包括:
从每个目标时刻的所述交通数据中,获取各目标物的地理位置;
根据每个目标时刻的所述各目标物的地理位置,采用混合聚类算法对每个目标时刻的所述各目标物进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组。
3.如权利要求2所述的交通数据的可视化分析方法,其特征在于,所述根据每个目标时刻的所述各目标物的地理位置,采用混合聚类算法对每个目标时刻的所述各目标物进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组的步骤包括:
采用第一聚类算法,对每个目标时刻的所述各目标物的地理位置进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的初始群组;
采用第二聚类算法,计算每个目标时刻对应的每个初始群组的中心地理位置,将每个目标时刻对应的每个初始群组的所述中心地理位置作为聚类中心,对每个目标时刻的所述各目标物的地理位置进行聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组。
4.如权利要求1所述的交通数据的可视化分析方法,其特征在于,所述对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组的步骤包括:
将相邻时刻的群组进行比对,以确定相邻时刻的群组中目标物的重合率;
将相邻时刻目标物的重合率达到预设阈值的群组,确定为匹配成功的群组,将匹配成功的群组作为关联演变群组。
5.如权利要求4所述的交通数据的可视化分析方法,其特征在于,所述生成所述关联演变群组的可视化图标之间的可视化关联纽带的步骤包括:
根据所述关联演变群组中目标物的重合率,确定所述关联演变群组在相邻时刻的关联程度;
基于所述关联演变群组在相邻时刻的关联程度,生成所述关联演变群组的可视化图标之间的可视化关联纽带。
6.如权利要求1所述的交通数据的可视化分析方法,其特征在于,所述在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标的步骤包括:
获取所述目标区域的电子地图;
在所述目标区域的电子地图上,确定每个目标时刻对应的每个群组的中心地理位置,以每个目标时刻对应的每个群组的所述中心地理位置为中心,显示每个目标时刻对应的每个群组的可视化图标。
7.如权利要求6所述的交通数据的可视化分析方法,其特征在于,所述在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标的步骤之后,还包括:
在接收到作用于关联演变群组中任一群组对应可视化图标的选择指令时,在所述目标区域的电子地图上,查找关联演变群组中另一群组对应的可视化图标;
在所述选择指令对应的可视化图标和查找到的可视化图标之间显示所述可视化关联纽带。
8.一种交通数据的可视化分析装置,其特征在于,所述交通数据的可视化分析装置包括:
提取模块,用于在预设采样周期内,采集目标区域的交通数据集,按照预设时间间隔确定多个目标时刻,并从所述交通数据集中提取各目标时刻的交通数据;
聚类模块,用于对每个目标时刻的所述交通数据中所包含的各目标物,进行地理位置聚类,以将每个目标时刻的所述各目标物聚合成若干个基于不同地理位置的群组;
生成模块,用于为每个目标时刻对应的每个群组生成可视化图标,所述可视化图标包含相应目标时刻、相应群组的平均运动速度和相应群组中目标物的总数;
匹配模块,用于对相邻目标时刻的群组进行匹配,将匹配成功的群组作为关联演变群组,并生成所述关联演变群组的可视化图标之间的可视化关联纽带,所述可视化关联纽带包含所述关联演变群组的关联程度以及所述关联演变群组在相邻时刻的演变方向和轨迹;
显示模块,用于在所述目标区域的电子地图上,显示每个目标时刻对应的每个群组的可视化图标,并在所述关联演变群组的可视化图标之间显示所述可视化关联纽带。
9.一种交通数据的可视化分析设备,其特征在于,所述交通数据的可视化分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的交通数据的可视化程序,其中所述交通数据的可视化分析程序被所述处理器执行时,实现如权利要求1至7中任一项所述的交通数据的可视化分析方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有交通数据的可视化分析程序,所述交通数据的可视化分析程序被处理器执行时实现如权利要求1至7中任一项所述的交通数据的可视化分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748169.8A CN110458459B (zh) | 2019-08-13 | 2019-08-13 | 交通数据的可视化分析方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748169.8A CN110458459B (zh) | 2019-08-13 | 2019-08-13 | 交通数据的可视化分析方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458459A true CN110458459A (zh) | 2019-11-15 |
CN110458459B CN110458459B (zh) | 2022-06-10 |
Family
ID=68486575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910748169.8A Active CN110458459B (zh) | 2019-08-13 | 2019-08-13 | 交通数据的可视化分析方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458459B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581274A (zh) * | 2020-05-08 | 2020-08-25 | 深圳市甲易科技有限公司 | 一种实现信息可视化的轨迹规律分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006085602A (ja) * | 2004-09-17 | 2006-03-30 | Gosei:Kk | 交通解析システム |
CN103309964A (zh) * | 2013-06-03 | 2013-09-18 | 广州市香港科大霍英东研究院 | 一种针对大规模交通数据的高效可视监测分析系统 |
CN104899229A (zh) * | 2014-03-07 | 2015-09-09 | 上海市玻森数据科技有限公司 | 基于群体智能的行为聚类系统 |
CN105095481A (zh) * | 2015-08-13 | 2015-11-25 | 浙江工业大学 | 大规模出租车od数据可视分析方法 |
CN109740957A (zh) * | 2019-01-11 | 2019-05-10 | 江苏省城市规划设计研究院 | 一种城市交通网络节点分类方法 |
-
2019
- 2019-08-13 CN CN201910748169.8A patent/CN110458459B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006085602A (ja) * | 2004-09-17 | 2006-03-30 | Gosei:Kk | 交通解析システム |
CN103309964A (zh) * | 2013-06-03 | 2013-09-18 | 广州市香港科大霍英东研究院 | 一种针对大规模交通数据的高效可视监测分析系统 |
CN104899229A (zh) * | 2014-03-07 | 2015-09-09 | 上海市玻森数据科技有限公司 | 基于群体智能的行为聚类系统 |
CN105095481A (zh) * | 2015-08-13 | 2015-11-25 | 浙江工业大学 | 大规模出租车od数据可视分析方法 |
CN109740957A (zh) * | 2019-01-11 | 2019-05-10 | 江苏省城市规划设计研究院 | 一种城市交通网络节点分类方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581274A (zh) * | 2020-05-08 | 2020-08-25 | 深圳市甲易科技有限公司 | 一种实现信息可视化的轨迹规律分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110458459B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106198049B (zh) | 真实车辆在环测试系统和方法 | |
CN107247718B (zh) | 一种地图数据的更新方法和装置、导航系统及服务器 | |
CN104182517B (zh) | 数据处理的方法及装置 | |
CN109388663A (zh) | 一种面向社会安全领域的大数据智能分析平台 | |
CN103714185B (zh) | 主题事件更新方法库及城市多源时空信息并行更新方法 | |
CN109064000A (zh) | 自然资源审计的方法、装置和系统 | |
CN102184512A (zh) | 利用手机数据发现城市活动中异常事件的方法 | |
CN104679942A (zh) | 一种基于数据挖掘的建设用地承载效率测度方法 | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN113112068A (zh) | 一种村镇公共设施选址布局的方法及其系统 | |
CN104039008B (zh) | 一种混合定位方法 | |
WO2021154155A1 (en) | Methods and data processing systems for predicting road attributes | |
Liu et al. | An interpretable machine learning framework for measuring urban perceptions from panoramic street view images | |
CN110458459A (zh) | 交通数据的可视化分析方法、装置、设备及可读存储介质 | |
CN112381078B (zh) | 基于高架的道路识别方法、装置、计算机设备和存储介质 | |
CN106202113A (zh) | 应用于组队运动的信息提供方法和装置 | |
CN110020222A (zh) | 标志点确定方法、装置及存储介质 | |
CN104121917B (zh) | 一种自动发现新建桥梁的方法和装置 | |
Costa et al. | Generation of road maps from trajectories collected with smartphone–a method based on genetic algorithm | |
CN108665723A (zh) | 一种信息获取方法及装置 | |
CN116843891A (zh) | 图形轮廓检测方法、装置、存储介质、设备及程序产品 | |
CN108460057A (zh) | 一种基于无监督学习的用户行程挖掘方法和装置 | |
CN111352964B (zh) | 获取兴趣点信息的方法、装置、设备及存储介质 | |
CN113886513A (zh) | 一种输电线路外力破坏事件可视化分析方法及系统 | |
CN107767320A (zh) | 一种数据展示方法及装置 |
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 |