CN110750573A - 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法 - Google Patents
一种基于网格化和时空聚类的交通拥堵演化规律的识别方法 Download PDFInfo
- Publication number
- CN110750573A CN110750573A CN201910804084.7A CN201910804084A CN110750573A CN 110750573 A CN110750573 A CN 110750573A CN 201910804084 A CN201910804084 A CN 201910804084A CN 110750573 A CN110750573 A CN 110750573A
- Authority
- CN
- China
- Prior art keywords
- data
- space
- gridding
- time
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,包括步骤:S1.从百度GPS上获取某城市某个时间段的机动车的出行GPS数据;S2.对获取到的数据进行预处理;S3.对预处理过的数据进行网格化;S4.基于距离矩阵选取ST‑DBSCAN算法的参数;S5.建立基于ST‑DBSCAN算法的时空聚类模型,通过该模型挖掘交通拥堵点。本发明能弥补传统方法在单一维数据进行处理的不足以及传统处理方法对于大规模数据的处理能力有限的缺陷,具有针对不同数据量进行动态区域划分的能力,在尽最大可能发挥当前设备计算能力的基础上保存更多的原始信息,处理效率高且合理。
Description
技术领域
本发明涉及计算机、交通大数据的技术领域,尤其涉及到一种基于网格化和时空聚类的交通拥堵演化规律的识别方法。
背景技术
随着社会现代化进程地推进,人们的出行需求日益增长。车辆保有量的不断攀升,人们出行模式的多样化和出行规律的动态随机变化,给城市基础设施与城市所能提供的服务带来了巨大的挑战。人们日益增长的交通需求和落后的交通服务水平的矛盾导致了城市交通拥堵现象的频繁发生。交通拥堵问题的存在带来了许多负面的影响:其一,其导致了严重的经济损失;其二,交通拥堵使得交通事故的发生变得更加频繁;其三,交通拥堵问题也是环境污染的一大推手;其四,交通拥堵降低了人们的幸福度;此外,交通拥堵也与城市的魅力、管理水平、城市形象等息息相关。因此,对于交通拥堵问题进行研究是必要且迫切的。
目前在交通拥堵方面的研究主要集中在交通拥堵检测、传播和产生机制几个方面。其中,检测方面主要有直接检测和间接检测两类方法,主要是指对短时间内的交通拥堵进行检测;传播和产生机制方面,主要是基于复杂网络和交通流模型两方面进行研究;
在时空聚类方面的研究主要有基于交通流数据进行聚类研究而总结出来的回归处理方法;基于轨迹数据的时间层面来聚集交通情况的方法;基于速度为主的聚类算法CB-SMoT等。
但上述交通拥堵的处理方法存在以下的缺陷:
(1)采用的是传统的数据处理方法,不仅在处理效率,还是处理的数据量以及处理范围都非常有限;
(2)进行交通流数据处理时仅仅关注某一维度或者某一特征,使得处理结果相对单薄,不够具有说服力;
(3)原有的网格化方法对于数据的划分不够灵活,同时会导致过多的原始信息丢失。
发明内容
本发明的目的在于克服现有技术的不足,提供一种能弥补传统方法在单一维数据进行处理的不足以及传统处理方法对于大规模数据的处理能力有限的缺陷、具有针对不同数据量进行动态区域划分的能力、在尽最大可能发挥当前设备计算能力的基础上保存更多的原始信息、处理效率高且合理的基于网格化和时空聚类的交通拥堵演化规律的识别方法。
为实现上述目的,本发明所提供的技术方案为:
一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,包括以下步骤:
S1.从百度GPS上获取某城市某个时间段的机动车的出行GPS数据,其中包含日期、时间、当前车速、经纬度以及行驶方向;
S2.对步骤S1获取到的数据进行预处理;
S3.对预处理过的数据进行网格化;
S4.基于距离矩阵选取ST-DBSCAN算法的参数,参数包括有效的空间邻域半径Eps1、时间邻域半径Eps2以及最小密度阈值MinPts;
S5.建立基于ST-DBSCAN算法的时空聚类模型,通过该模型挖掘交通拥堵点。
进一步地,所述步骤S2具体包括:
S2-1.数据清洗;对空值数据以及车辆行驶方向与正北方向的夹角的角度大于360°的数据进行剔除;
S2-2.坐标转换;将经纬度坐标转换成其对应的映射平面坐标;采用的大地坐标系是北京54坐标系,投影策略采用的是横轴墨卡托投影;
S2-3.数据变换;对数据进行了标准化处理。
进一步地,所述步骤S3具体包括:
S3-1.设置一个接近当前计算机单次处理阈值的数据量process_window;
S3-2.将当前数据量按相同面积的方法平均分成(n/process_window+1)2份,其中每份的面积为总面积除以份数,而数据则是每个区域所包含的数据。
进一步地,所述步骤S4基于距离矩阵选取ST-DBSCAN算法参数具体步骤如下:
S4-1.将MinPts设置为ln(n),n为数据集大小;
S4-2.分别计算D中任一点与其他点之间在空间域和时间域上的距离,形成空间域和时间域上的两个n*n的距离矩阵;
S4-3.将空间域及时间域上的矩阵按列向升序排序,即每k列表示当前点和与其最近第k点的距离值,将之视为k-dist距离矩阵;
S4-4.将步骤S4-3的两个k-dist距离矩阵分别降序排序并画出图形,其中k是大于MinPts的最小整数;
S4-5.分别取两个图形的第一个“谷”处左侧的斜率突变点的值作为Eps1和Eps2。
进一步地,所述步骤S5的具体过程如下:
S5-1.将获取到的参数Eps1、Eps2、MinPts以及网格化后的单份数据集D输入到ST-DBSCAN算法中,获取到每个数据所归属的簇的编号;
S5-2.求每个簇内的速度均值,将此值与速度划分等级进行映射以获取对应的拥堵等级;
S5-3.在数据集D中新建一列拥堵等级level_sign,将步骤S5-2中获取的等级值添加到对应的数据中;
S5-4.将拥堵等级与事先设置的颜色进行映射,以获取不同拥堵等级下的直观聚类结果,同时进行可视化。
进一步地,所述步骤S5-1具体过程如下:
S5-1-1.输入参数Eps1、Eps2、MinPts以及网格化后的单份数据集D;
S5-1-2.任取数据集D中一对象p,并将其标记为已访问,判断p是否为核心对象;
S5-1-3.如果p为核心对象,新建一个簇C,并将对象p放进簇C,将其所有时空直接密度可达对象放进候选集N中;如果p不是核心对象,则返回步骤S5-1-2;
S5-1-4.任取候选集N中一对象p’,将其标记为已访问,判断p’是否为核心对象;如果N中为空,则返回步骤S5-1-2;
S5-1-5.如果p’是核心对象,将之添加到簇C,并将其所有时空直接密度可达对象放进N中;否则,返回步骤S5-1-4;
S5-1-6.执行上述步骤直至遍历了时空数据集D中所有的对象。
与现有技术相比,本方案的原理及优点如下:
1.综合考虑交通数据所具有的关于时空两方面的多个特征,然后采用一种基于网格化和改进的时空聚类算法来对交通拥堵情况进行研究,弥补了传统方法在单一维数据进行处理的不足,以及传统处理方法对于大规模数据的处理能力有限的缺陷,能识别出不同时间、不同区域的交通的拥堵情况,同时再通过可视化的技术手段,将处理结果直观地呈现出来。
2.提出一种新的网格化方法,使具有针对不同数据量进行动态区域划分的能力,同时还能在尽最大可能发挥当前设备计算能力的基础上保存更多的原始信息。
3.对于ST-DBSCAN算法的相关参数的选取也进行了一定的改进,从单凭经验选取转变到一种基于距离矩阵的启发式方法,处理效率高且合理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于网格化和时空聚类的交通拥堵演化规律的识别方法的工作流程图;
图2为本发明一种基于网格化和时空聚类的交通拥堵演化规律的识别方法中ST-DBSCAN算法实现的流程图;
图3为研究区域内2016年9月20日0时至9时的交通拥堵情况。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本实施例所述的一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,包括以下步骤:
S1.从百度GPS上获取福田和罗湖区2016年9月20日0时至9时的机动车的出行GPS数据,其中包含日期、时间、当前车速、经纬度以及行驶方向。
S2.对步骤S1获取到的数据进行预处理:
S2-1.数据清洗;对空值数据以及车辆行驶方向与正北方向的夹角的角度大于360°的数据进行剔除;
S2-2.坐标转换;获取到的交通数据中关于位置部分的描述是通过经纬度来实现,然而经纬度描述的是椭球体表面上的信息,这意味着经纬度之间的距离对应的平面距离是不均匀的。所以,为了谋求更加合理的聚类效果,本实施例将经纬度坐标转换成其对应的映射平面坐标;采用的大地坐标系是北京54坐标系,投影策略采用的是横轴墨卡托投影;
S2-3.数据变换;对数据进行了标准化处理:
S3.对预处理过的数据进行网格化:
S3-1.设置一个接近当前计算机单次处理阈值的数据量process_window;
S3-2.将当前数据量按相同面积的方法平均分成(n/process_window+1)2份,其中每份的面积为总面积除以份数,而数据则是每个区域所包含的数据。
S4.传统的参数选取方法是单纯凭借经验来实现,这其中带有很大的主观因素,对聚类的结果影响较大;因此,本实施例基于距离矩阵选取ST-DBSCAN算法的参数,参数包括有效的空间邻域半径Eps1、时间邻域半径Eps2以及最小密度阈值MinPts;具体过程如下:
S4-1.将MinPts设置为ln(n),n为数据集大小;
S4-2.分别计算D中任一点与其他点之间在空间域和时间域上的距离,形成空间域和时间域上的两个n*n的距离矩阵;
S4-3.将空间域及时间域上的矩阵按列向升序排序,即每k列表示当前点和与其最近第k点的距离值,将之视为k-dist距离矩阵;
S4-4.将步骤S4-3的两个k-dist距离矩阵分别降序排序并画出图形,其中k是大于MinPts的最小整数;
S4-5.分别取两个图形的第一个“谷”处左侧的斜率突变点的值作为Eps1和Eps2。
S5.建立基于ST-DBSCAN算法的时空聚类模型并通过该模型挖掘交通拥堵点:
S5-1.将获取到的参数Eps1、Eps2、MinPts以及网格化后的单份数据集D输入到ST-DBSCAN算法中,获取到每个数据所归属的簇的编号;如图2所示,本步骤的具体过程为:
S5-1-1.输入参数Eps1、Eps2、MinPts以及网格化后的单份数据集D;
S5-1-2.任取数据集D中一对象p,并将其标记为已访问,判断p是否为核心对象;
S5-1-3.如果p为核心对象,新建一个簇C,并将对象p放进簇C,将其所有时空直接密度可达对象放进候选集N中;如果p不是核心对象,则返回步骤S5-1-2;
S5-1-4.任取候选集N中一对象p’,将其标记为已访问,判断p’是否为核心对象;如果N中为空,则返回步骤S5-1-2;
S5-1-5.如果p’是核心对象,将之添加到簇C,并将其所有时空直接密度可达对象放进N中;否则,返回步骤S5-1-4;
S5-1-6.执行上述步骤直至遍历了时空数据集D中所有的对象。
S5-2.求每个簇内的速度均值,将此值与速度划分等级进行映射以获取对应的拥堵等级;
S5-3.在数据集D中新建一列拥堵等级level_sign,将步骤S5-2中获取的等级值添加到对应的数据中;
S5-4.将拥堵等级与事先设置的颜色进行映射,以获取不同拥堵等级下的直观聚类结果,同时进行可视化。
本实施例中等级划分说明如下表1所示:
表1
本实施例综合考虑交通数据所具有的关于时空两方面的多个特征,然后采用一种基于网格化和改进的时空聚类算法来对交通拥堵情况进行研究,弥补了传统方法在单一维数据进行处理的不足,以及传统处理方法对于大规模数据的处理能力有限的缺陷,能识别出不同时间、不同区域的交通的拥堵情况,同时再通过可视化的技术手段,将处理结果直观地呈现出来。另外,提出一种新的网格化方法,使具有针对不同数据量进行动态区域划分的能力,同时还能在尽最大可能发挥当前设备计算能力的基础上保存更多的原始信息。最后,对于ST-DBSCAN算法的相关参数的选取也进行了一定的改进,从单凭经验选取转变到一种基于距离矩阵的启发式方法,处理效率高且合理。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (6)
1.一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,其特征在于,包括以下步骤:
S1.从百度GPS上获取某城市某个时间段的机动车的出行GPS数据,其中包含日期、时间、当前车速、经纬度以及行驶方向;
S2.对步骤S1获取到的数据进行预处理;
S3.对预处理过的数据进行网格化;
S4.基于距离矩阵选取ST-DBSCAN算法的参数,参数包括有效的空间邻域半径Eps1、时间邻域半径Eps2以及最小密度阈值MinPts;
S5.建立基于ST-DBSCAN算法的时空聚类模型,通过该模型挖掘交通拥堵点。
2.根据权利要求1所述的一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,其特征在于,所述步骤S2具体包括:
S2-1.数据清洗;对空值数据以及车辆行驶方向与正北方向的夹角的角度大于360°的数据进行剔除;
S2-2.坐标转换;将经纬度坐标转换成其对应的映射平面坐标;采用的大地坐标系是北京54坐标系,投影策略采用的是横轴墨卡托投影;
S2-3.数据变换;对数据进行了标准化处理。
3.根据权利要求1所述的一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,其特征在于,所述步骤S3具体包括:
S3-1.设置一个接近当前计算机单次处理阈值的数据量process_window;
S3-2.将当前数据量按相同面积的方法平均分成(n/process_window+1)2份,其中每份的面积为总面积除以份数,而数据则是每个区域所包含的数据。
4.根据权利要求1所述的一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,其特征在于,所述步骤S4基于距离矩阵选取ST-DBSCAN算法参数具体步骤如下:
S4-1.将MinPts设置为ln(n),n为数据集大小;
S4-2.分别计算D中任一点与其他点之间在空间域和时间域上的距离,形成空间域和时间域上的两个n*n的距离矩阵;
S4-3.将空间域及时间域上的矩阵按列向升序排序,即每k列表示当前点和与其最近第k点的距离值,将之视为k-dist距离矩阵;
S4-4.将步骤S4-3的两个k-dist距离矩阵分别降序排序并画出图形,其中k是大于MinPts的最小整数;
S4-5.分别取两个图形的第一个“谷”处左侧的斜率突变点的值作为Eps1和Eps2。
5.根据权利要求1所述的一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,其特征在于,所述步骤S5的具体过程如下:
S5-1.将获取到的参数Eps1、Eps2、MinPts以及网格化后的单份数据集D输入到ST-DBSCAN算法中,获取到每个数据所归属的簇的编号;
S5-2.求每个簇内的速度均值,将此值与速度划分等级进行映射以获取对应的拥堵等级;
S5-3.在数据集D中新建一列拥堵等级level_sign,将步骤S5-2中获取的等级值添加到对应的数据中;
S5-4.将拥堵等级与事先设置的颜色进行映射,以获取不同拥堵等级下的直观聚类结果,同时进行可视化。
6.根据权利要求5所述的一种基于网格化和时空聚类的交通拥堵演化规律的识别方法,其特征在于,所述步骤S5-1具体过程如下:
S5-1-1.输入参数Eps1、Eps2、MinPts以及网格化后的单份数据集D;
S5-1-2.任取数据集D中一对象p,并将其标记为已访问,判断p是否为核心对象;
S5-1-3.如果p为核心对象,新建一个簇C,并将对象p放进簇C,将其所有时空直接密度可达对象放进候选集N中;如果p不是核心对象,则返回步骤S5-1-2;
S5-1-4.任取候选集N中一对象p’,将其标记为已访问,判断p’是否为核心对象;如果N中为空,则返回步骤S5-1-2;
S5-1-5.如果p’是核心对象,将之添加到簇C,并将其所有时空直接密度可达对象放进N中;否则,返回步骤S5-1-4;
S5-1-6.执行上述步骤直至遍历了时空数据集D中所有的对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910804084.7A CN110750573B (zh) | 2019-08-28 | 2019-08-28 | 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910804084.7A CN110750573B (zh) | 2019-08-28 | 2019-08-28 | 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750573A true CN110750573A (zh) | 2020-02-04 |
CN110750573B CN110750573B (zh) | 2023-05-02 |
Family
ID=69275919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910804084.7A Active CN110750573B (zh) | 2019-08-28 | 2019-08-28 | 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750573B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462498A (zh) * | 2020-05-29 | 2020-07-28 | 青岛大学 | 常发拥堵区域识别方法及设备 |
CN113673571A (zh) * | 2021-07-22 | 2021-11-19 | 华设设计集团股份有限公司 | 一种基于密度聚类方法的出租车异常订单识别方法 |
CN115563522A (zh) * | 2022-12-02 | 2023-01-03 | 湖南工商大学 | 交通数据的聚类方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
-
2019
- 2019-08-28 CN CN201910804084.7A patent/CN110750573B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
Non-Patent Citations (1)
Title |
---|
何兆成;周亚强;余志;: "基于数据可视化的区域交通状态特征评价方法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462498A (zh) * | 2020-05-29 | 2020-07-28 | 青岛大学 | 常发拥堵区域识别方法及设备 |
CN111462498B (zh) * | 2020-05-29 | 2021-08-20 | 青岛大学 | 常发拥堵区域识别方法及设备 |
CN113673571A (zh) * | 2021-07-22 | 2021-11-19 | 华设设计集团股份有限公司 | 一种基于密度聚类方法的出租车异常订单识别方法 |
CN115563522A (zh) * | 2022-12-02 | 2023-01-03 | 湖南工商大学 | 交通数据的聚类方法、装置、设备及介质 |
CN115563522B (zh) * | 2022-12-02 | 2023-04-07 | 湖南工商大学 | 交通数据的聚类方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110750573B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750573A (zh) | 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法 | |
CN110019568B (zh) | 基于空间聚类的选址方法、装置、计算机设备及存储介质 | |
CN107167136B (zh) | 一种面向电子地图的位置推荐方法及系统 | |
CN110334861B (zh) | 一种基于轨迹数据的城市区域划分方法 | |
Tang et al. | A network Kernel Density Estimation for linear features in space–time analysis of big trace data | |
CN104331422A (zh) | 一种路段类型推测方法 | |
CN110363771B (zh) | 一种基于三维点云数据的隔离护栏形点提取方法及装置 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN109145989B (zh) | 公交站点布设方法、装置及计算机终端 | |
Kriegel et al. | Proximity queries in large traffic networks | |
Wang et al. | Extraction of maritime road networks from large-scale AIS data | |
CN114839984A (zh) | 一种班车路径规划方法、装置、设备及存储介质 | |
CN114676917A (zh) | 一种空驶出租汽车空间分布评估方法及系统 | |
CN110781943A (zh) | 一种基于毗邻网格搜索的聚类方法 | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
CN113888867A (zh) | 一种基于lstm位置预测的车位推荐方法及系统 | |
CN115563522B (zh) | 交通数据的聚类方法、装置、设备及介质 | |
Liao | [Retracted] Hot Spot Analysis of Tourist Attractions Based on Stay Point Spatial Clustering | |
CN111738527A (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
Kmetec et al. | Electric vehicle charging stations coverage: a study of Slovenia | |
CN115293585A (zh) | 一种基于gis-t搭建路网机动车动态排放清单的方法 | |
Kumar et al. | A scalable framework for clustering vehicle trajectories in a dense road network | |
Xiong et al. | Geo-gap tree: A progressive query and visualization method for massive spatial data | |
TW202228091A (zh) | 用於產生地圖資料之方法、資料處理設備及電腦程式產品 | |
CN111144612B (zh) | 一种加油站位置点预测方法、装置、存储介质及终端 |
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 |