CN111009123A - 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 - Google Patents
一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 Download PDFInfo
- Publication number
- CN111009123A CN111009123A CN201911143545.7A CN201911143545A CN111009123A CN 111009123 A CN111009123 A CN 111009123A CN 201911143545 A CN201911143545 A CN 201911143545A CN 111009123 A CN111009123 A CN 111009123A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sequence
- track
- frequent
- passing
- 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
Images
Classifications
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统,包括以下步骤:S100、获取车辆卡口过车数据,取设定时间周期内所有非营运的过车数据;S200、基于过车数据,按车辆分组,并把车辆每天的轨迹作为一条记录,这辆车在N天内的所有轨迹,就是N条记录的集合;S300、确定计算频繁的最小支持度和最少经过频率;S400、使用prefixspan算法,把步骤S200的车辆轨迹集合基于步骤S300确定的最小支持度和最少经过频率,输出所有满足条件的频繁项集的车辆,它们的项集就是车辆频繁轨迹。本发明通过基于prefixspan算法对车辆的频繁轨迹进行挖掘分析,可挖掘出车辆在一段时间内行驶的频繁轨迹,可供交通部门通过车辆频繁轨迹发现非法营运车辆和其他违法行为车辆,便于交通安全管控。
Description
技术领域
本发明涉及交通安全技术领域,具体涉及一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统。
背景技术
研究车辆运动规律具有重要意义,通过挖掘车辆的历史轨迹模式,可分析过去时间段内车辆的运动规律和行为模式,也可依此预测车辆未来的行驶轨迹。
关于车辆频繁轨迹的计算,目前存在一些通过轨迹的相似性寻找频繁轨迹的方法,虽然方法逻辑简单,但是对计算的性能要求很高,不能应用到交通管理部门的实际应用中。
发明内容
本发明提出的一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统,通过基于prefixspan算法对车辆的频繁轨迹进行挖掘分析,可挖掘出车辆在一段时间内行驶的频繁轨迹,可供交通部门通过车辆频繁轨迹发现非法营运车辆和其他违法行为车辆,便于交通安全管控。
为实现上述目的,本发明采用了以下技术方案:
一种基于prefixspan算法的车辆频繁轨迹挖掘方法,包括以下步骤:
S100、获取车辆卡口过车数据,取设定时间周期内(N天)所有非营运的过车数据;
S200、基于过车数据,按车辆分组,并把车辆每天的轨迹作为一条记录,这辆车在N天内的所有轨迹,就是N条记录的集合;
S300、确定计算频繁的最小支持度和最少经过频率;
S400、使用prefixspan算法,把步骤S200的轨迹集合基于步骤S300确定的最小支持度和最少经过频率,输出所有满足条件的频繁项集的车辆,它们的项集就是车辆频繁轨迹。
另一方面本发明还公开一种基于prefixspan算法的车辆频繁轨迹挖掘系统,包括以下模块:
数据获取模块,用于获取车辆卡口过车数据,取设定时间周期内所有非营运的过车数据;
数据处理模块,用于基于过车数据,按车辆分组,并把车辆每天的轨迹作为一条记录,这辆车在N天内的所有轨迹,就是N条记录的集合;
参数设定模块,用于确定计算频繁的最小支持度和最少经过频率;
车辆频繁轨迹计算和输出模块,使用prefixspan算法,把车辆轨迹集合基于所确定的最小支持度和最少经过频率,输出所有满足条件的频繁项集的车辆,它们的项集就是车辆频繁轨迹。
由上述技术方案可知,本发明的基于prefixspan算法的车辆频繁轨迹挖掘方法通过使用prefixspan算法的思路,基于网格的簇集的分析,简化车辆频繁轨迹计算量,使频繁轨迹计算能够真正大规模的运用到实际车辆轨迹分析中。通过对频繁轨迹的分析,一方面为找出非法营运的违法车辆提供了数据支撑;另一方面在对交通区域的整体轨迹分析中,对于不同交通小区的车辆流向,对交通规划提供了科学的借鉴作用。
附图说明
图1是本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于prefixspan算法的车辆频繁轨迹挖掘方法,包括:
S100、获取车辆卡口过车数据,取设定时间周期内(N天)所有非营运的过车数据;
S200、基于过车数据,按车辆分组,并把车辆每天的轨迹作为一条记录,这辆车在N天内的所有轨迹,就是N条记录的集合;
S300、确定计算频繁的最小支持度和最少经过频率;
S400、使用prefixspan算法,把步骤S200的轨迹集合基于步骤S300确定的最小支持度和最少经过频率,输出所有满足条件的频繁项集的车辆,它们的项集就是车辆频繁轨迹。
对上述步骤进行具体说明:
步骤S100可解释为数据的获取和处理:
根据卡口过车数据,取一段时间周期内(N天)所有非营运的过车数据;包含车辆号牌(ID)、过车时间(PassTime)、过车点位(PassPoint)。
车辆号牌(ID),根据过车时间得到日期(PassDay),第d天的车辆轨迹按照时间升序处理为序列Pd=(pd1,pd2,...,pdi),i是第d天经过的第i个点。
步骤S200首先定义车辆轨迹的频繁项集:
(1)prefixspan算法相关定义
(1.1)序列:是指由不同的元素按顺序有序排列,每个元素由不同项目组成;针对车辆轨迹分析,序列是关于车辆经过点位的信息流。
(1.2)支持度:序列α在序列数据库S中的支持度,是指序列数据库S中包含序列支持度的序列个数与序列数据库S中序列的总数之比,记为Support(α)。
(1.5)后缀:设α′={α1,α2,...αn}为α对应于β={β1,β2,...βm}的投影,则序列{αm+1,αm+2,...αn}为α对应于β的后缀。
则步骤S200具体为对车辆每一天的轨迹,就是一条包含车辆行驶信息的序列;关于车辆在一段时间周期内(N天)的轨迹集合{Pd,d∈1,N)},就是序列数据库。给定最小支持度的阈值ξ,如果车辆某一天的轨迹α,在N天的轨迹集合中的支持数不低于ξ,则称序列α为频繁轨迹。
步骤S400可理解为使用Prefixspan算法输出频繁轨迹:
输入:不同车辆按天划分的车辆轨迹数据集S,支持度阈值α;
输出:所有满足支持度要求的频繁车辆轨迹;
(1)找出所有长度为1的前缀和对应的投影数据库;
(2)对长度为1的前缀进行计数,将支持度低于阈值α的前缀对应的项从数据集S删除,同时得到所有的频繁1项序列,i=1.
(3)对于每个长度为i满足支持度要求的前缀进行递归挖掘:
a)找出前缀所应对的投影数据库。如果投影数据库为空,则递归返回;
b)统计对应投影数据库中各项的支持度计数。如果所有项的支持度计数都低于阈值α,则递归返回;
c)将满足支持度计数的各个单项和当前的前缀进行合并,得到若干新的前缀;
d)令i=i+1,前缀为合并单项后的各个前缀,分别递归执行第c)步。
另一方面本发明实施例还公开一种基于prefixspan算法的车辆频繁轨迹挖掘系统,包括以下模块:
数据获取模块,用于获取车辆卡口过车数据,取设定时间周期内所有非营运的过车数据;该模块可以解释为用于获取车辆卡口过车数据,针对特定的需求,获取相应的数据集合,在非法营运的车辆分析中,可以取设定时间周期内所有非营运的过车数据;
数据处理模块,用于基于过车数据,按车辆分组,并把车辆每天的轨迹作为一条记录,这辆车在N天内的所有轨迹,就是N条记录的集合;所述轨迹集合便于prefixspan算法处理;
参数设定模块,用于确定计算频繁的最小支持度和最少经过频率;本模块可以灵活的参数设置机制,可以在不同场景下个性化设定;
车辆频繁轨迹计算和输出模块,使用prefixspan算法,把车辆轨迹集合基于所确定的最小支持度和最少经过频率,输出所有满足条件的频繁项集的车辆,它们的项集就是车辆频繁轨迹。本模块根据需要来设定最小支持度和最少频率,通过不同参数值的设定,能够灵活运用在不同业务场景下,得到频繁轨迹,进而分析应用。
所述数据获取模块具体用于根据卡口过车数据,取是设定时间周期内所有非营运的过车数据;包含车辆号牌ID、过车时间PassTime、过车点位PassPoint;
所述车辆号牌ID,根据过车时间得到日期PassDay,第d天的车辆轨迹按照时间升序处理为序列Pd=(pd1,pd2,...,pdi),i是第d天经过的第i个点。
其中,所述数据处理模块,数据处理过程包括:
对车辆每一天的轨迹,就是一条包含车辆行驶信息的序列;
对于车辆在N天的轨迹集合{Pd,d∈(1,N)},就是序列数据库;
给定最小支持度的阈值ξ,如果车辆某一天的轨迹α,在N天的轨迹集合中的支持数不低于ξ,则称序列α为频繁轨迹;
其中,针对车辆轨迹分析,序列是关于车辆经过点位的信息流;
支持度是指序列α在序列数据库S中的支持度,是指序列数据库S中包含序列支持度的序列个数与序列数据库S中序列的总数之比,记为Support(α)。
所述车辆频繁轨迹计算和输出模块,具体处理步骤包括:
S401、找出所有长度为1的前缀和对应的投影数据库;
S402、对长度为1的前缀进行计数,将支持度低于阈值α的前缀对应的项从数据集S删除,同时得到所有的频繁1项序列,i=1;
S403、对于每个长度为i满足支持度要求的前缀进行递归挖掘:
S4031、找出前缀所应对的投影数据库;如果投影数据库为空,则递归返回;
S4032、统计对应投影数据库中各项的支持度计数;如果所有项的支持度计数都低于阈值α,则递归返回;
S4033、将满足支持度计数的各个单项和当前的前缀进行合并,得到若干新的前缀;
S4034、令i=i+1,前缀为合并单项后的各个前缀,分别递归执行第S4033、步;
后缀为设α′={α1,α2,...αn}为α对应于β={β1,β2,...βm}的投影,则序列{αm+1,αm+2,...αn}为α对应于β的后缀。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
由上可知,本发明实施例利用车辆的历史过车数据,通过历史数据处理到车辆的轨迹集合,进而通过设定频繁轨迹计算的最小支持度和最少经过频率,分析车辆的频繁轨迹集合。它分析的结果是车辆历史频繁经过的轨迹,可以对车辆经历行车做更全面的描述。
同时,本发明实施例主要提出一种通过对车辆轨迹进行量化编码,基于网络的簇集来分析,减少了计算处理量,可以应用于数据规模较大的车辆轨迹分析中。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于prefixspan算法的车辆频繁轨迹挖掘方法,其特征在于:包括以下步骤:
S100、获取车辆卡口过车数据,取设定时间周期内所有非营运的过车数据;
S200、基于过车数据,按车辆分组,并把车辆每天的轨迹作为一条记录,这辆车在N天内的所有轨迹,就是N条记录的集合;
S300、确定计算频繁的最小支持度和最少经过频率;
S400、使用prefixspan算法,把步骤S200的车辆轨迹集合基于步骤S300确定的最小支持度和最少经过频率,输出所有满足条件的频繁项集的车辆,它们的项集就是车辆频繁轨迹。
2.根据权利要求1所述的基于prefixspan算法的车辆频繁轨迹挖掘方法,其特征在于:所述S100、获取车辆卡口过车数据,取设定时间周期内所有非营运的过车数据;
具体包括:
根据卡口过车数据,取是设定时间周期内所有非营运的过车数据;包含车辆号牌ID、过车时间PassTime、过车点位PassPoint;
所述车辆号牌ID,根据过车时间得到日期PassDay,第d天的车辆轨迹按照时间升序处理为序列Pd=(pd1,pd2,...,pdi),i是第d天经过的第i个点。
3.根据权利要求2所述的基于prefixspan算法的车辆频繁轨迹挖掘方法,其特征在于:所述S200、基于过车数据,按车辆分组,并把车辆每天的轨迹作为一条记录,这辆车在N天内的所有轨迹,就是N条记录的集合;
具体包括:
对车辆每一天的轨迹,就是一条包含车辆行驶信息的序列;
对于车辆在N天的轨迹集合{Pd,d∈(1,N)},就是序列数据库;
给定最小支持度的阈值ξ,如果车辆某一天的轨迹α,在N天的轨迹集合中的支持数不低于ξ,则称序列α为频繁轨迹;
其中,针对车辆轨迹分析,序列是关于车辆经过点位的信息流;
支持度是指序列α在序列数据库S中的支持度,是指序列数据库S中包含序列支持度的序列个数与序列数据库S中序列的总数之比,记为Support(α)。
4.根据权利要求3所述的基于prefixspan算法的车辆频繁轨迹挖掘方法,其特征在于:S400、使用prefixspan算法,把步骤S200的车辆轨迹集合基于步骤S300确定的最小支持度和最少经过频率,输出所有满足条件的频繁项集的车辆,它们的项集就是车辆频繁轨迹;
具体包括:
S401、找出所有长度为1的前缀和对应的投影数据库;
S402、对长度为1的前缀进行计数,将支持度低于阈值α的前缀对应的项从数据集S删除,同时得到所有的频繁1项序列,i=1;
S403、对于每个长度为i满足支持度要求的前缀进行递归挖掘:
S4031、找出前缀所应对的投影数据库;如果投影数据库为空,则递归返回;
S4032、统计对应投影数据库中各项的支持度计数;如果所有项的支持度计数都低于阈值α,则递归返回;
S4033、将满足支持度计数的各个单项和当前的前缀进行合并,得到若干新的前缀;
S4034、令i=i+1,前缀为合并单项后的各个前缀,分别递归执行第S4033、步;
后缀为设α′={α1,α2,...αn}为α对应于β={β1,β2,...βm}的投影,则序列αm+1,αm+2,...αn}为α对应于β的后缀。
5.一种基于prefixspan算法的车辆频繁轨迹挖掘系统,其特征在于:包括以下模块:
数据获取模块,用于获取车辆卡口过车数据,取设定时间周期内所有非营运的过车数据;
数据处理模块,用于基于过车数据,按车辆分组,并把车辆每天的轨迹作为一条记录,这辆车在N天内的所有轨迹,就是N条记录的集合;
参数设定模块,用于确定计算频繁的最小支持度和最少经过频率;
车辆频繁轨迹计算和输出模块,使用prefixspan算法,把车辆轨迹集合基于所确定的最小支持度和最少经过频率,输出所有满足条件的频繁项集的车辆,它们的项集就是车辆频繁轨迹。
6.根据权利要求5所述的基于prefixspan算法的车辆频繁轨迹挖掘系统,其特征在于:
所述数据获取模块具体用于根据卡口过车数据,取是设定时间周期内所有非营运的过车数据;包含车辆号牌ID、过车时间PassTime、过车点位PassPoint;
所述车辆号牌ID,根据过车时间得到日期PassDay,第d天的车辆轨迹按照时间升序处理为序列Pd=(pd1,pd2,...,pdi),i是第d天经过的第i个点。
7.根据权利要求6所述的基于prefixspan算法的车辆频繁轨迹挖掘系统,其特征在于:
所述数据处理模块,数据处理过程包括:
对车辆每一天的轨迹,就是一条包含车辆行驶信息的序列;
对于车辆在N天的轨迹集合{Pd,d∈(1,N)},就是序列数据库;
给定最小支持度的阈值ξ,如果车辆某一天的轨迹α,在N天的轨迹集合中的支持数不低于ξ,则称序列α为频繁轨迹;
其中,针对车辆轨迹分析,序列是关于车辆经过点位的信息流;
支持度是指序列α在序列数据库S中的支持度,是指序列数据库S中包含序列支持度的序列个数与序列数据库S中序列的总数之比,记为Support(α)。
8.根据权利要求7所述的基于prefixspan算法的车辆频繁轨迹挖掘系统,其特征在于:
所述车辆频繁轨迹计算和输出模块,具体处理步骤包括:
S401、找出所有长度为1的前缀和对应的投影数据库;
S402、对长度为1的前缀进行计数,将支持度低于阈值α的前缀对应的项从数据集S删除,同时得到所有的频繁1项序列,i=1;
S403、对于每个长度为i满足支持度要求的前缀进行递归挖掘:
S4031、找出前缀所应对的投影数据库;如果投影数据库为空,则递归返回;
S4032、统计对应投影数据库中各项的支持度计数;如果所有项的支持度计数都低于阈值α,则递归返回;
S4033、将满足支持度计数的各个单项和当前的前缀进行合并,得到若干新的前缀;
S4034、令i=i+1,前缀为合并单项后的各个前缀,分别递归执行第S4033、步;
后缀为设α′={α1,α2,...αn}为α对应于β={β1,β2,...βm}的投影,则序列αm+1,αm+2,...αn}为α对应于β的后缀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143545.7A CN111009123A (zh) | 2019-11-20 | 2019-11-20 | 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143545.7A CN111009123A (zh) | 2019-11-20 | 2019-11-20 | 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111009123A true CN111009123A (zh) | 2020-04-14 |
Family
ID=70112281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143545.7A Pending CN111009123A (zh) | 2019-11-20 | 2019-11-20 | 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111009123A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351384A (zh) * | 2020-09-10 | 2021-02-09 | 小灵狗出行科技有限公司 | 一种车辆定位数据修正方法、装置及设备 |
CN113329398A (zh) * | 2021-05-28 | 2021-08-31 | 南京邮电大学 | 一种基于整数规划的敏感上下车模式的隐藏方法 |
CN113780386A (zh) * | 2021-08-30 | 2021-12-10 | 浪潮软件科技有限公司 | 车辆轨迹特征的分析方法、装置及计算机可读介质 |
CN114550483A (zh) * | 2022-02-15 | 2022-05-27 | 广东电网有限责任公司广州供电局 | 一种云组件监测协调方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770516A (zh) * | 2010-01-12 | 2010-07-07 | 深圳先进技术研究院 | 挖掘热带气旋移动轨迹通道方法 |
CN103744861A (zh) * | 2013-12-12 | 2014-04-23 | 深圳先进技术研究院 | 一种轨迹数据中的频繁子轨迹查找方法及装置 |
KR101530636B1 (ko) * | 2014-11-11 | 2015-06-23 | 한국건설기술연구원 | 단위구간 안의 차량의 수를 계수하여 교통밀도를 산출하는 장치 및 방법 |
CN107862862A (zh) * | 2016-09-22 | 2018-03-30 | 杭州海康威视数字技术股份有限公司 | 一种车辆行为分析方法及装置 |
CN107886731A (zh) * | 2017-11-03 | 2018-04-06 | 武汉元鼎创天信息科技有限公司 | 一种非法营运车辆智能检测方法 |
CN109118766A (zh) * | 2018-09-04 | 2019-01-01 | 华南师范大学 | 一种基于交通卡口的同行车辆判别方法及装置 |
CN109243173A (zh) * | 2018-08-15 | 2019-01-18 | 广州市市政工程设计研究总院有限公司 | 基于道路高清卡口数据的车辆轨迹分析方法及系统 |
CN109359690A (zh) * | 2018-10-19 | 2019-02-19 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
DE102018204101A1 (de) * | 2018-03-16 | 2019-09-19 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Planung einer Trajektorie für die Längs- und/oder Querführung eines Fahrzeugs |
CN110275911A (zh) * | 2019-06-24 | 2019-09-24 | 重庆大学 | 基于频繁序列模式的私家车出行热点路径挖掘方法 |
-
2019
- 2019-11-20 CN CN201911143545.7A patent/CN111009123A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770516A (zh) * | 2010-01-12 | 2010-07-07 | 深圳先进技术研究院 | 挖掘热带气旋移动轨迹通道方法 |
CN103744861A (zh) * | 2013-12-12 | 2014-04-23 | 深圳先进技术研究院 | 一种轨迹数据中的频繁子轨迹查找方法及装置 |
KR101530636B1 (ko) * | 2014-11-11 | 2015-06-23 | 한국건설기술연구원 | 단위구간 안의 차량의 수를 계수하여 교통밀도를 산출하는 장치 및 방법 |
CN107862862A (zh) * | 2016-09-22 | 2018-03-30 | 杭州海康威视数字技术股份有限公司 | 一种车辆行为分析方法及装置 |
CN107886731A (zh) * | 2017-11-03 | 2018-04-06 | 武汉元鼎创天信息科技有限公司 | 一种非法营运车辆智能检测方法 |
DE102018204101A1 (de) * | 2018-03-16 | 2019-09-19 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Planung einer Trajektorie für die Längs- und/oder Querführung eines Fahrzeugs |
CN109243173A (zh) * | 2018-08-15 | 2019-01-18 | 广州市市政工程设计研究总院有限公司 | 基于道路高清卡口数据的车辆轨迹分析方法及系统 |
CN109118766A (zh) * | 2018-09-04 | 2019-01-01 | 华南师范大学 | 一种基于交通卡口的同行车辆判别方法及装置 |
CN109359690A (zh) * | 2018-10-19 | 2019-02-19 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
CN110275911A (zh) * | 2019-06-24 | 2019-09-24 | 重庆大学 | 基于频繁序列模式的私家车出行热点路径挖掘方法 |
Non-Patent Citations (3)
Title |
---|
YI CHEN: "An indoor trajectory frequent pattern mining algorithm based on vague grid sequence", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
熊赟,朱扬勇,陈志渊: "《大数据挖掘》", 1 April 2016 * |
韩熙: "基于GPS数据的移动用户行为分析研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351384A (zh) * | 2020-09-10 | 2021-02-09 | 小灵狗出行科技有限公司 | 一种车辆定位数据修正方法、装置及设备 |
CN112351384B (zh) * | 2020-09-10 | 2022-09-27 | 小灵狗出行科技有限公司 | 一种车辆定位数据修正方法、装置及设备 |
CN113329398A (zh) * | 2021-05-28 | 2021-08-31 | 南京邮电大学 | 一种基于整数规划的敏感上下车模式的隐藏方法 |
CN113780386A (zh) * | 2021-08-30 | 2021-12-10 | 浪潮软件科技有限公司 | 车辆轨迹特征的分析方法、装置及计算机可读介质 |
CN113780386B (zh) * | 2021-08-30 | 2023-07-18 | 浪潮软件科技有限公司 | 车辆轨迹特征的分析方法、装置及计算机可读介质 |
CN114550483A (zh) * | 2022-02-15 | 2022-05-27 | 广东电网有限责任公司广州供电局 | 一种云组件监测协调方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111009123A (zh) | 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 | |
CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN104821082B (zh) | 一种基于综合评价的短时交通流预测方法 | |
CN111966729A (zh) | 一种车辆轨迹数据处理方法、装置、设备及存储介质 | |
Wu et al. | DeepETA: a spatial-temporal sequential neural network model for estimating time of arrival in package delivery system | |
CN108122186B (zh) | 一种基于卡口数据的职住位置估计方法 | |
CN106920402A (zh) | 一种基于交通流量的时间序列划分方法与系统 | |
CN101187943A (zh) | 自动更新系统、自动更新方法及其程序 | |
CN111815973B (zh) | 信号交叉口分析方法及相关设备 | |
CN112965960A (zh) | 一种智慧警务数据融合清洗研判装置 | |
CN112905576A (zh) | 一种基于农机作业轨迹确定农田和道路的方法及系统 | |
CN112116810A (zh) | 基于城市道路卡口数据的全路网路段行程时间估计方法 | |
CN111291216A (zh) | 一种基于人脸结构化数据的落脚点分析方法和系统 | |
CN1783092A (zh) | 数据分析装置和数据分析方法 | |
CN112748452B (zh) | 一种基于路网数据的gps轨迹清洗方法 | |
CN112652168B (zh) | 一种重大交通事故预警方法、系统及存储介质 | |
CN110737673A (zh) | 一种数据处理的方法及系统 | |
CN114639240B (zh) | 基于先进先出规则异常侦测的车辆有效行程时间提取方法 | |
CN109598933B (zh) | 一种基于数据驱动的k邻近非参数回归的交通流预测方法 | |
CN114708728B (zh) | 一种识别交通高峰期的方法、电子设备及存储介质 | |
CN113870591B (zh) | 基于交通量预测的信号控制时段的划分方法、装置及设备 | |
CN113470376A (zh) | 基于卡口过车数据的实时区域在途车辆计数方法及系统 | |
CN115600773A (zh) | 一种基于序列模式挖掘的生产路径分析方法及系统 | |
CN114189364B (zh) | 一种基于马尔科夫链的网络节点路径还原和预测的方法 | |
CN114780591A (zh) | 一种检测行程车牌识别错误的计算方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200414 |