CN111046049B - 一种货车gps轨迹数据压缩方法 - Google Patents

一种货车gps轨迹数据压缩方法 Download PDF

Info

Publication number
CN111046049B
CN111046049B CN201911329329.1A CN201911329329A CN111046049B CN 111046049 B CN111046049 B CN 111046049B CN 201911329329 A CN201911329329 A CN 201911329329A CN 111046049 B CN111046049 B CN 111046049B
Authority
CN
China
Prior art keywords
data
truck
track
point
points
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.)
Active
Application number
CN201911329329.1A
Other languages
English (en)
Other versions
CN111046049A (zh
Inventor
李国旗
陈罡
卫龙
吕卓石
孙文杰
段礼豪
董辉
魏新
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.)
Chengdu Yanggu Information Technology Co ltd
Southwest Jiaotong University
Original Assignee
Chengdu Yanggu Information Technology Co ltd
Southwest Jiaotong 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 Chengdu Yanggu Information Technology Co ltd, Southwest Jiaotong University filed Critical Chengdu Yanggu Information Technology Co ltd
Priority to CN201911329329.1A priority Critical patent/CN111046049B/zh
Publication of CN111046049A publication Critical patent/CN111046049A/zh
Application granted granted Critical
Publication of CN111046049B publication Critical patent/CN111046049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • 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

Abstract

本发明涉及一种货车GPS轨迹数据压缩方法，包括以下步骤：基于货车的GPS轨迹数据，对数据进行清洗，即数据筛选，以剔除重复、无效的数据；基于清洗后的货车GPS数据，通过预先定义的速度阈值和时间阈值，判断出货车GPS轨迹数据中的停留点；基于判断出停留点数据、货车GPS轨迹数据和路网数据，应用轨迹压缩方法，对所述清洗后的GPS轨迹数据进行压缩，最终存储为本地Excel文件。通过本发明的技术方案，使得货车GPS轨迹数据压缩率大幅提高，处理轨迹更简洁完整，大大减少了冗余信息对存储资源的浪费，上传更加快捷。

Description

一种货车GPS轨迹数据压缩方法
技术领域
本发明涉及轨迹压缩技术领域，具体涉及一种货车GPS轨迹数据压缩方法。
背景技术
随着GPS设备的普及，用户轨迹的数据量呈爆发式增长，一个城市每日的轨迹数据量往往达到TB级甚至是PB级。而直接将这些庞大的数据进行数据挖掘或发送到服务器是非常不合理的。因为，直接存储这些庞大的原始数据不仅会导致存储费用的提高，而且使得后期的数据挖掘也非常的繁琐。因此，对原始轨迹数据进行压缩存储是非常有必要的，既减少了存储空间，又可以简化轨迹，方便后期的轨迹数据的处理。
“轨迹压缩技术”最早是从地图制图学和计算机制图学引进的，其最初的目的就是解决轨迹数据的简化存储问题，即试图从GPS轨迹的原始数据中选取一系列的相对重要的点，并将其作为压缩后的GPS轨迹数据。一般来说，一条轨迹的起点和终点是最重要的，轨迹方向发生很大转变时采集到的轨迹点也很重要，因为能反映出移动对象在转弯。出发地、目的地和转弯处往往成为轨迹数据挖掘的兴趣点。有选择的存储原始轨迹点中的某些“重要”的点是有道理的。这些重要的点往往比其它点包含了更多的轨迹信息。仅存储轨迹中的重要点，不但可以减小轨迹数据的存储量，还可以尽量多地保持原始轨迹的时空特征信息，在损失一定轨迹精度的前提下简化了轨迹数据的分析处理。如何选取这些重要的点对于传统的轨迹压缩算法来说是很重要的。
发明内容
为解决上述现有技术存在的问题，本发明的目的在于提供一个结合路网数据的货车GPS轨迹数据方法，包括货车GPS轨迹数据的清洗和压缩，最大限度的对货车GPS轨迹数据进行轨迹压缩，有利于对货车GPS轨迹数据进行更深一步的挖掘。
为达到上述目的，本发明的技术方案为：
一种货车GPS轨迹数据压缩方法，包括以下步骤：
步骤1：基于获取的货车GPS轨迹数据，对货车GPS轨迹数据进行数据清洗，即数据筛选；
步骤2：基于步骤1所清洗后的货车GPS轨迹数据，通过停留点识别，识别出货车停留点；
步骤3：基于所述步骤2的货车停留点数据和GPS轨迹数据，结合道路路网数据，通过轨迹压缩方法，得出该货车轨迹的压缩值。
进一步的，所述步骤1具体包括：
步骤1A：编写清洗程序设置货车GPS轨迹数据的筛选条件，用以清除重复、无效的GPS数据；
步骤1B：通过所述步骤1A编写的所述清洗程序，对货车GPS轨迹数据进行清洗；
步骤1C：将所述步骤1B清洗好的货车GPS轨迹数据以Excel形式保存于本地。
进一步的，所述步骤2具体包括：
步骤2A：计算轨迹数据中疑似停留点识别所需要的速度阈值；轨迹数据中疑似停留点识别所需要的速度阈值vset的计算公式如下：
Figure BDA0002329176230000031
式中，n为一段N个轨迹数据中速度为0km/h的轨迹点的个数，vi-1、vi-2、vi-3、vi+1、Vi+2、vi+3表示轨迹数据中所有速度为0km/h的点Ti按序号向上取的3个轨迹点Ti-1、Ti-2、Ti-3以及按序号向下取的3个轨迹点Ti+1、Ti+2、Ti+3所对应的速度值；
步骤2B：基于所述步骤1的货车GPS轨迹数据和步骤2A的速度阈值，通过对货车行驶的瞬时速度v与预先定义的速度阈值V进行比较，若v<V，则将该点作为货车疑似停留点；
步骤2C：若v>V，则将该点作为行驶点；
步骤2D：基于GPS轨迹数据中的车辆类型属性，对车辆的通常停留活动进行确定，车辆进行通常停留活动的最短停留时间即为时间阈值；
步骤2E：基于所述步骤2B的货车疑似停留点集合，比较每一次货车的停留时间tn与所述步骤2D的时间阈值T，若tn<T，则将此集合作为停留点集合；
步骤2F：若tn>T，则将该疑似停留点集合当作一般轨迹点进行步骤3处理；
步骤2G：基于步骤2E的停留点集合，选取停留点集合中最后一个点作为该集合中的停留点，其他的轨迹点忽略。
进一步的，所述步骤3具体包括：
步骤3A：选定信息准确、全面、开放地图开放平台下载中国路网数据；
步骤3B：基于所述平台，下载中国路网数据，并保存到本地；
步骤3C：基于步骤3B下载的中国路网数据，运用Python中的OSM库对路网数据进行处理，将全部路网数据中各道路之间的交叉点筛选出来，并保存到本地；
步骤3D：基于步骤1的货车GPS轨迹数据和步骤3C的路网交叉点数据，结合步骤2的停留点数据，对货车GPS轨迹数据进行压缩；若该货车轨迹上只存在一条路线并不存在分岔路口，则只记录该货车轨迹在此道路的出入点，即该道路与其相邻道路的交叉点；
步骤3E：若该货车轨迹上存在分岔路口，则记录轨迹数据在此分岔路口上的轨迹点，若有多个轨迹点，则保留与交叉点距离最小的轨迹点即可；
步骤3F：当该货车所有轨迹点都处理完成后，根据停留点数据和压缩后轨迹记录的序号属性连接成轨迹线，最终得到该货车压缩轨迹路线。
相对于现有技术，本发明的有益效果为：
1.本发明基于已给出的货车GPS轨迹数据，对其进行清洗，以保证货车的GPS轨迹数据质量，不易受硬件系统影响。
2.本发明能够将一段记录频繁且连续的货车GPS轨迹数据结合路网数据压缩为不连续的点的集合，并利用路网数据将这些点按序号连接起来，压缩效率高，使得轨迹数据更加简洁完整，大大减少了不必要的数据。
附图说明
图1为本发明一种货车GPS轨迹数据压缩方法流程。
图2为本发明基于步骤3C和3D处理前后的对比图。
图3为轨迹点压缩并连接成线后的效果图。
图4为利用本发明方法所获得的货车轨迹路线效果图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案做进一步详细描述：
如图1所示，本发明实施例提供一种货车GPS轨迹数据压缩方法，该实施例是基于四川省高速交通监管平台获取的2019年3月的货车GPS轨迹数据进行轨迹数据压缩试验，该处理技术的步骤如下：
步骤1：基于四川省高速交通监管平台获取的2019年3月的货车GPS轨迹数据，共包含679849条GPS轨迹数据，每条轨迹数据记录了货车编号、车牌号、记录时间、经纬度坐标、方向、行驶瞬时速度和限制速度。对货车GPS轨迹数据进行数据清洗，即数据筛选；
步骤1A：本实施例利用Python编程语言，编写清洗(筛选)程序设置货车GPS轨迹数据的筛选条件，用以清除重复、无效、错误的GPS数据。本实施例中，数据预处理规则有：①删除数据属性信息不完整的GPS轨迹数据记录；②若GPS轨迹数据时间属性信息一样，则只保留最后一个记录，其余记录删除；③GPS轨迹数据速度属性均小于3km/h，则认为这条轨迹中的轨迹点始终停留在一片区域，不具备研究意义，进行删除。
步骤1B：本实施例利用Python编程语言中的Pandas和Numpy库，通过步骤1A编写的清洗(筛选)程序，对Excel形式的货车GPS轨迹数据进行数据清洗(筛选)。
步骤1C：本实施例利用Python编程语言中的Pandas和Numpy库，将步骤1B清洗好的货车GPS轨迹数据以Excel形式保存于本地。
步骤2：基于步骤1的货车GPS轨迹数据，通过停留点识别，识别出货车停留点；
步骤2A：本实施例的轨迹数据中，在一共22424条轨迹数据中存在8931个速度为0km/h的轨迹点；轨迹数据中疑似停留点识别所需要的速度阈值vset的计算公式如下：
Figure BDA0002329176230000061
式中，其中，n为一段N个轨迹数据中速度为0km/h的轨迹点的个数，vi-1、vi-2、vi-3、vi+1、Vi+2、vi+3表示轨迹数据中所有速度为0km/h的点Ti按序号向上取的3个轨迹点Ti-1、Ti-2、Ti-3以及按序号向下取的3个轨迹点；本实施例中，速度阈值Vset计算结果为5.6km/h；
步骤2B：本实施例基于步骤1清洗过的的货车GPS轨迹数据，通过对货车行驶的瞬时速度v与预先定义的速度阈值Vset，若v<Vset，则将该点作为货车疑似停留点；
步骤2C：若v<Vset，则将该点作为行驶点。判断出货车疑似停留点和行驶点；
步骤2D：基于GPS轨迹数据中的车辆类型属性，对车辆的通常停留活动进行确定，车辆进行通常停留活动的最短停留时间即为时间阈值T；本实施例中，由于车辆类型全部为重型货车，而重型货车通常停留时的活动为加油、中途休息、交通拥堵或装卸货物，这些活动的最小停留时间即为本实施例确定的时间阈值T，结果为600s。
步骤2E：基于步骤2B的货车疑似停留点集合，比较每一次货车的停留时间tn与所述步骤2D的时间阈值T，若tn<T，则将此集合作为停留点集合；
步骤2F：若tn>T，则将该疑似停留点集合当作一般轨迹点进行步骤3处理；
步骤2G：基于步骤2E的停留点集合，选取其中最后一个点作为停留点。
步骤3：基于步骤2的货车GPS轨迹数据，结合路网数据，通过轨迹压缩方法，得出该货车轨迹的压缩值；
步骤3A：选定信息准确、全面、开放的电子地图API平台；本实施例中，通过查询百度地图、高德地图、腾讯地图、天地图、谷歌地图和OSM(OpenStreetMap)等地理信息网站，可发现OSM(OpenStreetMap)所包含的路网数据信息最为全面、准确，此外OSM(OpenStreetMap)平台呈对外开放状态，便于从中获取路网数据。因此，在经过反复对比之后，最终选定OSM(OpenStreetMap)平台来获取路网数据；
步骤3B：基于步骤3A的OSM(OpenStreetMap)平台，通过下载获取中国路网数据，本实施例中，针对获取的货车GPS轨迹数据范围，获取中国路网数据库中的四川省路网数据，并以pbf格式保存到本地；
步骤3C：基于步骤3B下载的中国四川省路网数据，运用Python中的Osmnx库将路网数据中各道路的路网交叉点筛选出来，并以shp格式保存到本地，如图2所示，其中图a是筛选前的道路路网数据示意图，图b是应用Osmnx库对路网数据筛选后的结果示意图；
步骤3D：基于步骤3C的路网交叉点数据和步骤1的货车GPS轨迹数据，结合步骤2的货车停留点信息，将路网交叉点数据与货车GPS轨迹数据进行比较。若货车GPS轨迹数据在路段中存在分岔路口，则记录轨迹段在此路段的出入点；
步骤3E：若货车GPS轨迹数据段在路段中不存在分岔路口，则除了记录轨迹段在此路段的出入点；
步骤3F：当该货车所有轨迹点都处理完成后，结合路网数据和轨迹点序号连接成线，最后得到该货车轨迹路线。如图4所示。
本实施例中，步骤3D和3E处理前后的效果示意图如图3所示。其中图a是轨迹压缩前轨迹数据在地图的可视化效果示意图，图b是轨迹压缩后轨迹数据在地图的可视化效果示意图。可以看出，利用本发明的压缩方法，能够使得轨迹数据更加简洁完整，大大减少了不必要的数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种货车GPS轨迹数据压缩方法，其特征在于：包括以下步骤：
步骤1：基于获取的货车GPS轨迹数据，对货车GPS轨迹数据进行数据清洗，即数据筛选；
步骤2：基于步骤1所清洗后的货车GPS轨迹数据，通过停留点识别，识别出货车停留点；
步骤3：基于所述步骤2的货车停留点数据和GPS轨迹数据，结合道路路网数据，通过轨迹压缩方法，得出该货车轨迹的压缩值；
所述步骤1具体包括：
步骤1A：编写清洗程序设置货车GPS轨迹数据的筛选条件，用以清除重复、无效的GPS数据；
步骤1B：通过所述步骤1A编写的所述清洗程序，对货车GPS轨迹数据进行清洗；
步骤1C：将所述步骤1B清洗好的货车GPS轨迹数据以Excel形式保存于本地；
所述步骤2具体包括：
步骤2A：计算轨迹数据中疑似停留点识别所需要的速度阈值；轨迹数据中疑似停留点识别所需要的速度阈值vset的计算公式如下：
Figure FDA0003078253610000011
式中，n为一段N个轨迹数据中速度为0km/h的轨迹点的个数，vi-1、vi-2、vi-3、vi+1、vi+2、vi+3表示轨迹数据中所有速度为0km/h的点Ti按序号向上取的3个轨迹点Ti-1、Ti-2、Ti-3以及按序号向下取的3个轨迹点Ti+1、Ti+2、Ti+3所对应的速度值；
步骤2B：基于所述步骤1的货车GPS轨迹数据和步骤2A的速度阈值，将每个货车行驶轨迹点的瞬时速度v与经步骤2A计算的速度阈值V进行比较，若v<V，则将该点作为货车疑似停留点；
步骤2C：若v>V，则将该点作为行驶点；
步骤2D：基于GPS轨迹数据中的车辆类型属性，对车辆的通常停留活动进行确定，车辆进行通常停留活动的最短停留时间即为时间阈值；
步骤2E：基于所述步骤2B的货车疑似停留点集合，比较每一次货车的停留时间tn与所述步骤2D的时间阈值T，若tn<T，则将此集合作为停留点集合；
步骤2F：若tn>T，则将该疑似停留点集合当作一般轨迹点进行步骤3处理；
步骤2G：基于步骤2E的停留点集合，选取停留点集合中最后一个点作为该集合中的停留点，其他的轨迹点忽略；
所述步骤3具体包括：
步骤3A：选定信息准确、全面、开放地图开放平台下载中国路网数据；
步骤3B：基于所述平台，下载中国路网数据，并保存到本地；
步骤3C：基于步骤3B下载的中国路网数据，运用Python中的OSM库对路网数据进行处理，将全部路网数据中各道路之间的交叉点筛选出来，并保存到本地；
步骤3D：基于步骤1的货车GPS轨迹数据和步骤3C的路网交叉点数据，结合步骤2的停留点数据，对货车GPS轨迹数据进行压缩；若该货车轨迹上只存在一条路线并不存在分岔路口，则只记录该货车轨迹在此道路的出入点，即该道路与其相邻道路的交叉点；
步骤3E：若该货车轨迹上存在分岔路口，则记录轨迹数据在此分岔路口上的轨迹点，若有多个轨迹点，则保留与交叉点距离最小的轨迹点即可；
步骤3F：当该货车所有轨迹点都处理完成后，根据停留点数据和压缩后轨迹记录的序号属性连接成轨迹线，最终得到该货车压缩轨迹路线。
CN201911329329.1A 2019-12-20 2019-12-20 一种货车gps轨迹数据压缩方法 Active CN111046049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911329329.1A CN111046049B (zh) 2019-12-20 2019-12-20 一种货车gps轨迹数据压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911329329.1A CN111046049B (zh) 2019-12-20 2019-12-20 一种货车gps轨迹数据压缩方法

Publications (2)

Publication Number Publication Date
CN111046049A CN111046049A (zh) 2020-04-21
CN111046049B true CN111046049B (zh) 2021-10-26

Family

ID=70238368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911329329.1A Active CN111046049B (zh) 2019-12-20 2019-12-20 一种货车gps轨迹数据压缩方法

Country Status (1)

Country Link
CN (1) CN111046049B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112382083A (zh) * 2020-10-13 2021-02-19 厦门市交通研究中心 一种基于gps数据的货运交通od分析方法、装置及设备
CN112434122A (zh) * 2020-11-24 2021-03-02 天津市市政工程设计研究院 一种识别道路货运集散区的实现方法
CN112748452B (zh) * 2020-12-11 2022-09-23 上海城市交通设计院有限公司 一种基于路网数据的gps轨迹清洗方法
CN112255653A (zh) * 2020-12-22 2021-01-22 长沙树根互联技术有限公司 一种行驶轨迹生成方法及装置
CN112762941A (zh) * 2021-01-04 2021-05-07 金陵科技学院 一种基于移动行为特征的轨迹压缩方法
CN112905578B (zh) * 2021-03-03 2022-07-26 西南交通大学 一种货车gps轨迹停留点识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607553A (zh) * 2012-03-06 2012-07-25 北京建筑工程学院 一种基于出行轨迹数据的行程识别方法
CN104242949A (zh) * 2014-09-09 2014-12-24 广州市香港科大霍英东研究院 一种轨迹压缩及解压缩方法
CN104636443A (zh) * 2015-01-12 2015-05-20 北京中交兴路车联网科技有限公司 一种基于货车轨迹挖掘poi潜在信息的基础数据模型
CN105528359A (zh) * 2014-09-29 2016-04-27 国际商业机器公司 用于存储行进轨迹的方法和系统
CN105808759A (zh) * 2016-03-15 2016-07-27 中国农业大学 面向轨迹挖掘的数据预处理方法及系统
CN106877875A (zh) * 2017-01-22 2017-06-20 齐鲁工业大学 一种基于阈值结合算法的车辆运行轨迹压缩方法
CN107886716A (zh) * 2017-09-20 2018-04-06 南京农业大学 一种冷链车轨迹数据压缩方法
CN108182801A (zh) * 2017-12-21 2018-06-19 北京中交兴路信源科技有限公司 一种基于车辆轨迹的停留点实时检测方法及系统
CN109286399A (zh) * 2018-08-14 2019-01-29 同济大学 基于lzw算法的gps轨迹数据的压缩方法
CN110334170A (zh) * 2019-07-03 2019-10-15 内蒙古大学 一种时空轨迹压缩算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7899616B2 (en) * 1997-10-22 2011-03-01 Intelligent Technologies International, Inc. Method for obtaining information about objects outside of a vehicle
US8090536B2 (en) * 2001-06-06 2012-01-03 Broadcom Corporation Method and apparatus for compression of long term orbit data

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607553A (zh) * 2012-03-06 2012-07-25 北京建筑工程学院 一种基于出行轨迹数据的行程识别方法
CN104242949A (zh) * 2014-09-09 2014-12-24 广州市香港科大霍英东研究院 一种轨迹压缩及解压缩方法
CN105528359A (zh) * 2014-09-29 2016-04-27 国际商业机器公司 用于存储行进轨迹的方法和系统
CN104636443A (zh) * 2015-01-12 2015-05-20 北京中交兴路车联网科技有限公司 一种基于货车轨迹挖掘poi潜在信息的基础数据模型
CN105808759A (zh) * 2016-03-15 2016-07-27 中国农业大学 面向轨迹挖掘的数据预处理方法及系统
CN106877875A (zh) * 2017-01-22 2017-06-20 齐鲁工业大学 一种基于阈值结合算法的车辆运行轨迹压缩方法
CN107886716A (zh) * 2017-09-20 2018-04-06 南京农业大学 一种冷链车轨迹数据压缩方法
CN108182801A (zh) * 2017-12-21 2018-06-19 北京中交兴路信源科技有限公司 一种基于车辆轨迹的停留点实时检测方法及系统
CN109286399A (zh) * 2018-08-14 2019-01-29 同济大学 基于lzw算法的gps轨迹数据的压缩方法
CN110334170A (zh) * 2019-07-03 2019-10-15 内蒙古大学 一种时空轨迹压缩算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于路网的移动对象轨迹压缩;郭兆钟等;《计算机与现代化》;20080228(第2期);第89-101页 *

Also Published As

Publication number Publication date
CN111046049A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111046049B (zh) 一种货车gps轨迹数据压缩方法
CN109919518B (zh) 地图轨迹匹配数据的质量确定方法、装置、服务器及介质
CN106323301B (zh) 一种道路情报的获取方法及装置
US20210166064A1 (en) System and method for detecting and classifying recurrent stops of a vehicle fleet
CN1831893A (zh) 交通信息系统
CN110738855B (zh) 一种数据稀疏时间段的道路交通流状况预测方法
CN112905578B (zh) 一种货车gps轨迹停留点识别方法
CN111190891B (zh) 一种多语义轨迹数据分段存储方法
CN113011815A (zh) 一种货车停靠点提取方法和出行特征确定方法、装置
CN113553482B (zh) 停留点识别和出行链构建系统、算法、设备及存储介质
CN111612670A (zh) 一种构建机动车排放清单的方法、装置和计算机设备
CN110471999B (zh) 轨迹处理方法、装置、设备和介质
CN104318327A (zh) 一种车辆轨迹预测分析方法
CN109859505B (zh) 高速站点的预警处理方法、装置、服务器和介质
CN112613939A (zh) 一种车辆装卸状态的识别方法、装置、存储介质及终端
CN109493449B (zh) 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法
CN111598347A (zh) 一种道路运输车辆超长行程切分优化方法
Liu et al. A novel compression approach for truck GPS trajectory data
CN111444286B (zh) 一种基于轨迹数据的远距离交通节点关联性挖掘方法
CN112633812B (zh) 货运车辆的轨迹分段方法、装置、设备及存储介质
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
CN111740981A (zh) 一种汽车gps轨迹数据压缩方法
CN110097074B (zh) 一种基于序列相似度的车辆轨迹压缩方法
CN104121917A (zh) 一种自动发现新建桥梁的方法和装置
Zhu et al. Mining large-scale GPS streams for connectivity refinement of road maps

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