CN111311910B - 多层次道路级浮动车异常轨迹探测方法 - Google Patents
多层次道路级浮动车异常轨迹探测方法 Download PDFInfo
- Publication number
- CN111311910B CN111311910B CN202010103090.2A CN202010103090A CN111311910B CN 111311910 B CN111311910 B CN 111311910B CN 202010103090 A CN202010103090 A CN 202010103090A CN 111311910 B CN111311910 B CN 111311910B
- Authority
- CN
- China
- Prior art keywords
- track
- road section
- road
- point
- candidate
- 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.)
- Expired - Fee Related
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title description 13
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000011144 upstream manufacturing Methods 0.000 claims description 17
- 238000002955 isolation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 208000014488 papillary tumor of the pineal region Diseases 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种多层次道路级浮动车异常轨迹探测方法,包括:提取轨迹数据点集中车牌号相同、时间戳递增的GPS采样点,组成不同车辆的轨迹序列;将提取得到的出行轨迹数据与城市路网进行匹配,从而将轨迹点序列转化为道路级的路段序列;选择匹配度最高的候选轨迹为出行轨迹数据在城市路网中的移动轨迹,并使用匹配度最高的候选轨迹中轨迹点所在的路段序列表达原始出行轨迹的行驶路径。本发明方法顾及浮动车受到路网约束的条件,从全局和局部探测浮动车异常轨迹,使探测的异常轨迹更加全面和准确。
Description
技术领域
本发明涉及时空数据挖掘与时空统计领域,特别涉及一种多层次道路级浮动车异常轨迹探测方法。
背景技术
GPS设备的不断普及、传感器设备和计算机的不断发展,为解决城市问题提供数据基础,获取城市地理数据变得越来越便捷。其中,浮动车轨迹数据具有数据量大、成本低、信息丰富的特点,浮动车轨迹中的频繁模式,例如热门路径、热点区域,可以揭示城市交通动态信息和人类出行行为规律,对提高城市交通管理水平和城市道路规划合理性具有重要意义。与此同时,浮动车轨迹的异常模式同样值得研究,异常的浮动车轨迹往往暗示着出租车司机因欺诈而绕道的行为,因道路封锁、交通事故导致的长时间停留行为,以及规避交通拥堵、事故的绕路行为。因此,面向浮动车轨迹数据,探测异常轨迹,可以为城市智能交通建设和公共安全管理等方面提供科学指导。
通过分析可以发现,现有基于空间距离的方法仅直接连接稀疏的GPS点序列形成浮动车轨迹,再通过度量轨迹间的距离来探测全局或局部异常轨迹,存在轨迹表达不精确的问题;现有基于网格序列特征的方法同样没有考虑浮动车轨迹数据受到路网约束的问题,并且网格大小的选择对实验结果影响大。综上所述,现有浮动车轨迹表达方法难以准确表达浮动车行驶轨迹,导致异常轨迹探测结果不准确;并且现有方法难以同时探测全局异常轨迹和局部异常轨迹。目前,缺乏一种多层次的道路级浮动车异常轨迹探测方法。
发明内容
本发明提供了一种多层次道路级浮动车异常轨迹探测方法,其目的是为了解决现有基于空间距离和网格序列的异常轨迹探测方法未顾及浮动车轨迹受到路网约束的条件,两类粗糙的轨迹表达方式容易导致错误的探测结果,以及难以同时探测全局和局部异常轨迹的问题。
为了达到上述目的,本发明的实施例提供了一种多层次道路级浮动车异常轨迹探测方法,包括:
步骤1,提取轨迹数据点集中车牌号相同、时间戳递增的GPS采样点,组成不同车辆的轨迹序列;
步骤2,将提取得到的出行轨迹数据与城市路网进行匹配,从而将轨迹点序列转化为道路级的路段序列;
步骤3,选择匹配度最高的候选轨迹为出行轨迹数据在城市路网中的移动轨迹,并使用匹配度最高的候选轨迹中轨迹点所在的路段序列表达原始出行轨迹的行驶路径;
步骤4,所述轨迹数据的路段序列中时间上依次出现,选取空间上不相邻的第一路段和第二路段,取所述第一路段上轨迹点速度反方向所指向的第一端点,取所述第二路段上轨迹点速度方向所指向的第二端点,采用最短网络距离计算方法得到第一端点到第二端点的移动路段,用于修补所述第一路段和所述第二路段之间缺失的路段;
步骤5,给定一个包含多条由路段序列表示的轨迹集合,计算所述轨迹集合中每条轨迹得到的M棵隔离树的树高平均值,计算出待探测轨迹的异常度,若所述待探测轨迹的异常度大于第一预设值,则所述待探测轨迹为全局异常轨迹。
其中,所述步骤1具体包括:
根据GPS轨迹点载客状态,提取持续为载客状态的子轨迹作为一条完整的出行轨迹;
选定待分析的出发区域与到达区域,遍历全部出行轨迹,提取所有先后经过出发区域和到达区域的出行轨迹作为研究数据。
其中,所述步骤2具体包括:
其中,所述步骤5具体包括:
给定一个包含m条由路段序列表示的轨迹集合T={t1,t2,...,tn},待探测轨迹记为ti,轨迹ti的补集记为U;
随机选取轨迹ti中的一个路段,将U中含有该路段的轨迹记为左子节点,否则记为右子节点。继续随机选取轨迹ti中未选择过的路段,将当前左子节点中含有该路段的轨迹记为下一级左子节点,否则记为右子节点。迭代执行此过程,直到左子节点为空集或轨迹ti是左子节点中任意轨迹的子集,建立一棵隔离树;对每条轨迹执行此过程M次,建立M棵隔离树;
计算轨迹集合T中每条轨迹得到的M棵隔离树的树高平均值,进一步计算待探测轨迹ti异常度,计算公式如下:
其中,TRi表示轨迹ti的M棵隔离树的树高平均值,m表示轨迹集合T中的轨迹数量;当轨迹ti异常度的S(ti)大于一定阈值θ时,轨迹ti判别为全局异常轨迹。
其中,所述方法还包括:
给定一个包含m条由路段序列表示的轨迹集合T={t1,t2,...,tn}和路径D={e1,e2,…,ei-1,ei}。其中PT={e1,e2,…ei-1}为上游路径,ei为目标路段,若上游路径在轨迹集合中频繁出现,且上游路径中的车辆频繁流入的路段ei,则路段ei判别为频繁路段;
计算上游路径PT={e1,e2,…ei-1}在轨迹集合T中的出现频繁度,计算公式如下:
其中,haspath(PT,T)表示轨迹集合T中包含上游路径PT的轨迹集合,|·|为数量运算函数;
计算当前路径D={e1,e2,…,ei-1,ei}中路段ei频繁度,计算公式如下:
当PTPR(PT,T)和TPR(ei,D,T)分别大于频繁阈值α和β时,则判别ei在路径D中为频繁路段;
遍历得到的每条全局异常轨迹的各个路段ei,如果在所有路径中,路段ei均判别为非频繁路段,则路段ei判别为局部异常路段。
本发明的上述方案有如下的有益效果:
本发明的上述实施例所述的多层次道路级浮动车异常轨迹探测方法解决了基于空间距离和网格序列的异常轨迹探测方法未顾及浮动车轨迹受到路网约束的条件,两类粗糙的轨迹表达方式容易导致错误的探测结果的问题,同时从全局和局部探测浮动车异常轨迹,使探测的异常轨迹更加全面和准确。
附图说明
图1为本发明的多层次道路级浮动车异常轨迹探测方法的流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1所示,本发明的实施例提供了一种多层次道路级浮动车异常轨迹探测方法,包括:
步骤1,提取轨迹数据点集中车牌号相同、时间戳递增的GPS采样点,组成不同车辆的轨迹序列;根据GPS轨迹点载客状态,提取持续为载客状态的子轨迹作为一条完整的出行轨迹;选定待分析的出发区域与到达区域,遍历全部出行轨迹,提取所有先后经过出发区域和到达区域的出行轨迹作为研究数据。
步骤2,将提取得到的出行轨迹数据与城市路网进行匹配,从而将轨迹点序列转化为道路级的路段序列;
步骤3,选择匹配度最高的候选轨迹Lj为出行轨迹数据P={P1,P2,…,Pn}在城市路网中的移动轨迹。进一步使用匹配度最高的候选轨迹Lj中轨迹点所在的路段序列表达原始出行轨迹P的行驶路径,记为:E={e1,e2,…,ek},其中ei表示第i条路段。
由于车载GPS设备采样时间间隔长、采样频率低,导致得到的路段编号序列无法反应浮动车的完整行驶轨迹,即时间上依次出现的两个路段,在空间上不相邻。因此,需要进一步推断完整的浮动车轨迹路段序列。
步骤4,针对轨迹数据P的路段序列E={e1,e2,…,ek}中时间上依次出现,然而空间上不相邻的两条路段ei和ej,取ei路段上轨迹点速度反方向所指向的端点xi,取ej路段上轨迹点速度方向所指向的端点xj,采用最短网络距离计算方法得到端点xi到端点xj的移动路段,用于修补路段ei和ej之间缺失的路段。
步骤5,给定一个包含m条由路段序列表示的轨迹集合T={t1,t2,...,tn},待探测轨迹记为ti,轨迹ti的补集记为U;
随机选取轨迹ti中的一个路段,将U中含有该路段的轨迹记为左子节点,否则记为右子节点。继续随机选取轨迹ti中未选择过的路段,将当前左子节点中含有该路段的轨迹记为下一级左子节点,否则记为右子节点。迭代执行此过程,直到左子节点为空集或轨迹ti是左子节点中任意轨迹的子集,建立一棵隔离树;对每条轨迹执行此过程M次,建立M棵隔离树;
计算轨迹集合T中每条轨迹得到的M棵隔离树的树高平均值,进一步计算待探测轨迹ti异常度,计算公式如下:
其中,TRi表示轨迹ti的M棵隔离树的树高平均值,m表示轨迹集合T中的轨迹数量;当轨迹ti异常度的S(ti)大于一定阈值θ时,轨迹ti判别为全局异常轨迹。
其中,所述方法还包括:
给定一个包含m条由路段序列表示的轨迹集合T={t1,t2,...,tn}和路径D={e1,e2,…,ei-1,ei}。其中PT={e1,e2,…ei-1}为上游路径,ei为目标路段,若上游路径在轨迹集合中频繁出现,且上游路径中的车辆频繁流入的路段ei,则路段ei判别为频繁路段;
计算上游路径PT={e1,e2,…ei-1}在轨迹集合T中的出现频繁度,计算公式如下:
其中,haspath(PT,T)表示轨迹集合T中包含上游路径PT的轨迹集合,|·|为数量运算函数;
计算当前路径D={e1,e2,…,ei-1,ei}中路段ei频繁度,计算公式如下:
当PTPR(PT,T)和TPR(ei,D,T)分别大于频繁阈值α和β时,则判别ei在路径D中为频繁路段;
遍历得到的每条全局异常轨迹的各个路段ei,如果在所有路径中,路段ei均判别为非频繁路段,则路段ei判别为局部异常路段。
本发明采用北京市2012年11月3日至9日浮动车轨迹数据为实施例进行说明,下面将结合此实例具体说明本发明辅助解决城市交通管理相关问题的实施步骤:
1)OD流提取。出发区域为北京西站,到达区域为北京南站。OD流满足条件:起点为变载客状态、终点为变空车状态、中间状态为连续运营、时间上递增。路网匹配时缓冲区半径r设置为50m,u和σ分别设置为0和20。
2)轨迹路段序列推断。针对轨迹数据P的路段序列E={e1,e2,…,ek}中时间上依次出现,然而空间上不相邻的两条路段ei和ej,取ei路段上轨迹点速度反方向所指向的端点xi,取ej路段上轨迹点速度方向所指向的端点xj,采用最短网络距离计算方法得到端点xi到端点xj的移动路段,用于修补路段ei和ej之间缺失的路段。
3)基于隔离树的全局异常轨迹探测。隔离树棵树M设置为30,轨迹异常度的阈值θ设置为0.5。
4)基于频繁路段的局部异常轨迹探测。上游路径频繁度阈值α和当前路径频繁度阈值β分别设置为0.3和0.7。遍历得到的每条全局异常轨迹的各个路段ei,如果在所有路径中,路段ei均判别为非频繁路段,则路段ei判别为局部异常路段。
本发明的上述实施例所述的多层次道路级浮动车异常轨迹探测方法解决了基于空间距离和网格序列的异常轨迹探测方法未顾及浮动车轨迹受到路网约束的条件,两类粗糙的轨迹表达方式容易导致错误的探测结果的问题,同时从全局和局部探测浮动车异常轨迹,使探测的异常轨迹更加全面和准确。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种多层次道路级浮动车异常轨迹探测方法,其特征在于,包括:
步骤1,提取轨迹数据点集中车牌号相同、时间戳递增的GPS采样点,组成不同车辆的轨迹序列;
步骤2,将提取得到的出行轨迹数据与城市路网进行匹配,从而将轨迹点序列转化为道路级的路段序列;
步骤3,选择匹配度最高的候选轨迹为出行轨迹数据在城市路网中的移动轨迹,并使用匹配度最高的候选轨迹中轨迹点所在的路段序列表达原始出行轨迹的行驶路径;
步骤4,选取所述轨迹数据的路段序列中时间上依次出现,但空间上不相邻的第一路段和第二路段,取所述第一路段上轨迹点速度反方向所指向的第一端点,取所述第二路段上轨迹点速度方向所指向的第二端点,采用最短网络距离计算方法得到第一端点到第二端点的移动路段,用于修补所述第一路段和所述第二路段之间缺失的路段;
步骤5,给定一个包含多条由路段序列表示的轨迹集合,计算所述轨迹集合中每条轨迹得到的M棵隔离树的树高平均值,计算出待探测轨迹的异常度,若所述待探测轨迹的异常度大于第一预设值,则所述待探测轨迹为全局异常轨迹;
所述步骤1具体包括:
根据GPS轨迹点载客状态,提取持续为载客状态的子轨迹作为一条完整的出行轨迹;
选定待分析的出发区域与到达区域,遍历全部出行轨迹,提取所有先后经过出发区域和到达区域的出行轨迹作为研究数据;
所述步骤2具体包括:
所述步骤5具体包括:
给定一个包含m条由路段序列表示的轨迹集合T={t1,t2,...,tn},待探测轨迹记为ti,轨迹ti的补集记为U;
随机选取轨迹ti中的一个路段,将U中含有该路段的轨迹记为左子节点,否则记为右子节点;继续随机选取轨迹ti中未选择过的路段,将当前左子节点中含有该路段的轨迹记为下一级左子节点,否则记为右子节点;迭代执行此过程,直到左子节点为空集或轨迹ti是左子节点中任意轨迹的子集,建立一棵隔离树;对每条轨迹执行此过程M次,建立M棵隔离树;
计算轨迹集合T中每条轨迹得到的M棵隔离树的树高平均值,进一步计算待探测轨迹ti异常度,计算公式如下:
其中,TRi表示轨迹ti的M棵隔离树的树高平均值,m表示轨迹集合T中的轨迹数量;当轨迹ti异常度的S(ti)大于一定阈值θ时,轨迹ti判别为全局异常轨迹;
所述方法还包括:
给定一个包含m条由路段序列表示的轨迹集合T={t1,t2,...,tn}和路径D={e1,e2,…,ei-1,ei},其中PT={e1,e2,…ei-1}为上游路径,ei为目标路段,若上游路径在轨迹集合中频繁出现,且上游路径中的车辆频繁流入的路段ei,则路段ei判别为频繁路段;
计算上游路径PT={e1,e2,…ei-1}在轨迹集合T中的出现频繁度,计算公式如下:
其中,haspath(PT,T)表示轨迹集合T中包含上游路径PT的轨迹集合,|·|为数量运算函数;
计算当前路径D={e1,e2,…,ei-1,ei}中路段ei频繁度,计算公式如下:
其中,haspath(D,T)表示轨迹集合T中包含上游路径PT与当前路段ei的轨迹集合,当PTPR(PT,T)和TPR(ei,D,T)分别大于频繁阈值α和β时,则判别ei在路径D中为频繁路段;
遍历得到的每条全局异常轨迹的各个路段ei,如果在所有路径中,路段ei均判别为非频繁路段,则路段ei判别为局部异常路段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103090.2A CN111311910B (zh) | 2020-02-19 | 2020-02-19 | 多层次道路级浮动车异常轨迹探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103090.2A CN111311910B (zh) | 2020-02-19 | 2020-02-19 | 多层次道路级浮动车异常轨迹探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311910A CN111311910A (zh) | 2020-06-19 |
CN111311910B true CN111311910B (zh) | 2020-12-22 |
Family
ID=71149151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103090.2A Expired - Fee Related CN111311910B (zh) | 2020-02-19 | 2020-02-19 | 多层次道路级浮动车异常轨迹探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311910B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11828860B2 (en) | 2021-08-27 | 2023-11-28 | International Business Machines Corporation | Low-sampling rate GPS trajectory learning |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882873B (zh) * | 2020-07-22 | 2022-01-28 | 平安国际智慧城市科技股份有限公司 | 轨迹异常检测方法、装置、设备及介质 |
CN112270833B (zh) * | 2020-10-27 | 2021-11-23 | 智慧足迹数据科技有限公司 | 一种轨迹拟合方法、装置、电子设备和存储介质 |
CN113724489B (zh) * | 2021-07-22 | 2022-07-01 | 东南大学 | 基于多源数据的交通拥堵溯源方法 |
CN114238794A (zh) * | 2021-12-20 | 2022-03-25 | 阿波罗智联(北京)科技有限公司 | 常驻点识别方法及装置、电子设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104197945A (zh) * | 2014-08-27 | 2014-12-10 | 浙江工业大学 | 一种基于低采样率浮动车数据的全局投票地图匹配方法 |
CN106023587A (zh) * | 2016-05-25 | 2016-10-12 | 电子科技大学 | 基于多信息融合的轨迹数据路网精确匹配方法 |
CN106250515A (zh) * | 2016-08-04 | 2016-12-21 | 复旦大学 | 基于历史数据的缺失路径恢复方法 |
CN106846801A (zh) * | 2017-02-06 | 2017-06-13 | 安徽新华博信息技术股份有限公司 | 一种基于车辆轨迹的区域徘徊异常行为检测方法 |
CN107742126A (zh) * | 2017-09-26 | 2018-02-27 | 南京航空航天大学 | 一种基于隐马尔可夫模型的浮动车地图匹配方法 |
CN108763558A (zh) * | 2018-05-25 | 2018-11-06 | 武汉大学 | 一种基于地图匹配的众包地图道路质量改进方法 |
CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
GB2572717A (en) * | 2016-12-30 | 2019-10-09 | Ogrands Innovation Inc | Method for detecting traffic anomaly of urban road |
CN110736471A (zh) * | 2019-09-24 | 2020-01-31 | 武汉大学 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
US10748421B2 (en) * | 2016-10-08 | 2020-08-18 | Dalian University Of Technology | Method for estimating distribution of urban road travel time in considering operation state of taxi |
-
2020
- 2020-02-19 CN CN202010103090.2A patent/CN111311910B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104197945A (zh) * | 2014-08-27 | 2014-12-10 | 浙江工业大学 | 一种基于低采样率浮动车数据的全局投票地图匹配方法 |
CN106023587A (zh) * | 2016-05-25 | 2016-10-12 | 电子科技大学 | 基于多信息融合的轨迹数据路网精确匹配方法 |
CN106250515A (zh) * | 2016-08-04 | 2016-12-21 | 复旦大学 | 基于历史数据的缺失路径恢复方法 |
US10748421B2 (en) * | 2016-10-08 | 2020-08-18 | Dalian University Of Technology | Method for estimating distribution of urban road travel time in considering operation state of taxi |
GB2572717A (en) * | 2016-12-30 | 2019-10-09 | Ogrands Innovation Inc | Method for detecting traffic anomaly of urban road |
CN106846801A (zh) * | 2017-02-06 | 2017-06-13 | 安徽新华博信息技术股份有限公司 | 一种基于车辆轨迹的区域徘徊异常行为检测方法 |
CN107742126A (zh) * | 2017-09-26 | 2018-02-27 | 南京航空航天大学 | 一种基于隐马尔可夫模型的浮动车地图匹配方法 |
CN108763558A (zh) * | 2018-05-25 | 2018-11-06 | 武汉大学 | 一种基于地图匹配的众包地图道路质量改进方法 |
CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
CN110736471A (zh) * | 2019-09-24 | 2020-01-31 | 武汉大学 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
Non-Patent Citations (3)
Title |
---|
An Automatic Method for Detection and Update of Additive Changes in Road Network with GPS Trajectory Data;Tang Jianbo 等;《International Journal of Geo-Information》;20190913;71965-71975 * |
基于GPS数据的出租车异常运营状态检测技术;郑剑炜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190215;第3.3节及4.2-4.4节 * |
基于轨迹数据挖掘的异常检测方法研究;叶敏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180215;C034-1011 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11828860B2 (en) | 2021-08-27 | 2023-11-28 | International Business Machines Corporation | Low-sampling rate GPS trajectory learning |
Also Published As
Publication number | Publication date |
---|---|
CN111311910A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311910B (zh) | 多层次道路级浮动车异常轨迹探测方法 | |
CN109410586B (zh) | 一种基于多元数据融合的交通状态检测方法 | |
CN108345666B (zh) | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 | |
CN104197945B (zh) | 一种基于低采样率浮动车数据的全局投票地图匹配方法 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN111949896B (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
CN106097717B (zh) | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 | |
CN109886724B (zh) | 一种鲁棒性的居民出行轨迹识别方法 | |
CN113031033B (zh) | 一种基于gps数据的轨迹纠偏装置及方法 | |
CN111768619A (zh) | 一种基于卡口数据的快速路车辆od点确定方法 | |
CN113127466B (zh) | 一种车辆轨迹数据预处理方法及计算机存储介质 | |
CN113375685B (zh) | 基于子轨迹相交的城市路口中心识别及路口转弯规则提取方法 | |
CN106956680A (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN112309118A (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN110675631A (zh) | 一种交通流溯源分析方法及系统 | |
CN104217591A (zh) | 动态路况检测方法及系统 | |
Li et al. | Driving performances assessment based on speed variation using dedicated route truck GPS data | |
CN109584549A (zh) | 一种基于大规模浮动车数据的道路交通运行指数检测方法 | |
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 | |
CN111402585B (zh) | 偶发性拥堵路径的探测方法 | |
Li et al. | A feature-based approach to large-scale freeway congestion detection using full cellular activity data | |
JP2010205089A (ja) | 道路交通情報作成装置および道路交通情報作成方法 | |
Fei et al. | Spatiotemporal clustering in urban transportation: a bus route case study in Washington DC |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201222 |
|
CF01 | Termination of patent right due to non-payment of annual fee |