CN111462492A - 一种基于里奇流的关键路段检出方法 - Google Patents
一种基于里奇流的关键路段检出方法 Download PDFInfo
- Publication number
- CN111462492A CN111462492A CN202010276921.6A CN202010276921A CN111462492A CN 111462492 A CN111462492 A CN 111462492A CN 202010276921 A CN202010276921 A CN 202010276921A CN 111462492 A CN111462492 A CN 111462492A
- Authority
- CN
- China
- Prior art keywords
- weight
- road
- network
- flow
- road section
- 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
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
-
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于里奇流的关键路段检出方法,包括以下步骤:基于静态路网数据和实际流量数据,构建加权道路网络;计算不同时刻道路网络的初始奥利维里奇曲率值;通过里奇流迭代过程,得到使得网络每条边具有相同奥利维里奇曲率值的权重体系;计算同一路段权重变化的方向及变化程度,设定阈值提取权重在里奇流迭代过程中变化较大的路段。本发明方法是一种结合实际流量数据从流量传输角度提取城市路网关键路段的方法,解决了现有方法多仅从路网的拓扑结构分析关键路段,没有充分考虑路网的实际交通流分布情况以及网络的流量传输特性的问题。本发明方法简单易行,且检出结果更加符合实际路段交通分布和流量情况。
Description
技术领域
本发明属于地理空间信息利用技术领域,涉及交通地理信息的检测方法,具体涉及一种基于里奇流的关键路段检出方法。
背景技术
日益严峻的城市交通问题,特别是交通拥堵问题严重影响了居民的日常生产生活活动,是影响城市健康发展的主要负面因素。从本质上讲,交通拥堵问题产生是由于当前道路系统不能满足微观个体出行行为所引发的宏观网络交通流聚集现象。因此,综合考虑道路交通系统和居民出行行为有助于全面理解交通运行状况,优化交通管理,缓解交通拥堵状况。
一般来说,关键路段是道路网络中对全局通行能力有较大影响的道路集合。因此,关键路段与交通拥堵息息相关。关键路段的准确提取能够为缓解交通拥堵状况提供可靠的依据。但是现有关键路段提取方法大多仅从路网的拓扑结构出发提取关键路段,没有充分考虑路网的实际交通流分布情况以及网络中的流量传输特性的问题。
发明内容
本发明的目的在于提供一种基于里奇流的关键路段检出方法,本发明提出的道路网络关键路段提取方法将曲率流与复杂网络相结合,通过里奇流迭代方法,得到使得网络中每条边具有相同奥利维里奇曲率值的权重分布,计算原始权重与经里奇流迭代后的权重进行对比,用于提取关键路段。本发明方法简单易行,且检出结果更加符合实际路段交通分布和流量情况。
本发明的目的是这样实现的,一种基于里奇流的关键路段检出方法,包括以下步骤:
步骤1,基于静态路网数据和实际流量数据,构建加权道路网络;
步骤2,计算不同时刻道路网络的初始奥利维里奇曲率值;
步骤3,通过里奇流迭代过程,得到使得网络每条边具有相同奥利维里奇曲率值的权重体系;
步骤4,计算同一路段权重变化的方向及变化程度,设定阈值提取权重在里奇流迭代过程中变化较大的路段。
具体地,在步骤1中所述的静态路网数据的具体含义为:以路口为节点,以路段为边构建的道路网络;在步骤1中所述的实际流量数据是指带有GPS信息的出租车轨迹点数据,根据其经纬度信息转换成路段上的流量特征;步骤1所述的加权道路网络的构建过程包含以下步骤:
步骤101,建立静态道路网络;
步骤102,将出租车轨迹点数据映射到相应路段上;
步骤103,统计每条路段上不同时间段的出租车流量;
步骤104,构建以出租车流量为路段权重的加权道路网络。
具体地,所述的奥利维里奇曲率的计算公式为Rico(e)=1-W1(mx,my)/d(x,y),其中,mx、my表示与构成边e的两端点x、y直接连接的节点的概率测度,用dx、dy表示与点x、y直接连接的节点数量,则mx=1/dx,my=1/dy;W1(mx,my)是两个分布mx、my之间的运输距离;d(x,y)表示节点x到y的最短路径距离;
具体的,步骤2包括以下步骤:
步骤202,计算网络中每条边的初始奥利维里奇曲率值。
具体地,在步骤3中所述的里奇流迭代过程是一种曲率引导的扩散过程,在里奇流作用下,社区内部边的权重会缩小,而连接社区的边的权重会增大;里奇流迭代过程包含以下步骤:
步骤303,重复步骤301和步骤302,直至网络中每条边的奥利维里奇曲率值接近于一个常数。
具体地,在步骤4中所述的设定阈值提取权重在里奇流迭代过程中变化较大的路段,包括以下步骤:
步骤401,计算每条路段原始权重与里奇流迭代后权重之差δ;
步骤402,将权重之差排序,基于路网规模设定阈值τ,提取关键路段。
本发明方法提供了一种基于里奇流的关键路段检出方法,所述方法中的奥利维里奇曲率值是一种能够用于衡量网络中能量传输性质的复杂网络分析指标,里奇流迭代过程是一种曲率引导的扩散过程,它以某种形式上类似于热扩散的方式使空间变形,本发明方法是一种结合实际流量数据从流量传输角度提取城市路网关键路段的方法,解决了现有方法多仅从路网的拓扑结构分析关键路段,没有充分考虑路网的实际交通流分布情况以及网络的流量传输特性的问题。
附图说明
图1本发明方法的流程示意图;
图2本发明方法实施例的流程示意图。
具体实施方式
下面结合实施例和附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
如图1所示,一种基于里奇流的关键路段检出方法,包括以下步骤:
步骤1,基于静态路网数据和实际流量数据,构建加权道路网络;
步骤2,计算不同时刻道路网络的初始奥利维里奇曲率值;
步骤3,通过里奇流迭代过程,得到使得网络每条边具有相同奥利维里奇曲率值的权重体系;
步骤4,计算同一路段权重变化的方向及变化程度,设定阈值提取权重在里奇流迭代过程中变化较大的路段。
具体地,在步骤1中所述的静态路网数据的具体含义为:以路口为节点,以路段为边构建的道路网络;在步骤1中所述的实际流量数据是指带有GPS信息的出租车轨迹点数据,根据其经纬度信息转换成路段上的流量特征;步骤1所述的加权道路网络的构建过程包含以下步骤:
步骤101,建立静态道路网络;
步骤102,将出租车轨迹点数据映射到相应路段上;
步骤103,统计每条路段上不同时间段的出租车流量;
步骤104,构建以出租车流量为路段权重的加权道路网络。
具体地,所述的奥利维里奇曲率的计算公式为Rico(e)=1-W1(mx,my)/d(x,y),其中,mx、my表示与构成边e的两端点x、y直接连接的节点的概率测度,用dx、dy表示与点x、y直接连接的节点数量,则mx=1/dx,my=1/dy;W1(mx,my)是两个分布mx、my之间的运输距离;d(x,y)表示节点x到y的最短路径距离;
具体的,步骤2包括以下步骤:
步骤202,计算网络中每条边的初始奥利维里奇曲率值。
具体地,在步骤3中所述的里奇流迭代过程是一种曲率引导的扩散过程,在里奇流作用下,社区内部边的权重会缩小,而连接社区的边的权重会增大;里奇流迭代过程包含以下步骤:
步骤303,重复步骤301和步骤302,直至网络中每条边的奥利维里奇曲率值接近于一个常数。
具体地,在步骤4中所述的设定阈值提取权重在里奇流迭代过程中变化较大的路段,包括以下步骤:
步骤401,计算每条路段原始权重与里奇流迭代后权重之差δ;
步骤402,将权重之差排序,基于路网规模设定阈值τ,提取关键路段。
如图2所示,利用北京市2012年11月1日的出租车轨迹点数据以及北京市路网数据,按照图1所示的流程,首先,将出租车轨迹点数据映射到路网上,构建加权路网,路网由1364个节点,2232条边构成。其次,计算加权路网中每条边的奥利维里奇曲率。然后,通过里奇流迭代过程得到使得路网中任意边的曲率值一致的边的权重分布。最后,根据网络规模,设定阈值τ,判断原始权重与收敛后权重之差δ与阈值τ的大小关系,提取关键路段。
具体实施步骤如下所述:
步骤A:构建北京市静态道路网络,网络由1364个节点以及2232条边组成;
步骤B:将2012年11月1日出租车轨迹点数据通过ArcGIS软件中的“空间连接”工具映射到相应路段上;
步骤C:统计每条路段上不同时间段的出租车流量;
步骤D:构建以出租车流量为路段权重的加权道路网络;
步骤F:计算网络中每条边的初始奥利维里奇曲率值,计算公式为Rico(e)=1-W1(mx,my)/d(x,y),其中,mx=1/dx,my=1/dy;W1(mx,my)是两个分布mx、my之间的运输距离,一般借助Wasserstein运输度量进行计算;d(x,y)表示节点x到y的加权最短路径距离;
步骤I:重复步骤G、H直至网络中任意边的奥利维里奇曲率值接近于一个常数;
步骤J:计算每条路段原始权重与里奇流迭代后权重之差δ并排序;
步骤K:基于路网规模设定阈值τ为2.5,以此提取关键路段共187条。
针对目前交通网络面临的现实挑战,本实施例提出的道路网络关键路段提取方法将曲率流与复杂网络相结合,通过里奇流迭代方法,得到使得网络中每条边具有相同奥利维里奇曲率值的权重分布,计算原始权重与经里奇流迭代后的权重进行对比,提取关键路段。里奇流方法是基于曲率的几何概念,里奇曲率定量地描述了空间在每个点上是如何弯曲的,而里奇流则以某种形式上类似于热扩散的方式使空间变形。当将里奇曲率应用至离散网络中时,在里奇流作用下,网络中社区内部边的权重会缩小,而连接社区的边的权重会增大。本发明方法从流量传输角度提取城市路网关键道路的方法,解决了现有方法多仅从路网的拓扑结构分析关键道路,没有充分考虑路网的实际交通流分布情况以及网络的流量传输特性的问题。路网中的关键路段往往与拥堵息息相关,因此提取路网中的关键路段能够为微观解决拥堵现状提供很好的借鉴作用。
Claims (5)
1.一种基于里奇流的关键路段检出方法,其特征在于,包括以下步骤:
步骤1,基于静态路网数据和实际流量数据,构建加权道路网络;
步骤2,计算不同时刻道路网络的初始奥利维里奇曲率值;
步骤3,通过里奇流迭代过程,得到使得网络每条边具有相同奥利维里奇曲率值的权重体系;
步骤4,计算同一路段权重变化的方向及变化程度,设定阈值提取权重在里奇流迭代过程中变化较大的路段。
2.根据权利要求1所述的关键路段检出方法,其特征在于,在步骤1中所述的静态路网数据的具体含义为:以路口为节点,以路段为边构建的道路网络;在步骤1中所述的实际流量数据是指带有GPS信息的出租车轨迹点数据,根据其经纬度信息转换成路段上的流量特征;步骤1所述的加权道路网络的构建过程包含以下步骤:
步骤101,建立静态道路网络;
步骤102,将出租车轨迹点数据映射到相应路段上;
步骤103,统计每条路段上不同时间段的出租车流量;
步骤104,构建以出租车流量为路段权重的加权道路网络。
5.根据权利要求4所述的关键路段检出方法,其特征在于,步骤4中所述的设定阈值提取权重在里奇流迭代过程中变化较大的路段,包括以下步骤:
步骤401,计算每条路段原始权重与里奇流迭代后权重之差δ;
步骤402,将权重之差排序,基于路网规模设定阈值τ,提取关键路段。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276921.6A CN111462492B (zh) | 2020-04-10 | 2020-04-10 | 一种基于里奇流的关键路段检出方法 |
PCT/CN2021/086403 WO2021204283A1 (zh) | 2020-04-10 | 2021-04-12 | 一种基于里奇流的关键路段检出方法 |
US17/553,101 US12046133B2 (en) | 2020-04-10 | 2021-12-16 | Detection method of key road-sections based on ricci flow |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276921.6A CN111462492B (zh) | 2020-04-10 | 2020-04-10 | 一种基于里奇流的关键路段检出方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462492A true CN111462492A (zh) | 2020-07-28 |
CN111462492B CN111462492B (zh) | 2021-03-30 |
Family
ID=71679689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010276921.6A Active CN111462492B (zh) | 2020-04-10 | 2020-04-10 | 一种基于里奇流的关键路段检出方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12046133B2 (zh) |
CN (1) | CN111462492B (zh) |
WO (1) | WO2021204283A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270462A (zh) * | 2020-10-10 | 2021-01-26 | 中南大学 | 一种基于里奇曲率的地铁网络脆弱线路识别方法 |
WO2021204283A1 (zh) * | 2020-04-10 | 2021-10-14 | 中南大学 | 一种基于里奇流的关键路段检出方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645087A (zh) * | 2023-07-27 | 2023-08-25 | 交通运输部科学研究院 | 一种农村公路养护决策生成方法、系统、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477707A (zh) * | 2008-12-18 | 2009-07-08 | 浙江大学 | 一种插值给定若干闭合曲线的曲面造型方法 |
WO2010105993A2 (en) * | 2009-03-16 | 2010-09-23 | Technische Universität München | System and method for security purposes |
WO2011110867A1 (en) * | 2010-03-11 | 2011-09-15 | Ucl Business Plc | Apparatus and method for registering medical images containing a tubular organ |
WO2012040721A2 (en) * | 2010-09-24 | 2012-03-29 | The Research Foundation Of State University Of New York | Registration of scanned objects obtained from different orientations |
CN102982552A (zh) * | 2012-12-14 | 2013-03-20 | 中国科学院自动化研究所 | 一种基于里奇流的表面配准方法 |
CN103486971A (zh) * | 2013-08-14 | 2014-01-01 | 北京交通大学 | 一种地铁隧道裂缝宽度检测及校正算法 |
CN104392021A (zh) * | 2014-10-24 | 2015-03-04 | 山东大学 | 一种层次自由曲面的保角参数特性优化方法 |
CN106097431A (zh) * | 2016-05-09 | 2016-11-09 | 王红军 | 一种基于三维栅格地图的物体整体识别方法 |
CN109857457A (zh) * | 2019-01-29 | 2019-06-07 | 中南大学 | 一种在双曲空间中学习源代码中的函数层次嵌入表示方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013059807A1 (en) * | 2011-10-21 | 2013-04-25 | The Research Foundation Of State University Of New York | System and method for context preserving maps of tubular structures |
CN104821080B (zh) * | 2015-03-02 | 2017-04-12 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
CN109285346B (zh) * | 2018-09-07 | 2020-05-05 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
CN110543728B (zh) * | 2019-09-05 | 2023-03-21 | 大连理工大学 | 一种城市交通路网关键路口发现方法 |
CN110738856B (zh) * | 2019-11-12 | 2020-09-22 | 中南大学 | 一种基于移动聚类的城市交通拥堵精细识别方法 |
CN111462492B (zh) * | 2020-04-10 | 2021-03-30 | 中南大学 | 一种基于里奇流的关键路段检出方法 |
-
2020
- 2020-04-10 CN CN202010276921.6A patent/CN111462492B/zh active Active
-
2021
- 2021-04-12 WO PCT/CN2021/086403 patent/WO2021204283A1/zh active Application Filing
- 2021-12-16 US US17/553,101 patent/US12046133B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477707A (zh) * | 2008-12-18 | 2009-07-08 | 浙江大学 | 一种插值给定若干闭合曲线的曲面造型方法 |
WO2010105993A2 (en) * | 2009-03-16 | 2010-09-23 | Technische Universität München | System and method for security purposes |
WO2011110867A1 (en) * | 2010-03-11 | 2011-09-15 | Ucl Business Plc | Apparatus and method for registering medical images containing a tubular organ |
WO2012040721A2 (en) * | 2010-09-24 | 2012-03-29 | The Research Foundation Of State University Of New York | Registration of scanned objects obtained from different orientations |
CN102982552A (zh) * | 2012-12-14 | 2013-03-20 | 中国科学院自动化研究所 | 一种基于里奇流的表面配准方法 |
CN103486971A (zh) * | 2013-08-14 | 2014-01-01 | 北京交通大学 | 一种地铁隧道裂缝宽度检测及校正算法 |
CN104392021A (zh) * | 2014-10-24 | 2015-03-04 | 山东大学 | 一种层次自由曲面的保角参数特性优化方法 |
CN106097431A (zh) * | 2016-05-09 | 2016-11-09 | 王红军 | 一种基于三维栅格地图的物体整体识别方法 |
CN109857457A (zh) * | 2019-01-29 | 2019-06-07 | 中南大学 | 一种在双曲空间中学习源代码中的函数层次嵌入表示方法 |
Non-Patent Citations (3)
Title |
---|
蔡科超: "三维无线传感网络几何编址与路由算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵兴刚等: "基于K-L散度和散度均值的改进矩阵CFAR检测器", 《中国科学:信息科学》 * |
钱坤等: "高亏格曲面共形参数化方法", 《计算机辅助设计与图形学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021204283A1 (zh) * | 2020-04-10 | 2021-10-14 | 中南大学 | 一种基于里奇流的关键路段检出方法 |
CN112270462A (zh) * | 2020-10-10 | 2021-01-26 | 中南大学 | 一种基于里奇曲率的地铁网络脆弱线路识别方法 |
CN112270462B (zh) * | 2020-10-10 | 2021-06-29 | 中南大学 | 一种基于里奇曲率的地铁网络脆弱线路识别方法 |
Also Published As
Publication number | Publication date |
---|---|
US12046133B2 (en) | 2024-07-23 |
CN111462492B (zh) | 2021-03-30 |
US20220108603A1 (en) | 2022-04-07 |
WO2021204283A1 (zh) | 2021-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462492B (zh) | 一种基于里奇流的关键路段检出方法 | |
CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN105243128B (zh) | 一种基于签到数据的用户行为轨迹聚类方法 | |
Xu et al. | Context-aware real-time population estimation for metropolis | |
CN103606274B (zh) | 一种城市道路交通状态评估方法 | |
CN105243844A (zh) | 一种基于手机信令的道路状态识别方法 | |
CN102332210A (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
Sudo et al. | Particle filter for real-time human mobility prediction following unprecedented disaster | |
CN109345434B (zh) | 一种开放式小区内外部道路设计安全评价的方法 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN113469226B (zh) | 一种基于街景图像的土地利用分类方法及系统 | |
CN109033239B (zh) | 一种基于最小二乘优化的路网结构生成方法 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN111191817B (zh) | 一种基于换乘客流量的公交线网拓扑划分方法 | |
CN104821086B (zh) | 一种定位大规模交通网络中低效路段组合的方法 | |
CN111860974A (zh) | 一种基于状态空间和联合分布的干旱多级预测方法 | |
CN115828121A (zh) | 基于邻接dbscan融合时变多图卷积网络的交通流预测方法 | |
CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
CN111914052B (zh) | 一种区域空间关联关系确定方法及装置 | |
CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
CN115422782B (zh) | 一种基于水文模型的洪水预报系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |