CN111523562B - 一种基于车牌识别数据的通勤模式车辆识别方法 - Google Patents

一种基于车牌识别数据的通勤模式车辆识别方法 Download PDF

Info

Publication number
CN111523562B
CN111523562B CN202010201546.9A CN202010201546A CN111523562B CN 111523562 B CN111523562 B CN 111523562B CN 202010201546 A CN202010201546 A CN 202010201546A CN 111523562 B CN111523562 B CN 111523562B
Authority
CN
China
Prior art keywords
commuting
vehicle
trip
peak
time period
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
CN202010201546.9A
Other languages
English (en)
Other versions
CN111523562A (zh
Inventor
金盛
姚文彬
胡佑薇
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010201546.9A priority Critical patent/CN111523562B/zh
Publication of CN111523562A publication Critical patent/CN111523562A/zh
Application granted granted Critical
Publication of CN111523562B publication Critical patent/CN111523562B/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
    • 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
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/24765—Rule-based classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于车牌识别数据的通勤模式车辆识别方法。该方法利用车牌识别数据，设计并提取了9个反应通勤出行行为的指标，然后从整个样本中进行随机抽样，使用因子分析将9个指标综合成m个因子。基于这m个因子使用迭代自组织数据分析算法(ISODATA)进行通勤模式车辆的识别。最后使用决策树模型进行通勤规则的提取，并对整个样本中的通勤模式车辆进行识别。该方法可以准确识别具有通勤模式的车辆，为通勤车辆管理、公交线网优化、制定公交设计等提供支撑。

Description

一种基于车牌识别数据的通勤模式车辆识别方法
技术领域
本发明涉及一种基于车牌识别数据的通勤模式车辆识别方法，属于城市道路交通领域。
背景技术
通勤出行是绝大多数出行者的主要出行目的之一，尤其在早晚高峰，通勤出行占到了更大的比重，因此通勤出行对路网交通状况会产生非常大的影响。对通勤模式车辆的分析可以在多方面起到作用，第一、了解通勤行为可以帮助我们了解该区域的职住分布状况，进而可以为城市规划提供支持，这对于城乡规划者是十分重要的。第二、通勤模式车辆识别技术可以辅助商业决策，比如了解通勤车辆的分布可以帮助出租车、网约车公司调配车辆，此外对公交站点的选择、公交线路的优化等都能提供支持。
之前对通勤出行行为的分析主要借助于问卷调查数据，但是问卷调查数据存在数据量小、异常数据多等问题，因此基于问卷调查数据的通勤出行行为分析往往不准确。目前，存在一些基于车牌识别数据对出行行为进行分析的研究，大多基于简单的聚类技术对路网车辆进行分类，且针对性地对通勤出行行为进行分析的研究较少。因此，基于车牌识别数据对通勤出行行为的分析显得十分必要。
发明内容
本发明提供了一种基于车牌识别数据的通勤模式车辆识别方法。该方法利用车牌识别数据，设计提取了共9个反应通勤出行行为特性的指标，然后从整个样本中进行T％随机抽样，再使用因子分析将9个指标综合成m个因子。基于这m个因子使用迭代自组织数据分析算法(ISODATA)进行通勤模式车辆的识别。最后使用决策树模型进行通勤规则的提取，并对整个样本中的通勤模式车辆进行识别。该方法可以准确识别具有通勤模式的车辆，为通勤车辆管理、公交线网优化、制定公交设计等提供支撑。
本发明采用的技术方案如下：
一种基于车牌识别数据的通勤模式车辆识别方法，该方法包括以下步骤：
c1、获取某区域某时间段内的所有车牌识别数据，设置可反应通勤出行行为特性的指标，获取每辆车的相应指标；
c2、利用因子分析方法将上述设置的反应通勤出行行为特性的指标综合为m个因子；
c3、对获取的所有车牌识别数据进行随机抽样获得小样本，使用ISODATA方法基于m个因子对小样本进行通勤模式识别；
c4、利用小样本获得决策树模型，提取通勤规则，并进行全样本通勤模式车辆识别。
上述技术方案中，步骤c1中获取某区域某时间段内的所有车牌识别数据后，需确定区域早晚高峰时间段，采用如下方法：利用车牌识别数据得到所有出行车辆在每个工作日的首次出行被检测时间以及在每个工作日的最后一次被检测时间，将出现车辆数高峰的时间段定为早、晚高峰时间段。
步骤c1中设置的可反应通勤出行行为特性的指标包括：
早晚高峰出行频次系数F1：
Figure GDA0002985517410000031
其中，N1为所考察车辆在各个工作日早晚高峰均有出行的天数，Nw为所考察时间段内总工作日天数；
出行频次系数F2：
Figure GDA0002985517410000032
其中，N2为所考察车辆在各个工作日有过出行的天数，Nw为所考察时间段内总工作日天数；
平峰时段出行被检测频次均值M：
Figure GDA0002985517410000033
其中，fi为车辆在i工作日的非早晚出行区间被检测频次，Nw为所考察时间段内总工作日天数；
平峰时段出行被检测频次标准差σ：
Figure GDA0002985517410000034
起讫点稳定性系数：
假定所考察车辆早高峰通勤出行的起讫点分别是O1、D1,晚高峰通勤出行的起讫点分别是O2、D2，定义Ol(l＝1,2)的稳定性系数为：
Figure GDA0002985517410000041
其中，Nol为车辆在早/晚高峰首次被检测点为Ol的工作日天数；
同理，定义Dl’(l’＝1,2)的稳定性系数为：
Figure GDA0002985517410000042
Figure GDA0002985517410000043
为车辆在早/晚高峰末次被检测点为Dl’的工作日天数；
起讫点空间稳定性系数Fs：
首先引入OD距离矩阵，计算式如下：
Figure GDA0002985517410000044
其中xll’为Ol，Dl’之间的直线距离；
Figure GDA0002985517410000045
步骤c2中因子分析方法优选采用Kaiser criterion方法。
步骤c3具体包括：
c31、确定最优聚类数目
使用the gap statistic method分析最优聚类数目，做出降维至m个因子后的Gapn(k)和(Gapn(k)-(Gapn(k+1)-sk+1))随聚类数目k的变化情况，
Figure GDA0002985517410000046
其中Wk是各个簇的簇内离均差平方和之和，
Figure GDA0002985517410000051
表示对B次随机抽样得到的n个样本的参考分布取期望，
Figure GDA0002985517410000052
sd(k+1)为B次随机抽样得到的参考分布的logWk+1的标准差；结合实际情况取使得Gapn(k)最大的聚类数目k或者取使得(Gapn(k)-(Gapn(k+1)-sk+1))大于0的最小的k；c32、通勤模式车辆识别
对获取的所有车牌识别数据进行T％的随机抽样获得小样本(T通常取值1-10)，使用ISODATA方法对得到的小样本进行聚类分析，得到聚类结果的各个簇的统计指标，找到各个簇中反应通勤出行行为特性的指标平均值最大的簇，该簇对应的车辆即为识别得到的通勤车。
步骤c4具体包括：
c41、决策树模型构建
为步骤c3得到的各个簇打上标签，然后用按照3:2的比例将小样本随机划分为训练集和测试集，训练决策树模型，并调整参数，使测试集准确率高于A％(A通常取值80-100)；
c42、借助c41构建的决策树模型，提取通勤规则，然后利用该通勤规则进行全样本通勤模式车辆识别。
本发明具有的有益效果是：
本发明的通勤模式车辆识别方法，主要有以下四个方面的优势：
第一、本发明依照通勤出行行为专门设计聚类指标，利用车牌识别数据具有的时空特性针对性地提出了9个反应出行者通勤出行行为的指标。
第二、本发明使用ISODATA聚类方法对通勤模式车辆进行识别，相较于目前常用的K-means聚类算法，ISODATA聚类算法在迭代过程中可以自动地合并小的簇和分裂大的簇。此外，在聚类过程中可以实现人机交互过程，对聚类迭代过程进行干预，修改参数优化聚类结果。
第三、本发明使用决策树模型进行通勤规则提取，这有助于加深对通勤出行行为的理解。
第四、本发明提出的方法可以运用于超大样本集，因为决策树模型提取出的通勤规则可以由数据库方便地实现，然后运用于超大的样本集。这是现存方法所难以达到的。
附图说明
图1是通勤出行起讫点挖掘以及通勤出行起讫点稳定性系数计算的一种方法流程图；
图2是本发明方法整体示意图；
图3是车辆首次被检测时间索引及对应车辆数折线图；
图4是车辆末次被检测时间索引及对应车辆数折线图；
图5是因子分析各成分对应的特征根；
图6是Gapn(k)和(Gapn(k)-(Gapn(k+1)-sk+1))随聚类数目k的变化情况；
图7是ISODATA聚类结果示意图。
具体实施方式
下面结合附图和具体实例对本发明的方法做进一步的说明。
以某城市若干工作日的车牌识别数据为例，进行通勤模式车辆识别，方法如下：
1.基于车牌识别数据提取出9个反应通勤出行行为的指标
(1)、早晚高峰时间段确定
利用车牌识别数据得到所有出行车辆在每个工作日的首次出行被检测时间和每个工作日的最后一次被检测时间。然后以30分钟为一个时间间隔，将一天划分为48个时间间隔，分别以1-48作为各个时间间隔的索引，1代表00:00-00:30，2代表00:30-01:00，···，48代表23:30-24:00。这些整数值被定义为“被检测时间索引”，分别绘制出“被检测时间索引”及对应车辆数的折线图，见附图3和附图4。根据两图可以得到，车辆首次被检测到的“被检测时间索引”集中于[14,21]，即该城市早高峰时间段可以确定为06:30-10:30。车辆末次被检测到的“被检测时间索引”集中于[32,43]，即该城市晚高峰时间段可以确定为15:30-21:30。
(2)、9个通勤特性指标提取
9个指标均可按照各自的定义依次获得，其中各车辆通勤出行起讫点以及通勤出行起讫点稳定性系数也可以根据附图1所示的一种具体算法提取出。
2.利用因子分析方法将9个反应通勤特性的指标综合为m个因子
(1)、因子分析方法因子数目确定
提取出9个通勤特性指标后，使用因子分析进行降维操作，可采用Kaisercriterion方法确定因子数目，计算出9个潜在因子的特征根，将特征根大于等于1的成分作为因子，将特征根小于1的成分舍去，确定因子数据m。得到的各个成分的特征根见附图5，根据该图可确定选取3个因子是适合的。
(2)、使用因子分析方法进行降维
通过因子分析方法将9个通勤特性指标降维至3个因子，得到的3个因子的因子载荷如下表所示。
因子载荷表
Factor 1 Factor 2 Factor3
F<sub>1</sub> 0.905 0.082 0.166
F<sub>2</sub> 0.787 0.326 -0.066
F<sub>O1</sub> 0.883 -0.008 0.115
F<sub>D1</sub> 0.892 -0.074 0.133
F<sub>O2</sub> 0.895 -0.101 0.092
F<sub>D2</sub> 0.895 -0.101 0.092
F<sub>s</sub> 0.179 -0.001 0.978
σ 0.016 0.930 -0.039
M -0.032 0.912 0.034
得到的3个因子分别从车辆在工作日的早晚高峰出行行为的稳定性、车辆在平峰时间段出行行为的稳定性，以及早晚高峰起讫点稳定性3个角度刻画通勤出行行为。
3.使用ISODATA方法基于3个因子进行通勤模式车辆识别
(1)、确定最优聚类数目
使用the gap statistic method分析最优聚类数目，做出降维至m个因子后的Gapn(k)和(Gapn(k)-(Gapn(k+1)-sk+1))随聚类数目k的变化情况，
Figure GDA0002985517410000081
其中Wk是各个簇的簇内离均差平方和之和。
Figure GDA0002985517410000082
表示对B次随机抽样得到的n个样本的参考分布取期望，
Figure GDA0002985517410000083
sd(k+1)为B次随机抽样得到的参考分布的logWk+1的标准差；结合实际情况取使得Gapn(k)最大的聚类数目k或者取使得(Gapn(k)-(Gapn(k+1)-sk+1))大于0的最小的k。绘制出Gapn(k)和(Gapn(k)-(Gapn(k+1)-sk+1))随聚类数目k的变化情况图，见附图6所示。根据该图选择使得Gapn(k)最大的k值，最优聚类数目取3。
(2)、进行聚类识别通勤模式车辆
使用ISODATA算法对所有车牌识别数据进行T％的随机抽样(T通常为1-10)得到的小样本进行聚类分析，得到的聚类结果见附图7所示，每一种颜色代表一个簇。
4.使用决策树模型提取通勤规则，并进行全样本通勤模式车辆识别
(1)、基于决策树模型提取通勤规则
对上一步骤中ISODATA算法确定的各个簇的样本点打上标签(依次为1,2,3,4)，按照3:2的比例划分为训练集和测试集，训练树模型，准确率为87.15％，得到通勤规则为FD1＞0.405&FD2＞0.214&Fs＞-1.958&M≤7.861。
(2)、全样本通勤模式车辆识别
基于提取出的通勤规则，在关系型数据库中进行全样本的通勤模式车辆识别，得到该城市共有79613辆通勤模式车辆。

Claims (4)

1.一种基于车牌识别数据的通勤模式车辆识别方法，其特征在于，该方法包括以下步骤：
c1、获取某区域某时间段内的所有车牌识别数据，设置可反应通勤出行行为特性的指标，获取每辆车的相应指标；
c2、利用因子分析方法将上述设置的反应通勤出行行为特性的指标综合为m个因子；
c3、对获取的所有车牌识别数据进行随机抽样获得小样本，使用ISODATA方法基于m个因子对小样本进行通勤模式识别；
c4、利用小样本获得决策树模型，提取通勤规则，并进行全样本通勤模式车辆识别；
步骤c1中获取某区域某时间段内的所有车牌识别数据后，需确定区域早晚高峰时间段，采用如下方法：利用车牌识别数据得到所有出行车辆在每个工作日的首次出行被检测时间以及在每个工作日的最后一次被检测时间，将出现车辆数高峰的时间段定为早、晚高峰时间段；步骤c1中设置的可反应通勤出行行为特性的指标包括：
早晚高峰出行频次系数F1：
Figure FDA0002985517400000011
其中，N1为所考察车辆在各个工作日早晚高峰均有出行的天数，Nw为所考察时间段内总工作日天数；
出行频次系数F2：
Figure FDA0002985517400000021
其中，N2为所考察车辆在各个工作日有过出行的天数，Nw为所考察时间段内总工作日天数；
平峰时段出行被检测频次均值M：
Figure FDA0002985517400000022
其中，fi为车辆在i工作日的非早晚出行区间被检测频次，Nw为所考察时间段内总工作日天数；
平峰时段出行被检测频次标准差σ：
Figure FDA0002985517400000023
起讫点稳定性系数：
假定所考察车辆早高峰通勤出行的起讫点分别是O1、D1,晚高峰通勤出行的起讫点分别是O2、D2，定义Ol(l＝1,2)的稳定性系数为：
Figure FDA0002985517400000024
其中，Nol为车辆在早/晚高峰首次被检测点为Ol的工作日天数；
同理，定义Dl’(l’＝1,2)的稳定性系数为：
Figure FDA0002985517400000025
Figure FDA0002985517400000026
为车辆在早/晚高峰末次被检测点为Dl’的工作日天数；
起讫点空间稳定性系数Fs：
首先引入OD距离矩阵，计算式如下：
Figure FDA0002985517400000031
其中xll’为Ol，Dl’之间的直线距离；
Figure FDA0002985517400000032
2.根据权利要求1所述的通勤模式车辆识别方法，其特征在于，步骤c2中采用Kaisercriterion方法确定因子分析的因子数目，然后采用因子分析方法提取出相应数目的因子。
3.根据权利要求1所述的通勤模式车辆识别方法，其特征在于，步骤c3具体包括：
c31、确定最优聚类数目
使用the gap statistic method分析最优聚类数目，做出降维至m个因子后的Gapn(k)和(Gapn(k)-(Gapn(k+1)-sk+1))随聚类数目k的变化情况，
Figure FDA0002985517400000033
其中Wk是各个簇的簇内离均差平方和之和，
Figure FDA0002985517400000034
表示对B次随机抽样得到的n个样本的参考分布取期望，
Figure FDA0002985517400000035
sd(k+1)为B次随机抽样得到的参考分布的logWk+1的标准差；结合实际情况取使得Gapn(k)最大的聚类数目k或者取使得(Gapn(k)-(Gapn(k+1)-sk+1))大于0的最小的k；
c32、通勤模式车辆识别
对获取的所有车牌识别数据进行T％的随机抽样获得小样本，使用ISODATA方法对得到的小样本进行聚类分析，得到聚类结果的各个簇的统计指标，找到各个簇中反应通勤出行行为特性的指标平均值最大的簇，该簇对应的车辆即为识别得到的通勤车。
4.根据权利要求3所述的通勤模式车辆识别方法，其特征在于，步骤c4包括：
c41、决策树模型构建
为步骤c3得到的各个簇打上标签，然后用按照3:2的比例将小样本随机划分为训练集和测试集，训练决策树模型，并调整参数，使测试集准确率高于A％；
c42、借助c41构建的决策树模型，提取通勤规则，然后利用该通勤规则进行全样本通勤模式车辆识别。
CN202010201546.9A 2020-03-20 2020-03-20 一种基于车牌识别数据的通勤模式车辆识别方法 Active CN111523562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010201546.9A CN111523562B (zh) 2020-03-20 2020-03-20 一种基于车牌识别数据的通勤模式车辆识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010201546.9A CN111523562B (zh) 2020-03-20 2020-03-20 一种基于车牌识别数据的通勤模式车辆识别方法

Publications (2)

Publication Number Publication Date
CN111523562A CN111523562A (zh) 2020-08-11
CN111523562B true CN111523562B (zh) 2021-06-08

Family

ID=71910502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010201546.9A Active CN111523562B (zh) 2020-03-20 2020-03-20 一种基于车牌识别数据的通勤模式车辆识别方法

Country Status (1)

Country Link
CN (1) CN111523562B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766578A (zh) * 2021-01-22 2021-05-07 重庆长安新能源汽车科技有限公司 一种基于车辆网的车辆用途识别方法、系统及存储介质
CN112991755A (zh) * 2021-03-08 2021-06-18 山东大学 一种基于识别通勤车并构建出行路径选择的方法及系统
CN115440040B (zh) * 2022-09-02 2023-09-22 重庆大学 一种基于高速公路通行数据的通勤车辆识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279534A (zh) * 2013-05-31 2013-09-04 西安建筑科技大学 基于智能公交系统数据的公交卡乘客通勤od分布估计方法
CN106971534A (zh) * 2017-02-09 2017-07-21 江苏智通交通科技有限公司 基于号牌数据的通勤出行特征分析方法
CN107038858A (zh) * 2017-05-25 2017-08-11 厦门大学 通勤私家车动态拼车推荐方法
CN108122186A (zh) * 2017-12-29 2018-06-05 北京航空航天大学 一种基于卡口数据的职住位置估计方法
CN108648445A (zh) * 2018-04-19 2018-10-12 浙江浙大中控信息技术有限公司 基于交通大数据的动态交通态势预测方法
CN108717790A (zh) * 2018-07-06 2018-10-30 广州市交通运输研究所 一种基于卡口车牌识别数据的车辆出行分析方法
CN109993215A (zh) * 2019-03-08 2019-07-09 浙江大学 一种基于交通大数据的柔性限行管理方法
CN110516666A (zh) * 2019-07-10 2019-11-29 西安电子科技大学 基于mser和isodata相结合的车牌定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268238A1 (en) * 2017-03-14 2018-09-20 Mohammad Ayub Khan System and methods for enhancing license plate and vehicle recognition
CN108122069B (zh) * 2017-12-08 2021-10-15 杭州电子科技大学 基于海量交通数据居民出行起点终点矩阵提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279534A (zh) * 2013-05-31 2013-09-04 西安建筑科技大学 基于智能公交系统数据的公交卡乘客通勤od分布估计方法
CN106971534A (zh) * 2017-02-09 2017-07-21 江苏智通交通科技有限公司 基于号牌数据的通勤出行特征分析方法
CN107038858A (zh) * 2017-05-25 2017-08-11 厦门大学 通勤私家车动态拼车推荐方法
CN108122186A (zh) * 2017-12-29 2018-06-05 北京航空航天大学 一种基于卡口数据的职住位置估计方法
CN108648445A (zh) * 2018-04-19 2018-10-12 浙江浙大中控信息技术有限公司 基于交通大数据的动态交通态势预测方法
CN108717790A (zh) * 2018-07-06 2018-10-30 广州市交通运输研究所 一种基于卡口车牌识别数据的车辆出行分析方法
CN109993215A (zh) * 2019-03-08 2019-07-09 浙江大学 一种基于交通大数据的柔性限行管理方法
CN110516666A (zh) * 2019-07-10 2019-11-29 西安电子科技大学 基于mser和isodata相结合的车牌定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A smart access control using an efficient license plate location and recognition approach;Sherin M. Youssef 等;《Expert Systems with Applications》;20081231;第35卷(第1期);第256-265页 *
一种基于ISODATA聚类算法在车辆出行行为分析中的应用;周春燕;《通信设计与应用》;20190731;第2.3节、第3.1节、第4节 *
基于加权k-means算法的车辆使用特征研究;孔晨晨 等;《警察技术》;20191231(第4期);第85-88页 *
基于车牌照数据的通勤特征车辆识别研究;畅玉皎 等;《交通运输系统工程与信息》;20160430;第16卷(第2期);第77-82、112页 *

Also Published As

Publication number Publication date
CN111523562A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN111523562B (zh) 一种基于车牌识别数据的通勤模式车辆识别方法
CN110245981B (zh) 一种基于手机信令数据的人群类型识别方法
CN108427965B (zh) 一种基于路网聚类的热点区域挖掘方法
CN111651545B (zh) 一种基于多源数据融合的城市边缘区提取方法
CN107610469A (zh) 一种考虑多因素影响的日维度区域交通指数预测方法
CN105374209B (zh) 一种城市区域路网运行状态特征信息提取方法
CN111524181B (zh) 一种基于扫描电镜图像分割的多孔材料孔洞自动测量方法
CN107656987B (zh) 一种基于lda模型的地铁站点功能挖掘方法
CN108806248B (zh) 一种针对rfid电子车牌数据的车辆出行轨迹划分方法
CN111652198B (zh) 一种城市边缘区识别方法及系统
CN106997662B (zh) 一种城市公交车工况构建方法
CN106682703A (zh) 一种基于obd数据的驾驶人出行模式识别方法
CN116681176B (zh) 一种基于聚类和异构图神经网络的交通流预测方法
CN107766983B (zh) 一种城市轨道交通车站应急救援驻车点的设置方法
CN109598931A (zh) 基于交通安全风险的群体划分与差异性分析方法及系统
CN112561401A (zh) 一种基于多源大数据的城市活力测度与表征方法及系统
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN108053646B (zh) 基于时间敏感特征的交通特征获取方法、预测方法及系统
CN107330268B (zh) 一种北半球阻塞高压活动的识别方法
CN116013084A (zh) 交通管控场景确定方法、装置、电子设备及存储介质
CN112766567B (zh) 一种城市路网规划实施效果的评价方法、系统以及存储介质
CN111785024B (zh) 一种分区域分时域的城市车辆工况构建方法
CN112309129A (zh) 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法
CN113808393A (zh) 一种消除混杂控制对象影响的方法
CN110334321A (zh) 一种基于兴趣点数据的城市轨交站区功能识别方法

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