CN111640303B - 城市通勤路径识别方法及设备 - Google Patents

城市通勤路径识别方法及设备 Download PDF

Info

Publication number
CN111640303B
CN111640303B CN202010471128.1A CN202010471128A CN111640303B CN 111640303 B CN111640303 B CN 111640303B CN 202010471128 A CN202010471128 A CN 202010471128A CN 111640303 B CN111640303 B CN 111640303B
Authority
CN
China
Prior art keywords
trip
commuting
vehicle
point
area
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
CN202010471128.1A
Other languages
English (en)
Other versions
CN111640303A (zh
Inventor
杨海强
李宪
刘银华
赵东杰
葛树志
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.)
Qingdao University
Original Assignee
Qingdao 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 Qingdao University filed Critical Qingdao University
Priority to CN202010471128.1A priority Critical patent/CN111640303B/zh
Publication of CN111640303A publication Critical patent/CN111640303A/zh
Priority to LT2020551A priority patent/LT6815B/lt
Application granted granted Critical
Publication of CN111640303B publication Critical patent/CN111640303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Abstract

本发明涉及智能交通领域，提供一种城市通勤路径识别方法，包括：获取车辆的OD点；根据所述OD点数据划分通勤出行生成区
Figure DDA0002514343370000011
和出行吸引区
Figure DDA0002514343370000012
的步骤，n为自然数；匹配所述OD点，形成OD点对；根据所述车辆的途径点及频繁度信息，构建生成所述车辆的通勤路径。本发明对道路交通信息进行全采样，更准确反映城市通勤现象和本质。一方面能够反映城市早晚高峰通勤交通流的分布及演化特征，为准确认识城市交通提供科学依据；另一方面能够为停车场规划、交通小区划分、路径级的信号控制提供参考依据，可以极大提升交通管控的水平，提升居民出行的满意度和舒适度。

Description

城市通勤路径识别方法及设备
技术领域
本发明涉及智能交通领域，具体涉及一种城市通勤路径识别方法及设备。
背景技术
城市交通中通勤交通占据了绝大部分，具有短时内交通流量极大、出行路径固定、以常住人口为主等特点。因通勤交通带来的常发性拥堵、空气污染、交通事故等问题，已经成为城市的顽疾，亟待解决。
通勤交通反映了城市中绝大部分的车辆的起点、终点、行驶路径等信息，通过这些信息能够为停车场规划、交通小区划分、路径级的信号控制提供参考依据。
而城市交通管理者对通勤交通的了解还缺乏有效的手段和途径，一般采用问卷调查、GPS定位数据推算等途径获得通勤交通的起点、终点、路径等信息。但是，由于问卷调查的样本比较小，安装GPS定位设备的车辆数量有限，根据以上两种方式获得的通勤交通信息，只是城市大规模通勤交通的一部分信息，不能够全面准确反映城市大规模的通勤交通。
发明内容
有鉴于此，本发明提供一种城市通勤路径识别方法，包括：获取车辆的OD点；
根据所述OD点数据划分通勤出行生成区
Figure GDA0003223690640000011
和出行吸引区
Figure GDA0003223690640000012
的步骤；匹配所述OD点，形成OD点对；根据所述车辆的途径点及频繁度信息，构建生成所述车辆的通勤路径。
可选地，所述获取车辆的OD点的步骤包括：
获取所述车辆在段时间内首次出现的位置信息
Figure GDA0003223690640000013
和时间信息
Figure GDA0003223690640000014
获取所述车辆在段时间内末次出现的位置信息
Figure GDA0003223690640000015
和时间信息
Figure GDA0003223690640000016
可选地，形成所述OD点对的步骤包括：
获取任意所述通勤生成区
Figure GDA0003223690640000017
的全部出行点数量
Figure GDA0003223690640000018
i为小于n的自然数；
获取任意所述通勤吸引区
Figure GDA0003223690640000019
的全部出行点数量
Figure GDA00032236906400000110
j为小于n的自然数；
当所述通勤生成区
Figure GDA0003223690640000021
和所述通勤吸引区
Figure GDA0003223690640000022
中都存在相同车辆，定义匹配关系为
Figure GDA0003223690640000023
其中，
Figure GDA0003223690640000024
为所述通勤生成区
Figure GDA0003223690640000025
和所述通勤吸引区
Figure GDA0003223690640000026
的关联系数，
Figure GDA0003223690640000027
其中，cij是指所述通勤生成区
Figure GDA0003223690640000028
和所述通勤吸引区
Figure GDA0003223690640000029
中相同车辆出行的个数，
Figure GDA00032236906400000210
取值为[0，1]。
可选地，所述
Figure GDA00032236906400000211
可选地，所述根据所述车辆的途径点及频繁度信息，构建生成所述车辆的通勤路径步骤包括：
当所述通勤生成区
Figure GDA00032236906400000212
和所述通勤吸引区
Figure GDA00032236906400000213
中之间存在n次出行，则对于每次出行，可获得此次出行的出行轨迹，即
Figure GDA00032236906400000214
其中，
Figure GDA00032236906400000215
且.
Figure GDA00032236906400000216
可选地，所述车辆的OD点通过电子警察获取。
本发明还提供一种城市通勤路径识别设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的城市通勤路径识别方法。
本发明一方面能够反映城市早晚高峰通勤交通流的分布及演化特征，为准确认识城市交通提供科学依据；另一方面能够为停车场规划、交通小区划分、路径级的信号控制提供参考依据，可以极大提升交通管控的水平，提升居民出行的满意度和舒适度。同时，可以利用海量的电子警察数据为基础，有效解决基于GPS定位数据方法的渗透率，以及基于问卷调查方法的采样率不足问题，可对道路交通信息进行全采样，更准确反映城市通勤现象和本质。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的城市通勤路径识别的流程图。
具体实施方式
下面将结合附图对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，“OD点”是指交通出新的起、终点，“O”来源于英文ORIGIN，指出行的出发地点，“D”来源于英文DESTINATION，指出行的目的地。“电子警察”又称“电子眼”或“智能交通违章监摄管理系统”。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种城市通勤路径识别方法，可以由计算机或服务器等电子设备执行，如图1所示该方法包括：
S1、获取车辆的OD点信息
每辆车经过电子警察卡口时，会记录车辆的车牌号、过车时间数据。而电子警察本身又有地理位置信息(即经纬度信息)，则可推测在特定的时间，特定的车辆，经过了特定的地点。由此，可对历史电子警察数据进行加工计算，可获知所有车辆的出行信息。
本实施例中，对于车辆v，一次特定的出行轨迹可定义为多个连续定位点p的序列，即：
Figure GDA0003223690640000031
其中，pO是一次出行的起点，pD是一次出行的终点，一次完整出行共经过了n+2个定位点(即被电子警察捕捉到了n+2次)。而每个定位点可对应特定的时间戳t：
tO→t1→t2→...→tn→tD
以及和经纬度标：
<LngO，LatO〉→<Lng1，Lat1〉→…→<Lngn，Latn>→<LngD，LatD>。
本步骤最关键是要识别出行的起点(O)和终点(D)，本实施例中的出行起点(O)和终点(D)识别方法如下：
S11、在每天上午4:00至上午10:00时段内统计，对特定车牌号或车辆，历史电子警察数据中首次出现的过车数据(捕捉车牌号(或其他特定车辆信息)的电子警察的定位位置及时间戳)，即为此车辆早间出行的起点
Figure GDA0003223690640000041
统计截至到每日上午10点，此车牌号的车辆最后一条过车数据，即为此车辆早点出行的终点
Figure GDA0003223690640000042
S12、在每天下午16:00至20:00时段内统计，对特定车牌号或车辆，历史电子警察数据中首次出现的过车数据，即为此车辆晚间出行的起点
Figure GDA0003223690640000043
统计截至到每日晚20:00，此车牌号的车辆最后一条过车数据，即为此车辆晚间出行的终点
Figure GDA0003223690640000044
S2、根据所述OD点数据划分通勤出行生成区
Figure GDA0003223690640000045
和出行吸引区
Figure GDA0003223690640000046
由步骤S1可获知城市路网中全部车辆{V1，V2，...，Vm}的早间出行起点集合
Figure GDA0003223690640000047
和终点集合
Figure GDA0003223690640000048
和晚间出行起点集合
Figure GDA0003223690640000049
和终点集合
Figure GDA00032236906400000410
城市规划中职、住区域划分较为明显，居住区是出行生成区，而商业区是出行吸引区。可以根据大量的出行OD点信息识别通勤出行生成区和出行吸引区。
本实施例使用早间出行起点集合
Figure GDA00032236906400000411
和晚间出行终点集合
Figure GDA00032236906400000412
联合识别通勤出行生成区，而使用早间出行终点集合
Figure GDA00032236906400000413
和晚间出行起点集合
Figure GDA00032236906400000414
联合识别通勤出行吸引区。可将出行生成区
Figure GDA00032236906400000415
和吸引区
Figure GDA00032236906400000416
识别问题，转化为全部车辆出行起点、重点集合的聚类问题，即大量的通勤点集合的聚类问题。
本实施例中，可以使用现有成熟的基于密度的聚类算法，实现通勤OD点群聚合，即DBSCAN(Density-Based Spatial Clustering of Application with Noise)算法。其中关键参数设置如下：
决定领域的半径eps，设定为200米；
决定核心对象的密度阈值MinPts，设定为100个。
则可聚类获得城市道路网络中的所有通勤生成区集合
Figure GDA0003223690640000051
和吸引区集合
Figure GDA0003223690640000052
S3、匹配所述OD点，形成OD点对
对于任意通勤生成区
Figure GDA0003223690640000053
可统计获得此生成区的全部出行点数量
Figure GDA0003223690640000054
同理可获得任意通勤吸引区
Figure GDA0003223690640000055
的全部出行点数量
Figure GDA0003223690640000056
当任意通勤生成区和吸引区都存在相同车辆的通勤出行，则可定义任意通勤生成区和吸引区间的匹配关系为
Figure GDA0003223690640000057
其中
Figure GDA0003223690640000058
定义为此通勤生成区
Figure GDA0003223690640000059
和此通勤吸引区
Figure GDA00032236906400000510
间的关联系数，计算方式如下：
Figure GDA00032236906400000511
其中，cij是指
Figure GDA00032236906400000512
和
Figure GDA00032236906400000513
间相同车辆出行的个数，
Figure GDA00032236906400000514
取值为[0，1]，越大代表
Figure GDA00032236906400000515
和
Figure GDA00032236906400000516
之间存在越多的出行，二者的关联度越大。
则对于全部n1个通勤生成区和n2个通勤吸引区，共有n1×n2个匹配关系，对应n1×n2个关联系数
Figure GDA00032236906400000517
本实施例筛选其中符合要求的通勤出行生成区
Figure GDA00032236906400000518
和出行吸引区
Figure GDA00032236906400000519
组合，匹配为车辆通勤OD点对，本实施例中，筛选标准为
Figure GDA00032236906400000520
S4、根据所述车辆的途径点及频繁度信息，构建生成所述车辆的通勤路径
匹配出通勤生成区和吸引区的组合后，要对生成区和吸引区之间的通勤路径进行构建。
当通勤生成区
Figure GDA00032236906400000521
和通勤吸引区
Figure GDA00032236906400000522
之间存在n次出行，即
Figure GDA00032236906400000523
则对每次出行，可获得此次出行的出行轨迹，即
Figure GDA00032236906400000524
其中，
Figure GDA00032236906400000525
且
Figure GDA00032236906400000526
利用这n次出行轨迹，进行通勤生成区
Figure GDA00032236906400000527
和通勤吸引区
Figure GDA00032236906400000528
之间的通勤轨迹构建。
根据上述，可获得这n次出行轨迹的途经点(即电子警察的定位点)的集合及出现的频次{<p1，f1>，<p2，f2>，...，<pj，fj>，...，<pnn，fnn>}，fj代表所有轨迹中途径pj点出现的频次，nn代表n次出行轨迹所有途经点数量。则可获得全部nn个途经点出现的频次：
f1～nn＝f1+f2+...+fj+...+fnn
对于通勤生成区和吸引区，历史电子警察数据中体现它们之间的通勤路径可能有多个，而实际中大部分的车辆给定出行的起点和终点，都会遵循距离最短原则，因此本实施例只构建通勤生成区和吸引区之间最频繁的出行通勤路径。
因此，针对全部nn个途经点，本发明提出如下的途径点筛选方式：
Figure GDA0003223690640000061
满足上述公式的点，被识别为通勤生成区和吸引区之间最频繁的出行通勤路径所途经的点(即电子警察定位点)。所有满足条件的途经点用最短路径连接，即为满足要求的通勤路径。
作为本发明的可变换实施例，还可以通过其他安防设备获取车辆的OD点信息，均可以实现本发明的目的，属于本发明的保护范围。
本发明实施例还提供一种城市通勤路径识别设备，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述缺失交通流量数据补偿方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、设备或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (5)

1.一种城市通勤路径识别方法，其特征在于，包括：
获取车辆的OD点；
根据所述OD点数据划分通勤出行生成区
Figure FDA0003223690630000011
和通勤出行吸引区
Figure FDA0003223690630000012
n为自然数；
匹配所述OD点，形成OD点对；
根据所述车辆的途径点及频繁度信息，构建生成所述车辆的通勤路径；
形成所述OD点对的步骤包括：
获取任意所述通勤出行生成区
Figure FDA0003223690630000013
的全部出行点数量
Figure FDA0003223690630000014
i为小于n的自然数；
获取任意所述通勤出行吸引区
Figure FDA0003223690630000015
的全部出行点数量
Figure FDA0003223690630000016
j为小于n的自然数；
当所述通勤出行生成区
Figure FDA0003223690630000017
和所述通勤出行吸引区
Figure FDA0003223690630000018
中都存在相同车辆，定义匹配关系为
Figure FDA0003223690630000019
其中，
Figure FDA00032236906300000110
为所述通勤出行生成区
Figure FDA00032236906300000111
和所述通勤出行吸引区
Figure FDA00032236906300000112
的关联系数，
Figure FDA00032236906300000113
其中，cij是指所述通勤出行生成区
Figure FDA00032236906300000114
和所述通勤出行吸引区
Figure FDA00032236906300000115
中相同车辆出行的个数，
Figure FDA00032236906300000116
取值为[0，1]；
所述根据所述车辆的途径点及频繁度信息，构建生成所述车辆的通勤路径为：
当所述通勤出行生成区
Figure FDA00032236906300000117
和所述通勤出行吸引区
Figure FDA00032236906300000118
之间存在n次出行，即
Figure FDA00032236906300000119
则对每次出行，可获得此次出行的出行轨迹，即
Figure FDA00032236906300000120
其中，
Figure FDA00032236906300000121
且
Figure FDA00032236906300000122
利用所述n次出行的轨迹，进行所述通勤出行生成区
Figure FDA00032236906300000123
和所述通勤出行吸引区
Figure FDA00032236906300000124
之间的通勤轨迹构建：
获得所述n次出行的轨迹途经点集合及出现的频次{<p1，f1>，<p2，f2>，...，<pj，fj>，...，<pnn，fnn>}，fj代表所有轨迹中途径pj点出现的频次，nn代表所述n次出行的轨迹所有途经点数量，则可获得全部nn个途经点出现的频次：
f1～nn＝f1+f2+…+fj+…+fnn
针对全部nn个途经点，提出如下的途径点筛选方式：
Figure FDA0003223690630000021
满足上述公式的点被识别为所述通勤出行生成区
Figure FDA0003223690630000022
和所述通勤出行吸引区
Figure FDA0003223690630000023
之间最频繁的出行通勤路径所途经的点，所有满足条件的所述途经的点用最短路径连接，即为满足要求的通勤路径。
2.根据权利要求1所述的方法，其特征在于，所述获取车辆的OD点的步骤包括：
获取所述车辆在段时间内首次出现的位置信息
Figure FDA0003223690630000024
和时间信息
Figure FDA0003223690630000025
获取所述车辆在段时间内末次出现的位置信息
Figure FDA0003223690630000026
和时间信息
Figure FDA0003223690630000027
3.根据权利要求1所述的方法，其特征在于，所述
Figure FDA0003223690630000028
4.根据权利要求1-3任一项所述的方法，其特征在于，所述车辆的OD点通过电子警察获取。
5.一种城市通勤路径识别设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少 一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-4中任意一项所述的方法。
CN202010471128.1A 2020-05-29 2020-05-29 城市通勤路径识别方法及设备 Active CN111640303B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010471128.1A CN111640303B (zh) 2020-05-29 2020-05-29 城市通勤路径识别方法及设备
LT2020551A LT6815B (lt) 2020-05-29 2020-09-24 Vykimo į darbą ir atgal miesto maršruto atpažinimo būdas ir įrenginys

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010471128.1A CN111640303B (zh) 2020-05-29 2020-05-29 城市通勤路径识别方法及设备

Publications (2)

Publication Number Publication Date
CN111640303A CN111640303A (zh) 2020-09-08
CN111640303B true CN111640303B (zh) 2021-09-28

Family

ID=72329206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010471128.1A Active CN111640303B (zh) 2020-05-29 2020-05-29 城市通勤路径识别方法及设备

Country Status (2)

Country Link
CN (1) CN111640303B (zh)
LT (1) LT6815B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2740115B1 (en) * 2011-08-05 2023-05-24 Telefonaktiebolaget LM Ericsson (publ) Generating an od matrix
CN107038168A (zh) * 2016-02-03 2017-08-11 中兴通讯股份有限公司 一种用户通勤轨迹管理方法、装置及系统
CN106971534B (zh) * 2017-02-09 2019-09-06 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
CN107277103A (zh) 2017-04-27 2017-10-20 华晓燕 一种基于精确推送的通勤服务系统及实现方法
CN107045783B (zh) 2017-05-19 2020-10-23 邱惠崧 一种基于约定出行的道路路网精准行车运行方法和系统
CN107170236B (zh) * 2017-06-14 2020-05-12 中山大学 一种基于浮动车数据的路网重要交叉口提取方法
CN108122186B (zh) * 2017-12-29 2021-11-05 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

Also Published As

Publication number Publication date
LT2020551A (lt) 2021-03-25
CN111640303A (zh) 2020-09-08
LT6815B (lt) 2021-04-26

Similar Documents

Publication Publication Date Title
D'Andrea et al. Detection of traffic congestion and incidents from GPS trace analysis
US10354523B2 (en) Road traffic control system, method, and electronic device
CN111462484B (zh) 拥堵状态的确定方法、装置、设备及计算机可读存储介质
US9564048B2 (en) Origin destination estimation based on vehicle trajectory data
CN102394009B (zh) 使用来自移动数据源的数据估算道路交通状况
CN102460534B (zh) 基于历史和当前数据预测期望道路交通状况的计算机实现的方法和计算系统
CN104715610B (zh) 一种面向城市交通的交通指数计算方法
Liu et al. Intersection delay estimation from floating car data via principal curves: a case study on Beijing’s road network
Hounsell et al. Data management and applications in a world-leading bus fleet
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
Yao et al. Sampled trajectory data-driven method of cycle-based volume estimation for signalized intersections by hybridizing shockwave theory and probability distribution
CN112447041A (zh) 识别车辆的营运行为的方法、装置及计算设备
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
CN113868492A (zh) 一种基于电警、卡口数据的可视化od分析方法及应用
CN111380530A (zh) 导航方法及相关产品
CN110827537B (zh) 一种潮汐车道的设置方法、装置及设备
CN111640303B (zh) 城市通勤路径识别方法及设备
Peng et al. Evaluation of roadway spatial-temporal travel speed estimation using mapped low-frequency AVL probe data
Robinson The development and application of an urban link travel time model using data derived from inductive loop detectors
Ansariyar Precision in Motion: Assessing the Accuracy of LiDAR Sensors for Delay Time Calculation at Signalized Intersections
Habtie et al. Cellular network based real-time urban road traffic state estimation framework using neural network model estimation
Gong et al. Estimating link travel time with sparse GPS data on highway corridors
Gore et al. A hazard-based model to derive travel time under congested conditions
Abdullah et al. Reliability of 15-minute drone footage volume for estimating urban traffic flow rates: A preliminary study
CN109255953A (zh) 基于区域的活动车辆分布展示方法及系统

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