CN111881243A - 一种出租车轨迹热点区域分析方法及系统 - Google Patents

一种出租车轨迹热点区域分析方法及系统 Download PDF

Info

Publication number
CN111881243A
CN111881243A CN202010750062.XA CN202010750062A CN111881243A CN 111881243 A CN111881243 A CN 111881243A CN 202010750062 A CN202010750062 A CN 202010750062A CN 111881243 A CN111881243 A CN 111881243A
Authority
CN
China
Prior art keywords
track data
data set
clustering
track
density
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
Application number
CN202010750062.XA
Other languages
English (en)
Other versions
CN111881243B (zh
Inventor
任丹萍
刘琳
陈湘国
魏忠诚
赵继军
李志华
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202010750062.XA priority Critical patent/CN111881243B/zh
Publication of CN111881243A publication Critical patent/CN111881243A/zh
Application granted granted Critical
Publication of CN111881243B publication Critical patent/CN111881243B/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
    • G06F16/29—Geographical information databases
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Remote Sensing (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明适用于智能交通技术领域，提供了一种出租车轨迹热点区域分析方法及系统，所述方法包括：获取出租车的轨迹数据集并进行时序分析，得到划分时间段；对轨迹数据集进行空间划分，得到各个划分区域对应的第一轨迹数据集并确定密度分界值；对于某个划分时间段，确定该划分时间段内各个划分区域对应的第二轨迹数据集，并计算各个第二轨迹数据集对应的区域密度；基于所述区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值后对各个第二轨迹数据集进行聚类，确定该划分时间段内出租车轨迹的热点区域。本申请能够客观、准确地得到不同时段居民出行的热点区域，从而降低出租车空载率。

Description

一种出租车轨迹热点区域分析方法及系统
技术领域
本发明属于智能交通技术领域，尤其涉及一种出租车轨迹热点区域分析方法及系统。
背景技术
出租车由于具有快捷、方便的优点，已经成为当前社会的重要交通方式。对于出租车行业而言，出租车的行驶轨迹很大程度上取决于城市居民的出行路线，因此，对出租车轨迹数据进行处理和分析，准确、客观地获得居民出行的热点区域，能够显著减少出租车的空载率，甚至对规避城市交通堵塞、规划城市建设都具有重要意义。
发明内容
有鉴于此，本发明实施例提供了一种出租车轨迹热点区域分析方法及系统，以准确、客观地获得居民出行的热点区域。
本发明实施例的第一方面提供了一种出租车轨迹热点区域分析方法，包括：
获取出租车的轨迹数据集；对轨迹数据集进行时序分析，得到划分时间段；对轨迹数据集进行空间划分，得到各个划分区域对应的第一轨迹数据集，并基于第一轨迹数据集确定密度分界值；对于某个划分时间段，确定该划分时间段内各个划分区域对应的第二轨迹数据集，并计算各个第二轨迹数据集对应的区域密度；基于区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值，并基于聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，确定该划分时间段内出租车轨迹的热点区域。
本发明实施例的第二方面提供了一种出租车轨迹热点区域分析系统，包括：
获取模块，用于获取出租车的轨迹数据集；
数据处理模块，用于对轨迹数据集进行时序分析，得到划分时间段；对轨迹数据集进行空间划分，得到各个划分区域对应的第一轨迹数据集，并基于第一轨迹数据集确定密度分界值；对于某个划分时间段，确定该划分时间段内各个划分区域对应的第二轨迹数据集，并计算各个第二轨迹数据集对应的区域密度；
聚类模块，用于基于区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值，并基于聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，确定该划分时间段内出租车轨迹的热点区域。
本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述出租车轨迹热点区域分析方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述出租车轨迹热点区域分析方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明结合时间和空间两方面综合分析出租车的轨迹数据，在时间上对轨迹数据集进行时序分析，得到划分时间段，在空间上划分多个区域，确定各划分时间段内各个划分区域对应的第二轨迹数据集，并根据各第二轨迹数据集对应的区域密度和预先计算的密度分界值的大小关系，选取不同的聚类半径和聚类密度阈值进行聚类，能够客观、准确地得到不同时段居民出行的热点区域，从而降低出租车的空载率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的出租车轨迹热点区域分析方法的流程示意图；
图2是本发明实施例提供的对第二轨迹数据集进行聚类的流程示意图；
图3是本发明实施例提供的出租车轨迹热点区域分析系统的结构示意图；
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
本申请实施例的第一方面提供了一种出租车轨迹热点区域分析方法，参照图1所示，该方法可以包括以下步骤：
步骤S101，获取出租车的轨迹数据集；对轨迹数据集进行时序分析，得到划分时间段；对轨迹数据集进行空间划分，得到各个划分区域对应的第一轨迹数据集，并基于第一轨迹数据集确定密度分界值。
在本发明实施例中，对轨迹数据集进行空间划分可以通过将轨迹数据与路网地图进行匹配来实现。首先通过OpenStreetMap开源地图网站获取城市路网地图，然后将轨迹数据集内的轨迹数据与路网地图进行匹配，确定出租车的行驶范围，并对行驶范围进行区域划分，可以得到各个划分区域对应的第一轨迹数据集，通过计算各第一轨迹数据集对应的区域密度，根据各区域密度之间的差值大小确定高密度区域和低密度区域的密度分界值λ。
可选的，在对轨迹数据集进行时序分析，得到划分时间段之前，还包括：
对轨迹数据集进行预处理。
在本发明实施例中，由于GPS信号的不稳定性，会导致轨迹数据异常，例如部分轨迹数据的缺失或重复等，需要对轨迹数据集内的轨迹数据进行预处理，修复异常的轨迹数据。另外，获取的出租车轨迹数据信息包括以一定的时间间隔进行采集的出租车位置经纬度信息和各时刻下出租车的载客状态，通过预处理筛选出呈载客状态的出租车轨迹数据作为居民出行热点区域分析的有效数据。
可选的，对轨迹数据集进行时序分析，得到划分时间段，包括：
对轨迹数据集内的轨迹数据进行差分计算，确定轨迹数据随时间的变化规律；根据该变化规律，确定轨迹数据集的划分时间段。
在本发明实施例中，对轨迹数据集进行时间序列特征分析(时序分析)可以通过Hadoop平台来实现。出租车轨迹数据的时间序列是指将出租车轨迹数据按时间发展顺序排列形成的序列，记录了每辆车每日从6:00-24:00的时间范围内，每个GPS信号传输时刻的经纬度坐标点。时序分析是在Hadoop平台轨迹数据中选取某一周内的轨迹数据，统计每天出租车载客量，对非平稳的时间序列进行差分计算，得到一周内每天出租车载客量的变化规律，观察该变化规律得到工作日和节假日时间段；以及选取工作日和节假日一天的轨迹数据，统计6:00-24:00每个小时的出租车载客量，对其进行差分计算，得到工作日和节假日一天内每小时出租车载客量的变化规律，观察该变化规律得到工作日和节假日一天内出租车载客高峰时间段和非高峰时间段。
具体的，例如对选定的某一周内出租车轨迹数据进行每天载客量的统计和非平稳时间序列的差分计算如下：
设自变量为时间序列t，yt是t的函数，记作yt＝f(t)，表示出租车每天载客量，当自变量t改变为t+1时，相应的函数值之差为yt＝f(t)在t的一阶差分，记作Δyt，即Δyt＝yt+1-yt＝f(t+1)-f(t)。当一阶差分Δyt为正值时，表明当前出租车载客量较之前一天是增加的，且其值越大，载客量增加的越快；当一阶差分Δyt为负值时，表明当前出租车载客量较之前一天是减少的。同样，对某天出租车载客量进行差分计算，函数值为每小时的载客量，当一阶差分为正值时，表明当前出租车载客量较之前一小时是增加的；当一阶差分为负值时，表明当前出租车载客量较之前一小时是减少的。通过对出租车轨迹数据的时序分析，可以得到每日和每小时的居民出行打车量及变化规律，并能够根据变化规律将轨迹数据集划分为不同的划分时间段。
步骤S102，对于某个划分时间段，确定该划分时间段内各个划分区域对应的第二轨迹数据集，并计算各个第二轨迹数据集对应的区域密度；基于区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值，并基于聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，确定该划分时间段内出租车轨迹的热点区域。
在本发明实施例中，通过划分时间段和划分区域对轨迹数据集进行划分，可以得到各个划分时间段内各个划分区域对应的第二轨迹数据集，根据第二轨迹数据集对应的区域密度和密度分界值的大小关系，确定不同的预设半径和预设密度阈值作为各第二轨迹数据集的聚类半径和聚类密度阈值，进而对各个第二轨迹数据集进行聚类。对某一个第二轨迹数据集进行聚类可以根据轨迹数据非均匀密度分布的特征，选用基于密度划分的自适应DBSCAN算法来实现。参照图2所示，聚类详细过程为：
(1)输入密度分界值λ，判断第二轨迹数据集的区域密度值ρ与λ的关系，若ρ≥λ，则输入第一预设半径Eps以及第一预设密度阈值MinPts分别作为该第二轨迹数据集的聚类半径和聚类密度阈值，否则，输入第二预设半径eps以及第二预设密度阈值minpts分别作为该第二轨迹数据集的聚类半径和聚类密度阈值；
(2)将读取的第二轨迹数据集内的所有轨迹数据均标记为未访问状态，DBSCAN任选一个未访问的轨迹数据，并判断其邻域内的轨迹数据个数与聚类密度阈值的大小关系，其中邻域的半径为聚类半径，若邻域内的轨迹数据个数不小于聚类密度阈值，则以该邻域对应的轨迹数据为核心点建立簇c，并将邻域内的轨迹数据都加入簇c；否则将该邻域对应的轨迹数据标记为噪声点，重新选取轨迹数据执行上述步骤，直至建立簇c。
(3)依次提取簇c中每一个未被访问的轨迹数据，判断其邻域内的轨迹数据个数与聚类密度阈值的大小关系；若邻域内的轨迹数据个数不小于聚类密度阈值，则将邻域内未归入任何一个簇的轨迹数据添加到簇c；否则，将该邻域对应的轨迹数据标记为噪声点。
可选的，确定该划分时间段内出租车轨迹的热点区域，包括：
将该划分时间段内的第二轨迹数据集的聚类结果与路网地图进行匹配，得到该划分时间段的出租车轨迹热点区域分布图。
在本发明实施例中，将各划分时间段的第二轨迹数据集的聚类结果通过ArcGIS软件中XY字段形式映射到路网地图中，可以得到每个划分时间段的出租车轨迹热点区域分布图。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
由以上内容可知，本发明结合时间和空间两方面综合分析出租车的轨迹数据，在时间上对轨迹数据集进行时序分析，得到划分时间段，在空间上划分多个区域，确定各划分时间段内各个划分区域对应的第二轨迹数据集，并根据各第二轨迹数据集的区域密度和预先计算的密度分界值的大小关系，选取不同的聚类半径和聚类密度阈值进行聚类，能够客观、准确地得到不同时段居民出行的热点区域，从而降低出租车空载率。
图3是本发明实施例提供的出租车轨迹热点区域分析系统的结构示意图，该系统用于实现本发明实施例第一方面的出租车轨迹热点区域分析方法，该出租车轨迹热点区域分析系统3包括：
获取模块31，用于获取出租车的轨迹数据集。
数据处理模块32，用于对轨迹数据集进行时序分析，得到划分时间段；对轨迹数据集进行空间划分，得到各个划分区域对应的第一轨迹数据集，并基于第一轨迹数据集确定密度分界值；对于某个划分时间段，确定该划分时间段内各个划分区域对应的第二轨迹数据集，并计算各个第二轨迹数据集对应的区域密度。
聚类模块33，用于基于区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值，并基于聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，确定该划分时间段内出租车轨迹的热点区域。
可选的，数据处理模块32还用于，对轨迹数据集进行预处理。
可选的，数据处理模块32具体用于，对轨迹数据集内的轨迹数据进行差分计算，确定所述轨迹数据随时间的变化规律；并根据该变化规律，确定轨迹数据集的划分时间段。对于某一个第二轨迹数据集，判断其对应的区域密度与密度分界值的大小关系，若区域密度不小于密度分界值，则将第一预设半径和第一预设密度阈值分别作为第二轨迹数据集的聚类半径和聚类密度阈值；若区域密度小于所述密度分界值，则将第二预设半径和第二预设密度阈值分别作为第二轨迹数据集的聚类半径和聚类密度阈值。
可选的，聚类模块33具体用于，将第二轨迹数据集内的轨迹数据均标记为未访问状态，并选取任意一个未被访问的轨迹数据，判断其邻域内的轨迹数据个数与聚类密度阈值的大小关系；其中，邻域的半径为聚类半径；若邻域内的轨迹数据个数不小于聚类密度阈值，则以该邻域对应的轨迹数据为核心点建立簇c，并将邻域内的轨迹数据加入簇c；若邻域内的轨迹数据个数小于聚类密度阈值，则将该邻域对应的轨迹数据标记为噪声点，重新选取轨迹数据直至建立簇c。
依次提取簇c中每一个未被访问的轨迹数据，判断其邻域内的轨迹数据个数与聚类密度阈值的大小关系；若邻域内的轨迹数据个数不小于聚类密度阈值，则将邻域内未归入任何一个簇的轨迹数据添加到簇c；若邻域内的轨迹数据个数小于聚类密度阈值，则将邻域对应的轨迹数据标记为噪声点。
将该划分时间段内的第二轨迹数据集的聚类结果与路网地图进行匹配，得到该划分时间段的出租车轨迹热点区域分布图。
图4是本发明实施例提供的电子设备的示意图。如图4所示，该实施例的电子设备4包括：处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述出租车轨迹热点区域分析方法实施例中的步骤，例如图1所示的步骤S101至S102。或者，处理器40执行计算机程序42时实现上述系统实施例中各模块的功能，例如图3所示模块31至33的功能。
示例性的，计算机程序42可以被分割成一个或多个模块，一个或者多个模块被存储在存储器41中，并由处理器40执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在电子设备4中的执行过程。例如，计算机程序42可以被分割成获取模块、数据处理模块和聚类模块，各模块具体功能如下：
获取模块，用于获取出租车的轨迹数据集。
数据处理模块，用于对轨迹数据集进行时序分析，得到划分时间段；对轨迹数据集进行空间划分，得到各个划分区域对应的第一轨迹数据集，并基于第一轨迹数据集确定密度分界值；对于某个划分时间段，确定该划分时间段内各个划分区域对应的第二轨迹数据集，并计算各个第二轨迹数据集对应的区域密度。
聚类模块，用于基于区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值，并基于聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，确定该划分时间段内出租车轨迹的热点区域。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是电子设备4的内部存储单元，例如电子设备4的硬盘或内存。存储器41也可以是电子设备4的外部存储设备，例如电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及电子设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种出租车轨迹热点区域分析方法，其特征在于，包括：
获取出租车的轨迹数据集；对所述轨迹数据集进行时序分析，得到划分时间段；对所述轨迹数据集进行空间划分，得到各个划分区域对应的第一轨迹数据集，并基于所述第一轨迹数据集确定密度分界值；
对于某个划分时间段，确定该划分时间段内各个划分区域对应的第二轨迹数据集，并计算各个第二轨迹数据集对应的区域密度；基于所述区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值，并基于所述聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，确定该划分时间段内出租车轨迹的热点区域。
2.如权利要求1所述出租车轨迹热点区域分析方法，其特征在于，在对所述轨迹数据集进行时序分析，得到划分时间段之前，还包括：
对所述轨迹数据集进行预处理。
3.如权利要求1所述出租车轨迹热点区域分析方法，其特征在于，所述对所述轨迹数据集进行时序分析，得到划分时间段，包括：
对所述轨迹数据集内的轨迹数据进行差分计算，确定所述轨迹数据随时间的变化规律；
根据所述变化规律，确定所述轨迹数据集的划分时间段。
4.如权利要求1所述出租车轨迹热点区域分析方法，其特征在于，所述基于所述区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值，包括：
对于某一个第二轨迹数据集，判断其对应的区域密度与密度分界值的大小关系，若所述区域密度不小于所述密度分界值，则将第一预设半径和第一预设密度阈值分别作为所述第二轨迹数据集的聚类半径和聚类密度阈值；
若所述区域密度小于所述密度分界值，则将第二预设半径和第二预设密度阈值分别作为所述第二轨迹数据集的聚类半径和聚类密度阈值。
5.如权利要求1所述出租车轨迹热点区域分析方法，其特征在于，所述基于所述聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，包括：
将所述第二轨迹数据集内的轨迹数据均标记为未访问状态，并选取任意一个未被访问的轨迹数据，判断其邻域内的轨迹数据个数与聚类密度阈值的大小关系；其中所述邻域的半径为聚类半径；
若所述邻域内的轨迹数据个数不小于聚类密度阈值，则以该邻域对应的轨迹数据为核心点建立簇c，并将邻域内的轨迹数据加入簇c；
若所述邻域内的轨迹数据个数小于聚类密度阈值，则将该邻域对应的轨迹数据标记为噪声点，重新选取轨迹数据直至建立簇c。
6.如权利要求5所述出租车轨迹热点区域分析方法，其特征在于，所述基于所述聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，还包括：
依次提取簇c中每一个未被访问的轨迹数据，判断其邻域内的轨迹数据个数与聚类密度阈值的大小关系；
若所述邻域内的轨迹数据个数不小于聚类密度阈值，则将所述邻域内未归入任何一个簇的轨迹数据添加到簇c；
若所述邻域内的轨迹数据个数小于聚类密度阈值，则将所述邻域对应的轨迹数据标记为噪声点。
7.如权利要求1所述出租车轨迹热点区域分析方法，其特征在于，所述确定该划分时间段内出租车轨迹的热点区域，包括：
将该划分时间段内的第二轨迹数据集的聚类结果与路网地图进行匹配，得到该划分时间段的出租车轨迹热点区域分布图。
8.一种出租车轨迹热点区域分析系统，其特征在于，包括：
获取模块，用于获取出租车的轨迹数据集；
数据处理模块，用于对所述轨迹数据集进行时序分析，得到划分时间段；对所述轨迹数据集进行空间划分，得到各个划分区域对应的第一轨迹数据集，并基于所述第一轨迹数据集确定密度分界值；对于某个划分时间段，确定该划分时间段内各个划分区域对应的第二轨迹数据集，并计算各个第二轨迹数据集对应的区域密度；
聚类模块，用于基于所述区域密度和密度分界值，确定各个第二轨迹数据集的聚类半径和聚类密度阈值，并基于所述聚类半径和聚类密度阈值对各个第二轨迹数据集进行聚类，确定该划分时间段内出租车轨迹的热点区域。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述出租车轨迹热点区域分析方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述出租车轨迹热点区域分析方法的步骤。
CN202010750062.XA 2020-07-30 2020-07-30 一种出租车轨迹热点区域分析方法及系统 Active CN111881243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010750062.XA CN111881243B (zh) 2020-07-30 2020-07-30 一种出租车轨迹热点区域分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010750062.XA CN111881243B (zh) 2020-07-30 2020-07-30 一种出租车轨迹热点区域分析方法及系统

Publications (2)

Publication Number Publication Date
CN111881243A true CN111881243A (zh) 2020-11-03
CN111881243B CN111881243B (zh) 2024-04-02

Family

ID=73205644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010750062.XA Active CN111881243B (zh) 2020-07-30 2020-07-30 一种出租车轨迹热点区域分析方法及系统

Country Status (1)

Country Link
CN (1) CN111881243B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328728A (zh) * 2020-11-30 2021-02-05 浙江师范大学 挖掘出行者轨迹的聚类方法、装置、电子装置和存储介质
CN112906948A (zh) * 2021-02-02 2021-06-04 湖南大学 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质
CN113570004A (zh) * 2021-09-24 2021-10-29 西南交通大学 一种乘车热点区域预测方法、装置、设备及可读存储介质
CN113792945A (zh) * 2021-11-17 2021-12-14 西南交通大学 一种营运车辆的派遣方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167092A (zh) * 2014-07-30 2014-11-26 北京市交通信息中心 一种确定出租车上下客热点区域中心的方法以及装置
CN108959466A (zh) * 2018-06-20 2018-12-07 淮阴工学院 基于bcs-dbscan的出租车载客热点可视化方法及系统
WO2019061656A1 (zh) * 2017-09-30 2019-04-04 平安科技（深圳）有限公司 电子装置、基于lbs数据的服务场所推荐方法及存储介质
CN110728305A (zh) * 2019-09-16 2020-01-24 南京信息工程大学 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167092A (zh) * 2014-07-30 2014-11-26 北京市交通信息中心 一种确定出租车上下客热点区域中心的方法以及装置
WO2019061656A1 (zh) * 2017-09-30 2019-04-04 平安科技（深圳）有限公司 电子装置、基于lbs数据的服务场所推荐方法及存储介质
CN108959466A (zh) * 2018-06-20 2018-12-07 淮阴工学院 基于bcs-dbscan的出租车载客热点可视化方法及系统
CN110728305A (zh) * 2019-09-16 2020-01-24 南京信息工程大学 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨树亮;毕硕本;NKUNZIMANA A;黄铜;万蕾;: "一种出租车载客轨迹空间聚类方法", 计算机工程与应用, no. 14 *
王亚飞;杨卫东;徐振强;: "基于出租车轨迹的载客热点挖掘", 信息与电脑(理论版), no. 16 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328728A (zh) * 2020-11-30 2021-02-05 浙江师范大学 挖掘出行者轨迹的聚类方法、装置、电子装置和存储介质
CN112906948A (zh) * 2021-02-02 2021-06-04 湖南大学 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质
CN112906948B (zh) * 2021-02-02 2023-12-22 湖南大学 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质
CN113570004A (zh) * 2021-09-24 2021-10-29 西南交通大学 一种乘车热点区域预测方法、装置、设备及可读存储介质
CN113792945A (zh) * 2021-11-17 2021-12-14 西南交通大学 一种营运车辆的派遣方法、装置、设备及可读存储介质
CN113792945B (zh) * 2021-11-17 2022-02-08 西南交通大学 一种营运车辆的派遣方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN111881243B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN111881243B (zh) 一种出租车轨迹热点区域分析方法及系统
CN108513676B (zh) 一种路况识别方法、装置及设备
CN109360421B (zh) 一种基于机器学习的交通信息预测方法及装置、电子终端
CN114363842B (zh) 基于手机信令数据的公交乘客下车站点预测方法及装置
CN111192451A (zh) 车辆到达时间的预测方法、装置、计算机设备及存储介质
CN112950119A (zh) 即时物流订单拆分方法、装置、设备及存储介质
CN113065701B (zh) 一种轨道交通客流量智能预测方法和装置
CN112579915B (zh) 一种出行链的分析方法及装置
CN113724497A (zh) 一种目标道路实时交通流量预测方法和装置
CN111369790B (zh) 过车记录校正方法、装置、设备及存储介质
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
CN110597248B (zh) 园区无人智慧巡检方法、装置、设备及存储介质
CN108629980B (zh) 一种通过控制交通流量改善空气质量的方法
CN113609237B (zh) 一种建设用地变更的数据处理方法、装置、设备及介质
CN114613124B (zh) 交通信息处理方法、装置、终端及计算机可读存储介质
WO2021189755A1 (zh) 坡度点筛选方法、终端设备及介质和坡度计算方法及系统
CN111121803B (zh) 获取道路常用停靠点的方法及装置
CN114565031A (zh) 基于经纬度的车队识别方法、装置及计算机设备
CN109472766B (zh) 桥梁螺栓区域定位方法及终端设备
CN101727749A (zh) 异常车速数据的识别方法和装置
CN112712700A (zh) 交通拥堵指数的确定方法及装置
CN113393710B (zh) 一种预警方法、预警装置及电子设备
CN113569315B (zh) 桥梁集群动态评估方法、装置、设备和可读存储介质
CN116109145B (zh) 车辆行驶路线的风险评估方法、装置、终端及存储介质
CN109214542A (zh) 基于大数据的发车时刻预估方法及装置

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