CN112000653A - 基于空间和时间的区域网格化驾驶行为数据预处理方法 - Google Patents
基于空间和时间的区域网格化驾驶行为数据预处理方法 Download PDFInfo
- Publication number
- CN112000653A CN112000653A CN202010848377.8A CN202010848377A CN112000653A CN 112000653 A CN112000653 A CN 112000653A CN 202010848377 A CN202010848377 A CN 202010848377A CN 112000653 A CN112000653 A CN 112000653A
- Authority
- CN
- China
- Prior art keywords
- data
- division
- grid
- driving behavior
- spatial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000007781 pre-processing Methods 0.000 title claims abstract description 19
- 230000002123 temporal effect Effects 0.000 title claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开一种基于空间和时间的区域网格化驾驶行为数据预处理方法，属于交通数据处理技术领域。该方法从车辆驾驶系统中获取驾驶员行驶过程中的有效数据，并根据GPS获取的经纬度和数据采集的时间，对数据进行清洗与整合；观察汽车的驾驶分布状况，选择不同标准网格大小确定划分区域；在已经划分的每个小区域中，对数据进行均值和方差统计，根据最小方差原则确定网格划分标准；再根据是否是路段高峰期对划分好的小区域进行时间划分，得到基于空间和时间的区域网格化结果。本发明达到因时、因地而异的效果，使得各个数据特征更加具有可靠性和说服力。
Description
技术领域
本发明涉及交通数据处理技术领域，尤其涉及一种基于空间和时间的区域网格化驾驶行为数据预处理方法。
背景技术
随着国家经济和科学技术的不断发展，人们之间的交流越来越密切，生活也越来越方便。于是在这样的背景下，大数据在各领域的应用得到快速发展。数据处理作为从大量原始数据抽取出有价值信息的基本环节极大地影响了后续数据挖掘的广度和深度。
数据处理是从大量的、杂乱无章的、难以理解的数据中抽取并推导出对于某个特定任务来说是有价值、有意义的数据，通过解释并赋予一定意义后就成为了重要信息。数据处理方法包含数据清洗、数据集成、数据变换与数据规约等主体方法。这些方法普遍适用于各个行业各个领域，但因其局限性也不能一成不变的被应用在各种任务中。而汽车行业中的数据包含了车况情况、驾驶员和车外环境等数据，其需要针对具体问题制定合适的研究方法，以收集更好、更智能的信息，用以综合反映驾驶员车辆行驶习惯及风险，为汽车行业发展提供数据支撑。而现阶段该领域数据处理是方法也是多种多样，然而都是基于一维和二维数据的思考。对于大量基于空间和时间的三维不均匀分布数据，在该行业中现存的数据处理方法不能充分提取其有价值信息。
目前，网格化方法是应用于统一的城市管理，其将城市管理辖区按照一定的标准划分成为单元网格。通过加强对单元网格的部件和事件巡查，建立一种监督和处置互相分离的形式。其基于空间元素将管理手段数值化，使得对网格内的成员进行多元化和精细化的各种服务功能，让网格化管理的人员，对每个网格进行点对点的单独操作，使各种工作能够细腻地渗透到每一个成员中去。
发明内容
针对上述现有技术的不足，提供一种基于空间和时间的区域网格化驾驶行为数据预处理方法。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于空间和时间的区域网格化驾驶行为数据预处理方法，包括如下步骤：
步骤1：从数据库中读取驾驶行为相关数据，并根据GPS获取的经纬度和数据采集时间，对数据进行预处理，提升数据的置信度和可靠性，过程如下：
步骤1.1：依据GPS精度的准确性，设定经纬度上下阈值，将不在阈值范围内的数据视为异常数据，采用统计方法进行数据清洗；
步骤1.2：依据卫星定位技术对定位精度的影响，将少于数据量阈值的数据视为无效数据，再重新进行数据清洗处理。
所述数据清洗的统计方法采用逐步向后删除法或均值剔除法或最近邻插值法或重复数据删除法或逻辑错误清洗法。
步骤2：针对各个城市的具体位置信息，根据经纬度数据绘制散点图，观察汽车驾驶分布状况，依据不同可能性划分标准划分出m种不同划分标准情况下的区域网格大小，过程如下：
步骤2.1：选取某一城市，对其不同采样时间的所有数据进行合并，并根据经纬度画出散点图，观察汽车的驾驶分布状况；
步骤2.2：根据散点图密集程度和最大、最小经纬度设置城市网格划分标准，得出其不同划分标准情况下的区域网格大小。
步骤2.2.1：根据散点图的分布状况，确定将城市划分为Ni＝Li×Wi,(i＝1,2,3,…,m)个区域，其中m表示划分网格有m种可能性标准；
步骤2.2.2：假设该城市的最大、最小经度分别为max(X)、min(X),最大、最小纬度分别为max(Y)、min(Y),计算每种可能性划分标准下，每个小区域的长度、宽度分别为：
其中，lengthi表示第i种可能性划分标准下网格划分的每个小区域的长度，widthi表示第i种可能性划分标准下网格划分的每个小区域的宽度。
步骤3：计算和汇总m种不同可能性划分标准下各区域数据的均值和方差，依据最小方差原则，在m种不同可能性划分标准中确定方差最小的为最优网格划分标准，过程如下：
步骤3.1：获取各区域中的数据，并对驾驶行为中车辆运行数据进行均值和方差的汇总；
步骤3.2：将m种不同可能性划分标准下各区域车辆运行数据的方差相加，依据最小方差法，在m种不同可能性划分标准中确定方差最小的为最优网格划分标准。
为了避免出现大量的无数据区域，所述步骤3的过程还包括：针对每个城市的小区域，根据小区域内的方差采用投票法进行调整，以避免出现大量的无数据区域。
步骤4：对在最优网格划分标准下已经划分好的每个空间小区域，根据是否是路段高峰期进行时间划分。
经过步骤1至步骤4的预处理后，可再分别对数据进行均值和方差统计计算，根据方差对经空间和时间的区域网格化划分驾驶数据进行分类，对不同类型的数据采用不同的数据处理和分析方式，实现对不同区域不同时间段的驾驶行为相关数据进行不同的处理。
采用上述技术方案所产生的有益效果在于：
1、本发明合理地将网格化方法和空间元素、时间元素、数据处理相结合，能够在充分考虑高峰时期和拥堵路段的情况下，对不同区域不同时间段的驾驶行为相关数据进行不同的处理，从而达到了因时、因地而异的效果，使得各网格数据之间彼此分离而又相关，并大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间。
2、本发明提出的方法综合考虑了不同可能性划分标准下的划分情况，考虑其数据特点，选取驾驶行为中有价值的数据进行均值和方差统计，选取最优划分标准。
附图说明
图1为本发明实施例中基于空间和时间的区域网格化驾驶行为数据预处理方法流程图；
图2为本发明实施例中四种可能的划分标准下的空间网格图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本实施例的方法如下所述。
步骤1：从数据库中读取驾驶行为相关数据，并根据GPS获取的经纬度和数据采集时间，对数据进行预处理，提升数据的置信度和可靠性，过程如下：
步骤1.1：依据GPS精度的准确性，设定经纬度上下阈值，将不在阈值范围内的数据视为异常数据，采用统计方法进行数据清洗；
步骤1.2：依据卫星定位技术对定位精度的影响，将少于数据量阈值的数据视为无效数据，再重新进行数据清洗处理。
所述数据清洗的统计方法采用逐步向后删除法或均值剔除法或最近邻插值法或重复数据删除法或逻辑错误清洗法。
本实施例中从车辆驾驶系统中获取驾驶员行驶过程中的车况情况、驾驶员行为和车外环境等数据进行分析处理。
步骤2：针对各个城市的具体位置信息，根据经纬度数据绘制散点图，观察汽车驾驶分布状况，依据不同可能性划分标准划分出m种不同划分标准情况下的区域网格大小，过程如下：
步骤2.1：选取某一城市，对其不同采样时间的所有数据进行合并，并根据经纬度画出散点图，观察汽车的驾驶分布状况；
步骤2.2：根据散点图密集程度和最大、最小经纬度设置城市网格划分标准，得出其不同划分标准情况下的区域网格大小。
步骤2.2.1：根据散点图的分布状况，确定将城市划分为Ni＝Li×Wi,(i＝1,2,3,…,m)个区域，其中m表示划分网格有m种可能性标准；
步骤2.2.2：假设该城市的最大、最小经度分别为max(X)、min(X),最大、最小纬度分别为max(Y)、min(Y),计算每种可能性划分标准下，每个小区域的长度、宽度分别为：
其中，lengthi表示第i种可能性划分标准下网格划分的每个小区域的长度，widthi表示第i种可能性划分标准下网格划分的每个小区域的宽度。
本实施例中，确定4种划分网格的可能性标准，如图2所示，四种标准下，每个小区域的长宽分别是：
1：0.04和0.04；
2：0.08和0.08；
3：0.12和0.12；
4：0.16和0.16。
步骤3：计算和汇总m种不同可能性划分标准下各区域数据的均值和方差，依据最小方差原则，在m种不同可能性划分标准中确定方差最小的为最优网格划分标准，过程如下：
步骤3.1：获取各区域中的数据，并对驾驶行为中车辆运行数据进行均值和方差的汇总；
步骤3.2：将m种不同可能性划分标准下各区域车辆运行数据的方差相加，依据最小方差法，在m种不同可能性划分标准中确定方差最小的为最优网格划分标准。
本实施例中，拿车辆驾驶系统中驾驶员行驶过程中的速度数据为例，4种不同可能性划分标准下的均值和方差的对比数据如表1所示：
表1 4种划分标准下速度数据的均值和方差
| 划分标准 | 均值 | 方差 |
| 1 | 11.8258 | 619.2412 |
| 2 | 11.6063 | 833.8258 |
| 3 | 11.1309 | 1390.4744 |
| 4 | 11.3562 | 3214.5016 |
从表1中可以看出，第1种划分标准下，速度数据的方差最小，则认为第1种划分标准为最优网格化分标准。在最优网格划分标准下，网格速度数据的均值和方差的部分结果如表2所示：
表2最优网格划分标准下网格速度的均值和方差的部分结果
| 经度格 | 纬度格 | 均值 | 方差 |
| 8 | 8 | 3.779265 | 3.090145 |
| 8 | 8 | 13.34142 | 18.477102 |
| 9 | 10 | 14.16597 | 28.755333 |
| 9 | 11 | 12.76284 | 29.562057 |
为了避免出现大量的无数据区域，所述步骤3的过程还包括：针对每个城市的小区域，根据小区域内的方差采用投票法进行调整，以避免出现大量的无数据区域。
步骤4：对在最优网格划分标准下已经划分好的每个空间小区域，根据是否是路段高峰期进行时间划分。
经过步骤1至步骤4的预处理后，可再分别对数据进行均值和方差统计计算，根据方差对经空间和时间的区域网格化划分驾驶数据进行分类，对不同类型的数据采用不同的数据处理和分析方式，实现对不同区域不同时间段的驾驶行为相关数据进行不同的处理。
Claims (7)
1.一种基于空间和时间的区域网格化驾驶行为数据预处理方法，其特征在于：包括如下步骤：
步骤1：从数据库中读取驾驶行为相关数据，并根据GPS获取的经纬度和数据采集时间，对数据进行预处理，提升数据的置信度和可靠性；
步骤2：针对各个城市的具体位置信息，根据经纬度数据绘制散点图，观察汽车驾驶分布状况，依据不同可能性划分标准划分出m种不同划分标准情况下的区域网格大小；
步骤3：计算和汇总m种不同可能性划分标准下各区域数据的均值和方差，依据最小方差原则，在m种不同可能性划分标准中确定方差最小的为最优网格划分标准；
步骤4：对在最优网格划分标准下已经划分好的每个空间小区域，根据是否是路段高峰期进行时间划分。
2.根据权利要求1所述的基于空间和时间的区域网格化驾驶行为数据预处理方法，其特征在于：所述步骤1的过程如下：
步骤1.1：依据GPS精度的准确性，设定经纬度上下阈值，将不在阈值范围内的数据视为异常数据，采用统计方法进行数据清洗；
步骤1.2：依据卫星定位技术对定位精度的影响，将少于数据量阈值的数据视为无效数据，再重新进行数据清洗处理。
3.根据权利要求2所述的基于空间和时间的区域网格化驾驶行为数据预处理方法，其特征在于：所述数据清洗的统计方法采用逐步向后删除法或均值剔除法或最近邻插值法或重复数据删除法或逻辑错误清洗法。
4.根据权利要求1所述的基于空间和时间的区域网格化驾驶行为数据预处理方法，其特征在于：所述步骤2的过程如下：
步骤2.1：选取某一城市，对其不同采样时间的所有数据进行合并，并根据经纬度画出散点图，观察汽车的驾驶分布状况；
步骤2.2：根据散点图密集程度和最大、最小经纬度设置城市网格划分标准，得出m种不同划分标准情况下的区域网格大小。
5.根据权利要求4所述的基于空间和时间的区域网格化驾驶行为数据预处理方法，其特征在于：所述步骤2.2的过程如下：
步骤2.2.1：根据散点图的分布状况，确定将城市划分为Ni＝Li×Wi,(i＝1,2,3,…,m)个区域，其中m表示划分网格有m种可能性标准；
步骤2.2.2：假设该城市的最大、最小经度分别为max(X)、min(X),最大、最小纬度分别为max(Y)、min(Y),计算每种可能性划分标准下，每个小区域的长度、宽度分别为：
其中，lengthi表示第i种可能性划分标准下网格划分的每个小区域的长度，widthi表示第i种可能性划分标准下网格划分的每个小区域的宽度。
6.根据权利要求1所述的基于空间和时间的区域网格化驾驶行为数据预处理方法，其特征在于：所述步骤3的过程如下：
步骤3.1：获取各区域中的数据，并对驾驶行为中车辆运行数据进行均值和方差的汇总；
步骤3.2：将m种不同可能性划分标准下各区域车辆运行数据的方差相加，依据最小方差法，在m种不同可能性划分标准中确定方差最小的为最优网格划分标准。
7.根据权利要求6所述的基于空间和时间的区域网格化驾驶行为数据预处理方法，其特征在于：所述步骤3的过程还包括：
针对每个城市的小区域，根据小区域内的方差采用投票法进行调整，以避免出现大量的无数据区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010848377.8A CN112000653B (zh) | 2020-08-21 | 2020-08-21 | 基于空间和时间的区域网格化驾驶行为数据预处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010848377.8A CN112000653B (zh) | 2020-08-21 | 2020-08-21 | 基于空间和时间的区域网格化驾驶行为数据预处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112000653A true CN112000653A (zh) | 2020-11-27 |
| CN112000653B CN112000653B (zh) | 2024-03-29 |
Family
ID=73472952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010848377.8A Active CN112000653B (zh) | 2020-08-21 | 2020-08-21 | 基于空间和时间的区域网格化驾驶行为数据预处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112000653B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070198179A1 (en) * | 2006-02-17 | 2007-08-23 | Aisin Aw Co., Ltd. | Route search method, route guidance system, navigation system, and statistical processing server |
| WO2013138798A1 (en) * | 2012-03-15 | 2013-09-19 | Spireon, Inc. | Geospatial data based assessment of driver behavior and performance |
| CN107086034A (zh) * | 2016-11-03 | 2017-08-22 | 北京安声科技有限公司 | 一种车载主动降噪系统及方法 |
| WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
| US20190139449A1 (en) * | 2017-11-03 | 2019-05-09 | Neusoft Corporation | Method, computer readable storage medium and electronic equipment for analyzing driving behavior |
| CN109977319A (zh) * | 2019-04-04 | 2019-07-05 | 睿驰达新能源汽车科技（北京）有限公司 | 一种生成行为标签的方法及装置 |
| KR20190081430A (ko) * | 2017-12-29 | 2019-07-09 | (주)헤르메시스 | 지아이에스(gis) 기반 강우 데이터 처리 방법 및 장치 |
| CN110111575A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
| CN110334861A (zh) * | 2019-06-27 | 2019-10-15 | 四川大学 | 一种基于轨迹数据的城市区域划分方法 |
| CN110765122A (zh) * | 2019-11-07 | 2020-02-07 | 深圳鼎然信息科技有限公司 | 基于sdk实现数据采集和驾驶评测的方法、装置及系统 |
| CN110765128A (zh) * | 2019-09-17 | 2020-02-07 | 江苏海平面数据科技有限公司 | 基于大规模gps数据的优化存储方法 |
| CN111177298A (zh) * | 2019-12-31 | 2020-05-19 | 湖南高速铁路职业技术学院 | 一种基于面积法的通信网络信息地理网格化方法 |
| US20200183900A1 (en) * | 2018-12-11 | 2020-06-11 | SafeGraph, Inc. | Deduplication of Metadata for Places |
-
2020
- 2020-08-21 CN CN202010848377.8A patent/CN112000653B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070198179A1 (en) * | 2006-02-17 | 2007-08-23 | Aisin Aw Co., Ltd. | Route search method, route guidance system, navigation system, and statistical processing server |
| WO2013138798A1 (en) * | 2012-03-15 | 2013-09-19 | Spireon, Inc. | Geospatial data based assessment of driver behavior and performance |
| CN107086034A (zh) * | 2016-11-03 | 2017-08-22 | 北京安声科技有限公司 | 一种车载主动降噪系统及方法 |
| WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
| US20190139449A1 (en) * | 2017-11-03 | 2019-05-09 | Neusoft Corporation | Method, computer readable storage medium and electronic equipment for analyzing driving behavior |
| KR20190081430A (ko) * | 2017-12-29 | 2019-07-09 | (주)헤르메시스 | 지아이에스(gis) 기반 강우 데이터 처리 방법 및 장치 |
| US20200183900A1 (en) * | 2018-12-11 | 2020-06-11 | SafeGraph, Inc. | Deduplication of Metadata for Places |
| CN109977319A (zh) * | 2019-04-04 | 2019-07-05 | 睿驰达新能源汽车科技（北京）有限公司 | 一种生成行为标签的方法及装置 |
| CN110111575A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
| CN110334861A (zh) * | 2019-06-27 | 2019-10-15 | 四川大学 | 一种基于轨迹数据的城市区域划分方法 |
| CN110765128A (zh) * | 2019-09-17 | 2020-02-07 | 江苏海平面数据科技有限公司 | 基于大规模gps数据的优化存储方法 |
| CN110765122A (zh) * | 2019-11-07 | 2020-02-07 | 深圳鼎然信息科技有限公司 | 基于sdk实现数据采集和驾驶评测的方法、装置及系统 |
| CN111177298A (zh) * | 2019-12-31 | 2020-05-19 | 湖南高速铁路职业技术学院 | 一种基于面积法的通信网络信息地理网格化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王亮;胡琨元;库涛;吴俊伟;: "基于多尺度空间划分与路网建模的城市移动轨迹模式挖掘", 自动化学报, no. 01, pages 48 - 57 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112000653B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109716414B (zh) | 一种多模态道路交通异常检测方法 | |
| CN103218672B (zh) | 一种基于gps数据网格统计的出租车巡航行为分析方法 | |
| CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
| CN112905576B (zh) | 一种基于农机作业轨迹确定农田和道路的方法及系统 | |
| CN109446243B (zh) | 一种基于大数据分析检测光伏电站发电异常的方法 | |
| CN114463972A (zh) | 一种基于etc门架通信数据的路段区间交通分析预测方法 | |
| Guo et al. | Application of PCA-K-means++ combination model to construction of light vehicle driving conditions in intelligent traffic | |
| 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 | |
| CN112652168B (zh) | 一种重大交通事故预警方法、系统及存储介质 | |
| CN112000653A (zh) | 基于空间和时间的区域网格化驾驶行为数据预处理方法 | |
| CN112052405B (zh) | 一种基于司机经验的寻客区域推荐方法 | |
| CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
| CN113723459B (zh) | 一种基于时间聚合的公交运营时段划分及单程点推荐方法 | |
| CN109508868B (zh) | 高效智能空中交通区域划分系统 | |
| CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
| CN110148298B (zh) | 基于机动车电子标识数据的私家车规律出行行为发现方法 | |
| CN115222936A (zh) | 过期兴趣点的确定方法、装置、电子设备及存储介质 | |
| CN114564521A (zh) | 一种基于聚类算法确定农机工作时间段的方法及系统 | |
| CN111898878A (zh) | 基于预警大数据的车辆风险时空分布分析方法 | |
| CN113673571B (zh) | 一种基于密度聚类方法的出租车异常订单识别方法 | |
| CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
| CN106529778A (zh) | 基于智能手机的公共汽车乘车舒适性指标构建方法 | |
| CN113535819A (zh) | 交通态势感知分析方法、装置、计算机存储介质及终端 | |
| CN110929982A (zh) | 基于融合数据的公交线网客流检测方法与系统 | |
| Lägnert | An Extreme Value Approach to Road Safety Analysis |
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 |