CN112085376B - 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法 - Google Patents

一种基于经纬度坐标和k-means聚类算法的交通需求分析方法 Download PDF

Info

Publication number
CN112085376B
CN112085376B CN202010919766.5A CN202010919766A CN112085376B CN 112085376 B CN112085376 B CN 112085376B CN 202010919766 A CN202010919766 A CN 202010919766A CN 112085376 B CN112085376 B CN 112085376B
Authority
CN
China
Prior art keywords
traffic
longitude
latitude
arrival
coordinates
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
CN202010919766.5A
Other languages
English (en)
Other versions
CN112085376A (zh
Inventor
张国强
王斯琨
徐炜铃
陈峻
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010919766.5A priority Critical patent/CN112085376B/zh
Publication of CN112085376A publication Critical patent/CN112085376A/zh
Application granted granted Critical
Publication of CN112085376B publication Critical patent/CN112085376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于经纬度坐标和k‑means聚类算法的交通需求分析方法，该方法包括以下步骤：(1)设计居民出行调查表；(2)发放和回收居民出行调查表；(3)获取出发地点和到达地点的经度与纬度；(4)构建数据库，录入与交通需求有关信息；(5)对经纬度数据进行分析和检查；(6)计算出行距离，删除不合理数据；(7)运用k‑means聚类算法对起讫点进行聚类分析，划分交通小区；(8)调整交通小区划分方案；(9)构建OD矩阵。本发明在精准地获取出发地点和到达地点经纬度坐标的基础上，运用k‑means聚类算法划分交通小区并创建OD矩阵，可以快速高效地分析交通出行数据，更好地满足交通规划、设计与管理的工程实践。

Description

一种基于经纬度坐标和k-means聚类算法的交通需求分析 方法
技术领域
本发明涉及交通规划、设计与管理领域，具体涉及一种基于经纬度坐标和k-means聚类算法的交通需求分析方法。
背景技术
随着经济的持续快速增长，人民的生活水平不断提高，机动车数量成倍增长，人、车、路间的矛盾日益显著，而机动车尾气排放的有害物质也逐渐成为威胁居民日常生活和身体健康的主要因素；尾气中的碳排放是温室气体，影响全球的气候变化。为满足居民的出行需求，打造一个快捷高效的交通网，促进交通系统的可持续发展，科学合理的交通规划是十分必要的，而交通需求分析是交通规划的核心技术。
在展开交通需求分析时，需要掌握交通源和交通流的特征，常用的两种交通分析模型有集计模型和非集计模型。非集计模型是以交通出行的个体为单位，能够详尽地掌握个人出行的特点，更加精准地描述交通需求的时空分布；但是该类模型的应用需要针对交通个体开展大量细致、复杂的调查工作，耗费大量的人力和物力。在实际工程中，一般选用集计模型进行交通需求分析。
集计模型需要先按照一定的原则将研究区域划分为若干个有一定规模的交通小区，交通小区的划分应当尽可能地体现出居民出行的时空分布特征，随后的分析均以这些交通小区为基本单位，在此基础上开展居民出行调查，然后统计调查数据，得到反映交通需求空间分布的OD矩阵。传统的出行调查所获得的信息比较简略，难以开展深度分析；传统的交通小区划分方法主要是根据行政区域和若干条划分原则进行划分，优点是容易理解、操作简单，缺点是划分的主观性大、在准确度和工作量之间难以平衡。
发明内容
发明目的：为克服现有交通需求分析方法的缺点，本发明提供了一种基于经纬度坐标和k-means聚类算法的交通需求分析方法，该方法可以解决起讫点信息过于简单，难以开展定量化分析的缺陷。通过对起讫点经纬度坐标的获取和聚类分析，实现了交通小区划分过程的定量化分析，从而可以更加客观高效地获取交通需求的空间分布。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种基于经纬度坐标和k-means聚类算法的交通需求分析方法，包括以下步骤：
(1)针对研究区域，构建包含若干条居民出行记录的数据库，其中每条居民出行记录包括出发时间、到达时间、出发地点经度坐标、出发地点纬度坐标、到达地点经度坐标、到达地点纬度坐标、出行目的、交通方式；
(2)运用k-means聚类算法对数据库中的出发地点和到达地点进行聚类分析，划分交通小区；
(3)根据交通小区划分结果，构建反映交通需求空间分布的OD矩阵。
进一步，步骤(1)所述的数据库构建步骤如下：
(1)设计居民出行调查表，包括：出发时间、到达时间、出发地点、到达地点、出行目的、交通方式；
(2)进行居民出行调查表的发放和回收工作，剔除信息填写错误或者不完整的调查表；
(3)获取居民出行调查表中出发地点经度、出发地点纬度、到达地点经度和到达地点纬度；
(4)将每份居民出行调查表对应居民出行记录录入数据库，每条居民出行记录包括出发时间、到达时间、出发地点经度坐标、出发地点纬度坐标、到达地点经度坐标、到达地点纬度坐标、出行目的、交通方式。
进一步，数据库的构建中还包括以下步骤：
(51)确定研究区域范围：将研究区域最东端和最西端的经度LNE和LNW作为经度的合理区间[LNW,LNE]，将研究区域的最北端和最南端的纬度LAN和LAS作为纬度的合理区间[LAS,LAN]；
(52)检查数据库中的每条居民出行记录是否合理：如果某条居民出行记录中出发地点或者到达地点的经纬度坐标(X，Y)满足LNW≤X≤LNE和LAS≤Y≤LAN，则表明该条居民出行记录合理，转向下一条居民出行记录，重复步骤(52)；否则，执行步骤(53)；
(53)如果(Y，X)满足LNW≤Y≤LNE和LAS≤X≤LAN，则以(Y，X)更新该条居民出行记录中出发地点或者到达地点的经纬度坐标；否则删除该条居民出行记录；转向下一条居民出行记录，返回步骤(52)。
进一步，数据库的构建中还包括以下步骤：
(61)确定各个交通方式的关键参数，包括：绕行系数a、最小出行距离Dmin、最大出行距离Dmax；
(62)计算数据库中的任一条居民出行记录的出发地点A和到达地点B之间的距离：
式中，‖B-A‖为A和B间的直线距离，(XA，YA)为A的经纬度坐标，(XB，YB)为B的经纬度坐标；
(63)如果不等式Dmin≤a·‖B-A‖≤Dmax成立，则保留该条居民出行记录；否则删除该条居民出行记录。
进一步，所述步骤(2)包括以下步骤：
(71)设定需要迭代的最大次数T，设定迭代结束的控制参数ε，设定交通小区数目为k个；
(72)提取数据库中N个出发地点和N个到达地点的经纬度坐标，得到2N个起讫点经纬度坐标；
(73)随机选取k个经纬度坐标点，分别作为k个交通小区的中心点；令第i个交通小区迭代次数t＝0；
(74)将2N个起讫点分配到距离最近的交通小区，即AREi＝{TRj|||TRj-CEi||＝minl||TRj-CEl||}，迭代次数t＝t+1；其中，||TRj-CEl||表示TRj和CEl之间的欧式距离，||TRj-CEi||表示TRj和CEi之间的欧式距离，TRj表示第j个起讫点经纬度坐标，CEi表示(73)中随机选取的第i个经纬度坐标，CEl表示(73)中随机选取的第l个经纬度坐标，l＝1,2,…,k；
(75)重新计算每个交通小区的中心点坐标：其中，/>是更新后第i个交通小区的中心点坐标，Ni是第i个交通小区所包含的起讫点个数；
(76)如果满足条件：t>T或者则结束运算，进入(77)；否则，令返回步骤(74)；其中，ε是设定阈值；
(77)对于每个交通小区，根据其中的起讫点的空间分布划定交通小区的边界。
进一步，步骤(2)中运用k-means聚类算法划分交通小区后，对所划分的交通小区内进行妨碍交通的障碍物检查，若存在障碍物，则以障碍物为边界将原交通小区划分为若干个新的交通小区；其中妨碍交通的障碍物包括铁道、封闭型道路、河流、湖泊。
进一步，所述步骤(3)包括以下步骤：
(91)设定交通小区数目为k个，交通方式的个数为MD；对于第m个出行方式，构建一个k阶OD矩阵，矩阵中的第i行第s列元素为
(92)逐条检查数据库中的居民出行记录，如果数据库中的第r条居民出行记录满足以下条件：交通方式Moder＝m、出发地点Ar∈AREi和到达地点Br∈AREs，则令
(93)重复步骤(92)，直到完成数据库中的所有居民出行记录的检查。
有益效果：与现有技术相比，本发明的有益效果：
1、通过受访者对出发地点和到达地点的详细表述，获得更加精准的交通信息，在此基础上精准地获取出发地点和到达地点的经纬度坐标，为定量化、精准化和程序化分析和检查数据的正确性提供了便利，为研究交通出行的时空分布提供了良好的基础；
2、运用k-means聚类算法对出行的出发地点和到达地点进行聚类分析，划分交通小区，并进而构建反应交通需求空间分布的OD矩阵，克服了传统的人工划分交通小区方法的主观性和随意性，使得交通小区的划分过程更加科学和合理，使得在此基础上构建的OD矩阵更加真实地反映交通需求的空间分布；
3、本发明依据交通需求空间分布的内在规律，实现了起讫点数据分析的定量化、精准化、模型化和程序化，可以快速高效地分析交通出行数据，为交通系统的规划、设计与管理提供支持。
附图说明
图1为一种基于经纬度坐标和k-means聚类算法的交通需求分析方法流程图；
图2为某个县域通勤出行出发地点和到达地点的经纬度坐标空间分布图；
图3为基于k-means聚类分析的某个县域通勤出行交通小区中心点分布图；
图4为基于k-means聚类分析的某个县域通勤出行交通小区划分示意图。
具体实施方式
该方法在获取出发地点和到达地点经纬度坐标的基础上进行聚类分析，据此划分交通小区，构建反应交通需求空间分布的OD矩阵。
下面结合附图对本发明作进一步详细说明。如图1所示，本发明包括以下步骤：
1、设计居民出行调查表，包括以下与交通需求有关的重要信息：出发时间、到达时间、出发地点、到达地点、出行目的、交通方式。在设计居民出行调查表时，要求受访者详细表述出发地点和到达地点，以便能够准确查找出发地点和到达地点的经纬度。譬如：××市××区××街道×号×幢。
2、进行居民出行调查表的发放和回收工作，剔除信息填写错误或者不完整的调查表。在发放调查表时，需要在不同性别和年龄的人群中随机选择发放对象，并且确保受访者的年龄构成和性别构成比较均衡。
3、运用谷歌地球或者百度地图，查询居民出行的出发地点和到达地点，获取出发地点经度、出发地点纬度、到达地点经度和到达地点纬度。
4、构建数据库，录入与交通需求有关的各项信息，设定数据库中有n条记录。数据库应该包括如下关键字段：出发时间、到达时间、出发地点经度坐标、出发地点纬度坐标、到达地点经度坐标、到达地点纬度坐标、出行目的、交通方式。
5、对数据库每条记录的经纬度数据进行分析和检查，修正或者删除错误数据，具体为：
(1)确定研究区域范围：将研究区域最东端和最西端的经度LNE和LNW作为经度的合理区间[LNW,LNE]，将研究区域的最北端和最南端的纬度LAN和LAS作为纬度的合理区间[LAS,LAN]；
(2)检查数据库中的第r条记录是否合理：检查记录中出发地点和到达地点的经度坐标和纬度坐标是否在合理区间内；假设出发地点或者到达地点的经纬度坐标为(X，Y)，如果以下不等式成立：LNW≤X≤LNE，LAS≤Y≤LAN，则表明该经纬度坐标合理，结束操作，转向下一条记录r＝r+1，重复步骤(2)；否则，表明经纬度坐标不合理，执行步骤(3)；
(3)交换经纬度坐标，得到新的坐标(Y，X)；如果以下不等式成立：LNW≤Y≤LNE，LAS≤X≤LAN，则表明修改后的经纬度坐标合理；否则，表明修改后的经纬度坐标依然不合理，删除该项记录；转向下一条记录r＝r+1，返回步骤(2)。
6、根据出发地点和到达地点的经度与纬度计算出行距离，删除不合理数据，具体为：
(1)确定各个交通方式的关键参数：研究和分析小汽车、公交车、电动自行车、自行车和行人等各种交通方式的特点，确定其关键参数，包括：绕行系数a、最小出行距离Dmin(公里)、最大出行距离Dmax(公里)；
(2)计算数据库中的第r条记录的出发地点和到达地点之间的距离：假设出发地点A的经纬度坐标为(XA，YA)，到达地点B的经纬度坐标为(XB，YB)，根据以下公式计算出A和B两点间的直线距离，计算结果单位为公里；
(3)判断数据是否合理：如果以下不等式成立：Dmin≤a·‖B-A‖≤Dmax，则表明数据合理；否则，说明数据不合理，删除该项记录；转向下一条记录r＝r+1，返回步骤(2)。
7、运用k-means聚类算法对出行的出发地点和到达地点进行聚类分析，划分交通小区，具体为：
(71)设定需要迭代的最大次数T，设定迭代结束的控制参数ε，设定交通小区数目为k个；
(72)提取数据库中N个出发地点和N个到达地点的经纬度坐标，得到2N个起讫点经纬度坐标；
(73)随机选取k个经纬度坐标点，分别作为k个交通小区的中心点；令第i个交通小区迭代次数t＝0；
(74)将2N个起讫点分配到距离最近的交通小区，即AREi＝{TRj|||TRj-CEi||＝minl||TRj-CEl||}，迭代次数t＝t+1；其中，||TRj-CEl||表示TRj和CEl之间的欧式距离，||TRj-CEi||表示TRj和CEi之间的欧式距离，TRj表示第j个起讫点经纬度坐标，CEi表示(73)中随机选取的第i个经纬度坐标，CEl表示(73)中随机选取的第l个经纬度坐标，l＝1,2,…,k；
(75)重新计算每个交通小区的中心点坐标：其中，/>是更新后第i个交通小区的中心点坐标，Ni是第i个交通小区所包含的起讫点个数；
(76)如果满足条件：t>T或者则结束运算，进入(77)；否则，令返回步骤(74)；其中，ε是设定阈值；
(77)对于每个交通小区，根据其中的起讫点的空间分布划定交通小区的边界
8、检查每个交通小区所覆盖区域是否存在障碍物，进行交通小区划分方案的调整。所述的检查对象包括铁道、封闭型道路、河流、湖泊等妨碍交通的障碍物；如果存在障碍物，以障碍物为边界将原交通小区划分为若干个新的交通小区。
9、根据交通小区划分结果，构建反映交通需求空间分布的OD矩阵，具体为：
(91)设定交通小区数目为k个，交通方式的个数为MD；对于第m个出行方式，构建一个k阶OD矩阵，矩阵中的第i行第s列元素为
(92)逐条检查数据库中的居民出行记录，如果数据库中的第r条居民出行记录满足以下条件：交通方式Moder＝m、出发地点Ar∈AREi和到达地点Br∈AREs，则令
(93)重复步骤(92)，直到完成数据库中的所有居民出行记录的检查。
以图2所示的某个县域通勤出行出发地点和到达地点的经纬度坐标空间分布图为例，基于k-means聚类分析的该县域通勤出行交通小区中心点分布图如图3所示，基于k-means聚类分析的某个县域通勤出行交通小区划分示意图如图4所示。
本发明运用k-means聚类算法对出行的出发地点和到达地点进行聚类分析，划分交通小区，并进而构建反应交通需求空间分布的OD矩阵，克服了传统的人工划分交通小区方法的主观性和随意性，使得交通小区的划分过程更加科学和合理，使得在此基础上构建的OD矩阵更加真实地反映交通需求的空间分布。

Claims (5)

1.一种基于经纬度坐标和k-means聚类算法的交通需求分析方法，其特征在于，包括以下步骤：
(1)针对研究区域，构建包含若干条居民出行记录的数据库，其中每条居民出行记录包括出发时间、到达时间、出发地点经度坐标、出发地点纬度坐标、到达地点经度坐标、到达地点纬度坐标、出行目的、交通方式；
(2)运用k-means聚类算法对数据库中的出发地点和到达地点进行聚类分析，划分交通小区；
(3)根据交通小区划分结果，构建反映交通需求空间分布的OD矩阵；
所述步骤(2)包括以下步骤：
(71)设定需要迭代的最大次数T，设定迭代结束的控制参数ε，设定交通小区数目为k个；
(72)提取数据库中N个出发地点和N个到达地点的经纬度坐标，得到2N个起讫点经纬度坐标；
(73)随机选取k个经纬度坐标点，分别作为k个交通小区的中心点；令第i个交通小区迭代次数t＝0；
(74)将2N个起讫点分配到距离最近的交通小区，即AREi＝{TRj|||TRj-CEi||＝minl||TRj-CEl||}，迭代次数t＝t+1；其中，||TRj-CEl||表示TRj和CEl之间的欧式距离，||TRj-CEi||表示TRj和CEi之间的欧式距离，FRj表示第j个起讫点经纬度坐标，CEi表示(73)中随机选取的第i个经纬度坐标，CEl表示(73)中随机选取的第l个经纬度坐标，l＝1，2，…，k；
(75)重新计算每个交通小区的中心点坐标：其中，/>是更新后第i个交通小区的中心点坐标，Ni是第i个交通小区所包含的起讫点个数；
(76)如果满足条件：t＞T或者则结束运算，进入(77)；否则，令返回步骤(74)；其中，ε是设定阈值；
(77)对于每个交通小区，根据其中的起讫点的空间分布划定交通小区的边界；
所述步骤(3)包括以下步骤：
(91)设定交通小区数目为k个，交通方式的个数为MD；对于第m个出行方式，构建一个k阶OD矩阵，矩阵中的第i行第s列元素为
(92)逐条检查数据库中的居民出行记录，如果数据库中的第r条居民出行记录满足以下条件：交通方式Moder＝m、出发地点Ar∈AREi和到达地点Br∈AREs，则令
(93)重复步骤(92)，直到完成数据库中的所有居民出行记录的检查。
2.根据权利要求1所述的一种基于经纬度坐标和k-means聚类算法的交通需求分析方法，其特征在于，步骤(1)所述的数据库构建步骤如下：
(1)设计居民出行调查表，包括：出发时间、到达时间、出发地点、到达地点、出行目的、交通方式；
(2)进行居民出行调查表的发放和回收工作，剔除信息填写错误或者不完整的调查表；
(3)获取居民出行调查表中出发地点经度、出发地点纬度、到达地点经度和到达地点纬度；
(4)将每份居民出行调查表对应居民出行记录录入数据库，每条居民出行记录包括出发时间、到达时间、出发地点经度坐标、出发地点纬度坐标、到达地点经度坐标、到达地点纬度坐标、出行目的、交通方式。
3.根据权利要求2所述的一种基于经纬度坐标和k-means聚类算法的交通需求分析方法，其特征在于，数据库的构建中还包括以下步骤：
(51)确定研究区域范围：将研究区域最东端和最西端的经度LNE和LNW作为经度的合理区间[LNW，LNE]，将研究区域的最北端和最南端的纬度LAN和LAs作为纬度的合理区间[LAs，LAN]；
(52)检查数据库中的每条居民出行记录是否合理：如果某条居民出行记录中出发地点或者到达地点的经纬度坐标(X，Y)满足LNW≤X≤LNE和LAs≤Y≤LAN，则表明该条居民出行记录合理，转向下一条居民出行记录，重复步骤(52)；否则，执行步骤(53)；
(53)如果(Y，X)满足LNW≤Y≤LNE和LAs≤X≤LAN，则以(Y，X)更新该条居民出行记录中出发地点或者到达地点的经纬度坐标；否则删除该条居民出行记录；转向下一条居民出行记录，返回步骤(52)。
4.根据权利要求2所述的一种基于经纬度坐标和k-means聚类算法的交通需求分析方法，其特征在于，数据库的构建中还包括以下步骤：
(61)确定各个交通方式的关键参数，包括：绕行系数a、最小出行距离Dmin、最大出行距离Dmax；
(62)计算数据库中的任一条居民出行记录的出发地点A和到达地点B之间的距离：
式中，||B-A||为A和B间的直线距离，(XA，YA)为A的经纬度坐标，(XB，YB)为B的经纬度坐标；
(63)如果不等式Dmin≤a·||B-A||≤Dmax成立，则保留该条居民出行记录；否则删除该条居民出行记录。
5.根据权利要求1所述的一种基于经纬度坐标和k-means聚类算法的交通需求分析方法，其特征在于，步骤(2)中运用k-means聚类算法划分交通小区后，对所划分的交通小区内进行妨碍交通的障碍物检查，若存在障碍物，则以障碍物为边界将原交通小区划分为若干个新的交通小区；其中妨碍交通的障碍物包括铁道、封闭型道路、河流、湖泊。
CN202010919766.5A 2020-09-04 2020-09-04 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法 Active CN112085376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010919766.5A CN112085376B (zh) 2020-09-04 2020-09-04 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010919766.5A CN112085376B (zh) 2020-09-04 2020-09-04 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法

Publications (2)

Publication Number Publication Date
CN112085376A CN112085376A (zh) 2020-12-15
CN112085376B true CN112085376B (zh) 2023-10-31

Family

ID=73732806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010919766.5A Active CN112085376B (zh) 2020-09-04 2020-09-04 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法

Country Status (1)

Country Link
CN (1) CN112085376B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192321A (zh) * 2021-03-17 2021-07-30 东南大学 一种面向综合土地利用的交通需求分布提取方法
CN113011512A (zh) * 2021-03-29 2021-06-22 长沙理工大学 基于rbf神经网络模型的交通生成预测方法及系统
CN117292546B (zh) * 2023-10-23 2024-05-07 重庆交通大学 一种基于手机gps数据的交通出行方式od计算方法
CN117806334B (zh) * 2024-02-29 2024-05-14 广东电网有限责任公司阳江供电局 一种基于人工智能的水下机器人避障路径规划方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808518A (zh) * 2017-10-26 2018-03-16 东南大学 一种基于多路谱聚类理论的交通小区划分方法
CN108320511A (zh) * 2018-03-30 2018-07-24 江苏智通交通科技有限公司 基于谱聚类的城市道路交通子区划分方法
CN110176141A (zh) * 2019-05-09 2019-08-27 中电海康集团有限公司 一种基于poi及流量特征的交通小区划分方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808518A (zh) * 2017-10-26 2018-03-16 东南大学 一种基于多路谱聚类理论的交通小区划分方法
CN108320511A (zh) * 2018-03-30 2018-07-24 江苏智通交通科技有限公司 基于谱聚类的城市道路交通子区划分方法
CN110176141A (zh) * 2019-05-09 2019-08-27 中电海康集团有限公司 一种基于poi及流量特征的交通小区划分方法和系统

Also Published As

Publication number Publication date
CN112085376A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112085376B (zh) 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
CN110298500B (zh) 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法
Boeing Off the grid… and back again? The recent evolution of American street network planning and design
CN108446470B (zh) 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法
Xu et al. Taxi-RS: Taxi-hunting recommendation system based on taxi GPS data
Thériault et al. Modelling commuter trip length and duration within GIS: Application to an OD survey
CN114881356A (zh) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
Han et al. Urban redevelopment at the block level: Methodology and its application to all Chinese cities
CN114973657A (zh) 基于轨迹数据的城市交通噪声污染分析与评估方法
Zhang et al. Transit-oriented development in new towns: identifying its association with urban function in Shanghai, China
CN116502960A (zh) 一种车站区域tod发展潜力评估方法、系统和电子设备
Li et al. Landscape Efficiency Assessment of Urban Subway Station Entrance Based on Structural Equation Model: Case Study of Main Urban Area of Nanjing
Zhao et al. Understanding the spatio-temporally heterogeneous effects of built environment on urban travel emissions
Aziz et al. A novel approach to estimate emissions from large transportation networks: Hierarchical clustering-based link-driving-schedules for EPA-MOVES using dynamic time warping measures
Tian et al. Local carbon emission zone construction in the highly urbanized regions: Application of residential and transport CO2 emissions in Shanghai, China
Carpentieri et al. GIS-Based Spatial Analysis for the Integrated Transport-Land Use-Energy Planning: An Application to the Greater London
Guillermo et al. Graph Database-modelled Public Transportation Data for Geographic Insight Web Application
CN116415756B (zh) 一种基于vr技术的城市虚拟场景体验管理系统
Yang et al. How the urban microclimate and outdoor thermal comfort can affect intra-city mobility patterns: Evidence from New York City
Huertas et al. Methodology to assess sustainable mobility in LATAM cities
CN115994787A (zh) 一种基于神经网络的拼车需求预测匹配方法
CN111177294B (zh) 基于车辆轨迹数据求解交叉口中介中心性的方法
CN112487309B (zh) 一种基于轨迹数据的不确定性医疗可达性计算方法
CN114863272A (zh) 一种确定城市植被对城市综合活力影响强度的方法和系统

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