CN112118535B - 车辆漫游区域预测方法及系统 - Google Patents
车辆漫游区域预测方法及系统 Download PDFInfo
- Publication number
- CN112118535B CN112118535B CN202010806311.2A CN202010806311A CN112118535B CN 112118535 B CN112118535 B CN 112118535B CN 202010806311 A CN202010806311 A CN 202010806311A CN 112118535 B CN112118535 B CN 112118535B
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- track data
- data
- running
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了车辆漫游区域预测方法及系统,该方法包括以下步骤:S100,通过物联网获取待测车辆的运行轨迹数据,将所述运行轨迹数据按时间进行划分,提取所述待测车辆的移动轨迹相似性特征;S200,根据所述运行轨迹数据得出所述待测车辆的第一位置,基于所述第一位置提取所述待测车辆的移动距离分布特征;S300,根据所述移动轨迹相似性特征以及所述移动距离分布特征,得出所述待测车辆的预测漫游区域。本发明至少具有以下有益效果:通过物联网获取车辆轨迹数据,提取特征,可智能预测车辆漫游区域,获取车辆的日常所处区域位置,从而可为移动网络的架设提供参考数据依据。
Description
技术领域
本发明涉及车辆智能管理技术领域,特别涉及一种车辆漫游区域预测方法及系统。
背景技术
多网络合作下用户移动行为的发展与超密集网络技术的发展密切相关,因此,用户的移动行为将极大地影响不同网络的数据承载分布,并影响网络的整体性能和用户体验。因此,如何预测车辆的漫游区域成为一个重要的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种车辆漫游区域预测方法,能够准确预测车辆的漫游区域。
本发明还提出一种具有上述车辆漫游区域预测方法的车辆漫游区域预测系统。
本发明还提出一种具有上述车辆漫游区域预测方法的计算机可读存储介质。
根据本发明的第一方面实施例的车辆漫游区域预测方法,包括以下步骤: S100,通过物联网获取待测车辆的运行轨迹数据,将所述运行轨迹数据按时间进行划分,提取所述待测车辆的移动轨迹相似性特征;S200,根据所述运行轨迹数据得出所述待测车辆的第一位置,基于所述第一位置提取所述待测车辆的移动距离分布特征;S300,根据所述移动轨迹相似性特征以及所述移动距离分布特征,得出所述待测车辆的预测漫游区域。
根据本发明实施例的车辆漫游区域预测方法,至少具有如下有益效果:通过物联网获取车辆轨迹数据,提取特征,可智能预测车辆漫游区域,获取车辆的日常所处区域位置,从而可为移动网络的架设提供数据参考依据。
根据本发明的一些实施例,所述步骤S100包括:S110,基于预设划分规则,将所述运行轨迹数据按时间进行划分,得到若干子序列轨迹数据;S120,基于所述子序列轨迹数据的均值,通过直线拟合的方法得出所述子序列轨迹数据的拟合值;S130,计算所述子序列轨迹数据的所述拟合值的平均值,得到所述移动轨迹相似性特征。
根据本发明的一些实施例,所述预设划分规则被配置为:按时间序列长度2k将所述运行轨迹数据进行划分,其中k为正整数,选取多个连续的k值分别对所述运行轨迹数据进行划分。
根据本发明的一些实施例,所述步骤S120包括:S121,计算所述子序列轨迹数据的轨迹均值,根据所述轨迹均值得出轨迹累计离差和轨迹极差;S122,根据所述轨迹均值得出所述子序列轨迹数据的轨迹标准差;S123,根据所述轨迹极差与所述轨迹的标准差的比例,对所述子序列轨迹数据的时间序列差值取对数,用最小平方和的方法做直线拟合,得到所述拟合值。
根据本发明的一些实施例,所述步骤S200包括:S210,遍历所述运行轨迹数据中的轨迹点,分别计算每个所述轨迹点的坐标与所述运行轨迹数据中另外的所述轨迹点的坐标之间的标量距离,选择所述标量距离最小的所述轨迹点存入存储器并标记为所述第一位置;S220,按时间顺序,计算所述运行轨迹数据中的所述轨迹点与所述第一位置的矢量距离,并保存至矢量距离集合;S230,基于累计分布函数,从所述矢量距离集合中提取所述移动距离分布特征。
根据本发明的一些实施例,所述步骤S210之前还包括:根据预设规则清理所述运行轨迹数据中的所述轨迹点,清除在预设时间阈值内重复的所述轨迹点。
根据本发明的一些实施例,所述步骤S300包括:S310,实时获取所述待测车辆的所述运行轨迹数据;S320,根据所述移动轨迹相似性特征更新所述待测车辆的预测漫游轨迹;S330,根据所述移动距离分布特征,得出所述待测车辆的所述预测漫游区域。
根据本发明的第二方面实施例的车辆漫游区域预测系统,包括:数据采集模块,用于通过物联网与待测车辆连接,获取所述待测车辆的运行轨迹数据;相似性特征提取模块,用于将所述运行轨迹数据按时间进行划分,提取所述待测车辆的移动轨迹相似性特征;距离特征提取模块,用于根据所述运行轨迹数据得出所述待测车辆的第一位置,基于所述第一位置提取所述待测车辆的移动距离分布特征;预测漫游区域模块,用于根据所述移动轨迹相似性特征以及所述移动距离分布特征,得出所述待测车辆的预测漫游区域。
根据本发明实施例的车辆漫游区域预测系统,至少具有如下有益效果:通过物联网获取车辆轨迹数据,提取特征,可智能预测车辆漫游区域,获取车辆的日常所处区域位置,从而可为移动网络的架设提供数据依据。
根据本发明的一些实施例,所述相似性特征提取模块还包括:子序列划分模块,用于基于预设划分规则,将所述运行轨迹数据按时间进行划分,得到若干子序列轨迹数据;子序列拟合模块,用于基于所述子序列轨迹数据的均值,通过直线拟合的方法得出所述子序列轨迹数据的拟合值;相似性特征输出模块,用于计算所述子序列轨迹数据的所述拟合值的平均值,得到所述移动轨迹相似性特征。
根据本发明的第三方面实施例的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明第一方面实施例的方法。
根据本发明实施例的计算机存储介质,至少具有如下有益效果:通过物联网获取车辆轨迹数据,提取特征,可智能预测车辆漫游区域,获取车辆的日常所处区域位置,从而可为移动网络的架设提供参考数据依据。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的方法的流程示意图;
图2为本发明实施例的方法中的数据交互示意图;
图3为本发明实施例的系统的模块示意框图。
附图标记:
数据采集模块100、相似性特征提取模块200、距离特征提取模块300、预测漫游区域模块400;
子序列划分模块210、子序列拟合模块220、相似性特征输出模块230。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个及两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
参照图1,本发明的实施例的方法包括:S100,通过物联网与待测车辆连接,获取该待测车辆的运行轨迹数据,并基于一定规则将运行轨迹数据按时间进行划分,提取待测车辆的移动轨迹相似性特征;S200,根据运行轨迹数据得出该待测车辆的第一位置,基于该第一位置提取待测车辆的移动距离分布特征;S300,根据移动轨迹相似性特征以及移动距离分布特征,得出待测车辆的预测漫游区域。
本发明的实施例中,移动轨迹相似性特征提取方法的步骤如下。首先,获取物联网的待测车辆的历史轨迹数据集,轨迹数据集中的单个轨迹点的信息通常包括轨迹点坐标、经过时间等信息;按时间序列长度2k将历史轨迹数据集划分为若干子序列数据集合L={L1,L2,...,Ln}。选取多个连续的k值对历史轨迹数据集进行划分。假定按预设时间间隔频率(例如:1分钟)采集待测车辆的轨迹数据,得到一串轨迹点N1,N2,...,Nm;可首次划分为(N1,N2)、(N3,N4)、(N5, N6)等依次类推;接着再划分为(N1,N2,N3,N4)、(N5,N6,N7,N8)等依次类推;以后每次划分,单组内的轨迹点数量均为前一次的2倍。显然,在本发明的实施例中,单次划分得到子序列轨迹数据集合中,每组轨迹点可部分重叠;也不一定需要从2个点开始分组计算,在采集轨迹数据频率固定的情况下确保每次划分时,单组的轨迹点数量为前一次划分的双倍即可。若采集轨迹数据频率,显然也可根据采样时间间隔划分,确保每次划分时,单组的时间长度为上次划分的双倍。然后计算每个子序列轨迹数据集合中所有组轨迹数据的拟合值。
单组轨迹数据拟合值计算过程如下,包括:
步骤1:首先得出本次划分时分组轨迹数据的时间序列差值;
步骤2:根据公式一计算得出本组轨迹数据的轨迹均值(即经纬度坐标位置):
根据公式二计算得出轨迹累计离差yij:
根据公式三得出轨迹极差Ri:
Ri=max(yij)-min(yij) (公式三) 根据公式四得出轨迹标准差Si:
步骤3:对以Ri/Si及本组轨迹数据对应的时间序列差值取对数,用最小平方和的方法做直线拟合,得到本组轨迹数据的拟合值。
根据子序列数据集合的所有组轨迹数据的拟合值,取平均值,得到移动轨迹相似性特征。显然,不同的k值对应的子序列数据集合有不同的拟合值。
本发明的实施例中的移动距离分布特征提取过程如下,包括:
步骤1:获取历史轨迹数据集,对轨迹数据进行清理,清理预设时间阈值未移动产生的重复轨迹点(例如:大于等于5分钟,车辆未移动,轨迹点未产生变化,此时采集的轨迹数据均为重复值);
步骤2:遍历剩余的轨迹数据集中的轨迹点,对任一个轨迹P,求出P与轨迹数据中另外所有的轨迹点的标量距离之和,将标量距离之各最小的轨迹点标记为第一位置;
步骤3:按时间顺序,分别求出轨迹数据集中的每个轨迹点与该第一位置的矢量距离,并将该矢量距离及轨迹点相关信息(如轨迹点坐标位置、轨迹点的时间)加入集合V;
步骤4:通过累计分布函数,基于集合V,提取移动距离分布特征。
通过物联网获取物联网节点(即待测车辆)的历史轨迹数据,参照图2,按上述方法可以分别得出移动轨迹相似性特征及移动距离分布特征。其中,移动轨迹相似性特征提取能够得到出车辆本身移动轨迹的自相似特征;移动距离分布特征提取能够在车辆自相似的特征上进一步提取到车辆的漫游特性,即日常车辆移动轨迹大部分时间都集中在某一个区域,而不是在地图上随机分布。待测车辆在运行过程中,可通过物联网实时上送当前轨迹数据,根据当前轨迹数据与移动轨迹相似性特征,实时地更新待测车辆的预测漫游轨迹;并根据移动距离分布特征,得出待测车辆的预测漫游区域,也即预测该车的行进目的地。
本发明实施例的系统,参照图3,包括:数据采集模块100、相似性特征提取模块200、距离特征提取模块300和预测漫游区域模块400。数据采集模块,用于通过物联网与待测车辆连接,获取待测车辆的运行轨迹数据;相似性特征提取模块,用于将运行轨迹数据按时间进行划分,提取待测车辆的移动轨迹相似性特征;距离特征提取模块,用于根据运行轨迹数据得出待测车辆的第一位置,基于第一位置提取待测车辆的移动距离分布特征;预测漫游区域模块,用于根据移动轨迹相似性特征以及移动距离分布特征,得出待测车辆的预测漫游区域。
本发明实施例的预测漫游区域模块400还包括:子序列划分模块,用于基于预设划分规则,将运行轨迹数据按时间进行划分,得到若干子序列轨迹数据;子序列拟合模块,用于基于子序列轨迹数据的均值,通过直线拟合的方法得出子序列轨迹数据的拟合值;相似性特征输出模块,用于计算子序列轨迹数据的拟合值的平均值,得到移动轨迹相似性特征。
尽管本文描述了具体实施方案,但是本领域中的普通技术人员将认识到,许多其它修改或另选的实施方案同样处于本公开的范围内。例如,结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外,虽然已根据本公开的实施方案描述了各种例示性具体实施和架构,但是本领域中的普通技术人员将认识到,对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解,框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样,根据一些实施方案,框图和流程图中的一些块可能无需按示出的顺序执行,或者可以无需全部执行。另外,超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此,框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解,框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件,包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令,所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如,本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言,诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言,其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中,包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行,而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如,预设的或固定的)或动态的(例如,在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种车辆漫游区域预测方法,其特征在于,包括以下步骤:
S100,通过物联网获取待测车辆的运行轨迹数据,所述运行轨迹数据包括轨迹点坐标及经过时间;按时间序列长度2k将所述运行轨迹数据进行划分,得到若干组子序列轨迹数据集合,获取每个所述子序列轨迹数据集合的拟合值,取平均值,得到所述待测车辆的移动轨迹相似性特征,其中k为正整数;
S200,根据预设规则清理所述运行轨迹数据中的所述轨迹点,清除在预设时间阈值内重复的所述轨迹点;遍历所述运行轨迹数据中的轨迹点,分别计算每个所述轨迹点的坐标与所述运行轨迹数据中另外的所述轨迹点的坐标之间的标量距离,选择所述标量距离最小的所述轨迹点存入存储器并标记为第一位置;按时间顺序,计算所述运行轨迹数据中的所述轨迹点与所述第一位置的矢量距离,并将矢量距离及所述轨迹点相关信息保存至矢量距离集合;基于累计分布函数,从所述矢量距离集合中提取所述移动距离分布特征;
S300,根据所述移动轨迹相似性特征以及所述移动距离分布特征,得出所述待测车辆的预测漫游区域。
2.根据权利要求1所述的车辆漫游区域预测方法,其特征在于,选取多个连续的k值对分别所述运行轨迹数据进行划分。
3.根据权利要求1所述的车辆漫游区域预测方法,其特征在于,获取每个所述子序列轨迹数据集合的拟合值的方法包括:
S121,计算所述子序列轨迹数据的轨迹均值,根据所述轨迹均值得出轨迹累计离差和轨迹极差;
S122,根据所述轨迹均值得出所述子序列轨迹数据的轨迹标准差;
S123,根据所述轨迹极差与所述轨迹的标准差的比例,对所述子序列轨迹数据的时间序列差值取对数,用最小平方和的方法做直线拟合,得到所述拟合值。
4.根据权利要求1所述的车辆漫游区域预测方法,其特征在于,所述步骤S300包括:
S310,实时获取所述待测车辆的所述运行轨迹数据;
S320,根据所述移动轨迹相似性特征更新所述待测车辆的预测漫游轨迹;
S330,根据所述移动距离分布特征,得出所述待测车辆的所述预测漫游区域。
5.一种车辆漫游区域预测系统,用于执行权利要求1至4中任一项的方法,其特征在于,包括:
数据采集模块,用于通过物联网与待测车辆连接,获取所述待测车辆的运行轨迹数据,所述运行轨迹数据包括轨迹点坐标及经过时间;
相似性特征提取模块,用于按时间序列长度2k将所述运行轨迹数据进行划分,得到若干组子序列轨迹数据集合,获取每个所述子序列轨迹数据集合的拟合值,取平均值,得到所述待测车辆的移动轨迹相似性特征,其中k为正整数;
距离特征提取模块,用于根据预设规则清理所述运行轨迹数据中的所述轨迹点,清除在预设时间阈值内重复的所述轨迹点;遍历所述运行轨迹数据中的轨迹点,分别计算每个所述轨迹点的坐标与所述运行轨迹数据中另外的所述轨迹点的坐标之间的标量距离,选择所述标量距离最小的所述轨迹点存入存储器并标记为第一位置;按时间顺序,计算所述运行轨迹数据中的所述轨迹点与所述第一位置的矢量距离,并保存至矢量距离集合;基于累计分布函数,从所述矢量距离集合中提取所述移动距离分布特征;
预测漫游区域模块,用于根据所述移动轨迹相似性特征以及所述移动距离分布特征,得出所述待测车辆的预测漫游区域。
6.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至4中任一项的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806311.2A CN112118535B (zh) | 2020-08-12 | 2020-08-12 | 车辆漫游区域预测方法及系统 |
PCT/CN2020/114607 WO2022032782A1 (zh) | 2020-08-12 | 2020-09-10 | 车辆漫游区域预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806311.2A CN112118535B (zh) | 2020-08-12 | 2020-08-12 | 车辆漫游区域预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112118535A CN112118535A (zh) | 2020-12-22 |
CN112118535B true CN112118535B (zh) | 2021-08-17 |
Family
ID=73804076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010806311.2A Active CN112118535B (zh) | 2020-08-12 | 2020-08-12 | 车辆漫游区域预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112118535B (zh) |
WO (1) | WO2022032782A1 (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0836074A2 (en) * | 1996-10-11 | 1998-04-15 | Zexel Corporation | Route guidance system and method for use in vehicle navigation |
CN102034355A (zh) * | 2010-12-28 | 2011-04-27 | 丁天 | 一种基于特征点匹配的车辆检测及跟踪方法 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN110674226A (zh) * | 2019-09-19 | 2020-01-10 | 北京航空航天大学 | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8933841B2 (en) * | 2010-12-13 | 2015-01-13 | The Governing Council Of The University Of Toronto | System and method for localization |
WO2014071084A2 (en) * | 2012-10-31 | 2014-05-08 | O'malley, Matt | System and method for dynamically monitoring, analyzing, managing, and alerting packet data traffic and applications |
CN104239556B (zh) * | 2014-09-25 | 2017-07-28 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
KR101965043B1 (ko) * | 2017-01-24 | 2019-08-07 | 한양대학교 산학협력단 | 정밀지도 생성 지역 결정 방법 및 장치 |
CN107133269B (zh) * | 2017-04-01 | 2021-06-18 | 中国人民解放军国防科技大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
WO2019048034A1 (en) * | 2017-09-06 | 2019-03-14 | Swiss Reinsurance Company Ltd. | ELECTRONIC TRACKING AND RECORDING IDENTIFICATION SYSTEM FOR TELEMATIC DEVICES, AND CORRESPONDING METHOD THEREOF |
CN108153867B (zh) * | 2017-12-25 | 2019-01-29 | 山东大学 | 基于时间规律性的用户轨迹预测方法和装置 |
CN108694237A (zh) * | 2018-05-11 | 2018-10-23 | 东峡大通(北京)管理咨询有限公司 | 处理车辆位置数据的方法、设备、可视化系统和用户终端 |
CN109034454B (zh) * | 2018-06-25 | 2022-07-08 | 腾讯大地通途(北京)科技有限公司 | 路线挖掘方法、装置、计算机可读存储介质和计算机设备 |
CN108981702A (zh) * | 2018-07-03 | 2018-12-11 | 浙江大学 | 一种多位置联合粒子滤波的车辆定位方法 |
CN108831153A (zh) * | 2018-08-09 | 2018-11-16 | 深圳先进技术研究院 | 一种利用时空分布特性的交通流预测方法及装置 |
CN110795519A (zh) * | 2019-10-28 | 2020-02-14 | 天聚地合(苏州)数据股份有限公司 | 基于Markov模型和概率统计的位置预测方法及可读存储介质 |
-
2020
- 2020-08-12 CN CN202010806311.2A patent/CN112118535B/zh active Active
- 2020-09-10 WO PCT/CN2020/114607 patent/WO2022032782A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0836074A2 (en) * | 1996-10-11 | 1998-04-15 | Zexel Corporation | Route guidance system and method for use in vehicle navigation |
CN102034355A (zh) * | 2010-12-28 | 2011-04-27 | 丁天 | 一种基于特征点匹配的车辆检测及跟踪方法 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN110674226A (zh) * | 2019-09-19 | 2020-01-10 | 北京航空航天大学 | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112118535A (zh) | 2020-12-22 |
WO2022032782A1 (zh) | 2022-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116806B (zh) | 车流量特征提取方法及系统 | |
CN110210604B (zh) | 一种终端设备移动轨迹预测方法及装置 | |
CN109194707B (zh) | 分布式图嵌入的方法及装置 | |
CN102810118B (zh) | 一种变权网k近邻搜索方法 | |
CN104599002B (zh) | 预测订单价值的方法及设备 | |
CN104819726A (zh) | 导航数据处理方法、装置及导航终端 | |
CN112344947B (zh) | 地图匹配方法、装置、电子设备和计算机可读存储介质 | |
CN111651538B (zh) | 一种位置映射方法、装置、设备及可读存储介质 | |
CN113159457A (zh) | 一种智能路径规划的方法、系统及电子设备 | |
CN115988421A (zh) | 一种基于时间权重聚类的职住地估计方法及装置 | |
KR20130129503A (ko) | 차량 추적 시스템 및 방법 | |
CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN111695389B (zh) | 一种车道线聚类方法及装置 | |
CN111222667B (zh) | 路线规划方法、装置、设备及存储介质 | |
CN112118535B (zh) | 车辆漫游区域预测方法及系统 | |
KR20200117690A (ko) | 멀티 홉 이웃을 이용한 컨볼루션 학습 기반의 지식 그래프 완성 방법 및 장치 | |
CN116027367B (zh) | 停留点识别方法、装置、设备及存储介质 | |
EP4266004A1 (en) | User trajectory positioning method, electronic device and computer storage medium | |
US20160091326A1 (en) | Analysis method and analyzing device | |
CN113008246B (zh) | 地图匹配方法和装置 | |
CN114926471B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN114485689B (zh) | 利用众包数据构建高精度地图中的道路段切分方法及装置 | |
CN113823082B (zh) | 导航数据处理方法、装置、设备及存储介质 | |
CN113255989B (zh) | 路网环境下基于有限服务范围的持续性服务资源分配方法 |
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 |