CN112185120A - 一种基于电子车牌数据的通勤私家车识别方法 - Google Patents
一种基于电子车牌数据的通勤私家车识别方法 Download PDFInfo
- Publication number
- CN112185120A CN112185120A CN202011075160.4A CN202011075160A CN112185120A CN 112185120 A CN112185120 A CN 112185120A CN 202011075160 A CN202011075160 A CN 202011075160A CN 112185120 A CN112185120 A CN 112185120A
- Authority
- CN
- China
- Prior art keywords
- private car
- travel
- license plate
- commuting
- private
- 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.)
- Pending
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于电子车牌数据的通勤私家车识别方法,属于交通技术领域,特别是电子车牌数据识别及交通规划技术领域。该方法基于RFID电子车牌数据,具体包括以下步骤:S1:提取私家车轨迹,作为基础数据;S2:提取私家车行程数据;S3:根据私家车行程数据划分规律出行行为;S4:识别私家车通勤者,实现通勤私家车的识别。本方法在提取并考虑出行者起始点O(Origin)、目的点D(Destination)一致性的基础上,同时使用层次聚类方法考虑出行者出行路径一致性,能很好的解决现有技术中存在的问题,很好地进行通勤私家车识别,具有较好的应用前景。
Description
技术领域
本发明属于交通技术领域,特别是电子车牌数据识别及交通规划技术领域,涉及一种基于电子车牌数据的通勤私家车识别方法。
背景技术
随着社会经济的发展,我国的机动车保有量和人均保有量不断上升,人们愈加倾向于采用机动车自驾的方式通勤,这给道路交通尤其是在高峰时段带来了一定的压力。而对于交通道路的合理规划以及诱导居民采取公共交通出行是缓解道路交通压力的关键所在,其中,机动车通勤者的获取是道路规划和诱导出行的基础,因此准确获得机动车通勤者在智能交通领域显得至关重要。
目前关于通勤者的研究主要集中在公共交通领域,然而,公交车只占城市道路交通的小部分,分析公共交通出行数据得到的结果不能代表整个城市的整体通勤状况。事实上,私家车是城市道路交通的主要组成部分,但是私家车车主出于隐私考虑不愿提供GPS轨迹数据。随着传感技术的快速发展,城市交通信息可以通过多种方式采集,如监控摄像机、地下环路探测器等,但是由于上述设备受限于恶劣天气和车辆识别速度,以及采集的车辆信息不够全面等,信息采集往往不够准确或缺乏足够的数据量。同时,现有的通勤者识别方法主要根据出行者是否有固定的出发地和目的地,而忽略了通勤者往往选择固定的出行路径这一事实。因此,目前急需一种新的应用于RFID电子车牌数据的通勤私家车识别方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于电子车牌数据的通勤私家车识别方法,该方法在提取并考虑出行者起始点O(Origin)、目的点D(Destination)一致性的基础上,同时使用层次聚类方法考虑出行者出行路径一致性。
为达到上述目的,本发明提供如下技术方案:
一种基于电子车牌数据的通勤私家车识别方法,该方法基于RFID电子车牌数据,具体包括以下步骤:
S1:提取私家车轨迹,作为基础数据;
S2:提取私家车行程数据;
S3:根据私家车行程数据划分规律出行行为;
S4:识别私家车通勤者,实现通勤私家车的识别。
进一步,在步骤S1中,具体包括:每辆车在通过一次RFID采集点时,形成一条记录R=(eid,rid,passtime),其中eid表示电子车牌号,rid表示采集点编号,passtime表示车辆经过采集点的时间,将每辆车的记录构成一个轨迹集合Tra,Tra={R1,R2,…,Rn},并且Tra中的所有的记录按照通过时间Ri.passtime进行升序排序,确保R1.passtime≤R2.passtime≤…≤Ri.passtime≤…≤Rn.passtime。
进一步,在步骤S2中,具体包括:所述私家车行程是出行轨迹Tra的子序列Trip=(Ro,…,Rd);车辆在两个通过的采集点之间的停留行为将轨迹划分为不同的段,通过时间阈值的方法将出行轨迹Tra进行切分,得到私家车行程Trip。
进一步,在步骤S3中,具体包括:从私家车行程提取出OD记录,这些组成出行行为Tb=(Rs,…,Re),把具有重复相似出行的行为定义为规律行为,表示为Tb*=(Rs*,…,Re*);根据步骤S2可以得到私家车行程集合D={Tr1,…,Trm},使用层次聚类的方法将D分成K个相互之间无交叉元素的簇{Cl|l=1,2,…,K},集合满足D=∪K l=1Cl.,拥有P个或更多元素的簇即具有一个规律行为,表示为元素Tbj*,其中P代表一组具有常规行为行程的支持阈值,其值根据具体情况设置;这些代表性元素Tb1*,…,Tbk*(k<m)组成了规律行为TB。
进一步,在步骤S4中,具体包括:在选出具有规律出行行为的出行者后,筛选出处于早晚高峰时段的规律行为;考虑到大部分通勤者一天会有1或2次规律行为:家→工作地,工作地→家;但是晚上下班过后的出行行为更为复杂,例如去购物,吃饭等活动,包括但不限于会出现工作地→其他地方,其他地方→家,在这种情况下,晚上的活动被分为了2个以上的行程,这使得出行行为不规律,所以TB={Tb1*,…,Tbk*},k≥1。
本发明的有益效果在于:
本发明所提出的一种基于电子车牌数据的通勤私家车识别方法,在提取并考虑出行者起始点O(Origin)、目的点D(Destination)一致性的基础上,同时使用层次聚类方法考虑出行者出行路径一致性,能很好的解决现有技术中存在的问题,很好地进行通勤私家车识别。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述方法的总体流程图;
图2为本发明所述方法的流程图;
图3为提取相同通勤行为过程图;
具体实施方式
下面结合附图对本发明的具体实施例进行详细说明。
图1为本发明所述方法的总体流程图,图2为本发明所述方法的流程图,如图所示,本发明提供的方法包括:
步骤S1:车辆在通过RFID采集点时会向采集点发送自己的RFID电子车牌信息,这些信息表示成一个三元组的格式R=(eid,rid,passtime),其中eid是电子车牌号,rid是采集点编号,passtime是车辆经过采集点的时间。由于本发明的研究对象是私家车,所以先提取出车辆类型为小轿车、越野车和小型客车(PV,SUV和小型面包车等)类的非营运车辆,即从数据库中选取出R·eid·type∈{K33,K32,K31},R·eid·property=A的记录。然后对筛选过后的出行记录按照passtime进行升序排序,就可得到车辆的出行轨迹Tra={R1,R2,…,Rn}。
步骤S2:若出行轨迹Trip={R1,R2,…,Rn}中任意两个相邻记录的时间差值大于设置的阈值时,即Ri+1.passtime-Ri.passtime>λ即可认为车辆在经过两个阅读器之间时有其他非出行行为,此时将轨迹进行切分成行程Tr={Ri+1,…,Rj},其中Rj为下次切分点。
考虑到道路在早晚高峰时段会比较拥挤,车流较慢,而在平峰时段比较畅通,车流较快,而且同一时刻不同路段的路况也有所不同,所以需要根据不同时段和路段来确定划分轨迹的阈值。根据经验可得高峰阈值λh和平峰阈值λf.。
若出行轨迹Tra={R1,R2,…,Rn}任意相邻记录Ri,Ri+1的时间处于高峰时段,即Ri.passtime∈[7:00,10:00]∪[17:00,19:00],且Ri+1.passtime–Ri.passtime>λh,则在Ri和Ri+1之间切分形成两个行程。若Ri.passtime在非高峰时段且Ri+1.passtime–Ri.passtime>λf,则在Ri和Ri+1之间切分形成两个行程。除上述情况下不再进行切分,至此得到私家车一天的出行行程Trip=(Ro,…,Rd)。
步骤S3:经过步骤S2可以得到一个私家车的所有出行行程集合D={Tr1,…Trm},然后使用层次聚类的方法将D分成相互之间无交叉的簇簇{Cl|l=1,2,…,K},在使用层次聚类方法时,为了度量相似的行程,需要找到一个合适且有效的相似性度量方法。
一个出行行程由包含位置和时间戳信息的一系列记录组成,因此行程相似性度量方法必须考虑到行程的空间相似性和时间相似性。由于出行轨迹由固定位置的采集记录组成,其中采集点彼此相距较远。当两辆车在相同的时间经过不同的采集点时,这些出行记录的相似性可以视为零。因此,衡量相似行程的关键是两辆车通过同一采集点时的时间差。因此,本方案分步定义相似出行:
1)OD相似性:OD相似性要求私家车具有固定的起点终点。OD相似性是通勤者的基础情况。首先定义OD相似性,取两个出行行程Trip1={Rs,…Re}和Trip2={R’s,…R’e},则两个行程的相似性度量方法为:
其中sim(Ri,Rj)是一个用来度量两个出行记录相似性的等式,表示如下:
等式中的dtij是两个记录时间的差值,即dtij=|Ri.passtime–Rj.passtime|,α1和α2是时间阈值,设置两个时间阈值的原因在于两个方面。一方面,当时差小于一个值时,认为可以接受,并认为两个记录是相同的。另一方面,当两个记录在passtime中的差异超过某个值时,就没有必要将它们视为相似的记录来寻找规则行为,例如一条记录在早晨,另外一条记录在晚上,根据经验可分别设置阈值为30分钟和60分钟。
2)子路径一致性:对于一些相似的行程,它们不仅共享一个共同的OD,而且还需要有一个公共的子路径。针对这种情况,引入了一种基于LCSS的加权LCSS相似度度量方法L’:取两个行程Tr1={Rs,…Re}和Tr2={R’s,…R’e},则L’可表示为:
其中Ri是Tr1的第i条记录,Rj是Tr2的第j条记录,由i可知sim(Ri,Rj)∈(0,1),所以L’(Tr1,Tr2)<max(len(Tr1),len(Tr2))。最终可以得到相似路径:
在确定好聚类的衡量标准后,提出了一个两阶段的层次聚类来获得规律行为。时空聚类的一个常识是相似的行程必须属于同一个时间窗口。所以在第一阶段,将候选的行程分成几个组。对于第二阶段,选择层次聚类来寻找相似的的行程。选择层次聚类的原因是它在应用任何相似性度量和查找层次关系方面的优势。分层聚类的凝聚算法从不相交的聚类集合开始,将每个输入数据点放在一个单独的簇中。然后对簇进行持续合并,直到簇的数量减少到K。
层次聚类由于其O(n2)的时间复杂度,所以无法很好的应用于大的数据集上。现有的改进层次聚类的方法有BIRCH,ROCK,和CURE。BIRCH方法在内存中构建并维护一个簇特征(CF)树,当一个新的数据点出现时,CF树也会改变。CURE方法没有对所有数据点进行预聚类,而是从数据库中随机抽取一个样本。由于层次聚类处理大数据集的能力是一个难题,可以通过根据原始行程的时间戳将原始行程分成不同的组来改进聚类过程。两阶段层次聚类过程如下:
1)阶段一:基于时间相似性对出行进行聚类。这个过程的目的是减少下一阶段的输入量。通过这项工作,减少了计算相似度的工作量。首先根据出发时间戳对行程进行排序,然后将其分为几个时间窗口。时间窗口内的行程是候选的相似行程。可以把一天分为8个时间窗口:[21:00-24:00,0:00-6:00,6:00-10:00,10:00-12:00,12:00-14:00,14:00-17:00,17:00-19:00,19:00-21:00]。其中6:00-10:00是早高峰时段,17:00-22:00是晚高峰时段。
2)阶段二:进一步从下到上进行层次聚类,以L’作为第1阶段输出的相似性度量。然后进行轨迹合并,对于两个簇的公共部分进行保留,而对通过采集点时间部分,计算并保存相似的记录的平均值。例如Tr1={(360152,C11,17:21),(360152,C11,17:26),(360152,C11,17:31),(360152,C11,17:53)}
Tr2={(360152,C11,17:17),(360152,C11,17:28),(360152,C11,17:39),(360152,C11,17:56)}那么对两个行程融合后变为{(360152,C11,17:19),(360152,C11,17:27),(360152,C11,17:35),(360152,C11,17:54)}重复聚类过程,直至达到终止条件参数,当两个簇相似度超过β或者单簇里的元素数量超过p,停止聚类。根据经验可以得出p=3,而β的值取决于每辆车自身的行程相似性:
步骤S4:根据步骤S3层次聚类得到{Cl|l=1,2,…,K},由此可以在选出具有规律出行的私家车出行者,除此之外判断其规律出行的时间是否处于早晚高峰时段。对每个Tb*,计算Rs*.passtime和Re*.passtime是否属于时间区间[6:00,10:00],若是,即为早高峰规律行为。计算Rs*.passtime和Re*.passtime是否属于时间区间[17:00,22:00],若是即为晚高峰规律行为。大部分通勤者一天会有1或2次规律行为:家->工作地,工作地->家。但是晚上下班过后的出行行为更为复杂,可能会出现工作地->其他地方,其他地方->家,在这种情况下,晚上的活动就被分为了2个以上的行程,这使得出行行为不规律,所以TB={Tb1*,…,Tbk*},k≥1。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于电子车牌数据的通勤私家车识别方法,其特征在于:该方法基于RFID电子车牌数据,具体包括以下步骤:
S1:提取私家车轨迹,作为基础数据;
S2:提取私家车行程数据;
S3:根据私家车行程数据划分规律出行行为;
S4:识别私家车通勤者,实现通勤私家车的识别。
2.根据权利要求1所述的一种基于电子车牌数据的通勤私家车识别方法,其特征在于:在步骤S1中,具体包括:每辆车在通过一次RFID采集点时,形成一条记录R=(eid,rid,passtime),其中eid表示电子车牌号,rid表示采集点编号,passtime表示车辆经过采集点的时间,将每辆车的记录构成一个轨迹集合Tra,Tra={R1,R2,…,Rn},并且Tra中的所有的记录按照通过时间Ri.passtime进行升序排序,确保R1.passtime≤R2.passtime≤…≤Ri.passtime≤…≤Rn.passtime。
3.根据权利要求2所述的一种基于电子车牌数据的通勤私家车识别方法,其特征在于:在步骤S2中,具体包括:所述私家车行程是出行轨迹Tra的子序列Trip=(Ro,…,Rd);车辆在两个通过的采集点之间的停留行为将轨迹划分为不同的段,通过时间阈值的方法将出行轨迹Tra进行切分,得到私家车行程Trip。
4.根据权利要求3所述的一种基于电子车牌数据的通勤私家车识别方法,其特征在于:在步骤S3中,具体包括:从私家车行程提取出起始点O(Origin)、目的点D(Destination)的OD记录,这些组成出行行为Tb=(Rs,…,Re),把具有重复相似出行的行为定义为规律行为,表示为Tb*=(Rs*,…,Re*);根据步骤S2可以得到私家车行程集合D={Tr1,…,Trm},使用层次聚类的方法将D分成K个相互之间无交叉元素的簇{Cl|l=1,2,…,K},集合满足Cl D=∪K l=1Cl.,拥有P个或更多元素的簇即具有一个规律行为,表示为元素Tbj*,其中P代表一组具有常规行为行程的支持阈值,其值根据具体情况设置;这些代表性元素Tb1*,…,Tbk*(k<m)组成了规律行为TB。
5.根据权利要求4所述的一种基于电子车牌数据的通勤私家车识别方法,其特征在于:在步骤S4中,具体包括:在选出具有规律出行行为的出行者后,筛选出处于早晚高峰时段的规律行为;考虑到大部分通勤者一天会有1或2次规律行为:家→工作地,工作地→家;但是晚上下班过后的出行行为更为复杂,包括但不限于会出现工作地→其他地方,其他地方→家,在这种情况下,晚上的活动被分为了2个以上的行程,这使得出行行为不规律,所以TB={Tb1*,…,Tbk*},k≥1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075160.4A CN112185120A (zh) | 2020-10-09 | 2020-10-09 | 一种基于电子车牌数据的通勤私家车识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075160.4A CN112185120A (zh) | 2020-10-09 | 2020-10-09 | 一种基于电子车牌数据的通勤私家车识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112185120A true CN112185120A (zh) | 2021-01-05 |
Family
ID=73949026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011075160.4A Pending CN112185120A (zh) | 2020-10-09 | 2020-10-09 | 一种基于电子车牌数据的通勤私家车识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112185120A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331617A (zh) * | 2021-12-29 | 2022-04-12 | 重庆大学 | 一种基于人工蜂群算法的通勤私家车拼车匹配方法 |
CN115440040A (zh) * | 2022-09-02 | 2022-12-06 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894358A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 通勤订单识别方法和装置 |
CN110084308A (zh) * | 2019-04-30 | 2019-08-02 | 杭州远眺科技有限公司 | 一种基于车辆轨迹分析构建通勤路径的方法 |
US20190313063A1 (en) * | 2014-08-27 | 2019-10-10 | Apple Inc. | Method and System for Providing At Least One Image Captured By a Scene Camera of a Vehicle |
CN110379159A (zh) * | 2019-06-24 | 2019-10-25 | 重庆大学 | 基于机动车电子标识数据的出行链提取方法 |
CN111090681A (zh) * | 2019-11-12 | 2020-05-01 | 高新兴科技集团股份有限公司 | 一种团伙挖掘方法、装置、设备及存储介质 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
-
2020
- 2020-10-09 CN CN202011075160.4A patent/CN112185120A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190313063A1 (en) * | 2014-08-27 | 2019-10-10 | Apple Inc. | Method and System for Providing At Least One Image Captured By a Scene Camera of a Vehicle |
CN105894358A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 通勤订单识别方法和装置 |
CN110084308A (zh) * | 2019-04-30 | 2019-08-02 | 杭州远眺科技有限公司 | 一种基于车辆轨迹分析构建通勤路径的方法 |
CN110379159A (zh) * | 2019-06-24 | 2019-10-25 | 重庆大学 | 基于机动车电子标识数据的出行链提取方法 |
CN111090681A (zh) * | 2019-11-12 | 2020-05-01 | 高新兴科技集团股份有限公司 | 一种团伙挖掘方法、装置、设备及存储介质 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
Non-Patent Citations (5)
Title |
---|
M. VLACHOS: "Discovering similar multidimensional trajectories", 《PROCEEDINGS 18TH INTERNATIONAL CONFERENCE ON DATA ENGINEERING》 * |
RONGRONG HONG: "Commuting Pattern Recognition Using a Systematic Cluster Framework", 《SUSTAINABILITY》 * |
戴冠臣: "基于手机数据的城市通勤客流出行特征分析方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
柳帅: "基于时空和语义相似度的轨迹社区发现方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
涂刚凯: "时空轨迹相似度计算方法研究与实现", 《计算机与数字工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331617A (zh) * | 2021-12-29 | 2022-04-12 | 重庆大学 | 一种基于人工蜂群算法的通勤私家车拼车匹配方法 |
CN114331617B (zh) * | 2021-12-29 | 2024-05-31 | 重庆大学 | 一种基于人工蜂群算法的通勤私家车拼车匹配方法 |
CN115440040A (zh) * | 2022-09-02 | 2022-12-06 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
CN115440040B (zh) * | 2022-09-02 | 2023-09-22 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111243277B (zh) | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 | |
Xu et al. | Identifying urban traffic congestion pattern from historical floating car data | |
CN109887288B (zh) | 一种基于出行结构的城市路网诱导方案发布方法和系统 | |
CN108848460B (zh) | 基于rfid和gps数据的人车关联方法 | |
CN103366566B (zh) | 一种针对特定车辆潜在群体的行驶轨迹预测方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN106856049B (zh) | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 | |
Chen et al. | Architecture of vehicle trajectories extraction with roadside LiDAR serving connected vehicles | |
WO2019001045A1 (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
Tiedemann et al. | Concept of a data thread based parking space occupancy prediction in a berlin pilot region | |
Xu et al. | Identifying travel mode from GPS trajectories through fuzzy pattern recognition | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN102842219B (zh) | 预测方法和系统 | |
CN112016735B (zh) | 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质 | |
CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
CN112185120A (zh) | 一种基于电子车牌数据的通勤私家车识别方法 | |
CN106251642A (zh) | 一种基于实时公交车gps数据的公交路链速度计算方法 | |
Aziz et al. | Identifying and characterizing truck stops from GPS data | |
CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
Sun et al. | Floating Car Data mining: Identifying vehicle types on the basis of daily usage patterns | |
Kurte et al. | Regional-scale spatio-temporal analysis of impacts of weather on traffic speed in Chicago using probe data | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
Chen et al. | Detecting and analyzing unlicensed taxis: A case study of Chongqing City |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |