CN112309129B - 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 - Google Patents
一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 Download PDFInfo
- Publication number
- CN112309129B CN112309129B CN202011211775.5A CN202011211775A CN112309129B CN 112309129 B CN112309129 B CN 112309129B CN 202011211775 A CN202011211775 A CN 202011211775A CN 112309129 B CN112309129 B CN 112309129B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- travel
- trip
- point
- time
- 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
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,按照采样要求获取一定时间段内的具有时空间关联特征的卡口车牌识别数据,根据不同出行天数和不同出现时长,进行不同出行特征的车辆分类,再对不同出行特征车辆进行交叉分类,进行不同出行特征的OD出行分析,并对获得的时空间OD出行进行校验和算法优化,并进行不同出行活动特征车辆轨迹分析,最终形成基于交通小区的OD矩阵出行表,从而为交通管理控制和交通需求管理提供满足时空出行活动特征的数据支撑。本发明基于不同出行特征分类进行OD出行分析,最终形成具有时空活动特征的OD点对序列,进一步提高了不同交通出行特征车辆的适应性和精确性,并有效地降低了成本。
Description
技术领域
本发明涉及交通规划和交通需求管理的技术领域,具体是一种基于卡口视频数据的车辆出行特征分类方法分析,以及基于该车辆出行特征分类的车辆OD出行分析方法,可为交通规划和交通需求管理提供车辆的车辆分类特征和时空出行活动特征分析。
背景技术
交通OD出行矩阵是在交通网络中基于交通小区的起点——讫点出行的特征矩阵(Origin—Destination Matrix),用于描述城市交通区域间的交通出行量分布情况,是构建交通规划模型的重要组成部分。传统的交通OD调查是基于个体交通出行调查数据进行统计分析的处理过程,而传统的基于人工调查的方法不仅耗时长、成本高,更需投入大量的人力、物力和财力,并且不可频繁进行。
路网的卡口系统是一种基于卡口位置对机动车进行拍摄、记录和处理的视频识别系统,不仅能够实现全天侯、大范围的检测城市区域路网的交通状况,数据实时性好、采集率高,并可针对不同类型车辆类别进行分析,进而为交通部门的管理控制和交通规划决策提供更为可靠的数据支持。由于城市卡口的布点分布不均,车辆出行特征不同,车辆的出行起讫点(OD)活动特征也不尽相同。
目前针对卡口位置的OD矩阵分析,主要是根据车辆位移状态判断,通过对每一个位移点的出行时间、矩离、速度等要素分析,实现对位移点出行驻留状态的判断。该OD矩阵分析方法忽略了车辆的出行特征和卡口点位布置情况,比如卡口点位置布置不均,仅有起点(O)点,而无终点(D),或高频出行车辆,一直在道路行驶,无明显的起点和终点。因此,仅仅是基于时间序列的位移状态判定,会忽略出行目车辆基本出行活动特征,造成不同出行活动特征的起讫点缺失或OD活动特征的驻点误判。
发明内容
针对现有OD驻点判断方法中存在的缺陷,本发明提供了一种低成本、高准确度的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,判断的具体步骤如下:
步骤1:视频采集卡口车牌识别的车辆出行数据;
步骤2:利用步骤1采集到的卡口车牌识别数据,提取一个月内卡口车牌识别数据进行车辆出行特征的分类判断:首先,对车辆一个月出现天数,进行车辆的常态性出行分析判断,分为,常态性出行、低常态性出行和非常态性出行;再根据车辆每天出行的时长,进行车辆的出行频次判断,分为,高频出行、中频出行和低频出行;然后,基于常态性出行分析判断和车辆出行频次判断,进行交叉分类,实现车辆不同出行特征的车辆特征分类分析;
步骤3:基于步骤2车辆分类特征的时间序列,进行三种不同出行特征车辆分类的OD出行分析,提取符合时空间关联特征的驻留点,生成车辆OD出行矩阵:首先,针对低频、中频车辆的常态性和低常态性车辆,完成时空间维度的OD出行特征判断,即,基于车辆位移的时间、距离、速度,通过启发式搜索算法,找到满足时空位移条件的驻留点,则为车辆的出行OD点对;而针对低频、中频车辆的非常态性车辆,则先判断该车辆是否能构成完整的出行链,即,判断一天被检测到多次,还是多天均被检测到一次,若一天被检测到多次,则可通过启发式搜索算法,找到满足时空位移条件的驻留点,生成车辆的出行OD点对;若多天均被检测到一次,再判断该车辆被卡口拍摄的位置是否能聚类成常发地,或仅是无规律的离散地,若能判断车辆的常发地,则可通过常发地出行,生成车辆的OD点对,而无规规律的离散地,则仅生成一端的OD点对;而针对高频出行车辆,则通过早晚的出发地和目的地,判定其居住地,而对于离散无规律的卡口点位,不判定其居住地,对于高频出行车辆,不生成常规的OD出行点对;
步骤4:基于步骤3得到的不同出行特征分类的OD点对,进行时空间出行特征分析,提取满足时空间驻留特征的OD点对,并进一步进行时空间核聚类,形成具有时空间出行特征的时空间出行OD矩阵;
步骤5:将步骤4将不同出行特征车辆的卡口车牌识别数据在地图上打点进行出行特征分类,完成对不同出行特征的校验,对步骤4获得的时空间驻点集合进行校验,判断算法是否满足不同出行特征车辆数据,如果满足出行特征,则校验合格,否则,进一步优化步骤3和步骤4的时空间出行特征分析算法,并进行特殊车辆出行特征分析;
步骤6:根据交通小区划分方案,将卡口点位数据与交通小区进行匹配,将每个出行车辆的OD起讫点映射到相应的交通小区上,最终形成基于交通小区的OD矩阵出行表。
优选地:所述步骤1卡口车牌识别的车辆出行数据包括车牌识别号,卡口编号,卡口触发时间,车辆颜色,车辆类型,卡口点位位置坐标。
优选地:所述步骤2中,常态性出行判断具体为:对车辆出行天数进行分析,提取不同出行天数的频次分布,根据频次分布情况和本地市车辆拥有情况,判定常态性出行车辆,本次将出行天数大于15天定义为常态性出行车辆,出行天数界于5-15天定义为低常态性出行车辆,而出行天数小于5天定义为非常态出行车辆。
优选地:所述步骤2中,高频出行判断具体为:对车辆平均每天的出行时长进行分析,提取不同出行时长的频次分布,根据出行时长频次分布情况,判定高频出行车辆,本次将出行时长大于7小时定义为高频出行车辆,出行时长界于5-7小时定义为中频出行车辆,而出行时长小于5小时定义为低频出行车辆。
优选地:所述的基于低频、中频出行车辆的非常性常发地出行和高频出行车辆的居住地出行,其特征在于:所述步骤3中,常发地和居住地判断具体为:对提取的一个月卡口车牌视频识别数据进行同一车牌时间序列排序,对车牌编号数据进行空间聚类,形成空间聚类点簇;基于空间聚类点簇,对不同停留时长的频繁项集进行分析,并根据停留时间越长、出现次数越多权重越大的原则,进行权重设计;再根据频繁项集的权重值,统计空间聚类点簇的权重概率,计算该空间聚类点簇中权重概率最大值,则判定为常发地和居住地。
优选地:所述步骤3中,启发式搜索算法具体为:对于卡口车辆识别的某个车辆按时间排序的轨迹点数据,对于其中一个驻点S_i,计算其与第i+1点的距离D_i_i+1,如果第i+2点与驻点S_i的距离D_i_i+2>D_i_i+1,则最大距离maxDist=D_i_i+2,以此类推,计算最远距离点为D_i_i+n,并且,驻点S_i与第n+1点的距离大于距离阈值,驻点S_i与第n+2点的速度小于速度阈值,则说明满足时空间出行的OD判断,则判定为驻点状态,再以新的驻留点,循环迭代,进行下一次驻留点判断。
本发明根据车牌唯一识别、具有时空间关联特征的卡口数据和车辆属性数据,通过卡口出行特征分类和时空间出行OD分析,提出了一种满足低成本、高准确度的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,可为交通管理控制和交通需求管理提供了满足时空出行活动链车辆出行特征的数据支撑;本发明的驻点判断方法符合国家法律隐私规定,具备如下有益效果:
1)本发明能够满足车辆时空间出行特征,相对传统交通出行调查手段,具有获取方式简单、成本较低,信息样本大、实时性强、自动化获取等优点。
2)本发明基于车辆出行特征进行OD出行判断,其中,根据不同车辆出行特征分类进行OD矩阵识别,提高了出行OD矩阵识别的精度,并可有效提高不同车辆出行特征的适应性。
3)本发明通过对低频和中频车辆的非常态性出行的常发地,可有效地降低单次拍摄点位无法识别有效OD点对,以及高频出行车辆的居住地判断,可提高高频出行车辆的常发性居住地出行判断,从而有效地提高了不同出行活动特征车辆OD矩阵识别的准确性和合理性。
4)本发明结合不同出行特征分类和时空间出行特征分析各自的优势,最终形成具有不同出行时空活动特征的车辆OD出行链,进一步提高了车辆交通出行OD矩阵的合理性和精确性,并有效地降低了成本。
附图说明
图1基于卡口车牌识别的车辆出行特征分类和OD矩阵识别方法流程图;
图2常态性出行车辆的出行轨迹和驻点;
图3非常态性出行的常发地出行轨迹和驻点;
图4非常态性出行的一端出行轨迹;
图5高频出行的居住地出行轨迹。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明,参见附图1,一种低成本、高准确度的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,具体实施步骤如下:
步骤1:获取卡口车牌识别数据。卡口车牌识别数据样例如表1,所述卡口车牌数据包括车牌识别号,卡口编号,卡口触发时间,车辆颜色,车辆类型,卡口点位位置坐标等信息;
表1卡口车牌识别数据样例
步骤2:利用步骤1采集到的卡口车牌识别数据,提取一个月数据进行车辆出行特征判断,确定车辆不同出天数和不同出时长的出行频次分布,并结合当地车辆拥有情况,得到不同出行特征的车辆分类,如表2所示。
表2不同出行特征车辆分类
车辆数 | HF | LF | MF | 总计 |
G | 105382 | 1499276 | 107681 | 1712339 |
LG | 1219 | 674148 | 4120 | 679487 |
NG | 506 | 776112 | 1852 | 778471 |
总计 | 107107 | 2949536 | 113654 | 3170297 |
占比 | HF | LF | MF | 总计 |
G | 3.3% | 47.3% | 3.4% | 54.0% |
LG | 0.0% | 21.3% | 0.1% | 21.4% |
NG | 0.0% | 24.5% | 0.1% | 24.6% |
总计 | 3.4% | 93.0% | 3.6% | 100% |
步骤3:基于步骤2车辆分类特征的时间序列,进行不同车辆特征分类的OD出行分析,提取符合时空间关联特征的驻留点,生成车辆OD出行矩阵。
步骤3.1:针对低频、中频车辆的常态性和低常态性出行车辆,完成时空间维度的OD出行特征判断,即,基于车辆位移的时间、距离、速度,通过启发式搜索算法,找到满足时空位移条件的驻留点。启发式搜索算法具体为:对于卡口车辆识别的某个车辆按时间排序的轨迹点数据,对于其中一个驻点S_i,计算其与第i+1点的距离D_i_i+1,如果第i+2点与驻点S_i的距离D_i_i+2>D_i_i+1,则最大距离maxDist=D_i_i+2,以此类推,计算最远距离点为D_i_i+n,并且,驻点S_i与第n+1点的距离大于距离阈值,驻点S_i与第n+2点的速度小于速度阈值,则说明满足时空间出行的OD判断,则判定为驻点状态,再以新的驻留点,循环迭代,进行下一次驻留点判断。
步骤3.2:针对低频、中频车辆的非常态性出行车辆,则先判断该车辆是否能构成完整的出行链,即,判断一天被检测到多次,还是多天均被检测到一次,若一天被检测到多次,则可通过启发式搜索算法,找到满足时空位移条件的驻留点,生成车辆的出行OD点对。若多天均被检测到一次,再判断该车辆被卡口拍摄的位置是否能聚类成常发地,或仅是无规律的离散地,若能判断车辆的常发地,则可通过聚类方法判断其为常发地出行,常发地出行,生成车辆的OD点对。
步骤3.3:针对高频出行车辆,则通过早晚的出发地和目的地,判定其居住地,而对于离散无规律的卡口点位,不判定其居住地,对于高频出行车辆,不生成常规的OD出行点对。
步骤3.4:其中,常发地和居住地的聚类判断方法为:再对同一车辆的卡口视频数据进行空间聚类,形成空间聚类点簇Clus_n;基于空间聚类点簇Clus_n,对不同停留时长Tstay的频繁项集PTsay:{PTsay_1,PTsay_2,...PTsay_n}进行分析,并结合白天和夜晚出发和到达事件发生地进行权重分析,基于出现频次多少,根据频繁项集的权重值wi,统计空间聚类点簇Clus_n的权重概率PTsay_i,再计算权重概率最大值PTsay_i_max,该空间聚类点簇中权重概率最大值(PTsay_i_max)Clus_n即为常发地或居住地。
步骤3.4.1:基于步骤3.4的满足时空间聚类的聚类中心点,生成卡口触发时间排序的时间序列,再进行时空出行特征的驻留判断,计算每一个位置点与后一个位置点的时间差T、距离D和出行速度V,如果时间、距离和速度满足驻留点的阈值判断,则判定为驻留点。
步骤4:将步骤3生成的不同出行特征车辆分类的OD点对,进一步判断满足时空间出行特征的驻点集合序列是否在时空间具有关联特征,进一步进行时空间关联分析,形成具有时空间活动特征的时空间驻点集合。
步骤5:进行不同出行特征OD点对校验:对步骤4获得的不同出行特征车辆的OD点对进行校验,判断算法是否满足不同出行特征车辆的时空出行数据,若满足时空间关联特征,则校验合格,否则,进一步优化步骤3和步骤4的时空出行特征分析算法。并进行特殊出行活动特征分析,如常态出行的出行轨迹和驻点,如图2;非常态性出行的常发地出行,如图3;非常态性出行的一端出行,如图4,高频出行的居住地出行,如图5。
步骤6:根据交通小区划分方案,将卡口数据与交通小区进行匹配,将每个车辆的OD起讫点映射到相应的交通小区上,基于不同出行特征车辆分类,生成车辆的OD矩阵表。
本发明根据车牌唯一识别、具有时空间关联特征的卡口数据和车辆属性数据,通过卡口出行特征分类和时空间出行OD分析,提出了一种满足低成本、高准确度的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,可为交通管理控制和交通需求管理提供了满足时空出行活动链车辆出行特征的数据支撑;本发明的驻点判断方法符合国家法律隐私规定,具备如下有益效果:
1)本发明能够满足车辆时空间出行特征,相对传统交通出行调查手段,具有获取方式简单、成本较低,信息样本大、实时性强、自动化获取等优点。
2)本发明基于车辆出行特征进行OD出行判断,其中,根据不同车辆出行特征分类进行OD矩阵识别,提高了出行OD矩阵识别的精度,并可有效提高不同车辆出行特征的适应性。
3)本发明通过对低频和中频车辆的非常态性出行的常发地,可有效地降低单次拍摄点位无法识别有效OD点对,以及高频出行车辆的居住地判断,可提高高频出行车辆的常发性居住地出行判断,从而有效地提高了不同出行活动特征车辆OD矩阵识别的准确性和合理性。
本发明结合不同出行特征分类和时空间出行特征分析各自的优势,最终形成具有不同出行时空活动特征的车辆OD出行链,进一步提高了车辆交通出行OD矩阵的合理性和精确性,并有效地降低了成本。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,其特征在于判断的具体步骤如下:
步骤1:视频采集卡口车牌识别的车辆出行数据;
步骤2:利用步骤1采集到的卡口车牌识别数据,提取一个月内卡口车牌识别数据进行车辆出行特征的分类判断:首先,对车辆一个月出现天数,进行车辆的常态性出行分析判断,分为常态性出行、低常态性出行和非常态性出行;再根据车辆每天出行的时长,进行车辆的出行频次判断,分为高频出行、中频出行和低频出行;然后,基于常态性出行分析判断和车辆出行频次判断,进行交叉分类,实现车辆不同出行特征的车辆特征分类分析;
步骤3:基于步骤2车辆分类特征的时间序列,进行三种不同出行特征车辆分类的OD出行分析,提取符合时空间关联特征的驻留点,生成车辆OD出行矩阵:首先,针对低频、中频车辆的常态性和低常态性车辆,完成时空间维度的OD出行特征判断,即,基于车辆位移的时间、距离、速度,通过启发式搜索算法,找到满足时空位移条件的驻留点,则为车辆的出行OD点对;而针对低频、中频车辆的非常态性车辆,则先判断该车辆是否能构成完整的出行链,即,判断一天被检测到多次,还是多天均被检测到一次,若一天被检测到多次,则可通过启发式搜索算法,找到满足时空位移条件的驻留点,生成车辆的出行OD点对;若多天均被检测到一次,再判断该车辆被卡口拍摄的位置是否能聚类成常发地,或仅是无规律的离散地,若能判断车辆的常发地,则可通过常发地出行,生成车辆的OD点对,而无规规律的离散地,则仅生成一端的OD点对;而针对高频出行车辆,则通过早晚的出发地和目的地,判定其居住地,而对于离散无规律的卡口点位,不判定其居住地,对于高频出行车辆,不生成常规的OD出行点对;
步骤4:基于步骤3得到的不同出行特征分类的OD点对,进行时空间出行特征分析,提取满足时空间驻留点特征的OD点对,并进一步进行时空间核聚类,形成具有时空间出行特征的时空间出行OD矩阵;
步骤5:将步骤4将不同出行特征车辆的卡口车牌识别数据在地图上打点进行出行特征分类,完成对不同出行特征的校验,对步骤4获得的时空间驻留点集合进行校验,判断算法是否满足不同出行特征车辆数据,如果满足出行特征,则校验合格,否则,进一步优化步骤3和步骤4的时空间出行特征分析算法,并进行特殊车辆出行特征分析;
步骤6:根据交通小区划分方案,将卡口点位数据与交通小区进行匹配,将每个出行车辆的OD起讫点映射到相应的交通小区上,最终形成基于交通小区的OD矩阵出行表。
2.根据权利要求1所述的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,其特征在于:所述步骤1卡口车牌识别的车辆出行数据包括车牌识别号,卡口编号,卡口触发时间,车辆颜色,车辆类型,卡口点位位置坐标。
3.根据权利要求1-2任一项所述的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,其特征在于:所述步骤2中,常态性出行判断具体为:对车辆出行天数进行分析,提取不同出行天数的频次分布,根据频次分布情况和本地市车辆拥有情况,判定常态性出行车辆,本次将出行天数大于15天定义为常态性出行车辆,出行天数界于5-15天定义为低常态性出行车辆,而出行天数小于5天定义为非常态出行车辆。
4.根据权利要求1-2任一项所述的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,其特征在于:所述步骤2中,高频出行判断具体为:对车辆平均每天的出行时长进行分析,提取不同出行时长的频次分布,根据出行时长频次分布情况,判定高频出行车辆,本次将出行时长大于7小时定义为高频出行车辆,出行时长界于5-7小时定义为中频出行车辆,而出行时长小于5小时定义为低频出行车辆。
5.根据权利要求1-2任一项所述的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,其特征在于:所述步骤3中,常发地和居住地判断具体为:对提取的一个月卡口车牌视频识别数据进行同一车牌时间序列排序,对车牌编号数据进行空间聚类,形成空间聚类点簇;基于空间聚类点簇,对不同停留时长的频繁项集进行分析,并根据停留时间越长、出现次数越多权重越大的原则,进行权重设计;再根据频繁项集的权重值,统计空间聚类点簇的权重概率,计算该空间聚类点簇中权重概率最大值,则判定为常发地和居住地。
6. 根据权利要求1-2任一项所述的基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法,其特征在于:所述步骤3中,启发式搜索算法具体为:对于卡口车辆识别的某个车辆按时间排序的轨迹点数据,对于其中一个驻留点S_i,计算其与第i+1点的距离D_i_i+1,如果第i+2点与驻留点S_i的距离D_i_i+2> D_i_i+1,则最大距离maxDist= D_i_i+2,以此类推,计算最远距离点为D_i_i+n,并且,若驻留点S_i与第n+1点的距离大于距离阈值,驻留点S_i与第n+2点的速度小于速度阈值,则说明满足时空间出行的OD判断,则判定为驻留点状态,再以新的驻留点,循环迭代,进行下一次驻留点判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211775.5A CN112309129B (zh) | 2020-11-03 | 2020-11-03 | 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211775.5A CN112309129B (zh) | 2020-11-03 | 2020-11-03 | 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112309129A CN112309129A (zh) | 2021-02-02 |
CN112309129B true CN112309129B (zh) | 2022-04-01 |
Family
ID=74333185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211775.5A Active CN112309129B (zh) | 2020-11-03 | 2020-11-03 | 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112309129B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206452B (zh) * | 2023-05-04 | 2023-08-15 | 北京城建交通设计研究院有限公司 | 一种城市交通出行的稀疏数据特征分析方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122069A (zh) * | 2017-12-08 | 2018-06-05 | 杭州电子科技大学 | 基于海量交通数据居民出行起点终点矩阵提取方法 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN109359690A (zh) * | 2018-10-19 | 2019-02-19 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
JP2020160960A (ja) * | 2019-03-27 | 2020-10-01 | 株式会社日立製作所 | 移動支援システム及び方法 |
-
2020
- 2020-11-03 CN CN202011211775.5A patent/CN112309129B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122069A (zh) * | 2017-12-08 | 2018-06-05 | 杭州电子科技大学 | 基于海量交通数据居民出行起点终点矩阵提取方法 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN109359690A (zh) * | 2018-10-19 | 2019-02-19 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
JP2020160960A (ja) * | 2019-03-27 | 2020-10-01 | 株式会社日立製作所 | 移動支援システム及び方法 |
Non-Patent Citations (1)
Title |
---|
基于车牌识别数据的车辆OD矩阵获取研究;马金麟 等;《重庆理工大学学报( 自然科学)》;20170731;第31卷(第7期);第48-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112309129A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN108596202B (zh) | 基于移动终端gps定位数据计算个人通勤时间的方法 | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN107729938B (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
CN106651181B (zh) | 网络化运营条件下的公交客流拥塞风险评价方法 | |
CN107832779B (zh) | 一种轨道站点分类系统 | |
CN107301433A (zh) | 基于聚类判别模型的网约车鉴别方法和系统 | |
CN111640304B (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
CN111523562B (zh) | 一种基于车牌识别数据的通勤模式车辆识别方法 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN112309129B (zh) | 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 | |
CN111564036A (zh) | 交通信息可信度的检测方法、装置、系统及存储介质 | |
CN109147320B (zh) | 一种基于卡口数据的路段交通状态判别方法 | |
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 | |
CN111461460B (zh) | 一种警务巡查路线规划方法及人员排查方法 | |
CN116168538B (zh) | 一种平面道路车辆通行空间识别方法 | |
CN106446194A (zh) | 一种地理区域的采集参数确定方法及装置 | |
CN108597224B (zh) | 一种基于时空轨迹数据的待改善交通设施识别方法及系统 | |
CN109190783B (zh) | 城市水网渗漏空间聚集性检测及关键影响因素识别方法 | |
CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
CN114419894B (zh) | 一种路内停车泊位设置与使用监测的方法与系统 | |
CN113380071B (zh) | 一种面向大型综合体的车位级停车需求状态评价方法 | |
CN113516850A (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220531 Address after: 510030 floors 1-6 on the west side of No. 10 Guangwei Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou transportation planning and Research Institute Co.,Ltd. Address before: 510030 15th floor, Guangren building, No.1 Guangren Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU TRANSPORT PLANNING Research Institute |
|
TR01 | Transfer of patent right |