CN112669605A - 城市交通出行分析方法、系统及装置 - Google Patents
城市交通出行分析方法、系统及装置 Download PDFInfo
- Publication number
- CN112669605A CN112669605A CN202011497763.3A CN202011497763A CN112669605A CN 112669605 A CN112669605 A CN 112669605A CN 202011497763 A CN202011497763 A CN 202011497763A CN 112669605 A CN112669605 A CN 112669605A
- Authority
- CN
- China
- Prior art keywords
- travel
- data
- traffic
- trip
- analysis
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请实施例公开了城市交通出行分析方法、系统及装置。本申请实施例提供的技术方案通过历史的数据特征和交通出行数据建立交通出行分析模型,交通出行数据涉及多个方面,可以进行实时的交通出行状况进行分析,输出出行结果,出行结果更加的客观可靠;通过建模分析的方式帮助用户了解当前出行状况,以及帮助交通管理者了解城市交通在不同的时段不同的环境下的整体状况,进而可以帮助交通管理者规划城市交通。
Description
技术领域
本申请实施例涉及交通数据处理技术领域,尤其涉及城市交通出行分析方法、系统及装置。
背景技术
随着城市人口和机动车保有量的增加,城市交通经常出现拥堵、缓行等情况,城市交通运行效率低,出行效率下降。
道路交通的出行分析是智能交通系统实施道路交通管制和控制的基础。对道路交通运行规律的掌握能够保证交通流安全畅通运行,帮助道路交通使用者根据当前时刻道路交通运行情况合理规划出行,帮助道路交通管理者对道路交通运行规律提前认知以便于交通控制措施精确制定,提高道路行车安全和运行效率。
然而目前现有的城市交通出行分析主要基于对用户的地理坐标与目的地之间的交通情况进行采集,然后对出行路径、出行时间进行显示,同时也能根据交通情况提醒用户出行路径上的拥堵状况。但是缺乏对环境、天气、节假日等多种因素的多方位分析。
发明内容
本申请实施例提供城市交通出行分析方法、系统及装置,以结合多方位因素对交通出行状况进行实时分析,提升用户出行效率,帮助交通规划。
在第一方面,本申请实施例提供了城市交通出行分析方法,包括:
将一天24小时划分为若干个连续的时间段,获取若干个历史日期中每一个时间段的数据特征;
获取每一个历史日期中每一个所述时间段对应的交通出行数据,所述交通数据包括乘客数据、出行工具数据、出行天气数据、出行目的地数据;
根据所述数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型;
获取实时的交通出行数据输入至所述交通出行分析模型,以输出对应的出行结果;
其中,所述数据特征包括不同的地理坐标以及与每一个地理坐标分别对应的拥堵指数、人员密集度、出行热度。
还包括:
接收用户输入的交通出行分析指令,所述交通出行分析指令包括出行目的地、出行时间和出行工具;
获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径;
根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行分析模型,以得到出行结果,将所述出行结果标识在出行路径上。
进一步的,获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径,之后还包括:
计算每一条出行路径的总长度,并获取该出行路径上任意一个地理坐标的出行结果;
通过预设的加权比重对出行路径的总长度以及出行结果中的拥堵指数进行加权求和运算,获得每一条出行路径的第一优先级;
根据所述第一优先级将每一条出行路径进行排序。
进一步的,还包括:
选取以出行目的地为原点,预设距离为半径的圆为目标区域;
获取所述目标区域中至少一个出行热门地点,结合所述交通出行分析指令输出并显示所述出行热门地点的出行结果。
进一步的,获取所述目标区域中至少一个出行热门地点之后还包括:
计算每一个出行热门地点与用户当前的地理坐标之间的距离,根据距离设置每一个出行热门地点的第二优先级,根据所述第二优先级对出行热门地点进行排列;
显示所述出行热门地点的出行结果为按照所述排列的顺序显示所述出行热门地点的出行结果。
进一步的,还包括:
获取每一个历史日期中与每一个时间段对相邻的下一个时间段的特征数据;
根据所述交通出行数据以及与交通出行数据对应时间段的下一个时间段的特征数据训练出交通出行预测模型;
根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行预测模型,以得到出行时间的下一个时间段的预测出行结果。
在第二方面,本申请实施例提供了城市交通出行分析系统,包括数据层、业务层和客户应用层,所述数据层包括采集设备模组,所述采集设备模组用于采集交通出行数据,所述业务层用于根据历史的数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型,将来自数据层的交通出行数据输入至交通出行分析模型以输出出行结果,并根据用户当前的地理坐标计算和显示用户出行至出行目的地的至少一条出行路径;所述客户应用层用于接收用户的交通出行分析指令,并接收所述出行结果和出行路径。
在第三方面,本申请实施例提供了城市交通出行分析装置,包括历史数据获取模块、出行数据获取模块、模型训练模块和实时数据采集模块,
历史数据获取模块:用于将一天24小时划分为若干个连续的时间段,获取若干个历史日期中每一个时间段的数据特征;
出行数据获取模块:用于获取每一个历史日期中每一个所述时间段对应的交通出行数据,所述交通数据包括乘客数据、出行工具数据、出行天气数据、出行目的地数据;
模型训练模块:用于根据所述数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型;
实时数据采集模块:用于获取实时的交通出行数据输入至所述交通出行分析模型,以输出对应的出行结果;
其中,所述数据特征包括不同的地理坐标以及与每一个地理坐标分别对应的拥堵指数、人员密集度、出行热度。
进一步的,还包括:
分析指令接收模块:用于接收用户输入的交通出行分析指令,所述交通出行分析指令包括出行目的地、出行时间和出行工具;
地理坐标获取模块:用于获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径;
出行结果分析模块:用于根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行分析模型,以得到出行结果,将所述出行结果标识在出行路径上。
进一步的,地理坐标获取模块中,获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径,之后还包括:
路径长度计算模块:用于计算每一条出行路径的总长度,并获取该出行路径上任意一个地理坐标的出行结果;
路径优先级计算模块:用于通过预设的加权比重对出行路径的总长度以及出行结果中的拥堵指数进行加权求和运算,获得每一条出行路径的第一优先级;
路径排序模块:用于根据所述第一优先级将每一条出行路径进行排序。
进一步的,还包括:
原点选取模块:用于选取以出行目的地为原点,预设距离为半径的圆为目标区域;
热门地点分析模块:用于获取所述目标区域中至少一个出行热门地点,结合所述交通出行分析指令输出并显示所述出行热门地点的出行结果。
进一步的,热门地点分析模块中获取所述目标区域中至少一个出行热门地点之后还包括:
计算每一个出行热门地点与用户当前的地理坐标之间的距离,根据距离设置每一个出行热门地点的第二优先级,根据所述第二优先级对出行热门地点进行排列;
显示所述出行热门地点的出行结果为按照所述排列的顺序显示所述出行热门地点的出行结果。
进一步的,还包括:
特征数据获取模块:用于获取每一个历史日期中与每一个时间段对相邻的下一个时间段的特征数据;
预测模型训练模块:用于根据所述交通出行数据以及与交通出行数据对应时间段的下一个时间段的特征数据训练出交通出行预测模型;
预测结果分析模块:用于根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行预测模型,以得到出行时间的下一个时间段的预测出行结果。
在第四方面,本申请实施例提供了一种计算机设备,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的城市交通出行分析方法。
在第五方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的城市交通出行分析方法。
本申请实施例通过历史的数据特征和交通出行数据建立交通出行分析模型,交通出行数据涉及多个方面,可以进行实时的交通出行状况进行分析,输出出行结果,出行结果更加的客观可靠;通过建模分析的方式帮助用户了解当前出行状况,以及帮助交通管理者了解城市交通在不同的时段不同的环境下的整体状况,进而可以帮助交通管理者规划城市交通。
附图说明
图1是本申请实施例提供的一种城市交通出行分析方法的流程图;
图2是本申请实施例提供的另一种城市交通出行分析方法的流程图;
图3是本申请实施例提供的一种城市交通出行分析系统的结构示意图;
图4是本申请实施例提供的一种城市交通出行分析装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1给出了本申请实施例提供的的流程图,本申请实施例提供的城市交通出行分析方法可以由城市交通出行分析装置来执行,该城市交通出行分析装置可以通过硬件和/或软件的方式实现,并集成在计算机设备中。
下述以城市交通出行分析装置执行城市交通出行分析方法为例进行描述。参考图1,该城市交通出行分析方法包括:
S101:将一天24小时划分为若干个连续的时间段,获取若干个历史日期中每一个时间段的数据特征。
在本发明实施例中数据特征主要表示在对应的时间段内,不同的位置对应有不同的交通情况,包括不同的地理坐标以及与每一个地理坐标分别对应的拥堵指数、人员密集度、出行热度,主要用于表征交通当前展示出的结果。
S102:获取每一个历史日期中每一个所述时间段对应的交通出行数据。
在本发明实施例中,交通数据用于表示当前时间段影响交通的各种因素,主要包括乘客数据、出行工具数据、出行天气数据、出行目的地数据等。其中,乘客数据是指搭乘不同的交通工具所分别统计的乘客数量;出行工具数据主要指乘客在该时间段选择对应的出行目的地时乘坐的交通工具种类,包括公交车、地铁、网约车、的士、共享电动车、共享单车等。出行目的地数据通常由用户或者工作人员输入,出行天气数据表示当天、当前时间段的天气情况。由于所采集的交通出行数据对应于任意一个时间段,因此实际上交通出行数据还包括有时间段的信息。
乘客信息例如通过交通卡与用户实名绑定,从而读取到交通卡时,触发的时间,以及用户的实名,都可以一并获得。而出行工具数据的获得,也同样可以根据有用户激活、扫码、读卡等方式乘坐,从而可以统计乘坐不同种类交通工具的人数。
例如统计出行目的地数据,结合出现天气数据,可以统计出不同的天气阶段热门的出行地点,或者,结合乘客数据,可以统计人员密集度,又或者结合出行工具数据,因此可以预测出去玩最热门的出行地点,乘坐最热门的交通工具,可能需要涉及等待时间长、乘坐拥挤等不同的情况。
S103:根据所述数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型。
在本实施例中,则根据历史的数据特征和交通出行特征进行数学建模。选取过去一段时间的数据特征作为数据样本。这里所述的一段时间是指若干天,所述若干天可以是连续的,也可能是不连续的。而将每一天的24小时划分为若干个连续的时间段,所获取的数据特征在以每一个时间段为单位进行分别获取。通过历史的数据特征和交通出行数据训练交通出行分析模型。其中,可以通过交通出行数据中的乘客数据、出行工具数据、出行天气数据、出行目的地数据分别设定对应的权重比例,根据每一个交通出行数据的权重比例计算对应的权重特征值,再计算时间段内的全部交通出行数据的权重特征值之和,根据权重特征值之和以及该时间段内对应的数据特征,构建交通出行分析模型。例如,通常在雨雾天气,出行人少,拥堵指数低,人员密度小,出行热度低;工作日高峰期,出行人多,道路的拥堵指数相对高,在特定的道路或者地点有人员密度的情况。而对应于节假日,则可能出行热度高、景点的人员密集度高,对应于景点附近的出行道路可能有拥堵的情况。
S104:获取实时的交通出行数据输入至所述交通出行分析模型,以输出对应的出行结果。
本发明实施例对交通出行数据进行多维度的分析与处理,结合历史交通出行情况构建模型,结合实时情况进行交通出行数据的分析。针对于不同的天气情况、环境情况、不同时期都可以得到不同的出行结果。需要说明的是,在本发明实施例中,通过交通出行分析模型所输出的出行结果包括有拥堵指数、出行热度、人员密集度,可以发现实际上出行结果是与历史采集的数据特征是对应的,数据特征作为构建的模型的结果输出。但,训练后的模型输出的出行结果不仅仅是等同于数据特征,其还可以进一步包括两个位置点之间的通行时间等。
作为优选的,在本发明实施例中,获取实时的交通出行数据可以是由交通工作人员发起,对当前的城市交通情况进行观察。可以是在服务器端自动、定时的对交通输出数据进行采集,实现定时的、自动化的获取出行结果,便于工作人员定期对交通情况进行统计。也可以是有普通用户发起,具体的:
接收用户输入的交通出行分析指令,所述交通出行分析指令包括出行目的地、出行时间和出行工具;获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径;根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行分析模型,以得到出行结果,将所述出行结果标识在出行路径上。
也即是本实施例中,作为示例性的描述,由用户输入交通出行分析指令发起对交通出行的分析。首先用户通过智能终端的客户端app或者网页端输入交通出行分析指令。该交通出行分析指令包括出行目的地、出行时间和出行工具这些种类,当然也还可以包含其他数据。在通常情况下,默认选取可以采集的全部数据特征种类,但是也允许用户自定义数据特征的种类进行采集和进一步分析。
用户当前的地理坐标可以通过用户输入交通出行分析指令所采用的智能终端自动定位获得,可以是由交通出行分析指令中携带,也可以是由服务器端(接收端)接收到交通出行分析指令时,再主动获取用户的地理坐标。根据用户当前的地理坐标,结合出行目的地,可以获取一条或多条从当前位置至出现目的地之间的路线,即出行路径。同时,结合交通出行分析模型可以获得出行结果,也即是可以直观的知道本次出行的相关情况。
作为本发明实施例优选的实施方式,获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径,之后还包括:计算每一条出行路径的总长度,并获取该出行路径上任意一个地理坐标的出行结果;通过预设的加权比重对出行路径的总长度以及出行结果中的拥堵指数进行加权求和运算,获得每一条出行路径的第一优先级;根据所述第一优先级将每一条出行路径进行排序。
根据用户当前的地理坐标和出行目的地,可以计算出一条或者多条的出行路径,由于出行路径具有无数个地理坐标,对应于每一个地理坐标,在系统后台,或者是服务器端,可以自动化的调取与出行路径上的地理坐标匹配的交通出行数据,从而输入至交通出行分析模型中,得到出行结果,也即是获取出行路径上任意一个地理坐标的出行结果。该出行结果最经常的表征为在出行路径上的拥堵情况,还可以是出行路径上人员密集度大的地点。例如在出行路径上正好有热门景点,且人员密集度大,则可以显示标识。标识的方式例如是设置人员密集度大于某一个设定值时,则可用设定的符号在出行路径上对应位置进行标识。
实施例二
如图2所示,本发明实施例还提供另一种城市交通出行分析方法,包括如下方案:
S201:将一天24小时划分为若干个连续的时间段,获取若干个历史日期中每一个时间段的数据特征。
同样的,在本发明实施例中数据特征主要表示在对应的时间段内,不同的位置对应有不同的交通情况,也即是展示交通当前所能展示出的结果,例如包括不同的地理坐标以及与每一个地理坐标分别对应的拥堵指数、人员密集度、出行热度。
S202:获取每一个历史日期中每一个所述时间段对应的交通出行数据。
S203:根据所述数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型。
S204:获取实时的交通出行数据输入至所述交通出行分析模型,以输出对应的出行结果。
出行结果与数据特征有一定的对应关系,出行结果作为交通出行分析模型所输出的一个分析结果,同样也用于表征交通当前的运行情况,但出行结果相比特征数据单一的数据,进一步还可以包括具有统计、分析意义的预判结果,例如可以包括建议继续出行、或者改其他出行目的地等。
获取实时的交通出行数据在本发明实施例中,通过用户主动输入。包括获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径;根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行分析模型,以得到出行结果,将所述出行结果标识在出行路径上。
作为本实施例优选的方式,还可包括如下步骤:
S205:获取每一个历史日期中与每一个时间段对相邻的下一个时间段的特征数据。
在本步骤中的交通出行数据与步骤S202中的交通数据实际上意义相同,仅仅是分别对应不同的时间段。
S206:根据所述交通出行数据以及与交通出行数据对应时间段的下一个时间段的特征数据训练出交通出行预测模型。
本步骤的交通出行预测模型与交通出行分析模型的搭建原理实质相同,通过计算时间段内每一个交通出行数据的权重特征值之和,根据权重特征值之和以及与该交通出行时间对应时间段相邻的下一个时间段的数据特征训练得到。基于此,本发明实施例还提供给用户交通出行趋势分析,也即是下一个时间段,例如热门景点是否还是拥挤,是否还是热门,等等。
S207:根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行预测模型,以得到出行时间的下一个时间段的预测出行结果。
进一步的,本实施例还包括选取以出行目的地为原点,预设距离为半径的圆为目标区域;获取所述目标区域中至少一个出行热门地点,结合所述交通出行分析指令输出并显示所述出行热门地点的出行结果。
上述方式提供给本发明实施例一种智能化的出行方式。例如用户选取出行目的地为A,根据A的地理坐标,计算得到目标区域,相应的得出目标区域中合的一个或多个热门地点。热门地点通常是景区,也即是通过这种方式告知出行的用户所要到达的出行目的地附近的所有景点,同时热门地点的出行结果在结合交通出行分析指令的情况下通过事先建立的交通出行分析模型可以得出,该出行解雇例如可以包括多个热门地点与用户当前位置的距离、人员密集度等。
进一步的,计算每一个出行热门地点与用户当前的地理坐标之间的距离,根据距离设置每一个出行热门地点的第二优先级,根据所述第二优先级对出行热门地点进行排列;显示所述出行热门地点的出行结果为按照所述排列的顺序显示所述出行热门地点的出行结果。容易理解的,通常将距离最近的设置为优先级别最高。同时,还可以显示不同热门地点分别对应的出行结果。
本发明实施例提供的城市交通出行分析方法,着眼于用户当前的出行目的地等交通出行数据,提供不局限于交通的拥堵指数的分析结果,还提供给用户更全面的包括对应地点的人员密集度、出行热度等分析结果,给用户更多方位的交通出行参考。而对于交通管理者,也可以基于交通出行数据对整个城市交通网络进行考察,例如早晚高峰期的通行分析、假节日的热门地点分析、交通工具分析、不同天气、气候情况下,交通出行方式分析,等等。
实施例三
如图3所示,本发明实施例还提供一种城市交通出行分析系统,包括数据层31、业务层32和客户应用层33,所述数据层包括采集设备模组311,所述采集设备模组311用于采集交通出行数据,所述业务层32用于根据历史的数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型321,将来自数据层的交通出行数据输入至交通出行分析模型以输出出行结果,并根据用户当前的地理坐标计算和显示用户出行至出行目的地的至少一条出行路径;所述客户应用层33用于接收用户的交通出行分析指令,并接收所述出行结果和出行路径。
实施例四
如图4所示,本发明实施例还提供一种城市交通出行分析装置,其特征在于,包括历史数据获取模块41、出行数据获取模块42、模型训练模块43、实时数据采集模块44。其中历史数据获取模块41用于将一天24小时划分为若干个连续的时间段,获取若干个历史日期中每一个时间段的数据特征。出行数据获取模块42用于获取每一个历史日期中每一个所述时间段对应的交通出行数据,所述交通数据包括乘客数据、出行工具数据、出行天气数据、出行目的地数据。模型训练模块43用于根据所述数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型。实时数据采集模块44用于获取实时的交通出行数据输入至所述交通出行分析模型,以输出对应的出行结果。
本实施例中,所述数据特征包括不同的地理坐标以及与每一个地理坐标分别对应的拥堵指数、人员密集度、出行热度。
本实施例进一步还可以包括:分析指令接收模块:用于接收用户输入的交通出行分析指令,所述交通出行分析指令包括出行目的地、出行时间和出行工具;地理坐标获取模块:用于获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径;出行结果分析模块:用于根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行分析模型,以得到出行结果,将所述出行结果标识在出行路径上。
进一步的,在上述地理坐标获取模块中,获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径,之后还包括:计算每一条出行路径的总长度,并获取该出行路径上任意一个地理坐标的出行结果;通过预设的加权比重对出行路径的总长度以及出行结果中的拥堵指数进行加权求和运算,获得每一条出行路径的第一优先级;根据所述第一优先级将每一条出行路径进行排序。
作为优选的实施方式,本发明还可以包括原点选取模块:用于选取以出行目的地为原点,预设距离为半径的圆为目标区域;热门地点分析模块:用于获取所述目标区域中至少一个出行热门地点,结合所述交通出行分析指令输出并显示所述出行热门地点的出行结果。
进一步的,热门地点分析模块中获取所述目标区域中至少一个出行热门地点之后还包括:计算每一个出行热门地点与用户当前的地理坐标之间的距离,根据距离设置每一个出行热门地点的第二优先级,根据所述第二优先级对出行热门地点进行排列;显示所述出行热门地点的出行结果为按照所述排列的顺序显示所述出行热门地点的出行结果。
实施例五
本申请实施例提供了一种计算机设备,包括:存储器以及一个或多个处理器;所述存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例所述的城市交通出行分析方法。
实施例五
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的城市交通出行分析方法,该城市交通出行分析方法包括:将一天24小时划分为若干个连续的时间段,获取若干个历史日期中每一个时间段的数据特征;获取每一个历史日期中每一个所述时间段对应的交通出行数据,所述交通数据包括乘客数据、出行工具数据、出行天气数据、出行目的地数据;根据所述数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型;获取实时的交通出行数据输入至所述交通出行分析模型,以输出对应的出行结果。其中,所述数据特征包括不同的地理坐标以及与每一个地理坐标分别对应的拥堵指数、人员密集度、出行热度。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的城市交通出行分析方法,还可以执行本申请任意实施例所提供的城市交通出行分析方法中的相关操作。
上述实施例中提供的城市交通出行分析系统、装置、设备及存储介质可执行本申请任意实施例所提供的城市交通出行分析方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的城市交通出行分析方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (10)
1.城市交通出行分析方法,其特征在于,包括:
将一天24小时划分为若干个连续的时间段,获取若干个历史日期中每一个时间段的数据特征;
获取每一个历史日期中每一个所述时间段对应的交通出行数据,所述交通数据包括乘客数据、出行工具数据、出行天气数据、出行目的地数据;
根据所述数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型;
获取实时的交通出行数据输入至所述交通出行分析模型,以输出对应的出行结果;
其中,所述数据特征包括不同的地理坐标以及与每一个地理坐标分别对应的拥堵指数、人员密集度、出行热度。
2.根据权利要求1所述的城市交通出行分析方法,其特征在于,还包括:
接收用户输入的交通出行分析指令,所述交通出行分析指令包括出行目的地、出行时间和出行工具;
获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径;
根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行分析模型,以得到出行结果,将所述出行结果标识在出行路径上。
3.如权利要求2所述的城市交通出行分析方法,其特征在于,获取用户当前的地理坐标,显示用户出行至出行目的地的至少一条出行路径,之后还包括:
计算每一条出行路径的总长度,并获取该出行路径上任意一个地理坐标的出行结果;
通过预设的加权比重对出行路径的总长度以及出行结果中的拥堵指数进行加权求和运算,获得每一条出行路径的第一优先级;
根据所述第一优先级将每一条出行路径进行排序。
4.根据权利要求2所述的城市交通出行分析方法,其特征在于,还包括:
选取以出行目的地为原点,预设距离为半径的圆为目标区域;
获取所述目标区域中至少一个出行热门地点,结合所述交通出行分析指令输出并显示所述出行热门地点的出行结果。
5.根据权利要求4所述的城市交通出行分析方法,其特征在于,获取所述目标区域中至少一个出行热门地点之后还包括:
计算每一个出行热门地点与用户当前的地理坐标之间的距离,根据距离设置每一个出行热门地点的第二优先级,根据所述第二优先级对出行热门地点进行排列;
显示所述出行热门地点的出行结果为按照所述排列的顺序显示所述出行热门地点的出行结果。
6.根据权利要求2所述的城市交通出行分析方法,其特征在于,还包括:
获取每一个历史日期中与每一个时间段对相邻的下一个时间段的特征数据;
根据所述交通出行数据以及与交通出行数据对应时间段的下一个时间段的特征数据训练出交通出行预测模型;
根据交通出行分析指令采集与出行目的地对应的交通出行数据并输入至交通出行预测模型,以得到出行时间的下一个时间段的预测出行结果。
7.城市交通出行分析系统,其特征在于,包括数据层、业务层和客户应用层,所述数据层包括采集设备模组,所述采集设备模组用于采集交通出行数据,所述业务层用于根据历史的数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型,将来自数据层的交通出行数据输入至交通出行分析模型以输出出行结果,并根据用户当前的地理坐标计算和显示用户出行至出行目的地的至少一条出行路径;所述客户应用层用于接收用户的交通出行分析指令,并接收所述出行结果和出行路径。
8.城市交通出行分析装置,其特征在于,包括:
历史数据获取模块:用于将一天24小时划分为若干个连续的时间段,获取若干个历史日期中每一个时间段的数据特征;
出行数据获取模块:用于获取每一个历史日期中每一个所述时间段对应的交通出行数据,所述交通数据包括乘客数据、出行工具数据、出行天气数据、出行目的地数据;
模型训练模块:用于根据所述数据特征和与该数据特征对应时间段的交通出行数据训练交通出行分析模型;
实时数据采集模块:用于获取实时的交通出行数据输入至所述交通出行分析模型,以输出对应的出行结果;
其中,所述数据特征包括不同的地理坐标以及与每一个地理坐标分别对应的拥堵指数、人员密集度、出行热度。
9.一种计算机设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任一所述的城市交通出行分析方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6任一所述的城市交通出行分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497763.3A CN112669605B (zh) | 2020-12-17 | 2020-12-17 | 城市交通出行分析方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497763.3A CN112669605B (zh) | 2020-12-17 | 2020-12-17 | 城市交通出行分析方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669605A true CN112669605A (zh) | 2021-04-16 |
CN112669605B CN112669605B (zh) | 2023-05-02 |
Family
ID=75404911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011497763.3A Active CN112669605B (zh) | 2020-12-17 | 2020-12-17 | 城市交通出行分析方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669605B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645220A (zh) * | 2012-05-21 | 2012-08-22 | 诚迈科技(南京)有限公司 | 智能出行方式实时规划推荐方法 |
CN103955479A (zh) * | 2014-04-02 | 2014-07-30 | 北京百度网讯科技有限公司 | 电子地图的实现方法及装置 |
TW201719561A (zh) * | 2015-11-17 | 2017-06-01 | 美創資通股份有限公司 | 主動式交通需求管理與行為誘導的方法與系統 |
CN107702729A (zh) * | 2017-09-06 | 2018-02-16 | 东南大学 | 一种考虑预期路况的车辆导航方法及系统 |
CN108663064A (zh) * | 2018-07-03 | 2018-10-16 | 中国联合网络通信集团有限公司 | 最快线路确定方法和装置 |
CN109990799A (zh) * | 2019-03-28 | 2019-07-09 | 北京小米移动软件有限公司 | 出行策略显示方法、装置及存储介质 |
CN111121809A (zh) * | 2019-12-25 | 2020-05-08 | 上海博泰悦臻电子设备制造有限公司 | 一种推荐方法、装置及计算机存储介质 |
CN111337049A (zh) * | 2020-03-05 | 2020-06-26 | 维沃移动通信有限公司 | 一种导航方法及电子设备 |
CN111442778A (zh) * | 2019-01-16 | 2020-07-24 | 百度在线网络技术(北京)有限公司 | 出行方案推荐方法、装置、设备及计算机可读存储介质 |
CN111782974A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 路线推荐模型的训练和路线推荐方法、装置、设备和介质 |
-
2020
- 2020-12-17 CN CN202011497763.3A patent/CN112669605B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645220A (zh) * | 2012-05-21 | 2012-08-22 | 诚迈科技(南京)有限公司 | 智能出行方式实时规划推荐方法 |
CN103955479A (zh) * | 2014-04-02 | 2014-07-30 | 北京百度网讯科技有限公司 | 电子地图的实现方法及装置 |
TW201719561A (zh) * | 2015-11-17 | 2017-06-01 | 美創資通股份有限公司 | 主動式交通需求管理與行為誘導的方法與系統 |
CN107702729A (zh) * | 2017-09-06 | 2018-02-16 | 东南大学 | 一种考虑预期路况的车辆导航方法及系统 |
CN108663064A (zh) * | 2018-07-03 | 2018-10-16 | 中国联合网络通信集团有限公司 | 最快线路确定方法和装置 |
CN111442778A (zh) * | 2019-01-16 | 2020-07-24 | 百度在线网络技术(北京)有限公司 | 出行方案推荐方法、装置、设备及计算机可读存储介质 |
CN109990799A (zh) * | 2019-03-28 | 2019-07-09 | 北京小米移动软件有限公司 | 出行策略显示方法、装置及存储介质 |
CN111121809A (zh) * | 2019-12-25 | 2020-05-08 | 上海博泰悦臻电子设备制造有限公司 | 一种推荐方法、装置及计算机存储介质 |
CN111337049A (zh) * | 2020-03-05 | 2020-06-26 | 维沃移动通信有限公司 | 一种导航方法及电子设备 |
CN111782974A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 路线推荐模型的训练和路线推荐方法、装置、设备和介质 |
Non-Patent Citations (2)
Title |
---|
庄立坚等: "道路交通运行指数在城市综合治理中的应用实践", 《交通与港航》 * |
邵建: "基于移动信息化和大数据挖掘分析的智慧交通服务系统", 《江苏通信》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669605B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
US10852152B2 (en) | System and method for deriving operation information of a fleet and analyzing the same | |
US9424515B2 (en) | Predicting taxi utilization information | |
US6393346B1 (en) | Method of monitoring vehicular mileage | |
US9020760B2 (en) | System for classifying streets for vehicle navigation | |
RU2406158C2 (ru) | Способы предсказания пунктов назначения из частичных траекторий, применяющие способы моделирования открытого и замкнутого мира | |
CN111324824B (zh) | 一种目的地推荐方法、其装置、电子设备及可读存储介质 | |
CN110986985A (zh) | 车辆行程推送方法、装置、介质、控制终端及汽车 | |
US11823574B2 (en) | Method and apparatus for prediction road condition, device and computer storage medium | |
US20190019040A1 (en) | Method of data visualization and data sorting | |
CN111696343A (zh) | 一种轨迹数据处理方法及装置 | |
Ryus et al. | Development of Florida’s transit level-of-service indicator | |
US20130151297A1 (en) | Urban Computing of Route-Oriented Vehicles | |
CN111915893B (zh) | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 | |
CN112598169B (zh) | 交通运行态势评估方法、系统及装置 | |
US20200109960A1 (en) | Toll tracking and estimating system | |
CN112991743A (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
CN111860904B (zh) | 上车点排序的方法及装置 | |
CN115691203A (zh) | 一种城市道路泊位诱导方法、装置、设备及可读存储介质 | |
CN111737601A (zh) | 出行策略的推荐方法、装置、设备及存储介质 | |
CN112669605A (zh) | 城市交通出行分析方法、系统及装置 | |
CN114822070A (zh) | 停车场状态确定方法及电子设备 | |
CN111831931B (zh) | 一种上车点排序、信息排序的方法及装置 | |
CN117807283B (zh) | 基于大数据的停车订单分析方法和系统 | |
Yu et al. | Multi-cycle optimal taxi routing with e-hailing |
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 |