CN112837197A - 一种基于局部覆盖盲区的专用车服务站选址方法 - Google Patents

一种基于局部覆盖盲区的专用车服务站选址方法 Download PDF

Info

Publication number
CN112837197A
CN112837197A CN202110116809.0A CN202110116809A CN112837197A CN 112837197 A CN112837197 A CN 112837197A CN 202110116809 A CN202110116809 A CN 202110116809A CN 112837197 A CN112837197 A CN 112837197A
Authority
CN
China
Prior art keywords
grid
service station
thermal
service
grids
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
Application number
CN202110116809.0A
Other languages
English (en)
Inventor
陆林
贾梦莹
赵成
郭全祥
李晓聪
张宇
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.)
South Sagittarius Integration Co Ltd
Original Assignee
South Sagittarius Integration Co Ltd
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 South Sagittarius Integration Co Ltd filed Critical South Sagittarius Integration Co Ltd
Priority to CN202110116809.0A priority Critical patent/CN112837197A/zh
Publication of CN112837197A publication Critical patent/CN112837197A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于局部覆盖盲区的专用车服务站选址方法，包括：采集车辆行车数据，获取所有车辆的停留点；基于地图兴趣区域的范围，将地图进行网格化，将兴趣区域划分为若干个网格，得到网格矩阵，对各网格进行编码，确定网格化的区域和每个网格的大小；将获取的停留点都映射到对应的网格编码中，并筛选出热力网格；将热力网格与服务站匹配，确定每个热力网格对应的服务站，计算服务站与所属热力网格的距离，计算出每个服务站的服务半径，将车辆停靠点和服务站展示在地图上，对每个服务站画出对应服务半径的半径圈，获取每个服务站的半径圈内车辆停靠点的热力分布，基于所有服务站的半径圈内热力分布确定服务站覆盖盲区的候选服务站选址区域。

Description

一种基于局部覆盖盲区的专用车服务站选址方法
技术领域
本发明涉及专用车服务站选址领域，具体涉及一种基于局部覆盖盲区的专用车服务站选址方法。
背景技术
专用汽车是从事专门作业的。这种汽车为了达到不同目的,在底盘上加装相应的作业装备,如售货车、垃圾车、清扫车、洒水车。专用车的主要特点是移动范围相对于物流车较小，一般集中在某个特定城市，最大不会超出省区域
专利CN111178577A《一种基于GEOHASH算法的服务站选址方法》，提出利用车辆轨迹点映射到GEOHASH编码范围，但是其只考虑了车辆停留频次来画网格热力图，这存在一个明显的问题，那就是出现频次高的网格可能覆盖的只有一辆或者少数几辆车，其热力图就存在偏差，并不能作为服务站的候选地址，而且其主要研究的是商用物流车的服务站选址，而对于专用车来说，由于其特殊性，对服务站的要求更加特殊；专利CN105206046A《基于大数据的出租车服务站选址及可行性评价方法》，提出利用出租车停驻位置信息数据进行分时段空间聚类，得到出租车服务站选址方案，其是以出租车载客为出发点得出服务热点为依据进行选择，该方法对专用车更加不适用。
发明内容
鉴于现有技术中存在的技术缺陷和技术弊端，本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种基于局部覆盖盲区的专用车服务站选址方法，具体方案如下：
一种基于局部覆盖盲区的专用车服务站选址方法，所述方法包括：
步骤1，采集车辆行车数据，获取所有车辆的停留点；
步骤2，进行网格初始化：基于地图兴趣区域的范围，将地图进行网格化，将兴趣区域划分为若干个网格，得到网格矩阵，对各网格进行编码，确定网格化的区域和每个网格的大小；
步骤3，将获取的停留点都映射到对应的网格编码中，并筛选出热力网格；
步骤4，将热力网格与服务站匹配，确定每个热力网格对应的服务站，并计算服务站到所属热力网格中心的距离，作为服务站所属热力网格的距离，根据每个服务站所属热力网格的距离，计算出每个服务站的服务半径；
步骤5，将车辆停靠点和服务站展示在地图上，对每个服务站画出对应服务半径的半径圈，获取每个服务站的半径圈内车辆停靠点的热力分布，基于所有服务站的半径圈内热力分布确定服务站覆盖盲区的候选服务站选址区域。
进一步地，步骤1还包括，对车辆行车数据数据进行筛选，对于总里程小于第一预设里程且总油耗<第一预设油耗的车辆行车数据，不获取对应车辆的停留点。
进一步地，步骤2中，网格初始化过程具体包括：确定地图兴趣区域的范围和网格矩阵的大小，其中，地图兴趣区域的范围由最小最大经纬度表示，最小的经度、最大的经度、最小的纬度以及最大的纬度分别表示为
Figure BDA0002920693730000021
λmin，λmax；网格矩阵的大小表示为n×n，即一个n行n列的矩阵，矩阵中的每个单元格即为网格，每个网格具有唯一的编码，得到所有网格的编码集为Z＝{Z1，…，Zn，…Zn×n}；
基于网格初始化，确定得到每个网格的长度
Figure BDA0002920693730000031
宽度h＝(λmax-λmin)/n，基于每个网格的长度与宽度确定每个网格的大小。
进一步地，步骤3中，将获取的停留点都映射到对应的网格编码中具体为：
令某辆车的停留点集为
Figure BDA0002920693730000032
其中
Figure BDA0002920693730000033
表示t时刻采集的经度与纬度；
将当前采集的停留点坐标映射到对应的网格矩阵的行和列，令所在网格行和列下标分别计算为
Figure BDA0002920693730000034
和ct＝int((λmax-λt)/h)；
利用Z-order算法将计算得到的行和列下标映射到对应的网格编码zt。
进一步地，步骤3还包括，设定车辆停靠点规则，获取车辆熄火后停留的时间，只有车辆熄火后停留的时间大于第一预设时间，才将对应停留点作为该车辆的一个停留点。
进一步地，步骤3还包括：将距离小于第一预设距离的多个停靠点，聚合成一个停靠点。
进一步地，步骤3中，筛选出热力网格具体为：将获取的停留点都映射到对应的网格编码中后，获取所有网格中的停留车辆数及停留频次，按照预先定义好最小停留车辆数及最小停留频次的阈值对各网格进行筛选，保留停留车辆数及停留频次大于最小停留车辆数及最小停留频次的网格，作为热力网格，将这些热力网格利用Z-oreder算法进行解码，得到热力网格中心点对应的经纬度。
进一步地，步骤4具体为：
令筛选出了m个热力网格，将每个热力网格与其最近的服务站做匹配，得到每个热力网格对应的服务站，并得到热力网格与服务站匹配表，其中，与服务站距离超过第二预设距离的热力网格不进行匹配；
基于热力网格与服务站匹配表，得到每个服务站所属的网格集，根据每个服务站所属的网格集，计算出每个服务站所属网格的最大距离和平均距离，根据最大距离得到每个服务站的服务半径。
进一步地，步骤5具体为：
令现有服务站有p个，令筛选出了m个热力网格，计算所述p个服务站与m个热力网格的距离；
设置每个服务站的最大服务半径为R，如果m个热力网格中某一个与该服务站的距离小于R，则将该热力网格进行标记；
遍历每个服务站，并标记服务半径内的标记的热力网格；
最后遍历所有m个热力网格，提取出未标记的热力网格，即为现有服务站覆盖盲区的候选服务站选址区域。
本发明具有以下有益效果：
本发明以售出车辆的行驶轨迹为数据来源，从中提取所有车辆的主要停留区域，从这些停留区域中筛选出满足业务需求(停留时长、停留车次等)的候选区域，然后再剔除已包含服务站或者在服务站覆盖范围内的区域，最后剩下的停留区域为可能的新的车辆聚集点，从而作为服务站候选地址。
附图说明
图1为本发明实施例提供的基于局部覆盖盲区的专用车服务站选址方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，为本发明实施例提供的一种基于局部覆盖盲区的专用车服务站选址方法，所述方法包括：
步骤1，采集车辆行车数据，获取所有车辆的停留点；
步骤2，进行网格初始化：基于地图兴趣区域的范围，将地图进行网格化，将兴趣区域划分为若干个网格，得到网格矩阵，对各网格进行编码，确定网格化的区域和每个网格的大小；
步骤3，将获取的停留点都映射到对应的网格编码中，并筛选出热力网格；
步骤4，将热力网格与服务站匹配，确定每个热力网格对应的服务站，并计算服务站到所属热力网格中心的距离，作为服务站所属热力网格的距离，根据每个服务站所属热力网格的距离，计算出每个服务站的服务半径；
步骤5，将车辆停靠点和服务站展示在地图上，对每个服务站画出对应服务半径的半径圈，获取每个服务站的半径圈内车辆停靠点的热力分布，基于所有服务站的半径圈内热力分布确定服务站覆盖盲区的候选服务站选址区域。
其中，步骤1还包括，对车辆行车数据数据进行筛选，对于总里程小于第一预设里程且总油耗<第一预设油耗的车辆行车数据，不获取对应车辆的停留点。
由于专用车是在底盘上加装相应的作业装备后，通常是在改装厂中装备好后，才会将专用车正式投入使用，所以车辆数据中有很多车辆停靠点是在改装厂中，这部分数据对服务站的分析不具有实际意义，需要筛掉这部分数据。根据数据实际的停靠点，并参考实际专用车业务人员的实际经验，筛掉在改装厂停靠点的数据，即车辆总里程<2000km并且总油耗<1000L的数据。
其中，步骤2中，网格初始化过程具体如下：
网格初始化过程包括确定地图兴趣区域的范围和网格方阵的大小，地图兴趣区域的范围由最小最大经纬度表示，最小的经度、最大的经度、最小的纬度和最大的纬度分别表示为
Figure BDA0002920693730000061
λmin，λmax。网格方阵的大小表示为n×n，即一个n行n列的矩阵，矩阵中的每个单元格也叫做网格，具有唯一的编码，假设所有网格的编码集为Z＝{Z1，…，Zn，…Zn×n}。
上述初始化参数，确定每个网格的长度
Figure BDA0002920693730000062
与宽度h＝(λmax-λmin)/n。
以某一省市网格化为例，假设该行政区的经度边界为108到112，纬度边界为29到37，令网格个数为1024×1024，那么该省市就可以表示为一个1024×1024的方阵，得到方阵中每个网格的长和宽分别为0.00390625和0.0078125。
其中，步骤3中，将获取的停留点都映射到对应的网格编码中，并筛选出热力网格具体如下：
设置车辆停靠点规则：获取车辆熄火后停留的时间，只有车辆熄火后停留的时间大于第一预设时间，才将对应停留点作为该车辆的一个停留点，本实施例中，识别车辆熄火后停留15分钟以上，才算一个停留点。
另外，根据专用车实际应用中，距离很近地方的多个停靠点可能是一个车队，这里可以只当做一个车的停留点，所以将将距离小于第一预设距离的多个停靠点，聚合成一个停靠点，本实施例中，可以将距离过近的三辆车的停靠点聚合成一个停靠点，这样做既具有实际意义，又能优化点的性能。
将获取的停留点都映射到对应的网格编码中：令某辆车的GPS停留点集为
Figure BDA0002920693730000063
其中
Figure BDA0002920693730000064
表示t时刻采集的经度与纬度。
将当前采集的坐标映射到对应的网格矩阵的行和列，所在网格行列下标分别计算为
Figure BDA0002920693730000065
和ct＝int((λmax-λt)/h)，接着利用Z-order算法将上述计算的行列下标映射到对应的网格编码zt。
将所有车辆的停留轨迹都映射到对应的网格编码，所有的网格编码均为n个网格中的一个，然后对应的对每个网格记录其覆盖的车辆坐标点数目以及不同的车辆数。
假设历史采集的某一省市内专用车车辆有1000台，将每台车的停留点都映射到前面所示的1024×1024个网格中，每个网格里面记录坐标点数和不同车辆数，统计完每个网格覆盖的坐标点数目和车辆数目后，就会得到一个带数值的矩阵，如下表1所示，可以得到第i行每i列对应的网格的Zorder编码值，坐标点数，不同车辆数。
Figure BDA0002920693730000071
表1
基于坐标点数和不同车辆数得到所有网格中的停留车辆数及停留频次后，按照事先定义好最小停留车辆数及最小停留频次的阈值对这些网格进行筛选，保留停留车辆数及停留频次大于最小停留车辆数及最小停留频次的网格，作为热力网格，并将这些热力网格利用Z-oreder算法进行解码，得到网格中心点对应的经纬度；假设一共筛选得到m个热力网格。
其中，步骤4具体为：
为对现有服务站的效度进行分析，服务站的服务半径不宜过大或过小，故对现有服务站进行服务半径计算，给服务站选址提供依据。
令某一省份获取得到的m个热力网格，先将每个热力网格与其最近的服务站做匹配，得到每个网格对应的服务站，其中与服务站距离过远的网格不匹配，即得到网格与服务站匹配表，如下表2所示。
网格1 网格2 网格3 网格4 网格5 …
服务站1 服务站2 服务站2 服务站1 服务站3 …
距离1 距离2 距离3 距离4 距离5 …
表2
以每个服务站出发，根据每个服务所属的网格集，计算出每个服务站所属网格的最大距离和平均距离，根据最大距离则得到每个服务站的服务半径，如下表3表为得到的服务站的最大距离和平均距离结果。
Figure BDA0002920693730000081
表3
其中，步骤5具为：
由于专用车的主要特点是移动范围相对于物流车较小，一般集中在某个特定城市，所以分城市获取现有的服务站地址对应的经纬度，假设现有服务站有p个，计算这个p个服务站与m个热力网格的距离，距离计算采用Haversine公式进行计算。
设置每个服务站的服务半径，假设为20km，如果m个热力网格中某一个与该服务站的距离小于20km，则将该热力网格进行标记；
遍历每个服务站，并标记服务半径内的热力网格；
最后遍历所有m个热力网格，提取出未标记的热力网格，即为现有服务站覆盖盲区的候选服务站选址区域。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于局部覆盖盲区的专用车服务站选址方法，其特征在于，所述方法包括：
步骤1，采集车辆行车数据，获取所有车辆的停留点；
步骤2，进行网格初始化：基于地图兴趣区域的范围，将地图进行网格化，将兴趣区域划分为若干个网格，得到网格矩阵，对各网格进行编码，确定网格化的区域和每个网格的大小；
步骤3，将获取的停留点都映射到对应的网格编码中，并筛选出热力网格；
步骤4，将热力网格与服务站匹配，确定每个热力网格对应的服务站，并计算服务站到所属热力网格中心的距离，作为服务站所属热力网格的距离，根据每个服务站所属热力网格的距离，计算出每个服务站的服务半径；
步骤5，将车辆停靠点和服务站展示在地图上，对每个服务站画出对应服务半径的半径圈，获取每个服务站的半径圈内车辆停靠点的热力分布，基于所有服务站的半径圈内热力分布确定服务站覆盖盲区的候选服务站选址区域。
2.根据权利要求1所述的基于局部覆盖盲区的专用车服务站选址方法，其特征在于，步骤1还包括，对车辆行车数据数据进行筛选，对于总里程小于第一预设里程且总油耗＜第一预设油耗的车辆行车数据，不获取对应车辆的停留点。
3.根据权利要求1所述的基于局部覆盖盲区的专用车服务站选址方法，其特征在于，步骤2中，网格初始化过程具体包括：确定地图兴趣区域的范围和网格矩阵的大小，其中，地图兴趣区域的范围由最小最大经纬度表示，最小的经度、最大的经度、最小的纬度以及最大的纬度分别表示为
Figure FDA0002920693720000021
λmin，λmax；网格矩阵的大小表示为n×n，即一个n行n列的矩阵，矩阵中的每个单元格即为网格，每个网格具有唯一的编码，得到所有网格的编码集为Z＝{Z1，…，Zn，…Zn×n}；
基于网格初始化，确定得到每个网格的长度
Figure FDA0002920693720000022
宽度h＝(λmax-λmin)/n，基于每个网格的长度与宽度确定每个网格的大小。
4.根据权利要求1所述的基于局部覆盖盲区的专用车服务站选址方法，其特征在于，步骤3中，将获取的停留点都映射到对应的网格编码中具体为：
令某辆车的停留点集为
Figure FDA0002920693720000023
其中
Figure FDA0002920693720000024
表示t时刻采集的经度与纬度；
将当前采集的停留点坐标映射到对应的网格矩阵的行和列，令所在网格行和列下标分别计算为
Figure FDA0002920693720000025
和ct＝int((λmax-λt)/h)；
利用Z-order算法将计算得到的行和列下标映射到对应的网格编码zt。
5.根据权利要求1所述的基于局部覆盖盲区的专用车服务站选址方法，其特征在于，步骤3还包括，设定车辆停靠点规则，获取车辆熄火后停留的时间，只有车辆熄火后停留的时间大于第一预设时间，才将对应停留点作为该车辆的一个停留点。
6.根据权利要求1所述的基于局部覆盖盲区的专用车服务站选址方法，其特征在于，步骤3还包括：将距离小于第一预设距离的多个停靠点，聚合成一个停靠点。
7.根据权利要求1所述的基于局部覆盖盲区的专用车服务站选址方法，其特征在于，步骤3中，筛选出热力网格具体为：将获取的停留点都映射到对应的网格编码中后，获取所有网格中的停留车辆数及停留频次，按照预先定义好最小停留车辆数及最小停留频次的阈值对各网格进行筛选，保留停留车辆数及停留频次大于最小停留车辆数及最小停留频次的网格，作为热力网格，将这些热力网格利用Z-oreder算法进行解码，得到热力网格中心点对应的经纬度。
8.根据权利要求1所述的基于局部覆盖盲区的专用车服务站选址方法，其特征在于，步骤4具体为：
令筛选出了m个热力网格，将每个热力网格与其最近的服务站做匹配，得到每个热力网格对应的服务站，并得到热力网格与服务站匹配表，其中，与服务站距离超过第二预设距离的热力网格不进行匹配；
基于热力网格与服务站匹配表，得到每个服务站所属的网格集，根据每个服务站所属的网格集，计算出每个服务站所属网格的最大距离和平均距离，根据最大距离得到每个服务站的服务半径。
9.根据权利要求1所述的基于局部覆盖盲区的专用车服务站选址方法，其特征在于，步骤5具体为：
令现有服务站有p个，令筛选出了m个热力网格，计算所述p个服务站与m个热力网格的距离；
设置每个服务站的最大服务半径为R，如果m个热力网格中某一个与该服务站的距离小于R，则将该热力网格进行标记；
遍历每个服务站，并标记服务半径内的标记的热力网格；
最后遍历所有m个热力网格，提取出未标记的热力网格，即为现有服务站覆盖盲区的候选服务站选址区域。
CN202110116809.0A 2021-01-28 2021-01-28 一种基于局部覆盖盲区的专用车服务站选址方法 Pending CN112837197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110116809.0A CN112837197A (zh) 2021-01-28 2021-01-28 一种基于局部覆盖盲区的专用车服务站选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110116809.0A CN112837197A (zh) 2021-01-28 2021-01-28 一种基于局部覆盖盲区的专用车服务站选址方法

Publications (1)

Publication Number Publication Date
CN112837197A true CN112837197A (zh) 2021-05-25

Family

ID=75932183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110116809.0A Pending CN112837197A (zh) 2021-01-28 2021-01-28 一种基于局部覆盖盲区的专用车服务站选址方法

Country Status (1)

Country Link
CN (1) CN112837197A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636443A (zh) * 2015-01-12 2015-05-20 北京中交兴路车联网科技有限公司 一种基于货车轨迹挖掘poi潜在信息的基础数据模型
CN106682854A (zh) * 2016-12-12 2017-05-17 北京汇通天下物联科技有限公司 一种运输车辆的行驶数据获取方法、装置及系统
CN108537391A (zh) * 2018-04-25 2018-09-14 哈尔滨工业大学 一种基于出租车轨迹数据的出租车停靠站设置优化方法
CN111143440A (zh) * 2019-12-30 2020-05-12 北京中交兴路信息科技有限公司 基于车辆轨迹的车辆停靠行为确定方法、确定系统及存储介质
CN111178577A (zh) * 2019-11-22 2020-05-19 陕西天行健车联网信息技术有限公司 一种基于geohash算法的服务站选址方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636443A (zh) * 2015-01-12 2015-05-20 北京中交兴路车联网科技有限公司 一种基于货车轨迹挖掘poi潜在信息的基础数据模型
CN106682854A (zh) * 2016-12-12 2017-05-17 北京汇通天下物联科技有限公司 一种运输车辆的行驶数据获取方法、装置及系统
CN108537391A (zh) * 2018-04-25 2018-09-14 哈尔滨工业大学 一种基于出租车轨迹数据的出租车停靠站设置优化方法
CN111178577A (zh) * 2019-11-22 2020-05-19 陕西天行健车联网信息技术有限公司 一种基于geohash算法的服务站选址方法
CN111143440A (zh) * 2019-12-30 2020-05-12 北京中交兴路信息科技有限公司 基于车辆轨迹的车辆停靠行为确定方法、确定系统及存储介质

Similar Documents

Publication Publication Date Title
Zhang et al. Revealing intra-urban travel patterns and service ranges from taxi trajectories
CN107316098B (zh) 一种基于用户行为分析的汽车租赁点选址方法
Shu et al. Spatial disaggregation of carbon dioxide emissions from road traffic based on multiple linear regression model
CN110134865B (zh) 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台
CN108133302A (zh) 一种基于大数据的公共自行车潜在需求预测方法
CN111178577B (zh) 一种基于geohash算法的服务站选址方法
CN105608505A (zh) 一种基于手机信令数据的居民轨道交通出行方式识别方法
Zhou et al. Identifying spatiotemporal characteristics and driving factors for road traffic CO2 emissions
CN106127662A (zh) 一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法
CN110990661B (zh) 一种基于路网约束和密度聚类的兴趣区域出入口提取方法
CN112966941B (zh) 一种基于交通事故大数据的事故黑点识别方法及系统
CN110400461B (zh) 一种路网变更检测方法
CN114218976A (zh) 臭氧前体物高值区精细化排放源追溯定位方法和系统
CN115083161A (zh) 车辆停留点的评估方法、装置、电子设备及可读存储介质
Kurte et al. Regional-scale spatio-temporal analysis of impacts of weather on traffic speed in Chicago using probe data
CN112837197A (zh) 一种基于局部覆盖盲区的专用车服务站选址方法
CN113379269A (zh) 多因素空间聚类的城市商业功能区划方法、装置及介质
CN116061953A (zh) 一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法
CN115759660A (zh) 一种无人驾驶车辆的调度方法、装置、设备和介质
Boitor et al. A new tool for the evaluation of co2 emissions from road traffic: a case study in cluj-napoca, romania
Patel et al. Planning of public bicycle (bike) sharing system (PBSS): A case study of Surat City
Hong et al. A study on smart mobility in Kuala Lumpur
CN115830901B (zh) 一种货车停留点的确定方法及装置
CN110610446A (zh) 一种基于两步聚类思路的县域城镇分类方法
CN117473398B (zh) 一种基于运渣车活动的城市扬尘污染源分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210525

RJ01 Rejection of invention patent application after publication