CN112905578A - 一种货车gps轨迹停留点识别方法 - Google Patents
一种货车gps轨迹停留点识别方法 Download PDFInfo
- Publication number
- CN112905578A CN112905578A CN202110234719.1A CN202110234719A CN112905578A CN 112905578 A CN112905578 A CN 112905578A CN 202110234719 A CN202110234719 A CN 202110234719A CN 112905578 A CN112905578 A CN 112905578A
- Authority
- CN
- China
- Prior art keywords
- gps track
- data
- point
- truck
- track data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种货车GPS轨迹停留点识别方法,包括以下步骤:基于车辆唯一标识ID和时间序列混乱的货车GPS轨迹数据,对GPS轨迹数据进行清洗,即数据筛选,以剔除重复、无效的数据;基于清洗好的GPS轨迹数据,对同一个数据文件中车辆唯一标识ID不同的GPS轨迹数据进行分类与聚类;基于车辆ID分类的GPS轨迹数据,对数据的时间序列进行重新排序;基于处理后的GPS轨迹数据,根据对停留点停留的时间的实际研究需求,计算密度值用于判断出货车GPS轨迹数据中的停留点;基于判断出停留点数据,计算车辆在各停留点的停留时间,并依据实际研究需要的停留时间限制对停留点进行筛选,最终存储为本地TXT文本文件。
Description
技术领域
本发明涉及轨迹停留点识别技术领域,具体涉及一种货车GPS轨迹停留点识别方法。
背景技术
随着移动设备、移动互联网等技术的发展,用户、车辆等移动对象产生的更为细致和丰富的GPS出行轨迹数据被大量记录下来。将用户或车辆的出行轨迹进行采集、处理并根据停留点特征深入挖掘其中的语义信息,可以发现研究对象的行为特性、出行规律、兴趣偏好等,进而为城市规划、出行车辆的路径选择、兴趣点推荐等提供服务或参考。近年来,随着具有GPS功能的移动设备的普及和使用,GPS轨迹分析如停留点识别、轨迹压缩等相关技术备受关注。
通常GPS轨迹数据被表示为一段按时间有序的轨迹点排序{p0,<x0,y0>,t0},...,{pn,<xn,yn>,tn}。其中<xn,yn>表示pn轨迹点的坐标信息,此刻的记录时间为tn,并且tn-1<tn。但在实际应用情况中存在为保证用户或车辆个人隐私使得GPS数据车辆唯一标识ID和时间序列混乱的情况,而直接使用GPS数据车辆唯一标识ID和时间序列混乱的GPS数据会影响后续停留点识别的结果和效率,因此在对GPS轨迹数据进行更进一步的预处理是有必要的。目前来看,已知停留点识别研究中探讨了关于车辆唯一标识ID隐藏和GPS数据时间错乱的研究少之又少。本发明旨在提出一套完整的针对车辆唯一标识ID混乱和GPS数据时间错乱问题的GPS停留点识别方法,包括GPS数据车辆唯一标识ID的提取、时间序列的重新排序、根据需求提取相关行政区范围内的轨迹数据和停留点识别,以最大程度的保证停留点识别的准确性,从而有利于轨迹数据挖掘相关学者进行深入研究。
为达到上述目的,本发明的技术方案为:
一种货车GPS轨迹停留点识别方法,包括以下步骤:
步骤1:基于获取的货车GPS轨迹数据,对货车GPS轨迹数据进行数据清洗,即数据预处理;
步骤2:基于步骤1所清洗后的货车GPS轨迹数据,对货车GPS轨迹数据中不同的车辆ID分类,并通过对各货车GPS轨迹数据的时间进行重新排序,得出各货车时间序列完整的GPS轨迹数据;
步骤3:基于所述步骤2的货车GPS轨迹数据和实际研究需要的停留点时间,对车辆GPS轨迹数据进行停留点标记。
步骤4:基于所述步骤3的车辆GPS轨迹停留点数据,对车辆各停留点的停留时间进行计算后保留停留时间大于实际研究需要的停留点时间的停留点,并保存为本地TXT文本文件。
进一步的,所述步骤1具体包括:
步骤1A:编写程序设置货车GPS轨迹数据的筛选条件,用以清除重复、无效的GPS数据;
步骤1B:通过所述步骤1A编写的所述清洗程序,对货车GPS轨迹数据进行清洗;
步骤1C::将所述步骤1B清洗好的货车GPS轨迹数据以Excel形式保存于本地。
进一步的,所述步骤2具体包括:
步骤2A:基于所述步骤1清洗的GPS轨迹数据,编写程序读取货车GPS轨迹数据中不同的车辆ID,用以对车辆ID相同的轨迹进行分类;
步骤2B:基于所述步骤2A编写的程序,对按日记录的货车GPS轨迹数据进行分类。
步骤2C:将所属步骤2D筛选出的数据以车辆ID作为文件名以TXT文本文件形式保存至本地。
步骤2D:编写程序将记录日期不同但车辆ID相同的GPS轨迹数据整合为一个TXT文本文件。
步骤2E:基于所述步骤2D编写的程序对所述步骤2C分类出的数据进行整合。
步骤2F:编写程序对时间序列混乱的车辆GPS数据进行重新排序。
步骤2G:基于所述步骤2F编写的程序对所属步骤1筛选出的车辆GPS轨迹数据进行时间排序。
步骤2H:将所述步骤2E重新排序好的货车GPS轨迹数据以TXT文本文件形式保存于本地。
进一步的,所述步骤3具体包括:
步骤3A:基于GPS轨迹数据中的车辆类型属性,对车辆的通常停留活动进行确定,车辆进行通常停留活动的最短停留时间即为实际研究中所需停留点时间阈值;
步骤3B:计算轨迹数据中停留点识别所需的停留点密度阈值ρ;轨迹数据中候选停留点识别所需要的停留点密度阈值ρ计算公式如下:
式中,T表示实际研究中所需的停留点时间阈值;t表示GPS轨迹记录的时间间隔;
步骤3C:基于所述步骤2的GPS轨迹数据和步骤3B的停留点密度阈值,将第1个GPS轨迹点作为圆心计算指定半径范围内、记录连续的货车候选停留点个数P,若P>ρ,则将范围内轨迹点作为一个停留点集合SP;
步骤3D:基于所述步骤2的GPS轨迹数据、步骤3B的停留点密度阈值,对除所述步骤3C的停留点集合SP外的轨迹点继续进行步骤3C处理。
进一步的,所述步骤4具体包括:
步骤4A:编写程序计算步骤3每个停留点集合SPi的停留时间;
步骤4B:通过所述步骤4A编写的所述停留时间计算程序,对每个停留点集合SPi进行停留时间计算;
步骤4C:基于步骤3的各停留点集合和所述步骤4B的各停留点集合停留时间,选取每个停留点集合中最后一个点作为该集合的停留点,并在该停留点的属性中添加停留时间属性;
步骤4D:基于实际研究需要的停留时间限制,将停留时间大于此停留时间限制的停留点保留,其他数据删除完成对停留点的筛选。
步骤4E:将所述步骤4D处理好的货车停留点以TXT文本文件形式保存至本地。
相对于现有技术,本发明的有益效果为:
1.本发明基于已给出的货车GPS轨迹数据,对其进行车辆名分类和时间序列排序,能够使得GPS轨迹数据更具条理性,可直接用于后续停留点识别方法处理。
2.本发明能够有效识别车辆ID和时间序列混乱的GPS轨迹数据的停留点,解决了现有技术对某些车辆ID和时间序列混乱的GPS轨迹数据进行停留点识别时识别能力的不足。
附图说明
图1为本发明一种货车GPS轨迹停留点识别方法流程。
图2a-2b为本发明基于步骤2处理前后的对比图。
图3a-3b为停留点识别效果图。
图4为利用本发明方法所获得的停留时间数据示意图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案做进一步详细描述:
如图1所示,本发明实例提供一种货车GPS轨迹停留点识别方法,该实施例是基于四川省高速交通监管平台获取的2019年3月的货车GPS轨迹数据进行轨迹数据压缩试验,该处理技术的步骤如下:
步骤1:基于四川省高速交通监管平台获取的2019年3月的货车GPS轨迹数据,共包含120324895条GPS轨迹数据,每条轨迹数据记录了货车类型、车辆标识ID、记录时间、经纬度坐标、方向、行驶瞬时速度和限制速度。基于获取的车辆唯一标识ID和时间序列混乱的货车GPS轨迹数据,对货车GPS轨迹数据中不同的车辆ID分类,并以车辆ID为文件名保存至本地;
步骤1A:本实施例利用Python编程语言,编写清洗(筛选)程序设置货车GPS轨迹数据的筛选条件,用以清除重复、无效、错误的GPS数据。本实施例中,数据预处理规则有:①删除数据属性信息不完整的GPS轨迹数据记录;②若GPS轨迹数据时间属性信息一样,则只保留最后一个记录,其余记录删除;
步骤1B:本实施例利用Python编程语言中的Pandas和Numpy库,通过步骤1A编写的清洗(筛选)程序,对TXT文本文件形式的货车GPS轨迹数据进行数据清洗(筛选);
步骤1C:本实施例利用Python编程语言中的Pandas和Numpy库,将步骤1B清洗好的货车GPS轨迹数据以TXT文本文件形式保存于本地。
步骤2:基于步骤1所清洗后的货车GPS轨迹数据,对货车GPS轨迹数据中不同的车辆ID分类,并通过对各货车GPS轨迹数据的时间进行重新排序,得出各货车时间序列完整的GPS轨迹数据;
步骤2A:本实施例利用Python编程语言中的Pandas和os库,编写功能为读取货车GPS轨迹数据中不同的车辆ID,并对车辆ID相同的轨迹进行分类的程序;
步骤2B:本实施例基于所述步骤2A编写的程序,对货车GPS轨迹数据进行车辆ID分类。
步骤2C:本实施例将所属步骤2B分类出的货车GPS轨迹数据以车辆ID作为文件名保存为本地TXT文本文件。
步骤2D:本实施例利用Python编程语言中的Pandas和os库,编写程序将记录日期不同但车辆ID相同的GPS轨迹数据整合为一个TXT文本文件。
步骤2E:本实施例基于所述步骤2D编写的程序对所述步骤2C分类出的数据进行整合。
步骤2F:本实施例利用Python编程语言的Pandas和os库,编写程序对时间序列混乱的车辆GPS数据进行重新排序;
步骤2G:本实施例基于所述步骤2D编写的程序对所属步骤1筛选出的车辆GPS轨迹数据进行时间排序。
步骤2H:本实施例将所述步骤2E重新排序好的货车GPS轨迹数据以TXT形式保存于本地。
本实施例中,步骤2处理前后的数据示意图如图2所示。其中图2a是处理前的数据示例图,图2b是处理后的数据示例图。可以看出,利用本发明的混乱GPS轨迹数据处理方法后,能够使得车辆ID不唯一且时间序列混乱的GPS轨迹数据更具条理性,可直接用于后续停留点识别方法处理。
步骤3:基于所述步骤2的货车GPS轨迹数据和实际研究需要的停留点时间,对车辆GPS轨迹数据进行停留点标记。
步骤3A:基于GPS轨迹数据中的车辆类型属性,对车辆的通常停留活动进行确定,车辆进行通常停留活动的最短停留时间即为时间阈值T;本实施例中,由于车辆类型全部为危险品运输货车,而危险品运输货车通常停留时的活动为加油、中途休息、交通拥堵或装卸货物,这些活动的最小停留时间即为本实施例确定的时间阈值T,结果为600s;
步骤3B:计算轨迹数据中停留点识别所需的停留点密度阈值ρ;轨迹数据中候选停留点识别所需要的停留点密度阈值ρ计算公式如下:
式中,T表示实际研究中所需的停留点时间阈值;t表示GPS轨迹记录的时间间隔;本实施例中,GPS轨迹记录的间隔时间为30s,最小停留点时间阈值为600s,停留点密度阈值ρ的计算结果为20;
步骤3E:基于所述步骤3B的货车候选停留点和步骤3D的停留点密度阈值,将第1个货车候选停留点作为圆心计算指定半径范围内、记录连续的货车候选停留点个数P,若P>ρ,则将范围内轨迹点作为一个停留点集合SP;
步骤3F:基于所述步骤3B的货车候选停留点、步骤3D的停留点密度阈值,对除所述步骤3E的停留点集合SP外的轨迹点继续进行步骤3E处理,直至遍历完整条轨迹。
本实施例中,步骤3停留点识别处理前后的数据示意图如图3所示。其中图3a是停留点识别前的轨迹点示例图,图3b是停留点识别后的轨迹点数据示例图。可以看出,利用本发明的停留点识别方法,能够有效识别车辆ID和时间序列混乱的GPS轨迹数据的停留点,解决了现有技术对某些车辆ID和时间序列混乱的GPS轨迹数据进行停留点识别时识别能力的不足。
步骤4:基于所述步骤3的货车GPS轨迹停留点数据,对车辆各停留点的停留时间进行计算,并保存为本地TXT文件。
步骤4A:本实施例利用Python编程语言中的pandas、os、dateutil.parser和datetime库编写程序计算步骤3中每个停留点集合SPi的停留时间;
步骤4B:本实施例通过所述步骤4A编写的停留时间计算程序,对每个停留点集合SPi进行停留时间计算;
步骤4C:本实施例基于步骤3的各停留点集合,通过所述步骤4B的各停留点集合停留时间,选取每个停留点集合中最后一个点作为该集合的停留点,并在该停留点的属性中添加停留时间属性;
步骤4D:本实例基于实际研究需要的停留时间限制600s,将停留时间大于600s停留点保留,删除其他数据完成对停留点的筛选。
步骤4E:本实例将所述步骤4D处理好的货车停留点以TXT文本文件形式保存至本地。
本实施例中,步骤4停留时间计算处理后的数据示意图如图4所示。
另一实施例,步骤3是可替代的,步骤3A:本实施例的轨迹数据中,在一共118354624条轨迹数据中存在73258652个速度为0km/h的轨迹点;轨迹数据中候选停留点识别所需要的速度阈值Vset的计算公式如下:
式中,n表示轨迹数据中速度为0km/h的轨迹点个数;G是轨迹数据中速度为0km/h的轨迹点,并且此时的GPS记录时间为T、速度为V;Gt:{Gt|T-5s<t<T+5s}用于表示在轨迹点G向前或向后的5s内取得的轨迹点集,个数为m;轨迹点集Gt中各点的速度为本实施例中,速度阈值Vset计算结果为7.3km/h;
步骤3B:基于所述步骤2的货车GPS轨迹数据和步骤3A的速度阈值,将每个货车行驶轨迹点的瞬时速度v与经步骤3A计算的速度阈值V进行比较,若v<V,则将该点作为货车候选停留点;
步骤3C:基于GPS轨迹数据中的车辆类型属性,对车辆的通常停留活动进行确定,车辆进行通常停留活动的最短停留时间即为时间阈值T;本实施例中,由于车辆类型全部为危险品运输货车,而危险品运输货车通常停留时的活动为加油、中途休息、交通拥堵或装卸货物,这些活动的最小停留时间即为本实施例确定的时间阈值T,结果为600s;
步骤3D:计算轨迹数据中停留点识别所需的停留点密度阈值ρ;轨迹数据中候选停留点识别所需要的停留点密度阈值ρ计算公式如下:
式中,T表示实际研究中所需的停留点时间阈值;t表示GPS轨迹记录的时间间隔;本实施例中,GPS轨迹记录的间隔时间为30s,最小停留点时间阈值为600s,停留点密度阈值ρ的计算结果为20;
步骤3E:基于所述步骤3B的货车候选停留点和步骤3D的停留点密度阈值,将第1个货车候选停留点作为圆心计算指定半径范围内、记录连续的货车候选停留点个数P,若P>ρ,则将范围内轨迹点作为一个停留点集合SP;
步骤3F:基于所述步骤3B的货车候选停留点、步骤3D的停留点密度阈值,对除所述步骤3E的停留点集合SP外的轨迹点继续进行步骤3E处理,直至遍历完整条轨迹。
以上所述仅为本发明的较佳实施例而已,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 (5)
1.一种货车GPS轨迹停留点识别方法,其特征在于:包括以下步骤:
步骤1:基于获取的货车GPS轨迹数据,对货车GPS轨迹数据进行数据清洗,即数据预处理;
步骤2:基于步骤1所清洗后的货车GPS轨迹数据,对货车GPS轨迹数据中不同的车辆ID分类,并通过对各货车GPS轨迹数据的时间进行重新排序,得出各货车时间序列完整的GPS轨迹数据;
步骤3:基于所述步骤2的货车GPS轨迹数据和实际研究需要的停留点时间,对车辆GPS轨迹数据进行停留点标记;
步骤4:基于所述步骤3的车辆GPS轨迹停留点数据,对车辆各停留点的停留时间进行计算后保留停留时间大于实际研究需要的停留点时间的停留点,并保存为本地TXT文本文件。
2.根据权利要求1所述的一种货车GPS轨迹停留点识别方法,其特征在于:所述步骤1具体包括:
步骤1A:编写清洗程序设置货车GPS轨迹数据的筛选条件,用以清除重复、无效的GPS数据;
步骤1B:通过所述步骤1A编写的所述清洗程序,对货车GPS轨迹数据进行清洗;
步骤1C:将所述步骤1B清洗好的货车GPS轨迹数据以Excel形式保存于本地。
3.根据权利要求1-2任一项所述的一种货车GPS轨迹停留点识别方法,其特征在于:所述步骤2具体包括:
步骤2A:基于所述步骤1清洗的GPS轨迹数据,编写程序读取货车GPS轨迹数据中不同的车辆ID,用以对车辆ID相同的轨迹进行分类;
步骤2B:基于所述步骤2A编写的程序,对按日记录的货车GPS轨迹数据进行分类;
步骤2C:将所属步骤2D筛选出的数据以车辆ID作为文件名以TXT文本文件形式保存至本地;
步骤2D:编写程序将记录日期不同但车辆ID相同的GPS轨迹数据整合为一个TXT文本文件;
步骤2E:基于所述步骤2D编写的程序对所述步骤2C分类出的数据进行整合;
步骤2F:编写程序对时间序列混乱的车辆GPS数据进行重新排序;
步骤2G:基于所述步骤2F编写的程序对所属步骤1筛选出的车辆GPS轨迹数据进行时间排序;
步骤2H:将所述步骤2E重新排序好的货车GPS轨迹数据以TXT文本文件形式保存于本地。
4.根据权利要求1-3任一项所述的一种货车GPS轨迹停留点识别方法,其特征在于:所属步骤3具体包括:
步骤3A:基于GPS轨迹数据中的车辆类型属性,对车辆的通常停留活动进行确定,车辆进行通常停留活动的最短停留时间即为实际研究中所需停留点时间阈值;
步骤3B:计算轨迹数据中停留点识别所需的停留点密度阈值ρ;轨迹数据中候选停留点识别所需要的停留点密度阈值ρ计算公式如下:
式中,T表示实际研究中所需的停留点时间阈值;t表示GPS轨迹记录的时间间隔;
步骤3C:基于所述步骤2的GPS轨迹数据和步骤3B的停留点密度阈值,将第1个GPS轨迹点作为圆心计算指定半径范围内、记录连续的货车候选停留点个数P,若P>ρ,则将范围内轨迹点作为一个停留点集合SP;
步骤3D:基于所述步骤2的GPS轨迹数据、步骤3B的停留点密度阈值,对除所述步骤3C的停留点集合SP外的轨迹点继续进行步骤3C处理。
5.根据权利要求1所述的一种货车GPS轨迹停留点识别方法,其特征在于:所属步骤4具体包括:
步骤4A:编写程序计算步骤3中每个停留点集合SPi的停留时间;
步骤4B:通过所述步骤4A编写的所述停留时间计算程序,对每个停留点集合SPi进行停留时间计算;
步骤4C:基于步骤3的各停留点集合和所述步骤4B的各停留点集合停留时间,选取每个停留点集合中最后一个点作为该集合的停留点,并在该停留点的属性中添加停留时间属性;
步骤4D:基于实际研究需要的停留时间限制,将停留时间大于此停留时间限制的停留点保留,其他数据删除完成对停留点的筛选;
步骤4E:将所述步骤4D处理好的货车停留点以TXT文本文件形式保存至本地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234719.1A CN112905578B (zh) | 2021-03-03 | 2021-03-03 | 一种货车gps轨迹停留点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234719.1A CN112905578B (zh) | 2021-03-03 | 2021-03-03 | 一种货车gps轨迹停留点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905578A true CN112905578A (zh) | 2021-06-04 |
CN112905578B CN112905578B (zh) | 2022-07-26 |
Family
ID=76107566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110234719.1A Active CN112905578B (zh) | 2021-03-03 | 2021-03-03 | 一种货车gps轨迹停留点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905578B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470079A (zh) * | 2021-07-15 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种落脚区域的输出方法、装置及电子设备 |
CN113538072A (zh) * | 2021-09-16 | 2021-10-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货运车辆的出行链智能识别方法、装置及电子设备 |
CN114582007A (zh) * | 2022-05-06 | 2022-06-03 | 深圳前海中电慧安科技有限公司 | 停留信息检测方法、装置、设备及存储介质 |
CN116168546A (zh) * | 2023-02-20 | 2023-05-26 | 烽火通信科技股份有限公司 | 车辆标识信息归属判定方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019001044A1 (zh) * | 2017-06-29 | 2019-01-03 | 山东省交通规划设计院 | 基于手机数据的车辆类型识别方法和设备 |
CN111046049A (zh) * | 2019-12-20 | 2020-04-21 | 西南交通大学 | 一种货车gps轨迹数据压缩方法 |
US20200158515A1 (en) * | 2018-11-20 | 2020-05-21 | Here Global B.V. | Method, apparatus, and system for categorizing a stay point based on probe data |
CN111538050A (zh) * | 2020-04-17 | 2020-08-14 | 拉货宝网络科技有限责任公司 | 一种基于速度推算策略的gps轨迹纠偏方法 |
CN112382083A (zh) * | 2020-10-13 | 2021-02-19 | 厦门市交通研究中心 | 一种基于gps数据的货运交通od分析方法、装置及设备 |
-
2021
- 2021-03-03 CN CN202110234719.1A patent/CN112905578B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019001044A1 (zh) * | 2017-06-29 | 2019-01-03 | 山东省交通规划设计院 | 基于手机数据的车辆类型识别方法和设备 |
US20200158515A1 (en) * | 2018-11-20 | 2020-05-21 | Here Global B.V. | Method, apparatus, and system for categorizing a stay point based on probe data |
CN111046049A (zh) * | 2019-12-20 | 2020-04-21 | 西南交通大学 | 一种货车gps轨迹数据压缩方法 |
CN111538050A (zh) * | 2020-04-17 | 2020-08-14 | 拉货宝网络科技有限责任公司 | 一种基于速度推算策略的gps轨迹纠偏方法 |
CN112382083A (zh) * | 2020-10-13 | 2021-02-19 | 厦门市交通研究中心 | 一种基于gps数据的货运交通od分析方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
SIJING LIU等: "A novel compression approach for truck GPS trajectory data", 《THE INSTITUTION OF ENGINEERING AND TECHNOLOGY》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470079A (zh) * | 2021-07-15 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种落脚区域的输出方法、装置及电子设备 |
CN113538072A (zh) * | 2021-09-16 | 2021-10-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货运车辆的出行链智能识别方法、装置及电子设备 |
CN114582007A (zh) * | 2022-05-06 | 2022-06-03 | 深圳前海中电慧安科技有限公司 | 停留信息检测方法、装置、设备及存储介质 |
CN116168546A (zh) * | 2023-02-20 | 2023-05-26 | 烽火通信科技股份有限公司 | 车辆标识信息归属判定方法、装置、设备及可读存储介质 |
CN116168546B (zh) * | 2023-02-20 | 2024-05-31 | 烽火通信科技股份有限公司 | 车辆标识信息归属判定方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112905578B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905578B (zh) | 一种货车gps轨迹停留点识别方法 | |
CN111046049B (zh) | 一种货车gps轨迹数据压缩方法 | |
CN111340427B (zh) | 一种基于轨迹数据的货车运行状态识别方法 | |
US8510042B2 (en) | Navigation device and data update system | |
US8554473B2 (en) | Energy efficient routing using an impedance factor | |
CN110377682B (zh) | 轨迹类型确定方法、装置、计算设备和存储介质 | |
CN109764881B (zh) | 无人驾驶汽车测试方法、装置、电子设备及介质 | |
CN107330469B (zh) | 一种基于gps轨迹数据的出行方式识别方法 | |
CN105740904A (zh) | 一种基于dbscan聚类算法的出行与活动模式识别方法 | |
CN110471999B (zh) | 轨迹处理方法、装置、设备和介质 | |
CN110275911B (zh) | 基于频繁序列模式的私家车出行热点路径挖掘方法 | |
CN111522892A (zh) | 地理要素的检索方法及装置 | |
CN105677878B (zh) | 一种基于bi系统的车辆信息多维展示的方法及系统 | |
CN111782741A (zh) | 兴趣点挖掘方法、装置、电子设备及存储介质 | |
CN112885099A (zh) | 用于确定车辆轨迹关键点的方法、装置及设备 | |
CN115310278B (zh) | 一种大规模路网在线微观交通的仿真方法及其验证方法 | |
Wemegah et al. | Big data challenges in transportation: A case study of traffic volume count from massive Radio Frequency Identification (RFID) data | |
CN115062713A (zh) | 一种基于gcn-gru的露天矿卡车停留区域活动识别方法 | |
CN116610989B (zh) | 一种基于跟团游轨迹数据的旅游团类型识别方法 | |
CN113888867A (zh) | 一种基于lstm位置预测的车位推荐方法及系统 | |
CN107247716B (zh) | 一种增加电子眼信息的方法及装置、导航芯片及服务器 | |
Zhou et al. | Identifying trip ends from raw GPS data with a hybrid spatio-temporal clustering algorithm and random forest model: a case study in Shanghai | |
CN110097074B (zh) | 一种基于序列相似度的车辆轨迹压缩方法 | |
Jin et al. | Travel-mode classification based on GPS-trajectory data and geographic information using an XGBoost classifier | |
CN107818131A (zh) | 一种使用二进制字符串来比较行程路径的方法 |
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 |