CN112949912A - 一种基于图数据库的车辆路线预测方法 - Google Patents
一种基于图数据库的车辆路线预测方法 Download PDFInfo
- Publication number
- CN112949912A CN112949912A CN202110170826.2A CN202110170826A CN112949912A CN 112949912 A CN112949912 A CN 112949912A CN 202110170826 A CN202110170826 A CN 202110170826A CN 112949912 A CN112949912 A CN 112949912A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- nodes
- road network
- node
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/23—Updating
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于图数据库的车辆路线预测方法,所述的方法能实现对非固定线路车辆的行驶轨迹进行准确的预测,而无论是在政务事件中,还是商业业务上预测车辆行驶路径都是一项非常重要的方法,准确快速的预测汽车行驶线路有着非常宽广的商业前景,以及在政务系统中也有潜力巨大的应用。
Description
技术领域
本发明属于交通运输技术领域,尤其涉及一种基于图数据库的车辆路线预测方法,上述预测方法能解决现有技术中无法实现对车辆的行驶轨迹进行有效预测的问题。
背景技术
当今社会,无论是在政务事件中,还是商业业务上预测车辆行驶路径都是一项非常重要的算法,准确快速的预测汽车行驶线路有着非常宽广的商业前景,以及在政务系统中也有潜力巨大的应用;
而由于每辆车辆行驶不确定性,当今学界对车辆形式轨迹预测并无深入研究成果,且较多集中于研究行驶时间等相关领域,比如中国专利申请CN201510561297.3,其公开了一种多线路公交到站时间预测方法,预测方法包括:给出任一条公交线路的公交车在设定位置的到达时间,预测公交车在所述设定位置和待预测公交站点间的运行时间,从而得出多线路公交车在待预测公交站点的到达时间;把运行时间作为预测运行时间的输入变量,用函数表示目标公交车在设定位置和待预测公交站点之间的运行时间;使用支持向量机来预测公交到站时间;申请人经过检索,发现现有技术中大部分的车辆线路预测均是针对如公交车、火车等线路固定的车辆进行的行驶时间和到站时间进行的预测,并未出现针对非固定线路车辆的行驶轨迹的预测的文献;
而中国专利申请 CN201510999557.5,其公开了一种基于大数据技术的交通信息提取和查询方法,采用所有在线车辆上传的数据建立并动态更新数据字典;并可进行路网交通状况历史变化查询、路网交通状况实时变化查询和在线车辆交通习惯查询;所述数据字典包括车辆数据字典、路段数据字典和路径数据字典;所述在线车辆是指注册入网并自动上传定位和速度数据的车辆,显然,虽然其也涉及对车辆用户进行轨迹跟踪以及路网实时交通状态滚动计算和动态显示,但是其采用的是设置在车辆上的定位系统进行的信息反馈和跟踪,其也完全不涉及对非固定线路车辆的行驶轨迹的预测,即,在无法从车辆的定位系统上获取定位信息的情况下,如何仅通过外部的监控设备,比如路口的摄像头获取车辆信息的基础上,如何通过历史的行驶轨迹来预测非固定线路车辆的预测行驶轨迹。
发明内容
本发明为了提供一种能较准确地对车辆路线进行预测的方法,而构思采用基于图数据库的车辆路线预测方法,图数据库(neo4j)是一种应用较为广泛的数据库类型,其基本构成为节点关系,每个节点,每条关系都包含相关数据,在解决路径预测问题时对于路网的构建相当关键,因为路网既是算法的坐标系以及展示结果的途径,也是将具体问题抽象化的重要一步.因此基于图数据库以及历史行车数据构建路网是本方法的第一步,同时图数据库的速度为一般关系行数据库的几倍,有利于算法实时性。
为实现上述车辆线路的预测方法,本发明采用如下的技术方案:
一种基于图数据库的车辆路线预测方法,包含以下步骤:
1)构建路网节点,所述的路网节点以图数据库 neo4j 作为构建工具,以市政交通摄像头信息为数据,构建虚拟路网,其中的摄像头信息包含摄像头位置、通过车辆类型、时间、车牌号;构建路网节点的具体过程如下:首先清洗数据,将摄像头信息中的数据归整为mysql 数据表,其中经纬度为摄像头位置,时间为拍到车辆具体时间,采集到数据后首先筛选出所有不重复的的摄像头位置,而后根据设定路网精度,依照已有经纬度信息合并一定距离内的节点,最终合并完成后形成市政路网结构,并将数据中相关摄像头经纬度修改为已转化相应节点的经纬度,并将多个节点及其经纬度信息输入图数据库;
2)构建节点关系:经过步骤 1)得到了市政路网结构中的抽象基础节点,步骤 2)的目的是将实际的路径抽象为节点间的连线,具体过程如下:筛选数据中的车辆类型,依照同一车牌号两次被拍到时间差为 m 分钟以内为过滤条件,以卡车为例,时间差为 30 分钟,筛选出不同车牌单次行驶线路,过滤掉单次线路长度过短的行驶线路,并去掉线路中重复节点后组成线路集,对线路集进行逐条遍历从而创建图数据库中的相应关系,已有则相应关系中权重加一,直至遍历完所有线路;
3)路径预测:当有新的车辆被摄像头拍到时,存储车牌号信息以及实时位置信息存入 mysql 数据表中待用,上述 mysql 数据表中的数据为此车辆的历史路径,每隔一定时间更新数据保持历史路径,删除陈旧数据,具体时间依照实际应用为准,一般为 15 到45 分钟,当要查询某车牌车辆预测路径时提取 mysql 数据表中此车辆历史经过路径,将最近的车辆实时点依照摄像头和节点对应关系找到路网中对应的点,结合市政路网结构以及历史经过路径数据,并以下一个节点不能是历史经过路径中已存在节点为原则,筛选出节点相邻节点中权重最大的一个节点作为预测的下一个节点同时,将该节点加入历史经过路径数据,依次选择直到满足长度要求,一般 15 个左右节点;
4)不断更新路网数据,根据大量数数量优势,将由于数据收集过程中引起的误差和正确数据比例减少;
5)针对单个路网结构,人工对比真实路网删除由于数据收集错误引起的不应存在的线路关系,并加入黑名单,后续更新数据的过程中屏蔽其关系;
6)运用聚类方法,将不同车辆依照节点为属性分成多种类型,即不同行为模式车辆种类,分别构建相应路网,预测时依照车辆所属运用相应路网预测轨迹。
本发明与现有技术相比具有以下优点:本发明能实现对非固定线路车辆的行驶轨迹进行准确的预测,而无论是在政务事件中,还是商业业务上预测车辆行驶路径都是一项非常重要的方法,准确快速的预测汽车行驶线路有着非常宽广的商业前景,以及在政务系统中也有潜力巨大的应用;本发明集中解决车辆线路预测问题,已在具体场景下应用,辅助使用人员随时掌握重点车辆预测线路,做到提前堵截,先人一步;而且本发明中的预测方法采用图数据库作为数据类型,而图数据库具备可以很自然的表达现实世界中的实体及其关联关系(对应图的顶点及边);灵活的数据模型可以适应不断变化的业务需求;灵活的图查询语言,轻松实现复杂关系网络的分析;而现有技术中常用的关系型数据库在遍历关系网络并抽取信息的能力非常弱,图数据库则为此而生;关系型数据库在数据规模庞大时很难做多层关联关系分析(Join操作往往消耗过长时间而失败),图数据库则天然把关联数据连接在一起,无需耗时耗内存的Join操作,可以保持常数级时间复杂度;基于图数据库的上述优势,结合本发明中的预测对象为路网结构,而路网结构具有天然的自带关系,因此,本发明中选择图数据库相对于现有技术中常用的关系型数据库来讲,具备更加合理和准确的预测精度。
附图说明
图1为本发明中的图数据库示例;
图2为本发明中的数据样例示意图;
图3为本发明中的典型误差关系示意图;
图4为本发明中的典型预测效果图;
具体实施方式
下面结合图1-4与具体实施方式对本发明做进一步的说明。
本预测方法基于图数据库neo4j,而图数据库是一种最近应用较为广泛的数据库类型,其基本构成为节点关系,图数据库(Graph Database)是一种以图结构进行存储和查询的数据库。图数据库的关键概念是点(代表实体)和边(代表关系),通过边将顶点连接在一起,从而进行快速的图检索操作;
如图1所示,每个节点,每条关系都包含相关数据,其中的箭头表示的是节点之间的计算权重,在解决路径预测问题时对于路网的构建相当关键,因为路网既是算法的坐标系以及展示结果的途径,也是将具体问题抽象化的重要一步;因此基于图数据库neo4j以及历史行车数据构建路网是本预测方法的第一步,同时图数据库neo4j的速度为一般关系行数据库的几倍,有利于算法实时性。其具体的计算步骤包括如下:
第一步:构建路网节点,本发明中的基于图数据库neo4j为工具,以Z市交通摄像头信息(包含摄像头位置、通过车辆类型、时间、车牌号)为数据,构建虚拟路网,具体过程如下:首先清洗数据,将数据归整为如图2所示形式,其中经纬度为摄像头位置,时间为拍到车辆具体时间;拿到数据后首先筛选出所有不重复的的摄像头位置,以z市为例数据中共有2092个不同位置的摄像头位置,根据设定路网精度(影响后续前端展示效果),依照已有经纬度信息合并一定距离内节点(往往路口有多个摄像头,路网中构建时视为一个),最终合并后z市路网结构中节点(摄像头)数目为1094个。以此我们在图数据库中创建1094个节点,节点中包含经纬度信息(当多个摄像头构成一个节点的时候,首先选择在路口的经纬度为此经纬度,当无路口摄像头时选择经纬度平均值),并将数据中相关摄像头经纬度修改为已转化相应节点的经纬度,并将1094个节点及其经纬度信息输入图数据库。
第二步,构建节点关系,经过第一步后我们有了路网的抽象基础节点,此步骤将路径抽象为节点间的连线,然而并不是节点之间互相均可直接到达,因此我们要根据经过第一步处理的数据确定节点与节点间到达关系,具体过程如下:以预测卡车轨迹为例,筛选数据中的卡车数据(车辆类型),依照同一车牌号两次被拍到时间差为30分钟以内为过滤条件(防止车辆在不同次线路合并为一次行驶线路)筛选出不同车牌单次行驶线路,过滤掉单次线路长度过短(例如一次线路只经过少于三个节点),去掉线路中重复节点(停车过程中连续被拍到)后组成线路集,对线路集进行逐条遍历,例如一条线路为[1,3,5,2](数字为节点代号),则将关系1→3,3→5,5→2,创建图数据库中的相应关系,已有则关系中权重加一,直至遍历完所有线路,预测模型基于的图数据库完成构建。
第三步,算法预测,当有新的车辆被拍到时,存储车牌号信息以及实时位置信息存入mysql数据表中待用为此车辆历史路径,每隔一定时间更新数据保持历史路径,删除陈旧数据(具体时间依照实际应用为准,一般为15到45分钟)当要查询某车牌车辆预测路径时提取mysql表中此车辆历史经过路径,将最近的车辆实时点依照摄像头和节点对应关系找到路网中对应的点,结合路网结构以及历史经过路径数据,本着不走回头路的原则(下一个节点不能是历史经过路径中已存在节点)筛选出节点相邻节点中权重最大的一个节点作为预测的下一个节点同时,将该节点加入历史经过路径数据,依次选择直到满足长度要求(一般15个左右节点)。
第四步,算法提高,此算法虽然能较为准确的预测线路路径,但是,过于依赖数据准确性,对车辆不服从“从众”行为时感知能力较差,因此作为补充算法后期在三个方面优化此问题,第一,后期不断更新路网数据,根据大量数数量优势,将由于数据收集过程中引起的误差和正确数据比例减少;第二,针对单个路网结构,需要人工对比真实路网删除由于数据收集错误引起的不应存在的关系(例如图3中的1→10关系),并加入黑名单后续更新数据的过程中屏蔽次关系;第三,运用聚类方法,将不同车辆依照节点为属性分成多种类型,即不同行为模式车辆种类,分别构建相应路网,预测时依照车辆所属运用相应路网预测轨迹。
具体案例:假设路网结构如图1所示,系统中传入新的车辆及对应位置拍到的摄像头编号,依照摄像头编号找到在路网中所属节点(一个节点可能对应多个或一个摄像头(细节见第一步)),本例中假设为8290号节点,此时提取其历史路径例如(4403,8290),以及8290可到达节点(4403,4584),本着不走回头路原则将可到达节点中存在于历史路径中的节点删除,在剩余节点(4584)中选择权重较大的按顺序加入预测路径,并将预测节点(4584)视为新的输入节点重复此过程直至无可到达节点或已预测规定数量节点为止,最终效果如图4所示,在实际使用过程中使用人员通过使用此算法方案,能够有效预测可疑车辆行驶路径,方便相关任务进行。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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,均应包含在本发明型的保护范围之内。
综上所述仅体现了本发明的优选技术方案,本领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,都应为本发明的技术范畴。
Claims (8)
1.一种基于图数据库的车辆路线预测方法,其特征在于,所述预测方法包含以下步骤:
1)构建路网节点:所述的路网节点以图数据库neo4j作为构建工具,以市政交通摄像头信息为数据,构建虚拟路网,其中的摄像头信息包含摄像头位置、通过车辆类型、时间、车牌号;
构建路网节点的具体过程如下:首先清洗数据,将摄像头信息中的数据归整为mysql数据表,其中经纬度为摄像头位置,时间为拍到车辆的具体时间,采集到数据后首先筛选出所有不重复的的摄像头位置,而后根据设定路网精度,依照已有经纬度信息合并一定距离内的节点,最终合并完成后形成市政路网结构,并将数据中相关摄像头经纬度修改为已转化相应节点的经纬度,并将多个节点及其经纬度信息输入图数据库;
2)构建节点关系:经过步骤1)得到了市政路网结构中的抽象基础节点,步骤2)的目的是将实际的路径抽象为节点间的连线;
构建节点关系的具体过程如下:筛选数据中的车辆类型,依照同一车牌号两次被拍到时间差为m分钟以内为过滤条件,筛选出不同车牌单次行驶线路,过滤掉单次线路长度过短的行驶线路,并去掉线路中重复节点后组成线路集,对线路集进行逐条遍历从而创建图数据库中的相应关系,对于已有的线路则相应关系中权重加一,直至遍历完所有线路;
3)路径预测:当有新的车辆被摄像头拍到时,存储车牌号信息以及实时位置信息存入mysql数据表中待用,上述mysql数据表中的数据为此车辆的历史路径,每隔一定时间更新数据保持历史路径,删除陈旧数据,具体时间依照实际应用为准,一般为15到45分钟,当要查询某车牌车辆预测路径时提取mysql数据表中此车辆历史经过路径,将最近的车辆实时点依照摄像头和节点对应关系找到路网中对应的点,结合市政路网结构以及历史经过路径数据,并以下一个节点不能是历史经过路径中已存在节点为原则,筛选出节点相邻节点中权重最大的一个节点作为预测的下一个节点,同时,将该节点加入历史经过路径数据,依次选择直到满足长度要求,节点数量一般为15个左右。
2.根据权利要求1中所述的一种基于图数据库的车辆路线预测方法,其特征在于,其中,步骤1)中的节点中包含经纬度信息,当多个摄像头构成一个节点的时候,首先选择在路口的经纬度为此经纬度,当无路口摄像头时选择经纬度平均值。
3.根据权利要求1中所述的一种基于图数据库的车辆路线预测方法,其特征在于,其中,步骤2)中的过滤掉单次线路长度过短的线路,所述的长度过短的线路为一次线路经过少于三个节点的线路。
4.根据权利要求1中所述的一种基于图数据库的车辆路线预测方法,其特征在于,其中,步骤2)中的车辆类型为卡车,时间差m为30分钟。
5.根据权利要求1中所述的一种基于图数据库的车辆路线预测方法,其特征在于,其中,步骤3)中的删除陈旧数据,其中的陈旧数据为时间间隔为15到45分钟前的数据。
6.根据权利要求1中所述的一种基于图数据库的车辆路线预测方法,其特征在于,其中,还包括:不断更新路网数据,根据大量数数量优势,将由于数据收集过程中引起的误差和正确数据比例减少。
7.根据权利要求1中所述的一种基于图数据库的车辆路线预测方法,其特征在于,其中,还包括:针对单个路网结构,人工对比真实路网,删除由于数据收集错误引起的不应存在的线路关系,并加入黑名单,后续更新数据的过程中屏蔽其关系。
8.根据权利要求1中所述的一种基于图数据库的车辆路线预测方法,其特征在于,其中,还包括:运用聚类方法,将不同车辆依照节点为属性分成多种类型,即不同行为模式车辆种类,分别构建相应路网,预测时依照车辆所属运用相应路网预测轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170826.2A CN112949912B (zh) | 2021-02-08 | 2021-02-08 | 一种基于图数据库的车辆路线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170826.2A CN112949912B (zh) | 2021-02-08 | 2021-02-08 | 一种基于图数据库的车辆路线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949912A true CN112949912A (zh) | 2021-06-11 |
CN112949912B CN112949912B (zh) | 2022-07-12 |
Family
ID=76243439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110170826.2A Active CN112949912B (zh) | 2021-02-08 | 2021-02-08 | 一种基于图数据库的车辆路线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949912B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318327A (zh) * | 2014-10-17 | 2015-01-28 | 北京邮电大学 | 一种车辆轨迹预测分析方法 |
CN108364461A (zh) * | 2018-01-05 | 2018-08-03 | 武汉中科通达高新技术股份有限公司 | 一种车辆行驶轨迹预测方法 |
CN109657879A (zh) * | 2019-01-07 | 2019-04-19 | 平安科技(深圳)有限公司 | 预测路线获取方法、装置、计算机设备及存储介质 |
CN110176142A (zh) * | 2019-05-17 | 2019-08-27 | 佳都新太科技股份有限公司 | 车辆轨迹预测模型建立及预测方法 |
CN110969852A (zh) * | 2019-12-09 | 2020-04-07 | 上海宝康电子控制工程有限公司 | 基于布控车辆行驶路径实现公安实时预测及缉查布控处理的方法 |
CN111009126A (zh) * | 2019-12-23 | 2020-04-14 | 重庆紫光华山智安科技有限公司 | 基于卡口抓拍数据的车辆行驶轨迹预测方法、系统及设备 |
US20200217676A1 (en) * | 2019-01-05 | 2020-07-09 | Kalyanaraman B | Percentage based route prediction software core for triple mode triple criterion travel combinations |
-
2021
- 2021-02-08 CN CN202110170826.2A patent/CN112949912B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318327A (zh) * | 2014-10-17 | 2015-01-28 | 北京邮电大学 | 一种车辆轨迹预测分析方法 |
CN108364461A (zh) * | 2018-01-05 | 2018-08-03 | 武汉中科通达高新技术股份有限公司 | 一种车辆行驶轨迹预测方法 |
US20200217676A1 (en) * | 2019-01-05 | 2020-07-09 | Kalyanaraman B | Percentage based route prediction software core for triple mode triple criterion travel combinations |
CN109657879A (zh) * | 2019-01-07 | 2019-04-19 | 平安科技(深圳)有限公司 | 预测路线获取方法、装置、计算机设备及存储介质 |
CN110176142A (zh) * | 2019-05-17 | 2019-08-27 | 佳都新太科技股份有限公司 | 车辆轨迹预测模型建立及预测方法 |
CN110969852A (zh) * | 2019-12-09 | 2020-04-07 | 上海宝康电子控制工程有限公司 | 基于布控车辆行驶路径实现公安实时预测及缉查布控处理的方法 |
CN111009126A (zh) * | 2019-12-23 | 2020-04-14 | 重庆紫光华山智安科技有限公司 | 基于卡口抓拍数据的车辆行驶轨迹预测方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112949912B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629978B (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
George et al. | Time-aggregated graphs for modeling spatio-temporal networks | |
US11305780B2 (en) | Road condition status prediction method, device, and server, and storage medium | |
KR100982622B1 (ko) | 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN112927513B (zh) | 一种实时在线交通仿真方法及系统 | |
WO2023040539A1 (zh) | 车流迁徙情况的展示方法、装置、设备、介质及产品 | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN115409256B (zh) | 基于行程时间预测的拥堵区避让的路径推荐方法 | |
CN107917716A (zh) | 固定线路导航方法、装置、终端及计算机可读存储介质 | |
Zhu et al. | Calibrating travel time thresholds with cluster analysis and AFC data for passenger reasonable route generation on an urban rail transit network | |
CN114676917A (zh) | 一种空驶出租汽车空间分布评估方法及系统 | |
KR20210075680A (ko) | 위치 기반 경로 데이터베이스의 관리 방법 및 이를 수행하는 서버 | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
CN112052405B (zh) | 一种基于司机经验的寻客区域推荐方法 | |
CN113535871A (zh) | 基于出行图谱的车辆目的地预测方法、装置、设备及介质 | |
CN112949912B (zh) | 一种基于图数据库的车辆路线预测方法 | |
Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
CN111177294B (zh) | 基于车辆轨迹数据求解交叉口中介中心性的方法 | |
Jafarlou et al. | Improving Fuzzy-logic based map-matching method with trajectory stay-point detection | |
CN115878877A (zh) | 基于概念漂移的航空服务器访问爬虫的可视检测方法 | |
Zhang et al. | Finding Paths With Least Expected Time in Stochastic Time-Varying Networks Considering Uncertainty of Prediction Information | |
Subowo et al. | Ant Colony Algorithm for Determining Dynamic Travel Routes Based on Traffic Information from Twitter |
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 |