CN113379334B - 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 - Google Patents
基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 Download PDFInfo
- Publication number
- CN113379334B CN113379334B CN202110922120.7A CN202110922120A CN113379334B CN 113379334 B CN113379334 B CN 113379334B CN 202110922120 A CN202110922120 A CN 202110922120A CN 113379334 B CN113379334 B CN 113379334B
- Authority
- CN
- China
- Prior art keywords
- road section
- riding quality
- factor
- road
- track
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012216 screening Methods 0.000 claims abstract description 25
- 239000000126 substance Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法、系统、电子设备及计算机可读存储介质,其中方法包括步骤:利用骑行轨迹微观数据,构建骑行质量因子,提取各路段骑行质量因子数据;运用多因素相对差异性综合排序方法,利用骑行质量因子数据对路网内骑行质量进行筛选;对筛选形成的后排序路段集合,运用基于多维度特征距离的近邻检索方法,计算各个路段骑行质量与其它路段间的近邻特征距离;对各路段骑行质量近邻特征距离进行异常值检验,从群体中鉴别出骑行质量存在显著问题的路段作为整改对象。本发明的方案便于交通管理部门针对骑行质量明显较差的问题路段进行分析和整改,实现路网骑行服务质量的整体提升。
Description
技术领域
本发明涉及一种路段自行车骑行质量鉴别技术,尤其是一种利用带有较大噪声的共享单车微观骑行轨迹数据实现路段骑行质量分析与问题路段识别方法。
背景技术
为发展绿色交通,各级政府与交通部门将改善道路骑行设施与条件作为重要举措,这必然要求准确地对路网中各条路段骑行质量进行分析,筛选出最需要改善的道路并进行有针对性的整改,提高路网整体的骑行质量具有重要意义。目前既有的骑行质量分析评价主要采用体验式调查分析或者骑行质量影响因素模型构建的方法,存在调研费用高、数据不全面、主观性大问题。而共享单车迅速发展与运营产生了大量骑行轨迹数据,为骑行质量分析评价提供了新的研究方法和手段,有必要探索基于微观骑行轨迹数据的骑行质量分析与评价方法。
我国基于共享单车骑行轨迹数据的应用研究开始较晚,有限的少数研究还主要用于骑行运动指导、骑行路径规划、骑行资源布局等较宏观层面,还未形成基于微观骑行数据的成熟应用与方法体系。其它等交通主体,如汽车车辆等利用微观运行轨迹数据的研究一般需要以明确的车辆动力学模型与噪声参数为基础。但自行车骑行运动具有更大的随机性,轨迹数据则受到骑行行为、用户手机的非专业型GPS定位偏差及外界多种干扰因素的叠加影响,具有更复杂、更大的数据噪声且噪声特性往往不明确,这种情况下,用于汽车车辆的轨迹数据分析评价不适用,需要根据骑行特性及轨迹数据的特点研究适宜的骑行质量分析方法。另外,一般的交通出行质量分析建立在固有的评价标准基础上,但对于自行车微观骑行质量尚未形成评价标准。
发明内容
本发明的目的在于利用实际的共享单车骑行轨迹微观数据,分析路段骑行质量并快速识别路网中骑行质量显著低劣的路段,以便交通管理部门进行有针对性的整改,提供一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法、系统、电子设备及计算机可读存储介质。
为实现上述目的,本发明提供一种针对有噪声且参数不明的自行车轨迹数据的路网匹配方法,包括:
步骤1:对自行车数据进行采集,提取出各个路段骑行轨迹,构建基于骑行轨迹微观数据的路段骑行质量因子,得到各个路段骑行质量因子指标值;
步骤2:根据所述骑行质量因子指标值,得到骑行质量指数,筛选后进路段并进行汇总;
步骤3:根据所述后进路段的汇总,对比各个路段之间的骑行质量的特征距离,得到骑行质量劣度指数;
步骤4:对所述骑行质量劣度指数进行筛选,得到骑行质量差的路段。
根据本发明的一个方面,所述路段骑行质量因子为:
根据共享单车平台数据信息,对用户数据进行采集,得到骑行轨迹微观数据,通过所述骑行轨迹微观数据得到所述路段骑行质量因子向量,所述路段骑行质量因子向量,由速度因子、速度平稳因子、轨迹偏离因子和轨迹混乱因子四部分组成,其中表示第j条路段。
i表示第i个轨迹点;
e表示轨迹段编号;
设定轨迹段横向最大范围L,将横向范围等分为H个间隔,其中设定落在第h个间隔内轨迹的数量为hn,轨迹混乱因子用下述公式进行计算:
根据本发明的一个方面,通过多因素相对差异性综合排序方法,得到骑行质量指数:
根据路段骑行质量因子数值,评价路段骑行质量,构建如下原始数据集:
将原始数据集中数值进行同趋势化,得到初始数据集,用下述公式进行计算:
根据加权规范数据集,确定最优路段指标与最差路段指标,得到正理想解和负理想解,用下述公式进行计算:
根据各个路段与最优路段和最差路段之间的距离,得到与正理想解和负理想解的相对差异程度,用下述公式进行计算:
其中,为各个路段的骑行质量指数,数值越大表示路段中骑行质量越优,通过对骑行质量数值进行排序整理,得到各个路段数值中位指标,筛选小于中位指标的路段作为相对较差的后进路段,将后进路段进行汇总并设为集合LC。
根据本发明的一个方面,通过多维度特征距离的近邻检索方法,得到骑行质量劣度指数为:
根据任意两个后进路段集合LC不同骑行质量因子的差值,得到骑行质量特征距离,用下述公式进行计算:
对所述后进路段集合LC中的每一条路段所述骑行质量因子指标构建样本空间集合,提取样本,在样本空间中遍历计算样本到其他样本骑行质量特征距离,设置近邻距离参数为K,设置与样本距离最近的K个路段样本集合为近邻样本集合,得到样本与近邻样本集合中所有样本的特征距离均值,设置特征距离均值为路段骑行质量劣度指数。
根据本发明的一个方面,运用基于统计分布的离群数据检验方法,鉴别出骑行质量差的路段步骤为:
为实现上述目的,本发明提供一种基于有噪声轨迹数据的路段自行车骑行质量鉴别系统,包括:
数据提取模块,对自行车数据进行采集,提取出各个路段骑行轨迹,构建基于骑行轨迹微观数据的路段骑行质量因子,得到各个路段骑行质量因子指标值;
骑行质量计算模块,根据骑行质量因子指标值,得到骑行质量指数,筛选后进路段并进行汇总;
路段质量对比模块,路段质量对比模块根据后进路段的汇总,对比各个路段之间的骑行质量的特征距离,得到骑行质量劣度指数;
路段筛选模块,对骑行质量劣度指数进行筛选,得到骑行质量差的路段。
为实现上述目的,本发明提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述针对基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
为实现上述目的,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述针对基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
基于此,本发明的有益效果在于:
1、利用了共享单车运营平台积累的带轨迹点定位坐标的微观骑行数据进行路段骑行质量分析与鉴别,考虑了共享单车实际轨迹数据具有较大噪声且参数不明确的现实条件,对微观骑行轨迹数据噪声具有较大容忍度,可充分利用并挖掘共享经济背景下的大数据对交通的应用价值。
2、利用多维度特征距离与离群检验的方法进行骑行质量鉴别,突破对确定性评价标准的依赖,能够从实际效果出发快速识别需要整改的路段,满足交通管理实用要求。
3、提出了基于相对差异性综合排序、多维度特征距离与离群检验的路段骑行质量鉴别方法,模型简洁,求解方便,便于实施。
附图说明
图1示意性表示根据本发明的基于有噪声轨迹数据的路段自行车骑行质量鉴别方法的流程图;
图2示意性表示北京市西城区某地铁站周边道路及交叉口图;
图3示意性表示北京市西城区某地铁站周边道路及交叉口骑行质量存在显著问题的路段图;
图4示意性表示根据本发明的针对基于有噪声轨迹数据的路段自行车骑行质量鉴别系统图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容,应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”,术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的针对有噪声轨迹数据的路段自行车骑行质量鉴别方法的流程图,如图1所示,根据本发明的针对有噪声轨迹数据的路段自行车骑行质量鉴别方法,包括以下步骤:
101:对自行车数据进行采集,提取出各个路段骑行轨迹,构建基于骑行轨迹微观数据的路段骑行质量因子,得到各个路段骑行质量因子指标值;
102:根据骑行质量因子指标值,得到骑行质量指数,筛选后进路段并进行汇总;
103:根据后进路段的汇总,对比各个路段之间的骑行质量的特征距离,得到骑行质量劣度指数;
104:对骑行质量劣度指数进行筛选,得到骑行质量差的路段。
本发明提供的上述针对基于有噪声轨迹数据的路段自行车骑行质
量鉴别方法,分析路段骑行质量并快速识别路网中骑行质量显著低劣的路段,以便交通管理部门进行有针对性的整改。
根据本发明的一个实施方式,对于待分析的路网区域,面向骑行顺畅目标,构建基于骑行轨迹微观数据的路段骑行质量因子,并提取出各路段的自行车骑行轨迹,计算各个路段骑行质量因子指标值,骑行轨迹微观数据是共享单车用户在用车过程中,共享单车运营平台以用户单次用车为记录单位,对用户实时位置坐标进行采样得到的,该数据包括骑行用户编号、骑行车辆编号、开锁时间、关锁时间、开锁位置经度、开锁位置纬度、关锁位置经度、关锁位置纬度、轨迹点数据序列,其中轨迹点数据序列包括轨迹点所在路段编号、轨迹点序号、轨迹打点经度、轨迹打点纬度、轨迹打点时间;
i表示第i个轨迹点;
e表示轨迹段编号;
具体的,本实施方式选取如图2所示北京市西城区某地铁站附近道路及交叉口,利用从轨迹数据计算各个路段自行车骑行质量因子数据,包括:骑行平均速度、骑行速度均方差、轨迹横向距离均值、轨迹数据离散度,指标结果如下表1所示:
表1
根据本发明的一个实施方式,利用各条路段的骑行质量因子指标数据集W,运用多因素相对差异性综合排序方法,计算区域内各路段的相对性骑行质量指数并对其进行排序,进而依据质量指数的分布曲线,计算质量指数分布的中位数,以此作为临界值筛选出相对较差的后进路段集合LC,作为粗筛的后排序结果;
根据路段骑行质量因子数值,评价路段骑行质量,构建如下原始数据集:
将原始数据集中数值进行同趋势化,得到初始数据集,用下述公式进行计算:
根据初始数据集,对其数值进行加权处理,用下述公式进行计算:
根据加权规范数据集,确定最优路段指标与最差路段指标,得到正理想解和负理想解,用下述公式进行计算:
根据各个路段与最优路段和最差路段之间的距离,得到与正理想解和所述负理想解的相对差异程度,用下述公式进行计算:
其中,为各个路段的骑行质量指数,数值越大表示路段中骑行质量越优,通过对骑行质量数值进行排序整理,得到各个路段数值中位指标,筛选小于所述中位指标的路段作为相对较差的所述后进路段,将所述后进路段进行汇总并设为集合LC。
具体的,本实施方式运用多因素相对差异性综合排序方法,对区域内各路段骑行质量指数进行计算,如下表2所示,并由低到高排序,粗筛出15个路段构成后进路段集合;
表2
根据本发明的一个实施方式,针对轨迹数据带着一定程度无法消除的数据噪声的现实问题,对经过粗筛形成的后排序路段集合,计算各个路段之间的骑行质量的特征距离,运用基于多维度特征距离的近邻检索方法,形成各路段骑行质量劣度指数。
根据任意两个后进路段集合LC不同所述骑行质量因子的差值,得到骑行质量特征距离,用下述公式进行计算:
对经过粗筛形成的后排序路段集合LC中的每一条路段及质量因子指标构建样本空间X,将每一条路段视为四维特征空间中的一个样本点,样本点集合为;设i=1,从样本空间中提取样本;对于样本,在样本空间中遍历计算该样本到其他所有样本的骑行质量特征距离;设置近邻距离参数为K,将与样本的特征距离最近的K个其它路段样本放到近邻样本集合中,计算样本与近邻样本集合中所有样本的特征距离均值,将其定义为路段的路段骑行质量劣度指数;样本空间遍历完毕则返回;
具体的,对后进路段集合,运用基于多维度特征距离的邻近检索方法,计算各路段骑行质量与其他路段间的邻近特征距离,计算结果如下表3所示:
表3
根据本发明的一个实施方式,针对路段微观骑行质量尚不存在可用的确定性评价标准及轨迹数据的噪声状况,运用基于统计分布的离群数据检验方法,对后进路段集合中路段骑行质量劣度指数进行筛选,从群体中鉴别出骑行质量存在显著问题的路段作为整改对象;
将后排序路段集合中各条路段骑行质量劣度指数构成统计样本集合QR;统计分析QR,用箱线图法确定距离阈值disth;遍历比较骑行质量劣度指数与距离阈值,如果骑行质量劣度指数大于距离阈值,则认为此路段为骑行质量差的路段,否则认为路段正常。
具体的,对路段骑行质量邻近距离进行异常检验,获取邻近特征距离阈值0.25,从群体中识别出骑行质量存在显著问题的路段作为整改对象。
图3示意性北京市西城区某地铁站周边道路及交叉口表示问题路段识别示意图。
不仅如此,为实现上述发明目的,本发明还提供一种基于有噪声轨迹数据的路段自行车骑行质量鉴别系统,该系统包括:
数据提取模块,对自行车数据进行采集,提取出各个路段骑行轨迹,构建基于骑行轨迹微观数据的路段骑行质量因子,得到各个路段骑行质量因子指标值;
骑行质量计算模块,根据骑行质量因子指标值,得到骑行质量指数,筛选后进路段并进行汇总;
路段质量对比模块,路段质量对比模块根据所述后进路段的汇总,对比各个路段之间的骑行质量的特征距离,得到骑行质量劣度指数;
路段筛选模块,对骑行质量劣度指数进行筛选,得到骑行质量差的路段。
根据本发明的一个实施方式,对于待分析的路网区域,面向骑行顺畅目标,利用数据提取模块构建基于骑行轨迹微观数据的路段骑行质量因子,并提取出各路段的自行车骑行轨迹,计算各个路段骑行质量因子指标值,骑行轨迹微观数据是共享单车用户在用车过程中,共享单车运营平台以用户单次用车为记录单位,对用户实时位置坐标进行采样得到的,该数据包括骑行用户编号、骑行车辆编号、开锁时间、关锁时间、开锁位置经度、开锁位置纬度、关锁位置经度、关锁位置纬度、轨迹点数据序列,其中轨迹点数据序列包括轨迹点所在路段编号、轨迹点序号、轨迹打点经度、轨迹打点纬度、轨迹打点时间。
i表示第i个轨迹点;
e表示轨迹段编号;
具体的,本实方式例选取如图2所示北京市西城区某地铁站附近道路及交叉口,利用从轨迹数据计算各个路段自行车骑行质量因子数据,包括:骑行平均速度、骑行速度均方差、轨迹横向距离均值、轨迹数据离散度,指标结果如下表4所示:
表4
根据本发明的一个实施方式,利用各条路段的骑行质量因子指标数据集W,运用多因素相对差异性综合排序方法,计算区域内各路段的相对性骑行质量指数并对其进行排序,进而依据质量指数的分布曲线,计算质量指数分布的中位数,以此作为临界值筛选出相对较差的后进路段集合LC,作为粗筛的后排序结果;
通过骑行质量计算模块,根据路段骑行质量因子数值,评价路段骑行质量,构建如下原始数据集:
将原始数据集中数值进行同趋势化,得到初始数据集,用下述公式进行计算:
根据初始数据集,对其数值进行加权处理,用下述公式进行计算:
根据加权规范数据集,确定最优路段指标与最差路段指标,得到正理想解和负理想解,用下述公式进行计算:
根据各个路段与所述最优路段和所述最差路段之间的距离,得到与正理想解和负理想解的相对差异程度,用下述公式进行计算:
其中,为各个路段的骑行质量指数,数值越大表示路段中骑行质量越优,通过对骑行质量数值进行排序整理,得到各个路段数值中位指标,筛选小于所述中位指标的路段作为相对较差的所述后进路段,将所述后进路段进行汇总并设为集合LC。
具体的,运用路段质量对比模块对本实施方式运用多因素相对差异性综合排序方法,对区域内各路段骑行质量指数进行计算,如下表5所示,并由低到高排序,粗筛出15个路段构成后进路段集合:
表5
根据本发明的一个实施方式,针对轨迹数据带着一定程度无法消除的数据噪声的现实问题,对经过粗筛形成的后排序路段集合,计算各个路段之间的骑行质量的特征距离,运用基于多维度特征距离的近邻检索方法,形成各路段骑行质量劣度指数;
根据任意两个后进路段集合LC不同所述骑行质量因子的差值,得到骑行质量特征距离,用下述公式进行计算:
对经过粗筛形成的后排序路段集合LC中的每一条路段及质量因子指标构建样本空间X,将每一条路段视为四维特征空间中的一个样本点,样本点集合为;设i=1,从样本空间中提取样本;对于样本,在样本空间中遍历计算该样本到其他所有样本的骑行质量特征距离;设置近邻距离参数为K,将与样本的特征距离最近的K个其它路段样本放到近邻样本集合中,计算样本与近邻样本集合中所有样本的特征距离均值,将其定义为路段的路段骑行质量劣度指数;样本空间遍历完毕则返回。
具体的,对后进路段集合,运用基于多维度特征距离的邻近检索方法,计算各路段骑行质量与其他路段间的邻近特征距离,计算结果如下表6所示:
表6
根据本发明的一个实施方式,根据路段筛选模块对路段微观骑行质量尚不存在可用的确定性评价标准及轨迹数据的噪声状况,运用基于统计分布的离群数据检验方法,对后进路段集合中路段骑行质量劣度指数进行筛选,从群体中鉴别出骑行质量存在显著问题的路段作为整改对象;
将后排序路段集合中各条路段骑行质量劣度指数构成统计样本集合QR;统计分析QR,用箱线图法确定距离阈值disth;遍历比较骑行质量劣度指数与距离阈值,如果骑行质量劣度指数大于距离阈值,则认为此路段为骑行质量差的路段,否则认为路段正常。
具体的,对路段骑行质量邻近距离进行异常检验,获取邻近特征距离阈值0.25,从群体中识别出骑行质量存在显著问题的路段作为整改对象。
为实现上述发明目的,本发明还提供一种电子设备,该电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被处理器执行时实现上述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
为实现上述发明目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
由此可知,本发明所提供的基于有噪声轨迹数据的路段自行车骑行质量鉴别方法有效地解决了上述现有技术中的多个技术问题。分析路段骑行质量并快速识别路网中骑行质量显著低劣的路段,以便交通管理部门进行有针对性的整改。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (9)
1.一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法,其特征在于,包括:
步骤1:对自行车数据进行采集,提取出各个路段骑行轨迹,构建基于骑行轨迹微观数据的路段骑行质量因子,得到各个路段骑行质量因子指标值;
步骤2:根据所述骑行质量因子指标值,得到骑行质量指数,筛选后进路段并进行汇总;
步骤3:根据所述后进路段的汇总,对比各个路段之间的骑行质量的特征距离,得到骑行质量劣度指数;
步骤4:对所述骑行质量劣度指数进行筛选,得到骑行质量差的路段;
步骤4中,筛选出所述骑行质量差的路段步骤为:
3.根据权利要求2所述的一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法,其特征在于,所述骑行质量因子指标值为:
i表示第i个轨迹点;
e表示轨迹段编号;
设定所述轨迹段横向最大范围L,将横向范围等分为H个间隔,其中设定落在第h个间隔内轨迹的数量为hn,所述轨迹混乱因子用下述公式进行计算:
4.根据权利要求3所述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法,其特征在于,步骤2中,根据所述路段骑行质量因子指标值,得到正理想解和负理想解,所述正理想解和负理想解为:
根据所述路段骑行质量因子指标值,评价路段骑行质量,构建如下原始数据集:
将所述原始数据集中数值进行同趋势化,得到初始数据集,用下述公式进行计算:
根据所述初始数据集,对其数值进行加权处理,用下述公式进行计算:
其中,V为加权规范数据集;分别表示路段的加权规范后的所述速度因子、所述速度平稳因子、所述轨迹偏离因子、所述轨迹混乱因子数值;分别表示所述速度因子、所述速度平稳因子、所述轨迹偏离因子、所述轨迹混乱因子的权重比例;
根据所述加权规范数据集,确定最优路段指标与最差路段指标,得到所述正理想解和所述负理想解,用下述公式进行计算:
5.根据权利要求4所述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法,其特征在于,步骤2中,筛选所述后进路段为:
根据各个路段与最优路段和最差路段之间的距离,得到与所述正理想解和所述负理想解的相对差异程度,用下述公式进行计算:
6.根据权利要求1所述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法,其特征在于,步骤3中,所述骑行质量劣度指数为:
根据任意两个所述后进路段集合LC不同所述骑行质量因子的差值,得到所述骑行质量特征距离,用下述公式进行计算:
7.一种基于有噪声轨迹数据的路段自行车骑行质量鉴别系统,其特征在于,包括:
数据提取模块,对自行车数据进行采集,提取出各个路段骑行轨迹,构建基于骑行轨迹微观数据的所述骑行质量因子,得到各个路段所述骑行质量因子指标值;
骑行质量计算模块,根据所述骑行质量因子指标值,得到骑行质量指数,筛选后进路段并进行汇总;
路段质量对比模块,路段质量对比模块根据所述后进路段的汇总,对比各个路段之间的骑行质量的特征距离,得到骑行质量劣度指数;
路段筛选模块,对所述骑行质量劣度指数进行筛选,得到所述骑行质量差的路段;
路段筛选模块中,筛选出所述骑行质量差的路段步骤为:
8.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922120.7A CN113379334B (zh) | 2021-08-12 | 2021-08-12 | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922120.7A CN113379334B (zh) | 2021-08-12 | 2021-08-12 | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379334A CN113379334A (zh) | 2021-09-10 |
CN113379334B true CN113379334B (zh) | 2021-11-09 |
Family
ID=77577007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110922120.7A Active CN113379334B (zh) | 2021-08-12 | 2021-08-12 | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379334B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793056A (zh) * | 2021-09-24 | 2021-12-14 | 上海交通大学 | 面向多源数据的街道可骑行指数动态评估实现方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134349B (zh) * | 2014-08-07 | 2016-01-20 | 北京航空航天大学 | 一种基于交通多源数据融合的公交路况处理系统及方法 |
IT201600084942A1 (it) * | 2016-08-12 | 2018-02-12 | Paolo Andreucci | Sistema di analisi, misurazione e classificazione automatica di percorsi stradali e relativo metodo di funzionamento. |
US20200117220A1 (en) * | 2017-04-12 | 2020-04-16 | Lawrence Livermore National Security, Llc | Swarm path planner system for vehicles |
CN108922188B (zh) * | 2018-07-24 | 2020-12-29 | 河北德冠隆电子科技有限公司 | 雷达跟踪定位的四维实景交通路况感知预警监控管理系统 |
CN113066285B (zh) * | 2021-03-15 | 2022-12-09 | 北京百度网讯科技有限公司 | 一种路况信息确定方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-12 CN CN202110922120.7A patent/CN113379334B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113379334A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959466B (zh) | 基于bcs-dbscan的出租车载客热点可视化方法及系统 | |
WO2021051609A1 (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN108764375B (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN110197588A (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
CN109784383B (zh) | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 | |
CN108777004B (zh) | 高速公路客运车辆跨省匹配方法及装置 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN108847022B (zh) | 一种微波交通数据采集设备的异常值检测方法 | |
CN105740904A (zh) | 一种基于dbscan聚类算法的出行与活动模式识别方法 | |
CN111582380A (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN113379334B (zh) | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 | |
CN110598999A (zh) | 基于个体数据的交通出行分析方法、系统及存储介质 | |
CN112364910B (zh) | 基于峰值聚类高速公路收费数据异常事件检测方法及装置 | |
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 | |
CN110196797B (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
Erdelić et al. | Classification of travel modes using streaming GNSS data | |
CN109344729B (zh) | 一种识别道路中人员运动的方法 | |
CN116361974A (zh) | 一种基于公路业务及数据网络的数据源重要性判别方法 | |
CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
CN110120154B (zh) | 大规模路网下利用检测器数据的交通路况预测方法 | |
Sun et al. | Freeway traffic safety state classification method based on multi-parameter fusion clustering |
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 |