CN113779164A - 一种基于gps轨迹数据和贝叶斯网络的交通方式识别方法 - Google Patents
一种基于gps轨迹数据和贝叶斯网络的交通方式识别方法 Download PDFInfo
- Publication number
- CN113779164A CN113779164A CN202110777024.8A CN202110777024A CN113779164A CN 113779164 A CN113779164 A CN 113779164A CN 202110777024 A CN202110777024 A CN 202110777024A CN 113779164 A CN113779164 A CN 113779164A
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- data
- travel
- gps track
- sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 10
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 235000015170 shellfish Nutrition 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000011835 investigation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提出了一种基于GPS轨迹数据和贝叶斯网络的交通方式识别方法。该方法以个体出行者为研究对象,以智能手机采集的GPS轨迹信息作为数据源,首先对出行者的GPS轨迹数据进行预处理;而后利用K2算法学习贝叶斯网络结构,并采用极大似然估计法学习贝叶斯网络参数;之后,以建立的贝叶斯网络模型为基础,判定出行交通方式。应用本发明所述的识别方法可以基于GPS轨迹数据实现步行、自行车、电动车、公交车和小汽车共五种出行方式的自动化识别,且识别精度高,可以为交通规划、交通需求预测及管理决策等提供有效的监控手段和数据参考。
Description
技术领域
本发明涉及出行方式识别技术领域,特指一种基于GPS轨迹数据和贝叶斯网络的交通方式识别方法。
背景技术
交通出行方式是居民出行特征及出行行为研究的基本属性。交通方式的识别研究对于出行规律研究、精准化交通信息服务及交通运行状态判别等具有现实意义。出行调查是获取居民出行基础数据的主要手段,也是出行行为分析和建模的主要数据来源。传统出行调查要求志愿者报告调查期间每次出行的起终点、起止时问、出行方式和出行目的等信息,会对志愿者造成较大负担,而且数据精度难以保证。近年来快速普及的GPS专用设备和智能手机在国内外居民出行调查中得到越来越多的应用,基于智能手机的出行调查成本较低,而且调查样本量不受设备限制,适合开展大规模GPS出行调查,将为精准化、精细化的居民出行行为分析及城市交通状况感知提供重要数据支撑。
基于GPS轨迹数据对出行方式进行推断,其出行方式的推断一般采用规则或数据挖掘算法来实现。规则应用如GIS系统的整合、加速度信息的融合等,但是对数据和城市环境较为敏感,可移植性较差。在数据挖掘算法方面,神经网络、模糊逻辑理论、支持向量机、决策树等方法均在基于GPS轨迹数据的出行方式推断研究中得到了应用,但是非常容易陷入过拟合的困境,尤其是对于小数据集,且泛化能力不强,识别精度有限。
鉴于此,我们发现如果采用贝叶斯网络,就可以避免GIS等附属信息的高要求,识别方法将具备较好的可移植性,有利于识别方法的推广。而在精确性和效率方面,贝叶斯网络计算简单,有利于节省计算时间,提升效率,并且识别精度也高于一般的神经网络。鉴于此,针对目前利用手机GPS数据识别交通方式的方法在识别可移植性、识别精度和实用性方面的不足,本发明提出一种基于GPS轨迹数据和贝叶斯网络的交通方式识别方法。
发明内容
为了克服现有技术识别效率低,精度不高,适用性不足等缺陷,本发明提供了一种基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,通过运用GPS移动定位技术采集出行者出行方式的轨迹数据,进行贝叶斯网络结构学习和贝叶斯网络参数学习,构造贝叶斯网络模型,对多种出行方式进行识别,并对识别结果进行了精度检验,具有分类精度高、训练成本低等优势,有良好的普适性和推广价值。
一种基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于,包括以下步骤:
(1)、GPS轨迹数据预处理;
(2)、提取出行特征变量;
(3)、将连续的出行特征变量离散化,划分样本的数据集;
(4)、进行贝叶斯网络结构学习;
(5)、进行贝叶斯网络参数学习;
(6)、贝叶斯网络推断,识别出行交通方式。
进一步,所述GPS轨迹数据预处理包括以下步骤:
(1.1)获取用户原始交通出行数据,所获取的数据包含时间、经纬度;
(1.2)将收集到的手机GPS数据,通过召回调查的方式获取出行交通方式,并对错误信息进行纠正,处理成为只包含单一的交通方式的出行段,转化为本发明使用的数据集。
进一步,所述出行特征包括:平均速度、95%分位点速度、平均绝对值加速度、出行距离、低速点比例和平均方向改变。
进一步,所述连续变量离散化过程为:将每个连续变量分成三个相等的部分;平均速度变量可分为高速(H)、中速(M)和低速(L)。
进一步,所述样本数据集中的训练集和测试集划分的比例为3:1。
进一步,所述贝叶斯网络结构的学习包括:
(4.1)采用K2算法学习贝叶斯网络结构;
(4.2)运用贪婪搜索算法和贝叶斯评分方法,根据事先确定节点顺序有序加入新节点直到将所有节点加入,得到贝叶斯网络结构。
进一步,步骤(4.2)所述方法为在指定不同节点顺序的条件下,以训练集作为数据源,通过贝叶斯网络结构学习,得到不同的贝叶斯网络结构;通过遍历所有节点顺序,得到了预测精度最高的贝叶斯网络结构。
进一步,所述贝叶斯网络参数学习包括:在给定拓扑结构的基础上利用最大似然估计来计算条件概率表集,包括以下步骤:
(5.1)设X={x1,x2,...,xn}为特征集,c为分类变量,每个特征变量xi∈X,且有ri种可能值,而分类变量c有q种可能值,在样本量为m的数据集D中,每个样本都包含特征集X和分类变量c;
(5.3)通过极大似然估计得到使样本数据出现可能性最大的参数组合,可以表示为:Bp=argmaxT{P(D|Bs,T)},其中,D表示数据集,T表示条件概率表,出行方式是其他所有节点的父节点,因此其对应的条件概率表为先验概率,即样本数据中各出行方式的样本频率。
进一步,所述贝叶斯网络推断为:以样本数据特征变量作为输入,预测的样本类别可以表示为:y=argmaxj{P(x1,x2,...,xn,cj|B)},则贝叶斯网络模型将概率最大的类别输出为数据所属类别,得到样本交通方式。
附图说明
图1表示本发明的基于GPS轨迹数据和贝叶斯网络的交通方式识别方法的流程示意图。
图2表示本发明实施方式中的出行变量的贝叶斯网络结构图。
图3表示本发明实施方式中的出行距离节点条件概率图。
图4表示本发明实施方式中的贝叶斯网络模型识别出行方式的混淆矩阵。
图5表示本发明与SVM模型、MNL模型和BP神经网络的出行方式识别效果对比图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
一种基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,包括以下步骤:
(1)、GPS轨迹数据预处理;
(2)、提取出行特征变量;
(3)、将连续的出行特征变量离散化,划分样本的数据集;
(4)、进行贝叶斯网络结构学习;
(5)、进行贝叶斯网络参数学习;
(6)、贝叶斯网络推断,识别出行交通方式。
进一步的,所述GPS轨迹数据预处理包括以下步骤:
(1.1)获取用户原始交通出行数据,所获取的数据包含时间、经纬度;
(1.2)将收集到的手机GPS数据,通过召回调查的方式获取出行交通方式,并对错误信息进行纠正,处理成为只包含单一的交通方式的出行段,转化为本发明使用的数据集。
进一步的,所述出行特征包括:平均速度、95%分位点速度、平均绝对值加速度、出行距离、低速点比例和平均方向改变。
进一步的,所述连续变量离散化过程为:将每个连续变量分成三个相等的部分;平均速度变量可分为高速(H)、中速(M)和低速(L)。
进一步的,所述样本数据集中的训练集和测试集划分的比例为3∶1。
进一步的,所述贝叶斯网络结构的学习包括:
(4.1)采用K2算法学习贝叶斯网络结构;
(4.2)运用贪婪搜索算法和贝叶斯评分方法,根据事先确定节点顺序有序加入新节点直到将所有节点加入,得到贝叶斯网络结构。
进一步的,步骤(4.2)在指定不同节点顺序的条件下,以训练集作为数据源,通过贝叶斯网络结构学习,得到不同的贝叶斯网络结构;通过遍历所有节点顺序,得到了预测精度最高的贝叶斯网络结构如图2所示。
进一步的,所述贝叶斯网络参数学习包括:在给定拓扑结构的基础上利用最大似然估计来计算条件概率表集,包括以下步骤:
(5.1)设X={x1,x2,...,xn}为特征集,c为分类变量,每个特征变量xi∈X,且有ri种可能值,而分类变量c有q种可能值,在样本量为m的数据集D中,每个样本都包含特征集X和分类变量c;
(5.3)通过极大似然估计得到使样本数据出现可能性最大的参数组合,可以表示为:Bp=argmaxT{P(D|Bs,Y)},其中,D表示数据集,T表示条件概率表,出行方式是其他所有节点的父节点,因此其对应的条件概率表为先验概率,即样本数据中各出行方式的样本频率。
进一步的,所述贝叶斯网络推断为:以样本数据特征变量作为输入,预测的样本类别可以表示为:y=argmaxj{P(x1,x2,...,xn,cj|B)},则贝叶斯网络模型将概率最大的类别输出为数据所属类别,得到样本交通方式。
为评估本发明实施例效果,利用某市2013年至2014年采集的202名志愿者共1636人·天的轨迹数据和出行信息,提取了4685个单方式出行样本,其中步行、自行车、电动车、公交车和小汽车出行样本的数量分别是2302、623、435、589和736,验证本发明所提方法(简称“本方法”)的预测准确性。
利用图2所示的贝叶斯网络以及对应的条件概率表集合,图3所示的出行距离节点条件概率表,分别对训练集和测试集的样本划分出行方式。为评价贝叶斯网络模型的识别效果,采用准确度(A)描述模型的总体识别精度,并利用查全率(R)和查准率(P)两个评价指标描述特定出行方式的识别精度。定义Nij表示将出行方式i识别为方式j的样本数量,k表示出行方式种类总数,N表示样本总数。
以训练集作为数据源,进行贝叶斯网络结构和参数的学习,在最优识别精度的条件下,得到了图2所示的贝叶斯网络结构。根据该网络结构图及相关条件概率表对特征变量之间关系的描述,对训练集和测试集中的样本进行方式识别,得到了图4所示的混淆矩阵。
为对比贝叶斯网络和其他分类模型在出行方式识别问题中的应用效果,本文选取了具有代表性的SVM模型、MNL模型和BP神经网络对样本数据进行拟合。四种模型的性能优劣对比结果总结如图5所示,不管对于训练集还是测试集,贝叶斯网络均取得了最高的准确度,证明了贝叶斯网络在基于GPS轨迹数据的出行方式识别中的适用性。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (8)
1.一种基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于,包括以下步骤:
(1)、GPS轨迹数据预处理;
(2)、提取出行特征变量;
(3)、将连续的出行特征变量离散化,划分样本的数据集;
(4)、进行贝叶斯网络结构学习;
(5)、进行贝叶斯网络参数学习;
(6)、贝叶斯网络推断,识别出行交通方式。
2.根据权利要求1中所述的基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于:所述GPS轨迹数据预处理包括以下步骤:
(1.1)获取用户原始交通出行数据,所获取的数据包含时间、经纬度;
(1.2)将收集到的手机GPS数据,通过召回调查的方式获取出行交通方式,并对错误信息进行纠正,处理成为只包含单一的交通方式的出行段,转化为本发明使用的数据集。
3.根据权利要求1中所述的基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于:所述出行特征包括:平均速度、95%分位点速度、平均绝对值加速度、出行距离、低速点比例和平均方向改变。
4.根据权利要求1中所述的基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于:所述连续变量离散化过程为:将每个连续变量分成三个相等的部分;平均速度变量可分为高速(H)、中速(M)和低速(L),所述样本数据集中的训练集和测试集划分的比例为3∶1。
5.根据权利要求1中所述的基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于:所述贝叶斯网络结构的学习包括以下步骤:
(4.1)采用K2算法学习贝叶斯网络结构;
(4.2)运用贪婪搜索算法和贝叶斯评分方法,根据事先确定节点顺序有序加入新节点直到将所有节点加入,得到贝叶斯网络结构。
6.根据权利要求5中所述的基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于:(4.2)在指定不同节点顺序的条件下,以训练集作为数据源,通过贝叶斯网络结构学习,得到不同的贝叶斯网络结构,通过遍历所有节点顺序,得到了预测精度最高的贝叶斯网络结构。
7.根据权利要求1中所述的基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于:所述贝叶斯网络参数学习包括:在给定拓扑结构的基础上利用最大似然估计来计算条件概率表集,包括以下步骤:
(5.1)设X={x1,x2,...,xn}为特征集,c为分类变量,每个特征变量xi∈X,且有ri种可能值,而分类变量c有q种可能值,在样本量为m的数据集D中,每个样本都包含特征集X和分类变量c;
(5.3)通过极大似然估计得到使样本数据出现可能性最大的参数组合,可以表示为:Bp=argmaxT{P(D|Bs,T)},其中,D表示数据集,T表示条件概率表,出行方式是其他所有节点的父节点,因此其对应的条件概率表为先验概率,即样本数据中各出行方式的样本频率。
8.根据权利要求1中所述的基于GPS轨迹数据和贝叶斯网络的交通方式识别方法,其特征在于:所述贝叶斯网络推断为:以样本数据特征变量作为输入,预测的样本类别可以表示为:y=argmaxj{P(x1,x2,...,xn,cj|B)},则贝叶斯网络模型将概率最大的类别输出为数据所属类别,得到样本交通方式。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777024.8A CN113779164A (zh) | 2021-07-09 | 2021-07-09 | 一种基于gps轨迹数据和贝叶斯网络的交通方式识别方法 |
ZA2021/06596A ZA202106596B (en) | 2021-07-09 | 2021-09-08 | A method for identifying travel mode based on gps trajectory data and bayesian network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777024.8A CN113779164A (zh) | 2021-07-09 | 2021-07-09 | 一种基于gps轨迹数据和贝叶斯网络的交通方式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779164A true CN113779164A (zh) | 2021-12-10 |
Family
ID=77912805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110777024.8A Pending CN113779164A (zh) | 2021-07-09 | 2021-07-09 | 一种基于gps轨迹数据和贝叶斯网络的交通方式识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113779164A (zh) |
ZA (1) | ZA202106596B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005541A1 (en) * | 2005-05-31 | 2007-01-04 | Sarmad Sadeghi | Methods for Validation and Modeling of a Bayesian Network |
CN109450834A (zh) * | 2018-10-30 | 2019-03-08 | 北京航空航天大学 | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 |
-
2021
- 2021-07-09 CN CN202110777024.8A patent/CN113779164A/zh active Pending
- 2021-09-08 ZA ZA2021/06596A patent/ZA202106596B/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005541A1 (en) * | 2005-05-31 | 2007-01-04 | Sarmad Sadeghi | Methods for Validation and Modeling of a Bayesian Network |
CN109450834A (zh) * | 2018-10-30 | 2019-03-08 | 北京航空航天大学 | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 |
Non-Patent Citations (1)
Title |
---|
肖光年: "基于GPS轨迹数据的居民活动-出行特征识别方法", 《中国优秀博士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
ZA202106596B (en) | 2021-09-29 |
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 | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
Li et al. | Transportation mode identification with GPS trajectory data and GIS information | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN107977734B (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN107845260B (zh) | 一种用户公交出行方式的识别方法 | |
CN107292417B (zh) | 基于重污染序列案例库的区域重污染判别预报方法及装置 | |
CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
Shen et al. | An attention-based digraph convolution network enabled framework for congestion recognition in three-dimensional road networks | |
CN114882069A (zh) | 基于lstm网络和注意力机制的出租车轨迹异常检测方法 | |
CN112801181B (zh) | 城市信令交通流用户分类、预测方法、存储介质及系统 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
Wang et al. | Dynamic traffic prediction based on traffic flow mining | |
CN113779164A (zh) | 一种基于gps轨迹数据和贝叶斯网络的交通方式识别方法 | |
CN111966770A (zh) | 一种基于地理语义词嵌入的城市街道功能识别方法和系统 | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
Li et al. | A GPS Trajectory Segmentation Method for Transportation Mode Inference |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211210 |