CN113780386B - 车辆轨迹特征的分析方法、装置及计算机可读介质 - Google Patents

车辆轨迹特征的分析方法、装置及计算机可读介质 Download PDF

Info

Publication number
CN113780386B
CN113780386B CN202111001276.8A CN202111001276A CN113780386B CN 113780386 B CN113780386 B CN 113780386B CN 202111001276 A CN202111001276 A CN 202111001276A CN 113780386 B CN113780386 B CN 113780386B
Authority
CN
China
Prior art keywords
route
vehicle
frequency
position points
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
Application number
CN202111001276.8A
Other languages
English (en)
Other versions
CN113780386A (zh
Inventor
陈晏鹏
贤会利
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.)
Inspur Software Technology Co Ltd
Original Assignee
Inspur Software Technology 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 Inspur Software Technology Co Ltd filed Critical Inspur Software Technology Co Ltd
Priority to CN202111001276.8A priority Critical patent/CN113780386B/zh
Publication of CN113780386A publication Critical patent/CN113780386A/zh
Application granted granted Critical
Publication of CN113780386B publication Critical patent/CN113780386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Navigation (AREA)

Abstract

本发明公开了车辆轨迹特征的分析方法、装置及计算机可读介质，属于车辆轨迹分析技术领域，要解决的技术问题为如何实现对车辆轨迹特征的分析。包括如下步骤：获取车辆的轨迹数据集合，轨迹数据集合包括每个轨迹点p对应的经度lon、纬度lat和时间T三个变量，记作p＝(lon,lat,T)；基于Canopy聚类算法分析所述车辆频繁出现的区域，对于每个区域，基于区域内位置点距离区域中心的距离及频次，计算得到所述车辆经常经过的位置点，并基于上述车辆经常经过的位置点构建车辆位置点集合；基于车辆经过每个位置点的时间，将所述车辆位置点集合中的位置点还原为车辆的轨迹路线，进而分析出车辆常走的轨迹路线。

Description

车辆轨迹特征的分析方法、装置及计算机可读介质
技术领域
本发明涉及车辆轨迹分析技术领域，具体地说是车辆轨迹特征的分析方法、装置及计算机可读介质。
背景技术
随着社会的进步、经济的发展，汽车已成为人们日常出行的常用交通工具。汽车的行使轨迹往往反映着驾驶人日常工作、生活轨迹，因此对汽车行驶轨迹的分析工作要求越来越复杂，也越来越重要，通过分析电子卡口的过车记录，得出车辆常经过的卡口点以及常走路径，进而分析出驾驶人的轨迹特征，可以对了解一个人的日常活动轨迹提供强有力的支撑。
基于上述，如何实现对车辆轨迹特征的分析，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供车辆轨迹特征的分析方法、装置及计算机可读介质，来解决如何实现对车辆轨迹特征的分析的技术问题。
第一方面，本发明的车辆轨迹特征的分析方法，包括如下步骤：
S100、获取车辆的轨迹数据集合，所述轨迹数据集合包括每个轨迹点p对应的经度lon、纬度lat和时间T三个变量，记作p＝(lon,lat,T)，所述时间变量为车辆经过所述位置点的时间集合；
S200、基于Canopy聚类算法分析所述车辆频繁出现的区域，对于每个区域，基于区域内位置点距离区域中心的距离及频次，计算得到所述车辆经常经过的位置点，并基于上述车辆经常经过的位置点构建车辆位置点集合；
S300、基于车辆经过每个位置点的时间，将所述车辆位置点集合中的位置点还原为车辆的轨迹路线，进而分析出车辆常走的轨迹路线。
作为优选，基于Canopy聚类算法分析所述车辆频繁出现的区域，对于每个区域，基于区域内位置点距离区域中心的距离及频次，计算得到所述车辆经常经过的位置点，包括如下步骤：
S210、设定Canopy算法中边界半径T1和T2；
S220、从轨迹数据集合S中取出第一个位置点p，作为一个聚类中心，存储至集合C中，记作c，并从轨迹数据集合S中移除p，同时在结果集合R中增加一个空集R1，表示以c为中心的区域内的点集；
S230、从集合C中选取一个中心点cj，遍历轨迹数据集合S中所有位置点pi，逐一计算pi与cj之间的距离，记作dij；
如果dij＜T2，表示pi属于以cj为中心的区域内，在集合Rj中增加一个位置点，记作q＝(lon,lat,T,d)，其中lon表示pi的经度，lat表示pi的纬度，T表示pi的时间，d表示dij，并从轨迹数据集合S中移除pi；如果T2≤dij≤T1，表示pi属于以cj为中心的区域内，并在集合Rj中增加一个位置点，记作q＝(lon,lat,T,d)；
S240、循环执行步骤S230，完成对每个中心点的计算；
S250、循环执行步骤S220～步骤S240，直至轨迹数据集合S为空为止，将车辆轨迹划分为多个子集，每个子集包含Ri中的位置点和对应中心点ci，Ri为结果集合R中的元素，ci为Ri的中心点；
S260、对于每个子集，基于每个位置点的距离和频次，过滤掉不常经过的位置点，得到车辆位置点集合。
作为优选，对于每个子集，基于每个位置点的距离和频次，过滤掉不常经过的位置点，包括如下步骤：
S261、选取一个子集；
S262、如果子集中位置点个数小于阈值n，认为所述子集不具备普遍性，将其删除，跳转至步骤S261，否则执行步骤S263；
S263、将子集中的位置点距离升序以及频次降序进行综合排序，将排名位于前x的位置点，认为是常经过位置点，排名位于后y或频次小于n的位置点，认为是不常经过位置点，并将不常经过位置点删除，x和y为预设的百分比；
S264、重复执行步骤S261～步骤S263，得到车辆经常经过的位置点，过滤掉不常经过的位置点，基于车辆经常经过的位置点构建车辆位置点集合。
作为优选，基于每个位置点的时间，将所述车辆位置点集合中的位置点还原为车辆的轨迹路线，包括如下步骤：
S310、基于每个位置点的时间，将所有位置点按照时间先后顺序排序；
S320、并逐一判断相邻两个位置点的间隔时间，如果相邻两个位置点的间隔时间大于阈值a，将车辆位置点集合切分为两个路线，得到路线集合M，集合M的元素是车辆的每一条路线P＝[(lon,lat),...]；
S330、对于路线集合M，将各个路线P按照相邻两个位置点分割为路线单元，基于路线单元出现次数选择高频路线单元，并基于高频路线单元在其所在路线的占比，得到高频路线集合FP，对于高频路线集合FP中每两条路线中的位置点，计算路线相似度，并基于路线相似度选取车辆常走路线，基于车辆常走路线构建常走路线集合。
作为优选，基于路线单元出现次数选择高频路线单元，包括如下步骤：
对于每个路线单元，计算每个路线单元的出现次数；
定义高频路线单元阈值u；
选择出现次数大于u的路线单元作为高频路线单元，得到高频路线单元FU。
作为优选，基于高频路线单元在其所在路线的占比，得到高频路线集合FP，包括如下步骤：
统计各个路线中包含的高频路线单元的个数f；
计算高频路线单元在其所在路线中的占比r＝f/L，L表示所在路线的路线单元总数；
定义每条路线通过高频路线单元次数阈值TF，高频路线单元占比阈值TR，过滤掉f＜TF或r＜TR的路线，得到高频路线集合FP。
作为优选，对于高频路线集合FP中每两条路线中的位置点，计算路线相似度，并基于路线相似度选取车辆常走路线，包括如下步骤：
将高频路线集合FP按照其包含高频路线单元的个数降序排序，保留前k条路线；
比较高频路线集合FP中每两条路线中的位置点，计算路线相似度s，路线相似度s的计算公式为：
定义路线相似度阈值TS，如果s＞TS，认为两条路线相似，保留包含位置点最多的路线；如果两条路线包含的位置点总数相同，则比较相同位置点个数，保留包含相同位置点最多的路线；如果两条路线包含的相同位置点总数相同，选取发生距离当前时间最近的路线，将选择的路线存储至集合N中，将另一条路线从集合FP中删除。
第二方面，本发明的装置，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行第一方面任一所述的方法。
第三方面，本发明的计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面任一所述的方法。
本发明的车辆轨迹特征的分析方法、装置及计算机可读介质具有以下优点：
1、Canopy聚类算法本身就是一种快速空间聚类技术，只需一次遍历就可以得到相对满意的结果，在海量卡口轨迹数据面前计算聚类具有强大的速度优势；
2、Canopy聚类后的子集之间可以是重叠的，这也与现实世界相符，避免了对于一些临界点的复杂情况分析；
3、采用Canopy聚类算法与“频次-距离”相结合的方法分析车辆的常经过位置，不仅可以有效提高空间聚类的效率，还可过滤掉偶然事件带来的分析误差。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
下面结合附图对本发明进一步说明。
图1为实施例1车辆轨迹特征的分析方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供车辆轨迹特征的分析方法、装置及计算机可读介质，用于解决如何实现对车辆轨迹特征的分析的技术问题。
实施例1：
本发明的车辆轨迹特征的分析方法，如图1所示包括如下步骤：
S100、获取车辆的轨迹数据集合，轨迹数据集合包括每个轨迹点p对应的经度lon、纬度lat和时间T三个变量，记作p＝(lon,lat,T)，时间变量为车辆经过所述位置点的时间集合；
S200、基于Canopy聚类算法分析所述车辆频繁出现的区域，对于每个区域，基于区域内位置点距离区域中心的距离及频次，计算得到车辆经常经过的位置点，并基于车辆经常经过的位置点构建车辆位置点集合；
S300、基于车辆经过每个位置点的时间，将所述车辆位置点集合中的位置点还原为车辆的轨迹路线，进而分析出车辆常走的轨迹路线。
其中步骤S200中，基于Canopy聚类算法分析所述车辆频繁出现的区域，对于每个区域，基于区域内位置点距离区域中心的距离及频次，计算得到所述车辆经常经过的位置点，包括如下步骤：
S210、设定Canopy算法中边界半径T1和T2，一般地，若轨迹主要分布于城市，则边界半径可设置为T1＝0.75km，T2＝0.5km，若轨迹主要分布于郊区或农村，边界半径可适当扩大，如T1＝5km，T2＝1km；
S220、从轨迹数据集合S中取出第一个位置点p，作为一个聚类中心，存储至集合C中，记作c，并从轨迹数据集合S中移除p，同时在结果集合R中增加一个空集R1，表示以c为中心的区域内的点集；
S230、从集合C中选取一个中心点cj，遍历轨迹数据集合S中所有位置点pi，逐一计算pi与cj之间的距离，记作dij；
如果dij＜T2，表示pi属于以cj为中心的区域内，在集合Rj中增加一个位置点，记作q＝(lon,lat,T,d)，其中lon表示pi的经度，lat表示pi的纬度，T表示pi的时间，d表示dij，并从轨迹数据集合S中移除pi；如果T2≤dij≤T1，表示pi属于以cj为中心的区域内，并在集合Rj中增加一个位置点，记作q＝(lon,lat,T,d)；
考虑到城市路网大多采用南北或东西走向，因此计算dij时采用曼哈顿距离，即
dij＝|loni-lonj|×cos(max(lati，latj))+|lati-latj|
S240、循环执行步骤S230，完成对每个中心点的计算；
S250、循环执行步骤S220～步骤S240，直至轨迹数据集合S为空为止，将车辆轨迹划分为多个子集，每个子集包含Ri中的位置点和对应中心点ci，Ri为结果集合R中的元素，ci为Ri的中心点；
S260、对于每个子集，基于每个位置点的距离和频次，过滤掉不常经过的位置点，得到车辆位置点集合。
对于每个子集，基于每个位置点的距离和频次，过滤掉不常经过的位置点，包括如下步骤：
S261、选取一个子集；
S262、如果子集中位置点个数小于阈值n(如n＝3)，认为子集不具备普遍性，将其删除，跳转至步骤S261，否则执行步骤S263；
S263、将子集中的位置点距离升序以及频次降序进行综合排序，将排名位于前x(如30％)的位置点，认为是常经过位置点，排名位于后y(如10％)或频次小于n的位置点，认为是不常经过位置点，并将不常经过位置点删除，x和y为预设的百分比；
S264、重复执行步骤S261～步骤S263，得到车辆经常经过的位置点，过滤掉不常经过的位置点，基于车辆经常经过的位置点构建车辆位置点集合。
根据上述方法得到的车辆位置点集合，按照经过每个位置点的时间，将其还原成车辆的轨迹路线。还原时，先将所有位置点按时间先后顺序排序，然后逐一判断相邻两个位置点的时间，若间隔大于30分钟，则在此处将集合切分为两段路线。由此得到的路线集合M，其元素是车辆的每一条路线P＝[(lon,lat),...]。对M进行分析，找出车辆的常走路线，具体步骤如下：
(1)对于每个路线单元，计算每个路线单元的出现次数，定义高频路线单元阈值u(如u＝10)，选择出现次数大于u的路线单元作为高频路线单元，得到高频路线单元FU；
(2)统计各个路线中包含的高频路线单元的个数f，计算高频路线单元在其所在路线中的占比r＝f/L，L表示所在路线的路线单元总数，定义每条路线通过高频路线单元次数阈值TF(如TF＝3)，高频路线单元占比阈值TR(如TR＝0.6)，过滤掉f＜TF或r＜TR的路线，得到高频路线集合FP；
(3)将高频路线集合FP按照其包含高频路线单元的个数降序排序，保留前k条路线，比较高频路线集合FP中每两条路线中的位置点，计算路线相似度s，路线相似度s的计算公式为：
定义路线相似度阈值TS(TS＝0.6)，如果s＞TS，认为两条路线相似，保留包含位置点最多的路线；如果两条路线包含的位置点总数相同，则比较相同位置点个数，保留包含相同位置点最多的路线；如果两条路线包含的相同位置点总数相同，选取发生距离当前时间最近的路线，将选择的路线存储至集合N中，将另一条路线从集合FP中删除。
本发明的车辆轨迹特征的分析方法，通过对指定车辆的卡口通行记录进行分析，根据经过卡口的时间、卡口的位置等轨迹属性，首先使用聚类算法分析出其经常经过的卡口点，同时过滤掉一些不常经过的卡口；然后，根据这些常经过位置，对路线进行相似性分析，从而分析出车辆的常走路线。以分析某车最近一个月的常走路线以及常经过点为例，根据车辆最近一个月的卡口过车记录，使用本发明所述方法，可在毫秒级时间内快速分析出其常经过位置及常走路线，再结合地图组件可以很直观地得出该车的轨迹特征分析结果。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (7)

1.车辆轨迹特征的分析方法，其特征在于包括如下步骤：
S100、获取车辆的轨迹数据集合，所述轨迹数据集合包括每个轨迹点p对应的经度lon、纬度lat和时间T三个变量，记作p＝(lon,lat,T)，所述时间变量为车辆经过位置点的时间集合；
S200、基于Canopy聚类算法分析所述车辆频繁出现的区域，对于每个区域，基于区域内位置点距离区域中心的距离及频次，计算得到所述车辆经常经过的位置点，并基于上述车辆经常经过的位置点构建车辆位置点集合；
S300、基于车辆经过每个位置点的时间，将所述车辆位置点集合中的位置点还原为车辆的轨迹路线，进而分析出车辆常走的轨迹路线；
基于Canopy聚类算法分析所述车辆频繁出现的区域，对于每个区域，基于区域内位置点距离区域中心的距离及频次，计算得到所述车辆经常经过的位置点，包括如下步骤：
S210、设定Canopy算法中边界半径T1和T2；
S220、从轨迹数据集合S中取出第一个位置点p，作为一个聚类中心，存储至集合C中，记作c，并从轨迹数据集合S中移除p，同时在结果集合R中增加一个空集R1，表示以c为中心的区域内的点集；
S230、从集合C中选取一个中心点cj，遍历轨迹数据集合S中所有位置点pi，逐一计算pi与cj之间的距离，记作dij；
如果dij＜T2，表示pi属于以cj为中心的区域内，在集合Rj中增加一个位置点，记作q＝(lon,lat,T,d)，其中lon表示pi的经度，lat表示pi的纬度，T表示pi的时间，d表示dij，并从轨迹数据集合S中移除pi；如果T2≤dij≤T1，表示pi属于以cj为中心的区域内，并在集合Rj中增加一个位置点，记作q＝(lon,lat,T,d)；
S240、循环执行步骤S230，完成对每个中心点的计算；
S250、循环执行步骤S220～步骤S240，直至轨迹数据集合S为空为止，将车辆轨迹划分为多个子集，每个子集包含Ri中的位置点和对应中心点ci，Ri为结果集合R中的元素，ci为Ri的中心点；
S260、对于每个子集，基于每个位置点的距离和频次，过滤掉不常经过的位置点，得到车辆位置点集合；
基于每个位置点的时间，将所述车辆位置点集合中的位置点还原为车辆的轨迹路线，包括如下步骤：
S310、基于每个位置点的时间，将所有位置点按照时间先后顺序排序；
S320、并逐一判断相邻两个位置点的间隔时间，如果相邻两个位置点的间隔时间大于阈值a，将车辆位置点集合切分为两个路线，得到路线集合M，集合M的元素是车辆的每一条路线P＝[(lon,lat),...]；
S330、对于路线集合M，将各个路线P按照相邻两个位置点分割为路线单元，基于路线单元出现次数选择高频路线单元，并基于高频路线单元在其所在路线的占比，得到高频路线集合FP，对于高频路线集合FP中每两条路线中的位置点，计算路线相似度，并基于路线相似度选取车辆常走路线，基于车辆常走路线构建常走路线集合。
2.根据权利要求1所述的车辆轨迹特征的分析方法，其特征在于对于每个子集，基于每个位置点的距离和频次，过滤掉不常经过的位置点，包括如下步骤：
S261、选取一个子集；
S262、如果子集中位置点个数小于阈值n，认为所述子集不具备普遍性，将其删除，跳转至步骤S261，否则执行步骤S263；
S263、将子集中的位置点距离升序以及频次降序进行综合排序，将排名位于前x的位置点，认为是常经过位置点，排名位于后y或频次小于n的位置点，认为是不常经过位置点，并将不常经过位置点删除，x和y为预设的百分比；
S264、重复执行步骤S261～步骤S263，得到车辆经常经过的位置点，过滤掉不常经过的位置点，基于车辆经常经过的位置点构建车辆位置点集合。
3.根据权利要求1所述的车辆轨迹特征的分析方法，其特征在于基于路线单元出现次数选择高频路线单元，包括如下步骤：
对于每个路线单元，计算每个路线单元的出现次数；
定义高频路线单元阈值u；
选择出现次数大于u的路线单元作为高频路线单元，得到高频路线单元FU。
4.根据权利要求1所述的车辆轨迹特征的分析方法，其特征在于基于高频路线单元在其所在路线的占比，得到高频路线集合FP，包括如下步骤：
统计各个路线中包含的高频路线单元的个数f；
计算高频路线单元在其所在路线中的占比r＝fL，L表示所在路线的路线单元总数；
定义每条路线通过高频路线单元次数阈值TF，高频路线单元占比阈值TR，过滤掉f＜TF或r＜TR的路线，得到高频路线集合FP。
5.根据权利要求1所述的车辆轨迹特征的分析方法，其特征在于对于高频路线集合FP中每两条路线中的位置点，计算路线相似度，并基于路线相似度选取车辆常走路线，包括如下步骤：
将高频路线集合FP按照其包含高频路线单元的个数降序排序，保留前k条路线；
比较高频路线集合FP中每两条路线中的位置点，计算路线相似度s，路线相似度s的计算公式为：
定义路线相似度阈值TS，如果s＞TS，认为两条路线相似，保留包含位置点最多的路线；如果两条路线包含的位置点总数相同，则比较相同位置点个数，保留包含相同位置点最多的路线；如果两条路线包含的相同位置点总数相同，选取发生距离当前时间最近的路线，将选择的路线存储至集合N中，将另一条路线从集合FP中删除。
6.一种车辆轨迹特征的分析装置，其特征在于，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至5中任一所述的方法。
7.计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至5任一所述的方法。
CN202111001276.8A 2021-08-30 2021-08-30 车辆轨迹特征的分析方法、装置及计算机可读介质 Active CN113780386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111001276.8A CN113780386B (zh) 2021-08-30 2021-08-30 车辆轨迹特征的分析方法、装置及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111001276.8A CN113780386B (zh) 2021-08-30 2021-08-30 车辆轨迹特征的分析方法、装置及计算机可读介质

Publications (2)

Publication Number Publication Date
CN113780386A CN113780386A (zh) 2021-12-10
CN113780386B true CN113780386B (zh) 2023-07-18

Family

ID=78840118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111001276.8A Active CN113780386B (zh) 2021-08-30 2021-08-30 车辆轨迹特征的分析方法、装置及计算机可读介质

Country Status (1)

Country Link
CN (1) CN113780386B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697221A (zh) * 2018-11-22 2019-04-30 东软集团股份有限公司 轨迹规律的挖掘方法、装置、存储介质及电子设备
CN110838233A (zh) * 2019-10-12 2020-02-25 中国平安人寿保险股份有限公司 车辆行为分析方法、装置及计算机可读存储介质
CN111009123A (zh) * 2019-11-20 2020-04-14 安徽百诚慧通科技有限公司 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统
DE102019111918A1 (de) * 2019-05-08 2020-11-12 Valeo Schalter Und Sensoren Gmbh Bestimmen einer Route für ein Fahrzeug
CN111930791A (zh) * 2020-05-28 2020-11-13 中南大学 一种车辆轨迹的相似度计算方法、系统及存储介质
CN111949701A (zh) * 2020-06-30 2020-11-17 武汉烽火众智数字技术有限责任公司 一种基于轨迹相似度的移动对象出行规律分析方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697221A (zh) * 2018-11-22 2019-04-30 东软集团股份有限公司 轨迹规律的挖掘方法、装置、存储介质及电子设备
DE102019111918A1 (de) * 2019-05-08 2020-11-12 Valeo Schalter Und Sensoren Gmbh Bestimmen einer Route für ein Fahrzeug
CN110838233A (zh) * 2019-10-12 2020-02-25 中国平安人寿保险股份有限公司 车辆行为分析方法、装置及计算机可读存储介质
CN111009123A (zh) * 2019-11-20 2020-04-14 安徽百诚慧通科技有限公司 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统
CN111930791A (zh) * 2020-05-28 2020-11-13 中南大学 一种车辆轨迹的相似度计算方法、系统及存储介质
CN111949701A (zh) * 2020-06-30 2020-11-17 武汉烽火众智数字技术有限责任公司 一种基于轨迹相似度的移动对象出行规律分析方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于轨迹段核密度的旅游车辆轨迹聚类算法;汪祖云等;测控技术(第9期);全文 *
结合Canopy-K-means算法和出租车轨迹数据的公交车站预测方法;刘旭等;测绘通报(第11期);全文 *

Also Published As

Publication number Publication date
CN113780386A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN111966729B (zh) 一种车辆轨迹数据处理方法、装置、设备及存储介质
CN109166317B (zh) 基于状态特征的城市交通路径通过时间确定方法
CN111046049B (zh) 一种货车gps轨迹数据压缩方法
CN109165237A (zh) 伴随对象确定方法、装置以及电子设备
CN113011815A (zh) 一种货车停靠点提取方法和出行特征确定方法、装置
CN112905578B (zh) 一种货车gps轨迹停留点识别方法
CN108446824A (zh) 一种驾驶行为的风险评估方法、装置、设备及存储介质
CN113538072A (zh) 一种货运车辆的出行链智能识别方法、装置及电子设备
CN114363842B (zh) 基于手机信令数据的公交乘客下车站点预测方法及装置
CN110197119A (zh) 行车数据分析方法、装置、计算机设备和存储介质
WO2024067210A1 (zh) 一种交通状态确定方法、装置及设备
CN115862331A (zh) 考虑卡口网络拓扑结构的车辆出行轨迹重构方法
CN115311858A (zh) 基于交通流韧性的城市路段分级管制方法
CN113780386B (zh) 车辆轨迹特征的分析方法、装置及计算机可读介质
CN113095393B (zh) 一种高收入出租车司机及其经验轨迹的提取方法、设备及存储介质
CN114839984A (zh) 一种班车路径规划方法、装置、设备及存储介质
CN112767686B (zh) 一种基于多源数据融合的公路网汽车排放估算方法
CN114091581A (zh) 一种基于稀疏轨迹的车辆运营行为类型识别方法
Mongkonlerdmanee et al. Development of a realistic driving cycle using time series clustering technique for buses: Thailand case study
CN115841765B (zh) 车辆位置盲区监控方法、装置、电子设备及可读存储介质
CN112329152A (zh) 一种驾驶数据搜索方法、装置及设备
CN110097074B (zh) 一种基于序列相似度的车辆轨迹压缩方法
CN112052405A (zh) 一种基于司机经验的寻客区域推荐方法
CN116664025A (zh) 装卸货位置点生成方法、装置及设备
CN114547403B (zh) 变道场景采集方法、装置、设备及存储介质

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