CN113902220B - 一种基于自适应密度聚类算法车辆轨迹预测方法 - Google Patents
一种基于自适应密度聚类算法车辆轨迹预测方法 Download PDFInfo
- Publication number
- CN113902220B CN113902220B CN202111325927.9A CN202111325927A CN113902220B CN 113902220 B CN113902220 B CN 113902220B CN 202111325927 A CN202111325927 A CN 202111325927A CN 113902220 B CN113902220 B CN 113902220B
- Authority
- CN
- China
- Prior art keywords
- track
- algorithm
- prediction
- points
- point
- 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 19
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 241000517645 Abra Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自适应密度聚类算法的车辆轨迹预测方法,该方法包括:1)选定一个具有N个轨迹点的车辆轨迹数据集;2)基于自适应密度聚类算法对轨迹点进行分簇;3)对每个簇分别进行符号标记,将被标记了的簇按照时间排序后输出符号序列;4)将符号序列输入到变阶马尔可夫模型中,并使用Lempel‑Ziv‑MS预测算法进行预测,即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果。本发明所提的自适应密度聚类算法提高了算法的执行效率,同时提高了轨迹聚类的准确度;考虑N阶马尔可夫模型的空间复杂度高、零频率等缺点,变阶马尔可夫模型使用LZ‑MS来解决零频率问题,并使用树结构来减少所需的内存量。
Description
技术领域
本发明涉及车一种基于自适应密度聚类算法的车辆轨迹预测方法,属于车联网技术领域。
背景技术
随着GPS定位、卫星导航、无线通信等技术的快速发展,民用GPS等定位设备不断普及和广泛应用。这些GPS定位设备以及基于位置信息服务(LBS)的各种应用产生了大量的来自移动对象的时空轨迹数据。时空数据挖掘技术、地理信息技术的不断成熟也使得研究这些大量移动对象的轨迹数据成为可能。由于这些数据中每一个轨迹点反映空间上的一个位置以及时间上的一个事件,而多个轨迹点的集合记录着该移动对象在空间和时间上的移动路径,代表着人们日常活动与出行行为特征。
轨迹聚类的目的是识别相似的轨迹运动模式,所以通过移动对象轨迹聚类研究可以发掘人类群体整体移动的趋势,预测其出行轨迹,有益于城市交通的管理、城市道路规划以及提供基于位置的精细化服务等等。
位置预测对于许多基于位置的服务来说是必不可少的,预测用户的下一个位置通常涉及从历史轨迹中获取重要位置,并使用特定的统计模型预测位置。
发明内容
发明目的:针对现有技术中存在的问题与不足,本发明提供一种基于密度聚类算法和变阶马尔可夫模型的车辆轨迹预测方法,可以根据所输入的数据集自行选择轨迹聚类参数,优化聚类效果,并使用Lempel-Ziv-MS算法(以下简称LZ-MS算法),降低轨迹预测复杂度,提高预测精度。
针对上述轨迹聚类问题,本发明提出了一种层次聚类算法。我们首先识别停留点的特定特征,然后通过一种新算法(密度聚类算法的变体)将所给的数据轨迹集进行聚类。
针对上述位置预测问题,本发明考虑N阶马尔可夫模型的空间复杂度高、零频率等缺点,训练了一个变阶马尔可夫模型来预测下一个位置。在N阶马尔可夫模型中,变阶马尔可夫模型使用LZ-MS来解决零频率问题,并使用树结构来减少所需的内存量。
技术方案:本发明为实现以上要点,具体包括以下步骤:
步骤一:选定一个具有N个轨迹点的车辆轨迹数据集,N为正整数;该数据集可以通过车辆原始GPS数据得到;
步骤二:计算每个轨迹点与其最近的轨迹点之间的距离,并将计算结果从小到大排序;
步骤三:使用具有自适应步长的爬山算法,计算每个轨迹点的密度吸引点;
步骤四:将具有相同密度吸引点的轨迹点划分为同一簇;进一步,对于任意两个密度吸引点a和b,如果它们之间的距离小于等于或/>则将a和b所属的两个簇合并为一个簇,其中/>是a、b对应的最终步长;
步骤五:判断每个簇中轨迹点的数目是否大于如果是,则保留该簇,否则,则将该簇内所有的轨迹点视为噪声点,并删除该簇;
步骤六:对步骤五得到的每个簇分别进行符号标记,将被标记了的簇按照时间排序后输出符号序列;
步骤七:将步骤六输出的符号序列输入到变阶马尔可夫模型中,并使用LZ-MS预测算法进行预测,即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果。
进一步,步骤三中,使用具有自适应步长的爬山算法计算轨迹点x的密度吸引点,具体步骤包括:
步骤3-1.令x的初始密度吸引点x0=x;
步骤3-2.令x的初始步长其中/>为x与其最近的轨迹点之间的距离;
步骤3-3.第k+1次迭代后x的密度吸引点其中xk为第k次迭代后x的密度吸引点,/>为第k次迭代后x的步长,/>表示/>的梯度,/> d(xk,xj)为xk和第j个轨迹点xj之间的欧氏距离,h为平滑参数;
步骤3-4.找到离xk最近的轨迹点i,更新步长 为i与其最近的轨迹点之间的距离;
步骤3-5,若则输出xk为最终x的密度吸引点;其中/> d(xk+1,xj)为xk+1和xj之间的欧氏距离。
进一步,步骤七中,LZ-MS预测算法包括学习和预测两个阶段;
在学习阶段,具体步骤包括:
步骤6-1-1.以长度为n的训练序列结合LZ-MS算法中的参数输入移位S以及回移解析M进行短语解析并构造字典树,在字典树中的每个节点都设置了K个计数器,每个可能的符号对应一个计数器,内部节点中的计数器等于其所有子计数器之和,其中K为序列中的字符数;
步骤6-1-2.给定一个新解析的短语s′,从根开始根据s′遍历树,当到达叶子节点时,通过使该叶子节点成为内部节点并将K个叶子节点添加到这个新的内部节点来扩展树;
在预测阶段,计算已知符号s的情况下符号σ出现的条件概率具体步骤包括:
步骤6-2-1.从根开始并根据s遍历步骤6-1-2扩展后的树,如果在消耗掉S之前达到叶子节点,那LZ-MS算法继续从根开始遍历,依此类推;
步骤6-2-2.在完成遍历(遍历在某个节点处结束)时,对σ出现的条件概率的预测是该节点中符号σ对应的计数器除以该节点处所有计数器之和。
有益效果:本发明提供的基于密度聚类算法和变阶马尔可夫模型的车辆轨迹预测方法,具有如下优点:
1.本方法综合考虑了各种聚类算法的优缺点,并对现有的密度算法进行了改进,能够提高聚类效果,有效的提高了系统的准确度;
2.本方法在轨迹预测方面使用了LZ-MS算法进行概率预测,降低了系统进行概率计算时的复杂度,提高了系统的运行效率;
3.本方法操作简单,能够充分利用所给数据集中的信息,自适应的进行参数选择,提高了系统资源的利用效率。
附图说明
图1为本发明一个实施例的流程图。
具体实施方式
下面结合附图以及具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明一实施例提供一种基于密度聚类算法和变阶马尔可夫模型的车辆轨迹预测方法,通过将要人为输入的聚类算法参数改进成根据输入数据集的自适应参数,降低了算法复杂度,并在预测环节使用了更为简单使用的LZ-MS算法,使得预测概率更为准确。
如图1所示,本发明一实施例包括以下步骤:
步骤101:将收集好的包括N个轨迹点的车辆轨迹数据集输入到自适应密度聚类算法中,其中自适应密度聚类算法中采用了具有高斯核的密度函数:
其中d(i,j)指的是数据集中任意两轨迹点i和j之间的欧氏距离,h为平滑参数,h值的计算方法如下:
假设一个数据集中共有F个簇,分别是C1,C2,…,CF,设 则/>其中,/>表示簇C中所有轨迹点的平均值,C=C1,C2,…,CF。
步骤102:自适应密度聚类算法进一步处理输入的原始轨迹数据,根据输入的轨迹数据特征,自适应地赋予合适的参数值,将轨迹点进行聚类、降噪处理,并将聚类后的结果以序列形式输出。
具体过程如下:
步骤102-1.计算每个轨迹点与其最近的轨迹点之间的距离,并将计算结果从小到大排序。
步骤102-2.使用具有自适应步长的爬山算法,计算每个轨迹点的密度吸引点。具体过程如下:
①.令轨迹x的初始密度吸引点x0=x;
②.令x的初始步长其中/>为x与其最近的轨迹点之间的距离;
③.第k+1次迭代后x的密度吸引点其中xk为第k次迭代后x的密度吸引点,/>为第k次迭代后x的步长,/>表示/>的梯度,/>
④.找到离xk最近的轨迹点i,更新步长 为i与其最近的轨迹点之间的距离;
⑤,若则输出xk为最终x的密度吸引点。
步骤102-3.将具有相同密度吸引点的轨迹点划分为同一簇。其中,对于任意两个密度吸引点a和b,如果它们之间的距离小于等于或/>则将a和b所属的两个簇合并为一个簇,其中/>是a、b对应的最终步长。这里需要说明的是,在上一步中使用具有自适应步长的爬山算法得到x的密度吸引点时,x的最后一个步长是/>对于所有的轨迹点,我们可以得到最后步长集/>
步骤102-4.对簇进行降噪处理:判断每个簇中轨迹点的数目是否大于如果是,则保留该簇,否则,则将该簇内所有的轨迹点视为噪声点,并删除该簇。
步骤102-5.对步骤102-4得到的每个簇分别进行符号标记,将被标记了的簇按照时间排序后输出符号序列。
步骤103:将步骤102-5输出的符号序列输入到变阶马尔可夫模型中,并使用LZ-MS算法进行预测,预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果。
LZ-MS算法设置两个新参数,分别是输入位移S和回移解析M,其中S参数可使序列被解析S+1次,用于从序列中提取更多的短语,M参数在每个短语提取后再向后移位M个符号,用于找到要预测符号的最小上下文。通过引入上述的两个参数,可以在学习过程中提取更多短语以及尽可能确保下一个短语的最小上下文来改进lz-78预测算法。
如表1所示,假设输入序列根据M、S参数选择不同,算法所能提取出的短语集也有所不同。以(M,S)=(1,0)为例,当我们使用普通的LZ-78算法并利用字典树来计算某概率/>时,字符b的上下文就是raa,预测概率为/>当我们使用LZ-MS算法并将参数设置为(M,S)=(1,0)时,字符b的最小上下文为a,且/>
表1使用LZ-MS算法对某序列进行概率预测提取出的短语集
LZ-78(M,S) | 从序列中解析出来的短语 |
LZ-78(0,0) | {a,b,r,ac,ad,ab,ra} |
LZ-78(0,1) | {a,b,r,ac,ad,ab,ra,br,aca,d,abr} |
LZ-78(1,0) | {a,ab,b,br,r,ra,ac,c,ca,ad,d,da,abr} |
LZ-78(1,1) | {a,ab,b,br,r,ra,ac,c,ca,ad,d,da,abr,bra,aca,ada,abra} |
LZ-78(2,0) | {a,ab,abr,b,br,bra,r,ra,rac,ac,aca,c,ca,cad,ad,ada,d,da,dab,abra} |
LZ-78(2,1) | {a,ab,abr,b,br,bra,r,ra,rac,ac,aca,c,ca,cad,ad,ada,d,da,dab,abra,brac,acad,adab} |
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。
Claims (2)
1.一种基于自适应密度聚类算法的车辆轨迹预测方法,其特征在于,该方法具体包括以下步骤:
步骤一:选定一个具有N个轨迹点的车辆轨迹数据集,N为正整数;
步骤二:计算每个轨迹点与其最近的轨迹点之间的距离,并将计算结果从小到大排序;
步骤三:使用具有自适应步长的爬山算法,计算每个轨迹点的密度吸引点;
步骤四:将具有相同密度吸引点的轨迹点划分为同一簇;
步骤五:判断每个簇中轨迹点的数目是否大于如果是,则保留该簇,否则,则将该簇内所有的轨迹点视为噪声点,并删除该簇;
步骤六:对步骤五得到的每个簇分别进行符号标记,将被标记了的簇按照时间排序后输出符号序列;
步骤七:将步骤六输出的符号序列输入到变阶马尔可夫模型中,并使用Lempel-Ziv-MS预测算法进行预测,即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果;
步骤三中,使用具有自适应步长的爬山算法计算轨迹点x的密度吸引点,具体步骤包括:
步骤3-1.令x的初始密度吸引点x0=x;
步骤3-2.令x的初始步长其中/>为x与其最近的轨迹点之间的距离;
步骤3-3.第k+1次迭代后x的密度吸引点其中xk为第k次迭代后x的密度吸引点,/>为第k次迭代后x的步长,/>表示/>的梯度,d(xk,xj)为xk和第j个轨迹点xj之间的欧氏距离,h为平滑参数;
步骤3-4.找到离xk最近的轨迹点i,更新步长 为i与其最近的轨迹点之间的距离;
步骤3-5,若则输出xk为最终x的密度吸引点;
其中d(xk+1,xj)为xk+1和xj之间的欧氏距离;
步骤七中,Lempel-Ziv-MS预测算法包括学习和预测两个阶段;
在学习阶段,具体步骤包括:
步骤6-1-1.以长度为n的训练序列结合Lempel-Ziv-MS算法中的参数输入移位S以及回移解析M进行短语解析并构造字典树,在字典树中的每个节点都设置了K个计数器,每个可能的符号对应一个计数器,内部节点中的计数器等于其所有子计数器之和,其中K为序列中的字符数;
步骤6-1-2.给定一个新解析的短语s',从根开始根据s'遍历树,当到达叶子节点时,通过使该叶子节点成为内部节点并将K个叶子节点添加到这个新的内部节点来扩展树;
在预测阶段,计算已知符号s的情况下符号σ出现的条件概率具体步骤包括:
步骤6-2-1.从根开始并根据s遍历步骤6-1-2扩展后的树,如果在消耗掉S之前达到叶子节点,那Lempel-Ziv-MS算法继续从根开始遍历,依此类推;
步骤6-2-2.在遍历完成的某个节点处,对σ出现的条件概率的预测结果是该节点中符号σ对应的计数器除以该节点处所有计数器之和。
2.根据权利要求1所述的一种基于自适应密度聚类算法的车辆轨迹预测方法,其特征在于,步骤四中还包括:对于任意两个密度吸引点a和b,如果它们之间的距离小于等于或/>则将a和b所属的两个簇合并为一个簇,其中/>是a、b对应的最终步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111325927.9A CN113902220B (zh) | 2021-11-10 | 2021-11-10 | 一种基于自适应密度聚类算法车辆轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111325927.9A CN113902220B (zh) | 2021-11-10 | 2021-11-10 | 一种基于自适应密度聚类算法车辆轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113902220A CN113902220A (zh) | 2022-01-07 |
CN113902220B true CN113902220B (zh) | 2024-04-02 |
Family
ID=79193748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111325927.9A Active CN113902220B (zh) | 2021-11-10 | 2021-11-10 | 一种基于自适应密度聚类算法车辆轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902220B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080084504A (ko) * | 2007-03-16 | 2008-09-19 | 제주대학교 산학협력단 | 도로 네트워크 공간에서 이동객체의 유사 궤적 클러스터링방법 |
CN111539454A (zh) * | 2020-03-30 | 2020-08-14 | 武汉理工大学 | 一种基于元学习的车辆轨迹聚类方法及系统 |
CN113313941A (zh) * | 2021-05-25 | 2021-08-27 | 北京航空航天大学 | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 |
-
2021
- 2021-11-10 CN CN202111325927.9A patent/CN113902220B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080084504A (ko) * | 2007-03-16 | 2008-09-19 | 제주대학교 산학협력단 | 도로 네트워크 공간에서 이동객체의 유사 궤적 클러스터링방법 |
CN111539454A (zh) * | 2020-03-30 | 2020-08-14 | 武汉理工大学 | 一种基于元学习的车辆轨迹聚类方法及系统 |
CN113313941A (zh) * | 2021-05-25 | 2021-08-27 | 北京航空航天大学 | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
基于环境约束的不确定车辆轨迹预测方法;张海基;;软件导刊;20180115(第01期);44-45, 48 * |
Also Published As
Publication number | Publication date |
---|---|
CN113902220A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
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 | |
CN105512727A (zh) | 一种基于Markov的个人路径预测方法 | |
CN109167805A (zh) | 基于城市场景中车联网时空数据的分析处理方法 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、系统及装置 | |
CN108882172B (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
CN107145526B (zh) | 一种路网下地理社交关键字反最近邻查询处理方法 | |
CN110059875B (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN110765582B (zh) | 基于马尔可夫链的自组织中心K-means微电网场景划分方法 | |
CN113065594A (zh) | 一种基于北斗数据与遥感影像融合的路网提取方法及装置 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN105205052A (zh) | 一种数据挖掘方法及装置 | |
CN112801411A (zh) | 一种基于生成对抗网络的网络流量预测方法 | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
Kim et al. | A daily tourism demand prediction framework based on multi-head attention CNN: The case of the foreign entrant in South Korea | |
CN113902220B (zh) | 一种基于自适应密度聚类算法车辆轨迹预测方法 | |
CN112052405A (zh) | 一种基于司机经验的寻客区域推荐方法 | |
CN113657533B (zh) | 一种面向时空场景构建的多元时间序列分割聚类方法 | |
CN116561327A (zh) | 基于聚类算法的政务数据管理方法 | |
CN116822628A (zh) | 一种基于优化知识图谱的犯罪团伙挖掘分析方法 | |
Lü et al. | A heuristic path-estimating algorithm for large-scale real-time traffic information calculating | |
CN108234596A (zh) | 航空信息推送方法及装置 | |
CN109120438B (zh) | 一种机会网络下的数据协同传输方法及系统 | |
CN103500219B (zh) | 一种标签自适应精准匹配的控制方法 |
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 |