CN114116926A - 基于公交站点信息匹配的乘客出行方式识别方法 - Google Patents

基于公交站点信息匹配的乘客出行方式识别方法 Download PDF

Info

Publication number
CN114116926A
CN114116926A CN202110648569.9A CN202110648569A CN114116926A CN 114116926 A CN114116926 A CN 114116926A CN 202110648569 A CN202110648569 A CN 202110648569A CN 114116926 A CN114116926 A CN 114116926A
Authority
CN
China
Prior art keywords
point
suspected
bus
stop
core 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.)
Pending
Application number
CN202110648569.9A
Other languages
English (en)
Inventor
朱顺应
姜宇舟
熊浩伟
沈燕
曹威
陈超然
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110648569.9A priority Critical patent/CN114116926A/zh
Publication of CN114116926A publication Critical patent/CN114116926A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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

Abstract

本发明采用的技术方案是：一种基于公交站点信息匹配的乘客出行方式识别方法，包括以下步骤：获取单个乘客某次的出行GPS数据，并将获得的GPS数据进行预处理；在预处理后的GPS数据中获取疑似停留点数据，并生成疑似点集合；将疑似停留点集合数据和公交站点数据进行比对，如果某一疑似停留点与任一公交站点的距离小于设定值，则判定该疑似停留点与公交站点匹配成功；比对该乘客该次出行GPS数据中疑似停留点与公交站点匹配成功次数和该乘客该次出行GPS数据中显示的轨迹内的公交站点数量；根据比对结果判定该乘客该次出行的出行方式。本发明提高了识别公交车与小汽车精度。

Description

基于公交站点信息匹配的乘客出行方式识别方法
技术领域
本发明属于交通大数据分析技术领域，具体涉及一种基于公交站点信息匹配的乘客出行方式识别方法。
背景技术
掌握居民出行方式并通过经济手段优化居民出行方式结构是现如今降低交通出行碳排放的关键方法，而通过特征提取对出行方式进行分类则是其中非常关键的一部分。目前的研究中主要使用支持向量机(SVM)、随机森林、人工神经网络等机器学习的方法对交通出行方式进行分类。通过多源融合数据可以增加特征数量从而提高分类准确度，但是由于小汽车和公交车在速度、加速度、出行距离等多种指标上具有非常相近的特征，此外，公交车和小汽车在出行时容易出现跟驰排队等现象，因此仅从特征纬度考虑仍然不能解决小汽车和公交车识别精度较低的问题。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于公交站点信息匹配的乘客出行方式识别方法，提高识别公交车与小汽车精度。
本发明采用的技术方案是：一种基于公交站点信息匹配的乘客出行方式识别方法，包括以下步骤：
S1，获取单个乘客某次的出行GPS数据，并将获得的GPS数据进行预处理；
S2，在预处理后的GPS数据中获取疑似停留点数据，并生成疑似停留点集合；
S3，将疑似停留点集合数据和公交站点数据进行比对，如果某一疑似停留点与任一公交站点的距离小于设定值，则判定该疑似停留点与公交站点匹配成功；
S4，比对该乘客该次出行GPS数据中疑似停留点与公交站点匹配成功次数和该乘客该次出行GPS数据中显示的轨迹内的公交站点数量；根据比对结果判定该乘客该次出行的出行方式。
上述技术方案中，所述步骤S1具体包括以下步骤：
通过智能终端设备获取乘客出行GPS数据，将GPS数据中的经纬度转化为平面坐标。
上述技术方案中，所述步骤S2具体包括以下步骤：
S2.1：遍历GPS数据中记录的车辆速度数据，当车辆的瞬时速度小于设定的速度阈值且持续时间大于等于设定的时间阈值，则判定此处为一个疑似停留点并加入疑似停留点集合。
上述技术方案中，一个疑似停留点对应生成一个停留点数据集，一个停留点数据集中包括多个轨迹点的数据；疑似停留点的平面坐标定义为
Figure BDA0003110877910000021
其中n为某个停留点数据集区间内的轨迹点的数量，xg与yg分别为该停留点数据集中第g个轨迹点的平面横坐标与纵坐标，g＝1,2...n；第i个疑似停留点Si的平面坐标为(xi,yi)。
上述技术方案中，所述步骤S2具体还包括以下步骤：
步骤2.2：在出行GPS数据中随机选择一个轨迹点p；
步骤2.3：若轨迹点p的邻域内包含的轨迹点的个数不小于设定的样本点阈值，则令轨迹点p为核心节点p并将该轨迹点放入核心节点集合；
当轨迹点p为核心节点时，将其周围所有的轨迹点都添加到簇C并执行步骤2.4；
当轨迹点p不为核心节点，在轨迹点p的领域中继续遍历，如果该邻域不存在核心节点，则跳转执行步骤2.2；
步骤2.4：选择离核心节点p的距离为r的另一轨迹点q进行邻域搜索，其中r为公交站点间的曼哈顿距离；若轨迹点q的邻域内包含的轨迹点的个数不小于设定的样本点阈值，则判定轨迹点q为核心节点并将该轨迹点放入核心节点集合；
当轨迹点q为核心节点时，将轨迹点q邻域中所有不在簇C的轨迹点添加入簇C，并令轨迹点q为核心节点p，再次执行步骤2.4；
当轨迹点q不为核心节点时，则在簇C中再选择一个轨迹点p，重复执行步骤2.3和2.4，直至出行GPS数据中所有轨迹点全部遍历；
步骤2.5：将核心节点集合内的核心节点进行排序；
步骤2.6：将核心节点集合中第i个核心节点与第i个疑似停留点Si的平面坐标相比较，若两者的平面距离小于设定的距离阈值，则认为此核心节点与通过步骤2.1得到的疑似停留点相同，反之则将此核心节点添加入疑似停留点集合。
上述技术方案中，所述步骤S3中定义停留点与公交站点间距离为：
Figure BDA0003110877910000031
其中第i个疑似停留点Si的平面坐标为(xi,yi)，第j个公交站点Stationi的平面坐标为(Xj,Yj)；遍历完所有的公交站点后若minLij≤R则令，否则令si＝0；si＝1表示第i个停留点为公交站点，R为设定值的阈值半径。
上述技术方案中，所述步骤S4中定义疑似停留点与公交站点的匹配率P：
Figure BDA0003110877910000032
N为该轨迹内的公交站点数量；当匹配率大于设定的阈值
时判定该乘客该次出行的GPS数据对应的出行方式为公交车，m为该乘客该次出行数据中的疑似停留点总数。
本发明的有益效果是：本发明解决了从特征选取的角度提高识别公交车与小汽车精度的局限性，利用公交车停靠的规律性，使用站点匹配的方法。通常在进行GPS数据挖掘时使用限制阈值的方法找到疑似停留点，再将所有疑似停留点位置的坐标与真实公交站点的坐标相匹配，当真实站点的匹配率大于一个阈值时，就可以判定该出行方式为公交车，站点匹配算法可以很大程度上提高公交车与小汽车的识别准确率。
本发明在基于阈值的站点匹配算法的基础上融合了改进的DBSCAN算法，减小了系统误差，同时提高了停留点的识别准确率，避免了因为阈值设置不当而导致的识别错误，同时基于公交站点间距特性通过改变邻域点选取方式来减少区域查询时间，既避免了疑似停留点的遗漏，又极大地缩短了算法的运行时间。
附图说明
图1是基于出行GPS数据和公交站点GIS信息的乘客出行方式判定的流程图；
图2是疑似停留点与公交站点匹配的示意图；
图3是以某线路某公交车为例计算所得的公交识别准确率图。
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的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。
如图1所示，本发明基于出行GPS数据与公交站点GIS信息的乘客出行方式判定。该方法融合了站点匹配算法与改进的DBSCAN算法，能够大幅度提高公交车与小汽车的识别准确率，同时具有运算量少、运算速度快的特点，能满足现如今交通出行大数据挖掘的需求。
为实现上述目的，本发明提供如下技术方案：
一种基于出行GPS数据与公交站点GIS信息的乘客出行方式判定，包括通过阈值处理的站点匹配算法与基于改进的DBSCAN算法的疑似停留点聚类分析；
所述的通过阈值处理的站点匹配算法，包括如下步骤：
步骤1-1：数据预处理；
通过智能终端设备获取乘客出行GPS数据，将GPS数据中的经纬度转化为平面坐标。
步骤1-2：寻找疑似停留点；并构建疑似停留点合集
公交车与小汽车最为明显的区分就在于公交车的规律性，定义疑似停留点——在使用交通工具出行时前后速度或状态发生变化的点，因此在正常的交通出行中疑似停留点可能出现在交叉口、公交站点、交通拥堵处。通过每次记录时车辆的瞬时速度，当瞬时速度v＜v*且持续时间t≥t*时可以认为此处为一个疑似停留点。并将该疑似停留点加入疑似停留点合集。
一个疑似停留点对应生成一个停留点数据集，一个停留点数据集中包括多个轨迹点的数据；疑似停留点的平面坐标定义为
Figure BDA0003110877910000051
其中n为某个停留点数据集区间内的轨迹点的数量，xg与yg分别为该停留点数据集中第g个轨迹点的平面横坐标与纵坐标，g＝1,2...n；第i个疑似停留点Si的平面坐标为(xi,yi)。
步骤1-3：匹配公交站点；
如果某一疑似停留点与任一公交站点的距离小于R，那么可以认为此时车辆是在公交站点停靠的，即疑似停留点与公交站点匹配成功。定义停留点与公交站点间距离：
Figure BDA0003110877910000052
其中第i个停留点Si的平面坐标为(xi,yi)，第j个公交站点Stationi的平面坐标为(Xj,Yj)；遍历完所有的公交站点后若minLij≤R则令，否则令si＝0。(si＝1表示第i个停留点为公交站点，R为设定的阈值半径)
步骤1-4：判定交通方式；
由于公交车辆在出行过程中会在出行路径沿线逐站停留，停靠站点的比例相对较大；而小汽车的停靠不受站点的制约，不会发生逐站停靠的现象，利用这一特点就可以识别出小汽车与公交车这两种不同的出行方式。定义匹配率：
Figure BDA0003110877910000061
N为该轨迹内的公交站点数量；当匹配率大于设定的阈值时我们可以认为该轨迹数据对应的出行方式为公交车。
所述的基于改进的DBSCAN算法的疑似停留点聚类分析，包括如下步骤：
步骤2-1：在出行GPS数据中随机选择一个轨迹点p；
步骤2-2：若轨迹点p的邻域内包含的轨迹点的个数不小于设定的样本点阈值，则令轨迹点p为核心节点p并将该轨迹点放入核心节点集合；
当轨迹点p为核心节点时，将其周围所有的轨迹点都添加到簇C并执行步骤2-3；
当轨迹点p不为核心节点，在轨迹点p的领域中继续遍历，如果该邻域不存在核心节点，则跳转执行步骤2-1；
步骤2-3：选择离核心节点p的距离为r的另一轨迹点q进行邻域搜索，其中r为公交站点间的曼哈顿距离；若轨迹点q的邻域内包含的轨迹点的个数不小于设定的样本点阈值，则判定轨迹点q为核心节点并将该轨迹点放入核心节点集合；
当轨迹点q为核心节点时,将轨迹点q邻域内所有不在簇C的轨迹点添加入簇C，并令轨迹点q为核心节点p，再次执行步骤2-3；
当轨迹点q不为核心节点时，则在簇C中再选择一个轨迹点p，重复执行步骤2-2和2-3，直至出行GPS数据中所有轨迹点全部遍历；
步骤2-4：将核心节点集合内的核心节点进行排序；
步骤2-5：将核心节点集合中第i个核心节点与第i个疑似停留点Si的平面坐标相比较，若两者的平面距离小于设定的距离阈值，则认为此核心节点与通过步骤1-2得到的疑似停留点相同，反之则将此核心节点添加入疑似停留点集合。
DBSCAN是基于一组邻域参数(ε,MinPts)来刻画样本分布密度。(1)ε邻域。对于点xj∈X，其邻域中包含的样本Nε(xj)＝{xi∈X|dist(xi，xj)≤ε}，此处的X为样本集。(2)核心对象：若xj的ε邻域至少包含MinPts个样本，即|Nε(xj)|≥MinPts，则xj是一个核心对象。
常规的ε的值可以直接设定，也可以用通过目标规划问题使用遗传算法等启发式算法搜索得出，目标规划函数如下所示：
Figure BDA0003110877910000071
Figure BDA0003110877910000072
其中a(xi)表示类D中某一个轨迹点xi与xi所属类内其他元素的平均0距离，b(xi)表示xi与不包含xi的所有其他类的最小平均距离，DN为类D的轨迹点个数。
这样的做法可以提高真实站点的的识别准确率，避免了因为阈值设置不当而导致的疑似停留点识别错误，同时优化算法的时间性能。
下面结合具体实施例，对本发明做出进一步解释说明：
本发明以武汉市某一公交线路总共15个公交站点为对象进行试验，部分站点的位置信息如表1所示。为了避免长时间的高峰期交通拥堵，选择的实验时间为13:00～16:30。使用智能设备终端记录的GPS数据以1s为时间间隔。在试验时设置v*＝0.5m/s，t*＝5s，Mint＝20m。
首先如步骤1-1所示，使用MATLAB进行Mercator投影变换，将公交站点的经纬度信息转化为XY平面坐标，公交站点的平面坐标如表3所示。
在步骤1-2中，以计算其中的一个疑似停留点为例，通过阈值判别的方法，当瞬时速度v＜0.5m/s且持续时间t≥5s时可以认为此处为一个疑似停留点。在公交GPS数据中遍历，找到的第一个停留点数据集中共有13个轨迹点，通过求解13个轨迹点的平均值计算得第一个疑似停留点的坐标为(12729978.27,3560233.234)。
表1轨迹点的数据格式：
Figure BDA0003110877910000081
在步骤1-3中，遍历该条线路的公交站点可得
Figure BDA0003110877910000082
若假设阈值半径R＝60m，则可令si＝1，表明此疑似停留点与华城广场公交站匹配成功。
在步骤1-4中，使用阈值站点匹配的方法计算某一份GPS数据共得疑似停留点26个，其中匹配到的公交站点数为11，即
Figure BDA0003110877910000083
当匹配率P大于设定的阈值P*时此份GPS数据可以判定出行方式为公交车。
在步骤2-1和2-2中，我们对步骤1-1中相同的GPS数据从初始点开始遍历，得到第一个核心节点，将其周围所有的轨迹点都添加到簇C，通过Mercator投影变换可得第一个核心节点平面坐标为(12729980.92，3560231.652)。
本具体实施例中取值为设定的样本点阈值MinPts＝4,领域ε＝9.7
在步骤2-3中，选择第一个核心节点的距离为400m的另一轨迹点q进行邻域搜索，判定其是否为核心节点，当找到核心节点时将其周围轨迹点都添加到簇C。重复循环执行上述步骤，最终遍历GPS数据中的所有轨迹点，获得核心节点集合。
在步骤2-4和2-5中，将通过改进DBSCAN聚类得到的第一个疑似停留点与阈值站点匹配所得的第一个疑似停留点比较，其间距L1＝3.08m＜Mint＝20m，则认为此点与阈值站点匹配所得疑似点相同，反之则将此点添加入疑似停留点集合。最后将更新后的疑似停留点集合重新进行站点匹配，最后可以匹配到的公交站点数为12，匹配率计算得
Figure BDA0003110877910000091
当匹配率P大于设定的阈值P*时此份GPS数据可以判定出行方式为公交车。
本发明最终的测试GPS数据样本数为16份，为了通过试验检验该发明对公交车分类准确率的影响，不断地不断改变R、P*的值来观察识别的准确率，其结果如下表4所示。由图3可以看出，当距离匹配值R逐渐增大时，识别率逐渐增加；当匹配比率值P*逐渐增大时，识别率发生下降；与实际情况相符。
表2公交站点位置信息
Figure BDA0003110877910000092
表3公交站点平面坐标
Figure BDA0003110877910000093
表4公交识别准确率
Figure BDA0003110877910000101
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种基于公交站点信息匹配的乘客出行方式识别方法，其特征在于：包括以下步骤：
S1，获取单个乘客某次的出行GPS数据，并将获得的GPS数据进行预处理；
S2，在预处理后的GPS数据中获取疑似停留点数据，并生成疑似停留点集合；
S3，将疑似停留点集合数据和公交站点数据进行比对，如果某一疑似停留点与任一公交站点的距离小于设定值，则判定该疑似停留点与公交站点匹配成功；
S4，比对该乘客该次出行GPS数据中疑似停留点与公交站点匹配成功次数和该乘客该次出行GPS数据中显示的轨迹内的公交站点数量；根据比对结果判定该乘客该次出行的出行方式。
2.根据权利要求1所述的一种基于公交站点信息匹配的乘客出行方式识别方法，其特征在于：所述步骤S1具体包括以下步骤：
通过智能终端设备获取乘客出行GPS数据，将GPS数据中的经纬度转化为平面坐标。
3.根据权利要求2所述的一种基于公交站点信息匹配的乘客出行方式识别方法，其特征在于：所述步骤S2具体包括以下步骤：
S2.1：遍历GPS数据中记录的车辆速度数据，当车辆的瞬时速度小于设定的速度阈值且持续时间大于等于设定的时间阈值，则判定此处为一个疑似停留点并加入疑似停留点集合。
4.根据权利要求3所述的一种基于公交站点信息匹配的乘客出行方式识别方法，其特征在于：一个疑似停留点对应生成一个停留点数据集，一个停留点数据集中包括多个轨迹点的数据；疑似停留点的平面坐标定义为
Figure FDA0003110877900000011
其中n为某个停留点数据集区间内的轨迹点的数量，xg与yg分别为该停留点数据集中第g个轨迹点的平面横坐标与纵坐标，g＝1,2...n；第i个疑似停留点Si的平面坐标为(xi,yi)。
5.根据权利要求4所述的一种基于公交站点信息匹配的乘客出行方式识别方法，其特征在于：所述步骤S2具体还包括以下步骤：
步骤2.2：在出行GPS数据中随机选择一个轨迹点p；
步骤2.3：若轨迹点p的邻域内包含的轨迹点的个数不小于设定的样本点阈值，则令轨迹点p为核心节点p并将该轨迹点放入核心节点集合；
当轨迹点p为核心节点时，将其周围所有的轨迹点都添加到簇C并执行步骤2.4；
当轨迹点p不为核心节点，在轨迹点p的领域中继续遍历，如果该邻域不存在核心节点，则跳转执行步骤2.2；
步骤2.4：选择离核心节点p的距离为r的另一轨迹点q进行邻域搜索，其中r为公交站点间的曼哈顿距离；若轨迹点q的邻域内包含的轨迹点的个数不小于设定的样本点阈值，则判定轨迹点q为核心节点并将该轨迹点放入核心节点集合；
当轨迹点q为核心节点时，将轨迹点q邻域中所有不在簇C的轨迹点添加入簇C，并令轨迹点q为核心节点p，再次执行步骤2.4；
当轨迹点q不为核心节点时，则在簇C中再选择一个轨迹点p，重复执行步骤2.3和2.4，直至出行GPS数据中所有轨迹点全部遍历；
步骤2.5：将核心节点集合内的核心节点进行排序；
步骤2.6：将核心节点集合中第i个核心节点与第i个疑似停留点Si的平面坐标相比较，若两者的平面距离小于设定的距离阈值，则认为此核心节点与通过步骤2.1得到的疑似停留点相同，反之则将此核心节点添加入疑似停留点集合。
6.根据权利要求2所述的一种基于公交站点信息匹配的乘客出行方式识别方法，其特征在于：所述步骤S3中定义停留点与公交站点间距离为：
Figure FDA0003110877900000031
其中第i个疑似停留点Si的平面坐标为(xi,yi)，第j个公交站点Stationi的平面坐标为(Xj,Yj)；遍历完所有的公交站点后若minLij≤R则令si＝1，否则令si＝0；si＝1表示第i个停留点为公交站点，R为设定值的阈值半径。
7.根据权利要求6所述的一种基于公交站点信息匹配的乘客出行方式识别方法，其特征在于：所述步骤S4中定义疑似停留点与公交站点的匹配率P：
Figure FDA0003110877900000032
N为该轨迹内的公交站点数量；当匹配率P大于设定的阈值P*时判定该乘客该次出行的GPS数据对应的出行方式为公交车，m为疑似停留点的总数。
CN202110648569.9A 2021-06-10 2021-06-10 基于公交站点信息匹配的乘客出行方式识别方法 Pending CN114116926A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110648569.9A CN114116926A (zh) 2021-06-10 2021-06-10 基于公交站点信息匹配的乘客出行方式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110648569.9A CN114116926A (zh) 2021-06-10 2021-06-10 基于公交站点信息匹配的乘客出行方式识别方法

Publications (1)

Publication Number Publication Date
CN114116926A true CN114116926A (zh) 2022-03-01

Family

ID=80359272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110648569.9A Pending CN114116926A (zh) 2021-06-10 2021-06-10 基于公交站点信息匹配的乘客出行方式识别方法

Country Status (1)

Country Link
CN (1) CN114116926A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115348546A (zh) * 2022-06-27 2022-11-15 荣耀终端有限公司 用户出行方式识别方法及装置
CN117709692A (zh) * 2024-02-06 2024-03-15 四川绿豆芽信息技术有限公司 一种碳指标发放方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0306029D0 (en) * 2003-03-17 2003-04-23 Hill Roger Travel communication system
CN104751631A (zh) * 2015-03-13 2015-07-01 同济大学 基于gps定位和模糊理论判断出行链交通方式的方法
CN111508228A (zh) * 2020-04-01 2020-08-07 佛山市城市规划设计研究院 利用手机gps及电子地图数据的公共交通出行链的获取方法
CN111862606A (zh) * 2020-07-22 2020-10-30 南京瑞栖智能交通技术产业研究院有限公司 一种基于多源数据的非法营运车辆识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0306029D0 (en) * 2003-03-17 2003-04-23 Hill Roger Travel communication system
CN104751631A (zh) * 2015-03-13 2015-07-01 同济大学 基于gps定位和模糊理论判断出行链交通方式的方法
CN111508228A (zh) * 2020-04-01 2020-08-07 佛山市城市规划设计研究院 利用手机gps及电子地图数据的公共交通出行链的获取方法
CN111862606A (zh) * 2020-07-22 2020-10-30 南京瑞栖智能交通技术产业研究院有限公司 一种基于多源数据的非法营运车辆识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨飞等: "《基于手机定位数据的个体出行行为特征分析技术研究 方法与实证》", 31 May 2017, 同济大学出版社 *
覃辉，马超，朱茂栋主编: "《建筑工程测量 MSMT版》", 重庆大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115348546A (zh) * 2022-06-27 2022-11-15 荣耀终端有限公司 用户出行方式识别方法及装置
CN117709692A (zh) * 2024-02-06 2024-03-15 四川绿豆芽信息技术有限公司 一种碳指标发放方法及系统
CN117709692B (zh) * 2024-02-06 2024-05-03 四川绿豆芽信息技术有限公司 一种碳指标发放方法及系统

Similar Documents

Publication Publication Date Title
CN109686125B (zh) 一种基于hmm的v2x车联网车辆防撞预警系统
CN111081016B (zh) 一种基于复杂网络理论的城市交通异常识别方法
US8417443B2 (en) Travel pattern information obtaining device, travel pattern information obtaining method, and travel pattern information obtaining program
CN111444767B (zh) 一种基于激光雷达的行人检测和追踪方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN114116926A (zh) 基于公交站点信息匹配的乘客出行方式识别方法
CN108961758B (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN110516702B (zh) 一种基于流数据的离散路径规划方法
CN109635914B (zh) 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
CN112560915A (zh) 一种基于机器学习的城市快速路交通状态识别方法
CN113506457A (zh) 基于大型停车场场景下寻找停车位的装置和方法
CN116071722A (zh) 基于路段轨迹的车道几何信息提取方法、系统、设备及介质
CN116010838A (zh) 一种融合密度值和K-means算法的车辆轨迹聚类方法
CN116434523A (zh) 信息感知场景下基于约束度的车辆主动安全管控方法及装置
CN115187944A (zh) 一种车道线检测方法及装置
CN112507867B (zh) 一种基于EDLines线特征的车道线检测方法
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法
Wei et al. Least square-support vector regression based car-following model with sparse sample selection
CN112258881B (zh) 基于智慧交通的车辆管理方法
CN116229720A (zh) 一种智能车路系统的交通事故判别方法
CN115206104A (zh) 一种基于手机信令数据的城市居民交通出行方式识别方法
CN113887659A (zh) 一种基于朴素贝叶斯的车辆类型分类算法
CN111860396A (zh) 识别归纳车辆当前区域拥堵状况的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220301