CN114416710B - 一种快速路车辆od位置提取方法及系统 - Google Patents
一种快速路车辆od位置提取方法及系统 Download PDFInfo
- Publication number
- CN114416710B CN114416710B CN202111646253.2A CN202111646253A CN114416710B CN 114416710 B CN114416710 B CN 114416710B CN 202111646253 A CN202111646253 A CN 202111646253A CN 114416710 B CN114416710 B CN 114416710B
- Authority
- CN
- China
- Prior art keywords
- data
- mobile phone
- track
- phone signaling
- license plate
- 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 48
- 230000011664 signaling Effects 0.000 claims abstract description 175
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种快速路车辆OD位置提取方法及系统,包括以下步骤:获取同一区域内的手机信令数据与车牌识别数据;分别对手机信令数据和车牌识别数据进行预处理;对手机信令数据轨迹进行切分,得到具有出行次序的手机信令数据;通过三维轨迹数据对手机信令数据轨迹与车牌识别数据轨迹进行匹配,得到车辆与其对应的手机信令用户;提取车辆在车牌识别数据中途径某路段的经过时间,计算该经过时间与车辆对应的手机信令用户出行轨迹点的时间差,取时间差最小值所在的手机信令数据的出行次序首末位置为该车辆此次出行的OD。本发明弥补自动车牌识别数据中的行程信息缺失问题,结合终端信令数据,对快速路车辆进行行程信息的修补。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种快速路车辆OD位置提取方法。
背景技术
随着国民经济的飞速发展以及城市化进程的加快,城市快速路的负荷也日渐饱和,出现了拥堵甚至在高峰时段停行的现象,交通智能化管理是可以有效缓解快速路拥堵状态的手段之一,交通信息化更是交通智能化管理的前提。
目前,学者们认为城市交通设施的功能化可以对日益恶化的交通状况以及交通拥堵起到改善和缓解的作用。因此,以过境交通为主,可以分担大运量、做到长途运输的城市快速路就应运而生。城市快速路具有单向多车道、中央分隔带、全立体交叉、保证连续行驶、通行能力大的特点。研究表明,城市快速路承载了大量的城市交通,有效改善了城市交通状况。然而,由于随着交通量的快速增长、路网扩张的局限性以及交通管理的盲目性等原因,城市快速路的负荷日渐饱和,甚至在高峰时段出现拥堵和停行现象,严重影响了城市快速路的交通质量。因此,提高城市快速路的交通效率、利用现代化交通系统对日益拥堵的城市快速路提供智能化的管理手段已变得越来越迫切。随着交通科学技术的不断进步,道路网络上的交通信息采集和传输的设备也越来越齐全完善,这为交通智能化的研究提供了物质基础。
信息时代的发展,越来越多交通数据资源(如手机信令数据,车牌识别数据,公交刷卡数据,车辆GPS数据等)可供我们分析出行者的OD(起止点)信息。然而单独的自动车牌识别数据存在自动车牌识别设备覆盖率低、车牌识别错误、部分车牌无法识别等问题。
发明内容
本发明的目的是提供一种快速路车辆OD位置提取方法及系统,弥补自动车牌识别数据中的行程信息缺失问题,结合终端信令数据,对快速路车辆进行行程信息的修补。
为了解决上述技术问题,本发明提供了一种快速路车辆OD位置提取方法,包括以下步骤:
S1:获取同一区域内的手机信令数据与车牌识别数据;
S2:分别对手机信令数据和车牌识别数据进行预处理,以获得质量控制后的手机信令数据轨迹与车牌识别数据轨迹;
S3:对手机信令数据轨迹进行切分,得到具有出行次序的手机信令数据;
S4:通过三维轨迹数据对手机信令数据轨迹与车牌识别数据轨迹进行匹配,得到车辆与其对应的手机信令用户;
S5:提取车辆在车牌识别数据中途径某路段的经过时间,计算该经过时间与车辆对应的手机信令用户出行轨迹点的时间差,取时间差最小值所在的手机信令数据的出行次序首末位置为该车辆此次出行的OD。
作为本发明的进一步改进,所述手机信令数据包括用户ID、基站编号、进入基站时间、离开基站时间、基站经度与基站纬度数据;所述车牌识别数据包括识别设备数据和检测数据,所述识别设备数据包括卡口编号、卡口名称、卡口经度和卡口纬度,所述检测数据包括车牌号码和经过时间。
作为本发明的进一步改进,所述手机信令数据预处理包括以下步骤:
删除重复手机信令数据;
剔除手机信令数据中的漂移数据:对于手机信令用户轨迹中存在数据点与邻近两点的距离均大于第一阈值,且其中一邻近点的位置与另一邻近点的位置距离小于两倍的第一阈值,则该数据点为漂移数据点,剔除此漂移数据点;
剔除手机信令数据中的乒乓数据:对于手机信令用户轨迹中,任意相邻时间轨迹点中,任意相邻轨迹点之间的速度均大于第二阈值,则剔除中间轨迹点,保留初始点和终点,得到真实的手机信令数据轨迹。
作为本发明的进一步改进,所述车牌识别数据预处理包括以下步骤:
对于冗余的重复车牌识别数据,仅保留第一条车牌识别数据;
删除车牌号码、卡口编号、经过时间有缺失的车牌识别数据;
删除车牌号码字段出现不符合车牌号码编排规则的异常车牌识别数据。
作为本发明的进一步改进,所述车牌识别数据预处理还包括:将车牌识别数据的经过时间字段格式匹配为以分钟为单位的手机信令数据进入、离开基站时间格式,且将车牌识别数据中的经度、纬度字段转换为手机信令数据中高德坐标系的经度和纬度。
作为本发明的进一步改进,所述手机信令数据轨迹进行切分包括以下步骤:
S31:将手机信令数据以用户ID为主关键字,进入基站时间为次关键字进行升序排列,生成每个信令用户一天的出行链;
S32:对于每个信令用户,任意k个时间相邻的轨迹点中任意两个时间相邻轨迹点间的速度v小于第三阈值,且信令用户在k个时间相邻轨迹点停留的时间大于第四阈值,则此时间相邻的k个轨迹点均被识别为停驻点;
S33:以停驻点为轨迹切分点,自第一条未被识别为停驻点的手机信令数据开始,将连续的任意个非停驻点标记出行次序为相同数字,遇到停驻点则标记其之后的任意个连续非停驻点出行次序为上一个数字的递增数字,以此递进排列手机信令数据;
S34:删除手机信令数据中的停驻点,保留进行轨迹切分识别出行次数后的数据;
其中,所述步骤S32中两个时间相邻轨迹点间速度v的计算公式如下:
作为本发明的进一步改进,所述手机信令数据轨迹与车牌识别数据轨迹进行匹配前,对手机信令数据出行模式进行识别,包括以下步骤:
利用手肘法确定最佳聚类参数K,计算公式如下:
式中:K为聚类参数;Ci为第i个簇;p为Ci中的样本点;mi为Ci的质心;
对区域内数据划分出行次序并根据是否有地铁站内记录进行分类后,分别通过手肘法确定聚类簇数,并将上述聚类指标输入K-means++算法进行聚类,得到无地铁站内记录K-means++算法聚类结果与有地铁站内记录K-means++算法聚类结果,识别非机动车出行以及轨道交通且无换乘其他交通方式的出行模式;剔除出行仅包含轨道交通且无换乘其他交通方式的出行和非机动车出行的信令用户,以减少轨迹匹配过程中的计算量。
作为本发明的进一步改进,所述手机信令数据轨迹与车牌识别数据轨迹进行匹配具体包括以下步骤:
S41:查找所有手机信令数据轨迹与车牌识别数据轨迹序列中最长公共子序列,并通过轨迹伸展来测量两个轨迹的相似程度:手机信令数据轨迹中一轨迹点与车牌识别数据中一轨迹点采用LCS算法垂直匹配第五阈值判断两个点是否匹配,即计算量轨迹的欧式距离,判断此距离是否小于第五阈值;
S42:车牌识别数据按经过时间排序,自上而下对其轨迹中的每个轨迹点进行以下步骤:
S421:对车牌数据中的第一个轨迹点,计算该轨迹点的经过时间与手机信令数据中每个轨迹点进入基站时间的差值,若该差值小于时间阈值,则将该部分手机信令数据轨迹点标记为时间匹配轨迹点;
S422:对于时间匹配轨迹点,计算这些手机信令轨迹点与车牌识别数据中轨迹点的欧氏距离,在两点间距离小于第五阈值的手机信令轨迹点对应的手机信令用户ID后的匹配次数字段写入1次;
S423:对未在匹配次数字段写入任何字符串的手机信令数据,计算手机信令数据任意相邻的两个轨迹点,计算轨迹点到这两点连成的线段的垂足,若垂足在线段上,则判断垂足是否满足时间阈值与第五阈值,满足则在手机信令轨迹点对应的手机信令用户ID后的匹配次数字段写入1次;
S424:对车牌识别数据中的每个轨迹点重复步骤S421-S423,若在写入匹配次数字段时已有次数,则在该次数基础上增添一次;
S425:在一个车牌下的车牌识别数据所有轨迹点都完成上述步骤后,选择手机信令数据匹配次数字段次数最高的信令用户为该车辆对应的手机信令用户。
作为本发明的进一步改进,利用路径相似度来验证匹配结果的可靠性,具体包括以下步骤:
LCS的相似度为SLCS(Pi,R,Pi′,R′)=DLCS(Pi,R,Pi′,R′)/mir{R,R′},其中,DLCS(Pj,R,Pi′,R′)表示两个轨迹间的最长公共子序列的长度,min{R,R′}表示轨迹Pj,R与轨迹Pj′,R′中长度较小的序列长度,取值在0~1之间;根据定义,SLCS(Pj,R,Pj′,R′)的值越接近1,表示两个轨迹越相似。
一种快速路车辆OD位置提取系统,采用如上所述的一种快速路车辆OD位置提取方法进行车辆OD位置提取。
本发明的有益效果:本发明利用手机信令数据对自动车牌识别数据的行程信息缺失进行弥补,填充了自动车牌识别数据对于OD估计的数据缺失;建立了卡口过车数据与手机信令数据的匹配算法,为城市快速路的OD信息获取提供了一种新的方法,可提高相关数据采集的准确性,提供更加准确、实时的交通数据,为交通智能化的研究提供物质基础,以便提高城市快速路的交通效率,改善和缓解日益恶化的交通状况以及交通拥堵,为制定交通需求管理政策提供更准好的依据
附图说明
图1是本发明方法总体流程示意图;
图2是本发明实施例中乒乓切换处理示意图;
图3是本发明实施例中用户5**原始手机信令数据出行轨迹图;
图4是本发明实施例中用户5**质量控制后手机信令数据出行轨迹图;
图5是本发明实施例中*E2***6轨迹匹配结果;
图6是本发明实施例中样本车辆O点分布图;
图7是本发明实施例中样本车辆D点分布图。
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。
参考图1,本发明提供了一种快速路车辆OD位置提取方法,包括以下步骤:
S1:获取同一区域内的手机信令数据与车牌识别数据;
S2:分别对手机信令数据和车牌识别数据进行预处理,以获得质量控制后的手机信令数据轨迹与车牌识别数据轨迹;
S3:对手机信令数据轨迹进行切分,得到具有出行次序的手机信令数据;
S4:通过三维轨迹数据对手机信令数据轨迹与车牌识别数据轨迹进行匹配,得到车辆与其对应的手机信令用户;
S5:提取车辆在车牌识别数据中途径某路段的经过时间,计算该经过时间与车辆对应的手机信令用户出行轨迹点的时间差,取时间差最小值所在的手机信令数据的出行次序首末位置为该车辆此次出行的OD。
本发明中手机信令数据为电信、移动、联通三家运营商的手机信令数据,自动车牌识别数据为研究区域内电子警察与公安自动车牌识别设备提供的自动车牌识别数据。
具体的,以某市某日某快速路某路至某路路段的自动车牌识别数据与手机信令数据为例,介绍本发明的具体实施过程。
某市手机信令数据格式如表1:
字段名称 | 字段描述 | 举例说明 |
id | 信令用户的id编号 | 32050100********010001 |
station | 手机信令基站的编号 | wt****h |
in | 进入基站的时间 | 985 |
out | 离开基站的时间 | 989 |
c_lon | 手机信令基站的经度 | 120.5**** |
c_lat | 手机信令基站的纬度 | 31.3**** |
本实施例手机信令数据选取某日途经某路至某路路段起点附近2km内手机信令基站及终点附近2km内手机信令基站的手机信令数据,研究日数据量约为8000万条。
本实施例使用的自动车牌识别实验数据是由某市已有电子警察与公安自动车牌识别设备提供的自动车牌识别数据,共约5000个自动车牌识别设备。研究日车牌识别数据量约2000万条。数据格式如表2:
字段名称 | 字段描述 | 举例说明 |
kkbh | 车牌识别卡口的卡口编号 | 32050100********010001 |
kkmc | 车牌识别卡口的卡口名称 | 北环路-桐泾路(由东向西) |
lon | 车牌识别卡口的经度 | 120.5**** |
lat | 车牌识别卡口的纬度 | 31.3**** |
自动车牌识别设备检测到的数据中包含了数个无用字段,为了降低运算量,本实施例的实验数据选择车牌号码、经过时间、自动车牌识别设备经度、自动车牌识别设备纬度字段,自动车牌识别数据的数据格式如表3:
字段名称 | 字段描述 | 举例说明 |
cph | 车牌号码 | 沪A1***4 |
kkbh | 车牌识别卡口的卡口编号 | 32050100********010001 |
jgsj | 经过时间 | 2017-07-13 17:03:53 |
本实施例数据选取某日途经某路至某路路段的自动车牌识别数据,数据量约为30万条。
手机信令数据预处理,包括数据重复、数据漂移、乒乓切换的处理:
1)针对数据重复问题,本实施例采取直接删除的方式进行数据预处理;
2)漂移数据处理:对于给定的信令用户轨迹track,若存在点pointi,使pointi+1的位置与pointi的位置和pointi+2距离都大于给定距离阈值thr1,并且pointi+2的位置与pointi的位置距离小于2×thr1,那么处于中间的pointi+1被视为“漂移”点,剔除此类点;
阈值thr1反映了基站的建造距离,以此来判断数据漂移现象,通常情况下,手机信令基站的分布在人口密集区域在500m以内,在其他城市区域一般1-2km左右,在本实施例中阈值thr1的值选择为2km。
3)乒乓切换数据处理:对于给定的手机信令用户轨迹tFack中,任意相邻的k个时间相邻轨迹点pointi+1,pointi+2,…,pointi+k,计算k个相邻点中任意相邻两轨迹点之间的速度,若速度的值均大于阈值thr2,则剔除第i+2到第i+k-1个轨迹点,仅保留pointi+1和pointi+k,乒乓切换处理如图2所示。
阈值thr2反映出行时的速度,由于乒乓切换现象往往在速度较低时出现,本实施例的研究对象某路的限速为80km/h,因此在本实施例中该阈值选择为80km/h。
本实施例随机抽样选取id为5**的手机信令用户在某日的手机信令数据。该用户的原始手机信令出行轨迹如图3所示。
通过对该用户产生的手机信令数据进行去重、剔除漂移数据、剔除乒乓数据的处理后,进行数据预处理后的手机信令出行轨迹如图4所示。
车牌识别数据预处理:
由于自动车牌识别设备的质量原因,自动车牌识别数据存在车辆丢失、车牌丢失、车牌失准等问题,车牌失准包括识别的车牌存在不可能出现的汉字、符号,识别的车牌存在相似元素误判两种情况。对于车辆丢失和车牌存在不可能出现的汉字、符号问题,依靠自动车牌识别数据无法对该问题数据进行处理,本实施例针对未识别到车牌和识别的车牌中出现异常字符的情况进行预处理。
1)对于冗余的重复数据,仅保留第一条即可;
2)删除重要字段(车牌号码、卡口编号、经过时间)有缺失的自动车牌识别数据;
3)删除识别的车牌中出现异常字符,即车牌号码字段出现不符合车牌号码编排规则的异常数据。
自动车牌识别数据转换:
将自动车牌识别数据的经过时间字段格式匹配为以分钟为单位的手机信令数据进入、离开基站时间格式。
同时,自动车牌识别数据的经纬度坐标系为wgs84坐标系,而手机信令数据的经纬度坐标系为高德坐标系,为避免因坐标系不同而产生偏差,将自动车牌识别数据中的经度、纬度字段转换为高德坐标系的经度和纬度。
对自动车牌识别数据的经过时间、经度及纬度字段进行数据转换的伪代码如表4:
手机信令数据轨迹切分:
步骤一:将本实施例的手机信令实验数据以用户ID为主关键字,进入基站时间为次关键字进行升序排列,生成每个信令用户一天的出行链;
步骤二:对于每个不同的信令用户,任意的k个时间相邻的轨迹点中任意两个时间相邻轨迹点间的速度v小于阈值thr3,且用户在k个时间相邻轨迹点停留的时间大于阈值thr4,则此时间相邻的k个轨迹点均被识别为停驻点;
步骤三:对于每个不同的信令用户,以步骤二中识别的停驻点为轨迹切分点,自第一条未被识别为停驻点的手机信令数据开始,将连续的任意个非停驻点标记出行次序“1”,遇到停驻点则标记其之后的任意个连续非停驻点出行次序为“2”,以此类推。
步骤四:删除手机信令数据中的停驻点,仅保留进行轨迹切分识别出行次序后的数据用于后续的OD提取。
步骤二中的两个时间相邻轨迹点间速度v的计算公式如下:
本实施例使用基站位置替代信令用户的实际位置,且手机信令数据的时间精度为分钟,所以在判断用户信令轨迹点是否为停驻点时,阈值thr3设置为5km/h。阈值thr4反应的信令用户的停驻时间,而基站与终端进行数据交互的周期一般为30min,且30min也较为符合用户实际停留时间的范围,因此本发明阈值thr4设置为30min。
经过轨迹切分后得到信令用户的出行次序划分表,字段“出行次序”相同的是同一次出行,如表5:
手机信令数据出行模式识别:
本发明通过聚类的方法区分机动车、轨道交通、非机动车出行,剔除一天的出行仅包含轨道交通和非机动车出行的信令用户,用以减少轨迹匹配过程中的计算量。
利用手肘法确定最佳聚类参数K,计算公式如下:
式中:
K——聚类参数;
Ci——第i个簇;
p——Ci中的样本点;
mi——Ci的质心(中心点)。
对研究区域数据划分出行次序并根据是否有地铁站内记录进行分类后,分别通过手肘法确定聚类簇数,并将上述聚类指标输入K-means++算法进行聚类,得到无地铁站内记录K-means++算法聚类结果与有地铁站内记录K-means++算法聚类结果,分别如表6与表7所示:
表6无地铁站内记录K-means++算法聚类结果:
表7有地铁站内记录K-means++算法聚类结果:
由此可以知道,非机动车的出行距离较低,出行时长较短,平均速度较低,且由于散步等无目的的出行,往往具有相对较高的路径复杂度。所以本发明将表6中簇编号为4的出行模式识别为非机动车出行。而考虑到人们在乘坐轨道交通出行时还存在换乘其他交通方式的情况,所以对有地铁站内记录的出行进行聚类后,得到5、6两簇出行模式,其中簇编号为6的出行模式地铁出行时长和距离均较高,本发明将其识别为乘坐轨道交通且无换乘其他交通方式的出行模式。
剔除出行仅包含轨道交通且无换乘其他交通方式的出行和非机动车出行的信令用户,用以减少轨迹匹配过程中的计算量。
轨迹匹配算法,包括手机信令数据与自动车牌识别数据轨迹匹配,轨迹相似度检验:
1)最长公共子序列,用来查找所有序列中最长子序列,并通过轨迹伸展来测量2个轨迹的相似程度。假设Pj,R和Pj′,R′分别为手机信令数据的第j条轨迹与自动车牌识别数据的第j′条轨迹。pjr表示轨迹Pj,R中第r个数据点,pj′r′表示轨迹Pj′,R′中第r′个数据点,LCS采用垂直匹配阈值thr5来判断2个点是否匹配,也就是计算pjr与pj′,r′间的欧氏距离,判断距离是否小于阈值thr5。阈值thrs与阈值thr1类似,反映了基站的建造距离,在本发明中阈值thr5的值选择为2km。
2)手机信令数据与自动车牌识别数据轨迹匹配:通过三维轨迹数据(经度、纬度、经过时间)来进行手机信令数据与自动车牌识别数据的轨迹匹配。增加时间维度后在进行两个轨迹点的匹配判断时需增加时间阈值thr6,在筛选后的自动车牌识别数据中随机挑选某一车牌在一天内的所有出行数据集,按经过时间排序,自上而下对轨迹中的每个轨迹点进行如下操作:
步骤一:对自动车牌数据中的第一个轨迹点pi′1,计算该轨迹点的经过时间与手机信令数据中每个轨迹点进入基站时间的差值,若该差值小于阈值thr6,则将该部分手机信令数据轨迹点标记为“时间匹配轨迹点”;
步骤二:对于步骤一中标记的“时间匹配轨迹点”,计算这些手机信令轨迹点与自动车牌识别数据中轨迹点pj′1的欧氏距离,在两点间距离小于阈值thr5的手机信令轨迹点对应的手机信令用户id后的“匹配次数”字段写入“1次”;
步骤三:对未在“匹配次数”字段写入任何字符串的手机信令数据,计算手机信令数据任意相邻的两个轨迹点,计算轨迹点pj′1到这两点连成的线段的垂足,若垂足在线段上,则判断垂足是否满足阈值thr5与thr6,满足则在手机信令轨迹点对应的手机信令用户id后的“匹配次数”字段写入“1次”;
步骤四:对自动车牌数据中的每个轨迹点重复上述步骤,若在写入“匹配次数”字段时已有次数,则在该次数基础上增添一次;
步骤五:在一个车牌下的自动车牌识别数据所有轨迹点都完成上述步骤后,选择手机信令数据“匹配次数”字段次数最高的信令用户为该车牌对应的手机信令用户。
手机信令数据与自动车牌识别数据轨迹匹配的伪代码如表8:
3)轨迹相似度检验:利用路径相似度来验证匹配结果的可靠性:
LCS的相似度为SLCS(Pj,R,Pj′,R′)=DLCS(Pj,R,Pi′,R′)/min{R,R′},其中DLCS(Pj,R,Pj′,R′)表示两个轨迹间的最长公共子序列的长度,min{R,R′}表示轨迹Pj,R与轨迹Pj′,R′中长度较小的序列长度,取值在0~1之间;根据定义,SLCS(Pj,R,Pj′,R′)的值越接近1,表示2个轨迹越相似。
随机抽取车牌为“*E2***6”的自动车牌识别数据一天的出行轨迹,将其按照上述匹配步骤在手机信令数据中进行匹配,匹配出与其对应的手机信令用户ID为7***9。轨迹匹配结果如图5所示。
该车牌轨迹与信令轨迹的最长公共子序列长度为39,两条轨迹中长度较小的轨迹长度为48,计算得SLCS=81.25%。
在筛选后的自动车牌识别数据中随机抽样230辆车的出行轨迹,将其按照5.2中的匹配步骤在手机信令数据中进行匹配,得到轨迹匹配结果及轨迹相似度,230条车牌识别轨迹的相似度均值为77.7%,部分结果如表9:
从随机抽样230辆车的轨迹匹配结果(部分)中可以看出本发明建立的轨迹匹配算法的轨迹相似度的均值接近80%,证实该算法通过三维轨迹数据(经度、纬度、经过时间)来进行手机信令数据与自动车牌识别数据的轨迹匹配有较好的匹配效果。
快速路车辆OD提取方法:
首先提取车辆在车牌识别数据中途经某路的经过时间,然后计算该经过时间与车辆对应匹配的信令用户信令出行轨迹点的时间差,取时间差最小值所在的手机信令数据出行次序首末位置为该车辆该次出行的出行OD。
OD提取方法的伪代码如表10:
按照上述提取方法对230辆车进行O点提取后的结果如图6所示,D点提取后的结果如图7所示。
本发明还提供了一种快速路车辆OD位置提取系统,采用如上所述的一种快速路车辆OD位置提取方法进行车辆OD位置提取。
需要注意的是,本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.一种快速路车辆OD位置提取方法,其特征在于:包括以下步骤:
S1:获取同一区域内的手机信令数据与车牌识别数据;
S2:分别对手机信令数据和车牌识别数据进行预处理,以获得质量控制后的手机信令数据轨迹与车牌识别数据轨迹;
S3:对手机信令数据轨迹进行切分,得到具有出行次序的手机信令数据;
S4:通过三维轨迹数据对手机信令数据轨迹与车牌识别数据轨迹进行匹配,得到车辆与其对应的手机信令用户;具体包括以下步骤:
S41:查找所有手机信令数据轨迹与车牌识别数据轨迹序列中最长公共子序列,并通过轨迹伸展来测量两个轨迹的相似程度:手机信令数据轨迹中一轨迹点与车牌识别数据中一轨迹点采用LCS算法垂直匹配第五阈值判断两个点是否匹配,即计算量轨迹的欧式距离,判断此距离是否小于第五阈值;
S42:车牌识别数据按经过时间排序,自上而下对其轨迹中的每个轨迹点进行以下步骤:
S421:对车牌数据中的第一个轨迹点,计算该轨迹点的经过时间与手机信令数据中每个轨迹点进入基站时间的差值,若该差值小于时间阈值,则将该部分手机信令数据轨迹点标记为时间匹配轨迹点;
S422:对于时间匹配轨迹点,计算这些手机信令轨迹点与车牌识别数据中轨迹点的欧氏距离,在两点间距离小于第五阈值的手机信令轨迹点对应的手机信令用户ID后的匹配次数字段写入1次;
S423:对未在匹配次数字段写入任何字符串的手机信令数据,计算手机信令数据任意相邻的两个轨迹点,计算轨迹点到这两点连成的线段的垂足,若垂足在线段上,则判断垂足是否满足时间阈值与第五阈值,满足则在手机信令轨迹点对应的手机信令用户ID后的匹配次数字段写入1次;
S424:对车牌识别数据中的每个轨迹点重复步骤S421-S423,若在写入匹配次数字段时已有次数,则在该次数基础上增添一次;
S425:在一个车牌下的车牌识别数据所有轨迹点都完成上述步骤后,选择手机信令数据匹配次数字段次数最高的信令用户为该车辆对应的手机信令用户;
S5:提取车辆在车牌识别数据中途径某路段的经过时间,计算该经过时间与车辆对应的手机信令用户出行轨迹点的时间差,取时间差最小值所在的手机信令数据的出行次序首末位置为该车辆此次出行的OD。
2.如权利要求1所述的一种快速路车辆OD位置提取方法,其特征在于:所述手机信令数据包括用户ID、基站编号、进入基站时间、离开基站时间、基站经度与基站纬度数据;所述车牌识别数据包括识别设备数据和检测数据,所述识别设备数据包括卡口编号、卡口名称、卡口经度和卡口纬度,所述检测数据包括车牌号码和经过时间。
3.如权利要求1所述的一种快速路车辆OD位置提取方法,其特征在于:所述手机信令数据预处理包括以下步骤:
删除重复手机信令数据;
剔除手机信令数据中的漂移数据:对于手机信令用户轨迹中存在数据点与邻近两点的距离均大于第一阈值,且其中一邻近点的位置与另一邻近点的位置距离小于两倍的第一阈值,则该数据点为漂移数据点,剔除此漂移数据点;
剔除手机信令数据中的乒乓数据:对于手机信令用户轨迹中,任意相邻时间轨迹点中,任意相邻轨迹点之间的速度均大于第二阈值,则剔除中间轨迹点,保留初始点和终点,得到真实的手机信令数据轨迹。
4.如权利要求1所述的一种快速路车辆OD位置提取方法,其特征在于:所述车牌识别数据预处理包括以下步骤:
对于冗余的重复车牌识别数据,仅保留第一条车牌识别数据;
删除车牌号码、卡口编号、经过时间有缺失的车牌识别数据;
删除车牌号码字段出现不符合车牌号码编排规则的异常车牌识别数据。
5.如权利要求1所述的一种快速路车辆OD位置提取方法,其特征在于:所述车牌识别数据预处理还包括:将车牌识别数据的经过时间字段格式匹配为以分钟为单位的手机信令数据进入、离开基站时间格式,且将车牌识别数据中的经度、纬度字段转换为手机信令数据中高德坐标系的经度和纬度。
6.如权利要求1所述的一种快速路车辆OD位置提取方法,其特征在于:所述手机信令数据轨迹进行切分包括以下步骤:
S31:将手机信令数据以用户ID为主关键字,进入基站时间为次关键字进行升序排列,生成每个信令用户一天的出行链;
S32:对于每个信令用户,任意k个时间相邻的轨迹点中任意两个时间相邻轨迹点间的速度v小于第三阈值,且信令用户在k个时间相邻轨迹点停留的时间大于第四阈值,则此时间相邻的k个轨迹点均被识别为停驻点;
S33:以停驻点为轨迹切分点,自第一条未被识别为停驻点的手机信令数据开始,将连续的任意个非停驻点标记出行次序为相同数字,遇到停驻点则标记其之后的任意个连续非停驻点出行次序为上一个数字的递增数字,以此递进排列手机信令数据;
S34:删除手机信令数据中的停驻点,保留进行轨迹切分识别出行次数后的数据;
其中,所述步骤S32中两个时间相邻轨迹点间速度v的计算公式如下:
7.如权利要求1所述的一种快速路车辆OD位置提取方法,其特征在于:所述手机信令数据轨迹与车牌识别数据轨迹进行匹配前,对手机信令数据出行模式进行识别,包括以下步骤:
利用手肘法确定最佳聚类参数K,计算公式如下:
式中:K为聚类参数;Ci为第i个簇;p为Ci中的样本点;mi为Ci的质心;
对区域内数据划分出行次序并根据是否有地铁站内记录进行分类后,分别通过手肘法确定聚类簇数,并将上述聚类指标输入K-means++算法进行聚类,得到无地铁站内记录K-means++算法聚类结果与有地铁站内记录K-means++算法聚类结果,识别非机动车出行以及轨道交通且无换乘其他交通方式的出行模式;剔除出行仅包含轨道交通且无换乘其他交通方式的出行和非机动车出行的信令用户,以减少轨迹匹配过程中的计算量。
8.如权利要求7所述的一种快速路车辆OD位置提取方法,其特征在于:利用路径相似度来验证匹配结果的可靠性,具体包括以下步骤:
LCS的相似度为SLCS(Pj,R,Pj′,R′)=DLCS(Pj,R,Pj′,R′)/min{R,R′},其中,DLCS(Pj,R,Pj′,R′)表示两个轨迹间的最长公共子序列的长度,min{R,R′}表示轨迹Pj,R与轨迹Pj′,R′中长度较小的序列长度,取值在0~1之间;根据定义,SLCS(Pj,R,Pj′,R′)的值越接近1,表示两个轨迹越相似。
9.一种快速路车辆OD位置提取系统,其特征在于:采用如权利要求1-8中任一项所述的一种快速路车辆OD位置提取方法进行车辆OD位置提取。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111646253.2A CN114416710B (zh) | 2021-12-29 | 2021-12-29 | 一种快速路车辆od位置提取方法及系统 |
PCT/CN2022/076025 WO2023123616A1 (zh) | 2021-12-29 | 2022-02-11 | 一种快速路车辆od位置提取方法及系统 |
US18/195,442 US20230274633A1 (en) | 2021-12-29 | 2023-05-10 | Method and system for extracting od locations of vehicle on expressway |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111646253.2A CN114416710B (zh) | 2021-12-29 | 2021-12-29 | 一种快速路车辆od位置提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114416710A CN114416710A (zh) | 2022-04-29 |
CN114416710B true CN114416710B (zh) | 2023-04-07 |
Family
ID=81270244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111646253.2A Active CN114416710B (zh) | 2021-12-29 | 2021-12-29 | 一种快速路车辆od位置提取方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230274633A1 (zh) |
CN (1) | CN114416710B (zh) |
WO (1) | WO2023123616A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410367B (zh) * | 2022-08-24 | 2024-04-12 | 华南理工大学 | 一种基于车牌识别数据的机动车轨迹可视化方法 |
CN115587503B (zh) * | 2022-11-23 | 2023-04-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多模式仿真的个体出行链还原方法 |
CN116822779B (zh) * | 2023-02-06 | 2024-06-04 | 长安大学 | 一种基于手机信令数据的高速公路机动车碳排放计算方法 |
CN117494011B (zh) * | 2023-12-29 | 2024-03-12 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车土石方运输特征的扬尘点位类型判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009064283A (ja) * | 2007-09-07 | 2009-03-26 | Omron Corp | 交通情報提供システムおよび交通情報提供方法 |
CN108122069A (zh) * | 2017-12-08 | 2018-06-05 | 杭州电子科技大学 | 基于海量交通数据居民出行起点终点矩阵提取方法 |
CN111445700A (zh) * | 2020-06-02 | 2020-07-24 | 苏州大学 | 一种基于车牌识别数据的区域行停车辆的监测方法 |
CN111768619A (zh) * | 2020-06-16 | 2020-10-13 | 苏州大学 | 一种基于卡口数据的快速路车辆od点确定方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504528A (zh) * | 2016-11-02 | 2017-03-15 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN107241512B (zh) * | 2017-06-30 | 2019-10-18 | 清华大学 | 基于手机数据的城际交通出行方式判断方法和设备 |
CN108717790B (zh) * | 2018-07-06 | 2021-02-26 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
US10969789B2 (en) * | 2018-11-09 | 2021-04-06 | Waymo Llc | Verifying predicted trajectories using a grid-based approach |
CN110276947B (zh) * | 2019-06-05 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种交通融合分析预测方法、系统及电子设备 |
CN110505583B (zh) * | 2019-07-23 | 2021-01-22 | 中山大学 | 一种基于卡口数据与信令数据的轨迹匹配方法 |
CN112543427B (zh) * | 2020-12-01 | 2021-11-09 | 江苏欣网视讯软件技术有限公司 | 基于信令轨迹及大数据分析识别城市交通走廊的方法与系统 |
CN112530166B (zh) * | 2020-12-01 | 2021-11-05 | 江苏欣网视讯软件技术有限公司 | 基于信令数据与大数据分析识别公交出行上下车站点的方法与系统 |
CN113256987B (zh) * | 2021-06-30 | 2021-10-29 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
-
2021
- 2021-12-29 CN CN202111646253.2A patent/CN114416710B/zh active Active
-
2022
- 2022-02-11 WO PCT/CN2022/076025 patent/WO2023123616A1/zh unknown
-
2023
- 2023-05-10 US US18/195,442 patent/US20230274633A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009064283A (ja) * | 2007-09-07 | 2009-03-26 | Omron Corp | 交通情報提供システムおよび交通情報提供方法 |
CN108122069A (zh) * | 2017-12-08 | 2018-06-05 | 杭州电子科技大学 | 基于海量交通数据居民出行起点终点矩阵提取方法 |
CN111445700A (zh) * | 2020-06-02 | 2020-07-24 | 苏州大学 | 一种基于车牌识别数据的区域行停车辆的监测方法 |
CN111768619A (zh) * | 2020-06-16 | 2020-10-13 | 苏州大学 | 一种基于卡口数据的快速路车辆od点确定方法 |
Non-Patent Citations (1)
Title |
---|
基于卡口车辆识别数据的车辆路径识别;张清华;《交通工程》;20200815(第04期);34-39+46 * |
Also Published As
Publication number | Publication date |
---|---|
CN114416710A (zh) | 2022-04-29 |
US20230274633A1 (en) | 2023-08-31 |
WO2023123616A1 (zh) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114416710B (zh) | 一种快速路车辆od位置提取方法及系统 | |
CN107463940B (zh) | 基于手机数据的车辆类型识别方法和设备 | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN112543427B (zh) | 基于信令轨迹及大数据分析识别城市交通走廊的方法与系统 | |
CN111653099B (zh) | 基于手机信令数据的公交客流od获取方法 | |
CN111653096B (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
CN106197458A (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
CN106530716A (zh) | 基于手机信令数据计算高速公路路段平均速度的方法 | |
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 | |
CN112036757B (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN111768619A (zh) | 一种基于卡口数据的快速路车辆od点确定方法 | |
CN106227859A (zh) | 从gps数据中识别交通工具的方法 | |
CN108765922A (zh) | 一种公交车辆行驶轨迹的分段方法 | |
CN109147323A (zh) | 一种用于公路客货运输指标统计的车辆gps数据处理方法 | |
CN113569977B (zh) | 一种基于手机信令数据的出行目的识别方法 | |
CN113079463A (zh) | 一种基于手机信令数据的旅游景点游客出行活动识别方法 | |
CN112733112A (zh) | 一种用户出行方式的确定方法、装置、电子设备和存储介质 | |
CN115795332A (zh) | 一种用户出行模式识别的方法 | |
CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
CN111311910A (zh) | 多层次道路级浮动车异常轨迹探测方法 | |
CN115862331A (zh) | 考虑卡口网络拓扑结构的车辆出行轨迹重构方法 | |
CN112637781B (zh) | 一种基于基站轨迹的用户通行方式判别方法 | |
CN111624638A (zh) | 基于大数据系统的行踪追溯及监控报告的生成方法 | |
CN112866934B (zh) | 地铁用户识别方法与系统 |
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 |