CN114724407B - 一种道路拟合中基于多数据源的正确车道识别方法 - Google Patents
一种道路拟合中基于多数据源的正确车道识别方法 Download PDFInfo
- Publication number
- CN114724407B CN114724407B CN202210304249.6A CN202210304249A CN114724407B CN 114724407 B CN114724407 B CN 114724407B CN 202210304249 A CN202210304249 A CN 202210304249A CN 114724407 B CN114724407 B CN 114724407B
- Authority
- CN
- China
- Prior art keywords
- road
- base station
- data
- centroid
- points
- 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 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 4
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 description 2
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 2
- 101150061388 LON1 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 101150004293 lon2 gene Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种道路拟合中基于多数据源的正确车道识别方法,涉及智能交通技术领域,具体为一种道路拟合中基于多数据源的正确车道识别方法,所述技术流程为:路网数据预处理;两电数据导入,其中两电数据为电查数据和点围数据;两电数据CI相邻去重;区域编码字段转换;CI、基站质心点、关联路段点重置索引;循环计算连续两个质心点方位角;CI覆盖下异常路段去除。该道路拟合中基于多数据源的正确车道识别方法,通过将用户移动通信设备上传到当时所连接基站设备的信息,并将互联网获取的路网数据与通过大量用户上报经纬度数据计算得到的每个CI覆盖范围信息等多种异构数据融合分析,最大程度还原用户在某个时间段的活动轨迹及出行方式。
Description
技术领域
本发明涉及智能交通技术领域,具体为一种道路拟合中基于多数据源的正确车道识别方法。
背景技术
随着计算机互联网技术的飞速发展,数据分析的作用越来越大。在城市安全领域,经常需要帮助公安部门进行人员轨迹排查,尤其是车辆行驶轨迹排查场景。传统的技术方法,公安部门是通过和所在区域运营商的合作,获取目标人员移动通信设备连接基站数据,然后通过基站物理所在位置的连线,描述出人员、车辆的大致行进方向,无法拟合到城市道路上,非常依赖人员对地理信息、建筑物的熟悉程度,进行多次的道路路线“人工拟合”,筛查出可能的多条路线,再根据摄像头数据、关键道路的卡口数据,以及其他数据进行关联,最后得出最可能的行进轨迹。
在原始的路网数据中,其路径只有编号、名称、时速、公路等级,每个道路用way id表示,一个道路包含很多线段即link_id,每个线段包含许多经纬度点位,精确度很高,经过分析发现,不同车道包含的点位经纬度是一定不重合的。基站本身,由于覆盖过大,4G在数千平方米,5G覆盖数百平方米,因此仅仅通过经邻基站,无法判断用户经过哪条道路、哪个方向的车道,这就给还原对象轨迹带来很大的难题。而APP虽然有很高的位置经纬度信息,但除非在用户允许的情况下获知其APP数据,否则无法在被动的情况下侵入对象手机进行精准的位置识别和轨迹还原。如果不对方向性做判别,根据基站轮廓(shape)寻找最近点时,在双向道路上,由于基站所处位置在路径的任意一侧,在路径规划时,很多情况下会选择到“逆向车道”,在还原用户轨迹时,会导致大量折返,为此我们提出一种道路拟合中基于多数据源的正确车道识别方法以解决上述提出的问题。
本发明中,比较好的解决了精准轨迹识别中,方向识别和车道选择问题,使得“道路拟合”精准还原了目标车辆的原始轨迹。
发明内容
针对现有技术的不足,本发明提供了一种道路拟合中基于多数据源的正确车道识别方法,解决了上述背景技术中提出的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种道路拟合中基于多数据源的正确车道识别方法,所述方法为:路网数据预处理;两电数据导入,其中两电数据为电查数据和点围数据;两电数据CI相邻去重;区域编码字段转换;CI、基站质心点、关联路段点重置索引;循环计算连续两个质心点方位角;CI覆盖下异常路段去除;
所述路网数据预处理包括:路网数据分析、路径方向确定、基站轮廓下覆盖道路路段的预处理、方位角计算、基站数据的清洗和预处理、道路点获取;
所述区域编码字段转换包括:将区域编码字段中的信息转换成区域编码;
所述CI、基站质心点、关联路段点计算包括:与预处理后的路网数据关联,得到CI、基站的质心点、关联的路段点,按照时间排序后重置索引;
所述质心点计算具体为:通信基站下包含很多扇区,每个扇区也是一个多边形的轮廓,通过轮廓求出质心点:
已知每个当前基站下每个CI的覆盖范围Cshape,则CI的质心点Ccentroid计算如下:其中,Cshape=((lon1,lat1),(lon2,lat2),...,(loni,lati)),i∈N+,
优选的,所述路网数据预处理针对通信设备信息、路网数据、CI覆盖范围数据;
所述通信设备信息包括设备唯一标识、连接基站时间、基站CI编号、基站归属地编号、运营商名称;
所述路网数据来源于Open Street Map,并对其中每条道路的信息做方位角计算;
所述CI覆盖范围数据为大量APP用户经纬度组成的范围信息。
优选的,所述基站轮廓下覆盖道路路段的预处理:通过预先处理好的每个基站的覆盖范围,把路网数据下的全部路径分别关联到每个基站范围下。
优选的,所述基站数据的清洗和预处理具体为:去除每个基站覆盖的路段-路段点形成的有限元数据集中的冗余点位。
优选的,所述道路点获取具体为:将轮廓信息放在路网数据上,获取每个基站覆盖的道路点,得到包含路径方向的路网数据。
优选的,道路途经点计算具体为:通过方位角计算选择多个CI之间道路途经点。
本发明提供了一种道路拟合中基于多数据源的正确车道识别方法,具备以下有益效果:
1、该道路拟合中基于多数据源的正确车道识别方法,通过将用户移动通信设备上传到当时所连接基站设备的信息,并将互联网获取的路网数据与通过大量用户上报经纬度数据计算得到的每个CI覆盖范围信息等多种异构数据融合分析,最大程度还原用户在某个时间段的活动轨迹及出行方式,充分采用了其他可以公开使用的城市路网数据,采用合理算法对数据进行了再次加工、融合,丰富了数据相关性,提高运行速度与精度,大大降低了使用单位对于高精度数据的依赖,降低了应用成本。
2、该道路拟合中基于多数据源的正确车道识别方法,整体技术方案面对的数据基础是公安部门与运营商深入合作采用的用户连接基站数据,无需用户的主动参与,在大规模城市、景区、大型活动场所人群聚集场景中可广泛应用。
附图说明
图1为本发明技术原理流程示意图;
图2为本发明道路-车道-方位角的示意图;
图3本发明基站-路段关联关系的示意图;
图4本发明基站-CI-覆盖路段图的示意图;
图5本发明用户经过的基站数据的示意图;
图6本发明方位角示意图;
图7本发明未应用本方法之前,道路规划存在大量折返现象的示意图;
图8本发明经过车道选择后折返现象被纠正的示意图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
请参阅图1,本发明提供一种技术方案:一种道路拟合中基于多数据源的正确车道识别方法,技术流程为:路网数据预处理;两电(电查、电围)数据导入;两电数据CI相邻去重;区域编码字段转换;CI、基站质心点、关联路段点重置索引;循环计算连续两个质心点方位角;CI覆盖下异常路段去除。
路网数据预处理包括:路网数据分析、路径方向确定、基站轮廓下覆盖道路路段的预处理、方位角计算、基站数据的清洗和预处理、道路点获取;
区域编码字段转换包括:将区域编码字段中的信息(当前归属地)转换成区域编码;
CI、基站质心点、关联路段点计算包括:与预处理后的路网数据关联,得到CI、基站的质心点、关联的路段点,按照时间排序后重置索引;
路网数据预处理针对通信设备信息、路网数据、CI覆盖范围数据;
通信设备信息包括但不限于包括设备唯一标识、连接基站时间、基站CI编号、基站归属地编号、运营商名称;
路网数据来源于Open Street Map,并对其中每条道路的信息做方位角计算;
CI覆盖范围数据为大量APP用户经纬度组成的范围信息。
编码如下,def azimuthAngle(df):
lon1=df['ci_center'][0]
lat1=df['ci_center'][1]
lon2=df['ci_center_next'][0]
lat2=df['ci_center_next'][1]
lat1_rad=lat1*math.pi/180
lon1_rad=lon1*math.pi/180
lat2_rad=lat2*math.pi/180
lon2_rad=lon2*math.pi/180
y=math.sin(lon2_rad-lon1_rad)*math.cos(lat2_rad)
x=math.cos(lat1_rad)*math.sin(lat2_rad)-\
math.sin(lat1_rad)*math.cos(lat2_rad)*math.cos(lon2_rad-lon1_rad)
brng=math.atan2(y,x)*180/math.pi
return float((brng+360)%360)。
在对道路上的途经点进行筛选处理时发现,在双向道路上难以避免途经点在方向完全不同的车道问题,。每个link_id距离在数十米和数百米不等,距离很短,包含的点位具有很好的方向一致性,如高架桥匝道,都是由多条线段(link_id)构成,基本上不会造成方向的大角度变化,因此对于每个线段的方向做判断是可行的。
因此对于线段包含的点位,通过每个线段上的经纬度点,计算方位角:方位角,是卫星接收天线,在水平面做0°-360°旋转。方位角调整时抛物面在水平面做左右运动。通常我们通过计算软件或在资料中得到的结果应该是以正北方向(约地磁南极)为标准,将卫星天线的指向偏东或偏西调整一个角度,该角度即是所谓的方位角。
处理完成后的部分结果如图2所示:同一条道路上,存在两个完全相差180度的双向路径,说明车道方向识别成功。
基站轮廓下覆盖道路路段的预处理:通过预先处理好的每个基站的覆盖范围,把路网数据下的全部路径分别关联到每个基站范围下,实际上每个线段对应了具体的经纬度位置点数据,如图3、4所示:
通过上述预处理过程,路网数据准备完成,每个基站范围内包含有多条道路的多条路段,每个路段都存储了对应方向,对于双向道路,一定存在至少两条方位角相差180度的路段,如果道路较长,存在多个路段,也必然是偶数的。
客户方日常存储了所有用户使用基站的数据,在查询用户轨迹时,先从数据库提取查询时间段内的用户经过的基站数据。
基站数据的清洗和预处理具体为:去除每个基站覆盖的路段-路段点形成的有限元数据集中的冗余点位。
由于用户手机信号随着位置移动不断变化,为了保证信号质量,实时连接基站非常频繁,产生大量的冗余数据,因此先要进行基站数据的预处理:
通过预处理之后一个典型的用户经过的基站数据如下:可以明显看出,每个基站覆盖的路段-路段点是一个有限元数据集。这个集合依然是有很多数据的,后续在使用导航软件还原轨迹时,实际上不需要那么多点,仅仅需要每个路段上的一些关键点位就可以了。因此要去除冗余的点位,避免在后续计算中消耗较多的计算资源,同时使得轨迹不至于过度琐碎,影响可视化效果。这个预处理的过程中还包括了与城市的区域编码做关联、运营商标识等等,如图5所示;
道路点获取具体为:将轮廓信息放在路网数据上,获取每个基站覆盖的道路点,得到包含路径方向的路网数据。
质心点计算具体为:通信基站下包含很多扇区,每个扇区也是一个多边形的轮廓,通过轮廓求出质心点:
已知每个当前基站下每个CI的覆盖范围Cshape,则CI的质心点Ccentroid计算如下:其中,Cshape=((lon1,lat1),(lon2,lat2),...,(loni,lati)),i∈N+,
道路途经点计算具体为:通过方位角计算选择多个CI之间道路途经点,如图6所示:
如图7与8可知,区分两种情况选择行进方向中可能包含的路段。这里要注意区分两种情况,因为在行进方向分别按照顺时针和逆时针旋转900后,东西向和南北向选择的路段方式是不同的,这样才能找到道路车道方向和基站连续方向一致的车道。在符合CI角度区间的道路中去除最高时速小于一定时速的道路数据后,寻找与其CI的质心点最接近的道路途径点,作为“初期途经点”。
目前对于轨迹和途径点的计算是一个既耗时又较复杂的过程,并且无法通过现有的算法快速准确的还原轨迹。通过道路拟合轨迹复原技术就可以快速准确的还原出患者的行动轨迹,以便于相关工作者做出准确的判断与决策。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性,此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种道路拟合中基于多数据源的正确车道识别方法,其特征在于:所述方法为:路网数据预处理;两电数据导入,其中两电数据为电查数据和点围数据;两电数据CI相邻去重;区域编码字段转换;CI、基站质心点、关联路段点重置索引;循环计算连续两个质心点方位角;CI覆盖下异常路段去除;
所述路网数据预处理包括:路网数据分析、路径方向确定、基站轮廓下覆盖道路路段的预处理、方位角计算、基站数据的清洗和预处理、道路点获取;
所述区域编码字段转换包括:将区域编码字段中的信息转换成区域编码;
所述CI、基站质心点、关联路段点计算包括:与预处理后的路网数据关联,得到CI、基站的质心点、关联的路段点,按照时间排序后重置索引;
质心点计算具体为:通信基站下包含很多扇区,每个扇区也是一个多边形的轮廓,通过轮廓求出质心点:
已知每个当前基站下每个CI的覆盖范围Cshape,则CI的质心点Ccentroid计算如下:其中,Cshape=((lon1,lat1),(lon2,lat2),...,(loni,lati)),i∈N+,Ccentroid=(Ccentroid-lon,Ccentroid-lat),
2.根据权利要求1所述的一种道路拟合中基于多数据源的正确车道识别方法,其特征在于:所述路网数据预处理针对通信设备信息、路网数据、CI覆盖范围数据;
所述通信设备信息包括设备唯一标识、连接基站时间、基站CI编号、基站归属地编号、运营商名称;
所述路网数据来源于Open Street Map,并对其中每条道路的信息做方位角计算;
所述CI覆盖范围数据为大量APP用户经纬度组成的范围信息。
3.根据权利要求1所述的一种道路拟合中基于多数据源的正确车道识别方法,其特征在于:所述基站轮廓下覆盖道路路段的预处理:通过预先处理好的每个基站的覆盖范围,把路网数据下的全部路径分别关联到每个基站范围下。
4.根据权利要求1所述的一种道路拟合中基于多数据源的正确车道识别方法,其特征在于:所述基站数据的清洗和预处理具体为:去除每个基站覆盖的路段-路段点形成的有限元数据集中的冗余点位。
5.根据权利要求1所述的一种道路拟合中基于多数据源的正确车道识别方法,其特征在于:所述道路点获取具体为:将轮廓信息放在路网数据上,获取每个基站覆盖的道路点,得到包含路径方向的路网数据。
6.根据权利要求1所述的一种道路拟合中基于多数据源的正确车道识别方法,其特征在于:道路途经点计算具体为:通过方位角计算选择多个CI之间道路途经点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210304249.6A CN114724407B (zh) | 2022-03-25 | 2022-03-25 | 一种道路拟合中基于多数据源的正确车道识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210304249.6A CN114724407B (zh) | 2022-03-25 | 2022-03-25 | 一种道路拟合中基于多数据源的正确车道识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114724407A CN114724407A (zh) | 2022-07-08 |
CN114724407B true CN114724407B (zh) | 2023-05-30 |
Family
ID=82240168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210304249.6A Active CN114724407B (zh) | 2022-03-25 | 2022-03-25 | 一种道路拟合中基于多数据源的正确车道识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724407B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013100A (zh) * | 2023-01-05 | 2023-04-25 | 中国第一汽车股份有限公司 | 道路状态预警方法、装置、车辆及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
WO2017084221A1 (zh) * | 2015-11-16 | 2017-05-26 | 中兴通讯股份有限公司 | 交通状态的获取方法及装置 |
CN108766031A (zh) * | 2018-05-29 | 2018-11-06 | 北京京东金融科技控股有限公司 | 一种检测车道障碍物的方法和装置 |
CN110880238A (zh) * | 2019-10-21 | 2020-03-13 | 广州丰石科技有限公司 | 一种基于手机通信大数据的道路拥堵监测方法 |
CN110888426A (zh) * | 2018-08-21 | 2020-03-17 | 通用汽车环球科技运作有限责任公司 | 用于多车道分离和路段轨线提取的车辆导航系统、方法和逻辑 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
CN112543427A (zh) * | 2020-12-01 | 2021-03-23 | 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 |
CN112991755A (zh) * | 2021-03-08 | 2021-06-18 | 山东大学 | 一种基于识别通勤车并构建出行路径选择的方法及系统 |
CN214376668U (zh) * | 2021-03-19 | 2021-10-08 | 河北远东通信系统工程有限公司 | 一种智慧人车同检装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101168423B1 (ko) * | 2003-02-05 | 2012-07-25 | 가부시키가이샤 자나비 인포메틱스 | 내비게이션 장치의 경로 탐색 방법 및 교통 정보 표시 방법 |
JP3882808B2 (ja) * | 2003-11-25 | 2007-02-21 | 住友電気工業株式会社 | 移動体軌跡情報の異常判定方法及びプログラム並びに軌跡情報処理装置 |
JP2007060370A (ja) * | 2005-08-25 | 2007-03-08 | Sumitomo Electric Ind Ltd | 携帯型通信端末、避難路表示システムおよび危険報知装置 |
US9456312B2 (en) * | 2014-04-22 | 2016-09-27 | International Business Machines Corporation | Correlating road network information and user mobility information for wireless communication network planning |
CN104464333B (zh) * | 2014-12-02 | 2017-11-14 | 曹永飞 | 一种应用于车路协同技术的交通信号信息推送方法 |
CN106469505B (zh) * | 2015-08-20 | 2021-05-18 | 方正国际软件(北京)有限公司 | 一种浮动车轨迹纠偏方法和装置 |
JP6520597B2 (ja) * | 2015-09-16 | 2019-05-29 | 株式会社デンソー | 車両位置補正装置 |
EP3551967A2 (en) * | 2016-12-09 | 2019-10-16 | TomTom Global Content B.V. | Method and system for video-based positioning and mapping |
US11161512B2 (en) * | 2016-12-28 | 2021-11-02 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and vehicle control program |
CN108061889B (zh) * | 2017-11-22 | 2022-01-07 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Ais与雷达角度系统偏差的关联方法 |
JP7117886B2 (ja) * | 2018-04-11 | 2022-08-15 | 株式会社クボタ | 作業車 |
US10484033B1 (en) * | 2018-08-03 | 2019-11-19 | Qualcomm Incorporated | User interface to enhance millimeter wave (mmWav) communications |
CN109743683B (zh) * | 2018-12-03 | 2020-08-07 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
US11117576B2 (en) * | 2019-02-04 | 2021-09-14 | Denso Corporation | Vehicle lane trace control system |
JP2021041758A (ja) * | 2019-09-09 | 2021-03-18 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
US11414130B2 (en) * | 2019-10-09 | 2022-08-16 | Argo AI, LLC | Methods and systems for lane changes using a multi-corridor representation of local route regions |
CN112270833B (zh) * | 2020-10-27 | 2021-11-23 | 智慧足迹数据科技有限公司 | 一种轨迹拟合方法、装置、电子设备和存储介质 |
CN112542043B (zh) * | 2020-12-01 | 2021-10-26 | 江苏欣网视讯软件技术有限公司 | 基于手机信令以及大数据分析识别公交线网覆盖盲区的方法与系统 |
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 |
CN113593284B (zh) * | 2021-07-29 | 2022-08-12 | 三一重型装备有限公司 | 矿井巷道内车辆的路径规划方法及装置、电子设备 |
CN114141008B (zh) * | 2021-10-29 | 2023-05-12 | 东南大学 | 一种基于手机信令数据的共享公共交通服务区域选取方法 |
-
2022
- 2022-03-25 CN CN202210304249.6A patent/CN114724407B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
WO2017084221A1 (zh) * | 2015-11-16 | 2017-05-26 | 中兴通讯股份有限公司 | 交通状态的获取方法及装置 |
CN108766031A (zh) * | 2018-05-29 | 2018-11-06 | 北京京东金融科技控股有限公司 | 一种检测车道障碍物的方法和装置 |
CN110888426A (zh) * | 2018-08-21 | 2020-03-17 | 通用汽车环球科技运作有限责任公司 | 用于多车道分离和路段轨线提取的车辆导航系统、方法和逻辑 |
CN110880238A (zh) * | 2019-10-21 | 2020-03-13 | 广州丰石科技有限公司 | 一种基于手机通信大数据的道路拥堵监测方法 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
CN112543427A (zh) * | 2020-12-01 | 2021-03-23 | 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 |
CN112991755A (zh) * | 2021-03-08 | 2021-06-18 | 山东大学 | 一种基于识别通勤车并构建出行路径选择的方法及系统 |
CN214376668U (zh) * | 2021-03-19 | 2021-10-08 | 河北远东通信系统工程有限公司 | 一种智慧人车同检装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114724407A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106969764B (zh) | 一种道路匹配方法、装置及车载地图采集系统 | |
Wang et al. | Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories | |
CN102099656B (zh) | 用于更新车辆导航系统用的地理数据库的方法 | |
CN101270997B (zh) | 基于gps数据的浮动车动态实时交通信息处理方法 | |
Schäfer et al. | A traffic information system by means of real-time floating-car data | |
US9222786B2 (en) | Methods and systems for creating digital transportation networks | |
JP5064870B2 (ja) | デジタル道路地図の生成方法及び地図生成システム | |
US8306777B2 (en) | System and method for identifying road features | |
US20040220728A1 (en) | Method and system for electronically determining dynamic traffic information | |
CN108955693A (zh) | 一种路网匹配的方法及系统 | |
CN103116990B (zh) | 基于手机切换定位的交通车速车载采集系统及方法 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN104121915A (zh) | 一种道路实时导航方法及系统 | |
CN106231671A (zh) | 一种移动设备的移动轨迹优化方法 | |
CN102012231B (zh) | 数据更新方法和装置 | |
CN105206057A (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN114724407B (zh) | 一种道路拟合中基于多数据源的正确车道识别方法 | |
CN101998383A (zh) | 无线网络讯号搜集与验证系统 | |
CN109520499B (zh) | 基于车辆gps轨迹数据实现区域实时等时线的方法 | |
CN102869021B (zh) | 利用地理信息系统搜索覆盖区基站的方法及装置 | |
CN112991722B (zh) | 高频gps点的公交车辆实时路口预测方法和系统 | |
CN110708664A (zh) | 一种交通流感知方法、装置及计算机存储介质、电子设备 | |
CN110322682A (zh) | 交通事故的位置计算方法、分析方法、预警方法及其系统 | |
CN114076601B (zh) | 辅助定位方法及装置 | |
JP3894547B2 (ja) | 形状マッチング用データベースおよび形状マッチング装置 |
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 |