CN114764977A - 一种基于驾驶数据的道路拥堵计算方法及系统 - Google Patents
一种基于驾驶数据的道路拥堵计算方法及系统 Download PDFInfo
- Publication number
- CN114764977A CN114764977A CN202210355397.0A CN202210355397A CN114764977A CN 114764977 A CN114764977 A CN 114764977A CN 202210355397 A CN202210355397 A CN 202210355397A CN 114764977 A CN114764977 A CN 114764977A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- data set
- time
- congestion
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于驾驶数据的道路拥堵计算方法及系统,包括从数据库中获取一段时间内包括经度、纬度、时间、速度和车辆标识的车辆全部行驶数据,得到数据集G;通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理,得到数据集G1;对数据集G1进行排序得到相应序列,通过计算公式对序列进行计算,得到某地点车辆在某时刻的拥堵程度;对序列进行转换和分组得到数据集Hi,并对数据集Hi进行聚类处理和统计得到拥堵清单。本发明应用前一个月的数据得到道路拥堵清单,可以最大限度的得到道路拥堵的统计结果,通过应用数据分布式计算,同时采用kdtree‑dbscan密度聚类方法,提高了计算速度及聚类效果。
Description
技术领域
本发明涉及安全驾驶技术领域,特别是专利名称涉及一种基于驾驶数据的道路拥堵计算方法及系统。
背景技术
车辆驾驶危险及驾驶行为与道路的实时情况密切相关,道路拥堵情况的计算在驾驶行为及危险分析中比较关键,为了获得道路时空维度的拥堵情况,需要对其进行计算分析;现有的分析统计方法大多是对道路段车辆速度的实时统计,数据严重依赖当前道路上可用于计算的车辆数量,如无可计算车辆在当前路段行驶,则无法获知当前道路的拥堵情况,因此,如何通过已有数据分析道路的拥堵情况,是现阶段需要考虑的。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于驾驶数据的道路拥堵计算方法及系统,解决了现有的分析统计方法大多是对道路段车辆速度的实时统计,数据严重依赖当前道路上可用于计算的车辆数量存在的不足。
本发明的目的通过以下技术方案来实现:一种基于驾驶数据的道路拥堵计算方法,所述计算方法包括:
数据获取步骤:从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据,得到数据集G;
数据预处理步骤:通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理,得到数据集G1∈G(t.m>Mmin);
序列计算步骤:对数据集G1进行排序得到相应序列,通过计算公式对序列进行计算,得到某地点车辆在某时刻的拥堵程度;
聚类处理步骤:对序列进行转换和分组得到数据集Hi(i∈1,2……12),并对数据集Hi进行聚类处理和统计得到拥堵清单。
所述序列计算步骤具体包括:
对数据集G1排序按照时间及车辆标识排序得到序列Tid,t;
通过计算公式:tdifference =Tid,t+1.t-Tid,t.t进行计算并过滤掉tdifference 小于预设值的数据,得到序列Tid,tdifference ,序列代表着该gps地点车辆缓行的时间长度,也就是该地点车辆在t时刻拥堵程度。
所述聚类处理步骤包括:
对序列Tid,tdifference 的时间t进行转换得到小时数据h;
对序列Tid,tdifference 按照小时数据分组得到数据集Hi(i∈1,2……12);
对数据集Hi进行kdtree-dbscan密度聚类,得到这一时间段内每小时该路段的拥堵数据集H;
对H进行计数统计得到拥堵清单。
一种基于驾驶数据的道路拥堵计算系统,它包括数据获取模块、数据预处理模块、序列计算模块和聚类处理模块;
所述数据获取模块用于从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据,得到数据集G;
所述数据预处理用于通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理,得到数据集G1∈G(t.m>Mmin);
所述序列计算模块用于对数据集G1进行排序得到相应序列,通过计算公式对序列进行计算,得到某地点车辆在某时刻的拥堵程度;
所述聚类处理用于对序列进行转换和分组得到数据集Hi(i∈1,2……12),并对数据集Hi进行聚类处理和统计得到拥堵清单。
还包括过滤模块,所述过滤模块设置速度小于5的过滤条件,并根据过滤条件对数据集G中的车辆行驶数据进行过滤得到数据集G1。
所述序列计算模块包括排序单元和计算单元;所述排序单元用于对数据集G1排序按照时间及车辆标识排序得到序列Tid,t;所述计算单元用于通过计算公式:tdifference =Tid,t+1.t-Tid,t.t进行计算并过滤掉tdifference 小于预设值的数据,得到序列Tid,tdifference ,序列代表着该gps地点车辆缓行的时间长度,也就是该地点车辆在t时刻拥堵程度。
所述聚类处理模块包括转换单元、分组单元和聚类统计单元;所述转换单元用于对序列Tid,tdifference 的时间t进行转换得到小时数据h;所述分组单元用于对序列Tid,tdifference 按照小时数据分组得到数据集Hi(i∈1,2……12);所述聚类统计单元用于对数据集Hi进行kdtree-dbscan密度聚类,得到这一时间段内每小时该路段的拥堵数据集H,并对H进行计数统计得到拥堵清单。
本发明具有以下优点:一种基于驾驶数据的道路拥堵计算方法及系统,应用前一个月的数据得到道路拥堵清单,可以最大限度的得到道路拥堵的统计结果,通过应用数据分布式计算,同时采用kdtree-dbscan密度聚类方法,提高了计算速度及聚类效果。
附图说明
图1 为本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明做进一步的描述,但本发明的保护范围不局限于以下所述。
如图1所示,本发明的一种实施例具体涉及一种基于驾驶数据的道路拥堵计算方法,所述计算方法包括:
数据获取步骤:从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据,得到数据集G;
数据预处理步骤:通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理,得到数据集G1∈G(t.m>Mmin),Mmin为速度阀值;具体为过滤掉速度小于5的数据。
序列计算步骤:对数据集G1进行排序得到相应序列,通过计算公式对序列进行计算,得到某地点车辆在某时刻的拥堵程度;
聚类处理步骤:对序列进行转换和分组得到数据集Hi(i∈1,2……12),并对数据集Hi进行聚类处理和统计得到拥堵清单。
进一步地,序列计算步骤具体包括:
对数据集G1排序按照时间及车辆标识升序排序得到序列Tid,t;其中,id为车辆标识,t为时间;
通过计算公式:tdifference =Tid,t+1.t-Tid,t.t进行计算得到同id下顺序相邻下的时间差,并过滤掉tdifference 小于预设值的数据,得到序列Tid,tdifference ,序列代表着该gps地点车辆缓行的时间长度,也就是该地点车辆在t时刻拥堵程度。
所述聚类处理步骤包括:
对序列Tid,tdifference 的时间t进行转换得到小时数据h;
对序列Tid,tdifference 按照小时数据分组得到数据集Hi(i∈1,2……12);
对数据集Hi进行kdtree-dbscan密度聚类,得到这一时间段内每小时该路段的拥堵数据集H;
进一步地,kdtree-dbscan密度聚类算法步骤包括:
1、把同一小时划分的数据以数据集数据的经纬度为轴得到一个kdtree;
2、对每个点使用 Kdtree 进行邻域查找,生成所有距离<=eps的点集合;
3、过滤点集合如果数量=1,则点为噪声点,如果minp>数量>1则为边缘点,如果数量>minp则为核心点,其中minp(最小聚类数量)。
对核心点的点集合进行合并,得到聚类结果)
对H进行计数统计得到拥堵清单。
本发明的另一实施例涉及一种基于驾驶数据的道路拥堵计算系统,它包括数据获取模块、数据预处理模块、序列计算模块和聚类处理模块;
所述数据获取模块用于从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据,得到数据集G;
所述数据预处理用于通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理,得到数据集G1∈G(t.m>Mmin);
所述序列计算模块用于对数据集G1进行排序得到相应序列,通过计算公式对序列进行计算,得到某地点车辆在某时刻的拥堵程度;
所述聚类处理用于对序列进行转换和分组得到数据集Hi(i∈1,2……12),并对数据集Hi进行聚类处理和统计得到拥堵清单。
进一步地,还包括过滤模块,所述过滤模块设置速度小于5的过滤条件,并根据过滤条件对数据集G中的车辆行驶数据进行过滤得到数据集G1。
进一步地,序列计算模块包括排序单元和计算单元;所述排序单元用于对数据集G1排序按照时间及车辆标识排序得到序列Tid,t;所述计算单元用于通过计算公式:tdifference=Tid,t+1.t-Tid,t.t进行计算得到同id下顺序相邻下的时间差,并过滤掉tdifference 小于预设值的数据,得到序列Tid,tdifference ,序列代表着该gps地点车辆缓行的时间长度,也就是该地点车辆在t时刻拥堵程度。
进一步地,聚类处理模块包括转换单元、分组单元和聚类统计单元;所述转换单元用于对序列Tid,tdifference 的时间t进行转换得到小时数据h;所述分组单元用于对序列Tid,tdifference 按照小时数据分组得到数据集Hi(i∈1,2……12);所述聚类统计单元用于对数据集Hi进行kdtree-dbscan密度聚类,得到这一时间段内每小时该路段的拥堵数据集H,并对H进行计数统计得到拥堵清单。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于驾驶数据的道路拥堵计算方法,其特征在于:所述计算方法包括:
数据获取步骤:从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据,得到数据集G;
数据预处理步骤:通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理,得到数据集G1∈G(t.m>Mmin);
序列计算步骤:对数据集G1进行排序得到相应序列,通过计算公式对序列进行计算,得到某地点车辆在某时刻的拥堵程度;
聚类处理步骤:对序列进行转换和分组得到数据集Hi(i∈1,2……12),并对数据集Hi进行聚类处理和统计得到拥堵清单。
2.根据权利要求1所述的一种基于驾驶数据的道路拥堵计算方法,其特征在于:所述序列计算步骤具体包括:
对数据集G1排序按照时间及车辆标识排序得到序列Tid,t;
通过计算公式:tdifference =Tid,t+1.t-Tid,t.t进行计算得到同id下顺序相邻下的时间差,并过滤掉tdifference 小于预设值的数据,得到序列Tid,tdifference ,序列代表着该gps地点车辆缓行的时间长度,也就是该地点车辆在t时刻拥堵程度。
3.根据权利要求2所述一种基于驾驶数据的道路拥堵计算方法,其特征在于:所述聚类处理步骤包括:
对序列Tid,tdifference 的时间t进行转换得到小时数据h;
对序列Tid,tdifference 按照小时数据分组得到数据集Hi(i∈1,2……12);
对数据集Hi进行kdtree-dbscan密度聚类,得到这一时间段内每小时该路段的拥堵数据集H;
对H进行计数统计得到拥堵清单。
4.一种基于驾驶数据的道路拥堵计算系统,其特征在于:它包括数据获取模块、数据预处理模块、序列计算模块和聚类处理模块;
所述数据获取模块用于从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据,得到数据集G;
所述数据预处理用于通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理,得到数据集G1∈G(t.m>Mmin);
所述序列计算模块用于对数据集G1进行排序得到相应序列,通过计算公式对序列进行计算,得到某地点车辆在某时刻的拥堵程度;
所述聚类处理用于对序列进行转换和分组得到数据集Hi(i∈1,2……12),并对数据集Hi进行聚类处理和统计得到拥堵清单。
5.根据权利要求4所述的一种基于驾驶数据的道路拥堵计算系统,其特征在于:还包括过滤模块,所述过滤模块设置速度小于5的过滤条件,并根据过滤条件对数据集G中的车辆行驶数据进行过滤得到数据集G1。
6.根据权利要求4所述的一种基于驾驶数据的道路拥堵计算系统,其特征在于:所述序列计算模块包括排序单元和计算单元;所述排序单元用于对数据集G1排序按照时间及车辆标识排序得到序列Tid,t;所述计算单元用于通过计算公式:tdifference =Tid,t+1.t-Tid,t.t进行计算得到同id下顺序相邻下的时间差,并过滤掉tdifference 小于预设值的数据,得到序列Tid,tdifference ,序列代表着该gps地点车辆缓行的时间长度,也就是该地点车辆在t时刻拥堵程度。
7.根据权利要求4所述的一种基于驾驶数据的道路拥堵计算系统,其特征在于:所述聚类处理模块包括转换单元、分组单元和聚类统计单元;所述转换单元用于对序列Tid,tdifference 的时间t进行转换得到小时数据h;所述分组单元用于对序列Tid,tdifference 按照小时数据分组得到数据集Hi(i∈1,2……12);所述聚类统计单元用于对数据集Hi进行kdtree-dbscan密度聚类,得到这一时间段内每小时该路段的拥堵数据集H,并对H进行计数统计得到拥堵清单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355397.0A CN114764977B (zh) | 2022-04-06 | 2022-04-06 | 一种基于驾驶数据的道路拥堵计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355397.0A CN114764977B (zh) | 2022-04-06 | 2022-04-06 | 一种基于驾驶数据的道路拥堵计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114764977A true CN114764977A (zh) | 2022-07-19 |
CN114764977B CN114764977B (zh) | 2023-07-28 |
Family
ID=82364766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210355397.0A Active CN114764977B (zh) | 2022-04-06 | 2022-04-06 | 一种基于驾驶数据的道路拥堵计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764977B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009193475A (ja) * | 2008-02-16 | 2009-08-27 | Masahiro Watanabe | 交通制御方法 |
CN103886762A (zh) * | 2014-02-26 | 2014-06-25 | 浙江大学 | 路网中路段交通状态排序方法 |
CN105261217A (zh) * | 2015-10-03 | 2016-01-20 | 上海大学 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
CN105788256A (zh) * | 2016-03-30 | 2016-07-20 | 北京交通大学 | 基于车联网的路况信息感知方法 |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
CN107424410A (zh) * | 2017-07-14 | 2017-12-01 | 中南大学 | 一种基于路径旅行时间计算的交通异常检测方法 |
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN109830101A (zh) * | 2018-12-03 | 2019-05-31 | 江苏智运科技发展有限公司 | 一种基于异常微波交通数据修复的拥堵区域识别方法 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
US20210192586A1 (en) * | 2019-12-20 | 2021-06-24 | Cintra Holding US Corp. | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions |
-
2022
- 2022-04-06 CN CN202210355397.0A patent/CN114764977B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009193475A (ja) * | 2008-02-16 | 2009-08-27 | Masahiro Watanabe | 交通制御方法 |
CN103886762A (zh) * | 2014-02-26 | 2014-06-25 | 浙江大学 | 路网中路段交通状态排序方法 |
CN105261217A (zh) * | 2015-10-03 | 2016-01-20 | 上海大学 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
CN105788256A (zh) * | 2016-03-30 | 2016-07-20 | 北京交通大学 | 基于车联网的路况信息感知方法 |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
CN107424410A (zh) * | 2017-07-14 | 2017-12-01 | 中南大学 | 一种基于路径旅行时间计算的交通异常检测方法 |
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN109830101A (zh) * | 2018-12-03 | 2019-05-31 | 江苏智运科技发展有限公司 | 一种基于异常微波交通数据修复的拥堵区域识别方法 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
US20210192586A1 (en) * | 2019-12-20 | 2021-06-24 | Cintra Holding US Corp. | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions |
CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
Non-Patent Citations (3)
Title |
---|
鲁小丫等: "利用实时路况数据聚类方法检测城市交通拥堵点", 《地球信息科学学报》 * |
鲁小丫等: "利用实时路况数据聚类方法检测城市交通拥堵点", 《地球信息科学学报》, no. 06, 15 December 2012 (2012-12-15) * |
黄子赫;高尚兵;蔡创新;陈浩霖;严云洋;: "多重处理的道路拥堵识别可视化融合分析", 中国图象图形学报, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN114764977B (zh) | 2023-07-28 |
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 | |
CN111452799B (zh) | 驾驶行为评价方法及系统 | |
CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
CN111598347B (zh) | 一种道路运输车辆超长行程切分优化方法 | |
CN108122186B (zh) | 一种基于卡口数据的职住位置估计方法 | |
CN111210632B (zh) | 一种车道功能划分合理性的分析方法、装置及存储介质 | |
WO2018001122A1 (zh) | 一种公交车行驶速度确定方法及装置 | |
CN111724505A (zh) | 一种行驶工况构建方法及装置 | |
CN114450557A (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN112085048A (zh) | 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 | |
CN112463911A (zh) | 道路活跃度确定方法、装置及存储介质 | |
CN110254435B (zh) | 一种驾驶风格识别方法 | |
CN114764977A (zh) | 一种基于驾驶数据的道路拥堵计算方法及系统 | |
CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
CN110097074B (zh) | 一种基于序列相似度的车辆轨迹压缩方法 | |
CN108709553B (zh) | 云端估算隧道内任意点通过速度模型的方法和装置 | |
CN108287973B (zh) | 交通状态的模拟方法及装置 | |
CN112347376B (zh) | 基于多时空聚类的出租车载客点推荐方法 | |
CN111121803A (zh) | 获取道路常用停靠点的方法及装置 | |
CN115909752A (zh) | 一种基于车辆用户历史数据的急转弯识别及统计方法 | |
CN113706870B (zh) | 一种拥堵场景下主车换道数据的收集方法及相关设备 | |
CN114996380A (zh) | 路网交叉点提取方法、装置、设备及存储介质 | |
CN109993972B (zh) | 道路交通管控时间的计算方法 | |
CN110475198B (zh) | 一种城市道路用户轨迹纠偏处理方法及装置 | |
CN106548444B (zh) | 面向道路实时速度估算的浮动车载客行为模式清洗方法 |
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 |