CN115206095A - 一种卡口过车轨迹数据重构方法 - Google Patents
一种卡口过车轨迹数据重构方法 Download PDFInfo
- Publication number
- CN115206095A CN115206095A CN202210739957.2A CN202210739957A CN115206095A CN 115206095 A CN115206095 A CN 115206095A CN 202210739957 A CN202210739957 A CN 202210739957A CN 115206095 A CN115206095 A CN 115206095A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- travel
- tracks
- passing
- track
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000126 substance Substances 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及智能交通技术领域,具体公开了一种卡口过车轨迹数据重构方法,其中,包括:获取卡口过车轨迹数据,所述卡口过车轨迹数据包括经过卡口的每辆车的出行轨迹;根据预设出行时间间隔划分每辆车的出行轨迹,得到每辆车的N份出行轨迹,其中N为大于或者等于1的自然数;对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹,其中M≤N;根据每辆车的M份出行轨迹进行车辆轨迹重构,得到每辆车的车辆出行重构轨迹。本发明提供的卡口过车轨迹数据重构方法能够消除由于卡口分布造成的数据不均衡问题。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种卡口过车轨迹数据重构方法。
背景技术
目前,交管部门对路面车辆管控的信息化系统主要依托的是卡口上传的过车轨迹数据,相较于车辆本身的GPS数据,受卡口位置分布疏密的影响易导致数据过分冗余,或者数据精确度不够,从而无法满足交警对违法车辆精准管控的迫切需求。
因此,如何能够通过对卡口采集的过车数据进行重构,以消除数据的不均衡性成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种卡口过车轨迹数据重构方法,解决相关技术中存在的卡口分布导致的数据不均衡的问题。
作为本发明的一个方面,提供一种卡口过车轨迹数据重构方法,其中,包括:
获取卡口过车轨迹数据,所述卡口过车轨迹数据包括经过卡口的每辆车的出行轨迹;
根据预设出行时间间隔划分每辆车的出行轨迹,得到每辆车的N份出行轨迹,其中N为大于或者等于1的自然数;
对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹,其中M≤N;
根据每辆车的M份出行轨迹进行车辆轨迹重构,得到每辆车的车辆出行重构轨迹。
进一步地,经过卡口的每辆车的出行轨迹包括:过车时间和经纬度信息。
进一步地,根据预设出行时间间隔划分每辆车的出行轨迹,得到每辆车的N份出行轨迹,包括:
根据每辆车的过车时间对每辆车的经纬度进行排序;
对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分,得到每辆车的N份出行轨迹。
进一步地,根据每辆车的过车时间对每辆车的经纬度进行排序,包括:
根据每辆车的过车时间对每辆车的经纬度进行升序排列。
进一步地,对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分,得到每辆车的N份出行轨迹,包括:
根据每辆车升序排列后的经纬度按照预设出行时间间隔划分N-1次,得到每辆车的N份出行轨迹。
进一步地,对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹,包括:
根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹。
进一步地,根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹,包括:
根据K-means算法对每辆车的N份出行轨迹进行聚类,并设置聚类中心数为2,以将每辆车的N份出行轨迹中的每份分为两类;
计算每类的轨迹的数量,并将轨迹数量低于预设阈值的轨迹种类确定为离群点并删除该离群点;
若分类后的两类轨迹数量一致,则判定该次出行无效并删除;
获得每辆车的M份出行轨迹,其中M≤N。
进一步地,根据每辆车的M份出行轨迹进行车辆轨迹重构,得到每辆车的车辆出行重构轨迹,包括:
针对每辆车的M份出行轨迹,根据卡尔曼滤波算法对经纬度进行插值处理,得到每辆车的车辆出行重构轨迹。
本发明提供的卡口过车轨迹数据重构方法,通过设置出行时间间隔划分每辆车的出行轨迹,然后针对每次出行利用k-means算法提出离群轨迹的,最后利用KF算法重构出行轨迹,最终获得的轨迹能较全面地反映车辆出行特征,便于交管部门掌握重点车辆的出行习惯,从而消除由于卡口分布造成的数据不均衡问题。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的卡口过车轨迹数据重构方法的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种卡口过车轨迹数据重构方法,图1是根据本发明实施例提供的卡口过车轨迹数据重构方法的流程图,如图1所示,包括:
S100、获取卡口过车轨迹数据,所述卡口过车轨迹数据包括经过卡口的每辆车的出行轨迹;
应当理解的是,卡口过车轨迹是由车辆经过卡口时被卡口抓拍到的图像进行特征识别转化而来,其一般包含车辆号牌、过车时间、经度和纬度等信息。
在本发明实施例中,经过卡口的每辆车的出行轨迹包括:过车时间和经纬度信息。
S200、根据预设出行时间间隔划分每辆车的出行轨迹,得到每辆车的N份出行轨迹,其中N为大于或者等于1的自然数;
在本发明实施例中,具体可以包括:
根据每辆车的过车时间对每辆车的经纬度进行排序;
对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分,得到每辆车的N份出行轨迹。
进一步具体地,根据每辆车的过车时间对每辆车的经纬度进行排序,包括:
根据每辆车的过车时间对每辆车的经纬度进行升序排列。
进一步具体地,对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分,得到每辆车的N份出行轨迹,包括:
根据每辆车升序排列后的经纬度按照预设出行时间间隔划分N-1次,得到每辆车的N份出行轨迹。
应当理解的是,针对每辆车,提取其对应的所有过车轨迹信息,包括过车时间、经度、纬度信息。根据过车时间对车辆经纬度进行升序排列,从第一个经纬度对开始,当上下连续两个GPS点的时间间隔大于120分钟时进行一次划分。假设对该车的轨迹数据划分了N-1次,则形成N份出行轨迹。
S300、对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹,其中M≤N;
在本发明实施例中,具体可以包括:
根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹。
进一步具体地,根据K-means算法对每辆车的N份出行轨迹进行聚类,并设置聚类中心数为2,以将每辆车的N份出行轨迹中的每份分为两类;
计算每类的轨迹的数量,并将轨迹数量低于预设阈值的轨迹种类确定为离群点并删除该离群点;
若分类后的两类轨迹数量一致,则判定该次出行无效并删除;
获得每辆车的M份出行轨迹,其中M≤N。
应当理解的是,完成出行划分形成n条出行轨迹后,利用K-means算法对每份轨迹进行聚类,设置聚类中心数k为2,将每份轨迹分为两类,计算每类的轨迹的数量,判断数据较少的轨迹种类为离群点并删除,如果分类后两类轨迹数量一致,则判定该次出行无效并删除。最终,每辆车都能形成M(M≤N)份轨迹。
S400、根据每辆车的M份出行轨迹进行车辆轨迹重构,得到每辆车的车辆出行重构轨迹。
在本发明实施例中,针对每辆车的M份出行轨迹,根据卡尔曼滤波算法对经纬度进行插值处理,得到每辆车的车辆出行重构轨迹。
针对每辆车的M份轨迹,利用卡尔曼滤波算法对经纬度对进行插值处理,使出行轨迹分布更加均匀。卡尔曼滤波算法被广泛应用与卫星导航领域中,其本质是一种数据融合算法,将具有同样测量目的、来自不同传感器、具有不同单位的数据融合在一起,得到一个更加精确的目标测量值。卡尔曼滤波算法对真实值的估计分为预测和更新两个过程,首先预测过程为:
θ′k=A<θk-1>+Buk-1 (1)
∑′k=A∑k-1AT+Q (2)
更新过程为:
S′k=(C∑′kCT+R)-1 (3)
K′k=∑′kCTS′k (4)
<θk>=θ′k+K′k(zk-Cθ′k) (5)
∑k=(I-K′kC)∑′k (6)
首先矩阵A、C、B、uk、Q、R是已知的,θ′k表示待求的第k个经纬度点预测值,<θk-1>和<θk>表示第k-1和第k个经纬度估计值,zk表示第k个经纬度点测量值即为轨迹点经纬度集合里的任意一点。算法的运行步骤为:
①根据公式(1)和公式(2)计算θ′k以及预测值与真实值之间的协方差矩阵∑′k;
②根据公式(3)和公式(4)计算卡尔曼增益K′k,然后根据公式(5)估计第k个经纬度估计值<θk>;
③根据公式(6)计算估计值与真实值之间的误差协方差矩阵∑k,用于下一次递推。
重复步骤①~③,最终得到所有经纬度点的预测值即为经纬度点平滑后的值。
综上,本发明提供的卡口过车轨迹数据重构方法,通过设置出行时间间隔划分每辆车的出行轨迹,然后针对每次出行利用k-means算法提出离群轨迹的,最后利用KF算法重构出行轨迹,最终获得的轨迹能较全面地反映车辆出行特征,便于交管部门掌握重点车辆的出行习惯,从而消除由于卡口分布造成的数据不均衡问题。
下面结合本发明具体实施例对前文所述卡口过车轨迹数据重构方法进行详细描述。
第一步,提取所有待研究的卡口过车轨迹,相关信息示例如下表:
第二步,针对每辆车进行出行划分,以A为例,因为2021-05-01 14:10:10和2021-05-02 09:10:10两GPS时间间隔大于120分钟则将A的轨迹划分为两次出行,如下表:
第三步,利用k均值聚类算法(K-means)删除离群轨迹点。
例如,针对A车第一次出行剔除离群点,设定聚类中心k=2对这三个经纬度点进行k-means算法分类,聚类后设(121.1,31.1)为a类,(121.2,31.2)和(121.2,31.2)为b类,因为a的类中轨迹点的数量少于b类因此删去a类。对A车的第二次出行剔除离群点,经过聚类后,设(121.3,31.3)为a类,(121.4,31.4)为b类,因为a类轨迹数量与b类相同,则将第二次出行所有轨迹删除,至此A车剩余一次出行轨迹,其轨迹点集合为[(121.2,31.2),(121.2,31.2)]。
第四步,利用卡尔曼滤波算法(KF)对车辆轨迹进行重构。
KF模型只需在插值开始阶段输入初始值,随后算法自动迭代不断输出预测值。假设针对A车的唯一一次出行轨迹,当前输入第1个经纬度,开始平滑第2个经纬度。首先设定A、C、Q、R都为单位矩阵,<θ1>=z(1)=[121.2,31.2],Buk-1=0,代入方程(1)和(2)分别求得θ′2和∑‘2,其中θ′2即为第2个经纬度的预测值即平滑值。当到平滑第3个经纬度时,将θ′2、∑‘2和观测到的Z(2)代入方程(3)、(4)、(5)求出<θ2>和∑2,再回代入方程(1)和(2)求出θ′3和∑‘3,其中求得的θ′3即为第3个经纬度平滑值,由此不断迭代进行平滑。
综上,本发明提供的卡口过车轨迹数据重构方法,针对卡口上传的过车轨迹数据,设置出行时间间隔划分每辆车的出行轨迹,然后针对每次出行利用k均值聚类算法提出离群轨迹的,最后利用算法重构出行轨迹从而消除由于卡口分布造成的数据不均衡问题。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种卡口过车轨迹数据重构方法,其特征在于,包括:
获取卡口过车轨迹数据,所述卡口过车轨迹数据包括经过卡口的每辆车的出行轨迹;
根据预设出行时间间隔划分每辆车的出行轨迹,得到每辆车的N份出行轨迹,其中N为大于或者等于1的自然数;
对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹,其中M≤N;
根据每辆车的M份出行轨迹进行车辆轨迹重构,得到每辆车的车辆出行重构轨迹。
2.根据权利要求1所述的卡口过车轨迹数据重构方法,其特征在于,经过卡口的每辆车的出行轨迹包括:过车时间和经纬度信息。
3.根据权利要求2所述的卡口过车轨迹数据重构方法,其特征在于,根据预设出行时间间隔划分每辆车的出行轨迹,得到每辆车的N份出行轨迹,包括:
根据每辆车的过车时间对每辆车的经纬度进行排序;
对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分,得到每辆车的N份出行轨迹。
4.根据权利要求3所述的卡口过车轨迹数据重构方法,其特征在于,根据每辆车的过车时间对每辆车的经纬度进行排序,包括:
根据每辆车的过车时间对每辆车的经纬度进行升序排列。
5.根据权利要求4所述的卡口过车轨迹数据重构方法,其特征在于,对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分,得到每辆车的N份出行轨迹,包括:
根据每辆车升序排列后的经纬度按照预设出行时间间隔划分N-1次,得到每辆车的N份出行轨迹。
6.根据权利要求1所述的卡口过车轨迹数据重构方法,其特征在于,对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹,包括:
根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹。
7.根据权利要求6所述的卡口过车轨迹数据重构方法,其特征在于,根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理,得到每辆车的M份出行轨迹,包括:
根据K-means算法对每辆车的N份出行轨迹进行聚类,并设置聚类中心数为2,以将每辆车的N份出行轨迹中的每份分为两类;
计算每类的轨迹的数量,并将轨迹数量低于预设阈值的轨迹种类确定为离群点并删除该离群点;
若分类后的两类轨迹数量一致,则判定该次出行无效并删除;
获得每辆车的M份出行轨迹,其中M≤N。
8.根据权利要求1所述的卡口过车轨迹数据重构方法,其特征在于,根据每辆车的M份出行轨迹进行车辆轨迹重构,得到每辆车的车辆出行重构轨迹,包括:
针对每辆车的M份出行轨迹,根据卡尔曼滤波算法对经纬度进行插值处理,得到每辆车的车辆出行重构轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739957.2A CN115206095B (zh) | 2022-06-28 | 2022-06-28 | 一种卡口过车轨迹数据重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739957.2A CN115206095B (zh) | 2022-06-28 | 2022-06-28 | 一种卡口过车轨迹数据重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115206095A true CN115206095A (zh) | 2022-10-18 |
CN115206095B CN115206095B (zh) | 2024-05-14 |
Family
ID=83577768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210739957.2A Active CN115206095B (zh) | 2022-06-28 | 2022-06-28 | 一种卡口过车轨迹数据重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115206095B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225476A (zh) * | 2014-06-10 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车辆轨迹的生成、聚合方法和装置 |
US9558664B1 (en) * | 2015-08-13 | 2017-01-31 | Here Global B.V. | Method and apparatus for providing parking availability detection based on vehicle trajectory information |
CN107037452A (zh) * | 2017-04-27 | 2017-08-11 | 成都新橙北斗智联有限公司 | 一种基于北斗或gps设备定位轨迹的去噪声方法 |
CN107277765A (zh) * | 2017-05-12 | 2017-10-20 | 西南交通大学 | 一种基于聚类离群分析的手机信令轨迹预处理方法 |
CN109063771A (zh) * | 2018-08-02 | 2018-12-21 | 美利车(北京)网络技术有限公司 | 一种发现车辆可疑行为的方法、装置及设备 |
CN110160541A (zh) * | 2018-08-06 | 2019-08-23 | 腾讯大地通途(北京)科技有限公司 | 运动轨迹的重构方法和装置、存储介质、电子装置 |
CN110543536A (zh) * | 2019-08-20 | 2019-12-06 | 浙江大华技术股份有限公司 | 时空轨迹向量构建方法、终端设备及计算机存储介质 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
CN111615061A (zh) * | 2020-05-09 | 2020-09-01 | 国家计算机网络与信息安全管理中心山东分中心 | 移动终端轨迹数据的去噪方法及装置 |
EP3739295A1 (en) * | 2019-05-13 | 2020-11-18 | S.A.T.E. - Systems and Advanced Technologies Engineering S.R.L. | Method for determining an optimal naval navigation routes from historical gnss data of naval trajectories |
CN112200832A (zh) * | 2020-09-17 | 2021-01-08 | 山东信通电子股份有限公司 | 一种运动轨迹数据的去噪方法及装置 |
CN112215427A (zh) * | 2020-10-19 | 2021-01-12 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
CN112906812A (zh) * | 2021-03-09 | 2021-06-04 | 西安电子科技大学 | 基于带离群点去除的车辆轨迹聚类方法 |
CN112989223A (zh) * | 2021-03-22 | 2021-06-18 | 杭州电子科技大学 | 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法 |
CN113609240A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于海量卡口数据的车辆出行轨迹重构方法 |
-
2022
- 2022-06-28 CN CN202210739957.2A patent/CN115206095B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225476A (zh) * | 2014-06-10 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车辆轨迹的生成、聚合方法和装置 |
US9558664B1 (en) * | 2015-08-13 | 2017-01-31 | Here Global B.V. | Method and apparatus for providing parking availability detection based on vehicle trajectory information |
CN107037452A (zh) * | 2017-04-27 | 2017-08-11 | 成都新橙北斗智联有限公司 | 一种基于北斗或gps设备定位轨迹的去噪声方法 |
CN107277765A (zh) * | 2017-05-12 | 2017-10-20 | 西南交通大学 | 一种基于聚类离群分析的手机信令轨迹预处理方法 |
CN109063771A (zh) * | 2018-08-02 | 2018-12-21 | 美利车(北京)网络技术有限公司 | 一种发现车辆可疑行为的方法、装置及设备 |
CN110160541A (zh) * | 2018-08-06 | 2019-08-23 | 腾讯大地通途(北京)科技有限公司 | 运动轨迹的重构方法和装置、存储介质、电子装置 |
EP3739295A1 (en) * | 2019-05-13 | 2020-11-18 | S.A.T.E. - Systems and Advanced Technologies Engineering S.R.L. | Method for determining an optimal naval navigation routes from historical gnss data of naval trajectories |
CN110543536A (zh) * | 2019-08-20 | 2019-12-06 | 浙江大华技术股份有限公司 | 时空轨迹向量构建方法、终端设备及计算机存储介质 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
CN111615061A (zh) * | 2020-05-09 | 2020-09-01 | 国家计算机网络与信息安全管理中心山东分中心 | 移动终端轨迹数据的去噪方法及装置 |
CN112200832A (zh) * | 2020-09-17 | 2021-01-08 | 山东信通电子股份有限公司 | 一种运动轨迹数据的去噪方法及装置 |
CN112215427A (zh) * | 2020-10-19 | 2021-01-12 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
CN112906812A (zh) * | 2021-03-09 | 2021-06-04 | 西安电子科技大学 | 基于带离群点去除的车辆轨迹聚类方法 |
CN112989223A (zh) * | 2021-03-22 | 2021-06-18 | 杭州电子科技大学 | 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法 |
CN113609240A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于海量卡口数据的车辆出行轨迹重构方法 |
Non-Patent Citations (1)
Title |
---|
张沛 等: "基于新能源汽车轨迹聚类的行车线路优化研究", 《交通管理技术》, no. 6, pages 88 - 90 * |
Also Published As
Publication number | Publication date |
---|---|
CN115206095B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9501690B2 (en) | Passive driver identification | |
CN110413905B (zh) | 获取道路线形的方法、装置、设备及存储介质 | |
CN112882073B (zh) | 一种基于时间阈内的隐马尔可夫模型人车合一算法 | |
CN110889558B (zh) | 路况预测方法及装置 | |
CN109767615B (zh) | 路网交通流关键流向和关键路径分析方法 | |
CN105427602B (zh) | 一种车辆出行主题确定方法及装置 | |
CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN110969275A (zh) | 交通流量预测方法、装置、可读存储介质及电子设备 | |
CN108898831B (zh) | 基于道路高清卡口数据的路段状况评估方法及系统 | |
CN107067727B (zh) | 一种基于模糊knn特征匹配的道路交通服务水平评价方法 | |
CN111724593A (zh) | 一种基于rfid考虑交通流转移率的公交行程时间预测方法 | |
CN117314504B (zh) | 一种公共交通客流预测方法及系统 | |
CN115206095A (zh) | 一种卡口过车轨迹数据重构方法 | |
CN112801181B (zh) | 城市信令交通流用户分类、预测方法、存储介质及系统 | |
CN111121803B (zh) | 获取道路常用停靠点的方法及装置 | |
CN112926796A (zh) | 一种基于特定场景的下车点推荐方法及装置 | |
CN115204755B (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN115063054B (zh) | 车联网大数据分析方法及服务器 | |
CN112990518A (zh) | 一种地铁个体乘客目的站点实时预测方法及装置 | |
CN107767023A (zh) | 一种基于模糊knn空间特征匹配的道路交通服务水平评价方法 | |
CN110718087B (zh) | 数据融合处理方法及装置 | |
CN109934233B (zh) | 一种运输业务识别方法和系统 | |
CN114092297A (zh) | 一种轨道交通数据处理方法、装置、设备及存储介质 | |
CN112833906B (zh) | 一种车辆频繁线路识别方法 | |
CN113516106B (zh) | 基于城市管理的无人机智能车辆识别方法及系统 |
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 |