CN116432933A - 一种基于卡口数据的个体车辆出行起讫点判别方法 - Google Patents
一种基于卡口数据的个体车辆出行起讫点判别方法 Download PDFInfo
- Publication number
- CN116432933A CN116432933A CN202211602868.XA CN202211602868A CN116432933A CN 116432933 A CN116432933 A CN 116432933A CN 202211602868 A CN202211602868 A CN 202211602868A CN 116432933 A CN116432933 A CN 116432933A
- Authority
- CN
- China
- Prior art keywords
- bayonet
- destination
- origin
- adjacent edge
- land
- 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
Links
- 238000012850 discrimination method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000032823 cell division Effects 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000029305 taxis Effects 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于卡口数据的个体车辆出行起讫点判别方法，该方法包括：首先对卡口数据进行清洗及筛选，生成出行路径；随后结合卡口布局、出租车订单起讫点分布密度以及地块边界进行小区划分；在此基础上，建立路网拓扑结构，设定卡口与起讫点小区关联判断规则，识别个体车辆出行的起讫点。本发明充分利用布局广泛的道路卡口监测点信息，建立了一种车辆出行路径起讫点判别模型，能够满足精细化管控的需求，可以用于指导动态小区划分，简单高效，有较高的应用价值。
Description
技术领域
本发明属于基于卡口数据的个体出行行为领域，特别涉及了一种基于卡口数据的个体车辆出行起讫点判别方法。
背景技术
出行起讫点的判别与交通小区的划分存在紧密关联，合理的进行交通小区划分以及精确得进行出行起讫点的判别对降低城市道路动态交通管理的复杂度，提出更加完善合理的城市道路交通管理措施有着重要意义。针对当前小区划分及起讫点识别的研究和应用现状，目前小区划分及起讫点识别方法主要存在以下几方面问题：
(1)大部分研究基于出租车的GPS数据，多采用聚类方法进行小区划分，这种划分方法划出的小区覆盖范围一般较大，不符合精细化管控的需求。
(2)交通小区划分综合考虑因素较多，相对静态，不能突出体现机动车的出行特征。获得的交通小区容易将主干路作为交通小区的边界，依赖行政区域划分，造成出行行为很难合理地分配到交通小区。
(3)目前文献对于起讫点识别大多应用于OD分布的推算，缺乏起讫点与交通小区之间的联系。
本发明基于卡口数据构建了一种对个体路径出行起讫点进行判别的方法，通过对清洗后的卡口数据，结合卡口布局、出租车订单起讫点分布密度以及地块边界进行交通小区划分。在此基础上，建立路网拓扑结构，设定卡口与起讫点小区关联判断规则，识别个体车辆出行起讫点。本发明设计的起讫点识别方法，相较于传统方法，其先进性主要体现在：将出租车起讫点分布密度、卡口布局等信息引入交通小区划分中，体现了机动车需求分布空间特征。与基于出租车GPS的聚类方法相比，小区划分更为细致，也在一定程度上避免了将主干路作为交通小区边界而造成出行起讫点很难界定的问题，可以用于指导动态小区划分。通过对车辆卡口数据进行起讫点识别，为分析城市交通需求的结构和时空分布特性提供数据支撑，方便交通管理部门制定科学合理的区域管控措施，对提高城市交通运行效率和解决道路交通拥堵问题具有重要的意义，在未来也可结合停车场数据，实现更精确化的识别。
发明内容
发明目的：为了解决上述背景技术提到的技术问题，本发明提出了一种基于卡口数据的个体车辆出行起讫点判别方法。
技术方案：为了实现上述技术目的，本发明提出一种基于卡口数据的个体车辆出行起讫点判别方法，该方法包括以下步骤：
(1)基于卡口数据进行预处理，剔除异常数据并修补缺失数据；
(2)进行数据筛选，生成出行路径，获取个体出行的卡口序列；
(3)设计一种面向交通管控的起讫点交通小区两阶段划分方法，根据清洗后的卡口数据，结合卡口布局、出租车订单起讫点数量以及地块边界进行交通小区划分；
(4)根据路网拓扑结构以及路段阻抗，建立邻接矩阵以及路段路阻矩阵，通过表格储存路段与卡口，卡口与地块，地块与小区之间的从属关系，反映路段-卡口-地块-交通小区之间的映射关系；
(5)建立起讫点判别规则，基于个体出行的卡口序列以及路段-卡口-地块-交通小区之间的映射关系得出备选小区集合，根据最短路径判别法缩小备选小区范围，实现个体车辆出行起讫点的精确化识别。
进一步的，所述步骤(2)具体包括：
(201)根据车辆编号判别两个卡口是否属于同一次出行，以得到初次卡口序列为{C1,C2,C3…,Cm}，m为卡口总数，定义同一车辆编号的一次出行的卡口序列为出行链；
(202)根据检测时间完成出行链的打断和整合，若相邻两次检测时间超过30min，则对出行链进行打断，将未超过30min检测时间的同一车辆编号的卡口序列按照时间顺序进行整合；
(203)从卡口数据中提取出个体车辆的完整出行序列，作为起讫点识别的基础。
进一步的，步骤(3)的具体步骤如下：
(301)在研究范围内划定基础地块，获得各地块的边界；
(302)定义两个相邻卡口的服务缓冲半径为rij；由于个人车辆数据无法获取起讫点，采用出租车订单数据获取卡口服务缓冲半径内起讫点数量以衡量卡口服务密度，定义卡口服务缓冲半径内出租车订单起讫点数量为Ni、Nj；Lij为两相邻卡口间的距离；卡口i的服务密度为ρi，令
(303)定义卡口服务范围为
其中，/>
表示由卡口i到卡口j方向的边界划分长度，/>
表示由卡口j到卡口i方向的边界划分长度。
(304)按照卡口服务范围
作为边界划分长度，初步划分交通小区，再根据地块边界进行调整，如果地块Bi有超过50％以上的土地面积落在交通小区Ti范围内，将整个地块Bi划入该交通小区。
进一步的，步骤(4)的具体步骤如下：
(401)将路网定义为一个有向图G＝(V,E_，V＝{v1,v2,v3,……vn}表示路网中包括起节点和中间节点在内的所有节点集合，E＝{(vi,vj)|i,j＝0,1,2,……n}表示由所有节点组成的路段集合，其中，(vi,vj)表示由节点i和j连成的一条路段，G中每条边均赋有权值，用权值表示各道路节点之间路段的阻抗。通过公式1和公式2建立各节点连接关系的邻接矩阵A[i,j]以及节点之间路段的阻抗矩阵W[i,j]。
其中：aij表示A[i,j]矩阵的第i行和第j列对应的元素；wij表示路段的阻抗，∞表示一个计算机允许的、大于所有边上权值的数。
(402)建立Side_Bayonet文件储存路段与卡口的从属关系，第一列记录路段，从第二列开始分别记录对应的卡口编号，如表1所示；
表1路段-卡口从属关系表
(403)建立Block_Bayonet文件储存卡口与地块的从属关系，第一列记录卡口编号，第二列为地块上设置的卡口数，从第三列开始分别记录对应的卡口编号，如表2所示；
表2卡口-地块从属关系表
(404)建立TAZ_Block文件储存地块与步骤(3)划分的交通小区之间的从属关系，第一列记录交通小区编号，第二列为对应交通小区内包含的地块数量，从第三列开始分别记录对应的地块编号，如表3所示；
表3地块-交通小区从属关系表
进一步的，步骤(5)的具体步骤如下：
(501)基于步骤(2)获取的个体出行卡口序列，根据卡口与路段的从属关系，由初始卡口寻找直接邻接边和间接邻接边，直接邻接边指与初始卡口所在边直接相连，即仅通过直行、左转、右转中任意一次操作可经过初始卡口所在边的路段；间接邻接边指与未设置卡口的邻接边直接相连或掉头之后可与未设置卡口的邻接边相连，经过一条及其以上邻接边才能经过初始卡口所在边的路段；
(502)分别建立初始卡口的直接邻接边和间接邻接边的路网矩阵D[i,j]和I[i,j]；
其中：令a表示(vi,vj)是直接邻接边，令b表示(vi,vj)是间接邻接边。
(503)根据直接邻接边和间接邻接边生成起点关联地块集
关联地块是指含有直接邻接边或间接邻接边的地块，/>
为第k辆车出行起点判别的备选地块集；
(504)由起点关联地块集
根据步骤(402)建立TAZ_Block的文件获取地块-交通小区的映射关系，得到起点备选交通小区集/>
确定粗略的个体车辆出行起点所在交通小区范围；
(505)根据阻抗矩阵W[i,j]，采用Dijkstra算法进行最短路径判别：将起点卡口经过所有卡口到关联地块的最短路径d′和起点卡口直接到关联地块最短路径d的长度进行比较，若前者超过后者相差在40％～50％，则排除该地块，最短路径判别式为式(5)；
(506)根据末尾卡口寻找直接邻接边和间接邻接边，直接邻接边指与末尾卡口所在边直接相连，即仅通过直行、左转、右转中任意一次操作可经过末尾卡口所在边的路段；间接邻接边指与未设置卡口的邻接边直接相连或掉头之后可与未设置卡口的邻接边相连，经过一条及其以上邻接边才能经过末尾卡口所在边的路段；
(507)根据公式(3)～(4)分别建立末尾卡口的直接邻接边和间接邻接边的路网矩阵D′[i,j]和I′[i,j]；
(508)根据直接邻接边和间接邻接边生成讫点关联地块集
关联地块是指含有直接邻接边或间接邻接边的地块，/>
为第k辆车出行讫点判别的备选地块集；
(509)由讫点关联地块集
根据步骤(402)建立TAZ_Block的文件获取地块-交通小区的映射关系得到备选小区集/>
确定粗略的个体车辆出行讫点所在交通小区范围；
(510)根据阻抗矩阵W[i,j]，采用Dijkstra算法进行最短路径判别：将关联地块经过所有卡口到末尾卡口的最短路径和关联地块直接到末尾卡口最短路径长度进行比较，若前者超过后者相差在40％～50％，则排除该地块，最短路径判别式为公式5；
(511)通过步骤(505)和(510)筛选后的起讫点备选地块集
以及/>
据步骤(402)建立TAZ_Block的文件获取地块-交通小区的映射关系，得到更精细的交通小区集合，输出最终的起讫点判别交通小区集合/>
以及/>
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明设计的起讫点识别方法，相较于传统方法，其先进性主要体现在：将出租车起讫点分布密度、卡口布局等信息引入交通小区划分中，体现了机动车需求分布空间特征。与基于出租车GPS的聚类方法相比，小区划分更为细致，也在一定程度上避免了将主干路作为交通小区边界而造成出行起讫点很难界定的问题，可以用于指导动态小区划分。通过对车辆卡口数据进行起讫点识别，为分析城市交通需求的结构和时空分布特性提供数据支撑，方便交通管理部门制定科学合理的区域管控措施，对提高城市交通运行效率和解决道路交通拥堵问题具有重要的意义，在未来也可结合停车场数据，实现更精确化的识别。
附图说明
图1是本发明的方法流程图；
图2是本发明中小区边界调整示意图；
图3是本发明中算例示意图；
图4是本发明中路段阻抗图；
图5是本发明中起讫点关联地块图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明提出的一种基于卡口数据的个体车辆出行起讫点判别方法流程如图1所示，包括以下步骤：
(1)首先对卡口数据进行预处理，将数据按照卡口编号、出行时间顺序有序导入计算机数据库中储存与管理；再利用python调用原始数据进行处理，剔除异常数据并修补缺失数据；
(2)按照车辆编号对数据进行匹配：判别两个卡口是否属于同一次出行，以得到初次卡口序列。根据检测时间完成出行链的打断和整合，若相邻两次检测时间超过30min，则对出行链进行打断，将未超过30min检测时间的同一车辆编号的卡口序列按照时间顺序进行整合，获得个体车辆的完整出行序列，作为起讫点识别的基础数据。以其中一辆车辆为例：识别到了该车辆的卡口序列[2,6,10]，初始卡口编号为2，末尾卡口编号为10。
(3)由于私家车数据无法获取起讫点，采用出租车订单数据获取卡口服务缓冲半径内起讫点数量以衡量卡口服务密度。通过出租车订单数据获取卡口服务缓冲半径内出租车订单起讫点数量Ni、Nj；计算服务缓冲半径rij以及卡口i的服务密度ρi。基于此，计算卡口服务范围
按照卡口服务范围/>
作为边界划分长度，初步划分交通小区，再根据地块边界进行调整。若地块Bi有超过50％以上的土地面积落在交通小区Ti范围内，将整个地块Bi划入该交通小区。
小区边界调整示意图如图2所示，小区划分图如图3所示。
(4)将路网定义为一个有向图G＝(V,E)，V＝{v1,v2,v3,……vn}表示路网中包括起节点和中间节点在内的所有节点集合，E＝{(vi,vj)|i,j＝0,1,2,……n}表示由所有节点组成的路段集合，其中(vi,vj)表示由节点i和j连成的一条路段。G中每条边均赋有权值，用权值表示各道路节点之间路段的阻抗。通过公式1和公式2建立各节点连接关系的邻接矩阵A[i,j]以及节点之间路段的阻抗矩阵W[i,j]。aij表示A[i,j]矩阵的第i行和第j列对应的元素。通过Excel建立Side_Bayonet文件、Block_Bayonet文件、TAZ_Block文件，储存路段-卡口-地块-交通小区之间的映射关系。
其中：aij表示A[i,j]矩阵的第i行和第j列对应的元素；wij表示路段的阻抗，∞表示一个计算机允许的、大于所有边上权值的数。
路网阻抗图如图4所示。
(5)根据建立的起讫点判别规则，基于个体出行的卡口序列以及路段-卡口-地块-交通小区之间的映射关系得出备选交通小区集合，根据最短路径判别法缩小备选小区范围，实现个体车辆出行起讫点的精确化识别。
基于步骤(2)获取的个体出行卡口序列[2,6,10]，根据Side_Bayonet文件查找卡口与路段的映射关系，获取初始和末尾卡口所在路段编号为(10,18)，(44,45)。由初始和末尾卡口所在边寻找直接邻接边和间接邻接边。初始卡口的直接邻接边为{(9,10)，(11,10)，(3,10)}，间接邻接边为{(2,9)，(8,9)，(17,9)，(2,3)，(3,4)，(4,11)，(12,11)，(19,11)}；末尾卡口的直接邻接边为{(45,37)，(45,56)，(45,52)}，间接邻接边为{(37,29)，(37,38)，(46,38)，(52,51)}；根据公式3～4建立直接邻接边和间接邻接边的路网矩阵D[i,j]和I[i,j]以及D′[i,j]和I′[i,j]。根据直接邻接边和间接邻接边，生成起点关联地块集
为{2，3，4，5，9，10，11，12}，讫点关联地块集/>
为{27，28，34，35，41，42}。
其中：令a表示(vi,vj)是直接邻接边，令b表示(vi,vj)是间接邻接边。
忽略各交叉口延误间的差异，只考虑路段阻抗的影响，根据阻抗矩阵W[i,j]，采用Dijkstra算法进行最短路判别。由最短路判别式(式5中取50％)得到起点备选地块集
讫点备选地块集为/>
各地块最短路计算结果记录在表4中，由地块与交通小区间的从属关系表，得到备选起点小区集为/>
备选讫点小区地块集为
表4计算备选地块最短路
从表4可知该路径经过卡口[2,6,10]，起点关联地块集为{2，3，4，5，9，10，11，12}；讫点关联地块集为{27，28，34，35，41，42}，通过最短路径判别后(公式5)，保留合理的可能路径后，起点所在备选地块集为{2，3，4}；讫点备选地块集为{42}，根据TAZ_Block文件查找地块到交通小区的映射，可判断该路径的起点为交通小区1或2，讫点为交通小区9。起讫点关联地块图如图5所示。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (5)
1.一种基于卡口数据的个体车辆出行起讫点判别方法，其特征在于，该方法包括以下步骤：
(1)基于卡口数据进行预处理，删除异常数据并修补缺失数据；
(2)进行数据筛选，生成出行路径，获取个体出行的卡口序列；
(3)设计一种面向交通管控的起讫点交通小区两阶段划分方法，根据清洗后的卡口数据，结合卡口布局、出租车订单起讫点数量以及地块边界进行交通小区划分；
(4)根据路网拓扑结构以及路段阻抗，建立邻接矩阵以及路段路阻矩阵，通过表格储存路段与卡口，卡口与地块，地块与小区之间的从属关系，反映路段-卡口-地块-交通小区之间的映射关系；
(5)建立起讫点判别规则，基于个体出行的卡口序列以及路段-卡口-地块-交通小区之间的映射关系得出备选小区集合，根据最短路径判别法缩小备选小区范围，实现个体车辆出行起讫点的识别。
2.根据权利要求1所述的一种基于卡口数据的个体车辆出行起讫点判别方法，其特征在于，所述步骤(2)具体包括：
(201)根据车辆编号判别两个卡口是否属于同一次出行，以得到初次卡口序列为{C1,C2,C3…,Cm}，m为卡口总数，定义同一车辆编号的一次出行的卡口序列为出行链；
(202)根据检测时间完成出行链的打断和整合，若相邻两次检测时间超过30min，则对出行链进行打断，将未超过30min检测时间的同一车辆编号的卡口序列按照时间顺序进行整合；
(203)从卡口数据中提取出所有个体车辆的完整出行序列，作为起讫点识别的基础数据。
3.根据权利要求1所述的一种基于卡口数据的个体车辆出行起讫点判别方法，其特征在于，步骤(3)的具体步骤如下：
(301)在研究范围内划定基础地块，获得各地块的边界；
(302)定义两个相邻卡口的服务缓冲半径为rij；由于个人车辆数据无法获取起讫点，采用出租车订单数据获取卡口服务缓冲半径内起讫点数量以衡量卡口服务密度，定义卡口服务缓冲半径内出租车订单起讫点数量为Ni、Nj；Lij为两相邻卡口间的距离；卡口i的服务密度为ρi，令
(303)定义卡口服务范围为
其中，/>
表示由卡口i到卡口j方向的边界划分长度，/>
表示由卡口j到卡口i方向的边界划分长度。
(304)按照卡口服务范围
作为边界划分长度，初步划分交通小区，再根据地块边界进行调整，如果地块Bi有超过50％以上的土地面积落在交通小区Ti范围内，将整个地块Bi划入该交通小区。
4.根据权利要求1所述的一种基于卡口数据的个体车辆出行起讫点判别方法，其特征在于，步骤(4)的具体步骤如下：
(401)将路网定义为一个有向图G＝(V,E)，V＝{v1,v2,v3,……vn}表示路网中包括起节点和中间节点在内的所有节点集合，E＝{(vi,vj)|i,j＝0,1,2,……n}表示由所有节点组成的路段集合，其中，(vi,vj)表示由节点i和j连成的一条路段，G中每条边均赋有权值，用权值表示各道路节点之间路段的阻抗，通过公式(1)和公式(2)建立各节点连接关系的邻接矩阵A[i,j]以及节点之间路段的阻抗矩阵W[i,j]；
其中：aij表示A[i,j]矩阵的第i行和第j列对应的元素；wij表示路段的阻抗，∞表示大于所有边上权值的数；
(402)建立Side_Bayonet文件储存路段与卡口的从属关系，第一列记录路段，从第二列开始分别记录对应的卡口编号；
(403)建立Block_Bayonet文件储存卡口与地块的从属关系，第一列记录卡口编号，第二列为地块上设置的卡口数，从第三列开始分别记录对应的卡口编号；
(404)建立TAZ_Block文件储存地块与步骤(3)划分的交通小区之间的从属关系，第一列记录交通小区编号，第二列为对应交通小区内包含的地块数量，从第三列开始分别记录对应的地块编号。
5.根据权利要求4所述的一种基于卡口数据的个体车辆出行起讫点判别方法，其特征在于，步骤(5)的具体步骤如下：
(501)基于步骤(2)获取的个体出行卡口序列，根据卡口与路段的从属关系，由初始卡口寻找直接邻接边和间接邻接边，直接邻接边指与初始卡口所在边直接相连，即仅通过直行、左转、右转中任意一次操作可经过初始卡口所在边的路段；间接邻接边指与未设置卡口的邻接边直接相连或掉头之后可与未设置卡口的邻接边相连，经过一条及其以上邻接边才能经过初始卡口所在边的路段；
(502)分别建立初始卡口的直接邻接边和间接邻接边的路网矩阵D[i,j]和I[i,j]；
其中：令a表示(vi,vj)是直接邻接边，令b表示(vi,vj)是间接邻接边；
(503)根据直接邻接边和间接邻接边生成起点关联地块集
关联地块是指含有直接邻接边或间接邻接边的地块，/>
为第k辆车出行起点判别的备选地块集；
(504)由起点关联地块集
根据步骤(402)建立TAZ_Block的文件获取地块-交通小区的映射关系，得到起点备选交通小区集/>
确定粗略的个体车辆出行起点所在交通小区范围；
(505)根据阻抗矩阵W[i,j]，采用Dijkstra算法进行最短路径判别：将起点卡口经过所有卡口到关联地块的最短路径d′和起点卡口直接到关联地块最短路径d的长度进行比较，若前者超过后者相差在40％～50％，则排除该地块，最短路径判别式为式(5)；
(506)根据末尾卡口寻找直接邻接边和间接邻接边，直接邻接边指与末尾卡口所在边直接相连，即仅通过直行、左转、右转中任意一次操作可经过末尾卡口所在边的路段；间接邻接边指与未设置卡口的邻接边直接相连或掉头之后可与未设置卡口的邻接边相连，需经过一条及其以上邻接边才能经过末尾卡口所在边的路段；
(507)根据公式(3)～(4)分别建立末尾卡口的直接邻接边和间接邻接边的路网矩阵D′[i,j]和I′[i,j]；
(508)根据直接邻接边和间接邻接边生成讫点关联地块集
关联地块是指含有直接邻接边或间接邻接边的地块，/>
为第k辆车出行讫点判别的备选地块集；
(509)由讫点关联地块集
根据步骤(402)建立TAZ_Block的文件获取地块-交通小区的映射关系，得到备选小区集/>
确定粗略的个体车辆出行讫点所在交通小区范围；
(510)根据阻抗矩阵W[i,j]，采用Dijkstra算法进行最短路径判别：将关联地块经过所有卡口到末尾卡口的最短路径和关联地块直接到末尾卡口最短路径长度进行比较，若前者超过后者相差在40％～50％，则排除该地块，最短路径判别式为公式5；
(511)通过步骤(505)和(510)筛选后的起讫点备选地块集
以及/>
据步骤(402)建立TAZ_Block的文件获取地块-交通小区的映射关系，得到更精细的交通小区集合，输出最终的起讫点判别交通小区集合/>
以及/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211602868.XA CN116432933A (zh) | 2022-12-13 | 2022-12-13 | 一种基于卡口数据的个体车辆出行起讫点判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211602868.XA CN116432933A (zh) | 2022-12-13 | 2022-12-13 | 一种基于卡口数据的个体车辆出行起讫点判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432933A true CN116432933A (zh) | 2023-07-14 |
Family
ID=87086079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211602868.XA Pending CN116432933A (zh) | 2022-12-13 | 2022-12-13 | 一种基于卡口数据的个体车辆出行起讫点判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432933A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765740A (zh) * | 2023-12-29 | 2024-03-26 | 杭州诚智天扬科技有限公司 | 一种车辆超员的识别方法及装置 |
-
2022
- 2022-12-13 CN CN202211602868.XA patent/CN116432933A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765740A (zh) * | 2023-12-29 | 2024-03-26 | 杭州诚智天扬科技有限公司 | 一种车辆超员的识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105788260B (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
| CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
| CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
| CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
| WO2023109720A1 (zh) | 城市公共交通规划方法 | |
| CN109686090B (zh) | 一种基于多源数据融合的虚拟交通流量计算方法 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| Cheng et al. | Travel behavior of the urban low-income in China: case study of Huzhou City | |
| CN109903553B (zh) | 多源数据挖掘的公交车上下车站点识别和检验方法 | |
| CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
| CN112309118B (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
| CN116432933A (zh) | 一种基于卡口数据的个体车辆出行起讫点判别方法 | |
| CN116611586B (zh) | 一种基于双层异构网络的新建路网流量预测方法及系统 | |
| CN111047860B (zh) | 一种车辆运行轨迹提取方法 | |
| CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
| CN116090785B (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
| CN113138979A (zh) | 一种基于轨迹数据的高速服务区货车服务水平评价方法 | |
| US20230245007A1 (en) | User segmentation method based on toll data of expressway electronic toll collection | |
| CN111177294B (zh) | 基于车辆轨迹数据求解交叉口中介中心性的方法 | |
| CN113723459B (zh) | 一种基于时间聚合的公交运营时段划分及单程点推荐方法 | |
| CN114742131A (zh) | 基于模式挖掘的城市过度旅游区域识别方法 | |
| CN113536493A (zh) | 基于聚类反推的有效路径生成方法及断面客流估算方法 | |
| CN113129589A (zh) | 一种基于卡口检测数据的个体级od小区推断方法 | |
| Gunathilaka et al. | Household travel survey method for vehicle kilometers travel estimations: A case study in a developing country. | |
| CN112733891B (zh) | 对出行链断链时公交ic卡乘客进行下车站点识别的方法 |
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 |