CN117407477B - 地理信息数据演变识别处理方法、系统及存储介质 - Google Patents

地理信息数据演变识别处理方法、系统及存储介质 Download PDF

Info

Publication number
CN117407477B
CN117407477B CN202311402806.9A CN202311402806A CN117407477B CN 117407477 B CN117407477 B CN 117407477B CN 202311402806 A CN202311402806 A CN 202311402806A CN 117407477 B CN117407477 B CN 117407477B
Authority
CN
China
Prior art keywords
data
geographic
cluster
time phase
geographic information
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
Application number
CN202311402806.9A
Other languages
English (en)
Other versions
CN117407477A (zh
Inventor
茹国成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongyu Beijing New Technology Development Co ltd Of China Academy Of Civil Aviation Science And Technology
Original Assignee
Zhongyu Beijing New Technology Development Co ltd Of China Academy Of Civil Aviation Science And Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongyu Beijing New Technology Development Co ltd Of China Academy Of Civil Aviation Science And Technology filed Critical Zhongyu Beijing New Technology Development Co ltd Of China Academy Of Civil Aviation Science And Technology
Priority to CN202311402806.9A priority Critical patent/CN117407477B/zh
Publication of CN117407477A publication Critical patent/CN117407477A/zh
Application granted granted Critical
Publication of CN117407477B publication Critical patent/CN117407477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种地理信息数据演变识别处理方法、系统及存储介质，其方法包括：S1、采集研究区的地理空间数据存储于GIS数据库中；S2、在GIS数据库中构建UTM投影坐标系，将地理空间数据进行空间转换并对应构建在UTM投影坐标系上；S3、按照时相对应采集研究区的航空影像数据，时相为Ti，i为时间序列依次编号，将相同时相Ti的航空影像数据进行影像配准定位投射到UTM投影坐标系上；S4、数据分析模型基于研究区前后相邻时相的待分析基础数据进行聚集区域变化识别。本发明对采集到地理信息进行分析和挖掘，能够实现地理信息数据的扩展应用，提供承载有地理信息的丰富数据内容，便于对比观测，实现研究区的演变识别，有助于数据的共享和集成。

Description

地理信息数据演变识别处理方法、系统及存储介质
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种地理信息数据演变识别处理方法、系统及存储介质。
背景技术
人类社会正从工业经济迈向知识经济时代，一场以信息技术为核心的革命正在深刻改变着人类生活与社会面貌。作为全球信息化浪潮重要组成部分的地理信息系统的建设与应用，正日益引起科技界、企业界和政府部门的广泛关注。
地理信息系统的出现与现代科学方法(包括系统论、信息论、控制论等)的蓬勃发展及计算机科学技术、空间技术和自动化技术的广泛应用密切相关。其中，信息论和控制论的发展，为信息技术特别是计算机技术的出现打下了坚实的理论基础，而计算机基础的迅猛发展也为GIS的出现和发展提供了技术保证；其中空间技术和自动化技术为GIS提供了海量的数据来源，并大量地节省人力物力并提高了工作效率。而如何利用地理空间数据构建坐标系并实现将航空影像数据、民航相关数据、道路交通数据等数据投射融合，并实现数据的演变识别，是目前地理信息数据扩展应用的方向，也能对研究区进行更多的数据融合分析，以便于数据的共享与集成。
发明内容
本发明的目的在于解决背景技术所指出的技术问题，提供一种地理信息数据演变识别处理方法、系统及存储介质，将采集的地理空间数据存储于GIS数据库中并采用UTM投影方式将经纬度坐标转换为投影坐标，利用数据挖掘技术，对采集到地理信息进行分析和挖掘，能够实现地理信息数据的扩展应用，提供承载有地理信息的丰富数据内容，便于对比观测，实现研究区的演变识别，有助于数据的共享和集成。
本发明的目的通过下述技术方案实现：
一种地理信息数据演变识别处理方法，其方法包括：
S1、采集研究区的地理空间数据存储于GIS数据库中，地理空间数据包括民航地理数据和智慧城市地理数据；
S2、在GIS数据库中构建UTM投影坐标系，将地理空间数据进行空间转换并对应构建在UTM投影坐标系上；
S3、按照时相对应采集研究区的航空影像数据，时相为Ti，i为时间序列依次编号，将相同时相Ti的航空影像数据进行影像配准定位投射到UTM投影坐标系上，得到时相Ti的航空影像集数据；影像配准定位投射方法如下：
S31、采用多项式函数模型进行影像配准定位投射处理，多项式函数模型的配准表达式如下：
x′＝a0+a1x+a2y+a3x2+a4xy+a5y2+...+anxk+ε1
y′＝b0+b1x+b2y+b3x2+b4xy+b5y2+...+bnyk+ε2
其中，(x′，y′)表示配准后的图像坐标，ε1和ε2表示配准残差，k表示多项式函数的阶数，n表示地面控制点数量；
S32、通过最小二乘法估计参数a0～an和b0～bn的值，使得残差最小化，构造系数矩阵A和常数项向量B，具体表达式如下：
其中，系数矩阵A中表示一个控制点的图像坐标，常数项向量B中表示一个控制点的地理坐标，第i个控制点的地理坐标为(Xi，Yi)，对应的图像坐标为(xi，yi)；
S33、通过如下公式得到系数向量C：
C＝inv(ATA)ATB
其中，inv(ATA)表示A的转置矩阵与A的乘积的逆矩阵，C表示系数向量；
将系数向量C的值代入多项式函数模型的表达式中并对所有控制点计算得到UTM投影坐标系上的预测坐标值；然后使用估计得到的多项式参数将航空影像数据的像素坐标进行配准；
采集研究区时相Ti的待分析基础数据并对应配准投射到UTM投影坐标系中，待分析基础数据包括民航相关数据、人口数据、道路交通数据，民航相关数据包括飞机飞行数据，道路交通数据包括道路上车辆行驶数据；
S4、构建数据分析模型，数据分析模型基于研究区前后相邻时相Ti-1、时相Ti的待分析基础数据进行聚集区域变化识别，其方法如下：
S41、在UTM投影坐标系中对待分析基础数据随即选择K个数据点作为初始中心，第i个簇表示为Ci，计算数据点xj与所有簇中心的距离，表达式如下：
arg mini||xj-ui||2
其中，||xj-ui‖2表示数据点xj和簇中心ui之间的欧几里德距离的平方，ui表示Ci的中心；
S42、计算每个簇中所有数据点的平均值，将这个平均值作为新的簇中心，表达式如下：xj∈Ci；其中，表示数据点的平均值，Ci表示簇，xj表示数据点；
S43、重复步骤S41、步骤S42，直到得到稳定的簇中心及簇；
S44、将前后相邻时相Ti-1、时相Ti的待分析基础数据分别按照步骤S41～S43处理得到前后相邻时相所对应的簇中心及簇，对前后相邻时相所对应的簇中心及簇并以簇作为聚集区域，将前后相邻时相的聚集区域变化进行识别并得到聚集区域变化识别。
为了更好地实现本发明，在步骤S43中，还包括如下方法：
A1、构建簇边缘的节点、边之间拓扑关系的网络，其中节点为簇边缘的凸起点，边为两个节点的连线；对于每一个节点找出所有以该节点为起点和终点的边，将这些边中另一端的节点加入到该节点的邻居节点列表和反向邻居节点列表中；
A2、采用A*算法计算出网络中簇边缘的最短路径作为簇的边界并作为聚集区域边界，表达式如下：
f(n)＝g(n)+h(n)；其中，n表示当前节点，g(n)表示起点到n的实际距离，h(n)表示从n到终点的估计距离，f(n)为节点n的综合估价值，用于衡量节点的优先级。
优选地，所述民航相关数据还包括航空器轨迹数据、机场数据库以及航班数据，基于民航相关数据统计出研究区时相Ti航空器的位置、轨迹信息、真实飞行高度信息、真实空速并存储为运营管理数据；所述智慧城市地理数据还包括通过道路上部署传感器、视频监控设备获取到研究区的道路交通数据，计算得出车流量并存储为车流量监控数据。
优选地，所述地理空间数据采用空间插值方法估计预测未观测区域的数值，具体计算表达式如下：
Z(u)＝∑λi×di(u)；其中，Z(u)表示在位置u处的估计值，λi表示权重系数，di(u)表示位置u与已知点i之间的距离。
优选地，所述民航相关数据还包括机场数据、跑道数据，道路交通数据还包括道路线路数据，从民航相关数据、道路交通数据中选择点状设施、线状设施，点状设施包括跑道入口点、道路交叉点，线状设施包括跑道、道路线路，以点状设施、线状设施划设出关注区域；数据分析模型基于研究区前后时相Ti-1、时相Ti关注区域的待分析基础数据进行聚集区域变化识别。
一种地理信息数据演变识别处理系统，包括数据获取模块和数据分析处理系统，所述数据分析处理系统包括GIS数据库、多项式函数模型和数据分析模型，所述数据获取模块用于采集研究区的地理空间数据、研究区的航空影像数据、研究区时相Ti的待分析基础数据；所述GIS数据库内部构建有UTM投影坐标系，GIS数据库内部具有空间转换模块，空间转换模块将地理空间数据、待分析基础数据进行空间转换并对应构建在UTM投影坐标系上，多项式函数模型将航空影像数据进行影像配准定位投射至UTM投影坐标系上；数据分析模型基于研究区前后相邻时相Ti-1、时相Ti的待分析基础数据进行聚集区域变化识别，然后输出识别结果。
一种存储介质，包括存储器和处理器，所述存储器存储有可执行程序，其特征在于，所述处理器执行所述可执行程序时实现本发明地理信息数据演变识别处理方法的步骤。
本发明较现有技术相比，具有以下优点及有益效果：
(1)本发明将采集的地理空间数据存储于GIS数据库中并采用UTM投影方式将经纬度坐标转换为投影坐标，利用数据挖掘技术，对采集到地理信息进行分析和挖掘，能够实现地理信息数据的扩展应用，提供承载有地理信息的丰富数据内容，便于对比观测，实现研究区的演变识别，有助于数据的共享和集成。
(2)本发明能够对采集到地理信息进行分析和挖掘，利用航空影像数据的空间聚类分析来识别道路网络中的拥堵瓶颈，并分析不同道路之间的连接性和交通流量，通过研究某个地区的交通流量，优化交通管理以实现空间的合理规划。
附图说明
图1为本发明地理信息数据演变识别处理方法的方法流程图；
图2为本发明地理信息数据演变识别处理系统的原理结构框图；
图3为实施例中另一种系统原理框图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明：
实施例1
如图1所示，一种地理信息数据演变识别处理方法，其方法包括：
S1、采集研究区的地理空间数据存储于GIS数据库中，地理空间数据包括民航地理数据和智慧城市地理数据(民航地理数据与智慧城市地理数据为两类地理数据，进行数据融合以便形成完整精确的地理空间数据)；在一些优选实施例中，地理空间数据采用空间插值方法估计预测未观测区域的数值，具体计算表达式如下：
Z(u)＝∑λi×di(u)；其中，Z(u)表示在位置u处的估计值，λi表示权重系数，di(u)表示位置u与已知点i之间的距离。
S2、在GIS数据库中构建UTM投影坐标系，将地理空间数据进行空间转换并对应构建在UTM投影坐标系上；将采集到的民航地理数据和智慧城市地理数据的地理坐标系与UTM投影坐标系进行转换，在地图上精确表示位置和距离，实现空间分析和测量，根据所选的UTM投影方式，将经纬度坐标转换为投影坐标(即UTM投影坐标系)，在UTM投影中，使用高斯-克吕格投影公式将经纬度坐标转换为投影坐标。优选地，本发明UTM投影方法如下：
步骤1、计算UTM区域：将所需坐标的经度转换为[-180,180]区间内的值，并根据结果计算所在的UTM区域号，具体计算公式如下：
其中，lon表示经度，zone_number表示计算所在的UTM区域号；
步骤2、计算南半球的区域字母：在UTM投影中，将纬度(lat)转换为[-80,80]区间内的值，并将转换后的纬度加上80，得到一个新值除以8并向下取整，得到一个整数，使用这个整数来选择’CDEFGHJKLMNPQRSTUVWXX’字符串中相应位置的字母作为UTM投影的区域字母，南半球的区域字母计算公式如下：
其中，lat表示纬度，zone_letter表示UTM投影中的区域字母；
步骤3、计算中间变量：根据下列公式计算中间变量：
esquared＝e2
t＝tan(lat)2
其中，esquared、n、t、c表示公式的中间变量；
步骤4、计算投影坐标：使用以下公式将经纬度坐标转换为投影坐标：
A＝cos(lat)×(lon-lon0)
其中，lon是经度，lat是纬度，lon0是所在UTM区域的中央子午线经度，k0是缩放因子，最终的投影坐标为(x，y)。
S3、按照时相对应采集研究区的航空影像数据(优选地，通过遥感技术以及无人机，获取航空影像数据)，时相为Ti，i为时间序列依次编号，将相同时相Ti的航空影像数据进行影像配准定位(将航空影像数据进行影像配准实现精确地理定位，根据地面控制点的地理坐标和图像上对应点的匹配来实现)投射到UTM投影坐标系上，得到时相Ti的航空影像集数据；影像配准定位投射方法如下：
S31、采用多项式函数模型进行影像配准定位投射处理，多项式函数模型的配准表达式如下：
x′＝a0+a1x+a2y+a3x2+a4xy+a5y2+...+anxk+ε1
y′＝b0+b1x+b2y+b3x2+b4xy+b5y2+...+bnyk+ε2
其中，(x′，y′)表示配准后的图像坐标，ε1和ε2表示配准残差，k表示多项式函数的阶数，n表示地面控制点数量，第i个控制点的地理坐标为(Xi，Yi)，对应的图像坐标为(xi，yi)；
S32、通过最小二乘法估计参数a0～an和b0～bn的值，使得残差最小化，构造系数矩阵A和常数项向量B，具体表达式如下：
其中，系数矩阵A中表示一个控制点(式中每一行)的图像坐标，常数项向量B中表示一个控制点(式中每两行)的地理坐标，A和B的维度分别为(n×(k+1))和(2n×1)；第i个控制点的地理坐标为(Xi，Yi)，对应的图像坐标为(xi，yi)；
S33、通过如下公式得到系数向量C：
C＝inv(ATA)ATB
其中，inv(ATA)表示A的转置矩阵与A的乘积的逆矩阵，C表示系数向量；
将系数向量C的值代入多项式函数模型的表达式中并对所有控制点计算得到UTM投影坐标系上的预测坐标值，此时也会计算出ε1和ε2配准残差；然后使用估计得到的多项式参数将航空影像数据的像素坐标进行配准。
采集研究区时相Ti的待分析基础数据并对应配准投射到UTM投影坐标系中，待分析基础数据包括民航相关数据、人口数据、道路交通数据，民航相关数据包括飞机飞行数据，道路交通数据包括道路上车辆行驶数据；
S4、构建数据分析模型，数据分析模型基于研究区前后相邻时相Ti-1、时相Ti的待分析基础数据进行聚集区域变化识别，其方法如下：
S41、在UTM投影坐标系中对待分析基础数据随即选择K个数据点作为初始中心，第i个簇表示为Ci，计算数据点xj与所有簇中心的距离，表达式如下：
arg mini||xj-ui||2
其中，||xj-ui||2表示数据点xj和簇中心ui之间的欧几里德距离的平方，ui表示Ci的中心；
S42、计算每个簇中所有数据点的平均值，将这个平均值作为新的簇中心，表达式如下：xj∈Ci；其中，表示数据点的平均值，Ci表示簇，xj表示数据点；
S43、重复步骤S41、步骤S42，直到得到稳定的簇中心及簇；
在一些优选实施例中，在步骤S43中，本发明还包括如下方法：
A1、构建簇边缘的节点、边之间拓扑关系的网络，其中节点为簇边缘的凸起点，边为两个节点的连线；对于每一个节点找出所有以该节点为起点和终点的边，将这些边中另一端的节点加入到该节点的邻居节点列表和反向邻居节点列表中；
A2、采用A*算法计算出网络中簇边缘的最短路径作为簇的边界并作为聚集区域边界，表达式如下：
f(n)＝g(n)+h(n)；其中，n表示当前节点，g(n)表示起点到n的实际距离，h(n)表示从n到终点的估计距离，f(n)为节点n的综合估价值，用于衡量节点的优先级。
S44、将前后相邻时相Ti-1、时相Ti的待分析基础数据分别按照步骤S41～S43处理得到前后相邻时相所对应的簇中心及簇，对前后相邻时相所对应的簇中心及簇并以簇作为聚集区域，将前后相邻时相的聚集区域变化进行识别并得到聚集区域变化识别。
在一些优选实施例中，民航相关数据还包括航空器轨迹数据、机场数据库以及航班数据，基于民航相关数据统计出研究区时相Ti航空器的位置、轨迹信息、真实飞行高度信息、真实空速并存储为运营管理数据，便于用于航空器(飞机)的飞行运营管理，或者用于民航运营调配分析(比如航线繁忙程度分析)、事故调查原因分析。根据记录的飞行过程中每个时刻参数和机组人员在驾驶舱内的语音对话，可以计算出真实飞行高度信息、真实空速，具体计算公式如下：
其中，H为真实飞行高度，hp为飞行数据记录器记录的气压高度，QNH为航站楼海平面气压，QFE为机场海拔高度；
VTAS＝VIAS+ΔV
其中，VTAS为真实空速，VIAS为航空仪表指示空速，ΔV为当地空气密度改变引起的速度误差修正项。
所述智慧城市地理数据还包括通过道路上部署传感器、视频监控设备获取到研究区的道路交通数据(利用物联网传感器实现对设备的监控和采集)，计算得出车流量并存储为车流量监控数据(进一步可以进行拥堵程度分析)；车流量Flow计算表达式如下：
其中，Flow表示车流量，N为通过某一点的车辆数量，T为观测时间，Density表示车辆密度，S为观测段长度。基于此，可以识别道路网络中的拥堵瓶颈，并分析不同道路之间的连接性和交通流量，通过研究某个地区的交通流量和商业分布之间的联系，优化交通管理和商业规划。在进行道路网络的车辆拥堵程度时，可以采用空间聚类分析(具体为通过聚类算法，将地理空间数据中相互接近的区域归为一类，对采集到的航空影像数据以及交通拥堵数据进行聚类分析，得出不同区域的车流量密度)，具体步骤如下：
步骤A11、初始化：随机选择K个数据点作为初始中心，令Ci表示第i个簇，ui表示Ci的中心；
步骤A12、分配数据点到最近的簇中心：对于每个数据点，数据点xj被分配到簇Ci，当且仅当Ci的中心ui是xj距离最近的簇中心，计算与所有簇中心的距离，具体计算公式如下：
arg mini||xj-ui||2
其中，||xj-ui||2表示数据点xj和簇中心ui之间的欧几里德距离的平方；
步骤A13、更新簇中心：对于每个簇，计算该簇中所有数据点的平均值，将这个平均值作为新的簇中心，具体计算公式如下：
其中，表示数据点的平均值，Ci表示簇，xj表示数据点；
步骤A14、重复步骤A12和步骤A13，直到满足停止条件，簇中心不再发生明显变化。
得到车辆拥堵程度数据之后，可以构建空间预测模型，结合智慧城市地理数据和不同区域的车流量密度，预测城市发展趋势，在投影坐标系中，使用空间插值方法用于估计未观测区域的交通流量数值，具体计算公式如下：
Z(u)＝∑λi×di(u)
其中，Z(u)表示在位置u处的估计值，λi表示权重系数，di(u)表示位置u与已知点i之间的距离，通过根据已知点的距离和半方差进行插值，估计未观测地点的交通流量数值。这样可以在投影坐标系(即UTM投影坐标系)中得到研究区时相Ti(或其他指定时相)的交通流量数据。
交通需求和运输网络布局的需求为例(此时待分析基础数据就使用道路交通数据，待分析基础数据为其他数据时，比如民航相关数据、人口数据，原理与此相同)，本发明将构建于UTM投影坐标系上的地理空间数据转换为地理信息系统支持的网络数据模型，使用A*算法进行最短路径分析，在投影坐标系中进行缓冲区分析，指定设施一定范围内的服务区域，确定设施周围的交通需求和运输网络的布局，具体步骤如下：
步骤21、网络数据模型化：将网络数据转换为地理信息系统支持的网络数据模型，建立节点、边之间的拓扑关系，对于每一个节点，分别找出所有以该节点为起点和终点的边，将这些边中另一端的节点加入到该节点的邻居节点列表和反向邻居节点列表中；
步骤22、最短路径分析：使用A*算法进行最短路径分析，计算出网络中的最短路径，通过综合考虑距离和启发函数来评估节点的优先级，选择最优路径，具体计算公式如下：
f(n)＝g(n)+h(n)
其中，n表示当前节点，g(n)表示起点到n的实际距离，h(n)表示从n到终点的估计距离，f(n)为节点n的综合估价值，用于衡量节点的优先级，计算步骤如下：
步骤221、初始化起点的值：g(start)＝0，f(start)＝h(start)
步骤222、对于任意一个节点n，计算其相邻节点m的值：
g(m)＝g(n)+w(n，m)
h(m)＝estimate
f(m)＝g(m)+h(m)
其中，w(n，m)表示n和m节点之间的权重，h(m)表示从m到终点的欧氏距离，f(m)为节点m的综合估价值；
步骤23、选择f值最小的节点作为下一步的节点，重复步骤22和步骤23，直到选择的节点为终点时停止；
步骤4、服务区域分析：利用投影坐标系，在地图上绘制服务设施的分布信息，使用波及分析方法，测量距离、时间数据，确定网络上离指定设施一定范围内的服务区域，根据一定距离、时间范围，以某个设施为中心，生成一片周围距离范围相等的缓冲区，确定设施周围的交通需求和运输网络的布局，
对于一个点状的设施，缓冲区为以该点为圆心，以服务范围为半径的圆形区域；对于一条线状设施，缓冲区为以线状设施为轴心，在轴线两侧方向距离设定的半径的区域，具体计算公式如下：
B(x，y)＝{(x，y)|d((x，y)，(x0，y0))≤r}
B(l，r)＝{x|d(x，l)≤r}
其中，B(x，y)表示点状设施，B(l，r)表示线状设施，B表示缓冲区，(x0，y0)为设施所在位置，r为服务半径，l为线状设施，d表示距离函数。
在一些优选实施例中，民航相关数据还包括机场数据、跑道数据，道路交通数据还包括道路线路数据，从民航相关数据、道路交通数据中选择点状设施、线状设施，点状设施包括跑道入口点、道路交叉点，线状设施包括跑道、道路线路，以点状设施、线状设施划设出关注区域；
B(x，y)＝{(x，y)|d((x，y)，(x0，y0))≤r}；
B(l，r)＝{x|d(x，l)≤r}；其中B(x，y)表示点状设施对应的关注区域，B(l，r)表示线状设施对应的关注区域，(x0，y0)为点状设施或线状设施的位置信息，r为点状设施或线状设施的辐射服务半径，l为线状设施，d表示距离函数。
数据分析模型基于研究区前后时相Ti-1、时相Ti关注区域的待分析基础数据进行聚集区域变化识别。
如图2所示，一种地理信息数据演变识别处理系统，包括数据获取模块和数据分析处理系统，所述数据分析处理系统包括GIS数据库、多项式函数模型和数据分析模型，所述数据获取模块用于采集研究区的地理空间数据、研究区的航空影像数据、研究区时相Ti的待分析基础数据；所述GIS数据库内部构建有UTM投影坐标系，GIS数据库内部具有空间转换模块，空间转换模块将地理空间数据、待分析基础数据进行空间转换并对应构建在UTM投影坐标系上，多项式函数模型将航空影像数据进行影像配准定位投射至UTM投影坐标系上；数据分析模型基于研究区前后相邻时相Ti-1、时相Ti的待分析基础数据进行聚集区域变化识别，然后输出识别结果。
一种存储介质，包括存储器和处理器，所述存储器存储有可执行程序，所述处理器执行所述可执行程序时实现本发明地理信息数据演变识别处理方法的步骤。
实施例2
本实施例提供了如图3所示一种实现地理信息数据演变识别处理方法的系统，具体包括数据采集模块、数据转换模块、影像配准模块、数据挖掘模块以及网络分析模块；
数据采集模块：将采集的地理空间数据包括民航地理数据、智慧城市地理数据，存储于GIS数据库中；
数据转换模块：将采集到的地理空间数据进行空间转换，将地理坐标系与投影坐标系进行转换，将经纬度坐标转换为投影坐标；
影像配准模块：将航空影像数据，进行影像配准来实现精确地理定位；
数据挖掘模块：利用航空影像数据的空间聚类分析来识别道路网络中的拥堵瓶颈，建立空间预测模型，结合智慧城市地理数据和不同区域的车流量密度，预测城市发展趋势；
网络分析模块：将网络数据转换为地理信息系统支持的网络数据模型，使用最短路径分析方法，根据给定的距离、时间数据，确定网络上离指定设施一定范围内的服务区域。
本实施例中，具体需要说明的是数据采集模块，所述数据采集模块，通过GPS定位仪、数据记录器以及传感器设备，获取地理空间数据，包括民航地理数据和智慧城市地理数据，并将采集到的数据存储于GIS数据库中，根据计算得出的结果，决定基础设施如何布局，更好地服务于城市的持续发展，
一种地理信息数据演变识别处理方法，其方法包括：
步骤1、民航地理数据：利用飞行数据记录器和驾驶舱语音记录器采集民航相关的地理数据，民航相关数据还包括航空器轨迹数据、机场数据库以及航班数据，基于民航相关数据统计出研究区时相Ti航空器的位置、轨迹信息、真实飞行高度信息、真实空速并存储为运营管理数据，便于用于航空器(飞机)的飞行运营管理，或者用于民航运营调配分析(比如航线繁忙程度分析)、事故调查原因分析。根据记录的飞行过程中每个时刻参数和机组人员在驾驶舱内的语音对活，可以计算出真实飞行高度信息、真实空速，具体计算公式如下：
其中，H为真实飞行高度，hp为飞行数据记录器记录的气压高度，QNH为航站楼海平面气压，QFE为机场海拔高度；
VTAS＝VIAS+ΔV
其中，VTAS为真实空速，VIAS为航空仪表指示空速，ΔV为当地空气密度改变引起的速度误差修正项。
步骤2、智慧城市地理数据：通过在道路上部署传感器、视频监控设备，获取道路交通数据，包括车流量、拥堵程度，利用物联网传感器实现对设备的监控和采集，具体计算公式如下：
其中，Flow表示车流量，N为通过某一点的车辆数量，T为观测时间，Density表示车辆密度，S为观测段长度。
本实施例中，具体需要说明的是数据转换模块，所述数据转换模块，将采集到的民航相关地理数据和智慧城市地理数据的地理坐标系与投影坐标系进行转换，支持各种地理信息系统，在地图上精确表示位置和距离，实现空间分析和测量，根据所选的UTM投影方式，使用相应的公式将经纬度坐标转换为投影坐标，在UTM投影中，使用高斯-克吕格投影公式将经纬度坐标转换为东北坐标，具体步骤如下：
步骤1、计算UTM区域：将所需坐标的经度转换为[-180,180]区间内的值，并根据结果计算所在的UTM区域号，具体计算公式如下：
其中，lon表示经度，zone_number表示计算所在的UTM区域号；
步骤2、计算南半球的区域字母：在UTM投影中，将纬度(lat)转换为[-80,80]区间内的值，并将转换后的纬度加上80，得到一个新值除以8并向下取整，得到一个整数，使用这个整数来选择’CDEFGHJKLMNPQRSTUVWXX’字符串中相应位置的字母作为UTM投影的区域字母，南半球的区域字母计算公式如下：
其中，lat表示纬度，zone_letter表示UTM投影中的区域字母；
步骤3、计算中间变量：根据下列公式计算中间变量：
esquared＝e2
t＝tan(lat)2
其中，e、n、t、c表示公式的中间变量；
步骤4、计算投影坐标：使用以下公式将经纬度坐标转换为投影坐标：
A＝cos(lat)×(lon-lon0)
其中，lon是经度，lat是纬度，lon0是所在UTM区域的中央子午线经度，k0是缩放因子，最终的投影坐标为(x，y)。
本实施例中，具体需要说明的是影像配准模块，所述影像配准模块，通过遥感技术以及无人机，获取航空影像数据，将航空影像数据进行影像配准实现精确地理定位，根据地面控制点的地理坐标和图像上对应点的匹配来实现，具体步骤如下：
步骤1、根据地面控制点的地理坐标和对应的图像上的像素坐标，使用多项式函数模型进行配准操作，对于n个地面控制点，第i个控制点的地理坐标为(Xi，Yi)，对应的图像坐标为(xi，yi)，多项式函数模型如下：
x′＝a0+a1x+a2y+a3x2+a4xy+a5y2+...+anxk+ε1
y′＝b0+b1x+b2y+b3x2+b4xy+b5y2+...+bnyk+ε2
其中，(x′，y′)表示配准后的图像坐标，ε1和ε2表示配准残差，k表示多项式函数的阶数，n表示地面控制点数量；
步骤2、通过最小二乘法估计参数a0～an和b0～bn的值，使得残差最小化，构造系数矩阵A和常数项向量B，具体计算公式如下：
其中，A和B的维度分别为(n×(k+1))和(2n×1)，系数矩阵A中每一行表示一个控制点的图像坐标，常数项向量B中每两行表示一个控制点的地理坐标；
步骤3、求解线性方程组Ax＝B，得到系数向量C，其体计算公式如下：
C＝inv(ATA)ATB
其中，inv(ATA)表示A的转置矩阵与A的乘积的逆矩阵，C表示系数向量；
步骤4、将系数向量C的值代入步骤1中的多项式函数模型，对所有控制点求得的预测值，并计算出ε1和ε2配准残差；
步骤5、使用估计得到的多项式参数将整个图像的像素坐标进行配准，得到精确的地理定位。
本实施例中，具体需要说明的是数据挖掘模块，所述数据挖掘模块，利用航空影像数据的空间聚类分析来识别道路网络中的拥堵瓶颈，并分析不同道路之间的连接性和交通流量，通过研究某个地区的交通流量和商业分布之间的联系，优化交通管理和商业规划，具体步骤如下：
步骤1、空间聚类分析：通过聚类算法，将地理空间数据中相互接近的区域归为一类，对采集到的航空影像数据以及交通拥堵数据进行聚类分析，得出不同区域的车流量密度，具体步骤如下：
步骤A1、初始化：随机选择K个数据点作为初始中心，令Ci表示第i个簇，ui表示Ci的中心；
步骤A2、分配数据点到最近的簇中心：对于每个数据点，数据点xj被分配到簇Ci，当且仅当Ci的中心ui是xj距离最近的簇中心，计算与所有簇中心的距离，具体计算公式如下：
arg mini||xj-ui||2
其中，||xj-ui||2表示数据点xj和簇中心ui之间的欧几里德距离的平方；
步骤A3、更新簇中心：对于每个簇，计算该簇中所有数据点的平均值，将这个平均值作为新的簇中心，具体计算公式如下：
其中，表示数据点的平均值，Ci表示簇，xj表示数据点；
步骤A4、重复步骤A2和步骤A3，直到满足停止条件，簇中心不再发生明显变化；
步骤2、城市规划：通过建立空间预测模型，结合智慧城市地理数据和不同区域的车流量密度，预测城市发展趋势，在投影坐标系中，使用空间插值方法用于估计未观测区域的交通流量数值，具体计算公式如下：
Z(u)＝∑λi×di(u)
其中，Z(u)表示在位置u处的估计值，λi表示权重系数，di(u)表示位置u与已知点i之间的距离，通过根据已知点的距离和半方差进行插值，估计未观测地点的交通流量数值。
本实施例中，具体需要说明的是网络分析模块，所述网络分析模块，将网络数据转换为地理信息系统支持的网络数据模型，使用A*算法进行最短路径分析，优化资源利用，在投影坐标系中进行缓冲区分析，根据网络上离指定设施一定范围内的服务区域，确定设施周围的交通需求和运输网络的布局，具体步骤如下：
步骤1、网络数据模型化：将网络数据转换为地理信息系统支持的网络数据模型，建立节点、边之间的拓扑关系，对于每一个节点，分别找出所有以该节点为起点和终点的边，将这些边中另一端的节点加入到该节点的邻居节点列表和反向邻居节点列表中；
步骤2、最短路径分析：使用A*算法进行最短路径分析，计算出网络中的最短路径，通过综合考虑距离和启发函数来评估节点的优先级，选择最优路径，具体计算公式如下：
f(n)＝g(n)+h(n)
其中，n表示当前节点，g(n)表示起点到n的实际距离，h(n)表示从n到终点的估计距离，f(n)为节点n的综合估价值，用于衡量节点的优先级，计算步骤如下：
步骤S1、初始化起点的值：g(start)＝0，f(start)＝h(start)
步骤S2、对于任意一个节点n，计算其相邻节点m的值：
g(m)＝g(n)+w(n，m)
h(m)＝estimate
f(m)＝g(m)+h(m)
其中，w(n，m)表示n和m节点之间的权重，h(m)表示从m到终点的欧氏距离，f(m)为节点m的综合估价值；
步骤S3、选择f值最小的节点作为下一步的节点，重复步骤S2和步骤S3，直到选择的节点为终点时停止；
步骤3、服务区域分析：利用投影坐标系，在地图上绘制服务设施的分布信息，使用波及分析方法，测量距离、时间数据，确定网络上离指定设施一定范围内的服务区域，根据一定距离、时间范围，以某个设施为中心，生成一片周围距离范围相等的缓冲区，确定设施周围的交通需求和运输网络的布局，
对于一个点状的设施，缓冲区为以该点为圆心，以服务范围为半径的圆形区域；
对于一条线状设施，缓冲区为以线状设施为轴心，在轴线两侧方向距离设定的半径的区域，具体计算公式如下：
B(x，y)＝{(x，y)|d((x，y)，(x0，y0))≤r}
B(l，r)＝{x|d(x，l)≤r}
其中，B(x，y)表示点状设施，B(l，r)表示线状设施，B表示缓冲区，(x0，y0)为设施所在位置，r为服务半径，l为线状设施，d表示距离函数。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种地理信息数据演变识别处理方法，其特征在于：其方法包括：
S1、采集研究区的地理空间数据存储于GIS数据库中，地理空间数据包括民航地理数据和智慧城市地理数据；
S2、在GIS数据库中构建UTM投影坐标系，将地理空间数据进行空间转换并对应构建在UTM投影坐标系上；
S3、按照时相对应采集研究区的航空影像数据，时相为Ti，i为时间序列依次编号，将相同时相Ti的航空影像数据进行影像配准定位投射到UTM投影坐标系上，得到时相Ti的航空影像集数据；影像配准定位投射方法如下：
S31、采用多项式函数模型进行影像配准定位投射处理，多项式函数模型的配准表达式如下：
x'＝a0+a1x+a2y+a3x2+a4xy+a5y2+...+anxk+ε1
y'＝b0+b1x+b2y+b3x2+b4xy+b5y2+...+bnyk+ε2
其中，(x',y')表示配准后的图像坐标，ε1和ε2表示配准残差，k表示多项式函数的阶数，n表示地面控制点数量；
S32、通过最小二乘法估计参数a0～an和b0～bn的值，使得残差最小化，构造系数矩阵A和常数项向量B，具体表达式如下：
其中，系数矩阵A中表示一个控制点的图像坐标，常数项向量B中表示一个控制点的地理坐标，第i个控制点的地理坐标为(Xi,Yi)，对应的图像坐标为(xi,yi)；
S33、通过如下公式得到系数向量C：
C＝inv(ATA)ATB
其中，inv(ATA)表示A的转置矩阵与A的乘积的逆矩阵，C表示系数向量；
将系数向量C的值代入多项式函数模型的表达式中并对所有控制点计算得到UTM投影坐标系上的预测坐标值；然后使用估计得到的多项式参数将航空影像数据的像素坐标进行配准；
采集研究区时相Ti的待分析基础数据并对应配准投射到UTM投影坐标系中，待分析基础数据包括民航相关数据、人口数据、道路交通数据，民航相关数据包括飞机飞行数据，道路交通数据包括道路上车辆行驶数据；
S4、构建数据分析模型，数据分析模型基于研究区前后相邻时相Ti-1、时相Ti的待分析基础数据进行聚集区域变化识别，其方法如下：
S41、在UTM投影坐标系中对待分析基础数据随即选择K个数据点作为初始中心，第i个簇表示为Ci，计算数据点xj与所有簇中心的距离，表达式如下：
argmini||xj-ui||2
其中，||xj-ui||2表示数据点xj和簇中心ui之间的欧几里德距离的平方，ui表示Ci的中心；
S42、计算每个簇中所有数据点的平均值，将这个平均值作为新的簇中心，表达式如下：其中，表示数据点的平均值，Ci表示簇，xj表示数据点；
S43、重复步骤S41、步骤S42，直到得到稳定的簇中心及簇；簇的聚集区域边界获取方法如下：
A1、构建簇边缘的节点、边之间拓扑关系的网络，其中节点为簇边缘的凸起点，边为两个节点的连线；对于每一个节点找出所有以该节点为起点和终点的边，将这些边中另一端的节点加入到该节点的邻居节点列表和反向邻居节点列表中；
A2、采用A*算法计算出网络中簇边缘的最短路径作为簇的边界并作为聚集区域边界，表达式如下：
f(n)＝g(n)+h(n)；其中，n表示当前节点，g(n)表示起点到n的实际距离，h(n)表示从n到终点的估计距离，f(n)为节点n的综合估价值，用于衡量节点的优先级；
S44、将前后相邻时相Ti-1、时相Ti的待分析基础数据分别按照步骤S41～S43处理得到前后相邻时相所对应的簇中心及簇，对前后相邻时相所对应的簇中心及簇并以簇作为聚集区域，
将前后相邻时相的聚集区域变化进行识别并得到聚集区域变化识别。
2.按照权利要求1所述的地理信息数据演变识别处理方法，其特征在于：所述民航相关数据还包括航空器轨迹数据、机场数据库以及航班数据，基于民航相关数据统计出研究区时相Ti航空器的位置、轨迹信息、真实飞行高度信息、真实空速并存储为运营管理数据；所述智慧城市地理数据还包括通过道路上部署传感器、视频监控设备获取到研究区的道路交通数据，计算得出车流量并存储为车流量监控数据。
3.按照权利要求1所述的地理信息数据演变识别处理方法，其特征在于：所述地理空间数据采用空间插值方法估计预测未观测区域的数值，具体计算表达式如下：
Z(u)＝∑λi×di(u)；其中，Z(u)表示在位置u处的估计值，λi表示权重系数，di(u)表示位置u与已知点i之间的距离。
4.按照权利要求1所述的地理信息数据演变识别处理方法，其特征在于：所述民航相关数据还包括机场数据、跑道数据，道路交通数据还包括道路线路数据，从民航相关数据、道路交通数据中选择点状设施、线状设施，点状设施包括跑道入口点、道路交叉点，线状设施包括跑道、道路线路，以点状设施、线状设施划设出关注区域；数据分析模型基于研究区前后时相Ti-1、时相Ti关注区域的待分析基础数据进行聚集区域变化识别。
5.一种存储介质，包括存储器和处理器,所述存储器存储有可执行程序,其特征在于,所述处理器执行所述可执行程序时实现权利要求1至4中任一项所述的地理信息数据演变识别处理方法的步骤。
CN202311402806.9A 2023-10-26 2023-10-26 地理信息数据演变识别处理方法、系统及存储介质 Active CN117407477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311402806.9A CN117407477B (zh) 2023-10-26 2023-10-26 地理信息数据演变识别处理方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311402806.9A CN117407477B (zh) 2023-10-26 2023-10-26 地理信息数据演变识别处理方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN117407477A CN117407477A (zh) 2024-01-16
CN117407477B true CN117407477B (zh) 2024-05-14

Family

ID=89495756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311402806.9A Active CN117407477B (zh) 2023-10-26 2023-10-26 地理信息数据演变识别处理方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN117407477B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916437A (zh) * 2010-06-18 2010-12-15 中国科学院计算技术研究所 一种基于多视觉信息的目标定位方法和系统
CN105069811A (zh) * 2015-09-08 2015-11-18 中国人民解放军重庆通信学院 一种多时相遥感图像变化检测方法
CN106485693A (zh) * 2016-09-09 2017-03-08 河海大学 卡方变换结合mrf模型的多时相遥感影像变化检测方法
CN108763575A (zh) * 2018-06-06 2018-11-06 湖南省第测绘院 基于像控点数据库的像控点自动选取方法
CN110458048A (zh) * 2019-07-23 2019-11-15 南京林业大学 顾及城镇格局特征的人口分布时空演变与认知
CN110738856A (zh) * 2019-11-12 2020-01-31 中南大学 一种基于移动聚类的城市交通拥堵精细识别方法
AU2020104112A4 (en) * 2020-12-15 2021-03-04 B, Kannadasan MR A RNN based Spatio Temporal Data Mining model for urban road Planning
CN113537018A (zh) * 2021-07-05 2021-10-22 国网安徽省电力有限公司铜陵供电公司 基于多时相卫星遥感和无人机技术的水土保持监测方法
CN113989452A (zh) * 2021-10-28 2022-01-28 重庆允成互联网科技有限公司 一种基于gis的数字孪生城市坐标定位方法及监测系统
CN116541799A (zh) * 2023-05-06 2023-08-04 航科院中宇（北京）新技术发展有限公司 航道结构数据精度提升方法、系统、电子设备及存储介质
CN116597013A (zh) * 2023-07-17 2023-08-15 山东产研卫星信息技术产业研究院有限公司 一种基于不同经纬度区域的卫星图像几何定标方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6571495B2 (ja) * 2015-11-06 2019-09-04 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置及び画像生成方法
US10460420B2 (en) * 2017-11-22 2019-10-29 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Converting spatial features to map projection

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916437A (zh) * 2010-06-18 2010-12-15 中国科学院计算技术研究所 一种基于多视觉信息的目标定位方法和系统
CN105069811A (zh) * 2015-09-08 2015-11-18 中国人民解放军重庆通信学院 一种多时相遥感图像变化检测方法
CN106485693A (zh) * 2016-09-09 2017-03-08 河海大学 卡方变换结合mrf模型的多时相遥感影像变化检测方法
CN108763575A (zh) * 2018-06-06 2018-11-06 湖南省第测绘院 基于像控点数据库的像控点自动选取方法
CN110458048A (zh) * 2019-07-23 2019-11-15 南京林业大学 顾及城镇格局特征的人口分布时空演变与认知
CN110738856A (zh) * 2019-11-12 2020-01-31 中南大学 一种基于移动聚类的城市交通拥堵精细识别方法
AU2020104112A4 (en) * 2020-12-15 2021-03-04 B, Kannadasan MR A RNN based Spatio Temporal Data Mining model for urban road Planning
CN113537018A (zh) * 2021-07-05 2021-10-22 国网安徽省电力有限公司铜陵供电公司 基于多时相卫星遥感和无人机技术的水土保持监测方法
CN113989452A (zh) * 2021-10-28 2022-01-28 重庆允成互联网科技有限公司 一种基于gis的数字孪生城市坐标定位方法及监测系统
CN116541799A (zh) * 2023-05-06 2023-08-04 航科院中宇（北京）新技术发展有限公司 航道结构数据精度提升方法、系统、电子设备及存储介质
CN116597013A (zh) * 2023-07-17 2023-08-15 山东产研卫星信息技术产业研究院有限公司 一种基于不同经纬度区域的卫星图像几何定标方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
GIS中多源空间数据集成方法研究;许辉熙;卢正;薛万蓉;;测绘与空间地理信息;20091025(第05期);第[1-5]页 *
Pronin, VP ; Dolgintsev, DM ; Pronin, IP ; Senkevich, SV ; Kaptelov, EY ; Sergienko, AY.Composition control of PZT thin films by varying technological parameters of RF magnetron sputter deposition. 24TH INTERNATIONAL CONFERENCE ON VACUUM TECHNIQUE AND TECHNOLOGY.2017,第[1-5]页. *
Yuru Pei ; Gengyu Ma ; Gui Chen ; Xiaoyun Zhang ; Tianmin Xu ; Hongbin Zha.Superimposition of Cone-Beam Computed Tomography Images by Joint Embedding.IEEE Transactions on Biomedical Engineering.2016,第[1218 - 1227]页. *
云模式事件混沌关联特征提取的物联网大数据聚类算法;王雪蓉, 万年红;计算机应用研究;20210205;第38卷(第2期);第[391-397]页 *
地理国情普查时点核准变化区域自动检测方法;王立刚;池淑文;;地理空间信息;20161028;第14卷(第10期);第[33-42]页 *
基于邻域相似性和超像元增强的SAR影像差异图生成;邵攀；贾付文;遥感信息;20230430;第38卷(第2期);第[48-55]页 *
航空数据处理标准研究;陈栋伟, 曹 健, 任勇勇, 谭 逍;民航学报;20210331;第5卷(第2期);第[89-93]页 *

Also Published As

Publication number Publication date
CN117407477A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
Zhang et al. Real time localized air quality monitoring and prediction through mobile and fixed IoT sensing network
Soh et al. Adaptive deep learning-based air quality prediction model using the most relevant spatial-temporal relations
Huang et al. Modeling real-time human mobility based on mobile phone and transportation data fusion
US10970542B2 (en) Scalable three dimensional object segmentation
EP3705849B1 (en) Method and apparatus for visualizing risk levels associated with aerial vehicle flights
US9904932B2 (en) Analyzing semantic places and related data from a plurality of location data reports
US9355063B2 (en) Parking lot detection using probe data
US20200286391A1 (en) Method and apparatus for computing a three-dimensional route based on risk-related data
CN112749825B (zh) 预测车辆的目的地的方法和装置
US20140095062A1 (en) Road Maps from Clusters of Line Segments of Multiple Sources
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
JP4032125B1 (ja) 移動体位置推定システム、及び、移動体位置推定方法
CN110555544B (zh) 一种基于gps导航数据的交通需求估计方法
US6975939B2 (en) Mapping patterns of movement based on the aggregation of spatial information contained in wireless transmissions
US20220215749A1 (en) Method for predicting at least one profile of the speed of a vehicle on a road network
CN110851741A (zh) 出租车载客热点识别推荐算法
US10445610B2 (en) Method, apparatus, and computer program product for determining vehicle lanes of a road segment based on received probe data
Qiu et al. Automatic extraction of road networks from GPS traces
US20220207992A1 (en) Surprise pedestrian density and flow
CN112183871B (zh) 基于空气指数的城市交通诱导系统
Albalawneh et al. A new federated genetic algorithm-based optimization technique for multi-criteria vehicle route planning using ArcGIS network analyst
Wang et al. Extracting the main routes and speed profiles between two locations from massive uncertain historical trajectories
Ray et al. Analysis and Design of Public Transport Route Planner: Dijkstras Algorithm
CN117407477B (zh) 地理信息数据演变识别处理方法、系统及存储介质
Jiang et al. A Metrics-based Method for Evaluating Corridors for Urban Air Mobility Operations

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