CN108122186A - 一种基于卡口数据的职住位置估计方法 - Google Patents

一种基于卡口数据的职住位置估计方法 Download PDF

Info

Publication number
CN108122186A
CN108122186A CN201711468924.4A CN201711468924A CN108122186A CN 108122186 A CN108122186 A CN 108122186A CN 201711468924 A CN201711468924 A CN 201711468924A CN 108122186 A CN108122186 A CN 108122186A
Authority
CN
China
Prior art keywords
data
vehicle
point
record
bayonet
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
Application number
CN201711468924.4A
Other languages
English (en)
Other versions
CN108122186B (zh
Inventor
于海洋
杨帅
刘帅
任毅龙
秦洪懋
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201711468924.4A priority Critical patent/CN108122186B/zh
Publication of CN108122186A publication Critical patent/CN108122186A/zh
Application granted granted Critical
Publication of CN108122186B publication Critical patent/CN108122186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆职住位置估计方法，所述方法包括：步骤(1)获取卡口数据并对卡口数据进行预处理；步骤(2)划分车辆行程；步骤(3)提取重要记录点；步骤(4)使用改进后的k‑means聚类算法，对样本点进行聚类。可以有效估计出车辆的家庭位置，为进一步分析车辆出行特征等奠定基础。

Description

一种基于卡口数据的职住位置估计方法
技术领域
本发明涉及交通领域，尤其涉及一种基于卡口数据的职住位置估计方法。
背景技术
卡口设备是安置在交通枢纽道路的以摄像机为依托的软硬件相结合的对道路实施监控的智能管控设备，可以全天24小时记录经过车辆信息，包括车牌号，过车时间，行驶方向等，为车辆出行特征以及路网状态分析提供可靠的数据支撑。在出行特征中，如果知道车辆的职住位置，对于交通流量的预估等相关交通情况的分析和管控具有较大的意义。所述职住位置即工作(职)和住所(住)所在的位置。
目前关于出行者OD(起点和终点)估计的方法有很多，其中申请号为201110163206.2的专利——《基于车辆自动识别设备的动态OD矩阵估计方法》主要通过以车辆的微观路径修复作为动态OD估计的主要手段，采用贝叶斯估计算法进行操作，上述技术方案使用的数据量大计算量大，对于硬件条件不能满足的环境下并不能够适用，其预测结果也有提高的空间。
申请号为201310213953.1的专利——《基于智能公交***数据的公交卡乘客通勤OD分布估计方法》主要基于三种居民出行特征假定，使用乘车频次统计方法和聚类分析方法推算居民OD，该方法受限于公交IC卡类的OD数据。
发明内容
本专利正是基于现有技术的上述需求而提出的，本专利要解决的技术问题是，本发明提出的基于卡口数据的车辆职住位置估计方法可以克服以上不足，结合卡口数据本身特性，实现车辆职住位置估计。
为了解决上述技术问题，本专利提供的技术方案包括：一种车辆职住位置估计方法，所述方法包括：步骤(1)获取卡口数据并对卡口数据进行预处理；所述预处理包括：(1.1)数据降维从原始卡口数据中提取出卡口编号K，车牌号M，过车时间S，形式方向F，删除其余列数据；(1.2)数据重组首先按照车牌号分组；将所有数据按照车牌号M分组，即将车牌号相同的数据放入一个集合中Mi＝{Mi1，Mi2，…，Min}，其中Min表示车牌号为Mi的车辆的第n条数据；其次，按过车时间排序；然后，按照过车时间S对相同车牌号的数据进行排序，得到按时间顺序排列的车辆数据集合Mis＝{Mis1，Mis2，…，Misn}，其中Misn表示车牌号为Mi的车辆的第n条数据；(1.3)数据清洗删除未识别数据；删除重复记录；步骤(2)划分车辆行程(2.1)基于数据记录时间间隔，对每个车辆每天记录点进行划分，划分成独立的行程；首先按照日期对数据集Mis中的数据分组，得到每辆车每天的轨迹数据集合Mid＝{Mid1，Mid2，…，Midn}，其中Midn表示车牌号为Mi的车辆在第d天的第n条数据；(2.2)设置阈值B，划分记录点；根据车辆每天轨迹数据集Mid，计算相邻两记录点的时间差Δtd＝{Δtd1，Δtd2，…，Δtdn-1}，并基于卡口数据与实际路网，设定阈值B，若Δtdi<B，则第i+1个记录点属于下一个行程，否则，属于当前轨迹集，由此得到每辆车每天的所有行程轨迹集，Mid＝{Mid1，Mid2，…，Midn}；步骤(3)提取重要记录点选取车辆每天的第一个和最后一个行程，并提取其中的两类记录点：第一类为第一个行程的首个记录点和最后一个行程的最后一个记录点，记为A类；第二类为第一个行程的最后一个记录点和最后一个行程的第一个记录点，记为B类；并根据卡口编号和卡口实际位置经纬度坐标，将提取的记录点的经纬度坐标放入新的样本集P中，Pi＝{PAi，PBi}，其中PAi表示第i辆车所有的A类记录点数据集；步骤(4)使用改进后的k-means聚类算法，对样本点进行聚类(4.1)改进k-means聚类算法的度量方法，采用球面距离代替K-means中的欧几里得距离来度量样本之间的相似性；球面距离的计算公式为：D(Pi，Pj)＝R×arccos(a+b)；其中，D(Pi，Pj)表示Pi点和点Pj之间的最短球面距离；R为地球半径；a＝sin(PiLon×π/180)×sin(PjLon×π/180)，PiLon为点Pi的经度，PjLon为点Pj的经度；b＝cos(PiLat×π/180)×cos(PjLat×π/180)×cos(PjLon-PiLon)，PiLat为点Pi的纬度，PjLat为点Pj的纬度；(4.2)设置聚类中心K，进行聚类分析，设置要生成的数据子集的数目k，将输入的数据集PAi划分为k类，得到数据集C＝{c1，…，ck}，其中ck表示被划分到第k类的数据的集合；其中k的初始值从样本中随机选取，得到k类，从中选取包含样本数量最多的类max{C}，将其聚类中心作为估计的家庭位置，同样从数据集PBi中聚类得到的聚类中心作为估计的工作位置。
优选地，阈值B的计算具体如下：(1)获取m条路的所有路段的长度信息L＝{l1，…，lm}，以及每条道路的最大允许速度V＝{v1，…，vm}；(2)计算每个路段的旅行时间T＝{t1，…，tm}，其中
(3)B＝max{T}，从路网中所有路段的行程时间中找到最大值作为阈值B。
本发明围绕探索性算法，基于卡口数据，提出一种基于车辆轨迹记录时间间隔的出行行程识别方法；本发明在时间间隔阈值B的计算中，充分考虑实际路网信息，并结合卡口数据计算道路旅行时间，保证阈值B的可靠性；本发明结合车辆通勤特征，从车辆单行程轨迹点出发，选取行驶过程中一系列“重要”记录点，作为位置估计样本集，并根据卡口数据本身特性，改进K-means算法中的欧氏距离为球面距离，对重要记录点进行聚类，降低了方法的复杂度；可以有效估计出车辆的家庭位置，为进一步分析车辆出行特征等奠定基础。
附图说明
图1为本发明具体实施方式中一种路网的结构示意图；
图2为基于探索性算法的车辆行程划分示意图；
图3为车辆出行行程轨迹点划分流程图；
图4为车辆轨迹重要记录点示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明，使得本领域技术人员参照说明书文字能够据以实施。本具体实施方式提出了一种基于卡口数据的家庭位置估计方法，具体步骤如下:
(1)对卡口数据进行预处理；
对所述卡扣数据的预处理包括数据降维、数据从组、数据清洗。通过数据的预处理能够获取价值最大的数据内容，方便本方法的实施，提高本方法的准确性和效率。
(1.1)数据降维
原始卡口数据信息量大，而并不是所有信息都对于本具体实施方式是有用的。为提高分析效率，本具体实施方式中从卡口数据提取出关键信息、降低数据维度。具体而言，在本具体实施方式中，从原始的卡口数据中提取出卡口编号K，车牌号M，过车时间S，行驶方向F，删除其余列数据。
(1.2)数据重组
1.按照车牌号分组；将所有数据按照车牌号M分组，即将车牌号相同的数据放入一个集合中Mi＝{Mi1，Mi2，…，Min}，其中Min表示车牌号为Mi的车辆的第n条数据。
2.按过车时间排序；然后按照过车时间S对相同车牌号的数据进行排序，得到按时间顺序排列的车辆数据集合Mis＝{Mis1，Mis2，…，Misn}，其中Misn表示车牌号为Mi的车辆的第n条数据。
(1.3)数据清洗
删除未识别数据；针对卡口数据中车牌号未能成功识别的记录，进行删除操作；删除重复记录；针对车辆连续被多次检测出现的重复记录，进行删除操作。
一般认为是车牌号标记为“未识别”字样的数据和车牌号识别错误，例如乱码，的数据是车牌号未能成功识别的记录，这些记录需要删除。重复数据包含卡口编号K，车牌号M，过车时间S，行驶方向F都完全相同的数据，而对于部分内容重合的数据并不能认为是重复数据，对于重复数据只保留重复数据中的一条数据，删除其余的数据。
(2)划分车辆行程
(2.1)基于数据记录时间间隔，对每个车辆每天记录点进行划分，划分成独立的行程，
首先按照日期对数据集Mis中的数据分组，得到每辆车每天的轨迹数据集合Mid＝{Mid1，Mid2，…，Midn}，其中Midn表示车牌号为Mi的车辆在第d天的第n条数据。
(2.2)设置阈值B，划分记录点
根据车辆每天轨迹数据集Mid，计算相邻两记录点的时间差Δtd＝{Δtd1，Δtd2，…，Δtdn-1}，并基于卡口数据与实际路网，设定阈值B，若Δtdi<B，则第i+1个记录点属于下一个行程，否则，属于当前轨迹集，由此得到每辆车每天的所有行程轨迹集，Mid＝{Mid1，Mid2，…，Midn}。
例如在图1所示的路网中，获取路网中所有道路的长度L＝{l1，…，lm}和最大允许速度信息V＝{v1，…，vm}，并计算出所有路段的行程时间T＝{t1，…，tm}，选取最大行程时间max{T}为阈值B的值。
基于步骤(1)中得到每辆车每天按时间排序的轨迹数据，计算相邻记录点的时间间隔，并逐个与B比较，若小于B，则此时间间隔对应的相邻的两个轨迹点属于一个轨迹集；否则若大于B，则这两个轨迹点属于两个不同的轨迹集，将时间序列中靠后的轨迹点划分到下一个轨迹集，如图2所示，t1，t2，t3，t4全部大于阈值B，流程图如图3所示；
(3)提取重要记录点
根据车辆通勤规律，选取车辆每天的第一个和最后一个行程，并提取其中的两类记录点：
第一类为第一个行程的首个记录点和最后一个行程的最后一个记录点，记为A类；
第二类为第一个行程的最后一个记录点和最后一个行程的第一个记录点，记为B类；
并根据卡口编号和卡口实际位置经纬度坐标，将提取的记录点的经纬度坐标放入新的样本集P中，Pi＝{PAi，PBi}，其中PAi表示第i辆车所有的A类记录点数据集。
：基于步骤(2)得到的车辆所有的行程轨迹记录点，提取出每辆车的A类记录点和B类记录点，如图4所示，分别放入样本集A和B中，得到第i辆车的两类样本集分别为PAi，PBi；
(4)改进k-means聚类算法，对样本点进行聚类
(4.1)改进度量方法
K-means中，通常使用欧氏距离来度量样本之间的相似性。卡口数据中轨迹点均为经纬度坐标，故采用球面距离代替欧几里得距离。球面距离的计算公式为：
D(Pi，Pj)＝R×arccos(a+b)
其中，D(Pi，Pj)表示Pi点和点Pj之间的最短球面距离；R为地球半径；
a＝sin(PiLon×π/180)×sin(PjLon×π/180)，PiLon为点Pi的经度，PjLon为点Pj的经度；
b＝cos(PiLat×π/180)×cos(PjLat×π/180)×cos(PjLon-PiLon)，PiLat为点Pi的纬度，PjLat为点Pj的纬度。
(4.2)设置聚类中心K，进行聚类分析
设置要生成的数据子集的数目k，将输入的数据集PAi划分为k类，得到数据集C＝{c1，…，ck}，其中ck表示被划分到第k类的数据的集合。其中k的初始值从样本中随机选取。得到k类，从中选取包含样本数量最多的类max{C}，将其聚类中心作为估计的家庭位置，同样从数据集PBi中聚类得到的聚类中心作为估计的工作位置。

Claims (2)

1.一种车辆职住位置估计方法，其特征在于，所述方法包括：
步骤(1)获取卡口数据并对卡口数据进行预处理；
所述预处理包括：
(1.1)数据降维
从原始卡口数据中提取出卡口编号K，车牌号M，过车时间S，形式方向F，删除其余列数据；
(1.2)数据重组
首先按照车牌号分组；将所有数据按照车牌号M分组，即将车牌号相同的数据放入一个集合中Mi＝{Mi1，Mi2，…，Min}，其中Min表示车牌号为Mi的车辆的第n条数据；其次，按过车时间排序；然后，按照过车时间S对相同车牌号的数据进行排序，得到按时间顺序排列的车辆数据集合Mis＝{Mis1，Mis2，…，Misn}，其中Misn表示车牌号为Mi的车辆的第n条数据；
(1.3)数据清洗
删除未识别数据；删除重复记录；
步骤(2)划分车辆行程
(2.1)基于数据记录时间间隔，对每个车辆每天记录点进行划分，划分成独立的行程；首先按照日期对数据集Mis中的数据分组，得到每辆车每天的轨迹数据集合Mid＝{Mid1，Mid2，…，Midn}，其中Midn表示车牌号为Mi的车辆在第d天的第n条数据；
(2.2)设置阈值B，划分记录点；根据车辆每天轨迹数据集Mid，计算相邻两记录点的时间差Δtd＝{Δtd1，Δtd2，…，Δtdn-1}，并基于卡口数据与实际路网，设定阈值B，若Δtdi<B，则第i+1个记录点属于下一个行程，否则，属于当前轨迹集，由此得到每辆车每天的所有行程轨迹集，Mid＝{Mid1，Mid2，…，Midn}；
步骤(3)提取重要记录点
选取车辆每天的第一个和最后一个行程，并提取其中的两类记录点：第一类为第一个行程的首个记录点和最后一个行程的最后一个记录点，记为A类；第二类为第一个行程的最后一个记录点和最后一个行程的第一个记录点，记为B类；并根据卡口编号和卡口实际位置经纬度坐标，将提取的记录点的经纬度坐标放入新的样本集P中，Pi＝{PAi，PBi}，其中PAi表示第i辆车所有的A类记录点数据集；
步骤(4)使用改进后的k-means聚类算法，对样本点进行聚类
(4.1)改进k-means聚类算法的度量方法
采用球面距离代替K-means中的欧几里得距离来度量样本之间的相似性；球面距离的计算公式为：D(Pi，Pj)＝R×arccos(a+b)；其中，D(Pi，Pj)表示Pi点和点Pj之间的最短球面距离；R为地球半径；a＝sin(PiLon×π/180)×sin(PjLon×π/180)，PiLon为点Pi的经度，PjLon为点Pj的经度；b＝cos(PiLat×π/180)×cos(PjLat×π/180)×cos(PjLon-PiLon)，PiLat为点Pi的纬度，PjLat为点Pj的纬度；
(4.2)设置聚类中心K，进行聚类分析
设置要生成的数据子集的数目k，将输入的数据集PAi划分为k类，得到数据集C＝{c1，…，ck}，其中ck表示被划分到第k类的数据的集合；其中k的初始值从样本中随机选取，得到k类，从中选取包含样本数量最多的类max{C}，将其聚类中心作为估计的家庭位置，同样从数据集PBi中聚类得到的聚类中心作为估计的工作位置。
2.根据权利要求1所述的一种车辆职住位置估计方法，其特征在于，阈值B的计算具体如下：
(1)获取m条路的所有路段的长度信息L＝{l1，…，lm}，以及每条道路的最大允许速度V＝{v1，…，vm}；
(2)计算每个路段的旅行时间T＝{t1，…，tm}，其中1<i<m；
(3)B＝max{T}，从路网中所有路段的行程时间中找到最大值作为阈值B。
CN201711468924.4A 2017-12-29 2017-12-29 一种基于卡口数据的职住位置估计方法 Active CN108122186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711468924.4A CN108122186B (zh) 2017-12-29 2017-12-29 一种基于卡口数据的职住位置估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711468924.4A CN108122186B (zh) 2017-12-29 2017-12-29 一种基于卡口数据的职住位置估计方法

Publications (2)

Publication Number Publication Date
CN108122186A true CN108122186A (zh) 2018-06-05
CN108122186B CN108122186B (zh) 2021-11-05

Family

ID=62232398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711468924.4A Active CN108122186B (zh) 2017-12-29 2017-12-29 一种基于卡口数据的职住位置估计方法

Country Status (1)

Country Link
CN (1) CN108122186B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717790A (zh) * 2018-07-06 2018-10-30 广州市交通运输研究所 一种基于卡口车牌识别数据的车辆出行分析方法
CN109308804A (zh) * 2018-08-08 2019-02-05 北京航空航天大学 基于张量分解的旅行时间估计方法
CN109471907A (zh) * 2018-11-15 2019-03-15 刘长山 一种基于卡口数据的行车规律分析***和方法
CN111080351A (zh) * 2019-12-05 2020-04-28 任子行网络技术股份有限公司 一种多维数据集的聚类方法及***
CN111523562A (zh) * 2020-03-20 2020-08-11 浙江大学 一种基于车牌识别数据的通勤模式车辆识别方法
CN111640303A (zh) * 2020-05-29 2020-09-08 青岛大学 城市通勤路径识别方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646187A (zh) * 2013-12-27 2014-03-19 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
CN105608528A (zh) * 2015-12-18 2016-05-25 东南大学 基于大数据分析的出租车驾驶员收入-压力评估方法和***
WO2016085549A1 (en) * 2014-11-24 2016-06-02 Raytheon Comapny Method and system for processing a sequence of images to identify, track, and/or target an object on a body of water
CN105869405A (zh) * 2016-05-25 2016-08-17 银江股份有限公司 基于卡口数据的城市道路交通拥堵指数计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646187A (zh) * 2013-12-27 2014-03-19 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
WO2016085549A1 (en) * 2014-11-24 2016-06-02 Raytheon Comapny Method and system for processing a sequence of images to identify, track, and/or target an object on a body of water
CN105608528A (zh) * 2015-12-18 2016-05-25 东南大学 基于大数据分析的出租车驾驶员收入-压力评估方法和***
CN105869405A (zh) * 2016-05-25 2016-08-17 银江股份有限公司 基于卡口数据的城市道路交通拥堵指数计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
巧克力工厂的查理: "用户地理位置的聚类算法实现—基于DBSCAN和Kmeans的混合算法", 《HTTPS://BLOG.CSDN.NET/JACKADUMA/ARTICLE/DETAILS/52734731》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717790A (zh) * 2018-07-06 2018-10-30 广州市交通运输研究所 一种基于卡口车牌识别数据的车辆出行分析方法
CN109308804A (zh) * 2018-08-08 2019-02-05 北京航空航天大学 基于张量分解的旅行时间估计方法
CN109308804B (zh) * 2018-08-08 2020-05-05 北京航空航天大学 基于张量分解的旅行时间估计方法
CN109471907A (zh) * 2018-11-15 2019-03-15 刘长山 一种基于卡口数据的行车规律分析***和方法
CN109471907B (zh) * 2018-11-15 2022-04-29 刘长山 一种基于卡口数据的行车规律分析***和方法
CN111080351A (zh) * 2019-12-05 2020-04-28 任子行网络技术股份有限公司 一种多维数据集的聚类方法及***
CN111523562A (zh) * 2020-03-20 2020-08-11 浙江大学 一种基于车牌识别数据的通勤模式车辆识别方法
CN111523562B (zh) * 2020-03-20 2021-06-08 浙江大学 一种基于车牌识别数据的通勤模式车辆识别方法
CN111640303A (zh) * 2020-05-29 2020-09-08 青岛大学 城市通勤路径识别方法及设备

Also Published As

Publication number Publication date
CN108122186B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN108122186A (zh) 一种基于卡口数据的职住位置估计方法
WO2020238631A1 (zh) 一种基于手机信令数据的人群类型识别方法
CN108959466B (zh) 基于bcs-dbscan的出租车载客热点可视化方法及***
CN105070053B (zh) 一种识别车辆违规运动模式的智能交通监控摄像机
CN105608505B (zh) 一种基于手机信令数据的居民轨道交通出行方式识别方法
CN109359880B (zh) 城市道路交通执勤警力部署方法
US7697720B2 (en) Visual sensing for large-scale tracking
CN107656987B (zh) 一种基于lda模型的地铁站点功能挖掘方法
Li et al. A general framework for unmet demand prediction in on-demand transport services
CN108230724A (zh) 一种基于极大概率估计的城市公交***车载报站缺失数据修补方法
CN101329734A (zh) 基于k-l变换和ls-svm的车牌字符识别方法
CN106710208A (zh) 交通状态的获取方法及装置
US7929022B2 (en) Method of producing a transit graph
He et al. Inferring high-resolution traffic accident risk maps based on satellite imagery and gps trajectories
CN102044146A (zh) 基于一票制公交ic卡数据推算上车站点的方法
CN104750800A (zh) 一种基于出行时间特征的机动车聚类方法
CN105975582B (zh) 基于Spark的RFID数据生成出行OD矩阵的方法及***
CN106227859A (zh) 从gps数据中识别交通工具的方法
Dey et al. Turning video into traffic data–an application to urban intersection analysis using transfer learning
CN107329977A (zh) 一种基于概率分布的假牌车二次筛选方法
CN114416710A (zh) 一种快速路车辆od位置提取方法及***
CN114372503A (zh) 一种集群车辆运动轨迹预测方法
Hamedmoghadam et al. Automated extraction of origin-destination demand for public transportation from smartcard data with pattern recognition
CN115795332A (zh) 一种用户出行模式识别的方法
CN114091581A (zh) 一种基于稀疏轨迹的车辆运营行为类型识别方法

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