CN109559511A - 一种城市交通拥堵信息定向投放方法 - Google Patents
一种城市交通拥堵信息定向投放方法 Download PDFInfo
- Publication number
- CN109559511A CN109559511A CN201811479705.0A CN201811479705A CN109559511A CN 109559511 A CN109559511 A CN 109559511A CN 201811479705 A CN201811479705 A CN 201811479705A CN 109559511 A CN109559511 A CN 109559511A
- Authority
- CN
- China
- Prior art keywords
- road
- traffic
- data set
- section
- record
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市交通拥堵信息定向投放方法,首先,对研究区内道路进行预处理;其次,形成交通出行记录数据集记为GJ;再根据GJ确定城市道路之间的关系网络;最后,计算城市交通拥堵路段的主要关联路段信息。本发明能够可以较为准确地将城市拥堵信息传递到最相关的路段上,还能将交通拥堵信息进行全局和局部优先度顺序进行传递,从而为城市规划和交通管理提供决策依据。
Description
技术领域
本发明涉及城市规划与城市交通技术领域,特别是一种城市交通拥堵信息定向投放方法。
背景技术
交通道路拥堵是当前重要的一种城市病,涉及到每个城市居民的身心健康,对城市发展产生了严重的负面影响。交通拥堵信息的收集、处理以及及时投放给公众是解决城市拥堵问题的一个重要手段。与此同时,随着大数据时代的到来,利用大数据进行人类空间活动特征的研究越来越广泛。在城市交通拥堵领域,研究人员利用手机移动、共享汽车出行轨迹等数据计算出城市中哪些道路属于拥堵地段,并将拥堵地段信息告诉给城市居民。然而,还存在以下问题及其需要解决的方案:
首先,一般拥堵信息提供给公众的多是拥堵信息点的位置,缺少是哪些路段的人流导致了某一路段拥堵,即拥堵路段的源头在城市中的分布。其次,如何较为精准的把拥堵信息发送给可能会进入拥堵路段的公众还存在不足,即拥堵的信息往往是广泛在城市中通报,无法按照一定的优先度在城市不同路段进行传达。最后,城市交通关联性具有全局和局部特征,如何快速地找到拥堵路段的全局最相关和局部最相关的路段也是急需待解决的问题。因为全局最相关的路段到达拥堵路段的时间较长,这一类信息更适合长时期内城市拥堵问题治理的科学参考依据。局部最相关可能会关系到当前即将进入拥堵路段的公众,需要极为快速的将拥堵路段信息告诉他们。
如何将交通出行轨迹关系转换为道路路段之间的关联关系,也是当前大数据、交通规划、智慧城市研究的重点。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种城市交通拥堵信息定向投放方法,本发明能够较为精确地将城市拥堵信息进行定向投放,为城市规划和交通管理提供决策依据。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种城市交通拥堵信息定向投放方法,包括以下步骤:
步骤1、对研究区内道路进行预处理:对研究区内道路做分段处理,并对每段道路添加唯一标识号,形成道路分段数据集R;
步骤2、将交通出行轨迹数据匹配至道路上,获得待研究区中每个交通出行轨迹基于道路分段数据集R的交通出行记录,待研究区中所有基于道路分段数据集R的交通出行记录数据集记为GJ;
获得每个交通出行轨迹基于道路分段数据集R的交通出行记录具体如下:
针对待研究区中的每个交通出行轨迹L,利用道路分段数据集R对其切分,获得单个交通出行轨迹分段后的交通出行轨迹数据集L1,并按照与R的空间一一对应关系,记录L1中每段线路唯一标识号,从而获得每个交通出行轨迹基于道路分段数据集R的交通出行记录PL;
步骤3、根据GJ确定城市道路之间的关系网络;
步骤3.1、遍历集合GJ中每个交通出行记录PL;
步骤3.2、按照标识号先后顺序,对PL中任意两个不相同的标识号组成一条记录;
步骤3.3、待GJ遍历完成后,存储记录并统计每条记录的数量;
步骤3.4、依据复杂网络理论,对R和步骤3.3中存储的记录,建立复杂网络数据集W;
步骤3.5、依据复杂网络中社区划分计算方法,将W划分成不同的社区,记为S,使得数据集R中每一个标识号都属于某一个社区;
步骤4、获取城市交通拥堵路段的主要关联路段信息;
步骤4.1、从数据集R中选取出待分析的交通拥堵地段,记为L3;
步骤4.2、从S中找出L3所在的社区,记为SR;
步骤4.3、从步骤3.3中存储的记录中筛选出含有L3的记录集,记为记录集GListA;同时,将GListA中在SR中出现的路段提取出形成记录集GListB;
步骤4.4、在地图上,按照GListA中记录数值大小,对GListA路段数据集中除L3外的路段进行分级可视化;
步骤4.5、在地图上,按照GListB中记录数值大小,对GListB路段数据集中除L3外的路段进行分级可视化;
步骤4.6、在GListA或GListB路段数据集中,将记录数值由大到小排列,选择在记录数值排名前M的路段上的公共交通显示平台上显示出与L3相关路段的区位,M为预设的整数。
作为本发明所述的一种城市交通拥堵信息定向投放方法进一步优化方案,步骤1中道路分段数据集R为单线道路数据集。
作为本发明所述的一种城市交通拥堵信息定向投放方法进一步优化方案,步骤2中交通出行轨迹数据是按照时间顺序记录的地理空间点所组成的线。
作为本发明所述的一种城市交通拥堵信息定向投放方法进一步优化方案,步骤2中L1所记录的唯一标识号顺序是按照交通出行轨迹的时间先后顺序。
作为本发明所述的一种城市交通拥堵信息定向投放方法进一步优化方案,步骤3.2中L2由2个标识号组成,且第一个标识号在第二个标识号之前出现在PL中。
作为本发明所述的一种城市交通拥堵信息定向投放方法进一步优化方案,步骤3.3具体如下:
构建字典列表GList,依次将GJ遍历完成后所得到的所有记录添加到字典列表GList,若某一条记录已存在字典列表GList则将该记录的数量加1,若不存在,则将其存储在字典列表GList中并将其数量记为1。
作为本发明所述的一种城市交通拥堵信息定向投放方法进一步优化方案,M为3。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明是以城市路段之间的交通联系信息进行关联,可以较为准确地将城市拥堵信息传递到最相关的路段上,为城市交通管理与规划设计分析提供了科学支撑依据;
(2)本发明能将交通拥堵信息进行全局和局部优先度顺序进行传递,有利于从不同角度进行道理拥堵相关性的分析。
附图说明
图1是本发明的整体流程示意图。
图2是道路与道路交叉节点分布示意图。
图3是道路分段结果示意图。
图4是轨迹数据在道路中分布示意图。
图5是路段之间轨迹数的统计示意图。
图6是适合于复杂网络分析所需要的数据格式示意图。
图7是社区划分结果示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
为解决全局和局部最相关的问题,本发明利用复杂网络中社区划分方法来解决。社区划分方法主要用来揭示网络聚集行为的一种技术,实际就是一种网络聚类的方法。这里的“社区”可以将其理解为一类具有相同特性节点的集合。如果能够先对道路网络和交通出行轨迹数据建立成道路路段之间的复杂网络,那么便可以将道路路段进行社区划分方法划分为不同的内部联系紧密的社区。每个社区内部之间便属于“局部相关性”,全部社区内的道路路段则属于“全局相关性”。
本发明方法具体如下:
步骤1)参见附图1,首先对研究区内道路进行预处理;
对研究区内道路做分段处理,并对每段道路添加唯一标识号,形成道路分段数据集R。参见附图2,实例研究区内有5条道路,且这5条道路有6个交叉点,分别为点a、b、c、d、e、f。利用这6个点可以将上述的5条道路分别打断,从而形成道路分段数据集R。R在空间上的分布参见附图3,具体的道路分段名称分别为R1,R2,R3,R4,R5,R6,R7,R8,R9,R10,R11,R12,R13,R14,R15,R16,R17。
步骤2)将交通出行轨迹数据匹配至道路上,获得待研究区中每个交通出行轨迹基于道路分段数据集R的交通出行记录,待研究区中所有基于道路分段数据集R的交通出行记录数据集记为GJ;
获得每个交通出行轨迹基于道路分段数据集R的交通出行记录具体如下:
针对待研究区中的每个交通出行轨迹L,利用道路分段数据集R对其切分,获得单个交通出行轨迹分段后的交通出行轨迹数据集L1,并按照与R数据集的空间一一对应关系,记录L1中每段线路唯一标识码,从而获得每个交通出行轨迹基于道路分段数据集R的交通出行记录PL。参见附图4,例如交通出行轨迹La依次经过路段R6、R8、R10,交通出行轨迹Lb依次经过路段R1、R3、R9、R10,交通出行轨迹Lc依次经过路段R16、R12、R8、R10,则交通出行轨迹La的交通出行记录PL为{R6,R8,R10},Lb的交通出行记录PL为{R1,R3,R9,R10},Lc的交通出行记录PL为{R16,R12,R8,R10}。那么,GJ则包含有这三个交通出行记录:{R6、R8、R10},{ R1、R3、R9、R10}、{ R16,R12,R8,R10}。
研究区内La的数量为1,Lb的数量为4,Lc的数量为1。
步骤3)根据GJ确定城市道路之间的关系网络;
步骤3.1)遍历集合GJ中每个交通出行记录PL;
步骤3.2)按照标识号先后顺序,对PL中任意两个不相同的标识号作为一条记录L2;对于本实例而言,则可形成下面多条记录:{R6,R8},{R6,R10},{R8,R10},{R8,R10},{R1,R3},{R1,R3},{R1,R3},{R1,R3},{R1,R9},{R1,R9},{R1,R9},{R1,R9},{R1,R10},{R1,R10},{R1,R10},{R1,R10},{R3,R9},{R3,R9},{R3,R9},{R3,R9},{R3,R10},{R3,R10},{R3,R10},{R3,R10},{R9,R10},{R9,R10},{R9,R10},{R9,R10},{R16,R12},{R16,R8},{R16,R10},{R12,R8},{R12,R10}。
步骤3.3)参见附图5,构建字典列表GList,将L2存储在字典列表GList,如果GList中不包含此L2,则将该L2添加到GList中,并将其数量记为1,如果GList中已包含此L2,则将此GList中L2的数量再加上1。本实例的计算结果为:{R6,R8}为1条,{R6,R10}为1条,{R8,R10}为2条,{R1,R3}为4条,{R1,R9}为4条,{R1,R10}为4条,{R3,R9}为4条,{R3,R10}为4条,{R9,R10}为4条,{R16,R12}为1条,{R16,R8}为1条,{R16,R10}为1条,{R12,R8}为1条,{R12,R10}为1条。
步骤3.4)依据复杂网络理论,对R和字典列表GList,建立复杂网络数据集W;参见附图6为本实例的数据格式,其适用于Pajek等复杂网络分析软件的一种常见数据格式。
步骤3.5)依据复杂网络中社区划分计算方法,将W划分成不同的社区,记为S,使得数据集R中每一个标识号都属于某一个社区。 假设本实例中有交通流量的道路段被分成了2个社区。参见附图7,每个社区的组成分别为:S1是{ R1, R3,R9}, S2是{R6,R8,R10,R12,R16}。
步骤4)获取城市交通拥堵路段的主要关联路段信息;
步骤4.1)从数据集R中选取出待分析的交通拥堵地段,记为L3,本实例为R10;
步骤4.2)从S中找出R10所在的社区SR,本示例即为S2;
步骤4.3)从GList中筛选出含有R10的记录集,记为数据集GListA。同时,把GListA中在S2中出现的路段提取出形成记录集GListB;即如果GListA中某条记录包含了SR中路段,则提取出来。这些提取出来的最终形成GListB。
GListA:{R6,R10}为1条,{R8,R10}为2条, {R1,R10}为4条, {R3,R10}为4条,{R9,R10}为4条, {R16,R10}为1条, {R12,R10}为1条。
GListB:{R6,R10}为1条,{R8,R10}为2条,{R16,R10}为1条,{R12,R10}为1条。
步骤4.4)在地图上,按照GListA中记录数值大小,分级可视化GListA路段数据集中除R10外路段;分级是按照大小分成几个级别,每个级别用不同图形样式显示。对于本实例,{R1,R10},{R3,R10},{R9,R10}均为4条,是GListA中最大值,在可视化时以最粗线条进行展示R1、R3以及R9这三个路段;
步骤4.5)在地图上,按照GListB中记录数值大小,分级可视化GListB路段数据集中除R10外路段;对于本实例,{R8,R10}为2条,是GListB中最大值,在可视化时以最粗线条进行展示R8路段;
步骤4.4和步骤4.5分别针对全局和局部来选择可视化,一个是全局的,一个是局部的。
分级可视化是对路段,即非拥堵的其他路段,帮助人们观察与拥堵路段最相关的路段在哪,帮助人们观察与拥堵路段最相关的路段在哪这个是核心目的。
步骤4.6)同时,在GListA或GListB路段数据集中,将记录数值由大到小排列,选择在记录数值排名前M的路段上的公共交通显示平台上显示出与R10相关路段的区位,M为预设的整数,M可为3。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替代,都应当视为属于本发明的保护范围。
Claims (7)
1.一种城市交通拥堵信息定向投放方法,其特征在于,包括以下步骤:
步骤1、对研究区内道路进行预处理:对研究区内道路做分段处理,并对每段道路添加唯一标识号,形成道路分段数据集R;
步骤2、将交通出行轨迹数据匹配至道路上,获得待研究区中每个交通出行轨迹基于道路分段数据集R的交通出行记录,待研究区中所有基于道路分段数据集R的交通出行记录数据集记为GJ;
获得每个交通出行轨迹基于道路分段数据集R的交通出行记录具体如下:
针对待研究区中的每个交通出行轨迹L,利用道路分段数据集R对其切分,获得单个交通出行轨迹分段后的交通出行轨迹数据集L1,并按照与R的空间一一对应关系,记录L1中每段线路唯一标识号,从而获得每个交通出行轨迹基于道路分段数据集R的交通出行记录PL;
步骤3、根据GJ确定城市道路之间的关系网络;
步骤3.1、遍历集合GJ中每个交通出行记录PL;
步骤3.2、按照标识号先后顺序,对PL中任意两个不相同的标识号组成一条记录;
步骤3.3、待GJ遍历完成后,存储记录并统计每条记录的数量;
步骤3.4、依据复杂网络理论,对R和步骤3.3中存储的记录,建立复杂网络数据集W;
步骤3.5、依据复杂网络中社区划分计算方法,将W划分成不同的社区,记为S,使得数据集R中每一个标识号都属于某一个社区;
步骤4、获取城市交通拥堵路段的主要关联路段信息;
步骤4.1、从数据集R中选取出待分析的交通拥堵地段,记为L3;
步骤4.2、从S中找出L3所在的社区,记为SR;
步骤4.3、从步骤3.3中存储的记录中筛选出含有L3的记录集,记为记录集GListA;同时,将GListA中在SR中出现的路段提取出形成记录集GListB;
步骤4.4、在地图上,按照GListA中记录数值大小,对GListA路段数据集中除L3外的路段进行分级可视化;
步骤4.5、在地图上,按照GListB中记录数值大小,对GListB路段数据集中除L3外的路段进行分级可视化;
步骤4.6、在GListA或GListB路段数据集中,将记录数值由大到小排列,选择在记录数值排名前M的路段上的公共交通显示平台上显示出与L3相关路段的区位,M为预设的整数。
2.根据权利要求1所述的一种城市交通拥堵信息定向投放方法,其特征在于,步骤1中道路分段数据集R为单线道路数据集。
3.根据权利要求1所述的一种城市交通拥堵信息定向投放方法,其特征在于,步骤2中交通出行轨迹数据是按照时间顺序记录的地理空间点所组成的线。
4.根据权利要求1所述的一种城市交通拥堵信息定向投放方法,其特征在于,步骤2中L1所记录的唯一标识号顺序是按照交通出行轨迹的时间先后顺序。
5.根据权利要求1所述的一种城市交通拥堵信息定向投放方法,其特征在于,步骤3.2中L2由2个标识号组成,且第一个标识号在第二个标识号之前出现在PL中。
6.根据权利要求1所述的一种城市交通拥堵信息定向投放方法,其特征在于,步骤3.3具体如下:
构建字典列表GList,依次将GJ遍历完成后所得到的所有记录添加到字典列表GList,若某一条记录已存在字典列表GList则将该记录的数量加1,若不存在,则将其存储在字典列表GList中并将其数量记为1。
7.根据权利要求1所述的一种城市交通拥堵信息定向投放方法,其特征在于,M为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811479705.0A CN109559511B (zh) | 2018-12-05 | 2018-12-05 | 一种城市交通拥堵信息定向投放方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811479705.0A CN109559511B (zh) | 2018-12-05 | 2018-12-05 | 一种城市交通拥堵信息定向投放方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559511A true CN109559511A (zh) | 2019-04-02 |
CN109559511B CN109559511B (zh) | 2019-10-29 |
Family
ID=65869012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811479705.0A Active CN109559511B (zh) | 2018-12-05 | 2018-12-05 | 一种城市交通拥堵信息定向投放方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559511B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362488A (zh) * | 2021-08-11 | 2021-09-07 | 智联万维科技有限公司 | Obd监测数据处理*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100022151A (ko) * | 2008-08-19 | 2010-03-02 | 한국전자통신연구원 | Gis 데이터 처리 장치 및 경로 탐색 방법 |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN101866545A (zh) * | 2010-05-11 | 2010-10-20 | 中国科学院软件研究所 | 移动对象路网匹配轨迹的采集方法 |
CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN106384504A (zh) * | 2016-09-06 | 2017-02-08 | 江苏智通交通科技有限公司 | 基于数据可视化的城市路网拥堵特性描述分析方法 |
CN106981194A (zh) * | 2017-05-02 | 2017-07-25 | 北京大学 | 一种高速路网关键路段的识别方法 |
CN107182034A (zh) * | 2017-07-26 | 2017-09-19 | 江苏省城市规划设计研究院 | 基于复杂网络和手机信令数据的城市交通枢纽点评价方法 |
CN108074008A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 一种预测拥堵路段的方法及装置 |
-
2018
- 2018-12-05 CN CN201811479705.0A patent/CN109559511B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100022151A (ko) * | 2008-08-19 | 2010-03-02 | 한국전자통신연구원 | Gis 데이터 처리 장치 및 경로 탐색 방법 |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN101866545A (zh) * | 2010-05-11 | 2010-10-20 | 中国科学院软件研究所 | 移动对象路网匹配轨迹的采集方法 |
CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN106384504A (zh) * | 2016-09-06 | 2017-02-08 | 江苏智通交通科技有限公司 | 基于数据可视化的城市路网拥堵特性描述分析方法 |
CN108074008A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 一种预测拥堵路段的方法及装置 |
CN106981194A (zh) * | 2017-05-02 | 2017-07-25 | 北京大学 | 一种高速路网关键路段的识别方法 |
CN107182034A (zh) * | 2017-07-26 | 2017-09-19 | 江苏省城市规划设计研究院 | 基于复杂网络和手机信令数据的城市交通枢纽点评价方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362488A (zh) * | 2021-08-11 | 2021-09-07 | 智联万维科技有限公司 | Obd监测数据处理*** |
CN113362488B (zh) * | 2021-08-11 | 2021-10-15 | 智联万维科技有限公司 | Obd监测数据处理*** |
Also Published As
Publication number | Publication date |
---|---|
CN109559511B (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Andrienko et al. | Spatio-temporal aggregation for visual analysis of movements | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
Yao et al. | Discovering the homogeneous geographic domain of human perceptions from street view images | |
CN110298500A (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
CN108564226A (zh) | 一种基于出租车gps及手机信令数据的公交线路优化方法 | |
Jiang et al. | Large-scale taxi O/D visual analytics for understanding metropolitan human movement patterns | |
Yu et al. | Understanding spatial-temporal travel demand of free-floating bike sharing connecting with metro stations | |
CN107195180A (zh) | 一种基于电警数据的交通出行轨迹提取方法和装置 | |
CN108230020B (zh) | 一种基于多维时间粒度时空频繁区域挖掘的方法 | |
CN107861992A (zh) | 一种跑步路线处理方法和装置 | |
CN107529135A (zh) | 基于智能设备数据的用户活动类型判别方法 | |
CN109859505A (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN112000755B (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
CN105844031B (zh) | 一种基于手机定位数据的城市交通廊道识别方法 | |
CN110160538A (zh) | 一种基于手机信令数据的地图匹配方法 | |
CN106547862A (zh) | 基于流形学习的交通大数据降维处理方法 | |
CN109559511B (zh) | 一种城市交通拥堵信息定向投放方法 | |
CN108022006A (zh) | 一种数据驱动的可达性概率和区域生成方法 | |
Steenberghen et al. | Support study on data collection and analysis of active modes use and infrastructure in Europe | |
CN106778547B (zh) | 遥感影像地物分类基准库的构建方法及装置 | |
CN104121917B (zh) | 一种自动发现新建桥梁的方法和装置 | |
Guo et al. | An algorithm for analyzing the city residents' activity information through mobile big data mining | |
Dadashpoor et al. | Spatial Justice and Regional Inequality: An Interdisciplinary Systematic Review | |
CN106485921A (zh) | 一种基于社交数据的区域高速路网车流状态分析方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 210019 Building B3, No. 1, Yunlongshan Road, Jianye District, Nanjing, Jiangsu Patentee after: Jiangsu urban planning and Design Institute Co.,Ltd. Address before: 210036 Jiangsu Jianshe Building, No. 88, Caochangmen Street, Gulou District, Nanjing, Jiangsu Patentee before: JIANGSU INSTITUTE OF URBAN PLANNING AND DESIGN |