CN109712402A - 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 - Google Patents
一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 Download PDFInfo
- Publication number
- CN109712402A CN109712402A CN201910110832.1A CN201910110832A CN109712402A CN 109712402 A CN109712402 A CN 109712402A CN 201910110832 A CN201910110832 A CN 201910110832A CN 109712402 A CN109712402 A CN 109712402A
- Authority
- CN
- China
- Prior art keywords
- path
- congestion
- mobile object
- running time
- mode excavation
- 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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,包括以下步骤:采集固定时间间隔的多个GPS数据作为训练样本,并将所述GPS数据通过地图匹配算法匹配到路网上,得到与GPS数据对应的路径轨迹;将匹配后的路径轨迹分割成元路径存储到路径字典中,挖掘每条元路径各个时间的拥塞状态,并根据不同元路径间的关联性,提取拥塞特征向量;将提取的拥塞特征向量加入特征矩阵中,并采用K‑Means聚类算法填补所述特征矩阵中的空缺值,得到预测模型;输入需要预测行驶时间的路径轨迹,实现行驶时间的预测。本发明提取局部道路的拥塞特征,从更细的粒度捕捉拥塞变化规律,并针对稀疏轨迹数据,提出采用k均值聚类算法,为预测提供精准支撑。
Description
技术领域
本发明涉及信息技术领域,具体涉及一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置。
背景技术
随着移动互联网、卫星定位技术、LBS技术的高速发展,越来越多的位置相关服务需要准确预测当前或未来一段行程的行驶时间。准确预测行程的行驶时间有利于司机合理规划出行路线,避免拥塞道路,为城市交通建设提供参考依据。
传统的数据收集方法利用城市中固定街道和高速公路上的静态传感器,但是这些传感器不能覆盖全部道路而且维护成本很高。随着GPS技术的发展,可以通过配备GPS的车辆收集轨迹数据用于预测交通状况。由于不同地区的交通状况差异巨大、交通拥塞状况瞬息万变及车辆的高速移动,同一条路线在不同时刻的行驶时间可能具有很大不同。并且由于成本原因、技术原因和隐私原因,导致轨迹数据稀疏问题尤为严重,具体表现为特定时空可用轨迹数据很稀少。
现存的行驶时间预测方法一共分为两种:基于路径的行驶时间预测方法和基于行程的时间预测方法。基于路径的行驶时间预测方法是传统的时间预测方法,通过历史轨迹数据获得特定路径的行驶时间。典型的方法包括建立交通流模型来模拟路径的旅行时间分布情况,利用动态贝叶斯和模式匹配等。但是由于不同地区的交通状况差异较大,道路拥塞情况瞬息万变,难以准确计算行驶时间,而且复杂的数学模型计算开销大,增加了在线预测的难度。基于行程的时间预测需要在历史数据中找到同样出发时间、起点和终点的行程,以此为基础进行时间预测。但是,数据稀疏条件下相同行程的查找具有一定的难度,当出现新的出行计划时,无法准确地估算行驶时间。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,该方法可以解决对路网上移动对象行驶时间预测准确度和实时性不高的问题,本发明还提供一种于元路径拥塞模式挖掘的移动对象行驶时间预测装置。
技术方案:本发明所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,包括以下步骤:
(1)采集固定时间间隔的多个GPS数据作为训练样本,并将所述GPS数据通过地图匹配算法匹配到路网上,得到与GPS数据对应的路径轨迹;
(2)将匹配后的路径轨迹分割成元路径存储到路径字典中,挖掘每条元路径各个时间的拥塞状态,并根据不同元路径间的关联性,提取拥塞特征向量;
(3)将提取的拥塞特征向量加入特征矩阵中,并采用K-Means聚类算法填补所述特征矩阵中的空缺值,得到预测模型;
(4)输入需要预测行驶时间的路径轨迹,实现行驶时间的预测。
优选的,所述步骤(2)中,所述元路径为所述路网上任意相邻路口间的路径。
优选的,所述步骤(2)中,所述路径字典为元路径的集合。
优选的,所述步骤(1)中,所述路网为路口节点集和路段边集中的有向图。
优选的,所述步骤(2)中,所述挖掘每条元路径各个时间的拥塞状态,并根据不同元路径间的关联性,提取拥塞特征向量,具体包括:
(21)提取各条元路径的经过时间,并计算其累计分布函数,根据所述累积分布函数得到元路径上的拥塞状态,所述拥塞状态为[0,1]间的均匀分布;
(22)根据某元路径和其邻域定义固定时间间隔的特征向量,所述特征向量是包含所述拥塞状态的多维向量。
优选的,所述步骤(3)中,采用K-Means聚类算法填补所述特征矩阵中的空缺值,还包括采用时间相似性约束优化初始聚类结果,包括将相邻固定时间间隔之间的相似性以及基于城市交通流量的周期相似性作为时间相似性约束。
另一方面,本发明提供一种基于元路径拥塞模式挖掘的移动对象行驶时间预测装置,包括:移动对象、移动对象携带的智能传感设备、服务器以及路网,所述移动对象通过智能传感设备以固定的时间间隔向服务器发送GPS数据,所述服务器通过地图匹配算法,将GPS数据匹配到所述路网上并将路径轨迹进行存储,将匹配后的路径轨迹分割成元路径存储到路径字典中,挖掘每条元路径各个时间的拥塞状态,并根据元路径间的关联性,提取拥塞特征,所述服务器将提取的拥塞特征加入特征矩阵中,采用基于k均值聚类算法填补特征矩阵中的空缺值。
优选的,所述GPS数据的格式为移动对象id、时间、经度、纬度以及速度。
优选的,所述元路径为所述路网上任意相邻路口间的路径。
优选的,所述路径字典为元路径的集合。
有益效果:本发明与现有技术相比,其显著优点是:本发明通过将路网道路分解为元路径,利用邻域中元路径之间的空间关系,提取局部道路的拥塞特征,分解的元路径从更细的粒度捕捉拥塞变化规律;并针对稀疏轨迹数据,提出采用k均值聚类算法,对数据进行聚类处理以填补特征矩阵中的空缺值,为预测提供精准支撑实现准确,高效的行驶时间预测。
附图说明
图1为本发明所述的方法流程图;
图2为本发明所述的预测方法实施框架图;
图3为本发明所述的路径的拥塞状态示意图;
图4为本发明所述的关联路径的不同拥塞状态图。
具体实施方式
实施例1
如图1和2所示,本发明提出一种基于元路径拥塞模式挖掘的方法来预测路网上移动对象的行驶时间,从历史轨迹中提取元路径,挖掘时空相关的拥塞模式,采用基于k均值的聚类算法丰富可用的轨迹数据,在线预测移动对象的行驶时间。包括:
步骤1、首先采集训练样本并对其数据预处理;采集固定时间间隔的多个GPS数据作为训练样本,并将所述GPS数据通过地图匹配算法匹配到路网上,得到与GPS数据对应的路径轨迹;
在其中一个实施例中,GPS数据格式为移动对象id,时间,经度,纬度和速度。
其次进行离线挖掘,包括步骤2和3,步骤2、将匹配后的路径轨迹分割成元路径存储到路径字典中,挖掘每条元路径各个时间的拥塞状态,并根据不同元路径间的关联性,提取拥塞特征向量;
其中,元路径为路网上两个路口之间的轨迹,它可能被一条或者多条轨迹经过。路径字典是元路径的集合。
邻接的元路径间的交通状态不是独立的,利用元路径间的空间关系来捕获当地交通模式的特征,具体步骤如下:
步骤21、从历史数据中提取各条元路径的经过时间d(r),并计算其累积分布函数。历史数据是移动对象的历史GPS轨迹,即移动对象可能在以前经过元路径并可将历史GPS数据上传。
根据累积分布函数计算元路径上的拥塞状态 为[0,1]间的均匀分布,由此可以比较不同元路径和不同行驶时间下的拥塞程度;
如某条元路径r,具有不同的行驶时间,分别为:6s、6s、7s、7s、8s、9s。
则6s的累积分布函数为:
7s的累积分布函数为:
同理,8s的累积分布函数为:
9s的累积分布函数为1。
得到的2/6,4/6,5/6,1即为拥塞状态,2/6为最畅通的状态,1为最拥塞的状态。
步骤22、元路径r的邻域集合NB(r)={o1,…,os},表示与元路径r邻接的s条元路径,其中包含元路径r,计算其动态拥塞状态—将整个时间范围离散成固定的时间间隔fi,计算在各个时间间隔内,元路径上观测到的经过时间dfi(r);有些时间间隔fi可能包含多个观测值,用观测值的期望表示,并计算拥塞状态
步骤23、给定元路径r和邻域{o1,…,os},定义时间间隔fi的特征向量M(r)i,M(r)i为在时间间隔fi,包含NB(r)的拥塞状态的S维向量,即
将计算的所有M(r)i叠加到特征矩阵M(r)中。
设N为特征矩阵中是特征向量的数量,即离散的时间间隔的总量,矩阵M(r)表示NB(r)的动态拥塞状态,有如下结构:
步骤3、将提取的拥塞特征向量加入特征矩阵中,并采用K-Means聚类算法填补所述特征矩阵中的空缺值,得到预测模型;
本发明可对稀疏数据处理,采用基于k均值聚类算法填补特征矩阵中的空缺值,具体步骤如下:
步骤31、将M(r)的行聚类为k个组,计算k个聚类中心c1,…,ck,然后找到距离M(r)中的行最近的聚类中心,使用聚类中心来初始化M(r)中的缺失值。因为不同元路径的特征矩阵尺寸变化比较大,采用K-Means方法找出最优的k值;
步骤32、通过在拥塞特征中引入时间关系来优化初始聚类结果。给定特征矩阵M(r),关联矩阵W表示M(r)中两个时间间隔的时间相似性约束,矩阵中的每一项为下文中求得的w(i,j),找出k个聚类中心,尽量减少与实际观测值的差距,同时确定M(r)中的行与k个聚类中心中的软分配;
步骤33、将相邻固定时间间隔之间的相似性设为第一种类型的时间相似性约束,即在连续的时间间隔内,元路径交通状况不太可能从完全畅通状态转换到完全拥塞状态。因此在第i个时间间隔和第j个时间间隔之间定义指数衰减函数:
ti和tj为时间间隔fi和fj的开始时间。
步骤34、第二种类型的时间相似性约束是基于城市交通流量的周期相似性。重点关注本时间间隔内到达高峰段的用时(SOD),称为hi,即时间间隔fi的SOD标识符,不考虑其是否处在工作日或周末。定义fi和fj之间SOD权重:
步骤35、边权重w(i,j)由CSOD和Csm的线性组合计算得出:wi,j=θCsm(i,j)+(1-θ)CSOD(i,j),θ为系数;
步骤36、Q为N×k阶聚类分配矩阵。Q的每行qi是一个二元向量,如果时间间隔fi被分配给聚类j,则qi(j)=1,否则为0。k个聚类中心为k×s阶矩阵C的行向量。使用上述结果初始化Q和C,然后不断迭代,通过达到下列最小化问题找出最优值:
其中,L为拉普拉斯矩阵,L=D-W,常系数γ控制聚簇过程中时间一致性问题的权重,上式使用交替方向优化方法来求解。
步骤4、在线预测阶段:输入需要预测行驶时间的路径轨迹,实现行驶时间的预测。
另一方面,本发明还提供一种基于元路径拥塞模式挖掘的移动对象行驶时间预测装置,包括:移动对象、移动对象携带的智能传感设备、服务器以及路网,所述移动对象通过智能传感设备以固定的时间间隔向服务器发送GPS数据,所述服务器通过地图匹配算法,将GPS数据匹配到所述路网上并将路径轨迹进行存储,将匹配后的路径轨迹分割成元路径存储到路径字典中,挖掘每条元路径各个时间的拥塞状态,并根据元路径间的关联性,提取拥塞特征,所述服务器将提取的拥塞特征加入特征矩阵中,采用基于k均值聚类算法填补特征矩阵中的空缺值。
移动对象向服务器发送的数据格式为:移动对象id,时间,经度,纬度,速度。移动对象与服务器进行通信,不考虑连接问题和延迟时间,而且假设诸如WiFi和蜂窝等技术能够覆盖整个区域并提供相应的服务。
服务器将城市路网分割,提取路网中所有相邻路口间路段,并用路段id表示。
在其中一个实施例中,元路径为路网上两个路口之间的轨迹,它可能被一条或者多条轨迹经过。路径字典是元路径的集合。根据邻接的元路径间的交通状态不是独立的,利用元路径间的空间关系来捕获当地交通模式的特征,具体步骤如下:
S1.从历史数据中提取各条元路径的经过时间d(r),并计算其累积分布函数。
根据累积分布函数计算元路径上的拥塞状态为[0,1]间的均匀分布,由此可以比较不同元路径的拥塞程度;
S2.元路径r的邻域集合NB(r)={o1,…,os},表示与元路径r邻接的s条元路径(含r),计算其动态拥塞状态—将整个时间范围离散成固定的时间间隔fi,计算在各个时间间隔内,元路径上观测到的经过时间dfi(r);有些时间间隔fi可能包含多个观测值,用观测值的期望表示,并计算拥塞状态
S3.给定元路径r和邻域{o1,…,os},定义时间间隔fi的特征向量M(r)i,M(r)i为在时间间隔fi,包含NB(r)的拥塞状态的S维向量,即将计算的所有M(r)i叠加到特征矩阵M(r)中。设N为特征矩阵中是特征向量的数量,即离散的时间间隔的总量,矩阵M(r)表示NB(r)的动态拥塞状态,有如下结构:
S4.作为本发明的稀疏数据处理:采用基于k均值聚类算法填补特征矩阵中的空缺值,具体步骤如下:
将M(r)的行聚类为k个组,计算k个聚类中心c1,…,ck,然后找到距离M(r)中的行最近的聚类中心,使用聚类中心来初始化M(r)中的缺失值。因为不同元路径的特征矩阵尺寸变化比较大,采用K-Means方法找出最优的k值;
通过在拥塞特征中引入时间关系来优化初始聚类结果。给定特征矩阵M(r),关联矩阵W表示M(r)中两个时间间隔的时间相似性约束,找出k个聚类中心,尽量减少与实际观测值的差距,同时确定M(r)中的行与k个聚类中心中的软分配;
将相邻固定时间间隔之间的相似性设为第一种类型的时间相似性约束,即在连续的时间间隔内,元路径交通状况不太可能从完全畅通状态转换到完全拥塞状态。因此在第i个时间间隔和第j个时间间隔之间定义指数衰减函数:
其中ti和tj为时间间隔fi和fj的开始时间。
第二种类型的时间相似性约束是基于城市交通流量的周期相似性。重点关注本时间间隔内到达高峰段的用时(SOD),称为hi,即时间间隔fi的SOD标识符,不考虑其是否处在工作日或周末。定义fi和fj之间SOD权重:
边权重w(i,j)由CSOD和Csm的线性组合计算得出,其中系数θ为0.5:wi,j=θCsm(i,j)+(1-θ)CSOD(i,j);
Q为N×k阶聚类分配矩阵。Q的每行qi是一个二元向量,如果时间间隔fi被分配给聚类j,则qi(j)=1,否则为0。k个聚类中心为k×s阶矩阵C的行向量。使用上述结果初始化Q和C,然后通过解决下列最小化问题找出最优值:
其中,L为拉普拉斯矩阵,L=D-W,常系数γ控制聚簇过程中时间一致性问题的权重,上式使用交替方向优化方法来求解。
为验证本发明的有效性,做出以下实验:用户通过含有GPS定位功能智能传感设备,如智能手机等向导航***发送轨迹数据,一条轨迹数据包含:用户id,时间,经度,纬度,速度。其中用户id可以为手机型号或者用户电话号码等。
导航***收集用户的轨迹信息并存储至服务器,服务器通过地图匹配算法将轨迹匹配到路网上,剔除无效轨迹点。
将城市路网分割成元路径,元路径为路网上两个相邻路口间的路段,并在服务器中以元路径id为名创建文件。
将匹配后的轨迹分割成元路径,并保存到以元路径id为名称的文件中,计算各条元路径的经过时间d(r),并计算每条元路径的累积分布函数。根据累积分布函数计算元路径上的拥塞状态为[0,1]间的均匀分布,由此可以比较不同元路径的拥塞程度。
如图3所示:路径在不同时刻拥有不同的拥塞状态,拥塞状态为[0,1]间的均匀分布,用颜色的深浅来表示路径的拥塞状态,其中,最深色为最拥堵的状态,最浅色为最畅通的状态。
如图4所示:在一个交叉路口,r1,r2和r3分别为不同的元路径,用可视化的方式表示了三种拥塞状态。其中,深色为拥堵状态,浅色为畅通状态。
对于任意一条元路径,找出它的相邻路径,定义一个时间间隔fi,比如30分钟,将一天的时间用fi分割,计算每个fi的特征向量,为fi时间间隔内,元路径和相邻路径的拥塞状态。最后将计算的所有的特征向量都叠加到一个总的矩阵M(r)中。
由于部分道路的数据稀疏,所以M(r)中可能存在空缺值。采用K-Means方法找出最优的k值,将M(r)的行聚类为k个组,计算k个聚类中心c1,…,ck,然后找到距离M(r)中的行最近的聚类中心,使用聚类中心来初始化M(r)中的缺失值。
求相邻时间间隔之间的相似性,在第i个时间间隔和第j个时间间隔之间定义指数衰减函数:
ti和tj为时间间隔fi和fj的开始时间。σsm默认为2。
计算基于城市交通流量的周期相似性:
边权重w(i,j)由CSOD和Csm的线性组合计算得出,其中系数θ为0.5:
wi,j=θCsm(i,j)+(1-θ)CSOD(i,j)。
根据两种相似性计算M(r)中两个时间间隔之间的相似性约束,用关联矩阵M(r)表示。
Q为N×k阶聚类分配矩阵。Q的每行qi是一个二元向量,如果时间间隔fi被分配给聚类j,则qi(j)=1,否则为0。
k个聚类中心为k×s阶矩阵C的行向量。使用上述结果初始化Q和C,然后通过解决下列最小化问题找出最优值:
L为拉普拉斯矩阵,L=D-W,求出最后值后优化聚类结果。
用户输入出行的时间,行驶的轨迹,***给出预测的行驶时间,供用户参考。
Claims (10)
1.一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,其特征在于,包括以下步骤:
(1)采集固定时间间隔的多个GPS数据作为训练样本,并将所述GPS数据通过地图匹配算法匹配到路网上,得到与GPS数据对应的路径轨迹;
(2)将匹配后的路径轨迹分割成元路径存储到路径字典中,挖掘每条元路径各个时间的拥塞状态,并根据不同元路径间的关联性,提取拥塞特征向量;
(3)将提取的拥塞特征向量加入特征矩阵中,并采用K-Means聚类算法填补所述特征矩阵中的空缺值,得到预测模型;
(4)输入需要预测行驶时间的路径轨迹,实现行驶时间的预测。
2.根据权利要求1所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,其特征在于,所述步骤(2)中,所述元路径为所述路网上任意相邻路口间的路径。
3.根据权利要求1所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,其特征在于,所述步骤(2)中,所述路径字典为元路径的集合。
4.根据权利要求1所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,其特征在于,所述步骤(1)中,所述路网为路口节点集和路段边集中的有向图。
5.根据权利要求1所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,其特征在于,所述步骤(2)中,所述挖掘每条元路径各个时间的拥塞状态,并根据不同元路径间的关联性,提取拥塞特征向量,具体包括:
(21)提取各条元路径的经过时间,并计算其累积分布函数,根据所述累积分布函数得到元路径上的拥塞状态,所述拥塞状态为[0,1]间的均匀分布;
(22)根据某元路径和其邻域定义固定时间间隔的特征向量,所述特征向量是包含所述拥塞状态的多维向量。
6.根据权利要求1所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测方法,其特征在于,所述步骤(3)中,采用K-Means聚类算法填补所述特征矩阵中的空缺值,还包括采用时间相似性约束优化初始聚类结果,包括将相邻固定时间间隔之间的相似性以及基于城市交通流量的周期相似性作为时间相似性约束。
7.一种基于元路径拥塞模式挖掘的移动对象行驶时间预测装置,其特征在于,包括:移动对象、移动对象携带的智能传感设备、服务器以及路网,所述移动对象通过智能传感设备以固定的时间间隔向服务器发送GPS数据,所述服务器通过地图匹配算法,将GPS数据匹配到所述路网上并将路径轨迹进行存储,将匹配后的路径轨迹分割成元路径存储到路径字典中,挖掘每条元路径各个时间的拥塞状态,并根据元路径间的关联性,提取拥塞特征,所述服务器将提取的拥塞特征加入特征矩阵中,采用基于k均值聚类算法填补特征矩阵中的空缺值。
8.根据权利要求7所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测装置,其特征在于,所述GPS数据的格式为移动对象id、时间、经度、纬度以及速度。
9.根据权利要求7所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测装置,其特征在于,所述元路径为所述路网上任意相邻路口间的路径。
10.根据权利要求7所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测装置,其特征在于,所述路径字典为元路径的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110832.1A CN109712402B (zh) | 2019-02-12 | 2019-02-12 | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110832.1A CN109712402B (zh) | 2019-02-12 | 2019-02-12 | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712402A true CN109712402A (zh) | 2019-05-03 |
CN109712402B CN109712402B (zh) | 2021-11-12 |
Family
ID=66264245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910110832.1A Active CN109712402B (zh) | 2019-02-12 | 2019-02-12 | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712402B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570650A (zh) * | 2019-05-17 | 2019-12-13 | 东南大学 | 一种基于rfid数据的出行路径与节点流量预测方法 |
CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060247850A1 (en) * | 2005-04-18 | 2006-11-02 | Cera Christopher D | Data-driven traffic views with keyroute status |
CN101127159A (zh) * | 2007-09-18 | 2008-02-20 | 中国科学院软件研究所 | 基于网络受限移动对象数据库的交通流数据采集与分析 |
US20120166071A1 (en) * | 2010-12-28 | 2012-06-28 | Telenav, Inc. | Navigation system with congestion estimation mechanism and method of operation thereof |
CN103226892A (zh) * | 2013-04-08 | 2013-07-31 | 福建工程学院 | 一种优化型的道路拥塞状态发现方法 |
CN103839409A (zh) * | 2014-02-27 | 2014-06-04 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
CN104778274A (zh) * | 2015-04-23 | 2015-07-15 | 山东大学 | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN105006147A (zh) * | 2015-06-19 | 2015-10-28 | 武汉大学 | 一种基于道路时空关联关系的路段行程时间推断方法 |
CN105679021A (zh) * | 2016-02-02 | 2016-06-15 | 重庆云途交通科技有限公司 | 基于交通大数据的行程时间融合预测及查询方法 |
CN106127662A (zh) * | 2016-06-23 | 2016-11-16 | 福州大学 | 一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法 |
US9779357B1 (en) * | 2013-03-07 | 2017-10-03 | Steve Dabell | Method and apparatus for providing estimated patrol properties and historic patrol records |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN108765940A (zh) * | 2018-05-28 | 2018-11-06 | 南京邮电大学 | 基于高阶马尔科夫模型的道路拥塞发现方法 |
CN108922191A (zh) * | 2018-07-27 | 2018-11-30 | 重庆大学 | 一种基于软集合的行程时间的计算方法 |
CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、***及装置 |
-
2019
- 2019-02-12 CN CN201910110832.1A patent/CN109712402B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060247850A1 (en) * | 2005-04-18 | 2006-11-02 | Cera Christopher D | Data-driven traffic views with keyroute status |
CN101127159A (zh) * | 2007-09-18 | 2008-02-20 | 中国科学院软件研究所 | 基于网络受限移动对象数据库的交通流数据采集与分析 |
US20120166071A1 (en) * | 2010-12-28 | 2012-06-28 | Telenav, Inc. | Navigation system with congestion estimation mechanism and method of operation thereof |
US9779357B1 (en) * | 2013-03-07 | 2017-10-03 | Steve Dabell | Method and apparatus for providing estimated patrol properties and historic patrol records |
CN103226892A (zh) * | 2013-04-08 | 2013-07-31 | 福建工程学院 | 一种优化型的道路拥塞状态发现方法 |
CN103839409A (zh) * | 2014-02-27 | 2014-06-04 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN104778274A (zh) * | 2015-04-23 | 2015-07-15 | 山东大学 | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 |
CN105006147A (zh) * | 2015-06-19 | 2015-10-28 | 武汉大学 | 一种基于道路时空关联关系的路段行程时间推断方法 |
CN105679021A (zh) * | 2016-02-02 | 2016-06-15 | 重庆云途交通科技有限公司 | 基于交通大数据的行程时间融合预测及查询方法 |
CN106127662A (zh) * | 2016-06-23 | 2016-11-16 | 福州大学 | 一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法 |
CN108765940A (zh) * | 2018-05-28 | 2018-11-06 | 南京邮电大学 | 基于高阶马尔科夫模型的道路拥塞发现方法 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、***及装置 |
CN108922191A (zh) * | 2018-07-27 | 2018-11-30 | 重庆大学 | 一种基于软集合的行程时间的计算方法 |
Non-Patent Citations (2)
Title |
---|
张建民;姚亮;胡学钢: "一种面向数据缺失问题的K-means改进算法", 《合肥工业大学学报(自然科学版)》 * |
龚越;罗小芹;王殿海;杨少辉: "基于梯度提升回归树的城市道路行程时间预测", 《浙江大学学报(工学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570650A (zh) * | 2019-05-17 | 2019-12-13 | 东南大学 | 一种基于rfid数据的出行路径与节点流量预测方法 |
CN110570650B (zh) * | 2019-05-17 | 2021-05-11 | 东南大学 | 一种基于rfid数据的出行路径与节点流量预测方法 |
CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
CN111739283B (zh) * | 2019-10-30 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109712402B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhan et al. | Citywide traffic volume estimation using trajectory data | |
Zheng et al. | Spatial–temporal travel pattern mining using massive taxi trajectory data | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
He et al. | Network-wide identification of turn-level intersection congestion using only low-frequency probe vehicle data | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
Kong et al. | RMGen: A tri-layer vehicular trajectory data generation model exploring urban region division and mobility pattern | |
CN109712402A (zh) | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 | |
CN109272175A (zh) | 一种基于城市流动网络的数据采集***及方法 | |
CN110781267A (zh) | 一种基于地理国情的多尺度空间分析评价方法及*** | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN110413855A (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
CN109035758A (zh) | 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法 | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
CN113806419A (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Zheng et al. | A novel grid based k-means cluster method for traffic zone division | |
Kyaw et al. | Building travel speed estimation model for Yangon City from public transport trajectory data | |
CN104183135B (zh) | 车辆行进开销的估计方法及*** | |
CN112559909B (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 | |
Hu et al. | A comprehensive survey of recommendation system based on taxi GPS trajectory | |
Wu et al. | A flood-discharge-based spatio-temporal diffusion method for multi-target traffic hotness construction from trajectory data | |
Elleuch et al. | Collection and exploration of GPS based vehicle traces database | |
Cao et al. | TPM: A GPS-based trajectory pattern mining system | |
Wang et al. | Grid mapping for road network abstraction and traffic congestion identification based on probe vehicle data | |
Xu et al. | Mining Urban Congestion Evolution Characteristics Based on Taxi GPS Trajectories |
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 |