CN109785656A - 一种基于局部近似秩的交通规划及导航方法 - Google Patents
一种基于局部近似秩的交通规划及导航方法 Download PDFInfo
- Publication number
- CN109785656A CN109785656A CN201910202704.XA CN201910202704A CN109785656A CN 109785656 A CN109785656 A CN 109785656A CN 201910202704 A CN201910202704 A CN 201910202704A CN 109785656 A CN109785656 A CN 109785656A
- Authority
- CN
- China
- Prior art keywords
- traffic
- time
- space
- cost
- sample
- 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
- 238000000034 method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于局部近似秩的交通规划及导航方法,通过已有交通数据及道路信息生成时空区域的局部多角度近似秩表示及其统计量并以此为时空区域的主要特征形成样本集合,该特征捕获了区域交通信息在时空中的局部相关性。在时序交通数据上,根据区域历史通行能力,预测区域未来的通行能力,并将之转化为回归问题,训练回归模型。使用时,以回归模型迭代预测出的区域通行能力并构建时空通行能力立方体。在时空通行能力立方体的基础上根据用户的个性化需求构建时空代价立方体,然后在时空代价立方体中使用局部最短路径规划得到最优时空路径,最后根据时空路径映射重构起始点到终点的路径并以之做为导航路径。
Description
技术领域
本发明涉及一种基于局部近似秩的交通规划及导航方法,属于交通规划及导航技术领域。
背景技术
随着社会的不停发展,人类的出行方式也越来越多样化,但随着城市人口的增长和道路上交通工具数量的增长,交通出行的需求和压力也越来越大,城市道路交通的管理者以及交通工具的组织者面临着合理规划城市交通线路的问题,个人出行者在出行中也面临着交通路线的选择问题。科学有效的交通路线规划及路线选择,不但可以帮助出行者降低出行代价,提高出行效率,也可以缓解城市交通压力,释放更多道路通行能力。并且随着移动智能设备的普及,使得路况实时情况的统计越来越便利也越来越精准,一些导航类软件已经积累了大量的真实交通数据,并可以方便的获取实时道路交通情况。合理利用已有交通数据和未来实时交通数据制定科学的导航策略是一个亟待妥善解决的问题,传统的导航方式存在两方面主要缺点:一方面,利用历史数据的方式上没有全面考虑交通数据的时空属性,仅仅使用了数据的空间属性,在二维地图中进行路径的规划,不能根据交通状况的动态变化进行路径规划;另一方面,没有准确把握实时交通状况的局部相关性的特征,比如基于图拉普拉斯矩阵特征值的表示,更多的是表达了交通图的连通性,但不能较好的应对历史数据中噪声的干扰。
发明内容
发明目的:针对现有技术中存在的问题与不足,基于交通信息的时空属性和局部相关属性,本发明基于局部近似秩的特征表示,提出了一种基于局部近似秩的交通规划及导航方法,充分利用了交通信息的时空属性和局部相关性,在时序交通数据上使用相邻区域多角度近似秩特征及其统计量有效的挖掘了区域间实时交通情况的相互影响,从而预测各个区域未来通行能力,并根据用户个性化需求构建代价时空立方体,在代价时空立方体中进行交通的时空规划,可以得到更加高效的交通规划方案。
技术方案:一种基于局部近似秩的交通规划及导航方法,该方法利用了交通数据和道路信息的局部多角度近似秩特征表示及其统计量,可以很好的挖掘临近区域的实时交通信息之间的影响,通过相邻局部区域的近似秩表示预测本区域未来一段时间内的交通信息,从而构建时序通行能力立方体。得到通行能力时空立方体之后根据用户个性化需求进一步的构建出时空代价立方体。并以时空代价立方体为根据进行路径的时空规划,最后将时空路径投影至二维道路空间还原出规划路径。
首先,用户需要准备好目标地区的历史交通时空信息数据库和道路信息。若没有已有的道路信息,可以从历史交通时空信息数据库中进行挖掘,例如,统计每一区域每天不同时间的历史最高车流量、车辆的平均滞留时间等信息。然后,用户需要将历史交通时空信息按时序进行组织,针对每一时刻,以一定方法统计目标地区内每一区域或路段的通行能力,通行能力可以包括但不限于该区域当前时刻的平均车速、历史最高车流量与实时车流量的差等,然后,用户需要抽取每一时刻每一地区域的局部近似秩特征表示,抽取的方式是将相邻区域组成的局部区域通行能力及道路信息矩阵进行不同角度旋转并提取近似秩表示及近似秩的统计量。之后,可以根据每一区域过往时刻的局部近似秩特征表示及道路信息的局部近似秩特征表示及近似秩的统计量为特征,当前时刻的通行能力为标记,构建回归问题,并用已有的回归算法训练回归模型,例如:SVR等,如果同时使用多种通行能力指标也可以使用多输出回归算法训练回归模型。在使用阶段,用户根据实时时序交通数据抽取过去一段时间内的区域局部近似秩特征和道路局部近似秩特征作为输入,放入训练好的回归模型中迭代预测未来一段时间内的交通通行能力,得到交通通行能力时空立方体,立方体中每一时间切片为一个时刻目标地区各区域的交通通行能力。再然后,根据用户的个性化需求构建代价时空立方体,在代价时空立方体中,相邻的两个时间切片之间加入原地等待的代价,在交通通行能力时空立方体的每一切片内根据交通通行能力计算相邻区域之间的通过代价,并映射到时空坐标之间,得到代价时空立方体。最后,在代价时空立方体中使用局部最短路径规划算法计算起点到终点之间的最优时空路线,并还原至二维空间地图上作为交通规划和导航的结果。
用户的个性化需求包括但不限于:总里程更短、通行时间更短、用户油耗更低、避让事故多发路段等。
附图说明
图1是本发明方法的原理流程图;
图2是本发明方法的主要流程图;
图3是交通信息局部近似秩特征表示抽取及样本生成流程图;
图4是代价时空立方体构建流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,基于局部近似秩的交通规划及导航方法,用户需要准备好目标地区的历史交通信息数据库和道路信息。若没有已有的道路信息,可以从历史交通时空信息数据库中进行挖掘,例如,统计每一区域每天不同时间的历史最高车流量、车辆的平均滞留时间等信息。
第一步,获取目标地区的历史交通信息数据,该数据集具体形式不限,但应能从其中抽取目标地区每一区域在各个时刻的交通通行能力指标作为标记,并以此为根据,以每一区域为中心取若干个相邻区域通行能力组成局部区域样本;抽取目标地区每一区域在各个时刻的交通通行能力指标的过程为:用户需要将历史交通信息按时序进行组织,针对每一时刻,统计目标地区内每一区域或路段的通行能力,通行能力可以包括但不限于该区域当前时刻的平均车速、历史最高车流量与实时车流量的差等。
将局部区域样本进行多个角度的旋转,例如:可以以15°为间隔在0-90°之间进行旋转,对每一个旋转的角度,抽取旋转后局部区域样本的近似秩特征表示及近似秩统计计量,并把多角度抽取的近似秩特征表示及统计量和道路信息(如车流量等)进行拼接作为样本特征。
第二步,把每一区域在第一步中抽取到的样本特征及对应区域的交通通行能力指标组成训练数据使用回归算法训练得到道路通行能力的时空回归模型。在使用阶段,将获取的实时交通数据按照上述第一步相同的特征抽取方式抽取样本特征,然后用训练好的模型迭代预测接下来一段时间内的交通通行能力指标形从而生成交通通行能力时空立方体,然后根据用户的个性化需求在交通通行能力时空立方体的基础上构建代价时空立方体,最后以代价时空立方体为依据使用局部路径规划算法,如:A*算法,迪杰斯特拉算法等,进行时空路径规划并还原至二维地图上,作为交通规划和导航的结果输出。
图2所示的是本发明的主要流程图。步骤1是起始动作。步骤2获取目标地区的历史交通信息数据,数据的具体形式不受限制,但应能够从数据中抽取过去该地区各个区域的交通通行能力相关的指标,例如:车流量、平均车速等。步骤3是抽取局部近似秩特征组成训练样本的过程,以步骤2获取的历史交通数据先抽取出各个时刻各个区域的交通通行能力信息,组织为3维立方体D,立方体D的维度为T×X×Y,其中T为一天中时间片的划分个数,(X,Y)为区域的坐标范围。立方体中每一个数字D(t,x,y)描述了时刻t,坐标为(x,y)的区域的交通能力指标,如果有多个交通能力指标则可以组织为多个3维立方体。然后从D中进一步的抽取局部近似秩特征生成训练样本集合,具体的抽取和生成方式如图3详细说明。步骤4使用步骤3生成的训练样本集合为训练数据,使用合适的回归算法,例如:SVR等,训练回归模型M。如果步骤3生成的训练样本具有多个指标,则既可以采用分别训练多个回归模型的方法也可以使用多输出回归算法一起训练的方式进行训练。步骤5则进入实际使用阶段,使用步骤4训练好的回归模型M在实时时序交通数据上按照图3中说明的抽取方式获取之前一段时间内的各区域样本特征,然后迭代的预测出未来一段时间内的交通通行能力指标,将这些指标按照时序组织在一起就形成了交通通行能力时空立方体。步骤6接受用户的个性化需求输入,可以是用时最短,也可以是路程最短,还可以是其他个性化的用户需求。步骤7根据用户的输入做出选择,若用户选择时间最短作为规划依据,则转步骤8;若用户选择路程最短作为规划依据,则转步骤9;若用户选择其他个性化的需求作为规划依据,则转步骤10。步骤8-10的原理类似,以步骤8为例说明生成代价时空立方体的流程,详细说明如图4所示。步骤11则在生成的代价时空立方体中使用局部路径规划算法寻找起始点到终点之间的最优时空路径,可选择的局部路径规划算法包括但不限于:A*算法,迪杰斯特拉算法等。
图3说明的是从一个组织好交通通行能力3维立方体D中抽取训练样本以用于训练回归模型的流程图,若有多个交通能力指标也即存在多个不同的D,则针对每一个D应用图3说明的流程图然后按相同的特征将样本聚合即可。步骤3.0是起始动作,步骤3.1将时间初始化为0,步骤3.2从D中取出t时刻的交通通行能力信息D(t),D(t)是一个2维矩阵。接下来的步骤3.3至3.10、3.13构成的循环功能为遍历D(t)中的每一个坐标对(x,y)为其生成一个样本E(t,x,y),样本E(t,x,y)的标记为t+1时刻的交通通行能力指标D(t+1,x,y),样本E(t,x,y)的特征为t时刻以(x,y)为中心的n×n区域R的局部多角度近似秩表示及其统计量。步骤3.4提取了区域R,提取方式为以(x,y)为中心向上下左右四个方向各扩充[n/2]个单位的区域,若(x,y)处于边缘,则使用扩充补边的方式取R。步骤3.6至3.9组成的循环是对抽取局部多角度近似秩特征的具体说明,步骤3.6表示将D(t)中以(x,y)为中心的n×n区域R按角度Arc进行旋转,旋转方式可以借鉴图像的旋转方式,把R视作一个n×n的灰度图像进行旋转,步骤3.7对旋转后的R抽取近似秩特征表示AR和的统计量一起组成F,F作为样本E(t,x,y)特征的一部分加入到特征集合中。关于F的抽取方式,因为R是一个n×n的实矩阵,根据奇异值分解(即SVD分解)有公式
UΣVT=R (1)
其中U是R的左奇异矩阵,V是R的右奇异矩阵,Σ=diag(σ1,σ2,…,σn)是R的奇异值组成的对角阵。我们假定σ1>σ2>…>σn,则取最小的k使得式(2)成立,式(2)中的阈值95%不是固定的,可以根据实际情况选取。
由此,我们得到一组新的n维向量AR=Σ'=(σ1,σ2,…,σk,0,…,0),也即把Σ中的小分量置0。则F=(AR,mean(AR),var(AR)),其中mean(AR),var(AR)分别指AR的均值和方差,当然根据实际情况也可以使用其他统计量。步骤3.9则判断是否需要继续旋转R,如果需要则转回步骤3.6,否则即完成了对一个样本E(t,x,y)的生成,转向步骤3.10。步骤3.10判断是否时刻t的每一个区域都生成了样本,如果不是则转向步骤3.13选取下一个坐标(x,y)并转回步骤3.4生成下一个样本。步骤3.11判断是否对所有时间片t都进行了样本生成,如果不是则转回步骤3.4取下一个时间片,反之,则转向步骤3.12。步骤3.12输出生成的所有样本的集合E。
代价时空立方体的构建流程如图4所示。本流程是以时间最短为规划目标做例子说明代价时空立方体的构建流程。假定已经获得了交通通行能力指标的时空立方体J,其中J(t,x,y)表示的预测的未来t时刻(x,y)位置的某项交通通行能力指标。我们假定时空坐标(t,x,y)可达的时空位置有(t+1,x,y)、(t+t’,x+1,y)、(t+t’,x-1,y)、(t+t’,x,y+1)、(t+t’,x,y-1)共计5个点(也即地理位置的四联通,若采用地理位置的八连通或有其他限制可相应的更改可达点),其中t’是以t时刻的交通通行能力通过位置(x,y)所用的时间。我们假设时空坐标(t,x,y)到时空坐标(t’,x+1,y)、(t’,x-1,y)、(t’,x,y+1)、(t’,x,y-1)的代价相同记为C(t,x,y),若考虑不同方向的通过代价不同也可以分别考虑,这里为了说明简便只考虑相同的情况。另外,原地等待的代价记为C_t(t,t+1),在本例中为固定值。步骤8.0为起始步骤,步骤8.1将通行代价C和时间等待代价C_t初始化为最大代价。步骤8.2分别计算时空坐标之间转移的代价,其中,C(t,x,y)通过J和坐标(t,x,y)进行计算,计算函数为Cost,即C(t,x,y)=Cost(J,t,x,y),根据J种所包含指标信息的种类不同Cost函数有不同的形式,如果J所包含的指标为平均车速,则有
其中,dist(x,y)为区域(x,y)的大小者说道路长度。如果图2所示的步骤5中得到了多个指标,则Cost函数可以接受更多的立方体J综合计算代价。时间等待代价C_t(t,t+1)在本例中为单位时间,故可以令C_t(t,t+1)=1。步骤8.3将代价时空立方体C和C_t输出。
Claims (10)
1.一种基于局部近似秩的交通规划及导航方法,其特征在于,包括如下步骤:
步骤1,从历史交通数据中抽取目标地区每一区域在各个时刻的交通通行能力指标作为标记,并以此为根据,以每一区域为中心取若干个相邻区域组成局部区域样本,将局部区域样本进行多个角度的旋转,对每一个旋转的角度,抽取近似秩特征表示及其统计量,并把多角度抽取的近似秩特征表示及其统计量和道路信息进行拼接作为样本特征;
步骤2,把道路通行能力及样本特征组成训练数据使用回归算法训练得到道路通行能力的时空回归模型;
在使用阶段,首先,将获取的实时时序交通数据按照上述步骤1相同方式进行抽取近似秩特征表示及其统计量并和将道路信息进行拼接;
然后,用训练好的时空回归模型迭代的预测接下来一段时间内的交通通行能力指标从而形成交通通行能力时空立方体;
再然后,根据用户的个性化需求在交通通行能力时空立方体的基础上构建代价时空立方体;
最后,以代价时空立方体为依据使用局部路径规划算法,进行时空路径规划并还原至二维地图上,作为交通规划和导航的结果输出。
2.如权利要求1所述的基于局部近似秩的交通规划及导航方法,其特征在于,历史交通数据包括目标地区的历史交通时空信息数据库和道路信息,若没有已有的道路信息,从历史交通时空信息数据库中进行挖掘,道路信息包括每一区域每天不同时间的历史最高车流量、车辆的平均滞留时间信息。
3.如权利要求2所述的基于局部近似秩的交通规划及导航方法,其特征在于,步骤1中用户需要将历史交通时空信息按时序进行组织,针对每一时刻,统计目标地区内每一区域或路段的通行能力,然后,抽取每一时刻每一地区的局部近似秩特征表示,抽取的方式是将相邻区域组成的局部区域通行能力及道路信息矩阵进行不同角度旋转并提取近似秩表示及其统计量;步骤2中根据每一区域过往时刻的局部近似秩特征表示及道路信息的局部近似秩特征表示及其统计量为特征,当前时刻的通行能力为标记,构建回归问题,并用回归算法训练回归模型。
4.如权利要求1所述的基于局部近似秩的交通规划及导航方法,其特征在于,通行能力包括该区域当前时刻的平均车速、历史最高车流量与实时车流量的差。
5.如权利要求1所述的基于局部近似秩的交通规划及导航方法,其特征在于,如有多个通行能力指标可使用多输出回归算法训练回归模型。
6.如权利要求1所述的基于局部近似秩的交通规划及导航方法,其特征在于,用户的个性化需求包括:总里程更短、通行时间更短、用户油耗更低、避让事故多发路段。
7.如权利要求1所述的基于局部近似秩的交通规划及导航方法,其特征在于,将局部区域样本进行多个角度的旋转,以15°为间隔在0-90°之间进行旋转。
8.如权利要求5所述的基于局部近似秩的交通规划及导航方法,其特征在于,若有多个交通能力指标也即存在多个不同的交通通行能力3维立方体D,则针对每一个D应用如下的步骤抽取训练样本,然后按相同的特征将样本聚合:
步骤3.1,将时间t初始化为0;
步骤3.2,从D中取出t时刻的交通通行能力信息D(t),D(t)是一个2维矩阵;
步骤3.3至3.10、3.13构成的循环功能为遍历D(t)中的每一个坐标对(x,y)为其生成一个样本E(t,x,y),样本E(t,x,y)的标记为t+1时刻的交通通行能力指标D(t+1,x,y),样本E(t,x,y)的特征为t时刻以(x,y)为中心的n×n区域R的局部多角度近似秩表示及其统计量;
步骤3.4提取了区域R,提取方式为以(x,y)为中心向上下左右四个方向各扩充[n/2]个单位的区域,若(x,y)处于边缘,则使用扩充补边的方式取R;其中,步骤3.6至3.9,组成的循环是对抽取局部多角度近似秩特征的具体说明;
步骤3.6,表示将D(t)中以(x,y)为中心的n×n区域R按角度Arc进行旋转;
步骤3.7,对旋转后的R抽取近似秩特征表示AR和的统计量一起组成F,F作为样本E(t,x,y)特征的一部分加入到特征集合中;关于F的抽取方式,因为R是一个n×n的实矩阵,根据奇异值分解有
UΣVT=R (1)
其中U是R的左奇异矩阵,V是R的右奇异矩阵,Σ=diag(σ1,σ2,…,σn)是R的奇异值组成的对角阵;设σ1>σ2>…>σn,则取最小的k使得式(2)成立,式(2)中的阈值95%不是固定的,可以根据实际情况选取;
由此,得到一组新的n维向量AR=Σ'=(σ1,σ2,…,σk,0,…,0),也即把Σ中的小分量置0;则F=(AR,mean(AR),var(AR)),其中mean(AR),var(AR)分别指AR的均值和方差,当然根据实际情况也可以使用其他统计量;
步骤3.9,则判断是否需要继续旋转R,如果需要则转回步骤3.6,否则即完成了对一个样本E(t,x,y)的生成,转向步骤3.10;
步骤3.10,判断是否时刻t的每一个区域都生成了样本,如果不是则转向步骤3.13;
步骤3.13,选取下一个坐标(x,y)并转回步骤3.4生成下一个样本;
步骤3.11判断是否对所有时间片t都进行了样本生成,如果不是则转回步骤3.4进行下一次循环,取下一个时间片,反之,则转向步骤3.12;
步骤3.12输出生成的所有样本的集合E。
9.如权利要求1所述的基于局部近似秩的交通规划及导航方法,其特征在于,获得了交通通行能力指标的时空立方体J之后构建代价时空立方体的构建步骤为:
步骤8.1,将通行代价C和时间等待代价C_t初始化为最大代价;
步骤8.2,分别计算时空坐标之间转移的代价,设时空坐标(t,x,y)可达的时空位置有(t+1,x,y)、(t+t’,x+1,y)、(t+t’,x-1,y)、(t+t’,x,y+1)、(t+t’,x,y-1)共计5个点,其中t’是以t时刻的交通通行能力通过位置(x,y)所用的时间;设时空坐标(t,x,y)到时空坐标(t’,x+1,y)、(t’,x-1,y)、(t’,x,y+1)、(t’,x,y-1)的代价相同记为C(t,x,y),若考虑不同方向的通过代价不同也可以分别考虑;另外,原地等待的代价记为C_t(t,t+1);其中,C(t,x,y)通过J和坐标(t,x,y)进行计算,计算函数为Cost,即C(t,x,y)=Cost(J,t,x,y),根据J种所包含指标信息的种类不同Cost函数有不同的形式,如果J所包含的指标为平均车速,则有
其中,dist(x,y)为区域(x,y)的大小或者说道路长度;如果得到了多个指标,则Cost函数可以接受更多的立方体J综合计算代价;若考虑最短时间为规划目标,则C_t(t,t+1)代价为定值,可令C_t(t,t+1)=1;
步骤8.3,将计算得到的代价时空立方体C和C_t输出。
10.如权利要求1所述的基于局部近似秩的交通规划及导航方法,其特征在于,步骤3.6中旋转方式借鉴图像的旋转方式,把R视作一个n×n的灰度图像进行旋转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910202704.XA CN109785656B (zh) | 2019-03-18 | 2019-03-18 | 一种基于局部近似秩的交通规划及导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910202704.XA CN109785656B (zh) | 2019-03-18 | 2019-03-18 | 一种基于局部近似秩的交通规划及导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109785656A true CN109785656A (zh) | 2019-05-21 |
CN109785656B CN109785656B (zh) | 2021-03-02 |
Family
ID=66488314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910202704.XA Active CN109785656B (zh) | 2019-03-18 | 2019-03-18 | 一种基于局部近似秩的交通规划及导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785656B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449926A (zh) * | 2021-07-12 | 2021-09-28 | 中车青岛四方机车车辆股份有限公司 | 轨道交通车辆数据安全管理方法、***、存储介质及设备 |
CN113808384A (zh) * | 2020-06-16 | 2021-12-17 | 英业达科技有限公司 | 交通状况侦测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001175982A (ja) * | 1999-12-22 | 2001-06-29 | Toyota Central Res & Dev Lab Inc | 交通量推定装置 |
CA2472828A1 (en) * | 2003-07-22 | 2005-01-22 | Microsoft Corporation | Utilization of the approximate location of a device determined from ambient signals |
CN1783162A (zh) * | 2005-06-27 | 2006-06-07 | 唐春辉 | 一种智能交通监测和行车实时导航*** |
CN104024801A (zh) * | 2011-10-26 | 2014-09-03 | 托马斯·保罗·希德 | 使用有界地理区域用于导航的方法和*** |
CN106682963A (zh) * | 2016-12-29 | 2017-05-17 | 同济大学 | 基于凸优化局部低秩矩阵近似的推荐***数据补全方法 |
CN107341558A (zh) * | 2016-04-28 | 2017-11-10 | 李哲荣 | 共乘路径的计算方法及使用此方法的计算装置与记录媒体 |
CN109000668A (zh) * | 2018-05-25 | 2018-12-14 | 上海汽车集团股份有限公司 | 基于车联网的实时智能导航方法 |
CN109165549A (zh) * | 2018-07-09 | 2019-01-08 | 厦门大学 | 基于三维点云数据的道路标识获取方法、终端设备及装置 |
-
2019
- 2019-03-18 CN CN201910202704.XA patent/CN109785656B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001175982A (ja) * | 1999-12-22 | 2001-06-29 | Toyota Central Res & Dev Lab Inc | 交通量推定装置 |
CA2472828A1 (en) * | 2003-07-22 | 2005-01-22 | Microsoft Corporation | Utilization of the approximate location of a device determined from ambient signals |
CN1783162A (zh) * | 2005-06-27 | 2006-06-07 | 唐春辉 | 一种智能交通监测和行车实时导航*** |
CN104024801A (zh) * | 2011-10-26 | 2014-09-03 | 托马斯·保罗·希德 | 使用有界地理区域用于导航的方法和*** |
CN107341558A (zh) * | 2016-04-28 | 2017-11-10 | 李哲荣 | 共乘路径的计算方法及使用此方法的计算装置与记录媒体 |
CN106682963A (zh) * | 2016-12-29 | 2017-05-17 | 同济大学 | 基于凸优化局部低秩矩阵近似的推荐***数据补全方法 |
CN109000668A (zh) * | 2018-05-25 | 2018-12-14 | 上海汽车集团股份有限公司 | 基于车联网的实时智能导航方法 |
CN109165549A (zh) * | 2018-07-09 | 2019-01-08 | 厦门大学 | 基于三维点云数据的道路标识获取方法、终端设备及装置 |
Non-Patent Citations (2)
Title |
---|
刘绪娇: "基于低秩近似与非局部稀疏的图像去噪", 《湖北工业职业技术学院学报》 * |
张恒敏: "低秩矩阵近似与优化问题研究进展", 《模式识别与人工智能》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808384A (zh) * | 2020-06-16 | 2021-12-17 | 英业达科技有限公司 | 交通状况侦测方法 |
CN113449926A (zh) * | 2021-07-12 | 2021-09-28 | 中车青岛四方机车车辆股份有限公司 | 轨道交通车辆数据安全管理方法、***、存储介质及设备 |
CN113449926B (zh) * | 2021-07-12 | 2022-07-29 | 中车青岛四方机车车辆股份有限公司 | 轨道交通车辆数据安全管理方法、***、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109785656B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410575B (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
CN103533501B (zh) | 一种地理围栏生成方法 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN103984997B (zh) | 基于gis空间信息的输电工程选址选线方法 | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数***及方法 | |
CN110264709A (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN108153867B (zh) | 基于时间规律性的用户轨迹预测方法和装置 | |
CN107230351A (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
CN106920387A (zh) | 获取交通道路中路线热度的方法及装置 | |
CN109146204A (zh) | 一种多层次综合评估的风电场升压站自动选址方法 | |
CN109189949B (zh) | 一种人口分布计算方法 | |
CN106251625A (zh) | 大数据环境下立体城市交通路网全局状态预测方法 | |
CN109902259A (zh) | 一种轻量级的缺失时空数据的重构方法 | |
CN105258704A (zh) | 基于快速路网建模的多尺度时空热点路径探测方法 | |
CN109544690A (zh) | 共享单车出行影响因素识别方法、***及存储介质 | |
CN103235848A (zh) | 一种基于简化路网模型的轻量级路网匹配方法 | |
CN112734176B (zh) | 一种充电站建站方法、装置、终端设备和可读存储介质 | |
CN109584552A (zh) | 一种基于网络向量自回归模型的公交到站时间预测方法 | |
CN105069522B (zh) | 风景名胜区游赏线路评价及改进方法 | |
CN106157192A (zh) | 一种行程服务方法和装置 | |
CN106651651A (zh) | 一种电网用户用电功率曲线数据填补方法和装置 | |
CN109785656A (zh) | 一种基于局部近似秩的交通规划及导航方法 | |
CN110378527A (zh) | 一种水站选址方法 | |
CN110059860A (zh) | 一种城市的公共充电站位置布局多目标优化方法 |
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 |