CN110570650A - 一种基于rfid数据的出行路径与节点流量预测方法 - Google Patents
一种基于rfid数据的出行路径与节点流量预测方法 Download PDFInfo
- Publication number
- CN110570650A CN110570650A CN201910412552.6A CN201910412552A CN110570650A CN 110570650 A CN110570650 A CN 110570650A CN 201910412552 A CN201910412552 A CN 201910412552A CN 110570650 A CN110570650 A CN 110570650A
- Authority
- CN
- China
- Prior art keywords
- base station
- travel path
- path
- data
- prediction
- 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 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 8
- 230000003203 everyday effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- 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
- 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
- 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
-
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明介绍了一种基于RFID数据的出行路径预测方法,并对预测路径进行叠加,实现了节点流量预测。通过RFID数据可以提取到每辆车在不同日期经过的基站编号信息。将基站编号按检测时间排序,并结合基站的地理分布,沿道路走向连线,可以获取到每辆车每天的出行路径。以出行路径为基础,利用深度学习算法,探究出行路径选择规律,预测未来出行路径。统计所有预测出行路径中每一个基站的个数,可以实现对节点流量的预测。实验证明,本发明所提基于RFID数据的出行路径和节点流量预测方法具有较高的预测精度。
Description
技术领域
本发明涉及深度学习与智能交通大数据在交通流量预测方面的应用,尤其涉及一种基于RFID数据的出行路径与节点流量预测方法。
背景技术
近年来,智能城市的建设和智能交通***的发展为研究者提供了新的机遇。为了更有效地获取相关数据以感知城市交通***的状态,大量的传感设备被安装在了公共场所和交通设施中,例如GPS、感应线圈、车辆电子标签等等。这些设备可以为研究者提供更精确、更海量的数据,从而为交通流量预测工作带来许多的便利。在这样的大背景下,交通流量预测方法从传统的四阶段预测方法、时间序列分析法慢慢转变,逐步融合大数据、机器学习等先进的概念。
然而,尽管以往的研究已经取得了一些成果,但它们仍然存在着各种的局限性。首先,数据来源不丰富,覆盖范围不够广。感应线圈主要用于计算交通流量,却不能记录车辆的相关信息;目前可用的GPS信息通常是从出租车、公共汽车和其他一些非通勤车辆上采集来的,来源于通勤车辆的数据相对较少,因此不便于发掘一些通勤者的内在出行特征。其次,以往的预测方法主要基于历史交通流量数据,在一定程度上忽略了出行者的个人特性,因此局限性较大。此外,近年来的大多数研究集中在对15、30、45、60分钟等短时交通流量的预测上,但是由于实际的交通流量对时间尺度的波动较大,因此这些方法在较长的时间尺度上不能进行很好的预测。
另一方面,射频识别(RFID)在我国的交通运输领域中也开始得到应用,RFID基站可以自动识别车辆并记录其信息,包括车牌号、通过时间等。RFID基站在国内的逐渐普及,为交通流量预测提供了新的方法与思路,使得以居民出行路径预测为基础的交通流量预测方法成为可能。
发明内容
本发明的目的是为了尽可能避免在交通流量预测中因使用集计数据忽略个体出行者差异带来的误差问题,提供一种基于RFID数据的出行路径与节点流量预测方法。
为达到上述目的,本发明采用的方法是:一种基于RFID数据的出行路径与节点流量预测方法,包括以下步骤:
(1)数据整理与提取:将RFID基站数据进行整理,提取其中字段数据包括:车牌ID、日期、通过时间、基站编号;
(2)数据划分:按日期划分数据,根据步骤(1)提取的车牌ID统计每天的出行人数;
(3)出行路径提取:在步骤(2)数据划分的基础上,以车牌ID为唯一标识,对每天每一辆车的数据分别处理:将检测数据按照通过时间排序,即可获得个体车辆先后经过的基站列表,即出行路径;
(4)路径选择规律总结:利用步骤(3)获取的每天的出行路径,基于神经网络模型,总结出行路径选择规律,具体操作及原理如下:
(41)在每条出行路径的结尾添加end字符,作为出行路径结束的标识;
(42)分析每一条路径,提取首个基站形成起点基站列表,记录每一个起点基站出现的概率;
(43)将相邻两个基站(包含end)记为一个组合,记录每一种组合出现的概率;
(5)路径预测:基于步骤(4)的路径选择规律,对未来出行者是否出行及其出行路径进行预测,具体操作过程如下:
(51)出行人数预测:分析每天的出行人数,基于时间序列预测未来出行人数;
(52)出行起点预测:基于步骤(42)获取的起点基站出现的概率,为每一位出行者分配起点基站;
(53)出行路径预测:基于步骤(43)获取的各种组合出现的概率,分配起点之后的下一个基站,依次类推,直至预测到end标签,本条路径预测结束,从下一个起点基站开始继续进行路径预测,直至全部路径预测完成;
(6)节点流量预测:统计所有预测出行路径中每一个基站出现的个数,以此获取各个基站的交通流量,实现节点流量预测。
作为本发明的一种改进,所述步骤(3)采用循环神经网络RNN,其数据输入为出行路径,通过深度学习获取起点基站出现的概率以及相邻基站组合的概率。
有益效果:
与现有交通流量预测方法相比,本发明具有以下几点明显优势:首先,基于出行路径预测的节点流量预测方法可以充分地利用每一条RFID基站采集的数据,数据利用效率高,后期可以节省成本;其次,本发明提出的预测方法适用性更广,特别是在节假日等非工作日预测效果较明显地优于现有流量预测方法;第三,该方法细致入微,不仅可以获得节点交通流量,也可以获得居民路径选择信息、路段交通流量与其流量来源,为交通规划与管理提供便利。
附图说明
图1为本发明基于RFID数据的出行路径与节点流量预测方法的流程图;
图2为本发明南京市RFID基站分布示意图;
图3为本发明居民出行路径提取示意图;
图4为本发明出行起点与出行路径预测流程图;
图5为本发明鼓楼区3月8日早高峰节点流量预测对比图;
图6为本发明建邺区3月8日早高峰节点流量预测对比图;
图7为本发明秦淮区3月8日早高峰节点流量预测对比图;
图8为本发明玄武区3月8日早高峰节点流量预测对比图;
图9为本发明雨花台区3月8日早高峰节点流量预测对比图。
具体实施方式
本发明介绍了一种基于RFID数据的出行路径选择预测方法,并统计所有预测出行路径中相同基站出现的个数,实现了节点流量的精准预测。下面结合实例和附图对本发明的技术方案作进一步详细说明。
本次实例采用2017年2月25日-2017年3月20日南京市范围内所有基站检测到的车辆RFID数据,通过对数据整理与分析,基于深度学习算法探究出行路径选择规律,实现出行路径选择和节点流量预测。方法流程图见附图1,主要包括以下五个阶段:
数据整理与提取:将南京市RFID数据导入到SQL数据库,每一条数据均包含基站编号、日期、通过时间、车牌ID、车辆类型、车速、行驶车道六个字段。由于本实验聚焦于出行路径提取,因此只保留基站编号、日期、通过时间、车牌ID四个字段数据,所得数据表如表1所示。其中通过时间精确到秒,例如20170302072205代表车辆通过时间为2017年3月2日7:22:05,车牌ID与车辆唯一对应。
表1.RFID数据表
基站编号 | 日期 | 通过时间 | 车牌ID |
6517 | 20170302 | 20170302072205 | 12fb29ce0c9e55350d4bf75be2dff |
6452 | 20170302 | 20170302072232 | cd9765f2f0637feccc1ba709cbede |
6478 | 20170302 | 20170302072322 | 14bb4e3d3cfec83095dd3474ba20e |
6031 | 20170302 | 20170302072349 | ec2dcd39888090098669e12d1abc8 |
6334 | 20170302 | 20170302072355 | 71067487f2bf9ac94476bf04f183f |
… | … | … | … |
另外为减少数据处理量,并考虑到市区的RFID基站分布更为密集,仅选取鼓楼区、玄武区、秦淮区、建邺区、雨花台区作为数据处理区域,如附图2所示。
路径提取:以车牌ID为标识,将每辆车每天早高峰时期(7:00-9:00)的数据单独提取出来,并根据通过时间由小到大排序,获取车辆先后经过的基站列表,将基站按顺序沿道路走向连线,即出行路径,如附图3所示,提取南京市所有车辆每天的路径列为表2。
表2.车辆路径存储表
车辆ID | 日期 | 路径 |
12fb29ce0c9e55350d4bf75be2dffbd4 | 20170225 | 6619,6449,6451,6057,6057,6544,6315,6317 |
cd9765f2f0637feccc1ba709cbeded32 | 20170305 | 6243,6237,6235,6220,6219,6067,6212,6215 |
fa8ce838db5f641f6059c4ac959c7c74 | 20170308 | 6243,6344,6237,6235,6220,6067,6212 |
71067487f2bf9ac94476bf04f183f43d | 20170309 | 6619,6449,6805,6805,6516,6517,6087,6154,6153 |
…… | …… | …… |
规律探寻与路径预测:为了验证预测结果的准确性,本次实验将全部天数(2017.02.25-2017.03.13)的出行路径分为训练集(2017.02.25-2017.03.07)与验证集(2017.03.08-2017.03.13),将训练集的出行路径输入循环神经网络RNN,探究居民的路径选择规律,并对验证集的出行路径进行预测,主要包括以下步骤:
(1)出行人数预测:基于每个行政区的历史出行人数,利用时间序列预测验证集日期的出行人数,如表3所示。
表3. 出行人数预测表
区域\日期 | 3月8日 | 3月9日 | 3月10日 | 3月11日 | 3月12日 | 3月13日 |
玄武区 | 20325 | 19720 | 20864 | 13228 | 9208 | 17803 |
鼓楼区 | 25682 | 24753 | 24668 | 14950 | 11558 | 23538 |
建邺区 | 9131 | 8971 | 8806 | 4255 | 3364 | 7856 |
秦淮区 | 35422 | 35805 | 35209 | 21508 | 16464 | 32724 |
雨花台区 | 18234 | 18399 | 18274 | 10639 | 8402 | 15818 |
(2)出行起点与出行路径预测:如附图4所示主要分为以下步骤:
在训练集中每条出行路径的结尾添加end字符,作为出行路径结束的标识;
分析每一条路径,提取首个基站形成起点基站列表,记录不同起点基站出现的概率;
将相邻两个基站(包含end)记为一个组合,记录不同组合出现的概率;
出行起点预测:基于步骤获取的不同起点基站出现的概率分配起点基站,起点基站个数与预测未来出行人数保持一致;
出行路径预测:基于步骤获取的不同组合出现的概率随机分配起点之后的下一个基站,以此类推,直至预测到end标签,路径预测结束;
上述循环神经网络RNN采用试算的方法确定隐藏神经元个数,各行政区分别在区域基站个数的基础上+5,+10…,直至获得最小预测误差。本实例循环神经网络RNN隐藏神经元个数选取如表4所示。
表4. 模型参数选取表
行政区 | 隐藏神经元个数 |
建邺区 | 27+10=37 |
玄武区 | 55+0=55 |
鼓楼区 | 56+20=76 |
秦淮区 | 76+0=76 |
雨花台区 | 32+0=32 |
路径预测结果如表5所示。
表5.深度学习与路径预测过程
节点流量统计:统计所有预测出行路径中相同基站出现的个数,以此获取各个基站的交通流量,实现节点流量预测。
预测结果比对:将预测的节点流量同真实流量比较,选取3月8日的比较结果如附图5-9所示。使用MAPE指标作为度量:
得到不同行政区的MAPE指标如表5所示,可以看出雨花台预测准确度在90%以上,玄武区、秦淮区预测准确度在85%以上,鼓楼区、建邺区预测准确度在80%以上,由此表明本发明提出的基于RFID数据的出行路径选择与节点流量预测方法切实可行且具有较高的预测准确度。
表5.MAPE指标计算表
03.08 | 03.09 | 03.10 | 03.11 | 03.12 | 03.13 | 平均 | |
鼓楼区 | 0.128 | 0.155 | 0.219 | 0.105 | 0.123 | 0.291 | 0.170 |
玄武区 | 0.083 | 0.110 | 0.121 | 0.136 | 0.137 | 0.126 | 0.119 |
秦淮区 | 0.152 | 0.143 | 0.106 | 0.197 | 0.127 | 0.171 | 0.149 |
建邺区 | 0.188 | 0.152 | 0.186 | 0.129 | 0.215 | 0.152 | 0.170 |
雨花台区 | 0.067 | 0.058 | 0.136 | 0.095 | 0.077 | 0.083 | 0.086 |
Claims (2)
1.一种基于RFID数据的出行路径选择与节点流量预测方法,其特征在于,包括以下步骤:
(1)数据整理与提取:将RFID基站数据进行整理,提取其中字段数据包括:车牌ID、日期、通过时间、基站编号;
(2)数据划分:按日期划分数据,根据步骤(1)提取的车牌ID统计每天的出行人数;
(3)出行路径提取:在步骤(2)数据划分的基础上,以车牌ID为唯一标识,对每天每一辆车的数据分别处理:将检测数据按照通过时间排序,即可获得个体车辆先后经过的基站列表,即出行路径;
(4)路径选择规律总结:利用步骤(3)获取的每天的出行路径,基于神经网络模型,总结出行路径选择规律,具体操作如下:
(41)在每条出行路径的结尾添加end字符,作为出行路径结束的标识;
(42)分析每一条路径,提取首个基站形成起点基站列表,记录每一个起点基站出现的概率;
(43)将相邻两个基站,包含end记为一个组合,记录每一种组合出现的概率;
(5)路径预测:基于步骤(4)的路径选择规律,对未来出行者是否出行及其出行路径进行预测,具体操作过程如下:
(51)出行人数预测:分析每天的出行人数,基于时间序列预测未来出行人数;
(52)出行起点预测:基于步骤(42)获取的起点基站出现的概率,为每一位出行者分配起点基站;
(53)出行路径预测:基于步骤(43)获取的各种组合出现的概率,分配起点之后的下一个基站,依次类推,直至预测到end标签,本条路径预测结束,从下一个起点基站开始继续进行路径预测,直至全部路径预测完成;
(6)节点流量预测:统计所有预测出行路径中每一个基站出现的个数,以此获取各个基站的交通流量,实现节点流量预测。
2.根据权利要求1所述的基于RFID数据的出行路径选择与节点流量预测方法,其特征在于:所述步骤(3)采用循环神经网络RNN,其数据输入为出行路径,通过深度学习获取起点基站出现的概率以及相邻基站组合的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412552.6A CN110570650B (zh) | 2019-05-17 | 2019-05-17 | 一种基于rfid数据的出行路径与节点流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412552.6A CN110570650B (zh) | 2019-05-17 | 2019-05-17 | 一种基于rfid数据的出行路径与节点流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570650A true CN110570650A (zh) | 2019-12-13 |
CN110570650B CN110570650B (zh) | 2021-05-11 |
Family
ID=68773433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910412552.6A Active CN110570650B (zh) | 2019-05-17 | 2019-05-17 | 一种基于rfid数据的出行路径与节点流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570650B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010008068A (ja) * | 2008-06-24 | 2010-01-14 | Denso Corp | ナビゲーション装置 |
CN103489048A (zh) * | 2013-10-17 | 2014-01-01 | 李慧兵 | 一种基于rfid数据的路径行程时间预测方法 |
CN104318773A (zh) * | 2014-11-04 | 2015-01-28 | 杭州市综合交通研究中心 | 一种基于交通拥堵时空总量的交通拥堵测定方法 |
CN105046949A (zh) * | 2015-06-12 | 2015-11-11 | 中南大学 | 一种基于手机数据计算o-d流进行车源预测的方法 |
CN105070042A (zh) * | 2015-07-22 | 2015-11-18 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交通预测的建模方法 |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测*** |
CN105374206A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技(上海)有限公司 | 一种主动式交通需求管理的***及其工作方法 |
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 |
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 |
CN109215350A (zh) * | 2018-11-02 | 2019-01-15 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
CN109257694A (zh) * | 2018-08-23 | 2019-01-22 | 东南大学 | 一种基于rfid数据的车辆od矩阵划分方法 |
CN109712402A (zh) * | 2019-02-12 | 2019-05-03 | 南京邮电大学 | 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 |
-
2019
- 2019-05-17 CN CN201910412552.6A patent/CN110570650B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010008068A (ja) * | 2008-06-24 | 2010-01-14 | Denso Corp | ナビゲーション装置 |
CN103489048A (zh) * | 2013-10-17 | 2014-01-01 | 李慧兵 | 一种基于rfid数据的路径行程时间预测方法 |
CN104318773A (zh) * | 2014-11-04 | 2015-01-28 | 杭州市综合交通研究中心 | 一种基于交通拥堵时空总量的交通拥堵测定方法 |
CN105046949A (zh) * | 2015-06-12 | 2015-11-11 | 中南大学 | 一种基于手机数据计算o-d流进行车源预测的方法 |
CN105070042A (zh) * | 2015-07-22 | 2015-11-18 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交通预测的建模方法 |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测*** |
CN105374206A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技(上海)有限公司 | 一种主动式交通需求管理的***及其工作方法 |
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 |
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 |
CN109257694A (zh) * | 2018-08-23 | 2019-01-22 | 东南大学 | 一种基于rfid数据的车辆od矩阵划分方法 |
CN109215350A (zh) * | 2018-11-02 | 2019-01-15 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
CN109712402A (zh) * | 2019-02-12 | 2019-05-03 | 南京邮电大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN110570650B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Dynamic cluster-based over-demand prediction in bike sharing systems | |
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
CN103177575B (zh) | 城区出租车动态在线调度优化***及其方法 | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN102289936B (zh) | 使用来自移动数据源的数据估算道路交通状况 | |
CN109559512A (zh) | 一种区域交通流量预测方法及装置 | |
CN112734532B (zh) | 基于共享电单车借还车点数据的通勤行为识别方法 | |
Rong et al. | Mining efficient taxi operation strategies from large scale geo-location data | |
CN111199247B (zh) | 一种公交运行仿真方法 | |
US10489431B2 (en) | Digital location-based data methods and product | |
CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及*** | |
CN112579718A (zh) | 一种城市用地功能的识别方法、装置及终端设备 | |
Deng et al. | Heterogenous Trip Distance‐Based Route Choice Behavior Analysis Using Real‐World Large‐Scale Taxi Trajectory Data | |
CN106295868A (zh) | 交通出行数据处理方法及装置 | |
CN110459050B (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
Ji et al. | A spatial-temporal model for locating electric vehicle charging stations | |
Jiao et al. | Understanding the land use function of station areas based on spatiotemporal similarity in rail transit ridership: A case study in Shanghai, China | |
Cui et al. | Usage demand forecast and quantity recommendation for urban shared bicycles | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
Yao et al. | Analysis of key commuting routes based on spatiotemporal trip chain | |
CN112699955A (zh) | 一种用户分类方法、装置、设备及存储介质 | |
Yuan et al. | Taxi high-income region recommendation and spatial correlation analysis | |
CN110570650B (zh) | 一种基于rfid数据的出行路径与节点流量预测方法 | |
Yue et al. | Classification and determinants of high-speed rail stations using multi-source data: A case study in Jiangsu Province, China | |
Park et al. | Applying Clustered KNN Algorithm for Short‐Term Travel Speed Prediction and Reduced Speed Detection on Urban Arterial Road Work Zones |
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 |