CN112347313A - 一种基于大数据的区位优势度路径分析方法 - Google Patents
一种基于大数据的区位优势度路径分析方法 Download PDFInfo
- Publication number
- CN112347313A CN112347313A CN202011249436.6A CN202011249436A CN112347313A CN 112347313 A CN112347313 A CN 112347313A CN 202011249436 A CN202011249436 A CN 202011249436A CN 112347313 A CN112347313 A CN 112347313A
- Authority
- CN
- China
- Prior art keywords
- path
- information
- data
- node
- dominance
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 230000003068 static effect Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012517 data analytics Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的区位优势度路径分析方法,获取待测路径信息和道路拓扑图,并对待测路径信息调整相对坐标位置,得到对应的路径数据集;在路径网络模型中根据对应路径数据集采集路径中的节点坐标;根据蚂蚁算法获取出所述节点坐标发点和目的地之间的实地静态路线;在实地静态路线根据权重最小原则计入权重系数对路径的到达时间进行加权计算;将出发点和目的地的路径结果保存到数组中,重复以上步骤计算导出最佳路径分析结果。本发明可有效节约人工成本,避免出现相关参数设置错误导致路径分析数据错误,从多维度对路径数据进行统计分析,有效保证统计精度和质量。
Description
技术领域
本发明涉及数据分析技术领域,具体而言,涉及一种基于大数据的区位优势度路径分析方法。
背景技术
人工手动做单地点对多地点的最佳路径分析,例如某乡镇到其最近高速路口的最佳路径分析,对其分析结果,再从不同维度来整理,例如整理出耗时最短的路径,距离最短的路径等。如果需要获取多个乡镇到其最近高速路口的最佳路径,则需要人工手动重复上述过程。人工大量重复的去执行高过程,对其精力消耗是巨大的,都需要人工手动去设置相关参数,从不同维度去整理分析结果,如果变量过多,例如分析成都各乡镇到其最近医院、最近高速路口、最近机场、最近火车站的最佳路径,其工作量将非常巨大难免会出现相关参数设置错误,从而引起最终分析结果错误,分析结果无法保证,分析结果难以从多维度进行统计。现实交通道路枢纽是分级的,如国道、省道、高速、乡村公路,每种道路能支持的车速也是不一样的,从而分析结果不易统计,因此需要一种基于大数据分析技术的路径测量方法。
发明内容
本发明在于提供一种基于大数据分析技术的路径测量方法,其能够缓解上述问题。
为了缓解上述的问题,本发明采取的技术方案如下:
本发明包括:
A获取待测路径信息和道路拓扑图,并对待测路径信息调整相对坐标位置,得到对应的路径数据集;
B在路径网络模型中根据对应路径数据集采集路径中的节点坐标;
C根据蚂蚁算法获取出所述节点坐标发点和目的地之间的实地静态路线;
D在实地静态路线根据权重最小原则计入权重系数对路径的到达时间进行加权计算;
E将出发点和目的地的路径结果保存到数组中,重复以上步骤计算导出最佳路径分析结果。
进一步地,对所述路径数据集进行分割数据,然后依次在各个场景中顺序播放路径的行进路线。
进一步地,所述路径网络模型的构建方法包括:
a绘制路径拓扑图;
b通过路径拓扑图构建路径邻接矩阵;
c将所述邻接矩阵及路径各节点信息导入到二维数组中。
进一步地,所述蚂蚁算法分析经过指定站点的路径信息,该算法支持一次性分析多个站点的最优路径。
一种基于大数据的区位优势度路径分析装置,包括:
路径数据模块,用于获取待测路径信息和道路拓扑图,并对待测路径信息调整相对坐标位置,得到对应的路径数据集;
节点模块,用于在路径网络模型中根据对应路径数据集采集路径中的节点坐标;
路线获取模块,用于获取出所述节点坐标发点和目的地之间的实地静态路线;
计算模块,用于实地静态路线根据权重最小原则计入权重系数对路径的到达时间进行加权计算。
结果导出模块,用于将出发点和目的地的路径结果保存到数组中,重复以上步骤计算导出最佳路径分析结果。
一种基于大数据的区位优势度路径分析设备,所述基于大数据的区位优势度路径分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互联;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于大数据分析的路径测量设备执行中任意一项所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任意一项所述方法的步骤。
本技术方案的技术效果是:
本发明可有效节约人工成本,避免出现相关参数设置错误导致路径分析数据错误,从多维度对路径数据进行统计分析,有效保证统计精度和质量。
附图说明
图1为本发明实施例中基于大数据的区位优势度路径分析方法流程示意图;
图2为本发明实施例中基于大数据分析的路径测量设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1和2所示,本发明包括:
A获取待测路径信息和道路拓扑图,并对待测路径信息调整相对坐标位置,得到对应的路径数据集;
B在路径网络模型中根据对应路径数据集采集路径中的节点坐标;
C根据蚂蚁算法获取出所述节点坐标发点和目的地之间的实地静态路线;
D在实地静态路线根据权重最小原则计入权重系数对路径的到达时间进行加权计算;
E将出发点和目的地的路径结果保存到数组中,重复以上步骤计算导出最佳路径分析结果。
进一步地,对所述路径数据集进行分割数据,然后依次在各个场景中顺序播放路径的行进路线。
进一步地,所述路径网络模型的构建方法包括
a绘制路径拓扑图;
b通过路径拓扑图构建路径邻接矩阵;
c将所述邻接矩阵及路径各节点信息导入到二维数组中。
进一步地,所述蚂蚁算法分析经过指定站点的路径信息,该算法支持一次性分析多个站点的最优路径。
一种基于大数据的区位优势度路径分析装置,包括:
路径数据模块,用于获取待测路径信息和道路拓扑图,并对待测路径信息调整相对坐标位置,得到对应的路径数据集;
节点模块,用于在路径网络模型中根据对应路径数据集采集路径中的节点坐标;
路线获取模块,用于获取出所述节点坐标发点和目的地之间的实地静态路线;
计算模块,用于实地静态路线根据权重最小原则计入权重系数对路径的到达时间进行加权计算。
结果导出模块,用于将出发点和目的地的路径结果保存到数组中,重复以上步骤计算导出最佳路径分析结果。
一种基于大数据的区位优势度路径分析设备,所述基于大数据的区位优势度路径分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互联;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于大数据分析的路径测量设备执行中任意一项所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任意一项所述方法的步骤。
在本实施例子中,利用蚂蚁算法分析经过指定站点的最优路径,其具体描述如下:计算原则:权重最小原则,根据网络的阻抗条件设置权重,其为距离或者是时间,参数说明:Data:路线必须经过的站点,Node:路径模型中的所有节点,Matrix:道路路径分析模型,Open:源集,已参加计算的节点,Open=[Start],Close:差集,未参加计算的点,Close=Node–Open,Start:起点,End:终点,ShortestPath:分析出的起止点之间的线路信息,
包括路线长度信息ShortestPath_i.length,及节点属性信息ShortestPath_i.pathnodes,过渡参数:bridgenode,顺序获取close,计算close中各节点vi到start的距离D(start,vi),求出距离值最小的节点bridgenode,并将bridgenode加入到open,移出close,同时存储start到vi所经过的节点为shortestPath_i.pathnodes,重新遍历close,计算close中各节点vi到start的距离D(start,v)=Min(D(start,vi),D(start,bridgenode)+D(bridgenode,vi)),如果较小值为通过bridgenode的值,那么start到vi所经过的节点为shortestPath_bridgenode+vi,步骤4、重复1、2步骤,直到加入到bridgenode=end结束,至此计算出start与end之间的最短距离路径shortestPath_i.pathnodes,将start与end的路径结果shortestPath_i.pathnodes保存到数组中,步骤6、i+1重复以上步骤计算出经过所有过车点位的路径结果。设置好相关参数后,即可得到分析结果,并且将分析结果存储在相关表中,可通过SuperMap iDesktop自带的导出功能,将其导出为Excle表格。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于大数据的区位优势度路径分析方法,其特征在于,包括:
A获取待测路径信息和道路拓扑图,并对待测路径信息调整相对坐标位置,得到对应的路径数据集;
B在路径网络模型中根据对应路径数据集采集路径中的节点坐标;
C根据蚂蚁算法获取出所述节点坐标发点和目的地之间的实地静态路线;
D在实地静态路线根据权重最小原则计入权重系数对路径的到达时间进行加权计算;
E将出发点和目的地的路径结果保存到数组中,重复以上步骤计算导出最佳路径分析结果。
2.根据权利要求1所述的基于大数据的区位优势度路径分析方法,其特征在于,对所述路径数据集进行分割数据,然后依次在各个场景中顺序播放路径的行进路线。
3.根据权利要求1所述的基于大数据的区位优势度路径分析方法,其特征在于,所述路径网络模型的构建方法包括
a、绘制路径拓扑图;
b、通过路径拓扑图构建路径邻接矩阵;
c、将所述邻接矩阵及路径各节点信息导入到二维数组中。
4.根据权利要求1所述的基于大数据的区位优势度路径分析方法,其特征在于,所述蚂蚁算法分析经过指定站点的路径信息,该算法支持一次性分析多个站点的最优路径。
5.一种基于大数据的区位优势度路径分析装置,其特征在于,包括:
路径数据模块,用于获取待测路径信息和道路拓扑图,并对待测路径信息调整相对坐标位置,得到对应的路径数据集;
节点模块,用于在路径网络模型中根据对应路径数据集采集路径中的节点坐标;
路线获取模块,用于获取出所述节点坐标发点和目的地之间的实地静态路线;
计算模块,用于实地静态路线根据权重最小原则计入权重系数对路径的到达时间进行加权计算。
结果导出模块,用于将出发点和目的地的路径结果保存到数组中,重复以上步骤计算导出最佳路径分析结果。
6.一种基于大数据的区位优势度路径分析设备,其特征在于,所述基于大数据的区位优势度路径分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互联;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于大数据分析的路径测量设备执行如权利要求1-4中任意一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-4中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011249436.6A CN112347313A (zh) | 2020-11-10 | 2020-11-10 | 一种基于大数据的区位优势度路径分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011249436.6A CN112347313A (zh) | 2020-11-10 | 2020-11-10 | 一种基于大数据的区位优势度路径分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112347313A true CN112347313A (zh) | 2021-02-09 |
Family
ID=74363106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011249436.6A Pending CN112347313A (zh) | 2020-11-10 | 2020-11-10 | 一种基于大数据的区位优势度路径分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347313A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04177287A (ja) * | 1990-11-09 | 1992-06-24 | Sumitomo Electric Ind Ltd | 最適経路決定装置 |
CN109726852A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN109724611A (zh) * | 2019-01-08 | 2019-05-07 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110823236A (zh) * | 2019-10-12 | 2020-02-21 | 百度在线网络技术(北京)有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN111784260A (zh) * | 2020-07-14 | 2020-10-16 | 国网北京市电力公司 | 运输规划方法、装置、存储介质及处理器 |
-
2020
- 2020-11-10 CN CN202011249436.6A patent/CN112347313A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04177287A (ja) * | 1990-11-09 | 1992-06-24 | Sumitomo Electric Ind Ltd | 最適経路決定装置 |
CN109726852A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN109724611A (zh) * | 2019-01-08 | 2019-05-07 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110823236A (zh) * | 2019-10-12 | 2020-02-21 | 百度在线网络技术(北京)有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN111784260A (zh) * | 2020-07-14 | 2020-10-16 | 国网北京市电力公司 | 运输规划方法、装置、存储介质及处理器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106790468B (zh) | 一种分析用户WiFi活动轨迹规律的分布式实现方法 | |
US9733094B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
CN109451532B (zh) | 一种基站位置的核查方法及装置 | |
CN107657637A (zh) | 一种农机作业面积获取方法 | |
CN109726658A (zh) | 人群计数及定位方法、***、电子终端及存储介质 | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN110910501B (zh) | 基于全景地图的网络分析模型构建及路径分析方法 | |
CN109059949B (zh) | 最短路径的计算方法及装置 | |
CN108038734B (zh) | 基于点评数据的城市商业设施空间分布探测方法及*** | |
CN108776660B (zh) | 一种基于ArcGIS的批量匹配道路属性的方法 | |
CN105183769A (zh) | 基于流数据立方体的轨迹数据原位可视化方法 | |
CN115100012A (zh) | 一种轨道交通站点步行可达性计算方法 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN112347313A (zh) | 一种基于大数据的区位优势度路径分析方法 | |
CN112766718A (zh) | 城市商圈边界识别方法、***、计算机设备及存储介质 | |
CN108805318A (zh) | 用于评测仓库的方法和装置 | |
CN108460424B (zh) | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 | |
CN115099354A (zh) | 训练样本的构建方法、装置、设备及存储介质 | |
Jaegal et al. | Measuring the structural similarity of network time prisms using temporal signatures with graph indices | |
CN112540928A (zh) | 基于待测线路交路信息的测试用例布设方法和装置 | |
CN109472766B (zh) | 桥梁螺栓区域定位方法及终端设备 | |
CN112445786B (zh) | 一种目标用户的筛选方法和设备 | |
CN111813775A (zh) | 一种隧道点云数据处理方法、装置及存储介质 | |
US11928978B2 (en) | Airport mapping database using a node-edge network of geospatial objects | |
CN117739950B (zh) | 一种地图的生成方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |
|
RJ01 | Rejection of invention patent application after publication |