CN113901109B - 城际公路客货车出行方式总人数及时间分布的计算方法 - Google Patents
城际公路客货车出行方式总人数及时间分布的计算方法 Download PDFInfo
- Publication number
- CN113901109B CN113901109B CN202111183336.2A CN202111183336A CN113901109B CN 113901109 B CN113901109 B CN 113901109B CN 202111183336 A CN202111183336 A CN 202111183336A CN 113901109 B CN113901109 B CN 113901109B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- track
- trip
- passenger
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000011664 signaling Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
一种城际公路客货车出行方式总人数及时间分布的计算方法,S1:获取某一运营商的手机信令数据进行轨迹推算,得到设定区域中各轨迹路线所对应的样本出行量数据;S2:对所述样出行量数据进行扩样,得到全样本轨迹出行量数据;S3:对全样本轨迹出行量数据进行划分,并提取出公路出行量数据;S4:根据交通情况调查站提供的交通情况调查数据得到客货车出行比例,并根据出行比例对所述公路出行量数据进行客车、货车出行量的划分,得到客、货车出行方式总人数及时间分布;本发明通过手机信令推算客货车出行量,更具代表性的计算了出行总人次,并且在公路交通量中,实现了客车出行量和货车出行量的区分。
Description
技术领域
本发明涉及公路OD(交通出行量)推算领域,特别涉及一种城际公路客货车出行方式总人数及时间分布的计算方法。
背景技术
城市间的公路出行量是反映城际社会经济发展与交通运输服务水平的重要指标,准确可靠的公路出行量数据直接关系到区域发展战略的科学制定以及交通公路网规划的决策管理。随着我国“双循环”经济格局的不断发展与产业结构的不断升级优化,区域之间的联系愈发紧密,运输结构需求、交通路网结构和出行方式等也随之不算变化。为更好地支撑“双循环”格局下的公路网规划、道路评价、运行监测预警等业务需求,了解不同城市间以客车、货车等方式出行的人次数和时间分布特征至关重要。
现有关于城际公路OD出行量的计算方法,主要是通过:(1)断面公路交通情况自动化调查及逐车询问;(2)车载设备采集的GPS轨迹数据的推算;(3)手机导航等互联网数据的推算方法;(4)基于手机信令的推算方法。
对于方法1,由于断面交通量仅仅能反映该条路在该断面的交通量变化情况,如想了解该车辆的起始地和到达地,还需要安排辅警拦车并逐辆车询问车辆的OD,且两城市间的公路路线繁多,因此存在工作量大,数据样本代表性不足等问题。对于方法2和方法3,可以清晰勾勒出车辆的轨迹路线,从而判断车辆每次行程的出发地和到达地,但是该方法同样存在数据代表性不足的问题,安装车载GPS设备的车辆多为特殊车辆(例如班线客车、旅游客车、危险品运输车等),使用手机导航的用户也多为对路况不熟悉的车主,且导航出行车辆数占比较低,没有确定的占比值,则难以计算出行总人次,且存在中途关闭导航致使行程拆分,均无法代表全社会的出行特征。对于方法4,则无法确定用户出行方式是选择客车还是货车。
发明内容
本发明的目的在于对无法较准确判定城际公路出行中以不同出行方式的具体人数和出行数量时间分布的问题,提供一种针对城市间客、货车公路出行方式人数及时间分布的计算方法,从而可以计算不同城市之间,基于客车、货车两种不同出行方式的出行人次,以及出发时间的时间分布特征。
为实现上述目的,本发明采取的技术方案为:
本发明实施例提供一种城际公路客货车出行方式总人数及时间分布的计算方法,包括以下步骤:
S1:获取某一运营商的手机信令数据进行轨迹推算,得到设定区域中各轨迹路线所对应的样本出行量数据;
S2:对所述样出行量数据进行扩样,得到全样本轨迹出行量数据;
S3:基于不同出行方式对全样本轨迹出行量数据进行划分,并从所述全样本轨迹出行量数据中提取出公路出行量数据;所述公路出行量数据包括时间信息、起始地和目的地;
S4:根据交通情况调查站提供的交通情况调查数据得到客货车出行比例,并根据出行比例对所述公路出行量数据进行客车、货车出行量的划分,得到客、货车出行方式总人数及时间分布。
进一步的,所述S1包括,
S11:从手机运营商中获取手机信令数据,所述手机信令数据包括基站定位轨迹数据;
S12:对地图进行切片,分成250*250m大小的网格,通过加权质心模型,将所述基站定位轨迹数据转换成网格位置数据;
S13:在网格位置数据中设置空间约束和时间约束来鉴定停留点和途经点,得到行动轨迹;所述空间约束为允许偏差范围的设定;所述时间约束为最短停留时间的设定;所述途经点为停留点以外的轨迹点。
S14:将行动轨迹匹配到所属地理位置中并提取出轨迹出发地、目的地以及出行时间,得到出行OD数据;
S15:将所述S14中拥有相同出发地、目的地的出行OD数据,按照小时和日时间窗进行汇总,得到样本轨迹出行量数据。
进一步的,所述加权质心模型为,根据基站位置以及统计时间内与附近基站的交互次数,构建节点位置计算函数,节点M的位置为(xm,t,ym,t),
其中,(x1,y1),(x2,y2),(xn,yn),表示附近基站位置,(f1,f2...fn)表示与附近基站的交互次数,t表示统计时间。
进一步的,所述S2为,根据手机信令获取当前运营商用户与其他运营商用户的通话记录,并计算所述通话记录中当前运营商在当地的市场占比,根据当前运营商在当地市场的占比,将样本出行量数据扩大至全样本出行量数据。
进一步的,所述S3中,公路出行量的提取步骤包括,
S21:将出行方式划分为公路、水路、轨道和航空;
S22:从全样本轨迹出行量中提取出固定出入口和出行路径的轨迹路线,得到水路出行量数据和轨道出行量数据;
S23:从全样本出行量数据中提取出同时出现信号中断和信号接通的长距离位置移动的轨迹路线,得到航空出行量数据;
S24:在全样本出行量数据中,除去S22中所述的水路出行量数据、轨道出行量数据和S23中所述的航空出行量,得到公路出行量数据。
进一步的,所述S4中,选取相同时段主要公路上采集的公路交通量数据,计算交通情况调查数据与手机信令计算的公路交通量数据之间泊松相关性,通过分析手机信令数据和交通调查数据波动趋势的相关性判定基于手机信令的公路出行量数据的准确性。
进一步的,S1中,所述手机信令包括话单数据和访问者位置登记数据,所述话单数据和所述访问者登记数据均包括,手机接听电话信息、与基站的交互信息、活动网格编号和时间信息。
进一步的,S1中,通过将所述话单数据和所述访问者位置登记数据中低于8个活动网络的轨迹剔除进行数据集的降低。
本发明的有益效果:
本发明通过验证基于手机信令的公路出行量数据与交通调查情况的泊松系数,确定手机信令数据和交通情况调查数据存在强相关性;本发明结合交通情况调查数据中的车型比例,实现了客车出行量和货车出行量的区分。
附图说明
图1为本发明提供的一种城际公路客货车出行方式总人数及时间分布的计算方法示意图;
图2为话单数据中提取的行动轨迹示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1,一种城际公路客货车出行方式总人数及时间分布的计算方法,步骤包括:
S1:获取某一运营商的手机信令数据进行轨迹推算,得到设定区域中各轨迹路线所对应的样本出行量数据;
S2:对所述样出行量数据进行扩样,得到全样本轨迹出行量数据;
S3:基于不同出行方式对全样本轨迹出行量数据进行划分,并从所述全样本轨迹出行量数据中提取出公路出行量数据;所述公路出行量数据包括时间信息、起始地和目的地。
S4:根据交通情况调查站提供的交通情况调查数据得到客货车出行比例,并根据出行比例对所述公路出行量数据进行客车、货车出行量的划分,得到客、货车出行方式总人数及时间分布。
为了进一步实施上述技术方案,结合交通情况调差数据进行准确性校验,准确性校验包括,选取相同时段城市间主要公路上采集的公路交通量数据,计算交通情况调查数据与手机信令计算的公路出行量数据之间泊松相关性。经过验证,长沙-岳阳泊松相关系数为0.803,结果表明手机信令数据和交通情况调查数据存在强相关性,手机信令数据推算出的结果可以支撑城市间OD数据分析。
为了进一步实施上述技术方案,S1中,轨迹推算步骤包括,
S11:从手机运营商中获取话单数据护访问者位置登记数据;话单数据(CDR)和访问者位置登记数据(VLR)是某一运营商的全样本数据,包含用户手机接听电话、每次活动的网格编号和时间戳;如图2,从话单数据中提取出轨迹图,每个轨迹包含了一系列的活动点,每个活动点均包括区域位置信息Gi和时间信息Ti,多边形是基站父爱的位置区域,箭头是事件时间顺序;
S12:对地图进行切片,分成250*250m大小的网格,通过加权质心模型,将访问者登记数据中的基站定位轨迹数据转换成网格位置数据;将话单数据中的基站位置所处网格作为其网格位置数据;计算后的网格位置数据较基站定位轨迹数据精度更高,且可大幅缩减数据集大小。
S13:根据网格位置设置空间约束和时间约束鉴定停留点和途经点,得到行动轨迹;空间约束允许偏差范围的设定,偏差范围的大小通常与信号准确性相关,由于已经将轨迹点分配到250*250m大小的网格中,已经满足了空间位置的约束;时间约束为最短停留时间的设定,如最短停留时间为2.5小时,只有轨迹点停留在一个网格超过2.5小时才会被认定为停留点;通常将一个网格的第一个记录和最后一个记录的时间差作为停留时间;
S14:将行动轨迹匹配到所属地理位置中,提取出轨迹出发地、目的地以及出形时间;当用户的行动轨迹被提取后,将网格位置匹配至地理位置所属的城市:cityi,i=1,2,...,n;将每个行动轨迹中的出发地、到达地和出发时间进行整合得到出行数据trip(u,oi,dj,t),其中u表示用户id,o表示出发地,d表示目的地,t表示出发时间;
S15:将拥有相同出发地、目的地的出行数据,按照小时和日时间窗进行集合汇总:m(oi,dj,tr,h)表示从出发地oi到目的地di在时间段tr,h内的出行数,其中r表示出发日期,h表示出发小时,将汇总的结果汇总成三维矩阵,得到设定区域内各轨迹路线所对应的样本出行量数据。
为了进一步实施上述技术方案,加权质心模型为,根据基站位置以及冲击时间内与附近基站的交互次数,构建节点位置函数。VRL数据在分组交换传输时会将传输数据分组,设备e会优先选择最近的基站B1进行传输。当最近的基站负荷达到临界值时,移动端会自动选择附近的其他较近的基站(B2,B3,...Bn)。另各个基站的位置坐标分别为(x1,y1),(x2,y2),(xn,yn)。统计时间段t内移动端与附近基站交互的次数(f1,f2,...,fn)。按照加权质心点模型,计算得到时间段t时,节点M的位置为(xm,t,ym,t),
为了进一步实施上述技术方案,S1中,通过将所述话单数据和所述访问者位置登记数据中低于8个活动网络的轨迹剔除进行数据集的降低
为了进一步实施上述技术方案,扩样方式为,根据话单数据确定当前运营商用户与其他运营商用户的通话记录,得到运营商在当地的市场占比,进而将样本轨迹数据扩大至全样本轨迹数据。
由于获取的CDR和VLR数据来自单一运营商,且运营商在不同区域的市场占有率不同。如果直接使用单一的手机信令数据进行城市间公路出行分析,分析结果会因为市场占有率不同存在偏差,同样,如果在全国统一使用一个市场占有率,分析结果也会因为区域的不同而存在偏差,因此为了获取全社会准确的出行次数,需要对现有各个区域的数据集扩样至全样本。
通过话单数据,可以获取当前运营商与全社会所有运营商之间的通话记录,由于通话是随机进行的与运营商品牌独立无关,可通过对某个区域内用户通话记录判断运营商在当地的市场占比。针对地区统计当日运营商品品牌b在归属地内所有用户拨打电话的次数为其中被呼叫方为运营商b的次数为Vb。则其中表示品牌b在归属地为的市场占有率。可根据运营商在各个地区的市场占有率,推算全样本数据。
为了进一步实施上述技术方案,S3中,公路出行量的提取步骤包括,
S21:将出行方式划分为公路(R)、水路(W)、轨道(S)和航空(A),令d天城市间总出行次数为Nd,则Nd=Rd+Wd+Sd+Ad;
S22:从全样本轨迹出行量中提取出固定出入口和出行路径的轨迹路线,得到水路出行量数据和轨道出行量数据;
S23:从全样本出行量数据中提取出同时出现信号中断和信号接通的长距离位置移动的轨迹路线,得到航空出行量数据;
S24:在全样本出行量数据中,除去S22中所述的水路出行量数据、轨道出行量数据和S23中所述的航空出行量,得到公路出行量数据。
交通情况调查是中国交通统计工作的重要部分,也是获知公路网运行状态的重要手段。通过在道路上按一定距离间隔安装固定位置的采集传感器并建立交通情况调查站,***可以实时获取该道路断面的交通流量和车型占比。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种城际公路客货车出行方式总人数及时间分布的计算方法,其特征在于,包括以下步骤:
S1:获取某一运营商的手机信令数据进行轨迹推算,得到设定区域中各轨迹路线所对应的样本出行量数据;
所述S1包括,
S11:从某一手机运营商中获取手机信令数据,所述手机信令数据包括基站定位轨迹数据;
S12:对地图进行切片,分成250*250m大小的网格,通过加权质心模型,将所述基站定位轨迹数据转换成网格位置数据;
S12中,所述加权质心模型为,根据附近基站位置以及统计时间内与附近基站的交互次数,构建节点位置计算函数;通过节点位置计算函数计算节点M的位置为(xm,t,ym,t),其中,
其中,(x1,y1),(x2,y2),(xn,yn),分别表示附近基站位置,(f1,f2...fn)表示与附近基站的交互次数,t表示统计时间;
S13:在网格位置数据中设置空间约束和时间约束判断停留点和途经点,得到行动轨迹;所述空间约束为允许偏差范围的设定,所述时间约束为最短停留时间的设定;
S14:将行动轨迹匹配到所属地理位置中,提取出轨迹出发地、目的地以及出行时间;
S15:将拥有相同出发地、目的地的出行,按照小时和日时间窗进行汇总,得到设定区域内各轨迹路线所对应的样本出行量数据;
S2:对所述样本 出行量数据进行扩样,得到全样本轨迹出行量数据;
S3:基于不同出行方式对全样本轨迹出行量数据进行划分,并从所述全样本轨迹出行量数据中提取出公路出行量数据;所述公路出行量数据包括时间信息、起始地和目的地;
S4:根据交通情况调查站提供的交通情况调查数据得到客货车出行比例,并根据出行比例对所述公路出行量数据进行客车、货车出行量的划分,得到客、货车出行方式总人数及时间分布。
2.根据权利要求1中的一种城际公路客货车出行方式总人数及时间分布的计算方法,其特征在于,所述S2为,根据所述手机信令获取当前运营商用户与其他运营商用户的通话记录,并计算所述通话记录中当前运营商在当地的市场占比;根据当前运营商在当地市场的占比,将样本出行量数据扩大至全样本出行量数据。
3.根据权利要求1中所述的一种城际公路客货车出行方式总人数及时间分布的计算方法,其特征在于,所述S3包括:
S21:将出行方式划分为公路、水路、轨道和航空;
S22:从全样本轨迹出行量中提取出固定出入口和出行路径的轨迹路线,得到水路出行量数据和轨道出行量数据;
S23:从全样本出行量数据中提取出同时出现信号中断和信号接通的长距离位置移动的轨迹路线,得到航空出行量数据;
S24:在全样本出行量数据中,除去S22中所述的水路出行量数据、轨道出行量数据和S23中所述的航空出行量,得到公路出行量数据。
4.根据权利要求1中所述的一种城际公路客货车出行方式总人数及时间分布的计算方法,其特征在于,所述S4中,选取相同时段主要公路上采集的公路交通量数据,计算交通情况调查数据与基于手机信令计算的公路交通路量数据之间泊松相关性,通过分析手机信令数据和交通调查数据波动趋势的相关性判定基于手机信令的公路出行量数据的准确性。
5.根据权利要求1中的一种城际公路客货车出行方式总人数及时间分布的计算方法,其特征在于,S1中,所述手机信令包括话单数据和访问者位置登记数据,所述话单数据和所述访问者登记数据均包括,手机接听电话信息、与基站的交互信息、活动网格编号和时间信息。
6.根据权利要求5中的一种城际公路客货车出行方式总人数及时间分布的计算方法,其特征在于,S1中,通过将所述话单数据和所述访问者位置登记数据中低于8个活动网络的轨迹剔除进行数据集的降低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183336.2A CN113901109B (zh) | 2021-10-11 | 2021-10-11 | 城际公路客货车出行方式总人数及时间分布的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183336.2A CN113901109B (zh) | 2021-10-11 | 2021-10-11 | 城际公路客货车出行方式总人数及时间分布的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901109A CN113901109A (zh) | 2022-01-07 |
CN113901109B true CN113901109B (zh) | 2022-11-18 |
Family
ID=79191250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111183336.2A Active CN113901109B (zh) | 2021-10-11 | 2021-10-11 | 城际公路客货车出行方式总人数及时间分布的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901109B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114501336B (zh) * | 2022-02-16 | 2023-03-17 | 交通运输部科学研究院 | 一种公路出行量测算方法、装置、电子设备及存储介质 |
CN115376314B (zh) * | 2022-08-09 | 2024-04-16 | 交通运输部规划研究院 | 一种小客车公路出行总量测算方法 |
CN117894192A (zh) * | 2023-12-12 | 2024-04-16 | 南京市城市与交通规划设计研究院股份有限公司 | 一种基于手机信令数据的路段车辆平均载客数估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145562A (zh) * | 2018-11-06 | 2020-05-12 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
CN112133090A (zh) * | 2020-08-14 | 2020-12-25 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的多方式交通分布模型构建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5852721B1 (ja) * | 2014-10-08 | 2016-02-03 | 株式会社コロプラ | 路線バス運行分析評価システム、分析評価方法、および、プログラム |
US10206193B2 (en) * | 2016-08-31 | 2019-02-12 | At&T Intellectual Property, L.P. | Mobile device location based on detection of radiation sources |
CN112150796B (zh) * | 2020-07-20 | 2022-11-15 | 南京瑞栖智能交通技术产业研究院有限公司 | 基于手机信令数据的定制公交站点布局方法 |
-
2021
- 2021-10-11 CN CN202111183336.2A patent/CN113901109B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145562A (zh) * | 2018-11-06 | 2020-05-12 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
CN112133090A (zh) * | 2020-08-14 | 2020-12-25 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的多方式交通分布模型构建方法 |
Non-Patent Citations (1)
Title |
---|
分布式异步测量传感器网络机器人控制;钟练宗等;《自动化与仪表》;20110515(第05期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113901109A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113901109B (zh) | 城际公路客货车出行方式总人数及时间分布的计算方法 | |
EP1532600B1 (en) | Apparatus and method for providing traffic information | |
Caceres et al. | Review of traffic data estimations extracted from cellular networks | |
ES2234846T3 (es) | Metodo para la identificacion de la ruta de un vehiculo. | |
Yim et al. | Investigation of vehicles as probes using global positioning system and cellular phone tracking: field operational test | |
US9786161B2 (en) | Methods and systems for estimating road traffic | |
JP3849590B2 (ja) | 交通情報システム | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
EP1918895A2 (en) | Apparatus and method for providing traffic information | |
KR20140128063A (ko) | 교통 상황 예측 시스템 | |
Kaack et al. | Truck traffic monitoring with satellite images | |
CN109754606B (zh) | 一种基于出租车定位预测道路拥堵情况的方法 | |
Thajchayapong et al. | Enhanced detection of road traffic congestion areas using cell dwell times | |
Chen et al. | A new method for urban traffic state estimation based on vehicle tracking algorithm | |
Magsino | Investigating the operational dynamics of different transportation modes in vehicular networks | |
Lorkowski et al. | New ITS applications for metropolitan areas based on Floating Car Data | |
Montero Mercadé et al. | A case study on cooperative car data for traffic state estimation in an urban network | |
WO2002089089A1 (en) | Method of determination of travel times and travel time forecasts in a traffic network using the positioning of mobile telephones and system for the implementation thereof | |
Mohammadi et al. | Effect of traffic information on travel time of medium-distance trips: A case study in Tehran | |
WO2024090093A1 (ja) | 交通量推定装置、更新装置、交通量推定方法、更新方法、及びコンピュータプログラム | |
Sumathi | Analyzing travel time reliability of a bus route in a limited data set scenario: A case study | |
Ali et al. | Global positioning systems data for performance evaluation of hov and gp lanes on i-66 and i-395/i-95 | |
Shollar | Arterial performance and evaluation using Bluetooth and GPS data | |
Bacchus et al. | An opportunity assessment of wireless monitoring of network-wide road traffic conditions | |
Flaskou | Developing Freight Performance Measures To Address Map-21 Objectives Using Truck GPS Data |
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 |