CN114817666A - 一种基于路网边绑定交通小区间od流可视化方法 - Google Patents
一种基于路网边绑定交通小区间od流可视化方法 Download PDFInfo
- Publication number
- CN114817666A CN114817666A CN202210419400.0A CN202210419400A CN114817666A CN 114817666 A CN114817666 A CN 114817666A CN 202210419400 A CN202210419400 A CN 202210419400A CN 114817666 A CN114817666 A CN 114817666A
- Authority
- CN
- China
- Prior art keywords
- node
- point
- path
- flow
- traffic
- 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 23
- 238000009877 rendering Methods 0.000 claims abstract description 4
- 238000007794 visualization technique Methods 0.000 claims abstract description 4
- 239000002243 precursor Substances 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000012800 visualization Methods 0.000 abstract description 6
- 238000013523 data management Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000029257 vision disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于路网边绑定交通小区间OD流可视化方法,包括OD数据的管理、K最短路算法生成最短路集、基于K最短路进行多路径下的交通量分配、根据改进的基于路网的边绑定算法计算控制点、数据分级渲染输出五个主要步骤,实现了在特定道路网络上,综合考虑交通流方向与流量值,对城市交通小区间OD流进行边绑定的可视化。本发明解决了现有城市交通小区间OD流的点线图可视化方法中存在的图形凌乱、视觉效果差以及传统边绑定方法中存在的计算复杂、过度绑定等问题,将图形可视化与交通网络结合在一起,具有实用价值。
Description
技术领域
本发明涉及OD流可视化方法,尤其涉及一种基于路网边绑定交通小区间OD流可视化方法。
背景技术
城市交通小区间OD(Origin Destination)流常用于描述城市内居民日常出行移动,是一种典型的通过位置采样生成的轨迹数据。城市时空大数据中包含有大量的OD数据对,这些数据对聚集成流,就形成了城市居民的行程轨迹数据,即OD流。OD流在城市大数据分析中具有重要的作用。通过OD流可以挖掘出城市居民的空间活动特征,比如通过分析计算活动轨迹起始点和终止点的空间密度分布,可以为城市功能区域规划提供数据支撑,而OD数据的可视化则是将这种挖掘到的隐藏数据和信息以直观明了的方式呈现出来的一种重要方式。
目前,OD数据的可视化都是在图论的基础上进行的,即将整个区域的OD数据建立为图模型,起始点和终点为图中的结点,两点的连线作为图中的边。当数据量较小时,这种点线图的可视化方法可以较为直观地展现居民在城市各区域之间的出行移动情况,然而随着数据量的增长,图中需要容纳的点和边的数量越来越多,在视觉上的表现就会趋于混乱,导致图本身传达信息的能力大大降低,阻碍了其实用性。边绑定则是一种解决这种视觉混乱的问题的重要方法,通过将视觉上相似的边捆绑在一起形成一个边束。这种方法虽然丢失了部分细节,但从整体的角度出发,降低了视觉混乱程度,挖掘出了数据的宏观特征,大大提高了可视化图形成果的实用性。但是传统的边绑定算法,比如层次化数据边绑定算法、基于几何的边绑定算法、基于力引导的边绑定算法等,存在普适性较低、计算过程复杂等问题,同时这些算法由于最初提出时并不是为具有空间属性的数据而设计的,因此在进行绑定时,都是仅基于边的视觉走向而没有考虑地理因素。
发明内容
发明目的:本发明的目的是提供一种能实现直观地看出整个网络中流量最高的区域以及区域间最佳路径的基于路网边绑定交通小区间OD流可视化方法。
技术方案:本发明的交通小区间OD流可视化方法,包括步骤如下:
S1,建立包含OD点数据集和OD线数据集的OD流数据集;
S2,根据K最短路算法生成最短路集;
S3,基于最短路集进行多路径下的交通量分配;
S4,构建OD流数据边绑定模型,计算控制点;根据控制点建立新的数据集;
S5,对于新的数据集,根据属性值进行分级、渲染,并可视化输出;
进一步,所述步骤S1中,所述OD点数据集存储OD点数据,OD点数据包括点编号、X坐标、Y坐标;
所述OD线数据集存储OD点直线连接产生的线数据,OD线数据包括线编号、起点、终点、流量值,其中流量值根据OD矩阵赋值得到。
进一步,所述步骤S2中,对于一个有向图(N,A),N为结点集,A为弧集,以点s为起点,以点t为终点,当前路径为path,pathi为已经找到的最佳路径中第i条最佳路径,K为需要求得的路径数目,计算点s与点t之间的K条最佳路径的具体步骤如下:
S21,根据Dijkstra算法求得点s与点t间的最佳路径为pathi,i=1;
S22,如果i<K,同时存在可选路径,则令path=pathi,进行S23;如果i=K,则结束算法;
S23,在当前路径path中找到第一个入度大于1的结点,记为nodep,如果其对应的扩展结点node’p不在结点集N中,进行S24;否则,在路径path中从nodep向后查找,找到第一个对应的扩展结点不在结点集N中的结点,记为nodem,转到S25;
S24,为nodep构建一个扩展结点node’p,并添加到结点集N中,同时从有向图中nodep的所有前驱结点连接一条到node’p的弧并添加至弧集A中,对应的权重保留,但不包含在路径path中nodep的前驱结点nodep-1,计算从起始点s到node’p,的最短路径,同时令nodem=nodep+1,转到S25;
S25,在当前路径path中,nodem开始的后续结点记为noden,将noden的扩展结点node’n添加到结点集N中,同时从有向图中noden的所有前驱结点连接一条到node’n的弧并添加至弧集A中,对应的权重保留,但不包含在路径path中noden的前驱结点noden-1;如果noden的前一个结点noden-1具有扩展结点node’n-1,则添加一条从node’n-1到node’n的弧,权重保持不变,并添加到弧集A中,然后计算从起始s到node’n的最短路径;
S26,更新当前最短路径树,计算得到从起始结点s到结束结点t的当前扩展结点t’i之间的最佳路径,为第i条最佳路径,令i=i+1,转到S22。
进一步,所述步骤S3中,基于最短路集进行交通量分配为从起始结点开始对每一对OD对之间的路径进行交通量分配,以某个结点为起点和终点的边分别称为该点的出边和入边,经过该结点时,将所有入边上的流量进行汇总然后重新分配到出边上,分配比例与道路阻抗呈反比;则第j条边上分配到的流量值flowj为
其中,Flow为结点提供的总流量,αj为第j条边的阻抗,j=1,2,3,…,n,n>1;αu为第u条边的阻抗。
进一步,所述步骤S4中,根据流量值的大小来计算控制点的坐标,把每条曲线上的流量值映射到[0,1]区间中,映射值μj为:
其中,Flowj为第j条边的流量值,Flowmax为最大的流量值;
在路径上选取特征点M,从特征点M向道路右侧与道路垂直方向进行偏移,偏移得到的点为控制点,偏移量δ为
δ=Width·(1-μj)+1
其中,Width为宽度值,为边绑定的约束强度;Width为0时,所有曲线中经过该部分道路的局部线段将完全重合;
对每一条最短路径的控制点首尾连接,得到一条新的曲线,为绑定后的曲线;如此,每个OD点之间都得到了一条绑定后的曲线,所有绑定后的曲线存储在一个新的数据集中。
进一步,所述步骤S5中,对于步骤S4得到新的数据集,根据属性值进行分级;对每个等级的线数据赋予不同的线宽、颜色、亮度。
本发明与现有技术相比,其显著效果如下:
1、本发明采用删除路径算法建立最短路径网络对OD流数据进行边绑定,解决了传统点线图中随着数据增加,视觉混乱程度增加的问题;引入了路网数据,使得边绑定结果具有了一定的地理意义,同时通过提供一种基于路网的OD流数据边绑定模型,解决了传统边绑定方法中的过度绑定、混乱纠缠等问题,使得可视化结果更加美观合理;
2、通过结果数据分级渲染输出,本发明能直观地看出整个网络中流量最高的区域以及区域间的最佳路径,为研究居民出行规律与偏好、规划城市道路建设等提供可视化依据。
附图说明
图1为一份有向图示意图;
图2为K=1时的最短路径树和求得的最短路径示意图;
图3为K=2时的最短路径树和求得的最短路径示意图;
图4为多路径下的交通量分配示意图;
图5为一幅路网图示意图;
图6为根据综合考虑最短路径走向与点线图方向的计算模型的计算示意图;
图7为示例OD数据的原始点线图示意图;
图8为整个路网的示例OD数据根据流量值控制的曲线走向模型进行边绑定的结果示意图;
图9为以某一交通小区为研究对象时示例OD数据根据流量值控制的曲线走向模型进行边绑定的结果示意图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
本发明在边绑定思想的基础上,应用K最短路算法建立各OD点对之间的最佳路径,将最佳路径构成的数据集进行多路径下的交通量分配,以此作为边绑定的骨架改进传统边绑定算法,并设计了一种控制点计算模型,降低了计算的复杂度和由数据量增加带来的视觉混乱度,同时将OD数据和城市路网数据有效结合,将有利于更进一步的分析。具体步骤如下:
步骤一,OD数据集的建设,内容包括:
(1)空间数据
空间数据部分包含两个数据集:
OD点数据集:数据集中存储的是OD点数据;
OD线数据集:数据集中存储的是OD点直线连接产生的线数据。
(2)属性数据
OD点数据集的属性包括:点编号、X坐标、Y坐标;
OD线数据集属性包括:线编号、起点、终点、流量,其中流量值根据OD矩阵赋值得到。
步骤二,通过K最短路算法生成最短路集
本发明中使用的K最短路算法为删除路径算法(Deletion Algorithm)。删除算法的核心是通过在有向图中已有的最短路径上删除某条弧,并寻找替换的弧来寻找下一条可选的最短路径,即通过在有向图中增加附加节点和相应弧实现。在算法中,选择一段路径时参照权重不是简单的长度,而是道路阻抗。通过这一步得到每一对OD点对之间的K条最佳路径(K>=1),具体的数值可根据实际需求进行相应的调整。对于一个有向图(N,A),N为结点集,A为弧集,以点s为起点,以点t为终点,当前路径为path,pathi为已经找到的最佳路径中第i条最佳路径,K为需要求得的路径数目,计算s与t之间的K条最佳路径的具体步骤如下:
S21,根据Dijkstra算法求得s与t间的最佳路径树,s到t的最佳路径为pathi,此时令i=1(表示当前找到的是K条路径中的第1条路径);
S22,如果i<K,同时存在可选路径,则令path=pathi,进行S23;如果i=K,则结束算法;
S23,在当前路径path中找到第一个入度大于1的结点,记为nodep,如果其对应的扩展结点node’p不在结点集N中,进行S24,否则在路径path中从nodep向后查找,找到第一个对应的扩展结点不在结点集N中的结点,记为nodem,转到S25;
S24,为nodep构建一个扩展结点node’p,并添加到结点集N中,同时将nodep的邻接关系继承下来,即从有向图中nodep的所有前驱结点连接一条到node’p的弧并添加至弧集A中,对应的权重保留,但不包含在路径path中nodep的前驱结点nodep-1,计算从起始结点s到node’p,的最短路径,同时令nodem=nodep+1,转到S25;
S25,path中,nodem开始的后续结点记为noden,将noden的扩展结点node’n添加到结点集N中,同时将noden的邻接关系继承下来,即从有向图中noden的所有前驱结点连接一条到node’n的弧并添加至弧集A中,对应的权重保留,但不包含在路径path中noden的前驱结点noden-1。如果noden的前一个结点noden-1具有扩展结点node’n-1,则添加一条从node’n-1到node’n的弧,权重保持不变,并添加到弧集A中,然后计算从起始点s到node’n的最短路径;
S26,更新当前最短路径树,计算得到从起始结点s到结束结点的当前扩展结点t’i之间的最佳路径即为第i条最佳路径,令i=i+1,转到S22;
图1为一份有向图,图2、图3分别为K=1和K=2时的最短路径树和求得的最短路径(加粗虚线),图5为对示例研究区域的交通小区间建立的K=1时的最短路网。
步骤三,基于最短路集进行多路径下的交通量分配
根据K最短路算法得到最短路集,基于多路径的交通量分配方法从起始结点开始对每一对OD对之间的路径进行交通量分配。一个结点往往关联了多条边,以某个结点为起点和终点的边分别称为该点的出边和入边,经过该结点时,将所有入边上的流量进行汇总然后重新分配到出边上,分配比例与道路阻抗呈反比。
如图4所示,l1、l2分别为结点A的入边,l3为结点A的出边和结点B的入边,l4、l5、l6分别为结点B的出边,设定flowj为第j条边上的流量值,αj为第j条边的阻抗,l1、l2进入结点A后,流量在A点汇总,由于A点出边只有l3,所以流量全部分配给l3。B结点入边只有l3,所以其全部流量均来自于l3,其出边包括l4、l5、l6,将B点流量按这三条边的阻抗比例进行分配,分配公式为:
其中,j=1,2,3,…,n,n>1,Flow为结点提供的总流量,flowj为第j条边分配到的流量,αu为第u条边的阻抗。
步骤四,根据改进的基于路网的边绑定算法计算控制点
完成交通量分配之后,需要进行控制点的计算来完成边绑定。本发明中设计了一种基于路网的OD流数据边绑定模型。
OD流数据边绑定模型中,控制点由与之对应的OD点对之间的最佳路径以及流量值的大小共同决定。这种模型面向具有双向流通数据的OD点之间的流量可视化表达,如图5所示,而这是传统的边绑定模型不具备的。这个模型的关键点就是根据流量值的大小来计算控制点的坐标,OD边上的流量值越小,距离道路越远,反之则越近。
首先把每条曲线上的流量值映射到[0,1]这区间中,映射值μj为:
其中,flowj为第j条边的流量值,Flowmax为最大的流量值。
得到了映射值μj之后,根据μj计算偏移量,得到偏移后新的控制点N。首先在路径上选取特征点M,那么从M点向道路右侧与道路垂直方向进行偏移,偏移得到的点即为控制点,偏移量δ为:
δ=Width·(1-μj)+1 (3)
其中,Width为宽度值,用以约束流量值最小的曲线的偏移量,也就是边绑定的约束强度。
Width为0时,所有曲线中经过该部分道路的局部线段将完全重合,偏移过程如图6所示。
根据计算得到的控制点建立新的数据集。经过计算,每一条最短路径都获得了一组控制点,将这些控制点首尾连接之后得到一条新的曲线,这条曲线即为绑定后的曲线。这样每个OD点之间都得到了一条绑定后的曲线,所有的曲线存储在一个新的数据集中。数据集的属性包括:起始结点,终止结点,流量值(根据步骤一中建立的OD数据集一一对应赋值)。
步骤五,结果数据分级渲染输出
首先根据属性值进行分级,然后对每个等级的线数据赋予不同的线宽、颜色、亮度,这样就得到一份与路网数据进行边绑定之后的OD数据可视化图形成果。
在可视化显示方面,本发明中给出了两种类型的可视化方式:
第一种是面向全网数据,即全网各OD对之间的交通流数据同时显示在同一张图中。这种可视化的方式更加注重于整体的趋势,通过这种方式可以很清晰的看出路网中不同路段的交通压力大小以及各个交通小区间大致的交通流量的流向情况;
第二种是以某一交通小区为研究对象,本发明对示例OD数据通过以上设计的模型进行可视化处理,图7为传统点线图的可视化方式视觉效果上较为混乱,重点难以突出;图8为全网的交通小区间的OD流数据的可视化,图9为以某一交通小区为研究对象时,该小区与其他小区之间的OD流数据的可视化。
以上结合附图对本发明进行了示例性描述,但并不表示本发明的具体实现受上述方式限制,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 (6)
1.一种基于路网边绑定交通小区间OD流可视化方法,其特征在于,包括步骤如下:
S1,建立包含OD点数据集和OD线数据集的OD流数据集;
S2,根据K最短路算法生成最短路集;
S3,基于最短路集进行多路径下的交通量分配;
S4,构建OD流数据边绑定模型,计算控制点;根据控制点建立新的数据集;
S5,对于新的数据集,根据属性值进行分级、渲染,并可视化输出。
2.根据权利要求1所述的基于路网边绑定交通小区间OD流可视化方法,其特征在于,所述步骤S1中,所述OD点数据集存储OD点数据,OD点数据包括点编号、X坐标、Y坐标;
所述OD线数据集存储OD点直线连接产生的线数据,OD线数据包括线编号、起点、终点、流量值,其中流量值根据OD矩阵赋值得到。
3.根据权利要求1所述的基于路网边绑定交通小区间OD流可视化方法,其特征在于,所述步骤S2中,对于一个有向图(N,A),N为结点集,A为弧集,以点s为起点,以点t为终点,当前路径为path,pathi为已经找到的最佳路径中第i条最佳路径,K为需要求得的路径数目,计算点s与点t之间的K条最佳路径的具体步骤如下:
S21,根据Dijkstra算法求得点s与点t间的最佳路径为pathi,i=1;
S22,如果i<K,同时存在可选路径,则令path=pathi,进行S23;如果i=K,则结束算法;
S23,在当前路径path中找到第一个入度大于1的结点,记为nodep,如果其对应的扩展结点node’p不在结点集N中,进行S24;否则,在路径path中从nodep向后查找,找到第一个对应的扩展结点不在结点集N中的结点,记为nodem,转到S25;
S24,为nodep构建一个扩展结点node’p,并添加到结点集N中,同时从有向图中nodep的所有前驱结点连接一条到node’p的弧并添加至弧集A中,对应的权重保留,但不包含在路径path中nodep的前驱结点nodep-1,计算从起始点s到node’p,的最短路径,同时令nodem=nodep+1,转到S25;
S25,在当前路径path中,nodem开始的后续结点记为noden,将noden的扩展结点node’n添加到结点集N中,同时从有向图中noden的所有前驱结点连接一条到node’n的弧并添加至弧集A中,对应的权重保留,但不包含在路径path中noden的前驱结点noden-1;如果noden的前一个结点noden-1具有扩展结点node’n-1,则添加一条从node’n-1到node’n的弧,权重保持不变,并添加到弧集A中,然后计算从起始s到node’n的最短路径;
S26,更新当前最短路径树,计算得到从起始结点s到结束结点t的当前扩展结点t’i之间的最佳路径,为第i条最佳路径,令i=i+1,转到S22。
5.根据权利要求1所述的基于路网边绑定交通小区间OD流可视化方法,其特征在于,所述步骤S4中,根据流量值的大小来计算控制点的坐标,把每条曲线上的流量值映射到[0,1]区间中,映射值μj为:
其中,Flowj为第j条边的流量值,Flowmax为最大的流量值;
在路径上选取特征点M,从特征点M向道路右侧与道路垂直方向进行偏移,偏移得到的点为控制点,偏移量δ为
δ=Width·(1-μj)+1
其中,Width为宽度值,为边绑定的约束强度;Width为0时,所有曲线中经过该部分道路的局部线段将完全重合;
对每一条最短路径的控制点首尾连接,得到一条新的曲线,为绑定后的曲线;如此,每个OD点之间都得到了一条绑定后的曲线,所有绑定后的曲线存储在一个新的数据集中。
6.根据权利要求1所述的基于路网边绑定交通小区间OD流可视化方法,其特征在于,所述步骤S5中,对于步骤S4得到新的数据集,根据属性值进行分级;对每个等级的线数据赋予不同的线宽、颜色、亮度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210419400.0A CN114817666B (zh) | 2022-04-20 | 一种基于路网边绑定交通小区间od流可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210419400.0A CN114817666B (zh) | 2022-04-20 | 一种基于路网边绑定交通小区间od流可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114817666A true CN114817666A (zh) | 2022-07-29 |
CN114817666B CN114817666B (zh) | 2024-08-02 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964546A (zh) * | 2023-01-06 | 2023-04-14 | 中国海洋大学 | 一种基于边绑定的涡旋迁移通道提取及可视化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176283A (zh) * | 2011-01-07 | 2011-09-07 | 重庆大学 | 一种简化交通路网模型及基于此模型的导航方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN110598052A (zh) * | 2019-07-25 | 2019-12-20 | 中山大学 | 一种交通期望线的边绑定以及评价方法 |
CN113032667A (zh) * | 2021-03-02 | 2021-06-25 | 重庆邮电大学 | 一种基于城市道路网格的重路由及边捆绑方法 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176283A (zh) * | 2011-01-07 | 2011-09-07 | 重庆大学 | 一种简化交通路网模型及基于此模型的导航方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN110598052A (zh) * | 2019-07-25 | 2019-12-20 | 中山大学 | 一种交通期望线的边绑定以及评价方法 |
CN113032667A (zh) * | 2021-03-02 | 2021-06-25 | 重庆邮电大学 | 一种基于城市道路网格的重路由及边捆绑方法 |
Non-Patent Citations (1)
Title |
---|
宋涵;童蔚苹;程琳;: "考虑拥挤效应的多条最短路径研究与实现", 中国科技论文, no. 11, 15 November 2012 (2012-11-15), pages 74 - 77 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964546A (zh) * | 2023-01-06 | 2023-04-14 | 中国海洋大学 | 一种基于边绑定的涡旋迁移通道提取及可视化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629974B (zh) | 顾及城市道路交通网络特征的交通运行指数建立方法 | |
Dai et al. | The evolving structure of the Southeast Asian air transport network through the lens of complex networks, 1979–2012 | |
Zeng et al. | Visualizing mobility of public transportation system | |
CN107167156B (zh) | 一种面向一体化出行的多方式出行链优选方法及*** | |
CN103017780B (zh) | 移动状态下公交线路的规划方法、***和装置 | |
DE60314031T2 (de) | Erkundung mehrschichtiger Pfade | |
CN107192393A (zh) | 一种道路地图数据的维护***及方法 | |
CN111858810B (zh) | 一种面向道路dem构建的建模高程点筛选方法 | |
CN110716935A (zh) | 基于网约车出行的轨迹数据分析与可视化方法及*** | |
CN110111574A (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN101916320A (zh) | 一种网络规划中网络拓扑对象及其关系的图形表示方法 | |
CN108764812A (zh) | 一种特高压输电线路的数字化设计方法 | |
CN110046213A (zh) | 一种顾及路径失真纠正与交叉跨越纠正的电力选线方法 | |
CN106651027A (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
CN110095134A (zh) | 一种以用户的偏好为核心的路径规划和导航的方法及*** | |
CN109724619A (zh) | 信息推送方法、装置及服务器 | |
CN109995580A (zh) | 5g网络切片中基于ga_pso混合算法的vn映射方法 | |
Peng et al. | Sideknot: Revealing relation patterns for graph visualization | |
He et al. | Dynamic discretization discovery algorithms for time-dependent shortest path problems | |
Brughmans et al. | Spatial networks | |
CN109520499A (zh) | 基于车辆gps轨迹数据实现区域实时等时线的方法 | |
CN107121143B (zh) | 一种协同poi数据的道路选取方法 | |
CN106446227A (zh) | 一种结合加权Voronoi图索引的多偏好有序路径Skyline查询处理机制 | |
CN114817666A (zh) | 一种基于路网边绑定交通小区间od流可视化方法 | |
Feng et al. | Heuristic and exact algorithms for QoS routing with multiple constraints |
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 |