TWI607324B - Data feature selection and data grouping system and method for vehicle travel time - Google Patents
Data feature selection and data grouping system and method for vehicle travel time Download PDFInfo
- Publication number
- TWI607324B TWI607324B TW104144148A TW104144148A TWI607324B TW I607324 B TWI607324 B TW I607324B TW 104144148 A TW104144148 A TW 104144148A TW 104144148 A TW104144148 A TW 104144148A TW I607324 B TWI607324 B TW I607324B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- cluster
- attribute
- clusters
- dependency
- Prior art date
Links
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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Description
本發明係關於一種資料選擇和分群系統與方法,特別為有效將資料劃分到不同的群集,提高群內相依性的資料特徵選擇和資料分群系統與方法。
目前到站時間估計方法運作上仍主要收集過去車載機所回報之到站資訊來估計站到站之間的平均車速和旅行時間,並可依不同的星期和時段來統計,當使用者查詢時可以給予歷史平均車速和旅行時間。雖然此方法可以快速地提供預估到站時間,然而主要是採用歷史資料平均值,而無法因即時路況來進行到站時間的預測,故有可能造成到站時間預測上較大的誤差
由此可見,上述習用方式仍有諸多缺失,仍有改善空間,亟待加以改良。
發明人鑑於上述習用方式所衍生的各項缺點,乃亟思加以改良創新,並經多年苦心孤詣潛心研究後,終於成功研發完成本發明一種雲端環境之資源使用率分析預測系統與方法。
本發明提供一種資料特徵選擇和資料分群系統與方法,包含:一資料平台伺服器,該資料平台伺服器設有複數個伺服器通訊模組,各該伺服器通訊模組係接受複數個感測資料,並將各該感測資料儲存至一資料庫模組,並透過一處理運算模組接收對各該感測資料的資料預測和分析查詢要求;複數個感測模組,各該感測模組係即時收包含集環境資訊之各該感測資料,並將各該感測資料即時經由一感測器通訊模組傳送至該資料平台伺服器;複數個客戶端模組,各該客戶端模組經由所設的一客戶端通訊模組定期或不定期向該資料平台伺服器發資料預測和分析查詢要求,並接收資料預測和分析查詢要求之結果;以及一資料分析模組,該資料分析模組係將該資料平台伺服器內該資料庫模組儲存之各該感測資料進行資料預測和分析查詢,並將資料預測和分析查詢要求之結果回傳至該資料平台伺服器。
其中,該資料分析模組係將各該感測資料進行資料特徵選擇和資料分群後,產生資料預測和分析查詢要求之結果回傳至該資料平台伺服器。
本發明提供一種資料特徵選擇和資料分群方法,步驟包含:設定複數個資料群集合併之一相依性門檻值,當各該資料群集間相依性高於該相依性門檻值時,則將各該資料群集進行合併;隨機選擇複數個感測資料並依設定之特徵屬性進行各該資料群集的分群;
將同特徵屬性之各該感測資料集合,產生各該資料群集並分別計算各該資料群集的群中心;計算各該資料群集與其各該資料群集間的相依性;當各該資料群集與其各該資料群集間的相依性高於該相依性門檻值時,依序以相依性高之各該資料群集進行合併,並且合併後計算合併後之資料群集的群中心;再次計算各該資料群集與其各該資料群集間的相依性,並依序將相依性高於該相依性門檻值之各該資料群集進行合併,當各該資料群集與其各該資料群集間的相依性皆低於該相依性門檻值時停止;以及再次依設定之特徵屬性進行各該資料群集的分群,當各該感測資料無特徵屬性可以被選取時停止。
其中,係藉由卡方分佈累加機率密度函數已計算各該資料群集與其各該資料群集間的相依性。
本發明提供之資料特徵選擇和資料分群系統方法相較於現有技術而言,其特色在於本發明係將資料進行資料特徵選擇和資料分群系統與方法可依特徵屬性值進行分群,並計算群間的相依性,再將相依性高的群集進行合併,並計算合併後群集中心。可以分析每個特徵屬性所產生之群集是否具有相依性,從而選取出合適的特徵屬性,並且可分析該特徵屬性對資料的影響。此外,資料特徵選擇和資料分群系統與方法得運用平方差比例來計算群間差異,並運用卡方累加機率密度來判斷群間的相依性,再將相依性高的群集進行合併,產生新的群集。
100‧‧‧資料分析模組
200‧‧‧資料平台伺服器
300‧‧‧感測模組
400‧‧‧客戶端模組
210‧‧‧資料庫模組
310‧‧‧感測器通訊模組
S201~S207‧‧‧步驟流程
圖1係為本發明之資料特徵選擇和資料分群系統之示意圖。
圖2係為本發明之資料特徵選擇和資料分群方法之流程圖。
以下將參照相關圖式,說明依本發明之多語系語音辨識裝置及其方法之實施例,為使便於理解,下述實施例中之相同元件係以相同之符號標示來說明。
在本實施例中將以清潔車到站時間估計為例進行說明,配合本發明提透過收集各個路段和時段的站到站之間的旅行時間,並運用分群方法來分析資料特徵和判斷資料的相依性,將資料獨立性高的資料切割為不同的群組,可避免極端值的影響並提升預測準確度,據此來預測到站時間,詳述如下。
請參閱圖1,如圖所示,為本發明之資料特徵選擇和資料分群系統之示意圖。資料特徵選擇和資料分群系統包含資料分析模組100、資料平台伺服器200、複數個感測模組300以及複數個客戶端模組400。感測模組300得週期性和非週期性感測環境資訊並將感測結果回報至資料平台伺服器200,其中,感測模組300為一車載機設備得運用位置之感測裝置(如:全球定位系統)感知車載機位置,並得運用感測模組300偵測環境資訊(包含溫度和溼度等),並判斷是否到達清運站點位置,且當到達清運站點時,得運用感測器通訊模組310回報其到站資訊至資料平台伺服器200。例
如,車載機編號1於2014/04/01行駛路線編號1之路線,並在14:08:02到達站點編號1,當天的相對溼度為85.8%。當資料平台伺服器200接收到感測模組300所回報的感測資料時,得將儲存之連續型資料轉換為名目型資料或離散型資料,再將資料儲存至資料平台伺服器200內的資料庫模組210。以相對溼度為例,得設定每10%為一個區間,則0%~10%為1,10%~20%,如表1所示。
此外,資料平台伺服器200亦得進行相關資料之前處理運算,此資料平台伺服器200將得計算出每筆站到站之間的旅行時間,例如:2014/04/01第1站到第2站的旅行時間為2.77分鐘,如下表2所示。資料分析模組100將可向資料平台伺服器200取得資料,並運用資料特徵選擇
和資料分群方法對取得之資料進行資料特徵分析和資料分群,再將分析結果儲存至資料平台伺服器200。客戶端模組400得定期或不定期向資料平台伺服器200發出資料預測和分析之查詢要求,再由資料平台伺服器200查詢分析結果,並將資料預測和分析結果回覆予客戶端模組400。
請參閱圖2,如圖所示,為本發明之資料特徵選擇和資料分群方法之示意圖。主要步驟如下:步驟S201:設定參數設定;步驟S202:選定特徵屬性;步驟S203:依特徵屬性值進行分群,並設定初始群集;步驟S204:計算群間的相依性;步驟S205:將相依性高的群集進行合併,並計算合併後群集中心;步驟S206:確認是否有群集未計算,並重覆計算至無群集可合併;以及步驟S207:確認是否有特徵屬性未計算。
其中步驟S201之設定參數設定係設定群集合併之相依性門檻值,作為後續當群間相依性高於此門檻值時,將把群集進行合併。如本
實施例中將設定相依性門檻值為90%,群間相依性需高於90%得進行群集合併。
其中步驟S202之選定特徵屬性:依資料集合得隨機選擇一特徵屬性進行分群,以及進行群間相依性計算,再得由具有相依性高之群集的特徵屬性優先進行分群計算。
以2014/04/01~2014/10/23期間之站到站旅行時間紀錄為例,其主要的名目型資料或離散型資料有週次、星期、相對溼度區間等資料特徵屬性,並得選擇複數個資料特徵屬性作為初始分群設定。以選擇週次和星期之資料特徵屬性並分析第5站到第6站的旅行時間為例,如:第1週星期二第5站到第6站旅行時間為4.90分,依此類推可得表3之結果。並且得選擇不同的資料特徵屬性進行分群分析。
其中步驟S203之依特徵屬性值進行分群,並設定初始群集。依選定之特徵屬性的值進行初始群集設定,得令每個屬性值之資料集合為一群集,並依此將資料分為複數個群集,以及得分別計算每個群集的群中心。以選擇週次和星期之資料特徵屬性後之第5站到第6站旅行時間
紀錄為例,將以每個資料特徵屬性值作為初始群集,例如:星期一為第1群C 1={null,null,13.33,14.20,...,16.70}、星期二為第2群C 2={4.90,null,null,..,4.77}、…、星期六為第5群C 5={null,null,3.92,...,null},每個群集得表示為公式(1),其中共有n個群集(在此例中n為5),每個群集資料數共m筆(在此例中m為30)。
C i ={c i,1,c i,2,c i,3,...,c i,m } 公式(1)
另以選擇週次和相對溼度區間之資料特徵屬性並分析第5站到第6站的旅行時間為例,並以每個資料特徵屬性值作為初始群集,即一個相對溼度區間為一群。並由於同一週具有相同相對溼度區間的資料為複數筆,因此對複數筆的旅行時間紀錄進行平均計算,以取得群中心,如表4所示。
例如:第1週中相對潍度區間為8的共有2014/04/01和2014/04/03兩天,其第5站到第6站的旅行時間分別為4.90分鐘和15.74分鐘,故第1週相對溼度區間8的旅行時間為10.32分鐘,並依此可得每個群集的群中心。在此實施例中,選擇週次和相對溼度區間之資料特徵屬性
共可分為四群,分別為相對溼度區間6為第1群、相對溼度區間7為第2群、相對溼度區間8為第3群、相對溼度區間9為第4群。
步驟S204之計算群間的相依性,計算每個群集與其他群集間資料集合的相依性。在此實施例中將運用公式(2)計算第i群C i 和第j群C j 的群間卡方值x i,j ,並用公式(3)計算資料筆數,且在計算相依性上得運用公式(4)以卡方分佈累加機率密度函數來進行分析,再運用公式(5)計算群間相依性s i,j 。以2014/04/01~2014/10/23期間選擇週次和星期之資料特徵屬性後的第5站到第6站旅行時間紀錄為例,第1群C 1(星期一群集)和第2群C 2(星期二群集)的群間卡方值x 1,2為637.77,資料筆數k i,j 為18,運用公式(4)和公式(5)計算其群間相依性s 1,2為0%,依此類推可得兩兩群間之相依性,如表5所示。
s i,j =1-F(x i,j ;k i,j -1) 公式(5)
其中步驟S205,將相依性高的群集進行合併,並計算合併後群集中心:判斷群集間的相依性高於設定之相依性門檻值時,得優先以相依性高之群集進行合併,並且在群集合併後計算合併後群集的群中心。以選擇週次和相對溼度區間之資料特徵屬性的群間相依性為例,由於第2群和第4群的相依性最高為99.47%,且高於相依性門檻值90%,故第2群和第4群優先合併,並得在合併時採用公式(6)計算群中心,合併後結果如表6所示。
其中步驟S206,確認是否有群集未計算,並重覆計算至無群集可合併:將計算每個群集其(1)群間的相依性、(2)將相依性高的群集進行合併,並計算合併後群集中心;直到沒有群集可以合併時再停止。以選擇週次和相對溼度區間之資料特徵屬性的群間相依性為例,在第2群(星期二)和第4群(星期五)合併後,重新計算群間相依性,結果如表7所示。並且由於第1群(星期一)和第3群(星期四)的相依性為92.84%,並高於相依性門檻值90%,故將第1群和第3群合併。
完成第1群(星期一)和第3群(星期四)合併後,將進行再重
新計算群間相依性,並由於已無群間之相依性高於相依性門檻值90%,則完成選擇此資料特徵屬性下的分群。
其中步驟S207,確認是否有特徵屬性未計算,並得令每個特徵屬性皆有被計算:將依群集合併後之資料集合以其他未被選取過之特徵屬性計算(1)選定特徵屬性;(2)依特徵屬性值進行分群,並設定初始群集;(3)計算群間的相依性;(4)將相依性高的群集進行合併,並計算合併後群集中心;(5)確認是否有群集未計算,並重覆計算至無群集可合併;得直到沒有特徵屬性可以被選取時再停止。以此實施例為例,在完成選擇週次和星期之資料特徵屬性分群後,得判斷是否有其他特徵屬性可進行分群。並由資料中可觀察到得選擇週次和相對溼度區間之資料特徵進行分群(如表4所示),並計算選擇此資料特徵屬性下分群的群間相依性,可得表8。並由於在選擇週次和相對溼度區間之資料特徵屬性下,群間相依性皆無高於相依性門檻值90%,故不進行群集合併。
運用資料特徵選擇和資料分群系統與方法可將資料進行分群,並可取得相依性高的資料特徵屬性,以此實施例為例,選擇資料特徵
屬性‘星期’將比選擇資料特徵屬性‘相對溼度區間’更合適作為資料分群參考屬性。
綜上可見,本發明在突破先前之技術下,確實已達到所欲增進之功效,且也非熟悉該項技藝者所易於思及,其所具之進步性、實用性,顯已符合專利之申請要件,爰依法提出專利申請,懇請 貴局核准本件發明專利申請案,以勵創作,至感德便。
以上所述僅為舉例性,而非為限制性者。其它任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應該包含於後附之申請專利範圍中。
S201~S207‧‧‧步驟流程
Claims (8)
- 一種車輛旅行時間之資料特徵選擇和資料分群方法,步驟包含:透過資料平台伺服器取得在不同時段上車輛每次到達一站與另一站所相隔的時間;設定複數個資料群集合併之一相依性門檻值,當各該資料群集間相依性高於該相依性門檻值時,則將各該資料群集進行合併至該資料平台伺服器;透過感測模組所收集關聯於該車輛旅行之環境資訊的複數個感測資料中隨機選擇各該感測資料並依設定之特徵屬性與不同時段上該車輛到達該站與該另一站相隔的時間進行各該資料群集的分群並回報該資料平台伺服器;透過該資料平台伺服器將同特徵屬性之各該感測資料集合,產生各該資料群集並分別計算各該資料群集的群中心及計算各該資料群集與其各該資料群集間的相依性;當各該資料群集與其各該資料群集間的相依性高於該相依性門檻值時,依序以相依性高之各該資料群集進行合併直至當各該資料群集與其各該資料群集間的相依性皆低於該相依性門檻值時停止,並且合併後依據由該資料平台伺服器計算合併後之資料群集的群中心以重新計算各群間相依性;以及依據不同的群組相依性程度預測該車輛到站的時間。
- 如申請專利範圍第1項所述之車輛旅行時間之資料特徵選擇和資料分群方法,其中係藉由卡方分佈累加機率密度函數以計算各該資料群集與其各該資料群集間的相依性。
- 如申請專利範圍第1項所述之車輛旅行時間之資料特徵選擇和資料分 群方法,其中兩個群集合併後之資料群集的群中心的每個資料屬性計算步驟包含:如果該資料屬性於群集i有值,且該資料屬性於群集j無值,則合併後資料群集該資料屬性採用群集i該資料屬性的值;如果該資料屬性於群集i無值,且該資料屬性於群集j有值,則合併後資料群集該資料屬性採用該資料屬性群集j該資料屬性的值;如果該資料屬性於群集i有值,且該資料屬性於群集j有值,則合併後資料群集該資料屬性採用該資料屬性於群集i該資料屬性和群集j該資料屬性的平均值;以及如果該資料屬性於群集i無值,且該資料屬性於群集j無值,則設定合併後資料群集該資料屬性為空值。
- 一種車輛旅行時間之資料分群方法,步驟包含:透過資料平台伺服器取得在不同時段上車輛每次到達一站與另一站所相隔的時間及透過感測模組所收集關聯於該車輛旅行之環境資訊的複數個感測資料中;將同特徵屬性之各該感測資料集合,產生各該資料群集並分別計算各該資料群集的群中心;透過該資料平台伺服器計算各該資料群集與其各該資料群集間的相依性;當各該資料群集與其各該資料群集間的相依性高於該相依性門檻值時,依序以相依性高之各該資料群集進行合併,並且合併後計算合併後之資料群集的群中心;再次透過該資料平台伺服器計算各該資料群集與其各該資料群集間的相依性,並依序將相依性高於該相依性門檻值之各該資料群集進行合 併,當各該資料群集與其各該資料群集間的相依性皆低於該相依性門檻值時停止;以及依據不同的群組相依性程度預測該車輛到站的時間。
- 一種車輛旅行時間之資料特徵選擇和資料分群方法,步驟包含:得向資料平台伺服器或資料庫模組取得複數個感測資料和車輛旅行時間;設定複數個資料群集合併之一相依性門檻值,當各該資料群集間相依性高於該相依性門檻值時,則將各該資料群集進行合併;隨機選擇複數個感測資料並依設定之特徵屬性進行各該資料群集的分群;將同特徵屬性之各該感測資料集合,產生各該資料群集並分別計算各該資料群集的群中心;計算各該資料群集與其各該資料群集間的相依性;當各該資料群集與其各該資料群集間的相依性高於該相依性門檻值時,依序以相依性高之各該資料群集進行合併,並且合併後計算合併後之資料群集的群中心;再次計算各該資料群集與其各該資料群集間的相依性,並依序將相依性高於該相依性門檻值之各該資料群集進行合併,當各該資料群集與其各該資料群集間的相依性皆低於該相依性門檻值時停止;再次依設定之特徵屬性進行各該資料群集的分群,當各該感測資料無特徵屬性可以被選取時停止;以及得依資料特徵選擇和資料分群後的結果,不同群集的資料得分別建置旅行時間預測模型,並於各自的群集中分別進行旅行時間預測。
- 如申請專利範圍第5項所述之車輛旅行時間之資料特徵選擇和資料分 群方法,其中特徵屬性至少包含有週次、星期、相對溼度、旅行時間。
- 如申請專利範圍第5項所述之車輛旅行時間之資料特徵選擇和資料分群方法,其中係藉由卡方分佈累加機率密度函數已計算各該資料群集與其各該資料群集間的相依性。
- 如申請專利範圍第5項所述之車輛旅行時間之資料特徵選擇和資料分群方法,其中兩個群集合併後之資料群集的群中心的每個資料屬性計算步驟包含:如果該資料屬性於群集i有值,且該資料屬性於群集j無值,則合併後資料群集該資料屬性採用群集i該資料屬性的值;如果該資料屬性於群集i無值,且該資料屬性於群集j有值,則合併後資料群集該資料屬性採用該資料屬性群集j該資料屬性的值;如果該資料屬性於群集i有值,且該資料屬性於群集j有值,則合併後資料群集該資料屬性採用該資料屬性於群集i該資料屬性和群集j該資料屬性的平均值;以及如果該資料屬性於群集i無值,且該資料屬性於群集j無值,則設定合併後資料群集該資料屬性為空值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104144148A TWI607324B (zh) | 2015-12-29 | 2015-12-29 | Data feature selection and data grouping system and method for vehicle travel time |
CN201610231694.9A CN105913154A (zh) | 2015-12-29 | 2016-04-14 | 资料特征选择和资料分群***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104144148A TWI607324B (zh) | 2015-12-29 | 2015-12-29 | Data feature selection and data grouping system and method for vehicle travel time |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201723890A TW201723890A (zh) | 2017-07-01 |
TWI607324B true TWI607324B (zh) | 2017-12-01 |
Family
ID=56746775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW104144148A TWI607324B (zh) | 2015-12-29 | 2015-12-29 | Data feature selection and data grouping system and method for vehicle travel time |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105913154A (zh) |
TW (1) | TWI607324B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI651694B (zh) * | 2017-12-26 | 2019-02-21 | 中華電信股份有限公司 | 計算交通路線旅行時間之方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016334A1 (en) * | 2005-06-30 | 2007-01-18 | Smith Brian J | Method and system for transmitting and utilizing forecast meteorological data for irrigation controllers |
US20100049494A1 (en) * | 2008-08-15 | 2010-02-25 | Edsa Corporation | Method for predicting power usage effectiveness and data center infrastructure efficiency within a real-time monitoring system |
TWI367837B (zh) * | 2009-10-28 | 2012-07-11 | Chunghwa Telecom Co Ltd | |
TWI498553B (zh) * | 2012-03-01 | 2015-09-01 | Univ Nat Taipei Technology | 無線空氣品質監控系統及空氣品質預測方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7509235B2 (en) * | 2005-08-31 | 2009-03-24 | General Electric Company | Method and system for forecasting reliability of assets |
TWI525460B (zh) * | 2013-10-07 | 2016-03-11 | 財團法人資訊工業策進會 | 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品 |
-
2015
- 2015-12-29 TW TW104144148A patent/TWI607324B/zh active
-
2016
- 2016-04-14 CN CN201610231694.9A patent/CN105913154A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016334A1 (en) * | 2005-06-30 | 2007-01-18 | Smith Brian J | Method and system for transmitting and utilizing forecast meteorological data for irrigation controllers |
US20100049494A1 (en) * | 2008-08-15 | 2010-02-25 | Edsa Corporation | Method for predicting power usage effectiveness and data center infrastructure efficiency within a real-time monitoring system |
TWI367837B (zh) * | 2009-10-28 | 2012-07-11 | Chunghwa Telecom Co Ltd | |
TWI498553B (zh) * | 2012-03-01 | 2015-09-01 | Univ Nat Taipei Technology | 無線空氣品質監控系統及空氣品質預測方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105913154A (zh) | 2016-08-31 |
TW201723890A (zh) | 2017-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9368027B2 (en) | Traffic data simulator | |
JP4861154B2 (ja) | 情報サービス提供システム、対象行動推定装置、対象行動推定方法 | |
AU2017399007B2 (en) | Mobility gene for trajectory data | |
EP2976762B1 (en) | Vehicle arrival prediction | |
Yang et al. | Stochastic skyline route planning under time-varying uncertainty | |
US20190050624A1 (en) | PU Classifier For Detection of Travel Mode Associated with Computing Devices | |
CN108074415B (zh) | 一种基于用户行为的车辆目的地预测方法及*** | |
CN106933956B (zh) | 数据挖掘方法和装置 | |
US11638119B2 (en) | Neural network classifier for detection of travel mode associated with computing devices | |
US9154915B2 (en) | Apparatus and method for ascertaining the operating hours of a business | |
WO2020172954A1 (zh) | 一种基于定位数据的生活圈识别方法 | |
JP6594529B2 (ja) | 情報処理装置及び方法 | |
WO2018150228A1 (en) | Mobility gene for visit data | |
Wepulanon et al. | A real-time bus arrival time information system using crowdsourced smartphone data: a novel framework and simulation experiments | |
US9671232B2 (en) | Grid-based arrival time prediction | |
WO2021084323A2 (en) | System and method for processing vehicle event data for low latency speed analysis of road segments | |
CN110459050B (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
TWI607324B (zh) | Data feature selection and data grouping system and method for vehicle travel time | |
Wang et al. | From data to knowledge to action: A taxi business intelligence system | |
CN113159416B (zh) | 一种公交单次刷卡下车站点的推算方法及智能终端 | |
Slik et al. | Transaction-driven mobility analysis for travel mode choices | |
CN111177294B (zh) | 基于车辆轨迹数据求解交叉口中介中心性的方法 | |
Chelliah | Taxi fare prediction system using key feature extraction in artificial intelligence | |
He et al. | Sampling method applied to the clustering of temporal patterns of public transit smart card users | |
Jeon et al. | Big data processing for prediction of traffic time based on vertical data arrangement |