[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115577306B - 基于自适应密度聚类的共享单车出行潮汐区域探测方法 - Google Patents

基于自适应密度聚类的共享单车出行潮汐区域探测方法 Download PDF

Info

Publication number
CN115577306B
CN115577306B CN202211562330.0A CN202211562330A CN115577306B CN 115577306 B CN115577306 B CN 115577306B CN 202211562330 A CN202211562330 A CN 202211562330A CN 115577306 B CN115577306 B CN 115577306B
Authority
CN
China
Prior art keywords
neighborhood
space
points
density
area
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
Application number
CN202211562330.0A
Other languages
English (en)
Other versions
CN115577306A (zh
Inventor
石岩
王达
汪晓龙
陈炳蓉
邓敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202211562330.0A priority Critical patent/CN115577306B/zh
Publication of CN115577306A publication Critical patent/CN115577306A/zh
Application granted granted Critical
Publication of CN115577306B publication Critical patent/CN115577306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例中提供了一种基于自适应密度聚类的共享单车出行潮汐区域探测方法，属于计算技术领域，具体包括：步骤1，对目标区域内共享单车出行订单产生的轨迹点进行数据清洗后提取共享单车的潜在借还区域；步骤2，设计核密度估计函数构建轨迹点空间密度场，通过度量空间密度场的不稳定性自适应地构建轨迹点空间邻域，并据此构建空间密度显著性检验函数提取空间密集邻域；步骤3，根据空间密集邻域和轨迹点密度特征显著性检验自适应识别轨迹点潮汐邻域并基于密度可达扩展提取共享单车出行潮汐区域。通过本发明的方案，对共享单车起止点聚集区域自适应识别，以使得共享单车出行潮汐区域自适应判别与提取，提高了探测过程的适应性和精准度。

Description

基于自适应密度聚类的共享单车出行潮汐区域探测方法
技术领域
本发明实施例涉及计算技术领域，尤其涉及一种基于自适应密度聚类的共享单车出行潮汐区域探测方法。
背景技术
当前共享单车潮汐区域探测方法主要分为基于空间单元特征度量和基于空间轨迹聚类探测两种。其中，基于空间单元特征度量的方法依赖电子围栏或空间网格等硬性空间划分，通过设置参数阈值提取净流量或留存密度过大的空间单元。然而由于空间定位设备自身误差和停车落锁系统容差，共享单车并不总是严格地停放在电子围栏范围内，因此，空间单元划分极易低估共享单车潮汐范围和失衡程度。同时空间单元特征阈值设置依赖于专家经验知识，极大限制了此类方法的结果可靠性和模型迁移性。基于空间轨迹聚类探测的方法避免了空间单元划分问题，通过共享单车起止定位点聚类直接反映真实的单车借还聚集区域。然而，现有这类方法聚类过程中割裂了共享单车起止定位点的分布特征，对于潮汐区域的判别仍未摆脱人工设置阈值方式，极易将共享单车流动量大而借还动态均衡的区域错误地识别为潮汐区域。
可见，亟需一种充分顾及出行空间特征和共享单车轨迹特征的基于自适应密度聚类的共享单车出行潮汐区域探测方法。
发明内容
有鉴于此，本发明实施例提供一种基于自适应密度聚类的共享单车出行潮汐区域探测方法，至少部分解决现有技术中存在适应性和精准度较差的问题。
本发明实施例提供了一种基于自适应密度聚类的共享单车出行潮汐区域探测方法，包括：
步骤1，对目标区域内共享单车出行订单产生的轨迹点进行数据清洗后提取共享单车的潜在借还区域；
步骤2，设计核密度估计函数构建轨迹点空间密度场，通过度量空间密度场的不稳定性自适应地构建轨迹点空间邻域，并据此构建空间密度显著性检验函数提取空间密集邻域；
步骤3，根据空间密集邻域和轨迹点密度特征显著性检验自适应识别轨迹点潮汐邻域并基于密度可达扩展提取共享单车出行潮汐区域。
根据本发明实施例的一种具体实现方式，所述步骤1具体包括：
步骤1.1，删除目标区域范围外、水系和建筑物内的轨迹数据；
步骤1.2，删除时间戳格式异常的轨迹数据，将每辆共享单车订单轨迹点分别按时间戳升序排列，对于开关锁状态连续的异常情况仅保留一条记录；
步骤1.3，对于位置坐标重复的同一辆共享单车轨迹点，仅保留时间戳最早的一条记录；
步骤1.4，删除轨迹点时间戳间隔在预设范围之外的一对轨迹点；
步骤1.5，将每条轨迹点按预设半径生成空间缓冲区，将所有轨迹点生成的空间缓冲区叠置合并构建单车潜在借还区域。
根据本发明实施例的一种具体实现方式，所述步骤2具体包括：
步骤2.1，设计核密度估计函数，并给定单车潜在借还区域内任一轨迹点得到其空间位置处的核密度相对值近似表达式作为轨迹点空间密度场；
步骤2.2，根据利用熵函数度量轨迹点空间密度场所有轨迹点所在位置的空间核密度不稳定性，构建轨迹点空间邻域；
步骤2.3，在空间随机分布假设下，计算任一空间邻域内出现k个其他轨迹点的理论概率分布，并给定任一轨迹点及其对应的空间邻域并计算概率分布值，将概率分布值大于显著性水平值的空间邻域作为空间密集邻域。
根据本发明实施例的一种具体实现方式，所述核密度相对值近似表达式为
Figure 391613DEST_PATH_IMAGE001
，式中，
Figure 715278DEST_PATH_IMAGE002
表示点
Figure 26174DEST_PATH_IMAGE003
和点
Figure 359066DEST_PATH_IMAGE004
间的欧氏空间距离，
Figure 78498DEST_PATH_IMAGE004
表示研究区域内所有满足
Figure 432119DEST_PATH_IMAGE005
的轨迹点，h表示核密度函数带宽；
所述熵函数的表达式为
Figure 636836DEST_PATH_IMAGE006
Figure 101315DEST_PATH_IMAGE007
，式中，N表示目标区域内所有轨迹点数量；
所述任一空间邻域内出现k个其他轨迹点的理论概率分布的表达式为
Figure 379981DEST_PATH_IMAGE008
Figure 481667DEST_PATH_IMAGE009
，式中，N表示研究区域内所有OD点数量，Area()表示面积计算函数，SN和ODA分别表示任一轨迹点空间邻域和单车潜在借还区域；
所述概率分布值的表达式为
Figure 908100DEST_PATH_IMAGE010
式中，
Figure 910691DEST_PATH_IMAGE011
表示点
Figure 807978DEST_PATH_IMAGE003
空间邻域
Figure 503401DEST_PATH_IMAGE012
内其他轨迹点的数量。
根据本发明实施例的一种具体实现方式，所述步骤2.2具体包括：
利用熵函数度量研究区域内所有轨迹点所在位置的空间核密度不稳定性，给定
Figure 682710DEST_PATH_IMAGE013
取值范围
Figure 629937DEST_PATH_IMAGE014
和步长
Figure 804567DEST_PATH_IMAGE015
，迭代计算
Figure 811837DEST_PATH_IMAGE016
，将
Figure 717257DEST_PATH_IMAGE016
最小值对应的
Figure 327230DEST_PATH_IMAGE013
设置为目标区域轨迹点的空间邻域长度；
以任一轨迹点为圆心、空间邻域长度为半径构建轨迹点空间邻域。
根据本发明实施例的一种具体实现方式，所述步骤3具体包括：
步骤3.1，计算任一个空间密集邻域内出现k个共享单车出行起点的理论概率；
步骤3.2，根据步骤3.1的计算结果计算任一轨迹点对应的空间密集邻域成为目标区域内空间潮汐源邻域的概率值，并将概率值大于显著性水平值的空间密集邻域作为空间潮汐源邻域，将概率值小于显著性水平值的空间密集邻域作为空间潮汐汇邻域；
步骤3.3，以任一空间潮汐源邻域
Figure 497311DEST_PATH_IMAGE017
为种子点，定义
Figure 941062DEST_PATH_IMAGE017
内其他起点
Figure 422859DEST_PATH_IMAGE018
与
Figure 243047DEST_PATH_IMAGE003
密度可达，将所有与
Figure 766170DEST_PATH_IMAGE003
密度可达点聚合为空间潮汐源区域
Figure 974298DEST_PATH_IMAGE019
，对于
Figure 349915DEST_PATH_IMAGE019
内满足空间潮汐源邻域判别的其他点
Figure 442636DEST_PATH_IMAGE018
，继续执行聚合操作更新
Figure 180785DEST_PATH_IMAGE019
，直到
Figure 231918DEST_PATH_IMAGE019
内所有满足空间潮汐源邻域判别的其他点全部访问完毕，重新选取目标区域内未被访问的其他空间潮汐源邻域重复上述过程，最终得到目标区域内提取的全部空间潮汐源区域表示为
Figure 327787DEST_PATH_IMAGE020
；
步骤3.4，以任一空间潮汐汇邻域
Figure 817675DEST_PATH_IMAGE021
为种子点，定义
Figure 816855DEST_PATH_IMAGE021
内其他终点
Figure 773309DEST_PATH_IMAGE018
与
Figure 592361DEST_PATH_IMAGE003
密度可达，将所有与
Figure 417097DEST_PATH_IMAGE003
密度可达点聚合为空间潮汐汇区域
Figure 769319DEST_PATH_IMAGE022
，对于
Figure 224571DEST_PATH_IMAGE022
内满足空间潮汐汇邻域判别的其他点
Figure 62077DEST_PATH_IMAGE018
，继续执行聚合操作更新
Figure 300292DEST_PATH_IMAGE022
，直到
Figure 867539DEST_PATH_IMAGE022
内所有满足空间潮汐汇邻域判别的其他点全部访问完毕,重新选取目标区域内未被访问的其他空间潮汐汇邻域重复上述过程，最终得到目标区域内提取的全部空间潮汐汇区域表示为
Figure 900217DEST_PATH_IMAGE023
，目标区域内提取的全部空间潮汐区域表示为潮汐源区域和潮汐汇区域的并集
Figure 209974DEST_PATH_IMAGE024
。
根据本发明实施例的一种具体实现方式，所述任一个空间密集邻域内出现k个共享单车出行起点的理论概率的表达式为
Figure 376513DEST_PATH_IMAGE025
式中，
Figure 939213DEST_PATH_IMAGE026
表示空间密集邻域内起点数量，
Figure 142792DEST_PATH_IMAGE027
表示空间密集邻域内轨迹点总数量，p表示目标区域内出行起点比例;
所述概率值的表达式为
Figure 689311DEST_PATH_IMAGE028
式中，
Figure 659541DEST_PATH_IMAGE029
表示
Figure 309703DEST_PATH_IMAGE030
内起点数量，
Figure 215342DEST_PATH_IMAGE031
表示
Figure 108212DEST_PATH_IMAGE032
内轨迹点总数量。
本发明实施例中的基于自适应密度聚类的共享单车出行潮汐区域探测方案，包括：步骤1，对目标区域内共享单车出行订单产生的轨迹点进行数据清洗后提取共享单车的潜在借还区域；步骤2，设计核密度估计函数构建轨迹点空间密度场，通过度量空间密度场的不稳定性自适应地构建轨迹点空间邻域，并据此构建空间密度显著性检验函数提取空间密集邻域；步骤3，根据空间密集邻域和轨迹点密度特征显著性检验自适应识别轨迹点潮汐邻域并基于密度可达扩展提取共享单车出行潮汐区域。
本发明实施例的有益效果为：通过本发明的方案，充分顾及出行空间特征和共享单车轨迹特征，对共享单车起止点聚集区域自适应识别，以使得共享单车出行潮汐区域自适应判别与提取，提高了探测过程的适应性和精准度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于自适应密度聚类的共享单车出行潮汐区域探测方法的流程示意图；
图2为本发明实施例提供的一种基于自适应密度聚类的共享单车出行潮汐区域探测方法的具体实施流程示意图；
图3为本发明实施例提供的一种以某地作为目标区域示意图；
图4为本发明实施例提供的一种潮汐区域整体探测结果示意图；
图5为本发明实施例提供的一种某地区地铁站周边潮汐区域探测结果示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。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。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本发明实施例提供一种基于自适应密度聚类的共享单车出行潮汐区域探测方法，所述方法可以应用于城市交通规划场景的公共交通优化过程中。
参见图1，为本发明实施例提供的一种基于自适应密度聚类的共享单车出行潮汐区域探测方法的流程示意图。如图1和图2所示，所述方法主要包括以下步骤：
步骤1，对目标区域内共享单车出行订单产生的轨迹点进行数据清洗后提取共享单车的潜在借还区域；
进一步的，所述步骤1具体包括：
步骤1.1，删除目标区域范围外、水系和建筑物内的轨迹数据；
步骤1.2，删除时间戳格式异常的轨迹数据，将每辆共享单车订单轨迹点分别按时间戳升序排列，对于开关锁状态连续的异常情况仅保留一条记录；
步骤1.3，对于位置坐标重复的同一辆共享单车轨迹点，仅保留时间戳最早的一条记录；
步骤1.4，删除轨迹点时间戳间隔在预设范围之外的一对轨迹点；
步骤1.5，将每条轨迹点按预设半径生成空间缓冲区，将所有轨迹点生成的空间缓冲区叠置合并构建单车潜在借还区域。
具体实施时，对共享单车出行订单产生的OD点（即轨迹点）轨迹进行数据清洗和单车潜在借还区域提取。具体包括：
1.1 数据清洗
首先，删除研究区域范围外、水系和建筑物内的轨迹数据。然后，删除时间戳格式异常的轨迹数据。进一步，将每辆共享单车订单OD点分别按时间戳升序排列，对于开关锁状态连续的异常情况仅保留一条记录，同时，对于位置坐标重复的同一辆共享单车轨迹点，仅保留时间戳最早的一条记录。最后，删除OD点时间戳间隔小于1分钟或大于1小时的一对OD点。
1.2 单车潜在借还区域提取
将每条OD点按50米半径生成空间缓冲区，将所有OD点生成的空间缓冲区叠置合并构建单车潜在借还区域ODA，进一步精细约束单车可能借还的所有空间范围。
步骤2，设计核密度估计函数构建轨迹点空间密度场，通过度量空间密度场的不稳定性自适应地构建轨迹点空间邻域，并据此构建空间密度显著性检验函数提取空间密集邻域；
在上述实施例的基础上，所述步骤2具体包括：
步骤2.1，设计核密度估计函数，并给定单车潜在借还区域内任一轨迹点得到其空间位置处的核密度相对值近似表达式作为轨迹点空间密度场；
步骤2.2，根据利用熵函数度量轨迹点空间密度场所有轨迹点所在位置的空间核密度不稳定性，构建轨迹点空间邻域；
步骤2.3，在空间随机分布假设下，计算任一空间邻域内出现k个其他轨迹点的理论概率分布，并给定任一轨迹点及其对应的空间邻域并计算概率分布值，将概率分布值大于显著性水平值的空间邻域作为空间密集邻域。
可选的，所述核密度相对值近似表达式为
Figure 226341DEST_PATH_IMAGE033
，式中，
Figure 763632DEST_PATH_IMAGE034
表示点
Figure 699227DEST_PATH_IMAGE035
和点
Figure 187715DEST_PATH_IMAGE036
间的欧氏空间距离，
Figure 109535DEST_PATH_IMAGE036
表示研究区域内所有满足
Figure 360388DEST_PATH_IMAGE037
的轨迹点，h表示核密度函数带宽；
所述熵函数的表达式为
Figure 342250DEST_PATH_IMAGE038
Figure 350657DEST_PATH_IMAGE039
，式中，N表示目标区域内所有轨迹点数量；
所述任一空间邻域内出现k个其他轨迹点的理论概率分布的表达式为
Figure 669643DEST_PATH_IMAGE040
Figure 680062DEST_PATH_IMAGE041
，式中，N表示研究区域内所有OD点数量，Area()表示面积计算函数，SN和ODA分别表示任一轨迹点空间邻域和单车潜在借还区域；
所述概率分布值的表达式为
Figure 691881DEST_PATH_IMAGE042
式中，
Figure 656426DEST_PATH_IMAGE043
表示点
Figure 185627DEST_PATH_IMAGE035
空间邻域
Figure 411072DEST_PATH_IMAGE044
内其他轨迹点的数量。
进一步的，所述步骤2.2具体包括：
利用熵函数度量研究区域内所有轨迹点所在位置的空间核密度不稳定性，给定
Figure 734737DEST_PATH_IMAGE045
取值范围
Figure 222131DEST_PATH_IMAGE046
和步长
Figure 882920DEST_PATH_IMAGE047
，迭代计算
Figure 103816DEST_PATH_IMAGE048
，将
Figure 457437DEST_PATH_IMAGE048
最小值对应的
Figure 662154DEST_PATH_IMAGE045
设置为目标区域轨迹点的空间邻域长度；
以任一轨迹点为圆心、空间邻域长度为半径构建轨迹点空间邻域。
具体实施时，本发明采用一种自适应密度检验的方法识别OD点密集聚集邻域作为共享单车出行潮汐探测的候选子区域，首先设计核密度估计函数构建OD点空间密度场，然后通过度量空间密度的不稳定性自适应地构建OD点空间邻域，进一步构建空间密度显著性检验函数提取OD点密集邻域。具体包括：
2.1，OD点空间邻域构建
给定任一轨迹点p i ，其空间位置处的核密度相对值近似表达为：
Figure 126633DEST_PATH_IMAGE049
式中，
Figure 202037DEST_PATH_IMAGE050
表示点
Figure 897198DEST_PATH_IMAGE051
和点
Figure 917106DEST_PATH_IMAGE052
间的欧氏空间距离，
Figure 326222DEST_PATH_IMAGE052
表示研究区域内所有满足
Figure 521711DEST_PATH_IMAGE053
的轨迹点，h表示核密度函数带宽。在此基础上，利用熵函数度量研究区域内所有OD点所在位置的空间核密度不稳定性：
Figure 482714DEST_PATH_IMAGE054
式中，N表示研究区域内所有OD点数量。给定
Figure 130864DEST_PATH_IMAGE055
宽松的取值范围
Figure 937146DEST_PATH_IMAGE056
和步长
Figure 16835DEST_PATH_IMAGE057
，迭代计算
Figure 24106DEST_PATH_IMAGE058
，将
Figure 18606DEST_PATH_IMAGE058
最小值对应的
Figure 769525DEST_PATH_IMAGE055
设置为研究区域轨迹点空间邻域eps。基于此，以任一轨迹点
Figure 205185DEST_PATH_IMAGE051
为圆心、eps的长度为半径构建的圆形空间区域表示
Figure 976832DEST_PATH_IMAGE051
的空间邻域，记为
Figure 363689DEST_PATH_IMAGE059
。
2.2，OD点密集邻域识别
在空间随机分布假设下，任一空间邻域SN内出现k个其他OD点的理论概率为泊松分布密度函数：
Figure 511774DEST_PATH_IMAGE060
Figure 801941DEST_PATH_IMAGE061
式中，N表示研究区域内所有OD点数量；Area()表示面积计算函数；SN和ODA分别表示任一轨迹点空间邻域和单车潜在借还区域。给定任一OD点pi及其空间邻域
Figure 416593DEST_PATH_IMAGE059
，
Figure 120107DEST_PATH_IMAGE059
成为研究区域内空间密集邻域的概率计算为泊松分布的概率分布函数：
Figure 478407DEST_PATH_IMAGE062
式中，
Figure 584598DEST_PATH_IMAGE063
表示点
Figure 370151DEST_PATH_IMAGE051
空间邻域
Figure 92119DEST_PATH_IMAGE064
内其他OD点的数量。若
Figure 457373DEST_PATH_IMAGE065
大于给定具有统计意义的显著性水平α（如0.95），则
Figure 722132DEST_PATH_IMAGE059
标记为空间密集邻域
Figure 272062DEST_PATH_IMAGE066
。
步骤3，根据空间密集邻域和轨迹点密度特征显著性检验自适应识别轨迹点潮汐邻域并基于密度可达扩展提取共享单车出行潮汐区域。
在上述实施例的基础上，所述步骤3具体包括：
步骤3.1，计算任一个空间密集邻域内出现k个共享单车出行起点的理论概率；
步骤3.2，根据步骤3.1的计算结果计算任一轨迹点对应的空间密集邻域成为目标区域内空间潮汐源邻域的概率值，并将概率值大于显著性水平值的空间密集邻域作为空间潮汐源邻域，将概率值小于显著性水平值的空间密集邻域作为空间潮汐汇邻域；
步骤3.3，以任一空间潮汐源邻域
Figure 855228DEST_PATH_IMAGE067
为种子点，定义
Figure 414385DEST_PATH_IMAGE068
内其他起点
Figure 2492DEST_PATH_IMAGE069
与
Figure 129848DEST_PATH_IMAGE051
密度可达，将所有与
Figure 826409DEST_PATH_IMAGE051
密度可达点聚合为空间潮汐源区域
Figure 799044DEST_PATH_IMAGE070
，对于
Figure 5772DEST_PATH_IMAGE070
内满足空间潮汐源邻域判别的其他点
Figure 897505DEST_PATH_IMAGE069
，继续执行聚合操作更新
Figure 222307DEST_PATH_IMAGE070
，直到
Figure 998633DEST_PATH_IMAGE070
内所有满足空间潮汐源邻域判别的其他点全部访问完毕,重新选取目标区域内未被访问的其他空间潮汐源邻域重复上述过程，最终得到目标区域内提取的全部空间潮汐源区域表示为
Figure 420387DEST_PATH_IMAGE071
；
步骤3.4，以任一空间潮汐汇邻域
Figure 325764DEST_PATH_IMAGE072
为种子点，定义
Figure 465758DEST_PATH_IMAGE072
内其他终点
Figure 576934DEST_PATH_IMAGE069
与
Figure 259719DEST_PATH_IMAGE051
密度可达，将所有与
Figure 899779DEST_PATH_IMAGE051
密度可达点聚合为空间潮汐汇区域
Figure 527069DEST_PATH_IMAGE073
，对于
Figure 149593DEST_PATH_IMAGE073
内满足空间潮汐汇邻域判别的其他点
Figure 811518DEST_PATH_IMAGE069
，继续执行聚合操作更新
Figure 622479DEST_PATH_IMAGE073
，直到
Figure 878011DEST_PATH_IMAGE073
内所有满足空间潮汐汇邻域判别的其他点全部访问完毕，重新选取目标区域内未被访问的其他空间潮汐汇邻域重复上述过程，最终得到目标区域内提取的全部空间潮汐汇区域表示为
Figure 393306DEST_PATH_IMAGE074
，目标区域内提取的全部空间潮汐区域表示为潮汐源区域和潮汐汇区域的并集
Figure 316263DEST_PATH_IMAGE024
。
进一步的，所述任一个空间密集邻域内出现k个共享单车出行起点的理论概率的表达式为
Figure 796661DEST_PATH_IMAGE075
式中，
Figure 132964DEST_PATH_IMAGE076
表示空间密集邻域内起点数量,
Figure 124054DEST_PATH_IMAGE077
表示空间密集邻域内轨迹点总数量，p表示目标区域内出行起点比例;
所述概率值的表达式为
Figure 229413DEST_PATH_IMAGE079
式中，
Figure 647756DEST_PATH_IMAGE080
表示
Figure 612301DEST_PATH_IMAGE081
内起点数量，
Figure 734978DEST_PATH_IMAGE082
表示
Figure 865483DEST_PATH_IMAGE083
内轨迹点总数量。
具体实施时，在上述OD点密集聚集邻域识别基础上，本发明采用一种基于OD点密度特征聚类的方法探测共享单车出行潮汐区域，首先基于OD点密度特征显著性检验自适应地识别OD点潮汐邻域，然后基于密度可达扩展提取共享单车出行潮汐区域。具体包括：
3.1，OD点潮汐邻域识别
给定任一空间密集邻域SDN，SDN内出现k个单车出行起点的理论概率为二项分布密度函数：
Figure 657989DEST_PATH_IMAGE084
式中，
Figure 500043DEST_PATH_IMAGE085
表示
Figure 832936DEST_PATH_IMAGE086
内起点数量，
Figure 522674DEST_PATH_IMAGE087
表示空间密集邻域内轨迹点总数量，p表示目标区域内出行起点比例。给定任一OD点
Figure 407453DEST_PATH_IMAGE088
及其空间密集邻域
Figure 579547DEST_PATH_IMAGE089
，
Figure 184971DEST_PATH_IMAGE089
成为研究区域内空间潮汐源邻域的可能性计算为：
Figure 650588DEST_PATH_IMAGE091
式中，
Figure 316055DEST_PATH_IMAGE092
表示
Figure 476909DEST_PATH_IMAGE093
内起点数量，
Figure 276238DEST_PATH_IMAGE094
表示
Figure 722261DEST_PATH_IMAGE095
内轨迹点总数量。若
Figure 558630DEST_PATH_IMAGE096
大于给定具有统计意义的显著性水平α（如0.95），则
Figure 737939DEST_PATH_IMAGE097
标记为空间潮汐源邻域
Figure 544221DEST_PATH_IMAGE098
；若
Figure 594217DEST_PATH_IMAGE099
小于给定具有统计意义的显著性水平1-α，则
Figure 631180DEST_PATH_IMAGE100
标记为空间潮汐汇邻域
Figure 360102DEST_PATH_IMAGE101
。
3.2，OD点潮汐区域提取
以任一空间潮汐源邻域
Figure 642179DEST_PATH_IMAGE098
为种子点，定义
Figure 77839DEST_PATH_IMAGE098
内其他起点
Figure 833175DEST_PATH_IMAGE102
与
Figure 580551DEST_PATH_IMAGE103
密度可达，将所有与
Figure 400739DEST_PATH_IMAGE103
密度可达点聚合为空间潮汐源区域
Figure 923862DEST_PATH_IMAGE104
，对于
Figure 538514DEST_PATH_IMAGE104
内满足空间潮汐源邻域判别的其他点
Figure 648553DEST_PATH_IMAGE102
，继续执行聚合操作更新
Figure 865907DEST_PATH_IMAGE104
，直到
Figure 10581DEST_PATH_IMAGE104
内所有满足空间潮汐源邻域判别的其他点全部访问完毕,重新选取目标区域内未被访问的其他空间潮汐源邻域重复上述过程，最终得到目标区域内提取的全部空间潮汐源区域表示为
Figure 300529DEST_PATH_IMAGE105
。
同理，以任一空间潮汐汇邻域
Figure 163443DEST_PATH_IMAGE106
为种子点，定义
Figure 794275DEST_PATH_IMAGE106
内其他终点
Figure 918089DEST_PATH_IMAGE102
与
Figure 779604DEST_PATH_IMAGE103
密度可达，将所有与
Figure 864234DEST_PATH_IMAGE103
密度可达点聚合为空间潮汐汇区域
Figure 95495DEST_PATH_IMAGE107
，基于以上空间扩展策略，最终，研究区域内提取的全部空间潮汐汇区域表示为
Figure 214761DEST_PATH_IMAGE108
。研究区域内提取的全部空间潮汐区域表示为潮汐源区域和潮汐汇区域的并集
Figure 106232DEST_PATH_IMAGE024
。
本实施例提供的基于自适应密度聚类的共享单车出行潮汐区域探测方法，通过充分顾及出行空间特征和共享单车轨迹特征，对共享单车起止点聚集区域自适应识别，以使得共享单车出行潮汐区域自适应判别与提取，提高了探测过程的适应性和精准度。
下面将结合一个具体实施例对本方案进行说明，采用某市2020年12月21日共享单车OD点数据对本发明的具体实施过程进行说明：
（1）实施例中选择某市A区和B区构成目标区域，采用共享单车OD点数据，该数据时间为2020年12月21日上午6:00:00~10:00:00，轨迹数据与研究区域如图3所示。
（2）删除研究区域范围外和水系、建筑物内的轨迹数据；删除时间戳格式异常的轨迹数据；将每辆共享单车订单OD点分别按时间戳升序排列，对于开关锁状态连续的异常情况仅保留一条记录；对于位置坐标重复的同一个共享单车轨迹点，仅保留时间戳最早的一条记录；删除OD点时间戳间隔小于1分钟或大于1小时的一对OD点。
（3）将每条OD点按50米半径生成空间缓冲区，将所有OD点生成的空间缓冲区叠置合并构建单车潜在借还区域ODA，进一步精细约束单车可能借还的所有空间范围。
（4）OD点空间邻域构建。给定任一轨迹点
Figure 943738DEST_PATH_IMAGE103
，其空间位置处的核密度相对值近似表达为：
Figure 447531DEST_PATH_IMAGE109
式中，
Figure 421303DEST_PATH_IMAGE110
表示点
Figure 483675DEST_PATH_IMAGE103
和点
Figure 542898DEST_PATH_IMAGE102
间的欧氏空间距离，
Figure 850383DEST_PATH_IMAGE102
表示研究区域内所有满足
Figure 944241DEST_PATH_IMAGE111
的轨迹点，h表示核密度函数带宽。在此基础上，利用熵函数度量研究区域内所有OD点所在位置的空间核密度不稳定性：
Figure 171654DEST_PATH_IMAGE112
Figure 983752DEST_PATH_IMAGE113
式中，N表示研究区域内所有OD点数量。给定
Figure 563769DEST_PATH_IMAGE114
宽松的取值范围
Figure 777713DEST_PATH_IMAGE115
和步长
Figure 181887DEST_PATH_IMAGE116
，迭代计算
Figure 950123DEST_PATH_IMAGE117
，将
Figure 333831DEST_PATH_IMAGE117
最小值对应的
Figure 995757DEST_PATH_IMAGE114
设置为研究区域轨迹点空间邻域eps。基于此，以任一轨迹点
Figure 806718DEST_PATH_IMAGE103
为圆心、eps为半径构建的圆形空间区域表示
Figure 295206DEST_PATH_IMAGE103
的空间邻域，记为
Figure 341659DEST_PATH_IMAGE118
。其中，设置
Figure 999036DEST_PATH_IMAGE119
和
Figure 980899DEST_PATH_IMAGE120
分别为1 m、200m和1 m。
（5）OD点密集邻域识别。在空间随机分布假设下，任一空间邻域SN内出现k个其他OD点的理论概率为泊松分布密度函数：
Figure 317202DEST_PATH_IMAGE121
式中，N表示研究区域内所有OD点数量；Area()表示面积计算函数；SN和ODA分别表示任一轨迹点空间邻域和单车潜在借还区域。给定任一OD点p i 及其空间邻域
Figure 308292DEST_PATH_IMAGE122
，
Figure 413651DEST_PATH_IMAGE122
成为研究区域内空间密集邻域的概率计算为泊松分布的概率分布函数：
Figure 64950DEST_PATH_IMAGE123
式中，
Figure 29495DEST_PATH_IMAGE124
表示点p i 空间邻域
Figure 558697DEST_PATH_IMAGE125
内其他OD点的数量。若
Figure 456246DEST_PATH_IMAGE126
大于给定具有统计意义的显著性水平α，则
Figure 373386DEST_PATH_IMAGE125
标记为空间密集邻域
Figure 595201DEST_PATH_IMAGE127
。其中，设置α=0.95。
（6）OD点潮汐邻域识别。给定任一空间密集邻域SDN，SDN内出现k个单车出行起点的理论概率为二项分布密度函数：
Figure 662514DEST_PATH_IMAGE128
式中，
Figure 8045DEST_PATH_IMAGE129
表示
Figure 502611DEST_PATH_IMAGE130
内起点数量，
Figure 707327DEST_PATH_IMAGE131
表示空间密集邻域内轨迹点总数量，p表示目标区域内出行起点比例。给定任一OD点
Figure 76867DEST_PATH_IMAGE132
及其空间密集邻域
Figure 276904DEST_PATH_IMAGE133
，
Figure 207951DEST_PATH_IMAGE133
成为研究区域内空间潮汐源邻域的可能性计算为：
Figure 634384DEST_PATH_IMAGE135
式中，
Figure 902554DEST_PATH_IMAGE136
表示
Figure 363623DEST_PATH_IMAGE137
内起点数量，
Figure 698527DEST_PATH_IMAGE138
表示
Figure 471311DEST_PATH_IMAGE137
内轨迹点总数量。若
Figure 684117DEST_PATH_IMAGE139
大于给定具有统计意义的显著性水平α，则
Figure 734113DEST_PATH_IMAGE137
标记为空间潮汐源邻域
Figure 600438DEST_PATH_IMAGE140
；若
Figure 1463DEST_PATH_IMAGE141
小于给定具有统计意义的显著性水平1-α，则
Figure 516496DEST_PATH_IMAGE137
标记为空间潮汐汇邻域
Figure 14473DEST_PATH_IMAGE142
。其中，设置α=0.95。
（7）OD点潮汐区域提取。以任一空间潮汐源邻域
Figure 723803DEST_PATH_IMAGE143
为种子点，定义
Figure 346546DEST_PATH_IMAGE140
内其他起点
Figure 760210DEST_PATH_IMAGE144
与
Figure 784797DEST_PATH_IMAGE103
密度可达，将所有与
Figure 118825DEST_PATH_IMAGE103
密度可达点聚合为空间潮汐源区域
Figure 494443DEST_PATH_IMAGE145
，对于
Figure 587164DEST_PATH_IMAGE145
内满足空间潮汐源邻域判别的其他点
Figure 590892DEST_PATH_IMAGE144
，继续执行聚合操作更新
Figure 281505DEST_PATH_IMAGE145
，直到
Figure 144419DEST_PATH_IMAGE145
内所有满足空间潮汐源邻域判别的其他点全部访问完毕,重新选取目标区域内未被访问的其他空间潮汐源邻域重复上述过程，最终得到目标区域内提取的全部空间潮汐源区域表示为
Figure 306410DEST_PATH_IMAGE105
。
同理，以任一空间潮汐汇邻域
Figure 69704DEST_PATH_IMAGE142
为种子点，定义
Figure 963842DEST_PATH_IMAGE142
内其他终点
Figure 579631DEST_PATH_IMAGE144
与
Figure 715952DEST_PATH_IMAGE103
密度可达，将所有与
Figure 100797DEST_PATH_IMAGE103
密度可达点聚合为空间潮汐汇区域
Figure 493732DEST_PATH_IMAGE146
，基于以上空间扩展策略，如图4和图5所示，最终，研究区域内提取的全部空间潮汐汇区域表示为
Figure 101212DEST_PATH_IMAGE147
。研究区域内提取的全部空间潮汐区域表示为潮汐源区域和潮汐汇区域的并集
Figure 11530DEST_PATH_IMAGE024
。
由此可以看出，本发明的方法相比现有方案的优点在于：
（1）现有基于空间单元特征度量的方法需要进行空间单元划分，同时潮汐程度判断依赖人工经验设置，难以精细可靠地探测共享单车出行潮汐区域，本发明有效避免了空间划分操作，基于具有统计学意义的显著性检验自适应地提取共享单车出行潮汐现象的精细空间范围。
（2）现有基于空间轨迹聚类探测的方法忽略了共享单车起止定位点的分布特征，仍利用共享单车密度或留存量等特征设置阈值判别潮汐现象，难以真实体现现实城市空间中潮汐失衡程度，极易产生借还动态均衡区域的误判，本发明基于共享单车OD点真实空间分布和实际相对数量特征进行潮汐显著性检验，具有严密的数学与地理学可解释性，能够可靠、稳定地提取共享单车出行潮汐区域。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (3)

1.一种基于自适应密度聚类的共享单车出行潮汐区域探测方法，其特征在于，包括：
步骤1，对目标区域内共享单车出行订单产生的轨迹点进行数据清洗后提取共享单车的潜在借还区域；
步骤2，设计核密度估计函数构建轨迹点空间密度场，通过度量空间密度场的不稳定性自适应地构建轨迹点空间邻域，并据此构建空间密度显著性检验函数提取空间密集邻域；
所述步骤2具体包括：
步骤2.1，设计核密度估计函数，并给定单车潜在借还区域内任一轨迹点得到其空间位置处的核密度相对值近似表达式作为轨迹点空间密度场，其中，所述核密度相对值近似表达式为
Figure QLYQS_1
，式中，
Figure QLYQS_2
表示点
Figure QLYQS_3
和点
Figure QLYQS_4
间的欧氏空间距离，
Figure QLYQS_5
表示研究区域内所有满足
Figure QLYQS_6
的轨迹点，
Figure QLYQS_7
表示核密度函数带宽；
步骤2.2，利用熵函数度量轨迹点空间密度场所有轨迹点所在位置的空间核密度不稳定性，构建轨迹点空间邻域；
利用熵函数度量研究区域内所有轨迹点所在位置的空间核密度不稳定性，给定核密度函数带宽
Figure QLYQS_8
取值范围
Figure QLYQS_9
和步长
Figure QLYQS_10
，迭代计算熵函数
Figure QLYQS_11
，将
Figure QLYQS_12
最小值对应的
Figure QLYQS_13
设置为目标区域轨迹点的空间邻域长度；
以任一轨迹点为圆心、空间邻域长度为半径构建轨迹点空间邻域；
步骤2.3，在空间随机分布假设下，计算任一空间邻域内出现k个其他轨迹点的理论概率分布，给定任一轨迹点及其对应的空间邻域并计算该空间邻域是密集邻域的概率分布值，将概率分布值大于显著性水平值的空间邻域作为空间密集邻域；
步骤3，根据空间密集邻域和轨迹点密度特征显著性检验自适应识别轨迹点潮汐邻域并基于密度可达扩展提取共享单车出行潮汐区域；
所述步骤3具体包括：
步骤3.1，计算任一个空间密集邻域内出现k个共享单车出行起点的理论概率；其中，所述任一个空间密集邻域内出现k个共享单车出行起点的理论概率的表达式为
Figure QLYQS_14
式中，
Figure QLYQS_15
表示空间密集邻域内起点数量,
Figure QLYQS_16
表示空间密集邻域内轨迹点总数量，
Figure QLYQS_17
表示目标区域内出行起点比例；
步骤3.2，根据步骤3.1的计算结果计算任一轨迹点对应的空间密集邻域成为目标区域内空间潮汐源邻域的概率值，并将概率值大于显著性水平值的空间密集邻域作为空间潮汐源邻域，将概率值小于显著性水平值的空间密集邻域作为空间潮汐汇邻域；其中，任一轨迹点对应的空间密集邻域成为目标区域内空间潮汐源邻域的概率值的表达式为
Figure QLYQS_18
式中，
Figure QLYQS_19
表示
Figure QLYQS_20
内起点数量，
Figure QLYQS_21
表示
Figure QLYQS_22
内轨迹点总数量，
Figure QLYQS_23
表示点
Figure QLYQS_24
的空间密集邻域；
步骤3.3，以任一空间潮汐源邻域
Figure QLYQS_26
为种子点，定义
Figure QLYQS_29
内其他起点
Figure QLYQS_32
与
Figure QLYQS_27
密度可达，将所有与
Figure QLYQS_30
密度可达点聚合为空间潮汐源区域
Figure QLYQS_33
，对于
Figure QLYQS_34
内满足空间潮汐源邻域判别的其他点，继续执行聚合操作更新
Figure QLYQS_25
，直到
Figure QLYQS_28
内所有满足空间潮汐源邻域判别的其他点全部访问完毕，重新选取目标区域内未被访问的其他空间潮汐源邻域重复上述过程，最终得到目标区域内提取的全部空间潮汐源区域表示为
Figure QLYQS_31
；
步骤3.4，以任一空间潮汐汇邻域
Figure QLYQS_37
为种子点，定义
Figure QLYQS_40
内其他终点
Figure QLYQS_44
与
Figure QLYQS_38
密度可达，将所有与
Figure QLYQS_41
密度可达点聚合为空间潮汐汇区域
Figure QLYQS_43
，对于
Figure QLYQS_46
内满足空间潮汐汇邻域判别的其他点，继续执行聚合操作更新
Figure QLYQS_35
，直到
Figure QLYQS_39
内所有满足空间潮汐汇邻域判别的其他点全部访问完毕，重新选取目标区域内未被访问的其他空间潮汐汇邻域重复上述过程，最终得到目标区域内提取的全部空间潮汐汇区域表示为
Figure QLYQS_42
，目标区域内提取的全部空间潮汐区域表示为潮汐源区域和潮汐汇区域的并集
Figure QLYQS_45
Figure QLYQS_36
。
2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：
步骤1.1，删除目标区域范围外、水系和建筑物内的轨迹数据；
步骤1.2，删除时间戳格式异常的轨迹数据，将每辆共享单车订单轨迹点分别按时间戳升序排列，对于开关锁状态连续的异常情况仅保留一条记录；
步骤1.3，对于位置坐标重复的同一辆共享单车轨迹点，仅保留时间戳最早的一条记录；
步骤1.4，删除轨迹点时间戳间隔在预设范围之外的一对轨迹点；
步骤1.5，将每条轨迹点按预设半径生成空间缓冲区，将所有轨迹点生成的空间缓冲区叠置合并构建单车潜在借还区域。
3.根据权利要求2所述的方法，其特征在于,所述熵函数的表达式为
Figure QLYQS_47
Figure QLYQS_48
，式中，N表示目标区域内所有轨迹点数量；
所述任一空间邻域内出现k个其他轨迹点的理论概率分布的表达式为
Figure QLYQS_49
Figure QLYQS_50
，式中，N表示研究区域内所有OD点数量，OD点表示轨迹点，Area()表示面积计算函数，SN和ODA分别表示任一轨迹点空间邻域和单车潜在借还区域；
计算该空间邻域是密集邻域的的概率分布值的表达式为
Figure QLYQS_51
式中，
Figure QLYQS_52
表示点
Figure QLYQS_53
空间邻域
Figure QLYQS_54
内其他轨迹点的数量。
CN202211562330.0A 2022-12-07 2022-12-07 基于自适应密度聚类的共享单车出行潮汐区域探测方法 Active CN115577306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211562330.0A CN115577306B (zh) 2022-12-07 2022-12-07 基于自适应密度聚类的共享单车出行潮汐区域探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211562330.0A CN115577306B (zh) 2022-12-07 2022-12-07 基于自适应密度聚类的共享单车出行潮汐区域探测方法

Publications (2)

Publication Number Publication Date
CN115577306A CN115577306A (zh) 2023-01-06
CN115577306B true CN115577306B (zh) 2023-04-28

Family

ID=84590435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211562330.0A Active CN115577306B (zh) 2022-12-07 2022-12-07 基于自适应密度聚类的共享单车出行潮汐区域探测方法

Country Status (1)

Country Link
CN (1) CN115577306B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879016B (zh) * 2023-02-20 2023-05-16 中南大学 共享单车出行潮汐时段的预测方法
CN118365501B (zh) * 2024-06-17 2024-09-10 中南大学 基于平衡区域划分与奖励机制引导的共享单车再平衡方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107240277A (zh) * 2016-03-27 2017-10-10 深圳市以捷创新科技有限公司 智能电子警察的潮汐车道信号灯系统的驱动控制装置
JP7206583B2 (ja) * 2016-11-25 2023-01-18 株式会社リコー 情報処理装置、撮像装置、機器制御システム、移動体、情報処理方法およびプログラム
US10446022B2 (en) * 2017-06-09 2019-10-15 Here Global B.V. Reversible lane active direction detection based on GNSS probe data
CN107886202A (zh) * 2017-12-01 2018-04-06 南京熊猫电子股份有限公司 有效解决共享资源潮汐问题的方法及调度系统
CN109544191B (zh) * 2018-11-28 2020-11-13 淮北智行信息科技有限公司 共享车辆结算异常处理方法、车辆、系统、装置及服务器
CN112884327A (zh) * 2021-02-25 2021-06-01 湖南喜宝达信息科技有限公司 一种电单车潮汐调度方法、服务器系统、及可读存储介质
CN114495562A (zh) * 2021-12-30 2022-05-13 中兴智能交通股份有限公司 一种车场进出口潮汐控制系统及方法
CN114897656B (zh) * 2022-07-15 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 共享单车潮汐区域停车疏导方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN115577306A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN115577306B (zh) 基于自适应密度聚类的共享单车出行潮汐区域探测方法
CN103795613B (zh) 一种在线社交网络中朋友关系预测的方法
CN105744561B (zh) 多维度测量报告室内外分离方法
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN108171993B (zh) 一种基于手机信令大数据的高速公路车辆速度计算方法
CN116363601B (zh) 一种污染监测设备的数据采集与分析方法及系统
CN110399365A (zh) 地图缺失道路的确定方法、装置、存储介质及电子设备
CN113049963A (zh) 一种基于局部离群因子的锂电池组一致性检测方法及装置
CN106772695A (zh) 一种融合多测风站实测数据的铁路沿线风速预测方法
CN108805392B (zh) 一种基于轨迹数据集成人类出行行为的可达性评估方法
CN112559593A (zh) 一种基于标签聚类的本地化差分隐私保护方法
CN113984062A (zh) 一种基于机动性评估的地面车辆路径规划方法
Tang et al. A novel method for road intersection construction from vehicle trajectory data
CN112765229B (zh) 一种基于多层注意力机制的空气质量推断方法
CN115205086A (zh) 移动轨迹大数据驱动的异常轨迹检测方法、系统和电子设备
Hou et al. Automatic Extraction of Drainage Networks from DEMs Base on Heuristic Search.
CN115952410B (zh) 一种基于深度学习的滑坡灾害检测系统
CN111523223A (zh) 超长重现期极值风速的推算方法
CN115879016A (zh) 共享单车出行潮汐时段的预测方法
WO2022127573A1 (zh) 一种用户轨迹定位方法、电子设备及计算机存储介质
CN111709169B (zh) 基于条件传导概率的多点地质统计学随机模拟方法
CN115456040A (zh) 一种基于卷积神经网络的p波捡拾算法
CN110602635B (zh) 一种室内地图匹配增强定位方法、设备及存储设备
Yang et al. A novel algorithm with heuristic information for extracting drainage networks from raster DEMs

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