CN110298500B - 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 - Google Patents
一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 Download PDFInfo
- Publication number
- CN110298500B CN110298500B CN201910532080.8A CN201910532080A CN110298500B CN 110298500 B CN110298500 B CN 110298500B CN 201910532080 A CN201910532080 A CN 201910532080A CN 110298500 B CN110298500 B CN 110298500B
- Authority
- CN
- China
- Prior art keywords
- region
- area
- road
- data
- vehicle
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012795 verification Methods 0.000 claims abstract description 21
- 230000033001 locomotion Effects 0.000 claims abstract description 17
- 238000002360 preparation method Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000029305 taxis Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000007667 floating Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000000803 paradoxical effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法，属于交通运输领域。该模型由准备层、生成层和验证层组成，首次基于出租车数据和城市路网信息生成私家车的轨迹数据，同时提出一套完整的验证方法来对生成的数据集准确性进行验证。本发明提基于邻近道路分割法的城市功能区划分方法，将城市划分为不同的功能区。同时提出区域人口权重机会模型，可以更精确的刻画人口移动模式。为验证本发明的真实性和准确性，在验证层分别提出了基于宏观和微观角度的模型来验证验证模型生成的数据集的真实性和准确性。经过验证层的验证，本发明根据出租车GPS数据和城市车辆网络信息生成的私家车的轨迹数据，具有较高的真实性和准确性。
Description
技术领域
本发明属于交通运输领域，涉及交通大数据领域中基于浮动车辆轨迹数据生成社会车辆轨迹数据集的方法。
背景技术
物联网是新一代信息技术的重要组成部分，是信息时代发展的重要阶段。随着越来越多的车辆接入物联网(Internet of Things)，车联网(Internet of Vehicles)技术的普及和应用方兴未艾。人类移动轨迹数据是车联网中车辆通信的基础，能够反映时空环境下的个体移动模式和社会迁移规律。通过社会车辆(如私家车等)和浮动车辆(如出租车、公交车等)的轨迹数据，可以构建复杂多样的车辆社交网络(VSNs)。浮动汽车的轨迹数据集，可以轻易地从互联网上获得。然而，由于个人隐私的保护和一些相关的政府政策，一般的研究人员几乎不可能获得社会车辆的轨迹数据，这极大得阻碍了研究者的深入研究和相关领域的发展进步。
发明内容
本发明的目的主要针对现有数据集生成研究的不足之处，提出了一种三层的RDMP(Region Division and Mobility Pattern based Vehicle Trajectory DatasetGeneration Model)车辆轨迹数据集生成模型，该模型包含准备层、生成层和验证层，首次基于出租车数据和城市路网信息生成私家车的轨迹数据，同时提出一套完整的验证方法来对生成的数据集准确性进行验证。
本发明的技术方案：
一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法，所述的城市交通轨迹数据集生成方法是在三层的RDMP车辆轨迹数据集生成模型完成的，所述的三层的RDMP车辆轨迹数据集生成模型包括准备层、生成层和验证层步骤如下：
S1：在准备层中，对原始的出租车轨迹数据进行预处理，删除无用和异常数据；同时使用基于邻近道路分割法的城市功能区划分方法进行城市区域划分，并对城市路网进行构建，包括如下步骤：
S1.1：预处理：删除空车状态下的无用轨迹数据，清理由于设备精度和统计误差导致的荒谬数据，得到可用的出租车轨迹数据；
S1.2：基于邻近道路分割法，利用人类移动轨迹和POI兴趣点，将研究的城市划分为不同的区域，将所有车辆的出行转换为不同区域之间的流通，具体过程如下：
S1.2.1：使用无监督学习的DMR-based概率主题模型，把城市整体当作一个文档，把各区域所拥有的不同的功能当作主题，将区域间的移动模式当作单词，将POIs特征向量当作文档的元数据，第i种POIs在区域r中的频率密度vi，r计算公式为：
其中，Numi代表区域r中第i种类型的POIs的数量，Sr代表区域r的面积，区域r的POI特征向量记为xr＝(v1，r，v2，r，...，vi，r，...，vF，r，1)，代表区域r的元数据，其中F是r中POI的种类数，最后的向量1是默认特征；区域r的主题分布是K维向量θr＝(θr，1，θr，2，...，θr，e...，θr，K)，θr，e代表区域r中主题e所占的比例；
S1.2.2：使用k-means聚类算法，将S1.2.1中得到的主题分布进行聚类，每个旅行的起点和终点坐标信息输入到核密度估计KDE模型中，量化功能区域中的功能强度；设有n个区域，通过核密度估计模型KDE模型，利用核密度估计量来计算区域r的功能强度：
其中，di，r代表区域i到区域r的距离，R代表带宽，KF(·)代表高斯核函数；在进行完功能强度的估计之后，注释划分后的区域，来反映城市的实际功能，并定义区域r编号属性为Ka；
S1.2.3：区域聚类
使用邻近道路分割法，重要道路视为线段，网格看作节点，计算每个网格到道路的欧氏距离，并记录下每个网格距离最近的道路编号Kl，计算结束后对栅格化地图中的每个网格进行聚类，将Ka和Kl值均相同的节点当作一个集群；
重要道路的判断原则为：将城市地图栅格化，按照经纬度为0.001*0.001划分网格，将全天平均交通量十万辆以上的道路提取出当作重要道路。
S1.3：根据实际研究区域，对从Open Street Map网站下载的原始文件进行切割和分层，同时，手动修改真实世界中的道路出行限制，并更新最新的交通状况，对城市的道路网络进行构建；
S2：在生成层中：
S2.1：根据浮动车辆与社会车辆在不同功能区中的静态比例，计算出每个区域的社会车辆的数量，计算公式如下：
其中，SAi为区域i的私家车出行总数；SGj代表区域i中包含的每个网格j中的出租车数量，Ni表示区域i中所划分的网格数目，αi代表区域i内私家车和出租车的比例，SRw表示区域i内网格j中道路w中的出租车的数量，nj代表网格j中道路的数目；
S2.2：提出区域人口权重机会RPWO模型，计算社会车辆的起讫点OD矩阵，包括以下步骤：
S2.2.1：设一个终点区域j对起点区域i的吸引力，与以区域j的重心为圆心、以起点区域i的重心与终点区域j的重心的距离Rij为半径的圆形区域内的总人口数Qji成反比；
S2.2.2：对于重心为
的区域，计算方法如下：
其中，L表示该区域的网格数；xl和yl分别表示区域内网格的相对经度和相对纬度；
S2.2.3：根据起点和终点区域的重心，计算出对终点区域j对起点区域i的吸引力Aji，计算方法如下:
其中，Qji表示以Rij为半径、以终点区域j的重心为圆心的圆形区域内的私家车总数；Ns是圆中所包含的区域的个数，βr代表区域r处于圆形区域中的比例；区域r的总面积为Sr，区域r处于圆形区域中的面积为
Pr是区域r的私家车数目，Aji代表终点区域j相对于起点区域i的吸引力，oj代表终点区域j的私家车数目，M代表整个城市的私家车总数目；
S2.2.4：基于各个区域的吸引力，计算区域i到区域j的交通量:
其中，SAi为从区域i的私家车出行数目，由S2.1计算得到，n为城市中划分的区域数；
S2.3：结合OD矩阵利用SUMO仿真工具生成仿真轨迹数据，步骤如下：
S2.3.1：根据已划分的区域对城市道路进行分类；道路网络文件包含每条道路连接点的经纬度，使用经纬度来计算道路属于哪个区域，并在路网文件中写入每个区域中包含的道路ID；
S2.3.2：使用SUMO工具中的OD2TRIPS插件，导入O/D矩阵并将其分解为单个车辆行程，根据城市的具体情况和数据，输入S2.2生成的O/D矩阵、路网文件、区域内包含的道路列表，并设置生成时间段、各时间段的出行比例、生成车辆类型参数，生成一系列车辆行程信息的xml文件，每个行程信息包含车辆ID、出发时间、出发地ID和目的地ID；
S2.3.3：为了生成私家车辆的路径轨迹信息，使用SUMO工具中DUAROUTER插件，输入路网文件和OD2TRIPS生成的出行信息，设置仿真时间段、最短路径计算方法，生成模拟的车辆路径，包括车辆ID、出行时间、道路的通过情况，最后生成车辆出行轨迹信息；
S2.3.4：为生成指定的时间间隔内每秒生成车辆的信息，包括经纬度位置、行驶角度、瞬时速度、所在道路编号，使用SUMO工具中的Trace File Generation插件，在DUAROUTER函数中输入相应信息，同时编写相应的配置文件，将时间间隔设置为△t分钟，并生成不同时间段的车辆跟踪文件；
S3：在验证层中，分别从宏观和微观两方面设计验证模型，验证生成数据的准确性和真实性，包括以下步骤：
S3.1：在宏观模型中，将生成的轨迹数据，与实际交通状况进行分析对比，包括交通流量对比、出行范围对比、交通状况对比；
S3.2：在微观验证模型中，从加速度和相对距离的角度分析和评价生成数据的真实性，设计了一种定量检测轨迹数据的方法，步骤如下：
S3.2.1：加速度分析，验证所生成轨迹数据加速度及其梯度值Je[m/s3]的准确性，当结果精度在合理范围内，则证明生成的数据集具有较高的内在合理性，利用三个指标来进行加速度梯度分析：Je大于±3m/s3阈值的轨迹数据百分比、数据集中Je最大值、数据集中Je最小值；
S3.2.2：一致性分析，从车辆之间的距离来验证生成数据集的真实性，当数据集中存在异常小的距离间隔，则该数据集的准确性值得怀疑；
S3.2.3：车辆对之间的距离计算公式如下：
S3.2.4：设车辆在道路上总是沿直线行驶，直接从车辆地理坐标对应的投影坐标计算出车辆之间的距离:
当
至少在一瞬间下降到5m以下时，两车会发生碰撞，导致交通事故，因此，通过检测
时在总数据集中所占的比例，来验证数据集的准确性。
本发明的有益效果：本发明通过构建三层车辆轨迹数据集生成模型，实现了私家车移动轨迹数据的生成和验证。本发明将主要道路网络和出行轨迹数据相结合，提出了一种新的城市功能区划分方法。同时深入分析了城市车辆的流动模式，提出了区域间人口权重机会模型，考虑了不同城市功能区域之间的联系，很好的刻画出城市间的车辆迁移模式和规律。另外，本发明从宏观和微观两个角度构建了验证模型，验证了提出的数据集生成方法生成的私家车轨迹数据具有准确性和使用价值。本发明提供了私家车轨迹数据集生成的一种新方法，能够为车联网和交通研究工作提供强有力的数据支持。
附图说明
图1为本发明所提出的RDMP模型，该模型是三层车辆轨迹数据集生成模型，由准备层、生成层和验证层组成。
图2为我们提出的ARS区域划分方法。以北京为例，可以将城市划分为153个区域。
图3为本发明所生成的北京市五环内私家车数据与真实的数据相比，在主要道路上的交通量分布占比图。
图4是本发明所生成的北京市五环内私家车数据与真实的数据的出行时间占比图。其中，(a)是1点到12点的出行时间占比；(b)是13点到24点的出行时间占比。
图5是发明所生成的北京市五环内私家车数据与真实的数据的出行距离占比图。
图6是使用百度地图API导航服务生成的模拟路径与本发明所生成的数据集之间的对比。结果显示在出行路径为5km以内和5-10km时，两者分布基本相同。其中，(a)表示出行路径为5km以内，(b)表示表示出行路径为5-10km。
图7为真实数据集与生成数据集在加速度方面的对比。其中，(a)为真实数据集在7:00-7:15的车辆加速度分布图；(b)为真实数据集在7:15-7:30的车辆加速度分布图；(c)为生成数据集在7:00-7:15的车辆加速度分布图；(d)为生成数据集在7:15-7:30的车辆加速度分布图。
图8为真实数据集与生成数据集在相对距离方面的分布图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。
本发明实例使用了北京2012年11月份的出租车轨迹数据集(其中包含约2.7万辆出租车超过100亿的GPS记录)，提供了基于浮动车辆轨迹数据生成社会车辆轨迹数据集的方法。本发明的核心为三层的车辆轨迹数据集生成模型(RDMP)，其结构如图1所示。该模型由准备层、生成层和验证层组成，能够基于出租车GPS数据和城市车辆网络信息生成私家车的轨迹数据。该方法包括：
S1为本发明中RDMP模型的准备层的实施方案，在这一层中，我们首先对数据进行预处理，得到可用的出租车轨迹数据。通过准备层，为接下来的工作打下基础。
S1.1：数据集预处理。在实例中，我们使用了2012年11月中国北京的出租车轨迹数据，其中包含约2.7万辆出租车超过100亿的GPS记录。出租车的位置信息通过GPS装置以每11秒1次的频率更新。原始数据文件存储在以存储时间命名的文本文档中。出租车有两种出行模式，载客模式和空车模式。只有在载客模式下，出租车的行驶轨迹才能是有规律性的，可以与私家车有相似的出行模式。相反，在空车模式下，出租车只是漫无目的的行驶，这对我们的研究是没有意义的。因此，当出租车没有乘客时，我们删除了无用的轨迹数据。此外，由于设备精度和统计误差，一些数据明显是荒谬的。例如，有些旅程太长或太短，无法获得有价值的分析结果，这部分的错误数据也需要被清除。随后我们对精简后的数据进行处理，以获得每一次车辆行程。我们将相同的车辆ID提取到一个文件中，并按出行时间对它们进行排序。从而得到单辆出租车的行驶轨迹。值得一提的是，我们的研究重点是在北京五环内的车辆移动模式(
和
)。因此，我们剔除了经纬度不在五环范围内的车辆轨迹数据。
表1北京市主要交通干线上出租车和私家车的比例
S1.2：区域划分。我们将北京的区域进行划分，将车辆的出行简化为不同区域之间的出行。本发明提出的邻近道路分割法(ARS)是基于利用人的出行轨迹和POIs(地理兴趣点)，结合路网主要交通干线，进行区域划分，具体步骤如下：
S1.2.1：使用基于主题模型的方法来识别单个区域的功能，一个具有多个功能的区域，就像一个包含了多个主题的文档。把所要研究的城市整体当作一个文档，把各区域所拥有的不同的功能当作主题。同时，将区域间的移动模式当作单词，将POIs特征向量当作文档的元数据。在本发明中，使用无监督学习中的DMR-based主题模型，基于LatentDirichlet Allocation(LDA)和Dirichlet Multinomial Regression(DMR)。将POIs特征向量和移动模式结合起来，从两个方面全面的探究区域的功能。对于每个区域r，区域中不同类别的POIs的数目是可以统计获得。第i种POIs在区域r中的频率密度vi，r计算公式为：
其中，Numi代表区域r中第i种类型的POIs的数量，Sr代表区域r的面积。另外，对于区域r而言，它POI特征向量可以记为xr＝(v1，r，v2，r，...，vi，r，...，vF，r，1)，代表区域r的元数据，F是r中POI的种类数，最后的向量1是默认特征。使用DMR模型进行参数估计之后，对于区域r来说，其主题分布是K维向量θr＝(θr，1，θr，2，...，θr，e...，θr，K)，θr，e代表区域r中主题e所占的比例。
S1.2.2：使用无监督机器学习中的经典聚类算法——k-means算法，来进行功能区聚类。通过实验确定，对北京而言，将最终聚类值设定为9时，聚类的结果最理想。为了量化功能区内受欢迎程度和区域的范围，估计每个功能区的功能强度。一个功能区的受欢迎程度与交通量有潜在的关联，这代表人类移动模式意味着区域的功能强度。将每个旅行的起点和终点坐标信息输入到核密度估计KDE模型中，量化功能区域中的功能强度。假设有n个区域，通过KDE模型，利用核密度估计量来计算区域s的功能强度：
其中，di，r代表区域i到区域r的距离，R代表带宽，KF(·)代表高斯核函数。在进行完功能强度的估计之后，我们注释了划分后的区域，来反映城市的实际功能，并定义其编号属性为Ka。随后，我们从四个方面考虑进行区域标注。首先，我们根据各区域的POIs特征向量的平均频率密度，对该类型POIs在功能区内的频率进行排序，并同时安装包含了该POIs的所有功能区的频率大小进行排序。第二，我们统计各功能区内最频繁的移动模式。第三，我们利用功能强度，探究每个功能内核中最有代表性的POIs，据此进行区域注释，第四，我们根据实际情况，进行人工标记，如名胜古迹。
S1.2.3：首先将功能区栅格化，在地图投影上按照经纬度0.001为范围，划分为大量网格。每个网格的相对长度和宽度定义为1，都有一个固定的ID。如果一个网格内包含多个不同区域，则将该网格归到所占面积最大的功能区域中。针对北京市，提出一张基于邻近道路分割法的功能区深度划分方法。按照政府统计的道路车流量信息，筛选出18条主要城市道路，按照阿拉伯数字1-18进行编号。将每条重要道路在栅格化的地图中进行了标记，并将其视为线段。同时，我们将每个网格近似的看作节点。随后，计算每个节点(网格)到线段(道路)的欧氏距离，并记录下每个网格距离最近的道路编号Kl。在距离计算结束之后，每一个网格节点都具备两个属性值，分别是所在功能区编号Ka和最近道路编号Kl。对栅格化地图中的每个网格进行聚类，将Ka和kl值均相同的节点当做一个集群。最后，得到了153个细分的功能区域。由于不同道路之间出租车和私家车的比例不同，在我们的划分方法中，同一区域不仅具有相同的城市功能，而且出租车私家车的比例也相同。
S1.3路网描述。城市路网地图数据可以从OpenStreetMap(OSM)或其他开源网站免费下载。OSM数据可以由任何用户上传，所以每个人都可以维护和修改地图数据。在我们的研究中，我们下载了北京的OSM文件，包括道路，地下，各种建筑设施的信息，反映了城市的地理信息。但是，由于开源的特性，下载的数据与实际情况之间可能存在一些错误。为了建立精确的模拟路网，我们对道路拓扑结构进行了修正，使之与真实世界相匹配。我们使用Java OpenStreetMap(JOSM)技术对其进行修改，这是一个免费的开放街道地图地理信息编辑工具。此外，由于本发明的模板在于模拟和生成私家车，而不是所有的交通工具，所以我们删除了铁路、人行道等冗余信息。删除铁路数据等相关数据后，将地图数据与现实世界进行对比并进行修改。
S2为本发明中RDMP模型的生成层的实施方案，利用步骤1)前一层预处理得到的轨迹数据，进行私家车轨迹数据集的生成。本发明提出基于区域的人口权重机会(RPWO)模型，利用划分后的每一个区域的车流量，来预测两个区域的私家车交通量起讫点矩阵(ODmatrix)。之后，我们使用SUMO仿真工具，将整体区域间的矩阵转换为每辆私家车的微观轨迹路径。
S2.1：区域间交通量计算。车辆的交通量是指在一定时间内通过一定路段的车辆数量。交通量能够反映道路的总体交通流量，具有重要的研究价值。在本发明中，通过计算每个区域内的交通量，并利用本发明提出的区域间人口权重机会模型，预测出已划分区域之间的车辆移动的交通量。之后根据预测区域之间的交通量，生成模拟的社会车辆数据集。步骤1)中已经将北京划分为不同的区域。现在计算每个区域内每天的交通量。区域内交通量由该区域内所有道路的交通量累加而成，因此一开始计算的是单条道路的交通量。道路上的交通量由社会车辆和浮动车辆共同决定，但我们得到的数据仅仅是浮动车辆(出租车)的轨迹数据。因此，我们需要通过浮动车辆的交通量来计算社会车辆(私家车)的交通量。每条道路上的社会车辆与浮动车辆的比例是不同的，根据这个比例关系，就可以很容易地通过已有的出租车交通量计算出私家车的交通量。根据《2012年度北京交通发展年度报告》提供的信息，我们得到了主要交通道路(表1所示)上流动车辆与社会车辆的不同比例。因为我们划分的区域是基于这些主要的交通道路，所以我们可以假设同一区域内的所有道路具有与主要交通道路相同的浮动车辆和社会车辆比例。我们通过以下公式计算各功能区内的社会车辆车辆数量:
其中，SAi为区域i的私家车出行总数；SGj代表区域i中包含的每个网格j中的出租车数量，Ni表示区域i中所划分的网格数目，αi代表区域i内私家车和出租车的比例，SRw表示区域i内网格j中道路w中的出租车的数量，nj代表网格j中道路的数目。通过上述两式得到各功能区私家车的数量。
S2.2：时空交互模型。在获得北京市各区域的交通量后，本发明继续构建城市尺度下的人类出行模式。尽管建立人类移动模型的历史很长，但研究人员仍然缺乏预测城市移动模式的高精度方法，尤其是在数据类型不够多样化的情况下。本发明提出了区域间人口权重机会模型(RPWO)，来捕捉城市尺度上人类移动模式的潜在驱动因素，该模型不依赖于任何可调参数。值得一提的是，针对本模型的研究结果表明，该模型非常适合城市之间的人口流动模式，但不适用于国家之间，这表明了不同空间尺度下人类流动的多样性。与传统人口权重机会模型不同，本发明中在考虑人类迁移模型时，考虑了区域因素，进行了集群-集群研究。也就是说，本发明通过区域划分的方法研究了人类在不同区域之间的迁移模式。具体步骤如下：
S2.2.1：在RPWO模型中，设一个终点区域j对起点区域i的吸引力，与以区域j的重心为圆心、以起点区域i的重心与终点区域j的重心的距离Rij为半径的圆形区域内的总人口数Qji成反比；
S2.2.2：对于重心为
的区域，计算方法如下：
其中L表示该区域的网格区域数(0.001经纬度作为划分)。xl和yl分别表示区域内网格节点的相对经度和相对纬度。
S2.2.3：然后可以根据起点和终点区域的重心，计算出对终点对起点的吸引力(即起点区域到终点区域交通量):
其中，Qji表示以Rij为半径、以终点区域j的重心为圆心的圆形区域内的私家车总数；Ns是圆中所包含的区域的个数，βr代表区域r处于圆形区域中的比例；区域r的总面积为Sr，区域r处于圆形区域中的面积为
Pr是区域r的私家车数目，Aji代表终点区域j相对于起点区域i的吸引力，oj代表终点区域j的私家车数目，M代表整个城市的私家车总数目；
S2.2.4：基于各个区域的吸引力，计算区域i到区域j的交通量:
其中，SAi为从区域i的私家车出行数目，由S2.1计算得到，n为城市中划分的区域数；
S2.3：轨迹仿真与数据生成的具体实施方案如下：
S2.3.1：本发明首先根据已划分的区域对城市道路进行分类。道路网络文件包含每条道路连接点的经纬度，我们使用经纬度来计算道路属于哪个区域，并在路网文件中写入每个区域中包含的道路ID。
S2.3.2：在S2.2中，已经得到城市交通量O/D矩阵，结合修改后的路网文件进行数据集仿真生成工作。为了达到这个目标，我们使用SUMO工具。首先，我们在SUMO工具中使用OD2TRIPS插件，导入O/D矩阵并将其分解为单个车辆行程。交通量O/D矩阵可以反映城市内整体的人的出行模式。此外，从微观角度看，矩阵生成的个体车辆路径信息可以反映个体的运动模式。在OD2TRIPS插件中，我们输入了O/D矩阵信息、路网文件、区域内包含的道路列表，并设置生成时间段、各时间段的出行比例、生成车辆类型参数。然后，生成一系列车辆行程信息的xml文件，每个行程信息包含车辆ID、出发时间、出发地ID和目的地ID。
S2.3.3：在OD2TRIPS的帮助下，生成每个车辆行程的出发地和目的地信息，这是不够明显的。因此，我们在SUMO工具中使用了DUAROUTER插件，它使用最短路径来计算SUMO可能使用的车辆路径，生成车辆的路径轨迹信息。输入路网文件和OD2TRIPS生成的出行信息，设置仿真时间段、最短路径计算方法，最后生成车辆出行轨迹信息，包括车辆ID、出行时间、道路的通过情况。车辆轨迹信息可以帮助我们分析城市道路交通、区域出行模式。我们生成的每天的轨迹数据集大小约为3GB。
S2.3.4：除了车辆轨迹信息外，单位时间周期(每秒)内车辆的瞬时速度、相对位置、经纬度微观信息对于本发明中的数据验证也很重要。我们使用SUMO工具中的TraceFile Generation插件来在指定的时间间隔内每秒生成车辆的信息，包括经纬度位置、行驶角度、瞬时速度、所在道路编号。我们在DUAROUTER函数中输入相应信息，同时编写相应的配置文件，将时间间隔设置为15分钟，并生成不同时间段的车辆跟踪文件。一天生成的该类型数据集的大小约为200GB。
S3为本发明中RDMP模型的验证层的实施方案。在步骤2)生成社会车辆轨迹数据后，我们设计验证模型，验证生成数据的准确性和真实性。在验证层，本发明分别从宏观和微观两方面对数据进行验证。
S3.1：在宏观模型中，我们将生成的轨迹数据，与2012年北京交通发展年报中描述的实际交通状况进行分析对比。
S3.1.1：交通流量对比。图3是北京主要道路交通流量对比图。所使用的真实数据是北京市交通发展研究中心2012年公布的主要道路交通流数据。结果表明，无论是实际数据还是生成的数据，西四环和东四环的全天流量都处于前列。西五环和南二环的交通流量较低，说明交通负担较轻。从总体比较结果来看，除南五环和东五环外，本发明生成的数据与实际数据吻合较好。
S3.1.2：出行范围。对于人类移动研究，出行时间分布和距离分布是两个关键参数。通过研究不同时段的出行量，研究人员可以提出更好的出行优化方案，缓解道路状况，提高出行效率。此外，研究人的出行距离分布也可以在道路规划和出行预测中发挥重要作用。因此，本发明中，我们使用生成的轨迹数据集来分析旅行时间和距离的分布。通过与实际数据的比较，评价了仿真数据的准确性。图4为居民出行时间的出行量分布。参与比较的数据包括生成数据的官方统计，2012年上半年和2012年下半年。结果表明，所生成的轨迹数据与实际数据具有相同的出行特性。此外，从图7可以看出，7:00-9:00和17:00-19:00是两个旅游高峰期。这两个时段的交通量约占每日总交通量的50％。在居民出行距离分布方面，图5为我们的分析结果。我们将生成的数据与2012年上半年和下半年的官方出行距离分布数据进行比较。从出行距离的分布来看，出行次数与总距离成反比。随着距离的增加，旅行的次数减少了。在驾驶方面，人类更喜欢短途旅行，最短距离为0-5公里，占40％以上。考虑到具体情况，当出行距离过长时，人们会考虑油耗、时间等因素，选择火车、地铁等出行方式而不是开车。
S3.1.3：交通状况。从宏观交通流状况看，车辆总体行驶距离和行驶时间是有规律的。本发明中，我们使用Baidu Map APIs的导航服务来验证生成的数据集。今天，随着移动设备的使用越来越多，每个人都有使用地图服务应用程序的经验。在这些软件中，我们输入出发地和目的地的位置，并选择合适的出行方式，如步行、公交、私家车等，得到估计的路线长度和出行时间。这些结果基于真实世界的历史数据，包括运输部提供的数据，GPS生成的车辆轨迹数据，以及可以发送定位的各种应用和电子设备。值得一提的是，目前主流的地图服务提供商，如Google Map、Baidu Map，为软件开发人员提供了相应的api接口，方便我们直接调用服务。导航服务可用于验证交通流中的两个重要指标:
·路线长度:该指标代表旅程的长度。通过使用Baidu Map APIs，我们将生成的数据集中每次出行的起点和终点坐标输入到路由函数中。通过导航服务，可以生成相应的路径和行程长度；
·出行时间:该指标代表出行时间。与获取路线长度的方法类似，我们使用导航服务来估计出行的持续时间。从图5可以看出，超过70％的车辆行驶距离小于10公里。因此，我们将研究重点放在10公里以内车辆的行驶。图6为由我们生成的数据和Baidu Maps APIs预测的出行时间和路线长度的散点图。图6(a)为5公里范围内车辆行驶情况，图6(b)为5-10公里范围内车辆行驶情况。我们注意到，在这两种路线长度范围内，本发明所生成的出行时间与导航服务提供的评估结果在很大程度上是重叠的。这也反映了生成的车速分布更接近真实车辆的车速分布。此外，与5～10km的距离相比，生成的旅行时间数据在5km以内的短途旅行中更接近真实数据，这证明我们的模型更适合于生成距离较短的出行轨迹。
S3.2：在微观模型中，考虑的数据集本身是否与现实相悖。首先进行加速度分析，从计算车辆加速度及其梯度入手，分析数据集是否可靠。然后进行一致性分析，随机抽取车辆对，分析两车之间的相对距离。本发明设计了一种定量检测轨迹数据的方法。在这一部分中，我们选择工作日的早高峰时间(7:00)作为研究时间，尤其是7:00-7:30。此外，我们总共使用四组观测数据作为对比，每组数据的时间间隔为15分钟。这些轨迹数据分别来自于7:00-7:15原始数据集、7:15-7:30原始数据集、7:00-7:15生成数据集、7:15-7:30生成数据集。
S3.2.1：加速度分析。车辆加速度是研究车辆动力学和交通流的重要组成部分。因此，有必要验证所生成轨迹数据加速度的准确性。如果结果精度在合理范围内，则证明生成的数据集具有较高的内在合理性。验证加速数据有一个明显的方法，那就是检查它在整个数据集中的分布情况。在数据采集和估计过程中，可以清楚地发现两类问题，即不可行的极值和分布的不规则形状。图7为原始数据集和生成数据集的加速度分布频率。从图7可以看出，无论是真实数据还是生成的数据，车辆加速度的频率分布都是正态分布，证明笨啊发明提出的方法具备可行性。
除了加速度值的分布外，加速度梯度还可以作为数据质量的重要指标。加速度梯度Je[m/s3]表示加速度随时间的变化，是加速度的导数。在本发明中，我们认为在±3m/s3左右的实际加速度梯度值是研究中的可接受值。因此，我们提出三个指标来进行加速度梯度分析：
·Je大于±3m/s3阈值的轨迹数据百分比；
·数据集中j最大值；
·数据集中j最小值。
分析得到的加速度梯度误差统计结果见表2。可以看出，±3m/s3之外的Je值的百分比分别为2.99％(原始数据(7:00-7:15))和3.28％(原始数据(7:15-7:30))，而生成的数据的结果相似(5.27％和3.72％)。这意味着j的误差统计的结果相当好。在横向比较中，一般数据集误差小于10％，说明该数据集相对准确。此外，所选数据的最大和最小j值均达到了相对不合理值。
表2真实轨迹和生成轨迹的加速度梯度误差统计
S3.2.2：一致性分析。车辆在行驶过程中必须与其他车辆保持合理的距离。否则，交通事故很可能发生。这种情况也反映在车辆轨迹数据集中。本发明从车辆之间的距离来验证生成数据集的真实性。如果数据集中存在许多异常小的距离间隔，则该数据集的准确性值得怀疑。
当我们关注两辆互相接近的车辆时，车辆对之间的距离可以用来量化估计轨迹数据的误差。事实上，在某一时刻，一对车辆之间的距离可以从此时两辆车辆的位置直接测量出来。
在我们的研究中，我们假设它是间隔车辆间的路段的长度。正式定义为:
为了简化计算过程，我们假设车辆在道路上总是沿直线行驶。然后直接从车辆地理坐标对应的投影坐标计算出车辆之间的距离:
一般情况下，当
至少在一瞬间下降到5m以下时，两车会发生碰撞，导致交通事故。因此，通过检测
时在总数据集中所占的比例，可以验证数据集的准确性。如果数据集中有大量异常值，数据集最有可能出现问题。对于一致性分析，以下统计数据是有意义的：
·这是每个选定数据集中车辆对的总数；
·数据集中车辆对的平均车辆间隔；
·速度低于5米的车辆数和比例；
·车辆对最大间隔。
分析的一致性统计结果见表3。我们规定相距50m以内的两辆车可以视为一组车辆对。根据计算结果，我们可以得知车辆对的总数大约在4000到5000辆之间。在所有选定的数据集中，我们使用的在7:00-7:15和7:15-7:30的原始数据集分别有24对和18对异常车辆对，分别占总车辆对的0.56％和0.41％。对于我们生成的数据集，在7:00-7:15和7:15-7:30这两个时间段，异常车辆对分别为94对和50对，分别占车辆对总数的1.91％和1.24％。可以看出，生成的数据集中异常数据保持在较小的范围内，证明生成的数据具有较高的真实性。此外，在生成的数据集中，平均车辆间距约为27m，与实际平均值(约22m)相差不大。图8反映了车辆对间距长度的出现频率。显然，这四组观测数据具有非常相似的分布，这意味着生成的数据集具有与真实数据相似的车辆移动模式，证明本发明所提出的模型效果良好。
表3真实轨迹和生成轨迹的一致性(间隔指标)误差统计
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
Claims (2)
1.一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法，其特征在于，所述的城市交通轨迹数据集生成方法是在三层的RDMP车辆轨迹数据集生成模型完成的，所述的三层的RDMP车辆轨迹数据集生成模型包括准备层、生成层和验证层步骤如下：
S1：在准备层中，对原始的出租车轨迹数据进行预处理，删除无用和异常数据；同时使用基于邻近道路分割法的城市功能区划分方法进行城市区域划分，并对城市路网进行构建，包括如下步骤：
S1.1：预处理：删除空车状态下的无用轨迹数据，清理由于设备精度和统计误差导致的荒谬数据，得到可用的出租车轨迹数据；
S1.2：基于邻近道路分割法，利用人类移动轨迹和POI兴趣点，将研究的城市划分为不同的区域，将所有车辆的出行转换为不同区域之间的流通，具体过程如下：
S1.2.1：使用无监督学习的DMR-based概率主题模型，把城市整体当作一个文档，把各区域所拥有的不同的功能当作主题，将区域间的移动模式当作单词，将POIs特征向量当作文档的元数据，第i种POIs在区域r中的频率密度vi，r计算公式为：
其中，Numi代表区域r中第i种类型的POIs的数量，Sr代表区域r的面积，区域r的POI特征向量记为xr＝(v1，r，v2，r，...，vi，r，...，vF，r，1)，代表区域r的元数据，其中F是r中POI的种类数，最后的向量1是默认特征；区域r的主题分布是K维向量θr＝(θr，1，θr，2，...，θr，e...，θr，K)，θr，e代表区域r中主题e所占的比例；
S1.2.2：使用k-means聚类算法，将S1.2.1中得到的主题分布进行聚类，每个旅行的起点和终点坐标信息输入到核密度估计KDE模型中，量化功能区域中的功能强度；设有n个区域，通过核密度估计模型KDE模型，利用核密度估计量来计算区域r的功能强度：
其中，di，r代表区域i到区域r的距离，R代表带宽，KF(·)代表高斯核函数；在进行完功能强度的估计之后，注释划分后的区域，来反映城市的实际功能，并定义区域r编号属性为Ka；
S1.2.3：区域聚类
使用邻近道路分割法，重要道路视为线段，网格看作节点，计算每个网格到道路的欧氏距离，并记录下每个网格距离最近的道路编号Kl，计算结束后对栅格化地图中的每个网格进行聚类，将Ka和Kl值均相同的节点当作一个集群；
S1.3：根据实际研究区域，对从Open Street Map网站下载的原始文件进行切割和分层，同时，手动修改真实世界中的道路出行限制，并更新最新的交通状况，对城市的道路网络进行构建；
S2：在生成层中：
S2.1：根据浮动车辆与社会车辆在不同功能区中的静态比例，计算出每个区域的社会车辆的数量，计算公式如下：
其中，SAi为区域i的私家车出行总数；SGj代表区域i中包含的每个网格j中的出租车数量，Ni表示区域i中所划分的网格数目，αi代表区域i内私家车和出租车的比例，SRw表示区域i内网格j中道路w中的出租车的数量，nj代表网格j中道路的数目；
S2.2：提出区域人口权重机会RPWO模型，计算社会车辆的起讫点OD矩阵，包括以下步骤：
S2.2.1：设一个终点区域j对起点区域i的吸引力，与以区域j的重心为圆心、以起点区域i的重心与终点区域j的重心的距离Rij为半径的圆形区域内的总人口数Qji成反比；
S2.2.2：对于重心为
的区域，计算方法如下：
其中，L表示该区域的网格数；xl和yl分别表示区域内网格的相对经度和相对纬度；
S2.2.3：根据起点和终点区域的重心，计算出对终点区域j对起点区域i的吸引力Aji，计算方法如下:
其中，Qji表示以Rij为半径、以终点区域j的重心为圆心的圆形区域内的私家车总数；Ns是圆中所包含的区域的个数，βr代表区域r处于圆形区域中的比例；区域r的总面积为Sr，区域r处于圆形区域中的面积为
Pr是区域r的私家车数目，Aji代表终点区域j相对于起点区域i的吸引力，oj代表终点区域j的私家车数目，M代表整个城市的私家车总数目；
S2.2.4：基于各个区域的吸引力，计算区域i到区域j的交通量:
其中，SAi为从区域i的私家车出行数目，由S2.1计算得到，n为城市中划分的区域数；
S2.3：结合OD矩阵利用SUMO仿真工具生成仿真轨迹数据，步骤如下：
S2.3.1：根据已划分的区域对城市道路进行分类；道路网络文件包含每条道路连接点的经纬度，使用经纬度来计算道路属于哪个区域，并在路网文件中写入每个区域中包含的道路ID；
S2.3.2：使用SUMO工具中的OD2TRIPS插件，导入O/D矩阵并将其分解为单个车辆行程，根据城市的具体情况和数据，输入S2.2生成的O/D矩阵、路网文件、区域内包含的道路列表，并设置生成时间段、各时间段的出行比例、生成车辆类型参数，生成一系列车辆行程信息的xml文件，每个行程信息包含车辆ID、出发时间、出发地ID和目的地ID；
S2.3.3：为了生成私家车辆的路径轨迹信息，使用SUMO工具中DUAROUTER插件，输入路网文件和OD2TRIPS生成的出行信息，设置仿真时间段、最短路径计算方法，生成模拟的车辆路径，包括车辆ID、出行时间、道路的通过情况，最后生成车辆出行轨迹信息；
S2.3.4：为生成指定的时间间隔内每秒生成车辆的信息，包括经纬度位置、行驶角度、瞬时速度、所在道路编号，使用SUMO工具中的Trace File Generation插件，在DUAROUTER函数中输入相应信息，同时编写相应的配置文件，将时间间隔设置为△t分钟，并生成不同时间段的车辆跟踪文件；
S3：在验证层中，分别从宏观和微观两方面设计验证模型，验证生成数据的准确性和真实性，包括以下步骤：
S3.1：在宏观模型中，将生成的轨迹数据，与实际交通状况进行分析对比，包括交通流量对比、出行范围对比、交通状况对比；
S3.2：在微观验证模型中，从加速度和相对距离的角度分析和评价生成数据的真实性，设计了一种定量检测轨迹数据的方法，步骤如下：
S3.2.1：加速度分析，验证所生成轨迹数据加速度及其梯度值Je[m/s3]的准确性，当结果精度在合理范围内，则证明生成的数据集具有较高的内在合理性，利用三个指标来进行加速度梯度分析：Je大于±3m/s3阈值的轨迹数据百分比、数据集中Je最大值、数据集中Je最小值；
S3.2.2：一致性分析，从车辆之间的距离来验证生成数据集的真实性，当数据集中存在异常小的距离间隔，则该数据集的准确性值得怀疑；
S3.2.3：车辆对之间的距离计算公式如下：
S3.2.4：设车辆在道路上总是沿直线行驶，直接从车辆地理坐标对应的投影坐标计算出车辆之间的距离:
当
至少在一瞬间下降到5m以下时，两车会发生碰撞，导致交通事故，因此，通过检测
时在总数据集中所占的比例，来验证数据集的准确性。
2.根据权利要求1所述的一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法，其特征在于，重要道路的判断原则为：将城市地图栅格化，按照经纬度为0.001*0.001划分网格，将全天平均交通量十万辆以上的道路提取出当作重要道路。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910532080.8A CN110298500B (zh) | 2019-06-19 | 2019-06-19 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910532080.8A CN110298500B (zh) | 2019-06-19 | 2019-06-19 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110298500A CN110298500A (zh) | 2019-10-01 |
| CN110298500B true CN110298500B (zh) | 2022-11-08 |
Family
ID=68028301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910532080.8A Expired - Fee Related CN110298500B (zh) | 2019-06-19 | 2019-06-19 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298500B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111104792B (zh) * | 2019-12-13 | 2023-05-23 | 浙江工业大学 | 基于主题模型的交通轨迹数据语义分析与可视化方法 |
| CN111126713B (zh) * | 2019-12-31 | 2023-05-09 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
| CN111401663B (zh) * | 2020-04-12 | 2021-04-27 | 广州通达汽车电气股份有限公司 | 一种实时进行公交时空od矩阵更新的方法及装置 |
| CN111583641A (zh) * | 2020-04-30 | 2020-08-25 | 北京嘀嘀无限科技发展有限公司 | 道路拥堵分析方法、装置、设备和存储介质 |
| CN111651502B (zh) * | 2020-06-01 | 2021-09-14 | 中南大学 | 一种基于多子空间模型的城市功能区识别方法 |
| CN111966770A (zh) * | 2020-07-21 | 2020-11-20 | 中国地质大学（武汉） | 一种基于地理语义词嵌入的城市街道功能识别方法和系统 |
| CN112101132B (zh) * | 2020-08-24 | 2022-04-19 | 西北工业大学 | 一种基于图嵌入模型和度量学习的交通状况预测方法 |
| CN112559909B (zh) * | 2020-12-18 | 2022-06-21 | 浙江工业大学 | 一种基于gcn嵌入空间聚类模型的商业区发现方法 |
| CN112632208B (zh) * | 2020-12-25 | 2022-12-16 | 际络科技(上海)有限公司 | 一种交通流轨迹变形方法及装置 |
| CN112906948B (zh) * | 2021-02-02 | 2023-12-22 | 湖南大学 | 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质 |
| CN113111514B (zh) * | 2021-04-12 | 2022-05-27 | 清华大学深圳国际研究生院 | 一种车辆微观行驶场景仿真方法及计算机可读存储介质 |
| CN113343781B (zh) * | 2021-05-17 | 2022-02-01 | 武汉大学 | 使用遥感数据和出租车轨迹数据的城市功能区识别方法 |
| CN113298144A (zh) * | 2021-05-24 | 2021-08-24 | 中南大学 | 一种基于多源数据的城市三生空间识别与格局分析方法 |
| CN113254565B (zh) * | 2021-06-21 | 2021-09-28 | 浙江口碑网络技术有限公司 | 区域识别方法、装置、计算机设备及计算机可读存储介质 |
| CN114724362B (zh) * | 2022-03-23 | 2022-12-27 | 中交信息技术国家工程实验室有限公司 | 一种车辆轨迹数据处理方法 |
| CN115995151B (zh) * | 2023-03-06 | 2023-12-22 | 北京白龙马云行科技有限公司 | 应用于城市管理的网约车异常行为检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006234569A (ja) * | 2005-02-24 | 2006-09-07 | Matsushita Electric Ind Co Ltd | 交通情報の生成方法及び装置ならびに再生方法及び装置 |
| CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
| CN105117595A (zh) * | 2015-08-19 | 2015-12-02 | 大连理工大学 | 一种基于浮动车数据的私家车出行数据集成方法 |
| GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
| CN107392245A (zh) * | 2017-07-19 | 2017-11-24 | 南京信息工程大学 | 一种出租车载客轨迹聚类算法Tr‑OPTICS |
| CN107609107A (zh) * | 2017-09-13 | 2018-01-19 | 大连理工大学 | 一种基于多源城市数据的出行共现现象可视化分析方法 |
| GB201803663D0 (en) * | 2017-01-10 | 2018-04-25 | Beijing Didi Infinity Technology & Dev Co Ltd | No details |
| CN108681795A (zh) * | 2018-05-23 | 2018-10-19 | 华南理工大学 | 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法 |
| CN109166317A (zh) * | 2018-10-29 | 2019-01-08 | 东北林业大学 | 基于状态特征的城市交通路径通过时间确定方法 |
| CN109272175A (zh) * | 2018-11-15 | 2019-01-25 | 山东管理学院 | 一种基于城市流动网络的数据采集系统及方法 |
| CN109686091A (zh) * | 2019-01-17 | 2019-04-26 | 中南大学 | 一种基于多源数据融合的交通流量填补算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8799038B2 (en) * | 2011-09-07 | 2014-08-05 | National Tsing Hua University | Dynamic taxi-sharing system and sharing method thereof |
-
2019
- 2019-06-19 CN CN201910532080.8A patent/CN110298500B/zh not_active Expired - Fee Related
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006234569A (ja) * | 2005-02-24 | 2006-09-07 | Matsushita Electric Ind Co Ltd | 交通情報の生成方法及び装置ならびに再生方法及び装置 |
| CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
| CN105117595A (zh) * | 2015-08-19 | 2015-12-02 | 大连理工大学 | 一种基于浮动车数据的私家车出行数据集成方法 |
| GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
| GB201803663D0 (en) * | 2017-01-10 | 2018-04-25 | Beijing Didi Infinity Technology & Dev Co Ltd | No details |
| CN107392245A (zh) * | 2017-07-19 | 2017-11-24 | 南京信息工程大学 | 一种出租车载客轨迹聚类算法Tr‑OPTICS |
| CN107609107A (zh) * | 2017-09-13 | 2018-01-19 | 大连理工大学 | 一种基于多源城市数据的出行共现现象可视化分析方法 |
| CN108681795A (zh) * | 2018-05-23 | 2018-10-19 | 华南理工大学 | 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法 |
| CN109166317A (zh) * | 2018-10-29 | 2019-01-08 | 东北林业大学 | 基于状态特征的城市交通路径通过时间确定方法 |
| CN109272175A (zh) * | 2018-11-15 | 2019-01-25 | 山东管理学院 | 一种基于城市流动网络的数据采集系统及方法 |
| CN109686091A (zh) * | 2019-01-17 | 2019-04-26 | 中南大学 | 一种基于多源数据融合的交通流量填补算法 |
Non-Patent Citations (3)
| Title |
|---|
| TWIT:社交网络中局部信任值的双向计算;李凤岐等;《计算机工程与应用》;20160215(第04期);全文 * |
| 基于出租车轨迹数据的交通异常识别算法;王雷等;《科学技术与工程》;20181118(第32期);全文 * |
| 基于城市交通大数据的车辆类别挖掘及应用分析;纪丽娜等;《计算机应用》;20190121(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110298500A (zh) | 2019-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
| Zhao et al. | Uncovering the spatiotemporal patterns of CO2 emissions by taxis based on Individuals' daily travel | |
| Kong et al. | RMGen: A tri-layer vehicular trajectory data generation model exploring urban region division and mobility pattern | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
| Sobhani et al. | Metropolis-Hasting based Expanded Path Size Logit model for cyclists’ route choice using GPS data | |
| Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
| CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
| Guo et al. | Mass rapid transit ridership forecast based on direct ridership models: A case study in Wuhan, China | |
| CN110837973A (zh) | 一种基于交通出行数据的人类出行选择信息挖掘方法 | |
| Tian et al. | Spatial analysis of commuting carbon emissions in main urban area of Beijing: A GPS trajectory-based approach | |
| Dong et al. | Quantitative assessment of urban road network hierarchy planning | |
| Yang et al. | Carbon dioxide emissions from commuter traffic in Xi'an, China | |
| Hu et al. | Evaluating Bicycling Environments with Trajectory Data on Shared Bikes: A Case Study of Beijing | |
| Sabet et al. | A cost-effective methodology to compare travel time and speed: a tale of 11 cities | |
| Crawford et al. | Analysing spatial intrapersonal variability of road users using point-to-point sensor data | |
| Dunne et al. | A large scale method for extracting geographical features on bus routes from OpenStreetMap and assessment of their impact on bus speed and reliability | |
| Boitor et al. | A new tool for the evaluation of CO2 emissions from road traffic: a case study in Cluj-Napoca, Romania | |
| Chandrasiri et al. | Application of GPS/GIS based travel mode detection method for energy efficient transportation sector | |
| Gao et al. | iTA: Inferring Traffic Accident Hotspots with Vehicle Trajectories and Road Environment Data | |
| Kartika | Visual exploration of spatial-temporal traffic congestion patterns using floating car data | |
| Mannini et al. | FCD data for on‐street parking search time estimation | |
| An et al. | Discovering public transit riders’ travel pattern from GPS data: a case study in harbin | |
| Xu et al. | Congestion detection and distribution pattern analysis based on spatiotemporal density clustering | |
| Zhang et al. | Advances in Pedestrian Travel Demand Modeling |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221108 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |