基于稀疏浮动车数据的城市路网交通流速度估计

浮动车数据在时空维度呈现较强的稀疏性,是其应用于城市路网交通流估计所面临的主要难题之一。本文通过分析路网交通流速度的时空特征,构建了一种基于朴素贝叶斯法的估计模型,实现对路网中未被样本覆盖路段交通流速度的估计。时间特征主要考虑目标路段相邻时段的交通流速度,空间特征根据路段间交通流相似关系进行分析,突破了传统基于欧氏空间或拓扑关系的度量方式。结果显示,模型能有效地估计出样本缺失路段的交通流速度,且在精度方面相对传统基于拓扑关系的算法优势显著,较好地解决了数据时空稀疏性问题,对基于浮动车数据的交通应用具有较强的实践意义。     

利用浮动车数据提取停车场位置

针对当前停车场信息采集手段周期长、成本高的问题,提出了利用浮动车数据自动提取停车场位置的方法。通过分析在停车场内采集的浮动车数据具有的典型特点后,使用DBSCAN算法检测出位于停车场内的点簇进而提取停车场的位置;同时针对DBSCAN算法具有高时间复杂度的缺点,结合定位点簇的空间尺寸限制条件构建了特定的空间索引,提高了聚类算法的效率。试验结果验证了该方法的有效性。     

浮动车数据的混合修复方法

针对浮动车数据出现的丢失、错误及冗余现象,结合均值统计与地图匹配,提出一种浮动车数据混合修复方法。基于此方法,构建了浮动车数据筛选及修复流程,较好地实现了对浮动车数据的有效筛选及修复,并对浮动车数据混合修复方法进行了验证,证明该方法具有可行性和有效性。     

基于浮动车数据交通参数提取技术探讨

总结和概括了国内外浮动车研究技术的现状。总结了浮动车数据处理的关键技术,其中包括浮动车数据预处理、基于浮动车的地图匹配技术以及交通参数提取技术。探讨了目前国内外浮动车数据处理技术中存在的问题,并展望了浮动车技术的应用前景。     

数据清洗和空间可视化在浮动车数据处理中的应用

浮动车数据清洗是交通大数据研究的基础性工作之一。针对浮动车数据量大,数据冗余度高,普通研究者不便于分析等问题,利用FME软件设计了数据清洗与空间可视化方法,有效提高了数据的可靠性和准确性;并对浮动车数据进行了空间可视化表达,提供了一种直观、可靠、有效的空间化、可视化分析方法,有效促进了浮动车数据的研究和利用。     

基于OSM的浮动车轨迹数据校正方法

浮动车轨迹数据具有覆盖范围广、更新周期短、获取成本低等特点,对于地图的生产和更新具有重要意义,但是由于受到卫星信号被遮挡及多路径效应的影响,其精度普遍较低。本文采用一种基于OSM作为参考数据的方式对浮动车轨迹数据进行校正。首先通过一种分层时空地图匹配的方式将轨迹数据与OSM进行匹配;然后采用引力模型对数据进行校正;最后在武汉市出租车轨迹数据上进行了试验。结果表明,本文提出的数据校正方法可以有效地提高浮动车轨迹数据的精度。     

利用地图栅格化的海量浮动车数据道路匹配快速算法

目的 提出了在大城市路网环境下快速确定海量浮动车数据匹配路段的方法。首先构建路网道路缓冲区,再对道路缓冲区地图进行栅格化处理,并构建空间位置与道路ID的索引,然后基于每个浮动车数据中的地理位置信息依据索引找出浮动车数据可能的匹配道路,最后对这些道路进行匹配度计算,确定浮动车数据的匹配道路。实验表明,该方法能显著减少每个浮动车数据需要计算匹配度道路的数量,成倍地提高海量浮动车数据道路匹配算法的效率。     

利用浮动车数据挖掘城市职住空间关系

基于浮动车大数据,利用数据挖掘技术,在空间格网及行政区划两个空间尺度下研究城市职住空间特征,从通勤距离和通勤时间、浮动车数据在空间上的聚类结果及职住分离指标等多个方面对武汉市三环线范围内的职住空间特征进行了分析.结果表明,基于浮动车大数据可以快速、精细化地分析职住空间特征,分析结果可为城市规划提供依据.     

位置大数据的分析处理研究进展

现有的关于出租车GPS轨迹大数据的研究均没有考虑出租车司机本身的非运营行为（如出租车加油（气）、就餐、交接班）的特征和需求。根据出租车轨迹大数据,研究了出租车短时非运营行为特征,从轨迹数据中提取出租车短时非运营行为,利用平面线要素核密度分析其时空分布,并采用Ripley's K函数分析了武汉市徐东大街区域的短时非运营行为与加气站的空间相关性。实验结果表明,分析出租车短时非运营行为时空分布能有效地揭示出租车司机群体的短时非运营行为需求,以及需求与现有公共资源不匹配引发的资源低效配置现状,为公共资源优化调整提供科学有效的辅助决策支撑。     

一种基于约束的最短路径低频浮动车数据地图匹配算法

针对精度差、频率低的浮动车数据特点,给出了空间和拓扑约束下的最短路径浮动车数据地图匹配算法,基于不同采样频率的匹配结果证明算法准确度高。基于武汉市浮动车数据的匹配结果表明,算法具有高可靠性,可以用于浮动车数据的交通信息提取与特征挖掘。     

基于GPS浮动车采集交通信息的路段划分方法

针对目前GPS浮动车采集交通信息的路段划分方法大多忽略交叉口不同行驶方向车流运行条件的差别,且假设路段不同位置的交通状态均衡,从而导致交通信息质量偏低,无法有效满足交通状态判别和车辆动态导航系统数据需求的问题,设计了能够区分车流不同行驶方向统计交通数据的方向路段划分方法与区分路段不同位置统计交通数据的子路段划分方法,以便从路网空间数据结构方面改善交通状态判别和车辆动态导航系统的信息基础。     

曲率积分约束的GPS浮动车地图匹配方法

提出了以轨迹曲线的曲率积分值作为地图匹配特征的匹配方法,利用轨迹曲率积分值约束前后相邻轨迹点的关联匹配,采用不同类型行驶路径以及不同采样间隔,实施了浮动车地图匹配试验,结果表明,以匹配正确率和稳定性评判,本文提出的曲率积分约束的浮动车地图匹配方法优于现有的未采用曲率特征匹配的经典浮动车地图匹配方法。     

大规模浮动车流数据并行地图匹配方法

提出了一种并行地图匹配方法,高效处理海量浮动车流数据。该方法顾及交通网络拓扑,指出网格过滤、距离过滤和方向过滤等策略减少邻近候选节点的数量,利用预先生成的最短路径列表减少最短路径计算量。基于非关系型分布式数据库实现了高效率的浮动车流数据并行地图匹配,利用武汉市的浮动车流数据进行了实验。实验结果表明,本文方法正确率为90.6%,计算效率能满足大规模浮动车流数据实时处理的需要。