排序方式: 共有36条查询结果,搜索用时 128 毫秒
1.
出租车轨迹数据挖掘进展 总被引:1,自引:0,他引:1
大数据、物联网与精密定位技术的发展推动了城市感知的进步。随着社会活动的与日俱增,出租车轨迹数据不仅记录了出租车的行车轨迹,还蕴藏着道路交通状态、城市居民出行规律、城市结构及其他社会问题。通过各种数据分析与挖掘手段对出租车轨迹数据进行深入探究,对于智能交通、城市规划等有着重要意义。本文综述了近十年国内外基于出租车轨迹大数据的相关研究,按照空间统计方法、时间序列方法、图论与网络方法及机器学习方法等4类,详细阐述各类方法的研究现状。随后,本文分析了现有研究的应用领域、热点主题和发展趋势。最后,本文指出了出租车轨迹数据挖掘研究领域面临的挑战和未来研究方向。 相似文献
2.
轨迹数据处理与分析是目前空间信息和数据库等相关领域的研究热点之一。本文从Stop-Move轨迹模型出发,通过集成地理空间上下文信息来建模轨迹数据,并研究轨迹时空模式的查询处理技术。首先分析Stop/Move对象与点/线/面地理空间要素之间的时空关联关系,据此提出显式表达该关联语义的地理关联轨迹模型,在此基础上利用关系-对象数据库技术,为地理关联轨迹模型设计独立于应用的关系模式,接着定义轨迹时空模式查询,并提出基于地理关联轨迹关系模式的SQL处理框架,最后以典型性检索请求为例,讨论分析位置-时间、位置-顺序和位置-关系等三类轨迹时空模式查询的纯SQL处理技术,并以样例轨迹数据验证了本文方法的可行性。 相似文献
3.
从轨迹Stop/Move模型出发,基于Stop/Move对象来分析轨迹之间复杂的时空关系。首先扩展Stop/Move模型,提出关联于地理空间要素的时空关联Stop/Move模型,在此基础上,以Stop/Move对象为分析粒度,分析Stop/Move对象在地理空间中的拓扑关系,提出轨迹主体相对于地理空间要素的时空模式,接着从Stop-Stop、Stop-Move和Move-Move三方面重点研究轨迹时空模式之间的关联关系,最后以两个典型检索请求为例讨论该模式在轨迹时空关系分析方面的应用。 相似文献
4.
轨迹在地理空间中相对一条有向线移动时,可能发生多次进入、离开、穿过、相遇、折返、停留等拓扑关系。针对轨迹-有向线的时空关联特征,提出语义关联的轨迹-有向线移动过程模型:基本思路是将轨迹-有向线的复杂拓扑细节描述为若干局部拓扑关系的组合,从拓扑和语义的角度描述轨迹相对于有向线的移动过程。最后设计并实现了面向该模型的关系模式,并以两类典型请求为例,分析了轨迹-有向线移动过程的纯SQL查询分析技术。 相似文献
5.
针对轨迹大数据的高效点-轨迹k近邻(point to trajectory k nearest neighbor, P2T_kNN)查询处理需求,提出了一种融合时空剖分和轨迹分段的轨迹组织方法,其核心思想是在对轨迹作时间剖分的基础上,利用离散全球网格系统(discrete global grid system, DGGS)在空间上进行再次剖分,从而利用两次剖分得到的时空单元编码来索引落入其中的轨迹片段。在此基础上利用分布式列式存储技术设计了面向轨迹大数据的P2T_kNN查询处理框架,提出了一种顾及轨迹数据空间分布的自适应空间单元搜索算法,即通过分析轨迹数据在给定时间约束下的空间分异特征,动态调整空间单元的搜索步长,从而提升了轨迹稀疏区域的处理效率。针对亿级轨迹的实验结果表明,该方法适用于轨迹大数据的P2T_kNN查询处理,在轨迹稠密与稀疏区域的平均查询响应时间均小于1 s。 相似文献
6.
交通预测对于交通智能管控具有重要的作用,实时准确的交通速度预测是相关研究领域中亟待解决的问题。传统预测方法难以应对日益复杂的交通数据,深度学习作为一种以数据为导向的新技术,在交通预测领域得到了广泛应用。综合利用城市道路交通的时空关联特征,搭建基于长短期记忆(LSTM)的城市道路交通速度预测模型,模型在时间特征上考虑了近历史时刻和远历史时刻的速度信息,以及待预测时刻的时刻值;在空间特征上集成了目标路段的上下游路段速度信息。基于武汉市出租车GPS数据和高德开放交通数据,开展数据处理与路段速度预测实验,分析预测模型参数与特征对预测结果的影响,并通过与传统方法的对比验证模型的有效性。 相似文献
9.
度量轨迹间的相似性不仅是一项基础的研究问题,同时也为众多轨迹数据挖掘应用提供支持。传统相似性度量方法面临数据噪声敏感、算法效率低等问题,难以进行大规模数据计算。当前研究开始尝试使用深度表征学习方法,将高维轨迹数据映射到低维向量空间,通过度量表征间的距离高效地完成相似度计算任务。本文在轨迹表征学习中引入Transformer机制,提出了一种地理空间感知的深度轨迹表征学习方法。首先,使用Geohash编码将二维空间坐标点转换为一维编码序列,使轨迹点在嵌入过程中保留空间相关性。然后,引入Transformer框架构建轨迹表征的深度学习模型,并采用一种隐轨迹点训练模式,以保证模型能从低频、噪声的数据中习得更稳健的向量表示。最后,设计了一个空间感知损失函数,通过距离因子调整模型误差,拉近空间相近轨迹的表征。试验表明,本文方法在轨迹相似性计算任务中超越了基准模型,并且计算效率远高于传统度量方法。 相似文献
10.