CN104183132B - 一种未知步行设施位置确定方法及系统 - Google Patents
一种未知步行设施位置确定方法及系统 Download PDFInfo
- Publication number
- CN104183132B CN104183132B CN201410364225.5A CN201410364225A CN104183132B CN 104183132 B CN104183132 B CN 104183132B CN 201410364225 A CN201410364225 A CN 201410364225A CN 104183132 B CN104183132 B CN 104183132B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- trajectory
- road
- data
- track
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000007418 data mining Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种未知步行设施位置确定方法，融合了行人过街特征的运动特征识别和密度聚类两种方法，挖掘步行设施；其首先，挖掘出穿过道路的行人；然后，将穿过道路的行人轨迹分为两部分，密集行人轨迹集和稀疏行人轨迹集。对前者使用密度聚类进行分析，对后者使用基于行人经过步行设施穿过道路的运动特征进行分析。最后，将上述两种方法的给出的步行设施地理位置整合输出。本发明结合行人过街特征的运动特征识别和密度聚类两种方法，可以准确地挖掘出步行设施(限定为人行横道，过街天桥，地下通道)。另外密度聚类方法可以体现步行GPS轨迹较密集的特征，行人过街特征的运动特征识别能更好体现步行GPS轨迹较稀疏的特征。
Description
技术领域
本发明涉及一种未知步行设施位置确定方法，属于步行GPS轨迹的新路挖掘领域。
背景技术
数据挖掘(DataMining，DM)是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息。数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；规律寻找是用某种方法将数据集所含的规律找出来；规律表示是尽可能以用户可理解的方式(如可视化)将找出的规律表示出来。
基于车辆GPS轨迹的信息提取方法是数据挖掘的重要应用，出现了GPS导航，用户行为挖掘，用户交通模式挖掘，热点旅游位置推荐，探测城市交通异常等各种研究方向。有许多提取车辆GPS轨迹包含信息的方法，如模拟物理学中的引力和斥力对GPS轨迹进行优化处理，增量式地生成表达路网信息的曲线图(参考例文CaoL,KrummJ.FromGPStracetoaroutableroadmap[C].Proceedingofthe17thACMSIGSPATIALInternationalConferenceonAdvancesinGeographicInformationSystems.2009:3-12.)；利用图像细化算法获取路网的骨架信息，再通过矢量化方式构建道路网络(参考例文蒋益娟,李响,李小杰等.利用车辆轨迹数据提取道路网络的几何特征与精度分析[J].地球信息科学学报,2012,14(2):165-170.)；使用监督学习、变点分割和决策树的发现GPS轨迹用户的交通模式(参考例文ZhengY,ChenY,LiQ,etal.UnderstandingtransportationmodesbasedonGPSdataforwebapplications[J].ACMTransactionsontheWeb(TWEB),2010,4(1):1.)；基于离群点检测的时间和空间的特性构造异常的因果关系树用来检测交通异常(参考例文LiuW,ZhengY,ChawlaS,etal.Discoveringspatio-temporalcausalinteractionsintrafficdatastreams[C].Proceedingsofthe17thACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining.ACM,2011:1010-1018.)；将语义轨迹，泛华推荐、相似性、协同过滤、方差熵的聚类算法引入GPS数据分析中，探测城市的异常交通(参考例文PangLX,ChawlaS,LiuW,etal.Onmininganomalouspatternsinroadtrafficstreams[M].AdvancedDataMiningandApplications.SpringerBerlinHeidelberg,2011:237-251.)。
随着内嵌GPS定位功能的智能手机和移动互联网的普及，基于智能手机的位置服务得到广泛应用，可以很方便地获取大量的步行GPS轨迹数据。利用步行GPS轨迹数据自动提取路网，可以成为基于车辆GPS轨迹路网提取方法的补充。步行GPS轨迹更适合于步行路网，小路，步行设施的挖掘。步行时采集的GPS轨迹表示着行人经过的步行设施的位置，即行人经过了哪些步行道路。通过分析步行轨迹与当前路网中的道路不匹配，挖掘出步行设施(人行横道、天桥、地下通道等等)，改善传统路网采集方式的时间比较长，大幅缩短地图的更新时间，提升地图服务的质量。
发明内容
本发明所要解决的技术问题是提供一种基于步行GPS轨迹数据的未知步行设施位置确定方法。
本发明解决上述技术问题的技术方案如下：一种未知步行设施位置确定方法，具体包括以下步骤：
步骤1：采集一个区域的街道轨迹信息和行人行走轨迹信息，并进行预处理得到便于处理的道路轨迹数据和行人轨迹数据；
步骤2：采用行程识别方法对行人轨迹数据进行分析，得到穿过街道的过街行人轨迹集合；
步骤3：根据行人轨迹数据在街道上的分布将过街行人轨迹集合分解为多个轨迹子集；
步骤4：对一个轨迹子集进行密集度分析，判断密集度是否大于预设阈值，如果大于，执行步骤5；否则，执行步骤6；
步骤5：对所述轨迹子集进行密度聚类，得到密集子集，执行步骤7；
步骤6：根据运动特征识别方法对所述轨迹子集进行分析，得到符合行人通过步行设施过街的运动特征的疏散子集，执行步骤7；
步骤7：判断是否存在未进行密集度分析的轨迹子集，如果有，执行步骤4；否则，执行步骤8：
步骤8：所有密集子集和所有疏散子集的并集为步行设施位置集合，结束。
本发明的有益效果是：结合行人过街特征的运动特征识别和密度聚类两种方法，可以准确地挖掘出步行设施(限定为人行横道，过街天桥，地下通道)；密度聚类方法可以体现步行GPS轨迹较密集的特征，行人过街特征的运动特征识别能更好体现步行GPS轨迹较稀疏的特征。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤2具体包括以下步骤：
步骤2.1：根据行人轨迹数据和道路轨迹数据得到步行GPS轨迹经纬度、道路GPS轨迹经纬度的最大值和最小值，根据所述最大值和最小值，分别得到多个行人轨迹数据构成的矩形和道路轨迹数据构成的矩形；
步骤2.2：对存在相交关系的行人轨迹数据构成的矩形和道路轨迹数据构成的矩形，将此道路轨迹数据定义为此行人轨迹的附近道路轨迹；
步骤2.3：判断行人轨迹数据中两个相邻轨迹点组成的线段与附近道路轨迹的两个相邻轨迹点组成的线段是否相交，如果是，执行步骤2.5；否则，执行步骤2.4；
步骤2.4：丢弃所述行人轨迹数据，执行步骤2.3；
步骤2.5：得到穿过街道的过街行人轨迹集合。
进一步，所述步骤6中行人通过步行设施过街的运动特征设定为：将行人穿过道路时的方向与此处路段轨迹方向的夹角在90度左右的轨迹子集定义为疏散子集。
进一步，所述步骤4中的阈值根据现有数据进行预先设定。
本发明所要解决的技术问题是提供一种基于步行GPS轨迹数据的未知步行设施位置确定系统。
本发明解决上述技术问题的技术方案如下：一种未知步行设施位置确定系统，包括采集模块、分析模块、分解模块、密度分析模块和集合模块：
所述采集模块用于采集街道轨迹信息和行人行走轨迹信息，并进行预处理得到便于处理的道路轨迹数据和行人轨迹数据；
所述分析模块用于采用行程识别方法对行人轨迹数据进行分析，得到穿过街道的过街行人轨迹集合；
所述分解模块根据行人轨迹数据在街道上的分布将过街行人轨迹集合分解为多个轨迹子集；
所述密度分析模块对所有轨迹子集进行密集度分析，判断密集度是否大于预设阈值，如果大于，对所述轨迹子集进行密度聚类，得到密集子集；否则，根据运动特征识别方法对所述轨迹子集进行分析，得到符合行人通过步行设施过街的运动特征的疏散子集；
所述集合模块用于计算步行设施位置集合，所述步行设施位置集合为所有密集子集和所有疏散子集的并集。
本发明的有益效果是：结合行人过街特征的运动特征识别和密度聚类两种方法，可以准确地挖掘出步行设施(限定为人行横道，过街天桥，地下通道)；密度聚类方法可以体现步行GPS轨迹较密集的特征，行人过街特征的运动特征识别能更好体现步行GPS轨迹较稀疏的特征。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述分析模块包括矩形轨迹模块、交叉模块和过街数据提取模块；
所述矩形轨迹模块用于根据行人轨迹数据和道路轨迹数据得到步行GPS轨迹经纬度、道路GPS轨迹经纬度的最大值和最小值，根据所述最大值和最小值，分别得到行人轨迹数据构成的矩形和道路轨迹数据构成的矩形；
所述交叉模块用于对存在相交关系的行人轨迹数据构成的矩形和道路轨迹数据构成的矩形，将此道路轨迹数据定义为此行人轨迹的附近道路轨迹；
所述过街数据提取模块判断行人轨迹数据中两个相邻轨迹点组成的线段与附近道路轨迹的两个相邻轨迹点组成的线段是否相交，如果是，得到穿过街道的过街行人轨迹集合；否则，丢弃所述行人轨迹数据。
进一步，所述密度分析模块中行人通过步行设施过街的运动特征设定为：将行人穿过道路时的方向与此处路段轨迹方向的夹角在90度左右的轨迹子集定义为疏散子集。
进一步，所述密度分析模块中的阈值根据现有数据进行预先设定。
实现本发明的目的的基本思路是：首先，挖掘出穿过道路的行人；其次，将穿过道路的行人轨迹分为两部分，密集行人轨迹集和稀疏行人轨迹集。对前者使用密度聚类进行分析，对后者使用基于行人经过步行设施穿过道路的运动特征进行分析。然后，将上述两种方法的分析结果整合输出。
附图说明
图1为本发明所述的一种未知步行设施位置确定方法流程图；
图2为本发明所述的一种未知步行设施位置确定系统结构框图；
图3为本发明所述方法中矩形行人轨迹数据相交示意图；
图4为本发明所述方法中两个相邻轨迹点组成的线段与附近道路轨迹的两个相邻轨迹点组成的线段之间关系示意图。
附图中，各标号所代表的部件列表如下：
1、采集模块，2、分析模块，3、分解模块，4、密度分析模块，5、集合模块，21、矩形轨迹模块，22、交叉模块，23、过街数据提取模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本发明所述的一种未知步行设施位置确定方法，具体包括以下步骤：
步骤1：采集一个区域的街道轨迹信息和行人行走轨迹信息，并进行预处理得到便于处理的道路轨迹数据和行人轨迹数据；
步骤2：根据行人轨迹数据和道路轨迹数据得到步行GPS轨迹经纬度、道路GPS轨迹经纬度的最大值和最小值，根据所述最大值和最小值，分别得到行人轨迹数据构成的矩形和道路轨迹数据构成的矩形；
步骤3：对存在相交关系的行人轨迹数据构成的矩形和道路轨迹数据构成的矩形，将此道路轨迹数据定义为此行人轨迹的附近道路轨迹；
步骤4：判断行人轨迹数据中两个相邻轨迹点组成的线段与附近道路轨迹的两个相邻轨迹点组成的线段是否相交，如果是，执行步骤6；否则，执行步骤5；
步骤5：丢弃所述行人轨迹数据，执行步骤4；
步骤6：得到穿过街道的过街行人轨迹集合；
步骤7：根据行人轨迹数据在街道上的分布将过街行人轨迹集合分解为多个轨迹子集；
步骤8：对一个轨迹子集进行密集度分析，判断密集度是否大于预设阈值，如果大于，执行步骤9；否则，执行步骤10；
步骤9：对所述轨迹子集进行密度聚类，得到密集子集，执行步骤11；
步骤10：根据运动特征识别方法对所述轨迹子集进行分析，得到符合行人通过步行设施过街的运动特征的疏散子集，执行步骤11；
步骤11：判断是否存在未进行密集度分析的轨迹子集，如果有，执行步骤8；否则，执行步骤12：
步骤12：所有密集子集和所有疏散子集的并集为步行设施位置集合，结束。
所述步骤10中行人通过步行设施过街的运动特征设定为：将行人穿过道路时的方向与此处路段轨迹方向的夹角在90度左右的轨迹子集定义为疏散子集。
所述步骤8中的阈值根据现有数据进行预先设定。
如图2所示，为本发明所述的一种未知步行设施位置确定系统，包括采集模块1、分析模块2、分解模块3、密度分析模块4和集合模块5：
所述采集模块1用于街道轨迹信息和行人行走轨迹信息，并进行预处理得到便于处理的道路轨迹数据和行人轨迹数据；
所述分析模块2用于采用行程识别方法对行人轨迹数据进行分析，得到穿过街道的过街行人轨迹集合；
所述分解模块3根据行人轨迹数据在街道上的分布将过街行人轨迹集合分解为多个轨迹子集；
所述密度分析模块4对所有轨迹子集进行密集度分析，判断密集度是否大于预设阈值，如果大于，对所述轨迹子集进行密度聚类，得到密集子集；否则，根据运动特征识别方法对所述轨迹子集进行分析，得到符合行人通过步行设施过街的运动特征的疏散子集；
所述集合模块5用于计算步行设施位置集合，所述步行设施位置集合为所有密集子集和所有疏散子集的并集。
所述分析模块2包括矩形轨迹模块21、交叉模块22和过街数据提取模块23；
所述矩形轨迹模块21用于根据行人轨迹数据和道路轨迹数据得到步行GPS轨迹经纬度、道路GPS轨迹经纬度的最大值和最小值，根据所述最大值和最小值，分别得到行人轨迹数据构成的矩形和道路轨迹数据构成的矩形；
所述交叉模块22用于对存在相交关系的行人轨迹数据构成的矩形和道路轨迹数据构成的矩形，将此道路轨迹数据定义为此行人轨迹的附近道路轨迹；
所述过街数据提取模块23判断行人轨迹数据中两个相邻轨迹点组成的线段与附近道路轨迹的两个相邻轨迹点组成的线段是否相交，如果是，得到穿过街道的过街行人轨迹集合；否则，丢弃所述行人轨迹数据。
本发明提供一种基于步行GPS轨迹数据的未知步行设施位置挖掘方法，包括如下步骤：
步骤1：对数据进行预处理，使其成为适合于数据挖掘、信息提取的形式；
步骤2：通过附近搜索、行人过街判断方法挖掘出穿过道路的行人；
2.1附近搜索：
分别找出步行GPS轨迹、道路GPS轨迹经纬度的最大值最小值，可以得到轨迹的外接矩形。然后判断两轨迹矩形是否相交，两矩形位置状态如图3所示，找到两轨迹相交的情形即可找到步行GPS轨迹附近的道路。
2.2行人过街判断：
判断行人GPS轨迹中两相邻轨迹点组成的线段与行人附近道路轨迹的两相邻轨迹点组成的线段是否相交，两线段的位置关系如图4所示。若相交则表示该行人经过道路的特定位置穿过道路，该特定位置即为步行设施。
步骤3：将穿过道路行人轨迹分为两部分，一是很多行人经过同一条路段的密集行人轨迹集，另一个是很少行人经过同一条路段的稀疏行人轨迹集。对前者使用密度聚类进行下一步分析挖掘输出这部分步行设施位置集A对后者使用基于行人经过步行设施穿过道路的运动特征进行分析挖掘输出这部分步行设施位置集A；
3.1如果很多行人经过同一条路段，使用密度聚类算法。
计算行人经过的同一位置范围穿过道路的行人密度，如果密度比较大，即行人集中在该路段的同一位置穿过道路，认为此处存在步行设施，挖掘输出这部分步行设施位置集A。如果密度比较小，即行人分散在路段的不同位置穿过道路，认为此路段不存在步行设施，行人是自己乱穿道路的。
3.2如果很少行人经过同一道路，使用行人的运动特征识别分析。
若符合行人通过步行设施过街的运动特征，则也可以认为此处存在步行设施，挖掘输出这部分步行设施位置集B。行人通过步行设施过街特征设为，在行人经过步行设施穿过道路时，行人穿过道路时的方向与此处路段轨迹方向的夹角在90°左右。
步骤4:算法的输出结果为第3步的输出步行设施位置集A、B的并集；其他情况不作出判断。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种未知步行设施位置确定方法，其特征在于，具体包括以下步骤：
步骤1：采集一个区域的街道轨迹信息和行人行走轨迹信息，并进行预处理得到便于处理的道路轨迹数据和行人轨迹数据；
步骤2：采用行程识别方法对行人轨迹数据进行分析，得到穿过街道的过街行人轨迹集合；
步骤3：根据行人轨迹数据在街道上的分布将过街行人轨迹集合分解为多个轨迹子集；
步骤4：对一个轨迹子集进行密集度分析，判断密集度是否大于预设阈值，如果大于，执行步骤5；否则，执行步骤6；
步骤5：对所述轨迹子集进行密度聚类，得到密集子集，执行步骤7；
步骤6：根据运动特征识别方法对所述轨迹子集进行分析，得到符合行人通过步行设施过街的运动特征的疏散子集，执行步骤7；
步骤7：判断是否存在未进行密集度分析的轨迹子集，如果有，执行步骤4；否则，执行步骤8：
步骤8：所有密集子集和所有疏散子集的并集为步行设施位置集合，结束。
2.根据权利要求1所述的一种未知步行设施位置确定方法，其特征在于，所述步骤2具体包括以下步骤：
步骤2.1：根据行人轨迹数据和道路轨迹数据得到步行GPS轨迹经纬度、道路GPS轨迹经纬度的最大值和最小值，根据所述最大值和最小值，分别得到行人轨迹数据构成的矩形和道路轨迹数据构成的矩形；
步骤2.2：对存在相交关系的行人轨迹数据构成的矩形和道路轨迹数据构成的矩形，将此道路轨迹数据定义为此行人轨迹的附近道路轨迹；
步骤2.3：判断行人轨迹数据中两个相邻轨迹点组成的线段与附近道路轨迹的两个相邻轨迹点组成的线段是否相交，如果是，执行步骤2.5；否则，执行步骤2.4；
步骤2.4：丢弃所述行人轨迹数据，执行步骤2.3；
步骤2.5：得到穿过街道的过街行人轨迹集合。
3.根据权利要求1或2所述的一种未知步行设施位置确定方法，其特征在于，所述步骤6中行人通过步行设施过街的运动特征设定为：将行人穿过道路时的方向与此处路段轨迹方向的夹角在90度的轨迹子集定义为疏散子集。
4.根据权利要求1所述的一种未知步行设施位置确定方法，其特征在于，所述步骤4中的阈值根据现有数据进行预先设定。
5.一种未知步行设施位置确定系统，其特征在于，包括采集模块、分析模块、分解模块、密度分析模块和集合模块：
所述采集模块用于采集街道轨迹信息和行人行走轨迹信息，并进行预处理得到便于处理的道路轨迹数据和行人轨迹数据；
所述分析模块用于采用行程识别方法对行人轨迹数据进行分析，得到穿过街道的过街行人轨迹集合；
所述分解模块根据行人轨迹数据在街道上的分布将过街行人轨迹集合分解为多个轨迹子集；
所述密度分析模块对所有轨迹子集进行密集度分析，判断密集度是否大于预设阈值，如果大于，对所述轨迹子集进行密度聚类，得到密集子集；否则，根据运动特征识别方法对所述轨迹子集进行分析，得到符合行人通过步行设施过街的运动特征的疏散子集；
所述集合模块用于计算步行设施位置集合，所述步行设施位置集合为所有密集子集和所有疏散子集的并集。
6.根据权利要求5所述的一种未知步行设施位置确定系统，其特征在于，所述分析模块包括矩形轨迹模块、交叉模块和过街数据提取模块；
所述矩形轨迹模块用于根据行人轨迹数据和道路轨迹数据得到步行GPS轨迹经纬度、道路GPS轨迹经纬度的最大值和最小值，根据所述最大值和最小值，分别得到行人轨迹数据构成的矩形和道路轨迹数据构成的矩形；
所述交叉模块用于对存在相交关系的行人轨迹数据构成的矩形和道路轨迹数据构成的矩形，将此道路轨迹数据定义为此行人轨迹的附近道路轨迹；
所述过街数据提取模块判断行人轨迹数据中两个相邻轨迹点组成的线段与附近道路轨迹的两个相邻轨迹点组成的线段是否相交，如果是，得到穿过街道的过街行人轨迹集合；否则，丢弃所述行人轨迹数据
。
7.根据权利要求5或6所述的一种未知步行设施位置确定系统，其特征在于，所述密度分析模块中行人通过步行设施过街的运动特征设定为：将行人穿过道路时的方向与此处路段轨迹方向的夹角在90度的轨迹子集定义为疏散子集。
8.根据权利要求5所述的一种未知步行设施位置确定系统，其特征在于，所述密度分析模块中的阈值根据现有数据进行预先设定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410364225.5A CN104183132B (zh) | 2014-07-28 | 2014-07-28 | 一种未知步行设施位置确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410364225.5A CN104183132B (zh) | 2014-07-28 | 2014-07-28 | 一种未知步行设施位置确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104183132A CN104183132A (zh) | 2014-12-03 |
| CN104183132B true CN104183132B (zh) | 2016-01-06 |
Family
ID=51964134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410364225.5A Active CN104183132B (zh) | 2014-07-28 | 2014-07-28 | 一种未知步行设施位置确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104183132B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491895A (zh) * | 2017-08-30 | 2017-12-19 | 国信优易数据有限公司 | 一种共享单车停放点的确定方法及装置 |
| CN114220295B (zh) * | 2021-11-10 | 2023-03-14 | 岚图汽车科技有限公司 | 交通预警系统、控制方法、存储介质、控制装置和车辆 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556162A (zh) * | 2008-04-07 | 2009-10-14 | 吴波 | Gps路线记录设备和路线形成系统 |
| CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010129192A1 (en) * | 2009-05-04 | 2010-11-11 | Tele Atlas North America Inc. | Methods and systems for creating digital transportation networks |
-
2014
- 2014-07-28 CN CN201410364225.5A patent/CN104183132B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556162A (zh) * | 2008-04-07 | 2009-10-14 | 吴波 | Gps路线记录设备和路线形成系统 |
| CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于GPS轨迹的矢量路网地图自动生成方法;孔庆杰等;《中国科学技术大学学报》;20120831;第42卷(第8期);第623-627页 * |
| 基于步行GPS轨迹的路网提取方法;欧阳鸿等;《计算机与现代化》;20140228(第2期);第124-128页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104183132A (zh) | 2014-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hasnat et al. | Identifying tourists and analyzing spatial patterns of their destinations from location-based social media data | |
| Chen et al. | Social functional mapping of urban green space using remote sensing and social sensing data | |
| Wang et al. | Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories | |
| CN111291811B (zh) | 区域划分和分类方法、装置和计算机可读存储介质 | |
| CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
| Li et al. | Integrated use of spatial and semantic relationships for extracting road networks from floating car data | |
| CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
| Wang et al. | Quality analysis of open street map data | |
| US20140164390A1 (en) | Mining trajectory for spatial temporal analytics | |
| Huang et al. | Automatic generation of road maps from low quality GPS trajectory data via structure learning | |
| CN106227726A (zh) | 一种基于车辆轨迹数据的路径提取方法 | |
| CN106408124A (zh) | 一种面向数据稀疏环境下的移动路径混合预测方法 | |
| Karagiorgou et al. | A layered approach for more robust generation of road network maps from vehicle tracking data | |
| Wang et al. | Drainage pattern recognition method considering local basin shape based on graph neural network | |
| Ezzat et al. | Building road segments and detecting turns from gps tracks | |
| Coscia et al. | Optimal spatial resolution for the analysis of human mobility | |
| CN102867406A (zh) | 一种应用车辆探测资料的交通路网生成方法 | |
| CN104183132B (zh) | 一种未知步行设施位置确定方法及系统 | |
| Wu et al. | Object-oriented and deep-learning-based high-resolution mapping from large remote sensing imagery | |
| Li et al. | VIS-MM: a novel map-matching algorithm with semantic fusion from vehicle-borne images | |
| CN116340563A (zh) | 图形匹配的城市场景地理位置定位方法 | |
| Huang et al. | Recognition of functional areas in an old city based on POI: A case study in Fuzhou, China | |
| Yang et al. | Three-dimensional structure determination of grade-separated road intersections from crowdsourced trajectories | |
| Zhang et al. | Enrichment of topographic road database for the purpose of routing and navigation | |
| Qiu et al. | Inferring road maps from sparsely sampled GPS traces |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |