基于时空轨迹数据的交通流量的预警方法研究

为了完成交通流量的精准预警,提出一种基于时空轨迹数据的交通流量的预警方法。以路网约束为依据,提取时空轨迹数据特征。计算不同类型时空轨迹数据之间的时间和空间相似度,对其归一化处理,获取不同轨迹之间的时空距离,完成时空轨迹数据的聚类处理。将图卷积计算引入循环网络记忆单元,组建时空图卷积神经网络直接提取时空关联特征。通过图卷积神经网络构建交通流量预警模型。实验结果表明,所提方法可以以较快的速度和较高的精度完成交通流量预警。

时空轨迹数据驱动的自动驾驶场景元建模方法

时空轨迹数据驱动的汽车自动驾驶场景建模,是当前汽车自动驾驶领域中驾驶场景建模、仿真所面临的关键问题,对于提高系统的安全性具有重要的研究意义.近年来,随着时空轨迹数据建模及应用研究的快速发展,时空轨迹数据应用于特定领域建模的研究引起人们的广泛关注.但是,由于时空轨迹数据所反映的现实世界的多元性和复杂性以及时空轨迹数据的海量、异构、动态等特点,基于时空轨迹数据驱动的安全攸关场景建模的研究仍面临着挑战,包括:统一的时空轨迹数据元模型、基于时空轨迹数据的元建模方法、基于数据分析技术的时空轨迹数据处理、数据质量评价等.针对汽车自动驾驶领域的场景建模需求,提出一种基于MOF元建模体系构建时空轨迹数据的元建模方法,根据时空轨迹数据的特征及自动驾驶的领域知识,构建了面向汽车自动驾驶的时空轨迹数据元模型;基于此,提出基于时空轨迹数据元建模技术体系的自动驾驶安全场景建模方法,并使用场景建模语言ADSML实例化安全场景,构建安全场景库,旨在为此类系统的安全关键场景建模提供一种可行的方案.结合变道超车场景的案例,展示了时空轨迹数据驱动的自动驾驶安全场景元建模方法的可用性,为场景模型的构建、仿真、分析奠定了基础.

基于时空轨迹数据的传染病传播风险评估

本文利用CRAWDAD提供的2009年10月份纽约市的出租车时空轨迹数据,依据复杂网络理论在城市交通网络中的应用,提出了一种方法求解出租车空间密度表示移动人群的时空密度变化,并用不同时段的平均速度表示人群的移动速度综合判定传染病在市内传播的高风险区域,重点分析了13时传染病传播的风险区位。通过建立空间密度与平均速度的二维特征空间,并将齐夫定律与能够遍历曼哈顿区的最大速度作为条件确定传染病传播的风险边界。结果反映在二维特征空间中,由最大遍历速度、安全行驶的空间密度临界值与数据上边界围成的三角区内节点对应的实际区位为传染病传播的高危区域。

基于船舶时空轨迹数据的水上输出风险评估

水路运输加快了新型冠状肺炎疫情的传播,船舶停靠疫情港口的时间与所携带的传播风险成正相关关系。为评估新型冠状病毒肺炎疫情的水上输出风险,以水路运输为切入点,利用船舶时空轨迹数据,基于船舶在泊天数、在泊港口相应时间感染率与船上人员总数,计算出停靠湖北省单条船舶所携带的传播风险,并结合船舶在泊港口和在泊艘次,量化分析武汉"封城"前后14天内全国省份的输入风险。数值计算表明,对于同一省份,武汉"封城"之前的输入风险是"封城"之后的4~6倍"。封城"之后的风险传播范围相较于"封城"之前有所减小,是"封城"之前的82.31%。其中,江苏省输入风险最高,安徽省、江西省、湖南省、上海市和重庆市输入风险较高,其他省份输入风险较低。研究可为全国省份加强对新型冠状病毒肺炎疫情的水运防控提供科学支撑。

基于时空轨迹数据的异常检测

伴随着智能设备的普及和无线通信技术的发展,用户在使用无线网络满足各种需求时,无线网络也记录下了用户上网留下的大量时空轨迹数据。针对时空轨迹数据的异常检测已经成为数据挖掘领域一个新的研究热点。为了更好地关注学生健康发展,促进校园信息化建设,以真实校园上网数据为例,提出了一种基于多尺度阈值和密度相结合的谱聚类算法(Spectral Clustering Algorithm Based on The Combination of Multi-Scale Threshold And Density,MSTD-SC),使用基于最短时间距离子序列(Shortest Time Distance-Shortest Time Distance Subsequences,STD-STDSS)的亲和距离函数来构造初始相似度矩阵,进一步引入协方差尺度阈值和空间尺度阈值对相似度矩阵进行0-1化处理,以此得到更精确的样本相似度,接着对相似度矩阵进行特征值分解,得到新的特征向量空间,最后采用DBSCAN聚类避免了K-means算法需要人工确定聚类数目的缺陷。利用轮廓系数评估多种算法得到的实验结果,MSTD-SC算法体现出了更好的聚类性能。将其应用于用户个体的异常检测中,异常用户名单被验证是有效可信的。

时空轨迹数据智能处理与模式挖掘技术研究

位置获取、空间定位、传感器网络、移动通信等技术的快速发展和普及,产生庞大的用于表示各种移动对象和实体运动的轨迹数据,时空轨迹数据现已成为各国学者关注和研究的热点之一。重点研究城市时空轨迹数据的智能处理与模式挖掘技术,对轨迹压缩、不确定性处理、模式挖掘的国内外研究发展现状和热点问题进行梳理和剖析。对当前时空轨迹数据处理研究的难点问题作出分析和探讨,展望未来的研究方向和应用前景,为该领域的进一步研究提供参考。

时空轨迹大数据模式挖掘研究进展

时空轨迹挖掘是数据挖掘领域的前沿研究课题,通过研究和开发时空轨迹挖掘技术,来发现隐藏在轨迹大数据中有价值的规律和知识以供决策支持。本文介绍了时空轨迹大数据模式挖掘与知识发现领域的研究进展;然后对时空轨迹模式挖掘技术产生的背景、应用领域和研究现状作了简介,并探讨了面向时空轨迹大数据模式挖掘的研究内容、系统架构以及关键技术,最后对时空轨迹频繁模式、伴随模式、聚集模式和异常模式的挖掘算法思想进行了阐述。

时空轨迹序列模式挖掘方法综述

在全球定位、移动通信技术迅速发展的背景下涌现出了海量的时空轨迹数据,这些数据是对移动对象在时空环境下的移动模式和行为特征的真实写照,蕴含了丰富的信息,这些信息对于城市规划、交通管理、服务推荐、位置预测等领域具有重要的应用价值,而时空轨迹数据在这些领域的应用通常需要通过对时空轨迹数据进行序列模式挖掘才能得以实现。时空轨迹序列模式挖掘旨在从时空轨迹数据集中找出频繁出现的序列模式,例如:位置模式(频繁轨迹、热点区域)、活动周期模式、语义行为模式,从而挖掘时空数据中隐藏的信息。总结近年来时空轨迹序列模式挖掘的研究进展,先介绍时空轨迹序列的数据特点及应用,再描述时空轨迹模式的挖掘过程:从基于时空轨迹序列来挖掘位置模式、周期模式、语义模式这三个方面来介绍该领域的研究情况,最后阐述现有时空轨迹序列模式挖掘方法存在的问题,并展望时空轨迹序列模式挖掘方法未来的发展趋势。

高密度群体轨迹数据的微观可视分析

人类活动会持续产生大量时空轨迹数据,探索和理解数据中的隐藏模式可帮助理解人类生产生活的规律、提高管理效率.前人工作大多关注于轨迹数据的宏观可视分析,缺乏对高密度小区域内的个体行为展开深入分析.针对高密度群体轨迹数据,提出多视图结合的可视分析方法以探索和分析其微观演化情况.该方法主要包括4个部分:基于small-multiples的特征统计视图,展示轨迹数据在时间和空间维度上的特征分布;采用多分辨率河流视图支持从多层次聚合角度展示轨迹数据的变化;采用轨迹投影视图揭示高密度群体轨迹间的相关性;采用多层次空间地图以展示轨迹数据的具体分布情况.上述方法形成的可视分析系统已用于2个高密度群体轨迹数据集的分析中,为后续高密度群体轨迹数据的可视分析提供一种解决思路.

时空轨迹和复合收益的动态上车点推荐

随着互联网技术的快速发展,网约车已成为出行的重要方式。通过智能手段为用户推荐上车点不仅可有效实现分流缓解道路拥堵,也可减少乘客与司机的沟通成本,提升司机的服务效率并降低乘客的等待时间,从而提高司乘双方的出行体验感。但现存推荐方法所依据的指标较为单一,未在乘客便利性与司机收益之间取得较好平衡,且无法保证所推荐上车点的安全性与可达性。通过对时空轨迹大数据的归纳与分析,提取保证可达性的潜在上车点,避免依据单一指标推荐上车点所导致的偏袒性问题,综合考虑乘客步行收益、司机驾驶收益、上车点路况指标、周边安全性等关键因素,建立上车点的复合收益评价,构建上车点的动态推荐模型。以约束控制同时段同上车点的推荐量,有效解决由于单上车点订单堆积而造成的非必要等待和资源浪费,在一定程度上缓解交通压力。基于真实网约车数据的实验表明,该模型和推荐方法可实现上车点的有效动态分配,较单一指标上车点推荐方法有较好的综合收益与时间优势。从司机与乘客双方角度出发,在降低行程总时间的基础上,提升全局司机接驾效率并降低乘客等待时间,且推荐结果的综合评价值优于现存推荐方法。

基于轨迹位置形状相似性的隐私保护算法

为了降低轨迹数据发布产生的隐私泄露风险,提出了多种轨迹匿名算法。然而,现有的轨迹匿名算法在计算轨迹相似性时忽略了轨迹的形状因素对轨迹相似性的影响,因此产生的匿名轨迹集合的可用性相对较低。针对这一问题,提出了一种新的轨迹相似性度量模型,在考虑轨迹的时间和空间要素的同时,加入了轨迹的形状因素,可以在多项式时间内计算定义在不同时间跨度上的轨迹的距离,能够更加准确、快速地度量轨迹之间的相似性;在此基础上,提出了一种基于轨迹位置形状相似性的隐私保护算法,最大限度地提高了聚类内部轨迹的相似性,并且使用真实的原始位置信息形成数据"面罩",满足了轨迹k-匿名,在有效地保护轨迹数据的同时,提高了轨迹数据的可用性;最后,在合成轨迹数据集和真实轨迹数据集上的实验结果表明,本算法花费更少的时间代价,具有更高的数据可用性。

基于频繁轨迹序列模式挖掘的路径推荐方法

出行路径推荐是智能交通领域的重要研究内容之一。传统路径推荐方法往往基于路径最短或通行时间最短等单一因素进行路径推荐,而忽略了城市人群出行模式对路径推荐过程的影响。针对上述问题,提出了一种基于频繁轨迹序列模式的路径推荐方法,在数据预处理阶段基于历史轨迹数据库挖掘城市不同时段的频繁序列模式,并以此构建频繁路径序列模式库。在路径推荐阶段,对于给定起止点后确定的一组候选路径集合,利用所提出的长短模式权重评估模型对其进行量化评估并进行排序。然后,取出其评估值为Top-n的路径为用户进行推荐。通过4组模拟场景对推荐结果进行分析,结果表明该推荐方法具备合理性,同时将推荐结果和传统的最短路径和测试集比较分析,证明其推荐的路径更优,与传统的路径推荐算法相比其运行速度也更快。

基于WiFi定位的智慧景区游客行为研究--以黄山风景名胜区为例

随着大数据研究的兴起,基于WiFi的定位技术提供了环境行为学中研究人行为规律的全新方式。国家级风景名胜区作为一类特殊的空间区域,研究其中的游客流游览行为对于改善其智慧规划、精明管理和精准服务有着重要意义。以黄山风景名胜区为例,在其主要景点布设WiFi定位设备获取手机位置数据,并经过脱敏、清洗压缩及缺失值处理,形成游客时空轨迹的数据;进一步使用比较分析、频繁项集挖掘以及轨迹聚类等方法对景区春节及其前后的客流规律进行了研究,以期为智慧黄山景区的规划管理与服务提供客观和量化的决策依据。

基于DBSCAN算法的城市交通拥堵区域发现

现阶段我国车辆的数目不断增加,这必然会导致现有的交通条件等不再能够满足现在的交通状况。因时空数据蕴含丰富的信息,本文将通过分析车辆的时空轨迹数据,即GPS轨迹数据,并利用DBSCAN算法挖掘出城市中交通最拥堵的城市区域,再将得到的结果映射到城市路网上,使得相关部门能够清楚地了解问题,并制定一系列相应措施,如调整道路规划等,保证该区域的问题能够迅速得到解决。本文的实验结果清晰地标明了城市中具体的拥堵区域,本文下一步将根据城市拥堵区域的发现结果预测区域的下一次拥堵的时间。