精华内容
下载资源
问答
  • 交通轨迹数据80万个点,包含坐标、速度等字段,txt文本
  • 在本文中,我们提出了一种可视化分析系统,以探索由运输单元记录的稀疏交通轨迹数据。 这些数据包含城市主要道路上几乎所有行驶中的车辆的行驶情况。 因此,它非常适合进行宏流量分析。 但是,仅在车辆运动通过单元...
  • 基于轮廓系数的参数无关空中交通轨迹聚类方法.pdf
  • 一种基于深度学习与排列熵的交通轨迹模式分类方法.pdf
  • 基于距离积分的交通轨迹聚类算法

    千次阅读 2017-12-31 17:00:37
    为了做好城市规划和交通管理工作,对车辆运动轨迹的...而对交通轨迹数据的聚类则可以有效地将数据约简,并从中挖掘出轨迹信息潜藏的规律,为进一步的决策工作提供有价值的参考。为此,本文提出一种实现轨迹聚类的...

        为了做好城市规划和交通管理工作,对车辆运动轨迹的分析和研究是必不可少的一项工作。然而,现实中每时每刻都有成千上万的车辆在城市中,短时间内的车辆轨迹采集即可形成大量数据。数据的极度庞大和错综复杂使得人们难以直接通过所采集的轨迹数据获取任何有效信息。而对交通轨迹数据的聚类则可以有效地将数据约简,并从中挖掘出轨迹信息潜藏的规律,为进一步的决策工作提供有价值的参考。为此,本文提出一种实现轨迹聚类的方法,主要包括了轨迹数据清洗,轨迹相似度计算,轨迹聚类以及数据可视化等四个部分。文中通过计算两条不同轨迹在任意相同时刻的平均空间距离求得轨迹相似度,相比于经典的Frechet distance算法,该方法同时考虑了空间和时间因素对轨迹相似度的影响,能够更加客观地反映交通的真实情况。

        文本采用法国克雷泰伊的一个环形道路上晚上车流高峰时期(17.00-19.00)的车辆行驶数据作为实验数据(下载地址:http://vehicular-mobility-trace.github.io/)。数据集的采样频率为每秒1次,包含了车辆名称,采集时刻,车辆坐标等信息。

         更多信息,参见作者个人主页Jianping Cai's Research Page

     

    展开全文
  • 本文主要是整理了交通轨迹数据。 注意: 部分数据集在“翻-墙”之后才可以下载,比如微软的T-drive数据集,它被保存在OneDrive上面。最后的其他数据可以直接下载,作者已经备好了。 1. GeoLife GPS Trajectories ...

    本文主要是整理了交通轨迹数据。

    注意: 部分数据集在“翻-墙”之后才可以下载,比如微软的T-drive数据集,它被保存在OneDrive上面。最后的其他数据可以直接下载,作者已经备好了。

    1. GeoLife GPS Trajectories
    该GPS轨迹数据集出自微软研究GeoLift项目。从2007年四月到2012年八月收集了182个用户的轨迹数据。这些数据包含了一系列以时间为序的点,每一个点包含经纬度、海拔等信息。包含了17621个轨迹,总距离120多万公里,总时间48000多小时。这些数据不仅仅记录了用户在家和在工作地点的位置轨迹,还记录了大范围的户外活动轨迹,比如购物、旅游、远足、骑自行车。

    这个数据集可以用来进行用户活动相似度估算,移动模型挖掘,用户活动推荐,基于位置的社交网络,位置隐私,位置推荐。

        时间:2007年4月~2012年8月
        数据大小:大概300M.
        下载地址:[https://www.microsoft.com/en-us/download/details.aspx?id=52367](https://www.microsoft.com/en-us/download/details.aspx?id=52367)
        数据格式:
    一个文件夹存储一个用户的GPS日志,这些日志文件都被转换成了plt格式。为了避免时间区间问题,统一使用了GMT格式的时间表示。其他具体格式为:

    Line 1…6 are useless in this dataset, andcan be ignored. Points are described in following lines, one for each line.
    Field 1: Latitude in decimal degrees.
    Field 2: Longitude in decimal degrees.
    Field 3: All set to 0 for this dataset.
    Field 4: Altitude in feet (-777 if notvalid).
    Field 5: Date - number of days (withfractional part) that have passed since 12/30/1899.
    Field 6: Date as a string.
    Field 7: Time as a string.
    Note that field 5 and field 6&7represent the same date/time in this dataset. You may use either of them.

    Example:
    39.906631,116.385564,0,492,40097.5864583333,2009-10-11,14:04:30
    39.906554,116.385625,0,492,40097.5865162037,2009-10-11,14:04:35
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    交通方式数据集格式:

    可能的交通方式有:walk,bike, bus, car, subway, train, airplane, boat, run and motorcycle,再次强调,虽然大多数数据是在中国产生的,但是,还是把时间或者日期都统一以GMT的时间形式表示。

    例如:

    Start Time End Time Transportation Mode

    2008/04/02 11:24:21 2008/04/02 11:50:45bus

    具体说明在下载的文件压缩包中!

    使用到该数据的论文有:
    Q. Li, Y. Zheng, X. Xie, Y. Chen, W. Liu, and M. Ma. 2008.Mining user similarity based on location history. In Proceedings of the 16thAnnual ACM International Conference on Advances in Geographic InformationSystems. ACM, 34.

    Z. Chen, H. T. Shen, X. Zhou, Y. Zheng, and X. Xie. 2010.Searching trajectories by locations—An efficient study. In Proceedings of the29th ACM SIGMOD International Conference on Management of Data. ACM,255–266.

    [1] Yu Zheng, Lizhu Zhang, Xing Xie, Wei-Ying Ma. Mininginteresting locations and travel sequences from GPS trajectories. InProceedings of International conference on World Wild Web (WWW 2009), MadridSpain. ACM Press: 791-800.

    [2] Yu Zheng, Quannan Li, Yukun Chen, Xing Xie, Wei-Ying Ma.Understanding Mobility Based on GPS Data. In Proceedings of ACM conference onUbiquitous Computing (UbiComp 2008), Seoul, Korea. ACM Press: 312-321.

    [3] Yu Zheng, Xing Xie, Wei-Ying Ma, GeoLife: ACollaborative Social Networking Service among User, location and trajectory.Invited paper, in IEEE Data Engineering Bulletin. 33, 2, 2010, pp. 32-40.

    2.T-Drive Taxi Trajectories
    这个数据来自微软T-Drive项目,包含在2008年北京一万多俩出租车一周的轨迹数据。这个数据集包含了1500万个坐标点,轨迹的总距离达到900多万公里。

    时间:2008年

       数据大小:80M左右。
       数据集下载地址:
    https://www.microsoft.com/en-us/research/publication/t-drive-trajectory-data-sample/

    数据详细说明:
    https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/User_guide_T-drive.pdf

    另外为各位备份到百度云下面了: https://pan.baidu.com/s/1mTxei4K8hHVGREhwwKl85g

    数据格式:
    Here is a piece ofsample in a file:

    1,2008-02-0215:36:08,116.51172,39.92123
    1,2008-02-0215:46:08,116.51135,39.93883
    1,2008-02-0215:46:08,116.51135,39.93883
    1,2008-02-0215:56:08,116.51627,39.91034
    1,2008-02-0216:06:08,116.47186,39.91248
    1,2008-02-0216:16:08,116.47217,39.92498
    1,2008-02-02 16:26:08,116.47179,39.90718
    1,2008-02-0216:36:08,116.45617,39.90531
    1,2008-02-0217:00:24,116.47191,39.90577
    1,2008-02-0217:10:24,116.50661,39.9145
    1,2008-02-0220:30:34,116.49625,39.9146
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    每一个字段的所代表的意思是:

    taxi id, date time,longitude, latitude

    使用到该数据集的论文有:
    J. Yuan, Y. Zheng, and X. Xie. 2012. Discovering regions ofdifferent functions in a city using human mobility and POIs. In Proceedings ofthe 18th ACM SIGKDD International Conference on Knowledge Discovery and DataMining. ACM, 186–194.

    J. Yuan, Y. Zheng, C. Zhang, W. Xie, X. Xie, G. Sun, and Y.Huang. 2010a. T-Drive: Driving directions based on taxi trajectories. InProceedings of the 18th Annual ACM International Conference on Advances inGeographic Information Systems. ACM, 99–108.

    J. Yuan, Y. Zheng, X. Xie, and G. Sun. 2011a. Driving withknowledge from the physical world. In Proceedings of the 17th ACM SIGKDDInternational Conference on Knowledge Discovery and Data Mining. ACM, 316–324.

    J. Yuan, Y. Zheng, X. Xie, and G. Sun. 2013a. T-Drive:Enhancing driving directions with taxi drivers’

    intelligence. IEEE Transaction on Knowledge and DataEngineering 25, 1 (2013), 220–232.

    N. J. Yuan, Y. Zheng, L. Zhang, and X. Xie. 2013b. T-Finder:A recommender system for finding passengers and vacant taxis. IEEE Transactionon Knowledge and Data Engineering 25, 10 (2013), 2390–2403.

    N. J. Yuan, Y. Zheng, X. Xie, Y. Wang, K. Zheng, and H.Xiong. 2015. Discovering urban functional zones using latent activitytrajectories. IEEE Transactions on Knowledge and Data Engineering 27, 3 (2015),1041–4347.

    S. Ma, Y. Zheng, and O. Wolfson. 2013. T-Share: Alarge-scale dynamic taxi ridesharing service. In Proceedings of the 29th IEEEInternational Conference on Data Engineering. IEEE, 410–421.

    S. Ma, Y. Zheng, and O. Wolfson. 2015. Real-time city-scaletaxi ridesharing. IEEE Transactions on Knowledge and Data Engineering 99.DOI:http://doi.ieeecomputersociety.org/10.1109/TKDE.2014.2334313

    Jing Yuan, Yu Zheng, Xing Xie, and Guangzhong Sun. Drivingwith knowledge from the physical world. In The 17th ACM SIGKDD internationalconference on Knowledge Discovery and Data mining, KDD’11, New York, NY, USA,2011. ACM.

    Jing Yuan, Yu Zheng, Chengyang Zhang, Wenlei Xie, Xing Xie, Guangzhong Sun, and
    Yan Huang. T-drive: driving directions based on taxi trajectories. In
    Proceedings of the 18th SIGSPATIAL International Conference on Advances in
    Geographic Information Systems, GIS ’10, pages 99-108, New York, NY, USA,2010.
    ACM.

    3. GPS Trajectories with transportationmode labels
    这个数据集是微软亚洲研究院Geolift项目用到的GPS轨迹数据集的一部分。这个数据集代表按时间顺序排序的点集,每一个点所包含的信息有经纬度、高度、速度和当前朝向等等。这些轨迹数据是由不同的GPS设备收集的,这些设备的数据收集频率是不一样的。95%的轨迹是密集的,比如每2~5秒或者每5~10米一个点。

    轨迹数据文件被转换成了.plt格式,每一个轨迹还有一个单独文件存储的交通方式标签文件,比如开车、坐公交车、骑自行车、步行。

    时间:2008年
    数据集大小:大概80M。
    下载地址:
    https://www.microsoft.com/en-us/research/publication/gps-trajectories-with-transportation-mode-labels/

    数据格式:
    交通方式数据格式:

    Date    Start Time       End Time        Transportationmodes
    2008/3/1          11:07:00          11:40:00          walk
    2008/3/1          11:44:00          12:07:00          bus
    2008/3/1          12:07:00          13:30:00          walk
    2008/3/1          13:30:00          13:55:00          car
    2008/3/1          13:55:00          14:16:00          walk
    1
    2
    3
    4
    5
    6
    Plt格式文件数据的格式:

    39.977685,116.3276249,1,0,39539.1428935185,2008/04/01,03:25:46
    39.9777233,116.3276216,0,0,39539.1429050926,2008/04/01,03:25:47
    39.9778499,116.3276266,0,0,39539.1429398148,2008/04/01,03:25:50
    39.9779866,116.3276249,0,0,39539.142974537,2008/04/01,03:25:53
    39.97812,116.3276133,0,0,39539.1430092593,2008/04/01,03:25:56
    第一个字段:纬度(十进制)
    第二个字段:纬度(十进制)
    第三个字段:0表示正常,1表示在轨迹中断
    第四个字段:海拔高度(英尺),-777表示无效
    第五个字段:日期—注意下面的日期格式,如果是空白的,就会使用一个预设的日期。
    第六个字段:日期字符串
    第七个字段:时间字符串
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    需要注意的是:


    具体请查看官方说明:

    https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/User20Guide-with20labels.pdf)

    使用到该数据集的论文:
    Y. Zheng, Q. Li, Y. Chen, and X. Xie. 2008a. Understandingmobility based on GPS data. In Proceedings of the 11th International Conferenceon Ubiquitous Computing. ACM, 312–321.

    Y. Zheng, L. Liu, L. Wang, and X. Xie. 2008b. Learningtransportation mode from raw GPS data for geographic application on the Web. InProceedings of the 17th International Conference on World Wide Web.ACM,247–256.

    [1] Yu Zheng, Like Liu, Longhao Wang, Xing Xie. LearningTransportation Modes from Raw GPS Data for Geographic Application on the Web,In Proceedings of International conference on World Wild Web (WWW 2008), Beijing,China. ACM Press: 247-256

    [2] Yu Zheng, Quannan Li, Yukun Chen, Xing Xie. Understanding Mobility Based on
    GPS Data. In Proceedings of ACM conference on Ubiquitous Computing (UbiComp
    2008), Seoul, Korea. ACM Press: 312–321.

    [3] Yu Zheng, Yukun Chen, Quannan Li, Xing Xie, Wei-Ying Ma.Understanding transportation modes based on GPS data for Web applications. ACMTransaction on the Web. Volume 4, Issue 1, January, 2010. pp. 1-36.

    4. 社交网络签到数据集:
    这是一个基于社交网络的网站的用户签到的数据集,来自斯坦福大学网站。好友网络不是直接相连接的,这些数据是通过网站的公共接口获取的,包含了196591个节点和950327个边。从2009年2月到2010年10月总共收集了6442890个签到记录。

    数据集大小:用户签到的时间和位置的文件有101M, 好友网络数据:6.1M.
    数据格式:
    user latitude [location id] 
    196514 2010-07-24T13:45:06Z 53.3648119 -2.2723465833 145064 
    196514 2010-07-24T13:44:58Z 53.360511233 -2.2763690171275991 
    196514 2010-07-24T13:44:46Z 53.3653895945 -2.2754087046376497 
    196514 2010-07-24T13:44:38Z 53.3663709833 -2.270076433398503 
    196514 2010-07-24T13:44:26Z 53.3674087524 -2.27838134771043431 
    196514 2010-07-24T13:44:08Z 53.3675663377 -2.278631763881734 
    1
    2
    3
    4
    5
    6
    7
    数据集下载地址:https://snap.stanford.edu/data/loc-gowalla.html
    这个也是上面同一家网站所产生的数据,也是基于社交网络数据,大约300M, 详情和下载网址为;http://www.yongliu.org/datasets

    使用到该数据集的论文有:
    E. Cho, S. A. Myers, J. Leskovec. Friendship and Mobility: Friendship and Mobility: User Movement in Location-BasedSocial Networks ACM SIGKDD International Conference on KnowledgeDiscovery and Data Mining (KDD), 2011.

    使用了check-in类型数据集的论文有:
    L. Wei, Y. Zheng, and W. Peng. 2012. Constructing popularroutes from uncertain trajectories. In Proceedings of the 18th ACM SIGKDD InternationalConference on Knowledge Discovery and Data Mining. ACM, 195–203.

    J. Bao, Y. Zheng, and M. F. Mokbel. 2012. Location-based andpreference-aware recommendation using sparse geo-social networking data. InProceedings of the 20th ACM SIGSPATIAL International Conference on Advances inGeographic Information Systems. ACM, 199–208.

    2013年Foursquare的数据集(150M):

    详情:https://archive.org/details/201309_foursquare_dataset_umn
    下载:https://archive.org/download/201309_foursquare_dataset_umn
    其他check-in数据集下载地址: https://sites.google.com/site/yangdingqi/home/foursquare-dataset


    5. 这个是国家飓风中心的数据


    (1)大西洋飓风数据库,时间为1851到2015年之间,这个数据集在2016年7月6日提供,包含了1956年到1960年修订之后的。这个数据集叫HURDAT2, 之前那个HURDAT被替换了。

    数据大小:5.9MB.
    下载地址:http://www.nhc.noaa.gov/data/hurdat/hurdat2-1851-2015-070616.txt
    其他详细信息:http://www.nhc.noaa.gov/data/
    还可以查看:http://www.nhc.noaa.gov/data/hurdat/hurdat2-format-atlantic.pdf
    数据格式:
    这个数据集用逗号分隔的文本,六小时信息的位置,最大的风,中央的压力,和(从2004开始)所有已知的热带气旋和热带气旋的大小。

    (2)1949-2015年东北部和北部太平洋中心飓风数据库,大概3.2兆。

    下载地址:http://www.nhc.noaa.gov/data/hurdat/hurdat2-nepac-1949-2015-050916.txt
    数据格式和上面的数据集的是一样子的。
    具体还可以查看:http://www.nhc.noaa.gov/data/hurdat/hurdat2-format-nencpac.pdf
     

    6.其他数据

    其他的还有TaxiBJ,BikeNYC,central bikeshare数据以及DCRNN论文中使用的数据,

    搜索关注微信公众号”图与交通“,回复交通数据,无需翻墙,即可下载!

    展开全文
  • 基于轨迹数据的视觉交通拥堵分析
  • 行业资料-交通装置-8字形轨迹无碳小车.zip
  • 基于GPS轨迹数据的不同交通状态下交通方式识别流程优化方法.pdf
  • 行业资料-交通装置-一种循线轨迹车.zip
  • 行业资料-交通装置-一种倒车轨迹导引方法.zip
  • 在WebGIS地图上,加载gps轨迹库,以动画的形式演示车辆运动过程。本程序自带shp地图,以动画的形式绘制轨迹。开发环境是vs.net2008。Webgis组件采用aspmap。这个免费组件可以在本站搜索下载。资源名称为:“小巧的...
  • 基于轨迹大数据的城市交通状态识别研究.zip
  • 交通预见未来(41): 从浮动车轨迹数据提取交通动态信息1、文章信息《Mapping to Cells: A Simple Method to Extract Traffic Dynamics from Probe Vehicle Data》。北京工业大学贺正冰老师2017年发在Computer-Aided ...

    交通预见未来(41): 从浮动车轨迹数据提取交通动态信息

    1、文章信息

    《Mapping to Cells: A Simple Method to Extract Traffic Dynamics from Probe Vehicle Data》。

    北京工业大学贺正冰老师2017年发在Computer-Aided Civil and Infrastructure Engineering上的一篇文章。

    2、摘要

    在大数据时代,挖掘数据而不是收集数据是研究者和工程师面临的新挑战。在交通领域,从广泛存在的浮动车数据中提取交通动态具有重要的理论和实践意义。因此,本文提出一种简单的网格映射方法来构建高速公路网络的时空交通图。该方法首先将一个网络区域划分为小的正方形网格,并用这些网格表示该区域内的真实网络。在确定了各单元的交通流方向后,可以很好地构造出按交通速度着色的时空交通图。文章以北京的城市高速公路为例,验证了该方法的有效性和优越性。

    这种方法很简单,因为它完全基于数据本身,没有借助任何其他工具例如如地理信息系统软件或数字地图等。该方法基于离散的空间-空间和时间-空间同质单元格(space-space and time-space homogeneous cells),允许我们通过基本的算术运算匹配浮动车数据,有助于从浮动车数据中更好地了解交通拥堵,从而帮助开展各种交通研究和应用。

    3、简介

    如何从浮动车数据中可视化和提取交通状况是一个有意义的话题。通过使用浮动车数据可视化交通状况,最简单的方法是直接在地图上绘制探测车辆的位置,并根据其瞬时速度着色。然而,这种高度离散的方式并不能系统地为我们提供在时间和空间上不断演化的交通动态。

    而且利用地图匹配和GIS技术构建时空图存在两个问题。首先是地图匹配和GIS技术。地图匹配是一个众所周知的具有挑战性的任务,特别是对于低时间分辨率的浮动车数据,而且,虽然相关的技术和软件广泛存在,但这些技术更像是复杂的工具,而不是交通工程师和研究人员真正感兴趣的,他们与GIS的研究不太相关。此外,不应忽视的是,商用GIS软件通常是昂贵的,这可能更糟。例如在美国,没有能够让研究人员和工程师匹配浮动车数据的数字地图。公司为我们提供了大量的几个月的浮动车数据,但为了保护知识产权不愿意提供地图。其他开源的数字地图可能与这些数据不太匹配。因此,如果没有数字地图的帮助,分析数据似乎是不可能的。特别是在我们无法轻易获得地图的情况下,或者在地理信息受到限制的国家,也会出现缺乏当地地图的情况,尤其是那些不致力于学术研究的数据。

    为此,本文提出了一种简单而有效的构建高速公路网时空交通图的映射方法,以实现从浮动车数据中完全可视化交通动态。方法很简单,因为它完全基于浮动车数据,没有使用任何其他工具,如GIS软件或数字地图。不熟悉地图匹配和GIS技术的研究人员和工程师可以在短时间内掌握它。该方法将连续的网络空间转化为离散的、同质的单元格,通过简单的计算可以将GPS定位点与单元格匹配,是一种有效的在线应用方法。对于处理大数据来说,效率比准确性更有意义。在北京的城市高速公路上验证了该方法的有效性。据作者所知,这是北京城市高速公路时空交通图首次采用这样的分辨率(本文所使用的轨迹数据的打点间隔为30秒到5min),这得益于基于网格的映射方法。

    本文的其余部分组织如下:第二节讨论了网格单元映射方法,包括构建一个网格单元网络,确定网格单元中的交通流方向,构建时空图和拥挤识别。第3节以中国北京的一个城市高速公路为例,验证了该方法的有效性,并构造了随机拥堵图。最后给出了结论。本文的结构如图1所示,其中包括了映射到单元格方法的过程,对每个过程的简要描述,以及北京城市高速案例中相应的结果。

    36aee0c98302a6fdd57447eb5c30d43d.png

    4、创新点

    文章并没有涉及复杂的算法,最大的创新性还是点子上,即文章反复强调的:本文的研究完全基于轨迹数据,没有借助任何GIS工具以及地图。

    5、结论部分

    mapping-to-cells method的优点如下:

    有能力。该方法能够将高速公路网络转换为蜂窝网络,并能以较低的时间分辨率从分散的探测数据中提取交通动态。

    简单。这种方法很简单,因为它完全基于数据本身,不需要任何附加工具甚至数字地图的帮助。

    非常高效。该方法将连续时间和空间离散为均匀方形单元,计算量小,效率高。在大数据时代更有意义,因为我们通常有大量的数据需要处理。

    Attention

    如果你和我一样是轨道交通、道路交通、城市规划相关领域的,可以加微信:Dr_JinleiZhang,备注“进群”,加入交通大数据交流群!希望我们共同进步!

    4f15b02e3b1402ccaeb83d5527cb1193.png
    展开全文
  • 行业资料-交通装置-一种井型轨迹行走清淤泥机.zip
  • 行业资料-交通装置-一种动态轨迹倒车影像自动控制系统.zip
  • 行业资料-交通装置-一种n型轨迹行走清淤泥机.zip
  • 基于出租车轨迹挖掘的城市主要交通流分析
  • 基于轨迹的异常行为检测,用于智能交通监控
  • 面向实时交通信息提取的车辆轨迹数据挖掘.pdf
  • GPS轨迹交通方式的模糊识别及算法实现,徐超,季民河,具有定位导航功能的个人移动通讯设备的大量使用,使海量出行轨迹数据的高效处理和出行信息的自动提取成为交通信息服务的技术难题
  • SSAM可以做交通安全相关的分析,与vissim软件生成的车辆轨迹文件可进行分析,判断交通安全态势和预估可能发生的事故形态和严重程度。 SSAM可以做交通安全相关的分析,与vissim软件生成的车辆轨迹文件可进行分析,...
  • 利用GPS轨迹的转向级交通拥堵精细分析.pdf
  • 基于GPS轨迹数据进行分析改善城市交通拥挤.pdf
  • 交通监控中运动目标轨迹的距离计算和聚类.pdf
  • 自动驾驶环境下车辆轨迹交通信号协同控制.pdf
  • 车辆行驶轨迹是驾驶人员主观意愿和道路客观约束条件综合作用的结果,从海量车辆轨迹中可以挖掘出道路的实时交通信息为智能交通服务。通过建立轨迹约束模型用以量化各约束因子,基于线性参照系统的数据预处理以加快检索...
  • 出租车GPS轨迹大数据在智能交通中的应用.pdf
  • 基于GPS轨迹数据的城市路段交通拥堵时序分析.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 9,330
精华内容 3,732
关键字:

交通轨迹