排序方式: 共有12条查询结果,搜索用时 15 毫秒
1.
2.
城市功能区识别对于城市规划和管理具有重要的支撑作用,目前大部分研究主要依赖于影像和兴趣点(POI)分布数据进行识别,但多将区域内不同出行行为的人群混杂在一起,没有考虑不同群体对区域产生的不同影响。结合物以类聚、人以群分的思想构建城市功能区识别模型UFAI,通过学习不同功能区人群出行活动的特征识别相应功能区。基于大样本粗粒度的匿名轨迹数据,刻画并提取个体出行特征,依据个体的出行特征划分人群类型。在此基础上,构建并训练多任务深度学习模型,实现城市功能区识别。选取北京市2 000万匿名用户10个月的手机信令数据作为人群出行轨迹数据,使用UFAI模型进行计算,并与决策树、随机森林、集成学习梯度提升决策树等7种传统分类模型进行对比。实验结果表明,UFAI模型的F1值达到0.95,与对比模型相比提升了0.10~0.29,具有更好的识别性能。 相似文献
3.
概括了浮动车技术的基本原理,重点介绍了浮动车信息处理系统的处理流程及地图匹配、路径推测和路况信息计算方法。针对GPS数据精度差、路网结构复杂等影响浮动车信息处理准确性提升的问题,给出了一系列改进型研究工作。最后,给出了评估浮动车信息处理准确性的方法,并指出了浮动车信息处理技术的后续工作。 相似文献
4.
5.
智能交通系统中探测车数据源的监控参数与评价模型 总被引:2,自引:2,他引:0
智能交通系统(ITS)作为未来交通系统发展的方向,对于信息的准确性、实时性的要求较高,探测车数据源作为整个系统的输入信息源,如何对其进行监控和评价是一个很重要的研究方向。由于目前我国没有这方面的相关标准,本文提出了几个用于探测车数据源监控的核心参数,并且利用这些参数提出开放参数闭环监控和评价模型。通过实验方法截取数据源数据片断,对监控参数和评价模型加以验证。并且提出了今后进一步增加监控参数、完善评价模型以及通过大量数据实验方法来确定探测车数据源标准的研究方向。 相似文献
6.
7.
8.
9.
离群点挖掘技术在交通事件检测中的应用 总被引:1,自引:0,他引:1
交通事件的检测与确认是交通事件管理中的首要问题。基于线圈和视频数据的检测方法由于成本高,检测效果不明显,在实际应用中受到限制。提出了一种基于离群点挖掘的交通事件检测算法。该算法通过使用浮动车(floatingcardata,FcD)技术得到路况信息,并提取交通事件特征,建立特征向量。算法简单、高效、易于部署。实验结果表明,同模式识别方法相比,该算法具有较高的准确度,能有效区分常规拥堵与交通事件。 相似文献
10.
了解城市内居民的社会属性,如职业属性,对公共政策的制定具有重要意义。很多研究通过分析社交网络行为来获取人员社会属性信息,却忽视了社会属性信息与个人日常活动之间的关系;还有部分研究使用时空数据进行分析,但受到样本特征的限制。呼叫详细记录(CDR)间接记录了粗糙的人员日常活动轨迹,基于CDR提出城市居民职业属性提取模型,先提取居民停留点和轨迹链,再计算职住位置,并结合兴趣点(POI)信息构建个人出行特征和区域特征,最后使用半监督分类模型提取城市居民职业属性。对覆盖600万人的CDR数据来分析和提取两种职业类型的人:学生和城市蜂鸟,最终模型的F1得分超过0.95。 相似文献