摘要：针对现有充电站的规划布局不能充分考虑电动汽车动态充电需求分布和用户充电排队问题的不足,提出了一种基于全球定位系统(GPS)轨迹挖掘的电动出租车充电站规划方法。通过对出租车的GPS轨迹数据和城市交通态势数据进行数据处理,挖掘城市居民打车需求的起屹点(OD)分布特征;设计电动出租车的充电仿真算法,模拟实际场景中电动出租车的接单行为、行驶行为及充电行为,建立电动出租车的充电需求时空分布预测模型;在此基础上,综合考虑充电站建设运行成本、电动出租车到站时间成本及充电等待时间成本,建立充电站规划模型。通过实际算例验证了所提规划模型的有效性,并进一步分析了充电站的建设成本系数、电动出租车的时间成本折算系数、权重系数大小等参数对规划结果的灵敏度。结果表明:居民打车需求的OD分布决定了电动出租车的充电需求时空分布情况;在进行充电站规划时,充电机数量受充电站数量的变化影响较大,且电动出租车时间成本的变化对总成本的影响相对较明显。

摘要：近年来,随着移动互联网应用的迅猛发展,用户可以很方便地获取个人位置信息,使用各种基于位置的服务(Location-based Services,LBS),将自己的移动过程以轨迹的形式进行记录.如何对产生的轨迹数据进行挖掘,已成为数据挖掘领域的一个研究热点.在完成对大量的轨迹数据的存储与处理之后,用户轨迹的可视化对于用户轨迹的分析无疑能够提供一个直观的研究环境,但是单纯的可视化和轨迹交换并未充分发掘出轨迹中隐藏的知识.基于此,该文从用户轨迹数据出发,进行用户轨迹数据的挖掘分析并通过JAVA技术实现可视化.此外,该文通过计算两个用户之间的相似度为用户推荐潜在的朋友,完成个性化朋友推荐.

摘要：船舶航线提取与交通流分析是航线设计、海事管理、贸易分析等研究的基础。面向海量船舶轨迹,现有船舶航线提取方法在大范围海域的适应性、方法复杂性以及与真实船舶交通航线的符合性方面还存在不足。本研究以海量船舶自动识别系统(Automatic Identification System,AIS)数据为研究对象,提出一种船舶轨迹提取模型构建与交通流分析方法。首先,将船舶航行轨迹抽象为船舶停留特征点(停留点)与移动特征点(航路点)的组合,其中停留点为船舶在港口处停留轨迹段的特征点,航路点为船舶移动轨迹段中航行速度或航行角度发生明显变化的特征点,构建“出发港(停留)→移动(航路)→目的地港(停留)”船舶航行轨迹抽象模型,实现船舶航行轨迹划分;然后,以船舶航行轨迹抽象模型为基础,基于图论理论进一步聚类海量船舶航行轨迹的停留点和航路点,提取表征船舶航线的航线点(停留航线点和航路航线点);最后,建立航线点连接矩阵,以船舶交通图的形式实现船舶航线提取,为船舶航线提取、交通流分析等提供新方法。以南海丝路海域为研究区,利用2017年全年的历史AIS数据,分析研究区内典型商船(集装箱船、散货船、油轮)的交通流特征和船舶航线。结果表明,提取航线与船舶交通高密度区域高度吻合,能够反映南海丝路区域真实的船舶交通航线。进一步与现有航线数据比较可知,本文提取航线的细节更加丰富,结构更加完整。与现有船舶航线提取方法相比,本文方法具有两方面的优势。(1)本文方法提取的船舶航线具有更大的丰富度。本文方法不仅提取出船舶航线,还识别船舶航行过程中的特征点,即船舶停留特征点和航路特征点,这对于航线设计和航行安全无疑是重要的知识支撑;(2)本文方法提取的航线更易于分析海运交通网络。由于本文方法提取的航线是点对点的形式,且每条航线都是从港口出发,易于构建海运交通网络,可以实现潜在的运输网络分析。本研究可为船舶航线规划、交通流分析、航行安全等提供决策支持。

摘要：重要位置是指人们在日常生活中的主要活动地点,比如居住地和工作地.智能手机的不断发展与普及为人们的日常生活带来了极大的便利.除了通话、上网等传统应用之外,手机连接基站自动生成的日志记录也是用于用户行为模式挖掘的重要数据来源,例如重要位置发现.然而,相关工作面临着诸多挑战,包括轨迹数据规模庞大、位置精度低以及手机用户的多样性.为此,提出了一个通用解决框架以提高轨迹数据可用性.该框架包含一个基于状态的过滤模块,提高了数据的可用性,以及一个重要位置挖掘模块.基于此框架设计了两种分布式挖掘算法:GPMA(grid-based parallel mining algorithm)和SPMA(station-based parallel mining algorithm).进一步地,为提高挖掘结果的准确性和精确度,从3个方面进行优化:(1)使用多元数据的融合技术,提高结果的准确性;(2)提出了无工作地人群的发现算法;(3)提出了夜间工作人群的发现算法.理论分析和实验结果表明,所提算法具有较高的执行效率和可扩展性,并具有更高的精度.

摘要：随着移动设备的普及与定位技术的成熟,涌现出了各种基于地理位置的应用软件不断涌现。为了使这类应用软件给用户提供精准的基于地理位置的服务,实时、准确、可靠地预测移动对象的不确定性轨迹显得尤为重要。目前大多数传统的轨迹终点预测方法都是通过计算轨迹之间的相似度来预测给定轨迹的终点,这种算法的弊端是没有充分考虑轨迹数据时间序列之间的前后联系,导致预测结果偏差较大。理论证明,马尔可夫模型对处理时间序列数据具有较好的效果。因此,针对轨迹终点预测的问题,提出了一种基于马尔可夫模型的预测算法。同时,针对样本运动空间提出一种新的划分网格策略——K-d tree网格划分。实验结果表明,相比于传统方法,运用马尔可夫模型预测轨迹终点的算法的精度有明显提高,预测时间会大大缩短。

摘要：现有的这些方法对轨迹数据需根据不同的应用设计不同的数据结构、存储结构、查询算法等,缺少通用性。为了使得轨迹数据更具有通用性,提出了将轨迹转换为知识图谱结构的方法。该方法结合轨迹数据的特点及知识图谱的定义,分别抽取出轨迹数据的实体、关系、属性并构造了轨迹图谱。转换为轨迹图谱后的轨迹数据具有通用的图结构,可直接支持轨迹的基本查询、范围查询、最近邻查询、关键词查询、模式查询等,并可轻易地将其添加到各种现有的知识库中。最终通过在真实数据集上的实验,对比了各类轨迹查询在轨迹图谱方法及普通数据库方法中的表现,证明了轨迹图谱方法的高效性及通用性。

摘要：针对目前交通模式识别以人工设计特征为主,特征设计主观性强、区分度不高的问题,本文依据深度学习理论,建立了基于卷积神经网络的特征自动学习模型。该模型利用卷积神经网络自动学习深度特征,然后与人工特征共同用于交通模式识别。模型基于微软Geo Life数据,针对不同特征组合与分类方法设计实验,实验结果表明模型能学习到高区分度深度特征、有效提高交通模式识别准确率。

摘要：为在时空领域内能够更好地进行人类活动识别,解决活动识别中活动种类多、构成复杂、个体差异性强等问题,利用复杂活动与时空轨迹关系,通过定义活动区域并对活动区域进行标注,建立区域-活动关联模型,设计并实现区域特征耦合多源时空分析的复杂活动识别方法,实现分区域复杂活动识别,降低活动识别误差。实验结果表明,该方法相对于复杂活动整体识别方法,具有较高的识别准确率。