Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Effective Monotone Knowledge Integration in Kernel Support Vector Machines Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Discovering Trip Hot Routes Using Large Scale Taxi Trajectory Data

verfasst von : Linjiang Zheng, Qisen Feng, Weining Liu, Xin Zhao

Erschienen in: Advanced Data Mining and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Discovering trip hot routes is very meaningful for drivers to pick up a passenger, as well as for managers to plan urban public transport. Riding by taxis is one of the important means of transportation. Large scale taxi trajectory data from taxi GPS device implicates residents’ trip behavior. In this paper, we present a method to discover trip hot routes using large scale taxi trajectory data. Firstly, we measure taxi trajectory similarity with longest common subsequence (LCS). LCS-based DBSCAN trajectory clustering algorithm was proposed. Then hot routes were extracted using large scale taxi trajectory data. Our experiment shows that the trajectory clustering algorithm and hot route extraction method are effective.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Understanding Behavioral Differences Between Short and Long-Term Drinking Abstainers from Social Media
Nächstes Kapitel Discovering Spatially Contiguous Clusters in Multivariate Geostatistical Data Through Spectral Clustering
Literatur
1.
Tang, J., Liu, F., Wang, Y., Wang, H.: Uncovering urban human mobility from large scale taxi GPS data. Phys. A: Stat. Mech. Appl. 438(15), 140–153 (2015)CrossRef
2.
Mustary, N.R., Chander, R.P., Baig, M.N.A.: A performance evaluation of VANET for intelligent transportation system. World J. Sci. Technol. 2(10), 89–93 (2012)
3.
Feng, Y.H., Hourdos, J., Davis, G.A.: Probe vehicle based real-time traffic monitoring on urban roadways. Transp. Res. C 40(40), 160–178 (2014)CrossRef
4.
Rahmani, M., Koutsopoulos, H.N.: Path inference of low-frequency GPS probes for urban networks. Transp. Res. C. 30, 41–54 (2013)CrossRef
5.
Castro, P.S., Zhang, D., Li, S.: Urban traffic modelling and prediction using large scale taxi gps traces. In: Kay, J., Lukowicz, P., Tokuda, H., Olivier, P., Krüger, A. (eds.) Pervasive 2012. LNCS, vol. 7319, pp. 57–72. Springer, Heidelberg (2012). doi:10.​1007/​978-3-642-31205-2_​4 CrossRef
6.
Li, X., Pan, G., Wu, Z., et al.: Prediction of urban human mobility using large-scale taxi traces and its applications. Front. Comput. Sci. China 6(1), 111–121 (2012)MathSciNet
7.
Qian, X., Zhan, X., Ukkusuri, S.V.: Characterizing urban dynamics using large scale taxicab data. In: Engineering and Applied Sciences Optimization, pp. 17–32. Springer, Heidelberg (2015)
8.
Zheng, Y., Liu, Y., Yuan, J., et al.: Urban computing with taxicabs. In: UBICOMP 2011: Ubiquitous Computing, International Conference, Beijing, China, pp. 89–98 (2011)
9.
Zhang, J., Meng, W., Liu, Q., et al.: Efficient vehicles path planning algorithm based on taxi GPS big data. Optik Int. J. Light Electron Optics. 127(5), 2579–2585 (2016)CrossRef
10.
Chu, V.W., Wong, R.K., Chen, F., et al.: Self-regularized causal structure discovery for trajectory-based networks. J. Comput. Syst. Sci. 82(4), 594–609 (2015)MathSciNetCrossRefMATH
11.
Cai, H., Jia, X., Chiu, A.S.F., et al.: Siting public electric vehicle charging stations in Beijing using big-data informed travel patterns of the taxi fleet. Transp. Res. Part D: Transport Environ. 33, 39–46 (2014)CrossRef
12.
Kong, X., Xu, Z., Shen, G., et al.: Urban traffic congestion estimation and prediction based on floating car trajectory data. Future Gener. Comput. Syst. 61, 97–107 (2016)CrossRef
13.
Xia, D., Wang, B., Li, H., et al.: A distributed spatial–temporal weighted model on MapReduce for short-term traffic flow forecasting. Neurocomputing 179, 246–263 (2015)CrossRef
14.
Liu, X., Gong, L., Gong, Y., et al.: Revealing travel patterns and city structure with taxi trip data. J. Transport Geogr. 43, 78–90 (2013)CrossRef
15.
Cai, H., Zhan, X., Zhu, J., et al.: Understanding taxi travel patterns. Phys. A: Stat. Mech. Appl. 457, 590–597 (2016)CrossRef
16.
Li, X., Han, J., Lee, J.-G., Gonzalez, H.: Traffic density-based discovery of hot routes in road networks. In: Papadias, D., Zhang, D., Kollios, G. (eds.) SSTD 2007. LNCS, vol. 4605, pp. 441–459. Springer, Heidelberg (2007). doi:10.​1007/​978-3-540-73540-3_​25 CrossRef
17.
Kim, J., Mahmassani, H.S.: Spatial and temporal characterization of travel patterns in a traffic network using vehicle trajectories. Transp. Res. Part C Emerg. Technol. 9, 164–184 (2015)
18.
Zheng, Y.: Trajectory data mining: an overview. ACM Trans. Intell. Syst. Technol. 6(3), 1–41 (2015)CrossRef
Metadaten
Titel
Discovering Trip Hot Routes Using Large Scale Taxi Trajectory Data
verfasst von
Linjiang Zheng
Qisen Feng
Weining Liu
Xin Zhao
Copyright-Jahr
2016
Buch
Advanced Data Mining and Applications

Print ISBN: 978-3-319-49585-9

Electronic ISBN: 978-3-319-49586-6

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-49586-6_37