网络空间中线要素的核密度估计方法

核密度估计（KDE）方法是分析点要素或线要素空间分布模式的一种重要方法,但目前线要素核密度方法只能分析线要素在二维均质平面空间的密度分布,不能正确分析交通拥堵、交叉口排队、出租车载客等线事件在一维非均质道路网络空间中的密度分布。本文提出了一种网络空间中线要素的核密度估计方法（网络线要素KDE方法）,首先确定每个线要素在网络空间上的密度分布,然后根据网络空间距离和拓扑关系确定网络空间的线要素核密度与时空分布。以出租车GPS轨迹数据中提取的＂上客＂线事件为例,分析出租车＂上客＂线事件在网络空间中的密度分布,通过与现有方法比较的试验结果表明,本文提出的方法更能准确反映路网空间中线事件的分布特征。...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 46; no. 1; pp. 107 - 113
Main Author 唐炉亮 阚子涵 刘汇慧 孙飞 吴华意
Format Journal Article
LanguageChinese
Published 武汉大学测绘学院,湖北武汉430079 2017
武汉大学测绘遥感信息工程国家重点实验室,湖北武汉,430079%武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079
Subjects
时空GPS轨迹
核密度
线事件
网络空间
linear events
kernel density estimation(KDE)
核密度
network space
网络空间
spatial-temporal GPS trajectory
线事件
时空GPS轨迹
Online AccessGet full text

Cover

More Information
Summary:核密度估计（KDE）方法是分析点要素或线要素空间分布模式的一种重要方法,但目前线要素核密度方法只能分析线要素在二维均质平面空间的密度分布,不能正确分析交通拥堵、交叉口排队、出租车载客等线事件在一维非均质道路网络空间中的密度分布。本文提出了一种网络空间中线要素的核密度估计方法（网络线要素KDE方法）,首先确定每个线要素在网络空间上的密度分布,然后根据网络空间距离和拓扑关系确定网络空间的线要素核密度与时空分布。以出租车GPS轨迹数据中提取的＂上客＂线事件为例,分析出租车＂上客＂线事件在网络空间中的密度分布,通过与现有方法比较的试验结果表明,本文提出的方法更能准确反映路网空间中线事件的分布特征。
Bibliography:11-2089/P
Linear events; network space; kernel density estimation（KDE） ; spatial-temporal GPS trajectory
Kernel density estimation（KDE） is an important method for analyzing spatial distributions of point features or linear features. So far the KDE methods for linear features analyze the features; spatial distributions by producing a smooth density surface over 2D homogeneous planar space, However, the planar KDE methods are not suited for analyzing the distribution characteristics of certain kinds of linear events, such as traffic jams, queue at intersections and taxi carrying passenger events, which usually occur in inhomogeneous 1D network space. This article presents a KDE method for linear features in network space, which first confirms the density distribution of each single linear feature, then computes the density distributions of all linear features in terms of distance and topology relationship in network space. This article extracts ＂pick-up＂ linear events from taxi GPS trajectory data and analyzes th
ISSN:1001-1595
DOI:10.11947/j.AGCS.2017.20150158