【资源说明】 基于Vue大规模出租车GPS数据的交通碳排放可视分析系统源码.zip 技术栈 *** - 前端相关:Vue2、Vuex、ES6、Element-Ui、D3.js、Echarts、Leaflet(地图JS库) - 算法相关:pandas、flask、PostgreSQL、核密度估计、朴素贝叶斯 背景 - 随着滴滴等叫车服务的发展,与居民出行相关的交通碳排放已成为城市低碳和可持续发展的关键问题。理解居民出行对碳排放的影响对低碳交通建设具有重要意义。 - **准确推断出行目**的是分析不同出行目的交通碳排放模式的前提。已有的基于机器学习、概率和规则的出行目的推断方法虽被证明是有效的,但**忽略了门对门服务和POI吸引力的时变特性**。 数据概述 我们主要使用了南昌市的三类数据: **(1)路网数据**包含59306条路段和41398个顶点(即路段交点)。 **(2)出租车轨迹数据**由GPS坐标、时间、速度、载客状态和行驶状态等属性组成。其包含一周内共约4530辆出租车的轨迹。每天的GPS点数量约为17093846。 **(3)POI签到数据**包含22408个点,每一个POI由坐标、POI类型、签到数量和签到时间等信息描述。 本文方法 **为准确推断居民出行目的,并据此分析居民出行对交通碳排放的影响。** 本文构建了如下分析框架: <img src="https://raw.githubusercontent.com/xianghui-ma/staticImage/master/pipeline.png"/> **(1) Data Processing**模块旨在完成源数据的预处理操作。我们匹配POI到对应的出行目的,同时从网络数字地图中提取不同类型POI在工作日和周末的营业时间。地图匹配是为了将发生漂移的出租车GPS坐标点纠正至路网上,然后再进行轨迹提取。本文仅对南昌市内的主干道路进行研究,因此需要通过路网过滤操作裁除南昌市之外的路网并过滤掉次要路段。之后路网拓扑被建立。预处理后的所有数据均被存储至PostgreSQL。 **(2) Inferring Trip Purpose**模块由三个主要步骤构成:1)我们首先通过下车点距POI的距离和POI营业时间筛选出目标POI集合,再通过门对门服务判断得到候选POI集合;2)根据POI签到数据,使用核密度估计构建POI吸引力动态函数,再通过Huff模型计算候选POI的综合吸引力;3)最后根据贝叶斯模型计算乘客到各候选POI的访问概率,访问概率最大的POI即为出行目的。轨迹碳排放也被在此计算。 **(3) Visualization**模块给专家提供了一个交互式探索和动态数据更新的可视分析工具。我们设计了新颖的可视化图标以方便用户直观地理解不同出行交通碳排放模式。多视图协同交互为用户提供了多维(即时间和空间)分析视角。过滤等交互方式使用户能够聚焦于对某一区域或某一时段的碳排放模式进行分析。 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可直接用于毕设、课设、作业等。 欢迎下载,沟通交流,互相学习,共同进步!
- 1
- WeilindaPP2023-10-23资源简直太好了,完美解决了当下遇到的难题,这样的资源很难不支持~Make程序设计2023-12-11嗯嗯,感谢您的支持和认可,互相学习
- 粉丝: 5725
- 资源: 3570
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 论文(最终)_20240430235101.pdf
- 基于python编写的Keras深度学习框架开发,利用卷积神经网络CNN,快速识别图片并进行分类
- 最全空间计量实证方法(空间杜宾模型和检验以及结果解释文档).txt
- 5uonly.apk
- 蓝桥杯Python组的历年真题
- 2023-04-06-项目笔记 - 第一百十九阶段 - 4.4.2.117全局变量的作用域-117 -2024.04.30
- 2023-04-06-项目笔记 - 第一百十九阶段 - 4.4.2.117全局变量的作用域-117 -2024.04.30
- 前端开发技术实验报告:内含4四实验&实验报告
- Highlight Plus v20.0.1
- 林周瑜-论文.docx