Advertisement

从GeoLife中提取北京地区的用户轨迹数据

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本研究聚焦于从大规模移动应用GeoLife中抽取并分析北京市用户的轨迹数据，旨在深入探究城市居民出行模式与行为特征。 在用户的轨迹目录下创建了一个新的文件夹（名为databad），并将不在北京市区的轨迹数据文件移动到该文件夹中。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 从GeoLife中提取北京地区的用户轨迹数据
    优质
    本研究聚焦于从大规模移动应用GeoLife中抽取并分析北京市用户的轨迹数据，旨在深入探究城市居民出行模式与行为特征。 在用户的轨迹目录下创建了一个新的文件夹（名为databad），并将不在北京市区的轨迹数据文件移动到该文件夹中。
     
  • Geolife轨迹数据集.zip
    优质
    Geolife轨迹数据集包含来自全球各地超过300名用户的超过150,000条GPS轨迹记录，涵盖长达7年的出行信息。此数据集广泛应用于位置感知、移动性模式分析及交通研究等领域。 个人轨迹数据集包含大量关于个体移动模式的信息，可用于研究人类行为、城市规划等领域。这类数据通常包括位置标记、时间戳和其他相关元数据，为学术界和工业界的分析提供了宝贵的资源。
     
  • Geolife轨迹数据集1.3.z01部分(GPS轨迹大数据)
    优质
    简介：Geolife轨迹数据集1.3.z01部分包含来自全球各地用户的GPS轨迹数据，是研究位置感知应用和移动性模式的重要资源。 该GPS轨迹数据集由182位用户在微软亚洲研究院的Geolife项目中收集，历时超过五年（从2007年4月到2012年8月）。这个数据集中的GPS轨迹通过一系列带有时间戳的数据点表示，每个点包含纬度、经度和海拔高度信息。整个数据集中共有17,621条轨迹，总距离为1,292,951公里，总时长达到50,176小时。这些轨迹由不同的GPS记录设备（包括记录仪和手机）在多种采样率下收集而成。其中的91.5%以密集形式存储，例如每秒采集一次或每隔几米就采集一次数据。 该数据集涵盖了广泛的用户户外活动，不仅包含日常生活中的上下班出行等行为模式，还包括娱乐与体育活动如购物、观光、餐饮、远足和骑自行车等。这条轨迹数据集适用于多个研究领域，包括移动模式挖掘、用户活动识别、基于位置的社交网络分析、位置隐私保护及位置推荐服务。 尽管该数据集覆盖了中国30多个城市以及美国和欧洲的部分地区，但大部分的数据是在北京产生的。其中一张热图展示了这些GPS点在北京的具体分布情况：位于加热条右侧的数字表示某个地点生成的数据点数量。
     
  • 北京的出租车行驶轨迹数据
    优质
    本数据集包含北京市内大量出租车在某段时间内的实时行驶记录，详细描绘了车辆移动路径及其时间分布特征。 这段数据包含了北京市10357辆出租车一周的行驶轨迹记录。每个记录包括车辆ID、时间（精确到秒）、经度以及纬度四个字段。例如： - 车辆id：1，时间：2008年2月2日 15:36:08，经度：116.51172，纬度：39.921231； - 时间：2008年2月2日 15:46:08，经度：116.51135，纬度：39.938831； - 时间：2008年2月2日 15:46:08（重复记录），经度：116.51135，纬度：39.938831； - 时间：2008年2月2日 15:56:08，经度：116.51627，纬度：39.91034。
     
  • Geolife轨迹大数据集 GPS Trajectories 1.3.zip part2
    优质
    Geolife轨迹大数据集 GPS Trajectories 1.3.zip part2包含了来自不同用户的大量GPS轨迹数据，是研究移动行为模式和位置服务的重要资源。 该GPS轨迹数据集由182位用户在微软亚洲研究院的Geolife项目中收集，历时超过五年（从2007年4月到2012年8月）。此数据集包含一系列带有时间戳点的信息，每个点包括纬度、经度和海拔高度。该数据集中共有17,621条轨迹，总距离为1,292,951公里，总时长为50,176小时。这些轨迹由不同的GPS记录仪和手机记录，并具有各种采样率。其中91.5%的轨迹以密集形式表示，例如每秒一次或每隔一定米数进行记录（如每1至5秒或每5至10米）。该数据集涵盖了广泛的户外活动类型，包括日常生活中的往返家与工作以及娱乐和体育活动，比如购物、观光、餐饮、远足及骑自行车等。这条轨迹数据集可用于多个研究领域，例如移动模式挖掘、用户行为识别、基于位置的社交网络、隐私保护技术及位置推荐服务。尽管该数据涵盖了中国三十多座城市以及其他一些美国和欧洲的城市，但大部分的数据是在北京生成的。图1展示了这些数据在北京地区的分布情况（以热力图形式呈现），其中位于加热条右侧的数字代表了特定地点产生的点的数量。
     
  • US-101.csv车辆公开轨迹数据集：从NGSIM提取的数据
    优质
    US-101.csv 是一个基于NGSIM项目的开源交通数据集，记录了美国加州US-101高速公路特定路段上车辆的行驶轨迹和行为。 车辆公开轨迹数据集NGSIM中的us-101数据集适合用于研究车辆轨迹、变道行为以及跟驰行为。
     
  • 基于社区发现算法的城市路网轨迹数据分析及用户社区关系挖掘研究——以Geolife数据为例
    优质
    本研究运用社区发现算法对城市路网中的用户轨迹进行分析，深入挖掘用户间的潜在社区关系，并通过Geolife数据集验证其有效性。 针对城市路网轨迹数据的社区发现将社区发现算法应用于处理城市路网轨迹数据，目的是从批量的Geolife数据中提取代表用户社区关系的复杂网络，并在此基础上实现社区发现。
     
  • T-Driver北京出租车行驶轨迹数据集
    优质
    T-Driver北京出租车行驶轨迹数据集包含了北京市内大量出租车的实时位置与时间戳信息，为交通流分析和城市规划提供宝贵的数据支持。 该数据集涵盖了2008年2月2日至2月8日期间北京市出租车的GPS轨迹记录，共有10357辆出租车的数据被收录其中。每个文件包含一个特定车辆在上述时间段内的行驶路径信息，包括但不限于：车牌ID、时间戳（精确到秒）、经度和纬度等关键数据项。 整个数据集中大约有1500万条GPS轨迹记录，总行程距离超过了900万公里。通常情况下，连续两个坐标点之间的平均间隔约为177秒，并且两者的直线距离约在623米左右。每个文件按照出租车ID命名，详细地展示了该车辆在这段时间内的所有行驶路径。 以其中一个文件为例： ``` 1,2008-02-02 15:36:08,116.51172,39.92123 1,2008-02-02 15:46:08,116.51135,39.93883 ... ``` 这样的格式下，每行记录代表了某一时刻该车辆的位置信息。
     
  • 北京市2008年出租车行驶轨迹数据
    优质
    本数据集收录了北京市2008年度内大量出租车的详细行驶记录，为交通规划、城市出行模式分析及车辆路径优化等研究提供重要依据。 时空轨迹数据是一种包含时间和空间信息的序列数据，其获取成本较低且覆盖范围广泛，并具有时间特性，既适用于微观个体活动模式的研究，也适合宏观层面的城市空间结构分析。今天将分享一套出租车轨迹数据：该数据集涵盖了北京市2008年一周内1万多辆出租车的数据，采样频率为每十分钟一次，总计超过一千万条记录。
     
  • 北京地区的Shapefile数据，源于OSM
    优质
    本数据集包含北京市详细地理信息的Shapefile文件，数据源为开放街道地图(OSM)，适用于城市规划与研究。 这段文字描述了从OSM（OpenStreetMap）下载的数据包括行政边界、建筑物、路网、河流以及交通点等信息。上传的资源最低需要1积分才能免费获取，但也可以自行在OSM上直接下载这些数据。如果有需求的话，可以考虑这两种方式之一来获得所需的信息。