Advertisement

PEMS07交通数据集(含速度、流量、占用率及交通网络邻接矩阵)/交通网络/时间序列/时空序列/数据挖掘

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


简介:
PEMS07交通数据集包含洛杉矶高速路网的速度、流量和占有率等多维度信息,结合时间序列与空间网络结构,为交通模式分析与预测提供丰富资源。 PEMS 数据集是由美国加州交通部门及其合作伙伴共同创建的统一公开交通数据库。在加州的路网上大约设置了超过39000个监测站,这些站点上的传感器可以实时收集所在高速公路上的交通状况信息,在人口密集的城市区域,部署了更多的传感器以获得更详细的数据。从地理位置上看,大多数传感器被安置于靠近城市的路段上。 PEMS提供了长达十年的历史数据记录,并整合了加州运输公司及其他交通机构的相关信息。PemsD7 数据集包含了分布在加州高速公路系统(CalTrans)中的228个监测站点的30秒采样数据,经过处理后以5分钟的时间间隔提供给用户。该数据集涵盖了从2012年5月至6月工作日中这228个站点的速度信息,并包括邻接矩阵和特征矩阵这两种形式的数据结构。 其中,邻接矩阵是通过分析现有的时空交通数据特性构建的一种新类型矩阵,用于表示具有相似流量模式的节点之间的关系;而特征矩阵则是每个传感器的时间序列属性集合。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • PEMS07)////
    优质
    PEMS07交通数据集包含洛杉矶高速路网的速度、流量和占有率等多维度信息,结合时间序列与空间网络结构,为交通模式分析与预测提供丰富资源。 PEMS 数据集是由美国加州交通部门及其合作伙伴共同创建的统一公开交通数据库。在加州的路网上大约设置了超过39000个监测站,这些站点上的传感器可以实时收集所在高速公路上的交通状况信息,在人口密集的城市区域,部署了更多的传感器以获得更详细的数据。从地理位置上看,大多数传感器被安置于靠近城市的路段上。 PEMS提供了长达十年的历史数据记录,并整合了加州运输公司及其他交通机构的相关信息。PemsD7 数据集包含了分布在加州高速公路系统(CalTrans)中的228个监测站点的30秒采样数据,经过处理后以5分钟的时间间隔提供给用户。该数据集涵盖了从2012年5月至6月工作日中这228个站点的速度信息,并包括邻接矩阵和特征矩阵这两种形式的数据结构。 其中,邻接矩阵是通过分析现有的时空交通数据特性构建的一种新类型矩阵,用于表示具有相似流量模式的节点之间的关系;而特征矩阵则是每个传感器的时间序列属性集合。
  • PEMS08)////
    优质
    PEMS08交通数据集包含洛杉矶高速路网的速度、流量、时间占有率等信息,以及详尽的交通网络拓扑结构。此数据集适用于时间序列分析与时空序列的数据挖掘研究。 该交通数据集来源于PeMS网站,包含了美国加州南部圣贝纳迪诺市8条高速公路1979个探测器在2016年7月1日至2016年8月31日两个月的数据。这些传感器每5分钟收集一次经过车辆的数量信息。整个数据集中共有107个节点,每个节点有三个特征,时间跨度为61天,并且记录了每隔五分钟的交通情况。 此外,该数据集还包含一个表示107个路口之间相邻关系和距离的3*107邻接矩阵文件。这些信息可以用于进行交通流量预测、交通速度预测、交通拥堵状况预测以及分析时间序列等研究工作。
  • PEMS03)////
    优质
    PEMS03交通数据集包含高速路上的速度、流量和时间占有率信息,以及交通网络的邻接矩阵。此数据集适用于时间序列、时空序列分析与数据挖掘研究。 PEMS 数据集是由美国加利福尼亚州的交通部门联合其他伙伴机构建立的一个统一公开的交通数据库。该数据集涵盖了加州交通路网中超过39000个监测站的数据,这些站点安装了各类传感器以实时收集所在高速公路上的交通状况信息。在市区人口密集区域,传感器分布更为密集,并且大多数被安置在靠近市区的道路段上。 PEMS 数据库提供了十年以上的历史交通数据记录,涵盖了加州运输公司及其他相关机构系统的各种信息。其中PemsD3 交通数据集特别值得关注:它包含从2012年5月至6月工作日期间,在加州高速公路系统(CalTrans)中选定的228个站点的数据。该数据集将每30秒采集的数据聚合为五分钟的时间间隔,记录了这些站点在指定时间段内的交通速度信息。 此外,PemsD3 数据集中还包括两个重要矩阵:邻接矩阵和特征矩阵。邻接矩阵通过分析现有的时空交通特性来构建,用于表示具有相似流量模式的节点之间的关系;而特征矩阵则包含了每个传感器的时间序列数据特征。
  • PEMS04)////
    优质
    简介:PEMS04交通数据集包含速度、流量、时间占有率等信息,提供详尽的交通网络邻接矩阵,适用于时间序列与时空序列分析及数据挖掘研究。 该交通数据集来源于PeMS网站,包含旧金山湾区(美国加利福尼亚州)29条高速公路上的3848个探测器,在2018年1月1日至2018年2月28日两个月内的数据。这些传感器每5分钟收集一次经过车辆的数量信息。此外,该数据集还包含一个描述了307个节点之间连通性和距离的邻接矩阵文件。 具体来说,PeMSD4的数据包括: - 节点数量:307 - 特征数:3 - 时长:59天 - 时间窗口:每5分钟 该数据集可以用于交通流量预测、交通速度预测、交通拥堵情况分析以及时间序列和时空序列的分析。
  • 加州高公路PeMS的PEMS07
    优质
    简介:PEMS07是基于加州PeMS系统收集的交通流量数据集,包含超过2年的监测站点流量记录,为交通数据分析和建模提供了宝贵资源。 加州高速路网PeMS交通流量数据集PEMS07。
  • 城市轨道
    优质
    本数据集包含多个城市的轨道交通在不同时间段内的客流量记录,旨在为交通规划者和研究人员提供详实的数据支持。 城市轨道客流时间序列数据集
  • 模式分析与Python代码
    优质
    本书深入探讨了如何利用Python编程语言进行交通流量的数据分析和模式识别,结合实际案例和详尽的数据集,为读者提供了一套全面理解并应用现代数据分析技术于城市规划和智能交通系统的方法。 交通流量时空模式挖掘(使用Python完整源码和数据)通常由明确的目的驱使,例如上班、购物或娱乐活动。出行的起始区域因其承担的不同功能,能够反映出用户的出行目的;同时从宏观角度来看,不同区域之间的交通流量在一天内的变化规律也能反映这些地区的功能特性。由于出行紧迫程度等因素的影响,在不同的情况下人们可能会选择不同的通行方式。目前地铁、公交和出租车是大型城市主要的三种出行方式。 智能公交卡刷卡日志记录了城市内人口乘坐公共交通(包括公交车或地铁)的所有行程,包含每次乘车的时间以及起止站点的信息;同时,出租车车载GPS能够对车辆的位置进行定位,并结合传感器数据进一步了解其状态(如是否载客),从而推测出乘客的详细出行路径。 本项目基于上海市智能公交卡刷卡日志记录、出租车车载GPS轨迹日志及该市兴趣点POI分布等信息,深入挖掘了城市区域交通流量在时间和空间维度上的模式。通过抽取不同交通方式对应的行程数据构建通勤量张量,并采用张量分解方法对这些数据进行分析,在时间上揭示出各种功能区之间交通流动的规律性变化趋势;同时也能解析出行的空间分布特性。
  • 基于小波神经的短期预测
    优质
    本文提出了一种基于小波神经网络的方法,用于分析和预测短期交通流量的时间序列数据,旨在提升预测准确性和效率。 本代码主要利用MATLAB工具进行小波神经网络的时间序列预测仿真,实现短时交通流量预测的模拟。
  • 加州高公路PeMS
    优质
    加州高速公路网络PeMS交通流量数据集包含了加州各地主要道路和高速公路上的实时与历史车流信息,为交通模式分析、预测及优化提供了宝贵资源。 加州高速路网PeMS交通流量数据集包含了丰富的实时交通流量信息,适用于各种交通数据分析与研究场景。
  • 分析与系统-.rar
    优质
    本资源为交通时空大数据分析与挖掘系统的数据集,包含各类交通工具在特定时间内的运行数据、路况信息及用户出行行为记录等,适用于交通数据分析和研究。 沈阳公交地铁出行大数据集适合学生作为初次接触大数据项目的练习。该数据集包含详细的说明文档,包括原始数据和静态数据等内容,并且数据量适中,便于处理。