基于出租車GPS數(shù)據(jù)分析深圳交通擁堵情況

-.z基于出租車GPS數(shù)據(jù)分析**交通擁堵情況解放軍信息工程大學(xué)谷繼亮、王龍、趙宸立摘要：本文基于出租車GPS數(shù)據(jù)，從區(qū)域交通量OD分布角度出發(fā)，結(jié)合**市交通地圖，研究**市交通小區(qū)的劃分，建立載客出租車和人們出行的OD時空分布，分析篩選出擁堵的路段時段以及擁堵的路口時段。本文特點在于把經(jīng)過處理的數(shù)據(jù)顯示在地里信息系統(tǒng)軟件上，并結(jié)合馬克威分析系統(tǒng)完成小區(qū)的劃分以及交通擁堵模型的檢驗。首先，采用隨機抽樣的方法獲取數(shù)據(jù)樣本，并利用C++編程對數(shù)據(jù)進展優(yōu)化處理，得到出租車載客起訖點時刻的GPS數(shù)據(jù)，基于聚類與交通小區(qū)劃分的相似性原理，利用馬克威分析系統(tǒng)中的快速聚類方法進展交通小區(qū)的劃分，共求得200個小區(qū)以及各小區(qū)的坐標。其次，利用合理假設(shè)，建立交通量OD分布概率模型，采用Bayes方法對模型的參數(shù)進展估計、對模型的整體擬合效果進展了檢驗，利用馬克威分析系統(tǒng)處理數(shù)據(jù)得出小區(qū)交通量，進而求解出交通量的OD分布。再次，根據(jù)各區(qū)域總體居民出行時耗(出行距離)與出行比例的總體分布，將交通小區(qū)發(fā)生量離散為不同出行時耗(出行距離)區(qū)間上的出行量，并將相應(yīng)區(qū)間內(nèi)的出行量按區(qū)間所包含的交通吸引小區(qū)的面積及吸引量大小進展分配，得到了人們出行時耗特征圖。最后，根據(jù)出租車載客后的行駛數(shù)據(jù)，編寫程序篩選出有用的數(shù)據(jù)，并且把這些數(shù)據(jù)顯示在GIS上，查找車輛比較擁堵的路段以及擁堵的路口時段。通過馬克威分析系統(tǒng)軟件處理GPS數(shù)據(jù)，得到各個路段的車輛數(shù)據(jù)。關(guān)鍵字：交通小區(qū)、OD分布概率模型、聚類分析、馬克威分析系統(tǒng)問題的提出近年來，隨著國民經(jīng)濟的快速增長，人流、物流、信息流以前所未有的密度涌向大中城市并向周邊輻射，城市化進程明顯加快，城市規(guī)模不斷擴大，人口不斷集中。此種狀態(tài)在帶動城市交通需求高速增長，機動車輛快速增加的同時，也促使城市道路負荷加重，交通擁堵現(xiàn)象日益加劇。交通擁堵使交通延誤增大，行車速度降低、時間損失、燃料費用增加、排污量增大、城市環(huán)境惡化、并誘發(fā)交通事故，直接影響人們的工作效率和身體**。出租車是城市客運交通的重要組成局部，是常規(guī)公共交通的重要補充。隨著出租車數(shù)量的不斷增長，出租車交通量已成為城市道路交通總量中的重要組成局部，成為影響城市道路交通分布及分配預(yù)測準確性的重要因素之一。由于出租車運行的隨機性，沒有固定的起訖點和運行線路，給定量分析帶來一定的困難。各大城市越來越多的出租車的安裝了GPS終端，這些終端能夠每隔1分鐘向出租車管理中心發(fā)送本車的位置、速度和方向等信息，是車輛GPS實時數(shù)據(jù)。原始數(shù)據(jù)主要保存出租車上裝配的GPS終端所采集的數(shù)據(jù)，這些數(shù)據(jù)包括序號，車牌，GPS時間，經(jīng)度，緯度，車輛狀態(tài)(空車、重車)，車輛速度，車輛方向(8個方向)等信息。這些GPS數(shù)據(jù)為我們研究出租車交通情況題共了參考和依據(jù)。現(xiàn)階段在交通擁堵方面主要集中在研究*個路口的情況，并且用緩沖區(qū)方法，而沒有對整個區(qū)域有個整體的描述，而對于整個區(qū)域的研究則是基于交通需求建立模型，數(shù)據(jù)采集的精度不高。本文基于出租車GPS數(shù)據(jù)建立**整個區(qū)域的交通擁堵模型。數(shù)據(jù)的采集和預(yù)處理我們從網(wǎng)絡(luò)〔什么網(wǎng)〕上下載了**市出租車的GPS數(shù)據(jù)，由于數(shù)據(jù)量較大，硬件設(shè)備無法對這些數(shù)據(jù)全部進展處理，我們采取了隨機抽樣的方式，從一萬多輛出租車中隨機抽取了100輛出租車的GPS數(shù)據(jù)進展建模分析。然而，原有的GPS數(shù)據(jù)中有很多錯誤數(shù)據(jù)〔一些數(shù)據(jù)的經(jīng)緯度超出**市*圍，還有些車輛的狀態(tài)明顯錯誤〕，我們用C++語言編程對數(shù)據(jù)進展了篩選處理，得到了有效的GPS數(shù)據(jù)。利用這些數(shù)據(jù)我們進展了下面的數(shù)學(xué)建模分析。數(shù)據(jù)格式見表1。表格SEQ表格\*ARABIC1數(shù)據(jù)格式字段例如備注車牌號日期時間經(jīng)度緯度運營狀態(tài)速度方位角粵B00G702011/04/1808:44:27114.04461722.53726815300為空載；1為重載該點車輛的瞬時速度行車方向問題的分析與模型的建立3.1劃分小區(qū)處理數(shù)據(jù)根據(jù)出租車載客的起訖點，結(jié)合**市的交通地圖，恰當?shù)膭澐纸煌ㄐ^(qū)，并選擇小區(qū)中的*一點，用其經(jīng)緯數(shù)值作為該小區(qū)的坐標。GPS數(shù)據(jù)中，出租車的狀態(tài)為0表示載人，為1表示空車。在間隔幾分鐘后得到的下一數(shù)據(jù)多和上一數(shù)據(jù)的狀態(tài)一樣。要得到出租車載客的起訖點，我們需要對數(shù)據(jù)進展處理，使得到的數(shù)據(jù)中相鄰的出租車運營狀態(tài)不一樣。當運營狀態(tài)由0變?yōu)?時表示出租車由空車到有客人上車，當運營狀態(tài)由1變?yōu)?時表示出租車由載客到客人下車。處理前后的數(shù)據(jù)見表2、表3：表格SEQ表格\*ARABIC2原始數(shù)據(jù)nametimejdwdstatusvangle粵BA3G242011/04/2418:27:32114.11360222.600800104粵BA3G242011/04/218:28:27114.11239622.601151160粵BA3G242011/04/2418:29:19114.11261722.6068991377粵BA3G242011/04/2418:29:58114.11261722.6093010230粵BA3G242011/04/2418:30:53114.11256422.609150004粵BA3G242011/04/2418:31:48114.11261722.607683083粵BA3G242011/04/2418:32:44114.11298422.6046160173粵BA3G242011/04/2418:33:38114.11228222.6016671224粵BA3G242011/04/2418:34:33114.11268622.5996671124表格SEQ表格\*ARABIC3優(yōu)化后的數(shù)據(jù)nametimejdwdstatusvangle粵BA3G242011/18:29:19114.11261722.6068991377粵BA3G242011/04/2418:29:58114.11261722.6093010230粵BA3G242011/04/2418:33:38114.11228222.6016671224模型建立——K-Means聚類算法經(jīng)過上一步的數(shù)據(jù)優(yōu)化，即可得到由起訖點數(shù)據(jù)組成的數(shù)據(jù)集?，F(xiàn)在需要對這些數(shù)據(jù)進展聚類運算：一段時間內(nèi)的起點或者訖點被劃分為假設(shè)干個區(qū)域，每個區(qū)域中的點分布緊湊，區(qū)域與區(qū)域之間自然分開本文采用了K-Means聚類算法。K-Means聚類算法是一種分割式聚類方法，它是數(shù)據(jù)挖掘技術(shù)中一種經(jīng)典的基于劃分的聚類算法。其目的在于從大量數(shù)據(jù)點中找出具有代表性的數(shù)據(jù)點，即中心點，然后再根據(jù)這些中心點進展后續(xù)的處理。K-Means算法采用了迭代更新的運算思想，聚類過程如下：首先從n個數(shù)據(jù)點隨機選擇k個點作為初始聚類中心；通過運算其它點與這些聚類中心點的相似度〔距離〕，將其分別分配給與其相似度最高〔距離最近〕的中心點所在的聚類；然后對劃分好后的聚類重新運算聚類中心這一過程不斷重復(fù)直到標準測度函數(shù)開場收斂。設(shè)*={}為待聚類樣本的全體(稱為論域)，即道路網(wǎng)絡(luò)，為觀測樣本(各個路段)的特征矢量或模式矢量，對應(yīng)特征空間中的一個對象，為特征矢量的第j維特征取值。設(shè)c為聚類數(shù)，為樣本數(shù)，聚類中心點集,且為硬劃分矩陣。假設(shè)按照最近距離進展樣本劃分，則樣本硬劃分矩陣計算如下：式中，表示樣本與中心點之間的歐氏距離。假設(shè)以類內(nèi)平方誤差和最小化為聚類目標函數(shù)，則聚類目標函數(shù)表示為：利用馬克威分析系統(tǒng)聚類分析利用馬克威分析系統(tǒng)，通過聚類分析得到了200個交通小區(qū)的坐標，如圖表1，各個小區(qū)內(nèi)的交通量和各小區(qū)之間的歐氏距離。在GIS上根據(jù)各個小區(qū)坐標附近點的繪制以下圖小區(qū)大致*圍。如圖表2。圖表SEQ圖表\*ARABIC1交通小區(qū)坐標分布圖圖表SEQ圖表\*ARABIC2小區(qū)的大致區(qū)域3.2根據(jù)小區(qū)劃分和出租車GPS數(shù)據(jù)，給出載客出租車的OD時空分布。如：*時刻從坐標到、的出租車有多少輛。區(qū)域交通量OD分布概率模型假設(shè)*一小區(qū)交通發(fā)生量分布到不同小區(qū)的OD量與這些小區(qū)的吸引量成正比。這是許多分布模型的根底，不再解釋。整個**區(qū)域共劃分為m個小區(qū)，則區(qū)域交通量OD分布矩陣為：Qij表示從小區(qū)i到小區(qū)j的交通量。設(shè)區(qū)域交通為Q總,則有:并記：i,j=1,2,…,m式中Pij表示從i小區(qū)到j(luò)小區(qū)的交通量與整個研究區(qū)域的交通量之比。取隨機變量*、y分別表示個交通的起點、終點，利用參數(shù)Pij可構(gòu)造(*、y)的聯(lián)合分布。表格SEQ表格\*ARABIC4Pij的聯(lián)合分布*y1,2,…,…,m*=i12…my=jp11,p12,…,p1mp21,p22,…,p2m……pm1,pm2,…,pmmp1,p2,…,pmp1p2…pmi=1,2,…,m上式為(*,y)de概率分布。模型求解把條件概率簡記為P(j/I〕用來表示區(qū)域i的交通生成量與分布到其它各小區(qū)之間的關(guān)系。由于即：要求解pij就得先求出P{*=i}與pj/i。為討論方便,將pj/I記為P,取得小區(qū)i的交通生成量為Qi,進展全樣本抽樣,設(shè)*i為小區(qū)i的交通生成量,則*i顯然是隨機變量,且服從二項分布Bi(*i,Qi,P),P=P(j/i)i,j=1,2,……,.假設(shè)僅僅考慮時機均等,P的估計量為p=*/Q,這僅是一個均值,而對j區(qū)城和其它各小區(qū)的區(qū)別未能反映,過去的信息和運行狀況未起作用,通過對P采用Bayes估計,就能抑制上述缺點。Bayes方法認為參數(shù)P不是一個確定的常t,而被看作是一個隨機變量P的一個值,因而符合客觀實際。模型檢驗根據(jù)已獲得的關(guān)于P的信息,可建立準確程度不同的P先驗分布,作為對P進展修正的后臉分布的依據(jù)。如果所研究的各個小區(qū)的社會經(jīng)濟地理特點沒什么大的區(qū)別,各區(qū)的相對位置近似。基于這樣的情況,如果對各區(qū)間的交通分布情況了解不多,可假設(shè)P的先驗分布為均勻分布的,密度函數(shù)為:P為交通量，f(p)為密度函數(shù)。由概率和前述可知,*的概率函數(shù)也服從二項式分布,則有:……式中：*是隨機變量(*=0,1,2，…，Qi)；Qi是小區(qū)I的交通生成量。所以*,P的聯(lián)合分布為：*的邊緣分布為：P的后驗分布為:=而P的Bayes估計量就是后驗分布的均值:上式中的交通量后驗分布均值;ｘ為變量;ｘ為交通生成量。利用馬克威分析系統(tǒng)處理數(shù)據(jù)根據(jù)第一題有關(guān)劃分小區(qū)的情況，以及出租車GPS數(shù)據(jù)，利用馬克威分析系統(tǒng)軟件可以得出區(qū)域交通分布情況。如圖表4、5、6。表格SEQ表格\*ARABIC5局部小區(qū)交通量以及所占的交通比例小區(qū)小區(qū)1小區(qū)2小區(qū)3小區(qū)4小區(qū)5小區(qū)6交通量270311842106交通比例0.007950.0009130.000530.0012370.0002940.000177圖表SEQ圖表\*ARABIC3局部小區(qū)交通量表格SEQ表格\*ARABIC6小區(qū)交通分布情況ji1,2,…,…,m總量12…ma11,a12,…,a1ma21,a22,…,a2m……am1,am2,…,ammb11b22……bmm求解交通量OD分布對于*一固定小區(qū)來說,設(shè)μ0為pij的平均值,δ02為pij的方差,參數(shù)P顯然服從正態(tài)分布N(μ0,δ02),故P的先驗概率密度函數(shù)為:這樣可做到綜合考慮交通分布情況,防止隨機因素的影響。最后轉(zhuǎn)化為具體的交通量OD分布,由P=Qij/Q總得Qij=PQ總，從而求得整個區(qū)域的交通量OD分布。如表格7。表格SEQ表格\*ARABIC7局部小區(qū)交通量ＯＤ分布表小區(qū)1小區(qū)2小區(qū)3小區(qū)4小區(qū)5小區(qū)6小區(qū)7小區(qū)1137.118715.743269.14124621.329575.078473.0470821.015694小區(qū)215.743261.8075591.049552.4489510.5830840.349850.116617小區(qū)39.1412461.049550.6094161.4219720.3385650.2031390.067713小區(qū)421.329572.4489511.4219723.3179340.7899840.4739910.157997小區(qū)55.078470.5830840.3385650.7899840.1880910.1128550.037618小區(qū)63.0470820.349850.2031390.4739910.1128550.0677130.022571小區(qū)71.0156940.1166170.0677130.1579970.0376180.0225710.0075243.3在合理的假設(shè)條件下，推斷人們出行的OD時空分布。模型假設(shè)本文提出的出行OD矩陣估算方法中假定：城市一定區(qū)域內(nèi)交通小區(qū)的出行時耗(出行距離)特征具有相似性，區(qū)域總體出行特征可近似代表各小區(qū)征，并將城市區(qū)域劃分為中心區(qū)、過渡區(qū)、外圍區(qū)等(視城市規(guī)模和空間布局可進一步細化為多個區(qū)域，區(qū)域劃分越多，計算精度越高，但計算量也越大)。就假定條件而言，城市不同的區(qū)域其出行特征存在一定差異，但具有一樣區(qū)位和特征的區(qū)域內(nèi)的居民出行特征具有一定相似性，而且區(qū)域總體的出行特征正是各交通小區(qū)出性特征的綜合，圖7為**市調(diào)查結(jié)果，從圖中可以看出各小區(qū)的出行比例與出行時耗關(guān)系曲線與區(qū)域總體關(guān)系曲線根本一致，并以檢驗證明了假設(shè)條件的成立。模型算法本方法的根本思路：根據(jù)各區(qū)域總體居民出行時耗(出行距離)與出行比例的總體分布，將交通小區(qū)發(fā)生量離散為不同出行時耗(出行距離)區(qū)間上的出行量，并將相應(yīng)區(qū)間內(nèi)的出行量按區(qū)間所包含的交通吸引小區(qū)的面積及吸引量大小進展分配。具體計算思路如以下圖4、5所示，圖4中曲線f(*)為小區(qū)i所在區(qū)域的總體出行時耗特征曲線，小區(qū)i在出行時耗距離區(qū)間上的出行比例為圖5陰影面積,設(shè)小區(qū)i總出行量，則對應(yīng)的區(qū)間上出行量；圖4為城市規(guī)劃小區(qū)的空間分布，陰影為空間上小區(qū)f出行時耗距離區(qū)間所覆蓋的區(qū)域，然后根據(jù)陰影區(qū)域內(nèi)各吸引小區(qū)的大致面積和吸引量將區(qū)間出行量按比例進展分配。圖表SEQ圖表\*ARABIC4小區(qū)i時耗分布圖圖表SEQ圖表\*ARABIC5時耗覆蓋區(qū)域例如按照上述思路，主要計算公式如下：〔1〕式中，為交通小區(qū)i到交通小區(qū)j的出行量;為第k個時耗(距離)區(qū)間交通小區(qū)i到交通小區(qū)j的出行量；為交通小區(qū)i發(fā)生量；為交通小區(qū)j吸引量；交通發(fā)生區(qū)i所在區(qū)域出行分布特征中第k個時耗(距離)區(qū)間的出行比例，且；為交通小區(qū)j隸屬于交通小區(qū)i的第k個出行區(qū)間的隸屬系數(shù)，可由下式計算?！?〕其中，為交通小區(qū)i到交通小區(qū)j的出行時耗(距離)；交通小區(qū)j的自身時耗(距離)；為時耗(距離)區(qū)間k的上、下限。式(2)實際反映了交通小區(qū)j在交通小區(qū)i出行時耗(距離)軸上覆蓋區(qū)間的情況，由圖4例如可以理解，圖中交通小區(qū)j相對于交通小區(qū)i在出行時耗(距離)區(qū)間[15，20]、[20，25]、[25，30]、[30，35]上的隸屬系數(shù)分別為：0.3、0.5、0.2、0，易知式(2)能保證。由計算過程可知，根據(jù)式(1)計算得到的OD矩陣能夠滿足矩陣發(fā)生總量約束，但不一定能夠滿足吸引總量約束。因此上述結(jié)果還需要進展修正，可根據(jù)交通小區(qū)吸引量進展OD矩陣的再分配，其公式類同式(1)，如下：〔3〕式中，交通吸引區(qū)j所在區(qū)域出行分布特征中第k各時耗〔距離〕區(qū)間的出行比例；為交通發(fā)生區(qū)i隸屬交通吸引區(qū)j的第k個出行時耗區(qū)間的隸屬系數(shù)，其它符號意義同上。公式〔2〕變?yōu)椋骸?〕其中，Li交通發(fā)生區(qū)i的自身時耗(距離)直徑；其它符號意義同上。按照式(1)和式(3)計算，分別得到滿足出行總量約束和吸引總量約束的OD矩陣，設(shè)其元素分別為多和，則最終計算OD矩陣元素為：〔5〕模型修正實例分析驗證，利用上式(5)得到的OD矩陣，根本能滿足約束條件的精度要求，如果仍不能滿足，利用下式(6)進展迭代運算，逐步修正結(jié)果：〔6〕式中，為第k次迭代要求的OD矩陣元素；為已求得的第k-1次OD矩陣元素，當k=1時為式(5)所求得OD矩陣；為已求得的第k-1次OD矩陣所對應(yīng)的交通小區(qū)i的出行發(fā)生量，即=，且為預(yù)測交通小區(qū)i的出行發(fā)生量；為j已求得的第k-1次OD矩陣所對應(yīng)的交通小區(qū)j的出行吸引量，即=，且為預(yù)測交通小區(qū)j的出行吸引量。根據(jù)式(6)進展迭代運算，直到滿足精度要求和趨近于1為止。圖表SEQ圖表\*ARABIC6計算公式圖解圖表SEQ圖表\*ARABIC7出行時耗特征由圖7可以看出人們出行的交通量隨出行距離的增加先增長然后呈下降趨勢，這與實際情況根本吻合。3.4根據(jù)出租車載客后的行駛數(shù)據(jù)，篩選出擁堵的路段時段以及擁堵的路口時段。交通擁堵分析交通擁堵既是一個經(jīng)濟問題，又是一個社會問題，已經(jīng)成為現(xiàn)代城市經(jīng)濟開展過程中的瓶頸，備受人們的廣泛關(guān)注。交通擁堵程度的判斷，廣闊市民往往是憑經(jīng)歷和直覺進展的，如，“人車擠成一團〞、“前看不到頭，后看不到尾〞等等，缺乏量化手段，具有一定的主觀性和片面性。因此，對交通擁堵程度的量化及評價的研究具有重要意義和理論價值。交通擁堵的定義交通擁堵的定義：*路段在*個時段平均行駛速度小于15公里/小時為擁堵。根據(jù)出租車載客后的行駛數(shù)據(jù)，編寫程序篩選出有用的數(shù)據(jù)，并且把這些數(shù)據(jù)顯示在GIS上，查找車輛比較擁堵的路段以及擁堵的路口時段。圖表SEQ圖表\*ARABIC8紅色表示擁堵的路段通過馬克威分析系統(tǒng)軟件處理GPS數(shù)據(jù)，得到各個路段的車輛數(shù)據(jù)。表格SEQ表格\*ARABIC8**擁堵路段擁堵路段1布吉關(guān)2沙灣關(guān)3南頭關(guān)〔瓶頸路段〕4華強北5東門中路6清水河7深南路華僑城路段8深鹽路鹽田港區(qū)9鹽壩高速入口10布吉路路段11深惠路路段12坂田五和大道13羅沙路路段14107國道設(shè)平均速度為Vi，其中i為路段的編號，得：n表示i路段*時段的車輛數(shù)vj表示車輛每個GPS數(shù)據(jù)中的速度根據(jù)Vi與交通擁堵速度的比較得到**比較擁堵的路段。四、模型的評價與推廣模型的優(yōu)缺點優(yōu)點〔1〕本文建模思路清晰，面向一般化的問題，建立了嚴密的一般方程，具有良好的應(yīng)用性?！?〕建立模型時，緊貼實際，利用實驗數(shù)據(jù)對模型進展驗證、修正，模型的可靠性以及結(jié)果的精度都很高?！?〕求解模型的方法靈活簡化，模型的可操作性很強。缺點〔1〕小區(qū)劃分*圍沒有得到準確量化〔2〕條件假設(shè)“*一小區(qū)交通發(fā)生量分布到不同小區(qū)的OD量與這些小區(qū)的吸引量成正比〞，此假設(shè)精度不高，對于數(shù)據(jù)用一定的影響。五、參考文獻[1]傅莉萍.區(qū)域交通量OD分布推斷方法，**輕工職業(yè)技術(shù)學(xué)院學(xué)報，2004，3(1).[2]呂玉強，秦勇，賈利民，董宏輝，賈獻博，*智源.基于出租車GPS數(shù)據(jù)聚類分析的交通小區(qū)動態(tài)劃分方法研究，物流技術(shù)，2010，216.[3]王昊,王煒,陳峻,*任婷.城市出租車交通分布預(yù)測模型,公路交通科技，2006，23(6).[4]胡小文，馮均佳.基于GPS數(shù)據(jù)采集的出租汽車交通運行特點研究，2007,5(2).[5]朱敏清.居民出行0D矩陣估箅新方法，交通與物流·第六屆(2006)交通運輸領(lǐng)域圍際學(xué)術(shù)會議論文集，2006.附錄：程序1(起訖點的篩選程序代碼)：*include<iostream.h>*include<fstream.h>voidmain(){ ifstreaminf("e:\\100GPS處理.t*t"); ofstreamouf("e:\\100GPS處理2.t*t"); charname[40]=""; chartime1[40]=""; chartime2[40]=""; charwd[40]=""; charjd[40]="";// chari='';// charjd[40]="";// doublewd=0,jd=0; intstatus=0,v=0,angle=0,i=0; inf>>name>>time1>>time2>>jd>>wd>>status>>v>>angle;ouf<<name<<""<<time1<<""<<time2<<""<<jd<<""<<wd<<""<<status<<""<<v<<""<<angle<<endl;;//<<jd<<wd<<status<<v<<angle i=status; while(!inf.eof()) { inf>>name>>time1>>time2>>jd>>wd>>status>>v>>angle; if(i!=status) { ouf<<name<<""<<time1<<""<<time2<<""<<jd<<""<<wd<<""<<status<<""<<v<<""<<angle<<endl;; i=status; } }}程序2〔篩選有效的起訖點數(shù)據(jù)〕:*include<iostream.h>*include<fstream.h>voidmain(){ ifstreaminf("e:\\gps.t*t"); ofstreamouf("e:\\gps1.t*t"); charname[40]=""; chartime1[40]=""; chartime2[40]=""; charwd[40]=""; doublejd=0.0; // chari=''; // charjd[40]=""; // doublewd=0,jd=0; intstatus=0,v=0,angle=0,i=0; inf>>name>>time1>>time2>>jd>>wd>>status>>v>>angle;ouf<<name<<""<<time1<<""<<time2<<""<<jd<<""<<wd<<""<<sta