CN103246706A - 一种道路网络空间中车辆对象移动轨迹聚类的方法 - Google Patents

Abstract

本发明涉及的是道路网络空间中车辆对象移动轨迹聚类的方法。本发明包括：将移动对象的数据属性分为静态属性和动态属性；在离散时刻对移动对象的位置进行采样存储，并定义兴趣点、路网空间；在离散时刻对采样节点之间的轨迹进行还原；将移动对象轨迹作为一个点集进行刻画；计算两条轨迹间的距离；把描述对象相异性的区间标度变量的度量值转换为无单位的值；计算两条轨迹间的时间距离；对于车辆对象移动轨迹进行相似性转化；对进行过相似性转化的轨迹初始聚类；对经过初始聚类的轨迹聚类簇进行增量聚类。本发明提出的方法对移动对象进行处理，并和已有算法比较，在保证正确聚类结果的基础上，提高了算法的运行效率。

Description

一种道路网络空间中车辆对象移动轨迹聚类的方法

技术领域

本发明涉及的是道路网络空间中车辆对象移动轨迹聚类的方法。

背景技术

随着经济发展和技术进步，交通运输已经成为人们社会生活中不可缺少的重要组成部分，它对保证社会经济体系的发展及日常生活的正常运转发挥着越来越大的作用。在人类的生活和生产过程中，存在着大量与空间位置有关的移动对象的信息。

移动对象在人们的日常生活中随处可见，而移动对象的时间与空间性质是影响人们日常生活行为的重要因素之一。近年来，随着各种定位技术的普及和发展，用户可以方便地获取移动对象的位置信息并将其以轨迹的形式记录下来。移动对象轨迹包含丰富的信息，如何查询轨迹以及对其进行处理已成为人们研究的热点，以轨迹为基本对象的轨迹数据库越来越受到广大数据库研究者的关注。同时，移动对象轨迹中包含丰富的知识，且对象位置随时间变化而发生变化的特性，对数据挖掘领域也带来巨大的挑战。聚类分析是数据挖掘技术中重要技术之一，如何对移动对象轨迹进行建模与聚类具有广阔的研究价值与应用前景。

发明内容

本发明的目的在于提供一种提高预测物体运动行为准确性的道路网络空间中车辆对象移动轨迹聚类的方法。

本发明的目的是这样实现的：

本发明包括如下步骤：

（1）将移动对象的数据属性分为静态属性和动态属性；

（2）在离散时刻对移动对象的位置进行采样存储，并定义兴趣点、路网空间；

（3）在离散时刻对采样节点之间的轨迹进行还原；

（4）将移动对象轨迹作为一个点集进行刻画；

（5）计算两条轨迹间的距离；

（6）把移动对象相异性的区间标度变量的度量值转换为无单位的值；

（7）计算两条轨迹间的时间距离：

$H_T(A,B)=\sqrt{{(t_{\mathrm{As}}-t_{\mathrm{Bs}})}^2+{(t_{\mathrm{Ae}}-t_{\mathrm{Be}})}^2}$

其中t_As、t_Bs和t_Ae、t_Be分别为轨迹A、B的开始时间和结束时间；

（8）对于车辆对象移动轨迹进行相似性转化；

（9）对进行过相似性转化的轨迹初始聚类；

（10）对经过初始聚类的轨迹聚类簇进行增量聚类。

相似性转化的方法包括：

（1）输入轨迹在t时刻经过的点以pos=（Rid，offset，speed）的方式表示，其中Rid为路段标识，offset为偏移量，speed为移动对象速度；

（2）对于位置pos，已知offset和Rid，依次计算该路段上的兴趣点和该路段起始点之间的距离，获取与pos的offset之差最小的兴趣点p_i，用p_i近似代替pos。

初始聚类包括：

（1）对输入的轨迹集合进行预处理，调用轨迹转换算法来转化每条轨迹，将轨迹简化成路网空间上已有的兴趣点来表示；

（2）对经过预处理的轨迹，依次查询其ε-邻域，如果一条轨迹的ε-邻域中轨迹的数目小于阈值，则将该轨迹标记为噪声；否则该轨迹为核心轨迹,再对核心轨迹的ε-邻域中的轨迹进行时间距离的提纯，将其中时间距离小于给定阈值的轨迹标记到一个簇中；

（3）把标记到一个簇中的轨迹压入堆栈，利用本簇中的每条轨迹对簇进行一次扩展操作ExpandCluster，ExpandCluster()对簇进行扩展时，整个过程即扫描所有与待计算轨迹密度相连的轨迹，算法将所有达到密度相连的轨迹聚到一个簇中。

增量聚类的方法包括：

（1）确定初始聚类簇中的核心轨迹，由核心轨迹中提取代表轨迹；

（2）计算新增轨迹与代表轨迹的距离，如果与所有簇的代表轨迹的距离都大于阈值d_max，则将TR标记为噪声；否则，将TR聚到与其代表轨迹距离最小的那个簇中，把TR标记上相应的簇标号，并计算TR的N_ε(TR)，以确定TR是否为核心轨迹，如果TR是核心轨迹，则要将TR加入重新计算该簇的代表轨迹；

（3）对变化的轨迹进行增量聚类，计算变化的那段轨迹和每个簇的代表轨迹之间的距离，如果与所有簇的代表轨迹间的距离都大于d_max，对整条轨迹TR重新进行计算，判断能否归入簇中，如果能则将TR重新标记，否则记为噪声；如果与所有簇的代表轨迹间的距离不都大于d_max，将新增长的轨迹段聚到与其代表轨迹距离最小的簇中，判断这段轨迹段和之前的轨迹是否处于同一簇中，如果是则将原轨迹更新，否则将两段轨迹所在的簇合并，调整簇标号并将TR标记。然后计算TR的N_ε(TR)，以确定TR是否为核心轨迹，如果TR是核心轨迹，则要将TR加入重新计算该簇的代表轨迹。

本发明的有益效果在于：本发明提出的方法对道路网络空间中相似的车辆对象运动轨迹进行聚类，提取的运动特征更加真实，合理，符合实际情况；在聚类过程中对新增轨迹实现了实时增量聚类，可提高预测物体的运动行为的准确性。

附图说明

图1移动对象轨迹聚类算法基本框架示意图；

图2增量聚类流程图；

图3聚类新增加的轨迹图；

图4聚类发生变化的轨迹示意图。

具体实施方式

本发明是基于如下问题而设计的：

在以轨迹为基本处理对象的挖掘中，典型的数据分析目标之一是聚类相似的运动轨迹并提取出运动特征模式和预测物体的运动行为。当前ITS系统中关于轨迹的处理多是进行路径规划，而缺少轨迹聚类方面的研究。因此，实现一种路网空间中车辆对象轨迹聚类的方法具有十分重要的意义。

本发明的主要技术特征体现在：

1）移动对象轨迹数据模型的建立

通过定义兴趣点、路网空间，对移动对象的轨迹进行描述。移动对象在路网空间中的运动就可以看作一个点在图中的运动，它的轨迹就可以表示为路网上点的集合，即TR=（Tid，pos_i，t_i），其中Tid为轨迹的标识符，pos_i表示对象在t_i时刻的位置。采样得到轨迹经过的路段上的点pos是路网空间中一个实际的点，用pos=(Rid,offset,speed)表示。这里Rid是该点所在的路段标志；offset不同于兴趣点的坐标表示，是该点相对于路段Rid起始点的偏移量，是一个表示长度的值；speed是对象经过该点时的速度。

具体技术路线是：1.移动对象不同时刻的位置被表示成路网中的点；2.路网中点的集合形成轨迹。

2）使用一种路网空间中动态增长的轨迹的聚类方法

具体技术路线：1.使用基于密度的聚类方法，在用轨迹空间距离过滤相似轨迹后，再用时间距离对轨迹提纯，进行一次初始聚类；2）根据随时间增长而发生变化的轨迹进行增量聚类。

下面结合附图举例对本发明做更详细地描述：

图1为本发明聚类算法的基本框架。

1）初始聚类方法

在接收到第一次聚类请求时，程序应该给出当前轨迹的聚类情况，因此要对当前时间中已存在的轨迹数据进行一次初始聚类，得到一组初始的聚类簇。本文中聚类使用基于密度的DBSCAN算法进行改进，使之适合于要解决的问题。下面给出初始聚类算法的主要思想：

INI_CLUS(INItial CLUStering)算法：

输入：一组轨迹T={TR₁,TR₂,…TR_n}

ε：邻域

MinTrs：密度阈值

δ：时间阈值

输出：一组聚类簇C={C₁,C₂,…C_m}

算法步骤：

clusterId＝0;

TR.classified=false;

1.对于输入轨迹集合的每条轨迹TR，将该轨迹的pos转化为路网上已有点表示（TRConvert算法），把这些处理过的轨迹存入集合T’

2.从T’中选取一条没有被标记的TR_i

3.检索TR_i的Nε(TR_i)

4.如果|Nε(TR_i)|<MinTrs，则将TR_i标记为噪声，并执行步骤2.

6.否则（TR_i为核心轨迹），

7.计算Nε(TR_i)中所有轨迹TR_k与轨迹TR_i的时间距离，

8.如果

将轨迹TR_k打上类标签clusterId，将轨迹的TR_k.classified置为true，并将其压入堆栈的seeds中；

9.ExpandCluster（seeds,clusterId,ε,MinTrs,δ）;

10.clusterId++;

11.结束

ExpandCluster(seeds,clusterId,ε,MinTrs,δ)算法：

12.CurrentObject＝seeds.top;

13.检索N_ε(CurrentObject)

14.如果|N_ε(CurrentObject)|≥MinTrs，

15.计算N_ε(CurrentObject)中所有轨迹TR_j与轨迹CurrentObject的时间距离

16.如果 $\sqrt{{(t_{\mathrm{js}}-t_{\mathrm{CurrentObjects}})}^2+{(t_{\mathrm{je}}-t_{\mathrm{CurrentObjecte}})}^2}\&le;\mathrm{\&delta;},$ 且(TR_j.classified=false或TR_j是噪声)，则将轨迹TR_j打上类标签，置TR_j.classified为true，并将其压入堆栈seeds中

17.seeds.pop;判断seeds是否为空，若是，则执行步骤2；否则执行步骤9.

该算法基于DBSCAN算法的思想，对轨迹进行聚类。首先对输入的轨迹集合进行预处理，调用TRConvert算法来转化每条轨迹，将任意位置的点表示的轨迹简化成路网空间上已有的兴趣点来表示。

2）增量聚类方法

本发明的增量聚类，是指经过一个时间段后，只对改变了的轨迹和新加入的轨迹进行聚类，而不是对所有当前轨迹重新聚类。由于研究对象是路网空间中移动对象的轨迹，其随着时间的增长，可能会有新的轨迹加入，或者已有轨迹会有变化，而不可能有轨迹消失，即不需要考虑删除的操作，这点不同于点数据，图2为增量聚类的流程图，介绍了进行增量聚类的主要步骤。

从聚类簇中提取代表轨迹。进行增量聚类时，输入包括变化或新增的轨迹和一组聚类簇，要将每条新增的轨迹聚类到距离最近的簇中。为了确定一条轨迹距离哪个簇最近，要用到代表轨迹的概念。代表轨迹描述了同一个簇中所有轨迹相似的运动特征，它可以是簇中一条实际的轨迹，也可以是按照簇的特性被抽象出来的一条“虚拟的”轨迹。代表轨迹用来代表一个簇，它与待处理轨迹间的距离即作为轨迹与簇的距离。

聚类新增加的轨迹。图3中C₁和C₂是两个已存在的聚类簇，区域中虚线轨迹是每个簇的代表轨迹，p、q、r是新增加待处理的轨迹，由图可得到聚类新增加轨迹时的几种情况。单独考虑对每条新增加的轨迹进行增量聚类的结果：1）轨迹p到两个簇的距离都大于阈值d_max，p将被标记为噪声；2）轨迹q距离簇C₁较近且它们之间的距离小于d_max，则轨迹q将被聚到簇C₁中，然后更新C₁并重新计算其代表轨迹；3）簇C₁和C₂中分别有一条轨迹处于轨迹r的ε-邻域中，从而使C₁和C₂形成了密度相连，则将两个簇合并，把r聚到新簇中并计算新生成的簇的代表轨迹。

聚类发生变化的轨迹。图4中_C1和_C2是两个已存在的聚类簇，区域中虚线轨迹是每个簇的代表轨迹，轨迹p、q、r、s、t是原来已存在但发生了变化的那段轨迹，由图可以得到聚类发生变化的轨迹的几种情况。单独考虑对每条变化的轨迹进行聚类的结果：1）轨迹段p和两个簇代表轨迹间的距离都大于阈值_dmax，需要对包含p的整条轨迹重新计算，结果仍然不能归到已有簇中，此轨迹标记为噪声；2）轨迹段q与两个簇代表轨迹间的距离也都大于阈值_dmax，但包含q的整条轨迹可聚到簇_C1中，则更新此轨迹和簇_C1的代表轨迹；3）轨迹段r与簇_C2代表轨迹间的距离小于_dmax，且原轨迹也在_C2中，则更新此轨迹和_C2的代表轨迹；4）轨迹段s到簇_C1的距离小于到簇_C2的距离，且小于_dmax，所以s段应聚类到_C1中，但由于原轨迹在_C2中，则将两个簇合并并计算新的代表轨迹；5）轨迹段t到两个簇间的距离相等且小于_dmax，但由于原轨迹在_C2中，则将t加入原轨迹并聚类到簇_C2中。

Claims (4)

1.一种道路网络空间中车辆对象移动轨迹聚类的方法，其特征是，包括如下步骤：

（1）将移动对象的数据属性分为静态属性和动态属性；

（2）在离散时刻对移动对象的位置进行采样存储，并定义兴趣点、路网空间；

（3）在离散时刻对采样节点之间的轨迹进行还原；

（4）将移动对象轨迹作为一个点集进行刻画；

（5）计算两条轨迹间的距离；

（6）把移动对象相异性的区间标度变量的度量值转换为无单位的值；

（7）计算两条轨迹间的时间距离：

$H_T(A,B)=\sqrt{{(t_{\mathrm{As}}-t_{\mathrm{Bs}})}^2+{(t_{\mathrm{Ae}}-t_{\mathrm{Be}})}^2}$

其中t_As、t_Bs和t_Ae、t_Be分别为轨迹A、B的开始时间和结束时间；

（8）对于车辆对象移动轨迹进行相似性转化；

（9）对进行过相似性转化的轨迹初始聚类；

（10）对经过初始聚类的轨迹聚类簇进行增量聚类。

2.根据权利要求1所述的一种道路网络空间中车辆对象移动轨迹聚类的方法，其特征在于，所述的相似性转化的方法包括：

（1）输入轨迹在t时刻经过的点以pos=（Rid，offset，speed）的方式表示，其中Rid为路段标识，offset为偏移量，speed为移动对象速度；

（2）对于位置pos，已知offset和Rid，依次计算该路段上的兴趣点和该路段起始点之间的距离，获取与pos的offset之差最小的兴趣点p_i，用p_i近似代替pos。

3.根据权利要求1或2所述的一种道路网络空间中车辆对象移动轨迹聚类的方法，其特征在于，所述的初始聚类包括：

（1）对输入的轨迹集合进行预处理，调用轨迹转换算法来转化每条轨迹，将轨迹简化成路网空间上已有的兴趣点来表示；

（2）对经过预处理的轨迹，依次查询其ε-邻域，如果一条轨迹的ε-邻域中轨迹的数目小于阈值，则将该轨迹标记为噪声；否则该轨迹为核心轨迹,再对核心轨迹的ε-邻域中的轨迹进行时间距离的提纯，将其中时间距离小于给定阈值的轨迹标记到一个簇中；

（3）把标记到一个簇中的轨迹压入堆栈，利用本簇中的每条轨迹对簇进行一次扩展操作ExpandCluster，ExpandCluster()对簇进行扩展时，整个过程即扫描所有与待计算轨迹密度相连的轨迹，算法将所有达到密度相连的轨迹聚到一个簇中。

4.根据权利要求3所述的一种道路网络空间中车辆对象移动轨迹聚类的方法，其特征在于，所述的增量聚类的方法包括：

（1）确定初始聚类簇中的核心轨迹，由核心轨迹中提取代表轨迹；

（2）计算新增轨迹与代表轨迹的距离，如果与所有簇的代表轨迹的距离都大于阈值d_max，则将TR标记为噪声；否则，将TR聚到与其代表轨迹距离最小的那个簇中，把TR标记上相应的簇标号，并计算TR的N_ε(TR)，以确定TR是否为核心轨迹，如果TR是核心轨迹，则要将TR加入重新计算该簇的代表轨迹；

（3）对变化的轨迹进行增量聚类，计算变化的那段轨迹和每个簇的代表轨迹之间的距离，如果与所有簇的代表轨迹间的距离都大于d_max，对整条轨迹TR重新进行计算，判断能否归入簇中，如果能则将TR重新标记，否则记为噪声；如果与所有簇的代表轨迹间的距离不都大于d_max，将新增长的轨迹段聚到与其代表轨迹距离最小的簇中，判断这段轨迹段和之前的轨迹是否处于同一簇中，如果是则将原轨迹更新，否则将两段轨迹所在的簇合并，调整簇标号并将TR标记。然后计算TR的N_ε(TR)，以确定TR是否为核心轨迹，如果TR是核心轨迹，则要将TR加入重新计算该簇的代表轨迹。

Images