CN104573116A - 基于出租车gps数据挖掘的交通异常识别方法 - Google Patents
基于出租车gps数据挖掘的交通异常识别方法 Download PDFInfo
- Publication number
- CN104573116A CN104573116A CN201510060839.9A CN201510060839A CN104573116A CN 104573116 A CN104573116 A CN 104573116A CN 201510060839 A CN201510060839 A CN 201510060839A CN 104573116 A CN104573116 A CN 104573116A
- Authority
- CN
- China
- Prior art keywords
- section
- traffic
- initial
- taxi
- traffic abnormity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Abstract
基于出租车GPS数据挖掘的交通异常识别方法,属于交通流量和路径选择模式的交通异常识别领域。现有的交通异常时间检测设备的局限性和数据的不完整性导致交通异常事件识别的准确性和实时性低的问题。一种于出租车GPS数据挖掘的交通异常识别方法,利用城市出租车GPS数据,抽象出个体出租车的出行轨迹,以大量的个体轨迹反映群体的时空行为规律,既判断交通流量变化的异常,又可挖掘路径选择行为的异常。将城市路网划分为等距离方格网,进而于网格单元,根据交通异常图结构中路径上轨迹模式的变化,准确地识别单元区域内的交通异常及单元区域间连接性的交通异常;至此,通过单元区域内交通异常识别和单元区域间连接性交通异常识别这两部分完成交通异常的识别过程;其中,交通异常是指交通事故、交通拥堵、恶劣天气和道路交通紧急事件。
Description
技术领域
本发明涉及一种基于出租车GPS数据挖掘的交通异常识别方法。
背景技术
目前,许多城市内交通供给与交通需求之间的矛盾日益激化,造成严重的交通问题。在趋于饱和的城市道路网络中,交通事故、交通拥堵、恶劣天气和道路交通紧急事件等,均会造成道路交通短时异常,甚至会由点到面的迅速发展蔓延,导致整体路网的拥堵或瘫痪。及时、准确地识别交通异常事件并进行积极的响应和处理,是应对道路交通矛盾的有效途径之一。因此交通异常事件的识别也逐步成为交通研究领域的研究热点与难点。交通异常识别也成为智能交通系统研究中的一个重要组成部分。
传统的交通异常事件识别技术依靠传感器技术、计算机技术、人工智能技术和通信技术获取出租车的数量、车速、空间占有率等重要交通参数。检测设备的局限性和数据的不完整性影响着传统交通异常事件识别的准确性和实时性。车载GPS定位设备的普遍应用,在降低出租车相关信息获取难度的同时大大提高了信息的准确性,尤其是出租车GPS设备,每隔一定时间间隔(0.5~2分钟)会向管理中心发送一条包含位置、车速、车头朝向等信息的数据。由于出租车广泛的、长时间的分布于城市路网中,可以被视为城市路网交通的“流动检测器”,其运行轨迹形态能够很好的反映出路网的交通运行状况,能够实时、准确的获得识别异常所需的数据。此外,传统的交通异常识别方法多基于交通流量的变化,设计不同的算法识别交通流参数的异常情况,而不能发现交通参与者的路径选择模式的异常情况,而出租车GPS数据不仅包含了常规的交通参数,同时也蕴含着出租车在城市路网中行驶的路径选择模式,而出租车的路径选择行为很大程度上代表了其他出租车的选择行为,所以出租车GPS数据能够很好的应用于交通流量和路径选择模式的交通异常识别。
发明内容
本发明的目的是为了解决现有的交通异常时间检测设备的局限性和数据的不完整性导致交通异常事件识别的准确性和实时性低的问题,而提出一种基于出租车GPS数据挖掘的交通异常识别方法。
一种基于出租车GPS数据挖掘的交通异常识别方法,所述交通异常识别方法通过以下步骤实现:
步骤一、在城市路网地图内获得各出租车GPS点数据Pk,通过地图匹配方法将出租车GPS点数据轨迹化,形成由连续的时间序列点集合表示的出租车GPS轨迹Tr:P1→P2→...→Pn,将以点形式记录的出租车GPS点数据转换为以轨迹形式记录的出租车GPS轨迹数据;其中,城市路网地图表示城市待检测区域,出租车GPS点数据Pk=(经度,纬度,时间戳);
步骤二、将步骤一的城市路网地图按照由一组等大小的正方形形成的方格网进行划分,从而形成具有一组单元区域R的路网图结构,则出租车GPS轨迹会穿过划分后的单元区域R或与单元区域R邻接;且所述出租车GPS轨迹Tr:P1→P2→...→Pn中,若相邻两个出租车GPS点数据Pk和Pk+1,1≤k≤n+1分别位于不同的单元区域,则在这两个单元区域间存在转换轨迹F,每个转换轨迹F都具有一个离开时间和一个到达时间,离开时间即为出租车GPS点数据Pk的时间戳,到达时间即为出租车GPS点数据Pk+1点的时间戳;
步骤三、对步骤二形成的单元区域内出租车轨迹数据的交通异常进行识别;
步骤四、将出租车GPS轨迹转换成出租车轨迹通过单元区域之间的序列,然后对步骤二形成的单元区域之间具有连接性交通异常进行识别;
至此,通过单元区域内交通异常识别和单元区域间连接性交通异常识别这两部分完成交通异常的识别过程;其中,交通异常是指交通事故、交通拥堵、恶劣天气和道路交通紧急事件。
本发明的有益效果为:
本发明利用城市出租车GPS数据,抽象出个体出租车的出行轨迹,以大量的个体轨迹反映群体的时空行为规律,既判断交通流量变化的异常,又可挖掘路径选择行为的异常。将城市路网划分为等距离方格网,进而基于网格单元,根据交通异常图结构中路径上轨迹模式的变化,准确地识别单元区域内的交通异常及单元区域间连接性的交通异常。
其中,挖掘路径选择行为的异常是通过对城市出租车GPS数据的挖掘,确定出常规路径选择模式,识别由城市路网中划分成的单元区域内和单元区域内的交通异常事件,为交通异常事件的快速发现、紧急处置、减少交通阻塞提供科学的理论依据,使之与传统的交通异常识别技术相比,能够体现交通异常事件识别的实时性,并将交通异常事件识别的准确性提高至96%,体现出租车GPS数据挖掘在城市交通异常的识别方向极佳的应用前景。
附图说明
图1为本发明方法的流程图;
图2为本发明涉及的地图匹配方法流程图;
图3为本发明涉及的初始交通异常子图gi反映交通异常情况示意图,图中,rt1、rt2、rt3、rt4分别代表t1、t2、t3、t4时刻的路径;
图4为本发明涉及的备选路段作为起始路段插入到初始交通异常子图路径的示意图;
图5为图4的基础上,对与新的起始路段邻接的路段的信息进行更新的示意图;
图6为本发明涉及的构建单元区域间连接图的示意图。
具体实施方式
具体实施方式一:
本实施方式的基于出租车GPS数据挖掘的交通异常识别方法,如图1所示,所述交通异常识别方法通过以下步骤实现:
步骤一、在城市路网地图内获得各出租车GPS点数据Pk,通过地图匹配方法将出租车GPS点数据轨迹化,形成由连续的时间序列点集合表示的出租车GPS轨迹Tr:P1→P2→...→Pn,将以点形式记录的出租车GPS点数据转换为以轨迹形式记录的出租车GPS轨迹数据;其中,城市路网地图表示城市待检测区域,出租车GPS点数据Pk=(经度,纬度,时间戳);
步骤二、将步骤一的城市路网地图按照由一组等大小的正方形形成的方格网进行划分,以方便交通异常识别,从而形成具有一组单元区域R的路网图结构,则出租车GPS轨迹会穿过划分后的单元区域R或与单元区域R邻接;且所述出租车GPS轨迹Tr:P1→P2→...→Pn中,若相邻两个出租车GPS点数据Pk和Pk+1,1≤k≤n+1分别位于不同的单元区域,即Pi∈R1,Pi+1∈R2,则在这两个单元区域间存在转换轨迹F,每个转换轨迹F都具有一个离开时间和一个到达时间,离开时间即为出租车GPS点数据Pk的时间戳,到达时间即为出租车GPS点数据Pk+1点的时间戳;
步骤三、对步骤二形成的单元区域内出租车轨迹数据的交通异常进行识别;
步骤四、将出租车GPS轨迹转换成出租车轨迹通过单元区域之间的序列,然后对步骤二形成的单元区域之间具有连接性交通异常进行识别;
至此,通过单元区域内交通异常识别和单元区域间连接性交通异常识别这两部分完成交通异常的识别过程;其中,交通异常是指交通事故、交通拥堵、恶劣天气和道路交通紧急事件。
具体实施方式二:
与具体实施方式一不同的是,本实施方式的基于出租车GPS数据挖掘的交通异常识别方法,步骤一所述通过地图匹配方法将出租车GPS数据轨迹化的过程为,
步骤一一、在城市路网地图内,以出租车的初始位置点为中心画半径为r的圆,半径r的大小由具体的路网情况决定,将与此圆相交或相切的路段都作为此出租车初始位置点的备选匹配路段;
步骤一二、计算每个备选匹配路段对于初始位置点的方向权重:Wh=Hw cos(θ),
距离权重:以及初始总权重:T0=Wh+WD,选定初始总权重T0值最大的备选匹配路段作为初始位置点的匹配路段,之后将出租车的初始位置点在匹配路段上的垂直投影作为精确位置点的估计值;式中,Hw表示方向权重系数,Dw表示距离权重系数,θ表示出租车车头朝向与匹配路段方向之间的夹角,D表示出租车初始位置点与匹配路段的垂直距离,D的取值范围为[0,160],f(D)的取值范围为[-1,1],若出租车位置点刚好落在路段上,此时f(D)的值为1,而当出租车位置点与路段的垂直距离D为160米,此时f(D)的值为-1。
步骤一三、从出租车的第二个位置点开始,依次计算以位置点为中心、半径为r的圆内的每个备选匹配路段的方向权重Wh、距离权重WD、连通性权重Wc、转弯限制权重Wt以及总权重T,选定总权重T值最大的备选匹配路段作为所述位置点的匹配路段;其中,连通性权重Wc的计算公式为:Wc=CwX,转弯限制权重Wt的计算公式为:Wt=TwY,总权重T的计算公式为:式中,Cw表示连通性权重系数,参数X的值取决于此位置点与上一位置点之间连通情况:当此位置点与上一位置点之间连通,X取值为1,当此位置点与上一位置点之间不连通,X取值为-1;Tw表示转弯限制权重系数,当出租车的位置点的位置接近于交叉口时,需要引入转弯限制权重Wt以便决定具体的匹配路段,参数Y表示转弯限制范围参数,参数Y的取值范围为{-1,1},地图匹配算法流程如图2所示。
具体实施方式三:
与具体实施方式一或二不同的是,本实施方式的基于出租车GPS数据挖掘的交通异常识别方法,步骤三所述单元区域内的交通异常进行识别的过程为,
步骤三一、挖掘常规路径选择模式:
对于所述路网图结构中的每一对起始路段和终结路段<rO,rD>之间的所有路段,计算每条路段上在时间[t0,t1)内的交通流量平均值;根据同一起始路段和终结路段的所有路径的交通流量平均值,计算单个路径交通流量分配比例,进而得到常规路径选择模式RPt,RPt=<f1,pr1,f2,pr2,...,fm,prm>;
其中,fi表示从rO到rD所经过的第i条路径的交通流量,交通流量表示出租车的数量;
pri表示当前时段内,第i条路径上交通流量值与所有备选路径交通流量值总和的比,交通异常是指那些路径选择模式远离正常值所对应的时间的情况;
步骤三二、构建初始交通异常子图gi:
对于任一单元区域,根据步骤三一挖掘的常规路径选择模式找出一组初始交通异常子图gi,由初始交通异常子图gi的变化反映出交通异常情况;且任意所述初始交通异常子图gi满足如下的条件限制:
a)任意初始交通异常子图gi是一个连通图;
b)任意初始交通异常子图gi中,每一条起始路段rO都至少对应一条终结路段rD,在t1时刻起始路段rO与终结路段rD之间的路径选择模式满足:
且每一条终止路段rD都至少对应一条起始路段rO,在t1时刻起始路段rO与终结路段rD之间的路径选择模式满足:
dM表示马氏距离,是指不同时段路径选择模式之间的差距;N表示路径个数,S表示向量和向量的协方差矩阵,用于形容交通异常识别;表示t1时刻的路径选择模式,表示在时段[t0,t1)内所有路径交通流量的中值;
步骤三三、发生交通异常的备选路段识别:
发生交通异常的备选路段是指在T时刻,不属于任何一个现存的交通异常子图的路段,且这条路段的交通流量(fT)满足备选路段流量判别式:式中,μ表示指路段上的全部历史交通流量的中值,t1到tN是指T时刻前的所有时间戳;
同时,在T时刻,将所有满足备选路段流量判别式:的路段都划入发生交通异常的备选路段库,然后将备选路段库中的所有发生交通异常的备选路段按照马氏距离从大到小排序,当备选路段库为空时,备选路段的选择过程结束;
步骤三四、交通异常子图的扩充:
基于广度优先图遍历算法对交通异常子图进行扩充,将发生交通异常的备选路段作为起始路段、终结路段、普通路段这三种形式,插入到初始交通异常子图路径中;
1)当备选路段作为起始路段插入到初始交通异常子图路径中时,备选路段成为初始交通异常子图路径中新的起始路段,为新的起始路段构建索引的同时对与新的起始路段邻接的路段的信息进行更新;
2)当备选路段作为终结路段插入到初始交通异常子图路径中时,备选路段成为初始交通异常子图路径中新的终结路段,先检索新的终结路段的前序路段,即原终止路段,然后将新的终结路段置于原终止路段之后,为新的终结路段构建索引,无需改动其他路段在交通异常子图路径中的位置。
具体实施方式四:
与具体实施方式三不同的是,本实施方式的基于出租车GPS数据挖掘的交通异常识别方法,步骤三三所述在T时刻将所有满足备选路段流量判别式:的路段都划入发生交通异常的备选路段库,为了确保所有的发生交通异常的备选路段都不属于任何初始交通异常子图,每次都只选择一个备选路段移动到相应的初始交通异常子图中。
具体实施方式五:
与具体实施方式四不同的是,本实施方式的基于出租车GPS数据挖掘的交通异常识别方法,步骤三四所述为新的起始路段构建索引的同时对与新的起始路段邻接的路段的信息进行更新,是根据作为起始路段插入的备选路段是否取代先前的起始路段,将更新方式分为以下三种情况:
1)作为起始路段插入的备选路段取代了先前的起始路段,需要为新的起始路段构建索引并将初始交通异常子图路径中其他先前路段的索引信息;在其他先前路段每个索引内的路径之前插入备选路段,然后对经过备选路段的轨迹进行检索;
2)作为起始路段插入的备选路段并没有取代任意一个先前的起始路段,不需要对新的初始交通异常子图路径的索引信息进行更新,只对新的索引结构进行记录;
3)作为起始路段插入的备选路段,在子路径p上的路径选择模式变动不大,则包含子路径p的完整路径上的路径选择模式变化也不大,进行索引信息更新时,对满足上述条件的子路径进行剪枝操作,即被略去。
具体实施方式六:
与具体实施方式二、四或无不同的是,本实施方式的基于出租车GPS数据挖掘的交通异常识别方法,步骤四所述单元区域之间具有连接性交通异常进行识别的过程为,
步骤四一、构建单元区域间连接图:
在将整个路网地图划分单元区域的基础上,选择存在行驶轨迹构的两个单元区域,在这两个单元区域的质心之间构建有向连线,构建出单元区域间连接图;其中,每条有向连线的连线值表示两单元区域间的有效轨迹数量;
步骤步骤四二、对步骤四一构建的单元区域间连接图中各单元区域间的连接特征值进行计算:
在任意时段t内,计算单元区域RO和单元区域RD这两那个单元区域之间连接的三维属性作为单元区域间的连接特征值;式中,Num表示出租车总数,PcO表示在特定时间间隔内所有离开单元区域RO中的Num的比例,PcD表示在特定时间间隔内所有进入单元区域RD中的Num的比例;
步骤四三、计算不同日期同一时间范围内的每个单元区域间的连接特征值序列差异,并选择特征值序列中差异的最小值:
设定一个时间范围,此时间范围内具有q个时间间隔,定义linki在此时间范围内的特征值序列为:利用欧几里德距离计算公式:计算不同日期同一时间范围内、不同星期同一天内的连接特征值序列差异,并从连接特征值序列差异中搜索出最小值;其中,不同星期同一天例如为第一个星期的星期一和第二个星期的星期一;
步骤四四、对于每个单元区域间的连接,减去步骤四三求得的所有Linki的特征值中的最小值,再除以所有Linki的特征值中的最大值,得到规范化的[0,1]范围内的数值,这些数值中的极值,即为两单元区域间连接的异常。
实施例1:
一种基于出租车GPS数据挖掘的交通异常识别方法,所述交通异常识别方法通过以下步骤实现:
步骤一、在城市路网地图内获得原始记录的各出租车GPS点数据Pk,通过地图匹配方法将出租车GPS点数据轨迹化,形成由连续的时间序列点集合表示的出租车GPS轨迹Tr:P1→P2→...→Pn,将以点形式记录的出租车GPS点数据转换为以轨迹形式记录的出租车GPS轨迹数据;其中,城市路网地图表示城市待检测区域,出租车GPS点数据Pk=(经度,纬度,时间戳);
步骤一一、在城市路网地图内,以出租车的初始位置点为中心画半径为r的圆,半径的大小由经验判断或由具体的路网情况决定,将与此圆相交或相切的路段都作为此出租车初始位置点的备选匹配路段;
步骤一二、计算每个备选匹配路段对于初始位置点的方向权重:Wh=Hw cos(θ),
距离权重:以及初始总权重:T0=Wh+WD,选定初始总权重T0值最大的备选匹配路段作为初始位置点的匹配路段,之后将出租车的初始位置点在匹配路段上的垂直投影作为精确位置点的估计值;式中,Hw表示方向权重系数,Dw表示距离权重系数,θ表示出租车车头朝向与匹配路段方向之间的夹角,D表示出租车初始位置点与匹配路段的垂直距离,D的取值范围为[0,160],f(D)的取值范围为[-1,1],若出租车位置点刚好落在路段上,此时f(D)的值为1,而当出租车位置点与路段的垂直距离D为160米,此时f(D)的值为-1。
步骤一三、从出租车的第二个位置点开始,依次计算以位置点为中心、半径为r的圆内的每个备选匹配路段的方向权重Wh、距离权重WD、连通性权重Wc、转弯限制权重Wt以及总权重T,选定总权重T值最大的备选匹配路段作为所述位置点的匹配路段;其中,连通性权重Wc的计算公式为:Wc=CwX,转弯限制权重Wt的计算公式为:Wt=TwY,总权重T的计算公式为:式中,Cw表示连通性权重系数,参数X的值取决于此位置点与上一位置点之间连通情况:当此位置点与上一位置点之间连通,X取值为1,当此位置点与上一位置点之间不连通,X取值为-1;Tw表示转弯限制权重系数,当出租车的位置点的位置接近于交叉口时,需要引入转弯限制权重Wt以便决定具体的匹配路段,参数Y表示转弯限制范围参数,参数Y的取值范围为{-1,1},地图匹配算法流程如图2所示,对输入的路段数据、交叉口数据和出租车信息数据通过匹配算法初始化处理,识别出备选匹配路段集、匹配路段并估计出租车在匹配路段上的位置,然后对出租车速度是否为零进行判断,若出租车车速不为零则输出匹配算法结果,若为零则进行匹配过程,将匹配路段作为前序匹配路段,并确定出出租车在匹配路段上的位置,然后再输出结果。
步骤二、将步骤一的城市路网地图按照由50×50个等大小的正方形形成的方格网进行划分,以方便交通异常识别,从而形成具有一组单元区域R的路网图结构,则出租车GPS轨迹会穿过划分后的单元区域R或与单元区域R邻接;且所述出租车GPS轨迹Tr:P1→P2→...→Pn中,若相邻两个出租车GPS点数据Pk和Pk+1,1≤k≤n+1分别位于不同的单元区域,即Pi∈R1,Pi+1∈R2,则在这两个单元区域间存在转换轨迹F,每个转换轨迹F都具有一个离开时间和一个到达时间,离开时间即为出租车GPS点数据Pk的时间戳,到达时间即为出租车GPS点数据Pk+1点的时间戳;
步骤三、对步骤二形成的单元区域内出租车轨迹数据的交通异常进行识别;
步骤三一、挖掘常规路径选择模式:
对于所述路网图结构中的每一对起始路段和终结路段<rO,rD>之间的所有路段,计算每条路段上在时间[t0,t1)内的交通流量平均值;根据同一起始路段和终结路段的所有路径的交通流量平均值,计算单个路径交通流量分配比例,进而得到常规路径选择模式RPt,RPt=<f1,pr1,f2,pr2,...,fm,prm>;
其中,fi表示从rO到rD所经过的第i条路径的交通流量,交通流量表示出租车的数量;
pri表示当前时段内,第i条路径上交通流量值与所有备选路径交通流量值总和的比,交通异常是指那些路径选择模式远离正常值所对应的时间的情况;
步骤三二、构建初始交通异常子图gi:
对于任一单元区域,根据步骤三一挖掘的常规路径选择模式找出一组初始交通异常子图gi,由初始交通异常子图gi的变化反映出交通异常情况;如图3所示,且任意所述初始交通异常子图gi满足如下的条件限制:
a)任意初始交通异常子图gi是一个连通图;
b)任意初始交通异常子图gi中,每一条起始路段rO都至少对应一条终结路段rD,在t1时刻起始路段rO与终结路段rD之间的路径选择模式满足:
且每一条终止路段rD都至少对应一条起始路段rO,在t1时刻起始路段rO与终结路段rD之间的路径选择模式满足:
发生交通异常的备选路段是指在T时刻,不属于任何一个现存的交通异常子图的路段,且这条路段的交通流量(fT)满足备选路段流量判别式:式中,μ表示指路段上的全部历史交通流量的中值,t1到tN是指T时刻前的所有时间戳;
同时,在T时刻,将所有满足备选路段流量判别式:的路段都划入发生交通异常的备选路段库,然后将备选路段库中的所有发生交通异常的备选路段按照马氏距离从大到小排序,为了确保所有的发生交通异常的备选路段都不属于任何交通异常子图,每次都只选择一个备选路段移动到相应的交通异常子图中。当备选路段库为空时,备选路段的选择过程结束。
步骤三四、交通异常子图的扩充:
基于广度优先图遍历算法对交通异常子图进行扩充,将发生交通异常的备选路段作为起始路段、终结路段、普通路段这三种形式,插入到初始交通异常子图路径中;
1)当备选路段作为起始路段插入到初始交通异常子图路径中时,备选路段成为初始交通异常子图路径中新的起始路段,为新的起始路段构建索引的同时对与新的起始路段邻接的路段的信息进行更新;是根据作为起始路段插入的备选路段是否取代先前的起始路段,将更新方式分为以下三种情况:
a)如图4步骤3所示,在步骤2中原路段r1以及插入的备选路段r2成为完成路段之后,作为起始路段插入的备选路段r3取代了先前的起始路段r1,需要为新的起始路段r3构建索引并将初始交通异常子图路径中其他先前路段的索引信息;在其他先前路段每个索引内的路径之前插入备选路段,然后对经过备选路段的轨迹进行检索;
b)如图4(d)所示的步骤4,在步骤3结束后,作为起始路段插入的备选路段r4并没有取代任意一个先前的起始路段,不需要对新的初始交通异常子图路径的索引信息进行更新,只对新的索引结构进行记录;
c)如图4(e)所示的步骤4,作为起始路段插入的备选路段,在子路径p上的路径选择模式变动不大,则包含子路径p的完整路径上的路径选择模式变化也不大,进行索引信息更新时,对满足上述条件的子路径进行剪枝操作,对路段r2进行的索引信息更新可以被剪枝,即被略去。
2)当备选路段作为终结路段插入到初始交通异常子图路径中时,备选路段成为初始交通异常子图路径中新的终结路段,先检索新的终结路段的前序路段,即原终止路段,然后将新的终结路段置于原终止路段之后,为新的终结路段构建索引,无需改动其他路段在交通异常子图路径中的位置,如图4中的步骤2所示,在插入备选路段r2时,首先检索到备选路段r2的前序路段,即原种植路段r1,然后将新的备选路段r2置于路段r1之后。
步骤四、将出租车GPS轨迹转换成出租车轨迹通过单元区域之间的序列,然后对步骤二形成的单元区域之间具有连接性交通异常进行识别;
步骤四一、构建单元区域间连接图:
在将整个路网地图划分单元区域的基础上,选择存在行驶轨迹构的两个单元区域,在这两个单元区域的质心之间构建有向连线,构建出单元区域间连接图;其中,每条有向连线的连线值表示两单元区域间的有效轨迹数量;如图6所示,A、B、C分别为各区域的质心,其中A区域到B区域在此时段内有9条有效轨迹,B区域到C区域在此时段内有2条有效轨迹;
步骤步骤四二、对步骤四一构建的单元区域间连接图中各单元区域间的连接特征值进行计算:
在任意时段t内,如图6所示,单元区域RO向单元区域RD传输,计算单元区域RO和单元区域RD这两那个单元区域之间连接的三维属性 作为单元区域间的连接特征值;式中,Num表示出租车总数,PcO表示在特定时间间隔内所有离开单元区域RO中的Num的比例,PcD表示在特定时间间隔内所有进入单元区域RD中的Num的比例;
步骤四三、计算不同日期同一时间范围内的每个单元区域间的连接特征值序列差异,并选择特征值序列中差异的最小值:
设定一个时间范围,此时间范围内具有q个时间间隔,定义linki在此时间范围内的特征值序列为:利用欧几里德距离计算公式:计算不同日期同一时间范围内,例如是同一个月份中的1号和2号,以及不同星期同一天,例如是第一周的星期一和第二周的星期一内的连接特征值序列差异,并从连接特征值序列差异中搜索出最小值;
步骤四四、对于每个单元区域间的连接,减去步骤四三求得的所有Linki的特征值中的最小值,再除以所有Linki的特征值中的最大值,得到规范化的[0,1]范围内的数值,这些数值中的极值,即为两单元区域间连接的异常。
至此,通过单元区域内交通异常识别和单元区域间连接性交通异常识别这两部分完成交通异常的识别过程;其中,交通异常是指交通事故、交通拥堵、恶劣天气和道路交通紧急事件。
Claims (6)
1.一种基于出租车GPS数据挖掘的交通异常识别方法,其特征在于:所述交通异常识别方法通过以下步骤实现:
步骤一、在城市路网地图内获得各出租车GPS点数据Pk,通过地图匹配方法将出租车GPS点数据轨迹化,形成由连续的时间序列点集合表示的出租车GPS轨迹Tr:P1→P2→...→Pn,将以点形式记录的出租车GPS点数据转换为以轨迹形式记录的出租车GPS轨迹数据;其中,城市路网地图表示城市待检测区域,出租车GPS点数据Pk=(经度,纬度,时间戳);
步骤二、将步骤一的城市路网地图按照由一组等大小的正方形形成的方格网进行划分,从而形成具有一组单元区域R的路网图结构,则出租车GPS轨迹会穿过划分后的单元区域R或与单元区域R邻接;且所述出租车GPS轨迹Tr:P1→P2→...→Pn中,若相邻两个出租车GPS点数据Pk和Pk+1,1≤k≤n+1分别位于不同的单元区域,则在这两个单元区域间存在转换轨迹F,每个转换轨迹F都具有一个离开时间和一个到达时间,离开时间即为出租车GPS点数据Pk的时间戳,到达时间即为出租车GPS点数据Pk+1点的时间戳;
步骤三、对步骤二形成的单元区域内出租车轨迹数据的交通异常进行识别;
步骤四、将出租车GPS轨迹转换成出租车轨迹通过单元区域之间的序列,然后对步骤二形成的单元区域之间具有连接性交通异常进行识别;
至此,通过单元区域内交通异常识别和单元区域间连接性交通异常识别这两部分完成交通异常的识别过程;其中,交通异常是指交通事故、交通拥堵、恶劣天气和道路交通紧急事件。
2.根据权利要求1所述基于出租车GPS数据挖掘的交通异常识别方法,其特征在于:步骤一所述通过地图匹配方法将出租车GPS数据轨迹化的过程为,
步骤一一、在城市路网地图内,以出租车的初始位置点为中心画半径为r的圆,将与此圆相交或相切的路段都作为此出租车初始位置点的备选匹配路段;
步骤一二、计算每个备选匹配路段对于初始位置点的方向权重:Wh=Hw cos(θ),
距离权重:以及初始总权重:T0=Wh+WD,选定初始总权重T0值最大的备选匹配路段作为初始位置点的匹配路段,之后将出租车的初始位置点在匹配路段上的垂直投影作为精确位置点的估计值;式中,Hw表示方向权重系数,Dw表示距离权重系数,θ表示出租车车头朝向与匹配路段方向之间的夹角,D表示出租车初始位置点与匹配路段的垂直距离,D的取值范围为[0,160],f(D)的取值范围为[-1,1],若出租车位置点刚好落在路段上,此时f(D)的值为1,而当出租车位置点与路段的垂直距离D为160米,此时f(D)的值为-1。
步骤一三、从出租车的第二个位置点开始,依次计算以位置点为中心、半径为r的圆内的每个备选匹配路段的方向权重Wh、距离权重WD、连通性权重Wc、转弯限制权重Wt以及总权重T,选定总权重T值最大的备选匹配路段作为所述位置点的匹配路段;其中,连通性权重Wc的计算公式为:Wc=CwX,转弯限制权重Wt的计算公式为:Wt=TwY,总权重T的计算公式为: 式中,Cw表示连通性权重系数,参数X表示连通情况,参数X的值取决于此位置点与上一位置点之间连通情况:当此位置点与上一位置点之间连通,X取值为1,当此位置点与上一位置点之间不连通,X取值为-1;Tw表示转弯限制权重系数,当出租车的位置点的位置接近于交叉口时,需要引入转弯限制权重Wt以便决定具体的匹配路段,参数Y表示转弯限制范围参数,参数Y的取值范围为{-1,1}。
3.根据权利要求1或2所述基于出租车GPS数据挖掘的交通异常识别方法,其特征在于:步骤三所述单元区域内的交通异常进行识别的过程为,
步骤三一、挖掘常规路径选择模式:
对于所述路网图结构中的每一对起始路段和终结路段<rO,rD>之间的所有路段,计算每条路段上在时间[t0,t1)内的交通流量平均值;根据同一起始路段和终结路段的所有路径的交通流量平均值,计算单个路径交通流量分配比例,进而得到常规路径选择模式RPt,RPt=<f1,pr1,f2,pr2,...,fm,prm>;
其中,fi表示从rO到rD所经过的第i条路径的交通流量,交通流量表示出租车的数量;
pri表示当前时段内,第i条路径上交通流量值与所有备选路径交通流量值总和的比,交通异常是指那些路径选择模式远离正常值所对应的时间的情况;
步骤三二、构建初始交通异常子图gi:
对于任一单元区域,根据步骤三一挖掘的常规路径选择模式找出一组初始交通异常子图gi,由初始交通异常子图gi的变化反映出交通异常情况;且任意所述初始交通异常子图gi满足如下的条件限制:
a)任意初始交通异常子图gi是一个连通图;
b)任意初始交通异常子图gi中,每一条起始路段rO都至少对应一条终结路段rD,在t1时刻起始路段rO与终结路段rD之间的路径选择模式满足:
步骤三三、发生交通异常的备选路段识别:
发生交通异常的备选路段是指在T时刻,不属于任何一个现存的交通异常子图的路段,且这条路段的交通流量(fT)满足备选路段流量判别式:式中,μ表示指路段上的全部历史交通流量的中值,t1到tN是指T时刻前的所有时间戳;
同时,在T时刻,将所有满足备选路段流量判别式:的路段都划入发生交通异常的备选路段库,然后将备选路段库中的所有发生交通异常的备选路段按照马氏距离从大到小排序,当备选路段库为空时,备选路段的选择过程结束。
步骤三四、交通异常子图的扩充:
基于广度优先图遍历算法对交通异常子图进行扩充,将发生交通异常的备选路段作为起始路段、终结路段、普通路段这三种形式,插入到初始交通异常子图路径中;
1)当备选路段作为起始路段插入到初始交通异常子图路径中时,备选路段成为初始交通异常子图路径中新的起始路段,为新的起始路段构建索引的同时对与新的起始路段邻接的路段的信息进行更新;
2)当备选路段作为终结路段插入到初始交通异常子图路径中时,备选路段成为初始交通异常子图路径中新的终结路段,先检索新的终结路段的前序路段,即原终止路段,然后将新的终结路段置于原终止路段之后,为新的终结路段构建索引,无需改动其他路段在交3 -->
通异常子图路径中的位置。
4.根据权利要求3所述基于出租车GPS数据挖掘的交通异常识别方法,其特征在于:步骤三三所述在T时刻将所有满足备选路段流量判别式:的路段都划入发生交通异常的备选路段库,为了确保所有的发生交通异常的备选路段都不属于任何初始交通异常子图,每次都只选择一个备选路段移动到相应的初始交通异常子图中。
5.根据权利要求4所述基于出租车GPS数据挖掘的交通异常识别方法,其特征在于:步骤三四所述为新的起始路段构建索引的同时对与新的起始路段邻接的路段的信息进行更新,是根据作为起始路段插入的备选路段是否取代先前的起始路段,将更新方式分为以下三种情况:
1)作为起始路段插入的备选路段取代了先前的起始路段,需要为新的起始路段构建索引并将初始交通异常子图路径中其他先前路段的索引信息;在其他先前路段每个索引内的路径之前插入备选路段,然后对经过备选路段的轨迹进行检索;
2)作为起始路段插入的备选路段并没有取代任意一个先前的起始路段,不需要对新的初始交通异常子图路径的索引信息进行更新,只对新的索引结构进行记录;
3)作为起始路段插入的备选路段,在子路径p上的路径选择模式变动不大,则包含子路径p的完整路径上的路径选择模式变化也不大,进行索引信息更新时,对满足上述条件的子路径进行剪枝操作,即被略去。
6.根据权利要求2、4或5所述基于出租车GPS数据挖掘的交通异常识别方法,其特征在于:步骤四所述单元区域之间具有连接性交通异常进行识别的过程为,
步骤四一、构建单元区域间连接图:
在将整个路网地图划分单元区域的基础上,选择存在行驶轨迹构的两个单元区域,在这两个单元区域的质心之间构建有向连线,构建出单元区域间连接图;其中,每条有向连线的连线值表示两单元区域间的有效轨迹数量;
步骤步骤四二、对步骤四一构建的单元区域间连接图中各单元区域间的连接特征值进行计算:
在任意时段t内,计算任意的两个单元区域(RO和RD)之间连接的三维属性作为单元区域间的连接特征值;式中,Num表示出租车总数,PcO表示在特定时间间隔内所有离开单元区域RO中的Num的比例,PcD表示在特定时间间隔内所有进入单元区域RD中的Num的比例;
步骤四三、计算不同日期同一时间范围内的每个单元区域间的连接特征值序列差异,并选择特征值序列中差异的最小值:
设定一个时间范围,此时间范围内具有q个时间间隔,定义linki在此时间范围内的特征值序列为:利用欧几里德距离计算公式:计算不同日期同一时间范围内、不同星期同一天内的连接特征值序列差异,并从连接特征值序列差异中搜索出最小值;
步骤四四、对于每个单元区域间的连接,减去步骤四三求得的所有Linki的特征值中的最小值,再除以所有Linki的特征值中的最大值,得到规范化的[0,1]范围内的数值,这些数值中的极值,即为两单元区域间连接的异常。5 -->
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510060839.9A CN104573116B (zh) | 2015-02-05 | 2015-02-05 | 基于出租车gps数据挖掘的交通异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510060839.9A CN104573116B (zh) | 2015-02-05 | 2015-02-05 | 基于出租车gps数据挖掘的交通异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573116A true CN104573116A (zh) | 2015-04-29 |
CN104573116B CN104573116B (zh) | 2017-11-03 |
Family
ID=53089178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510060839.9A Active CN104573116B (zh) | 2015-02-05 | 2015-02-05 | 基于出租车gps数据挖掘的交通异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573116B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138779A (zh) * | 2015-08-31 | 2015-12-09 | 武汉大学 | 车载gps时空轨迹大数据优选方法及系统 |
CN107464415A (zh) * | 2017-07-28 | 2017-12-12 | 苏州蓝越软件有限公司 | 一种城市出租车综合管理方法 |
CN107993195A (zh) * | 2017-12-07 | 2018-05-04 | 西南交通大学 | 顾及形变控制的小屏幕变比例尺交通路线图生成方法 |
WO2018122801A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种城市道路交通异常检测方法 |
CN108665708A (zh) * | 2018-05-24 | 2018-10-16 | 中南大学 | 一种城市交通流不平衡模式挖掘方法及系统 |
CN109300304A (zh) * | 2017-07-24 | 2019-02-01 | 神州优车(平潭)电子商务有限公司 | 用于确定历史道路路况的方法和设备 |
CN110751354A (zh) * | 2018-07-24 | 2020-02-04 | 北京京东金融科技控股有限公司 | 一种异常用户的检测方法和装置 |
WO2020147488A1 (zh) * | 2019-01-17 | 2020-07-23 | 阿里巴巴集团控股有限公司 | 异常群体识别方法及装置 |
CN111882873A (zh) * | 2020-07-22 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 轨迹异常检测方法、装置、设备及介质 |
CN112256519A (zh) * | 2020-09-15 | 2021-01-22 | 郑州金惠计算机系统工程有限公司 | 一种数据流异常的监测方法、装置、电子设备及存储介质 |
CN113838277A (zh) * | 2021-09-26 | 2021-12-24 | 广州文远知行科技有限公司 | 车辆异常发生时间点确定方法、装置、设备及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710637B (zh) * | 2018-04-11 | 2021-06-04 | 上海交通大学 | 基于时空关系的出租车异常轨迹实时检测方法 |
US11828860B2 (en) | 2021-08-27 | 2023-11-28 | International Business Machines Corporation | Low-sampling rate GPS trajectory learning |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
US20120059573A1 (en) * | 2004-02-05 | 2012-03-08 | Nortrup Edward H | Real-time traffic condition measurement using gps data |
US20140005916A1 (en) * | 2012-06-29 | 2014-01-02 | International Business Machines Corporation | Real-time traffic prediction and/or estimation using gps data with low sampling rates |
CN104318767A (zh) * | 2014-10-22 | 2015-01-28 | 北京建筑大学 | 一种基于公交gps轨迹数据的路况信息生成方法 |
-
2015
- 2015-02-05 CN CN201510060839.9A patent/CN104573116B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120059573A1 (en) * | 2004-02-05 | 2012-03-08 | Nortrup Edward H | Real-time traffic condition measurement using gps data |
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
US20140005916A1 (en) * | 2012-06-29 | 2014-01-02 | International Business Machines Corporation | Real-time traffic prediction and/or estimation using gps data with low sampling rates |
CN104318767A (zh) * | 2014-10-22 | 2015-01-28 | 北京建筑大学 | 一种基于公交gps轨迹数据的路况信息生成方法 |
Non-Patent Citations (4)
Title |
---|
DANIEL B. WORK等: "An ensemble Kalman filtering approach to highway traffic estimation using GPS enabled mobile devices", 《DECISION AND CONTROL, 2008. CDC 2008. 47TH IEEE CONFERENCE ON》 * |
SUVITPOOMRITTIGUL等: "Mean travel speed estimation using GPS data without ID number on inner city road", 《ITS TELECOMMUNICATIONS, 2008. ITST 2008. 8TH INTERNATIONAL CONFERENCE ON》 * |
史文欢等: "基于出租车跟踪的市区路网交通状态估计方法", 《交通信息与安全》 * |
黄慧等: "采用GPS数据的交通流实时分析与表达", 《微型电脑应用》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138779B (zh) * | 2015-08-31 | 2018-03-27 | 武汉大学 | 车载gps时空轨迹大数据优选方法及系统 |
CN105138779A (zh) * | 2015-08-31 | 2015-12-09 | 武汉大学 | 车载gps时空轨迹大数据优选方法及系统 |
GB2582531A (en) * | 2016-12-30 | 2020-09-23 | Ogrands Innovation Inc | Method for detecting traffic anomally of urban road with equidistant spatial-temporal division |
GB2572717B (en) * | 2016-12-30 | 2020-08-05 | Ogrands Innovation Inc | A Method for Urban Traffic Incident Detecting |
WO2018122801A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种城市道路交通异常检测方法 |
GB2582531B (en) * | 2016-12-30 | 2021-02-24 | Ogrands Innovation Inc | Method for detecting traffic anomally of urban road with equidistant spatial-temporal division |
GB2582532A (en) * | 2016-12-30 | 2020-09-23 | Ogrands Innovation Inc | Method for detecting traffic anomaly of urban road based on peak hour traffic flow rate |
GB2572717A (en) * | 2016-12-30 | 2019-10-09 | Ogrands Innovation Inc | Method for detecting traffic anomaly of urban road |
GB2582532B (en) * | 2016-12-30 | 2021-02-24 | Ogrands Innovation Inc | Method for detecting traffic anomaly of urban road based on peak hour traffic flow rate |
CN109300304A (zh) * | 2017-07-24 | 2019-02-01 | 神州优车(平潭)电子商务有限公司 | 用于确定历史道路路况的方法和设备 |
CN107464415A (zh) * | 2017-07-28 | 2017-12-12 | 苏州蓝越软件有限公司 | 一种城市出租车综合管理方法 |
CN107993195A (zh) * | 2017-12-07 | 2018-05-04 | 西南交通大学 | 顾及形变控制的小屏幕变比例尺交通路线图生成方法 |
CN108665708B (zh) * | 2018-05-24 | 2020-06-05 | 中南大学 | 一种城市交通流不平衡模式挖掘方法及系统 |
CN108665708A (zh) * | 2018-05-24 | 2018-10-16 | 中南大学 | 一种城市交通流不平衡模式挖掘方法及系统 |
CN110751354A (zh) * | 2018-07-24 | 2020-02-04 | 北京京东金融科技控股有限公司 | 一种异常用户的检测方法和装置 |
CN110751354B (zh) * | 2018-07-24 | 2024-03-05 | 京东科技控股股份有限公司 | 一种异常用户的检测方法和装置 |
WO2020147488A1 (zh) * | 2019-01-17 | 2020-07-23 | 阿里巴巴集团控股有限公司 | 异常群体识别方法及装置 |
CN111882873A (zh) * | 2020-07-22 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 轨迹异常检测方法、装置、设备及介质 |
CN112256519A (zh) * | 2020-09-15 | 2021-01-22 | 郑州金惠计算机系统工程有限公司 | 一种数据流异常的监测方法、装置、电子设备及存储介质 |
CN113838277A (zh) * | 2021-09-26 | 2021-12-24 | 广州文远知行科技有限公司 | 车辆异常发生时间点确定方法、装置、设备及存储介质 |
CN113838277B (zh) * | 2021-09-26 | 2022-07-26 | 广州文远知行科技有限公司 | 车辆异常发生时间点确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104573116B (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573116A (zh) | 基于出租车gps数据挖掘的交通异常识别方法 | |
Zhao et al. | Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data | |
CN101270997B (zh) | 基于gps数据的浮动车动态实时交通信息处理方法 | |
CN102110364B (zh) | 基于路口和路段的交通信息处理方法和装置 | |
CN101493991B (zh) | 基于传感器网络的交通状态获取方法及其装置 | |
CN110111575A (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
CN104715610B (zh) | 一种面向城市交通的交通指数计算方法 | |
CN104700646A (zh) | 一种基于在线gps数据的出租车异常轨迹实时检测方法 | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN114093168B (zh) | 一种基于韧性视角下的城市道路交通运行状态评价方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN102855760A (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN101894461A (zh) | 城市地面道路行程时间预测方法 | |
CN112182234B (zh) | 流域防洪规划数据知识图谱构建方法 | |
CN105206057A (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN104900057A (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
CN105513370A (zh) | 基于稀疏车牌识别数据挖掘的交通小区划分方法 | |
Cathey et al. | Transit vehicles as traffic probe sensors | |
Rakha et al. | Traffic signal coordination across jurisdictional boundaries: Field evaluation of efficiency, energy, environmental, and safety impacts | |
Bae et al. | Multicontextual machine-learning approach to modeling traffic impact of urban highway work zones | |
CN109544967A (zh) | 一种基于低频avl数据的公交线网运行状态监控方法 | |
CN103854479A (zh) | 一种无检测器路段交通流数据的测量方法及装置 | |
CN113362628A (zh) | 一种大交通智能调度系统中的双向动态最短路径显示系统 | |
CN110021178B (zh) | 一种基于路口相似度的信号配时方案推荐方法 | |
Lee et al. | Battery consumption modeling for electric vehicles based on artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190613 Address after: 150000 Heilongjiang Harbin Dalian economic and Trade Zone, the North Road and Xingkai Road intersection Patentee after: Harbin University of Technology Robot Group Co., Ltd. Address before: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin Patentee before: Harbin Institute of Technology |