CN105513370A - 基于稀疏车牌识别数据挖掘的交通小区划分方法 - Google Patents

Abstract

本发明公开了一种基于稀疏车牌识别数据的交通小区划分方法。首先从车牌识别数据中分析各个路口的车辆出行特征，划分出行车辆类型，构造反映路口交通状况的张量；然后分析车辆类型之间的相关性，引入地图POI数据和社交媒体用户签到数据，利用协同张量分解对稀疏的路口交通张量进行补全；最后基于路口交通张量对地图进行空间聚类，将地图划分成不同的交通小区。通过划分交通小区，能够更加直观的反映城市交通状况，为城市规划提供帮助。

Description

基于稀疏车牌识别数据挖掘的交通小区划分方法

技术领域

本发明涉及城市计算中交通小区划分领域，尤其涉及基于稀疏车牌识别数据的交通小区划分方法。

背景技术

随着社会的发展，未来的城市将承载越来越多的人口压力和交通压力。解决城市发展难题，建设智慧城市已经成为城市化发展道路的主流。为了缓解城市交通拥堵情况，首先要对城市交通的生成和分布具有明确的了解。然而整个城市的交通状况错综复杂，为了增强交通调查的实际可操作性，尽可能的减小交通调查的工作量，降低交通分析与预测的难度，将整个城市的交通网络划分成合理的交通小区成为建设智慧城市交通必要的一步。交通小区是具有一定交通关联度和交通相似度的节点和连线的集合，随时间、关联度和相似度的变化而变化，反映城市交通特征的时空变化特性。划分交通小区能够为交通调查分析和预测提供便利，影响整个城市的交通规划和布局。

公开号为CN104183119A的中国专利文献公开了一种基于路段OD反推的实时交通流分布预测系统，包括以下步骤：S1.将交通网络中每条路段视为交通小区，即OD矩阵中的O和D；S2.根据获取的出租车GPS数据载客状态字段，判断出行的OD对，进行出行OD点提取，并将提取的OD点与交通小区进行路段匹配，进而汇总得到各个交通小区OD对之间的交通量；S3.根据步骤S2得到的交通小区OD对之间交通量的汇总，构建历史OD交通量数据库；S4.根据预测时刻，在历史OD交通量数据库中选取某几天该预测时刻周围一定范围内的OD数据，并将其进行平均计算，将计算结果作为基础OD矩阵，代入OD矩阵中；S5.根据预测时刻，选取该天预测时刻前几个时刻的OD交通量数据，按照时间序列方法对其进行移动，得到预测时刻各个交通小区O、D的交通量预测值，并将其作为每个O、D的汇总预测值代入OD矩阵中；S6.根据步骤S4和S5计算得到的基础OD矩阵和O、D汇总预测值，采用平均增长系数法对OD矩阵进行反推，得到预测时刻的各个OD对之间的交通量分配；S7.采用最短路径分配的算法，将各个OD对之间的实时预测交通量分配到路网的各个路段上，得到该预测时刻路网中各个路段的实时交通量分配预测。

公开号为CN102890860A的中国专利文献公开了一种交通小区划分方法，包括：根据待划分区域的实际路网情况，将所述待划分区域网格化；在第一预设时间段内，获取每个网格内的每个基站的通信记录数量，进而得到对应每个基站的数量离散值；所述数量离散值为在所述第一预设时间段内的所述通信记录数量随时间变化的一组取值；对于每个基站，将每个基站的所述数量离散值与预设置的一组特征曲线进行差值平方和比较，从所述特征曲线中选取与每个基站的数量离散值的差值平方和最小的最小误差特征曲线；将对应有相同的最小误差特征曲线的基站划分为同一个基站类型；在每个网格中，计算不同基站类型的基站数量比例；对每个网格，根据网格中所述基站数量比例最大的基站类型，确定网格类型；合并相邻且具有相同网格类型的网格，组成一个交通小区。

公开号为CN101751777A的中国专利文献公开了一种城市路网交通小区动态划分方法，从已有的出租车GPS数据出发，对路网的交通状态参数进行估计，考虑城市交通的OD特性，采用路段拥挤度与路段关联度进行空间统计分析，分析路段之间的空间自相关模式，实现对交通小区的自动划分。

传统的交通小区划分方法，或是根据路网对应的土地性质和土地使用状况来将相近的交通小区归类；或是分析各个路段出行比例来确定交通小区的半径；或是借用地理信息系统切割道路网络后对交通小区进行聚类。这些方法需要完整的城市道路网络数据的支持，需要收集研究区域内每个路口的交通数据。然而，由于经费等问题，部署有传感器的路口数目有限，得到的交通数据十分稀疏，使用传统划分方法得到的结果往往不准确。

发明内容

本发明提供一种基于稀疏车辆识别数据划分交通小区的方法，通过建立时间、空间和车辆类型的三维张量来反映路口交通状况，引入社交媒体签到数据和地理信息POI数据，利用协同张量分解对张量数据进行补全，从而得到能够完整的反映整个城市道路交通状况的张量，最后通过空间聚类的方法划分交通小区。

本发明基于稀疏车牌识别数据挖掘的交通小区划分方法包括车辆类型划分、路口数据补全和交通小区划分三个阶段，具体步骤如下：

车辆类型划分阶段：针对城市地图上每个可监测路口，将经过的车辆按照出行时间分布划分成n种类型；步骤1-1，针对城市地图上每个可监测路口，采集车牌识别数据，计算单位时间段内车辆经过的路口数目，建立车辆关于路口的矩阵；

步骤1-1中，每条车牌识别数据包括记录的设备编号、记录的时间和识别的车牌数据。

结构如下：

L＝｛l_id，l_time，l_car｝(1)

其中：

l_id为录下该条数据的设备编号，设备可以是配置在路口的摄像机或传感器等；

l_time为录下该条数据的时间；

l_car为识别出的经过的车辆的车牌。

步骤1-2，对车辆关于路口的矩阵进行非负矩阵分解；

步骤1-3，根据非负矩阵分解的结果，将车辆按照出行时间分布划分成n种类型。

路口数据补全阶段：在车辆类型划分阶段的基础上，引入社交媒体签到数据以及POI数据，利用协同张量分解获得包含所有路口的交通状况张量；步骤2-1，读取所述车牌识别数据，计算每个可监测路口各个时间段内经过的不同类型车辆的数目，建立反映路口交通状况的张量并归一化；

步骤2-2，根据各路口地理位置统计各路口半径k(取值一般在200m-1000m根据城市地图调整参数)公里范围内各个时间段内的社交媒体软件(例如微博、twitterflickr等)的签到数据，建立反映地图上所有路口签到状况的矩阵并归一化；

步骤2-3，根据各路口地理位置统计各路口半径k公里范围内各种类型的POI(PointofInterest，在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等)的数目，建立反映地图上所有路口地理特征的矩阵并归一化；

步骤2-4，根据车辆类型划分阶段的结果，统计各种类型的车辆在同一路口同时段出现的概率，建立反映车辆类型之间相关性的矩阵并归一化；

步骤2-5，对步骤2-1至步骤2-4得到的四个归一化后的矩阵进行协同张量分解，得到一个完整反映城市地图上所有路口交通状况的张量。

交通小区划分阶段：基于交通状况张量对城市地图进行空间聚类，将城市地图划分成不同的交通小区；

步骤3-1，划分城市地图，以路口为顶点，路段为边界，将城市地图划分成最小的区域块；

步骤3-2，建立引力模型，根据经过路口的车辆和路口的地理位置计算相邻路口之间的作用力；

步骤3-3，采用空间聚类的方法，对路口进行聚类；

步骤3-3中，区域块之间聚类的距离为：

$D_{x,y}=\frac{1}{n}{\Σ}_n{F}_{\mathrm{\α},\mathrm{\β}}\·\frac{1}{g(\mathrm{\α},\mathrm{\β})}$

式中，x和y代表两个区域块，α和β代表分别位于x和y中的两个路口，F_α，β是路口α和路口β之间的作用力，g(α，β)代表路口α和β之间的连通性。

如果路α和β之间能够通过道路相互到达，则表示路口α和β之间具有连通性，g(α，β)＝1；

反之路口α和β之间路口不能够通过道路相互到达，则路口α和β之间不具有连通性，g(α，β)＝0。

n是统计两个区域块之间总的路口对的数目。

步骤3-4，根据路口聚类结果，将同类区域块划分到一起，完成交通小区的划分。

非负矩阵分解能够在保证数据的非负性的情况下，将数据从高维空间投影到低维空间，使得分解结果在现实中具有可解释性；协同张量分解通过引入附加的数据，结合附加数据得到与之相关的分解结果，能够对稀疏数据进行补充。

本发明针对交通小区划分中车牌识别数据稀疏的问题，提出了一种基于稀疏车牌识别数据的交通小区划分方法，引入了社交媒体软件签到数据和POI数据进行协同张量分解补全整个城市的路口交通数据，通过非负矩阵分解得到可解释的车辆类型，并结合空间聚类的方法划分出合理的交通小区。

本发明的优点包括：

1、给出一种结合非负矩阵分解和协同张量分解的交通小区划分方法，划分车辆出行类型，建立路口交通张量，能够在数据稀疏的情况下划分交通小区；

2、在车辆划分过程中，基于非负矩阵分解对车辆类型划分，在保证数据的可解释性下对车辆出行习惯进行研究；

3、在数据补全过程中，基于协同张量分解引入附加数据对有限的路口车牌识别数据进行补全。

附图说明

图1为本发明交通小区划分方法总体流程图；

图2为建立签到矩阵的流程图；

图3为建立POI矩阵的流程图。

具体实施方式

本发明提出了基于稀疏车牌识别数据的交通小区划分方法，流程图如图1所示，分为车辆类型识别、路口数据补全和交通小区划分三个阶段。

在车辆类型识别阶段主要划分车辆出行类型，得到车辆类型之间的相关性，从而建立反映不同类型车辆出行时间的路口交通状况张量。

由于配置交通数据传感器的路口有限，使得车牌识别数据十分稀疏，为此对这个张量中没有配置传感器的路口的数据进行补全。

在路口数据补全阶段主要引入社交媒体软件用户签到数据和地理信息POI数据，结合反映不同类型车辆出行时间的路口交通状况张量以及车辆类型之间的关系矩阵进行协同张量分解，得到完整的反映不同类型车辆出行时间的路口交通状况张量。

在交通小区划分阶段，基于完整的反映不同类型车辆出行时间的路口交通状况张量，建立引力模型，对路口进行空间聚类，将交通状况相近的路口聚类到一起，最终划分出交通小区。

具体过程如下：

车辆类型识别阶段包括：

步骤1-1，针对城市地图上每个可监测路口，利用监控设备采集现场视频，再经识别软件等工具获取车牌识别数据，计算单位时间段内车辆经过的路口数目，建立车辆关于路口的矩阵；

一条原始的车牌识别数据包括记录的设备编号、记录的时间和识别的车牌数据。

结构如下：

L＝｛l_id，l_time，l_car｝(1)

其中：

l_id为录下该条数据的设备编号，设备可以是配置在路口的摄像机或传感器等；

l_time为录下该条数据的时间；

l_car为识别出的经过的车辆的车牌。

将一天划分成t个时间段，读取车牌识别数据后，统计单位时间段段内每辆车经过的路口数目。

初始化反映车辆特征的矩阵后，读取一条车牌识别数据记录，获取车牌数据l_car；匹配车牌数据，如果识别车牌不在矩阵中则矩阵增加一条数据，如果识别车牌在矩阵中，获得车辆经过路口的时间，在对应时间的位置数值加1；循环直到读取全部车牌数据，输出车辆特征矩阵，即车辆关于路口的矩阵P_c×t，矩阵P_c×t共含有c×t个元素，c表示车辆的数目，t表示时间维度。

步骤1-2，对车辆关于路口的矩阵进行非负矩阵分解；

基于人们出行的习惯定义矩阵分解的秩，对步骤1-1的P_c×t进行非负矩阵分解。根据非负矩阵分解的原理对P_c×t进行非负矩阵分解，最终得到P_c×t的一个分解：

P_c×t≈W_c×rank·H_rank×t(2)

步骤1-3，根据非负矩阵分解的结果，将车辆划分成n种类型。

非负矩阵分解的结果中，H_rank×t表示了不同类型车辆的出行规律在时间上的分布，W_c×rank是对应H_rank×t的系数矩阵。

根据H_rank×t将每一辆车拟合到各个类型的分布上，将车辆划分成不同的类型。步骤1-3的流程如下：

(a)读取一辆车的车牌数据，统计这辆车经过的路口在时间上的分布；

(b)将步骤(a)中车辆和步骤1-2H_rank×t中车辆类型进行拟合，相似度最大则确定车辆类型；

(c)读取下一辆车牌数据将所有车辆均划分至对应的类型。

路口数据补全阶段包括：

步骤2-1，读取车牌识别数据，计算已知路口单位时间段段经过的各基本类型车辆的数目，建立反映路口交通状况的张量并归一化；

在车辆类型划分阶段，每辆车都对应了一种车辆类型，从而车牌识别数据可以细化为：

L＝｛l_id，l_time，l_car，l_car-t｝(3)

式中：

l_id为录下该条数据的设备编号；

l_time为录下该条数据的时间；

l_car为识别出的经过的车辆的车牌；

l_car-t表示该车的车辆类型。

初始化反映路口交通状况特征的张量P_r×ct×t；读取一条车牌识别数据记录，匹配车牌数据，获得车辆经过路口的时间和车辆类型，在对应时间的位置数值加一；循环直到读取全部车牌数据，输出路口交通状况特征张量并归一化。可视为获得归一化的矩阵A。

步骤2-2，根据路口地理位置统计路口半径k公里范围内单位时间段的社交媒体软件(以微博为例)签到数据，建立反映地图上所有路口签到状况的矩阵并归一化；可视为获得归一化的矩阵B。

签到数据反映了人们的出行规律，和交通状况相关联，步骤2-2的流程如图2所示。初始化签到矩阵，设定矩阵中的初始值为0；循环读取路口的地理位置，搜索以路口为圆心，实际距离k公里为半径，搜索地图上是否有用户签到记录，统计签到数据的时间，建立反映地图上所有路口签到状况的矩阵V_c。

步骤2-3，根据路口地理位置统计路口半径k公里范围内各种类型的POI的数目，建立反映地图上所有路口地理特征的矩阵并归一化；可视为获得归一化的矩阵C。

划分POI类型，读取POI的地理位置和信息，将POI划分成不同的种类，POI类型可以参考地图API(如百度地图API)。根据每个路口的地理位置，可以计算以路口为原点半径k公里所覆盖的范围内各种POI的数目，建立POI矩阵V_p，流程如图3所示。初始化POI矩阵，设定矩阵中的初始值为0；循环读取路口的地理位置，搜索以路口为圆心，实际距离k公里为半径，搜索路口附近的POI数据，根据划分的POI类型，更新POI矩阵，输出反映地图上所有路口附近POI状况的矩阵V_p。

步骤2-4，根据车辆类型识别阶段的结果，统计各种类型的车辆在同一路口同时段出现的概率，建立反映车辆类型之间相关性的矩阵V_r并归一化；可视为获得归一化的矩阵D。

$V_{r<a,b>}=\frac{\&Sigma;{\mathrm{Num}}_{<a,b>}}{{\mathrm{Num}}_a+{\mathrm{Num}}_b}---\left(4\right)$

式中，∑Num_＜a，b＞表示所有在相同时间段出现在同一个路口的类型a和类型b的车辆的总和，Num_a表示车辆类型a出现的次数，Num_b表示车辆类型b出现的次数。a，b泛指任意两种类型。

步骤2-5，对步骤2-1至步骤2-4得到的四个矩阵(矩阵A、矩阵B、矩阵C、矩阵D)进行协同张量分解，得到一个完整反映地图上所有路口交通状况的张量。

根据上述四个矩阵，对反映路口交通状况特征的张量P_r×ct×t，进行协同张量分解。步骤2-2、2-3、2-4输出的协同矩阵V_c、V_p、V_r可以各自分解并且与张量具有共同的维度：路口、时间和车辆类型。分解结果还原得到的矩阵就是完整反映地图上所有路口交通状况的张量。

交通小区划分阶段：

步骤3-1，划分城市地图，以路口为顶点，路段为边界，将城市地图划分成最小的区域块；

步骤3-2，建立引力模型，根据经过路口的车辆和路口的地理位置计算相邻区域块的路口之间的作用力；

给定两个在空间上有联系的区域块中的路口α和β，则定义α和β之间的作用力为：

$F_{\mathrm{\&alpha;},\mathrm{\&beta;}}=\frac{kMN}{f\left(f_{\mathrm{\&alpha;},\mathrm{\&beta;}}\right)}---\left(4\right)$

式中，α和β分别是落在不同区域块内的路口，MN分别是统计时间段内经过α和β的车辆总数，f(d_a，b)是距离函数，计算α和β的地理位置之间的距离。

步骤3-3，采用空间聚类的方法，对路口进行聚类；

采用基于密度的方法(如DBSCAN)对区域块进行聚类。区域块之间聚类的距离可以计算如下：

$D_{x,y}=\frac{1}{n}{\&Sigma;}_n{F}_{\mathrm{\&alpha;},\mathrm{\&beta;}}\&CenterDot;\frac{1}{g(\mathrm{\&alpha;},\mathrm{\&beta;})}---\left(5\right)$

式中，x和y代表两个区域块，α和β代表分别位于x和y中的两个路口，F_α，β是路口α和路口β之间的作用力，而g(α，β)代表路口α和β之间的连通性。

如果路α和β之间能够通过道路相互到达，则表示路口α和β之间具有连通性，g(α，β)＝1；

反之路口α和β之间路口不能够通过道路相互到达，则路口α和β之间不具有连通性，g(α，β)＝0。

n是统计两个区域块之间总的路口对的数目。

步骤3-4，根据聚类结果，将区域块划分到一起，得到交通小区的划分。

Claims (6)

1.一种基于稀疏车牌识别数据挖掘的交通小区划分方法，其特征在于，包括：

车辆类型划分阶段：针对城市地图上每个可监测路口，将经过的车辆按照出行时间分布划分成n种类型；

路口数据补全阶段：在车辆类型划分阶段的基础上，引入社交媒体签到数据以及POI数据，利用协同张量分解获得包含所有路口的交通状况张量；

交通小区划分阶段：基于交通状况张量对城市地图进行空间聚类，将城市地图划分成不同的交通小区。

2.如权利要求1所述的基于稀疏车牌识别数据挖掘的交通小区划分方法，其特征在于，车辆类型划分阶段具体包括：

步骤1-1，针对城市地图上每个可监测路口，采集车牌识别数据，计算单位时间段内车辆经过的路口数目，建立车辆关于路口的矩阵；

步骤1-2，对车辆关于路口的矩阵进行非负矩阵分解；

步骤1-3，根据非负矩阵分解的结果，将车辆按照出行时间分布划分成n种类型。

3.如权利要求2所述的基于稀疏车牌识别数据挖掘的交通小区划分方法，其特征在于，路口数据补全阶段具体包括：

步骤2-1，读取所述车牌识别数据，计算每个可监测路口各个时间段内经过的不同类型车辆的数目，建立反映路口交通状况的张量并归一化；

步骤2-2，根据各路口地理位置统计各路口半径k公里范围内各个时间段内的社交媒体软件的签到数据，建立反映地图上所有路口签到状况的矩阵并归一化；

步骤2-3，根据各路口地理位置统计各路口半径k公里范围内各种类型的POI的数目，建立反映地图上所有路口地理特征的矩阵并归一化；

步骤2-4，根据车辆类型划分阶段的结果，统计各种类型的车辆在同一路口同时段出现的概率，建立反映车辆类型之间相关性的矩阵并归一化；

步骤2-5，对步骤2-1至步骤2-4得到的四个归一化后的矩阵进行协同张量分解，得到一个完整反映城市地图上所有路口交通状况的张量。

4.如权利要求3所述的基于稀疏车牌识别数据挖掘的交通小区划分方法，其特征在于，交通小区划分阶段具体包括：

步骤3-1，划分城市地图，以路口为顶点，路段为边界，将城市地图划分成最小的区域块；

步骤3-2，建立引力模型，根据经过路口的车辆和路口的地理位置计算相邻路口之间的作用力；

步骤3-3，采用空间聚类的方法，对路口进行聚类；

步骤3-4，根据路口聚类结果，将同类区域块划分到一起，完成交通小区的划分。

5.如权利要求1所述的基于稀疏车牌识别数据挖掘的交通小区划分方法，其特征在于，步骤1-1中，每条车牌识别数据包括记录的设备编号、记录的时间和识别的车牌数据。

6.如权利要求1所述的基于稀疏车牌识别数据挖掘的交通小区划分方法，其特征在于，步骤3-3中，区域块之间聚类的距离为：

$D_{x,y}=\frac{1}{n}{\mathrm{\&Sigma;}}_n{F}_{\mathrm{\&alpha;},\mathrm{\&beta;}}\&CenterDot;\frac{1}{g(\mathrm{\&alpha;},\mathrm{\&beta;})}$

式中，x和y代表两个区域块，α和β代表分别位于x和y中的两个路口，F_α，β是路口α和路口β之间的作用力，g(α，β)代表路口α和β之间的连通性。