CN106157624A - 基于交通定位数据的多粒度道路分流可视分析方法 - Google Patents

Abstract

基于交通定位数据的多粒度道路分流(交互)可视分析方法包括以下几个步骤：(1)原始交通数据重构；(2)道路匹配及路网的搭建；(3)道路流量和车辆行驶速度的计算；(4)多粒度道路状况分析组件搭建。

Description

基于交通定位数据的多粒度道路分流可视分析方法

技术领域

本发明涉及基于交通定位数据的多粒度道路分流可视分析方法。

背景技术

伴随着城镇化的进程，城市的中心区域和主干道路已经变的越来越拥挤，城市居民的出行变的十分不便，所以大家对获取及时的交通信息及一些出行建议有着强烈的需求，以此避免早晚高峰的时间段以及较拥堵的路段，提高出行效率。

而在当今的大数据时代，对GPS定位数据的分析已经变成了一个热门的课题，而由于安装GPS采集装置的设备不同，获取到的定位数据也分为很多种类。每当我们乘坐公共交通工具时，交通工具本身也在记录着行驶数据与载客数据等，这些数据都可以被用来分析并得出调整交通工具的具体使用方案。在人们的生活中，无时无刻不在产生数据，而随着采集设备成本的下降，定位数据积累的越来越多，变得越来越多样化。近年来，仅交通数据的规模性就已经达到了海量的级别，除了需要克服数据存储上的难题，数据的有效利用也变得更加困难。为了获取数据中蕴含的价值，各种数据分析与挖掘方法应运而生。

从海量数据中很难直接的提取有价值的信息，在处理维度较高的数据时，很多传统的数据分析方法也不再适用，为了将这些数据更直观的展现给分析人员，数据可视化和可视分析开始发挥更加重要的作用。其中数据可视化包括信息可视化与科学可视化，两者都是通过可视编码，把数据以图形的形式绘制出来。随着2005年以来信息可视化技术的高速发展，在城市道路交通的研究领域里也出现了交通可视分析的一个重要分支。与传统的黑盒分析不同，可视分析通过丰富的人机交互手段为使用者提供从概览到详细的探索能力，可视化所展现的图形式结果也使得分析人员能够更方便的挖掘数据中的信息。

因此，可视分析近年来在城市道路交通领域受到了广泛的关注，提高了分析人员的效率与准确性，也产生了大量的研究成果。可视化可以将抽象的数据用更直观的方式表达出来，以便使用者观察和分析。信息可视化主要是将高维度的复杂的数据使用人们最容易接受的方式绘制出来。数据本身主要源于人们的生活，通过降维、变换等方法，将数据变得更容易理解。将这些数据可视化之后，结合可视分析从历史数据中找出特定的模式，对未来进行预测，帮助人们管理与规划。

发明内容

本发明要克服城市道路路网分流和路口分流的问题，提出一种利用Hadoop平台处理数据的方式，设计出一种基于交通定位数据的多粒度道路分流(交互)可视分析方法，更好地帮助交通运管部门对道路流量进行分析，并且提供一套可视分析系统帮助用户分析道路流量特性，展示路口和路网的分流，通过道路全局概览图、流量速度像素图、路口流量等分弦图和路网流量传播图对一个城市的交通状况进行探索。

本发明所依据的数据基础是出租车的GPS数据。其中处理的数据主要是2013年的杭州市出租车GPS数据，包括杭州市区、郊区范围内以浙A车牌开头的所有9000辆出租车，数据以月份分割保存，并以车辆为单位存储每个月的GPS数据，每辆车平均约10万条记录，一个月的GPS数据大小为130G左右。每条GPS数据记录包括10个有效属性：点记录ID、车辆ID、车牌号、经度、纬度、速度、角度、载客标志、存储时间和发送时间。可视分析方法在海量的数据中挖掘出真正有价值的信息提供了一种直观的手段，让交通运管人员或者是专业的分析人员能摆脱传统分析方法中枯燥乏味的数字，而从更生动的图形交互方式获得所需要的内容。

本发明设计了一个B/S架构下，以探索城市道路流量的分布及分流模式为目的的可视分析方法，利用流行的d3.js进行可视化组件的绘制，与传统的流量可视化不同，本发明提出了针对路口和路网的分流数据可视化。用户可以从全局到局部再到全局的方式对整个城市中特定区域的分流进行详细的了解，配合日期和时间选择的插件，用户可以对不同时间段内不同道路的分流情况进行对比，并分析城市的流量传播情况。为了能具体准确地分析城市道路路网流量分布和路口分流，本发明所涉及的一种基于交通定位数据的多粒度道路分流(交互)可视分析方法包括以下几个步骤：

1)原始交通数据重构：首先将GPS数据进行清理和排序，其中每一辆车的数据作为一个文件，文件中的每个数组作为一条轨迹，利用时间戳将所有轨迹按照时间排序，然后根据判断是否有载客和时间的双重约束条件将轨迹拆分为多条轨迹，这有利于后续的流量统计；其次对地图数据，特别是矢量地图的清理及修正，主要解决的问题为道路单双向以及道路行驶方向的纠正；

2)道路匹配：匹配的目的就是为了将GPS点与所在道路绑定在一起。在上述数据预处理中，由于采集过程的偏差导致GPS无法匹配到正确道路上，而且采集设备本身没有获取车辆所行驶道路的信息，所以为了进行以道路为单位的流量与速度统计，需要将GPS点与道路之间进行匹配。其中步骤2)具体包括：

(2.1)路网构建，基于清洗过的ArcMap矢量地图，对地图中每条道路创建一个MBR，MBR(minimum bounding rectangle)是最小外接矩形，利用PRTree对所有MBR创建空间索引树，其中PRTree是一个实现了优先级R-Tree以及空间索引的JAVA开发包。为待匹配的轨迹中每一个GPS点同样创建一个MBR，然后在上一步的空间索引树进行查找，将找到的所有道路的MBR作为候选路段，提取路段信息；

(2.2)基于S-T matching算法，将GPS点准确匹配到道路上，结合GPS点求与每一个候选点的观察概率(Observation Probability)：

$N\left(c_i^j\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{\frac{{(x_i^j-u)}^2}{2{\mathrm{\σ}}^2}}$

其中是第i个GPS点p_i对应的第j个候选点，GPS点候选点之间的欧氏距离，σ＝20；

(2.3)根据上一个GPS点的候选点与当前GPS点的候选点计算两者的传输概率(Transmission Probability)：

$V(c_{i-1}^t\→c_i^s)=\frac{d_{i-1\→i}}{w_{(i-1,t)\→(i,s)}}$

其中d_i-1→i＝dist(p_i,p_i-1)为上一个GPS点与当前GPS点之间的欧氏距离，为前后两个候选点集合中每一对候选点在路网上的最短路径；

(2.4)根据计算出的观察概率和传输概率计算出候选点的空间分析函数：

$F_s(c_{i-1}^t\→c_i^s)=N\left(c_i^s\right)*V(c_{i-1}^t\→c_i^s),2\≤i\≤n$

找到最后一个GPS点的候选点集合中空间分析函数值最大的一个，反向推出上一个候选点，将候选点全部推算出后合成新的轨迹，即为匹配轨迹，并记录下每一个候选点所在的路段信息，为后续对轨迹化简时提供数据；

3)道路流量和车辆行驶速度的计算：首先统计每一个路段的流量，所有路段流量总和即为此道路的总流量。路段流量可以看成车辆当前时间经过当前路段的次数，考虑到后续路口分流的可视分析，在做流量统计时，利用路段序列中当前路段与下一路段在空间中的相对位置，计算两个路段向量的夹角和外积的模，若夹角小于30度则视为直行，若大于150度则为掉头，根据外积的模可以判断转向为左转还是右转，模为正数为左转，负数为右转；对于道路车辆行驶速度v，首先计算三种平均速度，三种平均速度分别为上个路段尾点到当前点的平均速度v₁、当前点到下个路段起始点的平均速度v₂和当前道路的瞬时速度v₃:

v＝ω₁v₁+ω₂v₂+ω₃v₃

其中ω_i(i＝1,2,3)为每种速度的加权值，且∑ω_i(i＝1,2,3)＝1；

4)多粒度道路状况分析可视组件搭建；其中步骤4)中具体包括：

(4.1)交通流视觉编码：对流量进行映射时，由于每个路段流量的不统一性，所以采用动态映射方案，即根据流量的最大值和最小值进行动态的调整：

$C\left(i\right)=RGB\left(\frac{f-f_{\min }}{f_{max}-f_{\min }}\right)$

其中C(i)为第i条路段的映射颜色，RGB()为计算颜色映射的函数，f_max,f_min,f分别为道路的车流量最大值、道路的车流量最小值和当前路段车流量。对于速度的颜色映射由于具有统一性，采用绝对映射。由此可以对流量和速度在地图上进行映射，得到道路全局概览图，同时设计了多个交互控制插件，如“流量”、“时间”、“时间选择”等控制枢纽；

(4.2)构建路段流量分析组件：设计方格矩形，由于数据庞大，利用每15分钟的数据绘制一个方格，并且流量投射到方格的上三角，速度投射到下三角，将规定时间段的所有方格按照时间顺序按照矩阵排列即可得到流量速度像素图，可以通过点击概览图的路段得到此图；

(4.3)构建路口分流分析组件：将路口的分流情况绘制成一个圆，从圆边延伸出曲线作为驶入驶出的方向，称此为弦图。首先将弦图的数据源设计成一个矩阵，矩阵里的内容为每一个分类到其它分类包括本身在内的数值大小和每一分类的占比，扩展到整个圆；在路口的每个路段绘制两个弧，分别表示路口驶入和路口驶出的归一化后的流量大小，在相邻路段中间加入空白部分以作区分；由此每个路口有三个属性：路口A驶入、路口A驶出、路口A与路口B空白间隔，以此类推，每一个路口由3段组成，于是一个弦图就被分成12段，由此构建12×12的数据源矩阵：

其中A→C表示路口A驶出并驶入路口C，以此类推；α为该路段归一化后的总流量；将图形的每个分类绘制成曲线弦，与有角度的路段间空白区域形成圆；并重写弦图绘制的排序数组，以防弦图图中的弦有交叉，点击路网中的路口自动绘制路口分流情况；

(4.4)构建路网分流分析组件：使用节点表示路段，两点之间使用贝塞尔曲线进行连接形成路网流量传播图，并设计连线面积大小表示流量大小。同时设计使用鼠标悬浮路网流量传播图的节点时高亮相应道路的交互展示。

本发明的技术构思是：设计B/S架构下的可视分析方法，采用浏览器与服务器的模式设计方式，摆脱了对用户操作系统的依赖，维护简易，降低了分析人员使用系统的成本且，能够更方便的结合多种可视化函数库混合编写，达到更好的展示效果；对路网进行S-Tmatching匹配通定位点，非常准确且快速完成路网匹配，部署快速，提高方法的运算效率；从路段、路口、道路三个层面分析城市道路流量，深层次地展示了城市道路流量的多种规律。

本发明的优点是：成本低廉，维护简易，部署迅速，可视化界面交互多样性，多粒度分析道路流量状况。

附图说明

图1为本发明的可视化系统界面。

图2a为本发明的流量速度像素图的流量图界面，图2b为本发明的流量速度像素图的速度图界面。

图3为本发明的全局概览图。

图4为本发明的路口流量等分弦图。

图5为本发明的路网流量传播图。

图6为本发明的系统构架图。

具体实施方式

下面结合实施例及附图进行详细说明

本发明所涉及的基于交通定位数据的多粒度道路分流(交互)可视分析方法包括以下几个步骤：

1)原始交通数据重构：首先将GPS数据进行清理和排序，其中每一辆车的数据作为一个文件，文件中的每个数组作为一条轨迹，利用时间戳将所有轨迹按照时间排序，然后根据判断是否有载客和时间的双重约束条件将轨迹拆分为多条轨迹，这有利于后续的流量统计；其次对地图数据，特别是矢量地图的清理及修正，主要解决的问题为道路单双向以及道路行驶方向的纠正；

2)道路匹配：匹配的目的就是为了将GPS点与所在道路绑定在一起。在上述数据预处理中，由于采集过程的偏差导致GPS无法匹配到正确道路上，而且采集设备本身没有获取车辆所行驶道路的信息，所以为了进行以道路为单位的流量与速度统计，需要将GPS点与道路之间进行匹配。其中步骤2)具体包括：

(2.1)路网构建，基于清洗过的ArcMap矢量地图，对地图中每条道路创建一个MBR，MBR(minimum bounding rectangle)是最小外接矩形，利用PRTree对所有MBR创建空间索引树，其中PRTree是一个实现了优先级R-Tree以及空间索引的JAVA开发包。为待匹配的轨迹中每一个GPS点同样创建一个MBR，然后在上一步的空间索引树进行查找，将找到的所有道路的MBR作为候选路段，提取路段信息；

(2.2)基于S-T matching算法，将GPS点准确匹配到道路上，结合GPS点求与每一个候选点的观察概率(Observation Probability)：

$N\left(c_i^j\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{\frac{{(x_i^j-u)}^2}{2{\mathrm{\σ}}^2}}$

其中是第i个GPS点p_i对应的第j个候选点，GPS点候选点之间的欧氏距离，σ＝20；

(2.3)根据上一个GPS点的候选点与当前GPS点的候选点计算两者的传输概率(Transmission Probability)：

$V(c_{i-1}^t\→c_i^s)=\frac{d_{i-1\→i}}{w_{(i-1,t)\→(i,s)}}$

其中d_i-1→i＝dist(p_i,p_i-1)为上一个GPS点与当前GPS点之间的欧氏距离，为前后两个候选点集合中每一对候选点在路网上的最短路径；

(2.4)根据计算出的观察概率和传输概率计算出候选点的空间分析函数：

$F_s(c_{i-1}^t\→c_i^s)=N\left(c_i^s\right)*V(c_{i-1}^t\→c_i^s),2\≤i\≤n$

找到最后一个GPS点的候选点集合中空间分析函数值最大的一个，反向推出上一个候选点，将候选点全部推算出后合成新的轨迹，即为匹配轨迹，并记录下每一个候选点所在的路段信息，为后续对轨迹化简时提供数据；

3)道路流量和车辆行驶速度的计算：首先统计每一个路段的流量，所有路段流量总和即为此道路的总流量。路段流量可以看成车辆当前时间经过当前路段的次数，考虑到后续路口分流的可视分析，在做流量统计时，利用路段序列中当前路段与下一路段在空间中的相对位置，计算两个路段向量的夹角和外积的模，若夹角小于30度则视为直行，若大于150度则为掉头，根据外积的模可以判断转向为左转还是右转，模为正数为左转，负数为右转；对于道路车辆行驶速度v，首先计算三种平均速度，三种平均速度分别为上个路段尾点到当前点的平均速度v₁、当前点到下个路段起始点的平均速度v₂和当前道路的瞬时速度v₃:

v＝ω₁v₁+ω₂v₂+ω₃v₃

其中ω_i(i＝1,2,3)为每种速度的加权值，且∑ω_i(i＝1,2,3)＝1；

4)设计多粒度道路状况分析可视组件；其中步骤4)中具体包括：

(4.1)交通流视觉编码：对流量进行映射时，由于每个路段流量的不统一性，所以采用动态映射方案，即根据流量的最大值和最小值进行动态的调整：

$C\left(i\right)=RGB\left(\frac{f-f_{\min }}{f_{max}-f_{\min }}\right)$

其中C(i)为第i条路段的映射颜色，RGB()为计算颜色映射的函数，f_max,f_min,f分别为道路的车流量最大值、道路的车流量最小值和当前路段车流量。对于速度的颜色映射由于具有统一性，采用绝对映射。由此可以对流量和速度在地图上进行映射，得到道路全局概览图，同时设计了多个交互控制插件，如“流量”、“时间”、“时间选择”等控制枢纽；

(4.2)构建路段流量分析组件：设计方格矩形，由于数据庞大，利用每15分钟的数据绘制一个方格，并且流量投射到方格的上三角，速度投射到下三角，将规定时间段的所有方格按照时间顺序按照矩阵排列即可得到流量速度像素图，可以通过点击概览图的路段得到此图；

(4.3)构建路口分流分析组件：将路口的分流情况绘制成一个圆，从圆边延伸出曲线作为驶入驶出的方向，称此为弦图。首先将弦图的数据源设计成一个矩阵，矩阵里的内容为每一个分类到其它分类包括本身在内的数值大小和每一分类的占比，扩展到整个圆；在路口的每个路段绘制两个弧，分别表示路口驶入和路口驶出的归一化后的流量大小，在相邻路段中间加入空白部分以作区分；由此每个路口有三个属性：路口A驶入、路口A驶出、路口A与路口B空白间隔，以此类推，每一个路口由3段组成，于是一个弦图就被分成12段，由此构建12×12的数据源矩阵：

其中A→C表示路口A驶出并驶入路口C，以此类推；α为该路段归一化后的总流量；将图形的每个分类绘制成曲线弦，与有角度的路段间空白区域形成圆；并重写弦图绘制的排序数组，以防弦图图中的弦有交叉，点击路网中的路口自动绘制路口分流情况；

(4.4)构建路网分流分析组件：使用节点表示路段，两点之间使用贝塞尔曲线进行连接形成路网流量传播图，并设计连线面积大小表示流量大小。同时设计使用鼠标悬浮路网流量传播图的节点时高亮相应道路的交互展示。

在本发明方法的预处理过程中，道路匹配算法主要通过改进的ST-matching算法将出租车轨迹的GPS点匹配到相应的道路上，以此来获得道路的流量和速度的时变统计量。高效的绘制道路全局概览图、流量速度像素图、路口流量等分弦图和路网流量传播图。具体框架流程图见图6。主要解决了城市道路路网分流和路口分流的可视化展现问题，可以检测道路的拥挤状况以及路段之间的流量传递情况，可以为交警管制时间的确定，红绿灯的设置以及城市道路建设提供了建设性的意见。

以上阐述的是本发明给出的一个实施案例展示了多种层面的有效可视化组件，显然本发明不只是限于上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。所提出的可视化方案对分析城市道路流量的路网和路口分流分析是有效的，可以很好地展示路段、路口、路网三个层面的道路流量状况。

Claims (1)

1.基于交通定位数据的多粒度道路分流可视分析方法包括以下几个步骤：

1)原始交通数据重构：首先将GPS数据进行清理和排序，其中每一辆车的数据作为一个文件，文件中的每个数组作为一条轨迹，利用时间戳将所有轨迹按照时间排序，然后根据判断是否有载客和时间的双重约束条件将轨迹拆分为多条轨迹，这有利于后续的流量统计；其次对地图数据，特别是矢量地图的清理及修正，纠正道路单双向以及道路行驶方向；

2)道路匹配：匹配的目的就是为了将GPS点与所在道路绑定在一起；在上述数据预处理中，由于采集过程的偏差导致GPS无法匹配到正确道路上，而且采集设备本身没有获取车辆所行驶道路的信息，所以为了进行以道路为单位的流量与速度统计，需要将GPS点与道路之间进行匹配；其中步骤2)具体包括：

(2.1)路网构建，基于清洗过的ArcMap矢量地图，对地图中每条道路创建一个最小外接矩形MBR，利用PRTree对所有MBR创建空间索引树，其中PRTree是一个实现了优先级R-Tree以及空间索引的JAVA开发包；为待匹配的轨迹中每一个GPS点同样创建一个MBR，然后在上一步的空间索引树进行查找，将找到的所有道路的MBR作为候选路段，提取路段信息；

(2.2)基于S-T matching算法，将GPS点准确匹配到道路上，结合GPS点求与每一个候选点的观察概率：

$N\left(c_i^j\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{\frac{{(x_i^j-u)}^2}{2{\mathrm{\σ}}^2}}$

其中是第i个GPS点p_i对应的第j个候选点，GPS点候选点之间的欧氏距离，σ＝20；

(2.3)根据上一个GPS点的候选点与当前GPS点的候选点计算两者的传输概率Transmission Probability：

$V(c_{i-1}^t\→c_i^s)=\frac{d_{i-1\→i}}{w_{(i-1,t)\→(i,s)}}$

其中d_i-1→i＝dist(p_i,p_i-1)为上一个GPS点与当前GPS点之间的欧氏距离，为前后两个候选点集合中每一对候选点在路网上的最短路径；

(2.4)根据计算出的观察概率和传输概率计算出候选点的空间分析函数：

$F_s(c_{i-1}^t\→c_i^s)=N\left(c_i^s\right)*V(c_{i-1}^t\→c_i^s),2\≤i\≤n$

找到最后一个GPS点的候选点集合中空间分析函数值最大的一个，反向推出上一个候选点，将候选点全部推算出后合成新的轨迹，即为匹配轨迹，并记录下每一个候选点所在的路段信息，为后续对轨迹化简时提供数据；

3)道路流量和车辆行驶速度的计算：首先统计每一个路段的流量，所有路段流量总和即为此道路的总流量；路段流量可以看成车辆当前时间经过当前路段的次数，考虑到后续路口分流的可视分析，在做流量统计时，利用路段序列中当前路段与下一路段在空间中的相对位置，计算两个路段向量的夹角和外积的模，若夹角小于30度则视为直行，若大于150度则为掉头，根据外积的模可以判断转向为左转还是右转，模为正数为左转，负数为右转；对于道路车辆行驶速度v，首先计算三种平均速度，三种平均速度分别为上个路段尾点到当前点的平均速度v₁、当前点到下个路段起始点的平均速度v₂和当前道路的瞬时速度v₃:

v＝ω₁v₁+ω₂v₂+ω₃v₃

其中ω_i(i＝1,2,3)为每种速度的加权值，且∑ω_i(i＝1,2,3)＝1；

4)设计多粒度道路状况分析可视组件；其中步骤4)中具体包括：

(4.1)交通流视觉编码：对流量进行映射时，由于每个路段流量的不统一性，所以采用动态映射方案，即根据流量的最大值和最小值进行动态的调整：

$C\left(i\right)=RGB\left(\frac{f-f_{\min }}{f_{max}-f_{\min }}\right)$

其中C(i)为第i条路段的映射颜色，RGB()为计算颜色映射的函数，f_max,f_min,f分别为道路的车流量最大值、道路的车流量最小值和当前路段车流量；对于速度的颜色映射由于具有统一性，采用绝对映射；由此可以对流量和速度在地图上进行映射，得到道路全局概览图，同时设计了多个交互控制插件；

(4.2)构建路段流量分析组件：设计方格矩形，由于数据庞大，利用每15分钟的数据绘制一个方格，并且流量投射到方格的上三角，速度投射到下三角，将规定时间段的所有方格按照时间顺序按照矩阵排列即可得到流量速度像素图，可以通过点击概览图的路段得到此图；

(4.3)构建路口分流分析组件：将路口的分流情况绘制成一个圆，从圆边延伸出曲线作为驶入驶出的方向，称此为弦图；首先将弦图的数据源设计成一个矩阵，矩阵里的内容为每一个分类到其它分类包括本身在内的数值大小和每一分类的占比，扩展到整个圆；在路口的每个路段绘制两个弧，分别表示路口驶入和路口驶出的归一化后的流量大小，在相邻路段中间加入空白部分以作区分；由此每个路口有三个属性：路口A驶入、路口A驶出、路口A与路口B空白间隔，以此类推，每一个路口由3段组成，于是一个弦图就被分成12段，由此构建12×12的数据源矩阵：

其中A→C表示路口A驶出并驶入路口C，以此类推；α为该路段归一化后的总流量；将图形的每个分类绘制成曲线弦，与有角度的路段间空白区域形成圆；并重写弦图绘制的排序数组，以防弦图图中的弦有交叉，点击路网中的路口自动绘制路口分流情况；

(4.4)构建路网分流分析组件：使用节点表示路段，两点之间使用贝塞尔曲线进行连接形成路网流量传播图，并设计连线面积大小表示流量大小；同时设计使用鼠标悬浮路网流量传播图的节点时高亮相应道路的交互展示。