CN107766808A - 道路网络空间中车辆对象移动轨迹聚类的方法及系统 - Google Patents

Abstract

本发明提供的道路网络空间中车辆对象移动轨迹聚类的方法及系统，方法为：实时获取道路上各种车辆的定位数据，定位数据中包括经度数据、纬度数据和航向角数据；将经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；对投影坐标进行网络分格，得到多个分区，并对多个分区进行标记；将每个分区中的数据根据航向角数据散列到多个子分区中，计算得到最大邻域半径，并根据最大领域半径计算得到E领域；通过DBSCAN算法，在E领域中进行聚类，得到聚类结果。本发明，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

Description

道路网络空间中车辆对象移动轨迹聚类的方法及系统

技术领域

本发明涉及大数据处理领域，尤其涉及道路网络空间中车辆对象移动轨迹聚类的方法及系统领域。

背景技术

有向密度聚类是一种从海量浮动车轨迹中挖掘交通路网信息的方法，基于浮动车轨迹数据挖掘交通地理信息(路网拓扑结构)，一般采用空间聚类的方式，聚类是将数据集按照一定的规则，划分成多个有意义的类簇，同一类簇里相似度高，不同类簇之间相似度低，常见聚类方法有层次聚类、划分聚类、网格聚类、密度方法等。

基于浮动车数据特点，在此采用密度方法聚类，密度聚类主要DBSCAN、OPTICS两种，其中OPTICS是基于DBSCAN的改进算法，可多次动态提取聚类结果。两种算法都可以很好的处理密度分布不均匀的数据，发现任意形状的类，并能很好的对异常数据进行过滤(降噪)。其中，DBSCAN需要设置两个参数(最大邻域半径ε、最小邻域样本数min_samples)和一个距离算法，聚类算法通常采用欧氏距离。浮动车轨迹数据包含很多丰富的信息，包括经纬度、速度、航向角、俯仰角、翻滚角等等。DBSCAN在空间地理数据处理中只使用了浮动车轨迹的经纬度，由于使用圆形半径搜索，其聚类效果与预期效果有一定距离。

因此，现有技术中的缺陷是：现有的基于浮动车轨迹数据的聚类算法，只考虑浮动车轨迹数据中的经纬度数据，导致聚类结果与预期效果差距大，不理想。

发明内容

针对上述技术问题，本发明提供一种道路网络空间中车辆对象移动轨迹聚类的方法及系统，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种道路网络空间中车辆对象移动轨迹聚类的方法，包括：

步骤S1，实时获取道路上各种车辆的定位数据，所述定位数据中包括经度数据、纬度数据和航向角数据；

步骤S2，将所述经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；

步骤S3，对所述投影坐标进行网络分格，得到多个分区，并对所述多个分区进行标记；

步骤S4，根据所述航向角数据，将所述分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据所述最大领域半径计算得到E领域；

步骤S5，通过DBSCAN算法，在所述E领域中进行聚类，得到聚类结果。

本发明提供的一种道路网络空间中车辆对象移动轨迹聚类的方法，其技术方案为：实时获取道路上各种车辆的定位数据，所述定位数据中包括经度数据、纬度数据和航向角数据；将所述经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；对所述投影坐标进行网络分格，得到多个分区，并对所述多个分区进行标记；根据所述航向角数据，将所述分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据所述最大领域半径计算得到E领域；通过DBSCAN算法，在所述E领域中进行聚类，得到聚类结果。

本发明提供的道路网络空间中车辆对象移动轨迹聚类的方法，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

进一步地，所述计算得到E领域，具体为：

根据所述航向角，分别计算得到短半轴和长半轴；

根据所述短半轴和长半轴，计算得到E领域。

进一步地，所述步骤S5，具体为：

根据所述短半轴和长半轴，形成搜索椭圆；

通过所述搜索椭圆，在所述E领域中通过DBSCAN算法进行聚类，得到聚类结果。

进一步地，通过所述搜索椭圆，在所述E领域中通过DBSCAN算法进行聚类，得到聚类结果，具体为：

在所述搜索椭圆中的样本数中抽取一个未处理的点，进行第一次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果所述抽出的点是边缘点，寻找下一个点，直到所述搜索椭圆中的样本数均被抽取处理；

以所述簇作为新的未处理的点，进行第二次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果所述抽出的点是边缘点，寻找下一个点，直到所述搜索椭圆中的样本数均被抽取处理；

通过多次聚类后，得到聚类结果。

进一步地，判断所述抽出的点为核心点或边缘点，具体为：

将所述搜索椭圆中的样本数与预先设定的最小邻域样本数进行比较，判定核心点：

当所述样本数不小于所述最小邻域样本数，判定为核心点，否则为边缘点，其中，所述样本数为所述E领域内的样本点数。

第二方面，本发明提供一种道路网络空间中车辆对象移动轨迹聚类的系统，包括：

定位数据获取模块，用于实时获取道路上各种车辆的定位数据，所述定位数据中包括经度数据、纬度数据和航向角数据；

坐标变换模块，用于将所述经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；

空间网格模块，用于对所述投影坐标进行网络分格，得到多个分区，并对所述多个分区进行标记；

航向角区分模块，用于根据所述航向角数据，将所述分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据所述最大领域半径计算得到E领域；

聚类模块，用于通过DBSCAN算法，在所述E领域中进行聚类，得到聚类结果。

本发明提供的道路网络空间中车辆对象移动轨迹聚类的系统，其技术方案为：通过定位数据获取模块，实时获取道路上各种车辆的定位数据，所述定位数据中包括经度数据、纬度数据和航向角数据；通过坐标变换模块，将所述经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；通过空间网格模块，对所述投影坐标进行网络分格，得到多个分区，并对所述多个分区进行标记；通过航向角区分模块，根据所述航向角数据，将所述分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据所述最大领域半径计算得到E领域；通过聚类模块，通过DBSCAN算法，在所述E领域中进行聚类，得到聚类结果。

本发明提供的道路网络空间中车辆对象移动轨迹聚类的系统，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

进一步地，所述航向角区分模块，具体用于计算得到E领域：

根据所述航向角，分别计算得到短半轴和长半轴；

根据所述短半轴和长半轴，计算得到E领域。

进一步地，所述聚类模块，具体用于：

根据所述短半轴和长半轴，形成搜索椭圆；

通过所述搜索椭圆，在所述E领域中通过DBSCAN算法进行聚类，得到聚类结果。

进一步地，所述聚类模块，具体用于：

通过所述搜索椭圆，在所述E领域中通过DBSCAN算法进行聚类，得到聚类结果：

在所述搜索椭圆中的样本数中抽取一个未处理的点，进行第一次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果所述抽出的点是边缘点，寻找下一个点，直到所述搜索椭圆中的样本数均被抽取处理；

以所述簇作为新的未处理的点，进行第二次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果所述抽出的点是边缘点，寻找下一个点，直到所述搜索椭圆中的样本数均被抽取处理；

通过多次聚类后，得到聚类结果。

进一步地，所述聚类模块，具体用于：判断所述抽出的点为核心点或边缘点：

将所述搜索椭圆中的样本数与预先设定的最小邻域样本数进行比较，判定核心点：

当所述样本数不小于所述最小邻域样本数，判定为核心点，否则为边缘点，其中，所述样本数为所述E领域内的样本点数。

与现有技术相比，本发明的有益效果是：

基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。

图1示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法的流程图；

图2示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中第一E领域的示意图；

图3示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中第二E领域的示意图；

图4示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法的聚类结果示意图；

图5A示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中异常分析前定位数据的示意图；

图5B示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中异常分析后定位数据的示意图；

图6示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中平滑处理示意图的示意图；

图7示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中拥有共同边界点的类进行合并或关系建立示意图；

图8示出了本发明实施例所提供的一种基于车辆轨迹数据的路径拼接方法中心点画线的示意图；

图9A示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中方向错误线路的示意图；

图9B示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中冗余线路的示意图；

图10示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法中的线线拼接示意图；

图11示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的系统的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

实施例一

图1示出了本发明实施例所提供的一种道路网络空间中车辆对象移动轨迹聚类的方法的流程图；如图1所示，实施例一提供的一种道路网络空间中车辆对象移动轨迹聚类的方法，包括：

步骤S1，实时获取道路上各种车辆的定位数据，定位数据中包括经度数据、纬度数据和航向角数据；

步骤S2，将经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；

其中，以经度lng为x_i坐标，纬度lat为y_i坐标，航向角为di，投影坐标为Pi＝{<x_i,y_i>,di}。

步骤S3，对投影坐标进行网络分格，得到多个分区，并对多个分区进行标记；

为提高效率，减少计算复杂度，本发明中采用GEOHASH将投影坐标Pi进行网络分格，把Pi的geocode标记为gi。

步骤S4，根据航向角数据，将分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据最大领域半径计算得到E领域；

由于不同航向角之间距离较远，因此将分区中的数据根据航向角数据散列到6个子分区中，ai＝di％180//30。基于网格进行数据的第一次划分，然后基于航向角对数据进行第二次的分区划分，最后再进行聚类。

步骤S5，通过DBSCAN算法，在E领域中进行聚类，得到聚类结果。

本发明提供的一种道路网络空间中车辆对象移动轨迹聚类的方法，其技术方案为：实时获取道路上各种车辆的定位数据，定位数据中包括经度数据、纬度数据和航向角数据；将经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；对投影坐标进行网络分格，得到多个分区，并对多个分区进行标记；根据航向角数据，将分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据最大领域半径计算得到E领域；通过DBSCAN算法，在E领域中进行聚类，得到聚类结果。

本发明提供的道路网络空间中车辆对象移动轨迹聚类的方法，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

优选地，计算得到E领域，具体为：

根据航向角，分别计算得到短半轴和长半轴；

根据短半轴和长半轴，计算得到E领域。

具体地，以d(0)为1，短半轴，d(90)为5，长半轴，计算得到E领域。参见图2和图3，分别为a＝0和a＝60时，计算得出的E领域。

优选地，步骤S5，具体为：

根据短半轴和长半轴，形成搜索椭圆；

通过搜索椭圆，在E领域中通过DBSCAN算法进行聚类，得到聚类结果。

通过椭圆搜索，相较于现有技术中的圆形搜索，可以大幅度的提高聚类效果，并且可以适应更宽的参数范围。

优选地，通过搜索椭圆，在E领域中通过DBSCAN算法进行聚类，得到聚类结果，具体为：

在搜索椭圆中的样本数中抽取一个未处理的点，进行第一次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果抽出的点是边缘点，寻找下一个点，直到搜索椭圆中的样本数均被抽取处理；

以簇作为新的未处理的点，进行第二次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果抽出的点是边缘点，寻找下一个点，直到搜索椭圆中的样本数均被抽取处理；

通过多次聚类后，得到聚类结果。

其中，每个点都对应一个E领域，在E领域中通过DBSCAN算法进行聚类，首先是以一个未处理点进行聚类，如果该点是核心点，则聚类形成一个簇，然后以这个簇作为新的未处理点，进行再次聚类，以此种方式进行聚类，可使聚类结果更准确。

通过DBSCAN算法进行聚类，DBSCAN与K-means方法相比，DBSCAN不需要事先知道要形成的簇类的数量。DBSCAN可以发现任意形状的簇类。同时，DBSCAN能够识别出噪声点。DBSCAN对于数据库中样本的顺序不敏感，即Pattern的输入顺序对结果的影响不大。

具体地，判断抽出的点为核心点或边缘点，具体为：

将搜索椭圆中的样本数与预先设定的最小邻域样本数进行比较，判定核心点：

当样本数不小于最小邻域样本数，判定为核心点，否则为边缘点，其中，样本数为E领域内的样本点数。

参见图4，为经过上述聚类方法进行聚类的效果图。

优选地，由于GPS定位受天气、障碍物等多种因素的影响，以及存储的信息受设备的影响，因此需要根据卫星定位的有效定位数据对定位数据进行修正。

因此，步骤S1之后还包括：

异常分析处理子步骤：

通过卫星定位获得有效定位数据，与定位数据进行比较分析，得到初步异常数据；

根据经纬度、速度和角度对初步异常数据进行过滤处理，得到异常分析后的数据；

其中，通过对异常值分析完成数据第一步清洗，根据经纬度、速度和角度等因素的有效区间完成第二步清洗。初步对定位数据中的明显不正常的数据进行过滤处理，提高生成路网的精度。参见图5A和图5B，为经过数据分析处理前后的对比图。

精度分析处理子步骤：

对定位数据进行精度分析，去掉精度不满足预设条件的数据，完成定位数据的降噪处理，得到精度分析后的数据；

分析不同数据源的精度，即分析来自不同车辆的定位数据的精度，去掉精度不符合要求的数据，完成降噪处理，通过降噪处理进一步提高生成路网的精度。

频率分析处理子步骤：

根据定位数据获取的时间间隔进行频率分析，得到频率的分析后的数据。

不同车辆的定位数据上传的时间不同，基于数据源上传时间不同，进行频率分析，可在数据处理过程中根据数据的上传频率，对频率异常的数据进行筛选，筛选过的数据可进一步提高生成路网的精度。

需要说明的是，对定位数据的处理，可单独包括上述处理方式中的任何一种，或是由上述三种处理方式中的任一组合，比如，只采用数据异常分析处理，或是采用异常分析处理和精度分析两种处理方式。

优选地，还包括，步骤S6：根据聚类结果，进行道路拟合处理，得到拼接后的路线：

将聚类结果中的点数据拼接成路段数据；

将路段数据拼接成路线数据，得到拼接后的路线，实现对定位数据的拼接。

优选地，步骤S6，具体包括：

聚类预处理子步骤：

将聚类结果中有共同边界点的类进行合并或关系建立，得到处理后的路段点数据；

拼接处理子步骤：

根据处理后的路段点数据的起点和方向角度，通过中心点画线法将处理后的路段点数据进行画线，得到第一待拼接路段；

对第一待拼接路段进行过滤处理，包括剔除错误方向和冗余线路，得到第二待拼接路段；

在画线之后，为了保证轨迹整体的相对平滑性，通过高斯滤波方法对路网进行平滑处理。参见图6，为平滑处理后的效果图，左边的路线为平滑处理之前的路线，右边的路线为平滑处理之后的路线。

对第二待拼接路段进行线线拼接，得到拼接后的路线。

其中，聚类预处理子步骤中，将聚类结果中有共同边界点的类进行合并或关系建立，具体为：

对聚类结果中有共同边界点的类的角度标识进行判断，得到角度标识结果，并根据角度标识结果对聚类结果中有共同边界点的类进行合并或关系建立，角度标识为聚类结果中全体点的方向标识。

更优选地，参见图7，对聚类结果中有共同边界点的类的角度标识进行判断，得到角度标识结果，并根据角度标识结果对聚类结果中有共同边界点的类进行合并或关系建立，具体为：

当角度标识结果为聚类结果中有共同边界点的角度标识一致，判定聚类结果中有共同边界点对应的两条道路的关系为同一条路段，将两条道路合并，并生成一个新的类编号，新的类编号区别于聚类结果中有共同边界点的类对应的编号；

当角度标识结果为聚类结果中有共同边界点的角度标识不一致，且不是相反方向的角度，则共同边界点为转弯点，判定聚类结果中有共同边界点对应的两条道路的关系为相互交叉、分支和弯道中的至少一种；并且将有此关系的两个类记录到一张中间表(该表存放的是不能归到同一条线路中的类与类之间的关系)中。

当角度标识结果为聚类结果中有共同边界点的角度标识不一致，且角度方向相反，判定聚类结果中有共同边界点对应的两条道路的关系为同一条道路的两个方向，将两条道路合并为一条道路。

优选地，根据处理后的路段点数据的起点和方向角度，通过中心点画线法将处理后的路段点数据进行画线，得到第一待拼接路段，具体为：

根据处理后的路段点数据的起点和方向角度，计算矩形区域；

从起点开始计算划定矩形区域内的中心点，依次移动计算，直到处理后的路段点数据的终点，得到第一待拼接路段。

首先，参见图8，进行中心点画线，依据起点和方向角度azimuth计算矩形区域，从起点开始计算划定区域内的中心点，依次移动计算，直到到达终点。然后，参见图9A和图9B，剔除方向错误和冗余线路；其中，在图9A中，粗的路段为方向错误的线路，图9B中，粗的路段为冗余线路；最后，参见图10，进行线线拼接，将路段拼接成线。

优选地，基于拼接得到的路线，通过路网拓扑可得到路网。

参见图11，第二方面，本发明提供一种道路网络空间中车辆对象移动轨迹聚类的系统10，包括：

定位数据获取模块101，用于实时获取道路上各种车辆的定位数据，定位数据中包括经度数据、纬度数据和航向角数据；

坐标变换模块102，用于将经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；

空间网格模块103，用于对投影坐标进行网络分格，得到多个分区，并对多个分区进行标记；

航向角区分模块104，用于根据航向角数据，将分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据最大领域半径计算得到E领域；

聚类模块105，用于通过DBSCAN算法，在E领域中进行聚类，得到聚类结果。

本发明提供的道路网络空间中车辆对象移动轨迹聚类的系统10，其技术方案为：通过定位数据获取模块101，实时获取道路上各种车辆的定位数据，定位数据中包括经度数据、纬度数据和航向角数据；通过坐标变换模块102，将经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；通过空间网格模块103，对投影坐标进行网络分格，得到多个分区，并对多个分区进行标记；通过航向角区分模块104，根据航向角数据，将分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据最大领域半径计算得到E领域；通过聚类模块105，通过DBSCAN算法，在E领域中进行聚类，得到聚类结果。

本发明提供的道路网络空间中车辆对象移动轨迹聚类的系统10，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

优选地，航向角区分模块104，具体用于计算得到E领域：

根据航向角，分别计算得到短半轴和长半轴；

根据短半轴和长半轴，计算得到E领域。

优选地，聚类模块105，具体用于：

根据短半轴和长半轴，形成搜索椭圆；

通过搜索椭圆，在E领域中通过DBSCAN算法进行聚类，得到聚类结果。

优选地，聚类模块105，具体用于：

通过搜索椭圆，在E领域中通过DBSCAN算法进行聚类，得到聚类结果：

在搜索椭圆中的样本数中抽取一个未处理的点，进行第一次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果抽出的点是边缘点，寻找下一个点，直到搜索椭圆中的样本数均被抽取处理；

以簇作为新的未处理的点，进行第二次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果抽出的点是边缘点，寻找下一个点，直到搜索椭圆中的样本数均被抽取处理；

通过多次聚类后，得到聚类结果。

优选地，聚类模块105，具体用于：判断抽出的点为核心点或边缘点：

将搜索椭圆中的样本数与预先设定的最小邻域样本数进行比较，判定核心点：

当样本数不小于最小邻域样本数，判定为核心点，否则为边缘点，其中，样本数为E领域内的样本点数。

实施例二

作为本发明的优选实施例，基于实施例一中的道路网络空间中车辆对象移动轨迹聚类的方法及系统，基于各种车辆的GPS数据进行聚类，其中，各种车辆的GPS数据还可直接反应道路的拥堵情况，由于现有技术中，对于城市拥堵情况的判断通常是基于传统交通信息检测设备，往往存在安装布设的成本高、技术难度大、后期维护运营困难，使得依托于这些检测设备数据的交通拥堵判别方法的应用范围存在较大局限性的问题。基于此，本实施例基于车辆的GPS数据，进行城市道路拥堵的判别，具体方案如下：

步骤一、以行驶于城市道路的车辆GPS数据为基础，结合城市道路拓扑结构信息，对不同类型的城市道路路段行程时间分配进行划分；得到目标路段的历史行程时间Ts(i)；

步骤二、基于人工神经网络模型构建城市道路路段行程时间估计模型：输入神经元为由车辆GPS获得的位置向量p(i)、路段编号向量s(i)、时间戳向量t(i)、速度向量v(i)，对应的输出量为步骤一所述的目标路段的历史行程时间Ts(i)，通过加载海量GPS数据信息及道路网络信息进行训练，获得训练良好的城市道路路段行程时间计算模型；

利用城市道路路段行程时间估计模型，根据车辆GPS获得的当前时刻的位置向量p(i)、路段编号向量s(i)、时间戳向量t(i)、速度向量v(i)，计算得到当前时刻的路段行程时间数据；

步骤三、基于步骤二获得的路段行程时间数据，进一步计算得出路段交通流速度V_p和路段交通流密度K_p；

步骤四、以路段交通流速度V_p和路段交通流密度K_p数据为输入条件，判定道路交通拥堵状态。

优选地，在步骤一中，所述目标路段的历史行程时间的到得方式为：

由于车辆GPS数据计算出的行程时间是车辆自一个路段的某一位置行驶到另一路段的某一位置得到的；将这一过程可以分为三种类型，并分别给出计算行程时间的方法：

第一种类型为所调查路段上存在至少两个车辆GPS定位点，在这种情况下，所调查路段的行程时间由此路段上首尾两GPS定位点之间的时间差值、上游交叉口到首个GPS定位点的行驶时间以及末尾GPS定位点到下游交叉口的行驶时间三者的加和计算得出；计算公式如下：

T_L2＝t_2,分离+t₃-t₂+t_3,分离 (1)

其中，T_L2为所调查路段L2的行程时间，t_2,分离为上游交叉口到首个GPS定位点的行驶时间，t₃-t₂为此路段上首尾两GPS定位点之间的时间差值，t_3,分离为末尾GPS定位点到下游交叉口的行驶时间；

第二种类型为所调查路段上只存在一个车辆GPS定位点，在这种情况下，所调查路段的行程时间由上游交叉口到此GPS定位点的时间以及此GPS定位点到下游交叉口的行驶时间的加和计算得出：

T_L2＝t_2,分离+t_3,分离 (2)

其中，T_L2为所调查路段L2的行程时间，t_2,分离为上游交叉口到GPS定位点的行驶时间，t_3,分离为GPS定位点到下游交叉口的行驶时间；

第三种类型为所调查路段上不存在车辆GPS定位点，在这种情况下，所调查路段的行程时间由此调查路段临近两GPS定位点之间的时间差计算得出：

T_L2＝t_2,分离 (3)

其中，T_L2为所调查路段L2的行程时间，t_2,分离为调查路段临近两GPS定位点之间的时间差的代换值。

基本上，浮动车GPS采集到的交通数据包括路径上的位置、时间戳和速度，其可以用于人工神经网络模型(ANN)的输入数据。由于交通流和信号配时在城市路网上并不是一直有效的，因此我们试图开发一个模型来尽可能利用最少的信息准确地估计行程时间，同时增强模型的普适性。在我们的ANN模型中，假设浮动车在当前样本时段经历的交通状况与相同车辆在之前的样本时段遍历的路径相似，之前的样本时段内浮动车GPS信息结合了当前的样本时段内的信息。

优选地，在步骤二中，所述人工神经网络模型(ANN模型)的数学描述如下：

输入层

其中p(i)是浮动车i在上游路段、目标路段和下游路段上的位置向量；s(i)是路段编号向量，表明浮动车所在路段；t(i)是时间戳向量，表明浮动车发送信息的时刻；v(i)是速度向量；

模型中输入神经元的数量可以由以下决定：

N＝n*m (5)

其中n是每辆浮动车所考虑的信息点数量；m是信息的类别，所述m为4分别表示：位置、路段ID、时间戳和速度；

隐藏层

其中h_m(i)定义了第m个隐藏神经元的值，ω_j,m定义了连接第j个输入神经元和第m个隐藏神经元的权重，h_m定义了有固定值的第m个隐藏神经元的偏差；是传输函数；传输函数的一般形式是逻辑S型函数和双曲正切函数；

输出层

其中Y(i)和TT(i)定义了路段上的浮动车i的估计行程时间；ω_k定义了连接第k个隐藏神经元和输出神经元的权重；b是输出的偏差；是传输函数，线性函数通常用于输出单元。

利用海量的历史车辆GPS数据对此神经网络模型的训练，而此历史数据量越大越好，而以特定的时间周期(如：周、月、年)内的数据作为成套输入数据为佳，这样能够将城市道路交通流变化的周期性考虑进来。经过训练，此神经网络模型达到均衡最优，即为基于人工神经网络的路段行程时间估计模型。

通过将实时采集而来的浮动车经纬度坐标、瞬时速度、时间戳等信息录入此训练完备的模型中，能够得到实时道路行程时间。

给定时间帧参数TF，以便统计特定时间范围内的所有车辆的路段行程时间，而时间帧的范围大小由道路等级、道路路段长度、智能交通应用的实际要求等因素决定。时间帧范围过小，会导致此范围内车辆GPS定位数量过少，精确度差；时间帧范围过大，无法真实反映城市道路网络内交通流的“瞬息万变”。本发明建议的时间帧范围包括：5分钟、10分钟、15分钟、20分钟四种尺度，其中以5分钟为最佳。

优选地，在步骤三中，路段交通流速度V_p和路段交通流密度K_p的计算过程为：

给定时间帧参数，取值为5分钟、10分钟、15分钟或20分钟；

在第p个时间帧TF_p范围内，目标路段上交通流速度V_p计算公式如下：

其中，L代表路段长度，q代表此时间帧内途径此路段的车辆数量，TT(i)代表时间帧TF_p范围内第i辆车的行程时间；

在时间帧TF_p范围内，目标路段上交通流密度K_p计算公式如下：

优选地，在步骤四中，判定道路交通拥堵状态的过程为：

给出目标路段的设计时速，根据计算出路段交通流速度V_p和路段交通流密度K_p，依据道路通行能力手册对城市道路服务水平等级的划分标准，对调查路段的交通拥堵状态判别如下：

在道路设计时速为100km/h的路段中，当K_p≤10且V_p≥88时，判定为畅通；当10<K_p≤32且62≤V_p<88时，判定为缓行；当32<K_p且V_p<62时，判定为拥堵；

在道路设计时速为80km/h的路段中，当K_p≤10且Vp≥72时，判定为畅通；当10<K_p<32且55≤V_p<72时，判定为缓行；当32<K_p且V_p<55时，判定为拥堵；

在道路设计时速为60km/h的路段中，当K_p≤10且V_p≥55时，判定为畅通；当10<K_p<32且44≤V_p<55时，判定为缓行；当32<K_p且V_p<44时，判定为拥堵。

本实施例中的方法以城市道路中采集的车辆GPS数据为基础，结合GPS定位点在道路中不同的路段行程时间分配类型信息，构建人工神经网络模型，计算路段行程时间，进而能够获得道路路段交通流速度及交通流密度信息，最终进行道路交通拥堵状态判别。该方法适用于能够采集GPS数据的任意城市道路路段，具有较强的普适性。

实施例三

作为本发明的优选实施例，基于实施例一中的道路网络空间中车辆对象移动轨迹聚类的方法及系统，及实施例二中的城市交通拥堵判别方法，要实时采集大量的车辆GPS数据，进行处理，当基于车辆GPS数据分析出城市拥堵情况时，不能很好的表示数据分析中的存在的一些抽象概念，并且很难以一种人容易理解的方式显示大数据，不能支持流数据的实时显示。基于此，本实施例提供一种可视化的数据显示方，其技术方案为：

基于可视化技术的数据可视挖掘，在大规模实时数据流的情况下，通过数据转换模块将原始车辆GPS数据转换为可视化“指纹印”数据模型，即对GPS原始数据进行处理修正，将车辆定位轨迹与数字地图中的道路网信息联系起来，并由此确定移动目标相对于地图的位置产生以减少分析中的不确定性因素，然后将修正过后的GPS数值数据转换为可视化“指纹印”数据模型，同时生成一系列数据索引，用于在线实时响应用户交互；通过可视化模块收到生成的数据索引和车辆可视数据模型后，将把这些去除了原始数据中噪声转化成的抽象数据，通过内置的布局算法转化成数据的可视化形式，最后再将其渲染在屏幕之上；通过用户交互模块实现丰富的交互操作，让用户及时对处理后的数据进行空间属性分析和时序分析，从而为用户提供基于密度的城市热图侦测和基于历史数据的交通轨迹异常实时监控，并辅以历史数据和统计信息，有效分析数据中的频繁规律和周期规律，找出隐藏的规律和错误，从而为用户的决策提供分析与支持的可视监测挖掘方法。

优选地，数据转换模块通过地图匹配算法来对GPS定位误差、数字地图误差和坐标投影变换误差进行修正。

优选地，通过一种可视化数据模型“指纹印”将抽象概念以分析者容易理解的方式来展示，即使数值数据变为易读的可视元素，如形状，颜色，大小等。

优选地，“指纹印”模型用来监测并分析比较大规模车辆GPS数据，因此设计为空间(S)、时间(T)，和属性(A)到指纹印模型(Fingerprint)的一个映射：S×T×A→Fingerprint；而“指纹印”数据模型有别于传统数据模型，具有两个数据结构，抽象数据结构(Abstract Form)对应原始数据处理后的数值数据，可视数据结构(Visual Form)对应数据在屏幕上显示的几何信息。

优选地，“指纹印”模型首先选择一定空间范围(S)，在指纹印模型(F)中记录选定区域的坐标信息及大小，在该范围(S)内按照按照时间(T)以行与列的关系组织原始GPS数据，表中的一行代表一个完整的时间段；之后指纹印模型会按照定义好的抽象数据结构来为每条属性添加相应的几何信息域以生成可视数据模型(Visual Form)，内置的布局算法会生成对应的几何信息，如可视化元素边界矩形的大小、形状类型、坐标信息等。

优选地，指纹印数据模型采用了基于地图的环状嵌套结构的布局算法来实现S×T×A→Fingerprint的显示，地图上的对应指纹印位置代表了该可视结构分析的空间(S)；结构中用多环嵌套布局对应时间属性显示(T)，每一个环对应一个完整的时间段，多环拥有相同的开始时间和结束时间，每一个时间分片以扇形分片对应，多环嵌套使得每个环上的扇形分片都会显示在相邻的位置上，扇形分片的颜色又代表了对应的属性值。

优选地，可视化模块的布局算法提供了两种类型的视图供用户选择和切换，分别为基于密度的城市热图侦测和基于历史数据的交通轨迹异常实时监控，其中基于密度的城市热图侦测以地理地图显示为背景，然后辅以热分布图和各个区域对应的“指纹印”模型来对应显示；基于历史数据的交通轨迹异常实时监控以实时显示车辆GPS轨迹到地图上，同时按照定义好的区域划分来生成对应的“指纹印”，以将历史数据转换为容易可视元素。

优选地，可视化模块通过将抽象数据模型和关系映射到分析系统上地图的显示，增强数据可视化显示的可读性，利于用户比对并结合地图信息分析。

通过本实施例中的方法，对收集到的高维时空数据，为用户提供基于密度的城市热图侦测和基于历史数据的交通轨迹异常实时监控，并辅以历史数据和统计信息，有效分析数据中的频繁规律和周期规律，找出隐藏的规律和错误，以一种分析者容易理解的方式来显示，降低分析门槛，扩大应用范围，提高分析效率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种道路网络空间中车辆对象移动轨迹聚类的方法，其特征在于，包括：

步骤S1，实时获取道路上各种车辆的定位数据，所述定位数据中包括经度数据、纬度数据和航向角数据；

步骤S2，将所述经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；

步骤S3，对所述投影坐标进行网络分格，得到多个分区，并对所述多个分区进行标记；

步骤S4，根据所述航向角数据，将所述分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据所述最大领域半径计算得到E领域；

步骤S5，通过DBSCAN算法，在所述E领域中进行聚类，得到聚类结果。

2.根据权利要求1所述的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，

所述计算得到E领域，具体为：

根据所述航向角，分别计算得到短半轴和长半轴；

根据所述短半轴和长半轴，计算得到E领域。

3.根据权利要求2所述的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，

所述步骤S5，具体为：

根据所述短半轴和长半轴，形成搜索椭圆；

通过所述搜索椭圆，在所述E领域中通过DBSCAN算法进行聚类，得到聚类结果。

4.根据权利要求3所述的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，

通过所述搜索椭圆，在所述E领域中通过DBSCAN算法进行聚类，得到聚类结果，具体为：

在所述搜索椭圆中的样本数中抽取一个未处理的点，进行第一次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果所述抽出的点是边缘点，寻找下一个点，直到所述搜索椭圆中的样本数均被抽取处理；

以所述簇作为新的未处理的点，进行第二次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果所述抽出的点是边缘点，寻找下一个点，直到所述搜索椭圆中的样本数均被抽取处理；

通过多次聚类后，得到聚类结果。

5.根据权利要求4所述的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，

判断所述抽出的点为核心点或边缘点，具体为：

将所述搜索椭圆中的样本数与预先设定的最小邻域样本数进行比较，判定核心点：

当所述样本数不小于所述最小邻域样本数，判定为核心点，否则为边缘点，其中，所述样本数为所述E领域内的样本点数。

6.一种道路网络空间中车辆对象移动轨迹聚类的系统，其特征在于，包括：

定位数据获取模块，用于实时获取道路上各种车辆的定位数据，所述定位数据中包括经度数据、纬度数据和航向角数据；

坐标变换模块，用于将所述经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；

空间网格模块，用于对所述投影坐标进行网络分格，得到多个分区，并对所述多个分区进行标记；

航向角区分模块，用于根据所述航向角数据，将所述分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据所述最大领域半径计算得到E领域；

聚类模块，用于通过DBSCAN算法，在所述E领域中进行聚类，得到聚类结果。

7.根据权利要求6所述的道路网络空间中车辆对象移动轨迹聚类的系统，其特征在于，

所述航向角区分模块，具体用于计算得到E领域：

根据所述航向角，分别计算得到短半轴和长半轴；

根据所述短半轴和长半轴，计算得到E领域。

8.根据权利要求7所述的道路网络空间中车辆对象移动轨迹聚类的系统，其特征在于，

所述聚类模块，具体用于：

根据所述短半轴和长半轴，形成搜索椭圆；

通过所述搜索椭圆，在所述E领域中通过DBSCAN算法进行聚类，得到聚类结果。

9.根据权利要求8所述的道路网络空间中车辆对象移动轨迹聚类的系统，其特征在于，

所述聚类模块，具体用于：

通过所述搜索椭圆，在所述E领域中通过DBSCAN算法进行聚类，得到聚类结果：

在所述搜索椭圆中的样本数中抽取一个未处理的点，进行第一次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果所述抽出的点是边缘点，寻找下一个点，直到所述搜索椭圆中的样本数均被抽取处理；

以所述簇作为新的未处理的点，进行第二次聚类：

如果抽出的点为核心点，找出所有从该点密度可达的对象，形成一个簇，并得到对应的类簇号；

如果所述抽出的点是边缘点，寻找下一个点，直到所述搜索椭圆中的样本数均被抽取处理；

通过多次聚类后，得到聚类结果。

10.根据权利要求9所述的道路网络空间中车辆对象移动轨迹聚类的系统，其特征在于，

所述聚类模块，具体用于：判断所述抽出的点为核心点或边缘点：

将所述搜索椭圆中的样本数与预先设定的最小邻域样本数进行比较，判定核心点：

当所述样本数不小于所述最小邻域样本数，判定为核心点，否则为边缘点，其中，所述样本数为所述E领域内的样本点数。