CN108122069B - 基于海量交通数据居民出行起点终点矩阵提取方法 - Google Patents

Abstract

本发明公开了一种基于海量交通数据居民出行起点终点矩阵提取方法。本发明以过车车辆为单位，计算每辆车的经过连续卡口的旅行时间，创建卡口对旅行时间列表。对车辆经过卡口对旅行时间列表进行密度聚类，将车辆的轨迹点划分为起点终点轨迹点和移动轨迹点。重新遍历每辆车的轨迹点，生成OD对，合并OD对提取整个路网中居民起点终点矩阵。本发明具有成本低和精确度高等特点，克服了通过人工调查或者基于阈值获取OD矩阵的方法在成本和精度方面的不足。

Description

基于海量交通数据居民出行起点终点矩阵提取方法

技术领域

本发明属于交通领域中居民出行模式挖掘，主要利用一种基于旅行时间密度聚类算法识别个体出行起点终点时空位置，从而获取整个交通网络的居民起点终点矩阵。

背景技术

随着经济的不断发展，居民生活水平的提高，越来越多的居民选择开车出行，随之而来的是城市交通拥堵现象日益严重，这影响了城市交通的发展和居民出行质量。居民出行起点终点矩阵(Origin-Destination Matrix,OD矩阵)作为衡量整个城市居民出行现状的重要指标，主要包括城市热点地区的标记、易拥堵路段的识别以及住宅区和商业区集散现象分析等。

目前，居民出行起点终点矩阵的获取主要有两种：问卷调查或者基于机动车轨迹数据，通过设置旅行时间(旅行时间是指当前车辆轨迹点到下一个车辆轨迹点所需时间)的阈值将机动车的轨迹划分为起点终点轨迹点和移动轨迹点。

传统居民OD矩阵提取方法存在以下两个问题：

1)基于问卷调查和基于机动车轨迹数据都存在主观性。问卷调查需要受调查者回忆最近一段时间出行情况，他们容易忘记短途和短时间出行信息。基于机动车轨迹数据的结果好坏取决于人工设置的旅行时间阈值。

2)车辆轨迹数据实时发生变化，每次计算居民OD矩阵需要设置不同阈值，增加了算法复杂度。

因此，目前急需一种低成本且无需人工干预估计居民OD矩阵方法，为交通系统规划、设计及运行管理提供理论支撑。

发明内容

本发明提出了一种基于旅行时间密度聚类算法识别个体出行起点终点时空位置，从而提取整个城市居民出行OD矩阵方法。

本发明技术方案的主要构思：

以过车车辆为单位，计算每辆车的经过连续卡口的旅行时间，创建卡口对旅行时间列表。对车辆经过卡口对旅行时间列表进行密度聚类，将车辆的轨迹点划分为起点终点轨迹点和移动轨迹点。重新遍历每辆车的轨迹点，生成OD对，合并OD对提取整个路网中居民起点终点矩阵。

本发明方法包括以下步骤：

步骤1.交通治安卡口监控设备和电子警察设备采集过车车辆车牌图像。利用图像识别算法获得车辆的车牌号码，将车辆的车牌号码，过车时间和过车卡口编号上传服务器数据库。

步骤2.对服务器数据库中过车数据进行预处理处理，剔除未识别车牌号和重复传输的车辆信息。

步骤3.读取过车车辆数据，创建过车车辆数据表。

步骤4.根据数据挖掘算法，对过车车辆数据进行分析处理；建立卡口对映射表。寻找过车车辆经过卡口先后顺序，如果一辆车连续经过卡口K₁和卡口K₂,计算卡口对{K₁,K₂}的旅行时间，并添加到卡口对{K₁,K₂}旅行时间列表。通过密度聚类算法对每个卡口对的旅行时间聚类，将过车车辆轨迹点划分为起点终点轨迹点和移动轨迹点。重新遍历每辆车的轨迹，根据车辆是否为起点终点轨迹点，提取每辆车OD对。提取所有OD对，构建OD矩阵。

4-1.通过以下公式构建过车轨迹集合：

其中S表示过车轨迹集合，Traj表示某辆车轨迹即经过的卡口集合，H_i表示第i辆车车牌号码，N为总的车辆个数；K表示卡口编号，T表示车辆经过卡口时间，T_s表示开始时间，设置凌晨0点，T_e表示结束时间，设置晚上12点，M表示车辆经过卡口个数；

表示在T_j时经过的卡口编号，

表示在T_j+1时经过卡口编号，

表示该车连续经过两个卡口点，T_j+1-T_j表示该车在卡口对

的旅行时间。

4-2通过下面公式构建卡口对的旅行时间集合：

其中K_m和K_n表示卡口编号，t表示经过某对卡口对的旅行时间，J表示卡口总的数量，

指的是经过卡口对{K_m,K_n}所有车辆的旅行时间集合。

4-3利用密度聚类算法划分车辆轨迹为起点终点轨迹点和移动轨迹点：

本发明基于车辆旅行时间密度聚类算法，对于给定数据集T＝{t₁t₂t₃,…，,t_m},“邻域”参数(ε,MinPts)，详细定义为：

ε-领域：对t_i∈T,其ε-领域指的是在样本T中与t_i的距离不大于ε的样本。具体表达如公式4-1，N_ε(t_i)表示样本t_i邻域样本集合，|N_ε(t_i)|表示样本t_i邻域样本集合个数；

核心对象：若t_i的ε-领域至少包含MinPts个样本，即|N_ε(t_j)|≥MinPts,则t_i是一个核心对象。

密度直达：若t_i的ε-领域存在核心对象t_j,则t_j是由t_i密度可达。

密度可达：若对样本t_i,t_j，存在样本序列p₁,p₂,p₃,…,p_n,p₁＝t_i,p_n＝t_j，且p_i由p_i+1密度可达，则称样本t_i由t_j密度可达。

密度相连：若对样本t_i,t_j，存在一个样本t_k，样本t_i,t_j均可由t_k密度可达，则称t_i与t_j密度相连。

基于旅行时间密度聚类算法通过定义核心点的密度，以核心点位起点，不断按照密度要求向外围扩展最终形成簇的过程。形成的簇意味着大量机动车在一定时间范围驶过卡口对，没有形成簇的则为异常点则表示车辆在卡口对发生了停留，即车辆到达目的地，产生了一个OD对。

4-4读取过车轨迹集合Traj,该车在[T_s,T_e]时间段内经过卡口编号为{K₁,K₂,K₃,…,K_M}；构建卡口对{K₁,K₂},{K₂,K₃},{K₃,K₄},…,{K_M-1,K_M}，计算该车经过卡口对旅行时间，构建卡口对旅行时间集合

4-5对海量交通流中所有车辆的过车轨迹Traj,重复执行步骤4-4，获得所有卡口对旅行时间列表，利用密度聚类算法划分起点终点轨迹点和移动点，提取OD对。

4-6构建OD矩阵：

K₁K₂K₃...K_J

根据步骤4-5获取OD对，合并相同OD对计算每个OD对出现次数，填写OD矩阵。

本发明具有的有益效果：

低成本：所有数据通过交通治安卡口监控设备和电子警察设备采集，能够降低数据采集成本。

准确性：本发明基于卡口过车数据，利用机器学习算法能够准确计算居民出行的OD矩阵。

附图说明

图1为基于海量交通数据居民出行起点终点矩阵提取方法总体流程图；

图2为卡口对{330324000033，330302000321}起点终点轨迹点和移动轨迹点分布图。

具体实施方式

以下结合附图对本发明作进一步说明。如图1所示，本发明包括如下步骤：

步骤1.交通治安卡口监控设备和电子警察设备采集过车车辆车牌图像。利用图像识别算法获得车辆的车牌号码，将车辆的车牌号码，过车时间和过车卡口编号上传服务器数据库。

步骤2.由于图像识别不能出所有过车车辆的车牌号码，不能识别大的车辆车牌号码记录为未识别，同时由于信号问题，出现多次重传数据。对于本发明来来说，这些数据属于无效是数据。对服务器数据库中过车数据进行预处理处理，剔除未识别车牌号和重复的车辆信息。

步骤3.读取过车车辆数据和卡口坐标数据，创建过车车辆数据表，卡口坐标数据表。

通过读入过车车辆数据，创建过车车辆数据表如表3-1，包括车辆ID,经过卡口ID和经过时间。

表3-1过车车辆数据表

车辆ID	卡口ID	经过时间
			Car<sub>1</sub>	kakou<sub>1</sub>	time<sub>1</sub>
Car<sub>2</sub>	kakou<sub>2</sub>	time<sub>2</sub>
			Car<sub>3</sub>	kakou<sub>3</sub>	time<sub>3</sub>
Car<sub>4</sub>	kakou<sub>4</sub>	time<sub>4</sub>
			…	…	…

步骤4.根据步骤3获取的过车车辆数据，通过下面公式构建过车车辆轨迹集合：

给定时间区间[T_s,T_e]，从服务器数据库中读取该区间内过车数据，根据过车车牌，经过时间排序。将同一个车辆的车辆信息按照经过卡口次序添加到该车辆的过车信息集合中。

步骤6读取过车轨迹集合Traj,该车在[T_s,T_e]时间段内经过卡口编号为{K₁,K₂, K₃,…,K_M}；构建卡口对{K₁,K₂},{k₂,k₃},{k₃,K₄},…,{K_M-1,K_M}，计算该车经过卡口对旅行时 间，构建卡口对旅行时间集合

步骤7重复步骤6遍历所有过车车辆数据，所有卡口对旅行时间集合列表。

步骤8设置密度聚类参数(ε,MinPts)，对每个卡口对旅行时间集合进行密度聚类，满足密度要求形成一个个点簇，形成点簇的卡口对标记为车辆移动点，否则设置卡口对为起点终点轨迹点：第一个卡口为D点，第二个卡口点为O点。

步骤9重新读取过车轨迹集合Traj，设置起点为O,查找轨迹集合被设置为起点终点轨迹点，构建OD对，对所有的过车车辆重复上面的操作，合并所有OD对，得到OD矩阵。

下面以温州市的过车车辆数据为例详细说明：

设置时间范围为[00:00:00,23:59:59],将一天的采集到的过车数据上传到服务器数据库中，删除未识别和重复上传数据。为每辆车构建轨迹集合：

车辆车牌号为“浙AR9S76”在时间范围[00:00:00,23:59:59]内依次通过卡口{330324000033,330302000321,30324000039,330302000040,330302000012,330302000318,…},可以构建卡口对{(330324000033,330302000321),(330302000321,330324000039),(330324000039,330302000040),(330302000040,330302000012),

(330302000012,330302000318)，…}计算该车经过每个卡口对旅行时间，对所有过车数据重复上面操作。统计每个卡口对的旅行时间列表构建每个卡口旅行表

表1表示卡口对{330324000033，330302000321}旅行时间列表。

表1卡口对{330324000033，330302000321}旅行时间

卡口1编号	卡口2编号	过车车辆车牌号码	旅行时间
				330324000033	330302000321	浙AR9S76	353
330324000033	330302000321	浙AS019E	385
				330324000033	330302000321	浙AJU691	426
330324000033	330302000321	浙AMW865	458
				…	…	…	…

设置密度聚类参数ε＝60,MinPts＝10,根据车辆经过卡口对旅行时间将车辆的轨迹点划分为起点终点轨迹点和移动轨迹点，如图2，上部为起点终点轨迹点，下部黑色是移动轨迹点。

遍历每辆车的轨迹，根据起点终点轨迹点划分车辆的OD,提取所有的OD对租车OD矩阵，表2表示最终的OD矩阵。该方法具有成本低和精确度高等特点，克服了通过人工调查或者基于阈值获取OD矩阵的方法在成本和精度方面的不足。

表2起点终点矩阵表

Claims (1)

1.基于海量交通数据居民出行起点终点矩阵提取方法，其特征在于：

步骤1.交通治安卡口监控设备和电子警察设备采集过车车辆车牌图像；利用图像识别算法获得车辆的车牌号码，将车辆的车牌号码，过车时间和过车卡口编号上传服务器数据库；

步骤2.对服务器数据库中过车数据进行预处理处理，剔除未识别车牌号和重复传输的车辆信息；

步骤3.读取过车车辆数据，创建过车车辆数据表；

步骤4.根据数据挖掘算法，对过车车辆数据进行分析处理；建立卡口对映射表；寻找过车车辆经过卡口先后顺序，如果一辆车连续经过卡口K₁和卡口K₂,计算卡口对{K₁,K₂}的旅行时间，并添加到卡口对{K₁,K₂}旅行时间列表；通过密度聚类算法对每个卡口对的旅行时间聚类，将过车车辆轨迹点划分为起点终点轨迹点和移动轨迹点；重新遍历每辆车的轨迹，根据车辆是否为起点终点轨迹点，提取每辆车OD对；提取所有OD对，构建OD矩阵，具体是：

步骤4-1.通过以下公式构建过车轨迹集合：

其中S表示过车轨迹集合，Traj表示某辆车轨迹即经过的卡口集合，H_i表示第i辆车车牌号码，N为总的车辆个数；K表示卡口编号，T表示车辆经过卡口时间，T_S表示开始时间，设置凌晨0点，T_e表示结束时间，设置晚上12点，M表示车辆经过卡口个数；

表示在T_j时经过的卡口编号，

表示在T_j+1时经过卡口编号，

表示该车连续经过两个卡口点，T_j+1-T_j表示该车在卡口对

的旅行时间；

步骤4-2通过下面公式构建卡口对的旅行时间集合：

其中K_m和K_n表示卡口编号，t表示经过某对卡口对的旅行时间，J表示卡口总的数量，

指的是经过卡口对{K_m,K_n}所有车辆的旅行时间集合；

步骤4-3利用密度聚类算法划分车辆轨迹为起点终点轨迹点和移动轨迹点：

对于给定数据集T＝{t₁t₂t₃,…，,t_m},“邻域”参数(ε,MinPts)，详细定义为：

ε-领域：对t_i∈T,其ε-领域指的是在样本T中与t_i的距离不大于ε的样本；具体表达如下式，式中N_ε(t_i)表示样本t_i邻域样本集合，|N_ε(t_i)|表示样本t_i邻域样本集合个数；

核心对象：若t_i的ε-领域至少包含MinPts个样本，即|N_ε(t_j)|≥MinPts,则t_i是一个核心对象；

密度直达：若t_i的ε-领域存在核心对象t_j,则t_j是由t_i密度可达；

密度可达：若对样本t_i,t_j，存在样本序列p₁,p₂,p₃,…,p_n,p₁＝t_i,p_n＝t_j，且p_i由p_i+1密度可达，则称样本t_i由t_j密度可达；

密度相连：若对样本t_i,t_j，存在一个样本t_k，样本t_i,t_j均可由t_k密度可达，则称t_i与t_j密度相连；

基于旅行时间密度聚类算法通过定义核心点的密度，以核心点位起点，不断按照密度要求向外围扩展最终形成簇的过程；形成的簇意味着大量机动车在一定时间范围驶过卡口对，没有形成簇的则为异常点,则表示车辆在卡口对发生了停留，即车辆到达目的地，产生了一个OD对；

步骤4-4读取过车轨迹集合Traj,该车在[T_s,T_e]时间段内经过卡口编号为{K₁,K₂,K₃,…,K_M}；构建卡口对{K₁,K₂},{K₂,K₃},{K₃,K₄},…,{K_M-1,K_M}，计算该车经过卡口对旅行时间，构建卡口对旅行时间集合

步骤4-5对海量交通流中所有车辆的过车轨迹Traj,重复执行步骤4-4，获得所有卡口对旅行时间列表，利用密度聚类算法划分起点终点轨迹点和移动点，提取OD对；

步骤4-6构建OD矩阵：

根据步骤4-5获取OD对，合并相同OD对计算每个OD对出现次数，填写OD矩阵。

Images