CN109242024B - 一种基于卡口数据的车辆行为相似度计算方法 - Google Patents

Abstract

本发明提供一种基于卡口数据的车辆行为相似度计算方法，首先收集移动对象通过各卡口的数据信息并建立数据库，然后在数据库中检索A、B车辆的卡口数据以形成两车的原始轨迹，对原始轨迹进行清洗和切割进而得到关于A、B车辆子轨迹的集合，然后根据LCSS算法对两个集合中的子轨迹进行两两比对，通过计算得到任意两条子轨迹间的最长公共子序列以及两车经过最长公共子序列中相邻卡口的时间差，得到两条子轨迹间的相似度，最后利用所有相似度数据进行多轨迹相似度计算，所得结果视为两车间的行为相似度。本发明在计算中引入了时间影响因子，所得结果更加精确且适用范围更广，同时还将轨迹相似度结果用于对车辆行为相似程度的判断。

Description

一种基于卡口数据的车辆行为相似度计算方法

技术领域

本发明涉及移动对象的数据处理与分析技术领域，具体地，涉及一种基于卡口数据的车辆行为相似度计算方法。

背景技术

近年来，由于大数据监测系统的不断发展完善以及实际应用需求的逐年增加，针对移动对象轨迹数据的分析工作引起了越来越多的关注。轨迹数据实质上就是大量的轨迹点，而每一个轨迹点至少包括以下信息：对象、位置和时间；如果把同一对象在连续时间内的所有空间位置收集起来并标明，即可得到一条时空轨迹。

目前，国内各大城市已建成了比较健全的信息化基础设施，为轨迹数据的收集和利用提供了海量数据资源和信息平台。随着各种各样轨迹数据的公开，众多学者开始将目光转向从轨迹数据中发掘有价值的信息，其中轨迹相似度的研究已经成为热点之一，其研究成果主要应用于轨迹聚类、路径模型、异常轨迹检测等方面，在道路交通监控和配合警方打击犯罪方面取得了很好的成效。

在现有技术中，最常用的轨迹相似度计算方法包括欧式距离算法、Hausdorff距离算法、最长公共子序列算法、动态时间规整算法等。由于数据采集点均设置于卡口，位置特殊，因此通常采用最长公共子序列算法，但由于该算法中仅仅引入了空间容忍度(即经过卡口间的位置距离)而未考虑时间容忍度，因此存在缺陷：对于经过相同卡口但所用时间相差较大的不同轨迹，计算得到的多个相似度有可能高度近似，因而难以对分析结果起到实际作用。基于上述缺陷，现有的轨迹相似度计算方法结果可靠性差、适用范围小，更不用说在此基础上进一步延伸应用在对不同车辆行为相似度的分析判断上。

发明内容

本发明的目的在于提供一种使用方便、可靠性高、适用范围广的车辆行为相似度计算方法，以解决背景技术中提出的问题。

为实现上述目的，本发明提供了一种基于卡口数据的车辆行为相似度计算方法，包括如下步骤：

步骤1)：通过设置在各个卡口的数据采集装置获得移动对象通过卡口时的数据信息，对上述数据信息进行整合保存以形成数据库。

利用治安卡口、电子警察等应用系统对通过的车辆进行监控和拍照，产生了大量的车辆通行记录，这些记录涵盖了车牌号码、通行时间、号牌颜色、卡口代码、车辆类型、行驶方向等车辆信息，保留HPHM、JGSJ、KKDM等字段作为表示移动对象位置的必要位置信息以形成数据库，其中HPHM表示车牌号码，KKDM表示每个监控卡口设备的唯一标识符，JGSJ指某个移动对象经过某卡口的时间信息。

步骤2)：根据A车辆的HPHM信息对数据库进行查询，得到若干个关于A车辆的卡口数据信息即轨迹点，将这些轨迹点按照时间顺序进行排序得到A车辆的原始轨迹。

步骤3)：对A车辆的原始轨迹进行清洗，对于在一定时间T内连续出现的相同卡口数据，过滤掉多余的重复数据。

由于车辆在行进过程中不可避免地会出现堵塞排队、等待交通信号灯等意外情况，进而导致车辆长期停留在卡口的数据采集范围内，因此在一段时间内会出现多个连续且重复的卡口数据，即车辆的位置信息不随时间的变化而发生变化，此时需要将多余的卡口数据过滤掉以避免干扰。

步骤4)：将清洗后的轨迹分割成多段子轨迹，形成关于A车辆的n段子轨迹的集合。

步骤5)：针对B车辆重复上述步骤2)、步骤3)和步骤4)，形成关于B车辆的m段子轨迹的集合。

步骤6)：对A、B车辆进行轨迹相似度计算，首先在两个集合中各取一条子轨迹，即

TR_A＝{＜pa₁,ta₁＞,＜pa₂,ta₂＞,...,＜pa_n,ta_n＞} (1)

TR_B＝{＜pb₁,tb₁＞,＜pb₂,tb₂＞,...,＜pb_m,tb_m＞} (2)

其中，p代表车辆经过的某个卡口，t代表车辆通过p卡口的相应时刻且有t_n-1＜t_n以及t_m-1＜t_m，

根据LCSS算法得到上述两个子轨迹间的最长公共子序列，即

L_C(TR_A,TR_B)＝{＜p_i,t_i＞,＜p_j,t_j＞,...,＜p_k,t_k＞} (3)

然后计算分别得到A、B车辆经过最长公共子序列中相邻两卡口所需时间的集合，即

ΔT_A＝{＜ta_j-ta_i＞,...,＜ta_k-ta_j＞} (4)

ΔT_B＝{＜tb_j-tb_i＞,...,＜tb_k-tb_j＞} (5)

其中，Δt＝t_i-t_j(1＜i，j＜n，j＜m，i＜j)，

进而再分别得到A、B车辆经过最长公共子序列中相同相邻卡口所需时间差值的绝对值的集合，即

ΔC＝{|Δtb₁-Δta₁|,|Δtb₂-Δta₂|,...|Δtb_k-Δta_k|} (6)

ΔC＝{Δc₁,Δc₂,...,Δc_n}

计算时间影响因子，即

根据上述公式计算两条子轨迹间的相似度，即

其中，L(TR_A)和L(TR_B)分别为两条子轨迹的长度，L_C(TR_A,TR_B)为两条子轨迹间最长公共子序列的长度，Sim的取值区间为[0,1]，0表示两条子轨迹间毫无交集，1表示两条子轨迹在空间上完全重叠。

步骤7)：根据步骤6)完成对A、B车辆间任意两条子轨迹的相似度计算。

步骤8)：利用计算得到的轨迹相似度数据对A、B车辆间的行为相似度进行计算，即

其中，NL(A)指A车的所有子轨迹数量，NL(B)指B车的所有子轨迹数量，S(A,B)为A车与B车的行为相似度，ε为设定的子轨迹相似度阈值，若子轨迹的相似度大于或等于阈值ε，则接受该相似度，反之则该相似度取零。

优选地，所述步骤3)中的时间T≥1min。

优选地，为了精简计算程序并提高计算结果的可靠性，在所述步骤4)中形成车辆的子轨迹集合时需要对所有子轨迹进行筛选，设定子轨迹长度阈值N，若子轨迹的长度大于或等于阈值N，则将该子轨迹放入集合中，反之则去除该子轨迹，不对该子轨迹做相似度的比对计算。

优选地，所述子轨迹长度阈值N至少为3个卡口。

优选地，所述步骤4)中的轨迹分割方法可采取按天分割、按周分割或行停分割中的任意一种；采用行停分割法时需设定时间阈值M，若车辆经过轨迹中相邻两卡口的时间间隔大于或等于阈值M，则认为两卡口中的前一个卡口为行停点并选定该卡口作为子轨迹的分割点。

优选地，所述时间阈值M≥30min。

优选地，所述步骤8)中的子轨迹相似度阈值ε≥0.4。

本发明提供的技术方案至少具有如下有益效果：

1、本发明将时间影响因素引入计算过程，从时间和空间上对轨迹相似度进行约束，提高了计算结果的精度和有效性，也扩大了该方法的适用范围。

2、本发明提出了多轨迹相似度的计算方法，可用于对长度较大的轨迹进行相似度计算，相比于现有的单一轨迹对比法，本发明通过分割子轨迹和设置阈值形成合适的子轨迹集合，将不同集合中的子轨迹逐一进行对比得到多个相似度结果，然后将相似度结果代入多轨迹计算方法中得到两车间完整轨迹的相似度数据，计算方法经过优化、计算结果更为精准可靠，可以以此作为此判断两车间行为相似度的依据。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：

图1是本发明所述计算方法的流程图；

图2是本发明优选实施例1中A车在地图上的行驶轨迹；

图3是本发明优选实施例1中B车在地图上的行驶轨迹。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参见图1，一种基于卡口数据的车辆行为相似度计算方法，包括如下步骤：

步骤1)：通过设置在各个卡口的数据采集装置获得移动对象通过卡口时的数据信息，对上述数据信息进行整合保存以形成数据库。

步骤2)：根据A车辆的HPHM信息对数据库进行查询，得到若干个关于A车辆的卡口数据信息即轨迹点，将这些轨迹点按照时间顺序进行排序得到A车辆的原始轨迹。

步骤3)：对A车辆的原始轨迹进行清洗，对于在一定时间T内连续出现的相同卡口数据，过滤掉多余的重复数据。

步骤4)：首先利用行停分割法将清洗后的轨迹分成多段子轨迹，设定时间阈值M，若车辆经过轨迹中相邻两卡口的时间间隔大于或等于阈值M，则认为两卡口中的前一个卡口为行停点并选定该卡口作为子轨迹的分割点；然后对子轨迹进行筛选以形成关于A车辆的n段子轨迹的集合，设定子轨迹长度阈值N，若子轨迹的长度大于或等于阈值N，则将该子轨迹放入集合中，反之则去除该子轨迹，不对该子轨迹做相似度的比对计算。

步骤5)：针对B车辆重复上述步骤2)、步骤3)和步骤4)，形成关于B车辆的m段子轨迹的集合。

步骤6)：对A、B车辆进行轨迹相似度计算，首先在两个集合中各取一条子轨迹，即

TR_A＝{＜pa₁,ta₁＞,＜pa₂,ta₂＞,...,＜pa_n,ta_n＞} (1)

TR_B＝{＜pb₁,tb₁＞,＜pb₂,tb₂＞,...,＜pb_m,tb_m＞} (2)

其中，p代表车辆经过的某个卡口，t代表车辆通过p卡口的相应时刻且有t_n-1＜t_n以及t_m-1＜t_m，

根据LCSS算法得到上述两个子轨迹间的最长公共子序列，即

L_C(TR_A,TR_B)＝{＜p_i,t_i＞,＜p_j,t_j＞,...,＜p_k,t_k＞} (3)

然后计算分别得到A、B车辆经过最长公共子序列中相邻两卡口所需时间的集合，即

ΔT_A＝{＜ta_j-ta_i＞,...,＜ta_k-ta_j＞} (4)

ΔT_B＝{＜tb_j-tb_i＞,...,＜tb_k-tb_j＞} (5)

其中，Δt＝t_i-t_j(1＜i，j＜n，j＜m，i＜j)，

进而再分别得到A、B车辆经过最长公共子序列中相同相邻卡口所需时间差值的绝对值的集合，即

ΔC＝{|Δtb₁-Δta₁|,|Δtb₂-Δta₂|,...|Δtb_k-Δta_k|} (6)

ΔC＝{Δc₁,Δc₂,...,Δc_n}

计算时间影响因子，即

根据上述公式计算两条子轨迹间的相似度，即

其中，L(TR_A)和L(TR_B)分别为两条子轨迹的长度，L_C(TR_A,TR_B)为两条子轨迹间最长公共子序列的长度，Sim的取值区间为[0,1]，0表示两条子轨迹间毫无交集，1表示两条子轨迹在空间上完全重叠。

步骤7)：根据步骤6)完成对A、B车辆间任意两条子轨迹的相似度计算。

步骤8)：利用计算得到的轨迹相似度数据对A、B车辆间的行为相似度进行计算，即

其中，NL(A)指A车的所有子轨迹数量，NL(B)指B车的所有子轨迹数量，S(A,B)为A车与B车的行为相似度，ε为设定的子轨迹相似度阈值，若子轨迹的相似度大于或等于阈值ε，则接受该相似度，反之则该相似度取零。

实施例1

采用上述车辆行为相似度计算方法进行车辆行为的相似度分析。在本实施例中，采集到的轨迹数据为A、B车辆于2018年3月15日在长沙城区中的移动轨迹，其中A车牌照为湘A6N***，B车牌照为湘B6H***。

在数据库中检索到的关于A车的轨迹点见下表一，A车在地图上的行驶轨迹参见图2。

表一

在数据库中检索到的关于B车的轨迹点见下表二，B车在地图上的行驶轨迹参见图3。

表二

对A、B车辆的原始轨迹进行清洗和分割，其中，关于A车的子轨迹数据见下表三，关于B车的子轨迹数据见下表四。在本实施例中，所述时间T为1min，所述时间阈值M为30min，所述子轨迹长度阈值N为3个卡口。

表三

表四

对两个集合中的子轨迹进行两两间的相似度计算，且在本实施例中，所述子轨迹相似度阈值ε为0.4，计算两车间的行为相似度，所得数据结果见下表五。

表五

子轨迹相似度	子轨迹A1	子轨迹A2	子轨迹A3
				子轨迹B1	0.524	0	0.032
子轨迹B2	0	1	0
				子轨迹B3	0	0	0.864
				车辆行为相似度	0.796

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利保护范围，对于本领域的技术人员来说，本发明可以有各种更改和变化。在本发明的精神和原则之内，凡是利用本发明说明书及附图内容所作的任何改进或等同替换，直接或间接运用在其它相关的技术领域，均应包括在本发明的专利保护范围内。

Claims (6)

1.一种基于卡口数据的车辆行为相似度计算方法，其特征在于，包括如下步骤：

步骤1)：通过设置在各个卡口的数据采集装置获得移动对象通过卡口时的数据信息，对上述数据信息进行整合保存以形成数据库；

步骤2)：根据A车辆的HPHM信息对数据库进行查询，得到若干个关于A车辆的卡口数据信息即轨迹点，将这些轨迹点按照时间顺序进行排序得到A车辆的原始轨迹；

步骤3)：对A车辆的原始轨迹进行清洗，对于在一定时间T内连续出现的相同卡口数据，过滤掉多余的重复数据；

步骤4)：将清洗后的轨迹分割成多段子轨迹，形成关于A车辆的n段子轨迹的集合；

为了精简计算程序并提高计算结果的可靠性，在步骤4)中形成车辆的子轨迹集合时需要对所有子轨迹进行筛选，设定子轨迹长度阈值N，若子轨迹的长度大于或等于阈值N，则将该子轨迹放入集合中，反之则去除该子轨迹，不对该子轨迹做相似度的比对计算；

步骤5)：针对B车辆重复上述步骤2)、步骤3)和步骤4)，形成关于B车辆的m段子轨迹的集合；

步骤6)：对A、B车辆进行轨迹相似度计算，首先在两个集合中各取一条子轨迹，即

TR_A＝{＜pa₁,ta₁＞,＜pa₂,ta₂＞,...,＜pa_n,ta_n＞}(1)

TR_B＝{＜pb₁,tb₁＞,＜pb₂,tb₂＞,...,＜pb_m,tb_m＞}(2)

其中，p代表车辆经过的某个卡口，t代表车辆通过p卡口的相应时刻且有t_n-1＜t_n以及t_m-1＜t_m，

根据LCSS算法得到上述两个子轨迹间的最长公共子序列，即

L_C(TR_A,TR_B)＝{＜p_i,t_i＞,＜p_j,t_j＞,...,＜p_k,t_k＞} (3)

然后计算分别得到A、B车辆经过最长公共子序列中相邻两卡口所需时间的集合，即

ΔT_A＝{＜ta_j-ta_i＞,...,＜ta_k-ta_j＞} (4)

ΔT_B＝{＜tb_j-tb_i＞,...,＜tb_k-tb_j＞} (5)

其中，Δt＝t_i-t_j(1＜i，j＜n，j＜m，i＜j)，

进而再分别得到A、B车辆经过最长公共子序列中相同相邻卡口所需时间差值的绝对值的集合，即

ΔC＝{|Δtb₁-Δta₁|,|Δtb₂-Δta₂|,...|Δtb_k-Δta_k|} (6)

ΔC＝{Δc₁,Δc₂,...,Δc_n}

计算时间影响因子，即

根据上述公式计算两条子轨迹间的相似度，即

其中，L(TR_A)和L(TR_B)分别为两条子轨迹的长度，L_C(TR_A,TR_B)为两条子轨迹间最长公共子序列的长度，Sim的取值区间为[0,1]，0表示两条子轨迹间毫无交集，1表示两条子轨迹在空间上完全重叠；

步骤7)：根据步骤6)完成对A、B车辆间任意两条子轨迹的相似度计算；

步骤8)：利用计算得到的轨迹相似度数据对A、B车辆间的行为相似度进行计算，即

其中，NL(A)指A车的所有子轨迹数量，NL(B)指B车的所有子轨迹数量，S(A,B)为A车与B车的行为相似度，ε为设定的子轨迹相似度阈值，若子轨迹的相似度大于或等于阈值ε，则接受该相似度，反之则该相似度取零。

2.根据权利要求1所述基于卡口数据的车辆行为相似度计算方法，其特征在于，所述步骤3)中的时间T≥1min。

3.根据权利要求1所述基于卡口数据的车辆行为相似度计算方法，其特征在于，所述子轨迹长度阈值N至少为3个卡口。

4.根据权利要求1所述基于卡口数据的车辆行为相似度计算方法，其特征在于，所述步骤4)中的轨迹分割方法可采取按天分割、按周分割或行停分割中的任意一种；采用行停分割法时需设定时间阈值M，若车辆经过轨迹中相邻两卡口的时间间隔大于或等于阈值M，则认为两卡口中的前一个卡口为行停点并选定该卡口作为子轨迹的分割点。

5.根据权利要求4所述基于卡口数据的车辆行为相似度计算方法，其特征在于，所述时间阈值M≥30min。

6.根据权利要求1～5中任意一项所述基于卡口数据的车辆行为相似度计算方法，其特征在于，所述步骤8)中的子轨迹相似度阈值ε≥0.4。

Images