CN109359690A - 基于卡口数据的车辆出行轨迹识别方法 - Google Patents

Abstract

本发明提供一种基于卡口数据的车辆出行轨迹识别方法，采用谱聚类方法，从卡口数据的时空特性角度实现出行链的自动拆分，从而识别出单次出行轨迹的起点、终点以及途经点位，具体为，生成车辆当日的完整出行链；建立相似矩阵S；计算邻接矩阵W与度矩阵D；构建拉普拉斯矩阵L，进一步确定特征矩阵F；采用DBSCASN聚类算法进行聚类分析，得到簇划分结果；确定轨迹点的簇划分结果，生成子轨迹；该方法兼顾车辆通行的时间与空间属性，与依据行程时间进行的轨迹划分方法相比更为全面。无需预设阈值，完全由实测数据驱动实现车辆通行轨迹识别，提高轨迹识别的准确性。该分析结果可用于车辆出行行为识别、出行特征分析、交通流OD估计等。

Description

基于卡口数据的车辆出行轨迹识别方法

技术领域

本发明涉及一种基于卡口数据的车辆出行轨迹识别方法。

背景技术

卡口设备记录通过检测点的所有车辆以及具体时间，由卡口过车检测数据能够生成车辆出行链，这在车辆跟踪、出行行为分析中具有重要作用。而如何从出行链中提取具体每一次出行的轨迹是研究和应用的关键。中国专利CN201410256101.5《一种车辆轨迹的生成、聚合方法和装置》采用了阈值法处理两条过车记录间的时间差，判断当前点位是否为尾卡口。中国专利CN201610272669.5《基于动态阈值的识别车辆轨迹中停靠路段的方法》则提出一种基于行程时间动态阈值的分析方法，确定轨迹中的停靠路段。

时间阈值法是当前卡口轨迹识别的一种主流方式。但以时间差作为两次出行的判别依据，很容易出现误判的情况。例如，在某些包含拥堵路段、路口的出行轨迹中，容易发生因拥堵延误过多而将完整的轨迹进行多次拆分的情况。即使采用动态阈值方法，将行程时间波动情况考虑在内，但也忽略了轨迹点的空间属性特征。

发明内容

本发明的目的是提供一种基于卡口数据的车辆出行轨迹识别方法，基于卡口数据所能反映的轨迹点时空特征，对单次出行轨迹自动识别，确定当日的车辆每次出行的起点、终点、途经点位以及通过时间，解决现有技术中存在的问题。

本发明的技术解决方案是：

一种基于卡口数据的车辆出行轨迹识别方法，采用谱聚类方法，从卡口数据的时空特性角度实现出行链的自动拆分，从而识别出单次出行轨迹的起点、终点以及途经点位；具体步骤为：

S1、读取卡口设备在一日内检测的过车数据，根据过车数据中的号牌号码，对于当日路网内所有通行经过卡口位置的车辆，均生成车辆当日的完整出行链；

S2、采用高斯核函数RBF建立相似矩阵S，矩阵中的元素其中i,j∈[1,n]，p_i、p_j为轨迹点坐标，t_i、t_j为通过轨迹点坐标的时间，ρ_p、ρ_t为轨迹点坐标、通过轨迹点时刻的标准差；

S3、计算邻接矩阵W与度矩阵D，邻接矩阵W＝S，即其中元素w_i,j＝s_i,j；度矩阵D为对角阵，D＝diag(d₁,…,d_i,…,d_n)，

S4、构建拉普拉斯矩阵L，进一步确定特征矩阵F；

S5、提取特征矩阵F的每一行组成1*k维样本矩阵f，对全部n个样本采用DBSCASN聚类算法进行聚类分析，得到簇划分结果{F₁,···,F_i,···,F_m}；其中m为聚类产生的簇的数量，簇F_i由若干个样本矩阵组成；

S6、根据每一个簇内的样本矩阵，确定轨迹点的簇划分结果Tr＝{tr₁,···,tr_i,···,tr_m}，其中tr_i是由若干轨迹点x组成的序列，每一个序列即为出行链拆分后的子轨迹；子轨迹的首末轨迹点即为对应的单次出行的起、终点。

进一步地，步骤S1中，生成车辆当日的完整出行链，具体为按时序排列的过车点集合X＝{x₁,…,x_i,…,x_n}；其中x_i＝(p_i,t_i)，p_i为轨迹点坐标，根据卡口设备位置确定；t_i为通过该轨迹点时刻，由对应过车数据中的过车时间确定；n为该车当日的过车数据数量。

进一步地，步骤S1中，过车数据包括设备编号、过车时间、号牌号码。

进一步地，步骤S4具体为，

S41、拉普拉斯矩阵L＝D-W；

S42、对拉普拉斯矩阵做标准化处理：D^-1/2LD^-1/2；

S43、将标准化后的矩阵最小的k个特征值所对应的特征向量组成n*k维特征矩阵F。

本发明的有益效果是：

一、该种基于卡口数据的车辆出行轨迹识别方法，运用谱聚类方法对车辆通过的轨迹点位置以及时间的信息进行处理，自动对整条出行链进行拆分，识别出单次出行轨迹。

二、本发明通过谱聚类实现对车辆出行链进行自动拆分，能够识别单次出行的轨迹，包括起点、终点、途经轨迹点以及在轨迹各点的通过时间。该分析结果可用于车辆出行行为识别、出行特征分析、交通流OD估计等。

三、本发明兼顾车辆通行的时间与空间属性，与依据行程时间进行的轨迹划分方法相比更为全面。

四、该种基于卡口数据的车辆出行轨迹识别方法，无需预设阈值，完全由实测数据驱动实现车辆通行轨迹识别，提高轨迹识别的准确性。

附图说明

图1是本发明实施例基于卡口数据的车辆出行轨迹识别方法的流程示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

本发明提出一种基于卡口数据的车辆出行链拆分以及出行轨迹分析方法，采用谱聚类方法，从卡口数据的时空特性角度实现出行链的自动拆分，从而识别出单次出行轨迹的起点、终点以及途经点位；如图1，具体步骤为：

S1、读取卡口设备在一日内检测的过车数据，其中过车数据包括设备编号、过车时间、号牌号码；根据过车数据中的号牌号码，对于当日路网内所有通行经过卡口位置的车辆，均生成车辆当日的完整出行链，即按时序排列的过车点集合X＝{x₁,…,x_i,…,x_n}；其中x_i＝(p_i,t_i)，p_i为轨迹点坐标，根据卡口设备位置确定；t_i为通过该轨迹点时刻，由对应过车数据中的过车时间确定；n为该车当日的过车数据数量；

S2、采用高斯核函数RBF建立相似矩阵S，矩阵中的元素其中i,j∈[1,n]，ρ_p、ρ_t为轨迹点坐标、通过轨迹点时刻的标准差；

S3、邻接矩阵W＝S，即其中元素w_i,j＝s_i,j；度矩阵D为对角阵，D＝diag(d₁,…,d_i,…,d_n)，

S4、构建拉普拉斯矩阵L；进一步确定特征矩阵F；具体的，

S41、拉普拉斯矩阵L＝D-W；

S42、对拉普拉斯矩阵做标准化处理：D^-1/2LD^-1/2；

S43、将标准化后的矩阵最小的k个特征值所对应的特征向量组成n*k维特征矩阵F；

S5、提取F的每一行组成1*k维样本矩阵f，对全部n个样本采用DBSCASN聚类算法即具有噪声的基于密度的聚类方法进行聚类分析，得到簇划分结果{F₁,···,F_i,···,F_m}；其中m为聚类产生的簇的数量，簇F_i由若干个样本矩阵组成；

S6、根据每一个簇内的样本矩阵，确定轨迹点的簇划分结果Tr＝{tr₁,···,tr_i,···,tr_m}，其中tr_i是由若干轨迹点x组成的序列，每一个序列即为出行链拆分后的子轨迹；子轨迹的首末轨迹点即为对应的单次出行的起、终点。

该种基于卡口数据的车辆出行轨迹识别方法，运用谱聚类方法对车辆通过的轨迹点位置以及时间的信息进行处理，自动对整条出行链进行拆分，识别出单次出行轨迹。实施例方法通过谱聚类实现对车辆出行链进行自动拆分，能够识别单次出行的轨迹，包括起点、终点、途经轨迹点以及在轨迹各点的通过时间。该分析结果可用于车辆出行行为识别、出行特征分析、交通流OD估计等。

该种基于卡口数据的车辆出行轨迹识别方法，兼顾车辆通行的时间与空间属性，与依据行程时间进行的轨迹划分方法相比更为全面。实施例方法，无需预设阈值，完全由实测数据驱动实现车辆通行轨迹识别，提高轨迹识别的准确性。

Claims (4)

1.一种基于卡口数据的车辆出行轨迹识别方法，其特征在于：采用谱聚类方法，从卡口数据的时空特性角度实现出行链的自动拆分，从而识别出单次出行轨迹的起点、终点以及途经点位；具体步骤为：

S1、读取卡口设备在一日内检测的过车数据，根据过车数据中的号牌号码，对于当日路网内所有通行经过卡口位置的车辆，均生成车辆当日的完整出行链；

S2、采用高斯核函数RBF建立相似矩阵S，矩阵中的元素其中i,j∈[1,n]，p_i、p_j为轨迹点坐标，t_i、t_j为通过轨迹点坐标的时间，ρ_p、ρ_t为轨迹点坐标、通过轨迹点时刻的标准差；

S3、计算邻接矩阵W与度矩阵D，邻接矩阵W＝S，即其中元素w_i,j＝s_i,j；度矩阵D为对角阵，D＝diag(d₁,…,d_i,…,d_n)，

S4、构建拉普拉斯矩阵L，进一步确定特征矩阵F；

S5、提取特征矩阵F的每一行组成1*k维样本矩阵f，对全部n个样本采用DBSCASN聚类算法进行聚类分析，得到簇划分结果{F₁,…,F_i,…,F_m}；其中m为聚类产生的簇的数量，簇F_i由若干个样本矩阵组成；

S6、根据每一个簇内的样本矩阵，确定轨迹点的簇划分结果Tr＝{tr₁,…,tr_i,…,tr_m}，其中tr_i是由若干轨迹点x组成的序列，每一个序列即为出行链拆分后的子轨迹；子轨迹的首末轨迹点即为对应的单次出行的起、终点。

2.如权利要求1所述的基于卡口数据的车辆出行轨迹识别方法，其特征在于：步骤S1中，生成车辆当日的完整出行链，具体为按时序排列的过车点集合X＝{x₁,…,x_i,…,x_n}；其中x_i＝(p_i,t_i)，pi为轨迹点坐标，根据卡口设备位置确定；t_i为通过该轨迹点时刻，由对应过车数据中的过车时间确定；n为该车当日的过车数据数量。

3.如权利要求1或2所述的基于卡口数据的车辆出行轨迹识别方法，其特征在于：步骤S1中，过车数据包括设备编号、过车时间、号牌号码。

4.如权利要求1或2所述的基于卡口数据的车辆出行轨迹识别方法，其特征在于：步骤S4具体为，

S41、拉普拉斯矩阵L＝D-W；

S42、对拉普拉斯矩阵做标准化处理：D^-1/2LD^-1/2；

S43、将标准化后的矩阵最小的k个特征值所对应的特征向量组成n*k维特征矩阵F。