CN109448370A - 一种基于车辆轨迹数据的交通控制子区划分方法 - Google Patents

Abstract

本发明公开了一种基于车辆轨迹数据的交通控制子区划分方法，包括如下步骤：对某区域交叉口编号，获取卡口数据、路段长度数据以及该区域路网底图；汇聚卡口数据，将单个车辆的出行链划分成轨迹数据，并剔除无效轨迹；基于最短路原则对缺失的车辆轨迹进行修补；计算一定时段内各交叉口对之间的双向流量，形成交叉口对流量矩阵；以交叉口为节点、交叉口对之间的双向流量作为节点连线的关联度建立全联通的有向网络图，利用随机漫步地图算法对网络图进行初始划分；同类交叉口连通性检验，对现实路网划分非联通部分进行修正；划分结束，将划分结果投射到现实路网上。本发明能够更加充分挖掘交通流的中信息，从全局的角度分析交通网络中的结构。

Description

一种基于车辆轨迹数据的交通控制子区划分方法

技术领域

本发明涉及交通控制技术领域，尤其是一种基于车辆轨迹数据的交通控制子区划分方法。

背景技术

社团发现算法最早起源于对社交网络的研究，社交网络表现了现实社会中人与人之间的人际关系，由此抽象出学术意义上的社交网络概念。社交网络由节点和节点间的连线组成，社交网络中的每个节点代表了现实社会中的每个人，社交网络中的每条边代表了人与人之间的关系。在真实的社交网络中，经常可以发现有些节点之间连接非常紧密，而有些节点之间连接比较稀疏，为了发现社交网络中这样的社团结构，进而促进了社团发现算法的研究。社团发现算法的目的就是发现社交网络中的社团结构，使社团内部节点的连接尽可能紧密，而社团与社团之间的节点连接尽可能稀疏。在交通工程领域，城市道路交叉口以及道路交叉口之间的关联性与社交网络存在一定的相似性，可以将城市道路交叉口作为网络节点，将交叉口之间的关联作为网络中的边，在此基础上运用社团发现算法来划分交通控制子区。

社交网络的研究起步较晚，在2002年M.E.J.Newman和M.Girvan才提出针对社团划分的经典算法——GN算法。GN算法中定义了边介数的概念，边介数是网络中通过这条边最短路的数目，由定义可知，社团间的边的边介数更大，而社团内的边的边介数较小，通过不断重复计算网络中每条边的边介数并剔除最大边介数的边，逐步划分出社交网络中的社团结构。但是当时M.E.J.Newman和M.Girvan并没有提出社团划分效果的评价指标，所以GN算法还不能确定最优的划分方案，只能凭借经验确定社团划分的数目。后来M.E.J.Newman和M.Girvan提出了现在被广泛采用的模块度指标用于评价社团划分的性能，通过模块度指标确定GN算法分裂的程度，确定最优划分数目，弥补了早期GN算法的不足。这种算法也在生物、物理、计算机等领域得到了广泛的应用。

从GN算法的提出到现在，社团发现算法已经形成了多个类别，包括谱平均法、Kernighan-Lin算法、层次聚类算法、基于标签的社团发现算法、基于统计推理的社团发现方法等。层次聚类算法包含凝聚法和分裂法两类，其中GN算法就是分裂算法中的一类。

目前在信号控制子区划分中绝大多数都是基于现实路网以及相邻交叉口关联度来实现的，这样的划分方案只考虑了相邻交叉口的关联性，而没有考虑非相邻交叉口之间的关联性，同时也缺乏对交通流流向的分析，在进行子区划分之前已经丢失了大量的信息，难以保证子区划分后的控制效果。

发明内容

本发明所要解决的技术问题在于，提供一种基于车辆轨迹数据的交通控制子区划分方法，能够更加充分挖掘交通流的中信息，从全局的角度分析交通网络中的结构。

为解决上述技术问题，本发明提供一种基于车辆轨迹数据的交通控制子区划分方法，包括如下步骤：

(1)对某区域交叉口编号，获取卡口数据、路段长度数据以及该区域路网底图；

(2)汇聚卡口数据，将单个车辆的出行链划分成轨迹数据，并剔除无效轨迹；

(3)基于最短路原则对缺失的车辆轨迹进行修补；

(4)计算一定时段内各交叉口对之间的双向流量，形成交叉口对流量矩阵；

(5)以交叉口为节点、交叉口对之间的双向流量作为节点连线的关联度建立全联通的有向网络图，利用随机漫步地图算法对网络图进行初始划分；

(6)同类交叉口连通性检验，对现实路网划分非联通部分进行修正；

(7)划分结束，将划分结果投射到现实路网上。

优选的，步骤(2)中，汇聚卡口数据，将单个车辆的出行链划分成轨迹数据，并剔除无效轨迹具体包括如下步骤：

(21)去除未识别车牌的数据、时间记录残缺的数据和重复数据；

(22)将卡口数据中的检测器编号与交叉口编号进行匹配；

(23)在数据库中对某天卡口数据按照车牌和时间排序；

(24)对同一车牌时间间隔大于1小时的判定为新的出行轨迹，按照此规则对该车

辆一天的出行链划分成一条至多条出行轨迹；

(25)删除只有一条数据的出行轨迹。

优选的，步骤(3)中，基于最短路原则对缺失的车辆轨迹进行修补具体包括如下步骤：

(31)根据路段长度数据构建区域交叉口邻接矩阵表，若两交叉口相邻，则邻接矩阵中对应的数值为1，否则为0；

(32)根据临界矩阵表和路段长度表构建区域路网网络图；

(33)针对每条出行轨迹，依次检验出行轨迹中相邻两个数据的交叉口是否相邻，若相邻则不做处理；若不相邻，则根据现实路网拓扑结构分析得到非相邻交叉口之间的最短路径，将该路径补入出行轨迹中，并根据非相邻交叉口时间间隔的等分点估计补充轨迹数据的时间信息；若出行轨迹中两个非相邻交叉口的前一个交叉口的时间信息为t_a，后一个交叉口的时间信息为t_b，中间补充了k个轨迹点，则第i个轨迹点的时间信息t_i计算如下：

优选的，步骤(4)中，计算一定时段内各交叉口对之间的双向流量，形成交叉口对流量矩阵，从交叉口m到交叉口n的流量计算如下：

其中V_mn表示从交叉口m到交叉口n的流量，N代表出行轨迹数目，ord(m,n)_i表示在出行轨迹i中是否同时存在交叉口对m和n，且m的次序在n之前，若存在，则ord(m,n)_i＝1，否则为0。

优选的，步骤(6)中，同类交叉口连通性检验，对现实路网划分非联通部分进行修正具体包括如下步骤：

(61)利用临界矩阵表和步骤(5)中的交叉口分类信息对同类控制子区的连通性进行检验；

(62)若同类交叉口存在不连通团块，对于交叉口数大于4的团块作为新的子区，对于交叉口数小于等于4的团块，分别考察每个交叉口与相邻交叉口的流量，选择流量最大的相邻交叉口的类别作为该交叉口的类别。

本发明的有益效果为：本发明提出一种基于车辆轨迹数据的交通控制子区划分方法，不仅分析了相邻交叉口之间的关系，而且可以考虑非相邻交叉口的关系；根据轨迹数据计算得到各交叉口对之间的双向流量构建有权有向全联通的复杂网路，应用随机漫步图的社团发现方法对交叉口控制子区进行划分，并对非联通交叉口进行修正；相比于现有技术，该发明可以更加充分挖掘交通流的中信息，从全局的角度分析交通网络中的结构。

附图说明

图1为本发明的方法流程示意图。

图2为本发明的昆山市路网示意图。

图3为本发明以交叉口为节点、交叉口对之间的双向流量作为节点连线的关联度建立全联通的有向网络示意图。

图4为本发明随机漫步底图算法对网络图进行初始划分示意图。

图5为本发明区域划分结果示意图。

具体实施方式

如图1所示，一种基于车辆轨迹数据的交通控制子区划分方法，包括如下步骤：

(1)对某区域交叉口编号，获取卡口数据、路段长度数据以及该区域路网底图；

(2)汇聚卡口数据，将单个车辆的出行链划分成轨迹数据，并剔除无效轨迹；

(3)基于最短路原则对缺失的车辆轨迹进行修补；

(4)计算一定时段内各交叉口对之间的双向流量，形成交叉口对流量矩阵；

(5)以交叉口为节点、交叉口对之间的双向流量作为节点连线的关联度建立全联通的有向网络图，利用随机漫步地图算法对网络图进行初始划分；

(6)同类交叉口连通性检验，对现实路网划分非联通部分进行修正；

(7)划分结束，将划分结果投射到现实路网上。

步骤S1中的江苏省昆山市某区域交叉口编号如表1所示，部分卡口数据如表2所示，部分路段长度数据如表3所示，昆山市路网底图如图2所示。表1中，INTERSECTIONID是交叉口的原始编号，mark_id是交叉口的新编号。新编号是将原始编号按从小到大的顺序进行排序排序然后从1开始编号，主要目的是为了方便计算机处理。表2中，FACILITY_ID是卡口检测器的编号，DDATE_KEY是检测数据的日期，TTIME_KEY是时间戳，TTIME是检测数据的具体检测时间，PPLATE是车牌号。卡口检测器每对车辆进行一次拍照，就生成一条检测数据，包含卡口检测器的编号、日期、时间戳、具体检测时间和车牌号。表3中，INT_FROM表示路段的起点，INT_TO表示路段的终点，LENGTH表示路段的长度。表3表示的是路网的拓扑结构，具体表现为相邻两个交叉口从起点到终点的长度，例如从原始编号为101104的交叉口到原始编号为113104的交叉口的长度为450米。

表1江苏省昆山市某区域部分交叉口编号表对应表

INTERSECTIONID	mark_id
		100000	1
101104	2
		101108	3
101136	4
		101216	5
105106	6
		105108	7
105110	8
		105112	9
105114	10
		105120	11

表2江苏省昆山市某天部分卡口检测器检测数据

表3江苏省昆山市某区域部分路段长度数据

步骤S2中经处理得到的轨迹数据如表4所示：INTERSECTION表示重新编制的交叉口编号，FACILITY_ID表示号牌检测器的编号，STIME表示转化成秒的检测时间信息，TRIPS表示出行轨迹的编号。一条出行轨迹中包含多个轨迹点，比如出行轨迹1包含了两个轨迹点，第一个轨迹点对应的交叉口编号为26，检测器的编号为15，时间为当天的第55900秒，第二个轨迹点交叉口编号为20，检测器的编号为100，时间为当天的第58592秒。

表4处理后的轨迹数据

步骤S4中由轨迹数据计算得到的交叉口对流量矩阵如表5所示：矩阵的左侧编号是起始交叉口编号，上方编号是终点交叉口编号，矩阵中的数字是从起始交叉口到终点交叉口的交通流量。例如第一行第四列数字13表示一段时间内，从新编号为1的交叉口到新编号为4的交叉口的单向交通流量为13。

表5交叉口对流量矩阵

步骤S5中以交叉口为节点、交叉口对之间的双向流量作为节点连线的关联度建立全联通的有向网络图如图3所示。该图表示的是交叉口之间的关联网络图，每个顶点表示一个信号交叉口，交叉口之间的连线表示交叉口之间的有向流量。利用随机漫步地图算法对网络图进行初始划分如图4所示。该图表示的是交叉口之间的关联网络图经过社团发现算法处理之后形成的社团结构，图中可以看到交叉口被划分到了三个社团之中。

步骤S7中将修正的控制子区结果投射到现实路网上如图5所示。该图表示的是分类后的交叉口在实际路网上的分布情况。

本发明通过卡口数据汇聚提炼成轨迹数据，以1小时为阈值划分出行轨迹，并利用最短路算法对出行轨迹进行修补。根据出行轨迹计算计算各交叉口对之间的双向流量，以交叉口为节点，以交叉口对之间的双向流量作为节点间的关联度，构建全联通的有向网络图。利用随机漫步图的社团发现算法，对该有权有向复杂网络图进行社团划分。检查同类社团交叉口在现实路网上连通性，对于交叉口数大于4的团块作为新的子区，对于交叉口数小于等于4的团块，分别考察每个交叉口与相邻交叉口的流量，选择流量最大相邻交叉口的类别作为该交叉口的类别。

本发明采用交叉口卡口数据，将卡口检测器检测到的车牌信息汇聚成每辆车的轨迹数据，并采用最短路算法对缺失的轨迹点进行修补，在路网上形成大量的车辆轨迹，计算一定时段内各个交叉口对之间的车辆出发与到达流量作为各个交叉口对之间的关联度，形成交叉口之间的有向连通图，然后再利用随机漫步地图算法对交叉口网络进行初始划分，将划分结果投射到真实路网上，最后对非联通的子区进行重新调整。利用轨迹数据分析交叉口对之间的关联性可以极大限度的利用交通流中存在的信息，车辆轨迹本身也可以很好的表现交叉口间之间的协调性。

Claims (5)

1.一种基于车辆轨迹数据的交通控制子区划分方法，其特征在于，包括如下步骤：

(1)对某区域交叉口编号，获取卡口数据、路段长度数据以及该区域路网底图；

(2)汇聚卡口数据，将单个车辆的出行链划分成轨迹数据，并剔除无效轨迹；

(3)基于最短路原则对缺失的车辆轨迹进行修补；

(4)计算一定时段内各交叉口对之间的双向流量，形成交叉口对流量矩阵；

(5)以交叉口为节点、交叉口对之间的双向流量作为节点连线的关联度建立全联通的有向网络图，利用随机漫步地图算法对网络图进行初始划分；

(6)同类交叉口连通性检验，对现实路网划分非联通部分进行修正；

(7)划分结束，将划分结果投射到现实路网上。

2.如权利要求1所述的基于车辆轨迹数据的交通控制子区划分方法，其特征在于，步骤(2)中，汇聚卡口数据，将单个车辆的出行链划分成轨迹数据，并剔除无效轨迹具体包括如下步骤：

(21)去除未识别车牌的数据、时间记录残缺的数据和重复数据；

(22)将卡口数据中的检测器编号与交叉口编号进行匹配；

(23)在数据库中对某天卡口数据按照车牌和时间排序；

(24)对同一车牌时间间隔大于1小时的判定为新的出行轨迹，按照此规则对该车辆一天的出行链划分成一条至多条出行轨迹；

(25)删除只有一条数据的出行轨迹。

3.如权利要求1所述的基于车辆轨迹数据的交通控制子区划分方法，其特征在于，步骤(3)中，基于最短路原则对缺失的车辆轨迹进行修补具体包括如下步骤：

(31)根据路段长度数据构建区域交叉口邻接矩阵表，若两交叉口相邻，则邻接矩阵中对应的数值为1，否则为0；

(32)根据临界矩阵表和路段长度表构建区域路网网络图；

(33)针对每条出行轨迹，依次检验出行轨迹中相邻两个数据的交叉口是否相邻，若相邻则不做处理；若不相邻，则根据现实路网拓扑结构分析得到非相邻交叉口之间的最短路径，将该路径补入出行轨迹中，并根据非相邻交叉口时间间隔的等分点估计补充轨迹数据的时间信息；若出行轨迹中两个非相邻交叉口的前一个交叉口的时间信息为t_a，后一个交叉口的时间信息为t_b，中间补充了k个轨迹点，则第i个轨迹点的时间信息t_i计算如下：

4.如权利要求1所述的基于车辆轨迹数据的交通控制子区划分方法，其特征在于，步骤(4)中，计算一定时段内各交叉口对之间的双向流量，形成交叉口对流量矩阵，从交叉口m到交叉口n的流量计算如下：

其中V_mn表示从交叉口m到交叉口n的流量，N代表出行轨迹数目，ord(m,n)_i表示在出行轨迹i中是否同时存在交叉口对m和n，且m的次序在n之前，若存在，则ord(m,n)_i＝1，否则为0。

5.如权利要求1所述的基于车辆轨迹数据的交通控制子区划分方法，其特征在于，步骤(6)中，同类交叉口连通性检验，对现实路网划分非联通部分进行修正具体包括如下步骤：

(61)利用临界矩阵表和步骤(5)中的交叉口分类信息对同类控制子区的连通性进行检验；

(62)若同类交叉口存在不连通团块，对于交叉口数大于4的团块作为新的子区，对于交叉口数小于等于4的团块，分别考察每个交叉口与相邻交叉口的流量，选择流量最大的相邻交叉口的类别作为该交叉口的类别。