CN109544914A - 一种基于历史gps轨迹的共享单车逆行行为识别方法 - Google Patents

Abstract

本发明公开一种基于历史GPS轨迹的共享单车逆行行为识别方法，将与同向标准机动车行驶方向相反的骑行行为，定义为逆行行为；通过识别共享单车每次行程并将其轨迹匹配至道路上，剔除异常轨迹点，进行逆行行为识别方法训练，利用轨迹聚类结果建立标准轨迹数据库，以便候选轨迹与之进行参数匹配，识别出共享单车逆行行为。本发明提高了共享单车逆行行为识别的可靠性和准确性，既能快速地识别出其骑行过程中的轨迹异常点，又能使用标准行程数据库准确地判断骑行行为类别，从而有利于共享单车逆行行为干预，提高共享单车骑行和机动车行驶的交通安全水平，体现实际应用价值。

Description

一种基于历史GPS轨迹的共享单车逆行行为识别方法

技术领域

本发明涉及基于大数据技术的交通安全管理技术领域，具体为一种基于历史GPS轨迹的共享单车逆行行为识别方法。

背景技术

在“创新、协调、绿色、开放、共享”的发展理念下，共享单车以惊人的速度在城市中崛起。第三方数据研究机构报告显示，2017年是中国共享单车行业用户增长最为迅猛的一年，增长率达到了632.1％。在2018年，用户规模将达到2.35亿人。然而，共享单车逆行现象十分突出。这不仅严重干预居民的正常交通出行，还严重影响机动车的道路交通安全，增加了交通事故发生的可能性，尤其是发生在交叉口的逆行行为，更是给人们的生命财产安全造成极大威胁。因此，亟需对共享单车逆行行为进行识别和干预。

目前，对于共享单车的研究主要集中在共享单车的定位、停车场设计规划、投放和违法行为治理等方面。值得注意的是，共享单车违法行为治理的研究大多只涉及乱停乱放问题，未探讨其逆行行为。再者，若仅仅讨论如何治理共享单车逆行违法行为，则无法从根源上解决该问题。这需要全面、准确地识别出共享单车的逆行行为。现存文献主要采用图像分析方法识别机动车的逆行行为，但未研究共享单车的逆行行为，且该图像分析方法，难以用于识别出共享单车的全部逆行行为。由此可见，探究一种全面、准确地识别共享单车逆行行为的方法显得十分必要。

由于共享单车配备GPS装置，每天产生大量的GPS轨迹数据，这使得通过数学方法建立模型及数据库并识别出共享单车逆行行为成为可能。现今，对于共享单车的逆行行为识别方法少之又少，而共享单车行业又将进入成熟期，增长态势将趋于稳定。因此，亟需探究基于历史GPS轨迹的共享单车逆行行为的识别方法，以准确判断骑行人的逆行行为，发挥共享单车覆盖公交盲区、强化轨道交通优势、解决最后一公里及完善城市微循环的积极作用。

发明内容

针对上述问题，本发明的目的在于提供一种能够提高共享单逆行行为识别的可靠性、准确性和全面性的基于历史GPS轨迹的共享单车逆行行为识别方法，既能快速识别出骑行过程中的轨迹异常点，又能使用标准行程轨迹数据库准确判断骑行行为类别，从而有利于共享单车逆行行为干预，提高共享单车骑行和机动车行驶的交通安全水平，体现实际应用价值。技术方案如下：

步骤1：定义共享单车逆行行为：在非机动车道上，与同向机动车车道行驶方向相反的共享单车骑行行为；

步骤2：识别共享单车每次行程，将各次历史GPS轨迹匹配至道路上，并剔除轨迹数据异常点，形成训练轨迹样本集；

步骤3：建立共享单车标准行程轨迹数据库：根据轨迹训练样本集，采用K均值聚类法确定轨迹聚类的个数，即最合适的标准轨迹模式数量；建立两条训练轨迹间的距离矩阵，确定各类标准轨迹模式，将每一条训练轨迹归入对应的轨迹模式，构成共享单车标准轨迹数据库；

步骤4：建立共享单车候选轨迹类模型，判定候选轨迹所属轨迹模式；将候选轨迹与标准轨迹数据库进行参数匹配，判断其是否为共享单车逆行行为。

进一步的，述步骤2具体为：

步骤21：通过用户ID、起讫点经纬度坐标、持续骑行时间、连续轨迹点信息识别共享单车的每次行程；

步骤22：用目标道路非机动车道范围内的点作为标准点，在所匹配地图中搜索与标准点符合的区域，当匹配相似性测度达到最大且超过预先规定阈值时，即判定匹配到了车辆在该路段的最大可能位置；

步骤23：利用卡尔曼滤波的线性优越性，对轨迹数据集进行清洗，即在干扰为高斯分布的情况下，通过多次递归和重复调整，使得测量均方误差即扰动最小，从而剔除异常的轨迹点，使轨迹平滑。

更进一步的，所述步骤3具体包括：

步骤31：将训练轨迹样本集中的各条训练轨迹，两两比较，不断更新，得到最优训练轨迹，找出共享单车在非机动车道上的标准骑行路径及方向；

步骤32：以机动车行驶方向为其标准运动方向，利用R软件，针对训练轨迹数据，通过误差平方和图中拐点位置所对应的X轴上显示的数字，确定K均值聚类最合适的聚类个数；

步骤33：建立两条训练轨迹间的距离矩阵，其公式如下所示：

d(A₁,A₂)＝K_hd_h(A₁,A₂)+K_Vd_V(A₁,A₂)+K_θd_θ(A₁,A₂)

式中：h代表空间因素、v代表速度因素、θ代表方向因素；

d_v(A₁,A₂)表示A₁、A₂两条训练轨迹间的速度距离，且 和分别为两条训练轨迹间的速度；

d_θ(A₁,A₂)表示A₁、A₂两条训练轨迹间的方向距离， 和分别为两条训练轨迹间的方向夹角；

K_h、K_v、K_θ分别表示空间、速度、方向对轨迹距离的权重系数；

d_h(A₁,A₂)表示A₁、A₂两条训练轨迹间的空间距离，且

式中：R表示地球球体半径；WA₁、WA₂及JA₁、JA₂分别代表A₁、A₂两条训练轨迹的纬度和经度；

设存在集合Ω＝(A₁,A₂,…,A_L)，对每两个训练轨迹序列进行距离计算，得到训练轨迹距离矩阵D_mn＝d(A_m,A_n)，即第m和第n条训练轨迹间的距离矩阵；步骤34：通过连续迭代两条训练轨迹间的距离矩阵，直至作为标准轨迹类型的聚类中心不再变化，即判定每个聚类内的所有训练轨迹属于同一轨迹模式；

步骤35：建立包含各类轨迹模式空间位置M_eh、运动速度M_ev和方向M_eθ的共享单车标准轨迹数据库，其中，e∈[1,K]。

更进一步的，所述步骤34具体包括：

步骤341：初始化聚类中心，即确定标准轨迹类型：随机选取一条共享单车行程轨迹作为第一类的初始聚类中心A_O1，然后在剩下的L-1条轨迹序列里选取一条作为第二类的初始中心A_O2；设定距离阈值ρ₁，使两个聚类中心的距离满足D_O1,O2＝d(A_O1,A_O2)≥ρ₁，即通过两个聚类中心间的距离判断两个中心是否为同一类，以此类推选出K个聚类的初始化中心；

步骤342：对训练轨迹数据进行分类，也即确定每一条训练轨迹所属的标准轨迹类型：比较所有训练轨迹A_i与各个初始化中心A_oj的距离d(A_i,A_oj)，将所有训练轨迹归类到与它最接近的初始化聚类中心所在的类；用公式表示如下：class(A_i)＝class(A_oj)；

步骤343：调整聚类中心，即优化标准训练轨迹：对于每一类训练轨迹都找出属于该类的所有轨迹数据，并寻找一条新的训练轨迹作为代表，使其到该类内所有训练轨迹的距离之和最小，即为新的聚类中心，

更进一步的，所述步骤4具体包括：

步骤41：建立共享单车候选轨迹类模型：

设A_s表示候选轨迹；ω_e表示第e类轨迹模式；P(A_s|ω_e)表示在ω_e模式下出现候选轨迹A_s的条件概率；利用高斯分布求得联合概率密度，及分别对应于空间距离、速度距离或方向距离的边缘概率密度，以便利用标准轨迹数据库对每一候选轨迹进行识别匹配，即联合匹配或边缘匹配；

步骤42：基于贝叶斯决策理论，对共享单车候选轨迹类模型进行最优化处理，通过计算各类模式的概率，以判定轨迹所属模式；设阈值ρ₂，当其满足maxP(ω_e|A_s)≥ρ₂时，则判定候选轨迹A_s属于轨迹模式ω_e；

步骤43：将共享单车候选轨迹与标准轨迹数据库比较，识别其逆行行为：

若一条候选轨迹的空间位置、运动速度或方向数据与标准轨迹数据库内任一类轨迹模式中相应的数据一致，则表示该类轨迹模式的新轨迹出现；

判定这条新的轨迹特征是否符合联合匹配，即判断新轨迹数据是否与共享单车标准轨迹数据库内各项参数均匹配，若符合联合匹配则为正常行为；若不符合，则进行边缘匹配判断，即判断新轨迹数据是否与共享单车标准轨迹数据库内各项参数部分匹配；

若符合边缘匹配则表明是已存在的异常行为即逆行行为；若不符合，则属于暂未存在于数据库的异常行为，则根据新的轨迹数据对数据库进行更新。

本发明的有益效果是：本发明提高了共享单车逆行行为识别的可靠性和准确性，既能快速地识别出其骑行过程中的轨迹异常点，又能使用标准行程数据库准确地判断骑行行为类别，从而有利于共享单车逆行行为干预，提高共享单车骑行和机动车行驶的交通安全水平，体现实际应用价值。

附图说明

图1为本发明的总体流程图。

图2为基于卡尔曼滤波进行轨迹数据集清洗的描述示意。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。本实施例是一种基于历史GPS轨迹的共享单车逆行行为识别方法，将与同向标准机动车行驶方向相反的骑行行为，定义为逆行行为。通过识别共享单车每次行程并将其轨迹匹配至道路上，剔除异常轨迹点，进行逆行行为识别方法训练，利用轨迹聚类结果建立标准轨迹数据库，以便候选轨迹与之进行参数匹配，识别出共享单车逆行行为，从而形成基于历史GPS轨迹的共享单车逆行行为识别方法。具体包括共享单车逆行行为描述，识别每次行程后进行地图匹配，轨迹聚类并建立标准轨迹数据库，建立优化候选轨迹类模型与数据库进行参数匹配四个关键的操作步骤，综合上述四个步骤实现的共享单车逆行行为识别算法步骤框图如图1所示，具体步骤如下：

步骤1：定义共享单车逆行行为为：在非机动车道上，与同向机动车车道上的机动车行驶方向相反的共享单车骑行行为。

步骤2：识别共享单车每次行程，并将各次历史GPS轨迹匹配至道路上，并剔除轨迹数据异常点，形成训练轨迹样本集。

1)通过用户ID、起讫点经纬度坐标、持续骑行时间、连续轨迹点等识别共享单车的每次行程。

2)将共享单车历史GPS行程轨迹点匹配至道路上；用目标道路的地面控制点作为标准点，在所匹配的图中搜索与标准点类似的区域，当匹配相似性测度达到最大且超过预先规定阈值时，即判定匹配到了车辆在该路段的最大可能位置。

3)利用卡尔曼滤波的线性优越性，对轨迹数据集进行清洗，剔除异常轨迹点，如图2所示。即在干扰为高斯分布的情况下，通过多次递归和重复调整，使得测量均方误差即扰动最小，轨迹看起来最平滑。

步骤3：建立共享单车标准行程轨迹数据库：根据轨迹训练样本集，采用K均值聚类法确定轨迹聚类的个数，也即最合适的标准轨迹模式的数量；建立两条训练轨迹间的距离矩阵，确定各类标准轨迹模式，将每一条训练轨迹归入对应的轨迹模式，构成共享单车标准轨迹数据库。

1)使用基于K均值的聚类方法，将大量训练轨迹，通过两两比较，不断更新最优训练轨迹，即找出共享单车在非机动车道上一定范围内的标准骑行路径及方向。

2)预测聚类个数，即找出最合适的标准轨迹数量。仅考虑共享单车在非机动车道上的骑行行为，以机动车行驶方向为其标准运动方向，利用R软件，针对训练轨迹数据，通过误差平方和图中拐点位置所对应的X轴上显示的数字，确定K均值聚类最合适的聚类个数。

3)建立两条训练轨迹间的距离矩阵，其公式如下所示：

d(A₁,A₂)＝K_hd_h(A₁,A₂)+K_Vd_V(A₁,A₂)+K_θd_θ(A₁,A₂)

式中：h代表空间因素、v代表速度因素、θ代表方向因素；d_v(A₁,A₂)表示A₁、A₂两条训练轨迹间的速度距离，d_θ(A₁,A₂)表示A₁、A₂两条训练轨迹间的方向距离；K_h、K_v、K_θ分别表示空间、速度、方向对轨迹距离的权重系数；d_h(A₁,A₂)表示A₁、A₂两条训练轨迹间的空间距离，

式中：R表示地球球体半径；WA₁、WA₂及JA₁、JA₂分别代表A₁、A₂两条训练轨迹的纬度和经度。

设存在集合Ω＝(A₁,A₂,…,A_L)，对每两个训练轨迹序列进行距离计算，得到训练轨迹距离矩阵D_ij＝d(A_i,A_j)，即第i和第j条训练轨迹间的距离矩阵。

4)通过连续迭代两条训练轨迹间的距离矩阵，直至作为标准轨迹类型的聚类中心不再变化，即判定每个聚类内的所有训练轨迹属于同一轨迹模式。

41)初始化聚类“中心”(指一条轨迹线)，即找到标准轨迹类型。随机选取一条共享单车行程轨迹作为第一类的初始聚类中心A_O1，然后在剩下的L-1条轨迹序列里选取一条作为第二类的初始中心A_O2。为了防止所选的两个中心属于同一类，需设定一个距离阈值ρ₁，使两个聚类中心的距离满足D_O1,O2＝d(A_O1,A_O2)≥ρ₁，即通过两个聚类中心间的距离判断两个中心是否为同一类，以此类推选出K个聚类的初始化中心。

42)对训练轨迹数据进行分类，即找到每一训练轨迹所属的标准轨迹类型。比较所有训练轨迹A_i与各个初始化中心A_oj的距离d(A_i,A_oj)，将所有训练轨迹归类到与它最接近的初始化聚类“中心”所在的类。用公式表示如下：class(A_i)＝class(Ao_j)。

43)调整聚类“中心”，即优化标准训练轨迹。对于每一类训练轨迹都找出属于该类的所有轨迹数据，并寻找一条新的训练轨迹作为代表，使其到该类内所有训练轨迹的距离之和最小，即为新的聚类中心，

重复41)～43)，直至连续两次迭代结果不再变化，即判定每个聚类内的所有训练轨迹属于同一轨迹模式。

5)建立包含各类轨迹模式空间位置M_eh、运动速度M_ev和方向M_eθ的共享单车标准轨迹数据库，其中，e∈[1,K]。

步骤4：建立共享单车候选轨迹类模型，判定候选轨迹所属轨迹模式；将候选轨迹与标准轨迹数据库进行参数匹配，判断其是否为共享单车逆行行为。

1)建立共享单车候选轨迹类模型。设A_s表示候选轨迹；ω_e表示第e类轨迹模式；P(A_s|ω_e)表示在ω_e模式下出现候选轨迹A_s的条件概率；利用高斯分布求得联合概率密度，及分别对应于空间距离、速度距离或方向距离的边缘概率密度，以便利用标准轨迹数据库对每一候选轨迹进行识别匹配，即联合匹配或边缘匹配；

2)基于贝叶斯决策理论，对共享单车候选轨迹类模型进行最优化处理，通过计算各类模式的概率，以判定轨迹所属模式；设阈值ρ₂，当其满足maxP(ω_e|A_s)≥ρ₂时，则判定候选轨迹A_s属于轨迹模式ω_e。

3)将共享单车候选轨迹与标准轨迹数据库比较，识别其逆行行为：

若一条候选轨迹的空间位置、运动速度或方向数据与标准轨迹数据库内任一类轨迹模式中相应的数据一致，则表示该类轨迹模式的新轨迹出现；

判定这条新的轨迹特征是否符合联合匹配，即判断新轨迹数据是否与共享单车标准轨迹数据库内各项参数均匹配，若符合联合匹配则为正常行为；若不符合，则进行边缘匹配判断，即判断新轨迹数据是否与共享单车标准轨迹数据库内各项参数部分匹配；

若符合边缘匹配则表明是已存在的异常行为即逆行行为；若不符合，则属于暂未存在于数据库的异常行为，则根据新的轨迹数据对数据库进行更新。

Claims (5)

1.一种基于历史GPS轨迹的共享单车逆行行为识别方法，其特征在于，

步骤1：定义共享单车逆行行为：在非机动车道上，与同向机动车车道行驶方向相反的共享单车骑行行为；

步骤2：识别共享单车每次行程，将各次历史GPS轨迹匹配至道路上，并剔除轨迹数据异常点，形成训练轨迹样本集；

步骤3：建立共享单车标准行程轨迹数据库：根据轨迹训练样本集，采用K均值聚类法确定轨迹聚类的个数，即最合适的标准轨迹模式数量；建立两条训练轨迹间的距离矩阵，确定各类标准轨迹模式，将每一条训练轨迹归入对应的轨迹模式，构成共享单车标准轨迹数据库；

步骤4：建立共享单车候选轨迹类模型，判定候选轨迹所属轨迹模式；将候选轨迹与标准轨迹数据库进行参数匹配，判断其是否为共享单车逆行行为。

2.根据权利要求1所述的基于历史GPS轨迹的共享单车逆行行为识别方法，其特征在于，所述步骤2具体为：

步骤21：通过用户ID、起讫点经纬度坐标、持续骑行时间、连续轨迹点信息识别共享单车的每次行程；

步骤22：用目标道路非机动车道范围内的点作为标准点，在所匹配地图中搜索与标准点符合的区域，当匹配相似性测度达到最大且超过预先规定阈值时，即判定匹配到了车辆在该路段的最大可能位置；

步骤23：利用卡尔曼滤波的线性优越性，对轨迹数据集进行清洗，即在干扰为高斯分布的情况下，通过多次递归和重复调整，使得测量均方误差即扰动最小，从而剔除异常的轨迹点，使轨迹平滑。

3.根据权利要求1所述的基于历史GPS轨迹的共享单车逆行行为识别方法，其特征在于，所述步骤3具体包括：

步骤31：将训练轨迹样本集中的各条训练轨迹，两两比较，不断更新，得到最优训练轨迹，找出共享单车在非机动车道上的标准骑行路径及方向；

步骤32：以机动车行驶方向为其标准运动方向，利用R软件，针对训练轨迹数据，通过误差平方和图中拐点位置所对应的X轴上显示的数字，确定K均值聚类最合适的聚类个数；

步骤33：建立两条训练轨迹间的距离矩阵，其公式如下所示：

d(A₁,A₂)＝K_hd_h(A₁,A₂)+K_Vd_V(A₁,A₂)+K_θd_θ(A₁,A₂)

式中：h代表空间因素、v代表速度因素、θ代表方向因素；

d_v(A₁,A₂)表示A₁、A₂两条训练轨迹间的速度距离，且 和分别为两条训练轨迹间的速度；

d_θ(A₁,A₂)表示A₁、A₂两条训练轨迹间的方向距离， 和分别为两条训练轨迹间的方向夹角；

K_h、K_v、K_θ分别表示空间、速度、方向对轨迹距离的权重系数；

d_h(A₁,A₂)表示A₁、A₂两条训练轨迹间的空间距离，且

式中：R表示地球球体半径；WA₁、WA₂及JA₁、JA₂分别代表A₁、A₂两条训练轨迹的纬度和经度；

设存在集合Ω＝(A₁,A₂,…,A_L)，对每两个训练轨迹序列进行距离计算，得到训练轨迹距离矩阵D_mn＝d(A_m,A_n)，即第m和第n条训练轨迹间的距离矩阵；

步骤34：通过连续迭代两条训练轨迹间的距离矩阵，直至作为标准轨迹类型的聚类中心不再变化，即判定每个聚类内的所有训练轨迹属于同一轨迹模式；

步骤35：建立包含各类轨迹模式空间位置M_eh、运动速度M_ev和方向M_eθ的共享单车标准轨迹数据库，其中，e∈[1,K]。

4.根据权利要求3所述的基于历史GPS轨迹的共享单车逆行行为识别方法，其特征在于，所述步骤34具体包括：

步骤341：初始化聚类中心，即确定标准轨迹类型：随机选取一条共享单车行程轨迹作为第一类的初始聚类中心A_O1，然后在剩下的L-1条轨迹序列里选取一条作为第二类的初始中心A_O2；设定距离阈值ρ₁，使两个聚类中心的距离满足D_O1,O2＝d(A_O1,A_O2)≥ρ₁，即通过两个聚类中心间的距离判断两个中心是否为同一类，以此类推选出K个聚类的初始化中心；

步骤342：对训练轨迹数据进行分类，也即确定每一条训练轨迹所属的标准轨迹类型：比较所有训练轨迹A_i与各个初始化中心A_oj的距离d(A_i,A_oj)，将所有训练轨迹归类到与它最接近的初始化聚类中心所在的类；用公式表示如下：

步骤343：调整聚类中心，即优化标准训练轨迹：对于每一类训练轨迹都找出属于该类的所有轨迹数据，并寻找一条新的训练轨迹作为代表，使其到该类内所有训练轨迹的距离之和最小，即为新的聚类中心，

5.根据权利要求3所述的基于历史GPS轨迹的共享单车逆行行为识别方法，其特征在于，所述步骤4具体包括：

步骤41：建立共享单车候选轨迹类模型：

设A_s表示候选轨迹；ω_e表示第e类轨迹模式；P(A_s|ω_e)表示在ω_e模式下出现候选轨迹A_s的条件概率；利用高斯分布求得联合概率密度，及分别对应于空间距离、速度距离或方向距离的边缘概率密度，以便利用标准轨迹数据库对每一候选轨迹进行识别匹配，即联合匹配或边缘匹配；

步骤42：基于贝叶斯决策理论，对共享单车候选轨迹类模型进行最优化处理，通过计算各类模式的概率，以判定轨迹所属模式；设阈值ρ₂，当其满足maxP(ω_e|A_s)≥ρ₂时，则判定候选轨迹A_s属于轨迹模式ω_e；

步骤43：将共享单车候选轨迹与标准轨迹数据库比较，识别其逆行行为：

若一条候选轨迹的空间位置、运动速度或方向数据与标准轨迹数据库内任一类轨迹模式中相应的数据一致，则表示该类轨迹模式的新轨迹出现；

判定这条新的轨迹特征是否符合联合匹配，即判断新轨迹数据是否与共享单车标准轨迹数据库内各项参数均匹配，若符合联合匹配则为正常行为；若不符合，则进行边缘匹配判断，即判断新轨迹数据是否与共享单车标准轨迹数据库内各项参数部分匹配；

若符合边缘匹配则表明是已存在的异常行为即逆行行为；若不符合，则属于暂未存在于数据库的异常行为，则根据新的轨迹数据对数据库进行更新。