CN110084308A - 一种基于车辆轨迹分析构建通勤路径的方法 - Google Patents

Abstract

本发明公开了一种基于车辆轨迹分析构建通勤路径的方法，具体涉及道路交通领域，该方法包括：收集车辆的轨迹数据。筛选出轨迹数据中空间相似度大于预设阈值的轨迹集合，生成车辆轨迹空间聚类集合。同时，筛选出时间差小于预设阈值的轨迹集合，生成车辆轨迹时空聚类集合。当车辆轨迹时空聚类集合中任一个的轨迹数量＞预设阈值，则判定该行驶轨迹是由通勤车辆行驶产生的。则，将满足条件的轨迹作为候选通勤轨迹，且对其进行空间相似度和时间差进行筛选，得到车辆的通勤路径。通过本发明提供的方法可判断通勤车以及构建通勤路径，进而为相关部门开展工作提供借鉴意义。

Description

一种基于车辆轨迹分析构建通勤路径的方法

技术领域

本发明涉及道路交通领域，具体为一种基于车辆轨迹分析构建通勤路径的方法。

背景技术

通勤车是指不以盈利为目的，通常拥有固定的行驶时间和行驶路线的车辆。其主要功能是居民上下班或接送小孩。通过对通勤车的分析与判断，进而分析其通勤路径，宏观上可以获得城市的职住分布，对于城市交通规划、拥堵治理引导有借鉴作用；微观上通过对车辆通勤行为进行细粒度刻画，方便交警等管理部门对于车辆行为的深层了解，进而实现缉查布控以及失驾判断等等。

与此同时，随着智慧交通的普及，卡口等设备广泛应用于城市交通中。基于卡口等设备的数据，已有相关方法可以构建全路网的车辆轨迹。然而，如何利用行驶车辆的轨迹数据，进行通勤车判断及通勤路径构建是一个亟需解决的问题。

发明内容

本发明提供了一种基于车辆轨迹分析构建通勤路径的方法，通过该方法可判断通勤车以及构建通勤路径，进而为相关部门开展工作提供借鉴意义。

为实现上述目的，本发明提供如下技术方案：

一种基于车辆轨迹分析构建通勤路径的方法，该通勤路径构建方法包括如下步骤：

S01、收集车辆在时间段t内的轨迹数据，所述的轨迹数据经预处理后，组合得到每辆车的轨迹集合，记为set。

S02、将得到的轨迹集合按照空间聚类算法进行分析，筛选出空间相似度大于空间相似度阈值thre_space的轨迹集合，且合并后生成车辆轨迹空间聚类集合，记为：

set_s＝(set₁,set₂,...,set_p)，其中，p是自然数，且p≥1。

S03、对得到的车辆轨迹空间聚类集合按照时间聚类算法进行分析，筛选出车辆轨迹空间聚类集合中时间差小于时间相似度阈值thre_time的轨迹集合，生成车辆轨迹时空聚类集合，记为：

set_st＝(set₁,set₂,...,set_n)。

S04、当set_i中的轨迹数量＞thre_c，则判定该行驶轨迹是由通勤车辆行驶产生的；其中，set_i是集合set_st中任一一个元素，thre_c是预设的轨迹数量阈值；

则，将满足条件的set_i重新组合成通勤路径候选集合，记为set_c。

首先在空间上，计算轨迹集合set_i中车辆经过交叉口的平均次数，将车辆经过的大于平均次数的交叉口提取出来，对于前后断开的交叉口利用路网数据进行补全。

其次在时间上，选择出发时间和到达时间的中位数作为车辆最终的出发时间和到达时间。

S05、在集合set_c中，任意一个候选通勤轨迹setx基于空间相似度和时间差进行筛选，若：

候选通勤轨迹setx的空间相似度大于所述的空间相似度阈值thre_space，时间差小于所述的时间相似度阈值thre_time；

则，丢弃该候选通勤轨迹；

不符合上述条件的候选通勤轨迹最终组合生成车辆的通勤路径集合，记为其中，startTime为出发时间，endTime为到达时间，path为路径。

作为优选，在步骤S01中，所述轨迹数据包括车牌信息、时间信息以及空间信息。空间信息需要进行交叉口绑定，交叉口绑定规则如下：

如果轨迹数据中的空间信息与交叉口绑定，则直接提取交叉口信息。若轨迹数据中的空间信息与路段绑定，则提取上游路段交叉口信息。若轨迹数据中的空间信息仅为经纬度，则计算该经纬度与各个交叉口之间的欧式距离，且提取距离最近的交叉口信息。

作为优选，在步骤S01中，预处理方法为：

S01a、将获得的轨迹数据经格式化后，获得初始轨迹集合，记为：

set_origin＝(trace₁,trace₂,...,trace_n)；

其中，trace_i表示集合set_origin中任意一个元素，记为：

trace_i＝(car_i,startTime_i,endTime_i,path_i)；

car_i表示车辆的车牌号，startTime_i表示车辆的出发时间，endTime_i表示车辆的到达时间，path_i表示车辆的行驶路径，记为path_i＝(s₁,s₂,...,s_n)，s_n表示交叉口编号；

S01b、将相同车牌号的轨迹元素提取出来，组合生成每辆车对应的轨迹集合。

作为优选，在步骤S02中，空间聚类算法步骤为：

S02a、提取每辆车的轨迹集合中的行驶路径元素，组合构成路径集合，记为：

set_path＝(path₁,path₂,...,path_n)；

则，空间相似度sim_path的计算方法为：

其中，path_i和path_j为任意两条行驶路径，|path_i∩path_j|表示轨迹中相同不重复的交叉口数量，|path_i∪path_j|表示轨迹中所有不重复的交叉口数量；

S02b、将所有空间相似度大于空间相似度阈值thre_space的轨迹聚为一类，得到车辆轨迹空间聚类集合。

作为优选，时间聚类算法步骤为：

S03a、在车辆轨迹空间聚类集合中，提取每辆车的轨迹集合中的出发时间元素，组合构成出发时间集合，记为：

set_startTime＝(startTime₁,startTime₂,startTime_n)；

计算时间差startTime_dis，startTime_dis＝|startTime_transi-startTime_transj|，其中startTime_transi为任意i时刻的出发时间，startTime_transj为任意j时刻的出发时间，时间范围为0-24小时；因为一天只有24小时，即此处时间不是广义上日期+时刻(例如2019-04-0811:20)，仅仅是时刻(11:20)。

S03b、将所有时间差小于时间相似度阈值thre_time的轨迹聚为一类，得到车辆轨迹时空聚类集合。

本发明的有益效果为：

本发明利用轨迹分析，采用时间聚类和空间聚类的思想，判断出车辆是否为通勤车辆；对于研判出的通勤车辆，结合路网信息和时空相似度，构建最终的通勤路径。通勤车辆的研判与通勤路径的构建对于了解城市职住分布、车辆行驶规律具有有益作用。本发明具有易于实现、简单高效、参数配置灵活的特点，有利于工程化应用。

附图说明

图1为本实施例中一种基于车辆轨迹分析构建通勤路径的方法的流程示意图。

具体实施方式

本实施例提供了一种基于车辆轨迹分析构建通勤路径的方法，该方法包括了如下步骤：

S01、收集默认30天的轨迹数据，识别轨迹数据的格式，提取车牌信息、时间信息以及空间信息。空间信息需要进行交叉口绑定，交叉口绑定规则如下：

如果轨迹数据中的空间信息与交叉口绑定，则直接提取交叉口信息。若轨迹数据中的空间信息与路段绑定，则提取上游路段交叉口信息。若轨迹数据中的空间信息仅为经纬度，则计算该经纬度与各个交叉口之间的欧式距离，且提取距离最近的交叉口信息。

最终，格式化轨迹数据后生成初始轨迹集合，set_origin＝(trace₁,trace₂,...,trace_n)，其中trace_i为轨迹点。

例如A车牌中的某条轨迹信息如下表所示。

车牌	时间信息	空间信息
			A	2018-10-12 11:00:00	路段a
A	2018-10-12 11:12:07	路段b
			A	2018-10-12 11:19:15	路段c
A	2018-10-12 11:21:42	路段d
			A	2018-10-12 11:30:00	路段e

此处空间信息为路段信息，则需要借助路网拓扑信息找到该路段的上游交叉口，例如路段a的上游交叉口为交叉口A。然后在时间上选取起点时间和终点时间信息，空间上将各个交叉口信息连接起来，最终构建轨迹信息。

例如trace₁＝(A车牌，2018-10-12 11:00:00,2018-10-11 11:30:00,'A,B,C,D,E')表示A车牌在2018-10-12 11:00:00至在2018-10-12 11:30:00有一条经过A,B,C,D,E交叉口的轨迹。

S02、根据车牌号划分轨迹，将相同车牌号的轨迹提取出来，最终生成每辆车的初始轨迹集合。

每辆车的轨迹集合空间聚类过程包括：

(1)、提取每辆车的轨迹集合中的路径，构成路径集合set_path。

(2)、对于路径集合中的路径，计算路径之间的相似度。若轨迹1的路径为“A,B,C,D,E”，轨迹2的路径为“B,C,D,E,F”，则二者的相似度为sim＝4/6＝0.667。

(3)、设定空间相似度阈值thre_space，默认值为0.5。将所有空间相似度大于0.5的轨迹聚为一类。最终生成车辆轨迹空间聚类集合set_s。

每辆车的轨迹集合时间聚类过程包括：

a、提取每辆车的轨迹集合中的出发时间，构成出发时间集合set_startTime。

b、对于出发时间集合中的时间，计算时间差。若轨迹1的出发时间为2018-10-1211:00:00，轨迹2的出发时间为2018-10-12 10:46:00，则二者的时间差为14分钟。

c、设定时间相似度阈值thre_time，默认值为60分钟。将所有出发时间差小于60min的轨迹聚为一类。最终生成车辆轨迹时空聚类集合set_st。

S03、研判通勤车辆的方法为：设定轨迹数量阈值thre_c，默认值为15。对于车辆轨迹时空聚类集合set_st，若其中任意有一个set_i中的轨迹数量大于15，则该车辆判定为通勤车辆，满足条件的set_i构成通勤路径候选集合set_c。

构建通勤路径过程包括：

S04、生成候选通勤轨迹集合。对于通勤路径候选集合set_c中的各个轨迹集合set_i，各生成一条该集合的候选通勤轨迹。首先在空间上，计算轨迹集合set_i中各交叉口的平均次数，将大于平均次数的交叉口提取出来，对于前后断开的交叉口进行补全。补全可利用交叉口路段之间的路网关系；其次在时间上，选择出发时间和到达时间的中位数作为最终的出发时间和到达时间。

S05、相似候选通勤轨迹筛选。对于各个轨迹集合set_i生成的候选通勤轨迹，基于上述空间相似度、时间差的阈值，若轨迹1＝(车牌A，10:15,10:31，‘A,B,C,D,E’)，轨迹2＝(车牌A，10:24,10:43，‘B,C,D,E,F’)，则其空间相似度为0.667，时间差为9分钟，同时满足大于空间相似度阈值和小于时间差阈值的条件，可视为同一条通勤路径，则随机丢弃其中一条，避免出现冗余结果。例如丢弃轨迹2，最终生成该车辆的通勤路径commute＝(车牌A，10:15,10:31，‘A,B,C,D,E’)。

Claims (5)

1.一种基于车辆轨迹分析构建通勤路径的方法，其特征在于，包括如下步骤：

S01、收集车辆在时间段t内的轨迹数据，所述的轨迹数据经预处理后，组合得到每辆车的轨迹集合，记为set；

S02、将得到的轨迹集合按照空间聚类算法进行分析，筛选出空间相似度大于空间相似度阈值thre_space的轨迹集合，且合并后生成车辆轨迹空间聚类集合，记为：

set_s＝(set₁,set₂,...,set_p)，其中，p是自然数，且p≥1；

S03、对得到的车辆轨迹空间聚类集合按照时间聚类算法进行分析，筛选出车辆轨迹空间聚类集合中时间差小于时间相似度阈值thre_time的轨迹集合，生成车辆轨迹时空聚类集合，记为：

set_st＝(set₁,set₂,...,set_n)；

S04、当set_i中的轨迹数量＞thre_c，则判定该行驶轨迹是由通勤车辆行驶产生的；其中，set_i是集合set_st中任一一个元素，thre_c是预设的轨迹数量阈值；

则，将满足条件的set_i重新组合成通勤路径候选集合，记为set_c；

S05、在集合set_c中，任意一个候选通勤轨迹setx基于空间相似度和时间差进行筛选，若：

候选通勤轨迹setx的空间相似度大于所述的空间相似度阈值thre_space，时间差小于所述的时间相似度阈值thre_time；

则，丢弃该候选通勤轨迹；

不符合上述条件的候选通勤轨迹最终组合生成车辆的通勤路径集合，记为其中，startTime为出发时间，endTime为到达时间，path为路径。

2.根据权利要求1所述的一种基于车辆轨迹分析构建通勤路径的方法，其特征在于，在步骤S01中，所述轨迹数据包括车牌信息、时间信息以及空间信息。

3.根据权利要求1所述的一种基于车辆轨迹分析构建通勤路径的方法，其特征在于，在步骤S01中，预处理方法为：

S01a、将获得的轨迹数据经格式化后，获得初始轨迹集合，记为：

set_origin＝(trace₁,trace₂,...,trace_n)；

其中，trace_i表示集合set_origin中任意一个元素，记为：

trace_i＝(car_i,startTime_i,endTime_i,path_i)；

car_i表示车辆的车牌号，startTime_i表示车辆的出发时间，endTime_i表示车辆的到达时间，path_i表示车辆的行驶路径，记为path_i＝(s₁,s₂,...,s_n)，s_n表示交叉口编号；

S01b、将相同车牌号的轨迹元素提取出来，组合生成每辆车对应的轨迹集合。

4.根据权利要求3所述的一种基于车辆轨迹分析构建通勤路径的方法，其特征在于，在步骤S02中，空间聚类算法步骤为：

S02a、提取每辆车的轨迹集合中的行驶路径元素，组合构成路径集合，记为：

set_path＝(path₁,path₂,...,path_n)；

则，空间相似度sim_path的计算方法为：

其中，path_i和path_j为任意两条行驶路径，|path_i∩path_j|表示轨迹中相同不重复的交叉口数量，|path_i∪path_j|表示轨迹中所有不重复的交叉口数量；

S02b、将所有空间相似度大于空间相似度阈值thre_space的轨迹聚为一类，得到车辆轨迹空间聚类集合。

5.根据权利要求4所述的一种基于车辆轨迹分析构建通勤路径的方法，其特征在于，时间聚类算法步骤为：

S03a、在车辆轨迹空间聚类集合中，提取每辆车的轨迹集合中的出发时间元素，组合构成出发时间集合，记为：

set_startTime＝(startTime₁,startTime₂,startTime_n)；

计算时间差startTime_dis，startTime_dis＝|startTime_transi-startTime_transj|，其中startTime_transi为任意i时刻的出发时间，startTime_transj为任意j时刻的出发时间，时间范围为0-24小时；

S03b、将所有时间差小于时间相似度阈值thre_time的轨迹聚为一类，得到车辆轨迹时空聚类集合。