CN110634299A - 基于多源轨迹数据的城市交通状态精细划分与识别方法 - Google Patents
基于多源轨迹数据的城市交通状态精细划分与识别方法 Download PDFInfo
- Publication number
- CN110634299A CN110634299A CN201911022404.XA CN201911022404A CN110634299A CN 110634299 A CN110634299 A CN 110634299A CN 201911022404 A CN201911022404 A CN 201911022404A CN 110634299 A CN110634299 A CN 110634299A
- Authority
- CN
- China
- Prior art keywords
- track
- speed
- clustering
- traffic state
- values
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000029305 taxis Effects 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000007667 floating Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000010750 BS 2869 Class C2 Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于多源轨迹数据的城市交通状态精细划分与识别方法，包括以下步骤：步骤S1:采集城市公交车和出租车轨迹点的速度值以及其空间位置值，并归一化处理；步骤S2:将归一化后的空间位置值和速度值作为属性对不同路段在不同时间段上的轨迹点进行时空聚类，并通过拆分和融合类簇对类簇进行二次处理，得到各路段交通状态精细划分的分割点；步骤S3:采用特征级融合的策略对同一路段上划分后的公交车和出租车轨迹点速度归一化值进行融合，得到各路段精细划分的交通状态的速度归一化均值；步骤S4:将归一化后的速度值通过模糊聚类将分成4类；步骤S5:将各路段精细划分的交通状态的速度归一化均值与4类交通状态的阈值作比较，得到城市交通精细状态。
Description
技术领域
本发明涉及一种基于多源轨迹数据的城市交通状态精细划分与识别方法。
背景技术
交通拥堵已经成为大中城市的一个亟待解决的问题。进行交通状态分析对规划部门进行城市建设和政府部门进行交通疏导具有重要意义。
目前针对城市交通状态分析已有很多研究。在数据基础上，通过数据融合技术将多种浮动车GPS轨迹数据进行融合，有效地扩充了数据量，增加了结果的可信度。在研究方法上，主要通过采用K-means、DBSCAN、模糊综合评价等方法计算路段速度、流量、密度等指标，进而分析城市路段的交通状态。这些研究主要是基于整条路段或者基于定长划分路段作为研究单元对交通状态进行判别，识别结果取决于路段或者子路段的划分方式，难以灵活地反映道路交通状况的实际区别。
发明内容
有鉴于此，本发明的目的在于提供一种基于多源轨迹数据的城市交通状态精细划分与识别方法，通过相似轨迹点时空聚类和相邻类簇二次处理方法将城市路段上的交通状态进行精细划分，进而有效地识别出路段局部位置的交通状态，实现交通状态精细分析。
为实现上述目的，本发明采用如下技术方案：
一种基于多源轨迹数据的城市交通状态精细划分与识别方法，包括以下步骤：
步骤S1:采集城市公交车和出租车轨迹点的速度值以及其空间位置值，并归一化处理；
步骤S2:将归一化后的空间位置值和速度值作为属性对不同路段在不同时间段上的轨迹点进行时空聚类，并通过拆分和融合类簇对类簇进行二次处理，得到各路段交通状态精细划分的分割点；
步骤S3:采用特征级融合的策略对同一路段上划分后的公交车和出租车轨迹点速度归一化值进行融合，进一步计算得到各路段精细划分的交通状态的速度归一化均值；
步骤S4:将归一化后的速度值通过模糊聚类将分成4类，得到四类交通状态的阈值；
步骤S5:将计算得到的各路段精细划分的交通状态的速度归一化均值与4类交通状态的阈值作比较，得到城市交通精细状态。
进一步的，所述步骤S1具体为：
步骤S11:采集城市公交车和出租车轨迹点的速度值以及其空间位置值；
步骤S12:分别对公交车、出租车轨迹点速度、速度和轨迹点的空间位置进行归一化处理，分别得到公交车和出租车轨迹点i的速度归一化值gbi和gti，以及轨迹点空间位置归一化值xi
式中，vbi、vti分别表示公交车和出租车轨迹点i的实际速度值，vbmax、vbmin分别表示在一个时间段Δt内的所有公交轨迹点中的最大和最小车速值，vtmax、vtmin分别表示在一个时间段Δt内的所有出租轨迹点中的最大和最小车速值，xi表示轨迹点i在路段上ri的位置，lri表示路段ri的长度，lmax、lmin分别表示路网中各路段的最大和最小长度。
进一步的，所述时空聚类具体为：
①输入数据，以一条路段上所有轨迹点的作为输入，每个轨迹点包含两个属性：速度归一化值和空间位置归一化值。
②从数据集中随机选取一个轨迹点作为初始聚类中心c1；
③计算每个轨迹点与当前聚类中心的最短距离dij,计算每个轨迹点被选为下一个聚类中心的概率
依据概率选择新的聚类中心；最短距离采用欧式距离，其计算公式为：
式中，dij表示轨迹点i和聚类中心j之间的距离，gi和gj分别表示表示轨迹点i和聚类中心j的速度归一化值，xi和xj分别表示轨迹点i和聚类中心j的空间位置归一化值；
④重复步骤③直到选出k个聚类中心；
⑤计算所有轨迹点到各聚类中心的距离，将轨迹点与距离最小的聚类中心归属一类，由此实现路段上所有轨迹点的分类，并计算其聚类结果的轮廓系数；
⑥设置不同的k值，重复前面①-⑤步，得到不同聚类结果的轮廓系数，选取轮廓系数最大时的k值作为最终的聚类中心数；
⑦遍历所有路段上的轨迹点，重复前面①-⑥步，完成城市中所有路段上的轨迹点的交通状态聚类并输出。
进一步的，所述通过拆分和融合类簇对类簇进行二次处理具体为：
①从一条路段交通状态划分开始处理，以该路段上任意相邻类簇的临界轨迹点为初始分割点将相邻类簇拆分为若干个类簇，统计拆分后各类包含的轨迹点数；
②从最靠近该路段起点的类开始处理，判断该类包含的轨迹点数是否大于5个，若是则将该类移至结果集，否则将该类与相邻的下一个类融合作为一个类来处理；
③依次遍历相邻类簇集直至最后一个类，结束该路段相邻类簇的二次处理；
④以结果集中任意两相邻类中前一个类的右边界与后一个类的左边界的中间点作为交通状态分割点对交通状态进行精细分割；
⑤重复前面①-④步，完成对所有路段上的相邻类簇的交通状态的二次处理。
进一步的，所述步骤S3具体为：
对路段上精细划分的各交通状态包含的公交车和出租车轨迹点速度归一化值进行融合，利用两者的均值
代表路段上各交通状态ri的速度归一化值均值，其公式如下：
式中，
为交通状态ri上公交车和出租车轨迹点速度归一化值，
和
分别为交通状态ri上公交车轨迹点i和出租车轨迹点i的速度归一化值，nb、nt分别为交通状态ri上公交车和出租车轨迹点数目。
进一步的，所述步骤S4具体为：
步骤S41:利用模糊聚类对样本进行聚类，进而将交通状态分为畅通、一般、拥堵、严重拥堵四类，依次对应自由流、稳定流、拥挤流以及堵塞流；
步骤S42:假设样本空间A共存在n个轨迹点A＝{A1,A2,A3,...,An}，任意轨迹点Ai以速度归一化值作为属性数据；
步骤S44:通过模糊聚类对聚类中心ci和隶属度矩阵U进行迭代，直至目标函数式(3)最小，并以此将样本分成4类，分别对应4种城市交通状态
本发明与现有技术相比具有以下有益效果：
1、本发明综合考虑了公交和出租这两种交通浮动车的特点，采用这两种GPS轨迹数据进行城市交通动态精细划分，有效地扩充了数据量，提高了分析结果的可信度。
2、本发明建了相似轨迹点时空聚类算法，采用类簇二次处理方法，实现了对不同时间段的各条路段的交通动态的精细划分，精确地识别出路段局部位置的交通状态，能够有效揭示路段上交通状态的变化情况。
附图说明
图1为本发明实施例的方法流程示意图；
图2为本发明实例的相邻类簇位置关系示意图；
图3为本发明实例的相邻类簇处理示意图；
图4为本发明实例的相似轨迹点聚类及相邻类簇二次处理结果示意图；
图5为本发明实例的镇海路和同安路路口各路段早高峰交通状态图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于多源轨迹数据的城市交通状态精细划分与识别方法。具体实施方式如下：
步骤S1：收集数据；
本实施例，以厦门岛为研究区域，使用的实验数据包括两类：浮动车轨迹数据以及路网数据。
浮动车轨迹数据，包括厦门市出租车轨迹数据和厦门市公交车轨迹数据，来自于车载GPS定位装置定期记录。轨迹数据主要包括车辆编号、时间、位置、速度、出租车载客状态、公交车所属线路等基本信息，本实施例选取了2015年6月15日(星期一)早高峰(7:00-9:00)的公交车和出租车轨迹数据经过预处理后轨迹数据集达到511401条，其中公交轨迹数据147331条，出租轨迹数据364070条。以5min为统计间隔划分为24个时间段。
路网数据来自OpenStreetMap，为双向路网，包括路段编号、路段长度等基本信息。
步骤S2：数据预处理。
在本实施例中，数据预处理主要包括轨迹数据预处理、路网数据预处理以及轨迹匹配。
(1)针对轨迹数据的预处理主要包括原始数据去重、出租车空载数据剔除以及数据修正。数据修正主要采用公交车进站前一刻与出站后一刻的速度来插补进出站时的公交车速度，采用出租车载客或卸客前后一刻的速度来插补上下客时的出租车速度。
(2)路网数据的处理主要包括计算路段方向和对路网中细碎路段进行修整。此外，实例在轨迹匹配后将路网在交叉口进行分割。
(3)轨迹匹配。通过轨迹点与路段的距离、轨迹点方向以及路段方向将偏移的轨迹点匹配到相应的未经交叉口重新划分的路段上。路网经过在交叉口重新划分路段后，对已经匹配的轨迹数据进行路段编号更新。据此，轨迹数据匹配到以交叉路口划分的各个路段上。
步骤S3：归一化处理。
本实施例中，分别计算公交车和出租车轨迹点i的速度归一化值gbi和gti，以及轨迹点空间位置归一化值xi。
式中，vbi、vti分别表示公交车和出租车轨迹点i的实际速度值，vbmax、vbmin分别表示在一个时间段Δt内的所有公交轨迹点中的最大和最小车速值，vtmax、vtmin分别表示在一个时间段Δt内的所有出租轨迹点中的最大和最小车速值，xi表示轨迹点i在路段上ri的位置，lri表示路段ri的长度，lmax、lmin分别表示路网中各路段的最大和最小长度。
步骤S4：相似轨迹点时空聚类。
本实施例中以5min为时间间隔，在每条路段上进行轨迹点聚类。构建交通状态集{r1,r2,r3,L,rn}和任一路段上存在的轨迹点集{p1,p2,p3,L,pm}，每个轨迹点的聚类特征参数为速度归一化值和空间位置归一化值，以各路段上的轨迹点为矩阵的行，构成样本矩阵P：
将样本矩阵P带入聚类过程中，具体步骤如下：
(1)输入数据，选取样本矩阵p中的一行作为数据集，每行代表一条路段上的所有轨迹点。
(2)从数据集中随机选取一个轨迹数据作为初始聚类中心c1；
(3)计算每个轨迹点与当前聚类中心的最短距离dij,计算每个轨迹点被选为下一个聚类中心的概率
依据概率选择新的聚类中心；最短距离采用欧式距离，其计算公式为：
式中，dij表示轨迹点i和聚类中心j之间的距离，gi和gj分别表示表示轨迹点i和聚类中心j的速度归一化值，xi和xj分别表示轨迹点i和聚类中心j的空间位置归一化值。
(4)重复步骤(3)直到选出k个聚类中心；
(5)计算所有轨迹点到各聚类中心的距离，将轨迹点与距离最小的聚类中心归属一类，由此实现路段上所有轨迹点的分类，并计算其聚类结果的轮廓系数；
(6)设置不同的k值，重复前面5步，得到不同聚类结果的轮廓系数，选取轮廓系数最大时的k值作为最终的聚类中心数；
(7)遍历矩阵P中所有行，重复前面6步，完成城市中所有路段上的轨迹点的交通状态聚类并输出。
步骤S5：相邻类簇二次处理。
在本实施例中，经过相似轨迹点聚类，一条路段上的轨迹点聚成n个类簇{Cy1,Cy2,Cy3,L,Cyn}，每相邻两个类簇构成相邻类簇集Cx＝{(Cy1,Cy2),(Cy2,Cy3),L,(Cy(n-1),Cyn)}，任意相邻类簇(Cy(n-1),Cyn)之间可能存在如图2所示的三种分布情况。其中部分重叠和完全覆盖情形中的相邻类簇存在交叉使得类簇分割点无法提取，进而无法以类簇分割点划分路段。本实施例中通过对类簇进行拆分和融合，得到各个分离的类簇，进而提取出类簇的分割点作为路段交通状态分割点用于路段交通状态划分。
以任意相邻类簇(Cy(n-1),Cyn)的临界点为初始分割点将(Cy(n-1),Cyn)拆分为i个类簇，其中2#i 3，则有拆分后的类簇集C＝{C1,C2}或C＝{C1,C2,C3}，如图3所示，构造最终的结果集Cf：
(1)统计各类Ci包含的轨迹点数Ni；
(2)从C1开始处理，判断N1>5？，若是则将C1从结果集C移至结果集Cf，否则将C1与相邻的下一个类C2融合，即C1＝C1+C2，N1＝N1+N2，更新类簇集C，令C中各元素Ci编号始终从1开始。
(3)依次遍历类簇集C直至C中最后一个类C1，更新Cyn＝C1，结束(Cy(n-1),Cyn)的二次处理。
(4)遍历相邻类簇集Cx＝{(Cy1,Cy2),(Cy2,Cy3),L,(Cy(n-1),Cyn)}，完成所有类簇的二次处理，得到最终结果集Cf＝{Cf1,Cf2,L,Cfk}，
(5)以Cf＝{Cf1,Cf2,L,Cfk}中任意两相邻类中前一个类的右边界与后一个类的左边界的中间点作为路段交通状态分割点对路段交通状态进行分割。
本实施例中以一条路段为例展示了相似轨迹点经过聚类和相邻类簇二次处理前后轨迹点归类情况，如图4所示。
步骤S6：计算路段各交通状态分割后的速度归一化值均值。
本实施例通过相似轨迹点聚类和类簇二次处理，原始路段交通状态被动态划分成为更加细微的路段交通状态，由于已经经过归一化处理，实例在此直接以划分后路段交通状态上的所有轨迹点的速度归一化值的均值作为该路段交通状态速度值。路段交通速度值计算公式如下：
式中，
为路段上各交通状态ri上公交车和出租车轨迹点速度归一化值的均值，
和分别为交通状态ri上公交车轨迹点i和出租车轨迹点i的速度归一化值，nb、nt分别为交通状态ri上公交车和出租车轨迹点数目。
步骤S7：交通流状态划分。
本实施例中，构建样本空间A，A中共存在n个早高峰轨迹点A＝{A1,A2,A3,...,An}，任意轨迹点Ai以速度归一化值作为属性数据。实例通过模糊聚类对聚类中心ci和隶属度矩阵U进行迭代，直至如下目标函数式最小，以此将样本分成4类，分别对应4种城市交通状态。
步骤S8：确定各路段交通状态。
本实施例中，经过交通流状态划分，已经得到各个交通状态的划分阈值，最后将计算得到的各路段交通状态速度归一化值与四种交通状态的阈值作比较，得到各路段交通状态的交通状态分类情况。
遵循以上具体实施步骤，得到交通状态精细分析结果，展示了在早高峰(7：00-9：00)厦门岛镇海路和同安路路口处的6条路段交通状态演化图，如图5所示。
综合该具体实施方式和案例，可以得出本方法可以对城市路段交通状态进行精细划分，进而识别出路网各个路段的局部交通状况，反映各个路段上拥堵的变化情况，为城市道路交通管理提供决策支持。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (6)
1.一种基于多源轨迹数据的城市交通状态精细划分与识别方法，其特征在于，包括以下步骤：
步骤S1:采集城市公交车和出租车轨迹点的速度值以及其空间位置值，并归一化处理；
步骤S2:将归一化后的空间位置值和速度值作为属性对不同路段在不同时间段上的轨迹点进行时空聚类，并通过拆分和融合类簇对类簇进行二次处理，得到各路段交通状态精细划分的分割点；
步骤S3:采用特征级融合的策略对同一路段上划分后的公交车和出租车轨迹点速度归一化值进行融合，进一步计算得到各路段精细划分的交通状态的速度归一化均值；
步骤S4:将归一化后的速度值通过模糊聚类将分成4类，得到四类交通状态的阈值；
步骤S5:将计算得到的各路段精细划分的交通状态的速度归一化均值与4类交通状态的阈值作比较，得到城市交通精细状态。
2.根据权利要求1所述的基于多源轨迹数据的城市交通状态精细划分与识别方法，其特征在于，所述步骤S1具体为：
步骤S11:采集城市公交车和出租车轨迹点的速度值以及其空间位置值；
步骤S12:分别对公交车、出租车轨迹点速度、速度和轨迹点的空间位置进行归一化处理，分别得到公交车和出租车轨迹点i的速度归一化值gbi和gti，以及轨迹点空间位置归一化值xi
式中，vbi、vti分别表示公交车和出租车轨迹点i的实际速度值，vbmax、vbmin分别表示在一个时间段Δt内的所有公交轨迹点中的最大和最小车速值，vtmax、vtmin分别表示在一个时间段Δt内的所有出租轨迹点中的最大和最小车速值，xi表示轨迹点i在路段上ri的位置，
表示路段ri的长度，lmax、lmin分别表示路网中各路段的最大和最小长度。
3.根据权利要求1所述的基于多源轨迹数据的城市交通状态精细划分与识别方法，其特征在于，所述时空聚类具体为：
①输入数据，以一条路段上所有轨迹点的作为输入，每个轨迹点包含两个属性：速度归一化值和空间位置归一化值。
②从数据集中随机选取一个轨迹点作为初始聚类中心c1；
③计算每个轨迹点与当前聚类中心的最短距离dij,计算每个轨迹点被选为下一个聚类中心的概率
依据概率选择新的聚类中心；最短距离采用欧式距离，其计算公式为：
式中，dij表示轨迹点i和聚类中心j之间的距离，gi和gj分别表示表示轨迹点i和聚类中心j的速度归一化值，xi和xj分别表示轨迹点i和聚类中心j的空间位置归一化值；
④重复步骤③直到选出k个聚类中心；
⑤计算所有轨迹点到各聚类中心的距离，将轨迹点与距离最小的聚类中心归属一类，由此实现路段上所有轨迹点的分类，并计算其聚类结果的轮廓系数；
⑥设置不同的k值，重复前面①-⑤步，得到不同聚类结果的轮廓系数，选取轮廓系数最大时的k值作为最终的聚类中心数；
⑦遍历所有路段上的轨迹点，重复前面①-⑥步，完成城市中所有路段上的轨迹点的交通状态聚类并输出。
4.根据权利要求1所述的基于多源轨迹数据的城市交通状态精细划分与识别方法，其特征在于，所述通过拆分和融合类簇对类簇进行二次处理具体为：
①从一条路段交通状态划分开始处理，以该路段上任意相邻类簇的临界轨迹点为初始分割点将相邻类簇拆分为若干个类簇，统计拆分后各类包含的轨迹点数；
②从最靠近该路段起点的类开始处理，判断该类包含的轨迹点数是否大于5个，若是则将该类移至结果集，否则将该类与相邻的下一个类融合作为一个类来处理；
③依次遍历相邻类簇集直至最后一个类，结束该路段相邻类簇的二次处理；
④以结果集中任意两相邻类中前一个类的右边界与后一个类的左边界的中间点作为交通状态分割点对交通状态进行精细分割；
⑤重复前面①-④步，完成对所有路段上的相邻类簇的交通状态的二次处理。
5.根据权利要求1所述的基于多源轨迹数据的城市交通状态精细划分与识别方法，其特征在于，所述步骤S3具体为：
对路段上精细划分的各交通状态包含的公交车和出租车轨迹点速度归一化值进行融合，利用两者的均值
代表路段上各交通状态ri的速度归一化值均值，其公式如下：
式中，
为交通状态ri上公交车和出租车轨迹点速度归一化值，
和
分别为交通状态ri上公交车轨迹点i和出租车轨迹点i的速度归一化值，nb、nt分别为交通状态ri上公交车和出租车轨迹点数目。
6.根据权利要求1所述的基于多源轨迹数据的城市交通状态精细划分与识别方法，其特征在于，所述步骤S4具体为：
步骤S41:利用模糊聚类对样本进行聚类，进而将交通状态分为畅通、一般、拥堵、严重拥堵四类，依次对应自由流、稳定流、拥挤流以及堵塞流；
步骤S42:假设样本空间A共存在n个轨迹点A＝{A1,A2,A3,...,An}，任意轨迹点Ai以速度归一化值作为属性数据；
步骤S44:通过模糊聚类对聚类中心ci和隶属度矩阵U进行迭代，直至目标函数式(3)最小，并以此将样本分成4类，分别对应4种城市交通状态
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911022404.XA CN110634299B (zh) | 2019-10-25 | 2019-10-25 | 基于多源轨迹数据的城市交通状态精细划分与识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911022404.XA CN110634299B (zh) | 2019-10-25 | 2019-10-25 | 基于多源轨迹数据的城市交通状态精细划分与识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110634299A true CN110634299A (zh) | 2019-12-31 |
| CN110634299B CN110634299B (zh) | 2022-03-25 |
Family
ID=68977639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911022404.XA Expired - Fee Related CN110634299B (zh) | 2019-10-25 | 2019-10-25 | 基于多源轨迹数据的城市交通状态精细划分与识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110634299B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651545A (zh) * | 2020-06-03 | 2020-09-11 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
| CN111950407A (zh) * | 2020-07-30 | 2020-11-17 | 浙江大学 | 基于沉浸式的羽毛球轨迹分析方法和系统 |
| CN112885085A (zh) * | 2021-01-15 | 2021-06-01 | 北京航空航天大学 | 一种应用于改扩建高速公路施工区的合流控制策略 |
| CN113470347A (zh) * | 2021-05-20 | 2021-10-01 | 上海天壤智能科技有限公司 | 结合卡口过车记录和浮动车gps数据的拥堵识别方法及系统 |
| WO2021218347A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 一种聚类的方法和装置 |
| WO2021218346A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 一种聚类的方法和装置 |
| CN115086910A (zh) * | 2022-04-27 | 2022-09-20 | 同济大学 | 一种v2x环境下基于动静态特征的实时路段划分方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901546A (zh) * | 2010-04-29 | 2010-12-01 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
| CN104809878A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
| CN106127662A (zh) * | 2016-06-23 | 2016-11-16 | 福州大学 | 一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法 |
| CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
-
2019
- 2019-10-25 CN CN201911022404.XA patent/CN110634299B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901546A (zh) * | 2010-04-29 | 2010-12-01 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
| CN104809878A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
| CN106127662A (zh) * | 2016-06-23 | 2016-11-16 | 福州大学 | 一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法 |
| CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 付子圣 等: "利用GPS轨迹二次聚类方法进行道路拥堵精细化识别", 《武汉大学学报·信息科学版》 * |
| 魏敏燕: "异种浮动车数据融合的城市道路交通状态判别及时空分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021218347A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 一种聚类的方法和装置 |
| WO2021218346A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 一种聚类的方法和装置 |
| CN111651545A (zh) * | 2020-06-03 | 2020-09-11 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
| CN111651545B (zh) * | 2020-06-03 | 2024-02-13 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
| CN111950407A (zh) * | 2020-07-30 | 2020-11-17 | 浙江大学 | 基于沉浸式的羽毛球轨迹分析方法和系统 |
| CN111950407B (zh) * | 2020-07-30 | 2023-12-05 | 浙江大学 | 基于沉浸式的羽毛球轨迹分析方法和系统 |
| CN112885085A (zh) * | 2021-01-15 | 2021-06-01 | 北京航空航天大学 | 一种应用于改扩建高速公路施工区的合流控制策略 |
| CN113470347A (zh) * | 2021-05-20 | 2021-10-01 | 上海天壤智能科技有限公司 | 结合卡口过车记录和浮动车gps数据的拥堵识别方法及系统 |
| CN115086910A (zh) * | 2022-04-27 | 2022-09-20 | 同济大学 | 一种v2x环境下基于动静态特征的实时路段划分方法 |
| CN115086910B (zh) * | 2022-04-27 | 2024-05-31 | 同济大学 | 一种v2x环境下基于动静态特征的实时路段划分方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110634299B (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110634299B (zh) | 基于多源轨迹数据的城市交通状态精细划分与识别方法 | |
| CN109544921B (zh) | 一种基于交通特性的城市路段分类方法 | |
| CN112365711B (zh) | 一种基于车牌识别数据的车辆轨迹重构方法 | |
| CN113327418B (zh) | 一种快速路拥堵风险分级实时预测方法 | |
| CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
| CN110084308B (zh) | 一种基于车辆轨迹分析构建通勤路径的方法 | |
| CN111581538B (zh) | 一种基于高速公路收费数据的高速交通流状态推断方法 | |
| CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
| CN113011815A (zh) | 一种货车停靠点提取方法和出行特征确定方法、装置 | |
| CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
| CN112991755A (zh) | 一种基于识别通勤车并构建出行路径选择的方法及系统 | |
| CN111145544A (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
| CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
| CN111127887B (zh) | 一种基于实时交通状态驱动的信号控制优化系统及方法 | |
| CN112507624A (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
| CN113570860B (zh) | 针对轨迹数据的城市道路交通状态精细划分与识别的方法 | |
| CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
| CN112748452B (zh) | 一种基于路网数据的gps轨迹清洗方法 | |
| CN111860383B (zh) | 一种群体异常行为识别方法、装置、设备及存储介质 | |
| Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
| CN110211380B (zh) | 一种多源交通数据融合的高速公路拥堵区间探测方法 | |
| CN112665604A (zh) | 交通工具智能引导平台 | |
| CN112866934B (zh) | 地铁用户识别方法与系统 | |
| CN111860699B (zh) | 一种基于波动率的通勤出行模式识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220325 |