CN110738856B - 一种基于移动聚类的城市交通拥堵精细识别方法 - Google Patents

一种基于移动聚类的城市交通拥堵精细识别方法 Download PDF

Info

Publication number
CN110738856B
CN110738856B CN201911100627.3A CN201911100627A CN110738856B CN 110738856 B CN110738856 B CN 110738856B CN 201911100627 A CN201911100627 A CN 201911100627A CN 110738856 B CN110738856 B CN 110738856B
Authority
CN
China
Prior art keywords
time
space
cluster
track
clusters
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.)
Active
Application number
CN201911100627.3A
Other languages
English (en)
Other versions
CN110738856A (zh
Inventor
石岩
王达
邓敏
唐建波
陈袁芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201911100627.3A priority Critical patent/CN110738856B/zh
Publication of CN110738856A publication Critical patent/CN110738856A/zh
Application granted granted Critical
Publication of CN110738856B publication Critical patent/CN110738856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于移动聚类的城市交通拥堵精细识别方法，所述识别方法包括：步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；步骤3，计算所述时空簇的平均速度和成长时长，若计算得到的平均速度和成长时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域。本发明能够挖掘路网环境下交通拥堵的精细时空范围、拥堵规模和生存时间等特征，同时本发明基于低成本车辆轨迹大数据，能够有效识别交通拥堵从发生到结束的全生命周期过程。

Description

一种基于移动聚类的城市交通拥堵精细识别方法
技术领域
本发明涉及大数据挖掘及移动传感网络技术领域，尤其涉及一种基于移动聚类的城市交通拥堵精细识别方法。
背景技术
随着我国经济快速发展，城市车辆的保有量持续增长。城市道路无法在有限的城市土地空间中无限扩张，城市路网(尤其是交叉口路段)难以满足大量车辆在特殊时间段内的畅通行驶，使得城市交通拥堵问题愈加严重，进而阻碍了城市的可持续发展。因此，对城市交通拥堵进行全面和精准识别，对于实现交通高效疏导、行车路线动态规划以及路网结构优化等具有重要的指导意义。
传统方法通常借助安装在路网固定位置传感器(如感应线圈、监控摄像头)获取的交通流量信息检测交通拥堵，此类传感器大都安装位置首受限且安装成本高，难以实现城市路网全区域的交通状态信息获取。随着对地观测、传感器和移动互联网等技术的日渐成熟，大多数城市公共车辆(如公交车、出租车)已经可以通过安装的车载GPS定位设备实时获取车辆位置、速度等信息，随之记录的海量车辆轨迹大数据为挖掘人类出行模式和探索城市交通拥堵演化过程提供了一种新型数据源。
现有基于车辆轨迹数据的城市交通拥堵识别方法主要关注三种尺度，即区域尺度、道路尺度和转向尺度。其中，区域尺度驱动的方法首先进行空间区块(如规则格网、交通小区等)划分，通过估计区块内的交通流特征判断交通运行状态。道路尺度驱动的方法通过估算车辆通行时间判断道路交通拥堵状态，但在现实世界中，存在多种因素(如等待交通信号灯、路段限速或车辆靠边停车等)造成路段交通流速度缓慢，极易造成交通拥堵误判。转向尺度驱动的方法首先通过车辆运行的速度、曲率等特征筛选拥堵轨迹片段，进一步通过对拥堵轨迹片段进行空间聚类分析来识别转向级交通拥堵。然而，这类方法的识别精度严重依赖于拥堵轨迹片段的提取效果，并且无法揭示交通拥堵的动态演化过程。
综上所述，基于车辆轨迹大数据识别城市交通拥堵已经成为缓解和治理拥堵的重要技术手段之一，然而尚缺乏一种基于车辆移动轨迹大数据的动态交通拥堵精细识别方法。
发明内容
针对上述技术问题，具体到传统的道路数据监测技术，在基于车辆轨迹大数据识别城市交通拥堵的现有技术中存在如下技术问题有待解，一、区域尺度和道路尺度驱动的方法识别粒度粗糙，无法精确识别交通拥堵的时空范围。另外，道路尺度驱动的方法未顾及交通拥堵的时空特征，易与交通信号灯等待、路段限速或车辆靠边停车行为等虚假拥堵混淆；二、对于转向尺度，现有方法结果的拥堵识别精度严重依赖于拥堵轨迹片段的提取效果，同时未顾及车辆运行轨迹数据的时间属性，无法揭示交通拥堵的动态演化过程。
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种基于移动聚类的城市交通拥堵精细识别方法，该识别方法包括：
步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；
步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；
步骤3，计算所述时空簇的平均速度和成长时长，若计算得到的平均速度和成长时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域。
更进一步地，所述步骤1进一步包括：
步骤1.1，删除研究区域范围之外、时间异常和重复记录的轨迹数据综合考虑路网几何结构、拓扑信息和车辆速度约束，采用一种针对低采样率轨迹点的地图匹配算法ST-Matching将车辆轨迹与城市路网进行匹配，从而可将任一车辆M的轨迹表达为：M＝{(xM.1,yM.1,tM.1),(xM.2,yM.2,tM.2),...,(xM.k,yM.k,tM.k),…}，其中(xM.k,yM.k)表示车辆M第k个轨迹点在时间戳tM.k处的路网位置；对于任一车辆M，其第k个轨迹点的平均速度计算为：
Figure BDA0002269763110000021
其中，pM.k、pM.k+1分别为该车第k个和k+1个轨迹点的空间位置；tM.k、tM.k+1分别为车辆M第k个和k+1个轨迹点的时间戳；dist_net(*)表示最短路网距离函数；
步骤1.2，设置均匀固定的时间间隔△t将研究时间域划分为若干等距时间片；进而将路网匹配后的时空轨迹点投影到相应时间片中。
更进一步地，所述步骤2进一步包括：
步骤2.1，对行驶方向进行划分，给定任一时间片上所有轨迹点的行驶方向值，采用k-means聚类算法将行驶方向划分为N类，并轨迹点的原始行驶方向替换为簇索引值C_dir；
步骤2.2，对空间簇进行提取，其中，给定任一时间片上具有相同簇索引值C_dir的所有轨迹点集合P，若集合中轨迹点pi满足：
Figure BDA0002269763110000031
则记pi为核点，其中，|*|表示判别函数，若dist_net(pi,pj)≤e，函数值为1，否则为0；e为空间邻域半径；min_p表示P中与pi的空间距离不大于邻域半径的轨迹点数量阈值；以任一核点为种子点进行密度扩展聚类，提取各时间片上具有显著高密度的空间簇；
步骤2.3，对时空簇进行探测，具体为给定时间片i与i+1上任两个空间簇Ci.m和Ci+1.n，两者间的相似性计算为:
Figure BDA0002269763110000032
其中，|Ci.m∩Ci+1.n|和|Ci.m∪Ci+1.n|分别表示空间簇Ci.m和Ci+1.n的交集和并集轨迹点数量；若Sim(Ci.m,Ci+1.n)不小于相似性阈值s，则认为Ci+1.n是Ci.m在时间片i+1的演化状态，从而将Ci.m和Ci+1.n定义为生存时长为△t的时空簇STCk{Ci.m→Ci+1.n}；若时间片i+2上存在空间簇Ci+2.h满足Sim(Ci+1.n,Ci+2.h)≥s，则将时空簇STCk{Ci.m→Ci+1.n}更新为STCk{Ci.m→Ci+1.n→Ci+2.h}，迭代此过程直到无法继续扩展，将第i到i+T时间片上提取的时空簇表示为STCk{Ci.m→Ci+1.n…→Ci+T.h}，其生存时长为T*△t。
更进一步地，步骤2.2中所述以任一核点为种子点进行密度扩展聚类，提取各时间片上具有显著高密度的空间簇进一步包括：对于时间片i中任一核点pi，若空间邻域e内的任一其他点pj与pi的行驶方向隶属相同簇，则pj与pi密度可达，以pi为种子点，将所有密度可达点与pi聚合为簇Ci.k；针对Ci.k中其他核点，继续执行种子扩展操作并更新Ci.k，直到所有核点访问完毕，在时间片i上提取的空间簇集合可表示为C＝{Ci.1,Ci.2,Ci.3…}。
更进一步地，所述步骤3进一步包括：给定一个从时间片t开始、生存时长为T*△t的时空簇STCk，其平均速度可估计为:
Figure BDA0002269763110000041
其中，cen_STCi.k与cen_STCi+1.k分别表示时空簇STCk在时间片i与i+1的中心位置点。
更进一步地，所述若计算得到的平均速度和成长时长达到预设条件进一步包括：若所述平均速度不大于20km/h且所述生存时长不小于2分钟，则该时空簇STCk被识别为包含交通拥堵现象的时空区域。
本发明进一步提供了一种电子设备，包括：处理器；以及，存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行如上所述的基于移动聚类的城市交通拥堵精细识别方法。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于移动聚类的城市交通拥堵精细识别方法。
综上所述，本发明与现有技术相比取得的有益效果为：一、现有交通拥堵识别研究大都聚焦区域和道路尺度，难以同时探测交通拥堵的时空分布特征和精细时空范围，本发明能够挖掘路网环境下交通拥堵的精细时空范围、拥堵规模和生存时间等特征；二、现有转向尺度驱动的交通拥堵识别方法严重依赖于拥堵轨迹片段的提取效果，难以有效揭示拥堵的动态演化过程，本发明基于低成本车辆轨迹大数据，能够有效识别交通拥堵从发生到结束的全生命周期过程。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例所示基于移动聚类的城市交通拥堵精细识别方法的流程图；
图2是本发明一实施例中所示的部分出租车轨迹与研究区域示意图；
图3是本发明一实施例所示的时空簇平均速度频数直方图；
图4是本发明一实施例所示的交通拥堵日发生数量折线图。
具体实施方式
为了更详细地阐述本发明的目的、技术方案及优点，以下结合附图及实施方案对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权力要求所限定的范围。
实施例一
本实施例所提技术方法的流程如图1所示。为采用中国某市某区2014年5月1日出租车轨迹数据对本实施例的具体实施过程进行说明：
(1)实施例中选择某市某区作为研究区域，采用的数据为出租车轨迹数据。该数据时间为2014年5月1日，轨迹点平均时间分辨率为1分钟，部分轨迹数据与研究区域如图2所示。
(2)清洗轨迹数据中研究区域外、时间异常和重复记录的数据，采用ST-Matching算法将车辆轨迹匹配到城市路网；另外，时间间隔△t设置为1分钟，将一天划分为1440个时间片，并将已匹配至路网上的轨迹点投影至相应时间片中。进而，将任一车辆M第k个轨迹点的平均速度估算为：
Figure BDA0002269763110000051
式中，pM.k、pM.k+1分别为该车第k个和k+1个轨迹点的空间位置；tM.k、tM.k+1分别为车辆M第k个和k+1个轨迹点的时间戳；dist_net(*)是最短路网距离函数。
(3)提取每个时间片上所有轨迹点的行驶方向，使用k-means算法将其划分为8个簇。
(4)探测每个时间片上具有显著高密度的空间簇。针对每个时间片上任一轨迹点pi，提取簇索引值C_dir与轨迹点pi相同的所有轨迹点集合P，进一步判断pi是否为核点：
Figure BDA0002269763110000052
式中，|*|表示判别函数，若dist_net(pi,pj)≤e，函数值为1，否则为0；e为空间邻域半径；min_p是集合P中与pi距离不大于e的轨迹点数量阈值。其中，设置e＝100m，min_p＝3。
对于任一核点pi，若空间邻域e内的其他点pj与pi的行驶方向隶属同一簇，则定义pj与pi密度可达。选择pi作为种子点，将所有密度可达点与pi聚合为簇Ci.k。对Ci.k中其他核点继续执行此扩展操作并更新Ci.k，直到所有核点访问完毕。
(5)计算时间片i与i+1上任两个簇Ci.m和Ci+1.n之间的相似性：
Figure BDA0002269763110000061
式中，|Ci.m∩Ci+1.n|和|Ci.m∪Ci+1.n|分别表示空间簇Ci.m和Ci+1.n的交集和并集轨迹点数量。将满足Sim(Ci.m,Ci+1.n)≥s的Ci.m和Ci+1.n定义为生存时长为1分钟的时空簇STCk{Ci.m→Ci+1.n}。类似的，如果时间片i+2上存在空间簇Ci+2.h满足Sim(Ci+1.n,Ci+2.h)≥s，则时空簇STCk{Ci.m→Ci+1.n}更新为STCk{Ci.m→Ci+1.n→Ci+2.h}，生存时长为2分钟。迭代执行此过程，直到无法继续扩展。其中，相似性阈值s＝0.4。
(6)计算所有时空簇的平均速度，对于一个从时间片t开始、生存时长为T分钟的时空簇STCk平均速度计算为：
Figure BDA0002269763110000062
式中，cen_STCi.k与cen_STCi+1.k分别是时空簇STCk在时间片i与i+1的中心位置点。所有时空簇的平均速度频数直方图如图3所示。
(7)将平均速度不大于20km/h且生存时长不小于2分钟的候选拥堵时空簇识别为交通拥堵时空区域。研究时空域中交通拥堵日发生数量折线图如图4所示。
实施例二
为解决现有交通拥堵识别方法难以精确识别交通拥堵时空范围和动态演化过程的问题，本实施例提供一种基于移动聚类的城市交通拥堵精细识别方法，主要包括以下步骤：
步骤1：数据预处理
对轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中。具体包括：
1.1数据清洗与路网匹配。
首先，删除研究区域范围之外、时间异常和重复记录的轨迹数据。进一步，综合考虑路网几何结构、拓扑信息和车辆速度约束，采用一种针对低采样率轨迹点的地图匹配算法ST-Matching将车辆轨迹与城市路网进行匹配，从而可将任一车辆M的轨迹表达为：M＝{(xM.1,yM.1,tM.1),(xM.2,yM.2,tM.2),...,(xM.k,yM.k,tM.k),…}，其中(xM.k,yM.k)表示车辆M第k个轨迹点在时间戳tM.k处的路网位置。
另外，GPS设备记录的车辆瞬时速度难以真实体现道路交通状态，为此需要估计车辆各轨迹点的平均速度。对于任一车辆M，其第k个轨迹点的平均速度计算为：
Figure BDA0002269763110000071
式中，pM.k、pM.k+1分别为该车第k个和k+1个轨迹点的空间位置；tM.k、tM.k+1分别为车辆M第k个和k+1个轨迹点的时间戳；dist_net(*)表示最短路网距离函数。
1.2时间片划分
本发明设置均匀固定的时间间隔△t将研究时间域划分为若干等距时间片，例如若时间间隔△t为1分钟，则1小时共包含60个时间片；进而，将路网匹配后的时空轨迹点投影到相应时间片中。
步骤2：候选拥堵时空簇识别
本发明采用一种基于移动聚类的方法识别候选拥堵时空簇，首先提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇。具体包括：
2.1行驶方向划分
给定任一时间片上所有轨迹点的行驶方向值，采用k-means聚类算法将行驶方向划分为N类，并轨迹点的原始行驶方向替换为簇索引值C_dir。
2.2空间簇提取
给定任一时间片上具有相同簇索引值C_dir的所有轨迹点集合P，若集合中轨迹点pi满足：
Figure BDA0002269763110000072
则称pi为核点。式中，|*|表示判别函数，若dist_net(pi,pj)≤e，函数值为1，否则为0；e为空间邻域半径；min_p表示P中与pi的空间距离不大于邻域半径的轨迹点数量阈值。基于此，以任一核点为种子点进行密度扩展聚类，提取各时间片上具有显著高密度的空间簇。具体地，对于时间片i中任一核点pi，若空间邻域e内的任一其他点pj与pi的行驶方向隶属相同簇，则定义pj与pi密度可达。以pi为种子点，将所有密度可达点与pi聚合为簇Ci.k。针对Ci.k中其他核点，继续执行种子扩展操作并更新Ci.k，直到所有核点访问完毕，在时间片i上提取的空间簇集合可表示为C＝{Ci.1,Ci.2,Ci.3…}。
2.3时空簇探测
给定时间片i与i+1上任两个空间簇Ci.m和Ci+1.n，两者间的相似性计算为:
Figure BDA0002269763110000081
式中，|Ci.m∩Ci+1.n|和|Ci.m∪Ci+1.n|分别表示空间簇Ci.m和Ci+1.n的交集和并集轨迹点数量。若Sim(Ci.m,Ci+1.n)不小于相似性阈值s，则认为Ci+1.n是Ci.m在时间片i+1的演化状态，从而将Ci.m和Ci+1.n定义为生存时长为△t的时空簇STCk{Ci.m→Ci+1.n}。类似地，若时间片i+2上存在空间簇Ci+2.h满足Sim(Ci+1.n,Ci+2.h)≥s，则将时空簇STCk{Ci.m→Ci+1.n}更新为STCk{Ci.m→Ci+1.n→Ci+2.h}，迭代此过程直到无法继续扩展，将第i到i+T时间片上提取的时空簇表示为STCk{Ci.m→Ci+1.n…→Ci+T.h}，其生存时长为T*△t。
步骤3：基于速度和时间的交通拥堵识别
给定一个从时间片t开始、生存时长为T*△t的时空簇STCk，其平均速度可估计为:
Figure BDA0002269763110000082
式中，cen_STCi.k与cen_STCi+1.k分别表示时空簇STCk在时间片i与i+1的中心位置点。
由于步骤2.3中探测到的时空簇可能包含除交通拥堵之外的其他行为，本发明将平均速度不大于20km/h且生存时长不小于2分钟的时空簇STCk识别为包含交通拥堵现象的时空区域。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，所述识别方法包括：
步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；
步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；
步骤3，计算所述时空簇的平均速度和生存时长，若计算得到的平均速度和生存时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域，给定一个从时间片t开始、生存时长为T*△t的时空簇STCk，其平均速度可估计为:
Figure FDA0002591595110000011
其中，cen_STCi.k与cen_STCi+1.k分别表示时空簇STCk在时间片i与i+1的中心位置点。
2.如权利要求1所述的一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，所述步骤1进一步包括：
步骤1.1，删除研究区域范围之外、时间异常和重复记录的轨迹数据综合考虑路网几何结构、拓扑信息和车辆速度约束，采用一种针对低采样率轨迹点的地图匹配算法ST-Matching将车辆轨迹与城市路网进行匹配，从而可将任一车辆M的轨迹表达为：M＝{(xM.1,yM.1,tM.1),(xM.2,yM.2,tM.2),...,(xM.k,yM.k,tM.k),…}，其中(xM.k,yM.k)表示车辆M第k个轨迹点在时间戳tM.k处的路网位置；对于任一车辆M，其第k个轨迹点的平均速度计算为：
Figure FDA0002591595110000012
其中，pM.k、pM.k+1分别为该车第k个和k+1个轨迹点的空间位置；tM.k、tM.k+1分别为车辆M第k个和k+1个轨迹点的时间戳；dist_net(*)表示最短路网距离函数；
步骤1.2，设置均匀固定的时间间隔△t将研究时间域划分为若干等距时间片；进而将路网匹配后的时空轨迹点投影到相应时间片中。
3.如权利要求1所述的一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，所述步骤2进一步包括：
步骤2.1，对行驶方向进行划分，给定任一时间片上所有轨迹点的行驶方向值，采用k-means聚类算法将行驶方向划分为N类，并轨迹点的原始行驶方向替换为簇索引值C_dir；
步骤2.2，对空间簇进行提取，其中，给定任一时间片上具有相同簇索引值C_dir的所有轨迹点集合P，若集合中轨迹点pi满足：
Figure FDA0002591595110000021
则记pi为核点，其中，|*|表示判别函数，若dist_net(pi,pj)≤e，函数值为1，否则为0；e为空间邻域半径；min_p表示P中与pi的空间距离不大于邻域半径的轨迹点数量阈值；以任一核点为种子点进行密度扩展聚类，提取各时间片上具有显著高密度的空间簇；
步骤2.3，对时空簇进行探测，具体为给定时间片i与i+1上任两个空间簇Ci.m和Ci+1.n，两者间的相似性计算为:
Figure FDA0002591595110000022
其中，|Ci.m∩Ci+1.n|和|Ci.m∪Ci+1.n|分别表示空间簇Ci.m和Ci+1.n的交集和并集轨迹点数量；若Sim(Ci.m,Ci+1.n)不小于相似性阈值s，则认为Ci+1.n是Ci.m在时间片i+1的演化状态，从而将Ci.m和Ci+1.n定义为生存时长为△t的时空簇STCk{Ci.m→Ci+1.n}；若时间片i+2上存在空间簇Ci+2.h满足Sim(Ci+1.n,Ci+2.h)≥s，则将时空簇STCk{Ci.m→Ci+1.n}更新为STCk{Ci.m→Ci+1.n→Ci+2.h}，迭代此过程直到无法继续扩展，将第i到i+T时间片上提取的时空簇表示为STCk{Ci.m→Ci+1.n…→Ci+T.h}，其生存时长为T*△t。
4.如权利要求3所述的一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，步骤2.2中所述以任一核点为种子点进行密度扩展聚类，提取各时间片上具有显著高密度的空间簇进一步包括：对于时间片i中任一核点pi，若空间邻域e内的任一其他点pj与pi的行驶方向隶属相同簇，则pj与pi密度可达，以pi为种子点，将所有密度可达点与pi聚合为簇Ci.k；针对Ci.k中其他核点，继续执行种子扩展操作并更新Ci.k，直到所有核点访问完毕，在时间片i上提取的空间簇集合可表示为C＝{Ci.1,Ci.2,Ci.3…}。
5.如权利要求1所述的一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，所述若计算得到的平均速度和生存时长达到预设条件进一步包括：若所述平均速度不大于20km/h且所述生存时长不小于2分钟，则该时空簇STCk被识别为包含交通拥堵现象的时空区域。
6.一种电子设备，其特征在于，包括：
处理器；以及，
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的基于移动聚类的城市交通拥堵精细识别方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的基于移动聚类的城市交通拥堵精细识别方法。
CN201911100627.3A 2019-11-12 2019-11-12 一种基于移动聚类的城市交通拥堵精细识别方法 Active CN110738856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911100627.3A CN110738856B (zh) 2019-11-12 2019-11-12 一种基于移动聚类的城市交通拥堵精细识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911100627.3A CN110738856B (zh) 2019-11-12 2019-11-12 一种基于移动聚类的城市交通拥堵精细识别方法

Publications (2)

Publication Number Publication Date
CN110738856A CN110738856A (zh) 2020-01-31
CN110738856B true CN110738856B (zh) 2020-09-22

Family

ID=69272734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911100627.3A Active CN110738856B (zh) 2019-11-12 2019-11-12 一种基于移动聚类的城市交通拥堵精细识别方法

Country Status (1)

Country Link
CN (1) CN110738856B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593262B (zh) * 2019-11-14 2022-09-27 北京百度网讯科技有限公司 交通信号控制方法、装置、计算机设备和存储介质
CN111462492B (zh) * 2020-04-10 2021-03-30 中南大学 一种基于里奇流的关键路段检出方法
CN111462498B (zh) * 2020-05-29 2021-08-20 青岛大学 常发拥堵区域识别方法及设备
CN111652153B (zh) * 2020-06-04 2023-12-22 北京百度网讯科技有限公司 场景自动识别方法、装置、无人车及存储介质
CN111739291B (zh) * 2020-06-05 2023-01-13 腾讯科技（深圳）有限公司 道路路况计算中的干扰识别方法及装置
CN112380316B (zh) * 2020-12-09 2022-03-22 浙江浙蕨科技有限公司 一种出行情况数据处理方法及存储介质
CN112863176B (zh) * 2021-01-06 2022-05-24 北京掌行通信息技术有限公司 交通拥堵溯源方法、装置、电子设备及存储介质
CN113344239B (zh) * 2021-04-25 2022-11-29 山东师范大学 一种基于两级谱聚类的交通拥堵状况预测方法及系统
CN114937359B (zh) * 2022-05-20 2023-04-07 四川大学 交通基础设施级联故障定位分析方法、系统、终端及介质
CN117407477B (zh) * 2023-10-26 2024-05-14 航科院中宇（北京）新技术发展有限公司 地理信息数据演变识别处理方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593430A (zh) * 2013-11-11 2014-02-19 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法
CN105261217A (zh) * 2015-10-03 2016-01-20 上海大学 一种基于密度聚类算法的城市交通拥堵状态检测方法
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
CN110276955A (zh) * 2019-07-18 2019-09-24 中南大学 一种面向出行者个人感知的交通拥堵状态评价方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60116877T2 (de) * 2000-08-11 2006-09-14 British Telecommunications P.L.C. System und verfahren zum erfassen von ereignissen
JP4175312B2 (ja) * 2004-09-17 2008-11-05 株式会社日立製作所 交通情報予測装置
CN103150900B (zh) * 2013-02-04 2015-07-01 合肥革绿信息科技有限公司 一种基于视频的交通拥堵事件自动检测方法
CN106960571B (zh) * 2017-03-30 2020-10-16 百度在线网络技术（北京）有限公司 道路拥堵瓶颈点确定方法、装置、服务器及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593430A (zh) * 2013-11-11 2014-02-19 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法
CN105261217A (zh) * 2015-10-03 2016-01-20 上海大学 一种基于密度聚类算法的城市交通拥堵状态检测方法
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
CN110276955A (zh) * 2019-07-18 2019-09-24 中南大学 一种面向出行者个人感知的交通拥堵状态评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于改进模糊聚类算法的快速路交通状态分类评价;雷宁;《公路》;20171130;全文 *
基于轨迹聚类的热点路径分析方法;夏英;《重庆邮电大学学报( 自然科学版)》;20111031;全文 *
时空聚类分析的普适性方法;邓敏;《中国科学》;20121231;全文 *

Also Published As

Publication number Publication date
CN110738856A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110738856B (zh) 一种基于移动聚类的城市交通拥堵精细识别方法
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
Mao et al. Feature grouping-based outlier detection upon streaming trajectories
Fang et al. FTPG: A fine-grained traffic prediction method with graph attention network using big trace data
CN109684384B (zh) 一种轨迹数据时空密度分析系统及其分析方法
CN110909788B (zh) 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法
CN108961758B (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN110738855B (zh) 一种数据稀疏时间段的道路交通流状况预测方法
WO2016029348A1 (en) Measuring traffic speed in a road network
Soh et al. Spatial-Temporal pattern analysis and prediction of air quality in Taiwan
Tang et al. A novel method for road intersection construction from vehicle trajectory data
CN112559909B (zh) 一种基于gcn嵌入空间聚类模型的商业区发现方法
Choudhry et al. Inferring truck activities using privacy-preserving truck trajectories data
Pincay et al. Partitioning space to identify en-route movement patterns
Wu et al. Travel time estimation using spatio-temporal index based on Cassandra
Mandal et al. GPS crowdsensing for public stoppage planning of city buses: A perspective of developing economies
Liu et al. Agricultural machinery abnormal trajectory recognition
Hussain et al. Visualizing Impact of Weather on Traffic Congestion Prediction: A Quantitative Study
CN115238834B (zh) 一种基于轨迹数据的用户群体时空异常模式识别方法
Mandal et al. RoadSpeedSense: Context-aware speed profiling from smart-phone sensors
Li et al. A GPS Trajectory Segmentation Method for Transportation Mode Inference
Liu et al. Extracting campus’ road network from walking gps trajectories
Isufaj et al. GTI: A Scalable Graph-based Trajectory Imputation
Ning Prediction and detection of urban trajectory using data mining and deep neural network
Liu et al. Prediction method of geographical and spatial distribution of traffic accidents based on traffic flow big data.

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