CN112288029A - 一种城市路网中车辆轨迹分类方法 - Google Patents
一种城市路网中车辆轨迹分类方法 Download PDFInfo
- Publication number
- CN112288029A CN112288029A CN202011235599.9A CN202011235599A CN112288029A CN 112288029 A CN112288029 A CN 112288029A CN 202011235599 A CN202011235599 A CN 202011235599A CN 112288029 A CN112288029 A CN 112288029A
- Authority
- CN
- China
- Prior art keywords
- tracks
- track
- similarity
- clustering
- sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 10
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000000717 retained effect Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (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)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及信息技术领域,提供了一种城市路网中车辆轨迹分类方法。本发明的目的在于解决现有采用正方形网格的中心点导致的与其相邻正方形网格的中心点之间的距离并不相等,邻居之间的不平等影响了聚类的精确度和效率的问题。本发明的主要技术方案为将地图范围进划分为由六边形网格构成的空间,将一条轨迹上所有GPS点按时间先后投影至正六边形网格单元空间中,定义两轨迹分别为T1与T2,两轨迹相似度为两轨迹之间的交集除以轨迹间并集:采用经典的Kmeans聚类算法根据两轨迹相似度进行聚类,得到轨迹分类结果。
Description
技术领域
本发明涉及信息技术领域,提供了一种城市路网中车辆轨迹分类方法。
背景技术
现有的轨迹聚类分为轨迹点聚类、分段轨迹聚类与整体轨迹聚类三类,轨迹点聚类以轨迹GPS点为单位进行聚类,分段轨迹聚类首先通过特定的条件将轨迹划分为子轨迹,再对子轨迹进行划分。整体轨迹聚类相对于其他两种算法而言,保留的轨迹信息更加完整,然而由于整条轨迹之间的长度不同并且轨迹中包含的轨迹点过多,对整条轨迹进行相似度函数的定义使得聚类过程快速有效是较为困难的。目前,整条轨迹聚类算法存在着效率较低的问题。
发明内容
本发明的目的在于解决现有采用正方形网格的中心点导致的与其相邻正方形网格的中心点之间的距离并不相等,邻居之间的不平等影响了聚类的精确度和效率的问题。
本发明为解决上述技术问题,采用以下技术方案:
步骤1:定义网格空间,将地图范围进划分为由六边形网格构成的空间,对每个六边形网格定义标识符g={g1,g2,...,gm},网格单元的边长R;
步骤2:将一条轨迹上所有GPS点按时间先后投影至正六边形网格单元空间中,将轨迹由一系列网格单元构成,得到轨迹序列Ti={gi1,gi2,...,gin},将初始的较长的、由众多GPS点构成的整体轨迹序列压缩为较短的序列,并保存有重要的信息,其中i标识轨迹序号,n表示为个六边形网格的标识的序号;
步骤3:定义两轨迹分别为T1与T2,两轨迹相似度为两轨迹之间的交集除以轨迹间并集:
两条轨迹T1与T2之间的交集|T1∩T2|为既属于轨迹T1又属于轨迹T2的正六边形网格单元的数目,
两条轨迹T1与T2之间的并集|T1∪T2|为属于轨迹T1或者属于轨迹T2的正六边形网格单元的数目;
其中,|T1∪T2|=|T1|+|T2|-|T1∩T2|
步骤4:采用经典的Kmeans聚类算法进行聚类,首先随机选取k条轨迹作为轨迹聚类中心,通过两轨迹相似度判断其他轨迹与这k条轨迹的相似度,与这k条轨迹中的某一条相似度最高则划分至这条轨迹所在的簇群中,将所有轨迹划分完成后得到k个集群,在这k个集群中重新选取轨迹聚类中心,重复上述步骤直到轨迹聚类中心不再变化,则完成划分。
因为本发明采用上述技术方案,因此具备以下有益效果:
可以对城市路网中的移动轨迹进行聚类,这些轨迹被划分成几个簇群,每个簇群里面是相似的运动轨迹,也代表了一种移动模式,可以将该运动模式提取出来,找出市民每天的移动规律,这种移动规律有助于我们找到一周中的热点区域或热点路径,根据这些结果我们可以进行市区的交通规划,也可以预测一周中每天的道路拥堵状况。
附图说明
图1为正方形网格空间:正方形网格空间会造成相邻的网格空间距离不相等的情况,如图所示,图中心网格到左边的相邻网格与到左上方的相邻网格的距离不相等,造成邻居网格不平等的情况。
图2为正六边形网格空间:正六边形网格空间中相邻的网格的空间距离都是相等的如图所示,图中心网格到周围的相邻网格的距离完全相等,不会有邻居网格不平等的情况。
图3为轨迹到正六边形网格空间的投影:
在第三个图中,T1与T2为轨迹,g1等为网格标识符。T1轨迹经过了g1、g3、g4三个网格单元。
具体实施例
一个六边形网格单元g是由id与R组成的,其中id是网格g的标识符,R是网格单元的边长。
一个正方形网格的中心点与其相邻正方形网格的中心点之间的距离并不相等。这就导致了邻居之间的不平等。相反,一个正六边形网格的中心点与其相邻的正六边形网格的中心点之间的距离是相同的。这意味着每个相邻网格的地位是相等的,因此正六边形网格更接近实际的地图。
我们对轨迹数据集所包含的地图范围进行划分,将其划分为如下所示的由六边形网格构成的空间。
步骤1:定义网格空间,将地图范围进划分为由六边形网格构成的空间,对每个六边形网格定义标识符g={g1,g2,...,gm},网格单元的边长R,如图3六边形网格标识符集合{g1,g2,g3,g4,g5};
步骤2:将一条轨迹上所有GPS点按时间先后投影至正六边形网格单元空间中,将轨迹由一系列网格单元构成,得到轨迹序列Ti={gi1,gi2,...,gin},如图3中,轨迹T1={g11,g13,g14},为方便表示gin中的下标i后T1={g1,g3,g4},T2={g2,g3,g4},省略将初始的较长的、由众多GPS点构成的整体轨迹序列压缩为较短的序列,并保存有重要的信息,其中i标识轨迹序号,n表示为个六边形网格的标识的序号;
步骤3:定义两轨迹分别为T1与T2,两轨迹相似度为两轨迹之间的交集除以轨迹间并集:
两条轨迹T1与T2之间的交集|T1∩T2|为既属于轨迹T1又属于轨迹T2的正六边形网格单元的数目,如图3所示g3与g4,因此|T1∩T2|为2,
两条轨迹T1与T2之间的并集|T1∪T2|为属于轨迹T1或者属于轨迹T2的正六边形网格单元的数目,如图3所示g1、g2、g3、g4,因此|T1∪T2|为4;
其中,|T1∪T2|=|T1|+|T2|-|T1∩T2|
步骤4:采用经典的Kmeans聚类算法进行聚类,首先随机选取k条轨迹作为轨迹聚类中心,通过两轨迹相似度判断其他轨迹与这k条轨迹的相似度,与这k条轨迹中的某一条相似度最高则划分至这条轨迹所在的簇群中,将所有轨迹划分完成后得到k个集群,在这k个集群中重新选取轨迹聚类中心,重复上述步骤直到轨迹聚类中心不再变化,则完成划分。
Claims (1)
1.一种城市路网中车辆轨迹分类方法,其特征在于:
步骤1:定义网格空间,将地图范围进划分为由六边形网格构成的空间,对每个六边形网格定义标识符g={g1,g2,...,gm},网格单元的边长R;
步骤2:将一条轨迹上所有GPS点按时间先后投影至正六边形网格单元空间中,将轨迹由一系列网格单元构成,得到轨迹序列Ti={gi1,gi2,...,gin},将初始的较长的、由众多GPS点构成的整体轨迹序列压缩为较短的序列,并保存有重要的信息,其中i标识轨迹序号,n表示为个六边形网格的标识的序号;
步骤3:定义两轨迹分别为T1与T2,两轨迹相似度为两轨迹之间的交集除以轨迹间并集:
两条轨迹T1与T2之间的交集|T1∩T2|为既属于轨迹T1又属于轨迹T2的正六边形网格单元的数目,
两条轨迹T1与T2之间的并集|T1∪T2|为属于轨迹T1或者属于轨迹T2的正六边形网格单元的数目;
步骤4:采用经典的Kmeans聚类算法进行聚类,首先随机选取k条轨迹作为轨迹聚类中心,通过两轨迹相似度判断其他轨迹与这k条轨迹的相似度,与这k条轨迹中的某一条相似度最高则划分至这条轨迹所在的簇群中,将所有轨迹划分完成后得到k个集群,在这k个集群中重新选取轨迹聚类中心,重复上述步骤直到轨迹聚类中心不再变化,则完成划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011235599.9A CN112288029A (zh) | 2020-11-06 | 2020-11-06 | 一种城市路网中车辆轨迹分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011235599.9A CN112288029A (zh) | 2020-11-06 | 2020-11-06 | 一种城市路网中车辆轨迹分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288029A true CN112288029A (zh) | 2021-01-29 |
Family
ID=74351363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011235599.9A Pending CN112288029A (zh) | 2020-11-06 | 2020-11-06 | 一种城市路网中车辆轨迹分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288029A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688435A (zh) * | 2018-07-04 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 一种相似轨迹搜索方法和系统 |
CN116881750A (zh) * | 2023-07-05 | 2023-10-13 | 广东海洋大学 | 一种轨迹聚类方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7072398B2 (en) * | 2000-12-06 | 2006-07-04 | Kai-Kuang Ma | System and method for motion vector generation and analysis of digital video clips |
CN104850604A (zh) * | 2015-05-04 | 2015-08-19 | 华中科技大学 | 一种基于张量的用户轨迹挖掘方法 |
CN105825242A (zh) * | 2016-05-06 | 2016-08-03 | 南京大学 | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 |
CN108345666A (zh) * | 2018-02-06 | 2018-07-31 | 南京航空航天大学 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
CN109190650A (zh) * | 2018-07-02 | 2019-01-11 | 昆明理工大学 | 一种不规则形状的时空扫描聚类方法 |
CN109213941A (zh) * | 2018-07-24 | 2019-01-15 | 南京航空航天大学 | 一种基于模糊网格序列的室内轨迹频繁模式挖掘方法 |
CN109236292A (zh) * | 2018-07-06 | 2019-01-18 | 中国矿业大学 | 一种掘进机截割轨迹规划系统与方法 |
CN110095128A (zh) * | 2019-05-07 | 2019-08-06 | 北京三快在线科技有限公司 | 获取缺失道路情报的方法、装置、设备及存储介质 |
CN111831769A (zh) * | 2020-06-18 | 2020-10-27 | 汉海信息技术(上海)有限公司 | 轨迹处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-11-06 CN CN202011235599.9A patent/CN112288029A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7072398B2 (en) * | 2000-12-06 | 2006-07-04 | Kai-Kuang Ma | System and method for motion vector generation and analysis of digital video clips |
CN104850604A (zh) * | 2015-05-04 | 2015-08-19 | 华中科技大学 | 一种基于张量的用户轨迹挖掘方法 |
CN105825242A (zh) * | 2016-05-06 | 2016-08-03 | 南京大学 | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 |
CN108345666A (zh) * | 2018-02-06 | 2018-07-31 | 南京航空航天大学 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
CN109190650A (zh) * | 2018-07-02 | 2019-01-11 | 昆明理工大学 | 一种不规则形状的时空扫描聚类方法 |
CN109236292A (zh) * | 2018-07-06 | 2019-01-18 | 中国矿业大学 | 一种掘进机截割轨迹规划系统与方法 |
CN109213941A (zh) * | 2018-07-24 | 2019-01-15 | 南京航空航天大学 | 一种基于模糊网格序列的室内轨迹频繁模式挖掘方法 |
CN110095128A (zh) * | 2019-05-07 | 2019-08-06 | 北京三快在线科技有限公司 | 获取缺失道路情报的方法、装置、设备及存储介质 |
CN111831769A (zh) * | 2020-06-18 | 2020-10-27 | 汉海信息技术(上海)有限公司 | 轨迹处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
潘奇明 等: "真实场景运动目标轨迹有效性判断与自动聚类算法", 《计算机应用研究》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688435A (zh) * | 2018-07-04 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 一种相似轨迹搜索方法和系统 |
CN110688435B (zh) * | 2018-07-04 | 2022-04-05 | 北京嘀嘀无限科技发展有限公司 | 一种相似轨迹搜索方法和系统 |
CN116881750A (zh) * | 2023-07-05 | 2023-10-13 | 广东海洋大学 | 一种轨迹聚类方法 |
CN116881750B (zh) * | 2023-07-05 | 2024-03-29 | 广东海洋大学 | 一种轨迹聚类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | On discovery of gathering patterns from trajectories | |
CN106912015B (zh) | 一种基于移动网络数据的人员出行链识别方法 | |
CN109739585B (zh) | 基于spark集群并行化计算的交通拥堵点发现方法 | |
CN112288029A (zh) | 一种城市路网中车辆轨迹分类方法 | |
CN110929962A (zh) | 一种基于深度学习的交通流量预测方法及装置 | |
CN109272170B (zh) | 一种基于Louvain算法的交通小区划分系统 | |
CN107180541B (zh) | 一种交通控制小区的动态调整方法 | |
CN111536987B (zh) | 一种用于大面积垃圾清扫的车辆路径规划方法 | |
CN110084355B (zh) | 大量相互作用粒子运动仿真系统的网格尺度寻优方法 | |
CN109859480B (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
CN106845536B (zh) | 一种基于图像缩放的并行聚类方法 | |
CN107845261A (zh) | 一种基于张量融合交通信息的汽车全局工况动态重构方法 | |
CN112269844B (zh) | 基于大规模轨迹数据的通用伴随模式分布式挖掘方法 | |
Li et al. | Intersection multi-objective optimization on signal setting and lane assignment | |
CN106570104B (zh) | 一种流数据的多分区聚类预处理方法 | |
CN110580323A (zh) | 基于割点分割机制的城市交通网络最大车流量的加速算法 | |
CN110543976A (zh) | 一种基于遗传算法的充电站布局优化方法 | |
Grabusts et al. | Using grid-clustering methods in data classification | |
CN109101682B (zh) | 一种路网对偶拓扑结构的建立方法 | |
CN108897820B (zh) | 一种denclue算法的并行化方法 | |
CN113284030B (zh) | 一种城市交通网络社区划分方法 | |
CN111860699B (zh) | 一种基于波动率的通勤出行模式识别方法 | |
Mu et al. | Recommend taxi pick-up hotspots based on density-based clustering | |
Tung et al. | Novel traffic signal timing adjustment strategy based on genetic algorithm | |
Tsiligkaridis et al. | Anomaly detection in transportation networks using machine learning techniques |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |