CN113379334B - 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 - Google Patents

基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 Download PDF

Info

Publication number
CN113379334B
CN113379334B CN202110922120.7A CN202110922120A CN113379334B CN 113379334 B CN113379334 B CN 113379334B CN 202110922120 A CN202110922120 A CN 202110922120A CN 113379334 B CN113379334 B CN 113379334B
Authority
CN
China
Prior art keywords
road section
riding quality
factor
road
track
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
CN202110922120.7A
Other languages
English (en)
Other versions
CN113379334A (zh
Inventor
王书灵
胡莹
初众甫
蒋熙
苗建瑞
肖元轶
马洁
孙鹏飞
刘缵杰
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.)
Beijing Transport Institute
Original Assignee
Beijing Transport Institute
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 Beijing Transport Institute filed Critical Beijing Transport Institute
Priority to CN202110922120.7A priority Critical patent/CN113379334B/zh
Publication of CN113379334A publication Critical patent/CN113379334A/zh
Application granted granted Critical
Publication of CN113379334B publication Critical patent/CN113379334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法、系统、电子设备及计算机可读存储介质，其中方法包括步骤：利用骑行轨迹微观数据，构建骑行质量因子，提取各路段骑行质量因子数据；运用多因素相对差异性综合排序方法，利用骑行质量因子数据对路网内骑行质量进行筛选；对筛选形成的后排序路段集合，运用基于多维度特征距离的近邻检索方法，计算各个路段骑行质量与其它路段间的近邻特征距离；对各路段骑行质量近邻特征距离进行异常值检验，从群体中鉴别出骑行质量存在显著问题的路段作为整改对象。本发明的方案便于交通管理部门针对骑行质量明显较差的问题路段进行分析和整改，实现路网骑行服务质量的整体提升。

Description

基于有噪声轨迹数据的路段自行车骑行质量鉴别方法
技术领域
本发明涉及一种路段自行车骑行质量鉴别技术，尤其是一种利用带有较大噪声的共享单车微观骑行轨迹数据实现路段骑行质量分析与问题路段识别方法。
背景技术
为发展绿色交通，各级政府与交通部门将改善道路骑行设施与条件作为重要举措，这必然要求准确地对路网中各条路段骑行质量进行分析，筛选出最需要改善的道路并进行有针对性的整改，提高路网整体的骑行质量具有重要意义。目前既有的骑行质量分析评价主要采用体验式调查分析或者骑行质量影响因素模型构建的方法，存在调研费用高、数据不全面、主观性大问题。而共享单车迅速发展与运营产生了大量骑行轨迹数据，为骑行质量分析评价提供了新的研究方法和手段，有必要探索基于微观骑行轨迹数据的骑行质量分析与评价方法。
我国基于共享单车骑行轨迹数据的应用研究开始较晚，有限的少数研究还主要用于骑行运动指导、骑行路径规划、骑行资源布局等较宏观层面，还未形成基于微观骑行数据的成熟应用与方法体系。其它等交通主体，如汽车车辆等利用微观运行轨迹数据的研究一般需要以明确的车辆动力学模型与噪声参数为基础。但自行车骑行运动具有更大的随机性，轨迹数据则受到骑行行为、用户手机的非专业型GPS定位偏差及外界多种干扰因素的叠加影响，具有更复杂、更大的数据噪声且噪声特性往往不明确，这种情况下，用于汽车车辆的轨迹数据分析评价不适用，需要根据骑行特性及轨迹数据的特点研究适宜的骑行质量分析方法。另外，一般的交通出行质量分析建立在固有的评价标准基础上，但对于自行车微观骑行质量尚未形成评价标准。
发明内容
本发明的目的在于利用实际的共享单车骑行轨迹微观数据，分析路段骑行质量并快速识别路网中骑行质量显著低劣的路段，以便交通管理部门进行有针对性的整改，提供一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法、系统、电子设备及计算机可读存储介质。
为实现上述目的，本发明提供一种针对有噪声且参数不明的自行车轨迹数据的路网匹配方法，包括：
步骤1：对自行车数据进行采集，提取出各个路段骑行轨迹，构建基于骑行轨迹微观数据的路段骑行质量因子，得到各个路段骑行质量因子指标值；
步骤2：根据所述骑行质量因子指标值，得到骑行质量指数，筛选后进路段并进行汇总；
步骤3：根据所述后进路段的汇总，对比各个路段之间的骑行质量的特征距离，得到骑行质量劣度指数；
步骤4：对所述骑行质量劣度指数进行筛选，得到骑行质量差的路段。
根据本发明的一个方面，所述路段骑行质量因子为：
根据共享单车平台数据信息，对用户数据进行采集，得到骑行轨迹微观数据，通过所述骑行轨迹微观数据得到所述路段骑行质量因子向量，所述路段骑行质量因子向量
Figure RE-637105DEST_PATH_IMAGE001
，由速度因子
Figure RE-400662DEST_PATH_IMAGE002
、速度平稳因子
Figure RE-500205DEST_PATH_IMAGE003
、轨迹偏离因子
Figure RE-716423DEST_PATH_IMAGE004
和轨迹混乱因子
Figure RE-130086DEST_PATH_IMAGE005
四部分组成，其中
Figure RE-816326DEST_PATH_IMAGE006
表示第j条路段。
根据本发明的一个方面，速度因子
Figure RE-24453DEST_PATH_IMAGE007
为路段轨迹上速度的平均值，用下述公式进行计算：
Figure RE-790284DEST_PATH_IMAGE008
；
其中，
Figure RE-742059DEST_PATH_IMAGE009
表示轨迹点的速度大小；
i表示第i个轨迹点；
e表示轨迹段编号；
Figure RE-480208DEST_PATH_IMAGE010
表示轨迹段中
Figure RE-921554DEST_PATH_IMAGE011
含有的轨迹点总数；
Figure RE-377943DEST_PATH_IMAGE012
表示路段的轨迹段总数；
Figure RE-867830DEST_PATH_IMAGE013
表示路段中轨迹点的总个数，用下述公式进行计算：
Figure RE-257223DEST_PATH_IMAGE014
；
其中，
Figure RE-807153DEST_PATH_IMAGE015
表示路段中轨迹点的总个数；
Figure RE-750839DEST_PATH_IMAGE016
表示路段中的轨迹段；
根据本发明的一个方面，速度平稳因子
Figure RE-106734DEST_PATH_IMAGE017
表示轨迹段上速度方差的平均值，用下述公式进行计算：
Figure RE-553895DEST_PATH_IMAGE018
；
其中，
Figure RE-71464DEST_PATH_IMAGE019
表示轨迹段
Figure RE-236867DEST_PATH_IMAGE016
的速度方差，用下述公式进行计算：
Figure RE-130873DEST_PATH_IMAGE020
；
其中，
Figure RE-494858DEST_PATH_IMAGE021
表示轨迹段
Figure RE-386591DEST_PATH_IMAGE022
各轨迹点的速度均值，用下述公式进行计算：
Figure RE-39289DEST_PATH_IMAGE023
；
根据本发明的一个方面，轨迹偏离因子
Figure RE-471408DEST_PATH_IMAGE004
表示轨迹点与路段中心距离的平均值，用下述公式进行计算:
Figure RE-689899DEST_PATH_IMAGE024
；
其中，
Figure RE-18113DEST_PATH_IMAGE025
表示第i个轨迹点与路段中心线的横向距离。
根据本发明的一个方面，轨迹混乱因子
Figure RE-683406DEST_PATH_IMAGE026
表示路段中轨迹离散度熵的数值，具体步骤包括：
设定轨迹段横向最大范围L，将横向范围等分为H个间隔，其中设定落在第h个间隔内轨迹的数量为hn，轨迹混乱因子用下述公式进行计算：
Figure RE-122478DEST_PATH_IMAGE027
；
其中，
Figure RE-461055DEST_PATH_IMAGE028
表示
Figure RE-960169DEST_PATH_IMAGE029
占路段上所有轨迹点数量的比例，其计算公式如下：
Figure RE-321881DEST_PATH_IMAGE030
；
根据本发明的一个方面，通过多因素相对差异性综合排序方法，得到骑行质量指数：
根据路段骑行质量因子数值，评价路段骑行质量，构建如下原始数据集：
Figure RE-361381DEST_PATH_IMAGE031
；
其中，X为原始数据集；
Figure RE-492148DEST_PATH_IMAGE032
分别表示路段中速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值；N为路网内路段总条数；
将原始数据集中数值进行同趋势化，得到初始数据集，用下述公式进行计算：
Figure RE-958901DEST_PATH_IMAGE033
；
Figure RE-73488DEST_PATH_IMAGE034
；
其中，R为初始数据集；
Figure RE-588783DEST_PATH_IMAGE035
分别表示路段的同趋势化处理后的速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值。根据初始数据集，对其数值进行加权处理，用下述公式进行计算：
Figure RE-901952DEST_PATH_IMAGE036
；
Figure RE-742869DEST_PATH_IMAGE037
；
其中，V为加权规范数据集；
Figure RE-79173DEST_PATH_IMAGE038
分别表示路段的加权规范后的速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值；
Figure RE-460476DEST_PATH_IMAGE039
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的权重比例；
根据加权规范数据集，确定最优路段指标与最差路段指标，得到正理想解和负理想解，用下述公式进行计算：
Figure RE-565835DEST_PATH_IMAGE040
；
Figure RE-577653DEST_PATH_IMAGE041
；
其中，
Figure RE-197990DEST_PATH_IMAGE042
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的正理想解；
Figure RE-320667DEST_PATH_IMAGE043
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的负理想解；
根据各个路段与最优路段和最差路段之间的距离，得到与正理想解和负理想解的相对差异程度，用下述公式进行计算：
Figure RE-342850DEST_PATH_IMAGE044
；
Figure RE-259990DEST_PATH_IMAGE045
；
其中，
Figure RE-633203DEST_PATH_IMAGE046
为各个路段与所述正理想解的相对差异程度；
Figure RE-559571DEST_PATH_IMAGE047
为路段与负理想解的相对差异程度，通过分析各路段与正理想解的贴近程度，得到骑行质量指数，用下述公式进行计算：
Figure RE-373943DEST_PATH_IMAGE048
；
其中，
Figure RE-795740DEST_PATH_IMAGE049
为各个路段的骑行质量指数，
Figure RE-328353DEST_PATH_IMAGE050
数值越大表示路段中骑行质量越优，通过对骑行质量数值进行排序整理，得到各个路段数值中位指标，筛选小于中位指标的路段作为相对较差的后进路段，将后进路段进行汇总并设为集合LC。
根据本发明的一个方面，通过多维度特征距离的近邻检索方法，得到骑行质量劣度指数为：
根据任意两个后进路段集合LC不同骑行质量因子的差值，得到骑行质量特征距离，用下述公式进行计算：
Figure RE-855149DEST_PATH_IMAGE051
；
其中，
Figure RE-789607DEST_PATH_IMAGE052
表示路段
Figure RE-314129DEST_PATH_IMAGE053
骑行质量因子；
Figure RE-396354DEST_PATH_IMAGE054
表示路段
Figure RE-398946DEST_PATH_IMAGE055
骑行质量因子；
对所述后进路段集合LC中的每一条路段所述骑行质量因子指标构建样本空间集合
Figure RE-453489DEST_PATH_IMAGE056
，提取样本
Figure RE-211230DEST_PATH_IMAGE057
，在样本空间中遍历计算样本
Figure RE-452855DEST_PATH_IMAGE057
到其他样本
Figure RE-524716DEST_PATH_IMAGE058
骑行质量特征距离
Figure RE-496083DEST_PATH_IMAGE059
，设置近邻距离参数为K，设置与样本
Figure RE-96829DEST_PATH_IMAGE057
距离最近的K个路段样本集合为近邻样本集合，得到样本
Figure RE-356909DEST_PATH_IMAGE057
与近邻样本集合中所有样本的特征距离均值，设置特征距离均值为路段
Figure RE-763620DEST_PATH_IMAGE060
骑行质量劣度指数。
根据本发明的一个方面，运用基于统计分布的离群数据检验方法，鉴别出骑行质量差的路段步骤为：
对骑行质量劣度指数进行汇总得到样本集合
Figure RE-527176DEST_PATH_IMAGE061
，运用箱线图法确定距离阈值
Figure RE-361140DEST_PATH_IMAGE062
，遍历比较骑行质量劣度指数与距离阈值，如果骑行质量劣度指数大于距离阈值，则认为此路段为骑行质量差的路段，否则认为路段正常。
为实现上述目的，本发明提供一种基于有噪声轨迹数据的路段自行车骑行质量鉴别系统，包括：
数据提取模块，对自行车数据进行采集，提取出各个路段骑行轨迹，构建基于骑行轨迹微观数据的路段骑行质量因子，得到各个路段骑行质量因子指标值；
骑行质量计算模块，根据骑行质量因子指标值，得到骑行质量指数，筛选后进路段并进行汇总；
路段质量对比模块，路段质量对比模块根据后进路段的汇总，对比各个路段之间的骑行质量的特征距离，得到骑行质量劣度指数；
路段筛选模块，对骑行质量劣度指数进行筛选，得到骑行质量差的路段。
为实现上述目的，本发明提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述针对基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
为实现上述目的，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述针对基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
基于此，本发明的有益效果在于：
1、利用了共享单车运营平台积累的带轨迹点定位坐标的微观骑行数据进行路段骑行质量分析与鉴别，考虑了共享单车实际轨迹数据具有较大噪声且参数不明确的现实条件，对微观骑行轨迹数据噪声具有较大容忍度，可充分利用并挖掘共享经济背景下的大数据对交通的应用价值。
2、利用多维度特征距离与离群检验的方法进行骑行质量鉴别，突破对确定性评价标准的依赖，能够从实际效果出发快速识别需要整改的路段，满足交通管理实用要求。
3、提出了基于相对差异性综合排序、多维度特征距离与离群检验的路段骑行质量鉴别方法，模型简洁，求解方便，便于实施。
附图说明
图1示意性表示根据本发明的基于有噪声轨迹数据的路段自行车骑行质量鉴别方法的流程图；
图2示意性表示北京市西城区某地铁站周边道路及交叉口图；
图3示意性表示北京市西城区某地铁站周边道路及交叉口骑行质量存在显著问题的路段图；
图4示意性表示根据本发明的针对基于有噪声轨迹数据的路段自行车骑行质量鉴别系统图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的针对有噪声轨迹数据的路段自行车骑行质量鉴别方法的流程图，如图1所示，根据本发明的针对有噪声轨迹数据的路段自行车骑行质量鉴别方法，包括以下步骤：
101：对自行车数据进行采集，提取出各个路段骑行轨迹，构建基于骑行轨迹微观数据的路段骑行质量因子，得到各个路段骑行质量因子指标值；
102：根据骑行质量因子指标值，得到骑行质量指数，筛选后进路段并进行汇总；
103：根据后进路段的汇总，对比各个路段之间的骑行质量的特征距离，得到骑行质量劣度指数；
104：对骑行质量劣度指数进行筛选，得到骑行质量差的路段。
本发明提供的上述针对基于有噪声轨迹数据的路段自行车骑行质
量鉴别方法，分析路段骑行质量并快速识别路网中骑行质量显著低劣的路段，以便交通管理部门进行有针对性的整改。
根据本发明的一个实施方式，对于待分析的路网区域，面向骑行顺畅目标，构建基于骑行轨迹微观数据的路段骑行质量因子，并提取出各路段的自行车骑行轨迹，计算各个路段骑行质量因子指标值，骑行轨迹微观数据是共享单车用户在用车过程中，共享单车运营平台以用户单次用车为记录单位，对用户实时位置坐标进行采样得到的，该数据包括骑行用户编号、骑行车辆编号、开锁时间、关锁时间、开锁位置经度、开锁位置纬度、关锁位置经度、关锁位置纬度、轨迹点数据序列，其中轨迹点数据序列包括轨迹点所在路段编号、轨迹点序号、轨迹打点经度、轨迹打点纬度、轨迹打点时间；
骑行质量因子向量
Figure RE-108516DEST_PATH_IMAGE063
，由速度因子
Figure RE-256601DEST_PATH_IMAGE064
、速度平稳因子
Figure RE-140243DEST_PATH_IMAGE065
、轨迹偏离因子
Figure RE-410688DEST_PATH_IMAGE066
和轨迹混乱因子
Figure RE-114201DEST_PATH_IMAGE067
四部分组成，其中
Figure RE-862715DEST_PATH_IMAGE068
表示第j条路段；
速度因子
Figure RE-866443DEST_PATH_IMAGE069
为路段轨迹上速度的平均值，用下述公式进行计算：
Figure RE-997470DEST_PATH_IMAGE070
；
其中，
Figure RE-250597DEST_PATH_IMAGE071
表示轨迹点的速度大小；
i表示第i个轨迹点；
e表示轨迹段编号;
Figure RE-6063DEST_PATH_IMAGE072
表示轨迹段中
Figure RE-598719DEST_PATH_IMAGE016
含有的轨迹点总数；
Figure RE-414228DEST_PATH_IMAGE016
表示路段中的轨迹段；
Figure RE-154651DEST_PATH_IMAGE073
表示路段的轨迹段总数；
Figure RE-182650DEST_PATH_IMAGE074
表示路段中轨迹点的总个数，用下述公式进行计算：
Figure RE-692129DEST_PATH_IMAGE075
；
其中，
Figure RE-412960DEST_PATH_IMAGE076
表示路段中轨迹点的总个数；
速度平稳因子
Figure RE-843941DEST_PATH_IMAGE077
表示轨迹段上速度方差的平均值，用下述公式进行计算：
Figure RE-737948DEST_PATH_IMAGE078
；
其中，
Figure RE-39616DEST_PATH_IMAGE079
表示轨迹段
Figure RE-196928DEST_PATH_IMAGE080
的速度方差，用下述公式进行计算：
Figure RE-911943DEST_PATH_IMAGE081
；
其中，
Figure RE-281745DEST_PATH_IMAGE021
表示轨迹段
Figure RE-969078DEST_PATH_IMAGE082
各轨迹点的速度均值，用下述公式进行计算：
Figure RE-94029DEST_PATH_IMAGE083
；
轨迹偏离因子
Figure RE-968444DEST_PATH_IMAGE084
表示轨迹点与路段中心距离的平均值，用下述公式进行计算:
Figure RE-469832DEST_PATH_IMAGE085
；
其中，
Figure RE-11672DEST_PATH_IMAGE086
表示第i个轨迹点与路段中心线的横向距离；
轨迹混乱因子
Figure RE-245207DEST_PATH_IMAGE087
表示路段中轨迹离散度熵的数值，具体步骤包括：
设定横向距离最大范围L，将L等分为H个距离间隔，落在第
Figure RE-403656DEST_PATH_IMAGE088
个间隔内的轨迹点数量为
Figure RE-177577DEST_PATH_IMAGE089
；计算轨迹离散度熵，其计算公式如下：
Figure RE-579783DEST_PATH_IMAGE090
；
其中，
Figure RE-46536DEST_PATH_IMAGE091
表示
Figure RE-895544DEST_PATH_IMAGE092
占路段上所有轨迹点数量的比例，其计算公式如下：
Figure RE-676418DEST_PATH_IMAGE093
；
具体的，本实施方式选取如图2所示北京市西城区某地铁站附近道路及交叉口，利用从轨迹数据计算各个路段自行车骑行质量因子数据，包括：骑行平均速度、骑行速度均方差、轨迹横向距离均值、轨迹数据离散度，指标结果如下表1所示：
Figure RE-989587DEST_PATH_IMAGE094
表1
根据本发明的一个实施方式，利用各条路段的骑行质量因子指标数据集W，运用多因素相对差异性综合排序方法，计算区域内各路段的相对性骑行质量指数并对其进行排序，进而依据质量指数的分布曲线，计算质量指数分布的中位数，以此作为临界值筛选出相对较差的后进路段集合LC，作为粗筛的后排序结果；
根据路段骑行质量因子数值，评价路段骑行质量，构建如下原始数据集：
Figure RE-564925DEST_PATH_IMAGE031
；
其中，X为原始数据集；
Figure RE-963546DEST_PATH_IMAGE095
分别表示路段中速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值；N为路网内路段总条数；
将原始数据集中数值进行同趋势化，得到初始数据集，用下述公式进行计算：
Figure RE-548111DEST_PATH_IMAGE096
；
Figure RE-450208DEST_PATH_IMAGE034
；
其中，R为初始数据集；
Figure RE-196447DEST_PATH_IMAGE097
分别表示路段的同趋势化处理后的速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值；
根据初始数据集，对其数值进行加权处理，用下述公式进行计算：
Figure RE-816784DEST_PATH_IMAGE098
；
Figure RE-939461DEST_PATH_IMAGE099
；
其中，V为加权规范数据集；
Figure RE-961643DEST_PATH_IMAGE100
分别表示路段的加权规范后的速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值；
Figure RE-878784DEST_PATH_IMAGE101
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的权重比例；
根据加权规范数据集，确定最优路段指标与最差路段指标，得到正理想解和负理想解，用下述公式进行计算：
Figure RE-455259DEST_PATH_IMAGE102
；
Figure RE-178364DEST_PATH_IMAGE103
；
其中，
Figure RE-992736DEST_PATH_IMAGE104
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的所述正理想解；
Figure RE-408674DEST_PATH_IMAGE105
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的所述负理想解；
根据各个路段与最优路段和最差路段之间的距离，得到与正理想解和所述负理想解的相对差异程度，用下述公式进行计算：
Figure RE-206866DEST_PATH_IMAGE106
；
Figure RE-405766DEST_PATH_IMAGE107
；
其中，
Figure RE-402541DEST_PATH_IMAGE108
为各个路段与正理想解的相对差异程度；
Figure RE-927063DEST_PATH_IMAGE109
为路段与负理想解的相对差异程度，通过分析各路段与正理想解的贴近程度，得到骑行质量指数，用下述公式进行计算：
Figure RE-472271DEST_PATH_IMAGE110
；
其中，
Figure RE-537179DEST_PATH_IMAGE111
为各个路段的骑行质量指数，
Figure RE-388460DEST_PATH_IMAGE112
数值越大表示路段中骑行质量越优，通过对骑行质量数值进行排序整理，得到各个路段数值中位指标，筛选小于所述中位指标的路段作为相对较差的所述后进路段，将所述后进路段进行汇总并设为集合LC。
具体的，本实施方式运用多因素相对差异性综合排序方法，对区域内各路段骑行质量指数进行计算，如下表2所示，并由低到高排序，粗筛出15个路段构成后进路段集合；
Figure RE-818304DEST_PATH_IMAGE113
表2
根据本发明的一个实施方式，针对轨迹数据带着一定程度无法消除的数据噪声的现实问题，对经过粗筛形成的后排序路段集合，计算各个路段之间的骑行质量的特征距离，运用基于多维度特征距离的近邻检索方法，形成各路段骑行质量劣度指数。
根据任意两个后进路段集合LC不同所述骑行质量因子的差值，得到骑行质量特征距离，用下述公式进行计算：
Figure RE-387826DEST_PATH_IMAGE114
；
其中，
Figure RE-990846DEST_PATH_IMAGE115
表示路段
Figure RE-634317DEST_PATH_IMAGE116
骑行质量因子；
Figure RE-562958DEST_PATH_IMAGE117
表示路段
Figure RE-291880DEST_PATH_IMAGE118
骑行质量因子；
对经过粗筛形成的后排序路段集合LC中的每一条路段及质量因子指标构建样本空间X，将每一条路段视为四维特征空间中的一个样本点，样本点集合为
Figure RE-167432DEST_PATH_IMAGE119
；设i=1，从样本空间中提取样本
Figure RE-993306DEST_PATH_IMAGE120
；对于样本
Figure RE-764953DEST_PATH_IMAGE121
，在样本空间中遍历计算该样本到其他所有样本
Figure RE-309066DEST_PATH_IMAGE122
的骑行质量特征距离
Figure RE-722730DEST_PATH_IMAGE123
；设置近邻距离参数为K，将与样本
Figure RE-340793DEST_PATH_IMAGE124
的特征距离最近的K个其它路段样本放到近邻样本集合中，计算样本
Figure RE-345658DEST_PATH_IMAGE125
与近邻样本集合中所有样本的特征距离均值，将其定义为路段
Figure RE-314751DEST_PATH_IMAGE126
的路段骑行质量劣度指数
Figure RE-266527DEST_PATH_IMAGE127
；样本空间遍历完毕则返回；
具体的，对后进路段集合，运用基于多维度特征距离的邻近检索方法，计算各路段骑行质量与其他路段间的邻近特征距离，计算结果如下表3所示：
Figure RE-801413DEST_PATH_IMAGE128
表3
根据本发明的一个实施方式，针对路段微观骑行质量尚不存在可用的确定性评价标准及轨迹数据的噪声状况，运用基于统计分布的离群数据检验方法，对后进路段集合中路段骑行质量劣度指数进行筛选，从群体中鉴别出骑行质量存在显著问题的路段作为整改对象；
将后排序路段集合中各条路段骑行质量劣度指数
Figure RE-180442DEST_PATH_IMAGE129
构成统计样本集合QR；统计分析QR，用箱线图法确定距离阈值disth；遍历比较骑行质量劣度指数与距离阈值，如果骑行质量劣度指数大于距离阈值，则认为此路段为骑行质量差的路段，否则认为路段正常。
具体的，对路段骑行质量邻近距离进行异常检验，获取邻近特征距离阈值0.25，从群体中识别出骑行质量存在显著问题的路段作为整改对象。
图3示意性北京市西城区某地铁站周边道路及交叉口表示问题路段识别示意图。
不仅如此，为实现上述发明目的，本发明还提供一种基于有噪声轨迹数据的路段自行车骑行质量鉴别系统，该系统包括：
数据提取模块，对自行车数据进行采集，提取出各个路段骑行轨迹，构建基于骑行轨迹微观数据的路段骑行质量因子，得到各个路段骑行质量因子指标值；
骑行质量计算模块，根据骑行质量因子指标值，得到骑行质量指数，筛选后进路段并进行汇总；
路段质量对比模块，路段质量对比模块根据所述后进路段的汇总，对比各个路段之间的骑行质量的特征距离，得到骑行质量劣度指数；
路段筛选模块，对骑行质量劣度指数进行筛选，得到骑行质量差的路段。
根据本发明的一个实施方式，对于待分析的路网区域，面向骑行顺畅目标，利用数据提取模块构建基于骑行轨迹微观数据的路段骑行质量因子，并提取出各路段的自行车骑行轨迹，计算各个路段骑行质量因子指标值，骑行轨迹微观数据是共享单车用户在用车过程中，共享单车运营平台以用户单次用车为记录单位，对用户实时位置坐标进行采样得到的，该数据包括骑行用户编号、骑行车辆编号、开锁时间、关锁时间、开锁位置经度、开锁位置纬度、关锁位置经度、关锁位置纬度、轨迹点数据序列，其中轨迹点数据序列包括轨迹点所在路段编号、轨迹点序号、轨迹打点经度、轨迹打点纬度、轨迹打点时间。
骑行质量因子向量
Figure RE-636831DEST_PATH_IMAGE130
，由速度因子
Figure RE-189035DEST_PATH_IMAGE131
、速度平稳因子
Figure RE-787550DEST_PATH_IMAGE132
、轨迹偏离因子
Figure RE-399797DEST_PATH_IMAGE133
和轨迹混乱因子
Figure RE-812324DEST_PATH_IMAGE134
四部分组成，其中
Figure RE-371481DEST_PATH_IMAGE068
表示第j条路段；速度因子
Figure RE-880960DEST_PATH_IMAGE135
为路段轨迹上速度的平均值，用下述公式进行计算：
Figure RE-601791DEST_PATH_IMAGE136
；
其中，
Figure RE-32773DEST_PATH_IMAGE137
表示轨迹点的速度大小；
i表示第i个轨迹点；
e表示轨迹段编号;
Figure RE-926779DEST_PATH_IMAGE138
表示轨迹段中
Figure RE-228448DEST_PATH_IMAGE139
含有的轨迹点总数；
Figure RE-182497DEST_PATH_IMAGE139
表示路段中的轨迹段；
Figure RE-835195DEST_PATH_IMAGE140
表示路段的轨迹段总数；
Figure RE-470576DEST_PATH_IMAGE141
表示路段中轨迹点的总个数，用下述公式进行计算：
Figure RE-954647DEST_PATH_IMAGE142
；
其中，
Figure RE-17281DEST_PATH_IMAGE143
表示路段中轨迹点的总个数；
速度平稳因子
Figure RE-157275DEST_PATH_IMAGE144
表示轨迹段上速度方差的平均值，用下述公式进行计算：
Figure RE-393085DEST_PATH_IMAGE145
；
其中，
Figure RE-669345DEST_PATH_IMAGE146
表示轨迹段
Figure RE-168460DEST_PATH_IMAGE147
的速度方差，用下述公式进行计算：
Figure RE-592488DEST_PATH_IMAGE148
；
其中，
Figure RE-569671DEST_PATH_IMAGE149
表示轨迹段
Figure RE-28334DEST_PATH_IMAGE150
各轨迹点的速度均值，用下述公式进行计算：
Figure RE-698350DEST_PATH_IMAGE151
；
轨迹偏离因子
Figure RE-281778DEST_PATH_IMAGE152
表示轨迹点与路段中心距离的平均值，用下述公式进行计算:
Figure RE-142547DEST_PATH_IMAGE153
；
其中，
Figure RE-393400DEST_PATH_IMAGE154
表示第i个轨迹点与路段中心线的横向距离；
轨迹混乱因子
Figure RE-234317DEST_PATH_IMAGE155
表示路段中轨迹离散度熵的数值，具体步骤包括：
设定横向距离最大范围L，将L等分为H个距离间隔，落在第
Figure RE-367358DEST_PATH_IMAGE156
个间隔内的轨迹点数量为
Figure RE-686344DEST_PATH_IMAGE157
；计算轨迹离散度熵，其计算公式如下：
Figure RE-854020DEST_PATH_IMAGE158
；
其中，
Figure RE-600259DEST_PATH_IMAGE159
表示
Figure RE-689438DEST_PATH_IMAGE160
占路段上所有轨迹点数量的比例，其计算公式如下：
Figure RE-608852DEST_PATH_IMAGE161
；
具体的，本实方式例选取如图2所示北京市西城区某地铁站附近道路及交叉口，利用从轨迹数据计算各个路段自行车骑行质量因子数据，包括：骑行平均速度、骑行速度均方差、轨迹横向距离均值、轨迹数据离散度，指标结果如下表4所示：
Figure RE-834297DEST_PATH_IMAGE162
表4
根据本发明的一个实施方式，利用各条路段的骑行质量因子指标数据集W，运用多因素相对差异性综合排序方法，计算区域内各路段的相对性骑行质量指数并对其进行排序，进而依据质量指数的分布曲线，计算质量指数分布的中位数，以此作为临界值筛选出相对较差的后进路段集合LC，作为粗筛的后排序结果；
通过骑行质量计算模块，根据路段骑行质量因子数值，评价路段骑行质量，构建如下原始数据集：
Figure RE-17017DEST_PATH_IMAGE031
；
其中，X为原始数据集；
Figure RE-124650DEST_PATH_IMAGE163
分别表示路段中速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值；N为路网内路段总条数；
将原始数据集中数值进行同趋势化，得到初始数据集，用下述公式进行计算：
Figure RE-785439DEST_PATH_IMAGE164
；
Figure RE-927707DEST_PATH_IMAGE034
；
其中，R为初始数据集；
Figure RE-15749DEST_PATH_IMAGE165
分别表示路段的同趋势化处理后的速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值；
根据初始数据集，对其数值进行加权处理，用下述公式进行计算：
Figure RE-813941DEST_PATH_IMAGE166
；
Figure RE-340737DEST_PATH_IMAGE167
；
其中，V为加权规范数据集；
Figure RE-275195DEST_PATH_IMAGE168
分别表示路段的加权规范后的速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子数值；
Figure RE-596455DEST_PATH_IMAGE101
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的权重比例；
根据加权规范数据集，确定最优路段指标与最差路段指标，得到正理想解和负理想解，用下述公式进行计算：
Figure RE-881943DEST_PATH_IMAGE169
；
Figure RE-150113DEST_PATH_IMAGE170
；
其中，
Figure RE-1394DEST_PATH_IMAGE171
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的正理想解；
Figure RE-696818DEST_PATH_IMAGE105
分别表示速度因子、速度平稳因子、轨迹偏离因子、轨迹混乱因子的负理想解；
根据各个路段与所述最优路段和所述最差路段之间的距离，得到与正理想解和负理想解的相对差异程度，用下述公式进行计算：
Figure RE-204022DEST_PATH_IMAGE172
；
Figure RE-812901DEST_PATH_IMAGE173
；
其中，
Figure RE-721952DEST_PATH_IMAGE108
为各个路段与所述正理想解的相对差异程度；
Figure RE-650593DEST_PATH_IMAGE174
为路段与负理想解的相对差异程度，通过分析各路段与正理想解的贴近程度，得到骑行质量指数，用下述公式进行计算：
Figure RE-645094DEST_PATH_IMAGE175
；
其中，
Figure RE-255067DEST_PATH_IMAGE176
为各个路段的骑行质量指数，
Figure RE-815361DEST_PATH_IMAGE177
数值越大表示路段中骑行质量越优，通过对骑行质量数值进行排序整理，得到各个路段数值中位指标，筛选小于所述中位指标的路段作为相对较差的所述后进路段，将所述后进路段进行汇总并设为集合LC。
具体的，运用路段质量对比模块对本实施方式运用多因素相对差异性综合排序方法，对区域内各路段骑行质量指数进行计算，如下表5所示，并由低到高排序，粗筛出15个路段构成后进路段集合：
Figure RE-852588DEST_PATH_IMAGE178
表5
根据本发明的一个实施方式，针对轨迹数据带着一定程度无法消除的数据噪声的现实问题，对经过粗筛形成的后排序路段集合，计算各个路段之间的骑行质量的特征距离，运用基于多维度特征距离的近邻检索方法，形成各路段骑行质量劣度指数；
根据任意两个后进路段集合LC不同所述骑行质量因子的差值，得到骑行质量特征距离，用下述公式进行计算：
Figure RE-131122DEST_PATH_IMAGE179
；
其中，
Figure RE-544786DEST_PATH_IMAGE115
表示路段
Figure RE-162849DEST_PATH_IMAGE180
所述骑行质量因子；
Figure RE-636556DEST_PATH_IMAGE181
表示路段
Figure RE-402386DEST_PATH_IMAGE182
所述骑行质量因子；
对经过粗筛形成的后排序路段集合LC中的每一条路段及质量因子指标构建样本空间X，将每一条路段视为四维特征空间中的一个样本点，样本点集合为
Figure RE-354162DEST_PATH_IMAGE183
；设i=1，从样本空间中提取样本
Figure RE-889049DEST_PATH_IMAGE184
；对于样本
Figure RE-533656DEST_PATH_IMAGE185
，在样本空间中遍历计算该样本到其他所有样本
Figure RE-521204DEST_PATH_IMAGE186
的骑行质量特征距离
Figure RE-276670DEST_PATH_IMAGE187
；设置近邻距离参数为K，将与样本
Figure RE-869326DEST_PATH_IMAGE188
的特征距离最近的K个其它路段样本放到近邻样本集合中，计算样本
Figure RE-419256DEST_PATH_IMAGE188
与近邻样本集合中所有样本的特征距离均值，将其定义为路段
Figure RE-894100DEST_PATH_IMAGE189
的路段骑行质量劣度指数
Figure RE-453257DEST_PATH_IMAGE190
；样本空间遍历完毕则返回。
具体的，对后进路段集合，运用基于多维度特征距离的邻近检索方法，计算各路段骑行质量与其他路段间的邻近特征距离，计算结果如下表6所示：
Figure RE-962736DEST_PATH_IMAGE191
表6
根据本发明的一个实施方式，根据路段筛选模块对路段微观骑行质量尚不存在可用的确定性评价标准及轨迹数据的噪声状况，运用基于统计分布的离群数据检验方法，对后进路段集合中路段骑行质量劣度指数进行筛选，从群体中鉴别出骑行质量存在显著问题的路段作为整改对象；
将后排序路段集合中各条路段骑行质量劣度指数
Figure RE-949146DEST_PATH_IMAGE192
构成统计样本集合QR；统计分析QR，用箱线图法确定距离阈值disth；遍历比较骑行质量劣度指数与距离阈值，如果骑行质量劣度指数大于距离阈值，则认为此路段为骑行质量差的路段，否则认为路段正常。
具体的，对路段骑行质量邻近距离进行异常检验，获取邻近特征距离阈值0.25，从群体中识别出骑行质量存在显著问题的路段作为整改对象。
为实现上述发明目的，本发明还提供一种电子设备，该电子设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，计算机程序被处理器执行时实现上述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
为实现上述发明目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
由此可知，本发明所提供的基于有噪声轨迹数据的路段自行车骑行质量鉴别方法有效地解决了上述现有技术中的多个技术问题。分析路段骑行质量并快速识别路网中骑行质量显著低劣的路段，以便交通管理部门进行有针对性的整改。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (9)

1.一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法，其特征在于，包括：
步骤1：对自行车数据进行采集，提取出各个路段骑行轨迹，构建基于骑行轨迹微观数据的路段骑行质量因子，得到各个路段骑行质量因子指标值；
步骤2：根据所述骑行质量因子指标值，得到骑行质量指数，筛选后进路段并进行汇总；
步骤3：根据所述后进路段的汇总，对比各个路段之间的骑行质量的特征距离，得到骑行质量劣度指数；
步骤4：对所述骑行质量劣度指数进行筛选，得到骑行质量差的路段；
步骤4中，筛选出所述骑行质量差的路段步骤为：
对所述骑行质量劣度指数进行汇总得到样本集合
Figure 296081DEST_PATH_IMAGE001
，运用箱线图法确定距离阈值
Figure 125365DEST_PATH_IMAGE003
，遍历比较所述骑行质量劣度指数与所述距离阈值，如果所述骑行质量劣度指数大于所述距离阈值，则认为此路段为所述骑行质量差的路段，否则认为路段正常。
2.根据权利要求1所述的一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法，其特征在于，步骤1中，所述路段骑行质量因子为：
根据共享单车平台数据信息，对用户数据进行采集，得到所述骑行轨迹微观数据，通过所述骑行轨迹微观数据得到所述路段骑行质量因子向量，所述路段骑行质量因子向量
Figure 808150DEST_PATH_IMAGE004
，由速度因子
Figure 946746DEST_PATH_IMAGE005
、速度平稳因子
Figure 246140DEST_PATH_IMAGE006
、轨迹偏离因子
Figure 567531DEST_PATH_IMAGE007
和轨迹混乱因子
Figure 478724DEST_PATH_IMAGE008
四部分组成，其中
Figure 883160DEST_PATH_IMAGE009
表示第j条路段。
3.根据权利要求2所述的一种基于有噪声轨迹数据的路段自行车骑行质量鉴别方法，其特征在于，所述骑行质量因子指标值为：
所述速度因子
Figure 669851DEST_PATH_IMAGE010
为路段轨迹上速度的平均值，用下述公式进行计算：
Figure 113643DEST_PATH_IMAGE011
；
其中，
Figure 646387DEST_PATH_IMAGE012
表示轨迹点的速度大小；
i表示第i个轨迹点；
e表示轨迹段编号;
Figure 221725DEST_PATH_IMAGE013
表示轨迹段中
Figure 994246DEST_PATH_IMAGE014
含有的轨迹点总数；
Figure 188598DEST_PATH_IMAGE015
表示路段中的轨迹段；
Figure 903745DEST_PATH_IMAGE016
表示路段的轨迹段总数；
Figure 86202DEST_PATH_IMAGE017
表示路段中轨迹点的总个数，用下述公式进行计算：
Figure 644222DEST_PATH_IMAGE018
；
其中，
Figure 704582DEST_PATH_IMAGE019
表示路段中轨迹点的总个数；
所述速度平稳因子
Figure 539814DEST_PATH_IMAGE020
表示轨迹段上速度方差的平均值，用下述公式进行计算：
Figure 129058DEST_PATH_IMAGE021
；
其中，
Figure 407331DEST_PATH_IMAGE022
表示轨迹段
Figure 740223DEST_PATH_IMAGE023
的速度方差，用下述公式进行计算：
Figure 226699DEST_PATH_IMAGE024
；
其中，
Figure 252424DEST_PATH_IMAGE025
表示轨迹段
Figure 158938DEST_PATH_IMAGE026
各轨迹点的速度均值，用下述公式进行计算：
Figure 29942DEST_PATH_IMAGE027
；
所述轨迹偏离因子
Figure 902083DEST_PATH_IMAGE028
表示轨迹点与路段中心距离的平均值，用下述公式进行计算:
Figure 629868DEST_PATH_IMAGE029
；
其中，
Figure 554836DEST_PATH_IMAGE030
表示第i个轨迹点与路段中心线的横向距离；
所述轨迹混乱因子
Figure 495110DEST_PATH_IMAGE031
表示路段中轨迹离散度熵的数值，具体步骤包括：
设定所述轨迹段横向最大范围L，将横向范围等分为H个间隔，其中设定落在第h个间隔内轨迹的数量为hn，所述轨迹混乱因子用下述公式进行计算：
Figure 159441DEST_PATH_IMAGE032
；
其中，
Figure 526968DEST_PATH_IMAGE033
表示
Figure 34173DEST_PATH_IMAGE034
占路段上所有轨迹点数量的比例，其计算公式如下：
Figure 11094DEST_PATH_IMAGE035
。
4.根据权利要求3所述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法，其特征在于，步骤2中，根据所述路段骑行质量因子指标值，得到正理想解和负理想解，所述正理想解和负理想解为：
根据所述路段骑行质量因子指标值，评价路段骑行质量，构建如下原始数据集：
Figure 733194DEST_PATH_IMAGE036
；
其中，X为原始数据集；
Figure 537202DEST_PATH_IMAGE037
分别表示路段中所述速度因子、所述速度平稳因子、所述轨迹偏离因子、所述轨迹混乱因子；N为路网内路段总条数；
将所述原始数据集中数值进行同趋势化，得到初始数据集，用下述公式进行计算：
Figure 436762DEST_PATH_IMAGE038
；
Figure 656522DEST_PATH_IMAGE039
；
其中，R为初始数据集；
Figure 685658DEST_PATH_IMAGE040
分别表示路段的同趋势化处理后的所述速度因子、所述速度平稳因子、所述轨迹偏离因子、所述轨迹混乱因子数值；
根据所述初始数据集，对其数值进行加权处理，用下述公式进行计算：
Figure 332671DEST_PATH_IMAGE041
；
Figure 250686DEST_PATH_IMAGE042
；
其中，V为加权规范数据集；
Figure 398771DEST_PATH_IMAGE043
分别表示路段的加权规范后的所述速度因子、所述速度平稳因子、所述轨迹偏离因子、所述轨迹混乱因子数值；
Figure 954517DEST_PATH_IMAGE044
分别表示所述速度因子、所述速度平稳因子、所述轨迹偏离因子、所述轨迹混乱因子的权重比例；
根据所述加权规范数据集，确定最优路段指标与最差路段指标，得到所述正理想解和所述负理想解，用下述公式进行计算：
Figure 303590DEST_PATH_IMAGE045
；
Figure 849847DEST_PATH_IMAGE046
；
其中，
Figure 801622DEST_PATH_IMAGE047
分别表示所述速度因子、所述速度平稳因子、所述轨迹偏离因子、所述轨迹混乱因子的正理想解；
Figure 211875DEST_PATH_IMAGE048
分别表示所述速度因子、所述速度平稳因子、所述轨迹偏离因子、所述轨迹混乱因子的所述负理想解。
5.根据权利要求4所述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法，其特征在于，步骤2中，筛选所述后进路段为：
根据各个路段与最优路段和最差路段之间的距离，得到与所述正理想解和所述负理想解的相对差异程度，用下述公式进行计算：
Figure 731849DEST_PATH_IMAGE049
；
Figure 922659DEST_PATH_IMAGE050
；
其中，
Figure 553492DEST_PATH_IMAGE051
为各个路段与所述正理想解的相对差异程度；
Figure 582365DEST_PATH_IMAGE052
为路段与所述负理想解的相对差异程度，通过分析各路段与正理想解的贴近程度，得到所述骑行质量指数，用下述公式进行计算：
Figure 132295DEST_PATH_IMAGE053
；
其中，
Figure 482505DEST_PATH_IMAGE054
为各个路段的所述骑行质量指数，
Figure 917029DEST_PATH_IMAGE055
数值越大表示路段中骑行质量越优，通过对所述骑行质量数值进行排序整理，得到各个路段数值中位指标，筛选小于所述中位指标的路段作为相对较差的所述后进路段，将所述后进路段进行汇总并设为集合LC。
6.根据权利要求1所述基于有噪声轨迹数据的路段自行车骑行质量鉴别方法，其特征在于，步骤3中，所述骑行质量劣度指数为：
根据任意两个所述后进路段集合LC不同所述骑行质量因子的差值，得到所述骑行质量特征距离，用下述公式进行计算：
Figure 364191DEST_PATH_IMAGE056
；
其中，
Figure 22705DEST_PATH_IMAGE057
表示路段
Figure 562008DEST_PATH_IMAGE058
所述骑行质量因子；
Figure 331381DEST_PATH_IMAGE059
表示路段
Figure 633050DEST_PATH_IMAGE009
所述骑行质量因子；
对所述后进路段集合LC中的每一条路段所述骑行质量因子指标构建样本空间集合
Figure 665728DEST_PATH_IMAGE060
，提取样本
Figure 990530DEST_PATH_IMAGE061
，在所述样本空间中遍历计算所述样本
Figure 891490DEST_PATH_IMAGE062
到其他样本
Figure 687145DEST_PATH_IMAGE063
所述骑行质量特征距离
Figure 687462DEST_PATH_IMAGE064
，设置近邻距离参数为K，设置与所述样本
Figure 827457DEST_PATH_IMAGE065
距离最近的K个路段样本集合为近邻样本集合，得到所述样本
Figure 876315DEST_PATH_IMAGE065
与所述近邻样本集合中所有样本的特征距离均值，设置所述特征距离均值为路段
Figure 90259DEST_PATH_IMAGE066
所述骑行质量劣度指数。
7.一种基于有噪声轨迹数据的路段自行车骑行质量鉴别系统，其特征在于，包括：
数据提取模块，对自行车数据进行采集，提取出各个路段骑行轨迹，构建基于骑行轨迹微观数据的所述骑行质量因子，得到各个路段所述骑行质量因子指标值；
骑行质量计算模块，根据所述骑行质量因子指标值，得到骑行质量指数，筛选后进路段并进行汇总；
路段质量对比模块，路段质量对比模块根据所述后进路段的汇总，对比各个路段之间的骑行质量的特征距离，得到骑行质量劣度指数；
路段筛选模块，对所述骑行质量劣度指数进行筛选，得到所述骑行质量差的路段；
路段筛选模块中，筛选出所述骑行质量差的路段步骤为：
对所述骑行质量劣度指数进行汇总得到样本集合
Figure 323794DEST_PATH_IMAGE067
，运用箱线图法确定距离阈值
Figure 324986DEST_PATH_IMAGE003
，遍历比较所述骑行质量劣度指数与所述距离阈值，如果所述骑行质量劣度指数大于所述距离阈值，则认为此路段为所述骑行质量差的路段，否则认为路段正常。
8.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于有噪声轨迹数据的路段自行车骑行质量鉴别方法。
CN202110922120.7A 2021-08-12 2021-08-12 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 Active CN113379334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110922120.7A CN113379334B (zh) 2021-08-12 2021-08-12 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110922120.7A CN113379334B (zh) 2021-08-12 2021-08-12 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法

Publications (2)

Publication Number Publication Date
CN113379334A CN113379334A (zh) 2021-09-10
CN113379334B true CN113379334B (zh) 2021-11-09

Family

ID=77577007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110922120.7A Active CN113379334B (zh) 2021-08-12 2021-08-12 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法

Country Status (1)

Country Link
CN (1) CN113379334B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793056A (zh) * 2021-09-24 2021-12-14 上海交通大学 面向多源数据的街道可骑行指数动态评估实现方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134349B (zh) * 2014-08-07 2016-01-20 北京航空航天大学 一种基于交通多源数据融合的公交路况处理系统及方法
IT201600084942A1 (it) * 2016-08-12 2018-02-12 Paolo Andreucci Sistema di analisi, misurazione e classificazione automatica di percorsi stradali e relativo metodo di funzionamento.
US20200117220A1 (en) * 2017-04-12 2020-04-16 Lawrence Livermore National Security, Llc Swarm path planner system for vehicles
CN108922188B (zh) * 2018-07-24 2020-12-29 河北德冠隆电子科技有限公司 雷达跟踪定位的四维实景交通路况感知预警监控管理系统
CN113066285B (zh) * 2021-03-15 2022-12-09 北京百度网讯科技有限公司 一种路况信息确定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113379334A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN108959466B (zh) 基于bcs-dbscan的出租车载客热点可视化方法及系统
WO2021051609A1 (zh) 细颗粒物污染等级的预测方法、装置及计算机设备
CN111539454B (zh) 一种基于元学习的车辆轨迹聚类方法及系统
CN108764375B (zh) 高速公路货运车辆跨省匹配方法及装置
CN110197588A (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN116644373B (zh) 基于人工智能的汽车流量数据分析管理系统
CN109784383B (zh) 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法
CN108777004B (zh) 高速公路客运车辆跨省匹配方法及装置
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN108847022B (zh) 一种微波交通数据采集设备的异常值检测方法
CN105740904A (zh) 一种基于dbscan聚类算法的出行与活动模式识别方法
CN111582380A (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN103310235B (zh) 一种基于参数识别与估计的隐写分析方法
CN115691120A (zh) 一种基于高速公路流水数据的拥堵识别方法及系统
CN113379334B (zh) 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法
CN110598999A (zh) 基于个体数据的交通出行分析方法、系统及存储介质
CN112364910B (zh) 基于峰值聚类高速公路收费数据异常事件检测方法及装置
CN108053646B (zh) 基于时间敏感特征的交通特征获取方法、预测方法及系统
CN110196797B (zh) 适于信用评分卡系统的自动优化方法和系统
Erdelić et al. Classification of travel modes using streaming GNSS data
CN109344729B (zh) 一种识别道路中人员运动的方法
CN116361974A (zh) 一种基于公路业务及数据网络的数据源重要性判别方法
CN111882135B (zh) 一种物联网设备入侵检测方法及相关装置
CN110120154B (zh) 大规模路网下利用检测器数据的交通路况预测方法
Sun et al. Freeway traffic safety state classification method based on multi-parameter fusion clustering

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