CN113553482A - 停留点识别和出行链构建系统、算法、设备及存储介质 - Google Patents

停留点识别和出行链构建系统、算法、设备及存储介质 Download PDF

Info

Publication number
CN113553482A
CN113553482A CN202111095625.7A CN202111095625A CN113553482A CN 113553482 A CN113553482 A CN 113553482A CN 202111095625 A CN202111095625 A CN 202111095625A CN 113553482 A CN113553482 A CN 113553482A
Authority
CN
China
Prior art keywords
vehicle
data
point
sequence
state
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
Application number
CN202111095625.7A
Other languages
English (en)
Other versions
CN113553482B (zh
Inventor
丁雪晴
刘恒
雷焕宇
邓远冬
凌镜珩
阚倩
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.)
Shanghai Shenyan Urban Transportation Co ltd
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shanghai Shenyan Urban Transportation Co ltd
Shenzhen Urban Transport Planning Center Co Ltd
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 Shanghai Shenyan Urban Transportation Co ltd, Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shanghai Shenyan Urban Transportation Co ltd
Priority to CN202111095625.7A priority Critical patent/CN113553482B/zh
Publication of CN113553482A publication Critical patent/CN113553482A/zh
Application granted granted Critical
Publication of CN113553482B publication Critical patent/CN113553482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G06F16/90348—Query processing by searching ordered data, e.g. alpha-numerically ordered data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification

Abstract

本申请公开了一种停留点识别和出行链构建系统、算法、设备及存储介质，属于智能交通技术领域。解决了现有技术中存在的耗时长、信息丢失影响判断准确性的问题。本申请用户设定停留时长、停留点车辆活动限速；按车辆ID分组聚合并排序得到数据集；计算数据集中的时间差序列；结合停留时长，对数据进行切分，获取互不相交的子片段；提取全部片段内的中位值作为识别到的车辆标准机器记录间隔，计算非活跃状态计数阈值；面向每一个轨迹子片段进行的OD分析，标注状态切换的点，得到车辆多日的出行起讫点数据。本申请用于车辆营运企业、交通规管理部门、规划部门对大范围车辆出行规律进行快速分析研判。

Description

停留点识别和出行链构建系统、算法、设备及存储介质
技术领域
本申请涉及一种车辆轨迹数据的停留点识别和出行链构建系统、算法、设备及存储介质，尤其涉及停留点识别和出行链构建系统、算法、设备及存储介质，属于智能交通技术领域。
背景技术
近年来，随着GPS、北斗等导航系统的进一步普及以及面向各类营运车辆，各类营运车辆的行驶轨迹数据得以被监管部门获取并存储，一方面为基于大数据的实时监管创造了有效途径，另一方面也为结合历史记录对车辆出行链进行构建，进而对车辆出行特征进行多维度分析研判提供了条件。
针对基于移动定位数据的出行链挖掘，国内外研究者从停留点切分、方式判定等多方面开展了研究。如结合不同聚类方法对轨迹数据进行空间聚类，进而完成用户的停留和行进状态识别，以及结合用户的移动速度进行方式判别等。现有方法最主要的缺点之一，是涉及到大量耗时的空间运算。
对于安装导航系统，受监管的营运车辆，由于设备在车辆启动期间，会固定时间间隔记录实时车辆位置（经纬度）、速度、方向角等信息，采样间隔稳定，数据可靠性高。从而为在维持识别精度的前提下，通过减少算法中的空间运算过程，提升停留点识别效率，在面对海量数据的情况下极大加快算法分析速度提供了可能。
现有最接近的方案有两种，一是通过识别低速点簇（即计算低速状态的时长），再结合GIS空间运算找到点簇中心作为停留点的方案。第二种是通过过滤低速点簇，继而进行空间聚类，将聚类中心作为停留点的方案。
文献[1]詹起林，高峻，王磊，基于货运车辆GPS数据的交通调查技术研究，地理与地理信息科学，2011，027(003):30-33。利用货运车辆GPS轨迹数据，结合轨迹点时空分布、速度等特征，通过实验确定合理阈值，过滤选取出低俗点簇，在按时间进行排序后，使用点簇第一个点作为下一次出行的起点，最后一个点作为上一次出行的终点。该方法主要缺陷在于：
1、无法准确界定状态转换点，从而影响OD点位置识别结果的经度，如在低速状态下如时间很长，实际移动的距离可能较大；
2、该方法假定了货车GPS返回的轨迹是连续的，但由于现有设备和技术限制，实际存在相当一部分车辆返回的轨迹呈现间断特征。因而上述过程中，如两组在时间上相邻的低速点中间存在轨迹间断，则会生成与实际不相符的出行。
文献[2]李江涛，基于货运卡车轨迹大数据的货运OD信息提取方法研究，北京交通大学，2019。通过数理统计方法获取判断和识别车辆停留状态的特征值，并结合道路网络和POI对识别到的停留点进行过滤，使用基于网格的空间匹配方法剔除临时停留或驾驶员在高速休息区长时间停留对真实出行识别造成的中间点干扰。该流程主要缺陷在于进行空间运算对辅助路网、POI数据有较高的要求，且运算对资源消耗较大，速度总体仍然较慢，其外，对中途停留点的剔除操作容易造成出行关键信息缺失，如对于出行时间的判断上，如果中途停留点对应的时间较长，则按照最开始出发时间的OD统计与实际路网上车流的时间分布会存在较大差异。在面向交通规划、管理和仿真等过程的关键数据分析时会对准确性造成极大影响。
文献[3]丁晓青，基于GPS数据的货运交通空间特征分析技术——以厦门市为例，2019年中国城市交通规划年会。采用了固定的前后相邻点距离阈值，配合停留时长和轨迹间断时长作为判断停留点簇的依据，进行了简单的OD识别，该方法OD切分流程未考虑速度因素，对低速行驶过程无法很好进行甄别。
综合上述可知，现有停留点的识别算法主要存在的缺点为：
（1）缺乏对状态转换点的准确判断，识别的是中心点，从而导致无法准确地对出行起止时间进行判断，造成出行时长统计不准确；
（2）生成泰森多边形涉及到大量空间运算，十分耗时；
（3）采用聚类的方式同样耗时且需要对聚类算法参数进行专门调试；
（4）第一种方法，缺乏对时间的考虑，如果遇到有返回的出行，则不同时段的多个停留点簇会被混合，最终造成信息丢失；
（5）第二种方法，采用DBSCAN算法进行聚类，能同步考虑时间先后顺序（即将时间作为一个单独维度，和位置数据一起作为聚类输入），但同样容易引起多个在空间上接近的停留点簇粘连在一起，影响了判定精度。
发明内容
有鉴于此，本申请提供停留点识别和出行链构建系统、算法、设备及存储介质，以解决现有技术中存在的耗时长、信息丢失影响判断准确性的问题。本申请面向功能固定的营运车辆，不涉及就出行链中传统出行目的、方式的判别，着重于出发、到达时间以及起终点OD识别。
本申请的技术方案是这样实现的：
方案一：停留点识别和出行链构建系统，该系统具体为一种面向营运车辆轨迹数据的停留点快速识别和出行链构建系统，包括：
用户输入模块，用于用户结合实际需求对切分轨迹的停留时长、停留点车辆活动限速进行设定；
数据预处理模块，用于按车辆ID进行分组聚合并排序，去除重复和异常数据，得到车辆的数据集；计算数据集中逐条数据间的时间差序列；结合切分轨迹的停留时长，对数据进行切分，获取互不相交的子片段；
自适应参数计算模块，用于提取全部片段内的中位值作为识别到的车辆标准机器记录间隔，计算非活跃状态计数阈值；
停留点标注模块，用于在完成数据预处理模块一辆车的数据拆分后，结合自适应参数计算模块返回的相应参数，面向每一个轨迹子片段进行的OD分析，标注每个轨迹子片段中状态切换的点，得到车辆多日的出行起讫点数据。
方案二：停留点识别和出行链构建算法，包括：
步骤一，用户设置，用户结合实际需求对切分轨迹的停留时长
Figure 84328DEST_PATH_IMAGE001
进行设定，在面向不同车辆类型时对停留点车辆活动限速
Figure 772799DEST_PATH_IMAGE002
进行设置；
Figure 956655DEST_PATH_IMAGE001
具体表示允许当前车辆在一次出行过程中返回信号消失，或处于低速/零速状态下的最大时长，当超过停留时长时，算法将上一次出行状态判定为终止；
步骤二，数据预处理，按车辆ID进行分组聚合并排序，去除重复和异常数据，得到车辆i的数据集DF(i)；计算数据集中逐条数据间的时间差序列；结合切分轨迹的停留时长，对数据进行切分，获取互不相交的子片段；
步骤三，自适应参数计算，在获取同一辆车多个轨迹片段逐条数据间的时间间隔后，采用全部时间间隔的中位值作为识别到的车辆标准机器记录间隔，记为
Figure 388774DEST_PATH_IMAGE003
，单位：s；并结合切分轨迹的停留时长
Figure 76107DEST_PATH_IMAGE001
计算非活跃状态计数阈值
Figure 935479DEST_PATH_IMAGE004
，令
Figure 875140DEST_PATH_IMAGE005
，其中
Figure 845370DEST_PATH_IMAGE006
表示向下取整；
步骤四，停留点标注，在完成预处理模块一辆车的数据拆分后，结合自适应参数计算模块返回的相应参数，面向每一个轨迹子片段进行OD分析，标注每个轨迹子片段中状态切换的点，得到车辆多日的出行起讫点数据。
进一步地，所述步骤二，具体步骤为：
2.1、首先对多日数据，按车辆ID进行分组聚合，并按时间先后对数据进行排序，去除重复和异常数据（异常数据主要指返回的时间戳和经纬度在合理范围外），得到车辆i的数据集DF(i)；
2.2、计算DF(i)中逐条数据间的时间差序列，得到
Figure 387210DEST_PATH_IMAGE007
；
2.3、结合切分轨迹的停留时长
Figure 417483DEST_PATH_IMAGE001
，当
Figure 575932DEST_PATH_IMAGE008
时，从DF(i)中第j条数据的位置对数据进行切分，获取互不相交的子片段
Figure 349853DEST_PATH_IMAGE009
，并满足DF(i) =
Figure 11778DEST_PATH_IMAGE010
，其中，
Figure 212952DEST_PATH_IMAGE011
表示时间差序列中的第j条数据。
进一步地，所述步骤四，具体步骤为：
4.1、提取子片段
Figure 596048DEST_PATH_IMAGE012
，结合半正矢Haversine公式计算相邻两个经纬点间的距离m，进而结合相邻点记录时间差，计算得到车辆i的第k个轨迹子片段的平均速度序列
Figure 173660DEST_PATH_IMAGE013
；
4.2、记平均速度序列
Figure 690092DEST_PATH_IMAGE014
的时间镜像序列为
Figure 62167DEST_PATH_IMAGE015
，
Figure 195208DEST_PATH_IMAGE016
；
4.3、对平均速度序列
Figure 310932DEST_PATH_IMAGE014
和时间镜像序列为
Figure 213029DEST_PATH_IMAGE015
应用停留点标注算法，获取标注结果
Figure 224847DEST_PATH_IMAGE017
和镜像结果
Figure 845184DEST_PATH_IMAGE018
；
4.4、将标注结果
Figure 501949DEST_PATH_IMAGE017
和镜像结果
Figure 992974DEST_PATH_IMAGE018
进行融合，并按照大小排序，得到完整的出行链起止点标注序列
Figure 706852DEST_PATH_IMAGE019
，
Figure 548906DEST_PATH_IMAGE021
为python的内置函数；
4.5、对标注序列
Figure 6432DEST_PATH_IMAGE022
中的OD对进行提取，得到车辆多日的出行起讫点数据。OD对，因为一个轨迹序列可能包含多次出行，每次属性都是1个OD对。
进一步地，所述步骤4.3中标注算法，具体步骤为：
4.3.1、将生成的平均速度序列
Figure 351963DEST_PATH_IMAGE014
、停留点车辆活动限速
Figure 502321DEST_PATH_IMAGE002
、非活跃状态计数阈值
Figure 831671DEST_PATH_IMAGE004
作为输入；
4.3.2、设置当前的运动状态，1为运动，0为静止，默认启示状态为运动；
4.3.3、创建列表，用于记录标注停留点在序列中的位置；
4.3.4、设置初始化位置，0对应第一条记录；
4.3.5、计算输入平均速度序列
Figure 561730DEST_PATH_IMAGE014
的长度；
4.3.6、条件判断，执行循环。
进一步地，所述步骤4.3.6，具体步骤为：
判断第i条记录是否小于停留点车辆活动限速
Figure 295855DEST_PATH_IMAGE002
，
当满足时，对平均速度序列
Figure 351536DEST_PATH_IMAGE014
中后
Figure 637024DEST_PATH_IMAGE004
条记录进行统计，返回小于平均速度值小于
Figure 701932DEST_PATH_IMAGE002
的数量；含义为在序列平均速度序列
Figure 553213DEST_PATH_IMAGE014
中发现第一个小于
Figure 248637DEST_PATH_IMAGE002
的记录，说明这时有可能进入停留状态，所以序列平均速度序列
Figure 552579DEST_PATH_IMAGE014
中后续
Figure 624440DEST_PATH_IMAGE023
个点进行统计，返回小于
Figure 64649DEST_PATH_IMAGE002
的点的个数；
判断低速/零速点数量是否达到非活跃状态计数阈值，
当满足条件，且车辆先前状态为运动状态时，则应当对车辆状态进行切换，记录状态转化，从活动到停留状态对应的位置，将车辆标记为停留状态，下次检查时直接从i +
Figure 196553DEST_PATH_IMAGE004
开始搜索加速；
当不满足时，跳转到下一个记录，由于当前是低速状态，搜索步长取最小；
当第i条记录大于停留点车辆限速
Figure 498442DEST_PATH_IMAGE002
时，对平均速度序列
Figure 373994DEST_PATH_IMAGE014
中后
Figure 668709DEST_PATH_IMAGE004
//2条记录进行统计，返回小于平均速度值小于
Figure 502673DEST_PATH_IMAGE002
的数量；
当非活跃状态小于非活跃状态计数阈值的四分之一时，将当前状态更新为活跃，跳过前面的
Figure 515628DEST_PATH_IMAGE004
//8条记录搜索加速；
不满足要求时采用保守的单步步长，返回标注结果，其中“//”表示相除并取整。
进一步地，所述步骤4.4，具体步骤为：
当采用顺序速度序列
Figure 929292DEST_PATH_IMAGE014
作为输入时，标注结果
Figure 344093DEST_PATH_IMAGE017
对应的位置为车辆从活跃状态变为非活跃状态的转换点，当采用镜像序列为
Figure 348958DEST_PATH_IMAGE015
时，镜像结果
Figure 318051DEST_PATH_IMAGE018
实际为车辆从非活跃状态变为活跃状态的转换点；对
Figure 69494DEST_PATH_IMAGE018
进行逆操作获取对应正向时间中的转换点的位置，计算方法如下：
Figure 338801DEST_PATH_IMAGE024
其中：
Figure 514568DEST_PATH_IMAGE018
是镜像结果，
Figure 236536DEST_PATH_IMAGE025
表示用长度
Figure 523161DEST_PATH_IMAGE026
减去镜像结果中记录的每一个值，得到新的镜像结果；比如R*=[1,2,3]，
Figure 381396DEST_PATH_IMAGE027
=5新的镜像结果就是[4,3,2]；R获取的是从运动到静止的点，R*在完成逆操作后获取的是从静止到运动的点，所以融合后得到完整的状态转换过程；
在完成
Figure 993642DEST_PATH_IMAGE018
的逆操作后，将标注结果
Figure 937328DEST_PATH_IMAGE017
和镜像结果
Figure 27643DEST_PATH_IMAGE018
进行融合，并按照大小排序，得到完整的出行链起止点标注序列
Figure 743314DEST_PATH_IMAGE019
。
进一步地，所述步骤4.5，具体步骤为：通过标注序列
Figure 260883DEST_PATH_IMAGE022
中的索引位置按顺序对OD对进行提取，同时对部分OD点小于特定值的出行数据进行过滤，特定值选取500m，最终得到车辆多日的出行起讫点数据。
所述方案二是基于方案一所述系统实现的。
方案三：一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行方案二所述方法的步骤。
方案四： 一种存储介质，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方案二所述方法的步骤。
本申请有益效果体现在：
本申请主要面向功能固定的营运车辆，因此不涉及就出行链中传统出行目的、方式的判别，着重于出发、到达时间以及OD识别。与现有的出行链挖掘算法相比，具有的主要效果有：
（1）本申请中介绍的停留点识别不涉及复杂的空间聚类算法，因而极大提升了算法执行速度，算法在运行过程中仅需对数据进行线性搜索，在保证精度的前提下节省内存空间。
（2）本申请对出发、停留具体时间点的切分准确，且在对过程数据进行线性搜索的过程中即可完成，无需额外进行标注。
（3）本申请不需要复杂的调参过程，使用者可以按需进行少量基础参数设置调整，本申请中提供了一个自适应的过程，用于算法执行过程中对使用不同类型定位设备的车辆设定对应基础参数，同时对每辆车的数据处理过程都进行了基础参数检验和调优。
（4）本申请中提出的镜像序列方法简化了算法本身的复杂度和参数设置过程，但维持了原有精度，是一种具备创新意义的思路。
（5）本申请用于车辆营运企业、交通规管理部门、规划部门对大范围车辆出行规律进行快速分析研判。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例一提供的停留点识别和出行链构建系统框图；
图2为本申请实施例二提供的停留点识别和出行链构建算法流程图；
图3为本申请实施例二中数据预处理流程图；
图4为本申请实施例二中停留点标注流程图；
图5为本申请实施例二中标注算法流程图；
图6为本申请的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与申请相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
本申请实施例一提供了停留点识别和出行链构建系统（参见图1），包括：用户输入模块，用于用户结合实际需求对切分轨迹的停留时长、停留点车辆活动限速进行设定；
数据预处理模块，用于按车辆ID进行分组聚合并排序，去除重复和异常数据，得到车辆的数据集；计算数据集中逐条数据间的时间差序列；结合切分轨迹的停留时长，对数据进行切分，获取互不相交的子片段；
自适应参数计算模块，用于提取全部片段内的中位值作为识别到的车辆标准机器记录间隔，计算非活跃状态计数阈值；
停留点标注模块，用于在完成数据预处理模块一辆车的数据拆分后，结合自适应参数计算模块返回的相应参数，面向每一个轨迹子片段进行的OD分析，标注每个轨迹子片段中状态切换的点，得到车辆多日的出行起讫点数据。
实施例二
本申请实施例二提供了停留点识别和出行链构建算法（参见图2-图5），该方法具体为：
S1，用户设置，具体步骤为：
鉴于实际场景分析过程中，对出行的识别标准可能存在区别，如某些情况下部分车辆的中途短暂停留仅作为出行的一部分，但在部分场景中，为对出行时长进行更精确的测量，需要将包含了停留动作的出行切分为多个子段。因此，本申请允许用户结合实际需求对用于切分轨迹的停留时长
Figure 957444DEST_PATH_IMAGE001
进行设定，
Figure 54713DEST_PATH_IMAGE001
表示允许当前车辆在一次出行过程中返回信号消失，或处于低速/零速状态下的最大时长，当超过这一时长时，算法将上一次出行状态判定为终止。
停留点车辆活动限速
Figure 418698DEST_PATH_IMAGE002
，主要考虑面向部分在到达目的地后需要继续保持活跃状态的车辆（如渣土车、水泥罐车），特征是在目的地小范围区域内间断性、往复低速行驶。综上，本申请允许用户结合实际经验，在面向不同车辆类型时对停留点车辆活动限速进行设置。
S2，数据预处理，具体步骤为：
S2.1、首先对多日数据，按车辆ID进行分组聚合，并按时间先后对数据进行排序，去除重复和异常数据（异常数据主要指返回的时间戳和经纬度在合理范围外），得到车辆i的数据集DF(i)；
S2.2、计算DF(i)中逐条数据间的时间差序列，得到
Figure 107168DEST_PATH_IMAGE007
；
S2.3、结合切分轨迹的停留时长
Figure 25446DEST_PATH_IMAGE001
，当
Figure 457564DEST_PATH_IMAGE008
时，从DF(i)中第j条数据的位置对数据进行切分，获取互不相交的子片段
Figure 676056DEST_PATH_IMAGE009
，并满足DF(i) =
Figure 538357DEST_PATH_IMAGE010
。
S3，自适应参数计算，具体步骤为：
由于不同车辆安装的GPS模块，数据记录时间间隔设置可能不同，因此需要对该时间间隔进行标定。本方法在获取同一辆车多个轨迹片段逐条数据间的时间间隔后，采用全部时间间隔的中位值作为车辆的标准机器记录间隔，记为
Figure 678351DEST_PATH_IMAGE003
（单位：s）。结合轨迹停留时长切分值
Figure 648582DEST_PATH_IMAGE001
计算非活跃状态计数阈值
Figure 190421DEST_PATH_IMAGE004
，令
Figure 220694DEST_PATH_IMAGE005
，其中
Figure 379143DEST_PATH_IMAGE006
表示向下取整。
S4，停留点标注，具体步骤为：
主要在完成预处理模块一辆车的数据拆分后，结合自适应参数计算模块返回的相应参数，面向每一个轨迹子片段进行进一步的OD（起终点）分析。标注每个轨迹子片段中状态切换的点。详细过程如下：
S4.1、提取子片段
Figure 153064DEST_PATH_IMAGE012
，结合Haversine公式计算相邻两个经纬点间的距离（m），进而结合相邻点记录时间差，计算得到车辆i轨迹子片段k的平均速度序列
Figure 549410DEST_PATH_IMAGE013
；
S4.2、记平均速度序列
Figure 750584DEST_PATH_IMAGE014
的时间镜像序列为
Figure 664838DEST_PATH_IMAGE015
，
Figure 711292DEST_PATH_IMAGE016
；
S4.3、对速度序列
Figure 493303DEST_PATH_IMAGE014
和时间镜像序列为
Figure 865378DEST_PATH_IMAGE015
应用停留点标注算法，获取标注结果
Figure 467261DEST_PATH_IMAGE017
和镜像结果
Figure 582985DEST_PATH_IMAGE018
；
标注过程核心思路（python代码）如下：
S4.3.1、将生成的平均速度序列
Figure 485082DEST_PATH_IMAGE014
、停留点车辆限速
Figure 496900DEST_PATH_IMAGE002
、非活跃状态计数阈值
Figure 117237DEST_PATH_IMAGE004
作为输入；
S4.3.2、设置当前的运动状态，1为运动，0为静止，默认启示状态为运动；
S4.3.3、创建列表，用于记录标注停留点在序列中的位置；
S4.3.4、设置初始化位置，0对应第一条记录；
S4.3.5、计算输入平均速度序列
Figure 771072DEST_PATH_IMAGE014
的长度；
S4.3.6、条件判断，执行循环。
该步骤更为具体地表现为：
def tagger(
Figure 999447DEST_PATH_IMAGE014
，
Figure 978904DEST_PATH_IMAGE002
，
Figure 820958DEST_PATH_IMAGE004
): #将生成的平均速度序列
Figure 12905DEST_PATH_IMAGE014
、停留点车辆限速
Figure 889594DEST_PATH_IMAGE002
、非活跃状态计数阈值
Figure 774374DEST_PATH_IMAGE004
作为输入；
flag = 1 #设置当前的运动状态，1为运动，0为静止，默认启示状态为运动；
res = [] #创建列表，用于记录标注停留点在序列中的位置；
i = 0 #设置初始化位置，0对应第一条记录；
_len = len(
Figure 572566DEST_PATH_IMAGE014
) #计算输入速度序列的长度；
while i < _len: #条件判断，执行循环；
if
Figure 833783DEST_PATH_IMAGE014
[i] <
Figure 33820DEST_PATH_IMAGE002
: #判断第i条记录是否小于停留点车辆限速，当满足时；
check = check_neighbor(
Figure 92430DEST_PATH_IMAGE014
[i + 1:i +
Figure 909077DEST_PATH_IMAGE004
]) #对速度序列中后
Figure 177247DEST_PATH_IMAGE004
条记录进行统计，返回小于平均速度值小于
Figure 762949DEST_PATH_IMAGE002
的数量；
if check+1 ==
Figure 255110DEST_PATH_IMAGE004
: #判断低速/零速点数量是否达到计数值；
if flag==1: #当满足上一条件，且车辆先前状态为运动状态时，则应当对车辆状态进行切换；
res.append(i) #记录状态转化（从活动到停留状态对应的位置）；
flag = 0 #将车辆标记为停留状态；
i = i +
Figure 559053DEST_PATH_IMAGE004
#下次检查时直接从i +
Figure 365335DEST_PATH_IMAGE004
开始（搜索加速）；
else: #当不满足时，跳转到下一个记录；
i += 1 #由于当前是低速状态，搜索步长取最小；
elif
Figure 71122DEST_PATH_IMAGE014
[i] >
Figure 468606DEST_PATH_IMAGE002
: 当第i条记录大于停留点车辆限速时；
check = check_neighbor(vs[i + 1:i +
Figure 262774DEST_PATH_IMAGE028
]) #对速度序列中后
Figure 403905DEST_PATH_IMAGE004
//2条记录进行统计，返回小于平均速度值小于
Figure 964199DEST_PATH_IMAGE002
的数量；
if check <
Figure 798163DEST_PATH_IMAGE029
: #当非活跃状态小于阈值的四分之一时；
flag = 1 #将当前状态更新为活跃；
i = i +
Figure 279960DEST_PATH_IMAGE030
#跳过前面的
Figure 224782DEST_PATH_IMAGE030
条记录（搜索加速）；
else:
i = i + 1 #不满足要求时采用保守的单步步长；
return res #返回标注结果。
S4.4、当采用顺序速度序列
Figure 639583DEST_PATH_IMAGE014
作为输入时，标注结果
Figure 644448DEST_PATH_IMAGE017
对应的位置为车辆从活跃状态变为非活跃状态的转换点，当采用镜像序列为
Figure 613541DEST_PATH_IMAGE015
时，镜像结果
Figure 388422DEST_PATH_IMAGE018
实际为车辆从非活跃状态变为活跃状态的转换点；对
Figure 923308DEST_PATH_IMAGE018
进行逆操作获取对应正向时间中的转换点的位置，计算方法如下：
Figure 99075DEST_PATH_IMAGE024
其中：
Figure 555464DEST_PATH_IMAGE018
是镜像结果，
Figure 842089DEST_PATH_IMAGE025
表示用长度
Figure 434744DEST_PATH_IMAGE026
减去镜像结果中记录的每一个值，得到新的镜像结果；
在完成
Figure 781412DEST_PATH_IMAGE018
的逆操作后，将标注结果
Figure 256255DEST_PATH_IMAGE017
和镜像结果
Figure 815413DEST_PATH_IMAGE018
进行融合，并按照大小排序，得到完整的出行链起止点标注序列
Figure 59312DEST_PATH_IMAGE019
。
S4.5、通过标注序列
Figure 314232DEST_PATH_IMAGE022
中的索引位置，可以按顺序对OD对进行提取，同时对部分OD点小于特定值（一般选取500m）的出行进行过滤，最终得到车辆多日的出行起讫点数据。
实施例三
本申请实施例三提供一种电子设备，参见图6，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，用于存储能够在处理器上运行的计算机程序的存储器，连接不同系统组件(包括存储器、一个或者多个处理器或者处理单元)的总线。
其中，所述一个或者多个处理器或者处理单元用于运行所述计算机程序时，执行实施例二所述方法的步骤。所述处理器所用类型包括中央处理器、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。
其中，总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
实施例四
本申请实施例四提供一种存储介质，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实施例二所述方法的步骤。
需要说明的是，本申请所示的存储介质可以是计算机可读信号介质或者存储介质或者是上述两者的任意组合。存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。存储介质还可以是存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
着重强调本申请的技术关键点：
1、自适应参数设置的思路；
2、数据切割以及停留点标注的算法；
3、采用镜像序列，对状态转换点进行挖掘的方法。
现有结合空间分析（聚类、生成泰森多边形）的方法，计算速度和精度上都较本申请差。尤其是，使用筛选的方案下容易产生大量孤立的低速点（对应城市路况中的减速动作，如在红绿灯口），当孤立低速点和实际的OD点接近时，容易对最终聚类结果以及起终点位置的计算产生影响。
以上所述的实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的实施例而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (10)

1.停留点识别和出行链构建系统，其特征在于，该系统具体为一种面向营运车辆轨迹数据的停留点快速识别和出行链构建系统，包括：
用户输入模块，用于用户结合实际需求对切分轨迹的停留时长、停留点车辆活动限速进行设定；
数据预处理模块，用于按车辆ID进行分组聚合并排序，去除重复和异常数据，得到车辆的数据集；计算数据集中逐条数据间的时间差序列；结合切分轨迹的停留时长，对数据进行切分，获取互不相交的子片段；
自适应参数计算模块，用于提取全部片段内的中位值作为识别到的车辆标准机器记录间隔，计算非活跃状态计数阈值；
停留点标注模块，用于在完成数据预处理模块一辆车的数据拆分后，结合自适应参数计算模块返回的相应参数，面向每一个轨迹子片段进行的OD分析，标注每个轨迹子片段中状态切换的点，得到车辆出行起讫点数据。
2.停留点识别和出行链构建算法，是基于权利要求1所述停留点识别和出行链构建系统实现的，其特征在于，包括：
步骤一，用户设置，用户结合实际需求对切分轨迹的停留时长
Figure 611098DEST_PATH_IMAGE001
进行设定，在面向不同车辆类型时对停留点车辆活动限速
Figure 641371DEST_PATH_IMAGE002
进行设置；
Figure 802750DEST_PATH_IMAGE001
具体表示允许当前车辆在一次出行过程中返回信号消失，或处于低速/零速状态下的最大时长，当超过停留时长时，算法将上一次出行状态判定为终止；
步骤二，数据预处理，按车辆ID进行分组聚合并排序，去除重复和异常数据，得到车辆i的数据集DF(i)；计算数据集中逐条数据间的时间差序列；结合切分轨迹的停留时长，对数据进行切分，获取互不相交的子片段；
步骤三，自适应参数计算，在获取同一辆车多个轨迹片段逐条数据间的时间间隔后，采用全部时间间隔的中位值作为识别到的车辆标准机器记录间隔，记为
Figure 779933DEST_PATH_IMAGE003
，单位：s；并结合切分轨迹的停留时长
Figure 973017DEST_PATH_IMAGE001
计算非活跃状态计数阈值
Figure 174191DEST_PATH_IMAGE004
，令
Figure 819936DEST_PATH_IMAGE005
，其中
Figure 131969DEST_PATH_IMAGE006
表示向下取整；
步骤四，停留点标注，在完成预处理模块一辆车的数据拆分后，结合自适应参数计算模块返回的相应参数，面向每一个轨迹子片段进行OD分析，标注每个轨迹子片段中状态切换的点，得到车辆多日的出行起讫点数据。
3.根据权利要求2所述的停留点识别和出行链构建算法，其特征在于，所述步骤二，具体步骤为：
S2.1、首先对多日数据，按车辆ID进行分组聚合，并按时间先后对数据进行排序，去除重复和异常数据，得到车辆i的数据集DF(i)；
S2.2、计算DF(i)中逐条数据间的时间差序列，得到
Figure 913980DEST_PATH_IMAGE007
；
S2.3、结合切分轨迹的停留时长
Figure 286056DEST_PATH_IMAGE001
，当
Figure 419097DEST_PATH_IMAGE008
时，从DF(i)中第j条数据的位置对数据进行切分，获取互不相交的子片段
Figure 6592DEST_PATH_IMAGE009
，并满足DF(i) =
Figure 908688DEST_PATH_IMAGE010
，其中，
Figure 451665DEST_PATH_IMAGE011
表示时间差序列中的第j条数据。
4.根据权利要求3所述的停留点识别和出行链构建算法，其特征在于，所述步骤四，具体步骤为：
S4.1、提取子片段
Figure 806423DEST_PATH_IMAGE012
，结合半正矢Haversine公式计算相邻两个经纬点间的距离m，进而结合相邻点记录时间差，计算得到车辆i的第k个轨迹子片段的平均速度序列
Figure 194679DEST_PATH_IMAGE013
；
S4.2、记平均速度序列
Figure 951283DEST_PATH_IMAGE014
的时间镜像序列为
Figure 930740DEST_PATH_IMAGE015
，
Figure 38373DEST_PATH_IMAGE016
；
S4.3、对平均速度序列
Figure 964741DEST_PATH_IMAGE014
和时间镜像序列为
Figure 578781DEST_PATH_IMAGE015
应用停留点标注算法，获取标注结果
Figure 729139DEST_PATH_IMAGE017
和镜像结果
Figure 58489DEST_PATH_IMAGE018
；
S4.4、将标注结果
Figure 54127DEST_PATH_IMAGE017
和镜像结果
Figure 50902DEST_PATH_IMAGE018
进行融合，并按照大小排序，得到完整的出行链起止点标注序列
Figure 372162DEST_PATH_IMAGE019
，
Figure 392071DEST_PATH_IMAGE020
为python的内置函数；
S4.5、对标注序列
Figure 456979DEST_PATH_IMAGE021
中的OD对进行提取，得到车辆多日的出行起讫点数据。
5.根据权利要求4所述的停留点识别和出行链构建算法，其特征在于，所述S4.3中标注算法，具体步骤为：
S4.3.1、将生成的平均速度序列
Figure 45610DEST_PATH_IMAGE014
、停留点车辆活动限速
Figure 272192DEST_PATH_IMAGE002
、非活跃状态计数阈值
Figure 310556DEST_PATH_IMAGE004
作为输入；
S4.3.2、设置当前的运动状态，1为运动，0为静止，默认启示状态为运动；
S4.3.3、创建列表，用于记录标注停留点在序列中的位置；
S4.3.4、设置初始化位置，0对应第一条记录；
S4.3.5、计算输入平均速度序列
Figure 913575DEST_PATH_IMAGE014
的长度；
S4.3.6、条件判断，执行循环。
6.根据权利要求5所述的停留点识别和出行链构建算法，其特征在于，所述S4.3.6，具体步骤为：
判断第i条记录是否小于停留点车辆活动限速
Figure 822625DEST_PATH_IMAGE002
，
当满足时，对平均速度序列
Figure 485688DEST_PATH_IMAGE014
中后
Figure 11347DEST_PATH_IMAGE004
条记录进行统计，返回小于平均速度值小于
Figure 418058DEST_PATH_IMAGE002
的数量；
判断低速/零速点数量是否达到非活跃状态计数阈值，
当满足条件，且车辆先前状态为运动状态时，则应当对车辆状态进行切换，记录状态转化，从活动到停留状态对应的位置，将车辆标记为停留状态，下次检查时直接从i +
Figure 978352DEST_PATH_IMAGE004
开始搜索加速；
当不满足时，跳转到下一个记录，由于当前是低速状态，搜索步长取最小；
当第i条记录大于停留点车辆限速
Figure 549666DEST_PATH_IMAGE002
时，对平均速度序列
Figure 297042DEST_PATH_IMAGE014
中后
Figure 241865DEST_PATH_IMAGE004
//2条记录进行统计，返回小于平均速度值小于
Figure 922245DEST_PATH_IMAGE002
的数量；
当非活跃状态小于非活跃状态计数阈值的四分之一时，将当前状态更新为活跃，跳过前面的
Figure 130372DEST_PATH_IMAGE004
//8条记录搜索加速；
不满足要求时采用保守的单步步长，返回标注结果，其中“//”表示相除并取整。
7.根据权利要求4-6任一项所述的停留点识别和出行链构建算法，其特征在于，所述S4.4，具体步骤为：
当采用顺序速度序列
Figure 630624DEST_PATH_IMAGE014
作为输入时，标注结果
Figure 379137DEST_PATH_IMAGE017
对应的位置为车辆从活跃状态变为非活跃状态的转换点，当采用镜像序列为
Figure 117286DEST_PATH_IMAGE015
时，镜像结果
Figure 293052DEST_PATH_IMAGE018
实际为车辆从非活跃状态变为活跃状态的转换点；对
Figure 283529DEST_PATH_IMAGE018
进行逆操作获取对应正向时间中的转换点的位置，计算方法如下：
Figure 38996DEST_PATH_IMAGE022
其中：
Figure 428389DEST_PATH_IMAGE018
是镜像结果，
Figure 775056DEST_PATH_IMAGE023
表示用长度
Figure 249900DEST_PATH_IMAGE024
减去镜像结果中记录的每一个值，得到新的镜像结果；
在完成
Figure 340216DEST_PATH_IMAGE018
的逆操作后，将标注结果
Figure 52957DEST_PATH_IMAGE017
和镜像结果
Figure 836105DEST_PATH_IMAGE018
进行融合，并按照大小排序，得到完整的出行链起止点标注序列
Figure 798245DEST_PATH_IMAGE019
。
8.根据权利要求7所述的停留点识别和出行链构建算法，其特征在于，所述S4.5，具体步骤为：通过标注序列
Figure 898444DEST_PATH_IMAGE021
中的索引位置按顺序对OD对进行提取，同时对部分OD点小于特定值的出行数据进行过滤，特定值选取500m，最终得到车辆多日的出行起讫点数据。
9.一种电子设备，其特征在于：包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行权利要求2至8任一项所述算法的步骤。
10.一种存储介质，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2至8任一项所述算法的步骤。
CN202111095625.7A 2021-09-18 2021-09-18 停留点识别和出行链构建系统、算法、设备及存储介质 Active CN113553482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111095625.7A CN113553482B (zh) 2021-09-18 2021-09-18 停留点识别和出行链构建系统、算法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111095625.7A CN113553482B (zh) 2021-09-18 2021-09-18 停留点识别和出行链构建系统、算法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113553482A true CN113553482A (zh) 2021-10-26
CN113553482B CN113553482B (zh) 2022-02-01

Family

ID=78134674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111095625.7A Active CN113553482B (zh) 2021-09-18 2021-09-18 停留点识别和出行链构建系统、算法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113553482B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565138A (zh) * 2022-02-14 2022-05-31 中国科学院地理科学与资源研究所 农产品供应网络节点识别方法、装置及电子设备
CN114897656A (zh) * 2022-07-15 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 共享单车潮汐区域停车疏导方法、电子设备及存储介质
CN115034686A (zh) * 2022-08-09 2022-09-09 太平金融科技服务(上海)有限公司深圳分公司 作业行为量化方法、装置、计算机设备和存储介质
CN115964545A (zh) * 2023-03-16 2023-04-14 四川国蓝中天环境科技集团有限公司 一种基于运渣车轨迹点推断污染点位的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106912015A (zh) * 2017-01-10 2017-06-30 上海云砥信息科技有限公司 一种基于移动网络数据的人员出行链识别方法
US20190317511A1 (en) * 2018-04-17 2019-10-17 Baidu Usa Llc Method for generating prediction trajectories of obstacles for autonomous driving vehicles
CN112382083A (zh) * 2020-10-13 2021-02-19 厦门市交通研究中心 一种基于gps数据的货运交通od分析方法、装置及设备
CN113284337A (zh) * 2021-04-19 2021-08-20 国交空间信息技术（北京）有限公司 基于车辆轨迹多维数据的od矩阵计算方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106912015A (zh) * 2017-01-10 2017-06-30 上海云砥信息科技有限公司 一种基于移动网络数据的人员出行链识别方法
US20190317511A1 (en) * 2018-04-17 2019-10-17 Baidu Usa Llc Method for generating prediction trajectories of obstacles for autonomous driving vehicles
CN112382083A (zh) * 2020-10-13 2021-02-19 厦门市交通研究中心 一种基于gps数据的货运交通od分析方法、装置及设备
CN113284337A (zh) * 2021-04-19 2021-08-20 国交空间信息技术（北京）有限公司 基于车辆轨迹多维数据的od矩阵计算方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565138A (zh) * 2022-02-14 2022-05-31 中国科学院地理科学与资源研究所 农产品供应网络节点识别方法、装置及电子设备
CN114565138B (zh) * 2022-02-14 2023-04-18 中国科学院地理科学与资源研究所 农产品供应网络节点识别方法、装置及电子设备
CN114897656A (zh) * 2022-07-15 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 共享单车潮汐区域停车疏导方法、电子设备及存储介质
CN115034686A (zh) * 2022-08-09 2022-09-09 太平金融科技服务(上海)有限公司深圳分公司 作业行为量化方法、装置、计算机设备和存储介质
CN115964545A (zh) * 2023-03-16 2023-04-14 四川国蓝中天环境科技集团有限公司 一种基于运渣车轨迹点推断污染点位的方法

Also Published As

Publication number Publication date
CN113553482B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN113553482B (zh) 停留点识别和出行链构建系统、算法、设备及存储介质
CN109919518B (zh) 地图轨迹匹配数据的质量确定方法、装置、服务器及介质
CN108959466B (zh) 基于bcs-dbscan的出租车载客热点可视化方法及系统
CN105528359B (zh) 用于存储行进轨迹的方法和系统
CN107657637A (zh) 一种农机作业面积获取方法
CN114973677A (zh) 用于确定预计到达时间的方法和设备
CN104966408B (zh) 一种gps定位数据补偿方法
CN110377682B (zh) 轨迹类型确定方法、装置、计算设备和存储介质
CN104819726A (zh) 导航数据处理方法、装置及导航终端
CN112017447A (zh) 一种基于gps位置信息判定车辆逆行违规的方法及系统
CN111680377A (zh) 一种交通态势仿真方法、系统和电子设备
CN112382121A (zh) 一种基于滑动平均算法的车辆轨迹优化方法
CN108171967A (zh) 一种交通控制方法及装置
CN109859505B (zh) 高速站点的预警处理方法、装置、服务器和介质
CN113570864A (zh) 一种电动自行车行驶路径匹配方法、设备及存储介质
US20220227388A1 (en) Method and apparatus for determining green wave speed, and storage medium
CN107452207B (zh) 浮动车数据源评价方法、装置及系统
Gressenbuch et al. Mona: The munich motion dataset of natural driving
CN110021161A (zh) 一种交通流向的预测方法及系统
CN112633812B (zh) 货运车辆的轨迹分段方法、装置、设备及存储介质
CN109945880B (zh) 路径规划方法、相关设备及可读存储介质
CN109446437B (zh) 信息挖掘方法、装置、服务器及存储介质
CN116664025A (zh) 装卸货位置点生成方法、装置及设备
CN104121917A (zh) 一种自动发现新建桥梁的方法和装置
CN116311892A (zh) 一种基于拥堵传播的城市路段通行关键瓶颈识别方法

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