CN113609240A - 基于海量卡口数据的车辆出行轨迹重构方法 - Google Patents

Abstract

本发明公开了基于海量卡口数据的车辆出行轨迹重构方法，第一步：选择有效的原始卡口数据；第二步：R语言对原始卡口数据进行预处理脱敏；第三步：对处理后的有效数据进行轨迹提取和筛选，构建原始轨迹；第四步：将原始轨迹通过Aster算法进行填补，获得完整的车辆出行轨迹；第五步：再通过Q‑Learning算法对完整轨迹进一步重构，获取最终轨迹。本发明的效果是：1)、找出卡口设备污损率比较严重的路口；2)、构建车辆出行的原始轨迹；3)、重构车辆出行的完整轨迹；4)、根据完整轨迹分析城市路网交通的时空分布和交通流量的演化规律，从而提高例如速度、时间、排队等交通状态参数的估计预测精度和效率。

Description

基于海量卡口数据的车辆出行轨迹重构方法

技术领域

本发明属于科学数据领域，具体涉及一种基于海量卡口数据的车辆出行轨迹重构方法。

背景技术

领域内总体技术现状描述

国内外对车牌识别数据的研究主要集中在交通流概率统计及宏观特性提取上，对于出行路径、出行行为等交通流微观参数的挖掘提取较少涉及。对于宏观特性和交通流统计上，有通过对车辆信息的挖掘分类，参照粒子滤波的算法思想，基于贝叶斯估计理论修正、更新路段－路径的流量关系，进而提出了车牌自动识别环境下的车辆出行矩阵估计新方法；有基于车牌识别数据进行了路段行程时间的分布研究；有提出了基于异常值数据表现以及行程时间分布特征的异常值剔除方法；有基于车牌识别数据，通过k-means聚类数据挖掘方法，提取了路网中的通勤特征车辆，并研究了其出行行为的时空特性。

与本发明创造最接近的现有技术一

现有技术一的技术内容

基于车牌识别数据的机动车出行轨迹提取算法.通过车牌及时间戳排序提取出行链；利用相邻节点间的速度，结合交叉口邻接矩阵完成行链的分离；基于K则最短路径算法(KSP算法)及灰色关联法(GRA算法)，对出行轨迹进行补全重构。

现有技术一的缺陷

算法的复杂度较高，选择计算区域过大时，填补时间过长，与真实的出行轨迹差距较大。

与本发明创造最接近的现有技术二

现有技术二的技术内容

基于卡口数据针对出行车辆的出行轨迹不完整现象，建立了一种OWA算子和TOPSIS算法相结合的轨迹重构模型，并在模型中引入与卡口数据相结合的速度指标，以增加模型的实用性。

现有技术二的缺陷

在实际的路径决策时，受到道路拥堵、信息获取延迟等因素的影响.出行者可能不选择最短路径，从而造成该算法的准确度较低，漏检轨迹节点数越多，表现越差。

发明内容

本方法主要是针对因高清拍摄设备故障、恶劣环境以及识别算法的局限性等多种因素造成的道路交通卡口拍摄漏检和国内高清拍摄设备铺设不完善，各种设备无法有序覆盖所有交通道路卡口等情况，针对出现的车辆出行轨迹不完整进行重构。

本发明的目的是通过以下技术方案来实现的：

基于海量卡口数据的车辆出行轨迹重构方法，

第一步：选择有效的原始卡口数据；

第二步：R语言对原始卡口数据进行预处理脱敏；

第三步：对处理后的有效数据进行轨迹提取和筛选，构建原始轨迹；

第四步：将原始轨迹通过Aster算法进行填补，获得完整的车辆出行轨迹；

第五步：再通过Q-Learning算法对完整轨迹进一步重构，获取最终轨迹。

作为优选方式，在选择有效的原始卡口数据时，需要进行数据清洗。

作为优选方式，轨迹提取：根据区域，时间和车流量等阈值去筛选有效轨迹。

作为优选方式，轨迹进一步重构：通过基于sumo的Astar强化学习算法模型对物理残缺轨迹进行轨迹重构。

作为优选方式，采用A*算法进行轨迹重构，具体步骤如下所示：

1.确定输入点对：每次输入都是一条单日的某机动车单目的轨迹TR，在依次进行邻近卡口对时，出现该TR中相邻卡口数据为非邻近关系点对时，确定该轨迹TR出现缺点现象，此时将该点对作为接下来输入并将该点对称作n_s和n_e。

2.算法初始化：初始化openList和closeList，并将n_s放入openList中，赋予其f(n)值为0。

3.结束判定：判断openList是否为空，如果为空则算法失败，如果不为空，则提取openList的头节点，如果该卡口为n_e则算法结束，提取closeList，搜寻n_e父节点至结束，该搜寻卡口集为重构轨迹；如果该卡口不为n_e，则进行下述步骤。

4.寻找相邻点：寻找openList中父节点卡口在拓扑路网中的邻近卡口集I_f。

5.寻找最优点：将头节点n_头删除并放入closeList，并将I_f与openList和closeList中的卡口进行判断，保留下未在双表中的卡口也就是集合I_new，I_new中所有点的父节点为n_头，并计算其中卡口的f(n)值，并将I_new加入openList中。

6.执行第3步。

7.继续第1步的执行直到轨迹TR不存在相邻卡口数据为非邻近关系。

使用当前节点与终止点间的真实距离除以当前路网平均车速来代替h(n)的距离代价。则其公式表达如式所示：

作为优选方式，Q-Learning算法的特点是根据潜在的状态与动作来构建一张二维表(被称为Q-table)来存储Q值，然后通过查表方式获得Q值来寻找最优的动作。

基于Q-table,Q-Learning算法主要使用公式来更新Q值

Q{s,a}←Q{s,a}+α×((R(s′)+γ×maxa′∈A(s′){Q(s′，a′)-Q(s,a)})其中：s和s′分别是当前状态和下个状态，a则是使s到s′的有效动作，而A(s′)则是下状态s′可能采取的候选动作；α∈[0,1]被称为为学习率，用于调节学习过程中的可能误差；γ为折扣因子；←为赋值的意思，R()当前状态的回报值，a′下一个有效动作。

本发明的有益效果是：

1)、找出卡口设备污损率比较严重的路口；

2)、构建车辆出行的原始轨迹；

3)、重构车辆出行的完整轨迹；

4)、根据完整轨迹分析城市路网交通的时空分布和交通流量的演化规律，从而提高例如速度、时间、排队等交通状态参数的估计预测精度和效率。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为所选区域sumo路网图；

图2为原始卡口数据图；

图3为某一车辆原始轨迹；

图4为某一车辆aster算法填补后轨迹；

图5为强化学习填补后轨迹图；

图6为轨迹重构流程图；

图7为交通卡口数据异常情况；

图8为绵阳市涪城区一环路西段与西山东路交叉路口全时段路段检测成功率表；

图9为填补后单路断面流量对比；

图10为区域指标数据对比表。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

实施例一

基于海量卡口数据的车辆出行轨迹重构方法，

第一步：选择有效的原始卡口数据；

第二步：R语言对原始卡口数据进行预处理脱敏；先将原始数据中分为每天每时的卡口数据，然后再从分好的卡口数据中筛选出sbbm、time、ymd、h、id字段。并对车牌数据进行统筹分析，发现其中包含了：警、WJ、应急、学、使，这些具有独特含义的车牌，将其与别的车牌进行区分。

第三步：对处理后的有效数据进行轨迹提取和筛选，构建原始轨迹；

第四步：将原始轨迹通过Aster算法进行填补，获得完整的车辆出行轨迹；

第五步：再通过Q-Learning算法对完整轨迹进一步重构，获取最终轨迹。

在一个优选实施例中，在选择有效的原始卡口数据时，需要进行数据清洗，

数据清洗：由于卡口数据本身的误差以及设备的数据传输接收时发生的误差，卡口数据中会存在一部分不符合常理的错误数据(参见图7)，剔除异常数据，过滤因特殊原因或物理原因的错误数据输入，选择指定时间和路网内的有效数据；

剔除：剔除卡口设备未能清晰拍摄的车牌数据(如污损车牌、污损号牌、污损牌照、未识别)。

过滤：过滤因更换sbbm设备而出现的卡口位置错误的数据。图2展示了一种sbbm设备获取的原始错误数据。

在一个优选实施例中，轨迹提取：根据卡口数据提取出来的车辆轨迹并不是完整有意义的，需要根据区域、时间和车流量(或人工校准车流量)等阈值去筛选有效轨迹。

筛选：根据区域和时间筛选出对应的卡口数据，构建成车辆出行原始轨迹，在重构车辆出行轨迹的时候加入人工校准车流数据进行校准。

在一个优选实施例中，轨迹进一步重构：通过基于sumo(Simulation of UrbanMobility)的Astar强化学习算法模型对物理残缺轨迹进行轨迹重构，图1为所选区域sumo路网图。轨迹的重构分为两种，其中一种情况是由于区域的划分导致获取的车辆轨迹整片区域缺失，称为划分残缺轨迹，剩余交通量属于残缺轨迹中未被记录的部分；另一种情况是车辆在路网中行驶时，其所经过的某些卡口未被记录下来，称为物理残缺轨迹。本发明主要是针对物理残缺轨迹的重构。物理残缺：是指缺失卡口设备的地方，因高清卡口设备的铺设随城市政策的影响无法做到全面覆盖，往往会产生相应卡口点位监控的盲点。

在一个优选实施例中：

受高清视频检测设备的覆盖率及车牌识别率的影响，基于卡口数据的车辆轨迹填补模型主要解决的问题分为车牌识别数据的清洗及预处理、出行轨迹的提取及分离、机动车出行路径缺失部分的重构。

A*算法名字的由来也是因为它发展历程的转变，从A1算法的提出到A2算法的改进，再到后来一步步的对A算法进行集大成的研究，原作者借鉴了统计学中一个变量加上“*”标识可以理解为这个变量的最优解的说法，这才有了A*算法这个名字。如今在A*算法的讨论中，有许多自称为A*的算法，其实他们根本不是。真正的A*算法除了之前所讨论的路径代价g(n)、h(n)和f(n)(g(n)是在状态空间中从初始节点到n节点的实际代价,h(n)是从n到目标节点最佳路径的估计代价,f(n)是节点n的估价函数)这些要素外，在算法的实现中是否拥有特定的开启列表(open list)和关闭列表(close list)也是极为关键的。为了将A*算法更好的应用于机动车轨迹的重构当中，本文设计了一个采用A*算法进行轨迹重构，以最小堆构建开启列表的A*算法，具体步骤如下所示：

1.确定输入点对：每次输入都是一条单日的某机动车单目的轨迹TR，在依次进行邻近卡口对时，出现该TR中相邻卡口数据为非邻近关系点对时，确定该轨迹TR出现缺点现象，此时将该点对作为接下来输入并将该点对称作n_s和n_e。

2.算法初始化：初始化openList和closeList，并将n_s放入openList中，赋予其f(n)值为0。

3.结束判定：判断openList是否为空，如果为空则算法失败，如果不为空，则提取openList的头节点，如果该卡口为n_e则算法结束，提取closeList，搜寻n_e父节点至结束，该搜寻卡口集为重构轨迹；如果该卡口不为n_e，则进行下述步骤。

4.寻找相邻点：寻找openList中父节点(当前卡口的父节点)卡口在拓扑路网中的邻近卡口集I_f。

5.寻找最优点：将头节点n_头删除并放入closeList，并将I_f与openList和closeList中的卡口进行判断，保留下未在双表中的卡口也就是集合I_new，I_new中所有点的父节点为n_头，并计算其中卡口的f(n)值，并将I_new加入openList中。

6.执行第3步。

7.继续第1步的执行直到轨迹TR不存在相邻卡口数据为非邻近关系。

A*算法的启发函数多以距离来恒定，而以行程时间作为整个A*算法的启发代价。采用以起点与当前节点间的真实消耗时间代替g(n)的实际距离，使用当前节点与终止点间的真实距离除以当前路网平均车速来代替h(n)的距离代价。则其公式表达如式所示：

原始轨迹通过Astar算法我们能构建出初始的完整轨迹，但还存在缺陷。因为起点到节点n所消耗的真实时间是无法确定的，所以g(n)只有一个大概值，这样导致算法有太多不确定性，并不能保证最优解。因此我们需要通过强化学习Q-Learning算法来对车辆轨迹进行二次构建。

A*算法估价函数f(n)＝g(n)+h(n)。

估价值h(n)<＝n到目标节点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低。如果估价值h(n)>n,搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。

在一个优选实施例中：

Q-Learning算法的基本原理

Q-Learning是强化学习三种最流行的算法之一，是基于Q值迭代的无模型算法。如前所述，给定某一时刻的状态s_i和准备采取的动作a_i,Q(s_i，a)就是在该时刻的状态s_i下采取动作a_i获得回报。理论上讲，当探索了一个给定时刻的状态s_i和所有可能动作A(s_i)后，就可以根据环境的反馈回报信息选取一个最优动作进入下一次状态s_i+1；如此反复直到终点或者人为终止，一次迭代过程结束。当然，一个状态的Q值也是随着探索的不断推进在不断更新中，直到所有状态的Q值相对稳定为止。

Q-Learning算法的特点是根据潜在的状态与动作来构建一张二维表(被称为Q-table)来存储Q值，然后通过查表方式获得Q值来寻找最优的动作。

基于Q-table,Q-Learning算法主要使用公式来更新Q值。

Q{s,a}←Q{s,a}+α×((R(s′)+γ×maxa′∈A(s′){Q(s′，a′)-Q(s,a)})其中：s和s′分别是当前状态和下个状态，a则是使s到s′的有效动作，而A(s′)则是下状态s′可能采取的候选动作；α∈[0,1]被称为为学习率，用于调节学习过程中的可能误差；γ为折扣因子，←为赋值的意思，R()当前状态的回报值，a′下一个有效动作。

如图3所示，某一车辆的原始轨迹。图4为上述车辆aster算法填补后轨迹。图5为强化学习填补后轨迹图。图6为轨迹重构流程图。

交通卡口数据作为机动车轨迹的天然载体，以面向轨迹的思想进行它的串联，不仅能挖掘出机动车轨迹所内含的丰富时空属性，更是能进一步对整个城市交通运行状态进行深层次的剖析，完整的车辆出行轨迹数据具有丰富的时空信息，在宏观的交通管理，车辆出行预测和交通问题分析研究中具有广泛的应用。但是在实际现实中由于交通设备的缺失和道路的复杂性想要获取完整的车辆出行轨迹很难。本发明基于海量的卡口数据针对车辆出行轨迹不完整现象，结合sumo(交通系统仿真软件)平台建立了基于Astar算法和强化学习相融合的模型，并在模型中引入与卡口数据相结合的指标数据，以增加模型的实用性。为进一步的交通出行方案研究提供可靠的数据支持。图8-图10是对整个方法结果的具体展示。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于海量卡口数据的车辆出行轨迹重构方法，其特征在于：

第一步：选择有效的原始卡口数据；

第二步：R语言对原始卡口数据进行预处理脱敏；

第三步：对处理后的有效数据进行轨迹提取和筛选，构建原始轨迹；

第四步：将原始轨迹通过Aster算法进行填补，获得完整的车辆出行轨迹；

第五步：再通过Q-Learning算法对完整轨迹进一步重构，获取最终轨迹。

2.根据权利要求1所述的基于海量卡口数据的车辆出行轨迹重构方法，其特征在于，在选择有效的原始卡口数据时，需要进行数据清洗；

数据清洗：剔除异常数据，过滤因特殊原因或物理原因的错误数据输入，选择指定时间和路网内的有效数据。

3.根据权利要求1所述的基于海量卡口数据的车辆出行轨迹重构方法，其特征在于，轨迹提取：根据区域、时间和车流量阈值去筛选有效轨迹。

4.根据权利要求1所述的基于海量卡口数据的车辆出行轨迹重构方法，其特征在于，轨迹进一步重构：通过基于sumo的Astar强化学习算法模型对物理残缺轨迹进行轨迹重构。

5.根据权利要求1所述的基于海量卡口数据的车辆出行轨迹重构方法，其特征在于：

采用A*算法进行轨迹重构，具体步骤如下所示：

1.确定输入点对：每次输入都是一条单目的某机动车单目的轨迹TR，在依次进行邻近卡口对时，出现该TR中相邻卡口数据为非邻近关系点对时，确定该轨迹TR出现缺点现象，此时将该点对作为接下来输入并将该点对称作n_s和n_e；

2.算法初始化：初始化openList和closeList，并将n_s放入openList中，赋予其f(n)值为0；

3.结束判定：判断openList是否为空，如果为空则算法失败，如果不为空，则提取openList的头节点，如果该卡口为n_e则算法结束，提取closeList，搜寻n_e父节点至结束，该搜寻卡口集为重构轨迹；如果该卡口不为n_e，则进行下述步骤；

4.寻找相邻点：寻找openList中父节点卡口在拓扑路网中的邻近卡口集I_f；

5.寻找最优点：将头节点n_头删除并放入closeList，并将I_f与openList和closeList中的卡口进行判断，保留下未在双表中的卡口也就是集合I_new，I_new中所有点的父节点为n_头，并计算其中卡口的f(n)值，并将I_new加入openList中；

6.执行第3步；

7.继续第1步的执行直到轨迹TR不存在相邻卡口数据为非邻近关系。

6.根据权利要求1所述的基于海量卡口数据的车辆出行轨迹重构方法，其特征在于：Q-Learning算法二次重构轨迹：

给定某一时刻的状态s_i和准备采取的动作a_i，Q(s_i，a)就是在该时刻的状态s_i下采取动作a_i获得回报。

Q-Learning算法根据潜在的状态与动作来构建一张Q-table二维表来存储Q值，然后通过查表方式获得Q值来寻找最优的动作；

基于Q-table，Q-Learning算法主要使用公式来更新Q值；

Q{s，a}←Q{s，a}+α×((R(s′)+γ×maxa′∈A(s′){Q(s′，a′)-Q(s，a)})

其中：s和s′分别是当前状态和下个状态，a则是使s到s′的有效动作，而A(s′)则是下状态s′可能采取的候选动作；α∈[0，1]被称为为学习率，用于调节学习过程中的可能误差；γ为折扣因子；←为赋值的意思，R()当前状态的回报值，a′下一个有效动作。

Images