CN114758498B - 基于多向最优扩展的城市有向交通廊道识别方法 - Google Patents

Abstract

本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法，包括：获取原始轨迹数据集，对所述原始轨迹数据进行数据清洗和路网匹配，利用时间槽提取特定时段的轨迹子集，对城市有向路网进行建模；计算城市有向路网的流量值和依赖度，融合所述流量值和所述依赖度计算有向路段的核心度；根据所述有向路段的核心度确定种子路段，提取种子路段的所有邻居路段进行排列组合，探测出全部交通廊道，形成城市有向交通廊道网络。本发明构建实际路网中机动车出行流量值和路径选择依赖度指标识别路网空间中城市交通廊道。

Description

基于多向最优扩展的城市有向交通廊道识别方法

技术领域

本发明涉及时空数据挖掘领域，特别涉及一种基于多向最优扩展的城市有向交通廊道识别方法。

背景技术

随着我国经济化水平与城市化进程不断推进，快速增加的机动车保有量和居民出行量对我国城市交通运输效率及运输能力带来了前所未有的严峻挑战。频繁的城市交通拥堵现象凸显出交通路网供给与居民出行需求之间存在着不平衡的匹配关系，而城市交通廊道作为实现城市居民出行需求的重要通道，承担着路网中关键而庞大的居民出行流，是调度优化交通出行、解决交通拥堵问题的关键内容。因此，精准全面地识别城市交通廊道，对居民出行诱导、路网交通组织、城市功能区域演化和城市空间调整规划等具有重要的指导意义。

城市交通廊道作为城市交通路网运输的核心骨架与重要部件，是指交通路网中运输能力发达、承载客流庞大、路段拓扑相连的若干路段组合。现有城市交通廊道识别方法主要有三种，即映射模型方法、图论方法和聚类方法。其中，基于映射模型的方法通常先将研究区域(或路网)划分为不同等级的区块(或路段)，结合先验知识构建引力模型模拟区块(或路段)对居民的聚集吸引程度，将引力最大的区块(或路段)连通路径识别为交通廊道。然而这类方法的识别结果依赖于出行规则的理想先验假设，模型稳定性和迁移性欠佳。基于图论的方法通常将交通小区或路网抽象为图网络，通过交通配流模型提取流量较大的热点路径作为城市交通廊道。然而这类方法需要预先对居民出行起讫点和出行路径做先验估计，仍未有效解决先验知识依赖性和识别结果不确定性的问题。

发明内容

本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法，其目的是为了解决现有城市交通廊道识别方法无法充分顾及居民出行特征且难以识别有向路段级交通廊道的问题。

为了达到上述目的，本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法，包括：

步骤1，获取原始轨迹数据集，对所述原始轨迹数据进行数据清洗和路网匹配，利用时间槽提取特定时段的轨迹子集，对城市有向路网进行建模；

步骤2，计算城市有向路网的流量值和依赖度，融合所述流量值和所述依赖度计算有向路段的核心度；

步骤3，根据所述有向路段的核心度确定种子路段，提取种子路段的所有邻居路段进行排列组合，探测出全部交通廊道，形成城市有向交通廊道网络。

其中，所述步骤1中对所述原始轨迹数据进行数据清洗和路网匹配的步骤具体包括：

在所述原始轨迹数据集中提取相同车辆号的轨迹点，按照时间升序排列获得机动车的出行轨迹序列，并将任一机动车C出行轨迹表达为Tra_c＝{(x_C,1,y_C,1,t_C,1),(x_C,2,y_C,2,t_C,2),…,(x_C,k,y_C,k,t_C,k),…}，删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据；其中，(x_C,k,y_C,k)表示机动车C在时刻t_C,k的位置坐标；

考虑城市路网拓扑信息、路网距离和行驶速度约束，利用适应于低采样频率轨迹数据的地图匹配算法将轨迹点投影到正确的城市路网空间，机动车C出行轨迹表达为Tra_c＝{(px_C,1,py_C,1,t_C,1,r_C,1),(px_C,2,py_C,2,t_C,2,r_C,2),…,(px_C,k,py_C,k,t_C,k,r_C,k),…}，其中，(px_C,k,py_C,k)表示时刻t_C,k机动车C在路段r_C,k的映射位置坐标。

其中，所述步骤1中利用时间槽提取特定时段的轨迹子集的步骤具体包括：

设置时间槽，给定任一轨迹Tra_c＝{(px_C,1,py_C,1,t_C,1,r_C,1),…,(px_C,n,py_C,n,t_C,n,r_C,n)}，若满足t₁<t_C,1<t_C,n<t₂，则Tra_c属于时间槽[t₁,t₂]，从全部轨迹数据中提取特定时间槽[t₁,t₂]内的所有出行轨迹Tra_[t1,t2]。

其中，所述步骤1中对城市有向路网进行建模的步骤具体包括：

通过编程语言读取研究区域内的城市路网数据，进而提取城市路网的有向路段信息和有向拓扑信息；

所述有向路段信息rs表达为{(p_1,1,p_1,2,r₁),…,(p_i,1,p_i,2,r_i),…}，其中(p_i,1,p_i,2,r_i)表示现实世界中从点位置p_i,1移动到点p_i,2经过的路段是r_i，若p_i,2＝p_j,1或p_i,1＝p_j,2，则r_j和r_i互为邻居路段；

所述有向拓扑信息topo表达为{(r_{1_1},r_{1_2},…,r_{1_h1}),…,(r_{i_1},r_{i_2},…,r_{i_hi}),…}，其中(r_{i_1},r_{i_2},…,r_{i_hi})表示路网中r_i的邻居路段集合。

其中，所述步骤2具体包括：

根据所述轨迹子集Tra_[t1,t2]和城市有向路段信息rs，依次统计时段[t₁,t₂]内所有城市有向路段流量，城市路网有向流量可表达为r_flo＝{…,flo_pi→pj,flo_pj→pi,…}；

给定任一有向路段(p_i,p_j)，提取轨迹子集Tra_[t1,t2]中所有由路网节点p_i经过路网节点p_j的轨迹数量m_pi→pj以其轨迹长度之和len_pi→pj，居民出行对于有向路段(p_i,p_j)的依赖度dep_pi→pj计算为：

且城市路网中所有有向路段依赖度可表达为r_dep＝{…,dep_pi→pj,dep_pj→pi,…}；

给定任一有向路段(p_i,p_j)的流量值flo_pi→pj和依赖度dep_pi→pj，其核心度deg_pi→pj计算为：

其中，α表示流量指标权重；max_{r_flo}和min_{r_flo}分别表示r_flo中最大值和最小值；max_{r_dep}和min_{r_dep}分别表示r_dep中最大值和最小值。

其中，所述步骤3具体包括：

给定研究区域内所有有向路段集合，选择其中核心度最大的有向路段作为种子路段，提取种子路段的所有邻居路段进行排列组合形成一阶候选扩展域；

计算所有一阶候选扩展域和种子路段组合后的一阶统计量，将一阶统计量的最大值对应的一阶候选扩展域合并记为一阶交通廊道；

提取一阶交通廊道内路段的所有邻居路段，进行排列组合形成二阶候选扩展域，计算所有二阶候选扩展域和一阶交通廊道组合后的二阶统计量，若二阶统计量大于一阶统计量，将二阶统计量的最大值对应的二阶候选扩展域合并至一阶交通廊道记为二阶交通廊道，否则停止扩展；

停止扩展后输出一阶交通廊道作为研究区域内的一条城市交通廊道，删除有向路段集合内城市交通廊道含有的有向路段，直至探测出全部交通廊道。

其中，所述步骤3还包括：

对于包含k条路段的集合{r₁,r₂,…,r_k}，利用

度量其一致性：

其中，N表示研究区域内路段总数量；deg_j表示路段r_j的核心度，

和S分别表示研究区域内所有路段的核心度均值和标准差；w_ij表示路段间的有向邻接关系判断函数，路段r_j是路段r_i的邻接路段则取1，否则取0。

本发明的上述方案有如下的有益效果：

本发明的上述实施例所述的基于多向最优扩展的城市有向交通廊道识别方法构建实际路网中机动车出行流量值和路径选择依赖度指标识别路网空间中城市交通廊道，建模城市有向路段拓扑信息，利用一种多向优化扩展的策略能够稳健有效识别转向级别的城市交通廊道，解决现有城市交通廊道识别方法无法充分顾及居民出行特征且难以识别有向路段级交通廊道的问题。

本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。

附图说明

图1为本发明的基于多向最优扩展的城市有向交通廊道识别方法流程图；

图2是本发明的部分出租车轨迹与研究区域；

图3是本发明的一阶多向优化扩展过程示意图；

图4是本发明的城市交通廊道识别结果。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

如图1所示，本发明的实施例提供了一种基于多向最优扩展的城市有向交通廊道识别方法，包括：

步骤1，获取原始轨迹数据集，对所述原始轨迹数据进行数据清洗和路网匹配，利用时间槽提取特定时段的轨迹子集，对城市有向路网进行建模；

步骤2，计算城市有向路网的流量值和依赖度，融合所述流量值和所述依赖度计算有向路段的核心度；

步骤3，根据所述有向路段的核心度确定种子路段，提取种子路段的所有邻居路段进行排列组合，探测出全部交通廊道，形成城市有向交通廊道网络。

其中，所述步骤1中对所述原始轨迹数据进行数据清洗和路网匹配的步骤具体包括：

在所述原始轨迹数据集中提取相同车辆号的轨迹点，按照时间升序排列获得机动车的出行轨迹序列，并将任一机动车C出行轨迹表达为Tra_c＝{(x_C,1,y_C,1,t_C,1),(x_C,2,y_C,2,t_C,2),…,(x_C,k,y_C,k,t_C,k),…}，删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据；其中，(x_C,k,y_C,k)表示机动车C在时刻t_C,k的位置坐标；

考虑城市路网拓扑信息、路网距离和行驶速度约束，利用适应于低采样频率轨迹数据的地图匹配算法将轨迹点投影到正确的城市路网空间，机动车C出行轨迹表达为Tra_c＝{(px_C,1,py_C,1,t_C,1,r_C,1),(px_C,2,py_C,2,t_C,2,r_C,2),…,(px_C,k,py_C,k,t_C,k,r_C,k),…}，其中，(px_C,k,py_C,k)表示时刻t_C,k机动车C在路段r_C,k的映射位置坐标。

其中，所述步骤1中利用时间槽提取特定时段的轨迹子集的步骤具体包括：

设置时间槽，给定任一轨迹Tra_c＝{(px_C,1,py_C,1,t_C,1,r_C,1),…,(px_C,n,py_C,n,t_C,n,r_C,n)}，若满足t₁<t_C,1<t_C,n<t₂，则Tra_c属于时间槽[t₁,t₂]，从全部轨迹数据中提取特定时间槽[t₁,t₂]内的所有出行轨迹Tra_[t1,t2]。

其中，所述步骤1中对城市有向路网进行建模的步骤具体包括：

通过编程语言读取研究区域内的城市路网数据，进而提取城市路网的有向路段信息和有向拓扑信息；

所述有向路段信息rs表达为{(p_1,1,p_1,2,r₁),…,(p_i,1,p_i,2,r_i),…}，其中(p_i,1,p_i,2,r_i)表示现实世界中从点位置p_i,1移动到点p_i,2经过的路段是r_i，若p_i,2＝p_j,1或p_i,1＝p_j,2，则r_j和r_i互为邻居路段；

所述向拓扑信息topo表达为{(r_{1_1},r_{1_2},…,r_{1_h1}),…,(r_{i_1},r_{i_2},…,r_{i_hi}),…}，其中(r_{i_1},r_{i_2},…,r_{i_hi})表示路网中r_i的邻居路段集合。

其中，所述步骤2具体包括：

根据所述轨迹子集Tra_[t1,t2]和城市有向路段信息rs，依次统计时段[t₁,t₂]内所有城市有向路段流量，城市路网有向流量可表达为r_flo＝{…,flo_pi→pj,flo_pj→pi,…}；

给定任一有向路段(p_i,p_j)，提取轨迹子集Tra_[t1,t2]中所有由路网节点p_i经过路网节点p_j的轨迹数量m_pi→pj以其轨迹长度之和len_pi→pj，居民出行对于有向路段(p_i,p_j)的依赖度dep_pi→pj计算为：

且城市路网中所有有向路段依赖度可表达为r_dep＝{…,dep_pi→pj,dep_pj→pi,…}；

给定任一有向路段(p_i,p_j)的流量值flo_pi→pj和依赖度dep_pi→pj，其核心度deg_pi→pj计算为：

其中，α表示流量指标权重；max_{r_flo}和min_{r_flo}分别表示r_flo中最大值和最小值；max_{r_dep}和min_{r_dep}分别表示r_dep中最大值和最小值。

其中，所述步骤3具体包括：

给定研究区域内所有有向路段集合，选择其中核心度最大的有向路段作为种子路段，提取种子路段的所有邻居路段进行排列组合形成一阶候选扩展域；

计算所有一阶候选扩展域和种子路段组合后的一阶统计量，将一阶统计量的最大值对应的一阶候选扩展域合并记为一阶交通廊道；

提取一阶交通廊道内路段的所有邻居路段，进行排列组合形成二阶候选扩展域，计算所有二阶候选扩展域和一阶交通廊道组合后的二阶统计量，若二阶统计量大于一阶统计量，将二阶统计量的最大值对应的二阶候选扩展域合并至一阶交通廊道记为二阶交通廊道，否则停止扩展；

停止扩展后输出一阶交通廊道作为研究区域内的一条城市交通廊道，删除有向路段集合内城市交通廊道含有的有向路段，直至探测出全部交通廊道。

其中，所述步骤3还包括：

对于包含k条路段的集合{r₁,r₂,…,r_k}，利用

度量其一致性：

其中，N表示研究区域内路段总数量；deg_j表示路段r_j的核心度，

和S分别表示研究区域内所有路段的核心度均值和标准差；w_ij表示路段间的有向邻接关系判断函数，路段r_j是路段r_i的邻接路段则取1，否则取0。

本发明的上述实施例所述的基于多向最优扩展的城市有向交通廊道识别方法构建实际路网中机动车出行流量值和路径选择依赖度指标识别路网空间中城市交通廊道，建模城市有向路段拓扑信息，利用一种多向优化扩展的策略能够稳健有效识别转向级别的城市交通廊道，解决现有城市交通廊道识别方法无法充分顾及居民出行特征且难以识别有向路段级交通廊道的问题。

第一实施例

采用中国深圳市2016年9月1日出租车轨迹数据对本发明的具体实施进行说明：

实施例中选择中国深圳市作为研究区域，采用的数据为13802条有向路段和225930个出租车轨迹点数据。该数据时间为2016年9月1日，轨迹点时间分辨率约20秒，部分轨迹数据与研究区域如图2所示。

在原始轨迹数据集中提取相同车辆号的轨迹点，按照时间升序排列获得某机动车的出行轨迹序列。然后，删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据。进一步，时间槽[t₁,t₂]设置为[06:00,10:00]，提取轨迹子集Tra_{[06:00,10:00]}。最后，顾及城市路网拓扑信息、路网距离和行驶速度约束，采用一种适应于低采样频率轨迹数据的地图匹配算法ST-Matching将轨迹点投影到正确的城市路网空间。

提取城市路网的有向路段信息rs和有向拓扑信息topo。其中，有向路段信息rs表达为{(p_1,1,p_1,2,r₁),…,(p_i,1,p_i,2,r_i),…}；有向拓扑信息topo表达为{(r_{1_1},r_{1_2},…,r_{1_h1}),…,(r_{i_1},r_{i_2},…,r_{i_hi}),…}。

根据轨迹子集Tra_{[06:00,10:00]}和城市有向路段信息rs，依次计算时段[06:00,10:00]内所有有向路段流量值和依赖度，其中，任一有向路段(p_i,p_j)的依赖度dep_pi→pj计算为：

式中，m_pi→pj和len_pi→pj分别表示轨迹子集Tra_{[06:00,10:00]}中所有由路网节点p_i经过路网节点p_j的轨迹数量和轨迹长度之和。基于此，计算所有有向路段的核心度，其中，任一有向路段(p_i,p_j)的核心度deg_pi→pj计算为：

其中，flo_pi→pj和dep_pi→pj分别表示有向路段(P_i→P_j)的流量值和依赖度。α在本实施案例中取值为0.5。

给定研究区域内所有有向路段集合rs，选择其中核心度最大的有向路段作为种子路段r_seed，提取种子路段r_seed的所有邻居路段进行排列组合形成一阶候选扩展域。基于此，计算所有一阶候选扩展域和种子路段r_seed组合后的

统计量，将其中最大值记为

同时将/>

对应的一阶候选扩展域合并至r_seed记为一阶交通廊道tran_cor₁。如图3所示，有向路段r₁作为种子路段r_seed，(r₂,r₄)和r₁组合后对应的/>

统计量值最大，tran_cor₁＝{r₁,r₂,r₄}。

提取一阶交通廊道tran_cor₁内路段的所有邻居路段，进行排列组合形成二阶候选扩展域。同理，基于此，计算所有二阶候选扩展域和一阶交通廊道tran_cor₁组合后的

统计量，将其中最大值记为/>

若/>

则将/>

对应的二阶候选扩展域合并至tran_cor₁记为二阶交通廊道tran_cor₂；否则停止扩展。

重复上述扩展步骤，直到第k阶候选扩展域对应的最大

统计量

停止扩展过程。输出此时(k-1)阶交通廊道tran_cor_k-1作为研究区域内的一条城市交通廊道tran_cor¹，删除有向路段集合rs内tran_cor¹内含有的有向路段。

设置p为0.0005，直至探测出13802*0.0005≈7条交通廊道，将所有城市交通廊道表示为{tran_cor¹,tran_cor²,tran_cor³,…,tran_cor^N*p}。研究区域中交通廊道探测结果如图4所示。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于多向最优扩展的城市有向交通廊道识别方法，其特征在于，包括：

步骤1，获取原始轨迹数据集，对所述原始轨迹数据进行数据清洗和路网匹配，利用时间槽提取特定时段的轨迹子集，对城市有向路网进行建模；

所述利用时间槽提取特定时段的轨迹子集的步骤具体包括：

设置时间槽，给定任一轨迹Tra_c＝{(px_C,1,py_C,1,t_C,1,r_C,1),…,(px_C,n,py_C,n,t_C,n,r_C,n)}，若满足t₁<t_C,1<t_C,n<t₂，则Tra_c属于时间槽[t₁,t₂]，从全部轨迹数据中提取特定时间槽[t₁,t₂]内的所有出行轨迹Tra_[t1,t2]；其中，(px_C,n,py_C,n)表示时刻t_C,n机动车C在路段r_C,n的映射位置坐标；

所述对城市有向路网进行建模的步骤具体包括：

通过编程语言读取研究区域内的城市路网数据，进而提取城市路网的有向路段信息和有向拓扑信息；

所述有向路段信息rs表达为{(p_1,1,p_1,2,r₁),…,(p_i,1,p_i,2,r_i),…}，其中(p_i,1,p_i,2,r_i)表示现实世界中从点位置p_i,1移动到点p_i,2经过的路段是r_i，若p_i,2＝p_j,1或p_i,1＝p_j,2，则r_j和r_i互为邻居路段；

所述有向拓扑信息topo表达为{(r_{1_1},r_{1_2},…,r_{1_h1}),…,(r_{i_1},r_{i_2},…,r_{i_hi}),…}，其中(r_{i_1},r_{i_2},…,r_{i_hi})表示路网中r_i的邻居路段集合；

步骤2，计算城市有向路网的流量值和依赖度，融合所述流量值和所述依赖度计算有向路段的核心度；具体包括：

根据所述轨迹子集Tra_[t1,t2]和城市有向路段信息rs，依次统计时段[t₁,t₂]内所有城市有向路段流量，城市路网有向流量可表达为r_flo＝{…,flo_pi→pj,flo_pj→pi,…}；其中，flo_pi→pj为任一有向路段(p_i,p_j)的流量值；

给定任一有向路段(p_i,p_j)，提取轨迹子集Tra_[t1,t2]中所有由路网节点p_i经过路网节点p_j的轨迹数量m_pi→pj以及其轨迹长度之和len_pi→pj，居民出行对于有向路段(p_i,p_j)的依赖度dep_pi→pj计算为：

且城市路网中所有有向路段依赖度可表达为r_dep＝{…,dep_pi→pj,dep_pj→pi,…}；其中，dep_pi→pj为任一有向路段(p_i,p_j)的依赖度；

给定任一有向路段(p_i,pj)的流量值flo_pi→pj和依赖度dep_pi→pj，其核心度deg_pi→pj计算为：

其中，α表示流量指标权重；max_{r_flo}和min_{r_flo}分别表示r_flo中最大值和最小值；max_{r_dep}和min_{r_dep}分别表示r_dep中最大值和最小值；步骤3，根据所述有向路段的核心度确定种子路段，提取种子路段的所有邻居路段进行排列组合，探测出全部交通廊道，形成城市有向交通廊道网络；具体包括：

给定研究区域内所有有向路段集合，选择其中核心度最大的有向路段作为种子路段，提取种子路段的所有邻居路段进行排列组合形成一阶候选扩展域；

计算所有一阶候选扩展域和种子路段组合后的一阶统计量，将一阶统计量的最大值对应的一阶候选扩展域合并记为一阶交通廊道；

提取一阶交通廊道内路段的所有邻居路段，进行排列组合形成二阶候选扩展域，计算所有二阶候选扩展域和一阶交通廊道组合后的二阶统计量，若二阶统计量大于一阶统计量，将二阶统计量的最大值对应的二阶候选扩展域合并至一阶交通廊道记为二阶交通廊道，否则停止扩展；

停止扩展后输出一阶交通廊道作为研究区域内的一条城市交通廊道，删除有向路段集合内城市交通廊道含有的有向路段，直至探测出全部交通廊道。

2.根据权利要求1所述的基于多向最优扩展的城市有向交通廊道识别方法，其特征在于，所述步骤1中对所述原始轨迹数据进行数据清洗和路网匹配的步骤具体包括：

在所述原始轨迹数据集中提取相同车辆号的轨迹点，按照时间升序排列获得机动车的出行轨迹序列，并将任一机动车C出行轨迹表达为Tra_c＝{(x_C,1,y_C,1,t_C,1),(x_C,2,y_C,2,t_C,2),…,(xC,k,yC,k,tC,k),…}，删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据；其中，(xC,k,yC,k)表示机动车C在时刻tC,k的位置坐标；

考虑城市路网拓扑信息、路网距离和行驶速度约束，利用适应于低采样频率轨迹数据的地图匹配算法将轨迹点投影到正确的城市路网空间，机动车C出行轨迹表达为Tra_c＝{(pxC,1,py_C,1,t_C,1,r_C,1),(px_C,2,pyC,2,t_C,2,r_C,2),…,(px_C,k,py_C,k,t_C,k,r_C,k),…}，其中，(px_C,k,py_C,k)表示时刻t_C,k机动车C在路段r_C,k的映射位置坐标。

3.根据权利要求1所述的基于多向最优扩展的城市有向交通廊道识别方法，其特征在于，所述步骤3还包括：

对于包含k条路段的集合{r₁,r₂,…,r_k}，利用

度量其一致性：

其中，N表示研究区域内路段总数量；deg_j表示路段r_j的核心度，

和S分别表示研究区域内所有路段的核心度均值和标准差；w_ij表示路段间的有向邻接关系判断函数，路段r_j是路段r_i的邻接路段则取1，否则取0。

Images