CN115206095B - 一种卡口过车轨迹数据重构方法 - Google Patents

Abstract

本发明涉及智能交通技术领域，具体公开了一种卡口过车轨迹数据重构方法，其中，包括：获取卡口过车轨迹数据，所述卡口过车轨迹数据包括经过卡口的每辆车的出行轨迹；根据预设出行时间间隔划分每辆车的出行轨迹，得到每辆车的N份出行轨迹，其中N为大于或者等于1的自然数；对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹，其中M≤N；根据每辆车的M份出行轨迹进行车辆轨迹重构，得到每辆车的车辆出行重构轨迹。本发明提供的卡口过车轨迹数据重构方法能够消除由于卡口分布造成的数据不均衡问题。

Description

一种卡口过车轨迹数据重构方法

技术领域

本发明涉及智能交通技术领域，尤其涉及一种卡口过车轨迹数据重构方法。

背景技术

目前，交管部门对路面车辆管控的信息化系统主要依托的是卡口上传的过车轨迹数据，相较于车辆本身的GPS数据，受卡口位置分布疏密的影响易导致数据过分冗余，或者数据精确度不够，从而无法满足交警对违法车辆精准管控的迫切需求。

因此，如何能够通过对卡口采集的过车数据进行重构，以消除数据的不均衡性成为本领域技术人员亟待解决的技术问题。

发明内容

本发明提供了一种卡口过车轨迹数据重构方法，解决相关技术中存在的卡口分布导致的数据不均衡的问题。

作为本发明的一个方面，提供一种卡口过车轨迹数据重构方法，其中，包括：

获取卡口过车轨迹数据，所述卡口过车轨迹数据包括经过卡口的每辆车的出行轨迹；

根据预设出行时间间隔划分每辆车的出行轨迹，得到每辆车的N份出行轨迹，其中N为大于或者等于1的自然数；

对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹，其中M≤N；

根据每辆车的M份出行轨迹进行车辆轨迹重构，得到每辆车的车辆出行重构轨迹。

进一步地，经过卡口的每辆车的出行轨迹包括：过车时间和经纬度信息。

进一步地，根据预设出行时间间隔划分每辆车的出行轨迹，得到每辆车的N份出行轨迹，包括：

根据每辆车的过车时间对每辆车的经纬度进行排序；

对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分，得到每辆车的N份出行轨迹。

进一步地，根据每辆车的过车时间对每辆车的经纬度进行排序，包括：

根据每辆车的过车时间对每辆车的经纬度进行升序排列。

进一步地，对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分，得到每辆车的N份出行轨迹，包括：

根据每辆车升序排列后的经纬度按照预设出行时间间隔划分N-1次，得到每辆车的N份出行轨迹。

进一步地，对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹，包括：

根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹。

进一步地，根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹，包括：

根据K-means算法对每辆车的N份出行轨迹进行聚类，并设置聚类中心数为2，以将每辆车的N份出行轨迹中的每份分为两类；

计算每类的轨迹的数量，并将轨迹数量低于预设阈值的轨迹种类确定为离群点并删除该离群点；

若分类后的两类轨迹数量一致，则判定该次出行无效并删除；

获得每辆车的M份出行轨迹，其中M≤N。

进一步地，根据每辆车的M份出行轨迹进行车辆轨迹重构，得到每辆车的车辆出行重构轨迹，包括：

针对每辆车的M份出行轨迹，根据卡尔曼滤波算法对经纬度进行插值处理，得到每辆车的车辆出行重构轨迹。

本发明提供的卡口过车轨迹数据重构方法，通过设置出行时间间隔划分每辆车的出行轨迹，然后针对每次出行利用k-means算法提出离群轨迹的，最后利用KF算法重构出行轨迹，最终获得的轨迹能较全面地反映车辆出行特征，便于交管部门掌握重点车辆的出行习惯，从而消除由于卡口分布造成的数据不均衡问题。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1为本发明提供的卡口过车轨迹数据重构方法的流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。

为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本实施例中提供了一种卡口过车轨迹数据重构方法，图1是根据本发明实施例提供的卡口过车轨迹数据重构方法的流程图，如图1所示，包括：

S100、获取卡口过车轨迹数据，所述卡口过车轨迹数据包括经过卡口的每辆车的出行轨迹；

应当理解的是，卡口过车轨迹是由车辆经过卡口时被卡口抓拍到的图像进行特征识别转化而来，其一般包含车辆号牌、过车时间、经度和纬度等信息。

在本发明实施例中，经过卡口的每辆车的出行轨迹包括：过车时间和经纬度信息。

S200、根据预设出行时间间隔划分每辆车的出行轨迹，得到每辆车的N份出行轨迹，其中N为大于或者等于1的自然数；

在本发明实施例中，具体可以包括：

根据每辆车的过车时间对每辆车的经纬度进行排序；

对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分，得到每辆车的N份出行轨迹。

进一步具体地，根据每辆车的过车时间对每辆车的经纬度进行排序，包括：

根据每辆车的过车时间对每辆车的经纬度进行升序排列。

进一步具体地，对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分，得到每辆车的N份出行轨迹，包括：

根据每辆车升序排列后的经纬度按照预设出行时间间隔划分N-1次，得到每辆车的N份出行轨迹。

应当理解的是，针对每辆车，提取其对应的所有过车轨迹信息，包括过车时间、经度、纬度信息。根据过车时间对车辆经纬度进行升序排列，从第一个经纬度对开始，当上下连续两个GPS点的时间间隔大于120分钟时进行一次划分。假设对该车的轨迹数据划分了N-1次，则形成N份出行轨迹。

S300、对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹，其中M≤N；

在本发明实施例中，具体可以包括：

根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹。

进一步具体地，根据K-means算法对每辆车的N份出行轨迹进行聚类，并设置聚类中心数为2，以将每辆车的N份出行轨迹中的每份分为两类；

计算每类的轨迹的数量，并将轨迹数量低于预设阈值的轨迹种类确定为离群点并删除该离群点；

若分类后的两类轨迹数量一致，则判定该次出行无效并删除；

获得每辆车的M份出行轨迹，其中M≤N。

应当理解的是，完成出行划分形成n条出行轨迹后，利用K-means算法对每份轨迹进行聚类，设置聚类中心数k为2，将每份轨迹分为两类，计算每类的轨迹的数量，判断数据较少的轨迹种类为离群点并删除，如果分类后两类轨迹数量一致，则判定该次出行无效并删除。最终，每辆车都能形成M(M≤N)份轨迹。

S400、根据每辆车的M份出行轨迹进行车辆轨迹重构，得到每辆车的车辆出行重构轨迹。

在本发明实施例中，针对每辆车的M份出行轨迹，根据卡尔曼滤波算法对经纬度进行插值处理，得到每辆车的车辆出行重构轨迹。

针对每辆车的M份轨迹，利用卡尔曼滤波算法对经纬度对进行插值处理，使出行轨迹分布更加均匀。卡尔曼滤波算法被广泛应用与卫星导航领域中，其本质是一种数据融合算法，将具有同样测量目的、来自不同传感器、具有不同单位的数据融合在一起，得到一个更加精确的目标测量值。卡尔曼滤波算法对真实值的估计分为预测和更新两个过程，首先预测过程为：

θ′_k＝A<θ_k-1>+Bu_k-1 (1)

∑′_k＝A∑_k-1A^T+Q (2)

更新过程为：

S′_k＝(C∑′_kC^T+R)^-1 (3)

K′_k＝∑′_kC^TS′_k (4)

<θ_k>＝θ′_k+K′_k(z_k-Cθ′_k) (5)

∑_k＝(I-K′_kC)∑′_k (6)

首先矩阵A、C、B、u_k、Q、R是已知的，θ′_k表示待求的第k个经纬度点预测值，<θ_k-1>和<θ_k>表示第k-1和第k个经纬度估计值，z_k表示第k个经纬度点测量值即为轨迹点经纬度集合里的任意一点。算法的运行步骤为：

①根据公式(1)和公式(2)计算θ′_k以及预测值与真实值之间的协方差矩阵∑′_k；

②根据公式(3)和公式(4)计算卡尔曼增益K′_k，然后根据公式(5)估计第k个经纬度估计值<θ_k>；

③根据公式(6)计算估计值与真实值之间的误差协方差矩阵∑_k，用于下一次递推。

重复步骤①～③，最终得到所有经纬度点的预测值即为经纬度点平滑后的值。

综上，本发明提供的卡口过车轨迹数据重构方法，通过设置出行时间间隔划分每辆车的出行轨迹，然后针对每次出行利用k-means算法提出离群轨迹的，最后利用KF算法重构出行轨迹，最终获得的轨迹能较全面地反映车辆出行特征，便于交管部门掌握重点车辆的出行习惯，从而消除由于卡口分布造成的数据不均衡问题。

下面结合本发明具体实施例对前文所述卡口过车轨迹数据重构方法进行详细描述。

第一步，提取所有待研究的卡口过车轨迹，相关信息示例如下表：

第二步，针对每辆车进行出行划分，以A为例，因为2021-05-01 14：10：10和2021-05-02 09：10：10两GPS时间间隔大于120分钟则将A的轨迹划分为两次出行，如下表：

第三步，利用k均值聚类算法(K-means)删除离群轨迹点。

例如，针对A车第一次出行剔除离群点，设定聚类中心k＝2对这三个经纬度点进行k-means算法分类，聚类后设(121.1，31.1)为a类，(121.2，31.2)和(121.2，31.2)为b类，因为a的类中轨迹点的数量少于b类因此删去a类。对A车的第二次出行剔除离群点，经过聚类后，设(121.3，31.3)为a类，(121.4，31.4)为b类，因为a类轨迹数量与b类相同，则将第二次出行所有轨迹删除，至此A车剩余一次出行轨迹，其轨迹点集合为[(121.2，31.2)，(121.2，31.2)]。

第四步，利用卡尔曼滤波算法(KF)对车辆轨迹进行重构。

KF模型只需在插值开始阶段输入初始值，随后算法自动迭代不断输出预测值。假设针对A车的唯一一次出行轨迹，当前输入第1个经纬度，开始平滑第2个经纬度。首先设定A、C、Q、R都为单位矩阵，<θ₁>＝z(1)＝[121.2，31.2]，Bu_k-1＝0，代入方程(1)和(2)分别求得θ′₂和∑‘₂，其中θ′₂即为第2个经纬度的预测值即平滑值。当到平滑第3个经纬度时，将θ′₂、∑‘₂和观测到的Z(2)代入方程(3)、(4)、(5)求出<θ₂>和∑₂，再回代入方程(1)和(2)求出θ′₃和∑‘₃，其中求得的θ′₃即为第3个经纬度平滑值，由此不断迭代进行平滑。

综上，本发明提供的卡口过车轨迹数据重构方法，针对卡口上传的过车轨迹数据，设置出行时间间隔划分每辆车的出行轨迹，然后针对每次出行利用k均值聚类算法提出离群轨迹的，最后利用算法重构出行轨迹从而消除由于卡口分布造成的数据不均衡问题。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (1)

1.一种卡口过车轨迹数据重构方法，其特征在于，包括：

获取卡口过车轨迹数据，所述卡口过车轨迹数据包括经过卡口的每辆车的出行轨迹；

根据预设出行时间间隔划分每辆车的出行轨迹，得到每辆车的N份出行轨迹，其中N为大于或者等于1的自然数；

对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹，其中M≤N；

根据每辆车的M份出行轨迹进行车辆轨迹重构，得到每辆车的车辆出行重构轨迹；

对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹，包括：

根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹；

根据均值聚类算法对每辆车的N份出行轨迹进行聚类处理，得到每辆车的M份出行轨迹，包括：

根据K-means算法对每辆车的N份出行轨迹进行聚类，并设置聚类中心数为2，以将每辆车的N份出行轨迹中的每份分为两类；

计算每类的轨迹的数量，并将轨迹数量低于预设阈值的轨迹种类确定为离群点并删除该离群点；

若分类后的两类轨迹数量一致，则判定该次出行无效并删除；

获得每辆车的M份出行轨迹，其中M≤N；

根据每辆车的M份出行轨迹进行车辆轨迹重构，得到每辆车的车辆出行重构轨迹，包括：

针对每辆车的M份出行轨迹，根据卡尔曼滤波算法对经纬度进行插值处理，得到每辆车的车辆出行重构轨迹；

经过卡口的每辆车的出行轨迹包括：过车时间和经纬度信息；

根据预设出行时间间隔划分每辆车的出行轨迹，得到每辆车的N份出行轨迹，包括：

根据每辆车的过车时间对每辆车的经纬度进行排序；

对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分，得到每辆车的N份出行轨迹；

根据每辆车的过车时间对每辆车的经纬度进行排序，包括：

根据每辆车的过车时间对每辆车的经纬度进行升序排列；

对排序后的每辆车的出行轨迹按照预设出行时间间隔进行划分，得到每辆车的N份出行轨迹，包括：

根据每辆车升序排列后的经纬度按照预设出行时间间隔划分N-1次，得到每辆车的N份出行轨迹。