CN115631082B - 一种基于高速路网拓扑结构的多场景路径还原方法 - Google Patents

一种基于高速路网拓扑结构的多场景路径还原方法 Download PDF

Info

Publication number
CN115631082B
CN115631082B CN202211644714.7A CN202211644714A CN115631082B CN 115631082 B CN115631082 B CN 115631082B CN 202211644714 A CN202211644714 A CN 202211644714A CN 115631082 B CN115631082 B CN 115631082B
Authority
CN
China
Prior art keywords
node
nodes
track
time
record data
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
CN202211644714.7A
Other languages
English (en)
Other versions
CN115631082A (zh
Inventor
胡昕宇
郭琦
朱磊
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.)
Nanjing Microvideo Technology Co ltd
Original Assignee
Nanjing Microvideo Technology 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 Nanjing Microvideo Technology Co ltd filed Critical Nanjing Microvideo Technology Co ltd
Priority to CN202211644714.7A priority Critical patent/CN115631082B/zh
Publication of CN115631082A publication Critical patent/CN115631082A/zh
Application granted granted Critical
Publication of CN115631082B publication Critical patent/CN115631082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G06Q50/40—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明涉及一种基于高速路网拓扑结构的多场景路径还原方法，包括：以门架为节点，门架间关系为边，将高速路网抽象化为有向图；计算两两节点间的最小深度，并用矩阵表示；结合车辆轨迹记录数据上下行方向及节点方位角，剔除反向错误节点记录数据；利用节点间深度关系识别并修正存在错乱的节点时间；根据节点间深度关系及节点归属判断节点出、入口丢失情况并进行补全，并切分不同轨迹的节点；对还原后的轨迹记录进行时间序列拟合。本发明的方法克服了流水数据在多场景中产生的数据错、乱、重等质量问题，可输出更精确、更干净的车辆通行轨迹记录数据。

Description

一种基于高速路网拓扑结构的多场景路径还原方法
技术领域
本发明属于智慧交通信息化领域，涉及一种基于高速路网拓扑结构的多场景路径还原方法。
背景技术
自2020年开始，全国高速公路取消了全部487个省界收费站，由封闭式收费切换至开放式断面自由流收费模式，同时ETC系统（Electronic Toll Collection System，电子收费系统，简称ETC系统）已大范围普及，由此高速路网进入全国一张网的新局面。
开放模式在带来便利的同时，也带来了一些新的挑战。当前收费系统主要通过与车载CPC卡或ETC卡通信来记录该车的通行轨迹数据（即流水数据），并根据各路段的收费费率进行通行费用的结算。车辆通行轨迹作为费用结算的基础数据，起着决定性作用，但在实际情况中，车辆通行轨迹数据质量将会受到以下影响：
数据错误：ETC卡和CPC卡的感应范围较广，车辆在高速公路驾驶过程中，其携带的卡片很容易被反向车道门架上的天线感应到，将会导致设备增加对车辆轨迹的错误记录；并且车辆在经过交通枢纽或U型等转向道路时，也会因为信号噪声较多，导致其轨迹数据记录发生混乱。
数据丢失：高速路网数千上万个门架都是暴露在室外环境中，天线设备的运行状态、大风大雨等极端天气环境都会对车载卡片的交易通信产生影响；此外，由于人为主动的信号屏蔽（违法逃费）或不可控因素的被动信号屏蔽（环境干扰），也会造成车辆通行轨迹数据的记录丢失。
数据重复：车辆轨迹数据重复主要发生在道路拥堵情况下，当车辆缓慢行驶和停驻时，其车载的卡片会不断与门架天线设备通信，从而产生了众多的重复数据，甚至也会包含反向车道的错误数据。
数据错乱：轨迹数据错乱问题主要是门架通信设备的时间钟错乱导致的，在此情况下，车辆依次正常通行经过数个门架后，实际按设备通信时间记录顺序排序的轨迹数据却是错乱的，再叠加以上多种情况，会对轨迹记录产生很大影响。
针对上述车辆轨迹数据一系列的数据质量问题，需要有效的路径还原方法对数据进行修复，目前交通行业业务系统已应用的方法主要有以下两种：使用牌识数据作为辅助数据来验证流水数据并进行数据融合；使用路网拓扑结构计算门架间的最短距离并判断遗漏点与错误点。第一种方式虽然增加了数据集的体量，但也增加了数据处理的复杂程度：牌识数据是依赖门架上的视频设备，基于视频识别算法识别车牌对车辆轨迹进行记录的，所以极端恶劣天气（如大雾、大雨）、大小车跟随等情况以及识别算法准确度等因素都会造成数据的错误，要融合牌识与流水数据将非常困难，时效性也无法保证。第二种方式利用了高速路网间的拓扑结构关系判断两个门架间的深度关系，如果不可达则判断为错误点，如果可达但深度大于1则补充遗漏点，但该应用手段尚不成熟，仅仅通过最短距离判断门架间关系没有考虑到真实环境中司机的通行方式，也没有考虑到收费站出入口数据丢失等多种更加复杂的场景。
发明内容
本发明的目的在于克服流水数据在多场景中产生的数据错、乱、重等质量问题，利用路网拓扑结构与空间地理信息等算法，提供一种基于高速路网拓扑结构的多场景路径还原方法，以输出更精确、更干净的车辆通行轨迹记录数据。
为实现上述技术目的，本发明采用如下技术方案：
一种基于高速路网拓扑结构的多场景路径还原方法，包括：
以门架为节点，门架间关系为边，将高速路网抽象化为有向图；
计算两两节点间的最小深度，并用矩阵表示；
结合车辆轨迹记录数据上下行方向及节点方位角，剔除反向错误节点记录数据；
利用节点间深度关系识别并修正存在错乱的节点时间；
根据节点间深度关系及节点归属判断节点出、入口丢失情况并进行补全，并切分不同轨迹的节点；
对还原后的轨迹记录进行时间序列拟合。
作为一种优选的实施方式，所述剔除反向错误节点记录数据包括：
获取某一车辆在指定时间范围内按时间排序的轨迹记录数据，该轨迹由各节点记录；
按照上行方向和下行方向对轨迹分组；
对上下行方向变化的相邻分组轨迹，以前一分组的最后一个节点为畸变起点对后一分组的各节点逐一进行方位角差值判断，方位角差值的绝对值大于预设阈值的即为需删除的畸变点。
作为一种优选的实施方式，所述轨迹分组包括：
对轨迹记录数据中的记录按上下行方向进行初步分组；
提取初步分组结果中的扭曲点，形成新的分组，所述扭曲点即因车辆被反向道路门架拍摄导致时间和拓扑顺序相反的记录点；
按照分组第一条记录的时间顺序排列，得到最终分组结果。
作为一种优选的实施方式，对上下行方向变化的相邻分组轨迹，当向后连续几个分组均为同向，则以前一分组的最后一个节点为畸变起点对所述连续几个分组的各节点逐一进行方位角差值判断，当不满足阈值条件时停止判断，并以连续几个分组中最后一个分组的最后一个节点作为畸变起点开始下一轮判断。
作为一种优选的实施方式，所述识别并修正存在错乱的节点时间包括：
对于剔除反向错误节点记录的轨迹记录数据，对轨迹记录数据中按时间排序的记 录依次两两记为
Figure 939556DEST_PATH_IMAGE001
、
Figure DEST_PATH_IMAGE002
，
Figure 919014DEST_PATH_IMAGE001
为有向图中弧的尾部，
Figure 229909DEST_PATH_IMAGE003
为头部，计算
Figure 156277DEST_PATH_IMAGE001
到
Figure 501808DEST_PATH_IMAGE003
的最小深度
Figure DEST_PATH_IMAGE004
：
如果
Figure 121008DEST_PATH_IMAGE004
大于预设阈值，则将
Figure 919200DEST_PATH_IMAGE001
和
Figure 383679DEST_PATH_IMAGE003
互换后计算最小深度
Figure DEST_PATH_IMAGE005
；
如果
Figure 114875DEST_PATH_IMAGE005
不大于预设阈值，且
Figure 373818DEST_PATH_IMAGE001
不为出口节点，判断
Figure 659305DEST_PATH_IMAGE001
是否是轨迹的第一个节点， 如果是，则
Figure 653107DEST_PATH_IMAGE006
之间的拓扑顺序有误，将其顺序修复，如果不是，则在轨迹中查找
Figure 707651DEST_PATH_IMAGE001
的上 游节点
Figure DEST_PATH_IMAGE007
，直到满足
Figure 934233DEST_PATH_IMAGE007
、
Figure 707017DEST_PATH_IMAGE001
的拓扑顺序正常，并将
Figure 247720DEST_PATH_IMAGE007
调至
Figure 422349DEST_PATH_IMAGE001
前以修复轨迹；
如果
Figure 23095DEST_PATH_IMAGE005
大于预设阈值，且
Figure 283175DEST_PATH_IMAGE001
不为出口节点，则认为
Figure 893148DEST_PATH_IMAGE003
节点异常。
作为一种优选的实施方式，所述方法还包括：
在修正错乱节点时间后，利用移动窗口识别并修正轨迹记录数据中的异常点：
遍历轨迹记录数据中的记录，对第1~N-1条记录的节点依次进行如下判断：
如果N＞
Figure 922284DEST_PATH_IMAGE008
，则获取当前节点与下游
Figure DEST_PATH_IMAGE009
个节点的最小深度
Figure 490668DEST_PATH_IMAGE010
，并统计
Figure 972465DEST_PATH_IMAGE010
＞
Figure DEST_PATH_IMAGE011
的个数u，如果u≤
Figure 651708DEST_PATH_IMAGE012
，则当前节点正常，否则当前节点异常；其中，
Figure 535351DEST_PATH_IMAGE009
为移动窗口大小；
Figure DEST_PATH_IMAGE013
为预设的节 点深度阈值；N为轨迹长度，即轨迹记录数据中的记录的数目；
找出所有异常点后，从轨迹记录数据中剔除。
作为一种优选的实施方式，节点补全及不同轨迹节点切分包括：
遍历轨迹记录数据中的记录，依次判断相邻记录的节点出、入口归属和拓扑连接关系；
如果相邻两个节点无拓扑连接关系，则该两个节点属于不同轨迹，为其补全最近的出/入口节点并切分轨迹；
如果相邻两个节点有拓扑连接关系且相邻两个节点均为内部节点，则根据两个节点是否邻接节点确定是否在相邻两个节点之间填充节点；
如果相邻两个节点有拓扑连接关系，且相邻两个节点中至少有一个为入口节点或出口节点，则不符合前一个节点为入口节点或后一个节点为出口节点的情况下，该两个节点属于不同轨迹，为入/出口节点其补全最近的出/入口节点并切分轨迹。
作为一种优选的实施方式，所述节点补全的方式包括：
遍历轨迹记录数据中的记录，获取相邻两个节点之间的最短路径轨迹；
存在出口节点/内部节点/入口节点丢失时，根据最短路径轨迹补充最近的出口节点/入口节点，或填充内部节点。
作为一种优选的实施方式，所述时间序列拟合的方式为：
根据待插值节点前后最近的有时间记录节点的时间结合节点间距，确定待插值节点的时间。优选的，如果待插值节点前后均有时间记录的节点，则利用前后节点间距和时间差计算车辆平均速度，从而换算待插值节点的时间；
如果待插值节点仅有在前或在后的节点有时间记录，则利用单位时间内的车流平均速度计算车辆速度的预估值，利用预估值换算待插值节点的时间。
本发明的方法基于高速路网门架的拓扑结构生成可达深度矩阵，对高速路网进行抽象化；全方面考虑到流水数据在多个场景下发生的错、乱、重等问题，并对有入无出、有出无入的情况做出处理；结合最短深度与最短路径距离算法，对丢失数据进行补全；采用空间地理信息分析算法对通行轨迹的上下行畸变处进行判断以识别异常点；基于时间段内的车速自适应拟合车辆通行速度，并对时间序列进行拟合，最终解决多场景下的轨迹数据问题。
具体实施方式
本发明的方法每次接收一辆车的单次或多次通行轨迹数据（包含时间与门架记录），输出为路径还原后的轨迹数据，具体步骤如下：
A1. 构建高速路网拓扑结构
高速路网的拍摄设备、天线设备与门架绑定在一起，而门架有其固定的编号与经纬度坐标，那么按时间序列顺序记录的每辆车经过的门架编号，可以表现出一辆车的行车轨迹。在对门架关系进行高速路网图构建时，分1）拓扑图构建，2）节点属性关系提取，3）拓扑图结构的矩阵表示三个步骤进行开展。
A1.1 拓扑图构建
本步骤以门架为对象，门架间的关系作为边，即可将高速路网抽象化为有向图结构，并作为路径还原算法的基础数据输入。具体定义如下：
有向图
Figure 540216DEST_PATH_IMAGE014
是由一个非空有限集合
Figure DEST_PATH_IMAGE015
和
Figure DEST_PATH_IMAGE016
中某些元素的有序对集合
Figure DEST_PATH_IMAGE017
构成的二元组， 记为
Figure 840134DEST_PATH_IMAGE018
；
Figure DEST_PATH_IMAGE019
为图
Figure 57489DEST_PATH_IMAGE014
的节点集，
Figure 795638DEST_PATH_IMAGE015
中的每一个元素
Figure 440246DEST_PATH_IMAGE020
为图
Figure 896635DEST_PATH_IMAGE014
的一个节点，即每个节点表示一个门架；
Figure DEST_PATH_IMAGE021
为图
Figure 917681DEST_PATH_IMAGE014
的弧集，
Figure 510336DEST_PATH_IMAGE016
中的每一个元素
Figure DEST_PATH_IMAGE022
记为
Figure 857004DEST_PATH_IMAGE023
，表示图
Figure 535110DEST_PATH_IMAGE014
的一条
Figure 94267DEST_PATH_IMAGE001
到
Figure 807008DEST_PATH_IMAGE003
的弧，此时，
Figure 262260DEST_PATH_IMAGE001
为
Figure DEST_PATH_IMAGE024
的尾部，
Figure 227330DEST_PATH_IMAGE025
为
Figure 324599DEST_PATH_IMAGE024
的头部，并称
Figure DEST_PATH_IMAGE026
为
Figure 423005DEST_PATH_IMAGE001
的出弧，
Figure 314737DEST_PATH_IMAGE003
的入弧。
Figure 967436DEST_PATH_IMAGE027
表示
Figure 868396DEST_PATH_IMAGE001
与
Figure 290150DEST_PATH_IMAGE003
之间的邻接距离（两个节点直接相邻的距离）；
Figure DEST_PATH_IMAGE028
为
Figure 883942DEST_PATH_IMAGE001
的出度，其中
Figure 758357DEST_PATH_IMAGE029
为所有是
Figure 463008DEST_PATH_IMAGE003
出弧的弧集；
Figure DEST_PATH_IMAGE030
为
Figure 270427DEST_PATH_IMAGE001
的 入度，其中
Figure 503962DEST_PATH_IMAGE031
为所有是
Figure 131253DEST_PATH_IMAGE001
入弧的弧集；
Figure DEST_PATH_IMAGE032
表示
Figure 639594DEST_PATH_IMAGE033
的节点个数。
本步骤的输入为门架间的邻接关系数据，其关键字段可见下表1：
表1 门架邻接关系表
source_gtr target_gtr adjacent_dis source_arc target_arc
G001 G002 1000 166°32’42.67 132°09’31.36
每一条数据表示一组门架的指向关系，source_gtr指向target_gtr。其中G001与 G002为门架编号，adjacent_dis为G001与G002的邻接距离(单位为米)，source_arc与 target_arc分别表示
Figure 770361DEST_PATH_IMAGE001
和
Figure DEST_PATH_IMAGE034
的坐标方位角。因此，图
Figure 708886DEST_PATH_IMAGE014
一条边的拓扑关系可以表现为
Figure 823473DEST_PATH_IMAGE035
。
A1.2 节点属性关系提取
门架在高速路网上主要有三种类型——入口门架，主线门架及出口门架。入口和 出口门架属于边界型门架，通过判断图
Figure DEST_PATH_IMAGE036
每个节点的入度和出度可以快速对其进行分类。定 义如下：
Figure 869926DEST_PATH_IMAGE037
为所有出口节点的集合；
Figure DEST_PATH_IMAGE038
为所有入口节点的集合；
Figure 386358DEST_PATH_IMAGE039
；
同时满足
Figure DEST_PATH_IMAGE040
，即入口门架不可能同时为出口门架。
考虑到问题研究背景及数据的完整性，输入的路网数据可能只包含部分省市，可 以根据实际情况对
Figure 492854DEST_PATH_IMAGE041
与
Figure DEST_PATH_IMAGE042
进行适当的调整。
A1.3 拓扑图结构的矩阵表示
在A2-A5步骤中，需要判断非邻接节点间的拓扑关系，其中之一判断依据就是两节 点之间的深度。本步骤基于图
Figure 360316DEST_PATH_IMAGE036
的网络结构，使用Dijkstra算法计算两两节点间的最小深度 （最短拓扑距离），并用矩阵进行表示。
首先基于高速路网拓扑网络节点的邻接关系构建用拓扑连接矩阵，邻接矩阵记为
Figure 679302DEST_PATH_IMAGE043
，其中
Figure DEST_PATH_IMAGE044
定义为：
Figure DEST_PATH_IMAGE045
再定义深度矩阵，
Figure DEST_PATH_IMAGE046
满足：
Figure 112557DEST_PATH_IMAGE047
A2. 轨迹畸变点处理
考虑到流水数据中包含很多脏数据——主要原因是反向车道上门架的天线设备捕获到卡信号，由于本作的路径还原算法是基于拓扑网络的深度关系开展的，如果反向门架数过多，会加大正确轨迹节点的识别误差。故本步骤提出轨迹畸变点识别方法，利用车辆轨迹的上下行标识，结合空间地理算法，判断出反向错误门架记录数据并剔除，详细方法步骤如下：
S1：获取某一车辆在指定时间范围内按时间序列排列轨迹记录数据，满足：
Figure DEST_PATH_IMAGE048
其中
Figure 389955DEST_PATH_IMAGE049
为门架编号，
Figure DEST_PATH_IMAGE050
表示上下行方向（
Figure 479134DEST_PATH_IMAGE051
表示道路是上行方向，
Figure DEST_PATH_IMAGE052
表示 道路是下行方向），
Figure 132969DEST_PATH_IMAGE053
为通过门架的时间，
Figure DEST_PATH_IMAGE054
为门架数量；
S2：对
Figure 638642DEST_PATH_IMAGE033
按上下行方向对轨迹进行分组：
首先，对
Figure 821361DEST_PATH_IMAGE033
中的记录按上下行方向进行初步分组，之后将分组结果中的扭曲点 提取出来，形成新的分组，最后按照分组第一条记录的时间顺序排列，得到最终分组结果。
所述扭曲点即因车辆被反向道路门架拍摄导致时间和拓扑顺序相反的记录点。
分组后的轨迹
Figure 397836DEST_PATH_IMAGE055
如下：
Figure DEST_PATH_IMAGE056
分组满足条件
Figure 589783DEST_PATH_IMAGE057
。
每个
Figure DEST_PATH_IMAGE058
都包含了按时间序列排序的同一上下行方向的门架序列，满足：
Figure DEST_PATH_IMAGE059
在本发明中，默认初始节点是可信点，于是
Figure DEST_PATH_IMAGE060
与
Figure DEST_PATH_IMAGE061
分别是车辆实际经过
Figure 997631DEST_PATH_IMAGE062
时产生实际门架记录和反向门架记录，
Figure 616831DEST_PATH_IMAGE061
为车辆实际道路上通过门架时 的记录。
S3：畸变点识别及方位角判断：
按照S2的分组结果，可知畸变点发生在上下行方向变化的两个相邻
Figure DEST_PATH_IMAGE063
中，如
Figure 680602DEST_PATH_IMAGE064
与
Figure DEST_PATH_IMAGE065
，
Figure 676239DEST_PATH_IMAGE066
与
Figure DEST_PATH_IMAGE067
，以此类推。本发明选择基于空间地理信息的方位角判 断方法，定义及流程如下：
方位角是以正北方向为基准（0°），顺时针旋转0-360°范围的衡量物体间角度差的方法之一；
Figure 876277DEST_PATH_IMAGE068
为指定门架点的方位角，由于门架在拓扑网络上只表示为单一的节 点，因此门架需要附着在道路上，并以该段道路的方位角作为本身节点的方位角（高速路网 地图是以一段段非常短的直线拼接构成的，每段道路都有其方位角）。该数据可从A1.1提及 的基础数据获取；
Figure DEST_PATH_IMAGE069
为方位角差值；
根据行业经验，车辆正常行驶状态下产生的畸变点方位角在90-110°左右，故设定 方位角阈值
Figure 666378DEST_PATH_IMAGE070
；
以
Figure DEST_PATH_IMAGE071
最后一个节点作为畸变起点
Figure 483024DEST_PATH_IMAGE072
，以
Figure DEST_PATH_IMAGE073
及
Figure 19704DEST_PATH_IMAGE074
内部节点依次作 为畸变终点
Figure DEST_PATH_IMAGE075
，逐一判断
Figure 339827DEST_PATH_IMAGE076
，并剔除所有
Figure DEST_PATH_IMAGE077
的
Figure 566409DEST_PATH_IMAGE075
节点，且当不满足阈值条件时停止
Figure 808034DEST_PATH_IMAGE078
的判断，同时以
Figure DEST_PATH_IMAGE079
的最后一个节点作 为
Figure 411054DEST_PATH_IMAGE072
开始下一轮判断。
S4：在经过S1-S3步骤后，得到更新后的轨迹记录数据
Figure 320104DEST_PATH_IMAGE080
。该步骤会导致
Figure DEST_PATH_IMAGE081
个数的 减少。
A3. 拓扑顺序还原
门架的通信设备的时间同步依赖专门的时间同步服务器进行，由于设备本身可能会出现故障或同步时间失败等多种情况，门架间的时间有一定概率是错乱的，从而导致车辆在依次经过门架A、B时，设备对其实际记录的时间顺序是B至A。
本步骤旨在利用门架间深度关系解决轨迹中门架时间钟错乱的问题，定义如下：
Figure 452008DEST_PATH_IMAGE082
为两节点间的深度阈值；
Figure DEST_PATH_IMAGE083
为所有门架的集合，
Figure 977667DEST_PATH_IMAGE084
中的每一个元素
Figure DEST_PATH_IMAGE085
为门架编号；
Figure 853219DEST_PATH_IMAGE086
是一个映射，将门架编号映射至图
Figure 882355DEST_PATH_IMAGE014
的节点。
因为
Figure DEST_PATH_IMAGE087
中
Figure 919581DEST_PATH_IMAGE088
元素已经按照时间序列排序，所以通过判断门架间关系是否颠倒 可以识别时间钟问题，具体判断步骤如下：
S1：遍历
Figure DEST_PATH_IMAGE089
中所有
Figure 932537DEST_PATH_IMAGE090
元素，依次两两记为
Figure DEST_PATH_IMAGE091
，对每个
Figure 614709DEST_PATH_IMAGE001
执行S2步骤；
S2：获取
Figure 498352DEST_PATH_IMAGE092
，并通过下述规则进行决策判断：
A3.1 如果
Figure DEST_PATH_IMAGE093
，则
Figure 237638DEST_PATH_IMAGE001
节点正常，否则，进入A3.2；
A3.2 获取
Figure 941151DEST_PATH_IMAGE005
，判断是否
Figure 627348DEST_PATH_IMAGE094
，如果是，进入A3.3.1，否则进入A3.3.2；
A3.3.1 判断
Figure 631076DEST_PATH_IMAGE001
是否属于
Figure DEST_PATH_IMAGE095
，如果是，则
Figure 275684DEST_PATH_IMAGE001
节点正常，否则进入A3.4；
A3.3.2 判断
Figure 466494DEST_PATH_IMAGE001
是否属于
Figure 221960DEST_PATH_IMAGE095
，如果是，则
Figure 814615DEST_PATH_IMAGE001
节点正常，否则
Figure 630125DEST_PATH_IMAGE003
节点异常，跳过对
Figure 573810DEST_PATH_IMAGE096
的判断；
A3.4 判断
Figure 601809DEST_PATH_IMAGE001
是否是轨迹的第一个节点，如果是，则
Figure DEST_PATH_IMAGE097
之间的拓扑顺序有误， 将其修复为
Figure 580129DEST_PATH_IMAGE098
，如果不是，则在轨迹中查找
Figure 566540DEST_PATH_IMAGE001
的上游节点
Figure 731942DEST_PATH_IMAGE007
，直到满足
Figure DEST_PATH_IMAGE099
的拓扑 顺序正常，并将轨迹修复为
Figure 94790DEST_PATH_IMAGE100
，如果没有找到则保持原有顺序不变。
S3：经过S1-S2步骤迭代后，得到更新后轨迹记录
Figure DEST_PATH_IMAGE101
，该步骤不会造成
Figure 930546DEST_PATH_IMAGE102
个数 的变化。其中
Figure DEST_PATH_IMAGE103
的时间丢失问题，将在A6步骤进行修复。
A4. 异常点识别
虽然A2步骤处理畸变点时已经去除了大部分反向车道的异常节点数据，但是覆盖率无法达到100%，对于紧邻的门架对会出现方位角小于阈值的情况，为了保证数据的可靠性，需对不合理的拓扑关系门架进行处理。
本步骤使用了移动窗口的方法，定义如下：
Figure 353438DEST_PATH_IMAGE104
为移动窗口的大小，该窗口设定需为奇数，数值为综合精度和计算效率确 定；
Figure DEST_PATH_IMAGE105
为A3.3.2步骤中处理的异常点在
Figure 537294DEST_PATH_IMAGE106
中位置的集合，如
Figure DEST_PATH_IMAGE107
表 示
Figure 438254DEST_PATH_IMAGE089
中第4个门架。
N为轨迹长度（
Figure 125587DEST_PATH_IMAGE089
中记录的数目）。
确定移动窗口大小后，按照以下步骤进行判断：
S1：遍历
Figure 188221DEST_PATH_IMAGE089
中所有
Figure 328216DEST_PATH_IMAGE090
元素，依次两两记为
Figure 32866DEST_PATH_IMAGE091
，对每个
Figure 574706DEST_PATH_IMAGE001
执行S2步骤；
S2：按下述规则进行决策判断：
如果N≤
Figure 808241DEST_PATH_IMAGE008
，则返回原路径，否则分别获取
Figure 435532DEST_PATH_IMAGE001
与下游
Figure 147136DEST_PATH_IMAGE009
个节点的最小深度
Figure 809061DEST_PATH_IMAGE010
，并统 计
Figure 213498DEST_PATH_IMAGE004
＞
Figure 328085DEST_PATH_IMAGE011
的个数u，如果u≤
Figure 108959DEST_PATH_IMAGE012
，则
Figure 351022DEST_PATH_IMAGE001
正常，否则
Figure 191939DEST_PATH_IMAGE001
异常。
S3：该步骤完成后，按
Figure 528243DEST_PATH_IMAGE108
中索引位置从大到小顺序依次对
Figure DEST_PATH_IMAGE109
删除，得到更新后的 门架记录
Figure 378387DEST_PATH_IMAGE110
，该步骤将导致节点个数的减少。
A5. 内部节点补全与路径切分
A2与A4步骤都会对节点做删除操作，为了保证删除错误节点的覆盖率，默认规则都会尽量多删除节点，从而难免会删除一些正常节点。同时由于天气或设备等情况，不一定每个门架都对车辆的通行进行记录，因此需要对遗漏掉的节点进行补全。
此外，车辆轨迹数据中会出现“有入无出”或“有出无入”的情况，在查询一辆车某段时间内通行记录时将会包含多条通行轨迹，同时为了增加算法的通用性，多条轨迹的路径还原问题也包括在研究范围以内。A2-A4步骤处理中，均已考虑到多条路径的情况，在补全轨迹内部节点的基础上将进行路径切分操作。
相关定义如下：
Figure DEST_PATH_IMAGE111
表示按照最短路径算法计算的
Figure 14905DEST_PATH_IMAGE001
至
Figure 26723DEST_PATH_IMAGE003
的轨迹。
Figure 850323DEST_PATH_IMAGE112
表示切分后的n条路径，每个
Figure DEST_PATH_IMAGE113
是切分后的 一条新路径。
依次遍历
Figure 504158DEST_PATH_IMAGE087
中所有节点，按下述规则进行决策判断：
A5.1 判断是否
Figure 464024DEST_PATH_IMAGE114
或
Figure DEST_PATH_IMAGE115
，如果否，进入A5.2，否则进入A5.3；
A5.2 判断是否
Figure 912323DEST_PATH_IMAGE116
，如果否，则
Figure 488797DEST_PATH_IMAGE001
、
Figure 415165DEST_PATH_IMAGE003
属于不同轨迹，且
Figure 229537DEST_PATH_IMAGE001
丢失出口、
Figure 848738DEST_PATH_IMAGE003
丢失入 口，切分为两条路径，并为其补全最近的出入口（最近即补充与
Figure 646929DEST_PATH_IMAGE001
/
Figure 845829DEST_PATH_IMAGE003
最短距离最小的出口/ 入口门架作为出口/入口）；
否则进入A5.2.1；
A5.2.1 判断是否
Figure DEST_PATH_IMAGE117
，如果是，则无需补全节点；否则
Figure 314376DEST_PATH_IMAGE001
、
Figure 104477DEST_PATH_IMAGE003
内部节点缺失，获 取
Figure 124386DEST_PATH_IMAGE118
并填充轨迹；
A5.3 判断是否
Figure DEST_PATH_IMAGE119
=1，如果是，则进入A5.4，否则进入A5.5；
A5.4 判断是否
Figure 923714DEST_PATH_IMAGE114
，如果是，则进入A5.4.1，否则进入A5.4.2；
A5.4.1 判断是否
Figure DEST_PATH_IMAGE120
，如果是，跳转A5.2，否则
Figure 243837DEST_PATH_IMAGE001
是出口节点，
Figure 939261DEST_PATH_IMAGE003
是内部节点，
Figure 446466DEST_PATH_IMAGE001
、
Figure 518327DEST_PATH_IMAGE025
属于不同轨迹，且
Figure 161798DEST_PATH_IMAGE034
丢失入口，补全距离
Figure 293702DEST_PATH_IMAGE003
最近的入口，并且分为两条路径；
A5.4.2 判断是否
Figure DEST_PATH_IMAGE121
，如果是，则
Figure 553782DEST_PATH_IMAGE001
是内部节点，
Figure 429334DEST_PATH_IMAGE003
是入口节点，
Figure 192891DEST_PATH_IMAGE001
、
Figure 230117DEST_PATH_IMAGE003
属于不 同轨迹，且
Figure 711914DEST_PATH_IMAGE001
丢失入口，补全距离
Figure 125577DEST_PATH_IMAGE001
最近的出口，并且分为两条路径；否则跳转A5.2；
A5.5 判断是否
Figure 743641DEST_PATH_IMAGE120
，如果是，进入A5.5.1，否则进入A5.5.2；
A5.5.1 判断是否
Figure 954698DEST_PATH_IMAGE121
，如果是，则
Figure 658212DEST_PATH_IMAGE001
、
Figure 875566DEST_PATH_IMAGE003
均是入口节点，
Figure 613715DEST_PATH_IMAGE001
、
Figure 992744DEST_PATH_IMAGE003
属于不同轨迹， 且
Figure 183554DEST_PATH_IMAGE001
丢失出口，补全距离
Figure 939020DEST_PATH_IMAGE001
最近的出口，并切分为两条路径；否则跳转A5.2；
A5.5.1 判断是否
Figure 797255DEST_PATH_IMAGE121
，如果是，则
Figure 347185DEST_PATH_IMAGE001
是出口，
Figure 25291DEST_PATH_IMAGE003
是入口，
Figure 318869DEST_PATH_IMAGE001
、
Figure 766031DEST_PATH_IMAGE003
属于不同轨迹， 可直接切分为两条路径；否则
Figure 752441DEST_PATH_IMAGE001
、
Figure 183423DEST_PATH_IMAGE003
都是出口，
Figure 15112DEST_PATH_IMAGE001
、
Figure 582360DEST_PATH_IMAGE003
属于不同轨迹，且
Figure 474093DEST_PATH_IMAGE003
丢失入口，补全距 离
Figure 126791DEST_PATH_IMAGE002
最近的入口，并切分为两条路径。
该步骤处理完，将会得到新轨迹记录
Figure 762172DEST_PATH_IMAGE122
，该步骤会导致
Figure DEST_PATH_IMAGE123
的增加。
A6. 时间序列拟合
A1-A5步骤已经还原了车辆的真实轨迹，但在对节点的删除、补全、顺序调整等操作后，部分门架与之绑定的时间记录将会丢失，为了给使用者更多的信息参考价值，需要对还原后的轨迹记录的时间序列进行拟合。
目前较为常见的方法有：
1. 直接删除，但如果缺失数据量较大，将直接舍弃该列数据，因为仅存的数据难以证明几列数据之间的相关性；
2. 上下填补法，取前后临近的数据进行插值；
3. 前后加权均值法，按照前后时间距离的远近进行加权取平均差值；
4. 相似值填补法，取其他相似环境的数据进行插值；
5. 线性插值法，将相关数据拟合成一条函数，然后对缺失值进行插值。
考虑到车辆通行的实际情况，本发明选择了结合距离与速度的线性插值法，具体定义如下：
Figure 715084DEST_PATH_IMAGE124
其中：
Figure DEST_PATH_IMAGE125
表示
Figure 577385DEST_PATH_IMAGE001
节点的时间；
Figure 451800DEST_PATH_IMAGE126
分别为离
Figure 890872DEST_PATH_IMAGE001
前后最近的有时间记录节点
Figure DEST_PATH_IMAGE127
的时间；
Figure 698291DEST_PATH_IMAGE128
、
Figure DEST_PATH_IMAGE129
、
Figure 728564DEST_PATH_IMAGE130
相互间的差值即对应节点
Figure 90275DEST_PATH_IMAGE001
、
Figure DEST_PATH_IMAGE131
、
Figure 598617DEST_PATH_IMAGE132
间的距离。
Figure DEST_PATH_IMAGE133
是计算车辆通行速度的预估值，本发明采用动态速度，通过单位时间内的车流平 均速度*0.85作为预估值，也可以将此为固定值25m/s（即90km/h）以提高计算速度。
依次拟合每个缺失时间的节点，最终得到的轨迹
Figure 526122DEST_PATH_IMAGE122
。

Claims (8)

1.一种基于高速路网拓扑结构的多场景路径还原方法，其特征在于，包括：
以门架为节点，门架间关系为边，将高速路网抽象化为有向图；
计算两两节点间的最小深度，并用矩阵表示；
结合车辆轨迹记录数据上下行方向及节点方位角，剔除反向错误节点记录数据；所述剔除反向错误节点记录数据包括：
获取某一车辆在指定时间范围内按时间排序的轨迹记录数据，该轨迹由各节点记录；
按照上行方向和下行方向对轨迹分组；
对上下行方向变化的相邻分组轨迹，以前一分组的最后一个节点为畸变起点对后一分组的各节点逐一进行方位角差值判断，方位角差值的绝对值大于预设阈值的即为需删除的畸变点；当向后连续几个分组均为同向，则以前一分组的最后一个节点为畸变起点对所述连续几个分组的各节点逐一进行方位角差值判断，当不满足阈值条件时停止判断，并以连续几个分组中最后一个分组的最后一个节点作为畸变起点开始下一轮判断；
利用节点间深度关系识别并修正存在错乱的节点时间；
根据节点间深度关系及节点归属判断节点出、入口丢失情况并进行补全，并切分不同轨迹的节点；
对还原后的轨迹记录进行时间序列拟合。
2.根据权利要求1所述的方法，其特征在于，所述轨迹分组包括：
对轨迹记录数据中的记录按上下行方向进行初步分组；
提取初步分组结果中的扭曲点，形成新的分组，所述扭曲点即因车辆被反向道路门架拍摄导致时间和拓扑顺序相反的记录点；
按照分组第一条记录的时间顺序排列，得到最终分组结果。
3.根据权利要求1所述的方法，其特征在于，所述识别并修正存在错乱的节点时间包括：
对于剔除反向错误节点记录的轨迹记录数据，对轨迹记录数据中按时间排序的记录依次两两记为
Figure QLYQS_1
、/>
Figure QLYQS_2
，/>
Figure QLYQS_3
为有向图中弧的尾部，/>
Figure QLYQS_4
为头部，计算/>
Figure QLYQS_5
到/>
Figure QLYQS_6
的最小深度/>
Figure QLYQS_7
：
如果
Figure QLYQS_8
大于预设阈值，则将/>
Figure QLYQS_9
和/>
Figure QLYQS_10
互换后计算最小深度/>
Figure QLYQS_11
；
如果
Figure QLYQS_12
不大于预设阈值，且/>
Figure QLYQS_19
不为出口节点，判断/>
Figure QLYQS_20
是否是轨迹的第一个节点，如果是，则/>
Figure QLYQS_14
之间的拓扑顺序有误，将其顺序修复，如果不是，则在轨迹中查找/>
Figure QLYQS_16
的上游节点/>
Figure QLYQS_18
，直到满足/>
Figure QLYQS_21
、/>
Figure QLYQS_13
的拓扑顺序正常，并将/>
Figure QLYQS_15
调至/>
Figure QLYQS_17
前以修复轨迹；
如果
Figure QLYQS_22
大于预设阈值，且/>
Figure QLYQS_23
不为出口节点，则认为/>
Figure QLYQS_24
节点异常。
4.根据权利要求1所述的方法，其特征在于，还包括：
在修正错乱节点时间后，利用移动窗口识别并修正轨迹记录数据中的异常点：
遍历轨迹记录数据中的记录，对第1~N-1条记录的节点依次进行如下判断：
如果N＞
Figure QLYQS_26
，则获取当前节点与下游/>
Figure QLYQS_28
个节点的最小深度/>
Figure QLYQS_30
，并统计/>
Figure QLYQS_27
＞/>
Figure QLYQS_29
的个数u，如果u≤/>
Figure QLYQS_31
，则当前节点正常，否则当前节点异常；其中，/>
Figure QLYQS_32
为移动窗口大小；/>
Figure QLYQS_25
为预设的节点深度阈值；N为轨迹长度，即轨迹记录数据中的记录的数目；
找出所有异常点后，从轨迹记录数据中剔除。
5.根据权利要求1所述的方法，其特征在于，节点补全及不同轨迹节点切分包括：
遍历轨迹记录数据中的记录，依次判断相邻记录的节点出、入口归属和拓扑连接关系；
如果相邻两个节点无拓扑连接关系，则该两个节点属于不同轨迹，为其补全最近的出/入口节点并切分轨迹；
如果相邻两个节点有拓扑连接关系且相邻两个节点均为内部节点，则根据两个节点是否邻接节点确定是否在相邻两个节点之间填充节点；
如果相邻两个节点有拓扑连接关系，且相邻两个节点中至少有一个为入口节点或出口节点，则不符合前一个节点为入口节点或后一个节点为出口节点的情况下，该两个节点属于不同轨迹，为入/出口节点其补全最近的出/入口节点并切分轨迹。
6.根据权利要求1或5所述的方法，其特征在于，所述节点补全的方式包括：
遍历轨迹记录数据中的记录，获取相邻两个节点之间的最短路径轨迹；
存在出口节点/内部节点/入口节点丢失时，根据最短路径轨迹补充最近的出口节点/入口节点，或填充内部节点。
7.根据权利要求1所述的方法，其特征在于，所述时间序列拟合的方式为：
根据待插值节点前后最近的有时间记录节点的时间结合节点间距，确定待插值节点的时间。
8.根据权利要求7所述的方法，其特征在于，包括：
如果待插值节点前后均有时间记录的节点，则利用前后节点间距和时间差计算车辆平均速度，从而换算待插值节点的时间；
如果待插值节点仅有在前或在后的节点有时间记录，则利用单位时间内的车流平均速度计算车辆速度的预估值，利用预估值换算待插值节点的时间。
CN202211644714.7A 2022-12-21 2022-12-21 一种基于高速路网拓扑结构的多场景路径还原方法 Active CN115631082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211644714.7A CN115631082B (zh) 2022-12-21 2022-12-21 一种基于高速路网拓扑结构的多场景路径还原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211644714.7A CN115631082B (zh) 2022-12-21 2022-12-21 一种基于高速路网拓扑结构的多场景路径还原方法

Publications (2)

Publication Number Publication Date
CN115631082A CN115631082A (zh) 2023-01-20
CN115631082B true CN115631082B (zh) 2023-07-11

Family

ID=84910889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211644714.7A Active CN115631082B (zh) 2022-12-21 2022-12-21 一种基于高速路网拓扑结构的多场景路径还原方法

Country Status (1)

Country Link
CN (1) CN115631082B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258488B (zh) * 2023-03-17 2024-01-26 中远海运科技股份有限公司 一种精确还原车辆实际通行轨迹的数据预处理方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333292A (zh) * 2021-11-22 2022-04-12 上海电科智能系统股份有限公司 一种基于轨迹重构技术的流量修复方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190056B (zh) * 2018-08-22 2020-07-24 深圳先进技术研究院 一种车辆轨迹重建方法、系统及电子设备
CN111667512B (zh) * 2020-05-28 2024-04-09 浙江树人学院（浙江树人大学） 基于改进卡尔曼滤波的多目标车辆轨迹预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333292A (zh) * 2021-11-22 2022-04-12 上海电科智能系统股份有限公司 一种基于轨迹重构技术的流量修复方法

Also Published As

Publication number Publication date
CN115631082A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN109143291B (zh) 一种车载gps轨迹空间索引精确匹配方法
CN109448370B (zh) 一种基于车辆轨迹数据的交通控制子区划分方法
CN110443904B (zh) 一种漏费检测方法、装置、服务器及存储介质
CN110008872B (zh) 一种结合车辆轨迹和遥感图像的路网提取方法
CN106323301A (zh) 一种道路情报的获取方法及装置
CN113155139B (zh) 车辆轨迹纠偏方法、装置及电子设备
CN115631082B (zh) 一种基于高速路网拓扑结构的多场景路径还原方法
CN111189459A (zh) 一种定位信息与道路匹配的方法和装置
CN111275975B (zh) 一种交叉口转向流量数据的获取方法、装置和存储介质
US11798408B2 (en) Green wave speed determination method, electronic device and storage medium
CN105096590A (zh) 交通信息生成方法和交通信息生成设备
CN116386336B (zh) 基于卡口车牌数据的路网交通流量鲁棒计算方法及系统
CN114360240B (zh) 一种基于车联网轨迹特征的高精度定位方法
CN111649752B (zh) 拥堵路段的地图数据处理方法、装置以及设备
CN110675631A (zh) 一种交通流溯源分析方法及系统
CN111444286B (zh) 一种基于轨迹数据的远距离交通节点关联性挖掘方法
CN113538902B (zh) 基于交通状态的交叉口车辆轨迹数据修复方法
CN113470343B (zh) 阻断道路的开通检测方法、装置、设备及存储介质
CN111243280B (zh) 一种实时计算交通状态的指标的方法及装置
CN112201041A (zh) 融合电警数据和抽样轨迹数据的干道路径流量估计方法
CN113393694B (zh) 一种公交骨干线路抓取方法
CN110727749A (zh) 一种自适应候选路段搜索方法
CN110457352B (zh) 一种基于微观交通仿真车辆数据结构的邻车查询方法
CN111369200B (zh) 一种基于车辆lbs数据的城市物流通道识别方法及系统
CN112487114B (zh) 一种城市交叉口地图匹配方法

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