CN116030629A - 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 - Google Patents

基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 Download PDF

Info

Publication number
CN116030629A
CN116030629A CN202310025792.7A CN202310025792A CN116030629A CN 116030629 A CN116030629 A CN 116030629A CN 202310025792 A CN202310025792 A CN 202310025792A CN 116030629 A CN116030629 A CN 116030629A
Authority
CN
China
Prior art keywords
grid
pedestrian
clustering
track
vehicle
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
CN202310025792.7A
Other languages
English (en)
Other versions
CN116030629B (zh
Inventor
许岩岩
杨川
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.)
Yunaiwang Artificial Intelligence Technology Jiangsu Co ltd
Original Assignee
Yunaiwang Artificial Intelligence Technology Jiangsu 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 Yunaiwang Artificial Intelligence Technology Jiangsu Co ltd filed Critical Yunaiwang Artificial Intelligence Technology Jiangsu Co ltd
Priority to CN202310025792.7A priority Critical patent/CN116030629B/zh
Publication of CN116030629A publication Critical patent/CN116030629A/zh
Application granted granted Critical
Publication of CN116030629B publication Critical patent/CN116030629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本申请提供一种基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器，方法包括：获取待分析区域在设定时段内的行人轨迹点集和车辆轨迹点集，其中，所述行人轨迹点集为所述待分析区域内的行人在所述设定时段内的暂留点构成的集合，所述车辆轨迹点集为所述待分析区域内的车辆在所述设定时段内的暂留点构成的集合；对所述行人轨迹点集进行行人轨迹聚类，得到行人轨迹聚类结果；对所述车辆轨迹点集进行车辆轨迹聚类，得到车辆轨迹聚类结果；基于所述行人轨迹聚类结果和所述车辆轨迹聚类结果，确定出与行人行为相关的交通拥堵源点。

Description

基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器
技术领域
本申请涉及交通溯源分析技术领域，具体而言，涉及一种基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器。
背景技术
随着城市的不断发展，人们出行的交通工具更多样化，城市的车辆也逐年增多，而交通拥堵也是当前城市化过程中存在的热点问题。交通拥堵不仅仅给人们带诸多不便，同时还影响着社会治安，扰乱社会秩序，造成经济损失等问题。根据国家交通部门统计，全国每年因交通拥堵而带来的经济损失高达2500亿元，占城市人口收入的20％。
现有技术中，通常从轨迹数据(密度、车速、行驶方向、时间、坐标位置等)入手，进行交通拥堵问题的相关研究。但这样的方式，对于城市道路的交通拥堵问题来说，仅仅能够从车辆的角度进行分析，对于城市道路(特别是人流量大的区域)来说，交通拥堵的相关分析和预测(特别是对于交通拥堵的时长预测)就难以保证准确性，且由于数据量巨大，传统的大数据聚类分析方法难以保证分析效率。
发明内容
本申请实施例的目的在于提供一种基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器，结合行人的轨迹聚类和车辆的轨迹聚类进行交通拥堵溯源分析，准确识别行人因素的交通拥堵问题，利于拥堵时长的预测。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种基于轨迹大数据的交通拥堵溯源方法，包括：步骤S1：获取待分析区域在设定时段内的行人轨迹点集和车辆轨迹点集，其中，所述行人轨迹点集为所述待分析区域内的行人在所述设定时段内的暂留点构成的集合，所述车辆轨迹点集为所述待分析区域内的车辆在所述设定时段内的暂留点构成的集合；步骤S2：对所述行人轨迹点集进行行人轨迹聚类，得到行人轨迹聚类结果；步骤S3：对所述车辆轨迹点集进行车辆轨迹聚类，得到车辆轨迹聚类结果；步骤S4：基于所述行人轨迹聚类结果和所述车辆轨迹聚类结果，确定出与行人行为相关的交通拥堵源点。
结合第一方面，在第一方面的第一种可能的实现方式中，步骤S2：对所述行人轨迹点集进行行人轨迹聚类，得到行人轨迹聚类结果，包括：步骤S21：对所述待分析区域进行网格划分，得到第一网格区域；步骤S22：将所述行人轨迹点集中的暂留点映射到所述第一网格区域内；步骤S23：对每个网格进行质心计算和密度计算，得到每个网格的第一网格质心和第一网格密度；步骤S24：判断每个网格的第一网格密度是否达到第一密度阈值；步骤S25：若否，对未达到第一密度阈值的网格进行十字分割，划分为四个等尺寸的网格，基于划分得到的每个网格跳转到步骤S23执行；步骤S26：若是，对达到第一密度阈值的网格进行相邻质心的距离计算，并以相邻质心的距离中心为中心确定出判定区域，将判定区域内的区域密度达到第一密度阈值的两个相邻质心所在网格划分为同一类簇；步骤S27：重复执行步骤S23～步骤S26，直到所有网格遍历完毕，输出每个簇类的中心点为第一网格区域的初始聚类中心；步骤S28：基于每个网格的第一网格密度，计算每个第一网格质心到每个聚类中心的加权距离，并根据加权距离的计算结果对聚类中心进行更新；步骤S29：反复执行步骤S28，直到所有网格的第一网格质心到对应的聚类中心的第一权值距离最小，得到最终的行人轨迹聚类结果。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，步骤S23：对每个网格进行质心计算和密度计算，得到每个网格的第一网格质心和第一网格密度，包括：针对每个网格，采用以下公式计算第一网格质心：
Figure BDA0004044540100000031
其中，fci为第i个网格的第一网格质心，fni为第i个网格内的暂留点数量，xj为第i个网格内的第j个暂留点数据，foi为第i个网格的中心；针对每个网格，采用以下公式计算第一网格密度：
Figure BDA0004044540100000032
其中，fei为第i个网格的第一网格密度，fni为第i个网格内的暂留点数量，li为第i个网格的边长，网格为正方形。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，步骤S28：基于每个网格的第一网格密度，计算每个第一网格质心到每个聚类中心的加权距离，并根据加权距离的计算结果对聚类中心进行更新，包括：采用以下公式计算每个第一网格质心到每个聚类中心的加权距离：
Figure BDA0004044540100000033
其中，dj为归类到第j个簇类的每个第一网格质心到第j个聚类中心的加权距离总和，
Figure BDA0004044540100000034
为归类到第j个簇类的第k个第一网格对应的第一网格密度，
Figure BDA0004044540100000035
为归类到第j个簇类的第k个第一网格对应的第一网格质心，m为归类到第j个簇类的每个第一网格的总量，n为第一网格的总量，vj为第j个聚类中心，d为每个第一网格质心到其聚类中心的加权距离总和，s为聚类中心的总量；基于计算结果dj和d更新每个聚类中心vj。
结合第一方面，在第一方面的第四种可能的实现方式中，步骤S3：对所述车辆轨迹点集进行车辆轨迹聚类，得到车辆轨迹聚类结果，包括：步骤S31：对所述待分析区域进行网格划分，得到第二网格区域；步骤S32：将所述车辆轨迹点集中的暂留点映射到所述第二网格区域内；步骤S33：对每个网格进行质心计算和密度计算，得到每个网格的第二网格质心和第二网格密度；步骤S34：判断每个网格的第二网格密度是否达到第二密度阈值；步骤S35：若否，对未达到第二密度阈值的网格进行十字分割，划分为四个等尺寸的网格，基于划分得到的每个网格跳转到步骤S33执行；步骤S36：若是，对达到第二密度阈值的网格进行相邻质心的距离计算，并以相邻质心的距离中心为中心确定出判定区域，将判定区域内的区域密度达到第二密度阈值的两个相邻质心所在网格划分为同一类簇；步骤S37：重复执行步骤S33～步骤S36，直到所有网格遍历完毕，输出每个簇类的中心点为第二网格区域的初始聚类中心；步骤S38：基于每个网格的第二网格密度，计算每个第二网格质心到每个聚类中心的加权距离，并根据加权距离的计算结果对聚类中心进行更新；步骤S39：反复执行步骤S38，直到所有网格的第二网格质心到对应的聚类中心的第二权值距离最小，得到最终的车辆轨迹聚类结果。
结合第一方面，在第一方面的第五种可能的实现方式中，步骤S4：基于所述行人轨迹聚类结果和所述车辆轨迹聚类结果，确定出与行人行为相关的交通拥堵源点，包括：步骤S41：从所述待分析区域中确定出车辆-行人交集区域，其中，车辆-行人交集区域表示车辆的通行道路和行人的通行道路之间存在交叉的区域；步骤S42：从所述车辆轨迹聚类结果中确定出与行人轨迹聚类结果位于同一车辆-行人交集区域内的交通拥堵源点。
结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，步骤S42：从所述车辆轨迹聚类结果中确定出与行人轨迹聚类结果位于同一车辆-行人交集区域内的交通拥堵源点，包括：针对行人轨迹聚类结果中的每个聚类结果，基于聚类结果中的聚类中心，确定出一个行人误差区域，再将行人误差区域与车辆-行人交集区域存在交集的行人轨迹聚类划归至该车辆-行人交集区域内；针对车辆轨迹聚类结果中的每个聚类结果，基于聚类结果中的聚类中心，确定出一个车辆误差区域，再将车辆误差区域与车辆-行人交集区域存在交集的车辆轨迹聚类划归至该车辆-行人交集区域内；将同时存在行人轨迹聚类和车辆轨迹聚类的车辆-行人交集区域内的每个车辆轨迹聚类的聚类中心确定为交通拥堵源点。
第二方面，本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面或第一方面的可能的实现方式中任一项所述的基于轨迹大数据的交通拥堵溯源方法。
第三方面，本申请实施例提供一种服务器，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现第一方面或第一方面的可能的实现方式中任一项所述的基于轨迹大数据的交通拥堵溯源方法。
有益效果：
1.本申请实施例通过获取待分析区域在设定时段内的行人轨迹点集(行人在设定时段内的暂留点构成的集合)和车辆轨迹点集(车辆在设定时段内的暂留点构成的集合)，对行人轨迹点集和车辆轨迹点集进行轨迹聚类，得到行人轨迹聚类结果和车辆轨迹聚类结果，进一步确定出与行人行为相关的交通拥堵源点。这样可以从行人和车辆两个方面分析城市道路(特别是人流量大的、人车通行有交集的区域)的交通拥堵溯源问题，能够保证溯源的准确性。
2.采用基于网格的聚类方法，利用网格密度、网格质心等方式，可以将每个网格作为聚类时的数据单元，能够非常显著地降低数据计算量，且能够尽可能保证聚类精度。而行人轨迹聚类和车辆轨迹聚类的协同溯源，对于城市道路这种人流量大、人车通行交集区域繁多的场景非常适用，可以有效弥补基于网格的聚类方法所损失的聚类精度，保证聚类效果，实现对行人相关的交通拥堵问题的溯源。
3.设计了加权距离的计算方式，在计算网格质心到其当前所属簇类的聚类中心的距离时，利用网格密度和轨迹点集中的暂留点总量为每个网格分配权重进行距离计算，而不同密度的网格有不同程度的拥堵，这样能够很好地考虑到这个问题，提升聚类精度。
4.从待分析区域中确定出车辆-行人交集区域，作为判断一个聚类代表的交通拥堵问题是否属于与行人相关的交通拥堵问题，从而能够更好地对交通拥堵问题进行溯源和对拥堵时长的预测。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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申请的某些实施例，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为本申请实施例提供的一种基于轨迹大数据的交通拥堵溯源方法的流程图。
图2为行人轨迹聚类的流程图。
图3为车辆轨迹聚类的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
为了实现对城市道路(特别是人车流量大的繁华区域)的交通拥堵溯源，本实施例提供一种基于轨迹大数据的交通拥堵溯源方法，通过服务器运行，实现交通拥堵溯源(受行人因素影响的交通拥堵)。
请参阅图1，图1为本申请实施例提供的一种基于轨迹大数据的交通拥堵溯源方法的流程图。基于轨迹大数据的交通拥堵溯源方法可以包括步骤S1、步骤S2、步骤S3和步骤S4。
首先，可以选定需要监测的区域，例如以“XX商圈”为中心划定的一片区域，或者，以“XX大学城”为中心划定的一片区域，以此作为待分析区域。
基于此，服务器可以执行步骤S1。
步骤S1：获取待分析区域在设定时段内的行人轨迹点集和车辆轨迹点集，其中，所述行人轨迹点集为所述待分析区域内的行人在所述设定时段内的暂留点构成的集合，所述车辆轨迹点集为所述待分析区域内的车辆在所述设定时段内的暂留点构成的集合。
在本实施例中，进入待分析区域的车辆(通过车载电脑)和行人(通过智能手机)给服务器上报轨迹数据(例如包含时间、地点、移速等)，而服务器可以对其中的每个轨迹数据在设定时段内的情况进行分析，从车辆的轨迹数据中筛选出存在停留(例如停留超过5秒或10秒)的车辆，并确定出其中的停留点作为暂留点(设定时段内，一个车辆可以产生多个停留点，取其中停留时长最长的一个作为暂留点)；以及，服务器可以从行人的轨迹数据中筛选出存在逗留(例如停留超过5秒，或者10秒内的移动范围不超过2米)的行人(本方案中的行人不含位于车辆内的人)，并确定出其中的逗留点作为暂留点(设定时段内，一个行人可以产生多个逗留点，取其中逗留时长最长的一个作为暂留点)。
由此，服务器可以获取待分析区域在设定时段内的行人轨迹点集(待分析区域内的行人在设定时段内的暂留点构成的集合，每个暂留点数据可以包括时间点、地点、暂留时长等多个维度的属性)和车辆轨迹点集(待分析区域内的车辆在设定时段内的暂留点构成的集合，每个暂留点数据可以包括时间点、地点、暂留时长等多个维度的属性)。
获取待分析区域在设定时段内的行人轨迹点集和车辆轨迹点集后，服务器可以执行步骤S2。
步骤S2：对所述行人轨迹点集进行行人轨迹聚类，得到行人轨迹聚类结果。
在本实施例中，为了对行人轨迹点集进行行人轨迹聚类，如图2所示，服务器可以采取以下步骤进行：
步骤S21：对所述待分析区域进行网格划分，得到第一网格区域。
首先，服务器可以对待分析区域进行网格划分(划分的尺度可以根据需要设定，划分的尺寸越小，聚类精度越高，但计算量越大，本实施例采用的方案可以对网格进行细分，因此，设定的尺寸参数越接近实际的最佳尺寸，则越能快速达到要求，以8米*8米的尺寸为例进行网格划分)，得到第一网格区域(对于不足8米的边角部分可以空白填充，作为一个网格，本实施例中的网格指方格)。
而后，服务器可以执行步骤S22。
步骤S22：将所述行人轨迹点集中的暂留点映射到所述第一网格区域内。
服务器可以将行人轨迹点集中的暂留点映射到第一网格区域内。
之后，服务器可以执行步骤S23。
步骤S23：对每个网格进行质心计算和密度计算，得到每个网格的第一网格质心和第一网格密度。
服务器可以对每个网格进行质心计算和密度计算，具体的：
针对每个网格，服务器可以采用以下公式(1)计算第一网格质心：
Figure BDA0004044540100000081
其中，fci为第i个网格的第一网格质心，fni为第i个网格内的暂留点数量，xj为第i个网格内的第j个暂留点数据，foi为第i个网格的中心。
针对每个网格，服务器可以采用以下公式(2)计算第一网格密度：
Figure BDA0004044540100000091
其中，fei为第i个网格的第一网格密度，fni为第i个网格内的暂留点数量，li为第i个网格的边长(此处的网格边长可以采用原有尺寸进行计算，也可以转换为单位尺寸进行计算，例如，一个8米*8米的网格的边长为1*1)，网格为正方形。
计算出每个网格的第一网格质心和第一网格密度后，服务器可以执行步骤S24。
步骤S24：判断每个网格的第一网格密度是否达到第一密度阈值。
在本实施例中，服务器可以对每个网格进行判断，判断网格的第一网格密度是否达到第一密度阈值(例如20、40、100等，这个阈值可以根据待分析区域的人流量情况来取值)。
若第一网格密度未达到第一密度阈值，服务器执行步骤S25。
步骤S25：若否，对未达到第一密度阈值的网格进行十字分割，划分为四个等尺寸的网格，基于划分得到的每个网格跳转到步骤S23执行。
服务器可以对未达到第一密度阈值的网格进行十字分割，划分为四个等尺寸的网格(编号可以是一个网格继承原编号，其余3个在最新的网格编号后顺延)，基于划分得到的每个网格跳转到步骤S23执行。另外，为了控制计算量，排除空白区域导致的无限分割，可以设定最小的网格尺寸(例如2米*2米)，或者限定分割的次数。
若第一网格密度达到第一密度阈值，服务器可以执行步骤S26。
步骤S26：若是，对达到第一密度阈值的网格进行相邻质心的距离计算，并以相邻质心的距离中心为中心确定出判定区域，将判定区域内的区域密度达到第一密度阈值的两个相邻质心所在网格划分为同一类簇。
在本实施例中，服务器可以对达到第一密度阈值的网格进行相邻质心的距离计算，此处的相邻质心表示目标网格四周的四个网格的第一网格质心，距离计算此处可以采用欧氏距离进行计算即可。
计算出当前网格(当前进行分析的网格)的第一网格质心和其相邻质心之间的距离后，可以取二者的距离中心为中心，以二者的距离为边长确定出一个方形的判定区域。然后统计判定区域内的暂留点数量，计算区域密度(暂留点数量除以判定区域的面积)，再对区域密度进行判断：判断判定区域内的区域密度是否达到第一密度阈值。
对于判定区域内的区域密度达到第一密度阈值的情况，可以将两个相邻质心所在网格(当前网格和其相邻的网格)划分为同一类簇。这样可以实现对不同网格的聚类，可以在不指定簇类数的情况下实现最优的簇类数分配。
对于判定区域内的区域密度未达到第一密度阈值的情况，且同一网格的四个相邻质心均满足这种情况，可以将此网格视为“孤岛”，而整个第一网格区域内的“孤岛”数量可以指导第一密度阈值的设计，且“孤岛”本身不计入簇类数中，但在后续的聚类过程中，“孤岛”是需要划分到其最接近的簇类中去的。这是两个不同的过程，请注意区分。
基于此，服务器可以执行步骤S27。
步骤S27：重复执行步骤S23～步骤S26，直到所有网格遍历完毕，输出每个簇类的中心点为第一网格区域的初始聚类中心。
服务器可以重复执行步骤S23～步骤S26，直到所有网格遍历完毕，得到初步划分的簇类(不需要事先指定簇类数量，可以自行划分出最优的簇类数)，然后将每个簇类的中心点，作为第一网格区域的初始聚类中心。由此可以实现簇类数量的自行划分和初始聚类中心的确定，这样确定出的初始聚类中心能够大大加快后续的聚类过程。
确定出初始聚类中心后，服务器可以执行步骤S28。
步骤S28：基于每个网格的第一网格密度，计算每个第一网格质心到每个聚类中心的加权距离，并根据加权距离的计算结果对聚类中心进行更新。
在本实施例中，服务器可以基于每个网格的第一网格密度，计算每个第一网格质心到每个聚类中心的加权距离。具体可以采用以下公式(3)计算每个第一网格质心到每个聚类中心的加权距离：
Figure BDA0004044540100000111
其中，dj为归类到第j个簇类的每个第一网格质心到第j个聚类中心的加权距离总和，
Figure BDA0004044540100000112
为归类到第j个簇类的第k个第一网格对应的第一网格密度，
Figure BDA0004044540100000113
为归类到第j个簇类的第k个第一网格对应的第一网格质心，m为归类到第j个簇类的每个第一网格的总量，n为第一网格的总量，vj为第j个聚类中心，d为每个第一网格质心到其聚类中心的加权距离总和，s为聚类中心的总量。
由于网格内的暂留点可能存在一些特点：例如，某个网格内的多数暂留点中的暂留时长这个维度的特征更突出(例如，超过10秒逗留时长的占到60％以上)；又如，某个网格内的暂留点中的方向维度趋于同质化(超过80％的暂留点的方向位于一个设定的方向范围内，这个方向范围的起始值与结束值之差不超过60度)。
基于此，为了进一步提升聚类精度，可以在计算加权距离时，考虑网格内的暂留点的特点，从而指导聚类的划分。本实施例中在公式(3)的基础上进行进一步改进，得到公式(4)，以实现对加权距离的计算：
Figure BDA0004044540100000114
其中，dj为归类到第j个簇类的每个第一网格质心到第j个聚类中心的加权距离总和，
Figure BDA0004044540100000115
为归类到第j个簇类的第k个第一网格对应的第一网格密度，
Figure BDA0004044540100000116
为归类到第j个簇类的第k个第一网格对应的第一网格质心，m为归类到第j个簇类的每个第一网格的总量，n为第一网格的总量，vj为第j个聚类中心，d为每个第一网格质心到其聚类中心的加权距离总和，s为聚类中心的总量，
Figure BDA0004044540100000121
为归类到第j个簇类的第k个第一网格对应的暂留点总量，
Figure BDA0004044540100000122
为归类到第j个簇类的第k个第一网格对应的满足条件的暂留点数量，
Figure BDA0004044540100000123
为归类到第j个簇类的第k个第一网格对应的权重适应度指数，此处的满足条件表示符合所分配到的簇类所设定的维度要求(例如，簇类要求暂留点的逗留时长要不低于10秒，或者，簇类要求暂留点的方向与网格内主流的方向不超过30°的差异，主流的方向表示网格内数量最多的暂留点所指向的方向)。
其中，权重适应度指数
Figure BDA0004044540100000124
满足：
Figure BDA0004044540100000125
其中，
Figure BDA0004044540100000126
为归类到第j个簇类的第k个第一网格对应的权重适应度指数，xr表示归类到第j个簇类的第k个第一网格对应的满足条件的第r个暂留点，xp表示归类到第j个簇类的第k个第一网格对应的第r个暂留点，Cj为第j个簇类的聚类中心，d()表示计算欧氏距离。
计算出当前阶段的加权距离总和后，服务器可以基于计算结果dj和d更新每个聚类中心vj，目标是为了使加权距离总和最小化。
基于此，服务器可以执行步骤S29。
步骤S29：反复执行步骤S28，直到所有网格的第一网格质心到对应的聚类中心的第一权值距离最小，得到最终的行人轨迹聚类结果。
服务器可以反复执行步骤S28，直到所有网格的第一网格质心到对应的聚类中心的第一权值距离最小(或者达到设定的迭代次数)，得到最终的行人轨迹聚类结果。
通过此种方式，服务器可以实现对行人轨迹点集的聚类，得到最终的行人轨迹聚类结果，实现对行人聚集区域的分析。
在对行人轨迹点集进行聚类的同时，服务器可以执行步骤S3。
步骤S3：对所述车辆轨迹点集进行车辆轨迹聚类，得到车辆轨迹聚类结果。
在本实施例中，服务器可以对车辆轨迹点集进行车辆轨迹聚类，具体方式如图3所示：
步骤S31：对待分析区域进行网格划分，得到第二网格区域；
步骤S32：将车辆轨迹点集中的暂留点映射到所述第二网格区域内；
步骤S33：对每个网格进行质心计算和密度计算，得到每个网格的第二网格质心和第二网格密度；
步骤S34：判断每个网格的第二网格密度是否达到第二密度阈值；
步骤S35：若否，对未达到第二密度阈值的网格进行十字分割，划分为四个等尺寸的网格，基于划分得到的每个网格跳转到步骤S33执行；
步骤S36：若是，对达到第二密度阈值的网格进行相邻质心的距离计算，并以相邻质心的距离中心为中心确定出判定区域，将判定区域内的区域密度达到第二密度阈值的两个相邻质心所在网格划分为同一类簇；
步骤S37：重复执行步骤S33～步骤S36，直到所有网格遍历完毕，输出每个簇类的中心点为第二网格区域的初始聚类中心；
步骤S38：基于每个网格的第二网格密度，计算每个第二网格质心到每个聚类中心的加权距离，并根据加权距离的计算结果对聚类中心进行更新；
步骤S39：反复执行步骤S38，直到所有网格的第二网格质心到对应的聚类中心的第二权值距离最小，得到最终的车辆轨迹聚类结果。
由于对车辆轨迹点集进行车辆轨迹聚类的处理过程与行人轨迹点集进行行人轨迹聚类的处理过程类似，此处不再赘述。二者的不同之处在于，第一网格区域和第二网格区域的尺寸划分可以有所不同。
得到行人轨迹聚类结果和车辆轨迹聚类结果之后，服务器可以执行步骤S4。
步骤S4：基于所述行人轨迹聚类结果和所述车辆轨迹聚类结果，确定出与行人行为相关的交通拥堵源点。
在本实施例中，服务器可以基于行人轨迹聚类结果和车辆轨迹聚类结果，确定出与行人行为相关的交通拥堵源点，具体可以通过步骤S41和步骤S42来实现。
示例性的，服务器可以先执行步骤S41。
步骤S41：从所述待分析区域中确定出车辆-行人交集区域，其中，车辆-行人交集区域表示车辆的通行道路和行人的通行道路之间存在交叉的区域。
服务器可以对待分析区域进行区域识别，从待分析区域中确定出车辆-行人交集区域，例如，红绿灯、商业街、人行道等，只要行人的路径和车辆的路径之间存在有交集的部分，均可能因行人因素导致拥堵。当然，实际情况中，有些规定上不存在车辆-行人交集的区域也同样可能发生因行人因素导致的拥堵问题，此处不讨论此种情况。
为了提升确定的车辆-行人交集区域的准确性和完善性，服务器可以利用待分析区域内收集的行人轨迹数据和车辆轨迹数据，分析出车辆行驶路径和行人通行路径，确定出存在交集的区域，并排除地下通道、人行天桥等空间结构上将二者路径进行分离的区域，由此得到贴近实际情况的车辆-行人交集区域。
之后，服务器可以执行步骤S42。
步骤S42：从所述车辆轨迹聚类结果中确定出与行人轨迹聚类结果位于同一车辆-行人交集区域内的交通拥堵源点。
针对行人轨迹聚类结果中的每个聚类结果，服务器可以基于聚类结果中的聚类中心，确定出一个行人误差区域，再将行人误差区域与车辆-行人交集区域存在交集的行人轨迹聚类划归至该车辆-行人交集区域内。这种方案适用于红绿灯、人行道等通常呈范围产生行人聚集的场景。而对于商业街这种容易产生非范围聚集(例如整体呈条带状或多块状的聚集，例如排队或者围绕着某个地点，如小贩、景观等)，对于这种情况，可以直接取聚类结果表示的范围与车辆-行人交集区域进行对比，确定是否存在交集，并将聚类结果表示的范围与车辆-行人交集区域存在交集的行人轨迹聚类划归至该车辆-行人交集区域内。
针对车辆轨迹聚类结果中的每个聚类结果，服务器可以基于聚类结果中的聚类中心，确定出一个车辆误差区域，再将车辆误差区域与车辆-行人交集区域存在交集的车辆轨迹聚类划归至该车辆-行人交集区域内。当然，对于车辆轨迹聚类结果，考虑到实际情况下车辆与行人之间药保持的距离，还可以采用更符合实际的方式，即，结合车辆所在道路的规定行驶方向，从车辆轨迹聚类中确定出该方向上最边沿的一个第二网格质心作为参照点，以参照点为中心确定出一个车辆误差区域，然后将车辆误差区域与车辆-行人交集区域存在交集的车辆轨迹聚类划归至该车辆-行人交集区域内。
之后，服务器可以将同时存在行人轨迹聚类和车辆轨迹聚类的车辆-行人交集区域内的每个车辆轨迹聚类的聚类中心确定为交通拥堵源点。
对于一个车辆轨迹聚类跨越多个车辆-行人交集区域的情况(说明拥堵范围大)，其跨越的任一车辆-行人交集区域中存在行人轨迹聚类时，即可确定此车辆轨迹聚类的聚类中心确定为交通拥堵源点。
本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行基于轨迹大数据的交通拥堵溯源方法。
综上所述，本申请实施例提供一种基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器。1.通过获取待分析区域在设定时段内的行人轨迹点集(行人在设定时段内的暂留点构成的集合)和车辆轨迹点集(车辆在设定时段内的暂留点构成的集合)，对行人轨迹点集和车辆轨迹点集进行轨迹聚类，得到行人轨迹聚类结果和车辆轨迹聚类结果，进一步确定出与行人行为相关的交通拥堵源点。这样可以从行人和车辆两个方面分析城市道路(特别是人流量大的、人车通行有交集的区域)的交通拥堵溯源问题，能够保证溯源的准确性。2.采用基于网格的聚类方法，利用网格密度、网格质心等方式，可以将每个网格作为聚类时的数据单元，能够非常显著地降低数据计算量，且能够尽可能保证聚类精度。而行人轨迹聚类和车辆轨迹聚类的协同溯源，对于城市道路这种人流量大、人车通行交集区域繁多的场景非常适用，可以有效弥补基于网格的聚类方法所损失的聚类精度，保证聚类效果，实现对行人相关的交通拥堵问题的溯源。3.设计了加权距离的计算方式，在计算网格质心到其当前所属簇类的聚类中心的距离时，利用网格密度和轨迹点集中的暂留点总量为每个网格分配权重进行距离计算，而不同密度的网格有不同程度的拥堵，这样能够很好地考虑到这个问题，提升聚类精度。4.从待分析区域中确定出车辆-行人交集区域，作为判断一个聚类代表的交通拥堵问题是否属于与行人相关的交通拥堵问题，从而能够更好地对交通拥堵问题进行溯源和对拥堵时长的预测。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于轨迹大数据的交通拥堵溯源方法，其特征在于，包括：
步骤S1：获取待分析区域在设定时段内的行人轨迹点集和车辆轨迹点集，其中，所述行人轨迹点集为所述待分析区域内的行人在所述设定时段内的暂留点构成的集合，所述车辆轨迹点集为所述待分析区域内的车辆在所述设定时段内的暂留点构成的集合；
步骤S2：对所述行人轨迹点集进行行人轨迹聚类，得到行人轨迹聚类结果；
步骤S3：对所述车辆轨迹点集进行车辆轨迹聚类，得到车辆轨迹聚类结果；
步骤S4：基于所述行人轨迹聚类结果和所述车辆轨迹聚类结果，确定出与行人行为相关的交通拥堵源点。
2.根据权利要求1所述的基于轨迹大数据的交通拥堵溯源方法，其特征在于，步骤S2：对所述行人轨迹点集进行行人轨迹聚类，得到行人轨迹聚类结果，包括：
步骤S21：对所述待分析区域进行网格划分，得到第一网格区域；
步骤S22：将所述行人轨迹点集中的暂留点映射到所述第一网格区域内；
步骤S23：对每个网格进行质心计算和密度计算，得到每个网格的第一网格质心和第一网格密度；
步骤S24：判断每个网格的第一网格密度是否达到第一密度阈值；
步骤S25：若否，对未达到第一密度阈值的网格进行十字分割，划分为四个等尺寸的网格，基于划分得到的每个网格跳转到步骤S23执行；
步骤S26：若是，对达到第一密度阈值的网格进行相邻质心的距离计算，并以相邻质心的距离中心为中心确定出判定区域，将判定区域内的区域密度达到第一密度阈值的两个相邻质心所在网格划分为同一类簇；
步骤S27：重复执行步骤S23～步骤S26，直到所有网格遍历完毕，输出每个簇类的中心点为第一网格区域的初始聚类中心；
步骤S28：基于每个网格的第一网格密度，计算每个第一网格质心到每个聚类中心的加权距离，并根据加权距离的计算结果对聚类中心进行更新；
步骤S29：反复执行步骤S28，直到所有网格的第一网格质心到对应的聚类中心的第一权值距离最小，得到最终的行人轨迹聚类结果。
3.根据权利要求2所述的基于轨迹大数据的交通拥堵溯源方法，其特征在于，步骤S23：对每个网格进行质心计算和密度计算，得到每个网格的第一网格质心和第一网格密度，包括：
针对每个网格，采用以下公式计算第一网格质心：
Figure FDA0004044540090000021
其中，fci为第i个网格的第一网格质心，fni为第i个网格内的暂留点数量，xj为第i个网格内的第j个暂留点数据，foi为第i个网格的中心；
针对每个网格，采用以下公式计算第一网格密度：
Figure FDA0004044540090000022
其中，fei为第i个网格的第一网格密度，fni为第i个网格内的暂留点数量，li为第i个网格的边长，网格为正方形。
4.根据权利要求3所述的基于轨迹大数据的交通拥堵溯源方法，其特征在于，步骤S28：基于每个网格的第一网格密度，计算每个第一网格质心到每个聚类中心的加权距离，并根据加权距离的计算结果对聚类中心进行更新，包括：
采用以下公式计算每个第一网格质心到每个聚类中心的加权距离：
Figure FDA0004044540090000023
其中，dj为归类到第j个簇类的每个第一网格质心到第j个聚类中心的加权距离总和，
Figure FDA0004044540090000031
为归类到第j个簇类的第k个第一网格对应的第一网格密度，
Figure FDA0004044540090000032
为归类到第j个簇类的第k个第一网格对应的第一网格质心，m为归类到第j个簇类的每个第一网格的总量，n为第一网格的总量，vj为第j个聚类中心，d为每个第一网格质心到其聚类中心的加权距离总和，s为聚类中心的总量；
基于计算结果dj和d更新每个聚类中心vj。
5.根据权利要求1所述的基于轨迹大数据的交通拥堵溯源方法，其特征在于，步骤S3：对所述车辆轨迹点集进行车辆轨迹聚类，得到车辆轨迹聚类结果，包括：
步骤S31：对所述待分析区域进行网格划分，得到第二网格区域；
步骤S32：将所述车辆轨迹点集中的暂留点映射到所述第二网格区域内；
步骤S33：对每个网格进行质心计算和密度计算，得到每个网格的第二网格质心和第二网格密度；
步骤S34：判断每个网格的第二网格密度是否达到第二密度阈值；
步骤S35：若否，对未达到第二密度阈值的网格进行十字分割，划分为四个等尺寸的网格，基于划分得到的每个网格跳转到步骤S33执行；
步骤S36：若是，对达到第二密度阈值的网格进行相邻质心的距离计算，并以相邻质心的距离中心为中心确定出判定区域，将判定区域内的区域密度达到第二密度阈值的两个相邻质心所在网格划分为同一类簇；
步骤S37：重复执行步骤S33～步骤S36，直到所有网格遍历完毕，输出每个簇类的中心点为第二网格区域的初始聚类中心；
步骤S38：基于每个网格的第二网格密度，计算每个第二网格质心到每个聚类中心的加权距离，并根据加权距离的计算结果对聚类中心进行更新；
步骤S39：反复执行步骤S38，直到所有网格的第二网格质心到对应的聚类中心的第二权值距离最小，得到最终的车辆轨迹聚类结果。
6.根据权利要求1所述的基于轨迹大数据的交通拥堵溯源方法，其特征在于，步骤S4：基于所述行人轨迹聚类结果和所述车辆轨迹聚类结果，确定出与行人行为相关的交通拥堵源点，包括：
步骤S41：从所述待分析区域中确定出车辆-行人交集区域，其中，车辆-行人交集区域表示车辆的通行道路和行人的通行道路之间存在交叉的区域；
步骤S42：从所述车辆轨迹聚类结果中确定出与行人轨迹聚类结果位于同一车辆-行人交集区域内的交通拥堵源点。
7.根据权利要求6所述的基于轨迹大数据的交通拥堵溯源方法，其特征在于，步骤S42：从所述车辆轨迹聚类结果中确定出与行人轨迹聚类结果位于同一车辆-行人交集区域内的交通拥堵源点，包括：
针对行人轨迹聚类结果中的每个聚类结果，基于聚类结果中的聚类中心，确定出一个行人误差区域，再将行人误差区域与车辆-行人交集区域存在交集的行人轨迹聚类划归至该车辆-行人交集区域内；
针对车辆轨迹聚类结果中的每个聚类结果，基于聚类结果中的聚类中心，确定出一个车辆误差区域，再将车辆误差区域与车辆-行人交集区域存在交集的车辆轨迹聚类划归至该车辆-行人交集区域内；
将同时存在行人轨迹聚类和车辆轨迹聚类的车辆-行人交集区域内的每个车辆轨迹聚类的聚类中心确定为交通拥堵源点。
8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1～7中任一项所述的基于轨迹大数据的交通拥堵溯源方法。
9.一种服务器，其特征在于，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现权利要求1至7中任一项所述的基于轨迹大数据的交通拥堵溯源方法。
CN202310025792.7A 2023-01-09 2023-01-09 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 Active CN116030629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310025792.7A CN116030629B (zh) 2023-01-09 2023-01-09 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310025792.7A CN116030629B (zh) 2023-01-09 2023-01-09 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器

Publications (2)

Publication Number Publication Date
CN116030629A true CN116030629A (zh) 2023-04-28
CN116030629B CN116030629B (zh) 2023-09-19

Family

ID=86072061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310025792.7A Active CN116030629B (zh) 2023-01-09 2023-01-09 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器

Country Status (1)

Country Link
CN (1) CN116030629B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580563A (zh) * 2023-07-10 2023-08-11 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011046138A1 (ja) * 2009-10-14 2011-04-21 株式会社エヌ・ティ・ティ・ドコモ 位置情報分析装置および位置情報分析方法
CN102184578A (zh) * 2011-04-15 2011-09-14 江苏怡和科技股份有限公司 一种城市交通拥堵收费系统
JP2013088888A (ja) * 2011-10-14 2013-05-13 Sumitomo Electric Ind Ltd 情報処理装置、交通指標推定装置及びコンピュータプログラム
CN107784084A (zh) * 2017-09-30 2018-03-09 北京泓达九通科技发展有限公司 基于车辆定位数据的路网生成方法及系统
CN108847023A (zh) * 2018-06-13 2018-11-20 新华网股份有限公司 推送告警信息的方法、装置及终端设备
CN113043944A (zh) * 2021-04-02 2021-06-29 同济大学 融合轨迹预测和侧方障碍监测的车辆安全警示系统和方法
WO2022032781A1 (zh) * 2020-08-12 2022-02-17 深圳技术大学 车流量特征提取方法及系统
CN114764973A (zh) * 2020-12-30 2022-07-19 华为技术有限公司 一种路面异常区域监测方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011046138A1 (ja) * 2009-10-14 2011-04-21 株式会社エヌ・ティ・ティ・ドコモ 位置情報分析装置および位置情報分析方法
CN102184578A (zh) * 2011-04-15 2011-09-14 江苏怡和科技股份有限公司 一种城市交通拥堵收费系统
JP2013088888A (ja) * 2011-10-14 2013-05-13 Sumitomo Electric Ind Ltd 情報処理装置、交通指標推定装置及びコンピュータプログラム
CN107784084A (zh) * 2017-09-30 2018-03-09 北京泓达九通科技发展有限公司 基于车辆定位数据的路网生成方法及系统
CN108847023A (zh) * 2018-06-13 2018-11-20 新华网股份有限公司 推送告警信息的方法、装置及终端设备
WO2022032781A1 (zh) * 2020-08-12 2022-02-17 深圳技术大学 车流量特征提取方法及系统
CN114764973A (zh) * 2020-12-30 2022-07-19 华为技术有限公司 一种路面异常区域监测方法、装置、设备及存储介质
CN113043944A (zh) * 2021-04-02 2021-06-29 同济大学 融合轨迹预测和侧方障碍监测的车辆安全警示系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄子赫;高尚兵;蔡创新;陈浩霖;严云洋;: "多重处理的道路拥堵识别可视化融合分析", 中国图象图形学报, no. 02 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580563A (zh) * 2023-07-10 2023-08-11 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN116580563B (zh) * 2023-07-10 2023-09-22 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备

Also Published As

Publication number Publication date
CN116030629B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN108364467B (zh) 一种基于改进型决策树算法的路况信息预测方法
CN109410577B (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
US9355063B2 (en) Parking lot detection using probe data
US8554473B2 (en) Energy efficient routing using an impedance factor
CN111554105B (zh) 一种复杂交通路口的智能流量识别与统计方法
Tang et al. A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice
CN108961758A (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN116030629B (zh) 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器
CN113806419B (zh) 基于时空大数据的城市区域功能识别模型及识别方法
CN114297532B (zh) 一种基于人群移动轨迹的高清城市功能区识别方法及系统
CN110021161B (zh) 一种交通流向的预测方法及系统
Ospina et al. Understanding cycling travel distance: The case of Medellin city (Colombia)
CN113888867B (zh) 一种基于lstm位置预测的车位推荐方法及系统
CN114839984A (zh) 一种班车路径规划方法、装置、设备及存储介质
Lu et al. A parking occupancy prediction approach based on spatial and temporal analysis
CN116958649A (zh) 一种街道空间城市功能分类方法及相关设备
CN116597649A (zh) 一种基于高速公路收费系统的路网交通流量推演方法
CN114492544B (zh) 模型训练方法及装置、交通事件发生概率评估方法及装置
Kim et al. A study on travel time estimation of diverging traffic stream on highways based on timestamp data
Raj et al. Evaluation of perception and nonperception based approaches for modeling urban road level of service
CN114707567A (zh) 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品
CN111260927B (zh) 一种公路路网流量预测方法
Liu et al. Study on the location of unconventional outside left-turn lane at signalized intersections based on an entropy method
Siddique Modeling drivers' lateral movement behavior under weak-lane disciplined traffic conditions
LU503001B1 (en) Method for predicting pedestrian crossing without signal lamp control

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