WO2022116326A1 - 交通信息处理方法、装置、终端及计算机可读存储介质 - Google Patents
交通信息处理方法、装置、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- WO2022116326A1 WO2022116326A1 PCT/CN2020/140134 CN2020140134W WO2022116326A1 WO 2022116326 A1 WO2022116326 A1 WO 2022116326A1 CN 2020140134 W CN2020140134 W CN 2020140134W WO 2022116326 A1 WO2022116326 A1 WO 2022116326A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- traffic
- information
- points
- adjacency
- track
- Prior art date
Links
- 230000010365 information processing Effects 0.000 title abstract description 23
- 238000003672 processing method Methods 0.000 title abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 5
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 241000233805 Phoenix Species 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Discrete Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
适用于智慧交通领域，提供了交通信息处理方法、装置、终端及计算机可读存储介质，该方法包括：获取交通点的信息（S11）；将交通点的信息转换为交通轨迹信息（S12）；根据交通轨迹信息确定交通轨迹中任意两个邻接交通点的邻接关系以及轨迹通行次数（S13）；基于交通点的信息和任意两个邻接交通点的邻接关系以及通行次数，使用谱聚类的方法得到交通网络的高维图特征矩阵（S14）；从高维表征中提取出交通点的类别信息（S15）；基于类别信息对交通点进行分类存储，形成数据库（S16）。使用轨迹通信次数来衡量交通点之间的相似性，并利用谱聚类算法，从图网络的角度来表征时空数据之间的关系，使得对交通点的聚类结果更加符合实际的交通网络情况。
Description
本发明属于智能交通领域，尤其涉及一种交通信息处理方法、装置、设备及计算机可读存储介质。
在城市计算和智能交通领域中，平面聚类方法被广泛运用，如进行交通客流趋势分析及预测，公共交通区域划分等。通过使用聚类方法，可以将城市的平面划为不同的类，每个类可能代表不同的道路、小区等，还可以进一步从中挖掘出商圈、住宅、拥堵路段等。
近年来，随着城市大数据和智能交通技术的发展，数据中可以挖掘出越来越多的信息，进一步为不同的应用提供了支持，如商圈挖掘、精准广告、交通运力分析、客流预测等等。为了方便分析，这类应用都需要一个基础的前提，即需要将城市平面图进行离散化，也就是说将城市的平面划分为不同的小块，这样便可以给每个小块打上不同的标签，支持进一步的分析。
通常我们采集到的数据都是由交通参与者，如公交、网约车、出租车、地铁、私家车等上报的GPS数据，而这些GPS数据代表了城市中可以通行的不同道路，如何将这些GPS点划分为不同的聚类，是一个相当基础而重要的问题。
针对空间平面的聚类，目前有很多方法，如K-Means、DBSCAN、以及大量的基于这两种的变体，通过计算GPS点之间的欧式距离，结合这两种方法可以将GPS点划为不同的类，即将空间平面划为不同的块。
上述现有技术的主要问题是，它们采用欧式距离作为衡量指标，即空间上的远近关系。但在实际场景中，物体(如车辆或人)通常在空间网络中移动，即是以一种网络结构的方式在移动，而不是在欧几里得平面空间上移动。举个例子，车辆通常是沿着城市道路在移动，而尽管两条路在空间上可能相邻很近，但事实上不可能有车辆能从一条路跨过隔栏移动到另一条路。在以欧式距离衡量关系的K-Means或是DBSCAN中，这样的两条路上的车辆上报的GPS，会被认为是一类，但这显然与实际情况并不符合。即是说，利用空间距离来做聚类，会将完全不可能相交的相邻点分到同一类中。
发明内容
有鉴于此，本发明实施例提供了交通信息处理方法、装置、终端及计算机可读存储介质，以解决在进行交通信息处理时，传统的聚类算法中使用欧式距离导致无法表示复杂城市交通网络的问题。
本发明实施例的第一方面提供了一种交通信息的处理方法，包括：
获取交通点的信息；
将所述交通点的信息转换为交通轨迹信息；
根据所述交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及轨迹通行次数；
基于所述交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由所述交通点构成的交通网络的高维表征；
从所述高维表征中提取出所述交通点的类别信息；
基于所述类别信息对所述交通点的信息进行分类存储，形成数据库。
本发明实施例的第二方面提供了一种交通信息的处理装置，包括：
获取单元，用于获取交通点的信息；
转换单元，用于将所述交通点的信息转换为交通轨迹信息；
确定单元，用于根据所述交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及轨迹通行次数；
计算单元，用于基于所述交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由所述交通点构成的交通网络的高维表征；
提取单元，用于从所述高维表征中提取出所述交通点的类别信息；
存储单元，用于基于所述类别信息对所述交通点的信息进行分类存储，形成数据库。
本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本技术方案中，使用轨迹通信次数来衡量交通点之间的相似性，并利用谱聚类算法，从图网络的角度来表征时空数据之间的关系，使得对交通点的聚类结果更加符合实际的交通网络情况。
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术 描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的交通信息处理方法的第一实施例的流程图；
图2是本发明的交通信息处理方法的第一实施例中S13的细化流程示意图；
图3是本发明的交通信息处理方法的第一实施例中S14的细化流程示意图；
图4是本发明的交通信息处理方法的第一实施例中分布式数据库系统的结构示意图；
图5是不同聚类算法的效果图；
图6是本发明的交通信息处理方法的第二实施例的流程图；
图7是数据查询延迟测试图；
图8是本发明的交通信息处理装置的第一实施例的结构示意图；
图9是本发明的终端的第一实施例的结构示意图。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在本发明的交通信息处理方法的实施例中，通过获取交通点的信息，将交通点的信息转换为交通轨迹信息，并根据交通轨迹信息确定交通轨迹中任意两个邻 接的交通点的邻接关系以及轨迹通行次数，基于交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由交通点构成的交通网络的高维图特征矩阵。并基于从高维图特征矩阵中提取出交通点的类别信息对交通点进行分类存储，形成数据库。
在本发明的实施例中，使用轨迹通信次数来衡量交通点之间的相似性，并利用谱聚类算法，从图网络的角度来表征时空数据之间的关系，使得对交通点的聚类结果更加符合实际的交通网络情况。
图1为本发明的交通信息处理方法的第一实施例的流程图，如图1所示，交通信息处理方法包括以下步骤：
S11，获取交通点的信息。
其中，交通点的信息包括由交通参与者(如公交、网约车、出租车、地铁、私家车等)上报的GPS数据。每条GPS数据可以表示为(参与者ID，上报时间time，经度longtitude，纬度latitude)。获取的方式可以是直接接收，也可以是从本地或者其他存储介质中读取该存储介质所存储的历史GPS数据。
S12，将交通点的信息转换为交通轨迹信息。
在本实施例中，交通轨迹信息包括交通轨迹序列，具体地，根据GPS数据的参与者ID将同一参与者上报的GPS数据分为一组，并按照GPS数据的上报时间排序，得到各交通参与者的交通轨迹序列。
在本发明的方法的其他实施例中，还可以根据GPS数据中的其他参数，对GPS数据进行分类，以获取相应的交通轨迹信息。
S13，根据交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及轨迹通行次数。
在本实施中，如图2所示，步骤S13具体包括以下子步骤：
S131，将交通轨迹信息拆分为邻接的交通点对；
S132，根据邻接的交通点对确定任意两个邻接的交通点的邻接关系；
S133，根据邻接的交通点对确定任意两个邻接的交通点的轨迹通行次数。
具体的，在子步骤S131中，可以用geohash的方法把GPS数据的经度以及纬度编码成一个编号lx，即lx代表了一个具体的交通点，也就是代表一对经纬度。假设x1、x2、x3和x4是逐一邻接的四个交通点，这样轨迹序列就可以表示为(i,lx1,t1),(i,lx2,t2),(i,lx3,t3),(i,lx4,t4)，其中i为上报相应GPS数据的交通参与者的ID，lx1-lx4分别对应为交通点x1-x4的经纬度经geohash编码所获得编号，t1-t4为相应的GPS数据上报时间。相应拆分出的邻接的交通点对表示为(lx1,lx2),(lx2,lx3)和(lx3,lx4)。通过上述方法，将每条轨迹序列拆分为邻接的交通点对的集合(la，lb)，其中a和b表示任意两个邻接的交通点。
在子步骤S132中，将每个GPS点看作顶点，那么在顶点la和lb之间就存在一个邻接边，即邻接关系e(a，b)。
在子步骤S133中，由于是无向图，统计邻接的交通点对的集合中出现(la，lb)和(lb，la)的数量，就可以得到任意两个邻接的交通点的轨迹通行次数w(a,b)，w(a,b)表示为:
w(a，b)＝w′(a，b)+w′(b，a)
S14，基于交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由所述交通点构成的交通网络的高维图特征矩阵。
在本实施例中，如图3所示，步骤S14具体包括以下子步骤：
S141,以任意两个邻接的交通点的轨迹通行次数为相应两个邻接的交通点的 邻接关系的权重值，来确定邻接矩阵；
S142,根据交通点的信息和任意两个邻接的交通点的邻接关系以及邻接矩阵，获得由交通点构成的交通网络的带权重的无向邻接图；
S143,根据带权重的无向邻接图，计算由交通点构成的交通网络的高维图特征矩阵。
具体的，在子步骤S141中，设邻接关系e(a,b)的总权值为w(a,b)，也就是任意两个邻接的交通点之间的相似度，这样可以得到一个邻接矩阵W。
在子步骤S142中，根据任意GPS点的数据V和任意两个邻接的交通点的邻接关系E以及邻接矩阵W(邻接矩阵表示所有顶点之间是否有连接，如果有连接，那连接边权重就是对应的矩阵上的值)，获得由这些GPS点构成的交通网络的带权重的无向邻接图G(V,E,W)。
在子步骤S143中，根据带权重的无向邻接图G(V,E,W)，可以计算出每个交通点对应的度(degree)di：
计算出所有交通点对应的度，就可以获得度矩阵Deg。
基于度矩阵Deg以及邻接矩阵W，通过以下公式计算带权重的无向邻接图G的非正则化的拉普拉斯矩阵Lap：
Lap＝Deg-W
之后，求解出拉普拉斯矩阵Lap的特征向量和特征值。为了减少计算量，同时避免大量无意义的聚类的出现，将对特征向量Λ
n使用TopK算法：
Λ
n←solve|Lap-λI|＝0extract the eigenvalues(λ
1，λ
2，...，λ
n)；
Λ
k←TopK(Λ
n)；
具体的，普拉斯矩阵Lap是n*n的，前面取特征值得到了n个特征值(n是 顶点的个数)，每个特征值对应一个长度为n的特征向量。然后对特征值按大小取topk(最大的k个特征值)，把前k个特征值对应的特征向量按顺序排列，就得到了一个k*n的新矩阵，即为这些GPS点构成的交通网络的高维图特征矩阵。
S15，从高维图特征矩阵中提取出交通点的类别信息。
在本实施例中，在高维图特征矩阵上进行聚类，就可以提取出不同交通点的类别信息，提取出的交通点的类别信息包括GPS点的分类表(经度，纬度，类别编号)。
S16，基于类别信息对交通点的信息进行分类存储，形成数据库。
在本实施例中，得到GPS点的分类表之后，根据分类表将原来GPS数据存储到数据库中，之后利用类别编号clusterID即可查出对应的GPS数据，做进一步分析。
具体的，可以使用分布式的数据库对原始的GPS数据进行转换存储。例如，采用HBase+Phoenix(Phoenix是Hbase的一个插件，可以为HBase提供一个类似SQL的查询接口，通过它可以直接使用SQL来查询HBase的数据)的方式存储数据，聚类算法的实现则是基于Spark-SQL框架，因此整个系统的架构如图4所示。
交通参与者上报的GPS数据RawData，在分析引擎Analysis Engine中运行的上述算法来实现分类。Analysis Engine是程序运行的大数据框架和程序，可以用Spark-SQL来实现上述算法。服务器节点Master是spark用来管理集群的服务器节点，程序通过master进行提交。服务器节点worker是分布式运行算法的服务器节点，提交到master的程序被切分后分别发送到不同的worker上去运行，运行完成后把结果发送回master。
客户端Query可以运行在客户的终端设备上，例如客户的计算机，通过安装SQL客户端的就可以查询HBASE中存储的数据。
其中，Spark-SQL实现了上述的聚类算法，并根据产生的分类表将GPS数据存储到HBase中，HBase将使用多台服务器(即图中的Region Server)作为存储介质，即GPS数据数据分散在不同的服务器上。具体的，通过将ClusterID放在行键Rowkey(HBase通过Rowkey来查询数据)的开头，然后将以ClusterID为c1(Rowkey开头是c1)的数据都放在第一服务器Region Server1，ClusterID为c2的都放到第二服务器Region Server2，以此类推，实现了不同类别的GPS数据放到不同的服务器中。
另外，为了优化查询效率，可以用倒排索引来设计HBase的RowKey：
RowKey＝ClusterID+MaxValue-Timestamp+ID
其中ClusterID是聚类的分类ID，MaxValue是时间的最大值，利用它与实际时间差来实现倒排索引，即是最新的数据被放在数据库上层，查询效率更高。一般情况下，数据在空间上的分布并不均匀，因此使用ClusterID作为RowKey的前缀难免会出现热点问题。为了解决这个问题并使计算并行进行，RowKey被尽可能广泛地分散。例如，可以使用Phoenix的一个功能Salted Tables，指定有多少台服务器(Region Servers)，它会透明的在Rowkey前面再加上一个Hash符号，然后根据前面说的，不同符号开头的Rowkey的数据会放到不同的服务器上，均匀地把数据放到不同的服务器。因为rowkey的第二段字符串是ClusterID，所以也会尽可能让同一个ClusterID的数据放到一台服务器。
针对北京的出租车轨迹，分别使用(a)KMeans方法，(b)DBSCAN方法以及(c)本发明第一实施例的方法(即图5中的Spectral)来对GPS数据分类， 分类结果如图5所示，可以看出使用(a)KMeans方法和(b)DBSCAN方法进行聚类，通常会将空间分为比较规整的块，而这些和实际情况往往并不符合。而使用(c)本发明第一实施例的方法进行聚类，将采用图网络的形式表征空间，划分的不同类别更符合真实的轨道或是道路的分布。
在本发明的交通信息处理方法的第一实施例中，使用图的方式来表示不同交通点之间的邻接关系，进而利用邻接图来进行聚类分析，划分城市交通空间平面。针对衡量不同交通点之间的相关性的问题，利用历史交通数据的统计分析出两个邻接的交通点之间的轨迹通行次数进行表示，这种方法比简单的欧式距离更健壮，对运动对象的距离测量误差更加鲁棒。
图6是本发明的交通信息处理方法的第二实施例的流程图，在本实施例中，本发明的方法包括：
S61，获取交通点的信息；
S62，将交通点的信息转换为交通轨迹信息；
S63，根据交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及轨迹通行次数；
S64，基于交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由交通点构成的交通网络的高维图特征矩阵；
S65，从高维图特征矩阵中提取出所述交通点的类别信息；
S66，基于类别信息对交通点的信息进行分类存储，形成数据库；
S67，接收获取特定类别的交通点的信息的请求；
S68，基于请求中的类别信息，从数据库中获取相应类别的交通点的信息，以进行响应。
在本实施例中，步骤S61-S66与方法第一实施例的S11-S16对应相同，在此不再赘述。
参见图4，在步骤S67中，从客户端Query接收获取交通点的信息的请求，请求中包括交通点的信息的类别信息。在步骤S68中，基于类别信息，从数据库中获取相应类别的交通点的信息，以进行响应。例如，将相应的交通点的信息直接或者做预设处理之后发送到相应的客户端。
由于采用了HBase+Phoenix的方式存储数据，Phoenix可以为HBase提供一个类似SQL的查询接口，通过它可以直接使用SQL来查询HBase的数据，查询时SQL语句会被Phoenix解析成并行语句，在多个存储介质上并行查询数据，加快效率，可以应用到毫秒级实时查询。
如图7所示，针对43亿的GPS数据集上进行了测试，本发明的框架随着查询的输入规模增多，查询延迟呈近似线形的增长，大部分情况下可以达到4s内的延迟，满足实时查询的需求。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例中，还提供了一种交通信息处理装置，交通信息处理装置包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1-5对应的实施例中的相关描述。图8示出了本发明的交通信息处理装置800的第一实施例的结构示意图，包括：
获取单元81，用于获取交通点的信息；
转换单元82，用于将交通点的信息转换为交通轨迹信息；
确定单元83，用于根据交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及轨迹通行次数；
计算单元84，用于基于交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由交通点构成的交通网络的高维图特征矩阵；
提取单元85，用于从高维表征中提取出交通点的类别信息；
存储单元86，用于基于类别信息对交通点的信息进行分类存储，形成数据库。
其中，确定单元83包括：
第一确定模块831，用于将交通轨迹信息拆分为邻接的交通点对；
第二确定模块832，用于根据邻接的交通点对确定任意两个邻接的交通点的邻接关系；
第三确定模块833，用于根据邻接的交通点对确定任意两个邻接的交通点的轨迹通行次数。
其中，计算单元84包括：
邻接矩阵计算模块841，用于以任意两个邻接的交通点的轨迹通行次数为相应两个邻接的交通点的邻接关系的权重值，来确定邻接矩阵；
邻接图计算模块842，用于根据交通点的信息和任意两个邻接的交通点的邻接关系以及所述邻接矩阵，获得由交通点构成的交通网络的带权重的无向邻接图；
高维表征计算模块843，用于根据带权重的无向邻接图，计算由交通点构成的交通网络的高维图特征矩阵。
进一步地，高维表征计算模块843包括以下子模块(图中未示出)：
第一子模块，用于根据带权重的无向邻接图，计算出所有交通点对应的度，以获得度矩阵；
第二子模块，用于基于度矩阵以及所述邻接矩阵，计算带权重的无向邻接图的拉普拉斯矩阵；
第三子模块，用于求解拉普拉斯矩阵的特征向量和特征值；
第四子模块，用于根据拉普拉斯矩阵的特征向量和特征值，使用TopK算法，获得由交通点构成的交通网络的高维图特征矩阵。
在本发明的交通信息处理装置的第二实施例中，基于图8，装置还包括接收单元和响应单元，用于执行图6对应的实施例中的相应的步骤，具体请参阅图6对应的实施例中的相关描述。
其中，接收单元用于接收获取特定类别的交通点的信息的请求。
响应单元用于基请求中的类别信息，从数据库中获取相应类别的交通点的信息，以进行响应。
本发明还提供了一种终端，如图9所示，终端100包括：处理器101、存储器102以及存储在存储器102中并可在处理器101上运行的计算机程序103。处理器101执行计算机程序103时实现上述交通信息处理方法的各实施例中的步骤。或者，处理器101执行计算机程序103时实现上述各装置实施例中各单元/模块/子模块的功能。
示例性的，计算机程序103可以被分割成一个或多个单元/模块/子模块，所述一个或者多个单元/模块/子模块被存储在存储器102中，并由处理器101执行，以完成本发明。所述一个或多个单元/模块/子模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序103在上述交通信息处理装置/终端100中的执行过程。例如，所述计算机程序62可以被分割成获取模块、执行模块、生成模块(虚拟装置中的模块)，各模块具体功能如下：
获取交通点的信息；将交通点的信息转换为交通轨迹信息；根据交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及轨迹通行次数；基于交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由交通点构成的交通网络的高维图特征矩阵；从高维图特征矩阵中提取出所述交通点的类别信息；基于类别信息对交通点进行分类存储，形成数据库。
终端100可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端100可包括，但不仅限于，处理器101、存储器102。本领域技术人员可以理解，图9仅仅是终端100的示例，并不构成对终端100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端100还可以包括输入输出设备、网络接入设备、总线等。
处理器101可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器102可以是终端100的内部存储单元，例如终端100的硬盘或内存。存储器102也可以是终端100的外部存储设备，例如终端100上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器102还可以既包括终端100的内部存储单元，也包括外部存储设备。存储器102用于存储计算机程序103以及终端100所需的其他程序和数据。存储器102还可以用于暂时地存储已经输出或者将 要输出的数据。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如交通信息处理方法任一实施例中的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意 性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器 (RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
- 一种交通信息的处理方法，其特征在于，所述方法包括：获取交通点的信息；将所述交通点的信息转换为交通轨迹信息；根据所述交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及轨迹通行次数；基于所述交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由所述交通点构成的交通网络的高维表征；从所述高维表征中提取出所述交通点的类别信息；基于所述类别信息对所述交通点的信息进行分类存储，形成数据库。
- 根据权利要求1所述的方法，其特征在于，所述交通点的信息包括GPS数据，所述将所述交通点的信息转换为交通轨迹信息包括：将由同一交通参与者上报的GPS数据，按照上报时间排序，以得到该交通参与者的交通轨迹信息。
- 根据权利要求1所述的方法，其特征在于，所述根据所述交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及通行次数，包括：将所述交通轨迹信息拆分为邻接的交通点对；根据邻接的交通点对确定任意两个邻接的交通点的邻接关系；根据邻接的交通点对确定任意两个邻接的交通点的轨迹通行次数。
- 根据权利要求1所述的方法，其特征在于，所述基于所述交通点的信息和任意两个邻接的交通点的邻接关系以及轨迹通行次数，使用谱聚类的方法得到由所述交通点构成的交通网络的高维表征，包括：以任意两个邻接的交通点的轨迹通行次数为相应两个邻接的交通点的邻接关系的权重值，来确定邻接矩阵；根据所述交通点的信息和任意两个邻接的交通点的邻接关系以及所述邻接 矩阵，获得由所述交通点构成的交通网络的带权重的无向邻接图；根据所述带权重的无向邻接图，计算由所述交通点构成的交通网络的高维表征。
- 根据权利要求4所述的方法，其特征在于，所述根据所述带权重的无向邻接图，计算由所述交通点构成的交通网络的高维表征，包括：根据所述带权重的无向邻接图，计算出所有交通点对应的度，以获得度矩阵；基于所述度矩阵以及所述邻接矩阵，计算所述带权重的无向邻接图的拉普拉斯矩阵；求解所述拉普拉斯矩阵的特征向量和特征值；根据所述拉普拉斯矩阵的特征向量和特征值，使用TopK算法，获得由所述交通点构成的交通网络的高维表征。
- 根据权利要求1所述的方法，其特征在于，所述方法还包括：接收获取特定类别的交通点的信息的请求；基于所述请求中的类别信息，从所述数据库中获取相应类别的交通点的信息，以进行响应。
- 一种交通信息的处理装置，其特征在于，所述装置包括：获取单元，用于获取交通点的信息；转换单元，用于将所述交通点的信息转换为交通轨迹信息；确定单元，用于根据所述交通轨迹信息确定交通轨迹中任意两个邻接的交通点的邻接关系以及轨迹通行次数；计算单元，用于基于所述交通点的信息和任意两个邻接的交通点的邻接关系以及通行次数，使用谱聚类的方法得到由所述交通点构成的交通网络的高维表征；提取单元，用于从所述高维表征中提取出所述交通点的类别信息；存储单元，用于基于所述类别信息对所述交通点的信息进行分类存储，形成 数据库。
- 根据权利要求7所述的装置，其特征在于，所述计算单元包括：邻接矩阵计算模块，用于以任意两个邻接的交通点的轨迹通行次数为相应两个邻接的交通点的邻接关系的权重值，来确定邻接矩阵；邻接图计算模块，用于根据所述交通点的信息和任意两个邻接的交通点的邻接关系以及所述邻接矩阵，获得由所述交通点构成的交通网络的带权重的无向邻接图；高维表征计算模块，用于根据所述带权重的无向邻接图，计算由所述交通点构成的交通网络的高维表征。
- 一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
- 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011395101.5 | 2020-12-03 | ||
| CN202011395101.5A CN114613124B (zh) | 2020-12-03 | 2020-12-03 | 交通信息处理方法、装置、终端及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022116326A1 true WO2022116326A1 (zh) | 2022-06-09 |
Family
ID=81852892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/140134 WO2022116326A1 (zh) | 2020-12-03 | 2020-12-28 | 交通信息处理方法、装置、终端及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114613124B (zh) |
| WO (1) | WO2022116326A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021580A (zh) * | 2021-10-14 | 2022-02-08 | 华南师范大学 | 基于序列模式挖掘的课堂对话处理方法、系统和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007096002A1 (en) * | 2006-02-27 | 2007-08-30 | Robert Bosch Gmbh | Trajectory retrieval system, method and software for trajectory data retrieval |
| CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
| CN110992683A (zh) * | 2019-10-29 | 2020-04-10 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及系统 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8943106B2 (en) * | 2010-03-31 | 2015-01-27 | International Business Machines Corporation | Matrix re-ordering and visualization in the presence of data hierarchies |
| CN102855638B (zh) * | 2012-08-13 | 2015-02-11 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
| EP2973494A4 (en) * | 2013-03-15 | 2016-11-23 | Caliper Corp | VEHICLE NAVIGATION AT TRACK HEIGHT FOR ROUTE PLANNING AND TRANSPORT MANAGEMENT |
| US9471853B2 (en) * | 2014-05-19 | 2016-10-18 | Jinling Institute Of Technology | Method and apparatus for image processing |
| CN105787472B (zh) * | 2016-03-28 | 2019-02-15 | 电子科技大学 | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 |
| US11715369B2 (en) * | 2016-08-15 | 2023-08-01 | University Of Southern California | Latent space model for road networks to predict time-varying traffic |
| CN107272405B (zh) * | 2017-05-26 | 2021-01-26 | 广州汽车集团股份有限公司 | 匀质车辆队列的车辆分布式控制器增益求取方法和装置 |
| CN109448370B (zh) * | 2018-10-29 | 2021-09-28 | 东南大学 | 一种基于车辆轨迹数据的交通控制子区划分方法 |
| CN109859054B (zh) * | 2018-12-13 | 2024-03-05 | 平安科技（深圳）有限公司 | 网络社团挖掘方法、装置、计算机设备及存储介质 |
| CN110222589A (zh) * | 2019-05-16 | 2019-09-10 | 五邑大学 | 一种行人再识别方法及其系统、装置、存储介质 |
| CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
-
2020
- 2020-12-03 CN CN202011395101.5A patent/CN114613124B/zh active Active
- 2020-12-28 WO PCT/CN2020/140134 patent/WO2022116326A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007096002A1 (en) * | 2006-02-27 | 2007-08-30 | Robert Bosch Gmbh | Trajectory retrieval system, method and software for trajectory data retrieval |
| CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
| CN110992683A (zh) * | 2019-10-29 | 2020-04-10 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021580A (zh) * | 2021-10-14 | 2022-02-08 | 华南师范大学 | 基于序列模式挖掘的课堂对话处理方法、系统和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114613124B (zh) | 2023-02-10 |
| CN114613124A (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10841743B2 (en) | Branching mobile-device to system-namespace identifier mappings | |
| US9256689B2 (en) | Mining trajectory for spatial temporal analytics | |
| CN110322064B (zh) | 城市出行需求预测方法 | |
| Zhao et al. | Vehicle accident risk prediction based on AdaBoost-SO in VANETs | |
| Fan et al. | Using big GPS trajectory data analytics for vehicle miles traveled estimation | |
| Cai et al. | Design and application of an attractiveness index for urban hotspots based on GPS trajectory data | |
| Bhanu et al. | Embedding traffic network characteristics using tensor for improved traffic prediction | |
| Sabarish et al. | Graph similarity-based hierarchical clustering of trajectory data | |
| CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
| Faroqi et al. | Spatial-temporal similarity correlation between public transit passengers using smart card data | |
| Jia et al. | Measuring urban sprawl based on massive street nodes and the novel concept of natural cities | |
| CN114416900A (zh) | 一种轨迹停留点分析的方法和装置 | |
| WO2022116326A1 (zh) | 交通信息处理方法、装置、终端及计算机可读存储介质 | |
| CN112949914A (zh) | 一种产业集群的识别方法、装置、存储介质及电子设备 | |
| Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
| WO2023004595A1 (zh) | 一种停车数据修复方法、装置、计算机设备以及存储介质 | |
| Han et al. | Algorithms for Trajectory Points Clustering in Location-Based Social Networks | |
| Chan et al. | SLAM: Efficient sweep line algorithms for kernel density visualization | |
| CN114092729A (zh) | 基于聚类匿名化与差分隐私保护的异构用电数据发布方法 | |
| Lian et al. | Mining regional mobility patterns for urban dynamic analytics | |
| CN111310340A (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
| He et al. | Spatio-temporal trajectory anomaly detection based on common sub-sequence | |
| Gao et al. | A Spatial Flow Clustering Method Based on the Constraint of Origin-Destination Points’ Location | |
| CN114511571A (zh) | 一种点云数据语义分割方法、系统及相关组件 | |
| Wu et al. | Application of improved K-means clustering algorithm in transit data collection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20964171 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20964171 Country of ref document: EP Kind code of ref document: A1 |