基于浮动车数据网格映射的城市路网交叉口拥堵识别方法技术

本发明专利技术公开一种基于浮动车数据网格映射的交叉口拥堵识别方法，首先将城市空间区域划分为网格，并利用低频浮动车数据识别出各交叉口对应的网格。通过将浮动车数据映射到这些网格，M2C交叉口识别方法能够识别浮动车的转弯方向并预测该方向上的交通状况。由于采用均匀方形网格进行二维空间离散化，M2C交叉口识别方法高效，并且不需要GIS地图的配合就能够基于浮动车数据重构交叉口并对交通状况予以分析和预测。

【技术实现步骤摘要】
基于浮动车数据网格映射的城市路网交叉口拥堵识别方法
本专利技术涉及交通
，尤其涉及一种基于浮动车数据网格映射的城市路网交叉口拥堵识别方法。
技术介绍
城市交通供需关系不平衡引发的交通拥堵是现代社会的主要问题之一，影响居民出行，阻碍城市发展。精准识别常发性交通拥堵发生地点，是制定有效交通缓堵对策的前提和基础。交叉口是城市交通拥堵的常发点。交通管理部门通常在交叉口前安装固定式检测器如线圈、地磁等用于监控交叉口交通状况。然而，固定式检测器安装成本较大，损坏率高，后期维护成本较大且道路开挖施工易对道路交通产生恶劣影响。同时，固定式检测器的安装也并未能覆盖所有交叉口。随着现代通信技术和全球定位系统(GPS)的发展，浮动车数据如出租车GPS数据、公交车GPS数据等逐渐普及，GPS数据每隔30s，2分钟或5分钟上传其速度、位置、运动方向等信息，根据这些信息可推测浮动车周边道路或交叉口的交通状况。尽管浮动车在路网车辆数中所占比例较小，但分布较广，通过合理的技术和方法可推测全路网的交通状况。本专利技术使用低频浮动车数据进行城市路网交叉口拥堵识别。现有文献中应用浮动车数据推测城市道路交通状况的研究绝大部分依赖于GIS地图，即首先要将浮动车数据与地理信息系统相匹配，此过程存在操作要求高、费时费力等缺点，特别是工程人员在缺乏地理信息系统相关知识背景条件下，更是增加了操作难度。此外，很多条件下，高精度数字地图并不易获取。为解决以上问题，一些学者专门研究基于浮动车数据的地图推理和重构。例如，Davies等人提出了一种基于内核密度估计的地图推理方法，将道路面积划分为单元/像素，并根据特定条件选择和过滤浮动车数据填充的单元/像素，提取道路网络[2]。Biagioni和Eriksson将各种地图推理方法进行了比较[2]，如Cao和Krumm[3]、StefanEdelkamp和StefanSchrodl[4]和Davies[1]等提出的方法被认为“显著优于”其他方法。另外，邱和王最近提出了一种用浮动车数据进行道路地图推理的分割和分组框架，它将浮动车数据划分到路段，然后将这些路段组成一条尽可能长的道路。但目前大多数的地图推理研究都以道路为对象，只有少数人把重点放在交叉口上。Fathi和Krumm设计了一个交叉口检测器，使用局部形状描述符来表示某个点周围的浮动车数据分布[5]。对形状描述符进行训练，通过从地图提取的地面交叉口信息来识别交点。Wu等人则提出了一种数据预处理和聚类算法，根据车辆在交叉口处转弯的特征来识别浮动车数据的交点中心[6]。尽管这些地图通过推理和重构方法可用于生成道路网络和交叉路口，但目前鲜有人考虑地图重构与道路网络中交通状况推演相结合，即两者是分离的，先用浮动车数据生成地图，但进一步的路网交通状况分析则仍需要浮动车数据与地图相匹配。本专利技术技术将地图重构、地图匹配和路网交通状况分析进行一体化集成，可大大降低交通工程师工作量，提高工作效率。
技术实现思路
专利技术目的：本专利技术提供一种基于浮动车数据网格映射的城市路网交叉口拥堵识别方法，基于低频浮动车数据，将地图重构、地图匹配和路网交通状况一体化，大大降低实施成本。技术方案：为实现上述目的，本专利技术中基于浮动车数据网格映射的城市路网交叉口拥堵识别方法，包括以下步骤：(1)用边长约等于车道宽度的均匀正方形网格划分城市区域，然后运用算术基本运算将浮动车数据映射到网格；(2)确定交叉口位置并识别交叉口中心；(3)识别交叉口进口道；(4)识别车辆进入或离开交叉口；(5)识别车辆的转弯方向；(6)识别交叉口的拥堵。其中，步骤(2)中识别交叉中心，包括以下步骤：(21)首先设定最大集群数C，模糊因子m，终止条件ε和最大迭代次数T；(22)将集群数从2到C的DB索引值最小的确定为最优集群数c*；(23)将FCM(模糊C均值聚类算法)应用于带有c*个集群的原始目标数据，并求得集群中心V＝{vi；i＝1，2，...c*}和隶属度U＝{uki；i＝1，2，...c*；k＝1，2，...n}；(24)根据δ去除远离集群中心的噪声；(25)去除噪声之后，将FCM应用于新数据集，更新集群中心V＝{vi；i＝1，2，...c*}和隶属度U’＝{uki；i＝1，2，...c*；k＝1，2，...n’}，其中n’是去除噪声后的研究网格的数量；(26)对于每个集群的子集，用DB索引确定每个集群的子集的数量；(27)在子集中应用FCM，并求得每个集群的子集的中心；(28)每个集群的子集的中心的中值(中位数)即为交叉口中心。其中，步骤(3)中识别交叉口进口道，包括以下步骤:(31)利用网格重构路网，具体为：将包含浮动车数据的网格作为道路网络的一部分进行处理并重构路网，这种直接方法会产生大量的噪声。为此，本专利技术仅选用包含浮动车数据点的数目大于或等于浮动车数据阈值的网格并应用两种图像处理方法来修复网络中的空隙和支线；(32)确定交叉口进口道的外边界，具体为：采用一个中心位于交叉口中心的正方形，它定义了交叉口进口道的外边界，即考虑交叉口拥堵的最大范围；(33)确定交叉口进口道的数量；(34)确定交叉口进口道的内边界；(35)分离交叉口进口道，具体为：在一定数量的交叉口进口道的条件下，FCM集群方法可以轻松地分离各个交叉口的进口道；(36)确定交叉口进口道间的位置关系；(37)消除对应于高速公路的网格的影响，具体为：利用高速公路上的限速通常大于城市道路这一特点来识别高速公路网格，即仅使用速度大于城市道路限速的浮动车数据来填充网格并重构路网，从而识别对应于高速公路的网格。其中，步骤(33)中确定交叉口进口道的数量，包括以下步骤：(41)顺序地(沿一个方向，顺时针或逆时针)检查外边界各个边缘上的网格；(42)如果连续的空网格数大于极限值，则将前面所有未包含在集群中的浮动车数据网格看做一个集群；(43)集群的数量即为对应交叉口的交叉口进口道数。其中，步骤(34)中确定交叉口进口道的内边界，包括以下步骤：(51)将正方形的边长范围设置为1到外边界的大小；(52)依次预测不同边长的正方形对应的交叉口进口道的数量；(53)当该数量等于由外边界确定的交叉口进口道数量时，终止搜索并将该正方形的边长设置为内边界的大小。其中，步骤(36)中确定交叉口进口道间的位置关系，包括以下步骤：(61)从每个交叉口进口道随机选择一个网格；(62)计算连接网格与交叉口中心线的角度；(63)将所有交叉口进口道按其对应的角度升序排列；(64)确定交叉口进口道的关系，即相邻进口道中具有较大角度的为目标进口道的右侧进口道。其中，步骤(4)中识别车辆进入或离开交叉口，包括以下步骤:(71)首先，确定车辆的移动方向：通常，浮动车数据中包含方向；若没有，可以用主体浮动车数据点与其上一个或下一个浮动车数据点连线和主体浮动车数据点与交叉口中心连线之间的角度代替；(72)确定主体浮动车数据点与其上一个或下一个浮动车数据点连线和主体浮动车数据点与交叉口中心连线之间的角度，并分别加减90°，若计算得的角度在180°范围内，则认为浮动车进入交叉口，否则认为该车离开交叉口。其中，步骤(5)中识别车辆的转弯方向，具体为:首先确定浮动车数据点是否落入或穿过交叉口进口道，有如下两种方法本文档来自技高网...

【技术保护点】
1.一种基于浮动车数据网格映射的城市路网交叉口拥堵识别方法，其特征在于，包括以下步骤：(1)采用边长大致等于车道宽度的均匀正方形网格来划分城市区域，然后运用算术基本运算将浮动车数据映射到网格；(2)确定交叉口的位置并识别交叉口中心，具体包括以下步骤：(21)首先设定最大集群数C，模糊因子m，终止条件ε和最大迭代次数T；(22)将集群数从2到C的DB索引值最小的确定为最优集群数c*；(23)将FCM应用于带有c*个集群的原始目标数据，并求得集群中心V＝{vi,i＝1，2，...c*}和隶属度U＝{uki,i＝1，2，...c*；k＝1，2，...n}；(24)根据δ去除远离集群中心的噪声；(25)去除噪声之后，将FCM应用于新数据集，更新集群中心V＝{vi,i＝1，2，...c*}和隶属度U’＝{uki，i＝1，2，...c*；k＝1，2，...n’}，其中n’是去除噪声后的网格数量；(26)对于每个集群的子集，用DB索引确定每个集群的子集数量；(27)在子集中应用FCM，并求得每个集群的子集中心；(28)每个集群的子集中心的中值即为交叉口中心；(3)识别交叉口进口道；(4)识别车辆进入或离开交叉口；(5)识别车辆的转弯方向；(6)识别交叉口的拥堵。...

【技术特征摘要】
1.一种基于浮动车数据网格映射的城市路网交叉口拥堵识别方法，其特征在于，包括以下步骤：(1)采用边长大致等于车道宽度的均匀正方形网格来划分城市区域，然后运用算术基本运算将浮动车数据映射到网格；(2)确定交叉口的位置并识别交叉口中心，具体包括以下步骤：(21)首先设定最大集群数C，模糊因子m，终止条件ε和最大迭代次数T；(22)将集群数从2到C的DB索引值最小的确定为最优集群数c*；(23)将FCM应用于带有c*个集群的原始目标数据，并求得集群中心V＝{vi,i＝1，2，...c*}和隶属度U＝{uki,i＝1，2，...c*；k＝1，2，...n}；(24)根据δ去除远离集群中心的噪声；(25)去除噪声之后，将FCM应用于新数据集，更新集群中心V＝{vi,i＝1，2，...c*}和隶属度U’＝{uki，i＝1，2，...c*；k＝1，2，...n’}，其中n’是去除噪声后的网格数量；(26)对于每个集群的子集，用DB索引确定每个集群的子集数量；(27)在子集中应用FCM，并求得每个集群的子集中心；(28)每个集群的子集中心的中值即为交叉口中心；(3)识别交叉口进口道；(4)识别车辆进入或离开交叉口；(5)识别车辆的转弯方向；(6)识别交叉口的拥堵。2.根据权利要求1所述的基于浮动车数据网格映射(M2C)的城市路网交叉口拥堵识别方法，步骤(3)中识别交叉口进口道，包括以下步骤:(31)利用网格重构路网，具体为：将包含浮动车数据的网格作为道路网络进行处理并重构路网；(32)确定交叉口进口道的外边界,具体为：采用一个中心位于交叉口中心的正方形，它定义了交叉口进口道的外边界；(33)确定交叉口进口道的数量；(34)确定交叉口进口道的内边界；(35)分离交叉口进口道,具体为：在预设数量的交叉口进口道的条件下，采用FCM集群方法分离各个交叉口的进口道；(36)确定交叉口进口道间的位置关系；(37)使用速度大于城市道路限速的浮动车数据来填充网格并重构路网，识别对应于高速公路的网格。3.根据权利要求2所述的识别交叉口进口道，步骤(33)中确定交叉口进口道的数量，包括以下步骤：(41)顺序地检查外边界各个边缘上的网格；(42)如果连续的空网格数大于极限值，则将前面所有未包含在集群中的浮动车数据网格看做一个集群；(43)集群的数量即为对应交叉口的交叉口进口道数。4.根据权利要求2所述的识别交叉口进口道，步骤(34)中确定...

【专利技术属性】
技术研发人员：贺正冰，陆丽丽，奇格奇，陈艳艳，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11