基于层次聚类的路口异常车辆轨迹识别分析方法技术

基于层次聚类的路口异常车辆轨迹识别分析方法，利用LCSS算法、DTW算法和层次聚类算法进行车辆轨迹聚类分析，基于路口渠化信息实现车辆轨迹模式划分，识别出路口异常车辆轨迹，进而分别对各模式下车辆轨迹再次聚类分析，精细化识别各流向异常车辆轨迹，从而建立异常轨迹数据库，为路口渠化设计和信控方案合理性评估提供支撑依据。本发明专利技术提高车辆轨迹层次聚类的效果，能够有效识别出路口车辆轨迹类型和异常车辆轨迹，进一步对各模式类型下车辆轨迹分析，对各流向异常车辆轨迹识别提取，从而为路口交通冲突安全管理和拥堵管理提供有效支撑；通过对统计时间段内异常轨迹分析，有效识别出路口渠化组织的问题，对交通信号配时方案的优化调整提供支撑依据。

Analysis method of abnormal vehicle track recognition based on hierarchical clustering

【技术实现步骤摘要】
基于层次聚类的路口异常车辆轨迹识别分析方法
本专利技术涉及交通管控领域中的车辆轨迹识别领域和路口合理性分析领域，具体涉及一种基于层次聚类的路口异常车辆轨迹识别分析方法。
技术介绍
随着机动车数据的集聚增长，全国各城市都面临着日益严峻的交通拥堵问题，因此，对车辆轨迹的研究对于交通管理与疏导是十分必要的。迄今为止，已经有较多的学者对车辆轨迹相似性及异常轨迹进行了一定研究，如裴剑(裴剑，彭敦陆.一种基于LCSS的相似车辆轨迹查询方法[J].2016)在采集大量车辆行驶GPS数据基础上，基于数据清理形成轨迹，通过Ramer-Douglas-Peucker算法对原始轨迹轮廓抽取，基于LCSS算法求相似子轨迹。另一方面，现阶段城市道路上布设有大量的电警、卡口、球机等监控摄像头，产生了巨大的结构化数据，而将这些数据运用实现车辆轨迹分析更成了目前研究的主流之一。如专利技术CN201710492719.5提出一种车辆非有效行驶轨迹识别方法，通过对车辆轨迹的识别的层次聚类，实现最优路径推荐，针对停车问题进行轨迹路径规划；专利技术CN201510159009.1提出一种基于广域分布交通系统的异常轨迹检测方法，通过无监督聚类确定异常交通轨迹点和异常轨迹。现阶段的车辆轨迹分析研究主要集中在两个方面，一是基于GPS定位数据/手机移动通信数据等位置数据实现的单一车辆轨迹分析；二是对整个路网，长距离车辆行驶异常轨迹的判定，目前暂缺对路口车辆轨迹的有效分类和判别，以及车辆轨迹的路口交通管理运用。
技术实现思路
本专利技术提出一种基于层次聚类的路口异常车辆轨迹识别分析方法，对路口球机监控设备历史视频数据进行提取，利用LCSS算法、DTW算法和层次聚类算法实现车辆轨迹聚类分析，基于路口渠化信息划分车辆轨迹模式，识别出路口异常车辆轨迹，进而分别对各模式下车辆轨迹再次聚类分析，精细化识别各流向异常车辆轨迹，分析异常原因，从而建立异常轨迹数据库，为路口渠化设计和信控方案合理性评估提供支撑依据。基于层次聚类的路口异常车辆轨迹识别分析方法，包括如下步骤：步骤1，采集路口渠化信息，提取路口监控视频数据完成数据清洗；步骤2，针对不同车辆ID实现单条轨迹分析，提取数据特征点，确定车辆轨迹；步骤3，基于LCSS算法和层次聚类算法实现路口车辆轨迹聚类，划分出车辆轨迹模式类型，识别出正常车辆轨迹和异常车辆轨迹；步骤4，基于步骤3模式分析的车辆轨迹类型提取出单一模式正常车辆轨迹，进一步对单一模式车辆轨迹分析，识别出单一模式下异常车辆轨迹和正常车辆轨迹；步骤5，基于步骤3和4中的异常车辆轨迹，对路口状况进行分析。进一步地，所述步骤1中，具体包括如下分步骤：步骤1-1，对路口类型及其渠化信息进行采集；步骤1-2，基于单位时间段内路口监控视频根据不同车辆ID提取出原始轨迹点，记为P(f,x,y)，其中f表示帧数，x和y表示轨迹点坐标数值；步骤1-3，基于原始轨迹点P在二维坐标内绘制出车辆原始轨迹点，从中确定缺失重要特征数据和不正确数据并进行剔除，实现原始轨迹点清洗；其中缺失重要特征数据为偏离数据，其可组成短路径但偏离线路走向，不正确数据即无法平滑连接的密集散点集，其无法构成路径轨迹。进一步地，所述步骤2中，具体包括如下分步骤：步骤2-1，基于同一车辆ID下的原始轨迹数据P进行分析，在统计时间段T内对单位时间提取定量数据实现轨迹特征点提取；步骤2-2，基于提取的特征点进行轨迹绘制，根据f帧数大小排列，确定车辆轨迹，记为TR＝{P|pi，1≤i≤n，n为轨迹点数}。进一步地，所述步骤3中，具体包括如下分步骤：步骤3-1，控制相似度阈值γ，确定簇数K的范围，基于层次聚类算法确定相似度阈值γ下最佳聚类簇数Kopi以及其聚类结果；步骤3-2，重复步骤3-1，调整相似度阈值γ，重复求解出不同相似度阈值γ下的最佳聚类簇数Kopi，记为其中l表示相似度阈值序号，其中相似度阈值γl数值取整数；同时各下含有最优簇数的组内距均值和组内距步骤3-3，基于求解出不同相似度阈值γl的组内均方差和组间均方差根据组内均方差和组间均方差确定最优阈值γopi及其最优组数Kopi；步骤3-4，基于最佳阈值γopi和最优聚类簇数Kopi，确定车辆轨迹的聚类结果，识别出车辆轨迹模式类型，确定正常车辆轨迹和异常车辆轨迹；具体来说，基于步骤3-3确定的最佳阈值γopi和最优聚类簇数Kopi进行车辆轨迹层次聚类，根据步骤1的路口渠化信息，对聚类的车辆轨迹模式进行分类，将根据路口渠化流向下划分以外的车辆轨迹默认为异常车辆轨迹，其余则为正常车辆轨迹。进一步地，所述步骤3-1中，包括如下分步骤：步骤3-1-1，控制相似度阈值γ，通过LCSS算法确定两两轨迹之间的最长公共子序列和最长公共子序列相似度距离；步骤3-1-2，根据上一步骤的最长公共子序列相似度距离列出相似度矩阵S[a][b]，即为邻近矩阵；步骤3-1-3，确定聚类簇数K的范围；具体来说，根据步骤1的路口渠化信息确定聚类簇数K的最小数值；步骤3-1-4，给定簇数K，不断重复步骤3-1-1和3-1-2得到层次聚类的聚类结果；步骤3-1-5，根据步骤3-1-3给定的簇范围确定出控制相似度阈值γ一定时K值不同的聚类情况，根据不同K值聚类下的组内距和组间距建立评价体系，从而确定最佳聚类簇数Kopi，具体如下：根据步骤3-1-4的聚类结果提取出组内轨迹的所有特征点Pi，根据特征点Pi确定确定划分K组情况下k个聚类簇中心{C1，C2，C3，...，Ck}，1＜k≤K，其中簇中心Ck为该组内所有特征点的中心；根据k组簇中心分别求得k组内的组内距τk以及组间距基于不同组数K下的组内距均值和组间距确定最佳聚类簇数Kopi，具体来说，将比值最大时的k值默认为Kopi。进一步地，所述步骤3-3中，包括如下分步骤：步骤3-3-1，根据求解出不同相似度阈值γl的组内均方差步骤3-3-2，根据求解出不同相似度阈值γl的组间均方差步骤3-3-3，基于不同的相似度阈值γ及其Kopi下的组内均方差和组间均方差确定最优阈值γopi。具体来说，将比值最大时的γl默认为最优阈值。进一步地，所述步骤4中，具体包括如下分步骤：步骤4-1，提取出单一模式下正常车辆轨迹，基于正常车辆轨迹的轨迹特征点数值，以轨迹的轨迹相似度λ、加速度方差α2、弧长比σ作为特征数值进行层次聚类，划分出异常行驶轨迹、异常行为轨迹和正常车辆轨迹；步骤4-2，整合上一步骤分析得到的正常车辆轨迹，在DTW算法下对上一步骤的正常车辆轨迹再次进行层次聚类，判别出正常车辆轨迹和离群轨迹；步骤4-3，重复步骤4-1至4-2，对路口各模式下车辆轨迹分析，划分各流向中异常行驶轨迹、异常行为轨迹、离群轨迹和正常车辆轨迹，其中将异常行驶轨迹、异常行为轨迹和离群轨迹均默认为异常车辆轨迹。进一步本文档来自技高网...

【技术保护点】
1.基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：包括如下步骤：/n步骤1，采集路口渠化信息，提取路口监控视频数据完成数据清洗；/n步骤2，针对不同车辆ID实现单条轨迹分析，提取数据特征点，确定车辆轨迹；/n步骤3，基于LCSS算法和层次聚类算法实现路口车辆轨迹聚类，划分出车辆轨迹模式类型，识别出正常车辆轨迹和异常车辆轨迹；/n步骤4，基于步骤3模式分析的车辆轨迹类型提取出单一模式正常车辆轨迹，进一步对单一模式车辆轨迹分析，识别出单一模式下异常车辆轨迹和正常车辆轨迹；/n步骤5，基于步骤3和4中的异常车辆轨迹，对路口状况进行分析。/n

【技术特征摘要】
1.基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：包括如下步骤：
步骤1，采集路口渠化信息，提取路口监控视频数据完成数据清洗；
步骤2，针对不同车辆ID实现单条轨迹分析，提取数据特征点，确定车辆轨迹；
步骤3，基于LCSS算法和层次聚类算法实现路口车辆轨迹聚类，划分出车辆轨迹模式类型，识别出正常车辆轨迹和异常车辆轨迹；
步骤4，基于步骤3模式分析的车辆轨迹类型提取出单一模式正常车辆轨迹，进一步对单一模式车辆轨迹分析，识别出单一模式下异常车辆轨迹和正常车辆轨迹；
步骤5，基于步骤3和4中的异常车辆轨迹，对路口状况进行分析。


2.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤1中，具体包括如下分步骤：
步骤1-1，对路口类型及其渠化信息进行采集；
步骤1-2，基于单位时间段内路口监控视频根据不同车辆ID提取出原始轨迹点，记为P(f,x,y)，其中f表示帧数，x和y表示轨迹点坐标数值；
步骤1-3，基于原始轨迹点P在二维坐标内绘制出车辆原始轨迹点，从中确定缺失重要特征数据和不正确数据并进行剔除，实现原始轨迹点清洗；其中缺失重要特征数据为偏离数据，其可组成短路径但偏离线路走向，不正确数据即无法平滑连接的密集散点集，其无法构成路径轨迹。


3.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤2中，具体包括如下分步骤：
步骤2-1，基于同一车辆ID下的原始轨迹数据P进行分析，在统计时间段T内对单位时间提取定量数据实现轨迹特征点提取；
步骤2-2，基于提取的特征点进行轨迹绘制，根据f帧数大小排列，确定车辆轨迹，记为TR＝{P|pi，1≤i≤n，n为轨迹点数}。


4.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤3中，具体包括如下分步骤：
步骤3-1，控制相似度阈值γ，确定簇数K的范围，基于层次聚类算法确定相似度阈值γ下最佳聚类簇数Kopi以及其聚类结果；
步骤3-2，重复步骤3-1，调整相似度阈值γ，重复求解出不同相似度阈值γ下的最佳聚类簇数Kopi，记为其中l表示相似度阈值序号，其中相似度阈值γl数值取整数；同时各下含有最优簇数的组内距均值和组内距
步骤3-3，基于求解出不同相似度阈值γl的组内均方差和组间均方差根据组内均方差和组间均方差确定最优阈值γopi及其最优组数Kopi；
步骤3-4，基于最佳阈值γopi和最优聚类簇数Kopi，确定车辆轨迹的聚类结果，识别出车辆轨迹模式类型，确定正常车辆轨迹和异常车辆轨迹；
具体来说，基于步骤3-3确定的最佳阈值γopi和最优聚类簇数Kopi进行车辆轨迹层次聚类，根据步骤1的路口渠化信息，对聚类的车辆轨迹模式进行分类，将根据路口渠化流向下划分以外的车辆轨迹默认为异常车辆轨迹，其余则为正常车辆轨迹。


5.根据权利要求4所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤3-1中，包括如下分步骤：
步骤3-1-1，控制相似度阈值γ，通过LCSS算法确定两两轨迹之间的最长公共子序列和最长公共子序列相似度距离；
步骤3-1-2，根据上一步骤的最长公共子序列相似度距离列出相似度矩阵S[a][b]，即为邻近矩阵；
步骤3-1-3，确定聚类簇数K的范围；具体来说，根据步骤1的路口渠化信息确定聚类簇数K的最小数值；
步骤3-1-4，给定簇数K，不断重复步骤3-1-1和3-1-2得到层次聚类的聚类结果；
步骤3-1-5，根据步骤3-1-3给定的簇范围确定出控制相似度阈值γ一定时K值不同的聚类情况，根据不同K值聚类下的组内距和组间距建立评价体系，从而确定最佳聚类簇数Kopi，具体如下：
根据步骤3-1-4的聚类结果提取出组内轨迹的所有特征点Pi，根据特征点Pi确定确定划分K组情况下k个聚类簇中心{C1，C2，C3，...，Ck}，1＜k≤K，其中簇中心Ck为该组内所有特征点的中心；
根据k组簇中心分别求得k组内的组内距τk以及组间距
基于不同组数K下的组内距...

【专利技术属性】
技术研发人员：吕伟韬，周东，张子龙，李璐，
申请(专利权)人：江苏智通交通科技有限公司，
类型：发明
国别省市：江苏;32