一种基于移动聚类的城市交通拥堵精细识别方法技术

本发明专利技术公开了一种基于移动聚类的城市交通拥堵精细识别方法，所述识别方法包括：步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；步骤3，计算所述时空簇的平均速度和成长时长，若计算得到的平均速度和成长时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域。本发明专利技术能够挖掘路网环境下交通拥堵的精细时空范围、拥堵规模和生存时间等特征，同时本发明专利技术基于低成本车辆轨迹大数据，能够有效识别交通拥堵从发生到结束的全生命周期过程。

A method of urban traffic congestion fine recognition based on mobile clustering

【技术实现步骤摘要】
一种基于移动聚类的城市交通拥堵精细识别方法
本专利技术涉及大数据挖掘及移动传感网络
，尤其涉及一种基于移动聚类的城市交通拥堵精细识别方法。
技术介绍
随着我国经济快速发展，城市车辆的保有量持续增长。城市道路无法在有限的城市土地空间中无限扩张，城市路网(尤其是交叉口路段)难以满足大量车辆在特殊时间段内的畅通行驶，使得城市交通拥堵问题愈加严重，进而阻碍了城市的可持续发展。因此，对城市交通拥堵进行全面和精准识别，对于实现交通高效疏导、行车路线动态规划以及路网结构优化等具有重要的指导意义。传统方法通常借助安装在路网固定位置传感器(如感应线圈、监控摄像头)获取的交通流量信息检测交通拥堵，此类传感器大都安装位置首受限且安装成本高，难以实现城市路网全区域的交通状态信息获取。随着对地观测、传感器和移动互联网等技术的日渐成熟，大多数城市公共车辆(如公交车、出租车)已经可以通过安装的车载GPS定位设备实时获取车辆位置、速度等信息，随之记录的海量车辆轨迹大数据为挖掘人类出行模式和探索城市交通拥堵演化过程提供了一种新型数据源。现有基于车辆轨迹数据的城市交通拥堵识别方法主要关注三种尺度，即区域尺度、道路尺度和转向尺度。其中，区域尺度驱动的方法首先进行空间区块(如规则格网、交通小区等)划分，通过估计区块内的交通流特征判断交通运行状态。道路尺度驱动的方法通过估算车辆通行时间判断道路交通拥堵状态，但在现实世界中，存在多种因素(如等待交通信号灯、路段限速或车辆靠边停车等)造成路段交通流速度缓慢，极易造成交通拥堵误判。转向尺度驱动的方法首先通过车辆运行的速度、曲率等特征筛选拥堵轨迹片段，进一步通过对拥堵轨迹片段进行空间聚类分析来识别转向级交通拥堵。然而，这类方法的识别精度严重依赖于拥堵轨迹片段的提取效果，并且无法揭示交通拥堵的动态演化过程。综上所述，基于车辆轨迹大数据识别城市交通拥堵已经成为缓解和治理拥堵的重要技术手段之一，然而尚缺乏一种基于车辆移动轨迹大数据的动态交通拥堵精细识别方法。
技术实现思路
针对上述技术问题，具体到传统的道路数据监测技术，在基于车辆轨迹大数据识别城市交通拥堵的现有技术中存在如下技术问题有待解，一、区域尺度和道路尺度驱动的方法识别粒度粗糙，无法精确识别交通拥堵的时空范围。另外，道路尺度驱动的方法未顾及交通拥堵的时空特征，易与交通信号灯等待、路段限速或车辆靠边停车行为等虚假拥堵混淆；二、对于转向尺度，现有方法结果的拥堵识别精度严重依赖于拥堵轨迹片段的提取效果，同时未顾及车辆运行轨迹数据的时间属性，无法揭示交通拥堵的动态演化过程。本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术公开了一种基于移动聚类的城市交通拥堵精细识别方法，该识别方法包括：步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；步骤3，计算所述时空簇的平均速度和成长时长，若计算得到的平均速度和成长时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域。更进一步地，所述步骤1进一步包括：步骤1.1，删除研究区域范围之外、时间异常和重复记录的轨迹数据综合考虑路网几何结构、拓扑信息和车辆速度约束，采用一种针对低采样率轨迹点的地图匹配算法ST-Matching将车辆轨迹与城市路网进行匹配，从而可将任一车辆M的轨迹表达为：M＝{(xM.1,yM.1,tM.1),(xM.2,yM.2,tM.2),...,(xM.k,yM.k,tM.k),…}，其中(xM.k,yM.k)表示车辆M第k个轨迹点在时间戳tM.k处的路网位置；对于任一车辆M，其第k个轨迹点的平均速度计算为：其中，pM.k、pM.k+1分别为该车第k个和k+1个轨迹点的空间位置；tM.k、tM.k+1分别为车辆M第k个和k+1个轨迹点的时间戳；dist_net(*)表示最短路网距离函数；步骤1.2，设置均匀固定的时间间隔△t将研究时间域划分为若干等距时间片；进而将路网匹配后的时空轨迹点投影到相应时间片中。更进一步地，所述步骤2进一步包括：步骤2.1，对行驶方向进行划分，给定任一时间片上所有轨迹点的行驶方向值，采用k-means聚类算法将行驶方向划分为N类，并轨迹点的原始行驶方向替换为簇索引值C_dir；步骤2.2，对空间簇进行提取，其中，给定任一时间片上具有相同簇索引值C_dir的所有轨迹点集合P，若集合中轨迹点pi满足：则记pi为核点，其中，|*|表示判别函数，若dist_net(pi,pj)≤e，函数值为1，否则为0；e为空间邻域半径；min_p表示P中与pi的空间距离不大于邻域半径的轨迹点数量阈值；以任一核点为种子点进行密度扩展聚类，提取各时间片上具有显著高密度的空间簇；步骤2.3，对时空簇进行探测，具体为给定时间片i与i+1上任两个空间簇Ci.m和Ci+1.n，两者间的相似性计算为:其中，|Ci.m∩Ci+1.n|和|Ci.m∪Ci+1.n|分别表示空间簇Ci.m和Ci+1.n的交集和并集轨迹点数量；若Sim(Ci.m,Ci+1.n)不小于相似性阈值s，则认为Ci+1.n是Ci.m在时间片i+1的演化状态，从而将Ci.m和Ci+1.n定义为生存时长为△t的时空簇STCk{Ci.m→Ci+1.n}；若时间片i+2上存在空间簇Ci+2.h满足Sim(Ci+1.n,Ci+2.h)≥s，则将时空簇STCk{Ci.m→Ci+1.n}更新为STCk{Ci.m→Ci+1.n→Ci+2.h}，迭代此过程直到无法继续扩展，将第i到i+T时间片上提取的时空簇表示为STCk{Ci.m→Ci+1.n…→Ci+T.h}，其生存时长为T*△t。更进一步地，步骤2.2中所述以任一核点为种子点进行密度扩展聚类，提取各时间片上具有显著高密度的空间簇进一步包括：对于时间片i中任一核点pi，若空间邻域e内的任一其他点pj与pi的行驶方向隶属相同簇，则pj与pi密度可达，以pi为种子点，将所有密度可达点与pi聚合为簇Ci.k；针对Ci.k中其他核点，继续执行种子扩展操作并更新Ci.k，直到所有核点访问完毕，在时间片i上提取的空间簇集合可表示为C＝{Ci.1,Ci.2,Ci.3…}。更进一步地，所述步骤3进一步包括：给定一个从时间片t开始、生存时长为T*△t的时空簇STCk，其平均速度可估计为:其中，cen_STCi.k与cen_STCi+1.k分别表示时空簇STCk在时间片i与i+1的中心位置点。更进一步地，所述若计算得到的平均速度和成长时长达到预设条件进一步包括：若所述平均速度不大于20km/h且所述生存时长不小于2分钟，则该时空簇STCk被识别为包含交通拥堵现象的时空区域。本专利技术进一步提供了一种电子设备，包括：处理器；以及，存储器，用于存储所述处理器的可执行指令；其本文档来自技高网...

【技术保护点】
1.一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，所述识别方法包括：/n步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；/n步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；/n步骤3，计算所述时空簇的平均速度和成长时长，若计算得到的平均速度和成长时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域。/n

【技术特征摘要】
1.一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，所述识别方法包括：
步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；
步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；
步骤3，计算所述时空簇的平均速度和成长时长，若计算得到的平均速度和成长时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域。


2.如权利要求1所述的一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，所述步骤1进一步包括：
步骤1.1，删除研究区域范围之外、时间异常和重复记录的轨迹数据综合考虑路网几何结构、拓扑信息和车辆速度约束，采用一种针对低采样率轨迹点的地图匹配算法ST-Matching将车辆轨迹与城市路网进行匹配，从而可将任一车辆M的轨迹表达为：M＝{(xM.1,yM.1,tM.1),(xM.2,yM.2,tM.2),...,(xM.k,yM.k,tM.k),…}，其中(xM.k,yM.k)表示车辆M第k个轨迹点在时间戳tM.k处的路网位置；对于任一车辆M，其第k个轨迹点的平均速度计算为：



其中，pM.k、pM.k+1分别为该车第k个和k+1个轨迹点的空间位置；tM.k、tM.k+1分别为车辆M第k个和k+1个轨迹点的时间戳；dist_net(*)表示最短路网距离函数；
步骤1.2，设置均匀固定的时间间隔△t将研究时间域划分为若干等距时间片；进而将路网匹配后的时空轨迹点投影到相应时间片中。


3.如权利要求1所述的一种基于移动聚类的城市交通拥堵精细识别方法，其特征在于，所述步骤2进一步包括：
步骤2.1，对行驶方向进行划分，给定任一时间片上所有轨迹点的行驶方向值，采用k-means聚类算法将行驶方向划分为N类，并轨迹点的原始行驶方向替换为簇索引值C_dir；
步骤2.2，对空间簇进行提取，其中，给定任一时间片上具有相同簇索引值C_dir的所有轨迹点集合P，若集合中轨迹点pi满足：



则记pi为核点，其中，|*|表示判别函数，若dist_net(pi,pj)≤e，函数值为1，否则为0；e为空间邻域半径；min_p表示P中与pi的空间距离不大于邻域半径的轨迹点数量阈值；以任一核点为种子点进行密度扩展聚类，提取各时间片上具有显著高密度的空间簇；
步骤2.3，对时空簇进行探测，具体为给定时间片i与i+1上任两个空间簇Ci.m和Ci+1.n，两者间的相似性计算为...

【专利技术属性】
技术研发人员：石岩，王达，邓敏，唐建波，陈袁芳，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43