一种基于多特征融合的道路封闭检测方法技术

本发明专利技术公开了一种基于多特征融合的道路封闭检测方法，包括以下步骤：离线阶段，将待检测区域进行网格化处理并为轨迹数据和路网数据建立网格索引。随后，提取路段间的通行关联强度；同时，基于历史轨迹数据获取网格车流量序列、各路段的强相关联道路转向流量序列以及局部区域内的车辆掉头频次序列。在线检测阶段，利用CNN和LSTM的组合模型预测各个网格当前时刻的车流量，筛选候选封闭网格。采用GCN与LSTM的组合模型预测其中各路段的强相关联道路的转向量与局部区域内的掉头频次，再根据转向流量的骤减或车辆掉头频次激增特性识别封闭路段。最后结合行驶偏航检测以及单车轨迹数据进一步判别道路的封闭类型。本发明专利技术提高检测效率以保证实时性。效率以保证实时性。效率以保证实时性。

【技术实现步骤摘要】
一种基于多特征融合的道路封闭检测方法


[0001]本专利技术属于轨迹挖掘
，具体涉及一种基于多特征融合的道路封闭检测方法。

技术介绍

[0002]随着GPS设备的广泛使用，居民的日常出行越来越多地依赖于地图导航。为保证电子地图的高精度，亟需感知路网的动态变化以更新地图。近年来，有大量研究致力于路网中的缺失道路发现、路口位置及范围识别等道路拓扑结构变化的检测。在道路网络中，由于交通事故、交通管制、道路修建等因素会导致部分路段无法通行。道路封闭事件的不及时检测，不仅给居民出行带来不便，还会导致巨大的经济损失。例如，2019年10月10日，无锡市312 国道1号桥梁坍塌，导致周边路段较长时间处于封闭状态。然而，由于地图导航软件未能及时检测到封闭路段，仍有不少司机按导航线路出行，导致坍塌桥梁附近区域出现了大面积的交通瘫痪。
[0003]传统导航系统主要通过为交通参与者提供路段封闭实时上报的功能模块发现道路封闭事件。这些方法费时费力，更新周期长，而且不能保证检测的准确性。随着基于位置的技术快速发展，数据平台积累了大量的轨迹数据，其中包含了丰富的路段实时信息。可以利用轨迹数据检测路段的封闭情况，对路网地图进行实时更新。鉴于路网的动态变化与相邻道路之间交通状况的相互影响，以及轨迹数据的倾斜分布特性，仅有少数研究致力于解决封路检测问题，它们提出了基于阈值的方法与基于统计的方法，或基于历史数据学习交通流量的上下界、通过检测交通流序列的异常判断封路事件，或通过建立泊松过程计算道路封闭的可能性。
[0004]考虑到道路封闭通常会导致交通流量骤降等交通异常情况，部分学者设计了交通异常检测方法发现封闭道路，包括基于区域的交通异常检测和基于轨迹的交通异常检测。前者根据区域间车辆的异常流动识别异常区域，采用的方法包括主成分分析(PCA)，基于小波变换的方法，基于Mahalanobis距离的方法，基于Likelihood Ratio Test(LRT)的方法，基于支持向量机(SVM)的方法，基于相对散度的方法等。后者提出了一种基于隔离的异常检测方法，通过比较异常路线与历史上正常路线的差异度，识别封闭的道路。
[0005]上述方法仅仅考虑了交通流量异常骤降的属性且没有结合轨迹数据的时空特性，无法涵盖不同道路封闭事件的交通特征变化多样性，容易将交通拥堵误判为道路封闭。此外，现有方法未关注对道路封闭类型的区分，无法为导航服务提供准确支持。

技术实现思路

[0006]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于多特征融合的道路封闭检测方法，利用轨迹数据精准定位封闭道路，且保证高效执行，为导航服务和路径规划提供有效的决策支持。本专利技术针对日常生活中多种因素导致路段暂时或长期无法通行，电子地图没有及时更新从而导航不准确的现象，提出了一种基于多特征融合的道路
封闭检测方法。
[0007]为实现上述技术目的，本专利技术采取的技术方案为：
[0008]一种基于多特征融合的道路封闭检测方法，该方法包括离线道路封闭特征建模与在线道路封闭检测两个阶段，具体包含以下步骤：
[0009]S1:离线道路封闭特征建模阶段：将待检测区域进行网格划分，为路网数据和机动车轨迹数据分别建立网格索引。
[0010]S2:通过地图匹配获得机动车轨迹数据经过的路段序列以提取路段间的通行关联强度。
[0011]S3：根据历史轨迹数据提取每个时间窗口tf中各网格单元的车流量、各路段的强相关联道路转向流量序列和局部区域内(路段自身及邻接道路)的车辆掉头频次序列。
[0012]S4：在线检测阶段：由S3获得的各网格历史车流量序列，提出卷积神经网络(CNN)与长短期记忆神经网络(LSTM)的组合模型获得各网格车流量在当前时刻的预测值，根据流量预测值和真实值的差异大于设定阈值筛选出封闭候选网格。
[0013]S5：对于S4中得到的候选封闭网格，使用图卷积神经网络(GCN)和长短期记忆神经网络(LSTM)的组合模型，获得各路段强相关联道路转向流量和局部区域内(即各路段自身与其邻接道路)掉头频次在当前时刻的预测值，根据转向流量的骤减或掉头频次的激增特性识别封闭路段。
[0014]S6:基于S5识别的封闭路段，结合机动车轨迹偏航检测和单车轨迹数据对道路的封闭类型进行判别。
[0015]为优化上述技术方案，采取的具体措施还包括：
[0016]上述的步骤S1具体包括：
[0017]在离线阶段，由于道路的封闭行为不是孤立的，会影响周围邻近路段的交通状况，为了更好地捕捉封闭路段及其邻接路段的交通行为变化，降低地图匹配的计算开销，将待检测区域平均划分为网格，为路网数据和机动车轨迹数据建立网格索引。考虑到路段的平均长度和较大的网格单元大小会忽略局部车流量的波动，将网格的边长设置为l，本专利技术中所述l＝500m。
[0018]上述步骤S2具体包括：
[0019]道路封闭时，其上游道路转向到该路段的车辆数将会减少，即路网中相邻路段交通状况会相互影响，其影响程度也不相同，所以需要提取道路之间的关联强度以凸显强相关联道路之间交通行为的影响。
[0020]通过采用基于隐马尔科夫的地图匹配算法获得每条轨迹经过的路段序列(路段上下游关系)，根据上下游关系出现的频率评估道路间的关联强度，频率越高，关联强度越高。相关性最强的道路被称为强相关联道路，对于双向道路在每个方向上都有各自的强相关联道路。
[0021]上述步骤S3具体包括：
[0022]基于S1得到的建立了网格索引的轨迹数据，可以通过轨迹数据获取每个网格在每个时间窗口tf下的车辆数总和作为车流量。
[0023]再基于S2中得到的每条轨迹经过的路段序列以及路段间的关联强度，根据关联强度最大的道路作为强关联道路以及轨迹对应的路段序列中
‘
强相关联道路
‑
当前道路
’
该上
下游序列对出现的次数，可以获取每个路段的强相关联道路转向流量序列。
[0024]对于掉头轨迹的提取，先遍历轨迹，当轨迹点与前序轨迹点方向间的差值大于预设的阈值th
angle1
，判断该轨迹点为转向点，再将所有转向点采用DBSCAN算法聚类，提取聚类结果的凸包形式，最后根据凸包范围内轨迹进入点和离开点的方向差值是否超过预设的阈值th
angle2
识别掉头轨迹，并记录每时间窗口tf内所述局部区域内的车辆掉头频次(本专利技术中tf＝1h， th
angle1
＝35
°
，th
angle2
＝150
°
)。
[0025]上述步骤S4具体包括：
[0026]在线检测阶段，结合交通数据的时空依赖性进行封闭特征值的预测，所述封闭特征值包括流量、转向流量、掉头频次；考虑到交通数据有一定的周期性和趋势性(时间相关性)，比如有早高峰和晚高峰，并且道路封闭事件一旦产生，会对周围一定区域内都造成影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合的道路封闭检测方法，其特征在于，包括以下步骤：S1：离线道路封闭特征建模阶段：将待检测区域进行网格化处理并对路网数据和轨迹数据分别建立网格索引；S2：通过地图匹配获得机动车轨迹数据经过的路段序列以提取路网中各路段之间的通行关联强度；S3：基于历史数据提取每个时间窗口tf内各网格单元的车流量、各路段的强相关联道路转向流量序列和局部区域内的车辆掉头频次序列；S4：在线检测阶段：由S3得到的各网格历史车流量序列，采用卷积神经网络与长短期记忆神经网络的组合模型获得当前时刻各网格车流量的预测值，将流量预测值与真实值差异度超过阈值的网格作为封闭候选网格；S5：对于S4中获得的封闭候选网格，使用图卷积神经网络与长短期记忆神经网络的组合模型获得各路段强相关联道路转向流量以及当前时刻局部区域内掉头频次的预测值，根据转向流量的骤减或掉头频次的激增特性甄别封闭路段；S6：基于S5获得封闭路段，结合机动车轨迹偏航检测和单车轨迹数据对道路封闭的类型进行判别。2.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S1具体包括：在离线阶段，为了捕捉封闭路段及其邻接路段的交通行为变化，降低地图匹配过程的计算开销，将待检测区域平均划分为网格，为路网数据和轨迹数据建立网格索引，网格的边长设置为l，所述l＝500m。3.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S2具体包括：在道路封闭时，提取道路之间的通行关联强度，确定强相关联道路之间的交通行为影响程度；所述强相关联道路是指：通过采用基于隐马尔科夫的地图匹配算法获得每条轨迹经过的路段序列，即获取路段上下游关系，根据上下游关系出现的频率评估道路间的关联强度，频率越高，关联强度越高，相关性最强的道路即强相关联道路；对于双向道路在不同方向上都有各自的强相关联道路。4.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S3具体包括：所述局部区域是指各路段自身和邻接道路；所述各网格单元在每个时间窗口tf的车流量，通过S1中建立的网格索引中的轨迹数据中的车辆数总和获得；所述各路段的强相关联道路转向流量序列，通过S2中得到的每条机动车轨迹数据经过的路段序列和路段间的关联强度，根据关联强度最大的道路作为强相关联道路以及轨迹对应的路段序列中
‘
强关联道路
‑
当前道路
’
该上下游序列对出现的次数，获取每个路段的强相关联道路转向流量序列；所述局部区域内的车辆掉头频次序列，首先遍历轨迹，当轨迹点与其前一个轨迹点之间的方向差值大于预设阈值th
angle1
，判断该轨迹点为转向点，然后将所有转向点采用DBSCAN算法聚类，同时提取聚类结果的凸包形式，最后根据凸包范围内轨迹进入点和离开
点的方向差值是否大于设定阈值th
angle2
识别掉头轨迹；并记录每个时间窗口tf内所述局部区域内的车辆掉头频次；所述tf＝1h，th
angle1
＝35
°
，th
angle2
＝150
°
。5.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S4具体包括：在线检测阶段，结合交通数据的时空依赖性进行封闭特征值的预测，所述封闭特征值包括流量、转向流量、掉头频次；通过比较预测值和真实值之间差异性的方法，将差异度大于设定阈值的路段检测为封闭路段；在检测过程中，为减少地图匹配的时间开销，采用先筛选候选封闭网格再检测网格内的封闭路段的方法；具体地，将每个网格的小时级车流量转换为一组二维矩阵作为模型的输入，由于网格是具有平移不变性的规则空间结构，即欧几里德结构，采用多层的卷积神经网络捕获网格间欧式空间特征；每层的转换定义为：其中表示在t时间窗口下i网格第k层的流量矩阵，表示在t时间窗口内i网格第k
‑
1层的流量矩阵，*为卷积运算符，f是ReLU激活函数，W
k
是指模型需要学习的权重参数、b
k
是指偏置参数；在经过卷积神经网络提取空间特征之后，通过全连接神经网络层处理卷积神经网络输出的带有空间属性的特征矩阵，转换为一维的特征矩阵并输入到长短期记忆神经网络中，以捕获时间相关性，所述时间相关性是指交通数据的周期性和趋势性，以下公式为LSTM的架构表述：的架构表述...

【专利技术属性】
技术研发人员：毛嘉莉，蔡圣诚，周傲英，赵俐晟，金澈清，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：