一种基于改进的K-means聚类算法的通勤交通小区对识别方法技术

本发明专利技术公开了一种基于改进的K

【技术实现步骤摘要】
一种基于改进的K
‑
means聚类算法的通勤交通小区对识别方法


[0001]本专利技术涉及交通领域，尤其涉及一种基于改进的K
‑
means聚类算法的通勤交通小区对识别方法。

技术介绍

[0002]近十年以来，随着我国社会、经济、科技等各方面的快速发展，我国的城市化进程大步向前，发展迅猛，进而导致了城市范围快速扩张、城市空间结构发生显著变化，最终导致了城市居民居住地和工作地分离，尤其是在大城市，这一现象更加明显。居住地和工作地分离的现象带来了城市通勤时间变长、通勤距离变远的问题，在一定程度上，降低了公共交通系统运行的效率，加重了城市交通拥堵的弊病。通勤是一种具有较高周期性、相对稳定性的城市居民出行行为，它占据了城市居民出行的绝大部分，是城市发展规划和公共交通管理的重要研究内容。
[0003]在城市交通系统中，出租车有着十分重要的地位，承担着城市居民出行的巨大作用。出租车GPS轨迹数据由出租车所安装的采集设备在出租车行驶过程中采集，并包含有关城市居民出行活动的时空信息。总的来说，这种时空信息主要由以下两部分组成：出租车司机和乘客。出租车司机通常是经验丰富的司机，多年的驾驶经验让他们非常了解城市的道路网络和交通运行状况。在选择路线时，通常会考虑行程时间、距离和道路状况等因素。另外一部分则包含大量的乘客出行的时空信息，反映了市民交通出行需求和出行活动规律，是分析市民出行模式的重要数据来源。出租车GPS数据分布范围广、数据量大且实时定位性高，是用于分析城市道路环境和车辆驾驶行为的优质数据源。因此出租车GPS数据的分析和研究对于城市交通系统的发展非常重要，尤其是诸如某些城市道路网络比较复杂的城市。

技术实现思路

[0004]有鉴于此，本专利技术的目的之一是提供一种基于改进的K
‑
means聚类算法的通勤交通小区对识别方法。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于改进的K
‑
means聚类算法的通勤交通小区对识别方法，所述方法包括：
[0007]对通勤交通小区对进行定义：若两个交通小区在工作日早、晚高峰时段存在满足设定要求的稳定的交通流量，则认为这两个交通小区存在出租车区域级通勤出行行为，进而可认为这两个交通小区为一个通勤交通小区对；
[0008]划分通勤交通小区：综合考虑城市路网、区域POI属性因素，结合城市路网数据和POI数据进行交通小区划分；
[0009]获取流量转移矩阵；
[0010]识别通勤交通小区对：选择早高峰流量、晚高峰流量、早高峰离散系数和晚高峰离散系数作为输入特征，使用改进的K
‑
means聚类算法基于闵可夫斯基距离识别通勤交通小
区对。
[0011]进一步，在识别通勤交通小区对后，最后再结合离散系数COD<0.3进一步筛选通勤交通小区对。
[0012]进一步，划分通勤交通小区时，通过获取POI数据集，重点关注纬度、经度以及标记这三个字段，其中标记字段的内容就是POI信息，具体包含POI大类和具体小类两部分，利用分类统计小区内部POI数量以及运用K
‑
means方法对其进行聚类，综合分析交通小区的POI属性。
[0013]进一步，利用小区POI属性进行区域合并，最终形成大小合适、符合真实城市空间分布的不规则形状区域，即交通小区。
[0014]进一步，设计交通流离散系数(Coefficient of Dispersion,COD)以衡量交通流量波动情况，即稳定性特征，基于交通小区之间的流量转移矩阵，计算交通流离散系数COD，计算公式如下：
[0015][0016][0017][0018]其中，为观测周期K内，交通小区a与b之间在特定时间段内的出租车交通流量均值；为交通小区a与b第k日的出租车交通流量；S
ab
为观测周期K内小区a与b之间的交通流量标准差。
[0019]进一步，采用轮廓系数方法和肘部规则来选择聚类簇数k，以保证结果的可靠性。
[0020]进一步，获取流量转移矩阵的过程中，采用了一种基于频率的方法来分配OD，具体是如有一个P点分布在道路上，则以P点所在单元格为中心向四周延伸N个单元格，形成(2N+1)
×
(2N+1)个单元的研究窗口,在该研究窗口中，如某一交通小区的单元格数目最多，则将P点分配给该交通小区，以此OD分配方法，将一组OD分别分配给一对通勤交通小区，并计算出各个交通小区之间的转移流量，形成流量转移矩阵。
[0021]本专利技术的目的之二是提供一种计算机装置，包括存储器、处理器及储存在存储器上并能够在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前所述的方法。
[0022]本专利技术的目的之三是提供一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法。
[0023]本专利技术的有益效果是：本专利技术通过分析挖掘海量出租车GPS数据，识别出租车通勤交通小区对，有利于支持交通部门的规划决策，还可以为第三方公司设计方案提供有效数据支持，例如设计定制公交，这对于缓解城市交通拥堵、提高公共交通效率、打造畅通城市，具有非常重要的现实意义。
[0024]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书和前述的
权利要求书来实现和获得。
附图说明
[0025]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：
[0026]图1为本专利技术的总体框架图；
[0027]图2为本专利技术的交通小区划分示意图；
[0028]图3为本专利技术的OD分配样例图；
[0029]图4为本专利技术的聚类簇数k值的选择图；
[0030]图5为本专利技术的早晚高峰离散系数统计分布图；
[0031]图6所示的表1为某市出租车轨迹数据格式；
[0032]图7所示的表2为某市POI数据格式。
具体实施方式
[0033]以下将参照附图，对本专利技术的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本专利技术，而不是为了限制本专利技术的保护范围。
[0034]本专利技术提出了一种新的通勤交通小区识别方法来识别出租车区域层级的通勤出行模式，该方法基于海量出租车GPS数据、城市路网数据和POI信息。
[0035]具体步骤包括：
[0036]对通勤交通小区对进行定义：若区域层次的城市居民通勤行为可视为居民在居住地及工作地之间所发生的具有时段性、稳定性、周期性等特征的出行活动行为。所以，在此基础上，结合出租车出行特点，提出如下通勤交通小区定义：若两个交通小区(traffic analysis zo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的K
‑
means聚类算法的通勤交通小区对识别方法，其特征在于：所述方法包括：对通勤交通小区对进行定义：若两个交通小区在工作日早、晚高峰时段存在满足设定要求的稳定的交通流量，则认为这两个交通小区存在出租车区域级通勤出行行为，进而可认为这两个交通小区为一个通勤交通小区对；划分通勤交通小区：综合考虑城市路网、区域POI属性因素，结合城市路网数据和POI数据进行交通小区划分；获取流量转移矩阵；识别通勤交通小区对：选择早高峰流量、晚高峰流量、早高峰离散系数和晚高峰离散系数作为输入特征，使用改进的K
‑
means聚类算法基于闵可夫斯基距离识别通勤交通小区对。2.根据权利要求1所述的一种基于改进的K
‑
means聚类算法的通勤交通小区对识别方法，其特征在于：在识别通勤交通小区对后，最后再结合离散系数COD<0.3进一步筛选通勤交通小区对。3.根据权利要求1所述的一种基于改进的K
‑
means聚类算法的通勤交通小区对识别方法，其特征在于：划分通勤交通小区时，通过获取POI数据集，重点关注纬度、经度以及标记这三个字段，其中标记字段的内容就是POI信息，具体包含POI大类和具体小类两部分，利用分类统计小区内部POI数量以及运用K
‑
means方法对其进行聚类，综合分析交通小区的POI属性。4.根据权利要求3所述的一种基于改进的K
‑
means聚类算法的通勤交通小区对识别方法，其特征在于：利用小区POI属性进行区域合并，最终形成大小合适、符合真实城市空间分布的不规则形状区域，即交通小区。5.根据权利要求1所述的一种基于改进的K
‑
mean...

【专利技术属性】
技术研发人员：郑林江，廖梓晶，秦阳，刘卫宁，孙棣华，
申请(专利权)人：重庆大学，
类型：发明
国别省市：