一种基于运渣车轨迹点推断污染点位的方法技术

本发明专利技术公开了一种基于运渣车轨迹点推断污染点位的方法，涉及运环境监测领域。基于挖掘运渣车时空大数据特征，通过矩阵法和自适应跳跃法设置合理的阈值挖掘出运渣车在运行过程中的停驻点，这种算法能够依据车辆轨迹特征辨别行停规律，同时可以规避数据缺失等问题。算法采用简化的距离计算方式，极大提高其运行效率。结合具体驻留点信息，能有效帮助识别工地、倾倒场、渣土停车场等，为城市扬尘源的管控提供科学依据。从而帮助政府管理者加强对运渣车辆的管控和扬尘源的监管，助力污染防控。助力污染防控。助力污染防控。

【技术实现步骤摘要】
一种基于运渣车轨迹点推断污染点位的方法


[0001]本专利技术涉及交通大数据领域，具体涉及一种基于运渣车轨迹点推断污染点位的方法。

技术介绍

[0002]城市化的快速发展使得城市建设工程增多，用于运输建筑垃圾的渣土车营运量大大提升，车辆带泥上路，会造成路面二次扬尘污染，超载、未密闭，沿途撒漏，这些现象都需要从源头控制。但在缺少智能化硬件识别和应用的前提下，运渣车所到之点位数量多、分布广，集中监管难度大，施工环境污染严重，难以获取实时有效的数据。
[0003]随着大数据、云计算、人工智能、物联网等技术的高速发展，近年来在运渣车上安装GPS装置，监测其行驶状况，保证了车辆轨迹数据的回收和覆盖率方面更加高效。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供了一种基于运渣车轨迹点推断污染点位的方法。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于运渣车轨迹点推断污染点位的方法，包括如下步骤：S1、获取原始运渣车数据并进行数据预处理；S2、将预处理后的运渣车数据按照时间进行排序，并遍历每一辆运渣车的所有轨迹点；S3、利用自适应法辨别多个轨迹点所围绕的区域是否为停驻点，若是则将其该停驻点匹配至划分好的网格并结束流程，若不是则重复步骤S3。
[0006]进一步的，所述S1中具体包括如下步骤：S11、读取原始运渣车数据并进行格式转换；S12、对原始运渣车数据进行异常数据剔除；S13、利用矩形法识别剔除异常数据后的运渣车非活跃车辆数据，保留所选时段移动车辆数据。
[0007]进一步的，所述S12中异常数据包括异常值、清理空值以及补在地理经纬度范围内的数据。
[0008]进一步的，所述S13具体中利用矩形法识别剔除异常数据后的运渣车数据非活跃车辆数据的具体方式为：S131、找出各运渣车运行轨迹中的最大经纬度和最小经纬度；S132、以所得到的最大经纬度和最小经纬度为车辆轨迹的最大路径距离，判断最大路径距离是否小于距离阈值，若是则判定运渣车辆为不活跃车辆。
[0009]进一步的，所述S3具体包括如下步骤：S31、对每一辆运渣车k，从i+1个轨迹点开始向后遍历，找到时间大于最小时间阈
值的最近轨迹点j；S32、利用矩形法获取当前轨迹点簇（i，j
‑
1）的最大路径距离d
max
，判断当前轨迹点簇（i，j
‑
1）的最大路径距离d
max
是否小于所选空间阈值，若小于则该轨迹点簇判定为停驻点并将其全部加入到停驻点集合内，若大于则进入步骤S33；S33、判断当前轨迹点簇（i，j
‑
1）是否为稀疏点簇，若是则不满足停驻点条件并直接跳过未来设定时间段以内的所有轨迹点，遍历未来设定时间段以后的轨迹点；若否则进入步骤S34；S34、判断当前轨迹点簇（i，j
‑
1）是否为非常稀疏点簇，若是则直接跳过该轨迹点簇内的所有轨迹点，进入轨迹点j，若轨迹点j大于轨迹长度则退出循环；S35、将停驻点匹配值划分好的网格内，结束流程。
[0010]进一步的，所述S32中判断当前轨迹点簇（i，j
‑
1）是否为非常稀疏点簇的条件为：所述S33中判断当前轨迹点簇（i，j
‑
1）是否为稀疏点簇的条件为：其中，为空间阈值。
[0011]进一步的，所述S34中停驻点的判定条件为：其中，为空间阈值，为空间阈值，为空间阈值，为空间阈值，为空间阈值，为时间阈值，为运渣车在时间点的位置数据，为运渣车在时间点的位置数据，为内运渣车轨迹的纬度最大值，为时间段内运渣车轨迹的纬度最小值，为时间段内运渣车轨迹的经度最大值，为时间段内运渣车轨迹的经度最小值。
[0012]本专利技术具有以下有益效果：本专利技术利用运渣车轨迹GPS数据特征有效筛选停驻点位，使得快速识别城市施工点位、渣车停放点、倾倒场，及时发现建筑垃圾违规处置、消纳的行为成为可能，确保运渣车辆来源可查、去向可追、责任可究，显著提高了执法查处效能。
[0013]本专利技术通过矩阵法和自适应跳跃法设置合理的阈值挖掘出运渣车在运行过程中的停驻点，这种算法能够依据车辆轨迹特征辨别行停规律，同时可以规避数据缺失等问题。算法采用简化的距离计算方式，极大提高运行效率。
附图说明
[0014]图1为本专利技术基于运渣车轨迹点推断污染点位的方法流程示意图。
具体实施方式
[0015]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0016]一种基于运渣车轨迹点推断污染点位的方法，如图1所示，包括如下步骤：S1、获取原始运渣车数据并进行数据预处理；具体而言，本实施例由Python3.7.3实现，使用了numpy、pandas、numba、sklearn等包。操作系统为Windows10，硬件环境为i7
‑
10700 8核CPU，16G内存。读取原始运渣车数据，把格式转换为Pandas DataFrame并进行以下数据预处理：1、处理数据的异常值，清理空值以及不在地理经纬度范围内数据；2、从原始运渣车数据中剔除非活跃车辆数据，保留所选时段移动着的车辆数据；具体方式同上述矩形法，找出各辆车运行轨迹中的最大经纬度和最小经纬度（矩形），代表车辆运行的最大路径距离，判断该最大路径距离是否小于所选阈值（比如3公里），小于则表明该车辆运动不活跃，剔除。
[0017]3、对时间格式进行处理使其能进行时间维度的计算。
[0018]S2、将预处理后的运渣车数据按照时间进行排序，并遍历每一辆运渣车的所有轨迹点；S3、利用自适应法辨别多个轨迹点所围绕的区域是否为停驻点，若是则将其该停驻点匹配至划分好的网格并结束流程，若不是则重复步骤S3。
[0019]在本实施例里，步骤S3具体包括如下步骤：S31、对每一辆车k，从i+1个轨迹点开始向后遍历，找到时间大于最小时间阈值的最近轨迹点j；S32、利用矩形法获取当前轨迹点簇（i，j
‑
1）的最大路径距离d
max
，判断当前轨迹点簇（i，j
‑
1）的最大路径距离d
max
是否小于所选空间阈值，若小于则该轨迹点簇判定为停驻点并将其全部加入到停驻点集合内，若大于则进入步骤S33；S33、判断当前轨迹点簇（i，j
‑
1）是否为稀疏点簇，若是则不满足停驻点条件并直接跳过未来设定时间段以为的所有轨迹点，遍历未来设定时间段以后的轨迹点；若否则进入步骤S34；S34、判断当前轨迹点簇（i，j
‑
1）是否为非常稀疏点簇，若是则直接跳过该片段内的所有轨迹点，进入轨迹点j，若轨迹点j大于轨迹长度则退出循环；S35、将停驻点匹配值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于运渣车轨迹点推断污染点位的方法，其特征在于，包括如下步骤：S1、获取原始运渣车数据并进行数据预处理；S2、将预处理后的运渣车数据按照时间进行排序，并遍历每一辆运渣车的所有轨迹点；S3、利用自适应法辨别多个轨迹点所围绕的区域是否为停驻点，若是则将其该停驻点匹配至划分好的网格并结束流程，若不是则重复步骤S3。2.根据权利要求1所述的基于运渣车轨迹点推断污染点位的方法，其特征在于，所述S1中具体包括如下步骤：S11、读取原始运渣车数据并进行格式转换；S12、对原始运渣车数据进行异常数据剔除；S13、利用矩形法识别剔除异常数据后的运渣车非活跃车辆数据，保留所选时段移动车辆数据。3.根据权利要求2所述的基于运渣车轨迹点推断污染点位的方法，其特征在于，所述S12中异常数据包括异常值、清理空值以及补在地理经纬度范围内的数据。4.根据权利要求2所述的基于运渣车轨迹点推断污染点位的方法，其特征在于，所述S13具体中利用矩形法识别剔除异常数据后的运渣车数据非活跃车辆数据的具体方式为：S131、找出各运渣车运行轨迹中的最大经纬度和最小经纬度；S132、以所得到的最大经纬度和最小经纬度为车辆轨迹的最大路径距离，判断最大路径距离是否小于距离阈值，若是则判定运渣车辆为不活跃车辆。5.根据权利要求1所述的基于运渣车轨迹点推断污染点位的方法，其特征在于，所述S3具体包括如下步骤：S31、对每一辆运渣车k，从i+1个轨迹点开始向后遍历，找到时间大于最小时间阈值的最近轨迹点j；S32、利用矩形法获取当前轨迹点簇（i，j
‑
1）的最大路径距...

【专利技术属性】
技术研发人员：韩科，陈彩云，
申请(专利权)人：四川国蓝中天环境科技集团有限公司，
类型：发明
国别省市：