【技术实现步骤摘要】
本专利技术属于空间数据，具体涉及一种适应速度变化的车辆轨迹点聚类方法及系统。
技术介绍
1、随着北斗卫星导航系统、全球定位系统(gps)、手机移动定位系统等位置服务技术的普及和广泛应用，诸多移动终端都可以获取和存储位置信息。对于车辆位置采集终端而言，第i个位置数据可以表达为下面公式：
2、pi＝{t,lon,lat,h,d,s}
3、其中，pi表示车辆位置数据或称车辆轨迹点，t表示获取位置数据的时间戳，lon表示位置经度，lat表示位置纬度，h表示位置高程值，d表示移动方向，s表示移动速度。
4、一个车辆位置采集终端在一定时间范围内，经过多次连续采集位置数据，从而形成了一系列的位置时间序列数据集，构成了车辆的单条轨迹数据集(简称单轨迹)。在许多具体应用领域，车辆的位置数据多采用等时间间隔的方式进行连续采集，如每5秒采集并存储一个轨迹点数据。
5、由于车辆轨迹数据中隐含了大量可用信息，分析车辆的轨迹，可以从中获取车辆驾驶行为习惯，进而可以挖掘隐藏其中的重要信息和知识；研究众多海量车辆轨迹数据，可以从中获取群体驾驶行为习惯，有利于探测隐藏在群体车辆轨迹中的有用信息。例如，分析城市的众多车辆轨迹数据中的行为特征，可以挖掘和识别城市功能分区、交通状态、道路变更等信息。
6、当前，在分析车辆轨迹数据的机器学习领域，多采用轨迹聚类(trajectorycluster)技术，将群体车辆轨迹划分为特征相似的轨迹类簇，再分别从轨迹簇中获取相应的知识。然而现有的车辆轨迹聚类方法多集中在群体
7、现有轨迹聚类方法多用于多条轨迹的分类，聚类依据是轨迹线之间的特征相似度，即将特征相似的轨迹线归为一个轨迹线类簇。虽然一些轨迹聚类算法能够对轨迹点进行分类，但是当前常用的轨迹点聚类算法主要有：
8、(1)基于密度的轨迹点聚类方法。该方法依据固定的距离阈值和最少点数阈值，将所有密度可达(相似)的轨迹点聚为一类。该方法虽然可以识别异常点，但是由于使用了固定距离阈值，所以该方法不能适应移动速度。例如，车辆在行驶过程中，有停驻、加速、平稳行驶等状态，车辆停驻时的连续轨迹点之间的距离较近、甚至为0，加速过程的连续轨迹点间距逐渐增大，平稳行驶过程的连续轨迹点距较相近且间距离较大。因此，基于密度的轨迹点聚类方法很难区分车辆不同状态的轨迹点。
9、(2)基于k-means算法的轨迹点聚类方法。该类方法不仅包括传统的k-means算法，也包括由k-means衍生的其他算法，如k-medoids算法等。这类方法需要预先设定类簇数量，而对单条车辆轨迹来说，分析人员很难确定要划分的类簇数，而且此类方法难以识别轨迹异常点。
技术实现思路
1、本专利技术旨在解决现有技术中单条车辆轨迹划分方法忽略了轨迹点上下文时空拓扑关系的问题，提出一种适应速度变化的车辆轨迹点聚类方法及系统，能够识别出车辆轨迹异常点，并将时间连续、空间相近、状态相似的轨迹点聚为一个类簇，以更加准确的挖掘单条车辆轨迹隐含的驾驶行为。本专利技术提供的方法能够适应车辆移动速度变化特征，实现简单，运行高效。
2、为实现上述目的，本专利技术提供了如下方案：一种适应速度变化的车辆轨迹点聚类方法，包括以下步骤：
3、s1、获取车辆的轨迹点数据，并设定聚类的初始化参数；
4、s2、读入所述轨迹点数据i，判断所述轨迹点数据i是否为第一个轨迹点，如果是，创建一个类簇，将所述轨迹点数据i放入所述类簇中；如果不是，计算所述轨迹点数据i与上一个所述轨迹点数据i-1的距离，基于所述距离对所述轨迹点数据i进行分类；
5、s3、基于所述初始化参数对分类结束后的所有所述类簇进行判断，得到聚类结果。
6、进一步优选地，所述初始化参数包括：距离差比率初始阈值θ、速度适配因子μ、簇最小点数λ、类簇编号变量k以及所述轨迹点数据的数量n。
7、进一步优选地，基于所述距离对所述轨迹点数据i进行分类的方法包括：
8、s21、计算上一个所述轨迹点数据i-1所在类簇中所有轨迹点数据邻近距离的平均值davg以及所述轨迹点数据i与上一个所述轨迹点数据i-1之间的距离di-1,i；
9、s22、计算所述平均值davg与所述距离di-1,i的距离差比η，以及距离差比阈值ω；
10、s23、判断所述距离差比η和距离差比阈值ω的大小，η≤ω时，将所述轨迹点数据i归入上一个所述轨迹点数据i-1所在的类簇中；否则，进入s24；
11、s24、判断所述平均值davg以及所述距离di-1,i的大小，davg>di-1,i时，将上一个所述轨迹点数据i-1与所述轨迹点数据i合并，形成新的类簇；davg≤di-1,i时，将所述轨迹点数据i归入上一个所述轨迹点数据i-1所在的类簇中。
12、进一步优选地，所述判断的方法包括：判断所有类簇中所述轨迹点数据的数量是否小于簇最小点数λ，小于时，删除对应的类簇，将对应的类簇包含的所述轨迹点数据定义为异常轨迹点，进而得到所述聚类结果。
13、本专利技术还提供一种适应速度变化的车辆轨迹点聚类系统，包括：设定模块、分类模块以及生成结果模块；
14、所述设定模块用于获取车辆的轨迹点数据，并设定聚类的初始化参数；
15、所述分类模块用于读入所述轨迹点数据i，判断所述轨迹点数据i是否为第一个轨迹点，如果是，创建一个类簇，将所述轨迹点数据i放入所述类簇中；如果不是，计算所述轨迹点数据i与上一个所述轨迹点数据i-1的距离，基于所述距离对所述轨迹点数据i进行分类；
16、所述生成结果模块用于基于所述初始化参数对分类结束后的所有所述类簇进行判断，得到聚类结果。
17、进一步优选地，所述初始化参数包括：距离差比率初始阈值θ、速度适配因子μ、簇最小点数λ、类簇编号变量k以及所述轨迹点数据的数量n。
18、进一步优选地，所述分类模块包括：创建单元、第一计算单元、第二计算单元、第一判断单元和第二判断单元；
19、所述创建单元用于读入所述轨迹点数据i，判断所述轨迹点数据i是否为第一个轨迹点，如果是，创建一个类簇，将所述轨迹点数据i放入所述类簇中；
20、所述第一计算单元用于计算上一个所述轨迹点数据i-1所在类簇中所有轨迹点数据邻近距离的平均值davg以及所述轨迹点数据i与上一个所述轨迹点数据i-1之间的距离di-1,i；
21、所述第二计算单元用于计算所述平均值davg与所述距离di-1,i的距离差比η，以及距离差比阈值ω；
22、所述第一判断单元用于判断所述距离差比本文档来自技高网...
【技术保护点】
1.一种适应速度变化的车辆轨迹点聚类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种适应速度变化的车辆轨迹点聚类方法，其特征在于，所述初始化参数包括：距离差比率初始阈值θ、速度适配因子μ、簇最小点数λ、类簇编号变量k以及所述轨迹点数据的数量n。
3.根据权利要求1所述一种适应速度变化的车辆轨迹点聚类方法，其特征在于，基于所述距离对所述轨迹点数据i进行分类的方法包括：
4.根据权利要求2所述一种适应速度变化的车辆轨迹点聚类方法，其特征在于，所述判断的方法包括：判断所有类簇中所述轨迹点数据的数量是否小于簇最小点数λ，小于时，删除对应的类簇，将对应的类簇包含的所述轨迹点数据定义为异常轨迹点，进而得到所述聚类结果。
5.一种适应速度变化的车辆轨迹点聚类系统，所述系统用于实现权利要求1-4任一项所述的方法，其特征在于，包括：设定模块、分类模块以及生成结果模块；
6.根据权利要求5所述一种适应速度变化的车辆轨迹点聚类系统，其特征在于，所述初始化参数包括：距离差比率初始阈值θ、速度适配因子μ、簇最小点数λ、类簇编号变量k以
7.根据权利要求5所述一种适应速度变化的车辆轨迹点聚类系统，其特征在于，所述分类模块包括：创建单元、第一计算单元、第二计算单元、第一判断单元和第二判断单元；
8.根据权利要求6所述一种适应速度变化的车辆轨迹点聚类系统，其特征在于，所述生成结果模块进行判断的方法包括：判断所有类簇中所述轨迹点数据的数量是否小于簇最小点数λ，小于时，删除对应的类簇，将对应的类簇包含的所述轨迹点数据定义为异常轨迹点，进而得到所述聚类结果。
...【技术特征摘要】
1.一种适应速度变化的车辆轨迹点聚类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种适应速度变化的车辆轨迹点聚类方法，其特征在于，所述初始化参数包括：距离差比率初始阈值θ、速度适配因子μ、簇最小点数λ、类簇编号变量k以及所述轨迹点数据的数量n。
3.根据权利要求1所述一种适应速度变化的车辆轨迹点聚类方法，其特征在于，基于所述距离对所述轨迹点数据i进行分类的方法包括：
4.根据权利要求2所述一种适应速度变化的车辆轨迹点聚类方法，其特征在于，所述判断的方法包括：判断所有类簇中所述轨迹点数据的数量是否小于簇最小点数λ，小于时，删除对应的类簇，将对应的类簇包含的所述轨迹点数据定义为异常轨迹点，进而得到所述聚类结果。
5.一种适应速度变化的车辆轨迹点聚类系统，所述系统用于实...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。