一种城市道路高频路径分析方法、系统及存储介质与流程

本发明涉及城市交通管理技术领域，具体涉及一种城市道路高频路径分析方法、系统及存储介质。

背景技术：

在日常的交通出行中，根据路网结构和路径选择，结合一些导航工具的使用，会优先选择主干道或od短路径必经之地，导致部分道路使用频次高，实际的通行需求远远超出道路的通行服务能力，进而引发交通拥堵，因此，对于高频路径的识别，有利于对关键节点进行控制，缓解高频路径的交通压力，进而减少交通拥堵的发生频率，有利于城市交通管理能力的提升。

技术实现要素：

本发明提出的一种城市道路高频路径分析方法、系统及存储介质，可用于识别高频路径。

为实现上述目的，本发明采用了以下技术方案：

一种城市道路高频路径分析方法，包括以下步骤，

s01、获取城市道路各路段的一定时间段的历史过车数据；

s02、按路段或路口统计车辆在路网上行驶的路径历史数据；

s03、设定高频路径算法中的最小支持度与最小置信度阈值；

s04、使用车辆在路网上行驶的路径历史数据，并用关联规则相关算法计算得到高频路段与高频路径。

进一步的，所述s01中历史过车数据包括车辆唯一标识信息、路网信息、过车信息。

进一步的，所述s04使用车辆在路网上行驶的路径历史数据，并用关联规则相关算法计算得到高频路段与高频路径具体包括：

定义：

车辆路径项集：具有身份标识的车辆，行驶路径中的每一个路段或路口的各种组合的集合，有k个元素的集合叫k-项集；

参数1：最小支持度，支持度是一个车辆路径项集在整个数据集中出现的频率，最小支持度用于筛选频率过低达不到的车辆路径项集，可配置，根据实际城市过车数据情况调整；

参数2：最小置信度，用于筛选高频车辆路径k-项集，产生关联的高频车辆路径规则，继而产生车辆高频路径，可配置，根据实际城市过车数据情况调整；

step1：采集数据；

step2：构建车辆路径数据集，生成候选1-项集；

(1)由采集到的过车数据，取一天的数据构建路径项集，每个车牌一天行驶的路径按时间排序形成车辆路径集合；

(2)计算每个路径集合中相邻路径的时间差，拆分时间差大于设定值的集合为多个路径集合，构成当日车辆路径数据集d；

(3)取一定时间历史数据的路径数据集dd，拆分数据集为单个路段、路口并聚合去重，生成由一个元素构成的项集，得到多个候选1-项集di(i＝1..n)；

step3：利用最小支持度，筛选频繁车辆路径1项集，生成候选2项集；

计算所有候选1-项集在dd数据集中出现的频率，频率＝(包含此项集的个数)/数据集总数，筛选出频率大于最小支持度的频繁1-项集d1；

由频繁项集d1，两两排列组合去重生成候选2-项集；

step4：循环迭代筛选频繁k项集，生成候选k+1-项集；

计算候选k-项集在数据集中的出现频率，筛选出频率大于最小支持度的频繁k-项集dk,排列组合生成候选k+1项集；

按此步骤迭代，直到所有候选项集的频率都低于最小支持度或者无法再生成候选项集时停止迭代，得到最终的车辆路径频繁项集；

step5：由车辆路径频繁项集生成高频路径；

排列组合频繁项集的元素先后顺序组成可能的前后到达的路径，计算每种组合的信赖度即后路段在前路段存在下的条件概率的，信赖度＝前后路段同时存在的频数/前路段存在集合的频数；

筛选出信赖度大于最小信赖度的频繁项集，即为高频路径。

进一步的，所述step1的采集数据通过城市道路上的检测监控设备，采集车辆的身份标识车牌或唯一id，并采集相关过车数据。

进一步的，所述过车数据包括过车时间，路段/路口id。

进一步的，所述检测监控设备包括电子警察、卡口、检测器。

另一方面，本发明还公开一种城市道路高频路径分析系统，包括以下单元，

历史过车数据获取单元，用于获取城市道路各路段的一定时间段的历史过车数据；

路径历史数据确定单元，用于按路段或路口统计车辆在路网上行驶的路径历史数据；

最小支持度与最小置信度阈值设定单元，用于设定高频路径算法中的最小支持度与最小置信度阈值；

高频路径确定单元，用于使用车辆在路网上行驶的路径历史数据，并用关联规则相关算法计算得到高频路段与高频路径。

第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。

由上述技术方案可知，本发明的城市道路高频路径分析方法将关联规则中的算法应到交通高频路径的计算场景中，通过基于基础路网匹配过车数据，通过设定阈值，筛选高频路段，通过利用关联规则(无监督学习中现有算法)相关算法计算高频路径，本发明可用于计算城市高频路径以及城市高频路径相关诱导参考，有利于对关键节点进行控制，缓解高频路径的交通压力，进而减少交通拥堵的发生频率，有利于城市交通管理能力的提升。

附图说明

图1是本发明的方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

如图1所示，本实施例所述的城市道路高频路径分析方法，包括

s01、获取城市道路各路段的一定时间段的历史过车数据；

s02、按路段或路口统计车辆在路网上行驶的路径历史数据；

s03、设定高频路径算法中的最小支持度与最小置信度阈值；

s04、使用车辆在路网上行驶的路径历史数据，并用关联规则相关算法计算得到高频路段与高频路径。

以下具体说明：

s01中历史过车数据包括车辆唯一标识信息、路网信息、过车信息。

s04基于s02的历史数据和经03的最小支持度与最小置信度阈值，提取标记好的高频路段的所有过车数据，并对这些数据通过推荐算法中的关联规则算法找出高频路段之间顺序关联性强的路段，这些高频路段按照行驶方向形成最终高频路径。

其中，对于关联规则挖掘最初提出的动机是针对购物篮分析(marketbasketanalysis)问题提出的；通过发现顾客放入“购物篮”中的不同商品之间的关联，分析顾客的购物习惯；这种关联的发现可以帮助零售商了解哪些商品频繁的被顾客同时购买，从而帮助他们开发更好的营销策略。

关联规则挖掘的两个过程：

第一阶段必须先从资料集合中找出所有的高频项目组(frequentitemsets)；

第二阶段再由这些高频项目组中产生关联规则(associationrules)。

本发明实施例的关联规则如下：

将城市道路高频出行的路径看作时商场超市的购物篮分析，每个人看作是一辆车，购物篮里买的每一个东西看作是车辆在城市道路中行驶的一个路段或者一个路口，分析每种商品购物的数量或者每条路段或路口的行驶次数的出现频次和概率，得到两个或多个元素同时出现的频率以及先后顺序，提供给商场商品摆放远近的参考或者城市道路出行频次高的路径有哪些。

本发明通过将关联规则算法(购物篮分析模型)应用在交通领域，构建城市道路出行模型(基于购物篮模型)，算法中做相应的数据格式设计调整，针对现有的城市道路交通数据进行组织改造，应用于此算法的输入，并依据实际情况调整对应参数，得到足以使用的效果。

关联规则所用的概率就是先验概率，有重要的两个公理：

如果一个非空项集是频繁的，则它的所有子集一定也是频繁的；如果项集是非频繁的，则它的所有超集也一定是非频繁的。

基于这两个公理论，对应与城市道路出行模型计算高频路径：

如果一个非空高频路径是高频的，则它的所有子路径一定也是高频的；

如果路径是非频繁的，则它的所有拓展延长路径也一定是非高频的。

则本发明的交通城市道路高频路径关联规则挖掘的具体过程(结合交通)如下：

关联规则中的算法有多个，如apriori算法，对此改进的fp-growth算法，甚至能直接计算出先后序列的prefixspan算法等，大致思想一致，都可用于高频路径的计算，这里用改造的交通数据结构和apriori算法；

具体列举一下算法，步骤如下；

基本概念：

车辆路径项集：具有身份标识的车辆，行驶路径中的每一个路段(或路口)的各种组合的集合，有k个元素的集合叫k-项集

参数1：最小支持度(minimumsupport)，支持度是一个车辆路径项集在整个数据集中出现的频率，最小支持度用于筛选频率过低达不到的车辆路径项集，可配置，根据实际城市过车数据情况调整

参数2：最小置信度(minimumconfidence)，用于筛选高频车辆路径k-项集，产生关联的高频车辆路径规则，继而产生车辆高频路径，可配置，根据实际城市过车数据情况调整；

step1：采集数据

采集数据通过城市道路上的检测监控设备(电子警察、卡口、检测器、等)，能提供车辆的身份标识车牌或唯一id皆可，并能提供相关过车数据：过车时间，路段/路口id等；

step2：构建车辆路径数据集，生成候选1-项集；

(1)由采集到的过车数据，取一天的数据构建路径项集，每个车牌一天行驶的路径按时间排序形成车辆路径集合；

(2)计算每个路径集合中相邻路径的时间差，拆分时间差过大(如大于一小时)的集合为多个路径集合，构成当日车辆路径数据集d；

(3)取一定时间历史数据(如30天)的路径数据集dd，拆分数据集为单个路段、路口并聚合去重，生成由一个元素构成的项集，得到多个候选1-项集di(i＝1..n)；

step3：筛选频繁车辆路径1项集(利用最小支持度)，生成候选2项集；

计算所有候选1-项集在dd数据集中出现的频率，频率＝(包含此项集的个数)/数据集总数，筛选出频率大于最小支持度的频繁1-项集d1；

由频繁项集d1，两两排列组合去重生成候选2-项集；

本步骤计算得到的频繁1-项集，也可存储结果，记作高频路段，用作一种交通数据参考；

step4：循环迭代筛选频繁k项集，生成候选k+1-项集；

计算候选k-项集在数据集中的出现频率，筛选出频率大于最小支持度的频繁k-项集dk,排列组合生成候选k+1项集；

按此步骤迭代，直到所有候选项集的频率都低于最小支持度或者无法再生成候选项集时停止迭代，得到最终的车辆路径频繁项集

step5：由车辆路径频繁项集生成高频路径；

排列组合频繁项集的元素先后顺序组成可能的前后到达的路径，计算每种组合的信赖度(即后路段在前路段存在下的条件概率的)，信赖度＝前后路段同时存在的频数/前路段存在集合的频数；

筛选出信赖度大于最小信赖徐的频繁项集，即为高频路径。

也可通过序列模式算法直接得到带顺序的高频路径，步骤与关联规则算法类似。

综上所示，本发明可用于如下应用：

a.高频路段，提供城市管理规划、交管等部门优化相关路段(拓宽路段、调整优化对于路口信号配时)，提供交警出警目的地参考。

b.高频路径，针对高频路径首尾片区车辆进行管控规划(工作日错峰出行上下班、限流限号)，现成出警指挥合理向非高频路径引流，减小高频路径压力。

另一方面，本发明还公开一种城市道路高频路径分析系统，包括以下单元，

历史过车数据获取单元，用于获取城市道路各路段的一定时间段的历史过车数据；

路径历史数据确定单元，用于按路段或路口统计车辆在路网上行驶的路径历史数据；

最小支持度与最小置信度阈值设定单元，用于设定高频路径算法中的最小支持度与最小置信度阈值；

高频路径确定单元，用于使用车辆在路网上行驶的路径历史数据，并用关联规则相关算法计算得到高频路段与高频路径。

第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。

可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。