基于稀疏车牌识别数据挖掘的交通小区划分方法
【技术领域】
[0001] 本发明涉及城市计算中交通小区划分领域，尤其涉及基于稀疏车牌识别数据的交 通小区划分方法。
【背景技术】
[0002] 随着社会的发展，未来的城市将承载越来越多的人口压力和交通压力。解决城市 发展难题，建设智慧城市已经成为城市化发展道路的主流。为了缓解城市交通拥堵情况，首 先要对城市交通的生成和分布具有明确的了解。然而整个城市的交通状况错综复杂，为了 增强交通调查的实际可操作性，尽可能的减小交通调查的工作量，降低交通分析与预测的 难度，将整个城市的交通网络划分成合理的交通小区成为建设智慧城市交通必要的一步。 交通小区是具有一定交通关联度和交通相似度的节点和连线的集合，随时间、关联度和相 似度的变化而变化，反映城市交通特征的时空变化特性。划分交通小区能够为交通调查分 析和预测提供便利，影响整个城市的交通规划和布局。
[0003][0004][0005][0006] 传统的交通小区划分方法，或是根据路网对应的土地性质和土地使用状况来将相 近的交通小区归类;或是分析各个路段出行比例来确定交通小区的半径;或是借用地理信 息系统切割道路网络后对交通小区进行聚类。这些方法需要完整的城市道路网络数据的支 持，需要收集研究区域内每个路口的交通数据。然而，由于经费等问题，部署有传感器的路 口数目有限，得到的交通数据十分稀疏，使用传统划分方法得到的结果往往不准确。
【发明内容】
[0007] 本发明提供一种基于稀疏车辆识别数据划分交通小区的方法，通过建立时间、空 间和车辆类型的三维张量来反映路口交通状况，引入社交媒体签到数据和地理信息P0I数 据，利用协同张量分解对张量数据进行补全，从而得到能够完整的反映整个城市道路交通 状况的张量，最后通过空间聚类的方法划分交通小区。
[0008] 本发明基于稀疏车牌识别数据挖掘的交通小区划分方法包括车辆类型划分、路口 数据补全和交通小区划分三个阶段，具体步骤如下：
[0009] 车辆类型划分阶段:针对城市地图上每个可监测路口，将经过的车辆按照出行时 间分布划分成η种类型；步骤1-1，针对城市地图上每个可监测路口，采集车牌识别数据，计 算单位时间段内车辆经过的路口数目，建立车辆关于路口的矩阵；
[0010] 步骤1-1中，每条车牌识别数据包括记录的设备编号、记录的时间和识别的车牌数 据。
[0011] 结构如下：
[0012] L={lid,ltime,lcar} (1)
[0013] 其中：
[0014] hd为录下该条数据的设备编号，设备可以是配置在路口的摄像机或传感器等；
[0015] ltime为录下该条数据的时间；
[0016] lcar为识别出的经过的车辆的车牌。
[0017] 步骤1-2,对车辆关于路口的矩阵进行非负矩阵分解；
[0018] 步骤1-3,根据非负矩阵分解的结果，将车辆按照出行时间分布划分成η种类型。
[0019] 路口数据补全阶段:在车辆类型划分阶段的基础上，引入社交媒体签到数据以及 Ρ0Ι数据，利用协同张量分解获得包含所有路口的交通状况张量;步骤2-1，读取所述车牌识 别数据，计算每个可监测路口各个时间段内经过的不同类型车辆的数目，建立反映路口交 通状况的张量并归一化；
[0020] 步骤2-2，根据各路口地理位置统计各路口半径k (取值一般在200m-1000m根据城 市地图调整参数)公里范围内各个时间段内的社交媒体软件（例如微博、twitter flickr 等)的签到数据，建立反映地图上所有路口签到状况的矩阵并归一化；
[0021] 步骤2-3,根据各路口地理位置统计各路口半径k公里范围内各种类型的Ρ0Ι (Point of Interest，在地理信息系统中，一个Ρ0Ι可以是一栋房子、一个商铺、一个邮筒、 一个公交站等)的数目，建立反映地图上所有路口地理特征的矩阵并归一化；
[0022] 步骤2-4,根据车辆类型划分阶段的结果，统计各种类型的车辆在同一路口同时段 出现的概率，建立反映车辆类型之间相关性的矩阵并归一化；
[0023] 步骤2-5,对步骤2-1至步骤2-4得到的四个归一化后的矩阵进行协同张量分解，得 到一个完整反映城市地图上所有路口交通状况的张量。
[0024] 交通小区划分阶段:基于交通状况张量对城市地图进行空间聚类，将城市地图划 分成不同的交通小区；
[0025] 步骤3-1，划分城市地图，以路口为顶点，路段为边界，将城市地图划分成最小的区 域块；
[0026] 步骤3-2，建立引力模型，根据经过路口的车辆和路口的地理位置计算相邻路口之 间的作用力；
[0027] 步骤3-3，采用空间聚类的方法，对路口进行聚类；
[0028]步骤3-3中，区域块之间聚类的距离为：
[0029]
[0030] 式中，X和y代表两个区域块，α和β代表分别位于X和y中的两个路口，Fa,e是路口α和 路口β之间的作用力，g(a，β)代表路口a和β之间的连通性。
[0031] 如果路a和β之间能够通过道路相互到达，则表示路口 a和β之间具有连通性，g(a， β) = 1；
[0032] 反之路口 a和β之间路口不能够通过道路相互到达，则路口 a和β之间不具有连通 性，g(a，0)=O〇
[0033] η是统计两个区域块之间总的路口对的数目。
[0034] 步骤3-4,根据路口聚类结果，将同类区域块划分到一起，完成交通小区的划分。
[0035] 非负矩阵分解能够在保证数据的非负性的情况下，将数据从高维空间投影到低维 空间，使得分解结果在现实中具有可解释性;协同张量分解通过引入附加的数据，结合附加 数据得到与之相关的分解结果，能够对稀疏数据进行补充。
[0036] 本发明针对交通小区划分中车牌识别数据稀疏的问题，提出了一种基于稀疏车牌 识别数据的交通小区划分方法，引入了社交媒体软件签到数据和Ρ0Ι数据进行协同张量分 解补全整个城市的路口交通数据，通过非负矩阵分解得到可解释的车辆类型，并结合空间 聚类的方法划分出合理的交通小区。
[0037]本发明的优点包括：
[0038] 1、给出一种结合非负矩阵分解和协同张量分解的交通小区划分方法，划分车辆出 行类型，建立路口交通张量，能够在数据稀疏的情况下划分交通小区；
[0039] 2、在车辆划分过程中，基于非负矩阵分解对车辆类型划分，在保证数据的可解释 性下对车辆出行习惯进行研究；
[0040] 3、在数据补全过程中，基于协同张量分解引入附加数据对有限的路口车牌识别数 据进行补全。
【附图说明】
[0041 ]图1为本发明交通小区划分方法总体流程图；
[0042]图2为建立签到矩阵的流程图；
[0043]图3为建立Ρ0Ι矩阵的流程图。
【具体实施方式】
[0044] 本发明提出了基于稀疏车牌识别数据的交通小区划分方法，流程图如图1所示，分 为车辆类型识别、路口数据补全和交通小区划分三个阶段。
[0045] 在车辆类型识别阶段主要划分车辆出行类型，得到车辆类型之间的相关性，从而 建立反映不同类型车辆出行时间的路口交通状况张量。
[0046] 由于配置交通数据传感器的路口有限，使得车牌识别数据十分稀疏，为此对这个 张量中没有配置传感器的路口的数据进行补全。
[0047]在路口数据补全阶段主要引入社交媒体软件用户签到数据和地理信息Ρ0Ι数据， 结合反映不同类型车辆出行时间的路口交通状况张量以及车辆类型之间的关系矩阵进行 协同张量分解，得到完整的反映不同类型车辆出行时间的路口交通状况张量。
[0048] 在交通小区划分阶段，基于完整的反映不同类型车辆出行时间的路口交通状况张 量，建立引力模型，对路口进行空间聚类，将交通状况相近的路口聚类到一起，最终划分出 交通小区。
[0049] 具体过程如下：
[0050] 车辆类型识别阶段包括：
[0051] 步骤1-1，针对城市地图上每个可监测路口，利用监控设备采集现场视频，再经识 别软件等工具获取车牌识别数据，计算单位时间段内车辆经过的路口数目，建立车辆关于 路口的矩阵；
[0052] 一条原始的车牌识别数据包括记录的设备编号、记录的时间和识别的车牌数据。 [0053] 结构如下：
[0054] L={lid,ltime,lcar} (1)
[0055] 其中：
[0056] lld为录下该条数据的设备编号，设备可以是配置在路口的摄像机或传感器等；
[0057] ltime为录下该条数据的时间；
[0058] lcar为识别出的经过的车辆的车牌。
[0059] 将一天划分成t个时间段，读取车牌识别数据后，统计单位时间段段内每辆车经过 的路口数目。
[0060] 初始化反映车辆特征的矩阵后，读取一条车牌识别数据记录，获取车牌数据1。"; 匹配车牌数据，如果识别车牌不在矩阵中则矩阵增加一条数据，如果识别车牌在矩阵中，获 得车辆经过路口的时间，在对应时间的位置数值加1;循环直到读取全部车牌数据，输出车 辆特征矩阵，即车辆关于路口的矩阵Pat，矩阵Pat共含有c X t个元素，c表示车辆的数目，t 表示时间维度。
[0061] 步骤1-2,对车辆关于路口的矩阵进行非负矩阵分解；
[0062]基于人们出行的习惯定义矩阵分解的秩，对步骤1-1的Pcxt进行非负矩阵分解。根 据非负矩阵分解的原理对Pc^xt进行非负