一种基于浮动车数据的路网重要交叉口提取方法与流程

本发明涉及交通规划应用技术领域，更具体地，涉及一种基于浮动车数据的路网重要交叉口提取方法。

背景技术：

近年来，随着细粒度数据集的出行，为深入分析城市交通提供了新思路。传统的城市交通分析中，主要以路段分析为主，而交叉口作为城市路网的重要组成部分，在路网规划、设计及管理等各环节都是重要考虑因素，良好的城市交通运行必须注重交叉口的合理有效管理。另外城市交叉口因其节点性能突出，正受到越来越多的研究者的关注，考虑其作为城市交通流重要集散地，是出行者出行过程中进行出行方向、出行路段等选择时的重要决策点，因而对出行者出行行为具有重要影响。

近年来基于城市交叉口的研究中，城市交叉口的分类主要以相关规范标准为依据，选取相应类型的交叉口作为主要交叉口进行分析。这些交叉口类型主要是根据其设计建造之初的相关标准进行设定。在实际的路网中，由于城市空间差异、时间变迁等因素导致其实际地位发生改变。因此，基于《城市道路交叉口规划规范(条文说明)》选取时，可靠度较低，对研究者所进行的研究产生影响。

浮动车数据作为一种高效的城市交通数据，其具有时空覆盖面广、体量大、细化程度高等特点，是目前城市交通管理、规划等各方面的重要数据源。研究者通过不同方式，从不同角度对浮动车数据进行挖掘，在交通地理、出行行为分析、出行者空间感知等各方面均取得较好成果。但基于城市交叉口的相关研究较少，且目前研究者正以城市空间结构为基础，对交通参与者相关行为进行研究。

交叉口作为城市空间结构的重要组成部分，是城市地理中重要的节点组成之一，以大规模城市浮动车数据为基础，通过挖掘各交叉口在出行数据中实际的表现形式，能够更加真实的区分出实际中各交叉口重要程度，合理有效的进行交叉口分类，为进一步合理规划城市路网等级、进行相关研究提供参考依据。

技术实现要素：

本发明提出一种基于浮动车数据的路网重要交叉口提取方法，是基于城市中实际的浮动车出行数据对城市交叉口进行分类，通过深入的数据挖掘，提出的一种城市重要交叉口的提取方法，为进一步合理规划城市路网等级、进行相关研究提供参考依据。该方法是基于实际的浮动车出行数据，通过挖掘与分析数据特征，克服传统研究中以规范标准为基础的分类方法，使得交叉口分类结果更有现实意义。

为了实现上述目的，本发明的技术方案为：

一种基于浮动车数据的路网重要交叉口提取方法，包括以下步骤：

s1.路网数据路网交叉口，并依据相交路段类型对交叉口进行细化分类，根据路网交叉口位置及出行记录起终点位置，对各出行记录出行o、d进行匹配，出行记录起终点最近交叉口为出行o、d；

s2.利用提取的路网交叉口数据，结合出行记录数据，将以路段为基础的出行记录转化为以路网各交叉口顺序连接的出行记录，通过对转化后的线路数据进行拆分，对出行数据进行筛选，剔除不合理数据；

s3.引入交叉口关联度定义并选取关联度参数，分别获取在出行o点、d点或od已知的情况下，各出行过程选取概率达到设定值(0.7、0.5、0.5)的交叉口，将此类交叉口视为对出行行为影响较大交叉口，并对其差异进行分析。

优选的，区别于传统的基于《城市道路交叉口规划规范(条文说明)》的交叉口分类标准，本发明根据实际各交叉口所连接路段类型，包括：快速路、主干道、次干道、支路、隧道及跨线桥等，对交叉口进行细化分析，获得快速路-快速路交叉口、主干路-主干路交叉口等。

优选的，所述步骤s2中，根据出行记录中相邻路段相交于同一节点的特点，利用提取的交叉口数据将出行记录中路段替换成交叉口，获取基于交叉口的出行记录，对转化后的出行记录进行拆分，并按照每条出行记录中交叉口依次经过次序对其进行编号，根据拆分结果剔除不合理数据，其不合理数据主要包括：o、d相同；经过交叉口少于预设个数；路线长度少于预设距离或速度异常的数据。

优选的，所述步骤s3中，定义交叉口关联度，并通过计算不同参数取值情况下，相应数量的交叉口关联到的出行记录数，确定参数大小；

定义三种关联度，主要目的是通过探究不同交叉口与相应的出行od、o或d的关联度，对出行过程中交叉口进行分类，关联度计算公式如式(1)：

其中，ρi为相应交叉口i与出行od或o或d的关联程度，为od间交通出行总量中经过第i交叉口的数量，qz为od间交通出行总量；

分别考虑在特定参数下，对应出行od、出行o点、出行d所提取出的路网交叉口特点，主要考虑了其空间分布，出行记录关联数量等差异，获取一定数量的交叉口作为重要交叉口。

与现有技术相比，本发明的优点主要体现在以下几个方面：

1)本发明以大规模浮动车数据为基础，数据量大，时空范围广，能够真实反映城市各交叉口使用情况，使分析结果更加切合实际。

2)分析中以实际提取的路网交叉口数据为基础，将以路段为基础的出行记录转化为以交叉口为基础的出行记录，与传统的以路段为基础的分析方法相比，增强分析的针对性，降低分析的复杂度，能够更加全面分析交叉口相关特征。

3)分析中提出的各出行记录出行o、d确定方法，综合考虑了路网内交叉口与浮动车数据空间分布的区域性特点，对比传统的以固定半径交叉口缓冲区确定相关出行记录出行o、d的方法，此种方法使得出行记录出行o、d匹配度达到100％，能够更加充分利用现有数据。

4)分析中引入关联度定义，其参数确定方式以实际数据为基础，并充分考虑各不同情况下，相关提取结果各方面差异，并进行最终确定，使得分析结果说服力较强。

附图说明

图1为由gis路网数据提取出的交叉口空间分布图。

图2为路网交叉口细化分类结果。

图3为o、d的点密度分布图，3(a)为o的点密度分布图，3(b)为d的点密度分布图。

图4为三种类型关联度分析分类图。

图5为各分类分析重要交叉口空间分布图，(a)为类型一的分析重要交叉口空间分布图，(b)为类型二的分析重要交叉口空间分布图，(c)为类型三的分析重要交叉口空间分布图。

图6为各重要交叉口分类统计结果。

图7为本发明的实现流程图。

具体实施方式

下面结合附图对本发明做进一步的描述，但本发明的实施方式并不限于此。

本发明所利用数据为广州市gis路网数据及2014年3月3日至2014年3月9号的浮动车数据，共包括3119条路段及3327476条原始出行记录。具体操作步骤为：

步骤1：提取路网交叉口数据，对提取结果进行细化分类。在路网交叉口提取过程中，主要考虑实际中各交叉口及路段连接特点，以路网中连接路段数量多于2个的节点为交叉口，共获得1699个交叉口，其空间分布如图1；对提取后的交叉口进行细化分类，分类过程结合相关交叉口分类标准，考虑实际路网特点，增加快速路-支路、隧道相连交叉口类型，结果共获得11种类型，各类型分类统计结果如图2。

步骤2：匹配出行o、d。本发明中各出行记录的出行o、d是以路网交叉口为基础进行定义的。在研究中，首先是获取各出行记录的出行起点经纬度信息，通过计算各起点与交叉口空间距离，为每一起点寻找一空间最近交叉口作为o，同理，也可为每一出行记录寻找相应的d。通过对计算结果进行分析，得出各出行起终点距对应出行o、d的空间距离分布。

由计算结果可知，该方法匹配后的出行o、d与出行起终点的距离主要集中在200m范围内，约占总体的85.75％，距离超出400m的较少，仅占总体的3.97％，即本方法匹配的出行o、d具有较强的说服力，可行性较高。相对于传统的以每一交叉口固定半径缓冲区进行o、d的方法而言，其能够克服交叉口空间上相互重叠的弊端，并且能够使得匹配成功率达到100％。

步骤3：数据形式转化。为增强分析的针对性，降低分析的复杂度，能够更加全面分析交叉口相关特征，根据出行记录中相邻路段相互连接这一特点，结合交叉口与路段关系特征，利用已提取的交叉口数据将出行记录中相邻路段替换成交叉口，获取基于交叉口的出行记录。

步骤4：数据拆分与筛选。

对转化后的出行记录进行拆分，并按照每条出行记录中交叉口依次经过次序对其进行编号，编号结果便于发现出行过程交叉口选择先后次序，利用拆分结果可以方便的找出原始出行数据中，由于匹配错误导致的同一交叉口被依次经过两次或多次的出行记录，并区分出u型转弯、掉头等特殊出行记录。

根据拆分结果剔除不合理数据，主要包括：o、d相同；经过交叉口少于3个；路线长度少于1km；速度异常等的数据。结果共筛选出3046375万条出行记录，占总体为91.6％，共获得1685个o，1695个出行d，各o、d对应的出行起终点点密度分布图如图3。

图3中显示，广州市出租车出行o、d点空间分布较为集中，以越秀、东山、天河部分区域为集中区域，集中趋势较明显，由此也可初步得出城市中心区作为人流、车流集中区域，其交叉口使用程度较为频繁，相对重要度较高。但考虑到路网中特定的交叉口连接关系，空间上相近的交叉口往往会出行重要度皆较高的情形，由此会导致所提取的交叉口较为集中，空间代表性较差，因此，需要进一步做一下分析。

步骤5：提取重要交叉口。

在进行重要交叉口提取过程中，首先定义三种关联度，如图4，主要目的是通过探究不同交叉口与相应的出行od、o或d的关联度，对出行过程中交叉口进行分类，关联度计算公式如式1：

其中，ρi为相应交叉口i与出行od或o或d的关联程度，为od间交通出行总量中经过第i交叉口的数量，qz为od间交通出行总量。

为避免在提取过程中，od间出行记录过低以及交叉口与o、d空间距离过小，导致关联度偏大，在本申请中，主要选取od间出行距离不小于3km，出行次数不少于3条，距相应o、d空间距离不小于1km的出行记录，共获得87万条出行记录。

利用所得数据对ρi值进行确定，分类统计各情况下平均出行记录随ρ大小变化情况，通过分析，在ρi值为0.7、0.5、0.5时，三种情况的平均出行次数出现最大值，因此最终设定三种情况下的ρi分别为：0.7、0.5、0.5，对各情况提取出的交叉口使用频数进行统计，以前300个交叉口为分析对象，各种情况下分析所得空间分布如图5。

由图5知，依据不同的提取方法所获取的重要交叉口空间分布形式不同，基于o或d进行交叉口关联度分析的结果，空间分布较为分散。通过对经过以上三类情况下所获得前300个交叉口的出行od进行统计，可知三种情况下对应的出行od占总体比例分别为：96.57％，97.60％，97.96％，即基于d获取的重要交叉口能够关联到更多的出行od。因此能够更全面的表征不同空间范围出行者选择行为，该种情况下所获得交叉口作为重要交叉口可更具代表性。

图6为对各情况下重要交叉口所包含类型进行统计，总体上，此次分析所获得重要交叉口与现实中以相交道路类型为划分依据得到的有所差别，部分支路相交交叉口在出行选择中亦有十分重要的作用。

实例表明依据浮动车数据提取的重要交叉口与相关规范标准下划分的交叉口在组成成分上存在明显的差异，即本方法提取出的重要交叉口更符合路网中各交叉口利用情况，能够更加真实的挖掘不同情况下的重要交叉口，为相关研究提供可靠的参考依据。

综上，本发明提出一种基于浮动车数据的路网重要交叉口提取方法。根据路网交叉口特点，利用路网数据提取出路网交叉口数据，并根据交叉口所连接路段类型对交叉口类型进行细分；接着以路网交叉口为基础，对浮动车出行轨迹进行o、d匹配，以距离出行起终点最近的交叉口为出行o、d；接着利用提取出的交叉口，将以路段为基础的出租车出行线路数据转换成以交叉口为基础的出行数据；接着对交叉口线路数据进行拆分，对出行数据进行筛选，剔除不合理数据；最后引入交叉口关联度定义并选取合适的关联度参数，分别获取在出行o点、d点或od已知的情况下，对出行行为影响较大交叉口，并对其差异进行分析，提取重要交叉口。研究结果可用来探究出行者交叉口选择行为，为更好的管理城市交叉口，挖掘出行行为提供基础。

以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所做出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。