基于SNN密度ST-OPTICS改进聚类算法的道路交通安全状况监测方法与流程

本发明涉及智能交通、数据挖掘及大数据处理分析领域，尤其涉及基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法。

背景技术

snn(sharednearestneighbor，共享最近邻)密度度量一个点被类似的点(关于最近邻)包围的程度，基于snn密度的聚类发现的簇中点相互之间都是强关联。基于dbscan(density-basedspatialclusteringofapplicationswithnoise，具有噪声应用的基于密度的空间聚类)的聚类算法中初始参数值ε邻域、minpts需要手动设定，参数值的细微不同可能导致差别很大的聚类结果。为了克服在聚类分析中使用一组全局参数的缺点，提出了optics(orderingpointstoidentifytheclusteringstructure，通过点排序识别聚类结构)聚类分析方法，该方法并不显式地产生数据集聚类，而是生成一个根据参数ε邻域、minpts计算一个增广的簇排序，这个排序是所有分析对象的线性表，并且代表了数据的基于密度的聚类结构。

技术实现要素：

为了解决现有技术中存在的需要用人工的方式对选定道路的车辆进行监测执法的缺陷，本发明提出了基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法，其使用手机定位、基站定位数据及车载gps技术对选定道路的车辆交通安全状况进行智能监测。

本发明所采用的技术方案是：

一种基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法，包括：

s1：采集选定道路上行驶车辆的gps定位数据以及车载乘客手机的gps定位数据和基站定位数据；

s2：对数据进行预处理，进而生成可操作性数据集，并存入数据库；

s3：通过包括可操作数据集的经纬度在内的关键定位信息进行地图匹配；

s4：采用可操作性数据集中的手机定位轨迹数据点计算snn密度相似度图，自动确定可操作性数据集中簇的个数，以此预估选定道路上行驶的车辆数；

s5：通过st-optics聚类算法对车辆及手机定位数据点进行聚类分析，输出对应的簇排序，以此得出各个簇对应的乘客对象度量值；

s6：将乘客对象度量值作为定位分析模型的支持度，根据选定道路实际规定将符合车辆车载人数n作为其最小支持度，检测行驶车辆，将符合的车辆信息存入对应的数据库；

s7：将满足最小支持度的数据集作为选定道路行驶车辆及手机定位分析模型的依据。

较佳的，s2中对数据进行的预处理包括比对数据格式、剔除逻辑错误数据和补全缺省数据。

较佳的，所述剔除逻辑错误数据包括将可见卫星数少于4的定位数据删除。

较佳的，所述补全缺省数据包括计算信号缺失前后各30秒的轨迹点的位置，以信号缺失前后两个中心位置作为端点，均匀按照间距补齐相应个数的轨迹点。

较佳的，s6中所述符合车辆车载人数n为2。

与现有技术相比，本发明的有益效果是：

本发明创新性将snn密度和st-optics聚类算法结合起来，创建一个新的聚类算法，并运用该算法结合智能手机定位技术及车载gps技术建立定位分析模型，可对需检测车载人员数量的道路进行智能监测；其可以节约基础设施建设成本，为交通部分道路执法提供新的监测手段。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

图1为本发明一实施例的基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。

以下为对hov车道的车辆交通安全监测为例展开详细说明，但并不是对本发明保护范围所进行的限定。

st-optics是在optics分析方法的基础上，使用时空对象的时间戳改进数据对象的簇排序。将snn密度与st-optics算法结合在一起，创建一种新的聚类算法，以snn相似度图开始进行聚类，基于该算法建立车辆及智能手机定位分析模型，主要包含三个步骤：第一阶段是通过对可操作性数据集计算snn相似度图，预估hov车道上行驶的车辆数，即表示可操作性数据分配的簇族数，第二阶段由st-optics聚类算法对移动智能手机定位数据及基站定位数据进行聚类，输出一个增广的簇排序，表示分析对象的线性表。第三阶段是根据基于snn密度的st-optics聚类算法计算出各个簇对应的乘客对象度量值。将乘客对象度量作为定位分析模型的支持度，根据hov车道实际规定符合车辆车载人数作为其最小支持度，检测符合在hov车道行驶车辆，将符合的车辆信息存入对应的数据库。

对基于snn密度的st-optics聚类算法思想具体描述如表1所示：

表1基于snn密度的st-optics聚类算法

参考图1，一种基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法包括以下7个步骤，具体为：

step1：采集hov车道上行驶车辆的gps定位数据以及车载乘客智能手机的gps定位数据和基站定位数据，其中，将采集的手机基站数据作为手机gps定位数据的辅助数据，使手机定位更加准确。

step2：对数据进行预处理，进而生成可操作性数据集，并存入数据库。其中，对数据进行的预处理包括比对数据格式、剔除逻辑错误数据和补全缺省数据等。由于手机gps定位数据量大，在采集、上传、下载各个阶段都会导致数据发生不可控的变化，常见的数据格式错误形式为乱码形式、数据重复等；通过比对分析对这些存在明显问题的数据直接进行删除。此外，由于手机在采集数据过程中也会有卡机、黑屏等异常工作状态，或者由于高层建筑物遮挡，导致手机可接收gps信号的卫星数较少，使得gps定位产生较大偏差。因此，在进行数据预处理时，将可见卫星数少于4的定位数据删除。对缺失数据进行补充，即计算信号缺失前后各30秒的轨迹点的位置，以信号缺失前后两个中心位置为端点，均匀按照间距补齐相应个数的轨迹点。

step3：通过包括可操作数据集的经纬度在内的关键定位信息进行地图匹配。

step4：采用可操作性数据集中的手机定位轨迹数据点计算snn密度相似度图，自动确定可操作性数据集中簇的个数，以此预估hov车道上行驶的车辆数。其中，snn(sharednearestneighbor)密度相似度图反映一个点被类似的点(关于最近邻)包围的程度，基于snn密度的聚类发现的簇中点相互之间都是强关联。在高密度的低密度区域的点一般具有相对较高的snn密度。相似度图是指，从图中可以自动确定可操作性数据集中簇的个数，即可预估hov车道上行驶的车辆数。

step5：通过st-optics聚类算法对车辆及手机定位数据点进行聚类分析，输出对应的簇排序，以此得出各个簇对应的乘客对象度量值。

step6：将乘客对象度量值作为定位分析模型的支持度，根据hov车道实际规定：符合车辆车载人数大于2作为其最小支持度，检测行驶车辆，将符合的车辆信息存入对应的数据库。

step7：将满足最小支持度的数据集作为hov车道行驶车辆及手机定位分析模型的依据。

与传统应用红外热成像技术配合视频监控设备视频拍摄照片，用人工的方式识别道路上车辆实载乘员数，依托视频监控设备对违规驶入hov车道车辆自动抓拍的监测执法相比，本发明创新性提出将snn密度和st-optics聚类算法结合起来，创建一个新的聚类算法，并运用该算法结合智能手机定位技术及车载gps技术建立定位分析模型，可以对选定道路进行车载人员检测，选定道路不限于hov车道，其为根据交通安全状况检测需要来进行选定的道路。基于该定位分析模型的监测方法可以节约基础设施建设成本，为交通部分道路执法提供新的监测手段。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。