路网交通流关键流向和关键路径分析方法与流程

本发明涉及一种路网交通流关键流向和关键路径分析方法。

背景技术：

各种先进通信及计算机技术在道路网上的大规模应用，使得获得单个车辆在路网上的完整出行轨迹成为可能。由于车辆出行轨迹包含着丰富的出行信息，如出行时长、出行路径等，因而不仅在分析单个个体的出行特征方面具有较大的优势，对于研究路网整体出行行为特征方面，车辆出行轨迹也具有很高的实际价值与优势。

车辆识别和车辆定位均能够达到车辆轨迹跟踪的效果。基于视频卡口数据获得车辆轨迹就是车辆识别的典型应用。但不同于通过gps设备所获得的实时车辆轨迹点，一方面，基于视频卡口数据所获取的车辆轨迹，其实质为设备实际的布置位置，即通过其所获得的是一种“稀疏”轨迹；另一方面，由于视频识别设备存在“漏检”等情况，因而会导致轨迹缺失的现象。

考虑到当前城市道路的智能检测条件，视频卡口过车检测数据的获取成本较低，能够普及应用。鉴于此现状，如何提供一种路网交通流关键流向和关键路径分析方法，针对卡口数据的车辆轨迹的特点，来实现路网交通流关键流向与关键路径的提取，是应当予以考虑并解决的问题。

技术实现要素：

本发明的目的是提供一种路网交通流关键流向和关键路径分析方法解决现有技术中存在的一方面，基于视频卡口数据所获取的车辆轨迹，其实质为设备实际的布置位置，即通过其所获得的是一种“稀疏”轨迹；另一方面，由于视频识别设备存在“漏检”等情况，因而会导致轨迹缺失的现象的问题。

本发明的技术解决方案是：

一种路网交通流关键流向和关键路径分析方法，基于卡口数据生成的车辆轨迹，采用谱聚类方法进行轨迹拆分，在此基础上提取出行轨迹的时空特征变量，通过主题模型实现出行轨迹的聚类，从而识别路网的关键流向与关键路径，具体包括以下步骤，

s1、读取卡口设备检测的历史过车数据，根据过车数据中的号牌号码，对于每日路网内所有通行经过卡口位置的车辆，均生成该车辆当日的完整出行轨迹；

s2、基于谱聚类将原始出行轨迹拆分为若干子轨迹tr＝{tr1,···,tri,···,trm}；

s3、基于离散傅里叶变换dft提取出行轨迹的时空特征变量序列；

s4、基于步骤s3得到历史时段内的出行轨迹时空特征变量序列，采用狄利克雷过程混合模型对出行轨迹进行聚类分析；

s5、基于步骤s4的聚类结果，将每个簇的聚类中心作为对应簇的核心出行轨迹；根据出行轨迹起点至终点的坐标计算二者连线角度，由此确定路网的交通流关键流向；采用k最短路算法处理核心出行轨迹中的轨迹点，确定k条关键路径。

进一步地，步骤s1中，生成该车辆当日的完整出行轨迹，具体为，按时序排列的过车点集合x＝{x1,…,xi,…,xn}；其中xi＝(pi,ti)，pi为轨迹点坐标，根据卡口设备位置确定；ti为通过该轨迹点时刻，由对应过车数据中的过车时间确定；n为该车当日的过车数据数量。

进一步地，步骤s1中，过车数据包括设备编号、过车时间、号牌号码。

进一步地，步骤s2具体为，

s21、采用高斯核函数rbf建立相似矩阵s，矩阵中的元素其中a,b∈[1,n]，ρp、ρt分别为轨迹点坐标、通过轨迹点时刻的标准差；

s22、邻接矩阵w＝s，即其中元素wa,b＝sa,b；度矩阵d为对角阵，

s23、构建拉普拉斯矩阵l＝d-w，做标准化处理：d^-1/2ld^-1/2，将标准化后的矩阵最小的k个特征值所对应的特征向量组成n*k维特征矩阵f；

s24、提取f的每一行组成1*k维样本矩阵f，对全部n个样本采用dbscasn聚类算法进行聚类分析，得到簇划分结果{f1,···,fi,···,fm}，其中m为聚类产生的簇的数量，簇fi由若干个样本矩阵组成；根据每一个簇内的样本矩阵，确定轨迹点的簇划分结果tr＝{tr1,···,tri,···,trm}，其中元素为单次出行子轨迹，tri＝{x(i,1),x(i,2),···,x(i,u),···,x(i,h)}，其中x(i,u)为子轨迹tri内的轨迹点，h为该出行子轨迹途径的轨迹点数量。

进一步地，步骤s3具体为，

s31、对于任一子轨迹tri＝{x(i,1),x(i,2),···,x(i,u),···,x(i,h)}，提取轨迹点的位置维度，即p_tri＝{p(i,1),p(i,2),···,p(i,u),···,pi,h)}，p(i,j)＝[lng(i,u),lat(i,u)]，lng(i,u)、lat(i,u)分别为位置经、纬度坐标；

s32、计算该子轨迹对应的傅里叶系数f_tri＝(fi^x,fi^y)，其中为复数虚部；

s33、生成出行轨迹的傅里叶系数f＝(f_tr1,f_tr2,···,f_trm)。

进一步地，步骤s4中，狄利克雷过程混合模型具体为：

其中，dirichlet(*)为狄利克雷函数，为不同簇的概率，β为聚类数目的控制参数，zl为第l条出行轨迹trl所属的簇，t为待聚类的出行轨迹数量，θc为第c个簇的方差，ε为初始聚类数目；α为模型中定义的将某一轨迹划分为某一簇所需满足的子轨迹数目；xl,u为第l条出行轨迹trl中的第u个子轨迹；

采用折叠吉布斯采样方法近似求解狄利克雷模型的概率，得到x与z联合概率分布函数如下式所示：

其中，p(zl＝c|z-l,tr1:m,α,β)为第l条出行轨迹trl属于第c个簇的概率；z-l为不包含出行轨迹trl的簇集合；tr1:m表示出行轨迹全样本；nc(z-l)为剔除出行轨迹trl后第c个簇中出行轨迹数量；fl为出行轨迹trl的傅里叶系数；f_columnc(tr-l)为第c个簇中剔除出行轨迹trl后其他的所有出行轨迹的傅里叶系数所构成的列向量；式中参数其中γ(*)为伽马函数，τ为伽马函数参数；为了最大化p(zl＝c|z-l,tr1:m,α,β)，利用吉布斯抽样进行迭代抽样，最终得到狄利克雷过程混合模型的参数估计值。

本发明的有益效果是：

一、该种路网交通流关键流向和关键路径分析方法，针对卡口数据的车辆轨迹的特点，提供一种路网整体出行行为特征分析方法，其中关键流向是对路网内具有代表性的宏观交通流方向的描述，而关键路径为按关键流向行驶的车辆选择概率最大的路径(集合)；本发明采用了对缺失信息具有较高“容忍”程度的主题模型对车辆轨迹进行分析，进而从车辆轨迹中提取路网交通流关键流向与关键路径，为路网需求侧特征分析提供重要支撑。

二、本发明在谱聚类处理得到的子轨迹基础上，通过离散傅里叶变换对车辆的完整出行轨迹进行处理，提取其时空特征变量。

三、针对谱聚类算法中无法自动确定聚类数目的不足之处，本发明将dbscan算法嵌入传统谱聚类中，实现了最优聚类数目的自动确定。

四、本发明基于轨迹时空特征，采用狄利克雷过程混合模型，提取路网的关键流向和关键路径。

附图说明

图1是本发明实施例路网交通流关键流向和关键路径分析方法的流程示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

一种路网交通流关键流向和关键路径分析方法，基于卡口数据生成的车辆轨迹，采用谱聚类方法进行轨迹拆分，在此基础上提取出行轨迹的时空特征变量，通过主题模型实现出行轨迹的聚类，从而识别路网的关键流向与关键路径，具体包括以下步骤，

s1、读取卡口设备检测的历史过车数据，其中过车数据包括设备编号、过车时间、号牌号码；剔除公交车、出租车过车记录；根据过车数据中的号牌号码，对于每日路网内所有通行经过卡口位置的车辆，均生成该车辆当日的完整出行轨迹，即按时序排列的过车点集合x＝{x1,…,xi,…,xn}；其中xi＝(pi,ti)，pi为轨迹点坐标，根据卡口设备位置确定；ti为通过该轨迹点时刻，由对应过车数据中的过车时间确定；n为该车当日的过车数据数量。

s2、基于谱聚类将原始出行轨迹拆分为若干子轨迹tr＝{tr1,···,tri,···,trm}；子轨迹拆分的目的是将原始出行轨迹中车辆的每一次出行行为具体化。

s21、采用高斯核函数rbf建立相似矩阵s，矩阵中的元素其中a,b∈[1,n]，ρp、ρt为轨迹点坐标、通过轨迹点时刻的标准差。

s22、邻接矩阵w＝s，即其中元素wa,b＝sa,b；度矩阵d为对角阵，

s23、构建拉普拉斯矩阵l＝d-w，做标准化处理：d^-1/2ld^-1/2，将标准化后的矩阵最小的k个特征值所对应的特征向量组成n*k维特征矩阵f。

s24、提取f的每一行组成1*k维样本矩阵f，对全部n个样本采用dbscasn聚类算法进行聚类分析，得到簇划分结果{f1,···,fi,···,fm}，其中m为聚类产生的簇的数量，簇fi由若干个样本矩阵组成；根据每一个簇内的样本矩阵，确定轨迹点的簇划分结果tr＝{tr1,···,tri,···,trm}，其中元素为单次出行子轨迹，tri＝{x(i,1),x(i,2),···,x(i,u),···,x(i,h)}，其中x(i,u)为子轨迹tri内的轨迹点，h为该出行子轨迹途径的轨迹点数量。

s3、基于离散傅里叶变换dft提取出行轨迹的时空特征变量序列；具体方法为：

s31、对于任一子轨迹tri＝{x(i,1),x(i,2),···,x(i,u),···,x(i,h)}，提取轨迹点的位置维度，即p_tri＝{p(i,1),p(i,2),···,p(i,u),···,pi,h)}，p(i,j)＝[lng(i,u),lat(i,u)]，lng(i,u)、lat(i,u)分别为位置经、纬度坐标。

s32、计算该子轨迹对应的傅里叶系数f_tri＝(fi^x,fi^y)，其中为复数虚部。

s33、生成出行轨迹的傅里叶系数f＝(f_tr1,f_tr2,···,f_trm)。

s4、基于步骤s3得到历史时段内的出行轨迹时空特征变量序列，采用狄利克雷过程混合模型对出行轨迹进行聚类分析；狄利克雷过程混合模型dpmm为一种主题模型，该混合模型的描述为：

其中，dirichlet(*)为狄利克雷函数，为不同簇的概率，β为聚类数目的控制参数，zl为第l条出行轨迹trl所属的簇，t为待聚类的出行轨迹数量，θc为第c个簇的方差，ε为初始聚类数目；α为模型中定义的将某一轨迹划分为某一簇所需满足的子轨迹数目；xl,u为第l条出行轨迹trl中的第u个子轨迹。

采用折叠吉布斯采样方法近似求解狄利克雷模型的概率，得到x与z联合概率分布函数如下式所示：

其中，p(zl＝c|z-l,tr1:m,α,β)为第l条出行轨迹trl属于第c个簇的概率；z-l为不包含出行轨迹trl的簇集合；tr1:m表示出行轨迹全样本；nc(z-l)为剔除出行轨迹trl后第c个簇中出行轨迹数量；fl为出行轨迹trl的傅里叶系数；f_columnc(tr-l)为第c个簇中剔除出行轨迹trl后其他的所有出行轨迹的傅里叶系数所构成的列向量；式中参数其中γ(*)为伽马函数，τ为伽马函数参数；为了最大化p(zl＝c|z-l,tr1:m,α,β)，利用吉布斯抽样进行迭代抽样，最终得到狄利克雷过程混合模型的参数估计值。

s5、基于步骤s4的聚类结果，将每个簇的聚类中心作为对应簇的核心出行轨迹；根据出行轨迹起点至终点的坐标计算二者连线角度，由此确定路网的交通流关键流向，采用k最短路算法处理核心出行轨迹中的轨迹点，确定k条关键路径。

该种路网交通流关键流向和关键路径分析方法，采用了对缺失信息具有较高“容忍”程度的主题模型对车辆轨迹进行分析，进而从车辆轨迹中提取路网交通流关键流向与关键路径，为路网需求侧特征分析提供重要支撑。

实施例方法在谱聚类处理得到的子轨迹基础上，通过离散傅里叶变换对车辆的完整出行轨迹进行处理，提取其时空特征变量。针对谱聚类算法中无法自动确定聚类数目的不足之处，实施例方法将dbscan算法嵌入传统谱聚类中，实现了最优聚类数目的自动确定。实施例方法基于轨迹时空特征，采用狄利克雷过程混合模型，提取路网的关键流向和关键路径。