基于轨迹聚类的道路交通趋势可视化方法研究

发布时间：2020-10-30 10:16

　　 随着经济的迅速发展,车辆的增加给交通的管理带来了巨大的挑战。智能交通系统(intelligent traffic systems,ITS)旨在将先进的信息技术、传感器技术、计算机技术等有效地综合运用在交通运输管理体系中,从而提高交通效率。分析通过GPS(全球定位系统,global positioning system)、WIFI等获取到的城市中移动车辆位置数据可以挖掘到复杂交通中潜在的有用信息,对于指导道路建设、车辆管理和交通管制具有重大意义,但直接对庞大的数据进行可视化会使得视觉混乱反而不利于获取重要信息。轨迹聚类先将轨迹数据依据时空属性的相似度进行分类,然后从类簇中获取轨迹中的行为模式。针对车辆轨迹数据的无序性和现行方法缺少对于轨迹整体趋势有较为精确地描述,本文首先总结分析了轨迹聚类相关方法和交通数据可视化技术,然后提出了一种基于多代表性轨迹的聚类方法,最后针对轨迹数据设计了一个可视化系统VTVS。本文的主要贡献如下:(1)针对轨迹聚类算法和交通数据可视化进行了总结与分析。详细介绍了轨迹聚类中常用的五类方法,并分析了算法中存在的优缺点。然后分别介绍了不同数据属性的可视化方法,借鉴主流可视化系统的可视编码和布局为设计轨迹数据可视化系统提供理论基础。(2)提出了一种基于多代表性轨迹的聚类方法。在传统基于密度的轨迹聚类算法基础上,采用改进的轨迹划分方法和轨迹段相似度量函数对轨迹数据进行分类,并对聚类结果使用所提出的基于扫描线的多代表性轨迹生成方法以获得轨迹模式的精确描述,实验结果表明所提出的方法具有较强的适用性与可行性。(3)设计了一个用于轨迹数据的可视化系统。首先,按照用户自定义筛选规则过滤轨迹。然后,通过自适应分层聚类方法生成热区。最后,采用多种视图和交互方案来层次性展示其中的高维属性。案例分析的结果表明该系统在指导城市公共交通设施的规划与建设中具有实用价值。
【学位单位】：合肥工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP311.13;U495
【部分图文】：

海量的轨迹数据被存储积累，如何将这些数据问题。直接展示已经不再适用，因为过于密集的点或者线会利于观察者理解和分析数据，如图 1.1 所示。常见的解决方法同现实世界中人民选代表一样，在这些海量轨迹中选取某些始存在的轨迹，或是合成轨迹），通过观察它们的分布与性个轨迹数据集的共性与特性，称之为模式，也即“趋势”。究人员提出了各种可视化方法，企图以最合理的方式去选择些方法大致可以分为两大类：轨迹聚类和轨迹序列模式挖掘有类似属性的轨迹分为群集的过程。一般的聚类方法是考似性，包括长度、距离、角度、形状、点数和顺序等。然后照某种加权方式得到两轨迹间的“相似值”，再根据这个值个阈值来决定两者是否属于同一类。最后针对分好的类簇。但如何更合理地衡量轨迹之间的相似性一直以来也是相轨迹序列模式挖掘则通常按照时间属性将轨迹数据转化为每条序列数据进行模式挖掘，去除噪音，从而得到有效信

第一章 绪论特定时间点的具体值。以这种方式，不仅可以展示多种变量的值变化，还可以变量所占比率等信息。河流图[25]是这类可视化方法的代表，在文献[26]中，它这种方法来显示道路交叉口的交通流量，如图 1.4 所示。时间线能够表示交通如何随时间的变化而变化并指示变化过程中的峰值或谷值。

堆积图
【参考文献】

相关期刊论文 前1条

1 Hong Zhou;Panpan Xu;Xiaoru Yuan;Huamin Qu;;Edge Bundling in Information Visualization[J];Tsinghua Science and Technology;2013年02期

本文编号：2862339