基于车牌时空数据的城市热点交通线路挖掘

发布时间：2024-12-31 23:45

　　 交通摄像头在智能交通系统(ITS)中的作用日益重要,其主要功能为车牌识别。本文提出了一种从车牌时空数据中挖掘城市热点交通线路的方法。其中,车牌时空数据由部署在城市不同道路的交通摄像头不断进行车牌识别得到。实现该目标存在以下挑战:首先,一辆车的轨迹(由车牌时序数据代表)通常只占城市热点交通线路的一部分。其次,车牌识别存在高度的不确定性(如遗漏和错误),使得现有模式挖掘算法难以发现完整的城市热点交通线路。针对以上问题,本文提出了由2部分构成的方法。首先,该方法提出了一个基于子模式拼接的挖掘算法,从车牌时空数据中挖据出候选城市热点交通线路。然后,该方法基于一个聚类排序算法从候选城市热点交通线路中挑选出代表性城市热点交通线路。本文基于真实车牌时空数据对提出的方法进行了评测。

【文章页数】：11 页

【部分图文】：

图1 热点线路挖掘问题

由于单一车辆行驶的不确定性,现有基于轨迹模式挖掘算法的热点线路挖掘方法通常只能挖掘出很短的热点线路。如图1(a)所示,若要求每个行驶模式至少有4条轨迹支持,则现有轨迹模式挖掘算法只能挖掘出R1、R2和R3这3条较短的热点线路。针对此问题,弱化现有轨迹模式挖掘算法的限制,将热点线路....

图2 子模式拼接实例

下面给出一个实例对子模式拼接算法进行进一步说明。给定7个长度为3的子模式P1=<1,2,3>,P2=<2,3,4>,P3=<2,3,5>,P4=<3,4,6>,P5=<3,4,7>,P6=<8,1,2>和P7=<9,1,2>....

图3 一个候选热点线路权值计算的实例

算法2候选热点线路重要度权值计算算法输入:关联矩阵MRC,交通流量向量VT输出:所有候选热点线路的重要度权值1.初始化ΡC(0)=[1,1,?,1n]Τ,ΡR(0)=[1,1,?,1m]Τ2.while算法未收敛do3.PC(....

图4 交通摄像头的空间稀疏性

基于对该数据集的统计分析,发现交通摄像头存在较高的空间稀疏性和识别不确定性。如图4所示,当缩小地图后,可以发现有很多道路未部署交通摄像头。此外,该数据集中存在23365567条车牌识别记录是错误的(大概占总车牌识别记录数的12%)。再次,交通摄像头还有可能未检测到经过的车辆。....

本文编号：4021718