利用GPS轨迹二次聚类方法进行道路拥堵精细化识别

发布时间：2020-03-16 17:45

【摘要】：针对当前在精细识别道路拥堵时空范围方面研究的不足,提出一种利用GPS轨迹的二次聚类方法,通过快速识别大批量在时间、空间上差异较小且速度相近的轨迹段,反映出道路交通状态及时空变化趋势,并根据速度阈值确定拥堵状态及精细时空范围。首先将轨迹按采样间隔划分成若干条子轨迹,针对子轨迹段提出相似队列的概念,并设计了基于密度的空间聚类的相似队列提取方法,通过初次聚类合并相似子轨迹段,再利用改进的欧氏空间相似度度量函数计算相似队列间的时空距离,最后以相似队列为基本单元,基于模糊C均值聚类的方法进行二次聚类,根据聚类的结果进行交通流状态的识别和划分。以广州市主干路真实出租车GPS轨迹数据为例,对该方法进行验证。实验结果表明,该二次聚类方法能够较为精细地反映城市道路的拥堵时空范围,便于管理者精准疏散城市道路拥堵,相比直接聚类方法可以有效提升大批量轨迹数据的计算效率。
【图文】：

轨迹图,轨迹,路段

｛ＲＩＤ，［（ｄ１，ｄ２，ｔ１，ｔ２），．．．，（ｄｎ，ｄｎ＋１，ｔｎ，ｔｎ＋１）］｝，如图１所示，每个四元组表示一段子轨迹，ＲＩＤ为所在路段编号，ｄｎ、ｄｎ＋１分别表示第ｎ条子轨迹的起点和终点到路段起点的距离，ｔｎ、ｔｎ＋１为子轨迹起点和终点的采样时刻。当子轨迹跨路段时，需要在路段交叉处打断。该子轨迹划分方法可保证拥堵识别的最小时间与空间粒度，为下文进行路段拥堵时空范围精细化识别奠定基矗图１ＧＰＳ轨迹表达Ｆｉｇ．１ＲｅｐｒｅｓｅｎｔａｔｉｏｎｏｆＧＰＳＴｒａｊｅｃｔｏｒｙ２时空轨迹二次聚类方法２．１相似队列定义本文将形态相似且时空位置相近的若干子轨迹归并形成的轨迹簇定义为一个相似队列。时空位置相近指轨迹位于目标轨迹的Ｅ邻域内，Ｅ邻域的构建方法见§２．２．１；形态相似指速度差异小，速度差异阈值设为±１０ｋｍ／ｈ。图２展示了３个互相独立的相似队列Ｌ１、Ｌ２、Ｌ３，其中，纵坐标ｔ表示时间；横坐标ｄ为路段上任意一点距路段起点的偏移；相似队列Ｌ１即为方框表示的时空范围内一组大致平行的时空轨迹（虚线）。同样，时空范围内的实线表示的子轨迹不能被归并到Ｌ１中，因为该轨迹速度与Ｌ１中子轨迹差异较大。２．２基于ＤＢＳＣＡＮ的相似队列构建方法为了尽可能消除噪声数据，提高初次聚类的速率和准确性，引入ＤＢＳＣＡＮ密度聚类方法［１１］，并将经典ＤＢＳＣＡＮ算法中的Ｅ邻域扩展到时空维，重新定义算法中的直接密度可达、核心对象等。２．２．１Ｅ邻

轨迹图,队列,轨迹,时空

，需要在路段交叉处打断。该子轨迹划分方法可保证拥堵识别的最小时间与空间粒度，为下文进行路段拥堵时空范围精细化识别奠定基矗图１ＧＰＳ轨迹表达Ｆｉｇ．１ＲｅｐｒｅｓｅｎｔａｔｉｏｎｏｆＧＰＳＴｒａｊｅｃｔｏｒｙ２时空轨迹二次聚类方法２．１相似队列定义本文将形态相似且时空位置相近的若干子轨迹归并形成的轨迹簇定义为一个相似队列。时空位置相近指轨迹位于目标轨迹的Ｅ邻域内，Ｅ邻域的构建方法见§２．２．１；形态相似指速度差异小，速度差异阈值设为±１０ｋｍ／ｈ。图２展示了３个互相独立的相似队列Ｌ１、Ｌ２、Ｌ３，其中，纵坐标ｔ表示时间；横坐标ｄ为路段上任意一点距路段起点的偏移；相似队列Ｌ１即为方框表示的时空范围内一组大致平行的时空轨迹（虚线）。同样，时空范围内的实线表示的子轨迹不能被归并到Ｌ１中，因为该轨迹速度与Ｌ１中子轨迹差异较大。２．２基于ＤＢＳＣＡＮ的相似队列构建方法为了尽可能消除噪声数据，，提高初次聚类的速率和准确性，引入ＤＢＳＣＡＮ密度聚类方法［１１］，并将经典ＤＢＳＣＡＮ算法中的Ｅ邻域扩展到时空维，重新定义算法中的直接密度可达、核心对象等。２．２．１Ｅ邻域的时空拓展Ｅ邻域在时空维上的扩展如图３所示，纵坐标ｔ表示时间，横坐标ｄ为路段上任意一点距路段起点的偏移。以轨迹ｐ１为例，粗实线为其本身的时空域；细实线的覆盖范围即为ｐ１对应的Ｅ邻图２相似队列中的轨迹Ｆｉｇ．２ＴｒａｊｅｃｔｏｒｉｅｓｏｆＳｉｍｉｌａｒＱｕｅｕｅｓ域，其在空间维上的扩展长度为Ｄｅｘ（ｐ１），对应图中

【相似文献】