[发明专利]一种基于欧氏空间的车辆汇聚预测方法

权利要求书

1.一种基于欧氏空间的车辆汇聚预测方法，其特征在于，包括如下步骤：

(1)获取待预测区域内所有车辆的载客运行轨迹，并对各个载客运行轨迹进行预处理；

通过如下步骤对每一个载客运行轨迹进行预处理：

(1-1)确定该载客运行轨迹的时间跳跃点和空间跳跃点的位置，并根据时间跳跃点和空间跳跃点的位置对该载客运行轨迹进行轨迹分离；

(1-2)采用Douglas-Peucker算法对轨迹分离后的结果进行轨迹简化得到预处理后的载客运行轨迹；

(2)对所述步骤(1)的预处理结果进行线段聚类得到聚类结果，并根据所述的聚类结果进行运动模式挖掘；

基于欧式空间距离对所有预处理结果进行线段聚类，包括如下步骤：

(2-1)将各预处理结果划分为若干线段；

(2-2)针对当前预处理结果对应的任意一条线段，在其他预处理结果对应的线段中确定与其距离最近的线段：

若该两条线段之间的距离小于预设的线段距离阈值，则将该两条线段聚为同一类；

否则，以该线段单独作为一个类；

(2-3)针对任意两个类，计算二者之间的距离，若所述的距离小于预设的类距离阈值，则将二者合并为一类；

否则，不处理；

(2-4)返回执行步骤(2-3)直至类别数量不变时停止；

(2-5)统计每个类别中的线段数量，舍弃线段数量小于的预设的线段数量阈值的类；

进行运动模式挖掘过程如下：

(S1)针对任意两个类，计算任意两个类之间的距离，并根据距离以及当前两个类中线段的连接关系判断当前两个类之间的邻近关系；

(S2)根据所有类的邻近关系构建频繁模式树，所述频繁模式树中根节点用于保存与该根节点相连的子节点的列表，其子节点与线段聚类一一对应；所述频繁模式树中每一个非根节点包含cluster和support两个属性，cluster属性表示该节点对应的类，Support值表示从该节点到深度为1的节点的车辆运行轨迹的数量；

(3)根据当前时刻各个车辆的位置和运动模式挖掘结果，预测设定时间内到达设定位置的车辆。

2.如权利要求1所述的基于欧氏空间的车辆汇聚预测方法，其特征在于，所述步骤(1-1)中对载客运行轨迹进行轨迹分离如下：

(1-11)根据时间跳跃点的位置将对各个车辆的载客轨迹进行轨迹分类得到相应的单次运行轨迹作为轨迹分离结果；

(1-12)针对任意一个单次运行轨迹，根据空间跳跃点的位置对当前单次运行轨迹进行划分得到若干子运行轨迹作为轨迹分离结果。

3.如权利要求2所述的基于欧氏空间的车辆汇聚预测方法，其特征在于，所述步骤(1-12)中对载客运行轨迹进行轨迹分离得到子运行轨迹后还对所述的子运行轨迹进行速度判决：

若所述子运行轨迹中任意两个连续点之间的速度超过预设的速度阈值，则认为后面那个点为异常点，并舍弃该异常点，得到修正子运行轨迹作为轨迹分离结果。

4.如权利要求1所述的基于欧氏空间的车辆汇聚预测方法，其特征在于，所述步骤(1-2)采用基于高线的Douglas-Peucker算法对各轨迹分离结果进行轨迹简化。

5.如权利要求1所述的基于欧氏空间的车辆汇聚预测方法，其特征在于，所述步骤(S1)判断当前两个类之间的邻近关系的方法具体如下：

若当前两个类之间的距离小于预设的拼接距离阈值，则根据各个线段在其所来源的各预处理结果中位置判断其中可拼接的线段的对数，若可拼接的对数大于预设的对数阈值，则认为该两个类相邻，否则，不相邻。

6.如权利要求1所述的基于欧氏空间的车辆汇聚预测方法，其特征在于，任意两个类之间的距离通过如下方法计算：

确定各个类的代表线段，以每个类的代表线段之间的距离作为两个类之间的距离。

7.如权利要求1所述的基于欧氏空间的车辆汇聚预测方法，其特征在于，所述步骤(3)中针对任意一辆车辆进行如下操作：

(3-1)将当前时刻该车辆的位置归并到所述的频繁模式树上，并根据归并结果计算得到当前时刻该车辆在频繁运动轨迹中的投影位置和对应的时间戳；

(3-2)根据当前时刻该车辆的位置在频繁运动轨迹中的投影位置和时间戳计算该车辆经过预设时间后所处的位置作为预测位置；

(3-3)计算预测位置与设定位置之间的距离，若小于阈值且该投影位置在频繁模式树中对应的节点的Support值大于3，则认为该车辆经过设定时间能够到达设定位置，否则，认为该车辆经过设定时间不能到达设定位置。