[发明专利]道路网络空间中车辆对象移动轨迹聚类的方法及系统

说明书

本发明提供的道路网络空间中车辆对象移动轨迹聚类的方法及系统，方法为：实时获取道路上各种车辆的定位数据，定位数据中包括经度数据、纬度数据和航向角数据；将经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；对投影坐标进行网络分格，得到多个分区，并对多个分区进行标记；将每个分区中的数据根据航向角数据散列到多个子分区中，计算得到最大邻域半径，并根据最大领域半径计算得到E领域；通过DBSCAN算法，在E领域中进行聚类，得到聚类结果。本发明，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

技术领域

本发明涉及大数据处理领域，尤其涉及道路网络空间中车辆对象移动轨迹聚类的方法及系统领域。

背景技术

有向密度聚类是一种从海量浮动车轨迹中挖掘交通路网信息的方法，基于浮动车轨迹数据挖掘交通地理信息(路网拓扑结构)，一般采用空间聚类的方式，聚类是将数据集按照一定的规则，划分成多个有意义的类簇，同一类簇里相似度高，不同类簇之间相似度低，常见聚类方法有层次聚类、划分聚类、网格聚类、密度方法等。

基于浮动车数据特点，在此采用密度方法聚类，密度聚类主要DBSCAN、OPTICS两种，其中OPTICS是基于DBSCAN的改进算法，可多次动态提取聚类结果。两种算法都可以很好的处理密度分布不均匀的数据，发现任意形状的类，并能很好的对异常数据进行过滤(降噪)。其中，DBSCAN需要设置两个参数(最大邻域半径ε、最小邻域样本数min_samples)和一个距离算法，聚类算法通常采用欧氏距离。浮动车轨迹数据包含很多丰富的信息，包括经纬度、速度、航向角、俯仰角、翻滚角等等。DBSCAN在空间地理数据处理中只使用了浮动车轨迹的经纬度，由于使用圆形半径搜索，其聚类效果与预期效果有一定距离。

因此，现有技术中的缺陷是：现有的基于浮动车轨迹数据的聚类算法，只考虑浮动车轨迹数据中的经纬度数据，导致聚类结果与预期效果差距大，不理想。

发明内容

针对上述技术问题，本发明提供一种道路网络空间中车辆对象移动轨迹聚类的方法及系统，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种道路网络空间中车辆对象移动轨迹聚类的方法，包括：

步骤S1，实时获取道路上各种车辆的定位数据，所述定位数据中包括经度数据、纬度数据和航向角数据；

步骤S2，将所述经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；

步骤S3，对所述投影坐标进行网络分格，得到多个分区，并对所述多个分区进行标记；

步骤S4，根据所述航向角数据，将所述分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据所述最大领域半径计算得到E领域；

步骤S5，通过DBSCAN算法，在所述E领域中进行聚类，得到聚类结果。

本发明提供的一种道路网络空间中车辆对象移动轨迹聚类的方法，其技术方案为：实时获取道路上各种车辆的定位数据，所述定位数据中包括经度数据、纬度数据和航向角数据；将所述经度数据、纬度数据和航向角数据转换成投影坐标，包括x轴坐标、y轴坐标和航向角；对所述投影坐标进行网络分格，得到多个分区，并对所述多个分区进行标记；根据所述航向角数据，将所述分区中的数据散列到多个子分区中，计算得到最大邻域半径，并根据所述最大领域半径计算得到E领域；通过DBSCAN算法，在所述E领域中进行聚类，得到聚类结果。

本发明提供的道路网络空间中车辆对象移动轨迹聚类的方法，基于海量车辆定位数据信息，通过对DBSCAN的改进，将航向角加入到算法中，可以大幅度的提高聚类效果。