[发明专利]路网交通流关键流向和关键路径分析方法

说明书

本发明提供一种路网交通流关键流向和关键路径分析方法，基于卡口数据生成的车辆轨迹，采用谱聚类方法进行轨迹拆分，在此基础上提取出行轨迹的时空特征变量，通过主题模型实现出行轨迹的聚类，从而识别路网的关键流向与关键路径；本发明采用了对缺失信息具有较高“容忍”程度的主题模型对车辆轨迹进行分析，进而从车辆轨迹中提取路网交通流关键流向与关键路径，为路网需求侧特征分析提供重要支撑。

技术领域

本发明涉及一种路网交通流关键流向和关键路径分析方法。

背景技术

各种先进通信及计算机技术在道路网上的大规模应用，使得获得单个车辆在路网上的完整出行轨迹成为可能。由于车辆出行轨迹包含着丰富的出行信息，如出行时长、出行路径等，因而不仅在分析单个个体的出行特征方面具有较大的优势，对于研究路网整体出行行为特征方面，车辆出行轨迹也具有很高的实际价值与优势。

车辆识别和车辆定位均能够达到车辆轨迹跟踪的效果。基于视频卡口数据获得车辆轨迹就是车辆识别的典型应用。但不同于通过GPS设备所获得的实时车辆轨迹点，一方面，基于视频卡口数据所获取的车辆轨迹，其实质为设备实际的布置位置，即通过其所获得的是一种“稀疏”轨迹；另一方面，由于视频识别设备存在“漏检”等情况，因而会导致轨迹缺失的现象。

考虑到当前城市道路的智能检测条件，视频卡口过车检测数据的获取成本较低，能够普及应用。鉴于此现状，如何提供一种路网交通流关键流向和关键路径分析方法，针对卡口数据的车辆轨迹的特点，来实现路网交通流关键流向与关键路径的提取，是应当予以考虑并解决的问题。

发明内容

本发明的目的是提供一种路网交通流关键流向和关键路径分析方法解决现有技术中存在的一方面，基于视频卡口数据所获取的车辆轨迹，其实质为设备实际的布置位置，即通过其所获得的是一种“稀疏”轨迹；另一方面，由于视频识别设备存在“漏检”等情况，因而会导致轨迹缺失的现象的问题。

本发明的技术解决方案是：

一种路网交通流关键流向和关键路径分析方法，基于卡口数据生成的车辆轨迹，采用谱聚类方法进行轨迹拆分，在此基础上提取出行轨迹的时空特征变量，通过主题模型实现出行轨迹的聚类，从而识别路网的关键流向与关键路径，具体包括以下步骤，

S1、读取卡口设备检测的历史过车数据，根据过车数据中的号牌号码，对于每日路网内所有通行经过卡口位置的车辆，均生成该车辆当日的完整出行轨迹；

S2、基于谱聚类将原始出行轨迹拆分为若干子轨迹Tr＝{tr₁,…,tr_i,…,tr_m}；

S3、基于离散傅里叶变换DFT提取出行轨迹的时空特征变量序列；

S4、基于步骤S3得到历史时段内的出行轨迹时空特征变量序列，采用狄利克雷过程混合模型对出行轨迹进行聚类分析；

S5、基于步骤S4的聚类结果，将每个簇的聚类中心作为对应簇的核心出行轨迹；根据出行轨迹起点至终点的坐标计算二者连线角度，由此确定路网的交通流关键流向；采用K最短路算法处理核心出行轨迹中的轨迹点，确定K条关键路径。

进一步地，步骤S1中，生成该车辆当日的完整出行轨迹，具体为，按时序排列的过车点集合X＝{x₁,…,x_i,…,x_n}；其中x_i＝(p_i,t_i)，p_i为轨迹点坐标，根据卡口设备位置确定；t_i为通过该轨迹点时刻，由对应过车数据中的过车时间确定；n为该车当日的过车数据数量。

进一步地，步骤S1中，过车数据包括设备编号、过车时间、号牌号码。

进一步地，步骤S2具体为，