[发明专利]一种基于网格化和时空聚类的交通拥堵演化规律的识别方法

说明书

本发明公开了一种基于网格化和时空聚类的交通拥堵演化规律的识别方法，包括步骤：S1.从百度GPS上获取某城市某个时间段的机动车的出行GPS数据；S2.对获取到的数据进行预处理；S3.对预处理过的数据进行网格化；S4.基于距离矩阵选取ST‑DBSCAN算法的参数；S5.建立基于ST‑DBSCAN算法的时空聚类模型，通过该模型挖掘交通拥堵点。本发明能弥补传统方法在单一维数据进行处理的不足以及传统处理方法对于大规模数据的处理能力有限的缺陷，具有针对不同数据量进行动态区域划分的能力，在尽最大可能发挥当前设备计算能力的基础上保存更多的原始信息，处理效率高且合理。

技术领域

本发明涉及计算机、交通大数据的技术领域，尤其涉及到一种基于网格化和时空聚类的交通拥堵演化规律的识别方法。

背景技术

随着社会现代化进程地推进，人们的出行需求日益增长。车辆保有量的不断攀升，人们出行模式的多样化和出行规律的动态随机变化，给城市基础设施与城市所能提供的服务带来了巨大的挑战。人们日益增长的交通需求和落后的交通服务水平的矛盾导致了城市交通拥堵现象的频繁发生。交通拥堵问题的存在带来了许多负面的影响：其一，其导致了严重的经济损失；其二，交通拥堵使得交通事故的发生变得更加频繁；其三，交通拥堵问题也是环境污染的一大推手；其四，交通拥堵降低了人们的幸福度；此外，交通拥堵也与城市的魅力、管理水平、城市形象等息息相关。因此，对于交通拥堵问题进行研究是必要且迫切的。

目前在交通拥堵方面的研究主要集中在交通拥堵检测、传播和产生机制几个方面。其中，检测方面主要有直接检测和间接检测两类方法，主要是指对短时间内的交通拥堵进行检测；传播和产生机制方面，主要是基于复杂网络和交通流模型两方面进行研究；

在时空聚类方面的研究主要有基于交通流数据进行聚类研究而总结出来的回归处理方法；基于轨迹数据的时间层面来聚集交通情况的方法；基于速度为主的聚类算法CB-SMoT等。

但上述交通拥堵的处理方法存在以下的缺陷：

(1)采用的是传统的数据处理方法，不仅在处理效率，还是处理的数据量以及处理范围都非常有限；

(2)进行交通流数据处理时仅仅关注某一维度或者某一特征，使得处理结果相对单薄，不够具有说服力；

(3)原有的网格化方法对于数据的划分不够灵活，同时会导致过多的原始信息丢失。

发明内容

本发明的目的在于克服现有技术的不足，提供一种能弥补传统方法在单一维数据进行处理的不足以及传统处理方法对于大规模数据的处理能力有限的缺陷、具有针对不同数据量进行动态区域划分的能力、在尽最大可能发挥当前设备计算能力的基础上保存更多的原始信息、处理效率高且合理的基于网格化和时空聚类的交通拥堵演化规律的识别方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于网格化和时空聚类的交通拥堵演化规律的识别方法，包括以下步骤：

S1.从百度GPS上获取某城市某个时间段的机动车的出行GPS数据，其中包含日期、时间、当前车速、经纬度以及行驶方向；

S2.对步骤S1获取到的数据进行预处理；

S3.对预处理过的数据进行网格化；

S4.基于距离矩阵选取ST-DBSCAN算法的参数，参数包括有效的空间邻域半径Eps1、时间邻域半径Eps2以及最小密度阈值MinPts；

S5.建立基于ST-DBSCAN算法的时空聚类模型，通过该模型挖掘交通拥堵点。

进一步地，所述步骤S2具体包括：

S2-1.数据清洗；对空值数据以及车辆行驶方向与正北方向的夹角的角度大于360°的数据进行剔除；