[发明专利]一种基于移动聚类的城市交通拥堵精细识别方法

说明书

本发明公开了一种基于移动聚类的城市交通拥堵精细识别方法，所述识别方法包括：步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；步骤3，计算所述时空簇的平均速度和成长时长，若计算得到的平均速度和成长时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域。本发明能够挖掘路网环境下交通拥堵的精细时空范围、拥堵规模和生存时间等特征，同时本发明基于低成本车辆轨迹大数据，能够有效识别交通拥堵从发生到结束的全生命周期过程。

技术领域

本发明涉及大数据挖掘及移动传感网络技术领域，尤其涉及一种基于移动聚类的城市交通拥堵精细识别方法。

背景技术

随着我国经济快速发展，城市车辆的保有量持续增长。城市道路无法在有限的城市土地空间中无限扩张，城市路网(尤其是交叉口路段)难以满足大量车辆在特殊时间段内的畅通行驶，使得城市交通拥堵问题愈加严重，进而阻碍了城市的可持续发展。因此，对城市交通拥堵进行全面和精准识别，对于实现交通高效疏导、行车路线动态规划以及路网结构优化等具有重要的指导意义。

传统方法通常借助安装在路网固定位置传感器(如感应线圈、监控摄像头)获取的交通流量信息检测交通拥堵，此类传感器大都安装位置首受限且安装成本高，难以实现城市路网全区域的交通状态信息获取。随着对地观测、传感器和移动互联网等技术的日渐成熟，大多数城市公共车辆(如公交车、出租车)已经可以通过安装的车载GPS定位设备实时获取车辆位置、速度等信息，随之记录的海量车辆轨迹大数据为挖掘人类出行模式和探索城市交通拥堵演化过程提供了一种新型数据源。

现有基于车辆轨迹数据的城市交通拥堵识别方法主要关注三种尺度，即区域尺度、道路尺度和转向尺度。其中，区域尺度驱动的方法首先进行空间区块(如规则格网、交通小区等)划分，通过估计区块内的交通流特征判断交通运行状态。道路尺度驱动的方法通过估算车辆通行时间判断道路交通拥堵状态，但在现实世界中，存在多种因素(如等待交通信号灯、路段限速或车辆靠边停车等)造成路段交通流速度缓慢，极易造成交通拥堵误判。转向尺度驱动的方法首先通过车辆运行的速度、曲率等特征筛选拥堵轨迹片段，进一步通过对拥堵轨迹片段进行空间聚类分析来识别转向级交通拥堵。然而，这类方法的识别精度严重依赖于拥堵轨迹片段的提取效果，并且无法揭示交通拥堵的动态演化过程。

综上所述，基于车辆轨迹大数据识别城市交通拥堵已经成为缓解和治理拥堵的重要技术手段之一，然而尚缺乏一种基于车辆移动轨迹大数据的动态交通拥堵精细识别方法。

发明内容

针对上述技术问题，具体到传统的道路数据监测技术，在基于车辆轨迹大数据识别城市交通拥堵的现有技术中存在如下技术问题有待解，一、区域尺度和道路尺度驱动的方法识别粒度粗糙，无法精确识别交通拥堵的时空范围。另外，道路尺度驱动的方法未顾及交通拥堵的时空特征，易与交通信号灯等待、路段限速或车辆靠边停车行为等虚假拥堵混淆；二、对于转向尺度，现有方法结果的拥堵识别精度严重依赖于拥堵轨迹片段的提取效果，同时未顾及车辆运行轨迹数据的时间属性，无法揭示交通拥堵的动态演化过程。

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种基于移动聚类的城市交通拥堵精细识别方法，该识别方法包括：

步骤1，对轨迹数据进行预处理，所述预处理包括对所述轨迹数据进行数据清洗与路网匹配，并将匹配后的轨迹数据投影到相应时间片中；

步骤2，提取每个时间片上具有显著高密度的空间簇，进一步度量相邻时间片的簇间相似性，提取候选拥堵时空簇；

步骤3，计算所述时空簇的平均速度和成长时长，若计算得到的平均速度和成长时长达到预设条件，则识别该时空簇为包含交通拥堵现象的时空区域。

更进一步地，所述步骤1进一步包括：