[发明专利]一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法

权利要求书

1.一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法，其特征在于，包括以下步骤：

步骤S1:对检测区域的所有轨迹两两进行相似度度量，生成相似度矩阵；

步骤S2:基于步骤S1产生的相似度矩阵，使用DBSCAN算法对所有轨迹进行聚类生成转向簇；

步骤S3:基于步骤S2生成的转向簇，提取各转向簇的中心线，获得代表各簇的转向路径；

步骤S4:基于步骤S3获得的道路交叉口转向路径，提取相关的路网凸包，并使用HMM模型，与原始路网进行地图匹配，检测发生拓扑变化的路网区域。

2.根据权利要求1所述的基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法，其特征在于，所述步骤S1具体包括：

Fréchet距离是目前测量两条曲线之间相似度的常用方法,因此，定义任意两条轨迹Tr_a和Tr_b的相似度为f(Tr_a,Tr_b)＝d_Fréchet(Tr_a,Tr_b)，生成弗雷歇相似度矩阵考虑道路网络中交叉口大小不一，聚类时不能用统一的相似距离阈值评测轨迹间的相似性；因此，设计自适应相似距离阈值代替统一阈值，表示为ζ＝弗雷歇距离矩阵的中位数/β，经多次观测实验确定β＝3.5时能获得较好的聚类效果；此外，鉴于使用Fréchet(弗雷歇)距离难以区分不同的转向类型，将轨迹位置和方向权值的比较引入相似性评测过程，分别计算各轨迹间的起点夹角和终点夹角：如果起点或终点的夹角大于15度，则方向权重为1，否则方向权重为0，产生方向权重矩阵与此同时，分别计算各轨迹间的起点距离和终点距离，如果起点或终点的位置距离大于20米，则位置权重为1，否则位置权重为0，产生位置权重矩阵

最终的相似度矩阵表示为TSM＝M_Fréchet+(W_direction+W_location)*ζ。

3.根据权利要求1所述的基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法，其特征在于，所述步骤S2包括：

DBSCAN聚类方法有两个重要参数min_sample与eps；设定min_sample＝3，表示至少有3条相似的轨迹聚成一类；设定eps＝ζ，表示当轨迹间的相似度距离小于相似度阈值ζ时两条轨迹相似，最终由轨迹相似度矩阵聚类获得不同的转向簇。

4.根据权利要求1所述的基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法，其特征在于，所述步骤S3具体包括：

为了加快中心线的拟合效率，首先在各簇中随机采样了k条轨迹作为候选参照轨迹，计算当前候选参照轨迹与其余候选参照轨迹的弗雷歇距离的和，并取与其他轨迹间弗雷歇距离和最小的轨迹作为正式的参照轨迹；随后使用force-attraction方法对该参照轨迹中的点进行调整获得中心线，最后用B-spline方法对中心线进行平滑，得到各簇的转向路径。

5.根据权利要求1所述的基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法，其特征在于，所述步骤S4具体包括：

步骤4.1)，由提取的转向路径覆盖范围获取对应道路交叉口的子路网凸包；

步骤4.2)，将转向路径进行分类，考虑允许掉头的交叉路口其转向路径通常位于平行道路的中间，在Map Matching时容易被误匹配到其领近的平行道路上，因此将路口的转向路径分为掉头与非掉头两类，其中，将转向路径起点和终点的方向差在130°以上的视为掉头路径；

步骤4.3)，利用原始路网与转向路径进行匹配，发现异常路段；首先对转向路径上的各个点设定搜索半径默认为25米，在该半径内的路网路段即为可能匹配的路段；根据HMM方法，将转向路径上的点作为观测变量，将相应的路网作为每个点的隐变量；然后，利用转向路径上的点与其搜索半径内的相关路网路段的欧式距离建立观测概率；同时，由路网路段上的前后两个点的距离与转向路径上的前后两个点的距离差计算得到状态转移概率，距离越接近，则状态转移概率越大；最后，使用Viterbi算法获得概率最大的路径，通过该路径判断转向中心线与路网的匹配程度。