[发明专利]基于卡口数据的车辆出行轨迹识别方法

摘要

本发明提供一种基于卡口数据的车辆出行轨迹识别方法，采用谱聚类方法，从卡口数据的时空特性角度实现出行链的自动拆分，从而识别出单次出行轨迹的起点、终点以及途经点位，具体为，生成车辆当日的完整出行链；建立相似矩阵S；计算邻接矩阵W与度矩阵D；构建拉普拉斯矩阵L，进一步确定特征矩阵F；采用DBSCASN聚类算法进行聚类分析，得到簇划分结果；确定轨迹点的簇划分结果，生成子轨迹；该方法兼顾车辆通行的时间与空间属性，与依据行程时间进行的轨迹划分方法相比更为全面。无需预设阈值，完全由实测数据驱动实现车辆通行轨迹识别，提高轨迹识别的准确性。该分析结果可用于车辆出行行为识别、出行特征分析、交通流OD估计等。

主权项

1.一种基于卡口数据的车辆出行轨迹识别方法，其特征在于：采用谱聚类方法，从卡口数据的时空特性角度实现出行链的自动拆分，从而识别出单次出行轨迹的起点、终点以及途经点位；具体步骤为：S1、读取卡口设备在一日内检测的过车数据，根据过车数据中的号牌号码，对于当日路网内所有通行经过卡口位置的车辆，均生成车辆当日的完整出行链；S2、采用高斯核函数RBF建立相似矩阵S，矩阵中的元素其中i,j∈[1,n]，p_i、p_j为轨迹点坐标，t_i、t_j为通过轨迹点坐标的时间，ρ_p、ρ_t为轨迹点坐标、通过轨迹点时刻的标准差；S3、计算邻接矩阵W与度矩阵D，邻接矩阵W＝S，即其中元素w_i,j＝s_i,j；度矩阵D为对角阵，D＝diag(d₁,…,d_i,…,d_n)，S4、构建拉普拉斯矩阵L，进一步确定特征矩阵F；S5、提取特征矩阵F的每一行组成1*k维样本矩阵f，对全部n个样本采用DBSCASN聚类算法进行聚类分析，得到簇划分结果{F1,…,Fi,…,Fm}；其中m为聚类产生的簇的数量，簇Fi由若干个样本矩阵组成；S6、根据每一个簇内的样本矩阵，确定轨迹点的簇划分结果Tr＝{tr1,…,tri,…,trm}，其中tri是由若干轨迹点x组成的序列，每一个序列即为出行链拆分后的子轨迹；子轨迹的首末轨迹点即为对应的单次出行的起、终点。