CN105258704B - 基于快速路网建模的多尺度时空热点路径探测方法 - Google Patents
基于快速路网建模的多尺度时空热点路径探测方法 Download PDFInfo
- Publication number
- CN105258704B CN105258704B CN201410267971.2A CN201410267971A CN105258704B CN 105258704 B CN105258704 B CN 105258704B CN 201410267971 A CN201410267971 A CN 201410267971A CN 105258704 B CN105258704 B CN 105258704B
- Authority
- CN
- China
- Prior art keywords
- traf
- grid
- track
- road
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 230000006978 adaptation Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 42
- 230000000977 initiatory effect Effects 0.000 claims description 20
- 238000009966 trimming Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 101100001672 Emericella variicolor andG gene Proteins 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 241000209094 Oryza Species 0.000 description 8
- 235000007164 Oryza sativa Nutrition 0.000 description 8
- 235000009566 rice Nutrition 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于快速路网建模的多尺度时空热点路径探测方法，包括：利用大规模轨迹数据构造路网；基于所构造的路网对轨迹进行道路匹配：将轨迹点序列转化为覆盖在道路上的网格序列；进行热点路径探测。本发明给出了无路网拓扑支持下的多尺度热点路探测方法，实现了基于大规模轨迹数据的路网快速构建，以及路网中高流量路径的有效探测。本发明不需高精度路网拓扑的支持，且无需特殊类型的数据，可使用任意现有定位设备的定位数据，具有经济投入低廉、快速高效等优点。
Description
技术领域
本发明涉及路网中热点路径搜索的技术领域，是一种在无路网地图支持的条件下，利用大规模时空轨迹数据先快速构造路网再进行热点路径探测的方法。
背景技术
热点路径可以被定义为一段时期内被大量移动对象频繁经过的路段，它能反映人们在移动过程中对某地理区域的关注程度或依赖程度，也能一定程度地揭示人们的移动规律。热点路径探测可用于城市规划、交通管理、广告投放等领域的决策支持。
不同于专利文献1(专利公开号CN103323018A)中的热点路径概念，其中的热点路径是指从源点到目的点的所有路径中的最常使用路径，这是一种局部流行的路径。本发明中的热点路径是指整个路网中被移动对象频繁经过路径，一种全局流行的路径。
目前专门用于从轨迹中探测热点路径的方法并不多，在有路网地图支持的情况下，可以使用Li Xiaolei等提出FlowScan方法探测热点路径，此方法需要具有良好拓扑性的路网的支持，而且需要较准确的地图匹配算法，在地图匹配算法不精确、路网结构不完整或不存在可用路网的情况下就无法使用该方法了。在无路网支持的情况下，可使用基于网格划分的方法或基于轨迹聚类的方法。然而使用网格地对轨迹进行“硬划分”的容易导致属于同一道路上的轨迹被错分到多个不同网格中，最终导致“热点路径丢失”现象的出现。而且，网格尺寸设定的越小，此问题就会越严重。移动对象聚类或基于轨迹聚类的方法也可以一定程度地解决无路网支持下的热点路径探测问题。然而，移动对象聚类只能发现数量较少的一些短路径，因为它要求聚类中所有移动对象在某一时间间隔内都沿同样路线行驶，而真正的热点路径只关注的交通流量的大小，不需要所有移动对象在行驶过程中都始终保持聚类性，也不需要它们共同行驶一段足够长的路程。而轨迹聚类方法无法识别热点路径中的一些复杂耦合现象，如汇聚、***、或覆盖等。因为，热点路径的探测过程与轨迹聚类过程有所不同。轨迹聚类的聚类方向是向任意方向发散的，是无限制的；而热点路径探测探测方向只能沿着道路的方向，是受限的。因此，轨迹聚类结果的通常是群簇，是任意形状的；而热点路径探测的结果则是一条条路径，是"线状"的。
发明内容
针对现有技术中的上述问题，本发明提供一种基于快速路网建模的多尺度时空热点路径探测方法。
本发明为实现上述目的所采用的技术方案是：基于快速路网建模的多尺度时空热点路径探测方法，包括以下步骤：
1)利用大规模轨迹数据构造路网；
2)基于所构造的路网对轨迹进行道路匹配：将轨迹点序列转化为覆盖在道路上的网格序列；
3)进行热点路径探测。
所述步骤1)包括以下步骤：
将包含有大规模轨迹的二维空间区域划分为规则的网格，统计网格内的轨迹点数量；
将网格视为位图像素，以网格的轨迹点数量作为像素值，进而将区域构造为灰度图像；
对灰度图进行二值化处理；
使用数学形态学中的细化、膨胀、裁剪操作从二值图像中提取路网结构。
所述将包含有大规模轨迹的二维空间区域划分为规则的网格，具体为：按照经纬度方向将二维空间区域S分别划分为m、n等分，m>0，n>0，二维空间区域就S划分为了m×n个矩形网格单元，若将每个网格视为一个像素，则S可表示为位图Gbit＝{g1,g2,…,gm×n}，每个像素的灰度值Gray即为通过该网格的轨迹量，Gray(gi)≥0，i>0。
所述对灰度图进行二值化处理采用混合阈值策略，混合阈值公式为TH(g)＝t1×Avgglobal+t2×Avgγ×γ(g)，其中Avgglobal为全局非0像素的平均值，Avgγ×γ(g)为像素g的γ×γ邻域内的非0像素平均值，TH(g)为像素g的二值化阈值，t1为全局阈值的权重，t2为局部阈值的权重。
所述细化操作公式为：
即利用结构元素序列B1，B2，…，BN迭代对图像X进行处理，直至X不再变化为止，其中Bi由Bi-1旋转得到,i＝1,2,…,n，X为二值图像。
所述膨胀操作采用定向结构元素，即通过统计轨迹的方向来确定道路方向，然后沿着道路方向对覆盖在道路上的网格进行膨胀。
所述剪裁操作只对删除短线、孤立点所对应的像素。
所述步骤2)中的轨迹道路匹配过程为：
将轨迹点序列转化为覆盖在道路上的网格序列；
将时间域划分为小尺度时段，统计“道路网格”在各时段各方向上的轨迹量，即流量；
以Traf(g)表示途经网格单元g的轨迹集合，Trafstart(g)表示从g出发的轨迹集合，Traffinish(g)表示到g终止的轨迹集合，Trafpass(g)表示穿过g的轨迹集合，则Traf(g)＝Trafstart(g)+Traffinish(g)+Trafpass(g)，|Traf(g)|即为网格g的流量。
所述步骤3)包括以下步骤：
a)对轨迹进行道路匹配，将轨迹点序列转化为“道路网格”序列。将时间域划分为小尺度时段，统计“道路网格”在各时段各方向上的轨迹量，即流量；
b)根据网格流量定义“道路网格”间的流量可达条件、热点路径起始条件、以及路径流量可达条件；根据流量可达定义将路网结构转化为有向图的结构，根据热点路径起始区域定义将图转化为树的结构；
c)对每个时段的网格生成树，利用路径可达定义中的规则从树中探测小尺度时空热点路径；
d)将小尺度生成树合并为大尺度生成树，继续使用路径可达定义中的规则探测大尺度时空热点路径；
e)对每一尺度下的所有热点路径根据其热度和长度对其进行排序。
所述直接流量可达为：
若从网格g1到邻接网格g2的轨迹量达到一定阈值λ，则称g1直接流量可达g2；根据流量可达定义将路网结构转化为有向图的结构，G＝{V(G),E(G)}，顶点集合V(G)＝{v1,v2,…,vn}＝{g1,g2,…gn}，vi＝gi，n＞1，1≤i≤n，边集合E(G)＝{(vi,vj)||Traf(gi)∩Traf(gj)|≥λ,vi∈V,vj∈V}。其中G为有向图，vi为有向图中的顶点，n表示网格数量，|Traf(gi)∩Traf(gj)|表示从网格gi至gj的轨迹量。
所述热点路径起始区域为：
给定最小流量可达阈值λ，若某网格区域g满足以下三种条件之一，则称其为热点路径起始区域。
1)|Trafstart(g)-Traf(g')|≥λ，g″不能直接流量可达g；
2)|Trafpass(g)-Traf(g')|≥λ，g″不能直接流量可达g；
3)|Trafstart(g)+Trafpass(g)-Traf(g')|≥λ，|Trafstart(g)-Traf(g')|<λ，|Trafpass(g)-Traf(g')|<λ，且g″不能直接流量可达g。
其中，N(g)表示g的直接邻域，Traf(g)表示途经网格单元g的轨迹集合,Trafstart(g)表示从g出发的轨迹集合,Trafpass(g)表示穿过g的轨迹集合，则Traf(g)＝Trafstart(g)+Traffinish(g)+Trafpass(g)，|Traf(g)|为网格g的流量。
所述路径流量可达为：
对于一条网格单元链L＝(g1,g2,…,gn)，若满足以下条件，则称g1路径流量可达gn：
1)网格gi直接流量可达网格gi+1，1≤i<n；
2)对于L的每一子链Li＝(gi,gi+1,…,gi+ε),|Traf(gi)∩Traf(gi+1)∩…∩Traf(gi+ε)|≥λ,1≤ε<n,i≥1；
3)T必须连续地经过gi,gi+1,…,gi+ε；其中，Traf(g)表示途经网格单元g的轨迹集合，T表示为一条途径某些网格的轨迹，λ为网格间的最小流量可达阈值，ε为热点路径探测过程中的滑动窗宽。
本发明具有以下优点及有益效果：
1.本发明设计了一种基于数学形态学操作从大规模轨迹数据中快速提取路网结构的方法。此方法它不需要特殊类型的数据，也很少受数据质量的影响。当实际路网存在较多弯道、不规则道路等复杂路况，且道路纵横交错、疏密不均时，使用此方法能获得覆盖率较高的路网。相较于其它方法，此算法处理速度更快，适合大规模数据处理。
2.本发明提出了一种基于“道路网格”匹配的轨迹快速离散化方法。此方法可很大程度地解决简单网格划分方法所导致的“热点路径丢失”问题，且能探测出细粒度的热点路径。
3.本发明基于网格轨迹量的大小以及流量可达的概念，设计了一种以有向图表达路网结构的方法，从有向图中导出以热点路径起始区域为根节点的树后，可以利用深度优先搜索方法从中快速有效地探测不同尺度的时空热点路径。此方法可有效识别热点路径的复杂耦合现象，如汇聚、***、或覆盖等。
附图说明
图1是本发明的总体流程图；
图2是细化操作中的结构元素序列；
图3是膨胀操作中的结构元素序列；
图4是裁剪操作中的结构元素序列；
图5是轨迹到的路网匹配示意图；
图6是热点路径间的三种耦合关系图；
图7热点路径起始区域的三种情况的示意图；
图8是基于直接流量可达定义的路网生成图；
图9是利用路径流量可达定义探测热点路径的示意图。
具体实施方式
下面结合附图及实例对本发明做进一步的详细说明。
本发明涉及一种基于大规模时空轨迹数据的全局热点路径探测方法，包括：基于城市中移动对象的历史轨迹数据，使用形态学方法快速构建以网格表示的路网结构；对轨迹进行道路匹配，将轨迹点序列转化为“道路网格”序列；将时间域划分为小尺度时间段，统计“道路网格”在每个时段内轨迹量，即流量；根据网格流量定义“道路网格”间的流量可达条件、热点路径起始条件、以及路径流量可达条件，根据流量可达定义将路网结构转化为图的结构，根据热点路径起始区域定义将图转化为树的结构；将小尺度生成树合并为大尺度生成树，基于路径流量可达定义中的规则，使用深度优先搜索方法从树中探测出不同尺度的热点路径，其过程就是以公共轨迹量为相似性标准的道路网格聚类过程。本发明给出了无路网拓扑支持下的多尺度热点路探测方法，实现了基于大规模轨迹数据的路网快速构建，以及路网中高流量路径的有效探测。本发明不需高精度路网拓扑的支持，且无需特殊类型的数据，可使用任意现有定位设备的定位数据，具有经济投入低廉、快速高效等优点。
基于大规模时空轨迹快速构建路网结构，以解决路网支持的问题；使用道路匹配方法将轨迹转化为“道路网格”序列，以解决轨迹离散化问题；根据网格流量将路网结构转化为有向图和树的结构，并使用深度优先搜索策略探测热点路径，以解决热点路径的有效搜索和识别复杂耦合现象的问题；将小尺度时段内的轨迹所产生的路网生成树进行合并，生成大尺度时段的路网生成树，以解决多尺度时空热点路径探测的问题。
如图1所示，本发明包括以下步骤：
步骤1，将包含有大量轨迹的二维空间区域划分为规则网格，统计网格内的轨迹点数量；将网格视为位图像素，以网格的轨迹点数量作为像素值，进而将区域构造为灰度图像。所述的二维空间区域在范围上没有尺寸大小的限制，可为整个城市的区域范围，也可为某一行政区划的局部区域范围。
步骤2，使用混合阈值TH(g)＝t1×Avgglobal+t2×Avgγ×γ(g)对灰度图进行二值化，其中，ti∈[0,1]，t1+t2＝1，γ＝2n+1，n∈N，Avgglobal为全局非0像素的平均值，Avgγ×γ(g)为像素g的γ×γ邻域内的非0像素平均值。二值化的目的是删除“非道路网格”，保留“道路网格”，而混合阈值策略可以最大程度地保留“道路网格”。
步骤3，使用数学形态学中对二值图像进行处理：使用细化操作将二值图像转化为单像素相连的骨架结构，即获取道路中心线；使用定向膨胀操作填补道路的空洞和间隙，膨胀所用的结构元素需根据道路方向来确定；使用裁剪操作删除短线和孤立点，即可获得最终的路网结构。
所述的细化操作公式为：即利用结构元素序列B1，B2，…，BN迭代对图像X进行处理，直至X不再变化为止，其中Bi由Bi-1旋转得到,i＝1,2,…,n。
所述的定向性结构元素要与道路形状一致，可通过统计每个网格内的车辆行驶方向来确定相应像素的结构元素。比如，对于一个位于东西向双行道上的像素，它的结构元素就应该是水平的1×3或1×5结构。
所述的裁剪操作是细化操作的一种变体，可以通过细化操作来定义，不同之处在于，对图像连续裁剪不能达到一种稳定状态，它有可能将消去整个图像。
步骤4，对轨迹进行道路匹配，将轨迹点序列转化为“道路网格”序列。将时间域划分为小尺度时段，统计“道路网格”在各时段各方向上的轨迹量，即流量。以Traf(g)表示途经网格单元g的轨迹集合,Trafstart(g)表示从g出发的轨迹集合,Traffinish(g)表示到g终止的轨迹集合,Trafpass(g)表示穿过g的轨迹集合，则Traf(g)＝Trafstart(g)+Traffinish(g)+Trafpass(g)，|Traf(g)|即为网格g的流量。
步骤5，定义直接流量可达：若从网格g1到邻接网格g2的轨迹量达到一定阈值λ，则称g1直接流量可达g2。根据流量可达定义将路网结构转化为有向图的结构，G＝{V(G),E(G)}，顶点集合V(G)＝{v1,v2,…,vn}＝{g1,g2,…gn}，vi＝gi，n＞1，1≤i≤n，边集合E(G)＝{(vi,vj)||Traf(gi)∩Traf(gj)|≥λ,vi∈V,vj∈V}。
定义热点路径起始区域：给定最小流量可达阈值λ，若某网格区域g满足以下三种条件之一，则称其为热点路径起始区域。
4)|Trafstart(g)-Traf(g')|≥λ，g″不能直接流量可达g；
5)|Trafpass(g)-Traf(g')|≥λ，g″不能直接流量可达g；
6)|Trafstart(g)+Trafpass(g)-Traf(g')|≥λ，|Trafstart(g)-Traf(g')|<λ，|Trafpass(g)-Traf(g')|<λ，且g″不能直接流量可达g。其中，N(g)表示g的直接邻域。
根据热点路径起始区域定义将图转化为树的结构。
步骤6，定义路径流量可达：路径流量可达：对于一条网格单元链L＝(g1,g2,…,gn)，若满足以下条件，则称g1路径流量可达gn：
4)gi直接流量可达gi+1，1≤i<n；
5)对于L的每一子链Li＝(gi,gi+1,…,gi+ε),|Traf(gi)∩Traf(gi+1)∩…∩Traf(gi+ε)|≥λ,1≤ε<n,i≥1；
6)T必须连续地经过gi,gi+1,…,gi+ε；
对每个小尺度时段的网格生成树，利用深度优先搜索策略，探测出所有满足路径流量可达定义的路径，即为小尺度时空热点路径；每条路径的探测过程也就是以公共轨迹量为相似性标准的网格聚类过程，只不过所得的类簇形状是“线性”的，而不是普通意义上的“球形”或任意形状。
步骤7，将小尺度生成树合并为大尺度生成树，继续使用路径可达定义中的规则探测大尺度时空热点路径。
本发明的实施过程主要由三个步骤来完成。第一步，利用大规模轨迹数据快速构造路网；第二步，对轨迹进行道路匹配；第三步，进行热点路径探测。以下逐个介绍每个步骤的实施过程。
第一步：路网构造过程，它又可分为构造位图、二值化、形态学处理等步骤。
1)构造位图
按照经纬度方向将区域S分别划分为m、n等分(m>0，n>0)，区域就S划分为了m×n个矩形网格单元，若将每个网格视为一个像素，则S可表示为位图Gbit＝{g1,g2,…,gm×n}，每个像素的灰度值Gray即为通过该网格的轨迹量，Gray(gi)≥0，i>0。方便起见，我们将覆盖在道路上的网格称为“道路网格”，不覆盖道路的网格称为“非道路网格”，与它们相对应的像素分别称为“道路像素”和“非道路像素”。
m、n的大小应根据地理范围的大小、以及道路宽度来设定，通常一个网格的长和宽应小于大多数道路的宽度，这样才能保证一个网格不会覆盖多条道路且包含于道路之中(能代表道路的脊线)。另外，网格长宽应保证尽可能相等，这样有利于图像处理过程。根据常识，网格宽度在10m～50m之间是合理的。
2)位图二值化
二值化过程是使用阈值对灰度图进行过滤，将其转化为二值图像。其目的是删除“非道路网格”，保留“道路网格”。
二值化的关键问题是如何选择阈值。最简单的办法是人为选定一个全局阈值，但全局阈值的通用性很差，当阈值较大时会导致只包含少量轨迹的“道路网格”被误删，致使最后的路网只能包含高流量的道路；而当阈值较小时会导致包含有较多轨迹的“非道路网格”被误留，甚至将多条不同路段“粘”到一起。避免此问题的一种有效策略是使用局部阈值，即根据局部区域信息确定可适应的阈值。然而局部阈值也可能会出现问题，当某一区域内不包含道路却有少量轨迹时，使用局部阈值就也可能将“非道路网格”被错误地保留。
由于“道路像素”的灰度值通常大于“非道路像素”的灰度值，那么使用局部非0像素的平均值就能过滤掉“非道路像素”。同样，使用全局非0像素的平均值就能过滤掉被局部均值保留下来的伪“道路像素”。鉴于此，本发明采用一种同时使用全局均值和局部均值的混合阈值策略。设Avgglobal为全局非0像素的平均值，Avgγ×γ(g)为像素g的γ×γ邻域内的非0像素平均值，那么像素g的过滤阈值可以定义为：TH(g)＝t1×Avgglobal+t2×Avgγ×γ(g)。全局均值权重t1通常不应大于局部均值权重t2，不然，过滤像素时将过多地受全局均值的影响，从而导致“道路网格”的误删。
3)形态学处理
经过二值化处理后，图像将只包含邻近道路的网格，即结果图像将能显示出路网的轮廓。然而，二值化操作也将不可避免地导致结果图像中出现“空洞”、“裂缝”、“肿块”等现象。“空洞”、“裂缝”会使原本相连的道路产生断裂，而“肿块”将会使原本相距甚远的道路变得相邻，甚至将它们“粘”到一起。为了填补道路间隙、平滑边缘，可以使用数学形态学中的膨胀操作；而要消除“肿块”，这就可以使用细化。
本发明中使用细化操作来消除图像“肿块”、取图像骨架，细化操作中的结构元素序列如图2所示。
经过细化处理后，二值图像成为了路网的骨架结构。然而，依然存在许多断裂需要进一步处理。这里我们使用膨胀操作填补道路间隙。通常，膨胀操作的结构元素都选用3×3或5×5的对称结构，然而这里却不能对全部像素都使用一种固定的结构元素。因为，每条道路要么是单向要么是双向，那么对“道路像素”作膨胀处理时就只能朝着道路的一个或两个方向进行。比如，对于一个位于东西向双行道上的像素p，它的结构元素就应该是水平的1×3或1×5结构；同样，对于南北双行道路上的像素而言，其结构元素就可以是垂直的3×1或5×1结构。从这个意义上说，每个道路像素都应该有属于自己的结构元素。通过统计每个网格内的车辆行驶方向就可以方便地确定相应像素的结构元素，几种定向性结构元素如图3所示。
细化算法所求得的骨架会产生一些毛刺噪声，经过膨胀处理之后噪声会更加严重，所以需要通过裁剪去掉这些无用的部分。裁剪操作是细化操作的一种变体，可以通过细化操作来定义，不同之处在于，对图像连续裁剪不能达到一种稳定状态，它有可能将消去整个图像。裁剪操作使用图4所示的8个结构元素，其中B1～B4为4个强修剪器，B5～B8为4个弱修剪器。
经过上面的形态学处理之后，二值图像就可以视为一幅路网地图。
第二步：道路匹配，基于所探测的路网即可将轨迹匹配到道路上，以“道路网格”序列作为轨迹的离散化表示。
由于我们的路网结构简单，不存在车道、环岛、立交桥等复杂道路结构，所以只需使用简单的匹配方法即可，即通过距离计算将轨迹匹配到一定邻域γ内距离最近的“道路网格”中。对于每一轨迹点p，若其所在的网格gi是路网的一部分，则p直接匹配到gi中；若gi不包含在路网中，则在gi的γ-邻域内的网格中寻找距离p最近的“道路网格”gj，将p匹配到gj中；若γ-邻域内不存在“道路网格”，则将p视为噪声点。
γ的大小应根据网格大小而定。比如，当网格宽度较大如50m时，进行匹配时可只搜索其3×3的邻域，因为当轨迹点距离“道路网格”超过100m时就不应认为该点位于道路之上。同样，当网格宽度较小如10m时，则可以搜索其5×5的邻域。通过设置适当的γ值就能保证绝大部分定位点得到正确匹配。对每个轨迹点进行匹配之后，任一轨迹Ti＝{p1,p2,…,pm}，m>1即可表示为网格序列 j≥1，n＞1。
如图5所示，将轨迹T1匹配到路网Groad之后，T1就可以表示为Ti＝{g1,g2,…,g5}。
第三步：进行热点路径探测，在介绍具体过程之前先对几个相关概念进行说明。
首先对热点路径所具有的三种耦合关系进行说明，如图6所示：
1)***：如图6(a)，大量轨迹从A到B处，至B处后分流到C和D处，此时应将路线AB、AC识别为热点路径，而不应将它们分割为AB、BC、BD三个较短的热点路径，这样不合理的分割会使热点路径失去原有的整体性。
2)汇聚：如图6(b)，与***的情况类似，这时也不应将CA、DA分割为CB、DB、BA。
3)重叠：如图6(c)，路线AC、BD都是完整的热点路径，二者的一部分路径BC是重叠的。此时也不应将BC单独识别为热点路径。
其次，对热点路径起始区域的概念进行说明，如图7所示。在以下三种情况下一个网格可能会成为热点路径的开始,此时设最小流量可达阈值λ＝4：
1)如图7(a)，当从g的每个邻接区域进入g的轨迹量都达不到阈值，而从区域g出发的轨迹数量达到一定阈值时，g可能成为热点路径起始区域。
2)如图7(b)，当g的每个邻接区域进入g的轨迹量都达不到阈值，但从所有邻接区域汇集到区域g的轨迹综合能达到阈值时，g也可能成为热点路径的开始。
3)如图7(c)，当前两种情况都不满足，而进入g的轨迹量与从g出发的轨迹量之和达到阈值时，则g也可能成为热点路径的开始。
热点路径探测可具体分为构造路网生成图、探测热点路径起始区域、提取以热点路径起始区域为根节点的生成树、合并小尺度时空数据的生成树为大尺度时空数据生成树、根据路径流量可达规则进行聚类搜索以探测不同尺度的时空热点路径等步骤。
统计网格的轨迹量，根据直接流量可达定义可将路网转化为有向图的形式。如图8所示，若将最小流量可达阈值设置为2，那么图8(a)的路网生成图可由图8(b)的形式来表示。
使用热点路径起始区域定义中的规则依次判断所有网格单元就能找到所有热点路径起始区域，然后利用路径流量可达定义中的规则从每个起始区域开始聚类搜索，判断滑动窗口内的网格区域是否直接密度可达，若是，则加入聚类；若不是，则停止迭代，完成聚类。这样每个“线形”聚类便代表一条热点路径。如图9所示为运用路径流量可达定义判定热点路径的示意图，设此时流量可达阈值λ＝3，ε＝2，那么判定|Traf(g1)∩Traf(g2)∩Traf(g3)|＝3＝λ，|Traf(g3)∩Traf(g4)∩Traf(g5)|＝3＝λ，|Traf(g5)∩Traf(g6)∩Traf(g7)|＝1<λ，于是热点路径L＝(g1,g2,…,g5)。
接下来要解决在众多的网格如何完成有效的聚类搜索问题。不失一般性，假设每个热点路径起始区域都有多个流量可达的邻接区域，且其每个邻接区域同时有多个流量可达的二级邻接区域，那么从热点路径起始区域开始的搜索空间可以构造成以起始区域为根节点的4叉树(路网中每个道路网格最多有4个邻接单元)，这样网格生成图就简化为多个4叉树。显然，使用深度优先搜索算法对树的每个分支逐个搜索就能找到所有以根节点起始的热点路径。在搜索某个分支时每向下递进一级，就使用路径流量可达定义判断滑动窗口内的网格是否满足条件，若满足则将当前节点对应的网格区域加入热点路径中，若不满足则终止当前分支的搜索，完成一条热点路径，然后开始搜索下一个分支，直至所有分支搜索完毕。
Claims (9)
1.基于快速路网建模的多尺度时空热点路径探测方法，其特征在于，包括以下步骤：
1)利用大规模轨迹数据构造路网；所述步骤1)包括以下步骤：
将包含有大规模轨迹的二维空间区域划分为规则的网格，统计网格内的轨迹点数量；
将网格视为位图像素，以网格的轨迹点数量作为像素值，进而将区域构造为灰度图像；
对灰度图进行二值化处理；
使用数学形态学中的细化、膨胀、裁剪操作从二值图像中提取路网结构；
2)基于所构造的路网对轨迹进行道路匹配：将轨迹点序列转化为覆盖在道路上的网格序列；
3)进行热点路径探测。
2.根据权利要求1所述的基于快速路网建模的多尺度时空热点路径探测方法，其特征在于：所述将包含有大规模轨迹的二维空间区域划分为规则的网格，具体为：按照经纬度方向将二维空间区域S分别划分为m、n等分，m>0，n>0，二维空间区域就S划分为了k＝m×n个矩形网格单元，若将每个网格g视为一个像素，则S可表示为位图Gbit＝{g1,g2,…,gk}，每个像素的灰度值Gray即为通过该网格的轨迹量，Gray(gi)≥0，i>0。
3.根据权利要求1所述的基于快速路网建模的多尺度时空热点路径探测方法，其特征在于：所述对灰度图进行二值化处理采用混合阈值策略，混合阈值公式为TH(g)＝t1×Avgglobal+t2×Avgγ×γ(g)，其中Avgglobal为全局非0像素的平均值，Avgγ×γ(g)为像素g的γ×γ邻域内的非0像素平均值，TH(g)为像素g的二值化阈值，t1为全局阈值的权重，t2为局部阈值的权重。
4.根据权利要求1所述的基于快速路网建模的多尺度时空热点路径探测方法，其特征在于：所述细化操作公式为：
<mrow>
<msup>
<mi>X</mi>
<mn>1</mn>
</msup>
<mo>=</mo>
<mi>X</mi>
<mo>&CircleTimes;</mo>
<msup>
<mi>B</mi>
<mn>1</mn>
</msup>
<mo>,</mo>
<msup>
<mi>X</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<msup>
<mi>X</mi>
<mn>1</mn>
</msup>
<mo>&CircleTimes;</mo>
<msup>
<mi>B</mi>
<mn>2</mn>
</msup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msup>
<mi>X</mi>
<mi>n</mi>
</msup>
<mo>=</mo>
<msup>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&CircleTimes;</mo>
<msup>
<mi>B</mi>
<mi>n</mi>
</msup>
<mo>,</mo>
</mrow>
即利用结构元素序列B1，B2，…，BN迭代对图像X进行处理，直至X不再变化为止，其中Bi由Bi-1旋转得到,i＝1,2,…,n，X为二值图像，Xi为对X进行第i次细化操作后二值图像。
5.根据权利要求1所述的基于快速路网建模的多尺度时空热点路径探测方法，其特征在于：所述膨胀操作采用定向结构元素，即通过统计轨迹的方向来确定道路方向，然后沿着道路方向对覆盖在道路上的网格进行膨胀。
6.根据权利要求1所述的基于快速路网建模的多尺度时空热点路径探测方法，其特征在于：所述剪裁操作只对删除短线、孤立点所对应的像素。
7.根据权利要求1所述的基于快速路网建模的多尺度时空热点路径探测方法，其特征在于：所述步骤2)中的对轨迹进行道路匹配过程为：
将轨迹点序列转化为覆盖在道路上的网格序列；
将时间域划分为小尺度时段，统计“道路网格”在各时段各方向上的轨迹量，即流量；
以Traf(g)表示途经网格单元g的轨迹集合，Trafstart(g)表示从g出发的轨迹集合，Traffinish(g)表示到g终止的轨迹集合，Trafpass(g)表示穿过g的轨迹集合，则Traf(g)＝Trafstart(g)+Traffinish(g)+Trafpass(g)，|Traf(g)|即为网格g的流量。
8.根据权利要求1所述的基于快速路网建模的多尺度时空热点路径探测方法，其特征在于：所述步骤3)包括以下步骤：
a)对轨迹进行道路匹配，将轨迹点序列转化为“道路网格”序列；将时间域划分为小尺度时段，统计“道路网格”在各时段各方向上的轨迹量，即流量；
b)根据网格流量定义“道路网格”间的流量可达条件、热点路径起始条件、以及路径流量可达条件；根据直接流量可达定义将路网结构转化为有向图的结构，根据热点路径起始区域定义将图转化为树的结构；
所述直接流量可达定义为：若从网格g1到邻接网格g2的轨迹量达到一定阈值λ，则称g1直接流量可达g2；根据直接流量可达定义将路网结构转化为有向图的结构，G＝{V(G),E(G)}，顶点集合V(G)＝{v1,v2,…,vn}＝{g1,g2,…gn}，vi＝gi，n＞1，1≤i≤n，边集合E(G)＝{(vi,vj)||Traf(gi)∩Traf(gj)|≥λ,vi∈V,vj∈V}；
其中G为有向图，vi为有向图中的顶点，n表示网格数量，|Traf(gi)∩Traf(gj)|表示从网格gi至gj的轨迹量；
所述热点路径起始区域定义为：给定最小流量可达阈值λ，若某网格区域g满足以下三种条件之一，则称其为热点路径起始区域；
1)|Trafstart(g)-Traf(g')|≥λ，不能直接流量可达g；
2)|Trafpass(g)-Traf(g')|≥λ，不能直接流量可达g；
3)|Trafstart(g)+Trafpass(g)-Traf(g')|≥λ，|Trafstart(g)-Traf(g')|<λ，|Trafpass(g)-Traf(g')|<λ，且g”不能直接流量可达g；
其中，N(g)表示g的直接邻域，Traf(g)表示途经网格单元g的轨迹集合,Trafstart(g)表示从g出发的轨迹集合,Trafpass(g)表示穿过g的轨迹集合，则Traf(g)＝Trafstart(g)+Traffinish(g)+Trafpass(g)，|Traf(g)|为网格g的流量，g'、g”表示网格区域，Traf(g')表示途径网格单元g'的轨迹集合；
c)对每个时段的网格生成树，利用路径可达定义中的规则从树中探测小尺度时空热点路径；
d)将小尺度生成树合并为大尺度生成树，继续使用路径可达定义中的规则探测大尺度时空热点路径；
e)对每一尺度下的所有热点路径根据其热度和长度对其进行排序。
9.根据权利要求8所述的基于快速路网建模的多尺度时空热点路径探测方法，其特征在于：所述路径流量可达为：
对于一条网格单元链L＝(g1,g2,…,gn)，若满足以下条件，则称g1路径流量可达gn：
1)网格gi直接流量可达网格gi+1，1≤i<n；
2)对于L的每一子链Li＝(gi,gi+1,…,gi+ε),|Traf(gi)∩Traf(gi+1)∩…∩Traf(gi+ε)|≥λ,1≤ε<n,i≥1；
3)T必须连续地经过gi,gi+1,…,gi+ε；其中，Traf(g)表示途经网格单元g的轨迹集合，T表示为一条途径某些网格的轨迹，λ为网格间的最小流量可达阈值，ε为热点路径探测过程中的滑动窗宽。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410267971.2A CN105258704B (zh) | 2014-06-16 | 2014-06-16 | 基于快速路网建模的多尺度时空热点路径探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410267971.2A CN105258704B (zh) | 2014-06-16 | 2014-06-16 | 基于快速路网建模的多尺度时空热点路径探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105258704A CN105258704A (zh) | 2016-01-20 |
| CN105258704B true CN105258704B (zh) | 2017-12-05 |
Family
ID=55098488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410267971.2A Expired - Fee Related CN105258704B (zh) | 2014-06-16 | 2014-06-16 | 基于快速路网建模的多尺度时空热点路径探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105258704B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611499A (zh) * | 2015-10-21 | 2017-05-03 | 北京计算机技术及应用研究所 | 一种检测机动车热点路径的方法 |
| CN106210094B (zh) * | 2016-07-19 | 2019-08-13 | 腾讯科技（深圳）有限公司 | 周边热点路况展示方法、第一客户端、服务端及*** |
| CN106991558B (zh) * | 2017-04-13 | 2019-03-22 | 广东南方海岸科技服务有限公司 | 一种港口口岸间主航道的自动生成方法及*** |
| CN107247761B (zh) * | 2017-06-01 | 2021-10-15 | 武汉理工大学 | 基于位图的轨迹编码方法 |
| WO2019084898A1 (en) * | 2017-11-03 | 2019-05-09 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for new road determination |
| CN108444487B (zh) * | 2018-01-30 | 2021-03-02 | 北京星选科技有限公司 | 导航数据处理方法、导航方法及相关装置 |
| CN108332768B (zh) * | 2018-02-10 | 2021-03-23 | 湖南城市学院 | 一种针对无路网信息区域的路径搜索方法 |
| CN109063727B (zh) * | 2018-06-19 | 2021-02-05 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
| CN109459047B (zh) * | 2018-12-24 | 2022-10-18 | 武汉大学 | 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法 |
| CN111380526B (zh) * | 2018-12-27 | 2022-04-05 | 北京航迹科技有限公司 | 一种路径确定的***和方法 |
| CN109815418B (zh) * | 2019-01-15 | 2020-11-06 | 首都师范大学 | 基于时空约束的城市车辆可达区域计算方法 |
| CN110222131A (zh) * | 2019-05-21 | 2019-09-10 | 北京交通大学 | 起讫信息提取方法及装置 |
| CN110160539A (zh) * | 2019-05-28 | 2019-08-23 | 北京百度网讯科技有限公司 | 地图匹配方法、装置、计算设备和介质 |
| CN110428386B (zh) * | 2019-06-25 | 2021-01-19 | 口口相传(北京)网络技术有限公司 | 地图网格合并方法、装置、存储介质、电子装置 |
| CN110334861B (zh) * | 2019-06-27 | 2021-08-27 | 四川大学 | 一种基于轨迹数据的城市区域划分方法 |
| CN110909037B (zh) * | 2019-10-09 | 2024-02-13 | 中国人民解放军战略支援部队信息工程大学 | 一种频繁轨迹模式的挖掘方法及装置 |
| CN110825250B (zh) * | 2019-11-14 | 2024-02-23 | 珠海金山数字网络科技有限公司 | 一种笔刷轨迹的优化方法及装置 |
| CN112629533B (zh) * | 2020-11-11 | 2023-07-25 | 南京大学 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
| CN112506972B (zh) * | 2020-12-15 | 2023-06-13 | 中国联合网络通信集团有限公司 | 用户常驻区域定位方法、装置、电子设备以及存储介质 |
| CN113108806B (zh) * | 2021-05-13 | 2024-01-19 | 重庆紫光华山智安科技有限公司 | 路径规划方法、装置、设备及介质 |
| CN115167411A (zh) * | 2022-07-01 | 2022-10-11 | 安徽机电职业技术学院 | 一种移动机器人的局部路径优化方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103323018A (zh) * | 2013-06-21 | 2013-09-25 | 广州市香港科大***研究院 | 基于时段的热点路径的特征识别与快速搜索方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020128773A1 (en) * | 2001-03-09 | 2002-09-12 | Chowanic Andrea Bowes | Multiple navigation routes based on user preferences and real time parameters |
-
2014
- 2014-06-16 CN CN201410267971.2A patent/CN105258704B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103323018A (zh) * | 2013-06-21 | 2013-09-25 | 广州市香港科大***研究院 | 基于时段的热点路径的特征识别与快速搜索方法 |
Non-Patent Citations (3)
| Title |
|---|
| A Grid-based Clustering Algorithm for Network Anomaly Detection;Xiaotao Wei et al.;《First International Symposium on Data,Privacy and E-Commerce》;20071231;第104-106页 * |
| Constructing popular routes from uncertain trajectories;Ling-Yin Wei et al.;《Proceeding of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York,USA:ACM》;20120816;第2-3节及图4、图6 * |
| 基于轨迹聚类的热点路径分析方法;夏英等;《重庆邮电大学学报（自然科学版）》;20111031;第23卷(第5期);第602-606页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105258704A (zh) | 2016-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105258704B (zh) | 基于快速路网建模的多尺度时空热点路径探测方法 | |
| CN102097004B (zh) | 一种基于手机定位数据的出行od矩阵获取方法 | |
| CN107301254A (zh) | 一种路网热点区域挖掘方法 | |
| CN104050817B (zh) | 限速信息库生成、限速信息检测的方法和*** | |
| CN109949574B (zh) | 一种数据驱动的城市路网交通小区多级划分方法 | |
| CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
| CN104573116B (zh) | 基于出租车gps数据挖掘的交通异常识别方法 | |
| CN108171993B (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
| CN106197458A (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
| CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现***及方法 | |
| WO2017107800A1 (zh) | 获取交通道路中路线热度的方法及装置 | |
| KR20200040501A (ko) | 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 | |
| CN103996089A (zh) | 基于gis的输电线路最优路径生成方法 | |
| CN110796337B (zh) | 一种评价城市公交站点服务可达性的*** | |
| CN107195180A (zh) | 一种基于电警数据的交通出行轨迹提取方法和装置 | |
| CN102521973A (zh) | 一种手机切换定位的道路匹配方法 | |
| CN103198104A (zh) | 一种基于城市智能公交***的公交站点od获取方法 | |
| CN106339716A (zh) | 一种基于加权欧氏距离的移动轨迹相似度匹配方法 | |
| CN105303831A (zh) | 一种基于通信数据判断高速路拥堵情况的方法 | |
| CN105466435A (zh) | 一种导航***的路线规划方法和装置 | |
| CN102956105B (zh) | 一种浮动车样本点数据插值的方法 | |
| CN104217593A (zh) | 一种面向手机移动速度的路况信息实时获取方法 | |
| Wang et al. | An adaptive and VANETs-based Next Road Re-routing system for unexpected urban traffic congestion avoidance | |
| CN109520499A (zh) | 基于车辆gps轨迹数据实现区域实时等时线的方法 | |
| CN110160538A (zh) | 一种基于手机信令数据的地图匹配方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171205 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |