CN109598432A - 一种基于城市特征的车辆轨迹数据模拟方法 - Google Patents

Abstract

本发明提出一种基于城市特征的车辆轨迹数据模拟方法，为了实现上述发明目的，本发明提供了一种基于城市特征的车辆轨迹模拟方法。该方法的步骤如图1所示：步骤1，数据与预处理；步骤2，特征提取；步骤3，轨迹模拟。本发明以历史轨迹数据、上下车地点标注数据以及地图数据等多元数据作为输入，经过特征提取、行程模拟以及轨迹模拟等多个处理步骤，输出与历史数据具有相似交通特征与城市特征的轨迹数据。

Description

一种基于城市特征的车辆轨迹数据模拟方法

技术领域

本发明涉及一种信息处理领域，尤其涉及一种基于城市特征的车辆轨迹数据模拟方法。

背景技术

信息科学、计算科学和数据科学的快速发展推动了互联网技术的快速发展，为人们的工作和生活带来了诸多便利。作为互联网在交通领域的重要应用，车联网技术的发展直接关系到人们出行的便捷性和安全性。车联网领域的研究问题主要集中在数据的收集、线上计算与线下挖掘以及数据管理的整个***的研究与实现上，而支撑这些研究的最基本要求就是车辆的数据。

然而，规模型车辆数据的所有权一般由政府和企业单位所有，如政府拥有公交车数据，出租车和网约车公司拥有大量出租车和网约车的行驶数据。虽然某些政府机构和公司会开放车辆数据(如纽约开放出租车数据，滴滴开放网约车数据)，但基于数据对用户隐私的敏感性，一般都对车辆的行驶数据进行了一定的处理。纽约公交车出行轨迹数据则直接省略了车辆的行程细节，只保留了乘客上车与下车的时间、地点等信息。这对于研究车联网流数据处理***、时空数据索引***、轨迹存储***以及轨迹模型、地域相关性等方面的研究带来了诸多不便。因此数据的缺乏或者数据的信息保留与用户的隐私保护之间的矛盾是车联网研究领域的一大障碍。解决这个问题的一种途径是发明一种车辆轨迹数据模拟方法，使得模拟数据在一定程度上反应历史数据的相关特性。

交通仿真在国内外已经得到了大量的研究，其主要内容是运用现代计算机技术模拟现实交通***，是设计、分析和评价交通方案的重要技术方法。到目前为止，绝大多数交通仿真软件都是为了研究在给定条件下的交通***的特性或者交通***的可能行为，以寻求交通问题的最优解。根据描述交通***的尺度差异，交通仿真模型一般被划分为宏观仿真模型、中观仿真模型和微观仿真模型。

宏观交通仿真模型对交通***的要素、实体、行为及其相互作用的细节描述非常粗糙，例如通过流密度等关系来描述交通流的一些集聚性的宏观模型，对车道变换之类的细节行为可能根本不予以描述。宏观模型的重要参数是车辆速度、密度和流量。相对于宏观模型来说，中观模型对交通***要素、实体运动和相互作用的细节描述程度要比宏观模型高得多。而微观交通仿真模型则非常细致地描述了交通***的交通环境及车辆实体等构成要素，因而它对交通***的要素及行为等的细节描述程度是3种模型中最高的。微观交通仿真一般以单个车辆为模拟对象，通过一些相对简单有效的仿真模型来模拟车辆在不同道路和交通条件下的路网上运行，并以动态图像的形式显示出来，在描述和评价路网交通流状况方面具有传统数学模型所无法比拟的优越性。

从上述分析来看，传统的交通仿真模型并不适合车联网轨迹数据的模拟场景。一方面，传统交通仿真模型很少考虑到真实历史数据已经反映的交通特性；另一方面，车联网轨迹数据的模拟场景既包括单辆车的轨迹数据，又包括大量车轨迹数据的整体特征，因此无法简单将其归结到传统交通仿真模型的分类中。

发明内容

本发明提出一种基于城市特征的车辆轨迹数据模拟方法，为了实现上述发明目的，本发明提供了一种基于城市特征的车辆轨迹模拟方法。该方法的步骤如图1所示：步骤1，数据与预处理；步骤2，特征提取；步骤3，轨迹模拟。

本发明以历史轨迹数据、上下车地点标注数据以及地图数据等多元数据作为输入，经过特征提取、行程模拟以及轨迹模拟等多个处理步骤，输出与历史数据具有相似交通特征与城市特征的轨迹数据。

附图说明

图1为现有技术的容器部署架构的整体框架图；

图2为生成模拟轨迹集的运行流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提出一种基于城市特征的车辆轨迹数据模拟方法，为了实现上述发明目的，本发明提供了一种基于城市特征的车辆轨迹模拟方法。该方法的步骤如图1所示：步骤1，数据与预处理；步骤2，特征提取；步骤3，轨迹模拟。

数据与预处理部分的主要工作是对地图数据、GPS轨迹数据、POI数据和订单数据(上下车地点标注)的获取与预处理。地图数据使用开源的Open Street Map(OSM)，包含了地图上的主要路段的经纬度和节点信息数据，作为轨迹模拟引擎的地图输入。GPS轨迹数据是主要的历史轨迹数据，这些数据里面包含了城市中不同维度的特征，作为特征提取部分的主要输入数据之一。由于历史轨迹数据是比较离散的轨迹点数据，且数据巨大，将大量数据进行聚集、整合是该部分主要的预处理工作。POI数据和订单数据结合起来，作为轨迹中上下车地点的信息标注。其主要工作是POI数据的网络爬取，以及订单上下车地点与POI数据的匹配。这一部分可以视为整体结构中的数据层。

特征提取部分的主要工作是在数据层中使用统计学习方法，得到可以作为数据模拟部分的城市特征数据。这些城市特征数据包括：出行频率特征，路段特征，居民状态转移特征以及居民区域转移特征。出行频率特征描述在给定时段和区域的情况下，居民的出行频次。路段特征描述给定时间下，路段的车速、车辆数等特征。居民状态转移特征和居民区域转移特征描述该城市中居民的 POI转移关系和区域转移关系，这两个特征在相当程度上反映了城市中车辆行驶时应该遵循的出发地和目的地之间的转移关系。这一部分可以视为整体结构中的特征层。

数据模拟部分的主要工作是以特征层的特征作为输入，通过一定的仿真模型得到模拟轨迹集。这里的仿真模型包含两个步骤，第一步使用订单生成模型得到模拟订单集，订单即包含上车时间、上车地点和目的地点的叫车信息；第二步使用SUMO交通模拟引擎，配合交通控制模块，订单分配模块以及车辆调度模块得到由轨迹点组成的车辆轨迹集合。这一部分可以视为整体结构中的生成层。

本发明旨在提出一种基于城市特征的轨迹模拟方法，其中反映城市特征是本发明与其他轨迹模拟方法的主要不同。这里城市特征主要包括交通特征和行为特征两大类，具体表现在4个特征上：路段特征、出行频率特征、居民状态转移特征和居民区域转移特征。

路段特征表示给定时段情况下，该路段的速度特征，主要由参数平均速度和方差表征。以RS表示路段，TS表示时段，路段特征被描述成高斯概率分布 X～N(μ,σ²)，其中X＝(RS,TS)，μ,σ²表示从数据层中统计计算得出的平均速度和方差。

出行频率特征表示给定区域和时段的情况下，从该区域出发的订单量。以 RE表示区域，TS表示时段。该特征使用泊松分布表示X～π(λ)，其中X＝ (RE,TS)，λ表示从数据层中统计计算得出的平均订单量。

居民状态转移特征表示居民在各种状态间的转移关系。这里的状态指POI 点的类别，以OS，DS分别表示起始状态和终止状态。居民状态转移特征被表示为概率矩阵。矩阵中的每一项，即P(OS＝os,DS＝ds)的值，都通过数据层统计计算得出。

居民区域转移特征与居民状态转移特征相似，表示居民在各区域间的转移关系，以OR，DR分别表示起始区域和终止区域。居民区域转移特征同样被表示为概率矩阵。

轨迹生成模型分为两步：第一步生成模拟订单集，第二步生成模拟轨迹集。第一步目的在于反映整个城市的出行频率和居民转移特征，因此模型的输入也即出行频率特征、居民状态转移和区域转移特征。第二步模型的主要输入是路段特征，目的在于控制车辆在行驶过程中的移动行为。

在第一步中，目标是生成模拟订单数据三元组(op,dp,ts)，op和dp分别表示起始POI和终点POI，ts表示起始的时间段。目标转化为求给定时间段下的 POI转移概率：P(OP＝op,DP＝dp|TS＝ts)，当假设POI转移过程是具有条件独立性：P(op,dp|c)＝P(op|c)×P(dp|c)后，可进行如下公式推导。

概率计算被分为四项的乘积：确定时间段下的区域转移概率，确定区域转移条件下的状态转移概率，确定状态和区域转移条件下的起点POI出现的概率和确定状态和区域转移条件下的终点POI出现的概率。这四项概率均可以方便地通过历史数据求得，从而方便地以概率抽样的方式生成大量模拟订单数据。

在第二步中，目标是生成模拟轨迹数据，数据项包括：时间戳、经度、维度、车速和方向。这里借助开源的SUMO微观交通模拟引擎以及SUMO提供的交通控制接口(TraCI)来实现。有四个模块通过TraCI与SUMO引擎交互：交通控制模块、订单生成模块、车辆调度模块和订单分配模块。交通控制模块控制每个路段的车速参数，即平均速度与方差；订单生成模块控制模拟引擎中的乘客需求；车辆调度模块控制车辆的行驶策略，包括驾驶路线的选择、无乘客时的行驶形式，其中无乘客时的行驶形式包括停车等待、驶向固定停车位和随机行驶；订单分配模块控制乘客与车辆的匹配，支持就近匹配策略。因此第二步的运行流程图如图2所示。

为了使本发明的目的、技术方案及优点更加清楚，以下结合实际应用场景对本发明做进一步说明。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。该实施例以专车历史运行数据作为数据源，尝试以本发明提出的轨迹模拟方法，生成与历史数据相似的模拟轨迹数据。

步骤1：数据准备。首先，只有专车历史运行数据不能够满足该轨迹模拟方法的输入。需要额外获取的数据包括：Open Street Map地图数据和POI数据。 Open Street Map是开源地图数据，可以通过网络下载获取。获取后需要使用 SUMO提供的转换工具，将OSM数据转换为SUMO识别的电子地图，并从电子地图数据中解析出构成路网的节点位置信息和节点关系信息，二者用于描述地图。POI数据可以通过地图服务商提供的查询接口进行爬取，本例使用高德地图服务。POI数据主要包含POI点的经纬度，名称和类别等信息。

步骤2：数据处理。数据处理主要包括路网匹配和POI匹配。路网匹配对于匹配精度要求不高，可以采用公开的路网匹配算法，本例采用基于隐马尔可夫模型的路网匹配算法PRESS。路网匹配的目的在于将历史轨迹数据(位置只有经纬度信息)匹配到路网上，方便统计各个路段的路段特征。POI匹配的目的在于将历史订单数据中包含的上下车地点信息匹配到具体的POI上，方便统计城市居民的状态转移特征。该匹配采用阈值匹配方法，主要针对地点名称和地理位置两项参数，名称匹配程度使用编辑距离衡量，地理位置则直接使用距离衡量。

步骤3：特征提取。在数据经过获取和预处理后，按照发明内容中的城市特征说明中提到的特征计算方法，对数据进行统计和计算，得出四项城市特征。在计算这些特征前，需要首先划分时间段和区域。本例将一天按小时划分为24 个是夹断，将北京市区域按照订单密度和POI密度划分为大区域97个和小区域150个。

步骤4：订单生成。根据轨迹生成模型中提到的概率计算方法，可以方便地计出给定时段下POI的转移概率。因此，根据出行频率特征，首先计算出当前时间段每个区域的订单量，再根据区域转移特征计算从这个区域出发到其它区域的订单量，然后根据状态转移特征计算每两个区域间不同状态转移的订单量，最后从两个区域中按照概率选择起点POI和终点POI。由时间、起点POI、终点POI三元素构成一个订单需求。

步骤5：编写轨迹生成控制程序。步骤4中生成的订单数据放在关系型数据库中。为了生成轨迹，按照图2所示的运行流程和SUMO提供的TraCI编程接口，编写控制程序。程序在内存中管理多辆车的实时位置，在需要时将变动的车辆位置数据更新到关系型数据库中，并使用PostGIS拓展快速地进行乘客与车辆的匹配。

步骤6：运行并输出模拟轨迹集。上述控制程序编写完成后，运行即可不断输出轨迹数据。

该轨迹模拟方法清楚地定义了模型的结构层次和关键的处理方法，按照这些内容可以方便地对历史数据进行特征提取，编写应对不同需求的轨迹生成控制程序。

本发明以历史轨迹数据、上下车地点标注数据以及地图数据等多元数据作为输入，经过特征提取、行程模拟以及轨迹模拟等多个处理步骤，输出与历史数据具有相似交通特征与城市特征的轨迹数据。本发明适应城市级别的交通数据仿真，数据中的历史轨迹数据不应是相关性较差的、任意的轨迹数据，而应该是属于同一个城市的，同一个车辆集合中的轨迹数据。同样的，输出的轨迹模拟数据也是城市级别的交通轨迹数据。从模拟城市特征的角度来看，该车辆轨迹模拟方法在一定程度上反映了城市的宏观和中观特征。这些特征包括：城市、区域、路段级别的车辆数、轨迹量和车速，以及整个城市在不同时段内，不同区域之间的车辆转移情况。从模拟轨迹的角度来看，该车辆轨迹模拟方法反映了车辆行驶的微观交通特征，即一辆车在给定的时段、路段和路况上，应该以什么样的速度行驶。从发明的需求来看，该仿真模型可以为相关研究人员提供类似于真实数据的城市交通模拟数据，为拥有城市交通数据的相关机构提供了一种轨迹数据的公开方式，这种方式可以在尽量保留真实数据的信息的同时保护用户的隐私不被泄漏。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于城市特征的车辆轨迹模拟方法，其特征在于，包括以下步骤：步骤1，数据获取和预处理；步骤2，特征提取；步骤3，轨迹模拟。

2.如权利要求1所述的方法，其特征在于，在所述步骤1中，所述获取与预处理的数据包括地图数据、GPS轨迹数据、POI数据和订单数据；所述POI数据为在地图上任何非地理意义的有意义的点，包括商店，酒吧，加油站，医院，车站。

3.如权利要求2所述的方法，其特征在于，在所述步骤2中，所述特征提取是对所述步骤1预处理后的数据使用统计学***均速度和方差表征，以RS表示路段，TS表示时段，路段特征被描述成高斯概率分布X～N(μ,σ²)，其中X＝(RS,TS)，μ,σ²表示从数据层中统计计算得出的平均速度和方差；所述出行频率特征表示给定区域和时段的情况下，从该区域出发的订单量，出行频率特征使用泊松分布表示X～π(λ)，其中X＝(RE,TS)，λ表示从数据层中统计计算得出的平均订单量；居民状态转移特征表示居民在各种状态间的转移关系，所述状态指POI点的类别，以OS，DS分别表示起始状态和终止状态；所述居民状态转移特征以概率矩阵表示，所述矩阵中的每一项为P(OS＝os,DS＝ds)的值；所述居民区域转移特征表示居民在各区域间的转移关系，以OR，DR分别表示起始区域和终止区域。

4.如权利要求3所述的方法，其特征在于，在所述步骤3中，对所述步骤2中经过特征提取的城市特征数据通过轨迹生成模型得到模拟轨迹集，所述轨迹生成模型得到模拟轨迹集包含两个步骤，第一步使用订单生成模型得到模拟订单集，所述订单包含上车时间、上车地点和目的地点的叫车信息；第二步使用交通模拟引擎，配合交通控制模块，订单分配模块以及车辆调度模块得到由轨迹点组成的车辆轨迹集合。

5.如权利要求4所述的方法，其特征在于，在所述步骤3中，得到所述模拟订单集的具体方式为，给定时间段下的POI转移概率：

其中P(op,dp|c)＝P(op|c)×P(dp|c)，c表示某种条件，op和dp分别表示起点POI和终点POI，ts表示起始的时间段，使用0-24之间的整数表示，or表示任一起点POI，dr表示任一终点POI，Ω_r表示所有区域编号组成的集合，os表示任一起点状态，ds表示任一终点状态，Ω_s表示所有状态组成的集合。