CN110176139A - 一种基于dbscan+的道路拥堵识别可视化方法 - Google Patents

Abstract

本发明公开了一种基于DBSCAN+的道路拥堵识别可视化方法，首先对城市中大量浮动车OBD车载终端上传数据进行预处理及清洗；根据其瞬时速度提取单位时段内行驶缓慢GPS轨迹点数据；设定DBSCAN+算法参数，对提取的数据点通过并行聚类获取行驶缓慢区域初始类簇块；通过对类簇块内各数据点之间分别计算地表距离，找出最远两点并拟合线段；根据实际路网中各路段间拓补关系将拟合线段进行地图匹配纠偏；最终通过分别计算各类簇块内不同车辆单位时间段内行驶距离，并综合计算平均行驶距离判断各类簇块拥堵程度，并以不同颜色表示加以区分可视化。本发明可以适应大规模城市出租车OBD终端GPS轨迹数据，便于实时通过出租车运行情况识别城市道路拥堵，可视化效果好。

Description

一种基于DBSCAN+的道路拥堵识别可视化方法

技术领域

本发明涉及交通大数据领域，尤其涉及一种基于DBSCAN+(Density-BasedSpatial Clustering of Applications with Noise Plus，基于密度的具有噪声加的应用空间聚类)的道路拥堵识别可视化方法。

背景技术

随着城市交通拥堵问题的日益严重，建立有效的道路拥堵识别***，并准确识别出城市中交通拥堵路段成为目前的研究方向。

在现有交通拥堵检测技术中，通过对交通数据的处理方式和选取的特征值的不同，交通拥堵检测方法可以分为以下几类：(1)基于车辆行驶速度：将一些用车载GPS直接探测出的车辆速度数据处理后直接使用，或者通过车辆的时间及里程数据计算得出。Xu L等利用浮动车数据提取车辆速度，将道路拥堵判为不同级别，针对拥堵级别以及路段位置综合分析，并通过时空关系识别出低速路段的拥堵事件。(2)基于车辆密度：从车辆的GPS数据或交通监控录像中提取其位置信息，整合位置信息后根据密度聚类，并对拥堵类簇综合分析。Sole-Ribalta 等考虑路段和路口车辆数量，提出了一种基于复杂网络的围观拥堵模型来检测交通拥堵热点区域。(3)基于车辆行驶时间：车辆延误时间超过无拥堵情况下的通过所需时间被定义为为交通拥堵，处理后的行驶时间数据可用于表示交通拥堵情况，结合多路段进行综合分析可反映该区域拥堵状况。Xu Y等使用车辆在路段两种不同行驶时间，即一定时间内平均行驶时间和一定数量车辆平均行驶时间来刻画交通拥堵程度，并检测拥堵时间段。(4)基于车辆行驶轨迹：当车辆在发生交通拥堵时，许多司机会选择绕过当前的拥堵路段，因此在分析车辆轨迹时，尤其是像这种绕行的异常路段，可以挖掘出交通异常路段的时空分布。Chen C 等提出了一个实时基于孤立点的异常路径检测方法检测交通短期拥堵事件。(5) 基于车辆流量：通过监测各路段的车辆流量的实时变化，可以检测某区域路段拥堵状况。Kuang W等利用不同路段之间的交通流量，使用小波变化、主成成分分析方法来检测交通异常事件的发生，而这些异常事件往往就是造成拥堵的突发事件，因而可以将当前路段定义为拥堵路段。

这些常用的交通拥堵检测方法是对交通数据处理来提取有效数据的思路，很多时候由于交通拥堵检测没有准确的结果作为评判标准，在这领域的研究基本上都是属于无监督学习，数据无法划分成训练集与测试集来对实验结果验证，同时结果的评判方式也很多，这样对于交通拥堵就没有统一的定义。

发明内容

发明目的：本发明提供一种基于DBSCAN+的道路拥堵识别可视化方法，可以适应大规模城市浮动车OBD终端GPS轨迹数据，便于实时通过浮动车运行情况识别城市道路拥堵，可视化效果好。

技术方案：本发明所述的一种基于DBSCAN+的道路拥堵识别可视化方法，包括以下步骤：

(1)对大量浮动车OBD车载终端上传数据进行清洗预处理；

(2)根据其瞬时速度提取单位时段内行驶缓慢GPS轨迹点数据；

(3)将提取的数据点载入队列，通过设定DBSCAN+聚类算法的扫描半径、最小簇点数和分块队列个数进行并行聚类，标记行驶缓慢区域类簇块相关数据点簇号标记；

(4)对聚类结果中每个类簇块内各数据点之间分别通过经纬度计算地表距离，找出最远两点并拟合线段；

(5)将拟合线段根据实际路网信息中各路段间拓补关系进行地图匹配纠偏，使其匹配符合实际道路；

(6)通过分别计算各类簇块内不同车辆单位时间段内行驶距离，并综合计算平均行驶距离判断各类簇块拥堵程度，并加以可视化区分。

步骤(2)所述GPS轨迹点数据通过以下公式设定：

N＝{p∈M|V_p＜10kph,t_current-Min(t_p)＜T(min)}

其中，N表示满足单位时间内缓行的所有GPS轨迹点集合，M表示所有GPS 轨迹点，p表示满足条件的数据点，V_p表示瞬时速度，t_current表示当前时刻，t_p表示轨迹数据点p的时间戳，Min(t_p)表示满足条件的轨迹数据点p的最早时间戳，单位时间为T分钟；在GPS数据轨迹中提取当前T分钟内瞬时速度小于10kph (V)的GPS数据轨迹点序列N；保留满足上式的GPS数据轨迹点。

步骤(3)中设定DBSCAN+算法参数并标记簇号的方法为：设定扫描半径 Eps为100m；最小包含点数MinPts为12；分块队列个数QueueNum为10000；将并行聚类后的各类簇块依次累加设定簇号，并标定类簇块中各轨迹数据点的类簇属性簇号。

所述步骤(4)通过以下公式实现：

其中，L表示t分钟前数据点与当前数据点间的距离，lat₁表示第一个数据点的纬度，lat₂表示第二个数据点的纬度，lng₁表示第一个轨迹点的经度，lng₂表示第二个轨迹点的经度，R表示地球半径；其中用于对同一类簇块中各数据点的线段拟合方法采用最小二乘法：

其中，error为预测与实际轨迹误差值，h_θ(x)为预测函数，h_θ(x⁽ⁱ⁾)为预测值，y为实际轨迹点，m为样本数，n为特征个数。

所述步骤(6)包括以下步骤：

(63)对各类簇块中t分钟内各车辆行驶距离分别进行统计，并采用 K-Means++算法对类簇块中各行驶距离综合计算平均移动距离；

(64)以平均行驶距离设定评判标准，判断各类簇块拥堵程度，并加以可视化区分：

其中，a，b，c为自定义值。

有益效果：与现有技术相比，本发明的有益效果：1、相比较现有技术，克服了因采用车辆密度分析法、车速判定法、行驶时间判定法等模式单一，可信度低的问题；2、可以直观有效的综合运用城市出租车辆分布及行驶特征，有效的研判并展示城市各路网实际拥堵情况，进而为乘客出行、以及公共交通运输的运营调度提供科学决策；3、算法引入并行计算，相较于传统密度算法，可以适应大规模数据、聚类速度快，为道路拥堵识别的实时性提供保障。

附图说明

图1为本发明实施例的方法总体流程图；

图2为本发明实施例中缓行区类簇识别图；

图3为本发明实施例中缓行区类簇起始点识别图；

图4为本发明实施例中拥堵道路曲线初步拟合图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，基于DBSCAN+的道路拥堵识别及可视化方法，包括以下步骤：

(1)出租车辆车载OBD(On-Board Diagnostics，车载诊断***)终端20 秒上传一次数据，数据包括：经度、纬度、时间戳、车辆识别号、载客状态等信息，在上传城市出租车轨迹数据集中，清洗路旁停靠、暂停运行但仍然上传的僵尸轨迹数据，判断其5分钟内车辆是否发生位移。当5分钟内位移距离小于10m 从待聚类队列中选择剔除满足下式的GPS轨迹点相关车辆的所有轨迹：

式中，L表示5分钟前数据点与当前数据点间的距离，lat₁表示第一个数据点的纬度，lat₂表示第二个数据点的纬度，lng₁表示第一个轨迹点的经度，lng₂表示第二个轨迹点的经度，R表示地球半径。

(2)对单位时段内行驶缓慢GPS轨迹点数据提取：设定单位时间为2分钟；在GPS数据轨迹中提取当前2分钟内瞬时速度小于10kph的GPS数据轨迹点序列 N，选择保留满足下式的GPS数据轨迹点：

N＝{p∈M|V_p＜10kph,t_current-Min(t_p)＜2min}

式中，N表示满足单位时间内缓行的所有GPS轨迹点集合，M表示所有GPS 轨迹点，p表示满足条件的数据点，V_p表示瞬时速度。

(3)设定DBSCAN+算法参数并标记簇号：设定扫描半径Eps为100m，最小包含点数MinPts为12，分块队列个数QueueNum为10000。将提取的轨迹数据点序列N以10000个数据为一组进行划分，每组进行遍历，当附近点的数量大于等于MinPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问 (visited)。然后递归，以相同的方法处理该簇内所有未被标记为已访问 (visited)的点，从而对簇进行扩展，寻找最大密度相连区域。将聚类结果重新写入GPS数据轨迹点序列N中以便再次聚类，直至轨迹点序列N中数据点个数小于等于QueueNum，以进行最后一次聚类。将聚类后的各类簇块依次累加设定簇号，并标定类簇块中各轨迹数据点的类簇属性簇号。GPS数据点设有簇号属性，所述簇号为类簇编号，是每一类簇唯一的标识，用于区分各个类簇。聚类的结果意义在于寻找缓行密度大的区域，实验结果如图2所示。多次实验表明当MinPts 设置为8时，会导致结果簇中点数较多。而当MinPts设置为16或更高时，会导致结果簇中点数过少，故设定MinPts值为12。

4、获取列表内相邻两点的经纬度数据并做标记(标记过的点将不再参与计算)，将其经纬度各自转换成为弧度，相减获取对应经纬度的差值，然后计算出它们之间的地表距离。

因为地球面是一个曲面，所以在计算两个地理位置的距离时，不能用简单的欧式距离来计算，而需要考虑实际的曲面距离，故根据GPS数据点的经度、纬度，确定两个数据点之间的距离，实验效果如图3所示。然后通过同一簇内两两数据点进行比较，找出它们之中最远两点并拟合线段，实验效果如图4所示。其中确定各数据点之间的地表距离的方法为：

其中，L表示5分钟前数据点与当前数据点间的距离，lat₁表示第一个数据点的纬度，lat₂表示第二个数据点的纬度，lng₁表示第一个轨迹点的经度，lng₂表示第二个轨迹点的经度，R表示地球半径；

其中用于对同一类簇块中各数据点的线段拟合方法采用最小二乘法。

其中，error为预测与实际轨迹误差值，h_θ(x)为预测函数，h_θ(x⁽ⁱ⁾)为预测值，y为实际轨迹点，m为样本数，n为特征个数。

5、将拟合线段进行地图匹配纠偏，使其匹配符合实际道路：获取步骤(4) 中拟合线段信息，以拟合中心线上的GPS定位点作为中心点，设定20m为半径做缓冲区分析，在拟合中心线上搜索当前缓冲区内中心点到垂直距离最短的道路，找到后将该点GPS数据信息替换为道路信息，最终将各GPS定位点匹配到正确道路上。

6、计算各类簇块内综合行驶距离，判断各类簇块拥堵程度，并以不同颜色加以区分可视化：各类簇块中2分钟内各车辆行驶距离分别进行统计，然后采用 K-Means++算法对类簇块中各行驶距离综合计算平均移动距离，对拥堵程度区分采用如下判别标准：

上传步骤5中地图匹配纠偏成功的道路信息至地图。设定平均速度小于等于 10m/min为严重拥堵，采用紫色线段表示；平均速度小于等于25m/min但大于 10m/min为拥堵，采用红色线段表示；平均速度小于等于50m/min但大于25m/min 为缓行，采用黄色线段表示。

实验证明本发明实施例公开的一种基于DBSCAN+的道路拥堵识别可视化方法及***，可以适应大规模城市出租车OBD终端GPS轨迹数据，便于实时通过出租车运行情况识别城市道路拥堵情况并对拥堵程度区分，可视化效果好。

Claims (5)

1.一种基于DBSCAN+的道路拥堵识别可视化方法，其特征在于，包括以下步骤：

(1)对大量浮动车OBD车载终端上传数据进行清洗预处理；

(2)根据其瞬时速度提取单位时段内行驶缓慢GPS轨迹点数据；

(3)将提取的数据点载入队列，通过设定DBSCAN+聚类算法的扫描半径、最小簇点数和分块队列个数进行并行聚类，标记行驶缓慢区域类簇块相关数据点簇号标记；

(4)对聚类结果中每个类簇块内各数据点之间分别通过经纬度计算地表距离，找出最远两点并拟合线段；

(5)将拟合线段根据实际路网信息中各路段间拓补关系进行地图匹配纠偏，使其匹配符合实际道路；

(6)通过分别计算各类簇块内不同车辆单位时间段内行驶距离，并综合计算平均行驶距离判断各类簇块拥堵程度，并加以可视化区分。

2.根据权利要求1所述的一种基于DBSCAN+的道路拥堵识别可视化方法，其特征在于，步骤(2)所述GPS轨迹点数据通过以下公式设定：

N＝{p∈M|V_p＜10kph,t_current-Min(t_p)＜T(min)}

其中，N表示满足单位时间内缓行的所有GPS轨迹点集合，M表示所有GPS轨迹点，p表示满足条件的数据点，V_p表示瞬时速度，t_current表示当前时刻，t_p表示轨迹数据点p的时间戳，Min(t_p)表示满足条件的轨迹数据点p的最早时间戳，单位时间为T分钟；在GPS数据轨迹中提取当前T分钟内瞬时速度小于10kph(V)的GPS数据轨迹点序列N；保留满足上式的GPS数据轨迹点。

3.根据权利要求1所述的一种基于DBSCAN+的道路拥堵识别可视化方法，其特征在于，步骤(3)中设定DBSCAN+算法参数并标记簇号的方法为：设定扫描半径Eps为100m，最小包含点数MinPts为12，分块队列个数QueueNum为10000，将并行聚类后的各类簇块依次累加设定簇号，并标定类簇块中各轨迹数据点的类簇属性簇号。

4.根据权利要求1所述的一种基于DBSCAN+的道路拥堵识别可视化方法，其特征在于，所述步骤(4)通过以下公式实现：

其中，L表示t分钟前数据点与当前数据点间的距离，lat₁表示第一个数据点的纬度，lat₂表示第二个数据点的纬度，lng₁表示第一个轨迹点的经度，lng₂表示第二个轨迹点的经度，R表示地球半径；其中用于对同一类簇块中各数据点的线段拟合方法采用最小二乘法：

其中，error为预测与实际轨迹误差值，h_θ(x)为预测函数，h_θ(x⁽ⁱ⁾)为预测值，y为实际轨迹点，m为样本数，n为特征个数。

5.根据权利要求1所述的一种基于DBSCAN+的道路拥堵识别可视化方法，其特征在于，所述步骤(6)包括以下步骤：

(61)对各类簇块中t分钟内各车辆行驶距离分别进行统计，并采用K-Means++算法对类簇块中各行驶距离综合计算平均移动距离；

(62)以平均行驶距离设定评判标准，判断各类簇块拥堵程度，并加以可视化区分：

其中，a，b，c为自定义值。