CN110276950B - 一种基于卡口视频数据的城市交通出行链重构方法 - Google Patents

Abstract

本发明采用PPA路径搜索算法(潜在路径区域路径搜索算法)，进行构建初始决策路径，采用决策属性因子模型训练方法最终输出算法复原的真实路径；并选取五种决策优化因子：路径行程时间、路径长度、路径转弯次数、路径受信号控制卡口数作为决策属性使得轨迹复原的决策因素更加具有环境适应性；本发明决策权重的设置由主、客观数据综合确立，更具科学实践性，算法速度快，可处理较大规模数据；适用于中小型路网的路径重构，可以高精度完成漏检车辆轨迹的复原，具有良好的鲁棒性，为进一步统计城市交通路网微观参数的统计奠定基础。

Description

一种基于卡口视频数据的城市交通出行链重构方法

技术领域

本发明涉及智能交通领域，更具体地，涉及一种基于卡口视频数据的城市交通出行链重构方法。

背景技术

随着城市先进交通设施的布设，交通管理手段与交通运行模型的不断变化调整，传统的居民交通出行调查耗费人力成本和财力时间成本较大，且时效性与准确性都很低，无法满足新时代交通规划与管理的需求。

目前，大数据存储与数据挖掘技术在智能交通领域行业的发展势头正如火如荼，大数据存储与数据挖掘技术主要基于交通基础数据，如自动车牌识别数据(AutomaticNumber Plate Recognition,ANPR)、全球定位***数据(Global Positioning System,GPS)数据、线圈数据、手机信令等，通过对交通出行轨迹进行数据的提取，反推交通出行起讫点(Origin Destination,OD)信息以及职住比信息，可为交通政策制定、交通规划与设计、交通控制与管理、交通信息发布等决策提供可靠的信息支持。

而目前基于大数据存储与数据挖掘技术的交通控制与管理所采用的技术对于车辆出行轨迹还原的准确率差，从而对交通政策制定、交通规划与设计、交通控制与管理、交通信息发布等决策造成了一定的影响。

发明内容

为了解决现有技术对于车辆出行轨迹还原的准确率差的不足，本发明提供了一种基于卡口视频数据的城市交通出行链重构方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于卡口视频数据的城市交通出行链重构方法，包括以下步骤：

步骤S1：通过视频采集通过卡口的车辆车牌数据，对采集到的车牌数据进行预处理，提取得到每辆车的行车轨迹；

步骤S2：将每辆车行车轨迹中连续被4个及以上卡口检测到的路径保存作为历史路径数据集，将每辆车行车轨迹中存在被2个不连续卡口检测到的数据保存作为需要复原的轨迹；

步骤S3：根据PPA(潜在路径区域路径搜索算法)路径算法确定需要复原的轨迹两卡口间的所有可能的行驶轨迹集合T_i；

步骤S4：计算历史路径数据集中对应的可能的行驶轨迹集合T_i的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数，并求取得到关于路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子；

步骤S5：将历史路径数据集中所有相同的起始卡口和终点卡口的路径轨迹全部单独取出，通过基于熵权Vague集的方法计算得到每个相同的起始卡口和终点卡口路径轨迹反推路径决策模型的权重参数；

步骤S6：以历史路径数据集中所有相同的起始卡口和终点卡口的路径轨迹和可能的行驶轨迹集合T_i的路径行程时间、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子作为路径决策模型的输入，结合权重参数，得到最终的轨迹复原方案。

优选的，步骤S2中所述的历史路径数据集包括轨迹完整路径、轨迹起点卡口、轨迹终点卡口、轨迹起点被检测时间、轨迹终点被检测时间、路径行程时间。

优选的，步骤S3的具体步骤如下：

在调查的整片路网上事先划定不同的路网子区，判断卡口是否属于相同路网子区，如果属于相同路网子区，则用深度优先搜索算法进行两点间路径搜索，

如果属于不同路网子区，则在两子区进行路径搜索后，根据重合卡口进行接合，从而初步得到可行轨迹集合T_pre；

引入历史路径数据集中，判断集合T_pre是否每个元素都在历史路径数据集中都出现过，如果没有出现过，则剔除掉集合T_pre中代表该路径的元素，从而得到可行轨迹集合T_histo；

根据需要复原轨迹的终点卡口点位的车辆进口方向，进一步筛选掉T_histo中产生的可行路经集，最终确定下所有待复原轨迹两卡口的可能的行驶轨迹集合T_i。

优选的，步骤S4中计算可能的行驶轨迹集合T_i的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子的具体步骤如下：

定义行程时间匹配度属性因子G_TT(T_i)，路段最小流量属性因子G_Force(T_i)，路径长度属性因子G_Len(T_i)，路径转弯次数属性因子G_C(T_i)，路径信号控制卡口量属性因子G_I(T_i)5个属性决策因子，并通过标准化评价函数求取G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)，所述的标准化评价函数包括：

(a)行程时间匹配度标准化属性评价函数；

(b)交通小区吸引度标准化属性评价函数；

(c)路径长度标准化属性评价函数；

(d)路径转弯次数标准化属性评价函数；

(e)路径信号控制卡口量标准化属性评价函数；

行程时间匹配度标准化属性评价函数计算公式如下如下：

其中，

是T_i中的理论路径行程时间，t_i为T_i中的真实行程时间；j代表T_i集合中的每个元素，即还原的一种路径方案，记为方案j；

是方案j中的理论路径行程时间，t_j为方案j中的真实行程时间；

交通小区吸引度标准化属性评价函数计算公式如下如下：

其中，F_i为T_i中的进口方向途径的交通小区的吸引力，F_j为方案j中的进口方向途径的交通小区的吸引力，其具体计算引用了重力模型，根据轨迹经过的相邻卡口间的吸引力累积来计算，具体如下，

其中Q_entrance表示T_i进口经过的第一条路段的流量，F_car代表吸引的汽车单元，取值为1，t表示道路阻抗，等价于完成轨迹所需的行程时间；

路径长度标准化属性评价函数计算公式如下如下：

其中，L_i为T_i中的路径长度；L_j为方案j中的路径长度

路径转弯次数标准化属性评价函数计算公式如下如下：

其中，N_i为T_i中需要转弯的次数；N_j为方案j中需要转弯的次数；

路径信号控制卡口量标准化属性评价函数计算公式如下如下：

其中，I_i为T_i中受信号控制卡口的个数；I_j为方案j中受信号控制卡口的个数；

初始化可行的路径轨迹集合T_i，求得G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)。

优选的，步骤S5的具体步骤如下：

设置5个属性决策因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)的权重w₁,w₂,w₃,w₄,w₅,决策权重值的确定由历史路径数据集进行训练拟合得到；

模型的输入以历史路径数据集中所有相同的起始卡口和终点卡口和T_i的决策属性因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)，其中i＝1,K,n,模型的方案为可能的行驶轨迹集合T＝{T₁,T₂,T_i,K,T_n}；

由熵权法计算决策属性因子的客观权重，步骤如下，

令

λ_ij为决策方案j在决策属性i的属性因子标准值；

决策***的熵的计算可通过公式：

计算得到，决策属性的信息熵越小，提供的信息越大，则该决策属性因子分配的权重也应该越大，反之则分配的权重也应该越小；

将决策属性熵值取补后归一化处理得到决策属性的客观权重为：

从而决策属性客观权重向量为：w'＝(w₁',w'₂,K,w'₅)

主观决策属性权重w”＝(w₁”,w'₂',K,w'₅')，从而得到决策属性权重向量区间为：

记W＝([w₁₁,w₁₂],[w₂₁,w₂₂],K,[w₅₁,w₅₂])。

优选的，步骤S6的具体步骤如下：

设d＝(d₁,d₂,K,d₅)^T表示决策属性的向量，d_i中包括每种方案在决策属性i下的属性因子标准值：

S_j＝{d_i∈d|λ_ij>λ_U}

O_j＝{d_i∈d|λ_ij<λ_L}

N_j＝{d_i∈d|λ_L≤λ_ij≤λ_U}

S_j,O_j,N_j分别是方案j的决策支持集、方案j的决策反对集、方案j的决策中立集；

对备选方案T＝{T₁,T₂,T_i,K,T_n}，它在5个决策属性上满足要求的程度用Vague值V_t∈T表示，其中t代表每种备选方案，V_t∈T＝[l_t∈T,C_Id_t∈T]，I为权重全集，即每个元素皆为1，l_t∈T＝[α_t∈T,β_t∈T]，d_t∈T＝[μ_t∈T,η_t∈T]

其中

定义决策目标函数：

其中f_t∈T∈[-1，1]

则最终轨迹复原方案为：max(f_t∈T)。

与现有技术相比，本发明技术方案的有益效果是：

本发明采用PPA算法进行构建初始决策路径，采用决策属性因子模型训练方法最终输出算法复原的真实路径；并选取五种决策优化因子：路径行程时间、路径长度、路径转弯次数、路径受信号控制卡口数作为决策属性使得轨迹复原的决策因素更加具有环境适应性；本发明决策权重的设置由主、客观数据综合确立，更具科学实践性，算法速度快，可处理较大规模数据；适用于中小型路网的路径重构，可以高精度完成漏检车辆轨迹的复原，具有良好的鲁棒性，为进一步统计城市交通路网微观参数的统计奠定基础。

附图说明

图1为本发明的方法流程图。

图2为本发明实施例二的PPA路径搜索图。

图3为本发明实施例二的熵权决策过程示意。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种基于卡口视频数据的城市交通出行链重构方法，包括以下步骤：

步骤S1：通过视频采集通过卡口的车辆车牌数据，对采集到的车牌数据进行预处理，提取得到每辆车的行车轨迹；

步骤S2：将每辆车行车轨迹中连续被4个及以上卡口检测到的路径保存作为历史路径数据集，将每辆车行车轨迹中存在被2个不连续卡口检测到的数据保存作为需要复原的轨迹；

步骤S3：根据PPA路径算法确定需要复原的轨迹两卡口间的所有可能的行驶轨迹集合T_i；

步骤S4：计算历史路径数据集中对应的可能的行驶轨迹集合T_i的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数，并求取得到关于路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子；

步骤S5：将历史路径数据集中所有相同的起始卡口和终点卡口的路径轨迹全部单独取出，通过基于熵权Vague集的方法计算得到每个相同的起始卡口和终点卡口路径轨迹反推路径决策模型的权重参数；

步骤S6：以历史路径数据集中所有相同的起始卡口和终点卡口的路径轨迹和可能的行驶轨迹集合T_i的路径行程时间、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子作为路径决策模型的输入，结合权重参数，得到最终的轨迹复原方案。

作为一个优选的实施例，步骤S2中所述的历史路径数据集包括轨迹完整路径、轨迹起点卡口、轨迹终点卡口、轨迹起点被检测时间、轨迹终点被检测时间、路径行程时间。

作为一个优选的实施例，步骤S3的具体步骤如下：

在调查的整片路网上事先划定不同的路网子区，判断卡口是否属于相同路网子区，如果属于相同路网子区，则用深度优先搜索算法进行两点间路径搜索，

如果属于不同路网子区，则在两子区进行路径搜索后，根据重合卡口进行接合，从而初步得到可行轨迹集合T_pre；

引入历史路径数据集中，判断集合T_pre是否每个元素都在历史路径数据集中都出现过，如果没有出现过，则剔除掉集合T_pre中代表该路径的元素，从而得到可行轨迹集合T_histo；

根据需要复原轨迹的终点卡口点位的车辆进口方向，进一步筛选掉T_histo中产生的可行路经集，最终确定下所有待复原轨迹两卡口的可能的行驶轨迹集合T_i。

作为一个优选的实施例，步骤S4中计算可能的行驶轨迹集合T_i的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子的具体步骤如下：

定义行程时间匹配度属性因子G_TT(T_i)，路段最小流量属性因子G_Force(T_i)，路径长度属性因子G_Len(T_i)，路径转弯次数属性因子G_C(T_i)，路径信号控制卡口量属性因子G_I(T_i)5个属性决策因子，并通过标准化评价函数求取G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)，所述的标准化评价函数包括：

(a)行程时间匹配度标准化属性评价函数；

(b)交通小区吸引度标准化属性评价函数；

(c)路径长度标准化属性评价函数；

(d)路径转弯次数标准化属性评价函数；

(e)路径信号控制卡口量标准化属性评价函数；

行程时间匹配度标准化属性评价函数计算公式如下如下：

其中，

是T_i中的理论路径行程时间，t_i为T_i中的真实行程时间；j代表T_i集合中的每个元素，即还原的一种路径方案，记为方案j；

是方案j中的理论路径行程时间，t_j为方案j中的真实行程时间；

交通小区吸引度标准化属性评价函数计算公式如下如下：

其中，F_i为T_i中的进口方向途径的交通小区的吸引力，F_j为方案j中的进口方向途径的交通小区的吸引力，其具体计算引用了重力模型，根据轨迹经过的相邻卡口间的吸引力累积来计算，具体如下，

其中Q_entrance表示T_i进口经过的第一条路段的流量，F_car代表吸引的汽车单元，取值为1，t表示道路阻抗，等价于完成轨迹所需的行程时间；

路径长度标准化属性评价函数计算公式如下如下：

其中，L_i为T_i中的路径长度；L_j为方案j中的路径长度

路径转弯次数标准化属性评价函数计算公式如下如下：

其中，N_i为T_i中需要转弯的次数；N_j为方案j中需要转弯的次数；

路径信号控制卡口量标准化属性评价函数计算公式如下如下：

其中，I_i为T_i中受信号控制卡口的个数；I_j为方案j中受信号控制卡口的个数；

初始化可行的路径轨迹集合T_i，求得G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)。

作为一个优选的实施例，步骤S5的具体步骤如下：

设置5个属性决策因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)的权重w₁,w₂,w₃,w₄,w₅,决策权重值的确定由历史路径数据集进行训练拟合得到；

模型的输入以历史路径数据集中所有相同的起始卡口和终点卡口和T_i的决策属性因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)，其中i＝1,K,n,模型的方案为可能的行驶轨迹集合T＝{T₁,T₂,T_i,K,T_n}；

由熵权法计算决策属性因子的客观权重，步骤如下，

令

λ_ij为决策方案j在决策属性i的属性因子标准值；

决策***的熵的计算可通过公式：

计算得到，决策属性的信息熵越小，提供的信息越大，则该决策属性因子分配的权重也应该越大，反之则分配的权重也应该越小；

将决策属性熵值取补后归一化处理得到决策属性的客观权重为：

从而决策属性客观权重向量为：w'＝(w₁',w'₂,K,w'₅)

主观决策属性权重w”＝(w”₁,w”₂,K,w”₅)，从而得到决策属性权重向量区间为：

记W＝([w₁₁,w₁₂],[w₂₁,w₂₂],K,[w₅₁,w₅₂])。

作为一个优选的实施例，步骤S6的具体步骤如下：

设d＝(d₁,d₂,K,d₅)^T表示决策属性的向量，d_i中包括每种方案在决策属性i下的属性因子标准值：

S_j＝{d_i∈d|λ_ij>λ_U}

O_j＝{d_i∈d|λ_ij<λ_L}

N_j＝{d_i∈d|λ_L≤λ_ij≤λ_U}

S_j,O_j,N_j分别是方案j的决策支持集、方案j的决策反对集、方案j的决策中立集；

对备选方案T＝{T₁,T₂,T_i,K,T_n}，它在5个决策属性上满足要求的程度用Vague值V_t∈T表示，其中t代表每种备选方案，V_t∈T＝[l_t∈T,C_Id_t∈T]，I为权重全集，即每个元素皆为1，l_t∈T＝[α_t∈T,β_t∈T]，d_t∈T＝[μ_t∈T,η_t∈T]

其中

定义决策目标函数：

其中f_t∈T∈[-1，1]

则最终轨迹复原方案为：max(f_t∈T)。

实施例2

如图1、图2以及图3所示，在本实施例中，将一天24小时按每30min进行一次数据统计，划分后可以得到48个时间统计窗

按照统计时间窗进行采集到的数据预处理，得到采样后的行程时间样本，估计每个统计时间窗下的路段行程时间估计方法如下，

首先，通过统计时间窗下采集的路段行程时间数据，对于一天中交通拥堵不同的情况分别进行了噪声处理；

首先对于不同时段的路段行程时间，都应满足此刻的行程时间大于自由流时间，设置T_l＝T_freeflow*α，T_freeflow为路段的自由流时间，为给予城市道路超速样本一定阈值空间，α一般取0.8-0.9，保证采样的充足性；

对于高峰时期(可根据具体城市交通的历史数据来判断高峰时期的来临与消退，一般确定早高峰为7:00-9:00或7:30:00-9:30:00，晚高峰为17:00:00-19:00:00或16:30:00-18:30:00)，剔除行程时间超过T_u的样本，T_u为路段行程时间的上限，这里可取为1800s,将其列为噪声数据；

对于平峰时期(一般确定为10:00:00-16:00:00)，T_u可取T_u＝β*T_freeflow，β一般取3.5左右，根据路段特性调整阈值，平峰时期城市路网在正常交通运行状况下，其道路拥堵等级处于中等或畅通状态，故对于个别较大行程时间样本可能出现车辆在两卡口点位间出现短暂停车现象；

对于夜间凌晨时间(0:00:00-6:00:00，19:00:00-23:59:59)，T_u可取T_u＝γ*T_freeflow，γ一般取1.5左右，排除在此期间的噪声样本的影响；

由上述几步，得到初步筛选后的行程时间样本数据，计算统计时窗内的离群点，按需要设定合适参数剔除离群噪声样本，

TT”'_N＝(TT”_Ni|TT'_N.mean-2σ_N.mean≤TT”_Ni≤TT'_N.mean+2σ_N.mean)

TT”'_N＝(TT”_Ni|TT”_N.median-3D_Nf.mean≤TT”'_Ni≤TT”_N.median+3D_Na.mean)

其中TT”_N.median为TT”_N的中位数，

(n为偶数的情况，m＝n/2，奇数依此类推)为样本和样本中位数的平均绝对偏差；

根据实际数据情况重复多次上述步骤，直到噪声数据剔除干净，保证研究的行程时间数据的集群性和代表性；

将清洗后的行程时间车辆样本所对应的初始时刻对应所属统计时间窗，取统计时间窗的所有行程时间取平均得到该统计时间窗内的路段行程时间估计值，并记录下所有统计时间窗的路段行程时间估计值；

计算得到所有路段所有统计时间窗的行程时间估计值，并将其保存用于后续行程时间匹配的路径理论行程时间计算；

按统计时间窗进行采集到的数据预处理，得到各路段每个流向的车辆流量；

根据城市道路等级对车辆限速及路段最大行程时间阈值及道路拓扑结构对出行路径进行初步提取；

将其中连续被4个及以上卡口检测到的路径保存作为历史路径数据集，数据集包括轨迹完整路径、轨迹起点卡口、轨迹终点卡口、轨迹起点被检测时间、轨迹终点被检测时间、路径行程时间；

将每辆车行车轨迹中存在被不连续两个卡口检测点检测到的数据进行记录，将其标记为需要复原的轨迹段；

确定需要复原轨迹的两卡口间(即在路网拓扑中没被相邻卡口卡口设备检测的路径)的所有可能的行驶轨迹集合；

假设图2所示为城市路网的某片路网，本路网包含25个节点，35条路段，由路网划分出2个路径搜索子区；

若图2中的路网中两个不连续的卡口检测点位分为’6’，’22’，可根据PPA路径搜索算法确定可行的路径，具体步骤如下，

在调查的整片路网上事先划定不同的路网子区，判断卡口是否属于相同路网子区，如果属于相同路网子区，则用深度优先搜索(DFS)算法进行两点间路径搜索；

如果属于不同路网子区，则根据两子区重合的交叉口进行路径搜索接合；

如果属于不同路网子区，则在两子区进行路径搜索后，根据衔接卡口进行路径黏合，从而得到可行轨迹集合T_pre＝{T₁,T₂,K,T_k}，其中k为满足复原轨迹条件的预备轨迹总数；

引入历史路径数据集，判断集合T_pre是否每个元素都在历史路径数据集中都出现过，如果没有出现过，则剔除掉集合T_pre中代表该路径的元素，从而得到可行轨迹集合T_histo＝{T₁,T₂,K,T_m}；

根据需要复原轨迹的终点卡口点位的车辆进口方向，可进一步筛选掉产生的可行路经集，最终确定下所有待复原轨迹两卡口的可能的行驶轨迹集合T＝{T₁,T₂,T_i,K,T_n}，其中n为初步筛选后的预备轨迹总数；

设定行程时间匹配度属性因子，路段最小流量属性因子，路径长度属性因子，路径转弯次数属性因子，路径信号控制卡口量属性因子5个属性决策因子，并设计标准化评价函数：

行程时间匹配度标准化属性评价函数：

其中，

是T_i中的理论路径行程时间，t_i为T_i中的真实行程时间；

交通小区吸引度标准化属性评价函数：

其中，T为T_i中的途径的路段集合，F_i为T_i中的进口方向途径的交通小区的吸引力，其具体计算引用了重力模型，根据轨迹经过的相邻卡口间的吸引力累积来计算，具体如下，

其中Q_entrance表示T_i进口经过的第一条路段的流量，F_car代表吸引的汽车单元，取值为1，t表示道路阻抗，等价于完成轨迹所需的行程时间；

路径长度标准化属性评价函数：

其中，L_i为T_i中的路径长度；

路径转弯次数标准化属性评价函数：

其中，N_i为T_i中需要转弯的次数；

路径信号控制卡口量标准化属性评价函数：

其中，I_i为T_i中受信号控制卡口的个数；

初始化可行的路径轨迹集合T_i，求得G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)。

根据历史路径数据集，将其中每个所有相同的起始卡口和终点卡口所对应的所有路径集记录单独提取出来，每个所有相同的起始卡口和终点卡口的历史路径集合数据可用于后续的属性因子决策参数的训练；

设置5个属性决策因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)的权重w₁,w₂,w₃,w₄,w₅,决策权重值得确定根据历史数据集进行训练拟合得到；

通过基于熵权Vague集的方法计算得到每个所有相同的起始卡口和终点卡口反推路径决策模型的权重参数，模型的输入为分开保存的历史所有相同的起始卡口和终点卡口间轨迹集合中T_i的决策属性因子:G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)，其中i＝1,K,n,如图3所示，模型的方案为可能的行驶轨迹集合T＝{T₁,T₂,T_i,K,T_n}；

由熵权法计算决策属性因子的客观权重，步骤如下，

令

λ_ij为决策方案j在决策属性i的属性因子标准值；

决策***的熵的计算可通过公式：

计算得到，决策属性的信息熵越小，提供的信息越大，则该决策属性因子分配的权重也应该越大，反之则分配的权重也应该越小；

将决策属性熵值取补后归一化处理得到决策属性的客观权重为：

从而决策属性客观权重向量为：w'＝(w₁',w'₂,K,w'₅)

主观决策属性权重w”＝(w”₁,w”₂,K,w”₅)，从而得到决策属性权重向量区间为：

记W＝([w₁₁,w₁₂],[w₂₁,w₂₂],K,[w₅₁,w₅₂])；

设d＝(d₁,d₂,K,d₅)^T表示决策属性的向量，d_i中包括每种方案在决策属性i下的属性因子标准值：

S_j＝{d_i∈d|λ_ij>λ_U}

O_j＝{d_i∈d|λ_ij<λ_L}

N_j＝{d_i∈d|λ_L≤λ_ij≤λ_U}

S_j,O_j,N_j分别是方案j的决策支持集、方案j的决策反对集、方案j的决策中立集；

对备选方案T＝{T₁,T₂,T_i,K,T_n}，它在5个决策属性上满足要求的程度用Vague值V_t∈T表示，其中t代表每种备选方案，V_t∈T＝[l_t∈T,C_Id_t∈T]，I为权重全集，即每个元素皆为1，l_t∈T＝[α_t∈T,β_t∈T]，d_t∈T＝[μ_t∈T,η_t∈T]

其中

定义决策目标函数：

其中f_t∈T∈[-1，1]

则最终轨迹复原方案为：max(f_t∈T)。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (1)

1.一种基于卡口视频数据的城市交通出行链重构方法，其特征在于，包括以下步骤：

步骤S1：采集通过卡口的车辆的视频数据，然后对视频数据进行处理，得到通过卡口的车辆的车牌数据，基于从不同卡口提取得到的车辆车牌数据构建每辆车的行车轨迹；

步骤S2：将每辆车行车轨迹中连续被4个及以上卡口检测到的路径保存作为历史路径数据集，将每辆车行车轨迹中存在卡口漏检的路径标记为需要复原的轨迹；

步骤S3：根据PPA路径算法确定需要复原的轨迹中其首尾两卡口间的所有可能的行驶轨迹集合T_i；

步骤S4：初始化可能的行驶轨迹集合T_i，可能的行驶轨迹集合T_i的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制路口数，得到关于路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制路口数的属性决策因子；

步骤S5：构建路径决策模型，将历史路径数据集中与需要复原的轨迹其首尾两卡口相同的路径取出，然后基于这些数据通过基于熵权Vague集的方法计算反推得到路径决策模型的权重参数；

步骤S6：以可能的行驶轨迹集合T_i中需要复原的轨迹其首尾两卡口相同的路径的路径行程时间、路径长度、路径转弯次数以及路径受信号控制路口数的属性决策因子和权重参数作为路径决策模型的输入，得到最终的轨迹复原方案；

步骤S2中所述的历史路径数据集包括轨迹完整路径、轨迹起点卡口、轨迹终点卡口、轨迹起点被检测时间、轨迹终点被检测时间、路径行程时间；

步骤S3的具体步骤如下：

将设置有卡口的路段划分为不同的路网子区，判断卡口两两之间是否属于相同的路网子区，如果属于相同路网子区，则用深度优先搜索算法进行两点间路径搜索，如果属于不同路网子区，则在两路网子区进行路径搜索后，根据重合卡口进行接合，从而初步得到可行轨迹集合T_pre；

引入历史路径数据集中，判断集合T_pre是否每个元素都在历史路径数据集中都出现过，如果没有出现过，则剔除掉集合T_pre中代表该路径的元素，从而得到可行轨迹集合T_histo；

根据需要复原轨迹的终点卡口点位的车辆进口方向，进一步筛选掉T_histo中产生的可行路径集，最终确定下所有复原的轨迹中其首尾两卡口间的所有可能的行驶轨迹集合T_i；

步骤S4中计算可能的行驶轨迹集合T_i的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子的具体步骤如下：

定义行程时间匹配度属性因子G_TT(T_i)，路段最小流量属性因子G_Force(T_i)，路径长度属性因子G_Len(T_i)，路径转弯次数属性因子G_C(T_i)，路径信号控制卡口量属性因子G_I(T_i)5个属性决策因子，并通过标准化评价函数求取G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)，所述的标准化评价函数包括：

(a)行程时间匹配度标准化属性评价函数；

(b)交通小区吸引度标准化属性评价函数；

(c)路径长度标准化属性评价函数；

(d)路径转弯次数标准化属性评价函数；

(e)路径信号控制卡口量标准化属性评价函数；

行程时间匹配度标准化属性评价函数计算公式如下：

其中，

是T_i中的理论路径行程时间，t_i为T_i中的真实行程时间；j代表T_i集合中的每个元素，即还原的一种路径方案，记为方案j；

是方案j中的理论路径行程时间，t_j为方案j中的真实行程时间；

交通小区吸引度标准化属性评价函数计算公式如下：

其中，F_i为T_i中的进口方向途径的交通小区的吸引力，F_j为方案j中的进口方向途径的交通小区的吸引力，其具体计算引用了重力模型，根据轨迹经过的相邻卡口间的吸引力累积来计算，具体如下，

其中Q_entrance表示T_i进口经过的第一条路段的流量，F_car代表吸引的汽车单元，取值为1，t表示道路阻抗，等价于完成轨迹所需的行程时间；

路径长度标准化属性评价函数计算公式如下：

其中，L_i为T_i中的路径长度；L_j为方案j中的路径长度

路径转弯次数标准化属性评价函数计算公式如下：

其中，N_i为T_i中需要转弯的次数；N_j为方案j中需要转弯的次数；

路径信号控制卡口量标准化属性评价函数计算公式如下：

其中，I_i为T_i中受信号控制卡口的个数；I_j为方案j中受信号控制卡口的个数；

初始化可行的路径轨迹集合T_i，求得G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)；

步骤S5中求取路径决策模型的权重参数的具体步骤如下：

定义5个属性决策因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)的权重为w₁,w₂,w₃,w₄,w₅，决策权重值的确定由历史路径数据集进行训练拟合得到；

模型的输入以T_i的决策属性因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)，其中i＝1,...,n,模型的方案为可能的行驶轨迹集合T＝{T₁,T₂,T_i,...,T_n}；

由熵权法计算决策属性因子的客观权重，步骤如下，

令

λ_ij中i为5个属性决策因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、j为T_i中n个可能的行驶轨迹方案；

决策***的熵的计算可通过公式：

其中，

决策属性的信息熵越小，提供的信息越大，则该决策属性因子分配的权重也应该越大，反之则分配的权重也应该越小；

将决策属性熵值取补后归一化处理得到决策属性的客观权重为：

从而求得5个属性决策因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)的决策属性客观权重向量为：w′＝(w′₁,w′₂,...,w′₅)

设5个属性决策因子G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)的主观决策属性权重为w″＝(w″₁,w″₂,...,w″₅)，从而得到决策属性权重向量区间为：

记W＝([w₁₁,w₁₂],[w₂₁,w₂₂],...,[w₅₁,w₅₂])；

步骤S6中求取最终的轨迹复原方案的具体步骤如下：

定义d＝(d₁,d₂,...,d₅)^T表示决策属性的向量，d_i中包括每个可能的行车轨迹在决策属性下的属性因子标准值：

S_j＝{d_i∈d|λ_ij＞λ_U}

O_j＝{d_i∈d|λ_ij＜λ_L}

N_j＝{d_i∈d|λ_L≤λ_ij≤λ_U}

S_j,O_j,N_j分别定义为方案j的决策支持集、方案j的决策反对集、方案j的决策中立集；

对于T＝{T₁,T₂,T_i,...,T_n}，它在G_TT(T_i)、G_Force(T_i)、G_Len(T_i)、G_C(T_i)、G_I(T_i)5个决策属性上满足要求的程度用Vague值V_t∈T表示，其中t代表每种备选方案，V_t∈T＝[l_t∈T,C_Id_t∈T]，I为权重全集，即每个元素皆为1，l_t∈T＝[α_t∈T,β_t∈T]，d_t∈T＝[μ_t∈T,η_t∈T]；

其中

定义决策目标函数：

其中f_t∈T∈[-1，1]

则最终轨迹复原方案为：max(f_t∈T)。

Images