CN110909788A - 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 - Google Patents

Abstract

本发明提供一种基于统计聚类的轨迹数据中道路交叉口位置识别方法，包括轨迹数据坐标投影转换、轨迹数据化简处理；针对化简后轨迹数据，采用多核并行计算方式，根据采样点转向变化识别道路交叉口区域内的采样点，构成转向采样点集合；以转向采样点集合为输入，利用自适应统计聚类算法进行自动划分聚类，将不同位置的道路交叉口进行剥离；最后，针对每个转向采样点聚类，通过最小外接圆拟合算法计算覆盖该聚类的最小外接圆的中心位置和半径，以最小外接圆的中心和半径表示该道路交叉口的中心位置和区域范围。

Description

一种基于统计聚类的轨迹数据中道路交叉口位置识别方法

技术领域

本发明涉及计算机视觉和轨迹数据处理的交叉领域，尤其涉及一种基于统计聚类的轨迹数据中道路交叉口位置识别方法。

背景技术

道路网地图是一种重要的基础地理信息数据，也是交通出行、路径规划等应用所依赖的重要数据源。随着城市建设的快速发展，城市道路网也时刻发生着更新和变化。目前常用的地图数据更新技术和方法(如野外测绘制图、遥感数据制图等)在应用于道路网数据更新中都面临着数据更新周期长、成本高等问题，因而如何获得更新及时的道路网地图数据仍然是当前需要解决的一个难题。随着全球定位***(Global Poisoning System,GPS)的广泛应用，越来越多的车辆(如出租车、公交车等)安装GPS定位设备，可以实时采集车辆的位置、速度、行驶方向和数据采集时间等信息，形成了海量的GPS车辆轨迹数据。这些车辆轨迹数据记录了车辆在道路网中的运行状态，同时也蕴含了丰富的道路网信息(如道路网的几何结构、道路转向等信息)，为道路网的实时制图与更新提供了可能。

许多学者对基于车辆轨迹数据提取道路网进行了研究，并提出了许多成熟算法，如唐炉亮等(2015)、Huang等(2018)。道路交叉口是道路网的重要组成部分，也是交通导航、路径规划应用中需要考虑的重要结点。现有基于车辆轨迹数据的道路网提取方法大多将道路交叉口视为一个简单的结点，而对于交叉口的内部几何结构和拓扑连接关系都没有进行精细建模，无法满足用户在交叉口位置处的精细路径规划应用需求。为了对道路交叉口进行精细建模，一些学者提取交叉口位置处的轨迹数据通过曲线拟合生成道路交叉口地图，如Wang等(2015)、Deng等(2018)。其中，轨迹数据中道路交叉口位置和范围识别是构建道路交叉口精细模型需要首先解决的一个关键问题。为了从轨迹数据中识别道路交叉口位置，一些学者进行了探索和尝试。如Fathi和krumm(2010)首先定义了一种形状描述子来度量轨迹采样点的特征，进而以这些特征为输入，通过Adaboost算法来训练分类器以识别道路交叉口的位置。但是该方法需要先构建大量的训练样本，且该方法针对海量轨迹采样点都计算其多维特征因而计算量较大，算法结果对样本质量依赖性强而难以广泛推广。Mariescu-Istodor和

(2018)提出了一种类似的道路交叉口探测器，采用一定大小的圆环来统计落入圆环内的轨迹点分布特征以识别道路交叉口的位置。Liu等(2013)针对车道级道路网地图生产，提出一种扩展的道路交叉口模型，并利用高精度的轨迹数据构建交叉口内部细节几何结构和拓扑关系。该道路交叉口细节构建方法需要先确定道路交叉口的位置和范围。Wang等(2015)采用空间自相关局部统计量——G指数来探测道路交叉口的位置，首先从轨迹数据中提取转向变化较大的轨迹点，进而以角度变化为该轨迹点的非空间属性，采用G指数识别转向变化的热点区域为道路交叉口。基于G指数的道路交叉口识别方法虽然可以识别转向变化的热点区域(即转向变化较大的轨迹点)，但是G指数不能直接将这些离散的轨迹点进行聚类以剥离出不同的道路交叉口，因此该类方法还需要进一步依赖聚类算法来实现对轨迹点聚类。该类方法大多需要设置G指数的阈值以及聚类参数，针对不同轨迹数据，算法的适应性不强。唐炉亮等(2017)针对现有道路交叉口识别方法的局限性，提出一种基于转向点对聚类的道路交叉口识别方法，并用于构建交叉口的细节结构。该方法通过局部转向点对的连通性聚类识别交叉口的位置和范围，需要输入邻域半径参数确定转向点对的空间邻近关系，对于不同密度的轨迹点数据，聚类参数设置较难以自动估算。

总体而言，目前轨迹数据中道路交叉口位置自动检测算法仍缺乏，现有方法主要存在以下问题：①现有基于形状描述特征的机器学习分类算法识别道路交叉口对样本质量要求较高，分类算法复杂且效率较低；②道路交叉口检测算法依赖聚类算法将不同的交叉口剥离，但是所采用的聚类算法需要较多的参数设置(如G指数的阈值、连通性聚类中空间邻域半径大小等)，识别结果质量对参数设置依赖性强；③轨迹数据中噪声干扰等生成的一些虚假聚类难以剔除，影响最终道路交叉口识别结果质量。

发明内容

本发明针对现有技术的不足，提出一种基于统计聚类的轨迹数据中道路交叉口位置识别方法。本发明解决的技术问题主要包括：①轨迹数据中道路交叉口处的转向轨迹点自动检测；②轨迹点自适应聚类计算道路交叉口的中心位置和空间范围；③提升现有轨迹数据中道路交叉口位置检测效率和自动化水平，解决轨迹数据中道路交叉口快速定位问题。

本发明旨在解决现有技术中存在的技术问题，为此公开了一种基于统计聚类的轨迹数据中道路交叉口位置识别方法，包括以下步骤：

步骤1，由于车辆GPS设备采集的轨迹数据坐标系为WGS-84坐标系，采样点的空间位置以经纬度进行存储，并采用QGIS软件将原始车辆轨迹数据坐标系转换为平面投影直角坐标系；

步骤2，对所述轨迹数据进行数据处理，其中，利用Douglas-Peucker算法对所述轨迹数据进行化简，去除轨迹直线段上冗余的采样点；

步骤3，采用并行计算方式，针对每一条车辆轨迹，计算该轨迹上前后采样点转向变化，通过设置采样点的转向变化量阈值ω来检测其中转向变化较大的采样点，将这些采样点标记为道路交叉口区域的候选点，对所述轨迹上的未在交叉口附近的采样点进行剔除，保留轨迹上转向变化较大的采样点，将所有轨迹数据中检测到转向变化较大的采样点进行合并，构成转向采样点集合。其中，预设的转向变化量阈值ω＝45度；

步骤4，以所述步骤3所得所述转向采样点集合为输入，通过自适应统计聚类算法对转向采样点进行聚类，将不同位置的交叉口进行剥离使得每个聚类对应于一个道路交叉口；

步骤5，以所述步骤4得到的聚类后的采样点为输入，对每个聚类，通过最小圆拟合算法计算每个聚类点的最小外接圆，返回最小外接圆的中心位置和外接圆的半径值作为道路交叉口中心位置和区域范围的估计，输出检测到的所有道路交叉口的中心位置和区域范围半径。

优选地，步骤1中，轨迹数据坐标系转换采样QGIS软件进行转换，其中QGIS坐标转换的投影参数设置时，平面投影直角坐标系选择以6度带的高斯-克吕格投影为投影模型，投影坐标系的中央经度选择能够覆盖原始轨迹点最多的6度带进行投影变换，通过软件计算得到投影后的轨迹数据。

优选地，所述步骤2中采用Douglas-Peucker算法对轨迹数据进行化简，并且Douglas-Peucker算法的距离阈值参数d＝3米。

优选地，所述步骤3进一步包括：通过计算轨迹采样点的转向变化量来识别道路交叉口区域候选点，实现方式如下，

设步骤2化简后的轨迹数据集为S＝{T₁,T₂,…,T_n}，其中，T_j表示第j条车辆轨迹，n为输入的轨迹总条数，轨迹T_j＝{P₁,P₂,…,P_m}，其中，P_i表示轨迹T_j中的第i个采样点，m为轨迹T_j中采样点总个数，P_i是一个五元组且具体表示为P_i＝(x_i,y_i,t_i,o_i,v_i)，其中，x_i和y_i分别表示采样点P_i的X坐标和Y坐标值(单位：米)，t_i表示采样时间(单位：秒)，o_i表示采样点P_i处所记录的车辆前进方向(以正北方向为起始，单位：度)，v_i表示采样点P_i处所记录的车辆行驶速度(单位：千米/小时)；

对于S中的一条轨迹T_j＝{P₁,P₂,…,P_m}，计算T_j中相邻两个采样点P_i和P_i+1间车辆前进方向的差异值，并记为采样点P_i的转向变化量Δθ(P_i)，具体计算公式如下：

对于每一个采样点添加一个类别标签属性项，如果采样点P_i的转向变化量Δθ(P_i)大于预设的角度阈值ω，则将该采样点P_i的类别标签标记为1，否则将该采样点P_i的类别标签标记为0，对S中的所有轨迹的采样点进行转向变化量的计算，检测出其中类别标签为1的采样点构成道路交叉口区域的候选点集。

优选地，所述步骤3中采用多核并行计算技术进行并行计算，首先，根据计算机的CPU核数k，将轨迹数据按顺序划分为k个子集，并分别分配给对应的CPU进行各轨迹数据中转向采样点的检测计算。

优选地，所述步骤4进一步包括：采用自适应统计聚类算法(Adaptive SpatialClustering method based on Hotspot Detection，ASCHD)对所述步骤3计算所得的转向采样点集进行聚类，将不同位置的道路交叉口进行剥离，实现方式如下，

设步骤3所得转向采样点集合D＝{P₁,P₂,…,P_K}，其中P_i表示第i个采样点，K表示步骤3得到的转向采样点的总个数；首先，利用集合D内各采样点的空间位置构建Voronoi图，计算每个采样点对应的Voronoi图单元的面积，以该面积值作为该采样点的非空间属性值，同时，如果两个采样点的Voronoi图单元有公共边，则定义这两个采样点为空间邻近点对，否则为非空间邻近点对；然后，对每个采样点计算G指数，具体计算公式如下：

其中，z_j是采样点P_j的Voronoi图单元面积值，Z是所有采样点Voronoi图单元面积的平均值，σ是所有采样点Voronoi图单元面积的标准方差，w_i,j是采样点P_i和P_j之间的空间权重，K为转向采样点集中采样点总个数；

然后，计算得到D中每个采样点的G指数值以后，从中检测出G指数大于0的采样点构成聚类种子点；针对每一个种子点P_i将其标记为一个新的聚类Ci＝{P_i}，搜索其空间邻近点对且亦属于种子点的采样点P_k，如果Ci和P_k合并后能够使以下统计量λ增加，则将Ci和P_k合进行合并，即Ci＝{P_i,P_k}，否则不合并，继续搜索邻近的种子点判断合并后统计量λ是否增加，统计量λ计算公式如下：

其中，C_i表示一个采样点集合(或聚类)，P_k为C_i中的一个采样点，z_k为采样点P_k的Voronoi图单元的面积，Z是D中所有采样点Voronoi图单元面积的平均值，σ是D中所有采样点Voronoi图单元面积的标准方差，u为集合(或聚类)C_i中采样点个数；

最后，逐步迭代进行搜索和合并过程，直到无法找到可以继续合并的邻近种子点时停止合并；从种子点集合中将已经聚类合并的种子点进行剔除，从未合并的种子点集合中选择一个种子点，重复执行上述搜索邻近种子点和聚类合并的过程，生成新的聚类；该聚类过程直到所有种子点都被合并或被访问过时停止，返回生成的采样点聚类C＝{C₁,C₂,…,C_R}，其中C_k为第k个聚类，R为聚类算法计算得到的聚类数目。

优选地，所述步骤5进一步包括：采用最小外接圆拟合算法计算得到交叉口中心位置和区域范围半径的估计值，实现方式如下，

设所述步骤4所得聚类为C＝{C₁,C₂,…,C_R}，其中C_k为第k个聚类，R为聚类算法计算得到的聚类数目；C_k＝{P₁,P₂,…,P_M}，其中，P_i是聚类C_k中第i个采样点，M表示中聚类C_k中采样点数目。设x_i,y_i分别表示采样点P_i的X坐标和Y坐标(单位：米)；计算聚类C_k最小外接圆的中心(x_c ^k,y_c ^k)如下：

聚类C_k最小外接圆的半径(r^k)计算公式如下：

针对C中的每个聚类C_k(1≤k≤R)，按照步骤1)和步骤2)计算每个聚类的最小外接圆的中心(x_c ^k,y_c ^k)和最小外接圆的半径(r^k)，则(x_c ^k,y_c ^k)即为第k个道路交叉口的中心位置估计和r^k为第k个道路交叉口的范围半径。

与现有技术相比，本发明克服了目前轨迹数据中道路交叉口识别方法效率低、算法参数多和检测结果质量严重依赖参数设置等问题，提升轨迹数据中道路交叉口位置检测的效率和质量，降低了因为轨迹数据中噪声、采样点分布不均等问题带来的交叉口位置错误检测等问题；本发明所提出的轨迹数据中道路交叉口位置检测方法可以为道路交叉口的精细建模提供输入，是道路网交叉口精细建模的关键环节，在高精度道路网模型构建和道路网数据生产、更新等应用中具有巨大的应用前景和实用价值。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。

图1是本发明基于统计聚类的轨迹数据中道路交叉口位置识别方法的整体结构流程图；

图2是本发明一实施例的流程图。

具体实施方式

本发明主要基于模式识别、计算几何和空间聚类分析的理论和技术，提出了一种基于统计聚类的轨迹数据中道路交叉口位置识别方法。本发明通过轨迹数据中采样点的转向变化特征，检测道路交叉口区域内的轨迹采样点集合，进而利用自适应统计聚类方法将不同位置的道路交叉口采样点进行剥离，针对不同的道路交叉口区域内采样点进行最小外接圆拟合计算得到道路交叉口的中心位置和交叉口区域范围半径，通过轨迹数据化简、多核并行化计算检测轨迹转向采样点，提升海量轨迹数据中道路交叉口位置自动检测效率，采用自适应聚类方法进行道路交叉口剥离，减少算法参数，提升道路交叉口位置检测的自动化程度。

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用以解释本发明，并不用于限定本发明。本发明提供的方法能够用计算机软件技术实现自动运行流程。

实施例一

本实施例提供一种如图1所示的基于统计聚类的轨迹数据中道路交叉口位置识别方法，具体实施步骤流程如图2所示，包括以下步骤：

步骤1，由于车辆GPS设备采集的轨迹数据是WGS-84坐标系，轨迹数据坐标采用经纬度表示，直接计算两个轨迹点之间的空间距离时需要进行坐标转换。为了方便空间距离计算，首先，采用QGIS软件将原始车辆轨迹数据坐标系转换为平面投影直角坐标系。其中，QGIS坐标转换的投影参数设置时，平面投影直角坐标系选择以6度带的高斯-克吕格投影为投影模型，投影坐标系的中央经度选择能够覆盖原始轨迹点最多的6度带进行投影变换，通过QGIS软件计算得到投影后的轨迹数据。其中，6度带带号的选择过程说明如下：

设原始轨迹数据中所有采样点的集合为G＝{P₁,P₂,…,P_N}，其中，P_i为第i个采样点且lat_i、lon_i分别表示P_i点的纬度和经度坐标，N表示所有采样点总个数。则投影坐标系6度带带号(f)计算公式如下：

其中，INT()表示对一个数值进行取整。

步骤2，为了提升对大规模轨迹数据处理的效率，首先，采用Douglas-Peucker算法对轨迹数据进行化简，去除轨迹直线段上冗余的采样点。其中，Douglas-Peucker算法的距离阈值参数d＝3米。Douglas-Peucker算法化简轨迹数据的步骤如下：

1)针对每一条轨迹，在轨迹首尾两采样点(记为A和B)之间连接一条直线段AB，该直线段为轨迹的弦；

2)计算轨迹上各采样点到弦AB距离最大的点(记为C)，计算C与直线段AB的垂直距离Δd；如果距离Δd小于或等于预先设定的距离阈值参数d(d＝3米)，则该直线段AB作为原始轨迹的近似，即化简后的轨迹；如果距离Δd大于预先设定的距离阈值参数d(d＝3米)，则在C点将原始轨迹分为两个子轨迹段AC和CB，并分别对两个子轨迹段进行步骤1)和步骤2)的处理；

3)当所有子轨迹段都处理完毕，依次连接各个分割点形成一条折线，将该折线做为原始轨迹化简后的轨迹；

4)按照步骤1)-3)处理所有的轨迹，直到所有轨迹处理完时，轨迹数据化简过程停止。

步骤3，为了提升大规模轨迹数据中转向采样点的检测效率，采用并行化计算方式，即采用多核并行计算技术充分利用多核CPU计算资源。首先，根据计算机的CPU核数(如k个CPU)，将轨迹数据按顺序划分为k个子集，并分别分配给对应的CPU进行各轨迹数据中转向采样点的检测计算。其中，各轨迹数据中通过计算相邻两个采样点间转向变化量确定转向采样点的实现步骤如下：

设步骤2化简后的轨迹数据集为S＝{T₁,T₂,…,T_n}，其中，T_j表示第j条车辆轨迹，n为输入的轨迹总条数。轨迹T_j＝{P₁,P₂,…,P_m}，其中，P_i表示轨迹T_j中的第i个采样点，m为轨迹T_j中采样点总个数，P_i是一个五元组且具体表示为P_i＝(x_i,y_i,t_i,o_i,v_i)，其中，x_i和y_i分别表示采样点P_i的X坐标和Y坐标值(单位：米)，t_i表示采样时间(单位：秒)，o_i表示采样点P_i处所记录的车辆前进方向(以正北方向为起始，单位：度)，v_i表示采样点P_i处所记录的车辆行驶速度(单位：千米/小时)；

1)首先，计算采样点的转向变化量。对于S中的一条轨迹T_j＝{P₁,P₂,…,P_m}，计算T_j中相邻两个采样点(如P_i和P_i+1)间车辆前进方向的差异值，并记为采样点P_i的转向变化量Δθ(P_i)，具体计算公式如下：

2)其次，识别转向采样点。具体实现步骤为：对于每一个采样点添加一个类别标签属性项(默认值设为0)，如果采样点P_i的转向变化量Δθ(P_i)大于预设的角度阈值ω，则将该采样点P_i的类别标签标记为1(即代表道路交叉口区域的候选点)，否则将该采样点P_i的类别标签标记为0(即代表其他点)。对S中的所有轨迹的采样点进行转向变化量的计算，检测出其中类别标签为1的采样点构成道路交叉口区域的候选点集。

3)最后，将多核CPU分布计算所检测到的所有转向采样点合并为一个采样点的集合。

其中，步骤3中预设的角度阈值ω＝45度。

步骤4，以步骤3计算得到的转向采样点集合为输入，采用自适应统计聚类算法(Adaptive Spatial Clustering method based on Hotspot Detection，ASCHD)，根据空间位置邻近性，将转向采样点划分到不同的聚类。ASCHD算法具体实现步骤如下：

设步骤3所得转向采样点集合D＝{P₁,P₂,…,P_K}，其中P_i表示第i个采样点，K表示步骤3得到的转向采样点的总个数；

1)利用集合D内各采样点的空间位置构建Voronoi图，计算每个采样点对应的Voronoi图单元的面积，以该面积值作为该采样点的非空间属性值。同时，如果两个采样点的Voronoi图单元有公共边，则定义这两个采样点为空间邻近点对，否则为非空间邻近点对。然后，对每个采样点计算G指数，具体计算公式如下：

式中，z_j是采样点P_j的Voronoi图单元面积值，Z是所有采样点Voronoi图单元面积的平均值，σ是所有采样点Voronoi图单元面积的标准方差，w_i,j是采样点P_i和P_j之间的空间权重(如果采样点P_i和P_j是空间邻近点对则w_i,j＝1，否则w_i,j＝0)，K为转向采样点集中采样点总个数；

2)计算得到D中每个采样点的G指数值以后，从中检测出G指数大于0的采样点构成聚类种子点。针对每一个种子点(如P_i)将其标记为一个新的聚类Ci＝{P_i}，搜索其空间邻近点对且亦属于种子点的采样点(如P_k)，如果Ci和P_k合并后能够使以下统计量λ增加，则将Ci和P_k合进行合并，即Ci＝{P_i,P_k}，否则不合并，继续搜索邻近的种子点判断合并后统计量λ是否增加。统计量λ计算公式如下：

其中，C_i表示一个采样点集合(或聚类)，P_k为C_i中的一个采样点，z_k为采样点P_k的Voronoi图单元的面积，Z是D中所有采样点Voronoi图单元面积的平均值，σ是D中所有采样点Voronoi图单元面积的标准方差，u为集合(或聚类)C_i中采样点个数；

3)逐步迭代进行搜索和合并过程，直到无法找到可以继续合并的邻近种子点时停止合并；从种子点集合中将已经聚类合并的种子点进行剔除，从未合并的种子点集合中选择一个种子点，重复执行上述搜索邻近种子点和聚类合并的过程，生成新的聚类；该聚类过程直到所有种子点都被合并或被访问过时停止，返回生成的采样点聚类C＝{C₁,C₂,…,C_R}，其中C_k为第k个聚类，R为聚类算法计算得到的聚类数目。

步骤5，以步骤4得到的聚类为输入，针对每个聚类，通过最小圆拟合算法计算每个聚类的最小外接圆，返回每个聚类的最小外接圆的中心位置和外接圆的半径值。其中，最小圆拟合算法的实现步骤如下：

设步骤4所得聚类为C＝{C₁,C₂,…,C_R}，其中C_k为第k个聚类，R为聚类算法计算得到的聚类数目。C_k＝{P₁,P₂,…,P_M}，其中，P_i是聚类C_k中第i个采样点，M表示中聚类C_k中采样点数目。设x_i,y_i分别表示采样点P_i的X坐标和Y坐标(单位：米)。

1)计算聚类C_k最小外接圆的中心(x_c ^k,y_c ^k)如下：

2)聚类C_k最小外接圆的半径(r^k)计算公式如下：

3)针对C中的每个聚类C_k(1≤k≤R)，按照步骤1)和步骤2)计算每个聚类的最小外接圆的中心(x_c ^k,y_c ^k)和最小外接圆的半径(r^k)，则(x_c ^k,y_c ^k)即为第k个道路交叉口的中心位置估计和r^k为第k个道路交叉口的范围半径。

Claims (7)

1.一种基于统计聚类的轨迹数据中道路交叉口位置识别方法，其特征在于，包括以下步骤：

步骤1，由于车辆GPS设备采集的轨迹数据坐标系为WGS-84坐标系，采样点的空间位置以经纬度进行存储，并采用QGIS软件将原始车辆轨迹数据坐标系转换为平面投影直角坐标系；

步骤2，对所述轨迹数据进行数据处理，其中，利用Douglas-Peucker算法对所述轨迹数据进行化简，去除轨迹直线段上冗余的采样点；

步骤3，采用并行计算方式，针对每一条车辆轨迹，计算该轨迹上前后采样点转向变化，通过设置采样点的转向变化量阈值ω来检测其中转向变化较大的采样点，将这些采样点标记为道路交叉口区域的候选点，对所述轨迹上的未在交叉口附近的采样点进行剔除，保留轨迹上转向变化较大的采样点，将所有轨迹数据中检测到的转向变化较大的采样点进行合并，构成转向采样点集合，其中，预设的转向变化量阈值ω＝45度；

步骤4，以所述步骤3所得所述转向采样点集合为输入，通过自适应统计聚类算法对转向采样点进行聚类，将不同位置的交叉口进行剥离使得每个聚类对应于一个道路交叉口；

步骤5，以所述步骤4得到的聚类后的采样点为输入，对每个聚类，通过最小圆拟合算法计算每个聚类点的最小外接圆，返回最小外接圆的中心位置和外接圆的半径值作为道路交叉口中心位置和区域范围的估计，输出检测到的所有道路交叉口的中心位置和区域范围半径。

2.根据权利要求1所述基于统计聚类的轨迹数据中道路交叉口位置识别方法，其特征在于：步骤1中，轨迹数据坐标系转换采样QGIS软件进行转换，其中QGIS坐标转换的投影参数设置时，平面投影直角坐标系选择以6度带的高斯-克吕格投影为投影模型，投影坐标系的中央经度选择能够覆盖原始轨迹点最多的6度带进行投影变换，通过软件计算得到投影后的轨迹数据。

3.根据权利要求1所述基于统计聚类的轨迹数据中道路交叉口位置识别方法，其特征在于，所述步骤2进一步包括：采用Douglas-Peucker算法对轨迹数据进行化简，并且Douglas-Peucker算法的距离阈值参数d＝3米。

4.根据权利要求1所述基于统计聚类的轨迹数据中道路交叉口位置识别方法，其特征在于，所述步骤3进一步包括：通过计算轨迹采样点的转向变化量来识别道路交叉口区域候选点，实现方式如下，

设步骤2化简后的轨迹数据集为S＝{T₁,T₂,…,T_n}，其中，T_j表示第j条车辆轨迹，n为输入的轨迹总条数，轨迹T_j＝{P₁,P₂,…,P_m}，其中，P_i表示轨迹T_j中的第i个采样点，m为轨迹T_j中采样点总个数，P_i是一个五元组且具体表示为P_i＝(x_i,y_i,t_i,o_i,v_i)，其中，x_i和y_i分别表示采样点P_i的X坐标和Y坐标值(单位：米)，t_i表示采样时间(单位：秒)，o_i表示采样点P_i处所记录的车辆前进方向(以正北方向为起始，单位：度)，v_i表示采样点P_i处所记录的车辆行驶速度(单位：千米/小时)；

对于S中的一条轨迹T_j＝{P₁,P₂,…,P_m}，计算T_j中相邻两个采样点P_i和P_i+1间车辆前进方向的差异值，并记为采样点P_i的转向变化量Δθ(P_i)，具体计算公式如下：

对于每一个采样点添加一个类别标签属性项，如果采样点P_i的转向变化量Δθ(P_i)大于预设的角度阈值ω，则将该采样点P_i的类别标签标记为1，否则将该采样点P_i的类别标签标记为0，对S中的所有轨迹的采样点进行转向变化量的计算，检测出其中类别标签为1的采样点构成道路交叉口区域的候选点集。

5.根据权利要求1或4所述基于统计聚类的轨迹数据中道路交叉口位置识别方法，其特征在于，所述步骤3进一步包括：采用多核并行计算技术进行并行计算，首先，根据计算机的CPU核数k，将轨迹数据按顺序划分为k个子集，并分别分配给对应的CPU进行各轨迹数据中转向采样点的检测计算。

6.根据权利要求1或4或5所述基于统计聚类的轨迹数据中道路交叉口位置识别方法，其特征在于，所述步骤4进一步包括：采用自适应统计聚类算法ASCHD对所述步骤3计算所得的转向采样点集进行聚类，将不同位置的道路交叉口进行剥离，实现方式如下，

设步骤3所得转向采样点集合D＝{P₁,P₂,…,P_K}，其中P_i表示第i个采样点，K表示步骤3得到的转向采样点的总个数；首先，利用集合D内各采样点的空间位置构建Voronoi图，计算每个采样点对应的Voronoi图单元的面积，以该面积值作为该采样点的非空间属性值，同时，如果两个采样点的Voronoi图单元有公共边，则定义这两个采样点为空间邻近点对，否则为非空间邻近点对；然后，对每个采样点计算G指数，具体计算公式如下：

其中，z_j是采样点P_j的Voronoi图单元面积值，Z是所有采样点Voronoi图单元面积的平均值，σ是所有采样点Voronoi图单元面积的标准方差，w_i,j是采样点P_i和P_j之间的空间权重，K为转向采样点集中采样点总个数；

然后，计算得到D中每个采样点的G指数值以后，从中检测出G指数大于0的采样点构成聚类种子点；针对每一个种子点P_i将其标记为一个新的聚类Ci＝{P_i}，搜索其空间邻近点对且亦属于种子点的采样点P_k，如果Ci和P_k合并后能够使以下统计量λ增加，则将Ci和P_k合进行合并，即Ci＝{P_i,P_k}，否则不合并，继续搜索邻近的种子点判断合并后统计量λ是否增加，统计量λ计算公式如下：

其中，C_i表示一个采样点集合(或聚类)，P_k为C_i中的一个采样点，z_k为采样点P_k的Voronoi图单元的面积，Z是D中所有采样点Voronoi图单元面积的平均值，σ是D中所有采样点Voronoi图单元面积的标准方差，u为集合(或聚类)C_i中采样点个数；

最后，逐步迭代进行搜索和合并过程，直到无法找到可以继续合并的邻近种子点时停止合并；从种子点集合中将已经聚类合并的种子点进行剔除，从未合并的种子点集合中选择一个种子点，重复执行上述搜索邻近种子点和聚类合并的过程，生成新的聚类；该聚类过程直到所有种子点都被合并或被访问过时停止，返回生成的采样点聚类C＝{C₁,C₂,…,C_R}，其中C_k为第k个聚类，R为聚类算法计算得到的聚类数目。

7.根据权利要求1或6所述基于统计聚类的轨迹数据中道路交叉口位置识别方法，其特征在于：所述步骤5进一步包括：采用最小外接圆拟合算法计算得到交叉口中心位置和区域范围半径的估计值，实现方式如下，

设所述步骤4所得聚类为C＝{C₁,C₂,…,C_R}，其中C_k为第k个聚类，R为聚类算法计算得到的聚类数目；C_k＝{P₁,P₂,…,P_M}，其中，P_i是聚类C_k中第i个采样点，M表示中聚类C_k中采样点数目；设x_i,y_i分别表示采样点P_i的X坐标和Y坐标(单位：米)；计算聚类C_k最小外接圆的中心(x_c ^k,y_c ^k)如下：

聚类C_k最小外接圆的半径(r^k)计算公式如下：

针对C中的每个聚类C_k(1≤k≤R)，按照步骤1)和步骤2)计算每个聚类的最小外接圆的中心(x_c ^k,y_c ^k)和最小外接圆的半径(r^k)，则(x_c ^k,y_c ^k)即为第k个道路交叉口的中心位置估计和r^k为第k个道路交叉口的范围半径。

Images