CN112309118B - 一种基于时空相似度的车辆轨迹推算方法 - Google Patents
一种基于时空相似度的车辆轨迹推算方法 Download PDFInfo
- Publication number
- CN112309118B CN112309118B CN202011211774.0A CN202011211774A CN112309118B CN 112309118 B CN112309118 B CN 112309118B CN 202011211774 A CN202011211774 A CN 202011211774A CN 112309118 B CN112309118 B CN 112309118B
- Authority
- CN
- China
- Prior art keywords
- similarity
- track
- road
- time consumption
- calculating
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于时空相似度的车辆轨迹推算方法,所述方法的具体步骤如下:S1、将车速数据与四维图新路网融合,计算道路网络空间相似度,并得到具有车速信息的四维图新导航级线路网络;S2、对卡口捕获的车牌识别数据进行错误剔除,还原所有车辆途径卡口点,生成所有车辆的单程出行链;S3、计算卡口间所有行车路径和时耗数据集,从空间维度计算所有轨迹的路径发生概率;S4、通过近邻算法计算每段路径的时耗相似度,从时间维度得到时耗发生概率,将可能性最高的轨迹判定为卡口间实际轨迹。本发明提供的方法综合考虑路径空间维度和时间维度两个方面,能针对不同的路况计算出更准确的匹配结果,可以真实、客观的了解车辆的来源和去向。
Description
技术领域
本发明涉及城市智慧交通领域,该领域是新一代信息技术在城市交通规划、建设和治理中的具体应用,尤其是一种基于时空相似度的车辆轨迹推算方法。
背景技术
道路卡口设备记录经过卡口的所有车辆时间和车牌号信息,通过卡口数据可以推算出车辆行驶轨迹,卡口采集的数据可以真实的反应交通出行量和道路断面流量,为交通规划研究和道路设计提供数据支撑,在交通出行分析研究中具有重要作用。
为构建最佳车辆轨迹,目前很多轨迹推算方法基于最短路径原则获得车辆轨迹,该方法未考虑实际路况行驶状态,在道路拥堵情况下,车辆行驶速度慢,此时车辆可能根据会实时路况切换至畅通路段,因此,最短路径并未考虑实时路况情况,可能与实际轨迹不一致。
目前主要通过抽样调查的方式获取交通出行量和道路断面流量数据,该方式由于抽样的形式和主观判断会导致一定的误差。基于卡口数据重构车辆轨迹可以获得车辆的真实路径,从而获得交通出行量和道路断面流量。但现有技术中基于最短路径重构轨迹的方法缺乏对实际路况的考虑,导致轨迹匹配结果不精确。近年来,北京、上海、广州和深圳四大一线城市以及杭州、天津、南京等新一线城市均大力推进建设城市智慧交通***,车辆轨迹推算方法作为智慧交通领域若干关键核心技术之一,应用前景十分广阔。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于时空相似度的车辆轨迹推算方法,本发明引入高德实时车速数据,计算不同时段经过道路的时间,通过基于高德车速计算的道路通行时间与车辆经过卡口的时间相似度匹配,综合考虑空间路径发生的概率和轨迹时间相似度两个方面,最终得到最可能发生的轨迹。本发明的基于时空相似度的车辆轨迹推算方法,能针对不同的路况计算出更准确的匹配结果,可以更加真实、客观的了解车辆的来源和去向,为交通规划研究和道路设计提供精确的数据支撑。
本发明的技术方案如下,一种基于时空相似度的车辆轨迹推算方法,所述方法的具体步骤如下:
S1、将车速数据与四维图新路网融合,计算道路网络空间相似度,所述相似度包括位置相似度、形状相似度和拓扑相似度,所述位置相似度通过Hausdorff距离度量,所述形状相似度通过道路长度来度量,所述拓扑相似度通过道路弧段上结点关联弧段的数量来衡量,并得到具有车速信息的四维图新导航级线路网络;
S2、对卡口捕获的车牌识别数据进行错误剔除,还原所有车辆途径卡口点,基于区间间断法识别出单次出行轨迹的起点、终点以及途经点位和时间,生成所有车辆的单程出行链;
S3、计算卡口间所有行车路径和时耗数据集,结合路口数量、转弯次数和道路长度,对权重进行估算,从空间维度计算所有轨迹的路径发生概率;
S4、通过近邻算法计算每段路径的时耗相似度,从时间维度得到时耗发生概率;即通过对比基于时空对应的车速计算轨迹时耗和实际时耗的相似度,计算轨迹时耗发生的概率;同时估算路径与时耗的发生权重,计算卡口实际轨迹发生的概率,将可能性最高的轨迹判定为卡口间实际轨迹。
优选地,所述步骤S1具体包括:
S1.1、四维图新路网预处理
去除低等级路网,保留乡村及以上道路,道路网连接路名;通过道路的ID属性信息和路名信息,将琐碎的四维图新道路弧段进行重新组织,形成一条完整的道路;
S1.2、建立缓冲区匹配
建立四维图新路网缓冲区,基于路网和四维图新缓冲区初步筛选路网,结合道路名称属性和空间位置,提取出匹配路网数据和候选匹配路网数据;
S1.3、根据道路空间相似度匹配
选取位置相似度、形状相似度和拓扑相似度道路网相似度衡量指标,确定指标权重,计算道路相似度,评价道路是否匹配;
(1)位置相似度通过Hausdorff距离度量,位置相似度ΔL计算公式为:
其中,dH(S1,S2)表示S1和S2的Hausdorff距离,Δt为距离阈值;
(2)形状相似度通过道路长度来度量,形状相似度ΔS计算公式为:
其中,L1和L2表示两条道路的长度;
(3)拓扑相似度通过道路弧段上结点关联弧段的数量来衡量,拓扑相似度ΔT计算公式为:
其中,N1和N2表示两条道路弧段上结点关联弧段的数量。
优选地,所述步骤S2具体包括:
S2.1、对卡口捕获的车牌识别数据进行错误剔除:
(1)识别并剔除重复点、离散点;
(2)基于行车距离值的剔除折返点;
(3)基于行车速度值剔除车速度值不合理数据;
S2.2、卡口点还原
从卡口数据的时空特性角度实现当日所有车辆途径卡口点还原,根据车牌号和经过卡口的时间确定所有车辆一天的轨迹点,X={x1,…xi…,xn},xi表示车辆经过第i个卡口记录,n为当天车辆经过卡口的数量;
S2.3、单程出行链
基于区间间断法识别出单次出行轨迹的起点、终点以及途经点位等位置和时间,生成所有的单程出行链;根据卡口过车数据中的车牌号码,采用阈值处理两条过车记录间的时间差,判断当前点位是否为尾卡口,从而确定车辆单程出行链;车辆单程出行的过车点集为Xt={xt,…xi…,xr},xt为车辆单次出行轨迹的起点,xr为车辆单次出行轨迹的终点。
优选地,所述步骤S3具体包括:
S3.1、行车路径计算
通过遍历计算相邻卡口对间所有的行车轨迹,形成卡口间行车路径和时耗数据集T={T1,…,Ti,…,TN},Ti表示轨迹集中第i个备选轨迹,N表示所有行车轨迹的数量;
S3.2、轨迹发生的概率估算
结合路口数量、转弯次数和道路长度等相关数据,对权重进行估算,计算不同路径发生概率;
其中k3i-2表示第i条轨迹路口数量,k3i-1表示第i条轨迹路口转弯次数,k3i表示第i条轨迹经过的道路长度,n表示轨迹的数量;
对矩阵进行归一化,计算各条路径每个因素发生的概率矩阵:
优选地,所述步骤S4具体包括:
S4.1、基于时耗估算轨迹发生的概率
通过近邻算法计算每段路径的时耗相似度,得到时耗发生概率;根据实时车速计算路径时耗,卡口间实际时耗与基于车速计算的时耗对比计算时耗发生概率,基于车速的时耗计算方法如下:
其中Si表示第i段道路的长度,Vi表示第i段道路对应的车速;
通过对比基于车速计算的时耗与卡口间实际时耗的相似度,计算轨迹时耗发生的概率,计算公式如下:
其中Tz表示卡口实际时耗,T表示基于车速计算的时耗;
S4.2、卡口轨迹判定
估算路径与时耗的发生权重,计算卡口实际轨迹发生的概率,将可能性最高的轨迹判定为卡口间实际轨迹;路径和时耗的权重为1:3,归一化后的权重wk=[wl wt]=[0.250.75],实际轨迹发生的概率计算如下:
P=(PL*wl)+(PT*wt)
PL表示路径发生的概率,PT表示时耗发生的概率。
与现有技术相比,本发明的优势在于:
(1)本发明通过将精确的导航车速数据与四维图新路网相融合,计算道路网络空间相似度的方法得到具有精确车速信息的四维图新导航级线路网络,为轨迹推算提供时空对应的车速信息,提高轨迹推算的可靠性。
(2)本发明基于区间间断法识别车辆的单程出行链,识别出车辆轨迹的起终点和途经点,通过时间连续逻辑和空间漂移程度判定剔除错误数据,提高识别的精度。
(3)本发明计算卡口间行车路径和时耗数据集,还原车辆在卡口间的行车路径,结合行为特征和交通特征,设置路口、转弯等要素阻抗系数和权重,从空间维度计算所有轨迹的路径发生概率。
(4)该种基于时空相似度的车辆轨迹推算方法综合考虑轨迹的空间信息和时间信息两个维度的相似性,比仅依据路径进行推断的轨迹方法更接近实际轨迹。
(5)本发明旨在基于卡口数据重构车辆轨迹,可以获得车辆的真实路径,从而获得交通出行量和道路断面流量,加入高德实时车速数据,综合考虑路径空间维度和时间维度两个方面,能针对不同的路况计算出更准确的匹配结果,可以真实、客观的了解车辆的来源和去向。
附图说明
图1一种基于时空相似度的车辆轨迹推算方法流程图。
图2卡口a卡口b备选轨迹图。
图3卡口c卡口d备选轨迹图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的一种基于时空相似度的车辆轨迹推算方法的流程图如附图1所示:其具体步骤如下:
S1、高德车速数据与四维图新路网融合,计算道路网络空间相似度
S1.1、四维图新路网预处理
去除低等级路网,保留乡村及以上道路,道路网连接路名。通过道路的ID属性信息和路名信息,将琐碎的四维图新道路弧段进行重新组织,形成一条完整的道路。
S1.2、建立缓冲区匹配
建立四维图新路网缓冲区,基于高德路网和四维图新缓冲区初步筛选路网,结合道路名称属性和空间位置,提取出匹配路网数据和候选匹配路网数据。
S1.3、根据道路相似度匹配
选取位置相似度、形状相似度和拓扑相似度道路网相似度衡量指标,确定指标权重,计算道路相似度,评价道路是否匹配。
(1)位置相似度通过Hausdorff距离度量,位置相似度ΔL计算公式为:
其中,dH(S1,S2)表示S1和S2的Hausdorff距离,Δt为距离阈值。
(2)形状相似度通过道路长度来度量,形状相似度Δs计算公式为:
其中,L1和L2表示两条道路的长度。
(3)拓扑相似度通过道路弧段上结点关联弧段的数量来衡量,拓扑相似度ΔT计算公式为:
其中,N1和N2表示两条道路弧段上结点关联弧段的数量。
线路匹配后得到具有高德车速信息的四维图新导航级线路网络。
S2、还原所有车辆途径卡口点,生成所有车辆的单程出行链
S2.1、对卡口捕获的车牌识别数据进行错误剔除:
(1)识别并剔除重复点、离散点
(2)基于行车距离值的剔除折返点
(3)基于行车速度值剔除车速度值不合理数据
S2.2、卡口点还原
从卡口数据的时空特性角度实现当日所有车辆途径卡口点还原,根据车牌号和经过卡口的时间确定所有车辆一天的轨迹点,X={x1,…xi…,xn},n为当天车辆经过卡口的数量。
S2.3、单程出行链
基于区间间断法识别出单次出行轨迹的起点、终点以及途经点位等位置和时间,生成所有的单程出行链。根据卡口过车数据中的车牌号码,采用阈值处理两条过车记录间的时间差,判断当前点位是否为尾卡口,从而确定车辆单程出行链。车辆单程出行的过车点集为Xt={xt,…xi…,xr},xt为车辆单次出行轨迹的起点,xr为车辆单次出行轨迹的终点。
S3、计算卡口间所有行车路径和发生的概率
S3.1、行车路径计算
通过遍历计算相邻卡口对间所有的行车轨迹,形成卡口间行车路径和时耗数据集T={T1,…,Ti,…,TN},Ti表示轨迹集中第i个备选轨迹,N表示所有行车轨迹的数量。
S3.2、从空间维度计算不同路径发生的概率估算
结合路口数量、转弯次数和道路长度等相关数据,对权重进行估算,计算不同路径发生概率:
其中k3i-2表示第i条轨迹路口数量,k3i-1表示第i条轨迹路口转弯次数,k3i表示第i条轨迹经过的道路长度,n表示轨迹的数量。
对矩阵进行归一化,计算各条路径每个因素发生的概率矩阵:
S4、通过近邻算法计算每段路径的时耗相似度,结合不同路径发生的概率判定卡口间实际轨迹
S4.1、基于时耗估算轨迹发生的概率
通过近邻算法计算每段路径的时耗相似度,从时间维度得到时耗发生概率。根据高德实时车速计算路径时耗,卡口间实际时耗与基于车速计算的时耗对比计算时耗发生概率,实际时耗计算方法如下:
其中Si表示第i段道路的长度,Vi表示第i段道路对应的高德车速。
通过对比基于车速计算的时耗与卡口间实际时耗的相似度,计算轨迹时耗发生的概率,计算公式如下:
其中Tz表示卡口间实际时耗,T表示基于车速计算的时耗。
S4.2、卡口轨迹判定
估算路径与时耗的发生权重,计算卡口实际轨迹发生的概率,将可能性最高的轨迹判定为卡口间实际轨迹。路径和时耗的权重为1:3,归一化后的权重wk=[wl wt]=[0.250.75],实际轨迹发生的概率计算方法如下:
P=(PL*wl)+(PT*wt)
PL表示路径发生的概率,PT表示时耗发生的概率。
下面以一个具体的实施例来详细说明本发明:
S1、高德车速数据与四维图新路网融合,计算道路网络空间相似度
S1.1、四维图新路网预处理
提取四维图新路网乡村及以上等级道路,道路网连接路名。利用道路的ID属性信息和路名信息,将琐碎的四维图新道路弧段进行重新组织,形成一条完整的道路。
S1.2、建立缓冲区匹配
建立四维图新路网10米范围缓冲区,四维图新缓冲区范围与高德路网连接,得到缓冲区与路网的距离,提取四维图新路网和高德路网的道路名称相同且缓冲区与高德路网距离为零的线路为匹配线路,其余线路为待匹配线路。
S1.3、根据道路相似度匹配
计算待匹配道路的相似度,分别计算道路位置相似度、形状相似度和拓扑相似度,根据权重得到道路相似度。对3条道路计算结果如下:
线路匹配后得到具有高德车速信息的四维图新导航级线路网络。
S2、还原所有车辆途径卡口点,生成所有的单程出行链
S2.1、对卡口捕获的车牌识别数据进行错误剔除:
(1)识别并剔除重复点、离散点
(2)基于行车距离值的剔除折返点
(3)基于行车速度值剔除车速度值不合理数据
S2.2、卡口点还原
从卡口数据的时空特性角度实现当日所有车辆途径卡口点还原,根据车牌号和经过卡口的时间确定所有车辆一天的轨迹点,X={x1,…xi…,xn},n为当天车辆经过卡口的数量。
S2.3、单程出行链
基于区间间断法识别出单次出行轨迹的起点、终点以及途经点位等位置和时间,生成所有的单程出行链。根据卡口过车数据中的车牌号码,采用阈值处理两条过车记录间的时间差,判断当前点位是否为尾卡口,从而确定车辆单程出行链。车辆单程出行的过车点集为Xt={xt,…xi…,xr},xt为车辆单次出行轨迹的起点,xr为车辆单次出行轨迹的终点。
S3、计算卡口间所有行车路径和发生概率
S3.1、行车路径计算
通过遍历计算相邻卡口对间所有的行车轨迹,形成卡口间行车路径和时耗数据集T={T1,…,Ti,…,TN},Ti表示轨迹集中第i个备选轨迹,N表示所有行车轨迹的数量。
从卡口a卡口b共有3条备选轨迹如附图2所示。
从卡口c卡口d共有4条备选轨迹如附图3所示。
S3.2、路径发生的概率估算
结合路口数量、转弯次数和道路长度等相关数据,对从卡口a到卡口b不同路径发生的概率进行估算,根据各要素重要性得到路口数量、转弯次数和道路里程的权重为(1/4):(1/3):1,权重归一化为0.16:0.21:0.63。
轨迹编号 | 路口数量 | 转弯次数 | 道路里程(米) | 概率 |
1 | 4 | 1 | 946.9 | 0.70 |
2 | 4 | 3 | 938.6 | 0.64 |
3 | 4 | 3 | 871.1 | 0.66 |
对从卡口c到卡口d不同路径发生概率进行估算。
轨迹编号 | 路口数量 | 转弯次数 | 道路里程(米) | 概率 |
1 | 2 | 2 | 14268.2 | 0.79 |
2 | 3 | 3 | 15535.0 | 0.74 |
3 | 4 | 4 | 17969.1 | 0.57 |
4 | 3 | 2 | 13955.4 | 0.78 |
S4、通过近邻算法计算时耗相似度,结合路径发生的概率判定轨迹
S4.1、基于时耗估算轨迹发生的概率
通过近邻算法计算每段路径的时耗相似度,得到时耗发生概率。根据高德实时车速计算路径时耗,卡口间实际时耗与基于车速计算的时耗对比计算时耗发生概率,基于高德车速时耗计算方法如下:
Si表示第i段道路的长度,Vi表示第i段道路不同时刻对应的高德车速。
对从卡口a到卡口b不同路径轨迹时间计算,选取高德车速时刻为下午16时:
从卡口a到卡口b下午16时车辆实际耗时为1.62分钟。
对从卡口c到卡口d不同路径轨迹时间计算,选取高德车速时刻为下午16时:
从卡口c到卡口d下午16时车辆实际耗时为26分钟。
S4.2、卡口轨迹判定
根据路径与时耗的发生概率计算每条轨迹发生的概率,将可能性最高的轨迹判定为卡口间实际轨迹。路径和时耗的权重为1:3,归一化后的权重wk=[wl wt]=[0.25 0.75],轨迹发生的概率计算方法如下:
P=(PL*wl)+(PT*wt)
PL表示路径发生的概率,PT表示时耗发生的概率。
从卡口a到卡口b轨迹发生的概率:
P1=(PL*wl)+(PT*wt)=0.70×0.25+0.96×0.75=0.91
P2=(PL*wl)+(PT*wt)=0.64×0.25+0.90×0.75=0.84
P3=(PL*wl)+(PT*wt)=0.66×0.25+0.78×0.75=0.78
从卡口c到卡口d轨迹发生的概率:
P1=(PL*wl)+(PT*wt)=0.79×0.25+0.85×0.75=0.84
P2=(PL*wl)+(PT*wt)=0.74×0.25+0.81×0.75=0.79
P3=(PL*wl)+(PT*wt)=0.57×0.25+0.96×0.75=0.86
P4=(PL*wl)+(PT*wt)=0.78×0.25+0.62×0.75=0.66
综上,从卡口a到卡口b轨迹最有可能的是轨迹1,从卡口c到卡口d轨迹最有可能的是轨迹3。
与现有技术相比,本发明的优势在于:
(1)本发明通过将精确的导航车速数据与四维图新路网相融合,计算道路网络空间相似度的方法得到具有精确车速信息的四维图新导航级线路网络,为轨迹推算提供时空对应的车速信息,提高轨迹推算的可靠性。
(2)本发明基于区间间断法识别车辆的单程出行链,识别出车辆轨迹的起终点和途经点,通过时间连续逻辑和空间漂移程度判定剔除错误数据,提高识别的精度。
(3)本发明计算卡口间行车路径和时耗数据集,还原车辆在卡口间的行车路径,结合行为特征和交通特征,设置路口、转弯等要素阻抗系数和权重,从空间维度计算所有轨迹的路径发生概率。
(4)该种基于时空相似度的车辆轨迹推算方法综合考虑轨迹的空间信息和时间信息两个维度的相似性,比仅依据路径进行推断的轨迹方法更接近实际轨迹。
(5)本发明旨在基于卡口数据重构车辆轨迹,可以获得车辆的真实路径,从而获得交通出行量和道路断面流量,加入高德实时车速数据,综合考虑路径空间维度和时间维度两个方面,能针对不同的路况计算出更准确的匹配结果,可以真实、客观的了解车辆的来源和去向。
以上所述之实施例仅为本发明的较佳实施例,并非对本发明做任何形式上的限制。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,利用上述揭示的技术内容对本发明技术方案作出更多可能的变动和润饰,或修改均为本发明的等效实施例。故凡未脱离本发明技术方案的内容,依据本发明之思路所作的等同等效变化,均应涵盖于本发明的保护范围内。
Claims (3)
1.一种基于时空相似度的车辆轨迹推算方法,其特征在于,所述方法的具体步骤如下:
S1、将具有车速信息的高德路网数据与四维图新路网融合,计算道路网络空间相似度,所述相似度包括位置相似度、形状相似度和拓扑相似度,所述位置相似度通过Hausdorff距离度量,所述形状相似度通过道路长度来度量,所述拓扑相似度通过道路弧段上结点关联弧段的数量来衡量,并得到具有车速信息的四维图新导航级线路网络;
S2、对卡口捕获的车牌识别数据进行错误剔除,还原所有车辆途径卡口点,基于区间间断法识别出单次出行轨迹的起点、终点以及途经点位的位置和时间,生成所有车辆的单程出行链;
S3、计算卡口间所有行车路径和时耗数据集,结合路口数量、转弯次数和道路长度,对权重进行估算,从空间维度计算所有轨迹的路径发生概率;
所述步骤S3具体包括:
S3.1、行车路径计算
通过遍历计算相邻卡口对间所有的行车轨迹,形成卡口间行车路径和时耗数据集T={T1,…,Ti,…,Tn},Ti表示轨迹集中第i个备选轨迹,n表示所有行车轨迹的数量;
S3.2、轨迹发生的概率估算
结合路口数量、转弯次数和道路长度,对权重进行估算,计算不同路径发生概率;
其中k3i-2表示第i条轨迹路口数量,k3i-1表示第i条轨迹路口转弯次数,k3i表示第i条轨迹经过的道路长度,n表示所有行车轨迹的数量;
对矩阵进行归一化,计算各条路径每个因素发生的概率矩阵:
S4、通过近邻算法计算每段路径的时耗相似度,从时间维度得到时耗发生概率;即通过对比基于车速计算的轨迹时耗和实际时耗的相似度,计算轨迹时耗发生的概率;同时估算路径与时耗的发生权重,计算卡口实际轨迹发生的概率,将可能性最高的轨迹判定为卡口间实际轨迹;
所述步骤S4具体包括:
S4.1、基于时耗估算轨迹发生的概率
通过近邻算法计算每段路径的时耗相似度,得到时耗发生概率;根据实时车速计算路径时耗,卡口间实际时耗与基于车速计算的时耗对比计算时耗发生概率,基于车速的时耗计算方法如下:
其中Sj表示第j段道路的长度,Vj表示第j段道路对应的车速;
通过对比基于车速计算的时耗与卡口间实际时耗的相似度,计算轨迹时耗发生的概率,计算公式如下:
其中Tz表示卡口实际时耗,T表示基于车速计算的时耗;
S4.2、卡口轨迹判定
估算路径与时耗的发生权重,计算卡口实际轨迹发生的概率,将可能性最高的轨迹判定为卡口间实际轨迹;路径与时耗的发生权重为1:3,归一化后的权重wk=[wl wt]=[0.250.75],实际轨迹发生的概率计算如下:
P=(PL*wl)+(PT*wt)
PL表示路径发生的概率,PT表示时耗发生的概率。
2.根据权利要求1所述的一种基于时空相似度的车辆轨迹推算方法,其特征在于,所述步骤S1具体包括:
S1.1、四维图新路网预处理
去除低等级路网,保留乡村及以上道路,道路网连接路名;通过道路的ID属性信息和路名信息,将琐碎的四维图新道路弧段进行重新组织,形成一条完整的道路;
S1.2、建立缓冲区匹配
建立四维图新路网缓冲区,基于具有车速信息的高德路网和四维图新缓冲区初步筛选具有车速信息的高德路网,结合道路名称属性和空间位置,提取出匹配路网数据和候选匹配路网数据;
S1.3、根据道路空间相似度匹配
选取位置相似度、形状相似度和拓扑相似度道路网相似度衡量指标,确定指标权重,计算道路相似度,评价道路是否匹配;
(1)位置相似度通过Hausdorff距离度量,位置相似度ΔL计算公式为:
其中,dH(S1,S2)表示S1和S2的Hausdorff距离,Δt为距离阈值;
(2)形状相似度通过道路长度来度量,形状相似度ΔS计算公式为:
其中,L1和L2表示两条道路的长度;
(3)拓扑相似度通过道路弧段上结点关联弧段的数量来衡量,拓扑相似度ΔT计算公式为:
其中,N1和N2表示两条道路弧段上结点关联弧段的数量。
3.根据权利要求1所述的一种基于时空相似度的车辆轨迹推算方法,其特征在于,所述步骤S2具体包括:
S2.1、对卡口捕获的车牌识别数据进行错误剔除:
(1)识别并剔除重复点、离散点;
(2)基于行车距离值的剔除折返点;
(3)基于行车速度值剔除车速度值不合理数据;
S2.2、卡口点还原
从卡口数据的时空特性角度实现当日所有车辆途径卡口点还原,根据车牌号和经过卡口的时间确定所有车辆一天的轨迹点,X={x1,…xu…,xv},v为当天车辆经过卡口的数量;
S2.3、单程出行链
基于区间间断法识别出单次出行轨迹的起点、终点以及途经点位的位置和时间,生成所有的单程出行链;根据卡口过车数据中的车牌号码,采用阈值处理两条过车记录间的时间差,判断当前点位是否为尾卡口,从而确定车辆单程出行链;车辆单程出行的过车点集为Xt={xt,…xo…,xr},xt为车辆单次出行轨迹的起点,xr为车辆单次出行轨迹的终点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211774.0A CN112309118B (zh) | 2020-11-03 | 2020-11-03 | 一种基于时空相似度的车辆轨迹推算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211774.0A CN112309118B (zh) | 2020-11-03 | 2020-11-03 | 一种基于时空相似度的车辆轨迹推算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112309118A CN112309118A (zh) | 2021-02-02 |
CN112309118B true CN112309118B (zh) | 2021-11-09 |
Family
ID=74333137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211774.0A Active CN112309118B (zh) | 2020-11-03 | 2020-11-03 | 一种基于时空相似度的车辆轨迹推算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112309118B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724489B (zh) * | 2021-07-22 | 2022-07-01 | 东南大学 | 基于多源数据的交通拥堵溯源方法 |
CN115174251B (zh) * | 2022-07-19 | 2023-09-05 | 深信服科技股份有限公司 | 一种安全告警的误报识别方法、装置以及存储介质 |
CN117711174A (zh) * | 2023-12-07 | 2024-03-15 | 山东高速集团有限公司 | 一种车辆通行信息的数据处理方法及*** |
CN117765740A (zh) * | 2023-12-29 | 2024-03-26 | 杭州诚智天扬科技有限公司 | 一种车辆超员的识别方法及装置 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605362B (zh) * | 2013-09-11 | 2016-03-02 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN107169260B (zh) * | 2017-03-23 | 2021-05-11 | 四川省公安厅 | 基于时空轨迹异构多源数据共振***及方法 |
CN107798439A (zh) * | 2017-11-23 | 2018-03-13 | 吉旗(成都)科技有限公司 | 一种检验物流运输路径优化结果的方法 |
CN108320503A (zh) * | 2018-01-19 | 2018-07-24 | 江苏本能科技有限公司 | 基于点位识别的车辆行驶查询方法及*** |
CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
CN108629978B (zh) * | 2018-06-07 | 2020-12-22 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109029472A (zh) * | 2018-07-10 | 2018-12-18 | 天津大学 | 基于低采样率gps轨迹点的地图匹配方法 |
CN109377757A (zh) * | 2018-11-16 | 2019-02-22 | 宁波工程学院 | 基于含多源粗差的车牌识别数据的车辆出行轨迹提取方法 |
WO2020143916A1 (en) * | 2019-01-10 | 2020-07-16 | Huawei Technologies Co., Ltd. | A method for multi-modal sensor fusion using object trajectories for cross-domain correspondence |
CN109933915A (zh) * | 2019-03-15 | 2019-06-25 | 艾特城信息科技有限公司 | 时空模型建立***、方法、运动样本监测***及计算机可读存储介质 |
CN110033051B (zh) * | 2019-04-18 | 2021-08-20 | 杭州电子科技大学 | 一种基于多步聚类的拖网渔船行为判别方法 |
CN110276950B (zh) * | 2019-06-24 | 2021-12-31 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110717414B (zh) * | 2019-09-24 | 2023-01-03 | 青岛海信网络科技股份有限公司 | 一种目标检测追踪方法、装置及设备 |
CN111047860B (zh) * | 2019-12-02 | 2021-01-08 | 安徽百诚慧通科技有限公司 | 一种车辆运行轨迹提取方法 |
CN111024098A (zh) * | 2019-12-27 | 2020-04-17 | 江苏欣网视讯软件技术有限公司 | 一种基于低采样数据的机动车路径拟合算法 |
CN111314857B (zh) * | 2020-02-13 | 2022-02-08 | 青岛海信网络科技股份有限公司 | 一种基于过车视频数据的车辆实时出行轨迹获取方法 |
CN111368881B (zh) * | 2020-02-19 | 2023-10-03 | 浙江工业大学 | 基于多维数据融合分析的低频gps轨迹路网匹配方法 |
CN111243277B (zh) * | 2020-03-09 | 2021-08-20 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及*** |
-
2020
- 2020-11-03 CN CN202011211774.0A patent/CN112309118B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112309118A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112309118B (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
CN109241069B (zh) | 一种基于轨迹自适应聚类的路网快速更新的方法及*** | |
CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110738855B (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN113611115B (zh) | 一种基于路网敏感特征的车辆轨迹聚类方法 | |
CN112215427A (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** | |
CN110555992A (zh) | 一种基于gps轨迹数据的出租车行驶路径信息提取方法 | |
CN113932821B (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN112652172B (zh) | 一种基于车辆gps轨迹的路段交通量分析方法 | |
CN116611586B (zh) | 一种基于双层异构网络的新建路网流量预测方法及*** | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN111307164A (zh) | 一种低采样率轨迹地图匹配方法 | |
CN109121094A (zh) | 伪码信令数据预处理与出行链识别方法 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN112559909B (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 | |
Sun et al. | PR-LTTE: Link travel time estimation based on path recovery from large-scale incomplete trip data | |
de Sousa et al. | A map matching based framework to reconstruct vehicular trajectories from gps datasets | |
CN111710160A (zh) | 一种基于浮动车数据的行程时间预测方法 | |
CN116668958A (zh) | 基于手机信令数据的城市居民动态od矩阵提取方法 | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
CN115905434A (zh) | 一种基于学习插值预测的道路网轨迹补全方法 | |
Jafarlou et al. | Improving Fuzzy-logic based map-matching method with trajectory stay-point detection | |
CN115206104A (zh) | 一种基于手机信令数据的城市居民交通出行方式识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220506 Address after: 510030 floors 1-6 on the west side of No. 10 Guangwei Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou transportation planning and Research Institute Co.,Ltd. Address before: 510030 15th floor, Guangren building, No.1 Guangren Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU TRANSPORT PLANNING Research Institute |