CN114021629B - 一种基于均值动态时间规整的车辆轨迹运动模式提取方法 - Google Patents

Abstract

本发明公开了一种基于均值动态时间规整的车辆轨迹运动模式提取方法。该方法先对原始轨迹进行初始化和重采样，获取重采样轨迹集合；根据重采样轨迹，计算基于均值动态时间规整的轨迹间距离；基于均值动态时间规整的轨迹间距离度量方法，并运用聚类算法进行聚类，得到聚类簇集合；最后为每个簇分别提取特征运动模式，得到特征运动模式集合。本发明通过采用限定的技术，可以准确地度量相似轨迹间距离，对长序列轨迹间距离度量更精准，适用于长序列轨迹的车辆行为分析，还可以从车辆轨迹数据集中提取特征运动模式；每一条提取的特征运动模式轨迹都可以直观地反映车辆的运动模式，更易于赋予运动模式语义赋予和可视化展示。

Description

一种基于均值动态时间规整的车辆轨迹运动模式提取方法

技术领域

本发明涉及一种基于均值动态时间规整的车辆轨迹运动模式提取方法，尤其涉及运用均值动态时间规整的轨迹间距离度量方法对车辆通过十字路口时的轨迹运动模式提取的方法。

背景技术

随着中国经济飞速发展，交通愈发发达，随之一同显现的交通问题也层出不穷。车辆拥堵、车辆违规违纪、交通治安等问题也浮现在我们眼前；由此，对车辆轨迹进行数据清洗、挖掘、分类的方式目前已经成为一种分析车辆行为的重要手段。

车辆轨迹获取方式众多，其中包括较早且较成熟的帧间差分的方法、基于光流场的方法、基于背景差的方法，更有新兴的基于深度学习的目标检测与跟踪方法。然而无论采用何种方法识别并获取的车辆轨迹，并想要挖掘轨迹中隐含的意义，则需要进行轨迹行为分析。轨迹行为分析中最常见的是通过轨迹分类器，其中包括基于DTW的分类方法、基于循环神经网络的LSTM方法、基于HMM的方法、基于序列概率高斯模型的方法等。这些常见的方法虽然可以通过训练所得的分类模型实现轨迹分类，却依旧容易丢失长序列之间的信息，无法准确度量轨迹间距离，使得相似轨迹群之间距离两两相差过大，且不易对每个类别的车辆轨迹进行可视化展示；因此本发明为克服传统分类模型存在的问题，在动态时间规整的基础上提出均值动态时间规整的轨迹间度量方法，并结合无监督聚类算法，从车辆轨迹样本中提取最能代表每个类别的轨迹，该方法解决了动态时间规整方法对长序列轨迹间距离度量的不准确性，并对每个类别的车辆轨迹进行可视化展示。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种基于均值动态时间规整的车辆轨迹运动模式提取方法。本发明根据均值动态时间规整方法度量轨迹间距离，可以准确地度量相似轨迹间距离，使得相似轨迹群之间距离两两相近，对长序列轨迹间距离度量更精准，特别适用于基于长序列轨迹的十字路口车辆行为分析，提取车辆轨迹运动模式。

所述的一种基于均值动态时间规整的车辆轨迹运动模式提取方法，其特征在于包括如下步骤：

步骤1：样本准备：令原始车辆轨迹样本数据集合为T＝{T_i|i＝1,2,...,m}，其中，T_i＝{(x_ij,y_ij)|j＝1,2,...,m_i}表示第i条原始车辆轨迹，(x_ij,y_ij)表示第i条原始车辆轨迹中车辆在第j个位置时的中心点坐标，m_i表示第i条原始车辆轨迹的中点点坐标数量，m表示车辆轨迹样本数量；对于所有T_i以相同间隔δ重采样为F_i＝{f_is|s＝1,2,…,e_i}，其中，δ表示重采样的轨迹点间隔，F_i表示第i条轨迹的重采样轨迹，表示第i条轨迹的第s个重采样轨迹坐标，重采样坐标/>表示第i条轨迹的第p_s个坐标，p_s公式如式(1)所示，其中e_i表示第i条轨迹的重采样坐标数量；

步骤2：输入重采样轨迹F_i，计算基于均值动态时间规整的轨迹间距离，具体为：为度量轨迹T_i与轨迹T_j之间的距离，T_i∈T，T_j∈T，j≠i，首先构建距离矩阵和数量矩阵/>且/>其中a＝1,2,…,e_i，b＝1,2,…,e_j，且表示轨迹点f_ia和f_jb之间的距离，/>表示轨迹T_i从f_i1到f_ia的子序列与轨迹T_j从f_j1到f_jb的子序列中纳入DTW计算的点的次数；对D^ij和O^ij进行初始化，即对所有/>进行置零操作，并根据公式(2)的a'和b'记录/>中最小值的下标；然后根据公式(3)遍历计算D^ij中所有元素/>的结果；再根据公式(4)遍历计算O^ij中所有元素/>的结果；最后根据公式(5)的均值动态时间规整度量函数输出dis(T_i,T_j)作为轨迹T_i与T_j的轨迹间距离；

步骤3：基于均值动态时间规整的轨迹间距离度量方法，并运用DBSCAN聚类算法进行聚类，得到聚类簇集合C，具体为：

步骤3.1：根据步骤2的轨迹间距离度量，并运用DBSCAN算法进行聚类，得到聚类结果集合label＝{label_i|i＝1,2,…,m}，其中label_i表示轨迹T_i的聚类结果且label_i∈{-1,1,2,…,K}，K表示簇个数，若label_i＝-1，则表示轨迹T_i为离群轨迹；若label_i＝k，则表示轨迹T_i属于第k个簇，其中k＝1,2,…,K；

步骤3.2：根据聚类结果集合label和样本集合T构建聚类簇集合C＝{C_k|k＝1,2,…,K}，其中，簇表示第k个簇的轨迹集合，/>表示第i条车辆轨迹T_i，且该轨迹属于簇C_k；

步骤4：为簇集合C＝{C_k}中的每个簇分别提取特征运动模式CT_k，得到特征运动模式集合CT＝{CT_k|k＝1,2,…,K}，其中，CT_k表示第k个簇的特征运动模式，具体为：对任意的簇C_k，遍历所有属于该簇的轨迹T_i ^k，计算其到该簇其他所有轨迹的平均距离，最终选取平均距离最小的轨迹作为该类的特征运动模式其具体公式如式(6)所示，其中n_k表示簇C_k中的轨迹数量；再对C中所有集群提取特征运动模式后，得到特征运动模式集合CT。

通过采用上述检测，与现有技术相比，本发明的有益效果如下：

本发明的一种基于均值动态时间规整的车辆轨迹运动模式提取方法，使用均值动态时间规整方法度量车辆轨迹间距离，准确地度量相似轨迹间距离，使得相似轨迹群之间距离两两相近，对长序列轨迹间距离度量更精准，同时运用聚类方法在对离群轨迹剔除的同时完成聚类，使得每个集群内的轨迹密度较高，能代表一种轨迹的运动模式，在提取集群中的特征运动模式，达到运动模式的可视化展示和易于赋予语义的优点，特别适用基于轨迹的十字路口车辆行为分析。

附图说明

图1为本发明实例的轨迹样本集示意图；

图2为图1中轨迹分类后各簇的可视化示意图；

图3为本发明实例的从轨迹样本数据集中提取的轨迹运动模式示意图。

具体实施方式

下面结合说明书附图和实施例，对本发明进行进一步的说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

本发明公开的一种基于均值动态时间规整的车辆轨迹运动模式提取方法，它是根据均值动态时间规整方法度量轨迹间距离，可以准确地度量相似轨迹间距离，使得相似轨迹群之间距离两两相近，对长序列轨迹间距离度量更精准，特别适用于基于长序列轨迹的十字路口车辆行为分析，提取车辆轨迹运动模式；本发明实施例所准备的车辆轨迹样本数据可视化如图1所示，通过本发明方法提取特征运动模式的结果如图3所示，该实施例中，基于均值动态时间规整的车辆轨迹运动模式提取方法，具体包括如下步骤：

步骤1：样本准备令原始车辆轨迹样本数据集合为T＝{T_i|i＝1,2,...,m}，其中，T_i＝{(x_ij,y_ij)|j＝1,2,...,m_i}表示第i条原始车辆轨迹，(x_ij,y_ij)表示第i条原始车辆轨迹中车辆在第j个位置时的中心点坐标，m_i表示第i条原始车辆轨迹的中点点坐标数量，m表示车辆轨迹样本数量，在本发明实例中m＝492条；对于所有T_i以相同间隔δ重采样为F_i＝{f_is|s＝1,2,…,e_i}，其中，δ表示重采样的轨迹点间隔，F_i表示第i条轨迹的重采样轨迹，表示第i条轨迹的第s个重采样轨迹坐标，重采样坐标/>表示第i条轨迹的第p_s个坐标，p_s公式如式(1)所示，

其中e_i表示第i条轨迹的重采样坐标数量；

步骤2：输入重采样轨迹F_i，计算基于均值动态时间规整的轨迹间距离，具体为：为度量轨迹T_i与轨迹T_j之间的距离，T_i与T_j均是T中的元素，即T_i∈T，T_j∈T，j≠i，首先构建距离矩阵和数量矩阵/>且/> 其中a＝1,2,…,e_i，b＝1,2,…,e_j，且/>表示轨迹点f_ia和f_jb之间的距离，/>表示轨迹T_i从f_i1到f_ia的子序列与轨迹T_j从f_j1到f_jb的子序列中纳入DTW计算的点的次数；对D^ij和O^ij进行初始化，即对所有/> 进行置零操作，并根据公式(2)的a'和b'记录/>中最小值的下标；然后根据公式(3)遍历计算D^ij中所有元素/>的结果；再根据公式(4)遍历计算O^ij中所有元素/>的结果；最后根据公式(5)的均值动态时间规整度量函数输出dis(T_i,T_j)作为轨迹T_i与T_j的轨迹间距离；

步骤3：基于均值动态时间规整的轨迹间距离度量方法，并运用DBSCAN聚类算法进行聚类，得到聚类簇集合C，具体为：

步骤3.1：根据步骤2的轨迹间距离度量，并运用DBSCAN算法进行聚类，得到聚类结果集合label＝{label_i|i＝1,2,…,m}，其中label_i表示轨迹T_i的聚类结果且label_i∈{-1,1,2,…,K}，K表示簇个数，在本发明实例中，聚类得到簇个数K＝9，轨迹分类后各簇的轨迹如图2所示，若label_i＝-1，则表示轨迹T_i为离群轨迹；若label_i＝k，则表示轨迹T_i属于第k个簇，其中k＝1,2,…,K；

步骤3.2：根据聚类结果集合label和样本数据集合T构建聚类簇集合C＝{C_k|k＝1,2,…,K}，其中，簇表示第k个簇的轨迹集合，/>表示第i条车辆轨迹T_i，且该轨迹属于簇C_k；

步骤4：为聚类簇集合C＝{C_k}中的每个簇分别提取特征运动模式CT_k，得到特征运动模式集合CT＝{CT_k|k＝1,2,…,K}，其中，CT_k表示第k个簇的特征运动模式，具体为：对任意的簇C_k，遍历所有属于该簇的车辆轨迹计算其到该簇其他所有轨迹的平均距离，最终选取平均距离最小的轨迹作为该类的特征运动模式/>其具体公式如式(6)所示，其中n_k表示簇C_k中的轨迹数量；

再对聚类簇集合C中所有集群提取特征运动模式后，得到特征运动模式集合CT。

实施本发明后，可以准确地度量相似轨迹间距离，对长序列轨迹间距离度量更精准，适用于长序列轨迹的车辆行为分析，还可以从车辆轨迹数据集中提取特征运动模式；每一条提取的特征运动模式轨迹都可以直观地反映车辆的运动模式，更易于赋予运动模式语义赋予和可视化展示；本实例中，使用该发明方法提取的轨迹特征运动模式如图3所示，无疑为车辆运动模式提供易于运动模式语义赋予和可视化展示的功能。

Claims (2)

1.一种基于均值动态时间规整的车辆轨迹运动模式提取方法，其特征在于包括如下步骤：

步骤1：样本准备令原始车辆轨迹样本数据集合为T＝{T_i|i＝1,2,...,m}，其中，T_i＝{(x_ij,y_ij)|j＝1,2,...,m_i}表示第i条原始车辆轨迹，(x_ij,y_ij)表示第i条原始车辆轨迹中车辆在第j个位置时的中心点坐标，m_i表示第i条原始车辆轨迹的中点点坐标数量，m表示车辆轨迹样本数量；对于所有T_i以相同间隔δ重采样为F_i＝{f_is|s＝1,2,…,e_i}，其中，δ表示重采样的轨迹点间隔，F_i表示第i条轨迹的重采样轨迹，表示第i条轨迹的第s个重采样轨迹坐标，重采样坐标/>表示第i条轨迹的第p_s个坐标，p_s的计算公式如式(1)所示；

其中e_i表示第i条轨迹的重采样坐标数量；

步骤2：输入重采样轨迹F_i，计算基于均值动态时间规整的轨迹间距离，具体为：为度量原始车辆轨迹T_i与轨迹T_j之间的距离，T_i∈T，T_j∈T，j≠i，首先构建距离矩阵和数量矩阵/>且/>其中a＝1,2,…,e_i，b＝1,2,…,e_j，且表示轨迹点f_ia和f_jb之间的距离，/>表示轨迹T_i从f_i1到f_ia的子序列与轨迹T_j从f_j1到f_jb的子序列中纳入DTW计算的点的次数；对D^ij和O^ij进行初始化，即对所有/> 进行置零操作，并根据公式(2)的a'和b'记录/>中最小值的下标；然后根据公式(3)遍历计算D^ij中所有元素/>的结果；再根据公式(4)遍历计算O^ij中所有元素/>的结果；最后根据公式(5)的均值动态时间规整度量函数输出dis(T_i,T_j)作为轨迹T_i与T_j的轨迹间距离；

步骤3：基于均值动态时间规整的轨迹间距离度量方法，并运用DBSCAN聚类算法进行聚类，得到聚类簇集合C；

步骤4：为簇集合C＝{C_k}中的每个簇分别提取特征运动模式CT_k，得到特征运动模式集合CT＝{CT_k|k＝1,2,…,K}，其中，CT_k表示第k个簇的特征运动模式，具体为：对任意的簇C_k，遍历所有属于该簇的轨迹T_i ^k，计算其到该簇其他所有轨迹的平均距离，最终选取平均距离最小的轨迹作为该类的特征运动模式其计算公式如式(6)所示，再对C中所有集群提取特征运动模式后，得到特征运动模式集合CT，

其中n_k表示簇C_k中的轨迹数量。

2.根据权利要求1所述的一种基于均值动态时间规整的车辆轨迹运动模式提取方法，其特征在于步骤3中基于均值动态时间规整的轨迹间距离度量方法，并运用DBSCAN聚类算法进行聚类，得到聚类簇集合包括：

步骤3.1：根据步骤2的均值动态时间规整距离度量，并运用DBSCAN算法进行聚类，得到聚类结果集合label＝{label_i|i＝1,2,…,m}，其中label_i表示轨迹T_i的聚类结果且label_i∈{-1,1,2,…,K}，K表示簇个数，若label_i＝-1，则表示轨迹T_i为离群轨迹；若label_i＝k，则表示轨迹T_i属于第k个簇，其中k＝1,2,…,K；

步骤3.2：根据聚类结果集合label和样本集合T构建聚类簇集合C＝{C_k|k＝1,2,…,K}，其中，簇表示第k个簇的轨迹集合，T_i ^k表示第i条车辆轨迹T_i，且该轨迹属于簇C_k。