【技術實現步驟摘要】
基于層次聚類的路口異常車輛軌跡識別分析方法
本專利技術涉及交通管控領域中的車輛軌跡識別領域和路口合理性分析領域，具體涉及一種基于層次聚類的路口異常車輛軌跡識別分析方法。
技術介紹
隨著機動車數據的集聚增長，全國各城市都面臨著日益嚴峻的交通擁堵問題，因此，對車輛軌跡的研究對于交通管理與疏導是十分必要的。迄今為止，已經有較多的學者對車輛軌跡相似性及異常軌跡進行了一定研究，如裴劍(裴劍，彭敦陸.一種基于LCSS的相似車輛軌跡查詢方法[J].2016)在采集大量車輛行駛GPS數據基礎上，基于數據清理形成軌跡，通過Ramer-Douglas-Peucker算法對原始軌跡輪廓抽取，基于LCSS算法求相似子軌跡。另一方面，現階段城市道路上布設有大量的電警、卡口、球機等監控攝像頭，產生了巨大的結構化數據，而將這些數據運用實現車輛軌跡分析更成了目前研究的主流之一。如專利技術CN201710492719.5提出一種車輛非有效行駛軌跡識別方法，通過對車輛軌跡的識別的層次聚類，實現最優路徑推薦，針對停車問題進行軌跡路徑規劃；專利技術CN201510159009.1提出一種基于廣域分布交通系統的異常軌跡檢測方法，通過無監督聚類確定異常交通軌跡點和異常軌跡。現階段的車輛軌跡分析研究主要集中在兩個方面，一是基于GPS定位數據/手機移動通信數據等位置數據實現的單一車輛軌跡分析；二是對整個路網，長距離車輛行駛異常軌跡的判定，目前暫缺對路口車輛軌跡的有效分類和判別，以及車輛軌跡的路口交通管理運用。
技術實現思路
本專...
【技術保護點】
1.基于層次聚類的路口異常車輛軌跡識別分析方法，其特征在于：包括如下步驟：/n步驟1，采集路口渠化信息，提取路口監控視頻數據完成數據清洗；/n步驟2，針對不同車輛ID實現單條軌跡分析，提取數據特征點，確定車輛軌跡；/n步驟3，基于LCSS算法和層次聚類算法實現路口車輛軌跡聚類，劃分出車輛軌跡模式類型，識別出正常車輛軌跡和異常車輛軌跡；/n步驟4，基于步驟3模式分析的車輛軌跡類型提取出單一模式正常車輛軌跡，進一步對單一模式車輛軌跡分析，識別出單一模式下異常車輛軌跡和正常車輛軌跡；/n步驟5，基于步驟3和4中的異常車輛軌跡，對路口狀況進行分析。/n
【技術特征摘要】
1.基于層次聚類的路口異常車輛軌跡識別分析方法，其特征在于：包括如下步驟：
步驟1，采集路口渠化信息，提取路口監控視頻數據完成數據清洗；
步驟2，針對不同車輛ID實現單條軌跡分析，提取數據特征點，確定車輛軌跡；
步驟3，基于LCSS算法和層次聚類算法實現路口車輛軌跡聚類，劃分出車輛軌跡模式類型，識別出正常車輛軌跡和異常車輛軌跡；
步驟4，基于步驟3模式分析的車輛軌跡類型提取出單一模式正常車輛軌跡，進一步對單一模式車輛軌跡分析，識別出單一模式下異常車輛軌跡和正常車輛軌跡；
步驟5，基于步驟3和4中的異常車輛軌跡，對路口狀況進行分析。
2.根據權利要求1所述的基于層次聚類的路口異常車輛軌跡識別分析方法，其特征在于：所述步驟1中，具體包括如下分步驟：
步驟1-1，對路口類型及其渠化信息進行采集；
步驟1-2，基于單位時間段內路口監控視頻根據不同車輛ID提取出原始軌跡點，記為P(f,x,y)，其中f表示幀數，x和y表示軌跡點坐標數值；
步驟1-3，基于原始軌跡點P在二維坐標內繪制出車輛原始軌跡點，從中確定缺失重要特征數據和不正確數據并進行剔除，實現原始軌跡點清洗；其中缺失重要特征數據為偏離數據，其可組成短路徑但偏離線路走向，不正確數據即無法平滑連接的密集散點集，其無法構成路徑軌跡。
3.根據權利要求1所述的基于層次聚類的路口異常車輛軌跡識別分析方法，其特征在于：所述步驟2中，具體包括如下分步驟：
步驟2-1，基于同一車輛ID下的原始軌跡數據P進行分析，在統計時間段T內對單位時間提取定量數據實現軌跡特征點提取；
步驟2-2，基于提取的特征點進行軌跡繪制，根據f幀數大小排列，確定車輛軌跡，記為TR＝{P|pi，1≤i≤n，n為軌跡點數}。
4.根據權利要求1所述的基于層次聚類的路口異常車輛軌跡識別分析方法，其特征在于：所述步驟3中，具體包括如下分步驟：
步驟3-1，控制相似度閾值γ，確定簇數K的范圍，基于層次聚類算法確定相似度閾值γ下最佳聚類簇數Kopi以及其聚類結果；
步驟3-2，重復步驟3-1，調整相似度閾值γ，重復求解出不同相似度閾值γ下的最佳聚類簇數Kopi，記為其中l表示相似度閾值序號，其中相似度閾值γl數值取整數；同時各下含有最優簇數的組內距均值和組內距
步驟3-3，基于求解出不同相似度閾值γl的組內均方差和組間均方差根據組內均方差和組間均方差確定最優閾值γopi及其最優組數Kopi；
步驟3-4，基于最佳閾值γopi和最優聚類簇數Kopi，確定車輛軌跡的聚類結果，識別出車輛軌跡模式類型，確定正常車輛軌跡和異常車輛軌跡；
具體來說，基于步驟3-3確定的最佳閾值γopi和最優聚類簇數Kopi進行車輛軌跡層次聚類，根據步驟1的路口渠化信息，對聚類的車輛軌跡模式進行分類，將根據路口渠化流向下劃分以外的車輛軌跡默認為異常車輛軌跡，其余則為正常車輛軌跡。
5.根據權利要求4所述的基于層次聚類的路口異常車輛軌跡識別分析方法，其特征在于：所述步驟3-1中，包括如下分步驟：
步驟3-1-1，控制相似度閾值γ，通過LCSS算法確定兩兩軌跡之間的最長公共子序列和最長公共子序列相似度距離；
步驟3-1-2，根據上一步驟的最長公共子序列相似度距離列出相似度矩陣S[a][b]，即為鄰近矩陣；
步驟3-1-3，確定聚類簇數K的范圍；具體來說，根據步驟1的路口渠化信息確定聚類簇數K的最小數值；
步驟3-1-4，給定簇數K，不斷重復步驟3-1-1和3-1-2得到層次聚類的聚類結果；
步驟3-1-5，根據步驟3-1-3給定的簇范圍確定出控制相似度閾值γ一定時K值不同的聚類情況，根據不同K值聚類下的組內距和組間距建立評價體系，從而確定最佳聚類簇數Kopi，具體如下：
根據步驟3-1-4的聚類結果提取出組內軌跡的所有特征點Pi，根據特征點Pi確定確定劃分K組情況下k個聚類簇中心{C1，C2，C3，...，Ck}，1＜k≤K，其中簇中心Ck為該組內所有特征點的中心；
根據k組簇中心分別求得k組內的組內距τk以及組間距
基于不同組數K下的組內距...
【專利技術屬性】
技術研發人員：呂偉韜，周東，張子龍，李璐，
申請(專利權)人：江蘇智通交通科技有限公司，
類型：發明
國別省市：江蘇;32
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。