[发明专利]一种基于路网聚类的热点区域挖掘方法

说明书

本发明请求保护一种基于路网轨迹聚类的出行热点区域挖掘方法。在本方法中，将出租车轨迹映射到道路网络中，并且采用实际道路中采集到的兴趣点和轨迹结合的聚类方法。结合密度峰值聚类算法，提出了基于密度峰值优化初始中心的OPAM算法，即DP‑OPAM。算法采用数据点的局部密度和这些点到更高密度点的最短距离，采用决策图挑选出密度更高且距离最近的数据点所属的类别，作为初始聚类中心。根据初始聚类中心，采用增加反向学习的OPAM聚类算法，得到聚类结果。将新算法与原OPAM算法进行对比，新算法不仅能自动确定聚类中心，并且提高了准确率和聚类时间，实现用户出行热点区域分析。

技术领域

本发明属于一种数据挖掘方法，尤其涉及一种基于道路网络的出租车轨迹聚类方法。

背景技术

智能交通作为当今世界交通运输发展的热点，在支撑交通运输管理的同时，更加注重满足民众出行和公众交通出行的需求。近几年来，智能交通系统建设迅速发展，许多先进的技术广泛应用于智能交通系统。GPS设备的广泛应用使得轨迹的提取变得更加方便。这些GPS设备能够收集到大量的移动位置序列信息和车载状态信息，这些数据蕴含着丰富的交通信息和用户行为信息。通过对轨迹数据进行分析和挖掘，我们能够了解交通状况，合理规划行程，发现人群行为特征，协助改善交通状况等。

出租车轨迹能够全方位覆盖城市路网交通，既能反映出实时的交通密集度和流通度，也能反映出人群的出行规律和区域特征。所以，通过对出租车轨迹的海量数据进行分析，发现隐藏在数据中的深层次信息，借助于数据挖掘技术，分析出数据整体特征描述和交通态势发展预测，为交通管理部门进行交通检测和道路控制提供支持等方面发挥着重大作用。

聚类分析作为一种常用的数据挖掘技术，可以作为获得数据的分布状况的工具，便于观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。此外，还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。移动对象的轨迹聚类，通过发现相似的运动轨迹、提取运动特征等方式，发现移动对象的运动规律和行为模式。出租车的轨迹是由间断的序列点构成。轨迹传统的聚类分析在度量轨迹相似性时，大多考虑的时点与点之间的直线距离，而忽略了现实的距离可达情况。

车辆轨迹的聚类分析研究，主要有两种方法：一种是将整条轨迹作为对象进行分类比较，另一种则是将轨迹按照一定的标准分为子轨迹段，对得到的子轨迹段进行分类。前者的优点在于方法简单，便于直观的评价轨迹之间的相似性，但同时，这种方法不能很好的分辨出轨迹的局部特征，聚类效果常常不够理想。后一种方法，可以改善前者在轨迹局部特征方面带来的问题，对于不同形状的轨迹，聚类效果更佳。但缺点是，轨迹分割的方法对聚类结果的影响较大，不同的分割方法可能造成结果的差异很大。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种可显著提高聚类效果，实现用户出行区域挖掘的基于路网聚类的热点区域挖掘方法。本发明的技术方案如下：

一种基于路网聚类的热点区域挖掘方法，其包括以下步骤：

步骤1：搜集出租车轨迹数据集，进行包括数据标准化、归一化的数据预处理，保留有效字段，删除冗余数据，得到预处理后的车辆上下客轨迹点；

步骤2：确定城市经纬度范围，在开源网站上提取该城市包括商场、学校在内的兴趣点；

步骤3：获取城市的路网信息，将轨迹点映射到道路网络中；

步骤4：选取经过步骤1预处理后的车辆上下客轨迹点中的80％作为训练集，采用改进的基于密度峰值优化初始中心的OPAM算法聚类出代表上下车热点的区域，改进点主要在于：使用密度峰选取初始聚类中心，初始点的选取更准确、便捷，其余20％作为测试集，测试由上下客轨迹点中的80％作为训练集搭建好模型的聚类效果；

步骤5：将步骤4的模型中输入步骤2采集到的具有路网信息的兴趣点，聚类得到具有路网特征的居民热点活动区域，将聚类结果和采集到的兴趣点对比，判断居民出行的热点区域。