[发明专利]一种多模态数据融合的机动车移动模式识别方法及系统

权利要求书

1.一种多模态数据融合的机动车移动模式识别方法，其特征在于，所述方法包括：

步骤1，基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类；

步骤2，基于交通流数据和交通监控视频数据提取全局交通移动状态，所述全局交通移动状态包括全局车流状态和道路通行状态；

步骤3，根据所述机动车重构和聚类后的所述移动轨迹以及所述全局交通移动状态预测所述机动车的移动属性数据。

2.根据权利要求1所述的方法，其特征在于，所述时空轨迹数据包括：时间戳、车辆ID、车辆类别、车速、位置信息、所在车道信息和轨迹方向角的时序轨迹数据，其中所述车辆类别包括大、中和小。

3.根据权利要求2所述的方法，其特征在于，所述步骤1中对所述移动轨迹进行重构的过程包括：根据所述机动车的速度、速度变化率、方向角、停留时间以及所述道路特征数据确定所述移动轨迹的位置序列中的关键特征点，基于所述关键特征点对所述移动轨迹进行重构；所述道路特征数据包括道路交汇点位置。

4.根据权利要求2所述的方法，其特征在于，所述步骤1中对所述移动轨迹进行聚类的过程包括：

步骤101，对所述移动轨迹分别基于速度变化、方向角变化和停留时间进行划分为多个子轨迹；

步骤102，分别计算各个所述子轨迹的空间、时间、速度上的相似度，按照设定的权重计算各个所述相似度的加权平均值作为的轨迹相似度；

步骤103，根据轨迹间的时空距离基于所述机动车的车辆类别对所述子轨迹进行聚类，将聚类中心点特征作为聚类后的轨迹簇特征，得到多组相似轨迹簇。

5.根据权利要求1所述的方法，其特征在于，所述步骤2中基于交通流数据提取全局交通移动状态的过程包括：

对所述交通流数据分别进行时间和空间划分，得到具有不同时间和空间属性的交通流数据段；

计算所述交通流数据段的平均速度及速度方差，与所述交通流数据的原始特征融合构建初级全局车流状态特征；

构建深层特征提取模型，提取所述初级全局车流状态特征向量的深层次特征。

6.根据权利要求1所述的方法，其特征在于，所述步骤2中基于交通监控视频数据提取全局交通移动状态的过程包括：

提取所述交通监控视频中的交通状态关键帧；

基于路段和时间属性对所述交通监控视频数据进行划分；

构建基于图像的深度特征提取模型提取所述交通监控视频数据的全局交通状态深层次特征。

7.根据权利要求6所述的方法，其特征在于，提取所述交通监控视频中的交通状态关键帧的过程包括：

计算当前帧与前后两帧的灰度图像的欧式距离，基于各帧间欧式距离大小提取所述交通状态关键帧；所述交通状态关键帧提取依据为所述欧式距离越大则相邻帧间交通状态变化越小。

8.根据权利要求1所述的方法，其特征在于，所述步骤2包括：

设置所述交通流数据和所述交通监控视频数据的道路全局车流状态和道路通行状态的特征数据的权重，计算各个所述特征数据的加权平均值。

9.根据权利要求1所述的方法，其特征在于，所述步骤3中预测所述机动车的移动属性数据还参考道路环境特征数据；所述道路环境特征数据包括气候状况、日期属性和突发事件发生状况。

10.一种多模态数据融合的机动车移动模式识别系统，其特征在于，所述系统包括：轨迹数据重构和聚类模块、全局交通移动状态数据获取模块和移动属性数据预测模块；

轨迹数据重构和聚类模块，基于机动车的时空轨迹数据和道路特征数据对机动车的移动轨迹进行重构和聚类；

全局交通移动状态数据获取模块，基于交通流数据和交通监控视频数据提取全局交通移动状态数据，所述全局交通移动状态包括全局车流状态和道路通行状态；

移动属性数据预测模块，根据所述机动车重构和聚类后的所述移动轨迹以及所述全局交通移动状态预测所述机动车的移动属性数据。