[发明专利]一种轨迹时空聚类方法、系统以及存储装置

说明书

本发明公开了一种融合路段与方向角信息的轨迹时空聚类方法，该方法包括：获取交通数据，所述数据包括多条轨迹的轨迹坐标序列、旅行时间序列、方向角序列、路段ID序列；利用一条轨迹的邻域内轨迹的数量、轨迹坐标序列间的距离计算不同轨迹的坐标序列之间的相似度；根据轨迹上的方向角序列之间的距离、角度差计算方向角的相似度；利用Jaccard相似性系数计算路段ID的相似度；将满足第一预定数量的且与一轨迹的相似度低于第一预定阈值的轨迹进行聚类，并将满足第二预定数量的且与所述聚类的轨迹的相似度低于第二预定阈值的轨迹进行聚类；输出轨迹聚类结果。通过本发明，能够更准确的对轨迹进行聚类。

技术领域

本发明涉及智能交通技术、数据处理技术领域，尤其涉及一种融合路段与方向角信息的轨迹时空聚类方法、系统以及存储装置。

背景技术

车辆轨迹聚类是智能交通系统(ITS)不可或缺的组成部分，它主要是研究轨迹的相似性并将车辆轨迹分为具有相同特征的几个集群。聚类已被广泛应用于交通状况监控，交通流分析和路线推荐等。例如从轨迹聚类中发现主要的乘客运动模式可以帮助导航软件向驾驶员推荐更合适的路线。在过去的几十年中，研究者们已经提出了许多聚类算法，最有代表性的算法是K-Means，它可以迭代地计算质心，并将观测结果划分为k个不同的聚类。但是该算法容易得到局部最优值，并且对噪声和离群值比较敏感。基于密度的两种典型的算法是DBSCAN和OPTICS算法。DBSCAN通过计算围绕该点的指定半径区域中的点数来获得与该点关联的密度。OPTICS与DBSCAN相似，不过OPTICS能够更好的处理不同密度的群集。

先前的研究主要是对点进行聚类，而忽略了时间信息。时空聚类近年来引起了广泛关注，其目的是从数据集中提取重要的信息，并根据对象的时空相似性对其进行分组。例如DBSCAN的扩展算法：时空DBSCAN，该算法首先计算对象之间的空间，时间和属性距离，将簇定义为密度相连的点的最大集合，然后根据时空密度定义了密度因子来划分为簇，并且该算法可以在噪声的空间数据库中发现任意形状的聚类。但是该算法的聚类结果对参数的取值非常敏感，不同的取值将产生不同的聚类结果。ST-OPTICS能够克服这个局限性，该算法并不直接产生结果类簇，而是生成一个增广的簇排序，该排序代表了各样本点基于密度的聚类结构。所以该算法通过保留时域邻居及其对应的时空值来连接数据。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。因此，本发明的一个方面，提供了一种融合路段与方向角信息的轨迹时空聚类方法，该方法包括：

获取交通数据，所述数据包括多条轨迹的轨迹坐标序列、旅行时间序列、方向角序列、路段ID序列；

利用一条轨迹的邻域内的轨迹的数量、轨迹坐标序列间的距离计算不同轨迹的坐标序列之间的相似度；

根据轨迹上的方向角序列之间的距离、角度差计算方向角的相似度；

利用Jaccard相似性系数计算路段ID的相似度；

将满足第一预定数量的且与一轨迹的相似度低于第一预定阈值的轨迹进行聚类，并将满足第二预定数量的且与所述聚类的轨迹的相似度低于第二预定阈值的轨迹进行聚类；

输出轨迹聚类结果。

可选的，设与为两条不同的轨迹数据，其中N₁和N₂分别是轨迹M_p和M_q的长度，即为x为横坐标序列，y为纵坐标序列，t为旅行时间序列，θ为方向角序列，r为路段ID序列。

可选的，利用DTW函数计算轨迹坐标的相似度，包括：

通过匹配M_p和M_q构造路径矩阵矩阵元素的计算公式如下：