[发明专利]基于多向最优扩展的城市有向交通廊道识别方法

说明书

本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法，包括：获取原始轨迹数据集，对所述原始轨迹数据进行数据清洗和路网匹配，利用时间槽提取特定时段的轨迹子集，对城市有向路网进行建模；计算城市有向路网的流量值和依赖度，融合所述流量值和所述依赖度计算有向路段的核心度；根据所述有向路段的核心度确定种子路段，提取种子路段的所有邻居路段进行排列组合，探测出全部交通廊道，形成城市有向交通廊道网络。本发明构建实际路网中机动车出行流量值和路径选择依赖度指标识别路网空间中城市交通廊道。

技术领域

本发明涉及时空数据挖掘领域，特别涉及一种基于多向最优扩展的城市有向交通廊道识别方法。

背景技术

随着我国经济化水平与城市化进程不断推进，快速增加的机动车保有量和居民出行量对我国城市交通运输效率及运输能力带来了前所未有的严峻挑战。频繁的城市交通拥堵现象凸显出交通路网供给与居民出行需求之间存在着不平衡的匹配关系，而城市交通廊道作为实现城市居民出行需求的重要通道，承担着路网中关键而庞大的居民出行流，是调度优化交通出行、解决交通拥堵问题的关键内容。因此，精准全面地识别城市交通廊道，对居民出行诱导、路网交通组织、城市功能区域演化和城市空间调整规划等具有重要的指导意义。

城市交通廊道作为城市交通路网运输的核心骨架与重要部件，是指交通路网中运输能力发达、承载客流庞大、路段拓扑相连的若干路段组合。现有城市交通廊道识别方法主要有三种，即映射模型方法、图论方法和聚类方法。其中，基于映射模型的方法通常先将研究区域(或路网)划分为不同等级的区块(或路段)，结合先验知识构建引力模型模拟区块(或路段)对居民的聚集吸引程度，将引力最大的区块(或路段)连通路径识别为交通廊道。然而这类方法的识别结果依赖于出行规则的理想先验假设，模型稳定性和迁移性欠佳。基于图论的方法通常将交通小区或路网抽象为图网络，通过交通配流模型提取流量较大的热点路径作为城市交通廊道。然而这类方法需要预先对居民出行起讫点和出行路径做先验估计，仍未有效解决先验知识依赖性和识别结果不确定性的问题。

发明内容

本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法，其目的是为了解决现有城市交通廊道识别方法无法充分顾及居民出行特征且难以识别有向路段级交通廊道的问题。

为了达到上述目的，本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法，包括：

步骤1，获取原始轨迹数据集，对所述原始轨迹数据进行数据清洗和路网匹配，利用时间槽提取特定时段的轨迹子集，对城市有向路网进行建模；

步骤2，计算城市有向路网的流量值和依赖度，融合所述流量值和所述依赖度计算有向路段的核心度；

步骤3，根据所述有向路段的核心度确定种子路段，提取种子路段的所有邻居路段进行排列组合，探测出全部交通廊道，形成城市有向交通廊道网络。

其中，所述步骤1中对所述原始轨迹数据进行数据清洗和路网匹配的步骤具体包括：

在所述原始轨迹数据集中提取相同车辆号的轨迹点，按照时间升序排列获得机动车的出行轨迹序列，并将任一机动车C出行轨迹表达为Tra_c＝{(x_C,1,y_C,1,t_C,1),(x_C,2,y_C,2,t_C,2),…,(x_C,k,y_C,k,t_C,k),…}，删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据；其中，(x_C,k,y_C,k)表示机动车C在时刻t_C,k的位置坐标；