[发明专利]一种基于浮动车数据的城市指引区域提取方法

摘要

本发明从城市兴趣点指路标志布设的角度出发，提出一种基于浮动车数据的城市指引区域提取方法，包括一下步骤：提取浮动车行驶轨迹中载客路径的上下车位置数据，构建OD数据集；基于改进密度聚类算法对浮动车OD数据聚类得到出行热点簇，计算热点簇质心表示出行热点的地理位置；对出行热点质心进行二次聚类得到出行热点密度包，搜索密度包凸集构建几何形状的热点区域；计算热点区域热度表示出行需求程度，根据热度划分热点区域指引等级；根据指引等级提取兴趣点群和指引区域；指引区域是出行热点区域，能为城市指路标志指引布设提供参考。

主权项

1.一种基于浮动车数据的城市指引区域提取方法，其特征在于，包含以下步骤：S1.提取浮动车行驶轨迹中载客路径的上下车位置数据，构建OD数据集；S2.基于改进密度聚类算法对浮动车OD数据聚类得到出行热点簇，计算出行热点簇质心；S3.对出行热点质心进行二次聚类得到出行热点密度包，搜索密度包凸集构建几何形状的热点区域；S4.计算热点区域热度，划分热点区域指引等级，得到基于浮动车数据的城市指引区域图；所述步骤S1中，提取浮动车行驶轨迹中载客路径的上下车位置数据，构建OD数据集；其具体实现过程是，对于原始的浮动车数据定义为结构P：P＝{l,lon,lat,t,s}其中l是车辆牌照，lon、lat是经、纬度，t是定位时间，s是浮动车行驶状态标识，主要包括空车和重车；而对于车辆k，每个定位时间t的浮动车数据定义为：P_t^k＝{lon,lat,s}根据定位时间t对浮动车k的定位数据排序并构建全局路径序列GTr^k：GTr^k＝{P_t^k|t＝1,…,n}利用全局路径序列中行驶状态的变化，可提取出浮动车在不同行驶状态下的出行路径；浮动车出行路径主要包括空车状态下的路径和重车状态下的路径，提取重车状态下路径的OD数据作热点区域挖掘，在全局路径序列GTr^k中，假设定位时间a<b，如果满足以下三个条件：①P_a^k的行驶状态为空车状态，P_a+1^k行驶状态为重车状态；②P_b+1^k中行驶状态为空车状态；③P_a+1^k和P_b^k间的行驶状态相同；则提取数据P_a+1^k和P_b^k作为载客路径中的OD对(P_O^k,P_D^k)，提取浮动车k全局路径序列GTr^k中的所有载客OD数据，构成浮动车k的OD数据集S^k：其中：j代表浮动车k在全局路径序列中的不同重车路径，和分别表示不同重车路径的起点和终点位置；所述步骤S2中，对浮动车OD数据聚类得到出行热点簇，其实现过程是：1)遍历数据集，如果数据对象p未被处理，则判断对象p是否为核心对象，如果是则建立新簇C；判断其他点是否在对象p的Eps邻域内，是则将对象p的Eps邻域内的所有对象添加到簇C中；2)搜索簇C中未处理的对象，如果对象q未被处理，则判断对象q是否为核心对象，如果是核心对象则将q的Eps邻域内未被划分到任何簇的对象添加到簇C中；3)若簇C中所有的数据对象都被判断过，则该簇的聚类完成，标记该簇内所有对象为已处理；4)重新搜索数据集中未被处理的点对象，判断是否核心点，开始新簇的聚类；直到所有的数据点都被划分到某个簇或者不被划分到任何一个簇，不属于任何簇的数据点标记为噪声点，算法结束；当对象p的Eps邻域内的数据点不小于能构成聚类簇的最小点数量MinPts时，说明在该对象p的Eps半径内点密度较高，是人们出行频繁的地点，认为该对象的邻域内的数据点构成的聚类簇为出行热点簇；其中，在基于改进密度聚类算法的聚类过程中，建立参数d_max限制聚类簇的空间尺寸，d_max是指聚类簇的所有点对象与当前聚类簇质心的最大距离，即聚类簇中的任意对象p_i必须满足公式(1)：dis(p_i,p_c)＜d_max  (1)其中dis表示两点距离，p_c(x_c,y_c)为聚类过程中的当前聚类簇质心，计算如公式(2)：N_c为簇C包含的点数量，x_i和y_i分别为对象p_i的经度和纬度；而对于核心对象p的聚类簇C_p，定义聚类簇C_p中最左、最右、最上和最下的对象p₁、p₂、p₃、p₄为主要判断对象；在聚类簇扩展中，只对主要判断对象进行扩展，聚类簇内非主要判断对象不进行扩展；对于二维空间中的点a和b，坐标分别为(x_a,y_a)和(x_b,y_b)，则a与b的欧拉距离d_e(a,b)，即两点的直线距离，计算如公式(3)：最后当聚类收敛时，再利用公式(2)计算每个聚类簇的质心表示出行热点的地理位置；所述步骤S3中，对出行热点簇质心进行二次聚类得到出行热点密度包，搜索密度包凸集构建几何形状的热点区域；具体方式是，利用密度聚类方法对出行热点簇质心进行聚类，把空间密集的出行热点聚合成簇，称为出行热点密度包；构建具有几何形状的热点区域，将聚类结果转换为地理几何数据，并以多边形来表示；利用Graham扫描法获取聚类簇的凸包，凸包是指点集的最小凸多边形，依次连接凸包中的点从而构建热点区域；Graham扫描法的步骤如下：1)首先找到所有点中y坐标最小的点，如果y坐标相同，则找x坐标最小的点；2)以该点为基准求所有点的极角，并按照极角大小排序得到点序列S＝{s₁,s₂,…,s_n}；3)建立一个堆栈，初始点s₁、s₂和s₃进栈，对于点s₁至s_n，若栈顶的两个点与它不构成“向左转关系”则将栈顶的点出栈，直至没有点需要出栈以后将当前点进栈；4)所有点处理完后堆栈中保存的点为凸包；由于出行热点分布不同路段中，在路网拓扑中并非是直线可达的，路网距离与欧拉距离有很大的差别；考虑道路网络可达性，在热点区域聚类过程中采用路网拓扑距离；道路网络用无向图G＝(V,E)表示，其中V为结点集，E为路段集；根据对象p与路网中路段的距离，选择距离最短的路段为对象p的所属路段；对于同一路段中的对象p和q，定义d_e(p,q)为两对象的路段投影点的距离；d_e(p,q)可通过式(4)计算，其中d_e(p,v_i)表示p与路段结点v_i的路段距离；d_e(p,q)＝|d_e(p,v_i)‑d_e(q,v_i)|  (4)对于不同路段中的对象p和q，定义d_t(p,q)为对象p和q在路网上的最短路径距离；最短路径距离可表示为式(5)所示，其中d_min(v_p,v_q)由Dijkstra算法获得；d_t(p,q)＝d_e(p,v_p)+d_min(v_p,v_q)+d_e(v_q,q)  (5)所述步骤S4中，计算热点区域热度，根据热度划分热点区域指引等级；具体方式是，首先令Q_k代表第k个热点区域，M_k为其所含出行热点簇的数量；对于热点区域k,定义区域内关联的浮动车数量比率为区域指引热度h_k，参考公式(6)；其中为第k个热点区域内的浮动车数量，N为所有热点区域的浮动车数量，计算分别参考式(7)和(8)；将区域的指引等级划分为四个等级，并通过式(9)把热度进行归一化处理，将结果映射到[0‑1]之间；指引热度反映了热点区域对人们出行的需求度，可以以此确定不同热点区域的指引等级；即指引热度(0.75,1]为一级指引，(0.5,0.75]为二级指引，(0.25,0.5]为三级指引，(0,0.25]为四级指引；