基于多源轨迹数据的城市交通状态精细划分与识别

交通运输系统工程与信息 ›› 2020, Vol. 20 ›› Issue (1): 83-90.

• 智能交通系统与信息技术 • 上一篇下一篇

基于多源轨迹数据的城市交通状态精细划分与识别

邬群勇^{* 1, 2, 3}，胡振华^{1, 2, 3}，张红^{1, 2, 3}

1. 福州大学空间数据挖掘与信息共享教育部重点实验室，福州 350108；2. 卫星空间信息技术综合应用国家地方联合工程研究中心，福州 350108；3. 数字中国研究院(福建)，福州 350003

收稿日期:2019-09-12 修回日期:2019-11-18 出版日期:2020-02-25 发布日期:2020-03-02
作者简介:邬群勇(1973-)，男，山东诸城人，研究员，博士.
基金资助:
国家自然科学基金/ National Natural Science Foundation of China(41471333)；中央引导地方科技发展专项/ The Central Guided Local Development of Science and Technology Project(2017L3012).

Fine Division and Identification of Urban Traffic Status Based on Multi-source Trajectory Data

WU Qun-yong^{1, 2, 3}, HU Zhen-hua^{1, 2, 3}, ZHANG Hong^{1, 2, 3}

1. Key Lab of Spatial Data Mining and Information Sharing of Ministry of Education, Fuzhou University, Fuzhou 350108, China; 2. National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology, Fuzhou 350108, China; 3. The Academy of Digital China (Fujian), Fuzhou 350003, China

Received:2019-09-12 Revised:2019-11-18 Online:2020-02-25 Published:2020-03-02

摘要/Abstract

摘要：

针对基于路段的城市交通状态分析方法的不足，本文利用公交车和出租车轨迹数据提出了城市交通状态精细划分和识别方法，实现城市交通状态分析.对两种轨迹点的速度值和空间位置值分别进行归一化处理，以此为属性数据，通过迭代计算轮廓系数确定k 值完成轨迹点聚类，结合二次处理方法对类簇进行拆分和融合以划分道路交通状态；在特征级建立多源数据融合方法，实现交通状态速度值计算；以归一化后的速度值为属性数据，通过聚类将样本分为4类对应4种城市交通流状态层级.实验表明，本文方法能够实现道路交通状态精细划分，能有效地识别出道路局部位置的交通状态，进而可为城市道路交通管理提供决策支持.

关键词: 城市交通, 交通状态精细划分, 聚类分析, 多源数据, 交通状态演化分析

Abstract:

Considering the shortcomings of urban traffic status analysis method based on road segments, this paper proposes a fine division and identification method of urban traffic status by using bus and taxi trajectory data, realizing the urban traffic status analysis. Firstly, the velocity and spatial position values of trajectory points are normalized separately, which are used as attribute data, trajectory points are clustered by iteratively calculating contour coefficients to determine k values , and the clusters are split and merged to divide road traffic status according to the proposed cluster quadratic processing method. Next, a multi- source data fusion method is established at the feature level to calculate the traffic status speed value. Finally, the sample is divided into four categories corresponding to four urban traffic flow status levels by clustering with attribute data of the normalized velocity value. The experimental results show that the proposed method can realize the fine division of road traffic status and effectively identify the traffic status of different locations of a road, which can provide decision support for urban road traffic management.

Key words: urban traffic, fine division of traffic state, cluster analysis, multi-source data, traffic state evolution analysis

中图分类号:

U491

邬群勇，胡振华，张红. 基于多源轨迹数据的城市交通状态精细划分与识别[J]. 交通运输系统工程与信息, 2020, 20(1): 83-90.

WU Qun-yong, HU Zhen-hua, ZHANG Hong. Fine Division and Identification of Urban Traffic Status Based on Multi-source Trajectory Data[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(1): 83-90.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19979.shtml

http://www.tseit.org.cn/CN/Y2020/V20/I1/83

参考文献

[1] ZHENG Y, CAPRA L, WOLFSON O, et al. Urban computing: Concepts, methodologies, and applications [J]. Acm Transactions on Intelligent Systems & Technology, 2014, 5(3): 1-55.

[2] 陆化普, 孙智源, 屈闻聪. 大数据及其在城市智能交通系统中的应用综述[J]. 交通运输系统工程与信息, 2015, 15(5): 45- 52. [LU H P, SUN Z Y, QU W C. Bigdata and its applications in urban intelligent transportation system[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(5): 45-52.]

[3] ZHENG Y. Trajectory data mining: An overview[J]. ACM Transactions on Intelligent Systems and Technology, 2015, 6(3): 1-41.

[4] 牟乃夏, 张恒才, 陈洁, 等. 轨迹数据挖掘城市应用研究综述[J]. 地球信息科学学报, 2015, 17(10): 1136- 1142. [MOU N X, ZHANG H C, CHEN J, et al. A survey of urban application research on track data mining[J]. Journal of Geo-information Science, 2015, 17 (10): 1136-1142.]

[5] 韦伟, 毛保华, 陈绍宽, 等. 基于时空自相关的道路交通状态聚类方法[J]. 交通运输系统工程与信息, 2016, 16(2): 57-63. [WEI W, MAO B H, CHEN S K, et al. Road traffic state clustering method based on spacetime autocorrelation[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(2): 57-63.]

[6 ] 邬群勇, 邹智杰, 邱端昇, 等. 结合出租车轨迹数据的城市道路拥堵时空分析[J]. 福州大学学报(自然科学版), 2018, 46(5): 724-731. [WU Q Y, ZOU Z J, QIU D S, et al. Spatio- temporal analysis of urban road congestion based on taxi trajectory data[J]. Journal of Fuzhou University(Natural Science Edition), 2018, 46 (5): 724-731.

[7] 黄大荣, 柴彦冲, 赵玲, 等. 考虑多源不确定信息的路网交通拥堵状态辨识方法[J]. 自动化学报, 2018, 44 (3): 533-544. [HUANG D Y, CHAI Y C, ZHAO L, et al. Road network traffic congestion state identification method considering multi-source uncertain information [J]. Acta Automatica Sinica, 2018, 44(3): 533-544.]

[8] 孙超, 张红军, 陈小鸿. 基于多源浮动车数据融合的道路交通运行评估[J]. 同济大学学报(自然科学版), 2018, 46(1): 46-52. [SUN C, ZHANG H J, CHEN X H. Road traffic operation evaluation based on data fusion of multi-source floating vehicle[J]. Journal of Tongji University(Natural Science), 2018, 46(1): 46-52.]

[9] 张彭, 张晓松, 雷方舒, 等. 道路拥堵概率估计方法及其在城市交通运行评价中的应用[J]. 交通运输系统工程与信息, 2015, 15(6): 161-169. [ZHANG P, ZHANG X S, LEI F S, et al. Road congestion probability estimation method and its application in urban traffic operation evaluation[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(6): 161-169.]

[10] WANG J Y, MAO Y, LI J, et al. Predictability of road traffic and congestion in urban areas[J]. LOS ONE, 2015, 10(4): e0121825.

[11] 付子圣, 李秋萍, 柳林, 等. 利用GPS轨迹二次聚类方法进行道路拥堵精细化识别[J]. 武汉大学学报(信息科学版), 2017, 42(9): 1264-1270. [FU Z S, LI Q P, LIUL, et al. Refinement identification of road congestion using GPS trajectory quadratic clustering method[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9): 1264-1270.]

[12] 雷宁, 张光德, 陈玲娟. 基于改进模糊聚类算法的快速路交通状态分类评价[J]. 公路, 2017, 62(11): 134- 139. [LEI N, ZHANG G D, CHEN L J. Classification and evaluation of expressway traffic status based on improved fuzzy clustering algorithm[J]. Highway, 2017, 62(11): 134-139.]

[1]	刘晓冰, 李奉孝, 田欣妹, 闫学东. 基于通勤模式的都市圈中心结构判别研究[J]. 交通运输系统工程与信息, 2022, 22(2): 17-28.
[2]	许奇, 陈越, 黄靖茹, 高顺祥, 张志健. 考虑出行费用的就业可达性分析[J]. 交通运输系统工程与信息, 2022, 22(2): 37-44.
[3]	刘春禹, 刘永红, 罗霞, 朱颖. 混合交通流环境下单交叉口自动驾驶车辆轨迹优化[J]. 交通运输系统工程与信息, 2022, 22(2): 154-162.
[4]	张小雨, 邵春福, 王博彬, 黄士琛. 新冠疫情影响下居民共享出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(2): 186-196.
[5]	李欣, 戴章, 李怀悦, 胡笳. 基于连续近似模型的轨道交通与常规公交耦合优化设计[J]. 交通运输系统工程与信息, 2022, 22(2): 206-213.
[6]	郝妍熙, 刘戎阳, 胡华, 方勇, 刘志钢. 单向通道行人-自行车混合流建模及自组织现象研究[J]. 交通运输系统工程与信息, 2022, 22(2): 223-229.
[7]	赵传林, 贺少松, 孙淑敏, 王钰涵. 基于理性疏忽理论的交通疏散网络双层优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 239-246.
[8]	陈小红, 蓝秋雨. 不确定交通需求下交叉口信号配时区间优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 247-256.
[9]	李冰, 王正辉, 马铭炜, 杨鸿宇, 冯悦. 信号交叉口行人二次过街下右转车通行能力与延误估计模型[J]. 交通运输系统工程与信息, 2022, 22(2): 257-267.
[10]	朱彤, 秦丹, 董傲然, 杜雨萌, 魏雯. 公交驾驶员违规类型同交通事故间的关联分析[J]. 交通运输系统工程与信息, 2022, 22(2): 322-329.
[11]	毛保华, 王敏, 何天健, 陈海波. 城市公共交通服务水平研究回顾和展望[J]. 交通运输系统工程与信息, 2022, 22(1): 2-13.
[12]	王子甲, 贾慧慧, 朱亚迪, 陈峰. 基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(1): 67-73.
[13]	贾斌, 朱凌, 李树凯, 刘家林. 城市轨道交通小交路计划与客流控制协同优化策略[J]. 交通运输系统工程与信息, 2022, 22(1): 124-132.
[14]	牟振华, 汪寒冰, 林本江, 陈逸群, 金程程, 陈艳艳. 基于演化博弈的违章停车动态罚金策略效用仿真评价[J]. 交通运输系统工程与信息, 2022, 22(1): 152-162.
[15]	贾富强, 李引珍, 杨信丰, 马昌喜, 代存杰. 基于演化博弈的政府鼓励条件下共享停车行为分析[J]. 交通运输系统工程与信息, 2022, 22(1): 163-170.

基于多源轨迹数据的城市交通状态精细划分与识别

Fine Division and Identification of Urban Traffic Status Based on Multi-source Trajectory Data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics