基于深度学习的车辆轨迹重建与异常轨迹识别

车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战。本文构建基于数据增强的LSTM-AE-Attention深度学习模型，进行车辆轨迹重建和异常轨迹识别。首 先，使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集，实现数据增强；其 次，通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹重建；最后，结合自编码网络预训练和注意力机制构建异常识别模型。采用实际车辆轨迹数据测试，模型的评价指标明显优于支持向量机、随机森林和长短时记忆神经网络模型，重建实验中模型的决定系数为0.968，异常识别实验中模型的F1值较对比模型平均提升9.8%。结果表明，本文提出的模型可有效、可靠地运用于平滑车辆轨迹数据和纠正异常车辆轨迹。     

基于浮动车数据的车辆时空相遇关系分析

为研究离散时空数据之间的时空关系,以离散的浮动车数据为基础,提出了一种以时空路径为枢纽的车辆时空相遇关系分析方法.采用地图匹配方法对离散的浮动车数据进行空间插值,以获取车辆在空间上连续的轨迹;提出了根据邻接采样点的时间戳和轨迹进行线性插值的方法,以获取邻接采样点之间轨迹上任意一点的时间;以空间关系理论和Allen的时间段逻辑模型为基础,分析了不同时态关系车辆的相遇情况;最后,设计了基于浮动车数据的时空轨迹获取及时空相遇分析实验,并分析了车辆之间的时空相遇关系.实验结果表明:以连续时空轨迹为核心的分析方法,能较好地表达离散时空数据的时空关系.     

面向实时交通信息提取的车辆轨迹数据挖掘

车辆行驶轨迹是驾驶人员主观意愿和道路客观约束条件综合作用的结果,从海量车辆轨迹中可以挖掘出道路的实时交通信息为智能交通服务．通过建立轨迹约束模型用以量化各约束因子,基于线性参照系统的数据预处理以加快检索速度和降低轨迹的不确定性,基于移动目标主体相似性和移动轨迹时空相似性的数据选取降低了数据库搜索次数提高发掘准确度,分别针对道路交叉口和一般路段进行数据挖掘,提取实时的道路交通信息．研究结果和实验结果表明,这个挖掘算法可以有效地提取道路实时路况信息．     

基于手机传感器数据的交通出行调查实证评估

应用手机传感器与调查问卷, 同步采集了校园内高校学生2周的真实出行轨迹; 考虑了真实出行环境下的手机传感器数据特征, 结合高斯滤波预处理数据, 根据轨迹点的时空聚类特性, 用时空聚类算法识别了出行端点和出行时间, 结合轨迹点速度、加速度特征, 利用支持向量机识别了出行方式; 将手机传感器数据与调查问卷、查核线数据对比, 分析了手机传感器数据出行特征识别的准确程度, 验证了出行特征的提取效果。分析结果表明: 手机传感器与问卷调查识别出行链的成功匹配比例为81.66%, 说明手机传感器数据可有效记录出行轨迹; 时空聚类算法参数中核心点空间半径为26.92 m, 最小样本点为129, 时间约束为129 s时, 出行端点识别准确率为93.02%, 出行时间识别准确率为90.84%, 说明手机传感器识别出行端点和出行时间的效果较好; 当支持向量机设置类型为经典支持向量机, 核函数为径向基函数, 惩罚系数为0.797, 核参数为2.260时, 出行方式识别准确率为89.86%, 即利用手机传感器能够有效识别出行方式。可见, 手机传感器数据识别结果合理, 能为手机传感器数据应用于实际出行调查做支撑。      

基于时空相似度聚类的热点载客路径挖掘

出租车的载客轨迹直接体现了车辆的行驶状态和居民的出行规律,热点载客路径的挖掘为交通管理与规划,居民行为模式发现及出租车载客推荐等具有重要价值. 本文以兰州市3 000 辆出租车载客轨迹为研究对象,提出了基于时空相似性聚类的热点载客路径挖掘算法. 首先,根据出租车的GPS轨迹数据提取出载客轨迹及其核心轨迹;然后,根据提出的相似性度量算法计算核心轨迹的空间相似性、时间相似性及时空相似性,并结合DBSCAN聚类算法对载客轨迹进行聚类;最后,根据聚类结果获取城市热点载客路径的空间分布,并分析了其在工作日和非工作日的差异. 实验结果表明,本文提出的挖掘算法能有效、快速地发现城市热点载客路径的分布.     

基于有趣地点压缩的时空轨迹聚类

研究移动物体时空轨迹局部关键地点时空相似的聚类问题.根据移动物体的运动状态提取轨迹中的有趣地点,利用最小包围盒技术对这些有趣地点进行描述,得到基于有趣地点压缩的轨迹表示形式;然后给出一个时空属性相结合的相似性度量公式,对压缩表示的轨迹进行相似性度量;基于这个相似性度量公式对轨迹进行聚类,聚类方法采用层次聚类法.实验结果表明,本文提出的方法能有效地对移动物体时空轨迹进行聚类,由于采用了增量式的轨迹压缩方法,不仅提高了聚类的速度,而且还实现了增量式的轨迹聚类.     

基于时空相似度聚类的热点载客路径挖掘

出租车的载客轨迹直接体现了车辆的行驶状态和居民的出行规律,热点载客路径的挖掘为交通管理与规划,居民行为模式发现及出租车载客推荐等具有重要价值. 本文以兰州市3 000 辆出租车载客轨迹为研究对象,提出了基于时空相似性聚类的热点载客路径挖掘算法. 首先,根据出租车的GPS轨迹数据提取出载客轨迹及其核心轨迹;然后,根据提出的相似性度量算法计算核心轨迹的空间相似性、时间相似性及时空相似性,并结合DBSCAN聚类算法对载客轨迹进行聚类;最后,根据聚类结果获取城市热点载客路径的空间分布,并分析了其在工作日和非工作日的差异. 实验结果表明,本文提出的挖掘算法能有效、快速地发现城市热点载客路径的分布.     

基于车辆身份感知数据的路段轨迹 重构方法研究

车辆轨迹蕴含着大量丰富的交通流时空信息,对于全面解构城市交通路网运行具有至关重要的意义.传统车辆轨迹重构模型大多基于定点线圈检测数据或者浮动车轨迹数据作为输入数据,并且普遍未考虑过饱和交通状态.本文提出了一种基于车辆身份感知数据的车辆路段轨迹重构方法,通过构建一种绿灯相位回溯框架,基于交通流激波理论分段重构车辆行程轨迹,每次回溯过程包含两个主要步骤,即估计车辆状态和分状态重构车辆行程轨迹;然后在Paramics 微观交通仿真平台上对本方法模型的准确性进行了验证.结果表明,该方法在各种饱和状态下均能达到令人满意的应用效果.     

高速公路车辆轨迹摆动特征与小客车道宽度研究

为明确车辆在高速公路车道保持阶段行驶过程中的轨迹横向摆动行为特征，利用高速公路无人机航拍的车辆轨迹数据集，基于车辆位置坐标提取行驶轨迹和速度，计算车辆在自然驾驶状态下的轨迹摆动特征指标，包括轨迹横向摆动的幅度和在摆动周期内的纵向行驶距离，分析不同车型的速度分布特征，研究行驶速度和车道位置对车辆轨迹横向摆动指标的影响。结果表明，尽管小型车和大型车的车身尺寸和动力性能存在显著差别，但两者的轨迹摆动幅度在整体上基本相同，两种车型的摆动幅度平均值分别为0.587 m和0.560 m，摆动周期内的行驶距离分别为252.95 m和251.99 m；车辆轨迹的横向摆动幅度对速度变化不敏感，不会随速度增加而增大，在高速条件下趋于平稳甚至下降，同样，摆动周期内的行驶距离与行驶速度之间未见显著相关性；不同的车道位置对轨迹摆动行为有一定影响，对小型车而言，车道位置由内向外变化时，轨迹摆幅有一定的增加趋势，而大型车的轨迹摆幅则是中间车道最小；国内高速公路车辆轨迹摆幅略高于德国HighD数据集的分析结果，但整体上非常接近；根据车辆轨迹的横向摆动幅度特征，可以确定高速公路小客车专用车道(或是小客车专用高速公路)的...     

关联路网拓扑特性的车辆出行行为画像分析研究

基于交通时空大数据的微观出行行为分析可以为精细化、个性化的交通管控措施制定提供支持,车牌识别数据作为一种精度高、准确性高、采样率全的时空大数据,近年来受到广泛关注。但是现有基于车牌识别数据的出行行为分析文献在进行行为分析的过程中较少考虑路网特征,即没有将出行者的行为与路网特性结合起来分析,这导致挖掘得到的出行模式与路网本身的关联不高。本文首先对车牌识别数据和路网拓扑数据进行数据融合,基于此融合数据,根据机动化出行者的出行行为特性使用聚类算法进行车辆画像,将路网上的车辆划分为临时办事车辆、频繁过境车辆、家庭不常用车辆、通勤车辆、网约出租车辆五类车辆。同时,结合复杂网络方法和聚类算法对交叉口进行画像分析,挖掘出交通管理者需要重点关注的交叉口。在此基础上,结合车辆出行行为和路网拓扑信息深入挖掘出行车辆的出行模式,构建车辆画像-交叉口画像-过车频次矩阵、车辆画像-交叉口画像-过车占比矩阵,进而对车辆出行时空特性进行深入挖掘,为交通管控措施的制定提供支持。     

基于在线有向无环图的船舶轨迹压缩算法

为了解决船舶轨迹数据的压缩问题, 提出了一种船舶轨迹在线压缩算法; 使用多次滑动推算船位判断方法清洗船舶轨迹, 使用在线有向无环图在干净轨迹上建立压缩路径树并输出采样点; 为了提高轨迹队列和路径树在内存中的查询速度, 使用哈希表对其进行管理; 为了验证提出算法的效果, 比较了真实船舶自动识别系统数据与方向保留算法、道格拉斯-普克算法的压缩时间和误差, 采用可视化方法分析了原始轨迹、清洗轨迹和压缩轨迹。试验结果表明: 在压缩时间方面, 方向保留算法和道格拉斯-普克算法的压缩时间分别约为提出算法的1.1、1.3倍, 说明提出的算法比其他2种算法的处理时间更短; 提出的算法在压缩过程中保留了时间信息, 平均同步欧氏距离误差在任何压缩率下都能保持在10 m以下, 最大同步欧氏距离误差在压缩率为1%时仅有127 m, 而其他2种算法的平均同步欧氏距离误差和最大同步欧氏距离误差不受控制, 会随机变化; 在垂直距离误差方面, 提出的算法与道格拉斯-普克算法在压缩率不小于5%的条件下, 都能保证垂直距离误差小于20 m, 而方向保留算法的垂直距离误差会随机变化; 在显示效果方面, 提出的算法能有效清除轨迹噪声点, 压缩轨迹能够较好地代表原始轨迹的宏观交通流情况。可见, 提出的算法能更高效地保留原始轨迹的形状和时间信息。      

改进的Sliding Window在线船舶AIS轨迹数据压缩算法

分析了船舶AIS数据的时间序列特征与船舶操纵特性, 提出了改进的Sliding Window在线压缩算法; 计算了277艘船舶总计1 026 408个坐标点的AIS轨迹数据, 确定了合适的压缩阈值, 分析了距离阈值与角度阈值对算法压缩率的敏感程度; 根据压缩率图像的阶跃点, 推荐了高、中、低3个档位的距离阈值和1个角度阈值, 对比了Douglas-Peucker算法和改进Sliding Window算法的压缩率与压缩效率。试验结果表明: 随着压缩率的提高, 压缩后所剩下的点越来越少, 数据所保留下来的有用信息也越来越少; 压缩率与距离阈值、角度阈值均呈正比; 经量纲为1化处理的高、中、低档位压缩距离阈值分别为43%、38%、33%船长; 距离阈值为130m时, 角度阈值超过9°后压缩率平稳, 所以推荐角度阈值为9°, 与《海港总体设计规范》 (JTS 165—2013) 中风流压差角8°相接近; 随着距离阈值的增大, Douglas-Peucker算法和改进Sliding Window算法压缩率趋于相近, 当距离阈值为120 m时, Douglas-Peucker算法压缩率仅比改进Sliding Window算法高1.74%;在5种距离阈值的情况下, Douglas-Peucker算法运行所用的平均时间是改进Sliding Window算法的5.39倍; 随着数据量的增大, 2种算法压缩效率的差距更加明显。可见, 改进的Sliding Window算法能在降低压缩风险的同时大幅提高压缩效率, 可以在数据持续更新的状态下一直保持压缩状态, 与普通压缩模式相比, 系统所占用的资源更少, 处理效率更高, 可用于船舶轨迹数据处理、电子海图显示与对船舶关键行为特征提取等方面。      

交叉口机动车运动轨迹特征提取与标定

为探讨机动车在交叉口的运行特性,采用复合特征提取算法获取图像上机动车运行的轨迹特征;在多边形线性扫描算法的基础上,考虑摄像机成像畸变的影响,引入中心偏移因子,提出了考虑中心偏移的多区域扫描标定算法,将运行轨迹图像特征转化为真实的运动特征;最后,与多边形线性扫描算法的计算结果及实测数据进行了对比,结果表明:该算法能够有效地提取交叉口机动车的运行轨迹,准确地表征机动车在交叉口的相关运行特性;与实测车速相比,计算得到的机动车速度误差小于4%.      

一种基于手机定位数据的出行行程识别方法

提出并实现了一种基于手机定位轨迹数据的出行行程识别方法.通过速度对轨迹点进行划分,将低于一定速度阈值以下的轨迹点合并为候选停留位置,再利用距离阈值和时间阈值对候选停留位置进行合并,从而确定出真正的停留点,继而自动统计出行次数和出行时间.该方法解决了手机定位数据的定位漂移和抖动的问题,行程识别精度高,识别结果可为交通规划工作提供相关数据,并具有比传统交通调查方法更低的成本和更短的数据更新周期.     

基于半监督极限学习机的隧道内车辆RSSI定位方法

为了提高公路隧道突发事件的判别效率，实现道路交通状态全天候监测，以智能公路上泛在无线传感网络为基础，研究了基于信号强度指示值(RSSI)的网联车辆定位问题；考虑到隧道内车辆的连续运动特性，提出了一种带有局部线性嵌入(LLE)算法的半监督极限学习机(SSELM)实现RSSI指纹定位；离线阶段利用LLE对少量已标记位置的RSSI样本和大量无标记样本进行降维处理，辨识表征目标位置信息的高维数据对应的低维流形，再基于改进的半监督学习拟合降维后的RSSI与位置的映射关系；在线阶段将实时采集的RSSI数据进行流形降维后，输入校准好的SSELM中估计目标位置；采用无迹卡尔曼滤波平滑估计位置。试验结果表明:相比于已有半监督学习算法，提出的方法在不同车辆行驶速度和部署间距下均能取得较优的定位性能；当已标记数据占比(减少了50%~90%)、未标记数据数量(0~1 000个)和检测器部署间距(10~25 m)等关键指标变化后，本文方法的定位性能仍然保持最佳，其平均误差最低为3.09 m；计算复杂度上，当已标记数据为30%，即仅采集96个参考点样本时，其平均定位误差为3.8 m，训练时间低至8.7 s。可见，带有局部线性嵌入算法的半监督极限学习机在稀疏或密集传感器部署环境中，对不同行驶速度的车辆均能提供理想的定位性能，且训练时间短、样本依赖性低，是进行隧道内网联车辆辅助定位的一种有效方法。      

基于车路协同的车辆定位算法研究

为解决道路交叉口车辆由于定位信号缺失或者延迟引起的车辆定位偏差较大的问题,提出了基于车路协同的协同地图匹配算法（cooperative map-matching,CMM）. 首先利用扩展Kalman滤波（extended Kalman filter,EKF）融合GPS与车载航位推算系统（vehicular dead reckoning,DR）信息作为协同地图匹配的预先定位;然后基于短程通讯技术实现车辆信息的交换与共享,在电子地图的基础上,利用道路约束实现车辆进一步定位. 为了验证算法的有效性,搭建了模拟真实场景的仿真环境进行实验. 研究结果表明:采用EKF融合GPS/DR数据的交叉口车辆定位平均偏差为9.09 m,相比GPS 的14.31 m,定位偏差减小30.87%;采用CMM算法的交叉口车辆,当参与CMM车辆数为7时,平均位置偏差为4.5 m,参与CMM车辆数为10辆时,平均位置偏差为2.75 m,相比EKF定位偏差减小69.74%.      

基于行为识别的智能车纵向决策研究

针对智能车纵向决策问题，提出基于环境车辆偏离车道程度识别运动模式的方法；构建动态环境车辆横纵向轨迹预测模型，并求解；构建保持、先行、避让在内的决策集，提出基于预测轨迹的单个车辆决策方法，并基于所有动态环境车辆的决策结果在加速、减速和匀速3 种结果中做出综合决策. 实车实验表明：在直行、换道和转弯运动模式下轨迹预测平均误差分别为0.11，0.29，0.80 m，预测精度较高；复杂动态环境下，本文提供的纵向决策信息提升了智能车行驶的安全性和舒适性.     

一种基于手机信令的通勤OD 训练方法

针对基站定位精度低、信令采样间隔长、轨迹不连续的手机信令,提出一种职 住及通勤OD(origin-destination)计算框架.对用户单日手机轨迹按时间排序,标识每个轨 迹点的进出时间及停留时间,剔除长距离漂移轨迹点,对邻近轨迹点进行空间聚合.将全 天划分为多个时窗,叠加用户多日轨迹,计算稳定指数并识别用户在各时窗内的多日稳 定点.综合工作日与节假日稳定点判断用户居住地、工作地.采用基于常住人口的扩样方 法,对街道通勤OD矩阵进行扩样.模型结果与重庆主城常住人口分布、2014 年居民出行 调查结果吻合.