基于网络连接的轨迹数据时空查询条件

补充当前针对车辆轨迹数据中提取交通信息的查询语言的研究。通过对构成数据查询语言的重要组成部分——查询条件的探讨,定义了一种基于网络连接的、能满足轨迹数据应用需求的时空查询条件。     

基于时空特性的GPS轨迹数据压缩算法

车辆GPS数据中蕴含的车辆轨迹信息具有重要的理论和应用价值.为减少轨迹数据存储空间,提高数据分析及传送速度,提出了一种基于时空特性的轨迹数据压缩算法,根据GPS数据点的时空三维特征,计算轨迹特征点判断的距离标准,更准确的提取轨迹信息.算例分析结果表明,基于时空特性的GPS轨迹数据压缩算法大幅度减少轨迹压缩误差,提高压缩效率.     

基于时空注意力机制的STA-GRU船舶轨迹预测方法

船舶轨迹预测的精度关系到船舶智能航行水平。针对门控循环单元（gated recurrent unit, GRU）提取船舶时空信息数据能力不足,导致轨迹预测精度不佳的问题,研究了基于时空注意力机制的GRU船舶轨迹预测方法（spatial-temporal attention mechanism-gated recurrent unit, STA-GRU）。将传统GRU中的激活函数改进为加权激活函数组,以保留更完整的船舶轨迹数据;引入空间注意力机制模块提取船舶空间位置信息的特征,以船舶经纬度及相对经纬度数据作为输入序列,计算对应的空间权重注意力因子,获得空间特征向量;再引入时间注意力机制模块挖掘观测时段内历史轨迹特征向量的时空依赖性,以历史轨迹数据中的航速、航向拼接空间特征向量作为输入序列,计算时空权重注意力因子,将获得的时空特征向量作为STA-GRU模型的训练数据集,用于船舶轨迹预测。采用青岛港AIS数据开展实验验证,以输入时长20 min,采样频率2 min作为输入条件,构建船舶航行轨迹数据集,结果表明：对比LSTM、AT-GRU、Bi-GRU算法,STA-GRU模型不仅在训练过程中收...     

合江长江二桥船舶撞击风险评估

比较大桥船舶撞击风险评估各代表性模型,采用《美国公路桥梁设计规范(AASHTO)》船舶撞击风险评估方法对合江长江二桥船舶撞击桥墩进行风险评估,根据评估结果进行风险决策,建议采取有效的防撞构造措施,以降低或避免碰撞风险发生的可能。     

基于轨迹预测的智能汽车行驶风险评估方法

提出了基于预测轨迹的行车风险评估方法,首先建立了沿预测轨迹两侧具有渐变高斯截面特征的驾驶风险域DRF以表征驾驶员行为的不确定性,然后考虑车辆与周围静态、动态障碍物处于特定状态的风险后果建立环境事件成本,得到适应复杂行车场景不确定性的量化感知风险,并基于贝叶斯理论融合预测区间内的量化感知风险时间序列,实现了对于未来行车潜在碰撞风险的预测。实车轨迹和仿真实验结果表明,相比于经典TTC指标方法,基于融合未来一段时间内自车与周边环境交互信息的DRF的风险评估方法可以更快、更准确地辨识复杂交通场景的行车风险变化,为研究周边多车复杂场景下车辆碰撞风险问题提供了参考。     

基于轨迹的内河船舶行为模式挖掘

从内河海量的船舶AIS数据中提取出有用的交通知识,辅助水上安全监管,对于研究日益复杂的水上交通安全形势具有重要意义.基于内河船舶行为特征,构造由船舶位置、航速和航向4个维度组成的船舶航行状态空间来描述船舶行为.针对传统DBSCAN聚类算法提取状态空间中相似船舶轨迹存在计算复杂高的问题,提出增量式算法改进DBSCAN算法用以高效地计算不同船舶的行为模式;然后利用核密度估计等统计方法对不同模式的船舶行为特征进行数据挖掘,得到船舶航速、航向和位置的时空分布特征规律,进一步挖掘不同行为模式下的船舶微观特征.以武汉航段的汉江分叉航道水域作为研究案例,利用所提的方法对该水域分析研究,得到了6类不同行为模式,挖掘出不同模式下分叉航道内船舶静态属性信息(船舶类型、船舶尺寸)、空间分布特征(轨迹点分布、航速分布、航向分布)、船舶到达规律等信息.利用该模型所提取的知识有助于水上监管人员迅速获取水域交通态势,从而提高水上交通安全监管的水平和效率.     

基于船舶轨迹挖掘的海上航路网络构建方法

海上航路网络是船舶海上交通活动特征的时空表征,也是船舶航路规划、行为辨识、轨迹预测的重要基础。海量的船舶历史轨迹数据为自动提取海上航路网络提供了基础数据,但受轨迹数据噪声和密度分布不均匀的影响,传统航路网络自动提取方法存在网络节点识别准确性差、网络边连接错误率高等问题。针对上述问题,研究了1种基于船舶轨迹时空特征挖掘的海上航路网络自动构建方法。定义了海上航路网络的3种航路点类型,即停留点、出入点和航路转向点,设计了基于轨迹时空特征的航路点提取方法;提出了基于累计转向特征的航路转向点过滤策略,可有效去除船舶避碰、船舶徘徊等局部活动产生的非航路转向点;根据不同种类航路点的分布特征,综合利用DBSCAN聚类算法和凸包算法从航路点集合中提取和生成航路网络节点集合;定义了航路网络节点的有效连接规则,从原始轨迹中提取航路网络节点之间的轨迹簇,根据轨迹簇的统计特征生成航路网络节点之间的有向加权边,形成有向加权的海上航路网络。以珠江口水域为实验区域,对所提方法进行有效性验证,结果表明：所提方法可提取71个3类航路网络节点和200条航路路线;航路网络节点识别准确率与误识别率分别为86.42%和1.23%;航路网络边连接的准确率接近95%。所提方法能够有效识别海上航路的关键航路点及主要路线,实现航路网络的自动构建。     

基于改进三次Hermite插值的车辆时空轨迹重构研究

车辆时空轨迹是车辆的位置和时间的记录序列,对分析车辆异常状态,交通事故重现等具有重要的意义.路侧单元和车载设备因环境、传感器性能等因素的影响,造成车辆轨迹不完整和异常偏离,因此轨迹重构具有一定的理论价值和实际意义.轨迹重构主要方法是轨迹插值,插值的精度直接影响轨迹的准确率.对三次Hermite插值进行改进,使用三次多项式求导计算斜率代替使用斜率推算方法.实验表明,改进的轨迹重构算法不仅继承了三次Hermite插值的优点,且插值精度比分段直线插值、三次样条插值和三次Hermite插值更高.     

考虑时空紧迫度的船舶碰撞动态风险估计方法

为解决传统船舶碰撞风险计算方法在繁忙受限水域的应用局限性问题,运用突变理论提出了1种考虑时空紧迫度的船舶碰撞风险计算方法。根据2船实际船舶领域叠加区域数值和2船同方位发生碰撞时的船舶领域叠加区域数值,建立船舶碰撞空间紧迫度计算模型;基于2船相对位置和相对速度的矢量关系,建立船舶碰撞时间紧迫度计算模型。在此基础上,运用突变理论建立了考虑时空紧迫度的船舶碰撞风险计算模型。通过模拟仿真实验,将该模型与最小会遇距离（DCPA）和最小会遇时间（TCPA）及基于时空距离的碰撞风险评估模型进行了对比分析。实验结果表明：提出的船舶动态风险计算模型在复杂受限水域中能反映船舶碰撞风险变化量,且碰撞风险变化幅度较小,克服了DCPA、TCPA以及基于时空距离的碰撞风险评估模型在复杂受限水域中非线性描述风险变化的不足,可为船舶避碰决策提供参考。     

基于位置可达域的船舶轨迹噪声去除方法

船舶的AIS轨迹数据对研究船舶交通流和交通行为具有重要意义.然而通信链路及卫星定位信号等方面的干扰,导致AIS轨迹含有较多的噪声数据,严重影响了数据分析和数据挖掘的质量.根据船舶运动规律,研究得出一种基于位置可达域的船舶轨迹噪声数据去除方法.通过计算某时刻船舶运动的所有可能状态,估计船舶下一时刻位置可达的范围作为可达域判别条件,并利用滑动窗口对船舶AIS轨迹点进行滚动处理,将不满足可达域判别条件的点作为噪声点进行滤除,形成轨迹去噪算法流程.选取含有噪声的真实AIS轨迹数据进行方法验证,并与当前常用的轨迹去噪方法进行对比分析.相比于速度阈值法和基于密度的聚类算法,所提出的方法在召回率上分别提升了27.22%和23.14%,在F1指标上分别提升了14.31%和24.03%,说明算法对噪声点的识别较为准确,并能有效针对不同类型噪声进行处理.同时,通过多次重复试验和时间复杂度分析,验证该算法不仅满足海量AIS数据的离线去噪需求,还可用于轨迹在线去噪,满足实时应用的需要.     

基于VAE-LSTM模型的航迹异常检测算法

为了检测出异常航迹数据从而提高航迹数据挖掘的精确性,将航迹异常检测转化为无监督学习问题,研究了基于VAE-LSTM的航迹异常检测算法.引入残差结构到LSTM中,建立残差门LSTM,通过将变分自编码器中的BP神经网络层替换为残差门LSTM层,实现对变分自编码器的改进,并构建了VAE-LSTM航迹异常检测模型.模型输入为航迹的速度、加速度、真航向和曲率半径运动特征,输出为航迹点特征的重建概率,重建概率小于概率阈值的航迹点为异常航迹点,包含异常航迹点的航迹判定为异常航迹.以长江水域内的航迹数据进行验证并与多种机器学习异常检测算法进行对比.VAE-LSTM航迹异常检测算法的召回率达到了0.935,F1值达到了0.940,各项指标均高于对比算法,验证了方法的有效性.     

基于时-空注意力机制的车辆轨迹预测

城市交通环境中车辆的驾驶行为随机性较高,且驾驶人驾驶风格迥异。为了解决复杂交通环境下车辆行驶轨迹难以精确预测的问题,在社会生成对抗网络(Social GAN)的基础上,考虑车辆的行驶速度、加速度、航向角等行驶状态参数和形状尺寸,建立车辆间交互影响力场模型,提出一种基于时-空注意力机制的车辆轨迹预测算法(SIA-GAN)。根据受到场景中其他车辆交互影响力的大小赋予其他车辆不同的空间注意力权重因子,重点关注对自车行驶影响较大的车辆信息,并结合时间注意力机制挖掘自身车辆对观测时段内历史轨迹特征向量的时间依赖性,得到车辆预测轨迹。为验证所提算法的有效性,在开源数据集上对算法进行迭代训练,并与LSTM、Social LSTM、Social GAN三种轨迹预测算法进行对比分析。研究结果表明：SIA-GAN不仅在训练时的收敛速度上有较大提升,且与现有其他轨迹预测算法相比在平均位移误差、最终位移误差、平均速度误差、平均航向角误差等评价指标均有大幅下降,预测3.2 s时各项指标平均降低了51.25%、60.1%、37.84%、13.75%;预测4.8 s时各项指标平均降低了52.78%、61.47%、3...     

卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型

为了提高营运车辆驾驶人安全管理的精细化水平,合理地评估驾驶人驾驶风险程度,有的放矢地降低高风险驾驶人的事故率,基于卫星定位数据特点及驾驶行为与驾驶风险的相关关系设计26个驾驶行为特征参数。考虑到高速和非高速行驶时相同驾驶行为对驾驶风险的影响区别较大,根据23名营运车辆驾驶人的实测数据有针对性地筛选高速和非高速路段驾驶人风险评估指标,构建营运车辆驾驶人驾驶风险评估指标体系。然后,基于熵权法、独立性权系数法和Spearman相关系数法建立集成赋权法,确定各评估指标的权重。最后,雇佣40名营运车辆驾驶人进行实车试验以验证模型的合理性。结果表明：车辆速度和加速度方面的驾驶行为特征可以用于评估驾驶人的驾驶风险且评估效果较好,驾驶风险评估得分与实际交通冲突次数呈正相关关系,所建立模型可以较为准确地评估营运车辆驾驶人驾驶风险的高低,准确率达到77.50%,该模型在不同地区使用时,准确率存在一定的差异,但在容许范围之内,方法具有较好的鲁棒性。     

基于轨迹数据的共享电动自行车逆行风险行为影响因素研究

为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系.基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习Cat-Boost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析.研究结果表明:CatBoost模...     

基于轨迹数据的山区危险性弯道路段交通事故风险动态预测

针对山区双车道公路危险性弯道路段交通事故多发的现实问题,提出主动评估短时交通流状态下的交通事故风险,以降低交通事故发生率.采用无人机高空拍摄弯道路段交通流运行状态,利用计算机识别技术提取高精度的车辆轨迹和交通流数据,结合山区双车道公路弯道路段危险驾驶行为特征表征交通冲突,以距离碰撞时间为交通冲突量化指标,提出山区车道公...     

基于轨迹数据的单交叉口信号配时优化方法

随着城市化的发展,城市路网变得更加复杂,交通量日益增多.传统的数据采集方式如线圈、卡口存在铺设难度大、维护成本高、数据缺失等缺点.随着网络出租车的兴起,海量的轨迹数据被收集起来.本文整合了基于轨迹数据的交叉口排队模型和交叉口启动波模型,估计路口各相位排队长度,并应用交通波理论对交叉口各相位配时进行优化,建立了基于轨迹数据的单交叉口信号配时模型.该模型采用交叉口SCATS系统实际数据进行路口建模,经仿真验证,相较于原配时方案与Webster配时方法,该模型能够将交叉口延误分别降低61.37%和36.95%,验证了该模型的有效性.     

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分,对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式,提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先,考虑车辆类型对驾驶行为产生直接的影响,分析了大车和小车的车辆轨迹特征变量分布的差异性,包括速度、加速度、碰撞时间倒数、车头时距等,在标记危险驾驶行为的过程中考虑车辆类型的影响。其次,针对不同的车辆类型,利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估,将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间,评估驾驶人的整体驾驶状态是否危险,作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数,为了提高模型识别效率,将关键特征参数进行排序,从而确定最优判别指标;最后,利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别,并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下,LGBM算法对危险驾驶行为的理论识别率最高可达93.62%,可以实现基于机器学习算法的危险驾驶行为的高精度自动识别,该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足,减少跟车场景中追尾事故的发生,提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险,并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类,分别对典型制动避撞过程和制动转向避撞过程进行了分析,从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合,获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级,并基于图像处理方法提取了前车制动开始时刻的TM值,从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下,本车车速过低和过高时,TM值的变化均不明显;而在制动转向避撞场景中,只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析,引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值,其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用,对于制动避撞场景,在设定TM值不变和相对速度不变的条件下,分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真,仿真结果显示,相比于TTC而言,TM的评价稳定性受相对速度影响小,在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。