[发明专利]基于低精度时空轨迹数据的城市交叉口自动识别的方法

说明书

技术领域

本发明涉及基于低精度时空轨迹数据的城市交叉口自动识别的方法，属于地理信息系统与智能交通研究领域。

背景技术

城市道路交叉口是城市道路系统的重要组成部分，是城市道路上各类交通汇合、转换、通过的地点，是管理、组织道路各类交通的控制点。在整个道路网中，交叉口成为通行能力与交通安全上的卡口，并且在智能交通导航应用中占有举足轻重的地位。当前城市交叉口探测的方法数据源不同主要分为两类：从高分辨率遥感影像数据中识别交叉口和从时空轨迹数据中提取城市交叉口位置。利用时空轨迹大数据提取城市交叉口结构是目前研究的热点话题。相较于采样率在1s且定位精度在5m以内的高精度轨迹数据而言，由国内出租车及公共交通运输工具采集的时空轨迹数据，其定位精度在10-15m左右，采样间隔为10-60s，是一种低精度GPS数据。Fathi Alireza和John Krumm(2010)采用图形描述器方法从专业采集车和辅助大众运输车辆采集的高精度时空轨迹数据中探测城市交叉口并确定交叉口位置。此后，Liu Jiang等人(2013)提出基于测量车获取的高精度时空轨迹数据构建城市交叉口范围内的道路拓扑图。Wang等人(2014)提出一种基于高采样率时空轨迹数据的城市交叉口位置识别方法流程。该流程首先利用核密度方法，去除时空轨迹数据中的漂移点；然后利用物理模型方法对时空轨迹进行融合，将没有融合在一起的时空轨迹作为处于交叉口位置的疑似轨迹点；然后利用局部G统计，对疑似轨迹点进行密度评估，选择符合评估阈值的轨迹点作为处于交叉口位置的轨迹数据，并进一步对这些轨迹数据进行聚类，且构建以这些交叉口点为连接点的城市道路网络图。然而，以上研究并未对交叉口局部范围内的平面结构进行深入解析和识别。同时，利用高采样率和高定位精度的时空轨迹数据获取城市交叉口位置，虽然具有精度可靠的特点，但是也存在数据采集成本高、周期长且无法反应因为城市建设和车道功能改变等引起的道路交叉口结构变化的局限性。同高采样率及高定位精度的时空轨迹数据相比，来源于城市出租车系统或者其他采集设备的低精度时空轨迹数据，虽然定位精度低、采样频率低，但是其海量信息包含了丰富的道路信息。目前利用低精度时空GPS轨迹数据获取城市交叉口结构信息是一个难点，而大量的研究仍然停留在道路网络地图提取，对交叉口的自动识别还处于研究阶段。

发明内容

本发明在以上研究的基础上，提出了一种基于低精度时空轨迹数据的城市交叉口自动识别的新方法。

本发明提供一种基于低精度时空轨迹数据的城市交叉口自动识别的方法，包括以下步骤，

步骤1，数据预处理；利用密度聚类方法剔除掉原始低精度轨迹数据中的漂移点，再选取采样间隔小于15s的轨迹数据；

步骤2，跟踪并识别轨迹的转弯过程，提取一次转弯过程中航向角度变化值超过转向角阈值且时间间隔小于时间阈值的转弯点对；

步骤3，利用基于距离和空间的生长聚类方法，对所有的转弯点对进行聚类计算，直到每一个转弯点对找到其归属类别为止；

步骤4，计算各转弯点对类簇中心，采用基于局部点连通性的聚类方法，若两个类簇中心是直接可达的，则将这两个类簇中心划分为同一类，直到所有的类簇中心得到划分；

步骤5，将属于同一个类别的类簇中心点作为对象，通过分析这些类簇中心点的转向属性及其中心点个数，完成交叉口自动识别。

所述步骤1，数据预处理。低精度时空轨迹数据一般有两个特征，一是，数据定位精度较低，二是，数据采样间隔不一致，范围从5s浮动到60s之间，因此需要对数据进行预处理操作。预处理操作包括两个方面：首先，采用现有的密度聚类方法，剔除原始浮动车数据中低密度漂移点，目前密度聚类方法非常成熟，具体实施时可以自行选择，不在赘述，然后，选取原始数据中采样间隔小于15s的轨迹数据；

所述步骤2，根据步骤1预处理后的数据，利用车辆在交叉口区域的行驶特点：车辆在交叉口处存在左转、右转、直行、掉头这几种类型的组合，例如：(左转，右转，掉头)，(左转，右转，掉头，直行)，(左转，右转，直行)几种，计算轨迹点中前一个轨迹点与后一个轨迹点之间的航向角度变化值，并按照航向角度变化值与转向属性之间的关系，标示状态变化点对的转向属性；