[发明专利]基于车辆轨迹的停等聚集效应预测方法

说明书

本发明公开了一种基于车辆轨迹的停等聚集效应预测方法，包括：获取车辆停原始的停等轨迹数据；根据原始的停等轨迹数据，提取待预测区域在预定时间周期内的停等轨迹数据；基于三维空间的核密度估计，将提取出的停等轨迹数据中预设时间段内的停等轨迹数据转化为具有时空语义的停等时空密度分布数据；根据预设的季节模型，使用历史时间段的停等时空密度分布数据结合随机变量域的线性特征参数来预测目标时间段的停等时空密度分布数据，参数优化由结合变权重的粒子种群优化算法完成，目标时间段晚于历史时间段。本发明的三维空间的核密度估计方法能够有效地考虑停等聚集效应的时间和空间特征，比传统方法能够更加准确的预测车辆的停等密度。

技术领域

本发明涉及车辆时空轨迹信息挖掘领域，尤其涉及一种基于车辆轨迹的停等聚集效应预测方法。

背景技术

交通已经逐渐成为衡量一个城市进步和文明的重要标志，是城市赖以生存的命脉。交通的发展和进步在不仅方便的人们的出行，还促进了物质和文化的交流，给人类创造了巨大的财富。随着交通的飞速发展及人们生活水平的大幅提高，科学技术的不断进步，使得汽车数量的不断激增，对整个城市的交通管理和城市建设带来了巨大的挑战。公安部交管局发布数据显示，截至2018年底，小型载客汽车达2.01亿辆，其中，以个人名义登记的小型载客汽车(私家车)达到1.89亿辆，占小型载客汽车的94.03％。与2017年相比，私家车增加1952万辆，增长了10.33％。据统计,全国平均每百户家庭拥有36辆私家车，成都、深圳、苏州等城市每百户家庭拥有私家车超过70辆。因此，私家车是我国城市交通系统中占比较大的组成部分。

在无线通信、GPS定位等移动感知技术广泛普及的情况下，载有智能终端车辆产生了越来越多的具有时空特征的轨迹数据。作为用户历史运动模式的载体，这些数据在各种应用领域发挥着重要作用，帮助人们来理解个人行为和群体活动规律，进而辅助城市交通以及城市建设。然而这些大轨迹数据会产生以下几个问题，一是数据存储：轨迹数据大多数是原始形式存在的并且数据量呈爆炸式増长。因此,大数据在存储、管理等方面面临着严峻的挑战。二是数据挖掘：轨迹大数据呈现出规模大、种类巧多、价值密度低等特性，导致在数据挖掘过程中，数据噪声大。三是数据建模:利用大量的原始轨迹数据在建模时，容易出现建模时间过长，以及模型的泛化能力弱的问题。

近些年来，如何分析挖掘这些海量的时空轨迹数据，从中提取信息与知识，已逐渐受到国内外学者的重视，成为时间轨迹信息领域的一大研究热点。轨迹Stop/Move模型是现有的研究中比较新颖的分析方法，主要是将轨迹点序列在语义的基础上划分为Stop/Move序列，之后再开展研究工作。然而，其中现有的研究比较多集中在移动段上，而在停留的部分比较少，并且在少有的停等部分的研究中，采用的都是一些比较传统的聚类方法(k-中值算法、DBSCAN算法)，然而，这些方法都需要繁琐的数据处理和复杂的参数选择过程，并且没有考虑到空间中地理的关联性以及丢失了轨迹数据中比较重要的时间维度的信息。因此，如何利用轨迹中相对少量的停等数据来挖掘出城市交通信息是十分必要的。

发明内容

针对上述技术问题，本发明实施例提供了一种基于车辆轨迹的停等聚集效应预测方法，基于地理第一定律、顾及时空邻近性的时空核密度估计(3D-KDE)，并且结合变权重的粒子种群优化算法(MIW-PSO)，在轨迹停等数据的上来挖掘出城市交通中的热区，推导交通停等聚集效应的演变过程，为交通管理以及城市建设提供指导意义。

本发明实施例提供一种基于车辆轨迹的停等聚集效应预测方法，所述方法包括：

获取车辆停原始的停等轨迹数据；

根据所述原始的停等轨迹数据，提取待预测区域在预定时间周期内的停等轨迹数据；

基于三维空间的核密度估计，将提取出的停等轨迹数据中预设时间段内的停等轨迹数据转化为具有时空语义的停等时空密度分布数据；