[发明专利]一种基于多视角融合的交通小区划分方法

摘要

一种基于多视角融合的交通小区划分方法，包括以下步骤：(1)读取浮动车数据，并进行数据预处理，整理浮动车数据，并在其中提取浮动车经纬度数据并存储为X₁；(2)读取卡口数据，并进行数据预处理，提取卡口经纬度数据并存储为X₂；(3)结合交通小区划分原则，采集自然约束信息，存储为X₃；(4)计算约束矩阵，(5)基于可伸缩的约束谱聚类的聚类分析；(6)根据聚类结果，获得最终交通小区划分方案。本发明提供了一种融合多源数据，在定量化的影响因素的约束下进行聚类分析，全面地反映交通出行情况的基于多视角融合的交通小区划分方法。

主权项

一种基于多视角融合的交通小区划分方法，其特征在于：包括以下步骤：(1)读取浮动车数据，并进行数据预处理，步骤如下：(1.1)读取浮动车数据，并判断浮动车数据中的经纬度数据是否为空值或者为0，如果是空值(null)或者为0，则删除该条数据；如果不是，则保留这条数据；(1.2)判断浮动车数据的空载状态，0表示空车，1表示载客，保留车辆状态从0变化到1和车辆状态从1变化到0的数据，删除其他数据；(1.3)判断浮动车载客状态持续时间，删除不正常载客时间的浮动车数据，所述不正常载客时间即超过预设时间阈值；(1.4)完成数据预处理，整理浮动车数据，并在其中提取浮动车经纬度数据并存储为X₁；(2)读取卡口数据，并进行数据预处理，步骤如下：(2.1)判断卡口数据中是否有字段缺失，如果有，则删除该条数据；如果没有，则保留该条数据；(2.2)判断卡口数据中的车牌信息，如果车牌信息为“0”或者仅为字符“车牌”，则删除该条数据；如果不是，则保留该条数据；(2.3)筛选出所需要时间段之间的卡口数据；(2.4)完成数据预处理，整理并存储卡口数据；(2.5)提取卡口经纬度数据并存储为X₂；(3)结合交通小区划分原则，采集自然约束信息，步骤如下：(3.1)采集城市各个行政区域边界经纬度点；(3.2)采集交通矛盾突出区域边界经纬度点；(3.3)采集自然障碍物边界经纬度点；(3.4)采集主干道两侧区域经纬度点；(3.5)采集预设所需划分区域边界的经纬度点；(3.6)整理步骤(3.1)～步骤(3.5)采集的点的经纬度数据并存储为X₃；(4)计算约束矩阵，过程如下:(4.1)读取步骤(2.4)整理的卡口数据，寻找每辆车的行驶轨迹；(4.2)记录每辆车行驶轨迹中经过的两两卡口组合；(4.3)计算两两卡口间通过相同车辆次数，并生成一个m×m的卡口关联矩阵，其中m为卡口数量；(4.4)根据步骤(3)中采集的自然约束信息点个数，结合步骤(4.3)中计算得到的卡口关联矩阵，生成一个(m+n)×(m+n)的约束矩阵Q，并将自然约束信息点所代表的值取为‑1，其中m为卡口数量，n为采集的自然约束信息点个数；(4.5)整理并存储约束矩阵；(5)基于可伸缩的约束谱聚类的聚类分析，步骤如下：(5.1)输入待聚类数据集X∈R^d×n，其中R表示实数，d表示数据集X的维度，n表示数据集X包含数据个数，X＝{X₁,X₂,X₃}，包括步骤(1.4)中整理的浮动车经纬度数据集X₁，步骤(2.5)中整理的卡口经纬度数据集X₂，以及步骤(3.5)中整理的自然约束点经纬度数据集X₃，基向量个数p，步骤(4.4)中得到的约束矩阵Q，参数β，以及期望聚类类簇数k；(5.2)从待聚类数据集X中选择p个向量作为基向量，并形成基向量矩阵U∈R^d×p；(5.3)对待聚类数据集X进行稀疏编码，得到稀疏矩阵Z∈R^p×n，Z的计算公式为：$Z_{\mathrm{ij}}=\frac{K_{\mathrm{\σ}}(x_j,u_i)}{{\mathrm{\Σ}}_{i\∈\mathrm{rNB}\left(j\right)}{K}_{\mathrm{\σ}}(x_j,u_i)},$然后计算其中x_j，u_i分别表示矩阵X和U中第j个和第i个向量，K_σ(.，.)为高斯核函数，i∈rNB(j)表示基向量u_i是x_j中r个最近的基向量，D_ii＝Σ_jZ_ij；(5.4)计算矩阵$\hat{S}=\hat{Z}{\hat{Z}}^T,$以及矩阵$\hat{Q}=\hat{Z}Q{\hat{Z}}^T;$(5.5)利用求最大特征值γ_max；(5.6)如果β≥γ_max，则返回{v*}＝φ；如果β＜γ_max，则进行后续计算，利用公式求得所有的特征向量{u_i}，其中ui表示第i个特征向量，并且1≤i≤p；(5.7)找到{u_i}中为正的特征值，以及对应的特征向量{u_i}⁺；(5.8)将特征向量集{u_i}⁺中的每个特征向量u_i乘以以进行归一化；(5.9)去除特征向量集{u_i}⁺中与不正交的向量；(5.10)在特征向量集{u_i}⁺中寻找m个能使u_i^TAu_i最小的特征向量，其中m＝min{k‑1,|{u_i}⁺}，并将它们存入矩阵V中；(5.11)计算$V^{\left(r\right)}={\hat{Z}}^{T}V(I-V^T\mathrm{AV});$(5.12)归一化矩阵V^(r)的行，然后导入到k‑means聚类算法中进行聚类；(5.13)得到聚类结果；(6)根据聚类结果，获得最终交通小区划分方案。