论文部分内容阅读
在交通路网中,车辆的出行轨迹包含着丰富的出行信息,例如车辆的出行路径、出行的起止时间、经过的路段和出行者对路径的选择行为等信息。因此通过对路网中所有车辆的出行轨迹进行深入分析,即可获的整个路网的交通运行状况,能够全面、系统的再现路网中车辆的运行场景,为分析城市交通需求的结构和时空分布特征提供数据支撑。随着城市化进程的加快和智慧城市的建设,使得像电子警察、卡口等智能抓拍设备逐渐增多,这为大范围、成批量的获取车辆的出行轨迹提供了可能;与其他交通信息采集系统相比,车牌识别系统具有工作连续性强、样本数据量大、采集精确度高、数据质量好等优点,故本文以车牌识别数据为基础,来构建车辆出行轨迹提取算法。
本文首先对点位数据、车牌识别数据、路网拓扑数据进行预处理。点位数据预处理主要是对检测设备点位进行核查。车牌识别数据的预处理主要是根据数据预处理的方法,来完成对原始车牌识别数据的清洗,以提高算法输入数据的质量。路网拓扑数据的预处理主要是创建研究路网各路段的属性信息表、交叉口邻接矩阵及交叉口连接关系对照表等,为出行链分离和出行轨迹补全奠定数据基础。
本文的出行轨迹提取算法主要包含出行链的提取、出行链的分离和出行轨迹补全。首先对车牌识别数据按照车牌号进行分组并依据检测时间进行排序,获得每辆车在研究范围内的出行链。然后采用相邻检测点间的动态行程时间阈值结合交叉口邻接矩阵找出车辆停留点并完成出行链的分离。最后出行轨迹补全分为2步:第1步基于车牌识别数据中的空间属性信息和研究路网拓扑数据信息构建单点缺失的出行轨迹补全算法,完成单点缺失的出行轨迹补全;第2步首先利用车辆历史出行轨迹和车辆在轨迹缺失起、终点处的空间属性信息构建备选轨迹集合,然后构建行程时间相符程度、出行轨迹偏好程度等决策属性,最后利用TOPSIS(优劣解距离法)算法决策出最优的备选轨迹,完成多点缺失的出行轨迹补全。
最后本文以四川省某市核心区为例,将本文所提出行轨迹提取算法获取的车辆出行轨迹应用到城市核心区过境交通的判别和分析中。
本文首先对点位数据、车牌识别数据、路网拓扑数据进行预处理。点位数据预处理主要是对检测设备点位进行核查。车牌识别数据的预处理主要是根据数据预处理的方法,来完成对原始车牌识别数据的清洗,以提高算法输入数据的质量。路网拓扑数据的预处理主要是创建研究路网各路段的属性信息表、交叉口邻接矩阵及交叉口连接关系对照表等,为出行链分离和出行轨迹补全奠定数据基础。
本文的出行轨迹提取算法主要包含出行链的提取、出行链的分离和出行轨迹补全。首先对车牌识别数据按照车牌号进行分组并依据检测时间进行排序,获得每辆车在研究范围内的出行链。然后采用相邻检测点间的动态行程时间阈值结合交叉口邻接矩阵找出车辆停留点并完成出行链的分离。最后出行轨迹补全分为2步:第1步基于车牌识别数据中的空间属性信息和研究路网拓扑数据信息构建单点缺失的出行轨迹补全算法,完成单点缺失的出行轨迹补全;第2步首先利用车辆历史出行轨迹和车辆在轨迹缺失起、终点处的空间属性信息构建备选轨迹集合,然后构建行程时间相符程度、出行轨迹偏好程度等决策属性,最后利用TOPSIS(优劣解距离法)算法决策出最优的备选轨迹,完成多点缺失的出行轨迹补全。
最后本文以四川省某市核心区为例,将本文所提出行轨迹提取算法获取的车辆出行轨迹应用到城市核心区过境交通的判别和分析中。