泰宁新闻网

最新一种交通运力承运意图辨识方法与流程

泰宁新闻网 http://www.tainingxinwen.cn 2020-10-18 00:35 出处:网络
本站提供的最新一种交通运力承运意图辨识方法与流程,小编为您具体介绍一下

本站提供的最新一种交通运力承运意图辨识方法与流程,小编为您具体介绍一下


本发明属于轨迹数据挖掘技术领域,尤其涉及一种基于货车轨迹数据的交通运力承运意图辨识方法。



背景技术:

随着我国公路基础设施建设持续快速发展以及汽车工业的不断进步,公路货物运输在综合运输体系中占有越来越重要的地位。同时伴随着商品经济的日益活跃,区域间经济交往和货物交流的日趋频繁和道路条件的改善,货物运输平均运距有所增加,导致长途货运的重要性也进一步提高。然而我国公路货运效率低下,车辆空驶率达40%以上。车辆空驶率高的主要原因是车辆和货物之间供需不匹配,我国的运力总体过剩,相对稀缺的是货源,因此造成了大量的空驶。特定方向的交通运力承运意图辨识,可以测算出某一时段内待测地区相对其他地区的运力潜力,进而优化待测地区内的车辆和货物间的供需匹配,避免运力资源浪费,对提高我国公路货运效率有重要意义。此外,明确待测地区对特定方向的运输意图也可以指导该地区相关人员更好的规划运载任务。



技术实现要素:

本发明提出一种交通运力承运意图辨识方法,通过对货车运输场景的研究和对货车轨迹数据进行挖掘,提出货车相对其他地区的“意愿值”概念,通过计算每辆货车相对各个地区的意愿值,进而得出待测地区对其他地区的交通运力承运意图。本发明的具体技术方案如下:

一种交通运力承运意图辨识方法,包括以下步骤:

s1:数据获取及预处理;

s1-1:获取待测地区三个月内的所有货车轨迹数据和地图数据,全国路网、高速收费站和服务区数据,对货车轨迹数据做数据清洗;

s1-2:对货车轨迹数据做数据抽稀,数据抽稀尽量不改变轨迹的形状,且保证如果原本相邻轨迹点时间间隔不超过40分钟,数据抽稀后的相邻轨迹点时间间隔也不超过40分钟;

s1-3:对经过数据清洗和数据抽稀后的货车轨迹数据去除冗余信息,得到货车轨迹点的数据包括vehicle_id、longitude、latitude、time_stamp,其中,vehicle_id为货车车牌号,longitude为货车经度,latitude为货车纬度,time_stamp为本条记录的时间戳;

s2:检测货车轨迹起点和终点;

s2-1:采用位置择近算法对货车轨迹数据进行地图匹配;

s2-2:检测货车停驻点;

s2-2-1:计算出相邻轨迹点之间的距离,对于轨迹点a和轨迹点b,距离计算方法为:

其中,为轨迹点a、地球地心o和轨迹点b依次连接形成的夹角的角度值,的弧度,分别为轨迹点a的经度和纬度,分别轨迹点b的经度和纬度,r为地球半径,为轨迹点a和轨迹点b之间的距离;

遍历经过步骤s1处理后的货车轨迹点,按上述方法计算相邻轨迹点之间的距离;

s2-2-2:计算出每个轨迹点的平均速度,对于相邻的轨迹点a、b和c,b点的平均速度计算公式为:

其中,为轨迹点a和轨迹点b之间的距离,为轨迹点b和轨迹点c之间的距离,为c点的时间戳,为a点的时间戳,为b点平均速度;

遍历经过步骤s1处理后的货车轨迹点,将所有平均速度低于5km/h的轨迹点组成的轨迹段构成轨迹段集合,其中,为第一段由平均速度均低于5km/h的轨迹点组成的轨迹段,为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段,为第段由平均速度均低于5km/h的轨迹点组成的轨迹段;

s2-2-3:计算每个平均速度低于5km/h的轨迹点组成的轨迹段的持续时间,计算方法为:

用轨迹段的末轨迹点时间戳减去首轨迹点时间戳,得到的结果即为本轨迹段的持续时间,统计出所有持续时间超过40分钟的轨迹段,取轨迹段中的首轨迹点作为停驻点,得到的停驻点集合记为,其中,为货车的第一个停驻点,为货车的第二个停驻点,为货车的第个停驻点;

s2-3:结合步骤s1-1获取的全国高速收费站和服务区信息,计算停驻点集合中的停驻点相对全国所有高速收费站和服务区的最短距离,将最短距离小于100m的停驻点从集合中删除,保留下来的点即货车轨迹数据的起点和终点;

s3:对待测地区内所有货车轨迹数据进行分析,统计每辆货车在本段时间内产生的长途轨迹数据占此货车全部轨迹数据的里程比,将起点和终点间距离在25km以上的轨迹视为长途轨迹,并将里程比大于50%的货车标记为长途货运货车;

s4:标记本地长途货运货车和外地长途货运货车:统计每辆长途货运货车轨迹的起点和终点,计算每辆长途货运货车所有轨迹的起点和终点位于待测地区的比例,根据比例大小将所有长途货运货车标记为本地长途货运货车和外地长途货运货车,本地长途货运货车指该长途货运货车的起点或终点频繁落在待测地区;外地长途货运货车指长途货运货车的起点或终点少量落在待测地区,而频繁落在其他地区;具体标记方法为:

统计长途货运货车在本段时间内所有轨迹的起点和终点,记为,其中,为长途货运货车的编号,为长途货运货车的总数量,为长途货运货车轨迹数据中检测到的第一个起点,为第二个起点即第一个终点,为第三个起点即第二个终点,为第个终点,均包含该点的经度和纬度信息,判断所有点是否位于待测地区内部,计算位于待测地区内的点占所有点的比例:

其中,为长途货运货车的所有起点中落在待测地区内点的数量,为起点总数;将的长途货运货车标记为本地长途货运货车的长途货运货车标记为外地长途货运货车

s5:对全部长途货运货车的起点和终点进行聚类,结合步骤s1-1获取的地图数据,统计所有起点和终点的坐标对应的地理位置,将位于同一个县范围内的点聚成同一个簇,所有簇构成的集合记为,其中,为第一个簇,为第二个簇,为第个簇,统计每个簇中包含的起点和终点的数量,记为,其中,包含的起点和终点的数量,包含的起点和终点的数量,包含的起点和终点的数量,利用快速排序算法对集合中的元素降序排序,筛选包含的起点和终点的数量排在前50%的簇作为待测地区长途货运货车的兴趣点,记为,其中,为筛选后的第一个簇,为筛选后的第二个簇,为筛选后的第个簇,对应的包含的起点和终点的数量为,其中,包含的起点和终点的数量,包含的起点和终点的数量,包含的起点和终点的数量;

s6:计算本地长途货运货车对步骤s5中得到的兴趣点的“意愿值”,即本地长途货运货车从待测地区出发前往兴趣点的概率,具体计算方法如下:

s6-1:将步骤s4中统计的本地长途货运货车每条轨迹的起点和终点,构成本地长途货运货车交通出行量集合,即本地长途货运货车集合,其中,为本地长途货运货车的第一对起点和对应终点坐标,为本地长途货运货车的第二对起点和对应终点坐标,为本地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;

s6-2:构建集合用来记录本地长途货运货车集合中每个元素出现的次数,其中,出现的次数,出现的次数,出现的次数,遍历本地长途货运货车集合,如果本地长途货运货车集合中某个元素的起点和终点均属于兴趣点,假设起点属于,终点属于,则添加一条从指向的边,边的权重均设为1,不添加重复的边,遍历整个本地长途货运货车集合后得到了一幅属于的加权有向图,记为

s6-3:对运用dijkstra算法,得到以待测地区所在的兴趣点为起点的最短路径树,并对最短路径树上的所有边重新赋予权重,规定每条边的权重即为步骤s6-2中对应本地长途货运货车集合中的元素出现的次数;

s6-4:对最短路径树上除了根节点之外的每个节点计算意愿值,本地长途货运货车相对节点的意愿值

其中,为节点到根节点之间的边的数量,为从根节点到节点的路径上的每条边的权重;

s6-5:步骤s6-4得到所有本地长途货运货车相对各个节点的意愿值后,对所有意愿值归一化处理:

其中,为本地长途货运货车相对节点的意愿值做归一化处理后的结果,为所有本地长途货运货车相对各个节点的意愿值中的最小值,为所有本地长途货运货车相对各个节点的意愿值中的最大值;

s7:计算外地长途货运货车对步骤s5中兴趣点的“意愿值”,具体计算方法为:

s7-1:将步骤s4中统计的外地长途货运货车每条轨迹的起点和终点,构成外地长途货运货车集合,其中,为外地长途货运货车的第一对起点和对应终点坐标,为外地长途货运货车的第二对起点和对应终点坐标,为外地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;

s7-2:构建集合用来记录外地长途货运货车集合中每个元素出现的次数,其中,出现的次数,出现的次数,出现的次数,遍历整个外地长途货运货车集合,筛选出起点位于待测地区,终点属于其他兴趣点的元素,记为,对应的出现次数为

s7-3:对中终点对应的兴趣点进行意愿值计算,外地长途货运货车相对兴趣点的意愿值为:

s7-4:步骤s7-3得到所有外地长途货运货车相对各个兴趣点的意愿值后,对所有意愿值进行归一化处理:

其中,为外地长途货运货车相对兴趣点的意愿值做归一化处理后的结果,为所有外地长途货运货车相对各个节点的意愿值中的最小值,为所有外地长途货运货车相对各个节点的意愿值中的最大值;

s8:计算某一时刻待测地区到目标地区的长途货运货车运输意图,首先获得该时刻前一小时这段时间内待测地区的长途货运货车轨迹数据,并识别出为空车的长途货运货车,具体识别方法为:计算长途货运货车在该时刻前一小时这段时间内行驶轨迹总长度,总长不超过2km视为空车,针对所有空车计算运输意图

其中,为步骤s6和步骤s7计算出的长途货运货车到目标地区的意愿值,为空车数量;

根据计算出的结果判断出该时刻待测地区相对目标地区的货车运力大小,值越大代表该时刻待测地区相对目标地区的货车运力越大,即有较多的货车愿意承担前往目标地区运货的任务的概率较大。

本发明的有益效果在于:

1.本发明通过对货车轨迹数据进行挖掘,识别短途货车和长途货车,并将短途货车轨迹数据从全部的货车轨迹数据中删去,避免对特定方向的交通运力承运意图辨识结果产生影响,提高计算准确性;

2.本发明通过对货车轨迹数据进行挖掘,将所有的长途货车区分为本地长途货运货车和外地长途货运货车,并用不同方法分别对其进行意愿值计算,提高计算准确性。

3.本发明提出待测地区货车相对其他地区意愿值的概念,并借鉴图理论的相关知识将货车经常到达的地方抽象为兴趣点,对抽象为连边,从而构成一幅加权有向图,通过对加权有向图使用dijkstra算法构建对应的最短路径树,进而得到货车对各个兴趣点的意愿值,最终计算出待测地区对其他地区的交通运力承运意图辨识。本方法考虑因素较为全面,具备可操作性,计算的结果准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。其中:

图1是本发明的方法流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。

首先对待测地区货车轨迹数据进行预处理,并对轨迹数据进行地图匹配和时空轨迹分割。然后通过对每辆货车的轨迹数据进行统计分析,将货车标记为长途货车/短途货车以及本地长途货运货车/外地长途货运货车。之后对全部长途货车轨迹数据进行频繁模式挖掘,得到待测地区的主要货运目的地,即“兴趣点”。接着分别计算本地货车和外地货车对每个兴趣点的意愿值,最后基于意愿值得到待测地区对其他地区的交通运力承运意图。具体地,一种交通运力承运意图辨识方法,包括以下步骤:

s1:数据获取及预处理;

s1-1:获取待测地区三个月内的所有货车轨迹数据和地图数据,全国路网、高速收费站和服务区数据,对货车轨迹数据做数据清洗;

s1-2:对货车轨迹数据做数据抽稀,数据抽稀尽量不改变轨迹的形状,且保证如果原本相邻轨迹点时间间隔不超过40分钟,数据抽稀后的相邻轨迹点时间间隔也不超过40分钟;

s1-3:对经过数据清洗和数据抽稀后的货车轨迹数据去除冗余信息,得到货车轨迹点的数据包括vehicle_id、longitude、latitude、time_stamp,其中,vehicle_id为货车车牌号,longitude为货车经度,latitude为货车纬度,time_stamp为本条记录的时间戳;

s2:检测货车轨迹起点和终点;

s2-1:采用位置择近算法对货车轨迹数据进行地图匹配;

s2-2:检测货车停驻点;

s2-2-1:计算出相邻轨迹点之间的距离,对于轨迹点a和轨迹点b,距离计算方法为:

其中,为轨迹点a、地球地心o和轨迹点b依次连接形成的夹角的角度值,的弧度,分别为轨迹点a的经度和纬度,分别轨迹点b的经度和纬度,r为地球半径,为轨迹点a和轨迹点b之间的距离;

遍历经过步骤s1处理后的货车轨迹点,按上述方法计算相邻轨迹点之间的距离;

s2-2-2:计算出每个轨迹点的平均速度,对于相邻的轨迹点a、b和c,b点的平均速度计算公式为:

其中,为轨迹点a和轨迹点b之间的距离,为轨迹点b和轨迹点c之间的距离,为c点的时间戳,为a点的时间戳,为b点平均速度;

遍历经过步骤s1处理后的货车轨迹点,将所有平均速度低于5km/h的轨迹点组成的轨迹段构成轨迹段集合,其中,为第一段由平均速度均低于5km/h的轨迹点组成的轨迹段,为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段,为第q段由平均速度均低于5km/h的轨迹点组成的轨迹段;

s2-2-3:计算每个平均速度低于5km/h的轨迹点组成的轨迹段的持续时间,计算方法为:

用轨迹段的末轨迹点时间戳减去首轨迹点时间戳,得到的结果即为本轨迹段的持续时间,统计出所有持续时间超过40分钟的轨迹段,取轨迹段中的首轨迹点作为停驻点,得到的停驻点集合记为,其中,为货车的第一个停驻点,为货车的第二个停驻点,为货车的第个停驻点;

s2-3:结合步骤s1-1获取的全国高速收费站和服务区信息,计算停驻点集合中的停驻点相对全国所有高速收费站和服务区的最短距离,将最短距离小于100m的停驻点从集合中删除,保留下来的点即货车轨迹数据的起点和终点;

s3:对待测地区内所有货车轨迹数据进行分析,统计每辆货车在本段时间内产生的长途轨迹数据占此货车全部轨迹数据的里程比,将起点和终点间距离在25km以上的轨迹视为长途轨迹,并将里程比大于50%的货车标记为长途货运货车;

s4:标记本地长途货运货车和外地长途货运货车:统计每辆长途货运货车轨迹的起点和终点,计算每辆长途货运货车所有轨迹的起点和终点位于待测地区的比例,根据比例大小将所有长途货运货车标记为本地长途货运货车和外地长途货运货车,本地长途货运货车指该长途货运货车的起点或终点频繁落在待测地区;外地长途货运货车指长途货运货车的起点或终点少量落在待测地区,而频繁落在其他地区;具体标记方法为:

统计长途货运货车在本段时间内所有轨迹的起点和终点,记为,其中,为长途货运货车的编号,为长途货运货车的总数量,为长途货运货车轨迹数据中检测到的第一个起点,为第二个起点即第一个终点,为第三个起点即第二个终点,为第个终点,均包含该点的经度和纬度信息,判断所有点是否位于待测地区内部,计算位于待测地区内的点占所有点的比例:

其中,为长途货运货车的所有起点中落在待测地区内点的数量,为起点总数;将的长途货运货车标记为本地长途货运货车的长途货运货车标记为外地长途货运货车

s5:对全部长途货运货车的起点和终点进行聚类,结合步骤s1-1获取的地图数据,统计所有起点和终点的坐标对应的地理位置,将位于同一个县范围内的点聚成同一个簇,所有簇构成的集合记为,其中,为第一个簇,为第二个簇,为第个簇,统计每个簇中包含的起点和终点的数量,记为,其中,包含的起点和终点的数量,包含的起点和终点的数量,包含的起点和终点的数量,利用快速排序算法对集合中的元素降序排序,筛选包含的起点和终点的数量排在前50%的簇作为待测地区长途货运货车的兴趣点,记为,其中,为筛选后的第一个簇,为筛选后的第二个簇,为筛选后的第个簇,对应的包含的起点和终点的数量为,其中,包含的起点和终点的数量,包含的起点和终点的数量,包含的起点和终点的数量;

s6:计算本地长途货运货车对步骤s5中得到的兴趣点的“意愿值”,即本地长途货运货车从待测地区出发前往兴趣点的概率,具体计算方法如下:

s6-1:将步骤s4中统计的本地长途货运货车每条轨迹的起点和终点,构成本地长途货运货车交通出行量集合,即本地长途货运货车集合,其中,为本地长途货运货车的第一对起点和对应终点坐标,为本地长途货运货车的第二对起点和对应终点坐标,为本地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;

s6-2:构建集合用来记录本地长途货运货车集合中每个元素出现的次数,其中出现的次数,出现的次数,出现的次数,遍历本地长途货运货车集合,如果本地长途货运货车集合中某个元素的起点和终点均属于兴趣点,假设起点属于,终点属于,则添加一条从指向的边,边的权重均设为1,不添加重复的边,遍历整个本地长途货运货车集合后得到了一幅属于的加权有向图,记为

s6-3:对运用dijkstra算法,得到以待测地区所在的兴趣点为起点的最短路径树,并对最短路径树上的所有边重新赋予权重,规定每条边的权重即为步骤s6-2中对应本地长途货运货车集合中的元素出现的次数;

s6-4:对最短路径树上除了根节点之外的每个节点计算意愿值,本地长途货运货车相对节点的意愿值为:

其中,为节点到根节点之间的边的数量,为从根节点到节点的路径上的每条边的权重;

s6-5:步骤s6-4得到所有本地长途货运货车相对各个节点的意愿值后,对所有意愿值归一化处理:

其中,为本地长途货运货车相对节点的意愿值做归一化处理后的结果为所有本地长途货运货车相对各个节点的意愿值中的最小值,为所有本地长途货运货车相对各个节点的意愿值中的最大值;

s7:计算外地长途货运货车对步骤s5中兴趣点的“意愿值”,具体计算方法为:

s7-1:将步骤s4中统计的外地长途货运货车每条轨迹的起点和终点,构成外地长途货运货车集合,其中,为外地长途货运货车的第一对起点和对应终点坐标,为外地长途货运货车的第二对起点和对应终点坐标,为外地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;

s7-2:构建集合用来记录外地长途货运货车集合中每个元素出现的次数,其中,出现的次数,出现的次数,出现的次数,遍历整个外地长途货运货车集合,筛选出起点位于待测地区,终点属于其他兴趣点的元素,记为,对应的出现次数为

s7-3:对中终点对应的兴趣点进行意愿值计算,外地长途货运货车相对兴趣点的意愿值为:

s7-4:步骤s7-3得到所有外地长途货运货车相对各个兴趣点的意愿值后,对所有意愿值进行归一化处理:

其中,为外地长途货运货车相对兴趣点的意愿值做归一化处理后的结果,为所有外地长途货运货车相对各个节点的意愿值中的最小值,为所有外地长途货运货车相对各个节点的意愿值中的最大值;

s8:计算某一时刻待测地区到目标地区的长途货运货车运输意图,首先获得该时刻前一小时这段时间内待测地区的长途货运货车轨迹数据,并识别出为空车的长途货运货车,具体识别方法为:计算长途货运货车在该时刻前一小时这段时间内行驶轨迹总长度,总长不超过2km视为空车,针对所有空车计算运输意图

其中,为步骤s6和步骤s7计算出的长途货运货车到目标地区的意愿值,为空车数量;

根据计算出的结果判断出该时刻待测地区相对目标地区的货车运力大小,值越大代表该时刻待测地区相对目标地区的货车运力越大,即有较多的货车愿意承担前往目标地区运货的任务的概率较大。

在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。

以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。


技术特征:

1.一种交通运力承运意图辨识方法,其特征在于,包括以下步骤:

s1:数据获取及预处理;

s1-1:获取待测地区三个月内的所有货车轨迹数据和地图数据,全国路网、高速收费站和服务区数据,对货车轨迹数据做数据清洗;

s1-2:对货车轨迹数据做数据抽稀,数据抽稀尽量不改变轨迹的形状,且保证如果原本相邻轨迹点时间间隔不超过40分钟,数据抽稀后的相邻轨迹点时间间隔也不超过40分钟;

s1-3:对经过数据清洗和数据抽稀后的货车轨迹数据去除冗余信息,得到货车轨迹点的数据包括vehicle_id、longitude、latitude、time_stamp,其中,vehicle_id为货车车牌号,longitude为货车经度,latitude为货车纬度,time_stamp为本条记录的时间戳;

s2:检测货车轨迹起点和终点;

s2-1:采用位置择近算法对货车轨迹数据进行地图匹配;

s2-2:检测货车停驻点;

s2-2-1:计算出相邻轨迹点之间的距离,对于轨迹点a和轨迹点b,距离计算方法为:

其中,为轨迹点a、地球地心o和轨迹点b依次连接形成的夹角的角度值,的弧度,分别为轨迹点a的经度和纬度,分别轨迹点b的经度和纬度,r为地球半径,为轨迹点a和轨迹点b之间的距离;

遍历经过步骤s1处理后的货车轨迹点,按上述方法计算相邻轨迹点之间的距离;

s2-2-2:计算出每个轨迹点的平均速度,对于相邻的轨迹点a、b和c,b点的平均速度计算公式为:

其中,为轨迹点a和轨迹点b之间的距离,为轨迹点b和轨迹点c之间的距离,为c点的时间戳,为a点的时间戳,为b点平均速度;

遍历经过步骤s1处理后的货车轨迹点,将所有平均速度低于5km/h的轨迹点组成的轨迹段构成轨迹段集合,其中,为第一段由平均速度均低于5km/h的轨迹点组成的轨迹段,为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段,为第段由平均速度均低于5km/h的轨迹点组成的轨迹段;

s2-2-3:计算每个平均速度低于5km/h的轨迹点组成的轨迹段的持续时间,计算方法为:

用轨迹段的末轨迹点时间戳减去首轨迹点时间戳,得到的结果即为本轨迹段的持续时间,统计出所有持续时间超过40分钟的轨迹段,取轨迹段中的首轨迹点作为停驻点,得到的停驻点集合记为,其中,为货车的第一个停驻点,为货车的第二个停驻点,为货车的第个停驻点;

s2-3:结合步骤s1-1获取的全国高速收费站和服务区信息,计算停驻点集合中的停驻点相对全国所有高速收费站和服务区的最短距离,将最短距离小于100m的停驻点从集合中删除,保留下来的点即货车轨迹数据的起点和终点;

s3:对待测地区内所有货车轨迹数据进行分析,统计每辆货车在本段时间内产生的长途轨迹数据占此货车全部轨迹数据的里程比,将起点和终点间距离在25km以上的轨迹视为长途轨迹,并将里程比大于50%的货车标记为长途货运货车;

s4:标记本地长途货运货车和外地长途货运货车:统计每辆长途货运货车轨迹的起点和终点,计算每辆长途货运货车所有轨迹的起点和终点位于待测地区的比例,根据比例大小将所有长途货运货车标记为本地长途货运货车和外地长途货运货车,本地长途货运货车指该长途货运货车的起点或终点频繁落在待测地区;外地长途货运货车指长途货运货车的起点或终点少量落在待测地区,而频繁落在其他地区;具体标记方法为:

统计长途货运货车在本段时间内所有轨迹的起点和终点,记为,其中,为长途货运货车的编号,为长途货运货车的总数量,为长途货运货车轨迹数据中检测到的第一个起点,为第二个起点即第一个终点,为第三个起点即第二个终点,为第个终点,均包含该点的经度和纬度信息,判断所有点是否位于待测地区内部,计算位于待测地区内的点占所有点的比例:

其中,为长途货运货车的所有起点中落在待测地区内点的数量,为起点总数;将的长途货运货车标记为本地长途货运货车的长途货运货车标记为外地长途货运货车

s5:对全部长途货运货车的起点和终点进行聚类,结合步骤s1-1获取的地图数据,统计所有起点和终点的坐标对应的地理位置,将位于同一个县范围内的点聚成同一个簇,所有簇构成的集合记为,其中,为第一个簇,为第二个簇,为第个簇,统计每个簇中包含的起点和终点的数量,记为,其中,包含的起点和终点的数量,包含的起点和终点的数量,包含的起点和终点的数量,利用快速排序算法对集合中的元素降序排序,筛选包含的起点和终点的数量排在前50%的簇作为待测地区长途货运货车的兴趣点,记为,其中,为筛选后的第一个簇,为筛选后的第二个簇,为筛选后的第个簇,对应的包含的起点和终点的数量为,其中,包含的起点和终点的数量,包含的起点和终点的数量,包含的起点和终点的数量;

s6:计算本地长途货运货车对步骤s5中得到的兴趣点的“意愿值”,即本地长途货运货车从待测地区出发前往兴趣点的概率,具体计算方法如下:

s6-1:将步骤s4中统计的本地长途货运货车每条轨迹的起点和终点,构成本地长途货运货车交通出行量集合,即本地长途货运货车集合,其中,为本地长途货运货车的第一对起点和对应终点坐标,为本地长途货运货车的第二对起点和对应终点坐标,为本地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;

s6-2:构建集合用来记录本地长途货运货车集合中每个元素出现的次数,其中,出现的次数,出现的次数,出现的次数,遍历本地长途货运货车集合,如果本地长途货运货车集合中某个元素的起点和终点均属于兴趣点,假设起点属于,终点属于,则添加一条从指向的边,边的权重均设为1,不添加重复的边,遍历整个本地长途货运货车集合后得到了一幅属于的加权有向图,记为

s6-3:对运用dijkstra算法,得到以待测地区所在的兴趣点为起点的最短路径树,并对最短路径树上的所有边重新赋予权重,规定每条边的权重即为步骤s6-2中对应本地长途货运货车集合中的元素出现的次数;

s6-4:对最短路径树上除了根节点之外的每个节点计算意愿值,本地长途货运货车相对节点的意愿为:

其中,为节点到根节点之间的边的数量,为从根节点到节点的路径上的每条边的权重;

s6-5:步骤s6-4得到所有本地长途货运货车相对各个节点的意愿值后,对所有意愿值归一化处理:

其中,为本地长途货运货车相对节点的意愿值做归一化处理后的结果,为所有本地长途货运货车相对各个节点的意愿值中的最小值,为所有本地长途货运货车相对各个节点的意愿值中的最大值;

s7:计算外地长途货运货车对步骤s5中兴趣点的“意愿值”,具体计算方法为:

s7-1:将步骤s4中统计的外地长途货运货车每条轨迹的起点和终点,构成外地长途货运货车集合,其中,为外地长途货运货车的第一对起点和对应终点坐标,为外地长途货运货车的第二对起点和对应终点坐标,为外地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;

s7-2:构建集合用来记录外地长途货运货车集合中每个元素出现的次数,其中,出现的次数,出现的次数,出现的次数,遍历整个外地长途货运货车集合,筛选出起点位于待测地区,终点属于其他兴趣点的元素,记为,对应的出现次数为

s7-3:对中终点对应的兴趣点进行意愿值计算,外地长途货运货车相对兴趣点的意愿值为:

s7-4:步骤s7-3得到所有外地长途货运货车相对各个兴趣点的意愿值后,对所有意愿值进行归一化处理:

其中,为外地长途货运货车相对兴趣点的意愿值做归一化处理后的结果,为所有外地长途货运货车相对各个节点的意愿值中的最小值,为所有外地长途货运货车相对各个节点的意愿值中的最大值;

s8:计算某一时刻待测地区到目标地区的长途货运货车运输意图,首先获得该时刻前一小时这段时间内待测地区的长途货运货车轨迹数据,并识别出为空车的长途货运货车,具体识别方法为:计算长途货运货车在该时刻前一小时这段时间内行驶轨迹总长度,总长不超过2km视为空车,针对所有空车计算运输意图

其中,为步骤s6和步骤s7计算出的长途货运货车到目标地区的意愿值,为空车数量;

根据计算出的结果判断出该时刻待测地区相对目标地区的货车运力大小,值越大代表该时刻待测地区相对目标地区的货车运力越大,即有较多的货车愿意承担前往目标地区运货的任务的概率较大。

技术总结
本发明公开了一种交通运力承运意图辨识方法,通过对货车运输场景的研究和对货车轨迹数据进行挖掘,提出货车相对其他地区的“意愿值”概念,通过计算每辆货车相对各个地区的意愿值,进而得出待测地区对其他地区的交通运力承运意图。通过本发明的技术方案,避免对特定方向的交通运力承运意图辨识结果产生影响;将所有的长途货车区分为本地货车和外地货车,并用不同方法分别对其进行意愿值计算,提高计算准确性;考虑因素全面,具备可操作性,计算的结果准确。

技术研发人员:曹先彬;廖盛时;杜文博;朱熙
受保护的技术使用者:北京航空航天大学
技术研发日:2020.05.20
技术公布日:2020.06.26

最新一种交通运力承运意图辨识方法与流程的相关内容如下:

本文标题:最新一种交通运力承运意图辨识方法与流程
http://www.tainingxinwen.cn/qitaxinxi/520636.html

0

精彩评论

暂无评论...
验证码 换一张
取 消