矢量道路拓扑追踪匹配算法

目的 基于道路形状特征的匹配算法在匹配性能上比较稳定,但当遇到道路交叉口等复杂路况时容易出现误匹配,且实时性上有一定缺陷,而矢量道路良好的拓扑结构,为此提出一种利用矢量道路拓扑关系进行追踪匹配的算法。方法 算法利用结点、路段和路口这3种对象来对矢量道路进行表达,建立各个对象之间的拓扑关系,并将匹配过程划分为4个不同的状态,根据各个状态实施相应的匹配方法。首先,进行初始化、追踪、路口和搜索4个状态的定义和划分,确定各个状态之间的转换关系;进一步,设计道路中的结点、路段和路口3种对象的数据结构,建立点、线之间的空间拓扑关系;其次,根据4个状态的具体任务和实际特点,对进入该状态的行驶轨迹进行相应地分析处理和匹配计算;最后,根据追踪的结果进行匹配分析,完成对车辆行驶轨迹的误差修正。结果 采用GPS-RTK采集的北京市西五环及密云地区的矢量道路数据对实地跑车的惯性导航轨迹进行拓扑追踪匹配仿真实验,完成拓扑追踪匹配算法的路口距离阈值选取,并与传统基于道路形状特征的匹配算法在匹配效果和实时性进行性能对比测试,其性能指标为匹配准确率和匹配时间。当矢量道路拓扑追踪算法的路口距离阈值取20 m时,匹配准确率达到了最高值93.5%。在匹配性能对比上,拓扑追踪算法相较于其他两种算法也有一定优势,在相同道路段中匹配准确率达到了90.2%,匹配速度也提高了48倍。结论 采用矢量道路数据的拓扑信息对车辆轨迹进行追踪匹配的方法,能够用于卫星信号“盲区”或者信号干扰等特殊环境和场合的组合系统辅助导航,弥补传统基于卫星的组合导航在自主性、抗干扰性的不足。同时,算法针对复杂路况的匹配结果也较为理想,能够满足组合导航匹配工作的要求。     

手机信令的时空密度轨迹点识别算法

手机信令具有时空序列性以及数据量大、采样频率不均、定位精度低与基站振荡等特点,导致传统手机信令聚类方法数据密度分布不均、时空开销大且聚类效果差。提出一种用于手机信令的时空密度轨迹点识别算法。将手机信令数据网格化以统一评估尺度,根据振荡噪声特征对网格簇进行时空联结减少空间不确定性和计算量,结合网络轨迹的曲折性以及移动与停留时间重新定义网格簇内轨迹点时空移动能力,计算网格簇的时空密度以判断用户停留区域,并采集具有移动停留标签的轨迹数据以验证算法有效性和识别效率。实验结果表明,该算法识别精度较改进DBSCAN算法更高,适用于识别手机信令数据停留区域,对复杂轨迹停留区域的识别效果更好。     

Greedy DBSCAN:一种针对多密度聚类的DBSCAN改进算法*

针对基于密度的DBSCAN算法对于输入参数敏感、无法聚类多密度数据集等问题,提出了一种贪心的DBSCAN改进算法（Greedy DBSCAN）。算法仅需输入一个参数MinPts,采用贪心策略自适应地寻找Eps半径参数进行簇发现,利用相对稠密度识别和判定噪声数据,在随机寻找核对象过程中使用邻域查询方式提升算法效率,最终通过簇的合并产生最终的聚类结果。实验结果表明,改进后的算法能有效地分离噪声数据,识别多密度簇,聚类准确度较高。     

基于密度峰值与密度聚类的集成算法

针对快速搜索和发现密度峰值聚类（CFSFDP）算法需人工在决策图上选择聚类中心的问题，提出一种基于密度峰值和密度聚类的集成算法。首先，借鉴CFSFDP思想，将局部密度最大的数据作为第一个中心；接着，从该中心点出发采用一种利用Warshall算法求解密度相连改进的基于密度的噪声应用空间聚类（DBSCAN）算法进行聚类，得到第一个簇；最后，在尚未被划分的数据中找出最大局部密度的数据，将它作为下一个簇的中心后再次采用上述算法进行聚类，直到所有数据被聚类或有部分数据被视为噪声。所提算法既解决了CFSFDP选择中心需人工干预的问题，又优化了DBSCAN算法，即每次迭代都是从当前最好的点（局部密度最大的点）出发寻找簇。通过可视化数据集和非可视化数据集与经典算法（CFSFDP、DBSCAN、模糊C均值（FCM）算法和K均值（K-means）算法）的对比实验结果表明，所提算法聚类效果更好，准确率更高，优于对比算法。     

基于RAPIDS的无参DBSCAN算法

具有噪声的基于密度的空间聚类（Density-based spatial clustering of applications with noise, DBSCAN）能够发现不同密度和大小的类簇,对噪声也有很好的鲁棒性,被广泛地应用到数据挖掘的任务中。DBSCAN通常需要调整参数MinPts和Eps以达到更优的聚类效果,但往往在搜索最优参数的过程中会影响DBSCAN的性能。本文从两个方面优化DBSCAN,一方面,提出一种无参的方法优化DBSCAN全局参数选择。无参方法利用自然最近邻获得数据集的自然特征值,并将自然特征值作为参数MinPts值。然后,根据自然特征值计算自然特征集合,利用自然特征集合中的数据分布特性,分别采取统计最小值、平均值和最大值3种方式得到Eps值。另一方面,采用集成数据科学实时加速平台（Real-time acceleration platform for integrated data science,RAPIDS）的图形处理器（Graphics processing unit,GPU）计算加快DBSCAN算法的收敛速度。实验结果表明,本文提出的方法在优化DBSCAN参数选择的同时,取得了与密度峰值聚类（Density peaks clustering, DPC）相当的聚类结果。     

结合BiLSTM和注意力机制的视频行人再识别

目的 跨摄像头跨场景的视频行人再识别问题是目前计算机视觉领域的一项重要任务。在现实场景中,光照变化、遮挡、观察点变化以及杂乱的背景等造成行人外观的剧烈变化,增加了行人再识别的难度。为提高视频行人再识别系统在复杂应用场景中的鲁棒性,提出了一种结合双向长短时记忆循环神经网络（BiLSTM）和注意力机制的视频行人再识别算法。方法 首先基于残差网络结构,训练卷积神经网络（CNN）学习空间外观特征,然后使用BiLSTM提取双向时间运动信息,最后通过注意力机制融合学习到的空间外观特征和时间运动信息,以形成一个有判别力的视频层次表征。结果 在两个公开的大规模数据集上与现有的其他方法进行了实验比较。在iLIDS-VID数据集中,与性能第2的方法相比,首位命中率Rank1指标提升了4.5%;在PRID2011数据集中,相比于性能第2的方法,首位命中率Rank1指标提升了3.9%。同时分别在两个数据集中进行了消融实验,实验结果验证了所提出算法的有效性。结论 提出的结合BiLSTM和注意力机制的视频行人再识别算法,能够充分利用视频序列中的信息,学习到更鲁棒的序列特征。实验结果表明,对于不同数据集,均能显著提升识别性能。     

约束规则下的城市线路变形

目的 针对现实中城市道路网的复杂性容易对人产生视觉干扰的缺点,提出一种规整道路的基于约束规则的自动布局变形算法。方法 将实际地图数据经过预处理得到将要布局的初始线路图,继而使用力导向算法将图中邻边的角度最大化,然后进行爬山算法迭代完成线路的方向限定。结果 通过实验结果及对比分析可知,在易读性、美观性、方便性和实用性这4个方面,平均有69.6%的用户觉得具有实际意义。同时与传统地图相比,在用户规划路径实验中,平均每组节省26.2%的时间。结论 本文基于约束规则的线路变形,缓解了城市线路复杂与人脑有限记忆力之间的矛盾,适用于城市公交与地铁换乘、快速定位、线路规划等,具有实际应用价值。     

基于密度核心的出租车载客轨迹聚类算法

目前常见的轨迹聚类大多基于OPTICS、DBSCAN和K-means等算法,但这些聚类方法的时间复杂度随着轨迹数量的增加会大幅上升。针对该问题,提出一种基于密度核心的轨迹聚类算法。通过引入密度核心的概念,设计轨迹密度计算函数以获取聚类簇的致密核心轨迹,同时利用出租车载客轨迹自身的方向和速度等属性提取轨迹特征点,减少轨迹数据量。在此基础上,根据聚类簇中致密核心轨迹与参与聚类轨迹的相似度距离判断轨迹的匹配程度,进而聚合相似轨迹,并将聚类结果储存在聚类节点中。实验结果表明,与TRACLUS和OPTICS聚类算法相比,该算法能够得到更准确的聚类效果,并且时间效率更高。     

结合流形密度的聚集行为模式分割算法

目的 在视频监控和人群模式行为理解的重要应用中,识别分割场景中的集体行为仍然是一个极具挑战性的问题。在这项研究中,提出一种基于流形密度的集体聚类算法,能够识别具有任意形状和不同密度条件下的集体行为的局部和全局模式。方法 受群体运动行为的流形拓扑结构启发,首先提出一种新的流形距离度量方式用于挖掘群体运动的深层行为模式。进一步定义了集体聚集密度的概念,并通过基于聚集密度的聚类算法识别具有局部一致性行为的群组,这种策略更适用于识别具有任意形状的聚类。同时考虑到子群组之间的复杂交互作用,引入层次聚集合并算法得到全局集体行为模式,可以有效地表征全局一致性关系。结果 针对不同情况下的复杂场景,本文算法在集体视频监控数据集下的实验结果表明了其有效性和鲁棒性,相比于传统的聚类方法和标准经典算法,以平均误差（AD）和方差（VAR）作为评价指标来评价算法性能,本文方法将识别分割聚集行为群组的误差率结果控制在了0.81和0.99以内,相比许多经典方法有较大提升。同时在具有复杂流形结构及任意密度条件下的人群场景中能够取得精确有效的识别结果,解决了经典方法在该特殊场景下存在的缺点。结论 本文针对已有方法在流形结构场景识别集体行为流向缺乏精确性和稳定性的描述和分析这一问题,提出了基于流形密度的群组聚集聚类识别算法,在多个复杂真实视频数据集中进行实验,证明了所提方法的有效性,并相比于已有方法具有更高的识别精度。     

图匹配算法激光扫描点云树干分割

目的 移动激光扫描系统能够成功采集丰富的城市行道树侧边信息,然而由于点云数据规模大、密度欠均匀和噪声多等原因,导致行道树的提取精度和效率偏低。为此,本文提出一种基于层次聚类的算法从移动激光扫描点云中提取树干。方法 采用自下而上的聚类策略合并目标区域,基于点云间欧氏距离和点云的局部主方向计算聚类所需的邻近矩阵,通过构造能量函数评估不同的簇合并方案,将能量函数最小化问题转换为计算二分图匹配问题,求解二分图的最小代价完美匹配获得全局最优的层次聚类。结果 实验在公开的巴黎场景数据集与自采集的南京黄埔路场景数据集上进行测试,本文提出的自下向上的聚类算法成功地从点云中提取出树干和主要树枝点,其中提取树干的平均正确率、完整率和F-score分别为98.5%、94.8%和0.97,与其他算法中最好的实验结果对比,分别提高了1.0%、0.6%和0.02。结论 实验结果表明,本文算法通过优化层次聚类中的簇合并,可以有效减少聚类中的“过分割”和“欠分割”,提高点云中树干的分割精度与效率。     

基于路口信息的出租车异常轨迹检测

针对出租车的异常轨迹检测问题,根据已有的出租车GPS数据,结合城市道路路口信息,提出了一种基于路口的异常轨迹检测算法（Intersection-Based Anomalous Trajectories Detection,IBATD）。该算法将GPS数据进行地图匹配,并将匹配后的GPS轨迹以路口的形式描述,再以多叉树的方式实现轨迹聚类。通过计算待测轨迹的轨迹概率,并与给定异常阈值进行比较,将轨迹分类为正常或异常。与经典的基于Hausdorff距离的谱聚类算法相比,多叉树轨迹聚类具有更准确的轨迹模型库、更快的运算速度以及实时检测的特点。     

基于出租车GPS轨迹和POI数据的商业选址推荐

针对商业选址问题,提出一种基于城市出租车GPS轨迹和POI数据的商业选址推荐算法。首先,对城市出租车GPS轨迹和POI数据进行预处理及地图匹配,然后将城区进行交通小区划分,用OD矩阵分析交通小区之间的交通流量特征,并结合交通小区内POI的分布特征和语义属性,构建基于OD矩阵和对应小区POI数据相结合的商业地址推荐模型。最后,应用兰州市出租车GPS轨迹与POI数据验证了推荐算法的有效性和实用性,并将推荐结果在交通小区尺度上进行可视化呈现。实验结果表明,该推荐算法不仅能够推荐合理的商业选址,为商业选址决策提供快速有效的可视化定量分析方法,同时能够为城市公共服务设施空间布局规划提供决策依据。     

Traffic congestion analysis at the turn level using Taxis' GPS trajectory data

Sensing turn-level or lane-level traffic conditions not only enables navigation systems to provide users with more detailed and finer-grained information, it can also improve the accuracy in the search for the fastest routes and in short-term predictions of traffic conditions. The widespread collection and application of taxis' GPS data enable us to sense urban traffic flow on a large scale. Since current GPS positional accuracy cannot reach the lane level, existing approaches using GPS trajectory data only analyze traffic conditions at the road level. Whereas some studies attempted to detect lane-level traffic conditions using lane-level data, the high cost of data collection considerably limits their practical application. To address this limitation, this article proposes an approach for detecting traffic congestion from taxis' GPS trajectories at the turn level. Based on analyzing features of GPS trajectories and identifying valid trajectory segments, the proposed approach detects congested trajectory segments of three different intensities. It then identifies congestion events in each turning direction through a clustering approach. Finally, congestion intensity, time of the day when congestion occurred and queue length in each turning direction at a road intersection in Wuhan, China are explored and analyzed. The results support the feasibility of this approach for detecting and analyzing traffic congestion at the turn level. Compared with other approaches that detect traffic congestion using GPS trajectory data, the proposed approach analyzes congestion at a finer-grained level (the turn level). Compared with other approaches that detect traffic congestion at the lane level, the proposed approach can sense traffic congestion over a larger area and at a lower cost.     

基于共享单车GPS数据的小区道路生成方法

利用GPS数据生成路网对城市交通有着重要意义。由于机动车自身对道路条件的要求,利用机动车GPS提取路网主要针对城市主干道及主路,忽略了小路及小区路网。为完善城市路网,提出了一种基于共享单车GPS轨迹的道路拓扑结构生成方法。首先提取路网拓扑节点,通过引入趋势夹角判断转折点后利用转向角分析确定拓扑点。然后提取道路线型,通过OW(opening window)算法对轨迹进行分割、基于DBCSAN算法思想提出一种对子轨迹聚类方法,再提取特征点来拟合道路中心线。利用缓冲区验证路网的精度,结果表明该方法生成的道路既能确保拓扑结构又具有较高的覆盖率。     

基于出租车数据的载客热点与打车热点研究

面对城市出租车高空载率和乘客打车难问题,本文针对出租车司机端和乘客端分别进行载客热点和打车热点的分析研究,提出了一种基于DBSCAN算法的数据处理模型.利用这个模型对北京市182辆出租车的GPS轨迹数据进行处理,提高了数据精度;对于不同的受众,采用K-means算法对数据进行聚类分析,得到相关热点.实验表明,划分目标用户进行各热点的推荐不仅可以有效地为出租车司机提供高概率的载客热点,乘客打车难问题也有了一种可行的解决方法.     

基于密度聚类的出租车异常轨迹检测

出租车GPS装备的普及使用产生了大量轨迹数据。出租车异常轨迹的检测和分析，可为惩罚具有欺诈行为的出租车司机提供有益支撑。针对出租车稀疏轨迹，基于轨迹相对相似度检测异常轨迹，由于其具有不对称性，类似于DBSCAN的传统密度聚类方法无法适应此种情况，本文提出基于密度RDBSCAN算法用于出租车异常轨迹聚类检测。对于聚类得出的候选异常轨迹，结合轨迹密度异常值和轨迹长度异常值的概念，利用证据理论综合前述2个因素来判别轨迹的异常程度，进而得到异常程度最高的TOP-N异常轨迹。使用旧金山真实的出租车数据，通过提取相同起点和终点（Origin-Destination, OD）的轨迹集进行实验，实验结果表明本文提出的方法能够有效地检测到异常轨迹，并成功给出异常程度最高的TOP-N异常轨迹。     

基于Spark的出租车轨迹处理与可视化平台

大数据技术在分析与挖掘交通大数据方面扮演着越来越重要的角色.为了快速有效地对出租车的运营模式与载客策略进行分析,设计效益指数模型对出租车效益进行量化排序,以高效益出租车为研究对象,基于Spark大数据框架开发一个轨迹数据处理与可视化平台.首先,处理高效益出租车轨迹数据得到用于可视化的特征数据.而后进行可视化分析,包括：统计分析高效益出租车运营特性并实现交互式图表展示,采用蜂窝形格网与DBSCAN算法对不同时段高效益出租车载客点进行热点可视化,实现基于缓冲区的交互式轨迹查询并提取出轨迹相关因子.最后,利用成都市出租车GPS轨迹数据验证了所提平台的有效性及可靠性.     

Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories

The generation of road networks from ubiquitous motor-vehicle GPS trajectories has recently gained wide interest. However, few attempts have been made to automatically extract road network properties such as intersections and traffic rules to facilitate the production of high-quality routable maps. For urban street networks, the vehicle trajectory logged by a GPS receiver tends to be straight on streets and curved at intersections although the local deviation exists due to vehicle paths deviating from road centrelines and GPS positioning errors. This paper uses large curved trajectories at traffic intersections and presents novel algorithms for automatically detecting road intersections and traffic rules. Two inherent issues related to GPS trajectories have been resolved using the proposed approach. First, the serious fluctuations of vehicle trajectories due to multipath reflectivity from high-rise buildings have been eliminated, thereby enabling the effective detection of real curved trajectories occurring at traffic intersections. Second, the heterogeneity of traffic density has been considered when using the curved trajectories to automatically detect road intersections. The proposed algorithm was implemented using open-source software libraries and tested using large taxi trajectories collected in Suzhou City, China. A total of 285 at-grade intersections were detected automatically, and dynamic traffic rules were elucidated for each intersection. Compared with the manually interpreted results, the detection results were high quality and provided detailed information for the construction of a routable map.     

HMM-Cluster：面向交通量过载发现的轨迹聚类方法

随着经济的发展,城市交通拥堵问题亟待解决,交通量过载发现是解决交通拥堵问题的有效方法之一。提出一种基于HMM模型的轨迹聚类算法HMM-Cluster,可有效地发现交通量过载情况。该算法首先提取时空轨迹特征点,并采用维数约简技术减少轨迹数据量,根据参照轨迹拟合HMM模型,基于密度函数得到轨迹相似度矩阵,最后给出聚合的相似性轨迹。真实轨迹数据集上的对比实验结果表明,提出的HMM-Cluster可有效地挖掘移动对象运动模式,准确发现交通量过载情况,具有一定实用价值。