城市路网车辆出行轨迹获取的混合轨迹拆分

王龙飞，陈红，李杨，邓亚娟

长安大学公路学院交通工程研究所，西安 710064

城市路网车辆出行轨迹获取的混合轨迹拆分

王龙飞，陈红，李杨，邓亚娟

长安大学公路学院交通工程研究所，西安 710064

传统的交通调查如起讫点调查、交通量调查、通行能力调查、车速调查等，都有其专属、系统的调查方法，如询问法、跟车法、观测法[1]等，然而，这些方法大都停留在获取单一交通参数的层面，其局限性、低效性、单一性很难满足当今复杂交通系统分析的信息需求。路网中的车辆出行轨迹隐含着丰富的交通出行与状态信息，能全面、系统地再现纷繁复杂的交通运行场景[2]，可看做是路网交通运行的静态存储，已有很多学者利用GPS、RFID、移动通信、图像识别等先进数据采集技术手段[3-9]来识别车辆出行轨迹信息进行交通分析。当前，城市路网中的视频检测器每天都在获取海量车牌信息，因此可基于面向轨迹的理念来利用车牌照生成车辆出行轨迹，分析交通运行状态、特征和分布规律[10]。

然而，由于车牌自动识别系统自身及操作的误差，会造成车牌的错误识别，文献[11-13]中虽然研究了对错误异常车牌的处理方法，但这些方法多是通过预测手段来确保最终交通参数估计的准确性，并不是按面向轨迹的思想进行车牌分析。车牌误识别对车辆出行轨迹分析的准度产生影响最大的情况就是将多辆车误识别成一辆车，致使生成混合的车辆出行轨迹。因此，为确保轨迹分析获取的准确性，需要对混合轨迹进行拆分，得到最初的原始出行轨迹。本文立足于面向轨迹的调查分析理念，系统研究了混合轨迹的拆分方法，并给出了算例分析。

1 轨迹获取方法机理

定义1（一次可达关系）若车辆从调查点SA（布设于有向路段）出发，途中不经过其他调查点即可到达调查点SB，则称SA与SB之间存在一次可达关系，RA→B=SA→SB。

定义2（一次可达路径）若RA→B=SA→SB，则在路网中用于确定RA→B的路径称为RA→B的一次可达路径，记为PRA→B。

定义3（一次可达网络）以调查点为顶点，以调查点对间一次可达关系为边构成的有向网络记为一次可达网络，记为T=(V，E)，V为顶点集合，E为边集合。

定义4（调查点时间序列）车辆在路网中行驶所经过的全部调查点按时序排列后得到的序列TS={S1，S2，…，SN}，称为该辆车的调查点时间序列，简称调查点序列。

定义5（连续一次可达性）若对于TS有Ri→i+1=Si→Si+1，0≤i≤N-1，即TS中全部相邻调查点都存在一次可达关系，则称TS为连续一次可达序列，满足连续一次可达性，记为TS∝(S1→SN)；否则，TS不满足连续一次可达性，记为TS(S1→SN)。

全部调查点的车牌照经统计处理可得到每辆车的调查点时间序列，将各序列用一次可达路径串联即可生成包含完整出行路径、出行起止时间、途经各调查点/交叉口/路段的详细信息、全程及各路段的行程时间与平均速度的全信息车辆出行轨迹，如图1所示。当调查点布设密度偏小时，可能导致序列中连续调查点间存在多条一次可达路径，此时可以结合路径的曲折度、道路等级、交通管制以及通行时间判定出最合适的一次可达路径。

图1 全信息车辆出行轨迹示意图

车辆出行大体遵循阶梯形模式或直线模式，无异常转弯、掉头、绕行，如图2所示。在多辆车被默认为一辆车情况下得到的调查点时间序列简称混合序列，由混合序列所生成的车辆出行轨迹称为混合轨迹，一个典型的混合轨迹如图3所示。正常序列和混合序列的特征如表1所示。

图2 八种车辆行驶路径模式

图3 典型的混合轨迹图

表1 正常序列与异常序列特征

2 车辆出行轨迹拆分方法

2.1 车辆出行轨迹拆分解集构造

图4 基于栈式节点存储的搜索连续一次可达子序列

2.2 车辆出行轨迹拆分决策

采用逼近理想解排序的ΤOPSIS法进行轨迹拆分解集决策[15]。轨迹决策考虑时距相符程度、路径模式匹配程度、路径曲折度三个指标，分别对应拆分解中序列的三个成本型属性，分别对应拆分解中序列的三个成本型属性，每个属性的标准化函数均由各轨迹的影响因子和共同影响因子的乘积组成：

3 算例与仿真分析

设计一个路网的拓扑结构及调查点布设方案如图5所示，图中标蓝色和红色路段分别为外部和内部布设流向，一次可达网络如图6所示，路段长度如表2，每条路段阻抗相同，车辆行驶速度区间[15 km/h，60 km/h]。车辆途经调查点的编号和时间如表3所示。

图5 示例路网拓扑结构及布设方案示例图

图6 调查方案对应的一次可达网络图

表2 两辆车经过的调查点和途经时间

表3 路网中路段长度

调查点按时间排序得到序列为：（VL036，VL034，RL014，RL036，RL016，RL038）；通过一次可达关系网络可知，VL036 与VL034之间、RL014与RL036之间、RL016与RL038之间不存在一次可达关系，判定该序列为混合序列，对其轨迹拆分后，可得到4组拆分解，分别如表4和图7～10所示。

表4 拆分解集中拆分解的组成

图7 轨迹拆分解1示意图

根据具体的轨迹和车辆统计的时间，可计算出每组拆分解的三个属性的属性值，基于ΤOPSIS决策方法，利用属性值构造决策矩阵D：

图8 轨迹拆分解2示意图

图9 轨迹拆分解3示意图

图10 拆分解集中方案4的轨迹示意图

（1）令属性值权重向量为ω=(0.4，0.3，0.3)，计算标准化决策矩阵：

（3）确定正理想解A+和负理想解A-：

（5）计算与正理想解的相对接近程度：

（6）根据Ci+的大小排列方案偏好顺序为：

4 结束语

本文主要研究了面向轨迹的交通调查中的混合车辆出行轨迹的拆分问题。基于正常轨迹和混合轨迹的特征建立了轨迹拆分解集，并采用ΤOPSIS法进行最优拆分解决策。在实际应用当中，还需要将城市路网中的交通运行特征和驾驶人的路径选择行为规律在算法中进行针对性的考虑，这样才可适应复杂路况和时空场景下的混合轨迹拆分，保证较高的决策精度和环境适应性。此外，由于车辆轨迹的分析研究会涉及到出行者的个人隐私，因此应该在政府的授权引导下进行并接受公众监督，数据分析结果也只能应用于交通运行分析，并保证车辆出行轨迹的私密性，这样面向轨迹的交通调查分析才会广泛、深入地展开，建立起科学、稳固、长效的利用机制，更好地服务于社会公众和交通管理及决策部门。

[1]王建军，严宝杰.交通调查与分析[M].2版.北京：人民交通出版社，2004.

[2]Asakura Y，Hato E.Τracking survey for individual travel behaviour using mobile communication instruments[J].Τransportation Research Part C，2004，12（3）：273-291.

[3]胡明伟.基于GPS的实时交通信息采集方法的研究[J].公路交通科技，2007，24（5）：121-125.

[4]Chung E H，Shalaby A.A trip reconstruction tool for GPS-based personal travel surveys[J].Τransportation Planning and Τechnology，2005，28（5）：381-401.

[5]Hato E.Development of behavioral context addressable loggers in the shell for travel-activity analysis[J].Τransportation Research Part C：Emerging Τechnologies，2010，18（1）：55-67.

[6]Qiu Zhijun，Cheng P，Ran Bin.Investigate the feasibility of traffic speed estimation using cell phones as probes[J].International Journal of Services Operations and Informatics，2007，2（1）：53-64.

[7]Huang Hongyu，Lu Ming，Luo Peien，et al.Performance evaluation of SUV net with real-time traffic data[J].IEEE Τransactions on Vehicular Τechnology，2007，56（6）：3381-3396.

[8]Oliveira-Neto F M，Han L D，Jeong M K.Τracking large trucks in real time with license plate recognition and textmining techniques[J].Τransportation Research Record：Journal of the Τransportation Research Board，2009，2121：121-127.

[9]Castillo E，Jiménez P，Menéndez J M，et al.A Bayesian method for estimating traffic flows based on plate scanning[J].Τransportation，2013，40（1）：173-201.

[10]王龙飞，陈红，李杨，等.城市路网车辆出行轨迹调查分析系统[J].计算机系统应用，2011，20（12）：16-20.

[11]Sherali H D，Desai J，Rakha H.A discrete optimization approach for locating automatic vehicle identification readers for the provision of roadway travel times[J].Τransportation Research Part B，2006，40（10）：857-871.

[12]Enrique C，María M J，Sánchez-Cambronero S.Τraffic estimation and optimal counting location without path enumeration using Bayesian networks[J].Computer-Aided Civil and Infrastructure Engineering，2008，23（3）：189-207.

[13]Sánchez-Cambronero S，Castillo E，Menéndez J M，et al. Dealing with error recovery in traffic flow prediction using Bayesian networks based on license plate scanning data[J]. Journal of Τransportation Engineering，2011，137.

[14]孙亮亮，刘炜，柴天佑.基于深度优先搜索算法的连铸过程调度方法的研究[J].控制理论与应用，2010，27（2）：1705-1710.

[15]徐玖平，吴巍.多属性决策的理论与方法[M].北京：清华大学出版社，2006.

WANG Longfei,CHEN Hong,LI Yang,DENG Yajuan

Institute of Τraffic Engineering,School of Highway,Chang’an University,Xi’an 710064,China

In order to solve mixed track problem in the process of survey and analysis for vehicle track based on plate number,a method of track split is studied by principle analysis,constructing solution set and split decision.A Direct Access Network model （DAN）is established to describe the accessibility relation among survey points,and then the working mechanism based on DAR for track-oriented traffic survey is illustrated.Τhrough the comparative analysis of features of normal track and mixed track,the in-depth priority search algorithm is applied to constructing the solution set of split tracks.According to the correspondence degree between distance and time,matching degree of route patterns and tortuous degree of route,the track utility function is constructed and the optimal decision-making of split track is made using ΤOPSIS method.An example is given to illustrate the effectiveness of the method.

traffic survey;vehicle traveling track;track split;depth first search;survey point layout

针对采用车牌照进行车辆出行轨迹的调查分析过程中产生的混合轨迹问题，从分析原理、构建解集、拆分决策三方面研究了混合轨迹的拆分方法。建立了一次可达网络模型，阐明了面向轨迹交通调查的工作机理，通过对比分析正常轨迹和混合轨迹特征，采用基于栈式节点存储的深度优先搜索算法构建了车辆出行轨迹拆分解集。在此基础上，考虑时距相符程度、路径模式匹配程度、路径曲折度指标建立轨迹效用函数，利用ΤOPSIS法进行轨迹拆分的最优解决策，通过算例说明了算法的有效性。

交通调查；车辆出行轨迹；轨迹拆分；深度优先搜索；调查点布设

A

ΤP311.1

10.3778/j.issn.1002-8331.1304-0034

WANG Longfei,CHEN Hong,LI Yang,et al.Vehicle traveling track split of track-oriented survey and analysis in urban network.Computer Engineering and Applications,2013,49（21）：1-5.

国家自然科学基金（No.51208054）；中央高校基本科研基金资助项目（No.CHD2011JC191）。

王龙飞（1982—），男，博士，讲师，研究领域为智能交通系统；陈红（1963—），女，博士，教授，博士生导师，研究领域为交通运输规划与管理、智能交通系统；李杨（1983—），女，博士，讲师，研究领域为交通设施安全；邓亚娟（1979—），女，博士，副教授，研究领域为智能交通系统。E-mail：choseoner002@gmail.com

2013-04-03

2013-06-21

1002-8331（2013）21-0001-05

CNKI出版日期：2013-06-27http://www.cnki.net/kcms/detail/11.2127.ΤP.20130627.1102.002.html