基于海量语义轨迹的交通驾驶行为认知与主动学习机理研究

Ming the knowledge on driving behavior from the massive FCD (Floating Car Data) and providing the traffic information service for public with intelligent and friendly interface, is a hot but difficult topic, in the fields of traffic guidance and traffic safety management. With the deep analysis on the spatial and temporal characteristics of the trajectories of the massive float cars, the projection will focus on the multi-granularity semantic trajectory conversion model, four-dimensional driving behavior measure model and regional leading experts found model, to explore the driving behaviors cognition and its active learning based on massive semantic trajectories. The first part, the multi-granularity semantic trajectory conversion model will aim to enhance the semantic information of trajectory data effectively. The second one, the four-dimensional driving behavior measure model will integrate the spatial characteristics, time characteristics,speed characteristics and direction characteristics of semantic trajectory data, and then extract the users' macroscopic and microscopic driving behavior characteristics to depict their driving behavior characterizations. Also, the regional leading experts found model will be consider to meet driving behavior knowledge extraction and active learning demand based on mass semantic trajectory data. At the same time, the models will be optimized with parallel processing mechanism based on MapReduce, to meet the efficiency requirements of active traffic information service, and a open resources platform will be built to share massive semantic trajectories data.

如何从海量的浮动车轨迹数据中有效挖掘驾驶行为知识，进而为公众提供智能友好的主动交通信息服务一直是国内外在智能交通诱导、交通安全管理等方面的研究热点和难题。本课题拟深入分析海量浮动车轨迹数据的时空特性，并重点研究多信息粒度的语义轨迹转换模型、驾驶行为度量四维模型及区域带路专家发现模型，以探索基于海量语义轨迹的驾驶行为挖掘认知与主动学习机理。其中，多信息粒度的语义轨迹转换模型将有效增强轨迹数据的语义信息；驾驶行为度量四维模型将融合语义轨迹数据中的空间特性、时间特性、速度特性与方向特性，提取用户宏观与微观的驾驶行为特征，以表征用户的驾驶行为特性；而区域带路专家发现模型则提供基于海量语义轨迹数据的驾驶行为经验知识提炼及其主动学习机制。同时，本课题将基于MapReduce机制进行模型的并行处理优化，以满足主动交通信息服务的时效性要求，并构建海量语义轨迹数据资源开放共享平台。

当前，汽车保有量持续快速增加，道路交通系统的人、车、路与环境等元素间的矛盾日益严重，交通拥堵等诸多问题已成为全球通病，为此，研究探索交通系统事件的形成过程及其演化规律已成为国内外的前沿科学热点与难点之一。然而，道路交通系统是个动态、随机的复杂系统，目前人们仍难以理解交通驾驶行为的内在约束机理，而交通轨迹数据作为驾驶人在多源信息刺激下的行为反馈，其蕴含的信息为生动刻画交通系统的复杂行为及其认知学习提供了可能。深度挖掘交通轨迹大数据中潜在的、隐藏的结构性知识，将有利于揭示交通系统各元素间复杂的交互关系，并有利于探索交通系统事件发生的内在驱动机理，为道路交通系统研究带来了新的发展机遇。. 但是，交通轨迹是动态的时空数据，具有高维性、海量性及时空相似性变形等复杂的特性与结构，且其往往含有大量的噪声，使得交通轨迹数据的深度挖掘仍为国内外的研究难题。本课题围绕交通轨迹大数据建模方法及其应用机制开展研究，并重点研究了交通轨迹大数据的显性时空聚集模式及其潜在语义信息的挖掘建模机制，从而构建了驾驶行为动机主题挖掘机制，并进而探索了交通驾驶行为动机的认知结构，为交通流的形成机理及其演化规律研究提供了新的方法。. 具体研究内容包括：1）交通轨迹大数据表示与预处理建模；2）交通轨迹大数据显性时空结构模式挖掘建模；3）交通轨迹大数据潜在语义信息挖掘建模；4）面向交通轨迹数据挖掘的多源信息融合机制建模。. 通过深入研究了交通轨迹大数据的特征矩阵建模机制，实现了基于矩阵分解的交通轨迹大数据挖掘；为解决原始低级运动特征与高层语义行为分析之间的鸿沟问题，提出了一种基于矩阵奇异值分解的交通轨迹大数据语义挖掘方法；进而，为研究探索交通驾驶行为的认知与学习机理，设计了基于潜在语义主题分布的驾驶行为认知建模方法，实现了驾驶人行为动机主题的建模挖掘。