基于轨迹压缩的城市交通拥堵识别与跟踪研究

The data about road network, the point of interest and floating car track data are digital footprint of city traffic. Because of these mobile data are related to time and location, frequent pattern discovery method from the traditional data mining could not be widely used in practice..The existing algorithms are seldom considered the historical data and real-time data together, however historical data includes plentiful information which could not be simply discarded. Aiming at the congestion identification and tracking problem of tracking data, this project will study deeply: 1) proposed an offline trajectory compression model based on network segmentation by the shortest path and frequent trajectories, and set the vertical and horizontal index to facilitate fast retrieval and update data; and update trajectory compression model incrementally; 2) proposed an online trajectory incrementally updating model based on trajectory compression model. 3）computed the road traffic efficiency based on velocity and density, identified congestion by traffic efficiency, tracked the status of congestion based on the differences of two nearly compression snapshots; meanwhile, analyze congestion causes problems related to road structure..We study the models of identification and tracking traffic congestion based on trajectory data, provide scientific basis for exploring the evolution of congestion. It is important to elucidate the mechanism based on trajectory data. The developed algorithms could be not only effectively online incrementally updated for retrieval, modeling and updating of mobile data, but also can be extended to the problem of pattern recognition and tracking in other large complex data.

路网数据、兴趣点数据和浮动车轨迹数据是城市交通的数字足迹，由于这些移动数据与时间和位置高度相关，使得传统的数据挖掘方法难以在实际中得到广泛应用。.针对轨迹数据的城市交通拥堵识别与跟踪问题，历史数据包含丰富的信息不应简单丢弃，而已有的算法很少同时考虑历史数据和实时数据。本课题提出了基于离线轨迹压缩和在线增量更新的拥堵演化分析。拟深入研究1）基于路网分割，利用最短路径和频繁轨迹的离线轨迹压缩模型，并设置横纵索引方便快速检索和更新数据；2）基于轨迹压缩模型的在线轨迹增量更新方法；3）基于速度和密度计算道路的通行效率，利用通行效率识别拥堵，通过轨迹压缩结构之间的轨迹快照差异跟踪拥堵；同时分析与道路结构相关的拥堵成因问题。通过本课题的研究为探索拥堵演化规律提供科学依据，对阐明轨迹数据的机制有着重要意义。针对移动数据的要求所开发的高效在线增量更新算法，也可以推广到其他复杂大数据的模式识别和跟踪问题中。

自课题开展以来，我们的研究活动严格按照计划进行，完成了相关的研究任务，并取得了若干代表性的研究成果。本课题从城市智能交通拥堵状态监测的实际需求出发，分析了交通拥堵的实际问题，包括交通拥堵的基本特征、交通拥堵的短时预测方法等。具体包括：1）针对交通拥堵的抽取以及短时交通拥堵预测问题，从交通数据处理（即离线数据处理）和交通拥堵识别判断（即在线监控）两方面进行设计交通拥堵算法，提出了一种基于自动编码器的交通拥堵预测算法；2）针对天气影响交通拥堵问题，提出了利用神经网络预测交通流量；3）针对重大事件影响交通拥堵问题，提出对城市路网划分为多个子区域，基于区域内重大事件的举办通过融合天气、事件、时间等多源因素，分别对每个子区域内出租车的上下客情况，提出采用遗传算法优化BP神经网络进行出租车上下客数量预测。还分析城市道路驾驶员换道行为的影响因素。.在课题的进展过程中，共录用/发表论文15篇。其中包括CCF B类论文一篇。形成专著2部（已提交稿件第一版，预计2019年出版）。共申请发明专利2项，软件著作权6项。.项目面向数据分析与数理、城市智能交通等领域研发关键应用。本课题积极开展国内外学术合作与人才培养工作，徐秀娟出访澳大利亚参加学术会议3次，许真珍、硕士高晓波各参加国内学术会议1次。在课程承担单位的大力支持下，课题邀请到国际物联网领域的著名学者麦凯瑞大学计算机学院院长Michael Sheng教授来课题组访问，为本课题研究工作的开展起到了很好的促进作用。项目开展过程中共培养硕士8名，毕业6名。