本公开的实施例一般涉及交通规划与管理领域，并且更具体地，涉及基于车辆轨迹多维数据的od矩阵计算方法、装置、设备和计算机可读存储介质。
背景技术：
近年来，随着交通需求的稳步上升和汽车保有量的逐步增加，现有的道路网络显现出了更多的缺陷和不足，对交通管理的水平也提出了更高的要求。
根据《道路运输车辆动态监督管理办法》的要求，进入运输市场的总质量12吨及以上重型载货汽车和半挂牵引车，应全部安装、使用北斗卫星定位装置，并接入道路货运车辆公共平台，而由交通运输部、国家税务总局出台的《网络平台道路货物运输经营管理暂行办法》则指出，网络平台应自行或者使用第三方平台对运输地点、轨迹、状态进行动态监控。由此而产生的海量的车辆轨迹数据，可存储于时下日渐成熟的大数据平台，再结合科学可拓展的算法，在宏观层面上统计不同区域内的od矩阵，可以让我们对交通的现状和趋势有更直观、更准确的认识，使得交通资源的调度有数据层面的支撑，使得路线规划具备更为科学的依据。
出于产业规划和交通管理的需要，根据行政区域、地理条件、社会环境等因素，可将较大的区域划分为若干个子区域，统计在任意两个子区域之间发生的出行次数，构成一个数值矩阵，即为区域间的交通od矩阵，od矩阵反映了一个地区的不同区域间的空间联系强度，也可以反映出不同区域的功能划分，为主管部门的交通资源调度和城市规划工作提供了宝贵的参考。
传统的出行调查，往往依赖于实地调查或者问卷调查，需要耗费大量的人力、物力和时间，这直接导致了调查结果的滞后性，调查过程中难以避免表达上的模糊性，也无法保证记忆的准确性，而且只能进行抽样调查，调查结果的准确度受限于抽样方法和抽样范围，因此，最终的调查结果可信度较低，代表性也相对有限。
技术实现要素：
根据本公开的实施例，提供了一种基于车辆轨迹多维数据的od矩阵计算方案。
在本公开的第一方面，提供了一种基于车辆轨迹多维数据的od矩阵计算方法。该方法包括：
对车辆轨迹多维数据进行解析，得到每辆车的轨迹数据；
对所述每辆车的轨迹数据进行平滑处理；
将平滑处理后的轨迹数据匹配到路网上；
通过聚类方法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据；
基于所述停留点数据计算od矩阵并进行显示。
进一步地，所述对所述车辆轨迹多维数据进行解析，得到每辆车的轨迹数据包括：
所述车辆轨迹多维数据包括车牌号、经纬度、速度、方向和采样时间；
对所述车辆轨迹多维数据进行解析，得到车辆的车牌号、经纬度、速度、方向和采样时间信息；
基于所述车辆的车牌号信息，对解析后的车辆轨迹多维数据进行分类，得到每辆车的轨迹数据。
进一步地，所述将平滑处理后的轨迹数据匹配到路网上包括：
基于st_matching算法，分别定义观测概率矩阵和状态转移矩阵；
通过所述观测概率矩阵和状态转移矩阵，计算指定路线的概率矩阵；
通过所述指定路线的概率矩阵，将平滑处理后的轨迹数据匹配到路网上。
进一步地，所述通过聚类方法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据包括：
采用基于轨迹多维数据的dbscan聚类算法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据。
进一步地，所述采用基于轨迹多维数据的dbscan聚类算法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据包括：
基于已匹配到路网上的轨迹数据设定样本集和领域参数；所述样本集包括车辆在第i个位置时，车辆的经度、纬度、方向和时间；所述i为大于等于1的正整数；
将所述样本集中的经度、纬度、方向和时间信息的单位进行统一，更新所述样本集；
基于所述领域参数对更新后的样本集进行处理，选取符合预设条件的停留点加入初始化的核心对象集合；
将所述核心对象集合中的停留点按照时间先后顺序进行排序，得到停留点数据。
进一步地，所述基于所述领域参数对更新后的样本集进行处理，选取符合预设条件的停留点加入初始化的核心对象集合包括：
基于所述领域参数，通过四维欧式距离度量方式，对更新后的样本集进行处理，将符合四维欧式距离度量方式的停留点加入初始化的核心对象集合。
进一步地，所述基于所述停留点数据，计算得到od矩阵并进行显示包括：
分别将每辆车的停留点数据转换为车辆经过区域的序列；
根据所述每辆车经过区域的序列，生成每辆车的od；
将所有车辆的od进行累加，得到od矩阵并进行显示。
在本公开的第二方面，提供了一种基于车辆轨迹多维数据的od矩阵计算装置。该装置包括：
解析模块，用于对车辆轨迹多维数据进行解析，得到每辆车的轨迹数据；
处理模块，用于对所述每辆车的轨迹数据进行平滑处理；
匹配模块，用于将平滑处理后的轨迹数据匹配到路网上；
识别模块，用于通过聚类方法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据；
计算模块，用于基于所述停留点数据计算od矩阵并进行显示。
在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。
本申请实施例提供的基于车辆轨迹多维数据的od矩阵计算方法，通过对车辆轨迹多维数据进行解析，得到每辆车的轨迹数据；对所述每辆车的轨迹数据进行平滑处理；将平滑处理后的轨迹数据匹配到路网上；通过聚类方法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据；基于所述停留点数据计算od矩阵并进行显示，解决了仅依靠经纬度信息进行聚类而引起的聚类信息不准确、聚类结果缺少时间信息、od分析结果误差大等问题，从而可以实现低成本、高频度、自动化的od矩阵生成，反映一定时间段内的不同区域间的空间联系强度。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的基于车辆轨迹多维数据的od矩阵计算方法的流程图；
图2示出了根据本公开的实施例的卡尔曼轨迹滤波的计算流程框图；
图3示出了根据本公开的实施例的st-matching算法的示意图；
图4示出了根据本公开的实施例的od矩阵计算结果示意图；
图5示出了根据本公开的实施例的基于车辆轨迹多维数据的od矩阵计算装置的方框图；
图6示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的基于车辆轨迹多维数据的od矩阵计算方法100的流程图。方法100包括：
s110，对车辆轨迹多维数据进行解析，得到每辆车的轨迹数据。
在一些实施例中，所述车辆轨迹多维数据包括车牌号、经纬度、速度和方向等信息。
在一些实施例中，所述车辆轨迹多维数据可以从大数据平台(如道路货运车辆公共平台等)中进行获取。
在一些实施例中，对所述车辆轨迹多维数据进行解析之前/之后/同时，可对所述车辆轨迹多维数据进行清洗，剔除掉研究范围之外的数据，即保留车牌号、经纬度、速度和方向等研究范围内的数据。
在一些实施例中，对所述车辆轨迹多维数据进行解析，提取出所述车辆轨迹多维数据中的车牌号、经纬度、速度、方向和采样时间等信息，基于所述车辆的车牌号信息，对解析后的车辆轨迹多维数据进行分类，得到每辆车的轨迹数据。
将每辆车的轨迹数据表述为将位置信息按时间先后顺序形成的时间序列traj＝(p1,p2,…,pn)；
其中，pi＝(lngi,lati,speedi,anglei,timei)；
所述lngi表示车辆在第i个位置时的经度；
所述lati表示车辆在第i个位置时的纬度；
所述speedi表示车辆在第i个位置时的速度；
所述anglei表示车辆在第i个位置时的方向；
所述timei表示车辆在第i个位置时的时间；所述i为大于等于1的正整数。
需要说明的是，对轨迹数据进行采样的时间一般设定为半分钟，若两个相邻的轨迹点之间的时间相差较大，则在此处将轨迹断开，生成多段在时间上连续的轨迹。
s120，对所述每辆车的轨迹数据进行平滑处理。
在一些实施例中，可通过滤波的方式对所述每辆车的轨迹数据进行平滑处理。例如，卡尔曼滤波、互补滤波(抗干扰能力差)等。
如图2所示，在本公开中，采用卡尔曼滤波(抗干扰能力强)对所述每辆车的轨迹数据进行平滑处理。
具体地，
设置车辆的消息模型为：
xt＝axt-1 w
其中，所述xt为t时刻的状态向量；
所述xt-1为t-1时刻的状态向量；
所述a为状态转移矩阵；
所述w为策动噪声向量；
进一步地，定义策动噪声的协方差矩阵：
qt＝e{wwt}
设置车辆的观测模型为：
zt＝hxt v
其中，所述zt为t时刻的观测向量；
所述h为观测矩阵；
所述v为测量噪声向量；
进一步地，定义测量噪声的协方差矩阵：
rt＝e{vvt}
设置车辆的估计模型为：
其中，所述kt为卡尔曼增益矩阵；
所述
综上，可得卡尔曼滤波递推方程如下：
其中，所述
在一些实施例中，通过如上所述卡尔曼滤波递推方程对所述每辆车的轨迹数据进行平滑处理。
s130，将平滑处理后的轨迹数据匹配到路网上。
在一些实施例中，可通过st_matching算法，将车辆轨迹数据匹配到路网上。
其中，所述st_matching算法结合了时间特征和空间特征，分别定义了观测概率矩阵和状态转移矩阵，二者相乘则为指定路线的概率矩阵。
具体地，
所述概率矩阵为：
f＝fs*ft
其中，所述f为指定路线的概率；
所述fs为观测概率矩阵的计算结果；
所述ft为状态转移矩阵的计算结果。
进一步地，所述观测概率矩阵的公式如下：
其中，所述σ为标准差，通常设定为50米；
所述d为观测点和候选点之间的距离，通常距离越大，则观测概率越小。
进一步地，所述状态转移矩阵的公式如下：
其中，所述dt→t 1为相邻观测点之间的欧氏距离；
所述wt→t 1为相邻观测点分别对应的候选点之间的最短路径的长度；
如图3所示，对所述车辆轨迹数据中的每个轨迹点，都检索一组候选路段和候选点，然后据此构建一个候选图，图中的节点是每个轨迹点的候选点集合，边则是任意两个相邻的候选点之间的最短路径集，结合观测概率和转移概率，在候选图中寻找一条具有最高得分的路径。将所述具有最高得分的路径匹配到路网上。
s140，通过聚类方法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据。
在一些实施例中，可采用基于轨迹多维数据的dbscan聚类算法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据。即，采用基于轨迹多维数据的dbscan聚类算法，对已匹配到路网上的轨迹数据中的停留点进行识别，在距离度量中，采用经纬度、时间和方向信息，从而判断出不同时间段内的车辆停留点。
具体地，首先设定(输入)样本集和邻域参数。
其中，所述样本集为(p1,p2,…,pn)；pi＝(lngi,lati,θi,timei)；(参考步骤s110中，每辆车的轨迹数据)；
所述领域参数为(ε,minpts)；
其中，所述ε为某一样本的邻域距离阈值；
所述minpts为某一样本的距离为ε的邻域中样本个数的阈值。
然后，定义距离度量方式为基于经纬度信息、方向信息、时间信息的欧氏距离。因为经纬度、时间和方向等信息的单位不一致，不便于比较，所以在本公开中，可先对时间和方向信息进行转换(统一单位)，并将转换结果更新到样本集中。
具体地，
时间转换公式为：
tnew＝told/10000
其中，所述told为轨迹点的采集时间对应的秒数；
所述tnew为时间转换后的结果。
方向转换公式为：
θnew＝θold/180
其中，所述θold为轨迹点对应的方向(单位为度)；
所述θnew为向转换后的结果。
进一步地，初始化核心对象集合为空集，聚类簇数为0。根据四维欧式距离的距离度量方式，即
进一步地，将所述核心对象集合中的轨迹点，按照时间先后顺序进行排序，得到停留点数据。
需要说明的是，本步骤中充分挖掘了轨迹数据的空间信息和属性信息，解决了现有技术中仅依靠经纬度信息进行聚类而引起的聚类信息不准确、聚类结果缺少时间信息、od分析结果误差大等问题。
s150，基于所述停留点数据计算od矩阵并进行显示。
od矩阵：od矩阵是源点-终点矩阵的英文缩写，所谓的点其实是一片交通划分的区域，而该矩阵中的数据就是从区域a到区域b的交通流量，即用于表示从一个地方到另外一个地方的路径上的拥堵程度。
在一些实施例中，对每辆车的停留点和各子区域进行空间分析，判断停留点的所处区域，将每辆车的停留点序列转换为其先后经过的子区域的序列，根据所述每辆车经过区域的序列，生成每辆车的od，将所有车辆的od进行累加，得到od矩阵并进行显示，参考图4。
根据本公开的实施例，实现了以下技术效果：
能够快速准确地计算一个区域内的不同子区域间的od矩阵，充分挖掘了轨迹数据中的隐藏价值，使得不同侧面的数据得以相互印证，分析结果更具可信度，并直观反映不同子区域内的空间联系强度，识别出每一辆车的主要活动范围和出行规律，为公共资源的合理配置和空间结构的优化调整提供科学依据。
同时，本公开的实施例，能够充分挖掘数据的空间信息和属性信息(不但用到了经纬度信息，而且用到了速度、方向等信息)，解决了现有技术中仅依靠经纬度信息进行聚类而引起的聚类信息不准确、聚类结果缺少时间信息、od分析结果误差大等问题。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图5示出了根据本公开的实施例的基于车辆轨迹多维数据的od矩阵计算装置500的方框图。如图5所示，装置500包括：
解析模块510，用于对车辆轨迹多维数据进行解析，得到每辆车的轨迹数据；
处理模块520，用于对所述每辆车的轨迹数据进行平滑处理；
匹配模块530，用于将平滑处理后的轨迹数据匹配到路网上；
识别模块540，用于通过聚类方法，识别已匹配到路网上的轨迹数据中的停留点，得到停留点数据；
计算模块550，用于基于所述停留点数据计算od矩阵并进行显示。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。如图所示，设备600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序指令，来执行各种适当的动作和处理。在ram603中，还可以存储设备600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元601执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram603并由cpu601执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，cpu601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
