本發(fā)明屬于交通規(guī)劃中出行行為數(shù)據(jù)采集與分析領域，涉及一種考慮時序DBSCAN的智能手機軌跡鏈簇識別方法。

背景技術：
出行行為是指為完成某一目的，使用某種交通方式，耗費一定時間從出發(fā)地經(jīng)某一路徑到達目的地的位移過程。通過對出行行為調(diào)查，可以掌握居民的出行特征，了解區(qū)域內(nèi)交通需求供給現(xiàn)狀，為交通需求預測和制定交通規(guī)劃方案提供基礎數(shù)據(jù)。相比較傳統(tǒng)方法(如入戶訪談FaceToFace、計算機輔助電話調(diào)查CATI等方式)，基于智能手機的出行行為調(diào)查方式不需要額外追加安裝和維護的費用，并且具有投資少、海量化數(shù)據(jù)、全天候采集等特點，逐漸受到國內(nèi)外相關研究學者的青睞。目前，基于智能手機的出行行為調(diào)查主要包括四個步驟：即數(shù)據(jù)預處理、軌跡鏈簇識別、出行模式判定與活動目的預測，其中針對行為軌跡的鏈簇識別是整個調(diào)查過程的關鍵步驟，其識別結果的正確與否直接影響到后續(xù)分析。在現(xiàn)有研究中，鏈簇識別首先是根據(jù)行為軌跡的空間分布特征提取停駐點，然后依照相關邏輯規(guī)則從整條行為軌跡鏈上辨識與合并停駐區(qū)間，最后以此分離軌跡出行鏈與軌跡停駐點簇，具體的鏈簇識別算法包括探索性方法(即經(jīng)驗法)、K均值聚類方法以及基于密度的聚類方法(Density-BasedSpatialClusteringofApplicationswithNoise,DBSCAN)。然而由于這些識別算法本質(zhì)上并沒有脫離對空間特征的依賴，不能兼顧到時間的連續(xù)或差異特征，無法完美地支持具有時序信息的行為軌跡數(shù)據(jù)，識別結果難免存在一定的誤差。

技術實現(xiàn)要素：
技術問題：本發(fā)明提供了一種將“角度偏移量”與“距離偏移量”兩個指標與DBSCAN算法相融合，彌補了傳統(tǒng)DBSCAN算法無法識別時序特征的不足，提高行為軌跡鏈簇識別的精準度的考慮時序DBSCAN的智能手機軌跡鏈簇識別方法。技術方案：本發(fā)明的考慮時序DBSCAN的智能手機軌跡鏈簇識別方法，包括以下步驟：步驟1、數(shù)據(jù)采集與預處理：采集受訪者出行軌跡數(shù)據(jù)，并在數(shù)據(jù)預處理時將各軌跡點的經(jīng)緯度坐標轉(zhuǎn)換為墨卡托平面坐標，剔除數(shù)據(jù)格式為LBS以及數(shù)據(jù)格式為GPS但數(shù)據(jù)精度大于50米的軌跡點，將保留下的行為軌跡點作為原始數(shù)據(jù)V；步驟2、確定行為軌跡的偏移情況，即計算所有行為軌跡點Pn的時序“角度偏移量”DAn和時序“距離偏移量”Sn；所述行為軌跡點Pn的時序“角度偏移量”DAn，即與軌跡點Pn相鄰的兩兩行為軌跡點所組成向量與之間的夾角差，根據(jù)下式計算：DAn＝An+1-An(3)式(1)中AYn為軌跡向量與坐標軸Y軸的夾角，xn為軌跡點n的X軸坐標，為軌跡點n與軌跡點n+1的直線距離；式(2)中An為軌跡向量中以軌跡點Pn為原點，向量與X軸坐標的夾角，yn為軌跡點n的Y軸坐標；式(3)中DAn為軌跡點Pn的時序“角度偏移量”；所述行為軌跡點Pn的時序“距離偏移量”Sn，即軌跡點Pn與線段Qn-1Qn的直線距離，根據(jù)下式計算：其中，Qn-1為軌跡點Pn-1與Pn的坐標中點；步驟3、識別并匯總“鏈與非鏈”，即根據(jù)行為軌跡的偏移情況，按照時間間隔對原始數(shù)據(jù)V進行遍歷識別與匯總，具體為：首先，對原始數(shù)據(jù)V進行片段分割：從軌跡的第一點開始，按照時間間隔依次對原始數(shù)據(jù)V截取一段行為軌跡數(shù)據(jù)，得到軌跡片段Vi(i∈1,2,3...,m)，其中i為軌跡片段分割序號，m為軌跡片段最大分割數(shù)；其次，量化軌跡片段的演化趨勢：從某一軌跡片段Vi的第一點開始遍歷檢測，若該點及其后續(xù)4個軌跡點“角度偏移量”的和的絕對值大于最小轉(zhuǎn)角閾值AGmin，則認為該點及其后續(xù)4個軌跡點為角度偏移異常點；若軌跡點的“距離偏移量”中大于樣本最大位移閾值DMmax，則該點及其后續(xù)4個軌跡點為距離偏移異常點；然后，對軌跡片段Vi(i∈1,2,3...,n)識別“鏈與非鏈”：若該軌跡片段中角度偏移異常點的比例與距離偏移異常點的比例均小于可接受異常比Racc，則認為該段軌跡為“鏈”片段；否則，為“非鏈”片段；最后，根據(jù)相鄰軌跡片段首尾點的時間差與距離差進行“鏈”或“非鏈”的匯總，得到“鏈”片段集合Vl和“非鏈”片段集合Vnl；步驟4、應用基于密度的聚類常規(guī)算法對集合Vnl中的“非鏈”片段進行逐一判斷，確定“非鏈”集合Vnl中的各個片段是否為點簇；步驟5、針對“非鏈”片段集合Vnl剔除非點簇片段，得到的集合Vnlc為行為軌跡的點簇集合，集合Vl為行為軌跡的鏈集合。進一步的，本發(fā)明方法中，所述的步驟1中采集得到的原始數(shù)據(jù)中包括行為軌跡點及其記錄時間、緯度、經(jīng)度、數(shù)據(jù)獲取形式、方向、精度、定位衛(wèi)星數(shù)量、速度、定位基站數(shù)量、地址。進一步的，本發(fā)明方法中，所述步驟3中最小轉(zhuǎn)角閾值AGmin取60度，最大位移閾值DMmax取樣本偏移距離的85％分位數(shù)。進一步的，本發(fā)明方法中，所述步驟3中進行“鏈”或“非鏈”的匯總的具體方法為：若前后兩個軌跡片段Vi與Vi+1同為“鏈”片段，則在軌跡片段Vi最后一點與片段Vi+1第一點的時間差小于最小停留時長Tsmi且距離差小于軌跡精度最大閾值ACthr，將這兩個軌跡片段聚合為同一“鏈”片段，并放入“鏈”片段集合Vl中；按照同樣方式，將行為軌跡的“非鏈”片段進行匯總，得到“非鏈”片段集合Vnl。進一步的，本發(fā)明方法中，所述步驟3中的最小停留時長Tsmi取2min，軌跡精度最大閾值ACthr為50米。進一步的，本發(fā)明方法中，所述步驟4的具體判定方法為：設置鄰域半徑Eps為該“非鏈”片段點簇聚合半徑ER，鄰域內(nèi)樣本點數(shù)閾值MinPts為4，輸入各“非鏈”片段的軌跡點墨卡托坐標，逐一對“非鏈”集合Vnl中各片段進行DBSCAN點簇識別，若片段中的點簇比例達到最小點簇比Rp，則認為該“非鏈”片段為“簇”片段。進一步的，本發(fā)明方法中，所述步驟4中的點簇聚合半徑ER取該片段兩兩軌跡點距離的85％分位數(shù)，最小點簇比Rp設定為85％。本發(fā)明通過提出“角度偏移量”與“距離偏移量”兩個指標，對現(xiàn)有基于密度的聚類識別算法(DBSCAN)進行改進，能夠彌補傳統(tǒng)DBSCAN算法無法識別時序特征的不足，提高行為軌跡鏈簇識別的精準度。本發(fā)明的實施過程可以簡述為：首先，根據(jù)“角度偏移量”與“距離偏移量”兩個指標在樣本數(shù)據(jù)中的表現(xiàn)情況，區(qū)分出軌跡的“鏈”與“非鏈”集合；其次針對“非鏈”集合進行基于密度的聚類識別，得到行為軌跡的“點簇”集合，最后完成針對整個原始數(shù)據(jù)V的鏈簇識別。有益效果：與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：傳統(tǒng)的行為軌跡鏈簇識別方法存在計算過程繁雜、識別精度有限以及無法考慮時間演化特征等問題。本發(fā)明針對現(xiàn)有基于密度的聚類識別方法的不足，通過模擬人眼識別行為軌跡形態(tài)的過程，創(chuàng)新性地提出行為軌跡“距離偏移量”與“角度偏移量”兩個參數(shù)指標來度量行為軌跡的時序特征，并將其融入基于密度的聚類識別算法之中，令算法在執(zhí)行空間聚類之前，能夠識別出行為軌跡點隨時間推移的變化趨勢，并以此對軌跡“鏈”與“非鏈”劃分作出甄別響應，從而使該算法可以滿足識別時序信息特征的需求，為后續(xù)準確劃分行為軌跡的鏈簇片段，分析出行行為特征奠定了堅實的基礎。附圖說明下面結合附圖說明和具體實施方式對本發(fā)明作進一步說明：圖1為本發(fā)明方法流程圖；圖2為行為軌跡點的空間形式圖3為行為軌跡鏈的空間分布圖4為行為軌跡點簇的空間分布圖5為行為軌跡時序“角度偏移量”定義圖圖6為行為軌跡時序“距離偏移量”定義圖圖7為“角度偏移量”與“距離偏移量”對比圖圖8為考慮時序DBSCAN的鏈簇識別結果圖。具體實施方式以下將結合某人工作日的出行軌跡數(shù)據(jù)實施例與說明書附圖，對本發(fā)明方法做進一步詳細說明。一、數(shù)據(jù)形式描述在步驟1中，通過自主研發(fā)的《智能手機的出行模式采集軟件TransGPSCollectorV1.0》獲取受訪者的行為軌跡數(shù)據(jù)，數(shù)據(jù)屬性包括：用戶編號、日期時間、緯度、經(jīng)度、模式、方向、精度、速度等8項數(shù)據(jù)，具體數(shù)據(jù)形式如表1所示。表1行為軌跡初始數(shù)據(jù)示例為確保行為軌跡數(shù)據(jù)能夠與地圖底圖匹配，在數(shù)據(jù)預處理階段，應對軌跡的經(jīng)緯度坐標轉(zhuǎn)換為墨卡托平面坐標，具體墨卡托投影計算公式如下：X＝Lon·20037508.34/180式中，Lon為軌跡點經(jīng)度坐標值；Lat為軌跡點緯度坐標值，X為墨卡托投影下的X軸坐標值(單位：米)，Y為墨卡托投影下的Y軸坐標值(單位：米)。同時，為確保行為軌跡的數(shù)據(jù)精度，遍歷整個樣本集，剔除數(shù)據(jù)模式為“LBS”以及模式為“GPS”但精度大于50米的軌跡點。二、識別“鏈與非鏈”人眼在識別行為軌跡是鏈型還是簇型時，主要是通過分析軌跡點在時空間的演化情況來判定。如圖2所示的行為軌跡空間形式，如果隨著時間推移，軌跡點空間演化趨勢不同，其判定結果可能存在巨大差異。若行為軌跡點在某區(qū)域范圍內(nèi)隨時間推移呈現(xiàn)出鏈狀形態(tài)，則人眼可以識別出該段軌跡為“鏈”，如圖3所示；若行為軌跡點隨時間推移在該區(qū)域范圍內(nèi)呈現(xiàn)出無規(guī)律的變化趨勢，則人眼可以認定該段軌跡為“簇”，如圖4所示。據(jù)此，本發(fā)明在步驟2中通過提出“角度偏移量”與“距離偏移量”兩個指標來描述行為軌跡隨時間推移的空間演化特征，具體定義如圖5、6所示。通過步驟2的公式，可以具體得到試驗樣本中各個軌跡點的“角度偏移量”與“距離偏移量”，并求得樣本“距離偏移量”85％分位數(shù)為4.4353(米)。根據(jù)步驟3中所述的遍歷識別與匯總規(guī)則，首先完成對樣本軌跡的片段分割，共得到44個片段，記為Vi(i∈1,2,3...,44)；其次，量化各個軌跡片段的演化趨勢，并判斷各軌跡片段的角度偏移異常點的比例與距離偏移異常點比例是否均小于可接受異常比Racc，然后對樣本片段進行“鏈”與“非鏈”的匯總，若前后兩個軌跡片段Vi與Vi+1同為“鏈”片段，取軌跡片段Vi的最后一點與片段Vi+1的第一點進行判定，當時間差小于Tsmi且距離差小于ACthr，將這兩個軌跡片段聚合為同一“鏈”片段，并放入“鏈”片段集合Vl中；同樣地，若前后兩個軌跡片段Vi與Vi+1同為“非鏈”片段，則取軌跡片段Vi的最后一點與片段Vi+1的第一點進行判定，當時間差小于Tsmi且距離差小于ACthr，將這兩個軌跡片段聚合為同一“非鏈”片段，并放入“非鏈”片段集合Vnl中；如果前后兩個軌跡片段不為同一類型，則不做軌跡片段的匯總；最終，可以得到行為軌跡“鏈與非鏈”的分類結果。具體步驟3的Matlab偽代碼如下：圖7為樣本“角度偏移量”與“距離偏移量”對比圖，通過Matlab算法分析可知，17:10:至17:22時段與18:50至19:04時段為行為軌跡的“鏈”片段，其余時段為行為軌跡的“簇”片段。三、識別“簇與非簇”在步驟4中，針對前序步驟得到的“非鏈”片段，以密度閾值MinPts＝4和鄰域半徑Eps＝14.2856(85％分位數(shù))為條件建立常規(guī)DBSCAN算法，以此檢驗各個軌跡“非鏈”片段是否為點簇。具體實施過程包括：(1)計算“鏈”片段中兩兩軌跡點的直線距離，計算公式如下：式中，為軌跡點Pn+1在墨卡托坐標系X軸中的坐標，為軌跡點Pn+1在墨卡托坐標系Y軸中的坐標；(2)掃描整個“非鏈”片段，找到任意一個鄰域半徑內(nèi)密度值大于4的軌跡點，記為軌跡核心點；(3)從該點出發(fā)遍歷鄰域半徑Eps范圍內(nèi)所有核心點，尋找與該點密度相連的點，直到?jīng)]有可以擴充的核心點為止，將這些點歸為同一點簇；(4)重新掃描該“非鏈”片段(不包括之前尋找到的簇中的任何數(shù)據(jù)點)，尋找沒有被聚類的核心點，再重復以上(2)步驟直到樣本中沒有新的核心點為止。(5)在“非鏈“片段中，被歸類的核心點在空間上形成點簇，若該片段中的點簇比例達到85％，則認為該“非鏈”片段為”簇”片段；最后，將步驟5所整合得到的“鏈”片段與“簇”片段展示在ArcGIS10.0中，其結果如圖8所示?？梢郧逦乜闯?，藍色軌跡點為該受訪者行為軌跡“鏈”片段，而紅色軌跡點為該受訪者軌跡“簇”片段。這說明了本發(fā)明所提出的方法具有較好的可行性與準確性。本發(fā)明在基于智能手機的出行行為調(diào)查與分析等方面做了有益的探索，具有重要的理論價值和實踐意義。盡管本發(fā)明的實施例已公開如上，但還應該解釋的是，以上實施例僅用于說明并非局限于本發(fā)明所描述的技術方案，本領域的普通技術人員應當理解，仍然可以對本發(fā)明提及的相關規(guī)則或方法進行修改和填充；而一切不脫離本發(fā)明的精神和范圍的技術方案及其改進，均應涵蓋在本發(fā)明的權利要求范圍。