隨着信息技術的發展，以及車載運行監控系統的不斷改進，為了充分利用交通運輸企業的車聯網數據，挖掘車輛駕駛行為的潛在特徵，對監控系統所統計的數據進行合理的整理，可以為數據的進一步挖掘提供良好的保障。
1 模型假設
（1）假設車輛行駛是在二維的平面上，即不考慮地球的形狀及地面的高度差。
（2）假設每輛車僅有一名駕駛人員。
2 基於軌跡和速度特徵異常檢測模型
2.1 模型建立思想
由於原有數據的數據量大且存在異常軌跡的情況，即需要通過有效的方法解決異常軌跡並且得到擬合數據。針對異常軌跡的檢測，R-Tree異常軌跡檢測算法是目前常用的異常軌跡檢測方法。R-Tree異常軌跡檢測算法是通過找出每個軌跡點的w-鄰域點集，與該軌跡點構成點對集合，每個軌跡點僅和其w-鄰域點集中的點進行比較，然後通過指定的鄰域閾值w找出異常軌跡，但是此方法對於長且複雜的軌跡，表現出異常軌跡分段平均化的現象。即在此基礎上我們提出了根據相鄰兩點數字特徵綜合考慮數據的異常情況。
2.2 模型建立
對於軌跡特徵，通過歐幾里的距離進行兩點之間的距離計算，設定兩個坐標點在二維空間上的距離則兩點之間的軌跡彎曲程度本文使用兩點之間的移動距離與兩點之間的形成的直線距離的比值衡量。
對於速度特徵，數據的位置變化代表着車輛運動時位置隨時間的變化情況。對於等時變化的數據，可以得到速度vi與位移li的關係：則相應的加速度：
綜合考慮軌跡特徵和速度特徵，設定相應的閾值，對數據進行異常點的處理。
2.3 基於差分與最小二乘法軌跡擬合模型
由於車輛的行駛軌跡沒有規律性，即在不同區域內，形成的軌跡可以完全不同，所以不能通過高次擬合的方法來完整的擬合車輛的行駛軌跡;離散的數據對應不同的坐標和不同的方位角，因此擬合過程中的擬合曲線是否連續或者擬合結果是否能夠組成一條連續的軌跡並不是必需的。故根據差分和最小二乘法的思想來分段的擬和軌跡，並且獲取合適的方位角。
2.4 結果分析
通過MATLAB軟件編程可以得到，以其中兩條路線為例（如圖 1、圖 2所示）。
根據數據處理和軌跡擬合結果顯示，綜合考慮軌跡彎曲程度和速度對於去除異常軌跡點有明顯的效果，但不能完整的處理異常數據點;通過設置權函數，運用差分和最小二乘法的思想，提高了軌跡擬合的準確性，但是設置權函數的作用比較局限。
原創文章，作者：投稿專員，如若轉載，請註明出處：https://www.506064.com/zh-hk/n/209002.html
微信掃一掃 
支付寶掃一掃 
