استخراج اطلاعات جاده در سطح خط از مسیرهای GPS خودرو بر اساس طبقه بندی بیزی ساده

خلاصه

در این مقاله، ما یک رویکرد جدید برای استخراج شبکه جاده ای در سطح خط پیشنهاد می کنیماطلاعات از مسیرهای GPS خودرو با دقت پایین (MLIT)، که شامل قوانین تعداد و دور خطوط ترافیک بر اساس طبقه‌بندی ساده بیزی است. اول، روش پیشنهادی (MLIT) از یک روش بهینه‌سازی چگالی تطبیقی برای حذف نقاط پرت از مسیرهای GPS خام بر اساس توزیع فضا-زمان و خوشه‌بندی چگالی استفاده می‌کند. دوم، MLIT تعداد خطوط را در دو مرحله به دست می آورد. مرحله اول یک طبقه‌بندی‌کننده بیزی ساده را با توجه به ویژگی‌های ردیابی صفحه جاده و پروفیل‌های جاده و تعداد واقعی خطوط، همانطور که در نمونه‌های آموزشی یافت می‌شود، ایجاد می‌کند. مرحله دوم تعداد خطوط با استفاده از نمونه‌های آزمایشی را با ارجاع به طبقه‌بندی‌کننده ساده بیزی با استفاده از ویژگی‌های ردیابی شناخته شده نمونه آزمایش تأیید می‌کند. سوم، MLIT قوانین چرخش هر خط را از طریق ردیابی مسیرهای GPS استنباط می کند. آزمایش‌ها با استفاده از مسیرهای GPS تاکسی‌ها در ووهان چین انجام شد. در مقایسه با نتایج تفسیر شده توسط انسان، اطلاعات شبکه جاده‌ای در سطح خط تولید شده به طور خودکار از کیفیت بالاتری از نظر نمایش شبکه‌های جاده‌ای دقیق با تعداد خطوط و قوانین چرخش هر خط برخوردار است.

کلید واژه ها:

مسیرهای GPS ; روش بهینه سازی چگالی تطبیقی ; طبقه بندی کننده ساده بیزی ; اطلاعات سطح خط ؛ اطلاعات بزرگ

1. معرفی

داده‌های دقیق شبکه جاده‌ای مبتنی بر خط برای ناوبری، مانند مکان خط، تغییر خط، و اطلاعات پیچ، برای اطمینان از رانندگی مطمئن و ایمن، به‌ویژه برای سیستم‌های حمل و نقل هوشمند (ITS) مانند سیستم‌های پیشرفته کمک راننده و رانندگی مستقل، بسیار مهم است. علاوه بر این، اطلاعات هندسه خطوط، به ویژه تعداد خطوط، می تواند برای استنباط نوع جاده و برای تخمین ظرفیت جریان ترافیک نیز مهم باشد. شبکه‌های جاده‌ای مرسوم، که توسط دیجیتالی‌سازی، وسایل نقلیه نقشه‌برداری متحرک یا عکس‌های هوایی استخراج می‌شوند، بر اساس خطوط مرکزی راه هستند [ 1 ، 2]]. اطلاعات سطح خط (مانند تعداد خطوط و چرخش در تقاطع) معمولاً از ویدیو/تصاویر با کیفیت بالا، ابرهای نقطه لیزری یا مسیرهای DGPS/INS [ 3 ، 4 ، 5 ، 6 ، 7 ] به دست می آید. استخراج چنین اطلاعات دقیقی زمان بر و کار فشرده است [ 8 ].

به طور فزاینده‌ای، وسایل نقلیه عمومی و دستیارهای ناوبری شخصی به ردیاب‌ها یا ثبت‌کننده‌های سیستم موقعیت جهانی تک فرکانس (GPS) مجهز می‌شوند که مکان‌های کاربر را در فواصل زمانی منظم نظارت می‌کنند [ 9 ، 10 ]. کیفیت داده های ردیابی اغلب به دلیل تأثیرات هندسی دره های شهری بر دقت محدوده GPS پایین است، در نتیجه باعث می شود نقاط ردیابی از جاده های اصلی منحرف شوند. با این حال، حجم زیادی از داده ها را می توان با استفاده از ابزارهای GPS با هزینه کم به دست آورد. این نوع جدید از منابع جغرافیایی حاوی اطلاعات فراوانی در مورد شبکه‌های جاده‌ای، شرایط ترافیکی، نقاط دیدنی و رفتارهای رانندگی است [ 11 ، 12 ، 13]]. استخراج نقشه های راه با کیفیت بالا از داده های ردیابی با کیفیت پایین یک موضوع داغ است [ 14 ، 15 ، 16 ، 17 ]. در مقایسه با رویکردهای موجود برای تولید اطلاعات شبکه مبتنی بر خط، یک رویکرد جغرافیایی از اطلاعات تولید شده توسط داده‌های ردیابی مکانی و زمانی استفاده کامل می‌کند، بنابراین کاربر را قادر می‌سازد تا شبکه‌های جاده‌ای را ایجاد یا به‌روزرسانی کند (به عنوان مثال، شبکه سطح جاده و خط- شبکه سطح) در رابطه با قوانین راهنمایی و رانندگی.

این مطالعه رویکردی را پیشنهاد می‌کند (MLIT: شبکه جاده‌ای در سطح خط استخراج و اطلاعات از مسیرهای GPS خودرو) برای تولید خودکار اطلاعات جاده در سطح خط از جمله تعداد خطوط و پیچ‌های تقاطع از مسیرهای GPS خودروهای با دقت پایین جمع‌آوری شده از هزاران تاکسی در یک شهر برای کاهش تأثیر دقت کم و سایر هوس‌ها در مسیرهای تاکسی، اقداماتی را برای جبران عدم قطعیت استخراج شبکه جاده‌ای مبتنی بر خط انجام می‌دهیم. اول، مسیرهای جمع‌آوری‌شده در زمان‌های خارج از پیک، داده‌های تجربی را شامل می‌شوند [ 18 ، 19]]. دوم، درمان بخش‌بندی در طول بهینه‌سازی و استخراج اطلاعات خطوط اتخاذ می‌شود تا از تأثیر قابل‌توجه ارتعاشات بزرگ در گسترش مسیرها به دلیل تغییرات در ویژگی‌های ترافیکی مانند جریان‌های ترافیک نامشخص و اضافه شدن خطوط در موقعیت‌های مختلف در همان جاده جلوگیری شود. بنابراین، بخش بخش مسیر (TSS) را به عنوان واحد پایه برای بهینه‌سازی مسیر و استخراج اطلاعات خط تعریف می‌کنیم. به طور خاص، با توجه به ویژگی‌های ردیابی هواپیمای جاده و نمایه جاده، و تعداد واقعی خطوط یافت شده در نمونه‌های آموزشی، یک طبقه‌بندی‌کننده بیزی ساده برای استنتاج تعداد خطوط از نمونه‌های آزمایشی بر اساس این ویژگی‌های ردیابی می‌سازیم. قوانین پیچ هر خط، از جمله رفتن مستقیم، یا گردش به چپ، راست یا دور، با ردیابی مسیرها در رابطه با میزان رانندگی بی احتیاطی استخراج می شوند. مشارکت های این مقاله به شرح زیر است:

(1): ما یک روش جدید، روش بهینه‌سازی چگالی تطبیقی، برای بهینه‌سازی مسیر GPS خودرو بر اساس روش خوشه‌بندی چگالی و توزیع فضایی نقاط ردیابی پیشنهاد می‌کنیم. نقاط پرت مخلوط شده در داده های خام به طور خودکار با استفاده از روش بهینه سازی چگالی تطبیقی حذف می شوند.
(2): ما روش جدیدی را برای استنتاج اطلاعات سطح خط از مسیرهای GPS خودروهای مکانی-زمانی با دقت پایین (MLIT) بررسی می‌کنیم.
(3): ما قوانین دور هر خط را با ردیابی مسیرهای وسیله نقلیه در رابطه با میزان رانندگی بی احتیاطی تشخیص می دهیم.

ادامه این مقاله به شرح زیر سازماندهی شده است. در بخش 2 ، مطالعات مرتبط در مورد حذف و استخراج اطلاعات خطوط از مسیرهای GPS با دقت پایین بررسی شده است. در بخش 3 ، روش پیشنهادی برای تشخیص اطلاعات خطوط ترافیک را به طور کامل شرح می دهیم. در بخش 4 ، مجموعه‌ای از آزمایش‌ها بر روی مجموعه داده‌های ووهان، مزایا و اثربخشی روش پیشنهادی را نشان می‌دهد. در بخش 5 ، نتیجه گیری ها و جهت گیری های تحقیقات آتی مورد بحث قرار می گیرد.

2. کارهای مرتبط

به دلیل نویز حسگر و عوامل دیگر، مسیرهای مکانی هرگز کاملاً دقیق نیستند. گاهی اوقات این خطا قابل قبول است، مانند هنگام استفاده از GPS برای شناسایی شهری که شخص در آن قرار دارد. در شرایط دیگر، روش‌های مختلفی برای حذف نویز و کاهش خطا در اندازه‌گیری‌ها برای داده‌های مسیر اعمال می‌شود. به طور خاص، مسیرهای جمع آوری شده توسط وسایل نقلیه عمومی شامل مقادیر انبوهی از اطلاعات زمان واقعی و کم هزینه است (به عنوان مثال، شبکه جاده، نقطه علایق، رفتارهای رانندگی). این اطلاعات به دلیل محدودیت‌های تجهیزات مجموعه، محیط و هدف، حاوی موارد پرت بسیاری نیز می‌باشد. دسته بندی های اصلی برای حذف نقاط پرت شامل الگوریتم های فیلتر برای صاف کردن نویز، روش های تطبیق نقشه برای تغییر مختصات اصلی نقاط ردیابی به منظور تطبیق آنها با شبکه جاده ای موجود است.

هنگامی که داده های مسیر به خصوص نویز دارند، یا زمانی که لازم است مقادیر دیگری مانند سرعت یا جهت از این داده ها استخراج شود، فیلتر کردن اهمیت دارد. علاوه بر این، فیلتر کردن فقط برای مسیرهایی با فرکانس نمونه برداری بالا مناسب است. لی در [ 20 ] مقدمه ای مفصل در مورد نحوه اجرای یک الگوریتم فیلتر، از جمله فیلتر کالمن و فیلتر ذرات ارائه کرد. مرحله دیگر پیش پردازش از روش های تطبیق نقشه برای تطبیق مسیرها با شبکه جاده استفاده می کند. سوتیریس براکاتسولاس [ 21] سه الگوریتم تطبیق نقشه را ارائه کرد که به‌ویژه بر روی ماهیت مسیر داده‌ها تمرکز می‌کنند تا صرفاً بر موقعیت فعلی، مانند تکنیک‌های تطبیق نقشه سنتی. توجه به این نکته مهم است که روش‌های تطبیق نقشه فقط برای استخراج اطلاعات در سطح جاده از داده‌های GPS اعمال می‌شود، زیرا هر نقطه ردیابی با خط مرکزی جاده تطبیق داده می‌شود و مکان اصلی آن تغییر می‌کند. در مقابل این روش‌ها، برخی از محققان از خوشه‌بندی برای حذف پرت استفاده کرده‌اند. برای مثال، جینگ وانگ [ 15 ] استفاده از روش‌های چگالی هسته را برای حذف نقاط پرت در مسیرهای GPS خام پیشنهاد کرد. چن [ 7] تمام نقاط داده را به ترتیب صعودی با توجه به فاصله آنها از میانه مرتب کرد و سپس 95٪ از نقاط داده مرتب شده را به عنوان داده های آزمایشی انتخاب کرد. در مقایسه با تکنیک‌های فیلتر کردن و روش‌های تطبیق نقشه، روش‌های خوشه‌بندی موقعیت نقاط ردیابی را تغییر نمی‌دهند و کمتر مستعد فواصل نمونه‌برداری هستند، و در هنگام برخورد با حجم زیادی از مسیرهای جی‌پی‌اس با کیفیت پایین، مناسب‌ترین آنها را برای حذف نقاط دورتر می‌سازد. فرکانس نمونه پایین و متاثر از دره های شهری. با این حال، در مورد ما، داده‌های تجربی در یک منطقه شهری جمع‌آوری می‌شوند و دقت موقعیت و نرخ نمونه‌برداری آنها به ترتیب حدود 10-15 متر و 20 ثانیه است. تخمین چگالی هسته با پهنای باند ثابت برای حذف نقاط پرت برای یک شبکه جاده پیچیده در یک منطقه شهری مناسب نیست. علاوه بر این، نسبت پرت داده های GPS با دقت پایین بسیار بیش از 5٪ است. بنابراین، ما انگیزه داریم که از یک روش تخمین چگالی تطبیقی برای حذف نقاط پرت استفاده کنیم.

پس از پیش پردازش داده ها، اصلاح خودکار شبکه جاده از مسیرهای GPS امکان پذیر می شود. OpenStreetMap از مسیرهای GPS کمک کاربر برای ایجاد نقشه های دیجیتال رایگان استفاده می کند که برای ویرایش توسط کاربران ثبت نام شده باز است [ 22 ]. به همین ترتیب، WikiMapia، Google Maps و سایر برنامه های نقشه به کاربران اجازه می دهند نقشه ها را به روز کنند. همچنین روی روش‌های کاملاً خودکار برای استنتاج نقشه‌های راه از مسیرهای GPS با کیفیت پایین کار شده است. این روش‌ها شامل تطبیق ردیابی‌های GPS با اشکال اولیه [ 23 ]، استفاده از روش‌های افزایشی برای پردازش ردیابی GPS و تولید نقشه‌های راه [ 24 ، 25 ]، و استفاده از روش‌های خوشه‌بندی یا الگوریتم‌های مصنوعی برای استخراج شبکه‌های جاده‌ای از ردیابی GPS [ 26 ، 27] است.، 28 ]. با توجه به منابع [ 23 ، 24 ، 25 ، 26 ، 27 ، 28 ]، روش های موجود می توانند نقشه های سطح جاده را از مسیرهای جی پی اس خودرو با کیفیت پایین تولید و به روز کنند، در حالی که مطالعات اخیر در مورد تولید دقیق شبکه جاده ای به تدریج به سمت پایین تغییر کرده است. اطلاعات شبکه جاده ای در سطح خط

استخراج اطلاعات سطح خط از مسیرهای خودرو با داده‌های دیفرانسیل GPS با دقت بالا آغاز می‌شود و با اصلاح نقشه موجود، از جمله مکان‌یابی خطوط و تعداد خطوط پایان می‌یابد [ 29 ، 30 ]. این فرآیند شامل صاف کردن و فیلتر کردن داده‌های GPS، تطبیق آن با نقشه موجود، منطبق با خط مرکزی جاده، خوشه‌بندی برای یافتن خطوط و اصلاح هندسه تقاطع است. Uduwaragoda [ 31 ] استفاده از مسیرهای وسایل نقلیه با دقت بالا را که توسط وسایل نقلیه مجهز به تلفن‌های همراه مجهز به INS/GPS جمع‌آوری شده بود برای تولید نقشه‌های جاده در سطح خط بر اساس تخمین چگالی هسته پیشنهاد کرد. با این حال، روش های پیشنهاد شده در [ 29 ، 30 ، 31] بر این فرض استوار است که ردیابی GPS از خطوط مختلف به خوبی از هم جدا شده است. برای داده های GPS با دقت پایین، این فرض به طور جدی نقض می شود و بنابراین نوعی روش احتمالی با دانش قبلی برای استخراج ساختار خط از انبوه مسیرهای GPS با دقت پایین استفاده می شود. علاوه بر این، مطالعه قبلی [ 31 ] استخراج خطوط دقیق در مناطق یا مناطق بزرگ را در نظر نگرفت، و همچنین بر استخراج نوبتی تمرکز نکرد. مطالعه ما نه تنها با تولید اطلاعات شبکه جاده‌ای در سطح خط، از جمله تعداد و قوانین چرخش خطوط ترافیکی از پیش‌پردازش مسیرهای GPS وسایل نقلیه با دقت پایین، بلکه با ارزیابی تجربی اعتبار نتایج برای مناطق بزرگ به تحقیقات موجود کمک می‌کند. و مناطق

3. استخراج اطلاعات شبکه جاده در سطح خط از مسیرهای GPS خودرو

در این بخش، اطلاعات شبکه جاده‌ای در سطح خط (به عنوان مثال، تعداد خطوط و پیچ‌های هر خط) روش استخراج (MLIT) از مسیرهای GPS با دقت پایین را ارائه می‌کنیم. معماری در شکل 1 نشان داده شده است . پردازش MLIT به شرح زیر است:

ابتدا، نقاط پرت در هر TSS (بخش مسیر) به طور خودکار با الگوریتم بهینه‌سازی چگالی تطبیقی حذف می‌شوند.

دوم، یک طبقه‌بندی کننده ساده بیزی با تجزیه و تحلیل ویژگی ردیابی ( x ⁽¹⁾ ) صفحه جاده و ویژگی ردیابی ( x ⁽²⁾ ) در نمایه جاده و تعداد واقعی خطوط در نمونه‌های آموزشی ساخته می‌شود.

سوم، طبق طبقه‌بندی بیزی ساده، تعداد خطوط نمونه آزمایشی با ارجاع به طبقه‌بندی‌کننده بیزی ساده با x ⁽¹⁾ و x ⁽²⁾ نمونه آزمایشی استنتاج می‌شود.

در نهایت، قوانین چرخش هر خط با ردیابی مسیرهای GPS استنباط می شود.

3.1. بهینه سازی مسیر GPS خودرو

روش‌های خوشه‌بندی مبتنی بر چگالی برای مسیرهای فضایی نسبتاً مناسب هستند زیرا می‌توانند خوشه‌هایی از اشکال دلخواه را آشکار کنند و می‌توانند نویز را فیلتر کنند [ 32]]. مسیر GPS وسیله نقلیه به دلیل خطای موقعیت یابی GPS همیشه با مسیر واقعی یک وسیله نقلیه همپوشانی ندارد. تجزیه و تحلیل آماری مکان‌هایی که نقاط GPS متراکم هستند، احتمال وجود یک جاده را نشان می‌دهد، در حالی که تراکم پایین نقاط نشان می‌دهد که وسایل نقلیه یا خیلی از جاده منحرف شده‌اند یا در امتداد یک جاده شاخه کوچک با مسیرهای کم حرکت کرده‌اند. بر اساس این ملاحظات، نقاطی از مسیرهای متعدد با چگالی کم به عنوان نقاط پرت در نظر گرفته می شوند. در این بخش، ما یک روش بهینه‌سازی چگالی تطبیقی را برای حذف نقاط پرت اتخاذ می‌کنیم. علاوه بر این، بهینه‌سازی درمان تقسیم‌بندی از ارتعاشات بزرگ قابل توجه در گسترش مسیرها به دلیل تغییرات در ویژگی‌های ترافیکی مانند جریان‌های ترافیکی نامشخص و اضافه شدن خطوط در موقعیت‌های مختلف در همان جاده جلوگیری می‌کند.

شکل 1. معماری استخراج اطلاعات خطوط.

شکل 2. بهینه سازی مسیرها. ( a ) توزیع نقاط ردیابی را نشان می دهد، p نقطه مرکزی و دایره در (a) همسایگی p است . ( ب ) زیر مجموعه ای از نقاط ردیابی را نشان می دهد و با A مشخص می شود . ( ج ) مثلث دلونی A است .

3.1.1. روش بهینه سازی چگالی تطبیقی

نقطه ردیابی P به عنوان نقطه با چگالی بالا تعریف می شود اگر نقاط در همسایگی نقطه ردیابی P درجه خوشه بندی بالایی را نشان دهند ( شکل 2 a). خوشه های نقطه ای توزیع صفر [ 33 ، 34 ] هر مجموعه داده نقطه ای را می توان به صورت زیر تعریف کرد:

پ (ن (A) = k) = λ ک ( | A | ک ) ک ! ه - λ | A |

(1)

که در آن N(A) تعداد نقاط هر زیرمجموعه ای است که با A نشان داده شده است (به عنوان مثال، شکل 2 ب)، k = 1،2، …، N(A) ، | A | مساحت زیر مجموعه A است ، λ شدت توزیع صفر است و می توان آن را به صورت زیر تخمین زد:

λ = ن ( الف ) | A |

(2)

بنابراین، اهمیت تجمیع نقاط در همسایگی را می توان به صورت زیر محاسبه کرد:

پ (X \geq n من) = 1 - \sum m = 0 n من - 1 ( | ن e i | متر ) ه - λ | ن e i | λ متر m _

(3)

که در آن x هر نقطه ای از زیرمجموعه A را نشان می دهد ، P( x ≥ n _i ) اهمیت x ، n _i تعداد نقاط همسایگی x است ، | نی | مساحت همسایگی x است ، r شعاع همسایگی x است .

| ن e i | = π r 2

(4)

به منظور ساده کردن محاسبه، از شعاع r برای نشان دادن | استفاده می شود نی |. بنابراین معادله (3) را می توان به صورت زیر ساده کرد:

پ (X \geq n من) = 1 - \sum m = 0 n من - 1 ( | r | متر ) ه - λ | r | λ متر m _

(5)

برای مجموعه داده‌های نقطه‌ای مختلف، بسته به توزیع فضایی نقاط، شعاع r تطبیقی دارد. بنابراین، بر اساس یک مثلث دلونی، شعاع همسایگی از نظر آماری به صورت زیر تعریف می‌شود:

r = meanDE + variationDE

(6)

که در آن meanDE میانگین طول تمام لبه‌های مثلث دلونی است و variationDE انحراف استاندارد طول تمام یال‌ها در مثلث دلونی است ( شکل 2 ج را ببینید). مساحت A به صورت زیر محاسبه می شود:

| A | = \sum i = 1 م آ تی من

(7)

که در آن M تعداد مثلث ها در مثلث دلونی است ( شکل 2 ج را ببینید)، AT _i مساحت مثلث i است . هر چگالی نقطه ردیابی با استفاده از فرمول های 1-7 محاسبه می شود. سپس روش پیشنهادی چگالی را با اهمیت η مقایسه می‌کند (معمولا η = 0.05 یا η = 0.01 تنظیم می‌شود)، و x به عنوان یک نقطه ردیابی واقعی تعریف می‌شود اگر اهمیت آن کمتر از η باشد. در غیر این صورت نقطه x به عنوان نقطه پرت تعریف می شود و از مجموعه داده حذف می شود.

3.1.2. بهينه سازي

به منظور جلوگیری از ارتعاشات بزرگ قابل توجه در گسترش مسیرها به دلیل تغییرات ویژگی های ترافیکی، مانند عدم قطعیت جریان ترافیک و اضافه کردن خطوط در موقعیت های مختلف در همان جاده، یک بخش مسیر (TSS) را به عنوان قسمت تعریف می کنیم. واحد پایه برای بهینه سازی مسیر و استخراج اطلاعات خط. همانطور که در شکل 3 نشان داده شده است، هر TSS با تقسیم قطعه مسیر (TS) با طول ثابت h بدست می آید . طول ثابت hبرای تقسیم TS تا حد زیادی به قوانین جاده سازی یک شهر بستگی دارد. به عنوان مثال، افزودن یک خط به یک جاده معمولاً زمانی اتفاق می‌افتد که جاده در 50 متری یک تقاطع باشد. در جاهای دیگر، طول خط اضافه شده در جاده به عنوان پارکینگ اتوبوس یا تاکسی اغلب بیشتر از 10 متر است. بنابراین، طول ثابت باید کمتر از 50 متر و بیشتر از 10 متر باشد تا در هنگام استخراج تعداد خطوط، نتیجه بهتری حاصل شود. جزئیات کسب TS و TSS در [ 35 ] توصیه شد.

شکل 3. TS و TSS. ( الف ) شرح TS و ( ب ) تصویر TSS است.

ما فرض می کنیم که هر TS _i حاوی چندین TSS است که به صورت (TSS ₁ ، TSS ₂ ، …، TSS _n ) مشخص شده اند. TSS _i دارای مجموعه نقطه SubB و ناحیه شبکه مثلثی Delaunay است. در شکل 4 a، نقطه سیاه بخشی از TS _i و نقاط قرمز متعلق به TSS _i است . در شکل 4 ب، خط قرمز مثلث بندی دلونی برای TSS _i را نشان می دهد . شعاع همسایگی را می توان بر اساس رابطه (6) و مساحت SubB محاسبه کردبر اساس رابطه (7) محاسبه می شود. به این ترتیب، می‌توانیم از محدودیت‌های ناشی از استفاده از شعاع همسایگی برای بهینه‌سازی مسیرها در مناطق چگالی مختلف اجتناب کنیم. علاوه بر این، دقت هنگام استخراج تعداد خطوط بهبود می‌یابد زیرا خطوط اضافه شده در یک جاده را می‌توان از طریق درمان بخش شناسایی کرد.

3.2. استخراج شماره خطوط بر اساس طبقه بندی ساده بیزی

اگرچه مسیرهای وسایل نقلیه با دقت پایین با فرکانس نمونه برداری کم از مزیت هزینه کم و دوره جمع آوری کوتاه برخوردار هستند، اما همچنان با دقت و فرکانس جمع آوری حتی در صورت بهینه سازی محدود هستند. این محدودیت ها به این معنی است که نتایج نهایی خوشه بندی در سطح خط ممکن است با ساختار واقعی خطوط متفاوت باشد. بنابراین، بر اساس ویژگی ردیابی هواپیمای جاده ( x ⁽¹⁾ ) و ویژگی ردیابی پروفیل جاده ( x ⁽²⁾ )، دانش پیشینی از نمونه‌های آموزشی به عنوان یک محدودیت در استخراج شماره خطوط و بیزی ساده معرفی شد. طبقه بندی استخراج شماره خط پیشنهاد شد. پیاده سازی ها به طور مفصل در بخش آینده معرفی می شوند.

شکل 4. روش بهینه سازی مسیرها. ( الف ) نقاط ردیابی TS _i است . ( ب ) شبکه مثلث سازی دلونی TSS _i را نشان می دهد .

3.2.1. روش پایه

برای نمونه های آموزشی T = { TSS ₁ ( x ₁ , y ₁ ), TSS ₂ ( x ₂ , y ₂ ), …, TSS _N ( x _N , y _N )}، نمونه TSS _i مرتبط با مجموعه ویژگی ردیابی x _i و مجموعه برچسب دسته y _i , x _i = ( x _i⁽¹⁾ , x _i⁽²⁾ ) و y_i =( c ₁ , c ₂ , …, c _K )، که در آن x _i⁽¹⁾ و x _i⁽²⁾ ویژگی های ردیابی صفحه جاده و نمایه جاده هستند، c _i تعداد خطوط یک جاده است. به عنوان مثال x _i^(j) , x _i^(j) ϵ x _i , دارای چندین مقدار ممکن است مانند x _i^(j) ϵ { a _j1 , a _j2 , …, a _jl , …, a _jsj}، a _jl مقدار ممکن برای x _i^(j) است . سپس احتمال قبلی P ( Y = c _k ) و احتمال شرطی P ( x ^(j)= a _jl |Y = c _k ) را می توان به صورت زیر محاسبه کرد:

پ (Y = ج ک) = \sum i = 1 ن من ( y من = ج ک ) ن

(8)

پ (ایکس (j) = آ j l | Y = ج ک) = \sum i = 1 ن من ( ایکس ( j ) من = آ j l ، y من = ج ک ) \sum i = 1 ن ( y من = ج ک )

(9)

در جایی که I تابع نشان داده شده است، I _y (c) = 1 اگر c ε y و 0 در غیر این صورت، i = 1,2, …, N , j = 1, 2, l = 1, 2, …, sj , k = 1، 2، …، ک .

با توجه به اینکه نمونه آزمایش x = ( x ⁽¹⁾ ، x ⁽²⁾ ) ^T ، x ⁽¹⁾ و x ⁽²⁾ ویژگی ردیابی نمونه آزمایش x هستند ، احتمال پسین به صورت زیر تعریف می شود:

پ (Y = ج ک | ایکس = x) = پ ( Y = ج ک ) \prod j پ ( ایکس ( j ) = ایکس ( j ) | Y = ج ک ) \sum ک پ ( Y = ج ک ) \prod j پ ( ایکس ( j ) | Y = ج ک )

(10)

بر اساس نمادهای بالا و قانون بیزی، شماره خط نمونه آزمایشی x به صورت زیر تعیین می شود:

y = ارگ حداکثر ج ک پ (Y = ج ک) \prod j = 1 2 پ (ایکس (j) = ایکس (j) | Y = ج ک)

(11)

که در آن y تعداد خطوط در نمونه آزمایشی x و y ε ( c ₁ , c ₂ , …, c _K ) است.

3.2.2. طبقه بندی کننده ساده بیزی

طبقه بندی بیزی ساده تعداد خطوط در یک TSS را تعیین می کند و بنابراین یک طبقه بندی کننده ساده بیزی در دسترس است. کلید ساخت یک طبقه‌بندی‌کننده بیزی ساده، به‌دست آوردن مجموعه ویژگی‌های ردیابی x _i و مجموعه دسته‌بندی y _i از نمونه‌های آموزشی T است . در این مطالعه، طبقه‌بندی‌کننده بیزی ساده به عنوان دانش پیشینی برای تعداد استخراج خط از نمونه‌های آزمایشی عمل می‌کند . دسته بندی راه ها بر اساس تعداد خطوط در نمونه های آموزشی باید شامل انواع خطوط در یک شهر باشد.

مجموعه ویژگی های ردیابی x _i نمونه های آموزشی شامل دو جنبه است: ویژگی ردیابی هواپیمای جاده ( x ⁽¹⁾ ) و ویژگی ردیابی مشخصات جاده ( x ⁽²⁾ ). میلیون ها وسیله نقلیه در اطراف هر جاده در شهر تردد می کنند و تعداد زیادی از نقاط ردیابی را جمع آوری می کنند که شامل اطلاعاتی مانند مکان، سرعت، جهت و شناسه وسیله نقلیه است. تعداد زیادی از نقاط ردیابی یک جاده کامل را پوشش می دهند و عرض پوشش آنها به تدریج با افزایش تعداد مسیرها ثابت می شود. عرض جاده نیز ارتباط نزدیکی با تعداد خطوط دارد. بنابراین، یک ویژگی ردیابی یک هواپیمای جاده ای ( x ⁽¹⁾) عرض نوار مسیرها (TSW) است و عرض واقعی جاده را با دقت خاصی پس از برداشتن قسمت های دور نشان می دهد. علاوه بر این، مسیرهای توزیع شده در یک خط همیشه با هم خوشه می شوند. بنابراین، یک ویژگی ردیابی پروفیل جاده ( x ⁽²⁾ ) خوشه ای از تعدادی مسیر در امتداد مقطع جاده است و تعداد خطوط را تا حدی نشان می دهد.

(1) ویژگی ردیابی استخراج هواپیمای جاده ای

در این مقاله، روش تشخیص عرض تطبیقی را برای تشخیص TSW پیشنهاد می کنیم ( شکل 5 ).

شکل 5. تشخیص عرض نوار مسیرها.

همانطور که در شکل 5 نشان داده شده است ، طول کل قطعه مسیر TS _i که از یک تقاطع شروع می شود و به تقاطع دیگر ختم می شود L است . اگر طول ثابت به صورت h تنظیم شود ، می‌توانیم به‌طور متوالی بخش‌های m ( m = L / h ) را به عنوان بخش مسیر (TSS) دریافت کنیم، و نقاط واگرا هر TSS به صورت { n ₁ ، n ₂ ، .. ثبت می‌شود. ., n _m }. جهت قطعه مسیر TS _iو نقاط واگرا به ترتیب به عنوان محور افقی و مبدا سیستم مختصات تشخیص عرض تنظیم می شوند. UY _j و DY _j به ترتیب جهت مثبت و منفی محور طولی هستند. جزئیات الگوریتم به شرح زیر است:

/*مقداردهی اولیه*/

مبدا مختصات: n ₁ ;

محور افقی: جهت TSS فعلی .

محور طولی: UY _i = 0; DY _i = 0;

پنجره کشویی: طول = l ; عرض = w ; نسبت = 0;

/*وظیفه*/

برای هر TSS _i ، انجام دهید

تکرار

حرکت پنجره کشویی در جهت مثبت و جهت منفی محور طولی و جمع آوری نسبت (نسبت = تعداد نقاط فعلی در پنجره کشویی/همه نقاط در TSS فعلی )

تا نسبت = 100%

تنظیم Dw _i = ∑ (حداکثر | UY _j | + | حداکثر | DY _j |)/( h / l ); j = 1،2،…، ( h / l ).

تنظیم مبدا مختصات به n _i+1 تغییر کرد . UY _i+1 = 0; DY _i+1 = 0; i = 1،2،…، m .

پایان برای

نتایج برای عرض TSS ( Dw ₁ ، Dw ₂ ، …، Dw _{m ) همانطور که در}شکل 6 نشان داده شده است، به دست آمده است ، که در آن ΔDw 1 _، … ، ΔDw n _-1 تفاوت هر عرض TSS است.

شکل 6. تحلیل عرض نوار مسیرها.

در بیشتر موارد، مقدار Δ Dw _{i بین دو TSS مجاور،}به دلیل دقت موقعیت داده‌های GPS یا از خطوط اضافه شده، در عرض یک خط باقی می‌ماند . با این حال، برخی از نتایج غیرعادی به دلیل اثرات مکان‌های پارک موقت، ایستگاه‌های اتوبوس، خطوط متراکم که در نزدیکی تقاطع‌ها ظاهر می‌شوند و غیره وجود دارد که ΔDw i _را به طور غیرعادی بزرگ‌تر از a می‌کند . بنابراین، نزدیکترین نتیجه اندازه گیری TSS با توجه به اینکه عرض در امتداد جاده همیشه در حالت نسبتاً ثابت است، جایگزین نتایج غیرعادی می شود. ما این رویکرد را با جزئیات بیشتر توضیح خواهیم داد.

مرحله 1، تفاوت هر عرض TSS بین Dw _i و Dw _i+1 را محاسبه کنید ، یعنی ΔDw i ₌ Dw i _– Dw i ₊₁ ( i = 1, 2, …, n − 1).

مرحله 2، هر Δ Dw _{i را} با a مقایسه کنید ، زمانی که ΔDw i _بزرگتر از a و Dw _i بزرگتر از Dw _{i+1 باشد،}Dw _{i با}Dw _i+1 جایگزین می شود ( i = 1, 2, …, n – 1 )

مرحله 3، مرحله 1 و مرحله 2 را به طور مکرر انجام دهید تا زمانی که تمام مقادیر غیرعادی بهینه شوند.

نتایج برای اختلاف عرض TSS در شکل 7 نشان داده شده است ، خط آبی نشان دهنده نتایج خام از Δ Dw _{i است،} نقاط قرمز مقادیر غیرعادی هستند، و خط سبز نتیجه ΔDw i بهینه شده را نشان می _دهد .

شکل 7. پردازش نتایج تشخیص عرض.

(2) ویژگی های ردیابی استخراج نمایه جاده

با توجه به روش‌هایی که قبلا توضیح داده شد، در طبقه‌بندی‌کننده ساده بیزی، ویژگی ردیابی پروفایل جاده ( x ⁽²⁾ ) تعداد مسیرهای خوشه‌ای است. نویسندگان [ 7 ، 29 ، 30 ، 31 ] استفاده از روش های خوشه ای را برای تشخیص ساختار خط از مسیرهای GPS با دقت بالا با فرکانس نمونه برداری بالا مانند خوشه بندی پارتیشن، خوشه بندی سلسله مراتبی و خوشه بندی آماری پیشنهاد کردند. با توجه به مرجع [ 7] خوشه بندی آماری برای تشخیص ساختار خط از داده های GPS معمولی با دقت 4 متر مناسب تر است. بنابراین، برای به دست آوردن تعداد خوشه مسیرها در پروفیل های جاده، ما یک مدل مخلوط گاوسی محدود (CGMM) را بر روی مقاطع عمودی ردیابی در سراسر جاده، بر اساس این فرض که مسیرهای GPS تمایل دارند در نزدیکی مرکز هر یک خوشه شوند، قرار دادیم. خطی که به دلیل سر و صدای جی پی اس و سایر هجوم پراکنده شده است. CGMM را می توان به صورت زیر تعریف کرد:

p (x) = (\sum j = 1 لوگاریتم ω j 1 2 π σ 2 - - - - \sqrt exp (- ( x- _ μ j ) 2 2 σ 2))

(12)

که در آن ln تعداد مؤلفه‌های گاوسی را نشان می‌دهد، و هر مؤلفه مربوط به هر خط است، در حالی که w ₁ ، …، w _ln وزن هر مؤلفه، مربوط به حجم ترافیک نسبی در هر خط و $\sum_{j = 1}^{l n} w_{j} = 1$ . μ ₁ ، …، _μlnمیانگین مسیرهای هر جزء و برابر با خط مرکزی هر خط است . σ واریانس استاندارد مسیرها برای هر جزء است و مقدار یکسانی را تنظیم می کند زیرا عرض خط خطوط مجاور معمولاً یکسان است. تعداد اجزای یک CGMM برابر است با تعداد خوشه مسیرهای یک TSS و توسط مدل ریسک ساختاری (به حداقل رساندن ریسک ساختاری، SRM) تعیین می شود. برای تخمین w _i ، u _i و σ برای مجموعه ای از ln و سپس ln را انتخاب کنیدکه مدل ریسک ساختاری را به حداقل می رساند. روش محاسبه و استخراج تعداد خوشه ها را می توان با توجه به [ 7 ] به دست آورد.

علاوه بر این، یک مسیر خطی است که توسط یک سری نقاط توصیف می شود. هر نقطه دارای زمان جمع آوری و مکان مکانی است، مانند Trace _i = { p ₁ , p ₂ , …, p _n }, p _i = ( x _i , y _i , t _i , جهت _i , سرعت _i , حالت _i ) ( i = 1، 2، …، n)، که در آن ( _xi، y i ₎ مکان مکانی است، t _iزمان جمع آوری است و جهت _i و سرعت _i وضعیت حرکت یک جسم متحرک را نشان می دهد. در همان زمان، وضعیت _i اطلاعات یک شی متحرک مانند شماره شناسه یک شی متحرک، همانطور که در شکل 8 نشان داده شده است، نسبت داده می شود.آ. با این حال، این توصیف برای تجزیه و تحلیل توزیع چگالی طولی مسیرهای با کیفیت پایین مناسب نیست، زیرا فواصل نمونه برداری از این نوع داده ها از ده ثانیه تا یک دقیقه متغیر است، که باعث می شود فاصله بین هر دو نقطه مجاور برای حفظ اطلاعات کافی زیاد باشد. بنابراین، ما مسیرهای مشترک را با بردارهای مسیر جایگزین می کنیم و با تشخیص توزیع چگالی طولی آن بردارهای مسیر، تعدادی خوشه مسیر به دست می آوریم.

برای هر بردار مسیر، نقطه ردیابی به عنوان نقطه شروع، جهت نقطه ردیابی به عنوان جهت بردار و سرعت به عنوان قالب بردار در نظر گرفته می شود. نقطه ردیابی به صورت P _i ( xi _,y _i , t _i , جهت _i , سرعت _i , حالت _i ) و بردار مسیر آن به صورت Travector_i = ( xi _,y _i ) و | تراکتور_i | = سرعت _i × Δ t، Δ t = 1 s (Δ t بر نتیجه نهایی برای محاسبه GMM تأثیر نمی گذارد، این مقاله آن را 1 ثانیه تنظیم می کند)، همانطور که در شکل 8 ب نشان داده شده است.

برای تسهیل محاسبات CGMM، محورها را می‌چرخانیم تا محور X موازی با بردار جهت میانگین باشد. در اینجا از ماتریس چرخش در رابطه (13) استفاده شده است. زاویه ξ را می توان با توجه به [ 35 ] به دست آورد.

[ایکس “ y “] = [cos ξ - sin ξ گناه ξ cos ξ] [ایکس y]

(13)

توزیع چگالی طولی مسیرها با پیش بینی هر بردار مسیر به محور عمودی ( y ‘) به دست می آید. مختصات پیش بینی شده هر بردار ردیابی به عنوان نقطه نمونه برداری تنظیم می شود و جایگزین نقاط تقاطع مسیرها و خطوط نمونه برداری عمود بر خط مرکزی جاده می شود.

شکل 8. شرح بردار مسیر و مسیر. ( الف ) بردار مسیر ساخته شده بر اساس سبک سنتی را نشان می دهد. ( ب ) بردار مسیری است که در این مقاله پیشنهاد شده است.

3.3. قوانین تشخیص چرخش هر خط

مسیرهای GPS دنباله ای از نقاط GPS با فاصله زمانی بین نقاط متوالی GPS هستند که از آستانه مشخص ΔT تجاوز نمی کند (ΔT بازه نمونه برداری است.)، همانطور که در شکل 9 نشان داده شده است . ما قوانین دور هر خط را با ردیابی مسیرهای GPS تشخیص می دهیم. شکل 9 مسیر حرکت وسایل نقلیه را نشان می دهد. شکل 9 a مسیرها را در فاصله نمونه برداری 40 ثانیه نشان می دهد. شکل 9 ب مسیرها را در فاصله نمونه برداری 20 ثانیه نشان می دهد. شکل 9c جهت های مختلف رانندگی وسایل نقلیه را نشان می دهد و نرخ نمونه مسیرها 20 ثانیه است، که در آن خطوط قرمز نشان دهنده قوانین چرخش هر وسیله نقلیه از شمال به جنوب، خطوط سبز نشان دهنده جهت جنوب به شمال، خطوط آبی و زرد نشان دهنده وسیله نقلیه است. چرخش به راست

شکل 9. ردیابی مسیر. ( الف ) مسیرها را با فاصله نمونه برداری 40 ثانیه نشان می دهد. ( ب ) مسیرها را با فاصله نمونه برداری 20 ثانیه نشان می دهد. ( ج ) جهت های مختلف رانندگی وسایل نقلیه را توصیف می کند.

از طریق ثبت بخش های مسیر، تغییر جهت مسیر با تغییر جهت بخش های مسیر جایگزین می شود. شکل 10 مسیر متعلق به بخش های TS ₀₀₁ و TS ₀₀₄ را نشان می دهد . تغییر جهت بین TS ₀₀₁ و TS _{004 به صورت}Δθ = θ2 _– θ ₁ محاسبه می شود . اینها (θ1 _، θ2 ₎ جهتهای TS ₀₀₁ ، TS ₀₀₄ هستند که توسط [ 34] به دست آمده اند.]. اگر تغییر جهت شرایط را برآورده کند، قوانین دور خطی که توسط مسیر طی می‌شود عبارتند از: «پیچ به چپ»، «پیش به راست»، «مستقیم رفتن» و «دوبرگردان»، در صورتی که تغییر جهت شرایط را برآورده کند: °)، (Δθ > 0° & Δθ ≈ 90°)، (Δθ ≈ 0°) و (Δθ > 0° و Δθ ≈ 180°) به ترتیب. قوانین دور هر خط بیشتر توسط رابطه (14) تعیین می شود.

f من = v a l u ه من \sum i = 1 4 v a l u ه من (i = 1, 2, 3, 4)

(14)

این مقدار _i تعداد مسیرهای GPS متعلق به گروه _i است ( i = 1، 2، 3، 4 به ترتیب نشان دهنده “چرخش به چپ”، “پیش به راست”، “مستقیم رفتن” و “U-turn”) در مسیر. نرخ نهایی گروه _i در خط با f _i نشان داده می شود . اگر f _i بسیار فراتر از نرخ از پیش تعریف شده رانندگی بی احتیاطی باشد، چرخش لاین گروه _{i است.}

شکل 10. پیچ های تقاطع: گردش به چپ، گردش به راست و تشخیص دوربرگردان.

4. آزمایش ها و نتایج

داده های GPS آزمایشی ما از هزاران تاکسی که در شهر ووهان رانندگی می کردند، همانطور که در شکل 11 الف نشان داده شده است، به دست آمد. فرکانس نمونه برداری از 10 ثانیه تا 40 ثانیه متغیر است، در حالی که دقت موقعیت یابی از 10 متر تا 15 متر متغیر است. هر تاکسی به طور متوسط به مدت 14 روز ثبت شد و ما در مجموع حدود 200 میلیارد نقطه GPS را جمع آوری کردیم، همانطور که در شکل 11 ب نشان داده شده است. زمانی که طول ثابت h به عنوان 10 متر تعیین شد، حدود 2000 TS و 300000 TSS به دست آوردیم. تعداد بردارهای مسیر در هر TSS از 100 تا 1000 متغیر است.

شکل 11. داده های تجربی. ( الف ) شبکه جاده منطقه آزمایشی است. ( ب ) مسیرهای خام جمع آوری شده توسط تاکسی ها را نشان می دهد.

4.1. بهینه سازی مسیر

نقاط پرت مخلوط شده در مسیرهای GPS خام با استفاده از روش بهینه‌سازی چگالی تطبیقی حذف شدند. عرض نوار مسیر (TSW) هر TSS با استفاده از روش تشخیص عرض تطبیقی پیشنهادی ما به‌دست آمد و بهینه شد. طول l و عرض w پنجره کشویی به ترتیب 10 متر و 0.1 متر تعیین شد. همانطور که توسط مرجع [ 33 ] توصیه می شود، اهمیت η 0.05 تعیین شد . و عرض خط a برای مسیرهای بهینه شده طبق استانداردهای راهسازی در چین 3.75 متر تعیین شد. شکل 12 نتایج بهینه سازی مسیر را نشان می دهد که در آن نقاط قرمز و نقاط سیاه به ترتیب داده های معتبر و نقاط پرت را نشان می دهند.

شکل 12. نتایج بهینه سازی. نتیجه تمام داده های تجربی ( سمت چپ )؛ بزرگنمایی یک بخش ( راست ).

شکل 13. ارزیابی نتایج بهینه سازی: ( الف ) نتایج ارزیابی مسیرهای بهینه شده را نشان می دهد. ( ب ) نتایج ارزیابی مسیرهای بهینه نشده را نشان می دهد.

ارزیابی برای نتایج بهینه‌سازی مسیر با مقایسه با همبستگی بین TSW قبل و بعد از بهینه‌سازی و عرض واقعی جاده، همانطور که در شکل 13 نشان داده شده است، انجام شد . داده های آزمون (حدود 400 TSS) به طور تصادفی از 300000 TSS انتخاب شدند، عرض نوار مسیر (TSW) قبل و بعد از بهینه سازی با استفاده از الگوریتم تشخیص عرض تطبیقی به دست آمد و عرض واقعی جاده با اندازه گیری میدانی به دست آمد. بر اساس آمار، همبستگی قوی ( R2 = ^0.9633 ) بین TSW و عرض واقعی جاده هر TSS بهینه‌سازی شده نشان می‌دهد که TSW TSS بهینه‌سازی شده بسیار نزدیک به عرض جاده واقعی است. مقایسه با نتایج غیربهینه سازی ( شکل 13ب)، نتایج بهینه‌سازی نشان می‌دهد که روش بهینه‌سازی پیشنهادی عملکرد خوبی دارد.

4.2. ساخت طبقه بندی کننده ساده بیزی

منتخبی از TSS (حدود 7650 TSS) که در انواع مختلف خطوط در منطقه آزمایشی یافت شد به عنوان نمونه آموزشی استفاده شد و 11350 TSS دیگر به عنوان نمونه آزمایش تعیین شد. تعداد واقعی خطوط در نمونه آموزشی با مشاهده تصویر سنجش از دور مربوطه استخراج شد. با تجزیه و تحلیل رابطه بین تعداد واقعی خطوط، عرض نوار مسیر (TSW) و تعداد خوشه‌ها در نمونه آموزشی، ما یک طبقه‌بندی کننده ساده بیزی را ایجاد کردیم، همانطور که در جدول 1 فهرست شده است .

جدول 1 دسته بندی تعداد خطوط در منطقه آزمایشی شامل جاده های دو بانده، سه بانده، چهار خطه و پنج بانده را نشان می دهد. هر نوع شامل سه مقدار است، مانند مقدار TSW ( x ⁽¹⁾ )، تعداد خوشه‌های مسیر ( x ⁽²⁾ ) و تعداد واقعی خطوط ( y ) برای نمونه آموزشی.

4.3. استخراج اطلاعات خطوط

با توجه به نمونه آزمایشی TSS (13.8 متر، 3) ^T ، شماره خط به صورت زیر محاسبه می شود:

P( y = 2) = 278/765; P( y = 3) = 220/765; P( y = 4) = 189/765; P( y = 5) = 78/765;

P( x ⁽¹⁾ = 13.8 | y = 2) = 0/278; P( x ⁽²⁾ = 3|y = 2) = 98/278;

P( x ⁽¹⁾ = 13.8 | y = 3) = 220/220; P( x ⁽²⁾ = 3 | y = 3) = 185/220;

P( x ⁽¹⁾ = 13.8 | y = 4) = 189/189; P( x ⁽²⁾ = 3 | y = 4) = 34/189;

P( x ⁽¹⁾ = 13.8 | y = 5) = 0/78; P( x ⁽²⁾ = 3| y = 5)=5/78;

P( y = 2) * P( x ⁽¹⁾ = 13.8 | y = 2) * P( x ⁽²⁾ = 3 | y = 2) = 0;

P( y = 3) * P(x ⁽¹⁾ = 13.8 | y = 3) * P( x ⁽²⁾ = 3 | y = 3) = 0.242;

P( y = 4) * P( x ⁽¹⁾ = 13.8 | y = 4) * P( x ⁽²⁾ = 3 | y = 4) = 0.044;

P(y = 5) * P(x ⁽¹⁾ = 13.8|y = 5) * P(x ⁽²⁾ = 3|y = 5) = 0.

جدول 1. طبقه بندی کننده ساده بیزی.

جدول 2. شناسایی اطلاعات خط.

بنابراین، طبق رابطه (11)، تعداد خطوط TSS 3 بود. به طور خاص، خط مرکزی جاده TSS مطابق [ 26 ] به دست آمد، سپس مرز خط را بر اساس تعداد خطوط TSS با عرض استنباط کردیم. خط الف . قوانین پیچ هر خط مطابق معادله 14 تعیین می شود. در عین حال، طبق استاندارد راهسازی در چین، عرض خط a روی 3.75 متر تنظیم شده است و نرخ از پیش تعریف شده رانندگی بی احتیاطی برای استخراج اطلاعات پیچ به صورت تنظیم شده است. 5 درصد جدول 2 نتایج دیگر تشخیص اطلاعات خطوط را برای هر TSS، از جمله تعداد خطوط و جهت های رانندگی هر خط نشان می دهد.

در جدول 2 ، اکثر نتایج پایداری و اعتبار استخراج اطلاعات خط را با استفاده از طبقه‌بندی‌کننده بیزی ساده نشان می‌دهند، اما هنوز چند اشتباه رخ داده است. به عنوان مثال، تعداد خطوطی مانند TSS ₀₀₁ از TS ₀₀₂ ، و TSS ₀₄₂ از TS ₀₀₃ به اشتباه طبقه‌بندی شدند. ما از نشانه‌های فلش‌شکل برای نشان دادن جهت‌های رانندگی هر خط استفاده می‌کنیم، جایی که نشانه‌های پیکانی نشان می‌دهد که رانندگان خودرو مستقیم می‌روند، و فلش‌های چند سر نشان می‌دهند که رانندگان خودرو می‌توانند در جهت مستقیم حرکت کنند یا در یک تقاطع به چپ بپیچند، همانطور که نشان داده شده است. در جدول 2 Ijgi 04 02660 i001

. در عین حال، دقت قوانین پیچ در تشخیص خطوط تا حد زیادی به نتایج تعداد خطوط بستگی دارد. در جدول 2 ، قوانین دور از خطوط در نمونه های آزمایشی نیز به دلیل تخمین نادرست تعداد خطوط، طبقه بندی نادرستی دریافت می کنند.

4.4. ارزیابی کمی

4.4.1. ارزیابی کمی برای شماره شناسایی خط

برای ارزیابی عملکرد روش پیشنهادی ما برای تشخیص اطلاعات خطوط، نمونه‌های آزمایشی را برای تعداد خطوط استخراج با آنهایی که به صورت دستی علامت‌گذاری شده‌اند مقایسه کردیم. جدول 3 مقادیر کمی را برای دقت، یادآوری و امتیاز f در روش پیشنهادی (MLIT) و روش های [ 29 ، 30 ، 31 ] نشان می دهد. این مقایسه نشان می‌دهد که MILT از دقت، یادآوری و امتیاز f در استخراج شماره خطوط نسبت به [ 29 ، 30 ، 31 ] برخوردار است. در همین حال، نتیجه این مقایسه نشان می‌دهد که MLIT برای مسیرهای GPS با دقت پایین با فرکانس نمونه‌برداری کم مناسب‌تر از سایر روش‌های [ 29 و 30 است.، 31 ] که ساختار خطوط را مستقیماً از مسیرهای خام تشخیص می دهد، اما دانش قبلی را در طول شناسایی شماره خط در نظر نمی گیرد. در عین حال، نتایج تجربی همچنین تأیید می کند که مسیرهای GPS با دقت پایین از خطوط مختلف به خوبی از هم جدا نشده اند. علاوه بر این، جدول 3 نشان می دهد که روش پیشنهادی اعداد خطوط را با دقت کلی 83.72% استخراج می کند. با این حال، 16.68٪ احتمال شناسایی نادرست تعداد خطوط نیز وجود دارد. دلایل به شرح زیر است.

اول، MLIT در شناسایی شماره خطوط مشکل دارد زیرا تعداد کمی از تقاطع های پیچیده (مثلاً نتایج نادرست در جدول 2 ) دارای جریان های ترافیکی متفاوتی بین خطوط مجاور هستند که ناشی از چراغ های راهنمایی، محدودیت های رانندگی و سایر مشخصات ترافیکی است.

دوم، MLIT نمی تواند مسیرها را از جاده های روی و زیر راهروها تشخیص دهد، زیرا داده های تجربی هیچ اطلاعات ارتفاعی ندارند. اطلاعات خطوط برای جاده های همپوشانی در منطقه مورد مطالعه اشتباه طبقه بندی شد.

در نهایت، تعداد خطوط را می توان به دلیل از دست دادن سیگنال GPS در تونل ها از دست داد.

چنین طبقه بندی های نادرست نیاز به بررسی بیشتر برای بهبود طبقه بندی دقت بخش های جاده بر اساس تعداد خطوط دارد. به طور خلاصه، روش ما بسیار بهتر از روش های دیگر برای شناسایی تعداد خطوط از مسیرهای GPS با دقت پایین با فرکانس نمونه برداری کم عمل می کند.

جدول 3. ارزیابی و مقایسه کمی.

4.4.2. ارزیابی کمی برای تشخیص قوانین چرخش

برای ارزیابی عملکرد روش پیشنهادی برای قوانین دور هر خط، اطلاعات پیچ دو تقاطع محاسبه‌شده توسط MLIT را با جاده‌های علامت‌گذاری شده دستی مقایسه کردیم. در شکل 14 ، تقاطع ها به طور تصادفی از یک پایگاه داده انتخاب شدند و مسیرهایی که از آن تقاطع ها عبور کردند برای تشخیص قوانین پیچ در هر خط استفاده شدند. نتایج نشان می‌دهد که دقت کلی برای طبقه‌بندی اطلاعات پیچ هنگام مقایسه نتایج تشخیص ما با قوانین دور واقعی، با فرض نرخ رانندگی غیر استاندارد 5 درصد، 81.3٪ بود. دقت قوانین پیچ در شناسایی هر خط کمتر از تعداد استخراج خطوط است زیرا نه تنها به دقت شناسایی شماره خطوط، بلکه به رفتار راننده و دقت داده‌ها نیز بستگی دارد.

شکل 14. همپوشانی تصویر و مسیرها. ( الف ) نتایج ردیابی یک تقاطع را نشان می دهد. ( ب ) نتایج ردیابی یک تقاطع دیگر را نشان می دهد.

5. نتیجه گیری ها

در این مقاله، ما یک روش خودکار (MLIT) را برای استخراج اطلاعات خطوط، مانند تعداد خطوط و خطوط در بخش‌های جاده از داده‌های مسیر GPS با دقت پایین پیشنهاد کردیم. از یک طرف، روش پیشنهادی (MLIT) با استفاده از بهینه‌سازی چگالی تطبیقی، نقاط پرت را از داده‌های مسیر GPS حذف می‌کند، روشی که استحکام تشخیص اطلاعات خط را بهبود می‌بخشد. از سوی دیگر، MILT تعداد دقیق خطوط در TSSها را با ترکیب دانش قبلی با ویژگی‌های ردیابی هواپیماهای جاده‌ای و پروفایل‌های جاده شناسایی می‌کند که منجر به استخراج قوی تعداد خطوط می‌شود. با این حال، MLIT هنوز جای پیشرفت دارد و کار آینده بر روی بهینه‌سازی مسیر و استخراج اطلاعات خطوط در محیط‌های پیچیده جاده‌ای مانند تونل‌ها یا روگذرها تمرکز خواهد کرد.

منابع

گونزالس، جی پی؛ اوزگونر، تشخیص خط U. با استفاده از تقسیم‌بندی و درخت تصمیم مبتنی بر هیستوگرام. در مجموعه مقالات 2000 IEEE Intelligent Transportation Systems، دیربورن، MI، ایالات متحده آمریکا، 1-3 اکتبر 2000.
وانگ، ی. Teoh، EK; شن، دی. تشخیص لین با استفاده از مار B. در مجموعه مقالات کنفرانس بین المللی 1999 در زمینه هوش اطلاعاتی و سیستم ها، Bethesda، MD، ایالات متحده آمریکا، 3 اکتبر 1999.
هیلل، AB; لرنر، آر. لوی، دی. راز، جی. پیشرفت اخیر در تشخیص جاده و خط: یک بررسی. ماخ Vis. Appl. 2014 ، 25 ، 727-745. [ Google Scholar ] [ CrossRef ]
کامل، اس. پیتزر، بی. تشخیص و نقشه برداری نشانگر خط مبتنی بر لیدار. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند، آیندهوون، هلند، 4 تا 6 ژوئن 2008.
Thuy، M. León, F. Lane تشخیص و ردیابی بر اساس داده‌های Lidar. مترو Meas. سیستم 2010 ، 17 ، 311-321. [ Google Scholar ] [ CrossRef ]
یانگ، BS; دونگ، ز. ژائو، جی. Dai، WX استخراج سلسله مراتبی اشیاء شهری از داده‌های اسکن لیزری سیار. ISPRS J. Photogr. Remote Sens. 2015 ، 99 ، 45-57. [ Google Scholar ] [ CrossRef ]
چن، YH; Krumm, J. مدلسازی احتمالی خطوط ترافیک از ردیابی GPS. در مجموعه مقالات هجدهمین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 2 تا 5 نوامبر 2010.
بله، پیش از این؛ ژونگ، تی. Yue, Y. چندضلعی‌سازی سلسله مراتبی برای تولید و به‌روزرسانی اطلاعات شبکه جاده‌ای مبتنی بر خط برای پیمایش از علامت‌گذاری جاده‌ها. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 1509-1533. [ Google Scholar ] [ CrossRef ]
لیو، XT; Ban، YF کشف الگوهای خوشه‌ای مکانی-زمانی با استفاده از داده‌های عظیم خودروهای شناور. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 371-384. [ Google Scholar ] [ CrossRef ]
ساینیو، جی. وسترهولم، جی. Oksanen, J. با رعایت حریم خصوصی، نقشه‌های حرارتی مسیرهای پرطرفدار را به‌صورت آنلاین از داده‌های برنامه ردیابی ورزشی تلفن همراه عظیم در میلی‌ثانیه ایجاد می‌کند. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1813-1826. [ Google Scholar ] [ CrossRef ]
ژنگ، ی. ژانگ، ال. Xie، X. Ma، WY Mining مکان های جالب و توالی سفر از مسیرهای GPS. در مجموعه مقالات هجدهمین کنفرانس بین المللی وب جهانی، مادرید، اسپانیا، 20-24 آوریل 2009.
جیانوتی، اف. نانی، م. پینلی، اف. Pedreschi، D. استخراج الگوی مسیر. در مجموعه مقالات سیزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 12 تا 15 اوت 2007.
یین، پی. بله، م. لی، WC; Li، Z. استخراج داده های GPS برای توصیه مسیر. در پیشرفت در کشف دانش و داده کاوی ؛ Springer: Cham, Switzerland, 2014; صص 50-61. [ Google Scholar ]
تانگ، LL; چانگ، XM; Li، QQ بهینه سازی مسیر سفر عمومی بر اساس الگوریتم بهینه سازی کلونی مورچه ها و داده های GPS تاکسی. چین جی هایو. ترانسپ 2011 ، 24 ، 89-95. [ Google Scholar ]
وانگ، جی. روئی، ایکس. آهنگ، X. Tan, X. یک رویکرد جدید برای تولید نقشه‌های جاده قابل مسیریابی از مسیرهای GPS خودرو. بین المللی جی. جئوگر. Inf. علمی 2014 ، 29 ، 69-91. [ Google Scholar ] [ CrossRef ]
تانگ، LL; هوانگ، FZH؛ ژانگ، XY; تشخیص تغییر شبکه جاده ای لی، QQ بر اساس داده های شناور خودرو. J. Netw. 2012 ، 7 ، 1063-1070. [ Google Scholar ] [ CrossRef ]
ژو، BD; لی، QQ; مائو، QZH; تو، دبلیو. ژانگ، ایکس. Chen, L. ALIMC: نقشه برداری فضای داخلی مبتنی بر نقطه عطف فعالیت از طریق جمع سپاری. IEEE Trans. هوشمند ترانسپ سیستم 2015 ، 16 ، 2774-2785. [ Google Scholar ] [ CrossRef ]
دی فابریتیس، سی. راگونا، آر. Valenti، G. برآورد و پیش‌بینی ترافیک بر اساس داده‌های شناور خودرو در زمان واقعی. در مجموعه مقالات یازدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC)، پکن، چین، 12 تا 15 اکتبر 2008.
سان، دی. ژانگ، سی. ژانگ، ال. چن، اف. تحلیل رفتار سفر شهری Peng، ZR و پیش‌بینی مسیر بر اساس داده‌های شناور خودرو. ترانس. Lett. بین المللی J. Trans. Res. 2014 ، 6 ، 118-125. [ Google Scholar ] [ CrossRef ]
لی، WC; Krumm, J. پیش پردازش مسیر. در محاسبات با مسیرهای فضایی ; Zheng, Y., Zhou, X., Eds. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; صص 3-33. [ Google Scholar ]
برکاتسولاس، اس. Pfoser، D.; سالاس، آر. Wenk, C. در مورد داده های ردیابی وسیله نقلیه مطابق با نقشه. در مجموعه مقالات سی و یکمین کنفرانس بین المللی پایگاه های داده بسیار بزرگ، تروندهایم، نروژ، 30 اوت تا 2 سپتامبر 2005.
هاکلی، م. Weber, P. OpenStreetMap: نقشه های خیابانی تولید شده توسط کاربر. IEEE Perv. محاسبه کنید. 2008 ، 7 ، 12-18. [ Google Scholar ] [ CrossRef ]
یاناگیساوا، ی. آکاهانی، ج. Satoh، T. پرس و جوی تشابه مبتنی بر شکل برای مسیر اشیاء متحرک. در مجموعه مقالات چهارمین کنفرانس بین المللی مدیریت داده های تلفن همراه، ملبورن، استرالیا، 21 تا 24 ژانویه 2003.
برونتروپ، آر. ادلکمپ، اس. جبار، اس. تولید نقشه افزایشی با ردیابی GPS. در مجموعه مقالات سیستم های حمل و نقل هوشمند IEEE 2005، وین، اتریش، 13 تا 15 سپتامبر 2005.
لی، جی. Qin، Q. زی، سی. ژائو، ی. لی، جی. Qin، Q. استفاده یکپارچه از روابط مکانی و معنایی برای استخراج شبکه‌های جاده‌ای از داده‌های شناور خودرو. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 19 ، 238-247. [ Google Scholar ] [ CrossRef ]
لیو، CHY; شیونگ، ال. هو، XY; Shan, J. یک روش بافر پیشرو برای به روز رسانی نقشه راه با استفاده از داده های OpenStreetMap. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1246-1264. [ Google Scholar ] [ CrossRef ]
لی، QQ; تانگ، LL; زو، XQ؛ مدلسازی و تجسم سه بعدی جاده مبتنی بر ترانسکت لی، HW. ژئو اسپات. Inf. علمی 2004 ، 7 ، 14-17. [ Google Scholar ]
پولاک، ک. پلد، ا. مدل‌های آماری مبتنی بر ژئو برای پیش‌بینی آسیب‌پذیری بخش‌های شبکه بزرگراهی هاکرت، اس. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 619-637. [ Google Scholar ] [ CrossRef ]
واگستاف، ک. کاردی، سی. راجرز، اس. Schroedl, S. K-محدود به معنی خوشه بندی با دانش پس زمینه است. در مجموعه مقالات هجدهمین کنفرانس بین المللی یادگیری ماشین (ICML)، ویلیامزتاون، MA، ایالات متحده آمریکا، 28 ژوئن تا 1 ژوئیه 2001.
ادلکمپ، اس. Schrödl، S. برنامه ریزی مسیر و استنتاج نقشه با مسیرهای موقعیت یابی جهانی. محاسبه کنید. علمی چشم انداز 2003 ، 2598 ، 128-151. [ Google Scholar ]
اودوواراگودا، ا. پررا، ع. Dias، SAD تولید داده های جاده سطح خط از مسیرهای خودرو با استفاده از تخمین چگالی هسته. در مجموعه مقالات شانزدهمین کنفرانس بین المللی سالانه IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC)، لاهه، هلند، 6 تا 9 اکتبر 2013.
هان، جی. Kamber، M. جریان معدن، سری زمانی، و داده های توالی. در داده کاوی: مفاهیم و تکنیک ها . اسما، س.، اد. الزویر: ایالات متحده آمریکا، 2011; صص 467-531. [ Google Scholar ]
شکر، س. ایوانز، ام آر. کانگ، جی.ام. پرادیپ، ام. شناسایی الگوها در اطلاعات مکانی: بررسی روش‌ها. حداقل داده سیم بدانید. کشف کنید. 2011 ، 1 ، 193-214. [ Google Scholar ] [ CrossRef ]
لیو، کیو. تانگ، جی. دنگ، م. Shi، Y. یک روش تشخیص و حذف تکراری برای تشخیص خوشه‌های فضایی با چگالی‌های مختلف. ترانس. در GIS 2015 ، 19 ، 82-106. [ Google Scholar ] [ CrossRef ]
لی، جی جی; Han, J. خوشه‌بندی مسیر: یک چارچوب پارتیشن و گروهی. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD 2007 در مورد مدیریت داده ها، پکن، چین، 11-14 ژوئن 2007.

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب