武興業(yè)，吳 悅，岳曉冬

(上海大學(xué) 計算機(jī)工程與科學(xué)學(xué)院，上海 200444)

基于GPS軌跡的城市擁堵區(qū)域挖掘與分析

武興業(yè)，吳 悅，岳曉冬

(上海大學(xué) 計算機(jī)工程與科學(xué)學(xué)院，上海 200444)

隨著世界城市化進(jìn)程的發(fā)展，以及機(jī)動車保有量的飛速增長，交通擁堵問題日益嚴(yán)峻，城市道路交通擁堵問題已成為研究熱點(diǎn)。傳統(tǒng)的擁堵檢測手段一般采用視頻監(jiān)控或傳感器檢測，雖然可以實(shí)時有效地反映擁堵狀態(tài)，但無法挖掘城市擁堵規(guī)律，更無法有效分析擁堵原因和擁堵影響。文中提出基于DENCLUE的擁堵區(qū)域挖掘算法，對車輛GPS數(shù)據(jù)預(yù)處理，計算出擁堵點(diǎn)，然后對擁堵點(diǎn)進(jìn)行DENCLUE聚類來確定擁堵區(qū)域。實(shí)驗證明，該算法可以有效找出擁堵區(qū)域，并將擁堵劃分等級，得到城市區(qū)域擁堵狀態(tài)，反映城市擁堵情況。此外，使用斯皮爾曼等級相關(guān)系數(shù)計算區(qū)域間擁堵程度相關(guān)系數(shù)，結(jié)合實(shí)際地理位置分析擁堵區(qū)域的擁堵原因及影響。

擁堵點(diǎn)；擁堵區(qū)域挖掘；DENCLUE；相關(guān)系數(shù)；擁堵分析

0 引 言

隨著世界城市化進(jìn)程的發(fā)展，城市交通問題日益嚴(yán)重和普遍，而城市交通與城市規(guī)劃互相影響，合理的城市規(guī)劃會促進(jìn)交通狀況，而錯誤的城市規(guī)劃將導(dǎo)致嚴(yán)重的交通問題。因此，需要將城市交通與城市規(guī)劃有效結(jié)合以促進(jìn)問題的解決[1]。目前我國正處于高速城市化時期，城市和城市交通的發(fā)展正處于挑戰(zhàn)和機(jī)遇并存的關(guān)鍵歷史階段，同時也是交通治理轉(zhuǎn)型的關(guān)鍵時期。像北京這種大城市的交通問題是不可避免的，雖然修建公路和地鐵可以緩解，但并不是長久之計[2]。智能交通系統(tǒng)(Intelligent Transportation System，ITS)[3]是將先進(jìn)的科學(xué)技術(shù)(信息技術(shù)、數(shù)據(jù)通信技術(shù)、傳感器技術(shù)、電子控制技術(shù)、數(shù)據(jù)處理技術(shù)等)有效地綜合運(yùn)用于地面運(yùn)輸管理體系，加強(qiáng)車輛、道路、使用者三者之間的聯(lián)系，從而形成一種保障安全、提高效率、改善環(huán)境、節(jié)約能源的綜合運(yùn)輸系統(tǒng)，是當(dāng)前研究與應(yīng)用的熱點(diǎn)。所以大城市都大力發(fā)展ITS作為城市交通問題的重要解決途徑之一。其中，大規(guī)模交通數(shù)據(jù)管理、整合和挖掘是一項關(guān)鍵技術(shù)。大數(shù)據(jù)時代，智能交通系統(tǒng)已經(jīng)積累了巨量而復(fù)雜的道路交通數(shù)據(jù)信息，比如車輛的GPS信息，這些交通數(shù)據(jù)信息為智能交通的研究提供了重要的數(shù)據(jù)基礎(chǔ)。

數(shù)據(jù)挖掘作為目前最強(qiáng)有力的一種數(shù)據(jù)分析工具，為道路交通數(shù)據(jù)的處理提供了新的分析手段，如何設(shè)計有效的數(shù)據(jù)挖掘算法將特定的交通規(guī)律挖掘出來是當(dāng)前智能交通數(shù)據(jù)挖掘研究的關(guān)鍵。城市擁堵區(qū)域挖掘是智能交通領(lǐng)域研究的一個關(guān)鍵問題，具有非常重要的現(xiàn)實(shí)意義。通過空間數(shù)據(jù)挖掘技術(shù)挖掘出擁堵區(qū)域，分析擁堵區(qū)域之間的相關(guān)性，就能發(fā)現(xiàn)擁堵原因，給城市建設(shè)提供科學(xué)依據(jù)，解決城市發(fā)展中的很多問題。

文中使用北京10 357輛出租車一周的GPS軌跡數(shù)據(jù)做實(shí)驗，提出一種基于DENCLUE擁堵區(qū)域挖掘算法，和一套用于分析擁堵區(qū)域原因及影響的方法。

1 相關(guān)工作

1.1 城市規(guī)劃

微軟研究院鄭宇博士等，通過分析和融合城市中的各種大數(shù)據(jù)，實(shí)現(xiàn)了一系列關(guān)于智能交通、城市規(guī)劃的實(shí)際案例。比如文獻(xiàn)[4]利用高速和環(huán)路等主干道將城市分割成區(qū)域，然后分析大規(guī)模車流軌跡數(shù)據(jù)在不同區(qū)域之間行駛的一些特征，便可找到連通性較差的區(qū)域?qū)?，從而發(fā)掘現(xiàn)有城市道路網(wǎng)的不足之處。通過對比連續(xù)兩年的檢測結(jié)果，可以驗證一些已經(jīng)設(shè)施的規(guī)劃(如新建道路和地鐵)是否真的有效。

1.2 交通異常分析

文獻(xiàn)[5-8]通過分析北京3萬多輛出租車的軌跡來發(fā)現(xiàn)城市中的異常事件。其主要思想是當(dāng)異常事件發(fā)生時，附近的交通流將出現(xiàn)一定程度的紊亂。文獻(xiàn)[6]試圖用具體的交通線路來進(jìn)一步解釋異常出現(xiàn)的原因。有時候，兩個區(qū)域之間出現(xiàn)了交通流異常，但問題本身可能并不在這兩個區(qū)域，而在于遠(yuǎn)處的車流必須通過這兩個區(qū)域前往另一個目的地，這些車流才是問題的根源。文獻(xiàn)[7]根據(jù)司機(jī)們路線選擇方式的改變來捕捉交通異常，并進(jìn)一步從相關(guān)的微博中提取關(guān)鍵詞來解釋異常的原因，如婚博會、道路坍塌等。

2 基于DENCLUE的擁堵區(qū)域挖掘算法

2.1 擁堵點(diǎn)

2.1.1 擁堵點(diǎn)的基本定義

2.1.2 擁堵點(diǎn)的計算方法

(1)根據(jù)GPS數(shù)據(jù)集和城市交通狀況確定Sthreshold、tthreshold、vthreshold和n。

2.2 DENCLUE聚類算法

2.2.1 密度聚類算法

聚類是按照屬性值把一組對象劃分成一系列有意義的子集的描述性任務(wù)。它的目的是揭示樣本點(diǎn)之間最本質(zhì)的“抱團(tuán)”性質(zhì)。密度聚類算法根據(jù)數(shù)據(jù)周圍密度的不斷增長聚類，將密度足夠高的區(qū)域內(nèi)數(shù)據(jù)對象劃分為簇，具有快速識別任意形狀簇和處理數(shù)據(jù)對象中的噪聲點(diǎn)的優(yōu)點(diǎn)[10]。DENCLUE[11]就是一種典型的密度聚類算法。

2.2.2 DENCLUE

密度估計是基于密度的聚類算法的核心問題，DENCLUE就是一種泛化的基于核密度估計的聚類算法。DENCLUE(DENsity-based CLUstEring，基于密度的聚類)是Hinneburg等提出的，是一種基于一組密度分布函數(shù)的聚類算法。其核心思想是每一個空間數(shù)據(jù)點(diǎn)通過事先影響函數(shù)對空間產(chǎn)生影響，影響值可以疊加，從而在空間形成一曲面，曲面的局部極大值點(diǎn)為一密度吸引子，該吸引子的吸引域形成一類[12]。將DENCLUE應(yīng)用于交通數(shù)據(jù)挖掘，密度吸引子為擁堵區(qū)域的中心，吸引域為擁堵區(qū)域。

2.2.3 DENCLUE的一些基本定義

定義1：基本影響函數(shù)。

(1)方波影響函數(shù)。

(2)高斯影響函數(shù)。

定義2：局部密度函數(shù)。

定義4：密度吸引子。

定義5：中心確定的聚類。

定義6：任意形狀的聚類。

對于密度吸引子集合X，如果存在子集C?D，使得：

則稱C為由X確定的(關(guān)于ξ，σ的)任意形狀聚類。

2.2.4 爬山算法

2.3 擁堵區(qū)域挖掘算法步驟

1)軌跡預(yù)處理[13]。

由于采集到的GPS數(shù)據(jù)極易受到噪聲、缺失值和不一致數(shù)據(jù)的侵?jǐn)_，并且低質(zhì)量的數(shù)據(jù)將導(dǎo)致低質(zhì)量的挖掘結(jié)果，所以必須對GPS數(shù)據(jù)進(jìn)行軌跡預(yù)處理。數(shù)據(jù)預(yù)處理的技術(shù)有很多，比如數(shù)據(jù)清理、數(shù)據(jù)過濾、數(shù)據(jù)集成、數(shù)據(jù)變換等，文中主要采用以下兩種數(shù)據(jù)預(yù)處理技術(shù)：

(1)數(shù)據(jù)清理：GPS設(shè)備剛啟動或故障等原因會造成采集到大量為0的數(shù)據(jù)，而且GPS定位的誤差會導(dǎo)致在某一時刻定位錯誤后，在接下來的整個時間段采集的數(shù)據(jù)都是錯誤的。對于這兩種數(shù)據(jù)完全刪除。

(2)數(shù)據(jù)過濾：GPS傳感器的噪聲會造成采集到的個別數(shù)據(jù)存在誤差，稱為異常值(outliers)。對于個別異常值采用中值濾波器(Median Filters)進(jìn)行過濾(或者糾正)，即對于檢測到的異常值，取其附近n個點(diǎn)的中值替換該異常值。

2)計算擁堵點(diǎn)。

根據(jù)過濾后的數(shù)據(jù)計算擁堵點(diǎn)，得到候選擁堵點(diǎn)GPS數(shù)據(jù)。

3)擁堵點(diǎn)聚類。

(1)對候選擁堵點(diǎn)GPS數(shù)據(jù)D以2σ(σ為設(shè)定的寬度閾值)為寬度進(jìn)行網(wǎng)格劃分，決定非空的網(wǎng)格集Cp，每個網(wǎng)格c中數(shù)據(jù)數(shù)記為Nc。

4)擁堵區(qū)域后處理。

3 擁堵區(qū)域相關(guān)性分析

3.1 相關(guān)系數(shù)計算方法的選擇

相關(guān)性指標(biāo)的選擇對相關(guān)性分析的結(jié)果有重要影響[14-15]。線性相關(guān)系數(shù)有皮爾遜積矩相關(guān)系數(shù)、斯皮爾曼等級相關(guān)系數(shù)、肯德爾等級相關(guān)系數(shù)等幾種，其中斯皮爾曼等級相關(guān)系數(shù)適用范圍最廣。

文中分析的是兩個區(qū)域中車流量隨時間變化的相關(guān)性，對GPS數(shù)據(jù)以10 min為間隔進(jìn)行抽樣，得到的是離散數(shù)據(jù)。當(dāng)交通出現(xiàn)擁堵時采集到的數(shù)據(jù)量會出現(xiàn)尖峰，但區(qū)域間可能存在軌跡模式[16]，并且車流量也是相關(guān)的。如果使用皮爾遜積矩相關(guān)系數(shù)在交通擁堵時會因尖峰導(dǎo)致相關(guān)性減弱，從而削弱可能存在的軌跡模式。而斯皮爾曼等級相關(guān)系數(shù)對數(shù)據(jù)條件的要求不是很嚴(yán)格，只要兩個變量的觀測值是成對的等級評定數(shù)據(jù)，或者是由連續(xù)變量觀測數(shù)據(jù)轉(zhuǎn)化得到的等級數(shù)據(jù)，不論兩個變量的總體分布形態(tài)、樣本容量的大小如何，都可以用斯皮爾曼等級相關(guān)來進(jìn)行研究。所以對于文中的擁堵區(qū)域相關(guān)程度的相關(guān)系數(shù)計算，應(yīng)當(dāng)使用斯皮爾曼等級相關(guān)系數(shù)。

3.2 斯皮爾曼等級相關(guān)系數(shù)

斯皮爾曼等級相關(guān)(Spearman’s correlation coefficient for ranked data)主要用于解決稱名數(shù)據(jù)和順序數(shù)據(jù)相關(guān)的問題。適用于兩列變量，而且具有等級變量性質(zhì)具有線性關(guān)系的資料。由英國心理學(xué)家、統(tǒng)計學(xué)家斯皮爾曼根據(jù)積差相關(guān)的概念推導(dǎo)而來，一些人把斯皮爾曼等級相關(guān)看作積差相關(guān)的特殊形式。

在統(tǒng)計學(xué)中，斯皮爾曼等級相關(guān)系數(shù)以Charles Spearman命名，并經(jīng)常用希臘字母ρ表示。斯皮爾曼等級相關(guān)系數(shù)用來估計兩個變量X,Y之間的相關(guān)性。假設(shè)兩個隨機(jī)變量分別為X,Y，它們的元素個數(shù)均為n，取兩個隨機(jī)變量的第i(1≤i≤n)個值，分別用xi,yi表示。對X,Y進(jìn)行排序(同時為升序或降序)，得到有序集合X,Y，將有序集合X,Y中的元素對應(yīng)相減得到一個差分集合D，其中di=xi-yi,1≤i≤n，從而可以使用D計算隨機(jī)變量X,Y之間的斯皮爾曼等級相關(guān)系數(shù)，公式為：

3.3 相關(guān)性分析方法

在城市交通中，當(dāng)一個區(qū)域為嚴(yán)重?fù)矶聟^(qū)域時，必定會對周圍區(qū)域產(chǎn)生影響。對于相關(guān)性較大的擁堵區(qū)域與非擁堵區(qū)域，應(yīng)當(dāng)解決擁堵區(qū)域的問題，以避免或緩解其對周圍非擁堵區(qū)域的影響。而擁堵區(qū)域擁堵的原因可能是兩個擁堵區(qū)域互相影響的結(jié)果，此時應(yīng)根據(jù)它們的擁堵程度相關(guān)性來分析擁堵原因，并提出解決擁堵的方案。

根據(jù)斯皮爾曼等級相關(guān)系數(shù)公式計算出擁堵區(qū)域的擁堵程度相關(guān)系數(shù)；按照三個等級評價擁堵區(qū)域之間的相關(guān)性，最后集合擁堵區(qū)域的實(shí)際地理位置做擁堵分析。

4 實(shí)驗結(jié)果與分析

4.1 擁堵區(qū)域挖掘?qū)嶒?/p>

為了驗證基于DENCLUE的擁堵區(qū)域挖掘算法的效果，使用北京市10 357輛出租車一周的GPS軌跡數(shù)據(jù)作為實(shí)驗數(shù)據(jù)。實(shí)驗代碼使用Java語言進(jìn)行編寫。由于需要使用百度地圖對結(jié)果進(jìn)行展示，實(shí)驗需要將原始數(shù)據(jù)轉(zhuǎn)換為百度地圖格式的數(shù)據(jù)。

當(dāng)車輛經(jīng)過一個區(qū)域的平均速度較小時，認(rèn)為此區(qū)域擁堵，以擁堵點(diǎn)記錄。每個擁堵點(diǎn)對附近擁堵點(diǎn)都有一定的影響，擁堵點(diǎn)的影響函數(shù)使用高斯函數(shù)進(jìn)行計算，因此DENCLUE算法中所研究的點(diǎn)可以描述為擁堵點(diǎn)，維數(shù)是二維的，即經(jīng)度和緯度。在尋找高密度網(wǎng)格時，ξ作為擁堵點(diǎn)的網(wǎng)格密度閾值，當(dāng)網(wǎng)格中擁堵點(diǎn)數(shù)量Nc≥ξ時，形成高密度網(wǎng)格，說明附近擁堵點(diǎn)多，可聚類為擁堵區(qū)域；如果Nc<ξ，說明擁堵點(diǎn)稀少，不足以聚類構(gòu)成擁堵區(qū)域。將高密度網(wǎng)格連接起來聚類，以爬山算法確定擁堵區(qū)域中心點(diǎn)，就得到了如圖1所示的擁堵區(qū)域分布圖。

圖1使用百度地圖提供的添加熱力圖API繪制，熱力區(qū)域標(biāo)記黑色的強(qiáng)度區(qū)分擁堵程度。對于挖掘出來的擁堵區(qū)域，根據(jù)擁堵區(qū)域的擁堵點(diǎn)數(shù)目對擁堵程度進(jìn)行劃分，越擁堵的區(qū)域，擁堵區(qū)域的擁堵點(diǎn)數(shù)目越多。圖1中根據(jù)黑色標(biāo)記強(qiáng)度的減弱，區(qū)域擁堵程度依次遞減，沒標(biāo)記的地方代表不擁堵或者沒有相關(guān)數(shù)據(jù)。可以看到有少量區(qū)域擁堵等級高，為出租車經(jīng)常發(fā)生擁堵的區(qū)域。對于這些出租車經(jīng)常發(fā)生擁堵的區(qū)域，找出它們的擁堵原因很重要，所以要做區(qū)域相關(guān)性分析。

圖1 基于DENCLUE的擁堵區(qū)域挖掘算法結(jié)果

4.2 相關(guān)性和擁堵影響分析實(shí)驗

一般車輛的活動時間從早上6點(diǎn)到晚上23點(diǎn)為高峰，而晚上23點(diǎn)到早上6點(diǎn)的活動較少，這也符合人們的生活規(guī)律，所以實(shí)驗選取早上6點(diǎn)到晚上23點(diǎn)的數(shù)據(jù)作為實(shí)驗數(shù)據(jù)。為了分析區(qū)域之間的相關(guān)性，以區(qū)域之間數(shù)據(jù)量、平均速度和擁堵密度作為特征進(jìn)行相關(guān)性分析。實(shí)驗以10 min為時間間隔(每小時6次抽樣)進(jìn)行抽樣，樣本為該區(qū)域每個時間段計算數(shù)據(jù)量、平均速度和擁堵密度的加權(quán)平均值得到的擁堵程度。根據(jù)抽樣得到的擁堵程度樣本數(shù)據(jù)，求得擁堵區(qū)域之間擁堵程度的斯皮爾曼等級相關(guān)系數(shù)，然后結(jié)合區(qū)域的實(shí)際位置進(jìn)行分析，實(shí)驗如下：

這組實(shí)驗選取的是地鐵4號線辟才胡同與靈境胡同附近區(qū)域。經(jīng)過擁堵區(qū)域挖掘后，可以得到如圖2

圖2 擁堵區(qū)域熱力圖

所示的熱力圖，位置詳情如圖3所示。圖2標(biāo)記了1、2兩個區(qū)域，1號區(qū)域為擁堵嚴(yán)重且擁堵范圍大的區(qū)域，2號區(qū)域為十字路口擁堵區(qū)域。

圖3 擁堵區(qū)域放大詳情圖

根據(jù)擁堵區(qū)域挖掘結(jié)果，可以得到兩個區(qū)域的擁堵狀態(tài)，其中經(jīng)度和緯度為密度吸引子的位置，平均速度由車輛總體采樣數(shù)據(jù)計算得到，密度吸引子密度由高斯密度函數(shù)計算得出，擁堵密度由區(qū)域的擁堵點(diǎn)計算得到。

為了分析兩個區(qū)域的擁堵原因和擁堵影響，對每個區(qū)域數(shù)據(jù)以10 min為時間間隔進(jìn)行抽樣，將不同時間段的數(shù)據(jù)量、擁堵密度、平均速度作為擁堵程度的判定條件繪制圖4和5。實(shí)驗中的擁堵程度主要由數(shù)據(jù)量決定，當(dāng)擁堵密度非常大、平均速度非常小時才考慮其影響。

由圖4和圖5可以明顯看出，從13:00開始，直到20:00，兩個區(qū)域的擁堵程度都是比其他時間段嚴(yán)重的。經(jīng)過計算，兩區(qū)域整體的斯皮爾曼等級相關(guān)系數(shù)高達(dá)0.821 6，說明兩區(qū)域具有很強(qiáng)的擁堵相關(guān)性；兩區(qū)域從13:00至20:00擁堵程度的斯皮爾曼等級相關(guān)系數(shù)更是高達(dá)0.953 7，說明兩區(qū)域在高度擁堵時的擁堵程度相關(guān)性極強(qiáng)，兩區(qū)域的擁堵會互相影響。由圖3可知，2號區(qū)域有很多飯店，此區(qū)域是個娛樂區(qū)域，這造成了車輛在這里停留過多，導(dǎo)致嚴(yán)重?fù)矶隆６鴥蓞^(qū)域的擁堵程度具有高度相關(guān)性，尤其是擁堵時間段，也就是說兩區(qū)域擁堵規(guī)律高度相關(guān)，所以1號擁堵區(qū)域的擁堵會直接導(dǎo)致2號十字路口的擁堵。為防止交通惡化，應(yīng)當(dāng)在擁堵嚴(yán)重的時間段加強(qiáng)交通管制，或者對異常擁堵區(qū)域進(jìn)行重新規(guī)劃，將擁堵代價降到最低。

圖4 1號區(qū)域分時段擁堵程度抽樣圖

圖5 2號區(qū)域分時段擁堵程度抽樣圖

5 結(jié)束語

文中提出了基于DENCLUE的擁堵區(qū)域挖掘算法。首先將GPS軌跡數(shù)據(jù)進(jìn)行預(yù)處理，以最小化實(shí)驗的誤差；然后通過計算擁堵點(diǎn)，得到候選擁堵點(diǎn)GPS數(shù)據(jù)；最后使用DENCLUE聚類算法對候選擁堵點(diǎn)GPS數(shù)據(jù)進(jìn)行聚類。此算法可以有效找出交通擁堵區(qū)域，并對擁堵狀態(tài)進(jìn)行分級。再對嚴(yán)重?fù)矶聟^(qū)域進(jìn)行了相關(guān)性和擁堵原因及影響分析。實(shí)驗結(jié)果表明，文中提出的擁堵區(qū)域挖掘與分析方法可以有效檢測擁堵區(qū)域，查明擁堵原因和影響，為城市規(guī)劃提供建議。

[1] 王 荻,張冠增.城市軌道交通規(guī)劃與城市規(guī)劃的互動關(guān)系[J].城市軌道交通研究,2007,10(2):1-4.

[2] Li Fengyi,Wang Bing.The death and the life of Beijing-the history,present situation and strategy of urban planning in Beijing[J].Canadian Social Science,2011,7(3):198-201.

[3] Luo Qi.Research on intelligent transportation system technologies and applications[C]//Proc of the workshop on power electronics & intelligent transportation system.[s.l.]:IEEE,2008:529-531.

[4] Zheng Y,Liu Y,Yuan J,et al.Urban computing with taxicabs[C]//Proceedings of the 13th international conference on ubiquitous computing.[s.l.]:ACM,2011:89-98.

[5] Liu Wei,Zheng Yu,Chawla S,et al.Discovering spatio-temporal causal interactions in traffic data streams[C]//Proceedings of the 17th ACM SIGKDD international conference on knowledge discovery and data mining.San Diego,CA,USA:ACM,2011:1010-1018.

[6] Pang L X,Chawla S,Liu W,et al.On mining anomalous patterns in road traffic streams[C]//Proceedings of international conference on advanced data mining and applications.Beijing,China:[s.n.],2011:110-118.

[7] Chawla S,Zheng Y,Hu J.Inferring the root cause in road traffic anomalies[C]//Proc of 12th international conference on data mining.[s.l.]:IEEE,2012:141-150.

[8] Pan B,Zheng Y,Wilkie D,et al.Crowd sensing of traffic anomalies based on human mobility and social media[C]//Proceedings of the 21st ACM SIGSPATIAL international conference on advances in geographic information systems.[s.l.]:ACM,2013:344-353.

[9] Zheng Y,Zhang L,Xie X,et al.Mining interesting locations and travel sequences from GPS trajectories[C]//Proc of international conference on world wide web.[s.l.]:[s.n.],2009:791-800.

[10] Tran T N,Drab K,Daszykowski M.Revised DBSCAN algorithm to cluster data with dense adjacent clusters[J].Chemometrics & Intelligent Laboratory Systems,2013,120(2):92-96.

[11] Hinneburg A,Keim D A.An efficient approach to clustering in large multimedia databases with noise[C]//Proceedings of the 4th international conference on knowledge discovery and data mining.New York,USA:[s.n.],1998:58-65.

[12] 張志兵.空間數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究[D].武漢:華中科技大學(xué),2004.

[13] Zheng Y.Computing with spatial trajectories[M]//Computing with spatial trajectories.[s.l.]:Springer,2011.

[14] 張堯庭.我們應(yīng)該選用什么樣的相關(guān)性指標(biāo)?[J].統(tǒng)計研究,2002(9):41-44.

[15] 李秀敏,江衛(wèi)華.相關(guān)系數(shù)與相關(guān)性度量[J].數(shù)學(xué)的實(shí)踐與認(rèn)識,2006,36(12):188-192.

[16] Giannotti F,Nanni M,Pinelli F,et al.Trajectory pattern mining[C]//Proceedings of the 13th ACM SIGKDD international conference on knowledge discovery and data mining.[s.l.]:ACM,2007:330-339.

Mining and Analysis of Urban Congestion Region Based on GPS Trajectory

WU Xing-ye，WU Yue，YUE Xiao-dong

(School of Computer Engineering and Science,Shanghai University,Shanghai 200444,China)

With the development of world urbanization,and the rapid growth of motor vehicle,traffic congestion problem is increasingly serious and has become a hot research topic.Traditional congestion detection generally uses the video surveillance or sensors,although they can effectively reflect the real-time congestion,but can’t mine the law of the urban congestion,even fail to analyze the congestion correlation between urban areas.In this paper,the congestion region mining algorithm is proposed based on DENCLUE,first preprocessing the urban taxi GPS data,calculation of the congestion point,then clustering them by DENCLUE to determine the congestion area.It is shown in the experiment that the algorithm can effectively find out congestion areas and grade them,getting the congestion state of the city,reflection of urban congestion.In addition,Spearman rank correlation coefficient is used to calculate the flow of car correlation coefficient between regions,analysis of the congestion causes and effects of severe congestion regions combined with the actual location.

congestion point;congestion region mining;DENCLUE;correlation coefficient;congestion analysis

2015-09-14

2015-12-17

時間：2016-06-22

國家自然科學(xué)基金面上項目(61573235)

武興業(yè)(1991-)，男，碩士，研究方向為數(shù)據(jù)挖掘；吳 悅，博士，教授，研究方向為智能信息處理。

http://www.cnki.net/kcms/detail/61.1450.TP.20160622.0842.002.html

TP391.41

A

1673-629X(2016)07-0116-06

10.3969/j.issn.1673-629X.2016.07.025