唐爐亮，牛 樂(lè)，楊 雪，張 霞，李清泉,，蕭世倫,3

1.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；2.深圳大學(xué)土木工程學(xué)院空間信息智能感知與服務(wù)深圳市重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060；3.田納西大學(xué)地理系，美國(guó)田納西州 諾克斯維爾市 37996-0925

?

利用軌跡大數(shù)據(jù)進(jìn)行城市道路交叉口識(shí)別及結(jié)構(gòu)提取

唐爐亮1，牛 樂(lè)1，楊 雪1，張 霞2，李清泉1,2，蕭世倫1,3

1.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；2.深圳大學(xué)土木工程學(xué)院空間信息智能感知與服務(wù)深圳市重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060；3.田納西大學(xué)地理系，美國(guó)田納西州 諾克斯維爾市 37996-0925

交叉口是城市交通路網(wǎng)生成、更新的重要組成部分。本文基于車(chē)輛時(shí)空軌跡大數(shù)據(jù)，提出了一種城市交叉口自動(dòng)識(shí)別方法。該方法首先通過(guò)軌跡跟蹤識(shí)別軌跡數(shù)據(jù)中包含的車(chē)輛轉(zhuǎn)向點(diǎn)對(duì)；然后基于距離和角度的生長(zhǎng)聚類(lèi)方法進(jìn)行轉(zhuǎn)向點(diǎn)對(duì)的空間聚類(lèi)，并采用基于局部點(diǎn)連通性的聚類(lèi)方法識(shí)別交叉口；最后利用交叉口范圍圓和轉(zhuǎn)向點(diǎn)對(duì)提取城市各級(jí)別路網(wǎng)下的交叉口結(jié)構(gòu)。以武漢市出租車(chē)軌跡大數(shù)據(jù)為例，對(duì)武漢市城區(qū)內(nèi)189個(gè)交叉口進(jìn)行了探測(cè)。試驗(yàn)結(jié)果表明，本文所提方法可以準(zhǔn)確地從軌跡大數(shù)據(jù)中識(shí)別出城市交叉口及其結(jié)構(gòu)。

城市交通路網(wǎng)；交叉口自動(dòng)識(shí)別；交叉口結(jié)構(gòu)；相似度聚類(lèi)；軌跡大數(shù)據(jù)

城市交叉口的空間位置、范圍及詳細(xì)的轉(zhuǎn)向信息是構(gòu)成城市各級(jí)交通路網(wǎng)數(shù)據(jù)的關(guān)鍵[1]。對(duì)于道路中心線級(jí)別的城市路網(wǎng)數(shù)據(jù)模型，交叉口一般被抽象表達(dá)為多條道路交匯的交點(diǎn)[2]；對(duì)于車(chē)行道級(jí)別的城市路網(wǎng)數(shù)據(jù)模型，交叉口的空間描述由于路網(wǎng)細(xì)節(jié)的增加被表達(dá)為分/合流點(diǎn)[3]；對(duì)于城市車(chē)道級(jí)路網(wǎng)數(shù)據(jù)模型，交叉口的空間結(jié)構(gòu)則需要更加詳細(xì)的描述，包括其空間范圍、轉(zhuǎn)向特征、拓?fù)溥B接等[4-6]。目前大部分研究主要聚焦于從各類(lèi)傳感器數(shù)據(jù)中自動(dòng)識(shí)別交叉口，包括：基于圖像、多傳感器組合以及GPS軌跡數(shù)據(jù)的交叉口識(shí)別，且交叉口空間結(jié)構(gòu)識(shí)別根據(jù)空間結(jié)構(gòu)詳細(xì)程度主要有道路中心線級(jí)別和車(chē)行道級(jí)別兩種。

基于圖像的交叉口識(shí)別一般從影像數(shù)據(jù)中自動(dòng)識(shí)別交叉口的空間位置，并將其簡(jiǎn)化表達(dá)為點(diǎn)，然后用于城市道路中心線級(jí)別的路網(wǎng)數(shù)據(jù)生成[7-9]。由于圖像數(shù)據(jù)受天氣、光照、行人、車(chē)輛等因素影響，會(huì)造成交叉口細(xì)節(jié)識(shí)別困難?；诙鄠鞲衅鹘M合的城市交叉口識(shí)別利用多種傳感器包括：激光測(cè)距儀、GPS定位裝置、CCD相機(jī)等，采用基于視覺(jué)的方法實(shí)現(xiàn)車(chē)輛所在道路交叉口細(xì)節(jié)的探測(cè)[10-12]，為智能輔助駕駛系統(tǒng)及無(wú)人駕駛提供數(shù)據(jù)支持。多傳感組合的城市交叉口識(shí)別的服務(wù)對(duì)象為單個(gè)車(chē)輛，其識(shí)別區(qū)域往往局限在一定范圍內(nèi)；對(duì)于大區(qū)域的城市道路交叉口探測(cè)，則會(huì)存在信息獲取成本高、周期長(zhǎng)等缺點(diǎn)。另外，多傳感器組合的數(shù)據(jù)往往會(huì)受到行人和車(chē)輛的干擾，信息提取難度高?；贕PS軌跡數(shù)據(jù)提取道路交叉口細(xì)節(jié)信息，實(shí)現(xiàn)城市道路中心線級(jí)別-車(chē)行道級(jí)別-車(chē)道級(jí)別的路網(wǎng)生成和更新是目前研究的熱點(diǎn)[13-16]。相比于遙感影像數(shù)據(jù)和多傳感器組合獲取的數(shù)據(jù)，GPS軌跡數(shù)據(jù)包含豐富的交通動(dòng)/靜態(tài)信息、獲取成本低、周期短，因此更適用于大范圍城市交通路網(wǎng)信息的獲取和快速更新[17-20]。文獻(xiàn)[21]采用圖形描述器方法從專業(yè)采集車(chē)和輔助大眾運(yùn)輸車(chē)輛采集的高精度時(shí)空軌跡數(shù)據(jù)中識(shí)別道路交叉口，實(shí)現(xiàn)城市道路中心線級(jí)別路網(wǎng)數(shù)據(jù)生成。文獻(xiàn)[22]提出利用測(cè)量車(chē)獲取的高精度軌跡數(shù)據(jù)構(gòu)建城市交叉口細(xì)節(jié)結(jié)構(gòu)，完成城市交通路網(wǎng)生成。文獻(xiàn)[23]基于高采樣率的時(shí)空軌跡數(shù)據(jù)，采用力學(xué)模型融合時(shí)空軌跡，然后利用局部G統(tǒng)計(jì)的方法識(shí)別交叉口與非交叉口，實(shí)現(xiàn)城市車(chē)行道級(jí)別路網(wǎng)生成。然而，基于圖形描述器方法[21]識(shí)別交叉口需要訓(xùn)練大量數(shù)據(jù)構(gòu)建經(jīng)驗(yàn)?zāi)Ｐ停惴◤?fù)雜且效率較低；文獻(xiàn)[22]僅描述了一種高精度交叉口結(jié)構(gòu)模型，且該模型的應(yīng)用前提是交叉口位置已知，并未展開(kāi)實(shí)現(xiàn)如何從軌跡數(shù)據(jù)中提取交叉口細(xì)節(jié)結(jié)構(gòu)；利用軌跡融合算法以及局部G統(tǒng)計(jì)方法[23]識(shí)別交叉口適用于高頻采樣數(shù)據(jù)，然而考慮到存儲(chǔ)成本大部分軌跡數(shù)據(jù)的采樣頻率較低，因此該方法適應(yīng)性不強(qiáng)。

本文基于現(xiàn)有研究提出了一種利用GPS軌跡大數(shù)據(jù)的城市交叉口識(shí)別及細(xì)節(jié)結(jié)構(gòu)提取方法。該方法根據(jù)交叉口細(xì)節(jié)結(jié)構(gòu)隨道路結(jié)構(gòu)詳細(xì)程度的變化，分為交叉口與非交叉口識(shí)別(道路中心線級(jí)路網(wǎng))、交叉口分/合流點(diǎn)提取(車(chē)行道級(jí)路網(wǎng))以及交叉口車(chē)道級(jí)(車(chē)道級(jí)路網(wǎng))結(jié)構(gòu)獲取3個(gè)層次。首先，根據(jù)軌跡跟蹤獲取車(chē)輛轉(zhuǎn)向點(diǎn)對(duì)，利用基于距離和角度的生長(zhǎng)聚類(lèi)方法對(duì)其完成空間聚類(lèi)，然后采用基于局部點(diǎn)連通性的聚類(lèi)方法實(shí)現(xiàn)交叉口與非交叉口識(shí)別；最后基于交叉口范圍圓及轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇，提取包含分/合流點(diǎn)的車(chē)行道級(jí)別交叉口結(jié)構(gòu)和包含轉(zhuǎn)向信息的車(chē)道級(jí)別交叉口空間結(jié)構(gòu)。試驗(yàn)以武漢市上萬(wàn)輛出租車(chē)采集的軌跡大數(shù)據(jù)為例，實(shí)現(xiàn)了武漢市城區(qū)交叉口識(shí)別，準(zhǔn)確率為96.1%，召回率為93.1%；并以武漢市關(guān)山大道與高新大道相交的十字交叉口作為具體案例，進(jìn)行了不同尺度路網(wǎng)模型下交叉口結(jié)構(gòu)的構(gòu)建。最后，本文分析了識(shí)別錯(cuò)誤的交叉口，并與已有研究進(jìn)行了評(píng)價(jià)和對(duì)比。

1 基于軌跡大數(shù)據(jù)的交叉口識(shí)別

基于軌跡大數(shù)據(jù)的交叉口與非交叉口識(shí)別是提取道路級(jí)別-車(chē)行道級(jí)別-車(chē)道級(jí)別交叉口結(jié)構(gòu)信息的前提。車(chē)輛在通過(guò)交叉口與非交叉口時(shí)的行駛特征主要存在兩類(lèi)差異：一是記錄車(chē)輛行駛方向的航向角度變化不同；二是車(chē)輛發(fā)生轉(zhuǎn)向的轉(zhuǎn)向類(lèi)型數(shù)量不同。基于這兩種差異，本文通過(guò)軌跡跟蹤提取車(chē)輛的轉(zhuǎn)向點(diǎn)對(duì)，然后利用相似度聚類(lèi)方法對(duì)不同轉(zhuǎn)向類(lèi)型的轉(zhuǎn)向點(diǎn)對(duì)進(jìn)行聚類(lèi)，最后通過(guò)分析不同區(qū)域車(chē)輛轉(zhuǎn)向點(diǎn)對(duì)的聚類(lèi)類(lèi)簇?cái)?shù)量，實(shí)現(xiàn)交叉口與非交叉口的初次識(shí)別。

1.1 基于軌跡跟蹤的轉(zhuǎn)向點(diǎn)對(duì)提取及聚類(lèi)

低精度時(shí)空軌跡數(shù)據(jù)定位精度在10～15 m左右，采樣頻率為10～60 s，如城市出租車(chē)系統(tǒng)采集的浮動(dòng)車(chē)數(shù)據(jù)。對(duì)于低采樣率的時(shí)空軌跡數(shù)據(jù)，車(chē)輛在完成一次轉(zhuǎn)向過(guò)程中，其GPS軌跡通常在交叉口或彎道區(qū)域可以保留2～4個(gè)軌跡點(diǎn)。為了提取低精度時(shí)空軌跡的轉(zhuǎn)向特征，本文提出轉(zhuǎn)向點(diǎn)對(duì)的概念。轉(zhuǎn)向點(diǎn)對(duì)是指車(chē)輛在完成一次轉(zhuǎn)向過(guò)程中留下的前后兩個(gè)軌跡點(diǎn)，也即這兩個(gè)相鄰的軌跡點(diǎn)航向角度變化量符合車(chē)輛轉(zhuǎn)向特征(圖1)。

如圖1所示，某一車(chē)輛完成一次轉(zhuǎn)彎過(guò)程中留下至少兩個(gè)軌跡點(diǎn)P1和P2，軌跡點(diǎn)P1的航向角為α1，相鄰的下一個(gè)軌跡點(diǎn)P2的航向角為α2，兩個(gè)軌跡點(diǎn)航向角度變化值為Δα。給定轉(zhuǎn)向角閾值α，以及完成一次轉(zhuǎn)向過(guò)程所需的最大時(shí)間閾值t，若Δα大于給定的閾值α，且軌跡點(diǎn)P1和P2的時(shí)間間隔小于給定的閾值t，則認(rèn)為軌跡點(diǎn)P1和P2是一個(gè)轉(zhuǎn)向點(diǎn)對(duì)。在試驗(yàn)部分，本文結(jié)合目前城市交叉口轉(zhuǎn)彎設(shè)置最小角度(60°)，并考慮低精度軌跡數(shù)據(jù)航向角度誤差(5°～10°)，將轉(zhuǎn)向角閾值α設(shè)為45°，完成一次轉(zhuǎn)向過(guò)程所需的最大時(shí)間間隔t設(shè)為20 s(根據(jù)目前研究表明[24]，車(chē)輛通過(guò)交叉口的時(shí)長(zhǎng)一般為8～20 s)。

圖1 轉(zhuǎn)向點(diǎn)對(duì)Fig.1 Turning point pair

對(duì)于任意的兩個(gè)轉(zhuǎn)向點(diǎn)對(duì)，其空間相似性主要體現(xiàn)在角度差異和距離差異兩個(gè)方面。利用角度差異可以將不同轉(zhuǎn)向類(lèi)型的轉(zhuǎn)向點(diǎn)對(duì)進(jìn)行剝離，而利用距離差異則可以將屬于不同交叉口的轉(zhuǎn)向點(diǎn)對(duì)進(jìn)行剝離。如圖2所示，用向量P和向量Q分別表示轉(zhuǎn)向點(diǎn)對(duì)pi(xpi，ypi)、pj(xpj，ypj)和qi(xqi，yqi)、qj(xqj，yqj),即P=pipj，Q=qiqj。向量P和向量Q之間的距離差異定義為點(diǎn)對(duì)起點(diǎn)間距離di和終點(diǎn)間距離dj的平均值；角度差異定義為向量P和向量Q之間的夾角Δθ?；诂F(xiàn)有研究基礎(chǔ)[25]，本文提出了一種針對(duì)轉(zhuǎn)向點(diǎn)對(duì)距離和角度差異的相似度評(píng)價(jià)模型

sim(P,Q)=ω1e-diffd+ω2e-diffΔθ

(1)

式中，diffd表示轉(zhuǎn)向點(diǎn)對(duì)之間的距離，其計(jì)算方法如公式(2)所示

(2)

式中，按照時(shí)間順序分別計(jì)算前后兩個(gè)時(shí)刻轉(zhuǎn)向點(diǎn)對(duì)兩點(diǎn)的歐氏距離di、dj，Dis為常量，其大小取決于城市道路路面寬度。根據(jù)中國(guó)城市道路建設(shè)標(biāo)準(zhǔn)，本文將其設(shè)置為50 m。

圖2 轉(zhuǎn)向點(diǎn)對(duì)相似度評(píng)價(jià)Fig.2 Similarity of turning point pair

diffΔθ表示轉(zhuǎn)向點(diǎn)對(duì)之間的角度差異。Δθ表示轉(zhuǎn)向點(diǎn)對(duì)構(gòu)成的向量之間的夾角，對(duì)其標(biāo)準(zhǔn)化處理后得到diffΔθ，計(jì)算公式如下

diffΔθ=1-cos(Δθ)

(3)

基于任意兩個(gè)轉(zhuǎn)向點(diǎn)對(duì)之間的空間相似度進(jìn)行生長(zhǎng)聚類(lèi)，具體方法如下所示：

算法:相似度聚類(lèi)算法輸入:轉(zhuǎn)向點(diǎn)對(duì)集合TPPs={TPP0,TPP1,…,TPPn},相似度閾值sim輸出:轉(zhuǎn)向點(diǎn)對(duì)聚類(lèi)集合C={C0,C1,…,Cm}/*令順時(shí)針?lè)较驗(yàn)檎?將轉(zhuǎn)向點(diǎn)對(duì)分為左轉(zhuǎn)和右轉(zhuǎn)*/FOREACHTPPi∈TPPsDO IF-135sim)

LTPPi.isClassified=True /*標(biāo)記已分類(lèi)的轉(zhuǎn)向點(diǎn)對(duì)*/ Ct←LTPPi /*將轉(zhuǎn)向點(diǎn)對(duì)歸屬到對(duì)應(yīng)的類(lèi)別*/ ELSE t←t+1ENDFORRETURNC /*返回轉(zhuǎn)向點(diǎn)對(duì)聚類(lèi)集合C,包含左轉(zhuǎn)和右轉(zhuǎn)轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇*/

1.2 基于局部點(diǎn)連通性的交叉口識(shí)別

通常情況下，車(chē)輛在行駛過(guò)程可能存在少數(shù)非法掉頭或隨機(jī)轉(zhuǎn)彎等情況，這些情況下的轉(zhuǎn)向點(diǎn)對(duì)之間的相似性較低，聚類(lèi)得到的類(lèi)簇包含的點(diǎn)對(duì)數(shù)量也相對(duì)較少。統(tǒng)計(jì)轉(zhuǎn)向點(diǎn)對(duì)聚類(lèi)結(jié)果中每個(gè)類(lèi)簇包含的點(diǎn)對(duì)數(shù)量，所有轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇包含的點(diǎn)對(duì)數(shù)量近似服從泊松分布，設(shè)置置信度為0.95的置信區(qū)間，將點(diǎn)對(duì)數(shù)量小于置信區(qū)間下限的聚類(lèi)類(lèi)簇視為異常駕駛?cè)コ?，保留大于置信區(qū)間下限的聚類(lèi)結(jié)果用于交叉口和非交叉口的識(shí)別。

一般情況下，屬于同一個(gè)交叉口的轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇，其類(lèi)簇中心點(diǎn)會(huì)聚集在交叉口區(qū)域內(nèi)。另外，由于城市路網(wǎng)的密集性和復(fù)雜性，屬于同一交叉口但距離最遠(yuǎn)的兩個(gè)轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇中心點(diǎn)，其距離可能會(huì)超過(guò)某兩個(gè)相鄰交叉口的距離。因此，為了自適應(yīng)不同空間尺度識(shí)別屬于同一交叉口的轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇中心點(diǎn)，本文提出基于局部點(diǎn)連通性的聚類(lèi)方法識(shí)別交叉口。該方法的實(shí)質(zhì)是為了將所有轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇按照交叉口進(jìn)行分類(lèi)，也即找出屬于同一個(gè)交叉口范圍內(nèi)的所有轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇，并利用非交叉口處(如彎道，只包含一種左轉(zhuǎn)和一種右轉(zhuǎn))轉(zhuǎn)向類(lèi)型數(shù)量小于或等于2的特征，實(shí)現(xiàn)交叉口與非交叉口的初次識(shí)別。其原理如下：

算法:局部點(diǎn)連通性聚類(lèi)算法(圖3)輸入:轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇中心點(diǎn)集合CP={CP0,CP1,…,CPm},鄰域半徑r輸出:交叉口中心集合O={O0,O1,…,On}/*計(jì)算集合CP中每個(gè)點(diǎn)的連通點(diǎn)集合*/FOREACHCPi,CPj∈CPANDi≠jDOtdis=Distance(CPi,CPj) /*計(jì)算兩點(diǎn)間距離*/ IF(tdis≤r) N(CPi)←CPj /*設(shè)定N(CPi)為CPi的連通點(diǎn)集合*/ENDFOR/*基于點(diǎn)的局部連通性聚類(lèi)*/CP.isClassified←False; /*初始化所有轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇中心點(diǎn)*/FOREACHCPi∈CPANDCPi.isClassified=FalseDO CPi.isClassified=True OClusterID←CPi /*將與CPi直接連通的點(diǎn)歸屬到對(duì)應(yīng)的類(lèi)別*/ Cluster(CPi,N(CPi),ClusterID) /*查找N(CPi)中每個(gè)點(diǎn)的連通點(diǎn)*/ IFOClusterID.Count>2 /*剔除彎道(轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇?cái)?shù)量小于或等于2)*/ O←OClusterID ENDFOR/*聚類(lèi)遞歸函數(shù)*/Cluster(CPj,N(CPi),ClusterID) IF(N(CPi)≠?) FOREACHCPj∈N(CPi)ANDCPj.isClassified=FalseDO OClusterID←CPj /*將與CPi間接連通的點(diǎn)歸屬到對(duì)應(yīng)類(lèi)別*/ CPi.isClassified=True Cluster(CPi,N(CPi),ClusterID) /*遞歸執(zhí)行該函數(shù)*/ELSERETURNOClusterID

圖3 局部連通性聚類(lèi)Fig.3 Local-connectivity clustering

2 交叉口結(jié)構(gòu)信息提取

交叉口在道路中心線級(jí)別路網(wǎng)模型中表達(dá)為空間節(jié)點(diǎn)，在車(chē)行道級(jí)別路網(wǎng)模型中表達(dá)為由出/入口點(diǎn)構(gòu)成的車(chē)行道交叉口結(jié)構(gòu)，在車(chē)道級(jí)別路網(wǎng)模型中則表達(dá)為由各個(gè)車(chē)道拓?fù)潢P(guān)系構(gòu)成的詳細(xì)空間結(jié)構(gòu)?；诮徊婵谂c非交叉口的識(shí)別結(jié)果，本節(jié)主要介紹如何進(jìn)行道路中心線級(jí)別-車(chē)行道級(jí)別-車(chē)道級(jí)別的交叉口結(jié)構(gòu)信息提取。

2.1 交叉口空間位置提取(道路中心線級(jí)路網(wǎng))

城市道路中心線級(jí)別路網(wǎng)模型將交叉口抽象表達(dá)為點(diǎn)，也即記錄路網(wǎng)數(shù)據(jù)拓?fù)湫畔⒌耐負(fù)潼c(diǎn)。本文根據(jù)交叉口與非交叉口識(shí)別結(jié)果，分析處于同一個(gè)交叉口區(qū)域內(nèi)的轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇，自適應(yīng)提取交叉口的中心位置及范圍。具體方法如下所示：

(1) 對(duì)于每一個(gè)交叉口，計(jì)算屬于該交叉口的所有轉(zhuǎn)向點(diǎn)對(duì)的中心作為交叉口范圍圓的圓心O；

(2) 計(jì)算每一個(gè)轉(zhuǎn)向點(diǎn)對(duì)的類(lèi)簇中心到圓心O的距離；

(3) 按照交叉口范圍取大不取小的規(guī)則，選取距離最大值作為交叉口范圍圓的半徑R(圖4)。圖4中，不同顏色的點(diǎn)表示該區(qū)域內(nèi)不同轉(zhuǎn)向類(lèi)型的轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇聚類(lèi)結(jié)果，紅色的點(diǎn)表示屬于該交叉口的轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇的中心點(diǎn)，點(diǎn)O是該交叉口的中心，點(diǎn)P是交叉口區(qū)域內(nèi)距點(diǎn)O最遠(yuǎn)的一個(gè)轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇中心點(diǎn)，圖中的圓即表示交叉口范圍。交叉口范圍圓的中心點(diǎn)則可以作為道路中心線級(jí)別路網(wǎng)的空間節(jié)點(diǎn)。

2.2 分/合流點(diǎn)提取(車(chē)行道級(jí)路網(wǎng))

車(chē)行道級(jí)別路網(wǎng)比道路中心線級(jí)別路網(wǎng)的詳細(xì)度更高，主要體現(xiàn)在對(duì)同一條道路不同行駛方向的兩條車(chē)行道進(jìn)行了表達(dá)。在車(chē)行道級(jí)別路網(wǎng)模型中，交叉口結(jié)構(gòu)主要由車(chē)輛駛?cè)虢徊婵趨^(qū)域和駛出交叉口區(qū)域的分/合流點(diǎn)構(gòu)成。上文提取的每個(gè)轉(zhuǎn)向點(diǎn)對(duì)的前一個(gè)點(diǎn)可以作為交叉口入口點(diǎn)，后一個(gè)點(diǎn)可以作為一個(gè)交叉口出口點(diǎn)，這些入/出口點(diǎn)分別集中在交叉口相應(yīng)的分/合流點(diǎn)處。獲取交叉口處分/合流點(diǎn)方法如下：

(1) 將每一個(gè)轉(zhuǎn)向點(diǎn)對(duì)拆分為入口點(diǎn)和出口點(diǎn)，以入口點(diǎn)為例，從所有入口點(diǎn)中隨機(jī)選取未分類(lèi)的一個(gè)入口點(diǎn)作為種子點(diǎn)，遍歷所有入口點(diǎn)，如果該點(diǎn)與種子點(diǎn)航向角差值小于Φ(考慮到城市交叉口建設(shè)標(biāo)準(zhǔn)，最小轉(zhuǎn)向角度為60°，本文后續(xù)試驗(yàn)中選取60°作為閾值)則聚為一類(lèi)，否則從未被分類(lèi)的入口點(diǎn)中選取下一個(gè)種子點(diǎn)，重復(fù)該過(guò)程，直至每個(gè)入口點(diǎn)都?xì)w屬到對(duì)應(yīng)的類(lèi)別；

(2) 對(duì)所有出口點(diǎn)進(jìn)行同樣的操作，最終得到多個(gè)入口點(diǎn)類(lèi)簇和出口點(diǎn)類(lèi)簇，如圖5所示，紅色點(diǎn)表示入口點(diǎn)類(lèi)簇，藍(lán)色點(diǎn)表示出口點(diǎn)類(lèi)簇；

(3) 計(jì)算每個(gè)類(lèi)簇的中心點(diǎn)和平均航向角，分別以中心點(diǎn)C1和C2為端點(diǎn)(圖5)，沿其平均航向角及相反方向作延長(zhǎng)線，延長(zhǎng)線與交叉口范圍圓較近的一個(gè)交點(diǎn)S和I即為所求的交叉口分/合流點(diǎn)。

2.3 車(chē)道級(jí)別交叉口結(jié)構(gòu)提取(車(chē)道級(jí)路網(wǎng))

在車(chē)道級(jí)別的路網(wǎng)模型中，不能簡(jiǎn)單地把交叉口抽象為點(diǎn)或者出/入口點(diǎn)，需要明確交叉口處每條車(chē)道之間的拓?fù)湫畔?，即提取交叉口區(qū)域內(nèi)的所有轉(zhuǎn)向信息。利用上文提取的交叉口范圍圓及不同轉(zhuǎn)向類(lèi)型的轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇可以容易地獲取交叉口的詳細(xì)空間結(jié)構(gòu)特征，方法如下：

(1) 利用交叉口范圍圓檢測(cè)直行點(diǎn)對(duì)類(lèi)簇；

(2) 將直行點(diǎn)對(duì)類(lèi)簇、左轉(zhuǎn)轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇和右轉(zhuǎn)轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇均拆分為入口點(diǎn)類(lèi)簇和出口點(diǎn)類(lèi)簇，并計(jì)算每個(gè)類(lèi)簇的中心點(diǎn)和平均航向角，如圖6所示，圖中不同顏色的點(diǎn)表示同一車(chē)行道的車(chē)輛在經(jīng)過(guò)交叉口時(shí)的發(fā)生不同轉(zhuǎn)向的軌跡點(diǎn)，圓形點(diǎn)表示入口點(diǎn)，三角形點(diǎn)表示出口點(diǎn)；

(3) 如圖6(a)，以通過(guò)該交叉口的一個(gè)左轉(zhuǎn)入口點(diǎn)類(lèi)簇為例，計(jì)算該類(lèi)簇中心點(diǎn)C，并以點(diǎn)C為端點(diǎn)，沿其平均航向角及相反方向作延長(zhǎng)線，延長(zhǎng)線與交叉口范圍圓較近的一個(gè)交點(diǎn)T即為該交叉口的一個(gè)拓?fù)潼c(diǎn)，使用同樣方法即可得到該交叉口的其他拓?fù)潼c(diǎn)，如圖6(b)所示。

圖6(b)中，S、L和R分別表示直行、左轉(zhuǎn)和右轉(zhuǎn)，圓形點(diǎn)表示入口點(diǎn)，三角形點(diǎn)表示出口點(diǎn)。這些反映交叉口不同轉(zhuǎn)向信息的拓?fù)潼c(diǎn)是構(gòu)成車(chē)道級(jí)交叉口結(jié)構(gòu)的根基，其相互的連通關(guān)系則進(jìn)一步豐富了車(chē)道級(jí)交叉口結(jié)構(gòu)。

3 試驗(yàn)分析

本文選擇2013年8月1日到2013年8月7日武漢市城區(qū)一周的出租車(chē)軌跡數(shù)據(jù)為數(shù)據(jù)源進(jìn)行試驗(yàn)，軌跡點(diǎn)采集間隔為10～60 s，定位精度為10～15 m，出租車(chē)數(shù)量為4799輛，共包含1 004 442個(gè)軌跡點(diǎn)。每條數(shù)據(jù)記錄了采集時(shí)間、經(jīng)度、緯度、速度和航向角等信息。由于現(xiàn)代建筑群比較集中，并且髙層居多，浮動(dòng)車(chē)在城市道路行駛過(guò)程中會(huì)受到遮擋，GPS信號(hào)會(huì)出現(xiàn)失真、漂移，導(dǎo)致獲取的軌跡點(diǎn)并不能代表車(chē)輛實(shí)際行駛的位置，GPS軌跡點(diǎn)分布在道路面上的密度要明顯高于道路面以外，其中位于道路中心線處的密度值最高且密度值依次向兩邊衰減。此外，在出租車(chē)實(shí)際運(yùn)營(yíng)中，出租車(chē)通常不會(huì)選擇道路等級(jí)較低的支路作為行駛道路，軌跡在支路的覆蓋度較低。根據(jù)車(chē)輛軌跡數(shù)據(jù)的分布特點(diǎn)，本文采用Delaunay三角網(wǎng)方法[26]進(jìn)行數(shù)據(jù)預(yù)處理，原始數(shù)據(jù)如圖7(a)，預(yù)處理后的軌跡如圖7(b)。

3.1 交叉口識(shí)別參數(shù)討論

在交叉口識(shí)別過(guò)程中，需要確定相似度評(píng)價(jià)模型的權(quán)重值，同時(shí)也需要選取合適的相似度閾值。本文通過(guò)多次調(diào)整試驗(yàn)參數(shù)，對(duì)試驗(yàn)結(jié)果進(jìn)行了討論，從而為選取試驗(yàn)參數(shù)提供參考。首先，在轉(zhuǎn)向點(diǎn)對(duì)的相似度評(píng)價(jià)模型中，不同轉(zhuǎn)向點(diǎn)對(duì)之間的距離和角度差異對(duì)相似度評(píng)價(jià)的影響同等重要，令權(quán)重ω1=ω2=0.5，此時(shí)本文算法的聚類(lèi)效果比較理想。在對(duì)轉(zhuǎn)向點(diǎn)對(duì)進(jìn)行相似度聚類(lèi)時(shí)，相似度閾值sim(P,Q)的取值主要取決于轉(zhuǎn)向點(diǎn)對(duì)之間的距離和角度差異。令轉(zhuǎn)向點(diǎn)對(duì)之間的距離差異和角度差異分別取不同的值，代入公式(1)—(3)計(jì)算相似度閾值sim(P,Q)，基于該閾值對(duì)試驗(yàn)區(qū)內(nèi)的轉(zhuǎn)向點(diǎn)對(duì)進(jìn)行相似度聚類(lèi)，并統(tǒng)計(jì)聚類(lèi)結(jié)果中位于交叉口且轉(zhuǎn)向識(shí)別正確的轉(zhuǎn)向點(diǎn)對(duì)類(lèi)簇的數(shù)量，然后將該值與交叉口轉(zhuǎn)向類(lèi)別識(shí)別總數(shù)量的比值作為交叉口轉(zhuǎn)向識(shí)別準(zhǔn)確率。根據(jù)圖8中的試驗(yàn)結(jié)果可以看出，當(dāng)角度差異值為44°，距離差異值為25 m，識(shí)別的準(zhǔn)確率較高，將其代入公式(1)—(3)，計(jì)算得到此時(shí)的相似度閾值sim(P,Q)≈0.765。

在進(jìn)行局部點(diǎn)連通性聚類(lèi)時(shí),鄰域半徑r的設(shè)置對(duì)交叉口最終的識(shí)別有很大影響。道路寬度、交叉口類(lèi)型和范圍以及GPS軌跡數(shù)據(jù)的精度都會(huì)影響r值的確定，本文通過(guò)重復(fù)試驗(yàn)不斷調(diào)整試驗(yàn)參數(shù)，并利用準(zhǔn)確率(Precision)和召回率(Recall)來(lái)綜合評(píng)估鄰域半徑r對(duì)交叉口識(shí)別效果的影響，試驗(yàn)結(jié)果如表1所示。根據(jù)表中結(jié)果，最終將鄰域半徑r設(shè)置為33 m，此時(shí)識(shí)別正確率最高。準(zhǔn)確率和召回率的計(jì)算公式如下所示

(4)

(5)

式中，True_positive和False_positive分別表示正確識(shí)別的交叉口數(shù)量和錯(cuò)誤識(shí)別的交叉口數(shù)量，F(xiàn)alse_negative表示漏檢的交叉口數(shù)量。

表1 鄰域半徑r的評(píng)估Tab.1 Assessment of radius

3.2 交叉口識(shí)別及結(jié)構(gòu)提取

本文選取的試驗(yàn)區(qū)域內(nèi)共包含189個(gè)交叉口，采用本文所提方法對(duì)該區(qū)域內(nèi)交叉口進(jìn)行了識(shí)別，圖9(a)為試驗(yàn)區(qū)域內(nèi)交叉口識(shí)別結(jié)果，黃色點(diǎn)表示基于本文方法識(shí)別出的交叉口，紅色星號(hào)表示目視解譯識(shí)別出的交叉口。

以武漢市關(guān)山大道與高新大道相交的十字交叉口作為具體案例，對(duì)該交叉口進(jìn)行了不同尺度路網(wǎng)模型下結(jié)構(gòu)的構(gòu)建，圖9(b)為道路中心線級(jí)別交叉口識(shí)別結(jié)果，圖9(c)為車(chē)行道級(jí)別交叉口結(jié)構(gòu)構(gòu)建結(jié)果(S表示分流點(diǎn)，I表示合流點(diǎn))，圖9(d)為車(chē)道級(jí)別交叉口結(jié)構(gòu)構(gòu)建結(jié)果(S、L和R分別表示直行、左轉(zhuǎn)和右轉(zhuǎn))。

圖4 交叉口中心及范圍Fig.4 Center and range of intersection

圖5 交叉口分/合流點(diǎn)示意圖Fig.5 The extraction of exit and entry points at road intersection

圖6 車(chē)道級(jí)交叉口拓?fù)潼c(diǎn)示意圖Fig.6 Lane-based topological point at road intersection

圖7 軌跡數(shù)據(jù)預(yù)處理Fig.7 Preprocess of trace data

圖8 參數(shù)討論Fig.8 Parameter discussion

圖9 交叉口提取結(jié)果Fig.9 Intersection extraction results

圖10 錯(cuò)誤分析Fig.10 Error analysis

3.3 交叉口識(shí)別錯(cuò)誤分析

交叉口識(shí)別錯(cuò)誤的結(jié)果主要有兩種類(lèi)型，分別是漏檢和錯(cuò)判。漏檢的交叉口主要發(fā)生在有效軌跡數(shù)據(jù)稀疏的地方，如圖10(a)所示，由于獲取的浮動(dòng)車(chē)軌跡數(shù)據(jù)量有限，在部分支路保留的GPS軌跡數(shù)據(jù)較少，不能提取出足夠數(shù)量的轉(zhuǎn)向點(diǎn)對(duì)，導(dǎo)致漏檢。隨著無(wú)線傳感器與定位技術(shù)的發(fā)展與普及，產(chǎn)生海量的出租車(chē)軌跡數(shù)據(jù)、個(gè)人出行軌跡等VGI軌跡數(shù)據(jù)，使得GPS軌跡數(shù)據(jù)可以完全覆蓋于城市的每一條道路每一個(gè)車(chē)道，高覆蓋率會(huì)不斷弱化城市交叉口漏檢。錯(cuò)判的交叉口主要包括以下幾種原因：①大型復(fù)雜立體交叉口類(lèi)型比較多樣，轉(zhuǎn)向信息也更加復(fù)雜，而且車(chē)輛GPS軌跡數(shù)據(jù)中沒(méi)有高度信息，無(wú)法區(qū)分行駛在不同高度的車(chē)輛軌跡數(shù)據(jù)，導(dǎo)致不能準(zhǔn)確識(shí)別這種類(lèi)型的交叉口，如圖10(b)；②距離較近的兩個(gè)相鄰交叉口易被識(shí)別為一個(gè)交叉口，本文雖然采用了局部點(diǎn)連通性的聚類(lèi)方法，能夠自適應(yīng)識(shí)別不同大小的交叉口，但仍存在某些相鄰交叉口距離較近，其距離甚至小于某些大型交叉口連接的相鄰道路之間的距離，如圖10(c)，這種類(lèi)型的交叉口數(shù)量較少，并且識(shí)別結(jié)果仍然可以保持其原有的拓?fù)潢P(guān)系；③某些大型停車(chē)場(chǎng)或者小區(qū)出入口處與交叉口具有相似的特征，易被錯(cuò)判，對(duì)于這種情況需要結(jié)合遙感影像進(jìn)行人工檢查，如圖10(d)所示。

3.4 交叉口識(shí)別方法評(píng)價(jià)

交叉口識(shí)別結(jié)果是提取城市各級(jí)路網(wǎng)交叉口結(jié)構(gòu)的關(guān)鍵。本文利用圖形描述器方法[21]和軌跡融合方法[23]的試驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)對(duì)比，3種方法的統(tǒng)計(jì)結(jié)果如表2所示。圖形描述器方法需要訓(xùn)練大量的樣本來(lái)提取交叉口先驗(yàn)知識(shí)，然而交叉口類(lèi)型多樣，很難選取足夠類(lèi)型交叉口樣本，導(dǎo)致交叉口識(shí)別率較低。軌跡融合方法中的力學(xué)模型對(duì)直行道路的融合效果較好，但在交叉口和彎道附近，融合效果不理想，導(dǎo)致交叉口識(shí)別效果較差。本文利用轉(zhuǎn)向點(diǎn)對(duì)集中分布在交叉口的特征來(lái)識(shí)別交叉口位置，轉(zhuǎn)向點(diǎn)對(duì)能夠體現(xiàn)一條軌跡在完成轉(zhuǎn)向過(guò)程中的轉(zhuǎn)向典型特征，也可以很好地刻畫(huà)一條軌跡在通過(guò)某一交叉口區(qū)域的進(jìn)出情況。此外，對(duì)于大規(guī)模軌跡數(shù)據(jù)來(lái)說(shuō)，分析所有軌跡點(diǎn)需要很大的計(jì)算開(kāi)銷(xiāo)，而利用轉(zhuǎn)向點(diǎn)對(duì)來(lái)對(duì)原始軌跡進(jìn)行化簡(jiǎn)，既可以保留交叉口處車(chē)輛的行為特征，又能節(jié)省計(jì)算開(kāi)銷(xiāo)。采用本方法共探測(cè)到183個(gè)交叉口，其中準(zhǔn)確識(shí)別的交叉口為176個(gè)，準(zhǔn)確率為96.1%，召回率為93.1%。

表2 試驗(yàn)結(jié)果對(duì)比Tab.2 Comparison of experimental results

4 結(jié) 論

本文針對(duì)低精度時(shí)空軌跡數(shù)據(jù)的特點(diǎn)，提出了一種城市交叉口自動(dòng)識(shí)別和結(jié)構(gòu)提取方法。該方法可以準(zhǔn)確地從軌跡大數(shù)據(jù)中識(shí)別出城市交叉口及其結(jié)構(gòu)。試驗(yàn)以武漢市上萬(wàn)輛出租車(chē)采集的軌跡大數(shù)據(jù)為例，實(shí)現(xiàn)了武漢市城區(qū)試驗(yàn)區(qū)域內(nèi)交叉口的自動(dòng)識(shí)別以及道路中心線級(jí)別-車(chē)行道級(jí)別-車(chē)道級(jí)別的交叉口結(jié)構(gòu)信息的探測(cè)，其中交叉口識(shí)別準(zhǔn)確率為96.1%，召回率為93.1%。利用本文所提方法可以縮短交叉口信息獲取的周期，降低信息提取成本，為城市各級(jí)別交通路網(wǎng)的快速生成、更新提供支持。然而，由于本文試驗(yàn)數(shù)據(jù)源單一，導(dǎo)致城市若干路段數(shù)據(jù)覆蓋率低，造成一些道路交叉口被漏檢；同時(shí)，對(duì)于大型復(fù)雜立體交叉口，還不能實(shí)現(xiàn)交叉口細(xì)節(jié)結(jié)構(gòu)的準(zhǔn)確提取。未來(lái)會(huì)繼續(xù)深入研究如何實(shí)現(xiàn)復(fù)雜立體交叉口的識(shí)別和細(xì)節(jié)結(jié)構(gòu)提取，以及進(jìn)一步完成基于各級(jí)路網(wǎng)交叉口結(jié)構(gòu)實(shí)現(xiàn)全局路網(wǎng)的生成。

[1] HILLEL A B,LERNER R,LEVI D,et al.Recent Progress in Road and Lane Detection:A Survey[J].Machine Vision and Applications,2014,25(3):727-745.

[2] 曹云剛,王志盼,慎利,等.像元與對(duì)象特征融合的高分辨率遙感影像道路中心線提取[J].測(cè)繪學(xué)報(bào),2016,45(10):1231-1240,1249.DOI:10.11947/j.AGCS.2016.20160158.CAO Yungang,WANG Zhipan,SHEN Li,et al.Fusion of Pixel-based and Object-based Features for Road Centerline Extraction from High-resolution Satellite Imagery[J].Acta Geodaetica et Cartographica Sinica,2016,45(10):1231-1240,1249.DOI:10.11947/j.AGCS.2016.20160158.

[3] 鄭年波,陸鋒,李清泉.面向?qū)Ш降膭?dòng)態(tài)多尺度路網(wǎng)數(shù)據(jù)模型[J].測(cè)繪學(xué)報(bào),2010,39(4):428-434.ZHENG Nianbo,LU Feng,LI Qingquan.Dynamic Multi-scale Road Network Data Model for Navigation[J].Acta Geodaetica et Cartographica Sinica,2010,39(4):428-434.

[4] 黃敏,饒明雷,李敏.面向仿真的車(chē)道級(jí)基礎(chǔ)路網(wǎng)模型及其應(yīng)用[J].系統(tǒng)仿真學(xué)報(bào),2014,26(3):657-661,681.HUANG Min,RAO Minglei,LI Min.Research of Lane-level Basic Road Network Model for Simulation and its Application[J].Journal of System Simulation,2014,26(3):657-661,681.

[5] 朱慶,李淵.面向?qū)嶋H車(chē)道的3維道路網(wǎng)絡(luò)模型[J].測(cè)繪學(xué)報(bào),2007,36(4):414-420.DOI:10.3321/j.issn:1001-1595.2007.04.010.ZHU Qing,LI Yuan.Lane-oriented 3D Road Network Model[J].Acta Geodaetica et Cartographica Sinica,2007,36(4):414-420.DOI:10.3321/j.issn:1001-1595.2007.04.010.

[6] UDUWARAGODA E R I A C,PERERA A S,DIAS S A D.Generating Lane Level Road Data from Vehicle Trajectories Using Kernel Density Estimation[C]∥Proceedings of 2013 the 16th International IEEE Conference on Intelligent Transportation Systems.The Hague,Netherlands:IEEE,2013:384-391.

[7] 李曉峰,張樹(shù)清,韓富偉,等.基于多重信息融合的高分辨率遙感影像道路信息提取[J].測(cè)繪學(xué)報(bào),2008,37(2):178-184.DOI:10.3321/j.issn:1001-1595.2008.02.009.LI Xiaofeng,ZHANG Shuqing,HAN Fuwei,et al.Road Extraction from High Resolution Remote Sensing Images Based on Multiple Information Fusion[J].Acta Geodaetica et Cartographica Sinica,2008,37(2):178-184.DOI:10.3321/j.issn:1001-1595.2008.02.009.

[8] 蔡紅玥,姚國(guó)清.高分辨率遙感圖像道路交叉口自動(dòng)提取[J].國(guó)土資源遙感,2016,28(1):63-71.CAI Hongyue,YAO Guoqing.Auto-extraction of Road Intersection from High Resolution Remote Sensing Image[J].Remote Sensing for Land & Resources,2016,28(1):63-71.

[9] 李怡靜,胡翔云,張劍清,等.影像與LiDAR數(shù)據(jù)信息融合復(fù)雜場(chǎng)景下的道路自動(dòng)提取[J].測(cè)繪學(xué)報(bào),2012,41(6):870-876.LI Yijing,HU Xiangyun,ZHANG Jianqing,et al.Automatic Road Extraction in Complex Scenes Based on Information Fusion from LiDAR and Remote Sensing Imagery[J].Acta Geodaetica et Cartographica Sinica,2012,41(6):870-876.

[10] ZHU Quanwen,CHEN Long,LI Qingquan,et al.3D LIDAR Point Cloud based Intersection Recognition for Autonomous Driving[C]∥Proceedings of IEEE Intelligent Vehicles Symposium.Alcala de Henares,Spain:IEEE,2012:456-461.

[11] 賀勇,路昊,王春香,等.基于多傳感器的車(chē)道級(jí)高精細(xì)地圖制作方法[J].長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,35(S1):274-278.HE Yong,LU Hao,WANG Chunxiang,et al.Generation of Precise Lane-level Maps Based on Multi-sensors[J].Journal of Chang’an University (Natural Science Edition),2015,35(S1):274-278.

[12] AYCARD O,BAIG Q,BOTA S,et al.Intersection Safety Using Lidar and Stereo Vision Sensors[C]∥Proceedings of 2011 IEEE Intelligent Vehicles Symposium.Baden:IEEE,2011:863-869.

[13] TANG Luliang,YANG Xue,KAN Zihan,et al.Lane-level Road Information Mining from Vehicle GPS Trajectories Based on Na?ve Bayesian Classification[J].ISPRS International Journal of Geo-Information,2015,4(4):2660-2680.

[14] CAO Lili,KRUMM J.From GPS Traces to a Routable Road Map[C]∥Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.Seattle,Washington:ACM,2009.

[15] CHEN Yihua,KRUMM J.Probabilistic Modeling of Traffic Lanes from GPS Traces[C]∥Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems.San Jose:ACM,2010.

[16] 王振華,胡翔云,單杰.眾源GPS浮動(dòng)車(chē)數(shù)據(jù)中城市道路中心線分級(jí)提取的柵格化方法[J].測(cè)繪通報(bào),2015(8):22-24,34.DOI:10.13474/j.cnki.11-2246.2015.0236.WANG Zhenhua,HU Xiangyun,SHAN Jie.A Rasterization-based Hierarchical Approach for Urban Road Centerline Extraction from crowdsourcing GPS Floating Car Data[J].Bulletin of Surveying and Mapping,2015(8):22-24,34.DOI:10.13474/j.cnki.11-2246.2015.0236.

[17] BETAILLE D,TOLEDO-MOREO R.Creating Enhanced Maps for Lane-level Vehicle Navigation[J].IEEE Transactions on Intelligent Transportation Systems,2010,11(4):786-798.

[18] 莊立堅(jiān),何兆成,楊文臣,等.基于大規(guī)模浮動(dòng)車(chē)數(shù)據(jù)的交叉口轉(zhuǎn)向規(guī)則自動(dòng)提取算法[J].武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版),2013,37(5):1084-1088.ZHUANG Lijian,HE Zhaocheng,YANG Wenchen,et al.A Large-scale Floating Car Data-based Algorithm of Turning Rule Extraction at Intersections[J].Journal of Wuhan University of Technology (Transportation Science & Engineering),2013,37(5):1084-1088.

[19] 譚祥爽,王晶,宋現(xiàn)鋒,等.基于浮動(dòng)車(chē)數(shù)據(jù)的路口探測(cè)方法[J].地理與地理信息科學(xué),2015,31(5):34-38,封3.TAN Xiangshuang,WANG Jing,SONG Xianfeng,et al.Detection of Road Intersections Using Floating Car Data[J].Geography and Geo-Information Science,2015,31(5):34-38,封3.

[20] CHIANG Y Y,KNOBLOCK C A.Automatic Extraction of Road Intersection Position,Connectivity,and Orientations from Raster Maps[C]∥Proceedings of the 16th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.Irvine:ACM,2008:1-10.

[21] FATHI A,KRUMM J.Detecting Road Intersections from GPS Traces[M]∥FABRIKANT S I,REICHENBACHER T,VAN KREVELD M,et al.Geographic Information Science.GIScience 2010.Lecture Notes in Computer Science.Heidelberg:Springer,2010,6292:56-69.

[22] LIU Jiang,CAI Baigen,WANG Yunpeng,et al.Generating Enhanced Intersection Maps for Lane Level Vehicle Positioning based Applications[J].Procedia-social and Behavioral Sciences,2013,96:2395-2403.

[23] WANG Jing,RUI Xiaoping,SONG Xianfeng,et al.A Novel Approach for Generating Routable Road Maps from Vehicle GPS Traces[J].International Journal of Geographical Information Science,2015,29(1):69-91.

[24] LI Pengfei,SOULEYRETTE R R.A Generic Approach to Estimate Freeway Traffic Time Using Vehicle ID-matching Technologies[J].Computer-Aided Civil and Infrastructure Engineering,2016,31(5):351-365.

[25] TANG Luliang,YANG Xue,DONG Zhen,et al.CLRIC:Collecting Lane-based Road Information via Crowdsourcing[J].IEEE Transactions on Intelligent Transportation Systems,2016,17(9):2552-2562.

[26] 唐爐亮,楊雪,闞子涵,等.一種基于樸素貝葉斯分類(lèi)的車(chē)道數(shù)量探測(cè)[J].中國(guó)公路學(xué)報(bào),2016,29(3):116-123.TANG Luliang,YANG Xue,KAN Zihan,et al.Traffic Lane Numbers Detection Based on the Naive Bayesian Classification[J].China Journal of Highway and Transport,2016,29(3):116-123.

(責(zé)任編輯：宋啟凡)

Urban Intersection Recognition and Construction Based on Big Trace Data

TANG Luliang1,NIU Le1,YANG Xue1,ZHANG Xia2，LI Qingquan1,2,XIAO Shilun1,3

1.State Key Laboratory of Information Engineering in Surveying,Mapping,and Remote Sensing,Wuhan University,Wuhan 430079,China; 2.Shenzhen Key Laboratory of Spatial Smart Sensing and Services,College of Civil Engineering,Shenzhen University,Shenzhen 518060,China；3.Department of Geography,University of Tennessee,Knoxville,37996-0925,USA

Intersection is an important part of the generation and renewal of urban traffic network.In this paper,a new method was proposed to detect urban intersections automatically from the spatiotemporal big trace data.Firstly,the turning point pairs were based on tracking the trace data collected by vehicles.Secondly,different types of turning point pairs were clustered by using spatial growing clustering method based on angle and distance differences,and the clustering methods of local connectivity was used to recognize the intersection.Finally,the intersection structure of multi-level road network was constructed with the range of the intersection and turning point pairs.Taking the taxi trajectory data in Wuhan city as an example,the experimental results showed that the method proposed in this paper can automatically detect and recognize the road intersection and its structure.

urban traffic network; automatic intersection recognition; intersection structure; similarity clustering; big trace data

The National Natural Science Foundation of China (Nos.41671442；41571430；41271442)

TANG Luliang(1973—)，male，PhD，professor，majors in GIS-T，time-space GIS，big trace data mining and etc.

NIU Le

唐爐亮，牛樂(lè)，楊雪，等.利用軌跡大數(shù)據(jù)進(jìn)行城市道路交叉口識(shí)別及結(jié)構(gòu)提取[J].測(cè)繪學(xué)報(bào)，2017,46(6)：770-779.

10.11947/j.AGCS.2017.20160614.TANG Luliang,NIU Le,YANG Xue,et al.Urban Intersection Recognition and Construction Based on Big Trace Data[J].Acta Geodaetica et Cartographica Sinica,2017,46(6):770-779.DOI:10.11947/j.AGCS.2017.20160614.

P208

A

1001-1595(2017)06-0770-10

國(guó)家自然科學(xué)基金(41671442；41571430；41271442)

2016-12-02

修回日期：2017-04-27

唐爐亮(1973—)，男，博士，教授，研究方向?yàn)镚IS-T、時(shí)空GIS、軌跡大數(shù)據(jù)挖掘等。

E-mail：tll@whu.edu.cn

牛樂(lè)

E-mail：niule_gis@163.com