薛方，王鵬，王軍

基于ART神經(jīng)網(wǎng)絡(luò)的運(yùn)行軌跡聚類

薛方，王鵬，王軍

（陜西重型汽車有限公司，陜西 西安 710200）

在商用車大數(shù)據(jù)研究領(lǐng)域，需在相同路況下對(duì)車輛的性能、油耗、載重等進(jìn)行深入研究，那么就需要將相同軌跡的路線取出來(lái)，然后去研究這些路線上車輛的行駛狀況。文章要在海量的車輛運(yùn)行數(shù)據(jù)（具有時(shí)間序列）中，對(duì)路線進(jìn)行聚類。首先使用射線法判斷GPS點(diǎn)與區(qū)域（可視為多邊形）的拓?fù)潢P(guān)系，得到A市到B市之間的GPS數(shù)據(jù)，然后對(duì)GPS軌跡進(jìn)行網(wǎng)格化處理，將網(wǎng)格劃分為0.01度，得到0-1稀疏矩陣，最后建立自適應(yīng)共振理論(ART)神經(jīng)網(wǎng)絡(luò)模型，對(duì)99條樣本進(jìn)行聚類，通過(guò)調(diào)節(jié)閾值的大小，得到合適的聚類結(jié)果。

多邊形拓?fù)潢P(guān)系；網(wǎng)格化；稀疏矩陣；聚類；自適應(yīng)共振理論；閾值

前言

針對(duì)具有相同的起點(diǎn)，相同的終點(diǎn)，但中間軌跡不完全相同的GPS軌跡，要從中取出軌跡一致的，以便后續(xù)對(duì)車的載重、油耗、性能、駕駛習(xí)慣等進(jìn)行研究。本文使用了自適應(yīng)共振理論（ART）神經(jīng)網(wǎng)絡(luò)模型對(duì)軌跡樣本進(jìn)行聚類。聚類前需要對(duì)原始GPS軌跡數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，本文用到了射線法[1-3]，網(wǎng)格化稀疏矩陣。首先利用MATLAB自帶函數(shù)inpolygon，判斷點(diǎn)（GPS數(shù)據(jù)）在多邊形（區(qū)域）內(nèi)、多邊形（區(qū)域）上還是多邊形（區(qū)域）外，得到駛出A市的時(shí)間點(diǎn)，駛?cè)隑市的時(shí)間點(diǎn)，然后提取該時(shí)間段內(nèi)的GPS信息，即為A市到B市的運(yùn)行軌跡。其次，進(jìn)行網(wǎng)格化稀疏矩陣，將運(yùn)行區(qū)域劃分為一個(gè)個(gè)的“網(wǎng)格”。本文將全部樣本的運(yùn)行軌跡的覆蓋面進(jìn)行網(wǎng)格化，計(jì)算覆蓋面經(jīng)緯度的最大值和最小值，得到一個(gè)區(qū)間，對(duì)其以0.01度為步長(zhǎng)進(jìn)行網(wǎng)格化，得到每個(gè)樣本網(wǎng)格化后的0?1矩陣（稀疏矩陣）。最后，使用ART神經(jīng)網(wǎng)絡(luò)[4-5]對(duì)99個(gè)數(shù)據(jù)處理后的0?1稀疏矩陣進(jìn)行聚類。

1 點(diǎn)與多邊形的拓?fù)潢P(guān)系判斷

為判斷車輛何時(shí)駛?cè)肽硞€(gè)地區(qū)，何時(shí)駛出某個(gè)地區(qū)，我們將地區(qū)看成一個(gè)不規(guī)則的多邊形，車輛的運(yùn)行狀態(tài)借助GPS信息看成點(diǎn)，因此計(jì)算車輛何時(shí)駛?cè)牒螘r(shí)駛出某個(gè)區(qū)域轉(zhuǎn)化為判斷點(diǎn)和多邊形的拓?fù)潢P(guān)系。

（1）點(diǎn)在多邊形邊界外：就是GPS點(diǎn)未進(jìn)入觀測(cè)區(qū)域。

（2）點(diǎn)在多邊形邊界上：就是GPS點(diǎn)在觀測(cè)區(qū)域的邊界上。

（3）點(diǎn)在多邊形邊界內(nèi)：就是GPS點(diǎn)進(jìn)入了觀測(cè)區(qū)域內(nèi)。

本文使用MATLAB自帶函數(shù)inpolygon識(shí)別點(diǎn)和多邊形的拓?fù)潢P(guān)系，得到點(diǎn)在多邊形內(nèi)，點(diǎn)在多邊形上，點(diǎn)在多邊形外，從而確定每個(gè)點(diǎn)和多邊形的位置關(guān)系。圖1是使用函數(shù)識(shí)別出的點(diǎn)和多邊形的位置關(guān)系。

圖1 點(diǎn)和多邊形的位置關(guān)系

2 車輛運(yùn)行區(qū)域識(shí)別

圖2 99條路線映射到地圖上

在某重卡車型的某細(xì)分市場(chǎng)中選取一個(gè)月運(yùn)行數(shù)據(jù)，根據(jù)國(guó)家基礎(chǔ)地理信息系統(tǒng)數(shù)據(jù)（網(wǎng)上開(kāi)源下載）中的省，市，縣界限，依據(jù)射線法對(duì)點(diǎn)與多邊形的拓?fù)潢P(guān)系進(jìn)行判斷，得到了駛出A市的時(shí)間，駛?cè)隑市的時(shí)間，然后提取這段時(shí)間內(nèi)的GPS信息，就得到了99條從A市到B市的路線，見(jiàn)圖2。

3 合理劃分網(wǎng)格

對(duì)全部樣本的GPS經(jīng)緯度覆蓋區(qū)域進(jìn)行網(wǎng)格劃分，將原來(lái)的精度縮減為網(wǎng)格大小，大大減少了計(jì)算量。

本文中網(wǎng)格劃分的方法如下：

第1步：計(jì)算99條樣本所覆蓋區(qū)域的經(jīng)緯度區(qū)間。

經(jīng)對(duì)樣本計(jì)算得到，緯度（latitude）區(qū)間是[28.689 1,31.257 9]，經(jīng)度（longitude）區(qū)間是[120.203 3,121.520 5]。

第2步：設(shè)定網(wǎng)格大小。

以經(jīng)緯度區(qū)間為上下限，間隔0.01度生成257×132大小的網(wǎng)格，間隔可以根據(jù)實(shí)驗(yàn)結(jié)果設(shè)定。

第3步：劃分網(wǎng)格。

如果每個(gè)網(wǎng)格里出現(xiàn)GPS經(jīng)緯度的次數(shù)超過(guò)1次，那么該網(wǎng)格的值記為1，否則記為0，因此得到0-1矩陣，如圖4所示。將全部99個(gè)樣本都轉(zhuǎn)換為0-1矩陣，接下來(lái)要使用ART神經(jīng)網(wǎng)絡(luò)算法對(duì)0-1矩陣進(jìn)行聚類。

圖3 原始GPS軌跡

圖4 網(wǎng)格化后的軌跡（網(wǎng)格大小為257×132）

4 聚類

4.1 自適應(yīng)共振理論（ART）神經(jīng)網(wǎng)絡(luò)

自適應(yīng)共振理論（Adaptive Resonance Theory，縮寫為ART）網(wǎng)絡(luò)具有較大地靈活性，可以適應(yīng)新輸入的模式，同時(shí)也避免了對(duì)網(wǎng)絡(luò)學(xué)習(xí)過(guò)的模式進(jìn)行修改。記憶容量可以隨樣本的增加而自動(dòng)增加，可以在不破壞原記憶樣本的情況下學(xué)習(xí)新的樣本。

ART模型算法步驟：

（1）初始化，設(shè)置前向連接權(quán)的初值為：w(0)=1/(1+)，其中為輸入層單元數(shù)，反饋連接權(quán)最終將記憶已經(jīng)學(xué)過(guò)的輸入模式，其值最終為0和1二值的形式，為在開(kāi)始時(shí)不丟失信息，設(shè)：t(0)=1,=1,2,…,;=1,2, …,。按需求設(shè)識(shí)別閾值0＜≤1，識(shí)別閾值越大，分類越細(xì)；識(shí)別閾值越小，分類越粗。

（5）如果小于，取消識(shí)別結(jié)果，將神經(jīng)元排除在識(shí)別范圍之外，返回第（3）步。當(dāng)所有已記憶過(guò)的神經(jīng)元都不滿足（4）時(shí)，則在輸出層增加一個(gè)神經(jīng)元，并令這個(gè)神經(jīng)元為神經(jīng)元的連接權(quán)和反饋連接權(quán)均為X。

（6）按下式調(diào)整連接權(quán)和反饋連接權(quán)：

（7）返回第2步，對(duì)下一個(gè)輸入模式進(jìn)行識(shí)別。

4.2 實(shí)驗(yàn)結(jié)果

對(duì)合理劃分網(wǎng)格得到的99個(gè)0?1矩陣使用自適應(yīng)共振理論（ART）網(wǎng)絡(luò)算法，建立=339 24，=99的網(wǎng)絡(luò)，然后設(shè)置識(shí)別閾值進(jìn)行聚類，識(shí)別閾值的大小決定聚類的程度，針對(duì)本文樣本，識(shí)別閾值等于0.94的情況下得到以下分類結(jié)果：99個(gè)樣本分為17類，其中第1類有66個(gè)樣本，在進(jìn)行車輛性能測(cè)試，油耗比對(duì)，載重估計(jì)，駕駛行為等研究時(shí)，我們通常選擇聚類樣本較多的某些類進(jìn)行深入研究。

5 結(jié)語(yǔ)

本文以真實(shí)的GPS軌跡為輸入數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)預(yù)處理得到0?1稀疏矩陣，再使用自適應(yīng)共振理論（ART）神經(jīng)網(wǎng)絡(luò)算法對(duì)其進(jìn)行聚類，得到軌跡一致的路線，方便對(duì)車輛性能的深入研究和應(yīng)用，聚類效果好。

[1] 常勝,宋鄂平.射線法的完善及其在地理信息系統(tǒng)中的應(yīng)用[J].湖北民族學(xué)院學(xué)報(bào)（自然科學(xué)版）,2004.3,22(1):91-93.

[2] 翟艷,徐衛(wèi)亞,張強(qiáng).點(diǎn)與多邊形或多面體的拓?fù)潢P(guān)系判斷[J].計(jì)算機(jī)工程與設(shè)計(jì),2015.4,36(4):972-975.

[3] 向俊,王靜,夏幼明.判斷點(diǎn)與多邊形拓?fù)潢P(guān)系的改進(jìn)算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2014.5,35(5):1732-1737.

[4] 楊戈,莫青青,黃靜.基于ART1網(wǎng)絡(luò)的字符識(shí)別器[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,12(23):136-141.

[5] 韓可軼,周德儉,張烈平,等.基于人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)共振理論的手寫字符識(shí)別[J].桂林工商學(xué)院學(xué)報(bào).2006,26(1):122-124.

Trajectory Clustering Based on ART Neural Network

XUE Fang, WANG Peng, WANG Jun

( Shaanxi Heavy Duty Automobile Co., Ltd., Shaanxi Xi’an 710200 )

In the research field of big data of commercial vehicles, the performance, fuel consumption and load of vehicles should be studied in depth under the same road conditions. Then, the routes with the same trajectory should be taken out and the driving conditions of vehicles on these routes should be studied. In this paper, the route is clustered in the massive vehicle operation data (with time series). Firstly, the topological relationship between GPS points and regions (which can be regarded as polygons) is determined by ray method, and the GPS data between A city and B city is obtained. Then, the GPS track is processed by grid. The mesh is divided into 0.01 degree and 0-1 sparse matrix is obtained. Finally, an adaptive resonance theory (ART) neural network model was established to cluster the 99 samples, and the appropriate clustering results were obtained by adjusting the threshold value.

Polygon topological relation; Grid; Sparse matrix; Cluster; ART; The threshold value

P228.4

A

1671-7988(2021)20-37-04

P228.4

A

1671-7988(2021)20-37-04

10.16638/j.cnki.1671-7988.2021.020.010

薛方（1989—），女，碩士，工程師，就職于陜西重型汽車有限公司，研究方向：數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，控制策略。