[發明專利]一種基于軌跡譜聚類的終端區盛行交通流識別方法

有效

• 申請號: 201310388103.5
• 申請日: 2013-09-01
• 公開（公告）號: CN103456192A
• 公開（公告）日: 2013-12-18
• 發明（設計）人: 王超;王飛;劉宏志;張召悅;徐肖豪;張春鳳;趙嶷飛;王潔寧;高偉;趙宏偉;李楠;黃寶軍;岳仁田;王興隆;王紅勇;趙元棣;姜高揚;王濤波;韓邦村
• 申請（專利權）人: 中國民航大學
• 主分類號: G08G5/00
• 分類號: G08G5/00;G06K9/62
• 代理公司: 天津中環專利商標代理有限公司 12105
• 代理人: 莫琪

1.一種基于軌跡譜聚類的終端區盛行交通流識別方法，通過計算機系統輔助實現，所述計算機系統主要由客戶端/服務器（C/S）模式構成，其特征在于，計算機系統包括雷達軌跡數據庫、數據處理模塊、軌跡聚類模塊、盛行交通流識別模塊和顯示與交互模塊，用作終端區盛行交通流識別方法的實現平臺；

數據處理模塊根據雷達存儲數據的特征來解析出終端空域中不同機場、不同跑道的軌跡數據；

軌跡聚類模塊應用軌跡譜聚類算法將相同跑道的雷達軌跡進行聚類分類；

盛行交通流識別模塊應用軌跡核密度方法對雷達軌跡聚類模塊聚類的每一類結果進行盛行交通流的識別；

顯示與交互模塊主要是用來顯示原始軌跡、分類結果以及盛行交通流；

計算機系統中包括飛行軌跡的相似性模型的建立、利用軌跡譜聚類對飛行軌跡進行聚類和利用軌跡核密度估計進行盛行交通流識別的步驟；

所述終端扇區盛行交通流識別方法，包括如下步驟：

步驟1：在數據處理模塊中輸入雷達記錄終端區的飛行軌跡數據，解析出有關給定機場跑道的飛行軌跡數據，并根據轉彎角度將軌跡數據點劃分為特征航跡點和普通航跡點；特征航跡點是指在軌跡中能描述該軌跡的關鍵特征的軌跡點；

關鍵特征的軌跡點指的是一條軌跡的起始航跡點以及其他的航跡點航向變化大于一定轉彎角度的航跡點，這個轉彎角度在空管領域內的專家可以很容易給出；?????????????????????????????

步驟2：以機場基準點所在位置為坐標原點O建立空間直角坐標系，以長為l、寬為b、高為h的網格為基本單元，以原點O為空間網格G_0,0,0的中心，將終端區的三維空間劃分為若干個基本網格單元，對于空間網格G_m,n,a，得到其中心坐標?(x^m_c，yⁿ_c，z^a_c)=(m^.l，n^.b，n^.h)；

步驟3：根據航跡點距空間網格中心的遠近提出占據度的概念表示某一航跡對某空間網格的占據程度；將起始航跡點及轉彎點稱為特征航跡點，其他航跡點稱為普通航跡點；設Δx，Δy和Δz分別表示航跡p_(i，k)與空間網格G_m,n,a中心在橫向、縱向和垂直方向上的偏離程度，計算普通航跡點的占據度o^’_(i，k)(m,n,a)；以特征航跡點距空間網格G_m,n,a中心的橢球距離?_（ik）(m,n,a)，計算特征航跡點的占據度o^’_(i，k)(m,n,a)占據度；其具體步驟如下：

a、對于普通航跡點，當Δx<l/2，Δy<b/2，Δz<h/2時，o^’_(i，k)(m,n,a)=1，，否則o^’_(i，k)(m,n,a)=0；

b、對于特征航跡點，當?_（ik）(m,n,a)不大于1時，o^”_(i，k)(m,n,a)=1，否則o^”_(i，k)(m,n,a)=1/(?_（ik）(m,n,a)^p)，p≥1；

c、令w₁表示普通航跡占據度權重，w₂表示特征航跡占據度權重；1條軌跡所有航跡點對于網格G_m,n,a的占據度o_i(m,n,a)就等于o^’_(i，k)(m,n,a)和o^”_(i，k)(m,n,a)的加權求和；

d、軌跡i和j在空間網格G_m,n,a的航跡相似性就為各自的占據度的乘積，即o_i(m,n,a)×o_j(m,n,a)，也就是軌跡之間的局部相似度a_ii(m,n,a)；

步驟4：考慮到軌跡的航向因素影響，將步驟3建立的軌跡局部相似性模型基礎上建立跡間整體相似性模型，其具體步驟如下：

a、定義軌跡i的走向θ_i為：以磁北為基準，順時針旋轉到軌跡起始點p_(i，1)與軌跡終止p_(i,ni)的矢量H的夾角；

b、按照步驟a計算軌跡j的走向為θ_j；

c、當|θ_i-θ_j|≤π/2時，軌跡i和j相似度為：

，

否則a^’_ij=0，N_m，N_n和N_a為終端空域在橫向、縱向和垂直方向上劃分的網格數量的；

步驟5：構造Laplacian相似度矩陣，然后利用譜聚類算法進行聚類分析，其具體步驟如下：

a、對步驟4中的軌跡相似度按照a_ij=?a^’_ij/?a^’_ii進行歸一化處理，得到相似度矩陣A；按照L=D^-1/2(D-A)?D^-1/2構造Laplacian矩陣L；

b、求L的特征值及特征向量，并將特征值按由大到小排列λ={λ₁，λ₂，^…，λ_i，^…,?λ_n|λ₁≥λ₂≥^…≥λ_n?=0}；計算其譜隙值，得相應的譜隙值序列δ={δ₁,δ₂,^…,?δ_i,^…,?δ_n-1|δ_i=λ_i-λ_i+1}；?

c、確定聚類數k=max{δ_i?|i=1,2,^…,j,^…,n-1}，由前k個特征值對應的特征向量構造特征子空間，調用K-means聚類算法對特征子空間進行聚類；

步驟6：采用核密度估計方法對步驟5得到的每一個聚類進行盛行交通流識別，其具體步驟如下：

a、利用Laplacian?Eigenmaps的方法將高維軌跡數據降到一維，即計算出的特征值中第二小的特征值所對應的特征向量，用x^T代替軌跡數據之間的相對特征；

b、利用標準高斯影響函數的核密度估計函數對每一類結果進行核密度估計；

c、采用步進式爬山算法尋找估計密度函數的密度吸引點；

d、計算全局最大密度吸引點，其對應的軌跡即可代表該類的盛行交通流；

步驟7：識別結果在顯示與交互模塊中顯示出來。