1.融合轨迹空间‑语义特征的车辆类型识别方法,其特征在于,包括以下步骤:步骤S1、对原始车辆轨迹数据进行预处理,包括重复轨迹过滤、停留点识别和微行程划分;
步骤S2、基于车辆轨迹数据、停留点和微行程,计算车辆运动特征和关联的地理语义特征;
步骤S3、基于车辆运动特征和关联的地理语义特征,进行车辆类型识别;
步骤S2的车辆运动特征包括每段微行程的速度标准差、加速度标准差、每个速度区间的轨迹点所占比例、每个加速度区间的轨迹点所占比例、行驶距离和停驶率;
每个加速度区间的轨迹点所占比例的计算公式如下:(i) (i)
式中, 为车辆V 的微行程TS 中处于绝对加速度区间ARk的轨迹点所占比例,p(i) (i)为微行程TS 中某一轨迹点, 为微行程TS 中轨迹点p的理论绝对加速度,count{}为对应集合的元素个数;
每个速度区间的轨迹点所占比例的计算公式如下:
(i) (i)
式中, 为车辆V 的微行程TS 中处于速度区间VRk的轨迹点所占比例, 为微(i)行程TS 中轨迹点p的理论速度,count{}为对应集合的元素个数;
每段微行程的行驶距离的计算公式如下:
(i) (i)
式中,di为微行程TS 中相邻两点间的距离, 为微行程TS 的行驶距离;
每段微行程的停驶率的计算公式如下:
(i) (i)
式中,p为微行程TS 中某一轨迹点, 为微行程TS 中轨迹点p的理论速度,count{}(i)为对应集合的元素个数, 为微行程TS 中速度为0的轨迹点所占比例;
步骤S2的车辆运动特征包括每段微行程的车辆途径道路特征,车辆途径道路特征计算公式如下:(i) (i) (i)
式中,RVj 为车辆V 的微行程TS 中匹配至第rj级道路上的轨迹点比例,rj为道路等级,j=1~5,分别对应高速公路、国道、省道、县道和乡镇道路;Rp为轨迹点p所匹配的道路等级,count{}为对应集合元素个数;
步骤S2的车辆运动特征包括车辆停留地点特征,车辆停留地点特征计算公式如下:(i) (i)
式中, 为车辆V 的所有停留点SS 中第sj类兴趣点占比最高的停留点所占比例,sj为兴趣点类型,j=1~5,分别对应公交站、服务区、长途汽车站、火车站和其他;q为车辆V(i)的某一停留点,POIq为停留点q的500米范围内占比最高的兴趣点类型,count{}为对应集合元素个数。
2.根据权利要求1所述的融合轨迹空间‑语义特征的车辆类型识别方法,其特征在于,步骤S1的停留点识别的具体操作为:选择某车辆轨迹点中移动距离小于距离阈值且理论速度小于速度阈值的轨迹点进行DBSCAN聚类,聚类以空间距离和速度差异为双邻域约束,聚类后每个簇分别对应该车辆的一个停留点。
3.根据权利要求2所述的融合轨迹空间‑语义特征的车辆类型识别方法,其特征在于,DBSCAN聚类的空间距离约束阈值Epss=500m、速度差异阈值Epsv=3m/s、最小点数阈值MinPts=10。
4.根据权利要求1所述的融合轨迹空间‑语义特征的车辆类型识别方法,其特征在于,步骤S1的微行程划分,是当相邻轨迹点时间间隔大于时间阈值或遇到停留点时,打断车辆轨迹,即得到各车辆行驶的微行程。
5.根据权利要求1~4任一项所述的融合轨迹空间‑语义特征的车辆类型识别方法,其特征在于,步骤S3中基于车辆运动特征和关联的地理语义特征,采用多核支持向量机、概率神经网络级配随机森林进行车辆类型识别。