CN108961758A - 一种基于梯度提升决策树的路口展宽车道探测方法 - Google Patents

Abstract

本发明提供一种基于梯度提升决策树的路口展宽车道探测方法，包括进行数据输入、特征分析和特征选择，选择浮动车数据点在道路横截面上的分布宽度、分布密度、FCD的方向夹角以及速度；构建基本分类器，包括按照浮动车轨迹的运行场景，构建基本分类器；基于梯度提升决策树的车道计算，包括利用浮动车数据，参照基本分类器，根据梯度提升决策树分类方法，选取将FCD划分不同车道数量时，信息熵最小且该车道划分在横截面上最佳分布状态对应的分类个数作为该段道路对应的车道数目；展宽车道判定，包括对比同一道路上，不同研究单元对应的道路路段上车道数量变化情况，判断路口是否存在展宽车道。本发明提高了路口车道数判断的精度。

Description

一种基于梯度提升决策树的路口展宽车道探测方法

技术领域

本发明属于时空轨迹大数据技术领域，涉及一种基于梯度提升决策树的路口展宽车道探测方法。

背景技术

随着GPS定位技术的普及，越来越多的车辆安装了GPS接收机，这类车辆的轨迹几乎覆盖了城市的全部路网、路面[1,2]，这些时空GPS轨迹数据，为基于浮动车数据的道路信息获取技术提供了海量的历史数据。

利用时空GPS轨迹大数据提取城市路网、道路车道信息是目前研究的热门话题。本节从数据来源方面概述基于浮动车轨迹的道路车道数量计算和交叉路口展宽车道这两个方面的相关研究进展，总结现阶段研究成果，及现阶段存在的问题。

1)基于浮动车轨迹的道路车道数量计算

由于浮动车总是行驶在道路上，其实际行驶轨迹勾勒出城市路网的拓扑结构及车道变更信息等，国内外越来越多的研究人员开始利用浮动车轨迹获取城市道路信息。由于不同车辆安装的GPS定位装置精度不同，因此，现有的基于FCD(Floating Car Data，浮动车数据)的道路车道数量计算的方法，根据车辆本身的定位精度，可以分为：基于高质量GPS数据的道路车道数量计算和基于泛在FCD数据的道路车道数量计算。

(1)基于高质量GPS数据的道路车道数量计算

基于高质量GPS数据的道路车道数量计算方法，其数据来源通常是差分GPS(Difference Global Positioning System，DGPS)等高精度GPS轨迹数据。Wagstaff K.等探索了利用时空DGPS轨迹数据提取道路中心线以及车道边界线的方法，并且利用K均值算法对DGPS轨迹进行聚类处理，从聚类结果中获取车道信息[3]；其后，Fang等提出了一种脱离原始地图的道路信息获取方法，通过采取轨迹分类-聚类的方法获取道路信息，在利用高斯混合模型(Gaussian mixture model)获取道路车道信息[4]；Chen Y等采用轨迹分类和融合方法从大量DGPS轨迹数据中提取道路级别信息，利用高斯混合模型提取车道信息[5]；Edelkamp等采用了分层聚类算法对DGPD轨迹数据进行先聚类再分类，将聚类的簇中心作为车道中心线位置，而将聚类的类别个数作为车道数目[6]；Knoop V L等利用配备GPS-PPP(精密单点定位)的车辆轨迹数据，估计不同车道的位置和宽度[7]。上述研究利用高质量GPS轨迹数据获取道路信息，提取精细化到道路的车道信息、复杂交叉路口几何结构等，但该类方法均需要专业设备，存在数据采集成本高、更新周期长、工序复杂等问题。

(2)基于泛在FCD数据的道路车道数量计算

当前泛在、海量、低成本的浮动车轨迹数据中蕴含了丰富的道路交通信息，Uduwaragoda等利用核密度聚类方法，从GPS轨迹数据中探测车道数量和车道位置[8]。Wang等采用高采样频率的浮动车数据提取城市车道级别路网信息，并重点讲解了从低精度浮动车数据中探测交叉路口复杂路网的提取方法[9]。唐炉亮等对FCD进行特征分析，研究了基于朴素贝叶斯分类方法及高斯约束混合模型的车道数量获取方法[1-2]。该方法实现了从浮动车数据中快速获取车道数量信息，但其在道路交叉路口附近路段车道数量判断错误率较高，其原因在于未充分考虑交叉路口交通运行特性及其独特的几何结构。上述利用泛在FCD的道路车道数量计算的研究，均是基于时空轨迹分类理论。

在基于GPS的轨迹分类研究中，Jahangiri等[10]及Shafique等[11]使用决策树、支持向量机、朴素贝叶斯、条件随机域、K邻近、Bagging、随机森林以及GBDT(GradientBoost Decision Tree，梯度提升决策树)等分类手段对轨迹进行划分实验，均取得了较好的分类效果，其中，Shafique等[11]发现随机森林与GBDT分类精度最高。然而，这些轨迹分类的研究主要是利用GPS数据对出行方式进行分类，并未将基于集成学习的随机森林以及GBDT分类方法在道路车道信息划分中应用。

2)交叉路口展宽道路交通的研究

伴随城市的快速发展，道路交通系统所面临的压力逐渐增大，为提高交叉路口通行能力，展宽车道成为一种降低信号交叉路口拥堵程度的过度措施。据统计，在现有交叉路口中，普遍设置了展宽车道[12]。国外针对展宽车道的研究主要集中在车道选择模型与通行能力的分析方面[13-14]，Moon J P等对拓宽车道的运营评价问题进行研究，并对合流区的交通安全进行了评估[12]。唐炉亮等利用低频浮动车数据，自动识别城市路网交叉路口并提取路网下的交叉路口细节结构[15]。

当前的研究主要侧重于展宽段受交叉路口通行能力的影响，且数据均来自人工调查的方法。由于其数据量有限，从而并不能完全反应交叉路口的真实情况。与此同时，国内现有规范中对交叉路口拓宽设计都有相关的规定，但是存在规范标准不一，相互间有冲突矛盾的问题[1]。已有研究结果表明，展宽车道虽然可以在一定程度上提高交叉路口的通行能力，但由于其特殊的几何条件和运行特性，常会引发刮擦等道路交通事故[12,16]。由于浮动车数据的海量性与实时性，利用浮动车轨迹数据结合数据挖掘技术可以对交叉路口展宽的道路及时检测，以便分析路口变化情况，辅助路网导航数据更新。

参考文献

[1]唐炉亮,杨雪,阚子涵,等.一种基于朴素贝叶斯分类的车道数量探测[J].中国公路学报,2016,29(3):116-123.

[2]唐炉亮,杨雪,靳晨,等.基于约束高斯混合模型的车道信息获取[J].武汉大学学报·信息科学版,2017,42(3):341-347.

[3]Wagstaff K,Cardie C,Rogers S,et al.Constrained k-means clusteringwith background knowledge[C]//ICML.2001,1:577-584.

[4]Fang L N,Yang B S.Automated extracting structural roads frommobile laser scanning point clouds[J].Acta Geodaetica et CartographicaSinica,2013,42(2):261-267.

[5]Chen Y,Krumm J.Probabilistic modeling of traffic lanes from GPStraces[C]//Proceedings of the 18thSIGSPATIAL International Conference onAdvances in Geographic Information Systems.ACM,2010:81-88.

[6]Edelkamp S,S.Route planning and map inference with globalpositioning traces[J].Computer Science in Perspective,2003:128-151.

[7]Knoop V L,de Bakker P F,Tiberius C C J M,et al.Lane DeterminationWith GPS Precise Point Positioning[J].IEEE Transactions on IntelligentTransportation Systems,2017.

[8]Uduwaragoda E R I A C,Perera A S,Dias S A D.Generating lane levelroad data from vehicle trajectories using Kernel Density Estimation[C]//International IEEE Conference on Intelligent Transportation Systems.IEEE,2014:384-391.

[9]Wang J,Rui X,Song X,et al.A novel approach for generating routableroad maps from vehicle GPS traces[J].International Journal of GeographicalInformation Systems,2015,29(1):69-91.

[10]Jahangiri A,Rakha H A.Applying Machine Learning Techniques toTransportation Mode Recognition Using Mobile Phone Sensor Data[J].IEEETransactions on Intelligent Transportation Systems,2015,16(5):2406-2417.

[11]Shafique M A,Hato E.A Comparison among various ClassificationAlgorithms for Travel Mode Detection using Sensors'data collected bySmartphones[C]//International Conference on Computers in Urban Planning andUrban Management.2015.

[12]Moon J P,Reese P E,Michael P,et al.Evaluation of operations andsafety in a congested freeway merging area with auxiliary through lane[R].2012.

[13]Tarawneh M S,Tarawneh T M.Effect on utilization of auxiliarythrough lanes of downstream right-turn volume[J].Journal of transportationengineering,2002,128(5):458-464.

[14]Moriyama Y,Mitsuhashi M,Hirai S,et al.The effect on laneutilization and traffic capacity of adding an auxiliary lane[J].Procedia-Social and Behavioral Sciences,2011,16:37-47.

[15]唐炉亮,牛乐,杨雪,等.利用轨迹大数据进行城市道路交叉路口识别及结构提取[J].测绘学报,2017,46(6):770-779.

[16]马艳丽,高月娥,冷雪,等.信号交叉路口展宽车道交通运行特性[J].哈尔滨工业大学学报,2015,47(2):42-45.

[17]文常保,高丽红,方吉善,等.基于改进型限幅平均滤波法的高精度称重系统研究[J].传感技术学报,2014(5):649-653.

[18]GB50647-2011,城市道路交叉路口规划规范.中国计划出版社,北京,2011.

[19]苏涛.基于梯度提升树的行为式验证码人机识别的研究[D].武汉：华中师范大学,2016.

[20]Friedman J H.Greedy function approximation:a gradient boostingmachine[J].Annals of statistics,2001:1189-1232.

[21]刘璋温.赤池信息量准则AIC及其意义[J].数学的实践与认识,1980(3):65-73.

发明内容

本发明的目的在于克服现有技术缺陷，提供一种基于梯度提升决策树的路口展宽车道探测方法。

本发明技术方案提供一种基于梯度提升决策树的路口展宽车道探测方法，包括以下步骤：

步骤1，数据输入，包括输入浮动车数据和城市道路矢量图进行数据预处理，剔除浮动车轨迹中的漂移点，然后将浮动车数据划为交叉口处的浮动车数据和非交叉口处的浮动车数据，再分别根据轨迹所覆盖的道路，沿道路方向等间距分割，得到若干分隔段作为基本的研究单元；

步骤2，特征分析，包括交叉路口车道展宽变化特征分析，及与交叉口车道变化对应的FCD轨迹特征分析；

步骤3，特征选择，包括选择用于构建基本分类器和车道数量计算的4个特征参数，分别为浮动车数据点在道路横截面上的分布宽度、分布密度、FCD的方向夹角以及速度；

步骤4，构建基本分类器，包括按照浮动车轨迹的运行场景，构建基于FCD概率密度的车道数量的基本分类器；

步骤5，基于梯度提升决策树的车道计算，包括利用浮动车数据，参照基本分类器，根据梯度提升决策树分类方法，选取将FCD划分不同车道数量时，信息熵最小且该车道划分在横截面上最佳分布状态对应的分类个数作为该段道路对应的车道数目；

步骤6，展宽车道判定，包括对比同一道路上，不同研究单元对应的道路路段上车道数量变化情况，判断路口是否存在展宽车道。

而且，步骤4中，利用已知车道数量的路段上覆盖的浮动车数据作为训练样本，根据描述性统计方法，统计不同车道数量的路段上覆盖的浮动车数据4个特征参数分别的平均值，实现构建基本分类器。

而且，浮动车数据点在道路横截面上的分布宽度，是通过计算分割段内每个浮动车数据点到轨迹中心的欧式距离值获取。

而且，浮动车数据点在道路横截面上的分布密度提取方式如下，

沿分割段内轨迹中心线水平方向，将浮动车数据覆盖范围按等距分割为若干区间，计算各区间内轨迹点数量与分割段内总数量之比，得到各区间内的轨迹点密度；将任一浮动车数据点相应轨迹点所在区间的轨迹点密度，作为该浮动车数据点在道路横截面上的分布密度的取值。

本发明考虑到，快速探测时常变化的路口展宽车道信息，是车道级导航数据更新的主要工作之一；然而，采用专业测量、图像或视频解译、高质量GPS轨迹数据分析等探测车道数量的方法，存在周期长，费用高等问题，从交叉路口的浮动车数据空间分布的特征，以及道路车道数量检测的实际需求出发，在现有道路车道数量检测方法的基础上，从道路交叉路口的视角充分考虑交叉路口车道的几何结构及FCD在交叉路口车道的映射关系，本发明主要采用梯度提升决策树的方法，探讨了基于FCD的路口车道变化探测方法，提高了路口车道数判断的精度。

附图说明

图1为本发明实施例的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合附图和实施例，对本发明技术方案进一步详细说明。

参见图1，本发明实施例提供一种基于梯度提升决策树的路口展宽车道探测方法：

步骤1：数据输入，数据源包括以城市出租车为载体的浮动车数据和城市道路矢量图。

具体实施时可以预先进行数据收集，由于出租车行驶在城市道路中，其轨迹几乎覆盖了的城市的路网路面，且出租车数据是由出租车公司统一管理，因此选择以城市出租车为载体的浮动车数据。浮动车轨迹数据可采用GPS位置，即经纬度或(x,y)坐标。

输入数据后，为了提高数据精度，可以选择进一步对原始浮动车数据进行预处理，并采用现有的改进型限幅平均滤波算法[17]，剔除原始浮动车轨迹的漂移点。实施例中，首先对以城市出租车为载体的浮动车数据和城市道路矢量图，进行数据预处理，其中浮动车数据的粗差剔除采用现有的改进型限幅平均滤波算法，剔除浮动车轨迹中的漂移点，然后根据研究区域类型，将浮动车数据划为2类：交叉口处的浮动车数据和非交叉口处的浮动车数据，进行对比分析研究，再将不同类型的浮动车数据，根据其轨迹所覆盖的道路，沿道路方向，以10m等间距分割，得到实验研究的基本研究单元，即分割段。

步骤2：特征分析，包括交叉路口车道展宽变化特征分析，及与交叉口车道变化对应的FCD轨迹特征分析。

本发明实施例提出，首先对交叉路口车道展宽变化特征进行分析，然后分析浮动车数据在交叉口处，车道变化/车道未变化时浮动车表现的特征，最后与非交叉口处的浮动车轨迹数据的表现特征进行对比分析，得到在交叉口处/非交叉口处浮动车轨迹的变化特征规律。

具体实施时，可以分析交叉路口车道展宽变化特征，由于道路交叉路口增设展宽车道，相比同属道路的道路中段道路会产生车道数量改变；然后，采用聚类——分类算法，分析了车道展宽变化对应的道路面上浮动车的轨迹特征变化，包括轨迹几何特征变化和轨迹运动特征变化。采用描述性统计与文献分析相结合的方法，总结了交叉口车道展宽下浮动车轨迹的变化规律。最后，根据浮动车轨迹坐标位置，对各浮动车数据点的属性特征，在对应道路不同路段的变化趋势进行对比分析。为步骤3，步骤4奠定理论基础。

步骤3：特征选择，包括选择用于构建基本分类器和车道数量计算的若干特征参数。

首先从利用浮动车数据探测交叉口展宽车道的实际问题出发，根据上一步的特征分析结果，结合轨迹运动特征和轨迹几何特征，选取梯度提升决策树建模的4个参数。

实施例中，首先从利用浮动车数据探测交叉口展宽车道的实际问题出发(即，针对本发明要解决的两个主要问题：利用浮动车数据计算车道数量和利用浮动车数据探测路口展宽车道)；然后，根据上一步的特征分析结果，结合轨迹运动特征和轨迹几何特征，为梯度提升决策树建模的选取4个参数：浮动车数据点在道路横截面上的分布宽度d、分布密度ρ、FCD的方向夹角ɑ以及速度v，

设分割段X中包含n个FCD轨迹点：{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，x_i＝{d_i,ρ_i,α_i,v_i}为第i个轨迹点特征，i＝1,2,…,n。得到基本研究单元的特征参数集{x₁,x₂,…,x_n}，其中，x_i＝{d_i,ρ_i,α_i,v_i}。计算研究单元内浮动车轨迹点的特征平均值，即选取分割段中FCD的平均分布宽度、、平均分布密度、平均方向夹角以及平均速度，记为其中 用以描述研究单元内浮动车轨迹特征的整体情况，为步骤4构建基本分类器奠定数据基础。

本发明采用将分割段内的轨迹数据求解其到轨迹拟合中心线的欧氏距离，并结合已有基础路网信息，对目标路段上覆盖的浮动车数据进行宽度探测，同时记录下不同宽度情况下，轨迹点的密度，即满足当前宽度条件下的轨迹点占分割段内总数的比值。

步骤4：构建基本分类器，包括按照浮动车轨迹的运行场景，并结合现有国内的道路建设有关规范和标准，构建基于FCD概率密度的车道数量基本分类器，即基于浮动车数据的实验区车道数量探测基本分类器。

实施例中构建的基本分类器，是利用已知车道数量的路段上覆盖的浮动车数据作为训练样本，根据描述性统计方法，统计不同车道数量的路段上覆盖的浮动车数据特征参数的平均值，构建基于浮动车数据的实验区车道数量探测基本分类器。

由于利用GBDT算法进行建模，需要预先提供分类个数，因此需要利用已知车道数量类型的浮动车数据作为训练样本，采用统计方法构建浮动数据(特征参数)，与所在路面的车道数量一一对应的基本分类器，为GBDT建模，提供可能归属的分类数目(如，参照基本分类器，推测可能为3车道或4车道)。

FCD覆盖在道路面上的分布情形在一定程度上表征该道路的车道信息[1]，根据浮动车数据覆盖在路面的上的情形，用于推测该路面可能具有的车道数量。由于道路交叉路口的几何结构及交通运行特性有别于道路中段，因此为了使样本数据具有代表性，本发明按照浮动车轨迹的运行场景，并结合现有国内的道路建设有关规范和标准，将基于FCD概率密度的车道数量基本分类器划分为两类：交叉路口路段、非交叉路口路段。其后，对每类的训练样本提取特征的平均值将探测结果与样本已知车道数量构建基于FCD概率密度的车道分类器。以便待测样本(未知车道数量的分割段)根据分割段的FCD空间特征集的平均值参照基本分类器，推测可能归属的车道数量，从而代入GBDT模型确认车道数量。

步骤5：基于GBDT的车道数量获取，利用浮动车数据计算车道数量，采用GBDT模型，根据文献[19,20]提出的梯度提升决策树分类方法，其基本通过分析路面上浮动车数据的分布状态，进以推测GBDT模型的分类个数，以此比较不同分类组合后的GBDT模型，选取将FCD划分不同车道数量时，信息熵最小且该车道划分在横截面上最佳分布状态对应的分类个数作为该段道路对应的车道数目。

实施例首先根据研究单元内浮动车数据的特征参数平均值，参照基本分类器，推测浮动车数据覆盖的路面可能具有的车道数量(如3车道或4车道)，然后参照基本分类器推测的车道数量(即，推测GBDT模型的分类个数)，采用GBDT模型，选择文献[19,20]提出的梯度提升决策树分类方法，分别构建不同分类组合后的GBDT模型，最后，对比分析经过GBDT分类后，路面上浮动车数据的在各个车道上的分布状态，以此比较不同分类组合后的GBDT模型，选取将FCD划分不同车道数量时，信息熵最小，且该车道划分在基本研究单元相对应的道路横截面上，最佳分布状态对应的分类个数作为该段道路对应的车道数目，得到待测路段的车道数量。

实施例中，基于梯度提升决策树的车道计算实现方式如下：

GBDT(Gradient Boost Decision Tree)[19,20]是一个的非线性模型，是集成学习的代表方法之一。GBDT基于集成学习范畴中boosting的算法思想，每次迭代都在减少残差的梯度方向新建一棵决策树，通过迭代不断提高分类的准确性。本发明考虑到，在实际情况中，由于城市出租车定位的误差，以及车辆运动的影响，获取的轨迹位置点存在一定漂移，轨迹点在路面上的分布并不是直接反映出明确的车道数量，但每个轨迹点落在车道上的接近程度遵从几何分布，利用轨迹分布建立合理模型以获取车道数量。

由探测得到的轨迹数据覆盖宽度，结合基于FCD概率密度的实验区车道数量探测基本分类器，利用GBDT模型，以确认最终车道数量。基于FCD的车道数量获取采用GBDT模型，根据梯度提升决策树分类方法[20]，其基本通过分析路面上浮动车数据的分布状态，进以推测GBDT模型的分类个数，以此比较不同分类组合后的GBDT模型优劣，选取模型最优时对应的分类个数作为该段道路对应的车道数目。设分割段X中包含n个FCD轨迹点：{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，已知这n个点覆盖的道路面上具有K条车道，x_i＝{d_i,ρ_i,α_i,v_i}为第i个轨迹点特征，i＝1,2,…,n。

首先，将浮动车的空间坐标转换为浮动车数据的分布宽度，即计算分割段内每个浮动车数据点到轨迹中心的欧式距离值，从而将坐标位置转换为浮动车分布宽度d_i。

然后，沿分割段内轨迹中心线水平方向，将浮动车数据覆盖范围按间距d'等距分割为100区间，计算各区间内轨迹点数量与分割段内总数量n之比，得到各区间内的轨迹点密度，将第i个轨迹点所在区间的轨迹点密度取值作为ρ_i的取值，其中间距d'＝D_max/100，D_max为分割段内浮动车轨迹覆盖的最大宽度，(在某个分割段内，d_up为轨迹中心线以上，距离中心线最远的FCD点的距离；d_down为轨迹中心线以下，距离中心线最远的FCD点的距离；FCD在道路横截面上的覆盖宽度D_max＝|d_up|+|d_down|)。

最后，求取α_i和v_i，α_i是第i个FCD点的车头方向角，v_i是第i个FCD点的速度。

y_i为第i个点所在的车道类型(如，第1车道)，将损失函数定为L[y_i，F(x_i)]，F(x_i)记为由梯度提升树模型[20]识别的车道类型，迭代次数为M(即M棵树)，可分为K个类(即，该分割段有K条车道)，则

第0次迭代初始化梯度提升树模型F⁽⁰⁾(x_i)为定值，即

式中：x_i＝{d_i,ρ_i,α_i,v_i}为第i个轨迹点特征，γ为本次迭代初始化的车道类型；每次迭代找到决策树，要让样本的损失尽量变得更小，第m次迭代，即第m棵决策树h^(m-1)(x_i)划分结果的最佳残差拟合值为F^(m)(x_i)，第m-1颗决策树划分结果的拟合值为F^(m-1)(x_i)，残差γ_ik为

由式(2)得到新的训练集{(x_i,γ_ik)}(i＝1,2,..n)，当训练第m+1棵决策树h^(m)(x_i)时，对应的叶子节点区域为R_ik,k＝1,2,..K，k用于标识第k条车道，计算叶子区域的最佳拟合值

其中，x_i∈R_ik，c表示沿梯度下降方向的步长，由决策树h^(m)(x_i)和式(3)的叶子区域的最佳拟合值得到第m次更新模型为：

经过最大迭代次数M次得到最终决策树模型F^(M)(x_i)。选取已知车道数量FCD的作为训练样本，获取不同分类个数(即车道数量K)条件下，对应的梯度提升决策树模型。为获取待测道路分割段的车道数量，根据该分割段的FCD特征平均值参照基本分类器，推测该路段归属的车道数目的候选值(如：该分割段可能具有2条车道或3条车道)。利用不同分类组合的GBDT模型，将分割段中的FCD进行划分。由于每个分割段中的FCD，对应多个GBDT模型划分结果。通对不同组合模型分类结果进行统计，计算该分割段内浮动车数据的信息熵：

Num＝arg min F(k) (6)

其中，AIC为赤池信息量准则，它是建立在熵的基础上，可以用来衡量估计模型的复杂度和数据拟合的优良性[21]；Num为将FCD划分不同车道数量时，其在横截面上最佳分布状态所对应的车道数量为该分割段的车道数目；P_i为梯度提升决策树模型中，第i个轨迹点归属于第k条车道的概率，详见参考文献[1]中，即第k类的概率pk(x)的表达式计算公式。

结合统计结果及信息熵，选择将FCD划分不同车道数量时，其在横截面上最佳分布状态所对应的车道数量为该分割段的车道数目(Num)。步骤6：展宽车道判定，根据路口车道数量变化，判断路口是否存在展宽车道。

根据由分割段探测得到的车道数量，结合分割段类型，对属于同一道路不同分割段的车道数量进行对比，判断该道路车道数量是否发生变化。

例如，对同一道路中，连续分割段x₂-x₁₅的分类结果进行分析，可能出现交叉路口各分割段的车道探测结果不一致的情况，对比各分割段对应FCD分布特征，可以发现，该路口浮动车分布宽度的数据较为离散且轨迹覆盖宽度值的变化呈现逐渐降低趋势，结合分割段车道数量计算结果，得到路口处存在道路拓宽，即增加了一条车道。

具体实施时，以上技术方案可采用计算机软件技术实现自动运行流程。

为了更好地理解本发明的技术方案，下面运用本发明实施例的方法进行真实浮动车数据清洗实验。

1、真实浮动车数据介绍

轨迹数据为武汉市2013年8月共15天的出租车GPS轨迹，轨迹数据包括车辆ID、GPS时间、GPS经纬度等信息，轨迹采样频率为40s。

2、交叉路口车道变化类型分析及其对应的浮动车轨迹特征变化分析

根据城市交叉路口规划设计规范，结合目前实际存在平面交叉路口影像，目前常见的交叉路口道路车道(以进口车道^[58]为例)数量变化情况包括：交叉路口车道数量未变化、交叉路口右侧展宽1条车道或多条车道、交叉路口左侧展宽1条车道或多条车道、交叉路口双侧展宽2条车道或多条车道。

由于道路交叉路口增设展宽车道，相比同属道路的道路中段道路车道数量改变，对应的道路面上浮动车的轨迹特征也随之改变，包括轨迹几何特征变化和轨迹运动特征变化。在轨迹几何特征方面，主要指的是浮动车在行驶过程中，车辆由道路中段行经道路展宽渐变段到达交叉路口位置的过程中，由于道路交叉路口车道行驶方向限制，道路上的浮动车根据转向指引，在展宽渐变段变换车道，轨迹线也随之变化，故而浮动车轨迹在道路面上的覆盖宽度也随之增宽，同时到路面上各个车道的的轨迹平均分布密度降低。在轨迹运动特征方面，由于浮动车行驶换道，浮动车的瞬时行驶方向也发生变化，主要表现在浮动车的瞬时行驶方向与道路面轨迹行驶主方向夹角增大；同时，由于交叉路口交通信号转换，使得在交叉路口停车线附近，浮动车由于停车行为，使得浮动车处于停止状态，浮动车速度及方向夹角均为0，这类情况主要表现在，道路交叉路口车道中覆盖的浮动车数据，相比处于道路中段的浮动车数据，浮动车速度以及浮动车方向夹角均发生变化。

3、基于本发明方法的路口展宽车道计算

根据城市道路交叉路口规划规范[18]对同一道路划分区域，总结概括道路不同区域上覆盖的FCD空间分布特征，利用城市路网矢量图对道路进行划分区域，采用限幅平均滤波的方法剔除粗差并获取优选数据的特征参数，然后将一部分已知车道数量与FCD覆盖状态的路段作为训练样本，构建分类器，利用GBDT确认车道数量类型，最后对道路不同区域的车道加以对比分析，进而高效的检测道路交叉路口车道信息，尤其是路口展宽车道数量探测。

基于FCD的车道数量获取采用GBDT模型，根据文献[18,19]提出的梯度提升决策树分类方法，其基本通过分析路面上浮动车数据的分布状态，进以推测GBDT模型的分类个数，以此比较不同分类组合后的GBDT模型优劣，选取模型最小时对应的分类个数作为该段道路对应的车道数目。

4、真实路口展宽车道计算实验结果及评价

轨迹数据为武汉市2013年8月共15天的出租车GPS轨迹，轨迹数据包括车辆ID、GPS时间、GPS经纬度等信息，轨迹采样频率为40s。道路数据为2012年武汉市标准道路矢量数据。由于FCD轨迹数据为2013年的历史数据，为验证本实验的准确性，本文研究以武汉市武昌区较为典型的四条道路共计21个平面交叉路口，且在2013年至2014年期间没有进行施工建设的道路作为训练样本，展开实验研究。采用ArcGIS文件数据库存储道路数据，以.xls文件作为中间转换文件，采用Matlab软件FCD的滤波实验，GBDT分类算法采用的是scikit-learn库进行实验。

分别采用三种方法提取交叉路口及非交叉路口车道数，对比真实影像，计算各方法的正确率，如表1所示。

表1车道数量计算定量评价

采用本文方法探测道路交叉路口车道数量的总体精度为81.86％，探测非交叉路口车道数量的总体精度为83.89％，优于其他两种方法。通过分析原因可以总结为以下2点：①将道路划分交叉路口区域和非交叉路口区域，针对性的研究不同区域FCD的空间特征，分别构建GBDT分类模型，提升了对待测路段FCD模拟效果，提高了路口车道数判断的精度；②充分利用FCD中隐含GPS轨迹信息的属性数据，添加v，ɑ作为分类特征，对道路车道展宽渐变过程中，由单一变量d判断车道数量时，偏差较大的缺陷加以弥补，从而提高道路车道数量判断的整体精度。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于梯度提升决策树的路口展宽车道探测方法，其特征在于，包括以下步骤：

步骤1，数据输入，包括输入浮动车数据和城市道路矢量图进行数据预处理，剔除浮动车轨迹中的漂移点，然后将浮动车数据划为交叉口处的浮动车数据和非交叉口处的浮动车数据，再分别根据轨迹所覆盖的道路，沿道路方向等间距分割，得到若干分隔段作为基本的研究单元；

步骤2，特征分析，包括交叉路口车道展宽变化特征分析，及与交叉口车道变化对应的FCD轨迹特征分析；

步骤3，特征选择，包括选择用于构建基本分类器和车道数量计算的4个特征参数，分别为浮动车数据点在道路横截面上的分布宽度、分布密度、FCD的方向夹角以及速度；

步骤4，构建基本分类器，包括按照浮动车轨迹的运行场景，构建基于FCD概率密度的车道数量的基本分类器；

步骤5，基于梯度提升决策树的车道计算，包括利用浮动车数据，参照基本分类器，根据梯度提升决策树分类方法，选取将FCD划分不同车道数量时，信息熵最小且该车道划分在横截面上最佳分布状态对应的分类个数作为该段道路对应的车道数目；

步骤6，展宽车道判定，包括对比同一道路上，不同研究单元对应的道路路段上车道数量变化情况，判断路口是否存在展宽车道。

2.根据权利要求1所述基于梯度提升决策树的路口展宽车道探测方法，其特征在于：步骤4中，利用已知车道数量的路段上覆盖的浮动车数据作为训练样本，根据描述性统计方法，统计不同车道数量的路段上覆盖的浮动车数据4个特征参数分别的平均值，实现构建基本分类器。

3.根据权利要求1或2所述基于梯度提升决策树的路口展宽车道探测方法，其特征在于：浮动车数据点在道路横截面上的分布宽度，是通过计算分割段内每个浮动车数据点到轨迹中心的欧式距离值获取。

4.根据权利要求1或2所述基于梯度提升决策树的路口展宽车道探测方法，其特征在于：浮动车数据点在道路横截面上的分布密度提取方式如下，

沿分割段内轨迹中心线水平方向，将浮动车数据覆盖范围按等距分割为若干区间，计算各区间内轨迹点数量与分割段内总数量之比，得到各区间内的轨迹点密度；将任一浮动车数据点相应轨迹点所在区间的轨迹点密度，作为该浮动车数据点在道路横截面上的分布密度的取值。