تشخیص تقاطع جاده از طریق ترکیب مدل طبقه بندی و الگوریتم خوشه بندی بر اساس داده های GPS

چکیده

تقاطع های جاده ای برای شبکه های جاده ای ضروری هستند. نحوه تشخیص دقیق تقاطع های جاده ها بر اساس داده های GPS هنوز در سیستم های حمل و نقل هوشمند چالش برانگیز است. تشخیص تقاطع جاده شامل تشخیص تقاطع ها و شناخت محدوده آن است. آثار کمی در زمینه تشخیص محدوده تقاطع ها وجود دارد. روش های موجود همیشه بر تشخیص تقاطع جاده ها تمرکز دارند. این شامل دو بخش است: یکی انتخاب نقاط عطف از داده‌های GPS و استخراج ویژگی‌های هندسی آنها، دیگری خوشه‌بندی آنها در مختصات مرکزی تقاطع‌های جاده‌ای. با این حال، دقت تشخیص تقاطع جاده به دلیل دو اشکال، هنوز اتاق بهبود دارد: (۱) علاوه بر ویژگی‌های هندسی، ویژگی‌های فضایی کاوش شده از داده‌های GPS و تعامل بین همه ویژگی‌ها نیز برای نمایش معنایی تقاطع‌ها با دقت بیشتر مهم هستند، و (۲) نحوه گرفتن نقاط اطراف تقاطع‌ها برای خوشه‌بندی تأثیر زیادی بر دقت تشخیص تقاطع دارد. برای حل مشکلات قبلی، ما یک رویکرد جدید برای تشخیص تقاطع جاده از طریق ترکیب یک مدل طبقه‌بندی و الگوریتم خوشه‌بندی بر اساس داده‌های GPS، که شامل تشخیص مختصات مرکز و محاسبه شعاع تقاطع است، پیشنهاد می‌کنیم. در مرحله اول، ما ویژگی‌های هندسی و ویژگی‌های فضایی را از نقاط تاریخی GPS استخراج می‌کنیم. این ویژگی‌ها در مدل ماشین فاکتورسازی عمیق شدید (xDeepFM) وارد شده‌اند که برای گرفتن نقاط GPS در نزدیکی تقاطع‌های جاده‌ای استفاده می‌شود. ثانیاً نقاط پیشین در مختصات مرکزی تقاطع‌های جاده‌ای توسط الگوریتم Clustering فضایی مبتنی بر تراکم برنامه‌ها با نویز (DBSCAN) خوشه‌بندی می‌شوند. ثالثاً، ما یک روش جدید برای محاسبه شعاع با ادغام مثلث دلونی با ساختار دایره ای ارائه می کنیم. آزمایش‌ها بر روی داده‌های GPS چنگدو، چین انجام می‌شود. در مقایسه با برخی از روش‌های پیشرفته، رویکرد ما به دقت بالاتری در تشخیص تقاطع جاده‌ای بر اساس داده‌های GPS دست می‌یابد. دقت، فراخوانی، و اندازه گیری f روش تشخیص مختصات مرکز پیشنهادی ما به ترتیب ۹۹٫۰٪، ۹۲٫۷٪ و ۹۵٫۸٪ هنگامی که شعاع منطقه تطبیق ۳۰ متر است. همچنین خطای روش محاسبه شعاع پیشنهادی کمتر از ۲۶٫۵ درصد است. ما یک روش جدید محاسبه شعاع را با ادغام مثلث دلونی با ساختار دایره ای ارائه می کنیم. آزمایش‌ها بر روی داده‌های GPS چنگدو، چین انجام می‌شود. در مقایسه با برخی از روش‌های پیشرفته، رویکرد ما به دقت بالاتری در تشخیص تقاطع جاده‌ای بر اساس داده‌های GPS دست می‌یابد. دقت، فراخوانی، و اندازه گیری f روش تشخیص مختصات مرکز پیشنهادی ما به ترتیب ۹۹٫۰٪، ۹۲٫۷٪ و ۹۵٫۸٪ هنگامی که شعاع منطقه تطبیق ۳۰ متر است. همچنین خطای روش محاسبه شعاع پیشنهادی کمتر از ۲۶٫۵ درصد است. ما یک روش جدید محاسبه شعاع را با ادغام مثلث دلونی با ساختار دایره ای ارائه می کنیم. آزمایش‌ها بر روی داده‌های GPS چنگدو، چین انجام می‌شود. در مقایسه با برخی از روش‌های پیشرفته، رویکرد ما به دقت بالاتری در تشخیص تقاطع جاده‌ای بر اساس داده‌های GPS دست می‌یابد. دقت، فراخوانی، و اندازه گیری f روش تشخیص مختصات مرکز پیشنهادی ما به ترتیب ۹۹٫۰٪، ۹۲٫۷٪ و ۹۵٫۸٪ هنگامی که شعاع منطقه تطبیق ۳۰ متر است. همچنین خطای روش محاسبه شعاع پیشنهادی کمتر از ۲۶٫۵ درصد است. و f-measure روش تشخیص مختصات مرکز پیشنهادی ما به ترتیب ۹۹٫۰٪، ۹۲٫۷٪ و ۹۵٫۸٪ زمانی که شعاع منطقه تطبیق ۳۰ متر است. همچنین خطای روش محاسبه شعاع پیشنهادی کمتر از ۲۶٫۵ درصد است. و f-measure روش تشخیص مختصات مرکز پیشنهادی ما به ترتیب ۹۹٫۰٪، ۹۲٫۷٪ و ۹۵٫۸٪ زمانی که شعاع منطقه تطبیق ۳۰ متر است. همچنین خطای روش محاسبه شعاع پیشنهادی کمتر از ۲۶٫۵ درصد است.

کلید واژه ها:

سیستم حمل و نقل هوشمند ؛ تشخیص تقاطع جاده ; داده کاوی مسیر ; دستگاه فاکتورسازی عمیق شدید (xDeepFM) ؛ الگوریتم خوشه بندی ; مثلث سازی دلون

۱٫ مقدمه

با توسعه یک سیستم حمل‌ونقل هوشمند، استخراج دقیق اطلاعات دیجیتال جاده‌ای از داده‌های مسیر تاکسی به یک نگرانی و چالش بزرگ تبدیل می‌شود [ ۱ ]. به عنوان یکی از عناصر حیاتی در شبکه‌های جاده‌ای، تقاطع‌های جاده‌ای نقش مهمی در ساخت شبکه راه، برنامه‌ریزی مسیر و رانندگی خودکار دارند [ ۲ ، ۳ ، ۴ ]. برخی از راه‌های استخراج تقاطع‌های جاده‌ای در دهه‌های گذشته شامل نقشه‌برداری میدانی و تشخیص تصویر سنجش از دور است. مورد اول وقت گیر و هزینه کار بالایی دارد. روش دوم به راحتی توسط نویز تصویر مختل می شود [ ۵ , ۶ , ۷ , ۸]. فرآیند تولید تصاویر سنجش از دور نیاز به زمان طولانی دارد و منجر به دشواری در گرفتن تغییرات جاده در زمان می شود [ ۹ ]. برخی از شرکت‌ها در سال‌های اخیر از وسایل نقلیه اندازه‌گیری سیار برای جمع‌آوری اطلاعات جاده‌ها استفاده کرده‌اند که هنوز هزینه بالایی دارد و زمان‌بر است [ ۱۰ ].

با توجه به بلوغ فن آوری سیستم موقعیت یاب جهانی (GPS) و محبوبیت شهر هوشمند، وسایل نقلیه شهری بیشتر و بیشتر به دستگاه های GPS مجهز می شوند. دستگاه ها حجم زیادی از داده های مسیر GPS را ضبط می کنند. این داده‌های جی‌پی‌اس کم‌هزینه و گسترده، راه جدیدی برای استخراج خودکار جاده‌ها ارائه می‌کنند [ ۱۱ ، ۱۲ ، ۱۳ ، ۱۴ ].

از آنجایی که تقاطع ها بسیاری از خطوط را در جهت های مختلف به هم متصل می کنند، رانندگان اغلب قبل از عبور از جلو جهت خود را در تقاطع ها تغییر می دهند. یعنی نقاط عطف زیادی در اطراف تقاطع ها وجود دارد. بنابراین، رویکرد سنتی تشخیص تقاطع جاده ها همیشه از ویژگی های هندسی داده های GPS استفاده می کند که شامل زوایای چرخش و فواصل چرخش است. نقاط عطف شناسایی شده و سپس خوشه بندی می شوند تا مختصات مرکزی تقاطع های جاده باشند [ ۱ ، ۲ ، ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ]. با این حال، به دلیل عدم وجود برخی ویژگی های فضایی دیگر، هنوز جای پیشرفت وجود دارد.

تقاطع ها در محل اتصال چندین جاده قرار دارند. تعداد نقاط GPS در اطراف تقاطع ها به وضوح بیشتر از جاده های مستقیم در فواصل یکسان است. بنابراین علاوه بر ویژگی‌های هندسی، ویژگی‌های فضایی بیشتری به‌ویژه همسایگی فضایی تقاطع‌ها باید مورد توجه قرار گیرد. در رویکرد سنتی، تنها یک الگوریتم اعمال می شود. علاوه بر این، نحوه تشخیص دقیق شعاع تقاطع ها بر اساس این ویژگی ها نیز برای سیستم های حمل و نقل هوشمند حیاتی است. شعاع ها می توانند به ما در ایجاد یک نقشه با وضوح بالا کمک کنند [ ۲ ، ۱۹ ].

با انگیزه ایده قبلی، ما یک روش جدید برای تشخیص تقاطع جاده از طریق ترکیب یک مدل طبقه‌بندی و الگوریتم خوشه‌بندی بر اساس داده‌های GPS پیشنهاد می‌کنیم. این شامل دو بخش است: یکی تشخیص مختصات مرکز از طریق ترکیب مدل طبقه‌بندی و الگوریتم خوشه‌بندی، و دیگری محاسبه شعاع با ادغام مثلث دلونی با ساختار دایره‌ای شکل. سهم ما در سه جنبه نهفته است:

(۱): ما یک رویکرد جدید از تشخیص تقاطع جاده را از طریق ترکیب مدل ماشین فاکتورسازی عمیق (xDeepFM) و خوشه‌بندی فضایی مبتنی بر چگالی برنامه‌ها با الگوریتم نویز (DBSCAN) پیشنهاد می‌کنیم. آزمایش‌ها نشان می‌دهند که رویکرد ما در مقایسه با برخی مدل‌های طبقه‌بندی پیشرفته و الگوریتم‌های خوشه‌بندی به دقت بالاتری می‌رسد.
(۲): روش جدیدی برای محاسبه شعاع با ادغام مثلث دلونی با ساختار دایره ای ارائه شده است. می تواند شعاع تقاطع ها را با خطای کمتری نسبت به روش تانگ [ ۲ ] که یکی از روش های معمولی در این زمینه است محاسبه کند.
(۳): برخی از ویژگی‌های فضایی در بخش ۳٫۱ برای کشف پیشنهاد شده‌اند و همراه با ویژگی‌های هندسی در xDeepFM وارد می‌شوند. علاوه بر ویژگی‌های هندسی، ویژگی‌های فضایی کاوش شده از داده‌های GPS و تعاملات بین همه ویژگی‌ها نیز برای نمایش دقیق‌تر معنایی تقاطع‌ها مهم هستند. آزمایش‌های بخش ۴٫۱ نشان می‌دهد که ویژگی‌های فضایی بهتر از ویژگی‌های جغرافیایی عمل می‌کنند، و تعامل بین تمام ویژگی‌ها توسط xDeepFM باعث بهبود عملکرد تشخیص تقاطع جاده‌ها می‌شود.

این مقاله به صورت زیر سازماندهی شده است: بخش ۲ کار مربوط به شناسایی تقاطع های جاده را از داده های مسیر GPS مرور می کند. بخش ۳ روش پیشنهادی برای تشخیص تقاطع های جاده را شرح می دهد. بخش ۴ مجموعه ای از نتایج و تحلیل های تجربی را ارائه می دهد. در نهایت، نتیجه گیری در بخش آخر مورد بحث قرار می گیرد.

۲٫ کارهای مرتبط

تشخیص تقاطع جاده یک نقطه داغ در داخل و خارج از کشور است. تشخیص تقاطع جاده شامل تشخیص تقاطع ها و شناخت محدوده آن است. آثار کمی در زمینه تشخیص محدوده تقاطع ها وجود دارد. روش های موجود همیشه بر تشخیص تقاطع جاده ها تمرکز دارند. روش های پیشرفته به روش های مبتنی بر خوشه بندی و روش های مبتنی بر طبقه بندی تقسیم می شوند. آثار مرتبط در جدول ۱ گردآوری شده است.

روش‌های مبتنی بر خوشه‌بندی، مختصات مرکزی تقاطع‌های جاده‌ای را ایجاد می‌کنند. مختصات مرکز با شکل “(طول و عرض جغرافیایی)” نشان داده می شود. روش Wu [ ۱۵ ] زاویه چرخش را برای بدست آوردن نقاط عطف محاسبه می کند. از نقاط برای استخراج نقاط جدید نزدیک به مرکز تقاطع‌های جاده‌ها، خوشه‌بندی نقاط و ایجاد مختصات مرکزی تقاطع‌های جاده‌ای استفاده می‌کند. روش تان [ ۱۶] تقاطع جاده را به عنوان منطقه ای تعریف می کند که اتومبیل ها مسیرهای چرخشی متراکم زیادی را ترک می کنند. این منحنی‌های چرخشی را به مختصات مرکزی تقاطع‌های جاده‌ای تبدیل می‌کند. سپس از الگوریتم دایره متحدالمرکز برای محاسبه شعاع تقاطع جاده ها استفاده می کند. در نهایت، شعاع تقاطع جاده، جهت حرکت تقاطع جاده را محاسبه می کند. روش لی [ ۱۷ ] از الگوریتم خوشه بندی Mean Shift برای ادغام خط مرکزی جاده استفاده می کند. این الگوریتم تجزیه و تحلیل اجزای اصلی (PCA) و استراتژی Deep First را برای اطمینان از شکل جاده ترکیب می کند و از تقاطع خط برای تشخیص تقاطع های جاده استفاده می کند. روش تانگ [ ۲] جفت های نقطه عطف را استخراج می کند و آنها را بر اساس آستانه های زاویه و فاصله خوشه می کند. برای تشخیص تقاطع‌های مختلف جاده، نقاط عطف را با استفاده از الگوریتم خوشه‌بندی اتصال نقطه‌ای مبتنی بر محلی (LPC) خوشه‌بندی می‌کند. روش وانگ [ ۱۸ ] مناطق با چگالی بالا را بین جاده‌های همسایه محاسبه می‌کند و از الگوریتم خوشه‌بندی Mean Shift برای خوشه‌بندی نقاط با چگالی بالا استفاده می‌کند. روش دنگ [ ۲۰ ] تعریف می کند که تجزیه و تحلیل نقطه داغ می تواند تشخیص دهد که آیا یک منطقه یک تقاطع جاده است یا خیر. با استفاده از مثلث سازی Delaunay، نقاط منطقه داغ را خوشه بندی می کند و مختصات مرکزی تقاطع های جاده را ایجاد می کند. روش لی [ ۱] یک استراتژی یکپارچه است. در فضای برداری، از الگوریتم Peak Density Clustering (PDC) برای خوشه بندی نقاط GPS استفاده می کند. در فضای شبکه، یک الگوریتم مورفولوژی ریاضی را برای تشخیص تقاطع‌های جاده‌ای اتخاذ می‌کند. سپس، نتایج فضای بردار و شبکه با هم ادغام می‌شوند و مختصات مرکزی تقاطع‌های جاده‌ای را ایجاد می‌کنند. زی و همکاران [ ۲۱ ] اتصال نقاط فرعی مشترک را شناسایی می کند، اتصالات را با استفاده از الگوریتم تخمین تراکم هسته (KDE) ارزیابی می کند و مختصات تقاطع جاده را تولید می کند. روش Xie [ ۲۲ ] از برنامه‌ریزی پویا (DP) برای شناسایی مسیرهای فرعی مشترک داده‌های GPS استفاده می‌کند، نقطه شروع و نقطه پایان را به عنوان یک اتصال به هم مرتبط می‌کند و با استفاده از الگوریتم KDE برای شناسایی تقاطع‌ها، محاسبه مکان تقاطع‌های جاده‌ای.

روش‌های مبتنی بر خوشه‌بندی موجود همیشه شامل دو بخش است: یکی انتخاب نقاط عطف از داده‌های GPS و استخراج ویژگی‌های هندسی آنها، دیگری خوشه‌بندی آنها در مختصات مرکزی تقاطع‌های جاده‌ای. با این حال، دقت تشخیص تقاطع جاده‌ها به دلیل دو اشکال، هنوز دارای اتاق بهبود است: (۱) علاوه بر ویژگی‌های هندسی، ویژگی‌های فضایی کاوش شده از داده‌های GPS و تعاملات بین همه ویژگی‌ها نیز برای نمایش معنایی تقاطع‌ها با دقت بیشتر مهم هستند، و (۲) ) نحوه گرفتن نقاط اطراف تقاطع ها برای خوشه بندی تاثیر زیادی در دقت تشخیص تقاطع دارد.

رویکرد دیگر، روش‌های مبتنی بر طبقه‌بندی، اخیراً توجه زیادی را به خود جلب کرده است. این تمرکز بر چگونگی تعیین اینکه آیا یک منطقه یک تقاطع جاده است یا خیر. فتحی و همکاران [ ۲۳ ] از بسیاری از داده‌های نقشه مرتبط برای آموزش توصیف‌گر شکل استفاده می‌کند و تعیین می‌کند که یک منطقه فرعی تقاطع جاده‌ای است. روش گائو [ ۱۳ ] منطقه را در یک مجموعه شبکه ترسیم می کند و داده های آموزشی را با استفاده از مجموعه می سازد. مدل K-نزدیکترین همسایه (KNN) برای طبقه بندی جایی که یک منطقه فرعی یک تقاطع جاده است استفاده می شود. وان و همکاران [ ۱۹] با استفاده از فاصله Hausdorff برای محاسبه شباهت بین مسیرها، مسیر را به دو جهت چرخشی و جهت غیر چرخشی تقسیم کرد. مدل درخت تصمیم برای طبقه بندی جایی که یک مسیر یک مسیر چرخشی است استفاده می شود. محل تقاطع جاده ها با خوشه بندی مسیرهای چرخشی تعیین می شود. روش چن [ ۱۰ ] الگوریتمی را برای جبران تعداد نقطه عطف داده‌های GPS با فرکانس پایین، با استفاده از مثلث‌سازی Delaunay برای خوشه‌بندی نقاط عطف پیشنهاد می‌کند. الگوریتم خوشه‌بندی مجموعه منطقه را تولید می‌کند و تقاطع جاده را جمع‌آوری می‌کند. در نهایت، این مقاله از الگوریتم نازک‌سازی برای فیلتر کردن تقاطع‌های جاده‌ای اشتباه استفاده می‌کند.

روش‌های مبتنی بر خوشه‌بندی عمدتاً نقاط عطف را از داده‌های GPS استخراج می‌کنند و سپس نقاط عطف را با استفاده از الگوریتم‌های مختلف خوشه‌بندی می‌کنند. روش‌های مبتنی بر طبقه‌بندی اغلب از شباهت هندسی برای تشخیص تقاطع‌های جاده‌ها استفاده می‌کنند. هر دو زاویه چرخش و شباهت هندسی نیز ویژگی های هندسی هستند که قادر به تشخیص تقاطع های جاده هستند [ ۲ ]]. با این حال، روش‌های پیشرفته، ویژگی‌های لایه عمیق را نادیده می‌گیرند و شعاع تقاطع جاده باید محاسبه شود. بنابراین، فضاهایی برای افزایش دقت تشخیص تقاطع جاده وجود دارد. بنابراین، این مقاله روشی را با ترکیب یک مدل طبقه‌بندی و یک الگوریتم خوشه‌بندی برای تشخیص تقاطع‌های جاده‌ای پیشنهاد می‌کند. این روش دقت مختصات مرکزی تقاطع های جاده را افزایش می دهد و شعاع تقاطع های جاده را محاسبه می کند.

۳٫ مواد و روش ها

چارچوب روش پیشنهادی در شکل ۱ نشان داده شده است . ابتدا ویژگی های هندسی و مکانی نقاط GPS را استخراج می کنیم و سپس آنها را در یک ماتریس ادغام می کنیم. ماتریس ویژگی برای آموزش در مدل xDeepFM وارد می شود. مدل آموزش دیده xDeepFM برای تقسیم نقاط GPS به نقاط مثبت و منفی استفاده می شود. نقاط مثبت اطراف تقاطع ها هستند و نقاط منفی نه. ثانیاً، نقاط مثبت در مختصات مرکزی تقاطع‌های جاده‌ای توسط الگوریتم DBSCAN خوشه‌بندی می‌شوند. در نهایت، شعاع تقاطع‌های جاده‌ای با ادغام مثلث دلونی با ساختار دایره‌ای محاسبه می‌شود. در اینجا، ما محدوده یک تقاطع را به عنوان یک شکل دایره ای در نظر می گیریم که می تواند توسط مختصات مرکز و شعاع تعیین شود.

۳٫۱٫ استخراج ویژگی و مدل طبقه بندی

علاوه بر ویژگی‌های هندسی، ویژگی‌های فضایی کاوش شده از داده‌های GPS و تعاملات بین همه ویژگی‌ها نیز برای نمایش دقیق‌تر معنایی تقاطع‌ها مهم هستند. ویژگی های هندسی شامل زوایای چرخش، فواصل چرخش و مقادیر بولی نقاط عطف است. ویژگی های فضایی در تعداد نقاط عطف و مجموع مقادیر عناصر هشت محله گنجانده شده است. آنها به شرح زیر توصیف می شوند.

(۱): زوایای چرخش درجه تغییر جهت به عنوان زاویه چرخش توصیف می شود. هنگامی که جهت تغییر می کند، زاویه چرخش وسیله نقلیه بزرگتر از مسیر مستقیم است [ ۲ ]. هر چه زاویه چرخش یک نقطه مسیر بزرگتر باشد، احتمال اینکه در تقاطع باشد بیشتر است. در شکل ۲ ، A، B و C نقاط GPS ثبت شده به ترتیب زمانی هستند. زاویه چرخش نقطه B که در شکل ۲ نشان داده شده است، مطابق با رابطه (۱) محاسبه می شود.

θ=آrججoسآب⇀·بسی⇀آب⇀×بسی⇀

(۱)

(۲): فواصل چرخشی فاصله چرخش فاصله بین نقطه فعلی و خط پیوند نقاط مجاور آن است. در شکل ۳ ، A، B و C نقاط GPS ثبت شده به ترتیب زمانی هستند. شکل ۳ a نشان می دهد که h1 فاصله چرخش نقطه B است. مقدار h1 بزرگتر از h2 در شکل ۳ است. این بدان معناست که فاصله چرخشی ایجاد شده در هنگام تغییر جهت وسیله نقلیه بزرگتر از فاصله زمانی است که وسیله نقلیه مستقیم می رود. هر چه وسیله نقلیه بیشتر تغییر جهت دهد، فاصله گردش بیشتر است. هر چه فاصله چرخش بیشتر باشد، احتمال اینکه وسیله نقلیه در یک تقاطع قرار گیرد بیشتر می شود.

(۳): مقادیر بولی نقاط عطف در این مقاله اگر زاویه چرخش نقطه بزرگتر از ۱۵ باشد نقطه عطف است. در غیر این صورت نقطه عطف نیست. معمولاً در تقاطع ها نقاط عطف بیشتری نسبت به غیرتقاطع ها وجود دارد [ ۲ ]. نقاط عطف بیشتر در تقاطع ها هستند تا نقاط غیر عطف.
(۴): تعداد نقاط عطف. وو و همکاران [ ۱۵ ] معتقدند بسیاری از نقاط عطف بر روی یک تقاطع متمرکز می شوند و تقاطع و غیرتقاطع را می توان با توجه به تراکم نقاط عطف تشخیص داد. بنابراین، تعداد نقاط عطف اطراف یک نقطه مسیر یکی از ویژگی های این مقاله محسوب می شود. هر چه نقاط چرخش در اطراف یک نقطه مسیر بیشتر باشد، احتمال اینکه نقطه مسیر در یک تقاطع قرار گیرد، بیشتر می شود.
(۵): مجموع مقادیر عناصر هشت محله. در ادبیات [ ۱ ]، نقاط مسیر به شبکه‌ها ترسیم می‌شوند و روشی برای تعیین نقاط نامزد تقاطع پیشنهاد شده است که دقت تشخیص مکان مرکز تقاطع را بهبود می‌بخشد. بنابراین، این مقاله ابتدا از یک مقیاس شبکه ای خاص برای تقسیم منطقه آزمایشی استفاده می کند. سپس این مقاله نقاط مسیر را به شبکه های مربوطه ترسیم می کند و مقادیر عناصر هر شبکه را تنظیم می کند. اگر نقاطی در شبکه وجود داشته باشد، مقدار عنصر شبکه ۱ است. در غیر این صورت ۰ است.

روش محاسبه این ویژگی در شکل ۴ نشان داده شده است . ابتدا شبکه ای که هر نقطه در آن قرار دارد به دست می آید. در مرحله دوم، مقادیر عناصر هشت شبکه همسایگی در اطراف این شبکه ها به دست می آید. در نهایت، مقادیر عناصر در هشت محله اضافه می شود. نتیجه افزودن به عنوان مقدار ویژگی استفاده می شود. هر چه مجموع مقادیر عناصر هشت محله از یک نقطه مسیر بزرگتر باشد، احتمال اینکه در تقاطع باشد بیشتر است.

ما به صورت دستی ۱۱۰ تقاطع را در منطقه آزمایشی OpenStreetMap برچسب گذاری می کنیم و سپس هر نقطه GPS برچسب گذاری می شود. اگر فاصله بین نقطه و مرکز نزدیکترین تقاطع کوچکتر از آستانه باشد، برچسب یک نقطه را ۱ قرار می دهیم. در غیر این صورت، ۰ است. نقاط دارای برچسب ۱ مثبت و نقاط دارای برچسب ۰ منفی هستند. همانطور که در شکل ۵ نشان داده شده است ، ماتریس ویژگی توسط سه عامل ساخته می شود: ویژگی های هندسی، ویژگی های مکانی و برچسب ها.

مدل ماشین فاکتورسازی عمیق شدید (xDeepFM) [ ۲۴ ] یکی از پیشرفته ترین مدل های طبقه بندی است. ساختار آن در شکل ۶ نشان داده شده است ، از جمله یک ماشین فاکتورسازی (FM)، یک شبکه عصبی عمیق (DNN)، و یک شبکه تعامل فشرده (CIN). بخش FM برای استخراج تعامل ویژگی های مرتبه پایین استفاده می شود. بخش DNN برای ثبت تعامل ویژگی های با مرتبه بالا و پنهان استفاده می شود. بخش CIN برای حفاری برهمکنش ویژگی سطح استفاده می شود. این سه بخش ورودی و خروجی یکسانی را از طریق نرمال سازی، نتیجه طبقه بندی شده نهایی را به اشتراک می گذارند.

۳٫۲٫ تشخیص تقاطع جاده

در این مقاله، تشخیص تقاطع جاده شامل تشخیص مختصات مرکزی تقاطع های جاده و محاسبه شعاع تقاطع جاده است. ما از الگوریتم‌های خوشه‌بندی برای گرفتن مختصات مرکزی تقاطع‌های جاده‌ای استفاده می‌کنیم. برای به دست آوردن عملکرد عالی، یک آزمایش مقایسه ای در بخش ۴٫۳ بین الگوریتم K-means، الگوریتم سلسله مراتبی تجمعی (AHC) و الگوریتم DBSCAN ابداع کردیم. نتیجه در بخش ۴٫۳ نشان می دهد که دقت الگوریتم DBSCAN بالاتر از سایرین است. الگوریتم پیشنهادی، با نام الگوریتم تشخیص مختصات مرکز از طریق ترکیب مدل طبقه‌بندی و الگوریتم خوشه‌بندی، به شرح زیر ارائه می‌شود.

الگوریتم ۱ : الگوریتم تشخیص مختصات مرکزی از طریق ترکیب مدل طبقه بندی و الگوریتم خوشه بندی.

مرحله ۱: تمام نقاط را به صورت بازدید نشده مقداردهی کنید.
مرحله ۲: اگر همه نقاط بازدید شده است، مجموعه خوشه خروجی C را به دست آورید. در غیر این صورت، به طور تصادفی یک نقطه p را از نقاط بازدید نشده انتخاب کنید و آن را به عنوان بازدید شده برچسب گذاری کنید.
مرحله ۳: p_neighbor نقاط همسایه p است. عدد همسایه p را p_num محاسبه کنید.
مرحله ۴: اگر p_num بزرگتر از آستانه N است، یک آرایه c و یک آرایه X بسازید. p را در c و p_neighbor را در X جمع آوری کنید. در غیر این صورت، p را به عنوان نویز برچسب گذاری کنید.
مرحله ۵: اگر تمام نقاط X بازدید شده است، به مرحله ۸ بروید. در غیر این صورت، یک نقطه بازدید نشده در X را انتخاب کنید و آن را به عنوان بازدید شده برچسب بزنید.
مرحله ۶: تعداد x_num نقاط همسایه x را بشمارید. x_neighbor نشان دهنده نقاط همسایه x است.
مرحله ۷: اگر x_num بزرگتر از N است، x را در c، x_neighbor را در X جمع کنید و به مرحله ۵ برگردید.

شعاع یک تقاطع جاده پس از تشخیص مختصات مرکز محاسبه می شود. ما مساحت یک تقاطع جاده را به عنوان یک دایره در نظر می گیریم که به عنوان ناحیه I در دایره آبی در شکل ۷ نشان داده شده است. شعاع آن میانگین R1 و R2 است. هر دو R1 و R2 به صورت دستی بر اساس تصاویر سنجش از دور برای ارزیابی در بخش ۴٫۲ برچسب گذاری شده اند . ما پیشنهاد می‌کنیم که الگوریتم مثلث‌سازی Delaunay را با شکل دایره برای تعیین شعاع تقاطع‌ها ادغام کنیم. شکل دایره مانند ادبیات [ ۲ ] است. برای یک خوشه، برخی از نقاط ممکن است از نقاط دیگر دور باشند که نقاط پرت نامیده می شوند. تانگ و همکاران [ ۲] فاصله بین مرکز خوشه و دورترین نقطه را به عنوان شعاع تقاطع محاسبه کنید. این روش به دلیل نقاط پرت به راحتی باعث خطاهای غیرقابل قبول می شود. برای حذف این نقاط پرت، از الگوریتم مثلث سازی دلونای [ ۲۵ ، ۲۶ ] استفاده می کنیم زیرا برای گرفتن روابط مجاورت بین نقاط فضایی [ ۱۰ ] مفید است. این روش توسط الگوریتم ۱ قابل پیاده سازی است.

در این مقاله، مجاورت طول دو نقطه نزدیک است. این روش توسط الگوریتم ۲ قابل پیاده سازی است.

الگوریتم ۲ : الگوریتم محاسبه شعاع با ادغام مثلث دلونی با ساختار دایره

مرحله ۱: برای یک خوشه c در C، مکان مرکزی آن را محاسبه کرده و آن را به عنوان تقاطع I برچسب گذاری کنید.
مرحله ۲: از مثلث سازی Delaunay در c استفاده کنید و نتیجه را به عنوان D برچسب گذاری کنید.
مرحله ۳: طول هر یال را به صورت e محاسبه کنید و جمع آوری کنید. آنها را در یک آرایه صعودی Y.
مرحله ۴: e در بالای L% برچسب گذاری به عنوان e_length را انتخاب کنید، لبه هایی را که طول آنها بزرگتر از e_length است حذف کنید و نقاط مرتبط با آن لبه ها را بردارید.
مرحله ۵: فاصله بین نقاط باقیمانده در c و تقاطع I را محاسبه کنید و حداکثر فاصله را به عنوان شعاع تقاطع I استفاده کنید.

در شکل ۸ الف، دایره قرمز شعاع تقاطع قبل از حذف نقاط پرت است. پس از حذف نقاط پرت، شعاع تقاطع جاده دایره سبز رنگ در شکل ۸ ب است.

در آزمایش‌های خود، از داده‌های GPS مسیر تاکسی‌ها در ۲ کیلومتری جاده Wenwu در چنگدو استفاده می‌کنیم. این منطقه حدود ۲ کیلومتر × ۲ کیلومتر است. داده ها توسط پروژه طرح DiDi chuxing GAIA ارائه شده است که شامل ID DRIVER، ORDER ID، LATITUDE، LONGITUDE و TIMESTAMP است. داده ها از ۱ تا ۷ نوامبر ۲۰۱۶، شامل ۵۳۵۸۷۵ سفارش و ۵۳۶۵۵۵۷۵ نقطه مسیر GPS جمع آوری شد. در این مجموعه داده، مجموعه ای از نقاط مسیر با همان ORDER ID یک مسیر تاکسی را نشان می دهد. برای محاسبه ویژگی های نقاط مسیر، نقاط مسیر را به گروه های مختلف تقسیم می کنیم. یک گروه نشان دهنده یک بخش مسیر است. نقاط مسیر با ORDER ID یکسان در یک گروه قرار دارند. برخی از مسیرهایی که فقط حاوی چند نقطه هستند برای استخراج ویژگی مناسب نیستند. بنابراین، ما مسیرها را حذف می کنیم که کمتر از ۴ امتیاز است.

۴٫ نتایج و بحث

محیط آزمایشی مقاله مجهز به CPU Core i5، رم ۸GM و ویندوز ۱۰ است. برای اجرای روش پیشنهادی از Python استفاده شده است. این مقاله از بسته‌های حاوی Pytorch، Sklearn و Folium برای ساخت ابزاری برای تجسم نتایج آزمایش و واجد شرایط بودن دقت آزمایش استفاده می‌کند.

۴٫۱٫ ارزیابی عملکرد تشخیص تقاطع جاده

برای تخمین عملکرد تشخیص تقاطع جاده، برخی از مدل‌های طبقه‌بندی معمولی را مقایسه می‌کنیم، مانند مدل K-نزدیک‌ترین همسایه (KNN) [ ۱۳ ]، مدل رگرسیون لجستیک (LR) [ ۲۷ ]، مدل ماشین فاکتورسازی (FM) [ ۲۸ ]. ]، و مدل ماشین فاکتورسازی عمیق (DeepFM) [ ۲۹ ]. در آزمایش‌ها، DBSCAN [ ۳۰ ] را به عنوان الگوریتم خوشه‌بندی اتخاذ می‌کنیم.

شکل ۹ تقاطع های جاده ای را نشان می دهد که با روش پیشنهادی در منطقه آزمایشی شناسایی شده اند. دایره های قرمز موقعیت تقاطع ها هستند. شکل ۹ a-c نمونه هایی از انواع تشخیص اشتباه را نشان می دهد. نوع اشتباه ۱ (WT1) به معنای نوع تقاطع های کشف نشده است. دلیل آن این است که نقاط GPS در اطراف یک تقاطع بسیار پراکنده هستند تا بتوان یک خوشه مطابق با تقاطع واقعی توسط DBSCAN بدست آورد. نوع اشتباه ۲ (WT2) نوع تقاطع هایی است که به اشتباه شناسایی شده اند. همیشه زمانی اتفاق می افتد که دو تقاطع به قدری نزدیک باشند که در یک تقاطع اشتباه جمع شوند. شکل ۹ d-e نمونه‌هایی از تقاطع‌های منطبق را ارائه می‌کند که شامل شکل “X” و شکل “T” است.

ما OpenStreetMap را به‌عنوان شبکه جاده‌ای مرجع استفاده می‌کنیم. تقاطع هایی که توسط OpenStreetMap برچسب گذاری شده اند به عنوان حقایق زمینی در نظر گرفته می شوند. در اینجا، ما یک منطقه تطبیقی را تعیین می کنیم که در ادبیات [ ۲ ، ۱۳ ] به آن اشاره شده است تا قضاوت کنیم که آیا تقاطع های شناسایی شده با OpenStreetMap سازگار هستند یا خیر. اگر فاصله بین یک تقاطع شناسایی شده و حقیقت زمین متناظر آن کوتاهتر از شعاع منطقه تطبیق باشد، آن را به عنوان یک ضربه راست تشخیص تقاطع جاده در نظر می گیریم. شعاع ناحیه تطبیق آستانه فاصله نیز نامیده می شود. عملکرد تشخیص با معیارهایی مانند Precision، Recall و F-Measure ارزیابی می‌شود. جدول ۲ نتایج ارزیابی را نشان می دهد.

ما می توانیم از جدول ۲ دو نتیجه بگیریم : (۱) عملکرد روش های مختلف با افزایش مناطق تطبیق افزایش می یابد. (۲) روش پیشنهادی ما بدیهی است که از روش های دیگر بهتر عمل می کند. به خصوص هنگامی که شعاع ناحیه تطبیق ۳۰ متر باشد، متریک های دقت، یادآوری، و اندازه گیری F به ترتیب ۹۹، ۹۲٫۷، و ۹۵٫۸ درصد به دست می آیند. مدل KNN برای ایجاد تعاملات ویژگی دشوار است. مدل LR خطی است و فاقد تعامل ویژگی است. مدل FM می تواند تعامل ویژگی های مرتبه دوم را ایجاد کند، اما نمی تواند تعامل ویژگی های مرتبه بالا را یاد بگیرد. DeepFM نمی تواند سطح تعامل ویژگی را یاد بگیرد. تعامل ویژگی که آموخته است غیرقابل کنترل است [ ۲۴]. مدل xDeepFM تعامل ویژگی های مرتبه پایین و مرتبه بالا را ایجاد می کند و تعامل ویژگی های پنهان و سطحی را ایجاد می کند و دقت تشخیص مختصات مرکزی را عالی می کند.

۴٫۲٫ ارزیابی عملکرد رایانش شعاع

شکل ۱۰ شعاع یکی از تقاطع های جاده را نشان می دهد. نقطه آبی نشان دهنده محل تقاطع جاده OpenStreetMap است. دایره آبی شعاع تقاطع جاده OpenStreetMap است. نقاط سبز نقاط مثبت هستند. نقطه قرمز نشان دهنده مختصات مرکز شناسایی شده یک تقاطع جاده است. دایره قرمز شعاع محاسبه شده یک تقاطع جاده است. میانگین خطای شعاع، آvgrآتیمنo، شعاع محاسبه شده را کمی می کند. را آvgrآتیمنoدر رابطه (۲) قابل محاسبه است.

آvgrآتیمنo=(1n∑من=۱nrدهتیهجتیمن-rgتیمنrgتیمن)×۱۰۰%

(۲)

nتعداد تقاطع های جاده ای شناسایی شده است. rدهتیهجتیشعاع محاسبه شده تقاطع های جاده را نشان می دهد. rgتیشعاع برچسب‌گذاری شده دستی تقاطع‌های جاده‌ای است. هر چه پایین تر آvgrآتیمنoمقدار خطای شعاع تقاطع محاسبه شده کمتر است و نتیجه محاسبه شعاع تقاطع دقیق تر است. شعاع محاسبات و نتایج آزمایش مقایسه در شکل ۱۱ نشان داده شده است.

در شکل ۱۱ a، محور Y است آvgrآتیمنo، و محور X لبه های L بالای آرایه پس از فرآیند مثلث سازی دلونی است. در مثلث سازی Delaunay، نقاطی که به لبه های بلندتر از L% بالا متصل می شوند حذف می شوند. شعاع محاسبه شده با روش تانگ [ ۲ ] حداکثر فاصله بین مرکز خوشه و دورترین نقطه، خط خاکستری مستقیم با ۴۴٫۱۱٪ است. آvgrآتیمنoدر شکل ۱۱ الف. از شکل ۱۱ الف می توان دریافت که خطای روش پیشنهادی کمتر از روش تانگ است [ ۲ ]. وقتی مقدار L 30% باشد آvgrآتیمنoکوچکترین است، ۲۶٫۵٪. الگوریتم مثلث سازی Delaunay می تواند نقاط پرت را در داخل تقاطع ها حذف کند. بنابراین محاسبه شعاع تقاطع را دقیق تر می کند و نتایج تجربی آن را ثابت می کند.

۴٫۳٫ مقایسه عملکرد الگوریتم های خوشه بندی و ماتریس های ویژگی

برای انتخاب یک الگوریتم خوشه‌بندی مناسب برای رویکرد خود، یک آزمایش مقایسه‌ای بین سه الگوریتم خوشه‌بندی معمولی ایجاد می‌کنیم: الگوریتم خوشه‌بندی سلسله مراتبی تجمعی (AHC)، الگوریتم‌های خوشه‌بندی K-means (K-means)، و خوشه‌بندی فضایی مبتنی بر چگالی برنامه های کاربردی با الگوریتم نویز (DBSCAN). نتایج مقایسه در شکل ۱۲ نشان داده شده است. مشاهده می کنیم که الگوریتم DBSCAN زمانی که ناحیه تطبیق بزرگتر از ۱۰ متر باشد، از سایر الگوریتم های خوشه ای بهتر عمل می کند. الگوریتم AHC بهتر از K-means است. F-Measure آن ۹۱٫۷% و F-Measure الگوریتم DBSCAN به ۹۵٫۸% می رسد.

ویژگی های هندسی و فضایی به ترتیب برای تشخیص تقاطع جاده اعمال می شود. شکل ۱۳ اثرات آنها را نشان می دهد. از شکل ۱۳ می توان استنباط کرد که ویژگی های فضایی موثرتر از ویژگی های هندسی عمل می کنند و ترکیب هر دو بهترین عملکرد را به دست می آورد.

۴٫۴٫ بحث

تشخیص تقاطع جاده بر اساس داده های GPS می تواند به سه عبارت تقسیم شود: انتخاب نقطه ویژگی، استخراج ویژگی و خوشه بندی نقطه ویژگی. بخش ۴٫۳ سه مشاهدات را به ما می دهد: (۱) DBSCAN عملکرد بهتری از K-means و AHC دارد. (۲) ویژگی‌های فضایی بهتر از ویژگی‌های هندسی عمل می‌کنند، و (۳) ترکیب ویژگی‌های هندسی و فضایی می‌تواند بهبود بیشتری به دست آورد. بنابراین، انتخاب نقطه ویژگی ارزش توجه بسیاری را دارد. روش های موجود همیشه بر انتخاب نقاط عطف تمرکز دارند. نقاط عطف اطراف تقاطع ها هستند، اما کمی از مختصات مرکز تقاطع ها فاصله دارند. آخرین اما نه کم اهمیت، تعداد نقاط عطف پس از انتخاب بسیار کم است.

در این مقاله، نقاط GPS را با xDeepFM به دو دسته تقسیم می‌کنیم: یک کلاس در اطراف تقاطع‌های جاده‌ای و دسته دیگر در بخش‌های جاده. علاوه بر نقاط عطف، کلاس قبلی شامل بسیاری از نقاط GPS در نزدیکی مراکز تقاطع است که هنگام عبور وسایل نقلیه از تقاطع ها ثبت می شود. وقتی این نقاط در الگوریتم خوشه‌بندی قرار می‌گیرند، مراکز خوشه‌بندی نسبت به بسیاری از روش‌های موجود به تقاطع‌ها نزدیک‌تر هستند.

در آینده، ما در مورد استحکام روش پیشنهادی که نسبت به اندازه منطقه تشخیص و تعداد نقاط یا تقاطع های GPS است بحث خواهیم کرد. مدل xDeepFM یکی از پیشرفته ترین مدل های طبقه بندی است. مقایسه با سایر مدل‌های طبقه‌بندی نیز ارزشمند است، به ویژه مدل‌های یادگیری عمیق در ادبیات [ ۳۱ ، ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ، ۳۶ ، ۳۷ ، ۳۸ ، ۳۹ ]. علاوه بر این، پیشرفت اخیر خود [ ۴۰ ، ۴۱ ] را برای تشخیص محدوده تقاطع ها اعمال خواهیم کرد .

۵٫ نتیجه گیری ها

تشخیص تقاطع جاده برای سیستم های حمل و نقل هوشمند ضروری است. شناسایی دقیق یک تقاطع و تشخیص شعاع آن بر اساس داده های GPS هنوز چالش برانگیز است. رویکرد سنتی همیشه سه مرحله را طی می کند: اول، انتخاب نقاط عطف و استخراج ویژگی های هندسی آنها. در مرحله بعد، آنها را به عنوان مراکز تقاطع ها خوشه بندی کنید. با این حال، عملکرد به دلیل جنبه های زیر به اندازه کافی خوب نیست: (۱) برخی از ویژگی های فضایی دیگر نادیده گرفته می شوند، مانند ویژگی های همسایگی تقاطع ها. (۲) الگوریتم منفرد استفاده می شود. (۳) محدوده تقاطع ها به ندرت در نظر گرفته می شود.

با پرداختن به این مشکلات، ما یک رویکرد جدید برای تشخیص تقاطع جاده از طریق ترکیب مدل طبقه‌بندی و الگوریتم خوشه‌بندی بر اساس داده‌های GPS پیشنهاد می‌کنیم. این شامل دو بخش است: یکی تشخیص مختصات مرکز از طریق ترکیب مدل طبقه‌بندی و الگوریتم خوشه‌بندی است. دیگری محاسبه شعاع با ادغام مثلث دلونی با ساختار دایره شکل است. علاوه بر این، ما مجموعه‌ای از آزمایش‌ها را برای ارزیابی روش‌های پیشنهادی خود بر روی مجموعه داده‌های GPS چنگدو ارائه می‌کنیم که توسط پروژه طرح DiDi chuxing GAIA ارائه شده است. در مقایسه با برخی از روش‌های پیشرفته، رویکرد ما به دقت بالاتری در تشخیص تقاطع جاده‌ها دست می‌یابد. دقت، فراخوانی، و اندازه گیری f روش تشخیص مختصات مرکز پیشنهادی ما به ترتیب ۹۹٫۰٪، ۹۲٫۷٪ و ۹۵٫۸٪ هنگامی که شعاع منطقه تطبیق ۳۰ متر است.

منابع

لی، اس. شیانگ، ال. ژانگ، سی. Gong, J. استخراج تقاطع های شبکه جاده های شهری بر اساس داده های مسیر تاکسی فرکانس پایین. J. Geo-Inf. علمی ۲۰۱۹ ، ۲۱ ، ۱۸۴۵-۱۸۵۴٫ [ Google Scholar ]
تانگ، ال. نیو، ال. یانگ، ایکس. ژانگ، ایکس. لی، کیو. Xiao، S. تشخیص تقاطع شهری و ساخت بر اساس داده های ردیابی بزرگ. Acta Geod. کارتوگر. گناه ۲۰۱۷ ، ۴۶ ، ۷۷۰-۷۷۹٫ [ Google Scholar ]
چنگ، اف. شیانگ، ال. Shao, X. مدل فرآیند توپولوژیکی پویا مسیر شبکه و کاربرد آن در تجزیه و تحلیل اطلاعات ترافیک. جی. ژئومات. ۲۰۱۹ ، ۴۴ ، ۳۹-۴۳٫ [ Google Scholar ]
جپسن، تی. جنسن، سی. نیلسن، T. گراف شبکه های کانولوشنال برای شبکه های جاده ای. در مجموعه مقالات بیست و هفتمین کنفرانس بین‌المللی ACM SIGSPATIAL در مورد پیشرفت‌ها در سیستم‌های اطلاعات جغرافیایی، شیکاگو، IL، ایالات متحده آمریکا، ۵ تا ۸ نوامبر ۲۰۱۹؛ صص ۴۶۰-۴۶۳٫ [ Google Scholar ]
چیانگ، ی. Knoblock، C. شهابی، ج. Chen, C. استخراج خودکار و دقیق تقاطع جاده ها از نقشه های شطرنجی. GeoInformatica ۲۰۰۹ ، ۱۳ ، ۱۲۱-۱۵۷٫ [ Google Scholar ] [ CrossRef ]
کای، اچ. Yao, G. استخراج خودکار تقاطع جاده از تصویر سنجش از دور با وضوح بالا. سنسور از راه دور Nat. منبع. ۲۰۱۶ ، ۲۸ ، ۶۳-۷۱٫ [ Google Scholar ]
وانگ، ال. لیو، ز. جین، اف. Wang, F. تحقیق در مورد الگوریتم تشخیص خودکار تقاطع جاده. علمی Surv. نقشه ۲۰۲۰ ، ۴۵ ، ۱۲۶-۱۳۱٫ [ Google Scholar ]
Jiang, Y. تحقیق در مورد استخراج جاده تصویر سنجش از دور بر اساس شبکه عصبی کانولوشن. EURASIP J. Image Processing Video ۲۰۱۹ ، ۱ ، ۳۱٫ [ Google Scholar ] [ CrossRef ]
لی، ایکس. Zhang, Y. خلاصه ای از روش های استخراج اطلاعات جاده. گاو نر Surv. نقشه ۲۰۲۰ ، ۶ ، ۲۲-۲۷٫ [ Google Scholar ]
چن، بی. دینگ، سی. رن، دبلیو. Xu, G. دوره طبقه بندی گسترده تشخیص تقاطع جاده را از داده های مسیر GPS با فرکانس پایین بهبود می بخشد. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۱۸۱٫ [ Google Scholar ] [ CrossRef ]
وو، اچ. هوانگ، آر. شما، ال. Xiang، L. پیشرفت اخیر در داده کاوی مسیر تاکسی. Acta Geod. کارتوگر. گناه ۲۰۱۹ ، ۴۸ ، ۱۳۴۱-۱۳۵۶٫ [ Google Scholar ]
گان، م. چینگ، اس. لیو، ایکس. Li, D. بررسی کاربرد داده های مسیر کامیون در سیستم حمل و نقل بزرگراه. J. Transp. سیستم مهندس Inf. تکنولوژی ۲۰۲۱ ، ۲۱ ، ۹۱-۱۰۱٫ [ Google Scholar ]
گائو، ی. وانگ، دی. فنگ، اچ. Shi, Y. شناسایی تقاطع های شهری با مسیرهای GPS. داده آنال. بدانید. کشف کنید. ۲۰۱۹ ، ۳ ، ۲۴-۳۴٫ [ Google Scholar ]
وی، ی. تینگ، آ. Wei, L. روشی برای استخراج اطلاعات مرز جاده از مسیرهای GPS وسایل نقلیه جمع سپاری. Sensors ۲۰۱۸ , ۱۸ , ۱۲۶۱٫ [ Google Scholar ]
وو، جی. زو، ی. کو، تی. Wang, L. تشخیص تقاطع‌های جاده‌ای از ردیابی درشت GPS بر اساس خوشه‌بندی. جی. کامپیوتر. ۲۰۱۳ ، ۸ ، ۲۹۵۹-۲۹۶۵٫ [ Google Scholar ]
تان، ایکس. وانگ، جی. آهنگ، X. خو، سی. وانگ، سی. تشخیص تقاطع‌های جاده‌ای با استفاده از داده‌های شناور خودرو. Geogr. Geo-Inf. علمی ۲۰۱۵ ، ۳۱ ، ۳۴-۳۸٫ [ Google Scholar ]
لی، ال. لی، دی. زینگ، ایکس. یانگ، اف. رانگ، دبلیو. زو، اچ. استخراج تقاطع‌های جاده‌ای از ردیابی GPS بر اساس جهت‌گیری غالب جاده‌ها. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۴۰۳٫ [ Google Scholar ] [ CrossRef ]
وانگ، جی. وانگ، سی. آهنگ، X. رغوان، وی. تشخیص تقاطع خودکار و قوانین ترافیکی توسط ماینینگ مسیرهای GPS موتور خودرو. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۷ ، ۶۴ ، ۱۹-۲۹٫ [ Google Scholar ] [ CrossRef ]
وان، ز. لی، ال. یانگ، م. ژو، X. مدل درخت تصمیم برای استخراج ویژگی تقاطع جاده از داده های مسیر خودرو. Acta Geod. کارتوگر. گناه ۲۰۱۹ ، ۴۸ ، ۱۳۹۱-۱۴۰۳٫ [ Google Scholar ]
دنگ، م. هوانگ، جی. ژانگ، ی. لیو، اچ. تانگ، ال. تانگ، جی. یانگ، ایکس. تولید مدل‌های تقاطع جاده‌های شهری از داده‌های مسیر GPS فرکانس پایین. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۸ ، ۳۲ ، ۲۳۳۷–۲۳۶۱٫ [ Google Scholar ] [ CrossRef ]
Xie، X. فیلیپس، W. تشخیص تقاطع جاده از طریق یافتن مسیرهای فرعی مشترک بین ردپای GNSS جفتی. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۳۱۱٫ [ Google Scholar ] [ CrossRef ]
Xie، X. لیائو، دبلیو. آقاجان، ح. ویلارت، پی. فیلیپس، دبلیو. تشخیص تقاطع‌های جاده‌ای از ردیابی GPS با استفاده از طولانی‌ترین الگوریتم متداول بعدی. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۱٫ [ Google Scholar ] [ CrossRef ]
فتحی، ع. Krumm, J. تشخیص تقاطع جاده ها از ردیابی GPS. در مجموعه مقالات کنفرانس بین المللی علم اطلاعات جغرافیایی، زوریخ، سوئیس، ۱۴-۱۷ سپتامبر ۲۰۱۰٫ Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۰; صص ۵۶-۶۹٫ [ Google Scholar ]
لیان، جی. ژو، ایکس. ژانگ، اف. چن، ز. Xie، X. Sun، G. xdeepfm: ترکیب تعاملات مشخصه و ضمنی برای سیستم های توصیه کننده. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی ACM SIGKDD در زمینه کشف دانش و داده کاوی، لندن، بریتانیا، ۱۹ تا ۲۳ اوت ۲۰۱۸؛ صفحات ۱۷۵۴-۱۷۶۳٫ [ Google Scholar ]
آی، تی. که، اس. یانگ، م. Li, J. تولید پاکت و ساده‌سازی چند خطوط با استفاده از مثلث‌سازی Delaunay. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۲۹۷-۳۱۹٫ [ Google Scholar ] [ CrossRef ]
تانگ، ال. رن، سی. لیو، ز. لی، کیو. روش پالایش نقشه راه با استفاده از مثلث سازی دلون برای داده های ردیابی بزرگ. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۴۵٫ [ Google Scholar ] [ CrossRef ]
ژنگ، دبلیو. ژو، ایکس. لی، اچ. وو، اچ. Tang, Z. سیستم شناسایی و شناسایی ایمنی محوطه شنتینگ بر اساس تحلیل فضایی GIS و یادگیری عمیق. J. Saf. محیط زیست ۲۰۲۰ ، ۲۰ ، ۴۲۳-۴۳۲٫ [ Google Scholar ]
Rendle, S. ماشین آلات فاکتورسازی. در مجموعه مقالات دهمین کنفرانس بین المللی IEEE در مورد داده کاوی، سیدنی، استرالیا، ۱۴ تا ۱۷ دسامبر ۲۰۱۰٫ صص ۹۹۵–۱۰۰۰٫ [ Google Scholar ]
گوا، اچ. تانگ، آر. بله، ی. لی، ز. He, X. DeepFM: یک شبکه عصبی مبتنی بر ماشین فاکتورسازی برای پیش‌بینی CTR. در مجموعه مقالات بیست و ششمین کنفرانس مشترک بین المللی هوش مصنوعی، ملبورن، استرالیا، ۱۹ تا ۲۵ اوت ۲۰۱۷؛ صفحات ۱۷۲۵-۱۷۳۱٫ [ Google Scholar ]
سان، ال. جیا، ال. وی، ز. لی، جی. پیش‌بینی تقاضای سفر تاکسی بر اساس داده‌های GPS. J. Transp. Inf. Saf. ۲۰۲۱ ، ۳۹ ، ۱۲۸-۱۳۶٫ [ Google Scholar ]
سانتوش، ک. دوگرا، دی. روی، پی. Mitra, A. طبقه بندی مسیر وسیله نقلیه و تشخیص ناهنجاری ترافیک در فیلم ها با استفاده از معماری ترکیبی CNN-VAE. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۲ ، ۲۳ ، ۱۱۸۹۱-۱۱۹۰۲٫ [ Google Scholar ] [ CrossRef ]
سانتوش، ک. دوگرا، دی. روی، P. مدل خوشه‌بندی افزایشی ناشناخته زمانی برای تجزیه و تحلیل ویدیوهای نظارت ترافیک. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۸ ، ۲۰ ، ۱۷۶۲-۱۷۷۳٫ [ Google Scholar ] [ CrossRef ]
سانتوش، ک. دوگرا، دی. روی، P. نظریه صف، برنامه ریزی هوشمند ترافیک را از طریق تجزیه و تحلیل ویدئویی با استفاده از مدل مخلوط فرآیند دی ریچله هدایت کرد. سیستم خبره Appl. ۲۰۱۹ ، ۱۱۸ ، ۱۶۹-۱۸۱٫ [ Google Scholar ]
لی، جی. زی، اچ. یو، ال. گائو، ایکس. Zhang, Y. ویژگی‌کاوی متمایز بر اساس اطلاعات فرکانس و یادگیری متریک برای تشخیص جعل چهره. IEEE Trans. دانستن مهندسی داده ۲۰۲۱ ، ۱٫ [ Google Scholar ] [ CrossRef ]
دای، اچ. شی، اچ. لیو، دبلیو. وانگ، ال. لیو، ی. Mei, T. FasterPose: یک خط پایه ساده سریعتر برای تخمین ژست انسان. ACM Trans. چندتایی. محاسبه کنید. اشتراک. Appl. ۲۰۲۲ ، ۱۸ ، ۱-۱۶٫ [ Google Scholar ] [ CrossRef ]
هو، ز. زی، اچ. یو، ال. گائو، ایکس. شانگ، ز. Zhang، Y. یادگیری فدرال با آگاهی پویا برای تشخیص ویدیوی جعل چهره. ACM Trans. هوشمند سیستم تکنولوژی ۲۰۲۲ ، ۱۳ ، ۱-۲۵٫ [ Google Scholar ] [ CrossRef ]
وانگ، ایکس. لیو، دبلیو. چن، جی. وانگ، ایکس. یان، سی. Mei, T. گوش کنید، نگاه کنید و یکی را پیدا کنید: جستجوی قوی افراد با شاخص چندوجهی. ACM Trans. چندتایی. محاسبه کنید. اشتراک. Appl. ۲۰۲۰ ، ۱۶ ، ۱-۲۰٫ [ Google Scholar ] [ CrossRef ]
هونگ، جی. کیم، بی. دوگرا، دی. روی، پی. بررسی تکنیک‌های تشخیص جاده در زمان واقعی با استفاده از حسگر رنگ بصری. J. Multimed. Inf. سیستم ۲۰۱۸ ، ۵ ، ۹-۱۴٫ [ Google Scholar ]
احمد، س. دوگرا، دی. کار، اس. روی، P. تحلیل نظارتی مبتنی بر مسیر: یک بررسی. IEEE Trans. سیستم مدار. فناوری ویدئو ۲۰۱۸ ، ۲۹ ، ۱۹۸۵-۱۹۹۷٫ [ Google Scholar ] [ CrossRef ]
ژائو، ی. یانگ، دبلیو. لیو، ی. Liao, Z. کشف الگوهای انتقال در بین کلاس‌های ویژگی OpenStreetMap بر اساس روش Louvain. ترانس. GIS ۲۰۲۱ ، ۲۶ ، ۲۳۶-۲۵۸٫ [ Google Scholar ] [ CrossRef ]
لیائو، ز. شیائو، اچ. لیو، اس. لیو، ی. یی، الف. ارزیابی تأثیر چراغ‌های راهنمایی از طریق مسیرهای وسیله نقلیه GPS. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۷۶۹٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ چارچوب روش پیشنهادی.

شکل ۲٫ زاویه چرخش نقطه B θ. نقاط A، B و C نقاط GPS هستند که به ترتیب زمانی ثبت می شوند.

شکل ۳٫ فواصل گردش در دو موقعیت: ( الف ) فاصله چرخش زمانی که یک تاکسی جهت را تغییر می دهد. ( ب ) فاصله چرخش وقتی تاکسی مستقیم می رود. نقاط A، B و C نقاط GPS هستند که به ترتیب زمانی ثبت می شوند.

شکل ۴٫ مقادیر عناصر هشت محله.

شکل ۵٫ ماتریس ویژگی که توسط ویژگی های هندسی، ویژگی های فضایی و برچسب ها ساخته شده است.

شکل ۶٫ ساختار مدل xDeepFM.

شکل ۷٫ شعاع یک تقاطع جاده: ( الف ) تقاطع های جاده ای شکل. ( ب ) تقاطع های جاده ای شکل T.

شکل ۸٫ ادغام الگوریتم مثلث سازی دلونی با شکل دایره: ( الف ) قبل از حذف نقاط پرت. ( ب ) پس از حذف نقاط پرت.

شکل ۹٫ تقاطع های جاده شناسایی شده با روش پیشنهادی در منطقه آزمایشی.

شکل ۱۰٫ محاسبه شعاع تقاطع جاده.

شکل ۱۱٫ مقایسه عملکرد بین روش تانگ [ ۲ ] و روش ما برای محاسبه شعاع و تشخیص مختصات مرکز: ( الف ) میانگین خطای محاسبه شعاع تقاطع ها. ( ب ) دقت تشخیص مرکز مختصات تقاطع ها.

شکل ۱۲٫ مقایسه عملکرد سه الگوریتم خوشه معمولی.

شکل ۱۳٫ مقایسه عملکرد ماتریس های ویژگی های مختلف.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام