基于轨迹数据的大规模路网交通拥挤时空关联规则挖掘.docx

第36

第36卷第1期2024年1月

Vol.36No.1Jan.2024

JournalofSystemSimulation

基于轨迹数据的大规模路网交通拥挤时空关联规则挖掘

周启帆1，刘海旭1,2,3,4*，董志鹏1，徐银1

(1.西南交通大学交通运输与物流学院，四川成都611756；2.西南交通大学综合交通大数据应用技术国家工程实验室，

四川成都611756；3.西南交通大学综合交通运输智能化国家地方联合工程实验室，四川成都610031；

4.西南交通大学综合运输四川省重点实验室，四川成都611756)

摘要：提出了K近邻RElim（Kneighbor-RElim，KNR）算法和时序K近邻RElim（sequentialKNbr-RElim，SKNR）算法，利用大规模路网的车辆轨迹数据来挖掘路段拥挤关联规则和拥挤传播时空关联规则。其中KNR算法在RElim算法基础上拓展了空间拓扑约束，可高效从大规模车辆轨迹数据集中挖掘路网中关联性拥挤易发路段，并量化这些路段间拥挤的关联性强度。而SKNR算法进一步以滑动窗口的形式拓展时间维度，可以挖掘出大规模路网中难以直接观测的拥挤传播现象，并追溯拥挤传播路径。以成都路网和车辆轨迹数据的挖掘结果对所提出的算法进行了说明和验证，结果表明了算法的有效性和鲁棒性。

关键词：数据挖掘；关联规则；拥挤传播；轨迹数据；RElim算法

中图分类号：TP301.6文献标志码：A文章编号：1004-731X(2024)01-0260-12

DOI:10.16182/j.issn1004731x.joss.22-0898

引用格式:周启帆,刘海旭,董志鹏,等.基于轨迹数据的大规模路网交通拥挤时空关联规则挖掘[J].系统仿真学报,2024,36(1):260-271.

Referenceformat:ZhouQifan,LiuHaixu,DongZhipeng,etal.Spatio-temporalAssociationRuleMiningofTrafficCongestioninaLarge-scaleRoadNetworkBasedonTrajectoryData[J].JournalofSystemSimulation,2024,36(1):260-271.

Spatio-temporalAssociationRuleMiningofTrafficCongestioninaLarge-scaleRoadNetworkBasedonTrajectoryData

ZhouQifan1,LiuHaixu1,2,3,4*,DongZhipeng1,XuYin1

(1.SchoolofTransportationandLogistics,SouthwestJiaotongUniversity,Chengdu611756,China;2.NationalEngineeringLaboratoryof

ApplicationTechnologyofIntegratedTransportationBigData,SouthwestJiaotongUniversity,Chengdu611756,China;3.NationalUnited

EngineeringLaboratoryofIntegratedandIntelligentTransportation,SouthwestJiaotongUniversity,Chengdu610031,China;

4.ComprehensiveTransportationKeyLaboratoryofSichuanProvince,SouthwestJiaotongUniversity,Chengdu611756,China)

Abstract:AKneighbor-RElim(KNR)algorithmandasequentialKNbr-RElim(SKNR)algorithmareproposedtominetrafficcongestionassociationrulesandcongestionpropagationspatio-temporalassociat