1.基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：包括如下步骤：步骤1，采集路口渠化信息，提取路口监控视频数据完成数据清洗；

步骤2，针对不同车辆ID实现单条轨迹分析，提取数据特征点，确定车辆轨迹；

步骤3，基于LCSS算法和层次聚类算法实现路口车辆轨迹聚类，划分出车辆轨迹模式类型，识别出正常车辆轨迹和异常车辆轨迹；

步骤4，基于步骤3模式分析的车辆轨迹类型提取出单一模式正常车辆轨迹，进一步对单一模式车辆轨迹分析，识别出单一模式下异常车辆轨迹和正常车辆轨迹；

步骤5，基于步骤3和4中的异常车辆轨迹，对路口状况进行分析。

2.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤1中，具体包括如下分步骤：步骤1-1，对路口类型及其渠化信息进行采集；

步骤1-2，基于单位时间段内路口监控视频根据不同车辆ID提取出原始轨迹点，记为P(f,x,y)，其中f表示帧数，x和y表示轨迹点坐标数值；

步骤1-3，基于原始轨迹点P在二维坐标内绘制出车辆原始轨迹点，从中确定缺失重要特征数据和不正确数据并进行剔除，实现原始轨迹点清洗；其中缺失重要特征数据为偏离数据，其可组成短路径但偏离线路走向，不正确数据即无法平滑连接的密集散点集，其无法构成路径轨迹。

3.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤2中，具体包括如下分步骤：步骤2-1，基于同一车辆ID下的原始轨迹数据P进行分析，在统计时间段T内对单位时间提取定量数据实现轨迹特征点提取；

步骤2-2，基于提取的特征点进行轨迹绘制，根据f帧数大小排列，确定车辆轨迹，记为TR＝{P|pi，1≤i≤n，n为轨迹点数}。

4.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤3中，具体包括如下分步骤：步骤3-1，控制相似度阈值γ，确定簇数K的范围，基于层次聚类算法确定相似度阈值γ下最佳聚类簇数Kopi以及其聚类结果；

步骤3-2，重复步骤3-1，调整相似度阈值γ，重复求解出不同相似度阈值γ下的最佳聚类簇数Kopi，记为 其中l表示相似度阈值序号，其中相似度阈值γl数值取整数；同时各 下含有最优簇数的组内距均值 和组内距步骤3-3，基于 求解出不同相似度阈值γl的组内均方差 和组间均方差 根据组内均方差 和组间均方差 确定最优阈值γopi及其最优组数Kopi；

步骤3-4，基于最佳阈值γopi和最优聚类簇数Kopi，确定车辆轨迹的聚类结果，识别出车辆轨迹模式类型，确定正常车辆轨迹和异常车辆轨迹；

具体来说，基于步骤3-3确定的最佳阈值γopi和最优聚类簇数Kopi进行车辆轨迹层次聚类，根据步骤1的路口渠化信息，对聚类的车辆轨迹模式进行分类，将根据路口渠化流向下划分以外的车辆轨迹默认为异常车辆轨迹，其余则为正常车辆轨迹。

5.根据权利要求4所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤3-1中，包括如下分步骤：步骤3-1-1，控制相似度阈值γ，通过LCSS算法确定两两轨迹之间的最长公共子序列和最长公共子序列相似度距离；

步骤3-1-2，根据上一步骤的最长公共子序列相似度距离列出相似度矩阵S[a][b]，即为邻近矩阵；

步骤3-1-3，确定聚类簇数K的范围；具体来说，根据步骤1的路口渠化信息确定聚类簇数K的最小数值；

步骤3-1-4，给定簇数K，不断重复步骤3-1-1和3-1-2得到层次聚类的聚类结果；

步骤3-1-5，根据步骤3-1-3给定的簇范围确定出控制相似度阈值γ一定时K值不同的聚类情况，根据不同K值聚类下的组内距和组间距建立评价体系，从而确定最佳聚类簇数Kopi，具体如下：根据步骤3-1-4的聚类结果提取出组内轨迹的所有特征点Pi，根据特征点Pi确定确定划分K组情况下k个聚类簇中心{C1，C2，C3，...，Ck}，1＜k≤K，其中簇中心Ck为该组内所有特征点的中心；

根据k组簇中心分别求得k组内的组内距τk以及组间距

基于不同组数K下的组内距均值 和组间距 确定最佳聚类簇数Kopi，具体来说，将比值 最大时的k值默认为Kopi。

6.根据权利要求4所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤3-3中，包括如下分步骤：步骤3-3-1，根据 求解出不同相似度阈值γl的组内均方差步骤3-3-2，根据 求解出不同相似度阈值γl的组间均方差步骤3-3-3，基于不同的相似度阈值γ及其Kopi下的组内均方差 和组间均方差 确定最优阈值γopi。具体来说，将比值 最大时的γl默认为最优阈值。

7.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤4中，具体包括如下分步骤：步骤4-1，提取出单一模式下正常车辆轨迹，基于正常车辆轨迹的轨迹特征点数值，以2

轨迹的轨迹相似度λ、加速度方差α、弧长比σ作为特征数值进行层次聚类，划分出异常行驶轨迹、异常行为轨迹和正常车辆轨迹；

步骤4-2，整合上一步骤分析得到的正常车辆轨迹，在DTW算法下对上一步骤的正常车辆轨迹再次进行层次聚类，判别出正常车辆轨迹和离群轨迹；

步骤4-3，重复步骤4-1至4-2，对路口各模式下车辆轨迹分析，划分各流向中异常行驶轨迹、异常行为轨迹、离群轨迹和正常车辆轨迹，其中将异常行驶轨迹、异常行为轨迹和离群轨迹均默认为异常车辆轨迹。

8.根据权利要求7所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤4-1中，具体包括如下分步骤：步骤4-1-1，对车辆轨迹TRj的轨迹相似度λ、加速度方差α2、弧长比σ进行求解；

根据车辆轨迹特征确定相似度计算公式，如LCSS算法或DTW算法，求得车辆轨迹相似度λ；

基于车辆轨迹TR的轨迹特征点确定各车辆轨迹的加速度方差α2，即：式中，αi+1表示特征点i+1的加速度，其中fi和fi+1表示帧数， 表示特征点i与特征点i+1之间的欧式距离，pi和pi+1表示特征点；

基于车辆轨迹TR确定车辆轨迹弧长比σ，即：

式中，p1、pi、pi+1、pn均表示车辆轨迹内的特征点； 表示车辆轨迹特征点i和特征点i+1之间的欧式距离； 表示车辆轨迹特征点n与特征点1之间的欧式距离；

2

步骤4-1-2，基于上一步骤车辆轨迹TR的相似度λ、加速度方差α、弧长比σ数值作为特征数据进行层次聚类，划分为异常行驶轨迹、异常行为轨迹和正常车辆轨迹；具体来说，以相似度λ、加速度方差α2、弧长比σ数值作为特征数据进行层次聚类，将车辆轨迹划分为三组数据，根据三组数据的数据量及各组数据离散程度确定数据类型；

计算三组车辆轨迹的轨迹数量及其与总轨迹数量的比值，若组内轨迹数量最少则那组车辆轨迹数据默认为异常行驶轨迹；

基于车辆轨迹的特征点分别求剩余两组车辆轨迹数据的离散程度ε，即：式中，N为组内所有车辆轨迹特征点的总个数；pi为特征点， 为簇中心点；

表示pi点到簇中心点距离；

将离散程度ε较大的那组数据默认为异常行为轨迹，较小的那组数据默认为正常车辆轨迹，同时实现正常车辆轨迹提取。

9.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤5中，具体包括如下分步骤：步骤5-1，整合步骤3和4中的异常车辆轨迹，对异常车辆轨迹发生原因进行分析，同时将异常车辆轨迹与异常原因相对应，建立异常轨迹关联数据库；

步骤5-2，基于统计时间段内异常轨迹数目比例及其行为原因对路口渠化组织问题和交通信号控制问题进行分析，识别出不合理的路口渠化和不合理的路口信号方案。

10.根据权利要求9所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤5-2中，具体如下：若统计时间段内异常轨迹数目大于路口异常状况阈值，则分析其渠化是否存在问题；

若同一流向下，统计时间段放行相位阶段内，异常轨迹数目大于异常状况阈值，则分析该相位阶段信号方案配置是否合理。