Traffic sub-area division plays an important role in traffic control and is a critical task for traffic system management and traffic network analysis. Most existing algorithms for traffic sub-area division are based on traffic road networks and face a significant challenge in dealing with complex and time-varying traffic network conditions. This paper proposes a clustering-based method for Spatially and Temporally integrated Traffic Sub-area Division, referred to as ST-TSD, which takes into account a complete spectrum of spatiotemporal trajectory information. ST-TSD determines not only a set of traffic sub-areas but also a time interval when these sub-areas are formed without user intervention. In this method, we first establish a discrete linear representation of trajectory points to generate a series of trajectory segments and transform them into multidimensional data points in Euclidean space. We then design an algorithm to extract potential intensive time intervals based on multidimensional data points and improve an existing density clustering algorithm to divide the whole traffic network at each corresponding intensive time interval into a set of sub-areas. Finally, we employ the Convey Hull algorithm to identify the boundaries of filtered sub-areas. For performance evaluation, we design a traffic sub-area division indicator, referred to as $TSDI$, as a performance metric by combining the $WCSS$ indicator and the classical Davies–Bouldin index. Experimental results on real-life trajectory datasets illustrate that the proposed ST-TSD method significantly improves the quality of traffic sub-area division over existing methods.

交通分区划分在交通控制中起着重要的作用，是交通系统管理和交通网络分析的关键任务。现有的大多数用于交通分区的算法都是基于交通路网，并且在处理复杂且时变的交通网络条件时面临着巨大的挑战。本文提出了一种基于聚类的时空综合交通子区域划分方法，称为ST-TSD，它考虑了时空轨迹信息的完整范围。ST-TSD不仅确定一组业务子区域，还确定在没有用户干预的情况下形成这些子区域的时间间隔。用这种方法 我们首先建立轨迹点的离散线性表示，以生成一系列轨迹段，并将其转换为欧几里得空间中的多维数据点。然后，我们设计一种基于多维数据点提取潜在密集时间间隔的算法，并改进现有的密度聚类算法，以将每个相应密集时间间隔的整个交通网络划分为一组子区域。最后，我们使用Convey Hull算法来识别已过滤子区域的边界。为了进行效果评估，我们设计了一个流量分区划分指标，称为 然后，我们设计一种基于多维数据点提取潜在密集时间间隔的算法，并改进现有的密度聚类算法，以将每个相应密集时间间隔的整个交通网络划分为一组子区域。最后，我们使用Convey Hull算法来识别已过滤子区域的边界。为了进行效果评估，我们设计了一个流量分区划分指标，称为 然后，我们设计一种基于多维数据点提取潜在密集时间间隔的算法，并改进现有的密度聚类算法，以将每个相应密集时间间隔的整个交通网络划分为一组子区域。最后，我们使用Convey Hull算法来识别已过滤子区域的边界。为了进行效果评估，我们设计了一个流量分区划分指标，称为$Ť\mathrm{小号}d\mathrm{一世}$，将 $\mathrm{w\; ^}C\mathrm{小号}\mathrm{小号}$指标和经典的Davies-Bouldin指数。在现实轨迹数据集上的实验结果表明，与现有方法相比，所提出的ST-TSD方法显着提高了交通分区划分的质量。