CN100580735C - 基于探测车技术的实时动态交通信息处理方法 - Google Patents

Abstract

一种基于探测车技术的实时动态交通信息处理方法，包括：1)将城市道路划分成网格，记录每个网格中包含或与该网格相交的所有道路形状线段的编号；2)将一个周期内的探测车数据集按车分组按时间排序，根据数据的几何特征，确定车辆当时可能处于的道路集合R；计算每条道路的道路识别置信度，形成候选识别道路R_s，多个R_s构成候选路径集合{R_k ^*}_k＝1 ^K，对其进行搜索，识别从起点GPS到终点GPS的若干路径，对这些路径进行道路识别置信度和长度的综合判别，得到探测车的行车轨迹；3)根据探测车从起点到终点行驶轨迹的长度、行驶时间及历史路况，计算途经道路的平均时速。本发明方法能处理海量探测车数据，有效地提高大规模探测车处理系统的运转效率和准确性。

Description

基于探测车技术的实时动态交通信息处理方法

技术领域

本发明涉及智能交通领域基于探测车技术的实时动态交通信息处理的方法。

背景技术

随着城市交通需求的不断增长，对城市交通基础设施、交通规划技术以及交通管理手段提出了更高的要求。以智能交通系统(Intelligent Transportation System，ITS)为平台的智能运输系统已成为交通规划和管理者研究的主要课题，随着ITS技术的发展和应用，传统的人工调查方法和以感应线圈为代表的交通信息采集方法造价高、覆盖范围有限、采集周期长，已不能满足ITS对交通数据的需求，基于车载GPS技术的探测车(Probe Vehicle，PV)技术已经成为交通数据获取的研究和发展方向。

探测车交通信息采集技术在获取实时动态交通信息方面有着不可替代的优势,与地理信息系统(Geographic Information System，GIS)技术结合，可以使获得的交通信息的准确度、覆盖范围、即时性等关键指标有较大程度的提升，从而使基于ITS的交通指挥管理和公众出行的交通信息服务变得更加有效。

探测车作为一种新型的城市交通信息采集手`得到了国内外ITS专家和企业的一致重视，并取得了一定的理论成果。探测车数据包括数据产生时间、车牌号、经度、纬度、瞬时速度、瞬时行驶方向、数据是否有效标志、探测车状态(包含车辆是否点火、是否载客)等大量信息。然而现有的探测车数据处理技术大都停留在理论或试验阶段，应用到实际的信息处理当中仍然存在很多问题：

首先，大规模探测车数据处理的特点是数据量大、车辆定位的车辆位置信息间隔大，不利于连续快速定位，因此要求算法的执行效率非常高。

其次，探测车数据中的瞬时速度波动较大，特别是在拥堵的路段瞬时速度可能是车流流动单个车辆的最大速度，也可能是车流完全停止的速度，不能准确地反映实际的路况信息。

再次，短时间内交通流的状态变化趋势具有一定的连续性和相关性，是进行探测车实时动态交通信息处理需要考虑的一个重要因素，但现有的处理算法较少考虑到这一点。

综上所述，现有的技术仍有很多具体的技术问题无法解决，准确性、实时性差，无法满足用户对实时路况信息的要求。

发明内容

基于上述，为了克服现有技术不足之处，本发明的主要目的旨在提供一种探测车技术的实时动态交通信息处理的方法，该方法能够处理海量探测车数据，而且效率高、准确。

本发明采用以下技术解决方案：

一种基于探测车技术的实时动态交通信息处理方法，包括以下步骤：

1)建立基于网格分割法的道路索引结构

将整个城市道路划分成网格，将每一条实际的道路用若干条线段首尾相连来近似，其中的线段称为道路形状线段，将每条道路的形状线段与其所属的道路相关联，在每个网格内记录该网格包含的或与该网格相交的所有道路形状线段的编号，对网格进行存储；

2)识别探测车行驶的道路和推算探测车行车轨迹

将一个周期T内的探测车数据集按每一辆探测车进行分组并按时间排序，获得不同探测车的数据序列，依次处理数据序列中的每一个数据，依据数据中的GPS位置和方向信息确定车辆可能行驶到的道路集合R；

计算道路集合R中每条道路的道路识别置信度，进行道路识别，识别的结果包括：识别的道路、识别到的节点、识别到的道路集合，识别结果的集合构成了候选道路集R_S和识别位置集P_S；

候选路径集合{R_k ^*}_k＝1 ^K是由多个候选道路集合R_S组成，将候选道路集合R_S依次加入{R_k ^*}_k＝1 ^K，并进行搜索，可以确定若干条可以从起点GPS位置到终点GPS位置的路径，然后对这些路线进行道路识别置信度和长度的综合判别，最终得到探测车的行车轨迹；

3)基于探测车行驶轨迹推算实时动态路况信息，即平均时速

根据探测车从起点到终点行驶道路的长度以及行驶时间，综合考虑历史路况信息，计算探测车在经过每个路段时的平均时速。

进一步地，在所述步骤2)之前先对探测车数据集进行预处理，即：过滤数据集中的GPS静态漂移数据和奇异点数据等错误数据，为防止出现错误的道路识别现象，对于低速时的静态漂移数据、信号遮挡及其它干扰较大的情况下的数据不进行道路识别和行车轨迹推算处理。

所述识别探测车行驶的道路步骤2)进一步包括以下步骤：

2.1)确定需要识别道路的集合R，其中：

若本次识别是某探测车的第一次道路识别或者上一次识别被判断为无效时，则需要根据当前车辆位置进行网格定位，在给定待处理的车辆GPS点Point(x，y)后，用下列公式快速定位到Point点所在的网格号Grid(i，j)：

i＝(x-x₀)/L(x，y)

j＝(y-y₀)/L(x，y)

当车辆位置位于所在网格边缘时，以Point点为圆心，d为半径构造该点的定位区域，与该圆形定位区域交集不为空的网格中的道路都作为需要识别道路的集合R，这里d为各种因素引起的GPS定位误差与道路宽度一半之和的最大值，转步骤2.2)；

若该辆探测车上一次识别的结果有效时，则可以根据当前GPS和前一个GPS之间的时间差以及前一个GPS所处道路的历史车速，基于道路网络拓扑结构的连通性，确定车辆可能行驶到的道路集合R，转步骤2.2)；

2.2)计算道路集合R中每条道路的道路识别置信度，其中步骤细分为：

2.2.1)道路识别置信度是描述GPS点与一条道路的匹配程度，用(0，1)区间的浮点数进行量化，道路识别置信度越接近1，这个GPS数据的探测车越有可能位于这条道路，道路识别置信度公式如下：

S＝S(d_r，θ_r)＝ω_dd_r+ω_θθ_r，且ω_d+ω_θ＝1

其中，s为道路识别置信度，d_r＝Δ_GPS/(Δ_GPS+max(0，d-w_r/2))是GPS点到道路形状线段距离d的归一化值，Δ_GPS是GPS的平均误差，w_r为道路r的宽度)，θ_r＝1/(1+θ²)是GPS方向与道路形状线段方向夹角θ的归一化值，ω_d和ω_θ分别为距离和夹角在道路识别置信度中的权重，大多数情况下，道路所包含的道路形状线段数大于1，因而可能得到多个值，这时取最大值作为当前道路的道路识别置信度，同时，记录这个GPS数据到当前道路的投影位置，记为p，转步骤2.2.2)；

2.2.2)在已排序的道路识别置信度集合I＝{S_i|S_i≤S_i+1，i＝1，…，N}中，寻找候选识别道路集R_S＝{r_i|S_m≥S_min，S_m-S_m-1≥S₀，i＝m，…，N，S_i∈I}，其中S₀表示道路识别置信度阈值，S_min表示道路识别置信度可接受的最小值，若无法找到满足S_m-S_m-1≥S₀的道路，则定义候选识别道路集为R_S＝{r_i|S_m≥S_min，S_m≥S_N-S₀，S_m-1＜S_N-S₀，i＝m，…，N，S_i∈I}，与候选识别道路集R_S对应的识别位置集记为P_S，转步骤2.2.3)；

2.2.3)初步判断候选识别道路集R_S中的道路元素的个数，记为|R_S|，

若|R_S|＝0，表示无法识别，此次识别失效，进入下一个GPS点，转步骤2.1)；

若|R_S|＝1，表示GPS点识别到道路，则候选识别道路集R_S＝R_S，识别位置集合记为P_S，步骤2.2)结束，转步骤2.3)；

当|R_S|＞1时，表明R_S中至少有两个候选道路元素，计算R_S中道路识别置信度最大和次大的道路夹角是否大于平行反向道路阈值θ_S，若大于θ_S，表明这两条道路为平行反向道路，增加道路识别置信度公式中夹角的权重，使用新权重ω′_d和ω′_θ进行道路识别，得到新的候选识别道路集R′_S，转步骤2.2.4)；若小于等于θ_S，则候选识别道路集R_S＝R_S，转步骤2.2.5)；

2.2.4)计算R_S和R′_S的交集R_S∩R′_S，候选识别道路集R_S＝R_S∩R′_S，若|R_S|＝1，则该集合中的唯一元素即为识别的道路，那么与候选识别道路集R_S对应的识别位置集记为P_S，步骤2.2)结束，转步骤2.3)；否则继续步骤2.2.5)；

2.2.5)判断候选识别道路集R_S中是否具有共同的节点P₀，且满足与GPS点的距离小于节点距离阈值θ_Node，此θ_Node为各种因素引起的GPS定位误差与道路交汇处宽度之和的最大值，若存在这样的共同节点P₀，则表示GPS点识别到节点P₀，候选识别道路集退化为共同节点，即R_S＝{P₀}，P_S＝{P₀}，步骤2.2)结束，转步骤2.3)；

2.3)推算探测车行车轨迹，其中步骤细分为：

2.3.1)将最新得到的候选识别道路集R_S依次加入候选路径集合{R_k ^*}_k＝1 ^K中，记录R_S中道路的个数|R_S|，记为Ct，继续步骤2.3.2)；

2.3.2)基于候选路径集合{R_k ^*}_k＝1 ^K，寻找所有可能的行车路径TR_i，构成了候选行车路径集{TR_i}_i＝1 ^J，若候选行车路径个数J＝1，则该唯一路径即为最优行车路径，记为TR^*，相应地将GPS点的识别位置集记为P^*，且令{R_k ^*}_k=1 ¹为最优路径TR^*的最后一条道路，步骤2.3)结束；若J＞1，则继续步骤2.3.3)；

2.3.3)计算候选行车路径集{TR_i}_i＝1 ^J中的每一个候选行车路径TR_i的道路识别置信度总和，以及总长度，对以上两个结果进行归一化处理，之后按照权重求和，得到了一个路径的可信度，对所有的路径的可信度进行升序排列，记为{Conf_j(TR_i)}_j＝1 ^J，继续步骤2.3.4)；

2.3.4)判断候选路径集合{R_k ^*}中的最后一个道路集合的候选道路数Ct是否为1，如果Ct为1则转步骤2.3.5)，如果Ct不为1则继续判断{Cont_j(TR_i)}_j＝1 ^J序列中可信度最大的与次大的之差是否大于设定阈值；如果大于设定阈值则转步骤2.3.5)；如果不大于设定阈值则继续判断候选路径集合{R_k ^*}_k＝1 ^K的数量K是否达到预设的最大值M，此处M为设定的可连续处理GPS数据个数的上限，若已达到M则转步骤2.3.5)，若未达到M则继续判断探测车数据序列中否存在未处理的探测车数据，如果存在则读取下一个数据，转步骤2.1)，如果不存在则等待下一个数据到来，之后转步骤2.1)；

2.3.5)将{Conf_j(TR_i)}_j＝1 ^J序列中可信度最大的元素对应的路径作为最后确定的最优行车路径，记为TR^*，相应地将GPS点的识别位置集记为P^*，且令{R_k ^*}_k＝1 ¹为最优路径TR^*的最后一条道路。

所述推算实时动态路况信息步骤3)进一步包括以下步骤：

3.1)确定起点：基于探测车的行驶轨迹TR^*，记录最后一个识别到入路段的GPS数据的时间T₁，用这个GPS在入路段的投影点p₁(x₁，y₁)，作为计算的起点；

3.2)确定终点：终点需要满足以下几个条件：a)终点是第一个识别到出路段的GPS数据的投影点p₂(x₂，y₂)，并记录GPS数据的时间T₂；b)起点和终点之间的所有GPS数据，相邻两个之间的时间间隔不大于预先设定的最大时间间隔；

3.3)计算从起点出发到终点行驶道路的长度L＝L₁+L₂+L₃，以及起点和终点之间的时间间隔ΔT＝T₂-T₁，其中L₁、L₂、L₃是行驶道路被目标路段两个端点分割为三部分路段的长度，根据三个路段上一时刻的平均速度，计算各自的平均通过时间，分别记为t₁、t₂、t₃，若上一时刻的平均速度不存在，则用历史数据库中的历史同期的统计平均速度代替，进而推算目标路段的平均通过时间为 $\stackrel{\‾}{T}=\mathrm{\ΔT}\·(t_2/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{t}_i),$ 那么目标路段的长度L₂与T两者的比值就是当前车辆在目标路段上的平均时速，v＝L₂/T；

3.4)计算一个周期T内所有通过目标路段的探测车的平均时速，根据平均时速的分布，剔除10％的下限和5％的上限，余下所有平均时速的平均值即为目标路段当前的平均时速。

本发明与现有技术相比的优点在于：本发明提出的基于网格分割法的道路索引结构，将城市路网按某种特殊的拓扑结构组织起来，该拓扑结构适合于存储，并能有效改善算法的运行效率；另一方面针对探测车行驶的特点、城市道路的复杂性，提出的基于道路网络拓扑结构连通性的道路识别和行车轨迹推算方法，有效的提高了大规模探测车处理系统的运转效率和准确性；最后，基于探测车轨迹的实时路况信息计算模型，同时考虑了短时间内交通流变化的连续性特点，融入了上一时刻的或历史的数据，将不同探测车的路段平均时速做融合处理，提高了算法的准确性。

附图说明

图1为为某城市电子地图网格分割示意图；

图2为周期T内一辆探测车的GPS数据的分布情况；

图3为GPS数据网格定位示意图；

图4为基于探测车轨迹的路况信息计算示意图；

图5为探测车的平均时速的统计分布柱状图；

图6为探测车平均时速分布示意图。

具体实施方式

本发明是一种基于探测车技术的实时动态交通信息处理的方法，其通过以下步骤实现：

第一、该方法针对探测车大数据集道路识别的特点，首先建立基于网格分割法的道路索引结构。

在电子地图的基础上，建立基于网格分割法的道路索引结构。

(1)参见图1，按照经纬度的方向，以一定的间隔L(x，y)将道路网络从上到下、由左至右进行网格化分块。假设将其分为M×N个网格，简记为Grid(M×N)，其中M和N分别为分块行列数，网格的行编号从0到M-1，列编号从0到N-1。间隔参数L(x，y)可以根据城市道路密度来确定，一般来说应该将市中心区的网格中的形状线段的数量平均值控制在100条以内，但间隔也不要小于道路与道路之间的最小距离。特别的，间隔参数L(x，y)取常数C，则为将道路网络均匀分块。

(2)在每个网格内，记录网格包含或与之相交的所有道路形状线段编号，并且对这些形状线段进行编号存储，将每条道路的形状线段与道路相关联。

(3)建立基于网格分割法的道路索引结构，该索引结构采用分层索引的方式，包括四层对象：城市、区域、道路、道路形状线段。

第二、探测车数据集的预处理。

过滤数据集中的GPS静态漂移数据和奇异点数据等错误数据。为防止出现错误的道路识别现象，低速时(如小于1km/h)的静态漂移数据、信号遮挡及其他干扰较大的情况下的数据不进行道路识别和行车轨迹推算处理。

此外，若探测车数据集中的坐标数据与电子地图坐标不一致，需转换为电子地图坐标。

此阶段后的探测车数据集均指预处理后的数据集。

第三、基于道路网络拓扑结构的连通性，进行道路识别和行车轨迹推算。

将一个周期T内的探测车数据集按每一辆探测车进行分组并按时间排序，获得不同探测车的数据序列，依次处理数据序列中的每一个数据。

(1)确定需要识别道路的集合，记为R，有两种情况：

情况1：

当本次识别是某探测车的第一次道路识别或者上一次识别被判断为无效(包括无法识别和间隔时间太长导致失去时效性两种情况)。这种情况需要根据当前车辆位置进行网格定位。在给定待处理的车辆GPS点Point(x，y)后，用下列公式快速定位到Point点所在的网格号Grid(i，j)：

i＝(x-x₀)/L(x，y)

(1)

j＝(y-y₀)/L(x，y)

当车辆位置位于所在网格边缘时，车辆在实际中有可能位于邻接的网格。如图3所示，有一GPS点Point(x，y)定位于网格Grid(i，j)中，但由于GPS靠近网格的边缘和GPS的误差，它有可能落在临近的网格内。以Point点为圆心，d(为各种因素引起的GPS定位误差与道路宽度一半之和的最大值)为半径构造该点的定位区域，那么与该圆形定位区域交集不为空的网格中的道路都需要作为道路识别的输入集合。转步骤(2)。

情况2：

当该辆探测车上一次识别的结果有效时，则可以根据当前GPS和前一个GPS之间的时间差以及前一个GPS所处道路的历史车速，基于道路网络拓扑结构的连通性，确定车辆可能行驶到的道路集合R。转步骤(2)。

(2)计算道路集合R中每条道路的道路识别置信度，进行道路识别，识别的结果包括：识别到道路、识别到节点、识别到道路集合。识别结果的集合构成了候选道路集R_S和识别位置集P_S。

当车辆靠近道路路口(路段与路段的联结点，包括普通交叉路口、主辅路的出入口等)时，由于减速、并线、转向等行驶行为使得GPS数据中的方向信息变化较大而且准确性不高，导致很难确定车辆的确切位置。道路识别的最终目的是为城市路况模型得到路段通行时间提供起点、终点以及时间信息。因此如果无论车辆目前在哪条道路上，只要能确定车辆必定通过或者离开某个路口，就可以根据车辆的下一个定位数据确定其行驶轨迹。另一方面，由于GPS数据本身误差或者电子地图的测绘误差，可能出现这种情况：车辆沿着一条中间具有隔离带的双向道路行驶，采集到的GPS数据反映在电子地图上时，落在了与车辆行驶方向相反的道路上。综合考虑上述两种特殊情况，在进行道路识别的过程中设计了如下算法：

a)道路识别置信度是描述GPS点与一条道路的匹配程度，用(0，1)区间的浮点数进行量化，道路识别置信度越接近1，这个GPS数据的探测车越有可能位于这条道路。道路识别置信度公式如下：

S＝S(d_r，θ_r)＝ω_dd_r+ω_θθ_r，且ω_d+ω_θ＝1(2)

其中，S为道路识别置信度，d_r＝Δ_GPS/(Δ_GPS+max(0，d-w_r/2))是GPS点到道路形状线段距离d的归一化值(Δ_GPS是GPS的平均误差，一般为15米，w_r为道路r的宽度)，θ_r＝1/(1+θ²)是GPS方向与道路形状线段方向夹角θ的归一化值，ω_d和ω_θ分别为距离和夹角在道路识别置信度中的权重。大多数情况下，道路所包含的道路形状线段数大于1，因而可能得到多个值，这时取最大值作为当前道路的道路识别置信度。同时，记录这个GPS数据到当前道路的投影位置，记为p。转步骤b)。

b)在已排序的道路识别置信度集合I＝{S_i|S_i≤S_i+1，i＝1，…，N}中，寻找候选识别道路集R_S＝{r_i|S_m≥S_min，S_m-S_m-1≥S₀，i＝m，…，N，S_i∈I}。其中S₀表示道路识别置信度阈值，S_min表示道路识别置信度可接受的最小值。对于道路复杂的情况，往往无法找到满足S_m-S_m-1≥S₀的道路，在这种情况下的候选识别道路集R_S定义为R_S＝{r_i|S_m≥S_min，S_m≥S_N-S₀，S_m-1＜S_N-S₀，i＝m，…，N，S_i∈I}。与候选识别道路集R_S对应的识别位置集记为P_S。转步骤c)。

c)初步判断候选识别道路集R_S中的道路元素的个数，记为|R_S|。

若|R_S|＝0，则表示无法识别，此次识别失效，进入下一个GPS点，转步骤(1)。

若|R_S|＝1，则表示GPS点识别到道路。那么候选识别道路集R_S＝R_S，识别位置集合记为P_S。转步骤(3)。

当|R_S|＞1时，表明R_S中至少有两个候选道路元素，计算R_S中道路识别置信度最大和次大的道路夹角是否大于平行反向道路阈值θ_S。若大于θ_S，表明这两条道路为平行反向道路，增加道路识别置信度公式中夹角的权重，使用新权重ω′_d和ω′_θ进行道路识别，得到新的候选识别道路集R′_S，转步骤d)；否则若小于等于θ_S，则候选识别道路集R_S＝R_S，转步骤e)。

d)计算R_S和R′_S的交集R_S∩R′_S，候选识别道路集R_S＝R_S∩R′_S。若|R_S|＝1，则该集合中的唯一元素即为识别到道路，那么与候选识别道路集R_S对应的识别位置集记为P_S，转步骤(3)；否则转步骤e)。

e)判断候选识别道路集R_S中是否具有共同的节点，且满足与GPS点的距离小于节点距离阈值θ_Node(为各种因素引起的GPS定位误差与道路交汇处宽度之和的最大值)。若存在这样的共同节点(不妨记为P₀)，则表示GPS点识别到节点P₀，候选识别道路集退化为共同节点，即R_S＝{P₀}，P_S＝{P₀}。转步骤(3)。

(3)推算探测车行车轨迹。将候选识别道路集R_S依次加入候选路径集合{R_k ^*}_k＝1 ^K，基于{R_k ^*}_k＝1 ^K搜索并确定若干条可以从起点GPS位置到终点GPS位置的路径，然后对这些路线进行道路识别置信度和长度的综合判别。具体包括以下步骤：

f)首先，将最新得到的候选识别道路集R_S依次加入候选路径集合{R_k ^*}_k＝1 ^K中，记录R_S中道路的个数|R_S|，记为Ct。转步骤g)。

g)基于候选路径集合{R_k ^*}_k＝1 ^K，寻找所有可能的行车路径TR_i，构成了候选行车路径集{TR_i}_i＝1 ^J。若候选行车路径个数J＝1，则该唯一路径即为最优行车路径(记为TR^*)，相应地GPS点的识别位置集(记为P^*)，且令{R_k ^*}_k＝1 ¹为最优路径TR^*的最后一条道路；否则J＞1，转步骤h)。

h)计算候选行车路径集{TR_i}_i＝1 ^J中的每一个候选行车路径TR_i的道路识别置信度总和，以及总长度。对以上两个结果进行归一化处理。之后按照一定的权重求和，得到了一个路径的可信度。对所有的路径的可信度进行升序排列，记为{Conf_j(TR_i)}_j＝1 ^J。转步骤i)。

i)判断候选路径集合{R_k ^*}中的最后一个道路集合的候选道路数Ct是否为1。如果是，则转步骤j)；否则，判断{Conf_j(TR_i)}_j＝1 ^J序列中可信度最大的、次大的之差是否大于设定阈值，如果是，则转步骤j)；否则，判断候选路径集合{R_k ^*}_k＝1 ^K的数量K是否达到预设的最大值M(设定的可连续处理GPS数据个数的上限)，若已达到M，转步骤j)；否则判断探测车数据序列中否有未处理的探测车数据，如果存在，则读取下一个数据，转步骤(1)，否则等待下一个数据到来，之后转步骤(1)。

j){Conf_j(TR_i)}_j＝1 ^J序列中可信度最大的元素对应的路径为最后确定的最优行车路径(记为TR^*)，相应地GPS点的识别位置集(记为P^*)，且令{R_k ^*}_k＝1 ¹为最优路径TR^*的最后一条道路。

第四、基于探测车行驶轨迹推算实时动态路况信息，即平均时速。

这里路况信息有两层含义，狭义上的是指某个时刻的路况信息，称为时刻路况信息；广义上指短时段路况信息或短时路况信息，也就是较短时间段内的时刻路况信息的平均值。通常情况下发布的路况信息就是指短时段路况信息，那么发布的实时动态路况信息是指最新时段的短时路况信息。一般短时段或处理周期T的划分根据具体需求确定，比如5min、10min短时路况信息等。

探测车最显著的特点就是行驶的不确定性，直接使用探测车GPS中的速度信息反映路况的准确率低。但是多个探测车的行驶统计结果却可以反映一条道路的通过时间，不仅包含在路面上的行驶时间，还包含各种等待时间和异常情况下的时间，比如路口等待红绿灯的时间、前方事故等待时间等。因此这里用平均通过时间作为参数来描述道路上的路况信息。

基本思路是基于探测车行驶轨迹，融合历史路况，计算通过目标路段每辆车的平均通过时间，进而得到每辆车的平均时速；然后根据周期T内所有探测车平均时速的分布，按照一定规则剔除异常车辆的平均时速，余下所有车辆平均时速的平均值，为目标路段的平均时速，即Tmin短时路况信息。其特点在于通过以下步骤实现：

(1)确定起点：基于探测车的行驶轨迹TR^*，记录最后一个识别到入路段(指车辆可行驶进入目标路段的路段)的GPS数据的时间T₁，用这个GPS在入路段的投影点p₁(x₁，y₁)，作为计算的起点；

(2)确定终点：终点需要满足以下几个条件：a)终点是第一个识别到出路段(指车辆经目标路段可行驶进入的路段，与起点所在的路段至少间隔目标路段，也就是车辆必须完整地经过目标路段)的GPS数据的投影点p₂(x₂，y₂)，并记录GPS数据的时间T₂；b)起点和终点之间的所有GPS数据，相邻两个之间的时间间隔不大于预先设定的最大时间间隔。

(3)计算：从起点出发到终点行驶道路的长度L＝L₁+L₂+L₃，起点和终点之间的时间间隔ΔT＝T₂-T₁。其中L₁、L₂、L₃是行驶道路被目标路段两个端点分割为三部分路段的长度。三个路段分别记为路段1、路段2、路段3，路段2就是目标路段。根据三个路段上一时刻的平均速度，计算各自的平均通过时间，分别记为t₁、t₂、t₃。若上一时刻的平均速度不存在，则用历史数据库中的历史同期的统计平均速度代替。进而推算目标路段即路段2的平均通过时间为 $\stackrel{\‾}{T}=\mathrm{\ΔT}\·(t_2/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{t}_i),$ 那么目标路段的长度L₂与T两者的比值就是当前车辆在目标路段上的平均时速，v＝L₂/T。

(4)计算一个周期T内所有通过目标路段的探测车的平均时速，根据平均时速的分布，剔除10％的下限和5％的上限，如图6所示，那么余下所有平均时速的平均值即为目标路段当前的平均时速。

下面以实施例的方式并结合附图对本发明作进一步的描述，包括以下步骤：

第一、准备阶段：建立基于网格分割方法的道路索引结构。

如图1所示，为某城市电子地图网格分割示意图，间隔参数记为L(x，y)。在城市的中心区域主要道路密度大，网格分割粒度细些，而城市的周边区域网格分割粒度相对粗些。在每个网格内，记录网格包含或与之相交的所有形状线段编号，建立道路索引结构。

第二、探测车数据的预处理，包括但不限于过滤异常点、坐标变换、平移等处理。

第三、道路识别、行车轨迹推算阶段：道路识别置信度的计算，识别的结果包括：识别到道路、识别到节点、识别到道路集合。

结合图2、3描述具体处理过程如下：

如图2所示，描述了周期T内一辆探测车数据序列中GPS点的分布情况，图中r₁至r₂₃表示不同的路段，黑点表示GPS点，按照时间顺序依次记为g₁至g₇。

(1)对GPS点g₁进行道路识别。

首先根据g₁点当前位置(x，y)进行网格定位。如图3所示，用公式(1)快速定位g₁点所在的网格号Grid(i，j)，并以g₁点为圆心，d(这里取50)为半径构造该点的定位区域，那么与该圆形定位区域交集不为空的网格中的道路都需要作为道路识别的输入集合。图3中，网格(i-1，j-1)、(i-1，j)、(i，j-1)和(i，j)中的道路组成输入道路集合R。根据公式(2)计算道路集合R中每条道路的道路识别置信度，最终得到候选道路R_S为r₁和r₇。

然后判断路段r₁和r₇夹角是否大于平行反向道路阈值θ_S(这里取170°)。由于夹角为175°＞170°，表明r₁和r₇为平行反向道路，使用新权重ω′_d(这里取0.2)和ω′_θ(这里取0.8)重新进行道路识别，得到新的候选道路为r₁，故两次候选道路的交集为r₁集，因此GPS点g₁识别到路段r₁，并记录识别位置g′₁。将候选识别道路集R_S＝{r₁}加入候选路径集合{R_k ^*}_k＝1 ^K(此时K＝1)中，即 ${\left\{R_k^{*}\right\}}_{k=1}^1=\left\{\right\{r_1\left\}\right\}.$ 根据候选路径集合推算探测车可能的行车路径 ${\left\{{\mathrm{TR}}_i\right\}}_{i=1}^1=\left\{\left(r_1\right)\right\},$ 因只有唯一条路径，进而最优行车路径TR^*＝(r₁)，GPS点的识别位置集记为P^*。且令 ${\left\{R_k^{*}\right\}}_{k=1}^K=\left\{\left(r_1\right)\right\}.$

(2)对GPS点g₂进行道路识别。

因该辆探测车上一次GPS点g₁识别到道路r₁，根据当前GPS点g₂和前一个GPS点g₁之间的时间差以及前一个GPS所处道路r₁的历史车速，推测车辆可能行驶到的道路集合R＝{r₃，r₆}。根据公式(2)计算道路集合R中每条道路的道路识别置信度，最终得到候选道路R_S＝{r₃，r₆}。因路段r₃和r₆夹角小于平行反向道路阈值θ_S，且r₃和r₆也没有共同节点，故R_S＝{r₃，r₆}，加入候选路径集合{R_k ^*}_k＝1 ^K中。那么候选路径集合 ${\left\{R_k^{*}\right\}}_{k=1}^2=\left\{\right\{r_1\},\{r_3,r_6\left\}\right\},$ 进而得到所有可能的行车路径集合 ${\left\{{\mathrm{TR}}_i\right\}}_{i=1}^2=\{(r_1,r_2,r_3),(r_1,r_6)\},$ 计算每条路径的可信度并升序排列，记为{Conf_i(TR_i)}_j＝1 ²，因序列中可信度最大的、次大的之差小于设定阈值，又候选路径集合{R_k ^*}_k＝1 ^K的数量K＝2，小于M(这里取10)，且探测车数据序列中有未处理的探测车数据，因此读取序列中的下一个GPS点g₃。

(3)对GPS点g₃进行道路识别。

与g₂点处理过程类似，可以得到候选识别道路集R_S＝{r₁₃，r₆}，然后得到候选路径集合 ${\left\{R_k^{*}\right\}}_{k=1}^3=\left\{\right\{r_1\},\{r_3,r_6\},\{r_{13},r_6\left\}\right\},$ 进而得到所有可能的行车路径集合为 ${\left\{{\mathrm{TR}}_i\right\}}_{i=1}^2=\{{\mathrm{TR}}_1,{\mathrm{TR}}_2\}$ 计算每条路径的可信度并升序排列，记为{Conf_j(TR_i)}_j＝1 ²。序列中可信度最大的、次大的之差仍然小于设定阈值，又候选路径集合{R_k ^*}_k＝1 ^K的数量K＝3，小于M，且探测车数据序列中有未处理的探测车数据，因此读取序列中的下一个GPS点g₄。

(4)对GPS点g₄进行道路识别。类似的得到候选识别道路集R_S＝{r₁₆，r₆}，以及候选路径集合 ${\left\{R_k^{*}\right\}}_{k=1}^4=\left\{\right\{r_1\},\{r_3,r_6\},\{r_{13},r_6\},\{r_{16},r_6\left\}\right\},$ 进而得到所有可能的行车路径集合为 ${\left\{{\mathrm{TR}}_i\right\}}_{i=1}^2=\{{\mathrm{TR}}_1,{\mathrm{TR}}_2\}=\{(r_1,r_2,r_3,r_4,r_{11},r_{13},r_{16}),(r_1,r_6)\},$ 计算每条路径的可信度并升序排列。序列中可信度最大的、次大的之差仍然小于设定阈值，又候选路径集合{R_k ^*}_k＝1 ^K的数量K＝4，小于M，且探测车数据序列中有未处理的探测车数据，因此读取序列中的下一个GPS点g₅。

(5)对GPS点g₅进行道路识别。类似的得到候选识别道路集R_S＝{r₁₆，r₆}，以及候选路径集合 ${\left\{R_k^{*}\right\}}_{k=1}^5=\left\{\right\{r_1\},\{r_3,r_6\},\{r_{13},r_6\},\{r_{16},r_6\},\{r_{16},r_6\left\}\right\},$ 进而得到所有可能的行车路径集合为 ${\left\{{\mathrm{TR}}_i\right\}}_{i=1}^2=\{{\mathrm{TR}}_1,{\mathrm{TR}}_2\}=\{(r_1,r_2,r_3,r_4,r_{11},r_{13},r_{16}),(r_1,r_6)\},$ 计算每条路径的可信度并升序排列。序列中可信度最大的、次大的之差仍然小于设定阈值，又候选路径集合{R_k ^*}_k＝1 ^K的数量K＝5，小于M，且探测车数据序列中有未处理的探测车数据，因此读取序列中的下一个GPS点g₆。

(6)对GPS点g₆进行道路识别。类似的得到候选识别道路集R_S＝{r₂₁}，以及候选路径集合 ${\left\{R_k^{*}\right\}}_{k=1}^6=\left\{\right\{r_1\},\{r_3,r_6\},\{r_{13},r_6\},\{r_{16},r_6\},\{r_{16},r_6\},\{r_{21}\left\}\right\},$ 进而得到所有可能的行车路径集合为 ${\left\{{\mathrm{TR}}_i\right\}}_{i=1}^1=\left\{{\mathrm{TR}}_1\right\}=\left\{(r_1,r_2,r_3,r_4,r_{11},r_{13},r_{16},r_{21})\right\},$ 因只有唯一条路径，进而最优行车路径TR^*＝(r₁，r₂，r₃，r₄，r₁₁，r₁₃，r₁₆，r₂₁)，相应地GPS点的识别位置集记为P^*。令 ${\left\{R_k^{*}\right\}}_{k=1}^1=\left\{\left(r_{21}\right)\right\}.$

(7)对GPS点g₇进行道路识别。因该辆探测车上一次GPS点g₆识别到道路r₂₁，根据当前GPS点g₇和前一个GPS点g₆之间的时间差以及前一个GPS所处道路r₁的历史车速，推测车辆可能行驶到的道路集合R＝{r₂₁，r₂₂，r₂₃}。根据公式(2)计算道路集合R中每条道路的道路识别置信度，最终得到候选道路R_S＝{r₂₂，r₂₃}。因路段r₂₂和路段r₂₃夹角小于平行反向道路阈值θ_S，且r₂₂和r₂₃有共同节点，不妨记为P₀，故R_S＝{P₀}，加入候选路径集合{R_k ^*}_k＝1 ^K中。那么候选路径集合 ${\left\{R_k^{*}\right\}}_{k=1}^2=\left\{\right\{r_{21}\},\{P_0\left\}\right\},$ 进而所有可能的行车路径集合为 ${\left\{{\mathrm{TR}}_i\right\}}_{i=1}^1=\left\{{\mathrm{TR}}_1\right\}=\left\{\left(r_{21}\right)\right\},$ 因只有唯一条路径，进而最优行车路径TR^*＝(r₂₁)，GPS点的识别位置集记为P^*。

第四、道路实时动态路况信息计算阶段。

图4描述是一辆探测车行驶的过程。这个过程为：探测车从某一方向通过路口C₁，驶入路段R₁，直行经过路口C₂、路段R₃、在路口C₃左转弯，来到路段R₅。这个过程向中心发送五个GPS数据。这些GPS数据全部缓冲在与此辆探测车对应的队列中，并且已经识别到道路段上。

结合图4，描述具体处理过程，包括以下几个方面：

(1)记录最后一个识别到路段R₁的GPS数据包括时间T₁、投影点经纬度坐标(x₁，y₁)作为计算的起点；记录第一个识别到出路段的GPS数据的时间T₂、投影点经纬度坐标(x₂，y₂)，作为计算的终点，且起点和终点之间的所有GPS数据，相邻两个之间的时间间隔不大于预先设定的最大时间间隔，这里取2min。

(2)计算：起点和终点之间的道路长度L＝L₁+L₂+L₃，起点和终点之间的时间间隔ΔT＝T₂-T₁。根据路段1、路段2和路段3上一时刻的平均速度，计算三个路段的平均通过时间t₁、t₂、t₃。若上一时刻的平均速度不存在，则用历史数据库中的历史同期的统计平均速度代替。进而目标路段的平均通过时间为 $\stackrel{\‾}{T}=\mathrm{\ΔT}\·(t_2/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{t}_i),$ 那么目标路段的长度L₂与T两者的比值就是当前车辆在目标路段上的平均时速，v＝L₂/T。

(3)类似地计算一个周期T内所有通过目标路段探测车的平均时速，其统计分布柱状图如图5所示。

根据平均时速的分布情况，如图6所示，剔除10％的下限和5％的上限，那么余下所有平均时速的平均值即为目标路段当前的平均时速。

Claims (6)

1.一种基于探测车技术的实时动态交通信息处理方法，其特征在于包括以下步骤：

1)建立基于网格分割法的道路索引结构

将整个城市道路划分成网格，将每一条实际的道路用若干条线段首尾相连来近似，其中的线段称为道路形状线段，将每条道路的形状线段与其所属的道路相关联，在每个网格内记录该网格包含的或与该网格相交的所有道路形状线段的编号，对网格进行存储；

2)识别探测车行驶的道路和推算探测车行车轨迹

将一个周期T内的探测车数据集按每一辆探测车进行分组并按时间排序，获得不同探测车的数据序列，依次处理数据序列中的每一个数据，依据每个数据中的GPS位置和方向信息确定车辆当时可能行驶到的道路集合R；

计算道路集合R中每条道路的道路识别置信度，进行道路识别，识别的结果包括：识别的道路、识别到的节点、识别到的道路集合，识别结果的集合构成了候选识别道路集R_S和识别位置集P_S；

候选路径集合{R_k ^*}_k＝1 ^K是由多个候选识别道路集R_S组成，将候选识别道路集R_S依次加入{R_k ^*}_k＝1 ^K，并进行搜索，可以确定若干条可以从起点GPS位置到终点GPS位置的路径，然后对这些路线进行道路识别置信度和长度的综合判别，最终得到探测车的行车轨迹；

3)基于探测车行驶轨迹推算实时动态路况信息，即平均时速

根据探测车从起点到终点行驶道路的长度以及行驶时间，综合考虑历史路况信息，计算探测车在经过的每个路段的平均时速。

2.如权利要求1所述的基于探测车技术的实时动态交通信息处理方法，其特征在于：

在所述步骤2)之前先对探测车数据集进行预处理，即：过滤数据集中的GPS静态漂移数据和奇异点数据，为防止出现错误的道路识别现象，对于低速时的静态漂移数据、信号遮挡及其它干扰较大的情况下的数据不进行道路识别和行车轨迹推算处理。

3.如权利要求1或2所述的基于探测车技术的实时动态交通信息处理方法，其特征在于：

所述识别探测车行驶的道路步骤2)进一步包括以下步骤：

2.1)确定需要识别道路的集合R，其中：

若本次识别是某探测车的第一次道路识别或者上一次识别被判断为无效时，则需要根据当前车辆位置进行网格定位，在给定待处理的车辆GPS点Point(x，y)后，用下列公式快速定位到Point点所在的网格号Grid(i，j)：

i＝(x-x₀)/L(x，y)

j＝(y-y₀)/L(x，y)

当车辆位置位于所在网格边缘时，以Point点为圆心，d为半径构造该点的定位区域，与该圆形定位区域交集不为空的网格中的道路都作为需要识别道路的集合R，这里d为各种因素引起的GPS定位误差与道路宽度一半之和的最大值，转步骤2.2)；

若该辆探测车上一次识别的结果有效时，则可以根据当前GPS和前一个GPS之间的时间差以及前一个GPS所处道路的历史车速，基于道路网络拓扑结构的连通性，确定车辆可能行驶到的道路集合R，转步骤2.2)；

2.2)计算道路集合R中每条道路的道路识别置信度，其中步骤细分为：

2.2.1)道路识别置信度是描述GPS点与一条道路的匹配程度，用(0，1)区间的浮点数进行量化道路识别置信度越接近1，这个GPS数据的探测车越有可能位于这条道路，道路识别置信度公式如下：

S＝S(d_r，θ_r)＝ω_dd_r+ω_θθ_r，且ω_d+ω_θ＝1

其中，S为道路识别置信度，d_r＝Δ_GPS/(Δ_GPS+max(0，d-w_r/2))是GPS点到道路形状线段距离d的归一化值，Δ_GPS是GPS的平均误差，w_r为道路r的宽度)，θ_r＝1/(1+θ²)是GPS方向与道路形状线段方向夹角θ的归一化值，ω_d和ω_θ分别为距离和夹角在道路识别置信度中的权重，大多数情况下，道路所包含的道路形状线段数大于1，因而可能得到多个值，这时取最大值作为当前道路的道路识别置信度，同时，记录这个GPS数据到当前道路的投影位置，记为p，转步骤2.2.2)；

2.2.2)在已排序的道路识别置信度集合I＝{S_i|S_i≤S_i+1，i＝1，…，N}中，寻找候选识别道路集R_S＝{r_i|S_m≥S_min，S_m-S_m-1≥S₀，i＝m，…，N，S_i∈I}，其中S₀表示道路识别置信度阈值，S_min表示道路识别置信度可接受的最小值，若无法找到满足S_m-S_m-1≥S₀的道路，则定义候选识别道路集为R_S＝{r_i|S_m≥S_min，S_m≥S_N-S₀，S_m-1＜S_N-S₀，i＝m，…，N，S_i∈I}，与候选识别道路集R_S对应的识别位置集记为P_S，转步骤2.2.3)；

2.2.3)初步判断候选识别道路集R_S中的道路元素的个数，记为|R_S|，

若|R_S|＝0，表示无法识别，此次识别失效，进入下一个GPS点，转步骤2.1)；

若|R_S|＝1，表示GPS点识别到道路，则候选识别道路集R_S＝R_S，识别位置集合记为P_S，步骤2.2)结束，转步骤2.3)；

当|R_S|＞1时，表明R_S中至少有两个候选道路元素，计算R_S中道路识别置信度最大和次大的道路夹角是否大于平行反向道路阈值θ_S，若大于θ_S，表明这两条道路为平行反向道路，增加道路识别置信度公式中夹角的权重，使用新权重ω′_d和ω′_θ进行道路识别，得到新的候选识别道路集R′_S，转步骤2.2.4)；若小于等于θ_S，则候选识别道路集R_S＝R_S，转步骤2.2.5)；

2.2.4)计算R_S和R′_S的交集R_S∩R′_S，候选识别道路集R_S＝R_S∩R′_S，若|R_S|＝1，则该集合中的唯一元素即为识别的道路，那么与候选识别道路集R_S对应的识别位置集记为P_S，步骤2.2)结束，转步骤2.3)；否则继续步骤2.2.5)；

2.2.5)判断候选识别道路集R_S中是否具有共同的节点P₀，且满足与GPS点的距离小于节点距离阈值θ_Node，此θ_Node为各种因素引起的GPS定位误差与道路交汇处宽度之和的最大值，若存在这样的共同节点P₀，则表示GPS点识别到节点P₀，候选识别道路集退化为共同节点，即R_S＝{P₀}，P_S＝{P₀}，步骤2.2)结束，转步骤2.3)；

2.3)推算探测车行车轨迹，其中步骤细分为：

2.3.1)将最新得到的候选识别道路集R_S依次加入候选路径集合{R_k ^*}_k＝1 ^K中，记录R_S中道路的个数|R_S|，记为Ct，继续步骤2.3.2)；

2.3.2)基于候选路径集合{R_k ^*}_k＝1 ^K，寻找所有可能的行车路径TR_i，构成了候选行车路径集{TR_i}_i＝1 ^J，若候选行车路径个数J＝1，则该唯一路径即为最优行车路径，记为TR^*，相应地将GPS点的识别位置集记为P^*，且令{R_k ^*}_k＝1 ¹为最优路径TR^*的最后一条道路，步骤2.3)结束；若J＞1，则继续步骤2.3.3)；

2.3.3)计算候选行车路径集{TR_i}_i＝1 ^J中的每一个候选行车路径TR_i的道路识别置信度总和，以及总长度，对以上两个结果进行归一化处理，之后按照权重求和，得到了一个路径的可信度，对所有的路径的可信度进行升序排列，记为{Conf_j(TR_i)}_j＝1 ^J，继续步骤2.3.4)；

2.3.4)判断候选路径集合{R_k ^*}中的最后一个道路集合的候选道路数Ct是否为1，如果Ct为1则转步骤2.3.5)，如果Ct不为1则继续判断{Conf_j(TR_i)}_j＝1 ^J序列中可信度最大的与次大的之差是否大于设定阈值；如果大于设定阈值则转步骤2.3.5)；如果不大于设定阈值则继续判断候选路径集合{R_k ^*}_k＝1 ^K的数量K是否达到预设的最大值M，此处M为设定的可连续处理GPS数据个数的上限，若已达到M则转步骤2.3.5)，若未达到M则继续判断探测车数据序列中否存在未处理的探测车数据，如果存在则读取下一个数据，转步骤2.1)，如果不存在则等待下一个数据到来，之后转步骤2.1)；

2.3.5)将{Conf_j(TR_i)}_j＝1 ^J序列中可信度最大的元素对应的路径作为最后确定的最优行车路径，记为TR^*，相应地将GPS点的识别位置集记为P^*，且令{R_k ^*}_k＝1 ¹为最优路径TR^*的最后一条道路。

4.如权利要求1或2所述的基于探测车技术的实时动态交通信息处理方法，其特征在于：

所述推算实时动态路况信息步骤3)进一步包括以下步骤：

3.1)确定起点：基于探测车的行驶轨迹TR^*，记录最后一个识别到入路段的GPS数据的时间T₁，用这个GPS在入路段的投影点p₁(x₁，y₁)，作为计算的起点；

3.2)确定终点：终点需要满足以下几个条件：a)终点是第一个识别到出路段的GPS数据的投影点p₂(x₂，y₂)，并记录GPS数据的时间T₂；b)起点和终点之间的所有GPS数据，相邻两个之间的时间间隔不大于预先设定的最大时间间隔；

3.3)计算从起点出发到终点行驶道路的长度L＝L₁+L₂+L₃，以及起点和终点之间的时间间隔ΔT＝T₂-T₁，其中L₁、L₂、L₃是行驶道路被目标路段两个端点分割为三部分路段的长度，综合考虑历史路况信息，根据三个路段上一时刻的平均速度，计算各自的平均通过时间，分别记为t₁、t₂、t₃，若上一时刻的平均速度不存在，则用历史数据库中的历史同期的统计平均速度代替，进而推算目标路段的平均通过时间为 $\stackrel{\‾}{T}=\mathrm{\ΔT}\·(t_2/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{t}_i),$ 那么目标路段的长度L₂与T两者的比值就是当前车辆在目标路段上的平均时速，v＝L₂/T；

3.4)计算一个周期T内所有通过目标路段的探测车的平均时速，根据平均时速的分布，剔除10％的下限和5％的上限，余下所有平均时速的平均值即为目标路段当前的平均时速。

5.如权利要求1所述的基于探测车技术的实时动态交通信息处理方法，其特征在于：

所述建立基于网格分割法的道路索引结构步骤1)进一步包括以下步骤：

1.1)首先，根据城市道路密度确定间隔参数L(x，y)，然后按照经纬度的方向，以一定的间隔L(x，y)将道路网络从上到下、由左至右进行网格化分块；

1.2)在每个网格内，记录网格包含或与之相交的所有道路形状线段编号，并且对这些形状线段进行编号存储，将每条道路的形状线段与道路相关联；

1.3)建立道路索引结构，该索引结构基于网格分割法，采用分层索引的方式，包括四层对象：城市、区域、道路、道路形状线段。

6.如权利要求5所述的基于探测车技术的实时动态交通信息处理方法，其特征在于：

所述间隔L(x，y)应将市中心区的网格中的形状线段的数量平均值控制在100条以内，但不小于道路与道路之间的最小距离，特别的，间隔参数L(x，y)取常数C，则为将道路网络均匀分块。

Images