CN102013166B - 基于浮动车技术的红绿灯路口识别方法 - Google Patents

Abstract

本发明提供一种基于浮动车技术的红绿灯路口识别方法，利用浮动车在行驶过程中采集车辆编号、位置和速度信息，并将采集得到的数据信息传送到数据中心；数据中心对所述数据信息中的速度信息进行预处理，得到有效的浮动车数据，然后定位多辆车超低速行驶的区域并提取其中心点位置构成集合R；将上述集合R与交通图层的红绿灯路口集合C进行匹配，得到新增或被取消的红绿灯路口集合C_add和C_del；数据中心对集合C_add和C_del进行检验，从而系统实现红绿灯路口的识别。本发明为各类交通信息服务系统提供动态的、准确的红绿灯路口状态变化信息，不仅信息获取渠道成本低，而且信息更新及时可靠，对各类交通信息服务系统有着重要意义。

Description

基于浮动车技术的红绿灯路口识别方法

【技术领域】

本发明属于信息技术应用领域。具体是涉及交通信息服务系统中红绿灯路口的识别方法，从而可为公众出行等提供动态的红绿灯路口状态的交通信息服务。

【背景技术】

浮动车技术，也被称作“探测车”，已经被广泛使用，其基本原理是：根据装备车载全球定位系统的浮动车在其行驶过程中定期记录的车辆位置、方向和速度信息，应用地图匹配、路径推测等相关的计算模型和算法进行处理，使浮动车位置数据和城市道路在时间和空间上关联起来。目前在公众出行等交通信息服务系统中，由于新增交叉道路或新增立交桥等原因导致的红绿灯路口状态变化需要由路政等建设施工单位实时上报，再发布给公众以指导出行。因此，这种基于手动模式的原始方法，不仅依赖于路政等建设施工单位进行信息上报的实时性，而且部分系统由于缺乏这类信息的获取渠道而无法为公众提供动态的红绿灯路口状态信息服务。该方法不仅更新周期长，而且更新成本高，无法实现道路中红绿灯路口状态变化的动态更新。

【发明内容】

本发明所要解决的技术问题在于为交通信息服务系统提供一种基于浮动车技术的红绿灯路口识别方法，其克服了现有技术中，更新周期长，而且更新成本高，无法实现道路中红绿灯路口状态变化的动态更新的不足。

本发明采用以下技术方案解决上述技术问题：

基于浮动车技术的红绿灯路口识别方法，其包括如下步骤：

步骤10、利用浮动车在行驶过程中采集车辆编号、位置和速度信息，并将采集得到的数据信息传送到数据中心；具体为：利用装备车载定位系统的浮动车以周期τ定期采集车辆编号i、位置l和速度信息v，得到数据信息集合x_i＝<l_i，v_i>，并将采集得到的数据通过移动蜂窝通信技术传送到数据中心；所述浮动车在给定的、且用于分段采样的滑动时间窗T₁内，其采样数据集合为m辆浮动车的n阶序列

X(m，n)＝{x_i，j|i∈[1，m]，j∈[1，n]}

其中， $n=\frac{T_1}{\mathrm{\&tau;}};$

步骤20、数据中心对所述数据信息中的速度信息，将在ΔT内速度一直低于速度υ的数据滤除预处理，得到有效的浮动车数据，然后定位多辆车超低速行驶的区域并提取其中心点位置构成集合R；具体包括：数据中心将非正常行驶的干扰数据滤除，得到有效的浮动车数据集合为

$\stackrel{\&OverBar;}{X}(m,n)=\left\{x_{i,j}\right|x_{i,j}\&Element;X(m,n)\&cap;\&ForAll;i\&Exists;j(v_{i,j}\&GreaterEqual;v)\},j\&Element;[k,k+\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}]$

其中， $k\&Element;[1,n-\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}],$

从而得到有效的浮动车数据，进而可得到所有处于超低速行驶状态的浮动车位置点集合Y(m)

$Y\left(m\right)=\left\{l_{i,j}\right|x_{i,j}\&Element;\stackrel{\&OverBar;}{X}(m,n)\&cap;v_{i,j}\&le;v\left)\right\}$

然后从集合Y(m)中，提取存在S辆以上浮动车彼此之间距离均小于Δ的区域集合

$\stackrel{\&OverBar;}{Y}\left(m\right)=\left\{l_{i,j}\right|l_{i,j}\&Element;Y\left(m\right)\&cap;\&Exists;s(s\&GreaterEqual;S\&cap;\&ForAll;t(t\&le;s\&RightArrow;d(l_{i,j},l_{i,k})\&le;\mathrm{\&Delta;})\}$

其中d(l_i，j，l_i，k)为l_i，j和l_i，k两点间的距离；

为方便后续处理，对上述集合中的各元素重新进行一维编码，进而可根据位置相邻的关系定位出各个多辆车超低速行驶的区域，即

$\left[l_i\right]=\left\{l_j\right|l_j\&Element;\stackrel{\&OverBar;}{Y}\left(m\right)\&cap;d(l_i,l_j)\&le;\mathrm{\&Delta;}\left)\right\}$

并进一步抽取上述各区域的中心点位置

$o_i=\frac{\mathrm{\&Sigma;}{l}_j}{\left|\right[l_i\left]\right|},l_j\&Element;\left[l_i\right]$

由上述各区域的中心点位置o_i，即构成多辆车超低速行驶的区域中心点集合R＝{o_i}，同时系统将集合R存入数据中心的数据库；

步骤30、数据中心将上述集合R与交通图层的红绿灯路口集合C进行匹配，得到新增或被取消的红绿灯路口集合C_add和C_del；具体包括：定义上述集合R与交通图层的红绿灯路口集合C＝{c_i}基于位置相邻的交集为

$\stackrel{\&OverBar;}{R}=\left\{o_i\right|\&Exists;c_i\&Element;C\&cap;d(o_i,c_i)\&le;D\}\&cap;\{c_i|\&Exists;o_i\&Element;R\&cap;d(o_i,c_i)\&le;D\}$

其中D为最大偏移距离

从而得到新增的红绿灯路口集合为

$C_{\mathrm{add}}=R-\stackrel{\&OverBar;}{R}$

而被取消的红绿灯路口集合为

$C_{\mathrm{del}}=C-\stackrel{\&OverBar;}{R};$

步骤40、数据中心对集合C_add和C_del进行检验，若在相应时间窗内集合C_del中的一路口很少出现，则表明该红绿灯路口被取消；若在相应时间窗内集合C_add中的一位置频繁出现，则表明该位置为新增红绿灯路口，从而系统实现红绿灯路口的识别；具体包括：以给定的时间窗T₂，抽取数据库中的多辆车超低速行驶的区域中心点位置数据作为检验数据集，对新增的红绿灯路口集合C_add和C_del进行检验，若C_del中的一路口在检验数据集中重复出现次数小于δ₁，则表明该路口为被取消的红绿灯路口；若C_add中的一位置在检验数据集中重复出现次数大于δ₂，则表明该位置为新增红绿灯路口，从而系统自动发现红绿灯路口的状态变化并识别其状态。

本发明的优点在于：利用大量的浮动车在行驶过程中采集信息，并提取中心点集合R，将集合R与交通图层的红绿灯路口集合C进行匹配，得到新增或被取消的红绿灯路口集合C_add和C_del；数据中心对数据中心的数据库C_add和C_del进行检验，从而系统实现红绿灯路口的识别。本发明为各类交通信息服务系统提供动态的、准确的红绿灯路口状态变化信息，不仅信息获取渠道成本低，而且信息更新及时可靠。

【附图说明】

下面参照附图结合实施例对本发明作进一步的描述。

图1是本发明的基于浮动车技术的红绿灯路口识别方法的系统框架图。

图2是本发明的一种多辆车超低速行驶区域定位算法流程图。

图3是本发明的一种红绿灯路口状态变化发现算法流程图。

图4是本发明的一种红绿灯路口状态识别算法流程图。

【具体实施方式】

本发明为交通信息服务系统提出一种可自动发现红绿灯路口状态变化并识别其状态的方法。基于浮动车技术的红绿灯路口识别方法，该方法包括如下步骤：

步骤10、利用浮动车在行驶过程中采集车辆编号、位置和速度信息，并将采集得到的数据信息传送到数据中心；

步骤20、数据中心对所述数据信息中的速度信息进行数据滤除预处理，得到有效的浮动车数据，然后定位多辆车超低速行驶的区域并提取其中心点位置构成集合R；

步骤30、数据中心将上述集合R与交通图层的红绿灯路口集合C进行匹配，得到新增或被取消的红绿灯路口集合C_add和C_del；

步骤40、数据中心对集合C_add和C_del进行检验，若在相应时间窗内集合C_del中的一路口很少出现，则表明该红绿灯路口被取消；若在相应时间窗内集合C_add中的一位置频繁出现，则表明该位置为新增红绿灯路口，从而系统实现红绿灯路口的识别。

图1所示为基于浮动车技术的红绿灯路口识别方法的系统框架图，其中详细展示了基于浮动车技术的红绿灯路口状态变化发现及其状态识别系统所包括的四个部分，其中每个部分产生的结果作为下一个部分数据处理的对象。

第一个部分进行的是基于滑动时间窗的浮动车行车数据采样，得到浮动车当前行车数据序列；在第二部分中经过数据滤波和区域定位等数据滤除预处理后，提取多辆车超低速行驶的区域中心点集合R，同时将其存入统一的数据库；第三部分通过对上述集合R与交通图层的红绿灯路口集合C的数据匹配，发现可能新增或被取消的红绿灯路口集合C_add和C_del；第四部分，通过浮动车数据库对C_add和C_del进行检验，实现系统的红绿灯路口状态识别。

图2为一种多辆车超低速行驶区域定位的算法流程图，其主要步骤为：

步骤1：利用装备车载定位系统的浮动车以周期τ定期采集车辆编号i、位置l和和速度信息v，得到数据信息集合x_i＝<l_i，v_i>，并将采集得到的数据通过移动蜂窝通信等技术传送到数据中心；所述浮动车在给定的、且用于分段采样的滑动时间窗T₁内，其采样数据集合为m辆浮动车的n阶序列

X(m，n)＝{x_i，j|i∈[1，m]，j∈[1，n]}

其中， $n=\frac{T_1}{\mathrm{\&tau;}}.$

步骤2：对每辆浮动车的行车数据序列，将其速度在ΔT内一直都低于υ的干扰数据滤除，从而得到有效的浮动车行车数据序列；

$\stackrel{\&OverBar;}{X}(m,n)=\left\{x_{i,j}\right|x_{i,j}\&Element;X(m,n)\&cap;\&ForAll;i\&Exists;j(v_{i,j}\&GreaterEqual;v)\},j\&Element;[k,k+\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}]$

其中， $k\&Element;[1,n-\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}].$

步骤3：对得到的有效浮动车行车数据序列，根据其速度提取所有处于超低速行驶状态的浮动车位置点集合Y(m)

$Y\left(m\right)=\left\{l_{i,j}\right|x_{i,j}\&Element;\stackrel{\&OverBar;}{X}(m,n)\&cap;v_{i,j}\&le;v\left)\right\}.$

步骤4：对得到的超低速行驶的浮动车位置点集合Y(m)，根据其位置的相邻关系进行聚类，得到存在S辆以上浮动车均超低速行驶的区域集合

$\stackrel{\&OverBar;}{Y}\left(m\right)=\left\{l_{i,j}\right|l_{i,j}\&Element;Y\left(m\right)\&cap;\&Exists;s(s\&GreaterEqual;S\&cap;\&ForAll;t(t\&le;s\&RightArrow;d(l_{i,j},l_{i,k})\&le;\mathrm{\&Delta;})\}$

其中d(l_i，j，l_i，k)为l_i，j和l_i，k两点间的距离，其小s为一个变量名，即表示存在S辆车以上，该表示为一阶逻辑中的通常用法。

步骤5：对得到的超低速行驶的区域集合

中的各元素重新进行一维编码，再根据其位置的相邻关系进行划分，得到各个超低速行驶的区域

$\left[l_i\right]=\left\{l_j\right|l_j\&Element;\stackrel{\&OverBar;}{Y}\left(m\right)\&cap;d(l_i,l_j)\&le;\mathrm{\&Delta;}\left)\right\}.$

步骤6：对各个超低速行驶的区域进行特征提取，得到各超低速行驶区域的中心点位置

$o_i=\frac{\mathrm{\&Sigma;}{l}_j}{\left|\right[l_i\left]\right|},l_j\&Element;\left[l_i\right]$

再由各中心点位置构成多辆车超低速行驶区域中心点集合R＝{o_i}，并将集合R存入统一的数据库。

图3为一种红绿灯路口状态变化发现算法流程图，其主要步骤为：

步骤1：对多辆车超低速行驶区域中心点集合R与交通图层的红绿灯路口集合C做基于位置相邻的交集运算，得到交集

$\stackrel{\&OverBar;}{R}=\left\{o_i\right|\&Exists;c_i\&Element;C\&cap;d(o_i,c_i)\&le;D\}\&cap;\{c_i|\&Exists;o_i\&Element;R\&cap;d(o_i,c_i)\&le;D\}$

其中D最大偏移距离。

步骤2：对红绿灯路口集合C与交集

做差集运算，得到可能被取消的红绿灯路口集合

$C_{\mathrm{del}}=C-\stackrel{\&OverBar;}{R}.$

步骤3：对多辆车超低速行驶区域中心点集合R与交集

做差集运算，得到可能新增的红绿灯路口集合

$C_{\mathrm{add}}=R-\stackrel{\&OverBar;}{R}.$

图4是一种红绿灯路口状态识别算法流程图，其主要步骤为：

步骤1：以给定的时间窗T₂，从数据库中抽取多辆车超低速行驶的区域中心点集合，作为红绿灯路口检验数据集O；

步骤2：对可能被取消的红绿灯路口集合C_del，若非空则任取路口c_i，并对上述数据集O根据相邻关系提取c_i的相邻数据集合

[c_i]＝{o_i|o_i∈O∩d(c_i，o_i)≤Δ)}

同时对可能新增的红绿灯路口集合C_add，若非空则任取路口c_j，并对上述数据集O根据相邻关系提取c_j的相邻数据集合

[c_j]＝{o_i|o_i∈O∩d(c_j，o_i)≤Δ)}；

步骤3：若集合[c_i]的元素数量小于δ₁，则表明路口c_i为被取消的红绿灯路口，否则表明其红绿灯路口状态无变化；若集合[c_j]的元素数量大于δ₂，则表明路口c_j为新增的红绿灯路口，否则表明其红绿灯路口状态无变化；

步骤4：重复步骤2和3，直至集合C_del和C_add均为空，从而系统自动发现红绿灯路口的状态变化并识别其状态。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (1)

1.基于浮动车技术的红绿灯路口识别方法，其特征在于：该方法包括如下步骤：

步骤10、利用浮动车在行驶过程中采集车辆编号、位置和速度信息，并将采集得到的数据信息传送到数据中心；具体为：利用装备车载定位系统的浮动车以周期τ定期采集车辆编号i、位置l和速度信息v，得到数据信息集合x_i＝<l_i，v_i>，并将采集得到的数据通过移动蜂窝通信技术传送到数据中心；所述浮动车在给定的、且用于分段采样的滑动时间窗T₁内，其采样数据集合为m辆浮动车的n阶序列

X(m，n)＝{x_i，j|i∈[1，m]，j∈[1，n]}

其中， $n=\frac{T_1}{\mathrm{\&tau;}};$

步骤20、数据中心对所述数据信息中的速度信息，将在ΔT内速度一直低于速度υ的数据滤除预处理，得到有效的浮动车数据，然后定位多辆车超低速行驶的区域并提取其中心点位置构成集合R；具体包括：数据中心将非正常行驶的干扰数据滤除，得到有效的浮动车数据集合为

$\stackrel{\&OverBar;}{X}(m,n)=\left\{x_{i,j}\right|x_{i,j}\&Element;X(m,n)\&cap;\&ForAll;i\&Exists;j(v_{i,j}\&GreaterEqual;v)\},j\&Element;[k,k+\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}]$

其中， $k\&Element;[1,n-\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}],$

从而得到有效的浮动车数据，进而可得到所有处于超低速行驶状态的浮动车位置点集合Y(m)

$Y\left(m\right)=\left\{l_{i,j}\right|x_{i,j}\&Element;\stackrel{\&OverBar;}{X}(m,n)\&cap;v_{i,j}\&le;v\left)\right\}$

然后从集合Y(m)中，提取存在S辆以上浮动车彼此之间距离均小于Δ的区域集合

$\stackrel{\&OverBar;}{Y}\left(m\right)=\left\{l_{i,j}\right|l_{i,j}\&Element;Y\left(m\right)\&cap;\&Exists;s(s\&GreaterEqual;S\&cap;\&ForAll;t(t\&le;s\&RightArrow;d(l_{i,j},l_{i,k})\&le;\mathrm{\&Delta;})\}$

其中d(l_i，j，l_i，k)为l_i，j和l_i，k两点间的距离；

为方便后续处理，对上述集合

中的各元素重新进行一维编码，进而可根据位置相邻的关系定位出各个多辆车超低速行驶的区域，即

$\left[l_i\right]=\left\{l_j\right|l_j\&Element;\stackrel{\&OverBar;}{Y}\left(m\right)\&cap;d(l_i,l_j)\&le;\mathrm{\&Delta;}\left)\right\}$

并进一步抽取上述各区域的中心点位置

$o_i=\frac{\mathrm{\&Sigma;}{l}_j}{\left|\right[l_i\left]\right|},l_j\&Element;\left[l_i\right]$

由上述各区域的中心点位置o_i，即构成多辆车超低速行驶的区域中心点集合R＝{o_i}，同时系统将集合R存入数据中心的数据库；

步骤30、数据中心将上述集合R与交通图层的红绿灯路口集合C进行匹配，得到新增或被取消的红绿灯路口集合C_add和C_del；具体包括：定义上述集合R与交通图层的红绿灯路口集合C＝{c_i}基于位置相邻的交集为

$\stackrel{\&OverBar;}{R}=\left\{o_i\right|\&Exists;c_i\&Element;C\&cap;d(o_i,c_i)\&le;D\}\&cap;\{c_i|\&Exists;o_i\&Element;R\&cap;d(o_i,c_i)\&le;D\}$

其中D为最大偏移距离

从而得到新增的红绿灯路口集合为

$C_{\mathrm{add}}=R-\stackrel{\&OverBar;}{R}$

而被取消的红绿灯路口集合为

$C_{\mathrm{del}}=C-\stackrel{\&OverBar;}{R};$

步骤40、数据中心对集合C_add和C_del进行检验，若在相应时间窗内集合C_del中的一路口很少出现，则表明该红绿灯路口被取消；若在相应时间窗内集合C_add中的一位置频繁出现，则表明该位置为新增红绿灯路口，从而系统实现红绿灯路口的识别；具体包括：以给定的时间窗T₂，抽取数据库中的多辆车超低速行驶的区域中心点位置数据作为检验数据集，对新增的红绿灯路口集合C_add和C_del进行检验，若C_del中的一路口在检验数据集中重复出现次数小于δ₁，则表明该路口为被取消的红绿灯路口；若C_add中的一位置在检验数据集中重复出现次数大于δ₂，则表明该位置为新增红绿灯路口，从而系统自动发现红绿灯路口的状态变化并识别其状态。

Images