CN102903240A - 一种基于车载北斗定位终端的实时路况感知系统 - Google Patents

Abstract

本发明提供了一种基于车载北斗定位终端的实时路况感知系统，其特征在于，包括车载终端和服务器端；其中，车载终端包括北斗模块、通信模块、测速模块、显示模块，服务器端包括数据处理模块、数据存储模块、路况分析模块、server通信模块。本发明有效利用了北斗卫星导航系统，实时的对路况进行检测，采用的机器学习方法即使在大数据量的情况下具有训练时间短的优势，而且采用增量更新的方法提高了模型的完备程度，进一步提高了计算结果的准确度。由此实现实时的高准确度的路况检测，通过该检测结果可以方便驾驶员更好的选择行车路径，既节省时间也降低了能耗，同时减少了易堵路段的压力，可以延缓道路的使用寿命。

Description

一种基于车载北斗定位终端的实时路况感知系统

技术领域

本发明涉及北斗定位和路况分析，尤其涉及通过实时监测道路车辆以及其他路况信息用极速学习机算法来推测道路拥堵情况的系统。

背景技术

目前，随着城市化进程的不断发展，城市中的车辆数目增长很快道路拥堵成了人们出行的一大麻烦，如何准确快速的获悉实时路况信息便于即时选择最优路线亦已成为热点问题之一。现有实时反映路况信息的技术多是基于各个路段的实时监控摄像头来捕捉交通流量信息，随后通过广播或道路电子屏幕进行实时反馈，这需要安装覆盖全城市的摄像装置以及大量的道路电子屏幕，故所需的配套硬件设备较多。

关于实时路况信息的获得，已有一些实时显示路况信息和导航的方法，多是通过解析传呼台中的路况信息或通过抽象的简化路网模型来达到获取当前路段实时路况信息的目的。

例如申请号为200510100141.1，名称为《实时路况信息系统及其导航方法》和申请号为201010225427.3，名称为《一种用于车载系统的实时路况状态发布方法及其系统》的专利申请主要通过解析基于传呼台、广播或电视中的音频数据信号，并将其还原成各个路段的经纬度和拥堵状态等实时路况信息，同时在车载导航系统的电子地图上进行标注和重新规划路径及计算最优路线，以期用较优的方式实时导航。

又例如申请号为201110217798.1，名称为《基于简化路网模型的实时路况监控方法》和申请号为CN102354452-A，名称为《Methodfor monitoring real time road condition based on simplified roadnetwork model，involves obtaining road information for road trafficstate，and drawing driving direction information of road traffic statemap》的专利申请通过将普通交叉路口、红绿灯交叉路口、立交桥和环道抽象为节点，节点间的路段抽象为弧，并周期性的采集弧段上车辆的进入时间、位置和方向信息，来获悉普通路径、环道和立交桥道路的路况状态，并标注于电子地图中，从而实现路况的实时监控。

上述第一种方法依赖于音频数据的解析和还原，而这些音频数据的播报和解析在某种程度上又具有不确定性；此外，这些数据的直接来源主要是城市道路中的监控录像，故需要监控摄像头覆盖城市的各个路段。在第二种方法中，缺乏准确快速反映和更新路况信息的必要的计算和比较环节。

关于北斗卫星导航模块，其作为我国自主研制的定位导航系统，目前用的比较多的是基于北斗的定位功能来进行监控和跟踪。

例如申请号为200810229651.2，名称为《基于北斗卫星定位系统的出租车无线视频监控系统及方法》的专利申请将北斗定位融入到了现有的车辆识别系统中，其主要是通过北斗定位来对两辆同一车牌的出租车进行位置比较和匹配从而实现准确的监控和识别套牌出租车。

又例如申请号为201120407048.6，名称为《一种专用于摩托车的北斗卫星监控防盗系统》的专利申请将北斗定位模块应用于摩托车的监控防盗系统中，当有人触发该系统的防盗装置时，监控通信模块即通过北斗定位获取摩托车所在位置信息，并报告监控中心以便做实时的相关处理。

如上所述，迫切需要一种能够方便易行、准确快速反映和更新实时路况信息的方法和机制；同时，北斗定位模块的成熟发展和在监控领域的成功应用，势必进一步推进此项工作。

发明内容

本发明提供一种实时路况感知系统，基于车载北斗的位置信息，结合行车路段的特征信息，使用极速学习机的方法获取路况拥堵模型并对模型进行适时的增量更新，进而实现自动实时的路况感知，以更好的方便车辆行驶。

现代的城市环境中，车辆逐步增多，虽然国家出台政策控制车辆的出行情况以减少道路的拥堵情况，但是在日常生活中堵路拥堵仍然是很难避免的一个现象。而另一方面，随着技术的发展，定位导航系统日益成熟，可以方便的提供给用户所处的地理位置信息。我国自行研发的“北斗”卫星导航系统的开放服务能够达到定位精度25m，测速精度0.2m/s，该精度同GPS不相上下。如图1所示，车辆行驶在道路上时，除了实时的位置信息，还能够获知行车速度。同时，道路上的红绿灯数目，道路的级别(不同级别的道路车道数不同，限速也不同)，路段上的车辆数目，驶入和驶出该路段的实时车辆数，这些信息都是造成道路拥堵的直接或者间接的因素。

本发明所采用的技术方案是：一种基于车载北斗定位终端的实时路况感知系统，其特征在于，包括车载终端和服务器端(车载终端主要作用是信息的获取，并且将数据传送到服务器端，然后待服务器回传道路拥堵信息后进行实时显示；服务器端主要作用是整合所有的车载终端回传的信息，预处理成6维特征向量，通过ELM算法得到一个道路拥堵级别的判断结果，返回到相应路段的车载终端，并且在一定的时间间隔后更新算法模型，以求得到更加准确的结果)；

其中，车载终端包括北斗模块、通信模块、测速模块、显示模块：

1)北斗模块，获取车辆实时经纬度坐标Loc(x，y)；北斗模块是集成在车载终端上的最核心的模块，虽然单个的车辆经纬度坐标不足以为道路拥堵提供足够的信息，但在服务器端将收到所有车辆的位置，其中就可以判断某条道路上的车辆数目，进、出该路段的车辆数等信息；

2)测速模块，与车辆本身的速度表联通，直接读取车辆的实时速度v；测速模块是另一个重要的信息获取模块，车速可以直观的反映车辆行驶的速度，从而也间接的可以知道道路的拥堵情况；

3)通信模块，通过GPRS连接到移动网络中与服务器通信，通信协议采用socket协议，由车载终端主动发起通信请求，将采集的车速信息v、实时位置信息Loc(x，y)以既定的协议发送到服务器端，并等待接收回传的道路拥堵情况；通信模块负责与服务器端的通信，由于传输内容很简单，所以不会占用多少通信带宽，通信的质量一定程度上可以保证；

4)显示模块，实时显示服务器端回传的道路拥堵情况，不同的拥堵级别分别用文字和颜色标注在地图中；显示模块可以为车载终端上带有的一块小屏幕；

服务器端包括数据处理模块、数据存储模块、路况分析模块、server通信模块：

1)数据处理模块，接收车载终端发送来的地理位置信息Loc(x，y)和实时速度信息v进行处理，以提取出六维度的路况特征向量Feature(路段车辆的平均速度路段车辆驶入数量N_in，路段车辆驶出数量N_out，路段车辆存留数量N_m，路段上单位公里的红绿灯数L，道路级别R_road)，同时对该路段进行标注，以方便结果的返回；

2)数据存储模块，将用户发送的位置信息和计算得到的道路拥堵值进行存储，以供后续的更新训练模型使用；

3)路况分析模块，根据数据处理模块提取的六维度的路况特征向量进行实时的路况拥堵计算，并将数据存储模块中的数据输入到原有模型，进行适当的更新；随着数据的不断增多，使得模型更新的更加完善，以提高计算结果的准确度；

4)Server通信模块，与车载终端进行通信，返回路况拥堵分析的最终结果。

所述路况分析模块中是采用极速学习机(Extreme LearningMachine：ELM)训练出路况拥堵模型。

本发明的系统，运行原理如下：

采集路段车载北斗的地理位置信息(经纬度)Loc(x，y)，实时车速v；

以上所述位置信息用来将抽象的位置坐标(如x＝东经30°，y＝北纬30°)转换成语义的地理信息(如中关村东路保福寺桥)，然后通过该信息提取路况特征Feature(路段车辆的平均速度

，路段车辆驶入数量N_in，路段车辆驶出数量N_out，路段车辆存留数量N_m，路段上单位公里的红绿灯数L，道路级别R_road)，进而将路况特征向量作为极速学习机(Extreme Learning Machine：ELM)的输入，训练出路况拥堵模型。同时，适时的引入增量数据，对原始路况模型进行更新，以保证模型的完整性和准确性。最终以路况的拥堵级别(1：非常畅通；2：畅通；3：轻度拥堵；4：中度拥堵；5：严重拥堵)的数值作为输出，在车载终端上反应路况的拥堵程度。

本发明的优点在于，有效利用了我国自行研制的北斗卫星导航系统，实时的对路况进行检测，摆脱了传统路况检测系统中大量的人工工作；此外采用的机器学习方法即使在大数据量的情况下具有训练时间短的优势，而且采用增量更新的方法提高了模型的完备程度，进一步提高了计算结果的准确度。由此实现实时的高准确度的路况检测，通过该检测结果可以方便驾驶员更好的选择行车路径，既节省时间也降低了能耗，同时减少了易堵路段的压力，可以延缓道路的使用寿命。

附图说明

图1是本发明的示例图；

图2是本发明的系统结构示意图；

图3是本发明的系统模块构成图；

图4是本发明的系统方法流程图；

图5是本发明定义的距离图；

图6是本发明一个实施例的北京地图道路分级图；

图7是本发明使用算法示意图；

图8是本发明模型更新示意图。

具体实施方式

如图1～8所示，本发明的基于车载北斗定位终端的实时路况感知系统，包括车载终端和服务器端；

其中，车载终端包括北斗模块、通信模块、测速模块、显示模块：

1)北斗模块，获取车辆实时经纬度坐标Loc(x，y)；；

2)测速模块，与车辆本身的速度表联通，直接读取车辆的实时速度v；

3)通信模块，通过GPRS连接到移动网络中与服务器通信，通信协议采用socket协议，由车载终端主动发起通信请求，将采集的车速信息v、实时位置信息Loc(x，y)以既定的协议发送到服务器端，并等待接收回传的道路拥堵情况；

4)显示模块，实时显示服务器回传的道路拥堵情况，不同的拥堵级别分别用文字和颜色标注在地图中；

服务器端包括数据处理模块、数据存储模块、路况分析模块、server通信模块：

1)数据处理模块，接收车载终端发送来的地理位置信息Loc(x，y)和实时速度信息v进行处理，以提取出六维度的路况特征向量Feature(路段车辆的平均速度路段车辆驶入数量N_in，路段车辆驶出数量N_out，路段车辆存留数量N_m，路段上单位公里的红绿灯数L，道路级别R_road)，同时对该路段进行标注，以方便结果的返回；下面详细介绍路段的6维特征如何产生：

路段车辆的平均速度

对于各级路段的每个划分单元，根据车载终端返回的经纬度就能够将所有车辆对应到相应的路段中，然后针对每个路段所有的车辆，根据公式求取速度的平均值。

路段车辆驶入数量N_in：路段的起始位置为Loc(x_start，y_start)，道路的终止位置为(x_end，y_end)，由于一般公交汽车平均车长12m，为道路上常见的最长的车，所以在判断车辆流入流出数量时，在道路的位置信息基础上加入车长，如图3，以获取相对准确的实时车辆流入流出数量。流入量的计算为：N_in＝Number(x_start-x_length，y_start-y_length)＜＝(x_car，y_car)＜＝(x_start+x_length，y_start+y_length)，Number代表数量统计计算。

路段车辆驶出数量N_out：路段车辆驶出数量同理，N_out＝Number(x_end-x_length，y_end-y_length)＜＝(x_car，y_car)＜＝(x_end+x_length，y_end+y_length)。

路段车辆存留数量N_m：N_m＝Number(x_start+x_length，y_start+y_length)＜＝(x_car，y_car)＜＝(x_end-x_length，y_end-y_length)。

路段上单位公里的红绿灯数L：由于在直行的道路上，红绿灯数过多时会造成车辆频繁停车，增加拥堵的可能性；而在十字路口的地方，红绿灯叉会起到很好的调节作用，所以引入了红绿灯数来作为一个特征量。为了统一起见，用每公里的平均红绿灯数来表征。例如在长为5公里的路段上有2个红绿灯数，则L＝2/5＝0.4个/公里。由于红绿灯数的位置是固定的，所以可以从相关部门拿到红绿灯的数目和具体位置，将他们对应到相应的路段，然后计算出L，以后便可以直接查表得到相应的值。

道路级别R_road：以北京地区的路段为例进行说明：北京地区的路段共分为4级：一级为高速公路；二级为环路；三级为主干道路；四级为次主干道路。各级道路按照一般情况，一级以50公里为单位，二、三级以5公里为单位，四级以2公里为单位划分为离散的路段，对每个路段的拥堵情况分别进行判断，划分的每段道路由特定的标号进行表示。标号由5位数字组成，首位表示路段级别，1、2、3、4分别对应一、二、三、四级道路。第二位表示路段的走向，东-西向用1表示，南-北向用2表示，东南-西北向用2表示，东北-西南向用4表示。后三位则用来表示需要。例如一条南-北向的二级道路(环路)的标号可能就为：22001。

综上，经过数据处理模块处理后的数据格式如下所示：

$\mathrm{featur}{e}_{\mathrm{No}.\mathrm{Road}}=\{\stackrel{\‾}{v},N_{\mathrm{in}},N_{\mathrm{out}},N_m{,L}_{,}{R}_{\mathrm{road}}\}$

例如，北四环路上的某一段就可以如下表示：

feature₂₁₀₁₃＝{36，11，6，1350，0，2}

2)数据存储模块，将用户发送的位置信息和计算得到的道路拥堵值进行存储；

3)路况分析模块，根据数据处理模块提取的六维度的路况特征向量进行实时的路况拥堵计算，并将数据存储模块中的数据输入到原有模型，进行适当的更新；

对于每一时刻得到的道路特征向量feature_No.Road，如上述feature₂₁₀₁₃，训练道路拥堵模型Y＝f(Feature)，以学习道路拥堵情况，从而根据采集到的当前北斗信息判断实时路况。模型训练使用的是近几年兴起的极速学习机(Extreme Learning Machine：ELM)的机器学习方法，该方法由新加坡南洋理工大学的黄广斌等人提出，相比于传统的机器学习方法，该方法能够较快完成即时训练任务，并从现有文献来看，其训练结果优于一些传统的工具，尤其在训练时间方面，可以获得较大的提高。

对于每一时刻得到的道路特征向量 $\mathrm{Feature}(\stackrel{\‾}{v},N_{\mathrm{in}},N_{\mathrm{out}},N_m,$ $L,R_{\mathrm{road}}),$ 训练道路拥堵模型Y＝f(Feature)如图7所示。

该机器学习方法是一种前向单隐层学习网络SLFN(Singlehidden Layer Feedforward Neural Network)，对于一个输入路况特征向量，拥有L个隐藏节点的单隐层的前馈神经网络，隐藏节点的参数a_i和b_i在训练过程中并不需要计算调整，只需在初始阶段随意赋值即可，由此大大缩短了模型训练时间。

为了获得增量式实时学习效果，对于新增加的训练数据X^*，可以将其加入已有训练数据集组成一个新的训练集来得到新的模型，但是该方法随着数据集的增大，训练时间必然增加，因而不是最佳方案，而增量数据对模型的贡献Δβ也可以直接体现在对已有训练模型参数β₀进行修正，从而获得新的模型参数β^*，其中β^*＝β₀+Δβ(X^*)，如图8所示。通过增量数据的不断增加，对模型进行适时的更新，以获取更完整准备的模型。

根据上述道路拥堵模型训练方法训练得到的拥堵模型Y＝f(Feature)可以植入在服务器上进行应用，当实时的北斗信息传递过来时，即可计算道路特征，进而计算实时的道路拥堵情况。

4)Server通信模块，与车载终端进行通信，返回路况拥堵分析的最终结果。

Claims (2)

1.一种基于车载北斗定位终端的实时路况感知系统，其特征在于，包括车载终端和服务器端；

其中，车载终端包括北斗模块、通信模块、测速模块、显示模块：

1)北斗模块，获取车辆实时经纬度坐标Loc(x，y)；

2)测速模块，与车辆本身的速度表联通，直接读取车辆的实时速度v；

3)通信模块，通过GPRS连接到移动网络中与服务器通信，通信协议采用socket协议，由车载终端主动发起通信请求，将采集的车速信息v、实时位置信息Loc(x，y)以既定的协议发送到服务器端，并等待接收回传的道路拥堵情况；

4)显示模块，实时显示服务器端回传的道路拥堵情况，不同的拥堵级别分别用文字和颜色标注在地图中；

服务器端包括数据处理模块、数据存储模块、路况分析模块、server通信模块：

1)数据处理模块，接收车载终端发送来的地理位置信息Loc(x，y)和实时速度信息v进行处理，以提取出六维度的路况特征向量Feature，同时对该路段进行标注，以方便结果的返回；

2)数据存储模块，将用户发送的位置信息和计算得到的道路拥堵值进行存储，以供后续的更新训练模型使用；

3)路况分析模块，根据数据处理模块提取的六维度的路况特征向量进行实时的路况拥堵计算，并将数据存储模块中的数据输入到原有模型，进行适当的更新；

4)Server通信模块，与车载终端进行通信，返回路况拥堵分析的最终结果。

2.权利要求1所述实时路况感知系统，其特征在于，所述路况分析模块中是采用极速学习机训练出路况拥堵模型。

Images