CN102968900B - 一种对rfid交通数据进行处理的方法 - Google Patents

Abstract

本发明公开了一种对RFID交通数据进行处理的方法，包括在城市中设置能覆盖各主干道的RFID基站，通行车辆张贴RFID环保电子卡，该方法的步骤为：以邻接表模型为基础，RFID基站为节点，两两RFID基站为基站对，以节点和基站对形成路网结构模型；各RFID基站采集各通行车辆的信息，形成实时过车数据并缓存进内存数据库中，之后将实时过车数据进行匹配，并对匹配结果进行异常处理和定时统计，生成实时交通参数,并将结果保存在数据仓库中。本发明通过路网建模实现了对RFID过车数据的处理，进而得到了准确的交通参数，为后续精确化的交通管理提供了坚实的基础。

Description

一种对RFID交通数据进行处理的方法

技术领域

本发明属于智能交通路网建模技术领域，具体涉及基于RFID基站布局进行建模，对采集到的RFID交通数据计算处理的方法。

背景技术

随着社会经济的快速发展，机动车保有量迅速增长，城市道路供给和交通需求的矛盾日益突出，交通拥堵日益严重，导致行车时间加长、环境污染加重、交通事故增多，城市整体功能下降。传统的交通管理手段和方法难以为继，只有采用信息技术手段，才能及时获取和发布道路状况的实时信息，依据交通流量、车速等信息进行动态交通信号控制，有效引导车辆，提高城市道路通行能力，适应新形势下城市道路交通发展的需要。

目前国内流行的基于传感线圈、GPS、视频抓拍等各类交通数据的模型计算出的车速、流量数据存在很大的局限性，情况如下：

1、数据类型较为单一；

2、数据质量一般，且受天气等自然环境的影响下质量相差明显；

3、不能识别或识别车牌具体信息准确性差；

4、应用场景狭窄，由此带来的经济效益较低；

近年来，随着物联网技术的发展，环保RFID电子标签的应用作为现代车辆的识别手段，其大范围的应用给数据采集提供了更加方便、快捷、准确的新思路，弥补了传统数据采集技术的不足，也为涉车应用明确了新的方向，射频数据与传统交通行业数据的融入也为我们提出了新的课题。因此，建立基于RFID数据的交通网络模型，计算出准确、实时的交通数据，对全面提升城市交通的技术含量与服务水平尤其关键。

发明内容

本发明所要解决的技术问题是提供一种稳定可靠的基于RFID交通数据进行城市路网交通管理的方法。

本发明所述的一种对RFID交通数据进行处理的方法，包括在城市中设置能覆盖各主干道的RFID基站，通行车辆张贴RFID环保电子卡，该方法的步骤为：

1）以邻接表模型为基础，将一个RFID基站视为一个节点，每个节点形成一个基站表；以两两RFID基站为基站对，确定两两RFID基站间的拓扑关系，形成基站对表，以节点和基站对形成路网结构模型；

2)各RFID基站通过其数据采集系统采集各通行车辆中RFID环保电子卡的信息，形成实时过车数据并缓存于内存数据库中，之后将实时过车数据进行匹配，并对匹配结果进行异常处理和定时统计，生成实时交通参数,并将结果保存在数据仓库中。

上述步骤2）中的具体过程为：

2.1）某RFID基站获取一条实时过车数据A，将过车数据A插入内存数据库的过车记录表中；

2.2）提取过车数据A中的车牌号码，并在过车记录表中搜索该车通过其他基站时的匹配过车数据B；

2.3）将过车数据B所对应的RFID基站m作为终点，到基站对表寻找匹配的起点RFID基站n；如搜索成功，进行下一步运算，搜索失败，结束整个逻辑过程；

2.4）计算该车辆从RFID基站n到RFID基站m的行程车速，并将车牌号、行程车速、基站对编号、通行时间写入匹配记录表中，同时对该基站对的通行车流量进行累加并缓存；

2.5）对匹配记录表中的过车匹配数据进行异常处理，修正错误数据和异常数据的情况；生成实时交通参数,并将结果保存在数据仓库中。

上述步骤2.5）对匹配记录表中的过车匹配数据进行异常处理为：

2.5.1）首先按照过车时间对基础匹配数据进行排序，然后按照固定阀值去除偏离实际较大的数据，得到新的数据列Xn=(X1,X2,X3…..XN)，n=1,2…；

2.5.2）求Xn的数学期望μ=(                                               k)/n， k=1,2…； 

2.5.3）求Xn的标准差σ= ， k=1,2…；；

2.5.4）根据高斯分布曲线性质中的3σ法则对异常数据进行排除，其中：

P(μ-σ<X≤μ+σ)=68.3%(4.1式)

P(μ-2σ<X≤μ+2σ)=95.4%(4.2式)

P(μ-3σ<X≤μ+3σ)=99.7%(4.3式)

取4.2式进行排除，即X≤μ-2σ且X>μ+2σ的数据为异常数据。

本发明的有益效果：

本发明通过路网建模实现了对RFID过车数据的处理，进而得到了准确的交通参数，为后续精确化的交通管理提供了坚实的基础。相比目前常见的基于其他交通数据的路网模型，其模型的稳定性高，数据质量优，重点解决了实时行程车速及交叉口流量的计算，能够准确地判别路网交通状态。

附图说明

图1是RFID基站建设布置示意图，

图2是基站对的示意图，

图3是邻接表模型，

图4是实时计算程序系统架构，

图5是实时计算程序运算逻辑，

图6是路网数据结构。

具体实施方式

1、路网结构模型的建立，用于描述网络拓扑结构，即地理要素之间空间关系的结构。

本发明结合交通网络流理论，采用节点和基站对来表述交通网络。结合RFID基站布局的特点，如图1，为一十字路口，路口四个方向的双向车道上都分别设有RFID基站，本发明视一个基站为一个节点绘制路网结构。如图2，其中数字黑点（如：1,2）表示基站节点，虚线表示可以匹配的基站对。以邻接表模型（图3）为基础，将一个RFID基站视为一个节点，每个节点形成一个基站表；以两两RFID基站为基站对，确定两两RFID基站间的拓扑关系，形成基站对表，以节点和基站对形成路网结构模型

2、组织路网数据，并基于RFID基站数据采集系统的实时处理。

即组织、存储实际交通网络包含的空间数据，并与路网的拓扑结构有机地联系起来。各RFID基站通过其数据采集系统采集各通行车辆中RFID环保电子卡的信息，形成实时过车数据并存入该RFID基站的邻接表中。实时对过车数据进行匹配，并对匹配结果进行异常处理和定时统计，生成实时交通参数,并将结果保存在数据仓库中。

具体过程为：

2.1）某RFID基站获取一条实时过车数据A，将过车数据A插入内存数据库的过车记录表中；

2.2）提取过车数据A中的车牌号码，并在过车记录表中搜索该车通过其他基站时的匹配过车数据B；

2.3）将过车数据B所对应的RFID基站m作为终点，到基站对表寻找匹配的起点RFID基站n；如搜索成功，进行下一步运算，搜索失败，结束整个逻辑过程；

2.4）计算该车辆从RFID基站n到RFID基站m的行程车速，并将车牌号、行程车速、基站对编号、通行时间写入匹配记录表中，同时对该基站对的通行车流量进行累加并缓存；

2.5）对匹配记录表中的过车匹配数据进行异常处理，修正错误数据和异常数据的情况；生成实时交通参数,并将结果保存在数据仓库中。

RFID基站网络间包含大量的空间数据（表达地理实体几何属性的数据）和属性数据（表达地理实体非几何的数据），如节点的坐标，路段的长度、车道数、等级等，该步骤将绘制完成的路网拓扑结构进行扩展，结合Gis空间数据库的建设方法，将这些数据进行组织、存储。

以下以南京市智能交通建设项目为实例，描述其系统架构（如图4）。

首先,本发明必须具备的前提场景是所建设的RFID基站覆盖城市大部分主干道，车辆张贴RFID环保电子卡，基站能正常采集过车数据并发送至数据中心。另外，建模及实时计算所具备的主要系统环境如下：

基站数据采集系统：用于采集、汇聚RFID基站过车数据，并发送至数据中心存储。

Gis（地理信息系统）系统：用于定位各个基站在地图上位置，确定两两基站间的拓扑关系，并能够测量基站间的距离。

内存数据库：用于将实时过车记录缓存于内存中，并提供数据的查询统计功能，相对于磁盘，读写速度高出几个数量级。

数据仓库系统：用于存储路网数据及模型计算出的实时交通参数。

基于以上场景,建模及计算过程如下:

1、           依托Gis系统，结合南京市内道路的布局及走向，确定两两基站间的拓扑关系，并按照图6表结构标准汇总路网基站对数据：

1）           基站（节点）表

存储各个节点的位置、方向、类型、状态等基础信息。

2）           基站对表

   存储两两基站对关系的表，又称“路段表”，其中包括了起点、终点、长度、等级等信息。

 两张表结构是构建RFID基站路网模型的结果，图3。

2、      对接基站数据采集系统，进行实时计算程序的开发

如图5，具体计算步骤如下：

1）           获取一条过车数据A并将其插入内存数据库“10分钟过车数据表”中；

其中，根据本发明中RFID汇集度理论的研究，我们选取10分钟作为南京市内过车数据的汇集标准，“10分钟过车数据表”需定时维护，保证它存储10分钟时间跨度的历史过车数据。 显然，当该模型应用于其他城市时，汇集度需要根据城市交通情况进行调整。

2）           取A中的车牌号码到“10分钟过车数据表”中搜索该车通过其他基站的匹配过车数据B；

搜索成功，进行下一步运算，搜索失败，结束整个逻辑。

3）           将B中的基站m作为终点到“基站对表”寻找匹配的起点n；

搜索成功，进行下一步运算，搜索失败，结束整个逻辑。

4）           计算该车辆从基站n到基站m的行程车速，并将车牌号、行程车速、基站对编号，通行时间写入匹配记录表中，同时该基站对的通行车流量进行累加并缓存；

   该步骤得到了单个车辆通过某基站对的车程车速，并对该基站对所在道路的分流流量进行了累加计算。

5）           根据本发明中的RFID交通数据的各类处理方法，对匹配记录表中的过车匹配数据进行处理；

   处理的数据类型主要为：错误数据、异常数据。

6）           每隔10分钟对已处理的过车匹配数据进行统计，将10分钟内的路段行程车速、分流流量等写入数据仓库。

由于不同业务对交通流数据有着不同汇集度的应用需求，按照实际需要，可将计算出的行程车速，交叉口分流流量数据按不同汇集度进行统计并写入数据仓库。

此处需强调，对匹配记录表中的过车匹配数据进行异常处理的过程为：

1．              选取一个单位时间跨度的基础数据列X，并基于阀值作预处理。

首先按照过车时间对基础匹配数据进行排序，然后按照固定阀值去除偏离实际较大的数据，这里我们选取的偏离车速为等于0km/h及大于等于100km/h的，得到新的数据列Xn=(X1,X2,X3…..XN)，n=1,2…。

2．              求Xn的数学期望μ=(k)/n，k=1,2…；

3．              求Xn的标准差σ= ，k=1,2…；

4．              根据高斯分布曲线性质中的3σ法则对异常数据进行排除，其中：

P(μ-σ<X≤μ+σ)=68.3%(4.1式)

P(μ-2σ<X≤μ+2σ)=95.4%(4.2式)

P(μ-3σ<X≤μ+3σ)=99.7%(4.3式)

取4.2式进行排除，即X≤μ-2σ且X>μ+2σ的数据为异常数据。

通过运用车流呈高斯分布的特性进行异常数据的处理，排除了由于中途停车、交叉口延误、匹配错误而产生的异常数据。

3、      本发明数据处理后的应用举例

1）      实时路况

    实时路况是针对当今城市交通道路拥堵畅通情况所提出的一个概念，为公众出行和交通的管理指挥提供了便利。

根据模型计算各路段实时行程车速，加之基于行程车速的城市道路路况的评判阀值标准，运用Gis系统，就可以直观的展示出城市道路实时路况。

2）      交叉口信号灯动态配时

现行的交叉口信号灯的配时大多依据基于线圈数据模型，而线圈模型对获取交叉口的分流流量精确度较差。

本发明中基于RFID的路网模型可获知实时、准确的交叉口分流流量，可直接应用于交叉口信号灯的动态配时。

3）      出行路线规划

根据用户输入的出发地、目的地、出行日期和时间等，为其制订合理的耗时少、路程少的出行路线。

本发明计算出的实时交通参数结合Gis系统可为用户规划出结合路面实时路况的出行路线，更加地的合理、准确。本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (2)

1.一种对RFID交通数据进行处理的方法，包括在城市中设置能覆盖各主干道的RFID基站，通行车辆张贴RFID环保电子卡，其特征在于包括以下步骤：

1）以邻接表模型为基础，将一个RFID基站视为一个节点，每个节点形成一个基站表；以两两RFID基站为基站对，确定两两RFID基站间的拓扑关系，形成基站对表，以节点和基站对形成路网结构模型；

2)各RFID基站通过其数据采集系统采集各通行车辆中RFID环保电子卡的信息，形成实时过车数据并缓存于内存数据库中，之后将实时过车数据进行匹配，并对匹配结果进行异常处理和定时统计，生成实时交通参数,并将结果保存在数据仓库中；步骤2）中的具体过程为：

2.1）某RFID基站获取一条实时过车数据A，将过车数据A插入内存数据库的过车记录表中；

2.2）提取过车数据A中的车牌号码，并在过车记录表中搜索该车通过其他基站时的匹配过车数据B；

2.3）将过车数据B所对应的RFID基站m作为终点，到基站对表寻找匹配的起点RFID基站n；如搜索成功，进行下一步运算，搜索失败，结束整个逻辑过程；

2.4）计算该车辆从RFID基站n到RFID基站m的行程车速，并将车牌号、行程车速、基站对编号和通行时间写入匹配记录表中，同时对该基站对的通行车流量进行累加并缓存；

2.5）对匹配记录表中的过车匹配数据进行异常处理，修正错误数据和异常数据；生成实时交通参数,并将结果保存在数据仓库中。

2.根据权利要求1所述的对RFID交通数据进行处理的方法，其特征在于，步骤2.5）对匹配记录表中的过车匹配数据进行异常处理为：

2.5.1）首先按照过车时间对基础匹配数据进行排序，然后按照固定阀值去除偏离实际较大的数据，得到新的数据列X=(X1,X2,X3…XN)；

2.5.2）求X的数学期望                                               ； 

2.5.3）求X的标准差σ= ；

2.5.4）根据高斯分布曲线性质中的3σ法则对异常数据进行排除，其中：

P(μ-σ<X≤μ+σ)=68.3%       (4.1)

P(μ-2σ<X≤μ+2σ)=95.4%     (4.2)

P(μ-3σ<X≤μ+3σ)=99.7%     (4.3)

取4.2式进行排除，即X≤μ-2σ且X>μ+2σ的数据为异常数据。