CN103050006B - 一种基于浮动车技术的城市高架桥识别方法 - Google Patents

Abstract

本发明提供一种基于浮动车技术的城市高架桥识别方法，步骤如下：利用浮动车车载信息终端在车辆行驶过程中定期采集行车信息，并通过移动蜂窝通信技术传送到数据中心；数据中心获取车辆位置信息所属的路段，并将行车信息存储到行车路段数据库中各路段对应位置；按路段并以该路段行车信息中的速度为速度值样本进行统计分析，若速度变量服从正态分布，且速度变量呈两个不同参数的正态分布且两个正态分布的期望的差值大于预设的速度阈值，则可判断该路段为高架桥路段并将此高架桥路段加入高架桥路段集；将高架桥路段集合进行拟合得到一条完整高架桥信息。本发明克服了现有技术无法自动识别高架桥的问题，提供一种便捷、可靠的交通信息服务。

Description

一种基于浮动车技术的城市高架桥识别方法

【技术领域】

本发明涉及一种基于浮动车技术的城市高架桥识别方法。

【背景技术】

随着我国社会经济的飞速发展，城市发展后交通拥挤，建筑物密集，而街道又难以拓宽，由此产生了穿越城区高架桥，提高了运输效率，但是以目前基于浮动车技术判断双层城市交通的堵塞状况往往不能准确地区分出高架桥桥面和交通主干道的实时路况信息。目前在公众出行等交通信息服务系统中，这些信息往往只能根据出行者本人的经验，实现一定程度的高架桥信息识别，尚没有有效的方法提供动态的识别高架桥信息服务。而且,城市道路图层高架桥的添加仍然需要由测绘部门和交通部门进行实地探测后，再统一发布更新交通图层。该方法不仅更新周期长而且更新成本高，无法实现城市高架桥动态更新。为此在基于浮动车技术上，本文提供一种城市高架桥的自动识别方法。

【发明内容】

本发明要解决的技术问题，在于提供一种基于浮动车技术的城市高架桥识别方法，其克服了现有技术无法自动识别高架桥的问题，提供一种便捷、可靠的交通信息服务。

本发明是这样实现的：

一种基于浮动车技术的城市高架桥识别方法，包括如下步骤：

步骤10、利用浮动车车载信息终端在车辆行驶过程中定期采集行车信息，即车辆编号、位置、速度和时间信息，并通过移动蜂窝通信技术传送到数据中心；

步骤20、数据中心获取车辆位置信息所属的路段，并将行车信息存储到行车路段数据库中各路段对应位置；

步骤30、数据中心按路段并以该路段行车信息中的速度为速度值样本进行统计分析，若速度变量服从正态分布，且速度变量呈两个不同参数的正态分布且两个正态分布的期望的差值大于预设的速度阈值，则可判断该路段为高架桥路段并将此高架桥路段加入高架桥路段集；

步骤40、数据中心从高架桥路段集中，提取高架桥路段，将连续的高架桥路段通过拟合得到一条完整高架桥，最终自动识别出一条完整高架桥。

进一步地，所述步骤10进一步包括：

利用浮动车车载信息终端在车辆行驶过程中以一固定时间周期T采集车辆编号u、位置l、速度v、和时间t，得到行车数据序列x_i＝<u_i,l_i,v_i,t_i>，将采集的行车数据序列x_i通过移动蜂窝通信技术发送到数据中心,其中i为行车数据序列x的编号。

进一步地，所述步骤20进一步包括：

步骤21、数据中心从行车数据序列x_i中提取出位置信息l_i与GIS系统进行匹配，得到行车数据序列x_i所属的路段r_s，其中s为路段编号；

GIS系统中对行驶道路分段得到路段集R,R表示为R＝{r₁,r₂,...,r_s,...}；

步骤22、数据中心将同一路段的行车数据序列x_i归为一路段行车数据集合P_s，并存储到路段行车数据库D中，P_s表示为P_s＝{x₁,x₂,...,x_i,...}。

进一步地，所述步骤30进一步包括：

步骤31、从所述的路段行车数据库D的路段行车数据集合P_s中依次提取该路段行车数据序列x_i，首次提取时s＝1，并把行车数据序列加入到集合W，所述的集合W表示为W＝{x₁,x₂,...,x_i,...}；

步骤32、从步骤31的集合W中依次提取行车数据序列x_i，首次提取时i＝1，并从行车数据序列x_i中提取速度v_i构成路段速度集V_s，所述的V_s表示为V_s＝{v₁,v₂,...,v_i,...},其中v_i表示从行车数据序列x_i中提取的速度，然后执行i++；

步骤33、判断x_j是否为集合W的最后一条记录，若否，则返回步骤32，若是，则执行步骤34，并清空集合W；

步骤34、将路段速度集V_s里的速度作为速度值样本进行统计分析，若得到速度随机变量V'服从正态分布，且速度随机变量V'服从两个不同的位置参数μ、尺度参数σ的正态分布，则记为:

$V_1~N({\mathrm{\&mu;}}_1,{\mathrm{\&delta;}}_1^2),V_2~N({\mathrm{\&mu;}}_2,{\mathrm{\&delta;}}_2^2);$

其中，V₁，V₂为两个不同的速度随机变量，μ₁，μ₂为两个正态分布的期望值，为两个正态分布的方差，显然易知μ₁，μ₂也为两个正态分布的平均速度；

对比分析两个正态分布的期望的差值，记ΔV＝|μ₁-μ₂|，当ΔV大于系统预设的速度阈值K时，则判断此路段为高架桥路段；

步骤35、将得到的高架桥路段加入到高架桥路段集Q， $Q=\{{\stackrel{\&OverBar;}{r}}_1,{\stackrel{\&OverBar;}{r}}_2,...,\stackrel{\&OverBar;}{r_m},...\},$

其中表示路段编号为m的路段为高架桥路段，且m∈s；

步骤36、判断m是否为最后一路段的编号，若否，返回步骤31，然后执行s++；若是，执行步骤40。

进一步地，所述步骤40进一步包括：

数据中心从高架桥路段集Q中，提取高架桥路段，将连续的高架桥路段通过拟合得到一条完整高架桥，最终自动识别出一条完整高架桥。

本发明具有如下优点：

本发明基于浮动车技术发现可能的高架桥路段并进行高架桥的拟合，实现了城市高架桥的自动识别，不仅信息获取成本低，而且信息更新及时可靠，使得车辆能够准确掌握实时路况信息，弥补了现有技术对高架桥信息判断的空白。

【附图说明】

下面参照附图结合实施例对本发明作进一步的说明。

图1为本发明方法流程示意图。

【具体实施方式】

请参阅图1所示，对本发明的实施例进行详细的说明。

本发明涉及一种基于浮动车技术的城市高架桥识别方法，包括如下步骤：

步骤10、利用浮动车车载信息终端在车辆行驶过程中定期采集行车信息，即车辆编号、位置、速度和时间信息，并通过移动蜂窝通信技术传送到数据中心；

步骤20、数据中心获取车辆位置信息所属的路段，并将行车信息存储到行车路段数据库中各路段对应位置；

步骤30、数据中心按路段并以该路段行车信息中的速度为速度值样本进行统计分析，若速度变量服从正态分布，且速度变量呈两个不同参数的正态分布且两个正态分布的期望的差值大于预设的速度阈值，则可判断该路段为高架桥路段并将此高架桥路段加入高架桥路段集；

步骤40、数据中心从高架桥路段集中，提取高架桥路段，将连续的高架桥路段通过拟合得到一条完整高架桥，最终自动识别出一条完整高架桥。

较优的，上述步骤具体如下：

步骤10、利用浮动车车载信息终端在车辆行驶过程中以一固定时间周期T采集车辆编号u、位置l、速度v、和时间t，得到行车数据序列x_i＝<u_i,l_i,v_i,t_i>，将采集的行车数据序列x_i通过移动蜂窝通信技术发送到数据中心,其中i为行车数据序列x的编号。

步骤21、数据中心从行车数据序列x_i中提取出位置信息l_i与GIS系统进行匹配，得到行车数据序列x_i所属的路段r_s，其中s为路段编号；

GIS系统中对行驶道路分段得到路段集R,R表示为R＝{r₁,r₂,...,r_s,...}；

步骤22、数据中心将同一路段的行车数据序列x_i归为一路段行车数据集合P_s，并存储到路段行车数据库D中，P_s表示为P_s＝{x₁,x₂,...,x_i,...}。

步骤31、从所述的路段行车数据库D的路段行车数据集合P_s中依次提取该路段行车数据序列x_i，首次提取时s＝1，并把行车数据序列加入到集合W，所述的集合W表示为W＝{x₁,x₂,...,x_i,...}；

步骤32、从步骤31的集合W中依次提取行车数据序列x_i，首次提取时i＝1，并从行车数据序列x_i中提取速度v_i构成路段速度集V_s，所述的V_s表示为V_s＝{v₁,v₂,...,v_i,...},其中v_i表示从行车数据序列x_i中提取的速度，然后执行i++；

步骤33、判断x_j是否为集合W的最后一条记录，若否，则返回步骤32，若是，则执行步骤34，并清空集合W；

步骤34、将路段速度集V_s里的速度作为速度值样本进行统计分析，若得到速度随机变量V'服从正态分布，且速度随机变量V'服从两个不同的位置参数μ、尺度参数σ的正态分布，则记为:

$V_1~N({\mathrm{\&mu;}}_1,{\mathrm{\&delta;}}_1^2),V_2~N({\mathrm{\&mu;}}_2,{\mathrm{\&delta;}}_2^2);$

其中，V₁，V₂为两个不同的速度随机变量，μ₁，μ₂为两个正态分布的期望值，为两个正态分布的方差，显然易知μ₁，μ₂也为两个正态分布的平均速度；

对比分析两个正态分布的期望的差值，记ΔV＝|μ₁-μ₂|，当ΔV大于系统预设的速度阈值K时，则判断此路段为高架桥路段；

步骤35、将得到的高架桥路段加入到高架桥路段集Q， $Q=\{{\stackrel{\&OverBar;}{r}}_1,{\stackrel{\&OverBar;}{r}}_2,...,\stackrel{\&OverBar;}{r_m},...\},$

其中表示路段编号为m的路段为高架桥路段，且m∈s；

步骤36、判断m是否为最后一路段的编号，若否，返回步骤31，然后执行s++；若是，执行步骤40。

步骤40、数据中心从高架桥路段集Q中，提取高架桥路段，将连续的高架桥路段通过拟合得到一条完整高架桥，最终自动识别出一条完整高架桥。

本发明基于浮动车技术发现可能的高架桥路段并进行高架桥的拟合，实现了城市高架桥的自动识别，不仅信息获取成本低，而且信息更新及时可靠，使得车辆能够准确掌握实时路况信息，弥补了现有技术对高架桥信息判断的空白。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (1)

1.一种基于浮动车技术的城市高架桥识别方法，其特征在于：包括如下步骤：

步骤10、利用浮动车车载信息终端在车辆行驶过程中定期采集行车信息，即车辆编号、位置、速度和时间信息，并通过移动蜂窝通信技术传送到数据中心；

步骤20、数据中心获取车辆位置信息所属的路段，并将行车信息存储到行车路段数据库中各路段对应位置；

步骤30、数据中心按路段并以该路段行车信息中的速度为速度值样本进行统计分析，若速度变量服从正态分布，且速度变量呈两个不同参数的正态分布且两个正态分布的期望的差值大于预设的速度阈值，则可判断该路段为高架桥路段并将此高架桥路段加入高架桥路段集；

步骤40、数据中心从高架桥路段集中，提取高架桥路段，将连续的高架桥路段通过拟合得到一条完整高架桥，最终自动识别出一条完整高架桥；

所述步骤10具体为：

利用浮动车车载信息终端在车辆行驶过程中以一固定时间周期T采集车辆编号u、位置l、速度v、和时间t，得到行车数据序列x_i＝＜u_i,l_i,v_i,t_i＞，将采集的行车数据序列x_i通过移动蜂窝通信技术发送到数据中心,其中i为行车数据序列x的编号；

所述步骤20具体为：

步骤21、数据中心从行车数据序列x_i中提取出位置信息l_i与GIS系统进行匹配，得到行车数据序列x_i所属的路段r_s，其中s为路段编号；

GIS系统中对行驶道路分段得到路段集R,R表示为R＝{r₁,r₂,...,r_s,...}；

步骤22、数据中心将同一路段的行车数据序列x_i归为一路段行车数据集合P_s，并存储到路段行车数据库D中，P_s表示为P_s＝{x₁,x₂,...,x_i,...}；

所述步骤30具体为：

步骤31、从所述的路段行车数据库D的路段行车数据集合P_s中依次提取该路段行车数据序列x_i，首次提取时s＝1，并把行车数据序列加入到集合W，所述的集合W表示为W＝{x₁,x₂,...,x_i,...}；

步骤32、从步骤31的集合W中依次提取行车数据序列x_i，首次提取时i＝1，并从行车数据序列x_i中提取速度v_i构成路段速度集V_s，所述的V_s表示为V_s＝{v₁,v₂,...,v_i,...},其中v_i表示从行车数据序列x_i中提取的速度，然后执行i++；

步骤33、判断x_i是否为集合W的最后一条记录，若否，则返回步骤32，若是，则执行步骤34，并清空集合W；

步骤34、将路段速度集V_s里的速度作为速度值样本进行统计分析，若得到速度随机变量V'服从正态分布，且速度随机变量V'服从两个不同的位置参数μ、尺度参数σ的正态分布，则记为:

$V_1~N({\mathrm{\&mu;}}_1,{\mathrm{\&delta;}}_1^2),V_2~N({\mathrm{\&mu;}}_2,{\mathrm{\&delta;}}_2^2);$

其中，V₁，V₂为两个不同的速度随机变量，μ₁，μ₂为两个正态分布的期望值，为两个正态分布的方差，显然易知μ₁，μ₂也为两个正态分布的平均速度；

对比分析两个正态分布的期望的差值，记ΔV＝|μ₁-μ₂|，当ΔV大于系统预设的速度阈值K时，则判断此路段为高架桥路段；

步骤35、将得到的高架桥路段加入到高架桥路段集Q， $Q=\{{\stackrel{\&OverBar;}{r}}_1,{\stackrel{\&OverBar;}{r}}_2,...,\stackrel{\&OverBar;}{r_m},...\},$

其中表示路段编号为m的路段为高架桥路段，且m∈s；

步骤36、判断m是否为最后一路段的编号，若否，返回步骤31，然后执行s++；若是，执行步骤40。