CN104537209B - 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 - Google Patents

Abstract

本发明提供了一种基于隐马尔科夫模型的车辆行驶道路类型的判断方法，将车辆行驶在不同道路类型的过程刻画为隐马尔科夫模型，通过对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模型，之后利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断，判断准确性高，延时低，进一步保障了驾驶员的驾驶安全；另一方面，在刻画隐马尔科夫模型是基于置于车辆中的智能手机的加速度传感器及GPS设备，降低了对硬件的要求，使本发明的判断方法普及性提高。

Description

基于隐马尔科夫模型的车辆行驶道路类型的判断方法

技术领域

本发明涉及交通网络中道路类型识别技术领域，特别涉及一种基于隐马尔科夫模型的车辆行驶道路类型的判断方法。

背景技术

随着汽车的普及和道路的建设，城际间的经济往来更加频繁，活动的区域也越来越大；为了提高生活质量，大量的休闲活动、探险活动的举行使我们并不局限在自己认识的一小块区域中，不认识道路，找不到目的地的情况也屡有发生，而车载GPS导航仪有效的解决了上述问题。

但是车载GPS导航仪并无法准确的判断出车辆是在高架路面还是在地面路面上行驶，为驾驶员的的安全驾驶造成了一定的影响，极易导致交通事故的发生。这主要是由于城市里多建设有为了缓解交通拥堵方便出行所建设的高架道路，而高架道路正下方还有着一条或多条平行的地面道路，如果车辆正行驶在这类高架地面重合的路段，GPS导航仪及车辆定位系统等都不能准确快速的判断出车辆是在高架路面还是在地面路面，此时就可能出现驾驶员手动调整定位信息的情况，从而影响了驾驶员的驾驶安全，增加了驾驶员的驾驶危险。

发明内容

本发明的目的在于提供一种基于隐马尔科夫模型的车辆行驶道路类型的判断方法，以解决使用现有技术中车载GPS导航仪及车辆定位系统无法准确的判断出车辆是在高架路面还是在地面路面上行驶，出现驾驶员手动调整定位信息的情况，从而影响了驾驶员的驾驶安全的问题。

为解决上述技术问题，本发明提供一种基于隐马尔科夫模型的车辆行驶道路类型的判断方法，所述基于隐马尔科夫模型的车辆行驶道路类型的判断方法包括如下步骤：

确定隐马尔科夫模型的隐含状态集合及观测值序列；

对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模型；

利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断。

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，所述隐含状态集合S＝{s₁，s₂}，隐含状态s₁表示高架路面，隐含状态s₂表示地面路面。

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，基于置于车辆中的智能手机确定所述观测值序列O＝{O₁，O₂，...，O_t}，所述智能手机内部装载有加速度传感器及GPS设备。

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，所述车辆的行驶过程以时槽划分，将智能手机在每个时槽内收集到数据提取的特征作为所述观测值序列中的观测值；所述数据包括所述加速度传感器采集的加速度传感器数据及所述GPS设备采集的GPS数据。

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，获得所述观测值(f₁，f₂，f₃，f₄)的步骤如下：

利用智能手机的加速度传感器获取加速度传感器数据并提取所述加速度传感器数据中的车辆实时的线性加速度及重力加速度；

利用智能手机的GPS设备获取GPS数据并提取所述GPS数据中车辆实时的车速及GPS设备定位所接收到的卫星数；

依次对所述车辆实时的线性加速度、所述重力加速度、所述车辆实时的车速及所述GPS设备定位所接收到的卫星数提取一特征；

对每个特征进行划分，并将所有划分后的特征所组成的四元组(f₁，f₂，f₃，f₄)作为观测值。

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，对每个特征进行划分的方法如下：

根据所述车辆实时的车速实时的车速提取的特征为速度方差V_var；对于所述速度方差V_var，设定阈值TS_Vvar，将区间划分为(-∞，TS_var)∪[TS_var，+∞)，分别用0，1表示，记为f₁；

根据所述GPS设备定位所接收到的卫星数提取的特征为平均卫星数Avg_Sat；对于平均卫星数Avg_sat，设定阈值TS_sat，将区间划分为(-∞，TS_sat)∪[TS_sat，+∞)，分别用0，1表示，记为f₂；

根据所述重力加速度提取的特征为重力加速度在z轴最小值Gmin_z；对于重力加速度在z轴最小读值Gmin_z,设定阈值TS_g，将区间划分为(-∞，TS_g)∪[TS_g，+∞),分别用0，1表示，记为f₃；

根据所述车辆实时的线性加速度提取的特征为线性加速度在z轴的方差VarAcc_z；对于线性加速度在z轴的方差VarAcc_z，设定两个阈值TS_a1、TS_a2，以及将区间划分(-∞，TS_a1)∪[TS_a1，TS_a2)∪[TS_a2，+∞),分别用0，1，2表示，记为f₄。

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，所述训练好的隐马尔科夫模型λ＝(A，B，π)，其中，隐含状态转移概率矩阵A＝[aij]，aij＝P(s_i|s_j)，i＝1,2，j＝1,2，此时，

P(s₂|s₂)＝1-P(s₁|s₂)，

P(s₁|s₁)＝1-P(s₂|s₁)；

其中，n_total1，n_total2分别为经过高架路面入口的车辆的数量及经过高架路面出口的车辆的数量；n_switched1，n_switched2分别为从地面路面驶入高架路面的车辆的数量及从高架路面驶入地面路面的车辆的数量；k为时间槽的序号；

观测状态转移概率矩阵B＝[bnm],

其中，n＝1,2,m＝1,2,...N，o_m为由所述观测值确定的观测状态；

初始状态概率矩阵π＝[π_i]。

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，所述利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断包括如下步骤：

根据所述观测值序列确定车辆行驶于不同道路类型的概率；

采用向前算法，根据前一时槽车辆行驶的道路类型的概率，计算下一时槽车辆行驶的道路类型的概率；

根据下一时槽车辆行驶的道路类型的概率与行驶地面路面的阈值TS_surface或行驶高架路面的阈值TS_elevated比较，以判断车辆下一时槽车辆行驶的道路类型。

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，所述采用向前算法，根据前一时槽车辆行驶的道路类型的概率，计算下一时槽车辆行驶的道路类型的概率采用的公式如下：

其中，表示在观测序列O的情况下，此时车辆处在隐含状态为s_i的概率，当t＝0时，

可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，根据下一时槽车辆行驶的道路类型的概率与行驶地面路面的阈值TS_surface或行驶高架路面的阈值TS_elevated比较，以判断车辆下一时槽车辆行驶的道路类型具体步骤如下：

当前一时槽内车辆行驶于地面路面s₂时，判断是否小于行驶地面路面的阈值TS_surface，若是，则判定测量下一时槽车辆驶入高架路面；若否，则判定测量下一时槽车辆仍在地面路面；

当前一时槽内车辆行驶于地面路面s₁时，判断是否小于行驶高架路面的阈值TS_elevated，若是，则判定测量下一时槽车辆驶入地面路面；若否，则判定测量下一时槽车辆仍在高架路面。

在本发明所提供的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，将车辆行驶在不同道路类型的过程刻画为隐马尔科夫模型，通过对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模型，之后利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断，判断准确性高，延时低，进一步保障了驾驶员的驾驶安全；另一方面，在刻画隐马尔科夫模型是基于置于车辆中的智能手机的加速度传感器及GPS设备，降低了对硬件的要求，使本发明的判断方法普及性提高。

附图说明

图1是本发明中车辆坐标系与置于车辆中的智能手机坐标系之间的关系的示意图；

图2是本发明一实施例中基于隐马尔科夫模型的车辆行驶道路类型的判断方法的流程图；

图3是本发明一实施例中获取隐马尔科夫模型的观测值的示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的基于隐马尔科夫模型的车辆行驶道路类型的判断方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

请参考图2，其为本发明一实施例中基于隐马尔科夫模型的车辆行驶道路类型的判断方法的流程图，如图2所示，所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法包括如下步骤：

首先，执行步骤S1，确定隐马尔科夫模型的隐含状态集合及观测值序列；

将车辆的行驶过程划分时槽，单位时槽大小为t，使用隐马尔科夫模型刻画车辆在城市不同道路类型的行驶过程，由于车辆自身并不能够准确的判断下一时槽，车辆是进入另一种道路类型，还是继续维持在当前所行驶的道路上，因此，这里将道路类型作为隐马尔科夫模型的隐含状态集合S＝{s₁，s₂}，隐含状态s₁表示高架路面，隐含状态s₂表示地面路面。在利用隐马尔科夫模型来解决本发明所要解决的技术问题，还需要确定观测值序列O＝{O₁，O₂，...，O_t}，这里观测值序列是通过在欲判断的车辆中设置智能手机，利用智能手机内部装载的加速度传感器及GPS设备所采集的数据加以确定的，由于观测值序列O表示从开始至t时槽通过智能手机所观测到的观测值的序列，由此只要确定所有观测值即可确定观测值序列。

进一步的，将智能手机在每个时槽内收集到数据提取的特征作为所述观测值序列中的观测值；所述数据包括所述加速度传感器采集的加速度传感器数据及所述GPS设备采集的GPS数据。

请参考图3，其为本发明一实施例中获取隐马尔科夫模型的观测值的示意图。如图3所示，获得的观测值为四元组(f₁，f₂，f₃，f₄)，获得所述观测值(f₁，f₂，f₃，f₄)的步骤如下：

利用智能手机的加速度传感器获取加速度传感器数据并提取所述加速度传感器数据中的车辆实时的线性加速度及重力加速度；利用智能手机的GPS设备获取GPS数据并提取所述GPS数据中车辆实时的车速及GPS设备定位所接收到的卫星数；依次对所述车辆实时的线性加速度、所述重力加速度、所述车辆实时的车速及所述GPS设备定位所接收到的卫星数提取一特征；对每个特征进行划分，并将所有划分后的特征所组成的四元组(f₁，f₂，f₃，f₄)作为观测值。

具体的，通过对每个特征设定阈值以控制隐马尔科夫模型中观测值的数量，使得在模型参数的估计更加方便可靠，对每个特征进行划分的方法如下：

根据所述车辆实时的车速实时的车速提取的特征为速度方差V_var；对于所述速度方差V_var，设定阈值TS_Vvar，将区间划分为(-∞，TS_var)∪[TS_var，+∞)，分别用0，1表示，记为f₁；根据所述GPS设备定位所接收到的卫星数提取的特征为平均卫星数Avg_Sat；对于平均卫星数Avg_sat，设定阈值TS_sat，将区间划分为(-∞，TS_sat)∪[TS_sat，+∞)，分别用0，1表示，记为f₂；根据所述重力加速度提取的特征为重力加速度在z轴最小值Gmin_z；对于重力加速度在z轴最小读值Gmin_z,设定阈值TS_g，将区间划分为(-∞，TS_g)∪[TS_g，+∞),分别用0，1表示，记为f₃；根据所述车辆实时的线性加速度提取的特征为线性加速度在z轴的方差VarAcc_z；对于线性加速度在z轴的方差VarAcc_z，设定两个阈值TS_a1、TS_a2，以及将区间划分(-∞，TS_a1)∪[TS_a1，TS_a2)∪[TS_a2，+∞),分别用0，1，2表示，记为f₄。

本实施例中，加速度传感器以及GPS设备采集的数据进行特征提取后，从而表征隐马尔科夫模型中的观测值(f₁，f₂，f₃，f₄)，由以上四种特征组成的四元组构成了一个四维的实数空间，在这种情况下隐马尔科夫模型的观测值有无限多个，为了方便隐马尔科夫模型的训练，我们将四种特征设定阈值转化为离散型的参数以限定隐马尔科夫模型的观测值为有限多个，为了使得模型刻画精准，同时又使得观测值数量较少方便模型训练，我们采集了大量的数据对四种特征进行分析，得到了几个较为有区分度的阈值来对特征进行划分，。

对于特征提取，我们的目的通过提取的特征尽可能的区分出车辆行驶在何种路面上，因此，本实施例通过加速度传感器数据及GPS数据共提取了四个特征，其分别为：1.速度方差V_var、2.平均卫星数Avg_sat、3.重力加速度在z轴最小读值Gmin_z、4.线性加速度在z轴的方差VarAcc_z。当然，我们还可以提取其它多种特征来体现当前时槽内车辆行驶在高架或地面路面时的特征，例如从重力加速度(g_x，g_y，g_z)提取重力加速度y轴最小读值的绝对值Gmin_y，从线性加速度(a_x，a_y，a_z)提取线性加速度y轴的方差VarAcc_y，线性加速度z轴最大值与最小值的差Delta_lz，速度的平均值V_avg等，但这些特征经过多次试验验证，同上述四个特征相比，没有达到同等较佳的表征效果，进而对后续在线判断道路类型精准度造成不同程度的影响。

为了更好的理解本实施例选择提取的上述四个特征的原因具体原因如下：

1.对于速度方差V_var：高架路与平行的地面路相比，我们认为在高架路上行驶的车辆在一个时槽内速度的变化程度相对来说会与地面情况不一样。通常情况下，当车辆在地面行驶时会遇到交通信号灯，十字路口等迫使车辆减速以及停止的情况，地面道路相对于高架路也更为拥堵，这些原因使得车辆行驶在地面路时更容易出现不断的加速减速(踩油门，踩煞车)的过程，而行驶在高架路上的车辆的速度可能会更加平顺，因此我们用速度的方差这个特征来刻画这样一种规律。

2.对于平均卫星数Avg_Sat：GPS设备用于定位的卫星很容易被遮挡，当车辆行驶在与高架路平行的地面路时，由于高架路处于地面路的上方，GPS所能接收到的卫星数可能会受到一定的干扰，因此我们用平均卫星数来刻画这样一种规律。

3.对于重力加速度在z轴的最小读值Gmin_z：我们通过实验观测到，当车辆经过较为粗糙的路面时，重力加速度在z轴的变化较为明显，使用重力加速度在z轴的最小读值能够一定程度的反应出路面平滑程度。

4.对于线性加速度在z轴的方差VarAcc_z：线性加速度在z轴的分量反应出车辆在z轴方向的震动情况。我们通过实验观测发现，z轴线性加速度与车辆的速度以及路面的平滑情况相关，车辆的速度越慢，路面越为平滑，z轴线性加速度的波动越小，因此我们采用了线性加速度在z轴的方差VarAcc_z来刻画这一种规律。

接着，执行步骤S2，对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模型λ＝(A，B，π)。

隐马尔科夫模型的训练是采用先验概率估计模型参数，隐马尔科夫模型的训练分为对状态转移概率矩阵A的估计和观测状态转移概率矩阵B的估计。其中，对状态转移概率矩阵A＝[aij]，aij＝P(s_i|s_j)，i＝1,2，j＝1,2，此时，

P(s₂|s₂)＝1-P(s₁|s₂)，

P(s₁|s₁)＝1-P(s₂|s₁)；

其中，n_total1，n_total2分别为经过高架路面入口的车辆的数量及经过高架路面出口的车辆的数量；n_switched1，n_switched2分别为从地面路面驶入高架路面的车辆的数量及从高架路面驶入地面路面的车辆的数量，这里以P(s1|s2)的估计为例，P(s1|s2)表示的是从地面路面转移到高架路面的概率，对于观测到的所有车辆n_total1，每辆车都有一个长度为k的状态序列，其中n_switched1辆车进入了高架路面，因此它们的状态序列中，有k-1个为地面路面，1个为高架路面；n_total1-n_switched1辆车沿着地面路面继续行驶，因此它们的状态序列中有k个为地面路面。P(s1|s2)的式子中，其分母为所有状态序列中，地面状态s2的总数，其分母为所有状态序列中，状态对(s2,s1)的总数。对于P(s2|s1)同理。

具体的，为了更好的理解状态转移概率矩阵A的估计过程，请结合下面步骤对上面的公式作进一步的理解：

(1)选取多个高架路出入口，对于每个出入口在一周时间内每天的7:30-8:30，10:30-11:30,13:30-14:30,17:30-18:30,20:30-21:30这5个时间段进行观测；(2)对于所有的观测数据汇总，记录经过高架入口的车辆的总数n_total1，从地面驶入高架的车辆总数n_switched1，经过一个高架路出口处的车辆总数n_total2，驶出高架路的车辆总数n_switched2；(3)我们始终给定道路类型的切换发生在每一次判定的第k个时间槽；(4)我们对于地面驶入高架和高架驶入地面这两种情况设定两个不同的状态转移矩阵(其训练方法就是按照上述方法)。

本实施例中，观测状态转移概率矩阵B＝[bnm]，

其中，n＝1,2,m＝1,2,...N，o_m为由所述观测值确定的观测状态；

本实施例中，初始状态概率矩阵π＝[π_i]，由于。

具体的，将智能手机置于车辆的中控台上，利用防滑垫或其他工具将智能手机固定，并调整智能手机的方位，使得智能手机的坐标轴与车辆坐标轴成如图1中所示的关系，接下来，当车辆开始行驶时，我们给定车辆所在道路的情况，若车辆在地面路面，则设定隐马尔科夫模型中初始状态矩阵为π₁＝0，π₂＝1，若车辆在高架路面上，则设定隐马尔科夫模型中初始状态矩阵为π₁＝1，π₂＝0。

接着，执行步骤S3，利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断。

当车辆在行驶过程中，我们通过智能手机提供的地图信息，判断车辆是否在高架路面和地面路面重合的路段行驶，若不在，则可判断车辆始终在地面路行驶，若车辆在高架路面与地面路面重合的路段行驶，仅当车辆接近某一高架出入口(若行驶在地面路面，则为高架路面入口；若行驶在高架路面，则为高架路面出口)，本实施例中优选为以距离高架路面出入口500米内开始收集数据从而通过地图判断是否需要在线判断车辆行驶道路类型，换言之，只有在车辆行驶距离高架路面或者地面路面重合的路段时，若在车辆行驶进入该段重合路段距离地面路面或高架路面的出入口一端距离范围内才应用本发明的判断方法对道路类型进行判断，无需全程进行，判断过程简单，判断结果精准度高。

这里始终认定车辆到达某一高架路面或地面路面出入口闸道的时间为第k个时间槽，由于智能手机的加速度传感器和GPS设备在车辆距离高架路面或地面路面出入口500米处已开始收集数据，我们可以知道前面k个观测值。

进一步的，步骤S3通过以下步骤实现：

根据所述观测值序列确定车辆行驶于不同道路类型的概率；

采用向前算法，根据前一时槽车辆行驶的道路类型的概率，计算下一时槽车辆行驶的道路类型的概率；其所采用的的公式如下：

其中，表示在观测序列O的情况下，此时车辆处在隐含状态为s_i的概率，当t＝0时，

根据下一时槽车辆行驶的道路类型的概率与行驶地面路面的阈值TS_surface或行驶高架路面的阈值TS_elevated比较，以判断车辆下一时槽车辆行驶的道路类型。

具体的，当前一时槽内车辆行驶于地面路面s₂时，判断是否小于行驶地面路面的阈值TS_surface，若是，则判定测量下一时槽车辆驶入高架路面；若否，则判定测量下一时槽车辆仍在地面路面；当前一时槽内车辆行驶于地面路面s₁时，判断是否小于行驶高架路面的阈值TS_elevated，若是，则判定测量下一时槽车辆驶入地面路面；若否，则判定测量下一时槽车辆仍在高架路面。例如，若从第k个时间槽至(k+10)个时槽以内，在某一时间槽，若车辆之前处于地面路，而此时我们认为车辆进入了高架路，设定π₁＝1，π₂＝0，并停止计算；若车辆之前处于高架路面，而此时我们认为车辆进入了地面路，设定π₂＝1，π₁＝0，并停止计算。若计算延续至第(k+11)个时槽，我们认为车辆并没有改变道路类型，维持原有的初始矩阵不变，停止计算，并等待下一次被唤醒工作(即车辆进入下一个高架路面出入口范围内)。整个判断过程较为简单，判断准确性高，延时低，满足人们实际应用的需求。

综上，在本发明所提供的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，将车辆行驶在不同道路类型的过程刻画为隐马尔科夫模型，通过对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模型，之后利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断，判断准确性高，延时低，进一步保障了驾驶员的驾驶安全；另一方面，在刻画隐马尔科夫模型是基于置于车辆中的智能手机的加速度传感器及GPS设备，降低了对硬件的要求，使本发明的判断方法普及性提高。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (7)

1.一种基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征在于，包括如下步骤：

确定隐马尔科夫模型的隐含状态集合及观测值序列；

对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模型；

利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断；

基于置于车辆中的智能手机确定所述观测值序列O＝{O₁，O₂，...，O_t}，所述智能手机内部装载有加速度传感器及GPS设备；

所述车辆的行驶过程以时槽划分，将智能手机在每个时槽内收集到数据提取的特征作为所述观测值序列中的观测值；所述数据包括所述加速度传感器采集的加速度传感器数据及所述GPS设备采集的GPS数据；

获得所述观测值(f₁，f₂，f₃，f₄)的步骤如下：

利用智能手机的加速度传感器获取加速度传感器数据并提取所述加速度传感器数据中的车辆实时的线性加速度及重力加速度；

利用智能手机的GPS设备获取GPS数据并提取所述GPS数据中车辆实时的车速及GPS设备定位所接收到的卫星数；

依次对所述车辆实时的线性加速度、所述重力加速度、所述车辆实时的车速及所述GPS设备定位所接收到的卫星数提取一特征；

对每个特征进行划分，并将所有划分后的特征所组成的四元组(f₁，f₂，f₃，f₄)作为观测值。

2.如权利要求1所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征在于，所述隐含状态集合S＝{s₁，s₂}，隐含状态s₁表示高架路面，隐含状态s₂表示地面路面。

3.如权利要求1所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征在于，对每个特征进行划分的方法如下：

根据所述车辆实时的车速实时的车速提取的特征为速度方差V_var；对于所述速度方差V_var，设定阈值TS_Vvar，将区间划分为(-∞，TS_var)∪[TS_var，+∞)，分别用0，1表示，记为f₁；

根据所述GPS设备定位所接收到的卫星数提取的特征为平均卫星数Avg_Sat；对于平均卫星数Avg_sat，设定阈值TS_sat，将区间划分为(-∞，TS_sat)∪[TS_sat，+∞)，分别用0，1表示，记为f₂；

根据所述重力加速度提取的特征为重力加速度在z轴最小值Gmin_z；对于重力加速度在z轴最小读值Gmin_z,设定阈值TS_g，将区间划分为(-∞，TS_g)∪[TS_g，+∞),分别用0，1表示，记为f₃；

根据所述车辆实时的线性加速度提取的特征为线性加速度在z轴的方差VarAcc_z；对于线性加速度在z轴的方差VarAcc_z，设定两个阈值TS_a1、TS_a2，以及将区间划分(-∞，TS_a1)∪[TS_a1，TS_a2)∪[TS_a2，+∞),分别用0，1，2表示，记为f₄。

4.如权利要求1所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征在于，所述训练好的隐马尔科夫模型λ＝(A，B，π)，其中，隐含状态转移概率矩阵A＝[aij]，aij＝P(s_i|s_j)，i＝1,2，j＝1,2，此时，

$P\left(s_1\right|s_2)=\frac{n_{switched1}}{k*n_{total1}-n_{switched1}},$

P(s₂|s₂)＝1-P(s₁|s₂)，

$P\left(s_2\right|s_1)=\frac{n_{switched2}}{k*n_{total2}-n_{switched2}},$

P(s₁|s₁)＝1-P(s₂|s₁)；

其中，n_total1，n_total2分别为经过高架路面入口的车辆的数量及经过高架路面出口的车辆的数量；n_switched1，n_switched2分别为从地面路面驶入高架路面的车辆的数量及从高架路面驶入地面路面的车辆的数量；k为时间槽的序号；

观测状态转移概率矩阵B＝[bnm],

$bnm=P\left(o_m\right|s_n)=\frac{{\mathrm{count}}_{S=s_n,O=o_m}}{{\mathrm{count}}_{S=s_n}},$

其中，n＝1,2,m＝1,2,...N，o_m为由所述观测值确定的观测状态；

初始状态概率矩阵π＝[π_i]。

5.如权利要求1所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征在于，所述利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断包括如下步骤：

根据所述观测值序列确定车辆行驶于不同道路类型的概率；

采用向前算法，根据前一时槽车辆行驶的道路类型的概率，计算下一时槽车辆行驶的道路类型的概率；

根据下一时槽车辆行驶的道路类型的概率与行驶地面路面的阈值TS_surface或行驶高架路面的阈值TS_elevated比较，以判断车辆下一时槽车辆行驶的道路类型。

6.如权利要求5所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征在于，所述采用向前算法，根据前一时槽车辆行驶的道路类型的概率，计算下一时槽车辆行驶的道路类型的概率采用的公式如下：

$\begin{array}{c}{p}_{s_i}\left(t\right)=\frac{1}{C^t}p\left(o_t\right|s_i)\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\left(a_{\mathrm{ji}}{p}_{s_j}(t-1)\right)\\ C^t={\mathrm{\Σ}}_{j=1}^2\left(p\left(o_t\right|s_j)\mathrm{\Σ}\left(a_{\mathrm{ij}}{p}_{s_i}(t-1)\right)\right);\end{array};$

其中，表示在观测序列O的情况下，此时车辆处在隐含状态为s_i的概率，当t＝0时，

7.如权利要求5所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征在于，根据下一时槽车辆行驶的道路类型的概率与行驶地面路面的阈值TS_surface或行驶高架路面的阈值TS_elevated比较，以判断车辆下一时槽车辆行驶的道路类型具体步骤如下：

当前一时槽内车辆行驶于地面路面s₂时，判断是否小于行驶地面路面的阈值TS_surface，若是，则判定测量下一时槽车辆驶入高架路面；若否，则判定测量下一时槽车辆仍在地面路面；

当前一时槽内车辆行驶于地面路面s₁时，判断是否小于行驶高架路面的阈值TS_elevated，若是，则判定测量下一时槽车辆驶入地面路面；若否，则判定测量下一时槽车辆仍在高架路面。