发明内容
本发明的目的在于提供一种基于北斗的城市大面积路网交通感知方法,能够在高楼大厦交通环境下,实现城市路网大面积范围的交通信息感知和发布,提升交通信息采集系统的运行效率和服务水平。
本发明的技术方案为:
一种基于北斗的城市大面积路网交通感知方法,包括以下步骤:
(1)获取城市路网中所有北斗浮动车的动态参数,包括时间、坐标和方向角数据,对获取的数据进行预处理,排除异常数据;
(2)构建城市路网基础模型,加载城市路网结点集合、路段集合和路由集合,对城市路网地图进行网格化处理,将城市路网中所有路段编号与网格编号进行关联绑定;
(3)基于北斗浮动车的当前坐标,确定其所在的网格,以该网格为中心,以周围九宫格为半径,将九宫格中处于北斗定位误差范围内的路段作为候选路段,得到候选路段集;计算出北斗浮动车的当前坐标与候选路段集中各个候选路段之间的距离,结合北斗浮动车的当前方向角与候选路段集中各个候选路段方向角之间的偏差,构建城市路网车辆坐标匹配指数模型,得到与北斗浮动车的当前坐标相匹配的路段;
(4)读取与北斗浮动车前后两相邻坐标各自相匹配的路段,分别作为该北斗浮动车的起点路段和终点路段,基于北斗浮动车的起点路段和终点路段信息,搜索北斗浮动车的拓展路段集,构建城市路网车辆路径规划模型,计算出拓展路段集中各个拓展路段的距离权重值,确定北斗浮动车的起点路段与终点路段之间的真实行驶路径轨迹;
(5)基于北斗浮动车的真实行驶路径,综合分析得到各个路段的平均旅行时间,再结合各个路段的长度,计算得到各个路段的平均旅行速度,并利用各个路段的历史同期校正平均旅行速度,计算得到各个路段的校正平均旅行速度;
(6)对于没有采样数据覆盖或者采样样本数低于预设阈值的路段,基于交通状态的周期相似理论,利用该路段的历史同期校正平均旅行速度,结合该路段在邻近时间段的校正平均旅行速度,补充得到该路段的校正平均旅行速度信息;
(7)基于各个路段的校正平均旅行速度,构建路段交通运行指数模型,根据计算得到的路段交通运行指数,对城市路网中各个路段的交通状态进行感知判定。
所述的基于北斗的城市大面积路网交通感知方法,所述步骤(1)中,对获取的数据进行预处理,排除异常数据,具体包括:
(11)采用以下公式计算北斗浮动车的旅行速度:
其中,v表示北斗浮动车的旅行速度,dab表示北斗浮动车前后两相邻坐标之间的距离,ta、tb分别表示北斗浮动车前后两相邻坐标的采样时刻;
(12)判断北斗浮动车的旅行速度v是否满足:1≤v≤f*vmax,若是,则判定该北斗浮动车的采样数据为有效数据,若否,则对该北斗浮动车的采样数据进行筛选或剔除;其中,vmax表示道路允许的车辆最大行驶速度,单位:km/h,f表示修正系数;
(13)对旅行速度小于1km/h的北斗浮动车的采样数据进行判定:
a、按照路段编号、车辆编号和采样时刻三个条件对所有北斗浮动车在统计时间内的采样数据进行排列;
b、设同一辆北斗浮动车在同一路段的采样样本数为N,若N≤3,则判定该北斗浮动车的采样数据为有效数据;
c、若N>3,则提取该北斗浮动车在该路段的各个采样时刻,并将第一个采样时刻存入第一缓存区,将第二个采样时刻存入第二缓存区,将第三个采样时刻存入第三缓存区;
判断该北斗浮动车的第三个坐标与第二个坐标之间的距离,若距离等于0,则将该北斗浮动车的第三个采样时刻存入第二缓存区;再判断该北斗浮动车的第四个坐标与第三个坐标之间的距离,若距离等于0,则将该北斗浮动车的第四个采样时刻存入第三缓存区;
以此类推,不断更新缓存区,直至处理完该北斗浮动车在该路段上的所有采样样本;处理结束后,将第一缓存区、第二缓存区、第三缓存区中存储的采样时刻依次记为T1、T2、T3;
若T3-T1>600s且T3-T2>300s,则判定该北斗浮动车为异常停车,其采样数据为无效数据。
所述的基于北斗的城市大面积路网交通感知方法,所述步骤(2)具体包括:
(21)在城市路网基础上,覆盖网格化处理层,确定每个网格的编号和边界范围,网格大小的基本单位为25米*25米;
(22)基于城市路网中所有路段的起点和终点坐标信息,对路段与网格进行关联绑定。
所述的基于北斗的城市大面积路网交通感知方法,所述步骤(3)中,构建城市路网车辆坐标匹配指数模型,得到与北斗浮动车的当前坐标相匹配的路段,具体包括:
(31)获取候选路段集中各个候选路段信息,包括候选路段编号、候选路段起点坐标、候选路段终点坐标和候选路段方向角;
(32)根据候选路段起点坐标和候选路段终点坐标,得到候选路段线性函数;
(33)设北斗浮动车的当前坐标为(x0,y0,z0),候选路段Pi的直线方程为Aix+Biy+Ciz+Di=0,则采用以下公式计算出(x0,y0,z0)与Pi之间的距离di:
(34)构建城市路网车辆坐标匹配指数模型:
其中,MIi表示北斗浮动车的当前坐标与候选路段Pi的匹配指数,di表示当前坐标与候选路段Pi之间的距离,d表示北斗数据距离偏差阈值,θi表示北斗浮动车的当前方向角与候选路段Pi的方向角之间的偏差,θ表示北斗数据方向角偏差阈值;
(35)选取匹配指数最大的候选路段作为与北斗浮动车的当前坐标相匹配的路段。
所述的基于北斗的城市大面积路网交通感知方法,所述步骤(4)中,构建城市路网车辆路径规划模型,计算出拓展路段集中各个拓展路段的距离权重值,确定北斗浮动车的起点路段与终点路段之间的真实行驶路径轨迹,具体包括:
(41)构建城市路网车辆路径规划模型:
g(p,b)=d(p,b)+f(b,q)
其中,p表示起点路段,q表示终点路段,b表示起点路段p的拓展路段,g(p,b)表示拓展路段b的距离权重值,d(p,b)表示当选择拓展路段b时,在其上行驶结束时,北斗浮动车总计已经行驶的路径距离,f(b,q)表示拓展路段b与终点路段q之间的欧几里得距离;
(42)基于城市路网车辆路径规划模型,计算出起点路段的各个拓展路段的距离权重值,并将距离权重值最小的拓展路段选为北斗浮动车的真实行驶路段;
(43)将选中的拓展路段作为新的起点路段,重复步骤(52),直至在拓展路段中找到终点路段。
所述的基于北斗的城市大面积路网交通感知方法,所述步骤(5)具体包括:
(51)设某辆北斗浮动车在前后两相邻坐标之间的真实行驶路径为{Pi,i=1,2,…,n},其中,Pi表示该北斗浮动车所经过的第i个路段的ID号;
(52)采用以下公式计算出该北斗浮动车通过路段Pi的旅行时间:
其中,tij表示北斗浮动车j在路段Pi上的旅行时间,Δdj表示北斗浮动车j行驶路径的长度,Δtj表示北斗浮动车j前后两相邻采样时刻的时间差,li表示路段Pi的长度;
(53)采用以下公式计算得到路段Pi的平均旅行速度:
其中,vi表示路段Pi的平均旅行速度,ni表示路段Pi上参与计算的北斗浮动车总数;
(54)采用以下公式计算得到路段Pi的校正平均旅行速度:
其中,Vi表示路段Pi的校正平均旅行速度,表示路段Pi的若干历史同期校正平均旅行速度的平均值,k1为大于0且小于1的系数;
(55)采用以下公式对路段Pi的若干历史同期校正平均旅行速度的平均值和最近一次计算的路段Pi的校正平均旅行速度进行更新:
V′i=Vi
其中,表示更新后的路段Pi的若干历史同期校正平均旅行速度的平均值,k2为大于0且小于1的系数,V′i表示最近一次计算的路段Pi的校正平均旅行速度。
所述的基于北斗的城市大面积路网交通感知方法,所述步骤(6)具体为:
采用以下公式补充得到该路段的校正平均旅行速度:
其中,Vi表示该路段的校正平均旅行速度,表示该路段的若干历史同期校正平均旅行速度的平均值,V′i表示最近一次计算的该路段的校正平均旅行速度,k3为大于0且小于1的系数。
所述的基于北斗的城市大面积路网交通感知方法,所述步骤(7)中,构建路段交通运行指数模型,具体为:
其中,RTPIi表示某路段的交通运行指数,Vi表示该路段的校正平均旅行速度,α、β、λ、p、m为道路交通拥堵感受优化参数。
由上述技术方案可知,本发明通过构建北斗数据预处理模型、车辆坐标匹配指数模型、车辆路径规划模型和路段交通运行指数模型,实现城市路网大面积范围内的交通状态感知,降低高楼大厦交通环境下,城市路网北斗定位的偏差,提高城市道路交通状态采集和发布的准确度,提升城市路网的交通运行效率和服务水平。
具体实施方式
下面,结合附图和具体实施例进一步说明本发明。
如图1所示,一种基于北斗的城市大面积路网交通感知方法,包括以下步骤:
S1、构建北斗数据预处理模型,获取城市路网中所有北斗浮动车的动态参数,包括时间、坐标和方向角数据,对异常数据(如车辆停车)进行有效过滤,排除异常数据。
S11、北斗浮动车旅行速度预处理
定义北斗浮动车旅行速度v的合理范围为:1≤v≤f*vmax,其中,f是修正系数,vmax是道路允许的车辆最大行驶速度(km/h);
其中,dab为北斗浮动车前后两相邻坐标之间的距离,ta、tb分别为北斗浮动车前后两相邻坐标的采样时刻;
如果v满足合理范围区间,则认为该北斗浮动车的采样数据是有效数据,否则,认为是北斗精度误差和干扰误差,需要对该北斗浮动车的采样数据进行筛选或剔除。
S12、北斗浮动车旅行速度为0预处理
如果北斗浮动车旅行速度小于1km/h,其采样数据可能存在异常情况,因为无法判定是路边载客停车还是交通拥堵停车导致的;
为了避免由于北斗浮动车原始采样数据存在精度问题而产生假行驶现象,应该把相应北斗浮动车前后两相邻坐标之间的距离置为0,并保留时间差,同时运行0值判定筛选算法:
(1)定义T为统计时间,B1、B2、B3为三个数据缓存区;
(2)按照路段编号、车辆编号和采样时刻三个条件对所有北斗浮动车在统计时间T内的采样数据进行排列;
(3)设同一辆北斗浮动车在同一路段的采样样本数为N,提取该北斗浮动车在该路段的各个采样时刻,分别放入缓存区:第一个采样时刻存入B1,第二个采样时刻存入B2,第三个采样时刻存入B3;
(4)如果N≤3,则该北斗浮动车的采样数据可以使用(无法排除异常情况);
(5)如果N>3,首先判断该北斗浮动车的第三个坐标与第二个坐标之间的距离,若距离等于0,则将该北斗浮动车的第三个采样时刻存入B2,即将B2中存储的采样时刻更新为该北斗浮动车的第三个采样时刻;接着再判断该北斗浮动车的第四个坐标与第三个坐标之间的距离,若距离等于0,则将该北斗浮动车的第四个采样时刻存入B3;重复上述步骤,不断更新缓存区,直至处理完该北斗浮动车在该路段上的所有采样样本,此时,将B1、B2、B3三个数据缓存区中存储的采样时刻分别记为T1、T2、T3;
(6)异常数据筛选
若T3-T1>600s且T3-T2>300s,则判定该北斗浮动车为异常停车,如路边休息、抛锚、停车等人等,其采样数据不能使用。
S2、构建城市路网基础模型,加载城市路网结点集合、路段集合和路由集合;
结点N是路网构建的原始点元素,是路段和路由的基础;
路段P是由两个结点所组成的连接,P=(n1,n2,B),其中n1∈N,n2∈N,表示前后两个结点间存在一条可以通行车辆的有界道路,B代表通行条件:B=0,限制通行;B=1,单向通行;B=2,双向通行;
路由L是多个结点和路段所组成的通行长路段集;
在城市路网基础模型上,覆盖网格化处理层,确定每个网格的编号和边界范围,网格大小的基本单位为25米*25米,然后基于城市路网中所有小路段的起点和终点坐标信息,对小路段与网格进行关联绑定:
设路段编码为Pi,网格编码为Qj,网格编码Qj与路段编码Pi进行一对多关联配对:
Qj={P1,P2,…,Pi}(i∈I,j∈J) (2)
i为当前路段的编号;j为当前网格的编号;I为当前网格内的所有路段个数;J为城市路网中所有网格的总个数。
S3、将北斗浮动车采集的坐标信息与城市路网地图进行匹配:
S31、基于北斗浮动车的当前坐标,确定其所在的网格,以该网格为中心,以周围九宫格为半径,搜索目标范围内的路段信息,确定候选路段集,具体包括:
设北斗浮动车的当前坐标为G=(x0,y0,z0),网格Qj={G1,G2,G3,G4},其中,G1为Qj的左上坐标,G2为Qj的右上坐标,G3为Qj的左下坐标,G4为Qj的右下坐标,如果G落入G1、G2、G3、G4界定的范围内,则判定G属于Qj;
然后以Qj为中心,查找周围九宫格,利用公式(2)提取九宫格内的所有路段信息,作为候选路段集。
S32、获取候选路段集中各个候选路段信息,包括候选路段编号、候选路段起点坐标、候选路段终点坐标和候选路段方向角;根据候选路段起点坐标和候选路段终点坐标,得到候选路段线性函数;
设北斗浮动车的当前坐标为(x0,y0,z0),候选路段Pi的直线方程为Aix+Biy+Ciz+Di=0,则采用以下公式计算出(x0,y0,z0)与Pi之间的距离di:
构建城市路网车辆坐标匹配指数模型:
其中,MIi表示北斗浮动车的当前坐标与候选路段Pi的匹配指数,di表示当前坐标与候选路段Pi之间的距离,d表示预设的北斗数据距离偏差阈值常数,一般设置为10米,θi表示北斗浮动车的当前方向角与候选路段Pi的方向角之间的偏差,θ表示预设的北斗数据方向角偏差阈值常数,一般设置为30度;
MIi越大,表示北斗浮动车的当前坐标与候选路段Pi的匹配度越高,因此,选取匹配指数最大的候选路段作为与北斗浮动车的当前坐标相匹配的路段。
S4、对北斗浮动车的行车路线进行推测:
加载城市路网基础模块,主要包括各个结点集合、路段集合、路由集合以及网格集合的信息,读取与某辆北斗浮动车前后两相邻坐标各自相匹配的路段,分别作为该北斗浮动车的起点路段和终点路段;
基于北斗浮动车的起点路段和终点路段信息,搜索北斗浮动车的拓展路段集,拓展路段指的是当车辆行驶到某个路段的终点时,其接下来可能选择行驶的路段,构建城市路网车辆路径规划模型:
g(p,b)=d(p,b)+f(b,q) (5)
d(p,b)=∑1pi+1b (10)其中,1p为起点路段p的长度,n1=(x1,y1,z1)、n2=(x2,y2,z2)分别为起点路段p的两个结点,1q为终点路段q的长度,
nn-1=(xn-1,yn-1,zn-1)、nn=(xn,yn,zn)分别为终点路段q的两个结点,b为起点路段p的拓展路段,n2=(x2,y2,z2)、n3=(x3,y3,z3)分别为拓展路段b的两个结点,f(b,q)为估价距离,一般为拓展路段b与终点路段q之间的欧几里得距离,∑1pi为已走过的路径距离,1b为拓展路段b的长度,g(p,b)为拓展路段b的距离权重值;
利用城市路网车辆路径规划模型,计算出拓展路段集中各个拓展路段的距离权重值,距离权重值越小,代表路径越优,该拓展路段是真实行驶路段的概率就越大,通过判定最大概率行驶路段,最终实现车辆真实行驶路径的推演。
如图2所示,起点路段为p,终点路段为q,起点路段p的拓展路段为b1、b2、b3,根据上述公式计算,得出拓展路段b1的距离权重值最小,因此,将拓展路段b1作为新的起点路段,并找出其相应的拓展路段,按照上述公式计算,从新的起点路段b1的拓展路段中再找出距离权重值最小的路段作为新的起点路段,依次循环,直至在拓展路段中找到终点路段q为止,从而确定北斗浮动车的起点路段与终点路段之间的各个真实行驶路段,形成北斗浮动车的真实行驶路径轨迹。
S5、对城市路网中各个路段的校正平均旅行速度进行计算:
假设某辆北斗浮动车在前后两相邻坐标之间的真实行驶路径为{Pi,i=1,2,…,n},其中,Pi为该北斗浮动车所经过的第i个路段的ID号;
根据下式求出该北斗浮动车通过路段Pi的旅行时间:
其中,tij为北斗浮动车j在路段Pi上的旅行时间,Δdj为北斗浮动车j行驶路径的长度,Δtj为北斗浮动车j前后两相邻采样时刻的时间差,li为路段Pi的长度;
采用下式计算得到路段Pi的平均旅行速度:
其中,vi为路段Pi的平均旅行速度,ni为路段Pi上参与计算的北斗浮动车总数;当ni=0,即路段Pi上没有采样数据覆盖时,需要用历史数据进行补充处理,详见步骤S6;
采用以下公式计算得到路段Pi的校正平均旅行速度:
其中,Vi为路段Pi的校正平均旅行速度,为路段Pi的若干历史同期校正平均旅行速度的平均值,k1为大于0且小于1的系数;
采用以下公式对路段Pi的若干历史同期校正平均旅行速度的平均值和最近一次计算的路段Pi的校正平均旅行速度进行更新:
Vi′=Vi (15)
其中,为更新后的路段Pi的若干历史同期校正平均旅行速度的平均值,k2为大于0且小于1的系数,V′i为最近一次计算的路段Pi的校正平均旅行速度。
S6、利用交通状态的周期相似理论,结合邻近时间段的交通状态,对没有采样数据覆盖或者采样样本数较少的道路进行历史补充。
历史补充模型是对北斗浮动车的当前采样数据的校正,可以提高数据的准确度,数据补充的功能包括以下两个方面:
(1)当路段Pi上没有采样数据覆盖或者采样样本数较少时,通过路段Pi的若干历史同期校正平均旅行速度的平均值和最近一次计算的路段Pi的校正平均旅行速度V′i,补充得到路段Pi的校正平均旅行速度Vi,数据补充过程如下:
其中,Vi为路段Pi的校正平均旅行速度,为路段Pi的若干历史同期校正平均旅行速度的平均值,V′i为最近一次计算的路段Pi的校正平均旅行速度,k3为大于0且小于1的系数。
(2)当路段Pi上有采样数据覆盖且采样样本数符合要求时,首先计算路段Pi的校正平均旅行速度Vi,然后用Vi更新最近一次计算的路段Pi的校正平均旅行速度V′i,同时将路段Pi的若干历史同期校正平均旅行速度的平均值更新为数据更新过程参见公式(13)~(15)。
S7、基于各个路段的校正平均旅行速度,构建路段交通运行指数模型,根据计算得到的路段交通运行指数,对城市路网中各个路段的交通状态进行感知判定;
道路交通运行指数RTPI(Road Traffic Performance Index)是对道路交通运行状态的评价指标,基于路段的校正平均旅行速度Vi的RTPI计算模型如下:
其中,α、β、λ、p、m为道路交通拥堵感受优化参数,需要利用调查问卷和数据分析拟合计算,而且不同的道路等级,参数大小也不相同。
道路交通运行指示模型参数的参考值如表1所示:
表1
根据交通运行指数的大小,判定当前路段的交通运行状态等级,状态判定区间如表2所示:
交通运行指数 |
[0,2] |
(2,4] |
(4,6] |
(6,8] |
(8,10] |
状态评价等级 |
非常畅通 |
畅通 |
缓行 |
拥挤 |
拥堵 |
表2
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。