CN104933857A - 一种基于gps定位技术的交通流量融合监控方法 - Google Patents

Abstract

一种基于GPS定位技术的交通流量融合监控方法，包括以下步骤：(1)计算选定路段某时间段浮动车的空间平均车速；(2)计算该路段某时间段地感线圈检测的时间平均车速；(3)求相应的浮动车时间平均速度；(4)求浮动车数据的校准比。本发明提出了将地感线圈所采集的车辆瞬间速度和浮动车所采集的空间平均速度相融合的算法，从而得到校准后的路段平均速度，提高了路段平均速度的监测精度。

Description

一种基于GPS定位技术的交通流量融合监控方法

技术领域

本发明涉及一种GPS定位技术与固定检测技术融合的动态交通流算法，属于信息融合技术与智能信息处理技术领域，用于ITS的交通管理信息系统。

背景技术

目前一些城市建设了智能交通系统，建立了ITS信息平台并给部分车辆配备了GPS车载装置。基于车载GPS技术的浮动车采集技术，属于“线”检测，可以提供连续的、路段的甚至整个路网的交通信息，但受到浮动车数量规模受限等多方面的影响，检测精度一直不能够达到需要，而且只能提供路段平均车速和行程时间等交通信息。固定检测技术主要包括磁频、波频、视频等检测技术，属“点”检测，可以提供精度较高的交通量、路口车速和占有率等基本交通信息，但其只能检测路口交通信息，难以检测路段交通信息，完备性不足。综合两种检测技术的优缺点，浮动车检测技术在动态反应道路交通状况方面的优势，并与传统交通流检测数据进行融合处理，可以使交通信息检测的准确度、覆盖范围、即时性等方面得到较大程度的提升。

发明内容

本发明的目的在于提出移动与固定检测技术相融合的思路，研究以移动和固定两种检测技术为基础的动态交通流参数融合算法，以提高检测的精度和完备性，从而使基于ITS的交通指挥管理和面对公众的交通信息咨询发布变得更加有效。

在实际运用中，由于出租车出行路线的随机性、某些情况下GPS定位失效、通信系统故障等原因，造成所采集的浮动车GPS数据存在时间和空间上的一些缺失，并导致FCD(浮动车)系统采集的速度信息有时准确度不够高而且有缺失。对于这一问题，可以通过多源信息融合提高系统定位精度和完整性的方式解决。然而，仅仅依靠提高GPS定位精度并不能完全保证FCD系统速度计算的准确性。因为在FCD速度估计算法中，速度值是根据当前时刻车辆数据估算出来的，并没有考虑到实际的车辆所处的路况状态，特别是当车辆在交叉口附近时，预测值就很不理想，因此FCD系统采集的速度信息不可避免地存在误差。此外，电子地图更新不及时以及电子地图精度不够高等原因也会影响FCD系统速度估算的精度。为解决上述问题，可以通过融合其它交通信息源的交通信息，全面提高交通信息采集的准确性和完整性。这是一种特征级信息融合方法，通过融合异源交通信息，全面提高交通信息采集的准确性和完整性。

本发明具体技术方案如下：

一种基于GPS定位技术的交通流量融合监控方法，其特征在于包括以下步骤：

(1)计算选定路段某时间段浮动车的空间平均车速；

(2)计算该路段某时间段地感线圈检测的时间平均车速；

(3)求相应的浮动车时间平均速度；

(4)求浮动车数据的校准比。

进一步，本发明包括以下步骤：

(5)根据求得的浮动车数据的校准比建立校准比表，在此基础上，进行行车诱导工作。

所述步骤(1)中计算选定路段某时间段浮动车的空间平均车速，方法如下：

设该选定路段起点和终点id分别为i，j，计算在t1-t2时段中的浮动车空间平均车速，则在浮动车数据中搜索所有满足以下条件：oid＝i；did＝j；t1＜t＜t2的记录，然后采用以下公式计算：

${\stackrel{\‾}{v}}_{\mathrm{sf}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{v}_k}{n}$

式中，n为搜索到的记录数目，v_k为各记录中速度值，为i到j路径的在t1-t2时段的平均车速。

所述步骤(2)中计算选定路段某时间段地感线圈检测的时间平均车速，方法如下：

设该选定路段起点和终点id分别为i，j，计算在t1-t2时段中的浮动车空间平均车速，则在浮动车数据中搜索所有满足以下条件：oid＝i；did＝j；t1＜t＜t2的记录，然后采用以下公式计算：

${\stackrel{\‾}{v}}_{\mathrm{tl}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{v}_k}{n}$

式中，n为搜索到的记录数目，v_k为各记录中速度值，为的该路段地感线圈在t1-t2时段检测到的时间平均车速。

所述步骤(3)中求相应的浮动车时间平均速度采用以下方法：

$v_{\mathrm{tf}}=v_{\mathrm{sf}}+\frac{{{\mathrm{\σ}}_{\mathrm{sf}}}^2}{v_{\mathrm{sf}}}$

其中σ_sf ²为v_sf的均方差。

所述步骤(4)中求浮动车数据的校准比采用以下方法：

$\mathrm{\λ}=\frac{v_{\mathrm{tf}}}{v_{\mathrm{tl}}}$

所述步骤(5)所述的建立校准比表，包括以下步骤：

(51)计算一天内各个时段的校准比，并组成当天各时段的校准比表；

(52)根据近期三个月的浮动车数据和环形线圈检测车速数据计算三个月内每天的校准比表；

(53)将三个月内每天的校准比表根据星期几进行算术平均，分别求得周一至周日各天的校准表；

(54)为了保证平均时间代价表能反映近期道路交通变化规律，需要对该表进行定期更新；更新周期可设为一个月，每个月月末将本月各星期对应天的校准比求算术平均值，从而获得该月周一到周日的校准表，再执行以下计算：

更新后的校准比＝未更新校准比+k×该月的校准比

其中k为更新系数；

对时间代价表中各项时间代价均进行更新后，则产生了更新后的时间代价表，作为下一个月的计算依据。

本发明提出了将地感线圈所采集的车辆瞬间速度和浮动车所采集的空间平均速度相融合的算法，从而得到校准后的路段平均速度，提高了路段平均速度的精度。通过校准后的路段平均速度计算路网的时间代价，并采用迪杰斯特拉算法建立基于时间代价花费最小的普通车辆诱导和公交车辆诱导方案，改善了路网拥挤状况。提出的融合算法在Matlab6.0上进行了仿真，结果表明校准后的路段平均车速几乎接近路段的时间车速，校准精度大于95％。

具体实施方式

通常使用车速来反映路网交通状况，一般要求获得各路段的空间平均车速值。有限的浮动车数据可以获得在某条路段上的近似的空间平均速度。但是通过浮动车移动检测所获得的平均车速受样本数目以及车型的限制，不能完全反映道路上车辆速度特征。而地感线圈检测器能够获得所有通过线圈的车辆的瞬时速度，由此可以得到道路某一断面较为准确的时间平均速度。

本发明是将地感线圈采集的车速与浮动车采集车速相融合以获得较为准确的路段平均车速。

在城市道路网行驶的浮动车大多数为出租车，意味着所获得的浮动车车速接近小型客车车速。而由于道路上行驶的是混合车型，因此，要获得准确的空间平均车速数据，应该排除车型的影响，即校准。在城市路网中，交通流中各种车型的比率与时段有关，例如，大型的货车深夜才有可能进入，公交车主要在白天行驶等。由于目前的设备无法区分车型，所以可以分时段对浮动车车速数据进行校准。对浮动车车速数据进行校准必须有参考的标准车速值。道路上安装的地感线圈能够获得比较准确的时间平均车速值，浮动车车速数据可以根据时间平均车速和空间平均车速的折算关系获得相应的浮动车时间平均车速值。通过计算各个时段浮动车数据的校准比，可以建立相应的校准知识库，以用于对浮动车所采集的数据进行校准。

根据地感线圈记录数据的特点，我们可以获得以下格式的地感线圈数据：

其中日期时间精确到秒，若该路段某车道在某一秒内有一辆车通过，则会出行一条记录，若有两辆车通过则有两条记录。

以下为本发明的一个具体实施例：

为了便于实现并与前面算法相配合，以5分钟为一个校准时间段，一天可以分为288个时段，选定某个已经安装了地感线圈的路段。

(1)计算该路段某时间段浮动车的空间平均车速，方法如下：

设该选定路段起点和终点id分别为i，j，在t1-t2时间段内，如0:05-0:10时段中的浮动车空间平均车速，则在浮动车数据中搜索所有满足以下条件的记录：

oid＝i；

did＝j；

0:05＜t＜0:10；

然后采用以下公式：

${\stackrel{\‾}{v}}_{\mathrm{sf}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{v}_k}{n}$

式中，n为搜索到的记录数目，v_k为各记录中速度值，为i到j路径的在0:05-0:10时段的平均车速。

(2)计算该路段某时间段地感线圈检测的时间平均车速，方法如下：

设该选定路段起点和终点id分别为i，j，在0:05-0:10时段中的浮动车空间平均车速，则在地感线圈数据中搜索所有满足以下条件的记录：

1)oid＝i；

2)did＝j；

3)0:05＝＜t＜0:10；

然后采用以下公式：

${\stackrel{\‾}{v}}_{\mathrm{tl}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{v}_k}{n}$

式中，n为搜索到的记录数目，v_k为各记录中速度值，为的该路段地感线圈在0:05-0:10时段检测到的时间平均车速。

(3)求相应的浮动车时间平均速度，采用以下公式：

$v_{\mathrm{tf}}=v_{\mathrm{sf}}+\frac{{{\mathrm{\σ}}_{\mathrm{sf}}}^2}{v_{\mathrm{sf}}}$

其中σ_sf ²为v_sf的均方差。

(4)求浮动车数据的校准比，采用以下公式：

$\mathrm{\λ}=\frac{v_{\mathrm{tf}}}{v_{\mathrm{tl}}}$

(5)在以上计算结果的基础上建立校准比表，在对浮动车进行数据采集和预处理的基础上，进行基于历史数据的行驶时间预测和行车诱导的工作。

建立校准比表可分以下步骤：

(1)计算一天内各个时段的校准比，并组成当天各时段的校准比表。基本格式如下：

某天的校准表：

(2)根据近期三个月的浮动车数据和环形线圈检测车速数据计算三个月内每天的校准比表。

(3)将三个月内每天的校准比表根据星期几进行算术平均。分别求得周一至周日各天的校准表。

(4)为了保证平均时间代价表能反映近期道路交通变化规律，需要对该表进行定期更新。更新周期可设为一个月，每个月月末将本月各星期对应天的校准比求算术平均值，从而获得该月周一到周日的校准表。再执行以下计算。

更新后的校准比＝未更新校准比+k×该月的校准比

其中k为更新系数，平时可取0.5，若该月中由于客观原因(如修路等)造成对交通流变化规律的较大影响，该值可取较大值。

对时间代价表中各项时间代价均进行更新后，则产生了更新后的时间代价表，作为下一个月的计算依据。

注：若参与计算时间为节假日，则节假日的前半段按周六计算，后半段按周日计算。而原为周六、日的时间若进行了换休，则按换休后的时间进行计算。由于没有天气信息，若能获得天气信息，应根据参与计算天天气对时间代价表再进行分类，可分为雨天和非雨天。

根据校准比表求道路空间平均车速流程如下：

步骤1：设定输入数据，如需要求空间平均车速的时间，路段起讫id，如起点和终点、出发时间、星期几。令t＝输入时间-输入时间mod5分钟。

步骤2：计算出当前时刻浮动车空间平均车速。

步骤3：找到对应天的校准比表，找到t到t+5中的校准率。

步骤4：将步骤2求得的空间平均车速除以校准率得当前的该路段空间平均车速。

Claims (7)

1.一种基于GPS定位技术的交通流量融合监控方法，其特征在于包括以下步骤：

(1)计算选定路段某时间段浮动车的空间平均车速；

(2)计算该路段某时间段地感线圈检测的时间平均车速；

(3)求相应的浮动车时间平均速度；

(4)求浮动车数据的校准比。

2.根据权利要求1所述的基于GPS定位技术的交通流量融合监控方法，其特征在于进一步包括以下步骤：

(5)根据求得的浮动车数据的校准比建立校准比表，在此基础上，进行行车诱导工作。

3.根据权利要求1所述的基于GPS定位技术的交通流量融合监控方法，其特征在于：步骤(1)中计算选定路段某时间段浮动车的空间平均车速，方法如下：

设该选定路段起点和终点id分别为i，j，计算在t1-t2时段中的浮动车空间平均车速，则在浮动车数据中搜索所有满足以下条件：oid＝i；did＝j；t1＜t＜t2的记录，然后采用以下公式计算：

${\stackrel{\‾}{v}}_{\mathrm{sf}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{v}_k}{n}$

式中，n为搜索到的记录数目，v_k为各记录中速度值，为i到j路径的在t1-t2时段的平均车速。

4.根据权利要求3所述的基于GPS定位技术的交通流量融合监控方法，其特征在于：所述步骤(2)中计算选定路段某时间段地感线圈检测的时间平均车速，方法如下：

设该选定路段起点和终点id分别为i，j，计算在t1-t2时段中的浮动车空间平均车速，则在浮动车数据中搜索所有满足以下条件：oid＝i；did＝j；t1＜t＜t2的记录，然后采用以下公式计算：

${\stackrel{\‾}{v}}_{\mathrm{tl}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{v}_k}{n}$

式中，n为搜索到的记录数目，v_k为各记录中速度值，为的该路段地感线圈在t1-t2时段检测到的时间平均车速。

5.根据权利要求4所述的基于GPS定位技术的交通流量融合监控方法，其特征在于：步骤(3)中求相应的浮动车时间平均速度采用以下方法：

$v_{\mathrm{tf}}=v_{\mathrm{sf}}+\frac{{{\mathrm{\σ}}_{\mathrm{sf}}}^2}{v_{\mathrm{sf}}}$

其中σ_sf ²为v_sf的均方差。

6.根据权利要求5所述的基于GPS定位技术的交通流量融合监控方法，其特征在于：步骤(4)中求浮动车数据的校准比采用以下方法：

$\mathrm{\λ}=\frac{v_{\mathrm{tf}}}{v_{\mathrm{tl}}}$

7.根据权利要求1所述的基于GPS定位技术的交通流量融合监控方法，其特征在于：步骤(5)所述的建立校准比表，包括以下步骤：

(51)计算一天内各个时段的校准比，并组成当天各时段的校准比表；

(52)根据近期三个月的浮动车数据和环形线圈检测车速数据计算三个月内每天的校准比表；

(53)将三个月内每天的校准比表根据星期几进行算术平均，分别求得周一至周日各天的校准表；

(54)为了保证平均时间代价表能反映近期道路交通变化规律，需要对该表进行定期更新；更新周期可设为一个月，每个月月末将本月各星期对应天的校准比求算术平均值，从而获得该月周一到周日的校准表，再执行以下计算：

更新后的校准比＝未更新校准比+k×该月的校准比

其中k为更新系数；

对时间代价表中各项时间代价均进行更新后，则产生了更新后的时间代价表，作为下一个月的计算依据。