CN105336166A - 基于车载蓝牙的交通特征参数提取方法 - Google Patents

Abstract

发明涉及智能交通数据采集领域，本发明公开了一种基于车载蓝牙的交通特征参数提取方法，其特征在于具体包括：基于车载蓝牙的交通参数提取算法、将蓝牙检测设备检测到的车辆的通行数据进行处理，提取车辆类型、路段流量、平均车速和行程时间等交通诱导和控制参数；其中车辆上的蓝牙设备记载了车辆的静态参数，车辆的通行数据为通过车辆的动态参数。采用车载蓝牙的MAC地址作为路网中车辆的唯一标识，提出车载蓝牙数据处理流程，说明了算法结构和设计思想的合理性与可行性。

Description

基于车载蓝牙的交通特征参数提取方法

技术领域

本发明涉及智能交通数据采集领域，尤其涉及一种基于车载蓝牙的交通特征参数的提取方法。

背景技术

在路网中，车辆的出行轨迹包含着丰富的交通出行与状态信息，如出行路径、出行时间、实时位置等信息，因此车辆的出行轨迹可看作是路网交通运行的静态存储。车辆身份识别和定位是获取出行轨迹的核心技术，身份识别是用于读取车辆的信息，定位是为了确定车辆实时的位置。在现代交通管理中，离不开对车辆的识别定位以及宏观交通参数的获取。而在智能交通技术的应用中，交通特征参数的采集方法不仅是系统构成的基础，并且直接决定了系统的可靠性和稳定性。

现有的交通参数采集方式以线圈和视频为主，另外也有利用红外线、超声波以及GPS定位等新型采集技术，但他们各自都有一定缺陷。比如线圈采集技术在设备安装和维护过程中会影响交通，且采集准确度容易受到天气影响；视频采集的范围有限，且需要大量的后期数据处理。所以不可能只用一种检测技术得到所有的交通信息，不可能只用一种信息采集方法满足现代城市智能交通所需要的所有数据。

发明内容

针对现有技术中对于线圈和视频采集等传统数据采集手段精度低、不易处理等问题，本发明公开了一种基于车载蓝牙的交通特征参数提取方法。相比于传统的交通特征参数采集方法，利用车载蓝牙的采集技术在安装成本和安装灵活性方面具有不可替代的优势。

本发明的目的通过下述技术方案来实现：

一种基于车载蓝牙的交通特征参数提取方法，其特征在于具体包括：基于车载蓝牙的交通参数提取算法、将蓝牙检测设备检测到的车辆通行数据进行处理，提取车辆类型、路段流量、平均车速和行程时间等交通诱导和控制参数；其中车辆上的蓝牙设备记载了车辆的静态参数，车辆的通行数据为通过车辆的动态参数。采用车载蓝牙的MAC地址作为路网中车辆的唯一标识，提出车载蓝牙数据处理流程，说明了算法结构和设计思想的合理性与可行性。

更进一步地，上述车辆的动态参数包括车辆通过路段的平均速度，通过在在路肩上间隔地铺设n个蓝牙检测设备，根据车辆相对于n个蓝牙检测设备的产生的时间戳计算得到车辆的平均速度v。

更进一步地，上述对利用时间戳计算车辆瞬时速度的具体过程为：当车辆进入蓝牙检测设备区域时，车载蓝牙被激活，将存储信息以电磁波的方式传送给蓝牙检测设备。S代表n个蓝牙检测设备之间的距离，(t₁,t₂,...,t_n)表示车辆通过n个蓝牙检测设备的时间。因此，可计算得到车辆在路段上的平均速度：

更进一步地，上述车辆的动态参数包括检测位置的交通流密度，得到交通流密度K的具体方法为：其中K是指在某一瞬间，在单位长度的道路上存在的车辆，通常按1km计算；N为检测路段上n个蓝牙检测设备在该时刻读取的车辆个数，L为所检测路段的长度。

更进一步地，上述车辆的动态参数包括检测位置的交通量，得到交通量Q的具体方法为：其中Q为从初始时刻开始到终止时刻结束的交通量，N′为通过检测路段上n个蓝牙检测设备在该时刻读取的车辆个数；t_a、t_b分别为检测的初始时刻和终止时刻；为在检测时间段内在该路上的蓝牙检测设备检测到的车辆；为初始时刻在该路上的蓝牙检测设备检测到的车辆；为终止时刻在该路上的蓝牙检测设备检测到的车辆。

更进一步地，上述车辆的动态参数包括检测位置的高峰小时系数(PHF)，得到高峰小时系数(PHF)的具体方法为：其中V表示小时交通流量，即在单位小时内通过检测路段的交通量；v表示高峰小时流率，即在某一制定的时间段内(通常是15min)，通过道路上指定地点或某一断面上的车辆数经过等效转换后得到的单位小时的换算车辆数。

更进一步地，根据城市路网的拓扑网络，利用固定的蓝牙检测设备对车辆进行及时定位，利用时间序列法对行驶在道路上的车辆实时定位并及时绘制出车辆行驶轨迹。具体实施方法为：在定位之前，首先将蓝牙检测设备节点以拓扑网络的形式存到计算机中。对车辆目标进行跟踪，先要通过采集到车辆经过的蓝牙检测设备，并以该蓝牙检测设备对应的拓扑网络节点为起点，沿着节点之间的连线对网络进行遍历。Step1：设定初始化条件。当车辆经过第一个蓝牙检测设备时，开始采集数据；Step2：将车辆通过时采集到的读取时刻T、车载蓝牙编号ID、蓝牙检测设备编号TID，路段编号RID，组成定位向量(T,ID,TID,RID)；Step3：对多个目标产生的定位向量进行分组，是每一组定位向量对应一个目标的移动路径；Step4：对分好组的定位向量依据通过时刻T进行排序；Step5：对漏读的阅读器进行定位向量的填补。在拓扑网络中，车辆阅读器是依次连续的，当出现空缺漏读时，按照中间值的原则在预先设置的拓扑图中的阅读器进行填补。Step6：根据时间序列，将车辆的通过的蓝牙检测设备精确的映射到路网中，精确的画出车辆在城市道路中的运动轨迹。

更进一步地，上述基于车载蓝牙的交通特征参数提取及处理的具体过程如下：Step1在数据接收终端进行数据融合处理和分析，排除无用数据、重复数据，浓缩重要数据，得到每一辆车途经的铺设点序列；Step2对铺设点序列进行检验处理，将存入数据库中的交通信息进行提取，并对获取的数据进行轨迹的拆分、还原和融合；Step3利用的交通参数分析算法，出行轨迹等算法，生成包括出行时间、蓝牙检测设备编号、路段名车、交叉口等详细信息的出行轨迹；Step4最后对每辆车的出行轨迹进行扩样，建立车辆出行轨迹数据库。Step5利用平均速度、交通流密度、平均形成时间等算法，计算得到相应的交通诱导和控制参数。

通过采用以上的技术方案，本发明具有以下的有益效果：

本发明采用车载蓝牙技术，利用车载蓝牙ID的唯一性标记车辆，达到管理车辆的目的。并根据蓝牙检测器输出的数据类型设计了相应的数据处理及参数提取算法。利用蓝牙检测技术具有安装成本低，设备装卸方便且不会干扰交通，不受环境影响，数据处理简单等优点，可以作为现有交通特征参数采集方式的较好补充。相较于现在常见的线圈采集方式，该技术能获得路段平均行程车速，为交通诱导提供了有效的数据采集手段；相较于视频采集方式，该技术获得同等质量的车速数据的计算量明显较少，且对数据通信的要求较低。该基于车载蓝牙的交通信息特征采集突破了传统的交通信息采集方式，为智能交通的发展建设奠定了数据基础。该算法良好的计算效果充分说明了算法结构和设计的合理性与可行性，也验证了基于车载蓝牙的交通特征参数提取方法的科学性和先进性。

附图说明

图1蓝牙检测设备布置图

图2平均速度算法流程图

图3车辆轨迹算法流程图

图4蓝牙采集工作流程

具体实施方式

本发明公开了一种基于车载蓝牙的交通特征参数提取方法，其具体包括：基于车载蓝牙的交通参数提取算法、将蓝牙检测设备检测到的车辆的通行数据进行处理，提取车辆类型、路段流量、平均车速和行程时间等交通诱导和控制参数。车辆的通行数据则包括了车辆通过时该路口时的平均速度、车辆密度、交通量、高峰小时系数等等动态参数。

本领域的技术人员都知道，只要检测到了车辆通过该路段的平均速度，并将该平均速度与该路段的自由流速度进行比较，就能很容易地判断出该路段的交通状态，即是否处于拥堵状态。

下面详细说明如何检测车辆通过路段的平均。其具体包括以下的步骤：在路肩上铺设n个蓝牙检测设备，根据车辆相对于蓝牙检测设备的时间戳计算得到车辆的平均速度v。

如图2所示，车辆行驶在车道2上，在该侧路肩上，安装有与之匹配的蓝牙检测设备。当车辆进入蓝牙检测设备识读区域时，车载蓝牙被激活。利用车辆相对于蓝牙检测设备运动产生的时间戳计算车辆平均速度：车辆在安装有蓝牙检测设备的车道上行驶。当车辆进入蓝牙检测设备识读区域时，车载蓝牙被激活，将存储信息以电磁波的方式传送给蓝牙检测设备。如图2所示，S代表n个蓝牙检测设备之间的距离，(t₁,t₂,...,t_n)表示车辆通过n个蓝牙检测设备的时间。因此，可计算得到车辆在路段上的平均速度：

本发明中得到交通流密度K的具体方法为：其中K是指在某一瞬间，在单位长度的道路上存在的车辆，通常按1km计算；N为检测路段上n个蓝牙检测设备在该时刻读取的车辆个数，L为所检测路段的长度。交通流密度K的度量单位是veh/km。

本发明中的得到交通量Q的具体方法为：其中Q为从初始时刻开始到终止时刻结束的交通量，N′为通过检测路段上n个蓝牙检测设备在该时刻读取的车辆个数；t_a、t_b分别为检测的初始时刻和终止时刻；为在检测时间段内在该路上的蓝牙检测设备检测到的车辆。用Q表示交通量，Q由两个蓝牙检测设备之间的路段来计算，度量单位是veh/h。计算时间从检测起始时间到终止时间T＝t_b-t_a。

本发明中得到高峰小时系数(PHF)的具体方法为：其中V表示小时交通流量，即在单位小时内通过检测路段的交通量；v表示高峰小时流率，即在某一制定的时间段内(通常是15min)，通过道路上指定地点或某一断面上的车辆数经过等效转换后得到的单位小时的换算车辆数。

PHF是基于车载蓝牙能实时提取并计算得到的基本参数，能够及时反应交通量的变化的特性应用的城市道路系统实际问题分析中去。一个交通设施也许有能力去满足高峰小时的需求，但在高峰小时内，短期的流量高峰很容易就超过道路的承载能力，从而导致阻塞，因此对于城市道路通行能力分析来说，研究高峰小时内的最大流率是十分必要的。

通过检测上述的车辆通信数据，可以很方便地进行设计交通诱导和控制方案。本发明的应用范围非常广泛。

比如根据平均速度和交通流密度得到路段的拥堵状况。通过设置的某一路段两段的蓝牙检测设备，可以计算出车辆通过该路段的平均速度和交通流密度，并与拥堵划分阈值进行对比，确定拥堵等级和范围，交通管理部门可以实时搜集该数据作为信号控制和诱导的基础。

又比如根据不同标号的蓝牙检测设备读取到车载蓝牙的时间先后顺序判断是否存在车辆逆向行驶。在车辆逆行多发路段设置检测区，识别是否有交通车辆通过，在不同的蓝牙检测设备对电子车牌读取顺序分析的基础上，判断出车辆行驶方向，并与道路实际规定行驶方向做出比较，从而监测是否有违章逆行发生。为驾驶行为监管提供数据支撑。

图3是一种基于车载蓝牙的车辆轨迹算法流程图。蓝牙检测设备安装于道路旁，其布设应服从路网拓扑结构，通过利用路段之间、铺设点之间以及路段与铺设点之间的关系，使得便于捕捉车辆的位置、处理分析数据，从而获取车辆的行驶轨迹。

本发明中带有车载蓝牙的车辆通过蓝牙检测设备覆盖区域，蓝牙检测设备将激活车载蓝牙之间，其所携带的用于标识车辆唯一性的身份信息MAC地址就会传递给蓝牙检测设备。每个蓝牙检测设备的铺设点都有唯一的号码，通过MAC地址，将车辆经过的位置连起来形成车辆轨迹。

在城市交通管理中，需要做到的城市车辆的精细化管理，但是基于目前的检测手段，很难主动的获取车辆的行驶轨迹。因此在追查被盗车辆、违法肇事车辆时，很难还原其行驶路径，同时也造成了极大的人力资源的损耗。在进行城市路网规划时，对车辆的OD难以把握，深入研究微观状态下车辆行为时，对车辆的换道行为、跟驰行为研究耗费巨大人力。本发明在城市路网拓扑进行深入分析的基础上，并与相应的地图匹配，及时计算并绘制出车辆的行驶轨迹。

具体的，车辆追踪定位与描绘轨迹的实现方法具体如下：

Step1：设定初始化条件。当车辆经过第一个蓝牙检测设备时，开始采集数据；

Step2：将车辆通过时采集到的读取时刻T、车载蓝牙编号ID、蓝牙检测设备编号TID，路段编号RID，组成定位向量(T,ID,TID,RID)；

Step3：对多个目标产生的定位向量进行分组，是每一组定位向量对应一个目标的移动路径；

Step4：对分好组的定位向量依据按照时刻T进行排序；

Step5：对漏读的阅读器进行定位向量的填补。车辆轨迹是一个连续变化的过程，因此出现漏读时，按照中间值的原则进行填补，如：

$\left(T_j,{\mathrm{ID}}_n,{\mathrm{TID}}_{s0},{\mathrm{RID}}_{m-1}\right)\⇒\⇒\left(T_k,{\mathrm{ID}}_n,{\mathrm{TID}}_{s2},{\mathrm{RID}}_{m+1}\right)$

中间填补

$\left(\frac{T_j+T_k}{2},{\mathrm{ID}}_n,{\mathrm{TID}}_{s1},{\mathrm{RID}}_m,\right)$

Step6：在路网地图上根据实时汇总得到的车辆位置，可以精确的画出车辆在道路上的行驶轨迹，用以研究车辆在交通流变化中的运动情况。

为了得到更有效的数据，对采集的交通信息进行处理的过程非常重要。优选地，本发明中基于车载蓝牙的交通特征参数提取及处理的具体过程如下：具体过程如图4所示的数据处理流程。

Step1在数据接收终端进行数据融合处理和分析，排除无用数据、重复数据，浓缩重要数据，得到每一辆车途经的铺设点序列；

Step2对铺设点序列进行检验处理，将存入数据库中的交通信息进行提取，并对获取的数据进行轨迹的拆分、还原和融合；

Step3利用的交通参数分析算法，出行轨迹等算法，生成包括出行时间、蓝牙检测设备编号、路段名车、交叉口等详细信息的出行轨迹；

Step4最后对每辆车的出行轨迹进行扩样，建立车辆出行轨迹数据库。

Step5利用平均速度、交通流密度、平均行程时间等算法，计算得到相应的交通诱导和控制参数。

本数据处理流程的优点在于：采用上述技术方案，本发明通过数据融合算法对不同类型的交通信息的进行融合，进而能够得到完备的车辆行驶轨迹。交通信息采集和处理是实现精细化管理的重要基础。本发明提出的关于蓝牙数据的处理算法为提高城市交通管理质量提供了一种新的途径和思路。交通管理者可以在根据算法所提供的信息对当前路网的交通进行控制和诱导。利用本发明所提供的算法，可以建立有效的信息发布渠道，不仅可以通过蓝牙MAC地址查询车辆，设置电子围栏等；而且可以针对车辆的行驶路径、OD制定相应的宏观交通规划措施。

上述的实施例中所给出的系数和参数，是提供给本领域的技术人员来实现或使用本发明的，本发明并不限定仅取前述公开的数值，在不脱离本发明的发明思想的情况下，本领域的技术人员可以对上述实施例作出种种修改或调整，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。

Claims (10)

1.一种应用车载蓝牙的交通参数提取方法，其特征在于具体包括：step(1)通过蓝牙检车设备采集到的车载蓝牙的ID数据；step(2)然后利用车型判别算法、瞬时速度算法、路段流量算法、平均车速算法和行程时间算法，获得路段的交通诱导和控制参数；其中车辆上的车载蓝牙记载了该车辆的静态参数，车辆的通行数据为通过车辆的动态参数。

2.如权利要求1所述的一种应用车载蓝牙的交通参数提取方法，其特征在于所述车辆的动态参数包括车辆通过该路段的平均速度，通过在路肩上铺设地n个蓝牙检测设备，根据车辆相对运动于n个蓝牙检测设备产生的时间戳计算得到车辆的平均速度v。

3.如权利要求2所述的一种应用车载蓝牙的交通参数提取方法，其特征在于所述利用车辆相对于蓝牙检测设备运动产生的时间戳计算车辆平均速度：车辆在安装有蓝牙检测设备的车道上行驶；当车辆进入蓝牙检测设备识读区域时，车载蓝牙被激活，将存储信息以电磁波的方式传送给蓝牙检测设备。如图2所示，S代表n个蓝牙检测设备之间的距离，(t₁,t₂,...,t_n)表示车辆通过n个蓝牙检测设备的时间；

因此，可计算得到车辆在路段上的平均速度：

4.如权利要求1所述的一种应用车载蓝牙的交通参数提取方法，其特征在于所述车辆的动态参数包括检测位置的交通流密度，得到交通

流密度K的具体方法为：其中K是指在某一瞬间，在单位长度的道路上存在的车辆，通常按1km计算；N为检测路段上蓝牙检测设备在该时刻读取的车辆个数，L为所检测路段的长度。

5.如权利要求1所述的一种应用车载蓝牙的交通参数提取方法，其特征在于所述车辆的动态参数包括检测位置的交通量，得到交通量Q的具体方法为：其中Q为从初始时刻开始到终止时刻结束的交通量，N′为通过检测路段上蓝牙检测设备在该时刻读取的车辆个数；t_a、t_b分别为检测的初始时刻和终止时刻；为在检测时间段内在该路上的读卡器检测到的车辆。

6.如权利要求1所述的一种应用车载蓝牙的交通参数提取方法，其特征在于所述车辆相对于蓝牙检测设备运动产生的时间戳，计算车辆的平均行程时间；i为车载蓝牙设备，t_1i为被上游交叉口蓝牙检测器第一次捕捉到的时刻，t_2i为被下游交叉口蓝牙检测器最后一次捕捉到的时刻，J为该时段内路段上下游被捕捉到的车辆数，S路段长度；因此，可以计算得到该路段上的车辆平均行程时间：

7.如权利要求1所述的一种应用车载蓝牙的交通参数提取方法，其特征在于在利用时间序列法，对城市中带有车载蓝牙的车辆进行准确定位并绘制行驶轨迹的方法。

8.如权利要求7所述的一种应用车载蓝牙的交通参数提取方法，其特征在于对描绘轨迹的方法具体为：在定位之前，首先将蓝牙检测设备以拓扑网络的形式存到计算机中；对目标进行跟踪定位先要通过采集到车辆经过的蓝牙检测设备，并以该检测设备对应的拓扑网络节点为起点，沿着节点之间的连线对网络进行遍历。Step1：设定初始化条件。当车辆经过第一个蓝牙检测设备时，开始采集数据；Step2：将车辆通过时采集到的读取时刻T、车载蓝牙编号ID、蓝牙检测设备编号TID，路段编号RID，组成定位向量(T,ID,TID,RID)；Step3：对多个目标产生的定位向量进行分组，是每一组定位向量对应一个目标的移动路径；Step4：对分好组的定位向量依据通过时刻T进行排序；Step5：对漏读的阅读器进行定位向量的填补。在拓扑网络中，车辆阅读器是依次连续的，当出现空缺漏读时，按照中间值的原则在预先设置的拓扑图中的阅读器进行填补；Step6：根据时间序列，将车辆的通过的蓝牙检测设备精确的映射到路网中，精确的画出车辆在城市道路中的运动轨迹。

9.如权利要求7所述的一种应用车载蓝牙的交通参数提取方法，其特征在于根据车辆行驶轨迹获得车辆的OD出行数据的方法；

获得车辆OD出行数据的方法具体为：车载蓝牙设备进入路网时，m为最先捕捉车辆的蓝牙检测设备ID，n为最后捕捉车辆的蓝牙检测设备ID，将蓝牙检测设备ID映射到路网上得到车辆起止路段ID(Rm,Rn)，也即车辆行驶的OD。

10.如权利要求1所述的一种应用车载蓝牙的交通参数提取方法，其特征在于所述利用车载蓝牙对交通数据进行处理的具体过程如下：Step1在数据接收终端进行数据融合处理和分析，排除无用数据、重复数据，浓缩重要数据，得到每一辆车途径的铺设点序列；Step2对铺设点序列进行检验处理，将存入数据库中的交通信息进行提取，并对获取的数据进行轨迹的拆分、还原和融合；Step3利用的交通参数分析算法，出行轨迹等算法，生成包括出行时间、蓝牙检测设备编号、路段名车、交叉口等详细信息的出行轨迹；Step4最后对每辆车的出行轨迹进行扩样，建立车辆出行轨迹数据库；Step5利用平均速度、交通流密度、平均形成时间等算法，计算得到相应的交通诱导和控制参数。