CN106205114B - 一种基于数据融合的高速公路路况信息实时获取方法 - Google Patents

一种基于数据融合的高速公路路况信息实时获取方法 Download PDF

Info

Publication number
CN106205114B
CN106205114B CN201610584675.4A CN201610584675A CN106205114B CN 106205114 B CN106205114 B CN 106205114B CN 201610584675 A CN201610584675 A CN 201610584675A CN 106205114 B CN106205114 B CN 106205114B
Authority
CN
China
Prior art keywords
mrow
msub
speed
matrix
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610584675.4A
Other languages
English (en)
Other versions
CN106205114A (zh
Inventor
金蓓弘
崔艳玲
张扶桑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Software of CAS
Original Assignee
Institute of Software of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Software of CAS filed Critical Institute of Software of CAS
Priority to CN201610584675.4A priority Critical patent/CN106205114B/zh
Publication of CN106205114A publication Critical patent/CN106205114A/zh
Application granted granted Critical
Publication of CN106205114B publication Critical patent/CN106205114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Abstract

本发明公开了一种基于数据融合技术的高速公路路况信息实时获取方法，属于智能交通领域。本方法以基于手机信令估计的高速公路车速为基本数据，结合从感应线圈型车检器获得的数据以及浮动车(例如：两客一危车辆)的GPS定位数据，给出了基于三类数据融合的车速估算方法。本发明充分利用已有的移动通讯设施和车检器资源，无需安装额外的检测装置，可以以很低的成本获得覆盖全路网的路况估计，实现全天候实时的路况采集。本发明估计的路况结果准确，易推广，适用于高速公路。

Description

一种基于数据融合的高速公路路况信息实时获取方法
技术领域
本发明属于智能交通领域，特别涉及一种基于数据融合的高速公路路况信息实时获取方法。
背景技术
车联网是融合了汽车、物联网和移动互联网的网络，在这样的网络环境中，会产生大量的与人、车、路、环境等有关的动静态数据。充分利用和挖掘这些数据，可以为大众提供出行服务，为交通行业提供面向车辆、物流等的监控服务，为城市管理提供辅助决策。
在车联网环境下，可以利用安装在固定位置的专用检测设备(如环形感应线圈、雷达、摄像头)数据来感知交通信息。对高速公路而言，这种交通信息采集技术获取的交通信息虽然具有较高的准确性，但是它们都属于截面数据，同时，设备的使用寿命有限，出于对设备投资成本和运维成本的考虑，这些设备通常不能覆盖整个高速公路，因此，不能通过这种方式直接获得全面的交通状况。其次，基于浮动车的交通信息采集技术虽然能获得高精度的定位信息和车速信息，但是其行驶线路受到浮动车本身的限制，例如，公交车只能按照固定线路行驶；出租车的行驶范围取决于乘客的出行需求，行驶在高速公路的情形并不多；而两客一危车辆(指旅游包车、长途客车和危险品运输车)的数量有限，其运行线路和运行时间均受相关管理规定的约束。因此这种技术也不能全面监测高速公路的交通状况。另一方面，智能手机的强大功能已使得它成为一种新型的感知设备，手机用户可以主动参与到交通信息感知活动中来。例如，手机用户在被征召为参与感知(Participatory Sensing)活动的参与者后，可以通过文字、声音、图片或视频主动报告交通状况。此外，道路的交通状况可以根据手机用户自愿提供的地理位置(如GPS位置)推算出来。遗憾的是，目前并没有有效的方法能保证在高速公路上找到覆盖面足够广、数量足够多的愿意参与到感知活动中的手机用户。除了上述直接的方式之外，道路的交通状况可以通过移动通信网络中的手机信令间接地获得。手机用户移动时，从移动通信网中特定的信令过程(包括呼叫、短信、移动性管理等)可以得到该手机用户的位置变化信息。这样，当用户携带手机与车辆一起移动时，可以根据该手机沿公路基站产生的信令来估算出对应路段上车辆的行驶速度，进而获得道路的交通状况。这种方法不需要额外的设备和车辆，可以在不影响移动运营商正常运作的情况下对道路交通状况进行监测。然而，仅用手机信令判断道路交通状况的准确性并不高，这是由于手机信令是用基站覆盖区域描述位置，定位精度比较低，而且信令报告的频率并不固定而是依赖于移动用户的行为。
发明内容
本发明技术解决的问题：克服现有技术的鉴于单一数据源和主动参与方式内在的缺陷，提供一种基于数据融合的高速公路路况信息实时获取方法，用于实现准确、全面的路况感知。
为实现上述目的，本发明提供一种基于数据融合的高速公路路况信息实时获取方法，其特点在于将手机作为交通探测器，依托移动通信网的信令系统，根据信令数据获得的车速、从感应线圈型车检器获得的车速、浮动车(例如：两客一危车辆)GPS定位数据估算的车速进行车速融合。
本发明具体实现为：如图1、2所示，本发明实现步骤如下：
第一步：数据获取：获取感应线圈型车检器生成的车速(简称车检器车速)，获取根据手机信令序列估算的高速公路车速(简称信令车速)，获取根据浮动车(例如：两客一危车辆)的GPS数据得到的浮动车的车速(简称GPS车速)，具体包括以下步骤：
根据手机信令序列估算信令车速。具体方法如下：
(1)将基站所在位置向道路投影，得到的投影点作为道路分割点，两个分割点之间的道路作为路段，路段是进行路况估计的最小单位。路段的方向设置参考了道路的桩号，以桩号从小到大的方向为路段的正方向。同时，沿路段正方向从小到大设置路段编号。
(2)如图1所示，信令处理服务器每隔一定时间(称为一个周期)从移动运营商提供的信令接口中读取该周期内高速公路沿线附近的信令数据，然后对信令进行预处理，包括去除未在道路上发生的信令，进行降噪处理，去除运动特征异常(例如瞬间移动)的信令样本，识别并剔除乒乓切换及回路切换信令。
(3)根据手机信令判断出该手机用户是否正随着车辆在高速公路上移动。然后，对于在高速公路上处于运动状态的用户，判断其运动方向，进而计算每个路段在指定时间片(例如：5分钟)内车辆的速度。
根据高速公路浮动车(例如：两客一危车辆)的GPS数据计算GPS车速。具体方法如下：
(1)过滤浮动车的GPS点，只保留距离高速公路设定范围(20米)内的点，并通过地图匹配将其定位到高速公路的路段上。
(2)对于车辆v，令经过步骤(1)过滤后的车辆GPS点序列为{Sv(ti,pj)}，其中Sv(ti,pj)表示车辆v在ti时刻的位置为pj，如果{Sv(ti,pj)}跨越多个路段，则按路段号判断车辆v的行驶方向，即，若跨越的路段编号是从小到大，则判定为正向行驶，否则为逆向行驶；如果{Sv(ti,pj)}仅跨越一个路段Sege，则根据向量内积公式，即判断车辆v的行驶方向，具体规则为：内积值大于0，则车辆的行驶与Sege-1至Sege同向，判定为正向行驶，否则反向；
(3)将GPS点之间的直线距离作为车辆行驶距离，除以GPS记录之间的时间差，得到速度，将速度更新至相应路段。
第二步：初步融合：根据历史车检器车速和历史信令车速获得每个车检器的影响范围，并定义规则，对车检器车速、信令车速和GPS车速进行初步融合，具体包括以下步骤：
根据历史车检器车速和历史信令车速获得每个车检器的影响范围。车检器能准确报告其所在位置即该截面的路况，同时该截面的路况是与车检器所在位置附近一定范围内的路况一致。该范围称为该车检器的影响范围ρ。通过计算车检器报告的车速与其所在路段以及附近路段的信令车速的一致性得分值，观察该车检器的影响范围取值Range的变化和对应得分值的关系，可以获得使得得分值之和最大的Range值，该值即为所要求的ρ。具体计算过程如下：
(1)令scorethe为t时刻、车检器h报告的车速与路段e的信令车速一致性得分值，其值按公式(1)计算：
其中，Range为表示车检器影响范围的变量，vh表示车检器h报告的车速，vse表示路段e上的信令车速。loc(Sege)为路段e的中点位置，loc(h)为车检器h的位置，dist(loc(Sege),loc(h))表示loc(Sege)和loc(h)的距离，reward值为信令车速与车检器车速一致时的奖励值，penalty值为信令车速与车检器车速不一致时的惩罚值。将奖励值或惩罚值乘以一个距离加权系数，反映了距离车检器越近的路段，其上两种车速的一致性与否所造成的影响将越大。奖励值和惩罚值的大小反映了对于车检器车速和手机信令车速准确性的先验信任倾向。设置较大的奖励值和相对小的惩罚值表示用户认为车检器估计的速度准确而手机信令估计的速度相对不准确。
(2)按照公式(1)统计与Range值对应的总得分值，取使得得分值之和最大的Range值，该值即为所求的ρ，如(2)式所示。
其中，T表示历史训练数据时间片t的个数；H表示车检器的数量；Eh表示满足条件dist(loc(Sege),loc(h))≤Range的路段的个数；Rmin、Rmax为实数，用于对车检器影响范围加以限制，特别的，考虑到高速公路匝道前后路段的车速与车检器所在处的瞬时速度相比有较大变化，所以，Range的最大值即Rmax最多指定为车检器与距离该车检器最近的匝道之间的距离。
将信令车速、GPS车速和车检器车速三者进行初步融合。具体方法如下：
针对时刻t路段e，令vse(t)为信令车速的估计结果，vge(t)为浮动车GPS数据估计的车速结果，vde(t)为路段e上的车检器报告的车速。
对车检器车速、信令车速和GPS车速进行初步融合。具体的规则如下：
时刻t路段e的实时车速估计ve(t)根据以下规则得到：
(a)该路段若在某车检器影响范围ρ内的话，那么以该车检器报告的车速为初步融合的估计车速；
(b)否则，该路段若有GPS车速结果，那么以该结果为初步融合的估计车速；
(c)否则，该路段有信令车速结果，那么以该结果为初步融合的估计车速；
(d)上述情况均不成立的话，车速空缺。
即：
第三步：补全融合：采用压缩感知方法，对车检器车速、信令车速和GPS车速进行深度融合，从而获得交通状态估计矩阵其中xij表示时间片i在位置j处的车速。特别是，在矩阵中，当前时间片那一行即为当前的实时路况。
采用压缩感知方法，对车检器车速、信令车速和GPS车速进行深度融合。具体方法如下：
用一个m×n维的矩阵表示高速公路上的n个路段{r1,r2,r3,...rn}在m个时间片{t1,t2,t3,...tm}的交通状况。令Xm×n和分别代表真实的和估计的交通状况矩阵，那么交通状况检测问题就是对Xm×n进行估计，得到应使得最小化。其中，||·||F为Frobenius范数，即
给定手机信令数据流、车检器数据流和浮动车GPS数据流，经初步融合后构成关于车速的测量矩阵M＝(xij)m×n，其中第j列表示第j个路段的速度，第i行表示在第i个时间片内所有路段的速度。通常，Mm×n是稀疏矩阵，其中有一些元素是未定义的。Mm×n和的关系可以表示为：其中，矩阵Bm×n为指示矩阵，其定义为
交通状况检测问题中的估计矩阵应该尽量接近测量矩阵。通过对测量矩阵Mm×n的低秩分析，推测估计矩阵也是低秩的，这意味着在交通状况检测问题中，应该去寻找一个低秩的估计也就是满足(4)式的
由于是非凸的，因此(4)式是一个非凸优化问题，该问题的求解属于NP-hard。对(4)式的一个常用解决方法是使用核范数||·||*来估计矩阵的秩。由于矩阵的核范数是矩阵的秩的最紧的凸包络(convex envelop)，所以，可将(4)式转换为(5)式所示的凸优化问题。特别地，如果将映射成Bm×n的操作满足约束等距性(restrictedisometry property)，而且Mm×n满足低秩性，那么(4)式等价于(5)式。
其中， 是的第i大的奇异值。为了求解满足(5)式的可以利用类似SVD分解，使得其中L＝UΣ1/2是一个m×r的矩阵，R＝VΣ1/2是一个n×r的矩阵。面对的多种分解结果，我们所需要的是找到能满足最小化Frobenius范数的L和R，即该L和R要满足(6)式。
同时，还要求满足r≥rank(X0)，这里，X0是(4)式的一个解。如果这样，(5)式即与(6)式等价。实际上，若L和R严格满足(6)式，可能导致求解结果不理想。其原因有两个，一是测量矩阵中的数据存在噪声，严格满足约束可能导致过拟合。二是交通状况矩阵Xm×n可能是一个近似低秩的矩阵。考虑到这些因素，可以把(6)式转换为如(7)式所示的凸优化问题。
(7)式引入了正则化参数λ，用于权衡估计矩阵与测量矩阵的相似约束和低秩约束两个目标。
针对(7)式的优化问题，提出了一个迭代算法求解L和R。基本思想是：首先随机初始化L，然后，固定L，利用正则化的最小二乘法求R。由于R的行之间在求解时是互不影响的，因此可以对R的每一行分别进行最小二乘法求最优解，以加快程序运行速度。固定R求L时同理，如此迭代直到L和R收敛(即，两次相邻迭代之间的L和R的值几乎不变)。此时的交通状况估计矩阵中与当前时间片对应的那一行即为当前的实时路况。具体步骤如下：
(1)算法的输入为测量矩阵Mm×n，指示矩阵Bm×n，估计矩阵秩的上界r，权重因子λ和迭代次数κ，
(2)对m×r的矩阵L进行随机初始化，
(3)令当前最小的估计误差vcur为最大的实数，
(4)根据L，利用正则化的最小二乘法求解n×r的矩阵R，
(5)根据R，利用正则化的最小二乘法求解L并用于更新L，
(6)基于该L和R，按如下公式计算估计误差v：
(7)若v小于当前最小的估计误差vcur，执行步骤(8)，否则执行步骤(9)，
(8)更新当前最优解，即设置Lcur为L，Rcur为R，并设置当前最小误差vcur为v，
(9)重复执行步骤(4)至步骤(8)κ次，
(10)Lcur×Rcur T为要求解的最优估计矩阵
上述步骤中，正则化的最小二乘法求解矩阵R的具体步骤如下：
(1)算法的输入为矩阵L，测量矩阵Mm×n，估计矩阵秩的上界r和权重因子λ，
(2)初始化n×r大小的矩阵R为零矩阵，
(3)对Mm×n中的每一列i分别执行步骤(4)至(8)：
(4)遍历M的第i列，得到非空元素的个数z，
(5)初始化大小为z×r的矩阵x为零矩阵，初始化大小为z的向量y，设置其分量都为零，
(6)对Mm×n的第i列中的每一个元素M(j,i)执行步骤(7)：
(7)若M(j,i)不为空，将矩阵x中第一个全零行对应的元素赋值成矩阵L中的第j行的元素值，并将向量y中第一个零元素赋值成M(j,i)，
(8)将公式(xTx+λI)/xTy的结果赋值给R的第i行，其中I为r×r的单位矩阵，
(9)这时的R即为要求解的矩阵R。
第四步：过滤融合：对第三步获得的路况根据交通流特性进行过滤纠偏，形成最终的融合结果。该融合结果回填到测量矩阵中，以便用于下一时间片的补全融合。
大量实际发生的交通现象表明，某时某地的交通流并不是一个独立事件，它与之前若干时刻的交通流相关，也受相邻路段的交通流的影响。特别是，道路交通状况的现状和发展趋势与其是处于自由流还是拥堵流紧密相关。通常，在自由流下，畅通路况以80公里/小时的速度沿道路正向移动，而在拥堵流下，拥堵路况以15公里/小时的速度沿道路反向移动。经过压缩感知补全的车速并没有考虑交通流的特性。为此，进一步对补全的车速进行滤波纠偏。
对第三步获得的路况根据交通流特性进行过滤纠偏。具体方法如下：
路段上的车速可以认为是一个时空序列，需要从时间、空间两个角度考虑历史数据对当前数据的影响，同时，要考虑自由流、拥堵流不同的路况传播方式对车速的影响。
首先给出自由流下的车速估计值和拥堵流下的车速估计值。
令x(t,p)表示t时刻、p位置的车速，p＝loc(Sege)。现在要估计x(t,p)，而已有车速序列为{x(ti,pj)}，其中，ti≤t。那么，令自由流下的车速估计值为xf(t,p)，拥堵流下的车速估计值为xc(t,p)，并用公式(8)计算这两个车速估计值。
其中，σ为在位置p所属道路上的距离p的最远距离，τ为历史数据中距离当前时刻最远的时间间隔。σ设置成16公里，τ设置成60分钟。Nc(t,y)和Nf(t,y)分别为针对拥堵流和自由流的标准化系数，按(9)式计算。
而φf(Δt,Δp)，φc(Δt,Δp)(其中，Δt＝ti-t,Δp＝pj-p)分别是自由流和拥堵流下的平滑函数。上述平滑函数要满足下列条件：(1)随车速序列在时空上由近到远变换，该车速的影响应逐步衰减；(2)能反映自由流或拥堵流的影响。为此，定义交通流平滑函数φ(Δt,Δp)为其中，α为时间上的波动单位，β为距离空间上的波动单位。α设为5.5分钟，β设为3公里。φ(Δt,Δp)同时量化了时空两个维度的影响，即：一个单位的时间波动在交通流上对车速的影响等同于一个单位的空间波动对车速的影响。同时，考虑到拥堵流下(γc为拥堵流状态下的交通传播速度，即-15公里/小时)，距离当前时刻Δt远、距离当前位置Δp远的车速的影响等同于正常状态下距离当前时刻(Δt-拥堵流下的行驶时延)远、距离当前位置Δp远的车速的影响，所以，设计φc(Δt,Δp)为φc(Δt,Δp)＝φ(Δt-Δp/γc,Δp)。而自由流下(γf为自由流状态下的交通传播速度，即80公里/小时)，距离当前时刻Δt远、距离当前位置Δp远的车速的影响等同于正常状态下距离当前时刻(Δt-畅通流下的行驶时延)远、距离当前位置Δp远的车速的影响，所以，φf(Δt,Δp)被设计成φf(Δt,Δp)＝φ(Δt-Δp/γf,Δp)。
然后，引入权重函数w(t,p)。最终的车速估计要综合考量自由流下的车速估计值和拥堵流下的车速估计值，故融合后的车速w(t,p)为：x(t,p)＝[1-w(t,p)]xf(t,p)+w(t,p)xc(t,p)，其中，权重函数w(t,p)应满足在自由流状态下趋近于0，在拥堵流状态下趋近于1。特别是，当拥堵交通流和畅通交通流在传播过程中相遇了，拥堵交通流可以覆盖畅通交通流，也就是说，在两种交通流滤波结果中，如果有一个得出的速度值较小，那么当前的路况为拥堵的可能性较大，应加大拥堵交通流滤波结果的权重。因此，以sigmoid函数来刻画w(t,p)的大小。而且，标准化系数Nc(t,p)和Nf(t,p)从一定程度上可以反映出拥堵交通流状态下的滤波结果和自由交通流状态下的滤波结果的可信程度，w(t,p)的大小也应该把标准化系数考虑进去。所以，w(t,p)如公式(10)所示。
其中，参数为归一化系数，设为0.8，vc为从自由流变化到拥堵流的速度差值，设为60公里/小时，Δv给出了一个车速变化的区间值，用于归一化速度值的变化，设为20公里/小时。
本发明与现有技术相比的优点在于：
本发明充分利用已有的移动通讯设施和车检器资源，无需安装额外的检测装置，可以以非介入方式和很低的成本获得覆盖全路网的路况估计，实现全天候实时的路况采集。本发明估计的路况结果准确，易推广，适用于高速公路。
附图说明
图1为本发明方法运行的环境；
图2为本发明方法实现流程图；
图3为不同大小稠密子方阵的特征值的分布。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图及实施例对本发明作进一步的详细描述。
本发明的实施例采用的是移动通信网中的信令记录、车检器报告的路况记录和浮动车报告的GPS位置记录。收集到的福建省高速公路上的信令记录来自中国最大的移动通信运营商即中国移动。一条信令记录包含：用户标识(加密)，日期时间，位置区码(LocationArea Code,LAC)，小区号(Cell ID)，信令类型(01语音，02短信，03数据业务，04切入小区，05切出小区，06周期性位置更新，07开关机等)。
有实时信令数据接入的信令处理服务器位于移动运营商核心机房，核心机房一般安全机密性较高，与外部网络没有连接，只能与公司内部服务器通信。该服务器上部署信令处理服务，该服务基于信令估计路况，包括对信令数据进行预处理，将产生信令数据的用户匹配到道路上，得到用手机信令数据初步计算出的路况结果。
基于手机信令得到的初步的交通路况估计结果需要与车检器数据和浮动车数据进行融合，车检器数据和浮动车数据需要从外部网络获得，因此数据融合服务器位于能访问外网的IDC机房，实现数据融合部分的软件功能。
目前，福建省有9条高速公路，总长为2,620.938公里。在这些高速公路上，总共部署了1,293个线圈传感器，分别隶属于433个车检器。收集到的浮动车GPS数据来自福建省的两客一危车辆。
核心机房与IDC机房之间通过socket进行通信，核心机房处理器得到的信令数据初步处理结果发送给IDC机房的数据融合服务器。信令处理服务器每处理完一个时间片段(5分钟)的信令数据，得到的结果存储在一个Map对象中，该对象的key为道路名称，value为每一条路的详细信息，其中每一条路的信息存储结构中的字段见表1。核心机房将路况结果对象序列化写入一个socket中，根据IDC机房的IP和端口号发送数据。IDC机房的数据融合服务器上的socket服务一直处于监听状态，数据融合服务器从socket收到数据后反序列化解析得到路况结果对象，并返回一个状态码，完成传输。
表1信令处理服务器向数据融合服务器发送的数据格式
经过初步融合的车速仍然存在数据缺失和噪声，为此，挖掘初步融合后车速数据中的隐藏特性，基于压缩感知技术对缺失的车速进行补全，使其最大可能的接近真实的交通状况。压缩感知技术要解决的问题是给定Mm×n如何来估计Xm×n。由于交通流的特性，Mm×n中的各行或各列之间有很大可能性是相关的，即Mm×n是低秩的。测量矩阵Mm×n的这个特性允许应用压缩感知技术对Mm×n实现矩阵补全。换句话说，如果Mm×n满足低秩性的要求，那么应用压缩感知，对Mm×n进行精确的恢复是可能的。下面给出测量矩阵的低秩性检验方法及实例。
通过抽取测量矩阵的稠密子方阵，计算其特征值的分布，可分析测量矩阵是否满足低秩特性。
由于福建9条高速公路被划分成3046个切换路段，并以5分钟为一个测量时间片，因此，1天的测量值构成了大小为288×3046的测量矩阵M。选取2015年11月27日的信令数据和车检器数据，形成测量矩阵M。该矩阵中最大的稠密子方阵的大小为159×159，从中选取大小分别为30、60、90、120、150的子方阵，计算这些子方阵的特征值，并对每个子方阵的特征值进行归一化，使得其最大的特征值为1。若存在多个大小一样的稠密子方阵(例如，大小为30的子方阵有25个)，那么取其归一化后的平均特征值为该大小方阵的特征值。
图3显示了对于不同大小的子方阵，归一化后的特征值以从大到小的方式排列的结果。图例用于表示子方阵大小以及不重叠的同样大小的子方阵的数目。从图中可以看出不同大小的稠密子方阵其归一化后的特征值的分布相似，即，这些方阵的信息主要集中在前几个特征值上。由于M的不同大小的稠密子方阵都是低秩的，可以推断M也是低秩的。
在第三步补全融合中，迭代的最小二乘法求解估计矩阵的关键操作是计算最小二乘法，其复杂度为O(rmn)，共需要迭代κ次，因此第三步的整体复杂度为O(rmnκ)。利用Java并行线性代数库jblas可加速矩阵运算。针对大小为288×3046的测量矩阵，在r＝2，κ＝200时，采用jblas库执行第三步仅需30.7秒，能够满足高速公路路况检测的实时性要求。
IDC机房可以访问外网以获取和输出数据，但是出于安全考虑，不能搭建服务供外部访问，因此需要将数据融合服务器得到的最终路况结果数据发送至外网的Web访问服务器。
数据融合得到的路况结果数据可以发送至数据存储服务器以便存储在该服务器上和之后的查看。
数据融合服务器定期(间隔5分钟)向数据存储服务器发送实时的路况结果数据，数据存储服务器收到结果数据后，将其存入本地数据库。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (8)

1.一种基于数据融合的高速公路路况信息实时获取方法，其特征在于实现步骤如下：
第一步：数据获取：获取感应线圈型车检器生成的车速，称为车检器车速；获取根据手机信令序列估算的高速公路车速，称为信令车速；获取根据浮动车的GPS数据计算得到的浮动车辆的车速，称为GPS车速；
第二步：初步融合：根据历史车检器车速和历史信令车速确定每个车检器的影响范围ρ，车检器能准确报告其所在位置即该截面的路况，同时该截面的路况是与车检器所在位置附近一定范围内的路况一致，该范围称为该车检器的影响范围；以车检器影响范围为基础对第一步获取的信令车速、GPS车速和车检器车速三者进行初步融合，得到t时刻e路段实时的估计车速ve(t)，即如下：
(a)e路段若在某车检器影响范围ρ内的话，以车检器报告的车速为初步融合的估计车速；
(b)否则，有两种情况：e路段若有GPS车速结果，则以GPS车速结果为初步融合的估计车速；e路段若有信令车速结果，则以信令车速结果为初步融合的估计车速；
(c)上述情况均不成立的话，车速空缺；
初步融合的车速与历史车速一起形成测量矩阵M＝(xij)m×n，其中，M的第j列表示第j个路段的速度，第i行表示在第i个时间片内所有路段的速度；
第三步：补全融合：在第二步初步融合的基础上，采用压缩感知方法对车检器车速、信令车速和GPS车速进行深度融合，从而获得交通状态估计矩阵在状态估计矩阵中，当前时间对应的那一行即为当前时刻的实时路况；
第四步：过滤融合：对获得的当前时刻的实时路况根据交通流特性进行过滤纠偏，形成最终的融合结果；该融合结果回填到测量矩阵中，以便用于下一时间片的补全融合。
2.根据权利要求1所述的一种基于数据融合的高速公路路况信息实时获取方法，其特征在于：所述第一步中，根据手机信令序列估算信令车速具体方法如下：
(1)将基站所在位置向道路投影，得到投影点作为道路分割点，两个分割点之间的道路作为路段，路段是进行路况估计的最小单位；路段的方向设置参考了道路的桩号，以桩号从小到大的方向为路段的正方向；
(2)信令处理服务器每隔一定时间，称为一个周期从移动运营商提供的信令接口中读取该周期内高速公路沿线附近的信令数据，然后根据步骤(1)所述的道路沿线基站，对信令进行预处理，包括去除未在道路上发生的信令，进行降噪处理，去除运动特征异常的信令样本，识别并剔除乒乓切换及回路切换信令；
(3)利用步骤(2)处理之后的信令数据，判断出该手机用户是否正随着车辆在高速公路上移动；然后对在高速公路上处于运动状态的手机用户，根据步骤(1)中的路段及其方向，判断手机用户的运动方向，进而计算每个路段在指定时间片内车辆的速度。
3.根据权利要求1所述的一种基于数据融合的高速公路路况信息实时获取方法，其特征在于：
所述第一步中，根据高速公路浮动车的GPS数据计算GPS车速具体方法如下：
(1)过滤浮动车的GPS点，只保留距离高速公路设定范围内的点，并通过地图匹配将浮动车定位到高速公路的路段上；
(2)对于车辆v，令经过步骤(1)过滤后的车辆GPS点序列为{Sv(ti,pj)}，其中Sv(ti,pj)表示车辆v在ti时刻的位置为pj，如果{Sv(ti,pj)}跨越多个路段，则按路段号判断车辆v的行驶方向，即，若跨越的路段编号是从小到大，则判定为正向行驶，否则为逆向行驶；如果{Sv(ti,pj)}仅跨越一个路段Sege，则根据向量内积公式，即判断车辆v的行驶方向，具体规则为：内积值大于0，则车辆的行驶与Sege-1至Sege同向，判定为正向行驶，否则反向；
(3)将GPS点之间的直线距离作为车辆行驶距离，除以GPS记录之间的时间差，得到速度，再根据步骤(2)得到的车辆行驶方向，将速度更新至相应路段。
4.根据权利要求1所述的一种基于数据融合的高速公路路况信息实时获取方法，其特征在于：所述第二步中，确定车检器的影响范围ρ具体过程如下：
(1)计算t时刻、车检器h报告的车速与e路段的信令车速一致性得分值scorethe，
其中，Range为表示车检器影响范围的变量，vh表示车检器h报告的车速，vse表示e路段上的信令车速；loc(Sege)为e路段的中点位置，loc(h)为车检器h的位置，dist(loc(Sege),loc(h))表示loc(Sege)和loc(h)的距离，reward值为信令车速与车检器车速一致时的奖励值，penalty值为信令车速与车检器车速不一致时的惩罚值；
(2)按照步骤(1)的公式统计与Range对应的总得分值，取使得得分值之和最大的Range值，该值即为所求的ρ，如下式所示：
<mrow> <mi>&amp;rho;</mi> <mo>=</mo> <munder> <mi>argmax</mi> <mrow> <msub> <mi>R</mi> <mi>min</mi> </msub> <mo>&amp;le;</mo> <mi>R</mi> <mi>a</mi> <mi>n</mi> <mi>g</mi> <mi>e</mi> <mo>&amp;le;</mo> <msub> <mi>R</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mrow> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>h</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>H</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>e</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>E</mi> <mi>h</mi> </msub> </munderover> <msub> <mi>score</mi> <mrow> <mi>t</mi> <mi>h</mi> <mi>e</mi> </mrow> </msub> </mrow>
其中，T表示历史训练数据时间片t的个数；H表示车检器的数量；Eh表示满足条件dist(loc(Sege),loc(h))≤Range的路段的个数；Rmin、Rmax为实数，用于对车检器影响范围加以限制，Range的最大值即Rmax最多指定为车检器与距离该车检器最近的匝道之间的距离；
(3)取步骤(2)公式中的使得得分值最大的Range值即为所求的车检器的影响范围ρ。
5.根据权利要求1所述的一种基于数据融合的高速公路路况信息实时获取方法，其特征在于：所述第三步中，计算交通状况估计矩阵的具体方法如下：
根据测量矩阵Mm×n，生成指示矩阵Bm×n，即然后，基于测量矩阵Mm×n，指示矩阵Bm×n，估计矩阵秩的上界r，权重因子λ和迭代次数κ，执行下列步骤：
(1)对m×r的矩阵L进行随机初始化，
(2)令当前最小的估计误差vcur为最大的实数，
(3)根据L，利用正则化的最小二乘法求解n×r的矩阵R，
(4)根据R，利用正则化的最小二乘法求解L并用于更新L，
(5)基于该L和R，按如下公式计算估计误差v：
<mrow> <mi>v</mi> <mo>&amp;LeftArrow;</mo> <mo>|</mo> <mo>|</mo> <mi>B</mi> <mo>.</mo> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <msup> <mi>LR</mi> <mi>T</mi> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mi>M</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <mi>L</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mo>|</mo> <mo>|</mo> <mi>R</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
(6)若v小于当前最小的估计误差vcur，执行步骤(7)，否则执行步骤(8)，
(7)更新当前最优解，即设置Lcur为L，Rcur为R，并设置当前最小误差vcur为v，
(8)重复执行步骤(3)至步骤(7)κ次，
(9)Lcur×Rcur T即为要求解的最优估计矩阵
6.根据权利要求5所述的一种基于数据融合的高速公路路况信息实时获取方法，其特征在于：所述步骤(3)中，正则化的最小二乘法求解n×r的矩阵R的具体步骤如下：
(1)输入为矩阵L，测量矩阵Mm×n，估计矩阵秩的上界r和权重因子λ，
(2)初始化n×r大小的矩阵R为零矩阵，
(3)对Mm×n中的每一列i分别执行步骤(4)至(8)：
(4)遍历M的第i列，得到非空元素的个数z，
(5)初始化大小为z×r的矩阵x为零矩阵，初始化大小为z的向量y，设置y的分量都为零，
(6)对Mm×n的第i列中的每一个元素M(j,i)执行步骤(7)：
(7)若M(j,i)不为空，将矩阵x中第一个全零行对应的元素赋值成矩阵L中的第j行的元素值，并将向量y中第一个零元素赋值成M(j,i)，
(8)将公式(xTx+λI)/xTy的结果赋值给R的第i行，其中I为r×r的单位矩阵，
(9)这时的R即为要求解的n×r的矩阵R。
7.根据权利要求1所述的一种基于数据融合的高速公路路况信息实时获取方法，其特征在于：所述第四步，对获得的路况根据交通流特性进行过滤纠偏具体方法如下：
令x(t,p)是要估计的t时刻、p位置的车速，p＝loc(Sege)，而已有的历史车速序列为{x(ti,pj)}，则x(t,p)的计算如下列公式所示：x(t,p)＝[1-w(t,p)]xf(t,p)+w(t,p)xc(t,p)
其中，
<mrow> <msub> <mi>x</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>N</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>p</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>:</mo> <mn>0</mn> <mo>&amp;le;</mo> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mi>&amp;sigma;</mi> </mrow> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>t</mi> <mo>-</mo> <mi>&amp;tau;</mi> </mrow> <mi>t</mi> </munderover> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&amp;phi;</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>t</mi> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>-</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <msub> <mi>x</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>N</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>p</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>:</mo> <mn>0</mn> <mo>&amp;le;</mo> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mi>&amp;sigma;</mi> </mrow> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>t</mi> <mo>-</mo> <mi>&amp;tau;</mi> </mrow> <mi>t</mi> </munderover> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&amp;phi;</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>t</mi> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>-</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <msub> <mi>N</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>:</mo> <mn>0</mn> <mo>&amp;le;</mo> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mi>&amp;sigma;</mi> </mrow> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>t</mi> <mo>-</mo> <mi>&amp;tau;</mi> </mrow> <mi>t</mi> </munderover> <msub> <mi>&amp;phi;</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>t</mi> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>-</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>N</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>:</mo> <mn>0</mn> <mo>&amp;le;</mo> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mi>&amp;sigma;</mi> </mrow> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>t</mi> <mo>-</mo> <mi>&amp;tau;</mi> </mrow> <mi>t</mi> </munderover> <msub> <mi>&amp;phi;</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>t</mi> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>-</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
φc(Δt,Δp)＝φ(Δt-Δp/γc,Δp)，φf(Δt,Δp)＝φ(Δt-Δp/γf,Δp)，
上述公式中，为归一化系数，vc为从自由流变化到拥堵流的速度差值，Δv给出了一个车速变化的区间值，用于归一化速度值的变化，σ为在位置p所属道路上的距离p的最远距离，τ为历史数据中距离当前时刻最远的时间间隔，γc为拥堵流状态下的交通传播速度，γf为自由流状态下的交通传播速度，α为时间上的波动单位，β为空间上的波动单位。
8.根据权利要求7所述的一种基于数据融合的高速公路路况信息实时获取方法，其特征在于：所述设置为0.8；vc设为60公里/小时；Δv设为20公里/小时；σ设置成16公里，τ设置成60分钟；γc设成-15公里/小时；γf设成80公里/小时；α设为5.5分钟；β设为3公里。
CN201610584675.4A 2016-07-22 2016-07-22 一种基于数据融合的高速公路路况信息实时获取方法 Active CN106205114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610584675.4A CN106205114B (zh) 2016-07-22 2016-07-22 一种基于数据融合的高速公路路况信息实时获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610584675.4A CN106205114B (zh) 2016-07-22 2016-07-22 一种基于数据融合的高速公路路况信息实时获取方法

Publications (2)

Publication Number Publication Date
CN106205114A CN106205114A (zh) 2016-12-07
CN106205114B true CN106205114B (zh) 2018-05-18

Family

ID=57491565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610584675.4A Active CN106205114B (zh) 2016-07-22 2016-07-22 一种基于数据融合的高速公路路况信息实时获取方法

Country Status (1)

Country Link
CN (1) CN106205114B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108335482A (zh) * 2017-01-20 2018-07-27 亚信蓝涛（江苏）数据科技有限公司 一种城市交通态势感知方法及可视化方法
CN107134132A (zh) * 2017-01-23 2017-09-05 北京博研智通科技有限公司 提高高速公路通行受阻系数计算精度的方法和系统
CN107134136A (zh) * 2017-01-23 2017-09-05 北京博研智通科技有限公司 一种城市之间道路交通拥堵程度排序的方法和系统
CN107134133A (zh) * 2017-01-23 2017-09-05 北京博研智通科技有限公司 辖区之间高速公路交通拥堵程度排序的方法和系统
CN107134135A (zh) * 2017-01-23 2017-09-05 北京博研智通科技有限公司 一种缓解高速公路拥堵程度的方法及系统
CN107134131A (zh) * 2017-01-23 2017-09-05 北京博研智通科技有限公司 一种高速公路通行受阻系数的计算方法和系统
CN106910338A (zh) * 2017-03-17 2017-06-30 北京博研智通科技有限公司 基于多元数据的精准计算高速公路受阻系数的方法和系统
CN106960569A (zh) * 2017-03-17 2017-07-18 北京博研智通科技有限公司 基于多元数据精准计算道路交通受阻系数的方法和系统
CN106960570A (zh) * 2017-03-28 2017-07-18 北京博研智通科技有限公司 多元数据融合的辖区之间高速公路拥堵排序的方法和系统
CN106952472A (zh) * 2017-03-28 2017-07-14 北京博研智通科技有限公司 基于多元数据的城市之间拥堵程度排序方法和系统
CN106910341A (zh) * 2017-04-13 2017-06-30 北京博研智通科技有限公司 多种数据源融合缩短高速公路拥堵持续时间的方法和系统
CN106920394A (zh) * 2017-04-13 2017-07-04 北京博研智通科技有限公司 融合多种数据源降低城市交通拥堵程度的方法及系统
CN107016872B (zh) * 2017-05-23 2020-07-14 安徽科力信息产业有限责任公司 快速生成交通广播路况信息发布稿的方法、介质和系统
CN106991818B (zh) * 2017-05-23 2020-06-09 安徽科力信息产业有限责任公司 一种有效缓解城市交通拥堵的方法、存储介质和系统
CN109284659A (zh) * 2017-07-22 2019-01-29 上海谷米实业有限公司 一种移动物体定位纠编及噪点过滤的方法
CN107516417B (zh) * 2017-08-21 2019-09-17 中国科学院软件研究所 一种挖掘时空关联关系的实时高速公路流量估计方法
CN109935098B (zh) * 2017-12-18 2020-11-06 上海交通大学 基于车路协同通信的高精度相对位置信息播发装置及方法
CN107993452B (zh) * 2017-12-20 2021-06-08 杭州远眺科技有限公司 基于wifi探针探测高速公路上道路通行速度的测速方法
CN108171993B (zh) * 2017-12-28 2020-11-06 重庆邮电大学 一种基于手机信令大数据的高速公路车辆速度计算方法
CN109637133A (zh) * 2018-12-27 2019-04-16 山西北斗瀚森科技有限公司 一种城市道路/路段的车辆速度评估方法及系统
CN111091720B (zh) * 2020-03-23 2020-08-25 北京交研智慧科技有限公司 基于信令数据和浮动车数据的拥堵路段识别方法及装置
CN115472022B (zh) * 2022-09-06 2024-03-22 同盾科技有限公司 融合测速方法、融合测速装置、存储介质与电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293055A (ja) * 2004-03-31 2005-10-20 Nippon Super Map Kk リアルタイム交通情報自動収集配信システム
CN102063793A (zh) * 2011-01-12 2011-05-18 上海炬宏信息技术有限公司 检测路况信息的方法和系统
JP2013182490A (ja) * 2012-03-02 2013-09-12 Sumitomo Electric Ind Ltd 交通情報変換装置、交通情報システム、中央サーバ、サービスサーバ、及び、交通情報提供方法
CN104636611A (zh) * 2015-02-03 2015-05-20 上海奕行信息科技有限公司 城市道路/路段的车辆速度评估方法
CN104778836A (zh) * 2015-04-03 2015-07-15 江苏省交通规划设计院股份有限公司 基于手机信令数据质量感知的高速公路交通状态识别方法
CN104978858A (zh) * 2015-06-15 2015-10-14 北京拓明科技有限公司 一种基于手机信令的高速公路实时路况监测方法
CN105389996A (zh) * 2015-12-17 2016-03-09 北京亚信蓝涛科技有限公司 一种基于大数据的交通运行状态特征参数提取方法
CN105513351A (zh) * 2015-12-17 2016-04-20 北京亚信蓝涛科技有限公司 一种基于大数据的交通出行特征数据提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293055A (ja) * 2004-03-31 2005-10-20 Nippon Super Map Kk リアルタイム交通情報自動収集配信システム
CN102063793A (zh) * 2011-01-12 2011-05-18 上海炬宏信息技术有限公司 检测路况信息的方法和系统
JP2013182490A (ja) * 2012-03-02 2013-09-12 Sumitomo Electric Ind Ltd 交通情報変換装置、交通情報システム、中央サーバ、サービスサーバ、及び、交通情報提供方法
CN104636611A (zh) * 2015-02-03 2015-05-20 上海奕行信息科技有限公司 城市道路/路段的车辆速度评估方法
CN104778836A (zh) * 2015-04-03 2015-07-15 江苏省交通规划设计院股份有限公司 基于手机信令数据质量感知的高速公路交通状态识别方法
CN104978858A (zh) * 2015-06-15 2015-10-14 北京拓明科技有限公司 一种基于手机信令的高速公路实时路况监测方法
CN105389996A (zh) * 2015-12-17 2016-03-09 北京亚信蓝涛科技有限公司 一种基于大数据的交通运行状态特征参数提取方法
CN105513351A (zh) * 2015-12-17 2016-04-20 北京亚信蓝涛科技有限公司 一种基于大数据的交通出行特征数据提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"实时数据集成技术及其应用";金蓓弘 等;《计算机研究与发展》;20020228;正文全文 *
"无线传感器网络的数据融合技术及其应用";崔艳玲 等;《信息技术教学与研究》;20111231;正文全文 *
"车载自组织网络中一种连通度感知的可靠数据分发机制";张莉锋 等;《计算机学报》;20130430;正文全文 *

Also Published As

Publication number Publication date
CN106205114A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106205114B (zh) 一种基于数据融合的高速公路路况信息实时获取方法
Chen et al. A short-term traffic prediction model in the vehicular cyber–physical systems
CN102708698B (zh) 基于车联网的车辆最优路径导航方法
CN103838772B (zh) 一种多源交通数据融合方法
US20170091350A1 (en) Near real-time modeling of pollution dispersion
CN102779410B (zh) 一种多源异类海量交通数据融合的并行实现方法
Jiang et al. Traffic state and emission estimation for urban expressways based on heterogeneous data
CN107705551A (zh) 交通路况的评估方法以及装置
CN105206057A (zh) 基于浮动车居民出行热点区域的检测方法及系统
CN104794895A (zh) 一种面向高速公路的多源交通信息融合方法
CN104900061A (zh) 路段行程时间监测方法及装置
Habtie et al. Artificial neural network based real-time urban road traffic state estimation framework
CN107180534A (zh) 支持向量回归机融合的高速公路路段平均速度估计方法
Nandury et al. Strategies to handle big data for traffic management in smart cities
Kumar et al. Study on road traffic congestion: A review
US20210150893A1 (en) Method, apparatus, and system for automatic road closure detection during probe anomaly
Byon et al. Traffic condition monitoring with SCAAT Kalman filter-based data fusion in Toronto, Canada
Bachmann et al. Multisensor data integration and fusion in traffic operations and management
Raiyn Speed adaptation in urban road network management
CN106157657A (zh) 一种移动用户的运动状态识别系统及其方法
US11435202B2 (en) Trajectory sampling using spatial familiarity
Raiyn Classification of road traffic anomaly based on travel data analysis
Habtie et al. Cellular network based real-time urban road traffic state estimation framework using neural network model estimation
CN106683024A (zh) 一种基于排放源强相似性的机动车尾气遥测设备布点方法
Li et al. A feature-based approach to large-scale freeway congestion detection using full cellular activity data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant