CN106651061B - 一种基于dsrc数据与点检测器数据的实时融合方法 - Google Patents
一种基于dsrc数据与点检测器数据的实时融合方法 Download PDFInfo
- Publication number
- CN106651061B CN106651061B CN201710141367.9A CN201710141367A CN106651061B CN 106651061 B CN106651061 B CN 106651061B CN 201710141367 A CN201710141367 A CN 201710141367A CN 106651061 B CN106651061 B CN 106651061B
- Authority
- CN
- China
- Prior art keywords
- data
- dsrc
- detector
- section
- spot detector
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
- G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Finance (AREA)
- Chemical & Material Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于DSRC数据与点检测器数据的实时融合方法,具体包括两部分内容:一是,DSRC数据的预处理;二是,建立基于卡尔曼滤波的实时数据融合模型。其中,建立基于卡尔曼滤波的实时数据融合模型包括,针对DSRC检测器和点检测器两类检测器的路段划分方法和实时数据融合步骤两方面;该基于DSRC数据与点检测器数据的实时融合方法以当前基于ETC系统扩展应用的DSRC检测器和点检测器为基础,对DSRC数据和点检测器数据进行实时融合,以提升DSRC数据的实时性及运行状态评估的准确性,为交通管理者出行信息服务提供技术及数据支撑。
Description
技术领域
本发明属于智能交通领域,具体涉及一种基于DSRC数据与点检测器数据的实时融合方法。
背景技术
实时的交通状态估计与预测是交通管理者进行决策管理的依据,同时,也是交通诱导和出行信息服务的先决条件。随着高速公路小汽车出行量的日益增多,拥堵已经成为出行常态,为了提供良好的道路环境和出行体验,及时、准确地把握实时及未来道路的交通状况非常关键。我国高速公路电子不停车收费系统(以下简称“ETC”)经过多年的发展,在建设规模、跨区域联网以及产业化发展等方面均取得较好成效,并且于2015年实现全国联网,主线公路收费站ETC覆盖率达到100%,截止2016年8月,全国ETC用户数量已突破3800万。作为ETC系统的扩展应用之一,DSRC检测器通过采集ETC车辆的OBU_ID信息及其经过路侧天线的时间,成为一种新的高速公路信息采集方式。
根据检测器获取数据的类型,检测器可分为三类:点检测器、点到点检测器以及移动检测器。点检测器通常称为断面检测器,采集的是固定地点的时间平均速度、流量和占有率等数据,如微波检测器、线圈检测器、超声波检测器等。点到点检测器,也称为自动车辆识别(Automatic Vehicle Identifier recorder,AVI)传感器,能通过安装的应答器标签、车牌号码、移动电话的蓝牙信号追踪车辆的身份,从而获取点到点之间路段的速度、旅行时间及流量等信息。
当前多数研究集中于AVI数据、浮动车数据、微波数据、线圈数据等多种数据的融合,采用的方法主要有加权平均模型、神经网络模型、贝叶斯理论方法及卡尔曼滤波等方法。由于卡尔曼滤波方法在数据处理过程中,前期所需数据较少,求解时不需要贮存大量的观测数据,且当得到新的观测数据时,可实时处理,快速算得新的参数滤波值,在动态数据处理过程中应用广泛,目前,卡尔曼滤波已在航天技术、通信工程、工业控制等领域中得到比较广泛的应用。
现有的DSRC数据的实时性及运行状态评估的准确性较低,无法为交通管理者出行信息服务提供技术及数据支撑。
发明内容
有鉴于此,本发明目的是提供一种以当前基于ETC系统扩展应用的DSRC检测器和点检测器为基础,对DSRC数据和点检测器数据进行实时融合,以提升DSRC数据的实时性及运行状态评估的准确性,为交通管理者出行信息服务提供技术及数据支撑的基于DSRC数据与点检测器数据的实时融合方法。
为了解决上述技术问题,本发明的技术方案是:
一种基于DSRC数据与点检测器数据的实时融合方法,包括以下步骤:
1)对DSRC数据预处理
第一步,针对DSRC数据及点检测器数据的特征,通过时空图的形式,分析两类数据对实时交通状态表达的优缺点;
第二步,DSRC数据预处理,包括相邻DSRC检测器之间距离的确定,异常数据剔除,数据匹配方法确定;
2)建立基于卡尔曼滤波的实时数据融合模型
第一步,结合DSRC数据及点检测器数据特征,进行路段划分;
第二步,根据DSRC检测器的测量值,考虑卡尔曼滤波方法计算过程中矩阵乘积的累加特点,将点检测器数据转换为行程时间数据;
第三步,根据路段划分结果,结合DSRC检测器和点检测器的布设位置分布,确定DSRC检测器与路段的匹配矩阵以及确定点检测器与路段的匹配矩阵;通过对DSRC数据和点检测器数据的统计分析,确定DSRC检测器和点检测器的测量误差的方差矩阵,及初始的行程时间方差矩阵;最后基于卡尔曼滤波方法对DSRC数据和点检测器数据进行实时融合处理。
进一步的,相邻DSRC检测器之间距离的确定的方法为:1)当相邻DSRC检测器位于同一条高速公路时,可直接由两DSRC检测器所在桩号的差值得到;2)当相邻DSRC检测器位于不同高速公路时,首先确定高速公路相交的互通分别在两高速公路中的里程桩号,并分别计算两DSRC检测器与互通的距离,然后将两者相加得到。
进一步的,异常数据剔除的方法为:检测车辆时,假设DSRC检测器是时钟同步的,若单车行程时间为负值,则该车辆数据为异常数据,予以剔除。
进一步的,数据匹配方法确定的方法为,按车流方向以下游DSRC检测器的时间为准,截取时间周期T内到达下游DSRC检测器的车辆数据,进而根据车辆的OBU_ID匹配得到车辆分别经过上游DSRC检测器和下游DSRC检测器的时间,最后计算得到空间的平均行程时间及平均速度。
进一步的,路段划分的方法为:以相邻DSRC检测器之间的路段作为数据融合处理的对象,路段的起点和终点分别布设了DSRC检测器,1)当路段上有多于1个点检测器时,以相邻点检测器之间路段的中点为节点将相邻DSRC检测器之间的路段划分为多个子路段;2)当路段上有且只有1个点检测器时,若点检测器位于路段中间则以点检测器位置为节点,将路段划分成两个子路段,若点检测器位于路段的端点时,则不对路段进行划分。
进一步的,点检测器数据转换为行程时间数据的方法为,将点检测器的时间平均速度转化为空间平均速度,具体计算方法如下:
其中,表示空间平均速度,表示时间平均速度,表示时间平均速度的方差,得到空间平均速度后,结合路段的长度,通过计算路段长度与空间平均速度的比值得到该路段该时间周期的行程时间数据。
进一步的,定义如下参数:
令n表示相邻DSRC检测器之间的路段包含的子路段数量(由路段划分结果确定),通过点检测器获得的子路段行程时间估计值为实测值为Yt,二者均为n×1的列向量。根据子路段的划分原则,每个子路段有且只有1个点检测器,则点检测器与子路段的匹配矩阵为n×n的单位矩阵,记作Hw;点检测器检测到的各子路段的行程时间的方差组成的矩阵为为n×n维矩阵(初始值可假设为对角矩阵);点检测器的测量误差的方差矩阵为Rw,为n×n维对角矩阵,将DSRC的测量值记作Zd,t,测量误差的方差为Rd,DSRC测量值与子路段的匹配矩阵为1×n的全1行向量,记作Hd。
进一步的,数据融合的具体步骤如下:
步骤1:计算点检测器数据的增益因子Kw
通过公式计算得到,其中Hw为点检测器的匹配矩阵;
步骤2:更新点检测器数据的估计值
通过公式计算得到,Yw,t为点检测器的实测值;
步骤3:更新点检测器数据的行程时间估计的方差矩阵
通过公式计算得到;
步骤4:计算DSRC检测器的增益因子Kd
通过公式计算得到,Kd为n×1的列向量;
步骤5:计算DSRC数据与点检测器数据融合后的估计值
步骤6:计算t+1时刻的行程时间预测值
步骤7:获取下一时间周期的DSRC数据和点检测器的测量值,转步骤1。
本发明技术效果主要体现在以下方面:采用卡尔曼滤波方法对高速公路的DSRC数据和点检测器数据进行实时数据融合,以提升单独使用一种数据进行高速公路运行状态评估的准确性;针对DSRC数据实时性较差,点检测器数据难以表达空间交通状态的缺点,创新性的采用稳定性高,实时处理速度快的卡尔曼滤波方法,实现DSRC数据与点检测器数据的实时融合,可以满足交通管理者对出行信息服务的及时性和准确性需求。
附图说明
图1为本发明的DSRC检测器和点检测器数据采集示意图;
图2为原始路段示意图;
图3为本发明的两个点检测器场景示意图;
图4为本发明的一个点检测器场景示意图;
图5为本发明的基于卡尔曼滤波的实时数据融合流程图。
具体实施方式
以下结合附图,对本发明的具体实施方式作进一步详述,以使本发明技术方案更易于理解和掌握。
实施例
参阅图1-5,一种基于DSRC数据与点检测器数据的实时融合方法,具体包括两部分内容:一是,DSRC数据的预处理;二是,建立基于卡尔曼滤波的实时数据融合模型。
(1)DSRC数据的预处理
原始的DSRC数据主要包括三部分:DSRC检测器的位置信息(即DSRC检测器所在高速公路的桩号),ETC车辆的OUB_ID及经过该DSRC检测器的时间戳。
在DSRC检测器布设密度较低的情况下,单独使用DSRC数据进行交通运行状态实时评估有一定的局限性,评估结果时间延迟偏大。如图1所示,当DSRC检测器间距较大时,在下游(DSRC 2)当前时间周期(第5个时间周期)内,匹配得到的数据可能是前几个时间周期(第3,4个时间周期)从上游(DSRC 1)出发的车辆数据。用这些数据来表达DSRC 1-DSRC 2之间路段的实时运行状态有些滞后性,而且图1阴影区域中的交通运行信息是无法获取的,这是由于在当前周期(第5个时间周期)上游出发的车辆还未到达DSRC 2的位置,无法检测车辆位置及车辆的运行速度等信息。如图1所示,DSRC 1与DSRC 2之间有一个点检测器,点检测器检测数据可代表部分阴影区域交通状态,这恰与DSRC数据相互补,因此,将点检测器数据与DSRC数据融合后可提升DSRC 1-DSRC 2路段的交通状态表达的实时性及准确性。
在进行数据融合之前,需要确定相邻DSRC检测器之间的距离,剔除异常数据。在此基础上进行数据匹配,为数据融合奠定基础。
1)相邻DSRC检测器之间距离确定
在高速公路网中,DSRC检测器的位置信息只记录DSRC检测器所在高速公路的桩号,当相邻DSRC检测器位于不同的高速公路时,无法通过DSRC检测器的桩号直接得到两者之间的距离,因此,相邻DSRC检测器之间的计算方法需要确定。
在高速公路网中,相邻DSRC检测器之间路段距离的计算分为以下两种情况:1)当相邻DSRC检测器位于同一条高速公路时,可直接由两DSRC检测器所在桩号的差值得到;2)当相邻DSRC检测器位于不同高速公路时,首先确定高速公路相交的互通分别在两高速公路中的里程桩号,并分别计算两DSRC检测器与互通的距离,然后将两者相加得到。
2)异常数据剔除
DSRC检测器的异常数据主要包括两类:重复记录的数据和相邻DSRC检测器之间单车行程时间为负值的数据。
假设DSRC检测器是时钟同步的,若单车行程时间为负值,则该车辆数据为异常数据,予以剔除。这是由于受设备的安装位置及辐射范围影响,DSRC检测器有可能检测到对向的ETC车辆,这样使得上游DSRC检测器记录的时间戳晚于下游DSRC检测器记录的时间戳,因此得到的单车行程时间小于0。
3)数据匹配方法选择
DSRC数据用于实时交通运行状态评估时,应按车流方向以下游DSRC检测器的时间为准,截取时间周期T内到达下游DSRC检测器的车辆数据,进而根据车辆的OBU_ID匹配得到车辆分别经过上游DSRC检测器和下游DSRC检测器的时间,最后计算得到空间的平均行程时间及平均速度。
4)数据匹配区间长度的确定
部分近城区高速公路路段,一些车辆单日经过多次,如果不确定上游DSRC检测器数据的时间段,选择对相邻上游DSRC检测器所有的历史数据进行匹配,则可能导致前一次的进入时间与后一次出行的离开时间相匹配,使得得到的车辆行程时间远远高出车辆实际的行程时间,产生异常数据。因此,对相邻DSRC检测器数据进行匹配时需要确定选择多长时间段内的上游DSRC检测器数据。通常情况下,匹配数据时间区间的长度与相邻DSRC检测器的间距及交通运行状态有关,DSRC检测器间距越长,交通运行状态越差,则匹配时间区间的长度越大,反之,匹配时间区间长度越小。
(2)建立基于卡尔曼滤波的实时数据融合模型
首先根据两类DSRC检测器的位置信息进行路段划分,然后基于卡尔曼滤波方法进行实时数据融合。
1)路段划分方法
以相邻DSRC检测器之间的路段作为数据融合处理的对象,路段的起点和终点分别布设了DSRC检测器。路段划分原则为:(1)当路段上有多于1个点检测器时,以相邻点检测器之间路段的中点为节点将相邻DSRC检测器之间的路段划分为多个子路段;(2)当路段上有且只有1个点检测器时,若点检测器位于路段中间则以点检测器位置为节点,将路段划分成两个子路段,若点检测器位于路段的端点时,则不对路段进行划分。
如图2所示,节点1和节点5布设有DSRC检测器,节点1,2,3,4,5为可布设点检测器的位置,图2分别展示了布设1个,2个点检测器的路段划分示意图,圆圈表示点检测器的布设位置。为了便于表述,假设图3中相邻节点之间的距离相等,即假设5个节点将路段等分成4段。
当该路段上分别布设1个点检测器,2个点检测器时,若布设位置示意图如图3和图4中场景1至场景5所示,则各场景中路段的划分结果如表1。
表1路段划分结果
当相邻DSRC检测器之间路段上布设2个点检测器时,无论点检测器如何布设,均将路段划分成两个子路段;若相邻DSRC检测器之间路段上只有1个点检测器,当点检测器位于路段之间的位置上(如图4,场景3),则将路段划分成两个子路段;当点检测器或者位于路段起点或者位于路段终点时(如图4,场景4,5),则将路段划分成一个子路段,即不对相邻DSRC检测器之间的路段进行划分。
2)建立基于卡尔曼滤波的实时数据融合模型
①点检测器数据转化为行程时间数据
DSRC检测器可获取路段的行程时间值,考虑行程时间的可累加特性,本发明统一将各点检测器测量数据转换为行程时间数据进行融合处理。
依据上述的路段划分原则,划分后形成的每个子路段中均布设有且只有1个点检测器,而且可以得到各子路段的距离,因此,可以将点检测器的时间平均速度转化为空间平均速度,具体计算方法如下:
其中,表示空间平均速度,表示时间平均速度,表示时间平均速度的方差。
得到空间平均速度后,结合路段的长度,通过计算路段长度与空间平均速度的比值得到该路段该时间周期的行程时间数据。
②实时数据融合模型
基于卡尔曼滤波的实时数据融合流程如图5。
首先给出一些初始的参数设置。令n表示相邻DSRC检测器之间的路段包含的子路段数量(由路段划分结果确定),通过点检测器获得的子路段行程时间估计值为实测值为Yt,二者均为n×1的列向量。根据子路段的划分原则,每个子路段有且只有1个点检测器,则点检测器与子路段的匹配矩阵为n×n的单位矩阵,记作Hw;点检测器检测到的各子路段的行程时间的方差组成的矩阵为为n×n维矩阵(初始值可假设为对角矩阵);点检测器的测量误差的方差矩阵为Rw,为n×n维对角矩阵。将DSRC的测量值记作Zd,t,测量误差的方差为Rd,DSRC测量值与子路段的匹配矩阵为1×n的全1行向量,记作Hd。
数据融合的具体步骤如下:
步骤1:计算点检测器数据的增益因子Kw
通过公式计算得到,其中Hw为点检测器的匹配矩阵。
步骤2:更新点检测器数据的估计值
通过公式计算得到,Yw,t为点检测器的实测值。
步骤3:更新点检测器数据的行程时间估计的方差矩阵
通过公式计算得到。
步骤4:计算DSRC检测器的增益因子Kd
通过公式计算得到,Kd为n×1的列向量。
步骤5:计算DSRC数据与点检测器数据融合后的估计值
步骤6:计算t+1时刻的行程时间预测值
步骤7:获取下一时间周期的DSRC数据和点检测器的测量值,转步骤1。
通过上述融合过程后,得到各子路段的当前时间周期的行程时间,结合各路段的长度进而转化为各路段的平均速度,形成为交通管理者及出行者提供的更实时准确的交通运行状态信息。
本发明技术效果主要体现在以下方面:采用卡尔曼滤波方法对高速公路的DSRC数据和点检测器数据进行实时数据融合,以提升单独使用一种数据进行高速公路运行状态评估的准确性;针对DSRC数据实时性较差,点检测器数据难以表达空间交通状态的缺点,创新性的采用稳定性高,实时处理速度快的卡尔曼滤波方法,实现DSRC数据与点检测器数据的实时融合,可以满足交通管理者对出行信息服务的及时性和准确性需求。
当然,以上只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (7)
1.一种基于DSRC数据与点检测器数据的实时融合方法,其特征在于,包括以下步骤:
1)对DSRC数据预处理
第一步,针对DSRC数据及点检测器数据的特征,通过时空图的形式,分析两类数据对实时交通状态表达的优缺点;
第二步,DSRC数据预处理,包括相邻DSRC检测器之间距离的确定,异常数据剔除,数据匹配方法确定;
2)建立基于卡尔曼滤波的实时数据融合模型
第一步,结合DSRC数据及点检测器数据特征,进行路段划分;
第二步,根据DSRC检测器的测量值,考虑卡尔曼滤波方法计算过程中矩阵乘积的累加特点,将点检测器数据转换为行程时间数据;
第三步,根据路段划分结果,结合DSRC检测器和点检测器的布设位置分布,确定DSRC检测器与路段的匹配矩阵以及确定点检测器与路段的匹配矩阵;通过对DSRC数据和点检测器数据的统计分析,确定DSRC检测器和点检测器的测量误差的方差矩阵,及初始的行程时间方差矩阵;最后基于卡尔曼滤波方法对DSRC数据和点检测器数据进行实时融合处理。
2.根据权利要求1所述的基于DSRC数据与点检测器数据的实时融合方法,其特征在于,相邻DSRC检测器之间距离的确定的方法为:1)当相邻DSRC检测器位于同一条高速公路时,可直接由两DSRC检测器所在桩号的差值得到;2)当相邻DSRC检测器位于不同高速公路时,首先确定高速公路相交的互通分别在两高速公路中的里程桩号,并分别计算两DSRC检测器与互通的距离,然后将两者相加得到。
3.根据权利要求2所述的基于DSRC数据与点检测器数据的实时融合方法,其特征在于,异常数据剔除的方法为:检测车辆时,假设DSRC检测器是时钟同步的,若单车行程时间为负值,则该车辆数据为异常数据,予以剔除。
4.根据权利要求3所述的基于DSRC数据与点检测器数据的实时融合方法,其特征在于,数据匹配方法确定的方法为,按车流方向以下游DSRC检测器的时间为准,截取时间周期T内到达下游DSRC检测器的车辆数据,进而根据车辆的OBU_ID匹配得到车辆分别经过上游DSRC检测器和下游DSRC检测器的时间,最后计算得到空间的平均行程时间及平均速度。
5.根据权利要求1-4中任一项所述的基于DSRC数据与点检测器数据的实时融合方法,其特征在于,路段划分的方法为:以相邻DSRC检测器之间的路段作为数据融合处理的对象,路段的起点和终点分别布设了DSRC检测器,1)当路段上有多于1个点检测器时,以相邻点检测器之间路段的中点为节点将相邻DSRC检测器之间的路段划分为多个子路段;2)当路段上有且只有1个点检测器时,若点检测器位于路段中间则以点检测器位置为节点,将路段划分成两个子路段,若点检测器位于路段的端点时,则不对路段进行划分。
6.根据权利要求5所述的基于DSRC数据与点检测器数据的实时融合方法,其特征在于,点检测器数据转换为行程时间数据的方法为,将点检测器的时间平均速度转化为空间平均速度,具体计算方法如下:
其中,表示空间平均速度,表示时间平均速度,表示时间平均速度的方差,得到空间平均速度后,结合路段的长度,通过计算路段长度与空间平均速度的比值得到该路段时间周期的行程时间数据。
7.根据权利要求6所述的基于DSRC数据与点检测器数据的实时融合方法,其特征在于,数据融合的具体步骤如下:
步骤1:计算点检测器数据的增益因子Kw
通过公式计算得到,其中Hw为点检测器的匹配矩阵;
步骤2:更新点检测器数据的估计值
通过公式计算得到,Yw,t为点检测器的实测值;表示更新之前的点检测器数据的估计值;
步骤3:更新点检测器数据的行程时间估计的方差矩阵
通过公式计算得到;Kw表示点检测器数据的增益因子;
步骤4:计算DSRC检测器的增益因子Kd
通过公式计算得到,Kd为n×1的列向量;
步骤5:计算DSRC数据与点检测器数据融合后的估计值
步骤6:计算t+1时刻的行程时间预测值
步骤7:获取下一时间周期的DSRC数据和点检测器的测量值,转步骤1;
定义如下参数:
令n表示相邻DSRC检测器之间的路段包含的子路段数量,通过点检测器获得的子路段行程时间估计值为实测值为Yt,二者均为n×1的列向量;根据子路段的划分原则,每个子路段有且只有1个点检测器,则点检测器与子路段的匹配矩阵为n×n的单位矩阵,记作Hw;点检测器检测到的各子路段的行程时间的方差组成的矩阵为为n×n维矩阵;点检测器的测量误差的方差矩阵为Rw,为n×n维对角矩阵,将DSRC检测器的测量值记作Zd,t,测量误差的方差为Rd,DSRC检测器的测量值与子路段的匹配矩阵为1×n的全1行向量,记作Hd。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710141367.9A CN106651061B (zh) | 2017-03-10 | 2017-03-10 | 一种基于dsrc数据与点检测器数据的实时融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710141367.9A CN106651061B (zh) | 2017-03-10 | 2017-03-10 | 一种基于dsrc数据与点检测器数据的实时融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651061A CN106651061A (zh) | 2017-05-10 |
CN106651061B true CN106651061B (zh) | 2019-10-01 |
Family
ID=58847482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710141367.9A Active CN106651061B (zh) | 2017-03-10 | 2017-03-10 | 一种基于dsrc数据与点检测器数据的实时融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651061B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315413B (zh) * | 2017-07-12 | 2020-07-21 | 北京航空航天大学 | 一种车车通信环境下考虑车辆间相对位置的多车协同定位算法 |
CN108399747A (zh) * | 2018-03-07 | 2018-08-14 | 哈尔滨工业大学深圳研究生院 | 基于卡尔曼滤波融合的交通流车辆密度参数估计方法 |
CN112863181A (zh) * | 2021-01-12 | 2021-05-28 | 苏州工业园区测绘地理信息有限公司 | 基于时空拟合的时间平均速度和空间平均速度的检验方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200695A (zh) * | 2014-08-15 | 2014-12-10 | 北京航空航天大学 | 一种基于车路专用短程通信的车辆协同定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781721B2 (en) * | 2012-06-06 | 2014-07-15 | Google Inc. | Obstacle evaluation technique |
-
2017
- 2017-03-10 CN CN201710141367.9A patent/CN106651061B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200695A (zh) * | 2014-08-15 | 2014-12-10 | 北京航空航天大学 | 一种基于车路专用短程通信的车辆协同定位方法 |
Non-Patent Citations (1)
Title |
---|
基于GNSS/DSRC融合的协同车辆定位方法;刘江等;《交通运输工程学报》;20140831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106651061A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663887B (zh) | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 | |
CN109544932A (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN101739824B (zh) | 基于数据融合技术的交通状况估计方法 | |
Chien et al. | Predicting travel times for the South Jersey real-time motorist information system | |
CN102881171B (zh) | 车辆检测方法及其车辆检测系统以及车辆路径规划系统 | |
CN101673460B (zh) | 一种交通信息的质量评价方法、装置及系统 | |
CN105206057B (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN106651061B (zh) | 一种基于dsrc数据与点检测器数据的实时融合方法 | |
CN105931458B (zh) | 一种路面交通流量检测设备可信度评估的方法 | |
US20190172344A1 (en) | System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof | |
CN105004340A (zh) | 结合惯性导航技术和指纹定位技术的定位误差修正方法 | |
CN109859495A (zh) | 一种基于rfid数据获取区间速度的方法 | |
CN105160867B (zh) | 交通讯息预测方法 | |
CN104794895A (zh) | 一种面向高速公路的多源交通信息融合方法 | |
CN105070088A (zh) | Gps对接公路里程桩号系统及其实现方法 | |
CN110070711A (zh) | 一种基于智能网联汽车数据的路段旅行速度区间估计系统和方法 | |
CN101957208A (zh) | 一种基于浮动车技术的新增道路发现方法 | |
CN106408936B (zh) | 一种基于手机数据的高速公路异常事件实时检测方法 | |
Zhan et al. | Methods for multi-type sensor allocations along a freeway corridor | |
Gore et al. | Exploring credentials of Wi‐Fi sensors as a complementary transport data: an Indian experience | |
CN103200674B (zh) | 面向无人值守变电站的移动对象定位跟踪方法 | |
Allström et al. | Mobile Millennium Stockholm | |
Liu et al. | Developments and applications of simulation-based online travel time prediction system: traveling to Ocean City, Maryland | |
CN102156909A (zh) | 一种基于手机信号数据的轨道交通出行方式识别方法 | |
Li et al. | A feature-based approach to large-scale freeway congestion detection using full cellular activity data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |