CN108765961A - 一种基于改进型限幅平均滤波的浮动车数据处理方法 - Google Patents
一种基于改进型限幅平均滤波的浮动车数据处理方法 Download PDFInfo
- Publication number
- CN108765961A CN108765961A CN201810877632.4A CN201810877632A CN108765961A CN 108765961 A CN108765961 A CN 108765961A CN 201810877632 A CN201810877632 A CN 201810877632A CN 108765961 A CN108765961 A CN 108765961A
- Authority
- CN
- China
- Prior art keywords
- floating car
- data
- road
- track
- car data
- 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.)
- Granted
Links
- 238000007667 floating Methods 0.000 title claims abstract description 168
- 238000003672 processing method Methods 0.000 title description 13
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000009826 distribution Methods 0.000 claims abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000011160 research Methods 0.000 claims abstract description 12
- 230000033001 locomotion Effects 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000012916 structural analysis Methods 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 19
- 238000002474 experimental method Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013173 literature analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
Abstract
本发明提供一种基于改进型限幅平均滤波的浮动车数据滤选方法,包括数据输入,特征分析,根据FCD分布状态分析、道路交叉口结构分析、FCD与道路的映射分析,得到浮动车轨迹空间分布规律;FCD数据预处理后,依据城市道路矢量图以及道路交叉路口规划规范,分别根据道路节点、道路类型和道路间隔,对浮动车数据进行三级分割,将分割段作为基本研究单元;轨迹中心线拟合,数据转换与整合,结合浮动车轨迹几何特征、运动特征变化规律及浮动车数据的空间分布规律,进行基于改进型限幅平均滤波的浮动车数据滤选。本发明技术方案具有操作便捷、算法高效的优势,可以为后续用浮动车数据探测展宽车道等技术提供更实用的数据来源,提高相应探测精度。
Description
技术领域
本发明属于时空轨迹大数据技术领域,涉及一种基于改进型限幅平均滤波的浮动车数据清洗处理方法。
背景技术
由于交通检测设备故障、通信系统故障及环境因素异常等原因,采集到的交通数据存在遗漏、错误和不精确等问题。这些有质量问题的数据进行道路信息监测,必将产生不稳定因素,影响检测的效果。由浮动车数据的数据量巨大,传统的数据处理方法并不适宜,因此有必要分析浮动车数据中的常见问题,以便选择合适的数据处理方法,检测并消除数据中的错误和不一致,提高数据质量,从而为服务交通管理和公众出行更好地信息服务的质量。
在20世纪80年代,德国人率先提出的一种新型的交通信息检测技术——浮动车技术,之后欧美国家开始对浮动车技术进行研究和实验[1]。随后,许多学者对浮动车技术的概念、浮动车系统的框架以及浮动车数据的处理方法不断研究并完善[2]。
常见的数据问题包括数据重复[3]、数据缺失[4]、数据异常[5]、数据逻辑错误和数据不一致等[6]。
浮动车数据处理从处理内容上,主要包括FCD(Floating Car Data,浮动车数据)误差处理及地图匹配。针对FCD粗差处理,现有FCD粗差处理的方法主要有:数据清洗、空间插值、排序合并法以及机器学习等。
其中,机器学习方法,因具备自动化地发现重复识别规则、减少人工干预量的优势,已成为当前流行的数据处理方法[7-8]。一些学者针从数据的规律性、相似性、重复性视角出发,运用机器学习方法解决数据重复问题,并取得了较高的效率和良好的检测精度[7-9]。
当前本领域的技术难点与实现难度在于:
因为浮动车数据的定位精度不够高,为了提高原始浮动车数据质量,需要根据利用浮动车数据解决的实际问题,制定合理的数据处理策略;且由于浮动车数据量巨大,为了提高数据处理策略并需要采用简便高效的数据处理算法。
传统的测量数据量有限,不需要进行海量的数据处理工作,采用传统的数据处理方法,如3-TIN,即可满足工作需求,但是现有的浮动车数据量快速增长,传统数据处理方法已经不足进行海量的浮动车数据处理。
改进型限幅平均滤波优选数据,是一种广泛应用于信号处理领域的方法,该方法主要包括限幅滤波法[10]、中位值滤波法以及滑动平均滤波法[11,12]等算法,是用以滤除掉来自信号系统及外界环境的干扰信号的一种方法[13]。这种方法具有滤选精度高、处理功能强、灵活、可靠,不受周围环境干扰的影响等优点。
1)限幅滤波法
限幅滤波法,又称程序判断滤波。该方法的基本原理:根据经验制定两次采样允许的最大偏差值(经验差值:A),对每次检测到新值时,判断当前检测的值与前一次的检测值的差值是否小于或等于A,若“是”,则当前检测的值合格;反之,则剔除该值。该方法的优势在于,能有效克服因偶然因素引起的误差干扰,但是,存在无法抑制周期性误差的缺陷。
2)递推平均滤波法
递推平均滤波法,又称滑动平均滤波法。该方法的基本原理:首先将依次取N个浮动车轨迹数据,并作为一个队列,其中,将队列的长度固定为N;然后,将每次探测到一个新数据放入队尾,同时释放原来位于队首的一个数据;最后,依据先进先出原则,将队列中的N个数据求解算术平均值,过滤本次递推队列中大于平均值的轨迹点。该方法的优势在于:对周期性干扰有良好的抑制作用,平滑度高。虽然,FCD的采样频率不高(40s/次),但其在本发明中,沿道路方向以10m等距划分的研究单元内,包含有海量的数据,又由于GPS定位误差遵循正态分布,对FCD中的粗差可采用递推平均滤波法进行剔除,用以抑制GPS定位中存在的周期性误差的干扰。
3)中位值平均滤波法
该方法的基本原理:对于连续采样的一组数据,剔除数据中的最大值和最小值,将剩下数据的平均值作为滤选阈值,剔除其值大于平均值的数据。该方法的优势在于,可以消除由于偶然因素的干扰所引起的采样值偏差。
4)限幅平均滤波法
该方法的基本原理:将每次采样到的新数据,遵循先限幅处理再进行递推平均滤波的处理策略,因此,相当于“限幅滤波法”+“递推平均滤波法”。通过这样的处理策略,得以融合了两种滤波法的优点。
由于改进型限幅平均滤波比较要求系统资源,并且原始浮动车数据具有其自身特点不同于一般信号数据,因此,采用改进型限幅平均滤波法滤选浮动车数据,还需要对浮动车数据进行处理与转换。
相关参考文献:
[1]叶加圣.基于FCD技术的道路交通信息采集与交通动态诱导系统[D].合肥:合肥工业大学,2009.
[2]张建华.基于GIS浮动车获取道路实时车速的方法研究[D].昆明:昆明理工大学,2013:1389-1393.
[3]Lee M L,Hsu W,Kothari V.Cleaning the spurious links in data[J].Intelligent Systems IEEE,2004,19(2):28-33.
[4]Wu X.Learning missing values from summary constraints[J].AcmSigkdd Explorations Newsletter,2002,4(1):21-30.
[5]Luebbers D,Grimmer U,Jarke M.Systematic Development of DataMining-Based Data Quality Tools[C]//2003:548-559.
[6]Motro A,Anokhin P,Acar A C.Utility-based resolution of datainconsistencies[C]//Iqis 2004,International Workshop on Information Qualityin Information Systems,18June 2004,Paris,France.DBLP,2004:35-43.
[7]Sarawagi S,Bhamidipaty A.Interactive deduplication using activelearning[C]//Eighth ACM SIGKDD International Conference on KnowledgeDiscovery and Data Mining.ACM,2002:269-278.
[8]Bilenko M,Mooney R J.Adaptive duplicate detection using learnablestring similarity measures[C]//ACM SIGKDD International Conference onKnowledge Discovery and Data Mining.ACM,2003:39-48.
[9]Verykios V S,Moustakides G V,Elfeky M G.A Bayesian decision modelfor cost optimal record matching[J].Vldb Journal,2003,12(1):28-40.
[10]Jia-Jie X U,Kai Z,Chi M M,et al.Trajectory big data:data,applications and techniques[J].Journal on Communications,2015.
[11]Lu W,Zhang J,Yang Y,et al.Parameter analyses of an adaptiveamplitude limit filtering method[J].Journal of Tsinghua University Scienceand Technology,2012,52(8):1106-1111.
[12]刘新新,周小佳,闫斌.无线传感器网络中基于能量检测的定位研究[J].传感技术学报,2011,24(6):884-887.
[13]文常保,高丽红,方吉善,等.基于改进型限幅平均滤波法的高精度称重系统研究[J].传感技术学报,2014(5):649-653.
发明内容
由于原始浮动车数据,数据量大,定位精度低,为了满足利用FCD反演车道数量的问题中,对单次浮动车数据处理量和浮动车数据质量的要求,需要对浮动车数据进行合理分割,并剔除浮动车数据中的漂移点,本发明在现有技术基础上,结合FCD在道路及其路口车道的空间分布规律,提出一种基于改进型限幅平均滤波的浮动车数据处理方法。
本发明提供的技术方案提供一种基于改进型限幅平均滤波的浮动车数据滤选方法,包括以下步骤:
步骤1,数据输入,数据源包括浮动车数据和城市道路矢量图;
步骤2,特征分析,包括根据FCD分布状态分析、道路交叉口结构分析、FCD与道路的映射分析,得到浮动车轨迹空间分布规律;
步骤3,FCD数据预处理,包括首先对原始浮动车数据剔除非法值,然后对时间周期内的浮动车数据进行时序融合,最后通过地图匹配和投影变换,对FCD进行坐标系转换,得到空间直角坐标系下浮动车数据集;
步骤4,轨迹分割,包括依据城市道路矢量图以及道路交叉路口规划规范,分别根据道路节点、道路类型和道路间隔,对浮动车数据进行三级分割,将分割段作为基本研究单元;
步骤5,轨迹中心线拟合,包括将分割段内的浮动车数据,根据浮动车数据的车头方向,采用主成分分析得到分割段内浮动车数据的主方向,并结合随机数法,得到分割段的轨迹中心线;
步骤6,数据转换与整合,包括基于分割段的轨迹中心线,将浮动车的空间坐标转换为浮动车数据的分布宽度,整合得到未剔除粗差的轨迹数据集;
步骤7,结合浮动车轨迹几何特征、运动特征变化规律及浮动车数据的空间分布规律,进行基于改进型限幅平均滤波的浮动车数据滤选。
而且,步骤4的三级分割实现方式为,
根据矢量地图数据将整体FCD数据集按道路节点进行分割,得到单条道路范围内的FCD数据集;
根据GPS轨迹方向区分道路单双向路段,将道路中的FCD分割为单向道路范围的FCD数据集;
将距离交叉节点处预设范围内划分为交叉路口区域,而其他为非交叉路口区域,对各区域内路段等距分割,并以道路分割段作为基本研究单元。
而且,步骤6的实现方式为,首先通过计算分割段内每个浮动车数据点到轨迹中心的欧式距离值,将浮动车的空间坐标转换为浮动车数据的分布宽度;然后,沿分割段内轨迹中心线水平方向,将浮动车数据覆盖范围按等间距分割为若干区间,计算各区间的轨迹点数量与分割段内总数量之比,得到各区间内的轨迹点密度,作为各轨迹点的轨迹分布密度;最后,将同名点的浮动车分布宽度、轨迹分布密度、轨迹方向头夹角和轨迹行驶速度,整合得到未剔除粗差的轨迹数据集。
而且,步骤7的实现方式为,首先以轨迹分割段作为基本滤选单元,然后参照城市交叉口建设规范,结合浮动车轨迹几何特征、运动特征变化规律及浮动车数据的空间分布规律,设置经验阈值,对未剔除粗差的轨迹数据集逐个点进行限幅滤波;然后,对比轨迹数据集各元素的众数平均值及中值,更新经验阈值,按照轨迹分布密度指导滑动——中位值平均滤选;最后,对滑动——中位值平均滤选后的浮动车数据集,进行滑动平均滤波,并对最后一次的数据滤选结果,进行汇总整理,得到FCD完整的数据集。
本发明通过分析FCD在道路交叉路口的空间分布特征,提出一种基于改进型限幅平均滤波的浮动车粗差滤选方法,同时,由FCD队列获取轨迹覆盖宽度、密度分布值等相关属性,从而较少数据检索,具有操作便捷、算法高效的优势。本发明可以为后续用浮动车数据探测展宽车道等技术提供更实用的数据来源,提高相应探测精度。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的改进型限幅平均滤波法实验运用示意图。
具体实施方式
本发明提供一种基于改进型限幅平均滤波的浮动车数据处理方法,为使本发明的目的、技术方案和优点更加清楚明了,下面结合附图和实施例,对本发明技术方案进一步详细说明。
本发明在现有方法的技术上,结合FCD在道路及其路口车道的空间分布规律,针对利用浮动车数据计算道路车道的实际问题,提出一种基于改进型限幅平均滤波的浮动车数据处理方法。该方法主要包括轨迹分割和FCD滤选两大部分。其中,轨迹分割是为利用改进型限幅平均滤波处理浮动车数据,进行的必要的数据处理基础。该方法的实质在于利用浮动车轨迹在道路横截面的覆盖情况反演道路车道数量,对于浮动车轨迹在路面的覆盖情况,可以将分段横截面上分布的浮动车数据视同信号序列,采用信号滤波的方法剔除轨迹漂移点。
图1为本发明实施例的流程图,以下针对实施例流程中的各部分,对本发明方法做进一步详细描述,包括以下步骤:
(1)数据输入,本发明的数据源选择以城市出租车为载体的浮动车数据和城市道路矢量图。
具体实施时可以预先进行数据收集,由于出租车行驶在城市道路中,其轨迹几乎覆盖了的城市的路网路面,且出租车数据是由出租车公司统一管理,因此选择以城市出租车为载体的浮动车数据。另外,浮动车数据量大,数据精度有限,为方便浮动车数据在PC机上进行处理,需要对轨迹进行分割,为便于浮动车按道路节点进行分割,选择了城市道路矢量图。浮动车轨迹数据可采用GPS位置,即经纬度或(x,y)坐标。
(2)特征分析,包括FCD分布状态分析、道路交叉口结构分析、FCD与道路的映射分析,得到浮动车轨迹在道路交叉口的空间分布规律。
由于浮动车数据量大且数据质量不高,为了提高原始浮动车数据质量,针对利用浮动车数据获取道路交叉口的信息的问题,需要分析浮动车在道路交叉口的空间分布特征,获取浮动车轨迹空间分布规律,以便制定合理的数据处理策略。FCD分布状态分析,是从FCD在道路车道、交叉路口车道覆盖的视角,将浮动车数据覆盖在道路面上,采用描述性统计的方法,并结合文献分析法,分析浮动车轨迹时空分布特征。根据城市道路交叉路口规划规范和道路交通运行特性的相关文献,分析道路交叉口结构,并将道路划分为三个区域(路口段、道路展宽渐变段、道路中段),分别研究浮动车轨迹在不同道路区域的映射情况。
(3)浮动车数据预处理,包括首先对原始浮动车数据剔除非法值,然后对时间周期内的浮动车数据进行时序融合,最后通过地图匹配和投影变换,对FCD进行坐标系转换,得到空间直角坐标系下浮动车数据集。
原始浮动车数据,受采集环境、信号传输的影响,存在部分非法,由于浮动车数据基数大,因此采用剔除法,直接剔除非法值。又由于实验中使用的低频FCD的位置采样频率为40s,在对道路信息反演时,单日FCD在路面上的覆盖较为稀疏,难以满足道路探测要求,需对FCD进行时序融合,其原理是将清洗后的FCD逐日累加并进行叠置分析,计算逐日叠加后FCD在道路面上覆盖的宽度,直到覆盖宽度不再发生变化为止,将此时天数作为利用浮动车数据时序融合的时间周期值。为方便进行步骤(4)中轨迹分割,需要对浮动车数据和城市道路矢量图进行地图匹配,主要是将二者转换到统一坐标系下。为方便步骤(5)数据转换与整合,需要对浮动车数据进行投影变换,即浮动车数据转换到空间直角坐标系下。
(4)轨迹分割,依据城市道路矢量图以及道路交叉路口规划规范,分别根据道路节点、道路类型和道路间隔,对浮动车数据进行三级分割,将分割段作为基本研究单元;
本发明进一步提出,轨迹分割中,具体的浮动车轨迹分割策略,实现方式如下:
经过预处理后,受浮动车GPS定位精度及计算机处理能力的限制,利用FCD探测道路交叉路口车道数量,需将一定周期的FCD进行时序融合,对融合后FCD进行分割,并根据GPS误差分布规律,选择合适的粗差处理方法过滤噪音点,进以实现优选FCD的目的。
根据道路交叉路口设计规范及交叉路口车道几何结构特征,对FCD进行三级分割,分割策略主要分为以下步骤:
Step1:根据矢量地图数据将整体FCD数据集按道路节点进行分割,将几乎覆盖整个路网的FCD进行分割,得到单条道路范围内的FCD数据集。
Step2:根据GPS轨迹方向区分道路单双向路段,将道路中的FCD分割为单向道路范围的FCD数据集。
Step3:将距离交叉节点处100m范围划分为交叉路口区域,而其他为非交叉路口区域,最后,对各区域内路段等距分割(实验分割尺度为10m),并以道路分割段作为本发明的基本研究单元。
划分为交叉路口区域的具体实现方式可参考文献Nevers B L,RouphailN.Guidelines on the use of auxiliary through lanes at signalizedintersections[M].Transportation Research Board,2011.本发明不予赘述。
实施例中,首先,依据步骤(3)浮动车数据预处理中的地图匹配结果,按照道路节点,将全量浮动车数据按照道路节点进行分割;然后,参照城市道路交叉口建设规范可以知道,道路的交叉口分的值不唯一,最显著的表现在交叉口展宽渐变段的具体位置不是唯一固定的,因此在实际研究中,将道路划分为交叉口类型(包含交叉口展宽渐变段,但与不包括道路中段)和非交叉口类型(可能包含交叉口展宽渐变段的一部分,但一定不含路口段),结合第(2)特征分析中的浮动车轨迹在道路交叉口的空间分布规律,然后对同一条道路上浮动车数据划分类型(交叉口区域类型、非交叉口区域类型),可得到交叉路口浮动车数据的空间分布示意图,最后,对不同区域类型的浮动车数据进行等距分割,得到便于PC机处理并计算的基本研究单元(分割段)。
(5)轨迹中心线拟合,包括将分割段内的浮动车数据,根据浮动车数据的车头方向,采用主成分分析得到分割段内浮动车数据的主方向,并结合随机数法,得到分割段的轨迹中心线。
为进行(6)数据转换与整合中的相关计算工作,需要先获取分割段内轨迹中心线,轨迹中心线拟合,首先是根据浮动车数据的车头方向,采用主成分分析得到分割段内浮动车数据的的主方向,再利用三角函数得到轨迹中心线的斜率,并结合随机数法,随机选取一个点,作为已知点,进以得到分割段的轨迹中心线。
(6)数据转换与整合,首先将浮动车的空间坐标转换为浮动车数据的分布宽度,即计算分割段内每个浮动车数据点到轨迹中心的欧式距离值,从而将坐标位置转换为浮动车分布宽度di,然后,沿分割段内轨迹中心线水平方向,将浮动车数据覆盖范围按间距d'等距分割为100个区间,计算各区间内=轨迹点数量与分割段内总数量之比,得到各区间内的轨迹点密度,将第i个轨迹点所在区间的轨迹点密度取值作为ρi的取值。其中d'=Dmax/100,Dmax为分割段内浮动车轨迹覆盖的最大宽度;最后,将同名点的浮动车分布宽度di、轨迹分布密度ρi、轨迹方向头夹角αi和轨迹行驶速度vi,整合得到未剔除粗差的轨迹数据集,即将浮动车的位置数据转换后的数据,与原有浮动车属性数据合并,得到一个新的数据集供下一步骤使用。
本发明的数据处理方法,针对利用浮动车数据探测展宽车道的研究,步骤(6)的数据转换是为了减少计算量,增加属性数据(例如速度等),可以提高后续车道探测的分类建模中的分类精度。
(7)基于改进型限幅平均滤波的浮动车数据滤选,包括首先以轨迹分割段作为基本滤选单元,然后参照城市交叉口建设规范,结合浮动车轨迹几何特征、运动特征变化规律及浮动车数据的空间分布规律,设置经验阈值,对未剔除粗差的轨迹数据集逐个点进行限幅滤波;然后,对比轨迹数据集割元素的众数平均值及中值,更新经验阈值,按照轨迹分布密度指导滑动——中位值平均滤选;最后,对滑动——中位值平均滤选后的浮动车数据集,进行滑动平均滤波,并对最后一次的数据滤选结果,进行汇总整理,得到FCD完整的数据集{di,ρi,αi,vi}。
实施例中,具体的浮动车数据滤选策略,实现方式如下:
采用改进型限幅平均滤波法用于处理FCD粗差,是以限幅滤波法、滑动中位值平均滤波以及滑动平均滤波法组合得到两个约束条件进行粗差处理。
假设某个分割段内有m个FCD轨迹点,第i个FCD点到该分割段内轨迹中心线L的欧式距离为di,该分割段内全部轨迹点按di的值由大到小排序为一个队列X,记为X={x1,x2,…,xi,…,xm}中,x1,x2,…,xi,…,xm为排序后的轨迹点,xi={di,ρa,αi,vi},其中i的取值为1,2,…m。
由限幅滤波法得到约束条件一:
队列X中相邻两点间的差值满足|xi-xi-1|≤xa,xa为最大允许偏差值(实例中根据经验,相邻浮动车轨迹点宽度的最大偏差值da设10mm,相邻轨迹点方向角的最大偏差值αa设为17°,轨迹点密度的最大偏差值ρa设为0.01,速度的最大偏差值va设为8.33),设剔除了不满足约束条件的n个FCD轨迹点;
其中,经验阈值的设置,根据(2)特征分析中的浮动车空间分布规律,依照城市道路交叉口建设规范和道路交通运行特征,结合描述性统计,综合考量后设置,如设置αa为17°。根据道路交通运行特征,车辆在行驶过程中,不能连续跨越多条车道,一次仅允许变换一条车道,且根据城市道路交叉口建设规范,通常情况下车道宽度范围为2.75-3.5m之间,利用反三角函数可以求得车辆车头方向与分割段轨迹主方向的最大夹角为17°。
由滑动-中位值平均滤波法得到约束条件二:
对于队列中剩下的m-n个FCD轨迹点,剔除队列中的d值的最大值与最小值的轨迹点,对剩下的轨迹点计算d值的算数平均值剔除FCD队列中d的绝对值大于的FCD轨迹点,实现第一次滤波;
由滑动平均滤波法得到约束条件三:
对由上述滤波后的结果,采用滑动平均滤波法进行第二次重新滤波,剔除轨迹漂移点。
具体实施时,以上流程可采用计算机软件技术实现自动运行流程。
参见图2,为了更好地理解本发明的技术方案,下面运用本发明实施例的方法进行真实浮动车数据清洗实验。
实验中,将一条道路等距(10m),分割为N个分割段。
经验阈值的选择:根据城市道路交叉口规划规范,为缓解交通压力,可增加交叉口车道数量;根据道路交通运行特性,车辆总是行驶在道路上,其轨迹覆盖在道路路面上。由于实验中使用的低频FCD的位置采样频率为40s,在对道路信息反演时,单日FCD在路面上的覆盖较为稀疏,难以满足道路探测要求,需对FCD进行时序融合,其原理是将剔除非法值的FCD逐日累加并进行叠置分析,逐日叠加后,绝大对数覆盖在道路面上的FCD点间距离小于10mm。
1、真实浮动车数据介绍
轨迹数据为武汉市2013年8月共15天的出租车GPS轨迹,轨迹数据包括车辆ID、GPS时间、GPS经纬度等信息,轨迹采样频率为40s。
2、实验中的交叉口浮动车轨迹空间分布规律
交叉口浮动车轨迹空间分布主要表现在:FCD与道路映射的关系,受道路约束条件的影响,轨迹变化的情况,道路横截面分布的情况等方面。
(1)浮动车数据在道路面上的分布特征
浮动车数据以40s左右的采样频率不间断采集轨迹位置数据,其数据完全布满城市所有的道路网、道路面以及车道。
(2)浮动车数据轨迹线的分布特征
浮动车数据行驶线在道路面上的分布状态可以反映道路车道情况。而一定周期内路面上浮动车数据量近似反映车道流量的情况,通常,单向双车道每条车道上浮动车数据分布量接近50%,单向三车道则为33%左右(由于车道交通流量差异,拥有不同车道数的路面上,每个车道分布的浮动车数量会不同,但仍然在固定值左右浮动),而那些依然残留的处于道路两边的噪音轨迹所占比例非常少。
(3)浮动车数据在道路横截面分布特征
浮动车数据轨迹属于大样本数据,其在道路上的分布可以反映其道路车道分布,但是在实际情况中,由于城市出租车定位的误差,以及车辆运动的影响,获取的轨迹位置点存在一定漂移,其漂移误差呈现正态分布,因此每个轨迹点的位置与实际值的接近程度也遵从正态分布[18]。获取的轨迹数据点在道路横截面上的分布情况,其道路路面上的数据点密度明显要高于道路外侧,其中位于道路中心线处的密度值最高且密度值依此向两边递减。
但是在实际情况中,由于城市出租车定位的误差,以及车辆运动的影响,获取的轨迹位置点存在一定漂移,轨迹点在路面上的分布并不是直接反映出明确的车道数量,但每个轨迹点落在车道上的接近程度遵从几何分布。
3、基于本发明方法的浮动车数据清洗
常用的数据预处理方法,即采用Delaunay三角网进行粗差处理,未考虑交叉路口路段、非交叉路口路段的驾驶行为不同而导致的不同的FCD空间分布特征,仅按照行驶方向,对FCD进行等距离轨迹分割,采用Delaunay三角网方法剔除漂移点,之后再探测FCD覆盖宽度。这样处理能够剔除FCD在道路中段横截面上的异常分布点,但由于部分交叉路口存在展宽车道,致使交叉路口区域相比道路中段,道路横截面FCD覆盖宽度增加而FCD分布密度降低,致使该方法在处理道路路口附近区域中覆盖的FCD不适宜。通过分析FCD在道路交叉路口的空间分布特征,本发明提出一种基于改进型限幅平均滤波]的浮动车粗差滤选方法,同时,由FCD队列获取轨迹覆盖宽度、密度分布值等相关属性,从而较少数据检索,具有操作便捷、算法高效的优势。
4、真实浮动车数据清洗实验结果及评价
分别采用改进型限幅平均滤波法和Delaunay三角网法,对原始浮动车数据进行滤选,其中,对一部分已知路面宽度的样本按照路段类型划分为交叉口路段和非交叉口路段,然后采取不同的数据滤选比例,对原始浮动车数据进行数据优选。统计结果如表1所示。
表1数据滤选比例与精度对比
本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于改进型限幅平均滤波的浮动车数据滤选方法,其特征在于,包括以下步骤:
步骤1,数据输入,数据源包括浮动车数据和城市道路矢量图;
步骤2,特征分析,包括根据FCD分布状态分析、道路交叉口结构分析、FCD与道路的映射分析,得到浮动车轨迹空间分布规律;
步骤3,FCD数据预处理,包括首先对原始浮动车数据剔除非法值,然后对时间周期内的浮动车数据进行时序融合,最后通过地图匹配和投影变换,对FCD进行坐标系转换,得到空间直角坐标系下浮动车数据集;
步骤4,轨迹分割,包括依据城市道路矢量图以及道路交叉路口规划规范,分别根据道路节点、道路类型和道路间隔,对浮动车数据进行三级分割,将分割段作为基本研究单元;
步骤5,轨迹中心线拟合,包括将分割段内的浮动车数据,根据浮动车数据的车头方向,采用主成分分析得到分割段内浮动车数据的主方向,并结合随机数法,得到分割段的轨迹中心线;
步骤6,数据转换与整合,包括基于分割段的轨迹中心线,将浮动车的空间坐标转换为浮动车数据的分布宽度,整合得到未剔除粗差的轨迹数据集;
步骤7,结合浮动车轨迹几何特征、运动特征变化规律及浮动车数据的空间分布规律,进行基于改进型限幅平均滤波的浮动车数据滤选。
2.根据权利要求1所述基于改进型限幅平均滤波的浮动车数据滤选方法,其特征在于:步骤4的三级分割实现方式为,
根据矢量地图数据将整体FCD数据集按道路节点进行分割,得到单条道路范围内的FCD数据集;
根据GPS轨迹方向区分道路单双向路段,将道路中的FCD分割为单向道路范围的FCD数据集;
将距离交叉节点处预设范围内划分为交叉路口区域,而其他为非交叉路口区域,对各区域内路段等距分割,并以道路分割段作为基本研究单元。
3.根据权利要求1所述基于改进型限幅平均滤波的浮动车数据滤选方法,其特征在于:步骤6的实现方式为,首先通过计算分割段内每个浮动车数据点到轨迹中心的欧式距离值,将浮动车的空间坐标转换为浮动车数据的分布宽度;然后,沿分割段内轨迹中心线水平方向,将浮动车数据覆盖范围按等间距分割为若干区间,计算各区间的轨迹点数量与分割段内总数量之比,得到各区间内的轨迹点密度,作为各轨迹点的轨迹分布密度;最后,将同名点的浮动车分布宽度、轨迹分布密度、轨迹方向头夹角和轨迹行驶速度,整合得到未剔除粗差的轨迹数据集。
4.根据权利要求1或2或3所述基于改进型限幅平均滤波的浮动车数据滤选方法,其特征在于:步骤7的实现方式为,首先以轨迹分割段作为基本滤选单元,然后参照城市交叉口建设规范,结合浮动车轨迹几何特征、运动特征变化规律及浮动车数据的空间分布规律,设置经验阈值,对未剔除粗差的轨迹数据集逐个点进行限幅滤波;然后,对比轨迹数据集各元素的众数平均值及中值,更新经验阈值,按照轨迹分布密度指导滑动——中位值平均滤选;最后,对滑动——中位值平均滤选后的浮动车数据集,进行滑动平均滤波,并对最后一次的数据滤选结果,进行汇总整理,得到FCD完整的数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877632.4A CN108765961B (zh) | 2018-08-03 | 2018-08-03 | 一种基于改进型限幅平均滤波的浮动车数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877632.4A CN108765961B (zh) | 2018-08-03 | 2018-08-03 | 一种基于改进型限幅平均滤波的浮动车数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765961A true CN108765961A (zh) | 2018-11-06 |
CN108765961B CN108765961B (zh) | 2021-03-16 |
Family
ID=63968689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810877632.4A Active CN108765961B (zh) | 2018-08-03 | 2018-08-03 | 一种基于改进型限幅平均滤波的浮动车数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765961B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697854A (zh) * | 2019-02-25 | 2019-04-30 | 公安部交通管理科学研究所 | 多维度的城市道路交通状态评估方法 |
CN111540010A (zh) * | 2020-05-15 | 2020-08-14 | 百度在线网络技术(北京)有限公司 | 一种道路监测的方法、装置、电子设备及存储介质 |
CN111578964A (zh) * | 2020-04-13 | 2020-08-25 | 河北德冠隆电子科技有限公司 | 基于时空轨迹重构高精地图道路信息快速生成系统及方法 |
CN113287157A (zh) * | 2019-01-18 | 2021-08-20 | 三菱电机株式会社 | 运动状态判定装置 |
CN114611616A (zh) * | 2022-03-16 | 2022-06-10 | 吕少岚 | 一种基于集成孤立森林的无人机智能故障检测方法及系统 |
CN116978232A (zh) * | 2023-09-21 | 2023-10-31 | 深圳市领航者汽车智能技术开发有限公司 | 一种基于车联网的车辆数据管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568208A (zh) * | 2012-02-07 | 2012-07-11 | 福建工程学院 | 基于浮动车技术的路段限速信息识别方法 |
CN103680130A (zh) * | 2013-12-10 | 2014-03-26 | 福建工程学院 | 一种基于浮动车技术获得区域带路专家的方法 |
US8861663B1 (en) * | 2011-12-01 | 2014-10-14 | Aquantia Corporation | Correlated noise canceller for high-speed ethernet receivers |
CN104899420A (zh) * | 2015-04-30 | 2015-09-09 | 扬州邗江中科南工结构监测与控制研究中心 | 面向智慧航道的船舶基础数据采集分析器 |
US20160036558A1 (en) * | 2013-10-07 | 2016-02-04 | Faroog Ibrahim | Connected vehicles adaptive security signing and verification methodology and node filtering |
-
2018
- 2018-08-03 CN CN201810877632.4A patent/CN108765961B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8861663B1 (en) * | 2011-12-01 | 2014-10-14 | Aquantia Corporation | Correlated noise canceller for high-speed ethernet receivers |
CN102568208A (zh) * | 2012-02-07 | 2012-07-11 | 福建工程学院 | 基于浮动车技术的路段限速信息识别方法 |
US20160036558A1 (en) * | 2013-10-07 | 2016-02-04 | Faroog Ibrahim | Connected vehicles adaptive security signing and verification methodology and node filtering |
CN103680130A (zh) * | 2013-12-10 | 2014-03-26 | 福建工程学院 | 一种基于浮动车技术获得区域带路专家的方法 |
CN104899420A (zh) * | 2015-04-30 | 2015-09-09 | 扬州邗江中科南工结构监测与控制研究中心 | 面向智慧航道的船舶基础数据采集分析器 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113287157A (zh) * | 2019-01-18 | 2021-08-20 | 三菱电机株式会社 | 运动状态判定装置 |
CN113287157B (zh) * | 2019-01-18 | 2022-08-16 | 三菱电机株式会社 | 运动状态判定装置 |
CN109697854A (zh) * | 2019-02-25 | 2019-04-30 | 公安部交通管理科学研究所 | 多维度的城市道路交通状态评估方法 |
CN109697854B (zh) * | 2019-02-25 | 2021-07-16 | 公安部交通管理科学研究所 | 多维度的城市道路交通状态评估方法 |
CN111578964A (zh) * | 2020-04-13 | 2020-08-25 | 河北德冠隆电子科技有限公司 | 基于时空轨迹重构高精地图道路信息快速生成系统及方法 |
CN111540010A (zh) * | 2020-05-15 | 2020-08-14 | 百度在线网络技术(北京)有限公司 | 一种道路监测的方法、装置、电子设备及存储介质 |
CN111540010B (zh) * | 2020-05-15 | 2023-09-19 | 阿波罗智联(北京)科技有限公司 | 一种道路监测的方法、装置、电子设备及存储介质 |
CN114611616A (zh) * | 2022-03-16 | 2022-06-10 | 吕少岚 | 一种基于集成孤立森林的无人机智能故障检测方法及系统 |
CN114611616B (zh) * | 2022-03-16 | 2023-02-07 | 吕少岚 | 一种基于集成孤立森林的无人机智能故障检测方法及系统 |
CN116978232A (zh) * | 2023-09-21 | 2023-10-31 | 深圳市领航者汽车智能技术开发有限公司 | 一种基于车联网的车辆数据管理系统及方法 |
CN116978232B (zh) * | 2023-09-21 | 2024-01-12 | 深圳市领航者汽车智能技术开发有限公司 | 一种基于车联网的车辆数据管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108765961B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765961A (zh) | 一种基于改进型限幅平均滤波的浮动车数据处理方法 | |
CN105241465B (zh) | 一种道路更新的方法 | |
CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
CN102496280B (zh) | 一种路况信息实时获取方法 | |
CN104330089B (zh) | 一种利用历史gps数据进行地图匹配的方法 | |
Zhao et al. | Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data | |
CN102147261B (zh) | 一种交通车辆gps数据地图匹配的方法与系统 | |
CN103971523B (zh) | 一种山区道路交通安全动态预警系统 | |
CN106816008B (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
CN105206057B (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN107330217B (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN107766808A (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 | |
CN106856049B (zh) | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 | |
WO2022083166A1 (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 | |
Huang et al. | Survey on vehicle map matching techniques | |
CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN107180534B (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 | |
CN106899306A (zh) | 一种保持移动特征的车辆轨迹线数据压缩方法 | |
CN105740505A (zh) | 一种基于gps-rtk技术的道路空间线形恢复方法 | |
CN109147323A (zh) | 一种用于公路客货运输指标统计的车辆gps数据处理方法 | |
CN111507879A (zh) | 一种城市空间结构识别方法 | |
CN114238542A (zh) | 多源交通gis路网多层级实时融合更新方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231221 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 330013 No.418, Guanglan Avenue, Changbei Economic and Technological Development Zone, Nanchang City, Jiangxi Province Patentee before: EAST CHINA INSTITUTE OF TECHNOLOGY |