CN109872533B - 一种基于空间数据的车道级实时交通情报处理方法 - Google Patents

Abstract

本发明属于交通信息技术领域，具体涉及一种基于空间数据的车道级实时交通情报处理方法，依次包括以下步骤：位置数据清洗；与普通导航地图匹配；单车路径推算，行程车速计算；多车车速融合生成路段车速；提取拥堵路段图像数据；识别车道线、车辆要素；与高精度导航地图匹配；按车道生成交通情报信息。本发明通过对车载设备产生的轨迹数据和车前方图像数据分析挖掘，应用模式识别和深度学习技术，生成了车道级实时交通情报信息，该信息可以为车道级导航引擎和无人驾驶决策系统提供精确的数据支撑，为系统进行车道引导和行程时间估计提供重要保障。

Description

一种基于空间数据的车道级实时交通情报处理方法

技术领域

本发明属于交通信息技术领域，具体涉及一种基于空间数据的车道级实时交通情报处理方法。

背景技术

近几年，人工智能技术的高速发展以及在汽车领域中的广泛应用，使得无人驾驶技术在国内取得了快速的发展，应用场景逐渐多元，形成了以感知、高精地图、驾驶决策为核心三要素的技术方案。在感知要素中，需要感知两种信息：车身周边信息和实时路况信息。车身周边信息主要由车载传感器感知提供，实时路况信息由服务运营商提供。目前实时路况信息主要为路段级路况信息，只能满足普通导航和路径规划的需求，对于无人驾驶决策层来说，信息颗粒度还过于粗放，只有更为精细化的车道级实时路况信息才能满足需求，该项信息处理技术在国内尚处于起步阶段，还有极大的提升空间。

发明内容

针对上述技术问题，本发明提供一种基于空间数据的车道级实时交通情报处理方法，采用车载视觉与定位设备(以下简称车载设备)，获取车辆的实时位置数据与车前方的实时图像数据，即本专利所述的空间数据，通过模式识别与深度学习技术，生成车道级实时路况信息。

车载设备记录的车辆实时位置数据包含：UTC时间，经度，纬度，瞬时速度，方向角，卫星数；实时图像数据包含：UTC时间，车前方图像。以普通导航电子地图的路段定义为路段计算单元，以五分钟作为一个处理周期，将处理周期内的车辆位置全部映射到路段计算单元，计算出每辆车在计算单元的行程车速，再将所有车辆的行程车速加权处理，得到路段路况状态，对于拥堵状态路段，提取相应的图像数据，通过模式识别和深度学习对图像中元素进行识别，得到每条车道的路况状态。

具体的过程为：

一种基于空间数据的车道级实时交通情报处理方法，依次包括以下步骤：位置数据清洗；与普通导航地图匹配；单车路径推算，行程车速计算；多车车速融合生成路段车速；提取拥堵路段图像数据；识别车道线、车辆要素；与高精度导航地图匹配；按车道生成交通情报信息。

更为详细的过程为：

(1)设定信息处理的时空边界，将边界之外的位置数据剔除；

本系统计算周期为5分钟，时间边界即为5分钟；空间边界可根据实际需要自行定义。对于重复信息进行剔除。每辆车的位置信息按照时间先后顺序排序。

(2)将普通导航电子地图栅格化并为其建立网格索引；

将清洗后的位置数据导入到电子地图坐标系内，通过网格索引找到匹配的路段，并将原始位置投影到匹配路段，得到匹配点。

(3)计算每辆车相邻匹配点a_i与a_i+1经过的路段长度l_i，得到相邻点之间的行程车速v_i；

建立行驶特征分类器，将得到的行程车速进行分类，将每段行程车速按类型赋予权重Φ_i，按权重将所有段的行程车速加权合并，得到单车行程车速V_n和置信度ψ_n。

(4)把经过相同路段的车辆归为一组，按置信度加权模型，将同组车辆的行程车速加权合并，生成路段行程车速

当车辆数为k时，

n为样本车的数量，经过相同路段的n辆样本车；

(5)建立路段状态分类器，根据道路类型和路段行程车速将路段状态分为五类：畅通，基本畅通，缓慢，拥堵，严重拥堵；

将路段状态为缓慢、拥堵和严重拥堵的路段提出，回溯参与计算的所有车辆，并将车载设备中保存的图像数据提取出来，根据UTC时间与位置数据一一对应，作为待处理的空间数据VD：

VD＝{(x，y)，pic，time}

其中，x为经度，y为维度，pic为图像，time为UTC时间；

(6)通过模式识别和深度学习技术，将图像pic中的车道信息、车辆信息、事件信息分别结构化为ln_i、ve_i、et_i，将车道信息与车辆信息、事件信息做关联；图像结构化信息表达为：

其中i为当前路段的车道总数；

(7)步骤(5)中待处理的空间数据VD，经过步骤(6)的结构化处理，变为结构化的空间数据

将

通过位置坐标(x，y)与高精度导航电子地图的路段进行匹配，设匹配上的路段为hdlink，将

与导航地图的车道数据关联，得到路段hdlink的空间数据为

(8)建立车道状态分类器，对

中各类数据判断，生成车道状态lnst^hdlink、拥堵原因ctn^hdlink、通行延误T^hdlink；得到最终车道级实时交通情报信息

其中i为路段hdlink的车道数，

为预留的扩展信息，otime为信息发布时间。

本发明具有的技术效果：

本发明通过对车载设备产生的轨迹数据和车前方图像数据分析挖掘，应用模式识别和深度学习技术，生成了车道级实时交通情报信息，该信息可以为车道级导航引擎和无人驾驶决策系统提供精确的数据支撑，为系统进行车道引导和行程时间估计提供重要保障。

附图说明

图1为实施例原始位置数据清洗示意图；

图2为实施例位置点投影与路网匹配示意图；

图3为实施例两相邻点路径推测示意图；

图4为实施例多样本提取示意图；

图5为实施例原始图像数据pic的示意图。

具体实施方式

结合实施例说明本发明的具体技术方案。

(1)设定信息处理的时空边界，将边界之外的位置数据剔除。本系统计算周期为5分钟，时间边界即为5分钟；空间边界可根据实际需要自行定义。对于重复信息进行剔除。每辆车的位置信息按照时间先后顺序排序。

如图1所示，圆点是待处理的位置点，矩形是定义的空间边界，矩形外的位置点即为空间边界之外。每个位置点都带有时间戳，将位置点按照时间戳排序，先将重复的位置点做去重处理，再根据系统计算周期，把时间戳不在计算周期的位置点删除，再将空间边界外的位置点删除。

(2)将普通导航电子地图栅格化并为其建立网格索引。将清洗后的位置数据导入到电子地图坐标系内，通过网格索引找到匹配的路段，并将原始位置投影到匹配路段，得到匹配点。

如图2所示，位置数据为图中“GPS定位点”，通过网格索引找到位置点附近的路段，再根据投影位置，确定位置点匹配的路段，然后计算匹配点的坐标，上图圆点所示。

(3)计算每辆车相邻匹配点a_i与a_i+1经过的路段长度l_i，得到相邻点之间的行程车速v_i。建立行驶特征分类器，将得到的行程车速进行分类，将每段行程车速按类型赋予权重Φ_i，按权重将所有段的行程车速加权合并，得到单车行程车速V_n和置信度ψ_n。

如图3所示，两个圆点为相邻匹配点。经计算推测后的行驶路径为link1、link2、link3，根据经过的路段长度计算出单车行驶速度V，并把速度分配到经过的三个路段。

(4)把经过相同路段的车辆归为一组，按置信度加权模型，将同组车辆的行程车速加权合并，生成路段行程车速

当车辆数为k时，

如图4所示，下方路段为计算路段，经过上述1-3步骤，找出在计算路段行驶的所有车辆，并计算出每辆车在该路段的行驶速度和置信度，如下表所示

车辆编号	速度	置信度
			779148	V<sub>1</sub>	ψ<sub>1</sub>
140032	V<sub>2</sub>	ψ<sub>2</sub>
			431900	V<sub>3</sub>	ψ<sub>3</sub>

该路段的行程车速为

(5)建立路段状态分类器，根据道路类型和路段行程车速将路段状态分为五类：畅通，基本畅通，缓慢，拥堵，严重拥堵。将路段状态为缓慢、拥堵和严重拥堵的路段提出，回溯参与计算的所有车辆，并将车载设备中保存的图像数据提取出来，根据UTC时间与位置数据一一对应，作为待处理的空间数据VD，

VD＝{(x，y)，pic，time}

其中，x为经度，y为维度，pic为图像，time为UTC时间。

根据城市不同，路段状态分类器的配置也不同，以上海为例，配置分类器如下：

假设步骤(4)实施例中，下方路段道路等级为“主干道”，当前周期行程车速

那么就需要回溯本周期内参与计算的所有车辆，并将车载设备中保存的图像数据取回服务器端，为下一步处理做准备。

(6)通过模式识别和深度学习技术，将图像pic中的车道信息、车辆信息、事件信息分别结构化为ln_i、ve_i、et_i，将车道信息与车辆信息、事件信息做关联。图像结构化信息表达为：

其中i为当前路段的车道总数。

以图5为例，图5为原始图像数据pic的示意图。图像结构化后，车道1为ln₁，车道2为ln₂。

ln₁关联的车辆信息ve₁和事件信息et₁，ve₁含义为车辆数目为6，et₁含义为本车道无事件信息，相邻车道ln₂有事故信息，本车道受ln₂事故影响。ln₂关联的车辆信息ve₂和事件信息et₂，ve₂含义为车辆数目为4，et₂含义为本车道有两车碰撞事故，影响相邻车道ln₁。

(7)步骤(5)中待处理的空间数据VD，经过步骤(6)的结构化处理，变为结构化的空间数据

将

通过位置坐标(x，y)与高精度导航电子地图的路段进行匹配，设匹配上的路段为hdlink，将

与导航地图的车道数据关联，得到路段hdlink的空间数据为

(8)建立车道状态分类器，对

中各类数据判断，生成车道状态lnst^hdlink、拥堵原因ctn^hdlink、通行延误T^hdlink。得到最终车道级实时交通情报信息

其中i为路段hdlink的车道数，

为预留的扩展信息，otime为信息发布时间。

Claims (1)

1.一种基于空间数据的车道级实时交通情报处理方法，其特征在于，依次包括以下步骤：位置数据清洗；与普通导航地图匹配；单车路径推算，行程车速计算；多车车速融合生成路段车速；提取拥堵路段图像数据；识别车道线、车辆要素；与高精度导航地图匹配；按车道生成交通情报信息；具体包括以下步骤：

(1)设定信息处理的时空边界，将边界之外的位置数据剔除；

(2)将普通导航电子地图栅格化并为其建立网格索引；将步骤(1)清洗后的位置数据导入到电子地图坐标系内，通过网格索引找到匹配的路段，并将原始位置投影到匹配路段，得到匹配点；

(3)计算每辆车相邻匹配点a_i与a_i+1经过的路段长度l_i，得到相邻点之间的行程车速v_i；

建立行驶特征分类器，将得到的行程车速进行分类，将每段行程车速按类型赋予权重Φ_i，按权重将所有段的行程车速加权合并，得到单车行程车速V_n和置信度ψ_n；

(4)把经过相同路段的车辆归为一组，按置信度加权模型，将同组车辆的行程车速加权合并，生成路段行程车速

当车辆数为k时，

n为样本车的数量，经过相同路段的n辆样本车；

(5)建立路段状态分类器，根据道路类型和路段行程车速将路段状态分为五类：畅通，基本畅通，缓慢，拥堵，严重拥堵；

将路段状态为缓慢、拥堵和严重拥堵的路段提出，回溯参与计算的所有车辆，并将车载设备中保存的图像数据提取出来，根据UTC时间与位置数据一一对应，作为待处理的空间数据VD：

VD＝{(x，y)，pic，time}

其中，x为经度，y为维度，pic为图像，time为UTC时间；

(6)通过模式识别和深度学习技术，将图像pic中的车道信息、车辆信息、事件信息分别结构化为ln_i、ve_i、et_i，将车道信息与车辆信息、事件信息做关联；图像结构化信息表达为：

其中i为当前路段的车道总数；

(7)步骤(5)中待处理的空间数据VD，经过步骤(6)的结构化处理，变为结构化的空间数据

将

通过位置坐标(x，y)与高精度导航电子地图的路段进行匹配，设匹配上的路段为hdlink，将

与导航地图的车道数据关联，得到路段hdlink的空间数据为

(8)建立车道状态分类器，对

中各类数据判断，生成车道状态lnst^hdlink、拥堵原因ctn^hdlink、通行延误T^hdlink；得到最终车道级实时交通情报信息

其中i为路段hdlink的车道数，

为预留的扩展信息，otime为信息发布时间。

Images