CN110285877B - 基于Spark Streaming的列车实时定位跟踪与速度计算方法 - Google Patents

基于Spark Streaming的列车实时定位跟踪与速度计算方法 Download PDF

Info

Publication number
CN110285877B
CN110285877B CN201910489337.6A CN201910489337A CN110285877B CN 110285877 B CN110285877 B CN 110285877B CN 201910489337 A CN201910489337 A CN 201910489337A CN 110285877 B CN110285877 B CN 110285877B
Authority
CN
China
Prior art keywords
data
train
real
time
tracking
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
CN201910489337.6A
Other languages
English (en)
Other versions
CN110285877A (zh
Inventor
刘芳
陈钢
王洪海
李政颖
王立新
姜德生
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910489337.6A priority Critical patent/CN110285877B/zh
Publication of CN110285877A publication Critical patent/CN110285877A/zh
Application granted granted Critical
Publication of CN110285877B publication Critical patent/CN110285877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
    • B61L25/021—Measuring and recording of train speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
    • G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/64—Devices characterised by the determination of the time taken to traverse a fixed distance
    • G01P3/68—Devices characterised by the determination of the time taken to traverse a fixed distance using optical means, i.e. using infrared, visible, or ultraviolet light
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Abstract

本发明公开了基于Spark Streaming的列车实时定位跟踪与速度计算方法，包括步骤：实时采集每个传感测区的振动数据并消除扰动影响；计算每个传感测区有车与无车时的特征参数，对比确定特征参数的有效性，并在线评估；根据每个传感测区无车时有效的特征参数过滤消除扰动后的数据流中的静态无车数据，提取行车数据；对提取的行车数据进行预处理生成特征向量，该特征向量对应不同的传感测区，利用聚类算法对特征向量进行分类，以区分多辆列车；利用滑动窗口方式分别跟踪分类后每辆列车的流式特征向量，在线生成每个滑动窗口的参数信息；根据每个滑动窗口的参数信息，得到跟踪列车的实时坐标，在线生成跟踪列车的实时速度。

Description

基于Spark Streaming的列车实时定位跟踪与速度计算方法
技术领域
本发明涉及一种轨道列车定位方法，尤其涉及一种基于Spark Streaming的轨道列车实时定位跟踪与速度计算方法，适用于轨道交通领域。
背景技术
随着我国城市化建设进程的加快，轨道交通以其高效率、低污染、大运量的特点高速发展。为缓解城市交通压力，地铁的交通规划范围和密度、延伸的里程逐渐覆盖整个城市及乡镇，随之而来的是列车调度变化快、频次高、密度大、运行速度快等特点，在这种情况下，列车的安全性问题显得尤为重要。对列车进行实时定位与速度计算监测，将有助于列车的合理调度与危险的提前规避。
Spark Streaming是建立在Apache Spark上的流式计算框架，扩展了Spark处理大规模流式数据的能力，支持实时数据流的处理，并且具有可扩展，高吞吐量，容错的特点。数据可以从Kafka，Flume，Kinesis或TCP sockets等许多来源获取，并且可以调用如map，reduce，join和window等高级函数表示的复杂算法进行数据处理，最后将处理结果写进文件系统或数据库。
分布式光纤传感技术具有分布式测量方式、灵敏度好、测量距离长、电绝缘性好和抗电磁干扰等诸多优点，因此被广泛应用于如桥梁和风塔等建筑的安全监测、大型结构变形测量、道路场地和周界安防监控中，可为建筑结构变形安全和交通工具监测提供可靠数据。在道路轨道交通中，采用分布式传感光缆进行振动监测，通过拾取和识别车辆行驶引发的震动信号，为轨道交通的位置、速度和载重计算提供重要数据。
发明内容
本发明的目的在于提供一种基于Spark Streaming的列车实时定位跟踪与速度计算方法，准确实时定位轨道监测沿线多目标行驶状态，实时计算多目标运动速度。
本发明所采用的技术方案是：
提供一种基于Spark Streaming的列车实时定位跟踪与速度计算方法，包括以下步骤：
S1、实时采集每个传感测区的振动数据并转换为Spark Streaming中的数据流DStream，对数据流DStream进行预处理以消除扰动影响；
S2、利用预先采集的列车轨道上铺设的分布式光栅阵列的离线数据生成静态无车数据样本与来车数据样本，根据数据样本分别计算每个传感测区有车与无车时的特征参数，对比特征参数曲线，取若干有效特征，通过Spark Streaming在线验证与评估；
S3、根据每个传感测区无车时有效的特征参数过滤消除扰动后的数据流Dstream中的静态无车数据，提取行车数据；
S4、对提取的行车数据进行预处理生成特征向量，该特征向量对应不同的传感测区，利用K-Means聚类算法对特征向量进行分类，以区分多辆列车；
S5、利用滑动窗口方式分别跟踪分类后每辆列车的流式特征向量，在线生成每个滑动窗口的参数信息；
S6、根据每个滑动窗口的参数信息，得到跟踪列车的实时坐标，结合多重均一化计算方法，在线生成跟踪列车的实时速度。
接上述技术方案，所述分布式光栅阵列沿轨道沿线紧贴列车轨道铺设，并每隔固定距离对其进行固定，每隔一定距离通过振动检测仪以固定的采样频率采集振动数据。
接上述技术方案，采集的振动数据用Kafka进行传输，对t时间内产生的数据进行预处理并打包成一个T*L的数据包存放在缓冲区，其中T为短时间内单个传感测区产生的数据量，L为沿线测区数量。
接上述技术方案，步骤S1中采用差分去噪法，排除个别传感测区自身偏振及外部扰动对行车数据提取产生的影响。
接上述技术方案，步骤S2中，将每个传感测区离线静态无车数据与来车数据从时域上划分为大小相等的数据段，针对该数据段的一维特征，根据离线数据特征计算效果，求其平均幅值、能量、过零率和平均阈值。
接上述技术方案，步骤S4中对行车数据进行预处理具体为：将行车数据集D1转化为序号值生成序号数据集D2，并对其中相同序号值进行叠加，建立高斯混合模型，记录叠加次数，截取每组高斯波峰，得到截取波峰数量值K与初始聚类中心集Seed；同时，将序号数据集D2利用flapMap映射为键值对类型，将键值对转化为特征向量集D3，调用K-means聚类算法对特征向量集D3进行聚类操作。
接上述技术方案，步骤S5中利用滑动窗口方式分别跟踪分类后每辆列车的流式特征向量具体为：步骤S4中聚类得到K组列车坐标向量集，对每个坐标向量建立一个矩形窗口，使用该矩形窗口代替列车，在线计算矩形窗口参数信息，包括：矩形窗口编号S，滑动窗口宽度值W，窗口中点位置坐标值X，窗口可靠率P，窗口滑动方向。
接上述技术方案，步骤S6中使用多重均一化方法，在短时间t范围内计算的多重位移坐标交叉计算速度，用得到的短时间均值化速度代替实时速度。
接上述技术方案，每5米为一个传感测区。
本发明产生的有益效果是：本发明采用Spark Streaming大数据流分布式框架处理各传感测区振动数据，为列车行驶振动产生的实时数据处理提供了框架基础，克服了传感测区数量众多且数据采集频率高而产生的大量数据冗积的问题；本发明能准确实时定位轨道监测沿线多目标行驶状态，实时计算多目标运动速度，对列车的合理调度和危险的提前规避有巨大作用。
此外，本发明通过基于分布式(光栅阵列)测振光缆的列车定位方法，其中分布式测振光缆具有结构简单、易维护、成本较低、可焊接和抗干扰能力强等特点；
进一步地，在列车定位算法中将差分去噪的方法应用在数据流中，减少传感测区间振动数据误差；采用多特征值参数计算的方法过滤行车数据，提高了行车数据的提取精度；利用K-Means算法与高斯混合模型确定行车位置坐标；利用滑动窗口跟踪模式，使得监测沿线每辆列车分别对应一个滑动窗口，并使用窗口实时参数准确计算列车坐标与速度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是基于Spark Streaming的列车实时定位跟踪与速度计算方法流程图。
图2是分布式测振光缆沿轨道铺设示意图。
图3是Spark Streaming大数据处理框架图。
图4是无车与过车数据片段特征值计算结果图例。
图5是列车定位算法流程图。
图6是K-Means算法对特征向量聚类图例。
图7是某趟行车数据拟高斯混合模型图例。
图8是拟高斯混合模型与滑动窗口图例。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例基于Spark Streaming的列车实时定位跟踪与速度计算方法，如图1所示，包括以下步骤：
S1、实时采集每个传感测区的振动数据并转换为Spark Streaming中的数据流DStream，对数据流DStream进行预处理以消除扰动影响；
S2、利用预先采集的列车轨道上铺设的分布式光栅阵列的离线数据生成静态无车数据样本与来车数据样本，根据数据样本分别计算每个传感测区有车与无车时的特征参数，对比特征参数曲线，取若干有效特征，通过Spark Streaming在线验证与评估；
S3、根据每个传感测区无车时有效的特征参数过滤消除扰动后的数据流Dstream中的静态无车数据，提取行车数据；
S4、对提取的行车数据进行预处理生成特征向量，该特征向量对应不同的传感测区，利用K-Means聚类算法对特征向量进行分类，以区分多辆列车；
S5、利用滑动窗口方式分别跟踪分类后每辆列车的流式特征向量，在线生成每个滑动窗口的参数信息；
S6、根据每个滑动窗口的参数信息，得到跟踪列车的实时坐标，结合多重均一化计算方法，在线生成跟踪列车的实时速度。
本发明中，将分布式的测振光缆沿轨道沿线紧贴列车轨道铺设，并每隔固定距离对光缆进行固定，保证光缆紧贴列车轨道，振动检测仪以固定的采样频率采集振动数据。用Kafka对数据进行传输，对t时间内产生的数据进行预处理并打包成一个T*L的数据包存放在缓冲区，其中T为短时间内单个测区产生的数据量，L为沿线测区数量。
本发明一个实施例中，如图2所示，为分布式测振光缆监测沿线轨道铺设示意图，其中每5米为一个振动测区，通过光纤分布式振动检测仪采集数据，采集频率为1000HZ。数据采集装置每秒采集1000次数据，在解调端将数据每100ms集成为一个数据包，可创建Topic利用Kafka定时传输缓冲区中的数据包，接收端采用Spark Streaming直接读取(Direct)方式接收Kafka传输过来的数据包，将其转换为Spark Streaming中的数据结构DStream。如图3所示，为Spark Streaming大数据流处理框架对流数据批量处理的示意图。
进一步的，本发明的步骤S1的具体方法为：
采用差分去噪法，排除个别传感测区自身偏振及外部扰动对行车数据提取产生的影响。
其中，所述差分去噪，即：设函数y＝f(x)，式中y对x在非负整数域内有定义。自变量x为时域上的变化值，当自变量x从x变为x+1时，相应的f(x)变为f(x+1)，其中变化量为Δyx＝f(x+1)-f(x)，此时的Δyx为当前自变量的一阶差分值。差分去噪法计算复杂度低，适用于流式模型，采用该方法可以有效减小数据之间的误差，在一定程度上对噪声进行了消除。
进一步的，本发明的步骤S2的具体方法为：
将每个传感测区离线静态无车数据与来车数据从时域上划分为大小相等的数据段，针对该数据段的一维特征，根据离线数据特征计算效果，求其平均幅值、能量、过零率和平均阈值。
本发明的一个实施例中可提取夜间无车静默数据，将每个传感测区的数据切片，每个片段大小为2000个值，即将每个传感测区固定时间段内的数据作为一个数据片段。对数据片段进行处理，分别求其平均幅值、能量、过零率和平均阈值，其中，图4为无车静态数据与过车数据生成计算的特征值对比波形图。
其中，所述平均幅值为：
Figure BDA0002086463950000061
其中，数据样本为单个传感测区在时域上的切分片段，n为数据片段长度，xi为信号强度值。
其中，所述能量为：
Figure BDA0002086463950000062
其中，n为数据样本片段长度，xi为信号强度值。
其中，所述过零率为：
Figure BDA0002086463950000063
其中，n为数据样本片段长度，xi为信号强度值。
其中，所述平均阈值为：
Figure BDA0002086463950000064
其中，n为单个传感测区数据样本片段个数，ximax＝max(x0,x1,x2,...,xL)，x0,x1,x2,...,xL为n个数据片段中的某个数据片段信号强度值。
如图5所示，本发明的步骤S3的具体方法为：
将数据流按照样本数据片分段，利用S2中无车时的特征参数过滤静态无车数据，提取含有行车数据的数据片段。
其中,过滤方法为：
通过Spark Streaming流对数据进行分片，对每个数据片段计算其特征值，根据计算结果与S2中特征参数匹配，得到分类结果，记录行车类别数据片段，生成行车数据集D1。具体可调用filter算子，对数据流进行切片处理，每个数据片段长度为2000，实时计算每个切片的特征值，根据每个传感测区特征值参数，提取行车数据得到行车数据集D1。
其中，对无车时的特征参数在线评估为：
调用split算子，利用离线生成的特征参数，对来车数据进行过滤判断，多趟列车统计一次来车数据识别度，综合多次生成特征参数评估值。具体为：在线计算数据流的指定特征值，计算在线数据流的各项特征值数据集与离线人工提取数据特征值的方差，评估离线特征值可信度。
进一步的，本发明的步骤S4的具体方法为：
对S3中行车数据集作下标转换操作，得到行车数据集D1对应的传感测区序号集D2，利用高斯混合建模，对序号集D2进行寻峰，初步确定数据聚类参数K。
其中，所述下标转换操作为：
记录S3中行车数据集D1的传感测区编号，利用传感测区编号覆盖行车数据幅值，得到序号集D2。
其中，利用高斯寻峰法确定聚类参数K值操作为：
对序号集D2中相同序号值进行叠加，建立混合高斯分布模型，记录叠加次数，截取每组高斯波峰，得到截取波峰数量值K与初始聚类中心集Seed。
进一步的，将行车数据集D2利用flapMap映射为键值对类型，将键值对化为特征向量集D3。
初始化聚类中心集参数，利用类K-Means算法对行车数据特征向量集D3做聚类操作，得到K个行车位置向量坐标集D4。如图6所示，为地铁行车数据向量聚类效果图。
进一步的，如图8所示，本发明的步骤S5的具体方法为：
对向量坐标集D4分别生成K个矩形滑动窗口，根据S4所述聚类中的聚类宽度值，适当设置滑动窗口的宽度，保证单辆行车数据高斯模型分布在窗口内，在线生成窗口参数信息。
进一步的，所述滑动窗口参数信息包括：窗口编号S，滑动窗口宽度值W，窗口中点位置坐标值X，窗口滑动方向，窗口可靠率P等。其中考虑P由落在窗口中的行车数据占整个行车数据集的百分比计算。
通过窗口跟踪，记录窗口中点位置坐标，对聚类向量坐标进行对比跟踪，提高窗口跟踪可信度。
进一步的，本发明的步骤S6的具体方法为：
获取每个滑动窗口的中点位置坐标参数X，采用多重均一化方法，在可允许时间t范围内得到一段滑动窗口位置坐标参数值序列x0,x1,...,xp，使用该序列生成该滑动窗口时间t内的平均速度
Figure BDA0002086463950000081
使用短时间t内的平均速度代替t内某时刻的瞬时速度，即
Figure BDA0002086463950000082
其中，所述滑动窗口速度为：
Figure BDA0002086463950000083
其中，
Figure BDA0002086463950000084
为时间t内的平均速度，p为在短时间t内得到的窗口位置坐标参数值个数，q为交叉计算距离，且q＜p。
S7、记录沿线所述所有滑动窗口的参数信息，以及窗口的生成、交替与消失。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，包括以下步骤：
S1、实时采集每个传感测区的振动数据并转换为Spark Streaming中的数据流DStream，对数据流DStream进行预处理以消除扰动影响；
S2、利用预先采集的列车轨道上铺设的分布式光栅阵列的离线数据生成静态无车数据样本与来车数据样本，根据数据样本计算每个传感测区有车与无车时的特征参数，对比特征参数曲线，取若干有效特征参数，通过Spark Streaming在线验证与评估；
S3、根据每个传感测区无车时有效特征参数过滤消除扰动后的数据流Dstream中的静态无车数据，提取行车数据；
S4、对提取的行车数据进行预处理生成特征向量，该特征向量对应不同的传感测区，利用K-Means聚类算法对特征向量进行分类，以区分多辆列车；
S5、利用滑动窗口方式分别跟踪分类后每辆列车的流式特征向量，在线生成每个滑动窗口的参数信息；
S6、根据每个滑动窗口的参数信息，得到跟踪列车的实时坐标，结合多重均一化计算方法，在线生成跟踪列车的实时速度。
2.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，所述分布式光栅阵列沿轨道沿线紧贴列车轨道铺设，并每隔固定距离对其进行固定，每隔一定距离通过振动检测仪以固定的采样频率采集振动数据。
3.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，采集的振动数据用Kafka进行传输，对t时间内产生的数据进行预处理并打包成一个T*L的数据包存放在缓冲区，其中T为短时间内单个传感测区产生的数据量，L为沿线测区数量。
4.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S1中采用差分去噪法，排除个别传感测区自身偏振及外部扰动对行车数据提取产生的影响。
5.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S2中，将每个传感测区离线静态无车数据与来车数据从时域上划分为大小相等的数据段，针对该数据段的一维特征，根据有效特征参数，求每个数据段的平均幅值、能量、过零率和平均阈值。
6.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S4中对行车数据进行预处理具体为：从行车数据中提取行车数据集，将行车数据集转化为序号值生成序号数据集，并对其中相同序号值进行叠加，建立高斯混合模型，记录叠加次数，截取每组高斯波峰，得到截取波峰数量值K与初始聚类中心集Seed；同时，将序号数据集利用flapMap映射为键值对类型，将键值对转化为特征向量集，调用K-means聚类算法对特征向量集进行聚类操作。
7.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S5中利用滑动窗口方式分别跟踪分类后每辆列车的流式特征向量具体为：步骤S4中聚类得到K组列车坐标向量集 ，对每个坐标向量建立一个矩形窗口，使用该矩形窗口代替列车，在线计算矩形窗口参数信息，包括：矩形窗口编号S，滑动窗口宽度值W，窗口中点位置坐标值X，窗口可靠率P，窗口滑动方向。
8.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S6中使用多重均一化方法，在短时间t范围内计算的多重位移坐标交叉计算速度，用得到的短时间均值化速度代替实时速度。
9.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，还包括步骤：
S7、记录沿线所有滑动窗口的参数信息，以及滑动窗口的生成、交替与消失。
10.根据权利要求1-8中任一项所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，每5米为一个传感测区。
CN201910489337.6A 2019-06-06 2019-06-06 基于Spark Streaming的列车实时定位跟踪与速度计算方法 Active CN110285877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910489337.6A CN110285877B (zh) 2019-06-06 2019-06-06 基于Spark Streaming的列车实时定位跟踪与速度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910489337.6A CN110285877B (zh) 2019-06-06 2019-06-06 基于Spark Streaming的列车实时定位跟踪与速度计算方法

Publications (2)

Publication Number Publication Date
CN110285877A CN110285877A (zh) 2019-09-27
CN110285877B true CN110285877B (zh) 2020-02-18

Family

ID=68003442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910489337.6A Active CN110285877B (zh) 2019-06-06 2019-06-06 基于Spark Streaming的列车实时定位跟踪与速度计算方法

Country Status (1)

Country Link
CN (1) CN110285877B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177276B (zh) * 2020-01-06 2023-10-20 浙江中烟工业有限责任公司 一种基于Spark计算框架的动能数据处理系统及方法
CN111766573B (zh) * 2020-06-02 2024-02-27 武汉烽理光电技术有限公司 卡尔曼滤波的提高阵列光栅定位空间分辨率的方法及系统
CN111538708B (zh) * 2020-07-08 2020-10-13 武汉智慧地铁科技有限公司 地铁隧道全时全域振动监测历史数据的清洗压缩方法
CN114194255B (zh) * 2021-12-31 2022-07-19 安徽洪鸿光电技术有限公司 一种基于光纤传感技术的列车锁定跟踪方法
CN114537481B (zh) * 2022-03-16 2023-03-28 武汉理工大学 基于光栅阵列的移动闭塞式列车运行控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8035530B2 (en) * 2006-11-09 2011-10-11 Sridhara Subbiah Ramasubbu RFID intelligent traffic signaling
CN108313089B (zh) * 2017-01-18 2020-07-21 扬州立鼎恒新微电子科技有限公司 一种基于mems震动传感器的列车实时定位方法
CN108564788B (zh) * 2018-06-07 2021-09-10 重庆邮电大学 一种基于流式大数据的同行车辆发现方法
CN109034226A (zh) * 2018-07-16 2018-12-18 福州大学 一种基于图论的车辆轨迹聚类方法
CN109357747B (zh) * 2018-10-25 2019-11-12 南京航空航天大学 一种基于光纤振动信号的在线列车识别及速度估计方法

Also Published As

Publication number Publication date
CN110285877A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110285877B (zh) 基于Spark Streaming的列车实时定位跟踪与速度计算方法
CN107591002B (zh) 一种基于分布式光纤的高速公路交通参数实时估计方法
CN100535955C (zh) 一种识别离群交通数据的方法
CN103197299B (zh) 天气雷达径向风信息提取及量化分析系统
CN109357747B (zh) 一种基于光纤振动信号的在线列车识别及速度估计方法
CN100589143C (zh) 判断浮动车行驶状态的方法及装置
CN110176139A (zh) 一种基于dbscan+的道路拥堵识别可视化方法
CN111582160B (zh) 基于分布式光纤传感系统的车辆轨迹提取方法及装置
CN106056821A (zh) 输电线路异物入侵智能视频在线监测评估系统
CN102360525A (zh) 基于判别分析的快速道路实时交通事故风险预测方法
CN103473932B (zh) 一种结合振荡标线的音频信号车型识别系统
Zhang et al. A study on the method for cleaning and repairing the probe vehicle data
CN110188797A (zh) 一种基于贝叶斯优化的智能汽车快速测试方法
CN107507417A (zh) 一种基于微波雷达回波信号的智能车道划分方法及装置
CN114879160B (zh) 基于三维点云数据的铁轨异物入侵实时监测方法及系统
CN110363988B (zh) 一种交叉口车辆通行效率的计算系统及方法
Salanova Grau et al. Multisource data framework for road traffic state estimation
CN114291081B (zh) 一种基于人工智能算法的车辆碰撞检测方法
CN106803348A (zh) 一种基于卡口的高架道路车辆行程时间短时预测方法
CN104217591A (zh) 动态路况检测方法及系统
Li et al. Diagnosing and interpolating loop detector data errors with probe vehicle data
Zheng et al. Video-based measurement and data analysis of traffic flow on urban expressways
Wieczorek et al. Techniques for validating an automatic bottleneck detection tool using archived freeway sensor data
Nafisifard et al. Lidar measurements of wake around a bridge deck
US20230024104A1 (en) Identification of false transformer humming using machine learning

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