CN113808390A - 射频识别道路交通大数据溯源分析系统及分析方法 - Google Patents

Abstract

本发明公开了射频识别道路交通大数据溯源分析系统及分析方法；包括射频识别接收系统、射频识别发射系统、云端服务系统；射频识别发射系统设置在车辆上，与车辆的车载视频集合，实时收集车辆的数据；射频识别接收系统在集成合杆上，接收射频识别发射系统发出的射频信号，获取相应车辆的编号、地理位置信息和车内乘客信息，并传递到云端服务系统。分析时，以两个射频识别接收系统在城市电子地图上的线路路径作为相应车辆的地图路径，进而计算出相应车辆的测算路径，将相应测算路径与地图路径进行比对，获得实际路径；然后根据实际路径的重复条数计算出目标路段的车流量。本发明利用射频识别动态数据对道路交通大数据，实现溯源分析。

Description

射频识别道路交通大数据溯源分析系统及分析方法

技术领域

本发明涉及计算机的道路交通分析技术领域，特别涉及射频识别道路交通大数据溯源分析系统及分析方法。

背景技术

数据溯源分析是道路交通领域的热点研究问题，传统交通量溯源分析主要通过人工调查小范围内的交通量进行总结分析，其分析精度较低、调查范围较小、数据容量较低，且计算转向流量时误差较大，已无法满足信息化条件下交通规划研究的要求。射频识别，即RFID技术作为交通领域的前沿应用技术，其数据具有精度高、范围广、样本容量大等优势，如何利用其既有优势进行交通分析、提高交通研究的科学性和准确性，已成为目前亟待解决的重大问题。

此外，由于交通流量的高峰性和高速性，RFID对多个车辆目标同时进行识别时会产生信号碰撞，数据的识别和传输均会在高峰时段发生折减。

因此，如何改进的动态帧时隙ALOHA算法，将时分多址，即TDMA与码分多址，即CDMA技术相结合，优化信号通道使用效率，减少信号碰撞概率，在早晚高峰时段，依然可以发挥较高的系统通道利用率成为本领域技术人员急需解决的技术问题。

发明内容

有鉴于现有技术的上述缺陷，本发明提供射频识别道路交通大数据溯源分析系统及分析方法，实现的目的是利用射频识别动态数据对道路交通大数据，对如出行量、运行速度何交通饱和度等进行溯源分析。

为实现上述目的，本发明公开了射频识别道路交通大数据溯源分析系统；包括若干射频识别接收系统、若干射频识别发射系统、云端服务系统、溯源分析模块、显示系统、输入系统和信息传输系统；

其中，每一所述射频识别发射系统设置在车辆上，与所述车辆的车载视频集合，实时收集所述车辆的数据；

每一所述射频识别接收系统包括天线标签和射频识别读写器；

每一所述射频识别接收系统在集成合杆上，接收所述射频识别发射系统发出的射频信号，获取相应所述车辆的编号、地理位置信息和车内乘客信息，并通过所述信息传输系统传递到所述云端服务系统；

所述云端服务系统包括中央处理器和存储设备；

所述存储设备为硬盘，用于存储城市电子地图；

所述中央处理器对所有数据进行处理；

所述显示系统用于显示交互式界面。

优选的，每一所述射频识别发射系统包括天线、耦合元件和射频识别电子芯片，用于实时发出射频信号。

优选的，每一所述射频识别发射系统收集的相应的所述车辆的数据包括所述车辆的经纬度坐标和所述车辆的速度。

优选的，所述城市电子地图包含有路网基础数据；所述有路网基础数据包括路段经纬度坐标、路段ID编号、道路等级、道路长度、道路车道数和道路通行能力。

优选的，所述显示系统包括一台以上显示器。

优选的，所述交互式界面包括计算机系统界面和内部查询模块；

所述计算机系统界面需输入账号和密码开启；

所述内部查询模块通过输入路段ID编号对需溯源分析的目标路段进行溯源分析。

优选的，所述内部查询模块通过选择不同的时间周期对路段进行统计分析，包括5分钟、15分钟、30分钟、1小时、早高峰小时、晚高峰小时、24小时，以及早7:50至8:50的早高峰和下午17:45至18:45的晚高峰。

本发明还提供射频识别道路交通大数据溯源分析系统的分析方法，步骤如下：

步骤1、选定所需溯源分析的目标路段，统计所述目标路段3公里范围内的每一所述射频识别接收系统所收集到的所述车辆的数据；

根据将每一所述车辆的经纬度坐标与所述城市电子地图进行坐标匹配，在所述城市电子地图上标定每一所述车辆的位置；

步骤2、根据最短路径法计算每一所述车辆连续经过两个相邻的所述射频识别接收系统的路径，以两个所述射频识别接收系统在所述城市电子地图上的线路路径作为相应所述车辆的地图路径，进而计算出相应所述车辆在所述目标路段3公里范围内的测算路径，将相应所述测算路径与所述地图路径进行比对，若线路一致则认为相应的所述车辆经过目标路段，并将所述测算路径作为相应所述车辆的实际路径；

步骤3、在所述城市电子地图上显示所有与所述目标路段有空间交叉的所述车辆的所述实际路径并进行路径叠加；

根据每一所述目标路段上的所有所述车辆的所述实际路径的重复条数计算出每一所述目标路段的车流量；每一条所述实际路径均为一个车流量；

然后，根据每一所述目标路段的车流量的合计大小设置最终叠加路径的粗细。

优选的，所述溯源分析包括查询与所述目标路段相连接的每一道路的交通流量及车速；

根据每一与目标路段相连接的所述道路的交通流量大小确定线条粗细。

有限的，所述溯源分析包括动态帧时隙ALOHA算法，具体步骤如下：

步骤A1、算法帧时隙化；通过射频识别阅读器分配，将时间段分为多个离散的时隙间断，对应的射频识别标签在所分配的时隙间断中传送各自的信息；

步骤A2、帧时隙动态化；根据标签基数，由计算机计算后动态更改一个帧内的时隙数；当标签基数较小时，通过适当减少时隙数避免碰撞的发生，反之，则通过增加时隙数避免碰撞的发生；具体算法如下：

令B为帧长，I是系统要识别的全部标签数量，OVSF码长设为m，则在单个时隙中可以m个OVSF码中检测到i个标签的概率为：

P为检测到标签的概率，I是系统要识别的全部标签数量，i为当前被检测到的标签号(i≤I)，OVSF码是正交可变扩频因子码，是一个实现码分多址(CDMA)信号传输的代码，长度设为m；

则同一个时隙被i个标签所占用的概率满足二项分布：

P1为同一个时隙检测到标签的概率，B为帧长，

为从I个元素中不重复地选取i个元素的一个组合数；

其系统吞吐量T可表示为：

T为系统吞吐量，I是系统要识别的全部标签数量，i为当前被检测到的标签号(i≤I)，m为OVSF码长，B为帧长，

为从I个元素中不重复地选取i个元素的一个组合数。

本发明的有益效果：

发明提出了改进的动态帧时隙ALOHA算法，将时分多址，即TDMA与码分多址，即CDMA技术相结合，优化信号通道使用效率，减少信号碰撞概率，在早晚高峰时段，依然可以发挥较高的系统通道利用率。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1示出本发明一实施例的结构示意图。

具体实施方式

实施例

如图1所示，射频识别道路交通大数据溯源分析系统；其特征在于，包括若干射频识别接收系统、若干射频识别发射系统、云端服务系统、溯源分析模块、显示系统、输入系统和信息传输系统；

其中，每一射频识别发射系统设置在车辆上，与车辆的车载视频集合，实时收集车辆的数据；

每一射频识别接收系统包括天线标签和射频识别读写器；

每一射频识别接收系统在集成合杆上，接收射频识别发射系统发出的射频信号，获取相应车辆的编号、地理位置信息和车内乘客信息，并通过信息传输系统传递到云端服务系统；

云端服务系统包括中央处理器和存储设备；

存储设备为硬盘，用于存储城市电子地图；

中央处理器对所有数据进行处理；

显示系统用于显示交互式界面。

在某些实施例中，每一射频识别发射系统包括天线、耦合元件和射频识别电子芯片，用于实时发出射频信号。

在某些实施例中，每一射频识别发射系统收集的相应的车辆的数据包括车辆的经纬度坐标和车辆的速度。

在某些实施例中，城市电子地图包含有路网基础数据；有路网基础数据包括路段经纬度坐标、路段ID编号、道路等级、道路长度、道路车道数和道路通行能力。

在某些实施例中，显示系统包括一台以上显示器。

在某些实施例中，交互式界面包括计算机系统界面和内部查询模块；

计算机系统界面需输入账号和密码开启；

内部查询模块通过输入路段ID编号对需溯源分析的目标路段进行溯源分析。

在某些实施例中，内部查询模块通过选择不同的时间周期对路段进行统计分析，包括5分钟、15分钟、30分钟、1小时、早高峰小时、晚高峰小时、24小时，以及早7:50至8:50的早高峰和下午17:45至18:45的晚高峰。

本发明还提供射频识别道路交通大数据溯源分析系统的分析方法，步骤如下：

步骤1、选定所需溯源分析的目标路段，统计目标路段3公里范围内的每一射频识别接收系统所收集到的车辆的数据；

根据将每一车辆的经纬度坐标与城市电子地图进行坐标匹配，在城市电子地图上标定每一车辆的位置；

步骤2、根据最短路径法计算每一车辆连续经过两个相邻的射频识别接收系统的路径，以两个射频识别接收系统在城市电子地图上的线路路径作为相应车辆的地图路径，进而计算出相应车辆在目标路段3公里范围内的测算路径，将相应测算路径与地图路径进行比对，若线路一致则认为相应的车辆经过目标路段，并将测算路径作为相应车辆的实际路径；

步骤3、在城市电子地图上显示所有与目标路段有空间交叉的车辆的实际路径并进行路径叠加；

根据每一目标路段上的所有车辆的实际路径的重复条数计算出每一目标路段的车流量；每一条实际路径均为一个车流量；

然后，根据每一目标路段的车流量的合计大小设置最终叠加路径的粗细。

在某些实施例中，溯源分析包括查询与目标路段相连接的每一道路的交通流量及车速；

根据每一与目标路段相连接的道路的交通流量大小确定线条粗细。

在某些实施例中，溯源分析包括动态帧时隙ALOHA算法，具体步骤如下：

步骤A1、算法帧时隙化；通过射频识别阅读器分配，将时间段分为多个离散的时隙间断，对应的射频识别标签在所分配的时隙间断中传送各自的信息；

在实际应用中，因为单个类型的标签对应只能在阅读器分配的时隙中传输数据，不同类型的标签碰撞概率减小，既而标签被识别成功的概率也显著提升。但是仍然难以避免较少部分的标签信号发生冲突，触发随机时间延迟进行分发和重新传输数据。

步骤A2、帧时隙动态化；根据标签基数，由计算机计算后动态更改一个帧内的时隙数；当标签基数较小时，通过适当减少时隙数避免碰撞的发生，反之，则通过增加时隙数避免碰撞的发生；具体算法如下：

令B为帧长，I是系统要识别的全部标签数量，OVSF码长设为m，则在单个时隙中可以m个OVSF码中检测到i个标签的概率为：

P为检测到标签的概率，I是系统要识别的全部标签数量，i为当前被检测到的标签号(i≤I)，OVSF码是正交可变扩频因子码，是一个实现码分多址(CDMA)信号传输的代码，长度设为m；

则同一个时隙被i个标签所占用的概率满足二项分布：

P1为同一个时隙检测到标签的概率，B为帧长，

为从I个元素中不重复地选取i个元素的一个组合数；

其系统吞吐量T可表示为：

T为系统吞吐量，I是系统要识别的全部标签数量，i为当前被检测到的标签号(i≤I)，m为OVSF码长，B为帧长，

为从I个元素中不重复地选取i个元素的一个组合数。

在实际应用中，受制于早晚高峰道路交通的运行情况，道路上车流频次会有极大不同，相同路段有时面临大量或稀疏的车流情况，这时RFID对多个车辆数据识别和传输的过程中，会产生不同程度的碰撞干扰，导致通道利用率较低。

传统ALOHA算法中，当高峰时段RFID信号识别和传输过程中发生碰撞时，RFID阅读器会停止接受新信号的接入，并且进入一个待定的等待时间段，当RFID阅读器重新恢复正常识别时，才会解除等待时间段，RFID标签的新发送数据才会被RFID阅读器所识别，按照传统ALOHA算法，高峰时段信号吞吐效率约在20％以内。

针对上述算法中的通道传输效率不高的问题，本发明提出了改进的动态帧时隙ALOHA算法，将TDMA(时分多址)与CDMA(码分多址)技术相结合，优化信号通道使用效率，减少信号碰撞概率，在早晚高峰时段，依然可以发挥较高的系统通道利用率。

由于传统时隙ALOHA算法的帧长是固定的，单帧一般包含多个时隙间断或时隙数。但城市车流的行驶有典型的早晚高峰甚至潮汐现象，时隙数的固定值就难以标定。当面临早晚高峰时段时段，有大量的标签待被RFID阅读器识别，若时隙数设置的很小就可能会造成碰撞；若当面临一般平峰时段，标签发送不多，时隙数又很大时，又会造成时隙的多余和浪费。

动态时隙ALOHA算法基于TDMA(时分多址)技术基础，结合CDMA(码分多址)技术，将帧时隙ALOHA算法优化，主要算法推导如下：

令B为帧长，I是系统要识别的全部标签数量，OVSF码长设为m，则在单个时隙中可以m个OVSF码中检测到i个标签的概率为：

则同一个时隙被i个标签所占用的概率满足二项分布：

其吞吐量T可表示为：

令OVSF码m长为2，吞吐量可表示为：

对I求导，令式子为零，可得：

当标签数量趋近于无穷大时，系统吞吐量为：

由上可知，新型帧时隙ALOHA算法的吞吐率达到了将近84％，比传统ALOHA算法提升近4倍，由此可知改进的ALOHA算法可有效提高信道的利用率。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.射频识别道路交通大数据溯源分析系统；其特征在于，包括若干射频识别接收系统、若干射频识别发射系统、云端服务系统、溯源分析模块、显示系统、输入系统和信息传输系统；

每一所述射频识别发射系统设置在车辆上，与所述车辆的车载视频集合，实时收集所述车辆的数据；

每一所述射频识别接收系统包括天线标签和射频识别读写器；

每一所述射频识别接收系统在集成合杆上，接收所述射频识别发射系统发出的射频信号，获取相应所述车辆的编号、地理位置信息和车内乘客信息，并通过所述信息传输系统传递到所述云端服务系统；

所述云端服务系统包括中央处理器和存储设备；

所述存储设备为硬盘，用于存储城市电子地图；

所述中央处理器对所有数据进行处理；

所述显示系统用于显示交互式界面。

2.根据权利要求1所述的射频识别道路交通大数据溯源分析系统，其特征在于，每一所述射频识别发射系统包括天线、耦合元件和射频识别电子芯片，用于实时发出射频信号。

3.根据权利要求1所述的射频识别道路交通大数据溯源分析系统，其特征在于，每一所述射频识别发射系统收集的相应的所述车辆的数据包括所述车辆的经纬度坐标和所述车辆的速度。

4.根据权利要求1所述的射频识别道路交通大数据溯源分析系统，其特征在于，所述城市电子地图包含有路网基础数据；所述有路网基础数据包括路段经纬度坐标、路段ID编号、道路等级、道路长度、道路车道数和道路通行能力。

5.根据权利要求1所述的射频识别道路交通大数据溯源分析系统，其特征在于，所述显示系统包括一台以上显示器。

6.根据权利要求1所述的射频识别道路交通大数据溯源分析系统，其特征在于，所述交互式界面包括计算机系统界面和内部查询模块；

所述计算机系统界面需输入账号和密码开启；

所述内部查询模块通过输入路段ID编号对需溯源分析的目标路段进行溯源分析。

7.根据权利要求7所述的射频识别道路交通大数据溯源分析系统，其特征在于，所述内部查询模块通过选择不同的时间周期对路段进行统计分析，包括5分钟、15分钟、30分钟、1小时、早高峰小时、晚高峰小时、24小时，以及早7:50至8:50的早高峰和下午17:45至18:45的晚高峰。

8.根据权利要求1所述的射频识别道路交通大数据溯源分析系统的分析方法，步骤如下：

步骤1、选定所需溯源分析的目标路段，统计所述目标路段3公里范围内的每一所述射频识别接收系统所收集到的所述车辆的数据；

根据将每一所述车辆的经纬度坐标与所述城市电子地图进行坐标匹配，在所述城市电子地图上标定每一所述车辆的位置；

步骤2、根据最短路径法计算每一所述车辆连续经过两个相邻的所述射频识别接收系统的路径，以两个所述射频识别接收系统在所述城市电子地图上的线路路径作为相应所述车辆的地图路径，进而计算出相应所述车辆在所述目标路段3公里范围内的测算路径，将相应所述测算路径与所述地图路径进行比对，若线路一致则认为相应的所述车辆经过目标路段，并将所述测算路径作为相应所述车辆的实际路径；

步骤3、在所述城市电子地图上显示所有与所述目标路段有空间交叉的所述车辆的所述实际路径并进行路径叠加；

根据每一所述目标路段上的所有所述车辆的所述实际路径的重复条数计算出每一所述目标路段的车流量；每一条所述实际路径均为一个车流量；

然后，根据每一所述目标路段的车流量的合计大小设置最终叠加路径的粗细。

9.根据权利要求8所述的射频识别道路交通大数据溯源分析系统的分析方法，其特征在于，所述溯源分析包括查询与所述目标路段相连接的每一道路的交通流量及车速；

根据每一与目标路段相连接的所述道路的交通流量大小确定线条粗细。

10.根据权利要求1所述的射频识别道路交通大数据溯源分析系统的分析方法，其特征在于，所述溯源分析包括动态帧时隙ALOHA算法，具体步骤如下：

步骤A1、算法帧时隙化；通过射频识别阅读器分配，将时间段分为多个离散的时隙间断，对应的射频识别标签在所分配的时隙间断中传送各自的信息；

步骤A2、帧时隙动态化；根据标签基数，由计算机计算后动态更改一个帧内的时隙数；当标签基数较小时，通过适当减少时隙数避免碰撞的发生，反之，则通过增加时隙数避免碰撞的发生；；具体算法如下：

令B为帧长，I是系统要识别的全部标签数量，OVSF码长设为m，则在单个时隙中可以m个OVSF码中检测到i个标签的概率为：

P为检测到标签的概率，I是系统要识别的全部标签数量，i为当前被检测到的标签号(i≤I)，OVSF码是正交可变扩频因子码，是一个实现码分多址(CDMA)信号传输的代码，长度设为m；

则同一个时隙被i个标签所占用的概率满足二项分布：

P1为同一个时隙检测到标签的概率，B为帧长，

为从I个元素中不重复地选取i个元素的一个组合数；

其系统吞吐量T可表示为：

T为系统吞吐量，I是系统要识别的全部标签数量，i为当前被检测到的标签号(i≤I)，m为OVSF码长，B为帧长，

为从I个元素中不重复地选取i个元素的一个组合数。

Images