CN114119903B - 一种基于实景三维城市的动态交通模拟方法 - Google Patents

Abstract

本发明提出了一种基于实景三维城市的动态交通模拟方法。本发明方法首先根据输入数据将目标城市区域的三维点云数据划分为多组道路区域三维点云数据；其次分别提取每组道路区域两侧的路肩线，构成路面区域范围；然后依次提取每组路面区域的多条车道范围，以及多条车道范围内的车道中心线；接着通过微观交通模拟方法得到多台车辆轨迹数据，并结合数字高程模型数据对多台车辆轨迹数据进行车辆姿态校正；最后将多台车辆校正后轨迹数据进行四叉树分块组织，并与实景三维城市模型数据叠加，实现动态交通模拟。本方法用于城市交通规划与预测实际应用，提升了城市交通模拟的精确度和效率。

Description

一种基于实景三维城市的动态交通模拟方法

技术领域

本发明涉及计算机可视化领域，具体而言，涉及一种基于实景三维城市的动态交通模拟方法。

背景技术

实景三维是对人类生产、生活和生态空间进行真实、立体、时序化反映和表达的数字虚拟空间，是新型基础测绘标准化产品，是国家新型基础设施建设的重要组成部分。2021年自然资源部印发《实景三维中国建设技术大纲》指出，根据新时期测绘工作“两服务、两支撑”根本定位，调动各级自然资源主管部门和社会力量，构建“分布存储、逻辑集中、时序更新、共享应用”的实景三维中国，为数字中国建设提供统一的空间基底。倾斜摄影测量采用多台传感器进行多视角影像信息及数据采集，能快速获取高精度地表三维数据成果，涵盖实景三维模型、正射影像、数字地表模型、点云数据等多源测绘地理信息成果。基于无人机倾斜摄影测量的城市三维建模正开展大量生产和应用，建模质量和效率也逐步得到优化和提升。

道路是居民日常出行和物资运输的通道，是城市运转至关重要的交通枢纽。城市道路实景三维模型的构建对于城市交通规划与预测等应用具有重要作用。基于无人机倾斜摄影测量的道路三维建模，其几何结构精确，而语义信息缺失，难以判断道路车道分布。同时，基于实景三维城市模型的交通动态模拟，由于实景三维模型与车辆高度和方向不匹配，容易导致车辆浮在空中、埋在地下、车辆不在车道范围内、车辆方向与道路方向不匹配等问题。另外，对于城市级大范围三维交通模拟，其组织渲染效率较低，容易导致场景渲染出现卡顿现象，影响交通模拟效果。

综上所述，目前基于实景三维城市的动态交通模拟方法由于三维城市模型与车辆数据的匹配性以及渲染效率问题，很难满足大范围高精度的交通动态模拟需求。因此，随着实景三维技术和实景三维中国建设的推进，急需研究实现基于实景三维城市的动态交通模拟方法，城市交通模拟的精确度和效率，对于城市交通规划与预测等具有重要的现实意义。

发明内容

本发明针对现有技术的不足，提出一种基于实景三维城市的动态交通模拟方法。

本发明方法针对倾斜摄影三维城市模型数据和动态车辆轨迹数据的特点，分别进车道范围提取、车道中心线提取、基于交通仿真数据进行车辆姿态计算和车辆轨迹组织。

步骤1：引入目标城市区域的实景三维模型数据、目标城市区域的三维点云数据、目标城市区域的数字高程模型数据、目标城市区域的矢量道路线数据，将目标城市区域的三维点云数据根据目标城市区域的矢量道路线数据划分为多组道路区域三维点云数据；

步骤2：将多组道路区域三维点云数据根据一定的高度进行点云过滤处理得到多组过滤后道路区域三维点云数据，结合每组过滤后道路区域三维点云数据中每个三维点云的位置、每组过滤后道路区域三维点云数据中每个三维点云的高度、每组过滤后道路区域三维点云数据中每个三维点云的法线与垂直于路面方向的夹角筛选出每组过滤后道路区域三维点云数据中的所有路肩点云，将每组过滤后道路区域三维点云数据中的所有路肩点云根据每组道路区域三维点云对应的矢量道路线多个特征点进行位置过滤划分为每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云，将每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云分别进行曲线拟合得到每组道路区域左侧路肩线、每组道路区域右侧路肩线，结合每组道路区域左侧路肩线、每组道路区域右侧路肩线构建每组道路区域的路面区域范围。

步骤3：根据每组道路区域的路面区域范围以及对应的矢量道路线，通过车道提取方法得到每组道路区域的路面区域范围内多条车道的范围，根据每个路面区域范围内每条车道的范围，通过车道中心线提取方法得到每组道路区域的路面区域范围内每条车道范围内的车道中心线；

步骤4：将每组道路区域的路面区域范围内每条车道范围内的车道中心线通过微观交通模拟方法得到多台车辆轨迹数据；

步骤5：将多台车辆轨迹数据结合目标城市区域的数字高程模型数据通过车辆姿态校正方法处理得到多台车辆校正后轨迹数据；

步骤6：将多台车辆校正后轨迹数据进行四叉树分块组织处理得到分块组织后多台车辆轨迹数据；

步骤7：将分块组织后多台车辆轨迹数据、目标城市区域的实景三维模型数据进行数据图层叠加处理生成动态交通三维场景，用于城市交通规划与预测实际应用。

作为优选，步骤1所述目标城市区域的三维点云数据根据目标城市区域的矢量道路线数据划分为s组道路区域三维点云数据，其中s为正整数。

步骤2所述每组过滤后道路区域三维点云数据为：

p_k,i＝{h_k,i,θ_k,i,(px_k,i,py_k,i)}

1≤k≤s

1≤i≤m

其中，p_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标；

步骤2所述每组过滤后道路区域三维点云数据中每个三维点云的高度为：

h_k,i

1≤k≤s

1≤i≤m

其中，h_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的高度，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述每组过滤后道路区域三维点云数据中每个三维点云的法线与垂直于路面方向的夹角点云法线与垂直于路面方向的夹角为：

θ_k,i

1≤k≤s

1≤i≤m

其中，θ_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的法线与垂直于路面方向的夹角，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述筛选出每组过滤后道路区域三维点云数据中的所有路肩点云为：

设夹角阈值为α、路面基准高度为h₀、高度差阈值为H，则每组过滤后道路区域三维点云数据中的所有路肩点云需满足如下条件：

1≤k≤s

1≤i≤m

其中，h_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的高度，θ_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的法线与垂直于路面方向的夹角，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述将每组过滤后道路区域三维点云数据中的所有路肩点云根据每组道路区域三维点云对应的矢量道路线进行位置过滤划分为每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云，具体为：

步骤2所述每组道路区域三维点云对应的矢量道路线表示为：

q_k,j＝{(qx_k,j,qy_k,j)}

1≤k≤s

1≤j≤n

其中，q_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点，n为第k组道路区域三维点云对应的矢量道路线特征点的数量，qx_k,j为矢量道路线特征点q_k,j的位置横坐标，qy_k,j为矢量道路线特征点q_k,j的位置横坐标，s表示过滤后道路区域三维点云数据的组数，n表示第k组道路区域三维点云对应的矢量道路线的特征点个数；

第k组过滤后道路区域三维点云数据中三维点云属于第k组道路区域左侧路肩点云需满足条件：

(qx_k,j+1-qx_k,j)(py_k,i-qy_k,j)-(qy_k,j+1-qy_k,j)(px_k,i-qx_k,j)＞0

其中，px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，qx_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qy_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qx_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标，qy_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标；

第k组过滤后道路区域三维点云数据中三维点云属于第k组道路区域右侧路肩点云需满足条件：

(qx_k,j+1-qx_k,j)(py_k,i-qy_k,j)-(qy_k,j+1-qy_k,j)(px_k,i-qx_k,j)＜0

其中，px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，qx_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qy_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qx_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标，qy_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标；

将第k组过滤后道路区域三维点云数据中所有三维点云属于第k组道路区域左侧路肩点云构成步骤2所述每组道路区域左侧路肩点云，进行曲线拟合得到每组道路区域左侧路肩线；

将第k组过滤后道路区域三维点云数据中所有三维点云属于第k组道路区域右侧路肩点云构成步骤2所述每组道路区域右侧路肩点云，进行曲线拟合得到每组道路区域右侧路肩线；

步骤2所述结合每组道路区域左侧路肩线、每组道路区域右侧路肩线构建每组道路区域的路面区域范围，具体为：

根据每组过滤后道路区域三维点云数据中道路左侧路肩线的起始点、每组过滤后道路区域三维点云数据中道路左侧路肩线的终止点、每组过滤后道路区域三维点云数据中道路右侧路肩线的起始点、每组过滤后道路区域三维点云数据中道路右侧路肩线的终止点每组道路区域的路面区域范围。

作为优选，步骤3通过车道提取方法得到每个路面区域范围内多条车道的范围，具体为：

以地球中心为原点，构建全局三维笛卡尔坐标系O-XYZ；

以每组道路区域的路面区域左侧路肩线起始点为原点，平行于道路断面为x轴，垂直于道路断面为y轴，构建局部二维平面坐标系o-xy。

以等间距d获取左侧路肩线的特征点，表示为：

e_k,t＝{(longitude_k,t,latitude_k,t,altitude_k,t)}

1≤k≤s

1≤t≤v

其中，e_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点，特征点e_k,t的经度坐标为longitude_k,t，特征点e_k,t的维度坐标为latitude_k,t，特征点e_k,t的高度坐标为altitude_k,t，s表示过滤后道路区域三维点云数据的组数，采样点的个数为v。

将e_k,t的坐标转换由经纬度球形坐标系转换为三维笛卡尔坐标系为：

其中，(SX_k,t,SY_k,t,SZ_k,t)为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点的三维笛卡尔坐标，SX_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点X轴坐标，SY_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点的Y轴坐标，SZ_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点Z轴坐标，R为地球半径。

获取矢量道线数据中的车道数和车道宽度属性，设单向车道数为u，车道宽度为w，则第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线表示为：

l_k,h,t＝{(lx_k,h,t,ly_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中l_k,h,t为第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的第t个特征点，lx_k,h,t为l_k,h,t的横轴坐标，ly_h,t为l_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数。

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线特征点为：

其中，(lx_k,h,t,ly_k,h,t)为第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线第t个特征点l_k,h,t的坐标，lx_k,h,t为l_k,h,t的横轴坐标，ly_h,t为l_k,h,t的纵轴坐标，w为车道宽度。

则第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线表示为：

r_k,h,t＝{(rx_k,h,t,ry_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中r_k,h,t为第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的第t个特征点，rx_k,h,t为r_k,h,t的横轴坐标，ry_h,t为r_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数。

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线特征点为：

其中，(rx_k,h,t,ry_k,h,t)为第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线第t个特征点的坐标，rx_k,h,t为r_k,h,t的横轴坐标，ry_h,t为r_k,h,t的纵轴坐标，w为车道宽度；

将第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线采样点、第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线采样点分别进行曲线拟合得到第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线。

根据第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的起始点、第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的终止点、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的起始点、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的终止点构成第k组过滤后道路区域的路面区域第h条车道的范围；

第k组过滤后道路区域的路面区域范围内所有车道组成的范围即为第k组过滤后道路区域的路面区域范围内多条车道的范围。

步骤3通过车道中心线提取方法得到每个道路区域范围内每条车道范围内车道中心线，具体为：

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域范围内第h条车道范围的车道中心线表示为：

c_k,h,t＝{(cx_k,h,t,cy_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中，c_k,h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的车道中心线的第t个特征点，cx_h,t为c_k,h,t的横轴坐标，cy_h,t为c_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数；

则第k组过滤后道路区域的路面区域范围内第h条车道中心线采样点位置坐标为：

其中，c_k,h,t为第k组过滤后道路区域的路面区域范围内第h条车道中心线第t个采样点，l_h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的左侧车道边线第t个采样点，r_h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的右侧车道边线第t个采样点。

根据路肩采样点的全局笛卡尔坐标以及车道中心线采样点的局部二维平面坐标，基于七参数转换法计算求得车道中心线采样点的全局三维笛卡尔坐标；

设七参数转换法中的缩放系数为Scale，旋转角度为(α_x,α_y,0)，则转换公式为：

其中，(X_k,h,t,Y_k,h,t,Z_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个特征点的全局三维笛卡尔坐标，(SX_k,t,SY_k,t,SZ_k,t)第k组过滤后路面区域左侧路肩线第t个特征点的三维笛卡尔坐标，(cx_k,h,t，cy_k,h,t)为第k组过滤后道路区域的路面区域范围内第h条车道中心线第t个特征点的二维坐标，Scale为缩放系数，(α_x,α_y,0)为旋转角度。

将车道中心线采样点的三维笛卡尔坐标转换为经纬度球形坐标，则转换公式为：

其中，(Lon_k,h,t,Lat_k,h,t,Alt_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个采样点的经纬度球形坐标，(X_k,h,t,Y_k,h,t,Z_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个特征点的全局三维笛卡尔坐标；

根据车道中心线采样点集合，通过贝塞尔曲线拟合可以得到车道中心线。

通过以上方法可以计算得到每组道路区域的路面区域范围内每条车道范围内的车道中心线；

作为优选，步骤5所述通过车辆姿态校正方法处理得到每台车辆校正后轨迹数据，具体为：

设多台车辆轨迹数据中第c辆车的轨迹表示为:

Track_c＝{Time_f,(PLon_c,f,PLat_c,f,PAlt_c,f)}

1≤C≤b

1≤f≤g

其中，Track_c为多台车辆轨迹数据中第c辆车的轨迹，Time_f为f时刻，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标，PLon_c,f为多台车辆轨迹数据中第c辆车在f时刻的经度坐标，PLat_c,f为多台车辆轨迹数据中第c辆车在f时刻的维度坐标，PAlt_c,f为多台车辆轨迹数据中第c辆车在f时刻的高度坐标，b为车辆总数，g为时间序列数；

然后，将多台车辆轨迹数据中第c辆车在f时刻的高度坐标通过目标城市区域的数字高程模型查询得到：

PAlt_c,f＝Terrain(PLon_c,f,PLat_c,f)

其中，PAlt_c,f为多台车辆轨迹数据中第c辆车在f时刻的高度坐标，Terrain为数字高程模型，PLon_c,f为多台车辆轨迹数据中第c辆车在f时刻该车辆的经度坐标，PLat_c,f为多台车辆轨迹数据中第c辆车在f时刻该车辆的维度坐标。

将多台车辆轨迹数据中第c辆车在f时刻和多台车辆轨迹数据中第c辆车在f+1时刻之间进行插值得到多个插值点；

所述计算每个插值点的位置坐标和车辆行驶方向，具体如下：

将多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标转换为三维笛卡尔坐标为：

其中，(PX_c,f,PY_c,f,PZ_c,f)为多台车辆轨迹数据中第c辆车在f时刻的三维笛卡尔坐标，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标，R为地球半径。

则多台车辆轨迹数据中第c辆车位于Time_c,f时刻和Time_c,f+1时刻之间车辆的行驶方向为：

其中，为多台车辆轨迹数据中第c辆车在f时刻至f+1时刻之间的行驶方向，(PX_c,f,PY_c,f,PZ_c,f)为多台车辆轨迹数据中第c辆车在f时刻的三维笛卡尔坐标，(PX_c,f+1,PY_c,f+1,PZ_c,f+1)为多台车辆轨迹数据中第c辆车在f+1时的三维笛卡尔坐标；

以ΔT为步长对多台车辆轨迹数据中第c辆车在f时刻至f+1时刻之间进行插值，则第a个插值点的可以计算为：

其中，(PLon_c,f,a,PLat_c,f,a,PAlt_c,f,a)为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的经纬度球形位置坐标，PLon_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的经度坐标，PLat_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的维度坐标，PAlt_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的高度坐标，△T为采样时间步长，Time_c,f+1为多台车辆轨迹数据中第c辆车f+1时刻，Time_c,f为多台车辆轨迹数据中第c辆车f时刻；

作为优选，步骤6所述将多台车辆校正后轨迹数据进行四叉树分块组织处理得到分块组织后多台车辆轨迹数据，具体为：

设多台车辆校正后轨迹数据中第c辆车的轨迹经纬度范围为(MinLon_c，MaxLon_c，MinLat_c，MaxLat_c)，金字塔的层级为Level，则其对应的四叉树行列范围(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为：

其中，Level为金字塔层级，(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为多台车辆校正后轨迹数据中第c辆车的轨迹范围所在金字塔层级为Level的行列范围，(MinLon_c，MaxLon_c，MinLat_c，MaxLat_c)为多台车辆轨迹数据中第c辆车的轨迹经纬度范围，Floor为向下取整函数；

则多台车辆校正后轨迹数据中第c辆车经过四叉树分块组织处理得到分块组织后的轨迹数据为：

Tile_c＝{(Level,Row_c,Colume_c),Time_f,(PLon_c,f,PLat_c,f,PAlt_c,f)}

1≤C≤b

1≤f≤g

MinRow_c≤Row_c≤MaxRow_c

MinColume_c≤Colume≤MaxColume_c

其中，Tile_c为多台车辆校正后轨迹数据中第c辆车经过四叉树分块组织处理得到分块组织后的轨迹数据，(Level，Row_c，Column_c)为多台车辆校正后轨迹数据中第c辆车的轨迹经过的四叉树瓦片所在的金字塔层级、行号、列号，Time_f为f时刻，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆校正后轨迹数据中第c辆车在f时刻的经纬度球形坐标，b为车辆总数，g为时间序列数，(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为多台车辆校正后轨迹数据中第c辆车的轨迹范围所在金字塔层级为Level的行列范围。

本方法具有以下优点：

模拟精度高。基于实景三维城市模型，并对道路的路面范围、车道范围、车道中心线进行提取，增强了实景三维城市模型的语义信息，作为交通模拟的基底数据。同时，提取车道信息生成交通模拟数据，并实时纠正计算车辆的高程、速度方向等，使得车辆模型与道路模型较好地匹配，达到高精度的模拟效果。

模拟效率高。对于大范围城市三维交通模拟，其车辆模型的数据量庞大，基于分块组织方法进行调度，实现高效的三维模拟仿真，系统渲染较平滑。

本方法提升了大范围交通动态模拟的精确度和效率，对于城市交通规划与应急具有重要的现实意义。

附图说明

图1：是本发明方法流程图。

图2：是实景三维道路路面区域提取流程图。

图3：是实景三维道路车道范围和中心线提取示意图。

图4：是车辆位置高程纠正计算示意图。

图5：是车辆行驶方向纠正计算示意图。

图6：是大范围交通模拟分块组织示意图。

图7：是三维交通模拟车辆组织示意图。

图8：是基于实景三维城市的动态交通模拟效果图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1至图8介绍本发明的实施方式。如图1所示，为本发明方法流程图，一种基于实景三维城市的动态交通模拟方法，具体步骤如下：

步骤1：引入目标城市区域的实景三维模型数据、目标城市区域的三维点云数据、目标城市区域的数字高程模型数据、目标城市区域的矢量道路线数据，将目标城市区域的三维点云数据根据目标城市区域的矢量道路线数据划分为多组道路区域三维点云数据；

设目标城市区域的三维点云数据根据目标城市区域的矢量道路线数据划分为s组道路区域三维点云数据，其中s为正整数。

步骤2：将多组道路区域三维点云数据根据一定的高度进行点云过滤处理得到多组过滤后道路区域三维点云数据，结合每组过滤后道路区域三维点云数据中每个三维点云的位置、每组过滤后道路区域三维点云数据中每个三维点云的高度、每组过滤后道路区域三维点云数据中每个三维点云的法线与垂直于路面方向的夹角筛选出每组过滤后道路区域三维点云数据中的所有路肩点云，将每组过滤后道路区域三维点云数据中的所有路肩点云根据每组道路区域三维点云对应的矢量道路线多个特征点进行位置过滤划分为每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云，将每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云分别进行曲线拟合得到每组道路区域左侧路肩线、每组道路区域右侧路肩线，结合每组道路区域左侧路肩线、每组道路区域右侧路肩线构建每组道路区域的路面区域范围。

如图2所示，步骤2所述每组过滤后道路区域三维点云数据为：

p_k,i＝{h_k,i,θ_k,i,(px_k,i,py_k,i)}

1≤k≤s

1≤i≤m

其中，p_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标；

步骤2所述每组过滤后道路区域三维点云数据中每个三维点云的高度为：

h_k,i

1≤k≤s

1≤i≤m

其中，h_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的高度，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述每组过滤后道路区域三维点云数据中每个三维点云的法线与垂直于路面方向的夹角点云法线与垂直于路面方向的夹角为：

θ_k,i

1≤k≤s

1≤i≤m

其中，θ_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的法线与垂直于路面方向的夹角，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述筛选出每组过滤后道路区域三维点云数据中的所有路肩点云为：

设夹角阈值为α、路面基准高度为h₀、高度差阈值为H，则每组过滤后道路区域三维点云数据中的所有路肩点云需满足如下条件：

1≤k≤s

1≤i≤m

其中，h_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的高度，θ_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的法线与垂直于路面方向的夹角，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述将每组过滤后道路区域三维点云数据中的所有路肩点云根据每组道路区域三维点云对应的矢量道路线进行位置过滤划分为每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云，具体为：

步骤2所述每组道路区域三维点云对应的矢量道路线表示为：

q_k,j＝{(qx_k,j,qy_k,j)}

1≤k≤s

1≤j≤n

其中，q_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点，n为第k组道路区域三维点云对应的矢量道路线特征点的数量，qx_k,j为矢量道路线特征点q_k,j的位置横坐标，qy_k,j为矢量道路线特征点q_k,j的位置横坐标，s表示过滤后道路区域三维点云数据的组数，n表示第k组道路区域三维点云对应的矢量道路线的特征点个数；

第k组过滤后道路区域三维点云数据中三维点云属于第k组道路区域左侧路肩点云需满足条件：

(qx_k,j+1-qx_k,j)(py_k,i-qy_k,j)-(qy_k,j+1-qy_k,j)(px_k,i-qx_k,j)＞0

其中，px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，qx_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qy_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qx_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标，qy_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标；

第k组过滤后道路区域三维点云数据中三维点云属于第k组道路区域右侧路肩点云需满足条件：

(qx_k,j+1-qx_k,j)(py_k,i-qy_k,j)-(qy_k,j+1-qy_k,j)(px_k,i-qx_k,j)＜0

其中，px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，qx_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qy_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qx_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标，qy_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标；

将第k组过滤后道路区域三维点云数据中所有三维点云属于第k组道路区域左侧路肩点云构成步骤2所述每组道路区域左侧路肩点云，进行曲线拟合得到每组道路区域左侧路肩线；

将第k组过滤后道路区域三维点云数据中所有三维点云属于第k组道路区域右侧路肩点云构成步骤2所述每组道路区域右侧路肩点云，进行曲线拟合得到每组道路区域右侧路肩线；

步骤2所述结合每组道路区域左侧路肩线、每组道路区域右侧路肩线构建每组道路区域的路面区域范围，具体为：

根据每组过滤后道路区域三维点云数据中道路左侧路肩线的起始点、每组过滤后道路区域三维点云数据中道路左侧路肩线的终止点、每组过滤后道路区域三维点云数据中道路右侧路肩线的起始点、每组过滤后道路区域三维点云数据中道路右侧路肩线的终止点每组道路区域的路面区域范围。

步骤3：根据每组道路区域的路面区域范围以及对应的矢量道路线，通过车道提取方法得到每组道路区域的路面区域范围内多条车道的范围，根据每个路面区域范围内每条车道的范围，通过车道中心线提取方法得到每组道路区域的路面区域范围内每条车道范围内的车道中心线；

步骤3通过车道提取方法得到每个路面区域范围内多条车道的范围，具体为：

如图3所示，以地球中心为原点，构建全局三维笛卡尔坐标系O-XYZ；

以每组道路区域的路面区域左侧路肩线起始点为原点，平行于道路断面为x轴，垂直于道路断面为y轴，构建局部二维平面坐标系o-xy。

以等间距d获取左侧路肩线的特征点，表示为：

e_k,t＝{(longitude_k,t,latitude_k,t,altitude_k,t)}

1≤k≤s

1≤t≤v

其中，e_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点，特征点e_k,t的经度坐标为longitude_k,t，特征点e_k,t的维度坐标为latitude_k,t，特征点e_k,t的高度坐标为altitude_k,t，s表示过滤后道路区域三维点云数据的组数，采样点的个数为v。

将e_k,t的坐标转换由经纬度球形坐标系转换为三维笛卡尔坐标系为：

其中，(SX_k,t,SY_k,t,SZ_k,t)为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点的三维笛卡尔坐标，SX_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点X轴坐标，SY_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点的Y轴坐标，SZ_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点Z轴坐标，R为地球半径。

获取矢量道线数据中的车道数和车道宽度属性，设单向车道数为u，车道宽度为w，则第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线表示为：

l_k,h,t＝{(lx_k,h,t,ly_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中l_k,h,t为第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的第t个特征点，lx_k,h,t为l_k,h,t的横轴坐标，ly_h,t为l_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数。

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线特征点为：

其中，(lx_k,h,t,ly_k,h,t)为第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线第t个特征点l_k,h,t的坐标，lx_k,h,t为l_k,h,t的横轴坐标，ly_h,t为l_k,h,t的纵轴坐标，w为车道宽度。

则第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线表示为：

r_k,h,t＝{(rx_k,h,t,ry_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中r_k,h,t为第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的第t个特征点，rx_k,h,t为r_k,h,t的横轴坐标，ry_h,t为r_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数。

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线特征点为：

其中，(rx_k,h,t,ry_k,h,t)为第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线第t个特征点的坐标，rx_k,h,t为r_k,h,t的横轴坐标，ry_h,t为r_k,h,t的纵轴坐标，w为车道宽度；

将第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线采样点、第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线采样点分别进行曲线拟合得到第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线。

根据第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的起始点、第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的终止点、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的起始点、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的终止点构成第k组过滤后道路区域的路面区域第h条车道的范围；

第k组过滤后道路区域的路面区域范围内所有车道组成的范围即为第k组过滤后道路区域的路面区域范围内多条车道的范围。

步骤3通过车道中心线提取方法得到每个道路区域范围内每条车道范围内车道中心线，具体为：

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域范围内第h条车道范围的车道中心线表示为：

c_k,h,t＝{(cx_k,h,t,cy_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中，c_k,h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的车道中心线的第t个特征点，cx_h,t为c_k,h,t的横轴坐标，cy_h,t为c_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数；

则第k组过滤后道路区域的路面区域范围内第h条车道中心线采样点位置坐标为：

其中，c_k,h,t为第k组过滤后道路区域的路面区域范围内第h条车道中心线第t个采样点，l_h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的左侧车道边线第t个采样点，r_h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的右侧车道边线第t个采样点。

根据路肩采样点的全局笛卡尔坐标以及车道中心线采样点的局部二维平面坐标，基于七参数转换法计算求得车道中心线采样点的全局三维笛卡尔坐标；

设七参数转换法中的缩放系数为Scale，旋转角度为(α_x,α_y,0)，则转换公式为：

其中，(X_k,h,t,Y_k,h,t,Z_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个特征点的全局三维笛卡尔坐标，(SX_k,t,SY_k,t,SZ_k,t)第k组过滤后路面区域左侧路肩线第t个特征点的三维笛卡尔坐标，(cx_k,h,t，cy_k,h,t)为第k组过滤后道路区域的路面区域范围内第h条车道中心线第t个特征点的二维坐标，Scale为缩放系数，(α_x,α_y,0)为旋转角度。

将车道中心线采样点的三维笛卡尔坐标转换为经纬度球形坐标，则转换公式为：

/>

其中，(Lon_k,h,t,Lat_k,h,t,Alt_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个采样点的经纬度球形坐标，(X_k,h,t,Y_k,h,t,Z_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个特征点的全局三维笛卡尔坐标；

根据车道中心线采样点集合，通过贝塞尔曲线拟合可以得到车道中心线。

通过以上方法可以计算得到每组道路区域的路面区域范围内每条车道范围内的车道中心线；

步骤4：将每组道路区域的路面区域范围内每条车道范围内的车道中心线通过微观交通模拟方法得到多台车辆轨迹数据；

步骤5：将多台车辆轨迹数据结合目标城市区域的数字高程模型数据通过车辆姿态校正方法处理得到多台车辆校正后轨迹数据；

步骤5所述通过车辆姿态校正方法处理得到每台车辆校正后轨迹数据，具体为：

设多台车辆轨迹数据中第c辆车的轨迹表示为:

Track_c＝{Time_f,(PLon_c,f,PLat_c,f,PAlt_c,f)}

1≤C≤b

1≤f≤g

其中，Track_c为多台车辆轨迹数据中第c辆车的轨迹，Time_f为f时刻，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标，PLon_c,f为多台车辆轨迹数据中第c辆车在f时刻的经度坐标，PLat_c,f为多台车辆轨迹数据中第c辆车在f时刻的维度坐标，PAlt_c,f为多台车辆轨迹数据中第c辆车在f时刻的高度坐标，b为车辆总数，g为时间序列数；

如图4所示，将多台车辆轨迹数据中第c辆车在f时刻的高度坐标通过目标城市区域的数字高程模型查询得到：

PAlt_c,f＝Terrain(PLon_c,f,PLat_c,f)

其中，PAlt_c,f为多台车辆轨迹数据中第c辆车在f时刻的高度坐标，Terrain为数字高程模型，PLon_c,f为多台车辆轨迹数据中第c辆车在f时刻该车辆的经度坐标，PLat_c,f为多台车辆轨迹数据中第c辆车在f时刻该车辆的维度坐标。

将多台车辆轨迹数据中第c辆车在f时刻和多台车辆轨迹数据中第c辆车在f+1时刻之间进行插值得到多个插值点；

所述计算每个插值点的位置坐标和车辆行驶方向，具体如下：

如图5所示，将多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标转换为三维笛卡尔坐标为：

其中，(PX_c,f,PY_c,f,PZ_c,f)为多台车辆轨迹数据中第c辆车在f时刻的三维笛卡尔坐标，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标，R为地球半径。

则多台车辆轨迹数据中第c辆车位于Time_c,f时刻和Time_c,f+1时刻之间车辆的行驶方向为：

其中，为多台车辆轨迹数据中第c辆车在f时刻至f+1时刻之间的行驶方向，(PX_c,f,PY_c,f,PZ_c,f)为多台车辆轨迹数据中第c辆车在f时刻的三维笛卡尔坐标，(PX_c,f+1,PY_c,f+1,PZ_c,f+1)为多台车辆轨迹数据中第c辆车在f+1时的三维笛卡尔坐标；

以ΔT为步长对多台车辆轨迹数据中第c辆车在f时刻至f+1时刻之间进行插值，则第a个插值点的可以计算为：

其中，(PLon_c,f,a,PLat_c,f,a,PAlt_c,f,a)为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的经纬度球形位置坐标，PLon_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的经度坐标，PLat_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的维度坐标，PAlt_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的高度坐标，△T为采样时间步长，Time_c,f+1为多台车辆轨迹数据中第c辆车f+1时刻，Time_c,f为多台车辆轨迹数据中第c辆车f时刻；

步骤6：将多台车辆校正后轨迹数据进行四叉树分块组织处理得到分块组织后多台车辆轨迹数据；

步骤6所述将多台车辆校正后轨迹数据进行四叉树分块组织处理得到分块组织后多台车辆轨迹数据，具体为：

如图6所示，设多台车辆校正后轨迹数据中第c辆车的轨迹经纬度范围为(MinLon_c，MaxLon_c，MinLat_c，MaxLat_c)，金字塔的层级为Level，则其对应的四叉树行列范围(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为：

其中，Level为金字塔层级，(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为多台车辆校正后轨迹数据中第c辆车的轨迹范围所在金字塔层级为Level的行列范围，(MinLon_c，MaxLon_c，MinLat_c，MaxLat_c)为多台车辆轨迹数据中第c辆车的轨迹经纬度范围，Floor为向下取整函数；

如图7所示，则多台车辆校正后轨迹数据中第c辆车经过四叉树分块组织处理得到分块组织后的轨迹数据为：

Tile_c＝{(Level,Row_c,Colume_c),Time_f,(PLon_c,f,PLat_c,f,PAlt_c,f)}

1≤C≤b

1≤f≤g

MinRow_c≤Row_c≤MaxRow_c

MinColume_c≤Colume≤MaxColume_c

其中，Tile_c为多台车辆校正后轨迹数据中第c辆车经过四叉树分块组织处理得到分块组织后的轨迹数据，(Level，Row_c，Column_c)为多台车辆校正后轨迹数据中第c辆车的轨迹经过的四叉树瓦片所在的金字塔层级、行号、列号，Time_f为f时刻，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆校正后轨迹数据中第c辆车在f时刻的经纬度球形坐标，b为车辆总数，g为时间序列数，(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为多台车辆校正后轨迹数据中第c辆车的轨迹范围所在金字塔层级为Level的行列范围。

步骤7：将分块组织后多台车辆轨迹数据、目标城市区域的实景三维模型数据进行数据图层叠加处理生成动态交通三维场景，用于城市交通规划与预测实际应用。

基于实景三维城市的动态交通模拟效果如图8所示。

本发明中所描述的具体实施案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案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 (6)

1.一种基于实景三维城市的动态交通模拟方法，其特征在于，包括以下步骤：

步骤1：引入目标城市区域的实景三维模型数据、目标城市区域的三维点云数据、目标城市区域的数字高程模型数据、目标城市区域的矢量道路线数据，将目标城市区域的三维点云数据根据目标城市区域的矢量道路线数据划分为多组道路区域三维点云数据；

步骤2：将多组道路区域三维点云数据根据一定的高度进行点云过滤处理得到多组过滤后道路区域三维点云数据，结合每组过滤后道路区域三维点云数据中每个三维点云的位置、每组过滤后道路区域三维点云数据中每个三维点云的高度、每组过滤后道路区域三维点云数据中每个三维点云的法线与垂直于路面方向的夹角筛选出每组过滤后道路区域三维点云数据中的所有路肩点云，将每组过滤后道路区域三维点云数据中的所有路肩点云根据每组道路区域三维点云对应的矢量道路线多个特征点进行位置过滤划分为每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云，将每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云分别进行曲线拟合得到每组道路区域左侧路肩线、每组道路区域右侧路肩线，结合每组道路区域左侧路肩线、每组道路区域右侧路肩线构建每组道路区域的路面区域范围；

步骤3：根据每组道路区域的路面区域范围以及对应的矢量道路线，通过车道提取方法得到每组道路区域的路面区域范围内多条车道的范围，根据每个路面区域范围内每条车道的范围，通过车道中心线提取方法得到每组道路区域的路面区域范围内每条车道范围内的车道中心线；

步骤4：将每组道路区域的路面区域范围内每条车道范围内的车道中心线通过微观交通模拟方法得到多台车辆轨迹数据；

步骤5：将多台车辆轨迹数据结合目标城市区域的数字高程模型数据通过车辆姿态校正方法处理得到多台车辆校正后轨迹数据；

步骤6：将多台车辆校正后轨迹数据进行四叉树分块组织处理得到分块组织后多台车辆轨迹数据；

步骤7：将分块组织后多台车辆轨迹数据、目标城市区域的实景三维模型数据进行数据图层叠加处理生成动态交通三维场景，用于城市交通规划与预测实际应用。

2.根据权利要求1所述的基于实景三维城市的动态交通模拟方法，其特征在于，步骤1所述目标城市区域的三维点云数据根据目标城市区域的矢量道路线数据划分为s组道路区域三维点云数据，其中s为正整数。

3.根据权利要求1所述的基于实景三维城市的动态交通模拟方法，其特征在于，步骤2所述每组过滤后道路区域三维点云数据为：

p_k,i＝{h_k,i,θ_k,i,(px_k,i,py_k,i)}

1≤k≤s

1≤i≤m

其中，p_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标；

步骤2所述每组过滤后道路区域三维点云数据中每个三维点云的高度为：

h_k,i

1≤k≤s

1≤i≤m

其中，h_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的高度，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述每组过滤后道路区域三维点云数据中每个三维点云的法线与垂直于路面方向的夹角点云法线与垂直于路面方向的夹角为：

θ_k,i

1≤k≤s

1≤i≤m

其中，θ_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的法线与垂直于路面方向的夹角，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述筛选出每组过滤后道路区域三维点云数据中的所有路肩点云为：

设夹角阈值为α、路面基准高度为h₀、高度差阈值为H，则每组过滤后道路区域三维点云数据中的所有路肩点云需满足如下条件：

1≤k≤s

1≤i≤m

其中，h_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的高度，θ_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的法线与垂直于路面方向的夹角，m表示第k组过滤后道路区域三维点云数据中三维点云的数量，s表示过滤后道路区域三维点云数据的组数；

步骤2所述将每组过滤后道路区域三维点云数据中的所有路肩点云根据每组道路区域三维点云对应的矢量道路线进行位置过滤划分为每组道路区域左侧路肩点云、每组道路区域左侧路肩点云右侧路肩点云，具体为：

步骤2所述每组道路区域三维点云对应的矢量道路线表示为：

q_k,j＝{(qx_k,j,qy_k,j)}

1≤k≤s

1≤j≤n

其中，q_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点，n为第k组道路区域三维点云对应的矢量道路线特征点的数量，qx_k,j为矢量道路线特征点q_k,j的位置横坐标，qy_k,j为矢量道路线特征点q_k,j的位置横坐标，s表示过滤后道路区域三维点云数据的组数，n表示第k组道路区域三维点云对应的矢量道路线的特征点个数；

第k组过滤后道路区域三维点云数据中三维点云属于第k组道路区域左侧路肩点云需满足条件：

(qx_k,j+1-qx_k,j)(py_k,i-qy_k,j)-(qy_k,j+1-qy_k,j)(px_k,i-qx_k,j)＞0

其中，px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，qx_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qy_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qx_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标，qy_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标；

第k组过滤后道路区域三维点云数据中三维点云属于第k组道路区域右侧路肩点云需满足条件：

(qx_k,j+1-qx_k,j)(py_k,i-qy_k,j)-(qy_k,j+1-qy_k,j)(px_k,i-qx_k,j)＜0

其中，px_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，py_k,i为第k组过滤后道路区域三维点云数据中第i个三维点云的位置横坐标，qx_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qy_k,j为第k组道路区域三维点云对应的矢量道路线第j个特征点的位置横坐标，qx_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标，qy_k,j+1为第k组道路区域三维点云对应的矢量道路线第j+1个特征点的位置横坐标；

将第k组过滤后道路区域三维点云数据中所有三维点云属于第k组道路区域左侧路肩点云构成步骤2所述每组道路区域左侧路肩点云，进行曲线拟合得到每组道路区域左侧路肩线；

将第k组过滤后道路区域三维点云数据中所有三维点云属于第k组道路区域右侧路肩点云构成步骤2所述每组道路区域右侧路肩点云，进行曲线拟合得到每组道路区域右侧路肩线；

步骤2所述结合每组道路区域左侧路肩线、每组道路区域右侧路肩线构建每组道路区域的路面区域范围，具体为：

根据每组过滤后道路区域三维点云数据中道路左侧路肩线的起始点、每组过滤后道路区域三维点云数据中道路左侧路肩线的终止点、每组过滤后道路区域三维点云数据中道路右侧路肩线的起始点、每组过滤后道路区域三维点云数据中道路右侧路肩线的终止点每组道路区域的路面区域范围。

4.根据权利要求1所述的基于实景三维城市的动态交通模拟方法，其特征在于，步骤3通过车道提取方法得到每个路面区域范围内多条车道的范围，具体为：

以地球中心为原点，构建全局三维笛卡尔坐标系O-XYZ；

以每组道路区域的路面区域左侧路肩线起始点为原点，平行于道路断面为x轴，垂直于道路断面为y轴，构建局部二维平面坐标系o-xy；

以等间距d获取左侧路肩线的特征点，表示为：

e_k,t＝{(longitude_k,t,latitude_k,t,altitude_k,t)}

1≤k≤s

1≤t≤v

其中，e_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点，特征点e_k,t的经度坐标为longitude_k,t，特征点e_k,t的维度坐标为latitude_k,t，特征点e_k,t的高度坐标为altitude_k,t，s表示过滤后道路区域三维点云数据的组数，采样点的个数为v；

将e_k,t的坐标转换由经纬度球形坐标系转换为三维笛卡尔坐标系为：

其中，(SX_k,t,SY_k,t,SZ_k,t)为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点的三维笛卡尔坐标，SX_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点X轴坐标，SY_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点的Y轴坐标，SZ_k,t为第k组过滤后道路区域的路面区域左侧路肩线第t个特征点Z轴坐标，R为地球半径；

获取矢量道线数据中的车道数和车道宽度属性，设单向车道数为u，车道宽度为w，则第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线表示为：

l_k,h,t＝{(lx_k,h,t,ly_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中l_k,h,t为第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的第t个特征点，lx_k,h,t为l_k,h,t的横轴坐标，ly_h,t为l_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数；

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线特征点为：

其中，(lx_k,h,t,ly_k,h,t)为第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线第t个特征点l_k,h,t的坐标，lx_k,h,t为l_k,h,t的横轴坐标，ly_h,t为l_k,h,t的纵轴坐标，w为车道宽度；

则第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线表示为：

r_k,h,t＝{(rx_k,h,t,ry_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中r_k,h,t为第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的第t个特征点，rx_k,h,t为r_k,h,t的横轴坐标，ry_h,t为r_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数；

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线特征点为：

其中，(rx_k,h,t,ry_k,h,t)为第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线第t个特征点的坐标，rx_k,h,t为r_k,h,t的横轴坐标，ry_h,t为r_k,h,t的纵轴坐标，w为车道宽度；

将第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线采样点、第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线采样点分别进行曲线拟合得到第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线；

根据第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的起始点、第k组过滤后道路区域的路面区域第h条车道范围的左侧车道边线的终止点、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的起始点、第k组过滤后道路区域的路面区域第h条车道范围的右侧车道边线的终止点构成第k组过滤后道路区域的路面区域第h条车道的范围；

第k组过滤后道路区域的路面区域范围内所有车道组成的范围即为第k组过滤后道路区域的路面区域范围内多条车道的范围；

步骤3通过车道中心线提取方法得到每个道路区域范围内每条车道范围内车道中心线，具体为：

在局部二维平面坐标系o-xy下，第k组过滤后道路区域的路面区域范围内第h条车道范围的车道中心线表示为：

c_k,h,t＝{(cx_k,h,t,cy_k,h,t)}

1≤k≤s

1≤h≤u

1≤t≤v

其中，c_k,h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的车道中心线的第t个特征点，cx_h,t为c_k,h,t的横轴坐标，cy_h,t为c_k,h,t的纵轴坐标，s表示过滤后道路区域三维点云数据的组数，u为车道数，v为采样点个数；

则第k组过滤后道路区域的路面区域范围内第h条车道中心线采样点位置坐标为：

其中，c_k,h,t为第k组过滤后道路区域的路面区域范围内第h条车道中心线第t个采样点，l_h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的左侧车道边线第t个采样点，r_h,t为第k组过滤后道路区域的路面区域范围内第h条车道范围的右侧车道边线第t个采样点；

根据路肩采样点的全局笛卡尔坐标以及车道中心线采样点的局部二维平面坐标，基于七参数转换法计算求得车道中心线采样点的全局三维笛卡尔坐标；

设七参数转换法中的缩放系数为Scale，旋转角度为(α_x,α_y,0)，则转换公式为：

其中，(X_k,h,t,Y_k,h,t,Z_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个特征点的全局三维笛卡尔坐标，(SX_k,t,SY_k,t,SZ_k,t)第k组过滤后路面区域左侧路肩线第t个特征点的三维笛卡尔坐标，(cx_k,h,t，cy_k,h,t)为第k组过滤后道路区域的路面区域范围内第h条车道中心线第t个特征点的二维坐标，Scale为缩放系数，(α_x,α_y,0)为旋转角度；

将车道中心线采样点的三维笛卡尔坐标转换为经纬度球形坐标，则转换公式为：

其中，(Lon_k,h,t,Lat_k,h,t,Alt_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个采样点的经纬度球形坐标，(X_k,h,t,Y_k,h,t,Z_k,h,t)为第k组过滤后路面区域第h条车道中心线第t个特征点的全局三维笛卡尔坐标；

根据车道中心线采样点集合，通过贝塞尔曲线拟合可以得到车道中心线；

通过以上方法可以计算得到每组道路区域的路面区域范围内每条车道范围内的车道中心线。

5.根据权利要求1所述的基于实景三维城市的动态交通模拟方法，其特征在于，步骤5所述通过车辆姿态校正方法处理得到每台车辆校正后轨迹数据，具体为：

设多台车辆轨迹数据中第c辆车的轨迹表示为:

Track_c＝{Time_f,(PLon_c,f,PLat_c,f,PAlt_c,f)}

1≤C≤b

1≤f≤g

其中，Track_c为多台车辆轨迹数据中第c辆车的轨迹，Time_f为f时刻，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标，PLon_c,f为多台车辆轨迹数据中第c辆车在f时刻的经度坐标，PLat_c,f为多台车辆轨迹数据中第c辆车在f时刻的维度坐标，PAlt_c,f为多台车辆轨迹数据中第c辆车在f时刻的高度坐标，b为车辆总数，g为时间序列数；

然后，将多台车辆轨迹数据中第c辆车在f时刻的高度坐标通过目标城市区域的数字高程模型查询得到：

PAlt_c,f＝Terrain(PLon_c,f,PLat_c,f)

其中，PAlt_c,f为多台车辆轨迹数据中第c辆车在f时刻的高度坐标，Terrain为数字高程模型，PLon_c,f为多台车辆轨迹数据中第c辆车在f时刻该车辆的经度坐标，PLat_c,f为多台车辆轨迹数据中第c辆车在f时刻该车辆的维度坐标；

将多台车辆轨迹数据中第c辆车在f时刻和多台车辆轨迹数据中第c辆车在f+1时刻之间进行插值得到多个插值点；

所述计算每个插值点的位置坐标和车辆行驶方向，具体如下：

将多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标转换为三维笛卡尔坐标为：

其中，(PX_c,f,PY_c,f,PZ_c,f)为多台车辆轨迹数据中第c辆车在f时刻的三维笛卡尔坐标，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆轨迹数据中第c辆车在f时刻的经纬度球形坐标，R为地球半径；

则多台车辆轨迹数据中第c辆车位于Time_c,f时刻和Time_c,f+1时刻之间车辆的行驶方向为：

其中，为多台车辆轨迹数据中第c辆车在f时刻至f+1时刻之间的行驶方向，(PX_c,f,PY_c,f,PZ_c,f)为多台车辆轨迹数据中第c辆车在f时刻的三维笛卡尔坐标，(PX_c,f+1,PY_c,f+1,PZ_c,f+1)为多台车辆轨迹数据中第c辆车在f+1时的三维笛卡尔坐标；

以ΔT为步长对多台车辆轨迹数据中第c辆车在f时刻至f+1时刻之间进行插值，则第a个插值点的可以计算为：

其中，(PLon_c,f,a,PLat_c,f,a,PAlt_c,f,a)为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的经纬度球形位置坐标，PLon_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的经度坐标，PLat_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的维度坐标，PAlt_c,f,a为多台车辆轨迹数据中第c辆车在f时刻与f+1时刻之间第a个插值点的高度坐标，△T为采样时间步长，Time_c,f+1为多台车辆轨迹数据中第c辆车f+1时刻，Time_c,f为多台车辆轨迹数据中第c辆车f时刻。

6.根据权利要求1所述的基于实景三维城市的动态交通模拟方法，其特征在于，步骤6所述将多台车辆校正后轨迹数据进行四叉树分块组织处理得到分块组织后多台车辆轨迹数据，具体为：

设多台车辆校正后轨迹数据中第c辆车的轨迹经纬度范围为(MinLon_c，MaxLon_c，MinLat_c，MaxLat_c)，金字塔的层级为Level，则其对应的四叉树行列范围(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为：

其中，Level为金字塔层级，(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为多台车辆校正后轨迹数据中第c辆车的轨迹范围所在金字塔层级为Level的行列范围，(MinLon_c，MaxLon_c，MinLat_c，MaxLat_c)为多台车辆轨迹数据中第c辆车的轨迹经纬度范围，Floor为向下取整函数；

则多台车辆校正后轨迹数据中第c辆车经过四叉树分块组织处理得到分块组织后的轨迹数据为：

Tile_c＝{(Level,Row_c,Colume_c),Time_f,(PLon_c,f,PLat_c,f,PAlt_c,f)}

1≤C≤b

1≤f≤g

MinRow_c≤Row_c≤MaxRow_c

MinColume_c≤Colume≤MaxColume_c

其中，Tile_c为多台车辆校正后轨迹数据中第c辆车经过四叉树分块组织处理得到分块组织后的轨迹数据，(Level，Row_c，Column_c)为多台车辆校正后轨迹数据中第c辆车的轨迹经过的四叉树瓦片所在的金字塔层级、行号、列号，Time_f为f时刻，(PLon_c,f,PLat_c,f,PAlt_c,f)为多台车辆校正后轨迹数据中第c辆车在f时刻的经纬度球形坐标，b为车辆总数，g为时间序列数，(MinRow_c，MaxRow_c，MinColumn_c，MaxColumn_c)为多台车辆校正后轨迹数据中第c辆车的轨迹范围所在金字塔层级为Level的行列范围。