CN114818905A - 一种基于基站切换数据的车速估计误差的评价方法及系统 - Google Patents
一种基于基站切换数据的车速估计误差的评价方法及系统 Download PDFInfo
- Publication number
- CN114818905A CN114818905A CN202210423409.9A CN202210423409A CN114818905A CN 114818905 A CN114818905 A CN 114818905A CN 202210423409 A CN202210423409 A CN 202210423409A CN 114818905 A CN114818905 A CN 114818905A
- Authority
- CN
- China
- Prior art keywords
- base station
- data
- point
- vehicle
- station switching
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010295 mobile communication Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000001186 cumulative effect Effects 0.000 description 10
- 238000005315 distribution function Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于基站切换数据的车速估计误差的评价方法及系统,该方法包括以下步骤:步骤S1:不断获取车辆在移动过程中不同时刻的数据,包括移动通信服务相关数据和位置数据,形成数据集;步骤S2:通过K‑mean聚类对数据集中数据进行聚类,获得两组基站切换数据,并确定各组基站切换数据的基准点位置;步骤S3:基于步骤S2确定的基准点建立基准线,将基站切换数据中的数据点投影到基准线上并计算基准点与基站切换数据中的数据点在基准线上的对应点之间的距离;步骤S4:计算获得基站切换数据的期望和标准差,以此计算行驶速度估计的误差并输出结果。该方法及系统有利于方便、快捷地分析评价行驶速度估计的误差。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于基站切换数据的车速估计误差的评价方法及系统。
背景技术
随着通信和信息技术的发展,移动网络数据在获取交通信息方面发挥着重要作用,例如行车速度估计、交通拥堵状况等。
现有研究表明,基站切换数据是估计行进速度和行进时间的关键要素。Gundlegard等人得出的结论是城市环境中的旅行时间可以通过GSM和UMTS中的切换数据来估计。在此之后,Janecek等人研究了使用2G/3G网络信令数据来估计旅行时间。最近,Meniem等人研究出了一种使用基站收发站(BTS)来估计车速的方法,Yang等人根据Hellinga等人提出的模型通过使用中国成都的基站切换数据研究了一种城市主干道的行程时间估计模型。
从2G到4G,研究人员已经提出了许多基于基站切换数据的行进速度估计方法。然而,目前却没有什么方法能够分析基于基站切换的行驶速度估计的误差。并且行驶速度也在随着科技的发展逐渐加快,这些对于行驶速度估计方法提出了挑战,并且较大的误差会导致这些方法的结果不准确。
发明内容
本发明的目的在于提供一种基于基站切换数据的车速估计误差的评价方法及系统,该方法及系统有利于方便、快捷地分析行驶速度估计的误差。
为实现上述目的,本发明采用的技术方案是:一种基于基站切换数据的车速估计误差的评价方法,包括以下步骤:
步骤S1:不断获取车辆在移动过程中不同时刻的数据,包括移动通信服务相关数据和位置数据,形成数据集;
步骤S2:通过K-mean聚类对数据集中数据进行聚类,以获得两组基站切换数据,并确定各组基站切换数据的基准点位置;
步骤S3:基于步骤S2确定的基准点建立基准线,将基站切换数据中的数据点投影到基准线上并计算基准点与基站切换数据中的数据点在基准线上的对应点之间的距离;
步骤S4:基于步骤S3得到的基准点与基站切换数据中的数据点在基准线上的对应点之间的距离,计算获得基站切换数据的期望和标准差,以此计算行驶速度估计的误差并输出结果。
进一步地,所述步骤S1中,移动通信服务相关数据包括:移动基站的时间戳、移动网络代码、位置区域代码和手机信号覆盖区域的ID,位置数据为通过GPS模块获取的车辆所在位置的经度和纬度。
进一步地,所述步骤S2包括以下步骤:
步骤S201:确定K值为2,即将数据集聚类到2个集合;
步骤S202:从数据集中随机选择2个数据点作为质心;
步骤S203:对数据集中每一个数据点,使用欧式距离计算其与每一个质心的距离,离哪个质心近,就划分到那个质心所属的集合;
步骤S204:把所有数据归好集合后,重新计算每个集合的质心;
步骤S205:如果新计算出来的质心和原来的质心之间的距离小于设定的阈值,认为聚类已经达到期望的结果,计算结束,得到的两个质心即为2个集合的基准点,得到的2个集合即为两组基站切换数据;否则返回步骤S203~S205继续迭代。
进一步地,所述步骤S3的具体实现方法为:
假设所有的基站切换数据点在一条基准线上,基于两组基站切换数据的基准点采用如下公式建立所述基准线:
其中,(x1,y1)表示第一个基准点坐标,x1为第一个基准点的经度,y1为第一个基准点的纬度;(x2,y2)表示第二个基准点坐标,x2为第二个基准点的经度,y2为第二个基准点的纬度,x和y分别表示用所述基准线的自变量和因变量;
将基站切换数据中的数据点对应到所述基准线上;实际基站切换数据中的数据点在基准线上的对应点(ak,βk)通过最小二乘法计算;通过如下的球距离公式计算两个基准点与基站切换数据点在基准线上的对应点之间的距离L:
其中,R0为地球平均半径,α1和α2为基准点与基站切换数据中的数据点在基准线上的对应点的经度,β1和β2为基准点与基站切换数据中的数据点在基准线上的对应点的纬度,π为圆周率。
进一步地,所述步骤S4的具体实现方法为:
车辆j在位置li,j以及时间ti,j执行从基站(i-1)到基站(i)的基站切换,车辆j在位置li+1,j以及时间ti+1,j执行从基站(i)到基站(i+1)的基站切换;车辆j的实际行驶速度Ui,j用如下公式表示:
其中,Ti,j表示时间ti,j和时间ti+1,j之间的时间差,(li+1,j-li,j)表示车辆j从ti+1,j到ti,j的实际行驶距离;
车辆j的估计行驶速度ui,j通过如下公式计算:
其中,li表示多次从基站(i-1)到基站(i)的基站切换的平均位置,li+1表示多次从基站(i)到基站(i+1)的基站切换的平均位置,(li+1-li)表示估计行驶距离;
车辆j的实际行驶距离Di,j与估计行驶距离di之间的关系如下:
Di,j=li+1,j-li,j=di+∈i,j+∈i+1,j
其中,从位置li到位置li+1的估计行驶距离为di,车辆j从基站(i-1)到基站(i)的位置误差∈i,j,车辆j从基站(i)到基站(i+1)的位置误差是∈i+1,j;
因此,位置li到位置li+1之间的估计行驶距离的均方误差MSE通过如下公式计算:
其中,Di,j表示位置li到位置li+1之间的实际行驶距离,di表示位置li到位置li+1之间的估计行驶距离,∈i,j表示车辆j在位置li的位置误差,∈i+1,j表示车辆j在位置li+1的位置误差;
进一步,从位置li到位置li+1之间的估计行驶距离的均方误差MSE通过如下公式计算:
其中,∈i,j表示车辆j在位置li的位置误差,∈i+1,j表示车辆j在位置li+1的位置误差,位置误差∈i,j的概率密度函数为Pi(∈i,j),位置误差∈i+1,j的概率密度函数为Pi+1(∈i+1,j);
两组基站切换数据中的数据均符合正态分布,即从位置li到位置li+1的估计行驶距离的均方误差MSE由下面公式计算:
其中,PN(∈i,j,μi,σi)表示位置误差∈i,j的概率密度函数,μi表示在位置li的期望,σi表示在位置li的标准差;PN(∈i+1,j,μi+1,σi+1)表示位置误差∈i+1,j的概率密度函数,μi+1表示在位置li+1的期望,σi表示在位置li+1的标准差;
计算两组基站切换数据的平均值和标准偏差,通过如下的公式计算得出均方误差MSE:
MSE=(μ1-μ2)2+σ1 2+σ2 2
其中,μ1表示第一切换组数据所得出的期望,μ2表示第二切换组数据所得出的期望;σ1表示第一切换组数据所得出的标准差,σ2表示第二切换组数据所得出的标准差。
本发明还提供了一种基于基站切换数据的车速估计误差的评价系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现上述的方法步骤。
与现有技术相比,本发明具有以下有益效果:提供了一种基于基站切换数据的车速估计误差的评价方法及系统,该方法可应用于分析和检测未来的道路拥堵,通过从路由器收集CellID和基站切换数据,可以轻松估计两个或多个切换位置之间的车速和时间,以此分析路况,推断路段拥堵程度,为推进智慧城市建设提供新的解决方案。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例的实验环境示意图。
图3是本发明实施例中基站切换数据组1的正态分布曲线。
图4是本发明实施例中基站切换数据组2的正态分布曲线。
图5是本发明实施例中第1组的累积分布函数(CDF)和第1组的正态分布累积分布函数(CDFND)。
图6是本发明实施例中第2组的累积分布函数(CDF)和第2组的正态分布累积分布函数(CDFND)。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于基站切换数据的车速估计误差的评价方法,包括以下步骤:
步骤S1:不断获取车辆在移动过程中不同时刻的数据,包括移动通信服务相关数据和位置数据,形成数据集。
其中,移动通信服务相关数据包括:移动基站的时间戳、移动网络代码(MNC)、位置区域代码(LAC)和手机信号覆盖区域的ID(Cell ID),位置数据为通过GPS模块获取的车辆所在位置的经度和纬度。
步骤S2:通过K-mean聚类对数据集中数据进行聚类,以获得两组基站切换数据,并确定各组基站切换数据的基准点位置。
在本实施例中,K-mean聚类的具体实现过程如下:
步骤S201:确定K值为2,即将数据集聚类到2个集合;
步骤S202:从数据集中随机选择2个数据点作为质心;
步骤S203:对数据集中每一个数据点,使用欧式距离计算其与每一个质心的距离,离哪个质心近,就划分到那个质心所属的集合;
步骤S204:把所有数据归好集合后,重新计算每个集合的质心;
步骤S205:如果新计算出来的质心和原来的质心之间的距离小于设定的阈值(表示重新计算的质心的位置变化不大,趋于稳定,或者说收敛),认为聚类已经达到期望的结果,计算结束,得到的两个质心即为2个集合的基准点,得到的2个集合即为两组基站切换数据;否则返回步骤S203~S205继续迭代。
步骤S3:基于步骤S2确定的基准点建立基准线,将基站切换数据中的数据点投影到基准线上并计算基准点与基站切换数据中的数据点在基准线上的对应点之间的距离。
在本实施例中,所述步骤S3的具体实现方法为:
由于每组中的基站切换数据并不在确切的位置,因此假设所有的基站切换数据点在一条基准线上,基于两组基站切换数据的基准点采用如下公式建立所述基准线:
其中,(x1,y1)表示第一个基准点坐标,x1为第一个基准点的经度,y1为第一个基准点的纬度;(x2,y2)表示第二个基准点坐标,x2为第二个基准点的经度,y2为第二个基准点的纬度,x和y分别表示用所述基准线的自变量和因变量。
因为其余基站切换数据点在两个聚类点周围分布,不易在三维坐标中进行计算,因此我们把它们转换到另一空间,将它们对映到所述基准线上。实际基站切换数据中的数据点在基准线上的对应点(ak,βk)通过最小二乘法计算;通过如下的球距离公式计算两个基准点与基站切换数据点在基准线上的对应点之间的距离L:
其中,R0为地球平均半径,α1和α2为基准点与基站切换数据中的数据点在基准线上的对应点的经度,β1和β2为基准点与基站切换数据中的数据点在基准线上的对应点的纬度,π为圆周率。
步骤S4:基于步骤S3得到的基准点与基站切换数据中的数据点在基准线上的对应点之间的距离,计算获得基站切换数据的期望和标准差,以此计算行驶速度估计的误差并输出结果。
在本实施例中,所述步骤S4的具体实现方法为:
车辆j在位置li,j以及时间ti,j执行从基站(i-1)到基站(i)的基站切换,车辆j在位置li+1,j以及时间ti+1,j执行从基站(i)到基站(i+1)的基站切换;车辆j的实际行驶速度Ui,j用如下公式表示:
其中,Ti,j表示时间ti,j和时间ti+1,j之间的时间差,(li+1,j-li,j)表示车辆j从ti+1,j到ti,j的实际行驶距离。
车辆j的估计行驶速度ui,j通过如下公式计算:
其中,li表示多次从基站(i-1)到基站(i)的基站切换的平均位置,li+1表示多次从基站(i)到基站(i+1)的基站切换的平均位置,(li+1-li)表示估计行驶距离。
车辆j的实际行驶距离Di,j与估计行驶距离di之间的关系如下:
Di,j=li+1,j-li,j=di+∈i,j+∈i+1,j
其中,从位置li到位置li+1的估计行驶距离为di,车辆j从基站(i-1)到基站(i)的位置误差∈i,j,车辆j从基站(i)到基站(i+1)的位置误差是∈i+1,j。
因此,位置li到位置li+1之间的估计行驶距离的均方误差MSE通过如下公式计算:
其中,Di,j表示位置li到位置li+1之间的实际行驶距离,di表示位置li到位置li+1之间的估计行驶距离,∈i,j表示车辆j在位置li的位置误差,∈i+1,j表示车辆j在位置li+1的位置误差。
进一步,从位置li到位置li+1之间的估计行驶距离的均方误差MSE通过如下公式计算:
其中,∈i,j表示车辆j在位置li的位置误差,∈i+1,j表示车辆j在位置li+1的位置误差,位置误差∈i,j的概率密度函数为Pi(∈i,j),位置误差∈i+1,j的概率密度函数为Pi+1(∈i+1,j)。
两组基站切换数据中的数据均符合正态分布,即从位置li到位置li+1的估计行驶距离的均方误差MSE由下面公式计算:
其中,PN(∈i,j,μi,σi)表示位置误差∈i,j的概率密度函数,μi表示在位置li的期望,σi表示在位置li的标准差;PN(∈i+1,j,μi+1,σi+1)表示位置误差∈i+1,j的概率密度函数,μi+1表示在位置li+1的期望,σi表示在位置li+1的标准差。
计算两组基站切换数据的平均值和标准偏差,通过如下的公式计算得出均方误差MSE:
MSE=(μ1-μ2)2+σ1 2+σ2 2
其中,μ1表示第一切换组数据所得出的期望,μ2表示第二切换组数据所得出的期望;σ1表示第一切换组数据所得出的标准差,σ2表示第二切换组数据所得出的标准差。
在不考虑行驶时间影响的情况下,对于车速估计误差的评价可以看作是对于估计行驶距离的误差的评价。因此,可以以车辆估计行驶距离的均方误差来评价车速估计误差。
本实施例还提供了一种基于基站切换数据的车速估计误差的评价系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现上述的方法步骤。
在本实施例中,该系统为搭载麒麟980处理器,具有GPS模块和移动通信模块的运行Android 11的移动设备,在移动设备中运行一个用来采集相关信息的Android应用程序,并设有误差估计单元和输出单元。
麒麟980处理器作为处理器用来处理信息,GPS模块用来获取当前位置的经度和纬度,Android 11作为操作系统用来管理硬件与软件资源,Android应用程序用来运行代码以收集来自移动基站的时间戳、MNC(移动网络代码)、LAC(位置区域代码)、CellID(手机信号覆盖区域的ID)和GPS模块提供的当前位置的经度和纬度,误差估计单元用来运行基于基站切换数据的车速估计误差的评价方法并通过麒麟980处理器进行分析计算,输出单元输出结果。
实际实验
本实施例以如图2所示的实验环境进行实际实验,共有100条记录,收集到基站切换数据为16515次。由于GPS模块错误和地理情况,每条记录中发生的相同切换并非100%。通过K-mean聚类选择两个最常发生的基站切换位置作为基准,并进行分组。两个基站切换位置组之间的平均距离为626.96426m。本实验计算了32条记录(如表1所示),包括GPS模块坐标、来自移动基站的CellID和时间戳。
表1部分原始切换数据
ID | MNC | LAC | CellID | Latitude(°) | Longitude(°) |
1 | 0 | 24793 | 107845674 | 26.0597 | 119.1864 |
2 | 0 | 24793 | 107845674 | 25.0598 | 119.1881 |
3 | 0 | 24793 | 107845674 | 26.0551 | 119.1882 |
由于每组中的基站切换数据并不在确切的位置,因此假设这些点在一条基准线上,该基准线可以运用如下公式通过两个基站切换组的聚类点坐标来计算(见表2和图2)。
表2两组数据的聚类点的经度和纬度
Handoff Group | Group 1 | Group 2 |
Longitude(°) | 119.1882 | 119.1879 |
Latitude(°) | 26.0591 | 26.0535 |
基站切换数据点在基准线上的对应点(ak,βk)可以通过最小二乘法计算,其中ak为经度,βk为纬度。两个聚类点与其余基站切换数据点在基准线上的对应点之间的距离可以通过球距离公式计算。
对于数据分析,计算了两个切换组的平均值和标准偏差(如表3所示)。
表3两个切换组的均值和标准差
Handoff Group | Group 1 | Group 2 |
Mean | -0.30527705 | -0.30636040 |
Standard deviation | 5.15156223 | 5.88760628 |
误差估计单元建立模型并通过麒麟980处理器进行分析计算,得出均方误差。
实验结果验证
我们将一般正态分布转化为标准正态分布。切换组的实际正态分布曲线,如图3和图4所示。我们通过分别计算两组的累积分布函数(CDF)和正态分布累积分布函数(CDFND),并采用如下所表示的卡方检验来检验两组累积分布函数(CDF)曲线与正态分布累积分布函数曲线的偏差程度。
其中,X2表示卡方检验值,Ai表示在尺度参数为i*σ的实际概率,Ti表示在尺度参数为i*σ的理论概率。
结果表明,累积分布函数(CDF)与正态分布的累积分布函数(CDFND)之间的关系在98%的置信度内(如图5和图6所示)。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种基于基站切换数据的车速估计误差的评价方法,其特征在于,包括以下步骤:
步骤S1:不断获取车辆在移动过程中不同时刻的数据,包括移动通信服务相关数据和位置数据,形成数据集;
步骤S2:通过K-mean聚类对数据集中数据进行聚类,以获得两组基站切换数据,并确定各组基站切换数据的基准点位置;
步骤S3:基于步骤S2确定的基准点建立基准线,将基站切换数据中的数据点投影到基准线上并计算基准点与基站切换数据中的数据点在基准线上的对应点之间的距离;
步骤S4:基于步骤S3得到的基准点与基站切换数据中的数据点在基准线上的对应点之间的距离,计算获得基站切换数据的期望和标准差,以此计算行驶速度估计的误差并输出结果。
2.根据权利要求1所述的一种基于基站切换数据的车速估计误差的评价方法,其特征在于,所述步骤S1中,移动通信服务相关数据包括:移动基站的时间戳、移动网络代码、位置区域代码和手机信号覆盖区域的ID,位置数据为通过GPS模块获取的车辆所在位置的经度和纬度。
3.根据权利要求1所述的一种基于基站切换数据的车速估计误差的评价方法,其特征在于,所述步骤S2包括以下步骤:
步骤S201:确定K值为2,即将数据集聚类到2个集合;
步骤S202:从数据集中随机选择2个数据点作为质心;
步骤S203:对数据集中每一个数据点,使用欧式距离计算其与每一个质心的距离,离哪个质心近,就划分到那个质心所属的集合;
步骤S204:把所有数据归好集合后,重新计算每个集合的质心;
步骤S205:如果新计算出来的质心和原来的质心之间的距离小于设定的阈值,认为聚类已经达到期望的结果,计算结束,得到的两个质心即为2个集合的基准点,得到的2个集合即为两组基站切换数据;否则返回步骤S203~S205继续迭代。
4.根据权利要求1所述的一种基于基站切换数据的车速估计误差的评价方法,其特征在于,所述步骤S3的具体实现方法为:
假设所有的基站切换数据点在一条基准线上,基于两组基站切换数据的基准点采用如下公式建立所述基准线:
其中,(x1,y1)表示第一个基准点坐标,x1为第一个基准点的经度,y1为第一个基准点的纬度;(x2,y2)表示第二个基准点坐标,x2为第二个基准点的经度,y2为第二个基准点的纬度,x和y分别表示用所述基准线的自变量和因变量;
将基站切换数据中的数据点对应到所述基准线上;实际基站切换数据中的数据点在基准线上的对应点(ak,βk)通过最小二乘法计算;通过如下的球距离公式计算两个基准点与基站切换数据点在基准线上的对应点之间的距离L:
其中,R0为地球平均半径,α1和α2为基准点与基站切换数据中的数据点在基准线上的对应点的经度,β1和β2为基准点与基站切换数据中的数据点在基准线上的对应点的纬度,π为圆周率。
5.根据权利要求1所述的一种基于基站切换数据的车速估计误差的评价方法,其特征在于,所述步骤S4的具体实现方法为:
车辆j在位置li,j以及时间ti,j执行从基站(i-1)到基站(i)的基站切换,车辆j在位置li+1,j以及时间ti+1,j执行从基站(i)到基站(i+1)的基站切换;车辆j的实际行驶速度Ui,j用如下公式表示:
其中,Ti,j表示时间ti,j和时间ti+1,j之间的时间差,(li+1,j-li,j)表示车辆j从ti+1,j到ti,j的实际行驶距离;
车辆j的估计行驶速度ui,,j通过如下公式计算:
其中,li表示多次从基站(i-1)到基站(i)的基站切换的平均位置,li+1表示多次从基站(i)到基站(i+1)的基站切换的平均位置,(li+1-li)表示估计行驶距离;
车辆j的实际行驶距离Di,j与估计行驶距离di之间的关系如下:
Di,j=li+1,j-li,j=di+∈i,j+∈i+1,j
其中,从位置li到位置li+1的估计行驶距离为di,车辆j从基站(i-1)到基站(i)的位置误差∈i,j,车辆j从基站(i)到基站(i+1)的位置误差是∈i+1,j;
因此,位置li到位置li+1之间的估计行驶距离的均方误差MSE通过如下公式计算:
其中,Di,j表示位置li到位置li+1之间的实际行驶距离,di表示位置li到位置li+1之间的估计行驶距离,∈i,j表示车辆j在位置li的位置误差,∈i+1,j表示车辆j在位置li+1的位置误差;
进一步,从位置li到位置li+1之间的估计行驶距离的均方误差MSE通过如下公式计算:
其中,∈i,j表示车辆j在位置li的位置误差,∈i+1,j表示车辆j在位置li+1的位置误差,位置误差∈i,j的概率密度函数为Pi(∈i,j),位置误差∈i+1,j的概率密度函数为Pi+1(∈i+1,j);
两组基站切换数据中的数据均符合正态分布,即从位置li到位置li+1的估计行驶距离的均方误差MSE由下面公式计算:
其中,PN(∈i,j,μi,σi)表示位置误差∈i,j的概率密度函数,μi表示在位置li的期望,σi表示在位置li的标准差;PN(∈i+1,j,μi+1,σi+1)表示位置误差∈i+1,j的概率密度函数,μi+1表示在位置li+1的期望,σi表示在位置li+1的标准差;
计算两组基站切换数据的平均值和标准偏差,通过如下的公式计算得出均方误差MSE:
MSE=(μ1-μ2)2+σ1 2+σ2 2
其中,μ1表示第一切换组数据所得出的期望,μ2表示第二切换组数据所得出的期望;σ1表示第一切换组数据所得出的标准差,σ2表示第二切换组数据所得出的标准差。
6.一种基于基站切换数据的车速估计误差的评价系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-5任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210423409.9A CN114818905A (zh) | 2022-04-21 | 2022-04-21 | 一种基于基站切换数据的车速估计误差的评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210423409.9A CN114818905A (zh) | 2022-04-21 | 2022-04-21 | 一种基于基站切换数据的车速估计误差的评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818905A true CN114818905A (zh) | 2022-07-29 |
Family
ID=82505700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210423409.9A Pending CN114818905A (zh) | 2022-04-21 | 2022-04-21 | 一种基于基站切换数据的车速估计误差的评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818905A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050011419A (ko) * | 2003-07-23 | 2005-01-29 | 엘지전자 주식회사 | 디에스알씨 및 디지피에스 방식을 이용하여교통정보제공시스템에서 차량의 평균주행속도를 계산하는방법 및 시스템 |
CN102521973A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种手机切换定位的道路匹配方法 |
CN108734129A (zh) * | 2018-05-21 | 2018-11-02 | 上海应用技术大学 | 手机及车辆定位分析方法及系统 |
CN109243185A (zh) * | 2018-11-26 | 2019-01-18 | 南宁职业技术学院 | 一种基于lte移动基站协同测速系统及其测速方法 |
CN113574486A (zh) * | 2019-03-25 | 2021-10-29 | 洋马动力科技有限公司 | 自动行驶系统 |
-
2022
- 2022-04-21 CN CN202210423409.9A patent/CN114818905A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050011419A (ko) * | 2003-07-23 | 2005-01-29 | 엘지전자 주식회사 | 디에스알씨 및 디지피에스 방식을 이용하여교통정보제공시스템에서 차량의 평균주행속도를 계산하는방법 및 시스템 |
CN102521973A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种手机切换定位的道路匹配方法 |
CN108734129A (zh) * | 2018-05-21 | 2018-11-02 | 上海应用技术大学 | 手机及车辆定位分析方法及系统 |
CN109243185A (zh) * | 2018-11-26 | 2019-01-18 | 南宁职业技术学院 | 一种基于lte移动基站协同测速系统及其测速方法 |
CN113574486A (zh) * | 2019-03-25 | 2021-10-29 | 洋马动力科技有限公司 | 自动行驶系统 |
Non-Patent Citations (2)
Title |
---|
陈为平: ""Effect of free abrasive on sub-surface damage in rolling friction contact of optical lens"", 《INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》, 21 February 2019 (2019-02-21) * |
陈为平: ""新工科背景下高校3D打印工程实践教学现状及展望"", 《中国现代教育装备》, 31 May 2020 (2020-05-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106878951B (zh) | 用户轨迹分析方法及系统 | |
US7257413B2 (en) | Dynamic location almanac for wireless base stations | |
CN102521973B (zh) | 一种手机切换定位的道路匹配方法 | |
CN108534779B (zh) | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 | |
CN106454722A (zh) | 一种移动通信终端基于地图匹配的动态差分定位方法 | |
CN106530716A (zh) | 基于手机信令数据计算高速公路路段平均速度的方法 | |
US20160335894A1 (en) | Bus Station Optimization Evaluation Method and System | |
CN112288131B (zh) | 公交站点优化方法、电子设备及计算机可读存储介质 | |
Aly et al. | Accurate and energy-efficient GPS-less outdoor localization | |
CN104596507A (zh) | 一种移动终端出行轨迹的确定方法 | |
CN103929719B (zh) | 定位信息的优化方法和优化装置 | |
CN103179658A (zh) | 利用无线信号来定位的方法和定位服务器 | |
CN111436017A (zh) | 一种基于聚类算法的移动用户一人多卡识别方法 | |
CN111024098A (zh) | 一种基于低采样数据的机动车路径拟合算法 | |
CN104837114B (zh) | 用于确定用户的定位信息异常的方法和设备 | |
CN115795332A (zh) | 一种用户出行模式识别的方法 | |
CN111341135B (zh) | 基于兴趣点及导航数据的手机信令数据出行方式识别方法 | |
CN110727752B (zh) | 位置指纹库处理方法、设备及计算机可读存储介质 | |
CN114818905A (zh) | 一种基于基站切换数据的车速估计误差的评价方法及系统 | |
CN112182132A (zh) | 一种地铁用户的识别方法、系统、设备和存储介质 | |
CN114999162B (zh) | 一种道路交通流量获取方法和装置 | |
Ahn et al. | Crowd-assisted radio map construction for Wi-Fi positioning systems | |
CN114885369A (zh) | 网络覆盖质量检测处理方法、装置、电子设备和存储介质 | |
CN111787490A (zh) | 伪基站轨迹识别方法、装置、设备和存储介质 | |
CN108702729A (zh) | 构建无线定位特征库的方法及装置 |
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 |