CN115331433A - 基于多源数据的城市主干道多车轨迹重构方法 - Google Patents

基于多源数据的城市主干道多车轨迹重构方法 Download PDF

Info

Publication number
CN115331433A
CN115331433A CN202210898079.9A CN202210898079A CN115331433A CN 115331433 A CN115331433 A CN 115331433A CN 202210898079 A CN202210898079 A CN 202210898079A CN 115331433 A CN115331433 A CN 115331433A
Authority
CN
China
Prior art keywords
data
vehicle
floating
time
vehicles
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.)
Granted
Application number
CN202210898079.9A
Other languages
English (en)
Other versions
CN115331433B (zh
Inventor
任刚
徐泓基
诸赛
马景峰
曹奇
吴辰旸
邓玥
赵欣
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202210898079.9A priority Critical patent/CN115331433B/zh
Publication of CN115331433A publication Critical patent/CN115331433A/zh
Application granted granted Critical
Publication of CN115331433B publication Critical patent/CN115331433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于多源数据的城市主干道多车轨迹重构方法，包括S1、获取城市多源异构数据中的浮动车GPS数据与卡口视频数据；S2、根据主干道位置筛选卡口数据；S3、提取出卡口数据集中的车牌号码，作为数据融合的特征属性；S4、提取卡口数据集中的该车辆进入路段的时间与离开路段的时间，获取浮动车在主干道内的行程时间；S5、打开通过S4中所述路段的浮动车GPS文件，并以这行程时间为数据分割标准，分割GPS浮动车文件，得到所有浮动车在此路段上行驶的时间段内的数据。本发明有助于精准估计城市主干道交通状态，进而剖析交通拥堵传播规律，支撑城市拥堵治理决策分析。

Description

基于多源数据的城市主干道多车轨迹重构方法
技术领域
本发明涉及一种基于多源数据的城市主干道多车轨迹重构方法，属于交通大数据分析领域。
背景技术
城市主干道在城市交通系统中发挥着无可替代的重要作用，其运行水平直接影响着城市的经济发展状态。研究城市主干道上车辆时空轨迹重构方法，剖析车辆轨迹的时空分布规律，有助于精准估计城市路网交通状态、剖析交通拥堵传播规律，进而支撑城市拥堵治理决策分析。
车辆轨迹蕴含丰富的交通时空信息，在宏观交通参数估计、拥堵识别、交通管理与分析决策等方面都有着广泛的应用。大数据技术的广泛应用能够为车辆时空轨迹研究提供规模巨大、类型复杂、价值丰富的数据集，通过对数据集的深入挖掘提取车辆轨迹实时动态变化特征。
在交通大数据应用方面，传统的车辆轨迹重构方法是利用定点线圈、监控卡口等所观测的断面数据来估计车辆轨迹，但重构的车辆轨迹精确度与检测设备断面间隔具有一定相关性。部分研究利用自动车辆识别(Automatic Vehicle Identification，AVI)技术，可获取带有身份标签的车辆信息(车辆号牌、过车时刻、过车车道等)，以微观仿真方法进行车辆轨迹重构，但未能充分挖掘绿灯检测时间序列这一独特信息。近年来，许多国内外学者利用浮动车数据(Floating Car Data,FCD)对车辆轨迹进行估计，这相较于传统车辆轨迹重构方法更为精确可靠，已成为当前车辆轨迹重构研究热点之一。
发明内容
本发明以城市主干道为研究对象，剖析主干道AVI、FCD等多源数据的时空关联性，在修复缺失或未知的多车轨迹段基础上，基于插值法与递推法研究多源数据融合算法，提出一种多车轨迹重构方法，并对该方法进行精度评估与一致性分析。本发明有助于精准估计城市主干道交通状态，进而剖析交通拥堵传播规律，支撑城市拥堵治理决策分析。
本发明解决其技术问题所采用的技术方案是：
一种基于多源数据的城市主干道多车轨迹重构方法，包括以下步骤：
S1、获取城市浮动车GPS数据和城市道路卡口数据，并对数据做预处理；
S2、分析多源异构数据的时空关联性与异质性，对多源数据进行数据融合，消除数据壁垒；
S3、对数据融合得到的数据进行数据转换，使用插值算法进行单车轨迹重构，验证重构精度与有效性；
S4、假定道路条件与车辆行驶特性，使用改进的插值方法重构出多车轨迹，将有限车辆轨迹数据扩样化，重构出目标路段上车辆全时空轨迹图，使用车辆行程时间来检验多车轨迹重构方法的有效性与可靠性。
进一步的，S1中，对获取的数据做预处理，所述预处理包括数据清洗；所述浮动车GPS数据主要包括车牌号码、经度、纬度、车辆速度和车道；所述卡口视频数据包括车牌号码、车辆进行时间和车道。
进一步的，S1的具体步骤为：
S101、对重复数据进行处理；坐标数据中，存在多条坐标数据重复出现的情况，除时间数据不相同，其余数据属性均相同。对此类重复数据的处理是，首先对异常数据出现的原因进行判断，再进行相应的处理。若整条车辆轨迹数据均出现经纬线等位置数据相同，则说明该条数据出现了车辆传感器感应错误或数据传输过程出现异常，则将该条数据作为异常数据进行剔除处理；若只有部分GPS位置数据出现重复，则该数据出现重复的原因是车辆在道路上停止前进，导致传感器感应到的位置信息相同，属于正常情况，这种情况的处理方法是保留重复数据列中首位两个数据，删除中间的重复数据，以避免轨迹重构时使用插值算法生成插值多项式时出现错误；
S102、对残缺数据进行处理；若整条轨迹数据仅存在三条以下的数条，则属于残缺数据，使用残缺数据进行轨迹插值重构会出现较大的误差，故这类数据不能作为研究对象，需要进一步筛选剔除；
S103、对错误数据进行处理；若车辆在主干道中出现的时间中对应的经纬度位置严重偏离主干道经纬度位置，则认为该数据为错误数据，需要进行筛选剔除处理；
S104、已有的GPS轨迹数据为时间、经度和纬度，但轨迹重构所使用的插值算法需要的数据为起点与车辆位置之间的距离，故需要将已有的车辆GPS数据中的经纬度数据转化为起点与车辆位置之间的距离；
S105、若原本的GPS浮动车轨迹数据的时间数据格式与算法中的时间数据格式不相同，则需要对时间数据进行转换；需要把原始时间数据转换为时间戳的数据格式，以便于后续的数据插值计算。
进一步的，S104中，使用两相邻点的经纬度信息计算两个相邻点之间的距离；如果用0度经线作为参考，则可以通过两个点的经纬度来推算，设第一点A的经纬度为(LonA，LatA)，第二点B的经纬度为(LonB,LatB)，按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度负值(-Longitude)，北纬取90-纬度值(90-Latitude)，南纬取90+纬度值(90+Latitude)，则经过上述处理过后的两点被计为(XLonA，XLatA)和(XLonB，XLatB)；那么根据三角推导，可以得到计算两点距离的如下公式:
c＝sin(XLatA)*sin(XLatB)*cos(XLonA-XLonB)+cos(XLatA)*cos(XLatB) (1)
Distance＝R*Arccos(C)*π/180 (2)
如果仅对经度作正负的处理，而不对纬度作90-Latitude的处理，那么公式将是:
c＝sin(LatA)*sin(LatB)+cos(LatA)*cos(LatB)*cos(XLonA-XLonB) (3)
Distance＝R*Arccos(C)*π/180 (4)
由于车辆的轨迹图像是以时间为x轴、车辆行驶的距离为y轴的光滑曲线，故需要计算出车辆行驶的距离，对起点经纬度坐标与车辆经纬度坐标进行距离转换：
D(0,i)＝D(i-1,i)+D(0,i-1) (5)
D(0,i)是车辆轨迹中第i个数据点距离该路段起点的距离，D(i-1,i)为对应的轨迹数据点中两个相邻轨迹点，即第i-1点与第i点之间的距离，当第i-1点为起点时，则计算起点与第一个点之间的距离，D(0,i-1)为对应的轨迹数据点中起点与第i-1个点之间的距离。
进一步的，在S2中，依据主干道两端的卡口编码，对所有卡口数据进行遍历，获取目标主干道两端的卡口视频数据；对两侧的卡口视频数据进行处理，以车牌号码为处理依据，筛选出主干道两端卡口均记录到的车牌号码，并且两端卡口记录时间之差应在合理范围内(以主干道长度为依据来界定)，得到通过该主干道的车辆卡口数据。
进一步的，S3中，提取出卡口数据集中的车牌号码，同时遍历主干道内GPS浮动车数据，提取其数据的文件名，与卡口数据中的车牌号进行比对，对比得到在目标时间段通过主干道的浮动车车牌号。
进一步的，单车轨迹重构方法的实现使用的是分段三次Hermite算法，是按照分段插值的方法，把完整区间分为若干个区间，在每个区间上使用三次Hermite插值；
在各个节点上的插值基函数如下：
Figure BDA0003769827250000041
Figure BDA0003769827250000042
Figure BDA0003769827250000043
Figure BDA0003769827250000044
Figure BDA0003769827250000045
Figure BDA0003769827250000046
Hermite插值不仅需要与原函数值相等，而且对插值多项式的一阶或高阶导值也必须与所插多项式的对应阶导值相等；利用赫米特插值方法，不仅能确定插值点的座标，而且能确定各插值点的微分，从而使插值后的函数更接近实际情况；但对于多项式插值，三次已经是较高的次数，次数再高便会出现龙格现象；
以时间间隔为1s进行，进行分段三次Hermite插值重构，并以时间数据(时间戳)为x轴，距离数据为y轴，得到插值之后的车辆轨迹。
进一步的，多车轨迹重构，设整个道路的时空域中的子时空域为
Figure BDA0003769827250000047
其被以下界限所包围：
第m个浮动车的轨道；
第m-1个浮动车的轨道车；
第j个车辆不连续轨迹点的位置；
第(j+1)个车辆不连续轨迹点的位置；
假设路段的情况为先进先出，所以
Figure BDA0003769827250000048
区域内的车辆数目应该是与第m个浮动车与第m-1个浮动车之间的非浮动车数量相同的结合浮动车GPS数据中的车牌数据与卡口数据来得到两辆相邻浮动车之间的车辆数目；
使用参数
Figure BDA0003769827250000051
来表示第m辆浮动车在时间为t时的位置，使用参数
Figure BDA0003769827250000052
来表示第m辆浮动车在位置为x时的时间，使用参数xj来表示车辆第j个不连续轨迹点的位置；
Figure BDA0003769827250000053
是第m个探测车与在时空域A区中的其他出现较早的车辆之间的时间-空间区域，而|A|是时空域A区的面积；时空区域
Figure BDA0003769827250000054
中的所有车辆都会以
Figure BDA0003769827250000055
的规律来分布，相邻两辆浮动车之间的非浮动车车辆，会均匀分布在这两辆浮动车之间的时空域中，所述时空域的边界是这两辆相邻浮动车的轨迹线；两辆浮动车之间的车辆数量是由两辆车在没有间断点的路段上的间距决定，在没有卡口数据的情况下可以对两辆浮动车之间的车辆数目进行估计；
若得到相邻两辆浮动车之间的车辆数量，以及所有浮动车的车辆轨迹线；以浮动车的车辆轨迹线作为子时空域的边界，在子时空域中对非浮动车的车辆轨迹线进行预测与填充。
进一步的，以浮动车的车辆轨迹线作为子时空域的边界，在子时空域中对非浮动车的车辆轨迹线进行预测与填充的具体操作为：
选定两辆相邻浮动车，得到该两辆车的进行以5m为距离间隔插值的重构车辆轨迹线，以及这两辆车之间的车辆数目；
提取行进相同距离时，两辆浮动车的时间；按照先进先出的假设，行进相同距离的非浮动车出现的时间均匀分布在该时间段内；
对需要重构的车辆时间进行预测，对时间进行线形插值来得到非浮动车车辆的时间；使用公式对相邻两辆浮动车之间的非浮动车行驶该距离时的时间进行预测；
Figure BDA0003769827250000056
Figure BDA0003769827250000057
第m辆非浮动车车辆行驶x米时的时间，
Figure BDA0003769827250000058
相邻两辆浮动车中较早出现的浮动车行驶x米时的时间，
Figure BDA0003769827250000059
相邻两辆浮动车中较晚出现的浮动车行驶x米时的时间，
N：相邻两辆浮动车之间的车辆数量，
m：相邻两辆浮动车之间的浮动车按时间从早到晚排序的序号，为整数；
对预测得到的数据进行整理，得到所有非浮动车的车辆轨迹数据，结合已进行重构的浮动车车辆轨迹数据，得到全时间-空间区域的车辆轨迹图。
通过以上技术方案，相对于现有技术，本发明具有以下有益效果：
本发明提供的基于多源数据的城市主干道多车轨迹重构方法，综合考虑了浮动车GPS数据与卡口视频数据等多源异构交通大数据的时空关联性与异质性，对多源数据进行数据融合，消除数据壁垒，再使用插值算法进行单车轨迹重构，基于单车轨迹数据，对未知多车车辆的车辆时间进行线性插值，得到多车车辆轨迹，将有限车辆轨迹数据扩样化，重构出目标路段上车辆全时空轨迹图，有助于精准估计城市主干道交通状态，剖析车辆轨迹的时空分布规律，进而精准估计城市路网交通状态、剖析交通拥堵传播规律，进而支撑城市拥堵治理决策分析。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的多源数据融合流程图；
图2是本发明提供的单车轨迹重构数据转换流程图；
图3是本发明提供的单车轨迹重构示意图；
图4是本发明提供的多车轨迹重构示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
图1所示，是本发明提供的基于多源数据的城市主干道多车轨迹重构方法具体步骤包括：
(1)获取城市多源异构数据中的浮动车GPS数据与卡口视频数据，对数据做数据清洗等预处理工作。其中浮动车GPS数据主要包括车牌号码、经度、纬度、车辆速度、车道，卡口视频数据包括车牌号码、车辆进行时间、车道。
(2)根据主干道位置筛选卡口数据。依据主干道两端的卡口编码，对所有卡口数据进行遍历，获取目标主干道两端的卡口视频数据。对两侧的卡口视频数据进行处理，以车牌号码为处理依据，筛选出主干道两端卡口均记录到的车牌号码，并且两端卡口记录时间之差应在合理范围内(以主干道长度为依据来界定)，得到通过该主干道的车辆卡口数据。
(3)提取出卡口数据集中的车牌号码，作为数据融合的特征属性。同时遍历主干道内GPS浮动车数据，提取其数据的文件名，与卡口数据中的车牌号进行比对，对比得到在目标时间段通过主干道的浮动车车牌号。
(4)提取卡口数据集中的该车辆进入路段的时间与离开路段的时间，获取浮动车在主干道内的行程时间。
(5)打开通过该路段的浮动车GPS文件，并以这行程时间为数据分割标准，分割GPS浮动车文件，得到所有浮动车在此路段上行驶的时间段内的数据，并保存为新的GPS浮动车数据，作为后续研究单个车辆轨迹重构的原始文件。
图2所示，是本发明提供的单车轨迹重构数据处理流程图，具体步骤包括：
(1)对重复数据进行处理。坐标数据中，存在多条坐标数据重复出现的情况，除时间数据不相同，其余数据属性均相同。对此类重复数据的处理是，首先对异常数据出现的原因进行判断，再进行相应的处理。若整条车辆轨迹数据均出现经纬线等位置数据相同，则说明该条数据出现了车辆传感器感应错误或数据传输过程出现异常，则将该条数据作为异常数据进行剔除处理；若只有部分GPS位置数据出现重复，则该数据出现重复的原因是车辆在道路上停止前进，导致传感器感应到的位置信息相同，属于正常情况，这种情况的处理方法是保留重复数据列中首位两个数据，删除中间的重复数据，以避免轨迹重构时使用插值算法生成插值多项式时出现错误。
(2)对残缺数据进行处理，若整条轨迹数据仅存在三条以下的数条，则属于残缺数据，使用残缺数据进行轨迹插值重构会出现较大的误差，故这类数据不能作为研究对象，需要进一步筛选剔除。
(3)对错误数据进行处理，若车辆在主干道中出现的时间中对应的经纬度位置严重偏离主干道经纬度位置，则认为该数据为错误数据，需要进行筛选剔除处理。
(4)已有的GPS轨迹数据为时间、经度和纬度，但轨迹重构所使用的插值算法需要的数据为起点与车辆位置之间的距离，故需要将已有的车辆GPS数据中的经纬度数据转化为起点与车辆位置之间的距离
使用两相邻点的经纬度信息计算两个相邻点之间的距离。如果用0度经线作为参考，则可以通过两个点的经纬度来推算，而不考虑地面地形的影响，只是一个理论上的估计。设第一点A的经纬度为(LonA，LatA)，第二点B的经纬度为(LonB,LatB)，按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度负值(-Longitude)，北纬取90-纬度值(90-Latitude)，南纬取90+纬度值(90+Latitude)，则经过上述处理过后的两点被计为(XLonA，XLatA)和(XLonB，XLatB)。那么根据三角推导，可以得到计算两点距离的如下公式:
c＝sin(XLatA)*sin(XLatB)*cos(XLonA-XLonB)+cos(XLatA)*cos(XLatB) (1)
Distance＝R*Arccos(C)*π/180 (2)
如果仅对经度作正负的处理，而不对纬度作90-Latitude(假设都是北半球，南半球只有澳洲具有应用意义)的处理，那么公式将是:
c＝sin(LatA)*sin(LatB)+cos(LatA)*cos(LatB)*cos(XLonA-XLonB) (3)
Distance＝R*Arccos(C)*π/180 (4)
由于车辆的轨迹图像是以时间为x轴、车辆行驶的距离为y轴的光滑曲线，故需要计算出车辆行驶的距离，对起点经纬度坐标与车辆经纬度坐标进行距离转换：
D(0,i)＝D(i-1,i)+D(0,i-1) (5)
D(0,i)是车辆轨迹中第i个数据点距离该路段起点的距离，D(i-1,i)为对应的轨迹数据点中两个相邻轨迹点，即第i-1点与第i点之间的距离，当第i-1点为起点时，则计算起点与第一个点之间的距离，D(0,i-1)为对应的轨迹数据点中起点与第i-1个点之间的距离。
(5)若原本的GPS浮动车轨迹数据的时间数据格式与算法中的时间数据格式不相同，故需要对时间数据进行转换。需要把原始时间数据转换为时间戳的数据格式，以便于后续的数据插值计算。
图3所示，是本发明提供的单车轨迹重构示意图。
单车轨迹重构方法的实现使用的是分段三次Hermite算法，是按照分段插值的方法，把完整区间分为若干个区间，在每个区间上使用三次Hermite插值。
在各个节点上的插值基函数如下：
Figure BDA0003769827250000081
Figure BDA0003769827250000082
Figure BDA0003769827250000083
Figure BDA0003769827250000084
Figure BDA0003769827250000091
Figure BDA0003769827250000092
Hermite插值不仅需要与原函数值相等，而且对插值多项式的一阶或高阶导值也必须与所插多项式的对应阶导值相等。利用赫米特插值方法，不仅能确定插值点的座标，而且能确定各插值点的微分，从而使插值后的函数更接近实际情况。但对于多项式插值，三次已经是较高的次数，次数再高便会出现龙格现象。
以时间间隔为1s进行，进行分段三次Hermite插值重构，并以时间数据(时间戳)为x轴，距离数据为y轴，得到插值之后的车辆轨迹。
图4所示，是本发明提供的多车轨迹重构示意图。
如图4所示，设整个道路的时空域中的子时空域为
Figure BDA0003769827250000093
其被以下界限所包围：
(1)第m个浮动车的轨道
(2)第m-1个浮动车的轨道车
(3)第j个车辆不连续轨迹点的位置
(4)第(j+1)个车辆不连续轨迹点的位置。
由于先前假设了该路段的情况为先进先出，所以
Figure BDA0003769827250000094
区域内的车辆数目应该是与第m个浮动车与第m-1个浮动车之间的非浮动车数量相同的，在本论文中可以结合浮动车GPS数据中的车牌数据与卡口数据来得到两辆相邻浮动车之间的车辆数目。
使用参数
Figure BDA0003769827250000095
来表示第m辆浮动车在时间为t时的位置，使用参数
Figure BDA0003769827250000096
来表示第m辆浮动车在位置为x时的时间，使用参数xj来表示车辆第j个不连续轨迹点的位置。
Figure BDA0003769827250000097
是第m个探测车与在时空域A区中的其他出现较早的车辆之间的时间-空间区域，而|A|是时空域A区的面积。按照本论文给定的理论，时空区域
Figure BDA0003769827250000098
中的所有车辆都会以
Figure BDA0003769827250000099
的规律来分布，也就是说，相邻两辆浮动车之间的非浮动车车辆，会均匀分布在这两辆浮动车之间的时空域中，该时空域的边界是这两辆相邻浮动车的轨迹线。两辆浮动车之间的车辆数量是由两辆车在没有间断点的路段上的间距决定，在没有卡口数据的情况下可以对两辆浮动车之间的车辆数目进行估计。
若得到相邻两辆浮动车之间的车辆数量，以及所有浮动车的车辆轨迹线。以浮动车的车辆轨迹线作为子时空域的边界，在子时空域中对非浮动车的车辆轨迹线进行预测与填充。
具体操作为：
1)选定两辆相邻浮动车，得到该两辆车的进行以5m为距离间隔插值的重构车辆轨迹线，以及这两辆车之间的车辆数目。
2)提取行进相同距离时，两辆浮动车的时间。按照先进先出的假设，行进相同距离的非浮动车出现的时间均匀分布在该时间段内。
对需要重构的车辆时间进行预测，对时间进行线形插值来得到非浮动车车辆的时间。使用公式对相邻两辆浮动车之间的非浮动车行驶该距离时的时间进行预测。
Figure BDA0003769827250000101
Figure BDA0003769827250000102
第m辆非浮动车车辆行驶x米时的时间
Figure BDA0003769827250000103
相邻两辆浮动车中较早出现的浮动车行驶x米时的时间
Figure BDA0003769827250000104
相邻两辆浮动车中较晚出现的浮动车行驶x米时的时间
N：相邻两辆浮动车之间的车辆数量
m：相邻两辆浮动车之间的浮动车按时间从早到晚排序的序号，为整数
对预测得到的数据进行整理，得到所有非浮动车的车辆轨迹数据，结合已进行重构的浮动车车辆轨迹数据，得到全时间-空间区域的车辆轨迹图。
案例具体说明：
选择了广东省深圳市滨河大道-爱华南路人行天桥以及滨河大道-福滨路人行天桥这一主干道路段为具体案例研究对象,研究中道路长度1.55km,为双向六车道,由于路面上整体车辆出入口面积较小,有一个大型的立体交叉组织(华强南立交),采取了南北直线前进高架的型式,有效降低了东西车辆所受到的影响。选取的车辆的行驶方向均为自东往西行驶。
对数据进行以下操作：
(1)获取卡口编码
遍历广东省深圳市全区域的卡口数据采集位置，根据研究路段，选择该路段的起始点与终止点，提取出这两者的的卡口编码。同时应该注意的是，车辆卡口信息数据采集的方向应该一致，最终得到滨河大道—福滨路人行天桥东往西的卡口编码为10100405，滨河大道—爱华南路人行天桥东往西的卡口编码为10100407。
(2)获取全天卡口数据集
根据得到的滨河大道—福滨路人行天桥与滨河大道—爱华南路人行天桥的卡口编码，遍历广东省深圳市2016年9月6日凌晨零时至二十四时的卡口数据，以卡口编码为筛选条件，以进入卡口检测装置时间为该车辆具体进入路段的时间，得到滨河大道-福滨路人行天桥与滨河大道—爱华南路人行天桥路段数据集的主要要素为：车牌号码、进入时间、离去时间。车牌号码为2016年9月6日凌晨零时至二十四时时间段中同时经过滨河大道—爱华南路人行天桥卡口与滨河大道-福滨路人行天桥卡口的车辆的车牌号码，由于选取的车辆行驶方向为由东向西行驶，因此进入时间为车辆通过滨河大道-爱华南路人行天桥卡口的时间，离去时间为车辆通过滨河大道-福滨路人行天桥卡口的时间。
最后提取得到的卡口数据集共拥有数据54779条。
(3)提取目标时间段卡口数据集
由于目标是提取出离散的车辆轨迹数据，对离散的车辆轨迹数据进行完整的车辆轨迹重构，对原始数据的要求比较高，要求车辆数据连续且数据量不能过少，综合多方因素考虑，选取车流量较大的时间段进行卡口数据提取。
以数据集中车辆进入路段和离开路段的时间为标准，提取早中晚高峰时间段出现在路段中的卡口数据，具体时间为：07:00:00-09:30:00(早高峰)，12:00:00-14:00:00(午高峰)，17:30:00-19:30:00(晚高峰)。根据时间段初步筛选后，提取出早高峰数据6517条，午高峰数据5822条，晚高峰数据3368条。
对多源异构数据进行数据融合处理，其具体步骤为：
(1)提取出卡口数据集中的车牌号码，作为数据融合的特征属性。同时遍历2016年9月6日凌晨零时至二十四时广东省深圳市GPS浮动车数据，提取其数据的文件名，与卡口数据中的车牌号进行比对，对比得到在高峰时间段通过滨河大道-爱华南路人行天桥与滨河大道-福滨路人行天桥路段的浮动车车牌号。
(2)分别打开通过该路段的浮动车GPS文件，并提取卡口数据集中的该车辆进入路段的时间与离开路段的时间，以这两个时间戳为标准，分割GPS浮动车文件，得到所有浮动车在此路段上行驶的时间段内的数据，并保存为新的GPS浮动车数据，作为后续研究单个车辆轨迹重构的原始文件。
对数据进行数据处理与数据转换处理。如下表1所示，为车辆“粤B****5”的原始数据
时间 经度 纬度
20160906135223 114.086418 22.537483
20160906135236 114.084663 22.537466
20160906135249 114.082497 22.537434
20160906135302 114.080864 22.537067
20160906135314 114.07972 22.536247
20160906135328 114.079018 22.535233
20160906135341 114.078415 22.534267
20160906135353 114.078003 22.5336
20160906135407 114.078102 22.533518
20160906135419 114.077904 22.533253
20160906135433 114.077499 22.532633
20160906135446 114.077118 22.532084
20160906135459 114.076797 22.531866
20160906135512 114.076492 22.531853
20160906135524 114.075851 22.531853
20160906135538 114.075401 22.531866
20160906135551 114.074898 22.5319
20160906135604 114.073997 22.5319
20160906135617 114.072853 22.531883
20160906135629 114.071701 22.531853
表1
对数据进行时间数据转换与距离转换，本示例中以广东省深圳市滨河大道-爱华南路人行天桥为车辆在该路段上行驶的起点，起点的经纬度为(114.086024，22.537381)。得到转换之后的数据为见表2：
经度 纬度 时间戳 距离
114.084663 22.537466 1473141156 140.320216
114.082497 22.537434 1473141169 363.161754
114.080864 22.537067 1473141182 535.9925568
114.07972 22.536247 1473141194 684.6350788
114.079018 22.535233 1473141208 818.1397036
114.078415 22.534267 1473141221 941.7961308
114.078003 22.5336 1473141233 1026.954189
114.078102 22.533518 1473141247 1040.599032
114.077904 22.533253 1473141259 1076.320607
114.077499 22.532633 1473141273 1156.630193
114.077118 22.532084 1473141286 1228.96421
114.076797 22.531866 1473141299 1269.869319
114.076492 22.531853 1473141312 1301.278647
114.075851 22.531853 1473141324 1367.219981
114.075401 22.531866 1473141338 1413.535103
114.074898 22.5319 1473141351 1465.416897
114.073997 22.5319 1473141364 1558.10511
114.072853 22.531883 1473141377 1675.806514
114.071701 22.531853 1473141389 1794.362443
表2
对数据进行分段三次Hermite插值，得到结果如图4所示。
使用前一步骤得到的相邻两辆浮动车之间的车辆数，以及进行单车轨迹重构工作之后的浮动车GPS轨迹数据，进行多车轨迹重构。
由前文所述理论可知，时空区域
Figure BDA0003769827250000131
中的所有车辆都会以
Figure BDA0003769827250000132
的规律来分布，也就是说，相邻两辆浮动车之间的非浮动车车辆，会均匀分布在这两辆浮动车之间的时空域中，该时空域的边界是这两辆相邻浮动车的轨迹线。
目前已经得到相邻两辆浮动车之间的车辆数量，以及所有浮动车的车辆轨迹线。以浮动车的车辆轨迹线作为子时空域的边界，在子时空域中对非浮动车的车辆轨迹线进行预测与填充。具体操作为：
1)选定两辆相邻浮动车，得到该两辆车的进行以5m为距离间隔插值的重构车辆轨迹线，以及这两辆车之间的车辆数目。
2)提取行进相同距离时，两辆浮动车的时间。按照先进先出的假设，行进相同距离的非浮动车出现的时间均匀分布在该时间段内。
对需要重构的车辆时间进行预测，对时间进行线形插值来得到非浮动车车辆的时间。使用公式对相邻两辆浮动车之间的非浮动车行驶该距离时的时间进行预测。
Figure BDA0003769827250000141
Figure BDA0003769827250000142
第m辆非浮动车车辆行驶x米时的时间
Figure BDA0003769827250000143
相邻两辆浮动车中较早出现的浮动车行驶x米时的时间
Figure BDA0003769827250000144
相邻两辆浮动车中较晚出现的浮动车行驶x米时的时间
N：相邻两辆浮动车之间的车辆数量
m：相邻两辆浮动车之间的浮动车按时间从早到晚排序的序号，为整数
3)对预测得到的数据进行整理，得到所有非浮动车的车辆轨迹数据，结合已进行重构的浮动车车辆轨迹数据，得到全时间-空间区域的车辆轨迹图。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (9)

1.一种基于多源数据的城市主干道多车轨迹重构方法，其特征在于：包括以下步骤：
S1、获取城市浮动车GPS数据和城市道路卡口数据，并对数据做预处理；
S2、分析多源异构数据的时空关联性与异质性，对多源数据进行数据融合，消除数据壁垒；
S3、对数据融合得到的数据进行数据转换，使用插值算法进行单车轨迹重构，验证重构精度与有效性；
S4、假定道路条件与车辆行驶特性，使用改进的插值方法重构出多车轨迹，将有限车辆轨迹数据扩样化，重构出目标路段上车辆全时空轨迹图，使用车辆行程时间来检验多车轨迹重构方法的有效性与可靠性。
2.根据权利要求1所述的基于多源数据的城市主干道多车轨迹重构方法，其特征在于，S1中，对获取的数据做预处理，所述预处理包括数据清洗；所述浮动车GPS数据主要包括车牌号码、经度、纬度、车辆速度和车道；所述卡口视频数据包括车牌号码、车辆进行时间和车道。
3.根据权利要求2所述的基于多源数据的城市主干道多车轨迹重构方法，其特征在于，S1的具体步骤为：
S101、对重复数据进行处理；首先对异常数据出现的原因进行判断，若整条车辆轨迹数据均出现经纬线等位置数据相同，则说明该条数据出现了车辆传感器感应错误或数据传输过程出现异常，则将该条数据作为异常数据进行剔除处理；若只有部分GPS位置数据出现重复，则该数据出现重复的原因是车辆在道路上停止前进，导致传感器感应到的位置信息相同，属于正常情况，这种情况的处理方法是保留重复数据列中首位两个数据，删除中间的重复数据，以避免轨迹重构时使用插值算法生成插值多项式时出现错误；
S102、对残缺数据进行处理；若整条轨迹数据仅存在三条以下的数条，则属于残缺数据，使用残缺数据进行轨迹插值重构会出现较大的误差，需要进一步筛选剔除；
S103、对错误数据进行处理；若车辆在主干道中出现的时间中对应的经纬度位置严重偏离主干道经纬度位置，则认为该数据为错误数据，需要进行筛选剔除处理；
S104、已有的GPS轨迹数据为时间、经度和纬度，但轨迹重构所使用的插值算法需要的数据为起点与车辆位置之间的距离，故需要将已有的车辆GPS数据中的经纬度数据转化为起点与车辆位置之间的距离；
S105、若原本的GPS浮动车轨迹数据的时间数据格式与算法中的时间数据格式不相同，则需要对时间数据进行转换；需要把原始时间数据转换为时间戳的数据格式，以便于后续的数据插值计算。
4.根据权利要求3所述的基于多源数据的城市主干道多车轨迹重构方法，其特征在于，
S104中，使用两相邻点的经纬度信息计算两个相邻点之间的距离；如果用0度经线作为参考，则可以通过两个点的经纬度来推算，设第一点A的经纬度为(LonA，LatA)，第二点B的经纬度为(LonB,LatB)，按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度负值(-Longitude)，北纬取90-纬度值(90-Latitude)，南纬取90+纬度值(90+Latitude)，则经过上述处理过后的两点被计为(XLonA，XLatA)和(XLonB，XLatB)；那么根据三角推导，可以得到计算两点距离的如下公式:
c＝sin(XLatA)*sin(XLatB)*cos(XLonA-XLonB)+cos(XLatA)*cos(XLatB)
(1)
Distance＝R*Arccos(C)*π/180
(2)
如果仅对经度作正负的处理，而不对纬度作90-Latitude的处理，那么公式将是:
c＝sin(LatA)*sin(LatB)+cos(LatA)*cos(LatB)*cos(XLonA-XLonB)
(3)
Distance＝R*Arccos(C)*π/180
(4)
由于车辆的轨迹图像是以时间为x轴、车辆行驶的距离为y轴的光滑曲线，故需要计算出车辆行驶的距离，对起点经纬度坐标与车辆经纬度坐标进行距离转换：
D(0,i)＝D(i-1,i)+D(0,i-1)
(5)
D(0,i)是车辆轨迹中第i个数据点距离该路段起点的距离，D(i-1,i)为对应的轨迹数据点中两个相邻轨迹点，即第i-1点与第i点之间的距离，当第i-1点为起点时，则计算起点与第一个点之间的距离，D(0,i-1)为对应的轨迹数据点中起点与第i-1个点之间的距离。
5.根据权利要求1所述的基于多源数据的城市主干道多车轨迹重构方法，其特征在于，在S2中，依据主干道两端的卡口编码，对所有卡口数据进行遍历，获取目标主干道两端的卡口视频数据；对两侧的卡口视频数据进行处理，以车牌号码为处理依据，筛选出主干道两端卡口均记录到的车牌号码，得到通过该主干道的车辆卡口数据。
6.根据权利要求1所述的基于多源数据的城市主干道多车轨迹重构方法，其特征在于，S3中，提取出卡口数据集中的车牌号码，同时遍历主干道内GPS浮动车数据，提取其数据的文件名，与卡口数据中的车牌号进行比对，对比得到在目标时间段通过主干道的浮动车车牌号。
7.根据权利要求1所述的基于多源数据的城市主干道多车轨迹重构方法，其特征在于，单车轨迹重构方法的实现使用的是分段三次Hermite算法，是按照分段插值的方法，把完整区间分为若干个区间，在每个区间上使用三次Hermite插值；
在各个节点上的插值基函数如下：
Figure FDA0003769827240000031
Figure FDA0003769827240000032
Figure FDA0003769827240000033
Figure FDA0003769827240000034
Figure FDA0003769827240000035
Figure FDA0003769827240000036
Hermite插值不仅需要与原函数值相等，而且对插值多项式的一阶或高阶导值也必须与所插多项式的对应阶导值相等；利用赫米特插值方法，不仅能确定插值点的座标，而且能确定各插值点的微分，从而使插值后的函数更接近实际情况；但对于多项式插值，三次已经是较高的次数，次数再高便会出现龙格现象；
以时间间隔为1s进行，进行分段三次Hermite插值重构，并以时间数据(时间戳)为x轴，距离数据为y轴，得到插值之后的车辆轨迹。
8.根据权利要求1所述的基于多源数据的城市主干道多车轨迹重构方法，其特征在于，多车轨迹重构，设整个道路的时空域中的子时空域为
Figure FDA0003769827240000037
其被以下界限所包围：
第m个浮动车的轨道；
第m-1个浮动车的轨道车；
第j个车辆不连续轨迹点的位置；
第(j+1)个车辆不连续轨迹点的位置；
假设路段的情况为先进先出，所以
Figure FDA0003769827240000041
区域内的车辆数目应该是与第m个浮动车与第m-1个浮动车之间的非浮动车数量相同的结合浮动车GPS数据中的车牌数据与卡口数据来得到两辆相邻浮动车之间的车辆数目；
使用参数
Figure FDA0003769827240000042
来表示第m辆浮动车在时间为t时的位置，使用参数
Figure FDA0003769827240000043
来表示第m辆浮动车在位置为x时的时间，使用参数xj来表示车辆第j个不连续轨迹点的位置；
Figure FDA0003769827240000044
是第m个探测车与在时空域A区中的其他出现较早的车辆之间的时间-空间区域，而|A|是时空域A区的面积；时空区域
Figure FDA0003769827240000045
中的所有车辆都会以
Figure FDA0003769827240000046
的规律来分布，相邻两辆浮动车之间的非浮动车车辆，会均匀分布在这两辆浮动车之间的时空域中，所述时空域的边界是这两辆相邻浮动车的轨迹线；两辆浮动车之间的车辆数量是由两辆车在没有间断点的路段上的间距决定，在没有卡口数据的情况下可以对两辆浮动车之间的车辆数目进行估计；
若得到相邻两辆浮动车之间的车辆数量，以及所有浮动车的车辆轨迹线；以浮动车的车辆轨迹线作为子时空域的边界，在子时空域中对非浮动车的车辆轨迹线进行预测与填充。
9.根据权利要求8所述的基于多源数据的城市主干道多车轨迹重构方法，其特征在于，以浮动车的车辆轨迹线作为子时空域的边界，在子时空域中对非浮动车的车辆轨迹线进行预测与填充的具体操作为：
选定两辆相邻浮动车，得到该两辆车的进行以5m为距离间隔插值的重构车辆轨迹线，以及这两辆车之间的车辆数目；
提取行进相同距离时，两辆浮动车的时间；按照先进先出的假设，行进相同距离的非浮动车出现的时间均匀分布在该时间段内；
对需要重构的车辆时间进行预测，对时间进行线形插值来得到非浮动车车辆的时间；使用公式对相邻两辆浮动车之间的非浮动车行驶该距离时的时间进行预测；
Figure FDA0003769827240000047
Figure FDA0003769827240000048
第m辆非浮动车车辆行驶x米时的时间，
T1 x：相邻两辆浮动车中较早出现的浮动车行驶x米时的时间，
Figure FDA0003769827240000051
相邻两辆浮动车中较晚出现的浮动车行驶x米时的时间，
N：相邻两辆浮动车之间的车辆数量，
m：相邻两辆浮动车之间的浮动车按时间从早到晚排序的序号，为整数；
对预测得到的数据进行整理，得到所有非浮动车的车辆轨迹数据，结合已进行重构的浮动车车辆轨迹数据，得到全时间-空间区域的车辆轨迹图。
CN202210898079.9A 2022-07-28 2022-07-28 基于多源数据的城市主干道多车轨迹重构方法 Active CN115331433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210898079.9A CN115331433B (zh) 2022-07-28 2022-07-28 基于多源数据的城市主干道多车轨迹重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210898079.9A CN115331433B (zh) 2022-07-28 2022-07-28 基于多源数据的城市主干道多车轨迹重构方法

Publications (2)

Publication Number Publication Date
CN115331433A true CN115331433A (zh) 2022-11-11
CN115331433B CN115331433B (zh) 2023-09-29

Family

ID=83919306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210898079.9A Active CN115331433B (zh) 2022-07-28 2022-07-28 基于多源数据的城市主干道多车轨迹重构方法

Country Status (1)

Country Link
CN (1) CN115331433B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079468A (zh) * 2023-10-16 2023-11-17 深圳市城市交通规划设计研究中心股份有限公司 一种实现交通数字孪生的车流轨迹位置方法
CN117556157A (zh) * 2024-01-10 2024-02-13 每日互动股份有限公司 一种卡口位置的定位方法、装置、介质及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105788252A (zh) * 2016-03-22 2016-07-20 连云港杰瑞电子有限公司 基于定点检测器和信号配时数据融合的城市干道车辆轨迹重构方法
CN109064741A (zh) * 2018-08-01 2018-12-21 北京航空航天大学 基于多源数据融合的干道车辆运行轨迹重构的方法
CN109544932A (zh) * 2018-12-19 2019-03-29 东南大学 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法
WO2019222358A1 (en) * 2018-05-15 2019-11-21 Mobileye Vision Technologies Ltd. Systems and methods for autonomous vehicle navigation
CN111243277A (zh) * 2020-03-09 2020-06-05 山东大学 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法
WO2020192122A1 (zh) * 2019-03-27 2020-10-01 江苏智通交通科技有限公司 一种闯红灯车辆的非现场执法图片智能审核方法和系统
US11068713B1 (en) * 2018-07-23 2021-07-20 University Of South Florida Video-based intelligent road traffic universal analysis
CN113593220A (zh) * 2021-07-02 2021-11-02 南京泛析交通科技有限公司 一种基于宏观基本图的路网承载力估计方法
CN114049765A (zh) * 2021-11-03 2022-02-15 扬州大学 基于自动车辆号牌识别数据的城市路网车流od估计方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105788252A (zh) * 2016-03-22 2016-07-20 连云港杰瑞电子有限公司 基于定点检测器和信号配时数据融合的城市干道车辆轨迹重构方法
WO2019222358A1 (en) * 2018-05-15 2019-11-21 Mobileye Vision Technologies Ltd. Systems and methods for autonomous vehicle navigation
US11068713B1 (en) * 2018-07-23 2021-07-20 University Of South Florida Video-based intelligent road traffic universal analysis
CN109064741A (zh) * 2018-08-01 2018-12-21 北京航空航天大学 基于多源数据融合的干道车辆运行轨迹重构的方法
CN109544932A (zh) * 2018-12-19 2019-03-29 东南大学 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法
WO2020192122A1 (zh) * 2019-03-27 2020-10-01 江苏智通交通科技有限公司 一种闯红灯车辆的非现场执法图片智能审核方法和系统
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN111243277A (zh) * 2020-03-09 2020-06-05 山东大学 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统
CN113593220A (zh) * 2021-07-02 2021-11-02 南京泛析交通科技有限公司 一种基于宏观基本图的路网承载力估计方法
CN114049765A (zh) * 2021-11-03 2022-02-15 扬州大学 基于自动车辆号牌识别数据的城市路网车流od估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈志军;吴超仲;吕能超;马杰;: "基于改进三次Hermite插值的车辆时空轨迹重构研究", 交通信息与安全, no. 06 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079468A (zh) * 2023-10-16 2023-11-17 深圳市城市交通规划设计研究中心股份有限公司 一种实现交通数字孪生的车流轨迹位置方法
CN117079468B (zh) * 2023-10-16 2024-02-27 深圳市城市交通规划设计研究中心股份有限公司 一种实现交通数字孪生的车流轨迹位置方法
CN117556157A (zh) * 2024-01-10 2024-02-13 每日互动股份有限公司 一种卡口位置的定位方法、装置、介质及设备
CN117556157B (zh) * 2024-01-10 2024-04-05 每日互动股份有限公司 一种卡口位置的定位方法、装置、介质及设备

Also Published As

Publication number Publication date
CN115331433B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN115331433A (zh) 基于多源数据的城市主干道多车轨迹重构方法
CN103646187B (zh) 一种统计周期内车辆出行路线及od矩阵获取方法
CN102799897B (zh) 基于gps定位的交通方式组合出行的计算机识别方法
CN111210612B (zh) 基于公交gps数据与站点信息提取公交线路轨迹的方法
CN115311854B (zh) 一种基于数据融合的车辆时空轨迹重构方法
CN103632540B (zh) 基于浮动车数据的城市主干道交通运行信息处理方法
CN112965077B (zh) 一种基于车载激光雷达的道路巡检系统与方法
CN110285877B (zh) 基于Spark Streaming的列车实时定位跟踪与速度计算方法
CN106898142B (zh) 一种考虑路段相关性的路径行程时间可靠度计算方法
CN105509753A (zh) 一种基于浮动车卫星定位数据的地图匹配方法及系统
CN105046959B (zh) 基于双窗口滑动匹配机制的城市道路行程时间提取方法
CN103794061A (zh) 基于多种定位数据计算道路融合行程车速的方法
CN104900057A (zh) 一种城市快速路主辅道的浮动车地图匹配方法
CN114707035A (zh) 一种可视化交通起始点分析系统
CN110827537B (zh) 一种潮汐车道的设置方法、装置及设备
CN114360240A (zh) 一种基于车联网轨迹特征的高精度定位方法
Bansal et al. Impacts of bus-stops on the speed of motorized vehicles under heterogeneous traffic conditions: a case-study of Delhi, India
Day et al. 2013–2014 Indiana Mobility Report: Full Version
Coifman et al. Measuring freeway traffic conditions with transit vehicles
CN115294770B (zh) 一种雨天交通拥堵指数的预测方法和装置
CN205247622U (zh) 一种车辆排队长度监测系统
CN105825670B (zh) 基于数据融合的道路过饱和状态判断方法及系统
CN102455428B (zh) 一种传输管线系统中点设施的定位方法与装置
CN113516409A (zh) 一种高铁沿线地区降雨气象灾害易发区识别方法及系统
Young et al. Visualizations of Travel Time Performance Based on Vehicle Reidentification Data

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
CB03 Change of inventor or designer information

Inventor after: Ren Gang

Inventor after: Zhao Xin

Inventor after: Ma Jingfeng

Inventor after: Zhu Sai

Inventor after: Cao Qi

Inventor after: Wu Chenyang

Inventor after: Deng Yue

Inventor after: Xu Hongji

Inventor before: Ren Gang

Inventor before: Xu Hongji

Inventor before: Zhu Sai

Inventor before: Ma Jingfeng

Inventor before: Cao Qi

Inventor before: Wu Chenyang

Inventor before: Deng Yue

Inventor before: Zhao Xin

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant