TW201814551A - 應用定位軌跡停等與行進模型估算交通車速方法 - Google Patents

Abstract

本案係提供一種應用定位軌跡停等與行進模型估算交通車速方法，並應用於一具運算能力之電子裝置上，其係先將一定位軌跡劃分成停等區間與行進區間之組合，再以之建立成先行進後停等模型與先停等後行進模型，而後分別計算此二模型之平均速度，並依此提供交通車速估測值。此外，本案更將應用前述二模型分析後之軌跡，與車輛的行進型態類別進行匹配，以對應不同行進型態的車速估測值，從而提供更細膩的交通車速估測結果。

Description

應用定位軌跡停等與行進模型估算交通車速方法

本發明係一種應用定位軌跡以估算交通車速方法，尤指一種應用定位軌跡停等與行進模型估算交通車速方法。

目前在運用定位軌跡估測平面道路交通車速的方法上，仍有許多專家學者不斷在進行著研究，並提出許多問題與解決方案，以期能提供成本更低、準確度更高的交通車速估算與預測結果。

習用的運用定位軌跡估測平面道路交通車速的方法，主要是以佈署多輛探偵車於待側路網上行駛，利用探偵車回傳的定位資料進行分析取得。然而運用此種方法時，若欲使誤差值縮小到想要的範圍之內，必須要佈署一定數量的探偵車才行，例如於Cheu的論文"Probe vehicle population and sample size for arterial speed estimation."(Computer-Aided Civil and Infrastructure Engineering 17.1(2002)：53-60)中，即作出為「新加坡街道需要GPS探偵車佔4-5%的車流，才能有大於95%的機率，估測路段行車時間誤差小於5%」的結論。

佈署探偵車數量的多寡，即關係到運行此方法的硬體成本，因此欲維持同樣精確度並降低所需的探偵車數量，以降低估測所需的成本的話，勢必得從方法面進行改良。

在最近的交通車速估測方法的研究中，大都採用「假設行車 時間呈常態分佈，且已知其標準差」的作法，並由此計算欲達到之容許誤差值所需的GPS探偵車數量。但此種採用簡化模型的作法亦有其極限，此種限制可在論文"Probe vehicle based real-time traffic monitoring on urban roadways."(Transportation Research Part C：Emerging Technologies 40(2014)：160-178)中看出，該文中給出「由於平面道路的行車時間受到紅綠燈號誌影響，連續兩個紅綠燈路口之間路段的行車時間會受到是否停等紅燈，直行或轉彎進入，而有所不同」之看法。從實務面來看，傳統採用常態分佈模型配合標準差進行估測的作法，顯然無法反映出停等紅綠燈與行進型態之影響，因而限制了估測的準確度。

綜上所述，如何提升藉由定位軌跡估算交通車速的準確度，乃本領域亟需解決之技術問題。

為解決前揭之問題，本發明之目的係提供一種應用定位軌跡以估測交通車速的方法，其因採用了更貼近現實情況的車輛行進模型，故能達到提高估測交通車速的精準度之目的。

為達上述目的，本發明提出一種應用定位軌跡停等與行進模型估算交通車速方法，其係應用於一具運算能力之電子裝置，本方法係先將定位軌跡劃分成一個或複數個停等區間與行進區間的組合，再以一行進區間與接在其後的停等區間建立先行進後停等模型，分析先行進後停等模型的平均速度。同樣地，以一停等區間與接在其後的行進區間建立先停等後行進模型，再分析此先停等後行進模型的平均速度，並依據前述二平均速度提供交通車速估測值。

綜上所述，本案提供之技術方案因採用了更貼近現實的車輛行進模型，大大的增加了交通車速估測的準確度。此外，因為準確度提升的關係，即不須如同以往般，為降低交通車速估測的誤差值而佈署大量的探偵車，在運行成本上亦較以往的交通車速估測方法更為節省。

S101~S104、S501~S506、S601~S606‧‧‧步驟

1‧‧‧電子裝置

11‧‧‧定位資訊接收模組

12‧‧‧地圖匹配模組

13‧‧‧軌跡分析模組

14‧‧‧車速估測模組

A‧‧‧停等區間A

B‧‧‧停等區間B

C‧‧‧行進區間C

2‧‧‧通訊模組

3‧‧‧交通資訊中心

31‧‧‧定位資訊接收模組

32‧‧‧地圖匹配模組

33‧‧‧軌跡分析模組

34‧‧‧車速估測模組

4‧‧‧路網資訊資料庫

5‧‧‧探偵車

6‧‧‧通訊模組

70‧‧‧路網

8‧‧‧基地台

圖1係為本案一實施例應用定位軌跡停等與行進模型估算交通車速方法的流程圖。

圖2係為本案應用定位軌跡停等與行進模型估算交通車速方法之電子裝置之內部方塊圖。

圖3係為本案應用定位軌跡停等與行進模型估算交通車速方法的停車區間示意圖。

圖4係為本案應用定位軌跡停等與行進模型估算交通車速方法的平均速度分類模型示意圖。

圖5係為本案應用定位軌跡停等與行進模型估算交通車速方法的建立先行進後停等模型之運算流程圖。

圖6係為本案應用定位軌跡停等與行進模型估算交通車速方法的建立先停等後行進模型之運算流程圖。

圖7係為本案應用定位軌跡停等與行進模型估算交通車速方法的運作示意圖。

圖8係為本案應用定位軌跡停等與行進模型估算交通車速方法的實測每5分鐘長期平均速度圖。

以下將描述具體之實施例以說明本案之實施態樣，惟其並非用以限制本案所欲保護之範疇。

請參閱圖1，其為本案一實施例應用定位軌跡停等與行進模型估算交通車速方法的流程圖。本方法是應用於一具運算能力之電子裝置，並包含下列步驟：

S101：將一定位軌跡劃分成一個或複數個停等區間，與一個或複數個行進區間。前述之定位軌跡可為車輛在路面行駛之路徑，由定位裝置紀錄之。

S102：以一行進區間與連接在其後的停等區間建立先行進後停等模型。

S103：以一停等區間與接在其後的行進區間建立先停等後行進模型。

S104：分析先行進後停等模型的平均速度與先停等後行進模型的平均速度，以依據前述二平均速度提供一交通車速估測值。

步驟S101中決定停等區間與行進區間的步驟，進一步包含下列子步驟：當定位軌跡上的連續兩個定位紀錄點之平均速度(v _a )小於平均速度臨界值(v _a,th )，或減速係數(Slow Down Index,SDI)小於減速係數臨界值(S _th )時，則判斷兩個定位紀錄點間有停等區間。其中平均速度臨界值與減速係數臨界值可為自行設定之值，如平均速度臨界值設定為20公里，減速係數臨界值設定為0.55。

其中減速係數(SDI)係將從第一個定位紀錄點(P ₁)行進到第二個定位紀錄點(P ₂)之平均速度(v _a )，除以第一個定位紀錄點(P ₁)的瞬時速度(v ₁)與第二個定位紀錄點(P ₂)的瞬時速度(v ₂)的平均速度。

此外，當定位軌跡上的連續兩個以上的定位紀錄點都被判定為停等區間時，合併連續的停等區間為同一停等區間。

步驟S102，建立先行進後停等模型之方法，可由一行進區間與連接在其後的停等區間建成，亦可使用本說明後面提出的方法建成。

步驟S103，建立先停等後行進模型之方法，可由一停等區間與連接在其後的行進區間建立，亦可使用本說明後面提出的方法建成。

於步驟S104中，分析先行進後停等模型的平均速度之步驟，進一步包含下列子步驟：在連續兩個停等區間之間的定位軌跡中找出速度最快的區間，定為起始區間，並將之設定為第一群集，以及擴充第一群集使其成為先行進後停等模型。

於一實施例中，前述擴充第一群集之步驟，是由起始區間往時間軸前後擴充第一群集。

於另一實施例中，前述由起始區間往時間軸前後擴展第一群集的步驟，包含下列子步驟：當時間早於起始區間的前方區間之速度大於第一群集的平均速度時，將前方區間加入第一群集。當時間晚於起始區間的後方區間之速度小於第一群集的平均速度時，將後方區間加入第一群集。例如：在時間軸上，起始區間位於t=10秒處，則t=15秒處的區間為後方區間，t=5秒處的區間為前方區間。

步驟S104中，分析先停等後行進模型的平均速度之步驟，包含下列子步驟：在連續兩個停等區間之間的定位軌跡中找出速度最快的區間，定為起始區間，並將之設定為第二群集；擴充第二群集使其成為先停等後行進模型。

於一實施例中，前述擴充第二群集的步驟，是由起始區間往時間軸的前後方向擴充第二群集。

於另一實施例中，前述由起始區間往時間軸前後擴展第二群集的步驟，包含：當時間早於起始區間的前方區間之速度小於第二群集的平均速度時，將前方區間加入第二群集。當時間晚於起始區間的後方區間之速度大於第二群集的平均速度時，將後方區間加入第二群集。

於本案另一實施例中更包含：依據行進型態類別對定位軌跡進行分類，並分析與各行進型態類別相對應的先停等後行進模型與先停等後行進模型的平均速度。其中行進型態類別係依據定位軌跡於連續兩個交叉路口的行進型態進行分類。其中行進型態的類型包含左轉、右轉、直行，故連續兩個交叉路口的行進型態類別將包含先左轉、右轉、直行，而後左轉、右轉、直行的九種組合。

接著，請參閱圖2，其為前述之電子裝置1之內部方塊圖。電子裝置1進一步包含定位資訊接收模組11、地圖匹配模組12、軌跡分析模組13，以及車速估測模組14。前述之資訊接收模組11、地圖匹配模組12、軌跡分析模組13、車速估測模組14可採用軟體模組實現之，前述之軟體模組可藉由ASP、C/C++/C#、JAVA、Python、PHP、Perl等程式語言實現之，惟其程式語言之類別不在此限。前述之軟體模組係由電子裝置1之處理器載入並執行之，地圖匹配模組12係連接至定位資訊接收模組11與軌跡分析模組13，車速估測模組14則係連接至軌跡分析模組13，定位資訊接收模組11則外接至一通訊模組2，通訊模組2之規格可採用藍芽、wifi、2G/3G/4G等通訊介面。電子裝置1可為平板電腦、筆記型電腦、桌上型電腦或工作站電腦等 具備運算能力之裝置。

通訊模組2係用於接收搭載GPS模組之載具(例如：探偵車)回傳的定位訊號，並將訊號傳送給定位資訊接收模組11。地圖匹配模組12則利用定位資訊接收模組11接收到的定位資訊，將載具的位置依序定位在路網地圖上，並計算連續兩個定位紀錄點間載具所行走的距離，以及是否通過交叉路口。軌跡分析模組13則係連接至地圖匹配模組12，並執行前述步驟S101，將一定位軌跡劃分成一個或複數個停等區間，與一個或複數個行進區間。車速估測模組14則連接至軌跡分析模組13，執行前述S102~104之步驟，建立先行進後停等模型與先停等後行進模型，分析其平均速度並發布計算之即時路網車速資訊結果。

以下則對本案應用定位軌跡停等與行進模型估算交通車速方法作進一步的詳細解釋。

考量車輛在道路上行駛的實際情境：當前方為綠燈時，車輛持續行進；當前方為紅燈時，車輛停止。然而傳統上，單純採用平均車速的車速估算方法並無法適當反映此一行為，而欲提高估算車速的準確度的話，勢必得考量停等紅燈的延遲對行車時間的計算造成的影響，因此於本案所提供之技術方案中，將車輛的行進軌跡拆解成重複的行進區間和停等區間之組合，以將停等的延遲納入考量。

為了明確劃分車輛行進軌跡上的停等區間與行進區間，本案提供一後述之判斷方法來界定停等區間，其餘部分則劃入行進區間。

請參閱圖3，其為本案停車區間示意圖，說明如下：考慮一條定位軌跡上的兩筆定位紀錄，其記錄地點分別為P₁,P₂，記錄時間點分別 為t ₁、t ₂，瞬時速度分別為v ₁、v ₂。△d表示兩定位地點在路網上的距離，△t=t₂-t₁。本案根據兩筆定位記錄之間的平均車速()和減速係數(Slow Down Index,SDI)來判斷兩筆定位紀錄之間，車輛是否有停車。

減速係數(SDI)的形式如式(1)所示： 其為P₁,P₂兩點間的平均車速(v _a )除以兩點的瞬時速度平均()。SDI是用以呈現兩定位紀錄間的速度變化情況；當SDI偏低時，表示兩筆定位紀錄間有明顯的減速。

當定位軌跡上的兩個定位紀錄點之平均速度(v _a )小於平均速度臨界值(v _a,th )，或減速係數(SDI)小於減速係數臨界值(S _th )時，則判斷兩個定位紀錄點間有停等區間。其中平均速度臨界值與減速係數臨界值可為自行設定之值，舉例來說，考量一條定位軌跡上的兩筆定位紀錄，設定v _a,th =10km/hr，S _th =0.55，當v _a <v _a,th 或SDI<S _th 時，則判斷車輛在這兩筆定位紀錄之間有停車。如判斷有停車，則將兩筆定位紀錄點的時間(t ₁ ,t ₂)設為停等區間。

接著請參閱圖4，其為本案的平均速度分類模型示意圖，圖中可見兩個停等區間A、B，與夾在中間的行進區間C，A₁、A₂、B₁與B₂則為車輛在時間軸上的位置。車輛為由左至右行進，當車輛遇到紅燈時即停駛，遇到綠燈即行進。欲計算圖中車輛的平均車速，考量圖中的情形，有四種類型：類型一、A₂到B₁，僅採計行進區間的平均速度； 類型二、A₂到B₂，採計行進區間C與接在其後的停等區間B的平均速度；類型三、A₁到B₁，採計停等區間A與接在其後的行進區間C的平均速度；類型四、A₁到B₂，採計停等區間A、停等區間B與在其間的行進區間C的平均速度。

本案於一實施例中係採用類型二的先行進後停等模型與類型三的先停等後行進模型，前述之模型都包含一個停車區間和一個行進區間，能較準確反映交通車流速度。當決定了採用的模型後，接下來的問題便是如何取得這兩個模型的平均速度。

於本案中，取得先行進後停等模型與先停等後行進模型的平均速度的運算方法的主要概念是：經由前述方法將一定位軌跡區劃分成停等區間與行車區間後，在自選的兩個停等區間中的定位軌跡，找出速度最快的區間，將之定為起始區間，並設定為一群集；再依據判斷式納入時間早於起始區間的前方區間與時間晚於起始區間的後方區間，擴充此群集使其成為先行進後停等模型與先停等後行進模型。

其中，時間早於起始區間的區間為前方區間，時間晚於起始區間的區間為後方區間，例如：在時間軸上，起始區間涵括之時間為t=10~11秒，t=5~6秒的區間即屬於前方區間，t=15~16秒的區間即屬於後方區間；其中所謂的區間可自行設定，例如以時間間隔來看，可以每1秒設為一個區間，或是取其他時間間隔。接著則以一實施範例說明建立先行進後停等模型與先停等後行進模型的實際流程。

以下為本案應用定位軌跡停等與行進模型估算交通車速方法之一實施範例，請參閱圖5，其為本案建立先行進後停等模型之運算流程 圖。首先，運算開始，進入步驟S501，先在兩個停等區間中的定位軌跡，找出速度最快的區間，將之定為起始區間，並設定為一群集，接著進入步驟S502。例如以時間間隔來看，可以每1秒設為一個區間，接著便計算每個1秒的區間的平均速度，再找出最快的區間。

步驟S502，判斷群集前後是否有未納入任何群集的區間？若有，則進入步驟S503。步驟S503，往時間軸上較早的方向擴展現有群集，例如：在時間軸上，現有群集涵括之時間為t=10~15秒處，往t=9秒的方向擴展即是。當前方區間速度大於群集平均速度時，或前方區間速度大於行進速度的下限(此為自行設定的值，例如：20公里/小時)時，則進入步驟S504，將前方區間加入群集；若否，則進入步驟S505。

步驟S505，往時間軸上較晚的方向擴展現有群集，例如：在時間軸上，現有群集涵括之時間為t=10~15秒處，往t=16秒的方向擴展即是。當後方區間速度小於群集平均速度時，或後方區間速度大於行進速度的下限(例如：20公里/小時)且群集內最小區間速度大於停等速度上限(此為自行設定的值，例如：15公里/小時)時，則進入步驟S506，將後方區間加入群集；若否，則回到步驟S502，並重複執行，直到步驟S502的判斷結果為否為止，群集便擴展為一先行進後停等模型。

請參閱圖6，其為本案建立先停等後行進模型之運算流程圖，其中步驟S601同圖5的步驟S501，故不再贅述。步驟S602，判斷群集前後是否有未納入任何群集的區間？若有，則進入步驟S603。步驟S603，往時間軸上較晚的方向擴展現有群集。當後方區間速度小於群集平均速度時，或後方區間速度大於停等速度的上限(例如：15公里/小時)時，則進 入步驟S604，將後方區間加入群集；若否，則進入步驟S605。

步驟S605，往時間軸上較早的方向擴展現有群集。當前方區間速度小於群集平均速度時，或前方區間速度大於行進速度的下限(例如：20公里/小時)且群集內最小區間速度大於停等速度上限(例如：15公里/小時)時，則進入步驟S606，將前方區間加入群集；若否，則回到步驟S602，並重複執行，直到步驟S602的判斷結果為否為止，群集便擴展為一先行進後停等模型。

將一條定位軌跡以類型二的先行進後停等模型與類型三的先停等後行進模型劃分後，即可計算類型二的平均車速及類型三的平均車速，作為估算交通車速之資料。此外本案亦另提出一方法，是將一定位軌跡上的多個模型與車輛的行進狀態類別進行配對，以提出更精確的分析結果。

本案所提供之方法為：將一交叉路口到下一個交叉路口中間的路程視為一路段，考慮涵蓋每一路段的類型二平均車速與類型三平均車速，依據車輛在前後二路口的行進型態進行分類。

於一實施例中，本案所採用的行進型態包含：直行、左轉、右轉，但亦可擴充或改用其他的分類方式，例如加入往斜前方行駛等情況或是改用行駛的角度的方法。以採用直行、左轉、右轉的行進型態為例，連續前後兩個路口便會有九種行進型態類別，如表1所示：

將一定位軌跡上依類型二模型、類型三模型與其所對應的行進型態類別進行分類後，即可得到各個行進型態類別的平均車速，提出更精細的估算結果。

以下則提出一範例實施例，對本案的實際運用方式作一連貫性之演示。

請參閱圖7，其為本案一實施例之運作示意圖，本實施例之目的為利用定位軌跡資訊估測車速流量，為了取得估計交通車速所用的定位軌跡，需要有多輛探偵車實際在路網上行駛，並回傳定位資訊，以作為分析之依據。故圖7中包含了演示此方法所需的交通資訊中心3(Traffic Information Center,TIC)、路網資訊資料庫4、探偵車5、通訊模組6、基地台8。其中，交通資訊中心3包含定位資訊接收模組31、地圖匹配模組32、軌跡分析模組33與車速估測模組34四個軟體模組。

探偵車5為配備GPS接收器和無線通訊功能設備之車輛。交通資訊中心3裡的定位資訊接收模組31係連接至地圖匹配模組32，並連接到外部之通訊模組6，軌跡分析模組33則連接至地圖匹配模組32與車速估測模組34。通訊模組6則是用於接收無線通訊訊號，其規格可採用藍芽、wifi、2G/3G/4G等通訊介面。另外，於本實施例中，係採用GPS定位系統作為示例，但實際應用上並不僅限於GPS定位系統，亦可使用其他類型之定位系統實現本技術方案，例如：北斗導航系統、全球導航衛星系統系統(GLONASS)等。

以下將先說明單一一筆GPS定位紀錄的情況，而後再擴展至多筆GPS定位紀錄的應用情形。

先考慮單一一筆GPS定位紀錄的情況：本案在欲估算車速之路網70上，分派了一輛探偵車5進行GPS定位軌跡資訊的蒐集工作，並利用GPS接收器，週期性記錄探偵車5所在位置、瞬時車速、及前進方向，並利用無線通訊設備透過基地台8傳送上述記錄到交通資訊中心3所外接的通訊模組6，通訊模組6再將訊號傳給定位資訊接收模組31。

定位資訊接收模組31接收來自探偵車5的GPS定位軌跡資訊後，會將該資訊傳送給地圖匹配模組32，地圖匹配模組32則根據GPS定位軌跡資訊，和路網資訊資料庫4提供的路網資訊進行地圖匹配(map-matching)，將探偵車5的位置記錄依序定位於路網地圖上。地圖匹配模組32亦根據地圖匹配的結果來計算GPS定位軌跡上連續兩個定位點間探偵車5所移動的距離，以及是否通過交叉路口。如果有通過交叉路口，則分析與記錄其通過方式是直行、右轉或左轉中的哪一種以作為之後進行行進型態類別分類之依據，在本實施例中則是依據前述(如表1)所載之內容作為行進型態類別之分類。

接著軌跡分析模組33則進行停等區間之分析，並將一GPS定位軌跡劃分成停等區間與行進區間，以作為之後建立先行進後停等模型與先停等後行進模型之依據。判斷停等區間的運算方式如下：考慮一GPS定位軌跡上的連續兩個紀錄點，如圖2所示，計算其平均車速(v _a )和減速係數(SDI)(如式1)，如果平均速度小於平均速度臨界值(v _a,th )(如10km/hr)，或SDI<S _th (例如S _th =0.55)，則判斷兩個紀錄點之間為停 等區間。此外，當GPS定位軌跡上的連續兩個以上的紀錄點都被判定為停等區間時，合併連續的停等區間為同一停等區間，其他區間則被劃為行進區間。

將GPS定位軌跡劃分成停等區間與行進區間後，車速估測模組34使用圖3所示之方法建立先行進後停等模型，另使用圖4所示之方法建立先停等後行進模型，並分別計算其平均車速。

除了前述方法之外，亦有更單純的方案：將前述依據軌跡分析模組33將GPS定位軌跡劃分成行進區間與停等區間的結果，將行進區間與接在其後的停等區間組合成為另一種先行進後停等模型，並將停等區間與接在其後的行進區間組合成為另一種先停等後行進模型，並計算此種先行進後停等模型和先停等後行進模型的平均車速。

以上則完成對單一GPS定位軌跡的分析。然而如前所述，於本案實際運用過程中，會需要佈署多輛行駛於路網70上的探偵車5，以取得多筆GPS定位軌跡之紀錄，藉以增加數據的代表性，故接著需考量多筆GPS定位軌跡的情況。

多筆GPS定位軌跡的情況下，每一條GPS定位軌跡皆是以前述之方法處理，但在計算完多筆GPS定位軌跡的類型二和類型三的平均車速後，則可依據地圖匹配模組32紀錄所衍生之行進型態類別將之分類，並計算個行進型態類別的平均車速。舉例來說，若目前有三輛探偵車在路網70上行駛蒐集數據，其於某一特定行進型態類別(例如：行經兩個連續交叉路口時為先直行後右轉)的速度若分別為45、50、55公里/小時，則可計算出於此種行進型態類別的平均速度為50公里/小時。最後，車速估測模組34 發布所得到的平均車速之估測結果。

上述根據行進型態類別分類的平均車速可用於估計較長距離的旅行時間。首先，根據較長距離的旅行路徑，決定路徑經過的交叉路口及其行進型態。根據上述前後二連續交叉路口對應GPS探偵車行進型態之平均車速和該路段的長度，計算該路段的旅行時間。加總各路段的旅行時間即可得到長距離的旅行時間。

請參閱圖8，其為本案的實測每5分鐘長期平均速度圖，其係使用從新竹市建功路到水源街所記錄的GPS軌跡所作成，從圖中可看出本案之實際效果。此資料由中華電信管理車隊所提供，時間為2011/07-2013/06共兩年，紀錄時間為平常日(非週末)。其中縱軸為行車速度，橫軸為一天中的各個時段。其中菱形的點為使用類型二模型所計算出來的車速，方形的點為使用類型三模型所計算出來的車速，而三角形的點則為用傳統方法(即不採用停等區間模型)所計算出來的車速。

在此將比較使用傳統方式及使用本案之先行進後停等模型與先停等後行進模型的車速估測結果。先觀察圖中方型與菱形的點(本案提出之方法)，可發現各點的分佈情況皆非常接近彼此，且連續性較佳，不會有太過明顯的跳動狀況；反觀三角形的點(傳統方法)則有明顯的跳動，代表其連續性不佳，換言之，也表示傳統方法的估測結果誤差較大。因此可做出以本案之方法來估測行車速度時，其離散程度較傳統之估測方式為低、有更穩定的平均速度之結論，代表其因採用了更貼近現實之情況之模型，故得到了更符合實際狀況的準確結果。

上列詳細說明係針對本案之一可行實施例之具體說明，惟該 實施例並非用以限制本案之專利範圍，凡未脫離本案技藝精神所為之等效實施或變更，均應包含於本案之專利範圍中。

Claims (11)

1. 一種應用定位軌跡停等與行進模型估算交通車速方法，其係應用於一具運算能力之電子裝置，包含下列步驟：將一定位軌跡劃分成一個或複數個停等區間，與一個或複數個行進區間；以該行進區間與接在其後的該停等區間建立先行進後停等模型；以該停等區間與接在其後的該行進區間建立先停等後行進模型；以及分析該先行進後停等模型與該先停等後行進模型的平均速度，以依據該等平均速度提供一交通車速估測值。
2. 如請求項1所述之應用定位軌跡停等與行進模型估算交通車速方法，其中分析該先行進後停等模型的平均速度之步驟，進一步包含下列子步驟：在連續兩個該停等區間之間的定位軌跡中找出速度最快的區間，定為起始區間，並將之設定為第一群集；以及擴充該第一群集使其成為該先行進後停等模型。
3. 如請求項2所述之應用定位軌跡停等與行進模型估算交通車速方法，其中擴充該第一群集之步驟，進一步包含：由該起始區間往時間軸前後擴充該第一群集。
4. 請求項3所述之應用定位軌跡停等與行進模型估算交通車速方法，其中由該起始區間往時間軸前後擴展該第一群集的步驟，包含下列子步驟：當時間早於該起始區間的前方區間之速度大於該第一群集的平均速度時，將該前方區間加入該第一群集；以及當時間晚於該起始區間的後方區間之速度小於該第一群集的平均速度時，將該後方區間加入該第一群集。
5. 如請求項1所述之應用定位軌跡停等與行進模型估算交通車速方法，其中分析該先停等後行進模型的平均速度，包含下列步驟：在連續兩個該停等區間之間的定位軌跡中找出速度最快的區間，定為起始區間，並將之設定為第二群集；以及擴充該第二群集使其成為該先停等後行進模型。
6. 如請求項5所述之應用定位軌跡停等與行進模型估算交通車速方法，其中擴充該第二群集的步驟，包含：由該起始區間往時間軸前後擴充該第二群集。
7. 如請求項6所述之應用定位軌跡停等與行進模型估算交通車速方法，其中由該起始區間往時間軸前後擴展該第二群集的步驟，包含：當時間早於該起始區間的前方區間之速度小於該第二群集的平均速度時，將該前方區間加入該第二群集；以及當時間晚於該起始區間的後方區間之速度大於該第二群集的平均速度時，將該後方區間加入該第二群集。
8. 如請求項1所述之應用定位軌跡停等與行進模型估算交通車速方法，其中決定該停等區間與該行進區間的步驟，進一步包含下列子步驟：當該定位軌跡上的兩個連續定位紀錄點之平均速度小於平均速度臨界值，或減速係數小於減速係數臨界值時，則判斷該兩個定位紀錄點間有停等區間。
9. 如請求項8所述之應用定位軌跡停等與行進模型估算交通車速方法，其中該減速係數係將從第一個定位紀錄點行進到第二個定位紀錄點之平均速度，除以該第一個定位紀錄點的瞬時速度與該第二個定位紀錄點的瞬時 速度的平均速度。
10. 如請求項1所述之應用定位軌跡停等與行進模型估算交通車速方法，更包含：依據行進型態類別對該定位軌跡進行分類，並分析與各該行進型態類別相對應的該先停等後行進模型與該先停等後行進模型的平均速度。
11. 如請求項10所述之應用定位軌跡停等與行進模型估算交通車速方法，其中該行進型態類別係依據該定位軌跡於連續兩個交叉路口的行進型態進行分類。