CN104778274A - 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 - Google Patents
基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 Download PDFInfo
- Publication number
- CN104778274A CN104778274A CN201510203390.7A CN201510203390A CN104778274A CN 104778274 A CN104778274 A CN 104778274A CN 201510203390 A CN201510203390 A CN 201510203390A CN 104778274 A CN104778274 A CN 104778274A
- Authority
- CN
- China
- Prior art keywords
- section
- sub
- taxi
- coordinate
- data
- 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
Links
Landscapes
- Traffic Control Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,包括数据处理和旅行时间估计:数据处理主要是完成实时GPS数据的预处理、经纬度坐标变换、地图匹配,估计出单个GPS设备点位在地图上的时空位置;旅行时间估计部分则是基于获取的单个车辆时空位置数据,进行单车行驶轨迹推算、子路段速度估计和路段速度估计,最终得到全网各路段的旅行时间和平均运行速度。
Description
技术领域:
本发明涉及一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,属于智能交通***的技术领域。
背景技术:
面对急剧增长的城市机动车保有量和居民出行总量,大中型城市的交通供给能力远小于交通需求增长,加之意外事件频发,极易引发大范围交通拥堵或局部瘫痪。而作为主要改善交通运输效率的信号控制和交通诱导策略设计,均依赖于实时交通网络的旅行时间或运行速度。同样,出行者也需要及时掌握路网的交通状态来调整出行计划和出行线路。因此,研究城市全路网的旅行时间实时估计算法有助于提高出行的目的性,主动引导出行规划,动态优化信号配时和意外交通事件应急处理能力,从而缓解城市交通压力,减少出行成本,提升出行品质。
现有城市路网的旅行时间估计算法主要归纳为以下几类:(1)基于双检测器的路段旅行时间估计算法是通过假设所有车辆通行的速度是常值、且没有超车情况,在车辆速度差异较大时误差也随之增大。(2)基于波动理论和排队理论的路段旅行时间估计算法是借助安装在路口上游的检测器能实时获取到的车辆数、占有率和信号灯状态,根据排队理论和波动理论,计算路段上车辆的整体排队时间和旅行时间。但该方法要求检测器和信号灯的时钟完全准确同步,而且只能用于信号灯控路口,建设成本极高。(3)基于车牌识别***的估计算法是利用两个检测断面上获取的通行车辆车牌信息进行估计,但该方法只能估计出已安装视频设备的路段。当路段较长时,能够检测到的通行车辆非常有限,而且交叉道路较多,部分车辆绕行后继续返回原路段将会导致较大的检测误差。(4)基于GPS的路段旅行时间估计算法是根据车载GPS设备实时上传的固定间隔的坐标数据进行地图匹配,然后计算出两个定位点之间的时间差,并累加为整个路段的旅行时间。基于GPS的现有估计方法均未能考虑到数据上传间隔、道路拥堵、GPS设备较少、路段较长四个方面的因素导致检测数据稀疏时,无法准确获取路段的旅行时间。
发明内容:
针对现有技术的不足,本发明提出一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,该方法综合考虑了可被利用的有效GPS数据量、路段长度、数据上传间隔、路段拥挤程度四个不同方面的影响因素,有效提高了大范围城市路网旅行时间估计的准确性和快速性。在地图匹配部分,引入了快速匹配算法,对大中型城市级别的出租车GPS数据实现快速匹配,极大节省了硬件处理资源;在单车轨迹搜索部分,提出基于历史定位点进行车辆行驶轨迹的异常点剔除与修正算法;在路段旅行时间估计部分,首次引入分段估计算法,充分利用能够获取的稀疏GPS定位数据,解决因车辆少、路段长、上传间隔大、道路拥挤等因素造成的难以估计问题。整个方法提高了基于GPS定位数据的城市路网旅行时间估计算法的准确性、可靠性和实效性。
本发明的技术方案如下:
发明概述:
一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,包括数据处理和旅行时间估计:数据处理主要是完成实时GPS数据预处理、经纬度坐标变换、地图匹配,估计出单个GPS设备点位在地图上的时空位置;旅行时间估计部分则是基于获取的单个车辆时空位置数据,进行单车行驶轨迹推算、子路段速度估计和路段速度估计,最终得到全网各路段的旅行时间和平均运行速度。
发明详述:
一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,包括以下步骤:
(1)定义路段和子路段、建立标准化的静态路网基础信息数据库:
a)定义路段和子路段:所述路段包括多条首尾相连的子路段;
b)建立标准化的静态路网基础信息数据库,包括路段信息和子路段信息;所述路段信息,包括路段起点坐标、路段终点坐标和路段行驶方向;所述子路段信息包括子路段起点坐标、子路段终点坐标和子路段行驶方向;
(2)建立出租车GPS数据动态数据表:
首先,定位间隔定义为出租车GPS坐标数据上传的时间间隔,以秒为单位,例如15秒;然后,数据处理间隔定义为将一定时间段内的GPS数据进行集中处理,以分钟为单位,例如1分钟;以数据处理间隔为界限,临时存储当前间隔内的所有出租车GPS定位数据,并对所述GPS定位数据进行预处理,得到符合预设记录格式的出租车GPS数据动态数据表;
(3)基于数据库强大的数据运算能力,编写数据库存储过程实时抓取当前数据处理间隔内采集的GPS数据并进行经纬度坐标变换,即将WGS-84坐标系下的GPS经纬度转化为笛卡尔平面坐标,得到出租车GPS笛卡尔平面坐标数据;
(4)将步骤(3)所述出租车GPS笛卡尔平面坐标数据和步骤(1)标准化的静态路网基础信息数据相结合,进行地图匹配:将出租车GPS笛卡尔平面坐标数据转化成以路段为参考点的一维距离坐标,即,离路段参考点的距离;
(5)利用步骤(4)已经计算的一维坐标系下,单辆出租车最近四个历史坐标点的坐标、车头角度和定位时刻,判断单个出租车当前位置的实际行驶路段和方向,校准出租车的行驶轨迹;
(6)基于校准后的车辆轨迹和子路段信息,估计出租车在子路段上的行驶速度,将所有经过该子路段的出租车速度取平均值作为该子路段的平均速度,并依次计算出每个路段上所有子路段的平均速度;
(7)根据子路段的平均速度和子路段长度,计算各个子路段的旅行时间,并计算出整个路段的旅行时间和平均速度;
(8)保存估计的路段旅行时间和平均速度;重复步骤(2)-步骤(8),估计下一数据处理间隔的路段旅行时间和平均速度。
根据本发明优选的,所述步骤(1)中,所述路段定义为:以信号灯控路口、非灯控路口或沿街出入口为一条路段的起点或终点,并分别在数据库中存储WGS-84坐标系下的经纬度和笛卡尔坐标系两种二维坐标表示方式,且该路段具有行驶方向属性;所述子路段定义为:将单条路段按照等长度原则分别划分为不同的子路段,子路段是以路段的起点为参考点,以子路段的长度和子路段的行驶方向采用一维坐标表示。
根据本发明优选的,所述步骤(1)中所述的路段与子路段的关系为:
在式(I)中,Lij代表从起点i到终点j的路段长度;lijk为起点i到终点j的路段上第k个子路段的长度;Nij为路段包含的子路段个数;D代表同一路段中每个子路段的长度。
根据本发明优选的,所述步骤(2)中,临时存储当前数据处理间隔的出租车GPS定位数据包括出租车GPS设备唯一标识码、定位时刻、GPS设备上传的WGS-84经纬度坐标和车头方向字段。
根据本发明优选的,所述步骤(2)中所述的数据预处理包括:错误、重复和丢失数据处理阶段。
所述错误数据处理是按照城市范围内所有路段组成的最大路网范围为边界删除超出边界的坐标点。
所述重复数据处理是按照GPS设备唯一标识号将同一定位间隔、同一标识号的所有定位数据取算术平均值作为当前定位间隔的数据。
所述丢失数据处理是按照相同GPS设备、定位时刻两个字段对原始数据进行排序,检测定位时刻是否连续,并判断数据是否丢失;若丢失记录条数不小于2个,则丢弃当前定位时刻与上一定位时刻之间的行驶轨迹数据;若丢失记录条数为1个,则通过相邻定位时刻的数据采用线性插值法进行补齐。
根据本发明优选的,所述步骤(3)中对实时抓取的上一定位间隔GPS数据进行经纬度坐标变换是采用高斯克吕格算法将GPS经纬度坐标转化为笛卡尔平面坐标,以静态路网数据中路网中心点作为笛卡尔坐标轴零点,并定义自西向东和自南向北为分别为两个坐标轴的正方向。
根据本发明优选的,所述步骤(4)中的地图匹配原则是点到直线的距离最短:转换后的GPS笛卡尔平面坐标投影到路段上,形成定位点o,与出租车GPS笛卡尔平面坐标距离最近且车头方向与路段行驶方向一致的路段即为当前行驶的路段。
根据本发明优选的,所述地图匹配还包括坐标匹配,步骤如下:
对于单个坐标点,首先从路段集合中筛选出备选路段,其路段坐标要求满足以下条件:
式(II)中,xi和yi分别代表路段起点i的横坐标和纵坐标;xj和yj分别代表路段终点j的横坐标和纵坐标;xo和yo分别代表定位点o的横坐标和纵坐标;max(Lij)代表所有路段中长度最大值;Derror代表所有GPS设备定位误差最大值,α为保守系数。
根据本发明优选的,所述步骤(4)中的地图匹配方法为投影算法,其定位点o到路段的距离计算公式为
而投影点为
以路段起点为参考点,进行二次坐标转换,将二维平面坐标转换成一维距离坐标,即:投影点至路段参考点的距离
根据本发明优选的,所述步骤(5)中校准出租车的行驶轨迹是利用步骤(4)已经计算的一维坐标系下,单辆出租车最近四个历史坐标点的坐标进行车辆行驶轨迹修正,其修正类型及方法包括:定位路段修正和行驶方向修正:
所述单辆出租车定位路段修正是指匹配后的连续三个定位点,当位于中间的定位点匹配后的路段与位于两端的定位点匹配的路段不同时,则将中间定位点直接匹配到两个端点所匹配的路段上,并根据步骤(4)重新计算位于中间的定位点的新投影点;
所述行驶方向修正是指当连续四个投影后一维坐标点均在相同路段上,但其四个投影点的行驶方向为正方向和负方向交替出现时,则以每个定位点的车头定位角度为准进行修正。
根据本发明优选的,所述步骤(6)的估计出租车在子路段上的行驶速度包括单个出租车行驶的子路段速度匹配和子路段速度估计两个阶段:
所述单个出租车行驶的子路段速度匹配阶段是根据相邻两个定位点的一维坐标计算出车辆平均速度为式中dp1p2为第m辆车在p1和p2两相邻投影点之间的实际行驶距离,T为定位间隔;
根据单个出租车的速度和两个定位点的位置不同,将子路段匹配分为以下三类:
类I:p1和p2属于同一路段ij,有
式(V)中q1和q2均为整数,如果p1和p2的行驶方向为远离参考点i,则通过第m辆车的行驶轨迹估计的子路段平均速度计算公式为vijk(m)=vp1p2(m),
类II:p1和p2分别属于路段ij和jz,有
如p1和p2的行驶方向均为分别远离两个路段的参考点i和j,则子路段平均速度计算公式为
类III:p1和p2分别属于路段ij和wz,且行驶轨迹分别经过路段ij、jw和wz,有
如p1和p2的行驶方向均为分别远离两个路段的参考点i和j,则子路段平均速度计算公式为
子路段速度估计包括:在数据处理间隔内,根据所有单个出租车子路段匹配后的速度估计子路段的平均速度,其计算公式为
式(X)中M表示依次经过该子路段的所有出租车次数。
根据本发明优选的,所述步骤(7)中整个路段的旅行时间根据子路段的长度ttij与平均速度Vij进行计算,其计算公式为:
而整个路段的车辆平均行驶速度为
本发明的优势在于:
本发明基于稀疏出租车GPS定位数据的大范围城市路网旅行时间的估计算法其主要优点和产生的社会效果表现在以下方面:
(1)本发明分为数据处理和旅行时间估计两部分,综合考虑了大范围路网中GPS上传的海量数据的实时处理和实时估计对算法执行效率的影响,以及数据稀疏路网中对算法估计准确性的影响,克服了传统估计算法无法适用于数据稀疏路段和拥堵较严重等情况下的缺点,有效提高了大范围城市路段旅行时间和平均速度估计的精确性、可靠性和时效性。
(2)本发明首次提出了基于历史定位点的位置和车头方向同时进行车辆行驶轨迹的异常点剔除与修正算法,使其更符合实际复杂多变车流行驶特性,提高了车辆行驶轨迹估计的准确性。
(3)本发明首次引入速度分段估计算法,充分利用获取到的稀疏GPS定位数据,解决因车辆少、路段长、上传间隔大和道路拥挤等因素造成的数据稀疏导致无法估计的难题,提高了旅行时间和行驶速度估计的准确性、可靠性和时效性。
(4)本发明的积极效果是提出的路段旅行时间估计算法对实时采集的GPS数据量的依赖性较低,而又能及时、准确、可靠的估计城市范围内全路网各个路段的平均旅行时间和行驶速度,为交通管理与控制、交通诱导及出行规划提供有益帮助。
附图说明
图1是本发明所述基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法的流程图。
具体实施方式
以下结合附图和实施例对本发明做进一步详述,但不限于此。
实施例1、
一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,包括以下步骤:
(1)定义路段和子路段、建立标准化的静态路网基础信息数据库:
a)定义路段和子路段:所述路段包括多条首尾相连的子路段;
b)建立标准化的静态路网基础信息数据库,包括路段信息和子路段信息;所述路段信息,包括路段起点坐标、路段终点坐标和路段行驶方向;所述子路段信息包括子路段起点坐标、子路段终点坐标和子路段行驶方向;
(2)建立出租车GPS数据动态数据表:
首先,定位间隔定义为出租车GPS坐标数据上传的时间间隔,以秒为单位,例如15秒;然后,数据处理间隔定义为将一定时间段内的GPS数据进行集中处理,以分钟为单位,例如1分钟;以数据处理间隔为界限,临时存储当前间隔内的所有出租车GPS定位数据,并对所述GPS定位数据进行预处理,得到符合预设记录格式的出租车GPS数据动态数据表;
(3)基于数据库强大的数据运算能力,编写数据库存储过程实时抓取当前数据处理间隔内采集的GPS数据并进行经纬度坐标变换,即将WGS-84坐标系下的GPS经纬度转化为笛卡尔平面坐标,得到出租车GPS笛卡尔平面坐标数据;
(4)将步骤(3)所述出租车GPS笛卡尔平面坐标数据和步骤(1)标准化的静态路网基础信息数据相结合,进行地图匹配:将出租车GPS笛卡尔平面坐标数据转化成以路段为参考点的一维距离坐标,即,离路段参考点的距离;
(5)利用步骤(4)已经计算的一维坐标系下,单辆出租车最近四个历史坐标点的坐标、车头角度和定位时刻,判断单个出租车当前位置的实际行驶路段和方向,校准出租车的行驶轨迹;
(6)基于校准后的车辆轨迹和子路段信息,估计出租车在子路段上的行驶速度,将所有经过该子路段的出租车速度取平均值作为该子路段的平均速度,并依次计算出每个路段上所有子路段的平均速度;
(7)根据子路段的平均速度和子路段长度,计算各个子路段的旅行时间,并计算出整个路段的旅行时间和平均速度;
(8)保存估计的路段旅行时间和平均速度;重复步骤(2)-步骤(8),估计下一数据处理间隔的路段旅行时间和平均速度。
实施例2、
如实施例1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其区别在于,所述步骤(1)中,所述路段定义为:以信号灯控路口、非灯控路口或沿街出入口为一条路段的起点或终点,并分别在数据库中存储WGS-84坐标系下的经纬度和笛卡尔坐标系两种二维坐标表示方式,且该路段具有行驶方向属性;所述子路段定义为:将单条路段按照等长度原则分别划分为不同的子路段,子路段是以路段的起点为参考点,以子路段的长度和子路段的行驶方向采用一维坐标表示。
所述步骤(1)中所述的路段与子路段的关系为:
在式(I)中,Lij代表从起点i到终点j的路段长度;lijk为起点i到终点j的路段上第k个子路段的长度;Nij为路段包含的子路段个数;D代表同一路段中每个子路段的长度。
实施例3、
如实施例1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其区别在于,所述步骤(2)中,临时存储当前数据处理间隔的出租车GPS定位数据包括出租车GPS设备唯一标识码、定位时刻、GPS设备上传的WGS-84经纬度坐标和车头方向字段。
所述步骤(2)中所述的数据预处理包括:错误、重复和丢失数据处理阶段。
所述错误数据处理是按照城市范围内所有路段组成的最大路网范围为边界删除超出边界的坐标点。
所述重复数据处理是按照GPS设备唯一标识号将同一定位间隔、同一标识号的所有定位数据取算术平均值作为当前定位间隔的数据。
所述丢失数据处理是按照相同GPS设备、定位时刻两个字段对原始数据进行排序,检测定位时刻是否连续,并判断数据是否丢失;若丢失记录条数不小于2个,则丢弃当前定位时刻与上一定位时刻之间的行驶轨迹数据;若丢失记录条数为1个,则通过相邻定位时刻的数据采用线性插值法进行补齐。
实施例4、
如实施例1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其区别在于,所述步骤(3)中对实时抓取的上一定位间隔GPS数据进行经纬度坐标变换是采用高斯克吕格算法将GPS经纬度坐标转化为笛卡尔平面坐标,以静态路网数据中路网中心点作为笛卡尔坐标轴零点,并定义自西向东和自南向北为分别为两个坐标轴的正方向。
实施例5、
如实施例1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其区别在于,所述步骤(4)中的地图匹配原则是点到直线的距离最短:转换后的GPS笛卡尔平面坐标投影到路段上,形成定位点o,与出租车GPS笛卡尔平面坐标距离最近且车头方向与路段行驶方向一致的路段即为当前行驶的路段。
所述地图匹配还包括坐标匹配,步骤如下:
对于单个坐标点,首先从路段集合中筛选出备选路段,其路段坐标要求满足以下条件:
式(II)中,xi和yi分别代表路段起点i的横坐标和纵坐标;xj和yj分别代表路段终点j的横坐标和纵坐标;xo和yo分别代表定位点o的横坐标和纵坐标;max(Lij)代表所有路段中长度最大值;Derror代表所有GPS设备定位误差最大值,α为保守系数。
所述步骤(4)中的地图匹配方法为投影算法,其定位点o到路段的距离计算公式为
而投影点为
以路段起点为参考点,进行二次坐标转换,将二维平面坐标转换成一维距离坐标,即:投影点至路段参考点的距离
实施例6、
如实施例5所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其区别在于,所述步骤(5)中校准出租车的行驶轨迹是利用步骤(4)已经计算的一维坐标系下,单辆出租车最近四个历史坐标点的坐标进行车辆行驶轨迹修正,其修正类型及方法包括:定位路段修正和行驶方向修正:
所述单辆出租车定位路段修正是指匹配后的连续三个定位点,当位于中间的定位点匹配后的路段与位于两端的定位点匹配的路段不同时,则将中间定位点直接匹配到两个端点所匹配的路段上,并根据步骤(4)重新计算位于中间的定位点的新投影点;
所述行驶方向修正是指当连续四个投影后一维坐标点均在相同路段上,但其四个投影点的行驶方向为正方向和负方向交替出现时,则以每个定位点的车头定位角度为准进行修正。
实施例7、
如实施例1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其区别在于,所述步骤(6)的估计出租车在子路段上的行驶速度包括单个出租车行驶的子路段速度匹配和子路段速度估计两个阶段:
所述单个出租车行驶的子路段速度匹配阶段是根据相邻两个定位点的一维坐标计算出车辆平均速度为式中dp1p2为第m辆车在p1和p2两相邻投影点之间的实际行驶距离,T为定位间隔;
根据单个出租车的速度和两个定位点的位置不同,将子路段匹配分为以下三类:
类I:p1和p2属于同一路段ij,有
式(V)中q1和q2均为整数,如果p1和p2的行驶方向为远离参考点i,则通过第m辆车的行驶轨迹估计的子路段平均速度计算公式为vijk(m)=vp1p2(m),
类II:p1和p2分别属于路段ij和jz,有
如p1和p2的行驶方向均为分别远离两个路段的参考点i和j,则子路段平均速度计算公式为
类III:p1和p2分别属于路段ij和wz,且行驶轨迹分别经过路段ij、jw和wz,有
如p1和p2的行驶方向均为分别远离两个路段的参考点i和j,则子路段平均速度计算公式为
子路段速度估计包括:在数据处理间隔内,根据所有单个出租车子路段匹配后的速度估计子路段的平均速度,其计算公式为
式(X)中M表示依次经过该子路段的所有出租车次数。
所述步骤(7)中整个路段的旅行时间根据子路段的长度ttij与平均速度Vij进行计算,其计算公式为:
而整个路段的车辆平均行驶速度为
Claims (10)
1.一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,该方法包括以下步骤:
(1)定义路段和子路段、建立标准化的静态路网基础信息数据库:
a)定义路段和子路段:所述路段包括多条首尾相连的子路段;
b)建立标准化的静态路网基础信息数据库,包括路段信息和子路段信息;所述路段信息,包括路段起点坐标、路段的终点坐标和路段行驶方向;所述子路段信息包括子路段起点坐标、子路段终点坐标和子路段行驶方向;
(2)建立出租车GPS数据动态数据表:
首先,定位间隔定义为出租车GPS坐标数据上传的时间间隔,以秒为单位;然后,数据处理间隔定义为将一定时间段内的GPS数据进行集中处理,以分钟为单位;以数据处理间隔为界限,临时存储当前间隔内的所有出租车GPS定位数据,并对所述GPS定位数据进行预处理,得到符合预设记录格式的出租车GPS数据动态数据表;
(3)编写数据库存储过程实时抓取当前数据处理间隔内采集的GPS数据并进行经纬度坐标变换,即将WGS-84坐标系下的GPS经纬度转化为笛卡尔平面坐标,得到出租车GPS笛卡尔平面坐标数据;
(4)将步骤(3)所述出租车GPS笛卡尔平面坐标数据和步骤(1)标准化的静态路网基础信息数据相结合,进行地图匹配:将出租车GPS笛卡尔平面坐标数据转化成以路段为参考点的一维距离坐标,即,离路段参考点的距离;
(5)利用步骤(4)已经计算的一维坐标系下,单辆出租车最近四个历史坐标点的坐标、车头角度和定位时刻,判断单个出租车当前位置的实际行驶路段和方向,校准出租车的行驶轨迹;
(6)基于校准后的车辆轨迹和子路段信息,估计出租车在子路段上的行驶速度,将所有经过该子路段的出租车速度取平均值作为该子路段的平均速度,并依次计算出每个路段上所有子路段的平均速度;
(7)根据子路段的平均速度和子路段长度,计算各个子路段的旅行时间,并计算出整个路段的旅行时间和平均速度;
(8)保存估计的路段旅行时间和平均速度;重复步骤(2)-步骤(8),估计下一数据处理间隔的路段旅行时间和平均速度。
2.根据权利要求1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述步骤(1)中,所述路段定义为:以信号灯控路口、非灯控路口或沿街出入口为一条路段的起点或终点,并分别在数据库中存储WGS-84坐标系下的经纬度和笛卡尔坐标系两种二维坐标表示方式,且该路段具有行驶方向属性;所述子路段定义为:将单条路段按照等长度原则分别划分为不同的子路段,子路段是以路段的起点为参考点,以子路段的长度和子路段的行驶方向采用一维坐标表示;
所述步骤(1)中所述的路段与子路段的关系为:
在式(I)中,Lij代表从起点i到终点j的路段长度;lijk为起点i到终点j的路段上第k个子路段的长度;Nij为路段包含的子路段个数;D代表同一路段中每个子路段的长度。
3.根据权利要求1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述步骤(2)中,临时存储当前数据处理间隔的出租车GPS定位数据包括出租车GPS设备唯一标识码、定位时刻、GPS设备上传的WGS-84经纬度坐标和车头方向字段;所述步骤(2)中所述的数据预处理包括:错误、重复和丢失数据处理阶段。
4.根据权利要求1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述步骤(3)中对实时抓取的上一定位间隔GPS数据进行经纬度坐标变换是采用高斯克吕格算法将GPS经纬度坐标转化为笛卡尔平面坐标,以静态路网数据中路网中心点作为笛卡尔坐标轴零点,并定义自西向东和自南向北为分别为两个坐标轴的正方向。
5.根据权利要求1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述步骤(4)中的地图匹配原则是点到直线的距离最短:转换后的GPS笛卡尔平面坐标投影到路段上,形成定位点o,与出租车GPS笛卡尔平面坐标距离最近且车头方向与路段行驶方向一致的路段即为当前行驶的路段。
6.根据权利要求5所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述地图匹配还包括坐标匹配,步骤如下:
对于单个坐标点,首先从路段集合中筛选出备选路段,其路段坐标要求满足以下条件:
式(II)中,xi和yi分别代表路段起点i的横坐标和纵坐标;xj和yj分别代表路段终点j的横坐标和纵坐标;xo和yo分别代表定位点o的横坐标和纵坐标;max(Lij)代表所有路段中长度最大值;Derror代表所有GPS设备定位误差最大值,α为保守系数。
7.根据权利要求6所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述步骤(4)中地图匹配的方法为投影算法,其定位点o到路段的距离计算公式为
而投影点为
以路段起点为参考点,进行二次坐标转换,将二维平面坐标转换成一维距离坐标,即:投影点至路段参考点的距离
8.根据权利要求1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述步骤(5)中校准出租车的行驶轨迹是利用步骤(4)已经计算的一维坐标系下,单辆出租车最近四个历史坐标点的坐标进行车辆行驶轨迹修正,其修正类型及方法包括:定位路段修正和行驶方向修正:
所述单辆出租车定位路段修正是指匹配后的连续三个定位点,当位于中间的定位点匹配后的路段与位于两端的定位点匹配的路段不同时,则将中间定位点直接匹配到两个端点所匹配的路段上,并根据步骤(4)重新计算位于中间的定位点的新投影点;
所述行驶方向修正是指当连续四个投影后一维坐标点均在相同路段上,但其四个投影点的行驶方向为正方向和负方向交替出现时,则以每个定位点的车头定位角度为准进行修正。
9.根据权利要求1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述步骤(6)的估计出租车在子路段上的行驶速度包括单个出租车行驶的子路段速度匹配和子路段速度估计两个阶段:
所述单个出租车行驶的子路段速度匹配阶段是根据相邻两个定位点的一维坐标计算出车辆平均速度为式中dp1p2为第m辆车在p1和p2两相邻投影点之间的实际行驶距离,T为定位间隔;
根据单个出租车的速度和两个定位点的位置不同,将子路段匹配分为以下三类:
类I:p1和p2属于同一路段ij,有
式(V)中q1和q2均为整数,如果p1和p2的行驶方向为远离参考点i,则通过第m辆车的行驶轨迹估计的子路段平均速度计算公式为vijk(m)=vp1p2(m),
类II:p1和p2分别属于路段ij和jz,有
如p1和p2的行驶方向均为分别远离两个路段的参考点i和j,则子路段平均速度计算公式为
类III:p1和p2分别属于路段ij和wz,且行驶轨迹分别经过路段ij、jw和wz,有
如p1和p2的行驶方向均为分别远离两个路段的参考点i和j,则子路段平均速度计算公式为
子路段速度估计包括:在数据处理间隔内,根据所有单个出租车子路段匹配后的速度估计子路段的平均速度,其计算公式为
式(X)中M表示依次经过该子路段的所有出租车次数。
10.根据权利要求1所述的一种基于稀疏出租车GPS数据的大范围城市路网旅行时间估计方法,其特征在于,所述步骤(7)中整个路段的旅行时间根据子路段的长度ttij与平均速度Vij进行计算,其计算公式为:
而整个路段的车辆平均行驶速度为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510203390.7A CN104778274B (zh) | 2015-04-23 | 2015-04-23 | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510203390.7A CN104778274B (zh) | 2015-04-23 | 2015-04-23 | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778274A true CN104778274A (zh) | 2015-07-15 |
CN104778274B CN104778274B (zh) | 2018-08-10 |
Family
ID=53619738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510203390.7A Expired - Fee Related CN104778274B (zh) | 2015-04-23 | 2015-04-23 | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778274B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868870A (zh) * | 2016-05-17 | 2016-08-17 | 北京数行健科技有限公司 | 一种基于数据融合的城市快速路旅行时间估计方法和装置 |
CN106202577A (zh) * | 2016-08-26 | 2016-12-07 | 成都汉康信息产业有限公司 | 一种基于mda的多维数据抽取方法 |
CN107588778A (zh) * | 2017-09-22 | 2018-01-16 | 南京市城市与交通规划设计研究院股份有限公司 | 地图匹配方法及装置 |
WO2018064931A1 (zh) * | 2016-10-08 | 2018-04-12 | 大连理工大学 | 考虑出租车运营状态下的城市道路行程时间分布估算方法 |
CN108931976A (zh) * | 2017-05-25 | 2018-12-04 | 西北农林科技大学 | 一种多源信息融合农业机器人动态障碍物检测*** |
CN109085625A (zh) * | 2018-07-11 | 2018-12-25 | 深圳市沃特沃德股份有限公司 | 基于智能穿戴设备的运动轨迹显示方法和*** |
CN109285365A (zh) * | 2018-11-30 | 2019-01-29 | 公安部交通管理科学研究所 | 一种交通诱导屏路况数据获取方法 |
CN109712425A (zh) * | 2018-12-28 | 2019-05-03 | 广东警官学院(广东省公安司法管理干部学院) | 一种基于稀疏定位点的公交车辆位置的确定方法及装置 |
CN109712402A (zh) * | 2019-02-12 | 2019-05-03 | 南京邮电大学 | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 |
CN110220526A (zh) * | 2019-05-15 | 2019-09-10 | 浙江工业大学之江学院 | 基于路径时间价值的anpr车辆导行方案生成方法 |
CN110276950A (zh) * | 2019-06-24 | 2019-09-24 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110555992A (zh) * | 2019-09-11 | 2019-12-10 | 中国矿业大学(北京) | 一种基于gps轨迹数据的出租车行驶路径信息提取方法 |
CN112504287A (zh) * | 2020-10-30 | 2021-03-16 | 广东杜尼智能机器人工程技术研究中心有限公司 | slam地图坐标系与大地坐标系转换方法、装置、***及存储介质 |
CN112950926A (zh) * | 2019-12-10 | 2021-06-11 | 宁波中国科学院信息技术应用研究院 | 一种基于大数据和深度学习的城市主干道路速度预测方法 |
CN113052206A (zh) * | 2021-03-04 | 2021-06-29 | 武汉理工大学 | 一种基于浮动车数据的路段旅行时间预测方法及装置 |
US20220074751A1 (en) * | 2020-09-04 | 2022-03-10 | Here Global B.V. | Method, apparatus, and system for providing an estimated time of arrival with uncertain starting location |
CN115662142A (zh) * | 2022-11-21 | 2023-01-31 | 南京大学 | 基于车联网稀疏信息的深度学习交通状态估计方法及*** |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070711A (zh) * | 2019-04-10 | 2019-07-30 | 华砺智行(武汉)科技有限公司 | 一种基于智能网联汽车数据的路段旅行速度区间估计***和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622877A (zh) * | 2012-04-06 | 2012-08-01 | 杭州妙影微电子有限公司 | 利用路况信息及行驶速度的公交到站判断***及判断方法 |
US20130085659A1 (en) * | 2010-06-15 | 2013-04-04 | Tim Bekaert | Detecting location, timetable and travel time estimations for barrier crossings in a digital map |
CN103177585A (zh) * | 2013-02-27 | 2013-06-26 | 上海美慧软件有限公司 | 基于浮动车数据计算路段各转向平均行程车速方法 |
-
2015
- 2015-04-23 CN CN201510203390.7A patent/CN104778274B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130085659A1 (en) * | 2010-06-15 | 2013-04-04 | Tim Bekaert | Detecting location, timetable and travel time estimations for barrier crossings in a digital map |
CN102622877A (zh) * | 2012-04-06 | 2012-08-01 | 杭州妙影微电子有限公司 | 利用路况信息及行驶速度的公交到站判断***及判断方法 |
CN103177585A (zh) * | 2013-02-27 | 2013-06-26 | 上海美慧软件有限公司 | 基于浮动车数据计算路段各转向平均行程车速方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868870A (zh) * | 2016-05-17 | 2016-08-17 | 北京数行健科技有限公司 | 一种基于数据融合的城市快速路旅行时间估计方法和装置 |
CN106202577A (zh) * | 2016-08-26 | 2016-12-07 | 成都汉康信息产业有限公司 | 一种基于mda的多维数据抽取方法 |
WO2018064931A1 (zh) * | 2016-10-08 | 2018-04-12 | 大连理工大学 | 考虑出租车运营状态下的城市道路行程时间分布估算方法 |
US10748421B2 (en) | 2016-10-08 | 2020-08-18 | Dalian University Of Technology | Method for estimating distribution of urban road travel time in considering operation state of taxi |
CN108931976A (zh) * | 2017-05-25 | 2018-12-04 | 西北农林科技大学 | 一种多源信息融合农业机器人动态障碍物检测*** |
CN107588778A (zh) * | 2017-09-22 | 2018-01-16 | 南京市城市与交通规划设计研究院股份有限公司 | 地图匹配方法及装置 |
CN109085625A (zh) * | 2018-07-11 | 2018-12-25 | 深圳市沃特沃德股份有限公司 | 基于智能穿戴设备的运动轨迹显示方法和*** |
CN109285365A (zh) * | 2018-11-30 | 2019-01-29 | 公安部交通管理科学研究所 | 一种交通诱导屏路况数据获取方法 |
CN109712425A (zh) * | 2018-12-28 | 2019-05-03 | 广东警官学院(广东省公安司法管理干部学院) | 一种基于稀疏定位点的公交车辆位置的确定方法及装置 |
CN109712402A (zh) * | 2019-02-12 | 2019-05-03 | 南京邮电大学 | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 |
CN109712402B (zh) * | 2019-02-12 | 2021-11-12 | 南京邮电大学 | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 |
CN110220526A (zh) * | 2019-05-15 | 2019-09-10 | 浙江工业大学之江学院 | 基于路径时间价值的anpr车辆导行方案生成方法 |
CN110220526B (zh) * | 2019-05-15 | 2023-07-04 | 浙江工业大学之江学院 | 基于路径时间价值的anpr车辆导行方案生成方法 |
CN110276950A (zh) * | 2019-06-24 | 2019-09-24 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110276950B (zh) * | 2019-06-24 | 2021-12-31 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110555992B (zh) * | 2019-09-11 | 2021-05-28 | 中国矿业大学(北京) | 一种基于gps轨迹数据的出租车行驶路径信息提取方法 |
CN110555992A (zh) * | 2019-09-11 | 2019-12-10 | 中国矿业大学(北京) | 一种基于gps轨迹数据的出租车行驶路径信息提取方法 |
CN112950926A (zh) * | 2019-12-10 | 2021-06-11 | 宁波中国科学院信息技术应用研究院 | 一种基于大数据和深度学习的城市主干道路速度预测方法 |
US20220074751A1 (en) * | 2020-09-04 | 2022-03-10 | Here Global B.V. | Method, apparatus, and system for providing an estimated time of arrival with uncertain starting location |
CN112504287A (zh) * | 2020-10-30 | 2021-03-16 | 广东杜尼智能机器人工程技术研究中心有限公司 | slam地图坐标系与大地坐标系转换方法、装置、***及存储介质 |
CN113052206A (zh) * | 2021-03-04 | 2021-06-29 | 武汉理工大学 | 一种基于浮动车数据的路段旅行时间预测方法及装置 |
CN113052206B (zh) * | 2021-03-04 | 2024-04-19 | 武汉理工大学 | 一种基于浮动车数据的路段旅行时间预测方法及装置 |
CN115662142A (zh) * | 2022-11-21 | 2023-01-31 | 南京大学 | 基于车联网稀疏信息的深度学习交通状态估计方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104778274B (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778274A (zh) | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 | |
CN111243277B (zh) | 基于车牌识别数据的通勤车辆时空轨迹重构方法及*** | |
CN103325245B (zh) | 一种黑名单车辆的时空行驶轨迹预测方法 | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN104318781B (zh) | 基于rfid技术的行程速度获取方法 | |
CN105608505A (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN102968900B (zh) | 一种对rfid交通数据进行处理的方法 | |
CN106097717B (zh) | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 | |
CN103177585B (zh) | 基于浮动车数据计算路段各转向平均行程车速方法 | |
CN105096590B (zh) | 交通信息生成方法和交通信息生成设备 | |
CN104197945A (zh) | 一种基于低采样率浮动车数据的全局投票地图匹配方法 | |
CN103177576B (zh) | 一种收费站上下游路况信息的判断方法及装置 | |
CN103680177A (zh) | 基于手机的智能车速提示驾驶*** | |
CN109147323A (zh) | 一种用于公路客货运输指标统计的车辆gps数据处理方法 | |
CN113570864B (zh) | 一种电动自行车行驶路径匹配方法、设备及存储介质 | |
CN106568456A (zh) | 基于gps/北斗定位和云计算平台的不停车收费方法 | |
CN108922193A (zh) | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 | |
CN104750963A (zh) | 交叉口延误时长估计方法及装置 | |
CN109520499B (zh) | 基于车辆gps轨迹数据实现区域实时等时线的方法 | |
CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN102867406B (zh) | 一种应用车辆探测资料的交通路网生成方法 | |
CN113553482A (zh) | 停留点识别和出行链构建***、算法、设备及存储介质 | |
Shi et al. | A sequential pattern mining based approach to adaptively detect anomalous paths in floating vehicle trajectories | |
CN106875680A (zh) | 基于大数据分析的路口平均等待时间计算方法 | |
CN110610118A (zh) | 交通参数采集方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180810 Termination date: 20200423 |
|
CF01 | Termination of patent right due to non-payment of annual fee |