CN109859495A - 一种基于rfid数据获取区间速度的方法 - Google Patents

Abstract

本发明公开了一种基于RFID数据获取区间速度的方法，通过覆盖城市道路网络的RFID基站对带有电子标签的车辆进行识别和读取，形成实时数据并进行分析和挖掘。主要包括对RFID冗余数据(包括重复数据和相似数据)的清洗方法和对车辆轨迹缺失数据的填补方法，以及通过预处理后的数据计算区间速度的方法。本发明通过研究路网RFID数据的处理和分析方法，提高了智能交通大数据背景下利用RFID数据挖掘提取道路交通参数的能力，该方案提供了一种更精确更稳定的道路交通信息采集方法，为交通管理和规划人员做出优化交通决策提供技术支持。

Description

一种基于RFID数据获取区间速度的方法

技术领域

本发明涉及一种方法，具体涉及一种基于RFID数据获取区间速度的方法，属于智能交通大数据挖掘技术领域。

背景技术

随着RFID技术在道路交通领域应用的推广，越来越多的城市路网设置了RFID基站，对带有电子标签的车辆进行识别和数据读取。而目前国内外常用的电磁感应环形线圈、多普勒感应微波及视频等实时车辆检测技术分别具有实施和维护费用高、不易检测到静态车辆和容易被气候影响等缺点。RFID技术在道路车辆检测方面的应用具有读卡速度快、识别精度高以及受环境等因素影响小等优点，并能够对车流量进行大范围全天候数据采集，确保数据的质量。

RFID交通检测数据相对传统交通检测数据具有以下特点：

(1)时空性和关联性

RFID不断地追踪识别标签对象时间、对应位置和状态等数据变化，而且数据之间是相互关联的，时空关联表达了观察对象变化事件的时序关系和发展轨迹。

(2)语义丰富性

车辆标签包含大量信息，包含基本信息和隐含信息，基本信息可以直接读取，隐含信息可以通过逻辑关系导出。

(3)批量性和海量性

RFID数据快速以流的形式自动产生，可以批量读取多个对象，海量数据的积累被应用于跟踪和监控对象。

因此RFID技术应用于道路交通信息采集具有传统车辆检测技术无法比拟的优越性。而目前关于RFID交通数据处理方法的研究还较少，对RFID交通数据的清洗和再挖掘缺少***的研究。通过对道路路网中布设的RFID基站所采集的信息进行挖掘，可以统计出准确、实时的区间速度，为路网车辆最优路径诱导、道路交通实时管理提供决策依据，有利于缓解城市道路交通压力，提高道路交通管理技术和服务水平。

发明内容

本发明正是针对现有技术中存在的问题，提供一种准确、实时的基于RFID数据进行道路交通信息数据挖掘的方法，为交通管理和规划人员做出优化交通决策提供技术支持。

为了实现上述目的，本发明的技术方案如下，一种基于RFID数据获取区间速度的方法，其特征在于，所述方法包括以下步骤：

1)以RFID基站为节点并进行编号，根据道路网络结构确定基站对间的拓扑关系,通过道路的实际情况，将编号后的基站与基站之间的路线距离标识出来；

2)对RFID数据中冗余数据进行筛选和清洗，主要包括重复数据和相似数据的检测和清洗；

3)对缺失数据进行填补，针对车辆路网的特点，考虑道路路网和车流等因素，结合历史数据库，基于车辆轨迹概率进行基站数据填补，以确保RFID数据库的准确性，为区间速度的计算提供精确数据；

4)清洗后的RFID数据库中，同一车辆相继经过两个相邻基站的道路行驶路径长度除以经过两基站的时间差可以得到车辆通过基站对的区间速度。根据后期研究需求的不同，对获得的数据进行整理分析，针对不同的时间段(早晚高峰、工作日和双休日、不同日期、不同月份、不同季度等)、空间区域和车型等数据进行计算和分析，可以得到不同时空条件下车辆的区间速度。

作为本发明的一种改进，上述步骤2)的具体过程为：

2.1)获得所有基站的信息，形成并完善每个编号基站的数据信息表，基站属性说明及取值如图1所示，在地图上精确标识出每个RFID基站的具***置，经过第i个基站的不同车牌号用P₁,P₂,P₃,…,P_ni表示；

2.2)检测经过每个RFID基站的车牌号码和经过基站的时间，如果车牌号码及其他信息都相同，则只保留一条有效数据；

2.3)清洗重复数据后，针对时间间隔不在合理范围的相同车牌号数据进行排查，将每个基站所经过的车牌号P_k(1≤k≤n_i)采集的m_k个过车时间点进行从小到大排序，用t_k1,t_k2,t_k3,…,t_kmk表示，车牌号码第一次出现时间为基准统计其他相同车牌号码出现的时间间隔，用l_kj＝t_kj-1-t_kj(1≤j≤m_k-1,l_kj≥0)表示，单位为秒，同时统计相同时间间隔的车辆数；

2.4)计算基站i采集到的冗余数据量(相似数据)占此基站总采集数据的比例，即冗余率S_i，计算公式为：

根据基站统计差分时间间隔的车辆数数据，绘制不同基站累积冗余率随时间间隔变化的曲线图，图中累积冗余率开始趋于稳定时所对应的时间点定义为冗余时间。W_i用来表示基站i的冗余时间，冗余率S_i的计算公式中f_k(j)的取值由l_kj与W_i的时间关系决定，具体表示为：

作为本发明的一种改进，所述步骤2.4)中获得的冗余率S_i大小根据经验进行不同的区分处理方法：

2.4.1)当基站S_i≤1％时，直接删除所在时间间隔在基站冗余时间以内的数据；

2.4.2)当基站1％<S_i≤2％时，需检查是否由基站设备原因或者交通拥堵导致，前者需要及时更新维护基站后重新采集数据，后者则需要直接删除时间间隔在冗余时间以内的数据；

2.4.3)当基站S_i>2％时，则极大可能是由于基站设备故障导致，需要对设备进行检测排查，查找原因。

作为本发明的一种改进，所述步骤3)的具体过程为：

3.1)形成轨迹事件E，即同一辆标签车辆相继经过多个RFID基站阅读器所形成的轨迹点，并对轨迹填补模型中的参数进行定义；

3.2)所有的轨迹事件抽象后基于车辆在路网中被读取基站的空间关联性进行漏读检测，检测出有漏读基站的轨迹事件；

3.3)建立轨迹填补机制，在所有轨迹事件中寻找最相似轨迹事件对漏读的轨迹事件进行填补，并将没有漏读的轨迹事件直接输出。

3.4)用事件树分析法建立轨迹事件树，不断循环执行轨迹填补并更新轨迹事件树。

相对于现有技术，本发明具有如下优点，本发明通过冗余数据清洗和对漏读轨迹数据进行填补的方法对城市道路网络RFID数据进行补充和完善，有利于精准RFID路网数据库的建立，为智能交通大数据深度挖掘提供了坚实的数据基础。相对于传统交通参数获取技术，基于RFID技术获取的交通参数数据具有目标性和针对性强、精确度稳定以及信息量丰富等优点。

附图说明

图1是基站数据属性说明及取值表；

图2是某城市道路交叉口RFID基站布局；

图3是时间衰减示意图；

图4是基站对区间速度计算流程图。

具体实施方式：

为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。

实施例1：参见图1－图4，一种基于RFID数据获取区间速度的方法，包括以下步骤：

1)根据城市道路中基站点的位置建立道路基站网络，确定基站点之间的网络拓扑关系；本发明结合实际道路网络结构特点和基站布设情况，获取包括基站编号、基站在路网中的精确位置和基站所在路段的道路等级等信息，并利用网络流理论，采用节点表示基站，两两基站为基站对绘制网络图，确定基站对的路段长度和交叉口状况等属性特征；

2)对收集的RFID数据进行冗余数据清理和缺失数据填补预处理，在进行数据挖掘之前，需要对各RFID基站采集的数据进行预处理，基于RFID数据采集的特点，主要进行重复数据和相似数据两类冗余数据的清洗，以及基于轨迹概率的缺失数据的填补。后者主要针对会影响车辆轨迹事件的RFID数据的漏读，如图2中某城市道路交叉口RFID基站的布局，A、B、C、D、E、F为基站RFID阅读器的安装位置，即车辆轨迹观测点。假设带有标签的车辆相继在A和C被检测到，那么在B处被阅读器漏读的概率非常大，同时也有可能被其他位置阅读器漏读。实际轨迹很可能是ABC，也可能是AFEDC或者AFEBC等,因此有效的轨迹填补能够保证数据样本的完整性和准确性。

具体过程为：

2.1)将导入的数据进行排序筛选，如果发现有多个过车时间和车牌号码等信息都相同的数据，则删除第一条以外的重复数据。

2.2)重复数据处理后，寻找相同车牌多次出现的数据，并以第一次出现时间为基准记录再次出现时过车时间的间隔时间。统计间隔时间n(n＝1,2,…,50)的车辆数，绘制累积冗余率随间隔时间变化的曲线图，确定曲线变化开始趋于平缓的过渡点为冗余时间，如果间隔时间在冗余时间以外的数据则删除第一次出现以外的相似数据，如果间隔时间在冗余时间之内的数据则直接输出。

3)通过寻找最相似轨迹事件对RFID轨迹缺失数据进行填补；

RFID轨迹缺失数据的填补过程中，首先需要对轨迹事件进行抽象处理，通过漏读检测寻找需填补的轨迹事件，然后寻找最相似轨迹事件作为参考依据进行填补，没有漏读的事件则直接输出。

具体过程为：

3.1)将所有可能发生的轨迹事件抽象为E＝<o～EPC,Q,T_s,T_e>,o～EPC表示标签对象的EPC编码，Q＝q₁,q₂,…,q_i,q_j表示轨迹事件包含的轨迹点，T_s表示轨迹事件的开始时间,T_e表示轨迹事件的结束时间,T_O表示轨迹事件所经过的所有时间点。

3.2)用事件树分析法对轨迹事件进行抽象描述，节点表示轨迹点，每个节点包含以该点为终点的轨迹事件的发生率和该轨迹点的漏读率两个属性。边代表相邻轨迹点间的可达性，边的权值e_ij代表依次经过轨迹点的事件概率，q_k为q_k+1的父节点。为时间点t的轨迹事件；为时间点t的相似事件；S_i(o(t))表示轨迹事件o(t)的相似轨迹事件集，最相似轨迹事件S_i′(o(t))是在所有的与轨迹事件相似的轨迹路径集合中，找出轨迹发生概率最大的一条路径，其表达式为：

3.3)在选取最相似轨迹事件进行填补的过程中，需要考虑相似车辆运动轨迹的时效性，即相似轨迹产生的时间越接近需填补的轨迹越具有参考价值，时间越接近的轨迹对需填补轨迹的参考价值越大。考虑时间对相似轨迹选取的影响效用，本发明中引入轨迹时效因子权重参数参考图3时间衰减示意图，其中，T_i为轨迹点产生的时间；λ为时间衰减系数，即轨迹事件的参考价值随时间衰减变化的速率，其大小取值根据历史数据库经验选取，参考值为0.95。

加入时间因素后，每一轨迹点的概率R_i需要考虑时效因子的影响，更新后的概率R_i′计算如下：

因此轨迹路径事件加入时效因子更新后的概率R_o的计算公式如下：

3.4)选用准确率和实时性都较高且空间复杂度适中的最小K-相似算法作为轨迹事件填补算法。该算法的原理为到达的轨迹事件在已有数据库中寻找合适轨迹事件进行匹配，如果匹配成功则是非漏读轨迹事件，如果没有匹配成功则利用最小K-相似算法寻找最相似轨迹事件。在计算过程中利用时效因子不断进行更新轨迹事件概率树，寻找包含轨迹点的所有轨迹事件，对所有轨迹点进行拟反馈，计算轨迹路径的发生概率，不断循环执行并输入实时更新轨迹事件树。

最小K-相似算法

输入：轨迹点图G，经过数据抽象处理的源事件流，S中事件的最大长度maxLength

输出：经过数据填补的事件流

1.establish probabilistic event model by statistic information ofhistory data and G；

2.while E＝getComplex Event()do

3.for k＝0to maxLength

4.S_i←{E′|E′∈S,E→^k E′}；

5.if|S_i|＝0then break；

6.else if|S_i|＝1then

7.output S_i；break；

8.else output max(F(E,E’).

9.break；

4)通过不同基站车辆配对推算区间速度。

清洗后的RFID数据，通过追踪车辆所经过的基站的轨迹和经过不同基站被识别的时间，可以得到车辆在不同基站间的行程时间，然后根据基站的属性信息和路网信息获得路网中基站对的信息，根据路网中基站对间的路径信息获得车辆行程距离并得出车辆在两基站之间的区间速度。

根据后期研究需求的不同，对获得的数据进行整理分析，针对不同的时间段(早晚高峰、工作日和双休日、不同日期、不同月份、不同季度等)、空间区域和车型等的数据进行计算和分析，可以得到不同时空条件下车辆的区间速度。

本发明挖掘数据后的应用举例：

1)实时道路交通状态

根据RFID数据具有识别车辆基本属性的特点，通过单车的区间速度的计算，可以进一步推算不同车型的区间速度，并根据不同分析目的和用途选择合适的时间汇集度进行分析，通过结合GIS***直观呈现实时道路交通状态，便于道路管理者和使用者做出正确的决策和出行选择。

2)绿波信号配时

通过对不同RFID基站的车辆识别数据进行分析，可以挖掘道路路网频繁路径，即路网中通过同一起始和终点基站对的车辆中，在某时间段内被选择频率最高的路线，可以作为优先选择考虑绿波信号配时的路线。同时可以考虑不同车型的驾驶习惯的不同，寻找不同车型的路网频繁路径。

本发明具体应用途径较多，以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于RFID数据获取区间速度的方法，其特征在于，所述方法包括以下步骤：

1)以RFID基站为节点并进行编号，根据道路网络结构确定基站对间的拓扑关系；

2)对RFID数据中冗余数据进行筛选和清洗，主要包括重复数据和相似数据的检测和清洗；

3)对缺失数据进行填补，针对车辆路网的特点，考虑道路路网和车流等因素，结合历史数据库，基于车辆轨迹概率进行基站数据填补，以确保RFID数据库的准确性，为区间速度的计算提供精确数据；

4)清洗后的RFID数据库中，同一车辆相继经过两个相邻基站的道路行驶路径长度除以经过两基站的时间差得到车辆通过基站对的区间速度。

2.根据权利要求1所述的基于RFID数据获取区间速度的方法，其特征在于，上述步骤2)的具体过程为：

2.1)获得所有基站的信息，形成并完善每个编号基站的数据信息表，在地图上精确标识出每个RFID基站的具***置，经过第i个基站的不同车牌号用P₁，P₂，P₃，...，P_ni表示；

2.2)检测经过每个RFID基站的车牌号码和经过基站的时间，如果车牌号码及其他信息都相同，则只保留一条有效数据；

2.3)清洗重复数据后，针对时间间隔不在合理范围的相同车牌号数据进行排查，将每个基站所经过的车牌号P_k(1≤k≤n_i)采集的m_k个过车时间点进行从小到大排序，用表示，车牌号码第一次出现时间为基准统计其他相同车牌号码出现的时间间隔，用l_kj＝t_kj-1-t_kj(1≤j≤m_k-1，l_kj≥0)表示，单位为秒，同时统计相同时间间隔的车辆数；

2.4)计算基站i采集到的冗余数据量(相似数据)占此基站总采集数据的比例，即冗余率S_i，计算公式为：

根据基站统计差分时间间隔的车辆数数据，绘制不同基站累积冗余率随时间间隔变化的曲线图，W_i用来表示基站i的冗余时间，冗余率S_i的计算公式中f_k(j)的取值由l_kj与W_i的时间关系决定，具体表示为：

3.根据权利要求1所述的基于RFID数据获取区间速度的方法，其特征在于，所述步骤2.4)中获得的冗余率S_i大小根据经验进行不同的区分处理方法：

2.4.1)当基站S_i≤1％时，直接删除所在时间间隔在基站冗余时间以内的数据；

2.4.2)当基站1％＜S_i≤2％时，需检查是否由基站设备原因或者交通拥堵导致，前者需要及时更新维护基站后重新采集数据，后者则需要直接删除时间间隔在冗余时间以内的数据；

2.4.3)当基站S_i＞2％时，则极大可能是由于基站设备故障导致，需要对设备进行检测排查，查找原因。

4.根据权利要求3所述的基于RFID数据获取区间速度的方法，其特征在于，所述步骤3)的具体过程为：

3.1)形成轨迹事件E，即同一辆标签车辆相继经过多个RFID基站阅读器所形成的轨迹点，并对轨迹填补模型中的参数进行定义；

3.2)所有的轨迹事件抽象后基于车辆在路网中被读取基站的空间关联性进行漏读检测，检测出有漏读基站的轨迹事件；

3.3)建立轨迹填补机制，在所有轨迹事件中寻找最相似轨迹事件对漏读的轨迹事件进行填补，并将没有漏读的轨迹事件直接输出；

3.4)用事件树分析法建立轨迹事件树，不断循环执行轨迹填补并更新轨迹事件树。

5.根据权利要求4所述的基于RFID数据获取区间速度的方法，其特征在于，所述步骤3.1)的具体过程为：形成轨迹事件E，即同一辆标签车辆相继经过多个RFID基站阅读器所形成的轨迹点，并对轨迹填补模型中的参数进行定义，具体如下：将所有可能发生的轨迹事件抽象为E＝<o～EPC，Q，T_s，T_e>，o～EPC表示标签对象的EPC编码，Q＝q₁，q₂，...，q_i，q_j表示轨迹事件包含的轨迹点，T_s表示轨迹事件的开始时间，T_e表示轨迹事件的结束时间，T_O表示轨迹事件所经过的所有时间点。

6.根据权利要求5所述的基于RFID数据获取区间速度的方法，其特征在于，所述步骤3.2)的具体过程为：用事件树分析法对轨迹事件进行抽象描述，节点表示轨迹点，每个节点包含以该点为终点的轨迹事件的发生率和该轨迹点的漏读率两个属性。边代表相邻轨迹点间的可达性，边的权值e_ij代表依次经过轨迹点的事件概率，q_k为q_k+1的父节点。为时间点t的轨迹事件；为时间点t的相似事件；S_i(o(t))表示轨迹事件o(t)的相似轨迹事件集，最相似轨迹事件S_i′(o(t))是在所有的与轨迹事件相似的轨迹路径集合中，找出轨迹发生概率最大的一条路径，其表达式为：

7.根据权利要求3所述的基于RFID数据获取区间速度的方法，其特征在于，所述步骤3.3)的具体过程为：在选取最相似轨迹事件进行填补的过程中，需要考虑相似车辆运动轨迹的时效性，轨迹时效因子权重参数其中，T_i为轨迹点产生的时间；λ为时间衰减系数，即轨迹事件的参考价值随时间衰减变化的速率，其大小取值根据历史数据库经验选取，参考值为0.95；

加入时间因素后，每一轨迹点的概率R_i需要考虑时效因子的影响，更新后的概率R′_i计算如下：

因此轨迹路径事件加入时效因子更新后的概率R_o的计算公式如下：