CN109872533A - 一种基于空间数据的车道级实时交通情报处理方法 - Google Patents

Abstract

本发明属于交通信息技术领域，具体涉及一种基于空间数据的车道级实时交通情报处理方法，依次包括以下步骤：位置数据清洗；与普通导航地图匹配；单车路径推算，行程车速计算；多车车速融合生成路段车速；提取拥堵路段图像数据；识别车道线、车辆要素；与高精度导航地图匹配；按车道生成交通情报信息。本发明通过对车载设备产生的轨迹数据和车前方图像数据分析挖掘，应用模式识别和深度学习技术，生成了车道级实时交通情报信息，该信息可以为车道级导航引擎和无人驾驶决策***提供精确的数据支撑，为***进行车道引导和行程时间估计提供重要保障。

Description

一种基于空间数据的车道级实时交通情报处理方法

技术领域

本发明属于交通信息技术领域，具体涉及一种基于空间数据的车道级实时交通情报处理方法。

背景技术

近几年，人工智能技术的高速发展以及在汽车领域中的广泛应用，使得无人驾驶技术在国内取得了快速的发展，应用场景逐渐多元，形成了以感知、高精地图、驾驶决策为核心三要素的技术方案。在感知要素中，需要感知两种信息：车身周边信息和实时路况信息。车身周边信息主要由车载传感器感知提供，实时路况信息由服务运营商提供。目前实时路况信息主要为路段级路况信息，只能满足普通导航和路径规划的需求，对于无人驾驶决策层来说，信息颗粒度还过于粗放，只有更为精细化的车道级实时路况信息才能满足需求，该项信息处理技术在国内尚处于起步阶段，还有极大的提升空间。

发明内容

针对上述技术问题，本发明提供一种基于空间数据的车道级实时交通情报处理方法，采用车载视觉与定位设备(以下简称车载设备)，获取车辆的实时位置数据与车前方的实时图像数据，即本专利所述的空间数据，通过模式识别与深度学习技术，生成车道级实时路况信息。

车载设备记录的车辆实时位置数据包含：UTC时间，经度，纬度，瞬时速度，方向角，卫星数；实时图像数据包含：UTC时间，车前方图像。以普通导航电子地图的路段定义为路段计算单元，以五分钟作为一个处理周期，将处理周期内的车辆位置全部映射到路段计算单元，计算出每辆车在计算单元的行程车速，再将所有车辆的行程车速加权处理，得到路段路况状态，对于拥堵状态路段，提取相应的图像数据，通过模式识别和深度学习对图像中元素进行识别，得到每条车道的路况状态。

具体的过程为：

一种基于空间数据的车道级实时交通情报处理方法，依次包括以下步骤：位置数据清洗；与普通导航地图匹配；单车路径推算，行程车速计算；多车车速融合生成路段车速；提取拥堵路段图像数据；识别车道线、车辆要素；与高精度导航地图匹配；按车道生成交通情报信息。

更为详细的过程为：

(1)设定信息处理的时空边界，将边界之外的位置数据剔除；

本***计算周期为5分钟，时间边界即为5分钟；空间边界可根据实际需要自行定义。对于重复信息进行剔除。每辆车的位置信息按照时间先后顺序排序。

(2)将普通导航电子地图栅格化并为其建立网格索引；

将清洗后的位置数据导入到电子地图坐标系内，通过网格索引找到匹配的路段，并将原始位置投影到匹配路段，得到匹配点。

(3)计算每辆车相邻匹配点a_i与a_i+1经过的路段长度l_i，得到相邻点之间的行程车速v_i；

建立行驶特征分类器，将得到的行程车速进行分类，将每段行程车速按类型赋予权重Φ_i，按权重将所有段的行程车速加权合并，得到单车行程车速V_n和置信度ψ_n。

(4)把经过相同路段的车辆归为一组，按置信度加权模型，将同组车辆的行程车速加权合并，生成路段行程车速当车辆数为k时，

n为样本车的数量，经过相同路段的n辆样本车；

(5)建立路段状态分类器，根据道路类型和路段行程车速将路段状态分为五类：畅通，基本畅通，缓慢，拥堵，严重拥堵；

将路段状态为缓慢、拥堵和严重拥堵的路段提出，回溯参与计算的所有车辆，并将车载设备中保存的图像数据提取出来，根据UTC时间与位置数据一一对应，作为待处理的空间数据VD：

VD＝{(x，y)，pic，time}

其中，x为经度，y为维度，pic为图像，time为UTC时间；

(6)通过模式识别和深度学习技术，将图像pic中的车道信息、车辆信息、事件信息分别结构化为ln_i、ve_i、et_i，将车道信息与车辆信息、事件信息做关联；图像结构化信息表达为：其中i为当前路段的车道总数；

(7)步骤(5)中待处理的空间数据VD，经过步骤(6)的结构化处理，变为结构化的空间数据

将通过位置坐标(x，y)与高精度导航电子地图的路段进行匹配，设匹配上的路段为hdlink，将与导航地图的车道数据关联，得到路段hdlink的空间数据为

(8)建立车道状态分类器，对中各类数据判断，生成车道状态lnst^hdlink、拥堵原因ctn^hdlink、通行延误T^hdlink；得到最终车道级实时交通情报信息

其中i为路段hdlink的车道数，为预留的扩展信息，otime为信息发布时间。

本发明具有的技术效果：

本发明通过对车载设备产生的轨迹数据和车前方图像数据分析挖掘，应用模式识别和深度学习技术，生成了车道级实时交通情报信息，该信息可以为车道级导航引擎和无人驾驶决策***提供精确的数据支撑，为***进行车道引导和行程时间估计提供重要保障。

附图说明

图1为实施例原始位置数据清洗示意图；

图2为实施例位置点投影与路网匹配示意图；

图3为实施例两相邻点路径推测示意图；

图4为实施例多样本提取示意图；

图5为实施例原始图像数据pic的示意图。

具体实施方式

结合实施例说明本发明的具体技术方案。

(1)设定信息处理的时空边界，将边界之外的位置数据剔除。本***计算周期为5分钟，时间边界即为5分钟；空间边界可根据实际需要自行定义。对于重复信息进行剔除。每辆车的位置信息按照时间先后顺序排序。

如图1所示，圆点是待处理的位置点，矩形是定义的空间边界，矩形外的位置点即为空间边界之外。每个位置点都带有时间戳，将位置点按照时间戳排序，先将重复的位置点做去重处理，再根据***计算周期，把时间戳不在计算周期的位置点删除，再将空间边界外的位置点删除。

(2)将普通导航电子地图栅格化并为其建立网格索引。将清洗后的位置数据导入到电子地图坐标系内，通过网格索引找到匹配的路段，并将原始位置投影到匹配路段，得到匹配点。

如图2所示，位置数据为图中“GPS定位点”，通过网格索引找到位置点附近的路段，再根据投影位置，确定位置点匹配的路段，然后计算匹配点的坐标，上图圆点所示。

(3)计算每辆车相邻匹配点a_i与a_i+1经过的路段长度l_i，得到相邻点之间的行程车速v_i。建立行驶特征分类器，将得到的行程车速进行分类，将每段行程车速按类型赋予权重Φ_i，按权重将所有段的行程车速加权合并，得到单车行程车速V_n和置信度ψ_n。

如图3所示，两个圆点为相邻匹配点。经计算推测后的行驶路径为link1、link2、link3，根据经过的路段长度计算出单车行驶速度V，并把速度分配到经过的三个路段。

(4)把经过相同路段的车辆归为一组，按置信度加权模型，将同组车辆的行程车速加权合并，生成路段行程车速当车辆数为k时，

如图4所示，下方路段为计算路段，经过上述1-3步骤，找出在计算路段行驶的所有车辆，并计算出每辆车在该路段的行驶速度和置信度，如下表所示

车辆编号	速度	置信度
			779148	V<sub>1</sub>	ψ<sub>1</sub>
140032	V<sub>2</sub>	ψ<sub>2</sub>
			431900	V<sub>3</sub>	ψ<sub>3</sub>

该路段的行程车速为

(5)建立路段状态分类器，根据道路类型和路段行程车速将路段状态分为五类：畅通，基本畅通，缓慢，拥堵，严重拥堵。将路段状态为缓慢、拥堵和严重拥堵的路段提出，回溯参与计算的所有车辆，并将车载设备中保存的图像数据提取出来，根据UTC时间与位置数据一一对应，作为待处理的空间数据VD，

VD＝{(x，y)，pic，time}

其中，x为经度，y为维度，pic为图像，time为UTC时间。

根据城市不同，路段状态分类器的配置也不同，以上海为例，配置分类器如下：

假设步骤(4)实施例中，下方路段道路等级为“主干道”，当前周期行程车速那么就需要回溯本周期内参与计算的所有车辆，并将车载设备中保存的图像数据取回服务器端，为下一步处理做准备。

(6)通过模式识别和深度学习技术，将图像pic中的车道信息、车辆信息、事件信息分别结构化为ln_i、ve_i、et_i，将车道信息与车辆信息、事件信息做关联。图像结构化信息表达为：其中i为当前路段的车道总数。

以图5为例，图5为原始图像数据pic的示意图。图像结构化后，车道1为ln₁，车道2为ln₂。

ln₁关联的车辆信息ve₁和事件信息et₁，ve₁含义为车辆数目为6，et₁含义为本车道无事件信息，相邻车道ln₂有事故信息，本车道受ln₂事故影响。ln₂关联的车辆信息ve₂和事件信息et₂，ve₂含义为车辆数目为4，et₂含义为本车道有两车碰撞事故，影响相邻车道ln₁。

(7)步骤(5)中待处理的空间数据VD，经过步骤(6)的结构化处理，变为结构化的空间数据

将通过位置坐标(x，y)与高精度导航电子地图的路段进行匹配，设匹配上的路段为hdlink，将与导航地图的车道数据关联，得到路段hdlink的空间数据为

(8)建立车道状态分类器，对中各类数据判断，生成车道状态lnst^hdlink、拥堵原因ctn^hdlink、通行延误T^hdlink。得到最终车道级实时交通情报信息

其中i为路段hdlink的车道数，为预留的扩展信息，otime为信息发布时间。

Claims (2)

1.一种基于空间数据的车道级实时交通情报处理方法，其特征在于，依次包括以下步骤：位置数据清洗；与普通导航地图匹配；单车路径推算，行程车速计算；多车车速融合生成路段车速；提取拥堵路段图像数据；识别车道线、车辆要素；与高精度导航地图匹配；按车道生成交通情报信息。

2.根据权利要求1所述的一种基于空间数据的车道级实时交通情报处理方法，其特征在于，，包括以下步骤：

(1)设定信息处理的时空边界，将边界之外的位置数据剔除；

(2)将普通导航电子地图栅格化并为其建立网格索引；将步骤(1)清洗后的位置数据导入到电子地图坐标系内，通过网格索引找到匹配的路段，并将原始位置投影到匹配路段，得到匹配点；

(3)计算每辆车相邻匹配点a_i与a_i+1经过的路段长度l_i，得到相邻点之间的行程车速v_i；

建立行驶特征分类器，将得到的行程车速进行分类，将每段行程车速按类型赋予权重Φ_i，按权重将所有段的行程车速加权合并，得到单车行程车速V_n和置信度ψ_n；

(4)把经过相同路段的车辆归为一组，按置信度加权模型，将同组车辆的行程车速加权合并，生成路段行程车速当车辆数为k时，

n为样本车的数量，经过相同路段的n辆样本车；

(5)建立路段状态分类器，根据道路类型和路段行程车速将路段状态分为五类：畅通，基本畅通，缓慢，拥堵，严重拥堵；

将路段状态为缓慢、拥堵和严重拥堵的路段提出，回溯参与计算的所有车辆，并将车载设备中保存的图像数据提取出来，根据UTC时间与位置数据一一对应，作为待处理的空间数据VD：

VD＝{(x，y)，pic，time}

其中，x为经度，y为维度，pic为图像，time为UTC时间；

(6)通过模式识别和深度学习技术，将图像pic中的车道信息、车辆信息、事件信息分别结构化为ln_i、ve_i、et_i，将车道信息与车辆信息、事件信息做关联；图像结构化信息表达为：其中i为当前路段的车道总数；

(7)步骤(5)中待处理的空间数据VD，经过步骤(6)的结构化处理，变为结构化的空间数据

将通过位置坐标(x，y)与高精度导航电子地图的路段进行匹配，设匹配上的路段为hdlink，将与导航地图的车道数据关联，得到路段hdlink的空间数据为

(8)建立车道状态分类器，对中各类数据判断，生成车道状态lnst^hdlink、拥堵原因ctn^hdlink、通行延误T^hdlink；得到最终车道级实时交通情报信息

其中i为路段hdlink的车道数，为预留的扩展信息，otime为信息发布时间。