CN111783034B - 一种车云协同计算的排放路谱分析方法 - Google Patents

一种车云协同计算的排放路谱分析方法 Download PDF

Info

Publication number
CN111783034B
CN111783034B CN202010342780.3A CN202010342780A CN111783034B CN 111783034 B CN111783034 B CN 111783034B CN 202010342780 A CN202010342780 A CN 202010342780A CN 111783034 B CN111783034 B CN 111783034B
Authority
CN
China
Prior art keywords
road
vehicle
point
candidate
emission
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.)
Active
Application number
CN202010342780.3A
Other languages
English (en)
Other versions
CN111783034A (zh
Inventor
纪湘湘
陆林
蔡文
李晓聪
郭全祥
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.)
South Sagittarius Integration Co Ltd
Original Assignee
South Sagittarius Integration Co Ltd
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 South Sagittarius Integration Co Ltd filed Critical South Sagittarius Integration Co Ltd
Priority to CN202010342780.3A priority Critical patent/CN111783034B/zh
Publication of CN111783034A publication Critical patent/CN111783034A/zh
Application granted granted Critical
Publication of CN111783034B publication Critical patent/CN111783034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

一种车云协同计算的排放路谱分析方法，以一定周期采集车辆位置坐标和发动机排放的氮氧化合物PPM浓度，对采集的轨迹点坐标进行二次滤波平滑，并获取车辆运行过程中路网信息，利用隐马尔科夫算法对所述平滑处理后的经纬度信息和路网信息进行路网匹配，得到匹配后的车辆行驶的道路信息；根据匹配后的车辆路网坐标点和对应PPM浓度值计算得到车辆排放路谱值。本发明将汽车位置坐标点标记与真实地图路网紧密结合，将现有采集的位置点排放路谱信息真实反映在汽车行驶路网上，使得到的排放路谱信息更为精确，通过道路排放图谱监控城市道路排放状况，促进改善以传统高碳能源为代表道路交通模式，往清洁能源发展，提高城市环境质量。

Description

一种车云协同计算的排放路谱分析方法
技术领域
本发明属于交通领域，特别是一种车云协同计算的排放路谱分析方法。
背景技术
随着城市化进程的加快,特大型城市的交通问题日益突出,交通运输业已成为我国能源消耗的最大行业之一,随之而来的能源消耗与环境污染问题严重威胁着人类健康与社会的可持续发展。根据生态环境部近日发布《中国机动车环境管理年报》，2019年，全国机动车四项污染物排放总量初步核算为4359.7万吨，其中，一氧化碳(CO)3327.3万吨，碳氢化合物(HC)407.1万吨，氮氧化物 (NOx)574.3万吨，颗粒物(PM)50.9万吨。汽车是机动车大气污染排放的主要贡献者，其排放的CO和HC超过80％，NOx和PM超过90％。解决汽车有害气体排放问题已经迫在眉睫。排放路谱，通过计算每段道路上的路谱值，的目的是找到具有高排放的路段，从而进行重点治理。
现有的研究方式主要通过GPS坐标点标记汽车有害气体排放，然后在地图上显示，通过将采集到的的GPS坐标点与汽车有害汽车排放浓度进行结合，但是由于GPS采样精度和周期限制，采集到的汽车位置信息可能不准确，采样点与采样点之间距离过大，使得得到的汽车排放路谱信息不准确，在一些GPS采样丢失情况下，还可能存在无法得到汽车排放路谱信息的问题。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种车云协同计算的排放路谱分析方法。
本发明公开了一种车云协同计算的排放路谱分析方法，包括：
S100.车载终端TBOX以预设采集周期获取车辆实时信息，所述车辆实时信息包括车辆经纬度和氮氧化合物排放浓度PPM数据；
S200.车载终端TBOX采用二次拟合滤波算法对所述经纬度信息进行平滑处理，并将平滑后的经纬度与氮氧化物浓度上传至云平台；
S300.车联网平台获取车辆运行过程中路网信息，并利用隐马尔科夫路网匹配算法对所述平滑处理后的经纬度信息和路网信息进行匹配，得到匹配后的车辆行驶的路网坐标点和氮氧化物PPM浓度值，得到各个坐标点对应的排放值；
S400.根据各个坐标点对应的排放值，计算各个路段排放值，得到各个道路车辆排放路谱值。
进一步地，所述S100中预设采样周期依据车辆运动状态进行调整，所述车辆运行状态分为3种：城市道路驾驶状态、高速公路驾驶状态、停止状态。
进一步地，所述二次拟合滤波算法对所述经纬度信息进行平滑处理的方法为：
分别对相邻采样时刻的经度和纬度求平均值，假设当前时刻为t，上一采样时刻为t-1，对应的经纬度坐标点对为和/>那么平均坐标点对计算如下：
存储最近采集的n个经纬度坐标点得到的k(k＝n-1)个平均坐标点对，然后使用交替最小二乘算法，分别对经度和纬度进行二次曲线拟合；待拟合的二次公式如下：
y＝β2x2+β1x+β0
先以经度作为因变量y，纬度/>作为自变量x，可以得到t时刻经度回归方程，表示为：
同理，还可以得到t时刻纬度回归方程，表示为：
分别将t时刻的经度和纬度带入对应的回归方程右部，可以得到预测的纬度和经度，表示为最后将该点对作为平滑后的结果。
进一步地，所述S300中，隐马尔科夫路网匹配算法根据路段投影过程为每个GPS轨迹点检索一组候选路段和候选点，然后构造一个候选图，图中的节点是每个GPS轨迹的候选点集合，而边是任意两个相邻的候选点之间的最短路径集结合节点上的观测状态概率和边上的状态转移概率，匹配算法在候选图中寻找一条具有最高概率的路径，最大限度地提高全局匹配概率；具体方法为： S301.准备候选集。根据轨迹点pt，从路网数据中检索最近五十公里范围内的路段作为候选路段集合，表示为R＝{r1,r2,...,rj}，并将投影到这些候选路段得到候选点集合，表示为C＝{c1,c2,...,cj,}，其中，j表示候选点个数；
S302.初始状态概率，初始状态概率代表车辆初始时位于某个路段上的概率,使用相应GPS轨迹点的观测状态概率来表示，定义观测轨迹点的观测状态概率bj(pt)通过将定位噪声建模为零均值高斯分布来计算状态j的值：
其中，σ是定位测量的标准偏差，表示轨迹点pt与Ct j(观测点pt的第 j个候选点)之间的距离，它表明一个GPS轨迹点pt可否匹配到真正道路上的一个候选点Ct j，而不考虑其邻近点，时刻t的轨迹点与候选点之间的距离越小，这个候选点是真正的实际点的概率就越大。
S303.计算状态转移概率，转移概率就是候选路段集合中，两两之间的距离构成的概率，用于评估车辆从一个路段到另一个路段的可能性。.根据前后两个时间点t-1和t之间的轨迹点pt-1，pt及其候选点的信息，推测从pt-1到pt的真实路径是/>到/>最短路径的可能性，转移概率计算如下：
此处的dg＝dist(pt-1，pt)表示两个轨迹点pt-1到pt的大圆距离，而dr代表通过候选节点和/>的最短路径(由候选路段构成)的长度，参数k的值为根据经验设置为0.07；
S304.根据p0到pt每个点如上述S302与S303计算的观测状态概率和状态状体概率，利用维特比算法，找到匹配t个轨迹点的概率最高的路段作为最终匹配的实际道路。
进一步地，所述S304具体方法为：：上一时刻t-1投影的候选路段计算的观测状态概率(行向量)乘以pt-1到pt投影得到的候选路段的状态转移概率(矩阵)，得到一个新的似然向量，取其中最大值对应的状态(路段)作为最可能的路段；该过程迭代执行，将各个时刻最可能的路段收集起来形成的最大似然路径，就构成了最后匹配的运行道路路线。
进一步地，所述S400具体方法为：假设车辆在时间tin进入某路段，时间tout 离开该路段，这期间的采样点有n个，表示为{otin,otin+1,...,on}；根据ot中包含的轨迹点pt序列进行上述路网匹配后，将其正确匹配到该路段。那么，基于ot中包含的氮氧化合物浓度信息ft，得到在该路段r上的累计PPM浓度的计算公式如下：
另外，对同一个路段，在不同的时段可能有不同的车辆从此经过，因此该路段针对每辆车都可以根据上述公式计算得到的累计PPM浓度值集合，表示为其中，m表示车辆个数，使用该路段的平均每千米PPM浓度值作为其排放路谱(EmissionSpectrum，ES)值，计算公式如下：
其中，ES(r)代表路段r的排放路谱值，dist(r)表示该路段的长度，单位为km。
进一步地，获取车辆位置信息的方法为GPS采样。
进一步地，预设周期获取车辆位置信息的最小周期为1s。
进一步地，当车辆位置信息采样点缺失时，可以通过沿两个匹配点之间的确定路径放置采样周期间隔的插值点来对缺失点进行估算。
本发明的有益效果是：本发明将汽车位置坐标点标记与真实地图路网紧密结合，在计算的过程中将位置坐标点匹配到地图路网上，将现有采集的位置点排放路谱信息真实反映在汽车行驶路网上，使得到的排放路谱信息更为精确，在位置信息采集点丢失情况下，也能通过路网信息采集到汽车排放路谱信息。通过道路排放图谱监控城市道路排放状况，促进改善以传统高碳能源为代表道路交通模式，往新能源等清洁能源发展，提高城市环境质量。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种车云协同计算的排放路谱分析方法流程图；
图2为本发明实施例1中，根据轨迹点pt获取候选路段并投影到候选点过程；
图3为本发明实施例1中，通过维特比动态规划算法查找最佳路网过程；
图4为本发明实施例1中，GPS定位点缺失后插值法估计缺失点示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术汽车排放路谱信息不准确，在一些GPS采样丢失情况下，还可能存在无法得到汽车排放路谱信息的问题。本发明实施例提供了一种车云协同计算的排放路谱分析方法。
实施例1
如图1，本实施例公开了一种车云协同计算的排放路谱分析方法，包括： S100.车载终端TBOX以预设采集周期获取车辆实时信息，所述车辆实时信息包括车辆经纬度和氮氧化合物排放浓度PPM数据。
具体的，获取车辆位置信息的方法为GPS采样或/和北斗采样等能获取到汽车位置信息的方法，本实施例获取位置信息方法不做限制。所述车辆经纬度信息由T-box上传至云平台进行计算，云平台存储有全局路网信息。
S100中预设采样周期依据车辆运动状态进行调整，所述车辆运行状态分为 3种：城市道路驾驶状态、高速公路驾驶状态、停止状态。
城市道路驾驶状态：该状态是3种不同状态之间最短的GPS采样周期T1，在一些优选方案中，T1周期为1s，即车辆的位置信息以最频繁的频率采样确保轨迹的准确性数据。车辆开始起步时无法确定设备的运动状态。因此，最初将其设置为“城市道路驾驶状态”避免误判以牺牲能量为代价。
高速公路驾驶状态：对于处于这种状态的设备，GPS接收器的采样周期为2 ×T1。这意味着车辆正在行驶漫长的道路，没有必要对车辆的样本进行采样位置信息频繁。根据经验，我们将其GPS采样周期设置为是城市驾驶的两倍，避免不必要的能源消耗，同时还避免了地图匹配错误。
停止状态：此状态对应于某个GPS采样周期T2，并且只能激活当车辆停止或非常缓慢地行驶时。例如，这辆车正在等待红灯十字路口，或者被堵在交通拥堵中。由于交通状况的不确定性，是不可能的确定车辆将停止多长时间。因此，为此我们采用GPS采样周期状态T2，它独立于T1。当然，T2应该不小于 T1。
S200.车载终端TBOX采用二次拟合滤波算法对所述经纬度信息进行平滑处理，并将平滑后的经纬度与氮氧化物浓度上传至云平台；
所述二次拟合滤波算法对所述经纬度信息进行平滑处理的方法为：
分别对相邻采样时刻的经度和纬度求平均值，假设当前时刻为t，上一采样时刻为t-1，对应的经纬度坐标点对为和/>那么平均坐标点对计算如下
存储最近采集的n个经纬度坐标点得到的k(k＝n-1)个平均坐标点对，然后使用交替最小二乘平滑，分别对经度和纬度进行二次曲线拟合；待拟合的二次公式如下：
y＝β2x2+β1x+β0
先以经度作为因变量y，纬度/>作为自变量x，可以得到t时刻经度回归方程，表示为：
同理，还可以得到t时刻纬度回归方程，表示为：
分别将t时刻的经度和纬度带入对应的回归方程右部，可以得到预测的纬度和经度，表示为最后将该点对作为平滑后的结果。
S300.车联网平台获取车辆运行过程中路网信息，并利用隐马尔科夫路网匹配算法对所述平滑处理后的经纬度信息和路网信息进行匹配，得到匹配后的车辆行驶的路网坐标点和氮氧化物PPM浓度值，得到各个坐标点对应的排放值，所述S300中，隐马尔科夫路网匹配算法具体方法为：
隐马尔科夫路网匹配算法根据路段投影过程为每个GPS轨迹点检索一组候选路段和候选点，然后构造一个候选图，图中的节点是每个GPS轨迹的候选点集合，而边是任意两个相邻的候选点之间的最短路径集.结合节点上的观测状态概率和边上的状态转移概率，匹配算法在候选图中寻找一条具有最高概率的路径，最大限度地提高全局匹配概率；具体方法为：
S301.准备候选集。如图2，根据轨迹点pt，从路网数据中检索最近五十公里范围内的路段作为候选路段集合，表示为R＝{r1,r2,...,rj}，并将投影到这些候选路段得到候选点集合，表示为C＝{c1,c2,...,cj,}，其中，j表示候选点个数；
S302.初始状态概率，初始状态概率代表车辆初始时位于某个路段上的概率,使用相应GPS轨迹点的观测状态概率来表示，定义观测轨迹点的观测状态概率bj(pt)通过将定位噪声建模为零均值高斯分布来计算状态j的值：
其中，σ是定位测量的标准偏差，表示轨迹点pt与Ct j(观测点pt的第 j个候选点)之间的距离，它表明一个GPS轨迹点pt可否匹配到真正道路上的一个候选点Ct j，而不考虑其邻近点，时刻t的轨迹点与候选点之间的距离越小，这个候选点是真正的实际点的概率就越大。
S303.计算状态转移概率，转移概率就是候选路段集合中，两两之间的距离构成的概率，用于评估车辆从一个路段到另一个路段的可能性。.根据前后两个时间点t-1和t之间的轨迹点pt-1，pt及其候选点的信息，推测从pt-1到pt的真实路径是/>到/>最短路径的可能性，转移概率计算如下：
此处的dg＝dist(pt-1，pt)表示两个轨迹点pt-1到pt的大圆距离，而dr代表通过候选节点和/>的最短路径(由候选路段构成)的长度，参数k的值为根据经验设置为0.07；
S304.根据p0到pt每个点如上述S302与S303计算的观测状态概率和状态状体概率，利用维特比算法，找到匹配t个轨迹点的概率最高的路段作为最终匹配的实际道路。
如图3，维特比算法的过程，上一时刻t-1投影的候选路段计算的观测状态概率乘以pt-1到pt投影得到的候选路段的状态转移概率矩阵，取其中值最大的值对应的状态(路段)作为最可能的位置。所述S304具体方法为：上一时刻t-1 投影的候选路段计算的观测状态概率(行向量)乘以pt-1到pt投影得到的候选路段的状态转移概率(矩阵)，得到一个新的似然向量，取其中最大值对应的状态 (路段)作为最可能的路段。该过程迭代执行，将各个时刻最可能的路段收集起来形成的最大似然路径，就构成了最后匹配的运行道路路线。
在一些优选实施例中，当车辆位置信息采样点缺失时，可以通过沿两个匹配点之间的确定路径放置采样周期间隔的插值点来对缺失点进行估算。
具体的，匹配后的车辆轨迹输出，实际上应该是一系列带时间戳的间隔一秒钟的地理坐标。但是，GPS接收器确实在GPS中断期间无法正常工作，因此有可能直接从地图匹配生成的路线不完整，我们必须通过估计位置点来补充它丢失的GPS点。由于这很可能是一条由一系列多个匹配点映射到的路段序列组成的路线。因此，如果缺少位置点在两个连续的匹配点之间，我们可以通过沿两个匹配点之间的确定路径放置一秒间隔的插值点来进行估算点。如图4所示，我们可以通过在沿着两个连续匹配点之间均匀放置GPS遗漏的这三个点来确定路线点(t＝1和t＝5)。估算完成后，我们可以得到一条轨迹作为最终结果，它完全由连续的带有时间戳的地理坐标。
S400.根据各个坐标点对应的排放值，计算各个路段排放值，得到各个道路车辆排放路谱值。
进一步地，所述S400具体方法为：假设车辆在时间tin进入某路段，时间tout 离开该路段，这期间的采样点有n个，表示为{otin,otin+1,...,on}；根据ot中包含的轨迹点pt序列进行上述路网匹配后，将其正确匹配到该路段。那么，基于ot中包含的氮氧化合物浓度信息ft，得到在该路段r上的累计PPM浓度的计算公式如下：
另外，对同一个路段，在不同的时段可能有不同的车辆从此经过，因此该路段针对每辆车都可以根据上述公式计算得到的累计PPM浓度值集合，表示为其中，m表示车辆个数，使用该路段的平均每千米PPM浓度值作为其排放路谱(EmissionSpectrum，ES)值，计算公式如下：
其中，ES(r)代表路段r的排放路谱值，dist(r)表示该路段的长度，单位为km。
本实施例将汽车位置坐标点标记与真实地图路网紧密结合，在计算的过程中将位置坐标点匹配到地图路网上，将现有采集的位置点排放路谱信息真实反映在汽车行驶路网上，使得到的排放路谱信息更为精确，在位置信息采集点丢失情况下，也能通过路网信息采集到汽车排放路谱信息。通过道路排放图谱监控城市道路排放状况，促进改善以传统高碳能源为代表道路交通模式，往新能源等清洁能源发展，提高城市环境质量。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该 ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (8)

1.一种车云协同计算的排放路谱分析方法，其特征在于，包括：
S100.车载终端TBOX以预设采集周期获取车辆实时信息，所述车辆实时信息包括车辆经纬度和氮氧化合物排放浓度PPM数据；
S200.车载终端TBOX采用二次拟合滤波算法对所述经纬度信息进行平滑处理，并将平滑后的经纬度与氮氧化物浓度上传至云平台；
S300.车联网平台获取车辆运行过程中路网信息，并利用隐马尔科夫路网匹配算法对所述平滑处理后的经纬度信息和路网信息进行匹配，得到匹配后的车辆行驶的路网坐标点和氮氧化物PPM浓度值，得到各个坐标点对应的排放值；
S400.根据各个坐标点对应的排放值，计算各个路段排放值，得到各个道路车辆排放路谱值；所述S400具体方法为：假设车辆在时间tin进入某路段，时间tout离开该路段，这期间的采样点有n个，表示为{otin,otin+1,...,on}；根据ot中包含的轨迹点pt序列进行上述路网匹配后，将其正确匹配到该路段；那么，基于ot中包含的氮氧化合物浓度信息ft，得到在该路段r上的累计PPM浓度的计算公式如下：
另外，对同一个路段，在不同的时段可能有不同的车辆从此经过，因此该路段针对每辆车都可以根据上述公式计算得到的累计PPM浓度值集合，表示为其中，m表示车辆个数，使用该路段的平均每千米PPM浓度值作为其排放路谱ES值，计算公式如下：
其中，ES(r)代表路段r的排放路谱值，dist(r)表示该路段的长度，单位为km。
2.如权利要求1所述的一种车云协同计算的排放路谱分析方法，其特征在于，所述S100中预设采样周期依据车辆运动状态进行调整，所述车辆运行状态分为3种：城市道路驾驶状态、高速公路驾驶状态、停止状态。
3.如权利要求1所述的一种车云协同计算的排放路谱分析方法，其特征在于，所述二次拟合滤波算法对所述经纬度信息进行平滑处理的方法为：
分别对相邻采样时刻的经度和纬度求平均值，假设当前时刻为t，上一采样时刻为t-1，对应的经纬度坐标点对为和/>那么平均坐标点对计算如下：
存储最近采集的n个经纬度坐标点得到的k个平均坐标点对，k＝n-1；然后使用交替最小二乘算法，分别对经度和纬度进行二次曲线拟合；待拟合的二次公式如下：
y＝β2x2+β1x+β0
先以经度作为因变量y，纬度/>作为自变量x，可以得到t时刻经度回归方程，表示为：
同理，还可以得到t时刻纬度回归方程，表示为：
分别将t时刻的经度和纬度带入对应的回归方程右部，可以得到预测的纬度和经度，表示为最后将该点对作为平滑后的结果。
4.如权利要求1所述的一种车云协同计算的排放路谱分析方法，其特征在于，所述S300中，隐马尔科夫路网匹配算法根据路段投影过程为每个GPS轨迹点检索一组候选路段和候选点，然后构造一个候选图，图中的节点是每个GPS轨迹的候选点集合，而边是任意两个相邻的候选点之间的最短路径集结合节点上的观测状态概率和边上的状态转移概率，匹配算法在候选图中寻找一条具有最高概率的路径，最大限度地提高全局匹配概率；具体方法为：
S301.准备候选集，根据轨迹点pt，从路网数据中检索最近五十公里范围内的路段作为候选路段集合，表示为R＝{r1,r2,...,rj}，并将投影到这些候选路段得到候选点集合，表示为C＝{c1,c2,...,cj,}，其中，j表示候选点个数；
S302.初始状态概率，初始状态概率代表车辆初始时位于某个路段上的概率,使用相应GPS轨迹点的观测状态概率来表示，定义观测轨迹点的观测状态概率bj(pt)通过将定位噪声建模为零均值高斯分布来计算状态j的值：
其中，σ是定位测量的标准偏差，表示轨迹点pt与观测点pt的第j个候选点Ct j之间的距离，它表明一个GPS轨迹点pt可否匹配到真正道路上的一个候选点Ct j，而不考虑其邻近点，时刻t的轨迹点与候选点之间的距离越小，这个候选点是真正的实际点的概率就越大；
S303.计算状态转移概率，转移概率就是候选路段集合中，两两之间的距离构成的概率，用于评估车辆从一个路段到另一个路段的可能性；根据前后两个时间点t-1和t之间的轨迹点pt-1，pt及其候选点的信息，推测从pt-1到pt的真实路径是/>到/>最短路径的可能性，转移概率计算如下：
此处的dg＝dist(pt-1，pt)表示两个轨迹点pt-1到pt的大圆距离，而dr代表通过候选节点和/>的最短路径的长度，参数k的值为根据经验设置为0.07；
S304.根据p0到pt每个点如上述S302与S303计算的观测状态概率和状态状体概率，利用维特比算法，找到匹配t个轨迹点的概率最高的路段作为最终匹配的实际道路。
5.如权利要求4所述的一种车云协同计算的排放路谱分析方法，其特征在于，所述S304具体方法为：上一时刻t-1投影的候选路段计算的观测状态概率乘以pt-1到pt投影得到的候选路段的状态转移概率，得到一个新的似然向量，取其中最大值对应的状态作为最可能的路段；该过程迭代执行，将各个时刻最可能的路段收集起来形成的最大似然路径，就构成了最后匹配的运行道路路线。
6.如权利要求1所述的一种车云协同计算的排放路谱分析方法，其特征在于，获取车辆位置信息的方法为GPS采样。
7.如权利要求1所述的一种车云协同计算的排放路谱分析方法，其特征在于，预设周期获取车辆位置信息的最小周期为1s。
8.如权利要求1所述的一种车云协同计算的排放路谱分析方法，其特征在于，当车辆位置信息采样点缺失时，可以通过沿两个匹配点之间的确定路径放置采样周期间隔的插值点来对缺失点进行估算。
CN202010342780.3A 2020-04-27 2020-04-27 一种车云协同计算的排放路谱分析方法 Active CN111783034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010342780.3A CN111783034B (zh) 2020-04-27 2020-04-27 一种车云协同计算的排放路谱分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010342780.3A CN111783034B (zh) 2020-04-27 2020-04-27 一种车云协同计算的排放路谱分析方法

Publications (2)

Publication Number Publication Date
CN111783034A CN111783034A (zh) 2020-10-16
CN111783034B true CN111783034B (zh) 2024-04-02

Family

ID=72753807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010342780.3A Active CN111783034B (zh) 2020-04-27 2020-04-27 一种车云协同计算的排放路谱分析方法

Country Status (1)

Country Link
CN (1) CN111783034B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561410B (zh) * 2021-02-26 2021-05-25 北京英视睿达科技有限公司 道路车辆的排放量确定方法、装置及电子设备
CN113630739B (zh) * 2021-07-28 2024-03-22 南京莱斯网信技术研究院有限公司 一种提供高精度定位服务的pc5短程通信路侧设备
CN115144880A (zh) * 2022-06-28 2022-10-04 平安银行股份有限公司 一种道路匹配方法、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102944887A (zh) * 2012-11-14 2013-02-27 东南大学 基于油耗与尾气排放的车辆三维导航方法
CN103925929A (zh) * 2013-01-14 2014-07-16 北京中交兴路信息科技有限公司 一种移动目标运动距离统计方法和装置
CN105448108A (zh) * 2015-12-30 2016-03-30 上海经达信息科技股份有限公司 一种基于隐马尔科夫路网匹配的超速判别方法
CN109255162A (zh) * 2018-08-20 2019-01-22 南京林业大学 一种城市道路空间汽车尾气排放规律分析方法
CN110986965A (zh) * 2019-11-28 2020-04-10 武汉大学 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10415984B2 (en) * 2017-12-29 2019-09-17 Uber Technologies, Inc. Measuring the accuracy of map matched trajectories

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102944887A (zh) * 2012-11-14 2013-02-27 东南大学 基于油耗与尾气排放的车辆三维导航方法
CN103925929A (zh) * 2013-01-14 2014-07-16 北京中交兴路信息科技有限公司 一种移动目标运动距离统计方法和装置
CN105448108A (zh) * 2015-12-30 2016-03-30 上海经达信息科技股份有限公司 一种基于隐马尔科夫路网匹配的超速判别方法
CN109255162A (zh) * 2018-08-20 2019-01-22 南京林业大学 一种城市道路空间汽车尾气排放规律分析方法
CN110986965A (zh) * 2019-11-28 2020-04-10 武汉大学 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
路网匹配算法综述;高文超;李国良;塔娜;;软件学报;20171017(02);全文 *

Also Published As

Publication number Publication date
CN111783034A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111783034B (zh) 一种车云协同计算的排放路谱分析方法
Frey et al. Speed-and facility-specific emission estimates for on-road light-duty vehicles on the basis of real-world speed profiles
US10408636B2 (en) Apparatus and method for vehicle economy improvement
US20090138188A1 (en) Method, device and system for modeling a road network graph
US11348384B2 (en) Method for determining indicators regarding the polluting nature of mobility taking real usage into account
Goh et al. Online map-matching based on hidden markov model for real-time traffic sensing applications
Bierlaire et al. A probabilistic map matching method for smartphone GPS data
CN100463009C (zh) 一种交通信息融合处理方法和***
CN105096590B (zh) 交通信息生成方法和交通信息生成设备
Song et al. Green accessibility: Estimating the environmental costs of network-time prisms for sustainable transportation planning
US20220335822A1 (en) Method of determining the amount of pollutant emissions from a vehicle over a road network section
Zheng et al. Evaluating the accuracy of GPS-based taxi trajectory records
Flaskou et al. Analysis of freight corridors using GPS data on trucks
Bierlaire et al. Modeling route choice behavior from smartphone GPS data
Swidan Integrating AIMSUN Micro Simulation Model with Portable Emissions Measurement System (PEMS): Calibration and Validation Case Study.
CN113077089B (zh) 一种多因素对空气质量影响的评价方法和装置
CN111785012B (zh) 一种车云协同计算的能耗路谱分析方法
Chen et al. A new method for urban traffic state estimation based on vehicle tracking algorithm
Kang et al. Link-based emission model for eco routing
Chang et al. Traffic congestion identification method based on GPS equipped floating car
JP7308822B2 (ja) 路上走行試験システム、路上走行試験システム用プログラム
Kutlimuratov et al. Impact of stops for bus delays on routes
CN109358351B (zh) 基于北斗定位的曲线路径动态车距测算方法
Frey et al. Use of on-board tailpipe emissions measurements for development of mobile source emission factors
JP2006023886A (ja) 交通情報システム

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
GR01 Patent grant
GR01 Patent grant