CN111785012A - 一种车云协同计算的能耗路谱分析方法 - Google Patents
一种车云协同计算的能耗路谱分析方法 Download PDFInfo
- Publication number
- CN111785012A CN111785012A CN202010342525.9A CN202010342525A CN111785012A CN 111785012 A CN111785012 A CN 111785012A CN 202010342525 A CN202010342525 A CN 202010342525A CN 111785012 A CN111785012 A CN 111785012A
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- point
- candidate
- energy consumption
- 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
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/33—Multimode operation in different systems which transmit time stamped messages, e.g. GPS/GLONASS
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种车云协同计算的能耗路谱分析方法,以一定周期采集车辆位置坐标和车辆的电压、电流值,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对应的电压和电流通过对时间积分计算得到车辆能耗路谱值。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能耗路谱信息真实反映在汽车行驶路网上,使得到的能耗路谱信息更为精确,通过道路能耗图谱的分析可以监控道路交通状况,监控城市道路能耗情况,为城市道路规划建设和公共交通发展提供依据,帮助城市实现节能减排。
Description
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能耗路谱分析方法。
背景技术
随着环境问题受到越来越广泛的关注,电动汽车已经成为未来绿色交通的重要组成部分。近年来,各国出台了一系列政策以推动电动汽车的发展。推广电动汽车的主要目的就是实现交通领域的节能减排,但对电动车的行驶能耗的评价方法仍存在明显的不足。目前,电动汽车能耗的测试评价结论还不能用于准确预测实际行驶中电动汽车的能耗。电动汽车行驶能耗不但直接决定了其节能减排的效益,而且决定了其续驶里程的大小,所以对电动汽车行驶能耗的合理评价具有重要作用。
现有的研究方式主要通过GPS坐标点标记汽车能耗值,然后在地图上显示,通过将采集到的的GPS坐标点与汽车电耗进行结合,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,使得得到的汽车能耗路谱信息不准确,在一些GPS采样丢失情况下,还可能存在无法得到汽车能耗路谱信息的问题。
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能耗路谱分析方法。
本发明公开了一种车云协同计算的能耗路谱分析方法,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车辆电压、电流值;
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车辆电压、电流值上传至云平台;
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对应的车辆电压、电流值,进而得到各个坐标点对应的功率值;
S400.根据各个坐标点对应的功率值以及通行时间,计算各个路段能耗值,得到各个道路车辆能耗路谱值。
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:
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
同理,还可以得到t时刻纬度回归方程,表示为:
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:
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中包含的电压值ut和电流值vt,两者相乘得到功率值,再对时间进行积分得到在该路段r上的电耗值的计算公式如下:
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车辆电值集合,表示为其中,m表示车辆个数,使用该路段的平均每千米车辆电耗值作为其能耗路谱值(EnergySpectrum,ES),计算公式如下:
其中,ES(r)代表路段r的能耗路谱值,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能耗路谱信息真实反映在汽车行驶路网上,使得到的能耗路谱信息更为精确,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能耗路谱信息。通过道路能耗图谱的分析可以监控道路交通状况,监控城市道路能耗情况,为城市道路规划建设和公共交通发展提供依据,帮助城市实现节能减排。
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能耗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能耗路谱信息不准确,在一些GPS采样丢失情况下,还可能存在无法得到汽车能耗路谱信息的问题。本发明实施例提供了一种车云协同计算的能耗路谱分析方法。
实施例1
如图1,本实施例公开了一种车云协同计算的能耗路谱分析方法,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车辆电压、电流值;
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车辆电压、电流值上传至云平台;
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:
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
同理,还可以得到t时刻纬度回归方程,表示为:
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对应的车辆电压、电流值,进而得到各个坐标点对应的功率值,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:
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功率值以及通行时间,计算各个路段能耗值,得到各个道路车辆能耗路谱值。
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中包含的车辆电压值ut和电流值vt,两者相乘得到功率值,再对时间进行积分得到在该路段r上的电耗值的计算公式如下:
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车辆电耗值集合,表示为其中,m表示车辆个数,使用该路段的平均每千米车辆电耗作为其能耗路谱值(Energy Spectrum,ES),计算公式如下:
其中,ES(r)代表路段r的能耗路谱值,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能耗路谱信息真实反映在汽车行驶路网上,使得到的能耗路谱信息更为精确,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能耗路谱信息。通过道路能耗图谱的分析可以监控道路交通状况,监控城市道路能耗情况,为城市道路规划建设和公共交通发展提供依据,帮助城市实现节能减排。
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 (9)
1.一种车云协同计算的能耗路谱分析方法,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车辆电压、电流值;
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车辆电压、电流值上传至云平台;
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对应的车辆电压、电流值,进而得到各个坐标点对应的功率值;
S400.根据各个坐标点对应的功率值以及通行时间,计算各个路段能耗值,得到各个道路车辆能耗路谱值。
2.如权利要求1所述的一种车云协同计算的能耗路谱分析方法,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能耗路谱分析方法,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:
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
同理,还可以得到t时刻纬度回归方程,表示为:
4.如权利要求1所述的一种车云协同计算的能耗路谱分析方法,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:
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能耗路谱分析方法,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(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。
6.如权利要求1所述的一种车云协同计算的能耗路谱分析方法,其特征在于,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中包含的车辆电压值ut和电流值vt,两者相乘得到功率值,再对时间进行积分得到在该路段r上的电耗耗值的计算公式如下:
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电耗值集合,表示为其中,m表示车辆个数,使用该路段的平均每千米车辆电耗值作为其能耗路谱值(Energy Spectrum,ES),计算公式如下:
其中,ES(r)代表路段r的能耗路谱值,dist(r)表示该路段的长度,单位为km。
7.如权利要求1所述的一种车云协同计算的能耗路谱分析方法,其特征在于,获取车辆位置信息的方法为GPS采样。
8.如权利要求1所述的一种车云协同计算的能耗路谱分析方法,其特征在于,预设周期获取车辆位置信息的最小周期为1s。
9.如权利要求1所述的一种车云协同计算的能耗路谱分析方法,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342525.9A CN111785012B (zh) | 2020-04-27 | 2020-04-27 | 一种车云协同计算的能耗路谱分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342525.9A CN111785012B (zh) | 2020-04-27 | 2020-04-27 | 一种车云协同计算的能耗路谱分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111785012A true CN111785012A (zh) | 2020-10-16 |
CN111785012B CN111785012B (zh) | 2022-02-11 |
Family
ID=72753428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010342525.9A Active CN111785012B (zh) | 2020-04-27 | 2020-04-27 | 一种车云协同计算的能耗路谱分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111785012B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (9)
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 |
CN103018049A (zh) * | 2012-12-25 | 2013-04-03 | 潍柴动力股份有限公司 | 一种采集机械泵发动机路谱的***及方法 |
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 |
CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
CN108387382A (zh) * | 2018-02-28 | 2018-08-10 | 安徽江淮汽车集团股份有限公司 | 一种路谱采集***及方法 |
CN108846571A (zh) * | 2018-06-08 | 2018-11-20 | 福州大学 | 一种网联化电动汽车宏观能量消耗估计方法 |
CN108973979A (zh) * | 2018-07-18 | 2018-12-11 | 乾碳国际公司 | 混动车辆预测性功率控制***方案 |
CN110126841A (zh) * | 2019-05-09 | 2019-08-16 | 吉林大学 | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 |
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 |
-
2020
- 2020-04-27 CN CN202010342525.9A patent/CN111785012B/zh active Active
Patent Citations (9)
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 |
CN103018049A (zh) * | 2012-12-25 | 2013-04-03 | 潍柴动力股份有限公司 | 一种采集机械泵发动机路谱的***及方法 |
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 |
CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
CN108387382A (zh) * | 2018-02-28 | 2018-08-10 | 安徽江淮汽车集团股份有限公司 | 一种路谱采集***及方法 |
CN108846571A (zh) * | 2018-06-08 | 2018-11-20 | 福州大学 | 一种网联化电动汽车宏观能量消耗估计方法 |
CN108973979A (zh) * | 2018-07-18 | 2018-12-11 | 乾碳国际公司 | 混动车辆预测性功率控制***方案 |
CN110126841A (zh) * | 2019-05-09 | 2019-08-16 | 吉林大学 | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 |
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 (4)
Title |
---|
ZELENKOV A V: "Calculation of Parameters of Hidden Markov Models used in the Navigation Systems of Surface Transportation for Map Matching:A Review", 《AUTOMATIC CONTROL AND COMPUTER SCIENCES》 * |
毛正涛: "基于新能源汽车远程监控数据的驾驶行为识别建模与应用", 《汽车与配件》 * |
霍明生: "面向复杂路网和低频采样GPS轨迹数据的地图匹配方法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
马龙: "南极布兰斯菲尔德海峡船测重力资料处理及区域重力场特征", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111785012B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111497679B (zh) | 一种纯电动汽车能耗监测优化方法及*** | |
Goh et al. | Online map-matching based on hidden markov model for real-time traffic sensing applications | |
US10408636B2 (en) | Apparatus and method for vehicle economy improvement | |
US20090138188A1 (en) | Method, device and system for modeling a road network graph | |
CN111783034B (zh) | 一种车云协同计算的排放路谱分析方法 | |
CN104751631A (zh) | 基于gps定位和模糊理论判断出行链交通方式的方法 | |
CN112669594B (zh) | 交通路况预测的方法、装置、设备及存储介质 | |
US20120172017A1 (en) | System for determining co2 emissions | |
CN107085944B (zh) | 一种交通数据处理***及方法 | |
WO2010107394A1 (en) | Determining a traffic route using predicted traffic congestion | |
CN112652172B (zh) | 一种基于车辆gps轨迹的路段交通量分析方法 | |
CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN111832881A (zh) | 基于路况信息预测电动车能耗的方法、介质和电子设备 | |
Moghaddam et al. | Evaluating the performance of algorithms for the detection of travel time outliers | |
Bierlaire et al. | Modeling route choice behavior from smartphone GPS data | |
CN111785012B (zh) | 一种车云协同计算的能耗路谱分析方法 | |
CN102063789B (zh) | 一种交通信息质量评估方法和装置 | |
CN109358351B (zh) | 基于北斗定位的曲线路径动态车距测算方法 | |
CN116205370A (zh) | 一种基于地区大数据的电动汽车续航里程预测方法及装置 | |
CN112201041B (zh) | 融合电警数据和抽样轨迹数据的干道路径流量估计方法 | |
CN113808388A (zh) | 综合考虑小汽车和公共交通运行的交通拥堵分析方法 | |
CN107808542B (zh) | 一种导航准确的车载导航*** | |
Jomrich et al. | Lane Accurate Detection of Map Changes based on Low Cost Smartphone Data. | |
CN105825670A (zh) | 基于数据融合的道路过饱和状态判断方法及*** | |
CN116663939B (zh) | 一种无人车路径规划场景及任务的复杂度评价方法和*** |
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 |