CN112070130A - 一种基于动态时间规整的跨道车辆匹配方法及*** - Google Patents
一种基于动态时间规整的跨道车辆匹配方法及*** Download PDFInfo
- Publication number
- CN112070130A CN112070130A CN202010864773.XA CN202010864773A CN112070130A CN 112070130 A CN112070130 A CN 112070130A CN 202010864773 A CN202010864773 A CN 202010864773A CN 112070130 A CN112070130 A CN 112070130A
- Authority
- CN
- China
- Prior art keywords
- sequence
- sequences
- group
- elements
- load 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于动态时间规整的跨道车辆匹配方法及***,方法包括:获取车辆载荷数据序列;将车辆载荷数据序列划分为一组,并对组内两序列的元素进行标准化处理;计算组内两车辆载荷数据序列中任意两个元素之间的欧式距离,构成距离矩阵;根据最优等规则,确定通过距离矩阵的最优匹配路径;计算最优匹配路径上去除无效元素后,各匹配元素之间的平均斜率;根据平均斜率重新规划通过距离矩阵的最优路径;基于新的最优路径,重新构造距离矩阵;根据滑动窗口计算两序列局部的最大短时距离,以评判序列的局部相似程度。通过上述方式,提高了车辆载荷数据序列相似性度量的准确度,同时满足不同长度的车辆载荷数据序列之间的相似性度量。
Description
技术领域
本发明涉及交通领域,特别是涉及一种基于动态时间规整的跨道车辆匹配方法及***。
背景技术
路网超载超限监测与处置***是一套专门针对当前超载超限严重危害道路安全而开发的、实时获取车辆轴重、总重等检测参数的信息化***,实现对公路路面上各种车辆的动态称重功能和过往车辆的轴重、总重、车型、流量和速度等参数检测。
车辆按规定在同个车道行驶时,超载超限监测与处置***可以实时对车辆的轴重、总重、车型、流量和速度等参数进行检测。然而,当同一车辆横跨相邻的两车道或多车道,车辆的总重即为多车道称重传感器数据的累加和;当各有一辆车通过不同车道时,不同车道称重传感器数据即为各车辆的总重。因此需要判断相邻两车道或多车道上通过的是否为同一车辆,即分析两车道或多车道上采集的车辆载荷数据序列的相似程度。
车辆载荷数据序列的相似程度分析即时间序列相似性度量。时间序列相似性度量主要是基于距离的度量,即两组序列之间的距离越小,则两个序列越相似。在传统的时间序列相似性度量中,欧氏距离是最常用的衡量两个时间序列相似性的距离。但是欧氏距离对序列在时间轴上的轻微变化非常敏感,时间轴上的微小变形会引起欧氏距离较大变化,造成相似性度量失真。此外,计算欧式距离还要求两个时间序列之间的元素一一对应,这也就导致了欧式距离只适用于元素个数相同的时间序列之间的相似性度量。
现有同行分析方法都是基于时间维度和空间维度两个层面独立计算同行度,然后对两个独立的相似度进行加权。但是时间维度对同行度的影响会随着车速产生不同程度的影响,车辆速度越快,相同的时间差,能够产生的空间距离越大。将两个维度单独考虑无法对时间维度的可变性进行正确的度量。
因此设计一种提高时间序列相似性度量的准确度,同时满足不同长度的时间序列之间的相似性度量的基于动态时间规整的跨道车辆匹配方法十分关键。
发明内容
为解决由于车辆载荷数据序列来自不同的称重传感器,序列中“时滞”的存在以及在车辆载荷采集过程中可能存在的数据缺失,导致车辆载荷数据序列不能采用传统的一一对应的方式求取欧式距离来衡量相似性的问题,本发明提出了一种基于动态时间规整的跨道车辆匹配方法,该方法提高了车辆载荷数据序列相似性度量的准确度,同时满足不同长度的车辆载荷数据序列之间的相似性度量。
本发明是通过以下技术方案来实现:
一种基于动态时间规整的跨道车辆匹配方法,包括以下步骤:
获取需要进行相似性度量分析的不同车道上若干个车辆载荷数据序列,并进行归一化预处理形成归一化车辆载荷数据;将相对位置的称重传感器所采集的车辆载荷数据序列划分为一组,并对组内两序列的元素进行标准化处理;
计算组内两车辆载荷数据序列中任意两个元素之间的欧式距离,构成距离矩阵;根据最优等规则,确定通过距离矩阵的最优匹配路径;
计算最优匹配路径上去除无效元素后,各匹配元素之间的平均斜率;根据平均斜率重新规划通过距离矩阵的最优路径;基于新的最优路径,重新构造距离矩阵;
根据滑动窗口计算两序列局部的最大短时距离,在所有滑动窗口重复该过程,直到两序列所有的信号都被窗口覆盖过,以评判序列的局部相似程度。
作为本发明的进一步改进,两个相邻车道中间还加设有硬隔离设施;所述归一化车辆载荷数据使得各来源车辆载荷数据的数值范围均分布在[0,1]之间。
作为本发明的进一步改进,所述数据标准化处理具体步骤为:
每个所述车道上布置多个称台,每个称台布置4个称重传感器;划分称台车辆载荷数据序列时,组内两序列分别命名为R,T序列,其中R={R(1),R(2),…,R(m)}和T={T(1),T(2),…,T(n)},下标为1的元素为车辆载荷数据序列的起点,下标为m或n的元素为车辆载荷数据序列终点。
作为本发明的进一步改进,所述距离矩阵构建具体包括:
采用动态规划的方法,以组内两序列的长度为基准构造一个m*n的距离矩阵,存放两车辆载荷数据序列中任意两个元素之间的直线距离;距离矩阵中第(j,k)个元素为组内序列R中第j个元素和组内序列T中第k个元素之间的直线距离。
作为本发明的进一步改进,最优匹配路径是指:从距离矩阵中第(1,1)个元素为起点,沿着某条路径到达距离矩阵第(m,n)个元素,寻找一条通过此距离矩阵的最优路径;最优路径满足边界条件、连续性、单调性和局部最优等规则;其中边界条件指距离矩阵的起点(1,1)和终点(m,n),最优路径不能改变组内两序列R、T的先后次序;
其中,连续性指最优路径当前通过第(i,j)个元素,路径的下一个元素(p,q)满足(p-i)<=1和(q-j)<=1;其中单调性指组内两序列R、T中元素的匹配必须朝着由前往后的顺序进行,最优路径当前通过第(i,j)个元素,则路径的下一个元素(p,q)满足(p-i)>=0和(q-j)>=0。
作为本发明的进一步改进,平均斜率计算包括:
去除无效元素后剩余元素(i,j)表示组内序列R中第i个元素和组内序列T中第j个元素匹配,元素(i,j)的斜率即组内序列R中第i个元素和组内序列T中第j个元素之间的时延情况;平均斜率th即组内序列R和组内序列T各匹配元素的平均时延情况。
作为本发明的进一步改进,根据平均斜率重新规划通过距离矩阵的最优路径包括:
以平均斜率为基准,重新匹配组内序列R和组内序列T的元素;视序列R为组内两序列的基准;
当平均斜率th<0时,则序列T相对于基准序列R滞后绝对值th;
当平均斜率th>0时,则序列T相对于基准序列R超前th;
平均斜率th<0,重匹配组内两序列元素时,基准序列R的下标为i的元素与序列T的下标为i+|th|的元素相匹配,在基准序列R的所有元素重复该过程,得到新的最优路径;
平均斜率th>0,重匹配组内两序列元素时,基准序列R的下标为i+th的元素与序列T的下标为i的元素相匹配,在序列T的所有元素重复该过程,得到新的最优路径。
作为本发明的进一步改进,重新构造距离矩阵是指:
基于新的最优路径,路径元素(i,j)表示组内序列R的第i个元素和序列T的第j个元素相匹配,重新构造距离矩阵,其中距离矩阵元素(i,j)表示组内序列R的第i个元素和序列T的第j个元素的直线距离;累积新的最优路径通过的距离矩阵元素,计算组内两序列R、T的距离。
作为本发明的进一步改进,直到两序列所有的信号都被窗口覆盖过具体是指:
在新的最优路径上,设置宽度w的滑动窗口,找到路径每个元素前后各w/2范围内元素的最大短时距离;在路径所有元素重复该过程,直到组内两序列所有的信号都被窗口覆盖过;
其中最大短时距离表示两车辆载荷数据序列每一刻的状态,即局部同步性。
一种基于动态时间规整的跨道车辆匹配***,包括:
获取模块,用于获取需要进行相似性度量分析的不同车道上若干个车辆载荷数据序列,并进行归一化预处理形成归一化车辆载荷数据;将相对位置的称重传感器所采集的车辆载荷数据序列划分为一组,并对组内两序列的元素进行标准化处理;
第一计算模块,用于计算组内两车辆载荷数据序列中任意两个元素之间的欧式距离,构成距离矩阵;根据最优等规则,确定通过距离矩阵的最优匹配路径;
第二计算模块,用于计算最优匹配路径上去除无效元素后,各匹配元素之间的平均斜率;根据平均斜率重新规划通过距离矩阵的最优路径;基于新的最优路径,重新构造距离矩阵;
评判模块,用于根据滑动窗口计算两序列局部的最大短时距离,在所有滑动窗口重复该过程,直到两序列所有的信号都被窗口覆盖过,以评判序列的局部相似程度。
与现有技术相比,本发明具有以下优点:
本发明的一种基于动态时间规整的跨道车辆匹配方法,首先获取原始车辆载荷数据并进行归一化预处理形成归一化车辆载荷数据,使得各来源车辆载荷数据的数值范围均分布在[0,1]之间;然后采用欧几里得算法计算组内两车辆载荷数据序列中任意两个元素之间的欧式距离,构成距离矩阵;基于动态时间规整算法处理组内两车辆载荷数据序列确定最优匹配路径,去除无效元素后,计算各匹配元素之间的平均斜率th,用于重新规划通过距离矩阵的最优路径;基于滑动窗口,计算两车辆载荷数据序列局部的最大短时距离STED,用于评判序列的局部相似程度。通过上述方式,提高了车辆载荷数据序列相似性度量的准确度,同时满足不同长度的车辆载荷数据序列之间的相似性度量。
附图说明
为了更清楚的说明本发明实施例,下面将对实施例描述中所需要适用的附图作简单介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1超载超限***称台结构示意图;
图2车辆行驶情况示意图;
图3跨道车辆匹配算法流程示意图;
图4组内两序列匹配关系示意图;
图5平均斜率处理示意图;
图6最大短时距离处理示意图。
其中,1、2为称台,11~18为称重传感器。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
由于车辆载荷数据序列来自不同的称重传感器,序列中“时滞”的存在以及在车辆载荷采集过程中可能存在的数据缺失,导致车辆载荷数据序列不能采用传统的一一对应的方式求取欧式距离来衡量相似性,为此本发明提出了一种基于动态时间规整的跨道车辆匹配方法,提高了车辆载荷数据序列相似性度量的准确度,同时满足不同长度的车辆载荷数据序列之间的相似性度量。
为了判断不同车道驶过的是否为同一车辆问题,实现基于动态时间规整的跨道车辆匹配方法,包括以下步骤:
获取需要进行相似性度量分析的若干个车辆载荷数据序列;
相对应的称重传感器所采集的车辆载荷数据序列划分为一组,组内进行数据标准化处理;
计算组内两车辆载荷数据序列中任意两个元素之间的欧式距离,构成距离矩阵;
根据边界条件、连续性、单调性和局部最优等规则,确定通过距离矩阵的最优匹配路径;
计算最优匹配路径上去除无效元素后,各匹配元素之间的平均斜率th,用于重新规划通过距离矩阵的最优路径。
通过滑动窗口,观察两车辆载荷数据序列每一刻的状态,即局部同步性。计算两序列局部的最大短时距离STED,在所有滑动窗口重复该过程,直到两序列所有的信号都被窗口覆盖过。
具体的,以下结合附图对本发明进行详细说明:
(1)超载超限***称台结构设计
超载超限***称台结构如图1所示,称重传感器是***的关键器件,称重传感器的性能决定了整个超载超限***的精度、适应速度范围、各种温度、气候条件下的可靠性和使用寿命。本方案采用的称重传感器可以任意组合起来满足不同道路的宽度。
每个车道可以布置多个称台,每个称台布置4个称重传感器,不仅可以同时准确监测两个车道称重数据,当个别车辆在中间行驶时,同样可以精确称量。在实际应用中,为了进一步提高***精度,建议在道路中间加硬隔离设施,便于区分来往车辆,防止车辆逆行逃避检测。
(2)基于动态时间规整的跨道车辆匹配方法
车辆在车道上有多种行驶情况,如图2所示。在相邻的两车道或多车道上各自有一辆车驶过,同一车辆跨道驶过两车道或多车道。同一车辆跨道行驶时,采集两车道称重传感器的车辆载荷数据序列;各有一辆车通过不同车道时,采集不同车道称重传感器的车辆载荷数据序列。
获取需要进行相似性度量分析的若干个车辆载荷数据序列并进行归一化预处理形成归一化车辆载荷数据,使得各来源车辆载荷数据的数值范围均分布在[0,1]之间;
每个车道上布置多个称台,每个称台布置4个称重传感器。划分称台相对位置的称重传感器所采集的车辆载荷数据序列为一组,组内两序列分别命名为R,T序列,其中R={R(1),R(2),…,R(m)}和T={T(1),T(2),…,T(n)},下标为1的元素为车辆载荷数据序列的起点,下标为m或n的元素为车辆载荷数据序列终点;
采用动态规划的方法,以组内两序列的长度为基准构造一个m*n的距离矩阵,用于存放两车辆载荷数据序列中任意两个元素之间的直线距离,距离越小表明两个元素之间的相似度越高。距离矩阵中第(j,k)个元素为组内序列R中第j个元素和组内序列T中第k个元素之间的直线距离。
从距离矩阵中第(1,1)个元素为起点,沿着某条路径到达距离矩阵第(m,n)个元素,寻找一条通过此距离矩阵的最优路径。最优路径满足边界条件、连续性、单调性和局部最优等规则。其中边界条件指距离矩阵的起点(1,1)和终点(m,n),最优路径不能改变组内两序列R、T的先后次序。最优路径,必定是从距离矩阵的左上角出发,在右下角结束。
其中,连续性指最优路径当前通过第(i,j)个元素,那么路径的下一个元素(p,q)满足(p-i)<=1和(q-j)<=1。即路径不能跨过某个元素,只能选择与自己的相邻的元素,以此保证组内两序列R、T中的每个元素坐标都在路径中出现。其中单调性指组内两序列R、T中元素的匹配必须朝着由前往后的顺序进行,最优路径当前通过第(i,j)个元素,那么路径的下一个元素(p,q)满足(p-i)>=0和(q-j)>=0。
剔除最优路径的无效元素,其中剩余元素对应于组内两序列R、T的元素坐标,计算组内两序列元素坐标之间的平均斜率th,平均斜率代表组内两序列之间的时延情况。th值越大,说明组内两序列的时延差越大;反之,说明组内两序列的时延差越小。剩余元素(i,j)表示组内序列R中第i个元素和组内序列T中第j个元素匹配,元素(i,j)的斜率即组内序列R中第i个元素和组内序列T中第j个元素之间的时延情况。平均斜率th即组内序列R和组内序列T各匹配元素的平均时延情况。
以平均斜率为基准,重新匹配组内序列R和组内序列T的元素。视序列R为组内两序列的基准,当平均斜率th<0时,说明序列T相对于基准序列R滞后绝对值th;当平均斜率th>0时,说明序列T相对于基准序列R超前th。平均斜率th<0,重匹配组内两序列元素时,基准序列R的下标为i的元素与序列T的下标为i+|th|的元素相匹配,在基准序列R的所有元素重复该过程,得到新的最优路径。平均斜率th>0,重匹配组内两序列元素时,基准序列R的下标为i+th的元素与序列T的下标为i的元素相匹配,在序列T的所有元素重复该过程,得到新的最优路径。
基于新的最优路径,路径元素(i,j)表示组内序列R的第i个元素和序列T的第j个元素相匹配,重新构造距离矩阵,其中距离矩阵元素(i,j)表示组内序列R的第i个元素和序列T的第j个元素的直线距离。累积新的最优路径通过的距离矩阵元素,计算组内两序列R、T的距离。
在新的最优路径上,设置宽度w的滑动窗口,找到路径每个元素前后各w/2范围内元素的最大短时距离STED。其中最大短时距离STED表示两车辆载荷数据序列每一刻的状态,即局部同步性。在路径所有元素重复该过程,直到组内两序列所有的信号都被窗口覆盖过。
算法性能测试时,采用MATLAB进行仿真。
基于动态时间规整的跨道车辆匹配方法流程如图3所示,选取5组来源于同一车辆的车辆载荷数据序列,6组来源于不同车辆的车辆载荷数据序列,以及7组人为进行同一车辆载荷数据序列时延的数据。分别计算组内两序列R、T的平均斜率th,得到18组序列的时延情况。设定平均斜率阈值参数为35,即可判断大于平均斜率th阈值的序列来源于不同辆车提供的数据。在小于平均斜率th阈值的情况,根据最大短时距离STED的阈值参数0.1进行处理,当大于最大短时距离阈值时,说明组内序列R、T在局部范围存在较大差异,可判定这组序列来源于不同辆车提供的数据;反之即可说明这组序列来源于同一车辆提供的数据。
MATLAB仿真过程包括:以组内两序列R、T的长度为基准构造一个m*n的距离矩阵,计算距离矩阵每个元素(i,j)即序列R的第i个元素和序列T的第j个元素的直线距离。
从距离矩阵的起点(1,1)出发,遵循边界条件、连续性、单调性和局部最优等规则,找到到达距离矩阵终点(m,n)的最优路径。最优路径的第(i,j)个元素表示序列R的第i个元素与序列T的第j个元素相匹配,以最优路径的每个元素绘制组内两序列R、T每个元素的匹配关系,如图4所示。其中匹配关系图中,上部分的数据序列为组内基准序列R,下部分的数据序列为组内序列T。
剔除最优路径上序列R、T对应的元素小于阈值0.1的路径元素值以及路径元素多次出现的值。根据最优路径的剩余元素绘制组内序列R、T的元素匹配关系,如图5所示。
利用剩余元素计算两序列的平均斜率th,然后根据平均斜率th重新规整最优路径,在新的最优路径上,设置宽度w=20的滑动窗口,找到路径每个元素前后各w/2范围内元素的最大短时距离STED,如图6所示。在路径所有元素重复该过程,直到组内两序列所有的信号都被窗口覆盖过。
最终的实验测试结果为基于动态规整的跨道车辆匹配算法能进行跨道车辆匹配处理,判别相邻的两车道或多车道上驶过的是否为同一车辆。
本发明第二个目的在于提供一种基于动态时间规整的跨道车辆匹配***,其特征在于,包括:
获取模块,用于获取需要进行相似性度量分析的不同车道上若干个车辆载荷数据序列,并进行归一化预处理形成归一化车辆载荷数据;将相对位置的称重传感器所采集的车辆载荷数据序列划分为一组,并对组内两序列的元素进行标准化处理;
第一计算模块,用于计算组内两车辆载荷数据序列中任意两个元素之间的欧式距离,构成距离矩阵;根据最优等规则,确定通过距离矩阵的最优匹配路径;
第二计算模块,用于计算最优匹配路径上去除无效元素后,各匹配元素之间的平均斜率;根据平均斜率重新规划通过距离矩阵的最优路径;基于新的最优路径,重新构造距离矩阵;
评判模块,用于根据滑动窗口计算两序列局部的最大短时距离,在所有滑动窗口重复该过程,直到两序列所有的信号都被窗口覆盖过,以评判序列的局部相似程度。
本发明第三个目的在于提供一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述基于动态时间规整的跨道车辆匹配方法。
本发明第四个目的在于提供一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述基于动态时间规整的跨道车辆匹配方法。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算***来实现,它们可以集中在单个的计算***上,或者分布在多个计算***所组成的网络上,可选地,它们可以用计算***可执行的程序代码来实现,从而,可以将它们存储在存储***中由计算***来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上披露的所有文章和参考资料,包括专利申请和出版物,出于各种目的通过援引结合于此。描述组合的术语“基本由…构成”应该包括所确定的元件、成分、部件或步骤以及实质上没有影响该组合的基本新颖特征的其他元件、成分、部件或步骤。使用术语“包含”或“包括”来描述这里的元件、成分、部件或步骤的组合也想到了基本由这些元件、成分、部件或步骤构成的实施方式。这里通过使用术语“可以”,旨在说明“可以”包括的所描述的任何属性都是可选的。
多个元件、成分、部件或步骤能够由单个集成元件、成分、部件或步骤来提供。另选地,单个集成元件、成分、部件或步骤可以被分成分离的多个元件、成分、部件或步骤。用来描述元件、成分、部件或步骤的公开“一”或“一个”并不说为了排除其他的元件、成分、部件或步骤。
应该理解,以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述,在所提供的示例之外的许多实施例和许多应用对本领域技术人员来说都将是显而易见的。因此,本教导的范围不应该参照上述描述来确定,而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。出于全面之目的,所有文章和参考包括专利申请和公告的公开都通过参考结合在本文中。在前述权利要求中省略这里公开的主题的任何方面并不是为了放弃该主体内容,也不应该认为申请人没有将该主题考虑为所公开的发明主题的一部分。
Claims (10)
1.一种基于动态时间规整的跨道车辆匹配方法,其特征在于,包括以下步骤:
获取需要进行相似性度量分析的不同车道上若干个车辆载荷数据序列,并进行归一化预处理形成归一化车辆载荷数据;将相对位置的称重传感器所采集的车辆载荷数据序列划分为一组,并对组内两序列的元素进行标准化处理;
计算组内两车辆载荷数据序列中任意两个元素之间的欧式距离,构成距离矩阵;根据最优等规则,确定通过距离矩阵的最优匹配路径;
计算最优匹配路径上去除无效元素后,各匹配元素之间的平均斜率;根据平均斜率重新规划通过距离矩阵的最优路径;基于新的最优路径,重新构造距离矩阵;
根据滑动窗口计算两序列局部的最大短时距离,在所有滑动窗口重复该过程,直到两序列所有的信号都被窗口覆盖过,以评判序列的局部相似程度。
2.根据权利要求1所述方法,其特征在于,两个相邻车道中间还加设有硬隔离设施;所述归一化车辆载荷数据使得各来源车辆载荷数据的数值范围均分布在[0,1]之间。
3.根据权利要求1所述方法,其特征在于,所述数据标准化处理具体步骤为:
每个所述车道上布置多个称台,每个称台布置4个称重传感器;划分称台车辆载荷数据序列时,组内两序列分别命名为R,T序列,其中R={R(1),R(2),…,R(m)}和T={T(1),T(2),…,T(n)},下标为1的元素为车辆载荷数据序列的起点,下标为m或n的元素为车辆载荷数据序列终点。
4.根据权利要求1所述方法,其特征在于,所述距离矩阵构建具体包括:
采用动态规划的方法,以组内两序列的长度为基准构造一个m*n的距离矩阵,存放两车辆载荷数据序列中任意两个元素之间的直线距离;距离矩阵中第(j,k)个元素为组内序列R中第j个元素和组内序列T中第k个元素之间的直线距离。
5.根据权利要求4所述方法,其特征在于,最优匹配路径是指:从距离矩阵中第(1,1)个元素为起点,沿着某条路径到达距离矩阵第(m,n)个元素,寻找一条通过此距离矩阵的最优路径;最优路径满足边界条件、连续性、单调性和局部最优等规则;其中边界条件指距离矩阵的起点(1,1)和终点(m,n),最优路径不能改变组内两序列R、T的先后次序;
其中,连续性指最优路径当前通过第(i,j)个元素,路径的下一个元素(p,q)满足(p-i)<=1和(q-j)<=1;其中单调性指组内两序列R、T中元素的匹配必须朝着由前往后的顺序进行,最优路径当前通过第(i,j)个元素,则路径的下一个元素(p,q)满足(p-i)>=0和(q-j)>=0。
6.根据权利要求1所述方法,其特征在于,平均斜率计算包括:
去除无效元素后剩余元素(i,j)表示组内序列R中第i个元素和组内序列T中第j个元素匹配,元素(i,j)的斜率即组内序列R中第i个元素和组内序列T中第j个元素之间的时延情况;平均斜率th即组内序列R和组内序列T各匹配元素的平均时延情况。
7.根据权利要求6所述方法,其特征在于,根据平均斜率重新规划通过距离矩阵的最优路径包括:
以平均斜率为基准,重新匹配组内序列R和组内序列T的元素;视序列R为组内两序列的基准;
当平均斜率th<0时,则序列T相对于基准序列R滞后绝对值th;
当平均斜率th>0时,则序列T相对于基准序列R超前th;
平均斜率th<0,重匹配组内两序列元素时,基准序列R的下标为i的元素与序列T的下标为i+|th|的元素相匹配,在基准序列R的所有元素重复该过程,得到新的最优路径;
平均斜率th>0,重匹配组内两序列元素时,基准序列R的下标为i+th的元素与序列T的下标为i的元素相匹配,在序列T的所有元素重复该过程,得到新的最优路径。
8.根据权利要求7所述方法,其特征在于,重新构造距离矩阵是指:
基于新的最优路径,路径元素(i,j)表示组内序列R的第i个元素和序列T的第j个元素相匹配,重新构造距离矩阵,其中距离矩阵元素(i,j)表示组内序列R的第i个元素和序列T的第j个元素的直线距离;累积新的最优路径通过的距离矩阵元素,计算组内两序列R、T的距离。
9.根据权利要求1所述方法,其特征在于,直到两序列所有的信号都被窗口覆盖过具体是指:
在新的最优路径上,设置宽度w的滑动窗口,找到路径每个元素前后各w/2范围内元素的最大短时距离;在路径所有元素重复该过程,直到组内两序列所有的信号都被窗口覆盖过;
其中最大短时距离表示两车辆载荷数据序列每一刻的状态,即局部同步性。
10.一种基于动态时间规整的跨道车辆匹配***,其特征在于,包括:
获取模块,用于获取需要进行相似性度量分析的不同车道上若干个车辆载荷数据序列,并进行归一化预处理形成归一化车辆载荷数据;将相对位置的称重传感器所采集的车辆载荷数据序列划分为一组,并对组内两序列的元素进行标准化处理;
第一计算模块,用于计算组内两车辆载荷数据序列中任意两个元素之间的欧式距离,构成距离矩阵;根据最优等规则,确定通过距离矩阵的最优匹配路径;
第二计算模块,用于计算最优匹配路径上去除无效元素后,各匹配元素之间的平均斜率;根据平均斜率重新规划通过距离矩阵的最优路径;基于新的最优路径,重新构造距离矩阵;
评判模块,用于根据滑动窗口计算两序列局部的最大短时距离,在所有滑动窗口重复该过程,直到两序列所有的信号都被窗口覆盖过,以评判序列的局部相似程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864773.XA CN112070130B (zh) | 2020-08-25 | 2020-08-25 | 一种基于动态时间规整的跨道车辆匹配方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864773.XA CN112070130B (zh) | 2020-08-25 | 2020-08-25 | 一种基于动态时间规整的跨道车辆匹配方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070130A true CN112070130A (zh) | 2020-12-11 |
CN112070130B CN112070130B (zh) | 2023-03-28 |
Family
ID=73660706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864773.XA Active CN112070130B (zh) | 2020-08-25 | 2020-08-25 | 一种基于动态时间规整的跨道车辆匹配方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070130B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450572A (zh) * | 2021-09-02 | 2021-09-28 | 西南交通大学 | 一种交通状态估计方法、装置、设备及可读存储介质 |
CN114543964A (zh) * | 2022-02-21 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 一种物料过磅作弊的检测方法、装置和计算机设备 |
CN116826977A (zh) * | 2023-08-28 | 2023-09-29 | 青岛恒源高新电气有限公司 | 一种光储直柔微电网智能管理*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060217892A1 (en) * | 2005-03-23 | 2006-09-28 | International Business Machines Corporation | Vectorization of dynamic-time-warping computation using data reshaping |
US20160260324A1 (en) * | 2015-03-03 | 2016-09-08 | Honda Motor Co., Ltd. | Methods and apparatus for enabling mobile communication device based secure interaction from vehicles through motion signatures |
US20170364083A1 (en) * | 2016-06-21 | 2017-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Local trajectory planning method and apparatus for smart vehicles |
CN109783051A (zh) * | 2019-01-28 | 2019-05-21 | 中科驭数(北京)科技有限公司 | 一种时间序列相似性计算装置和方法 |
CN110135642A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 一种基于dtw距离的交通流量序列相似性度量方法 |
CN110728842A (zh) * | 2019-10-23 | 2020-01-24 | 江苏智通交通科技有限公司 | 基于路口车辆合理行驶范围的异常行驶预警方法 |
CN110766088A (zh) * | 2019-10-29 | 2020-02-07 | 浙江大华技术股份有限公司 | 同行车辆分析方法、装置、及存储装置 |
CN111062267A (zh) * | 2019-11-28 | 2020-04-24 | 内蒙古农业大学 | 一种时间序列遥感影像降维方法 |
-
2020
- 2020-08-25 CN CN202010864773.XA patent/CN112070130B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060217892A1 (en) * | 2005-03-23 | 2006-09-28 | International Business Machines Corporation | Vectorization of dynamic-time-warping computation using data reshaping |
US20160260324A1 (en) * | 2015-03-03 | 2016-09-08 | Honda Motor Co., Ltd. | Methods and apparatus for enabling mobile communication device based secure interaction from vehicles through motion signatures |
US20170364083A1 (en) * | 2016-06-21 | 2017-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Local trajectory planning method and apparatus for smart vehicles |
CN109783051A (zh) * | 2019-01-28 | 2019-05-21 | 中科驭数(北京)科技有限公司 | 一种时间序列相似性计算装置和方法 |
CN110135642A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 一种基于dtw距离的交通流量序列相似性度量方法 |
CN110728842A (zh) * | 2019-10-23 | 2020-01-24 | 江苏智通交通科技有限公司 | 基于路口车辆合理行驶范围的异常行驶预警方法 |
CN110766088A (zh) * | 2019-10-29 | 2020-02-07 | 浙江大华技术股份有限公司 | 同行车辆分析方法、装置、及存储装置 |
CN111062267A (zh) * | 2019-11-28 | 2020-04-24 | 内蒙古农业大学 | 一种时间序列遥感影像降维方法 |
Non-Patent Citations (2)
Title |
---|
XINGZHE XIE ET AL: "Road Network Inference from GPS Traces using DTW Algorithm", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON》 * |
叶燕清等: "基于加权动态时间弯曲的多元时间序列相似性匹配方法", 《模式识别与人工智能》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450572A (zh) * | 2021-09-02 | 2021-09-28 | 西南交通大学 | 一种交通状态估计方法、装置、设备及可读存储介质 |
CN114543964A (zh) * | 2022-02-21 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 一种物料过磅作弊的检测方法、装置和计算机设备 |
CN116826977A (zh) * | 2023-08-28 | 2023-09-29 | 青岛恒源高新电气有限公司 | 一种光储直柔微电网智能管理*** |
CN116826977B (zh) * | 2023-08-28 | 2023-11-21 | 青岛恒源高新电气有限公司 | 一种光储直柔微电网智能管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN112070130B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070130B (zh) | 一种基于动态时间规整的跨道车辆匹配方法及*** | |
CN104008647B (zh) | 一种基于机动车行驶模式的道路交通能耗量化方法 | |
CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘*** | |
US7557754B2 (en) | Method for use in a multilateration system and a multilateration system | |
CN102393881B (zh) | 一种实时多传感温度数据融合的高精度检测方法 | |
EP0884603A2 (en) | Dynamic fuzzy logic process for indentifying objects in three-dimensional data | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和*** | |
CN109117450B (zh) | 振动测试数据最佳分析长度的确定方法 | |
US6292738B1 (en) | Method for adaptive detection of engine misfire | |
CN111612378A (zh) | 潜在碰撞风险预测方法、装置及计算机设备 | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及*** | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN115761534A (zh) | 一种空中背景下红外无人机小目标检测及跟踪方法 | |
CN109143242A (zh) | 障碍物绝对速度估计方法、***、计算机设备和存储介质 | |
CN112229406A (zh) | 一种多余度引导全自动着陆信息融合方法及*** | |
CN114859351A (zh) | 一种基于神经网络的地表形变场异常检测的方法 | |
CN117083621A (zh) | 检测器训练方法、装置及存储介质 | |
CN109263649A (zh) | 车辆及其自动驾驶模式下的物体识别方法和物体识别*** | |
Chong | Problem characterization in tracking/fusion algorithm evaluation | |
CN109615197A (zh) | 基于二维云模型的尾矿坝安全等级评估方法 | |
CN109711894A (zh) | 航线需求异常的检测方法及*** | |
CN115186927A (zh) | 一种基于数值天气预报和模型融合的风向预测方法及*** | |
CN113673105A (zh) | 真值对比策略的设计方法 | |
CN111967364B (zh) | 复合故障诊断方法、装置、电子设备和存储介质 |
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 |