CN112153574B - 基于浮动车辆的路侧设备时钟准确性检验方法和*** - Google Patents

Abstract

本发明涉及一种基于浮动车辆的路侧设备时钟准确性检验方法和***，包括检索并记录路侧设备附近的GPS记录，包括车辆GPS定位信息及时间信息；基于获取的GPS记录形成车辆经过路侧设备附近的通行轨迹记录；基于车辆每次经过路侧设备的GPS定位信息，建立拟合模型预测车辆经过该路侧设备的真实GPS时间；匹配同一辆车经过同一路侧设备的数据记录，利用事件发生时的真实GPS时间检验路侧设备的观测时间是否一致。本发明的方法和***成本低且易于实现，具有良好的准确性与稳定性。

Description

基于浮动车辆的路侧设备时钟准确性检验方法和***

技术领域

本发明属于公路运营管理信息化领域，涉及一种利用浮动车数据实现路侧设备时钟校准的方法及其应用***。

背景技术

高速公路路侧设备(Road Side Unit,RSU)的广泛建设大幅增强了高速公路运营管理的外场感知能力。作为末端感知的基础设施，RSU设备工作时由其***内置时钟提供时间信息。在实际工程中，RSU设备时钟错误的现象时有发生，造成设备提供数据携带错误的时间戳。这一现象产生的原因有多种，例如：1)设备内部时钟未被校正(授时)或是设置错误；2)设备内置时钟长期运行产生误差；3)设备工作过程中因停电等外部因素造成时钟错误；4)某些设备在时间转换过程中产生错误(如从UTC转为本地时间)；5)设备时钟虽经过授时服务器校准(授时服务器通常可通过卫星授时获取准确时间)，但在通过授时服务器最终到达设备的过程中，由于网络传输等原因造成延迟等错误。

由于时钟错误，RSU设备因无法知晓真实时间，导致产生的数据对上层业务的精准性和服务质量产生影响，如：车辆路径还原、收费稽核、流量动态监测、区间测速等。针对这一问题，目前广泛采用了通过分析授时服务器日志的方法检查设备时钟异常。然而这种方法仅能有限的辅助排查上述部分因素造成的时钟错误，针对如授时网络延迟或内部计算错误这类因素造成的时钟异常，由第三者在各设备处采用准确的时钟与设备时钟对时更为理想。但是，从成本和可行性角度看，安排人员专项定期往复巡检较不现实。本发明参照该思路，提出一种低成本且易于实现的路侧设备时钟检验方法。

发明内容

本发明旨在克服上述现有技术的不足，提供一种低成本且易于实现的路侧设备时钟异常检验方法，以及基于该方法实现路网路侧设备的在线实时时钟校验***。

本发明方案的核心思路在于利用不同来源的数据，即浮动车GPS设备采集的时空数据与路侧设备对车辆的观测数据，经过一系列计算与分析，比对车辆轨迹与路侧设备的时空一致性，通过判断不同设备对同一时空发生事件的时间戳一致性，叠加统计分析，从而检验路侧设备时钟的准确性。

为实现上述技术目的，本发明采用如下技术方案：

一种基于浮动车辆的路侧设备时钟准确性检验方法，包括：

检索并记录路侧设备附近的GPS记录，包括车辆GPS定位信息及时间信息；

基于获取的GPS记录形成车辆经过路侧设备附近的通行轨迹记录；

基于车辆每次经过路侧设备的GPS记录，建立拟合模型预测车辆经过该路侧设备的真实GPS时间；

匹配车辆经过同一路侧设备的数据记录，利用事件发生时的真实GPS时间检验路侧设备的观测时间是否一致。

作为本发明的进一步改进，以半径r检索落在路侧设备附近的GPS记录，车辆与路侧设备的距离基于半正矢公式计算。采用该方法可以实现准确距离计算；或基于路侧设备经纬度坐标创建矩形，获取经纬度坐标落入矩形范围中的浮动车辆的GPS记录。在数据量较大的场景下，采用该方法可以实现快速计算，以提高计算效率。优选的，在数据规模较大时，先采用快速搜索的方法进行初筛，初筛的结果采用上述半正矢公式复筛出准确距离。

作为本发明的进一步改进，检索GPS记录时，搜索半径的取值结合车速、车辆GPS采集频率确定，以平均速度、采集频率和所需样本数计算搜索半径范围，选取初筛值，基于小样本数据选择不同初筛值进行测试，确定搜索半径。

作为本发明的进一步改进，对于任一路侧设备，将同一车辆经过该路侧设备的GPS记录按照GPS时间排序，当两条GPS记录时间间隔内车辆行驶距离大于搜索范围时，标记该时间间隔用于区分车辆多次行经路侧设备的切分点，从而区分同一路侧设备多次通过的记录。

进一步的，对通行轨迹记录进行车辆行驶方向判定，计算通行记录的行驶方位角，对比计算的行驶方位角与对应路侧设备所在路线行驶方向，剔除路侧设备反方向路线上的行驶记录。

作为本发明的进一步改进，所述真实GPS时间基于线性拟合获取，包括：假定在形成的通行轨迹记录范围内车辆运动轨迹近似匀速直线运动，采用一般线性模型建立拟合方程，基于车辆每次经过路侧设备的GPS记录计算车辆经过该路侧设备的真实GPS时间。

作为本发明的进一步改进，所述方法还包括获取基于单车次的路侧设备平均时钟误差：

对于任意浮动车辆、路侧设备的组合(p,g)，获取车辆p每次经过路侧设备g的真实GPS时间、对应路侧设备观测到车辆经过的时间和记录写入时间；

计算真实GPS时间和记录写入时间的差值的绝对值

将

按升序排序，取前κ位；κ取所述真实GPS时间的记录数目及记录写入时间的记录数目中的较小值；

计算真实GPS时间与车辆被路侧设备观测时间的差值，获得κ次车辆p经过设备g以真实GPS时间检验设备时钟的结果比较的集合；

对于全部(p,g)分组，分别计算出时差，以及每组时差均值，即基于车辆p获得的路侧设备g的平均时钟误差。

作为本发明的进一步改进，还包括，统计各路侧设备的时钟平均误差及各浮动车辆对误差计算的波动性；所述波动性以路侧设备时钟平均误差的标准差表征。

进一步的，还包括，根据各路侧设备的时钟平均误差及时钟平均误差的标准差设定不同组别阈值，对不同组别路侧设备依据误差的范围和波动性采取不同的处置措施。

本发明还提供了一种基于浮动车辆的路侧设备时钟准确性检验***，包括：

坐标记录检索单元，检索并记录路侧设备附近的GPS记录，包括车辆GPS定位信息及时间信息；

通行轨迹记录生成单元，基于坐标记录检索单元获取的GPS记录形成车辆经过路侧设备附近的通行轨迹记录；

GPS时间拟合单元，基于车辆每次经过路侧设备的GPS记录，建立拟合模型预测车辆经过该路侧设备的真实GPS时间；

路侧设备时钟误差检验单元，匹配同一辆车经过同一路侧设备的数据记录，利用事件发生时的真实GPS时间检验路侧设备的观测时间是否一致。

进一步的，所述***还包括校验单元，统计各路侧设备的时钟平均误差及各浮动车辆对误差计算的波动性；所述波动性以路侧设备时钟平均误差的标准差表征。

本发明利用浮动车辆的GPS数据检验路侧设备的时钟准确性。路网中的路侧设备被(载有GPS的)大量不同车辆往复经过，通过本发明提出方法可有效提取出浮动车经过路侧设备的(真实GPS)时间；继而通过本发明提出的记录匹配与比对算法可以有效发现基于路侧设备时钟与真实GPS时间的差异；最终，基于大数据量的通行观测与统计分析获得对路侧设备时钟准确性的评估结果。本发明具有以下有益效果：

(1)本发明所述路侧设备时钟检验的思路和方法相对于其他方式更为实用。相对于间接检查授时服务日志而言，本方案更为直接，相当于对路侧设备时钟在同一时间空间中使用基于GPS的时钟进行直接检测。

(2)本发明技术方案具有良好的准确性与稳定性。由于使用了基于GPS设备提供时空信息的浮动车，其时间的获取基于GPS卫星原子钟，为检测路侧设备时钟的参照标准体系提供了准确性保障。同时，在针对同一路侧设备的检验过程中应用非同一车辆/设备多次往复检验，使用加权平均和标准差描述来消除单车次检验的误差影响。

(3)实现本发明技术方案的成本较低。本方案的实施方法和途径很多，其所需的原材料(三个来源数据)，均为已有业务***的数据。在实现数据共享交换的基础上，实施本方案无需额外硬件与工程投入。

(4)本发明技术方案的实施运行速度快效率高。本方案可对路网中路侧设备实现实时滚动检测，技术方案***化后，执行过程中所需人工干预极少，可实现定期自动推送结果。由于路侧设备在路网中分布广泛，而真正需要人员检查或维修的设备只占较小比例，本技术方案提供的成果可极大缩减需要人员实地巡查的设备清单，在节约人工巡查/维护成本的同时大幅提高维护效率。

(5)在高速公路运营智慧化的过程中，对路网的全方位感知依赖于各类更加广泛部署的路侧设备，而其有效工作需要各设备时钟的运行准确，以及对其持续的监测与维护。在流量动态监测、区间测速、车路协同等业务与场景下，路侧设备的时钟准确与否扮演决定性的重要角色。虽然服务器授时可在总体上确保多数设备时钟的准确，但因为这些外场设备数量大且部署分布广泛，由于各种因素造成的单节点偶发或周期性故障，仍需高效的检测手段予以定期排查，本发明方案填补了这一应用场景在技术实现上的空白。

附图说明

图1是本发明实施例所示方法的流程图。

图2是实施例2江苏高速公路路网路侧设备位置示意图。

图3是车辆非静止状态下平均车速直方图。

图4是车辆轨迹判定切分示意图。

图5是路侧设备时间拟合计算示意图。

图6门架时钟误差(绝对值)分布。

图7门架时钟误差估计与估算样本标准差分布散点图。

具体实施方式

下面结合附图说明和具体实施方式对本发明的技术方案作进一步阐述。

实施例1

本发明的方法流程如图1所示，包括：

1、准备实现本技术方案的输入数据。

本方案需要利用三个来源的输入数据：1)基础数据、2)浮动车GPS设备采集的时空数据(数据集V)、3)路侧设备对车辆的观测数据(数据集G)。

基础数据包含路侧设备和车辆的基础信息，如：

路侧设备编号，用于辨识路侧设备的唯一编号；

路侧设备空间位置信息，至少包含经度、纬度信息；

车辆基础信息，如：车辆识别信息(如车牌)、车型、颜色等。

浮动车数据(表示为数据集V)描述了给定时间范围d内车辆GPS设备以固定频率采集的车辆空间位置记录，每条记录至少包含如下信息：

车辆辨识信息，用于辨识车辆唯一身份的信息，如车牌、唯一通行码、或ETC_ID等；

车辆定位信息，基于GPS获得的车辆位置信息，至少包含经度、纬度、方位角；

车辆时间信息，基于GPS设备获得的时间，通常为协调世界时间(UTC)转为本地(北京)时间；

记录入库时间信息，描述记录写入数据库的时间，滞后于车辆获取定位的(GPS)时间，该时间由GPS数据入库时从服务器时钟获取。

路侧设备数据(表示为数据集G)描述了时间范围d天内路侧设备对车辆的观测记录，每条记录至少包含如下信息：

路侧设备编号，用于辨识路侧设备的唯一编号；

车辆辨识信息，如通过相机识别的车牌信息，或与ETC设备发生交互的流水记录中的ETC_ID信息；

观测时间信息，基于设备时钟获得的设备观测到车辆的时间记录，该时间可能由于设备原因表示为非真实时间；

记录入库时间信息，描述记录写入数据库的时间，滞后于真实的观测时间，该时间由路侧设备数据入库时从服务器时钟获取。

2、对原始数据进行清洗数据与整理。

步骤2用于去除输入数据中的无效、错误和重复数据。在数据源是结构化数据库时，可考虑在获取数据时直接完成数据清洗。

无效数据

因关键信息缺失而致使后续分析中无法被利用的数据应去除，如：1)V中含无效的车牌的记录，2)G中车牌识别有误的记录。

异常数据

基于数据集和记录自身，可直接判断数据有误的记录应被清洗。如时间转换(UTC时间转本地时间)过程中转换错误导致的时间戳，可通过比对记录入库时间判别。

重复数据

由于设备多发重发或其他原因导致的重复数据，通常是对于某车辆出现重复的时间戳，在数据集V和G中都可能存在。

3、基于路侧设备位置对车辆GPS数据进行空间搜索，即以一定半径r检索落在路侧设备附近的GPS记录。

步骤3用于在V中拣选车辆在空间中经过G中任一设备的记录，其目的在于1)利用GPS位置信息判定车辆是否存在经过路侧设备的行为，并保留经过任一设备的时空坐标记录；2)缩小待考察数据集V的规模，以便后续分析计算。

准确距离计算搜索

对于V中任一记录v_i，对于G中任一路侧设备g_j，计算v_i到g_j的空间距离d_ij；如果d_ij<r则保留v_i，否则丢弃。

d_ij可采取半正矢公式(Haversine formula)计算，即：

其中，(φ_i,λ_i)为v_i的经纬度坐标，(φ_j,λ_j)为g_j的经纬度坐标，R为地球半径。

简化快速搜索

由于(1)采用了sin²和开平方计算，计算距离d_ij占用的资源较高，对于寻找落在路侧设备附近的车辆GPS坐标点可简化搜索。对于G中任一路侧设备g_j，有经纬度坐标(φ_j,λ_j)，以该点为中心使用θ创建矩形；θ指弧度；对于V中任一记录v_i的经纬度坐标(φ_i,λ_i)，判别其是否落入矩形中，即同时满足：

则保留v_i，否则丢弃。

相对半正矢距离判别，简化方法在允许的范围内降低了检索精度，但能大幅提高计算效率，适合数据量较大的场景使用。在实际实施过程中，数据规模较大的场景下可分两步检索，先使用快速法用略大的θ值(可用略大于r的近似弧度表示值)进行初筛，通过的结果再使用准确距离法进行复筛。

确定搜索半径的取值

搜索半径θ的取值需要结合车速、车辆GPS采集频率等因素综合考虑，可先基于小样本数据选择不同值进行尝试(例如：100-500m)。半径过小会导致车辆经过路侧设备的有效GPS坐标点丢失，尤其是对于采样频率低速度高的车辆GPS记录；半径过大会导致过多的GPS坐标点被选入，增加后期处理的难度与性能，特别是对于临近互通枢纽的路侧设备，易把非路侧设备所在车道上的GPS数据选入。

4、基于步骤3获得的路侧设备附近的车辆GPS记录，分析获得车辆经过路侧设备的通行轨迹记录。

步骤4的目的是通过计算与分析，将步骤3中获得的车辆经过路侧设备附近的GPS记录点还原成车辆经行的轨迹记录。该过程将基于各路侧设备和每辆车来处理，其中会遇到两类问题：1)区分同一路侧设备多次通过记录的；2)去除车辆从反向车道经过该路侧设备的记录。以下分别说明：

切分GPS路径点，获得通行记录

对于任一路侧设备g_j，通过步骤3得到经过其附近的车辆GPS位置记录，表示为v_pi，其中p为车辆唯一辨识信息(如：车牌)，i为车辆p经过g_j附近记录按GPS时间排序后的索引。对于任意p∈k,i∈n，计算每两条GPS记录之间的时间间隔：

Δt_pi＝t_p(i+1)-t_pi (3)其中t_pi为v_pi中的GPS时间戳。如果存在：

Δt_pi·s_pi>2r (4)则判定该时间间隔内车辆行驶距离大于搜索范围(式中s_pi为v_pi中车辆行驶速度)，该时间区间内车辆已经驶出g_i的搜索空间，则标记该Δt_pi用于区分车辆多次行经路侧设备g_j的切分点。

通过车辆行驶方向判定

切分后，形成车辆p经过路侧设备g_j的通行记录r_pjl，其中l为车辆p经过路侧设备g_j的通行记录索引，由一组按GPS时间排序的GPS坐标构成，表示为v_pji,v_pji+1,…,v_pjn。对于r_pjl计算该通行记录的行驶方位角：

式中，(φ₁,λ₁)为v_pji的经纬度坐标，(φ₂,λ₂)为v_pjn的经纬度坐标。

对于路侧设备g_j，有α^j为其所在路线行驶方向，可从基础数据中获得。比较α_pjl与α^j之间的夹角，用于判断车辆p在路侧设备g_j的第l次经过是否属于在g_j所在方向车道上行驶记录，如果：

|α_pjl-α^j|<90 (6)判定α_pjl所对应的车辆p在路侧设备g_j的第l次经过记录属于g_j所在车道方向，相关通行记录r_pjl予以保留备用，否则为路侧设备g_j反方向路线上的行驶记录，相关记录予以舍弃。

5、拟合车辆经过路侧设备的真实GPS时间。

步骤5的目的是基于车辆每次经过路侧设备的GPS坐标点，采用线性模型(拟合)预测获得车辆经过该路侧设备的真实GPS时间。步骤4获得的车辆通行记录可表示为r_pjl，描述计算p车l次经过j路侧设备时采集的GPS空间坐标和对应GPS时间信息。对于任意r_pjl，设其GPS记录数量为m，r_pjl可表示为：

{(φ₁,λ₁,t₁),(φ₂,λ₂,t₂),…,(φ_m,λ_m,t_m)}。对任意r_pjl，假定在形成的通行轨迹记录范围内车辆运动轨迹近似于匀速直线运动，基于记录数据使用一般线性模型建立拟合方程：

t＝aφ+bλ+c (7)

λ＝a′φ+b′ (8)

现有路侧设备其坐标表示为(φ_g,λ_g)，若其位置不落在(8)上(即(φ_g,λ_g)带入(8)等式不成立)，需要计算出(φ_g,λ_g)落在7上的垂足坐标(φ′_g,λ′_g)，按以下方式计算：

否则直接使用(φ′_g,λ′_g)＝(φ_g,λ_g)带入(7)，计算获得车辆经过路侧设备的GPS时间t_g。

t_g＝aφ′_g+bλ′_g+c (10)

6、整理目前获得的数据。

步骤6整理前序步骤获得的数据结果，用于在数据集间进行后续匹配与时间比对分析。

利用数据集V，经过步骤1-5处理，可得知哪些浮动车辆在何时经过了哪些路侧设备，将这些数据与计算结果整理备用。整理后的数据集V包含以下信息：路侧设备编号、车辆辨识信息(车牌)、车辆经过的真实GPS时间。

同时，将数据集G按以下顺序排列：路侧设备编号、车辆辨识信息(车牌)、路侧设备观测时间、记录入库时间。

7、记录匹配与时间对比。

步骤7的目的是比对数据集R和G，将不同数据来源对应同一事件(即车辆p经过路侧设备g)的记录进行匹配，再利用事件发生时的GPS时间检验路侧设备的观测时间是否一致，从而获得对路侧设备g的单车次时钟检测。具体过程如下：

对于数据集R和G内的记录，分别按(p,g)分组；对于任意(p,g)组合，若数据集R中存在记录，表示为t₁,t₂,…,t_m，对应p车在路侧设备g每次经过的真实GPS时间，同时G中存在相关记录，表示为(s₁,t′₁),(s₂,t′₂),…,(s_n,t′_n)，对应路侧设备观测到车辆经过的时间(t′_n)和记录写入时间(s_n)，

计算t_i与s_j之间的时长

T可表示为m×n的矩阵：

将

按升序排序，取前k位，表示为

计算车辆经过路侧设备的时间t_i与车辆被路侧设备观测t′_j的差值，Δt_pg＝t_i-t′_j，获得k次车辆p经过设备g以车载GPS时间检验设备时钟的结果比较的集合，表示为ΔT_pg＝Δt_pg1,Δt_pg2,…,Δt_pgκ。对于全部(p,g)分组，分别计算出其时钟比较集合ΔT_pg，以及每组均值

即基于车辆p获得的路侧设备g的平均时钟误差。

8、路侧设备时钟准确性的统计描述。

步骤8的目的是汇总统计各路侧设备的时钟平均误差，以及各浮动车对误差计算的波动性。

首先，采用加权平均法汇总第7步的结果，获得路侧设备g的平均误差Δt_g：

其中，

为车辆p在路侧设备g的平均检验误差，ω_p为车辆p的权重，表示为：

式中，n^pg为车辆p在路侧设备g经过的总次数。

其次，计算路侧设备g的误差标准差Δδ_g：

9、最终结果输出。

整理步骤8所获的结果，获得各路侧设备时钟校准评估值Δt_g和评估值稳定性Δδ_g，可表示为数据集C：

C＝{(Δt₁,Δδ₁),(Δt₂,Δδ₂),…,(Δt_g,Δδ_g)} (15)

式中，Δt_g用于描述路侧设备g在观测时间内平均时钟误差，其绝对值越小误差越小；Δδ_g用标准差描述设备g多次观测误差的波动性，其值越小则关于误差判断的准确性越高。

对于最终结果，可根据这两个值设定不同组别阈值，对路侧设备的时钟准确性分别讨论，对不同组别依据误差的范围和波动性采取不同的处置措施。

实施例2

本案例基于江苏境内高速公路路网及其中路侧设备开展，案例研究区总里程约为4084公里，其中有路侧设备1316个。浮动车为高速公路排障车、清扫车、巡逻警车，车辆全部装载GPS定位***，并实时上报其位置与运动信息至***。

本案例实施基于私有云环境开发与实施，主机硬件环境为：1)Intel(R)Xeon(R)Gold5218R x 2CPU；2)256GB内存；3)1Tb SSD+16Tb HDD。用于执行数据处理与分析的虚拟主机配置为40核128Gb内存，其***平台为Ubuntu 18.04LTS，分析软件平台为JupyterLab，分析使用python 3.7，第三方工具包括：numpy、pandas、sklearn、matplotlib等。

实施过程如下：

1、采集与准备实施例所需要的数据全部数据。

实施例2基础数据为江苏高速路网路侧设备(龙门架)的基本信息，全网合计门架2234座。案例仅使用类型属性为道路类的门架(1316座)。基于原始数据表(共25列字段)，提取以下信息用于后续分析：

各设备唯一编号(f_vc_gantry_id)，如：G250332001000310010，编码由城市编码、路段编码、桩号等信息构成；

各设备空间位置信息(经度、纬度)。

浮动车数据存放于云上数据库，使用SQL语句直接获取，本例选取2020年7月6日至12日合计7天为研究窗口。获取原始浮动车数据约2.42×10⁷条记录，约为3.6Gb。从20列原始字段提取以下信息用于案例分析：

车牌号(F_LICENSEPLATENUM)，用于识别车辆身份的信息；

车辆GPS定位数据，包含经度、纬度、方位角、速度；(F_LONGITUDE、F_LATITUDE、F_ORIENTATION、F_SPEED)，其中坐标信息最低精度为小数点后6位(部分车辆设备为8位)，用于步骤3-5中分析；

时间信息(F_GPSTIME)，基于GPS设备获得的时间，精度精确到秒；

记录写入数据库的时间信息(F_INSERTTIME)。

路侧设备观测记录为门架抓拍相机的车牌识别数据，来源同为云上数据库，初步检索该7天内共计约1.32×10⁸条记录，后续(步骤6)根据步骤1-5结果使用SQL语句进行条件(车牌、路侧设备编号)查询。提取各记录中如下信息用于分析：

设备编号(GANTRYID)，产生抓拍记录的设备编号，与基础数据设备编号相对应；

车牌信息(VEHICLEPLATE)，通过相机识别的经过车辆的车牌信息，平均识别准确度为92％；

抓拍时间(PICTIME)，基于相机时钟获得的观测到车辆的时间记录，该时间被假定为待校准信息；

入库时间(AUDCREATETIME)，过车抓拍数据上传至***入库的时间，平均存在10分钟左右的延迟。

2、使用Jupyter平台载入原始数据，按照实施例1步骤2开展清洗数据，目标为清除无效、异常、错误三类数据。

对GPS数据中车牌号使用正则表达式筛选，剔除含无效车牌的记录。车牌信息由省份简称、车牌发放地代码(A-Z)、车牌序号(数字和字母)、车牌颜色构成。使用正则表达式("^苏[A-Z0-9]{5,6}.")编写车牌匹配模式，实现上述目的。

对浮动车数据中的GPS时间与入库时间做比较，筛选时间异常记录。统计发现，GPS数据入库时间(F_INSERTTIME)平均晚于GPS获取时间(F_GPSTIME)330.04秒，这是由数据上报处理与网络延迟等因素造成的。其中，少部分数据因为数据转换错误造成GPS获取时间与GPS数据入库时间存在较大差异(GPS设备获取的原始时间为协调世界时间(UTC)，上传至云后会进行本地转换，该过程存在偶发性故障，导致GPS数据记录时间出现错误)，使用GPS数据入库时间与采集时间进行差值计算，通过直方图分析判定：1)入库时间早于获取时间，或2)入库时间晚于获取时间4以上记录为GPS时间异常，予以剔除。

清除由于设备多发重发或其他原因导致的重复数据，分别对浮动车数据和路侧设备观察数据进行去重操作。

按以上方法对三类数据进行清洗，浮动车数据共剔除2.46×10⁵条记录，占总量约1％。

3、使用实施例1步骤3所述空间检索法对浮动车数据以路侧设备位置进行筛选过滤。空间检索的目的是通过路侧设备和浮动车的位置信息，提取设备附近一定范围内的浮动车行车记录，借此进一步大幅缩减浮动车的GPS数据量，用于步骤4、5的路径切分和拟合。该过程首先通过采样分析获得最优搜索半径，继而基于获取的参数对全量数据进行空间检索。

(1)确定空间搜索的最优搜索半径

对于一个路侧设备，空间搜索的半径过大会造成过多的GPS数据点被选入，增大车辆经过路侧设备的拟合计算(实施例1步骤5)但却无益于提升精度；过小的半径设定会导致需要拟合GPS点被漏选(实施例1步骤5)同时增大行车轨迹判定的难度(实施例1步骤4)，选取合理的参数有益于控制后续分析的效能与结果质量。

对步骤2获得的浮动车GPS数据进行描述统计分析，参考车辆非静止状态下平均车速直方图(图3)平均车速为62.29km/h，GPS平均采集频率为3.99s。以平均速度与采集频率计算，若在路侧设备附近至少选中5个以上样本，搜索半径至少应选取173.05m，以此为参照，对清洗后浮动车数据选取100、200、300、400四个待选空间搜索半径，按简易计算方式公式(2)分别执行快速检索(本案空间范围为：N 30.89502400至N 34.90732000，E116.57126564至E 121.70781180，研究区中心位置为：N 32.90117200,E 119.13953872)。经计算该区域内100米换算为经纬度约为(0.001141,0.000899)，故取其整数倍代入公式(2)进行检索)。所得结果按路侧设备、车辆分组统计，得出车辆经过路侧设备的平均GPS记录数为：2.12、4.37、6.84、12.61。理想状态下，期望车辆每次经过路侧设备附近被选取3—5条记录，因此选取200米作为最优检索半径，即在清洗后的浮动车数据中选取落在任意路侧设备200米以内的记录点。

(2)选定200米为最优检索半径后分别使用公式(2)和公式(1)浮动车数据进行空间检索过滤。首先使用公式(2)简易法结合300米距离(对应经纬度距离0.003)进行快速初筛，获得记录9.66×10⁵条，其次使用公式(1)结合200米距离参数进行实际复查，获得记录6.12×10⁵条，为空间搜索最终结果。

4、根据实施例1步骤4将空间搜索后获得的获GPS记录还原成车辆经行路侧设备的轨迹。

首先，按路侧设备和车辆对GPS数据记录进行分组，以200米为检索半径筛选的数据涉及1257座路侧设备979辆车，路侧设备×车牌共计13994组，平均每组GPS记录数43.74条。对于每一组别中的GPS数据，按照GPS时间进行排序，使用公式(3)计算每组中各记录间的GPS时间差，使用公式(4)判定每组中的切分点，从而获得各车辆经过各路侧设备的路径点集合。1257座路侧设备979辆车合计获得95196个GPS路径集合。

其次，对于以上获得的每个GPS路径点集合，使用公式(5)计算出各组的行驶方向角度α，结合公式(6)判别该路径点集合(图4)是否属于组别中的路侧设备。经计算，79833路径点集合符合条件予以保留。

本步最终得出：7天内979辆车累计经过1257个路侧设备79833次；观测时间段内每路侧设备平均63.51次车辆经过；平均每辆车经过的路侧设备为81.54座。

5、根据实施例1步骤5，以79833组GPS点集合还原车辆经过路侧设备的行车轨迹，利用线性拟合模型提取车辆经过路侧设备精确位置时的真实GPS时间。实施例使用sk-learn工具集提供的LinerRegression进行线性拟合，分别按照公式(7-8)进行方程建立线性拟合模型。对于各集合，公式(7)建立了趋势面模型，用于反演车辆在不同位置时可能的GPS时间；公式(8)建立了行车轨迹的线性模型。结合各集合对应的路侧设备坐标使用公式(9)获得路侧设备在行车轨迹上的投影点(即车辆经过路侧设备的准确坐标)，使用该坐标点在趋势面模型中反算出车辆经过路侧设备的准确GPS时间(图5)。

6、基于浮动车数据，步骤1-5获得车辆经过门架的局部轨迹还原，并推算出每车次经过时GPS时间。将中间结果，参照实施例1步骤6整理获得数据集R，含以下字段：门架编号、车牌号、经过门架GPS时间、其他字段(作为辅助信息，包含车辆原始定位和GPS时间信息)共计79833条。同时，为提高结果质量，剔除R中车辆通行数与门架记录数较低的数据，结合直方图分布，选用通行次数最多的200辆车(对应1089座门架)数据记录。使用SQL语句查询车辆和路侧设备的观测记录，获得数据集G，共数据51448条。

7、实施例1步骤7，将目前获得的两个数据集(R和G)进行匹配，目的是将所有车辆的经过路侧设备事件在两个数据集中的对应体现(对应记录)找出，再以R中的GPS时间逐次校准G中的设备内置时钟。因实际实施中，数据集R和G存在相互不完备，匹配出记录是两个数据集相交的子集。

对于数据集R和G内的记录，分别按(p,g)分组，共获得12428组记录。对于每一(p,g)小组分别提取R和G中的记录，按照公式(11)计算小组内R和G记录间的GPS时间与入库时间差，并列出矩阵T。取矩阵中每行最小值建立(行记录与列记录，对应GPS轨迹与抓配记录)匹配关系，若同一列存在多行记录的最小值对应，仅取其中最小值建立匹配关系。本例共12428(p,g)小组，分别完成匹配获得30911记录对。

为确保消除误匹配记录对，实施例对建立匹配的最小时间差进行了二次阈值过滤，仅使用建立匹配关系的最小时间差小于阈值的匹配对进行后续时钟校准分析。阈值选用参考全量路侧设备观测数据的获取与写入延迟差的统计结果而定，本例中采用1000秒作为二次筛选阈值。二次筛选后，获得29424对有效记录对。

对于每一(p,g)小组内已匹配的记录对，使用GPS时间与设备抓拍时间进行比较，得出每次车辆经过某个路侧设备时以车辆GPS时间比对设备内置时钟的时间误差，若设备时钟正常，该误差值应为0。

8、根据实施例1步骤8，对已获得的GPS校时结果按路侧设备编号分组，使用公式(12—14)分别计算各路侧设备时钟的平均误差(图6)和标准差并按步骤9整理最终计算结果。以下对实施例结果进行描述：

原始数据提取2020年7月6日至12日一周内江苏省内高速公路清扫车、排障车、警车的GPS数据，以及路网门架抓拍的数据，进行匹配和时钟校验。原始数据共计车辆1225辆，门架1316座。通过上述各步骤清洗、分析、轨迹还原、计算，最终选用累积经过门架次数最多的200辆车进行抓拍观测数据匹配，成功匹配29424次(样本)通行并进行设备时钟检验，涉及1089座门架，平均每设备获得检验27.01次。使用加权平均计算各门架时钟误差，以及时钟校对样本的标准差，以散点形式展现(图7)。按照误差的不同级别和误差检验的可信度(标准差)统计门架时钟错误情况和占比(表1)。由表1可得：时间无误门架为149座，约占13.7％；误差在1-60秒内的门架共773座，约占70.9％；误差在1分钟以上(60-600秒)的门架共164座，约占24.4％；有2座门架误差大于10分钟以上。从检验可信度角度，约占67.6％(737座)门架的检验可信度较高，约占32.1％(348座)门架的检验可信度为中等，检验可信度较低门架数量占比很低(0.3％)。从指导实际检查的角度，可优先从误差大可信度高的组别开展人工实地复查。

表1 实时例路侧设备时钟误差分组统计结果。

Claims (8)

1.一种基于浮动车辆的路侧设备时钟准确性检验方法，其特征在于，包括：

检索并记录路侧设备附近的GPS记录，包括车辆GPS定位信息及时间信息；

基于获取的GPS记录形成车辆经过路侧设备附近的通行轨迹记录；

基于车辆每次经过路侧设备的GPS记录，建立拟合模型预测车辆经过该路侧设备的真实GPS时间；

匹配车辆经过同一路侧设备的数据记录，利用事件发生时的真实GPS时间检验路侧设备的观测时间是否一致，包括：获取基于单车次的路侧设备平均时钟误差：

对于任意浮动车辆、路侧设备的组合(p，g)，获取车辆p每次经过路侧设备g的真实GPS时间、对应路侧设备观测到车辆经过的时间和记录写入时间；

计算真实GPS时间和记录写入时间的差值的绝对值

将

按升序排序，取前k位；k取所述真实GPS时间的记录数目及记录写入时间的记录数目中的较小值；

计算真实GPS时间与车辆被路侧设备观测时间的差值，获得k 次车辆p经过设备g以真实GPS时间检验设备时钟的结果比较的集合；

对于全部(p，g)分组，分别计算出时差，以及每组时差均值，即基于车辆p获得的路侧设备g的平均时钟误差；

统计各路侧设备的时钟平均误差及各浮动车辆对误差计算的波动性；所述波动性以路侧设备时钟平均误差的标准差表征。

2.根据权利要求1所述的方法，其特征在于，以半径r检索落在路侧设备附近的GPS记录，车辆与路侧设备的距离基于半正矢公式计算；或基于路侧设备经纬度坐标创建矩形，获取经纬度坐标落入矩形范围中的浮动车辆的GPS记录；或结合前述两种方式检索GPS记录，先创建矩形初筛，再采用基于半正矢公式计算的准确距离复筛。

3.根据权利要求1所述的方法，其特征在于，检索GPS记录时，搜索半径的取值结合车速、车辆GPS采集频率确定，以平均速度、采集频率和所需样本数计算搜索半径范围，选取初筛值，基于小样本数据选择不同初筛值进行测试，确定搜索半径r。

4.根据权利要求1所述的方法，其特征在于，对于任一路侧设备，将同一车辆经过该路侧设备的GPS记录按照GPS时间排序，当两条GPS记录时间间隔内车辆行驶距离大于搜索范围时，标记该时间间隔用于区分车辆多次行经路侧设备的切分点。

5.根据权利要求1或4所述的方法，其特征在于，对通行轨迹记录进行车辆行驶方向判定，计算通行记录的行驶方位角，对比计算的行驶方位角与对应路侧设备所在路线行驶方向，剔除路侧设备反方向路线上的行驶记录。

6.根据权利要求1所述的方法，其特征在于，所述真实GPS时间基于线性拟合获取，包括：假定在形成的通行轨迹记录范围内车辆运动轨迹近似匀速直线运动，采用一般线性模型建立拟合方程，基于车辆经过路侧设备的GPS记录计算车辆经过该路侧设备的真实GPS时间。

7.一种基于浮动车辆的路侧设备时钟准确性检验***，其特征在于，包括：

坐标记录检索单元，检索并记录路侧设备附近的GPS记录，包括车辆GPS定位信息及时间信息；

通行轨迹记录生成单元，基于坐标记录检索单元获取的GPS记录形成车辆经过路侧设备附近的通行轨迹记录；

GPS时间拟合单元，基于车辆每次经过路侧设备的GPS记录，建立拟合模型预测车辆经过该路侧设备的真实GPS时间；

路侧设备时钟误差检验单元，匹配同一辆车经过同一路侧设备的数据记录，利用事件发生时的真实GPS时间检验路侧设备的观测时间是否一致，包括：获取基于单车次的路侧设备平均时钟误差：

对于任意浮动车辆、路侧设备的组合(p，g)，获取车辆p每次经过路侧设备g的真实GPS时间、对应路侧设备观测到车辆经过的时间和记录写入时间；

计算真实GPS时间和记录写入时间的差值的绝对值

将

按升序排序，取前k位；k取所述真实GPS时间的记录数目及记录写入时间的记录数目中的较小值；

计算真实GPS时间与车辆被路侧设备观测时间的差值，获得k 次车辆p经过设备g以真实GPS时间检验设备时钟的结果比较的集合；

对于全部(p，g)分组，分别计算出时差，以及每组时差均值，即基于车辆p获得的路侧设备g的平均时钟误差；

统计各路侧设备的时钟平均误差及各浮动车辆对误差计算的波动性；所述波动性以路侧设备时钟平均误差的标准差表征。

8.根据权利要求7所述的***，其特征在于，还包括校验单元，统计各路侧设备的时钟平均误差及各浮动车辆对误差计算的波动性；所述波动性以路侧设备时钟平均误差的标准差表征。

Images