CN113259900A - 一种分布式多源异构交通数据融合方法及装置 - Google Patents

一种分布式多源异构交通数据融合方法及装置 Download PDF

Info

Publication number
CN113259900A
CN113259900A CN202110583464.XA CN202110583464A CN113259900A CN 113259900 A CN113259900 A CN 113259900A CN 202110583464 A CN202110583464 A CN 202110583464A CN 113259900 A CN113259900 A CN 113259900A
Authority
CN
China
Prior art keywords
data
traffic
road
road section
matching
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
Application number
CN202110583464.XA
Other languages
English (en)
Other versions
CN113259900B (zh
Inventor
何书贤
陈琳
任学锋
邱志军
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.)
Ismartways Wuhan Technology Co ltd
Original Assignee
Ismartways Wuhan Technology 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 Ismartways Wuhan Technology Co ltd filed Critical Ismartways Wuhan Technology Co ltd
Priority to CN202110583464.XA priority Critical patent/CN113259900B/zh
Publication of CN113259900A publication Critical patent/CN113259900A/zh
Application granted granted Critical
Publication of CN113259900B publication Critical patent/CN113259900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种分布式多源异构交通数据融合方法及装置，该方法包括：获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据；根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，得到公交站点与路段的匹配结果；进行标牌与路段的匹配，使交通里程标牌与智能网联V2X轨迹信息关联；分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码，根据路段方向、道路名称、道路名称中数字编码确定路段相似度水平，根据路段相似度水平进行路段数据融合。本发明提供的融合多源异构交通数据方法，实现了多源异构交通数据属性的统一和关联。

Description

一种分布式多源异构交通数据融合方法及装置
技术领域
本发明涉及交通数据融合技术领域，尤其涉及一种分布式多源异构交通数据融合方法及装置。
背景技术
城市交通运营与管理业务复杂且数据源多样化，其包括浮动车、公交车、交通事故、卡口、毫米波雷达、激光雷达、智能网联等数据。而面向场景的交通运营与监管业务对数据质量、***性能均要求较高。数据采集、管理与融合处理方法与***成为当前亟待解决的问题。随着分布式边缘计算技术在智慧道路建设过程中的广泛应用，充分发挥分布式边缘计算在处理数据量级、时延、响应速度方面的技术优势，实现多源数据标准化管理及预处理，将大大提升***整体效率。
当前交通运营与监管平台主要通过建设交通大数据***，对城市级数据整体进行提取分析，且数据经过多重清洗工作，依赖于机器学习、深度学习等复杂网络算法，对***算法要求极高，且易导致数据可视化存在较大延时。
基于分布式边缘计算算力下沉处理局部交通数据的方案，虽然可以实现打破数据“壁垒”，解决对算法复杂度、***性能要求高等问题，现有融合多源交通数据的分布式数据处理方案较为欠缺，无法实现多源异构交通数据属性统一和关联，且不足以支持诸如交通事故导致的拥堵状态感知判定、交通事故影响分析、公交运营线路动态规划等业务应用。
发明内容
有鉴于此，有必要提供一种分布式多源异构交通数据融合方法及装置，用以解决现有技术中无法实现多源异构交通数据属性统一和关联的问题。
本发明提供一种分布式多源异构交通数据融合方法，包括以下步骤：
获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据；
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，得到公交站点与路段的匹配结果；
根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配，使交通里程标牌与智能网联V2X轨迹信息关联；
分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码，根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平，根据路段相似度水平进行路段数据融合。
进一步地，根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，具体包括：
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据，以一个公交站点坐标为为圆心，在设定直径范围内获取最近的三条路线，根据三条路线及投影分析法实现站点与路段匹配。
进一步地，根据三条路线及投影分析法实现站点与路段匹配，具体包括：
根据三条路线及投影分析法，获取投影三角形高h，当
Figure 951641DEST_PATH_IMAGE001
时， 表明站点与路段相匹配，其中，
Figure 55732DEST_PATH_IMAGE002
，
Figure 773153DEST_PATH_IMAGE003
，
Figure 641796DEST_PATH_IMAGE004
为道路宽度，
Figure 393852DEST_PATH_IMAGE005
为道路中车道的条数，a为GPS轨迹点与第一个路段节点之间的距 离，b为GPS轨迹点与第二个路段节点之间的距离，c为第一个路段节点与第一个路段节点之 间的距离，所述三条线路由GPS轨迹点、第一个路段节点及第二个路段节点组成。
进一步地，根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配，具体包括：针对道路，生成连续位置信息线性参考层，将每条智能网联V2X轨迹信息沿所述线性参考层转化成交通里程标牌信息，将交通事故发生地与交通里程标牌关联。
进一步地，所述分布式多源异构交通数据融合方法还包括，根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据，离散化待匹配路段，得到离散的点数据，进行点与路段匹配，得到公交站点与路段的匹配结果。
进一步地，根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平，具体包括：
根据所述路段方向、道路名称、道路名称中数字编码及相似度水平公式确定路段 相似度水平，所述相似度水平公式为
Figure 403265DEST_PATH_IMAGE006
，其中，
Figure 607981DEST_PATH_IMAGE007
为权重 系数，
Figure 495297DEST_PATH_IMAGE008
为路段方向，
Figure 305121DEST_PATH_IMAGE009
为道路名称中文相似度，
Figure 485436DEST_PATH_IMAGE010
为道路名称中数字编号。
进一步地，所述分布式多源异构交通数据融合方法还包括，根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件，根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件，根据智能网联V2X数据中的车辆速度确定是否满足速度匹配条件，若同时满足上述匹配条件，则可获取交通拥堵的概率。
进一步地，根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件，具体包括：
若第i辆智能网联汽车满足空间匹配函数，则第i辆智能网联汽车满足空间匹配条 件，所述空间匹配函数为，
Figure 443027DEST_PATH_IMAGE011
，
Figure 445618DEST_PATH_IMAGE012
，
Figure 922998DEST_PATH_IMAGE013
分别为第
Figure 759367DEST_PATH_IMAGE014
辆智能网联汽车纬度和经度；
Figure 532151DEST_PATH_IMAGE015
、
Figure 463067DEST_PATH_IMAGE016
分别为当前碰撞事故 的纬度和经度，
Figure 372117DEST_PATH_IMAGE017
为根据经纬度求解距离函数，
Figure 113808DEST_PATH_IMAGE018
为交通事故影响范围阈值。
进一步地，根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件，具体包括：
根据智能网联V2X数据和交通事故数据中经度、纬度数据，若第i辆智能网联汽车 满足时间匹配函数
Figure 796725DEST_PATH_IMAGE019
，则第i辆智能网联汽车满足空间匹配条 件，其中，
Figure 406698DEST_PATH_IMAGE020
为满足空间匹配条件的智能网联汽车时间数据，
Figure 311200DEST_PATH_IMAGE021
为当前事故时间 数据，
Figure 614005DEST_PATH_IMAGE022
为时间差阈值。
本发明还提供一种分布式多源异构交通数据融合装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的分布式多源异构交通数据融合方法。
与现有技术相比，本发明的有益效果包括：通过获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据；根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，得到公交站点与路段的匹配结果；根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配，使交通里程标牌与智能网联V2X轨迹信息关联；分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码，根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平，根据路段相似度水平进行路段数据融合；实现了多源异构交通数据属性的统一和关联。
附图说明
图1为本发明提供的分布式多源异构交通数据融合方法一实施例的流程示意图；
图2为本发明提供的点与路段匹配原理示意图；
图3为本发明提供的投影分析法原理示意图；
图4为本发明提供的交通事故发生位置信息确定原理的示意图；
图5为本发明提供的路段与路段匹配原理的示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明提供了一种分布式多源异构交通数据融合方法，其中一实施例流程示意图如图1所示，在该实施例中，所述分布式多源异构交通数据融合方法包括以下步骤：
S1、获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据；
S2、根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，得到公交站点与路段的匹配结果；
S3、根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配，使交通里程标牌与智能网联V2X轨迹信息关联；
S4、分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码，根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平，根据路段相似度水平进行路段数据融合。
一个具体实施例中，分别提取智能网联汽车V2X数据、交通事故、交通检测器数据、公交车运营数据，所述智能网联汽车V2X数据、交通事故、交通检测器数据、公交车运营数据对应字段及含义，分别如表1-4所示；
表1 智能网联V2X数据对应字段及含义
Figure 220436DEST_PATH_IMAGE023
表2 交通事故数据对应字段及含义
Figure 634099DEST_PATH_IMAGE024
表3 交通检测器数据对应字段及含义
Figure 393108DEST_PATH_IMAGE025
表4 公交车运营数据对应字段及含义
Figure 70077DEST_PATH_IMAGE026
作为一个优选的实施例，根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，具体包括：
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据，以一个公交站点坐标为为圆心，在设定直径范围内获取最近的三条路线，根据三条路线及投影分析法实现站点与路段匹配。
一个具体实施例中，为了便于边缘数据融合，基于边缘交通数据与地图车道数据，实现边缘交通数据经纬度与道路匹配关联，其中包括点与路段匹配、道路标牌与路段匹配、路段与路段匹配。
作为一个优选的实施例，根据三条路线及投影分析法实现站点与路段匹配，具体包括：
根据三条路线及投影分析法，获取投影三角形高h，当
Figure 39170DEST_PATH_IMAGE027
时， 表明站点与路段相匹配，其中，
Figure 617044DEST_PATH_IMAGE028
，
Figure 620772DEST_PATH_IMAGE029
，
Figure 140746DEST_PATH_IMAGE030
为道路宽度，
Figure 597136DEST_PATH_IMAGE031
为道路中车道的条数，a为GPS轨迹点与第一个路段节点之间的距 离，b为GPS轨迹点与第二个路段节点之间的距离，c为第一个路段节点与第一个路段节点之 间的距离，所述三条线路由GPS轨迹点、第一个路段节点及第二个路段节点组成。
一个具体实施例中，点与路段匹配用于V2X数据、公交车位置数据（点）与交通检测 器（路段）数据的融合；以一个公交站点为圆心，在设定直径范围（如100米）内寻找最近的三 条路线，然后基于投影分析法实现站点与路段匹配；点与路段匹配原理示意图，如图2所示； 确定目标道路路段，分别与最近的三条路段中每个路段构建投影三角形，边长分别为a、b、c，高为h，投影分析法原理示意图，如图3所示；
Figure 477236DEST_PATH_IMAGE032
，
Figure 69891DEST_PATH_IMAGE033
， 满足
Figure 760767DEST_PATH_IMAGE001
时，表明站点与路段相匹配。
作为一个优选的实施例，根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配，具体包括：针对道路，生成连续位置信息线性参考层，将每条智能网联V2X轨迹信息沿所述线性参考层转化成交通里程标牌信息，将交通事故发生地与交通里程标牌关联。
一个具体实施例中，标牌与路段的匹配用于交通事故数据与智能网联V2X数据融合；由于原始的交通事故数据中不含事故发生的位置信息，因此为了获取交通事故位置信息，可采取以下步骤，针对每一条道路，生成一个连续位置信息线性参考层；将每一条智能网联V2X轨迹信息沿线性参考层转化成交通里程标牌信息；将交通事故发生地与里程标牌关联，得到交通事故发生的位置信息。
另一个具体实施例中，交通事故发生位置信息确定原理的示意图，如图4所示，若在区间“123”处发生交通事故A，通过映射得到对应的交通里程标牌“MM15”，由于交通里程标牌信息由轨迹信息转化而成，因此可确定事故A的位置。
作为一个优选的实施例，所述分布式多源异构交通数据融合方法还包括，根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据，离散化待匹配路段，得到离散的点数据，进行点与路段匹配，得到公交站点与路段的匹配结果。
一个具体实施例中，通过离散化待匹配路段，得到连续多个离散的点数据，再次采用点与路段匹配方法，实现路段与路段的匹配；路段与路段匹配原理的示意图，如图5所示，图5中分别为两条路段“a”、“b”离散化的轨迹点，通过投影分析法，分别使用边缘交通数据与两个路段的相互匹配，即可求解出路段“b”为相互匹配路段，路段“a”为不可相互匹配路段；进而实现边缘交通数据与路段的关联。
作为一个优选的实施例，根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平，具体包括：
根据所述路段方向、道路名称、道路名称中数字编码及相似度水平公式确定路段 相似度水平，所述相似度水平公式为
Figure 704452DEST_PATH_IMAGE034
，其中，
Figure 889708DEST_PATH_IMAGE035
为权重 系数，
Figure 274553DEST_PATH_IMAGE036
为路段方向，
Figure 995384DEST_PATH_IMAGE037
为道路名称中文相似度，
Figure 285420DEST_PATH_IMAGE038
为道路名称中数字编号。
一个具体实施例中，由于每一类数据源中包含的道路命名规则不统一，因此需要 验证匹配的路段对是否具有相似的道路名称；根据地理信息中对路段的描述，路段相似度 水平与路段方向、道路名称、道路名称中数字编号相关，因此建立相似度方程（相似度水平 公式），判定路段相似度水平S；
Figure 382689DEST_PATH_IMAGE039
，式中
Figure 90882DEST_PATH_IMAGE040
为权重系数，
Figure 248194DEST_PATH_IMAGE036
表示路段方向，
Figure 526991DEST_PATH_IMAGE037
表示道路名称中文相似度，
Figure 427951DEST_PATH_IMAGE038
表示道路名称中数字编号。若
Figure 725071DEST_PATH_IMAGE041
，认为待匹配路段对相似度高，可视为同一路段，进行路段数据融合；若
Figure 318863DEST_PATH_IMAGE042
，认 为待匹配路段对相似度低，视为不同路段，
Figure 583491DEST_PATH_IMAGE043
为相似度阈值，
Figure 22563DEST_PATH_IMAGE043
可为0.8。
作为一个优选的实施例，所述分布式多源异构交通数据融合方法还包括，根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件，根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件，根据智能网联V2X数据中的车辆速度确定是否满足速度匹配条件，若同时满足上述匹配条件，则可获取交通拥堵的概率。
作为一个优选的实施例，根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件，具体包括：
若第i辆智能网联汽车满足空间匹配函数，则第i辆智能网联汽车满足空间匹配条 件，所述空间匹配函数为
Figure 439769DEST_PATH_IMAGE044
，
Figure 938883DEST_PATH_IMAGE045
、
Figure 192272DEST_PATH_IMAGE046
分别为第
Figure 435035DEST_PATH_IMAGE014
辆智能网联汽车纬度和经度；
Figure 706747DEST_PATH_IMAGE047
、
Figure 376763DEST_PATH_IMAGE048
分别为当前碰撞事 故的纬度和经度，
Figure 615984DEST_PATH_IMAGE049
为根据经纬度求解距离函数，
Figure 68962DEST_PATH_IMAGE050
为交通事故影响范围阈值。
一个具体实施例中，可融合智能网联汽车V2X数据与交通事故数据进行交通拥堵 状态判别，为了实现拥堵状态感知与短时预测，需要进行时空状态匹配，通过V2X车速信息 判定是否导致拥堵，根据V2X数据和交通事故数据“latitude”和“longitude”字段，分别在 边缘数据库中提取相应信息，若第i辆智能网联汽车满足空间匹配函数
Figure 585394DEST_PATH_IMAGE051
，则空间状 态匹配；
Figure 611049DEST_PATH_IMAGE052
其中，
Figure 212931DEST_PATH_IMAGE053
、
Figure 672863DEST_PATH_IMAGE054
分别表示第i辆智能网联汽车纬度和经度；
Figure 43801DEST_PATH_IMAGE055
、
Figure 976991DEST_PATH_IMAGE056
分别表示当前碰撞事故的纬度和经度；
Figure 675957DEST_PATH_IMAGE057
为根据经纬度求解距离函数，
Figure 64213DEST_PATH_IMAGE058
表示交通事故影响范围阈值。
作为一个优选的实施例，根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件，具体包括：
根据智能网联V2X数据和交通事故数据中经度、纬度数据，若第i辆智能网联汽车 满足时间匹配函数
Figure 650177DEST_PATH_IMAGE059
，则第i辆智能网联汽车满足空间匹配条 件，其中，
Figure 832897DEST_PATH_IMAGE020
为满足空间匹配条件的智能网联汽车时间数据，
Figure 81476DEST_PATH_IMAGE060
为当前事故时间 数据，
Figure 132477DEST_PATH_IMAGE022
为时间差阈值。
一个具体实施例中，在满足时间匹配条件的基础上，根据V2X数据和交通事故数据 “timestamp”字段，若第i辆智能网联汽车满足时间匹配函数
Figure 946849DEST_PATH_IMAGE061
，则时间匹配，
Figure 441416DEST_PATH_IMAGE062
其中，
Figure 662444DEST_PATH_IMAGE063
表示满足空间匹配条件的智能网联汽车时间数据，
Figure 392502DEST_PATH_IMAGE064
表示当 前事故时间数据，
Figure 202326DEST_PATH_IMAGE065
表示时间差阈值；
选取满足速度匹配条件的
Figure 726849DEST_PATH_IMAGE066
，若第i辆智能网联汽车满足速度匹配函数
Figure 136970DEST_PATH_IMAGE067
，则 速度匹配，速度匹配函数
Figure 405141DEST_PATH_IMAGE068
为
Figure 335051DEST_PATH_IMAGE069
，V ct为速度阈值，
Figure 296053DEST_PATH_IMAGE070
为第i辆智能网联汽车的 速度。
选取事故发生与事故处理完毕时间段T内的数据，由于存在时空匹配误差，则满足 时空、速度匹配条件的V2X数据概率为
Figure 429357DEST_PATH_IMAGE071
Figure 501218DEST_PATH_IMAGE072
其中，
Figure 347951DEST_PATH_IMAGE073
为狄拉克函数，若满足函数条件，则取值为1，表示交通拥堵，否则取值为 0，表示交通不拥堵。
一个具体实施例中，根据时空匹配结果，提取交通事故发生时间段T内交通检测器 数据中流量“volume”和速度“speed”的离散化信息，可以分别求解该时间段内的平均流量
Figure 338910DEST_PATH_IMAGE074
和平均速度
Figure 802252DEST_PATH_IMAGE075
，
Figure 412225DEST_PATH_IMAGE076
公式中
Figure 316727DEST_PATH_IMAGE077
和
Figure 353953DEST_PATH_IMAGE078
分别表示交通检测器获取的离散化瞬时流量和瞬时速度。求 解事故发生时段
Figure 727428DEST_PATH_IMAGE079
内的车流平均密度，以反映单位距离内有多少交通参与者受到交通事故 影响，则平均密度
Figure 141092DEST_PATH_IMAGE080
可表示为：
Figure 900100DEST_PATH_IMAGE081
如交通影响判定函数
Figure 373807DEST_PATH_IMAGE082
满足
Figure 264272DEST_PATH_IMAGE083
则表示交通事故严重影响了 交通参与者出行行为。这里
Figure 91413DEST_PATH_IMAGE084
表示同时段其它日期平均密度；
Figure 95141DEST_PATH_IMAGE085
表示密度判定阈值。提 取事故发生后受影响的公交车辆信息，根据时空匹配方法，提取受影响公交车
Figure 100269DEST_PATH_IMAGE086
：
Figure 759920DEST_PATH_IMAGE087
其中，
Figure 515387DEST_PATH_IMAGE088
表示判定任意第i辆公交车是否受到交通事故 影响的函数，
Figure 248987DEST_PATH_IMAGE089
、
Figure 64497DEST_PATH_IMAGE090
和
Figure 132816DEST_PATH_IMAGE091
分别表示时间匹配函数、空间匹配函数和速度匹配函 数，
表4公交车数据索引受交通事故影响的公交运营线路；因此，融合交通事故数据与公交运营数据可以进行公交运营线路动态规划。
本发明实施例还提供了一种分布式多源异构交通数据融合装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一实施例所述的分布式多源异构交通数据融合方法。
本发明公开了一种分布式多源异构交通数据融合方法及装置，通过获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据；根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，得到公交站点与路段的匹配结果；根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配，使交通里程标牌与智能网联V2X轨迹信息关联；分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码，根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平，根据路段相似度水平进行路段数据融合；实现了多源异构交通数据属性的统一和关联。
本发明技术方案实现了基于分布式边缘计算的多源异构交通数据融合，道路匹配即相似度判定方法，可有效解决目前分布式数据融合在多源异构交通数据属性统一及关联方面的问题；时空匹配、速度索引等方法可适用于不同交通应用业务数据处理需求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种分布式多源异构交通数据融合方法，其特征在于，包括以下步骤：
获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据；
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，得到公交站点与路段的匹配结果；
根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配，使交通里程标牌与智能网联V2X轨迹信息关联；
分别获取智能网联汽车V2X数据、交通事故数据、交通检测器数据、公交车运营数据中的路段方向、道路名称、道路名称中数字编码，根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平，根据路段相似度水平进行路段数据融合。
2.根据权利要求1所述的分布式多源异构交通数据融合方法，其特征在于，根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据进行点与路段匹配，具体包括：
根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据，以一个公交站点坐标为为圆心，在设定直径范围内获取最近的三条路线，根据三条路线及投影分析法实现站点与路段匹配。
3.根据权利要求1所述的分布式多源异构交通数据融合方法，其特征在于，根据三条路线及投影分析法实现站点与路段匹配，具体包括：
根据三条路线及投影分析法，获取投影三角形高h，当
Figure 811109DEST_PATH_IMAGE001
时，表明 站点与路段相匹配，其中，
Figure 419070DEST_PATH_IMAGE002
，
Figure 489795DEST_PATH_IMAGE003
，为道路宽 度，为道路中车道的条数，a为GPS轨迹点与第一个路段节点之间的距离，b为GPS 轨迹点与第二个路段节点之间的距离，c为第一个路段节点与第一个路段节点之间的距离， 所述三条线路由GPS轨迹点、第一个路段节点及第二个路段节点组成。
4.根据权利要求1所述的分布式多源异构交通数据融合方法，其特征在于，根据交通事故数据、智能网联V2X数据进行标牌与路段的匹配，具体包括：针对道路，生成连续位置信息线性参考层，将每条智能网联V2X轨迹信息沿所述线性参考层转化成交通里程标牌信息，将交通事故发生地与交通里程标牌关联。
5.根据权利要求1所述的分布式多源异构交通数据融合方法，其特征在于，还包括，根据V2X数据、公交车运营数据中的公交车位置数据及交通检测器数据，离散化待匹配路段，得到离散的点数据，进行点与路段匹配，得到公交站点与路段的匹配结果。
6.根据权利要求1所述的分布式多源异构交通数据融合方法，其特征在于，根据所述路段方向、道路名称、道路名称中数字编码确定路段相似度水平，具体包括：
根据所述路段方向、道路名称、道路名称中数字编码及相似度水平公式确定路段相似 度水平，所述相似度水平公式为
Figure 253854DEST_PATH_IMAGE008
，其中，
Figure 280716DEST_PATH_IMAGE009
为权重系数，
Figure 137814DEST_PATH_IMAGE010
为路段方向，
Figure 691155DEST_PATH_IMAGE011
为道路名称中文相似度，
Figure 811557DEST_PATH_IMAGE012
为道路名称中数字编号。
7.根据权利要求1所述的分布式多源异构交通数据融合方法，其特征在于，还包括，根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件，根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件，根据智能网联V2X数据中的车辆速度确定是否满足速度匹配条件，若同时满足上述匹配条件，则可获取交通拥堵的概率。
8.根据权利要求7所述的分布式多源异构交通数据融合方法，其特征在于，根据智能网联V2X数据及交通事故数据中经度和纬度确定是否满足空间匹配条件，具体包括：
若第i辆智能网联汽车满足空间匹配函数，则第i辆智能网联汽车满足空间匹配条件， 所述空间匹配函数为
Figure 510454DEST_PATH_IMAGE013
，
Figure 702400DEST_PATH_IMAGE014
、
Figure 782352DEST_PATH_IMAGE015
分别 为第辆智能网联汽车纬度和经度；
Figure 934165DEST_PATH_IMAGE017
、
Figure 929802DEST_PATH_IMAGE018
分别为当前碰撞事故的纬度和经度，
Figure 864260DEST_PATH_IMAGE019
为根据经纬度求解距离函数，
Figure 155827DEST_PATH_IMAGE020
为交通事故影响范围阈值。
9.根据权利要求7所述的分布式多源异构交通数据融合方法，其特征在于，根据智能网联V2X数据及交通事故数据中的时间数据确定是否满足时间匹配条件，具体包括：
根据智能网联V2X数据和交通事故数据中经度、纬度数据，若第i辆智能网联汽车满足 时间匹配函数
Figure 378998DEST_PATH_IMAGE021
，则第i辆智能网联汽车满足空间匹配条件，其 中，
Figure 975064DEST_PATH_IMAGE022
为满足空间匹配条件的智能网联汽车时间数据，
Figure DEST_PATH_IMAGE023
为当前事故时间数据，
Figure 560766DEST_PATH_IMAGE024
为时间差阈值。
10.一种分布式多源异构交通数据融合装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-9任一所述的分布式多源异构交通数据融合方法。
CN202110583464.XA 2021-05-27 2021-05-27 一种分布式多源异构交通数据融合方法及装置 Active CN113259900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110583464.XA CN113259900B (zh) 2021-05-27 2021-05-27 一种分布式多源异构交通数据融合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110583464.XA CN113259900B (zh) 2021-05-27 2021-05-27 一种分布式多源异构交通数据融合方法及装置

Publications (2)

Publication Number Publication Date
CN113259900A true CN113259900A (zh) 2021-08-13
CN113259900B CN113259900B (zh) 2021-10-15

Family

ID=77184728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110583464.XA Active CN113259900B (zh) 2021-05-27 2021-05-27 一种分布式多源异构交通数据融合方法及装置

Country Status (1)

Country Link
CN (1) CN113259900B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850237A (zh) * 2021-11-29 2021-12-28 华砺智行(武汉)科技有限公司 基于视频和轨迹数据的网联车目标检测评价方法及***
CN114020860A (zh) * 2021-12-28 2022-02-08 北京市智慧交通发展中心(北京市机动车调控管理事务中心) 异源异构道路数据融合方法及***
CN114065876A (zh) * 2022-01-11 2022-02-18 华砺智行(武汉)科技有限公司 基于路侧多传感器的数据融合方法、装置、***及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080316060A1 (en) * 2007-06-25 2008-12-25 Koji Sewaki Navigation Device
CN101383090A (zh) * 2008-10-24 2009-03-11 北京航空航天大学 一种并行路网结构下的浮动车信息处理方法
CN101719315A (zh) * 2009-12-23 2010-06-02 山东大学 一种基于中间件的动态交通信息采集方法
CN104464321A (zh) * 2014-12-17 2015-03-25 合肥革绿信息科技有限公司 一种基于交通运行指数发展态势的智能交通诱导方法
CN105608155A (zh) * 2015-12-17 2016-05-25 北京华油信通科技有限公司 海量数据分布式存储***
CN105701193A (zh) * 2016-01-11 2016-06-22 同济大学 一种交通大数据动态信息快速搜索方法及其应用
US20180174443A1 (en) * 2016-12-21 2018-06-21 Here Global B.V. Method, apparatus, and computer program product for determining vehicle lane speed patterns based on received probe data
CN109410586A (zh) * 2018-12-13 2019-03-01 中南大学 一种基于多元数据融合的交通状态检测方法
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN112396828A (zh) * 2019-08-16 2021-02-23 通用汽车环球科技运作有限责任公司 在交通工具之间用于感知共享的方法和设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080316060A1 (en) * 2007-06-25 2008-12-25 Koji Sewaki Navigation Device
CN101383090A (zh) * 2008-10-24 2009-03-11 北京航空航天大学 一种并行路网结构下的浮动车信息处理方法
CN101719315A (zh) * 2009-12-23 2010-06-02 山东大学 一种基于中间件的动态交通信息采集方法
CN104464321A (zh) * 2014-12-17 2015-03-25 合肥革绿信息科技有限公司 一种基于交通运行指数发展态势的智能交通诱导方法
CN105608155A (zh) * 2015-12-17 2016-05-25 北京华油信通科技有限公司 海量数据分布式存储***
CN105701193A (zh) * 2016-01-11 2016-06-22 同济大学 一种交通大数据动态信息快速搜索方法及其应用
US20180174443A1 (en) * 2016-12-21 2018-06-21 Here Global B.V. Method, apparatus, and computer program product for determining vehicle lane speed patterns based on received probe data
CN109410586A (zh) * 2018-12-13 2019-03-01 中南大学 一种基于多元数据融合的交通状态检测方法
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法
CN112396828A (zh) * 2019-08-16 2021-02-23 通用汽车环球科技运作有限责任公司 在交通工具之间用于感知共享的方法和设备
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
杜圣东: "一种基于微服务的敏捷处理架构设计", 《大数据》 *
杨婷婷: "基于出租车GPS轨迹数据的实时交通状态获取和现有实时路况***评估", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王志国: "面向道路网VGI数据的匹配与融合方法", 《测绘工程》 *
翟梦: "天地图•福建多源道路数据匹配与融合技术研究", 《测绘与空间地理信息》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850237A (zh) * 2021-11-29 2021-12-28 华砺智行(武汉)科技有限公司 基于视频和轨迹数据的网联车目标检测评价方法及***
CN114020860A (zh) * 2021-12-28 2022-02-08 北京市智慧交通发展中心(北京市机动车调控管理事务中心) 异源异构道路数据融合方法及***
CN114065876A (zh) * 2022-01-11 2022-02-18 华砺智行(武汉)科技有限公司 基于路侧多传感器的数据融合方法、装置、***及介质

Also Published As

Publication number Publication date
CN113259900B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN113259900B (zh) 一种分布式多源异构交通数据融合方法及装置
CN108170793B (zh) 基于车辆语义轨迹数据的停留点分析方法及其***
Chen et al. Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data
Veloso et al. Sensing urban mobility with taxi flow
US11932260B2 (en) Selecting testing scenarios for evaluating the performance of autonomous vehicles
US11887324B2 (en) Cross-modality active learning for object detection
CN109872533A (zh) 一种基于空间数据的车道级实时交通情报处理方法
Ma et al. Evolution regularity mining and gating control method of urban recurrent traffic congestion: a literature review
CN111414558B (zh) 导航路线的发送方法、显示方法、装置、服务器及介质
CN116071929B (zh) 基于卡口车牌识别数据的实时路况监测***及其方法
Liu et al. Safernet: Safe transportation routing in the era of internet of vehicles and mobile crowd sensing
Boubakri et al. High definition map update for autonomous and connected vehicles: A survey
Yin et al. A multi-task learning framework for road attribute updating via joint analysis of map data and GPS traces
Qaddoura et al. Temporal prediction of traffic characteristics on real road scenarios in Amman
Bhuyan Defining Level of Service Criteria for Urban Streets in Indian Context
US20230033672A1 (en) Determining traffic violation hotspots
Li et al. An automatic extraction method of coach operation information from historical trajectory data
Raj et al. Evaluation of perception and nonperception based approaches for modeling urban road level of service
CN113724499A (zh) 一种道路交通事件三维可视化分析方法及***
Hu et al. A novel method for the detection of road intersections and traffic rules using big floating car data
Bhuyan et al. Defining los criteria of urban streets using GPS data: k-means and k-medoid clustering in Indian context
Arregui et al. Impact of the road network configuration on map‐matching algorithms for FCD in urban environments
Sun et al. Deep learning-based probability model for traffic information estimation
Alrassy Map Data Integration Technique with Large-Scale Fleet Telematics Data as Road Safety Surrogate Measures in the New York Metropolitan Area
Fazio et al. Combining GPS-Tracks and Accident Data to Improve Safety of Cycling Paths

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Distributed Multi source Heterogeneous Traffic Data Fusion Method and Device

Effective date of registration: 20231010

Granted publication date: 20211015

Pledgee: Bank of China Limited Wuhan Economic and Technological Development Zone sub branch

Pledgor: ISMARTWAYS (WUHAN) TECHNOLOGY Co.,Ltd.

Registration number: Y2023980060478