CN114663992A - 一种多源数据融合高速公路门架定位方法 - Google Patents

一种多源数据融合高速公路门架定位方法 Download PDF

Info

Publication number
CN114663992A
CN114663992A CN202210272771.0A CN202210272771A CN114663992A CN 114663992 A CN114663992 A CN 114663992A CN 202210272771 A CN202210272771 A CN 202210272771A CN 114663992 A CN114663992 A CN 114663992A
Authority
CN
China
Prior art keywords
portal
point
time
potential
transaction
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
CN202210272771.0A
Other languages
English (en)
Other versions
CN114663992B (zh
Inventor
陈灏彬
邹复民
郭峰
吴金山
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.)
Fujian University of Technology
Original Assignee
Fujian University of Technology
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 Fujian University of Technology filed Critical Fujian University of Technology
Priority to CN202210272771.0A priority Critical patent/CN114663992B/zh
Publication of CN114663992A publication Critical patent/CN114663992A/zh
Application granted granted Critical
Publication of CN114663992B publication Critical patent/CN114663992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开一种多源数据融合高速公路门架定位方法，其包括以下步骤：步骤1，对高速公路ETC门架交易数据进行预处理，确保交易信息的准确性；步骤2，基于ETC门架交易数据和两客一危车辆轨迹数据，使用DR算法得到潜在门架位置集合。步骤3，基于潜在门架位置集合，使用中位数中心算法得到中心点作为潜在门架位置。步骤4，使用基于选择策略数据的卡尔曼数据融合算法，将原始门架位置潜在门架位置进行数据融合，得到更加准确的门架位置。

Description

一种多源数据融合高速公路门架定位方法
技术领域
本发明涉及交通设施技术领域，尤其涉及一种多源数据融合高速公路门架定位方法。
背景技术
随着高速公路的快速发展，高速公路不停车电子收费(ETC)***作为智能交通***的重要子***之一，通过在高速公路收费站应用组合式联网电子收费技术，有效提高了高速公路收费站的通行能力，改善了因人工收费带来的排队拥堵现象，降低了能源的过多消耗和环境污染等问题截止到2019年12月31日，我国交通运输部完成了29个联网省份的ETC门架***建设，取消487个高速公路省界收费站，建成了24588套ETC门架***，改造48211条ETC 车道。ETC门架***实现实时监管记录车辆行驶信息、车辆路径标识、收费数据拟合等功能，在数据汇聚***中承担着重大的任务。ETC门架***的信息准确度对整个高速公路信息化进程至关重要。
但是该***目前还存在一些问题，如门架的地理位置信息存在一定的缺失或者偏差。因此如何有效的检测门架的位置信息是否发生错误以及发生偏差之后的矫正是一个问题。
发明内容
本发明的目的在于提供一种多源数据融合高速公路门架定位方法。
本发明采用的技术方案是：
一种多源数据融合高速公路门架定位方法，其包括以下步骤：
步骤1，提取通过门架的两客一危车辆的ETC交易记录和车辆的轨迹数据；
步骤2，根据ETC交易数据的交易时间与车辆轨迹数据中轨迹点进行比较提取得到所有车辆的交易点；
步骤3，基于车辆的交易点计算得到门架潜在位置集合，
步骤4，使用中位数中心聚类算法聚类门架潜在位置集合，得到门架潜在位置；
步骤5，将门架潜在位置输入基于选择策略的卡尔曼滤波算法，将原始门架位置和门架潜在位置进行融合得到最终门架位置。
进一步地，两客一危车辆包括旅游包车、三类以上班线客车和运输危险化学品、烟花爆竹、民用***物品的道路专用车辆；两客一危轨迹数据的属性包括定位时间、经度、维度和瞬时速度。
进一步地，门架交易记录数据为车辆在高速行驶过程中形成的一系列时序数据，门架交易记录数据包括交易标识TRADEID、龙门架编号FLAGID、车辆车牌OBUPLATE、通行标识PASSID、车辆类型VEHCLASS和交易时间TRADETIME。
进一步地，步骤2的具体步骤如下：
步骤2-1，获取当前车辆的ETC交易数据的交易时间TRADETIME；
步骤2-2，判断车辆轨迹数据中是否有与ETC交易数据的交易时间TRADETIME相等的轨迹点；是则，提取对应的轨迹点作为时间重合点，将时间重合点作为对应车辆的交易点并执行步骤2-4；否则，执行步骤2-3；
步骤2-3，在车辆轨迹数据获取交易时间TRADETIME之间且时间差最小的一个轨迹点作为时间前点，同时在车辆轨迹数据获取交易时间TRADETIME之间且时间差最小的一个轨迹点作为时间后点；并将时间前点和时间后点作为对应车辆的交易点
步骤2-4，结束当前车辆的交易点提取，获取下一部车辆轨迹数据并执行步骤2-1直到所有车辆均都完成交易点的提取。
如果不存在与该店时间相等的轨迹点，则提取前点和后点，前点是指轨迹定位时间在交易时间之前，且时间差最小的点，后点是指轨迹定位时间在交易时间之后，且时间差最小的点。
进一步地，步骤3的具体步骤如下：
步骤3-1，判断车辆的交易点的是否为时间重合点；是则，将对应的时间重合点加入门架潜在位置集合并执行步骤3-3；否则，执行步骤3-2；
步骤3-2，基于前点、后点以及交易时间利用航位推算算法计算得到对应当前车辆的潜在门架位置并加入门架潜在位置集合；
步骤3-3，获取下一部车辆的交易点数据并执行步骤3-1，直到所有车辆均都完成计算形成最终的门架潜在位置集合。
进一步地，步骤3-2的具体推算步骤如下；
步骤3-2-1，A为时间前点Pa，B为时间后点Pb，N是北极，O是地球的球心，n为弧AB 所对应的弧度，利用球面余弦定理和勾股定理计算n的余弦值，计算公式如下：
cos(n)＝cos(90-BLat)×cos(90-ALat)+sin(90-BLat)×sin(90-ALat)×cos(BLng-ALng) (3-6)
其中，n为弧AB所对应的弧度，BLng为B点的经度，BLat为B点的纬度，ALat为A点的经度， ALat为A点的纬度；
步骤3-2-2，基于余弦值计算NOA和AOB之间的二面角∠NAB，计算公式如下：
Figure RE-GDA0003607887990000021
其中，BLng为B点的经度，BLat为B点的纬度，ALat为A点的经度，ALat为A点的纬度；
步骤3-2-3，基于∠NAB确定方向角η的取值；
将反余弦的定义域设定为
Figure RE-GDA0003607887990000031
当B点处于第一象限，方向角η＝∠NAB；
当B点处于第二象限时，方向角η＝360+∠NAB；
当B点处于第三或第四象限时，方向角η＝180-∠NAB；
其中，方向角η为以真北为0°，顺时针至360°；
步骤3-2-4，计算时间前点与交易时间的时间差值作为前时间差值，同时计算时间后点与交易时间的时间差值作为后时间差值；
步骤3-2-5，判断前时间差值的绝对值是否小于后时间差值的绝对值；是则，选择时间前点进行累加计算并执行步骤3-2-6；否则，选择时间后点进行累加计算并执行步骤3-2-6；
步骤3-2-6，根据选定时间前点或时间后点代入对应的公式计算门架位置：
当选择时间前点进行累加计算时，门架位置的计算公式如下：
NodeLng＝ALng+Vdrive×ttrade×sinη/[ARC×cosALat×2π/360] (3-8)
NodeLat＝ALat+Vdrive×ttrade×cosη/[ARC×2π/360] (3-9)
其中，ttrade＝|tA-ttrade|即前时间差值的绝对值，ARC为地球半径，此处采用6371393m，η为时间前点Pa向Pb行驶的方向角；
当选择时间后点进行累加计算时，门架位置的计算公式如下：
NodeLng＝BLng+Vdrive×ttrade×sinη/[ARC×cosBLat×2π/360] (3-10)
NodeLat＝BLat+Vdrive×ttrade×cosη/[ARC×2π/360] (3-11)
其中，ttrade＝|tB-ttrade|即后时间差值的绝对值，ARC为地球半径，此处采用6371393m，η为时间前点Pb向Pa行驶的方向角。
进一步地，步骤4中采用中位数中心寻找中心点的方法确定门架潜在位置，具体步骤如下：
步骤4-1，利用所有门架潜在位置建立数据集LocaAll初始化的中位数中心
Figure RE-GDA0003607887990000032
Figure RE-GDA0003607887990000033
Figure RE-GDA0003607887990000041
其中，LocaAll＝{location1,locations2,…,locationj}，locationj＝{xj,yj}，xj是第j 个潜在门架位置经度，yj是第j个潜在门架位置经度；
Figure RE-GDA0003607887990000042
代表初始的中位数中心的经度和纬度；
步骤4-2，从轨迹数据中提取门架信息并计算潜在门架位置到中位数中心的距离；
Figure RE-GDA0003607887990000043
其中，spj代表点到中位数中心之间的距离；
步骤4-3，判断spj的值是否小于阈值ɑ；是则，停止迭代过程，得到最终结果
Figure RE-GDA0003607887990000044
否则，执行步骤4-4；
步骤4-4，根据中位数中心的变化更新点到中位数中心的单位距离权重，更新公式如下：
Figure RE-GDA0003607887990000045
其中，wj是初始单位权重，spj代表点到本发明中位数中心之间的距离,
Figure RE-GDA0003607887990000046
为更新之后的单位距离权重；
步骤4-5，利用更新之后的单位权重对中位数中心进行迭代，
Figure RE-GDA0003607887990000047
Figure RE-GDA0003607887990000048
步骤4-6，判断轨迹数据中的门架信息是否全部提取完成；是则，停止迭代过程，得到最终结果
Figure RE-GDA0003607887990000049
否则，执行步骤4-2。
进一步地，步骤5中将现有的原始门架位置数据看作测量向量
Figure RE-GDA00036078879900000410
中心聚类法得到的潜在门架位置作为***向量xk-1，经过数据融合到更为准确的门架位置信息。
进一步地，步骤5基于卡尔曼滤波算法的具体步骤如下：
步骤5-1，初始化xk-1,Q,R,Pk-1,F,H，
其中，xk-1为中心聚类法得到的潜在门架位置的经纬度，Q为中心聚类法得到的潜在门架位置与真实值的误差矩阵，R为原始门架经纬度
Figure RE-GDA00036078879900000411
与真实值的误差矩阵，Pk-1为表明xk-1与
Figure RE-GDA00036078879900000412
之间误差的协方差矩阵，H为将xk和
Figure RE-GDA00036078879900000413
转换为统一单位的转换矩阵，F为状态转移矩阵，F 是为了物体的状态转换过程；
步骤5-2，进行状态预测，状态预测公式如下
Figure RE-GDA0003607887990000051
Figure RE-GDA0003607887990000052
其中，xk表示xk-1经过迭代得到的新的位置，以表明门架位置的漂移；B为控制矩阵，
Figure RE-GDA0003607887990000053
为控制向量，
Figure RE-GDA0003607887990000058
为***中协方差Q的噪声，Pk表示Pk-1经过迭代得到的误差协方差矩阵，即表示xk与
Figure RE-GDA0003607887990000059
之间的误差；
步骤5-3，获得时刻k的测量值
Figure RE-GDA00036078879900000510
Figure RE-GDA0003607887990000054
Sk＝(HPkHT+R)
其中，
Figure RE-GDA00036078879900000511
是实际测量值
Figure RE-GDA0003607887990000055
和预测测量值Hxk之间的差值向量，Sk为代表残余协方差矩阵，表示
Figure RE-GDA00036078879900000512
和真实值之间的差值；
步骤5-4，基于测量值进行状态纠正，具体公式如下：
Kk＝PkHTSk -1
Figure RE-GDA0003607887990000056
P′k＝(I-KkH)Pk
其中，Kk为卡尔曼增益，x′k为使用卡尔曼滤波将中心聚类法得到的潜在门架位置的经纬度和原始门架数据
Figure RE-GDA00036078879900000513
融合后的结果；P′k表示xk-1与
Figure RE-GDA00036078879900000514
之间误差的协方差矩阵，即为Pk-1；I为单位矩阵。
进一步地，步骤5中当原始门架位置
Figure RE-GDA00036078879900000515
与潜在门架位置xk之间差值Δ小于或等于2000m 时，则认最终门架位置为卡尔曼滤波结果x′k；
当Δ原始门架位置
Figure RE-GDA00036078879900000516
与潜在门架位置xk之间差值Δ大于2000m公里，则认为该门架的位置为xk，即将潜在门架位置作为最终门架位置，
最终门架位置的具体表达公式如下：
Figure RE-GDA0003607887990000057
其中，xest表示最终门架位置，x′k为卡尔曼滤波结果，
Figure RE-GDA00036078879900000517
为原始门架位置，xk为潜在门架位置。
本发明采用以上技术方案，有效的通过ETC门架交易记录和两客一危车辆的轨迹数据，使用DR算法和中位数中心算法，得到门架所在位置的信息，利用该位置信息，计算得到门架潜在位置；再将潜在门架位置与门架原始位置输入基于选择策略的卡尔曼滤波模型当中，得到门架的位置。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明一种多源数据融合高速公路门架定位方法的结构示意图；
图2为本发明方向角算法示意图；
图3为本发明通过某个门架的时间前点和时间后点示意图之一；
图4为本发明通过某个门架的时间前点和时间后点示意图之二。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
ETC门架的地理位置，对于评估车辆的驾驶速度以及后续的驾驶行为有着十分重要的意义。目前的门架地理位置都是依靠建设时人工采集，但是由于各类原因，门架的位置会存在错误或缺失，针对这个问题，本发明提出了一种基于两客一危车辆轨迹数据和ETC交易数据的ETC门架地理位置定位算法，该算法首先使用DR算法提取门架潜在位置合集，再使用中位数中心算法将数据数据聚类，得到聚类中心，作为门架潜在位置，最后使用基于选择策略的卡尔曼滤波算法将门架潜在位置和原始门架位置数据进行融合，得到最终的ETC门架位置。
如图1至图4之一所示，本发明公开了一种多源数据融合高速公路门架定位方法，其包括以下步骤：
步骤1，提取通过门架的两客一危车辆的ETC交易记录和车辆的轨迹数据。
具体地，从数据中心获取门架拓扑数据、原始门架位置数据、两客一危轨迹数据和门架交易记录数据；两客一危轨迹数据由车辆在行驶过程中，通过无线信号传输技术，对车辆的位置数据、方向角数据进行采集。两客一危轨迹数据的属性包括定位时间、经度、维度和瞬时速度。
两客一危车辆包括旅游包车、三类以上班线客车和运输危险化学品、烟花爆竹、民用***物品的道路专用车辆。
具体地，两客一危数据属性：本发明使用2020年9月3号至2020年9月5号，在高速公路上行驶的两客一危车辆轨迹数据，在车辆的行驶过程中，车辆均自动采集当时驾驶行为下的行车信息数据并上传到数据中心。两客一危轨迹数据是车辆在行驶过程中，通过无线信号传输技术，对车辆的位置数据、方向角等数据进行采集。本发明主要使用的属性包括，定位时间，经度、维度、瞬时速度等。采集频率10s-1min不等，详细数据属性如表格1所示。
表1两客一危车辆轨迹数据属性
序号 字段名称 描述 示例
1 Longitude 经度 119.392654
2 Latitude 纬度 26.463268
3 Speed 速度 30.22
4 Direction 方向 0
5 Time 时间戳 2018-6-14 11:50:26
进一步地，门架交易记录数据为车辆在高速行驶过程中形成的一系列时序数据，门架交易记录数据包括交易标识TRADEID、龙门架编号FLAGID、车辆车牌OBUPLATE、通行标识PASSID、车辆类型VEHCLASS和交易时间TRADETIME。
ETC交易记录数据属：ETC龙门架交易数据是车辆在高速行驶过程中形成的一系列时序数据，该时序数据可以组成车辆在高速上的完整轨迹，实现对车辆动态数据的提取。数据属性主要包括交易标识TRADEID、龙门架编号FLAGID、车辆车牌OBUPLATE、通行标识PASSID、车辆类型VEHCLASS，交易时间TRADETIME等。详细数据属性如表2所示。
表2 ETC龙门架交易数据属性
序号 字段名称 别名 说明
1 TRADEID 交易标识ID 交易记录唯一标识
2 FLAGID 龙门架编号 ETC龙门架全网唯一编号
3 TRANSTIME 交易时间 交易记录产生时间
4 PASSID 通行标识ID 车辆通行唯一标识
5 OBUPLATE 车牌号 车牌号
6 VEHCLASS 车辆类型 包括六种客车，六种货车以及六种专项作业车
7 ENSTAION 进口收费站 车辆上高速公路的起始收费站
步骤2，根据ETC交易数据的交易时间与车辆轨迹数据中轨迹点进行比较提取得到时间重合点、时间前点和时间后点；
根据ETC交易数据的交易时间TRADETIME，提取车辆轨迹数据中与该时间相等的轨迹点，将该点的数据加入潜在门架位置集合之中；如果不存在与该店时间相等的轨迹点，则提取前点和后点，前点是指轨迹定位时间在交易时间之前，且时间差最小的点，后点是指轨迹定位时间在交易时间之后，且时间差最小的点。
根据标准门架拓扑数据对两客一危的门架数据进行拓扑矫正；通过ETC交易数据和两客一危车辆的位置数据，识别出存在的无位置信息的门架及其数量，然后增补算法填充这些门架的缺失的位置信息，再验证这些位置信息是否有误，并对位置信息有误的进行修正，最后根据补充和校正后的门架生成高速公路的区段集。
具体地，智慧高速中，ETC门架作为路侧单位设备，对于车路协同的实施起着至关重要的作用，但ETC门架的架设初步完成，基础数据还存在问题，例如ETC门架信息在录入时存在部分门架的位置信息缺失，位置信息不准确等问题。门架位置信息不完善、不精确对于车路协同的拓展研究有着重要的影响。因此，面对施工架设的ETC门架存在数据的问题，如何快速有效地对这些ETC门架位置进行自动校验，本发明提出了通过ETC交易数据和两客一危车辆的位置数据，识别出存在的无位置信息的门架及其数量，然后增补算法填充这些门架的缺失的位置信息，再验证这些位置信息是否有误，并对位置信息有误的进行修正，最后根据补充和校正后的门架生成高速公路的区段集。针对上述的算法，先给出相关定义如下：
定义1(高速公路区段QD)：高速公路各门架、收费站进出口(含跨省进出口)统称为节点Node，两个相邻节点Node构成一个高速公路区段QD，简称区段，表示形式如公式3-2所示:
QD＝<Node1,Node2> (3-1)
其中，Node1为区段起点，Node2为区段终点；门架节点称为一类节点，收费站进出口节点称为二类节点。
定义2(门架轨迹Ntraj)：车辆通过区段QD所形成的门架轨迹被称为Ntraj，如公式3-2 所示。
Ntraj＝<Node1,…,Noden> (3-2)
其中Node1代表门架轨迹Ntraj的起点，Noden代表门架轨迹Ntraj的终点。
由于门架设备问题或其他原因，其中轨迹信息可能会存在错误信息，如误检测，漏检测，重复检测，因此本发明将完全正确的数据归类为一类轨迹，存在错误的归为二类轨迹，将经过轨迹清洗算法得到的轨迹是三类轨迹。
定义3(行程NTrav)：一辆车辆从高速公路入口收费站至出口收费站所形成的轨迹被称为车辆的行程NTrav,NTrav表示行驶如公式3-3所示。
Ntrav＝{Ntraj1,…,Ntrajn} (3-3)
其中Ntraj1代表轨迹Ntrav的起点门架，Ntrajn代表轨迹Ntrav的终点门架。
定义4(两客一危车辆GPS轨迹Gtraji，两客一危车辆GPS点Gpointi)：两客一危车辆包括旅游包车、三类以上班线客车和运输危险化学品、烟花爆竹、民用***物品的道路专用车辆。这些车辆通过装载在车辆上的GPS设备收集车辆的位置、时间、速度和方向角等信息。这些数据按照时序进行排布，Gtraji由Gpointi组成，其表示方法如公式3-4和3-5所示。
Gtraji＝{Gpoint1,...,Gpointn} (3-4)
Gpointi＝{＜loni,lati>,ti,vi,di} (3-5)
其中Gpointi是两客一危轨迹中的轨迹点，包括车辆此时时间、经度、纬度、行驶速度、方向角这些属性信息。
定义5(时间重合点Pc)：两客一危车辆GPS轨迹点中的时间tlocation与ETC门架交易时间 ttrade相同，即tlocation＝ttrade，将此轨迹点Gpointi称为时间重合点。
定义6(时间前点Pa)：当车辆不存在时间重合点时，需要找到定位时间tlocation处于交易时间ttrade之前，且时间差最小的轨迹点Pa，即Pa＝min(ttrade-tlocation)
定义7(时间后点Pb)：当车辆不存在时间重合点时，需要找到定位时间tlocation处于交易时间ttrade之后，且时间差最小的轨迹点Pb，即Pb＝min(tlocation-ttrade)
步骤3，基于前点、后点以及交易时间利用航位推算算法计算得到潜在门架位置集合。
使用时间前点Pa和时间后Pb推测车辆的前进方向η，利用车辆的轨迹中的速度信息和时间推测前进里程从而得到门架的位置
具体地，航位推算法(DR):基于上述预处理之后的数据和定义，可知当两客一危车辆通过门架时，其此时的位置可以认为是门架所在位置，但是由于两客一危车辆是以一定频率进行轨迹点的采样的，且采样频率都会比较大，很多门架不存在时间重合点Pc，单纯使用时间重合点无法准确定位门架所在位置。因此本发明使用航位推算法(DR算法)，利用时间前点 Pa和时间后Pb，以及车辆的速度，推测门架所在位置。
DR算法是一种利用方向角和距离推测下一个点位置的方法，本算法经常被使用在船舶、飞机等GPS无法有效使用的地方。为了保证海上航行的安全，很重要的一点是在任何时候和任何情况下，航海人员都必须知道自己的船位。只有这样才能够根据船位，在海图上了解船舶周围的航海条件，从而采取必要的航行措施。DR算法本质上是一个信息累加的过程，在初始位置上累加位移矢量计算当前位置。
本发明中，由于采样频率不够密集的原因，因此本发明使用时间前点Pa和时间后Pb推测车辆的前进方向η，利用车辆的轨迹中的速度信息和时间推测前进里程，从而得到门架的位置。图2为DR算法的示意图，A为时间前点Pa，B为时间后点Pb，N是北极，O是地球的球心。LAB是A点和B点对应的劣弧弧长，a为弧NB所对应的弧度，b为弧NA所对应的弧度，n为弧AB所对应的弧度，方向角η为以真北为0°，顺时针至360°。
根据定义可知，方向角为∠NAB，∠NAB可由球面三角正弦定理3-1计算可得：
Figure RE-GDA0003607887990000091
其中∠NAB为NOA和AOB之间的二面角，∠ABN为AOB和BON之间的二面角，∠ANB为AON 和NOB之间的二面角。
将A、B点的经纬度带入公式3-1可得公式3-2：
Figure RE-GDA0003607887990000101
其中BLng为B点的经度，BLat为B点的纬度，ALat为A点的经度，ALat为A点的纬度。
对公式3-2进行反正弦变换，得到公式3-3:
Figure RE-GDA0003607887990000102
由公式3-3可知，当sin(n)确定时，∠NAB则可知。
sin(n)可由球面余弦定理和勾股定理可知，计算公式如公式3-4和3-5所示。
Cos(n)＝cos(a)×cos(b)+sin(a)×sin(b)×cos(∠ANB) (3-4)
Figure RE-GDA0003607887990000103
将A点和B点的经纬度带入公式3-4中可得公式3-6。
cos(n)＝cos(90-BLat)×cos(90-ALat)+sin(90-BLat)×sin(90-ALat)×cos(BLng-ALng) (3-6)
Figure RE-GDA0003607887990000104
本发明将反余弦的定义域设定为
Figure RE-GDA0003607887990000105
但是由于方向角η的定义是以正北方向为0，顺时针旋转增大，因此还需要对∠NAB进行转换：1)当B点处于第一象限，方向角η＝∠NAB； 2)当B点处于第二象限时，方向角η＝360+∠NAB，3)当B点处于第三或第四象限时，方向角η＝180-∠NAB。
为了估计门架位置，除了车辆的前进方向η，还需要车辆的前进距离，而车辆的前进距离可由车辆的行驶速度Vdrive以及行驶时间tdriveo为了方便计算，本发明将车辆从时间前点Pa到时间后点Pb之间行驶过程假定为匀速直线运动，速度为两客一危险车辆轨迹中时间前点Pa时刻的瞬时速度VA和时间后点Pb时刻的瞬时速度VB的平均值，计算公式如公式3-7所示。
Figure RE-GDA0003607887990000106
由于本发明假设车辆处于匀速直线运动，速度为Vdrive，方向为η，但是车辆在实际行驶过程中，会出现加减速，变道，转弯等情况，而DR算法是根据上一个轨迹点累加结果推断下一个轨迹点，因此行驶时间越短，累加的误差也越小，定位的门架位置就越精确。此时需要对时间前点和时间后点距离门架的行驶时间差做出判断，选取行驶时间较短的点来判断门架位置。如果|tA-ttrade|<|tB-ttrade|，则选择时间前点进行累加计算，得到门架位置；反之， |tA-ttrade|>|tB-ttrade|，则选择时间后点进行累加计算，得到门架位置。利用时间前点计算和时间后点计算门架所在位置的计算公式分别如公式3-8、3-9和3-10、3-11所示。
NodeLng＝ALng+Vdrive×ttrade×sinη/[ARC×cosALat×2π/360] (3-8)
NodeLat＝ALat+Vdrive×ttrade×cosη/[ARC×2π/360] (3-9)
其中ttrade＝|tA-ttrade|，ARC为地球半径，此处采用6371393m，η为时间前点Pa向Pb行驶的方向角。
NodeLng＝BLng+Vdrive×ttrade×sinη/[ARC×cosBLat×2π/360] (3-10)
NodeLat＝BLat+Vdrive×ttrade×cosη/[ARC×2π/360] (3-11)
其中ttrade＝|tB-ttrade|，ARC为地球半径，此处采用6371393m,η为时间前点Pb向Pa行驶的方向角。
步骤4，使用中位数中心聚类算法聚类门架潜在位置集合，得到门架潜在位置；
具体地，每一辆通过门架的车辆都会得到一个潜在门架的位置，如图3所示，深色点为不同车辆轨迹中的时间前点Pa,浅色点为不同车辆轨迹中的时间后点Pb，每一组前后点都会得到一组潜在门架位置，如图4所示，灰色点为通过DR算法得到的潜在门架位置集合，菱形点为真实门架所在位置，潜在门架位置大部分分布在真实门架位置周围，少部分为异常点，远离道路和门架。因此需要将潜在门架集合提取一个位置代表所有潜在门架位置，且有效的去除异常值。
本发明中将此看作一个广义韦伯问题，并使用中位数中心[6]来寻找中心点。该算法具有很好的鲁棒性，可以有效的识别潜在门架位置的中心点P，该P点距离潜在门架所有点的距离最近，公式表示为公式3-12。该算法通过不断迭代，在每次迭代过程中，计算车辆中位数中心P(xp，yp)。中位数中心到其他的点距离计算公式如公式3-13所示。
Figure RE-GDA0003607887990000111
Figure RE-GDA0003607887990000112
其中spj是中位数中心到其他地方点之间的距离，wj代表了其他点到中位数中心的单位距离权重，φ为所有点到中位数中心距离之和。xj代表其他点的经度，yj代表其他点的纬度。
基于上述理论，本算法首先将所有门架潜在位置建立数据集LocaAll＝{location1,locations2,…,locationsj}，其中locationj＝{xj,yj}，xj是潜在门架位置经度， yj是潜在门架位置经度。将公式LocaAll带入3-14和3-15得到初始化的中位数中心
Figure RE-GDA0003607887990000113
Figure RE-GDA0003607887990000114
Figure RE-GDA0003607887990000121
其中
Figure RE-GDA0003607887990000122
代表初始的中位数中心的经度和纬度。
随着中位数中心的变化，使用公式3-16对点与点之间的单位距离权重进行更新。
Figure RE-GDA0003607887990000123
其中wj是初始单位权重，spj代表点到本发明中位数中心之间的距离,
Figure RE-GDA0003607887990000124
为更新之后的单位距离权重。
将更新之后的单位权重带入公式3-14和3-15，对中位数中心进行迭代，并计算每次迭代之后的距离差，如果距离差小于一定阈值ɑ，则停止迭代过程，得到最终结果，具体算法流程如表3所示。
表3：基于Dijkstra算法的交易数据清洗算法
Figure RE-GDA0003607887990000125
步骤5，将门架潜在位置输入基于选择策略的卡尔曼滤波算法，将原始门架位置和门架潜在位置进行融合，得到最终门架位置。
具体地，由于DR算法较为依赖车辆轨迹中的时间前点和时间后点，且将两点之间的运动状态假设为了匀速直线运动，没有考虑到车辆运动状态的变化和路况的变化，也没有考虑车辆定位***自身的定位偏移，因此本发明使用卡尔曼滤波算法将中位数中心和原始的门架数据进行融合，得到更为准确的高速公路ETC门架经纬度。
卡尔曼滤波主要包括两个模型：预测模型和跟新模型。预测模型主要用于描述***状态之间的转换；跟新模型则负责描述状态量和观测量之间的关系，具体公式如3-17和3-18所示。
Figure RE-GDA0003607887990000131
Figure RE-GDA0003607887990000132
其中xk是k时间段的状态向量，包括位置信息以及状态信息；F为变化矩阵，该矩阵是为了物体的状态转换过程。B为控制矩阵，
Figure RE-GDA0003607887990000134
为控制向量，两者代表了外部行为对物体运动的影响，例如车辆的突然加减速或者方向的变化。
Figure RE-GDA0003607887990000136
为***中协方差Q的噪声。
Figure RE-GDA0003607887990000135
代表k时刻下的测量向量，
Figure RE-GDA0003607887990000137
是协方差R的测量噪音矩阵。具体算法步骤如下表4所示，其中Pk表示k时刻下状态协方差矩阵，H为xk和
Figure RE-GDA0003607887990000138
之间的转换矩阵，zk是实际测量值
Figure RE-GDA0003607887990000139
和预测测量值Hxk之间的差值向量，Kk为卡尔曼增益，该矩阵是一个后验协方差矩阵，用于状态预测之中。
表4卡尔曼滤波基本原理
算法1：卡尔曼滤波
Figure RE-GDA0003607887990000133
Figure RE-GDA0003607887990000141
在本发明中，将现有的原始门架位置数据看作测量向量
Figure RE-GDA0003607887990000144
中心聚类法得到的潜在门架位置作为***向量xk，经过数据融合到更为准确的门架位置信息。
因为现有的高速门架位置
Figure RE-GDA0003607887990000145
存在极端离群值，只使用卡尔曼数据融合算法无法有效的处理该问题，，因为原始数据中存在极端离群值，将很大程度上影响数据融合的最终结果。因此本发明提出了一个门架位置选择策略：当原始门架位置
Figure RE-GDA0003607887990000146
与潜在门架位置xk之间差值Δ小于 2000m时，则认为该门架位置为卡尔曼滤波结果x′k；如果Δ大于2000m公里，则认为该门架的位置为xk，即将潜在门架位置作为该门架位置。公式如3-17所示。
Figure RE-GDA0003607887990000142
本发明采用以上技术方案，如表5所示，门架定位算法提取通过门架的两客一危车辆的 ETC交易记录和车辆的轨迹数据根据标准门架拓扑数据对两客一危的门架数据进行拓扑矫正；将两客一危车辆通过门架前后的位置输入航位推算(DR)算法，得到车辆通过门架时的位置，将该位置认为是门架潜在位置集合；使用中位数中心聚类算法聚类门架潜在位置集合，得到门架潜在位置；将门架潜在位置输入基于选择策略的卡尔曼滤波算法，将原始门架位置和门架潜在位置进行融合，得到最终门架位置。
表5：门架定位算法
算法3：门架定位算法
Figure RE-GDA0003607887990000143
Figure RE-GDA0003607887990000151
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (10)

1.一种多源数据融合高速公路门架定位方法，其特征在于：其包括以下步骤：
步骤1，提取通过门架的两客一危车辆的ETC交易记录和车辆的轨迹数据；
步骤2，根据ETC交易数据的交易时间与车辆轨迹数据中轨迹点进行比较提取得到所有车辆的交易点；
步骤3，基于车辆的交易点计算得到门架潜在位置集合，
步骤4，使用中位数中心聚类算法聚类门架潜在位置集合，得到门架潜在位置；
步骤5，将门架潜在位置输入基于选择策略的卡尔曼滤波算法，将原始门架位置和门架潜在位置进行融合得到最终门架位置。
2.根据权利要求1所述的一种多源数据融合高速公路门架定位方法，其特征在于：两客一危车辆包括旅游包车、三类以上班线客车和运输危险化学品、烟花爆竹、民用***物品的道路专用车辆；两客一危轨迹数据的属性包括定位时间、经度、维度和瞬时速度。
3.根据权利要求1所述的一种多源数据融合高速公路门架定位方法，其特征在于：门架交易记录数据为车辆在高速行驶过程中形成的一系列时序数据，门架交易记录数据包括交易标识TRADEID、龙门架编号FLAGID、车辆车牌OBUPLATE、通行标识PASSID、车辆类型VEHCLASS和交易时间TRADETIME。
4.根据权利要求3所述的一种多源数据融合高速公路门架定位方法，其特征在于：步骤2的具体步骤如下：
步骤2-1，获取当前车辆的ETC交易数据的交易时间TRADETIME；
步骤2-2，判断车辆轨迹数据中是否有与ETC交易数据的交易时间TRADETIME相等的轨迹点；是则，提取对应的轨迹点作为时间重合点，将时间重合点作为对应车辆的交易点并执行步骤2-4；否则，执行步骤2-3；
步骤2-3，在车辆轨迹数据获取交易时间TRADETIME之间且时间差最小的一个轨迹点作为时间前点，同时在车辆轨迹数据获取交易时间TRADETIME之间且时间差最小的一个轨迹点作为时间后点；并将时间前点和时间后点作为对应车辆的交易点
步骤2-4，结束当前车辆的交易点提取，获取下一部车辆轨迹数据并执行步骤2-1直到所有车辆均都完成交易点的提取。
5.根据权利要求4所述的一种多源数据融合高速公路门架定位方法，其特征在于：步骤3的具体步骤如下：
步骤3-1，判断车辆的交易点的是否为时间重合点；是则，将对应的时间重合点加入门架潜在位置集合并执行步骤3-3；否则，执行步骤3-2；
步骤3-2，基于前点、后点以及交易时间利用航位推算算法计算得到对应当前车辆的潜在门架位置并加入门架潜在位置集合；
步骤3-3，获取下一部车辆的交易点数据并执行步骤3-1，直到所有车辆均都完成计算形成最终的门架潜在位置集合。
6.根据权利要求5所述的一种多源数据融合高速公路门架定位方法，其特征在于：步骤3-2的具体推算步骤如下；
步骤3-2-1，A为时间前点Pa，B为时间后点Pb，N是北极，0是地球的球心，n为弧AB所对应的弧度，利用球面余弦定理和勾股定理计算n的余弦值，计算公式如下：
cos(n)＝cos(90-BLat)×cos(90-ALat)+sin(90-BLat)×sin(90-ALat)×cos(BLng-ALng) (3-6)
其中，n为弧AB所对应的弧度，BLng为B点的经度，BLat为B点的纬度，ALat为A点的经度，ALat为A点的纬度；
步骤3-2-2，基于余弦值计算NOA和AOB之间的二面角∠NAB，计算公式如下：
Figure FDA0003554415220000021
其中，BLng为B点的经度，BLat为B点的纬度，ALat为A点的经度，ALat为A点的纬度；
步骤3-2-3，基于∠NAB确定方向角η的取值；
将反余弦的定义域设定为
Figure FDA0003554415220000022
当B点处于第一象限，方向角η＝∠NAB；
当B点处于第二象限时，方向角η＝360+∠NAB；
当B点处于第三或第四象限时，方向角η＝180-∠NAB；
其中，方向角η为以真北为0°，顺时针至360°；
步骤3-2-4，计算时间前点与交易时间的时间差值作为前时间差值，同时计算时间后点与交易时间的时间差值作为后时间差值；
步骤3-2-5，判断前时间差值的绝对值是否小于后时间差值的绝对值；是则，选择时间前点进行累加计算并执行步骤3-2-6；否则，选择时间后点进行累加计算并执行步骤3-2-6；
步骤3-2-6，根据选定时间前点或时间后点代入对应的公式计算门架位置：
当选择时间前点进行累加计算时，门架位置的计算公式如下：
NodeLng＝ALng+Vdrive×ttrade×sinη/[ARC×cosALat×2π/360] (3-8)
NodeLat＝ALat+Vdrive×ttrade×cosη/[ARC×2π/360] (3-9)
其中，ttrade＝|tA-ttrade|即前时间差值的绝对值，ARC为地球半径，η为时间前点Pa向Pb行驶的方向角；
当选择时间后点进行累加计算时，门架位置的计算公式如下：
NodeLng＝BLng+Vdrive×ttrade×sinη/[ARC×cosBLat×2π/360] (3-10)
NodeLat＝BLat+Vdrive×ttrade×cosη/[ARC×2π/360] (3-11)
其中，ttrade＝|tB-ttrade|即后时间差值的绝对值，ARC为地球半径，η为时间前点Pb向Pa行驶的方向角。
7.根据权利要求5所述的一种多源数据融合高速公路门架定位方法，其特征在于：步骤4中采用中位数中心寻找中心点的方法确定门架潜在位置，具体步骤如下：
步骤4-1，利用所有门架潜在位置建立数据集LocaAll初始化的中位数中心
Figure FDA0003554415220000031
Figure FDA0003554415220000032
Figure FDA0003554415220000033
其中，LocaAll＝{location1，locations2，…，locationsj}，locationj＝{xj，yj}，xj是第j个潜在门架位置经度，yj是第j个潜在门架位置经度；
Figure FDA0003554415220000034
代表初始的中位数中心的经度和纬度；
步骤4-2，从轨迹数据中提取门架信息并计算潜在门架位置到中位数中心的距离；
Figure FDA0003554415220000035
其中，spj代表点到中位数中心之间的距离；
步骤4-3，判断spj的值是否小于阈值α；是则，停止迭代过程，得到最终结果
Figure FDA0003554415220000036
否则，执行步骤4-4；
步骤4-4，根据中位数中心的变化更新点到中位数中心的单位距离权重，更新公式如下：
Figure FDA0003554415220000037
其中，wj是初始单位权重，spj代表点到本发明中位数中心之间的距离，
Figure FDA0003554415220000038
为更新之后的单位距离权重；
步骤4-5，利用更新之后的单位权重对中位数中心进行迭代，
Figure FDA0003554415220000039
Figure FDA0003554415220000041
步骤4-6，判断轨迹数据中的门架信息是否全部提取完成；是则，停止迭代过程，得到最终结果
Figure FDA0003554415220000042
否则，执行步骤4-2。
8.根据权利要求7所述的一种多源数据融合高速公路门架定位方法，其特征在于：步骤5中将现有的原始门架位置数据看作测量向量
Figure FDA00035544152200000417
中心聚类法得到的潜在门架位置作为***向量xk-1，经过数据融合到更为准确的门架位置信息。
9.根据权利要求7所述的一种多源数据融合高速公路门架定位方法，其特征在于：步骤5基于卡尔曼滤波算法的具体步骤如下：
步骤5-1，初始化xk-1，Q，R，Pk-1，F，H，
其中，xk-1为中心聚类法得到的潜在门架位置的经纬度，Q为中心聚类法得到的潜在门架位置与真实值的误差矩阵，R为原始门架经纬度
Figure FDA0003554415220000043
与真实值的误差矩阵，Pk-1为表明xk-1与
Figure FDA0003554415220000044
之间误差的协方差矩阵，H为将xk和
Figure FDA0003554415220000045
转换为统一单位的转换矩阵，F为状态转移矩阵，F是为了物体的状态转换过程；
步骤5-2，进行状态预测，状态预测公式如下
Figure FDA0003554415220000046
Figure FDA0003554415220000047
其中，xk表示xk-1经过迭代得到的新的位置，以表明门架位置的漂移；B为控制矩阵，
Figure FDA0003554415220000048
为控制向量，
Figure FDA0003554415220000049
为***中协方差Q的噪声，Pk表示Pk-1经过迭代得到的误差协方差矩阵，即表示xk与
Figure FDA00035544152200000410
之间的误差；
步骤5-3，获得时刻k的测量值
Figure FDA00035544152200000411
Figure FDA00035544152200000412
Sk＝(HPkHT+R)
其中，
Figure FDA00035544152200000413
是实际测量值
Figure FDA00035544152200000414
和预测测量值Hxk之间的差值向量，Sk为代表残余协方差矩阵，表示
Figure FDA00035544152200000415
和真实值之间的差值；
步骤5-4，基于测量值进行状态纠正，具体公式如下：
Kk＝PkHTSk -1
Figure FDA00035544152200000416
P′k＝(I-KkH)Pk
其中，Kk为卡尔曼增益，x′k为使用卡尔曼滤波将中心聚类法得到的潜在门架位置的经纬度和原始门架数据
Figure FDA0003554415220000055
融合后的结果；P′k表示xk-1与
Figure FDA0003554415220000056
之间误差的协方差矩阵，即为Pk-1；I为单位矩阵。
10.根据权利要求7所述的一种多源数据融合高速公路门架定位方法，其特征在于：步骤5中当原始门架位置
Figure FDA0003554415220000051
与潜在门架位置xk之间差值Δ小于或等于2000m时，则认最终门架位置为卡尔曼滤波结果x′k；
当Δ原始门架位置
Figure FDA0003554415220000052
与潜在门架位置xk之间差值Δ大于2000m公里，则认为该门架的位置为xk，即将潜在门架位置作为最终门架位置，
最终门架位置的具体表达公式如下：
Figure FDA0003554415220000053
其中，xest表示最终门架位置，x′k为卡尔曼滤波结果，
Figure FDA0003554415220000054
为原始门架位置，xk为潜在门架位置。
CN202210272771.0A 2022-03-18 2022-03-18 一种多源数据融合高速公路门架定位方法 Active CN114663992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210272771.0A CN114663992B (zh) 2022-03-18 2022-03-18 一种多源数据融合高速公路门架定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210272771.0A CN114663992B (zh) 2022-03-18 2022-03-18 一种多源数据融合高速公路门架定位方法

Publications (2)

Publication Number Publication Date
CN114663992A true CN114663992A (zh) 2022-06-24
CN114663992B CN114663992B (zh) 2023-06-06

Family

ID=82029229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210272771.0A Active CN114663992B (zh) 2022-03-18 2022-03-18 一种多源数据融合高速公路门架定位方法

Country Status (1)

Country Link
CN (1) CN114663992B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238024A (zh) * 2022-09-26 2022-10-25 交通运输部科学研究院 高速公路设施定位方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016220249A1 (de) * 2016-10-17 2018-04-19 Robert Bosch Gmbh Verfahren und System zur Lokalisierung eines Fahrzeugs
CN109099901A (zh) * 2018-06-26 2018-12-28 苏州路特工智能科技有限公司 基于多源数据融合的全自动压路机定位方法
CN111882690A (zh) * 2020-08-10 2020-11-03 山东天星北斗信息科技有限公司 Etc多传感信息融合轨迹还原的高速收费方法及***
CN112512020A (zh) * 2020-11-20 2021-03-16 北京中交国通智能交通***技术有限公司 一种基于多源数据融合的交通状态弱信号感知研判方法
CN112542044A (zh) * 2020-12-02 2021-03-23 长安大学 一种两客一危车辆行驶状态评价方法
CN112616118A (zh) * 2020-12-22 2021-04-06 千方捷通科技股份有限公司 一种车辆所经过的etc门架确定方法、装置及存储介质
CN112734956A (zh) * 2020-12-22 2021-04-30 千方捷通科技股份有限公司 一种etc门架确定的方法、装置及存储介质
CN113781767A (zh) * 2021-08-05 2021-12-10 浙江省机电设计研究院有限公司 一种基于多源感知的交通数据融合方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016220249A1 (de) * 2016-10-17 2018-04-19 Robert Bosch Gmbh Verfahren und System zur Lokalisierung eines Fahrzeugs
CN109099901A (zh) * 2018-06-26 2018-12-28 苏州路特工智能科技有限公司 基于多源数据融合的全自动压路机定位方法
CN111882690A (zh) * 2020-08-10 2020-11-03 山东天星北斗信息科技有限公司 Etc多传感信息融合轨迹还原的高速收费方法及***
CN112512020A (zh) * 2020-11-20 2021-03-16 北京中交国通智能交通***技术有限公司 一种基于多源数据融合的交通状态弱信号感知研判方法
CN112542044A (zh) * 2020-12-02 2021-03-23 长安大学 一种两客一危车辆行驶状态评价方法
CN112616118A (zh) * 2020-12-22 2021-04-06 千方捷通科技股份有限公司 一种车辆所经过的etc门架确定方法、装置及存储介质
CN112734956A (zh) * 2020-12-22 2021-04-30 千方捷通科技股份有限公司 一种etc门架确定的方法、装置及存储介质
CN113781767A (zh) * 2021-08-05 2021-12-10 浙江省机电设计研究院有限公司 一种基于多源感知的交通数据融合方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱旻: "ETC门架***多维数据融合应用探析" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238024A (zh) * 2022-09-26 2022-10-25 交通运输部科学研究院 高速公路设施定位方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114663992B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN109241069B (zh) 一种基于轨迹自适应聚类的路网快速更新的方法及***
Zhao et al. Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data
EP3016086B1 (en) Negative image for sign placement detection
Bo et al. Smartloc: Push the limit of the inertial sensor based metropolitan localization using smartphone
Aly et al. Lanequest: An accurate and energy-efficient lane detection system
CN110276973B (zh) 一种路***通规则自动识别方法
Gao et al. Estimating freeway traffic measures from mobile phone location data
CN105091889A (zh) 一种热点路径的确定方法及设备
CN103927872A (zh) 一种基于浮动车数据预测多时段行程时间分布的方法
CN109275121A (zh) 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法
CN110400461B (zh) 一种路网变更检测方法
CN108171967A (zh) 一种交通控制方法及装置
CN110203253A (zh) 一种非固定式虚拟应答器实现方法
CN110299010A (zh) 一种面向车路协同路侧设备的信息处理方法
CN114663992B (zh) 一种多源数据融合高速公路门架定位方法
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
Winter et al. Generating compact geometric track-maps for train positioning applications
Siebler et al. Train localization with particle filter and magnetic field measurements
Xi et al. Map matching algorithm and its application
CN110728309A (zh) 一种基于铁路信号与北斗定位的行车轨迹聚类方法
CN102184636A (zh) 基于浮动车技术的道路拓宽识别方法
CN113870559B (zh) 一种基于大数据车联网的交通流量计算方法
CN106056953B (zh) 基于低精度gps数据获取交通道路信息的方法
CN111931968B (zh) 一种应用手机gps数据来优化公共自行车站点布局的方法
Kreibich et al. Lane-level matching algorithm based on GNSS, IMU and map data

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