CN117454318B - 一种基于多源数据融合的桥梁群时空荷载分布识别方法 - Google Patents
一种基于多源数据融合的桥梁群时空荷载分布识别方法 Download PDFInfo
- Publication number
- CN117454318B CN117454318B CN202311799793.3A CN202311799793A CN117454318B CN 117454318 B CN117454318 B CN 117454318B CN 202311799793 A CN202311799793 A CN 202311799793A CN 117454318 B CN117454318 B CN 117454318B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bridge
- point
- lane
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 224
- 230000008859 change Effects 0.000 claims description 57
- 238000004088 simulation Methods 0.000 claims description 45
- 238000005070 sampling Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 14
- 238000005303 weighing Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
- G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据融合的桥梁群时空荷载分布识别方法,属于桥梁群荷载分布识别技术领域。解决了现有技术中传统的桥梁群荷载分布识别方法需要加装设备且难以识别夜晚桥面车辆时空分布的问题;本发明基于车辆定位数据与车辆荷载检测数据的车辆关联性和时间关联性,结合车辆在一定时间内荷载不变的特征,以车辆荷载检测点为节点,将车辆轨迹分成多个荷载区段,并获取桥梁所在荷载区段,同时根据车辆id和车辆荷载点检测时间,将桥梁所在荷载区段内的车辆定位数据与车辆荷载检测点数据进行关联匹配,获取车辆经过桥梁时的实际荷载数据。本发明可大规模、全天应用,获取更接近真实值的车辆荷载,且成本较低,可以应用于检测桥梁群荷载。
Description
技术领域
本发明涉及桥梁群时空荷载分布识别方法,尤其涉及一种基于多源数据融合的桥梁群时空荷载分布识别方法,属于桥梁群荷载分布识别技术领域。
背景技术
车辆荷载是道路、桥梁结构承受的主要外荷载,受出行需求、环境、交通管制和桥梁所处地界的影响,在桥梁上通行的车辆也存在较大的不确定性;另外,由于桥梁上的车辆型号、车辆重量、轴重和车速的不同,增加了获取桥上车辆荷载分布的难度;车辆荷载分布不准确导致车辆荷载模型与桥梁实际承受的荷载并不一致,荷载输入的不确定导致难以根据结构响应监测数据评估桥梁的安全状况。因此获取桥梁上的准确荷载时空分布对于构建桥梁车辆荷载分布模型、桥梁性能与交通荷载的互馈演化研究具有重要意义。
目前,桥梁车辆荷载检测技术主要有以下两种:一种是以动态称重***为基础,准确测得桥面通行车辆的重量与速度,通过统计分析的方法获得桥面车辆荷载概率分布模型或通过在桥面布置多个摄像头,通过图像的方法来获取车辆的空间分布,但其仅能面向单体桥梁的桥面荷载分布,并且成本高、耗时、操作复杂;另一种,则是以监测***结构响应数据和车辆-桥梁耦合模型为基础,通过影响线方法、机器学习等方法识别车辆荷载,但实际应用时需要安装结构健康监测***,成本高、耗时且操作复杂。
现有技术中,公开(公告)号为CN108914815B的专利文件中公开了桥面车辆荷载识别装置、桥梁及桥梁荷载分布识别方法,雷达跟踪定位***包括至少一组雷达组,雷达组包括三个雷达,雷达用于设置桥梁上采集第一类车辆数据,动态称重***用于间隔设置于桥面以采集第二类车辆数据,数据处理设备获取第一类车辆数据和第二类车辆数据,数据处理设备根据时钟信息和第一类车辆数据计算得到与时间关联的车辆行驶轨迹,并结合第二类车辆数据和与时间关联的车辆行驶轨迹得到车辆对桥面作用荷载的空间分布,能够获取任意时刻桥面车辆对桥面作用荷载的空间分布,但其不适用于无雷达设备、视频设备、动态称重***的桥梁;公开(公告)号为CN111709332B的专利文件中公开了基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法,其分别在桥上不同位置安装多个摄像头,从多个方向获取桥梁上图像,输出带有时间标签的视频图像,使用稠密神经网络获得桥梁上车辆的多通道特性,包括颜色特征、形状特征、位置特征等,分析同一时刻不同摄像头下的车辆数据、特征,得到任一时间桥梁上的车辆分布情况,结合动态称重***获取车辆经过桥梁的车辆荷载,实现桥面车辆荷载的时空分布识别,但其需要在桥梁上安装多个摄像头,并需要视频识别算法进行识别,操作难度大、成本高、算力需求大,同时在夜晚时难以识别车辆荷载分布,而重载车辆多数往往在夜间行驶。
综上所述,需要一种可获取全天车辆荷载、无需加装设备且可以大规模应用的桥梁群荷载分布识别方法。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决现有技术中传统的桥梁群荷载分布识别方法需要加装设备且难以识别夜晚桥面车辆时空分布的问题,本发明提供一种基于多源数据融合的桥梁群时空荷载分布识别方法。
技术方案如下:一种基于多源数据融合的桥梁群时空荷载分布识别方法,包括以下步骤:
S1.基于车辆定位数据对车辆进行GIS拓扑网络匹配,得到车辆轨迹数据;
S11.选定区域内车辆荷载检测点,提取并采集车辆荷载检测数据和车辆定位数据;
具体的:车辆荷载检测点包括治超点、源头治超检测点、高速计重收费检测点和桥梁动态称重检测点,在选定的区域内选取相同选定时间内的车辆荷载检测数据和车辆定位数据,车辆荷载检测数据,即采集的车辆荷载检测点信息包括车牌号、检测时间、车辆载重以及车辆荷载所在路段的路段id、经度和纬度,车辆定位数据包括车辆长度、车型、车辆类型、车牌号、时间、行驶速度和经纬度坐标;
S12.对车辆定位数据进行预处理,采集道路网的GIS拓扑网络路段信息;
S13.采集桥梁群信息,将车辆定位数据与GIS拓扑网络路段信息进行匹配;
S14.根据GIS拓扑网络路段信息,获取桥梁群中各个桥梁行别路段匹配的车辆定位数据,形成车辆轨迹数据;
S2.基于车辆荷载检测点对车辆轨迹进行分段,结合桥梁所在路段获取桥梁所在路径区段;
S21.根据车辆荷载检测点所在路段的路段id,将所有车辆轨迹划分成多个路径子区段;
S22.根据桥梁群信息中桥梁行别所在路段,提取桥梁群每个桥梁各个桥梁行别所在路径子区段;
S3.根据车辆定位数据和车辆荷载数据,识别桥梁群中桥梁的各个行别路径区段起止点匹配的车辆荷载,计算出经过桥梁的实际车辆荷载;
S31.对于桥梁各行别匹配的各个车辆荷载区段集合,分别识别其每个路径子区段的车辆进入区段和驶出区段对应的起点车辆荷载检测点和终点车辆荷载检测点,并计算出经过上述两点的检测时间和车辆荷载;
S32.选定特定车辆荷载检测点,基于车辆定位数据计算出特定车辆荷载检测点的预测时间、经过起点车辆荷载检测点的预测时间和车辆经过终点车辆荷载检测点的预测时间;
S33.将车辆定位数据与起点车辆荷载检测点至终点车辆荷载检测点区段即荷载区段的车辆荷载数据进行匹配,获取实际车辆荷载;
S4.根据车辆定位数据和车辆荷载检测点检测数据,识别桥梁行别路径区段起止点匹配车辆荷载,获取经过桥梁的车辆荷载;
S41.选取桥梁行别方向所在路段车辆定位数据,构建桥梁行别方向所在路段车道级的GIS拓扑网络;
S42.根据采样频率确定匹配优先级,对桥梁行别所在路段车辆定位数据构建不同匹配优先级的车辆定位序列集合,计算车辆定位数据点匹配各个车道的可能性评分;
S43.采用高斯分布模型进行拟合,识别车辆换道的可能性,计算出车辆换道概率,构建车辆多模态换道概率模型;
S44.根据约束条件1和约束条件2,构建基于匹配优先级的车辆定位数据与桥梁所在路段车道的最优化匹配模型;
S45.按照不同优先级对各个车辆定位进行车道匹配,采用最优化匹配模型求解不同采样频率的车辆定位点匹配结果,整合得到车辆轨迹修正的点集合;
S46.将桥梁群中每个桥梁的各个桥梁行别所在路段的车辆定位数据进行车道匹配,获取各个桥梁行别所在路段车辆定位数据的匹配结果;
S5.基于桥梁群车道级路网仿真模型,获取桥面车辆时空分布;
S51.基于桥梁设计参数和微观交通仿真模型,构建桥梁群车道级路网仿真模型;
S52.采用基于匹配优先级的定位点最优化匹配模型获取在桥梁群所在路段上各个车辆定位数据与GIS路网拓扑各个车道的匹配结果,计算单体车辆进入桥梁的时间和速度,并修正车辆的位置冲突;
S53.根据匹配结果,提取桥面车辆行驶路径,设置桥梁车道级路网仿真模型中的仿真模型参数;
S54.运行车道级路网仿真模型,获取车辆时空分布,分别对桥梁群每个桥梁进行仿真,整合桥梁群所有桥梁的车辆时空分布得到桥面车辆时空分布;
S6.将车辆经过桥梁的车辆荷载与桥面车辆时空分布通过车辆定位数据进行匹配,获取桥梁群每个桥梁的荷载时空分布,整合得到桥梁群荷载时空分布。
进一步地,所述S12中,车辆定位数据预处理包括缺失值处理、错误数据处理和按时间先后排序处理,GIS拓扑网络路段信息包括路段名称、路段id、路段道路等级、路段车道数量和路段车道方向;
所述S13中,根据选定区域选取桥梁群,桥梁群表示为,,其中,/>为桥梁行别,/>为桥梁数量,将桥梁群与GIS拓扑网络路段信息进行匹配,获取桥梁群匹配的路段,桥梁群与GIS拓扑网络匹配的路段集合表示为,/>,采用隐马尔科夫模型将车辆定位数据与GIS拓扑网络中每个路段的信息进行匹配,获取车辆定位数据匹配的路段,车辆/>的车辆定位数据与路网GIS拓扑匹配的路段集合,即车辆/>的车辆轨迹表示为/>,/>,其中,/>为车辆经过的路段数量,车辆定位数据与GIS拓扑网络匹配的路段集合,即完整车辆轨迹表示为/>,,其中,/>为车辆数;
所述S14中,根据路段id将桥梁群与GIS拓扑网络匹配的路段集合与车辆定位数据与GIS拓扑网络匹配的路段集合/>进行匹配,获取桥梁群中桥梁各个桥梁行别所在路段经过的车辆轨迹。
进一步地,所述S21中,车辆荷载检测点信息集合表示为,/>,其中,/>为荷载检测点数量,对于每个车辆轨迹,根据车辆荷载检测点信息集合所在路段的路段id将各个车辆的完整车辆轨迹/>分割成多个路径子区段,车辆/>的车辆轨迹/>划分后的路径子区段集合表示为/>,/>,其中,/>为车辆轨迹的路径子区段划分数量,/>为车辆/>的车辆轨迹划分后的第/>个路径子区段,整合得到所有车辆轨迹的路径子区段划分结果表示为/>,/>,获取各个车辆轨迹的路径子区段开始对应的起点车辆荷载检测点/>和结束对应的终点车辆荷载检测点/>;
所述S22中,对于区域桥梁群,根据桥梁群与GIS拓扑网络匹配的路段集合和所有车辆轨迹的路径子区段划分结果/>匹配桥梁群中各个桥梁所在的路径子区段,即桥梁行别匹配的路径子区段数量,车辆/>的车辆轨迹/>的路径子区段集合/>与桥梁/>的匹配结果,/>,即桥梁/>各行别匹配的各个车辆荷载区段集合表示为/>,,其中,/>为车辆/>在选定时间内经过桥梁行别/>的次数,即桥梁行别匹配的路径子区段数量。
进一步地,所述S31中,根据车牌号对起点车辆荷载检测点和终点车辆荷载检测点/>对应的数据分别进行筛选,获取车辆/>经过起点车辆荷载检测点的车辆荷载、车辆/>经过起点车辆荷载检测点的检测时间/>、车辆/>经过终点车辆荷载检测点的车辆荷载/>和车辆/>经过终点车辆荷载检测点的检测时间/>,其中,/>为车辆/>经过车辆荷载检测点的次数;
所述S32中,选定起点车辆荷载检测点或终点车辆荷载检测点/>定义为特定车辆荷载检测点,特定车辆荷载检测点的投影坐标表示为/>,特定车辆荷载检测点为/>,特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的点坐标表示为/>、特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的时间表示为/>、特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的速度表示为/>、特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的点坐标表示为、特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的时间表示为/>和特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的速度表示为/>,计算出车辆经过特定车辆荷载检测点的预测时间;
经过特定车辆荷载检测点的预测时间表示为:
;
基于经过特定车辆荷载检测点的预测时间获取车辆经过起点车辆荷载检测点的预测时间/>和车辆经过终点车辆荷载检测点的预测时间/>;
所述S33中,设定经过特定车辆荷载检测点的预测时间与特定车辆荷载检测点检测实际时间的允许误差范围为/>;
当经过车辆荷载检测点的预测时间与特定车辆荷载检测点检测实际时间的误差小于误差允许范围/>时表示为:
;
;
其中,为起点车辆荷载检测点预测时间和终点车辆荷载检测点预测时间的最小平均误差,/>为车辆经过荷载区段的次数;
获取所有允许误差范围内的荷载区段对应的车辆荷载检测点的车辆荷载和时间,记为实际起点车辆荷载检测点的车辆荷载、实际终点车辆荷载检测点的车辆荷载、实际起点车辆荷载检测点的检测时间/>和实际终点车辆荷载检测点的检测时间/>;
根据实际起点车辆荷载检测点的车辆荷载和实际终点车辆荷载检测点的车辆荷载/>,得到经过桥梁的实际车辆荷载;
实际车辆荷载表示为:
。
进一步地,所述S41中,获取桥梁群各个桥梁行别所在路段经过的车辆定位数据,根据各个桥梁行别方向所在路段的车道数量、车道长度和GIS数据,构建桥梁行别所在路段入口为起始点且桥梁行别所在路段出口为结束点的GIS路网拓扑;
所述S42中,对于桥梁群中的单一桥梁行别所在路段的车辆定位数据,根据采样频率从高到低对车辆定位数据的进行排序,构建不同匹配优先级的车辆定位序列集合,,/>为经过桥梁单一桥梁行别方向的车辆数;
采用高斯分布函数评估车辆定位点在各个车道的可能性,桥梁所在路段车道集合为,/>,其中,/>为桥梁所在路段车道数,分别计算同一车道行驶过程中车辆定位点到各个车道GIS路网拓扑的最短距离和车辆定位点在各个车道的可能性评分;
车辆定位点在车道/>的可能性评分/>表示为:
;
其中,为高斯模型参数,其基于历史数据采用矩估计参数估计方法获取,;
车辆定位点与车道/>对应的GIS路网拓扑的最短距离/>表示为:
;
其中,为车道/>对应的GIS路网拓扑上与车辆定位点/>成最短距离的点的投影坐标,/>为车辆定位点/>的投影坐标;
所述S43中,根据车辆定位点形成的车辆轨迹与车道线形的角度相差越大车辆换道的可能性越小的特点,采用高斯分布模型进行拟合,识别车辆换道的可能性;
车辆定位点在车道/>上时不换道的可能性/>表示为:
;
当前车辆定位点与上一个车辆定位点构成的向量与车道/>线形的角度/>表示为:
;
其中,为车辆定位点/>的上一个点的投影坐标,/>为车辆定位点/>的投影坐标/>在当前车道GIS路网拓扑上与车辆定位点/>成最短距离的点,/>为车辆定位点/>的上一个点的投影坐标/>在当前车道GIS路网拓扑上与车辆定位点/>成最短距离的点,/>为模型参数,根据历史数据采用矩估计方法进行参数估计获取;
根据不同车道之间的距离越大,车辆换道的可能性越小,计算车辆换道概率;
车辆从车道换到车道/>的概率/>表示为:
;
其中,为车道/>与车道/>的距离;
整合得到车辆定位数据中各个车辆定位点的多模态换道概率模型;
;
其中,时,车辆未进行换道,/>时,车辆进行换道;
所述S44中,将每个车辆定位数据点与车道进行匹配,以车辆行驶过程中各个车道定位点在车道的可能性评分与车辆换道概率乘积之和最大为目标,建立车辆定位数据与桥梁所在路段车道的全局最优化匹配模型;
车辆定位数据与桥梁所在路段车道的最优化匹配模型表示为:
;
其中,为车辆在车道/>的可能性,/>为车辆从车道/>换到车道/>的概率的概率,/>为车辆在桥梁所在路段的定位点数量,/>为车辆定位点;
约束条件1为换道约束,在匹配过程中对车辆换道进行约束,对桥梁每个车道的各个换道方向判别是否符合桥梁的车道数量,获得车道采用换道方向/>进行换道后车辆所处的车道/>,如果采用换道方向/>进行换道后桥梁不存在相应的车道,则表示为0;
换道约束可表示为:
;
约束条件2为车辆位置约束,对同一时刻车辆位置冲突进行约束,桥梁所在路段各个车辆定位数据匹配按照各个车辆定位数据的采样频率作为优先级进行匹配,在同一时刻,未匹配完成的车辆定位点的匹配位置不与前面已经匹配完成车辆的点位置冲突,即车辆定位点的匹配位置结合车辆长度所占的车道长度与相同时刻前面已经匹配完成车辆的点位置结合车辆长度所占的车道长度的误差应小于设定的误差值,待匹配的车辆定位点的坐标为/>,车辆定位点/>对应匹配到车道/>的GIS路网拓扑最短距离的点为,车辆定位点/>对应车辆长度为/>,与车辆定位点/>同一时刻的已匹配车辆定位点/>的坐标为/>,车辆定位点/>对应匹配到车道/>的GIS路网拓扑最短距离的点为/>,车辆长度为/>,位置冲突允许误差为/>;
车辆位置约束表示为:
;
所述S45中,根据构建的不同匹配优先级的车辆定位序列集合,按照序列的顺序对最优化匹配模型进行求解,获取不同采样频率的车辆定位点匹配结果,包括匹配的车道编号和匹配车道GIS路网拓扑上与车辆定位点最近的坐标点,将匹配车道GIS路网拓扑上与车辆定位点最近的坐标点整合为车辆轨迹修正的点集合/>,/>。
进一步地,所述S51中,对于桥梁群,各个桥梁行别建立车道级交通仿真路网,对于单一桥梁,根据桥梁设计参数,获取桥梁长度、入口、出口、各个车道宽度和各个车道长度,以桥梁入口作为起点,桥梁出口作为终点建立桥梁桥面的车道级交通仿真路网模型;
所述S52中,截取各个车辆进入桥梁前后的相邻车辆定位数据匹配结果,并根据采样频率进行排序,确定优先级,根据桥梁入口各个车道的位置,从各个定位点与各车道的匹配结果中获取各个车辆进入桥梁入口前后相邻的两个定位点数据和匹配结果在车道上的位置,并根据采样频率进行排序,得到各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合,/>,/>为选定时间的车辆数量;
采用基于匹配优先级的定位点最优化匹配模型获取在桥梁群所在路段上各个车辆定位数据与GIS路网拓扑各个车道的匹配结果,各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合按照顺序分别处理,根据车辆定位数据获取相应的车型和车辆长度;
对于桥梁行别线形,根据设定的时空采样频率将桥梁所在路段各个车道线形GIS路网拓扑数据分为多个离散点,构建桥梁行别方向所在路段各个车道线形GIS路网拓扑数据点集合,/>,/>为车道/>的GIS路网拓扑数据点数量;
根据各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合,按从高到低的采样频率顺序,计算出桥梁入口车辆生成信息,即单体车辆进入桥梁的时间、速度和车道,单个车辆在桥梁入口前的相邻车辆定位点坐标为/>,单个车辆在桥梁入口后的相邻车辆定位点坐标为/>,单个车辆在桥梁入口前的相邻车辆定位点对应匹配的车道GIS路网拓扑上的点坐标为/>,单个车辆在桥梁入口后的相邻车辆定位点对应匹配的车道GIS路网拓扑上的点坐标为/>,单个车辆在桥梁入口前的相邻车辆定位点检测时间为/>,单个车辆在桥梁入口后的相邻车辆定位点检测时间为/>,/>,单个车辆在桥梁入口前的相邻车辆定位点车辆速度为/>,单个车辆在桥梁入口后的相邻车辆定位点车辆速度为/>,桥梁入口处车道GIS路网拓扑上的匹配结果点为/>或/>,/>;
当车辆定位点匹配结果和/>在同一车道时,即时,计算出车辆进入桥梁的时间;
车辆进入桥梁的时间表示为:
;
当车辆定位点匹配结果和/>在不同车道时,即时,将与桥梁入口处距离最短的车辆定位点匹配的车道作为该车辆进入桥梁的车道,与桥梁入口处距离最短的车辆定位点为/>时,则车辆进入桥梁的时间为;
与桥梁入口处距离最短的车辆定位点为时,则车辆进入桥梁的时间为/>;
车辆进入桥梁的时间表示为:
;
根据车辆定位点为时的车辆速度/>和车辆定位点为时的车辆速度/>,得到车辆进入桥梁时的速度平均值/>;
车辆进入桥梁时的速度平均值表示为:
;
对车辆进入的桥梁的时间和车道进行修正,当两个车辆的进入桥梁时的时间和车道冲突时,即车辆定位点和车辆定位点/>在同一车道,/>时,通过修正参数/>修正车辆速度进而修正车辆进入桥梁的时间,直到车道不冲突为止,得到修正速度和修正后的车辆进入桥梁的时间;
修正速度表示为:
;
修正车辆进入桥梁的时间表示为:
;
车辆定位点和车辆定位点/>在不同车道,即/>时,通过修改当前车辆所在车道解决车辆位置冲突,修改车道后存在时间或者车道上的冲突时,则通过修正进入桥梁的时间解决车辆位置冲突;
所述S53中,基于匹配优先级的车辆定位数据与桥梁所在路段车道的最优化匹配模型,获取在桥梁单一行别方向所在路段车辆定位数据与各个车道的匹配结果,根据桥梁在该路段上的位置,获得车辆在桥面上在各个车道上的行驶轨迹,作为车道级路网仿真模型中车辆的行驶路径输入,模型参数包括仿真步长、车辆跟驰模型和车辆换道模型;
所述S54中,将桥梁入口车辆生成信息和车辆在各个车道的车辆轨迹输入桥梁车道级路网仿真模型中,运行仿真并输出各个车辆在不同时刻在桥梁上的车道以及纵向位置,即各个车辆在桥面的时空分布,整合得到桥面车辆时空分布。
进一步地,所述仿真步长根据桥面车辆时空分布的时间间隔获取,车辆跟驰模型为Wiedemann跟驰模型,换道模型为基于规则的模型。
本发明的有益效果如下:本发明考虑到车辆定位数据与车辆荷载检测数据的车辆关联性和时间关联性,结合车辆在一定时间内荷载不变的特征,提出了一种车辆定位数据与荷载检测点融合的桥梁车辆荷载识别方法,以车辆荷载检测点为节点,将车辆轨迹分成多个荷载区段,并获取桥梁所在荷载区段,同时根据车牌、时间特征,将桥梁所在荷载区段内的车辆定位数据与车辆荷载检测点数据进行关联匹配,获取车辆经过桥梁时的实际荷载数据;本发明考虑车辆定位数据全天候、轨迹连续的优点,根据车牌、时空关联性等特征融合车辆荷载数据,实现城市内大规模的桥梁群荷载时空分布识别,本发明充分利用动态称重***和治超点***等已建***,无需加装动态称重***、视频设备和结构健康监测***,大幅度降低了监测成本,减少了耗时,且无需人工操作;本发明考虑了采样频率越高提取特征越准确的特征,采用基于匹配优先级的路段车道目标优化匹配方法,以采样频率作为不同车辆定位数据匹配的优先级,对于单一车辆定位数据,以车辆从路段入口到路段出口过程中车辆定位点所在车道概率与车辆换道概率的乘积之和最大为目标,根据车辆换道约束和车辆位置约束,获取车辆定位点与路段车道的最优化匹配结果,为基于微观交通仿真模型的桥面车辆时空分布识别方法提供准确的车辆轨迹和桥梁入口所在车道,减小后期识别误差;本发明能够充分融合治超点***、动态称重***和源头治超***不同来源的车辆荷载检测数据,以及不同车辆类型的车辆定位数据,包括货车车辆定位数据、出租车车辆定位数据、网约车车辆定位数据、公交车车辆定位数据、两客一危车辆定位数据,通过多源车辆定位数据和多源车辆荷载数据的复用和融合,提升数据价值,实现桥面车辆时空分布识别;本发明将车辆经过桥梁的车辆荷载与桥面车辆时空分布通过车辆定位数据进行匹配,获取桥梁群每个桥梁的荷载时空分布,整合得到桥梁群荷载时空分布,实现了对桥梁群实时车辆荷载的识别。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为一种基于多源数据融合的桥梁群时空荷载分布识别方法流程示意图。
具体实施方式
为了使本发明实施例中的技术方案及优点更加清楚明白,以下结合附图对本发明的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本发明的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
参考图1详细说明本实施例,一种基于多源数据融合的桥梁群时空荷载分布识别方法,具体包括以下步骤:
S1.基于车辆定位数据对车辆进行GIS拓扑网络匹配,得到车辆轨迹数据;
S11.选定区域内车辆荷载检测点,提取并采集车辆荷载检测数据和车辆定位数据;
具体的:车辆荷载检测点包括治超点、源头治超检测点、高速计重收费检测点和桥梁动态称重检测点,在选定的区域内选取相同选定时间内的车辆荷载检测数据和车辆定位数据,车辆荷载检测数据,即采集的车辆荷载检测点信息包括车牌号、检测时间、车辆载重以及车辆荷载所在路段的路段id、经度和纬度,车辆定位数据包括车辆长度、车型、车辆类型、车牌号、时间、行驶速度和经纬度坐标;
S12.对车辆定位数据进行预处理,采集道路网的GIS拓扑网络路段信息;
S13.采集桥梁群信息,将车辆定位数据与GIS拓扑网络路段信息进行匹配;
S14.根据GIS拓扑网络路段信息,获取桥梁群中各个桥梁行别路段匹配的车辆定位数据,形成车辆轨迹数据;
S2.基于车辆荷载检测点对车辆轨迹进行分段,结合桥梁所在路段获取桥梁所在路径区段;
S21.根据车辆荷载检测点所在路段的路段id,将所有车辆轨迹划分成多个路径子区段;
S22.根据桥梁群信息中桥梁行别所在路段,提取桥梁群每个桥梁各个桥梁行别所在路径子区段;
S3.根据车辆定位数据和车辆荷载数据,识别桥梁群中桥梁的各个行别路径区段起止点匹配的车辆荷载,计算出经过桥梁的实际车辆荷载;
S31.对于桥梁各行别匹配的各个车辆荷载区段集合,分别识别其每个路径子区段的车辆进入区段和驶出区段对应的起点车辆荷载检测点和终点车辆荷载检测点,并计算出经过上述两点的检测时间和车辆荷载;
S32.选定特定车辆荷载检测点,基于车辆定位数据计算出特定车辆荷载检测点的预测时间、经过起点车辆荷载检测点的预测时间和车辆经过终点车辆荷载检测点的预测时间;
S33.将车辆定位数据与起点车辆荷载检测点至终点车辆荷载检测点区段即荷载区段的车辆荷载数据进行匹配,获取实际车辆荷载;
S4.根据车辆定位数据和车辆荷载检测点检测数据,识别桥梁行别路径区段起止点匹配车辆荷载,获取经过桥梁的车辆荷载;
S41.选取桥梁行别方向所在路段车辆定位数据,构建桥梁行别方向所在路段车道级的GIS拓扑网络;
S42.根据采样频率确定匹配优先级,对桥梁行别所在路段车辆定位数据构建不同匹配优先级的车辆定位序列集合,计算车辆定位数据点匹配各个车道的可能性评分;
S43.采用高斯分布模型进行拟合,识别车辆换道的可能性,计算出车辆换道概率,构建车辆多模态换道概率模型;
S44.根据约束条件1和约束条件2,构建基于匹配优先级的车辆定位数据与桥梁所在路段车道的最优化匹配模型;
S45.按照不同优先级对各个车辆定位进行车道匹配,采用最优化匹配模型求解不同采样频率的车辆定位点匹配结果,整合得到车辆轨迹修正的点集合;
S46.将桥梁群中每个桥梁的各个桥梁行别所在路段的车辆定位数据进行车道匹配,获取各个桥梁行别所在路段车辆定位数据的匹配结果;
S5.基于桥梁群车道级路网仿真模型,获取桥面车辆时空分布;
S51.基于桥梁设计参数和微观交通仿真模型,构建桥梁群车道级路网仿真模型;
S52.采用基于匹配优先级的定位点最优化匹配模型获取在桥梁群所在路段上各个车辆定位数据与GIS路网拓扑各个车道的匹配结果,计算单体车辆进入桥梁的时间和速度,并修正车辆的位置冲突;
S53.根据匹配结果,提取桥面车辆行驶路径,设置桥梁车道级路网仿真模型中的仿真模型参数;
S54.运行车道级路网仿真模型,获取车辆时空分布,分别对桥梁群每个桥梁进行仿真,整合桥梁群所有桥梁的车辆时空分布得到桥面车辆时空分布;
S6.将车辆经过桥梁的车辆荷载与桥面车辆时空分布通过车辆定位数据进行匹配,获取桥梁群每个桥梁的荷载时空分布,整合得到桥梁群荷载时空分布。
进一步地,所述S12中,车辆定位数据预处理包括缺失值处理、错误数据处理和按时间先后排序处理,GIS拓扑网络路段信息包括路段名称、路段id、路段道路等级、路段车道数量和路段车道方向;
所述S13中,根据选定区域选取桥梁群,桥梁群表示为,/>,其中,/>为桥梁行别,/>为桥梁数量,将桥梁群与GIS拓扑网络路段信息进行匹配,获取桥梁群匹配的路段,桥梁群与GIS拓扑网络匹配的路段集合表示为/>,,采用隐马尔科夫模型将车辆定位数据与GIS拓扑网络中每个路段的信息进行匹配,获取车辆定位数据匹配的路段,车辆/>的车辆定位数据与路网GIS拓扑匹配的路段集合,即车辆/>的车辆轨迹表示为/>,/>,其中,/>为车辆经过的路段数量,车辆定位数据与GIS拓扑网络匹配的路段集合,即完整车辆轨迹表示为/>,/>,其中,/>为车辆数;
所述S14中,根据路段id将桥梁群与GIS拓扑网络匹配的路段集合与车辆定位数据与GIS拓扑网络匹配的路段集合/>进行匹配,获取桥梁群中桥梁各个桥梁行别所在路段经过的车辆轨迹;
具体的,当桥梁只有一个行别时,为1,当桥梁有两个行别时,/>为1或2,所述车辆定位数据通过采集货车车辆、公交车和两客一危车辆等车辆的定位数据以及车辆导航数据获取。
进一步地,所述S21中,车辆荷载检测点信息集合表示为,,其中,/>为荷载检测点数量,对于每个车辆轨迹,根据车辆荷载检测点信息集合所在路段的路段id将各个车辆的完整车辆轨迹/>分割成多个路径子区段,车辆/>的车辆轨迹/>划分后的路径子区段集合表示为/>,/>,其中,/>为车辆轨迹的路径子区段划分数量,/>为车辆的车辆轨迹划分后的第/>个路径子区段,整合得到所有车辆轨迹的路径子区段划分结果表示为/>,/>,获取各个车辆轨迹的路径子区段开始对应的起点车辆荷载检测点/>和结束对应的终点车辆荷载检测点/>;
所述S22中,对于区域桥梁群,根据桥梁群与GIS拓扑网络匹配的路段集合和所有车辆轨迹的路径子区段划分结果/>匹配桥梁群中各个桥梁所在的路径子区段,即桥梁行别匹配的路径子区段数量,车辆/>的车辆轨迹/>的路径子区段集合/>与桥梁/>的匹配结果,/>,即桥梁/>各行别匹配的各个车辆荷载区段集合表示为/>,,其中,/>为车辆/>在选定时间内经过桥梁行别/>的次数,即桥梁行别匹配的路径子区段数量。
进一步地,所述S31中,根据车牌号对起点车辆荷载检测点和终点车辆荷载检测点/>对应的数据分别进行筛选,获取车辆/>经过起点车辆荷载检测点的车辆荷载/>、车辆/>经过起点车辆荷载检测点的检测时间/>、车辆/>经过终点车辆荷载检测点的车辆荷载/>和车辆/>经过终点车辆荷载检测点的检测时间/>,其中,/>为车辆/>经过车辆荷载检测点的次数;
所述S32中,选定起点车辆荷载检测点或终点车辆荷载检测点/>定义为特定车辆荷载检测点,特定车辆荷载检测点的投影坐标表示为/>,特定车辆荷载检测点为/>,特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的点坐标表示为/>、特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的时间表示为/>、特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的速度表示为/>、特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的点坐标表示为/>、特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的时间表示为/>和特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的速度表示为/>,计算出车辆经过特定车辆荷载检测点的预测时间;
经过特定车辆荷载检测点的预测时间表示为:/>
;
基于经过特定车辆荷载检测点的预测时间获取车辆经过起点车辆荷载检测点的预测时间/>和车辆经过终点车辆荷载检测点的预测时间/>;
所述S33中,设定经过特定车辆荷载检测点的预测时间与特定车辆荷载检测点检测实际时间的允许误差范围为/>;
当经过车辆荷载检测点的预测时间与特定车辆荷载检测点检测实际时间的误差小于误差允许范围/>时表示为:
;
;
其中,为起点车辆荷载检测点预测时间和终点车辆荷载检测点预测时间的最小平均误差,/>为车辆经过荷载区段的次数;
获取所有允许误差范围内的荷载区段对应的车辆荷载检测点的车辆荷载和时间,记为实际起点车辆荷载检测点的车辆荷载、实际终点车辆荷载检测点的车辆荷载、实际起点车辆荷载检测点的检测时间/>和实际终点车辆荷载检测点的检测时间/>;
根据实际起点车辆荷载检测点的车辆荷载和实际终点车辆荷载检测点的车辆荷载/>,得到经过桥梁的实际车辆荷载;
实际车辆荷载表示为:
;
具体的,由于单一车辆可能存在多次经过同一车辆荷载检测点的情况,且因时间不同,荷载大小可能也不同,因此结合经过车辆荷载检测点的车辆id和检测时间匹配车辆经过车辆荷载检测点时的唯一车辆荷载,即实际车辆荷载。
进一步地,所述S41中,获取桥梁群各个桥梁行别所在路段经过的车辆定位数据,根据各个桥梁行别方向所在路段的车道数量、车道长度和GIS数据,构建桥梁行别所在路段入口为起始点且桥梁行别所在路段出口为结束点的GIS路网拓扑;
所述S42中,对于桥梁群中的单一桥梁行别所在路段的车辆定位数据,根据采样频率从高到低对车辆定位数据的进行排序,构建不同匹配优先级的车辆定位序列集合,,/>为经过桥梁单一桥梁行别方向的车辆数;
采用高斯分布函数评估车辆定位点在各个车道的可能性,桥梁所在路段车道集合为,/>,其中,/>为桥梁所在路段车道数,分别计算同一车道行驶过程中车辆定位点到各个车道GIS路网拓扑的最短距离和车辆定位点在各个车道的可能性评分;
车辆定位点在车道/>的可能性评分/>表示为:
;
其中,为高斯模型参数,其基于历史数据采用矩估计参数估计方法获取,;
车辆定位点与车道/>对应的GIS路网拓扑的最短距离/>表示为:
;
其中,为车道/>对应的GIS路网拓扑上与车辆定位点/>成最短距离的点的投影坐标,/>为车辆定位点/>的投影坐标;
所述S43中,根据车辆定位点形成的车辆轨迹与车道线形的角度相差越大车辆换道的可能性越小的特点,采用高斯分布模型进行拟合,识别车辆换道的可能性;
车辆定位点在车道/>上时不换道的可能性/>表示为:
;
当前车辆定位点与上一个车辆定位点构成的向量与车道/>线形的角度/>表示为:/>
;
其中,为车辆定位点/>的上一个点的投影坐标,/>为车辆定位点/>的投影坐标/>在当前车道GIS路网拓扑上与车辆定位点/>成最短距离的点,为车辆定位点/>的上一个点的投影坐标/>在当前车道GIS路网拓扑上与车辆定位点/>成最短距离的点,/>为模型参数,根据历史数据采用矩估计方法进行参数估计获取;
根据不同车道之间的距离越大,车辆换道的可能性越小,计算车辆换道概率;
车辆从车道换到车道/>的概率/>表示为:
;
其中,为车道/>与车道/>的距离;
整合得到车辆定位数据中各个车辆定位点的多模态换道概率模型;
;
其中,时,车辆未进行换道,/>时,车辆进行换道;
所述S44中,将每个车辆定位数据点与车道进行匹配,以车辆行驶过程中各个车道定位点在车道的可能性评分与车辆换道概率乘积之和最大为目标,建立车辆定位数据与桥梁所在路段车道的全局最优化匹配模型;
车辆定位数据与桥梁所在路段车道的最优化匹配模型表示为:
;
其中,为车辆在车道/>的可能性,/>为车辆从车道/>换到车道/>的概率的概率,/>为车辆在桥梁所在路段的定位点数量,/>为车辆定位点;
约束条件1为换道约束,在匹配过程中对车辆换道进行约束,对桥梁每个车道的各个换道方向判别是否符合桥梁的车道数量,获得车道采用换道方向/>进行换道后车辆所处的车道/>,如果采用换道方向/>进行换道后桥梁不存在相应的车道,则表示为0;
换道约束可表示为:
;
约束条件2为车辆位置约束,对同一时刻车辆位置冲突进行约束,桥梁所在路段各个车辆定位数据匹配按照各个车辆定位数据的采样频率作为优先级进行匹配,在同一时刻,未匹配完成的车辆定位点的匹配位置不与前面已经匹配完成车辆的点位置冲突,即车辆定位点的匹配位置结合车辆长度所占的车道长度与相同时刻前面已经匹配完成车辆的点位置结合车辆长度所占的车道长度的误差应小于设定的误差值,待匹配的车辆定位点的坐标为/>,车辆定位点/>对应匹配到车道/>的GIS路网拓扑最短距离的点为,车辆定位点/>对应车辆长度为/>,与车辆定位点/>同一时刻的已匹配车辆定位点/>的坐标为/>,车辆定位点/>对应匹配到车道/>的GIS路网拓扑最短距离的点为/>,车辆长度为/>,位置冲突允许误差为/>;
车辆位置约束表示为:
;
所述S45中,根据构建的不同匹配优先级的车辆定位序列集合,按照序列的顺序对最优化匹配模型进行求解,获取不同采样频率的车辆定位点匹配结果,包括匹配的车道编号和匹配车道GIS路网拓扑上与车辆定位点最近的坐标点,将匹配车道GIS路网拓扑上与车辆定位点最近的坐标点整合为车辆轨迹修正的点集合/>,/>;
具体的,获取桥梁群中每个桥梁各个桥梁行别所在路段经过的车辆定位数据后,需要获取车辆在桥梁不同车道上的行驶轨迹,为实现桥面车辆荷载时空分布的识别提供车辆轨迹数据,通过将不同采样频率的车辆定位数据与桥梁所在路段车道级GIS拓扑数据进行匹配,获取车辆在桥梁不同车道上的行驶轨迹,由于不同类型车辆定位数据的采样频率不同,频率越高的车辆定位数据提取的特征越准确,进行换道行为识别和车辆轨迹匹配越准确,因此以采样频率作为车辆定位数据优先识别的判别依据,采样频率越高,车辆定位数据匹配的优先级越大,同时可能存在同一时刻不同车辆的匹配位置冲突的情况,根据车辆定位数据匹配优先级、不同车辆匹配位置冲突和车辆换道,建立基于匹配优先级的车辆定位最优化匹配模型,实现不同采样频率车辆定位数据与桥梁所在路段车道的匹配,获取各个定位点对应的车道以及对应所在车道的位置。
进一步地,所述S51中,对于桥梁群,各个桥梁行别建立车道级交通仿真路网,对于单一桥梁,根据桥梁设计参数,获取桥梁长度、入口、出口、各个车道宽度和各个车道长度,以桥梁入口作为起点,桥梁出口作为终点建立桥梁桥面的车道级交通仿真路网模型;
所述S52中,截取各个车辆进入桥梁前后的相邻车辆定位数据匹配结果,并根据采样频率进行排序,确定优先级,根据桥梁入口各个车道的位置,从各个定位点与各车道的匹配结果中获取各个车辆进入桥梁入口前后相邻的两个定位点数据和匹配结果在车道上的位置,并根据采样频率进行排序,得到各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合,/>,/>为选定时间的车辆数量;
采用基于匹配优先级的定位点最优化匹配模型获取在桥梁群所在路段上各个车辆定位数据与GIS路网拓扑各个车道的匹配结果,各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合按照顺序分别处理,根据车辆定位数据获取相应的车型和车辆长度;
对于桥梁行别线形,根据设定的时空采样频率将桥梁所在路段各个车道线形GIS路网拓扑数据分为多个离散点,构建桥梁行别方向所在路段各个车道线形GIS路网拓扑数据点集合,/>,/>为车道/>的GIS路网拓扑数据点数量;
根据各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合,按从高到低的采样频率顺序,计算出桥梁入口车辆生成信息,即单体车辆进入桥梁的时间、速度和车道,单个车辆在桥梁入口前的相邻车辆定位点坐标为/>,单个车辆在桥梁入口后的相邻车辆定位点坐标为/>,单个车辆在桥梁入口前的相邻车辆定位点对应匹配的车道GIS路网拓扑上的点坐标为/>,单个车辆在桥梁入口后的相邻车辆定位点对应匹配的车道GIS路网拓扑上的点坐标为/>,单个车辆在桥梁入口前的相邻车辆定位点检测时间为/>,单个车辆在桥梁入口后的相邻车辆定位点检测时间为,/>,单个车辆在桥梁入口前的相邻车辆定位点车辆速度为/>,单个车辆在桥梁入口后的相邻车辆定位点车辆速度为/>,桥梁入口处车道GIS路网拓扑上的匹配结果点为/>或/>,/>;
当车辆定位点匹配结果和/>在同一车道时,即时,计算出车辆进入桥梁的时间;
车辆进入桥梁的时间表示为:/>
;
当车辆定位点匹配结果和/>在不同车道时,即时,将与桥梁入口处距离最短的车辆定位点匹配的车道作为该车辆进入桥梁的车道,与桥梁入口处距离最短的车辆定位点为/>时,则车辆进入桥梁的时间为/>;
与桥梁入口处距离最短的车辆定位点为时,则车辆进入桥梁的时间为/>;
车辆进入桥梁的时间:
;
根据车辆定位点为时的车辆速度/>和车辆定位点为时的车辆速度/>,得到车辆进入桥梁时的速度平均值/>;
车辆进入桥梁时的速度平均值表示为:
;
对车辆进入的桥梁的时间和车道进行修正,当两个车辆的进入桥梁时的时间和车道冲突时,即车辆定位点和车辆定位点/>在同一车道,时,通过修正参数/>修正车辆速度进而修正车辆进入桥梁的时间,直到车道不冲突为止,得到修正速度和修正后的车辆进入桥梁的时间;
修正速度表示为:/>
;
修正车辆进入桥梁的时间表示为:
;
车辆定位点和车辆定位点/>在不同车道,即时,通过修改当前车辆所在车道解决车辆位置冲突,修改车道后存在时间或者车道上的冲突时,则通过修正进入桥梁的时间解决车辆位置冲突;
所述S53中,基于匹配优先级的车辆定位数据与桥梁所在路段车道的最优化匹配模型,获取在桥梁单一行别方向所在路段车辆定位数据与各个车道的匹配结果,根据桥梁在该路段上的位置,获得车辆在桥面上在各个车道上的行驶轨迹,作为车道级路网仿真模型中车辆的行驶路径输入,模型参数包括仿真步长、车辆跟驰模型和车辆换道模型;
所述S54中,将桥梁入口车辆生成信息和车辆在各个车道的车辆轨迹输入桥梁车道级路网仿真模型中,运行仿真并输出各个车辆在不同时刻在桥梁上的车道以及纵向位置,即各个车辆在桥面的时空分布,整合得到桥面车辆时空分布;
具体的,获取桥梁群每个桥梁行别所在路段车辆定位数据的匹配结果后,只能获取到各个车辆在桥梁行别所在路段的车辆轨迹,由于不同车辆定位数据采样频率不同,无法获取桥面在不同时刻所有车辆在桥面各个车道的位置,各个车辆定位数据存在采样时间点不一致、不同车辆的车辆定位点数量不同的问题,为获取桥面接近真实的车辆时空分布一种基于微观交通仿真模型构建桥面车辆时空分布识别模型;在微观交通仿真模型中,以路网中单个车辆作为研究对象,研究的主要方向是道路中车辆与车辆之间真实的跟车、换道和超车等微观行为对于路网通行能力的影响,可以动态的模拟车辆在不同道路和交通条件下进行不同微观行为的真实情况,微观交通仿真模型中主要输出为各个车辆的瞬时速度和所在路网中的车辆位置,微观交通仿真模型主要包括路网构建、车辆生成模块、信号控制模块、车辆跟驰模块、车辆换道模块,桥面车辆时空分布识别模型基于不同采样频率的车辆定位数据对微观交通仿真模型的车辆生成模块进行改进,可以获取到更接近真实车辆进入桥梁的时间和速度。
进一步地,所述仿真步长根据桥面车辆时空分布的时间间隔获取,车辆跟驰模型为Wiedemann跟驰模型,换道模型为基于规则的模型;
具体的,本发明可以根据实际需求选定不同的桥面车辆时空分布的时间间隔,本实施例中,桥面车辆时空分布的时间间隔设定为0.2,单位为s,设定的时空采样频率为每0.25米采集一个点,将桥梁线形分割成多个点,找出与车辆定位点相匹配的桥梁GIS位置以及进入桥梁的时间。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (7)
1.一种基于多源数据融合的桥梁群时空荷载分布识别方法,其特征在于,包括以下步骤:
S1.基于车辆定位数据对车辆进行GIS拓扑网络匹配,得到车辆轨迹数据;
S11.选定区域内车辆荷载检测点,提取并采集车辆荷载检测数据和车辆定位数据;
具体的:车辆荷载检测点包括治超点、源头治超检测点、高速计重收费检测点和桥梁动态称重检测点,在选定的区域内选取相同选定时间内的车辆荷载检测数据和车辆定位数据,车辆荷载检测数据,即采集的车辆荷载检测点信息包括车牌号、检测时间、车辆载重以及车辆荷载所在路段的路段id、经度和纬度,车辆定位数据包括车辆长度、车型、车辆类型、车牌号、时间、行驶速度和经纬度坐标;
S12.对车辆定位数据进行预处理,采集道路网的GIS拓扑网络路段信息;
S13.采集桥梁群信息,将车辆定位数据与GIS拓扑网络路段信息进行匹配;
S14.根据GIS拓扑网络路段信息,获取桥梁群中各个桥梁行别路段匹配的车辆定位数据,形成车辆轨迹数据;
S2.基于车辆荷载检测点对车辆轨迹进行分段,结合桥梁所在路段获取桥梁所在路径区段;
S21.根据车辆荷载检测点所在路段的路段id,将所有车辆轨迹划分成多个路径子区段;
S22.根据桥梁群信息中桥梁行别所在路段,提取桥梁群每个桥梁各个桥梁行别所在路径子区段;
S3.根据车辆定位数据和车辆荷载数据,识别桥梁群中桥梁的各个行别路径区段起止点匹配的车辆荷载,计算出经过桥梁的实际车辆荷载;
S31.对于桥梁各行别匹配的各个车辆荷载区段集合,分别识别其每个路径子区段的车辆进入区段和驶出区段对应的起点车辆荷载检测点和终点车辆荷载检测点,并计算出经过上述两点的检测时间和车辆荷载;
S32.选定特定车辆荷载检测点,基于车辆定位数据计算出特定车辆荷载检测点的预测时间、经过起点车辆荷载检测点的预测时间和车辆经过终点车辆荷载检测点的预测时间;
S33.将车辆定位数据与起点车辆荷载检测点至终点车辆荷载检测点区段即荷载区段的车辆荷载数据进行匹配,获取实际车辆荷载;
S4.根据车辆定位数据和车辆荷载检测点检测数据,识别桥梁行别路径区段起止点匹配车辆荷载,获取经过桥梁的车辆荷载;
S41.选取桥梁行别方向所在路段车辆定位数据,构建桥梁行别方向所在路段车道级的GIS拓扑网络;
S42.根据采样频率确定匹配优先级,对桥梁行别所在路段车辆定位数据构建不同匹配优先级的车辆定位序列集合,计算车辆定位数据点匹配各个车道的可能性评分;
S43.采用高斯分布模型进行拟合,识别车辆换道的可能性,计算出车辆换道概率,构建车辆多模态换道概率模型;
S44.根据约束条件1和约束条件2,构建基于匹配优先级的车辆定位数据与桥梁所在路段车道的最优化匹配模型;
S45.按照不同优先级对各个车辆定位进行车道匹配,采用最优化匹配模型求解不同采样频率的车辆定位点匹配结果,整合得到车辆轨迹修正的点集合;
S46.将桥梁群中每个桥梁的各个桥梁行别所在路段的车辆定位数据进行车道匹配,获取各个桥梁行别所在路段车辆定位数据的匹配结果;
S5.基于桥梁群车道级路网仿真模型,获取桥面车辆时空分布;
S51.基于桥梁设计参数和微观交通仿真模型,构建桥梁群车道级路网仿真模型;
S52.采用基于匹配优先级的定位点最优化匹配模型获取在桥梁群所在路段上各个车辆定位数据与GIS路网拓扑各个车道的匹配结果,计算单体车辆进入桥梁的时间和速度,并修正车辆的位置冲突;
S53.根据匹配结果,提取桥面车辆行驶路径,设置桥梁车道级路网仿真模型中的仿真模型参数;
S54.运行车道级路网仿真模型,获取车辆时空分布,分别对桥梁群每个桥梁进行仿真,整合桥梁群所有桥梁的车辆时空分布得到桥面车辆时空分布;
S6.将车辆经过桥梁的车辆荷载与桥面车辆时空分布通过车辆定位数据进行匹配,获取桥梁群每个桥梁的荷载时空分布,整合得到桥梁群荷载时空分布。
2.根据权利要求1所述的一种基于多源数据融合的桥梁群时空荷载分布识别方法,其特征在于,所述S12中,车辆定位数据预处理包括缺失值处理、错误数据处理和按时间先后排序处理,GIS拓扑网络路段信息包括路段名称、路段id、路段道路等级、路段车道数量和路段车道方向;
所述S13中,根据选定区域选取桥梁群,桥梁群表示为,/>,其中,/>为桥梁行别,/>为桥梁数量,将桥梁群与GIS拓扑网络路段信息进行匹配,获取桥梁群匹配的路段,桥梁群与GIS拓扑网络匹配的路段集合表示为/>,/>,采用隐马尔科夫模型将车辆定位数据与GIS拓扑网络中每个路段的信息进行匹配,获取车辆定位数据匹配的路段,车辆/>的车辆定位数据与路网GIS拓扑匹配的路段集合,即车辆/>的车辆轨迹表示为/>,/>,其中,/>为车辆经过的路段数量,车辆定位数据与GIS拓扑网络匹配的路段集合,即完整车辆轨迹表示为/>,,其中,/>为车辆数;
所述S14中,根据路段id将桥梁群与GIS拓扑网络匹配的路段集合与车辆定位数据与GIS拓扑网络匹配的路段集合/>进行匹配,获取桥梁群中桥梁各个桥梁行别所在路段经过的车辆轨迹。
3.根据权利要求2所述的一种基于多源数据融合的桥梁群时空荷载分布识别方法,其特征在于,所述S21中,车辆荷载检测点信息集合表示为,,其中,/>为荷载检测点数量,对于每个车辆轨迹,根据车辆荷载检测点信息集合所在路段的路段id将各个车辆的完整车辆轨迹/>分割成多个路径子区段,车辆/>的车辆轨迹/>划分后的路径子区段集合表示为/>,,其中,/>为车辆轨迹的路径子区段划分数量,/>为车辆/>的车辆轨迹划分后的第/>个路径子区段,整合得到所有车辆轨迹的路径子区段划分结果表示为/>,/>,获取各个车辆轨迹的路径子区段开始对应的起点车辆荷载检测点/>和结束对应的终点车辆荷载检测点/>;
所述S22中,对于区域桥梁群,根据桥梁群与GIS拓扑网络匹配的路段集合和所有车辆轨迹的路径子区段划分结果/>匹配桥梁群中各个桥梁所在的路径子区段,即桥梁行别匹配的路径子区段数量,车辆/>的车辆轨迹/>的路径子区段集合/>与桥梁/>的匹配结果,/>,即桥梁/>各行别匹配的各个车辆荷载区段集合表示为/>,,其中,/>为车辆/>在选定时间内经过桥梁行别/>的次数,即桥梁行别匹配的路径子区段数量。
4.根据权利要求3所述的一种基于多源数据融合的桥梁群时空荷载分布识别方法,其特征在于,所述S31中,根据车牌号对起点车辆荷载检测点和终点车辆荷载检测点对应的数据分别进行筛选,获取车辆/>经过起点车辆荷载检测点的车辆荷载/>、车辆/>经过起点车辆荷载检测点的检测时间/>、车辆/>经过终点车辆荷载检测点的车辆荷载/>和车辆/>经过终点车辆荷载检测点的检测时间/>,其中,/>为车辆/>经过车辆荷载检测点的次数;
所述S32中,选定起点车辆荷载检测点或终点车辆荷载检测点/>定义为特定车辆荷载检测点,特定车辆荷载检测点的投影坐标表示为/>,特定车辆荷载检测点为/>,特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的点坐标表示为/>、特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的时间表示为/>、特定车辆荷载检测点前的第一个车辆定位点数据匹配GIS拓扑网络的速度表示为/>、特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的点坐标表示为、特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的时间表示为/>和特定车辆荷载检测点后的第一个车辆定位点数据匹配GIS拓扑网络的速度表示为/>,计算出车辆经过特定车辆荷载检测点的预测时间;
经过特定车辆荷载检测点的预测时间表示为:
;
基于经过特定车辆荷载检测点的预测时间获取车辆经过起点车辆荷载检测点的预测时间/>和车辆经过终点车辆荷载检测点的预测时间/>;
所述S33中,设定经过特定车辆荷载检测点的预测时间与特定车辆荷载检测点检测实际时间的允许误差范围为/>;
当经过车辆荷载检测点的预测时间与特定车辆荷载检测点检测实际时间的误差小于误差允许范围/>时表示为:
;
;
其中,为起点车辆荷载检测点预测时间和终点车辆荷载检测点预测时间的最小平均误差,/>为车辆经过荷载区段的次数;
获取所有允许误差范围内的荷载区段对应的车辆荷载检测点的车辆荷载和时间,记为实际起点车辆荷载检测点的车辆荷载、实际终点车辆荷载检测点的车辆荷载、实际起点车辆荷载检测点的检测时间/>和实际终点车辆荷载检测点的检测时间/>;
根据实际起点车辆荷载检测点的车辆荷载和实际终点车辆荷载检测点的车辆荷载/>,得到经过桥梁的实际车辆荷载;
实际车辆荷载表示为:
。
5.根据权利要求4所述的一种基于多源数据融合的桥梁群时空荷载分布识别方法,其特征在于,所述S41中,获取桥梁群各个桥梁行别所在路段经过的车辆定位数据,根据各个桥梁行别方向所在路段的车道数量、车道长度和GIS数据,构建桥梁行别所在路段入口为起始点且桥梁行别所在路段出口为结束点的GIS路网拓扑;
所述S42中,对于桥梁群中的单一桥梁行别所在路段的车辆定位数据,根据采样频率从高到低对车辆定位数据的进行排序,构建不同匹配优先级的车辆定位序列集合,,/>为经过桥梁单一桥梁行别方向的车辆数;
采用高斯分布函数评估车辆定位点在各个车道的可能性,桥梁所在路段车道集合为,/>,其中,/>为桥梁所在路段车道数,分别计算同一车道行驶过程中车辆定位点到各个车道GIS路网拓扑的最短距离和车辆定位点在各个车道的可能性评分;
车辆定位点在车道/>的可能性评分/>表示为:
;
其中,为高斯模型参数,其基于历史数据采用矩估计参数估计方法获取,;
车辆定位点与车道/>对应的GIS路网拓扑的最短距离/>表示为:
;
其中,为车道/>对应的GIS路网拓扑上与车辆定位点/>成最短距离的点的投影坐标,/>为车辆定位点/>的投影坐标;
所述S43中,根据车辆定位点形成的车辆轨迹与车道线形的角度相差越大车辆换道的可能性越小的特点,采用高斯分布模型进行拟合,识别车辆换道的可能性;
车辆定位点在车道/>上时不换道的可能性/>表示为:
;
当前车辆定位点与上一个车辆定位点构成的向量与车道/>线形的角度/>表示为:
;
其中,为车辆定位点/>的上一个点的投影坐标,/>为车辆定位点/>的投影坐标/>在当前车道GIS路网拓扑上与车辆定位点/>成最短距离的点,为车辆定位点/>的上一个点的投影坐标/>在当前车道GIS路网拓扑上与车辆定位点/>成最短距离的点,/>为模型参数,根据历史数据采用矩估计方法进行参数估计获取;
根据不同车道之间的距离越大,车辆换道的可能性越小,计算车辆换道概率;
车辆从车道换到车道/>的概率/>表示为:
;
其中,为车道/>与车道/>的距离;
整合得到车辆定位数据中各个车辆定位点的多模态换道概率模型;
;
其中,时,车辆未进行换道,/>时,车辆进行换道;
所述S44中,将每个车辆定位数据点与车道进行匹配,以车辆行驶过程中各个车道定位点在车道的可能性评分与车辆换道概率乘积之和最大为目标,建立车辆定位数据与桥梁所在路段车道的全局最优化匹配模型;
车辆定位数据与桥梁所在路段车道的最优化匹配模型表示为:
;
其中,为车辆在车道/>的可能性,/>为车辆从车道/>换到车道/>的概率,/>为车辆在桥梁所在路段的定位点数量,/>为车辆定位点;
约束条件1为换道约束,在匹配过程中对车辆换道进行约束,对桥梁每个车道的各个换道方向判别是否符合桥梁的车道数量,获得车道采用换道方向/>进行换道后车辆所处的车道/>,如果采用换道方向/>进行换道后桥梁不存在相应的车道,则表示为0;
换道约束可表示为:
;
约束条件2为车辆位置约束,对同一时刻车辆位置冲突进行约束,桥梁所在路段各个车辆定位数据匹配按照各个车辆定位数据的采样频率作为优先级进行匹配,在同一时刻,未匹配完成的车辆定位点的匹配位置不与前面已经匹配完成车辆的点位置冲突,即车辆定位点的匹配位置结合车辆长度所占的车道长度与相同时刻前面已经匹配完成车辆的点位置结合车辆长度所占的车道长度的误差应小于设定的误差值,待匹配的车辆定位点的坐标为/>,车辆定位点/>对应匹配到车道/>的GIS路网拓扑最短距离的点为,车辆定位点/>对应车辆长度为/>,与车辆定位点/>同一时刻的已匹配车辆定位点/>的坐标为/>,车辆定位点/>对应匹配到车道/>的GIS路网拓扑最短距离的点为/>,车辆长度为/>,位置冲突允许误差为/>;
车辆位置约束表示为:
;
所述S45中,根据构建的不同匹配优先级的车辆定位序列集合,按照序列的顺序对最优化匹配模型进行求解,获取不同采样频率的车辆定位点匹配结果,包括匹配的车道编号和匹配车道GIS路网拓扑上与车辆定位点最近的坐标点,将匹配车道GIS路网拓扑上与车辆定位点最近的坐标点整合为车辆轨迹修正的点集合/>,/>。
6.根据权利要求5所述的一种基于多源数据融合的桥梁群时空荷载分布识别方法,其特征在于,所述S51中,对于桥梁群,各个桥梁行别建立车道级交通仿真路网,对于单一桥梁,根据桥梁设计参数,获取桥梁长度、入口、出口、各个车道宽度和各个车道长度,以桥梁入口作为起点,桥梁出口作为终点建立桥梁桥面的车道级交通仿真路网模型;
所述S52中,截取各个车辆进入桥梁前后的相邻车辆定位数据匹配结果,并根据采样频率进行排序,确定优先级,根据桥梁入口各个车道的位置,从各个定位点与各车道的匹配结果中获取各个车辆进入桥梁入口前后相邻的两个定位点数据和匹配结果在车道上的位置,并根据采样频率进行排序,得到各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合,/>,/>为选定时间的车辆数量;
采用基于匹配优先级的定位点最优化匹配模型获取在桥梁群所在路段上各个车辆定位数据与GIS路网拓扑各个车道的匹配结果,各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合按照顺序分别处理,根据车辆定位数据获取相应的车型和车辆长度;
对于桥梁行别线形,根据设定的时空采样频率将桥梁所在路段各个车道线形GIS路网拓扑数据分为多个离散点,构建桥梁行别方向所在路段各个车道线形GIS路网拓扑数据点集合,/>,/>为车道/>的GIS路网拓扑数据点数量;
根据各个车辆进入桥梁前后的相邻车辆定位点匹配结果集合,按从高到低的采样频率顺序,计算出桥梁入口车辆生成信息,即单体车辆进入桥梁的时间、速度和车道,单个车辆在桥梁入口前的相邻车辆定位点坐标为/>,单个车辆在桥梁入口后的相邻车辆定位点坐标为/>,单个车辆在桥梁入口前的相邻车辆定位点对应匹配的车道GIS路网拓扑上的点坐标为/>,单个车辆在桥梁入口后的相邻车辆定位点对应匹配的车道GIS路网拓扑上的点坐标为/>,单个车辆在桥梁入口前的相邻车辆定位点检测时间为/>,单个车辆在桥梁入口后的相邻车辆定位点检测时间为/>,/>,单个车辆在桥梁入口前的相邻车辆定位点车辆速度为/>,单个车辆在桥梁入口后的相邻车辆定位点车辆速度为/>,桥梁入口处车道GIS路网拓扑上的匹配结果点为/>或/>,/>;
当车辆定位点匹配结果和/>在同一车道时,即时,计算出车辆进入桥梁的时间;
车辆进入桥梁的时间表示为:
;
当车辆定位点匹配结果和/>在不同车道时,即/>时,将与桥梁入口处距离最短的车辆定位点匹配的车道作为该车辆进入桥梁的车道,与桥梁入口处距离最短的车辆定位点为/>时,则车辆进入桥梁的时间为/>;
与桥梁入口处距离最短的车辆定位点为时,则车辆进入桥梁的时间为/>;
车辆进入桥梁的时间表示为:
;
根据车辆定位点为时的车辆速度/>和车辆定位点为时的车辆速度/>,得到车辆进入桥梁时的速度平均值/>;
车辆进入桥梁时的速度平均值表示为:
;
对车辆进入的桥梁的时间和车道进行修正,当两个车辆的进入桥梁时的时间和车道冲突时,即车辆定位点和车辆定位点/>在同一车道,/>时,通过修正参数/>修正车辆速度进而修正车辆进入桥梁的时间,直到车道不冲突为止,得到修正速度和修正后的车辆进入桥梁的时间;
修正速度表示为:
;
修正车辆进入桥梁的时间表示为:
;
车辆定位点和车辆定位点/>在不同车道,即/>时,通过修改当前车辆所在车道解决车辆位置冲突,修改车道后存在时间或者车道上的冲突时,则通过修正进入桥梁的时间解决车辆位置冲突;
所述S53中,基于匹配优先级的车辆定位数据与桥梁所在路段车道的最优化匹配模型,获取在桥梁单一行别方向所在路段车辆定位数据与各个车道的匹配结果,根据桥梁在该路段上的位置,获得车辆在桥面上在各个车道上的行驶轨迹,作为车道级路网仿真模型中车辆的行驶路径输入,模型参数包括仿真步长、车辆跟驰模型和车辆换道模型;
所述S54中,将桥梁入口车辆生成信息和车辆在各个车道的车辆轨迹输入桥梁车道级路网仿真模型中,运行仿真并输出各个车辆在不同时刻在桥梁上的车道以及纵向位置,即各个车辆在桥面的时空分布,整合得到桥面车辆时空分布。
7.根据权利要求6所述的一种基于多源数据融合的桥梁群时空荷载分布识别方法,其特征在于,所述仿真步长根据桥面车辆时空分布的时间间隔获取,车辆跟驰模型为Wiedemann跟驰模型,换道模型为基于规则的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311799793.3A CN117454318B (zh) | 2023-12-26 | 2023-12-26 | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311799793.3A CN117454318B (zh) | 2023-12-26 | 2023-12-26 | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454318A CN117454318A (zh) | 2024-01-26 |
CN117454318B true CN117454318B (zh) | 2024-03-26 |
Family
ID=89586007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311799793.3A Active CN117454318B (zh) | 2023-12-26 | 2023-12-26 | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454318B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108914815A (zh) * | 2018-05-17 | 2018-11-30 | 中铁大桥科学研究院有限公司 | 桥面车辆荷载识别装置、桥梁及桥梁荷载分布识别方法 |
CN111709332A (zh) * | 2020-06-04 | 2020-09-25 | 浙江大学 | 基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法 |
AU2020102912A4 (en) * | 2020-10-21 | 2020-12-24 | China Railway Bridge Science Research Institute, Ltd. | Device and Method for All-round Precise Recognition of Vehicle Load on the Bridge Deck |
CN115326181A (zh) * | 2022-09-30 | 2022-11-11 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种桥面载荷时空分布监测装置、***和方法 |
CN116222719A (zh) * | 2022-12-29 | 2023-06-06 | 北京万集科技股份有限公司 | 桥梁动态载荷监测***和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT513258B1 (de) * | 2012-12-13 | 2014-03-15 | Univ Wien | Verfahren zum Vermessen eines fahrenden Fahrzeugs |
-
2023
- 2023-12-26 CN CN202311799793.3A patent/CN117454318B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108914815A (zh) * | 2018-05-17 | 2018-11-30 | 中铁大桥科学研究院有限公司 | 桥面车辆荷载识别装置、桥梁及桥梁荷载分布识别方法 |
CN111709332A (zh) * | 2020-06-04 | 2020-09-25 | 浙江大学 | 基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法 |
AU2020102912A4 (en) * | 2020-10-21 | 2020-12-24 | China Railway Bridge Science Research Institute, Ltd. | Device and Method for All-round Precise Recognition of Vehicle Load on the Bridge Deck |
CN115326181A (zh) * | 2022-09-30 | 2022-11-11 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种桥面载荷时空分布监测装置、***和方法 |
CN116222719A (zh) * | 2022-12-29 | 2023-06-06 | 北京万集科技股份有限公司 | 桥梁动态载荷监测***和方法 |
Non-Patent Citations (1)
Title |
---|
"基于自然驾驶数据的高速公路跟驰模型参数标定";王雪松等;《中国公路学报》;20200531;第33卷(第5期);第132-142页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117454318A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112816954B (zh) | 一种基于真值的路侧感知***评测方法和*** | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN107766808B (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及*** | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN107310550B (zh) | 道路交通工具行驶控制方法和装置 | |
CN111724589B (zh) | 一种基于多源数据的高速公路断面流量估计方法 | |
CN100466010C (zh) | 异类交通信息实时融合方法 | |
CN112614373B (zh) | 一种基于BiLSTM周车换道意图预测方法 | |
CN111164530A (zh) | 更新用于至少一个移动单元的自动控制的控制模型的方法和*** | |
CN112373483B (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
CN113033840A (zh) | 一种公路养护的判断方法和装置 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
Zheng | Developing a traffic safety diagnostics system for unmanned aerial vehicles usingdeep learning algorithms | |
CN117454318B (zh) | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 | |
Elleuch et al. | Towards an efficient traffic congestion prediction method based on neural networks and big GPS data | |
CN113256014B (zh) | 一种5g通信工程智能检测*** | |
CN114954448A (zh) | 一种结合路网信息的车辆障碍物时序轨迹预测方法 | |
CN117475639B (zh) | 融合不同频率车辆定位数据的桥梁车辆时空分布识别方法 | |
Kaur et al. | RFID based Intelligent Transport System with RSU Communication for Emergency Vehicles in Urbanization | |
Yang et al. | Dynamic safety estimation of airport pick-up area based on video trajectory data | |
Ahanin et al. | An efficient traffic state estimation model based on fuzzy C-mean clustering and MDL using FCD | |
CN117612127B (zh) | 场景生成方法、装置和存储介质及电子设备 | |
CN116153084B (zh) | 车辆流向预测方法、预测***及城市交通信号机控制方法 | |
Aldakkhelallah et al. | Development of new technologies for real-time traffic monitoring |
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 |