基于多類型浮動車數(shù)據(jù)的高速公路路段速度修正方法
【專利摘要】本發(fā)明公開一種基于多類型浮動車數(shù)據(jù)的高速公路路段速度修正方法，對浮動車中的出租車數(shù)據(jù)進行可靠性分析，通過假設檢驗，得出結論，高速公路上的出租車路段速度與交通流的速度差異不大，在計算中可以使用出租車路段速度作為高速公路的路段速度。接著對浮動車數(shù)據(jù)在高速公路上的分布進行分析，發(fā)現(xiàn)高速公路上的出租車速度高于營運車（客運車和貨運車），且出租車多在靠近市區(qū)的高速公路上活動，而營運車基本上覆蓋了高速公路路網(wǎng)?；谶@種分布差異性，為了在不存在出租車，只存在營運車數(shù)據(jù)的高速公路上獲得相對準確的路段速度，提出了一種高速公路路段速度修正方法。
【專利說明】
基于多類型浮動車數(shù)據(jù)的高速公路路段速度修正方法
技術領域
[0001] 本發(fā)明涉及智能交通領域，更具體地，涉及一種基于多類型浮動車數(shù)據(jù)的高速公 路路段速度修正方法。
【背景技術】
[0002] 浮動車GPS數(shù)據(jù)是智能交通系統(tǒng)一種重要的交通數(shù)據(jù)，根據(jù)車型，浮動車數(shù)據(jù)可以 進一步分為出租車數(shù)據(jù)和營運車數(shù)據(jù)，這些GPS數(shù)據(jù)首先通過地圖匹配技術匹配到電子地 圖上，然后通過速度估算模型計算單輛浮動車速度，最后以同路段所有浮動車的速度均值 作為路段速度。
[0003] 目前高速公路上存在多種類型的浮動車，多類型浮動車數(shù)據(jù)的匯聚接入雖然能提 高數(shù)據(jù)對高速路網(wǎng)的覆蓋程度，但如何對其有效利用以實現(xiàn)高速公路路段整體交通流速度 的估計，則主要面臨以下幾個問題：1)多類型浮動車車速的一致性表征問題，即不同車型的 車速與整體交通流速度的關系不一樣，直接采用將較大地影響路段整體交通流速度的估 計。例如，出租車是小型車，相較客貨運車等大型車輛，它的速度可能更接近整體交通流的 速度;2)多類型浮動車數(shù)據(jù)的時空分布不均問題，即由于不同車輛營運特性不同，其GPS數(shù) 據(jù)的時空分布不一樣。例如，出租車多分布于城市道路和城市周邊的高速公路上，而客貨運 車車輛的分布則覆蓋了整個路網(wǎng)，從而導致某些高速公路上可能只有貨運車GPS數(shù)據(jù)而沒 有出租車GPS數(shù)據(jù)。因此，使用多類型浮動車GPS數(shù)據(jù)計算高速公路路段速度的時候應該考 慮不同車型之間不同的車輛特性及營運特征。
[0004] 目前基于多類型浮動車數(shù)據(jù)的速度估計相關研究很少，以下幾種研究多是針對城 市道路的，缺少在高速公路場景下不同類型浮動車速度關系研究。
[0005] (l)M〇rgul等人利用出租車GPS數(shù)據(jù)和貨運車GPS數(shù)據(jù)分析出租車和貨運車在城市 道路的速度關系，發(fā)現(xiàn)由于共用車道及城市道路經(jīng)常發(fā)生擁堵等原因，兩者速度差異不大。
[0006] (2)Cody等人在考慮行駛環(huán)境(如地形、交通管制設備等)對客運車和貨運車速度 的影響以及客運車和貨運車相互影響的基礎上，建立統(tǒng)計模型，定量分析客運車速度和貨 運車速度的關系。
[0007] (3)徐程將組成混合車流的車型劃分為大型車和小型車兩類，分別用高斯混合模 型擬合觀測速度數(shù)據(jù)，結果表明小型車的平均速度比大型車的平均速度高20km/h左右。
[0008] (4)李銳敏等將浮動車數(shù)據(jù)和檢測器數(shù)據(jù)分別通過人工神經(jīng)網(wǎng)絡得到各個速度區(qū) 間的基本概率分配，之后利用D-S證據(jù)理論進行推理融合，獲得融合結果。
[0009]已知高速公路路段速度是一種重要的交通流參數(shù)，是行程時間計算與預測的重要 組成部分，在路網(wǎng)交通狀態(tài)評估等領域扮演著重要的角色，因此獲得一個準確的高速公路 路段速度是很有必要的。

【發(fā)明內容】

[0010]本發(fā)明為克服上述現(xiàn)有技術所述的至少一種缺陷(不足），提供一種基于多類型浮 動車數(shù)據(jù)的高速公路路段速度修正方法，能夠在有多類型浮動車數(shù)據(jù)的情況下獲得較為準 確的高速公路路段速度。
[0011] 為解決上述技術問題，本發(fā)明的技術方案如下：
[0012] 一種基于多類型浮動車數(shù)據(jù)的高速公路路段速度修正方法，包括以下步驟：
[0013] S1.地圖匹配，依據(jù)車載GPS終端車輛在行駛過程中采集到的車輛GPS定位信息，將 車輛當前位置與電子地圖上的道路相關聯(lián)；
[0014] S2.浮動車速度的獲取，選取車輛在路段上第一個和最后一個GPS點，利用兩GPS點 的距離差除以時間差估算車輛的行駛速度，最后以同路段同類浮動車的速度均值作為路段 速度；
[0015] S3.通過假設檢驗，出租車的路段速度在計算過程中作為高速公路的路段速度； [0016] S4.選取營運車速度樣本集特征，分別從營運車速度樣本集Sv。中提取樣本全集特 征，從時段樣本集SEVc中提取基本特征以及速度分布特征;營運車速度樣本集S Vc表示擁有的 全部營運車速度樣本，而時段樣本集Sev。表示在特定時間段內的速度樣本集；
[0017] S5.采用特征選取的方法從步驟S4提到的特征中選取特征作為模型的輸入，使用 人工神經(jīng)網(wǎng)絡模塊，輸入為營運車速度選取的特征，輸出為出租車路段速度，經(jīng)過訓練，得 到同時段，同路段營運車速度與出租車速度的關系；
[0018] S6.基于步驟S5得到了營運車速度與出租車速度的關系，在沒有出租車的路段，通 過輸入營運車速度就能得到相對應的出租車路段速度，即高速公路路段速度。
[0019] 優(yōu)選地，所述步驟S3中分別從營運車速度樣本集SVc和時段樣本集SEVc中選取特征 具體為：
[0020] 從營運車速度樣本集中提取樣本集全體特征如下：
[0021 ] (1)樣本集15位速度(交通領域將速度按照從小到大的順序排列，有15 %的車輛速 度低于這個值，那么這個速度值就是15位速度)Sv。, 15;
[0022] (2)樣本集50位速度SVc,50;
[0023] (3)樣本集85位速度SVc,85;
[0024] 從時段樣本集中提取基本特征，如下：
[0025] a)樣本集平均速度SEVc；,avg;
[0026] a)樣本集最大速度Sev。,max;
[0027] b)樣本集最小速度SEVc,min;
[0028] c)單輛營運車的速度Vc;
[0029] d)車輛類型VT，營運車車輛類型分為客運車和貨運車；
[0030] 從時段樣本集提取速度分布特征如下：
[0031 ]結合營運車樣本全集特征和時段樣本集基本特征，提出了營運車時段樣本集速度 分布特征Θ，該特征同時考慮了時段樣本集最大速度SEVc；,max以及車輛性能兩個因素，表征該 時刻營運車速度集與標準速度的關系，根據(jù)該關系，進一步將速度分布特征分為四類： [0032] 1)普遍低速:同路段的營運車速度都低于15位速度，S Vc,max<V15;
[0033] 2)普遍中低速：同路段的營運車速度都低于50位速度，但是至少存在一輛速度高 于15位速度的營運車，V15 < Svc,max<V50;
[0034] 3)存在中高速：同路段的營運車速度都低于85位速度，但是至少存在一輛速度高 于50位速度的營運車，V5Q < Svc,max<V85;
[0035] 4)存在高速:至少存在一輛營運車的速度高于85位速度，SVc,max> V85。
[0036] 優(yōu)選地，從上述9個技術特征選取單輛營運車的速度v。、車輛類型VT以及營運車樣 本集特征Θ作為模型的輸入.
[0037] 本發(fā)明首先對浮動車中的出租車數(shù)據(jù)進行可靠性分析，通過假設檢驗，得出結論， 高速公路上的出租車路段速度與交通流的速度差異不大，在計算中可以使用出租車路段速 度作為高速公路的路段速度。
[0038] 接著對浮動車數(shù)據(jù)在高速公路上的分布進行分析，發(fā)現(xiàn)高速公路上的出租車速度 高于營運車(客運車和貨運車），且出租車多在靠近市區(qū)的高速公路上活動，而營運車基本 上覆蓋了高速公路路網(wǎng)?；谶@種分布差異性，為了在不存在出租車，只存在營運車數(shù)據(jù)的 高速公路上獲得相對準確的路段速度，提出了一種高速公路路段速度修正方法。
[0039] 本發(fā)明利用高速公路上的浮動車數(shù)據(jù)，考慮了高速公路上浮動車數(shù)據(jù)分布的差異 以及浮動車數(shù)據(jù)本身的差異構建了營運車速度樣本特征集，使用人工神經(jīng)網(wǎng)絡，以該特征 集為輸入，以對應的出租車路段速度(標準速度)作為輸出，進行訓練，得到營運車速度樣本 和出租車路段速度的關系，從而可以在只有營運車速度樣本集的情況下得到出租車路段速 度。
[0040] 與現(xiàn)有技術相比，本發(fā)明技術方案的有益效果是：（1)適用性廣，經(jīng)過合適的訓練 可以推廣到所有的高速公路。（2)具有數(shù)據(jù)驅動性，算法簡單，處理效率高。（3)準確性高，經(jīng) 過試驗比較，平均絕對誤差在5km/h以內。
【附圖說明】
[0041] 圖1為本發(fā)明的框架示意圖。
[0042] 圖2為樣本集關系示意圖。
[0043] 圖3為出租車速度與營運車樣本集特征關系圖。
[0044] 圖4為特征選擇過程圖。
[0045] 圖5為神經(jīng)網(wǎng)絡和訓練樣本示意圖。
[0046] 圖6為人工神經(jīng)網(wǎng)絡模型實驗結果示意圖。
[0047] 圖7為貝葉斯網(wǎng)絡模型實驗結果示意圖。
[0048]圖8為本發(fā)明的流程圖。
【具體實施方式】
[0049] 附圖僅用于示例性說明，不能理解為對本專利的限制;為了更好說明本實施例，附 圖某些部件會有省略、放大或縮小，并不代表實際產(chǎn)品的尺寸；
[0050] 對于本領域技術人員來說，附圖中某些公知結構及其說明可能省略是可以理解 的。下面結合附圖和實施例對本發(fā)明的技術方案做進一步的說明。
[0051 ] 地圖匹配
[0052]地圖匹配是依據(jù)車載GPS終端車輛在行駛過程中采集到的車輛GPS定位信息，通過 特定模型和算法，將車輛當前位置與電子地圖上的道路相關聯(lián)的行為。一般而言，地圖匹配 算法的目標是鑒別車輛正在行駛的路段和確定車輛在該路段上的位置。
[0053]地圖匹配結果存儲在數(shù)據(jù)庫中，如表1所示，數(shù)據(jù)表包括車牌號碼、GPS定位時間、 經(jīng)度、煒度、速度、方向、匹配路段ID、車輛狀態(tài)（"4"表示空車，"5"表示載客)等字段。
[0054] 表1地圖匹配結果數(shù)據(jù)表 [0055]
[0056]浮動車速度的獲取
[0057]考慮到高速公路上GPS點回傳的時間，選取車輛在路段上第一個和最后一個GPS 點，利用兩GPS點的距離差除以時間差估算車輛的行駛速度。最后以同路段同類浮動車的速 度均值作為路段速度。
[0058]出租車速度代表性分析
[0059] 使用位于廣深高速上的視頻點作為檢測器，采集交通流速度;使用位于廣深高速 上的出租車GPS數(shù)據(jù)，通過距離-時間模型得到出租車的行駛速度，進一步得到出租車的路 段速度，驗證該速度與交通流速度的關系。采用假設性檢驗分析的方式來驗證交通流速度 與出租車路段速度的關系。最終得到結論，出租車路段速度與交通流速度差異不明顯，能夠 較好的反映高速公路路段運行情況，在計算中可以使用出租車路段速度作為高速公路路段 速度。
[0060] 浮動車數(shù)據(jù)分布分析
[0061] 以某一天全天24小時高速公路上的浮動車原始數(shù)據(jù)為分析對象，剔除速度為0的 數(shù)據(jù)，分車型統(tǒng)計原始浮動車GPS數(shù)據(jù)的分布情況，分析不同車型的速度差異。得到結論，出 租車的速度比營運車速度要快，但是在高速公路上浮動車的分布非常不均勻，廣州市出租 車的分布主要集中在廣州市及臨近的高速公路，而廣州市的客運車和貨運車則廣泛分布在 廣東省的高速公路。這種分布上的不均勻，使得在高速公路上經(jīng)常會出現(xiàn)只有營運車而沒 有出租車的情況。
[0062]營運車速度樣本集特征的選取
[0063] 對營運車速度樣本集進行分析，考慮營運車的車型以及速度特征，從營運車速度 樣本集Svc中額外區(qū)分一個時段樣本集Sev。，營運車速度樣本集Sv c表示擁有的全部營運車速 度樣本，而時段樣本集Sev。表示在特定時間段內的速度樣本集，它們的關系圖2所示。
[0064] 從營運車速度樣本集Sv。中提取特征如下：
[0065] (1)樣本集15位速度(交通領域將速度按照從小到大的順序排列，有15 %的車輛速 度低于這個值，那么這個速度值就是15位速度)Sv。, 15;
[0066] (2)樣本集50位速度SVc,50;
[0067] (3)樣本集85位速度SVc,85;
[0068] 從時段樣本集SEVc中提取特征，如下：
[0069] a)樣本集平均速度SEVc；,avg;
[0070] a)樣本集最大速度SEVc,max;
[0071] b)樣本集最小速度SEVc:,min;
[0072] c)單輛營運車的速度Vc;
[0073] d)車輛類型VT，營運車車輛類型分為客運車和貨運車；
[0074] e)營運車樣本集速度分布特征Θ，根據(jù)樣本集最大速度SVc；,max與其車型特征速度的 大小關系，將樣本集特征分為四類：
[0075] 1)普遍低速:同路段的營運車速度都低于15位速度，SVc；,max< V15;
[0076] 2)普遍中低速：同路段的營運車速度都低于50位速度，但是至少存在一輛速度高 于15位速度的營運車，V15 < Svc,max<V50;
[0077] 3)存在中高速：同路段的營運車速度都低于85位速度，但是至少存在一輛速度高 于50位速度的營運車，V5Q < Svc,max<V85;
[0078] 4)存在高速:至少存在一輛營運車的速度高于85位速度，SVc,max> V85。
[0079] 其中，營運車樣本集特征Θ同時考慮了樣本集最大速度Svc,max以及車輛性能兩個因 素，表征速度最大的營運車在多大程序上運用了其車輛性能。經(jīng)過分析，營運車樣本集特征 與出租車路段速度存在對應關系，如圖3所示。
[0080] 大部分情況下，標準速度小于20km/h時營運車樣本集特征往往表現(xiàn)為普遍低速； 標準速度為20_50km/h時營運車樣本集特征為普遍中低速;標準速度為50-80km/h時營運車 樣本集特征為存在中高速;標準速度大于80km/h營運車速度樣本集特征為存在高速。
[0081] 上面提到了 9個特征，但是這9個特征對于建立營運車速度與標準速度關系并不一 定有明顯的促進作用。因此，還需要從這9個特征中選取一個合適的特征子集。使用基于序 列前向特征選擇方法，從9個特征中選取最有效的幾個特征作為速度修正模型的輸入，用平 均絕對相對誤差作為目標函數(shù)值，數(shù)據(jù)的訓練方法采用神經(jīng)網(wǎng)絡模型，特征選取過程如圖4 所示。最終選擇了單輛營運車的速度v。、車輛類型VT以及營運車樣本集特征Θ作為模型的輸 入。
[0082]圖5給出了神經(jīng)網(wǎng)絡結構和訓練樣本示例。在模型中，設定學習率為0.1，沖量因子 為0,訓練誤差為10-6。
[0083]實際使用
[0084] 在構造好了輸入特征以及使用數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行了訓練之后，就可以直接 使用。在某個時刻需要獲得特定道路的路段速度，而此時路段上又沒有出租車，只有營運 車，將該時刻所擁有的營運車數(shù)據(jù)處理成按照圖5左邊的樣式，作為訓練好的人工神經(jīng)網(wǎng)絡 的輸入，直接輸出就是所需要的路段速度。
[0085] 本發(fā)明具有以下特點：1)通過假設檢驗發(fā)現(xiàn)出租車速度和交通流速度差別不大， 在計算過程中可以將出租車路段速度看作是高速公路路段速度。2)使用人工神經(jīng)網(wǎng)絡來建 立營運車速度和對應出租車路段速度的關系。3)將營運車數(shù)據(jù)分車型進行分析，得到的各 種數(shù)據(jù)集特征，尤其是營運車樣本集特征Θ。
[0086]本發(fā)明的技術效果：以高速公路上所有營運車的速度樣本作為本次實驗的營運車 速度樣本集，所有的出租車路段速度作為出租車速度樣本集，通過統(tǒng)計分別得出客運車和 貨運車的15位，50位以及85位速度。用2014年8月28日-9月30日以及10月2日-12月28日的速 度作為訓練數(shù)據(jù)，用2014年10月1日的數(shù)據(jù)作為驗證數(shù)據(jù)。我們選擇機場高速做為分析對 象。同時使用另外一種常用的技術貝葉斯網(wǎng)絡來做對比。
[0087] 2014年10月1日機場高速三元里至機場方向發(fā)生非常發(fā)性擁堵，圖6為機場高速 12000米-13000路段的使用人工神經(jīng)網(wǎng)絡模型實驗結果。圖7為機場高速12000米-13000米 路段使用貝葉斯網(wǎng)絡模型的實驗結果。表2和表3分別是在擁堵交通狀態(tài)和在順暢交通狀態(tài) 下使用神經(jīng)網(wǎng)絡模型和貝葉斯網(wǎng)絡模型的誤差分析。
[0088] 在這里引入兩個誤差分析指標，平絕對相對誤差MAPE和平均絕對誤差ABS。
[0091 ]其中Tz、f z分別表示預測值和真實值。
[0092]表2擁堵交通狀態(tài)下的誤差
[0094]表3順暢交通狀態(tài)下的誤差
[0096]從實驗結果可以發(fā)現(xiàn)，在擁堵交通狀態(tài)下的所有模型的結果都有比較好的表現(xiàn)； 在順暢交通狀態(tài)下，營運車路段速度以及貝葉斯網(wǎng)絡模型的輸出結果較出租車路段速度都 偏小，而神經(jīng)網(wǎng)絡模型的輸出結果更加貼近于出租車路段速度。因此我們提出來的這個方 法是一個穩(wěn)定而又有效的方法。
[0097]顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對 本發(fā)明的實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可 以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本 發(fā)明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發(fā)明權利要求 的保護范圍之內。
【主權項】
1. 一種基于多類型浮動車數(shù)據(jù)的高速公路路段速度修正方法，其特征在于，包括以下 步驟：51. 地圖匹配，依據(jù)車載GPS終端車輛在行駛過程中采集到的車輛GPS定位信息，將車輛 當前位置與電子地圖上的道路相關聯(lián)；52. 浮動車速度的獲取，選取車輛在路段上第一個和最后一個GPS點，利用兩GPS點的距 離差除以時間差估算車輛的行駛速度，最后以同路段同類浮動車的速度均值作為路段速 度；53. 通過假設檢驗，出租車的路段速度在計算過程中作為高速公路的路段速度；54. 選取營運車速度樣本集特征，分別從營運車速度樣本集SVc中提取樣本全集特征，從 時段樣本集SEVc*提取基本特征以及速度分布特征；營運車速度樣本集S Vc表示擁有的全部 營運車速度樣本，而時段樣本集Sev。表示在特定時間段內的速度樣本集；55. 采用特征選取的方法從步驟S4提到的特征中選取特征作為模型的輸入，使用人工 神經(jīng)網(wǎng)絡模型，輸入為營運車速度選取的特征，輸出為出租車路段速度，經(jīng)過訓練，得到同 時段，同路段營運車速度與出租車速度的關系；56. 基于步驟S5得到了營運車速度與出租車速度的關系，在沒有出租車的路段，通過輸 入營運車速度就能得到相對應的出租車路段速度，即高速公路路段速度。2. 根據(jù)權利要求1所述的基于多類型浮動車數(shù)據(jù)的高速公路路段速度修正方法，其特 征在于，所述步驟S5中分別從營運車速度樣本集Sv。和時段樣本集S EV。中選取特征具體為： 從營運車速度樣本集Sv。中提取樣本全集特征如下： (1) 樣本集15位速度Svc,i5; (2) 樣本集50位速度SVc,50; (3) 樣本集85位速度SVc,85; 從時段樣本集Sev。中提取樣本集基本特征如下： a)樣本集平均速度Sev。, avg; 3)樣本集最大速度3￡￥。,111￡?; b )樣本集最小速度SeV。, min ; C)單輛營運車的速度Vc; d)車輛類型VT，營運車車輛類型分為客運車和貨運車； 從時段樣本集提取速度分布特征如下： 結合營運車樣本全集特征和時段樣本集基本特征，提出了營運車時段樣本集速度分布 特征Θ，該特征同時考慮了時段樣本集最大速度SEVc；,max以及車輛性能兩個因素，表征該時刻 營運車速度集與標準速度的關系，根據(jù)該關系，進一步將速度分布特征分為四類： 1) 普遍低速:同路段的營運車速度都低于15位速度，SVc；,max<V15; 2) 普遍中低速：同路段的營運車速度都低于50位速度，但是至少存在一輛速度高于15 位速度的營運車 ，V15 $ Svc,max<V50; 3) 存在中高速：同路段的營運車速度都低于85位速度，但是至少存在一輛速度高于50 位速度的營運車，V5Q < Svc;,max<V85 ; 4) 存在高速:至少存在一輛營運車的速度高于85位速度，SVc,max>V85。3. 根據(jù)權利要求2所述的基于多類型浮動車數(shù)據(jù)的高速公路路段速度修正方法，其特 征在于，通過特征選取方法，從上述9個技術特征選取單輛營運車的速度v。、車輛類型VT以 及營運車樣本集特征Θ作為模型的輸入。
【文檔編號】G08G1/01GK105869402SQ201610322238
【公開日】2016年8月17日
【申請日】2016年5月12日
【發(fā)明人】何兆成, 孫威巍, 陳銳祥, 葉偉佳
【申請人】中山大學