一種交通狀態(tài)參數(shù)的估計(jì)方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種交通狀態(tài)參數(shù)的估計(jì)方法和系統(tǒng)。其中的方法包括：實(shí)時(shí)獲取交通數(shù)據(jù)樣本；如果當(dāng)前時(shí)間段內(nèi)所采集的當(dāng)前交通數(shù)據(jù)樣本的數(shù)量大于預(yù)設(shè)的交通采集最小樣本量，則根據(jù)預(yù)設(shè)的訓(xùn)練模型對(duì)當(dāng)前交通數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)擬合，基于誤差比判別準(zhǔn)則通過修正矩陣對(duì)擬合后的數(shù)據(jù)進(jìn)行修正，并根據(jù)修正后的數(shù)據(jù)獲取交通狀態(tài)參數(shù)的估計(jì)值；否則，為當(dāng)前交通數(shù)據(jù)樣本、上一時(shí)間段的交通數(shù)據(jù)樣本和歷史量化數(shù)據(jù)分別設(shè)置相應(yīng)的權(quán)重系數(shù)；并根據(jù)當(dāng)前交通數(shù)據(jù)樣本、上一時(shí)間段的交通數(shù)據(jù)樣本、歷史量化數(shù)據(jù)以及各自的權(quán)重系數(shù)，計(jì)算得到交通狀態(tài)參數(shù)的估計(jì)值。通過使用本發(fā)明所提供的方法和系統(tǒng)，可以有效地提高交通狀態(tài)參數(shù)估計(jì)的準(zhǔn)確性和可靠性。
【專利說明】一種交通狀態(tài)參數(shù)的估計(jì)方法和系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及交通【技術(shù)領(lǐng)域】，特別涉及一種交通狀態(tài)參數(shù)的估計(jì)方法和系統(tǒng)。

【背景技術(shù)】
[0002] 目前，隨著我國交通現(xiàn)代化進(jìn)程快速推進(jìn)，城市交通擁堵現(xiàn)象日趨嚴(yán)重，嚴(yán)重影響 了居民出行的方便以及經(jīng)濟(jì)發(fā)展。為了有效地解決城市交通擁堵現(xiàn)狀，交通管理部門有必 要對(duì)交通實(shí)時(shí)運(yùn)行狀態(tài)進(jìn)行監(jiān)測，對(duì)發(fā)現(xiàn)的擁堵路段進(jìn)行有效、及時(shí)地疏導(dǎo)與調(diào)度。
[0003] 獲取城市道路的實(shí)時(shí)交通動(dòng)態(tài)狀態(tài)信息是解決城市擁堵問題的重要基礎(chǔ)，目前交 通動(dòng)態(tài)信息采集方式主要包括：定點(diǎn)交通信息采集和移動(dòng)交通信息采集。定點(diǎn)交通信息采 集方式主要使用地磁、微波、視頻、卡口等檢測設(shè)備。以微波監(jiān)測器為例，它是一種用雷達(dá)監(jiān) 測微波傳輸交通數(shù)據(jù)的探測器，通過發(fā)射連續(xù)頻率調(diào)制微波在檢測地面上，當(dāng)車輛經(jīng)過投 射區(qū)時(shí)，微波監(jiān)測器會(huì)接收一個(gè)微波信號(hào)，通過計(jì)算接收頻率和時(shí)間的變化參數(shù)得出車輛 的速度和長度。該采集方式主要用于定點(diǎn)檢測城市道路重點(diǎn)路段的交通信息，但是，該采集 方式存在檢測范圍小，安裝和維修費(fèi)用較高等問題。移動(dòng)交通信息采集方式的主要是浮動(dòng) 車數(shù)據(jù)采集，利用裝載定位設(shè)備的浮動(dòng)車在行駛過程中實(shí)時(shí)記錄其運(yùn)行參數(shù)，將位置信息 在空間和時(shí)間上關(guān)聯(lián)起來，得到目標(biāo)路段的車輛行駛狀態(tài)并預(yù)測交通路況。但是，在該采集 方式中，GPS系統(tǒng)信號(hào)會(huì)存在"城市峽谷效應(yīng)"，導(dǎo)致GPS系統(tǒng)不能獲得相應(yīng)時(shí)段市區(qū)車輛的 行駛狀態(tài)；此外，GPS系統(tǒng)的反射對(duì)GPS定位精度也有著顯著影響。
[0004] 有關(guān)交通狀態(tài)參數(shù)（例如，車速）估計(jì)方法已有很多。例如，基于速度加權(quán)算法，主 要有以下估計(jì)方法：一是基于簡單多數(shù)據(jù)源數(shù)據(jù)融合方法，該方法利用多種異構(gòu)數(shù)據(jù)源和 各數(shù)據(jù)源權(quán)重系數(shù)進(jìn)行車速融合。二是基于數(shù)據(jù)融合算法，該方法中主要包括神經(jīng)網(wǎng)絡(luò)融 合模型、卡爾曼濾波、D-S證據(jù)推理和模糊邏輯等算法。其中，第一種方法需要根據(jù)具體交通 環(huán)境確定各種數(shù)據(jù)源的權(quán)重系數(shù)，而且需要考慮類似時(shí)間特征（例如，高峰、平峰、夜間等） 和目標(biāo)道路（例如，高速公路、快速路、地面道路等）等因素的權(quán)重系數(shù)；第二種方法主要利 用數(shù)據(jù)融合框架和算法進(jìn)行交通數(shù)據(jù)融合和預(yù)測，此方式的算法較為復(fù)雜，偏重于理論研 究，實(shí)際應(yīng)用較少。
[0005] 在現(xiàn)有技術(shù)中，也提出了一些交通狀態(tài)參數(shù)的估計(jì)方法。
[0006] 例如，在一個(gè)中國專利申請(qǐng)（申請(qǐng)?zhí)?01410084202. 9,發(fā)明名稱："基于多種定位 數(shù)據(jù)計(jì)算道路融合行程車速的方法"）中，提出了一種基于多種定位數(shù)據(jù)計(jì)算道路融合車程 車速的方法。該方法通過對(duì)手機(jī)終端定位數(shù)據(jù)和浮動(dòng)車GPS定位數(shù)據(jù)進(jìn)行車速融合處理， 以獲取道路目標(biāo)路段內(nèi)的平均車程車速，進(jìn)而獲取城市道路的交通狀態(tài)。該方法解決了單 一浮動(dòng)車數(shù)據(jù)源采集交通方式在城市市區(qū)主要道路部分時(shí)段和城市郊區(qū)高速公路采集不 到交通狀態(tài)的情況，而且有效地提高了單一GPS數(shù)據(jù)源采集交通方式在樣本量較小的道路 路段上交通狀態(tài)質(zhì)量問題。但是，該方法需要考慮時(shí)間特征（例如，高峰、平峰、夜間等）和 目標(biāo)道路（例如，高速公路、快速路、地面道路等）系數(shù)，雖然選取兩種信號(hào)源進(jìn)行融合，但 上述時(shí)間特征系數(shù)和目標(biāo)道路系數(shù)的值不易確定，存在不穩(wěn)定的問題。
[0007] 在另一個(gè)中國專利申請(qǐng)（申請(qǐng)?zhí)?00910199819. 4,發(fā)明名稱："基于浮動(dòng)車車速置 信度的交通狀態(tài)參數(shù)估計(jì)方法"）中，基于對(duì)浮動(dòng)車數(shù)據(jù)的分析，引入了置信度因素，著重考 慮浮動(dòng)車數(shù)據(jù)樣本數(shù)量、車速以及交通狀態(tài)在時(shí)間上的延續(xù)性，提出了一種基于置信度優(yōu) 化的交通狀態(tài)參數(shù)（車速）的估計(jì)方法。通過置信多數(shù)車輛、快速車輛并融合上一時(shí)段及 歷史數(shù)據(jù)，實(shí)現(xiàn)了對(duì)浮動(dòng)車平均速度的估計(jì)，有效減少了異常數(shù)據(jù)對(duì)計(jì)算結(jié)果的影響，使計(jì) 算結(jié)果更接近真實(shí)路況，同時(shí)解決了樣本量不足時(shí)交通狀態(tài)參數(shù)估計(jì)問題，有效提高了交 通狀態(tài)參數(shù)估計(jì)的準(zhǔn)確性和平穩(wěn)性。但是，該方法在樣本量較少的情況下依然參照上一時(shí) 段的樣本數(shù)據(jù)，融合處理以此估計(jì)該時(shí)段交通狀態(tài)參數(shù)，在樣本數(shù)據(jù)大于最小采樣量時(shí)，未 考慮異常數(shù)據(jù)對(duì)結(jié)果的影響，直接采用速度加權(quán)算法，存在一定誤差；另外，該方法以不同 速度檔位設(shè)置速度權(quán)重系數(shù)，高車速的權(quán)重系數(shù)大小的確定不是很明確。
[0008] 此外，現(xiàn)有技術(shù)中還提出了一種基于浮動(dòng)車數(shù)據(jù)的多車車速融合算法。在該算法 中，構(gòu)建了一種新的基于浮動(dòng)車數(shù)據(jù)的多車車速融合算法。該算法從浮動(dòng)車行駛特征、多權(quán) 重系數(shù)和多種路況狀態(tài)等角度，綜合考慮在表征實(shí)時(shí)路況時(shí)浮動(dòng)車多車樣本間的共性與個(gè) 性差異去融合多車車速，提高了實(shí)時(shí)路況的準(zhǔn)確性，并且可根據(jù)實(shí)際交通環(huán)境快速調(diào)整相 關(guān)參數(shù)，最后通過實(shí)證分析對(duì)其準(zhǔn)確性進(jìn)行了評(píng)估驗(yàn)證，結(jié)果表明能有效提高動(dòng)態(tài)交通信 息的準(zhǔn)確性，具有良好的實(shí)用性。但是，該算法需要根據(jù)實(shí)際的交通環(huán)境確定參數(shù)和權(quán)重系 數(shù)，因此存在參數(shù)和系數(shù)估計(jì)誤差的問題。
[0009] 綜上可知，現(xiàn)有技術(shù)中對(duì)交通狀態(tài)參數(shù)的估計(jì)方法均存在上述的一些問題。因此， 亟需提出一種新的對(duì)交通狀態(tài)參數(shù)的估計(jì)方法，從而可以有效地提高交通狀態(tài)參數(shù)估計(jì)的 準(zhǔn)確性和可靠性。


【發(fā)明內(nèi)容】

[0010] 有鑒于此，本發(fā)明提供一種交通狀態(tài)參數(shù)的估計(jì)方法和系統(tǒng)，從而可以有效地提 高交通狀態(tài)參數(shù)估計(jì)的準(zhǔn)確性和可靠性。
[0011] 本發(fā)明的技術(shù)方案具體是這樣實(shí)現(xiàn)的：
[0012] 一種交通狀態(tài)參數(shù)的估計(jì)方法，該方法包括：
[0013] 實(shí)時(shí)獲取交通數(shù)據(jù)樣本；
[0014] 當(dāng)當(dāng)前時(shí)間段內(nèi)所采集的當(dāng)前交通數(shù)據(jù)樣本的數(shù)量大于預(yù)設(shè)的交通采集最小樣 本量時(shí)，根據(jù)預(yù)設(shè)的訓(xùn)練模型對(duì)當(dāng)前交通數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)擬合，得到擬合后的數(shù)據(jù)；基于 誤差比判別準(zhǔn)則通過修正矩陣對(duì)擬合后的數(shù)據(jù)進(jìn)行修正，并根據(jù)修正后的數(shù)據(jù)獲取交通狀 態(tài)參數(shù)的估計(jì)值；
[0015] 當(dāng)當(dāng)前時(shí)間段內(nèi)所采集的當(dāng)前交通數(shù)據(jù)樣本的數(shù)量小于或等于預(yù)設(shè)的交通采集 最小樣本量時(shí)，為當(dāng)前交通數(shù)據(jù)樣本、上一時(shí)間段的交通數(shù)據(jù)樣本和歷史量化數(shù)據(jù)分別設(shè) 置相應(yīng)的權(quán)重系數(shù)；并根據(jù)當(dāng)前交通數(shù)據(jù)樣本、上一時(shí)間段的交通數(shù)據(jù)樣本、歷史量化數(shù)據(jù) 以及各自的權(quán)重系數(shù)，計(jì)算得到交通狀態(tài)參數(shù)的估計(jì)值。
[0016] 較佳的，所述交通狀態(tài)參數(shù)為車速。
[0017] 較佳的，所述實(shí)時(shí)獲取交通數(shù)據(jù)樣本包括：
[0018] 實(shí)時(shí)采集原始交通數(shù)據(jù)；
[0019] 根據(jù)所采集的原始交通數(shù)據(jù)和路段信息，通過地圖匹配算法生成位置信息關(guān)聯(lián)路 段的GPS數(shù)據(jù)，并對(duì)所述GPS數(shù)據(jù)進(jìn)行量化，得到量化后的速度概率數(shù)據(jù)，將所述量化后的 速度概率數(shù)據(jù)作為交通數(shù)據(jù)樣本。
[0020] 較佳的，所采集的原始交通數(shù)據(jù)包括：
[0021] 車輛編號(hào)、出租車公司、接收時(shí)間、經(jīng)度、緯度、方位角、瞬時(shí)速度和運(yùn)營狀態(tài)。
[0022] 較佳的，在根據(jù)預(yù)設(shè)的訓(xùn)練模型對(duì)當(dāng)前交通數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)擬合之前，該方法 還進(jìn)一步包括：
[0023] 根據(jù)交通狀態(tài)參數(shù)的歷史量化數(shù)據(jù)，并利用曲線擬合算法計(jì)算得到相應(yīng)訓(xùn)練數(shù)據(jù) 方程的各個(gè)參數(shù)，獲得訓(xùn)練數(shù)據(jù)方程，并根據(jù)該訓(xùn)練數(shù)據(jù)方程預(yù)先設(shè)置相應(yīng)的訓(xùn)練模型。
[0024] 較佳的，所述基于誤差比判別準(zhǔn)則通過修正矩陣對(duì)擬合后的數(shù)據(jù)進(jìn)行修正，并根 據(jù)修正后的數(shù)據(jù)獲取交通狀態(tài)參數(shù)的估計(jì)值包括：
[0025] 利用所述預(yù)設(shè)的訓(xùn)練模型，根據(jù)歷史量化數(shù)據(jù)獲取當(dāng)前路段當(dāng)前時(shí)刻下的交通狀 態(tài)參數(shù)的概率歷史擬合曲線；
[0026] 根據(jù)所獲取的交通數(shù)據(jù)樣本確定交通狀態(tài)參數(shù)的概率函數(shù)；
[0027] 根據(jù)概率歷史擬合曲線和交通狀態(tài)參數(shù)的概率函數(shù)得到樣本的誤差比矩陣K ;
[0028] 根據(jù)所述誤差比矩陣K得到互補(bǔ)矩陣I ;
[0029] 根據(jù)互補(bǔ)矩陣I得到各交通數(shù)據(jù)樣本的修正矩陣A;
[0030] 根據(jù)所述修正矩陣a，得到修正后的各交通數(shù)據(jù)樣本的修正值Z' ；
[0031] 根據(jù)所述各交通數(shù)據(jù)樣本的修正值，通過加權(quán)平均算法計(jì)算得到交通狀態(tài)參數(shù)的 估計(jì)值。
[0032] 較佳的，通過如下所述的公式得到誤差比矩陣K :

【權(quán)利要求】
1. 一種交通狀態(tài)參數(shù)的估計(jì)方法，其特征在于，該方法包括： 實(shí)時(shí)獲取交通數(shù)據(jù)樣本； 當(dāng)當(dāng)前時(shí)間段內(nèi)所采集的當(dāng)前交通數(shù)據(jù)樣本的數(shù)量大于預(yù)設(shè)的交通采集最小樣本量 時(shí)，根據(jù)預(yù)設(shè)的訓(xùn)練模型對(duì)當(dāng)前交通數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)擬合，得到擬合后的數(shù)據(jù)；基于誤差 比判別準(zhǔn)則通過修正矩陣對(duì)擬合后的數(shù)據(jù)進(jìn)行修正，并根據(jù)修正后的數(shù)據(jù)獲取交通狀態(tài)參 數(shù)的估計(jì)值； 當(dāng)當(dāng)前時(shí)間段內(nèi)所采集的當(dāng)前交通數(shù)據(jù)樣本的數(shù)量小于或等于預(yù)設(shè)的交通采集最小 樣本量時(shí)，為當(dāng)前交通數(shù)據(jù)樣本、上一時(shí)間段的交通數(shù)據(jù)樣本和歷史量化數(shù)據(jù)分別設(shè)置相 應(yīng)的權(quán)重系數(shù)；并根據(jù)當(dāng)前交通數(shù)據(jù)樣本、上一時(shí)間段的交通數(shù)據(jù)樣本、歷史量化數(shù)據(jù)以及 各自的權(quán)重系數(shù)，計(jì)算得到交通狀態(tài)參數(shù)的估計(jì)值。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于： 所述交通狀態(tài)參數(shù)為車速。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述實(shí)時(shí)獲取交通數(shù)據(jù)樣本包括： 實(shí)時(shí)采集原始交通數(shù)據(jù)； 根據(jù)所采集的原始交通數(shù)據(jù)和路段信息，通過地圖匹配算法生成位置信息關(guān)聯(lián)路段的GPS數(shù)據(jù)，并對(duì)所述GPS數(shù)據(jù)進(jìn)行量化，得到量化后的速度概率數(shù)據(jù)，將所述量化后的速度 概率數(shù)據(jù)作為交通數(shù)據(jù)樣本。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所采集的原始交通數(shù)據(jù)包括： 車輛編號(hào)、出租車公司、接收時(shí)間、經(jīng)度、緯度、方位角、瞬時(shí)速度和運(yùn)營狀態(tài)。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，在根據(jù)預(yù)設(shè)的訓(xùn)練模型對(duì)當(dāng)前交通數(shù)據(jù) 樣本進(jìn)行數(shù)據(jù)擬合之前，該方法還進(jìn)一步包括： 根據(jù)交通狀態(tài)參數(shù)的歷史量化數(shù)據(jù)，并利用曲線擬合算法計(jì)算得到相應(yīng)訓(xùn)練數(shù)據(jù)方程 的各個(gè)參數(shù)，獲得訓(xùn)練數(shù)據(jù)方程，并根據(jù)該訓(xùn)練數(shù)據(jù)方程預(yù)先設(shè)置相應(yīng)的訓(xùn)練模型。
6. 根據(jù)權(quán)利要求1或5所述的方法，其特征在于，所述基于誤差比判別準(zhǔn)則通過修正矩 陣對(duì)擬合后的數(shù)據(jù)進(jìn)行修正，并根據(jù)修正后的數(shù)據(jù)獲取交通狀態(tài)參數(shù)的估計(jì)值包括： 利用所述預(yù)設(shè)的訓(xùn)練模型，根據(jù)歷史量化數(shù)據(jù)獲取當(dāng)前路段當(dāng)前時(shí)刻下的交通狀態(tài)參 數(shù)的概率歷史擬合曲線； 根據(jù)所獲取的交通數(shù)據(jù)樣本確定交通狀態(tài)參數(shù)的概率函數(shù)； 根據(jù)概率歷史擬合曲線和交通狀態(tài)參數(shù)的概率函數(shù)得到樣本的誤差比矩陣K; 根據(jù)所述誤差比矩陣K得到互補(bǔ)矩陣I; 根據(jù)互補(bǔ)矩陣I得到各交通數(shù)據(jù)樣本的修正矩陣A; 根據(jù)所述修正矩陣A，得到修正后的各交通數(shù)據(jù)樣本的修正值Z' ； 根據(jù)所述各交通數(shù)據(jù)樣本的修正值，通過加權(quán)平均算法計(jì)算得到交通狀態(tài)參數(shù)的估計(jì) 值。
7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，通過如下所述的公式得到誤差比矩陣K:
其中，K表示為[￡l，e2，…en]，W為概率歷史擬合曲線，Vi(i= 1，2,3，……，n)為 交通狀態(tài)參數(shù)，Z為交通狀態(tài)參數(shù)的概率函數(shù)。
8. 根據(jù)權(quán)利要求7所述的方法，其特征在于，通過如下所述的公式得到互補(bǔ)矩陣I:
9. 根據(jù)權(quán)利要求8所述的方法，其特征在于，所述修正矩陣A表示為： A= [Wl，w2,......wn]； 其中，Wi為交通狀態(tài)參數(shù)\的修正因子，且

10. -種交通狀態(tài)參數(shù)的估計(jì)系統(tǒng)，其特征在于，該系統(tǒng)包括：數(shù)據(jù)采集模塊、判斷模 塊、訓(xùn)練數(shù)據(jù)模塊、修正模塊和融合模塊； 其中，所述數(shù)據(jù)采集模塊，用于實(shí)時(shí)獲取交通數(shù)據(jù)樣本，并將所獲取的交通數(shù)據(jù)樣本發(fā) 送給所述判斷模塊； 所述判斷模塊，用于判斷當(dāng)前時(shí)間段內(nèi)所采集的當(dāng)前交通數(shù)據(jù)樣本的數(shù)量是否大于預(yù) 設(shè)的交通采集最小樣本量；如果是，則將所述當(dāng)前時(shí)間段內(nèi)所采集的當(dāng)前交通數(shù)據(jù)樣本發(fā) 送給所述訓(xùn)練數(shù)據(jù)模塊；否則，將所述當(dāng)前時(shí)間段內(nèi)所采集的當(dāng)前交通數(shù)據(jù)樣本發(fā)送給所 述融合模塊； 所述訓(xùn)練數(shù)據(jù)模塊，用于根據(jù)預(yù)設(shè)的訓(xùn)練模型對(duì)所接收的當(dāng)前交通數(shù)據(jù)樣本進(jìn)行數(shù)據(jù) 擬合，得到擬合后的數(shù)據(jù)并將擬合后的數(shù)據(jù)發(fā)送給所述修正模塊； 所述修正模塊，用于基于誤差比判別準(zhǔn)則通過修正矩陣對(duì)擬合后的數(shù)據(jù)進(jìn)行修正，并 根據(jù)修正后的數(shù)據(jù)獲取交通狀態(tài)參數(shù)的估計(jì)值并輸出； 所述融合模塊，用于為所接收的當(dāng)前交通數(shù)據(jù)樣本、上一時(shí)間段的交通數(shù)據(jù)樣本和歷 史量化數(shù)據(jù)分別設(shè)置相應(yīng)的權(quán)重系數(shù)；并根據(jù)所述當(dāng)前交通數(shù)據(jù)樣本、上一時(shí)間段的交通 數(shù)據(jù)樣本、歷史量化數(shù)據(jù)以及各自的權(quán)重系數(shù)，計(jì)算得到交通狀態(tài)參數(shù)的估計(jì)值并輸出。
【文檔編號(hào)】G08G1/01GK104408915SQ201410617762
【公開日】2015年3月11日 申請(qǐng)日期:2014年11月5日 優(yōu)先權(quán)日:2014年11月5日
【發(fā)明者】柏才盟, 楊金東, 孫代耀, 劉宏斌, 張新穩(wěn) 申請(qǐng)人:青島海信網(wǎng)絡(luò)科技股份有限公司