利用GPS数据估计路段的平均行程时间

对利用出租车GPS数据估计路段平均行程时间的方法进行了研究。在GPS数据误差修正的基础上,根据GPS数据量的不同,对大样本数据量采用样本均值估计路段平行行程时间,对小样本数据量采用顺序统计量中位数估计路段平均行程时间,并计算了估值的置信区间和置信度。采用实际出租车GPS数据进行估计并与线圈数据估计值进行了比较,结果相差较小。说明该估计方法能够用于实际路段平均行程时间的估计。     

基于路段下游检测线圈的路段行程时间估计

为解决路段下游线圈检测信息因受交通控制信号影响无法估计路段行程时间的问题,通过分析车辆在停车线处的动力特性,利用牛顿运动定律,对路段下游线圈检测车速进行分析修正,获取车辆通过停车线的修正车速.分析了车辆排队前部与其后车辆在通过下游检测线圈的不同运动特性,分段估计车辆通过路段的时间.用VISSIM4.20模拟软件设计实验,对比分析了基于路段上下游线圈检测信息进行的路段行程时间估计结果.实验结果表明,利用提出方法估计的结果较基于上游检测信息估计结果的准确性和稳定性均有提高.     

基于SCATS及GPS信息的路段行程时间估计

由于SCATS控制系统的检测信息不提供速度信息,很少用其估计城市道路的路段行程时间。鉴于SCATS应用的广泛性及其采集信息的丰富性,提出了一种基于SCATS信息的路段行程时间估计方法。对基于SCATS信息估计结果进行误差分析,并分析了浮动车样本量对GPS估计结果的影响,明确了两种估计方法在不同条件下估计结果的特性。根据估计结果的准确性和稳定性对实验样本进行分类。在分类的基础上,分析了以上两种估计结果的互补性,并选择合适的融合方法对二者进行了融合处理,融合前后的估计误差对比结果表明,提出的基于SCATS估计方法有效,经SCATS及GPS信息融合后的估计结果更可靠。     

基于GPS浮动车的路段行程时间估计方法比较

以长春市局部路网的地理信息为基础,运用实测GPS数据分别对基于GPS浮动车的路段行程时间的直接估计方法与间接估计方法进行编程实现和测试分析,并且依据所得路段行程时间数据对比分析了两种方法各自的特点及适用范围。结果表明,两种方法适用范围的差别比较明显。     

基于数据采样方法的城市道路自由流行程时间估计

基于交通波模型,提出利用车牌识别数据估计城市道路自由流行程时间. 无需额外架设检测器或现场测算,所提方法具备准确性、科学性、实用性的特点. 基于车辆均匀到达的假设,将行程时间分为自由流行程时间和延误,建立信号影响下的路段行程时间分布函数. 针对现实环境中车流非均匀到达的特点,提出数据重采样方法生成符合均匀流假设的行程时间数据;拟合行程时间分布函数以获得路段自由流行程时间. 在杭州市多个路段的数据验证结果表明,重采样后的行程时间数据较好地拟合了行程时间分布模型,估得的自由流行程时间准确且具备理论支撑.     

基于速度矩阵和人工神经网络的行程时间组合离线预测模型

根据行程中车辆运行状态的时空相关性,结合矩阵的空间结构,构建了路段-时段平均速度矩阵,以表示车辆在行程中不同时空中的运行状态,并提出了一种基于该矩阵模拟车辆运行的行程时间离线预测模型。在此基础上,为了进一步提高该矩阵预测效果,结合相邻行程间的非线性规律,将路段-时间平均矩阵预测模型与BP神经网络模型相结合,构建出一种行程时间组合预测模型。以湖南中烟工业有限责任公司物流配送数据为数据集进行实验,结果表明:该组合模型的预测效果优于单一模型。     

高速公路施工路段交通特性分析

高速公路施工路段具有受交通干扰大,且具有高安全风险等特点,施工路段附近通行能力低、车流量大、交通环境差.本文对高速公路施工路段道路基本特性、人的交通特性以及车辆流运行特性进行了研究分析.     

基于高清智能卡口路段行程时间的数据质量分析

通过分析行程时间估计参数与样本率的变化关系,发现样本率越大,路段行程时间的平均绝对百分误差越小,行程时间标准差的波动性越小;当样本率大于0.414时,样本数据计算得到行程时间参数满足精度及稳定性要求,由此确定行程时间数据的样本率阈值.考虑路段开口计算实际路段行程时间匹配率,并对其时空变化特征和显著性差异进行分析.实际数据表明,行程时间匹配率与路段及日期无关,稳定且均大于最小样本率;行程时间匹配率与时段有关,20:00至次日6:00时段内行程时间匹配率较一天内其他时段低,但仍大于最小样本率.综上可以确定高清智能卡口数据用于估计行程时间的可行性.     

基于GPS采集车辆行程时间的路段划分模型

针对传统路段概念的模糊边界导致无法采集转向行程时间的问题,从提高GPS/GIS浮动车采集路段行程时间的性能出发,提出了方向路段与方向成员路段的概念,设计了一套半闭半开、具有方向的路段划分模型,并制定了相应的组织规则。     

信号控制下的路段行程时间

通过交叉口停车先前停车波和启动波的分析,划分出车辆在信号控制下的聚集-释放模式,得出稳定输入下不存在完全一次排队。针对稳定模式中车辆行驶轨迹作了分类,并分别研究了它们各自的行程时间。并用算例表明,路段行程时间(即路阻)不仅是路段流量的增函数,同时它还会受到信号控制的影响。流量很低时的车辆行程时间有可能比流量高时的还要长。     

采用低频浮动车数据的行程时间估计

为解决利用低频浮动车数据进行路径行程时间估计时精度不高的问题,从分析浮动车数据特征的角度出发进行行程时间分布的估计,提出并讨论利用浮动车数据估计行程时间的潜在误差,针对每种潜在误差提出修正模型,并选取上海市长寿路部分路段进行实证分析,利用1 500辆出租车数据,对各种修正方法下的行程时间进行估计,与改进内插值估计方法进行对比,并与车牌识别装置提供的直接行程时间估计结果进行相似性分析.结果表明:所有误差均修正的行程时间估计与改进内插值方法相比,平均估计精度提高9.5%,且估计的中位数、25%分位数和75%分位数与车牌识别方法有较高的匹配度.考虑低频浮动车数据误差修正的行程时间估计可以改善估计的精度,可提供有效的行程时间信息.     

结合光流法的车辆运动估计优化方法

针对车辆自主定位实时准确的要求,提出一种结合光流法的车辆运动估计优化方法.采用改进的Lucas-Kanade算法跟踪FAST特征点计算其光流;进而对图像间偏移量进行坐标系转换,获得初始坐标系下车辆的运动估计值;基于偏移量与旋转角度误差服从正态分布的假设,优化更新采用光流法的车辆运动结果,最终映射到世界坐标系中获得车辆运行轨迹.通过测试多组不同车辆行驶轨迹,结果表明:该优化方法突出了光流法的实时性并且克服了其精度差的缺点,有效解决了由累积误差引起的轨迹漂移情况,能够提供车辆准确实时的定位输出.相较于基于特征点匹配的车辆定位其计算时间短,与常用的光流法比较,轨迹更加精确、光滑.     

结合浮动车技术的SCATS自适应控制策略生成技术

针对SCATS信号控制系统存在的两个问题:相位差实时优化能力差和备选方案固化,尝试结合浮动车技术研究了SCATS自适应控制策略生成技术。通过改进地图匹配算法,提高浮动车路段行程时间估计精度,从而提高相位差实时优化能力以及模型的输入数据精度。同时根据实时的检测器数据和浮动车数据,采用模糊神经网络以及多属性决策技术自适应生成控制区域交叉口的配时参数。最后,以上海某SCATS控制区域为仿真路网,以SCATS采集的检测器数据及浮动车数据为仿真输入数据,以Paramics V6为仿真平台对本文模型进行验证,结果表明能够提高系统的控制效率。     

三维点云极化地图表征模型与智能车定位方法

为提高智能车定位精度提出一种基于三维点云极化地图表征模型的定位方法。该模型以点云极化图为节点,利用高精度GPS(Global Positioning System)和欧拉角实现该节点的全局位置表征;从极化图中提取点云的二维与三维特征,实现该节点的多尺度特征表征;通过一系列极化节点实现道路场景的数值描绘与虚拟重构。定位过程中,通过对实时获取的三维激光点云进行极化表征并与地图节点进行多尺度特征匹配实现智能车的地图定位。具体而言,首先根据待定位智能车GPS信号的稳定情况选用GPS匹配或者拓扑定位筛选地图节点并获取定位候选集,完成初定位;其次运用点云二维特征匹配结果从定位候选集中检测距离待定位智能车最近的地图节点,完成节点级定位;最后利用点云三维特征匹配结果与最近地图节点的全局位置计算智能车位姿,完成度量级定位。实验在两种典型场景下进行,节点定位准确率98.7%,平均定位误差21.4 cm,最大定位误差42.9 cm。结果表明,本文算法满足智能车高精度定位需求,且鲁棒性强、成本低、计算过程简单。     

路面路标高精度地图构建与多尺度车辆定位

为提高智能车定位精度,提出一种利用路面标志构建高精度地图的方法,并在制作的地图基础上提出多尺度车辆定位算法.以路面路标为核心构建高精度视觉地图,地图中每个路标均包含路标视觉特征、几何结构信息,以及其在参考坐标系的精确的位置关系.在定位过程中,首先通过GPS粗匹配计算车辆位置在地图中的位置范围;然后匹配地图中的视觉特征实现路标级定位;最后通过地图中的路标的几何结构信息与参考位置关系实现车辆位置的精确计算,从而实现基于路面路标高精度地图的车辆多尺度定位.针对某大学校园约3.4 km的道路路面标志(包括路面直行箭头、右转箭头、井盖等)进行高精度地图构建,并以之为基础实现车辆定位.定位实验结果表明:算法平均定位误差为12.5 cm,最大定位误差为23.3 cm.定位采取先制图后定位以及多尺度匹配的策略为高精度智能车定位建议了一种新的方法.     

基于低频浮动车数据的实时地图匹配算法

在考虑GPS误差等影响因素的前提下,按照5 min时间间隔为单位,对该时间段的GPS点筛选候选匹配链路;然后利用最短路算法获得浮动车行驶的候选径路集,并通过模糊逻辑推理确定最终行驶径路,实现低频浮动车数据的地图匹配;最后,基于北京市采集的浮动车高频数据,利用不同频率下随机抽取低频数据对算法进行验证.     

A novel vehicle navigation map matching algorithm based on fuzzy logic and its application

A new real-time map matching algorithm based on fuzzy logic is proposed. 3 main factors affecting the reliability of map matching, including the distance between the vehicle location and the matching road segment, the angle between the vehicle direction and the road segment direction and the road connectivity are discussed. Fuzzy rules for the distance, angle and connectivity are presented to calculate the matching reliability. 2 indicators for estimating the matching reliability are then derived, one is the lower limit of the reliability, and the other is the limit error of the difference between the maximal value and the second-maximal value of the reliability. A real-time mapmatching system based on fuzzy logic is therefore developed. Using the real data of global positioning system(GIS) based navigation and geographic information system(GPS) based road map, the method is verified and the results prove the effectiveness of the proposed method.     

低速运动载体在参考地图上的定位研究

在分析了低速运动载体利用参考地图定位辅助惯性导航系统（INS）的特点之后,认为现有的匹配定位算法不适应修正低速航行运动载体的INS误差,因而相应地提出了一种单步等值线匹配算法. 在该算法中加入了误匹配判断和惯性导航与匹配定位方法之间的转换逻辑判断,以保证算法的有效性和稳定性. 仿真结果表明,在可匹配区其定位精度与地图格网间距相关,圆概率误差(CEP)可以达到地图网格间距的0 7倍.     

危险货物道路运输车辆出行链活动类型识别

针对危险货物运输(危货)车辆出行链上停留节点活动类型的识别问题,提出基于高斯混合模型-隐马尔科夫模型(GMM-HMM)的活动类型识别方法. 对车辆GPS数据构建基于决策树的车辆起停检测模型,提取出行链活动节点,并通过D-OPTICS算法对活动节点聚类得到活动热区;根据活动节点的个体特征、所在出行链的亲属特征和所处热区的群体特征进行多尺度特征体系构建,通过因子分析进行降维处理;利用GMM-HMM构建危货车辆活动类型识别模型,通过Baum-Welch算法进行参数估计,并使用Viterbi算法解码隐藏状态得到出行链各活动节点的类型识别结果. 在小规模实际活动数据集上直接验证所提方法的正确性,还结合活动节点的POI类别,间接评估所提方法对大规模GPS数据的车辆活动类型识别效果. 实验结果表明:在9种活动类型识别任务中,基于GMM-HMM的出行链活动类型识别方法的活动识别率超过80%. 识别结果可用于分析活动行为模式,及时发现异常活动,为危险品运输监管提供有效的决策支持.     

基于IMM-UKF的协同式车辆运动状态跟踪算法

为了提高车辆运动状态的跟踪精度,在路侧传感网信息融合的基础上,提出了一种改进的车辆运动状态估计方法.采用匀速直线运动模型和匀速转向运动模型建立了多模型的汽车行驶状态方程,利用马尔科夫链进行模型切换.同时引入无迹卡尔曼滤波算法,根据前一时刻的运动状态和当前观测值,对车辆行驶的运动状态参数进行估计.结果表明,改进的多模型数据融合算法与单模型相比,轨迹和速度跟踪误差分别降低了86.8%和78.6%,有效地提高了车辆运动状态跟踪的精度.