基于浮动车移动轨迹的新增道路自动发现算法

为了实现电子地图数据的动态更新,以支持日新月异的交通路网的地理信息服务,提出一种基于浮动车技术的新增道路自动发现算法。系统实时计算大规模浮动车数据移动轨迹,并与现有图层进行图像配准以提取疑似新增道路集,进而通过筛选过滤算法对数据集进行数据清洗,并自动地生成包含其位置和长度等信息的疑似新增道路报表及其临时图层。实验结果表明,该算法可快捷地自动发现新增道路,新增道路最快发现时间小于5min,是解决目前交通道路图层更新滞后问题的一种有效方法。     

基于向量识别的启发式路径推测算法

浮动车数据主要是由车辆的轨迹点数据组成,是一种重要的原始数据,可以广泛地用于各种交通应用,如交通管理和控制、路况计算等.但是原始的车辆GPS数据存在定位误差,必须经过路径推测的修正处理才可以应用.传统的路径推测算法主要采用两种方法:渐增式和全局式.两种方法各有优缺点,渐增式方法计算速度快但准确性差,全局式方法准确性好但计算速度慢.通过综合考虑两种传统算法,文中提出了一种基于向量识别的启发式路径推测算法,该算法采用了启发式图搜索方式,导入几何运算的约束条件,根据车辆轨迹点所形成的向量与路网模型比较来进行启发式搜索,并选择车辆所有可能行驶的候选路径.根据全局择优的方式从整体进行比较,确定车辆最有可能的行驶路径.实验结果表明,这种算法能够在复杂路网下,比较准确地推测距离间隔较大的车辆轨迹点,并且能够实时高效地处理大规模数据.     

基于浮动车数据的道路单向限行状态动态识别

交通道路的单向限行状态识别可以为社会公众提供及时准确的路网限行信息,提高公众出行效率,提升动态交通信息服务水平。提出了一种基于浮动车数据的道路单向限行状态动态识别算法。该算法首先获取地图线要素信息,并进行空间信息网格对交通道路的投影匹配预处理,实现海量浮动车数据的快速匹配;然后分析各道路的浮动车数据方向信息的统计特性,对其进行双阈值信息过滤和方向信息过滤处理,以动态提取交通道路的单向限行状态信息。经实际路网测试验证,该算法可有效识别道路的单向限行状态信息。     

面向实际道路网络的浮动车采样间隔优化方法

目前基于浮动车的城市交通信息采集通常采用等间距进行采样,无法根据道路网络几何条件和状态的差异进行合理的采样间隔优化.针对现有采样算法的不足,本文提出了一种面向实际道路网络的浮动车采样间隔优化方法.首先通过构建四叉树模型对城市道路网络进行划分,确定空间采样分辨率,然后利用历史轨迹对浮动车的速度进行短时预测,最后在不影响空间采样分辨率的基础上实时动态优化采样间隔,在交通信息的精度与信息的采集成本之间取得平衡.通过仿真试验的定性定量分析,新算法能够在不同复杂程度的道路网络情况下动态调整采样间隔,不仅确保了采样数据的精度,而且降低了采样数据容量.     

基于浮动车数据非参数回归短时交通速度预测

非参数回归算法是近年来提出的一种较新型的短时交通流预测算法,为了提高预测精度,提出了基于误差反馈的预测方法.加入误差反馈机制,针对状态向量中的权值进行实时的反馈修改,得到了较满意的结果.采用成都市浮动车系统中的出租车浮动车数据对红星路二段的速度进行了预测,预测结果表明,该算法的预测精度优于无反馈的非参数回归和BP神经网络.     

多重处理的道路拥堵识别可视化融合分析

目的 随着城市交通拥堵问题的日益严重,建立有效的道路拥堵可视化系统,对智慧城市建设起着重要作用。针对目前基于车辆密度分析法、车速判定法、行驶时间判定法等模式单一,可信度低的问题,提出了一种基于DBSCAN+（density-based spatial clustering of applications with noise plus）的道路拥堵识别可视化方法。方法 引入分块并行计算,相较于传统密度算法,可以适应大规模轨迹数据,并行降维聚类速度快。对结果中缓行区类簇判别路段起始点和终止点,通过曲线拟合和拓扑网络纠偏算法,将类簇中轨迹样本点所表征的路段通过地图匹配算法匹配在电子地图中,并结合各类簇中浮动车平均行驶速度判别道路拥堵程度,以颜色深浅程度进行区分可视化。结果 实验结果表明,DBSCAN+算法相较现有改进的DBSCAN算法时间复杂度具有优势,由指数降为线性,可适应海量轨迹点。相较主流地图产品,利用城市出租车车载OBD（on board diagnostics）数据进行城区道路拥堵识别,提取非畅通路段总检出长度相较最优产品提高28.9%,拥堵识别命中率高达91%,较主流产品城区拥堵识别平均命中率提高15%。结论 在城市路网中,基于DBSCAN+密度聚类和缓行区平均移动速度的多表征道路拥堵识别算法与主流地图产品相比,对拥堵识别率、通勤程度划分更具代表性,可信度更高,可以为道路拥堵识别的实时性提供保障。     

基于国产处理器增量式实时交通流预测算法及实现

针对城市交通难以处理大量数据且实时性差等问题,提出了根据增量式城市交通流数据预测拥堵情况的一种基于国产处理器的L-BFGS(limited-memory BFGS)算法。该算法通过存储向量序列计算Hessian矩阵,改进Two-Loop算法求下降方向,在Spark集群中并行处理时收敛速度快,适用于实时性要求强的城市交通场景。实验结果证明,L-BFGS预测算法完全可以在国产平台上对大规模的实时交通数据流进行快速建模、预测,在改善城市交通管理水平提供有效支撑的同时也丰富了国产芯片的应用领域。     

多源交通信息采集、处理与发布系统研究

研究多源交通信息动态采集与处理技术与框架结构,实现定点交通流、浮动车、视频等多源数据采集、融合和处理共享,并通过互联网、手机、车载导航、交通电台等多种媒介,实现多样化的交通信息发布和个性化数据需求,以建设交通信息服务平台,从而提高和改善公众出行效率、提高交通管理的综合效率.     

交通轨迹大数据预处理方法研究

针对交通轨迹大数据的非平稳特性,研究交通轨迹大数据预处理方法。根据二维离散小波的多分辨率分析特点,选用二维离散小波对交通轨迹大数据进行去噪和压缩处理。构建交通轨迹大数据预处理平台,结合道路交通拥堵状态评判标准,实时分析重要路段的交通状况。分析结果表明,该方法能够提高数据处理速度和拥堵路段分析精度。     

离群点挖掘技术在交通事件检测中的应用

交通事件的检测与确认是交通事件管理中的首要问题。基于线圈和视频数据的检测方法由于成本高,检测效果不明显,在实际应用中受到限制。提出了一种基于离群点挖掘的交通事件检测算法。该算法通过使用浮动车（floatingcardata,FcD）技术得到路况信息,并提取交通事件特征,建立特征向量。算法简单、高效、易于部署。实验结果表明,同模式识别方法相比,该算法具有较高的准确度,能有效区分常规拥堵与交通事件。     

一种利用不完整数据检测交通异常的方法

城市化进程的加快带来了严重的交通问题,检测交通异常成为数据挖掘领域的热点之一。传统道路管理主要是应用视频监控,使得处理交通问题的效率受限。鉴于上述原因,提出了一种利用不完整数据检测交通异常的方法(Traffic Anomaly Detection,TAD)。首先,利用相关性聚类从手机数据中获取车辆密度信息,降低处理不完整数据的计算开销;然后,设计一个自适应无参数检测算法,根据手机呼叫量变化率捕捉车辆的分散式动态异常,以解决道路状况不确定性难题;最后,提出异常轨迹算法来追踪异常分布路线并预测影响范围,提高异常检测效率。实验结果表明,TAD方法在不同的实验环境下能够有效地检测交通异常,与现有算法相比,所提算法在有效性和伸缩性上效果更好。     

一种基于虚拟化托管框架的浮动车数据弹性云计算算法

针对大规模浮动车数据（FCD）进行弹性计算等关键性算法研究,在分布式并行处理的基础上,通过虚拟化托管框架,实现FCD弹性计算处理系统及FCD实验平台,该平台不仅能够对浮动车数据处理,还能通过适配处理遥感影像数据等。通过北京市实际浮动车数据集和路网数据测试,实验结果表明,不仅处理效率得到较大幅度提升,并且通过负载均衡优化,进一步降低处理时间,在此基础上,根据任务紧急重要程度,以及虚拟化资源情况,调度合适的计算单元,可实现弹性计算能力,验证该算法的有效性,更好地解决大规模复杂空间数据运算的效率问题。     

基于高速公路场景的车辆目标跟踪

车辆目标检测与跟踪是高速公路视频监控系统实时监控获取交通参数的关键步骤.本文提出了一种面向高速公路场景的目标轨迹时序信息结合核相关滤波KCF算法的车辆目标跟踪方法,实现了车辆目标的高精度持续跟踪.该方法首先采用基于深度学习的单目标检测SSD算法,通过建立车辆数据集,实现了适用于高速公路场景的车辆目标的分类与检测.然后,基于目标轨迹时序信息实现目标车辆与轨迹的匹配,并且采用KCF跟踪算法对丢失目标进行预测重定位,从而实现车辆目标轨迹的持续跟踪.实验表明,该跟踪方法精度高,且适应多种不同场景,具有较高的应用价值.     

浮动车信息处理系统关键技术的研究

本文介绍了智能交通领域中一种先进的交通信息采集发布系统-浮动车信息系统。浮动车使用GPS车载装置采集车辆的行驶参数(如时间、速度、坐标、方向等),并将这些数据通过GPRS网络传送到浮动车信息中心,经过汇总、处理后生成实时的路况交通信息,并通过互联网和GPRS、CDMA网络向公众发布。本文提出了浮动车信息处理的核心算法模型,主要包括地图匹配、路径推测和道路路况计算三部分,并分别对这些算法进行了详细描述。     

交通卡口大数据中的套牌车实时检测算法

传统的套牌车识别算法通过串行工作方式在网络化城市交通监控系统所产生的大规模数据中进行两两比对实现套牌车检测,因此在处理海量数据时存在性能瓶颈问题.文章提出了一种新的基于Storm框架的算法模型,该算法具有实时特征,通过引入多台硬件计算资源协同处理大规模数据下的套牌车检测问题,显著提高了计算性能.同时,采用基于滑动窗口计算技术,能进一步提高算法的检测速度和识别精度.     

面向复杂路网低频GPS采样数据新型地图匹配算法

大数据时代低频采样交通轨迹数据呈指数级增长,准确、高效地对复杂路网中产生的海量低频浮动车数据进行地图匹配对出租车载客热点和路线推荐具有重要意义。基于上述考虑,提出了一种基于曲线拟合的改进算法,对缺失的轨迹数据和路网数据分别使用插值和均值化的方法进行补全,利用Geohash技术对路网和轨迹数据进行存储和搜索,充分考虑车辆速度和道路限速因素,使用轨迹点后向向量和路段向量对路候选段进行分析,设计综合评价函数得到最优匹配结果。实验结果表明,与传统垂直投影算法和曲线拟合算法进行对比,所提曲线拟合算法准确率较高,时间效率得到显著提升。     

面向间断流行程时间预测的浮动车数据挖掘

间断流行程时间预测是交通流诱导系统和交通控制系统研究的一项重要内容。指出传统浮动车行程时间预测模型的局限性,提出一个模糊回归模型,该模型克服了传统预测模型的局限性,考虑了相邻路段交通状态（行程时间）的连续性,仅需要少量数据就可以对间断流行程时间进行较准确的预测。利用杭州市的实测数据对行程时间进行了预测分析,结果证明该模型是有效的。     

基于非参数回归的路段速度估算方法*

城市道路交通运行状况的及时获取对交通管理和出行有着重要的作用,而准确判断交通状况需要利用准确的交通流速度。针对城市道路配备有一定数量的固定检测器,但是浮动车覆盖率不足的情况,提出了基于非参数回归的路段速度估算方法。该方法有效结合固定检测器数据和浮动车数据,对不同时段、路段、天气对行驶速度的影响分别进行分析,建立状态模式库,利用模式匹配估算出道路交通流速度。通过算例分析比较,可知该算法具有较高的准确度。     

大规模数据集下基于DBSCAN算法的增量并行化快速聚类

时空轨迹数据挖掘是发现移动对象行为模式的重要方式。针对海量轨迹数据处理的需求,提出一种增量并行化快速聚类算法。算法基于数据点的数量采用二分法对空间网格分区,结合贪心算法弹性重组分区,合理进行数据划分;进行本地局部聚类,获得合并簇候选集;采用R*-tree索引候选簇进行合并判断并处理;建立合并簇的无向无环图模型,并进行数据的全局重标签。实验结果表明:算法的弹性分区处理能有效地减少噪点数据,提高局部聚类的质量,采用R*-tree索引结构的合并策略有效提高了聚类的时间效率,聚类效果好,能实现大规模数据的在线处理。     

基于云网格集成调度的防拥堵车辆路径规划算法

在道路交通路网中,车辆拥堵问题是流量与路网结构之间相互作用的一个复杂动态过程,通过车辆路径规划,实现对路网网格集成调度,从而提高路网通行吞吐量。传统方法采用并行微观交通动态负载平衡预测算法实现车辆拥堵调度和车辆路径规划,不能准确判断路面上的车辆密度,路径规划效益不好。提出一种基于云网格集成调度的防拥堵车辆路径规划算法,即构建基于Small-World模型的云网格路网模型,采用RFID标签信息进行路况信息采集,实现交通网络拥堵评估信息特征的提取,采用固有模态函数加权平均求得各车道的车辆拥塞状态函数,对所有车道内车辆密度取统计平均可获得簇内的车辆密度。设计交通路网拥堵检测算法来对当前个体道路信息进行一维邻域搜索,从而实现车辆路径规划控制目标函数最佳寻优。通过动态博弈的方式求得车辆防拥堵路径的近似最优轨迹,实现路径规划算法的改进。仿真结果表明,该算法能准确规划车辆路径,实现最优路径控制,从而提高严重拥堵路段的车流速度和路网吞吐性能,性能优越。