浮动车信息处理技术研究

概括了浮动车技术的基本原理,重点介绍了浮动车信息处理系统的处理流程及地图匹配、路径推测和路况信息计算方法。针对GPS数据精度差、路网结构复杂等影响浮动车信息处理准确性提升的问题,给出了一系列改进型研究工作。最后,给出了评估浮动车信息处理准确性的方法,并指出了浮动车信息处理技术的后续工作。

基于SVM的浮动车行驶模式判断模型

浮动车在低速情况下存在两种行驶模式,如不能对上述模式进行准确区分,将严重影响浮动车实时路况计算的精度和效率.研究和设计了一个基于支持向量机(SVM,Support Vector Machine)的浮动车行驶模式判断模型,并针对性地提出了一种简单的基于隶属度矩阵的特征评价和选择方法.实验表明通过上述方法选择的特征子集所训练的分类器在测试样本集上具有92.6%的分类准确性;经过行驶模式分析后,浮动车系统的准确性有显著提升.

并行路网结构下的浮动车信息处理模型

受GPS定位精度的限制,浮动车在主辅路并行路网结构下进行地图匹配和路径推测存在困难,直接影响路况信息获取的准确性.在现有浮动车信息处理框架基础上,运用统计学方法提升地图匹配的精度,并将主辅路径同时作为车辆的行驶轨迹输出,有效降低了路径推测错误的可能性.最后,引入证据推理框架以解决路径选择策略调整所带来的信息不可信和信息冲突问题.对比实验表明,改进系统在主路和辅路上的路况准确性分别有14.26%和9.46%的提升.

基于浮动车数据的交通事件检测方法

为了实时准确地检测交通事件,利用交通事件中上、下游路段速度变化幅度不同的特点,提出一种基于浮动车数据的交通事件检测方法.该方法采用余弦变换,将相邻路段之间的速度差值进行缩放,突显事件路段、事件发生时间和恢复时间的数据特征.实例分析表明:事件路段及其下游路段的速度差时变轨迹曲线呈开口向下的抛物线;当不受事件影响时,速度差比率的余弦变换结果与y=1轴接近;当交通受事件影响时,影响越严重,速度差比率的余弦变换时变轨迹偏离y=1轴越远.该结论能有效确定事件路段、事件发生时间、清理完毕时间和交通流恢复时间.本文提出的检测方法,能为交通事件管理提供理论支撑和技术参考.

基于浮动车数据的交通流变化趋势提取方法

为挖掘典型的交通流变化趋势,本文结合交通信息的粗粒度表达方式,提出了2种基于浮动车数据的提取方法:定距型方法和二值型方法。定距型方法从交通流整体趋势出发,设定2个交通流时变向量的加权欧几里得距离不能大于可容忍阈值;二值型方法从个体出发,考虑每一维度表示的交通状态必须一致,否则必须小于可容忍阈值。2种方法的适用范围既有交集,也有各自的特征集。对北京一条路段3个月周五的浮动车数据进行分析,并采用K-均值法对数据进行初步聚类。分析结果表明,传统的K-均值法只能从纯数学角度聚类,不能将交通流趋势完全区分开;而定距型和二值型方法均能够将交通流变化趋势进一步合并,达到预期效果。