一种智慧交通的智能定位方法与流程

1.本发明涉及智能定位技术领域，尤其涉及一种智慧交通的智能定位方法。


背景技术：

2.随着国民经济快速发展和对外开放的不断扩大，公路交通步入了快速发展的轨道，伴随着公路的快速建设，我国汽车保有量也逐年增加，公路交通量明显增大，与此同时公路故障事故数量增长迅猛。在交通网络中，车辆追尾、设施故障等突发事故导致交叉路口或路段发生拥堵的事件时有发生，一些关键交叉路口或路段的突发故障导致的拥堵现象，会随着时间的推移逐渐向相邻的路段或者节点传播，严重时可能会使得整个交通网络瘫痪；
3.在交通网络发生故障时，及时的故障定位和故障处理，对于保障交通网络的正常运营有至关重要的作用。


技术实现要素：

4.本发明提出一种智慧交通的智能定位方法，能够快速准确地定位出道路的故障点，保障交通网络的正常运营。
5.本发明实施例提供一种智慧交通的智能定位方法，所述方法包括：
6.获取预设在不同位置的两个接收站接收故障点发射的目标电波的定位参数；
7.将所述定位参数代入预先根据两个接收站位置建立的定位模型中得到所述故障点的经纬度位置的函数关系式，作为目标函数；
8.初始化蝠鲼觅食算法的参数，采用所述蝠鲼觅食算法迭代更新所述函数关系式的位置，以得到的最优值作为所述故障点的目标位置。
9.优选地，所述定位参数包括两个接收站接收到所述故障点发射目标电波的时间差，以及两个接收站接收所述目标电波的方位角。
10.作为一种优选方案，预先建立所述定位模型的过程具体包括：
11.根据球面三角公式，解算所述故障点到两个接收站的地面距离与天波群路径之差和方位角的几何关系；
12.根据两个接收站接收到所述故障点发射目标电波的时间差建立距离方程；
13.根据两个接收站接收所述目标电波的方位角建立方位角方程。
14.进一步地，所述距离方程为：
[0015][0016]
其中，r为目标电波到两个接收站的天波群路径距离差，接收站r1的经纬度p1为(l1，b1)，接收站r2的经纬度p2为(l2，b2)，τ为两个接收站接收到所述故障点发射目标电波的时间差，a为地球半长轴，e2＝(a
2-b2)/b2是第二偏心率的平方，b是地球短半长轴，σi＝arccos[sinb
t
sinbi+cosb
t
cosbicos(l
t-li)]，i＝1，2，目标t的经纬度位置p
t
为(l
t
，b
t
)，k1和
k1为预设的参数。
[0017]
作为上述方案的改进，所述方位角方程为：
[0018][0019]
其中，αi为分别为所述故障点与两个接收站的象限角，i＝1，2，θi为分别为所述故障点与两个接收站的方向角。
[0020]
优选地，所述将所述定位参数代入预先根据两个接收站位置建立的定位模型中得到所述故障点的经纬度位置的函数关系式，作为目标函数，具体包括：
[0021]
根据所述定位参数获得定位模型的输入向量v；
[0022]
对所述定位模型中的距离方程和方位角方程进行高度非线性自适应拟合，对所述输入向量和故障点的位置进行学习，建立所述故障点的经纬度位置的函数关系式p，作为目标函数；
[0023]
其中，v＝(τ，θ1，θ2)，i＝1，2，r为目标电波到两个接收站的天波群路径距离差，e2是第二偏心率的平方。
[0024]
优选地，所述初始化蝠鲼觅食算法的参数，采用所述蝠鲼觅食算法迭代更新所述函数关系式的位置，以得到的最优值作为所述故障点的目标位置，具体包括：
[0025]
s301，初始化蝠鲼觅食算法参数，具体为初始的迭代次数t；
[0026]
s302，判断所述蝠鲼觅食算法的当前的迭代次数t是否大于预设的最大迭代次数t；若是，跳转至s313；若否，跳转至s303；
[0027]
s303，生成[0,1]之间的随机数r1；
[0028]
s304，判断随机数r1是否小于0.5；若否，跳转至s305；若是，跳转至s306；
[0029]
s305，根据所述蝠鲼觅食算法中的链式觅食个体位置更新公式更新个体位置，跳转至s310；
[0030]
s306，生成[0,1]之间的随机数r2；
[0031]
s307，判断随机数r2是否小于当前的迭代次数t与所述最大迭代次数t的比值；若是，跳转至s308；若否，跳转至s309；
[0032]
s308，根据所述蝠鲼觅食算法中的第一螺旋觅食个体位置更新公式更新个体位置，跳转至s310；
[0033]
s309，根据所述蝠鲼觅食算法中的第二螺旋觅食个体位置更新公式更新个体位置，跳转至s310；
[0034]
s310，根据所述蝠鲼觅食算法中的翻转觅食个体位置更新公式更新个体位置；
[0035]
s311，判断更新后的个体位置是否为最优解；若是，跳转至s313；若否，跳转至
s312；
[0036]
s312，将迭代次数t自加1，返回步骤s302；
[0037]
s313，输出所述函数关系式的最优值。
[0038]
进一步地，所述链式觅食个体位置更新公式具体为：
[0039][0040]
其中，t，d分别为当前的迭代次数和维数，为第i代的个体位置，r为[0，1]范围内的随机数；为最优位置，α为预设的权重系数。
[0041]
优选地，所述第一螺旋觅食个体位置更新公式具体为：
[0042][0043]
所述第二螺旋觅食个体位置更新公式具体为：
[0044][0045]
其中，β为预设的螺旋权重系数，t为最大迭代次数，r1为[0，1]上的随机数，t，d分别为当前的迭代次数和维数，为第i代的个体位置，r为[0，1]范围内的随机数，为最优位置；为最优位置；为个体在搜索空间内随机产生的一个随机位置；lbd和ubd分别为预设的取值的上限和下限。
[0046]
作为一种优选方案，所述翻转觅食个体位置更新公式具体为：
[0047][0048]
其中，s为预设的翻转因子，r2和r3为在[0，1]上的随机数，为第i代的个体位置，为最优位置。
[0049]
本发明提供一种智慧交通的智能定位方法，所述方法包括：获取预设在不同位置的两个接收站接收故障点发射的目标电波的定位参数；将所述定位参数代入预先根据两个接收站位置建立的定位模型中得到所述故障点的经纬度位置的函数关系式，作为目标函数；初始化蝠鲼觅食算法的参数，采用所述蝠鲼觅食算法迭代更新所述函数关系式的位置，以得到的最优值作为所述故障点的目标位置。通过优化后的蝠鲼觅食算法通过增加螺旋觅食和翻转觅食，在迭代次数达到预设的最大迭代次数或输出位置最优，在保持良好的局部搜索能力的同时强化算法的全局搜索能力，避免算法陷入局部最优；从而实现对智慧交通场景中道路故障点的精确定位；通过准确及时实现故障点的位置定位，加快工作人员对道
路故障的维修，减少了交通道路的堵塞，保障了车辆的通畅行驶。
附图说明
[0050]
图1本发明实施例提供的一种智慧交通的智能定位方法的流程示意图；
[0051]
图2是本发明实施例提供的一种智慧交通的智能定位方法的部分流程示意图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
本发明实施例提供一种智慧交通的智能定位方法，参见图1，是本发明实施例提供的一种智慧交通的智能定位方法的流程示意图，所述方法包括步骤s1～s3:
[0054]
s1，获取预设在不同位置的两个接收站接收故障点发射的目标电波的定位参数；
[0055]
s2，将所述定位参数代入预先根据两个接收站位置建立的定位模型中得到所述故障点的经纬度位置的函数关系式，作为目标函数；
[0056]
s3，初始化蝠鲼觅食算法的参数，采用所述蝠鲼觅食算法迭代更新所述函数关系式的位置，以得到的最优值作为所述故障点的目标位置。
[0057]
在本实施例具体实施时，在交通网络中，每辆车上的传感器可以感知其所处的位置附近的故障点，并且同时向外发射电磁波传递故障点的故障信息，并且总存在一辆车的传感器最为接近故障点的位置；
[0058]
当该车辆感知到发生故障时，广播目标电波，通过设定在不同位置的两个接收站接受来自故障点的目标电波，两个接收站接收目标电波后保存接收所述目标电波的相关信息，包括接收的时间和接收目标电波的角度，根据两个接收站接收所述目标电波的相关信息，获取定位参数，用于进行故障位置的定位；
[0059]
根据预设的两个接收站的位置，建立故障点的经纬位置与定位参数之间的函数方程组；
[0060]
将将所述定位参数代入预先建立的函数方程组中得到所述故障点的经纬度位置的函数关系式，作为目标函数；目标函数用于求解故障点的位置信息；
[0061]
初始化蝠鲼觅食算法的参数，采用所述蝠鲼觅食算法迭代更新所述函数关系式的位置，以得到的最优值作为所述故障点的目标位置。
[0062]
利用蝠鲼觅食算法计算目标函数式的最优值，所述蝠鲼觅食算法通过模拟蝠鲼的三中觅食方式：链式觅食、螺旋觅食和翻转觅食，通过迭代获取空间内定位值最优解。
[0063]
通过获取定位参数，采用预先根据两个接收站位置建立的定位模型中得到所述故障点的经纬度位置的函数关系式确定所述故障点位置的目标函数，通过链式觅食、螺旋觅食和翻转觅食三种觅食方式不断逼近最优值，通过科学的方法优化了智慧交通场景中道路故障点的定位，提高了对道路故障点经纬度定位的精确度。
[0064]
在本发明提供的又一实施例中，所述定位参数包括两个接收站接收到所述故障点发射目标电波的时间差，以及两个接收站接收所述目标电波的方位角。
[0065]
在本实施例具体实施时，采集故障点处的传感器发射的电磁波到接收站的到达时间差(tdoa)与故障点的方位角(az)，能够通过建立tdoa、az和目标故障点经纬度位置的函数关系，对目标故障点进行定位。
[0066]
在本发明提供的又一实施例中，预先建立所述定位模型的过程具体包括：
[0067]
根据球面三角公式，解算所述故障点到两个接收站的地面距离与天波群路径之差和方位角的几何关系；
[0068]
根据两个接收站接收到所述故障点发射目标电波的时间差建立距离方程；
[0069]
根据两个接收站接收所述目标电波的方位角建立方位角方程。
[0070]
在本实施例具体实施时，故障点的传感器发出的目标电波经由电离层反射到接收站r1和接收站r2；
[0071]
根据据球面三角公式，通过解算目标到接收站的地面距离与天波群路径之差和方位角的几何关系，进行目标定位；
[0072]
根据两个接收站测量到的目标电波的时间差，即tdoa信息，可以建立目标电波到两个接收站的天波群路径距离差的距离方程；
[0073]
根据两个接收站接收所述目标电波的方位角建立目标电波到两个接收站的方位角方程。
[0074]
建立时间差、方位角和故障点的经纬度位置的函数关系，建立距离方程和方位角方程，实现对故障点的定位。
[0075]
在本发明提供的又一实施例中，所述距离方程为：
[0076][0077]
其中，r为目标电波到两个接收站的天波群路径距离差，接收站r1的经纬度p1为(l1，b1)，接收站r2的经纬度p2为(l2，b2)，τ为两个接收站接收到所述故障点发射目标电波的时间差，a为地球半长轴，e2＝(a
2-b2)/b2是第二偏心率的平方，b是地球短半长轴，σi＝arccos[sinb
t
sinbi+cosb
t
cosbicos(l
t-li)]，i＝1，2，目标t的经纬度位置p
t
为(l
t
，b
t
)，k1和k1为预设的参数。
[0078]
在本实施例具体实施时，接收站r1的经纬度p1为(l1，b1)，接收站r2的经纬度p2为(l2，b2)，假设故障点的t的经纬度位置p
t
为(l
t
，b
t
)，r为目标电波到两个接收站的天波群路径距离差，c为电波传播速度，根据两个接收站测量到的电波传播tdoa信息可以建立以下距离方程：
[0079][0080]
其中，τ为两个接收站接收到所述故障点发射目标电波的时间差，a为地球半长轴，取6378.2450km；e2＝(a
2-b2)/b2是第二偏心率的平方；b是地球短半长轴，取6356.8630km；σi＝arccos[sinb
t
sinbi+cosb
t
cosbicos(l
t-li)]，i＝1，2，k1和k1为预设的参数，k1和k1均取1计算。
[0081]
在本发明提供的又一实施例中，所述方位角方程为：
[0082][0083]
其中，αi为分别为所述故障点与两个接收站的象限角，i＝1，2，θi为分别为所述故障点与两个接收站的方向角。
[0084]
在本实施例具体实施时，根据两个接收站测得故障点的目标电波的方位角信息可建立方位角方程：
[0085][0086]
式中：αi为分别为所述故障点与两个接收站的象限角，i＝1，2，θi为分别为所述故障点与两个接收站的方向角。
[0087]
在本发明提供的又一实施例中，所述将所述定位参数代入预先根据两个接收站位置建立的定位模型中得到所述故障点的经纬度位置的函数关系式，作为目标函数，具体包括：
[0088]
根据所述定位参数获得定位模型的输入向量v；
[0089]
对所述定位模型中的距离方程和方位角方程进行高度非线性自适应拟合，对所述输入向量和故障点的位置进行学习，建立所述故障点的经纬度位置的函数关系式p，作为目标函数；
[0090]
其中，v＝(τ，θ1，θ2)，i＝1，2，r为目标电波到两个接收站的天波群路径距离差，e2是第二偏心率的平方
[0091]
在本实施例具体实施时，对目标进行定位时，将所述定位参数作为函数关系式的输入向量v＝(τ，θ1，θ2)；
ꢀꢀꢀꢀ
(3)
[0092]
其中：τ为两个接收站测量到的目标电波的时间差；θ1和θ2是两个接收站分别测量到目标电波的方向角；
[0093]
对所述定位模型中的距离方程和方位角方程进行高度非线性自适应拟合，对所述输入向量和故障点的位置进行学习，建立所述故障点的经纬度位置的函数关系式
[0094]
得到故障点的目标经纬度pe，表示为如下形式：py＝(l
t
，b
t
)。
ꢀꢀꢀꢀ
(5)
[0095]
根据复杂函数关系进行高度非线性自适应拟合确定故障点的经纬度位置的函数关系式，优化了故障点的定位方法。
[0096]
在本发明提供的又一实施例中，所述蝠鲼觅食算法包括链式觅食、螺旋觅食和翻转觅食；所述链式觅食个体位置更新公式具体为：
[0097][0098]
其中，t，d分别为当前的迭代次数和维数，为第i代的个体位置，r为[0，1]范围内的随机数；为最优位置，α为预设的权重系数。
[0099]
在本实施例具体实施时，在觅食过程中，蝠鲼可以观察浮游生物的位置并向其游去，浮游生物的浓度越高表示其位置越好。假设高浓度浮游生物的位置表示最优位置，蝠鲼首尾相连排成一条觅食链。在迭代过程中，每一个携带传感器的车辆个体按照当前的全局最优位置和前面个体的位置来更新自己的位置。所述链式觅食个体位置更新公式为：
[0100][0101]
其中，
[0102]
t，d分别表示迭代次数和维数，d＝2；表示第i代的个体位置；r表示[0，1]范围内的随机数；表示最优位置；α表示权重系数。
[0103]
在本发明提供的又一实施例中，所述第一螺旋觅食个体位置更新公式具体为：
[0104][0105]
所述第二螺旋觅食个体位置更新公式具体为：
[0106][0107]
其中，β为预设的螺旋权重系数，t为最大迭代次数，r1为[0，1]上的随机数，t，d分别为当前的迭代次数和维数，为第i代的个体位置，r为[0，1]范围内的随机数，为最优位置；为最优位置；为个体在搜索空间内随机产生的一个随机位置；lbd和ubd分别为预设的取值的上限和下限。
[0108]
在本实施例具体实施时，当发现深水中的浮游生物时，蝠鲼会通过螺旋觅食策略向食物移动。此时，携带传感器的车辆个体在发现故障点后，不仅跟随前面个体，而且会沿着螺旋路径进行位置更新，第一螺旋觅食个体位置更新公式具体为：
[0109][0110]
其中，
[0111]
β表示螺旋权重系数，t表示最大迭代次数；r1表示[0，1]上的随机数；
[0112]
上式(8)表示蝠鲼种群在最优解附近进行搜索，即携带传感器的多辆汽车在故障点位置最优解附近进行搜索，使得蝠鲼算法具有良好的局部搜索能力。
[0113]
同时每个携带传感器的车辆个体会随机地以故障点的位置作为其参考位置进行搜索，这种搜索机制可以强化算法的全局搜索能力，避免算法陷入局部最优。第二螺旋觅食个体位置更新公式具体为：
[0114][0115][0116]
式中：表示车辆个体在搜索空间内随机产生的一个随机位置；lbd和ubd分别表示取值的上、下限。
[0117]
在本发明提供的又一实施例中，所述翻转觅食个体位置更新公式具体为：
[0118][0119]
其中，s为预设的翻转因子，r2和r3为在[0，1]上的随机数，为第i代的个体位置，为最优位置。
[0120]
在本实施例具体实施时，在翻转觅食行为中，蝠鲼以食物的位置为支点，翻筋斗到一个新的位置。新的位置可能是其当前位置和其对称位置之间的搜索域内的任何位置。随着车辆个体位置到目前找到的最优位置之间的距离减少，所有车辆个体在搜索空间内逐渐逼近最优解，所述翻转觅食个体位置更新公式具体为：
[0121][0122]
式中：s表示车辆翻转范围的翻转因子，s的大小决定车辆个体翻转距离，本文取s＝2，r2和r3表示在[0，1]上的随机数。
[0123]
通过得到目标位置的最优解，更新目标函数的结果，得到故障点位置的最优值。
[0124]
在本发明提供的又一实施例中，所述步骤s3具体包括：
[0125]
s301，初始化蝠鲼觅食算法参数；
[0126]
s302，判断所述蝠鲼觅食算法的当前的迭代次数t是否大于预设的最大迭代次数t；若是，跳转至s313；若否，跳转至s303；
[0127]
s303，生成[0,1]之间的随机数r1；
[0128]
s304，判断随机数r1是否小于0.5；若否，跳转至s305；若是，跳转至s306；
[0129]
s305，根据所述蝠鲼觅食算法中的链式觅食个体位置更新公式更新个体位置，跳转至s310；
[0130]
s306，生成[0,1]之间的随机数r2；
[0131]
s307，判断随机数r2是否小于当前的迭代次数t与所述最大迭代次数t的比值；若是，跳转至s308；若否，跳转至s309；
[0132]
s308，根据所述蝠鲼觅食算法中的第一螺旋觅食个体位置更新公式更新个体位置，跳转至s310；
[0133]
s309，根据所述蝠鲼觅食算法中的第二螺旋觅食个体位置更新公式更新个体位置，跳转至s310；
[0134]
s310，根据所述蝠鲼觅食算法中的翻转觅食个体位置更新公式更新个体位置；
[0135]
s311，判断更新后的个体位置是否为最优解；若是，跳转至s313；若否，跳转至s312；
[0136]
s312，将迭代次数t自加1，返回步骤s302；
[0137]
s313，输出所述函数关系式的最优值。
[0138]
在本实施例具体实施时，参见图2，是本发明实施例提供的一种智慧交通的智能定位方法的部分流程示意图，迭代确定目标位置的方法包括：
[0139]
s301，初始化蝠鲼觅食算法参数；具体为初始的迭代次数t，并设定最大的迭代次数t；
[0140]
s302，判断t》t是否成立；即所述蝠鲼觅食算法的当前的迭代次数t是否大于预设的最大迭代次数t；若是，跳转至s313；若否，跳转至s303；
[0141]
s303，生成[0,1]之间的随机数r1；
[0142]
s304，判断随机数r1《0.5是否成立；若否，跳转至s305；若是，跳转至s306；
[0143]
s305，根据式(6)链式觅食更新个体位置，即根据所述蝠鲼觅食算法中的链式觅食个体位置更新公式更新个体位置，跳转至s310；
[0144]
s306，生成[0,1]之间的随机数r2；
[0145]
s307，判断随机数r1《t/t是否成立，即判断随机数r2是否小于当前的迭代次数t与所述最大迭代次数t的比值；若是，跳转至s308；若否，跳转至s309；
[0146]
s308，根据式(8)螺旋觅食更新个体位置；即根据所述蝠鲼觅食算法中的第一螺旋觅食个体位置更新公式更新个体位置，跳转至s310；
[0147]
s309，根据式(11)螺旋觅食更新个体位置，即根据所述蝠鲼觅食算法中的第二螺旋觅食个体位置更新公式更新个体位置，跳转至s310；
[0148]
s310，根据翻转觅食更新个体位置；即根据所述蝠鲼觅食算法中的翻转觅食个体位置更新公式更新个体位置；
[0149]
s311，判断是否为最优解，即判断更新后的个体位置是否为最优解；若是，跳转至s313；若否，跳转至s312；
[0150]
判断连续m次迭代后的个体位置是否趋近于某一数值；若是，则当前个体位置即为最优解；若否，则当前位置不为最优解，m为预设值；即当迭代次数不大于最大迭迭代次数
时，是否随着迭代次数的增加，得到的位置结果趋近于某一数值，若是，则为最优解。
[0151]
s312，t＝t+1，即将迭代次数t自加1，返回步骤s302；
[0152]
s313，输出位置最优值；作为目标位置输出。
[0153]
通过迭代次数和个体位置最优值的双重判定，优化后的蝠鲼觅食算法通过增加螺旋觅食和翻转觅食，在迭代次数达到预设的最大迭代次数或输出位置最优，在保持良好的局部搜索能力的同时强化算法的全局搜索能力，避免算法陷入局部最优；从而实现对智慧交通场景中道路故障点的精确定位；
[0154]
本发明通过准确及时实现故障点的位置定位，加快工作人员对道路故障的维修，减少了交通道路的堵塞，保障了车辆的通畅行驶。
[0155]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以输出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。