一种基于浮动车GPS实时数据的城市交通拥堵指数计算平台的制作方法

本发明涉及智能交通系统与计算机信息服务领域，具体地，涉及一种基于浮动车gps实时数据的城市交通拥堵指数计算平台。

背景技术：

随着信息技术的发展,城市交通信息化以及智慧城市建设的不断深入,对城市交通的观测角度也发生着变化。传统的城市交通评价主要集中于交通系统解决交通问题的能力和水平。这一评价范围已不能满足社会对城市交通信息的需求，研究领域更多的开始关注城市交通的管理影响和环境影响。城市交通指数不仅能衡量一个城市不同时期的交通水平，同时能够反映同一时期不同城市交通水平的差异，依次能够分析城市交通的关键症结和严重程度，为促进城市交通发展提供良好的借鉴。

交通指数集交通拥堵空间范围、持续时间、严重程度为一体，是对路网交通总体运行状况进行定量化评估的综合性指标。与传统的车速、流量等参数相比，具有直观、简单的特点。交通指数让人们不仅模糊地知道堵或不堵，更能清楚地了解堵到何种程度，从而对全路网或区域路网交通运行情况有一个直观量化的了解。

随着gps技术的飞速发展，gps传感器在当今城市交通中使用越来越广泛，在很多城市中的出租车、公交车上都安装有gps传感器。因此本发明尝试对分布在城市大街小巷的动态车辆位置信息(浮动车数据)为依据建立实用、可靠的交通拥堵指数计算平台，从而在当前条件下为城市交通进行量化评估。

技术实现要素：

本发明提供一种基于浮动车gps实时数据的城市交通拥堵指数计算平台，该平台通过数据融合、统计建模、数学建模计算城市道路实时交通指数。

该平台框架采用独立构件架构设计，使用多进程处理数据，并使用消息进行进程间的通信。将需要处理的数据，通过共享文件的方式依次传送处理。处理数据模块之间通过异步消息中传递控制流信息。数据的处理流程，通过spring的配置文件动态配置。总的数据流程是gps数据由数据接收器接收，并按照配置的频率形成数据文档，通知下一级功能处理模块。下一级模块从上级输出文件夹中，读取数据处理，并形成结果发送至下级处理模块中。

本发明通过以下技术手段解决上述技术问题：

基于浮动车gps实时数据的城市交通拥堵指数计算平台，该计算平台的实现包括如下步骤：

(1)gps实时数据接收

gps接收服务支持808协议、809协议或者用户选择的其他协议。当gps接收服务采用808,809协议时，gps设备信息须包括如下关键字段：

(2)地图匹配

出租车按照时间排序好的gps数据，地图匹配由工具类mapmatchhandler完成。mapmatchhandler接收gps坐标的数据，并输出地图匹配结果。

(3)路径推测

路径推测功能由pathprediction类实现。pathprediction的输入是同一辆车的某个时间段内的gps数据输入，输出是连续多个点之间的行驶路径。

pathprediction的输入为list的cargps类，记录了车辆单个gps点的关键数据。list中的gps数据按照数据时间排序。pathtree类定义路径搜索树及树操作的关键方法。pathtreenode定义树的叶子节点。

pathprediction计算完成后，以list<estimatedresult>类输出。estimatedresult定义车辆的起点匹配结果，终点匹配结果，两点之间的多个路段或路链，路线行驶情况，匹配权值。

(4)旅行时间计算

路径推测完成后，根据单车匹配的路链结果，匹配gps点的时间计算单link平均速度及旅行时间。单link旅行时间计算方法为获取link之前一个匹配点，link之后的一个匹配点。使用这两个匹配点之间的gps匹配点计算。link计算有两种情况，一种是只有2个点，此时直接使用两点之间的时间差除以前一匹配点到后一匹配点的距离，计算平均速度，然后通过平均速度乘以link长度，计算link旅行时间，此种方式准确率较低，固将link权值设置为较低值1。

(5)道路融合

读取某个时间区间内的link旅行时间平均速度，相同link的平均速度放到同一个list中。将link速度，按照交通部标准，划分到严重拥堵、中度拥堵、轻度拥堵、基本畅通、畅通中。道路路况通过ds证据推理理论，计算最终的link平均速度及道路状况并保存。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单介绍。

图1为平台框架流程图。

图2为gps实时数据接收流程图。

图3为gps实时数据分发流程图。

图4为路链结构说明图。

图5为地图匹配流程图。

图6为路径推测流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，下面结合附图并举实施例，对本发明一种基于浮动车gps实时数据的城市交通拥堵指数计算平台的技术方案进一步详细描述。

参见附图1，本方法提供的一种基于浮动车gps实时数据的城市交通拥堵指数计算平台，包括如下步骤：

(1)gps实时数据接收

具体而言，按照网络通信传输协议格式808/809协议或者用户选择的其他协议，从出租车公司或调度中心通过tcp/ip协议，实时、准确地从调度中心接收浮动车gps实时数据到交通拥堵指数计算服务平台中。

由于调度中心与交通拥堵指数计算服务平台之间的网络传输协议有所不同，需要开发原始gps数据接收程序，以方便后续计算。为提高程序的处理效率，只有当接收到的数据达到指定数量时，才统一处理，对每接收5分钟gps原始数据才统一处理一次。同时在处理过程中，忽略对于逻辑不满足或数据字段丢失的数据。

gps数据接收完成后，通过socket监听方式，对所有连接上的ip转发以gps内部数据处理标准格式编码的gps数据。gps数据接收处理流程如图2和图3所示。

(2)地图匹配

如图4中的路链结构图所示，图层数据结构由link，linksection，linkpoint，linkmatrix，linkgrid构成。link为道路路链，由导航图自然划分的路链组成，对应导航图中r表。linksection为导航图提取节点后数据，由起点和终点构成。每个linksection对象为一条直线线段。linkpoint为link上的一点。linkmatrix使用m*n个网格，定义了整个路网网络，其中m、n分别为路链栅格的长度和宽度。linkgrid定义matrix中的单个网格。

地图匹配模块的输入是出租车按照时间排序好的gps数据，地图匹配由工具类mapmatchhandler完成。mapmatchhandler接收gps坐标的数据，并输出地图匹配结果。具体过程如图5所示。

(3)路径推测

路径推测功能由pathprediction类实现。pathprediction的输入是同一辆车的某个时间段内的gps数据输入，输出是连续多个点之间的行驶路径。pathprediction的输入为list的cargps类，记录了车辆单个gps点的关键数据。list中的gps数据按照数据时间排序。

pathtree类定义了路径搜索树及树操作的关键方法。

pathtreenode定义了树的叶子节点。pathprediction计算完成后，以list<estimatedresult>类输出。estimatedresult定义了车辆的起点匹配结果，终点匹配结果，两点之间的多个路段或路链，路线行驶情况，匹配权值。具体过程如图6所示。

(4)旅行时间

根据单车匹配的路链结果，匹配gps点的时间计算单路链平均速度及旅行时间。

多个匹配点路链移动距离的计算公式为：

根据多个点得到距离后，经过如下公式得到近似的路链平均速度：

通过平均速度，经过如下公式得到路链的旅行时间：

其中，v表示速度，t表示时间，d表示两个gps点之间的距离，l表示路链长度，tn表示浮动车的第n个gps点。

(5)道路融合

读取某个时间区间内的link旅行时间平均速度，相同link的平均速度放到同一个list中。将link速度，按照交通部标准，划分到严重拥堵、中度拥堵、轻度拥堵、基本畅通、畅通中。道路路况通过ds证据推理理论，计算最终的link平均速度及道路状况并保存。

根据ds证据理论，本系统的辨识框架为畅通,基本畅通,轻度拥堵,中度拥堵,严重拥堵，命题集为({畅通},{基本畅通},{轻度拥堵},{中度拥堵},{严重拥堵},{畅通,基本畅通,轻度拥堵,中度拥堵,严重拥堵})(说明：由于其他项在本系统无意义所以暂不列出)，假设一个快速路的travel对象速度为15km/s，其可靠度为0.4，根据路况等级标准，则其对应的基本概率赋值函数为(0,0,0,0,0.4,0.6)。根据以上说明，每个travel对象均有一个基本概率赋值函数，根据ds证据理论融合算法，即可得到所有赋值函数的正交和，最终确定该路链的路况等级，从而求所在路况等级对应的速度区间内的所有速度的平均值，即为该路链的速度。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。