车辆轨迹跟踪和车辆行为预测方法
【技术领域】
[0001] 本发明涉及通信技术领域，具体地，涉及一种车辆轨迹跟踪和车辆行为预测方法。
【背景技术】
[0002] 道路信息的获取极大地丰富了人们的生活，方便了人们的出行，同时也可以缓解 交通压力，降低人们的等待时间，减小经济损失。据统计，在北欧国家以及美国由于交通堵 塞造成的经济损失约1900亿美元的损失，如果没有任何措施来缓解交通堵塞，预计到2030 年经济损失将增长50 %。
[0003] 道路信息的获取可以有助于缓解交通堵塞，帮助人们出行规划路线，当前基于地 图的道路信息获取是被动的，并且不是实时的，因此主动地实时的道路信息获取技术还有 待解决。车辆轨迹跟踪和车辆行为预测系统可判断车辆是否会经过用户请求的道路点，通 过获取这些到达请求点的车辆来完成用户获取道路信息的任务。这种主动的实时的道路信 息获取技术可以有效的提高出行效率，减少用户的等待时间。除此之外，车辆轨迹跟踪和车 辆行为预测对司机本身的安全提醒等其他方面应用也有重要的借鉴作用。
[0004] 传统的道路信息获取是布设无线传感器网络，用来监测道路情况。今年来随着智 能手机的普及，基于手机的应用如Waze、百度地图等提供了更加丰富道路信息获取手段。这 些系统普遍不能提供基于用户请求地主动地道路交通获取，也就是说发布的信息可能与当 前的道路情况不符，或者发布的信息并不是人们需求的。如果人们获取不到需要的实时的 道路信息，交通堵塞仍然得不到缓解。车辆轨迹跟踪和车辆行为预测系统能根据用户对特 定道路点的请求，判断附近能到达请求点的车辆，通过这些车辆为请求用户提供道路信息。
[0005] 对现有技术进行检索发现，Yang Xiong等在2012年J Multimedia and Signal Processing上发表的Vehicle Tracking in Video Based on Pixel Level Motion Vector(视频中基于像素级运动矢量的车辆跟踪）中提出了一种基于拍摄视屏来跟踪车辆 的算法，这种跟踪算法需要提前布设摄像头，开销较大，并且不具有灵活性。Till Hulnhagen等在2010年Intelligent Vehicles Symposium，IEEE上发表的Maneuver recognition using probabilistic finite-state machines and fuzzy logic(用有限 状态机和模糊逻辑识别机动）中通过将车辆各种行为建模成有限的状态机，用概率的方法 给出车辆的行为预测，但是该文的预测准确率较低，只有80%。
【发明内容】
[0006] 针对现有技术中的缺陷，本发明的目的是提供一种车辆轨迹跟踪和车辆行为预测 方法，通过用户和司机的移动终端与服务器通信，实现筛选能在等待时间内到达请求点的 车辆来完成用户的请求。
[0007] 根据本发明提供的一种车辆轨迹跟踪和车辆行为预测方法，包括如下步骤：
[0008] 步骤1:由用户的移动终端向服务器发送服务请求，其中，所述服务请求包括请求 点、等待时间，服务器根据请求点和等待时间建立搜索树，根据搜索树筛选出具有在等待时 间内到达请求点的条件的车辆集合；
[0009]进一步地，对所述车辆集合中的车辆执行如下步骤：
[0010]步骤2:所述车辆集合中车辆的司机的移动终端，将所在车辆的实际位置、加速度 数据，定期地发送给服务器；
[0011] 步骤3:在车辆机动的过程中，服务器根据道路平均速度计算出车辆的理论位置， 将理论位置与车辆的实际位置进行比较，将实际位置偏离理论位置的车辆从所述车辆集合 中删除；
[0012] 步骤4:在每一个十字路口，服务器在车辆到达十字路口前，根据车辆的司机的移 动终端上传的加速度数据，预测车辆在十字路口的机动行为以判断车辆是否会到达请求 点，并将判断为不会到达请求点的车辆从所述车辆集合中删除。
[0013] 优选地，所述搜索树的建立过程包括如下步骤：
[0014] 以请求点最临近的十字路口为搜索树的根节点，沿着道路向外延伸，依次经过的 十字路口即为搜索树的子节点；
[0015] 按照道路平均速度，计算搜索树的长度，其中，搜索树长度的计算式如下：
[0016] 上. = .7niax.V
[0017] 其中，L表示搜索树的长度，Tmax表示等待时间，F表示道路平均速度；
[0018] 将位于搜索树延伸道路上的车辆筛选出构成所述车辆集合。
[0019] 优选地，所述步骤3，包括如下步骤：
[0020] 步骤3.1:对每一条道路，以长度AL将该条道路分成p段，记该条道路的道路平均 速度F为：
[0021] v ；
[0022] 其中，i = l，2，...，p，表示所述p段道路中第i段道路的道路平均速度;p为大于 等于2的正整数；
[0023] 步骤3.2:设车辆在时间间隔At后到达的实际位置为{k^cU}，其中，{k^cU}表示 所述P段道路中第lu段道路上距离该第lu段道路的初始端点为长度cU的位置；
[0024] 假设车辆以每段道路的道路平均速度机动，在时间间隔At后的理论位置为{k2， d2}，其中，{k2，d2}表示所述p段道路中第k2段道路上距离最近第k 2段道路的初始端点为长度 d2的位置；
[0025] 如果{k2，d2}处于第h段道路的初始端点{1α，0}与车辆所在的该条道路的沿车辆 机动方向的十字路口终点之间，则认为该车辆没有偏离理论位置，将该车辆保留在所述车 辆集合中，否则，则认为该车辆偏离理论，将该车辆从所述车辆集合中删除。
[0026] 优选地，
[0027]
[0028] 其中，符号fl表示向上取整。
[0029] 优选地，所述步骤4包括如下步骤：
[0030]根据所述加速度数据，预测车辆在十字路口的转向，若转向指向请求点，则将该车 辆保留在所述车辆集合中，否则，将该车辆从该车辆集合中删除。
[0031] 优选地，所述步骤4包括如下步骤：
[0032] 假设十字路口的位置为X处，服务器提前在Y处预测车辆在X处的机动行为，其中，Y 处是指与X处之间的距离为车辆以道路平均速度在预设的提前预测时间内机动的路程的位 置处。
[0033] 优选地，所述步骤4包括如下步骤：
[0034]为了预测车辆在十字路口 X处的行为，服务器收集车辆到达Y处之前时间W内车 辆的加速度数据，收集得到加速度数据序列歹=丨《(1)，《(2\...，《(~))丨；其中，时间^。1是预设 的加速度收集时间，a(N)表示加速度数据序列￥中的第N个加速度数据；
[0035]用Daubechies离散小波变换提取加速度数据的特征值DWTm,n:
[0036] DWTm,n = jRa(t) Wm,n(t)dt
[0037] 其中，m表示尺度因子离散采样参数，η表示平移因子离散采样参数，R表示实数空 间，a (t)表示加速度随时间数值，t表示时间；
[0038]
[0039] 其中，Ψ( ·)表示Daubechies小波，ao表示常数，bo表示常数，η表示平移因子离散 采样参数；
[0040] 计算DWTm,n的能量特征Em:
[0041]
[0042] 其中，Μ表示Daubechies小波变换的维度;能量特征向量ΕζΒο,Ε!，...，Εμ]即为加 速度的特征值，对得到的能量特征向量Ε进行分类，归类的结果即为车辆在十字路口的机动 行为的预测。
[0043] 优选地，还包括步骤：
[0044] 步骤5:向保留在所述车辆集合中的车辆发送请求点。
[0045] 与现有技术相比，本发明具有如下有益效果：
[0046] 1、本发明建立了搜索树，并利用司机上传的GPS数据结合理论计算，来跟踪车辆， 不仅开销小，而且可扩展性强。
[0047] 2、本发明利用车辆的加速度数据，并采用小波变换提取数据的