特征值，最后通过 ΚΝΝ得到车辆的机动行为预测结果，在尽量提前预测时间的同时保证了预测的准确度。
【附图说明】
[0048]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、 目的和优点将会变得更明显：
[0049]图1为本发明的工作流程图；
[0050]图2为本发明的架构示意图；
[0051]图3是本发明搜索树结构示意图；
[0052]图4是本发明车辆行为预测示意图。
[0053]图3中，D表示用户请求的任务点，Α、Β表示任务点路段的两个十字路口，Ρ表示某车 辆当前位置。
【具体实施方式】
[0054]下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术 人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术 人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明 的保护范围。
[0055]本发明利用移动终端上的蜂窝网络接口（3G/4G接口）和WiFi网络接口与服务器进 行通信，实现了车辆轨迹预测和车辆行为预测。
[0056] 传统的车辆轨迹跟踪一般是基于布设的摄像头网络，利用摄像头拍摄的视屏流追 踪车辆的轨迹，这样的车辆轨迹追踪算法需要在有摄像头的基础上才能进行，同时摄像头 的覆盖范围不广，因此这类算法的局限性比较大。
[0057] 此外传统的车辆行为预测是基于概率方法，通过状态机以及车辆本身的数据来计 算出预测的结果。这种基于概率的方法，在预测时间较大时，预测的准确度一般较低，因此 需要更加准确的提取能够代表车辆行为的特征，才能提高预测的准确度。
[0058]而在本发明中，在车辆轨迹跟踪算法上，本发明会首先建立搜索树，然后采用GPS 数据结合理论计算跟踪车辆轨迹，这样只需要利用司机的移动端上传的GPS信息就可以做 轨迹跟踪了；进一步地，在车辆行为预测算法上，本发明是用离散小波变换提取加速度的特 征值，然后通过KNN得到预测结果。
[0059]在本系统中，有三种角色，一是用户的移动终端，用户的移动终端需要实时道路信 息时会向服务器发送服务请求，服务请求包括等待时间和作为请求点的指定道路点的GPS 信息。二是服务器，服务器在接收到用户的移动终端的服务请求后，会搜索请求点附近司机 的移动终端，并在尽量短的时间内获得能够到达请求道路点的车辆（即司机的移动终端所 在的车辆)集合，发送请求给这些车辆中的司机的移动终端;三是司机的移动终端，司机的 移动终端会上传与车辆同步机动的自身的GPS信息、加速度等信息给服务器，服务器根据上 传的信息来跟踪和预测车辆，最后司机的移动终端会将获取到的道路信息传回给服务器。 [0060]参见附图1和图2,下面更详细地将本发明的实施过程进行阐述。
[0061 ] 1、一种车辆轨迹跟踪和车辆行为预测方法，其特征在于，包括如下步骤：
[0062] 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；
[0063] 进一步地，对所述车辆集合中的车辆执行如下步骤：
[0064] 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；
[0065]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；
[0066]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。
[0067] 所述搜索树的建立过程包括如下步骤：
[0068] 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；
[0069]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：
[0070] L = Tm:(y
[0071 ]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；
[0072]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。即，所有能在等待时 间内以道路平均速度机动后到达请求点的车辆都在搜索树上，将这些车辆构成所述车辆集 合。
[0073] 所述步骤3,包括如下步骤：
[0074] 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：
[0075] ν=[ν；,ν2.
[0076] 其中，巧，i = 1，2，. . .，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;优选地：
> 其中，符号表示向上取整。
[0077] 步骤3.2:设车辆在时间间隔Λt后到达的实际位置为{ki，cU}，其中，{ki，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；
[0078] 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；
[0079]如果{k2，d2}处于第ki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。
[0080] 例一 路，以AL=10米将道路分段，道路中不足最后AL的部分取整看 成一段，即 ，其中，符号表示向上取整，最后可以将一条道路分成P段，记 这条道路的平均速度为：代疋·.…孓]，用{k，d}来描述一辆车的位置信息，其中，{k，d} 表示在P段道路中第k段道路上，距离第k段道路的初始端点的长度为d的位置，每间隔At的 时间，系统会检查车辆的位置，设车辆在At时间后到达的实际位置信息为{k^cU}，假设有 一辆相应的虚拟车以每段道路的平均速度运行，在At时间后的理论位置为{k 2，d2}，如果 {k2，d2}是在{1α，0} ({、，0}即在p段道路中第k段道路的初始端点）与车辆正在行驶的该条 道路的沿车辆行驶方向的十字路口终点之间，则认为该车辆没有偏离期望路径，即实际位 置没有偏离理论位置，否则认为车辆偏离理论位置并将车辆从车辆集中删除；
[0081 ] 所述步骤4包括如下步骤：
[0082]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。
[0083] 具体地，步骤4中，在每一个十字路口，服务器都会提前处理司机的移动终端上传 的加速度数据，然后预测车辆在十字路口的机动行为，并将不会到达请求点的车辆从所述 车辆集合中删除：
[0084] 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；
[0085] 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tc^内车 辆的加速度数据，收集得到加速度数据序列5~=!〃(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歹中的第N个加速度数据；
[0086]用Daubechies离散小波变换提取加速度数据的特征值DWTm,n:
[0087] DWTm,n = jRa(t) Wm,n(t)dt
[0088] 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；
[0089] ^
一<