基于多类型浮动车数据的高速公路路段速度修正方法
【专利摘要】本发明公开一种基于多类型浮动车数据的高速公路路段速度修正方法，对浮动车中的出租车数据进行可靠性分析，通过假设检验，得出结论，高速公路上的出租车路段速度与交通流的速度差异不大，在计算中可以使用出租车路段速度作为高速公路的路段速度。接着对浮动车数据在高速公路上的分布进行分析，发现高速公路上的出租车速度高于营运车（客运车和货运车），且出租车多在靠近市区的高速公路上活动，而营运车基本上覆盖了高速公路路网。基于这种分布差异性，为了在不存在出租车，只存在营运车数据的高速公路上获得相对准确的路段速度，提出了一种高速公路路段速度修正方法。
【专利说明】
基于多类型浮动车数据的高速公路路段速度修正方法
技术领域
[0001] 本发明涉及智能交通领域，更具体地，涉及一种基于多类型浮动车数据的高速公 路路段速度修正方法。
【背景技术】
[0002] 浮动车GPS数据是智能交通系统一种重要的交通数据，根据车型，浮动车数据可以 进一步分为出租车数据和营运车数据，这些GPS数据首先通过地图匹配技术匹配到电子地 图上，然后通过速度估算模型计算单辆浮动车速度，最后以同路段所有浮动车的速度均值 作为路段速度。
[0003] 目前高速公路上存在多种类型的浮动车，多类型浮动车数据的汇聚接入虽然能提 高数据对高速路网的覆盖程度，但如何对其有效利用以实现高速公路路段整体交通流速度 的估计，则主要面临以下几个问题：1)多类型浮动车车速的一致性表征问题，即不同车型的 车速与整体交通流速度的关系不一样，直接采用将较大地影响路段整体交通流速度的估 计。例如，出租车是小型车，相较客货运车等大型车辆，它的速度可能更接近整体交通流的 速度;2)多类型浮动车数据的时空分布不均问题，即由于不同车辆营运特性不同，其GPS数 据的时空分布不一样。例如，出租车多分布于城市道路和城市周边的高速公路上，而客货运 车车辆的分布则覆盖了整个路网，从而导致某些高速公路上可能只有货运车GPS数据而没 有出租车GPS数据。因此，使用多类型浮动车GPS数据计算高速公路路段速度的时候应该考 虑不同车型之间不同的车辆特性及营运特征。
[0004] 目前基于多类型浮动车数据的速度估计相关研究很少，以下几种研究多是针对城 市道路的，缺少在高速公路场景下不同类型浮动车速度关系研究。
[0005] (l)M〇rgul等人利用出租车GPS数据和货运车GPS数据分析出租车和货运车在城市 道路的速度关系，发现由于共用车道及城市道路经常发生拥堵等原因，两者速度差异不大。
[0006] (2)Cody等人在考虑行驶环境(如地形、交通管制设备等)对客运车和货运车速度 的影响以及客运车和货运车相互影响的基础上，建立统计模型，定量分析客运车速度和货 运车速度的关系。
[0007] (3)徐程将组成混合车流的车型划分为大型车和小型车两类，分别用高斯混合模 型拟合观测速度数据，结果表明小型车的平均速度比大型车的平均速度高20km/h左右。
[0008] (4)李锐敏等将浮动车数据和检测器数据分别通过人工神经网络得到各个速度区 间的基本概率分配，之后利用D-S证据理论进行推理融合，获得融合结果。
[0009]已知高速公路路段速度是一种重要的交通流参数，是行程时间计算与预测的重要 组成部分，在路网交通状态评估等领域扮演着重要的角色，因此获得一个准确的高速公路 路段速度是很有必要的。
【发明内容】
[0010]本发明为克服上述现有技术所述的至少一种缺陷(不足），提供一种基于多类型浮 动车数据的高速公路路段速度修正方法，能够在有多类型浮动车数据的情况下获得较为准 确的高速公路路段速度。
[0011] 为解决上述技术问题，本发明的技术方案如下：
[0012] 一种基于多类型浮动车数据的高速公路路段速度修正方法，包括以下步骤：
[0013] S1.地图匹配，依据车载GPS终端车辆在行驶过程中采集到的车辆GPS定位信息，将 车辆当前位置与电子地图上的道路相关联；
[0014] S2.浮动车速度的获取，选取车辆在路段上第一个和最后一个GPS点，利用两GPS点 的距离差除以时间差估算车辆的行驶速度，最后以同路段同类浮动车的速度均值作为路段 速度；
[0015] S3.通过假设检验，出租车的路段速度在计算过程中作为高速公路的路段速度； [0016] S4.选取营运车速度样本集特征，分别从营运车速度样本集Sv。中提取样本全集特 征，从时段样本集SEVc中提取基本特征以及速度分布特征;营运车速度样本集S Vc表示拥有的 全部营运车速度样本，而时段样本集Sev。表示在特定时间段内的速度样本集；
[0017] S5.采用特征选取的方法从步骤S4提到的特征中选取特征作为模型的输入，使用 人工神经网络模块，输入为营运车速度选取的特征，输出为出租车路段速度，经过训练，得 到同时段，同路段营运车速度与出租车速度的关系；
[0018] S6.基于步骤S5得到了营运车速度与出租车速度的关系，在没有出租车的路段，通 过输入营运车速度就能得到相对应的出租车路段速度，即高速公路路段速度。
[0019] 优选地，所述步骤S3中分别从营运车速度样本集SVc和时段样本集SEVc中选取特征 具体为：
[0020] 从营运车速度样本集中提取样本集全体特征如下：
[0021 ] (1)样本集15位速度(交通领域将速度按照从小到大的顺序排列，有15 %的车辆速 度低于这个值，那么这个速度值就是15位速度)Sv。, 15;
[0022] (2)样本集50位速度SVc,50;
[0023] (3)样本集85位速度SVc,85;
[0024] 从时段样本集中提取基本特征，如下：
[0025] a)样本集平均速度SEVc；,avg;
[0026] a)样本集最大速度Sev。,max;
[0027] b)样本集最小速度SEVc,min;
[0028] c)单辆营运车的速度Vc;
[0029] d)车辆类型VT，营运车车辆类型分为客运车和货运车；
[0030] 从时段样本集提取速度分布特征如下：
[0031 ]结合营运车样本全集特征和时段样本集基本特征，提出了营运车时段样本集速度 分布特征Θ，该特征同时考虑了时段样本集最大速度SEVc；,max以及车辆性能两个因素，表征该 时刻营运车速度集与标准速度的关系，根据该关系，进一步将速度分布特征分为四类： [0032] 1)普遍低速:同路段的营运车速度都低于15位速度，S Vc,max<V15;
[0033] 2)普遍中低速：同路段的营运车速度都低于50位速度，但是至少存在一辆速度高 于15位速度的营运车，V15 < Svc,max<V50;
[0034] 3)存在中高速：同路段的营运车速度都低于85位速度，但是至少存在一辆速度高 于50位速度的营运车，V5Q < Svc,max<V85;
[0035] 4)存在高速:至少存在一辆营运车的速度高于85位速度，SVc,max> V85。
[0036] 优选地，从上述9个技术特征选取单辆营运车的速度v。、车辆类型VT以及营运车样 本集特征Θ作为模型的输入.
[0037] 本发明首先对浮动车中的出租车数据进行可靠性分析，通过假设检验，得出结论， 高速公路上的出租车路段速度与交通流的速度差异不大，在计算中可以使用出租车路段速 度作为高速公路的路段速度。
[0038] 接着对浮动车数据在高速公路上的分布进行分析，发现高速公路上的出租车速度 高于营运车(客运车和货运车），且出租车多在靠近市区的高速公路上活动，而营运车基本 上覆盖了高速公路路网。基于这种分布差异性，为了在不存在出租车，只存在营运车数据的 高速公路上获得相对准确的路段速度，提出了一种高速公路路段速度修正方法。
[0039] 本发明利用高速公路上的浮动车数据，考虑了高速公路上浮动车数据分布的差异 以及浮动车数据本身的差异构建了营运车速度样本特征集，使用人工神经网络，以该特征 集为输入，以对应的出租车路段速度(标准速度)作为输出，进行训练，得到营运车速度样本 和出租车路段速度的关系，从而可以在只有营运车速度样本集的情况下得到出租车路段速 度。
[0040] 与现有技术相比，本发明技术方案的有益效果是：（1)适用性广，经过合适的训练 可以推广到所有的高速公路。（2)具有数据驱动性，算法简单，处理效率高。（3)准确性高，经 过试验比较，平均绝对误差在5km/h以内。
【附图说明】
[0041] 图1为本发明的框架示意图。
[0042] 图2为样本集关系示意图。
[0043] 图3为出租车速度与营运车样本集特征关系图。
[0044] 图4为特征选择过程图。
[0045] 图5为神经网络和训练样本示意图。
[0046] 图6为人工神经网络模型实验结果示意图。
[0047] 图7为贝叶斯网络模型实验结果示意图。
[0048]图8为本发明的流程图。
【具体实施方式】
[0049] 附图仅用于示例性说明，不能理解为对本专利的限制;为了更好说明本实施例，附 图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0050] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解 的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0051 ] 地图匹配
[0052]地图匹配是依据车载GPS终端车辆在行驶过程中采集到的车辆GPS定位信息，通过 特定模型和算法，将车辆当前位置与电子地图上的道路相关联的行为。一般而言，地图匹配 算法的目标是鉴别车辆正在行驶的路段和确定车辆在该路段上的位置。
[0053]地图匹配结果存储在数据库中，如表1所示，数据表包括车牌号码、GPS定位时间、 经度、炜度、速度、方向、匹配路段ID、车辆状态（"4"表示空车，"5"表示载客)等字段。
[0054] 表1地图匹配结果数据表 [0055]
[0056]浮动车速度的获取
[0057]考虑到高速公路上GPS点回传的时间，选取车辆在路段上第一个和最后一个GPS 点，利用两GPS点的距离差除以时间差估算车辆的行驶速度。最后以同路段同类浮动车的速 度均值作为路段速度。
[0058]出租车速度代表性分析
[0059] 使用位于广深高速上的视频点作为检测器，采集交通流速度;使用位于广深高速 上的出租车GPS数据，通过距离-时间模型得到出租车的行驶速度，进一步得到出租车的路 段速度，验证该速度与交通流速度的关系。采用假设性检验分析的方式来验证交通流速度 与出租车路段速度的关系。最终得到结论，出租车路段速度与交通流速度差异不明显，能够 较好的反映高速公路路段运行情况，在计算中可以使用出租车路段速度作为高速公路路段 速度。
[0060] 浮动车数据分布分析
[0061] 以某一天全天24小时高速公路上的浮动车原始数据为分析对象，剔除速度为0的 数据，分车型统计原始浮动车GPS数据的分布情况，分析不同车型的速度差异。得到结论，出 租车的速度比营运车速度要快，但是在高速公路上浮动车的分布非常不均匀，广州市出租 车的分布主要集中在广州市及临近的高速公路，而广州市的客运车和货运车则广泛分布在 广东省的高速公路。这种分布上的不均匀，使得在高速公路上经常会出现只有营运车而没 有出租车的情况。
[0062]营运车速度样本集特征的选取
[0063] 对营运车速度样本集进行分析，考虑营运车的车型以及速度特征，从营运车速度 样本集Svc中额外区分一个时段样本集Sev。，营运车速度样本集Sv c表示拥有的全部营运车速 度样本，而时段样本集Sev。表示在特定时间段内的速度样本集，它们的关系图2所示。
[0064] 从营运车速度样本集Sv。中提取特征如下：
[0065] (1)样本集15位速度(交通领域将速度按照从小到大的顺序排列，有15 %的车辆速 度低于这个值，那么这个速度值就是15位速度)Sv。, 15;
[0066] (2)样本集50位速度SVc,50;
[0067] (3)样本集85位速度SVc,85;
[0068] 从时段样本集SEVc中提取特征，如下：
[0069] a)样本集平均速度SEVc；,avg;
[0070] a)样本集最大速度SEVc,max;
[0071] b)样本集最小速度SEVc:,min;
[0072] c)单辆营运车的速度Vc;
[0073] d)车辆类型VT，营运车车辆类型分为客运车和货运车；
[0074] e)营运车样本集速度分布特征Θ，根据样本集最大速度SVc；,max与其车型特征速度的 大小关系，将样本集特征分为四类：
[0075] 1)普遍低速:同路段的营运车速度都低于15位速度，SVc；,max< V15;
[0076] 2)普遍中低速：同路段的营运车速度都低于50位速度，但是至少存在一辆速度高 于15位速度的营运车，V15 < Svc,max<V50;
[0077] 3)存在中高速：同路段的营运车速度都低于85位速度，但是至少存在一辆速度高 于50位速度的营运车，V5Q < Svc,max<V85;
[0078] 4)存在高速:至少存在一辆营运车的速度高于85位速度，SVc,max> V85。
[0079] 其中，营运车样本集特征Θ同时考虑了样本集最大速度Svc,max以及车辆性能两个因 素，表征速度最大的营运车在多大程序上运用了其车辆性能。经过分析，营运车样本集特征 与出租车路段速度存在对应关系，如图3所示。
[0080] 大部分情况下，标准速度小于20km/h时营运车样本集特征往往表现为普遍低速； 标准速度为20_50km/h时营运车样本集特征为普遍中低速;标准速度为50-80km/h时营运车 样本集特征为存在中高速;标准速度大于80km/h营运车速度样本集特征为存在高速。
[0081] 上面提到了 9个特征，但是这9个特征对于建立营运车速度与标准速度关系并不一 定有明显的促进作用。因此，还需要从这9个特征中选取一个合适的特征子集。使用基于序 列前向特征选择方法，从9个特征中选取最有效的几个特征作为速度修正模型的输入，用平 均绝对相对误差作为目标函数值，数据的训练方法采用神经网络模型，特征选取过程如图4 所示。最终选择了单辆营运车的速度v。、车辆类型VT以及营运车样本集特征Θ作为模型的输 入。
[0082]图5给出了神经网络结构和训练样本示例。在模型中，设定学习率为0.1，冲量因子 为0,训练误差为10-6。
[0083]实际使用
[0084] 在构造好了输入特征以及使用数据对人工神经网络进行了训练之后，就可以直接 使用。在某个时刻需要获得特定道路的路段速度，而此时路段上又没有出租车，只有营运 车，将该时刻所拥有的营运车数据处理成按照图5左边的样式，作为训练好的人工神经网络 的输入，直接输出就是所需要的路段速度。
[0085] 本发明具有以下特点：1)通过假设检验发现出租车速度和交通流速度差别不大， 在计算过程中可以将出租车路段速度看作是高速公路路段速度。2)使用人工神经网络来建 立营运车速度和对应出租车路段速度的关系。3)将营运车数据分车型进行分析，得到的各 种数据集特征，尤其是营运车样本集特征Θ。
[0086]本发明的技术效果：以高速公路上所有营运车的速度样本作为本次实验的营运车 速度样本集，所有的出租车路段速度作为出租车速度样本集，通过统计分别得出客运车和 货运车的15位，50位以及85位速度。用2014年8月28日-9月30日以及10月2日-12月28日的速 度作为训练数据，用2014年10月1日的数据作为验证数据。我们选择机场高速做为分析对 象。同时使用另外一种常用的技术贝叶斯网络来做对比。
[0087] 2014年10月1日机场高速三元里至机场方向发生非常发性拥堵，图6为机场高速 12000米-13000路段的使用人工神经网络模型实验结果。图7为机场高速12000米-13000米 路段使用贝叶斯网络模型的实验结果。表2和表3分别是在拥堵交通状态和在顺畅交通状态 下使用神经网络模型和贝叶斯网络模型的误差分析。
[0088] 在这里引入两个误差分析指标，平绝对相对误差MAPE和平均绝对误差ABS。
[0091 ]其中Tz、f z分别表示预测值和真实值。
[0092]表2拥堵交通状态下的误差
[0094]表3顺畅交通状态下的误差
[0096]从实验结果可以发现，在拥堵交通状态下的所有模型的结果都有比较好的表现； 在顺畅交通状态下，营运车路段速度以及贝叶斯网络模型的输出结果较出租车路段速度都 偏小，而神经网络模型的输出结果更加贴近于出租车路段速度。因此我们提出来的这个方 法是一个稳定而又有效的方法。
[0097]显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对 本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本 发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求 的保护范围之内。
【主权项】
1. 一种基于多类型浮动车数据的高速公路路段速度修正方法，其特征在于，包括以下 步骤：51. 地图匹配，依据车载GPS终端车辆在行驶过程中采集到的车辆GPS定位信息，将车辆 当前位置与电子地图上的道路相关联；52. 浮动车速度的获取，选取车辆在路段上第一个和最后一个GPS点，利用两GPS点的距 离差除以时间差估算车辆的行驶速度，最后以同路段同类浮动车的速度均值作为路段速 度；53. 通过假设检验，出租车的路段速度在计算过程中作为高速公路的路段速度；54. 选取营运车速度样本集特征，分别从营运车速度样本集SVc中提取样本全集特征，从 时段样本集SEVc*提取基本特征以及速度分布特征；营运车速度样本集S Vc表示拥有的全部 营运车速度样本，而时段样本集Sev。表示在特定时间段内的速度样本集；55. 采用特征选取的方法从步骤S4提到的特征中选取特征作为模型的输入，使用人工 神经网络模型，输入为营运车速度选取的特征，输出为出租车路段速度，经过训练，得到同 时段，同路段营运车速度与出租车速度的关系；56. 基于步骤S5得到了营运车速度与出租车速度的关系，在没有出租车的路段，通过输 入营运车速度就能得到相对应的出租车路段速度，即高速公路路段速度。2. 根据权利要求1所述的基于多类型浮动车数据的高速公路路段速度修正方法，其特 征在于，所述步骤S5中分别从营运车速度样本集Sv。和时段样本集S EV。中选取特征具体为： 从营运车速度样本集Sv。中提取样本全集特征如下： (1) 样本集15位速度Svc,i5; (2) 样本集50位速度SVc,50; (3) 样本集85位速度SVc,85; 从时段样本集Sev。中提取样本集基本特征如下： a)样本集平均速度Sev。, avg; 3)样本集最大速度3￡￥。,111￡?; b )样本集最小速度SeV。, min ; C)单辆营运车的速度Vc; d)车辆类型VT，营运车车辆类型分为客运车和货运车； 从时段样本集提取速度分布特征如下： 结合营运车样本全集特征和时段样本集基本特征，提出了营运车时段样本集速度分布 特征Θ，该特征同时考虑了时段样本集最大速度SEVc；,max以及车辆性能两个因素，表征该时刻 营运车速度集与标准速度的关系，根据该关系，进一步将速度分布特征分为四类： 1) 普遍低速:同路段的营运车速度都低于15位速度，SVc；,max<V15; 2) 普遍中低速：同路段的营运车速度都低于50位速度，但是至少存在一辆速度高于15 位速度的营运车 ，V15 $ Svc,max<V50; 3) 存在中高速：同路段的营运车速度都低于85位速度，但是至少存在一辆速度高于50 位速度的营运车，V5Q < Svc;,max<V85 ; 4) 存在高速:至少存在一辆营运车的速度高于85位速度，SVc,max>V85。3. 根据权利要求2所述的基于多类型浮动车数据的高速公路路段速度修正方法，其特 征在于，通过特征选取方法，从上述9个技术特征选取单辆营运车的速度v。、车辆类型VT以 及营运车样本集特征Θ作为模型的输入。
【文档编号】G08G1/01GK105869402SQ201610322238
【公开日】2016年8月17日
【申请日】2016年5月12日
【发明人】何兆成, 孙威巍, 陈锐祥, 叶伟佳
【申请人】中山大学