基于浮动车的实时路况分析算法

基于浮动车的实时路况分析算法

摘 要

交通拥挤已成为困扰世界各大城市的主要社会问题之一，严重影响城市的可持续发展和人们的日常生活与工作。在当前的交通控制系统中，交通状态数据的采集越来越被重视，目前用于交通状态获取的手段主要有微波雷达、感应线圈、视频摄像头等，这些检测器主要部署在关键路段和主要路口。由于这种检测器有限范围的布局，导致了城市道路上存在大量的信息盲点和“真空”地带，并且在固定检测器分布的地方，也会因检测器故障导致交通信息缺失。

如何全面准确地获取实时的城市道路的全路交通信息这个问题亟待解决。准确的判断道路的交通状态并及时发布对于制定有效的出行策略很重要。本文以GPS浮动车为依托，采集路网的交通参数，并通过分析判断路网中的交通状态，为交通管理者和出行者提供准确的信息。

本论文主要介绍GPS浮动车交通信息采集系统的构成，采集数据预处理以及各种交通状态判断方法所采用的模型，并提出区间速度与瞬时速度融合的路段平均速度估计模型，最后通过实验测试本文提出的方法。本文研究的重点是如何充分利用GPS信息计算路段的平均速度，涉及到路段的平均速度计算模型的建立，最终根据路段的平均速度以及交通状态判别标准得到交通状态。

关键词：GPS浮动车，交通状态，平均速度，模型，算法

ABSTRACT

Traffic congestion has become one of the major social problems plagued the world's major cities, seriously affecting the sustainable development of cities and people's daily life and work. In the current traffic control system,the acquisition of traffic condition data is taken more and more seriously.Currently,the means to acquire the state of transportation mainly contain microwave radar,induction coils,video camera and so on.These detectors are mainly deployed in key sections and main road intersections.Due to the limited scope of the layout of the detectors,there are plenty of blind spots of information and \zone on the city road.Besides,in the places distributed with fixed detectors，there is also traffic information loss because of the failure of the detector. The problem of how to obtain real-time traffic information of the whole city road accurately and totally demands prompt solution.It is very important for the development of effective travel policy to determine the traffic state Accurately and the timely release.The GPS floating vehicles collect network traffic parameters and traffic state in the road network,through the analysis and judgment,it can provide accurate information for traffic managers and travelers.

This paper introduces the composition of the traffic information acquisition system based on GPS floating car, acquisition of data preprocessing and model various traffic state judgment method, and proposed sections of the integration interval speed and instantaneous speed, average speed estimation model, and finally in this article the experimental tests are done for the proposed method. The focus of this paper is how to take full advantage of the GPS information to calculate the average speed of road sections, related to sections of the average speed calculation model, and the final it get the traffic state according to the sections of the average speed and the traffic conditions criterion.

Keywords: GPS floating cars, traffic status, average speed, model, algorithm

II

目录

第一章 绪论 .......................................................................................................................1

1.1 城市交通现状.......................................................................................................1 1.2 交通参数采集技术...............................................................................................2 1.3 国内外浮动车技术现状.......................................................................................3 1.4本论文研究内容....................................................................................................4 第二章 GPS浮动车采集交通信息技术 ..........................................................................6

2.1 GPS浮动车交通信息采集系统构成 ...................................................................6 2.2 GPS浮动车采集交通信息原理 ...........................................................................7

2.2.1 GPS系统组成 ............................................................................................7 2.2.2 GPS定位原理 ............................................................................................9 2.2.3 GPS浮动车采集交通信息原理 ..............................................................10

第三章 GPS浮动车数据采集及预处理 ........................................................................12

3.1 GPS浮动车采集车辆参数配置 .........................................................................12

3.1.1 数据采样时间间隔的确定......................................................................12 3.1.2 浮动车样本容量的确定..........................................................................12 3.2 GPS浮动车数据预处理 .....................................................................................13

3.2.1 丢失及错误数据识别..............................................................................14 3.2.2 数据弥补及修复......................................................................................14 3.2.3 车辆行驶方向判断..................................................................................14

第四章 基于GPS浮动车的交通状态判断 ...................................................................16

4.1 交通流参数.........................................................................................................16 4.2 交通状态判别标准.............................................................................................17 4.3 路段划分.............................................................................................................18 4.4 基于GPS浮动车的交通状态判别算法 ...........................................................18

4.4.1 模糊推理模型..........................................................................................19 4.4.2 多元回归模型..........................................................................................19 4.4.3 速度积分模型..........................................................................................20

III

4.5 路段平均速度估计模型建立.............................................................................21

4.5.1多车区间速度计算...................................................................................23 4.5.2 多车瞬时速度计算..................................................................................25 4.5.3 路段平均速度计算..................................................................................26

第五章 实验及结果分析 .................................................................................................28

5.1 实验设计.............................................................................................................28 5.2 实验数据及结果.................................................................................................28 5.3 实验结果分析.....................................................................................................31 总结与展望 .......................................................................................................................32 致谢 ...................................................................................................................................33 参考文献 ...........................................................................................................................34 附录 ...................................................................................................................................35

IV

第一章 绪论

1.1 城市交通现状

随着经济和社会的发展，城市规模日益扩大，城镇居民的出行要求也进一步增加，使得困扰世界各大城市的交通拥挤问题变得更加严峻。交通拥挤不仅使道路通行能力降低、行车速度下降、交通延误增大，还造成巨大的经济损失。加拿大交通部2005年发布的一份城市交通报告表明，加拿大每年因交通拥挤造成的经济损失达60亿加元。据美国德州运输研究所对美国39个主要城市的研究，估计美国每年因交通阻塞而造成的经济损失约为410亿美元，12个最大城市每年的经济损失均超过10亿美元。日本东京每年因交通拥堵造成的时间损失以货币单位计算高达123000亿日元。欧洲每年因交通事故、交通拥堵造成的经济损失分别为500亿欧元、5000亿欧元。同世界其他发达国家一样，我国的机动车增长速度迅猛，交通拥挤是一个不争的事实。根据国家统计局的数字，截至2008 年3月，全国机动车保有量超过1．6亿辆，一季度全国机动车保有量与2007年底相比增长1．85％；全国汽车保有量与2007年底相比增长3．65％。其中，全国私人机动车保有量与2007 年底相比增长5．08％。同时，中国社科院的报告也显示，在全国31个百万人口以上的特大城市中，大部分交通负荷接近饱和，有些城市中心地带的交通已接近半瘫痪状态。交通堵塞如长期困扰以汽车为交通骨干的城市体系，久而久之会麻痹城市功能，加大城市运行成本，严重阻碍城市的社会经济发展。

解决城市交通拥挤问题的传统方法是增加城市道路，修建高架桥等交通基础设施。但实际中对任何城市来说，道路都不能无限制的拓宽和增加，随着对交通问题研究的深入，人们开始意识到必须采取增加道路基础设施和提高路网的通行能力相结合的方法来解决交通拥挤问题，由此逐渐产生了交通控制技术。从1914年美国出现现代交通信号控制以来，城市交通控制技术经历了点控、线控、面控的发展，进入二十世纪八十年代，着眼于整个系统控制的智能交通系统(ITS)，将先进的电子通信、自动控制、计算机处理、信息融合等技术有效集成，综合运用于道路交通管理，提高了路网的通行能力。

实现良好的交通控制必须对道路的交通状态进行实时监测与分析，及时发现道路网中存在的交通问题，这是改善道路交通运行效率，减小路网交通阻塞的前提和基础。在现代交通工程技术中，交通参数是表征道路交通状态的标量，因此，无论是智能交通系统，还是现代交通工程，都是以采集可靠而准确的交通参数为基础的。目前交通工程中常用的交通参数包括：路段车流速度或行程时间、交通量、交

共40页 第1页

通流、密度等。交通参数在交通规划，设计、运营、管理和研究等方面有着广泛的用途，对现代交通工程技术有着重要的意义。

1.2 交通参数采集技术

目前交通参数的采集方法可以分为固定型采集技术和移动型采集技术两种。固定型采集技术是指运用安装在固定地点的交通检测设备对移动的车辆进行监测和采集交通参数数据的方法总称。目前主要包括磁频、波频和视频三种采集技术。

下面对几种固定型采集技术的检测设备进行对比，如表1.1所示：

表1．1固定型采集技术对比表

采集技术 环形感应线圈检测器 检测参数 交通流量、占有量、车辆存在信息和点速度 特点 点测量技术，设备安装和维护不便，会影响道路及交通。 点测量技术，设备安装需增加道路设施，易受天气影响。 点测量技术，设备安装需增加道路设施，易受天气影响。 点测量技术，设备安装需增加道路设施，会损害人体健康。 数据计算量大，设备安装需增加道路设施，空间覆盖面有限。 超声波检测器 交通流量、占有量、车辆存在信息和排队长度 红外线检测器 交通流量、占有率、车辆分类、车辆存在信息和点速度 微波检测器 视频检测器 交通流量、车辆存在信息和点速度 交通流量、占有率、车辆分类、车辆存在信息和点速度 如表所示，固定采集技术采集的交通参数主要包括交通流量、占有率、点速度等，基本上都是点测量技术，检测覆盖面较小，检测设备的安装都需要改造或增设道路设施，维护时会影响道路及交通。这种采集技术适用于对固定点、某一交叉路口或特定路段的交通状态检测。当要实现整个道路路网的交通状态检测时，采用这种技术就意味着在要在路网中安装大量的检测设备，不仅安装和维护费用高，而且会影响交通环境。同时，考虑天气对检测效果的影响，后期的维护费用会更大。

移动采集技术指运用安装有特定设备的移动车辆(Floating Car)接收卫星信号或检测道路上的固定标识物来采集交通参数数据的方法总称。目前主要有基于GPS的采集技术、基于电子标签的采集技术和基于汽车牌照自动识别的采集技术。

共40页 第2页

下面对移动型交通数据采集技术的性能进行比较，如表1.2所示。

表1.2移动型采集技术对比表 采集技术 基于GPS的采集技术 采集的交通参数 直接提供交通流量、瞬时车速；间接提供行程时间、行程速度； 基于电子标签的采集技术 直接提供交通流量；间接提供行程优点 采集的数据有很强的连续性；可全天通信息多样； 采集的数据有很强的连续性；可全天动收费； 缺点 要获得全路网的精确交通信息必须有接收设备的车辆运行在道路网络中。 必须有足够的安装有电子标签的车辆运行在路网中才能获得精确的路网交通信息；数据处理时要运用良好的滤波算法，消除个别车辆运行故障引起的数据误差。 基于汽车牌照自动识别的采集技术 直接提供交通流量；间接提供行程采集的数据有很强的连续性；可全天安装其他设备； 通过综合比较各种采集技术的特点，本文采用基于GPS浮动车的交通信息采集技术进行交通参数采集。

检测精度易受天气和光源影响；检测精度汽车牌照清晰度影响。 候工作；提供的交足够多的装有GPS时间、行程速度； 候工作；可用于自时间、行程速度； 候工作；车辆不需1.3 国内外浮动车技术现状

近年来，浮动车交通信息采集与处理技术在世界范围内得到了积极的研究开发和推广应用，其中，国际上比较典型的浮动车项目有美国的ADVANCE和PATH，德国的XFCD和DDG，英国的FVD和Trafficmaster，日本的JARI和IPCar等。

其中英国的FVD是目前世界上最典型的GPS浮动车数据系统。其运用范围覆盖英格兰的主要路网。它采用了一个优化的数据采集模式，在系统中，浮动车除安装GPS 接收机外还安装了数据采集部件(DCU)，可存储350h的浮动车位置数据。通常，数据中心每周定期对各浮动车的DCU通信，采集数据，并自动对数据进行

共40页 第3页

地图匹配，记录特定时间段行驶在特定路段的浮动车。当需要对路网中某一路段进行实时交通参数检测时，根据车辆出行具有规律性这一经验事实，数据中心与系统挑选出的当时可能行驶于该路段的浮动车通信，连续采集数据进行实时交通参数估计，从而有效地提高了系统的运行效率并节约了通信费用。

日本的JARI项目利用出租车集团车辆实现实时的浮动车信息处理的方法。浮动车与信息中心之间通过Intemet连接，主要提供出行时间信息服务、车辆管理和天气信息服务等。IPCar浮动车系统利用出租车和公交车作为浮动车，通过车辆轨迹和状态参数的分析区别出道路交通的状态模式，并可根据出租车乘客起讫点数据估计出OD流量。

归纳起来主要是浮动车的样本量和覆盖率问题及浮动车数据应用两个方面的研究。在GPS浮动车数据应用方面，国外大部分是运用GPS浮动车数据对行程时间进行估计和交通事件进行检测，并逐步进行了验证和补充完善。

浮动车技术在我国起步比较晚，同样也在经历一个数据应用研究在先、数据采集优化研究在后的过程。目前我们在应用浮动车采集交通数据方面取得了显著的成绩。2004 年10月由北京市交通委开始浮动车研发，己自主研发了浮动车数据采集发布系统，目前有1．2万辆车浮动车在运行，是国内外城市应用方面最大规模的一套系统，并且这套系统申请了多项专利。经过国家软件质量监督检测中心的评测，系统在五环内可导航道路的覆盖率已经达到了74．23％，路况的信息准确率接近85％。2007年11月，建设了动态导航示范系统，实现了动态交通信息向车载导航的发布和接收，同时与国内外汽车厂商导航仪厂商和信息服务商开展了一年的测试工作，已经达到可推广使用的条件。目前该系统已成为北京市交通委进行路网运行速度、拥堵点段和拥堵程度、出租车运营状况、路网可靠性、大型活动路网运行的分析工具，为北京市交通委及时采取交通管理和保障措施、制定年度疏堵方案提供了依据，并为交通信息发布和辅助决策支持系统开发提供了良好的平台。

除此之外上海、杭州等城市也在利用GPS浮动车积极建立实时交通信息系统平台。在浮动车的行程时间预测研究方面，我国吉林大学、天津大学和北京交通大学的一些学者教授取得了较为卓越的成就。但我们也要清醒地认识到，我们对浮动车的研究深度和系统性都不如发达国家，尤其在交通信息的采集优化和处理方面。因此需要借鉴国外经验进一步深入研究，推广普及GPS浮动车的应用。

1.4本论文研究内容

本论文主要研究的是以GPS浮动车为依托，实时地采集动态路况信息，将采集的数据信息经过处理，快速准确的判断出道路中是否有拥挤发生，为城市道路的

共40页 第4页

管理者和出行者提供及时可靠的信息。

主要内容如下：

（1）绪论部分阐述GPS浮动车采集信息技术在国内外的发展历程及现状，说明本论文研究的意义及主要内容；

（2）第二章介绍了GPS浮动车交通信息采集系统的构成，采集交通信息的原理；

（3）第三章研究了GPS浮动车数据信息采集方法，以及数据预处理； （4）第四章研究了道路交通状态判别算法模型；

（5）第五章介绍如何根据研究结果进行实验，利用已有的采集到的GPS浮动车数据，并用本文的方法对数据进行分析处理，验证本文提出的判别方法是否能准确判别交通状态；

（6）最后对全文进行总结，说明文章的不足之处，展望进一步的研究工作。

共40页 第5页

第二章 GPS浮动车采集交通信息技术

2.1 GPS浮动车交通信息采集系统构成

基于GPS技术的浮动车系统，利用GPS技术、GIS技术和一定的数据通讯传 输手段，能够对数量众多的移动车辆目标实现有效监控，并在此基础上实现车辆 信息服务等功能。

这种系统的基本依据是车辆的实时地理坐标和行驶速度。这些数据受行驶路 段的道路状况、拥挤程度、交通流量的影响，反映了车辆在城市中的相对位置以 及运行状态。由此采用模型可推测道路交通信息。

系统的研究目的在于:实时采集城市实时道路交通信息，建立基于GPS技术 的浮动车数据处理系统，为城市交通管理提供有效的支持。

GPS浮动车交通信息采集系统的目的是通过分析浮动车采集的交通信息，预测整个路网的交通状况，为交通管理者和出行者提供可靠的信息依据。主要由三部分构成：装配有GPS接收和通信装置的浮动车、现有的无线通信网络和交通信息控制中心。如图2.1所示：

图2.1 GPS浮动车交通信息采集系统组成图

浮动车通过车载设备控制各部件的操作，将GPS接收机接收到的数据先存储在数据存储器中，再按照一定的周期通过无线通信网络将数据发送给交通信息控制中心。交通信息控制中心利用各种数据分析处理模型及相应的软件对采集数据进行综合分析以获取实时信息和道路网交通状态，并通过无线通信网络发布信息，为交通出行者和管理者提供诱导信息和指挥调度信息。

共40页 第6页

2.2 GPS浮动车采集交通信息原理

GPS浮动车是指安装有GPS定位设备和无线通信装置的普通车辆(如出租车、公交车、警车等)，这种车辆能够与交通信息中心进行信息交换。要知道浮动车如何采集交通信息，必须先了解GPS定位原理。 2.2.1 GPS系统组成

GPS系统主要由三大部分组成：空问星座部分、地面监控部分和用户设备部分。这三个部分对GPS系统的正常工作所起的作用各不相同，缺一不可。

（1）空间星座部分

GPS系统的星座部分主要由2l颗工作卫星和3颗在轨备用卫星组成。这24颗卫星 均匀分布在6个轨道平面内，轨道倾角为55°，轨道的升交点赤经各相差60°，每个轨道平面内各颗卫星之间的升交角距相差90°，一个轨道平面上的卫星比两边相邻轨道平面上的相应卫星升交角距超前30°。卫星轨道为椭圆形，平均高度约20200kin，运行周期大约ll小时58分。在两万多公里高空中的GPS卫星，当地球自转一周时，它们绕地球运行两周。这样对于地面的观测者来说，每天将提前约4分钟见到同一颗GPS卫星，且每天见到的卫星几何分布相同。位于地平线以上的卫星颗数随着时间和地点的不同而有所不同，最少可见到4颗，最多时可见到11颗。在用GPS信号导航定位时，为了解算点位的经度、纬度和高程，必须至少观测4颗GPS卫星。空间星座中3颗备用卫星可在必要时根据指令代替发生故障的卫星，这对保障GPS系统高效可靠的工作非常重要。

图2.2 GPS卫星分布图

共40页 第7页

（2）地面监控部分

GPS的地面监控部分主要由分布在全球的6个地面站构成，其中包括卫星监测站、主控站、备用主控站和信息注入站。地面监控部分的大部分工作都是在原子钟和计算机的控制下自动完成的，其中监测站和注入站均可做到24小时无人值守，各站点间数据通信都是利用专用网络实现，具有较高的效率和自动化程度。 对于地面监控系统来说，GPS卫星是一个动态己知点。卫星的位置是依据卫星发射的星历——描述卫星运动及其轨道的参数算得的。每颗GPS卫星所播发的星历均由地面监控系统提供的。卫星上的各种设备是否正常工作，以及卫星是否一直沿着预定轨道运行，都要由地面设备进行监测和控制。地面监控系统另一个重要作用是保持各颗卫星处于同一时间标准——GPS时间系统。这就需要地面站监测各个卫星的时间，求出钟差，然后由地面注入站发给卫星，卫星再由导航电文发给用户设备。

（3）用户设备部分

作为被动式的定位技术，GPS用户必须通过专用信号接收设备才能达到定位目的。用户设备部分的主要设备是GPS接收机，它是一种特制的无线电接收机。其主要作用是接收导航卫星发出的信号，对卫星信号进行处理后依据所得数据确定接收机所在的地理位置。GPS接收机的种类虽然很多，但它的硬件结构基本一致，分为天线单元和接收单元两部分。图2．3是一个简化的GPS接收机结构示意图。天线单元由接收天线和前置放大器组成，其主要作用是接收卫星信号。接收单元包括信号通道、存储、计算与显示控制及电源等部件。其主要功能是接收来自天线的信号，经过变频、放大、滤波等一系列处理，实现对GPS信号的跟踪、锁定、解调、分离，得到导航信息。根据收到的卫星星历、伪距观测数据以及载波观测量，计算出三维坐标和时间。接收单元的显示控制等部件可以完成人机对话、输入各种指令、控制屏幕显示等操作。

图2.3 GPS接收机结构示意图

共40页 第8页

2.2.2 GPS定位原理

全球定位系统采用多星、高轨、测距体制，以距离作为基本观测量。通过对4颗卫星同时进行距离测量，即可解算出接收机的位置。

如图2.4所示，装在载体上的接收机，同时测定至4颗卫星的距离，方法是测量卫星发射电波至接收机接收到电波的时间差τ、乘以光速c求得距离p，即

p?c???c?tr?ts? （2—1） 式中，tr为接收机接收的时刻，ts为卫星发射电波的时刻。GPS统一采用原子时

系统，由于卫星钟和接收机时钟与GPS原子时不同步，都存在钟差。设其分别为△tr与△ts，实际测得的时间差包含有钟差的影响，为：

'???tr??tr???ts??ts? （2—2）

卫星距离测量原理如2.4图所示：

图2.4 卫星距离测量原理图

卫星钟差由GPS地面监控系统测定，并通过导航电文提供给用户，可以认为是已知值，所以实际测得的距离应为(已加卫星钟差改正)

p?c??c?tr?ts??c??tr （2—3）

''

共40页 第9页

因为距离观测值P'中包含了接收机钟差引起的误差，而不是接收机至卫星的真正距离P，故称其为伪距观测值。

一般用户很难(也没有必要)以足够的精度测定接收机的钟差，可以把它作为一个待定参数与接收机的位置坐标一并解出。将公式写为：

p?'?X?X???Y?Y???Z?Z?22jjj2?c??tr （2—4）

式中Xj，Yj，Zj表示第j颗卫星在地球协议坐标系(WGS-84)中的直角坐标，它们可以利用卫星发播的导航电文中给出的卫星位置信息计算得到，故可以认为是已知量。而X，Y，Z为接收机在同一坐标系中的位置坐标，与接收机钟差同为待求量。共4个未知参数，只须对4颗卫星同步观测，获得4个伪距观测值P' (j=1，2，3，4)组成4个方程式，通过解算即可解出接收机位置(X，Y，Z)和钟差△t。

从上面的描述可知，GPS信号接收机工作原理的关键在于如何识别和锁定来自不同GPS卫星的导航定位信号，并逐一测量它们到达接收天线的传播时间。实际问题中，伪距是利用调制在载波上的伪随机噪声码测得的。利用C／A码伪距进行单点(绝对)定位的精度约为20-30m(水平位置)，利用P码伪距进行绝对定位的精度约15-25m，但P码是保密的，只能供美国及其合约国家的军方使用，而C／A码可提供给全世界所有的用户使用。

严格的说，上文所述的是没有多余观测时(只有4颗卫星)的GPS静态定位原理，而本文采用的GPS浮动车是将GPS接收机安装在运动的车辆中，这样GPS接收机天线处于运动状态，天线相位中心的坐标是一个连续变化的量，而且以目前的GPS卫星星座配置，多数情况下观测站上可见的卫星都超过4颗。这就需要建立一个存在多余观测的动态定位模型。在动态定位中，对多余观测量进行平差计算，将前一时刻的点位坐标作为当前时刻点位的初始坐标，这就要求第一个点位坐标值必须精确，一般都是经过多次迭代求得第一点精确的三维坐标，并为后续点位的解算提供初始坐标值。

2.2.3 GPS浮动车采集交通信息原理

浮动车技术对车辆本身及驾驶员的驾驶行为不作任何要求，与一般的社会车辆无异。装有GPS收发装置的车辆行驶在道路上，接收GPS卫星发出的信息，将这些信息存储在车载设备的数据存储器中，并按照一定的周期通过无线通信网络发送给交通信息控制中心。控制中心对接收到的信息进行分析处理，获得实时的路况信息，再将这些信息通过无线通信网络发布。这些数据不仅可以用于交通状态判别，还可以用于交通评估、交通规划、车辆导航等，为交通出行者和管理者提供信息依

共40页 第10页

据。该技术不仅可以实现全天候、大范围的采集，而且能够直接获得车辆的位置、速度和行程时间信息，监测成本小、效率高。

共40页 第11页

车数量随时间变化且数量较少时采用算术平均方法的结果存在较大的估计误差。

上边所述的各个模型都各有优缺点，本文所采用的模型的实质：就是利用GPS数据中的经纬度信息以及瞬时速度信息，更加精确的估计出道路某个时间段内的路段平均速度，然后根据前边所述交通状态判别标准进行交通状态的判断，最根本的是要求得到某一时段内某一路段的路段平均速度。

当某路段的 GPS 数据量满足直接估计路段平均速度的要求时，首先分别估计 每辆GPS浮动车在该路段的区间速度即单车区间速度结果，再把该路段上所有GPS浮动车的单车区间速度结果通过数据融合方法得到多车区间速度结果，然后利用该路段所有GPS浮动车的全部瞬时速度估计得出多车瞬时速度结果，最后把多车区间速度结果和多车瞬时速度结果融合得到路段的平均速度。路段平均速度估计模型如4.1图所示。

图4.1 路段平均速度估计模型

GPS 浮动车在任意Ti时刻的采样数据的基本数据单元包括车辆ID、时间、车辆所处位置的经度、纬度、高度、瞬时速度及方向角，即：

｛PLATENO,GPS_TIME,LONGITUDE,LATITUDE,HEIGHT,SPEED,DIRECTION｝ 浮动车首先将GPS数据传回数据处理中心，中心边接收数据边滤除异常数据，把正常数据存入数据库中，模型从数据库中读取某一路段的全部 N 辆浮动车在采样时间段Td 内的所有 GPS 数据，通过处理这些数据分析出该路段在此时间段内的交通拥挤状态。根据所有数据经纬度信息，将浮动车的离散数据系列按路段

共40页 第22页

进行划分，由车辆 ID 信息，可得第 j 辆浮动车的采样数据在路段 i 上的离散数据系列表示为Li,j(T) ，i=1,2,...,L,j=1,2...,Ni，其中，L 为需要估计路段的数量，Ni为时段Td内路段i上行驶的浮动车数量。Li,j(T)=[Li,j(T1)，Li,j(T2)，??，Li,j(Tz)]，T1

区间速度指的是在特定的时间段内任意车辆 i 通过一定长度的区间时的平均速度。利用GPS数据估计单车的区间速度原理如图 4.2所示。

图4.2 利用GPS数据估计单车区间速度

本文的区间长度指的是在某一路段上，对于来自同一辆车 i的最靠近路段端点的两个 GPS 点之间的距离，时间段就是指这两个 GPS 点记录时间之差。第i辆公交GPS浮动车返回的第一个GPS点P1的时刻t1，返回的第二个 GPS 点P2的时刻为t2则区间速度为：

Vi?

L1T1 （4—11）

式中T1表示P1与P2的时间差，即：

T1=t2—t1 （4—12） L1表示的是该浮动车在整个路段内的行驶距离之和，L1计算需要计算任意相邻的两个GPS数据点之间的距离，此距离的具体计算涉及到地球表面任意两个点之间的球面距离。

地球是一个近乎标准的椭球体，它的赤道半径为6378.140千米，极半径为 6356.755千米，平均半径6371.004千米。如果我们假设地球是一个完美的球体，

共40页 第23页

那么它的半径就是地球的平均半径，记为R。如果以0度经线为基准，那么根据地球表面任意两点的经纬度就可以计算出这两点间的地表距离（这里忽略地球表面地形对计算带来的误差，仅仅是理论上的估算值）。设第一点A的经纬度为(LonA，LatA)，第二点B的经纬度为(LonB，LatB)，按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度负值(-Longitude)，北纬取90减去纬度值(90- Latitude)，南纬取90加上纬度值(90+Latitude)，则经过上述处理过后的两点被计为(MLonA，MLatA)和(MLonB，MLatB)。那么根据三角推导，可以得到计算两点距离的如下公式：

C = sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB) + cos(MLatA)*cos(MLatB) （4—13） Distance= R*Arccos(C)*Pi/180 （4—14）

这里，R和Distance单位是相同，如果是采用6371.004千米作为半径，那么Distance就是千米为单位，如果要使用其他单位，比如mile，还需要做单位换算，1千米=0.621371192mile

如果仅对经度作正负的处理，而不对纬度作90-Latitude(假设都是北半球，南半球只有澳洲具有应用意义)的处理，那么公式将是：

C = sin(LatA)*sin(LatB) + cos(LatA)*cos(LatB)*cos(MLonA-MLonB) （4—15） Distance= R*Arccos(C)*Pi/180 （4—16）

以上通过简单的三角变换就可以推出。

如果三角函数的输入和输出都采用弧度值，那么公式还可以写作：

C=sin(LatA*Pi/180)*sin(LatB*Pi/180)+cos(LatA*Pi/180)*cos(LatB*Pi/180)*cos((MLonA-MLonB)*Pi/180) （4—17）

Distance = R*Arccos(C)*Pi/180 （4—18） 也就是：

C=sin(LatA/57.2958)*sin(LatB/57.2958)+cos(LatA/57.2958)*cos(LatB/57.2958)*cos((MLonA-MLonB)/57.2958) （4—19）

Distance=R*Arccos(C)=6371.004*Arccos(C)kilometer=0.621371192*6371.004*Arccos(C) mile = 3958.758349716768*Arccos(C) mile （4—20）

根据上述一系列公式可以计算出任意两个相邻数据点之间的距离，进而计算出L1，然后计算出区间速度。

得到单车的区间速度之后需要将路段i上所有浮动车的单车区间速度融合得到路段i的多车区间速度Vint，采用的方法是将路段上各车的平均速度作加权平均可得到路段区间平均速度，其权值为浮动车在给定路段上行驶的有效距离与路段长度

共40页 第24页

的比值。具体的方法如下：

在得到浮动车j在路段i上的区间速度Vj后，以浮动车j的区间速度Vj对路段平均速度反映的完整程度aj为权重，加权平均得到多车区间速度Vint。设路段i上共有Ni辆浮动车，则aj的计算公式为：

aj?Lj (j?1,2,3,...n) （4—21） Li其中Lj表示Vj所能代表的长度，Li为路段i的长度，两者的比值能够反映Vj对路段平均速度反应的完整程度。

由此可得到多车区间速度Vint的计算公式：

nVint??aj.Vjj?1?ajj?1n （4—22）

Vint即为所求得的多车区间速度。 4.5.2 多车瞬时速度计算

瞬时速度算法是针对路段上所有浮动车的 GPS 数据而言的，以每一辆浮动车的每个数据点的瞬时速度为基础，通过多车瞬时速度算法计算得到路段的瞬时速度结果Vins。

在概率学中，可以通过对大量样本测算，来分析总体的特征。并且，当样本足够多的时候，总体的期望等于样本的平均值。

在道路行驶中，所有的机动车组成了一个大的总体。通过GPS系统只可以收集一部分车辆行驶数据，形成样本。由GPS数据，可以得到每个测试车辆的瞬时速度，通过对所有瞬时速度的平均，可以得到近似的总体期望—路段的平均速度。即:

v1?v2?v3?..?.vnv?

n （4—23）

以上求得的结果在物理中叫做速度的平均，在交通工程学中称为时间平均车速。在实际中与道路车辆的平均速度存在一定的差异。这个差异产生的原因在于：

第一，每个抽样检测车报告速度时间间隔大约1分钟，连续性不好；

共40页 第25页

第二，抽样数据不是完全平均于每个时间间隔，统计性不好； 第三，抽样数据不是来自于同一观察体，具有较大的离散性。

目前，利用瞬时速度计算路段平均速度的方法都是对瞬时速度算术平均，把得到的平均值直接作为路段平均速度。这种方法实质上是最简单的加权平均法，令所有因子的权值都一样，但相同的权重因子会加大偶然因素的作用，使得小概率数据对计算结果产生较大的影响，从而导致较大的计算误差。基于这样的考虑，设计了改进的算法，即多车瞬时速度算法。

算法的基本思想是：大概率事件具有相对较高的可信度，而小概率事件由偶然因素造成的可能性较大，可信度相对较小，也就是说大概率事件反映道路情况的能力强于小概率事件，所以对大概率事件取相对较大的权重，使之主导最后的结果；小概率事件取相对较小的权重，降低对最后结果的影响，从而降低偶然因素导致的误差。

在此研究中，首先对瞬时速度值进行区间的划分。根据实际调查情况，本文把瞬时速度值可能落入的范围划分为 7 个区间，分别为：0-10，10-20，20-30，30-40，40-50，50-60，60以上，若落入某个区间内的瞬时速度数量较多，则区间内每个数据取较大的权重，若区间内的瞬时速度较少，取较小的权重。设落入区间c中的瞬时速度数量为Nc，c=1，2，3，?，7经过归一化，区间中每个数据的权重为：

We?Nc?Ncc?17 c ? 1,2,...,72 （4—24）

则根据此权重可以得到多车瞬时速度结果：

Nc??Vins???We??Vm?e?1?m?1? （4—25）

4.5.3 路段平均速度计算

在计算得到多车区间速度Vint和多车瞬时速度Vins后，将Vint和Vins加权融合，得到路段i的平均速度Vi，设Vint和Vins的权重分别为Wint和Wins，则路段i的平均速度为：

7

共40页 第26页

Vi=Wint*Vint+Wins*Vins （4—26） 本方法取Wint=Wins=0.5；

上文所述即为本文所采用的路段平均速度估计模型建立整过程，该模型由单车区间速度算法、多车区间速度算法和多车瞬时速度算法逐层融合得到。下一章将介绍通过实验证明该模型的效果。

共40页 第27页

第五章 实验及结果分析

5.1 实验设计

由于实验条件有限，本文所采用的方法是通过一辆浮动车进行数据采集，采样时间间隔为60s，实验时间为2012年2月11日，具体的采集时段有四个。分别是：12:30--13:00 18:40--19:10 19:40--20:10 23:00--23:30

5.2 实验数据及结果

实验所得的数据格式如：

表5.1 GPS浮动车所采集的数据指标

PLATENO 陕ABC123 GPS_TIME 2012/2/11 23:10 LONGITUDE LATITUDE HEIGHT SPEED DIRECTION 109.011009 34.28797 38 35 268 GPS_TIME表示GPS数据采集的时间点，LONGITUDE表示经度，LATITUDE表示维度，SPEED表示的是样本车采集数据时的瞬时速度，DIRECTION表示方向角，即车头与正北方向的顺时针夹角，用来判断车辆行驶的方向。

根据前边第四章所叙述的方法，计算路段的平均速度，主要关心的参数是时间，经纬度，方向角以及瞬时速度。

本实验一共采集了四个不同交通状态时段的数据进行了分析。软件展示如下图：

图5.1 软件初始界面

共40页 第28页

打开软件初始界面如上图所示，右上方“打开GPS数据文件”按钮用于选择已经采集好的数据文件。采集得到的数据文件格式为.csv文件，可以选择用excel或者记事本打开。

图5.2 23:00--23:30时间段数据分析结果显示

在图中结果显示框中，图片直观展示了该时间段内的交通状态结果，下边显示的是采集的所有数据所处的时间区间，右边部分显示了本文所述算法的几个核心参数：单车区间速度，多车区间速度，多车瞬时速度以及路段平均速度。最终根据路段平均速度来判断交通状态。另外三个时间段的结果如下：

共40页 第29页

图5.3 12:30--13:00时间段数据分析结果显示

图5.4 18:40--19:10时间段数据分析结果显示

共40页 第30页

图5.5 19:40--20:10时间段数据分析结果显示

5.3 实验结果分析

实验结果表明，用本文所提到的方法判断出来的交通状态与道路当时的实际交通状态一致。但是由于实验条件有限，本文只用了一辆浮动车采集路段信息，不能完全体现真实的浮动车采集路段交通信息的方法，并且瞬时速度的偏差有点大，如果能采用更加先进的GPS设备应该会更加精确一些。

共40页 第31页

总结与展望

交通参数是进行交通规划、设计、运营和管理的信息依据，基于GPS浮动车的交通参数采集是近年来新兴的一项技术，该技术以其建设周期短、采集范围广、精度高、实时性强等优点，得到了人们越来越多的重视。GPS采集的信息通过无线通信网络上传至交通信息控制中心，进行数据的存储和处理，并及时发布，为交通管理者和出行者提供参考。

本论文主要进行了一下几个方面的研究：

（1）研究了如何利用浮动车GPS数据信息进行交通状态判断的总体流程，并对每一步骤进行了介绍；

（2）详细研究了如何充分利用GPS数据判断交通状态，并使结果更加精确； （3）采用了区间速度与瞬时速度融合的方式来估算路段的平均速度，充分利用了GPS数据信息，更好的得到准确的交通状态结果。

由于作者的学识有限及时间仓促的原因，论文只是对交通状态的判断进行简单的探索，其中还存在许多不足和需要进一步研究的工作，主要有以下几个方面：

（1）浮动车GPS数据来源很少，可以考虑将城市道路上的出租车GPS信息作为数据来源，可以提高判别的准确性；

（2）本文所采用的GPS数据在处理前并没有进行校准，一定程度上影响结果的准确性。

（3）本文直接利用路段平均速度进行交通状态的判别有失严谨，实际的交通状况很复杂，仅仅靠此判别因素没有很强的说服力；

（4）实际道路中的交通状况很复杂，本文路段划分采用比较简单的固定划分方式，采用更加灵活的动态划分方式可以将不同路段的交通状态准确区分开来，真实性更好；

（5）本文所采用的区间速度速度与瞬时速度融合估算路段平均速度的方法还缺乏大量数据的检验，准确性还有待验证；

（6）目前大多数城市主要采用固定检测器采集交通信息，固定检测器采集信息受天气等因素的影响，而GPS浮动车受GPS盲区等因素的影响，可以将这两种采集方法得到的数据进行融合，再用于判断路段交通状态，可以提高判别的准确性。

共40页 第32页

致谢

大学本科四年的学习生活转眼就要过去了，回首这四年，有汗水也有收获，有努力也有挫折，有失败也有成功，虽然辛苦但很充实，不论如何，都将成为我人生中最美好的记忆，这一切都将为我的未来奠定基础，我将带着这些记忆向着明天更好的迈进。

在XXX老师的指导下，经过将近一学期的学习和研究，我的毕业设计终于要完成了。通过这次毕业设计，我发现了自己的很多不足，看到了自己的实践经验还比较缺乏，理论联系实际的能力还有待提高。与此同时，我也收获颇多，相信能对我以后的学习、工作带来很大的裨益。

在这里首先要感谢我的导师XXX，他平日里工作繁忙，但在毕业设计的每个阶段，从查阅资料，到设计草案的确定和修改，中期检查，后期详细设计等整个过程中都给予了我们悉心的指导。X老师的严谨指导以及和蔼可亲的笑容已经深深印在了我的脑海中，真诚的道一声，谢谢您，X老师。其次还要非常感谢XXX学长，谢谢你在繁忙的研究生阶段那么仔细认真地修改我的翻译以及论文，你的严谨细致深深影响了我，我相信也必将会影响我以后的学习和工作。

同时还要感谢所有同学们，当我遇到挫折时，是你们耐心开导我，正是因为有了你们的支持和鼓励，我的大学生活还有此次的毕业设计才会顺利完成。

还要感谢多年来一直在背后默默支持我的父母，你们的关怀和鼓励让成为了我学习的动力，没有你们，就没有今天的我。

最后向母校长安大学四年来对我的培养致以衷心的感谢！

共40页 第33页

参考文献

[1] 杨兆升. 智能运输系统概论[M]. 人民交通出版社. 2003

[2] 张其善,吴今培,杨东凯. 智能交通车辆定位导航系统及其应用[M]. 科学出版社. 2002.4

[3] 王川久. 交通运输规划与管理[D]. 吉林大学博士论文. 2002.5 [4] 黄卫,陈里德. 智能运输系统（ITS）概论[M]. 人民交通出版社. 1999 [5] 杨兆升. 城市智能公共交通系统理论和方法[M]. 中国铁道出版社. 2004 [6] 张赫,杨兆升,李贻武. 无检测器交叉口交通流量预测方法综合研究[J]. 公路交通科技,2002, 19（1）: 91-95.

[10] 任福田. 交通工程学[M]. 人民交通出版社. 2003.

[11] 董均宇. 基于 GPS 浮动车的城市路段平均速度估计技术研究[D]. 重庆大学硕士论文.2005

[12] 秦玲,张剑飞,郭鹏,齐彤岩. 浮动车交通信息采集与处理关键技术及其应用研究[J]. 交通运输系统工程与信息. 2007, （1）:19-24.

[13] 朱丽云, 温慧敏, 孙建平. 北京市浮动车交通状况信息实时计算系统[J] 城市交通[J].2008, 3（1）:119-123.

[14] 钱寒峰,林航飞,杨东援. 浮动车车速处理分析系统中的数据融合技术[J]. 计算机工程与应用. 2007, 43（31）:230-232

[15] 王力,张海,范跃祖. 基于探测车技术的路段平均速度估计模型[J]. 交通运输系统工程与信息. 2006, 11（4）:86-91.

[16] 胡伍生,高成发. GPS测量原理及其运用[M]. 北京：人民交通出版社, 2002 [17] Ruey Long Cheu,Chi Xie,Lee Der-Homg.Probe Vehicle Population and Sample Size for Artefifl Speed Estimation[J].Computer-Aided Civil and Infrastructure Engineering,2002

[18] 周忠谟. GPS卫星测量原理与运用[M]. 北京:测绘出版社. 1997

[19] Kristian Torp,Harry Lahrmann.Floating Car Data for Traffic Monitoring [EB/OL].http://i2tem.plan.aau.dk/doks/paper/paper62.Pdf

[20] 杨兆升等. 基于模糊综合推理的道路交通识别算法[J]. 公路交通科技. 2003, 20（4）:92-94

[21] 刘同明. 数据融合技术及其应用[M]. 国防工业出版社. 1998

共40页 第34页

附录

路段平均速度估计模型部分关键代码

void CGPSDlg::OnOpenGpsdata() { // TODO: Add your control notification handler code here

//用EXCEL打开可以查看源数据

BOOL bRet = TRUE; CFileDialog

dlg(TRUE,_T(\ _T(\ if(IDOK==dlg.DoModal()) { try { CStdioFile file(dlg.GetPathName(),CFile::modeRead); m_string=dlg.GetPathName(); UpdateData(FALSE); CString szLine =\ int i=0; double time,lon,lat,speed,hour,minute; CString Time,Lon,Lat,Speed; CString Hour,Minute;

double vi=0,vint=0,vins=0;//vi单车区间速度 vint多车区间速度

vins多车瞬时速度

double MLonA,MLatA,MLonB,MLatB;//经纬度值 double C=0,Distance=0,timesub=0,nc2_total=0; double dis=0,tim=0;

int spe[7]={0,0,0,0,0,0,0}; //一共将所有的瞬时速度分成7个区double wc[7]={0,0,0,0,0,0,0};//瞬时速度每个区间中速度的权值

间，每个数组值保存处于对应区间的瞬时速度个数

共40页 第35页

double v=0;//路段平均速度

std::vector distance_sub_data; std::vector speed_data; std::vector time_sub_data; std::vector time_data; std::vector lon_data; std::vector lat_data; while(file.ReadString(szLine)) { if(i) { int count=0; int length=0; int p=0;

int pos[6]={0};//保存6个逗号的索引位置

int index=-1; length=szLine.GetLength(); while(p<6) { index = szLine.Find(',',index+1); pos[p]=index; p++; }

Time=szLine.Mid(pos[0]+1,pos[1]-pos[0]-1); Lon=szLine.Mid(pos[1]+1,pos[2]-pos[1]-1); Lat=szLine.Mid(pos[2]+1,pos[3]-pos[2]-1); Speed=szLine.Mid(pos[4]+1,pos[5]-pos[4]-1);

共40页 第36页

本文来源：https://www.bwwdw.com/article/ct9.html