一種基于車輛自動識別數(shù)據(jù)的城市路網(wǎng)車輛出行路徑重構(gòu)方法
【專利摘要】本發(fā)明屬于交通規(guī)劃與管理領(lǐng)域，具體涉及一種基于車輛自動識別數(shù)據(jù)的城市路網(wǎng)車輛出行路徑重構(gòu)方法。該方法輸入信息以AVI檢測數(shù)據(jù)為主，結(jié)合傳統(tǒng)流量檢測設(shè)施所采集的數(shù)據(jù)。首先以圖論中深度優(yōu)先遍歷搜索理論生成所有車輛初始可能路徑集；然后利用粒子濾波理論，通過車輛出行的路徑一致性、行程時間一致性、AVI可測性、重力-流量模型和路段-路徑流量匹配模型五大時空修正因子的連續(xù)重要性采樣更新車輛可能路徑概率；最后根據(jù)重采樣得到的后驗概率函數(shù)曲線來推測車輛的“真實”路徑。該方法可在AVI覆蓋率較低的條件下仍能估計出很高精度的車輛完整出行路徑，且該方法不依賴于車輛出行歷史信息。
【專利說明】—種基于車輛自動識別數(shù)據(jù)的城市路網(wǎng)車輛出行路徑重構(gòu)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于交通規(guī)劃與管理領(lǐng)域，具體涉及一種基于車輛自動識別數(shù)據(jù)的城市路網(wǎng)車輛出行路徑重構(gòu)方法。
【背景技術(shù)】
[0002]車輛出行路徑是交通網(wǎng)絡(luò)規(guī)劃和運行管理的核心基礎(chǔ)數(shù)據(jù)，其精度直接影響城市動態(tài)交通管理、精細化交通分析的準(zhǔn)確性和有效性。因此，科學(xué)地采集交通流運行參數(shù)、最佳地利用交通采集信息，對提高交通設(shè)施的使用效率和服務(wù)能力是至關(guān)重要的。
[0003]近年來，交通系統(tǒng)信息采集已呈現(xiàn)從以感應(yīng)線圈為代表的“斷面型”檢測、以浮動車為代表的“移動型”檢測快速向以視頻車牌自動識別為代表的“廣域”車輛自動識別(Automatic Vehicle Identification, AVI)檢測轉(zhuǎn)變的趨勢。AVI技術(shù)包括視頻牌照自動識別技術(shù)、路側(cè)信標(biāo)與車輛通信識別技術(shù)等，其核心是可檢測車輛ID、通過時間以及車輛位置等信息，這使得獲得傳統(tǒng)的檢測設(shè)備無法獲取的單個車輛路徑成為可能。與國外相比，AVI技術(shù)特別是視頻牌照自動識別技術(shù)在我國得到了迅猛的發(fā)展，北京、上海等城市已大規(guī)模推廣實施，深圳、杭州等城市也在迅速跟進。在AVI數(shù)據(jù)利用方面，目前大部分工作都是利用AVI獲取路段行程時間信息，或者是利用AVI檢測的路段流量和行程時間信息進行OD估計，還未有利用AVI信息進行個體車輛路徑重構(gòu)的方法和技術(shù)。
[0004]另一方面，雖然視頻牌照檢測技術(shù)日益成熟，目前主流視頻牌照檢測器的檢測精度，在良好光照條件下可達到90%，但這樣的精度僅能滿足路段行程時間檢測需求。對于大規(guī)模路網(wǎng)，隨著路段數(shù)的增加，能正確進行牌照匹配的車輛樣本將急劇減少(如十個路段的路網(wǎng)，其匹配樣本數(shù)僅占總樣本數(shù)的0.910=0.35);同時，對于大規(guī)模路網(wǎng)，由于技術(shù)或經(jīng)濟的原因，視頻車牌識別裝置不是在任意需要的地方都能布設(shè)的。綜上，車輛路徑重構(gòu)面臨的現(xiàn)實關(guān)鍵問題為在AVI識別率下降、且只能在有限的地點布設(shè)AVI裝置條件下，如何在較大規(guī)模路網(wǎng)環(huán)境下獲取高精度的車輛路徑信息。
[0005]車輛出行路徑重構(gòu)對研究交通流成因，城市OD結(jié)構(gòu)，駕駛員交通路徑選擇行為等理論研究具有重要價值。此外，車輛出行路徑還將在城市動態(tài)交通管理、精細化交通分析、重大政策評估及管理(公車管理、車輛單雙號限行、擁擠收費等)以及公共安全管理(車輛跟蹤、VIP安全保衛(wèi)等)等領(lǐng)域發(fā)揮巨大作用。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于針對AVI車輛部分路徑信息未充分利用的問題，提出了一種新的基于車輛自動識別數(shù)據(jù)的城市路網(wǎng)車輛出行路徑重構(gòu)方法。
[0007]本方法具有以下三個特點:一、提出了以粒子濾波中重采樣思想為基礎(chǔ)的車輛出行路徑重構(gòu)理論；二、提出實際影響車輛出行路徑的五大時空修正因子，大幅度提高車輛出行路徑重構(gòu)的準(zhǔn)確度；三、在AVI覆蓋率有限的條件下，實現(xiàn)較大規(guī)模路網(wǎng)車輛完整出行路徑的高精度獲取。
[0008]為達到以上目標(biāo)，本發(fā)明提出的基于車輛自動識別數(shù)據(jù)的城市路網(wǎng)車輛出行路徑重構(gòu)方法。本發(fā)明考慮AVI覆蓋率有限的情況，基于粒子濾波理論，結(jié)合車輛路徑軌跡中相關(guān)的五大時空修正因子，更新逼近任意車輛真實的空間狀態(tài)概率曲線。具體步驟如下:
(1)創(chuàng)建初始粒子群
建立初始粒子群，令其有 個初始粒子 表示為初
始粒子群中所有初始粒子的先驗概率，每個初始粒子代表一個車輛的可能出行路徑；
在無歷史信息條件下，所有初始粒子的初始概率定義為1/N;N代表初始粒子的數(shù)目；確定交通網(wǎng)絡(luò)小區(qū)后，采用優(yōu)化的深度優(yōu)先搜索方法，獲得各小區(qū)之間所有可能路徑；
(2)重要性采樣
For i=l, 2，......，N ；
假設(shè)所有初始粒子的初始概率分布服從上一輪重要性采樣后的密度函數(shù)；基于車輛路徑軌跡的五大時空修正因子，共有五次重要性采樣，分別為路徑一致性采樣、行程時間一致性采樣、可測性判據(jù)采樣、重力-流量模型采樣和路段-路徑流量匹配模型采樣；
(2.1)通過路徑一致性修正因子將車輛部分路徑與有效可能路徑集中的路徑進行拓?fù)浣Y(jié)構(gòu)匹配，進行第一次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚；
(2.2)通過行程時間一致性修正因子分析兩個AVI之間所有可能路段的平均行程時間與車輛在兩個AVI之間的真實行程時間的相似性，進行第二次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚；
(2.3)通過可測性判據(jù)修正因子減少檢測器檢測誤差影響，進行第三次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚；
(2.4)通過重力-流量模型修正因子反映車輛在路徑選擇過程中對距離較遠及檢測流量較小的出入口引力較小的客觀事實；據(jù)此進行第四次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚；
(2.5)通過路段-路徑流量匹配模型修正因子反映車輛實際走行流量大的路段可能性較大的事實；據(jù)此進行第五次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚。
[0009](3) “真實”路徑的輸出
計算所有路網(wǎng)可能路徑的最終概率，并歸一化得到后驗概率函數(shù)曲線，推測單個車輛的完整出行路徑；其余路徑不完整的車輛數(shù)據(jù)均可通過上述方法進行路徑重構(gòu)，進而獲得路網(wǎng)所有車輛的真實出行路徑；
根據(jù)粒子濾波理論，所有可能路徑的后驗概率表示為如式(I)所示。
【權(quán)利要求】
1.一種基于車輛自動識別數(shù)據(jù)的城市路網(wǎng)車輛出行路徑重構(gòu)方法，其特征在于具體步驟如下: (1)創(chuàng)建初始粒子群 建立初始粒子群，令其有xSx2，……，ΧΝ個初始粒子，PO1XF(X2)1--,P(Zf)表示為初始粒子群中所有初始粒子的先驗概率，每個初始粒子代表一個車輛的可能出行路徑；在無歷史信息條件下，所有粒子的初始概率定義為1/N #代表初始粒子群的數(shù)目；確定交通網(wǎng)絡(luò)小區(qū)后，采用優(yōu)化的深度優(yōu)先搜索方法，獲得各小區(qū)之間所有可能路徑； (2)重要性采樣 For i=l, 2，......，N ； 假設(shè)所有完整粒子的概率分布服從上一輪重要性采樣后的密度函數(shù)；基于車輛路徑軌跡的五大時空修正因子，共有五次重要性采樣，分別為路徑一致性采樣、行程時間一致性采樣、可測性判據(jù)采樣、重力-流量模型采樣和路段-路徑流量匹配模型采樣； (2.1)通過路徑一致性修正因子將車輛部分路徑與有效可能路徑集中的路徑進行拓?fù)浣Y(jié)構(gòu)匹配，進行第一次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚； (2.2)通過行程時間一致性修正因子分析兩個AVI之間所有可能路段的平均行程時間與車輛在兩個AVI之間的真實行程時間的相似性，進行第二次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚； (2.3)通過可測性判據(jù)修正因子減少檢測器檢測誤差影響，進行第三次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚； (2.4)通過重力-流量模型修正因子反映車輛在路徑選擇過程中對距離較遠及檢測流量較小的出入口引力較小的客觀事實；據(jù)此進行第四次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚； (2.5)通過路段-路徑流量匹配模型修正因子反映車輛實際走行流量大的路段可能性較大的事實；據(jù)此進行第五次重要性采樣更新粒子權(quán)重；然后根據(jù)不同路徑權(quán)重更新，更新粒子集聚； (3)“真實”路徑的輸出 計算所有路網(wǎng)可能路徑的最終概率，并歸一化得到后驗概率函數(shù)曲線，推測單個車輛的完整出行路徑；其余路徑不完整的車輛數(shù)據(jù)均可通過上述方法進行路徑重構(gòu)，進而獲得路網(wǎng)所有車輛的真實出行路徑。
2.根據(jù)權(quán)利要求1所述的基于車輛自動識別數(shù)據(jù)的城市路網(wǎng)車輛出行路徑重構(gòu)方法，其特征在于步驟(2)中所述五次重要性采樣，具體為: (2.1)第一次重要性采樣:路徑一致性修正 初始粒子權(quán)重服從均勻分布，可以表示為
【文檔編號】G08G1/017GK103440764SQ201310360322
【公開日】2013年12月11日 申請日期:2013年8月19日 優(yōu)先權(quán)日:2013年8月19日
【發(fā)明者】孫劍, 馮羽, 李克平, 楊劍浩 申請人:同濟大學(xué)