基于隐马尔科夫模型的车辆行驶道路类型的判断方法
【技术领域】
[0001] 本发明设及交通网络中道路类型识别技术领域，特别设及一种基于隐马尔科夫模 型的车辆行驶道路类型的判断方法。
【背景技术】
[0002] 随着汽车的普及和道路的建设，城际间的经济往来更加频繁，活动的区域也越来 越大；为了提高生活质量，大量的休闲活动、探险活动的举行使我们并不局限在自己认识的 一小块区域中，不认识道路，找不到目的地的情况也屡有发生，而车载GI^S导航仪有效的解 决了上述问题。
[0003] 但是车载GI^S导航仪并无法准确的判断出车辆是在高架路面还是在地面路面上 行驶，为驾驶员的的安全驾驶造成了一定的影响，极易导致交通事故的发生。该主要是由于 城市里多建设有为了缓解交通拥堵方便出行所建设的高架道路，而高架道路正下方还有着 一条或多条平行的地面道路，如果车辆正行驶在该类高架地面重合的路段，GI^S导航仪及车 辆定位系统等都不能准确快速的判断出车辆是在高架路面还是在地面路面，此时就可能出 现驾驶员手动调整定位信息的情况，从而影响了驾驶员的驾驶安全，增加了驾驶员的驾驶 危险。
【发明内容】
[0004] 本发明的目的在于提供一种基于隐马尔科夫模型的车辆行驶道路类型的判断方 法，W解决使用现有技术中车载Gl^s导航仪及车辆定位系统无法准确的判断出车辆是在高 架路面还是在地面路面上行驶，出现驾驶员手动调整定位信息的情况，从而影响了驾驶员 的驾驶安全的问题。
[0005] 为解决上述技术问题，本发明提供一种基于隐马尔科夫模型的车辆行驶道路类型 的判断方法，所述基于隐马尔科夫模型的车辆行驶道路类型的判断方法包括如下步骤：
[0006] 确定隐马尔科夫模型的隐含状态集合及观测值序列；
[0007] 对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模 型；
[000引利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断。
[0009] 可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，所述 隐含状态集合S = {Si，S2}，隐含状态Si表示高架路面，隐含状态S 2表示地面路面。
[0010] 可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，基于 置于车辆中的智能手机确定所述观测值序列0 = {〇1，化，...，〇t}，所述智能手机内部装载 有加速度传感器及Gl^s设备。
[0011] 可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，所述 车辆的行驶过程W时槽划分，将智能手机在每个时槽内收集到数据提取的特征作为所述观 测值序列中的观测值；所述数据包括所述加速度传感器采集的加速度传感器数据及所述 GI^S设备采集的GI^S数据。
[0012] 可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，获得 所述观测值（fl，f2, fs，f4)的步骤如下：
[0013] 利用智能手机的加速度传感器获取加速度传感器数据并提取所述加速度传感器 数据中的车辆实时的线性加速度及重力加速度；
[0014] 利用智能手机的GI^S设备获取GI^S数据并提取所述GI^S数据中车辆实时的车速及 GI^S设备定位所接收到的卫星数；
[0015] 依次对所述车辆实时的线性加速度、所述重力加速度、所述车辆实时的车速及所 述GI^S设备定位所接收到的卫星数提取一特征；
[0016] 对每个特征进行划分，并将所有划分后的特征所组成的四元组化，f2, f3, f4)作为 观测值。
[0017] 可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，对每 个特征进行划分的方法如下：
[0018] 根据所述车辆实时的车速实时的车速提取的特征为速度方差对于所述速度 方差Vv。,，设定阔值TSvv。,，将区间划分为（-<-，TSvJ U [TSv。,，+ -)，分别用0,1表示，记 为fi;
[0019] 根据所述GI^S设备定位所接收到的卫星数提取的特征为平均卫星数Avgsw;对于 平均卫星数Avg日。t，设定阔值TS日。"将区间划分为（--，TS日J U [TS日。"+-)，分别用0，1 表不，记为fa;
[0020] 根据所述重力加速度提取的特征为重力加速度在Z轴最小值Gmiriz;对于重力加 速度在Z轴最小读值Gmin,，设定阔值TSg，将区间划分为（-〇〇, TSg) U [TSg，+00)，分别 用0, 1表示，记为fg;
[0021] 根据所述车辆实时的线性加速度提取的特征为线性加速度在Z轴的方差VarAcc,; 对于线性加速度在Z轴的方差VarAcc,，设定两个阔值TSgi、TSg2, W及将区间划分（--， TSJ U [TSai，TSa2) U [TSa2，+ °°)，分别用 0，1，2 表示，记为 f4。
[0022] 可选的，在所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法中，所述 训练好的隐马尔科夫模型A = (A，B，31)，其中，隐含状态转移概率矩阵A= [aijLaij = P(Si I Sj)，i = 1, 2, j = 1, 2,此时，
【主权项】
1. 一种基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征在于，包括如下 步骤： 确定隐马尔科夫模型的隐含状态集合及观测值序列； 对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模型； 利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断。
2. 如权利要求1所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征 在于，所述隐含状态集合S = {Sl，s2}，隐含状态S1表示高架路面，隐含状态s 2表示地面路 面。
3. 如权利要求1所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征 在于，基于置于车辆中的智能手机确定所述观测值序列〇 = {Α，〇2，...，〇t}，所述智能手机 内部装载有加速度传感器及GPS设备。
4. 如权利要求3所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征 在于，所述车辆的行驶过程以时槽划分，将智能手机在每个时槽内收集到数据提取的特征 作为所述观测值序列中的观测值；所述数据包括所述加速度传感器采集的加速度传感器数 据及所述GPS设备采集的GPS数据。
5. 如权利要求4所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征 在于，获得所述观测值（f\，f2, f3, f4)的步骤如下： 利用智能手机的加速度传感器获取加速度传感器数据并提取所述加速度传感器数据 中的车辆实时的线性加速度及重力加速度； 利用智能手机的GPS设备获取GPS数据并提取所述GPS数据中车辆实时的车速及GPS 设备定位所接收到的卫星数； 依次对所述车辆实时的线性加速度、所述重力加速度、所述车辆实时的车速及所述GPS 设备定位所接收到的卫星数提取一特征； 对每个特征进行划分，并将所有划分后的特征所组成的四元组作为观测 值。
6. 如权利要求5所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征 在于，对每个特征进行划分的方法如下： 根据所述车辆实时的车速实时的车速提取的特征为速度方差Vvm;对于所述速度方差 Vvm，设定阈值TSvvm，将区间划分为（-°〇, TSvJ U [TSvm，+ )，分别用0,1表示，记为f1; 根据所述GPS设备定位所接收到的卫星数提取的特征为平均卫星数Avgsat;对于平均 卫星数Avgsat，设定阈值TSsat，将区间划分为（_°〇，TSsat) U [TSsat，+°〇)，分别用0，1表示， 记为f2; 根据所述重力加速度提取的特征为重力加速度在z轴最小值GminzJt于重力加速度 在z轴最小读值Gminz，设定阈值TSg，将区间划分为（-°〇, TSg) U [TSg，+ )，分别用0， 1表示，记为f3; 根据所述车辆实时的线性加速度提取的特征为线性加速度在z轴的方差VarAccz; 对于线性加速度在z轴的方差VarAccz，设定两个阈值TSal、TSa2，以及将区间划分（-°〇， TSal) U [TSal，+TSa2) U [TSa2，+ °〇)，分别用 0，1，2 表示，记为 f4。
7. 如权利要求1所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特 征在于，所述训练好的隐马尔科夫模型λ = (Α，Β，π)，其中，隐含状态转移概率矩阵A = [aij]，aij = PGi I Sj)，i = 1，2, j = 1，2,此时，
P (S11 S1) = I-P (s21 S1); 其中，nt(rtall，ntotal2分别为经过高架路面入口的车辆的数量及经过高架路面出口的车辆 的数量；nswitc;M1，nswitc;M2*别为从地面路面驶入高架路面的车辆的数量及从高架路面驶入 地面路面的车辆的数量；k为时间槽的序号； 观测状态转移概率矩阵B= [bnm]，
其中，η = 1，2, m = 1，2,... N，om为由所述观测值确定的观测状态； 初始状态概率矩阵：π =[ π J。
8. 如权利要求1所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特 征在于，所述利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断包括如下步 骤： 根据所述观测值序列确定车辆行驶于不同道路类型的概率； 采用向前算法，根据前一时槽车辆行驶的道路类型的概率，计算下一时槽车辆行驶的 道路类型的概率； 根据下一时槽车辆行驶的道路类型的概率与行驶地面路面的阈值TSsurfare或行驶高架 路面的阈值TSelevatral比较，以判断车辆下一时槽车辆行驶的道路类型。
9. 如权利要求8所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特征 在于，所述采用向前算法，根据前一时槽车辆行驶的道路类型的概率，计算下一时槽车辆行 驶的道路类型的概率采用的公式如下：
其中，
表示在观测序列〇的情况下，此时车辆处在隐含状态为Si的概 率，当t = 〇时，/%(〇) = ? 〇
10. 如权利要求8所述的基于隐马尔科夫模型的车辆行驶道路类型的判断方法，其特 征在于，根据下一时槽车辆行驶的道路类型的概率与行驶地面路面的阈值TS surfare或行驶 高架路面的阈值TSelevatral比较，以判断车辆下一时槽车辆行驶的道路类型具体步骤如下： 当前一时槽内车辆行驶于地面路面&时，判断Α2ω是否小于行驶地面路面的阈值 TSsurfara，若是，则判定测量下一时槽车辆驶入高架路面；若否，则判定测量下一时槽车辆仍 在地面路面； 当前一时槽内车辆行驶于地面路面81时，判断/\(0是否小于行驶高架路面的阈值 TSelCTated，若是，则判定测量下一时槽车辆驶入地面路面；若否，则判定测量下一时槽车辆仍 在高架路面。
【专利摘要】本发明提供了一种基于隐马尔科夫模型的车辆行驶道路类型的判断方法，将车辆行驶在不同道路类型的过程刻画为隐马尔科夫模型，通过对隐马尔科夫模型进行训练，得到适合判断车辆行驶道路类型的隐马尔科夫的模型，之后利用训练好的隐马尔科夫模型实现车辆行驶道路类型的在线判断，判断准确性高，延时低，进一步保障了驾驶员的驾驶安全；另一方面，在刻画隐马尔科夫模型是基于置于车辆中的智能手机的加速度传感器及GPS设备，降低了对硬件的要求，使本发明的判断方法普及性提高。
【IPC分类】G06F19-00, G06K9-66, G08G1-01
【公开号】CN104537209
【申请号】CN201410748590
【发明人】龚垚明, 朱燕民, 俞嘉地
【申请人】上海交通大学
【公开日】2015年4月22日
【申请日】2014年12月9日