一种基于实时公交车GPS数据的公交路链速度计算方法与流程

本发明属于智能交通技术领域，特别涉及一种基于实时公交车GPS数据的公交路链速度计算方法。

背景技术：

随着城市现代化程度不断加深，机动车保有量快速增长，市民出行需求呈现多样化、个性化的特征，城市交通压力日益增大。国内外大城市发展经验表明，要解决城市交通问题，尤其是特大型国际城市的交通问题，必须充分发挥公共交通的重要作用。事实证明，智能交通系统是缓解城市交通拥堵、解决大城市交通困境的有效手段。目前智能交通系统的研究热点如实时路况和实时公交到站时间预测等服务中，都需要公交路链速度的实时计算结果，以支撑上述功能服务。然而，交通情况存在复杂多变且不稳定的特点，如何实时准确地获取公交路网路链的行车速度成为了智能公交系统的一个关键点。目前国内外在道路计算方面开展了许多研究，主要有多元回归估计法、时间序列模型、卡尔曼滤波法和基于历史数据相似性模型等。

多元回归估计法是通过分析事物之间的因果关系和影响程度进行预测的方法，如分析道路速度与线路结构、经过红绿灯路口数量、中间站点的个数、天气等因素的相关性，构建回归方程，根据这些自变量在预测时段的变化对因变量公交车运行时间进行预测。该方法要求这些影响因素是独立的，这严格限制了回归分析法的应用。

时间序列预测是通过发现研究对象过去的变化规律来推断其未来取值的方法，其预测的准确性取决于所预测的行程时间变化规律与历史规律的匹配度，具有一定的局限性。

卡尔曼滤波是一种高效率的递归滤波器，能够从一组包含噪声的对物体位置的观察序列中，对当前位置和将来位置进行估计。卡尔曼滤波是预测短时交通流量的一种方法，具有较好的鲁棒性，可对外部环境做出有效的反应。但是，它仅仅在预测未来一两个时间段内的运行时间是有效的，当预测路程或者时间整体很长的时候，预测精度较低。

基于历史数据相似性模型的预测方法是建立在交通运行具有循环变化的规律性的前提下，通过对历史数据进行分析，以历史相同时期相同路链的速度预测当前公交路网的路链速度。在此基础上，也有研究进一步提出基于路况相似性的道路速度预测机制，提出了路况信息多元组，以及路况信息多元组相似性计算方法，根据相似的历史路况进行预测。这种方法完全基于历史数据，没有考虑到实时变化的交通信息，实时性和准确性较差。

技术实现要素：

本发明的技术解决问题：克服站点延误对速度计算的影响，解决不同速度样本数量下路链覆盖率不足的问题，提供一种基于实时公交车GPS数据的公交路链速度计算方法，解决公交路链速度计算的实时性需求，提升路链的覆盖率和准确率，为公交到站预报和公交路网实时路况表达提供数据支撑，具有鲁棒性和普适性。

本发明对实时采集的并匹配到公交线路采样点的实时公交车GPS点数据进行预处理，然后按车辆分类并维护GPS采样点队列，提取关键点计算出消除站点影响的速度样本；采用动态窗口机制维护路链速度样本，最后将速度样本合成为路链速度并表达。

本发明提供的基于实时公交车GPS数据的公交路链速度计算方法在速度样本获取阶段为每辆车建立一个GPS采样点队列，存储匹配后的GPS采样点，使用时间阈值控制队列的存储窗口大小，然后以站点为中心建立地理围栏，根据队列中排好序的采样点信息以及地理围栏的坐标范围确定用于计算速度样本的关键点，进而提取每辆公交车的关键点序列，计算出速度样本；在路链速度合成阶段为每个路链维护其速度队列，把上一阶段计算得到的速度样本加入该车所覆盖到的路链的速度队列中，根据队列样本数量动态合成路链速度，最后将位置相邻的多个短路链速度平均化后作为每个路链的最终速度。

本发明具体包括速度样本获取和路链速度合成步骤；所述速度样本获取步骤包括维护GPS采样点队列，生成关键采样点序列，进而得到速度样本；所述路链速度合成步骤包括维护路链的速度样本队列，确定用于计算的速度样本量，进而合成得到路链速度。

所述维护GPS采样点队列包括：

为每辆公交车建立一个GPS采样点队列，每插入一个最新的GPS点，判断该GPS点的时间戳是否为最新，若不为最新，则不予操作，若为最新，则触发更新队列信息；然后判断队头和队尾的GPS点时间戳差值是否满足小于时间阈值的要求，循环判断直到满足条件；最后更新队头采样点信息。

所述生成关键采样点序列包括：

计算路链速度的线程每经过t₀时间周期触发一次，首先以每个站点的GPS坐标为中心，划定地理围栏；遍历队列中的GPS采样点，选择在站点地理围栏范围外的第一个采样点，作为用于计算公交车行驶速度的关键采样点；最后判断队头和队尾的采样点，如果在站点的地理围栏范围外就认为采样点是关键采样点，进而将每个t₀周期内一个车辆的关键采样点生成关键采样点序列。

所述速度样本包括：

遍历关键采样点序列，每两个采样点作为一对进行计算，由关键采样点的信息计算出采样点间的距离和时间差，进而应用速度公式得到每两个关键采样点间的速度，作为速度样本加入到该条路链的速度样本队列中。

所述维护路链的速度样本队列步骤包括：

为每个路链维护一个速度样本队列，每插入一个新的速度样本即更新队列信息，循环判断队列中每个速度样本的时间戳信息，距当前时间超过所设时间阈值的样本数据将从队列中移除。

所述基于k近邻加权的速度样本融合包括：

对于非高速路段，比较时间段[0,T₁]、[T₁,T₂]、[T₂,T^*]的速度样本集合中的速度样本数量与所设阈值N₁和N₂的大小，其中T₁和T₂为划分速度样本集合的两个时间参数，且T₁＜T₂，T^*为所取速度样本集合距当前时刻的时间跨度(可参考图3)；通过比较关系确定使用两种基于k近邻加权的速度样本融合方法中的一种，用于计算的速度样本集合表示为：

{V₁,...,V_i,...,V_k}

第一种加权方案为距离实时时间越近的速度样本所具有的权值越大的方案，t_i表示第i样本时间距离当前时间的差值绝对值，权值公式如下：

$p_i=\frac{1}{t_i},i=1...k_1$

速度样本融合公式如下：

$v^{*}=\frac{\underset{i=1}{\overset{k_1}{\Σ}}{p}_i{V}_i}{\underset{i=1}{\overset{k_1}{\Σ}}{p}_i}$

另外，不同的时间邻近程度分为两个不同的速度样本集合，集合内采用等权值的平均方法，集合间遵循时间越近权值越大的方案，即第二种加权方案，集合内的速度样本个数分别为k₁、k₂，权值公式如下：

$p_1=\frac{1}{T_1},p_2=\frac{1}{T_2}$

速度样本融合公式如下：

$v^{*}=\frac{\underset{i=1}{\overset{k_1}{\Σ}}{p}_1{V}_i+\underset{j=k_1+1}{\overset{k_2}{\Σ}}{p}_2{V}_j}{k_1{p}_1+k_2{p}_2}$

对于高速路段，采用第一种加权方案。

所述路链速度合成包括：

对于同一性质的多条相连接路链，如果连接各路链的不是红绿灯路口、收费站、岔路口一类具有延缓车辆行驶作用的连接，并且路链方向的角度变化α满足|α|≤α₀,α₀＞0，其中α₀为角度阈值(角度阈值取30度)，则把这些相连接的路链看作一条合成路链，如果这条合成路链由n个路链组成，且其中m个路链有路链速度结果，分别用{V₁,...,V_i,...,V_m}表示，V_junc表示合成路链的速度，则合成路链的路链速度为：

$V_{junc}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{V}_i$

本发明与现有技术相比的优点在于：本发明提供的公交路链速度计算方法，通过生成关键采样点序列再进而计算速度样本的方式，消除了站点范围内公交车停靠站对路链速度计算的影响，提高了公交路链速度的准确度。本发明根据速度样本队列的状态动态确定用于计算的样本量，并根据实时变化的交通情况进行动态计算，具有较好的实时性和准确性。

附图说明

图1为本发明实施例提供的基于实时公交车GPS数据的公交运营路链速度计算方法流程图；

图2为本发明实施例中生成关键采样点序列的原理示意图；

图3为本发明实施例中速度样本集合按时间梯度管理的原理示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本发明提供的基于实时公交车GPS数据的公交路链速度计算方法在速度样本获取阶段为每辆车建立一个GPS采样点队列，存储匹配后的GPS采样点，使用时间阈值控制队列的存储窗口大小，然后以站点为中心建立地理围栏，根据队列中排好序的采样点信息以及地理围栏的坐标范围确定用于计算速度样本的关键点，进而提取每辆公交车的关键点序列，计算出速度样本；在路链速度合成阶段为每个路链维护其速度队列，把上一阶段计算得到的速度样本加入该车所覆盖到的路链的速度队列中，根据队列样本数量动态确定用于计算的速度样本量，并根据速度样本在不同时间范围的数量分布情况确定合适的速度融合方案，进而得到该路链的合成速度，最后将位置相邻的多个短路链速度平均化合成表达后，赋给每个路链作为其最终速度。

图1为本发明实施例提供的基于实时公交车GPS数据的公交路链速度计算方法流程图，包括以下步骤：

步骤101、速度样本获取。

步骤1011、维护GPS采样点队列。

为每辆公交车建立一个GPS采样点队列，存储T时间内该车匹配并筛选后的GPS采样点。每插入一个最新的GPS点，判断其时间戳是否为最新，若不为最新，则不予操作，若为最新，则触发更新队列信息，包括队列中采样点数量，队尾采样点信息，队列更新时间等；然后判断队头和队尾的GPS点时间戳差值是否满足小于时间阈值T的要求，若不满足(即时间差大于阈值T，依据发车间隔时间，并考虑公交车辆较少的路段，T取15分钟)，则剔除队头的GPS采样点，循环判断直到满足条件，最后更新队列的队头采样点信息。

步骤1012、生成关键采样点序列。

计算路链速度的线程每经过t₀时间触发一次。为消除停靠站对公交车整体行驶速度的影响，本发明对GPS采样点队列进行切分，进而提取关键点序列，用于计算两点间公交车辆的行驶速度。

图2为提取关键采样点序列的示意图。首先以每个站点的GPS坐标为中心，划定半径为R的地理围栏。遍历队列中按时间顺序存储的GPS采样点，选择在站点地理围栏范围外的第一个采样点(认为是进站前和出站后的第一个采样点)，作为用于计算公交车行驶速度的关键采样点；对队头和队尾的采样点进行判断，如果队头或队尾的采样点在站点的地理围栏范围内就不作为关键采样点，如果在站点的地理围栏范围外就认为其是关键采样点。

对于从T时间范围内的公交车B的采样点队列生成关键采样点序列的步骤，可以得到如下公式：

{Δs₁,Δs₂,...,Δs_n|T,B}＝sp(Δs|T,B)；

{Δt₁,Δt₂,...,Δt_n|T,B}＝sp(Δt|T,B)；

其中Δs与Δt为采样点所携带信息计算得到的距离和时间差值，sp函数的功能是用站点对采样点队列进行切割，进而得到一系列关键采样点之间的距离和时间差信息。生成的关键采样点序列用于计算每个车辆在该行驶范围内的速度样本，并应用到各相应路链。步骤1013、计算速度样本。用成对的关键点计算两点间公交车辆的行驶速度。

遍历关键采样点序列，每两个采样点作为一对进行计算。由关键采样点的GPS信息计算出采样点间的距离，由关键采样点的时间戳信息计算出采样点间的时间差，进而应用速度公式得到每两个关键采样点间的速度v_i。

$v_i=\frac{{\mathrm{\Δs}}_i}{{\mathrm{\Δt}}_i},i=1...n;$

将计算得到的关键采样点间的行车速度加入到两采样点间经过的所有路链的速度样本队列中。每个速度样本会被多个路链所应用，用于预测路链速度。

步骤102、路链速度合成。

步骤1021、维护路链的速度样本队列。

为每个路链维护其速度样本队列，把上一阶段计算得到的速度样本加入该车所覆盖到的路链的速度队列中，每插入一个新的速度样本即更新队列信息，由于接收到各公交车辆的实时GPS有时间上的差异，所以不对队列中的速度样本排序。路链速度样本队列的时间窗口大小为T^*，每个相隔t₀的计算周期中，循环判断队列中每个速度样本的时间戳信息，距当前时间超过T^*的样本数据将从队列中移除。

步骤1022、确定用于计算的样本量。

对于不同性质的路段，获得用于计算的样本量的方案有所不同。对于非高速路段，按照以下规则选取样本量。

图3为速度样本集合按时间梯度管理的原理示意图。

速度样本队列中存储了T^*时间内的速度样本，将速度样本队列按时间阈值划分为3个梯度，分别为距离当前时间[0,T₁]、[T₁,T₂]、[T₂,T^*]的速度样本集合，其中T₁和T₂为划分速度样本集合的两个时间阈值，且T₁＜T₂，T^*为所取速度样本集合距当前时刻的时间跨度，其所包含的样本数量分别为n₁、n₂、n₃，设定样本数量的两个阈值为N₁和N₂，其中N₁＜N₂，需要确定用于计算的速度样本数k₁和k₂。

首先判断[0，T₁]内速度样本数量n₁，若n₁≥N₁，说明该路段为车辆密集路段，选取0-T₁内n₁个速度样本用于计算，选取第二种加权方案，令k₁＝n₁，继续步骤1023；

若n₁＜N₁，说明短时间内速度样本较少，不具有代表性，考虑扩大速度样本集合；判断[0,T₂]内速度样本数量n₁+n₂，若n₁+n₂＞N₂，则选取[0，T₂]内n₁+n₂个速度样本用于计算，选取第二种加权方案，令k₁＝n₁，k₂＝n₂，继续步骤1023；

若N₁＜n₁+n₂＜N₂，选取第一种加权方案，令k₁＝n₁+n₂，继续步骤1023；

若n₁+n₂＜N₁，且n₁+n₂+n₃＞N₁，选取第一种加权方案，令k₁＝n₁+n₂+n₃，继续步骤1023；

若n₁+n₂+n₃＜N₁，不对该路链进行计算。

对于高速路段，其有停车站少，公交车辆不密集，公交车速度相对稳定等特性，所以本发明实施例选取T₂时间内的n个速度样本用于计算，选取第一种加权方案，令k₁＝n，继续步骤1023。

步骤1023、基于k近邻加权的速度样本融合。

由步骤1022得到的k个样本与预测路链的速度已经是空间上邻近的了，所以从时间邻近上考虑权值的分配，因选取的样本量不同而采取不同的k邻近加权方案，用于计算的速度样本集合表示为：

{V₁,...,V_i,...,V_k}

第一种加权方案中距离实时时间越近的速度样本所具有的权值越大，权值与样本时间距当前的时间差值成反比，t_i表示第i样本时间距离当前时间的差值绝对值，权值公式如下：

$p_i=\frac{1}{t_i},i=1...k_1$

速度样本融合公式如下：

$v^{*}=\frac{\underset{i=1}{\overset{k_1}{\Σ}}{p}_i{V}_i}{\underset{i=1}{\overset{k_1}{\Σ}}{p}_i}$

第二种加权方案中将速度样本按不同的时间邻近程度分为不同的速度样本集合，集合内采用等权值的平均方法，集合间遵循时间越近权值越大的原则。用于计算的速度样本集合表示为：

{V₁,...,V_i,...,V_k1}

{V_k1+1,...,V_j,...,V_k2}

该方案权值公式如下：

$p_1=\frac{1}{T_1},p_2=\frac{1}{T_2}$

速度样本融合公式如下：

$v^{*}=\frac{\underset{i=1}{\overset{k_1}{\Σ}}{p}_1{V}_i+\underset{j=k_1+1}{\overset{k_2}{\Σ}}{p}_2{V}_j}{k_1{p}_1+k_2{p}_2}$

步骤1024、相邻路链的速度合成。

为了满足公交路链速度的实时计算需求和结果的完整性，本发明提出一种相邻路链的速度合成方法来解决该问题。对于同一性质的多条相连接路链，如果连接各路链的不是红绿灯路口、收费站以及岔路口一类具有延缓车辆行驶作用的连接，并且路链方向的角度变化α满足|α|≤α₀(α₀＞0)，其中α₀为角度阈值，则把这些相连接的路链看做一条合成路链，如果该合成路链由n个路链组成，且其中m个路链有路链速度结果，分别用{V₁,...,V_i,...,V_m}表示，V_junc表示合成路链的速度，则合成路链的路链速度为：

$V_{junc}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{V}_i$

总之，本发明提供的公交路链速度计算方法，通过生成关键采样点序列再进而计算速度样本的方式，消除了站点范围内公交车停靠站对路链速度计算的影响，提高了公交路链速度的准确度。本发明根据速度样本队列的状态动态确定用于计算的样本量，并根据实时变化的交通情况进行动态计算，具有较好的实时性和准确性。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。