车载导航地图服务发展探讨

从车载导航地图的存储介质、服务载体和服务内容等多方面探讨了车载导航地图服务的发展.物理存储技术的进步促进了导航地图数据存储的发展,为导航地图服务打下基础,手持导航设备及消费电子的出现极大扩展了车用导航电子地图的应用范围,实时动态数据的丰富提升了导航地图服务质量.      

多元交通信息于车速数据融合系统之节能减碳应用研究

提出了1个经济可运作的实时动态节能减碳计算模型,用KPI来评估节能减碳效果,运作方式如下:配备GPS装置之实验车,后端软件自动动态搭配Google Map与路径图资之起讫点(A→B)来回一趟,才量该车之耗油量,由行前预估值、旅行时间、动态交通事件与实际油耗值之误差分析,在实时交通信息协助下选定之KPI (key performance index)值(含油耗、CO2排放量、道路等级、旅行时间及ETC (electronic toll collection)费用等)做比较.搜集对应环保路径之路网交通信息数据及交通信息建立历史数据库,配合时速/油耗表完成油耗/碳排放系统数据库,得出实时交通信息占比与油耗预估误差率关系图.      

基于手机基站数据的混合地图匹配算法研究

基于移动通信的交通信息采集是智能交通系统中新兴的应用技术之一,将车载 手机定位到电子地图上是其应用的基础,而地图匹配技术则是解决车载手机定位的关键. 本文通过对车载手机行驶在不同的路网时所产生的基站切换数据信息,分析得到车载手 机实际运行时基站切换的基本规律;并结合电子地图的数据结构特点,对使用基站切换 数据进行地图匹配时需解决的难点问题展开研究;在使用基站切换对代替道路稳定切换 序列的方法的基础上,提出了结合切换对和基站源址的混合地图匹配算法.此算法可以缩 小待选路段集,有效处理交叉口和平行路段等复杂情况,提高匹配准确率.最后,选取广州 大学城为实地测试区域,验证了此算法的可行性.     

基于拓扑判断的海量GPS数据延时地图匹配算法

由于浮动车数据采集中存在GPS数据周期过长、拓扑关联性较差、数据量大的特点,传统的车载端地图匹配算法难以直接应用,针对车辆无法初次匹配的情况,设计了一种可根据路网拓扑关联性进行判断的延时地图匹配算法.实际数据验证表明,该算法在保证数据完整性和有效性的基础上,可以实时、准确地进行地图匹配,尤其是车辆位于复杂交叉口及高架桥附近区域时车辆真实行驶道路的确定.      

无人驾驶 Driverless Car

Google无人驾驶汽车是SebastianThrun的智慧结晶,这位43岁的斯坦福大学人工智能实验室的主任是谷歌工程师和谷歌街景地图服务的创造者之一。     

数字轨道地图线路分段表示方法研究

将GNSS与数字轨道地图相结合应用于列控系统,可降低建设和运营成本,实现智能化列车控制.但大量线路曲线在数字轨道地图中的表示是一个难点.本文提出一种线路分段表示方法,先根据角度差将线路划分为直线、圆曲线,缓和曲线,再用最小二乘原理对3种线元分别进行拟合.根据算法编制计算程序,计算实例证明了算法的有效性,数据的精度和存储效率能满足应用需求.     

利用百度API数据对居民出行调查的修正与挖掘

为改善传统居民出行调查受制于调查对象的主观感受,难以获得客观、真实的特征数据等问题。通过借助百度地图API(Application Programming Interface,简称API)开源数据,构建了一套科学的技术方法,实现与传统出行调查数据的融合。以石家庄2015年居民出行调查为例,对小汽车、公交及其他方式出行距离、出行时耗等关键数据误差进行修正,形成了更为客观、精确的出行特征指标。基于此,还对修正数据进一步挖掘,实现对石家庄公交出行链各环节指标逐一剖析,并就如何提升公交整体服务水平及竞争力,提出了具体改善建议。     

基于在线地图交通态势分析的路网拥堵状态识别

为了实现道路网实时拥堵状态识别,以在线地图的历史延时指数为基础,用相邻路段有效拥堵状态发生时间顺序、持续时间阈值和流向流量关系识别传播性拥堵,用拥堵发生频率和持续时间阈值识别单路段系统拥堵,由此确定特定周期内的系统拥堵路段集合Nmax.以其集合范围内相邻路段时刻t的延时指数,以及其邻近拥堵持续时期的皮尔逊相关系数计算传播性系统拥堵程度值DtS;以非传播路段时刻t延时指数计算DtS?;综合前两者得到路网系统拥堵综合程度DtN,并找出该周期内的极限拥堵程度量化值.用Nmax内路段实时延时指数和实时拥堵路段数与极限拥堵状态对应的数值进行比较,计算实时拥堵程度的量化值.经实验证明,该方法能够反映路网系统拥堵形成的规律,实现路网实时拥堵状态的快速识别.     

基于大规模浮动车数据的城市道路网复杂度分析

针对现有浮动车技术应用研究中缺乏道路网络复杂度的定量分析,引入置信点的概念,提出了一种基于大规模浮动车数据的城市路网复杂度分析方法.利用该方法统计了路网中各路段的置信点分布情况和置信点的平均匹配距离,建立了城市路网复杂度模型.结合浮动车数据的预处理,提出了城市路网复杂度的分析流程.以广州市为例,分析了广州市全局路网和4类典型城市道路代表路段的复杂度.对于地图匹配算法实证研究中的指定路径,具体分析了其各组成路段的复杂度及其主要影响因素.     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明:GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。