共查询到20条相似文献,搜索用时 31 毫秒
1.
基于现有的研究方法,提出了一种基于联合卡尔曼滤波器的交通信息融合算法。首先利用浮动车的覆盖率和浮动车的历史平均行程时间来修正浮动车的平均行程时间估计值,用于浮动车覆盖率不满足最小覆盖率时的路段平均行程时间估计;利用路段上浮动车的覆盖率来确定联合卡尔曼滤波器的融合系数;利用联合卡尔曼滤波器对固定型检测器的平均行程时间估计和浮动车的平均行程时间估计进行信息融合,得到路段的平均行程时间估计。该融合方法计算量小,融合时间快,有利于实际应用。试验结果表明,该方法提高了区间平均行程时间估计的精度。 相似文献
2.
3.
基于浮动车移动检测与感应线圈融合技术的行程时间估计模型 总被引:7,自引:0,他引:7
综合考虑到浮动车检测技术与感应线圈检测技术的优缺点,为了提高道路行程时间估计的精度及完备性,提出基于浮动车与感应线圈的融合检测技术的行程时间估计模型。该模型利用神经网络技术对两种检测技术同一路段的检测数据进行融合,从而达到提高道路行程时间估计精度和完备性的目的。最后,以广州市7 000多辆装有GPS装置的出租车所提供的浮动车数据、100多个安装在广州市各主要道路口上的感应线圈检测器提供的感应线圈数据以及广州市交通电子地图为基础,在10条道路上分别随机选取的500个两种检测数据对提出的模型进行了验证,试验结果表明,此模型在道路行程时间估计的精度方面较浮动车移动检测技术与感应线圈技术有较大提高。 相似文献
4.
5.
6.
城市路网中浮动车数据和线圈数据的融合 总被引:3,自引:0,他引:3
交通信息是 ATMS 的基础和核心,从实时交通数据中准确估计交通参数、判断和预测交通状态是 ATMS 的重要内容.文中在信息融合理论的基础上,介绍了交通数据融合的基本内容.分析了浮动车数据和线圈数据的特点后得出:在城市路网环境中,虽然浮动车采集和线圈采集方式各有优劣,但他们在时间和空间上具有很强的互补和冗余.为充分利用已获取的交通信息,应实现这两类数据的融合,并对浮动车数据和线圈数据的一般融合模型和基本融合方法进行了论述,明确了交通融合问题的2种研究方法,即通过仿真手段得到的数据和现场采集数据作为融合的数据源来验证融合模型. 相似文献
7.
8.
9.
对基于固定检测信息和浮动车GPS信息的路段行程时间估计方法进行介绍和分析,明确了对基于以上两种检测信息进行路段行程时间估计方法有重要影响的因素,并设计试验对影响因素进行量化分析。在影响因素量化分析基础上,讨论两种估计方法的适用条件。对影响因素进行组合分类,并在分类的基础上对两种估计方法采用加权融合进行处理,分析了最优权重的分配原则。最后,用试验数据对融合方法进行验证,结果令人满意。 相似文献
10.
11.
12.
针对海量浮动车数据特点和快速处理要求,提出了一种基于矢量道路地图栅格化的海量浮动车数据方法,该算法的关键是矢量道路栅格化过程中包括了道路缓冲区和属性信息。道路缓冲区的宽度由一个与浮动车数据位置误差和道路宽度相关的置信区域决定;矢量道路缓冲区转换成栅格图后,栅格图中像素的位置对应着实际地理坐标,而像素值的灰度值表示道路的等级、名称、编号等属性或方向等信息;然后将海量浮动车数据与栅格道路地图进行叠加处理。这种方法不仅可以精确地计算出城市道路地图坐标系与浮动车数据坐标系之间的变换参数,而且还能够快速地获取区域路网以及特定道路的行驶速度。最后,通过超过一千万个真实的武汉市浮动车数据,并与经典的浮动车数据处理算法进行比较,验证了矢量道路栅格化方法处理海量浮动车数据的可行性和有效性。 相似文献
13.
14.
基于浮动车停车点数据交叉口车辆排队长度计算方法 总被引:1,自引:0,他引:1
浮动车数据中存在许多行驶速度为零的停车点数据记录,它们和交叉口车辆排队长度存在一定的空间关系.针对此提出一种新的基于浮动车停车点数据计算交叉口前车辆排队长度的方法.首先根据车辆停车点地理位置和正常行驶点的连续关系及和路段的相对位置进行地图匹配,提取出路段上交叉口前正常排队停车点数据;然后从正常排队停车点数据中计算出相对交叉口的浮动车数据相对位置关系,根据对浮动车停止点距离交叉口的位置密度分布变化进行2次统计计算,推算出交叉口前车辆排队长度.最后通过实际浮动车数据计算实例对本方法进行了说明和验证. 相似文献
15.
基于样本容量的浮动车数据路网覆盖能力研究 总被引:1,自引:0,他引:1
以出租车作为浮动车数据采集探测车,针对探测车在路网上行驶的不确定性,提出浮动车数据路网覆盖能力的概念,研究覆盖能力与探测车样本量之间的关系.以覆盖强度和覆盖率为指标,采用简单随机抽样方法,研究了在10种样本条件下浮动车数据路网覆盖能力的变化情况,并进行回归分析.结果表明:在不同样本容量下,浮动车数据对各等级路网的覆盖强度和覆盖率均具有相似的时变特征;各等级路网的平均覆盖强度随样本容量线性增长,增长率随道路等级下降而迅速减小,高等级道路具有更高的覆盖强度;各等级路网的覆盖率随样本容量增大呈非线性增长,高等级道路能够更快达到稳定值;用浮动车数据判别高等级道路的交通状态,可适当降低样本容量. 相似文献
16.
17.
18.
19.
浮动车数据路网时空分布特征研究 总被引:5,自引:0,他引:5
以出租车作为浮动车数据采集源,针对浮动车数据路网分布的不均衡性,提出覆盖强度和覆盖率2个指标,通过大量样本分析浮动车数据路网分布的时变特征,以及在不同区域、不同通道上的分布特征.结果表明:浮动车数据的路网覆盖强度和覆盖率在一天中具有持久而稳定的高峰时段,在一周的工作日内能够保持稳定;高等级道路在各个时段总是具有更高的覆盖强度和覆盖率,根据浮动车数据计算的路段行程车速与人工实测数据吻合较好;在非高峰时段、非中心区域,以及低等级道路上,浮动车数据的覆盖强度和覆盖率相对不足. 相似文献