浮动车GPS数据采集与处理

研究目的

其研究目的包括：

(1)总结国内外现有研究成果，分析长周期浮动车GPS数据在理论和应用中

存在的问题；

(2)对浮动车GPS数据在动态交通预测和诱导模型中应用存在的相关理论和

方法进行全面、系统地研究，针对GPS点匹配、路段行程时间预测、路网构建等

问题，寻取解决方案，为浮动车的交通信息采集方式的应用提供支持。

ITS是一种有效地利用现有的道路和其他资源，合理地管理、路网、有效地

解决交通问题的方案安全、提高运行效率的最佳途径。，也是目前解决城市交通

拥挤、控制整个改善行车工TS是将先进的信息技术、数据通信传输技术、电子

控制技术以及计算机处理技术等有效地运用于整个运输管理体系，使人、车、路

密切配合，和谐地统一，从而建立大范围全方位发挥作用的实时、准确、高效的

交通综合管理系统。据美国交通部估计，智能交通系统的应用每年为美国节省

260亿美元因交通堵塞及交通事故所造成的损失。

2浮动车GPS数据采集与处理

浮动车GPS数据的采集方式与线圈检测器、超声波检测器、红外检测器、视

频检测器等相比，获得的信息具有实时性、全面性等优点。应用浮动车进行交通

动态的预测也更全面和准确。但浮动车GPS数据受城市地物、外界环境、车主的

意识等因素的影响，会采集到异常数据，需要进行过滤分析。同时GPS采用的点

位坐标与其对应的路段有一定偏差，需要进行匹配处理。

2.1交通信息数据采集设备与方法

交通信息数据采集设备总体上可分为静态检测器和动态检测器。静态检测器

也是高速公路和城市道路监控系统中不可缺少的组成部分，其直接影响高速公路

和城市道路监控系统的整体运行和管理水平。静态检测器根据采用的不同技术主

要包括线圈检测、视频检测、微波检测、红外线检测、雷达检测、激光检测等。

2.1.1线圈枪侧器

线圈检测器相对于其他检测器具有成本低、可靠性高、检测精度高、全天候

工作等优点，是目前应用最广泛的车辆检测器。线圈检测器在城市道路中使用的

通常是环形线圈检测器，故以下提及的线圈检测器均指环形线圈检测器。

(1)基本工作原理

线圈检测器与埋在道路中间的线圈连接，车辆经过线圈后使线圈电感量发生

变化，检测器内部电路振荡频率随着线圈电感量的变化而变化。CPU通过计数脉

冲数量判断电路振荡频率的变化，从而判断车辆的有无，然后计算相关的交通参

数。线圈检测器硬件系统主要由机架母板、电源模块、检测模块、处理模块组成。

其中检测模块将地感线圈电感量的变化转化为开关量后，经机架母板传送给处理

模块进行数据计算和处理[40]0

(2)主要功能

线圈检测器的主要功能如下1361:

①线圈检测器通过检测线圈感应量的变化判断车辆的有无，然后CPU辽宁工

程技术大学博士学位论文对数据进行计算后得出车流量、平均速度、时间占有率、

平均车长、平均车间距等交通数据。检测器的灵敏度可人工设置。

②线圈检测器可存储计算后得到的数据。如果通信中断，一旦恢复，可由通

信端口上传历史数据到便携电脑或控制中心，保持数据完整。③线圈检测器具备

对线圈断路和短路故障的检测功能。在发现故障时，检测器能上传故障信息。所

存储的信息能在检测器或与检测器相连的外部设备(该设备可检索并显示储存信

息)上显示、查阅。以代码或文本形式记录下故障类型与细节。故障发生的时间

与日期、故障清除的时间与日期可以通过维护工具和中心系统查询。

④线圈检测器标准配备2个RS—232通信接口(其中一个可设为RS-485

通信接口)，通信速率4800bps~19200bps。通过串口，可对车辆检测器工作参数

进行设置，可以实现GPRS和CDMA的通讯方式。

2.1.2超声波检侧器

超声波检测器通过发出高频波并由驶近的车辆以变化的频率折回的方法检

测车辆，这样的检测器使用数字测距技术，类似于自动聚焦照相机所用的声波测

距，以一个距离门限值确定所有被检车辆的位置。超声波检测器可以直接安装在

要检测车道的上方或者路侧，用于动态或静态的车辆检测。

(1)检测范围和声波发射角

超声波检测器的检测范围取决于其使用的波长和频率。波长越长，频率越小,

检测距离越大，如具有毫米级波长的紧凑型传感器的检测范围为300—SOOmm

波长，大于smni的传感器检测范围可达sm。一些传感器具有较窄的60声波发射

角，因而更适合精确检测相对较小的物体。另一些声波发射角在120至150的传

感器能够检测具有较大倾角的物体。止匕外，还有外置探头型的超声波传感器，相

应的电子线路位于常规传感器外壳内。这种结构更适合检测安装空间有限的场

合。

(2)环境对超声波测量的影响辽宁工程技术大学博士学位论文

①空气温度的影响。声波行程时间受气温的影响程度为0.17%/K。也就是说

40℃时的声速相对于20℃时改变了+3二4%,因此测量距离也会改变约+3.4%。

但如果选用的超声波传感器中有温度补偿功能，此影响可忽略不计。

②空气湿度的影响。从干燥的空气到饱和湿度的空气中，声速最多增加2虬

因此测量距离改变最大也只有2机实际现场中，空气湿度变化不会如此大，此

影响一般小于1%0

③空气压力的影响。在一固定地点，正常情况下的气压波动为士5%,会造

成声速波动约士0.6%o

④气流的影响。当风速大于S0km/h时，声波速度及方向的改变会大于3虬

在现场使用中，只有靠近被测物表面的几厘米的气流有可能大于ZOkm/h,且垂

直于测量方向，故对测量结果的影响可忽略。

⑤油雾的影响。只要防止油雾沉降在超声换能器的有效表面上，就可避免它

的影响

2.1.3红外检侧器

红外检测器作为一种地上车辆检测器，无需大面积的市政工程及破坏道路表

面就能检测车辆和行人。以下主要以西门子公司的远红外车辆检测器为例，介绍

其基本原理和应用方式。

(1)基本原理

西门子的交通检测中使用的远红外检测器为被动式，检测波长在8—14um

范围内的远红外辐射。这些辐射是人眼所不能看见的，但它能穿透烟雾和气水，

在很大程度上不受气候的影响，因而被称为气候窗。通常，物体远红外辐射的强

度取决于物体本身的温度、大小和表面结构，但与其颜色及周围光线强度无关。

根据这一物理特性，被动式红外检测器能对与背景对应温度相差不到的辐射

变化作出反应［42］。被动红外检测器只对可视范围内精确定义的温度突然变化作

出响应，并忽略由一天内或一年内天气情况导致路面温度缓慢变化。通过微处理

器的数字化处理，来检测交通流量，占有率及速度等交通数据。

(2)特点

红外检测器的特点如下(381:辽宁工程技术大学博士学位论文

①远红外传感器通过类似于光学镜头式地瞄准可视范围，可以按车道“聚焦”

检测域；

②通过感应被检测物体温度与背景温度之间的正负反差，区分不同类型的车

辆乃至行人。

③检测长波长的远红外线比短波长的可见光或近红外线具有更强的穿透雨、

雾或降雪的能力；

④检测不受光线条件或物体颜色的影响；

⑤传感器之间没有相互干扰；

⑥被动检测器仅仅接收自发的红外辐射，不会造成对周围环境的辐射污染；

⑦检测器能装在电杆臂上、桥上或信号灯顶端，通常不需要昂贵的市政施工；

⑧紧凑、牢固的设计降低对景观的影响；

⑨路面和路基的类型和状况不影响被动红外交通检测器的工作。在桥上和隧

道中同样可以保证可靠运行。

2.1.4视频检侧器

视频车辆检测系统以摄像机和计算机图像处理为基础，大范围地对车辆施行

检测和辨识。车辆检测和大范围的实时交通数据采集是智能车路系统推广应用中

最薄弱的环节之一，对于先进的交通管理系统和先进的旅行者信息系统更是如

此。随着所需设备及数据量的增加，传统的检测器如果应用于先进的交通控制，

例如交通自适应控制、车辆诱导和导向以及事件管理等还需大量资金的投入，采

集的数据的可靠性也不足。这些问题可通过视频车辆检测系统解决，这类检测器

不仅具有多点布设、无线检测能力，而且还能获得密度、队长、排队规模和常规

车辆检测器很难得到的停车次数、车辆尺寸等交通参数。随着廉价、高效计算机

的出现及图像信号处理技术的进步，已对这样的车辆检测器系统进行了广泛的试

验并安装在几条高速公路和城市的交叉口附近。在过去的3年里对连续24小时

的运行情况和感应线圈检测器

进行了比较，其结果表明视频检测器系统在性能和可靠性方面不低于传统辽

宁工程技术大学博士学位论文的检测器(Miehalop。ulos,-992)[3,,。视频

车辆检测系统较简单的形式仍是记录车辆的图像，它可以与雷达检测器或其它类

型的检测器相连以检测违犯限速值的车辆。当发现车辆超速时，摄像机获取该车

的图像，经过计算机处理后得到该车的牌照号码，然后在前面的可变标志板上显

示该车的牌照号码和速度值，并给出该车超速的警告信号。

2.L5浮动车GPS法

浮动车技术，是指一定数量的装有特定车载设备的车辆，在行驶过程中采集

沿途的自身各种交通数据，所采集到的实时交通信息通过各种通讯手段传送到信

息中心，经信息中心处理后，建立起庞大的共享数据库，并向不同的对象提供多

样的实时交通信息。基于GPS浮动车的数据采集系统主要由车载设备、无线通信

网络、基于Gls的交通信息处理平台等组成。车载设备主要包括GPS定位模块、

通信模块等，GPS模块接收卫星信号从而确定出车辆的坐标和瞬时速度，通信模

块负责将车辆坐标、速度等数据传送到交通信息中心，并接收交通信息中心发送

的指令和数据。无线通信网络主要是指通信运营商提供的通信基站和数据传输服

务(如中国移动通信公司的GSM通信网络)o基于Gls的交通信息处理平台是指交

通信息处理与分析软件系统及计算机设备等1431。系统组成如图2—1所示。

浮动车采集的数据文件里包括车辆编号、经纬度坐标、速度、方向、时间等信息。

2000年5月1日，克林顿总统下令废除SA政策，从而进一步提高GPS接收机的

水平定位精度。

2.1.6不同数据采集方法对比

通过以上对各交通信息采集方法的分析，可以得出表2—1的结论。由表2

一1可以看出，固定式交通信息采集方式的技术成熟、简单实用、检测精度较高,

但安装和维修成本高、故障率较高、覆盖范围小、仅能检测固定位置的数据等。

浮动车GPS法在成本、覆盖范围、受环境影响等方面均优于其它四种静态交通信

息检测器。另外浮动车利用现有卫星定位设备和通讯网络，大大降低了检测成本;

还可以实现对交通信息全天候、实时采集处辽宁工程技术大学博士学位论文理和

集定位、通讯、交通引导、信息服务等多功能于一体的工作基于Gls的交通信息

处理系统交通信一迄宝)

有线/无线通信网络无线通信网络

图2—1基于浮动车的交通信息采集系统组成(39]

表2—1交通检测信息获取方法对比分析

2.2GPS数据预处理

浮动车采集数据时，由于受各种随机因素如GPS信号较弱、无线传输错辽宁

工程技术大学博士学位论文误等影响，难免出现数据异常、数据丢失、数据漂移

等情况。为了降低非正常数据带来的影响，需对数据进行预处理，完成错误或丢

失数据的识别与修复。

2.2.1数据过滩

数据过滤是指通过对原始数据的有效性、合理性和一致性等进行检验，识别

并剔除错误的或不合要求的数据。数据过滤方法有闽值检验法、基于交通流机理

的检验方法和有序样本聚类法等。

(1)闽值检验法

有些交通参数的合理值只能在一个特定的范围内。例如:某一车道的占有率

最大为100%,最小为0,如果检测器输出的结果不在这个范围内，那肯定是异常

值。阐值检验法是指对所采集的某一种单一信息，按照统计规律确定其上下阐限,

如果检测值不在上下阐限所规定的区间内，则认为是错误数据146]o

①对于GPs采集的瞬时速度vp,其检验方法是判断其是否满足：

0匀，'关・vm。，其中。和猛为瞬时速度的阐值，关为不同类型道路的阐值

修正系数。

②对于道路拥挤长度1。(m)o道路拥挤长度是指浮动车以低于拥挤状态

时临界速度连续行驶过的距离，即0'1。'1+：,。其中：1为路段长度；：，为

路段长度测量所产生的最大误差，有时也可定义为路段长度的函数。

其中:fv为修正系数;肠为排队车辆的平均长度，即排队长度与排队车辆数

之比;v,为路段规定的限制速度;T~为红灯信号长度。对于无信号交叉口，可根

据车辆在交叉口延误确定;C为主干道道路通行能力，(veh/h)o对于GPS采集的

经纬度值，也可以先通过闽值法进行检验和过滤，然后再与电子地图进行匹配，

对于虽然没有超过闭值但无法与相应的道路进行匹辽宁工程技术大学博士学位

论文配、或存在车辆运行轨迹明显错误等情况的数据，也要判定为不合要求的数

据。

(2)交通流机理法

由交通工程的理论研究可知，在几个交通流参数之间是有一定关系的，最基

本的是流量、速度和密度之间的关系。基于交通流机理的算法是通过交通流参数

之间的关系对两个甚至多个参数的一致性进行同时考察。根据交通流参数之间相

关关系来进行异常值剔除［45］。交通流规则算法是根据交通流机理确定几个规

则，如果检测数据满足这些规则中的一个或几个，那么这些数据就是错误的。但

这只是最基本的规则，根据交通流理论可以建立某两参数之间的关系模型，如流

量和占有率、流量和速度、行程时间和拥挤长度等。若采用平均车长判断法，根

据交通机理公式由流量、速度、占有率得出的平均车长为5—12米，则计算结

果超出此范围的数据为错误。

①流量和占有率关系模型，即：

②流量和速度关系模型，a,b为模型参数;f为每公里道路信号交叉口数；

人为绿信比，入=8/。$为饱和流率；

占，为速度的标准差；

k,为标准偏差的修正系数。

c、行程时间和拥挤长度关系模型，即：

式中：

交通流机理法的关键是规则的制定以及规则中参数确定。在不同交通环境

下，两个参数之间的关系模型可能不相同，模型中的参数也需要根据交通特性、

道路等级和交通控制类型等确定。基于交通流理论的检验方法是指根据流量、速

度和占有率等参数之间的基本关系，对错误数据进行联合判断。例如，若几个采

样数据中车辆经纬度值未发生变化，而车辆瞬时速度却较高，则采样数据必然存

在错误。

(3)有序样本聚类

聚类算法将类似的值组织成群或“聚类”，直观地看，落在聚类集合之外的

值被视为孤立点。采用有序样本聚类算法时可以把一天的速度曲线分成许多小的

具有相同交通特性的时间段，然后在这些小的时间段中根据其交通特点来定位隐

含的错误或可疑数据。有序样本聚类法又称最优分段法，主要适用于样本点由一

个变量描述的

2.2.2数据修复

对于数据过滤判定为错误或不合要求的数据，可以采取以下两种处理办法：

一是将其剔除，这种方法适用于可以得到大量测量数据而仅有少量错误数据的情

况;二是对数据进行修复，根据数据之间的相关性将数据还原成其本该表现的数

值或其近似值。

对于错误或丢失的数据，可采用以下方法进行修复：

(1)插值法

插值法是指利用浮动车的相邻采样数据，用线性或非线性插值法来对数据进

行修复。例如，可以用相邻采样数据的平均值对数据进行修复，即：为相邻采样

点的数据。

(2)历史数据法

历史数据法是指利用相关的历史数据(如前数分钟的数据)对当前数据进行

修复。可直接采用或者按比例采用历史上相应时刻的数据值代替丢失的数据。这

种方法简单、易实现，但是如果交通状况发生了变化，将大大降低其估计精度。

因此，这种方法比较适合于交通状况变化不大，或者变化有规律的情况。

(3)时间序列法

把采集到的交通变量看作时间序列，运用各种时间序列预测方法，比如：简

单平均、加权平均、指数平滑等方法，根据历史数据对丢失的数据进行预测估计。

这种方法简单易行，适应性比较强，是一种常用的缺失数据补充算法。

(4)相关分析法

自相关分析是测量时间序列中各元素之间相关关系的方法，采用自相关系数

表示其相关性的大小。自相关系数范围在一1一1之间，一1表示完全负相关，

1表示完全正相关，o表示不相关。设x,,xZ,…，x,,…，x,是一个时间序

列，共有n个观测值1461。把它组成(n—1)对数据(x,,xZ),(xZ,x3),…,

(x,,x,+1)…，(xn_,,x,)一阶自相关系数用rl表示：

同理，把这个时间序列组成(n—k)对数据，其k阶自相关系数乓为：

2.3坐标变换

从GPS获得的是参心大地坐标系的大地纬度和大地经度，而在我国大多数实

际应用中，采用的是国家坐标系或城市地方坐标系，因此必须要进行坐标变换。

wGs-54(worldoe0diealsystem-84)坐标系统的全称是世界大地坐标系一

84,它是一个地心地固坐标系统，是目前GPS所采用的坐标系统，GPS所发布的

星历参数就是基于此坐标系统的。WGS—84大地坐标系的原点位于地球质心，Z

轴指向BIH1984.0定义的协议地球极(CTP)方向，X轴指向BIH1984.0的零子午

面和CTP赤道的交点，Y轴与Z,X轴构成右手坐标系。对应于WGS84大地坐标

系有一WGS-84椭球.WGS-84系所采用椭球参数为：

a=6378137mf=l/298.257223563我国国家坐标系有1954年北京坐标系和

1980年西安大地坐标系。其中前者采用的是克拉夫斯基椭球体，其椭球参数为:

a=637845mf-1/298.3该椭球体是由前苏联的1942年普尔科夫坐标系的坐

标延伸到我国。于是在1978年，我国决定重新对全国天文大地网施行整体平差，

并且建立新的国家大地坐标系统，整体平差在新大地坐标系统中进行，这个坐标

系统就是辽宁工程技术大学博士学位论文1980年西安大地坐标系统。该椭球参

数为：8=6378140mf=l/298.257

研究不同大地坐标系间的坐标转换问题，主要是研究不同的空间直角坐标系

的坐标转换问题。若不经过大地直角坐标转换，直接将GPS测量结果进行高斯克

吕格投影变换纳入北京54或西安80坐标系与GIS数字地图配准，将会带来近

60米的误差，这已经远大于GPS常规测量平均误差15m。大地直角坐标转换主要

有3种模型:布尔莎模型(M.Bursa)、莫洛金斯模型(Molodensky)、武测模型。目

前广泛采用的是布尔莎模型。

布尔莎模型转换公式为：

式中X,,Y,,Z,,XZ,YZ,22为同一点在不同坐标系中的大地直角坐标。

△X,AY,为两个坐标系的坐标原点平移量，k为无量纲的尺度因子，£

e,,£：为坐标轴旋转角。实际应用中，对上述7个参数可采用地面控制点

平差的方法求解。若只有一个地面控制点，也可只求AX,AY,AZ,舍去。：,

£丫，£z及k这4个参数。GPS数据经过上述坐标变换后，得到的只是当

地所使用的空间坐标系的坐标，为了将GPS数据在GIS系统上显示出来，还需将

空间坐标进行高斯投影转换成平面坐标。高斯投影是正投影，没有角度变形，在

中央子午线上也没有长度变形，但除中央子午线外均存在长度变形，且据中央子

午线越远，其变形越大。为了控制长度变形，通常按一定的经度差将地球表面分

为若干带。我国采用“六度带”或“三度带”，“六度带”是自0“子午线起每隔

经度差6。自西向东分带，每隔经差6。为一带，带号依次编为第1,2,一，60

带。三度带是在六度带的基础上划分，它的中央子午线，奇数带与六度带中央子

午线重合，偶数带与六度带分带子午线重合。即自1.5。子午线起，向东划分，

每隔3“为一带，带号依次为第1,2,120带。高斯投影一般采用正算和

反算两种方法，高斯投影正算公式是由己知的参心坐标系中点的大辽宁工程技术

大学博士学位论文地纬度和大地经度(B,L),求相应的高斯投影直角坐标(x,y)

的公式;高斯投影反算公式是由己知的(x,y)求相应的(B,L)的公式。

高斯投影坐标正算公式如下：

其中：(x,y)是高斯平面坐标；1为椭球面上点的经度与中央子午线的经度

差；t=tanB;。’==。，，。。s,刀；N为卯酉圈半径，万=荟，牙=了1一。，s饭，刀；

牙X为轴子午线投影的正常长度;a为长半轴;B为纬度；o,为第二偏心率;X从赤

道到纬度B的平行圈之间的弧长，川为常数。该正算公式在1<3.5。时，公式换

算的精度为士0.1m。欲要换算精度提高到0.001m,将2—10式扩充即可，。在

我国x坐标都是正的，y坐标最大值(在赤道上)约为330km。为避免出现负的横

坐标，在横坐标上加上了500000m,同时还在横坐标前冠以带号，这就是我国国

家统一坐标。为适应电子计算机和各种可编程序电子计算器的需要，可直接采用

公式2—11进行高斯投影计算。

将克拉索夫斯基椭球元素值代入，则X的各系数值：

O

该公式平面坐标计算精度可达0.001m。综上，文中讨论了坐标转换公式及

其相关原理，通过坐标转换，可以很

方便的把浮动车数据转换到高斯平面直角坐标。而地图匹配算法中很多相关

的闽值的选取都是以平面直角坐标为基础的，坐标转换公式在其中起着重要

作用。坐标转换公式的精度将直接影响地图匹配算法的结果。

2.4路段划分

路网中路段的划分是路段平均速度估计的前提。在交通信息调查的基础

上，实现合理的路段划分，并将路段分段信息集成于GIS数据库中，为实现

GPS浮动车连续检测数据对应路段分组奠定了基础。路网分段与道路规划、

道路几何设计、交通设施的布局密切相关，路网分段除需要考虑重要的交通交汇

点外，还应当考虑道路所经过的城市重要机构所在地的地理位置及城市标志性建

筑物的位置。路段的划分与平均速度应用的目的有关。例如，路段平均速度估计

是为了实现公交车到站时间预测，那么路段的端点就应该包括公交车的站点位置;

路段平均速度估计是为了实现城市交通流的诱导，那么路段的端点就应该分布在

道路的各主要交叉路口之上;路段平均速度的估计是为了更好确定交通网通行能

力的，那么路段的端点就应该分布在车道数发生变化的路口。而本文主要研究动

态交通状态问题，故把路段的端点放在主要交叉口上，但当两个主要交叉口相邻

较近时，将两个路段合并为一个路段。这主要是为保证每个路段上都有同一浮动

车的至少两个连续GPS点，以进行路段上速度求解，则路段的最小长度500m左

右;但由于城市中重要商业区、标志性建筑物、学校等区域属于城市交通中的特

殊地点，在这些地点相邻方向以250m为路段长，连分两段，以保证对这些地区

的重点监控。以图2—2所示，因BC段长度不足2.skm,所以合并BC和CD为

一个路段;DE段虽然超过2.skm,但因该路段上存在重点商业点G,故把DE段分

割为两段。根据上述原理，AF线路划分的路段如图2—2所示。如图2—3所

示，一般很难使得GPS点恰巧落在所求行程时间路段的两端或划分路段的两端，

所以虽然GPS数据直接提供了时间这一属性，但并不能直接应用。

图2—2道路分段图

2.5.1点到点匹配算法

点到点的匹配算法是把GPS的每个数据点与GIS数据中的结点和特征点进行

匹配，考虑它与GIS数据中点元素的符合度。这种采用点到点匹配算法，算法相

对容易实现，计算速度快。但这种算法也有很多问题，如图2—4所示。P'最

接近B'点，而不是A。或A'。因此P'被匹配给曲线B,而这与事实是明显相

背离的。

2.5.2点到线匹配算法

点到线的匹配算法是求GPS点到一个线段集合中那条线段的距离最短，并把

该点投影到这条线段上。图2—5表示了点到线匹配算法的基本原理(王楠等

[491)o

其中，。，，。，分别是投影距离和方向夹角的权值。在所有候选道路中选辽宁

工程技术大学博士学位论文择距离度量值最小的作为匹配道路，即认为车辆正在

该道路上行驶，将车辆在匹配道路上的投影点作为车辆的当前位置。根据选用的

理论方法不同，点到线的地图匹配算法可以分为模糊逻辑、D—S证据理论、神

经网络等。基于模糊逻辑的地图匹配算法(5.Syed,20004)(W.W.Kao,

1994)(L.J.Huang,1991),模糊规则的算法把相关的角度、距离等变量，进行模

糊化，然后根据推理机进行推理之后，再进行模糊化。算法的流程如下:模糊逻

辑进行地图匹配的核心在于采用模糊规则进行推理。如果模糊规则通过算法流程

图组合在一起，进行综合后得出系统的输出。基于D—S证据理论的匹配算法

(DakaiYang,2003)(苏惠敏，2001),该算法允许将证据与对己知不确定的集合

的操作数相结合，所以能被应用于就逻辑规则的逻辑推理系统。隶属函数模糊逻

辑操作模模糊化化化推理机机机去模糊化化

图2—6模糊逻辑系统结构

图2—7置信椭圆示意图

基于神经网络的匹配算法(HeehtNielSen,一989)(H.Y.Tongand

W.T.Hung,2002)(高为广，2006),该算法是通过输入样本数据的训练，建

立各参数间非线性的函数关系，输出结果。只有经过训练后的神经网络才能发挥

它的作用。如图2—8中给出了包含两个隐含层的BP网络模型结构。理论研究

表明[51]:具有一个输入层，一个线性输出层，以及至少一个S型激活函数的隐

含层的BP网络，能够以任意精度逼近任何连续可微函数。

BP神经网络的训练实际上就是求解目标函数的极小值问题。由于目标函数

的复杂性，通常需要采用迭代法搜索输入空间。然而，若用标准的梯度下降法训

练网络，则由于训练时间过长，且容易陷入局部极小值，因而难于满足实际应用

要求。于是，提出改进的BP网络训练算法。这些训练算法可以概括为两种类型:

基于梯度下降的启发式算法和基于数值优化算法。前者包括附加动量的梯度下降

法、变化学习速率的BP算法和弹性BP算法;后者包括共辘梯度法、准牛顿法和

Levenberg—Marquardt算法［,2,'3］。对于解决函数逼近问题，基于数值优

化算法较基于梯度下降的启发式算法有较快的收敛速度和较高的逼近精度。对于

大量数据样本的复杂问题的训练，由于准牛顿法和Levenberg-Marquardt算法

通常需要占用较大的计算机内存空间，因此研究中采用共辘梯度法进行网络的权

值和偏差修正训练。该算法具有占用计算机内存少、收敛速度快、逼近精度高等

优点，其递推计算过程如下：

总体来说，点到线的匹配算法对以下情况还存在不足：

(1)图2—9,A和B为两条道路，P,至UP,为待匹配的点序列。如果按点

到线的距离进行匹配，整个点序列将均被匹配给道路B,而实际应该匹配给道路

Ao

(2)到线段的最短距离要比计算点到线的距离复杂。如图2—10,计算P点

到线段A0A'的最短距离时，发现P点在A0A'上的投影并不在线段上，因此只

能从P点到线段端点A0和A'中最短的距离作为P到线段A0A'的距离。而每条

弧段都是由N个线段组成，必须比较P点与这N个线段的端点距离来确定最终的

点到该弧段的距离。

(3)点到线的匹配方法如果忽略历史信息，也容易造成匹配错误。如图2—

n所示。从点到直线的距离进行匹配发现，P0和P1到A的距离小于B,故P。和

P'应匹配到线段A上。可PZ点到A和B的距离几乎相等，匹配算法将无法进行。

(4)匹配算法也可能造成一种不稳定性。如图2・12,A和B是两条平行曲线,

P0、P'和PZ是三个待匹配的点。P0和PZ距离曲线A近些，故匹配给曲线A。

可P'点距离曲线B近，因此P'应匹配给曲线B。这样就造成匹配点在平行线

间发生跳动的现象。

图2—12点与平行线的匹配

2.5.3线到线匹配算法

线到线的匹配算法就是根据GPS数据点构成的轨迹与Gls数据中弧段的相似

度进行匹配(ChristopherE.White,2000)o在这种匹配算法中，关键是曲线相

似度的定义。不同的曲线相似度的定义，就会得到不同的匹配算法。相似度最终

多归结与距离的量算上。如图2—13中的P八P，和PZ构成的浮动车轨迹，要

与图中的A、B、C、D和E五条路段进行匹配，采用公式2—18进行距离计算：

图2—13线到线的匹配算法

RVM(RotationalVariationMetrie)的线匹配算法(RajashriR.Joshi,该

算法通过平移和旋转两种变换，对比两条曲线上部分切向量的相如图2—14示,

设A为参考曲线，在曲线A和B上分别假设一个起点，从起点开始，沿相同方向

每隔一个给定的相等长度作切向量，通过对产生的两个切向量组的关系比较，可

以确定曲线A和B的关系。不失一般性，定义为使B组向量与A组向量相同需要

旋转的角度为一对向量的夹角。定义逆时针为正方向，顺时针方向为负方向。该

角度可以通过式2—19进行计算。

由于图2—15中任意一对切向量的角度都相等，所以曲线B经过平移和旋

转后与A相同。e的方差就是曲线相似性的定量描述，这就是

RVC(RotationvariationCoefficienct)的定义。如果两条曲线的RVC等于0,就

表示两条曲线经过平移或旋转之后重合，或者两条曲线相同。如果RVC表示两条

曲线具有不同的形状，如图|2—15所示。如果两条曲线大小不同，可以对其中

一条缩放后再进行比较。

图2—14曲线A和B经旋转或平移后相同及其对应的RVC

图2—15曲线A和B经旋转或平移后不相同及其对应的RVC

基于IMTM(IterativeMultiresolutionTrendMetrie)算法是通过对复杂

曲线总体趋势的解析来进行地图匹配的，如果得到两条曲线的总体趋势是非常相

近的，即两条曲线就是匹配的。复杂曲线简化的算法很多，最常用的是Douglas

和Peucker提出的算法。该算法用容忍带宽表示曲线一般化的程度，大带宽表示

变化一般化，反之亦然。零带宽表示不变。

IMTM使用线简化和继承方法来降低计算曲线相似度的复杂程度。传统的线

匹配算法直接比较车辆轨迹和模板库中所有的道路。为减少计算量，IMTM采用

以下几个步骤：

（1）通过高度线简化，比较车辆轨迹与模板库中所有道路的总体趋势，在模

板库中剔除最不可能的道路，产生一个道路子集。（2）降低容忍带宽，重复上述

步骤，产生一个更小的子集。（3）重复上述迭代，直到最后只剩下一条道路，则

该道路就是匹配结果。

IMTM算法流程如图2—16所示。

图2—16IMTM算法流程

地图匹配算法最终都是把浮动车采集到的点转换到道路网上，不管哪种匹配

算法，点的转换普遍采用的点向匹配路段投影的方式。但寻找路段投影是匹配算

法的核心。由于线一线匹配中存在距离定义困难，求解过程计算相对复杂，最关

键是其滞后性在动态诱导中是很难接受的，而点一线投影又有其不可避免的缺

点，故本文综合上述两种算法，提出一种介于两种算法之间的新的匹配算法。

2.5.4拟合角度距离法

虽然角度能解决一些问题，但这些问题都是建立在点一线的匹配基础上提

出的，所以本文提出的算法要兼顾角度和距离这两大因素。为避免程序中不

必要的转换，角度信息统一用斜率来表示，这样也回避了角的方向性问题。

但角度符合程度用斜率差衡量。相对斜率差，距离要大得多，正常浮动车数

据（除信号丢失）的最大误差为SOm,街区间距一般SOOm。为避免距离因

素直接决定结果，对距离L进行如下调整：

其中：

L:为GPS数据点到某一路段的距离；

Ds:为研究区域中，街道间的平均距离；

Wp:为研究区域内，GPS的最大误差值。

当点到直线距离为100m时，针对上述情况，PL=O.5o

为了兼顾角度信息、匹配精度和时间延迟，如图2—17选取点序列的前两

点和后两点进行建模。进而构成的角度信息有四个线段，分别是P3P1、

P3PZ、

P3P4和P3PS,他们的斜率与线段斜率的差值作为因子参与计算。对于城

市

路网中的平行线问题，利用的限定条件是如果P：与P5和PZ与P;的斜率相

近，

且P:和PZ均已匹配给同一线段，则把P3也投影到该线段上。

任意点Pi与直线L的计算公式如下：

式中：

K:为线段L对应的斜率；

A为浮动车数据自身的角度值；

图2—17拟合角度距离计算方法示意图

针对类似P3的情况，采用如下公式进行判定：

式中：

拟合角度距离算法的步骤如下：

(D判定P；点到L1线段的距离，以及PI点与P:和P3两点构成的直线

斜率与L;的斜率进行比较，把对应值代入公式2—21中，计算S值。对于

公式中出现的Pi—1和Pi一,因不存在这些点，而省略这两项的计算结果。

(2)依次计算P;点到附近50m内线段的距离，并求出对应的S值。比较各S

值，把P：点匹配到最小S值对应的线段上，并记录该线段的序号。

(3)计算P:点到附近50m内线段的所有S值。把PZ点到最小S值对应的线

段上，并记录该线段的序号。

(4)如果P;和P:记录的线段序号值相同，则先利用2—22式确定P3点

是否也该匹配到该线段上，如果也应匹配该线段上，就记录线段的序号。如

果不匹配到该线段上，则采用公式2—21进行计算出P3点50m内到线段最小的

S值，把P3点到最小S值对应的线段上，并记录该线段的序号。

(5)重复步骤(4)进行P4点的判断，直至Pi.:(i为待匹配点数量)。

(6)判定Pi.:点时,与判定PZ点类似。

(7)判定Pi点的过程与判定P;点类似。

2.6实例和匹配效果

地图匹配是采用基于GPs/GIs技术的浮动车GPS数据进行路径动态诱导的重

要环节，匹配效果将直接影响行程时间的计算结果。本文提出的拟合角度和距离

的匹配算法，兼有点一线和线一线匹配的优点，兼顾了匹配速度和精度。下面选

取若干个点浮动车数据点，对本文提出的算法与常用的点一线匹算法进行对比。

如图2—18为浮动车数据点在十字路口的匹配情况。其中a图为采用拟合角度

距离的匹配算法的结果，可以明显的看出点序列没有受到十字路口的影响，产生

匹配错误;b图为采用点线匹配法的结果，其中的13、14、15和16四个点都匹

配到竖线段上了。

(a)(b)

图2—18在十字路口的匹配情况

如图2—19为既有平行道路，又有十字路口的情况。其中(a)图为采用拟合

角度距离法的匹配结果，可以明显的看出对于第9号点按距离应匹配给上面的线

段，而采用本匹配方法能很好的克服平行线间跳点现象的发生。(b)图为点一线

匹配方法得到的结果，在点9、16、17、18、20、34等多处出现跳点现象。

(a)

(b)

图2—19具有平行道路和十字路口的匹配结果

(a)(b)

图2—20某路段浮动车点序列到路网的匹配结果

图2—19是针对点一线匹配中存在的一些问题，以及本文提出的拟合角

度和距离算法在处理这些问题的效果。图2—20显示的是连续点序列在路

网中的匹配结果，其中(a)为按拟合角度距离得出的效果，(b)为采用点一线距离

的匹配效果。从实例和应用效果看，本文提出的算法很好的解决了点到线匹配中

存在的一些问题。这主要是因为，算法中对斜率信息的考虑，即连续5点进行角

度信息的分析;采用2—22公式解决了平行线间点来回跳动的问题。

2.7本章小结

本章在总结各种交通信息采集设备获取交通信息原理的基础上，指出了浮动

车GPS法在交通信息采集时，存在数据覆盖范围、可靠性、成本低等优势。进而

研究了浮动车GPS数据的预处理、坐标系变换、路段动态划分等问题，重点研究

了GPS与Gls数据匹配的问题，提出了拟合角度距离的匹配模型。解决了浮动车

GPS数据与Gls数据的融合问题，同时该模型兼顾GPS数据的行驶方向和与路段

的距离，具有良好的运算速度和匹配精度。

3基于浮动车的静态路段行程时间预测理论与模型

浮动车交通信息采集方式可以直接采集位置、速度、时间、行驶方向等参数。

本文采用出租车作为浮动车能进一步提高分析的精度。因为出租车出行率非常

高，有些出租车甚至是两个司机轮流开，且出租车的流动状况，也基本反映了人

们出行的需求。行程时间是指在某个时间周期内，车辆驶过道路某一路段总的持

续时间包括行驶时间和延误时间。行驶时间是指在路段上车辆处于运动状态的总

时间，延误是指由于交通阻滞和交通控制装置等原因而损失的行程时间。延迟包

括运动延迟，固定延迟和停车延迟。其中，运行延误是整个延误的一部分，它是

由于其他交通流的存在和干扰引起的，这些干扰或是以侧面阻滞或是以交通流内

部阻滞的形式出现；固定延误也是整个延误的一部分，它是由交通装置或交通标

志引起的，与交通量和出现交通干扰无关，主要发生在交叉路口；停车延误指总

时间内，车辆处于静止状态的时间。根据GPS反馈的信息，测得速度不为0时的

时间总和就是行驶时间；车辆通过整个路段的时间就是行程时间；在路口或有交

通标志的地点，速度为0的总时间就是固定延误时间;在整个路段车速为0的时

间总和就是停车延误时间;在无路口或交通标志的地点，速度为0的总时间就是

运行延误时间。可见，利用GPS可以方便快捷的得到相关的时间信息。但随着浮

动车GPS数据采样间隔的增加，很难准确的计算出这些延误信息。因此本章研究

使用运动的浮动车来求解路段静态行程时间的理论和方法。

3.1定积分理论

定积分是求连续采集的浮动车GPS数据行程时间的基础，故先介绍定积分的

定义和其几何意义。设函数f（x）在［a,b］上有界，在［a,b］中任意插入若干

个分点:a=xo<x,<xZ<*--<xn—Kx0=b把区间［a,b］分成n个小区间：【x。，x,］,

［xl,xZ』，…，［x卜1,x,］,各个小区间的长度依次为公l=xl—xO,公2=

孔一xL…，公。二x,一气一1在每个小区间［x,,x'］上任取一点考，（x

卜，'考，'X'）,作函数值f（考，）与小区间月长度、'的乘积f（考，）公，（'=1,

2,二，n）,并作出和5=艺£传冷，，记几=max｛公，，公2,…，公。｝,如果不

论对［a,b］怎样分法，也不论在小区间［x,」，x,］上点看'怎样取法，只要当

又一0时，和S总趋于确定的极限.1,这时称这个极限I为函数f(x)在区间［a,

b】上的定积分(简称积分，，计作ff(x)即rf(x)公二月I=limZf(看'冷'，

孟呻0才一1其中f(x)叫做被积函数做积分下限，b叫做积分上限

定积分的几何意义如下：

f(x)去叫做被积表达式，X叫做积分变量，［a,b］叫做积分区间。在【a,

bl上f(x):"时，定积分rf(x)'在几何上表示由曲线，•f(x)、直线x二a、x=b

与x轴所围成的曲边梯形的面积;在［a,b］上f(x)%时示由曲线y=f(x)、两

条直线x=a、x二b与x轴所围成的曲边梯形位于99(3—1),a叫两条则表

x轴的下方，定积分rf(x)'在几何上表示上述曲边梯形面积的负值;在【a,

bl±f(x,既取得正值又取得负值时，函数f(x)的图形某些部分在x轴的上方,

而某些部分在x轴的下方。如果对面积赋以正负号，在x轴上方的图形面积赋以

正号，在x轴下方的图形面积赋以负号。但在一般情形下，定积分ff(x)'的几

何意义为:它是介于x轴，函数f(x)的图形以及两条直线x二a、x=b之间的各

部分面积的代数和。

3.2平均速度估计

平均速度表示车辆在某一时间段或区间上的行使的平均速度，也称为平均车

速。平均车速可以用两种方法来计算，即时间平均车速和区间平均车速。时间平

均车速是指在特定的时间区间内，通过道路某一地点的所有车辆速度的算术平均

值。区间平均车速是指在特定的时间区间内，占据一定长度区间的所有车辆的速

度平均值。

3.2.1时间平均速度

在wi11iamLeonardEise1e的博士论文中给出的速度计算公式如下：

(3-2)

其中：

xi为时间变量

其中:w_j为第i点的权重;di为当前点到中心点xi的距离;dq为最大距离;

在计算模型中考虑到人口的影响、星期几的影响、一天中时间的影响、其它误差

归为随机误差;在其扩充因子中又包括了数据源的影响、数据源与星期几的关系

系数、以及数据源与一天中时间的关系系数；而2002年，YangyingLi和

MikeMeDonald应用模糊推理策略，提出了采用一辆普通浮动车估计路段行程时

间的模型1541。该模型基于对浮动车的速度和行程时间特征的分析，引入一个

新的变量一最大连续加速度MAC:

其中：t,和tZ是浮动车采样数据时间系列中速度连续增加子系列的起始和

结束六一二1尹:___一八、一~二，_、，_一~一、裙_.一一~时间;

凡二言厂Vdl,是浮动车平均速度。用凡和MAC来表征浮动车在路段车流中行驶

的快慢程度，建立推算该浮动车相对于路段车流速度的快慢程度的模糊推理规

则，通过推理结果修正浮动车的行程时间，将修正值作为路段行程时间。通过验

证，模型估计值正确率是98%,估计值与真实值的误差绝对平均百分比小于2.1机

该模型融入了人工智能的思想，利用了浮动车检测数据中蕴含车流速度变化的浮

动车瞬时速度值，并不依赖于道路因素，体现了交通参数估计时GPS浮动车技术

的优势。与此同时，CesarAQuiroga采用速度积分方法，求解车辆的瞬时速度

155］0其研究中描述了如下速度积分计算方法，行驶速度计算方程如下：

当数据时间间隔固定为是：

Vo和vp为p。和pP点的速度，to和tp为po和pP点的时间，td为通过

距离

d的总时间。

其实，速度积分方法利用了GPS浮动车检测的离散瞬时速度时间序列，应用

数值积分方法计算浮动车的行驶路程。速度积分的目的是使计算值接近浮动车的

实际行驶路程，但应保证GPS采用的速度值具有较高精度，采样周期不能太长，

并且需要预防GPS测量盲区的影响。通过实际采集数据比较了此方法和选取路段

两端车辆GPS采样点通过距离与时间之比计算路段平均速度的方法，结果显示，

在采用时间间隔小于10秒时，此方法的误差明显较小，当采样时间间隔大于10

秒时，两方法的误差差距明显减小。我国学者李筱著等人［50］提出的计算时间

平均速度公式如下:月

杯为车辆总的平均速度；

........……(3-6)

讥为每辆车的平均速度；

n为车辆数。

为提高每辆车的平均速度的计算准确性，可采用先拟合，在积分的方法。

=atZ+bt+e

其中：

tO为开始时间；t:为结束时间。

通过对上述求时间平均速度方法的分析，可得出由于浮动车采集的速度是瞬

时速度，不能代表浮动车在整个路段内的行使速度，而区间平均速度是反映车辆

在整个路段行驶速度的，更符合实际要求。

3.2.2区间平均速度

2000年，RohitriBobba在其博士论文中提出了应用公交车作为GPS浮动车,

通过多元回归建立路段平均速度估计模型的方法［57］。研究借助统计软件

s's(statistiealAnalysissoftware)的功能，分析和显示公交浮动车的平均速

度、车道数和道路限速值这三个独立变量来反映67%路段平均速度的变化，进而

建立了多元回归模型：路段平均速度=一5.60857+0.55814x公交车平均速度

+2.8257x车道数+0.39745x道路限速值。测试表明在95%的时间里路段平均速度

真实值位于此模型计算值的士lokmph内。2003年，naviaAnthony［,8］采用统

计软件sPss测试不同的自变量和因变量的共线性，经过方差分析建立多元回归

建立模型:路段平均速度=10.32十o.69x公交车平均速度+o.75x公交车站数量一

X路段交通信号灯数量。通过对模型的标准差分析和残差散布图的分析，显示出

模型的精度为60虬同时，研究指出交通高峰期对模型的估计结果影响不大。以

上两个模型的自变量不同的原因在于路段的划分。第一个模型选择公交车站和道

路交叉口作为路段划分的依据，路口交通指示灯就处于路段的进口或出口处。第

二个模型以公交车站作为路段的划分依据，路口交通指示灯被包含在路段内。这

样，路口交通指示灯对这两种模型的影响就不同。这说明了不同的路段划分方法

对模型的建立有着重要的影响；在不同的道路条件下，各种因素对交通参数的影

响程度也有差异。2002年，DavidAnthomy在其研究中，为了进一步提高交通参

数估计的准确性，尝试采用神经网络建立估计模型。研究应用Neurosolutions

专用神经网络软件，选择隐层数为2、双曲正切函数为激活函数的BP网络，选

取了公交车平均速度、路段限速值、交通信号灯数量和路段公交车站数量作为网

络输入变量，输出为路段平均速度，建立了神经网络模型。通过实际数据测试，

模型计算精度大于70机神经网络模型相对回归模型具有更高的计算精度，这也

说明了神经网络的非线性函数逼近能力对于交通参数估计这一类复杂的、多因素

影响的非线性求解问题有其特有的优势。我国学者李筱著等人159]提到的区间

平均速度计算公式如下：

其中：

s:为区间总长度；

ti:为第i辆车的行程时间：

n:为车辆的数量。

本论文中采用区间平均速度的方法，这主要是由于浮动车采集到的是瞬时速

度，瞬时速度并不能代表车辆在整个路段上的行驶速度，当然除非车辆处于匀速

行驶状态时，瞬时速度能反映出车辆的行驶状态。但在城市道路网中，由于红绿

灯、交叉口、超车等的存在，车辆很难做到匀速行驶。因此，对于基于浮动车数

据的区间平均速度，采用匹配在该路段上的所有GPS数据点的采集时间和距离信

息的积分来计算，具体公式如下：

n―1砚t几十，一t,,

对仅有一个GPS数据点的路段

(i=l,2,-n)............................(3-9)

采用前一路段上的相邻点与其构成GPS点对，再求取区间平均速度。但当所

求得的平均值小于IOkm/h,或者大于80km/h,采取当天最近时间的经过该路段

车辆的平均车速代替当前数据;如果是早中晚高峰期，时间差不能超过10分钟；

其它非高峰期时间差不能超过2个小时。当历史数据库中不存上述满足要求的浮

动车数据时，再采用相同星期和时间的数据代替当前数值，但采用连续三周的，

时间差限制与上面相同,权重分别为与2、0.3和0.5。

3.3路段行程时间

车辆的行驶路径是由多个行驶路段组成的，所以路段的行程时间是求取路径

行程时间的前提。路段的行程时间作为一个单元参与计算。1993年，naizey[601

运用交叉相关技术(er。55—e。rrelati。nTechnique)预测行程时间，该方法

是利用交通量参数确定连续集中信号的最大相关性来预测行程时间，其模型所需

的参数比较少，但这种统计方法在交通拥挤情况下不再适用，因为拥挤情况下，

这种相关性己不复存在。1996年，DoH.Nam［61］等人建立了高速公路行程时间模

型。他们是应用随机排队理论和路段上的车辆数来进行时间预测，该模型没有对

交通状况作任何假设，具有普遍性，但该模型没有考虑交叉路口的影响。在

WilliamLeonardEisele的博士论文中给出的基于线圈数据的行程时间计算公式

如下：

其中：i为线圈排列序号;气十，为线圈的第

）个点与i十1点之间距离;Si为第i点的速度;TTi为旅行时间。此外，

Naugi.Rauphail［62］等人利用宏观延误模型预测了信号控制路段上车辆行程时

间的分布，模型中所需要的交通参数较多。DavidBoyCe［63］等人将行程时间

预测分为静态预测和动态预测调整两个部分，此模型是基于路段上的时间预测模

型，预测的数据准备工作量较大。Abours［64J利用回归方法建立了检测器占有

率和行程时间关系模型。Taka-bal65］等人建立了“砂时计”模型预测行程时间。

我国张和生等人［661在修正GPS数据误差的基础上，根据GPS数据量的不

同，对大样本数据量采用样本均值估计路段平行行程时间。当样本比例大于15%

时，就取所有经过该路段车辆行程时间的平均值，作为该路段的行程时间。相反

当样本比例小于15%时，采用顺序统计量中位数估计路段平均行程时间。张和生

［67］针对路段平均行程时间的计算问题，提出了一种把路段平均行程总时间分

平均行驶时间、平均排队时间和平均通过路口时间三个部分，并采用Posiss。n

函数描述车辆驶入路段和驶出路段的过程，用Markov排队描述车辆排队过程，

用饱和流率和平均车长，计算通过路口的平均时间。杨孝宽等168】采用流动理

论对动态路段行程时间进行了预测，在预测过程中把行程时间分为上游、下游和

红绿灯等待时间三部分，并指出流动理论适宜于解决突发且密集的区域行程时间

问题。虽然浮动车在提供速度信息的同时也提供了时间信息。正如路段划分中提

到的，浮动车的数据点几乎都不在路段的起点和终点，所以对于某一路段的速度