一种基于浮动车技术获得区域带路专家的方法

摘要

本发明提供一种基于浮动车技术获得区域带路专家的方法，具体包括如下步骤：利用浮动车车载信息终端定期采集行车信息，并将采集的数据上传至数据服务中心；数据服务中心过滤无效数据，并将有效的数据存储到对应的区域行车数据库中；数据服务中心通过统计分析行车数据序列在所述区域内的平均覆盖强度、覆盖率和平均停留时间；数据服务中心计算在所述区域内的时空分布特征得到该区域的带路专家列表并对列表按周期进行更新维护，推送最优带路专家信息；本发明为进入区域的行车用户提供区域带路专家信息，有利于提取区域内的正常驾驶行为模式，发现危险驾驶行为，并为进一步实现驾驶行为主动学习提供经验数据；对各类交通信息服务系统有着重要意义。

说明书

技术领域

本发明属于信息技术应用领域，具体是涉及交通信息服务系统中基于浮 动车技术获得区域带路专家的方法，从而为经过特定区域的车辆提供基于区 域带路专家信息的交通引导服务。

背景技术

浮动车技术，也被称作“探测车”，已经被广泛使用，其基本原理是： 根据装备车载定位系统的浮动车在其行驶过程中定期记录的车辆位置，方向 和速度信息，应用地图匹配、路径推测等相关的计算模型和算法进行处理， 使浮动车位置数据和城市道路在时间和空间上关联起来。

在实际生活中，每个驾驶员都有各自最熟悉的区域，我们将对区域内的 道路状况与环境最熟悉的驾驶员定义为“区域带路专家”。若能通过对浮动 车数据挖掘分析，有效发现每个区域内的区域带路专家，则可为进一步提取 每个区域内的带路专家的安全驾驶行为信息（如在特定道路上的驾驶速度信 息、转向灯信息等）以及出行路径规划信息（如经过特定区域时的选路行为 信息）提供重要的基础数据。

本发明通过构建“区域带路专家”发现模型，为进入该区域的行车用户 提供带路专家信息，有利于提取区域内的正常驾驶行为模式，发现危险驾驶 行为，并为进一步实现驾驶行为主动学习提供经验数据。

发明内容

本发明要解决的技术问题，在于提供一种基于浮动车技术获得区域带路 专家的方法，提高了驾驶员行车的安全性，且有利于提取区域内的正常驾驶 行为模式，发现危险驾驶行为。

本发明是这样实现的：一种基于浮动车技术获得区域带路专家的方法， 其特征在于，包括如下步骤：

步骤1、浮动车在行驶过程中定期采集车辆编号、位置、速度以及时间 信息，得到行车数据序列，并通过移动蜂窝通信技术将所采集到的行车数据 序列传送到数据服务中心；

步骤2、数据服务中心对行车数据序列进行过滤处理，并提取行车数据 序列中的位置信息与地理信息系统GIS中的图层区域信息匹配，得到行车 数据序列所属的区域并将行车数据序列存储到对应的区域行车数据库中；

步骤3、数据服务中心通过统计分析行车数据序列在所述区域内的平均 覆盖强度、平均覆盖率和平均停留时间；

步骤4、数据服务中心计算在所述区域内的时空分布特征得到该区域的 区域带路专家列表并对列表按周期进行更新维护，推送最优区域带路专家信 息。

本发明具有如下优点：本发明利用浮动车车载信息终端采集行车信息， 通过数据服务中心对行车信息数据进行挖掘，根据行车数据信息在特定区域 内的时空分布特征得到区域带路专家列表，实现了为进入该区域的行车用户 提供带路专家信息，有利于提取区域内的正常驾驶行为模式，发现危险驾驶 行为，并为进一步实现驾驶行为主动学习提供经验数据。

附图说明

图1为本发明的基于浮动车技术获得区域带路专家的方法系统框架图。

图2为本发明的行车数据序列统计分析算法流程图。

图3为本发明的最优带路专家发现算法流程图。

具体实施方式

本发明为一种基于浮动车技术的区域带路专家发现方法，为交通信息服 务系统提供交通引导信息，基于浮动车技术的区域带路专家发现方法，该方 法包括如下步骤：

步骤1、浮动车在行驶过程中定期采集车辆编号、位置、速度以及时间 信息，得到行车数据序列，并通过移动蜂窝通信技术将所采集到的行车数据 序列传送到数据服务中心；

步骤2、数据服务中心对行车数据序列进行过滤处理，并提取行车数据 序列中的位置信息与地理信息系统GIS中的图层区域信息匹配，得到行车 数据序列所属的区域并将行车数据序列存储到对应的区域行车数据库中；

步骤3、数据服务中心通过统计分析行车数据序列在所述区域内的平均 覆盖强度、平均覆盖率和平均停留时间；

步骤4、数据服务中心计算在所述区域内的时空分布特征得到该区域的 区域带路专家列表并对列表按周期进行更新维护，推送最优区域带路专家信 息。

图1所示为基于浮动车技术的区域带路专家发现方法系统框架图，其 中详细展示了基于浮动车技术的区域带路专家发现及最优带路专家推荐系 统的所包括的四个部分，其中每个部分产生的结果作为下一个部分数据处理 的对象。

第一个部分进行的是利用大量装备车载定位系统的浮动车以周期τ定期 采集车辆编号为i，位置l，速度v，以及时间信息t，得到浮动车行车数据 序列x_i=＜l_i,v_i,t_i＞，将采集到的数据通过移动蜂窝通信技术传送到数据服务 中心；其中所述浮动车在给定的且用于分段采样的滑动时间窗T₁内，其采样 数据集合为m辆浮动车的n阶行车数据序列：

X(m,n)={x_i，j|i∈[1，m]，j∈[1，n]}，

其中，$n=\frac{T_1}{\tau }.$

第二部分数据服务中心对行车数据序列进行过滤处理，并提取行车数据 序列中的位置信息与地理信息系统GIS中的图层区域信息匹配，得到行车 数据序列所属的区域并将行车数据序列存储到对应的区域行车数据库中。

第三部分数据服务中心通过统计分析行车数据序列在所述区域内的平 均覆盖强度、平均覆盖率和平均停留时间；

第四部分数据服务中心计算在所述区域内的时空分布特征得到该区域 的区域带路专家列表并对列表按周期进行更新维护，推送最优带路专家信 息；

如图2所示，为本发明方法的行车数据序列统计分析算法流程图。

步骤21、数据服务中心对所述行车数据序列中的速度信息进行数据滤 除处理，得到有效的浮动车数据，然后抽取所有超低速行驶的数据集合；具 体为：数据服务中心在时间窗ΔT₁内将速度v一直都低于v₀的非正常行驶的 干扰数据滤除，得到有效浮动车数据集合为

其中，x_i,j.v为浮动车数据中的速度信息，

步骤22、数据服务中心根据有效浮动车数据集合中的位置属性 x_i,j.l与地理信息系统GIS中的图层区域进行坐标匹配，获取行车数据序列 所属的区域，并将其存储到对应的区域行车数据库g_f中，所述区域行车数据 库g_f构成行车数据信息库G:

G={g₁，g₂，…，g_f，…}，

其中g_f={x_i,j|x_i,j.l∈area(g_f)}；area(g_f)表示地理信息系统GIS中定义 的区域信息，f为区域编号，每个区域对应唯一编号；所述区域为地理信息 系统GIS把路径地图划分之后所得；

根据其车辆编号i和位置属性l得到对应的行车路线特征向量

$L_i=<l_{i,1},···,l_{i,j},···,l_{i,n}>|x_{i,j}\in \bar{X}(m,n),$

并构造行车路线向量库为

对有效浮动车数据集合中的各元素重新进 行编码，编码号为k，得到集合X_i：

其中ε表示X_i中元素的个 数；x_k.l为浮动车数据中的位置信息；S(m).L_i为行车路线向量库中的行车路 线特征向量。

所述步骤3进一步包括：

步骤31、数据服务中心计算区域停留时间γ_i,f，所述停留时间是浮动车 i在区域f中所经历的时间长度，从进入该区域开始到离开所经历的时间长 度记为一次区域停留时长，累计在时间窗T₂内的停留时长总和，并求得T₂时 间段内区域停留时长的平均值；

提取行车路线特征向量L_i中位置l_i,1，得到所属区域f内所储存的第一 个行车数据序列的时间信息记为进入时间点t₁′，由于行车路线特征向量L_i的 位置信息所属的行车数据序列的时间信息是按时间先后顺序排列，因此可提 取离l_i,1最近的位置l_i,j，得到位置l_i,j所属区域f+Δ₁内所储存的第一个行车 数据序列的时间信息记为离开时间点t₂′，Δ₁为一常量，同理，浮动车i第q次 进入区域f，第q次进入时间点记为t_2q-1′，第二次离开时间点记为t_2q′，直至 统计完时间窗T₂内行车路线特征向量L_i的所有进出区域f的时间点，得到集 合Time：

Time={t₁′,t₂′,…,t_c′}，其中c为时间窗T₂内浮动车区域停留时长的次数， 一次停留时长记为|t_c′-t_c-1′|，则停留总时长为

得到平均停留时间

$\overline{{\gamma }_{i,f}}=\underset{q=1}{\overset{c/2}{\Sigma }}\left(\right|t_{2q}^{\prime }-t_{2q-1}^{\prime }\left|\right)*\frac{1}{T_2.\mathrm{day}};$day为停留的时 间天数，为正整数；

步骤32、数据服务中心对有效行车数据集合X_i进一步分析，对时间窗T₂分时间段ΔT₂计算出每辆车的行车数据序列在区域f的覆盖强度α_i,f，所述 覆盖强度表示浮动车i在区域f中所行驶的轨迹总长度与此区域内的所有道 路总长度的比值，并求得T₂时间段内覆盖强度的平均值；

覆盖强度α_i,f计算方法如下：提取区域编号为f，浮动车i在第d个时 间段ΔT_d内的行车数据集

计算车辆的行 驶轨迹总长度，$\mathrm{length}\left(X_{i,d}\right)={\Sigma }_{k=1}^{ϵ-1}\mathrm{dis}\tan \mathrm{ce}(x_k.l,x_{k+1}.l),$

x_k.t-x_k+1.t=τ，x_k.t表示行车数据序列x_k中的时间信息；x_k+1.t表示行车 数据序列x_k+1中的时间信息；其中distance(x_k.l,x_k+1.l)表示行车轨迹点 x_k.l,x_k+1.l之间的距离；GIS系统获取区域编号为f的区域中道路总长度R_f， 则时间段ΔT_d内覆盖强度为

进而计算T₂时间段内平均覆盖强度； 其中T₂.day表示时间窗T₂转换内的天数；

步骤33、数据服务中心进一步计算覆盖率β_i,f，所述覆盖率β_i,f表示浮 动车i在区域f中轨迹覆盖道路总长度与此区域内所有道路总长度的比值， 并求得T₂时间段内覆盖率的平均值，所述轨迹覆盖道路长度中相同路径不被 重复计算；使用路径聚类提取算子计算唯一路径：

Step1：提取区域编号为f中的浮动车i在第d个时间段ΔT_d内的行车 数据集的副本（即原来的数据集的副本，内容是一样的，相当于再拷贝一份）

Step2：若不为空，先取数据序列x_k中第一个数据序列记为x_first， 存入唯一路径序列点集Uni-path（唯一路径序列点集Uni-path是一个过渡用 的集合，即存储数组集合）中，否则转至Step4；

Step2.1：对x_first聚类分析，可以得到集合

$A\left(x_{\mathrm{first}}\right)=\left\{x_j\right|\mathrm{dis}\tan \mathrm{ce}(x_j.l,x_0.l)\le E,x_j\in \overline{X_{i,d}}\},$其中E为距离常数（预先设 定的值为大于0的数值）；x_j.l为行车数据序列x_j的位置点；x₀.l为行车数 据序列x₀的位置点；distance(x_j.l,x₀.l)表示x_j.l和x₀.l两个位置点之间的距离；

Step3：从中剔除子集A(x_first)中的点：

$\overline{X_{i,d}}=\overline{X_{i,d}}-A\left(x_{\mathrm{first}}\right),$转至Step2；

Step4：对唯一路径序列点集Uni-path重新编码，得到唯一路径序列 Unipath={x₁，x₂，…，x₂}，计算唯一路径总长度，根据集合Time={t₁′,t₃′,…,t_c-1′} 将时间信息t_c′对应的行车数据序列x_c′插入唯一路径序列Unipath中，从而将 路径分割，防止车辆离开区域点与进入区域点之间的距离被计入路径中，得 到集合$\overline{\mathrm{Unipath}}=\{x_1,x_2,...,x_z\}\cup \{x_1^{\prime },x_3^{\prime },...,x_{c-1}^{\prime }\},$且x_c-1′.t=t_c-1′， t_c-1′∈Time按时间先后顺序进行重新排列，则唯一路径长度计算如下：

$\mathrm{length}\left(\overline{\mathrm{Unipath}}\right)={\Sigma }_{k=1}^{h-1}\mathrm{dis}\tan \mathrm{ce}(x_k.l,x_{k+1}.l),$其中h表示中元素个 数且

x_e′∈{x₁′,x₃′,…,x_c-1′}，则时间段ΔT_d内的覆盖率可表示为

${\beta }_{i,f}^d=\frac{\mathrm{length}\left(\overline{\mathrm{Unipath}}\right)}{R_f}*100\%,$进而计算T₂时间 段内平均覆盖率

$\overline{{\beta }_{i,f}}=\underset{d=1}{\overset{\frac{T_2}{{\mathrm{\Delta T}}_2}}{\Sigma }}{\beta }_{i,f}^d*\frac{1}{T_2.\mathrm{day}}.$

如图3所示，为本发明的最优带路专家发现算法流程图。

所述步骤4进一步包括：

步骤41、用平均覆盖强度、平均覆盖率和平均停留时间加权求和的方 式，计算得出浮动车的时空分布度量值M_i,f，该时空分布度量值表示为

$M_{i,f}={\omega }_{{\alpha }_{i,f}}*\overline{{\alpha }_{i,f}}+{\omega }_{{\beta }_{i,f}}*\overline{{\beta }_{i,f}}+{\omega }_{{\gamma }_{i,f}}*\overline{{\gamma }_{i,f}},$其中，i是车辆编号，f是区域 编号；是浮动车i在区域f的覆盖强度权值，是浮动车i在区域f 的覆盖率权值，是浮动车i在区域f的停留时间权值，且满足

${\omega }_{{\alpha }_{i,f}}+{\omega }_{{\beta }_{i,f}}+{\omega }_{{\gamma }_{i,f}}=1,$

步骤42、数据服务中心判断浮动车的时空分布度量值M_i,f是否大于系 统预设的阈值M₀，若M_i,f>M₀，则将该浮动车推荐为区域带路专家，并由 推荐的区域带路专家的平均覆盖强度平均覆盖率平均停留时间 以及最后活跃时间得到带路专家信息序列y_i,f,将其录入区域带 路专家列表中，得到区域f带路专家集合

所述最近活跃时间为浮动车i在所述区域f内车辆的最后一次行车 记录时间；

步骤43、数据服务中心每隔周期T₃对区域f带路专家列表进行更新维 护，并将最近活跃时间与当前系统时间Time_system差值大于时间阈值θ， 即的专家信息从区域带路专家列表中移除；

数据服务中心在推送区域带路专家信息时，以活跃时间距当前系统时间 最近，即作为区域带路专家列表中推荐最优区域带路专 家的条件。

总之，本发明利用浮动车车载信息终端采集行车信息，通过数据服务中 心对行车信息数据进行挖掘，根据行车数据信息在特定区域内的时空分布特 征得到区域带路专家列表，实现了为进入该区域的行车用户提供带路专家信 息，有利于提取区域内的正常驾驶行为模式，发现危险驾驶行为，并为进一 步实现驾驶行为主动学习提供经验数据。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人 员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发 明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的 修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。