一种基于浮动车数据的经验路径生成方法

1.一种基于浮动车数据的经验路径生成方法，其特征在于，包括以下步骤：
S1.提取并处理原始的浮动车数据，去掉无效以及异常的数据点；
S2.将针对起终点理后的浮动车数据匹配到路段上；
S3.比较各路段匹配的定位点数目s与经验路径阈值S当各路段匹配的定位点数目s超过经验路径阈值S时则为经验路段，根据经验路段生成经验路网；
S4.根据经验路网生成合理的经验路径；
所述步骤S2中，使用方向要素及距离要素建立权重模型，将浮动车数据匹配到路段上；
(d/r)
所述权重模型的计算方式如下：W＝e /ln(θ/90)；
式中，d为GPS点到路段的最短距离；θ表示车辆航向和路段之间的夹角，0≤θ<90；
r为GPS极限合理误差。
2.根据权利要求1所述的基于浮动车数据的经验路径生成方法，其特征在于，所述步骤S1的具体实现方式，提取并遍历原始浮动车数据，去掉属于空载状态以及不属于目标起终点OD服务范围的无效异常点。
3.根据权利要求1所述的基于浮动车数据的经验路径生成方法，其特征在于，所述步骤S3中，各路段匹配的定位点数目s为s＝n/l；其中s为该路段每公里匹配定位点数目，单位为个/公里，n为该路段匹配定位点数目，单位为个，l为该路段长度，单位为公里；
经验路径阈值S： 其中N为浮动车数据总数，单位为个，Lmin为起终点最短路径长度，单位为公里，ρ为目标路径可作为经验路径的出行比例。
4.根据权利要求1所述的基于浮动车数据的经验路径生成方法，其特征在于，所述步骤S4中，在经验路网上加载简单无环路径算法，最终得到经验路径。

一种基于浮动车数据的经验路径生成方法\n技术领域\n[0001] 本发明涉及交通规划应用技术领域，更具体地，涉及一种基于浮动车数据的经验路径生成方法。\n背景技术\n[0002] 在城市路网中，一个起终点之间有非常多路径可连通，而驾驶员在出行时一般只选择其中的有限的几条，这些路径即合理路径。合理路径作为路径选择模型的输入路径，可以反映驾驶员的真实选择行为，同时这些路径也为路径诱导提供了备选路径。\n[0003] 传统的合理路径的确定方法一般为通过以下算法生成，包括有Dial算法、启发式算法、K短路径法及带约束的路径枚举法。其中Dial算法并不直接给出合理路径集，而是直接将流量分配在各个路段，但其在算法中定义了有效路段。启发式算法、K短路径法及带约束的路径枚举法则直接通过合理路径集算法生成合理路径集。上述方法均是引入距离、时间、收费、转向等阻抗或几个属性线性组合的阻抗，而在实际路网道路中，各阻抗与出行路径的选择关系复杂，且难以结合出行者出行习惯。有学者提出对路网分层以满足出行者出行习惯，但出行者出行习惯难以捉摸，该方法并不能真实反映出行者出行选择路径。\n[0004] 近些年随着浮动车技术的发展，利用浮动车数据获取交通信息的应用越来越广泛，例如北京、广州、深圳等城市出租车均安装了GPS接收器。浮动车数据具有以下特征：\n[0005] （1）稀疏性。浮动车数据是按照一定的间隔上传至服务器，在这个间隔内，浮动车可能发生很大位移，两个定位点之间会存在不确定路径。\n[0006] （2）漂移性。浮动车行驶在城市道路上，定位系统受到高层建筑、隧道等影响，会产生漂移，尤其在低速时，漂移现象更加明显。\n[0007] （3）海量性。城市中行驶着大量浮动车，这些浮动车以一定间隔上传实时信息，为城市交通分析提供了千万计的浮动车数据。\n[0008] 一般来说，浮动车驾驶者对城市交通状况熟悉，具有丰富的路径选择经验，其选择的路径被认为是最为合理的路径。虽然浮动车数据的稀疏性与漂移性使得难以对定位数据进行路径匹配以获得真实的出行轨迹，而利用浮动车数据的海量性，可以针对起终点提取大量的浮动车数据。\n发明内容\n[0009] 为了克服现有技术的不足，本发明提出一种基于浮动车数据的经验路径生成方法，该法是基于海量浮动车数据，从中提取针对起终点的经验路网，生成出租车经验路径的方法，为交通诱导、交通规划及管理提供了有效的合理路径。即真实反映出行者的出行路径集，并避免浮动车数据由于采样点稀疏及精度不足而引致的匹配失误。\n[0010] 为了实现上述目的，本发明的技术方案为：\n[0011] 一种基于浮动车数据的经验路径生成方法，包括以下步骤：\n[0012] S1.提取并处理原始的浮动车数据，去掉无效以及异常的数据点；\n[0013] S2.将针对起终点理后的浮动车数据匹配到路段上；\n[0014] S3.比较各路段匹配的定位点数目s与经验路径阈值S当各路段匹配的定位点数目s超过经验路径阈值S时则为经验路段，根据经验路段生成经验路网；\n[0015] S4.根据经验路网生成合理的经验路径。\n[0016] 优选的，所述步骤S1的具体实现方式，提取并遍历原始浮动车数据，去掉属于空载状态以及不属于目标起终点OD服务范围的无效异常点。\n[0017] 优选的，所述步骤S2中，使用方向要素权重及距离要素权重建立模型，将浮动车数据匹配到路段上；其中方向要素权重大于距离要素权重。\n[0018] 优选的，所述权重的计算方式如下：W=e(d/r)/ln(θ/90)；\n[0019] 式中，d为GPS点到路段的最短距离；θ表示车辆航向和路段之间的夹角，0≤θ＜90；r为GPS极限合理误差。\n[0020] 优选的，所述步骤S3中，各路段匹配的定位点数目s为s=n/l；其中s为该路段每公里匹配定位点数目（个/公里），n为该路段匹配定位点数目（个），l为该路段长度（公里）；\n[0021] 经验路径阈值S： 其中N为浮动车数据总数（个），Lmin为起终点最短路径长度（公里），ρ为目标路径为经验路径的最小选择比例。\n[0022] 优选的，所述步骤S4中，在经验路网上加载简单无环路径算法，最终得到经验路径。\n[0023] 与现有技术相比，本发明的优点主要体现在以下几个方面：\n[0024] 1）数据量充足，本发明以浮动车数据为基础，而城市浮动车数据具有海量性。\n[0025] 2）匹配要求低，基于浮动车数据的海量性，降低了单个采样点的匹配精度需求，充足的数据保证了经验路径的精确度。\n[0026] 3）可控性强，经验路段的阈值可控，平高峰时间可控，可为交通管理部门提供不同时段不同阈值下的经验路径集合。\n[0027] 4）反映出行者真实选择行为，通过浮动车数据生成经验路径，反映了对驾驶员的真实选择行为，提供的路径更具有说服力。\n附图说明\n[0028] 图1为浮动车数据提取及处理流程图。\n[0029] 图2为浮动车数据点地图匹配示意图。\n[0030] 图3为广州市公元前到江南西全天出租车GPS数据点地图匹配效果图。\n[0031] 图4为广州市公元前到江南西全天出租车GPS数据经验路网生成效果图。\n[0032] 图5为广州市公元前到江南西全天出租车GPS数据经验路径生成结果示意图。\n具体实施方式\n[0033] 下面结合附图对本发明做进一步的描述，但本发明的实施方式并不限于此。\n[0034] 定义出行者通过经验而选择的合理出行路径即为经验路径。在实际出行中，驾驶员不一定选择最短路径，而会根据自己常年积累的对道路顺畅程度、时间损耗等认知基础上选择更合理的路径，从而避开一些拥堵、偏僻等路段。因此根据浮动车出行选择行为生成的经验路径，作为合理路径，可以真实反映浮动车驾驶者和其他出行者出行习惯与选择偏好。\n[0035] 本实施例是以2011年7月6日全天的广州市公元前到江南西出租车数据为例具体介绍。起点范围设为以中山六路-解放北路交叉口为圆心，200m为半径的区域，终点范围设为以江南大道-江南西路为圆心，200m为半径的区域，提取满足条件的出行236次，GPS数据3774条。具体操作步骤为：\n[0036] 步骤1：提取并处理原始浮动车数据。首先根据起终点范围提取浮动车数据，去除无效异常数据。这是因为初始得到的浮动车数据信息较为原始和粗糙，受各种因素影响，浮动车数据在传输过程中难免出现错误或丢失。如图1中的数据提取流程，首先按时间序列提取浮动车数据点，然后遍历数据点并去掉OD（Origin-Destination）服务范围之外以及空载等无效异常数据点。示例中公元前到江南西起终点间最短路径长度为3753m，出行时间一般为10-20分钟，故剔除出行时间超过30分钟的出行数据。最后剩余出行219次，GPS数据3229条。\n[0037] 步骤2：将浮动车数据匹配到地图上。采用距离要素和方向要素作为地图匹配的权重要素，将浮动车数据匹配到权重低的路段上，其中方向要素权重高于距离要素权重。权重计算如式（1）。\n[0038] W=e(d/r)/ln(θ/90) （1）\n[0039] 公式中，d为GPS点到路段的最短距离；θ表示车辆航向和路段之间的夹角，\n0≤θ＜90；r为GPS极限合理误差，依据实际误差统计确定，示例中取为70m。如图2所示，设出租车在某由西行驶经过某交叉口，θ1、θ2为出租车航向与路段直行、左转两个方向的夹角分别为60°、30°，d1、d2为GPS点距离道路的距离，分别为60m，30m，经计算W2＞W1，因此将该点匹配到路段2上。依次将步骤一处提取处理后剩余的219次出行，3229条GPS数据点全部匹配到广州市地图上的效果如图2所示。\n[0040] 步骤3：经验路网生成。浮动车驾驶员往往根据自己常年对路网的认知选择更少拥堵、耗时更少的路段。在实际出行中，最常被选择的路径一般为2-4条，其他路径则只有极少数出行者选择，假设将超过比例ρ的浮动车驾驶员选择的路径定义为经验路径。根据地图匹配后的浮动车数据，计算各路段每公里匹配的定位点数目，如式（2）所示。\n[0041] s=n/l （2）\n[0042] 其中s为该路段每公里匹配定位点数目（个/公里），n为该路段匹配定位点数目（个），l为该路段长度（公里）。\n[0043] 然后根据式（3）计算经验路段阈值S。\n[0044] \n[0045] 其中，N为浮动车数据总数/个，Lmin为起终点最短路径长度/公里。示例中，定义超过1%的出租车选择的路径为经验路径，则经验路径阈值S为式（4）。\n[0046] \n[0047] 当路段每公里匹配定位点数目s超过经验路径阈值S时则为经验路段，各个经验路段组成经验路网。如图4所示为示例中生成的经验路网效果图，图中深色路段为经验路段，浅色路段为普通路段。\n[0048] 步骤4：经验路径生成。最后在经验路网上加载简单无环路径算法，生成经验路径。示例基于广州市2011年7月6日全天的广州市公元前到江南西出租车GPS数据，在步骤3中生成的经验路网上加载简单无环路径算法生成了①与②两条经验径路，效果示意图见图5。\n[0049] 本发明首先提取和处理起终点范围内原始浮动车数据点，然后根据方向要素权重高于距离要素权重的思想将其匹配到路段上，并根据匹配的定位点数目和最短路长度建立经验路段阈值模型从而生成经验路段。最后在初步生成的经验路段组成的经验路网上加载简单无环路径算法，生成合理的经验路径。以广州市公园前至江南西的全天出租车GPS数据为例说明了该发明的具体操作，生成了该OD内全天出租车经验路径。实例表明该方法是简单而有效的。由于经验路径是基于众多于浮动车驾驶者常年积累对道路的认知基础上做出的选择结果，因此被认为是较普通出行者更加合理的路径选择。发明不仅为交通规划者提供合理路径集，也有利于交通管理者制定路径诱导策略和指导出行者合理选择出行路径，有较大的使用价值。\n[0050] 以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所做出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。