阮 巍,付建勝,王川久,劉夢依
(1.重慶云途交通科技有限公司, 重慶 400067; 2.吉林大學交通學院, 長春 130022)
?
浮動車在城市智能交通系統(tǒng)中的應用簡述
阮巍1,2,付建勝1,王川久1,劉夢依2
(1.重慶云途交通科技有限公司, 重慶400067; 2.吉林大學交通學院, 長春130022)
摘要:以浮動車數(shù)據(jù)處理,基于浮動車的路段車速估計、行程時間估計以及交通狀態(tài)判別和動態(tài)路網(wǎng)OD估計為序,對浮動車技術在城市智能交通系統(tǒng)中的應用進行遞進式歸納和總結,并探討目前研究的不足且對未來研究進行展望。
關鍵詞:浮動車;城市智能交通系統(tǒng);參數(shù)估計;狀態(tài)判別
浮動車是指安裝了GPS模塊和無線通信模塊等終端設備的機動車。其中,GPS模塊負責接收衛(wèi)星定位信號并記錄車輛的經緯度坐標和瞬時車速等浮動車數(shù)據(jù);無線通信模塊負責將車載終端ID、經緯度坐標、瞬時車速、時間戳等有關數(shù)據(jù)依照一定時間間隔傳送給交通控制中心,同時負責接收交通控制中心下發(fā)的指令。
浮動車的應用始于20世紀90年代初[1],但直到2000年美國取消了GPS選擇可用性限制后,浮動車技術才被廣泛應用于交通領域。相較以往固定型交通信息采集設備,浮動車具有覆蓋面廣、安裝簡單、維護成本低且信息采集實時性強、精度高等優(yōu)勢。浮動車系統(tǒng)的工作原理是對路網(wǎng)交通狀況進行實時抽樣并處理分析。如果浮動車對路網(wǎng)的覆蓋率及采樣頻率均能達到要求,則其便能獲取足夠的交通信息并上傳給交通控制中心。交通控制中心結合GIS對浮動車系統(tǒng)中的海量信息進行大數(shù)據(jù)分析,便可以實現(xiàn)對路網(wǎng)實時運行狀況的感知,為其后續(xù)應用決策提供可靠的技術支撐,如交通控制、智能導航、應急決策以及動態(tài)路徑規(guī)劃等。
本文以浮動車數(shù)據(jù)預處理,基于浮動車的路段車速估計、行程時間估計以及交通狀態(tài)判別和動態(tài)路網(wǎng)OD估計為序,對浮動車技術在城市智能交通系統(tǒng)中的應用進行遞進式歸納和總結,并基于上述分析指出現(xiàn)狀研究的不足,且對后續(xù)研究進行展望。
1浮動車數(shù)據(jù)處理技術
衛(wèi)星及通信系統(tǒng)誤差、復雜的駕駛行為、復雜的天氣狀況及浮動車的覆蓋率、采樣頻率偏低等都會影響浮動車數(shù)據(jù)的可用性。有學者指出浮動車的數(shù)據(jù)質量符合“80/20法則”,即路網(wǎng)中80%的浮動車數(shù)據(jù)對于后續(xù)路段車速估計、行程時間估計及交通狀態(tài)判別等都是不可靠的。為此,學者們從數(shù)據(jù)處理(包括數(shù)據(jù)預處理、數(shù)據(jù)融合)和地圖匹配2方面對浮動車數(shù)據(jù)的可用性進行了改善。
1.1數(shù)據(jù)處理
數(shù)據(jù)預處理主要針對故障數(shù)據(jù),包括故障數(shù)據(jù)識別、故障數(shù)據(jù)修復以及數(shù)據(jù)濾波;數(shù)據(jù)融合主要針對浮動車數(shù)據(jù)樣本量小、采樣間隔大等問題,整合多方數(shù)據(jù)源進行的綜合應用。比較而言,數(shù)據(jù)融合更復雜但也更具優(yōu)勢,是未來研究的趨勢。
數(shù)據(jù)預處理方面,故障數(shù)據(jù)識別的理論方法主要有低階多項式滑動回歸法、聚類方法、關聯(lián)規(guī)則等;實際應用中多采用閾值法,包括時間閾值法、速度閾值法和經緯度閾值法等。故障數(shù)據(jù)修復的理論方法主要有小波消噪法、免疫算法和譜減法等;實際應用中多采用歷史趨勢法、歷史趨勢與實測數(shù)據(jù)加權法、相鄰時段數(shù)據(jù)修復法、相鄰路段數(shù)據(jù)修復法和線性插值等。其中歷史趨勢法和歷史趨勢與實測數(shù)據(jù)加權法因需從歷史數(shù)據(jù)庫中重新調取數(shù)據(jù),處理速度相對較慢。數(shù)據(jù)濾波處理常用方法有移動平均法、指數(shù)平滑法、平滑數(shù)據(jù)的奇異值分解濾波法和卡爾曼濾波法等,其中卡爾曼濾波法屬線性回歸方法,精度較高。根據(jù)正常情況下路網(wǎng)交通流的變化是一個平穩(wěn)的隨機過程,姜桂艷等[2]利用歷史數(shù)據(jù)的均值與方差對采樣數(shù)據(jù)進行了錯誤數(shù)據(jù)識別。另外,姜桂艷等[5]還采用門限技術對GPS信息中偏離整體趨勢的離散值進行剔除后再進行濾波處理,克服了濾波處理過程中可能破壞GPS原有定位誤差分布規(guī)律的問題。王曉原等[3]提出了粗集理論與支持向量機相結合的數(shù)據(jù)補齊方法和灰色理論支撐下的錯誤數(shù)據(jù)修正法。楊兆升等[4]則從組合定位的角度對GPS數(shù)據(jù)進行了標準卡爾曼濾波預處理,效果明顯。
數(shù)據(jù)融合包括不同類型浮動車數(shù)據(jù)之間的數(shù)據(jù)融合以及浮動車與線圈、視頻等不同數(shù)據(jù)源之間的數(shù)據(jù)融合2類,主要有粗糙集理論、Dempster證據(jù)理論以及模糊理論等研究方法。錢寒峰等[6]通過速度閾值的設定對數(shù)據(jù)進行了融合,排除了錯誤速度數(shù)據(jù)及“假行駛”現(xiàn)象數(shù)據(jù),并利用歷史數(shù)據(jù)庫與實時數(shù)據(jù)進行融合,解決了浮動車樣本量不足、代表性差的問題;還將浮動車數(shù)據(jù)與固定檢測器數(shù)據(jù)進行融合,解決了復雜路網(wǎng)下車速的估計問題。Pan等[7]依據(jù)浮動車數(shù)據(jù)的特性,按照動態(tài)路段整合思想,對不同類型浮動車的速度進行擬合估計后提出了多類型浮動車速度加權融合的路段車速估計模型。廖孝勇[8]分析了出租車和公交車的行駛特性以及相應的GPS數(shù)據(jù)特征后,按照二者數(shù)據(jù)的有效占比建立了出租車和公交車的混合浮動車路段平均速度估計模型。Treiber等[9]基于一種改進的自適應指數(shù)平滑法對浮動車數(shù)據(jù)和SDD進行融合,實現(xiàn)了對高速公路交通流和速度的估計。
1.2地圖匹配
地圖匹配是針對浮動車樣本點較為離散且不能直接呈現(xiàn)在二維路網(wǎng)平面上的問題對浮動車數(shù)據(jù)的可用性進行改善。地圖匹配算法主要有幾何匹配算法、概率統(tǒng)計匹配算法、卡爾曼濾波算法、模糊理論以及人工神經網(wǎng)絡等。目前,隨著用戶需求的增長和計算機處理能力的發(fā)展,路網(wǎng)層次劃分和“海量”浮動車數(shù)據(jù)的實時匹配已成為地圖匹配的2個研究熱點。
路網(wǎng)劃分方面,Wang[10]明確了匹配效率對于地圖匹配的重要性,并指出有效削減待匹配路段數(shù)量可以提高匹配效率。吳偉[11]提出了一種網(wǎng)格置信度的量化方法并建立了新的待匹配路段初篩算法,實現(xiàn)了在新的網(wǎng)格劃分規(guī)則和索引下的分布式并行地圖匹配,顯著提高了匹配效率。“海量”數(shù)據(jù)實時匹配方面,研究焦點主要集中在對傳統(tǒng)算法的改革和對先進技術的應用。其中,余洋[12]改進了傳統(tǒng)均勻格網(wǎng)地圖匹配算法的索引結構和對歷史數(shù)據(jù)的延遲匹配,提出了考慮時間因素的匹配度反饋匹配算法,并給出了“云環(huán)境”下大樣本數(shù)據(jù)的處理方法。楊喆[13]基于SVM在KD-50-I-E平臺上運用Map/Reduce并行編程,實現(xiàn)了一種新的多分類地圖匹配方法。Bouiliet等[14]利用IBM流處理平臺實現(xiàn)了高吞吐量數(shù)據(jù)的地圖匹配。Xiao Gang等[15]則在多核CPU計算機上利用MPI實現(xiàn)了并行地圖匹配。
2基于浮動車的交通參數(shù)提取技術
交通參數(shù)的有效提取是進行準確決策的前提。車速可用于道路交通狀態(tài)判別、交通事件檢測及道路交通管理等,行程時間可用于出行誘導、智能導航及動態(tài)路徑規(guī)劃等。固定的路段長度也使得二者在表征道路交通狀況,進行道路交通管理控制及策略制定方面具有相同的作用。從應用角度考慮,車速和行程時間估計的研究主要有理論分析和工程應用2類。
2.1車速和行程時間的理論分析研究
車速和行程時間的理論分析方法主要有多元回歸模型、神經網(wǎng)絡模型、卡爾曼濾波模型、遺傳算法和模糊推理等。
車速估計方面,Chang等[16]考慮到傳統(tǒng)速度估計模型在交通擁擠狀況下精度不高,提出先進行擁堵狀態(tài)判別,再利用模糊推理進行平均速度估計的方法。Zou等[17]根據(jù)分段加權思想將路段劃分為Smooth Part和Intersection Part兩部分,然后根據(jù)浮動車樣本點在兩相鄰路段的分布進行時間和速度的提取,最終得到整條路徑的平均速度,具有一定的應用價值。Qing等[18]將浮動車、視頻及線圈的數(shù)據(jù)進行了融合應用,與以往將2種數(shù)據(jù)源間(不同類型浮動車數(shù)據(jù)之間或浮動車與其它檢測器數(shù)據(jù)之間)的傳統(tǒng)數(shù)據(jù)融合方法相比,Qing等利用了更多類型的數(shù)據(jù)資源。針對小樣本及大采樣間隔數(shù)據(jù),Pan等[7]按照動態(tài)路段整合的思想,采用最小二乘法擬合多類型浮動車速度后,提出了多類型浮動車速度加權融合的平均速度估計模型。廖孝勇[8]分析了出租車和公交車的行駛特性和GPS的數(shù)據(jù)特征后,按照二者數(shù)據(jù)的有效占比,建立了公交車和出租車的多類型混合浮動車路段平均速度估計模型。
行程時間估計方面,Jenelius等[19]將路徑行程時間分為路段行程時間和交叉口延誤時間2部分,在路段行程時間呈多元正態(tài)分布且交叉口延誤用替代函數(shù)表示的前提下,提出了一種基于低頻浮動車數(shù)據(jù)的統(tǒng)計模型,該模型采用最大似然估計的方法進行參數(shù)估計和優(yōu)化,并采用空間聚類法進行路網(wǎng)界定,試驗表明該模型能夠快速準確地獲取行程時間。Rahmani等[20]指出在采用低頻浮動車數(shù)據(jù)進行路徑行程時間估計時,浮動車對路徑的不完全遍歷、非均勻覆蓋、采樣車代表性差等原因均會對路徑行程時間的估計帶來偏差,因此,對路段行程時間呈固定分布的假設并不合理。為此他將采樣時間進行轉換、加權和聚合等處理,實現(xiàn)了對路徑行程時間的非參數(shù)估計,具有一定的理論及實際意義。另外,Rahmani等[21]還引入自動車輛識別信息,通過綜合分析自動車輛識別數(shù)據(jù)和浮動車數(shù)據(jù)對樣本數(shù)據(jù)覆蓋的路由進行串聯(lián)(對于缺失的路由時間則根據(jù)歷史數(shù)據(jù)或相鄰的路由時間進行推測),并根據(jù)串聯(lián)路由在目標路徑中的重要程度、采樣數(shù)據(jù)偏差及數(shù)據(jù)可信度3方面對各路由時間進行加權,以獲取目標路徑完整的行程時間。陳仕驍[22]利用感應線圈數(shù)據(jù)劃定了交叉口延誤影響區(qū),在利用浮動車數(shù)據(jù)進行路段平均行程時間估算時,首先將影響區(qū)內的數(shù)據(jù)進行剔除,提高了時間估計的精確度。Ehmke等[23]提出了基于數(shù)據(jù)挖掘的K-means算法,該方法屬于一種面向城市物流的大范圍、長路徑的行程時間估計方法。
2.2車速和行程時間的工程應用研究
車速和行程時間的工程應用類的研究主要分2種:一種是基于浮動車瞬時速度信息的估算方法;另一種是結合GIS地圖匹配,利用浮動車時間戳的估計方法。具體如表1、表2所示(相關參數(shù)參照注解)。
3基于浮動車的交通狀態(tài)感知技術
3.1路網(wǎng)交通狀態(tài)判別
按照判別依據(jù)不同,交通狀態(tài)判別可分為2類:一類是依據(jù)路段行程時間或車速的單因素交通狀態(tài)判別;另一類是考慮多因素的綜合交通狀態(tài)判別。交通狀態(tài)判別的研究方法主要有加州算法、McMaster算法、指數(shù)平滑法、標準偏差法、改進的DS-ANN算法以及模糊判斷等。Chen Qing[24]采取先擬合后積分的方法得到路段平均速度,然后利用簡單的一維模糊方法對交通狀態(tài)進行了判定。劉俏[25]考慮城市路網(wǎng)交通流多維度的特征,設定了“路網(wǎng)交通擁塞指數(shù)”等5項指標,并基于實時行程車速給出了指標的計算方法,仿真效果良好。田世艷[26]引入了行程時間延誤因素,在車速信息的基礎上采用模糊綜合評判的方法對實時交通狀態(tài)進行了判別。吳佩莉[27]依據(jù)非高峰時段發(fā)生交通擁堵的區(qū)域有限,根據(jù)相似軌跡聚類的思想提出了擁堵同伴發(fā)現(xiàn)算法,其基本思想為先將可能發(fā)生擁堵路段的浮動車數(shù)據(jù)篩選出來進行擁擠優(yōu)先級初步判斷,然后根據(jù)優(yōu)先級別給予不同等級的關注強度,既保證了擁堵監(jiān)控的準確性又降低了系統(tǒng)的負載,用北京市的出租浮動車數(shù)據(jù)驗證有效。
表1 基于浮動車的路段車速估計方法
表2 基于浮動車的行程時間估計方法
3.2動態(tài)路網(wǎng)車輛起訖點(OD)分布估計
路網(wǎng)動態(tài)OD是城市交通管控措施制定與評估的基礎,也是實現(xiàn)動態(tài)路徑規(guī)劃的直接參考。利用浮動車進行路網(wǎng)動態(tài)OD估計方面的研究較少,基本思想為獲取已有浮動車的動態(tài)OD狀況并進行放大處理以獲取整個路網(wǎng)的動態(tài)OD分布。其中,張存保、楊曉光[28]提出先獲取某段時間內到達終點的浮動車OD矩陣,再根據(jù)該時間段內出發(fā)的全部車輛OD狀況實現(xiàn)對路網(wǎng)車輛的動態(tài)OD估計。趙慧[29]提出了一種浮動車和RTMS(remote traffic microwave sensors,遠程微波傳感器)相結合的動態(tài)OD估計模型,即利用RTMS進行OD反推得到與現(xiàn)實需求相匹配的靜態(tài)OD需求,再根據(jù)浮動車數(shù)據(jù)與每個OD對的時變拆分比例獲取動態(tài)OD需求。另外,Zhang Yi等[30]在充分考慮了手機信號切換信息、手機用戶個體特征信息以及手機數(shù)量不等于車輛數(shù)量等因素后,建立了根據(jù)手機數(shù)量推算車輛數(shù)量的手機浮動車數(shù)學模型,并根據(jù)Horvitz-Thompson估計對車輛OD進行了推斷。Cao Peng等[31]則根據(jù)路段交通流量來進行動態(tài)OD估計,他先根據(jù)浮動車的車速信息用Bayesian和傳統(tǒng)方法對路段的動態(tài)流量進行計算,隨后使用雙層廣義最小二乘估計進行迭代并得到路網(wǎng)的動態(tài)OD。
4浮動車技術研究展望
智能交通在緩解交通問題方面已經獲得了世界各國的普遍認可,世界各國也都在積極地進行著智能交通相關技術的研究。就世界范圍而言,浮動車技術在智能交通領域的研究已較為全面,其技術已廣泛應用于交通管控策略制定、動態(tài)路徑誘導、智能導航、路網(wǎng)交通狀況實時監(jiān)測及交通事件預警等領域。但是,我國目前有關浮動車的研究大多考慮因素不夠全面,缺乏實用性;浮動車的定位信息獲取主要依賴美國的GPS定位系統(tǒng),缺乏自主性;整個浮動車系統(tǒng)的相關規(guī)范及標準欠缺(包括數(shù)據(jù)格式、網(wǎng)絡傳輸協(xié)議等方面),不利于行業(yè)發(fā)展。在未來研究中,應綜合考慮各種因素,充分研究浮動車的定位精度、采樣頻率等對浮動車樣本量的影響,以期在保證精度的前提下節(jié)約成本。同時,我國北斗導航系統(tǒng)的完善,也為我們尋求自主定位導航提供了契機,故有必要進行北斗導航系統(tǒng)和GPS系統(tǒng)的綜合研究,甚至研究拋棄GPS系統(tǒng)而使用北斗系統(tǒng)實現(xiàn)精確定位的技術,一是可以綜合利用北斗系統(tǒng)和GPS系統(tǒng)提高定位精度;二是可以保證我國交通產業(yè)發(fā)展的自主性,避免受制于人。另外,未來交通信息的采集必然是多手段、多時空分布的,交通信息的融合應用將成為趨勢,一方面應加強這方面的研究并積極推進研究成果的示范驗證;另一方面,還應積極推進該領域國家標準的制定,為該領域的研究、發(fā)展奠定基礎。
5結束語
本文以浮動車數(shù)據(jù)預處理,基于浮動車的路段車速估計、行程時間估計以及交通狀態(tài)判別和動態(tài)路網(wǎng)OD估計為序,對浮動車技術在城市智能交通系統(tǒng)中的應用進行了遞進式的歸納和總結。當前基于浮動車的應用研究已有了相當?shù)纳疃群蛷V度,而且隨著3S技術的不斷發(fā)展以及浮動車種類及滲透率的逐步增加,浮動車技術必將成為智能交通實現(xiàn)的重要手段和技術支撐。
參 考 文 獻
[1]BOYCE D E,KIRSON A,SCHOFER J L. Design and implementation of ADVANCE: The Illinois dynamic navigation and route guidance demonstration program[C]//Vehicle Navigation and Information Systems Conference. Toronto:IEEE,1991.
[2]姜桂艷,冮龍暉,張曉東,等.動態(tài)交通數(shù)據(jù)故障識別與修復方法[J].交通運輸工程學報,2004(1):121-125.
[3]王曉原,張敬磊,楊新月.交通流數(shù)據(jù)清洗與狀態(tài)辨識及優(yōu)化控制關鍵理論方法[M].北京:科學出版社,2011.
[4]楊兆升,王偉,董升,等. GPS/DR組合定位系統(tǒng)信息融合技術[J]. 吉林大學學報(工學版),2008(3):508-513.
[5]姜桂艷,常安德,吳超騰. 基于GPS浮動車的交通信息采集方法[J].吉林大學學報(工學版),2010(4):971-975.
[6]錢寒峰,林航飛,楊東援.浮動車車速處理分析系統(tǒng)中的數(shù)據(jù)融合技術[J].計算機工程與應用,2007,43(31): 230-232.
[7]PAN S,JIANG B,ZOU N,et al. Average Travel Speed Estimation Using Multi-Type Floating Car Data[C]//Information and Automation (ICIA),2011 IEEE International Conference. Shenzhen:IEEE,2011.
[8]廖孝勇.浮動車交通參數(shù)檢測及在道路交通狀態(tài)分析中的應用研究[D].重慶:重慶大學,2011.
[9]TREIBER M,KESTING A,WILSON R E. Reconstructing the Traffic State by Fusion of Heterogeneous Data[J]. Computer‐aided Civil & Infrastructure Engineering,2009,26(6):408-419.
[10]WANG Z,DU Y,WANG G,et al. A Quick Map-Matching Algorithm by Using Grid-Based Selecting [C]//International Workshop on Geoscience and Remote Sensing ETT and GRS.Shanghai:IEEE, 2008.
[11]吳偉.分布式并行地圖匹配系統(tǒng)研究與實現(xiàn)[D].長沙:中南大學,2012.
[12]余洋.云計算環(huán)境下的大樣本浮動車數(shù)據(jù)處理關鍵技術研究[D].武漢:武漢大學,2010.
[13]楊喆.大規(guī)模浮動車數(shù)據(jù)處理的研究與實現(xiàn)[D].合肥:中國科學技術大學,2010.
[14]BOUILLET E,RANGANATHAN A,SCALABLE. Real-Time Map-Matching Using IBM's System S[C]// Eleventh International Conference on Mobile Data Management.Kansas:IEEE,2010.
[15]XIAO GANG H,YUE FENG L,LEI Y,et al. Parallel map matching algorithm based on multi-core and MPI[C]//Remote Sensing, Environment and Transportation Engineering (RSETE),2011 International Conference.Nanjing:IEEE,2011.
[16]CHANG A,JIANG G,NIU S. Traffic Congestion Identification Method Based on GPS Equipped Floating Car[C]//Intelligent Computation Technology and Automation (ICICTA),2010 International Conference.Changsha:IEEE,2010.
[17]YUE Y,ZOU H X,Li Q Q. Urban road travel speed estimation based on low sampling floating car data [C]//International Conference of Chinese Transportation Professionals (ICCTP),2009 International Conference. Harbin:IEEE,2009.
[18]OU Q,VAN LINT J W C,HOOGENDOORN S P. An integrated algorithm for fusing travel times, local speed and flow[C]// Information Fusion (FUSION),2010 Conference.Edinburgh: IEEE,2010.
[19]JENELIUS E,KOUTSOPOULOS H N. Travel time estimation for urban road networks using low frequency probe vehicle data[J]. Transportation Research Part B Methodological,2013, 53(4):64-81.
[20]RAHMANI M,JENELIUS E,KOUTSOPOULOS H N. Non-Parametric Estimation of Route Travel Time Distributions from Low-Frequency Floating Car Data[J]. Transportation Research Part C Emerging Technologies,2014,58(1):343-362.
[21]RAHMANI M,JENELIUS E,KOUTSOPOULOS H N. Floating Car and Camera Data Fusion for Non-parametric Route Travel Time Estimation[J]. Procedia Computer Science,2014,37(1):390-395.
[22]陳仕驍.基于浮動車的城市路段平均行程時間估計研究[D].杭州:浙江工業(yè)大學,2012.
[23]EHMKE J F,MEISEL S,MATTFELD D C. Floating car based travel times for city logistics[J]. Transportation Research Part C Emerging Technologies,2012,21(1):338-352.
[24]CHEN QING. Study on the technology of traffic state identification for urban road based on GPS equipped floating car[D].Xi′an: Chang an University,2009.
[25]劉俏.基于浮動車技術的城市道路網(wǎng)狀況研究[D].武漢:武漢理工大學,2013.
[26]田世艷.基于GPS的城市道路交通狀態(tài)實時判別技術研究[D].廣州:華南理工大學,2012.
[27]吳佩莉,劉奎恩,郝身剛,等.基于浮動車數(shù)據(jù)的快速交通擁堵監(jiān)控[J].計算機研究與發(fā)展,2014(1):189-198.
[28]張存保,楊曉光,嚴新平.基于浮動車的交通信息采集系統(tǒng)研究[J].交通信息與安全,2006,24(5):31-34.
[29]趙慧,于雷,郭繼孚,等.基于浮動車和RTMS數(shù)據(jù)的動態(tài)OD估計模型[J].交通運輸系統(tǒng)工程與信息,2010(1):72-80.
[30]ZHANG Y,QIN X,DONG S,et al. Daily O-D Matrix Estimation Using Cellular Probe Data[C]// In Transportation Research Board 89th Annual Meeting. Washington,D.C.:Transportation Research Board,2010.
[31]CAO P,TOMIO M,TOSHIYUKI Y,et al. Bilevel Generalized Least Squares Estimation of Dynamic Origin-Destination Matrix for Urban Network with Probe Vehicle Data[J]. Transportation Research Record Journal of the Transportation Research Board,2013, 25(2333):66-73.
Profile of Application of Floating Cars in Urban Intelligent Traffic System
RUAN Wei1, 2, FU Jiansheng1, WANG Chuanjiu1, LIU Mengyi2
Abstract:This paper conducts progressive conclusion and summarization for application of the floating car technology in urban intelligent traffic system in the sequence of floating car data processing, floating car based estimate of section speed, estimate of travel time, recognition of traffic states and estimate of dynamic road network OD, and probes into the insufficiency in present research and outlooks the future research.
Keywords:floating car; urban intelligent traffic system; parameter estimate; condition identification
文章編號:1009-6477(2016)02-0121-06
中圖分類號:U491.2
文獻標識碼:A
作者簡介:阮巍(1989-),男,河南省焦作市人,碩士研究生。
收稿日期:2015-08-17
基金項目:重慶市“151”科技重大專項(cstc2013jcsf-zdzxqqX0003)
DOI:10.13607/j.cnki.gljt.2016.02.027