[发明专利]一种基于浮动车数据加权张量重建的交通状态估计方法

说明书

本发明公开了一种基于浮动车数据加权张量重建的交通状态估计方法，所述方法包括：获取浮动车数据；根据所述浮动车数据构建张量模型和权重因子张量模型，所述张量模型和所述权重因子张量模型具有相同尺寸和阶数，权重因子张量的各初始赋值为1；设计引入权重因子的张量重建算法；根据各个影响浮动车数据可靠性的因素对权重因子张量进行重新赋值；根据所述重新赋值后的权重因子张量、所述浮动车数据张量模型与所述张量重建算法，获得浮动车数据和交通状态信息。本发明可以使得构建的张量重建模型更符合道路网交通状态估计的需求，从而获得更精确的道路网交通状态估计。

技术领域：

本发明涉及智能交通领域，尤其涉及一种基于浮动车数据加权张量重建的交通状态估计方法。

背景技术：

先进交通管理系统(ATMS)和先进旅行者信息系统(ATIS)的发展需要大量可靠的交通信息，尤其是可用于交通事件检测、动态路径诱导及其他相关应用的实时的交通状态信息。因此，实时、完整的交通状态获取是ATMS和ATIS的基础，交通数据采集方式也大量涌现。其中，作为移动检测器的浮动车，不仅可以提供高时空分辨率的交通状态，而且还覆盖广、成本低，在交通状态获取方面得到了越来越多的关注和应用。

目前已有许多研究利用浮动车数据来获取交通状态。Long Cheu等人于2002年提出了一种基于位置差分法的平均路段速度计算方法。陈等人于2007年提出了基于车辆轨迹的城市路网交通状态估计方法，并且将浮动车对于不同路段的不同速度贡献考虑在其中。De Fabritiis等人于2008年提出(2008)提出了可以结合GPS位置速度和轨迹平均速度的专用大型浮动汽车数据算法(LSFCD)，并将其应用于罗马环城公路。Tao等人于2011年利用手机移动数据获取车辆轨迹来估计路段速度，并利用卡尔曼滤波来提高轨迹算法的估计精度。

上述提到的方法都聚焦于更好地采集有浮动车通过的位置的交通状态。但是，在这些方法中的浮动车系统，有两个限制被忽略或者简单处理了。一方面，由于数量限制和不稳定驾驶，浮动车在采样间隔内不能覆盖整个道路网，导致浮动车系统获取的交通状态不完整。另一方面，由于浮动车的低穿透率和随机路径选择，并不是所有路段都有浮动车；并且有浮动车通过的路段上，某一时间间隔内，浮动车的数量占总交通量的比重也比较低，因此，浮动车系统获得的交通状态存在不可靠性，所以他们不能准确地代表交通状态。这些限制将使得基于浮动车系统的交通状态估计性能受到影响。

发明内容

有鉴于此，本发明的目的是提供一种基于浮动车数据加权张量重建的交通状态估计方法，可以使得构建的张量重建模型更符合道路网交通状态估计的需求，从而获得更精确的道路网交通状态估计。

为实现上述目的，本发明采用以下技术方案：

一种基于浮动车数据加权张量重建的交通状态估计方法，该方法包括：

(1)获取浮动车数据；

(2)根据所述浮动车数据构建张量模型和权重因子张量模型，所述张量模型和所述权重因子张量模型具有相同尺寸和阶数，所述权重因子张量的各初始赋值为1；

(3)在现有张量填充算法的基础山，对引入权重因子的张量重建算法进行设计；

(4)由于权重值代表着浮动车数据的可靠性，因此根据各个影响数据可靠性的因素对其数据进行重新赋值；

(5)将浮动车数据张量和重新赋值后的权重因子张量带入(3)确定的张量重建算法中，获得完整可靠的浮动车数据和交通状态信息。

优选的，步骤(1)中所述获取浮动车数据的过程是通过仿真获取浮动车数据。

优选的，步骤(2)中所述张量模型为：

其中，LINK表示城市路网的路段，WEEK表示周，DAY表示天，INTERVAL表示间隔时段。