欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022115788002
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述方法具体过程为:步骤1.基础数据采集;

步骤2.基于基础数据进行坐标纠偏;

步骤3.基于基础数据和坐标纠偏计算速度和加速度;

步骤4.基于速度和加速度进行异常变速行为识别;

步骤5.基于异常变速行为进行常发性异常变速路段识别;具体过程为:步骤5.1.参数定义;

具体过程为:

ψ

步骤5.1.1.单个异常变速行为发生位置的坐标r_p(x,y)记为p (x,y),异常变速行为数据组成集合D,总数为z,记作步骤5.1.2.用欧式距离计算异常变速行为样本点 与 间的距离 如下式(7)所示;

式中:γ ,η∈[1,z];

分别为样本点 平面坐标的x轴坐标,m;

分别为样本点 平面坐标的y轴坐标,m;

ψ

步骤5.1.3.异常变速行为点p的邻域表示为 邻域半径为ε,如下式(8)所示;

ψ ψ

步骤5.1.4.点p邻域 范围内最小样本点数表示为λ,点p作为核心样本点需要满足的条件如下式(9)所示;

ψ

式中: 表示以p为核心点的邻域内样本点个数;

步骤5.1.5.用轮廓系数评估聚类样本的聚类效果,异常变速行为样本点 的轮廓系数计算如下式(10)所示;

式中: 为样本点 到簇内的其它点的平均距离;

为样本点 到其他簇内各点的平均距离;

步骤5.1.6.采用总体轮廓系数平均值 作为样本总体聚类效果评价指标,具体计算如下式(11)所示;

步骤5.2.具体聚类步骤;

具体过程为:

步骤5.2.1.初始化邻域半径ε,取ε=100m;

步骤5.2.2.根据道路等级划定簇内最小样本点数可取用最小值为λ1,最大值为λ2,λ为整数,取值范围为[λ1,λ2];

步骤5.2.3.初始化,令参数h=0;

步骤5.2.4.λ=λ1+h,输入ε、λ;

ψ

步骤5.2.5.采用DBSCAN聚类方法对集合D中所有异常变速行为点p (x,y)完成空间聚类;

步骤5.2.6.计算各异常变速行为样本点轮廓系数 与总体轮廓系数平均值步骤5.2.7.判断λ1+h≤λ2,如果是,h=h+1,返回步骤5.2.4;否则,进入步骤5.2.8;

步骤5.2.8.计算总体轮廓系数最大值 如下式(12)所示;

步骤5.2.9.确定 对应的参数λ为λ0,即最终关键参数λ=λ0;

步骤5.3.确定DBSCAN的聚类参数ε=100m,λ=λ0为最优聚类;

ψ

步骤5.4.将集合D中所有异常变速行为点p(x,y)经最优聚类后输出簇数量与每个簇内样本点数量,簇数量即为常发性异常变速路段数量,每个簇内样本点数量即为该路段发生的异常变速行为数量;

步骤5.5.样本点分布于路网上,故聚类后的簇形状是贴合路网的,所得簇类即为常发性异常变速路段,簇类沿路网方向的边缘点即为异常变速常发性路段起终点。

2.根据权利要求1所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤1中基础数据采集;具体过程为:步骤1.1.提取一条营运客车线路过去连续N日内所有运行班次的GPS数据,包括GPS数据的采集时间、采样间隔、经纬度、车辆ID、班次方向信息;

步骤1.2.营运客车上下行方向的异常变速行为常发性路段空间分布具有明显差异,选取营运客车上行方向运行道路作为研究对象,同样适用于下行方向运行道路;

步骤1.3.定义线路上行方向的运行班次集合为I={i:i=1,2,3,...,I};班次i共有K个GPS数据采集点,班次i的第k个数据采集点坐标表示为其中lng、lat分别表示经度与纬度,单位为°;GPS采样间隔表示为T,单位为s;k=1,2,

3,...,K;

步骤1.4.提取营运客车运行线路途经区域的GIS路网,包括道路名称、道路编号、道路等级信息。

3.根据权利要求2所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤2中基于基础数据进行坐标纠偏;具体过程为:步骤2.1.采用基于隐马尔科夫模型的地图匹配算法,完成GPS数据采集点与GIS路网的地图匹配,匹配到的路网即为GPS数据采集点实际所处路网;

步骤2.2.完成地图匹配后的GPS数据采集点坐标即为GPS数据采集点在路网上实际所处的位置,表示为步骤2.3.将地图匹配后的坐标 统一转换为平面坐标 x、y分别是以赤道和中央子午线的交点作为坐标原点的坐标系中,GPS数据采集点距离中央子午线与赤道的投影距离,单位为m。

4.根据权利要求3所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤3中基于基础数据和坐标纠偏计算速度和加速度;具体过程为:步骤3.1.将班次i的第k个数据采集点坐标纠偏后的速度表示为 单位为m/s;计算速度 如下式所示;

式中: 分别为班次i的第k+1、k个数据采集点坐标纠偏后的平面坐标的x轴坐标,单位为m;

分别为班次i的第k+1、k个数据采集点坐标纠偏后的平面坐标的y轴坐标,单位为m;

2

步骤3.2.将班次i的第k个数据采集点坐标纠偏后的加速度表示为 单位为m/s;计算加速度 如下式所示;

式中: 为班次i的第k‑1个数据采集点坐标纠偏后的速度。

5.根据权利要求4所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤4中基于速度和加速度进行异常变速行为识别;具体过程为:+

步骤4.1.将所有I个班次采集的数据中大于等于0的加速度数据放入集合C ,‑将所 有I 个班 次 采集 的数 据 中小 于0 的加 速 度数 据放 入集 合C ,班次运行速度的最大值表示为vmax;

+ +

式中:vn为集合C中第n个数据点的速度, 为集合C中第n个数据点的加速度vm为集合‑ ‑C中第m个数据点的速度, 为集合C中第m个数据点的加速度;

步骤4.2.将速度区间[0,vmax]以1m/s为间隔,划分速度区间组成集合Q,第 个区间记为Qσ,第 个区间中点为其中, 为向上取整的数学符号;

+

区间Qσ所包含的数据采集点中,有 个数据采集点属于集合C, 个数据采集点属于‑集合C;

+ ‑

步骤4.3.将区间 中属于集合C和C 的数据采集点按照加速度值由小到大排列,分别放入集合 和

步骤4.4.将集合 中加速度值的第95分位数表示为 集合 中加速度值的第95分位数表示为作为各速度区间下异常变速行为的区分值,只把5%的加速度对应的行为视为偏激变速行为;

+ ‑

步骤4.5.将正加速度与负加速度区分值点集表示为P、P,如下式所示;

+ ‑

分别以点集P、P中的数据点绘制加速度阈值曲线,横坐标为速度,纵坐标为加速度;

+ ‑

步骤4.6.分别对点集P、P采用最小二乘法拟合多项式曲线,以速度v作为自变量,加速+ ‑度a作为因变量,设多项式曲线函数分别为a(v)、a(v);

+ ‑

步骤4.7.多项式a (v)、a (v)分别用2到5阶进行拟合,以偏差平方和L(α)、L(β)最小为目标,确定拟合多项式系数α0,α1,...,αM、β0,β1,...,βH与最高阶数M、H;

+ ‑

步骤4.8.拟合后的多项式a (v)、a (v)分别作为正、负加速度阈值曲线,据此判断营运客车是否存在异常变速行为。

6.根据权利要求5所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤4.4中第95分位数确定方法如下式所示;

式 中 : 表 示 集 合 中第 位 的 加 速 度 值 ;

表示集合 中第 位的加速度值。

7.根据权利要求6所述的一种营运客车异常变速行为常发性路段识别方法,其特征在+ ‑于:所述步骤4.6中分别对点集P、P采用最小二乘法拟合多项式曲线,以速度v作为自变量,+ ‑加速度a作为因变量,设多项式曲线函数分别为a(v)、a(v),如下式所示;

+ ‑

式中:M、H分别表示多项式曲线函数a (v)、a (v)的最高阶数;α0,α1,...,αM表示拟合多M H j项式系数,β0,β1,…,βH表示拟合多项式系数;v表示速度v的M阶,v表示速度v的H阶,v表示l速度v的j阶,v表示速度v的l阶。

8.根据权利要求7所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤4.7中L(α)、L(β)计算如下式所示;

9.根据权利要求8所述的一种营运客车异常变速行为常发性路段识别方法,其特征在+ ‑于:所述步骤4.8中拟合后的多项式a (v)、a (v)分别作为正、负加速度阈值曲线,据此判断营运客车是否存在异常变速行为;具体过程为:步骤4.8.1.k=1;

步骤4.8.2.确定班次i的第k个数据采集点坐标纠偏后的加速度 对应速度 的加速度阈值 与步骤4.8.3.判断 如果是,进入步骤4.8.4;否则,进入步骤4.8.5;

步骤4.8.4判断 如果是,判定营运客车存在一次异常加速行为;否则,判定营运客车不存在异常加速行为;

步骤4.8.5.判断 如果是,判定营运客车存在一次异常减速行为;否则,判定营运客车不存在异常减速行为;

步骤4.8.6.k=k+1,判断k≤K,如果是,转入步骤4.8.2;否则,转入步骤4.8.7;

步骤4.8.7.遍历所有加速度后,筛选出所有异常变速行为点。