一种应用于实时公交车辆轨迹获取的多源数据融合技术

韩澍 1潘玉琪 2潘振兴 3

（1.浙江省湖州中学 湖州 313000；2.浙江省湖州市公安局 湖州 313000；3.上海电科智能系统股份有限公司 上海 200063）

摘要：利用GPS信息获取公交车辆轨迹是较为传统的解决方案，但在实际应用中存在定位有偏差、较易受干扰等弊端，加之单一来源的定位数据缺乏校验，使得车辆轨迹的准确性较难得到保证。本文提出了一种基于传统GPS信息和近年来发展迅速的RFID信息、视频检测器信息等多源数据的融合方法，利用对历史数据的学习，开展三种数据的筛选、加权平均，处理缺失值和异常值，从而大幅提升公交车辆在站台路口等关键位置的定位精度与轨迹的准确性。该技术可为公交企业提供更科学的决策辅助，为居民提供更可靠的出行指导，从而有利于提升公交的竞争力。

关键词：公交车辆轨迹；多源数据；融合方法；历史数据

A Multi - source Data Confusion Technology Applied in Real-time Transit Vehicles Trajectory Acquisition

Han Shu1Pan Yuqi2Pan Zhenxing3

(1.Huzhou High School， Huzhou 313000; 2. Huzhou Public Security Bureau， Huzhou 313000;3. Shanghai SEARI Intelligent System Co.， Ltd.， Shanghai 200063)

Abstract: The use of GPS information to obtain the trajectory of transit vehicles is a relatively traditional solution. However， in actual applications， there are disadvantages such as a positioning error and a relatively vulnerable to interference. The lack of verification of positioning data from a single source makes the accuracy of the vehicle trajectory more difficult to ensure. This paper aims at this， proposes a fusion method based on traditional GPS information and multi-source data such as RFID information and video detector information that has developed rapidly in recent years. It uses the learning of historical data to screen and weight the three data， to deal with missing values and outliers， so as to significantly improve the accuracy of bus vehicles positioning at key locations such as platform intersections and the trajectory. This technology can provide more scientific decision-making aids for public transport companies and provide residents with more reliable travel guidance， which will help improve the competitiveness of public transport.

Keywords: Transit Vehicles Trajectory， Multi-source Data， Fusion Method， Historical Data

1 引言

优先发展城市公共交通，改善公共汽车服务质量，是吸引乘客乘坐公共交通出行、缓解交通拥堵的重要途径。但现阶段我国大部分城市公交出行分担率一直无法提高，究其原因，主要在于服务水平低，难以满足乘客需求，而发展智能公交系统、提升营运科学程度是对该问题进行靶向治疗的关键所在，公交车辆的定位与轨迹获取是其中的核心技术，也是进行实时公交信息的获得和发布、公交系统的运营和管理、公交线路规划等的基础和前提。轨迹是定位信息在时空双维上的集合。现阶段城市公交车定位普遍采用卫星定位技术（GPS技术），该技术在车辆连续定位方面具有优势，但由于公交车辆大多数运行在城市复杂路段，道路周边建筑较多，桥梁、隧道、建筑物会妨碍GPS卫星定位系统的通信，因此仅凭单一的GPS数据信息不能满足车辆精准定位的需求，须和其他技术相结合来保证车辆定位的可靠性。

目前，车辆组合定位技术研究有多种模式，例如，Prinsloo等、王少飞等、韩雪等提出的用RFID技术来补偿车辆运行中丢失的GPS信号；GPS技术与航迹推算法的组合方案，Yang等提出简单的切换式组合模式，王春龙、Kim 等提出运用卡尔曼滤波算法对组合系统误差进行估计，然后修正误差，提高车辆定位精度；龚霖阳、Lu 等、王金华提出的信标定位法（RFID 技术）与航迹推算法相结合的方案，即利用固定点信标提供的定位信息消除车辆里程表推算数值的累积误差，确定车辆的准确位置。这些方法大多存在着难以确定RFID读写基站的安放位置、全线布设RFID设备成本过高、增加车载终端系统的复杂性和额外开销、未考虑各地视频监控安装已颇具规模这一现状等弊端，一方面过于强调某一技术的应用与系统建设，从而推高建运成本；另一方面又忽视新的信息源，造成资源浪费。

本文针对以上问题，结合城市公交运行特点与GPS、RFID、视频检测器等多源数据，提出一种公交车辆轨迹多源数据融合技术，根据历史数据给予各类数据以不同的权重，进行加权平均，处理缺失值和异常值，修正GPS定位信息偏差，提高车辆在道路关键位置的定位精度，从而为企业提供更可靠的公交线路轨迹。该方法在某市公交调度系统中试用后，将数据融合得到的车辆实时经纬度坐标信息经由对应坐标转换，显示在综合监控系统变形图上，可以看到车辆定位跟踪更加准确，车辆位置变化曲线也更加平滑，能够更好地反映公交车在道路上的实时位置变化，满足运营管理人员对公交车精准定位的需求。

2 方法与算法论述

2.1 数据源与数据结构

（1）车载GPS定位

GPS是一种传统的获取公交车辆轨迹的技术。利用GPS车载定位设备与导航技术可以根据公交路线安排，结合车辆发回的各种信息（如交通阻塞、机车故障等），适时将调度命令发送给司机，及时调整车辆运行情况。该技术还可以应用于车辆、路线和道路等有关数据的查询功能，便于实现有效管理。

优点：采集点密集，当车载供电时，每5s即可获得一条数据。

缺点：存在定位偏移现象（特别是在有遮挡物的地方，如高架、隧道下面）。

GPS基本数据结构见表1。

图1为GPS样例数据。

（2）RFID定位

RFID即无线射频技术。车载射频卡安装在公交车辆上，用于存储运营车辆的ID信息，它由天线、微处理器和存储器组成。近端信息采集传输设备主要由RFID无线射频读卡器装置、前置通信模块、室外设备机箱等部分组成。

优点：定位精度比GPS高。

缺点：成本高，因此定位点相对稀疏，密集度偏低；布设位置及角度要求较高。

RFID基本数据结构见表2。

图2为RFID样例数据。

（3）视频检测器

基本原理是对摄像机得到的图像进行计算机处理，进而对视频中的运动物体进行检测。视频车辆检测器主要由外场摄像机、数据传输设备和视频处理器组成。外场摄像机将道路上的交通视频图像拍摄下来，经数据传输设备传给视频处理器。视频处理器可通过相应的算法得到车辆的速度和数量，从而对大范围内的公交车辆进行检测和识别。

优点：定位精度较高。

缺点：成本高，因此定位点相对稀疏，密集度偏低；容易受到环境因素的影响（如光线、烟尘等）。

视频检测器基本数据结构见表3。

图3为视频检测器样例数据。

2.2 多源数据的数学描述

在给出方法与算法之前，有必要先对所涉及的若干定义作出说明，并对多源数据进行数学描述。

线路：指公交车沿着道路开行的有序路段集合。

子线路：指从公交起点站到终点站的固定有向路段集合所组成的线路，一条公交线路一般由两个开行方向（上下行/里外圈）子线路构成。

算法前置条件：需要从调度系统中获取车辆的实时营运信息。

① 车辆营运状态：包括营运状态与非营运状态（维修、保养、加油、充电、班车）。

② 营运状态下车辆的开行方向：包括上行（里圈）和下行（外圈）。

③ 上下行线路点位集合{SL}：沿着子线路的方向，在子线路上按顺序采集的定位点坐标数据的集合。两者的数据结构分别为

该集合由事先采集的信息点组成，采集点越密则算法输出结果精度越高。建议点间距不大于2m。

④ 速度时空分布矩阵表{ Vts}：记录不同日期、不同时间、不同点位的历史车速信息。数据结构为：

⑤ t时刻的多源数据：GPS数据Gt(xt，yt)，RFID数据Rt(xt，yt)，视频检测器数据Vt(xt，yt)。

⑥ 采样周期：1s。

2.3 多源数据融合方法描述

要从上述信息中及时、准确地获取到公交车辆的行驶轨迹，需进行数据质量判别、修正和融合。

本方法主要针对营运车辆。鉴于用户对非营运状态的公交车辆实时轨迹需求不高，此时本方法直接将采集到的数据作为跟踪数据，不做进一步处理。

2.4 方法流程图

数据融合方法流程如图4所示，该流程中各步骤描述如下：

（1）GPS

Step1_G：以1s为周期，判断本周期有没有GPS定位数据，如果没有则等待下1s后再从本Step开始，反之则至Step2_G。

Step2_G：获取t时刻的GPS数据Gt(xt，yt)。

Step3_G：根据实时营运状态数据判断当前车辆是否处于营运状态，如果否，则直接将 Gt(xt，yt)作为最终的融合结果Ft(xft，yft)，等待1s后再从Step1_G开始；反之，则至Step4_G。

Step4_G：根据营运状态下车辆的开行方向信息判断当前车辆是往哪个方向开行，然后进入Step5_G。

Step5_G：如果当前车辆的开行方向是上行，则从上下行线路点位集合SL中取出线路上行点位集合{SLup}，然后进入Step6_G；反之则从上下行线路点位集合SL中取出线路下行点位集合{SLdown}，然后进入Step6_G。

Step6_G：从{SLup}或{SLdown}中选取距离Gt(xt，yt)最近的点Glt(xlt，ylt)，将该点作为对GPS数据修正后的点位信息，然后至Step7_G。

Step7_G：尝试获取最近一次的融合定位值 Ft-s(xft-s，yft-s)，如果未取到，则将 Glt(xlt，ylt)作为本周期的融合数据Ft(xft，yft)，然后等待1s后再从Step1_G开始，如果取到了数据，则至Step8_G。

Step8_G：根据 Glt(xlt，ylt)和 Ft-1(xft-1，yft-1)，计算上一次定位时刻至现在的行程车速 Vgt，然后至Step9_G。计算公式为

其中：SL1（x1，y1）为沿着子线路的方向，在{SL}中下游最接近的点；，为沿子线路开行方向从至的距离；，为沿子线路开行方向从至的距离；为沿着子线路的方向，在{SL}中上游最接近的点；s为当前时刻与上一次定位时刻间的时长。

Step9_G：以点位中心，取沿线上游的点位集合{SLn1}，取沿线下游的点位集合{SLn2}，然后从速度矩阵表中查找点位落在{SLn1}和{SLn 2}中，且速度落在［Vgt-5km/h，Vgt+5km/h］区间内的样本个数Ng，然后至Step10。

（2）RFID与视频检测器

获取的行程车速和从速度矩阵表中查找到的对应样本个数分别为Vrt和Nr，Vvt和Nv，流程说明与GPS类似，相应的各步骤分别用Step_Ri和Step_Vi（i=1-9），用此处不再赘述。

（3）共同步骤

Step10：基于当前周期由GPS数据所得到的Vgt、Ng，RFID数据所得到的Vrt、Nr以及视频检测器数据所得到的Vvt、Nv，进行融合计算，可得行程车速Vft=（Ng*Vgt+Nr*Vrt+Nv*Vvt）/（Ng+Nr+Nv），然后至Step11。

Step11：基于Step10得到的Vft，计算s时段内的行驶距离Lft=Vft*（t-t+s）=Vft*s，然后至Step12。

Step12：根据Ft-1(xft-s，yft-s)和Lft在SL中寻找最合适的融合点Ft(xft，yft)，然后至Step13。

Step13：将 Vft以及对应的 t，Ft(xft，yft)存入速度时空分布矩阵表，然后等待 1s 后再从 Step1_G， Step1_RF和Step1_V开始。

2.5 异常值和缺失值处理说明

在Step 9中，公交线路常规运行状态下，如果在速度矩阵表中查找到的样本数为0，则该速度值就作为异常值被舍弃了。新线路运行初期三个月，为历史数据积累阶段，如计算得到的速度值不超过特定值（如60km/h），则作为样本值存入矩阵表，供后续学习与融合所用。该算法另行研究，此处不展开。

缺失值的处理在流程中已有体现，此处不再赘述。

3 算法模型验证

根据上述公交车辆轨迹获取方法，我们对处理结果进行了验证。采用公交车的实际运行中获取的GPS 数据，结合 RFID 和视频检测器进行数据融合计算。作为示例，我们截取了公交运行线路的一部分，表4为处理前的GPS位置数据。

为了便于观察结果，我们将经纬度坐标数据标记在GIS地图中，原始公交车辆GPS定位信息撒点示意图如图5所示。

同样的公交行驶过程数据，经过多源融合算法处理后的GPS位置信息及相应的撒点示意图如表5和图6所示。

通过在GIS地图上进行信息撒点，我们可以看到原始GPS数据在编号为77～91的点上位置有明显偏差，车辆轨迹偏离公交车辆行驶道路。经过数据融合处理后，偏离的GPS点位都被拉回到道路上，并且和公交实际行驶位置较符合，证明该方法的确能够起到提高公交车辆定位精度的作用。

4 结论与展望

本方法将车载 GPS 定位技术、RFID 定位技术及视频检测器定位技术融合在一起，进行公交车辆行驶轨迹的判定。在对历史数据进行学习的前提下，对多源定位信息进行融合计算，并结合路网基础信息进行地图匹配，获取纠偏后的车辆轨迹，弥补了GPS单一数据不可靠、有偏差等缺陷，极大地提高了公交车在线路营运关键位置的跟踪精度。利用经验值的启发式算法降低了算法复杂度，且可灵活加入新数据源，具有较高的实用价值与推广前景。该方法还有助于准确展现公交线路车辆上下行、进出站情况，有力支撑实时到站算法，可供决策者运营决策使用，最终为出行者提供更精确、高效的公交服务，提高客流吸引力，缓解交通压力。

参考文献

［1］吴广宇.适用于公交营运监管的车辆组合定位技术研究—以上海市为例［J］.交通运输研究.2016，5（5）：53.

［2］PRINSLOO J，MALEKIAN R.Accurate Vehicle Location System Using RFID，an Internet of Things Approach ［J］. Sensors，2016，16（6）：825.

［3］王少飞，高乃明.基于RFID 技术的快速公交（BRT）车辆定位方案［J］.智能建筑与城市信息，2012（12）：80.

［4］韩雪，唐亚平.GPS和射频识别技术在智能公交管理系统中的应用［J］.科技传播，2012（13）：167.

［5］陈金龙，沈相国.GPS定位系统的研究与产品试制［J］.杭州电子科技大学学报，2006（5）：76.

［6］YANG D K，LAW C L，NAGARAJAN N，et al.Land Vehi⁃cle Positioning Using GPS and Dead Reckoning［J］.Wuhan University Journal of Natural Sciences，2003，8（2）：537.

［7］王春龙.GPS/DR组合导航系统在公交智能车载终端的应用研究与实现［D］.北京：北京邮电大学，2014.

［8］KIM J，LEE S.A Vehicular Positioning with GPS/IMU Using Adaptive Control of Filter Noise Covariance［J］.Elsevier Journal，2016，2（1）：41.

［9］云美萍，王文.基于智能手机的公交运行舒适性测度指标研究［J］.同济大学学报（自然科学版）.2017（8）：1143.

［10］钟会玲，金红达，沈建惠，等.基于GIS 路网的公交路线轨迹算法［J］.计算机系统应用，2017，26（11）：182.