摘" 要： 為了降低HOV車道檢測(cè)所需的建設(shè)成本和設(shè)備維護(hù)費(fèi)用，進(jìn)一步擴(kuò)大監(jiān)管區(qū)域，提出以優(yōu)化ST?DBSCAN算法建立手機(jī)及車輛定位分析模型，能在一定程度上有效判斷出在HOV車道上運(yùn)行車輛的實(shí)際乘客數(shù)，為執(zhí)行HOV車道中車輛實(shí)時(shí)監(jiān)測(cè)提供一種新的輔助檢測(cè)手段。通過采集道路上運(yùn)行車輛及移動(dòng)智能手機(jī)GPS和基站定位數(shù)據(jù)，運(yùn)用優(yōu)化的ST?DBSCAN聚類算法進(jìn)行分類建立定位分析模型，計(jì)算出各個(gè)簇的關(guān)鍵對(duì)象度量值，根據(jù)HOV車道實(shí)際規(guī)定車載人數(shù)作為其最小支持度，滿足最小支持度的數(shù)據(jù)集就是最后挖掘建立模型的依據(jù)。實(shí)驗(yàn)結(jié)果表明，該模型在HOV車道上的應(yīng)用能有效輔助檢測(cè)HOV車道車輛并有較高的檢測(cè)準(zhǔn)確率。

關(guān)鍵詞： 定位分析模型; ST?DBSCAN聚類算法; HOV車道; GPS定位; 基站定位; 結(jié)果分析

中圖分類號(hào)： TN929.5?34" " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " " "文章編號(hào)： 1004?373X（2019）21?0134?07

Abstract： In order to reduce the cost of construction and equipment maintenance required for HOV lane detection and further expand the regulatory area， a model of mobile phone and vehicle positioning analysis is proposed by optimizing the ST?DBSCAN algorithm， with which the quantity of actual passengers in vehicles running on the HOV lane can be effectively judged to a certain extent， and a new auxiliary detection method is provided for the implementation of real?time monitoring of vehicles in the HOV lane. The optimized ST?DBSCAN clustering algorithm is used to achieve classification establishment of positioning analysis models classify and by collecting GPS and base station positioning data of mobile smart phones and vehicles running on the road， and figure out the key object metrical values of each cluster." The HOV lane regulation about" the actual number of persons on the vehicle is taken as the minimum support to meet the data sets with minimum support for the final mining and model building. The experiment result indicates that the model used in the HOV lane can effectively assist the detection of vehicles on HOV lane and has high detection accuracy.

Keywords： positioning analysis model; ST?DBSCAN clustering algorithm; HOV lane; GPS positioning; base station location; results analysis

0" 引" 言

當(dāng)前，道路交通路測(cè)的方法主要有基于視頻圖像檢測(cè)法、紅外線掃描檢測(cè)、超聲波檢測(cè)法等，這些方法在一定程度上都需要運(yùn)用額外的基礎(chǔ)儀器設(shè)備獲取車輛通過的交通信息，檢測(cè)結(jié)果的精準(zhǔn)度主要取決于檢測(cè)儀器自身的精準(zhǔn)度、穩(wěn)定性以及道路上檢測(cè)設(shè)備的分布程度[1]。在針對(duì)國內(nèi)的HOV車道車輛監(jiān)測(cè)方面，目前交警部門執(zhí)法人員主要應(yīng)用紅外熱成像技術(shù)識(shí)別車輛實(shí)載乘員數(shù)，依托視頻監(jiān)控設(shè)備對(duì)違規(guī)駛?cè)際OV車道車輛的自動(dòng)抓拍從而進(jìn)行監(jiān)測(cè)執(zhí)法。這種方法雖然有效，但在前期的基礎(chǔ)設(shè)施投資較大，監(jiān)測(cè)主要集中于設(shè)備部署范圍內(nèi)，存在監(jiān)測(cè)盲區(qū)。移動(dòng)智能手機(jī)以及定位技術(shù)的迅速發(fā)展，提供了在不需要額外基礎(chǔ)設(shè)施的情況下監(jiān)測(cè)高速公路交通車輛運(yùn)行狀況的機(jī)會(huì)。移動(dòng)智能手機(jī)集成GPS模塊、加速感應(yīng)器、陀螺儀等多種傳感裝置，可以為手機(jī)使用者提供基本的移動(dòng)位置導(dǎo)航服務(wù)，將手機(jī)定位數(shù)據(jù)以及車輛定位數(shù)據(jù)與聚類算法有效地結(jié)合，可對(duì)道路上車輛內(nèi)人員的分布情況進(jìn)行研究分析，并可應(yīng)用于HOV車道的運(yùn)行車輛智能檢測(cè)。

基于手機(jī)信令及GPS定位信息挖掘算法的研究與應(yīng)用一直受到國內(nèi)外相關(guān)學(xué)者的持續(xù)關(guān)注，不同學(xué)者從不同角度進(jìn)行了分析研究，但在車輛內(nèi)人員監(jiān)測(cè)方面，采用手機(jī)GPS數(shù)據(jù)信息以及車輛定位數(shù)據(jù)相結(jié)合，應(yīng)用相關(guān)算法分析的研究并不多見。為了解決在HOV車道中監(jiān)測(cè)行駛車輛內(nèi)乘客人數(shù)以及是否出現(xiàn)超員異常的問題，本文結(jié)合K?means的ST?DBSCAN聚類算法，在假設(shè)車載乘客每人只攜帶一部智能移動(dòng)手機(jī)的條件下，建立車輛及手機(jī)定位數(shù)據(jù)分析模型，可對(duì)道路上車輛內(nèi)人員的分布情況進(jìn)行研究分析，為進(jìn)行HOV車道的車輛實(shí)時(shí)監(jiān)測(cè)提供一種新的輔助檢測(cè)方法。

本文提出一種應(yīng)用優(yōu)化的ST?DBSCAN算法，通過結(jié)合歷史數(shù)據(jù)挖掘和在線實(shí)時(shí)檢測(cè)兩種方式，基于車載GPS定位數(shù)據(jù)以及車載乘客的移動(dòng)智能手機(jī)定位數(shù)據(jù)建立模型，有效地估計(jì)判斷出車輛上實(shí)際乘客人數(shù)，為行駛于HOV車道的車輛實(shí)時(shí)監(jiān)測(cè)提供一種新的輔助檢測(cè)方法。

1" 數(shù)據(jù)獲取及預(yù)處理

1.1 智能手機(jī)定位數(shù)據(jù)產(chǎn)生的原理

目前移動(dòng)智能手機(jī)定位的方式主要有4種，分別是衛(wèi)星定位（GPS、北斗、伽利略和Glonass）;LBS移動(dòng)基站定位、WiFi輔助定位和AGPS（AssistedGPS：輔助全球衛(wèi)星定位系統(tǒng)）定位。本文主要采用手機(jī)GPS和LBS移動(dòng)基站產(chǎn)生的手機(jī)位置信息結(jié)合車載GPS數(shù)據(jù)進(jìn)行數(shù)據(jù)處理分析。

四大衛(wèi)星定位系統(tǒng)雖然提供的服務(wù)有些差異，但其背后的定位原理都是相同的。手機(jī)GPS通過與三到四顆衛(wèi)星通信進(jìn)而得知接收器的具體經(jīng)緯度信息。GPS定位方式不需要手機(jī)SIM卡，不需要連接網(wǎng)絡(luò)，只要在戶外，基本上隨時(shí)隨地都可以準(zhǔn)確定位。

LBS移動(dòng)基站定位是指移動(dòng)智能手機(jī)在插入SIM卡開機(jī)以后，可以主動(dòng)與周圍的基站進(jìn)行通信，建立聯(lián)系，而且在可以搜索到信號(hào)的區(qū)域，手機(jī)根據(jù)遠(yuǎn)近程度及信號(hào)強(qiáng)弱可搜索到多個(gè)基站信息，在通信時(shí)會(huì)選取距離最近、信號(hào)最強(qiáng)的基站作為通信基站，及獲取移動(dòng)智能手機(jī)當(dāng)前的CELL?ID值。

WiFi輔助定位是指由于每個(gè)無線路由器都有一個(gè)唯一的MAC地址，移動(dòng)智能手機(jī)利用附近無線路由器發(fā)送的廣播信息采集其具體的MAC地址和強(qiáng)弱信號(hào)程度，運(yùn)用服務(wù)器的“MAC地址?經(jīng)緯度”的對(duì)應(yīng)分析以及每個(gè)信號(hào)的強(qiáng)弱程度得出手機(jī)的具體定位。

AGPS是一種基于網(wǎng)絡(luò)基站信號(hào)和GPS定位對(duì)未知對(duì)象進(jìn)行定位的方法，利用基地臺(tái)代送輔助衛(wèi)星數(shù)據(jù)，進(jìn)而減少取得定位衛(wèi)星信息的延遲時(shí)長(zhǎng)，定位效率較高[2]。

1.2 車輛及乘客手機(jī)軌跡數(shù)據(jù)的獲取

為了有效分析車輛與車載乘客人數(shù)的關(guān)聯(lián)程度，本文研究采用了不同品牌和車型的車輛，分別是一汽奧迪Q3、上海大眾LAVIDA1.6、長(zhǎng)安福特FOCUS 2013款、奔馳ML400、上海大眾TIGUAN、上海大眾POLO180、五菱宏光643IMF、金龍客車ZK6109H等，共30輛。

在同一時(shí)間段內(nèi)以不同的車速來回行駛在一段1.0 km的實(shí)驗(yàn)道路上，在6條不同的實(shí)驗(yàn)道路上分別測(cè)試20次，每次測(cè)試過程中每輛車所載乘客數(shù)均有所變化，以希望盡可能得到實(shí)際道路載人車輛行駛路況，并且每輛車采用的都是同一款GPS導(dǎo)航設(shè)備。記錄每輛車在規(guī)定行駛道路上每隔相同的數(shù)據(jù)測(cè)行駛點(diǎn)的GPS軌跡點(diǎn)數(shù)據(jù)。

同時(shí)，為了有效對(duì)乘客所帶的不同移動(dòng)智能手機(jī)的定位數(shù)據(jù)作對(duì)比分析，本文研究選取具備GPS定位、LBS基站定位功能的華為P系列（華為P10及P10 Plus、華為P9、華為P8）、榮耀系列（榮耀9、榮耀6X、榮耀8、榮耀7X）、魅族PRO7 Plus、魅藍(lán)Note6和小米系列（小米MIX 2、小米5X）等各一部，共247部智能手機(jī)，使用基于百度地圖開發(fā)的移動(dòng)智能手機(jī)定位軟件，測(cè)試過程中間隔相同的時(shí)間段記錄，此次設(shè)置時(shí)間間隔為2 s，采集乘客手機(jī)的定位數(shù)據(jù)。

根據(jù)實(shí)驗(yàn)需要，安排247名同學(xué)分散乘坐在30輛測(cè)試車輛中，測(cè)試中采集這247部手機(jī)來回經(jīng)過6條不同的實(shí)驗(yàn)道路的20次的軌跡數(shù)據(jù)以及車載GPS的軌跡數(shù)據(jù)，定位數(shù)據(jù)以txt文本形式進(jìn)行存入，包含定位點(diǎn)的時(shí)間、經(jīng)緯度等具體數(shù)據(jù)信息。

根據(jù)定位軟件的設(shè)置，由于不同的手機(jī)設(shè)備存在性能差異、運(yùn)營商通信信號(hào)穩(wěn)定性等原因，在不同測(cè)試試驗(yàn)條件中，獲取的數(shù)據(jù)點(diǎn)個(gè)數(shù)存在差異，取一條實(shí)驗(yàn)道路上部分智能手機(jī)的1次測(cè)量結(jié)果如表1所示。

1.3 數(shù)據(jù)預(yù)處理

在實(shí)際測(cè)試中，存在GPS定位偏離、誤差或周邊障礙物遮擋等外部因素對(duì)定位數(shù)據(jù)采集點(diǎn)位置信號(hào)的影響，車輛GPS及手機(jī)定位數(shù)據(jù)預(yù)處理的目的是使經(jīng)處理的原始數(shù)據(jù)可以盡可能體現(xiàn)車輛及車載乘客的真實(shí)移動(dòng)路徑，6條不同的實(shí)驗(yàn)路線如圖1所示[3]。

圖2中的6.txt文本所表述的是30輛中其中一輛測(cè)試車輛編號(hào)為6的車載GPS系統(tǒng)所采集到的數(shù)據(jù)。數(shù)據(jù)第一列是車輛編號(hào)，第二列是年月日，第三列是測(cè)試的時(shí)間，第四、第五列數(shù)據(jù)則描述的是GPS定位的經(jīng)緯度坐標(biāo)。通過GPS地圖匹配軟件GPS Track Editor導(dǎo)入軌跡數(shù)據(jù)集進(jìn)行地圖匹配，查看噪聲數(shù)據(jù)即偏離地圖上標(biāo)識(shí)道路的離群軌跡數(shù)據(jù)點(diǎn)，對(duì)有明顯偏差的噪聲數(shù)據(jù)進(jìn)行剔除，從而盡可能減少對(duì)后期聚類算法過程中誤差對(duì)模型建立結(jié)果的影響。

將去除噪聲后的數(shù)據(jù)導(dǎo)出形成新的數(shù)據(jù)集，如圖3所示為某個(gè)時(shí)刻測(cè)試車輛的GPS定位數(shù)據(jù)，便于進(jìn)行下一步的數(shù)據(jù)分析[4?5]。

1.4 信令可匹配車輛的識(shí)別

由上述采集的車輛及車載手機(jī)信令軌跡進(jìn)行軌跡匹配，如果給定其中一條車載手機(jī)信令軌跡的點(diǎn)與某一條既定車輛GPS軌跡中的點(diǎn)有[U]%相匹配，其中閾值[U≥90]，則說明這條給定的手機(jī)信令軌跡點(diǎn)集合與該車輛軌跡匹配度高達(dá)[U]%。在采集的所有車載手機(jī)信令軌跡中，找到匹配度達(dá)到[U]%的車輛軌跡點(diǎn)的集合，從而進(jìn)行信令可匹配車輛的識(shí)別。

軌跡點(diǎn)匹配公式為：

式中：[Ljtj，logj_L，latj_L]表示[tj]時(shí)刻的基站所在位置;[Vytj，logj_y，latj_y]表示車輛[y]在[tj]時(shí)刻由經(jīng)緯度[logi，lati]標(biāo)記所在位置;[R]=6 371 km，表示地球的半徑;[G]表示測(cè)試的路徑為1 km;[T]表示測(cè)試的時(shí)間為5 min。

2" 基于K?means的ST?DBSCAN算法建立車輛及手機(jī)定位數(shù)據(jù)分析模型

2.1" 基于K?means的ST?DBSCAN算法原理

DBSCAN作為基本的聚類分析算法，研究的目的是盡可能形成密度可達(dá)的數(shù)據(jù)點(diǎn)最大簇，能快速進(jìn)行聚類且對(duì)噪聲數(shù)據(jù)的區(qū)分，簇的形狀可任意構(gòu)成。ST?DBSCAN是由Birant D等人在2007年對(duì)基本聚類算法DBSCAN加以改進(jìn)，添加時(shí)間特征，用于處理帶有時(shí)空特征的數(shù)據(jù)對(duì)象，將二維的平面圓形搜索區(qū)域擴(kuò)展為三維特征的立體圓柱搜索區(qū)域[6]，如圖4所示。

本文建立的數(shù)據(jù)定位分析模型基于這種優(yōu)化ST?DBSCAN算法，主要包含三個(gè)步驟：

第一階段，通過某一路段的車載GPS軌跡點(diǎn)的集合的條數(shù)，確定出適合K?means算法所需的[K]值，即表示可行性數(shù)據(jù)集分配的簇族數(shù);

第二階段，通過K?means算法對(duì)可行性數(shù)據(jù)集快速聚類，統(tǒng)計(jì)分析確定出適合ST?DBSCAN算法的兩個(gè)參數(shù)[ε]和[Minpts]的值;

第三階段，運(yùn)用ST?DBSCAN算法，根據(jù)確定的參數(shù)值進(jìn)行數(shù)值調(diào)優(yōu)和聚類分析[7]。

基于這個(gè)設(shè)計(jì)思路，優(yōu)化的ST?DBSCAN算法需要以下幾個(gè)重要的信息：

定義1：[ε]鄰域（[ε]?neighborhood）：以既定對(duì)象[p]為中心，[ε]為半徑的區(qū)域稱為該對(duì)象[p]的[ε]鄰域。

定義2：核心對(duì)象：對(duì)既定對(duì)象[p]，若滿足條件[Nεq≥Minpts]，則將其定義成核心對(duì)象。

定義3：直接密度可達(dá)（directly density reachable）：在給定的可行性數(shù)據(jù)集中，[p]從[q]出發(fā)時(shí)滿足條件：[p∈q]的[ε]?領(lǐng)域，且[Nεq≥Minpts]。

定義4：密度可達(dá)（density?reachable）：對(duì)于可行性對(duì)象集合[N]，如果存在 [p1，p2，…，pn]，[p=p1，q=pn]，對(duì)于[pi∈N]，[1≤i≤n]，[pi+1]是從[pi]關(guān)于[ε]和[Minpts]直接密度可達(dá)，則[p]是從[q]關(guān)于ε和 [Minpts]密度可達(dá)。

2.2" 基于K?means的ST?DBSCAN算法建立車輛及手機(jī)定位數(shù)據(jù)分析模型

2.2.1" 相關(guān)概念

定義1：HOV（High Occupancy Vehicle）即“高占有率的車”，指載客數(shù)多的車輛。專為HOV車輛行駛的道路稱為HOV車道，其上允許行駛的車輛包括公交車、車載人數(shù)為2人或以上的小客車或貨車[8]。

定義2：平均速度差[9]（Average Speed Difference，ASD）是在給定采集數(shù)據(jù)的時(shí)間內(nèi)持續(xù)經(jīng)過測(cè)量點(diǎn)的單一車道中相鄰車之間速度差絕對(duì)值的平均值。

2.2.2" 車速離散度分析

在HOV車道上采集車載GPS數(shù)據(jù)信息，引用元胞自動(dòng)機(jī)模型中車速離散度（Speed Dispersion，SD），車速離散度指的是在相同的道路上不同車的平均速度差與平均速度之間的比率。若數(shù)值越大則表示車輛速度的離散水平越大[10]。本文建立的模型利用平均車速標(biāo)準(zhǔn)差作為數(shù)據(jù)初步的考量。該參數(shù)在一定程度上可以反映車道中相鄰車輛之間的相互作用，為建立車輛及手機(jī)定位數(shù)據(jù)分析模型提供參考依據(jù)，其表達(dá)式為：

2.2.3" 車速離散度分析

本文研究通過采集在HOV車道上運(yùn)行車輛的GPS定位數(shù)據(jù)以及道路上車載乘客手機(jī)的海量GPS定位數(shù)據(jù)和基站定位數(shù)據(jù)，對(duì)采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)格式校驗(yàn)，剔除邏輯錯(cuò)誤數(shù)據(jù)，補(bǔ)齊部分缺失數(shù)據(jù)等數(shù)據(jù)預(yù)處理操作生成可行性數(shù)據(jù)集存入數(shù)據(jù)庫，對(duì)其經(jīng)緯度等具體定位信息與交通道路地圖進(jìn)行匹配。再次掃描數(shù)據(jù)庫，通過平均車速標(biāo)準(zhǔn)差初步預(yù)估車道交通流稠密程度，將車輛GPS及手機(jī)定位數(shù)據(jù)集運(yùn)用優(yōu)化的ST?DBSCAN算法分類，計(jì)算出各個(gè)簇的關(guān)鍵對(duì)象度量值[ε]和[Minpts]。將每個(gè)簇的關(guān)鍵對(duì)象度量作為定位分析模型的支持度，由于HOV車道允許行駛公交車、車載人數(shù)為2人或以上的小客車或貨車，即[Minpts]大于等于2即可滿足交通法規(guī)。

最后將檢測(cè)符合條件的行駛車輛數(shù)據(jù)信息存入對(duì)應(yīng)的數(shù)據(jù)庫，完成定位數(shù)據(jù)分析模型的建立，具體流程如圖5所示。

3" 結(jié)果分析與評(píng)價(jià)

通過基于真實(shí)車輛及乘客手機(jī)定位數(shù)據(jù)的實(shí)驗(yàn)，評(píng)估本文提出的定位分析模型，采用Python實(shí)現(xiàn)，運(yùn)行實(shí)驗(yàn)的PC機(jī)軟硬件配置如下： Windows 10的操作系統(tǒng)，PC機(jī)CPU型號(hào) Intel 酷睿i7 3520M，CPU主頻2.9 GHz，邏輯處理器4個(gè)，內(nèi)存16 GB，固態(tài)硬盤256 GB。

本文通過優(yōu)化的ST?DBSCAN算法對(duì)數(shù)據(jù)進(jìn)行分析，測(cè)試中其中一次的結(jié)果如圖6所示，在運(yùn)行過程中，首先確定出K?means的[K]值，本文測(cè)試車輛以不同的車速在既定路段上來回路程上行駛，此時(shí)[K]值為30。運(yùn)用K?means算法對(duì)手機(jī)定位數(shù)據(jù)集進(jìn)行快速聚類，為ST?DBSCAN估計(jì)每一個(gè)簇的[Minptsi]和[εi]，通過分類以參數(shù)值[ε]為0.15和最大的[Minpts]值為55作為標(biāo)準(zhǔn)參數(shù)值，可以區(qū)分不同的簇。

根據(jù)模型分析可以得出車載乘客人數(shù)的具體分布情況，由此判斷出符合在HOV車道上行駛的車輛，如圖7所示，符合HOV車道的車輛有20輛，8輛車不符合HOV車輛規(guī)定，另有2輛車存在缺失值。根據(jù)車輛及手機(jī)定位數(shù)據(jù)有明顯的聚類特征，說明兩者在時(shí)空上存在有時(shí)空的相似特征。盡管簇之間存在有少數(shù)的缺失點(diǎn)和模糊分界點(diǎn)，但是數(shù)據(jù)總體聚類效果呈現(xiàn)良好狀態(tài)[4]。

研究表明，在不首先使用K?means算法預(yù)估[Minptsi]和[εi]值，而是直接手動(dòng)定義兩者參數(shù)值的結(jié)果與使用優(yōu)化的ST?DBSCAN聚類算法進(jìn)行分析，利用實(shí)驗(yàn)得出定位分析模型的檢測(cè)準(zhǔn)確率和運(yùn)行時(shí)間，將最后的結(jié)果與運(yùn)用傳統(tǒng)檢測(cè)方法在同一路段進(jìn)行檢測(cè)對(duì)比，結(jié)果如表2所示。

由表2可知，使用優(yōu)化的ST?DBSCAN算法進(jìn)行計(jì)算時(shí)，模型的準(zhǔn)確率由77.54%上升到86.69%，測(cè)試時(shí)間由1.318 s減少到1.195 s。測(cè)試時(shí)間相對(duì)減少了，而且準(zhǔn)確度變化較為明顯，與傳統(tǒng)檢測(cè)方法相比，準(zhǔn)確率也有所提升。由此可得出基于該優(yōu)化的ST?DBSCAN算法建立的數(shù)據(jù)分析定位模型對(duì)車道車輛行駛檢測(cè)有較好的適用性，可輔助檢測(cè)車道上車輛的具體情況。

由于車載乘客存在一人攜帶多個(gè)手機(jī)的情況，對(duì)于此問題，文獻(xiàn)[11]提出獲取移動(dòng)智能手機(jī)用戶身份信息的設(shè)計(jì)與實(shí)現(xiàn)，文獻(xiàn)[12]提出基于大數(shù)據(jù)融合分析對(duì)雙卡槽雙卡用戶進(jìn)行識(shí)別?；谏鲜鲆恍┓椒蓪?duì)一人攜帶多個(gè)手機(jī)的問題進(jìn)行判別，本文模型設(shè)計(jì)過程中只針對(duì)一人攜帶一部手機(jī)的情況進(jìn)行分析，后期對(duì)于該問題仍會(huì)進(jìn)行分析研究，從而更為全面地得出車載乘客的實(shí)際人數(shù)。

4" 結(jié)" 語

本文研究提出一種應(yīng)用于HOV車道的車輛及乘客手機(jī)定位數(shù)據(jù)分析模型，在不需要額外基礎(chǔ)設(shè)施的情況下可以科學(xué)有效地輔助檢測(cè)高速公路交通車輛運(yùn)行狀況。最終的測(cè)試結(jié)果表明，通過改進(jìn)的ST?DBSCAN算法建立車輛及手機(jī)定位數(shù)據(jù)分析模型，在一定條件下能按現(xiàn)有交通法規(guī)對(duì)符合行駛在HOV車道上的車輛進(jìn)行有效檢測(cè)，保證一定的準(zhǔn)確率，為城市逐步建設(shè)HOV車道檢測(cè)問題提出一種切實(shí)可行的輔助檢測(cè)方法，為道路交通監(jiān)管部門實(shí)時(shí)檢測(cè)道路路況提供了有效的科學(xué)依據(jù)。

參考文獻(xiàn)

[1] 黃旭.交通視頻中的車輛檢測(cè)與跟蹤技術(shù)研究及實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2014.

HUANG Xu. Research and implementation of vehicle detection and tracking technology in traffic video [D]. Chengdu： University of Electronic Science and Technology of China， 2014.

[2] 陳挺偉.淺析移動(dòng)位置業(yè)務(wù)中的AGPS定位技術(shù)[J].江西水利科技，2014，40（2）：117?119.

CHEN Tingwei. Introduction of AGPS positioning technology in location based service [J]. Jiangxi hydraulic science amp; technology， 2014， 40（2）： 117?119.

[3] 金星.基于智能手機(jī)的多用戶軌跡共享機(jī)制研究與實(shí)現(xiàn)[D].長(zhǎng)沙：國防科學(xué)技術(shù)大學(xué)，2014.

JIN Xing. Research and implementation of multi?user trajectory sharing mechanism based on smartphone [D]. Changsha： National University of Defense Technology， 2014.

[4] 陳冰潔.基于聚類算法的車輛軌跡時(shí)空相似性研究[D].福州：福建師范大學(xué)，2015.

CHEN Bingjie. The study of spatio?temporal similarity of vehicle trajectory data based on the clustering algorithm [D]. Fuzhou： Fujian Normal University， 2015.

[5] BRAKTSOULAS S， PFOSER D， SALAS R， et al. On map?matching vehicle tracking data [C]// Proceedings of 31st International Conference on Very Large Data Bases. Trondheim： IEEE， 2005： 853?864.

[6] 崔鄧.基于智能手機(jī)軌跡提取停留點(diǎn)的時(shí)空聚類算法研究[D].重慶：西南大學(xué)，2016.

CUI Deng. Research on spatial?temporal clustering algorithm based on the extraction of user trajectory of smartphone [D]. Chongqing： Southwest University， 2016.

[7] 劉爽.基于時(shí)空軌跡的交通數(shù)據(jù)分析與應(yīng)用[D].成都：電子科技大學(xué)，2017.

LIU Shuang. Analysis and application of traffic data based on time?space trajectory [D]. Chengdu： University of Electronic Science and Technology of China， 2017.

[8] 詹嘉，潘曉東，高昂. HOV車道的設(shè)計(jì)應(yīng)用研究[J].交通與運(yùn)輸，2007（1）：17?20.

ZHAN Jia， PAN Xiaodong， GAO Ang. The research for the use and design of HOV lane [J]. Traffic amp; transportation， 2007（1）： 17?20.

[9] WANG H， WANG W， CHEN X， et al. Experimental features and characteristics of speed dispersion in urban freeway traffic [J]. Transportation research record： journal of the transportation research board， 2007， 1999（1）： 150?160.

[10] 王昊，王煒，陳竣.車速離散性對(duì)高速公路實(shí)際通行能力的影響[J].北京工業(yè)大學(xué)學(xué)報(bào)，2010，36（10）：1389?1395.

WANG Hao， WANG Wei， CHEN Jun. Effects of speed dispersion on capacity of freeways [J]. Journal of Beijing University of Technology， 2010， 36（10）： 1389?1395.

[11] 陳令，時(shí)玉彬.獲取4G用戶身份信息的設(shè)計(jì)與實(shí)現(xiàn)[J].北京工業(yè)大學(xué)學(xué)報(bào)，2018，23（4）：103?106.

CHEN Ling， SHI Yubin. Design and implement?ation of acquiring 4G user identity information [J]. Journal of Beijing University of Technology， 2018， 23（4）： 103?106.

[12] 陳錫清.基于大數(shù)據(jù)融合分析的雙卡槽雙卡用戶識(shí)別算法研究[J].福建電腦，2017，52（7）：98?99.

CHEN Xiqing. Research on double?card slot and double?card user identification algorithm based on large data fusion analysis [J]. Fujian computer， 2017， 52（7）： 98?99.

[13] GARG S， SINGH P. Vividhavahana：smartphone based vehicle classification and its applications in developing region [C]// Proceeding of 11th International Conference on Mobile and Ubiquitous Systems. London： ACM， 2014： 364?373.

[14] TAGHVAEEYAN S， RAJAMANI R. Portable roadside sensors for vehicle counting， classification， and speed measurement [J]. IEEE transactions on intelligent transportation systems， 2014， 15（1）： 73?83.

[15] FENG T， TIMMERMANS H J P. Transportation mode recognition using GPS and accelerometer data [J]. Transportation research part C： emerging technologies， 2013， 37（3）： 118?130.

[16] SUN Z， BAN X J. Vehicle classification using GPS data [J]. Transportation research part C： emerging technologies. 2013， 37（3）： 102?117.

[17] 朱宏佳，王丹.考慮ASD和LCR的高速公路多車道交通流元胞自動(dòng)機(jī)模型[J].交通與運(yùn)輸，2017（7）：50?54.

ZHU Hongjia， WANG Dan. A multilane cellular automaton model in highway considering the average speed difference （ASD） and lane?changing rules （LCR） [J]. Traffic amp; transportation， 2017（7）： 50?54.