本發(fā)明屬于智能交通領域，特別涉及一種基于數(shù)據融合的高速公路路況信息實時獲取方法。
背景技術：
：車聯(lián)網是融合了汽車、物聯(lián)網和移動互聯(lián)網的網絡，在這樣的網絡環(huán)境中，會產生大量的與人、車、路、環(huán)境等有關的動靜態(tài)數(shù)據。充分利用和挖掘這些數(shù)據，可以為大眾提供出行服務，為交通行業(yè)提供面向車輛、物流等的監(jiān)控服務，為城市管理提供輔助決策。在車聯(lián)網環(huán)境下，可以利用安裝在固定位置的專用檢測設備(如環(huán)形感應線圈、雷達、攝像頭)數(shù)據來感知交通信息。對高速公路而言，這種交通信息采集技術獲取的交通信息雖然具有較高的準確性，但是它們都屬于截面數(shù)據，同時，設備的使用壽命有限，出于對設備投資成本和運維成本的考慮，這些設備通常不能覆蓋整個高速公路，因此，不能通過這種方式直接獲得全面的交通狀況。其次，基于浮動車的交通信息采集技術雖然能獲得高精度的定位信息和車速信息，但是其行駛線路受到浮動車本身的限制，例如，公交車只能按照固定線路行駛；出租車的行駛范圍取決于乘客的出行需求，行駛在高速公路的情形并不多；而兩客一危車輛(指旅游包車、長途客車和危險品運輸車)的數(shù)量有限，其運行線路和運行時間均受相關管理規(guī)定的約束。因此這種技術也不能全面監(jiān)測高速公路的交通狀況。另一方面，智能手機的強大功能已使得它成為一種新型的感知設備，手機用戶可以主動參與到交通信息感知活動中來。例如，手機用戶在被征召為參與感知(ParticipatorySensing)活動的參與者后，可以通過文字、聲音、圖片或視頻主動報告交通狀況。此外，道路的交通狀況可以根據手機用戶自愿提供的地理位置(如GPS位置)推算出來。遺憾的是，目前并沒有有效的方法能保證在高速公路上找到覆蓋面足夠廣、數(shù)量足夠多的愿意參與到感知活動中的手機用戶。除了上述直接的方式之外，道路的交通狀況可以通過移動通信網絡中的手機信令間接地獲得。手機用戶移動時，從移動通信網中特定的信令過程(包括呼叫、短信、移動性管理等)可以得到該手機用戶的位置變化信息。這樣，當用戶攜帶手機與車輛一起移動時，可以根據該手機沿公路基站產生的信令來估算出對應路段上車輛的行駛速度，進而獲得道路的交通狀況。這種方法不需要額外的設備和車輛，可以在不影響移動運營商正常運作的情況下對道路交通狀況進行監(jiān)測。然而，僅用手機信令判斷道路交通狀況的準確性并不高，這是由于手機信令是用基站覆蓋區(qū)域描述位置，定位精度比較低，而且信令報告的頻率并不固定而是依賴于移動用戶的行為。技術實現(xiàn)要素：本發(fā)明技術解決的問題：克服現(xiàn)有技術的鑒于單一數(shù)據源和主動參與方式內在的缺陷，提供一種基于數(shù)據融合的高速公路路況信息實時獲取方法，用于實現(xiàn)準確、全面的路況感知。為實現(xiàn)上述目的，本發(fā)明提供一種基于數(shù)據融合的高速公路路況信息實時獲取方法，其特點在于將手機作為交通探測器，依托移動通信網的信令系統(tǒng)，根據信令數(shù)據獲得的車速、從感應線圈型車檢器獲得的車速、浮動車(例如：兩客一危車輛)GPS定位數(shù)據估算的車速進行車速融合。本發(fā)明具體實現(xiàn)為：如圖1、2所示，本發(fā)明實現(xiàn)步驟如下：第一步：數(shù)據獲?。韩@取感應線圈型車檢器生成的車速(簡稱車檢器車速)，獲取根據手機信令序列估算的高速公路車速(簡稱信令車速)，獲取根據浮動車(例如：兩客一危車輛)的GPS數(shù)據得到的浮動車的車速(簡稱GPS車速)，具體包括以下步驟：根據手機信令序列估算信令車速。具體方法如下：(1)將基站所在位置向道路投影，得到的投影點作為道路分割點，兩個分割點之間的道路作為路段，路段是進行路況估計的最小單位。路段的方向設置參考了道路的樁號，以樁號從小到大的方向為路段的正方向。同時，沿路段正方向從小到大設置路段編號。(2)如圖1所示，信令處理服務器每隔一定時間(稱為一個周期)從移動運營商提供的信令接口中讀取該周期內高速公路沿線附近的信令數(shù)據，然后對信令進行預處理，包括去除未在道路上發(fā)生的信令，進行降噪處理，去除運動特征異常(例如瞬間移動)的信令樣本，識別并剔除乒乓切換及回路切換信令。(3)根據手機信令判斷出該手機用戶是否正隨著車輛在高速公路上移動。然后，對于在高速公路上處于運動狀態(tài)的用戶，判斷其運動方向，進而計算每個路段在指定時間片(例如：5分鐘)內車輛的速度。根據高速公路浮動車(例如：兩客一危車輛)的GPS數(shù)據計算GPS車速。具體方法如下：(1)過濾浮動車的GPS點，只保留距離高速公路設定范圍(20米)內的點，并通過地圖匹配將其定位到高速公路的路段上。(2)對于車輛v，令經過步驟(1)過濾后的車輛GPS點序列為{Sv(ti,pj)}，其中Sv(ti,pj)表示車輛v在ti時刻的位置為pj，如果{Sv(ti,pj)}跨越多個路段，則按路段號判斷車輛v的行駛方向，即，若跨越的路段編號是從小到大，則判定為正向行駛，否則為逆向行駛；如果{Sv(ti,pj)}僅跨越一個路段Sege，則根據向量內積公式，即判斷車輛v的行駛方向，具體規(guī)則為：內積值大于0，則車輛的行駛與Sege-1至Sege同向，判定為正向行駛，否則反向；(3)將GPS點之間的直線距離作為車輛行駛距離，除以GPS記錄之間的時間差，得到速度，將速度更新至相應路段。第二步：初步融合：根據歷史車檢器車速和歷史信令車速獲得每個車檢器的影響范圍，并定義規(guī)則，對車檢器車速、信令車速和GPS車速進行初步融合，具體包括以下步驟：根據歷史車檢器車速和歷史信令車速獲得每個車檢器的影響范圍。車檢器能準確報告其所在位置即該截面的路況，同時該截面的路況是與車檢器所在位置附近一定范圍內的路況一致。該范圍稱為該車檢器的影響范圍ρ。通過計算車檢器報告的車速與其所在路段以及附近路段的信令車速的一致性得分值，觀察該車檢器的影響范圍取值Range的變化和對應得分值的關系，可以獲得使得得分值之和最大的Range值，該值即為所要求的ρ。具體計算過程如下：(1)令scorethe為t時刻、車檢器h報告的車速與路段e的信令車速一致性得分值，其值按公式(1)計算：其中，Range為表示車檢器影響范圍的變量，vh表示車檢器h報告的車速，vse表示路段e上的信令車速。loc(Sege)為路段e的中點位置，loc(h)為車檢器h的位置，dist(loc(Sege),loc(h))表示loc(Sege)和loc(h)的距離，reward值為信令車速與車檢器車速一致時的獎勵值，penalty值為信令車速與車檢器車速不一致時的懲罰值。將獎勵值或懲罰值乘以一個距離加權系數(shù)，反映了距離車檢器越近的路段，其上兩種車速的一致性與否所造成的影響將越大。獎勵值和懲罰值的大小反映了對于車檢器車速和手機信令車速準確性的先驗信任傾向。設置較大的獎勵值和相對小的懲罰值表示用戶認為車檢器估計的速度準確而手機信令估計的速度相對不準確。(2)按照公式(1)統(tǒng)計與Range值對應的總得分值，取使得得分值之和最大的Range值，該值即為所求的ρ，如(2)式所示。ρ=argmaxRmin≤Range≤RmaxΣt=1TΣh=1HΣe=1Ehscorethe---(2)]]>其中，T表示歷史訓練數(shù)據時間片t的個數(shù)；H表示車檢器的數(shù)量；Eh表示滿足條件dist(loc(Sege),loc(h))≤Range的路段的個數(shù)；Rmin、Rmax為實數(shù)，用于對車檢器影響范圍加以限制，特別的，考慮到高速公路匝道前后路段的車速與車檢器所在處的瞬時速度相比有較大變化，所以，Range的最大值即Rmax最多指定為車檢器與距離該車檢器最近的匝道之間的距離。將信令車速、GPS車速和車檢器車速三者進行初步融合。具體方法如下：針對時刻t路段e，令vse(t)為信令車速的估計結果，vge(t)為浮動車GPS數(shù)據估計的車速結果，vde(t)為路段e上的車檢器報告的車速。對車檢器車速、信令車速和GPS車速進行初步融合。具體的規(guī)則如下：時刻t路段e的實時車速估計ve(t)根據以下規(guī)則得到：(a)該路段若在某車檢器影響范圍ρ內的話，那么以該車檢器報告的車速為初步融合的估計車速；(b)否則，該路段若有GPS車速結果，那么以該結果為初步融合的估計車速；(c)否則，該路段有信令車速結果，那么以該結果為初步融合的估計車速；(d)上述情況均不成立的話，車速空缺。即：第三步：補全融合：采用壓縮感知方法，對車檢器車速、信令車速和GPS車速進行深度融合，從而獲得交通狀態(tài)估計矩陣其中xij表示時間片i在位置j處的車速。特別是，在矩陣中，當前時間片那一行即為當前的實時路況。采用壓縮感知方法，對車檢器車速、信令車速和GPS車速進行深度融合。具體方法如下：用一個m×n維的矩陣表示高速公路上的n個路段{r1,r2,r3,...rn}在m個時間片{t1,t2,t3,...tm}的交通狀況。令Xm×n和分別代表真實的和估計的交通狀況矩陣，那么交通狀況檢測問題就是對Xm×n進行估計，得到應使得最小化。其中，||·||F為Frobenius范數(shù)，即給定手機信令數(shù)據流、車檢器數(shù)據流和浮動車GPS數(shù)據流，經初步融合后構成關于車速的測量矩陣M＝(xij)m×n，其中第j列表示第j個路段的速度，第i行表示在第i個時間片內所有路段的速度。通常，Mm×n是稀疏矩陣，其中有一些元素是未定義的。Mm×n和的關系可以表示為：其中，矩陣Bm×n為指示矩陣，其定義為交通狀況檢測問題中的估計矩陣應該盡量接近測量矩陣。通過對測量矩陣Mm×n的低秩分析，推測估計矩陣也是低秩的，這意味著在交通狀況檢測問題中，應該去尋找一個低秩的估計也就是滿足(4)式的minrank(X^m×n)s.t.Bm×n.×X^m×n=Mm×n---(4)]]>由于是非凸的，因此(4)式是一個非凸優(yōu)化問題，該問題的求解屬于NP-hard。對(4)式的一個常用解決方法是使用核范數(shù)||·||*來估計矩陣的秩。由于矩陣的核范數(shù)是矩陣的秩的最緊的凸包絡(convexenvelop)，所以，可將(4)式轉換為(5)式所示的凸優(yōu)化問題。特別地，如果將映射成Bm×n的操作滿足約束等距性(restrictedisometryproperty)，而且Mm×n滿足低秩性，那么(4)式等價于(5)式。min||Xm×n||*s.t.Bm×n.×X^m×n=Mm×n---(5)]]>其中，是的第i大的奇異值。為了求解滿足(5)式的可以利用類似SVD分解，使得其中L＝UΣ1/2是一個m×r的矩陣，R＝VΣ1/2是一個n×r的矩陣。面對的多種分解結果，我們所需要的是找到能滿足最小化Frobenius范數(shù)的L和R，即該L和R要滿足(6)式。min||L||F2+||R||F2s.t.Bm×n.×(LRT)=Mm×n---(6)]]>同時，還要求滿足r≥rank(X0)，這里，X0是(4)式的一個解。如果這樣，(5)式即與(6)式等價。實際上，若L和R嚴格滿足(6)式，可能導致求解結果不理想。其原因有兩個，一是測量矩陣中的數(shù)據存在噪聲，嚴格滿足約束可能導致過擬合。二是交通狀況矩陣Xm×n可能是一個近似低秩的矩陣。考慮到這些因素，可以把(6)式轉換為如(7)式所示的凸優(yōu)化問題。min||Bm×n.×(LRT)-Mm×n||F+λ(||L||F2+||R||F2)---(7)]]>(7)式引入了正則化參數(shù)λ，用于權衡估計矩陣與測量矩陣的相似約束和低秩約束兩個目標。針對(7)式的優(yōu)化問題，提出了一個迭代算法求解L和R?；舅枷胧牵菏紫入S機初始化L，然后，固定L，利用正則化的最小二乘法求R。由于R的行之間在求解時是互不影響的，因此可以對R的每一行分別進行最小二乘法求最優(yōu)解，以加快程序運行速度。固定R求L時同理，如此迭代直到L和R收斂(即，兩次相鄰迭代之間的L和R的值幾乎不變)。此時的交通狀況估計矩陣中與當前時間片對應的那一行即為當前的實時路況。具體步驟如下：(1)算法的輸入為測量矩陣Mm×n，指示矩陣Bm×n，估計矩陣秩的上界r，權重因子λ和迭代次數(shù)κ，(2)對m×r的矩陣L進行隨機初始化，(3)令當前最小的估計誤差vcur為最大的實數(shù)，(4)根據L，利用正則化的最小二乘法求解n×r的矩陣R，(5)根據R，利用正則化的最小二乘法求解L并用于更新L，(6)基于該L和R，按如下公式計算估計誤差v：v←||B.×(LRT)-M||F2+λ(||L||F2+||R||F2),]]>(7)若v小于當前最小的估計誤差vcur，執(zhí)行步驟(8)，否則執(zhí)行步驟(9)，(8)更新當前最優(yōu)解，即設置Lcur為L，Rcur為R，并設置當前最小誤差vcur為v，(9)重復執(zhí)行步驟(4)至步驟(8)κ次，(10)Lcur×RcurT為要求解的最優(yōu)估計矩陣上述步驟中，正則化的最小二乘法求解矩陣R的具體步驟如下：(1)算法的輸入為矩陣L，測量矩陣Mm×n，估計矩陣秩的上界r和權重因子λ，(2)初始化n×r大小的矩陣R為零矩陣，(3)對Mm×n中的每一列i分別執(zhí)行步驟(4)至(8)：(4)遍歷M的第i列，得到非空元素的個數(shù)z，(5)初始化大小為z×r的矩陣x為零矩陣，初始化大小為z的向量y，設置其分量都為零，(6)對Mm×n的第i列中的每一個元素M(j,i)執(zhí)行步驟(7)：(7)若M(j,i)不為空，將矩陣x中第一個全零行對應的元素賦值成矩陣L中的第j行的元素值，并將向量y中第一個零元素賦值成M(j,i)，(8)將公式(xTx+λI)/xTy的結果賦值給R的第i行，其中I為r×r的單位矩陣，(9)這時的R即為要求解的矩陣R。第四步：過濾融合：對第三步獲得的路況根據交通流特性進行過濾糾偏，形成最終的融合結果。該融合結果回填到測量矩陣中，以便用于下一時間片的補全融合。大量實際發(fā)生的交通現(xiàn)象表明，某時某地的交通流并不是一個獨立事件，它與之前若干時刻的交通流相關，也受相鄰路段的交通流的影響。特別是，道路交通狀況的現(xiàn)狀和發(fā)展趨勢與其是處于自由流還是擁堵流緊密相關。通常，在自由流下，暢通路況以80公里/小時的速度沿道路正向移動，而在擁堵流下，擁堵路況以15公里/小時的速度沿道路反向移動。經過壓縮感知補全的車速并沒有考慮交通流的特性。為此，進一步對補全的車速進行濾波糾偏。對第三步獲得的路況根據交通流特性進行過濾糾偏。具體方法如下：路段上的車速可以認為是一個時空序列，需要從時間、空間兩個角度考慮歷史數(shù)據對當前數(shù)據的影響，同時，要考慮自由流、擁堵流不同的路況傳播方式對車速的影響。首先給出自由流下的車速估計值和擁堵流下的車速估計值。令x(t,p)表示t時刻、p位置的車速，p＝loc(Sege)?，F(xiàn)在要估計x(t,p)，而已有車速序列為{x(ti,pj)}，其中，ti≤t。那么，令自由流下的車速估計值為xf(t,p)，擁堵流下的車速估計值為xc(t,p)，并用公式(8)計算這兩個車速估計值。xc(t,p)=1Nc(t,p)Σpj:0≤dist(p,pj)≤σΣti=t-τtx(ti,pj)φc(ti-t,pj-p)xf(t,p)=1Nf(t,p)Σpj:0≤dist(p,pj)≤σΣti=t-τtx(ti,pj)φf(ti-t,pj-p)---(8)]]>其中，σ為在位置p所屬道路上的距離p的最遠距離，τ為歷史數(shù)據中距離當前時刻最遠的時間間隔。σ設置成16公里，τ設置成60分鐘。Nc(t,y)和Nf(t,y)分別為針對擁堵流和自由流的標準化系數(shù)，按(9)式計算。Nc(t,p)=Σpj:0≤dist(p,pj)≤σΣti=t-τtφc(ti-t,pj-p)Nf(t,p)=Σpj:0≤dist(p,pj)≤σΣti=t-τtφf(ti-t,pj-p)---(9)]]>而φf(△t,△p)，φc(△t,△p)(其中，△t＝ti-t,△p＝pj-p)分別是自由流和擁堵流下的平滑函數(shù)。上述平滑函數(shù)要滿足下列條件：(1)隨車速序列在時空上由近到遠變換，該車速的影響應逐步衰減；(2)能反映自由流或擁堵流的影響。為此，定義交通流平滑函數(shù)φ(△t,△p)為其中，α為時間上的波動單位，β為距離空間上的波動單位。α設為5.5分鐘，β設為3公里。φ(△t,△p)同時量化了時空兩個維度的影響，即：一個單位的時間波動在交通流上對車速的影響等同于一個單位的空間波動對車速的影響。同時，考慮到擁堵流下(γc為擁堵流狀態(tài)下的交通傳播速度，即-15公里/小時)，距離當前時刻△t遠、距離當前位置△p遠的車速的影響等同于正常狀態(tài)下距離當前時刻(△t-擁堵流下的行駛時延)遠、距離當前位置△p遠的車速的影響，所以，設計φc(△t,△p)為φc(△t,△p)＝φ(△t-△p/γc,△p)。而自由流下(γf為自由流狀態(tài)下的交通傳播速度，即80公里/小時)，距離當前時刻△t遠、距離當前位置△p遠的車速的影響等同于正常狀態(tài)下距離當前時刻(△t-暢通流下的行駛時延)遠、距離當前位置△p遠的車速的影響，所以，φf(△t,△p)被設計成φf(△t,△p)＝φ(△t-△p/γf,△p)。然后，引入權重函數(shù)w(t,p)。最終的車速估計要綜合考量自由流下的車速估計值和擁堵流下的車速估計值，故融合后的車速w(t,p)為：x(t,p)＝[1-w(t,p)]xf(t,p)+w(t,p)xc(t,p)，其中，權重函數(shù)w(t,p)應滿足在自由流狀態(tài)下趨近于0，在擁堵流狀態(tài)下趨近于1。特別是，當擁堵交通流和暢通交通流在傳播過程中相遇了，擁堵交通流可以覆蓋暢通交通流，也就是說，在兩種交通流濾波結果中，如果有一個得出的速度值較小，那么當前的路況為擁堵的可能性較大，應加大擁堵交通流濾波結果的權重。因此，以sigmoid函數(shù)來刻畫w(t,p)的大小。而且，標準化系數(shù)Nc(t,p)和Nf(t,p)從一定程度上可以反映出擁堵交通流狀態(tài)下的濾波結果和自由交通流狀態(tài)下的濾波結果的可信程度，w(t,p)的大小也應該把標準化系數(shù)考慮進去。所以，w(t,p)如公式(10)所示。其中，參數(shù)為歸一化系數(shù)，設為0.8，vc為從自由流變化到擁堵流的速度差值，設為60公里/小時，△v給出了一個車速變化的區(qū)間值，用于歸一化速度值的變化，設為20公里/小時。本發(fā)明與現(xiàn)有技術相比的優(yōu)點在于：本發(fā)明充分利用已有的移動通訊設施和車檢器資源，無需安裝額外的檢測裝置，可以以非介入方式和很低的成本獲得覆蓋全路網的路況估計，實現(xiàn)全天候實時的路況采集。本發(fā)明估計的路況結果準確，易推廣，適用于高速公路。附圖說明圖1為本發(fā)明方法運行的環(huán)境；圖2為本發(fā)明方法實現(xiàn)流程圖；圖3為不同大小稠密子方陣的特征值的分布。具體實施方式為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面結合附圖及實施例對本發(fā)明作進一步的詳細描述。本發(fā)明的實施例采用的是移動通信網中的信令記錄、車檢器報告的路況記錄和浮動車報告的GPS位置記錄。收集到的福建省高速公路上的信令記錄來自中國最大的移動通信運營商即中國移動。一條信令記錄包含：用戶標識(加密)，日期時間，位置區(qū)碼(LocationAreaCode,LAC)，小區(qū)號(CellID)，信令類型(01語音，02短信，03數(shù)據業(yè)務，04切入小區(qū)，05切出小區(qū)，06周期性位置更新，07開關機等)。有實時信令數(shù)據接入的信令處理服務器位于移動運營商核心機房，核心機房一般安全機密性較高，與外部網絡沒有連接，只能與公司內部服務器通信。該服務器上部署信令處理服務，該服務基于信令估計路況，包括對信令數(shù)據進行預處理，將產生信令數(shù)據的用戶匹配到道路上，得到用手機信令數(shù)據初步計算出的路況結果?；谑謾C信令得到的初步的交通路況估計結果需要與車檢器數(shù)據和浮動車數(shù)據進行融合，車檢器數(shù)據和浮動車數(shù)據需要從外部網絡獲得，因此數(shù)據融合服務器位于能訪問外網的IDC機房，實現(xiàn)數(shù)據融合部分的軟件功能。目前，福建省有9條高速公路，總長為2,620.938公里。在這些高速公路上，總共部署了1,293個線圈傳感器，分別隸屬于433個車檢器。收集到的浮動車GPS數(shù)據來自福建省的兩客一危車輛。核心機房與IDC機房之間通過socket進行通信，核心機房處理器得到的信令數(shù)據初步處理結果發(fā)送給IDC機房的數(shù)據融合服務器。信令處理服務器每處理完一個時間片段(5分鐘)的信令數(shù)據，得到的結果存儲在一個Map對象中，該對象的key為道路名稱，value為每一條路的詳細信息，其中每一條路的信息存儲結構中的字段見表1。核心機房將路況結果對象序列化寫入一個socket中，根據IDC機房的IP和端口號發(fā)送數(shù)據。IDC機房的數(shù)據融合服務器上的socket服務一直處于監(jiān)聽狀態(tài)，數(shù)據融合服務器從socket收到數(shù)據后反序列化解析得到路況結果對象，并返回一個狀態(tài)碼，完成傳輸。表1信令處理服務器向數(shù)據融合服務器發(fā)送的數(shù)據格式經過初步融合的車速仍然存在數(shù)據缺失和噪聲，為此，挖掘初步融合后車速數(shù)據中的隱藏特性，基于壓縮感知技術對缺失的車速進行補全，使其最大可能的接近真實的交通狀況。壓縮感知技術要解決的問題是給定Mm×n如何來估計Xm×n。由于交通流的特性，Mm×n中的各行或各列之間有很大可能性是相關的，即Mm×n是低秩的。測量矩陣Mm×n的這個特性允許應用壓縮感知技術對Mm×n實現(xiàn)矩陣補全。換句話說，如果Mm×n滿足低秩性的要求，那么應用壓縮感知，對Mm×n進行精確的恢復是可能的。下面給出測量矩陣的低秩性檢驗方法及實例。通過抽取測量矩陣的稠密子方陣，計算其特征值的分布，可分析測量矩陣是否滿足低秩特性。由于福建9條高速公路被劃分成3046個切換路段，并以5分鐘為一個測量時間片，因此，1天的測量值構成了大小為288×3046的測量矩陣M。選取2015年11月27日的信令數(shù)據和車檢器數(shù)據，形成測量矩陣M。該矩陣中最大的稠密子方陣的大小為159×159，從中選取大小分別為30、60、90、120、150的子方陣，計算這些子方陣的特征值，并對每個子方陣的特征值進行歸一化，使得其最大的特征值為1。若存在多個大小一樣的稠密子方陣(例如，大小為30的子方陣有25個)，那么取其歸一化后的平均特征值為該大小方陣的特征值。圖3顯示了對于不同大小的子方陣，歸一化后的特征值以從大到小的方式排列的結果。圖例用于表示子方陣大小以及不重疊的同樣大小的子方陣的數(shù)目。從圖中可以看出不同大小的稠密子方陣其歸一化后的特征值的分布相似，即，這些方陣的信息主要集中在前幾個特征值上。由于M的不同大小的稠密子方陣都是低秩的，可以推斷M也是低秩的。在第三步補全融合中，迭代的最小二乘法求解估計矩陣的關鍵操作是計算最小二乘法，其復雜度為O(rmn)，共需要迭代κ次，因此第三步的整體復雜度為O(rmnκ)。利用Java并行線性代數(shù)庫jblas可加速矩陣運算。針對大小為288×3046的測量矩陣，在r＝2，κ＝200時，采用jblas庫執(zhí)行第三步僅需30.7秒，能夠滿足高速公路路況檢測的實時性要求。IDC機房可以訪問外網以獲取和輸出數(shù)據，但是出于安全考慮，不能搭建服務供外部訪問，因此需要將數(shù)據融合服務器得到的最終路況結果數(shù)據發(fā)送至外網的Web訪問服務器。數(shù)據融合得到的路況結果數(shù)據可以發(fā)送至數(shù)據存儲服務器以便存儲在該服務器上和之后的查看。數(shù)據融合服務器定期(間隔5分鐘)向數(shù)據存儲服務器發(fā)送實時的路況結果數(shù)據，數(shù)據存儲服務器收到結果數(shù)據后，將其存入本地數(shù)據庫。提供以上實施例僅僅是為了描述本發(fā)明的目的，而并非要限制本發(fā)明的范圍。本發(fā)明的范圍由所附權利要求限定。不脫離本發(fā)明的精神和原理而做出的各種等同替換和修改，均應涵蓋在本發(fā)明的范圍之內。當前第1頁1 2 3