一種基于云計算和大數據的導航方法
【技術領域】
[0001] 本發明設及一種車輛導航技術領域，具體的說是一種基于云計算和大數據的導航 方法。
【背景技術】
[0002] 目前有兩種導航系統廣泛用于生活，一種是采用離線導航，它包括定位模塊，離線 的電子地圖W及路徑計算模塊。經衛星定位后，由離線的電子地圖提供道路信息，路徑計算 模塊計算出導航路徑。并由存儲下來的歷史交通記錄來避開在某些時間段里的擁堵路段， 運種導航系統在道路狀況變化不大時具有良好的應對效果，但是由于沒有采用實時的交通 信息作為參考，在道路狀況多變的城市中難W起到同樣的效果。
[000；3]現在多采用的是第二種導航系統，它具備了 GSM模塊，通過GPRS連接網絡中屯、，在 網絡中屯、更新實時交通信息，將實時交通信息加入考慮范圍之內，然后進行導航路徑的選 擇。解決了第一種導航系統沒有考慮到實時交通信息而使導航效果變差的問題。
[0004] 但是運種導航系統也存在著一個新問題:交通信息會隨著時間的變化而變化，依 據一時的交通狀況而作出的最優路徑選擇往往過一段時間又發生了變化。
[0005] 為解決運個問題，申請號為201410461054.8的中國專利公開了一種基于交通信息 預測的導航系統及方法，該系統根據當前的實時交通信息W及已進行路徑選擇的車輛路徑 信息，預測出未來路徑的交通狀況，選出最優路徑。運個發明考慮到了已規劃路徑的車輛對 后續車輛導航的影響，避免所有車輛都選擇在現在時刻最優的路徑導致最優路徑反而最擁 堵的問題。但是沒有考慮到一些車輛在熟悉路段行駛時，沒有進行導航對交通信息產生的 影響，W及路況變化對已進行導航的車輛的選擇影響，使得路徑的交通狀況的預測失真，導 航效果變差。
【發明內容】
[0006] 針對現有技術中導航終端的數據存儲能力和計算能力無法做到在短時間內對路 徑狀況作出預測等不足，本發明提供一種可對路徑的未來交通狀況作出快速及更準確的預 測、從中選擇最優導航路徑的基于云計算和大數據的導航方法及系統。
[0007] 為解決上述技術問題，本發明采用的技術方案是：
[000引本發明一種基于云計算和大數據的導航方法，包括如下步驟：
[0009] 第一步:全城的車輛實時上傳行駛數據信息；
[0010] 第二步:服務器終端存儲并進行算法模擬，得出全城路徑和車輛的相關信息：
[0011] 第=步:在導航終端輸入目的地后，服務器終端接收信息并計算出所有由當前位 置到目的地的導航路徑，采集在導航路徑上且采用了導航系統的車輛信息，和對由平時的 監控得出的可能在導航路徑上的車輛的大概率行駛路徑信息，由此作出交通的初步預測；
[0012] 第四步：W初步預測為基礎反向預測實時的交通狀態，得出反向交通歸一化新息 平方；
[0013] 第五步:將歷史中在同一時刻同一路徑交通狀況的交通歸一化新息平方與反向交 通歸一化新息平方作比值A，設定閥值L，預測的時間段內滿足條件A<L的時刻數所占全部 時刻數的比例大于50%，直接輸出運一時段的初步交通預測，計算比較后選擇最優路徑；
[0014] 若在預測的交通狀況的時間段內，預測的交通信息與實時交通信息相比相差較 大，相差較大是指預測的車流量和車的平均速度大于或小于實時的車流量和車的平均速度 的數值超過6 W上，進行第=步開始；
[001引第六步:若第一次預測的時間段內滿足條件A<L的時刻數所占全部時刻數的比例 小于50%，則根據實時交通狀態，采用校準后的交通狀態預設值，W標準卡爾曼濾波算法計 算得出未來一段時間的交通狀態預測，返回第五步；自第二次開始得出的預測的時間段內 滿足條件A<L的時刻數所占全部時刻數的比例小于50%，則通過調整k+1時刻新息協方差 來進行對未來設定時間內的交通狀態預測，返回第五步；
[0016] 當達到設定時間后，則重新進行上述步驟：當設定時間內的預測結果不準確時，貝U 進行第=步重新預測。
[0017] 進一步地，所述全城路徑和車輛的相關信息，包括：
[0018] Al:導航終端收集全城每條路徑的歷史交通狀態值，根據統計直接得出路徑楊通 情況下的車容納量；
[0019] A2:根據歷史交通狀態值計算得出每條路徑的交通狀態預示值，即校準后的交通 狀態預設值；
[0020] A3:根據所得到的歷史交通狀態值計算得出每條路徑上的每時刻的交通歸一化新 息平方并存儲；
[0021] A4:根據頻繁模式樹算法得出車輛日常大概率行駛的路徑并存儲。
[0022] 進一步地，所述歷史交通狀態值是指車流量和車的平均速度。
[0023] 進一步地，所述步驟A2交通狀態預設值的計算方法為：
[0024] W同一路徑每天k時刻和k+1時刻的歷史交通狀態值為模型（k = 0，l，2,3,4,5， 6......n)，
[0025] 々誦獻杰節賴.
[0026]
《1 )
[0027]其中：F化)為狀態轉移矩陣，G化)為輸入控制項矩陣，Wk)為過程噪聲序列，X(k) 表示歷史第k時刻的交通狀態值，U化)表示控制信號，巧k+ljk):表示Wk時刻為基礎預測的 k+i時刻的預測值;X代表歷史交通狀態值，同時采用道路上的外部測量設備如監控器，地感 線圈等測量的交通狀態值作為系統測量值Z，同X-樣為歷史數據;帶的量都代表系統預 測值，右上角帶W"的量代表轉置矩陣，右上角帶"-r的量代表逆矩陣；
[002引交通量測方程：
[0029]
(2)
[0030] S化+i!k)表示Wk時刻為基礎預測的k+1時刻的系統測量預測值，H化+1)為量測矩 陣，W化+1)為量測噪聲序列；
[0031] 濾波新息的運算：
[00 創
[0033] Z化+1)代表k+1時刻的系統測量歷史值，I (k + I)表示k+1時刻的系統測量預測值
[0034] 協方差一步預測：
[0035] P(k+1 |k)=F(k)P(k)F'化)+Q(k) (4)
[0036] P/化)代表F化)的轉置矩陣，Q化)表示協方差
[0037] 新息協方差：
[003引 S(k+l)=H(k+l)P(k+l |k)H'化+1)+R(k+1) (5)
[0039] S化+1)新息協方差、H化+1)量測矩陣、P化+1 I k) Wk時刻為基礎預測的k+1時刻的 協方差一步預測、化+1)量測矩陣的轉置矩陣、R化+1)和Q化)代表不同的協方差
[0040] 增益：
[00川 K(k+l)=P(k+l |k)H'化+l)S-i(k+l) (B)
[0042] K化+1)表示用于下一步的k+1時刻的增益
[0043] A油、出去W立亡+壬口
[0044] (7)
[0045] X化+1)表示歷史中的X化+1)的k+1時刻的交通狀態值，
[0046] 協方差更新方程：
[0047] P(k+l)=P(k+l |k)-K化+1)S化+1 化'（k+1) (8)
[004引K'化+1)表示K化+1)的轉置矩陣。
[0049] 進一步地，所述步驟A3交通歸一化新息平方，是W校準后的交通狀態預設值求得 該路徑在該時間段的的交通歸一化新息平方：
[0050] ￡v(k)=v'化）S_i(k)v(k) (9)
[0051] 化)交通歸一化新息平方，化)k時刻的濾波新息的轉置矩陣，S^i化)新息協方 差的逆矩陣，V化)表示k時刻的濾波新息。
[0052] 進一步地，所述步驟A4中所述車輛日常大概率行駛的路徑，是指日常車輛在不同