基于网络受限移动对象数据库的交通流统计分析模型

网络动态交通流的统计分析技术是目前移动计算及智能运输系统领域的一个重要研究方向．然而，现有的交通流统计分析方法(如基于固定传感器的方法、高空交通流监视方法、浮动车法等)存在着信息量少、数据处理复杂、精确度及效率低下、通信代价高昂等缺陷．为了有效地提高交通流统计分析的效率与精度，提出了一种基于网络受限移动对象数据库的交通流统计分析方法(network constrained moving objects database based traffic flow statistical analysis．NMOD—TFSA)．通过对移动对象所提交的位置更新信息进行联机统计，NMOD-TFSA能够实时地获取交通网络各部分的动态交通参数．由于在数据采集时考虑了道路网络的拓扑结构，NMOD．TFSA有效地降低了通信及计算的代价；此外，NMoD—TFSA所采集的数据能够反映移动对象完整的时空轨迹，因此为数据分析提供了更为丰富的信息，提高了数据处理的精度．实验结果表明，与目前通行的浮动车法相比，NMOD—TFSA有效地降低了 通信及计算代价，提高了交通流统计分析的精度与灵活性．

移动对象数据库模型、查询语言及实时交通流分析

提出一种移动对象数据库模型——Dynamic Transportation Network Based Moving Objects Database(简称DTNMOD),并给出了DTNMOD中基于移动对象时空轨迹的网络实时动态交通流分析方法.在DTNMOD中,交通网络被表示成动态的时空网络,可以描述交通状态、拓扑结构以及交通参数随时间的变化过程;网络受限的移动对象则用网络移动点表示.DTNMOD模型包含了完整的数据类型和查询操作的定义,因此可以在任何可扩充数据库(如PostgreSQL或SECONDO)中实现,从而得到完整的数据库模型和查询语言.为了对相关模型的性能进行比较与分析,基于PostgreSQL实现了一个原型系统并进行了一系列的实验.实验结果表明,DTNMOD提供了良好的区域查询及连接查询性能.

基于模糊模式识别的车型分类研究

根据目前中国路桥车辆收费标准,提出了一种基于模糊模式识别的车型分类系统。车辆经过环形线圈传感器时,形成感应曲线,提取感应曲线的特征并进行特征分离,利用模糊模式识别方法对车型进行匹配分类。研究结果已在路桥收费系统以及交通流量统计中得到应用。