智能交通系统中的交通信息采集技术研究进展

陈宇峰，向郑涛，陈 利，潘正清

（湖北汽车工业学院 电气与信息工程学院，湖北 十堰442002）

20世纪90年代以来，智能交通系统（Intelligent Transportation System，ITS）得到了飞速发展，并日益成为提高运输效率、改善行车安全、减少空气污染的重要途径［1］。实时、准确的交通信息采集是实现交通控制与管理，以及交通流诱导等应用的前提和关键。交通信息分为2种：静态交通信息和动态交通信息［1－2］。 其中，静态交通信息是指相对固定不变的交通信息，如路网信息、交通基础设施信息等；动态交通信息是指随时间变化的交通信息，如交通流信息、交通事故信息、交通管制信息等。交通信息采集主要关注的是动态交通信息中的交通流信息，如车流量、平均车速、车辆类型、车辆定位、行程时间等。

对于上述不同类型的交通信息，采集技术种类很多，根据被采集车辆是否与采集系统进行交互，即是否独立于采集系统，交通信息采集技术分为2大类：独立式采集技术和协作式采集技术。独立式采集技术主要包括：感应线圈检测、地磁检测、微波检测、红外线检测、视频检测。在独立式采集技术中，被检测车辆不会向采集系统发送和接收任何信息，完全由采集系统自主实现信息采集。协作式采集技术主要包括基于GPS定位的采集技术、基于RFID的采集技术和基于蜂窝网络的采集技术。在协作式采集技术中，被检测车辆上会有相应的车载设备，如GPS终端，通过它与整个采集系统的其他部分进行信息交换，以实现信息采集。

1 独立式采集技术

独立式采集技术又称车辆检测技术，目前具有代表性的分类方法是按检测器的工作方式及工作时的电磁波波长范围，分为3类［1］：磁频检测、波频检测和视频检测。

1.1 磁频检测

常用的磁频检测技术包括感应线圈检测和地磁检测。

感应线圈检测器是一种基于电磁感应原理的车辆检测器，它的传感器是埋在地面下通有一定工作电流的环形线圈，通过检测线圈电感量的变化达到检测车辆存在的目的［3］，进而可实现车流量、平均车速、车道占有率、平均车长、平均车间距等交通信息的检测。文献［4］采用微型线圈，有效降低了安装工程量，提高了线圈的使用寿命。文献［5］利用相邻车道线圈检测器之间的数据交换，提出了一种基于分段时间序列模式匹配的骑线车辆检测方法。文献［6］采用贝叶斯方法，提出了基于单线圈检测器实现车速和车长的估计方法。为了提高检测精确，文献［7］采用贝叶斯方法，提出了基于双线圈检测器实现车速和车长的估计方法。

地磁检测器的检测原理［8］是利用铁质物体通过时，会引起地磁场的扰动，从而通过检测地磁场的异常来判断车辆的出现。文献［9］提出了一种采用高精度微磁传感器的自动检测系统，能可靠实现车辆弱磁信号的检测。文献［8］采用2个各向异性磁阻传感器组成三轴测试电路进行车辆检测，实验表明，该方法能可靠地检测出特定车位上车辆的到位情况。文献［10］指出，基于 MEMS（Microelectromechanical system）的磁检测器成本低、功耗低、体积小、重量轻，并提出了基于MEMS磁检测器的车辆检测系统结构。文献［11］提出了基于嵌入式无线磁传感器的车辆分类方法，能自动实现4种车辆的分类：摩托车、小汽车、皮卡车和货车，其中摩托车的识别率在95%左右，另3种车的识别率在70%～80%左右。

1.2 波频检测

常用的波频检测技术包括微波检测和红外线检测。

微波检测器利用雷达线性调频技术原理，对检测路面发射微波，通过对反射回来的微波信号进行检测，实现车速、车身长度、车流量、车道占有率等交通信息的采集［1］。文献［12］根据微波检测器检测到的各车道车辆数，实现对十字路口交通灯指示的切换和持续时间的智能控制。文献［13］提出了采用连续波雷达进行车辆分类的方法，该方法采用时频分析和霍夫变换得到多普勒特征，进而得到车辆散射中心的空间分布，从而实现车辆的分类，实验表明：该方法对小汽车、货车和卡车这3种车辆的识别率达到了94.8%。文献［14］提出在车流量检测雷达信号去噪处理中，小波变换阈值法去噪效果较好，计算速度最快；平移不变量法去噪效果略优于小波变换阈值法，但计算速度较慢；小波变换模极大值法去噪效果最好，但计算速度最慢。

红外线检测器分为主动式和被动式2种［1］。主动式红外线检测器向检测区域发射低能红外线，通过对反射回来的红外线进行检测，实现车速、车流量、道路占有率等交通信息的采集。被动式红外线检测器本身不发射红外线，而是通过接收来自车辆和道路环境发射的红外线实现车辆的检测。文献［15］提出了采用红外热像实现实时车辆检测的方法，实验表明，该方法在白天和晚上都能很好地实现车辆检测。文献［16］提出了一种结合红外检测和压力传感器检测的车型自动分类系统，其中，红外检测实现车辆二维形状、车头高、行车方向和底盘方向的检测，压力传感器实现车轮数和车轴数的检测，从而提高检测精度。文献［17］提出了基于神经网络的红外图像行人检测方法，实验表明，识别率和虚警率分别为93.75%和4.25%。

1.3 视频检测

在智能交通系统中，视频检测技术应用比较广泛，主要包括运动车辆提取、阴影检测等。

运动车辆提取的目的是将运动车辆从背景图像中分割出来。目前主要包括帧间差分法［18］、背景差分法［19］和光流法［20］。帧间差分法利用前后两帧图像的差分实现运动物体的检测，实现简单，运算速度快，对动态环境的适应性很强，但是不适合检测速度过慢或静止的车辆。文献［21］提出了一种基于帧间差分和边缘检测相结合的移动目标检测方法。文献［22］提出了一种基于帧间差分法的夜间车辆检测方法，该方法能够有效地抑制夜间的车灯光晕。背景差分法利用当前帧与背景图像的差分实现运动物体的检测，该方法能够比较精确地提取运动目标，与车辆的运动速度无关，但对动态场景的变化很敏感。背景差分法的关键是背景提取与动态更新，典型的算法包括高斯分布模型［23］和卡尔曼滤波［24］。 文献［25］采用混合高斯模型，利用针对梯度图像的帧间差分实现变化区域的检测，利用背景差分实现运动物体的检测。当车辆与背景的灰度接近时，采用传统的基于灰度的背景差分法会出现空洞或破裂问题，考虑到当车辆与背景的灰度接近时，一般颜色不会相同，文献［26］提出了基于YCbCr彩色空间的背景差分法，提高了检测精度。为解决混合高斯模型因采用同一更新速率引起的背景模型更新错误问题，文献［27］利用特征点信息对场景中的像素点进行分类，不同类别的像素点采用不同的更新速率，从而实现了背景的自适应更新。为解决光照迅速变化对传统背景差分法的影响，文献［28］通过对背景图像和当前帧图像的比较得到光照因素，进而利用该光照因素实现背景图像的自动更新。光流法利用运动物体随时间变化的光流特性实现运动物体的检测，该方法精度较高，但计算量较大。文献［29］结合帧间差分法和光流法实现运动目标的检测，该方法利用帧间差分法运算速度快的特点，实现运动区域的提取；利用光流法检测准确度高的特点，对提取的运动区域进行光流计算。

在运动车辆提取过程中，与车辆同步运动的阴影也会与车辆一起被提取，所以必须进行阴影去除。阴影分为自身阴影和投射阴影2种［30］，自身阴影是目标物体自身没有被光线直接照射到的部分，投射阴影指的是由于目标物体的遮挡而在场景中形成的阴影区域。阴影去除的目标是消除投射阴影。阴影检测的方法主要包括两大类：基于阴影颜色特征的方法［31－32］和基于运动物体几何信息的方法［33］。在基于阴影颜色特征的方法中，主要包括基于RGB空间的方法和基于HSV空间的方法，文献［34］对这2种方法进行了仿真实验比较，结果表明：在阴影检测率和实时性方面，基于RGB空间的阴影检测法占优，而在阴影识别率和复杂性方面，基于HSV空间检测法占优。文献 ［35］采用基于YUV彩色空间的方法实现了运动车辆投射阴影的检测和消除。文献［36］利用基于RGB和HSV空间的阴影检测结果得到光照的估计方向，并结合边缘信息检测算法实现运动目标阴影的准确检测。文献［37－38］提出了基于纹理特性的阴影消除方法。考虑到利用阴影的单一特性不能很好地检测阴影，文献［39］综合利用阴影的光照、色度、纹理和区域统计特性实现阴影检测。

独立式采集技术应用时间较早，应用范围较广，美国休斯测试中心对以上检测技术进行了测试，并给出了相应的比较报告［40］。这些检测技术各有优势和不足，适用于不同的场合。感应线圈检测技术成熟、计数精确，广泛应用于普通道路；微波检测安装方便、直接检测速度、可检测多条车道，适应于高速公路等场合；视频检测安装方便、可提供交通图像等大量交通信息，随着检测算法稳定性和可靠性的不断提高，视频检测将会在智能交通中发挥越来越重要的作用。

2 协作式采集技术

在协作式采集技术中，通过被检测车辆上相应的车载设备与整个采集系统的其他部分进行信息交换，以实现信息采集。主要包括三大类：基于GPS定位的采集技术、基于RFID的采集技术和基于蜂窝网络的采集技术。

2.1 基于GPS定位的采集技术

该类技术通过安装在车辆上的GPS接收模块接收GPS卫星信号，从而得到车辆的相关实时信息，包括经度、纬度、时刻、速度等，进而实现车辆的定位、跟踪等功能。如果在多个车辆上安装GPS接收模块，通过这些车辆反馈回来的GPS信息，可实现路网交通流信息的采集。这些车辆被称为浮动车（Float Car）或探测车（Probe Car），一般利用出租车来充当。这种方法的缺点是GPS卫星信号容易受到楼群等建筑物的影响，定位精度会降低，甚至出现没有信号的情况。文献［41］利用大量出租车GPS数据实现路段平均行程时间的估计，并将估计结果与感应线圈方法比较，结果相差很小。文献［42］提出了利用大量历史出租车GPS数据实现未来交通阻塞点的预测方法。文献［43］利用GPS信息得到车辆的位置，实现公交车的自动报站功能，同时，利用GPRS上传公交车的实时状态信息，实现对所有公交车的实时监控和调度。文献［44］利用大规模车辆GPS信息实现道路网络图的自动生成，解决了道路网络图的时效性问题。

2.2 基于RFID的采集技术

RFID（Radio Frequency Identification）技术是一种利用无线射频原理实现非接触式自动识别的技术。它利用安装在车辆上的射频标签存储相应的车辆信息，如车牌号、发动机ID、驾驶员ID等，射频标签分为有源标签和无源标签两种，通过读写器读取射频标签中的信息，实现对车辆的自动识别。RFID技术广泛应用于智能交通中，如高速公路和停车场收费、货物自动跟踪和识别等。文献［45］结合RFID技术和GIS技术，实现邮运车辆在Internet网上的跟踪管理。文献［46］为解决传统车牌容易伪造和遮挡问题，将车牌号码等车辆信息存储在RFID标签中，形成“电子车牌”，并与传统车牌一起使用，增加了仿制难度和识别率。文献［47］采用RFID技术实现了智能交通管理专家系统，该系统通过综合各街区子系统基于RFID技术采集的交通流信息（车速、流量等）实现动态导航功能，同时，还可实现被盗车辆或逃税车辆的跟踪功能。

2.3 基于蜂窝网络的采集技术

1996年，美国通信委员会发布了E－911法案，要求移动网络运营商必须通过手机信号知道用户的位置，从而促进了手机定位服务的发展［48］。基于蜂窝网络的定位方法主要有［49］：信号到达角度AOA （Arrival Of Angle）、蜂窝小区（Cell－ID）、信号场强SA （Signal Attenuation）、信号到达时间TOA（Time Of Arrival）/时间差 TDOA （Time Difference of Arrival）定位等。文献［50］结合TOA和TDOA方法，提出了基于蜂窝网络的移动车辆动态定位方法。文献［51］结合GPS定位和蜂窝网络定位，在GPS信号不好时采用蜂窝网络定位方法，提高了系统定位的可靠性。文献［52］结合GPS和蜂窝网络，实现车辆在高速公路上的速度估计。文献［53］利用蜂窝网络得到车辆的位置和速度信息，进而用于进行交通阻塞估计。

相对于独立式采集技术而言，协作式采集技术起步较晚，但发展很快。基于GPS定位的采集技术在车辆定位的精确性和实时性方面具有优势，广泛应用于车辆的定位、跟踪等方面；基于RFID的采集技术利用射频标签存储车辆的个性化信息，广泛应用于高速公路和停车场收费、货物自动跟踪和识别等方面；基于蜂窝网络的采集技术充分利用移动通信网络广泛覆盖的优势，在大范围车辆交通信息采集方面具有广泛的应用前景。

3 交通信息采集技术的发展趋势

目前的交通信息采集方法主要是把车辆作为一个整体，通过相应的采集技术得到车辆的位置、速度等信息。实际上，车辆自身就能提供该车的交通信息，并通过仪表板进行显示。因此，未来车辆交通信息采集技术的发展趋势之一是车辆内部信息的直接获取。通过这种方式获取的信息不仅要比通过其他技术间接得到的要准确（如车速信息），而且有些信息是其他采集技术很难得到的（如发动机状态信息）。如果能直接利用这些信息，将大大提高智能交通系统的信息采集精度和范围。但是，由于技术保密的原因，汽车生产商不愿意提供相应的接口，从而使得第三方很难获取这些信息。笔者［54］提出采用车载诊断技术 （OBD，On－Board Diagnostics），利用车辆自带的通用诊断接口实现车辆信息的采集。目前OBD系统的主流标准是OBD－II，从OBD－II接口中不仅可以获取车辆实时状态信息（如发动机转速、车辆运行速度、水温和氧传感器等），还可以获取车辆的故障码。采用OBD－II来获取车辆速度信息不仅具有很强的通用性，而且由于车辆自带OBD接口，因此，可以避免改动车辆电气线路。

在实际环境中，当车辆需要获取远距离地点的信息时，如前方路口拥堵情况，由于车辆不能直接采集远距离地点的信息，此时，可以和其他车辆或者路边节点进行数据交换，以获取所需信息。因此，未来车辆交通信息采集技术的发展趋势之二是交换式信息采集。该类采集方法依赖于车辆间、车辆和路边节点间的自动组网技术；可以分为基于广播/多播和基于单播的组网技术。基于广播/多播的组网技术重点在于解决广播风暴问题，从而能够使信息得到有效传播。基于单播的组网技术重点在于路由发现，根据所发现的路径数量，又可以分为单径路由和多径路由技术。在交换式信息采集技术的支持下，车辆间可以直接交换信息，即V2V（Vehicle－to－Vehicle）；同时，车辆也可以通过路边节点交换信息，即 V2RV（Vehicle－to－Roadside－Vehicle）。

每种采集技术都有它的优势和不足，适用于不同应用要求的场合。以基于GPS定位的采集技术为例，相对于其他采集技术，它的优势是能够方便、实时、准确地得到车辆的位置和速度等信息；它的不足在于：对车辆的形状信息无能为力、车辆必须安装相应的GPS车载设备、GPS卫星信号受楼群等建筑物的影响导致定位精度降低等，而这些不足却分别是视频检测、感应线圈检测和基于蜂窝网络的采集技术的优势。因此，未来车辆交通信息采集技术的发展趋势之三是多种采集技术的融合。根据应用需求，结合各种采集技术的优点，对多种采集技术进行融合，从而为决策提供更好的支持。文献［55］融合感应线圈和浮动车数据，建立了路段出行时间估计模型，提高了预测精度。文献［56］以感应线圈、浮动车和人工报告为信息源，提出了基于vague集的多源交通信息融合模型，以实现路网的交通状态判别。

4 结束语

实时、准确的交通信息采集是实现交通控制与管理，以及交通流诱导等应用的前提和关键。根据被采集车辆是否与采集系统进行交互，即是否独立于采集系统，交通信息采集技术分为两大类：独立式采集技术和协作式采集技术。在独立式采集技术中，被检测车辆不会向采集系统发送和接收任何信息，完全由采集系统自主实现信息采集。在协作式采集技术中，通过被检测车辆上的车载设备与采集系统的其他设备进行信息交换，以实现信息采集。独立式采集技术将被采集车辆看作一个“黑盒子”，从车辆外部通过相应的技术得到车辆的相关交通信息，车辆不主动参与采集过程，甚至感觉不到采集系统的存在，这种采集技术对车辆没有特殊要求，适用范围广，但采集的车辆信息往往比较固定和单一，尤其是缺少车辆个性化信息。在协作式采集技术中，车辆通过车载终端实现与整个采集系统的交互，车载终端的使用使采集种类更加丰富，采集方式更加灵活，不仅能够实现车辆个性化信息的采集，而且为被采集车辆通过交互模式主动获取交通信息提供了可能，但这种模式需要被采集车辆安装相应的车载设备，目前来说，适用范围比独立式采集技术要小一些。随着技术的发展，未来的采集技术呈现以下趋势：车辆内部信息的直接获取、交换式信息采集、多种采集技术的融合等。

［1］ 杨兆升.城市交通流诱导系统［M］.北京：中国铁道出版社，2004.

［2］ 皮晓亮.ITS数据采集处理技术分析与系统框架流程设计［J］.公路交通科技，2008，25（7）：136－140.

［3］ 赵艳秋，刘桂香，王广义.环形线圈车辆检测器的研究［J］.微计算机信息，2007，23（20）：266－268.

［4］ 林 凌，韩晓斌，丁 茹，等.微型感应线圈车辆传感器［J］.传感技术学报，2006，19（4）：994－996，1000.

［5］ 梁俊斌，徐建闽.基于感应线圈的骑线车辆检测方法［J］.华南理工大学学报：自然科学版，2007，35（7）：20－24.

［6］ B.B.Li.On the recursive estimation of vehicular speed using data from a single inductance loop detector:A Bayesian approach ［J］.Transportation Research Part B：Methodological， 2009，43（4）：391－402.

［7］ B.B.Li.Bayesian inference for vehicle speed and vehicle length using dual－loop detector data［J］.Transportation Research Part B：Methodological，2010，44（1）：108－119.

［8］ 沈冬萍，缪传杰，徐欣歌，等.各向异性磁传感器在车辆检测中的应用 ［J］.厦门大学学报：自然科学版，2009，48（6）：827－829.

［9］ 娄文忠，徐祥红，郝建伟，等.基于坡莫合金的微磁传感器系统在机动车辆流量检测系统中的应用［J］.功能材料与器件学报，2008，14（1）：5－8.

［10］ J.H.Lan，Y.Q.Shi.Vehicle detection and recognition based on a MEMS magnetic sensor ［C］//Proc.of 4th IEEE International Conference on Nano/Micro Engineered and Molecular Systems，2009：404－408.

［11］ S.Kaewkamnerd，R.Pongthornseri，J.Chinrungrueng，et al.Automatic vehicle classification using wireless magnetic sensor ［C］//Proc.of the 5th IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems：Technology and Applications，2009：420－424.

［12］李 明.基于微波检测器交通灯智能控制系统的研究与设计［J］.西南民族大学学报：自然科学版，2007，33（4）： 984－986.

［13］ J.X.Fang，H.D.Meng，H.Zhang,et al.A ground vehicle classification approach using unmodulated continu-ous－wave radar［C］//Proc.of the Institution of Engineering and Technology International Conference on Radar Systems，2007.

［14］薛 伟，陈良章，孙晓玮.小波变换在车流量检测雷达信号去噪中的应用 ［J］.计算机测量与控制，2008，16（4）：564－566.

［15］ Y.Iwasaki.A method of robust moving vehicle detection for bad weather using an infrared thermography camera［C］.Proc.of 2008 International Conference on Wavelet Analysis and Pattern Recognition，2008：86－90.

［16］李光辉.基于红外检测和压力传感器相结合的车型自动分类系统［J］.中国科技信息，2009（5）：125－126.

［17］郭永彩，胡瑞光，高 潮.红外图像中的行人检测［J］.重庆大学学报，2009，32（9）：1070－1073.

［18］ R.Cucchiara，C.Grana,M.Piccardi，et al.Statistic and knowledge－based moving object detection in traffic scenes ［C］//Proc.of 2000 IEEE Intelligent Transportation Systems Proceedings，2000：27－32.

［19］ S.S.Cheung，C.Kamath.Robust techniques for background subtraction in urban traffic video ［C］//Proc.of SPIE－The International Society for Optical Engineering，2004：881－892.

［20］ S.Gali， S.Lon ari.Spatio－temporal image segmentation using optical flow and clustering algorithm ［C］//Proc.of First International Workshop on Image and Signal Processing and Analysis，2000：63－68.

［21］ C.H.Zhan，X.H.Duan，S.Y.Xu，et al.An improved moving object detection algorithm based on frame difference and edge detection ［C］//Proc.of 4th International Conference on Image and Graphics，2007：519－523.

［22］唐佳林，李熙莹，罗东华，等.一种基于帧差法的夜间车辆检测方法 ［J］.计算机测量与控制，2008，16（12）：1811－1813.

［23］ Z.W.He,J.L.Liu,P.H.Li.New method of background update for video－based vehicle detection ［C］//Proc.of 7th International IEEE Conference on Intelligent Transportation Systems，2004：580－584.

［24］ C.P.Lin,J.C.Tai，K.T.Song.Traffic monitoring based on real－time image tracking［C］//Proc.of IEEE International Conference on Robotics and Automation，2003：2091－2096.

［25］潘翔鹤，赵曙光，柳宗浦，等.一种基于梯度图像帧间差分和背景差分的运动目标检测新方法［J］.光电子技术，2009，29（1）：34－36，41.

［26］于万霞，杜太行.基于彩色空间的背景帧差法视频车辆检测［J］.计算机仿真，2010，27（1）：285－287，308.

［27］张 彦，周 忠，吴 威.一种用于运动物体检测的自适应更新背景模型 ［J］.计算机辅助设计与图形学学报，2008,20（10）：1316－1324.

［28］ Y.L.Guo，B.Yang，Y.Y.Ming,et al.An Effective Background Subtraction under the Mixture of Multiple Varying Illuminations［C］//Proc.of Second International Conferenceon ComputerModelingand Simulation，2010：202－206.

［29］邓辉斌，熊邦书，欧巧凤.基于隔帧差分区域光流法的运动目标检测 ［J］. 半导体光电，2009，30 （2）：300－304，307.

［30］ E.Salvador，A.Cavallaro，T.Ebrahimi.Shadow identification and classification using invariant color models［C］//Proc.of 2001 IEEE Interntional Conference on Acoustics， Speech，and Signal Processing，2001：1545－1548.

［31］ R.Cucchiara，C.Grana，M.Piccardi,et al.Detecting moving objects，ghosts，and shadows in video streams［C］//Proc.of IEEE Transactions on Pattern Analysis and Machine Intelligence，2003：1337－1342.

［32］ R.Cucchiara，C.Grana，M.Piccardi，et al.Improving shadow suppression in moving object detection with HSV color information ［C］//Proc.of 2001 IEEE Intelligent Transportation Systems Proceedings，2001:334－339.

［33］ A.Yoneyama，C.H.Yeh，C. －C.J.Kuo.Moving cast shadow elimination for robust vehicle extraction based on 2D joint vehicle/shadow models ［C］//Proc.of the IEEE Conference on Advanced Video and SignalBased Surveillance，2003:229－236.

［34］ 高 岚，董慧颖，兰利宝.自适应背景下运动目标阴影检测算法研究［J］.现代电子技术，2007（6）：59－61.

［35］钟 琨，路小波，施 毅，等.一种基于YUV彩色空间的运动车辆阴影消除方法 ［J］.交通与计算机，2007，25（3）：110－113.

［36］林坤杰，万晓冬.基于边缘信息及光照方向的阴影检测算法［J］.计算机工程，2009，35（20）：192－193，196.

［37］ A.Leone，C.Distante,F.Buccolieri.Shadow detection for moving objects based on texture analysis ［J］.Pattern Recognition，2007，40（4）：1222－1233.

［38］祖仲林，李 勃，陈启美.基于局部纹理特性的运动车辆阴影消除［J］.计算机工程，2009，35（16）：167－169.

［39］熊运余，曾凡光，周 鹏，等.一种新的多特性联合阴影检测方法［J］.光电工程，2009，36（4）：118－122.

［40］美国休斯测试中心.常见交通检测技术性能比较报告［R］.美国联邦高速道路管理局，1994.

［41］张和生，张 毅，温慧敏，等.利用GPS数据估计路段的平均行程时间 ［J］.吉林大学学报： 工学版，2007，37（3）：533－537.

［42］ M.Li，Y.H.Zhang，W.J.Wang.Analysis of congestion points based on probe car data ［C］//Proc.of 2009 12th International IEEE Conference on Intelligent Transporta-tion Systems，2009:232－236.

［43］张永生，文 科.基于GPS/GPRS的公交车自动报站系统设计［J］.现代电子技术，2009（19）：212－214，218.

［44］ W.H.Shi，S.H.Shen,Y.C.Liu.Automatic generation of road network map from massive GPS vehicle trajectories ［C］//Proc.of 2009 12th International IEEE Conference on Intelligent Transportation Systems，2009：48－53.

［45］曹小丽，孔松涛，张长新.基于RFID技术的邮政车辆管理系统［J］.计算机应用，2007，27（S1）：119－120.

［46］周治国，李文印，李 同，等.基于RFID的新型机动车号牌及自动识别系统［J］.吉林大学学报：信息科学版，2008，26（4）： 374－379.

［47］ W.Wen.An intelligent traffic management expert system with RFID technology［J］.Expert Systems with Applications,2010，37（4）：3024－3035.

［48］ J.H.Reed，K.J.Krizman，B.D.Woerner,et al.Overview of the challenges and progress in meeting the E－911 requirement for location service［J］.IEEE Communications Magazine，1998，36（4）：30－37.

［49］胡可刚，王树勋，刘立宏.移动通信中的无线定位技术［J］.吉林大学学报： 信息科学版，2005，23 （4）：378－384.

［50］ 姚素芬，朱 诚，张 鹏，等.物流监控中的蜂窝无线定位［J］.数据采集与处理，2009，24（S1）：269－271.

［51］何 杰，胡如夫，李传志等.基于无线定位终端的公路事件检测方法研究 ［J］.系统仿真学报，2009，21（12）：3828－3832.

［52］ R.R.He,T.Z.Qiu,B.Ran.Comparative study on GPS and cellular probe techniques for freeway travel speed estimations ［C］//Proc.of 14th International Conference on Urban Transport and the Environment in the 21st Century,2008:479－490.

［53］ W.Andreas,W.Shangbo,G.H.Bruck,et al.Traffic congestion estimation service exploiting mobile assisted positioning schemes in GSM networks［J］.Procedia Earth and Planetary Science，2009，1（1）：1385－1392.

［54］ Y.F Chen，Z.T.Xiang，W.Jian，et al.Design and implementation of multi－source vehicular information monitoring system in real time ［C］//Proc.of 2009 IEEE International Conference on Automation and Logistics，2009：1771－1775.

［55］刘红红，杨兆升.基于数据融合技术的路段出行时间预测方法［J］.交通运输工程学报，2008，8（6）：88－92.

［56］刘 澜，戢晓峰.基于Vague集的道路交通状态决策信息融合［J］.公路交通科技，2009，26（5）：112－116.