CN104217593A - 一种面向手机移动速度的路况信息实时获取方法 - Google Patents

Abstract

本发明公开了一种面向手机移动速度的路况信息实时获取方法，属于智能交通领域，该方法包括：历史交通数据挖掘，道路交通状态推测，道路旅行速度计算。本发明是面向手机信令数据计算出的手机移动速度，对这些移动速度进行融合计算进而获得路况信息。由于手机移动速度的获取原理是基于网络的无线定位技术，因此这充分利用了已有的移动通讯设施和网络资源，可以以很少的投资实现覆盖全路网、全天候的道路实时交通信息采集。所以面向手机移动速度的路况信息融合计算能够满足广阔地区实时路况计算的需求。

Description

一种面向手机移动速度的路况信息实时获取方法

技术领域

本发明涉及智能交通领域，特别是一种面向手机移动速度的路况信息实时获取方法。

背景技术

近年来，信息技术不断应用到交通运输领域，交通信息资源不断地丰富，交通信息服务的手段逐渐地完善。通过向公众提供交通信息，可以为出行者在出行前作出良好规划、在出行中规避拥堵路段，从而达到有效利用道路、减少拥堵的目的。

高效的实时交通信息采集是先进交通信息服务***的基础。交通信息采集方式分为固定式采集和移动式采集两种。传统的固定式采集方式因其成本高昂、需要人工维护、易磨损等特点使其难以实现覆盖全路网的交通信息采集。近年来，随着无线传感器网络和定位技术(如GPS)的快速发展，众多具有定位功能的无线手持设备和车载设备大量普及，移动式采集方式得到了快速的发展。现有的基于浮动车的路况信息服务***提供的交通信息在城区道路覆盖率和准确率均达到了相当高的水平。然而由于现有浮动车数据源大多来源于出租车和公交车，使得在城市周边(郊区、高速公路)仍然存在明显的数据缺失现象。基于无线移动定位技术的交通数据采集技术由于其投资小，数据量大，采集覆盖范围广等特点，可有效地弥补现有采集方式的不足，正日益受到交通机构的重视。目前，以无线移动定位数据作为数据源进行路况信息计算已成为交通信息处理技术的一个重要发展方向。

综上所述，实现基于无线移动定位的交通信息处理技术具有十分重要的现实意义。现有的基于无线移动定位的交通信息处理技术方案分为两大类：采用高精度定位数据计算路况信息和采用基于基站切换定位数据计算路况信息。采用高精度定位数据计算路况信息技术成熟，准确率高，但由于高精度定位数据成本较高且涉及用户隐私问题，在现有条件下难以大规模采集，无法真正发挥无线移动数据特点。而采用基于基站切换定位原理计算路况方式由于其定位精度低，直接导致了计算出的路况信息不准确，甚至错误。

基于手机移动信令的交通信息处理技术，其原理是基于基站切换计算路况信息，其面临着诸多挑战。如手机载体来源广泛，既可来自道路旁徒步的人群，也可来公交车及小汽车的乘客，也可来自驾驶非机动车的驾驶员，但只有载体为道路上机动车里的手机用户才是可用于路况计算的样本，由于载体难以区分，造成了计算出的路况信息不能如实地反映道路的交通状况；又如手机移动信令数据具有随机性强、定位精度低等特点，并且在相邻的不同时间段内接打电话(触发通信事件)的手机用户样本量波动较大，从而对道路旅行速度的计算造成了偏差(抖动)；这些情形都使得路况信息计算得不准确。

发明内容

有鉴于此，本发明的目的在于提供一种面向手机移动速度的路况信息实时获取方法，以达到提高路况计算的精度，实现准确的、实时的和覆盖范围广的路况信息计算的目的，而最终的目的是提高智能交通***的服务质量。

本发明的实施例提供了一种面向手机移动速度的路况信息实时获取方法，路况信息融合是对每条道路上所有移动手机产生的路况信息做进一步的融合处理，生成以道路为单位的实时动态交通信息。包括：

步骤一、历史交通数据挖掘；

步骤二、道路交通状态推测；

步骤三、道路旅行速度计算。

本发明应用现有的手机移动速度数据，进而对其融合计算获得路况信息。由于面向手机移动速度的路况信息融合计算方法充分利用了已有的移动通讯设施和网络资源，可以以很少的投资实现覆盖全路网、全天候的道路实时交通信息采集，因此面向手机移动速度的路况信息融合计算方法能够满足广阔地区实时路况计算的需求。

附图说明

图1为手机移动速度获取的原理示意图；图1(a)为前一个基站覆盖区域，图1(b)为相邻两个基站覆盖的交界区域实为发生手机基站切换的区域，即切换区，图1(c)为下一个基站覆盖区域；

图2为本发明实施例提供的面向手机移动速度的路况信息实时获取方法的流程图；

图3为本发明实施例提供的历史交通数据挖掘流程图；

图4为本发明实施例提供的道路旅行速度计算流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本实施例应用现有的手机移动速度数据，进而对其融合计算获得路况信息。由于面向手机移动速度的路况信息实时获取方法充分利用了已有的移动通讯设施和网络资源，可以以很少的投资实现覆盖全路网、全天候的道路实时交通信息采集，因此面向手机移动速度的路况信息融合计算方法能够满足广阔地区实时路况计算的需求。本发明实施例根据手机移动速度数据的特点，提出历史交通数据挖掘方法，道路交通状态推测方法，道路旅行速度计算方法，从而得到路况信息。

本实施例应用的手机移动速度数据是在运营商提供的活跃手机用户的手机移动信令数据的基础上计算而来，活跃用户指触发移动通信事件(通话、短信接发、正常位置更新等)的用户。手机移动速度数据的数据格式如下表所示。

表1

字段名称	描述	类型	最大长度
				TimeSeq	时间段序号	整型字符串	3
User ID	用户的手机加密号码	整型字符串	11
				Link ID	路链号	整型字符串	10
Speed	速度值	浮点型	10

手机在移动的过程中，会和基站保持不间断的通信，当手机当前服务基站的信号强度减弱，邻近基站的信号强度超过当前基站，手机信号会切换到邻近基站，以便获得更好的信号。在切换的过程中，运营商会保留相关切换记录，这对于计算手机移动速度提供了所需的信令数据。发生手机切换的位置称为切换点(Handover Point)，连续发生两次手机切换的路段为切换路段，道路上连续的切换点和切换路段共同组成了道路切换网络(Handover Network)。手机一系列的切换点，通过地图匹配确定手机所属的行驶路径，完成路径匹配后，进行手机速度的计算。

基于手机切换进行手机速度计算的示意图如图1所示，图中相邻两个基站覆盖的交界区域实为发生手机基站切换的区域，即切换区如(b)，当手机由前一个基站覆盖区域(a)通过切换区进入下一个基站覆盖区域(b)时，可以记录一个切换时间和切换点，同样，当经过下一个切换区时，会记录下一个切换时间和切换点。这样就产生了一个时间差，根据切换区之间的距离就可以计算出手机在两个切换点间移动的速度。在应用该方法的时候，需要多次测试确定手机的切换点和切换路段，计算出相邻两个切换点间的路段长度。利用手机切换点采集交通信息的方法，需要经过多次测量，确定切换网络，方便进一步对手机的定位。

图2是本发明实施例提供的面向手机移动速度的路况信息融合计算方法的流程图，该方法包括：

步骤201、历史交通数据挖掘。由于交通数据在一定程度上具有周期性和相似性，如早晚高峰的潮汐特性。因此有必要对历史交通数据进行规律挖掘，挖掘出其变化规律，并最终将其规律应用到当前的(实时的)道路交通状态判别以及未来可能的道路交通状态预测上。在对历史交通数据挖掘时，需要依次完成提取特征值；建立特征向量；构造训练元组；执行元组集合的训练等步骤(如图3)。

步骤2011、提取特征值。提取特征值的方法具体是指，从历史交通数据中提取与道路交通状态相关的值，时间段序号的值和道路上移动手机用户个数的值。特征值作为数据挖掘模型的输入，是对数据的抽象描述，因此特征值的选取非常重要，它能否准确地反映待分类数据的特点将直接影响最终的分类效果。本实施例选取的分类特征包括：时间段序号特征和道路上移动手机用户数目的特征。

因为道路交通状态值总是随着时间段的不同而不同，所以时间段序号可作为交通状态判别的一个特征。

全天中的时间段可用如下公式表示：

[(t/12):(t％12)×5,(t/12):(t％12)×5+5]   (1)

其中t表示时间段序号，因为手机信令数据的采样间隔为5分钟，因此，一天共有个时间段。时间段序号0代表时间段[0:00,0:05)，时间段序号t代表时间段[(t/12):(t％12)×5,(t/12):(t％12)×5+5]。时间段序号t的概念简化了对数据生成时间的描述。这样一天的时间段序号特征可以用集合I＝{0,1,2…n,n＝1,2,3…288}来表示。

因为道路交通状态值常常受到道路上移动手机用户数目波动的影响，移动手机用户数目大易导致交通拥堵，移动手机用户数目小使得交通畅通，所以道路上移动手机用户数目可作为道路交通状态判别的一个特征。

步骤2012、建立特征向量。建立特征向量的方法具体是指，根据以上提取出的特征值、建立特征向量，把每个特征值都作为特征向量的一个分量。所述的特征向量，是用于决策树训练模型的输入。

步骤2013、构造训练元组。构造训练元组的方法具体是指：根据以上建立的特征向量，构造训练元组，把特征向量的每个分量都作为训练元组的一个属性，最后还要添加一个类标签属性，类标签属性是指道路交通状态(畅通、缓慢、拥堵)，来源于浮动车技术的标定。

步骤2014、执行元组集合的训练。执行元组集合的训练具体是指，输入元组集合到决策树训练模型中，执行训练操作。应用大量历史交通数据进行决策树预测模型的训练，可得到最优的预测模型。决策树(Decision Tree)是数据挖掘分类算法中的一个重要方法。它是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系。它的工作原理是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，是直观运用概率分析的一种图解法。当向决策树训练模型中输入训练元组集合之后，决策树训练模型经过训练学习过程，将会产生预测模型，此预测模型为在后续的道路旅行速度计算中剔除干扰簇集和选择最优簇提供指导性的决策支持，即数据的有效性识别。数据的有效性识别是数据融合的一部分，数据融合是指将手机的移动速度融合成为以道路为单位的道路旅行速度。数据的有效识别是数据融合中的关键步骤，判别为有效的手机移动速度数据才能参与路况信息的融合计算。

步骤202、道路交通状态推测。读取训练好的决策树预测模型，可将从手机移动速度数据中提取的特征向量分为拥堵、缓慢和畅通三类。参考决策树训练模型对历史元组集合训练出的特征参数，从而判断当前的(实时的)待分类特征向量的分类结果即道路交通状态。

步骤203、道路旅行速度计算的步骤依次为采用KMeans聚类算法对手机移动速度聚成3个簇；从3个簇中，选择最优的簇；利用Kalman滤波算法对当前最优簇的中心值进行校正(如图4)。

步骤2031、采用KMeans聚类算法对手机移动速度聚成3个簇。即采用KMeans聚类算法对当前的(实时的)同一时间段内的手机移动速度聚成3个簇。

步骤2032、从3个簇中，选择最优的簇。即利用道路交通状态推测方法推测出当前的道路交通状态，然后从聚类后的3个簇中选择最符合当前道路交通状况的簇，即最优的簇，它的选取规则如下：

如果当前的道路交通状态是畅通，中心值最大的簇是最优的；

如果当前的道路交通状态是缓慢，速度个数最多的簇是最优的；

如果当前的道路交通状态是拥堵，中心值最小的簇是最优的；

步骤2033、利用Kalman滤波算法对当前最优簇的中心值进行校正。即利用Kalman滤波算法对当前最优的簇的中心值进行滤波处理，滤波处理时参考前3个相邻时段的旅行速度值来校正当前簇的中心值，校正完毕之后，输出校正后的结果，即当前的道路旅行速度值。

总之，以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (4)

1.一种面向手机移动速度的路况信息实时获取方法，其特征在于，包括： 

步骤一、历史交通数据挖掘； 

步骤二、道路交通状态推测； 

步骤三、道路旅行速度计算。 

2.根据权利要求1所述的面向手机移动速度的路况信息实时获取方法，其特征在于，所述的历史交通数据挖掘方法具体包括： 

提取特征值，建立特征向量，构造训练元组，执行元组集合的训练； 

其中，所述提取特征值的方法具体包括： 

从历史交通数据的所有字段中提取与道路交通状态相关的字段，时间段序号的字段和道路上移动手机用户个数的字段，即提取时间段序号特征值和道路上移动手机用户个数的特征值； 

其中，所述建立特征向量的方法具体包括： 

根据以上提取出的特征值，建立特征向量，把每个特征值都作为特征向量的一个分量； 

其中，所述构造训练元组的方法具体包括： 

根据以上建立的特征向量，构造训练元组，把特征向量的每个分量都作为训练元组的一个属性，最后还要添加一个类标签属性，类标签属性是指道路交通状态，具体利用0代表畅通、1代表缓慢、2代表拥堵，来源于浮动车技术(FCD)获取的道路交通状态； 

其中，所述执行元组集合的训练具体包括： 

输入元组集合到决策树训练模型中，执行训练学习任务。 

3.根据权利要求1所述的面向手机移动速度的路况信息实时获取方法，其特征在于，所述的道路交通状态推测方法具体包括： 

利用决策树训练模型对历史元组集合训练出的特征参数，从而判断当前的即实时的待分类特征向量的分类结果，即道路交通状态识别。 

4.根据权利要求1所述的面向手机移动速度的路况信息实时获取方法，其特征在于，所述的道路旅行速度计算的步骤具体包括： 

a、采用KMeans聚类算法对当前的即实时的同一时间段内的手机移动速度聚成3个簇，这是因为道路上的所有车速一般呈现高、中、低三种速度群体，即簇； 

b、利用道路交通状态推测方法推测出的当前的即实时的道路交通状态，然后从聚类后 的3个簇中选择最符合当前道路交通状况的簇，即最优的簇，它的选取规则如下： 

如果当前的道路交通状态是畅通，中心值最大的簇是最优的； 

如果当前的道路交通状态是缓慢，速度个数最多的簇是最优的； 

如果当前的道路交通状态是拥堵，中心值最小的簇是最优的； 

c、利用Kalman滤波算法对当前最优的簇的中心值进行滤波处理，即参考前3个相邻时段的旅行速度值来校正当前簇的中心值，校正完毕之后，把校正结果输出，即输出当前的道路旅行速度值。