CN105389996A - 一种基于大数据的交通运行状态特征参数提取方法 - Google Patents

Abstract

本发明公开了一种基于大数据的交通运行状态特征参数提取方法，属于交通信息技术领域，其中交通大数据包括手机信令数据、GPS数据、基于视频、线圈断面交通流数据，交通运行状态特征参数包括车辆速度和道路流量。主要步骤如下：1)提取包含手机信令数据、GPS数据、基于视频、线圈断面交通流数据的交通大数据；2)采取基于泰森多边形的手机信令数据与GIS路网匹配方法将手机数据匹配到路网上；3)采取手机数据计算车辆速度，并以GPS数据为辅助，提高计算速度的精度；4)建立基于视频数据、线圈数据获取的高精度流量数据与手机数据提取流量数据的关系模型，提取流量信息。本发明可以在短时间内完成城市大范围的交通运行状态参数采集。

Description

一种基于大数据的交通运行状态特征参数提取方法

技术领域

本发明涉及一种交通运行状态特征参数提取的方法，尤其是一种基于大数据的交通运行状态特征参数提取方法，属于交通信息技术领域。

背景技术

交通问题是城市化发展的产物。伴随着城市化进程的加快，交通问题也日趋严重，其中，交通拥堵问题是最严重的问题之一，人们越来越关注如何治理交通拥堵。从目前来看，通过合理分配和利用现有道路资源来缓解部分路段的交通拥堵，是一种有效手段。合理分配和利用现有道路资源的前提就是对交通运行状态的掌握。目前采集交通运行状态的方法主要有两种：定点采集和流动采集。定点采集主要通过固定位置安装线圈监测器、超声波监测器、红外线监测器、微波监测器、视频监测器等监测器来采集，这种方式获取的数据相对准确但采集范围小，数据量少。流动采集主要指的是浮动车采集，这种方式获取数据的精确度完全依赖于路网上浮动车的数量，当浮动车数量少于一定值之后，获取数据的精度将大大降低。如何获取全面、实时、准确的交通运行数据成为人们关注的问题。近年来，随着大数据的迅猛发展，研究基于大数据的交通运行数据的采集技术，如何挖掘手机位置数据、GPS位置数据、基于视频、线圈断面交通流等数据来分析交通运行速度、交通流量等交通运行状态特征参数成为一个研究热点。

目前，国内外通过手机位置数据分析交通运行速度、交通流量等交通运行状态特征参数还处于研究初级阶段，已经出现部分研究成果。速度计算有通过固定时间间隔从手机网络获取时间间隔内所有手机发出的实时信号数据，根据第i部手机发出的实时信号数据得到虚拟传感器路段及旅行速度；平均路段速度计算有采用两级三次地图匹配方法以及一种称为“LAC序列法”的速度计算方法，同时也有通过速度渐变分段对道路上手机终端的行驶速度进行差分处理，并利用历史手机速度样本的旅行速度区间概率分布对路段旅行速度与旅行时间进行加权平均计算。

而对于交通流量来说，有的通过数据输入步骤所得到的交通流信息、交通噪声数据、道路类型信息与采集时间类型信息建立人工神经网络模型，进而得到交通流量信息；也有通过计算手机数据与道路交通流数据的相关系数，利用实时监测的手机数据和相关系数，预测当前时间段的交通流数据。

以上通过手机数据获取交通运行速度、交通流量等交通运行状态参数的方法存在以下缺点：

1)手机位置数据匹配到道路网的精度不高，以至于数据丢失或者道路匹配错误；

2)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；

3)计算道路平均速度时并未考虑道路车道类别的不同，将所有路段速度平均或加权平均都不能真正反映道路真实的平均速度。

4)道路交通量的计算比较粗糙，对于手机数据的筛选以及短期甚至长期的道路流量监测不够完善。

发明内容

针对上述现有技术存在的缺陷，本发明提供一种基于大数据的交通运行状态监测参数提取方法，所采用的交通大数据主要包括手机位置数据、GPS数据、基于视频、线圈断面交通流数据，监测的交通运行状态参数包括速度和流量。主要包括以下几个步骤：1)交通大数据的提取，其包含手机位置数据、GPS数据、基于视频、线圈断面交通流数据；2)手机数据与路网匹配，采取基于泰森多边形的手机位置数据与GIS路网匹配方法将手机数据匹配到路网上；3)提取速度信息，以手机数据为核心，其他数据为辅助，提高手机速度精度，优化基于手机数据的速度提取模型和速度提取结果；4)提取流量信息，建立基于视频数据、线圈数据获取的高精度流量数据与手机数据提取流量数据的关系模型，优化基于手机数据的交通流量提取模型和交通流量提取结果。

本发明的具体技术方案如下：

步骤1，交通大数据的提取

本发明所采用的交通大数据包括手机位置数据、GPS数据、基于视频、线圈断面交通流数据。提取这些数据具体做法如下：

步骤1.1，将道路分成多个路段，并记录各路段的路段编号、位置坐标、公里数等信息，搜集覆盖各路段相关基站数目，记录基站编号和位置坐标；

步骤1.2，从数据库中有选择的选取周期t内与调查路段相关基站的手机数据，获取的手机数据有用户编号(IMSI)、通信类型、基站编号、切换时间；

步骤1.3，从数据库中选取周期t内与调查路段相关的GPS数据；

步骤1.4，从数据库中选取周期t内与调查路段相关的基于视频、线圈断面交通流数据。

步骤2，手机数据与路网匹配

采取基于泰森多边形的手机位置数据与GIS路网匹配方法，具体做法如下：

步骤2.1，将覆盖调查路段所有相邻基站连成三角形，作这些三角形各边的垂直平分线，于是每个基站周围的若干垂直平分线便围成一个多边形，获取这个多边形内所包含的一个唯一基站。该多边形称为泰森多边形，该基站称为泰森基站；

步骤2.2，将泰森基站中的手机数据进行IMSI重复数量筛选和Event_ID的一个分类，获取相关处理后手机信令数据。

步骤2.3，将步骤2.1和步骤2.2中获取的泰森基站与信令数据进行GIS地图坐标匹配，得到泰森信令数据；

步骤2.4，选出每IMSI的泰森信令数据，按时间排序。如：

IMSI＝xxxxxxxx

Time1，CI1，location1，length1

Time2，CI2，location2，length2

Time3，CI3，location3，length3

…

就得到手机位置数据。

步骤3，提取速度信息

提取速度过程中，充分体现对速度数据的筛选过程以及最合理的路段平均速度的计算，具体做法如下：

步骤3.1，对步骤2.1获取的手机位置数据进行处理。选出位置i的时间位置数据和后一位置i+1的时间位置数据，计算出两者之间时间差(DeltaT_i)和距离差(DeltaD_i)，速度V_i＝DeltaD_i/DeltaT_i；

步骤3.2，将所有的位置速度匹配到起点路段、终点路段和经历过的路段；

步骤3.3，经过高精度的GPS等数据与手机速度数据融合分析以及选择性保留距离在X距离以上的路段速度数据和选择性保留，信令数据相隔X时间以上的路段速度数据，获取常值速度数据；

步骤3.4，对常值速度数据进行GMM统计。如果信令区域内有高速车道和低速车道，通过GMM统计来区分高速车道平均速度和低速车道平均速度，具体做法如下：

步骤3.4.1，计算道路上各条路段上常值速度的均值μ、标准差σ以及各条路段的权重α；

步骤3.4.2，统计每条路段速度V_i∈(μ-σ，μ+σ)，标定这些速度为该路段上的高速车道上的车速V_k，道路高速车道平均速度计算为：

步骤3.4.3，统计每条路段速度标定这些速度为该路段上的低速车道上的车速V_d，道路高速车道平均速度计算为：

步骤4：提取流量信息

建立基于视频数据、线圈数据获取的高精度流量数据与手机数据提取流量数据的关系模型，从而更好获取交通流量信息，具体做法如下：

步骤4.1，对步骤2.1获取的手机位置数据(N_c)进行处理，选出存在视频监测器或线圈监测器等定点采集器路段的手机位置数据(N_s)；

步骤4.2，从数据库中获取相同周期t的视频数据、线圈数据等，获取精度较高的路段部分位置的交通流量(N_z)；

步骤4.3，计算路段上定点采集器的交通流量与同一位置的手机数据之间的关系系数(r)， $r=\frac{\underset{i=1}{\overset{n}{\Σ}}(N_s^{\left(i\right)}-\stackrel{\‾}{N_s})(N_z^{\left(i\right)}-\stackrel{\‾}{N_z})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(N_s^{\left(i\right)}-\stackrel{\‾}{N_s})}^2*\underset{i=1}{\overset{n}{\Σ}}{(N_z^{\left(i\right)}-\stackrel{\‾}{N_z})}^2}},$ r接近1就说明两者相关性强，执行步骤4.4，若相关性较差，执行步骤4.6；

步骤4.4，计算基于视频数据、线圈数据获取的高精度流量数据与手机数据提取流量数据的关系模型，N＝a+bN_c+cN_c ²，其中，a、b、c满足以下等式：

$\left[\begin{array}{c}n,\underset{i=1}{\overset{n}{\Σ}}{N}_s,\underset{i=1}{\overset{n}{\Σ}}{N}_s^2\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s,\underset{i=1}{\overset{n}{\Σ}}{N}_s^2,\underset{i=1}{\overset{n}{\Σ}}{N}_s^3\\ \underset{j=1}{\overset{n}{\Σ}}{N}_s^2,\underset{i=1}{\overset{n}{\Σ}}{N}_s^3,\underset{i=1}{\overset{n}{\Σ}}{N}_s^4\end{array}\right]\·\left[\begin{array}{c}a\\ b\\ c\end{array}\right]=\left[\begin{array}{c}\underset{i=1}{\overset{n}{\Σ}}{N}_s{N}_z\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s^2{N}_z\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s^3{N}_z\end{array}\right]$

步骤4.5，将路段每个位置每个时段的手机数据带入关系模型就可以得到各个路段实时交通流量(N)，N＝a+bN_c+cN_c ²。

步骤4.6，手机数据与实际交通量的差距无呈现无规律性，无法很好的采用手机数据计算交通流量，只能采取视频监测器或线圈监测器等定点采集器获取的数据确定交通流量。

附图说明

图1为本发明交通运行状态特征参数提取方法总流程图

图2为本发明手机信令数据与路网匹配算法流程图

图3为本发明车辆速度信息提取算法流程图

图4为本发明道路流量信息提取算法流程图

具体实施方案

以下结合附图对对本发明的特征及其它相关特征作进一步详细说明。

步骤1，交通大数据的提取

本发明所采用的交通大数据包括手机位置数据、GPS数据、基于视频、线圈断面交通流数据。提取这些数据具体做法如下：

步骤1.1，将道路分成多个路段，并记录各路段的路段编号、位置坐标、公里数等信息，搜集覆盖各路段相关基站数目，记录基站编号和位置坐标；

步骤1.2，从数据库中有选择的选取周期t内与调查路段相关基站的手机数据，获取的手机数据有用户编号(IMSI)、通信类型、基站编号、切换时间；

步骤1.3，从数据库中选取周期t内与调查路段相关的GPS数据；

步骤1.4，从数据库中选取周期t内与调查路段相关的基于视频、线圈断面交通流数据。

步骤2，手机数据与路网匹配

采取基于泰森多边形的手机位置数据与GIS路网匹配方法，算法流程如图2所示，具体做法如下：

步骤2.1，将覆盖调查路段所有相邻基站连成三角形，作这些三角形各边的垂直平分线，于是每个基站周围的若干垂直平分线便围成一个多边形，获取这个多边形内所包含的一个唯一基站。该多边形称为泰森多边形，该基站称为泰森基站；

步骤2.2，将泰森基站中的手机数据进行IMSI重复数量筛选和Event_ID的一个分类，获取相关处理后手机信令数据。

步骤2.3，将步骤2.1和步骤2.2中获取的泰森基站与信令数据进行GIS地图坐标匹配，得到泰森信令数据；

步骤2.4，选出每IMSI的泰森信令数据，按时间排序。如：

IMSI＝xxxxxxxx

Time1，CI1，location1，length1

Time2，CI2，location2，length2

Time3，CI3，location3，length3

…

就得到手机位置数据。

步骤3，提取速度信息

提取速度过程中，充分体现对速度数据的筛选过程以及最合理的路段平均速度的计算，算法流程如图3所示，具体做法如下：

步骤3.1，对步骤2.1获取的手机位置数据进行处理。选出位置i的时间位置数据和后一位置i+1的时间位置数据，计算出两者之间时间差(DeltaT_i)和距离差(DeltaD_i)，速度V_i＝DeltaD_i/DeltaT_i；

步骤3.2，将所有的位置速度匹配到起点路段、终点路段和经历过的路段；

步骤3.3，经过高精度的GPS等数据与手机速度数据融合分析以及选择性保留距离在X距离以上的路段速度数据和选择性保留，信令数据相隔X时间以上的路段速度数据，获取常值速度数据；

步骤3.4，对常值速度数据进行GMM统计。如果信令区域内有高速车道和低速车道，通过GMM统计来区分高速车道平均速度和低速车道平均速度，具体做法如下：

步骤3.4.1，计算道路上各条路段上常值速度的均值μ、标准差σ以及各条路段的权重α；

步骤3.4.2，统计每条路段速度V_i∈(μ-σ，μ+σ)，标定这些速度为该路段上的高速车道上的车速V_k，道路高速车道平均速度计算为：

步骤3.4.3，统计每条路段速度标定这些速度为该路段上的低速车道上的车速V_d，道路高速车道平均速度计算为：

步骤4：提取流量信息

建立基于视频数据、线圈数据获取的高精度流量数据与手机数据提取流量数据的关系模型，从而更好获取交通流量信息，具体算法流程如图4所示，具体做法如下：

步骤4.1，对步骤2.1获取的手机位置数据(N_c)进行处理，选出存在视频监测器或线圈监测器等定点采集器路段的手机位置数据(N_s)；

步骤4.2，从数据库中获取相同周期t的视频数据、线圈数据等，获取精度较高的路段部分位置的交通流量(N_z)；

步骤4.3，计算路段上定点采集器的交通流量与同一位置的手机数据之间的关系系数(r)， $r=\frac{\underset{i=1}{\overset{n}{\Σ}}(N_s^{\left(i\right)}-\stackrel{\‾}{N_s})(N_z^{\left(i\right)}-\stackrel{\‾}{N_z})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(N_s^{\left(i\right)}-\stackrel{\‾}{N_s})}^2*\underset{i=1}{\overset{n}{\Σ}}{(N_z^{\left(i\right)}-\stackrel{\‾}{N_z})}^2}},$ r接近1就说明两者相关性强，执行步骤4.4，若相关性较差，执行步骤4.6；

步骤4.4，计算基于视频数据、线圈数据获取的高精度流量数据与手机数据提取流量数据的关系模型，N＝a+bN_c+cN_c ²，其中，a、b、c满足以下等式：

$\left[\begin{array}{c}n,\underset{i=1}{\overset{n}{\Σ}}{N}_s,\underset{i=1}{\overset{n}{\Σ}}{N}_s^2\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s,\underset{i=1}{\overset{n}{\Σ}}{N}_s^2,\underset{i=1}{\overset{n}{\Σ}}{N}_s^3\\ \underset{j=1}{\overset{n}{\Σ}}{N}_s^2,\underset{i=1}{\overset{n}{\Σ}}{N}_s^3,\underset{i=1}{\overset{n}{\Σ}}{N}_s^4\end{array}\right]\·\left[\begin{array}{c}a\\ b\\ c\end{array}\right]=\left[\begin{array}{c}\underset{i=1}{\overset{n}{\Σ}}{N}_s{N}_z\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s^2{N}_z\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s^3{N}_z\end{array}\right]$

步骤4.5，将路段每个位置每个时段的手机数据带入关系模型就可以得到各个路段实时交通流量(N)，N＝a+bN_c+cN_c ²。

步骤4.6，手机数据与实际交通量的差距无呈现无规律性，无法很好的采用手机数据计算交通流量，只能采取视频监测器或线圈监测器等定点采集器获取的数据确定交通流量。

Claims (6)

1.一种基于大数据的交通运行状态特征参数提取方法，其特征在于，包括以下步骤：

步骤1，提取包含手机信令数据、GPS数据、基于视频、线圈断面交通流数据的交通大数据；

步骤2，采取基于泰森多边形的手机信令数据与GIS路网匹配方法将手机数据匹配到路网上；

步骤3，采取手机数据计算车辆速度，并以GPS数据为辅助，提高计算速度的精度，并考虑道路车道限速不同，采取分车道划分速度；

步骤4，建立基于视频数据、线圈数据获取的高精度流量数据与手机数据提取流量数据的关系模型，提取流量信息。

2.根据权利要求1所述的基于大数据的交通运行状态特征参数提取方法，其特征在于，所述的交通大数据首先是提取手机信令数据，基于手机信令数据可以在短时间内完成城市大范围的交通运行状态参数采集，其次提取GPS数据、基于视频、线圈断面交通流数据在内的现有的城市交通运输静态、动态数据，基于这些数据提高交通运行状态参数采集精度。

3.根据权利要求1所述的基于大数据的交通运行状态特征参数提取方法，其特征在于，所述的基于泰森多边形的手机信令数据与GIS路网匹配的方法是：

步骤2.1，将覆盖调查路段所有相邻基站连成三角形，作这些三角形各边的垂直平分线，于是每个基站周围的若干垂直平分线便围成一个多边形，获取这个多边形内所包含的一个唯一基站。该多边形称为泰森多边形，该基站称为泰森基站；

步骤2.2，将泰森基站中的手机数据进行IMSI重复数量筛选和Event_ID的一个分类，获取相关处理后手机信令数据。

步骤2.3，将步骤2.1和步骤2.2中获取的泰森基站与信令数据进行GIS地图坐标匹配，得到泰森信令数据；

步骤2.4，选出每IMSI的泰森信令数据，按时间排序。如：

IMSI＝xxxxxxxx

Time1，CI1，location1，length1

Time2，CI2，location2，length2

Time3，CI3，location3，length3

…

就得到手机位置数据。

4.根据权利要求1所述的基于大数据的交通运行状态特征参数提取方法，其特征在于，所述的基于大数据的车辆速度提取方法是：

步骤3.1，对步骤2.1获取的手机位置数据进行处理。选出位置i的时间位置数据和后一位置i+1的时间位置数据，计算出两者之间时间差(DeltaT_i)和距离差(DeltaD_i)，速度V_i＝DeltaD_i/DeltaT_i；

步骤3.2，将所有的位置速度匹配到起点路段、终点路段和经历过的路段；

步骤3.3，经过高精度的GPS等数据与手机速度数据融合分析以及选择性保留距离在X距离以上的路段速度数据和选择性保留，信令数据相隔X时间以上的路段速度数据，获取常值速度数据；

步骤3.4，将获取的常值速度进行高斯统计，考虑部分道路不同车道的限速不同，采取分车道划分速度。

5.根据权利要求4所述的基于大数据的车辆速度提取方法，其特征在于，所述的车辆速度分车道划分速度的高斯统计方法是：

步骤3.4.1，计算道路上各条路段上常值速度的均值μ、标准差σ以及各条路段的权重α；

步骤3.4.2，统计每条路段速度V_i∈(μ-σ，μ+σ)，标定这些速度为该路段上的高速车道上的车速V_k，道路高速车道平均速度计算为：

步骤3.4.3，统计每条路段速度标定这些速度为该路段上的低速车道上的车速V_d，道路高速车道平均速度计算为：

6.根据权利要求1所述的基于大数据的交通运行状态特征参数提取方法，其特征在于，所述的基于大数据的道路流量提取方法是：

步骤4.1，对步骤2.1获取的手机位置数据(N_c)进行处理，选出存在视频监测器或线圈监测器等定点采集器路段的手机位置数据(N_s)；

步骤4.2，从数据库中获取相同周期t的视频数据、线圈数据等，获取精度较高的路段部分位置的交通流量(N_z)；

步骤4.3，计算路段上定点采集器的交通流量与同一位置的手机数据之间的关系系数(r)，r接近1就说明两者相关性强，执行步骤4.4，若相关性较差，执行步骤4.6；

步骤4.4，计算基于视频数据、线圈数据获取的高精度流量数据与手机数据提取流量数据的关系模型，N＝a+bN_c+cN_c ²，其中，a、b、c满足以下等式：

$\left[\begin{array}{c}n,\underset{i=1}{\overset{n}{\Σ}}{N}_s,\underset{i=1}{\overset{n}{\Σ}}{N}_s^2\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s,\underset{i=1}{\overset{n}{\Σ}}{N}_s^2,\underset{i=1}{\overset{n}{\Σ}}{N}_s^3\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s^2,\underset{i=1}{\overset{n}{\Σ}}{N}_s^3,\underset{i=1}{\overset{n}{\Σ}}{N}_s^4\end{array}\right]\·\left[\begin{array}{c}a\\ b\\ c\end{array}\right]=\left[\begin{array}{c}\underset{i=1}{\overset{n}{\Σ}}{N}_s{N}_z\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s^2{N}_z\\ \underset{i=1}{\overset{n}{\Σ}}{N}_s^3{N}_z\end{array}\right]$

步骤4.5，将路段每个位置每个时段的手机数据带入关系模型就可以得到各个路段实时交通流量(N)，N＝a+bN_c+cN_c ²。

步骤4.6，手机数据与实际交通量的差距无呈现无规律性，无法很好的采用手机数据计算交通流量，只能采取视频监测器或线圈监测器等定点采集器获取的数据确定交通流量。