CN106997666B - 一种利用手机信令数据位置切换获取交通流速度的方法 - Google Patents

Abstract

本发明面向道路交通运行速度在途监测技术领域，尤其涉及一种利用手机信令数据位置切换获取交通流速度的方法，包括如下步骤：S1：以基站所形成的泰森多边形作为所述基站的覆盖范围；S2：构建目标路段正向切换序列和反向切换序列，利用GIS平台获取单基站覆盖范围下路段距离集和反向距离集；S3：基于所述基站的标号和切换时间提取用户基站切换轨迹；S4：对用户轨迹序列与标准切换序列进行轨迹匹配度验证；S5：对匹配成功的用户进行速度获取；S6：对所有用户执行步骤S3至S5，求取目标路段的交通流速度。通过与微波检测器检测交通流速度对比实例，验证了本发明所提出的基于位置切换的交通流速度获取方法可以有效地获取路段交通流速度。

Description

一种利用手机信令数据位置切换获取交通流速度的方法

技术领域

本发明面向道路交通运行速度在途监测技术领域，尤其涉及一种利用手机信令数据位置切换获取交通流速度的方法。

背景技术

随着城市交通不断的发展与人们出行需求的日益增长，在方便道路交通管理的同时，也对道路交通速度流的获取提出了更高的要求。传统的监测方法主要有GPS浮动车检测、微波检测、视频检测以及线圈检测等，但各种检测方法都有一定的不足：GPS浮动车检测检测精度高，但由于安装GPS的出租车主要活动在城市中心区域，覆盖区域受到影响；微波检测器检测受路况影响较大，并且需要一定的安装空间；视频检测受天气和光线影响较大；线圈检测在交通流量过大时检测精度会降低。手机作为“检测器”为交通信息采集提供了全新视角的方式，为交通信息获取提供了新的应用空间。

根据我国工业和信息化部(MIIT)公布的数据显示，截止2016年5月，我国手机移动通信用户已经达到12.96亿，移动电话普及率达94％，这些移动通信用户均可作为交通信息无线采集传感器，为交通信息采集提供了设施基础与数据基础。移动通信网络能够对其覆盖范围下的用户位置定期更新，该方法的难点在于需要通过GIS平台对路段进行标定，利用不同的地图匹配算法将用户匹配到相应路段，进而通过交通流速度估算方法进行速度估算。该方法将对目标路段切换序列进行标定，并提出用户轨迹与目标路段切换序列使用求最长公共子序列的方法进行地图匹配，利用切换点距离与行程时间的比值来估算交通流速度。

发明内容

为了解决交通拥堵问题，实现对交通流速度的实时监测，本发明使用泰森多边形对基站覆盖范围进行标定，进而通过GIS***提取目标路段标准切换序列，引入生物学中的Needleman-Wunsch算法对用户轨迹与目标路段进行道路匹配，利用匹配度函数确定匹配效果，使用交通流速度估算方法对速度进行估算。为手机数据解决交通问题提出了新思路。本发明具体方法如下：

一种利用手机信令数据位置切换获取交通流速度的方法，包括如下步骤：

S1：以基站所形成的泰森多边形作为所述基站的覆盖范围；

S2：构建目标路段正向切换序列和反向切换序列，利用GIS平台获取单基站覆盖范围下路段距离集和反向距离集；其中，所述正向切换序列为目标路段起点到终点覆盖基站的标号，所述反向切换序列为目标路段终点到起点覆盖基站的标号；

S3：基于所述基站的标号和切换时间提取用户基站切换轨迹；

S4：对用户轨迹序列与标准切换序列进行轨迹匹配度验证；

S5：对匹配成功的用户进行速度获取；

S6：对所有用户执行步骤S3至S5，求取目标路段的交通流速度。

所述轨迹匹配度验证具体为：求取所述用户轨迹序列与所述标准切换序列的最长公共子序列以及其相似度，将上述相似度与相似度阈值进行比较，通过阈值则匹配成功，否则失败。

所述最长公共子序列的计算方法具体为：对所述用户轨迹序列与所述标准切换序列进行匹配，根据递归关系构建最长公共子序列的长度矩阵，并更新矩阵元素，根据回溯路径求得最长公共子序列。

所述相似度的计算方法具体为：相似度＝最长公共子序列的长度/标准序列的长度。

所述用户基站切换轨迹具体为移动通信网络用户在通信网络中由于位置更新而产生的基站切换序列。

所述标准切换序列为目标路段的基站切换集合，对目标路段的标准切换序列进行提取的方法具体为：

S41：借助GIS平台对基站所建立的泰森多边形面层进行转换，转换成面层边界线层；

S42：由待测路段截取出目标路段，并建立新的目标道路线层；

S43：对面层边界线层与目标道路线层取交运算，提取交点得到目标路段关键节点层，所述关键节点为在目标路段行驶过程中发生切换的切换点；

S44：对所述关键节点按照道路方向依次提取形成标准切换序列。

所述轨迹匹配度具体为用户切换轨迹与目标路段标准切换轨迹的相似性的数据化度量值。

所述匹配包括无序性匹配和方向性匹配。

本发明的有益效果在于：本发明以移动通信用户切换数据为基础，结合GIS***，对单个用户进行提取、匹配，然后对匹配成功的用户进行速度估算，最终求得交通流速度，整个流程图如图3所示。后续计算的精度对轨迹相似度进行了阀值δ设定，其中Sim>δ的用户轨迹被保留。此外，本发明是基于移动通信网络基站覆盖范围下的交通流速度估算，通过对基站覆盖范围进行了确定，选取路段后，可通过GIS***对基站覆盖范围点进行提取与道路长度进行计算。

附图说明

图1北京市基站覆盖范围泰森多边形；

图2轨迹匹配示意图；

图3交通流速度估算流程图；

图4路段基站切换示意图；

图5研究路段选取图；

图6西五环香泉桥-杏石口桥段基站重新标号图；

图7路段1正向速度对比图；

图8路段1反向速度对比图；

图9上清桥-来广营桥段基站重新标号图；

图10路段2正向速度对比图；

图11路段2反向速度对比图。

具体实施方式

下面结合附图，对实施例作详细说明。

为了解决交通拥堵问题，实现对交通流速度的实时监测，本发明使用泰森多边形对基站覆盖范围进行标定，进而通过GIS***提取目标路段标准切换序列，引入生物学中的Needleman-Wunsch算法对用户轨迹与目标路段进行道路匹配，利用匹配度函数确定匹配效果，使用交通流速度估算方法对速度进行估算。为手机数据解决交通问题提出了新思路。本发明具体方法如下：

(1)确定基站覆盖范围

移动通信网络通常也称为蜂窝通信网络，理想状态下，一个移动网络基站的覆盖范围是以自身为圆心的内接正六边形。而随着基站不断增设，且在实际应用过程中“热点”区域基站覆盖密度较大，正六边形不能无重叠地覆盖整个区域。本发明将以基站所形成的泰森多边形作为该基站的覆盖范围。

泰森多边形(Thiessen Polygon)是由相邻两点直线的垂直平分线构成的连续多边形。这种多边形具有以下特征：

①每一个离散点只属于一个泰森多边形；

②离散点到所属泰森多边形内其他点距离最短；

③泰森多边形的边上点到相邻两个离散点的距离是相等的。

当某个点落入到一个泰森多边形中，这时该点与中心点最邻近。这种空间关系与COO(Cell of Origin)定位法则正好相同，因此本发明应用泰森多边形对基站覆盖范围进行处理具有合理性。

在绘制基站覆盖范围的泰森多边形过程中，本发明使用了GIS软件对基站进行处理，首先对基站数据进行读取，通过基站的经纬度坐标进行基站点层绘制。以基站点层为基础，使用GIS工具对泰森多边形进行制作，每一个多边形的覆盖范围大致代表了一个基站网络信号的覆盖范围，通过北京市移动通信基站绘制的泰森多边形如图1所示。

(2)目标路段切换序列标定

移动用户在移动过程中，会产生基站切换，当符合位置更新条件时就会对用户位置进行上传，因此当对用户一段时间内的位置更新提取之后就得到该用户的运动轨迹。为了确定用户具体在哪段道路运动还需要后续进行匹配，而目标路段的基站切换集合就叫做标准切换序列。标准切换序列又分为正向标准切换序列L(1,n){x₁,x₂,…,x_n}和逆向标准切换序列L(n,1){x_n,x_n-1,…,x₁}，其中正向标准切换序列由目标路段起点沿道路行驶到目标路段终点过程中可能发生切换的所有基站号，逆向标准切换序列则是由目标路段沿道路终点沿道路行驶到目标路段起点过程中可能发生切换的所有基站号。

为了获取路段标准切换序列，主要是通过对目标路段进行大量的路测，对基站获取的“路测车信号”进行分析，然后根据概率论等理论方法确定大概率切换序列以达到较优的切换序列。

第一步：借助GIS平台，对基站所建立的泰森多边形面层进行转换，转换成面层边界线层；

第二步：对研究路段进行截取，截取出目标路段并建立新的目标道路线层；

第三步：对面层边界线层与目标道路线层取交运算，提取交点，得到目标路段关键节点层，这些关键节点即可认为在目标路段行驶过程中发生切换的切换点；

第四步：对关键节点按照道路方向依次提取形成标准切换序列。

(3)轨迹匹配算法

轨迹匹配算法是地图匹配的一种，本发明以用户切换轨迹为基础，将较为复杂的地图匹配算法转换成数据挖掘中的比较简单的序列比对算法。序列比对算法的核心就是比较两个给定序列(文本)之间的差异。通过求两个序列的最长公共子序列来进行轨迹匹配，其中本发明使用的具体算法是Needleman-Wunsch算法。

Needleman-Wunsch算法基本思想是当匹配两个序列时，找出在这两个序列中都存在并且最长的相同子序列。最长公共子序列不需要元素连续出现，但是要求出现的顺序一致，如序列X＝{P₁,P₂,P₃,P₄}，Y＝{P₁,P₃,P₂}，那么它们的最常公共子序列为{P₁,P₃}。作为序列比对的基础算法，Needleman-Wunsch算法属于对全局范围内动态寻求最长公共子序列，本发明中使用LCS(X,Y)表示序列X与序列Y的最长公共子序列。若Len(X)表示序列X的长度，则有lenLCS(X,Y)＝Len(LCS(X,Y))，当lenLCS(X,Y)＝0时，表示两个序列没有公共部分。最长公共子序列具有以下结构：

设序列X＝{x₁,x₂,…,x_m}和序列Y＝{y₁,y₂,…,y_n}的一个最长公共子序列为Z，Z＝LCS(X,Y)＝{z₁,z₂,…,z_k}，有以下性质：

性质1：若x_m＝y_n，则z_k＝x_m＝y_n且Z_k-1是X_m-1和Y_n-1的最长公共子序列；

性质2：若x_m≠y_n且z_k≠x_m，则Z是X_m-1和Y的最长公共子序列；

性质3：若x_m≠y_n且z_k≠y_n，则Z是X和Y_n-1的最长公共子序列。

其中，X_m-1＝{x₁,x₂,…,x_m-1}，Y_n-1＝{y₁,y₂,…,y_n-1}，Z_k-1＝{z₁,z₂,…,z_k-1}。

由最长公共子序列问题的结构性质可以得出，要求序列X＝{x₁,x₂,…,x_m}和序列Y＝{y₁,y₂,…,y_n}的最长公共子序列LCS(X,Y)主要有以下两种情况:：

第一，当x_m＝y_n时，LCS(X,Y)＝{LCS(X_m-1,Y_m-1),x_m}。

第二，当x_m≠y_n时，LCS(X,Y)＝{LCS(X_i,Y_j)|max(lenLCS(X_m-1,Y),lenLCS(X,Y_n-1)),i＝m-1或j＝n-1}。

根据这种递归关系可知，第2种情况具有子问题重叠，当计算X_m-1与Y和X与Y_n-1的最长公共子序列时，均要计算X_m-1与Y_n-1的最长公共子序列。在求序列最长公共子序列之前，需要建立子问题最优值的递归关系。当有两个待匹配序列X＝{x₁,x₂,……,x_i}，Y＝{y₁,y₂,......,y_j}，计算X与Y的长度有Len(X)＝i，Len(Y)＝j，定义lenLCS(i,j)＝lenLCS(X_i,Y_j)。当i＝0或j＝0时，X_i与Y_j的最长公共子序列为空序列，lenLCS(i,j)＝0。由此，建立递归关系如下：

在求最长公共子序列的过程中，Needleman-Wunsch算法是在以上递归关系的基础上，对待匹配序列中每一个元素进行比对，通过建立基于lenLCS的评分矩阵来表示序列匹配长度。现假设有两个轨迹序列T₁、T₂，T₁＝{P₁,P₂,P₄,P₅,P₆,P₇,P₉}，T₂＝{P₁,P₃,P₅,P₆,P₇}，对两个轨迹序列进行匹配，也就是求LCS(T1,T2)，首先需要根据递归关系构建最长公共子序列长度lenLCS矩阵，然后更新矩阵元素，最终利用回溯求得最长公共子序列LCS。

步骤1：构建lenLCS矩阵。

第一步：创建并初始化lenLCS矩阵。T1、T2序列元素个数分别为7和5，所以构建6×8的矩阵，如下表，多余的行与列为初始LCS数。

	T<sub>1</sub>	P<sub>1</sub>	P<sub>2</sub>	P<sub>4</sub>	P<sub>5</sub>	P<sub>6</sub>	P<sub>7</sub>	P<sub>9</sub>
									T<sub>2</sub>	0	0	0	0	0	0	0	0
P<sub>1</sub>	0
									P<sub>3</sub>	0
P<sub>5</sub>	0
									P<sub>6</sub>	0
P<sub>7</sub>	0

第二步：利用核心公式，计算矩阵第一行。

	T<sub>1</sub>	P<sub>1</sub>	P<sub>2</sub>	P<sub>4</sub>	P<sub>5</sub>	P<sub>6</sub>	P<sub>7</sub>	P<sub>9</sub>
									T<sub>2</sub>	0	0	0	0	0	0	0	0
P<sub>1</sub>	0	1	1	1	1	1	1	1
									P<sub>3</sub>	0
P<sub>5</sub>	0
									P<sub>6</sub>	0
P<sub>7</sub>	0

第三步：利用核心公式，计算矩阵其他行，得到最终lenLCS(T₁,T₂)。

根据lenLCS矩阵，可以得出lenLCS(T₁,T₂)＝lenLCS(T₂,T₁)＝lenLCS(5,7)＝4。通过Needleman-Wunsch算法矩阵得出了T₁与T₂的最长公共子序列长度为4。为了得到最长公共子序列LCS，需要对上面的矩阵进行回溯，找到相应匹配的序列。

步骤2：回溯矩阵，寻找最长公共子序列。

第一步：定位lenLCS矩阵右下角元素。

第二步：回溯单元格至矩阵左上角。依照下边的回溯法则，回溯矩阵单元。

若T₁(i)＝T₂(j)，则回溯至当前单元格的左上角单元格；

若T₁(i)≠T₂(j)，则回溯至当前单元格左上角、上边、左边中值最大的单元格，如果存在相同最大值的单元格，优先级按照上边、左边、左上角的顺序依次选取；

若当前单元格是在矩阵的第一行，则回溯至左边的单元格；

若当前单元格是在矩阵的第一列，则回溯至上边的单元格。

第三步：根据回溯路径，写出最长公共子序列。

若回溯到左上角单元格，则该单元格元素属于最长公共子序列元素，搜索完整个匹配路径，匹配序列LCS(T₁,T₂)＝{P₁,P₅,P₆,P₇}完成。

(3)轨迹匹配算法实现

根据算法的递归关系，进行建模计算最长公共子序列的长度。该算法以两个序列X＝{x₁,x₂,…,x_m}和Y＝{y₁,y₂,…,y_n}作为输入，输出两个数组Z[0…m,0…n]与L[1…m,1…n]，其中Z[i,j]中存储的是X_i与Y_j的最长公共子序列的长度，L[i,j]则记录当前Z[i,j]与上一子问题的关系，用于后续构建最长公共子序列。因此，X和Y的最长公共子序列的长度则存放Z[m,n]中。对lenLCS进行计算伪代码如下：

通过这一过程，能够获得序列X与序列Y的最长公共子序列的长度。沿用Needleman-Wunsch算法回溯的思想，通过L数组，从L[m,n]开始，沿着箭头所指方向进行搜索，寻找最长公共子序列。

当L[i,j]＝"↖"，表示LCS(X_i,Y_j)＝{LCS(X_i-1,Y_j-1),x_i}，也就是说x_i＝y_j；

当L[i,j]＝"↑"，表示LCS(X_i,Y_j)＝LCS(X_i-1,Y_j)；

当L[i,j]＝"←"，表示LCS(X_i,Y_j)＝LCS(X_i,Y_j-1)。

这种方法同样是根据反序来寻找LCS，而为了获取LCS，只需要对满足第一种情况的进行提取输出，提取过程伪代码如下：

通过这一过程能够求得最长公共子序列LCS。对上一节的实例进行计算，结果如下：

由L(5,7)开始，根据箭头方向依次搜索，记录下每一个"↖"对应的元素，最终得到LCS(T₁,T₂)＝{P₁,P₅,P₆,P₇}，所示结果与分析一致。

(3)匹配度计算

本发明中序列匹配度是指用户切换轨迹与目标路段标准切换轨迹相比较的相似性的数据化度量，也就是计算两序列的相似度(Similarity)。现假设两个待匹配信息A，B，两者相似度用Sim(A,B)表示，一般地，在A，B两者地位相同的情况下，相似度函数Sim应满足以下两个性质：

性质一：0≤Sim(A,B)≤1；

性质二：Sim(A,B)＝Sim(B,A)。

然而在本发明中，要求的是用户切换轨迹与目标路段标准切换序列相匹配，属于多用户序列匹配单个(或两个)标准序列，在匹配过程中，两个序列的匹配地位不相同。在图2(a)中，对目标路段标准切换序列和用户轨迹行驶方向不区分，也就是整体轨迹的一种“无序性”，那么就相当于多用户对单标准序列匹配。在图2(b)中，标准序列具有方向性，同时对用户行驶方向进行区分，这样就是多用户对两个标准序列进行匹配。

因此，基于本发明具有标准序列这一特殊序列特征，定义一种基于最长公共子序列的相似度计算方法。假设，目标路段标准切换序列为Tr_s＝{P_s1,P_s2,P_S3,P_s4,P_s5}，用户切换序列Tr_u＝{P_u1,P_u2,P_u3,P_u4,P_u5,P_u6}，两序列的最长公共子序列为LCS(Tr_s,Tr_u)，最长公共子序列的长度用lenLCS(Tr_s,Tr_u)表示，如果区分用户行驶方向，则需要对Tr_s进行反转之后与用户匹配，如图2中(c)与(d)，两者的相似度Sim(Tr_s,Tr_u)均可表示为：

式中len(Tr_s)——标准序列Tr_s的长度。

虽然，该相似度函数满足一般相似度函数的性质一，并没有满足性质二，但对于本发明后续研究的内容具有足够的条件支撑，属于基于标准序列下的序列相似度函数。

本发明以移动通信用户切换数据为基础，结合GIS***，对单个用户进行提取、匹配，然后对匹配成功的用户进行速度估算，最终求得交通流速度，整个流程图如图3所示。后续计算的精度对轨迹相似度进行了阀值δ设定，其中Sim>δ的用户轨迹被保留。此外，本发明是基于移动通信网络基站覆盖范围下的交通流速度估算，通过对基站覆盖范围进行了确定，选取路段后，可通过GIS***对基站覆盖范围点进行提取与道路长度进行计算，如图4所示。

下面结合附图和实施例进一步说明本发明。本发明选取了北京市五环作为研究对象，选取了两段比较具有代表性的路段，研究路段如图5所示路段分别为西五环香泉桥-杏石口桥段、北五环上清桥-来广营桥段。其中西五环香泉桥-杏石口桥路段出入口较少，道路拥挤时长较短，而北五环上清桥-来广营桥段出入口较多，平时道路通行状况受上下班高峰影响较大。

实施例1：西五环香泉桥-杏石口桥

西五环香泉桥-杏石口桥路段全长总长度约为4.3公里，共跨越12个基站，对这些基站的CELLID由南向北依次提取并重新标号，号码由001～012顺次标定，如图6所示。根据目标路段标准切换序列获取方法，对该路段的切换关键点进行提取，同时规定，由南向北的方向为正向，相反方向为反向，由此可以确定香泉桥-杏石口桥路段的正反方向的标准切换序列。

根据目标路段切换序列标定算法，对路段1进行标定，得到正向切换序列Tr_sf＝{001,002,…,012}，反向切换序列Tr_sb＝{012,011,…,001}，得到目标路段切换序列之后，根据交通流速度估算流程，对路段不同时间段的交通流速度进行计算。本发明选取的时间段为6:00～20:00，由于用户位置更新是通过切换基站，因此本发明采取每隔10分钟对这一时间段内用户与路段1进行匹配，然后估算相应速度。为了更好验证本算法的可行性，本发明对路段1同时段的微波传感器测得的交通流速度进行提取，微波传感器的采样间隔是2分钟，虽然与本发明算法的间隔不一致，但是通过整体趋势也能用于对本算法的验证，微波检测器数据与本算法估算的速度进行对比，如图7与图8所示。

图7所示的是研究时段路段1正向的交通流速度，图8为研究时段路段1反向的交通流速度，其中蓝色为本发明算法速度，红色为微波检测速度数据，通过对比可以看出，本发明算法估算的速度波动性较微波测得的速度波动性大，但是整体趋势基本一致。由于路段1处于北京西五环位置，出入口较少，平时车流相对稳定，受早晚高峰的影响较小，正向路段平均速度基本保持在65km/h以上。通过观察路段1反向的交通流速度，在下午14点前后速度有所下降，但是速度具有较大波动性，同时本发明算法在12:00与13:00之间出现一个明显的奇异点，通过分析研究，发现时段匹配成功的用户较少，且存在某些用户速度较低，因此拉低了整体的平均速度，但是就整体趋势来说，本发明算法求得的速度与微波速度基本一致。

实施例2：北五环上清桥-来广营桥

北五环上清桥-来广营桥路段全长总长度约为8.8公里，共跨越25个基站，对这些基站的CELLID由西向东依次提取并重新标号，号码由101～125顺次标定，如图9所示。根据目标路段标准切换序列获取方法，对该路段的切换关键点进行提取，同时规定，由西向东的方向为正向，相反方向为反向，由此可以确定上清桥-来广营桥路段的正反方向的标准切换序列。

根据目标路段切换序列标定算法，对路段1进行标定，得到正向切换序列Tr_sf＝{101,002,…,125}，反向切换序列Tr_sb＝{125,124,…,001}，得到目标路段切换序列之后，根据交通流速度估算流程，对路段不同时间段的交通流速度进行计算。与路段1相同，本发明选取的时间段为6:00～20:00，采取每隔10分钟对这一时间段内用户与路段2进行匹配，然后计算相应速度。同样地，本发明对路段2同时段的微波传感器测得的交通流速度进行提取，微波传感器的采样间隔是2分钟，图10与图11所示的是微波检测器数据与本算法估算的速度进行对比。

图10所示的是研究时段路段2正向的交通流速度，图11为研究时段路段2反向的交通流速度，其中蓝色为本发明算法速度，红色为微波检测速度数据，通过对比可以看出，本发明算法估算的速度波动性较微波测得的速度波动性大，但是整体趋势基本一致。由于路段2处于北京北五环位置，出入口以及高速公路连接点较多，全天车流波动性较大，受早晚高峰的影响大，正向路段平均速度在早高峰期间持续下降，在9:30左右出现最低点，大约45km/h，在晚高峰期间虽有影响，但是速度始终维持在55km/h。本发明算法同样在波动情况较大的情况下，与微波速度仍然保持了很好的一致性。观察路段2反向的交通流速度，虽然在早高峰期间平均速度始终在60km/h以上，但是受晚高峰的影响，交通流速度起伏较大，同样本发明的算法在该时段波动性较平时更大，同样就整体趋势来说，本发明算法求得的速度与微波速度基本一致。

前部分本发明算法做了定性分析，为了更加准确的证明本算法的可行性，对本算法进行定量分析。由于本发明使用的基站双向切换速度估算的时间间隔是10min，而微波测速的采样间隔是2min，为了更好地与微波测速进行对比，本发明对基站双向切换速度进行样条插值以达到同样的数据间隔，利用绝对误差e、误差百分比PE与均方误差MSE来对算法进行检验。

e＝|v_h-v_m|

式中v_h——基站双切换计算速度；

v_m——微波检测器检测速度；

n——实验编号。

通过对两目标路段06:00～20:00的数据进行速度估算，获得的结果进行误差分析，最终结果见表1。

表1交通流速度对比结果

从表1的统计结果，我们可以看出，基于移动通信网络基站双向切换的交通流速度估算方法具有较高的精度。路段1与路段2的绝对误差均在5.5km/h以下，路段1正向与路段2的误差百分比在5％左右，均方误差在5以下，路段1反向误差百分比较其他三者稍高。总体误差来源主要包括计算误差与测量误差。计算误差主要是利用基站切换关键点之间的距离与切换时间差换算的速度存在一定误差。由于交通流在空间上的分布不是均匀分布的，具有一定的空间特性，简单地通过比值进行计算的速度在一定程度上会存在误差。测量速度主要包括两部分，一部分是通过GIS软件对切换节点测量的距离与实际距离存在一定的测量误差，另一部分是微波检测器检测到的路段速度也存在误差。

通过对路段1反向与其他三者之间的对比分析，其精度稍低的原因是在轨迹匹配过程中，通过匹配算法的用户稍少，与微波检测器的速度差异较大，从而导致了误差较高。路段2为多出入口路段，较路段1车流量大，通过匹配用户多，因此总体计算的速度误差低。但是两种情况的误差均在可接受范围之内，因此，本发明提出的基于基站双向切换的交通流速度估算方法是有效的。

本发明以手机作为“移动传感器”，利用手机移动通信切换数据进行交通流速度获取的方法，属于交通运输技术领域。利用用户轨迹与目标路段切换序列使用求最长公共子序列的方法进行地图匹配，利用切换点距离与行程时间的比值来获取交通流速度。本发明基站覆盖范围的确定方式使用泰森多边形进行标定，进而通过GIS平台对目标路段标准切换序列进行提取，确定道路长度，利用不同的地图匹配算法将手机用户匹配到相应路段，引入生物学中的Needleman-Wunsch算法构建了lenLCS矩阵，对矩阵进行回溯找到相应匹配序列，确定序列匹配度即用户切换轨迹与目标路段标准切换轨迹比较的相似性数据化度量，进而通过交通流速度获取方法进行速度获取。通过与微波检测器检测交通流速度对比实例，验证了本发明所提出的基于位置切换的交通流速度获取方法可以有效地获取路段交通流速度。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种利用手机信令数据位置切换获取交通流速度的方法，其特征在于，包括如下步骤：

S1：以基站所形成的泰森多边形作为所述基站的覆盖范围；

S2：构建目标路段正向切换序列和反向切换序列，利用GIS平台获取单基站覆盖范围下路段距离集和反向距离集；其中，所述正向切换序列为目标路段起点到终点覆盖基站的标号，所述反向切换序列为目标路段终点到起点覆盖基站的标号；

S3：基于所述基站的标号和切换时间提取用户基站切换轨迹；

S4：对用户轨迹序列与标准切换序列进行轨迹匹配度验证；

S5：对匹配成功的用户进行速度获取；

S6：对所有用户执行步骤S3至S5，求取目标路段的交通流速度；

所述轨迹匹配度验证具体为：求取所述用户轨迹序列与所述标准切换序列的最长公共子序列以及其相似度，将上述相似度与相似度阈值进行比较，通过阈值则匹配成功，否则失败；

所述最长公共子序列的计算方法具体为：对所述用户轨迹序列与所述标准切换序列进行匹配，根据递归关系构建最长公共子序列的长度矩阵，并更新矩阵元素，根据回溯路径求得最长公共子序列；

所述相似度的计算方法具体为：相似度＝最长公共子序列的长度/标准序列的长度。

2.根据权利要求1所述方法，其特征在于，所述用户基站切换轨迹具体为移动通信网络用户在通信网络中由于位置更新而产生的基站切换序列。

3.根据权利要求1所述方法，其特征在于，所述标准切换序列为目标路段的基站切换集合，对目标路段的标准切换序列进行提取的方法具体为：

S41：借助GIS平台对基站所建立的泰森多边形面层进行转换，转换成面层边界线层；

S42：由待测路段截取出目标路段，并建立新的目标道路线层；

S43：对面层边界线层与目标道路线层取交运算，提取交点得到目标路段关键节点层，所述关键节点为在目标路段行驶过程中发生切换的切换点；

S44：对所述关键节点按照道路方向依次提取形成标准切换序列。

4.根据权利要求1所述方法，其特征在于，所述轨迹匹配度具体为用户切换轨迹与目标路段标准切换轨迹的相似性的数据化度量值。

5.根据权利要求1或4所述方法，其特征在于，所述匹配包括无序性匹配和方向性匹配。

Images