基于智能手機的實時交通擁堵自動檢測方法
【專利摘要】一種基于智能手機的實時交通擁堵自動檢測方法，所述方法使用智能手機的加速度傳感器和蜂窩網(wǎng)絡信號，包括如下步驟：步驟1：乘車狀態(tài)檢測，用于確定用戶的乘車時間段；步驟2：地圖匹配，用于判斷用戶在乘車時間段內所訪問的道路路段；步驟3：交通擁堵狀態(tài)識別，用于估計用戶在乘車時間段內所訪問道路路段的交通擁堵狀態(tài)變化情況。本發(fā)明具有無干擾、能耗低、實用性良好的技術優(yōu)勢。
【專利說明】基于智能手機的實時交通擁堵自動檢測方法

【技術領域】
[0001] 本發(fā)明涉及智能交通領域，具體涉及一種實時交通擁堵檢測方法。

【背景技術】
[0002] 實時交通擁堵檢測是智能交通系統(tǒng)最重要的組成部分之一，可為道路選擇、交通 疏導等工作提供重要的決策依據(jù)。目前實時交通擁堵檢測技術主要依賴于路邊固定設施 (如環(huán)形感應線圈檢測器、微波檢測器、交通攝像頭等）或浮動車監(jiān)控設施，對其采集到的 車速、車道占有率、交通流量、車流圖像等信息進行分析以估計道路路段的交通擁堵狀態(tài)。 然而，基于路邊固定設施或浮動車監(jiān)控設施的交通擁堵檢測技術存在如下問題：1)實施、 維護費用高昂，難以覆蓋所有道路路段；2)采集到的數(shù)據(jù)主要面向交通管理部門，普通用 戶難以獲得。
[0003] 另一方面，目前的智能手機已具備較強的傳感、計算和通信能力，且已實現(xiàn)了大范 圍的普及，這使得采用智能手機對其用戶所訪問的道路路段的交通擁堵狀態(tài)進行實時檢測 成為可能。然而，如何利用智能手機在日常生活中檢測交通擁堵是一個富有挑戰(zhàn)的任務。 現(xiàn)有方法需要用戶在乘車時主動打開檢測程序，或者依賴于高能耗的智能手機傳感器（如 GPS)，因此存在干擾大、能耗高、實用性差等問題。


【發(fā)明內容】

[0004] 為了克服已有基于智能手機的交通擁堵檢測方法的干擾大、能耗高、實用性差的 不足，本發(fā)明提供一種無干擾、能耗低、實用性良好的基于智能手機的實時交通擁堵自動檢 測方法。
[0005] 本發(fā)明解決其技術問題所采用的技術方案是：
[0006] -種基于智能手機的實時交通擁堵自動檢測方法，所述檢測方法僅使用智能手機 的加速度傳感器和蜂窩網(wǎng)絡信號，其實施步驟如下：
[0007] 步驟1 :乘車狀態(tài)檢測
[0008] 由于在日常生活中用戶的運動狀態(tài)復雜多變，而只有處于乘車狀態(tài)時其智能手機 才有可能進行交通擁堵檢測，因此，基于智能手機的加速度傳感器對用戶的運動狀態(tài)進行 監(jiān)測，確定其乘車時間段，即一段乘車行程的開始和結束時間；
[0009] 步驟2:地圖匹配
[0010] 蜂窩基站定位即估計智能手機的位置為其當前所連接的蜂窩基站的位置，相對于 GPS、WiFi等定位技術，蜂窩基站定位具有能耗低、穩(wěn)定性高等優(yōu)勢，但存在定位精度低的問 題，因此，基于HMM(隱馬爾科夫模型）對蜂窩基站標識數(shù)據(jù)進行處理，判斷用戶在乘車時間 段內所訪問的道路路段；
[0011] 步驟3 :交通擁堵狀態(tài)識別
[0012]由于用戶在乘車時間段內可能訪問不同道路路段，且同一道路路段的交通擁堵狀 態(tài)也可能隨時間變化，因此，同時考慮用戶位置變化情況、運動狀態(tài)變化情況和交通擁堵狀 態(tài)轉變規(guī)律，采用CRF(條件隨機場模型）估計用戶在乘車時間段內所訪問道路路段的交通 擁堵狀態(tài)變化情況。
[0013] 本發(fā)明中，所述交通擁堵狀態(tài)包括嚴重擁堵、一般擁堵和通暢。進一步，所述步驟 1中，為適應用戶在日常生活中運動狀態(tài)的復雜性，基于智能手機加速度傳感器確定用戶乘 車時間段的詳細步驟如下：
[0014] 1. 1、運動檢測：當用戶處于靜止狀態(tài)時，采用計算壓力較小的閾值檢測方法檢測 用戶是否發(fā)生運動：即當基于一個設定大小和步進的滑動窗口采集的三軸加速度向量幅值 數(shù)據(jù)的標準差大于設定閾值時，判定用戶發(fā)生了運動。
[0015] 1. 2、運動狀態(tài)識別：當用戶處于運動狀態(tài)時，基于機器學習方法識別用戶當前的 瞬時運動狀態(tài)，運動狀態(tài)識別步驟考慮三種類型的運動狀態(tài)：靜止、非乘車（包括走、跑、騎 車）、乘車。運動狀態(tài)識別分為模型訓練和狀態(tài)識別兩部分。模型訓練部分工作流程如下： 1. 2.I. 1)以大量正確標注了運動類型的訓練數(shù)據(jù)集為基礎，訓練數(shù)據(jù)集以設定時間間隔采 集的加速度向量幅值數(shù)據(jù)為單位，從中抽取各類運動特征，包括時域特征和頻域特征兩類。 時域特征包括：均值、方差、最大值、最小值和能量；頻域特征包括：頻域熵、頻率幅值及最 顯著頻率。為計算頻域特征，首先對時間間隔內的數(shù)據(jù)進行離散傅立葉變換，然后計算1? IOHz頻率的幅值的熵、各頻率幅值及幅值最大的頻率。1. 2. 1. 2)基于運動特征和運動類型 標注，采用C4. 5算法訓練得到?jīng)Q策樹分類器。狀態(tài)識別部分工作流程如下：1. 2. 2. 1)基于 一個設定大小和步進的滑動窗口計算實時加速度向量幅值數(shù)據(jù)的各類運動特征。1. 2. 2. 2) 將運動特征輸入訓練得到的分類器，得到運動狀態(tài)分類結果。
[0016] 1. 3、乘車時間段檢測：當用戶處于乘車狀態(tài)時，基于一個持續(xù)時長閾值確定乘車 時間段：即當檢測到用戶的連續(xù)乘車狀態(tài)時長大于設定閾值時，判定乘車行程開始；當檢 測到用戶的連續(xù)非乘車狀態(tài)時長大于設定閾值時，判定乘車行程結束。乘車時間段內的運 動狀態(tài)連續(xù)識別結果可表示為一個運動狀態(tài)序列。
[0017] 進一步，所述步驟2中，為減少智能手機的定位能耗，基于蜂窩基站定位的地圖匹 配的詳細步驟如下：
[0018] 2. 1、蜂窩基站數(shù)據(jù)預處理：基于基站位置數(shù)據(jù)庫，對乘車時間段內采集的蜂窩 基站標識數(shù)據(jù)進行平滑和清洗，得到基站位置序列數(shù)據(jù)。其中，平滑步驟工作流程如下： 2. I. 1)采用一個設定大小和步進的滑動窗口對采集到的蜂窩基站標識數(shù)據(jù)進行分割。 2. 1.2)估計滑動窗口中心位置，方法如公式（1)，其中，n為滑動窗口包含不同蜂窩基站的 數(shù)量，W為滑動窗口大小，Li和Cli為滑動窗口中第i個蜂窩基站的位置和連接時長。2. 1. 3) 將原始蜂窩基站標識數(shù)據(jù)轉化為基站位置序列。清洗步驟工作流程如下：讀入基站位置序 列中連續(xù)的四個位置點A、B、C和D，計算位置夾角ZABC和ZB⑶，如果ZABC和ZB⑶的 值均小于指定閾值，則將位置點C過濾掉。
[0019]

【權利要求】
1. 一種基于智能手機的實時交通擁堵自動檢測方法，其特征在于：所述方法使用智能 手機的加速度傳感器和蜂窩網(wǎng)絡信號，其實施步驟如下： 步驟1 :乘車狀態(tài)檢測：基于智能手機的加速度傳感器確定用戶的乘車時間段，即一段 乘車行程的開始和結束時間； 步驟2 :地圖匹配：基于蜂窩基站定位，采用隱馬爾科夫模型判斷用戶在乘車時間段內 所訪問的道路路段； 步驟3 :交通擁堵狀態(tài)識別：同時考慮用戶位置變化情況、運動狀態(tài)變化情況和交通擁 堵狀態(tài)轉變規(guī)律，采用條件隨機場模識別用戶在乘車時間段內所訪問道路路段的交通擁堵 狀態(tài)變化情況。
2. 如權利要求1所述的一種基于智能手機的實時交通擁堵自動檢測方法，其特征在 于：所述步驟1中，基于智能手機加速度傳感器確定用戶乘車時間段的過程如下： 步驟1. 1 :運動檢測：當用戶處于靜止狀態(tài)時，采用計算壓力較小的閾值檢測方法檢測 用戶是否發(fā)生運動； 步驟1. 2 :運動狀態(tài)識別：當用戶處于運動狀態(tài)時，基于機器學習方法識別用戶當前的 瞬時運動狀態(tài)，運動狀態(tài)識別步驟考慮三種類型的運動狀態(tài)：靜止狀態(tài)、非乘車狀態(tài)、乘車 狀態(tài)，非乘車狀態(tài)包括走、跑和騎車； 步驟1. 3 :乘車時間段檢測：當用戶處于乘車狀態(tài)時，基于一個持續(xù)時長閾值確定乘車 時間段。
3.如權利要求2所述的一種基于智能手機的實時交通擁堵自動檢測方法，其特征在 于：所述步驟1. 2中，運動狀態(tài)識別分為模型訓練和狀態(tài)識別兩部分，其中， 模型訓練部分工作流程如下：1. 2.I. 1)以正確標注了運動類型的訓練數(shù)據(jù)集為基礎， 訓練數(shù)據(jù)集以設定時間間隔采集的加速度向量幅值數(shù)據(jù)為單位，從中抽取各類運動特征， 包括時域特征和頻域特征兩類，所述時域特征包括：均值、方差、最大值、最小值和能量；所 述頻域特征包括：頻域熵、頻率幅值及最顯著頻率；1. 2. 1. 2)基于運動特征和運動類型標 注，采用C4. 5算法訓練得到?jīng)Q策樹分類器； 狀態(tài)識別部分工作流程如下1. 2. 2. 1)基于一個設定大小和步進的滑動窗口計算實時 加速度向量幅值數(shù)據(jù)的各類運動特征；1. 2. 2. 2)將運動特征輸入訓練得到的分類器，得到 運動狀態(tài)分類結果。
4.如權利要求1?3之一所述的一種基于智能手機的實時交通擁堵自動檢測方法，其 特征在于：所述步驟2中，基于蜂窩基站定位的地圖匹配的詳細步驟如下： 步驟2. 1 :蜂窩基站數(shù)據(jù)預處理：基于基站位置數(shù)據(jù)庫，對乘車時間段內采集的蜂窩基 站標識數(shù)據(jù)進行平滑和清洗，得到基站位置序列數(shù)據(jù)； 步驟2. 2 :地圖匹配：基于道路網(wǎng)絡數(shù)據(jù)庫，采用隱馬爾科夫模型將基站位置序列數(shù)據(jù) 匹配到道路路段序列。
5.如權利要求4所述的一種基于智能手機的實時交通擁堵自動檢測方法，其特征在 于：所述步驟2. 1中，蜂窩基站數(shù)據(jù)預處理分為平滑和清洗兩個步驟，平滑步驟工作流程如 下：2.I. 1)采用一個設定大小和步進的滑動窗口對采集到的蜂窩基站標識數(shù)據(jù)進行分割； 2. 1. 2)同時考慮蜂窩基站的位置和連接時長對滑動窗口的中心位置進行估計；2. 1. 3)將 原始蜂窩基站標識數(shù)據(jù)轉化為基站位置序列；清洗步驟工作流程如下：讀入基站位置序列 中連續(xù)的四個位置點A、B、C和D，計算位置夾角ZABC和ZB⑶，如果ZABC和ZB⑶的值 均小于指定閾值，則將位置點C過濾掉。
6. 如權利要求4所述的一種基于智能手機的實時交通擁堵自動檢測方法，其特征在 于：所述步驟2. 2中，基于隱馬爾科夫模型的地圖匹配工作流程如下：2. 2. 1)給定基站位 置序列〇 =O1OfOn，構造一個隱馬爾科夫模型，構造方法如下：隱狀態(tài)集為從道路網(wǎng)絡數(shù) 據(jù)庫中查詢得到的目標區(qū)域內的所有道路路段；觀測狀態(tài)集為基站位置序列中的所有位置 點；轉移概率為從道路路段Si移動到道路路段&的概率，轉移概率設置如公式（1); 發(fā)射概率bjk為位置點Ok出現(xiàn)在道路路段Sj上的概率，發(fā)射概率bjk設置如公式（2)，其中 dist(S"Ok)為Ok與&間的距離，。為目標區(qū)域內蜂窩基站定位的誤差；
2. 2. 2)基于Viterbi算法對構造的隱馬爾科夫模型進行解碼，得到最優(yōu)道路路段序 列。
7. 如權利要求1?3之一所述的一種基于智能手機的實時交通擁堵自動檢測方法，其 特征在于：所述步驟3中，基于條件隨機場模型識別交通擁堵狀態(tài)分為模型訓練和擁堵估 計兩部分，其中， 模型訓練部分工作流程如下：3.I. 1)構造訓練數(shù)據(jù)集：給定正確標注了交通擁堵狀態(tài) 變化過程的乘車時間段集，對其中每個乘車時間段，首先計算其運動狀態(tài)序列和基站位置 序列；然后采用一個設定大小和步進的滑動窗口，將相應時間間隔內的運動狀態(tài)序列和基 站位置序列數(shù)據(jù)并入滑動窗口；最后將得到的滑動窗口序列作為一個訓練數(shù)據(jù)；3. 1. 2)抽 取擁堵特征：對每個訓練數(shù)據(jù)抽取兩類擁堵特征：擁堵狀態(tài)特征和擁堵變化特征，擁堵狀 態(tài)特征抽取方法為：對每個時間點的滑動窗口，其中包含運動狀態(tài)子序列MS和基站位置子 序列CS，計算靜止狀態(tài)時間比例、運動狀態(tài)切換頻率和估算速度；所述靜止狀態(tài)時間比例 為MS中靜止狀態(tài)的數(shù)量/MS中狀態(tài)總數(shù)量，所述運動狀態(tài)切換頻率為MS中乘車與靜止狀 態(tài)間的切換次數(shù)/MS總時長，所述估算速度為CS物理長度/CS總時長；擁堵變化特征抽取 方法為：對每連續(xù)3個時間點的滑動窗口，計算狀態(tài)轉移平滑度，即該3個時間點的滑動窗 口中是否存在連續(xù)2個擁堵狀態(tài)標注一致；3. 1. 3)訓練條件隨機場模型：給定滑動窗口序 列X=X1X2…Xt，擁堵狀態(tài)序列Y=Y1Y^Yt出現(xiàn)的概率如公式（3)，其中fk代表特征函數(shù)， 由抽取的擁堵特征構造得到，AkSfk的權值，Z(X)為歸一化因子，基于訓練數(shù)據(jù)集，采用 EM算法對模型進行訓練，得到所有參數(shù)λt的值；
擁堵估計部分工作流程如下：3. 2. 1)獲取實時數(shù)據(jù)：給定一個乘車時間段，計算其運 動狀態(tài)序列和基站位置序列，并以一個設定大小和步進的滑動窗口對其進行分割；3. 2. 2) 抽取擁堵特征：對每個時間點的滑動窗口，計算其靜止狀態(tài)時間比例、運動狀態(tài)切換頻率、 估算速度，并計算其與前2個時間點的滑動窗口的狀態(tài)轉移平滑度；3. 2. 3)擁堵狀態(tài)序列 識別：基于計算得到的擁堵特征構造特征函數(shù)，并使用訓練得到的條件隨機場模型估計對 應滑動窗口序列的擁堵狀態(tài)序列。
【文檔編號】H04W4/04GK104318765SQ201410566158
【公開日】2015年1月28日 申請日期:2014年10月22日 優(yōu)先權日:2014年10月22日
【發(fā)明者】呂明琪 申請人:浙江工業(yè)大學