CN105243844A - 一种基于手机信令的道路状态识别方法 - Google Patents

Abstract

本发明公开了一种基于手机信令的道路状态识别方法，包括以下步骤：步骤1、手机信令采集；步骤2、用户和道路的匹配与识别；步骤3、道路用户定位；步骤4、道路用户出行模式识别；步骤5、道路交通状态识别。本发明具有获取方便，成本低廉，推广价值和市场发展潜力非常巨大等优点。

Description

一种基于手机信令的道路状态识别方法

技术领域

本发明涉及属于移动通信技术与GIS技术领域，具体涉及一种基于手机信令的道路状态识别方法。

背景技术

随着城市的不断发展以及城市化进程的加速，交通拥堵日益加剧将影响城市功能的正常发挥，为了缓解城市交通拥堵的状况，智能交通系统的建设已迫在眉睫。在智能交通系统中交通数据的采集与交通状态的识别密切相关，是该系统的重要组成部分。

目前主流的交通数据采集技术主要有感应线圈检测法和GPS定位检测法。其中感应线圈检测法是依靠埋在路面下的一个或一组感应线圈产生的电感应变化，来检测通过的车辆。其有如下几点不足：(1)采集内容有限、采集数据不全，一般在高速路、国道、省道以1000米的距离埋线圈，这样采集的数据只是线圈两端的数据，而对于中间的速度数据采集是无能为力的；(2)投资很大，采集的成本很高，由于线圈的价格昂贵，因此大量的铺设线圈会使得整体投资巨大；(3)容易损坏，维护成本高。由于线圈是埋在道路下面通过传感的方式获取交通的数据，传感设备本身寿命短暂，而且一旦损坏需要挖开道路进行更替，因此维护成本高。GPS定位检测法通过采集道路车流中行驶的装配GPS定位装置的车辆自身的行驶数据，以车辆为探针获取其在道路上的位置、速度等信息，以车辆速度反映道路的拥堵现状；该类方法有以下几点不足：

(1)获取测量数据成本提高；

(2)开通GPS用户数量或者具有车载的设备相对较少；

(3)在密集城区，测量的误差会变大；

(4)几乎无法识别用户出行的方式。

发明内容

本发明的目的在于解决现有技术中存在的不足，提出一种基于手机信令的道路状态识别方法，该方法是以手机为探针，通过手机信令获取车辆在道路上的位置、速度等信息，以车辆速度反映道路的拥堵现状。以车辆内的手机作为“探针”，这些“探针”在一定时间周期内将所探测的交通状态主动进行报告，从而动态把握整个城市道路网络的交通运行状态。基于手机信令道路状态识别方式在成本、信息获取便捷度方面优于感应线圈检测法和GPS定位检测法，是一种低成本的城市智能交通数据采集方法，具有巨大的推广价值和市场发展潜力。

本发明的目的通过以下方案实现：一种基于手机信令的道路状态识别方法，包括如下步骤：

步骤1、手机信令采集。基于移动运营商的BSS域数据管理系统，对目标城市手机用户进行追踪，采集城市范围内手机用户的信令数据。信令数据主要包括：IMSI(匿名加密用户唯一标识)、CELL_ID(基站小区编号)、TIME(时间戳)、LOCATION(经纬度)、EVENT(事件类型)。

步骤2、用户和道路的匹配与识别。首先，将基站以500米作为缓冲半径，与道路进行叠加分析，把基站拟合到道路上，并载入GIS。然后，将每条道路上基站进行序列编号，以此作为道路的基站切换序列，记为R_l＝(n_l1,n_l2,…,n_lL)，R_l表示第l条道路的基站切换序列，n_lk(k＝1,2,…,L)表示第l条道路的基站序列中第k个基站；同时，将采集到的用户手机信令数据按照时间维度进行排列，可以得到每个用户经过的一系列基站的切换序列U_m＝(n₁,n₂,…,n_M)。最后，对每个用户的移动切换序列与道路的基站切换序列进行相似度计算，获得与该用户移动轨迹与道路匹配的信息，从而筛选出相似度最高的道路作为匹配路段。本发明采用的相似度测量方法如下，表达式为：

d＝(R_l-U_m)(R_l-U_m)^T/2，

式中，T表示手机信令采集的周期，R_l表示第l条道路的基站切换序列，U_m表示用户经过的基站切换序列。

步骤3、道路用户定位。由于基站的覆盖范围较大，对于在道路上的用户，无法精准定位该用户所处具体的某个路段。因此，针对已经匹配到道路上的用户，需要进一步对其精准定位，从而反映更加真实的交通状况。

首先通过三维射线追踪模型建立定位指纹库，包括覆盖范围内移动台接收到的服务基站信息。然后将道路进行网格划分，计算出每个道路网格的观测矩阵和基站接收概率矩阵。最后，根据用户的移动手机切换信令的基站序列与定位指纹库的观测矩阵进行相似度计算。

利用三维射线追踪模型建立定位指纹库的流程为。首先，确定一个发射源的位置，根据三维地图上的建筑物特征和分布找出发射源到每个接收位置的所有传播路径，然后根据菲涅耳等式和几何绕射理论来确定反射和绕射损耗，这样相应得到每条路径到每个测试点的场强，将同一测试点处到达的所有路径的场强做相干叠加，得到每一测试点处总的接收场强。计算过程中，采用射线跟踪模型来预测信号场强，输入以下参数：矢量表示的电子地图、建筑物墙的电容率和传导率、发射源(基站)位置、天线类型和使用频率。通过对比每个测试点所接收的小区数量以及相应的场强的区别，建立起每一个点的小区指纹信息库。

道路网格的观测矩阵和基站接收概率矩阵计算方法如下。状态转移矩阵是指用户停留在一个网格或者从一个网格转移到其他网格的概率，本发明中通过如下方法获得。定义状态向量X∈{e₁,e₂...,e_N}，X_t＝e_i表示在t时刻移动台位于第i个网格，定义状态转移矩阵定义为A＝[a_ij]，a_ij表示移动台从网格i移动到网格j的概率大小。接收概率矩阵的建立，接收概率矩阵是指观察变量与状态变量的映射关系，在本研究中，即小区CELL-ID与网格的映射矩阵，定义为B＝[b_ij]，b_ij表示移动台位于第i个网格时接收到第j个基站的概率的大小。然后通过指纹信息库，确定了每个网格中接收到的基站信息，从而可以计算出接收概率矩阵。

根据用户的移动手机切换信令的基站序列与定位指纹库的观测矩阵进行相似度计算。计算公式如下：

${\[{\mathrm{LY}}_k\]}_j={\mathrm{\Π}}_{i=1}^{NID}{h}_{ij}\left(Y_k\right),$

${\tilde{h}}_{ij}\left(Y_k\right)=\left\{\begin{array}{cc}{h}_{ij},& {\[Y_k\]}_i=1\\ 1-h_{ij},& {\[Y_k\]}_i=0\end{array}\right.,$

其中，[LY_k]_j表示在K时刻用户的移动手机在第i个网格接收j基站信号与定位指纹库中第i个网格接收到j个基站信号的相似度，NID表示这一区域移动手机接收到的所有基站个数，h_ij表示基站接收概率中的第i个网格接收到第j个基站的概率值，[Y_k]_i表示在K时刻处于网格i的用户是否接收到基站j信号，接收到为1，否则为0。

求解移动手机处于每个可能的网格i的[LY_k]_j，将使[LY_k]_j最大的网格i作为用户的位置。

ck＝argmax[LY_k]_j，

其中，ck为最大似然方法得到的用户所在路段网格，argmax[LY_k]_j表示使得[LY_k]_j取得最大值的第i个基站。

步骤4、道路用户出行模式识别。本发明采用将出行速度作为聚类阈值对不同的道路用户进行聚类的方法对道路用户出行模式进行识别。

首先，根据手机切换信令的基站序列按照时间维度进行排列，确定道路用户的移动方向；然后，计算道路用户在一段时间内的每两次切换之间的移动速度，得到用户的移动速度值集合V_x＝(v₁,v₂,…,v_X)。最后，利用速度作为聚类阈值对道路用户进行聚类。算法流程如下：

对n个m维样本集进行聚类，n个样本集表示为X＝{X₁,X₂,...,X_n}，其中X_i＝(x_i1,x_i2,...,x_im)，聚类成k个分类表示为C＝{C₁,C₂,...C_k}，其质心表示为n_j为C_j中包含的数据点的个数，则聚类的目标是使k个类满足以下条件：

$\underset{j=1}{\overset{k}{\Σ}}\underset{x_i\∈C_j}{\Σ}{d}_{ij}\left(x_i,z_j\right)\→Min,$

式中，x_i表示某一个样本集的一个样本，j是聚类中心的个数，d_ij(x_i,z_j)表示计算数据间距离的函数，其可以是不同的度量方式，本发明采用欧氏距离度量函数来度量，k为聚类数目，z_j为j类样本的聚类中心，C_j表示第j个聚类分类，Min是满足聚类条件的最小值。

步骤5、道路交通状态识别。在以上步骤中已经计算出机动车辆用户的每一次切换速度V_x，由切换的位置信息可以计算出切换间隔的距离l_y，选取某一段道路，可以统计出经过该道路的所有用户，以每个用户的切换间隔距离l_y作为权重，对速度进行加权平均得到每个机动车辆用户在该道路的统计平均速度。最后将处在该道路上的所有机动车辆用户的统计平均速度的分布进行统计，95％的用户达到的车速范围即作为该道路的交通速度，然后再根据行车速度判断道路是否发生拥堵。

本发明的原理：本发明首先从运营商获取用户手机信令数据；然后利用道路匹配算法对用户进行识别和区分，筛选出在道路上移动的用户；接下来，根据已得筛选出的在道路上移动的用户，进行用户定位以及移动速度的计算；最后，根据这类用户移动的速度以及所处道路，从而判断出不同道路的交通拥堵状态。本发明以手机为探针，首先从运营商获取用户手机信令数据，然后利用道路匹配算法对用户进行识别和区分，筛选出在道路上移动的用户，接下来根据已得筛选出的在道路上移动的用户，进行用户定位以及移动速度的计算，最后根据这类用户移动的速度以及所处道路，从而判断出不同道路的交通状态。基于手机信令道路状态识别方式在成本、信息获取便捷度方面优于感应线圈检测法和GPS定位检测法，是一种低成本的城市智能交通数据采集方法，具有非常巨大的推广价值和市场发展潜力。

本发明相对于现有技术，本发明具有如下的优点及效果：

(1)获取方便，成本低廉，基于小区的信令数据，相关部门能够很便利地从运营商上获取。

(2)计算复杂度远远低于GPS的方法，由于小区的信令数据是记录用户在本小区覆盖范围下的全部用户发生业务或者切换的信息，因此颗粒度比GPS大得多(小区信令数据在密集城区200米-300米)，能够符合道路行程车速分析的需求。

(3)能够获取大部分的用户信息，由于目前手机的渗透率已经超过100％，几乎人手有一个手机，那么，小区信息的信令数据能够记录绝大部分人的信息。

(4)能够准实时反映道路行程车速，能够满足智慧交通低成本、高效率的需求。

附图说明

图1为道路缓冲分析图。

图2为道路用户识别图。

图3为基于手机信令的道路交通状态识别流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图3所示，一种基于手机信令的道路状态识别方法，包括如下步骤：

步骤1、手机信令采集。基于移动运营商的BSS域数据管理系统，对目标城市手机用户进行追踪，采集城市范围内手机用户的信令数据。信令数据主要包括：IMSI(匿名加密用户唯一标识)、CELL_ID(基站小区编号)、TIME(时间戳)、LOCATION(经纬度)、EVENT(事件类型)。

步骤2、用户和道路的匹配与识别。如图1所示，首先，将基站以500米作为缓冲半径，与道路进行叠加分析，把基站拟合到道路上，并载入GIS。然后，将每条道路上基站进行序列编号，以此作为道路的基站切换序列，记为R_l＝(n_l1,n_l2,…,n_lL)，R_l表示第l条道路的基站切换序列，n_lk(k＝1,2,…,L)表示第l条道路的基站序列中第k个基站；同时，将采集到的用户手机信令数据按照时间维度进行排列，可以得到每个用户经过的一系列基站的切换序列U_m＝(n₁,n₂,…,n_M)。最后，对每个用户的移动切换序列与道路的基站切换序列进行相似度计算，获得与该用户移动轨迹与道路匹配的信息，从而筛选出相似度最高的道路作为匹配路段。本发明采用的相似度测量方法如下，表达式为：

d＝(R_l-U_m)(R_l-U_m)^T/2，

式中，T表示手机信令采集的周期，R_l表示第l条道路的基站切换序列，U_m表示用户经过的基站切换序列。

步骤3、道路用户定位。由于基站的覆盖范围较大，对于在道路上的用户，无法精准定位该用户所处具体的某个路段。因此，针对已经匹配到道路上的用户，需要进一步对其精准定位，从而反映更加真实的交通状况。

本发明首先通过三维射线追踪模型建立定位指纹库，包括覆盖范围内移动台接收到的服务基站信息。然后将道路进行网格划分，计算出每个道路网格的观测矩阵和基站接收概率矩阵。最后，根据用户的移动手机切换信令的基站序列与定位指纹库的观测矩阵进行相似度计算。

利用三维射线追踪模型建立定位指纹库的流程为。首先，确定一个发射源的位置，根据三维地图上的建筑物特征和分布找出发射源到每个接收位置的所有传播路径，然后根据菲涅耳等式和几何绕射理论来确定反射和绕射损耗，这样相应得到每条路径到每个测试点的场强，将同一测试点处到达的所有路径的场强做相干叠加，得到每一测试点处总的接收场强。计算过程中，采用射线跟踪模型来预测信号场强，输入以下参数：矢量表示的电子地图、建筑物墙的电容率和传导率、发射源(基站)位置、天线类型和使用频率。通过对比每个测试点所接收的小区数量以及相应的场强的区别，建立起每一个点的小区指纹信息库。

道路网格的观测矩阵和基站接收概率矩阵计算方法如下。状态转移矩阵是指用户停留在一个网格或者从一个网格转移到其他网格的概率，本发明中通过如下方法获得。定义状态向量X∈{e₁,e₂...,e_N}，X_t＝e_i表示在t时刻移动台位于第i个网格，定义状态转移矩阵定义为A＝[a_ij]，a_ij表示移动台从网格i移动到网格j的概率大小。接收概率矩阵的建立，接收概率矩阵是指观察变量与状态变量的映射关系，在本研究中，即小区CELL-ID与网格的映射矩阵，定义为B＝[b_ij]，b_ij表示移动台位于第i个网格时接收到第j个基站的概率的大小。然后通过指纹信息库，确定了每个网格中接收到的基站信息，从而可以计算出接收概率矩阵。

根据用户的移动手机切换信令的基站序列与定位指纹库的观测矩阵进行相似度计算。计算公式如下：

${\[{\mathrm{LY}}_k\]}_j={\mathrm{\Π}}_{i=1}^{NID}{h}_{ij}\left(Y_k\right),$

${\tilde{h}}_{ij}\left(Y_k\right)=\left\{\begin{array}{cc}{h}_{ij},& {\[Y_k\]}_i=1\\ 1-h_{ij},& {\[Y_k\]}_i=0\end{array}\right.,$

其中，[LY_k]_j表示在K时刻用户的移动手机在第i个网格接收j基站信号与定位指纹库中第i个网格接收到j个基站信号的相似度，NID表示这一区域移动手机接收到的所有基站个数，h_ij表示基站接收概率中的第i个网格接收到第j个基站的概率值，[Y_k]_i表示在K时刻处于网格i的用户是否接收到基站j信号，接收到为1，否则为0。

求解移动手机处于每个可能的网格i的[LY_k]_j，将使[LY_k]_j最大的网格i作为用户的位置。

ck＝argmax[LY_k]_j，

其中，ck为最大似然方法得到的用户所在路段网格，argmax[LY_k]_j表示使得[LY_k]_j取得最大值的第i个基站。

步骤4、道路用户出行模式识别。如图2所示，本发明采用将出行速度作为聚类阈值对不同的道路用户进行聚类的方法对道路用户出行模式进行识别。

首先，根据手机切换信令的基站序列按照时间维度进行排列，确定道路用户的移动方向；然后，计算道路用户在一段时间内的每两次切换之间的移动速度，得到用户的移动速度值集合V_x＝(v₁,v₂,…,v_X)；最后，利用速度作为聚类阈值对道路用户进行聚类。算法流程如下：

对n个m维样本集进行聚类，n个样本集表示为X＝{X₁,X₂,...,X_n}，其中X_i＝(x_i1,x_i2,...,x_im)，聚类成k个分类表示为C＝{C₁,C₂,...C_k}，其质心表示为n_j为C_j中包含的数据点的个数，则聚类的目标是使k个类满足以下条件：

$\underset{j=1}{\overset{k}{\Σ}}\underset{x_i\∈C_j}{\Σ}{d}_{ij}\left(x_i,z_j\right)\→Min,$

式中，x_i表示某一个样本集的一个样本，j是聚类中心的个数，d_ij(x_i,z_j)表示计算数据间距离的函数，其可以是不同的度量方式，本发明采用欧氏距离度量函数来度量，k为聚类数目，z_j为j类样本的聚类中心，C_j表示第j个聚类分类，Min是满足聚类条件的最小值。

步骤5、道路交通状态识别。在以上步骤中已经计算出机动车辆用户的每一次切换速度V_x，由切换的位置信息可以计算出切换间隔的距离l_y，选取某一段道路，可以统计出经过该道路的所有用户，以每个用户的切换间隔距离l_y作为权重，对速度进行加权平均得到每个机动车辆用户在该道路的统计平均速度。最后将处在该道路上的所有机动车辆用户的统计平均速度的分布进行统计，95％的用户达到的车速范围即作为该道路的交通速度，然后再根据行车速度判断道路是否发生拥堵。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种基于手机信令的道路状态识别方法，其特征在于，包括如下步骤：

步骤1、手机信令采集；基于移动运营商的BSS域数据管理系统，对目标城市手机用户进行追踪，采集城市范围内手机用户的信令数据，所述信令数据包括：IMSI、CELL_ID、TIME、LOCATION、EVENT；

步骤2、用户和道路的匹配与识别；首先，将基站以500米作为缓冲半径，与道路进行叠加分析，把基站拟合到道路上，并载入GIS；然后，将每条道路上基站进行序列编号，以此作为道路的基站切换序列，记为R_l＝(n_l1,n_l2,…,n_lL)，R_l表示第l条道路，n_lk(k＝1,2,…,L)表示第l条道路的基站序列中第k个基站；同时，将采集到的用户手机信令数据按照时间维度进行排列，可以得到每个用户经过的一系列基站的切换序列U_m＝(n₁,n₂,…,n_M)；最后，对每个用户的移动切换序列与道路的基站切换序列进行相似度计算，获得与该用户移动轨迹与道路匹配的信息，从而筛选出相似度最高的道路作为匹配路段，所述相似度测量方法的表达式为：

d＝(R_l-U_m)(R_l-U_m)^T/2，

式中，T表示手机信令采集的周期，R_l表示第l条道路的基站切换序列，U_m表示用户经过的基站切换序列；

步骤3、道路用户定位；

步骤4、道路用户出行模式识别；将出行速度作为聚类阈值对不同的道路用户进行聚类的方法对道路用户出行模式进行识别；

步骤5、道路交通状态识别；在以上步骤中已经计算出机动车辆用户的每一次切换速度V_x，由切换的位置信息可以计算出切换间隔的距离l_y，选取某一段道路，统计出经过该道路的所有用户，以每个用户的切换间隔距离l_y作为权重，对速度进行加权平均得到每个机动车辆用户在该道路的统计平均速度；最后将处在该道路上的所有机动车辆用户的统计平均速度的分布进行统计，95％的用户达到的车速范围即作为该道路的交通速度，然后再根据行车速度判断道路是否发生拥堵。

2.根据权利要求1所述的基于手机信令的道路状态识别方法，其特征在于，在步骤2中，所述通过三维射线追踪模型建立定位指纹库的方法为：首先，确定一个发射源的位置，根据三维地图上的建筑物特征和分布找出发射源到每个接收位置的所有传播路径，然后根据菲涅耳等式和几何绕射理论来确定反射和绕射损耗，这样相应得到每条路径到每个测试点的场强，将同一测试点处到达的所有路径的场强做相干叠加，得到每一测试点处总的接收场强；计算过程中，采用射线跟踪模型来预测信号场强，输入以下参数：矢量表示的电子地图、建筑物墙的电容率和传导率、发射源位置、天线类型和使用频率；通过对比每个测试点所接收的小区数量以及相应的场强的区别，建立起每一个点的小区指纹信息库；

道路网格的观测矩阵和基站接收概率矩阵计算方法如下：状态转移矩阵是指用户停留在一个网格或者从一个网格转移到其他网格的概率，通过如下方法获：定义状态向量X∈{e₁,e₂...,e_N}，X_t＝e_i表示在t时刻移动台位于第i个网格，定义状态转移矩阵定义为A＝[a_ij]，a_ij表示移动台从网格i移动到网格j的概率大小；接收概率矩阵的建立，接收概率矩阵是指观察变量与状态变量的映射关系，在本研究中，即小区CELL-ID与网格的映射矩阵，定义为B＝[b_ij]，b_ij表示移动台位于第i个网格时接收到第j个基站的概率的大小；然后通过指纹信息库，确定了每个网格中接收到的基站信息，从而可以计算出接收概率矩阵；

根据用户的移动手机切换信令的基站序列与定位指纹库的观测矩阵进行相似度计算，计算公式如下：

${\[{\mathrm{LY}}_k\]}_j={\mathrm{\Π}}_{i=1}^{NID}{h}_{ij}\left(Y_k\right),$

${\tilde{h}}_{ij}\left(Y_k\right)=\{\begin{array}{cc}{h}_{ij},& {\[Y_k\]}_i=1\\ 1-h_{ij},& {\[Y_k\]}_i=0\end{array},$

其中，[LY_k]_j表示在K时刻用户的移动手机在第i个网格接收j基站信号与定位指纹库中第i个网格接收到j个基站信号的相似度，NID表示这一区域移动手机接收到的所有基站个数，h_ij表示基站接收概率中的第i个网格接收到第j个基站的概率值，[Y_k]_i表示在K时刻处于网格i的用户是否接收到基站j信号，接收到为1，否则为0；

求解移动手机处于每个可能的网格i的[LY_k]_j，将使[LY_k]_j最大的网格i作为用户的位置：

ck＝argmax[LY_k]_j，

其中，ck为最大似然方法得到的用户所在路段网格，argmax[LY_k]_j表示使得[LY_k]_j取得最大值的第i个基站。

3.根据权利要求1所述的基于手机信令的道路状态识别方法，其特征在于，所述步骤4包括以下步骤：

步骤41、根据手机切换信令的基站序列按照时间维度进行排列，确定道路用户的移动方向；

步骤42、计算道路用户在一段时间内的每两次切换之间的移动速度，得到用户的移动速度值集合V_x＝(v₁,v₂,…,v_X)；

步骤43、利用速度作为聚类阈值对道路用户进行聚类的算法如下：

对n个m维样本集进行聚类，n个样本集表示为X＝{X₁,X₂,...,X_n}，其中，X_i＝(x_i1,x_i2,...,x_im)，聚类成k个分类表示为C＝{C₁,C₂,...C_k}，其质心表示为n_j为C_j中包含的数据点的个数，则聚类的目标是使k个类满足以下条件：

$\underset{j=1}{\overset{k}{\Σ}}\underset{x_i\∈C_j}{\Σ}{d}_{ij}(x_i,z_j)\→Min,$

式中，x_i表示某一个样本集的一个样本，j是聚类中心的个数，d_ij(x_i,z_j)表示计算数据间距离的函数，其可以是不同的度量方式，采用欧氏距离度量函数来度量，k为聚类数目，z_j为j类样本的聚类中心，C_j表示第j个聚类分类，Min是满足聚类条件的最小值。

4.根据权利要求1所述的基于手机信令的道路状态识别方法，其特征在于，所述步骤3包括以下步骤：

步骤31、通过三维射线追踪模型建立定位指纹库，包括覆盖范围内移动台接收到的服务基站信息；

步骤32、将道路进行网格划分，计算出每个道路网格的观测矩阵和基站接收概率矩阵；

步骤33、根据用户的移动手机切换信令的基站序列与定位指纹库的观测矩阵进行相似度计算。