CN103761881B - 一种基于智能手机的交通流信息分析方法 - Google Patents

Abstract

本发明涉及一种基于智能手机的交通流信息分析方法，包括：数据输入步骤，用于采集不同类型的交通环境下的交通流信息与交通噪声数据，并将所采集的交通流信息与交通噪声数据按类型存储；模型建立步骤，包括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，所建立的人工神经网络模型按照道路类型信息与采集时间类型信息分为多个类别；手机端数据处理步骤，包括由手机端采集地理位置信息、交通噪声数据、时间信息，利用这些信息从所建立的人工神经网络模型中选择一个，进而得到交通流信息。

Description

一种基于智能手机的交通流信息分析方法

技术领域

本发明涉及交通领域，特别涉及一种基于智能手机的交通流信息分析方法。

背景技术

作为治理城市交通拥堵的关键技术——交通车流量分析及评价是目前研究的重点与难点，它不仅能为交通管理者治理交通拥堵提供决策依据，同时也能为动态交通诱导提供数据支撑。目前使用广泛的交通拥堵分析及评价方法有：进行人工交通调查，或者利用视频、线圈等固定检测交通采集设备，从而得到车流量、密度等交通流参数。

目前，无论是通过安装固定监测器，还是其他检测方式，在城市复杂道路环境中都存在一定的弊端和问题，主要有：

1)现行的监测车流量的方法需要经过长时间的前期准备工作，并需要大量的施工单位配合施工，时间成本相对较大。

2)现行的方法在客观情况影响下得到的数据量有限，覆盖面较小，建立数据模型数据不够充足。

3)城市中复杂的道路环境中各种不同的道路对应的车流量模型不一样，很难用通用的模型进行分析，需要按照不同的道路类型建立相应的数据模型进行逐一的分析。

发明内容

本发明的目的在于克服现有技术的交通流信息检测方法成本高的缺陷，从而提供一种快捷、简便、成本低的交通流信息分析方法。

为了实现上述目的，本发明提供了一种基于智能手机的交通流信息分析方法，包括：

一数据输入步骤，该步骤用于采集不同类型的交通环境下的交通流信息与交通噪声数据，并将所采集的交通流信息与交通噪声数据按类型存储；所述类型包括道路的类型与采集时间的类型；

一模型建立步骤，该步骤包括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，所建立的人工神经网络模型按照道路类型信息与采集时间类型信息分为多个类别；其中，所述人工神经网络将大量同类型的交通流信息与交通噪声数据进行分布式并行信息处理，然后通过调整内部大量节点之间相互连接的关系，从而找到交通噪声与交通流之间的相应关系；

一手机端数据处理步骤，该步骤包括由手机端采集地理位置信息、交通噪声数据、时间信息，利用这些信息从所建立的人工神经网络模型中选择一个，进而得到交通流信息。

上述技术方案中，在所述的手机端数据处理步骤中，将手机端采集的地理位置信息与电子地图相匹配，得到手机端所在道路，根据该道路的类型以及时间信息从所建立的人工神经网络模型中选择一个，然后将所述交通噪声数据输入所选择的人工神经网络模型，得到交通流信息。

上述技术方案中，在所述的模型建立步骤中还包括：将电子地图中各条道路的标签与所建立的人工神经网络模型中的特定模型进行关联；所述关联根据道路的类型实现；

在手机端数据处理步骤中，由手机端采集的地理位置信息与电子地图匹配，得到手机端当前所在的道路，由道路的标签得到与其关联的人工神经网络模型，结合时间信息从关联的人工神经网络模型中选择一个。

上述技术方案中，所述道路的类型包括7种节点类型与4种路段类型，其中，节点类型包括：单数字化道路的同级交叉、双数字化道路的同级交叉、有环岛的路口、高架桥、地下通道、入口坡道以及出口坡道；路段类型包括：环路主干道、环路辅道、环路连接线以及主干道支路。

上述技术方案中，所述采集时间的类型包括早高峰、正午时段、晚高峰。

上述技术方案中，在所述数据输入步骤中，将所采集的交通流信息与交通噪声数据按类型存储包括：首先将所采集的交通流信息与交通噪声数据按照道路类型依次予以存储，然后将按道路类型存储的交通流信息与交通噪声数据按照采集时间的类型分别予以存储。

上述技术方案中，所述人工神经网络模型为BP神经网络数据模型，该模型以道路类型作为模型建立基础，模型的输入层设定为交通噪声数据和时间信息，通过不断输入交通噪声数据的原始数据，并改变隐含层的层数进行训练，在输出层得到交通流数据。

上述技术方案中，所述BP神经网络数据模型有33个，通过将11种道路类型在3个时间类型分别建模得到。

本发明的优点在于：

(1)本发明通过在现实道路中利用手机采集交通噪声分贝的方式，解决了城市复杂坏境中估算车流量的问题，同时可为指挥部门的诱导与指挥起到参考的作用；

(2)本发明提出基于BP神经网络数据处理模型的思路，可使得使用者可以更准确地、更快速地获得对应位置的交通流量。

(3)本发明可利用普遍的智能手机解决复杂城市环境的道路车流量问题，更方便向公众提供精细化的交通服务信息。

附图说明

图1是本发明的基于智能手机的交通流信息分析方法的流程图；

图2是本发明中所采用的BP神经网络数据模型的示意图。

具体实施方式

现结合附图对本发明作进一步的描述。

本发明的实施步骤总体上分为三步：数据输入、模型建立以及手机端数据处理。其中，数据输入步骤主要完成在不同类型的交通环境下采集交通流信息与交通噪声数据，然后将所采集的数据按照类型分别予以存储；模型建立步骤主要通过人工神经网络将大量同类型的数据进行分布式并行信息处理，然后通过调整内部大量节点之间相互连接的关系，从而找到交通噪声与交通流量之间的相应关系，与此同时建立手机端电子地图道路标签与相应车辆噪声与道路的BP神经网络数据模型对应关系，为通过卫星定位准确选择BP神经网络数据模型打下基础；手机端数据处理步骤主要是利用手机端的定位功能以及现有的专业噪声监测软件进行复杂道路环境的交通流量监测。

下面结合图1对各个步骤的具体实现做详细说明。

步骤1、数据输入。本步骤中所要输入的数据包括交通流信息与交通噪声数据，这两类信息在存储时需要按照道路类型与采集时间分类存储。该步骤具体包括：

步骤1-1、对道路进行分类。

对道路进行分类的原则是通过电子地图的道路基本属性进行分类，按照道路综合层的空间描述，总体可以分为两个基本要素，即节点和路段。道路主要是节点和路段进行组合的结果。因此，在对道路进行分类之前首先对节点与路段进行分类，节点类型与路段类型的组合即为道路的类型。

在本发明中，节点包括下列类型：1)单数字化道路的同级交叉(指形状简单的交叉路，如丁字路口、十字路口)、2)双数字化道路的同级交叉(指形状复杂的交叉路，如除十字路口、丁字路口外的其他交叉路)、3)有环岛的路口、4)高架桥、5)地下通道、6)入口坡道以及7)出口坡道；路段包括下列类型：1)环路主干道2)环路辅道3)环路连接线以及4)主干道支路。总计节点有7种类型，路段有4种类型，组合起来道路共有11种监测类型。

步骤1-2、对采集时间进行分类。

采集的时间原则是按照早高峰、正午时段、晚高峰来进行交通流信息与交通噪声数据的采集。通过对三个具有明显特征的时间段进行交通流信息与交通噪声数据的采集能够进行高峰时段与平常时段的交通流与交通噪声的对比研究，发现其中存在的关系。将早高峰、正午时段、晚高峰分表标注不同的标签，例如，其中早高峰时间从上午8点到9点，时间标签设为90；午间时段从中午11点到1点，时间标签设为60；晚高峰下午从5点到8点，时间标签设为100。

步骤1-3、采集交通流信息与交通噪声数据，然后将所采集的数据按照道路类型、时间类型分别予以存储。

例如，首先为各个道路类型建立对应的存储文件，然后在各个道路类型的存储文件中分别建立三个时间段的子文件。采集到交通流信息与交通噪声数据后，首先判断道路类型，放入相应的主文件夹，然后再判断采集时间，放入对应的采集时间段的子文件夹。

步骤2、建立数据模型。本步骤中所要建立的数据模型包括两种，第一种是用于描述交通噪声与交通流量之间的相应关系的模型，另一种是用于描述道路类型与第一种模型间对应关系的模型。该步骤具体包括：

步骤2-1、建立用于描述交通噪声与交通流量间关系的BP神经网络数据模型。

步骤1所采集的数据中包括四个变量：时间标签、交通流数据、交通噪声数据、道路类型信息。利用这四个变量可通过MATLAB建立BP神经网络模型，即计算实际输出时按从输入到输出的方向进行。其中以道路类型作为模型建立基础，模型的输入层设定为交通噪声数据和时间标签，通过不断输入交通噪声数据的原始数据，并改变隐含层的层数进行训练，在输出层得到交通流数据。图2为所建立的BP神经网络模型的示意图，其中：

x₁代表交通噪声数据，x_j代表时间标签，x_M代表输入层第M个节点的输入。

w_ij表示隐含层第i个节点到输入层第j个节点之间的权值；

θ_i表示隐含层第i个节点的阈值；

φ(x)表示隐含层的激励函数；

w_ki表示输出层第k个节点到隐含层第i个节点之间的权值，i＝1,…,q；

a_k表示输出层第k个节点的阈值,k＝1,…,L；

ψ(x)表示输出层的激励函数；

o_k表示输出层输出交通流数据。

信号的前向传播过程如下：

隐含层第i个节点的输入net_i：

${\mathrm{net}}_i=\underset{j=1}{\overset{M}{\Σ}}{w}_{ij}{x}_j+{\mathrm{\θ}}_i---(3-1)$

隐含层第i个节点的输出y_i：

$y_i=\mathrm{\φ}\left({\mathrm{net}}_i\right)=\mathrm{\φ}(\underset{j=1}{\overset{M}{\Σ}}{w}_{ij}{x}_j+{\mathrm{\θ}}_i)---\left(3-2\right)$

输出层第k个节点的输入net_k：

${\mathrm{net}}_k=\underset{i=1}{\overset{q}{\Σ}}{w}_{ki}{y}_i+a_k=\underset{i=1}{\overset{q}{\Σ}}{w}_{ki}\mathrm{\φ}(\underset{j=1}{\overset{M}{\Σ}}{w}_{ij}{x}_j+{\mathrm{\θ}}_i)+a_k---(3-3)$

输出层第k个节点的输出o_k交通流数据：

$o_k=\mathrm{\ψ}\left({\mathrm{net}}_k\right)=\mathrm{\ψ}(\underset{i=1}{\overset{q}{\Σ}}{w}_{ki}{y}_i+a_k)=\mathrm{\ψ}\left(\underset{i=1}{\overset{q}{\Σ}}{w}_{ki}\mathrm{\φ}\right(\underset{j=1}{\overset{M}{\Σ}}{w}_{ij}{x}_j+{\mathrm{\θ}}_i)+a_k)---(3-4)$

依照以上建模方法利用收集到的11种道路监测类型在早高峰、正午时段、晚高峰三个时段的数据进行BP神经网络数据建模，总计建立33个BP神经网络数据模型。以高架桥节点为例，将模型按照“高架桥早高峰”、“高架桥正午时段”、“高架桥晚高峰”这个命名方式录入模型库，其余32种BP神经网络数据模型参照命名方式录入模型库。

步骤2-2、建立电子地图中的道路与步骤2-1所得到的BP神经网络数据模型之间的对应关系。

在现有的电子地图上，地图上的每一个元素都设有标签，例如，在某一道路的标签中为该道路标记为“入口坡道”，由于在之前的步骤中已经得到33个BP神经网络数据模型，因此可将这些模型与该道路标签进行关联。例如，在33个BP神经网络数据模型中有3个与“入口坡道”有关的模型，可将这3个模型与该道路的标签进行关联。

步骤3、手机端数据处理步骤。

目前的智能手机功能繁多，在本发明中，智能手机可采集交通噪声数据，获取GPS位置信息以及抓取时间，通过GPS位置信息与电子地图相匹配，可得到用户当前所在的道路，由该道路的标签可得到相对应的模型(此时一般有三个待选模型)，然后根据所抓取的当前时间选择特定的BP神经网络数据模型，最后将交通噪声数据输入该BP神经网络数据模型，得到相应位置的交通流信息。

以上是本发明方法在一个实施例中的描述，在其他实施例中，本发明方法也可有一定的变形。在另一个实施例中，在所述的模型建立步骤中，不包含在电子地图的道路标签与BP神经网络数据模型之间建立对应关系的步骤，而在手机端数据处理步骤中，则将手机端采集的地理位置信息与电子地图相匹配，得到手机端所在道路，根据该道路的类型以及时间信息从所建立的人工神经网络模型中选择一个，然后将所述交通噪声数据输入所选择的人工神经网络模型，从而得到交通流信息。与该实施例相比，前一实施例在模型建立步骤中预先将道路标签与BP神经网络数据模型做了关联，而在手机端数据处理步骤中，在查询BP神经网络数据模型时，可减少操作次数，有利于提高工作效率。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于智能手机的交通流信息分析方法，包括：

一数据输入步骤，该步骤用于采集不同类型的交通环境下的交通流信息与交通噪声数据，并将所采集的交通流信息与交通噪声数据按类型存储；所述类型包括道路的类型与采集时间的类型；

一模型建立步骤，该步骤包括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，所建立的人工神经网络模型按照道路类型信息与采集时间类型信息分为多个类别；其中，所述人工神经网络将大量同类型的交通流信息与交通噪声数据进行分布式并行信息处理，然后通过调整内部大量节点之间相互连接的关系，从而找到交通噪声与交通流之间的相应关系；

一手机端数据处理步骤，该步骤包括由手机端采集地理位置信息、交通噪声数据、时间信息，利用这些信息从所建立的人工神经网络模型中选择一个，进而得到交通流信息。

2.根据权利要求1所述的基于智能手机的交通流信息分析方法，其特征在于，在所述的手机端数据处理步骤中，将手机端采集的地理位置信息与电子地图相匹配，得到手机端所在道路，根据该道路的类型以及时间信息从所建立的人工神经网络模型中选择一个，然后将所述交通噪声数据输入所选择的人工神经网络模型，得到交通流信息。

3.根据权利要求1所述的基于智能手机的交通流信息分析方法，其特征在于，在所述的模型建立步骤中还包括：将电子地图中各条道路的标签与所建立的人工神经网络模型中的特定模型进行关联；所述关联根据道路的类型实现；

在手机端数据处理步骤中，由手机端采集的地理位置信息与电子地图匹配，得到手机端当前所在的道路，由道路的标签得到与其关联的人工神经网络模型，结合时间信息从关联的人工神经网络模型中选择一个。

4.根据权利要求2或3所述的基于智能手机的交通流信息分析方法，其特征在于，所述道路的类型包括7种节点类型与4种路段类型，其中，节点类型包括：单数字化道路的同级交叉、双数字化道路的同级交叉、有环岛的路口、高架桥、地下通道、入口坡道以及出口坡道；路段类型包括：环路主干道、环路辅道、环路连接线以及主干道支路。

5.根据权利要求2或3所述的基于智能手机的交通流信息分析方法，其特征在于，所述采集时间的类型包括早高峰、正午时段、晚高峰。

6.根据权利要求2或3所述的基于智能手机的交通流信息分析方法，其特征在于，在所述数据输入步骤中，将所采集的交通流信息与交通噪声数据按类型存储包括：首先将所采集的交通流信息与交通噪声数据按照道路类型依次予以存储，然后将按道路类型存储的交通流信息与交通噪声数据按照采集时间的类型分别予以存储。

7.根据权利要求2或3所述的基于智能手机的交通流信息分析方法，其特征在于，所述人工神经网络模型为BP神经网络数据模型，该模型以道路类型作为模型建立基础，模型的输入层设定为交通噪声数据和时间信息，通过不断输入交通噪声数据的原始数据，并改变隐含层的层数进行训练，在输出层得到交通流数据。

8.根据权利要求7所述的基于智能手机的交通流信息分析方法，其特征在于，所述BP神经网络数据模型有33个，通过将11种道路类型在3个时间类型分别建模得到。