CN104318765A - 基于智能手机的实时交通拥堵自动检测方法 - Google Patents
基于智能手机的实时交通拥堵自动检测方法 Download PDFInfo
- Publication number
- CN104318765A CN104318765A CN201410566158.5A CN201410566158A CN104318765A CN 104318765 A CN104318765 A CN 104318765A CN 201410566158 A CN201410566158 A CN 201410566158A CN 104318765 A CN104318765 A CN 104318765A
- Authority
- CN
- China
- Prior art keywords
- state
- sequence
- time
- moving window
- base station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种基于智能手机的实时交通拥堵自动检测方法,所述方法使用智能手机的加速度传感器和蜂窝网络信号,包括如下步骤:步骤1:乘车状态检测,用于确定用户的乘车时间段;步骤2:地图匹配,用于判断用户在乘车时间段内所访问的道路路段;步骤3:交通拥堵状态识别,用于估计用户在乘车时间段内所访问道路路段的交通拥堵状态变化情况。本发明具有无干扰、能耗低、实用性良好的技术优势。
Description
技术领域
本发明涉及智能交通领域,具体涉及一种实时交通拥堵检测方法。
背景技术
实时交通拥堵检测是智能交通系统最重要的组成部分之一,可为道路选择、交通疏导等工作提供重要的决策依据。目前实时交通拥堵检测技术主要依赖于路边固定设施(如环形感应线圈检测器、微波检测器、交通摄像头等)或浮动车监控设施,对其采集到的车速、车道占有率、交通流量、车流图像等信息进行分析以估计道路路段的交通拥堵状态。然而,基于路边固定设施或浮动车监控设施的交通拥堵检测技术存在如下问题:1)实施、维护费用高昂,难以覆盖所有道路路段;2)采集到的数据主要面向交通管理部门,普通用户难以获得。
另一方面,目前的智能手机已具备较强的传感、计算和通信能力,且已实现了大范围的普及,这使得采用智能手机对其用户所访问的道路路段的交通拥堵状态进行实时检测成为可能。然而,如何利用智能手机在日常生活中检测交通拥堵是一个富有挑战的任务。现有方法需要用户在乘车时主动打开检测程序,或者依赖于高能耗的智能手机传感器(如GPS),因此存在干扰大、能耗高、实用性差等问题。
发明内容
为了克服已有基于智能手机的交通拥堵检测方法的干扰大、能耗高、实用性差的不足,本发明提供一种无干扰、能耗低、实用性良好的基于智能手机的实时交通拥堵自动检测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于智能手机的实时交通拥堵自动检测方法,所述检测方法仅使用智能手机的加速度传感器和蜂窝网络信号,其实施步骤如下:
步骤1:乘车状态检测
由于在日常生活中用户的运动状态复杂多变,而只有处于乘车状态时其智能手机才有可能进行交通拥堵检测,因此,基于智能手机的加速度传感器对用户的运动状态进行监测,确定其乘车时间段,即一段乘车行程的开始和结束时间;
步骤2:地图匹配
蜂窝基站定位即估计智能手机的位置为其当前所连接的蜂窝基站的位置,相对于GPS、WiFi等定位技术,蜂窝基站定位具有能耗低、稳定性高等优势,但存在定位精度低的问题,因此,基于HMM(隐马尔科夫模型)对蜂窝基站标识数据进行处理,判断用户在乘车时间段内所访问的道路路段;
步骤3:交通拥堵状态识别
由于用户在乘车时间段内可能访问不同道路路段,且同一道路路段的交通拥堵状态也可能随时间变化,因此,同时考虑用户位置变化情况、运动状态变化情况和交通拥堵状态转变规律,采用CRF(条件随机场模型)估计用户在乘车时间段内所访问道路路段的交通拥堵状态变化情况。
本发明中,所述交通拥堵状态包括严重拥堵、一般拥堵和通畅。进一步,所述步骤1中,为适应用户在日常生活中运动状态的复杂性,基于智能手机加速度传感器确定用户乘车时间段的详细步骤如下:
1.1、运动检测:当用户处于静止状态时,采用计算压力较小的阈值检测方法检测用户是否发生运动:即当基于一个设定大小和步进的滑动窗口采集的三轴加速度向量幅值数据的标准差大于设定阈值时,判定用户发生了运动。
1.2、运动状态识别:当用户处于运动状态时,基于机器学习方法识别用户当前的瞬时运动状态,运动状态识别步骤考虑三种类型的运动状态:静止、非乘车(包括走、跑、骑车)、乘车。运动状态识别分为模型训练和状态识别两部分。模型训练部分工作流程如下:1.2.1.1)以大量正确标注了运动类型的训练数据集为基础,训练数据集以设定时间间隔采集的加速度向量幅值数据为单位,从中抽取各类运动特征,包括时域特征和频域特征两类。时域特征包括:均值、方差、最大值、最小值和能量;频域特征包括:频域熵、频率幅值及最显著频率。为计算频域特征,首先对时间间隔内的数据进行离散傅立叶变换,然后计算1~10Hz频率的幅值的熵、各频率幅值及幅值最大的频率。1.2.1.2)基于运动特征和运动类型标注,采用C4.5算法训练得到决策树分类器。状态识别部分工作流程如下:1.2.2.1)基于一个设定大小和步进的滑动窗口计算实时加速度向量幅值数据的各类运动特征。1.2.2.2)将运动特征输入训练得到的分类器,得到运动状态分类结果。
1.3、乘车时间段检测:当用户处于乘车状态时,基于一个持续时长阈值确定乘车时间段:即当检测到用户的连续乘车状态时长大于设定阈值时,判定乘车行程开始;当检测到用户的连续非乘车状态时长大于设定阈值时,判定乘车行程结束。乘车时间段内的运动状态连续识别结果可表示为一个运动状态序列。
进一步,所述步骤2中,为减少智能手机的定位能耗,基于蜂窝基站定位的地图匹配的详细步骤如下:
2.1、蜂窝基站数据预处理:基于基站位置数据库,对乘车时间段内采集的蜂窝基站标识数据进行平滑和清洗,得到基站位置序列数据。其中,平滑步骤工作流程如下:2.1.1)采用一个设定大小和步进的滑动窗口对采集到的蜂窝基站标识数据进行分割。2.1.2)估计滑动窗口中心位置,方法如公式(1),其中,n为滑动窗口包含不同蜂窝基站的数量,W为滑动窗口大小,Li和di为滑动窗口中第i个蜂窝基站的位置和连接时长。2.1.3)将原始蜂窝基站标识数据转化为基站位置序列。清洗步骤工作流程如下:读入基站位置序列中连续的四个位置点A、B、C和D,计算位置夹角∠ABC和∠BCD,如果∠ABC和∠BCD的值均小于指定阈值,则将位置点C过滤掉。
2.2、地图匹配:基于HMM将预处理得到的基站位置序列匹配到道路路段序列,具体工作流程如下:2.2.1)给定基站位置序列O=O1O2…On,构造一个HMM,构造方法如下:隐状态集为从道路网络数据库中查询得到的目标区域内的所有道路路段;观测状态集为基站位置序列中的所有位置点;转移概率aij(即从道路路段Si移动到道路路段Sj的概率)设置如公式(2);发射概率bjk(即位置点Ok出现在道路路段Sj上的概率)设置如公式(3),其中,dist(Sj,Ok)为Ok与Sj间的距离,σ为目标区域内蜂窝基站定位的误差。2.2.2)基于Viterbi算法对构造的HMM进行解码,得到最优道路路段序列。
进一步,所述步骤3中,基于CRF识别交通拥堵状态分为模型训练和拥堵估计两部分,模型训练部分工作流程如下:
3.1.1、构造训练数据集:给定大量正确标注了交通拥堵状态变化过程的乘车时间段,对其中每个乘车时间段,首先计算其运动状态序列和基站位置序列;然后采用一个设定大小和步进的滑动窗口,将相应时间间隔内的运动状态序列和基站位置序列数据并入滑动窗口;最后将得到的滑动窗口序列作为一个训练数据。
3.1.2、抽取拥堵特征:对每个训练数据抽取两类拥堵特征:拥堵状态特征和拥堵变化特征。拥堵状态特征抽取方法为:对每个时间点的滑动窗口,其中包含运动状态子序列MS和基站位置子序列CS,计算静止状态时间比例(MS中静止状态的数量/MS中状态总数量)、运动状态切换频率(MS中乘车与静止状态间的切换次数/MS总时长)和估算速度(CS物理长度/CS总时长);拥堵变化特征抽取方法为:对每连续3个时间点的滑动窗口,计算状态转移平滑度,即该3个时间点的滑动窗口中是否存在连续2个拥堵状态标注一致。
3.1.3、训练CRF:给定滑动窗口序列X=X1X2…XT,拥堵状态序列Y=Y1Y2…YT出现的概率如公式(4),其中,fk代表特征函数,由抽取的拥堵特征构造得到,λk为fk的权值,Z(X)为归一化因子,基于训练数据集,采用EM算法对模型进行训练,得到所有参数λk的值。
拥堵估计部分工作流程如下:
3.2.1、获取实时数据:给定一个乘车时间段,计算其运动状态序列和基站位置序列,并以一个设定大小和步进的滑动窗口对其进行数据分割。
3.2.2、抽取拥堵特征:对每个时间点的滑动窗口,计算其静止状态时间比例、运动状态切换频率、估算速度,并计算其与前2个时间点的滑动窗口的状态转移平滑度。
3.2.3、拥堵状态序列识别:基于计算得到的拥堵特征构造特征函数,并使用训练得到的CRF估计对应滑动窗口序列的拥堵状态序列。
本发明的技术构思为:智能手机已具备较强的传感、计算和通信能力,且已实现了大范围的普及。这使得采用智能手机对其用户所访问的道路路段的交通拥堵状态进行实时检测,并通过社交网站等信息发布平台在普通用户间进行信息共享成为可能。
与路边固定设施或浮动车监控设施不同,智能手机是用户的私人设备,其主要功能并非交通数据采集和分析,因此基于智能手机的实时交通拥堵检测方法要以不影响用户对智能手机的正常使用为前提:
(1)需适应用户在日常生活中运动状态的复杂性:因此,检测方法应能判断用户当前是否处于乘车状态,并自动激活或停止交通拥堵检测过程;
(2)检测过程无需用户人工介入:因此,检测方法应能自动采集和分析交通数据,自动检测和识别交通状态;
(3)不能过度消耗智能手机的电池容量和计算能力:因此,检测方法不应依赖于能耗过大的传感器(如GPS),且应能根据用户运动状态变化选用计算压力尽可能小的模型和方法。
本发明的方案作为路边固定设施和浮动车监控设施交通拥堵检测方法的补充,一方面减少交通拥堵信息获取对路边固定设施和浮动车监控设施的依赖,另一方面使得普通用户能够方便地获取其感兴趣的交通拥堵信息。
本发明的有益效果主要表现在:1)将智能手机视为移动的传感节点,借助其传感、计算和通信能力,对其所访问道路路段的交通拥堵状态进行检测,一方面其实施、维护费用远远低于路边固定设施和浮动车监控设施,另一方面使得普通用户可方便地获得其感兴趣的交通拥堵信息。2)全过程完全自动,无需任何用户介入,不影响用户对智能手机的正常使用。3)只需使用智能手机的加速度传感器和蜂窝网络信号,使得检测方法能耗低且在任何环境下都能正常工作。4)系统行为随用户运动状态转变而自适应调整,因此能适应日常生活复杂环境。
附图说明
图1是基于智能手机的实时交通拥堵自动检测方法的结构框图。
图2是乘车状态检测步骤的系统行为变迁流程图。
图3是运动状态识别步骤的流程图。
图4是地图匹配步骤的流程图。
图5是交通拥堵估计步骤的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图5,一种基于智能手机的实时交通拥堵自动检测方法,包括如下步骤:
步骤1:乘车状态检测:基于智能手机的加速度传感器确定用户的乘车时间段;步骤2:地图匹配:基于蜂窝基站定位,采用HMM判断用户在乘车时间段内所访问的道路路段;
步骤3:交通拥堵状态识别:同时考虑用户位置变化情况、运动状态变化情况和交通拥堵状态转变规律,采用CRF识别用户在乘车时间段内所访问道路路段的交通拥堵状态变化情况。
本实施例中,所述交通拥堵状态包括严重拥堵、一般拥堵和通畅。
如图1所示,一种基于智能手机的实时交通拥堵自动检测方法的系统实现方案如下:
在传感器选择方面:仅选择能耗低且对抗干扰性强的两类智能手机传感器,一是加速度传感器,用于采集智能手机的三轴加速度数据;二是蜂窝网络信号,用于采集智能手机所连接的蜂窝基站的标识数据。
在基础数据库依赖方面:依赖两类基础数据库,一是道路网络数据库,用于存储目标区域内所有道路路段的地理信息;二是蜂窝基站位置数据库,用于存储目标区域内所有蜂窝基站的位置信息。
在系统设计方面:将交通拥堵检测问题分解为乘车状态检测、地图匹配和交通拥堵估计三个模块。其中,乘车状态检测模块基于加速度数据不断识别用户当前的运动状态,并确定用户的乘车时间段;地图匹配模块基于蜂窝基站标识数据判断用户所访问的道路路段;交通拥堵估计模块基于乘车状态检测和地图匹配模块的处理结果估计用户所访问道路路段的交通拥堵状态变化情况。
图2显示了为适应日常生活中用户运动状态的复杂性,乘车状态检测步骤系统行为随用户运动状态转变而改变的流程:
步骤1.1:运动检测:当用户处于静止状态时,激活运动检测步骤,用于检测用户是否发生了运动。由于在日常生活中用户一般大部分时间处于静止状态,为节省智能手机的电池容量和计算能力,运动检测步骤以较低频率(1Hz)采集加速度数据,并采用计算压力较小的阈值检测方法检测用户是否发生运动。
步骤1.2:运动状态识别:当用户处于运动状态时,激活运动状态识别步骤,用于识别用户当前的瞬时运动状态。运动状态识别步骤考虑三种类型的运动状态:静止、非乘车(包括走、跑、骑车)、乘车,输入为以20Hz频率采集的加速度数据,该步骤基于机器学习方法实现。
步骤1.3:乘车时间段检测:当用户处于乘车状态时,激活乘车时间段检测步骤,用于确定用户的乘车时间段。由于用户在乘车行程中不可避免地会暂时进入静止状态(如遇到交通拥堵、等红绿灯、公交车到站)或非乘车状态(如运动状态识别错误),乘车时间段检测步骤基于一个持续时长阈值确定乘车时间段,输入为以20Hz频率采集的加速度数据。
运动状态识别步骤的方法流程如图3所示,分为模型训练和状态识别两部分。模型训练部分工作流程如下:1.2.1.1)以正确标注了运动类型的训练数据集为基础,训练数据集以设定时间间隔采集的加速度向量幅值数据为单位,从中抽取各类运动特征,包括时域特征和频域特征两类,所述时域特征包括:均值、方差、最大值、最小值和能量;所述频域特征包括:频域熵、频率幅值及最显著频率;1.2.1.2)基于运动特征和运动类型标注,采用C4.5算法训练得到决策树分类器;状态识别部分工作流程如下1.2.2.1)基于一个设定大小和步进的滑动窗口计算实时加速度向量幅值数据的各类运动特征;1.2.2.2)将运动特征输入训练得到的分类器,得到运动状态分类结果。
地图匹配步骤的方法流程如图4所示,首先对蜂窝基站数据进行预处理,然后基于预处理结果进行地图匹配:
步骤2.1:蜂窝基站数据预处理:基于基站位置数据库,对乘车时间段内采集的蜂窝基站标识数据进行平滑和清洗,得到基站位置序列数据。其中,平滑步骤工作流程如下:2.1.1)采用一个设定大小和步进的滑动窗口对采集到的蜂窝基站标识数据进行分割;2.1.2)同时考虑蜂窝基站的位置和连接时长对滑动窗口的中心位置进行估计;2.1.3)将原始蜂窝基站标识数据转化为基站位置序列;清洗步骤工作流程如下:读入基站位置序列中连续的四个位置点A、B、C和D,计算位置夹角∠ABC和∠BCD,如果∠ABC和∠BCD的值均小于指定阈值,则将位置点C过滤掉。
步骤2.2:地图匹配:基于HMM将预处理得到的基站位置序列匹配到道路路段序列,具体工作流程如下:2.2.1)给定基站位置序列O=O1O2…On,构造一个HMM,构造方法如下:隐状态集为从道路网络数据库中查询得到的目标区域内的所有道路路段;观测状态集为基站位置序列中的所有位置点;转移概率aij(即从道路路段Si移动到道路路段Sj的概率)设置如公式(2);发射概率bjk(即位置点Ok出现在道路路段Sj上的概率)设置如公式(3),其中,dist(Sj,Ok)为Ok与Sj间的距离,σ为目标区域内蜂窝基站定位的误差。2.2.2)基于Viterbi算法对构造的HMM进行解码,得到最优道路路段序列。
交通拥堵估计步骤方法流程如图5所示,分为模型训练和拥堵估计两部分,模型训练部分工作流程如下:3.1.1)构造训练数据集:给定正确标注了交通拥堵状态变化过程的乘车时间段集,对其中每个乘车时间段,首先计算其运动状态序列和基站位置序列;然后采用一个设定大小和步进的滑动窗口,将相应时间间隔内的运动状态序列和基站位置序列数据并入滑动窗口;最后将得到的滑动窗口序列作为一个训练数据;3.1.2)抽取拥堵特征:对每个训练数据抽取两类拥堵特征:拥堵状态特征和拥堵变化特征,拥堵状态特征抽取方法为:对每个时间点的滑动窗口,其中包含运动状态子序列MS和基站位置子序列CS,计算静止状态时间比例、运动状态切换频率和估算速度;所述静止状态时间比例为MS中静止状态的数量/MS中状态总数量,所述运动状态切换频率为MS中乘车与静止状态间的切换次数/MS总时长,所述估算速度为CS物理长度/CS总时长;拥堵变化特征抽取方法为:对每连续3个时间点的滑动窗口,计算状态转移平滑度,即该3个时间点的滑动窗口中是否存在连续2个拥堵状态标注一致;3.1.3)训练CRF:给定滑动窗口序列X=X1X2…XT,拥堵状态序列Y=Y1Y2…YT出现的概率如公式(3),其中fk代表特征函数,由抽取的拥堵特征构造得到,λk为fk的权值,Z(X)为归一化因子,基于训练数据集,采用EM算法对模型进行训练,得到所有参数λk的值;
拥堵估计部分工作流程如下:3.2.1)获取实时数据:给定一个乘车时间段,计算其运动状态序列和基站位置序列,并以一个设定大小和步进的滑动窗口对其进行分割;3.2.2)抽取拥堵特征:对每个时间点的滑动窗口,计算其静止状态时间比例、运动状态切换频率、估算速度,并计算其与前2个时间点的滑动窗口的状态转移平滑度;3.2.3)拥堵状态序列识别:基于计算得到的拥堵特征构造特征函数,并使用训练得到的条件随机场模估计对应滑动窗口序列的拥堵状态序列。
Claims (7)
1.一种基于智能手机的实时交通拥堵自动检测方法,其特征在于:所述方法使用智能手机的加速度传感器和蜂窝网络信号,其实施步骤如下:
步骤1:乘车状态检测:基于智能手机的加速度传感器确定用户的乘车时间段,即一段乘车行程的开始和结束时间;
步骤2:地图匹配:基于蜂窝基站定位,采用隐马尔科夫模型判断用户在乘车时间段内所访问的道路路段;
步骤3:交通拥堵状态识别:同时考虑用户位置变化情况、运动状态变化情况和交通拥堵状态转变规律,采用条件随机场模识别用户在乘车时间段内所访问道路路段的交通拥堵状态变化情况。
2.如权利要求1所述的一种基于智能手机的实时交通拥堵自动检测方法,其特征在于:所述步骤1中,基于智能手机加速度传感器确定用户乘车时间段的过程如下:
步骤1.1:运动检测:当用户处于静止状态时,采用计算压力较小的阈值检测方法检测用户是否发生运动;
步骤1.2:运动状态识别:当用户处于运动状态时,基于机器学习方法识别用户当前的瞬时运动状态,运动状态识别步骤考虑三种类型的运动状态:静止状态、非乘车状态、乘车状态,非乘车状态包括走、跑和骑车;
步骤1.3:乘车时间段检测:当用户处于乘车状态时,基于一个持续时长阈值确定乘车时间段。
3.如权利要求2所述的一种基于智能手机的实时交通拥堵自动检测方法,其特征在于:所述步骤1.2中,运动状态识别分为模型训练和状态识别两部分,其中,
模型训练部分工作流程如下:1.2.1.1)以正确标注了运动类型的训练数据集为基础,训练数据集以设定时间间隔采集的加速度向量幅值数据为单位,从中抽取各类运动特征,包括时域特征和频域特征两类,所述时域特征包括:均值、方差、最大值、最小值和能量;所述频域特征包括:频域熵、频率幅值及最显著频率;1.2.1.2)基于运动特征和运动类型标注,采用C4.5算法训练得到决策树分类器;
状态识别部分工作流程如下1.2.2.1)基于一个设定大小和步进的滑动窗口计算实时加速度向量幅值数据的各类运动特征;1.2.2.2)将运动特征输入训练得到的分类器,得到运动状态分类结果。
4.如权利要求1~3之一所述的一种基于智能手机的实时交通拥堵自动检测方法,其特征在于:所述步骤2中,基于蜂窝基站定位的地图匹配的详细步骤如下:
步骤2.1:蜂窝基站数据预处理:基于基站位置数据库,对乘车时间段内采集的蜂窝基站标识数据进行平滑和清洗,得到基站位置序列数据;
步骤2.2:地图匹配:基于道路网络数据库,采用隐马尔科夫模型将基站位置序列数据匹配到道路路段序列。
5.如权利要求4所述的一种基于智能手机的实时交通拥堵自动检测方法,其特征在于:所述步骤2.1中,蜂窝基站数据预处理分为平滑和清洗两个步骤,平滑步骤工作流程如下:2.1.1)采用一个设定大小和步进的滑动窗口对采集到的蜂窝基站标识数据进行分割;2.1.2)同时考虑蜂窝基站的位置和连接时长对滑动窗口的中心位置进行估计;2.1.3)将原始蜂窝基站标识数据转化为基站位置序列;清洗步骤工作流程如下:读入基站位置序列中连续的四个位置点A、B、C和D,计算位置夹角∠ABC和∠BCD,如果∠ABC和∠BCD的值均小于指定阈值,则将位置点C过滤掉。
6.如权利要求4所述的一种基于智能手机的实时交通拥堵自动检测方法,其特征在于:所述步骤2.2中,基于隐马尔科夫模型的地图匹配工作流程如下:2.2.1)给定基站位置序列O=O1O2…On,构造一个隐马尔科夫模型,构造方法如下:隐状态集为从道路网络数据库中查询得到的目标区域内的所有道路路段;观测状态集为基站位置序列中的所有位置点;转移概率aij为从道路路段Si移动到道路路段Sj的概率,转移概率aij设置如公式(1);发射概率bjk为位置点Ok出现在道路路段Sj上的概率,发射概率bjk设置如公式(2),其中dist(Sj,Ok)为Ok与Sj间的距离,σ为目标区域内蜂窝基站定位的误差;
2.2.2)基于Viterbi算法对构造的隐马尔科夫模型进行解码,得到最优道路路段序列。
7.如权利要求1~3之一所述的一种基于智能手机的实时交通拥堵自动检测方法,其特征在于:所述步骤3中,基于条件随机场模型识别交通拥堵状态分为模型训练和拥堵估计两部分,其中,
模型训练部分工作流程如下:3.1.1)构造训练数据集:给定正确标注了交通拥堵状态变化过程的乘车时间段集,对其中每个乘车时间段,首先计算其运动状态序列和基站位置序列;然后采用一个设定大小和步进的滑动窗口,将相应时间间隔内的运动状态序列和基站位置序列数据并入滑动窗口;最后将得到的滑动窗口序列作为一个训练数据;3.1.2)抽取拥堵特征:对每个训练数据抽取两类拥堵特征:拥堵状态特征和拥堵变化特征,拥堵状态特征抽取方法为:对每个时间点的滑动窗口,其中包含运动状态子序列MS和基站位置子序列CS,计算静止状态时间比例、运动状态切换频率和估算速度;所述静止状态时间比例为MS中静止状态的数量/MS中状态总数量,所述运动状态切换频率为MS中乘车与静止状态间的切换次数/MS总时长,所述估算速度为CS物理长度/CS总时长;拥堵变化特征抽取方法为:对每连续3个时间点的滑动窗口,计算状态转移平滑度,即该3个时间点的滑动窗口中是否存在连续2个拥堵状态标注一致;3.1.3)训练条件随机场模型:给定滑动窗口序列X=X1X2…XT,拥堵状态序列Y=Y1Y2…YT出现的概率如公式(3),其中fk代表特征函数,由抽取的拥堵特征构造得到,λk为fk的权值,Z(X)为归一化因子,基于训练数据集,采用EM算法对模型进行训练,得到所有参数λk的值;
拥堵估计部分工作流程如下:3.2.1)获取实时数据:给定一个乘车时间段,计算其运动状态序列和基站位置序列,并以一个设定大小和步进的滑动窗口对其进行分割;3.2.2)抽取拥堵特征:对每个时间点的滑动窗口,计算其静止状态时间比例、运动状态切换频率、估算速度,并计算其与前2个时间点的滑动窗口的状态转移平滑度;3.2.3)拥堵状态序列识别:基于计算得到的拥堵特征构造特征函数,并使用训练得到的条件随机场模型估计对应滑动窗口序列的拥堵状态序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410566158.5A CN104318765A (zh) | 2014-10-22 | 2014-10-22 | 基于智能手机的实时交通拥堵自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410566158.5A CN104318765A (zh) | 2014-10-22 | 2014-10-22 | 基于智能手机的实时交通拥堵自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104318765A true CN104318765A (zh) | 2015-01-28 |
Family
ID=52373989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410566158.5A Pending CN104318765A (zh) | 2014-10-22 | 2014-10-22 | 基于智能手机的实时交通拥堵自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318765A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243844A (zh) * | 2015-10-14 | 2016-01-13 | 华南理工大学 | 一种基于手机信令的道路状态识别方法 |
CN106169227A (zh) * | 2016-08-31 | 2016-11-30 | 广东小天才科技有限公司 | 一种出行提醒的方法及穿戴设备 |
CN106710208A (zh) * | 2015-11-16 | 2017-05-24 | 中兴通讯股份有限公司 | 交通状态的获取方法及装置 |
CN107341226A (zh) * | 2017-06-30 | 2017-11-10 | 北京奇虎科技有限公司 | 信息展示方法、装置及移动终端 |
CN107368850A (zh) * | 2017-06-30 | 2017-11-21 | 北京奇虎科技有限公司 | 基于移动终端的用户活动状态切换方法、装置及移动终端 |
CN107767036A (zh) * | 2017-09-29 | 2018-03-06 | 北斗导航位置服务(北京)有限公司 | 一种基于条件随机场的实时交通状态估计方法 |
CN108288377A (zh) * | 2017-01-09 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 一种路况信息的生成方法及装置 |
CN109635863A (zh) * | 2018-12-06 | 2019-04-16 | 邵凌霜 | 智能判断用户乘车的方法和装置 |
CN109886199A (zh) * | 2019-02-21 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 信息处理方法、装置、车辆及移动终端 |
CN110290564A (zh) * | 2019-06-25 | 2019-09-27 | Oppo广东移动通信有限公司 | 干扰控制方法及相关产品 |
CN110493728A (zh) * | 2019-08-14 | 2019-11-22 | 深圳市名通科技股份有限公司 | 基于移动通信网络的路径识别方法、装置、设备及介质 |
CN110659280A (zh) * | 2019-08-01 | 2020-01-07 | 北京百度网讯科技有限公司 | 道路阻断异常检测方法、装置、计算机设备及存储介质 |
CN111383444A (zh) * | 2018-12-28 | 2020-07-07 | 腾讯大地通途(北京)科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6230011B1 (en) * | 1996-09-18 | 2001-05-08 | Detemobil Deutsche Telekom Mobilnet Gmbh | Method of determining traffic data by means of mobile radio telephones |
JP2002092784A (ja) * | 2000-09-14 | 2002-03-29 | Nippon Telegr & Teleph Corp <Ntt> | 交通流検出方法、移動局装置および交通流検出局装置 |
CN102737510A (zh) * | 2012-07-03 | 2012-10-17 | 浙江大学 | 一种基于移动智能终端的实时交通路况采集方法 |
CN103037507A (zh) * | 2012-12-17 | 2013-04-10 | 浙江鸿程计算机系统有限公司 | 一种基于Cell-ID定位技术的地图匹配方法 |
-
2014
- 2014-10-22 CN CN201410566158.5A patent/CN104318765A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6230011B1 (en) * | 1996-09-18 | 2001-05-08 | Detemobil Deutsche Telekom Mobilnet Gmbh | Method of determining traffic data by means of mobile radio telephones |
JP2002092784A (ja) * | 2000-09-14 | 2002-03-29 | Nippon Telegr & Teleph Corp <Ntt> | 交通流検出方法、移動局装置および交通流検出局装置 |
CN102737510A (zh) * | 2012-07-03 | 2012-10-17 | 浙江大学 | 一种基于移动智能终端的实时交通路况采集方法 |
CN103037507A (zh) * | 2012-12-17 | 2013-04-10 | 浙江鸿程计算机系统有限公司 | 一种基于Cell-ID定位技术的地图匹配方法 |
Non-Patent Citations (3)
Title |
---|
MINGQI LV ET AL.: "Detecting Traffic Congestions Using Cell Phone Accelerometers", 《PROCEEDINGS OF THE 2014 ACM INTERNATIONAL JOINT CONFERENCE ON PERVASIVE AND UBIQUITOUS COMPUTING: ADJUNCT PUBLICATION,ACM,2014》, 13 September 2014 (2014-09-13), pages 107 - 110, XP058055392, DOI: doi:10.1145/2638728.2638744 * |
王西点: "基于手机位置的实时交通信息采集技术", 《中国交通信息产业》, no. 1, 25 January 2009 (2009-01-25), pages 128 - 130 * |
马占刚: "基于手机的交通信息采集及处理技术", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2, 15 December 2011 (2011-12-15), pages 1 - 74 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243844A (zh) * | 2015-10-14 | 2016-01-13 | 华南理工大学 | 一种基于手机信令的道路状态识别方法 |
CN106710208A (zh) * | 2015-11-16 | 2017-05-24 | 中兴通讯股份有限公司 | 交通状态的获取方法及装置 |
CN106169227A (zh) * | 2016-08-31 | 2016-11-30 | 广东小天才科技有限公司 | 一种出行提醒的方法及穿戴设备 |
CN108288377A (zh) * | 2017-01-09 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 一种路况信息的生成方法及装置 |
CN107341226A (zh) * | 2017-06-30 | 2017-11-10 | 北京奇虎科技有限公司 | 信息展示方法、装置及移动终端 |
CN107368850A (zh) * | 2017-06-30 | 2017-11-21 | 北京奇虎科技有限公司 | 基于移动终端的用户活动状态切换方法、装置及移动终端 |
CN107767036A (zh) * | 2017-09-29 | 2018-03-06 | 北斗导航位置服务(北京)有限公司 | 一种基于条件随机场的实时交通状态估计方法 |
CN109635863A (zh) * | 2018-12-06 | 2019-04-16 | 邵凌霜 | 智能判断用户乘车的方法和装置 |
CN109635863B (zh) * | 2018-12-06 | 2023-08-25 | 邵凌霜 | 智能判断用户乘车的方法和装置 |
CN111383444A (zh) * | 2018-12-28 | 2020-07-07 | 腾讯大地通途(北京)科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
CN111383444B (zh) * | 2018-12-28 | 2021-08-17 | 腾讯大地通途(北京)科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
CN109886199A (zh) * | 2019-02-21 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 信息处理方法、装置、车辆及移动终端 |
CN110290564A (zh) * | 2019-06-25 | 2019-09-27 | Oppo广东移动通信有限公司 | 干扰控制方法及相关产品 |
CN110659280A (zh) * | 2019-08-01 | 2020-01-07 | 北京百度网讯科技有限公司 | 道路阻断异常检测方法、装置、计算机设备及存储介质 |
CN110659280B (zh) * | 2019-08-01 | 2022-05-27 | 北京百度网讯科技有限公司 | 道路阻断异常检测方法、装置、计算机设备及存储介质 |
CN110493728A (zh) * | 2019-08-14 | 2019-11-22 | 深圳市名通科技股份有限公司 | 基于移动通信网络的路径识别方法、装置、设备及介质 |
CN110493728B (zh) * | 2019-08-14 | 2021-06-25 | 深圳市名通科技股份有限公司 | 基于移动通信网络的路径识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318765A (zh) | 基于智能手机的实时交通拥堵自动检测方法 | |
Thiagarajan et al. | Cooperative transit tracking using smart-phones | |
CN113401143B (zh) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 | |
Krieg et al. | Unlocking the smartphone’s sensors for smart city parking | |
Wang et al. | Surrogate mobile sensing | |
CN103218442A (zh) | 一种基于移动设备传感器数据的生活模式分析方法及系统 | |
JP5816748B2 (ja) | 移動手段判別システム、移動手段判別装置、及び移動手段判別プログラム | |
CN105025440A (zh) | 室内外场景检测方法及设备 | |
CN105243844A (zh) | 一种基于手机信令的道路状态识别方法 | |
CN105718750A (zh) | 一种车辆行驶轨迹的预测方法及系统 | |
Waga et al. | Detecting movement type by route segmentation and classification | |
CN103236166A (zh) | 一种使用卫星定位技术进行车辆违章行为辨识的方法 | |
CN109089314A (zh) | 一种基于推荐算法的wifi序列辅助GPS的室内定位方法 | |
CN109215350A (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN109523574B (zh) | 一种行走轨迹预测方法和电子设备 | |
CN103854292A (zh) | 一种人数及人群运动方向的计算方法及装置 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN107146414B (zh) | 基于车辆识别的路网通行能力提取方法 | |
Arab et al. | Magnopark-locating on-street parking spaces using magnetometer-based pedestrians' smartphones | |
Wang et al. | Vehicle reidentification with self-adaptive time windows for real-time travel time estimation | |
CN105469599A (zh) | 车辆轨迹跟踪和车辆行为预测方法 | |
Bathaee et al. | A cluster analysis approach for differentiating transportation modes using Bluetooth sensor data | |
CN110213720A (zh) | 基于用户行为分析的手机使用过程中的意外预防方法 | |
Koster et al. | Recognition and recommendation of parking places | |
CN109740091B (zh) | 一种基于行为认知的用户网络行为的预测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150128 |