CN104408917B - 基于智能手机加速度传感器实时交通路况估计方法 - Google Patents

Abstract

本发明公开了一种基于智能手机加速度传感器实时交通路况估计方法。通过智能手机自带的加速度传感器采集加速度信息，并用手机的内存对测得的数据进行处理，利用离线训练好的模型估计路况信息。该方法具有精度较高、能耗小、可靠性强等优点。在手机端进行数据处理，得出路况估计结果。将测得的路况信息上传至服务器，减轻了数据传输负担和服务器的运算压力，体现出高效节能的优势，具有很好的应用前景。

Description

基于智能手机加速度传感器实时交通路况估计方法

技术领域

本发明涉及一种基于智能手机加速度传感器实时交通路况估计方法。

背景技术

近十年来车辆的数目迅速增多，交通拥挤和交通事故频发。据报告统计，2011年美国的城镇居民由于交通拥挤浪费了55亿小时的时间、29亿加仑汽油，总价值达到1210亿美元。交通管理成为了生活中的难题，如何正确的识别路况信息，错开拥堵路段节约行程时间成为了近几年来众多研究者的共识。

传统的交通路况监测系统主要有路口处摄像头拍照、感应线圈、超声波等传感器固定在固定位置进行采样，并对交通路况进行估计，然而这种方法初期投资大，设备的保护维修费用高，覆盖范围小，并且不能对路况信息进行精确的估计，有很大的局限性。

近年来许多传感器的嵌入使得智能手机成为了真正意义上的智能机器，GPS传感器、加速度传感器、方向传感器、磁力计、WIFI芯片，这些嵌入在手机里的传感器不仅提供了与外界交流的平台，更可以获取我们当前的许多信息，如当前位置、速度、加速度、行走方向、位置朝向等。利用这些信息参数，我们可以获取更多的信息。由于传统方法的不足，众多研究者将研究领域转向基于智能手机的实时路况采集。与传统方法相比，具有测量范围广、成本及维护费用低、精度高等优点。

现在较为成熟的路况估计方法为利用GPS进行定位并对路况进行估计，由于基站和WIFI两种定位方法都有较大的误差，而GPS传感器定位精度高、测量范围广，具有很好的应用效果，因此利用GPS传感器进行定位追踪和路况估计成为众多研究者的不二选择。然而GPS传感器能耗较高，为出行用户带来诸多不便，虽然有GPS周期性采样、综合处理GPS和WIFI信号估计路况以降低能耗，但由于WIFI和GPS都是高能耗设备，用此方法估计路况能耗虽然有所下降，但实际效果并不是很理想且估计精度也会有所降低。另外，在较为封闭的空间内(隧道、树木覆盖较密集的道路)，无法通过GPS进行定位从而损失部分路况信息。之前的路况估计都是将在智能手机采集的数据传输至服务器，并在服务器端通过数据过滤处理进行路况估计，此种系统设计增加了数据传输负担和服务器的运算压力，且没有与车辆的历史数据结合,具有很大的局限性。

发明内容

本发明的目的在于针对现有技术方法的不足，提供一种基于智能手机加速度传感器实时交通路况估计方法。

为了实现上述的目的，本发明采取如下技术方案：一种基于智能手机加速度传感器实时交通路况估计方法，包括以下几个步骤：

(1)采集在路上的车辆的实时加速度：将智能手机固定在行驶于路上的车辆上，检测车辆的速度、加速度，根据手机坐标系与车辆坐标系的转换方法，计算车辆在前进方向的加速度值；

(2)对采集的海量数据进行过滤，剔除数据损坏状态：步骤1中速度为0且加速度≥0.2m/s²或速度≠0且加速度＜0.2m/s²的为数据损坏状态；

(3)根据步骤1测得的速度将路况信息分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵五种情况；并对相应的前进方向的加速度值进行标定；

(4)对步骤(3)标定好的前进方向的加速度值进行特征量提取，得到相应的特征值；所述特征量为：时域特征量、样本点分布特征量、尖峰统计特征量；其中，时域特征量包括五分钟内加速度的平均值、标准偏差、平均误差、偏度、峰态、均方根振幅、最大值和最小值；样本点分布特征量为五分钟内每个区间的样本点个数；尖峰统计特征量包括五分钟内加速度的尖峰个数、最大尖峰值以及相邻尖峰的间隔平均时间；

(5)以步骤(3)的路况信息和步骤(4)得到的加速度特征值为已知训练数据，通过MATLAB中支持向量机训练函数在默认参数下最小二乘估计方法寻找最优超平面训练得到精度较高、节能的路况估计模型；

(6)根据步骤(5)的路况估计模型以及在智能手机端测得的实时加速度，输出估计路况；

所述步骤(1)中的手机坐标系x',y',z'与车辆坐标系x,y,z的转换关系式，通过以下步骤得到：

(1.1)将智能手机固定在车上(手机坐标系表示为x',y',z'，车辆坐标系表示为x,y,z)，通过多次加速启动实验，利用智能手机内嵌的加速度传感器、GPS传感器和方向传感器采集车辆的加速度(a_x',a_y',a_z')、速度ν、经纬度、方向(w_x',w_y',w_z')和时间戳信息；

(1.2)对采集的海量数据通过速度和方向信息进行过滤，选出有效的直线 加速启动的加速度信息；具体为：

(1.2.1)通过步骤(1.1)采集到的速度筛选车辆的启动状态：车辆在3s内速度ν从零达到1.5m/s的状态为启动状态；

(1.2.2)从步骤(1.2.1)筛选出的启动状态中进一步筛选出直线启动行驶状态：对车辆启动状态进行分析，对于方向波动值(启动过程中w_{y ′}的最大值与最小值之差)在4度以内的为直线启动行驶状态；

(1.2.3)从步骤(1.2.2)筛选出的直线启动行驶状态中进一步筛选出有效的直线启动行驶状态：加速度≥0.2m/s²的时刻为车辆启动真实时刻，速度从零到非零变化的时刻与上述真实时刻的时间差为GPS延迟时间，选取GPS延迟时间≤3.5s时为有效的直线启动行驶状态；

(1.3)通过步骤(1.2)筛选出的直线启动行驶状态的方向计算得到x,y,z与x',y',z'之间的关系：具体为：

将车辆坐标系绕其Z轴顺时针旋转α角度后得到坐标系x₁,y₁,z₁，然后绕其X轴逆时针旋转β角度后得到x₂,y₂,z₂，最后绕其Y轴逆时针旋转γ角度，使得车辆坐标系经三次旋转后与手机坐标系重合，β角度等于步骤(1.2)筛选出的有效的直线启动行驶状态的w_{y ′}的平均值；γ角度等于步骤(1.2)筛选出的有效的直线启动行驶状态的w_{z ′}的平均值；根据水平面的加速度值求出手机朝向与车辆前进方向的α角度，由下式求得，

α＝arctan(a_y1/a_x1)+90，a_x1<0,a_y1<0或a_x1<0,a_y1>0

α＝arctan(a_y1/a_x1)+270，a_x1>0,a_y1<0或a_x1>0,a_y1>0

其中，a_x1表示在坐标系x₁,y₁,z₁中x₁方向的加速度，a_y1表示在坐标系x₁,y₁,z₁中y₁方向的加速度，通过以下公式得到：

$\left[\begin{array}{c}{a}_{x1}\\ a_{y1}\\ a_{z1}\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\&gamma;}& 0& -\sin \mathrm{\&gamma;}\\ \sin \mathrm{\&beta;}\sin \mathrm{\&gamma;}& \cos \mathrm{\&beta;}& \sin \mathrm{\&beta;}\cos \mathrm{\&gamma;}\\ \cos \mathrm{\&beta;}\sin \mathrm{\&gamma;}& -\sin \mathrm{\&beta;}& \cos \mathrm{\&beta;}\cos \mathrm{\&gamma;}\end{array}\right]\left[\begin{array}{c}\stackrel{\&OverBar;}{a_{x^{\&prime;}}}\\ \stackrel{\&OverBar;}{a_{y^{\&prime;}}}\\ \stackrel{\&OverBar;}{a_{z^{\&prime;}}}\end{array}\right]$

为有效启动状态加速度a_{x ′}的平均值；为有效启动状态a_{y ′}的平均值；为有效启动状态a_{z ′}的平均值；a_z1表示在坐标系x₁,y₁,z₁中z₁方向的加速度；

得到坐标校正关系式如下：

$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\&alpha;}& \sin \mathrm{\&alpha;}& 0\\ -\sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{ccc}\cos \mathrm{\&gamma;}& 0& -\sin \mathrm{\&gamma;}\\ \sin \mathrm{\&beta;}\sin \mathrm{\&gamma;}& \cos \mathrm{\&beta;}& \sin \mathrm{\&beta;}\cos \mathrm{\&gamma;}\\ \cos \mathrm{\&beta;}\sin \mathrm{\&gamma;}& -\sin \mathrm{\&beta;}& \cos \mathrm{\&beta;}\cos \mathrm{\&gamma;}\end{array}\right]\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\\ z^{\&prime;}\end{array}\right];$

本发明的有益效果是，利用智能手机加速度传感器实现了车辆坐标系方向校正和路况估计。并用手机的内存对测得的数据进行处理，利用离线训练好的模型估计路况信息，具有计算量小，效率高等优点，在智能手机就可得出路况估计结果,将测得的路况信息上传至服务器，减轻了数据传输负担和服务器的运算压力，体现出高效节能的优势，具有很好的应用前景。

附图说明

图1为车辆坐标系x,y,z与手机坐标系x',y',z'示意图；

图2为车辆坐标系与手机坐标系转换关系图解；

图3为方向校正流程图；

图4为方向波动值及样本数量的关系图；

图5为GPS数据延迟时间和方向校正精度；

图6为α多次方向校正结果示意图；

图7为β多次方向校正结果示意图；

图8为γ多次方向校正结果示意图；

图9为真实的车辆坐标系加速度信息和本发明方法校正得到的车辆坐标系加速度信息对比图。

图10为本发明模型训练流程图；

图11为数据过滤流程图；

图12为路况估计流程图；

图13为手机端在线处理方向校正后加速度信息对比图；

图14为加速度传感器路况估计能耗图和GPS传感器能耗图；

具体实施方式：

下面结合实施例及附图对本发明作进一步说明。

实施例1

本实施例利用智能手机的加速度传感器、方向传感器和GPS，通过测量车辆的启动状态实现了车辆坐标系和手机坐标系之间的转化和校正。由于方向传感器易受地理环境的影响，且车辆金属铁皮和车内的电子器件都会对手机周围的磁场产生影响，不同时刻不同位置不同的车辆磁场强度都会有不同，用方向传感器进行校正误差较大。本实施例利用加速度传感器进行方向校正，流程图如图3，主要包括以下步骤：

(1)车辆启动状态信息采集。如图1所示，将智能手机固定在车上，车辆坐标系表示为x,y,z；手机坐标系表示为x',y',z'。通过多次加速启动实验，利用智能手机内嵌的加速度传感器、GPS传感器和方向传感器采集车辆的加速度、速度、经纬度、方向和时间戳信息。本实施例中，我们与出租车公司合作，采集不同驾驶员的启动加速行为，数据采集任务由自己设计的APP完成，期间并不对出租车的驾驶轨迹、驾驶时间等进行限制。共用三部手机进行了4732次加速启动实验，手机测得的方向值为(w_{x ′},w_{y ′},w_{z ′})，加速度值为(a_{x ′},a_{y ′},a_{z ′})。

(2)对采集的海量数据通过速度和方向信息进行过滤，选出有效的直线加速启动的加速度信息。

(2.1)通过步骤(1)采集到的速度筛选车辆的启动状态：本发明利用速度检测车辆的启动状态，并利用手机的方向波动值判断是否为直线启动行驶状态。车辆启动过程中我们选取3s内速度从零达到1.5m/s的状态为启动状态；

(2.2)从步骤(2.1)筛选出的启动状态中进一步筛选出直线启动行驶状态：实验中，车辆停靠方式复杂，车辆侧方停车启动时会出现加速转弯启动状态，实验中应对此设计相应的过滤算法。实验中对车辆启动过程中手机朝向波动值(启动过程中w_{y ′}的最大值与最小值之差)在10度以内的数据共2832次实验进行了统计，启动过程中朝向波动值与样本数量的关系，如图4。朝向波动值的大小与样本数量间成抛物线关系，为了能够在保证方向校正精度的同时获得比较高的有效样本量，实验中我们选取朝向波动值不大于4度(最大值和最小值之差)的情况为直线启动行驶状态的判定阈值。

(2.3)从步骤(2.3)筛选出的直线启动行驶状态中进一步筛选出有效的直线启动行驶状态：由于静止时，加速度值均小于0.2m/s²，车辆启动时，加速度值一般大于0.5m/s²，本实施例中选取加速度≥0.2m/s²的时刻为车辆启动真实时刻，速度从零到非零的时刻与上述真实时刻的时间差为GPS延迟时间。由于GPS 数据采集信息有一定的时间延迟，实验中需要对GPS数据延迟时间进行测量。在朝向波动阈值为4度的情况下，GPS数据延迟时间与方向校正精度如图5。为了在保证精度的同时获得尽可能多的有效状态，选取GPS延迟时间为3.5s。本发明通过速度的变化情况、朝向波动值和GPS延迟时间过滤方向校正有效样本，将符合这三个条件的状态称为有效的启动状态。实验中共选出有效启动样本2117个。

(3)通过步骤2筛选出的直线启动行驶状态的方向计算得到x,y,z与x',y',z'之间的关系，具体为：

选取符合(2)的有效启动状态的加速度值进行方向校正。以直线加速启动的加速度作为车辆前进方向的加速度求取手机坐标系与车辆坐标系的夹角及其转换关系。将车辆坐标系绕其Z轴顺时针旋转α角度后得到坐标系x₁,y₁,z₁，然后绕其X轴逆时针旋转β角度后得到x₂,y₂,z₂，最后绕其Y轴逆时针旋转γ角度，使得车辆坐标系经三次旋转后与手机坐标系重合，如图2。

β角度等于步骤(2)筛选出的有效的直线启动行驶状态的w_{y ′}的平均值；γ角度等于步骤(2)筛选出的有效的直线启动行驶状态的w_{z ′}的平均值；根据水平面的加速度值求出手机朝向与车辆前进方向的α角度，由下式求得，

α＝arctan(a_y1/a_x1)+90，a_x1<0,a_y1<0或a_x1<0,a_y1>0

α＝arctan(a_y1/a_x1)+270，a_x1>0,a_y1<0或a_x1>0,a_y1>0

其中，a_x1表示在坐标系x₁,y₁,z₁中x₁方向的加速度，a_y1表示在坐标系x₁,y₁,z₁中y₁方向的加速度，通过以下公式得到：

$\left[\begin{array}{c}{a}_{x1}\\ a_{y1}\\ a_{z1}\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\&gamma;}& 0& -\sin \mathrm{\&gamma;}\\ \sin \mathrm{\&beta;}\sin \mathrm{\&gamma;}& \cos \mathrm{\&beta;}& \sin \mathrm{\&beta;}\cos \mathrm{\&gamma;}\\ \cos \mathrm{\&beta;}\sin \mathrm{\&gamma;}& -\sin \mathrm{\&beta;}& \cos \mathrm{\&beta;}\cos \mathrm{\&gamma;}\end{array}\right]\left[\begin{array}{c}\stackrel{\&OverBar;}{a_{x^{\&prime;}}}\\ \stackrel{\&OverBar;}{a_{y^{\&prime;}}}\\ \stackrel{\&OverBar;}{a_{z^{\&prime;}}}\end{array}\right]$

为有效启动状态加速度a_{x ′}的平均值；为有效启动状态a_{y ′}的平均值；为有效启动状态a_{z ′}的平均值；a_z1表示在坐标系x₁,y₁,z₁中z₁方向的加速度；

手机朝向和车辆前进方向夹角的α校正精度如图6，手机x轴逆时针旋转角度β的校正精度如图7，绕y轴逆时针旋转角度γ的校正精度如图8。α分布比较集中，最大值与最小值之差都均小于20度，且角度估计的标准偏差均小于4度，风险值和精准度都有很高的实用价值，β和γ的均方差均小于1，估计误差更小。

(4)建立车辆坐标系和手机坐标系之间的转换关系式如下：

$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\&alpha;}& \sin \mathrm{\&alpha;}& 0\\ -\sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{ccc}\cos \mathrm{\&gamma;}& 0& -\sin \mathrm{\&gamma;}\\ \sin \mathrm{\&beta;}\sin \mathrm{\&gamma;}& \cos \mathrm{\&beta;}& \sin \mathrm{\&beta;}\cos \mathrm{\&gamma;}\\ \cos \mathrm{\&beta;}\sin \mathrm{\&gamma;}& -\sin \mathrm{\&beta;}& \cos \mathrm{\&beta;}\cos \mathrm{\&gamma;}\end{array}\right]\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\\ z^{\&prime;}\end{array}\right].$

(5)根据上式对车辆各方向加速度值进行验证，具体为：

根据(4)中的坐标转换关系式求取各个采样时刻车辆前进方向、竖直方向和侧向的加速度值，将手机坐标系转化为车辆坐标系。真实的车辆坐标系加速度信息和坐标转换后车辆坐标系加速度信息如图9。由图可以看出，坐标转换后加速度值与车辆坐标系的真实加速度值吻合程度很高，由于是不同的手机在同一时刻放在车辆不同位置对加速度进行测量，因此没有完全吻合，但却同样能够反映加速度值的动态变化趋势和相关信息，具有很高的实用价值。

实施例2

本实施例以杭州的出租车为实施对象，剔除出租车无效数据，根据出租车在路上的速度进行路况分类、对相应的前进方向的加速度值进行标定，然后通过MATLAB离线训练得到路况估计模型。该方法具有精度较高、能耗小、可靠性强等优点。减轻了数据传输负担和服务器的运算压力，体现出高效节能的优势，具有很好的应用前景。流程图如图10所示，主要包括以下步骤：

(1)采集在出租车的实时加速度：将智能手机固定在出租车，检测出租车的速度、加速度，根据实施例1给出的手机坐标系与车辆坐标系的转换方法，计算出租车在前进方向的加速度值；共得到7694个样本；

(2)将上述7694个样本进行过滤，如图11所示。在采集的海量数据中，由于实施对象为出租车，存在大量无效数据，譬如交换班时间的停车状态、排队候客时的停车状态等，因此无法直接用于训练样本，需要设计和现实有效的过滤算法，将其中无效数据剔除。算法主要围绕时间和空间这两个维度设计过滤规则，并进行无效状态剔除。

时间规则：首先，获取出租车司机相对固定的休息和交接班时间段，在这些时间段中，尽管探测车通常都处于停泊状态，但与交通路况无关，属于无效状态，因此需要依据这些时间对原始数据进行初步过滤；本实施例中，该方法过滤419个无效样本；

空间规则：即使在白天，如果近的话，出租车司机也有可能去一些客流量大的地方排队等候乘客。因此，我们利用地图首先对杭州一些客流量非常大的地方(杭州东站、城战火车站、杭州汽车南站、杭州汽车客运中心等)进行标 记，并得到这些地点排队候车的位置信息。之后，利用得到的经纬度信息，提取样本中与这些热门位置相邻的点和轨迹进行过滤，本实施例中，该方法过滤395个无效样本；

无效状态剔除：在采集的海量数据中不可避免的存在一些损坏和无效数据信息，例如行驶过程中加速度数据的暂时失效。本发明对此利用速度和加速度信息设计了相关算法，具体为：步骤1中速度为0且加速度≥0.2m/s2或速度≠0且加速度＜0.2m/s2的为数据损坏状态；本实施例中，该方法过滤13个无效样本；

经上述步骤过滤后，得到6867个有效样本。

(3)根据步骤1测得的速度将路况信息根据北京市地方标准《城市道路交通运行评价指标体系》分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵五种情况；并对相应的前进方向的加速度值进行标定；

(4)一方面由于无效的特征对估计精度的影响很小甚至没有，且运算过程会造成能源的浪费，而一些有效的特征量则对估计精度影响很大。如何尽可能的提取有效的特征量来估计路况是一个至关重要的问题。车辆行驶过程中Z轴的加速度受路面平整度的影响，车辆转弯和变道超车均会给X轴的加速度带来较大波动，只有Y轴的加速度可以很好的反应车辆行驶过程中的速度变化信息且受的干扰较小。基于此考虑，我们首先对手机进行了方向校正求出各个采样时刻车辆前进方向的加速度值，并选取了时域特征值、样本点分布和尖峰统计量三种特征来估计路况；另一方面由于估计路况的周期越长，路况估计精度会越高，然而长时间的路况估计周期会带来严重的路况估计延迟，这样路况估计便毫无意义，为了综合上述矛盾我们选取了5分钟的时间间隔作为路况的估计周期。提取的特征量为：

时域特征量：即五分钟内加速度的平均值、标准偏差、平均误差、偏度、峰态、均方根振幅、最大值和最小值；

样本点分布特征量：对车辆前进方向加速度的值域范围进行统计，加速度大量集中在[-8,8]区间内只有极个别的数据在此区间之外，将区间[-8,8]划分为8个等分，大于8和小于-8的分为另外两个区间，统计五分钟内每个区间的样本点个数；

尖峰统计量特征量：主要包括五分钟内加速度的尖峰个数、最大尖峰值以及相邻尖峰的间隔平均时间。

(5)为了得到较高的预测精度，我们选取了支持向量机算法训练路况估计模型。与其他的机器学习算法不同，支持向量机具有很好的泛化性能，能够抓 住关键样本，剔除冗余样本。增加或删除支持向量样本对训练模型影响很小，同时支持向量样本集也具有一定的鲁棒性。

从筛选出的6867个有效样本中随机选出3000个，以步骤(3)的路况信息和步骤(4)得到的加速度特征值为已知训练数据，通过MATLAB中支持向量机训练函数在默认参数下最小二乘估计方法寻找最优超平面，训练得到精度较高、节能的路况估计模型。

实施例3

本实施例以杭州的出租车为实施对象，以实施例2中的无效数据为训练样本，然后通过MATLAB离线训练得到路况估计模型；使之与实施例2进行对比。具体为：

(1)从实施例2中用于模型训练的3000个有效样本中随机选出2173个，以选出的2173个有效样本和827个无效样本共3000个样本为训练样本；然后根据测得的速度将上述样本的路况信息分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵五种情况；并对训练样本相应的前进方向的加速度值进行标定；

(2)对上述标定的前进方向的加速度值进行实施例2步骤4所述的特征值提取；

(3)以步骤(1)的路况信息和步骤(2)得到的训练样本的加速度特征值为已知训练数据，通过MATLAB中支持向量机训练函数在默认参数下最小二乘估计方法寻找最优超平面训练路况估计模型。

实施例4

本实施例根据实施例2和实施例3得到的路况估计模型进行路况估计，估计步骤如图12所示，包括以下步骤：

(1)采集车辆的实时加速度：将智能手机固定在车辆上，检测车辆的加速度，根据实施例1给出的手机坐标系与车辆坐标系的转换方法，计算车辆在前进方向的加速度值；真实的车辆坐标系的加速度信息和进行坐标转换后的加速度信息如图13；

(2)对步骤(1)的前进方向的加速度值进行特征量提取，得到相应的特征值；所述特征量为：时域特征量、样本点分布特征量、尖峰统计特征量；其中，时域特征量包括五分钟内加速度的平均值、标准偏差、平均误差、偏度、峰态、均方根振幅、最大值和最小值；样本点分布特征量为五分钟内每个区间的样本点个数；尖峰统计特征量包括五分钟内加速度的尖峰个数、最大尖峰值以及相邻尖峰的间隔平均时间；

(3)根据步骤2得到的特征值以及实施例2和3得到的路况估计模型，本 实施例用3867次实验进行模型检测与实验验证，实施例2的训练模型的路况估计精度如表1可知，严重拥堵路况下正确估计率为91.0％，中度拥堵路况下正确估计率为86.7％，基本畅通路况下正确估计率为87.4％，畅通路况下正确估计率为93.0％，仅轻度拥堵状态下正确估计率稍低为78.7％。实施例3训练出的路况估计模型的估计精度如表2，五种路况下的估计精度分别为89.9％、28.2％、67.9％、51.8％和96.5％，由此可见数据过滤取得了很好的效果。

路况估计能耗如图14，实线部分为利用GPS间歇性采样进行路况估计的能耗图，实验中GPS采样周期为20s且采到数据之后关闭GPS模块以尽最大可能的降低能耗，虚线部分为本发明的加速度路况估计能耗，+号部分为待机能耗，与低能耗GPS采样相比路况监测时间延长了2/3。由此可见，加速度传感器与以往GPS传感器相比具有较低的能耗。

表1实施例2训练的路况估计模型的路况估计精度

表2实施例3训练的路况估计模型的路况估计精度

。

Claims (1)

1.一种基于智能手机加速度传感器实时交通路况估计方法，其特征在于，包括以下步骤：

(1)采集在路上的车辆的实时加速度：将智能手机固定在行驶于路上的车辆上，检测车辆的速度、加速度，根据手机坐标系与车辆坐标系的转换方法，计算车辆在前进方向的加速度值；

(2)对采集的海量数据进行过滤，剔除数据损坏状态：步骤（1）中速度为0且加速度≥0.2m/s²或速度≠0且加速度＜0.2m/s²的为数据损坏状态；

(3)根据步骤（1）测得的速度将路况信息分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵五种情况；并对相应的前进方向的加速度值进行标定；

(4)对步骤(3)标定好的前进方向的加速度值进行特征量提取，得到相应的特征值；所述特征量为：时域特征量、样本点分布特征量和尖峰统计特征量；其中，时域特征量包括五分钟内加速度的平均值、标准偏差、平均误差、偏度、峰态、均方根振幅、最大值和最小值；样本点分布特征量为五分钟内每个区间的样本点个数；尖峰统计特征量包括五分钟内加速度的尖峰个数、最大尖峰值以及相邻尖峰的间隔平均时间；

(5)以步骤(3)的路况信息和步骤(4)得到的加速度特征值为已知训练数据，通过MATLAB中支持向量机训练函数在默认参数下最小二乘估计方法寻找最优超平面训练得到精度较高、节能的路况估计模型；

(6)根据步骤(5)的路况估计模型以及在智能手机端测得的实时加速度，输出估计路况；

所述步骤(1)中的手机坐标系x',y',z'与车辆坐标系x,y,z的转换关系式，通过以下步骤得到：

(1.1)将智能手机固定在车辆上，通过多次加速启动实验，利用智能手机内嵌的加速度传感器、GPS传感器和方向传感器采集车辆的加速度(a_x',a_y',a_z')、速度ν、经纬度、方向(w_x',w_y',w_z')和时间戳信息，其中x',y',z'为手机坐标系，x,y,z为车辆坐标系；

(1.2)对采集的海量数据通过速度和方向信息进行过滤，选出有效的直线加速启动的加速度信息；具体为：

(1.2.1)通过步骤(1.1)采集到的速度筛选车辆的启动状态：车辆在3s内速度ν从零达到1.5m/s的状态为启动状态；

(1.2.2)从步骤(1.2.1)筛选出的启动状态中进一步筛选出直线启动行驶状态：对车辆启动状态进行分析，对于方向波动值在4度以内的为直线启动行驶状态，所述方向波动值为启动过程中w_{y ′}的最大值与最小值之差；

(1.2.3)从步骤(1.2.2)筛选出的直线启动行驶状态中进一步筛选出有效的直线启动行驶状态：加速度≥0.2m/s²的时刻为车辆启动真实时刻，速度从零到非零变化的时刻与上述真实时刻的时间差为GPS延迟时间，选取GPS延迟时间≤3.5s时为有效的直线启动行驶状态；

(1.3)通过步骤(1.2)筛选出的直线启动行驶状态的方向计算得到x,y,z与x',y',z'之间的关系：具体为：

将车辆坐标系绕其Z轴顺时针旋转α角度后得到坐标系x₁,y₁,z₁，然后绕其X轴逆时针旋转β角度后得到x₂,y₂,z₂，最后绕其Y轴逆时针旋转γ角度，使得车辆坐标系经三次旋转后与手机坐标系重合，β角度等于步骤(1.2)筛选出的有效的直线启动行驶状态的w_{y ′}的平均值；γ角度等于步骤(1.2)筛选出的有效的直线启动行驶状态的w_{z ′}的平均值；根据水平面的加速度值求出手机朝向与车辆前进方向的α角度，由下式求得，

α＝arctan(a_y1/a_x1)+90，a_x1<0,a_y1<0或a_x1<0,a_y1>0

α＝arctan(a_y1/a_x1)+270，a_x1>0,a_y1<0或a_x1>0,a_y1>0

其中，a_x1表示在坐标系x₁,y₁,z₁中x₁方向的加速度，a_y1表示在坐标系x₁,y₁,z₁中y₁方向的加速度，通过以下公式得到：

为有效启动状态加速度a_{x ′}的平均值；为有效启动状态a_{y ′}的平均值；为有效启动状态a_{z ′}的平均值；a_z1表示在坐标系x₁,y₁,z₁中z₁方向的加速度；

得到坐标校正关系式如下：