CN104504900B - 基于emd算法的个体出行手机切换序列道路匹配方法 - Google Patents

Abstract

本发明公开了一种基于EMD算法的个体出行手机切换序列道路匹配方法，通过先标定每条道路对应的手机基站切换主序列，然后计算个体出行产生的待匹配切换序列与每条道路上的已知标定切换主序列间的EMD值，最后选择其中的最小EMD值所对应的标定道路即为该个体出行所匹配的道路。本发明的积极效果是：通过利用通信运营商提供的手机基站切换序列、切换时刻等数据信息，将手机切换序列数据构建为相应的EMD模式，然后根据EMD值将不同道路的手机切换模式进行分析归类，当得到新的未知个体手机切换数据后只需对其进行模式归类即可获得该用户出行轨迹并实现道路地图匹配。在当前手机普及率高的背景下，本发明可用于大范围居民出行轨迹信息识别与采集。

Description

基于EMD算法的个体出行手机切换序列道路匹配方法

技术领域

本发明涉及交通管理技术领域，尤其涉及一种利用手机通信数据进行个体出行轨迹所属道路的识别与地图匹配方法。

背景技术

利用空间定位信息来识别个体出行道路轨迹能够为城市规划、交通规划提供有力支持。现有的个体出行道路匹配识别主要依靠GPS定位、航位推算数据等进行地图匹配完成，例如通过手持或者车载GPS定位仪器采集出行轨迹经纬度数据，再将GPS经纬度数据导入电子地图中进行道路的匹配与识别。目前，该类方法应用效果受仪器定位精度、匹配方法影响较大，并且仪器都较为昂贵、普及率非常有限，技术很难在实际项目中大规模应用，存在一定的技术缺陷。另一方面，目前利用仪器时空定位数据进行道路地图匹配的相关算法也存在很多缺陷，尤其当定位频率较低或道路网复杂时，匹配效果还不理想。已有道路匹配算法可以分为以下几类：

1.几何形状分析匹配算法

计算定位点与路网节点或者与邻近路段垂直投影距离，或者计算一系列定位点构成的曲线到附近交通线路的距离，选择距离最小值实现道路匹配。

2.路网拓扑结构分析匹配算法

车辆在行驶过程中，它的运动轨迹所处的道路必然具有连通性。基于路网拓扑结构的道路匹配方法利用道路网络的拓扑结构，通过判断候选道路的连通性，在多条候选道路中选择出可能性最大、连通性最好的道路作为匹配道路。

3.概率分析匹配算法

这类算法需要首先定义一个在导航设备定位点的椭圆或者矩形的误差范围，然后将这些误差范围叠加在路网上来识别车辆的行驶轨迹。如果误差范围覆盖了数段道路，则将利用方向、连通性和距离参数对候选路段进行评估，选择最可能的识别结果。

而随着现代手机技术的快速发展，手机用户的普及率及其地区覆盖率迅速攀升，加之数据成本较低，利用居民日常手机通信信令数据来进行个体出行道路匹配体现出了良好应用前景。该方法只需通过连续追踪通话过程中手机与服务信号塔(即通信基站)间切换变化序列，再将该序列对应的基站位置与道路设施进行关联匹配判定，即可识别手机用户的出行道路轨迹并实现道路地图匹配。目前应用手机定位数据研究个体出行信息的方法还非常少，有学者曾设计使用序列相似度算法进行手机切换道路匹配，其原理是在每一条道路上进行切换实验，记录下每条道路的已知切换序列，在判断待匹配切换序列的道路归属时，将其与每条道路的已知序列进行序列相似度计算，相似度最高的即为匹配道路。这种方法计算简便，然而仅仅将切换序列作为参数，忽略了切换时间、服务基站位置等重要信息，该方法在复杂路网中其匹配精确度非常有限。

EMD(Earth Mover’s Distance)算法本质为运输规划中的线性最优化问题，已广泛应用于图像处理和其他诸多领域，作为不同排列(组合)的差异度衡量方法，它非常适合于不同手机切换序列与道路的匹配识别。基于EMD算法，本专利实现了利用手机切换定位数据(包括切换基站编号序列、切换时间、服务基站位置信息)进行个体出行轨迹的道路识别与匹配，识别精度较好，具有很好的行业应用价值。

发明内容

为了克服现有技术的上述缺点，本发明提出了一种基于EMD算法的个体出行手机切换序列道路匹配方法，运用手机切换序列、服务基站编号、切换发生时刻等数据进行手机用户所经过的道路匹配；本发明创新性地提出应用EMD算法来进行手机切换序列间差异性度量，并根据量化结果对手机切换序列进行道路匹配，提出了整套数据处理方法与出行轨迹道路匹配技术。

本发明解决其技术问题所采用的技术方案是：一种基于EMD算法的个体出行手机切换序列道路匹配方法，包括如下步骤：

第一步、手机切换基础样本数据的采集：

确定目标区域与目标道路，在每条目标道路上采集至少五条手机切换样本数据作为基础样本数据，称为已知切换序列；

第二步、数据预处理：

将每条道路的切换序列按照切换基站编号ID和切换时刻time顺序排列；

第三步、确定每条道路上的已知切换主序列：

1)从每条道路上的已知切换序列中随机抽取一个切换序列作为主序列；

2)计算不同道路上主序列之间的EMD值；

3)计算每条道路上的主序列与相同道路上的其他已知切换序列之间的EMD值；

4)将本步骤第2)步和第3)步的计算结果用矩阵形式表示，形成EMD矩阵；

5)判断EMD矩阵对角线上的数值是否为所在行和所在列的最小值：若是，则将本步骤的第1)步选取的主序列作为已知切换主序列，然后进入第四步；若否，则重新选取每条道路上一个切换序列作为主序列，然后返回本步骤的第2)步；

第四步、计算待匹配切换序列与每条道路上的已知切换主序列间的EMD值，选择其中的最小值所对应的道路即为待匹配切换序列所匹配的道路。

与现有技术相比，本发明的积极效果是：本发明基于目前GPS定位等道路匹配技术成本昂贵、覆盖率低等缺点，提出了一种基于EMD算法及手机通信数据的出行道路匹配识别方法。通过利用通信运营商提供的手机基站切换序列、切换时刻等数据信息，将手机切换数据构建为相应的EMD模式，然后根据EMD值将不同道路的手机切换模式进行分析归类，当得到新的未知个体手机切换数据后只需对其进行模式归类即可获得该用户出行轨迹并实现道路地图匹配。本方法创新性地将EMD算法及手机切换数据应用到个体出行轨迹的道路地图匹配中，技术应用效果较好，且在当前手机普及率高的背景下，具有很好的行业应用前景。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是EMD算法思想应用举例示意图；

图2是m＝3,n＝3的EMD模型及其应用于手机切换的EMD模式；

图3为两个通话切换模式之间的EMD；

图4为不同道路手机切换序列EMD分布框图；

图5为切换基站和切换时间对不同手机切换模式差异的影响示意图。

具体实施方式

考虑到手机用户数据保密性，我们选取某一城市区域，收集了该区域地理、交通及通信基础数据，建立无线通信网络仿真平台进行模拟验证。选择该目标区域中六条主要道路进行手机切换数据仿真，每条道路分别产生10条切换序列，随机选取6条切换序列进行EMD矩阵计算并实现路段切换主序列标定，将剩余切换序列分成4个小组作为待识别序列，每个小组包含6条道路上各一个手机切换序列，通过将待识别序列与各路段标定主序列进行EMD值计算与模式分类识别。结果表明，4个小组的所有切换序列均成功匹配到所属道路，匹配成功率为100％，该方法应用效果理想，能够大规模推广应用。

本发明方法的原理及详细案例说明如下：

EMD算法的概念在1781年由学者Gaspard Monge提出，描述的是一个古老的运输问题，用来衡量同一空间中两种分布之间的差异度，一种分布是空间中的土堆立方量，另一种分布则是空间中需要土方填补的坑洞，利用EMD算法求运送所有的泥土来填充坑洞所需的最小工作量。以一个简单的例子介绍EMD算法的基本思路：二维空间中有两种数字分布模式，引入EMD算法概念来量化两种模式之间的差异度，过程如图1所示，所有方案中存在运输成本最小的移动方案，最小的总运输成本为C_总＝3，即EMD(模式一，模式二)＝3。

在手机切换中，我们将不同的切换数据定义成不同的模式，假设有两条不同的切换数据构成的切换模式P、Q，其对应于EMD模式的基本构成为：用元素p_i和q_j表示不同切换基站的空间位置坐标点，其距离用欧氏几何地面距离计算：(x_i,y_i),(x_j,y_j)分别为两条切换数据中第i次和第j次切换基站的坐标，(t_i,t_j)为对应于基站p_i和q_j的手机切换发生时刻。系数ρ为引进的转换系数，目的是将时间和空间两个维度的单位进行统一化。而分布模式中的权重w_pi和w_qj则采用手机在基站p_i和q_j所接受的服务时间长度，这个时间长度的计算可以通过记录每次切换发生的时刻得到。EMD模型及其应用于手机切换的EMD模式构建如图2所示。

如图3所示为两个通话切换模式A和B之间的EMD值计算过程。通话中手机接受不同基站的服务就是切换，(a)为通话A接受的基站服务情况，(b)为通话B接受的基站服务情况，(c)则是通话A切换模式转化为通话B切换模式的过程，也体现了通话A和通话B的EMD距离产生过程。图中的曲线为道路，每一个颜色点代表了该通话在每个对应基站内接受1min的服务时间，可以看出通话A和通话B的时长都是8min。将每两个基站之间转移的颜色点数(即时间长度)乘以这两个基站之间的欧氏距离，对所有基站对的这个乘积求和后除以所有转移的颜色点数，就得到了两个通话之间的EMD值。

本发明案例中，手机切换数据仿真平台选用了某城市的实际道路网络为仿真背景通过实地勘察、网站资料收集等获取仿真系统中道路等级、道路渠化、路口信号配时、交通流量、通信基站位置、发射功率等基础数据，利用Corsim软件实现交通仿真，利用Matlab软件实现通信切换仿真通信，实验选取该城市道路网络中的6条道路作为目标分析对象。

第一步、手机切换基础样本数据的采集

在以上仿真系统中选取城市道路网络中的6条道路作为目标分析道路，随机抽取每条道路上的10条手机切换序列(共60条)作为研究基础数据，然后抽取每条道路的10个手机切换序列中的6条共6*6条作为已知切换序列，见表1。剩余的4*6条数据作为待匹配切换序列。

表1(a) 目标道路①手机已知切换序列

表1(b) 目标道路②手机已知切换序列

表1(c) 目标道路③手机已知切换序列

表1(d) 目标道路④手机已知切换序列

表1(e) 目标道路⑤手机已知切换序列

表1(f) 目标道路⑥手机已知切换序列

注：表中ID表示手机基站编号，time表示切换发生的时刻，为了便于对比，将所有切换的时刻设置为相对于车辆在相应道路上出发起始时刻的相对时间。

第二步、目标道路手机切换序列标定首先从每条道路上随机选取一个已知切换序列作为切换主序列，分别与其他5条道路上的切换主序列进行不同道路上手机切换序列对之间的EMD值计算；同时，将每条道路上的切换主序列与相同道路上其他5个切换序列进行相同道路的手机切换序列对之间的EMD值计算。

下面以道路②和道路③上的两组切换序列道路①-1和道路②-1为例，介绍手机切换序列之间EMD值的计算过程。首先给出两条道路手机切换序列的数据如表2和表3所示。

表2 两组切换序列信息

表3 切换序列所含基站坐标

两组切换序列长度分别：m＝3,n＝8。

根据基站位置坐标和切换时间求得相互之间的欧式距离矩阵如下表4所示：

表4 切换序列所含基站之间的欧式距离矩阵d_ij

那么，问题首先是经过线性规划求解使不同分布模式间差异消除最小的运输流集合[x*_ij]：

$\min Z=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\underset{j=1}{\overset{8}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}{d}_{\mathrm{ij}}$

约束于：

$\left\{\begin{array}{c}{x}_{11}+x_{21}+x_{31}\≤w_{q1}=232.5\\ x_{12}+x_{22}+x_{32}\≤w_{q2}=19.8\\ x_{13}+x_{23}+x_{33}\≤w_{q3}=4.95\\ x_{14}+x_{24}+x_{34}\≤w_{q4}=183.15\\ x_{15}+x_{25}+x_{35}\≤w_{q5}=49.5\\ x_{16}+x_{26}+x_{36}\≤w_{q6}=19.8\\ x_{17}+x_{27}+x_{37}\≤w_{q7}=4.95\\ x_{18}+x_{28}+x_{38}\≤w_{q8}=71.55\end{array}\right.$

$\left\{\begin{array}{c}{x}_{11}+x_{12}+x_{13}+x_{14}+x_{15}+x_{16}+x_{17}+x_{18}\≤w_{p1}=84\\ x_{21}+x_{22}+x_{23}+x_{24}+x_{25}+x_{26}+x_{27}+x_{28}\≤w_{p2}=193.05\\ x_{31}+x_{32}+x_{33}+x_{34}+x_{35}+x_{36}+x_{37}+x_{38}\≤w_{p3}=116.25\end{array}\right.$

X_ij≥0

所以，将参数设定

f＝[226.31 1488.93 264.03 2166.77 3176.37 4889.71 4542.66 4906.54 1468.25

37.72 1466.99 1784.38 1937.52 4097.06 3288.84 4108.79 4336.71 2885.33

4334.75 3847.23 2395.61 4428.48 2608.42 4434.68]；

A＝[1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0

0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0

0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0

0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0

0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0

0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0

0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0

0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1

1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1]；

b＝[232.5 19.8 4.95 183.15 49.5 19.8 4.95 71.55 84 193.05 116.25]；

lb＝[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]；

代入求解函数[xopt fxopt]＝linprog(f,A,b,[],[],lb,[])，即可求得结果。

xopt＝[9.89999E-17 1.58047E-17 8.30528E-17 1.10248E-17 7.50378E-184.87259E-18 5.04952E-18 4.87409E-18 1.62801E-17 8.35504E-17 1.30486E-171.34017E-17 1.22584E-17 5.80327E-18 6.7438E-18 5.82202E-18 5.5177E-188.18485E-18 4.98757E-18 6.21973E-18 9.90777E-18 5.36702E-18 8.3927E-185.38887E-18]^T，

fxopt＝5.36E-13.

则

$\mathrm{EMD}(P,Q)=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x*}_{\mathrm{ij}}{d}_{\mathrm{ij}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x*}_{\mathrm{ij}}}=\frac{\mathrm{fxopt}}{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\underset{j=1}{\overset{8}{\mathrm{\Σ}}}{x*}_{\mathrm{ij}}}=1213$

最终得到不同道路之间共5*6＝30个EMD值，相同道路之间共5*6＝30个EMD值(在EMD矩阵中同一条道路切换序列对之间的EMD值范围作为矩阵中的一个元素)，将计算结果用矩阵形式表示，称为EMD矩阵，计算结果见表5。得到所有切换序列对之间的EMD值组成的矩阵后，根据统计学中方差的概念，我们希望相同道路上的手机切换序列对之间的EMD值分布范围和不同道路上手机切换序列对之间的EMD值分布范围能够有所差异，这样就能将不同道路的手机切换序列模式进行有效区分。因此，将EMD矩阵数值以图4的形式体现，便于分析。

表5 不同道路手机切换序列对EMD矩阵

如图4所示，横坐标代表道路，纵坐标代表该道路上手机切换序列对之间的EMD值。图中前6个竖轴代表了来自于相同道路上的手机切换序列对之间EMD值的分布。而最后一个名为“between”的竖轴代表了所有来自于不同道路之间的手机切换序列对EMD值的分布。每条竖轴包含了该组数据的最小值、最大值、以及不同的百分位数值(25％、50％、75％)，这样既能体现每组数据的总体大小，也能体现其大小的离散程度。从图4中的EMD值分布范围可以明显看出：(1)对于每条目标道路而言，相同道路上的手机切换序列对之间的EMD值分布较为集中，而不同道路上的手机切换序列对之间EMD值较为离散。原因也是容易理解的，因为车载手机经过不同道路由于不同的位置关系总是容易发生差异较大的连续切换行为。(2)对于每条目标道路而言，相同道路上的手机切换序列对之间的EMD值远小于不同道路之间手机切换序列对的EMD值。

不同道路间的切换数据产生EMD值差异的原因是，手机切换模式由切换基站和切换时间因素构成，不同模式之间差异度由基站和切换时间两大因素共同影响，其原理如图5所示：图5(a)中，相同道路上车辆可能发生1-2-4和1-3-4两条不同切换序列，但结合切换时间的高相似性最终可能得到较小的差异度EMD值；而图5(b)中，两条不同的平行道路上可能发生相同的1-2-3切换序列，但结合切换时间的高差异性最终可能得到较大的差异性EMD值。

第三步、进行待匹配切换序列与已知切换序列的EMD值计算

将待匹配切换序列分成四个小组，每个小组包含6条道路上各一个手机切换序列，计算这6条切换序列与6条道路的切换主序列之间的EMD值如表6。

表6(a) 第一组待匹配切换序列与已知切换序列EMD矩阵

表6(b) 第二组待匹配切换序列与已知切换序列EMD矩阵

表6(c) 第三组待匹配切换序列与已知切换序列EMD矩阵

表6(d) 第四组待匹配切换序列与已知切换序列EMD矩阵

在EMD矩阵中，待匹配切换序列与各条目标道路切换主序列之间的EMD值大小各异，但根据之前结论，其与自身所属道路上的切换主序列之间的EMD值明显小于与其他不同道路上手机切换主序列之间的EMD值。因此，表6的矩阵中，每一行EMD值中存在一个最小值，且该最小值与其余EMD值差距较大。选中矩阵中每行的最小值，即可完成测试切换序列的道路匹配。通过测试匹配的结果与实际切换序列的道路归属情况完全一致，匹配率为100％，证明了本发明方法的可行性和有效性。

Claims (3)

1.一种基于EMD算法的个体出行手机切换序列道路匹配方法，其特征在于：包括如下步骤：

第一步、手机切换基础样本数据的采集：

确定目标区域与目标道路，在每条目标道路上采集至少五条手机切换样本数据作为基础样本数据，称为已知切换序列；

第二步、数据预处理：

将每条道路的切换序列按照切换基站编号ID和切换时刻time顺序排列；

第三步、确定每条道路上的已知切换主序列：

1）首先从每条道路的已知切换序列中随机抽取一个切换序列作为主序列；

2）计算不同道路上主序列之间的EMD值；

3）计算每条道路上的主序列与相同道路上的其他已知切换序列之间的EMD值；

4）将本步骤第2）步和第3）步的计算结果用矩阵形式表示，形成EMD矩阵；

5）判断EMD矩阵对角线上的数值是否为所在行和所在列的最小值：若是，则将本步骤的第1）步选取的主序列作为已知切换主序列，然后进入第四步；若否，则重新选取每条道路上一个切换序列作为主序列，然后返回本步骤的第2）步；

第四步、计算待匹配切换序列与每条道路上的已知切换主序列间的EMD值，选择其中的最小值所对应的道路作为待匹配切换序列所匹配的道路。

2.根据权利要求1所述的基于EMD算法的个体出行手机切换序列道路匹配方法，其特征在于：所述基础样本数据包括各切换基站的空间位置坐标、每次切换对应的基站编号及切换时间。

3.根据权利要求1所述的基于EMD算法的个体出行手机切换序列道路匹配方法，其特征在于：数据预处理时，将所有切换时刻设置为相对于车辆在相应道路上出发起始时刻的相对时间。