CN104778836B - 基于手机信令数据质量感知的高速公路交通状态识别方法 - Google Patents

Abstract

本发明公开了基于手机信令数据质量感知的高速公路交通状态识别方法，步骤如下：(1)将高速公路划分为多个子路段及各个子路段下辖的多个小子路段；所述每个子路段被多个基站覆盖，在此基础上进行分区域数据采集；(2)通过搜索圆、干扰信息清洗来进行GIS地图坐标匹配，测算各个区域内的交通运行参数；(3)根据实时交通运行参数的变化对各个子路段通行状态进行识别；(4)引入数据质量管控方法，通过建立泊松排队模型对监测数据质量进行把控。本发明通过手机信号分区域路段采集、地图匹配，获得交通运行参数；然后根据交通运行参数对各个区域路段通行状态进行识别，并通过泊松排队模型对识别数据质量进行把控。

Description

基于手机信令数据质量感知的高速公路交通状态识别方法

技术领域

本发明涉及一种高速公路交通状态识别方法，尤其涉及一种基于手机信令数据质量感知的高速公路交通状态识别方法，属于交通信息技术领域。

背景技术

在高速公路信息化建设中，结合物联网、全程视频监控等技术的交通状态监测成为了领域的研究热点；在面对较长路段的时候，以往监测做法往往是部署大量的传感设备，其监测效果自然受制于设备的精度、可靠性和部署密度，同时其投资、维护成本是不可忽视的；在实现了全路段视频监控后，在管理中心的大屏上无法全部显示所有视频监控辖区内的路段图像情况，管理营运人员无法做到对全路段的视频情况进行全程监视，在实际工作中往往采用每隔段时间进行视频巡检操作，但操作耗时且效率低下，同时目前的交通事件的定位和发现手段单一，主要靠事件当事人上报电话时对周边环境的主观描述，不适合信息化发展趋势；在日常的营运管理中，营运人员能否快速定位交通事件，快速获得交通事件的评级，很大程度上影响了高速公路交调处置的效率；同时，能否准确、及时将交通态势呈现公众，将极大地影响高速公路营运管理公众服务的用户体验；在此背景下，融合定位移动信号流的高速公路交通运行监测技术成为了行业内的研究热点，基于手机信令的定位、交通状态识别策略尚存在较大的研究空间。

国内外对基于手机信令的交通状态识别尚处于初步的研究阶段；现有手机定位技术有基于信号到达时间的定位技术(Time of Arrival，TOA)；有基于信号到达角的定位技术(Arrival of Angle，AOA)；有基于信号到达时间差的定位技术(Time Difference ofArrival,TDOA)；有基于起源蜂窝定位技术。以上集中定位技术各有优点，AOA定位法的精度不高，TOA定位法对时间同步有较高的要求，TDOA定位法能摆脱对时间基准的依赖性，但是需要对基站本身进行改造和软硬件升级；COO的精度有待提高；所以目前的手机信令定位技术都或多或少存在一定的缺点。

发明内容

为了克服现有手机定位技术实用性差的不足及现有现实情况中，交通状态识别信息化技术普及率低下的问题，本发明提出一种基于手机信令数据质量感知的高速公路交通状态识别方法；本发明将路段抽象为若干个子路段，子路段内各个基站通过搜索圆算法为辖区内手机信号定位，同时对干扰信息进行清洗，在此基础上对车载手机进行坐标地图匹配，进而估算各基站辖区内的交通运行参数；基于此，本发明提出一种交通状态自适应智能判定思路，根据实时交通参数的变化对各个子路段通行状态进行识别，同时本发明还引入了数据质量管控思路，通过建立泊松排队模型对监测数据质量进行把控。

本发明所采用的技术方案为：

基于手机信令数据质量感知的高速公路交通状态识别方法，其特征在于，包括以下步骤：

(1)将高速公路划分为多个子路段及各个子路段下辖的多个小子路段；所述每个子路段被多个基站覆盖，在此基础上进行分区域数据采集；

(2)通过搜索圆、干扰信息清洗来进行GIS地图坐标匹配，测算各个区域内的交通运行参数；

(3)根据实时交通运行参数的变化对各个子路段通行状态进行识别；

(4)引入数据质量管控方法，通过建立泊松排队模型对监测数据质量进行把控。

进一步，步骤(1)中所述的多个小子路段的长度为不同运营商基站覆盖半径均值的倍数。

进一步，步骤(2)中所述坐标匹配是在子路段划分模型的基础上提出基于搜索圆的地图匹配策略得出；所述匹配策略包括以下步骤：

(1)在一定的采样周期内，周期性地从移动通信系统基站获取车载手机在小子路段范围内接收到的手机信号时刻、识别ID号和位置坐标；标记手机连续的定位点坐标，同时以定位点为搜索圆心，手机定位最大误差为半径作搜索圆，将小子路段范围内与搜索圆相交的所有道路作为候选道路；通过公式计算每个搜索圆与候选道路相交的两点之间的直线段距离；公式如下：

其中，i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；R为手机定位最大误差半径；dist_ij为搜索圆心到第j条候选道路的距离，sw_ij为每个搜索圆与候选道路相交的两点之间的直线段距离；当dist_ij＝0，搜索圆心即在第j条候选道路上，sw_ij＝2R；

(2)通过公式提出匹配程度的定义，公式如下：

MTCH_ij表示匹配程度；i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；R为手机定位最大误差半径；sw_ij为每个搜索圆与候选道路相交的两点之间的直线段距离；

(3)通过公式计算所有手机连续的定位点匹配到第j条候选道路上可能程度的期望，公式如下：

EMT_j表示手机连续的定位点匹配到第j条候选道路上可能程度的期望；i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；MTCH_ij表示匹配程度；

取具有最大EMT值的道路作为匹配道路，从而反过来对符合道路坐标要求的原始定位数据进行清洗滤除，得出小子路段范围内目标车载手机用户的具体位置定位信息和基础信息，所述基础数据信息包括小子路段内车载手机数量，切换基站的手机数量；还包括通过设定阈值对已得出的基站覆盖范围小子路段内的车载手机数量和切换基站的手机数量进行清洗滤除的步骤。

进一步，步骤(2)和(3)中所述测算各个区域内的交通运行参数；根据实时交通运行参数的变化对各个子路段通行状态进行识别的具体步骤如下：

(1)首先，通过得出的基站覆盖范围小子路段内的车载手机数量和切换基站的手机数量，计算出覆盖范围小子路段内的总车辆数与拥有手机车辆数的比值；计算公式如下：

其中，(t_k)表示t_k时刻小子路段_ci内的车辆总数，(t_k)表示t_k时刻小子路段c_i内的切换基站的手机数量，(t_k)表示t_k时刻小子路段c_i内的车载手机总数，δ表示t_k时刻小子路段c_i内的车辆总数与车载手机总数的比值；

(2)计算小子路段c_i交通流参数，计算顺序如下：

其中ρ⁽ⁱ⁾(t_k)表示t_k时刻小子路段c_i上的交通流密度；(t_k)表示t_k时刻由小子路段c_i-1驶入小子路段c_i的车辆总数与车载手机总数的比值；

t_k—t_k-1为检测时间区间长度；设T为该检测时间区间长度，则公式变为：

其中q⁽ⁱ⁾(t_k)为t_k时刻小子路段c_i上的交通流量，(t_k)为(t_k‐1，t_k)检测时间区间内小子路段c_i上驶入小子路段c_i+1上的车载手机数量，其大小由基站提供；

根据公式计算得出t_k时刻小子路段c_i上的交通流速度V；

(3)根据已得出的多个小子路段c_i上的交通流速度V，通过公式{V₁,V₂,...,V_i}计算得到子路段上的交通流速度集合；通过公式计算得出集合期望V_mean；通过公式计算得出子路段l_i上的车辆平均行驶的时间T_l；通过公式计算出每个小子路段c_i的车辆平均行驶时间；通过公式计算得出每个小子路段c_i的交通拥堵状态S_t；如果S_t>0则小子路段c_i的交通拥堵状态为拥堵状态；如果S_t<0则小子路段c_i的交通拥堵状态为空闲状态；其中w为调整参数，取值为0,1；

(4)得出子路段下辖各个小子路段的拥堵状态后，通过比较子路段各个处于正负S_t的个数N_st+、N_st-，从而识别出子路段l的交通拥堵状态，定位交通事件；且对所定位的交通事件进行自适应评级协定：

协定1严重拥堵：当N_st+>1/2*N_st-则评级路段为严重拥堵，交通事件亟需进行现场处置；

协定2一般拥堵：当N_st+<1/2*N_st-则评级路段为一般拥堵，交通事件不需进行现场处置。

所述的基于手机信令数据质量感知的高速公路交通状态识别方法，其特征在于，步骤(4)所述数据质量管控方法的具体步骤如下：

(1)将无分叉出口的多个子路段抽象为一个单服务台的排队模型，其服务规则为FCFS，且车辆到达队列的过程满足如下性质：

无后效性，在互不重叠的时间区间内，某个车辆到达队列的事件是相互独立的；

平稳性，对于充分小的Δt，在时间区间[t,t+Δt]内，有1个车辆到达的概率和时间t无关，和Δt成正比；

普通性，对于充分小的Δt，在时间区间[t,t+Δt]内，有两个或两个以上车辆到达的概率无限小，忽略不计；

(2)在较长时间段下，将车辆到达队列的时刻间隔的均值视作一个常量；在所述时间段内，队列到达若干辆车辆的随机过程，视作为一个强度为λ的泊松过程，利用泊松过程的相关性质进行分析；通过在断面A_i和断面A_i+1设置断面车辆计数器传感设备，每隔T_p对队列中该时段车辆的到达数量N_sn、进入断面A_i的瞬时速率V_inst，通过公式{V_inst1，V_inst2，...，V_instx}进行统计；根据公式EV_inst＝∑V_instx对所述时间段内，集合瞬时速率V_inst的期望EV_inst进行估算；

(3)结合所述时间段内由断面A_i和断面A_i+1组成的队列内，各个子路段基于手机信令得出的实时车辆数N_CP及交通流速度V_mean，进行运算对比；通过公式

根据两组来源不同的数据进行泊松概率计算，其中P_SN、P_CP分别表示来源于断面、手机信令两组数据各自的泊松概率值；

(4)根据公式acrcy_x＝P_SN-P_CP计算所述时间段内泊松抽样的准确度acrcy_x；

当acrcy_x处于[-α，α]区间时，在此自检抽样中，来与手机信令的监测数据准确度处于可接受范围内；

当acrcy_x处于(-∞，-α)、(α，∞)区间时，在此自检抽样中，监测数据误差较大，已识别的交通状态所得数据结果出现较大偏差，需要对所涉及子路段数据进行复查；需要对来源于手机信令估计的交通参数进行人工核查；其中所述α为绝对误差阈值，其大小根据自检采样路段的不同、采用时间段的不同，由人工手动设置，其值小于1；基于此，需要对所涉及子路段、小子路段的交通状态进行人工排查；需要对断面车辆计数器传感设备进行人工核查；对数据质量进行管控。

本发明的有益效果在于：本发明通过手机信号分区域路段采集、地图匹配，获得交通运行参数；然后根据交通运行参数对各个区域路段通行状态进行识别，并通过泊松排队模型对识别数据质量进行把控；本发明实时监测精确，快速定位交通事件，提高高速公路交调处置的效率。

附图说明：

图1为本发明基于手机信令的高速公路交通状态识别示意图；

图2为本发明子路段划分模型示意图；

图3为本发明子路段交通拥堵状态识别示意图；

图4为本发明数据质量感知的自检模型示意图。

具体实施方式：

下面结合附图对本发明做具体的介绍。

图1为本发明基于手机信令的高速公路交通状态识别示意图；图2为本发明子路段划分模型示意图；图3为本发明子路段交通拥堵状态识别示意图；图4为本发明数据质量感知的自检模型示意图。

如图1所示：本实施例是一种基于手机信令数据质量感知的高速公路交通状态识别方法，包括以下步骤：

(1)根据高速公路的长度，将高速公路划分为多个子路段及各个子路段下辖的多个小子路段；所述每个子路段被多个基站覆盖；

本实施例将子路段划分模型为：如图2所示，高速公路路段L划分为若干个子路段集合{l₁、l₂、...、l_i}，每个子路段由n个基站{BS₁、BS₂、...BS_n}覆盖，圆虚线表示各个基站的覆盖范围为C_i，即小子路段集合{c₁、c₂、...、c_i}；根据道路的长度，具体划分子路段及各子路段下辖的小子路段的个数；其中各个小子路段的长度为不同运营商基站覆盖半径均值的倍数。

(2)通过搜索圆、干扰信息清洗来进行GIS地图坐标匹配，测算各个区域内的交通运行参数；

(3)根据实时交通运行参数的变化对各个子路段通行状态进行识别；

(4)引入数据质量管控方法，通过建立泊松排队模型对监测数据质量进行把控。

本实施例将各个基站搜集覆盖范围内的手机定位原始数据汇聚到手机定位数据库中，将手机定位初始信息与GIS地图的高速公路的道路信息联系起来，进行地图匹配，从而完成手机用户在路段上的具体位置的位置定位信息和基础信息；测算各个区域内的交通运行参数。

本实施例所述识别方法步骤(2)中所述坐标匹配是在子路段划分模型的基础上提出基于搜索圆的地图匹配策略得出；所述匹配策略包括以下步骤：

(1)在一定的采样周期内，周期性地从移动通信系统基站获取车载手机在小子路段Ci范围内接收到的手机信号时刻、识别ID号和位置坐标；标记手机连续的定位点坐标P_i(x_i，y_i)，i＝1，2，...，m，同时以P_i为圆心，手机定位最大误差R为半径作搜索圆，将小子路段Ci范围内与搜索园相交的所有道路作为候选道路Rd_j，通过公式计算每个搜索圆与候选道路相交的两点之间的直线段距离；公式如下：

其中，i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；R为手机定位最大误差半径；dist_ij为搜索圆心到第j条候选道路的距离，sw_ij为每个搜索圆与候选道路相交的两点之间的直线段距离；当dist_ij＝0，搜索圆心即在第j条候选道路上，sw_ij＝2R；

(2)通过公式提出匹配程度的定义，表示搜索圆心P_i匹配到第j条候选道路上的可能程度；公式如下：

MTCH_ij表示匹配程度；i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；R为手机定位最大误差半径；sw_ij为每个搜索圆与候选道路相交的两点之间的直线段距离；

(3)通过公式计算所有手机连续的定位点匹配到第j条候选道路上可能程度的期望，公式如下：

EMT_j表示手机连续的定位点匹配到第j条候选道路上可能程度的期望；i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；MTCH_ij表示匹配程度；

期望越大，则目标车载手机用户实际运行在第j条候选道路上的可能性就越大，取具有最大EMT值的道路作为匹配道路，从而反过来对符合道路坐标要求的原始定位数据进行清洗滤除，得出小子路段范围内目标车载手机用户的具体位置定位信息和基础信息，所述基础数据信息包括小子路段内车载手机数量，切换基站的手机数量，为接下来的交通状态识别作基础工作。

由于高速公路上除了车载手机外，还有服务区的行人手机、非机动车手机，这些数据是对交通状态识别的干扰信息；因此，本实施例还包括通过设定阈值对已得出的基站覆盖范围小子路段内的车载手机数量和切换基站的手机数量进行清洗滤除的步骤，通过设定阈值对这些干扰数据进行清洗，即如果检测到的数据低于阈值则判定为干扰数据，则对其进行滤除；本实施例设置的具体默认初值为16km/h，而对于附近住户的手机信令数据，则在地图匹配阶段，通过坐标绝对距离阈值进行清洗滤除。

本实施例所述识别方法步骤(2)和(3)中所述测算各个区域内的交通运行参数；根据实时交通运行参数的变化对各个子路段通行状态进行识别的具体步骤如下：

(1)首先，通过得出的基站BS_i覆盖范围小子路段c_i内的手机数量和切换基站的手机数量，计算出覆盖范围小子路段c_i内的总车辆数与拥有手机车辆数的比值；本实施例设车辆上最多有一部手机，计算公式如下：

其中，(t_k)表示t_k时刻小子路段c_i内的车辆总数，(t_k)表示t_k时刻小子路段c_i内的切换基站的手机数量，(t_k)表示t_k时刻小子路段c_i内的车载手机总数，δ表示t_k时刻小子路段_ci内的车辆总数与车载手机总数的比值；

(2)计算小子路段c_i交通流参数，计算顺序如下：

其中ρ⁽ⁱ⁾(t_k)表示t_k时刻小子路段c_i上的交通流密度；(t_k)表示t_k时刻由小子路段c_i-1驶入小子路段c_i的车辆总数与车载手机总数的比值；

t_k—t_k-1为检测时间区间长度；设T为该检测时间区间长度，则公式变为：

其中q⁽ⁱ⁾(t_k)为t_k时刻小子路段c_i上的交通流量，(t_k)为(t_k‐1，t_k)检测时间区间内小子路段c_i上驶入小子路段c_i+1上的车载手机数量，其大小由基站提供；

根据公式计算得出t_k时刻小子路段c_i上的交通流速度V；

(3)根据已得出的多个小子路段c_i上的交通流速度V，通过公式{V₁,V₂,...,V_i}计算得到子路段上的交通流速度集合；通过公式计算得出集合期望V_mean；通过公式计算得出子路段l_i上的车辆平均行驶的时间T_l；通过公式计算出每个小子路段c_i的车辆平均行驶时间；通过公式计算得出每个小子路段c_i的交通拥堵状态S_t；如果S_t>0则小子路段c_i的交通拥堵状态为拥堵状态；如果S_t<0则小子路段c_i的交通拥堵状态为空闲状态；其中w为调整参数，取值为0,1；

(4)得出子路段下辖各个小子路段的拥堵状态后，通过比较子路段各个处于正负S_t的个数N_st+、N_st-，从而识别出子路段l的交通拥堵状态，定位交通事件；且对所定位的交通事件进行自适应评级协定：

协定1严重拥堵：当N_st+>1/2*N_st-则评级路段为严重拥堵，交通事件亟需进行现场处置；

协定2一般拥堵：当N_st+<1/2*N_st-则评级路段为一般拥堵，交通事件不需进行现场处置。

如图3所示，子路段l_i由3个小子路段c_i-1、c_i、c_i+1组成，图中的“+、‐”分别表示小子路段各自的S_t值的正负大小，由图可知，子路段为l_i拥堵状态，反馈子路段为l_i拥堵状态的信息，则可以理解路段l_i可能发生了交通事件影响了道路通畅，继而工作人员可以调阅出现“+、‐”状态交替小子路段的视频信息，做到交通事件的快速识别和定位。

如图4所示，本实施例所述识别方法步骤(4)中所述数据质量管控方法的具体步骤如下：

(1)将无分叉出口的多个子路段抽象为一个单服务台的排队模型，其服务规则为FCFS，且车辆到达队列断面A_i的过程满足如下性质：

无后效性，在互不重叠的时间区间内，某个车辆到达队列的事件是相互独立的；

平稳性，对于充分小的Δt，在时间区间[t,t+Δt]内，有1个车辆到达的概率和时间t无关，和Δt成正比；

普通性，对于充分小的Δt，在时间区间[t,t+Δt]内，有两个或两个以上车辆到达的概率无限小，忽略不计；

(2)在较长时间段下，将车辆到达队列的时刻间隔的均值视作一个常量；在所述时间段内，队列到达若干辆车辆的随机过程，视作为一个强度为λ的泊松过程，利用泊松过程的相关性质进行分析；通过在断面A_i和断面A_i+1设置断面车辆计数器传感设备，每隔T_p对队列中该时段车辆的到达数量N_sn、进入断面A_i的瞬时速率V_inst，通过公式{V_inst1，V_inst2，...，V_instx}进行统计；根据公式EV_inst＝∑V_instx对所述时间段内，集合瞬时速率V_inst的期望EV_inst进行估算；

(3)结合所述时间段内由断面A_i和断面A_i+1组成的队列内，各个子路段基于手机信令得出的实时车辆数N_CP及交通流速度V_mean，进行运算对比；通过公式

根据两组来源不同的数据进行泊松概率计算，其中P_SN、P_CP分别表示来源于断面、手机信令两组数据各自的泊松概率值；

(4)根据公式acrcy_x＝P_SN-P_CP计算所述时间段内泊松抽样的准确度acrcy_x；

当acrcy_x处于[-α，α]区间时，在此自检抽样中，来与手机信令的监测数据准确度处于可接受范围内；

当acrcy_x处于(-∞，-α)、(α，∞)区间时，在此自检抽样中，监测数据误差较大，已识别的交通状态所得数据结果出现较大偏差，需要对所涉及子路段数据进行复查；需要对来源于手机信令估计的交通参数进行人工核查；其中所述α为绝对误差阈值，其大小根据自检采样路段的不同、采用时间段的不同，由人工手动设置，其值小于1；基于此，需要对所涉及子路段、小子路段的交通状态进行人工排查；需要对断面车辆计数器传感设备进行人工核查；对数据质量进行管控。

上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (5)

1.基于手机信令数据质量感知的高速公路交通状态识别方法，其特征在于，包括以下步骤：

(1)将高速公路划分为多个子路段及各个子路段下辖的多个小子路段；每个子路段被多个基站覆盖，在此基础上进行分区域数据采集；

(2)通过搜索圆、干扰信息清洗来进行GIS地图坐标匹配，测算各个区域内的交通运行参数；

(3)根据实时交通运行参数的变化对各个子路段通行状态进行识别；

(4)引入数据质量管控方法，通过建立泊松排队模型对监测数据质量进行把控；

步骤(2)中所述坐标匹配是在子路段划分模型的基础上提出基于搜索圆的地图匹配策略得出；所述匹配策略包括以下步骤：

(1)在一定的采样周期内，周期性地从移动通信系统基站获取车载手机在小子路段范围内接收到的手机信号时刻、识别ID号和位置坐标；标记手机连续的定位点坐标，同时以定位点为搜索圆心，手机定位最大误差为半径作搜索圆，将小子路段范围内与搜索圆相交的所有道路作为候选道路；通过公式计算每个搜索圆与候选道路相交的两点之间的直线段距离；公式如下：

${\mathrm{sw}}_{ij}=2\sqrt{R^2-{\mathrm{dist}}_{ij}^2}$

其中，i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；R为手机定位最大误差半径；dist_ij为搜索圆心到第j条候选道路的距离，sw_ij为每个搜索圆与候选道路相交的两点之间的直线段距离；当dist_ij＝0，搜索圆心即在第j条候选道路上，sw_ij＝2R；

(2)通过公式提出匹配程度的定义，公式如下：

${\mathrm{MTCH}}_{ij}=\frac{{\mathrm{sw}}_{ij}}{2R}$

MTCH_ij表示匹配程度；i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；R为手机定位最大误差半径；sw_ij为每个搜索圆与候选道路相交的两点之间的直线段距离；

(3)通过公式计算所有手机连续的定位点匹配到第j条候选道路上可能程度的期望，公式如下：

${\mathrm{EMT}}_j=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}{\mathrm{MTCH}}_{ij}$

EMT_j表示手机连续的定位点匹配到第j条候选道路上可能程度的期望；i＝1，2，...，m，表示手机连续的定位点；j表示候选道路总数；MTCH_ij表示匹配程度；

取具有最大EMT值的道路作为匹配道路，从而反过来对符合道路坐标要求的原始定位数据进行清洗滤除，得出小子路段范围内目标车载手机用户的具体位置定位信息和基础信息，所述基础数据信息包括小子路段内车载手机数量，切换基站的手机数量。

2.根据权利要求1所述的基于手机信令数据质量感知的高速公路交通状态识别方法，其特征在于，步骤(1)中所述的多个小子路段的长度为不同运营商基站覆盖半径均值的倍数。

3.根据权利要求1所述的基于手机信令数据质量感知的高速公路交通状态识别方法，其特征在于，还包括通过设定阈值对已得出的基站覆盖范围小子路段内的车载手机数量和切换基站的手机数量进行清洗滤除的步骤。

4.根据权利要求1所述的基于手机信令数据质量感知的高速公路交通状态识别方法，其特征在于，步骤(2)和(3)中所述测算各个区域内的交通运行参数；根据实时交通运行参数的变化对各个子路段通行状态进行识别的具体步骤如下：

(1)首先，通过得出的基站覆盖范围小子路段内的车载手机数量和切换基站的手机数量，计算出覆盖范围小子路段内的总车辆数与拥有手机车辆数的比值；计算公式如下：

$n^{\left(c_i\right)}\left(t_k\right)=c^{\left(c_i\right)}\left(t_k\right)$

${\mathrm{\&delta;}}^{\left(c_i\right)}\left(t_k\right)=\frac{n^{\left(c_i\right)}\left(t_k\right)}{{n_c}^{\left(c_i\right)}\left(t_k\right)}$

其中，表示t_k时刻小子路段c_i内的车辆总数，表示t_k时刻小子路段c_i内的切换基站的手机数量，表示t_k时刻小子路段c_i内的车载手机总数，δ表示t_k时刻小子路段c_i内的车辆总数与车载手机总数的比值；

(2)计算小子路段c_i交通流参数，计算顺序如下：

${\mathrm{\&rho;}}^{\left(i\right)}\left(t_k\right)=\frac{n_c^{\left(c_i\right)}\left(t_k\right)}{c_i}\&times;r^{\left(c_i\right)}\left(t_k\right)$

其中ρ⁽ⁱ⁾(t_k)表示t_k时刻小子路段c_i上的交通流密度；表示t_k时刻由小子路段

c_i-1驶入小子路段c_i的车辆总数与车载手机总数的比值；

$q^{\left(i\right)}\left(t_k\right)=\frac{v_c^{\left(c_i\right)}\left(t_k\right)}{t_k-t_{k-1}}\&times;r^{\left(c_i\right)}\left(t_k\right)$

t_k—t_k-1为检测时间区间长度；设T为该检测时间区间长度，则公式变为：

$q^{\left(i\right)}\left(t_k\right)=\frac{v_c^{\left(c_i\right)}\left(t_k\right)}{T}\&times;r^{\left(c_i\right)}\left(t_k\right)$

其中q⁽ⁱ⁾(t_k)为t_k时刻小子路段_ci上的交通流量，为(t_k‐1，t_k)检测时间区间内小子路段c_i上驶入小子路段c_i+1上的车载手机数量，其大小由基站提供；

根据公式计算得出t_k时刻小子路段c_i上的交通流速度V；

(3)根据已得出的多个小子路段c_i上的交通流速度V，通过公式{V₁,V₂,...,V_i}计算得到子路段上的交通流速度集合；通过公式计算得出集合期望V_mean；通过公式计算得出子路段l_i上的车辆平均行驶的时间T_l；通过公式计算出每个小子路段c_i的车辆平均行驶时间；通过公式计算得出每个小子路段c_i的交通拥堵状态S_t；如果S_t>0则小子路段c_i的交通拥堵状态为拥堵状态；如果S_t<0则小子路段c_i的交通拥堵状态为空闲状态；其中w为调整参数，取值为0,1；

(4)得出子路段下辖各个小子路段的拥堵状态后，通过比较子路段各个处于正负S_t的个数N_st+、N_st-，从而识别出子路段l的交通拥堵状态，定位交通事件；且对所定位的交通事件进行自适应评级协定：

协定1严重拥堵：当N_st+>1/2*N_st-则评级路段为严重拥堵，交通事件亟需进行现场处置；

协定2一般拥堵：当N_st+<1/2*N_st-则评级路段为一般拥堵，交通事件不需进行现场处置。

5.根据权利要求1所述的基于手机信令数据质量感知的高速公路交通状态识别方法，其特征在于，步骤(4)所述数据质量管控方法的具体步骤如下：

(1)将无分叉出口的多个子路段抽象为一个单服务台的排队模型，其服务规则为FCFS，且车辆到达队列的过程满足如下性质：

无后效性，在互不重叠的时间区间内，某个车辆到达队列的事件是相互独立的；

平稳性，对于充分小的Δt，在时间区间[t,t+Δt]内，有1个车辆到达的概率和时间t无关，和Δt成正比；

普通性，对于充分小的Δt，在时间区间[t,t+Δt]内，有两个或两个以上车辆到达的概率无限小，忽略不计；

(2)在较长时间段下，将车辆到达队列的时刻间隔的均值视作一个常量；在所述时间段内，队列到达若干辆车辆的随机过程，视作为一个强度为λ的泊松过程，利用泊松过程的相关性质进行分析；通过在断面A_i和断面A_i+1设置断面车辆计数器传感设备，每隔T_p对队列中该时段车辆的到达数量N_sn、进入断面A_i的瞬时速率V_inst，通过公式{V_inst1，V_inst2，...，V_instx}进行统计；根据公式EV_inst＝∑V_instx对所述时间段内，集合瞬时速率V_inst的期望EV_inst进行估算；

(3)结合所述时间段内由断面A_i和断面A_i+1组成的队列内，各个子路段基于手机信令得出的实时车辆数N_CP及交通流速度V_mean，进行运算对比；通过公式

$P_{SN}=\frac{{\mathrm{EV}}_{inst}^{N_{SN}}}{N_{SN}!}\&times;e^{-{\mathrm{EV}}_{inst}}$

$P_{CP}=\frac{V_{mean}^{N_{CP}}}{N_{CP}!}\&times;e^{-V_{mean}}$

根据两组来源不同的数据进行泊松概率计算，其中P_SN、P_CP分别表示来源于断面、手机信令两组数据各自的泊松概率值；

(4)根据公式acrcy_x＝P_SN-P_CP计算所述时间段内泊松抽样的准确度acrcy_x；

当acrcy_x处于[-α，α]区间时，在此自检抽样中，来与手机信令的监测数据准确度处于可接受范围内；

当acrcy_x处于(-∞，-α)、(α，∞)区间时，在此自检抽样中，监测数据误差较大，已识别的交通状态所得数据结果出现较大偏差，需要对所涉及子路段数据进行复查；需要对来源于手机信令估计的交通参数进行人工核查；其中所述α为绝对误差阈值，其大小根据自检采样路段的不同、采用时间段的不同，由人工手动设置，其值小于1；基于此，需要对所涉及子路段、小子路段的交通状态进行人工排查；需要对断面车辆计数器传感设备进行人工核查；对数据质量进行管控。