CN105788263A - 一种通过手机信息预测道路拥堵的方法 - Google Patents

Abstract

本发明属于计算机应用技术领域，涉及一种通过手机信息预测道路拥堵的方法。该方法通过大量获取手机的定位信息，基于Markov算法计算出道路的拥堵情况。该方法通过简单快速的生成地图数据库；将道路的数据存入到数据库中；实时将定位的信息导入到数据库中；对数据库中的数据进行计算并得出拥堵情况，实现道路拥堵情况准确的分析。该方法成本低、覆盖范围大、准确度高。

Description

一种通过手机信息预测道路拥堵的方法

技术领域

本发明属于计算机应用技术领域，涉及一种通过手机信息预测道路拥堵的方法。

背景技术

随着汽车数量爆炸式的增长，交通拥堵已成为一个城市交通中重要的问题。目前越来越多的研究人员投入到该领域，然而现阶段研究的技术基本上是以静态传感器为基础，还有一部分技术是利用车载GPS的方式进行研究。这些方式有很大的局限性，道路上安装探测器和摄像头属于静态传感器的方式，当车辆通过的时候，道路上连续的传感器会记录车辆通过的时间，从而计算出车辆的速度，虽然以静态传感器的方式得到的结果通常是准确的，但是静态传感器的部署、操作、维修和更换的成本较为昂贵，我们通常只在城市中重要的地理路段用这种方式进行测量。另一种方法使用车载GPS收集道路信息，当采用这种方法的时候，车辆实时将自己的位置信息上传到服务器，通过车辆的GPS轨迹可以计算车辆的速度并通过位置得到车辆所在道路段的交通情况。现如今很多应用都是通过车载GPS获取的信息并以此进行计算，然后推荐用户行驶的轨迹。因此，研究人员必须获得足够多的车辆GPS信息才能计算的精确，通常在一线城市中会有很多的车辆装载GPS，但是其他的城市中车辆上安装GPS或者打开GPS的数量比较少，而且GPS功耗高，很多情况下计算出来的结果不是很准确，所以研究人员在该领域的研究变得举步维艰。一些研究人员通过将GPS安装到出租车上来实时获得更多的数据，但是由于数据采集的对象单一而且并不全面，交通数据收集的困难给研究者的研发带来了很大的难度。

发明内容

为了克服上述不足，本发明提供一种通过手机信息预测道路拥堵的方法，通过大量获取手机的定位信息，并基于Markov算法计算出道路的拥堵情况。该方法实现了道路拥堵情况准确的分析，用户可以利用本发明提供的算法实现如下功能：简单快速的生成地图数据库；将道路的数据存入到数据库中；实时将定位的信息导入到数据库中；对数据库中的数据进行计算并得出拥堵情况等。

为了达到上述目的，本发明的技术方案为:

一种通过手机信息预测道路拥堵的方法，具体包括以下步骤：

第一步，判断数据库中是否存在目标区域的地图信息，若存在则进行第四步，若不存在进行第二步、第三步。

第二步，在Openstreetmap上下载目标区域的地图信息；下载后的.osm文件用excel表格打开，目标区域的地图信息分为两部分：第一部分得到各个点的ID和地理坐标信息，每一个点可能是一条线段或多条线段的端点；第二部分得到线段的相关信息，线段的相关信息包括线段的ID、线段的长度和线段两个端点的ID；每一条线段的两个端点的信息由第一部分各个点的ID和地理坐标信息得到，一系列线段组成道路片段；

第三步，第二步中一个点为多条线段的端点时，对该点进行预处理，将已该点为端点的所有线段设为一个集合，记录在一个属性中，在查找每个点时，能够快速得到以该点为端点的线段；预处理保证数据的规范性，提高运行速度。

第四步，将上述目标区域的地图信息和集合导入数据库中，得到以两个表表示的地图信息，一个表示线段信息，另一个表示点的信息。

第五步，得到车辆定位信息，并将车辆定位信息实时储存在数据库中，在数据库中获取地图数据；所述的地图数据表示一定时间内的车辆信息和车辆运动范围内的地图信息；

第六步，在Spark平台上并行执行Markov算法

Spark对地图数据进行处理，对每一辆车进行计算，得到相关道路的状态；地图数据存储到多台主机，计算路径匹配结果时，首先[将输入数据以一定时间为间隔分成多个片段，在Spark集群上进行并行计算，减少运算所需要的时间。

第七步，当完成所有车辆的计算后，对每条路段进行众投，得到最多投票的状态作为结果返回给用户。

所述的第五步中通过手机信令数据和手机传感器定位技术相结合能够使定位更加准确，得到车辆定位信息的具体步骤为：

1)通过手机GPS获得定位的初始点(x₀,y₀)和一段时间内的GPS信息。

2)通过加速度值得到初始点的方向向量方向向量是通过车辆直线行驶时两个加速度传感器的数值和相减得到：

3)由方向向量得到方向向量上加速度传感器和磁力传感器的值，结合GPS的信息求出加速度误差因子ε和方向误差因子β。所述的加速度误差因子ε和方向误差因子是通过与GPS求出的距离和方向进行对比，求出一段时间内距离和方向的误差的平均值。

4)通过加速度误差因子ε和方向误差因子β求出车辆在方向向量上的速度；车辆在t-1时的速度为V_t-1、加速度为a，则Δt时间后的速度V_t为：

V_t＝V_t-1+a_t·Δt+ε(2)

5)通过速度在时间上积分求出车辆的移动距离，公式为：

$S=\underset{0}{\overset{T}{\∫}}{V}_0+a_t\·t+\mathrm{\ϵ}dt=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(V_{t-1}+a_t\·\mathrm{\Δ}t+\mathrm{\ϵ})---\left(3\right)$

6)通过加速度传感器和磁力传感器求出手机偏移的相对角，通过相对角得到车辆是否转向；所述的相对角是手机自身转变的角度而绝对角是车辆行驶方向和正北方向的夹角。

7)通过加速度传感器和磁力传感器求出手机偏移的绝对角；所述的绝对角通过三个角度求出，三个角度分别为手机与正北方向的夹角η，手机X轴翘起的角度ψ和手机Y轴翘起的角度ρ；手机X轴是手机屏幕横向的方向，手机Y轴是手机屏幕纵向的方向；若加速度传感器求出的加速度值为(x_a,y_a,z_a)，则绝对角为：

(X_y,Y_y,Z_y)＝(sinη·sinψ·y_a,cos²η·y_a,sinη·cosρ·y_a)(4)

通过绝对角求出的角度为θ，则最终的绝对角θ^/为：θ^/＝θ+ε(5)

8)通过绝对角θ^/和移动距离s，求出车辆从坐标点(x₀,y₀)移动到新坐标点的坐标：

$(x_s,y_s)=(x_0+\frac{s\×{\mathrm{sin\θ}}^{/}}{111km\×\cos y_0},y_0+\frac{s\×{\mathrm{cos\θ}}^{/}}{111km})---\left(6\right)$

9)新坐标点的坐标要和手机信令数据得到的车辆位置坐标通过权值的计算求出最终的车辆坐标点，得到车辆定位信息。

所述的第六步Markov算法是计算一辆车在一定时间范围内的运动轨迹，Markov算法的具体步骤为：

1)通过手机获得一段时间内的信令数据和传感器数据。

2)通过一个信令数据和手机传感器信息，定位车辆位置x；通过一组信令数据得到一辆车的观测轨迹X＝(x_n|n＝1,...,N)。

3)通过MongoDB数据库的二维空间索引搜索到观测轨迹X＝(x_n|n＝1,...,N)运动范围的地图信息G＝{r_k|k＝1,...,K}；其中，地图信息是一组表示道路片段的集合，道路片段代表M个点的折线，折线由一系列以经纬度表示的顶点v₁,...,v_m前后相互连接的线段组成，道路片段表示为s＝(s_m|m＝1,...,M)。

4)观测轨迹X＝(x_n|n＝1,...,N)上的每一个轨迹x在地图信息G＝{r_k|k＝1,...,K}上有一个或多个匹配点，给定一个位置x_i，计算得到s_j道路片段上匹配点其中，满足 代表x_i和之间的最短距离。

5)任何轨迹都有多个候选路径，给定一次位置信息，首先确定一组最有可能的候选路径；在Markov算法中，通过匹配点的集合对候选路径逐个计算并分析匹配的可能性；

所述的Markov算法计算方法的具体步骤为：

5.1)车辆匹配概率由贝叶斯定理得到：

$p(s=s_i|x=x_j)=\frac{p(x=x_j|s=s_i)p(s=s_i)}{{\mathrm{\Σ}}_{s\∈Z\left(s\right)}p(x=x_j|s=s_i)p(s=s_i)}---\left(7\right)$

其中，p表示车辆匹配概率，Z(s)表示候选路径，x_j表示当前车辆位置；

5.2)假设定位误差是一个均匀的分布，则上式简化为：

p(s＝s_i|x＝x_j)＝p(x＝x_j|s＝s_i)(8)

5.3)计算每个车辆位置x到每个候选片段的车辆匹配概率

车辆位置x与实际位置的偏移定义为位置误差，将位置误差建模为高斯分布，因此车辆匹配概率：

$p(x=x_j|s=s_i)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{\left|\right|x_j-s_i|{|}^2}{2{\mathrm{\σ}}^2}}---\left(9\right)$

其中，σ是高斯分布的标准差，σ值通过数据集获得。

5.4计算每一个候选片段到下一个候选片段的转移概率

给定一个车辆的两个位置x_t-1、x_t，及其相应的匹配点由公式(10)得到从s_i到s_j的转换概率τ，转移概率表示车辆从一个片段移动到另一个的可能性：

${\mathrm{\τ}}_{\mathrm{ij}}=p(s_i\→s_j)={\exp }^{{-d}_t}---\left(10\right)$

其中，

5.5给定一系列点(x₁,x₂,...,x_N)，和相关的轨迹s₁,s₂,...,s_N，车辆匹配概率和转移概率由公式(11)得到一系列概率矢量矩阵，在最后车辆位置的概率矢量矩阵中找到最大的概率并执行回溯算法得到最后的行驶路径；

$\underset{i=1}{\overset{N}{\mathrm{\Π}}}p\left(x_i\right|s_i)p(s_i\→s_{i+1})---\left(11\right)$

其中，p(s_N→s_N+1)＝1。

6)由行驶路径根据公式(12)求得车辆在匹配段中t时间内的车辆速度；

$v=\frac{\left|\right|m_t^i-m_{t-1}^j|{|}_{shortestpath}}{\mathrm{\Δ}t}---\left(12\right)$

其中，表示在时间t上车辆在匹配段上的位置。

7)通过该车辆速度对所在道路状态进行众投，得到该车辆所在道路的状态；

车辆速度确定道路状态：当速度高于v_hkm/h，道路状态为绿色；当速度低于v_lkm/h，道路状态为红色；当速度高于v_lkm/h低于v_hkm/h，道路状态为黄色。通过每一辆车的车辆速度对所在道路状态进行投票，假定所有车辆对一个道路状态红，黄，绿投票的个数分别为n_r,n_y,n_g，得到投票个数最多的道路状态。

相对于GPS定位，信令数据和传感器定位具有更高的误差，这使得实时定位业务更有挑战性。为了解决这个问题，本方法我们采用众投的方式。我们的研究结果表明，如果有足够的定位信息，我们可以得到一个很高的定位精度。我们对使用电话作为收集定位信息的可行性进行了分析，结果表明，与现有的产品相比，基于手机信令的方案更加具有吸引力，例如覆盖率、成本和准确度。

本发明的系统包括Openstreetmap地图信息，Markov算法，数据库，Spark集群组成；OpenStreetMap地图信息是一个网上地图协作计划，负责提供系统的地图数据，是整个系统数据的基础，Openstreetmap的地图文件通过点标记出地图的形状，由点和点之间的连线概括出地图的信息，系统分析地图文件得出点和线段的信息，将这些信息存储到系统的数据库中；

Markov算法由Java语言实现，应用Spark集群进行并行化计算保证算法的速度和数据的实时性；Markov算法利用动态规划的思想由一些定位不准确的点计算出车辆行驶的大体路径，由路径的长度和时间计算车辆速度，匹配到相应速度的范围代表的道路路况，得出道路的拥堵情况；

数据库通过三个表存储数据信息，以供服务器查询使用，第一个表是地图点的信息，第二个表是地图线段的信息，第三个表是实时的路况信息。数据库使用的是MongoDB数据库，此数据库对地图数据可以更快的进行处理。MongoDB数据库二维空间索引的设计在处理基于位置的查询时有更好的效率。数据库中以JSON的格式存储点的信息，key的值是点的x，y坐标，即对应点的经纬度，而value值存储地理位置坐标具体的结果。当把坐标点作为二维空间索引时，可以在数据库中通过相应的语句查找一个点一定范围之内的所有的点，便于查找一个点的候选集。

Spark集群可以快速处理大量数据，实时性较强。本方法利用数据库将地图数据存储到多台主机。计算路径匹配结果时，首先将输入数据分成多个片段，并利用Spark集群进行并行计算，从而大大减少了原来计算所需要的时间。

本发明使用启用信令的定位信息探讨城市交通现状，其有益效果为：(1)成本低：信令是现成的无线服务，我们不会对网络基础设施或移动设备花费额外的费用，而GPS数据则需要一定的成本；(2)覆盖范围大：覆盖范围并不局限于特定的地理区域，随着蜂窝数据的发展，我们几乎可以从任何国家收集我们需要的信息；(3)准确度高：因为样品的覆盖范围大，我们可以获得大量的数据，通过对大量数据的计算可以提高方法的准确度。

附图说明

图1是本方法的系统整体结构示意图；

图2是本方法获取车辆信息的模拟图；

图3是本方法预测道路拥堵状态的具体流程图；

图4是本方法展示Markov算法的具体流程图。

具体实施方式

如图1所示，一种通过手机信令预测道路拥堵的方法，方法由Openstreetmap，服务器端，数据库，Spark集群以及道路信息组成；其中服务器端负责对Spark集群进行管理，对Openstreetmap的地图信息进行预处理，与数据库进行数据交互；OpenStreetmap是一个网上地图协作计划，负责提供系统的地图数据，是整个系统数据的基础；服务器端的Markov算法由Java语言实现，同时应用Spark集群进行并行化计算保证算法的速度和数据的实时性；Markov算法是通过动态规划的思想由一些定位不准确的点计算出行驶的大体路径，并由路径的长度和时间计算出速度，并通过速度匹配相应的道路路况，最后通过众投的方式得出每段道路的拥堵情况；数据库部分主要通过三个表存储数据信息，以供服务器查询使用，第一个表是地图点的信息，第二个表是地图线段的信息，第三个表是实时的路况信息。由于交通数据通常都是大量的，而且实时性较强，因此需要一种快速的处理方案，本方法利用Spark对数据进行处理，使用数据库将地图数据存储到多台主机，计算路径匹配结果时，首先将输入数据分成多个片段，并利用Spark集群进行并行计算，从而大大减少了原来计算所需要的时间。

图2描述本方法获取手机信令的示意图。当汽车在道路上行驶的过程中，它会通过一系列的基站，由于驾驶员都会有手机，基于手机通讯的协议会获取到手机的信令数据，基于这些信令数据，可以大致的估算出车辆的大体位置x，而通过多个基站的信息可以得到一辆车的观测轨迹X＝(x_n|n＝1,...,N)，如图所示，车辆行驶过程中，它通过了基站A，基站B和基站C，由这三个基站分别获取的信令数据，我们可以得到轨迹A，轨迹B和轨迹C，这样可以大体的得到车辆行驶的线路。地图是由许多的片段组成的，而每一个片段s＝(s_m|m＝1,...,M)是由M个点的折线组成，给定一个位置x_i，我们可以在附近的s_j片段上得到匹配点我们以这个匹配点作为车辆在实际道路上的行驶点。因为附近的道路片段有很多，我们利用Markov算法找出最有可能的行驶轨迹。

图3是本发明预测道路拥堵状态的具体流程图，一种通过手机信令预测道路拥堵的具体步骤包括：

第一步，判断在数据库中是否存在目标道路的地图信息，若存在则进行第四步，若不存在进行第二、三步。

第二步，我们在Openstreetmap上下载目标区域的地图信息，下载后的.osm文件用excel表格打开，目标区域的地图信息分为两部分：第一部分得到各个点的ID和地理坐标信息，每一个点可能是一条线段或多条线段的端点；第二部分得到线段的相关信息，线段的相关信息包括……；表格中的数据是以数据库的形式存放的，我们只要找到各项数据之间的关系就可以生成我们需要的地图数据。地图上每一项物体的标记是不同的，道路的是以highway的信息进行标记，同一条道路的ID是相同的，每一个ID后面的ref就是每一个点的信息，相邻两个点可以定义为一条线段；每一条线段的两个端点的信息由第一部分各个点的ID和地理坐标信息得到，一系列线段组成道路片段；

第三步，第二步中一个点为多条线段的端点时，对该点进行预处理，将已该点为端点的所有线段设为一个集合，记录在一个属性中，在查找每个点时，能够快速得到以该点为端点的线段；预处理保证数据的规范性，提高运行速度。

第四步，将上述目标区域的地图信息和集合导入数据库中，得到以两个表表示的地图信息，一个表示线段信息，另一个表示点的信息。

第五步，车辆信息实时储存在数据库中，在数据库中获取地图数据，所述的地图数据表示一定时间内的车辆信息和车辆运动范围内的地图信息；

第六步，在Spark平台上并行执行Markov算法

Spark对地图数据进行处理，对每一辆车进行计算，得到相关道路的状态；地图数据存储到多台主机，计算路径匹配结果时，首先将输入数据以一定时间为间隔分成多个片段，在Spark集群上进行并行计算，减少运算所需要的时间。

第七步，当完成所有车辆的计算后，对每条路段进行众投，得到最多投票的状态作为结果返回给用户。

图4是本方法Markov算法的具体流程图。Markov算法是通过动态规划思想来实现的一种算法，目的是给定一辆车大体的定位轨迹，计算出车辆最有可能的行驶路径，从而计算出车辆所在道路的拥堵状态，Markov算法的具体步骤为：

第一步，Markov算法是计算一辆车在一定时间范围内的运动轨迹，通过手机获得一段时间内的信令数据。

第二步，通过一个信令数据和手机传感器信息，定位车辆位置x；通过一组信令数据得到一辆车的观测轨迹X＝(x_n|n＝1,...,N)。

第三步，通过MongoDB数据库的二维空间索引搜索到观测轨迹X＝(x_n|n＝1,...,N)运动范围的地图信息G＝{r_k|k＝1,...,K}；其中，地图信息是一组表示道路片段的集合，道路片段代表M个点的折线，折线由一系列以经纬度表示的顶点v₁,...,v_m前后相互连接的线段组成，道路片段表示为s＝(s_m|m＝1,...,M)。

第四步，观测轨迹X＝(x_n|n＝1,...,N)上的每一个轨迹x在地图信息G＝{r_k|k＝1,...,K}上有一个或多个匹配点，给定一个位置x_i，计算得到s_j道路片段上匹配点其中，满足 代表x_i和之间的最短距离。

第五步，任何轨迹都有多个候选路径，给定一次位置信息，首先确定一组最有可能的候选路径；在Markov算法中，通过匹配点的集合对候选路径逐个计算并分析匹配的可能性；

我们的目的是获得最大概率的路径。Markov算法的工作原理如下：对于每一个轨迹点，找到所有的候选路段Z(s)。计算每个定位点到每个候选段的匹配概率，计算每一个候选段到下一个候选段的转移概率。在最后定位点的概率矢量矩阵中找到最大的概率并执行回溯算法得到最后结果。

第六步，由行驶路径根据公式(12)求得车辆在匹配段中t时间内的车辆速度；

$v=\frac{\left|\right|m_t^i-m_{t-1}^j|{|}_{shortestpath}}{\mathrm{\Δ}t}---\left(12\right)$

其中，表示在时间t上车辆在匹配段上的位置。

第七步，通过车辆速度对所在的道路状态进行投票。

车辆速度确定道路状态：当速度高于v_hkm/h，道路状态为绿色；当速度低于v_lkm/h，道路状态为红色；当速度高于v_lkm/h低于v_hkm/h，道路状态为黄色。通过每一辆车的车辆速度对所在道路状态进行投票，假定所有车辆对一个道路状态红，黄，绿投票的个数分别为n_r,n_y,n_g，得到投票个数最多的道路状态。用这种方法，只要一半以上的车辆对路段状态的计算是正确的，路段拥堵情况结果就是正确的。

表一展示了误差半径在30m，50m和100m的状态转移表。误差半径是计算定位点偏离实际点的最远距离，从表中我们可以看到，当误差半径为30m和50m时，结果准确度可以达到85％以上，当误差为100m时，拥堵的情况可能会被计算为缓行，但是因为拥堵和缓行的感官差异很小，这样的误差是可以接受的，现实中误差半径通常会小于100m，所以本方法的结果可以准确的预测出实时的交通情况。

表一：不同位置误差半径下的状态转移表

	绿	黄	红
				绿	89.0％	6.0％	5.0％
黄	4.6875％	90.625％	4.6875％
				红	0.0％	5.4545455％	94.545456％

(a)位置误差半径30m

	绿	黄	红
				绿	85.0％	12.0％	3.0％
黄	1.5625％	92.1875％	6.25％
				红	0.0％	9.090909％	90.90909％

(b)位置误差半径50m

	绿	黄	红
				绿	84.0％	15.0％	1.0％
黄	21.25％	78.75％	0.0％
				红	24.545455％	51.81818％	23.636364％

(c)位置误差半径100m。

Claims (3)

1.一种通过手机信息预测道路拥堵的方法，其特征在于，包括以下步骤：

第一步，判断数据库中是否存在目标区域的地图信息，若存在进行第四步，若不存在进行第二步、第三步；

第二步，在Openstreetmap上下载目标区域的地图信息，目标区域的地图信息分为两部分：第一部分得到各个点的ID和地理坐标信息，每一个点为一条或多条线段的端点；第二部分得到线段的相关信息，每一条线段的两个端点的信息由第一部分各个点的ID和地理坐标信息得到，一系列线段组成道路片段；所述的线段的相关信息包括线段的ID、线段的长度和线段两个端点的ID；

第三步，第二步中一个点为多条线段的端点时，对该点进行预处理，将已该点为端点的所有线段设为一个集合，记录在一个属性中；

第四步，将目标区域的地图信息和集合导入数据库中，得到表示线段信息和点信息的两个表；

第五步，得到车辆定位信息，并将车辆定位信息实时储存在数据库中，在数据库中获取地图数据；所述的地图数据表示一定时间内的车辆信息和车辆运动范围内的地图信息；

第六步，在Spark平台上并行执行Markov算法，计算一辆车在一定时间范围内的运动轨迹，得到该车辆所在道路的状态；

第七步，完成所有车辆的计算，对每条路段进行众投，得到最多投票的道路状态作为结果返回给用户。

2.根据权利要求1所述的一种通过手机信令信息预测道路拥堵的方法，其特征在于，所述的第五步中得到车辆定位信息的具体步骤为：

1)通过手机GPS获得定位的初始点(x₀,y₀)和一段时间内的GPS信息。

2)通过两个加速度传感器的数值和得到如公式(1)所示的初始点的方向向量

$\stackrel{\→}{H}=\stackrel{\→}{b}-\stackrel{\→}{a}---\left(1\right)$

3)由方向向量得到方向向量上加速度传感器和磁力传感器的值，结合GPS的信息求出加速度误差因子ε和方向误差因子β。

4)通过加速度误差因子ε和方向误差因子β求出车辆在方向向量上的速度；车辆在t-1时的速度为V_t-1、加速度为a_t，则Δt时间后的速度V_t为：

V_t＝V_t-1+a_t·Δt+ε(2)

5)通过速度在时间上积分求出车辆的移动距离，公式为：

$S=\underset{0}{\overset{T}{\∫}}{V}_0+a_t\·t+\mathrm{\ϵ}dt=\underset{t=1}{\overset{T}{\Σ}}(V_{t-1}+a_t\·\mathrm{\Δ}t+\mathrm{\ϵ})---\left(3\right)$

6)通过加速度传感器和磁力传感器求出手机偏移的相对角，通过相对角得到车辆是否转向；所述的相对角是手机自身转变的角度而绝对角是车辆行驶方向和正北方向的夹角；

7)通过加速度传感器和磁力传感器求出手机偏移的绝对角；所述的绝对角通过三个角度求出，三个角度分别为手机与正北方向的夹角η，手机X轴翘起的角度ψ和手机Y轴翘起的角度ρ；手机X轴是手机屏幕横向的方向，手机Y轴是手机屏幕纵向的方向；若加速度传感器求出的加速度值为(x_a,y_a,z_a)，则绝对角为：

(X_y,Y_y,Z_y)＝(sinη·sinψ·y_a,cos²η·y_a,sinη·cosρ·y_a)(4)

通过绝对角求出的角度为θ，则最终的绝对角θ^/为：θ^/＝θ+ε(5)

8)通过绝对角θ^/和移动距离s，求出车辆从坐标点(x₀,y₀)移动到新坐标点的坐标：

$\left(x_s,y_s\right)=\left(x_0+\frac{s\×{\mathrm{sin\θ}}^{/}}{111km\×\cos y_0},y_0+\frac{s\×{\mathrm{cos\θ}}^{/}}{111km}\right)---\left(6\right)$

9)新坐标点的坐标和手机数据得到的车辆位置坐标通过权值的计算求出最终的车辆坐标点，得到车辆定位信息。

3.根据权利要求1或2所述的一种通过手机信令信息预测道路拥堵的方法，其特征在于，所述的第六步执行Markov算法具体步骤为：

1)通过手机获得一段时间内的信令数据和传感器数据；

2)通过一个信令数据，定位车辆位置x；通过一组信令数据得到一辆车的观测轨迹X＝(x_n|n＝1,...,N)；

3)搜索观测轨迹X＝(x_n|n＝1,...,N)运动范围的地图信息G＝{r_k|k＝1,...,K}；地图信息是一组表示道路片段的集合，道路片段代表M个点的折线，折线由一系列以经纬度表示的顶点v₁,...,v_m前后相互连接的线段组成，道路片段表示为s＝(s_m|m＝1,...,M)；

4)观测轨迹X＝(x_n|n＝1,...,N)上的每一个轨迹x在地图信息G＝{r_k|k＝1,...,K}上有一个或多个匹配点，给定一个位置x_i，计算得到s_j道路片段上匹配点其中，满足 代表x_i和之间的最短距离；

5)每一个轨迹都有多个候选路径，给定一次位置信息，首先确定一组最有可能的候选路径；在Markov算法中，通过匹配点的集合对候选路径逐个计算并分析匹配的可能性；所述的Markov算法计算方法的具体步骤为：

5.1)由贝叶斯定理得到车辆匹配概率

$p(s=s_i|x=x_j)=\frac{p(x=x_j|s=s_i)p(s=s_i)}{{\mathrm{\Σ}}_{s\∈Z\left(s\right)}p(x=x_j|s=s_i)p(s=s_i)}---\left(7\right)$

其中，p表示车辆匹配概率，Z(s)表示候选路径，x_j表示当前车辆位置；

5.2)假设公式定位误差是一个均匀分布，则上式简化为：

p(s＝s_i|x＝x_j)＝p(x＝x_j|s＝s_i)(8)

5.3)计算每个车辆位置x到每个候选片段的车辆匹配概率

车辆位置x与实际位置的偏移定义为位置误差，将位置误差建模为高斯分布，因此车辆匹配概率：

$p(x=x_j|s=s_i)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{\left|\right|x_j-s_i|{|}^2}{2{\mathrm{\σ}}^2}}---\left(9\right)$

其中，σ是高斯分布的标准差，σ值通过数据集获得；

5.4)计算每一个候选片段到下一个候选片段的转移概率

给定一个车辆的两个位置x_t-1、x_t，及其相应的匹配点由公式(4)得到从s_i到s_j的转换概率，转移概率τ表示车辆从一个片段移动到另一个的可能性：

${\mathrm{\τ}}_{ij}=p(s_i\→s_j)={\exp }^{-d_t}---\left(10\right)$

其中，

5.5)给定一系列点(x₁,x₂,...,x_N)，和相关的轨迹s₁,s₂,...,s_N，车辆匹配概率和转移概率由公式(5)得到一系列概率矢量矩阵，在最后车辆位置的概率矢量矩阵中找到最大的概率并执行回溯算法得到最后的行驶路径；

$\underset{i=1}{\overset{N}{\Π}}p\left(x_i\right|s_i)p(s_i\→s_{i+1})---\left(11\right)$

其中，p(s_N→s_N+1)＝1；

6)由行驶路径根据公式(6)求得车辆在匹配段中t时间内的车辆速度；

$v=\frac{\left|\right|m_t^i-m_{t-1}^j|{|}_{shortestpath}}{\mathrm{\Δ}t}---\left(12\right)$

其中，表示在时间t上车辆在匹配段上的位置；

7)通过该车辆速度对所在道路状态进行众投，得到该车辆所在道路的状态；速度高于v_hkm/h，道路状态为绿色；速度低于v_lkm/h，道路状态为红色；速度高于v_lkm/h低于v_hkm/h，道路状态为黄色。