CN107463940A - 基于手机数据的车辆类型识别方法和设备 - Google Patents

基于手机数据的车辆类型识别方法和设备 Download PDF

Info

Publication number
CN107463940A
CN107463940A CN201710517910.0A CN201710517910A CN107463940A CN 107463940 A CN107463940 A CN 107463940A CN 201710517910 A CN201710517910 A CN 201710517910A CN 107463940 A CN107463940 A CN 107463940A
Authority
CN
China
Prior art keywords
vehicle
track
data
service area
mobile phone
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.)
Granted
Application number
CN201710517910.0A
Other languages
English (en)
Other versions
CN107463940B (zh
Inventor
吴伟令
刘伟
赵凯
李勇
金德鹏
郑建辉
常颖
韩国华
邵晓明
李贤�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Shandong Provincial Communications Planning and Design Institute Co Ltd
Shandong Provincial Communications Planning and Design Institute Group Co Ltd
Original Assignee
Tsinghua University
Shandong Provincial Communications Planning and Design Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Shandong Provincial Communications Planning and Design Institute Co Ltd filed Critical Tsinghua University
Priority to CN201710517910.0A priority Critical patent/CN107463940B/zh
Publication of CN107463940A publication Critical patent/CN107463940A/zh
Priority to PCT/CN2018/080945 priority patent/WO2019001044A1/zh
Priority to US16/322,095 priority patent/US10573173B2/en
Application granted granted Critical
Publication of CN107463940B publication Critical patent/CN107463940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于手机数据的车辆类型识别方法和设备用于解决提供一种方便、低成本的车型识别方法问题。其中方法包括：获取第一预设时间段内的用户的手机在基站中记录的移动轨迹数据；根据移动轨迹数据判断搭乘同一车辆的手机用户，获得车辆轨迹和车辆轨迹对应的乘车用户数；根据车辆轨迹获得车辆起讫点，结合地理数据获得车辆轨迹的起讫点类型；根据车辆轨迹获得车辆行驶数据；根据车辆轨迹获得车辆停留的服务区数据；本发明提出的利用手机大数据，使用由运营商采集和提供的手机信令数据，获得数据的成本低。

Description

基于手机数据的车辆类型识别方法和设备
技术领域
本发明涉及计算机技术，具体涉及基于手机数据的车辆类型识别方法和设备。
背景技术
智能交通系统是将计算机技术、通信技术以及控制技术等有效地结合运用于交通运输管理的体系，能够实时、准确、高效地管理交通，是21世纪交通发展的主要方向。其中，车辆的自动识别和类型检测是智能交通系统中一个重要的组成部分，可以大大提高交通管理的效率，为交通规划提供重要参考依据。
目前国内外主流的车型识别方法主要可以分为两大类，侵入性分类方法和非侵入性识别方法。侵入性检测技术需要在公路路面下安装传感器，比如气动管，环路检测器，磁传感器和压电传感器等，当车辆经过时传感器能够收集相应的信息，比如车速，车重，车身长度等，从而判断车辆类型。这一类方法的缺点是使用寿命短，安装不方便。非侵入式方法主要是在道路以外的地方安装传感器，比如雷达，红外传感器，声传感器和摄像头。接收到车体轮廓，高度和轴距等信息来给车辆分类。这一类方法的有优点是识别效率高，但是大规模部署的成本较高。其中，随着图像处理技术的发展，通过分析视频信号中的图像而来识别车型的方法是近年来发展最快的，准确率也是最高的。但是它存在比较大的缺陷是安装成本比较高，并且受天气的影响比较大。
因此需要提供一种方便、低成本的车型识别方法。
发明内容
鉴于上述问题，本发明提出了克服上述问题或者至少部分地解决上述问题的基于手机数据的车辆类型识别方法和设备。
为此目的，第一方面，本发明提供一种基于手机数据的车辆类型识别方法，可选地，包括步骤：
获取第一预设时间段内的用户的手机在基站中记录的移动轨迹数据；
根据移动轨迹数据判断搭乘同一车辆的手机用户，获得车辆轨迹和车辆轨迹对应的乘车用户数；
根据车辆轨迹获得车辆起讫点，结合地理数据获得车辆轨迹的起讫点类型；
根据车辆轨迹获得车辆行驶数据；
根据车辆轨迹获得车辆停留的服务区数据；
至少根据车辆轨迹对应的乘车用户数、起讫点类型、车辆的行驶速度数据和车辆停留的服务区数据构建特征向量；
用车辆分类器处理特征向量，获得车辆类型识别结果；
车辆分类器是用机器学习方法和样本的特征向量训练获得的车辆分类器。
可选地，所述根据移动轨迹数据判断搭乘同一车辆的手机用户，获得车辆轨迹和车辆轨迹对应的乘车用户数，包括：
若移动轨迹在经过第一地理位置和第二地理位置的时间重合度大于第一时间重合度，则互相之间具有交集；根据不同的第一地理位置和第二地理位置，逐一移动轨迹数据分为各集合；
逐一计算各集合中各移动轨迹之间的匹配度，若匹配则这个移动轨迹属于同一车辆上的乘客，进而确定车辆轨迹和车辆轨迹对应的用户数。
可选地，所述起讫点类型包括住宅区、工业区、商业区、景点、娱乐区和汽车站。
可选地，所述根据车辆轨迹获得车辆行驶数据，包括：
根据所有的车辆轨迹计算速度小于第一速度Vun的时间区间的集合，
计算某一时间区间内，在第三地理位置重合的车辆轨迹的数量；当在第三地理位置重合的车辆轨迹的数量大于堵车阈值时，判断该段时间内堵车，获得堵车子轨迹；第三位置不包括服务区；
根据服务区的地理位置信息，计算车辆轨迹中处于服务区且车速小于第二速度V sa 的服务区子轨迹，
根据扣除服务区子轨迹和堵车子轨迹后的车辆轨迹，计算车辆的包括平均速度、最大速度、速度标准差、速度分布中的一种或多种行驶数据。
可选地，所述服务区数据包括：服务区停留次数、服务区停留总时间、平均在每个服务区停留的时间。
可选地，所述机器学习方法为随机森林方法。
第二方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一所述方法的步骤。
第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上执行的计算机程序，所述处理器执行所述程序时实现如上任一所述方法的步骤。
由上述技术方案可知，本发明提出的利用手机大数据，使用由运营商采集和提供的手机信令数据，获得数据的成本低。而手机信令数据几乎覆盖所有城际间同行的用户，因此用户覆盖率高，使计算最终输出的城际交通出行的数据更值得信赖。而手机信令数据对应的移动轨迹连续，且能获取到的手机信令数据的时间跨度长、空间覆盖广，因此除了可以用于研究当前高速公路车辆类型，还可以用于研究历史上高速公路车辆类型，从而研究人们对不同区域的高速公路的需求。
前面是提供对本发明一些方面的理解的简要发明内容。这个部分既不是本发明及其各种实施例的详尽表述也不是穷举的表述。它既不用于识别本发明的重要或关键特征也不限定本发明的范围，而是以一种简化形式给出本发明的所选原理，作为对下面给出的更具体的描述的简介。应当理解，单独地或者组合地利用上面阐述或下面具体描述的一个或多个特征，本发明的其它实施例也是可能的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例中执行方法流程示意图。
具体实施方式
下面将结合示例性的实施例描述本发明。
在发明的一个实施例中，基于手机数据的车辆类型识别方法用于判断高速公路上车辆是汽车类型，小客车、大客车或者货车，方法包括步骤：
S101获取第一预设时间段内的用户的手机在基站中记录的移动轨迹数据；
S102根据移动轨迹数据判断搭乘同一车辆的手机用户，获得车辆轨迹和车辆轨迹对应的乘车用户数；
S103根据车辆轨迹获得车辆起讫点，结合地理数据获得车辆轨迹的起讫点类型；
S104根据车辆轨迹获得车辆行驶数据；
S105根据车辆轨迹获得车辆停留的服务区数据；
S106至少根据车辆轨迹对应的乘车用户数、起讫点类型、车辆的行驶速度数据和车辆停留的服务区数据构建特征向量；
S107用车辆分类器处理特征向量，获得车辆类型识别结果；
车辆分类器是用机器学习方法和样本的特征向量训练获得的车辆分类器。
由上述技术方案可知，本发明提出的利用手机大数据，即使用由运营商采集和提供的手机信令数据，获得数据的成本低。而手机信令数据几乎覆盖所有城际间同行的用户，因此用户覆盖率高，使计算最终输出的城际交通出行的数据更值得信赖。而手机信令数据对应的移动轨迹连续，且能获取到的手机信令数据的时间跨度长、空间覆盖广，因此除了可以用于研究当前高速公路车辆类型，还可以用于研究历史上高速公路车辆类型，从而研究人们对不同区域的高速公路的需求。
用户的手机实际指电话卡，即主要通过用户所使用的电话卡区分用户手机，不同的电话卡的标志在基站中对应不同的移动轨迹数据。移动轨迹数据是由大量用户对应的移动轨迹组成，移动轨迹是指手机连接基站后基站就具有了手机的定位数据，该定位数据是具有空域特征的，例如用户a和用户b的轨迹数据分别为 其中是采集的时刻，是时刻用户手机的位置信息，在一些实施例中，可以用手机基站的编码代表手机位置，即可以是基站编号或基站覆盖区域或者是手机的移动网络定位。
所述根据移动轨迹数据判断搭乘同一车辆的手机用户，获得车辆轨迹和车辆轨迹对应的乘车用户数，包括：
若移动轨迹在经过第一地理位置和第二地理位置的时间重合度大于第一时间重合度，则互相之间具有交集；根据不同的第一地理位置和第二地理位置，逐一移动轨迹数据分为各集合；
第一地理位置和第二地理位置可以是道路上两点，例如段道路的起点和终点。
以用户a和用户b为例，说明如何将移动轨迹数据分到各集合：假设有两个用户a和b，根据他们对应的移动轨迹，计算经过道路起点s和道路终点e的时间分别为若 之间的时间重合度大于第一时间重合度，则用户a和用户b可能是在同一车辆上的，用户a和用户b归入同一集合，否则a和b归入不同集合；第一时间重合度为预设值，例如在一个实施例中为80％，则上述分别计算与之间的重合度是否大于80％。
根据计算出行时间的重合度可以是：
在该步骤把明显不在同一辆车的移动轨迹互相分离到不同的集合，该步骤简化了后续的计算乘坐各移动轨迹之间的匹配度的计算量。
逐一计算各集合中各移动轨迹之间的匹配度，若匹配则这个移动轨迹属于同一车辆上的乘客，进而确定车辆轨迹和车辆轨迹对应的用户数。
判断属于同一集合的两条移动轨迹是否是乘坐同一辆车上的用户产生的，主要根据移动轨迹的时空重合度判断。例如在本发明的一个实施例中，时空重合度判断包括步骤：
首先取两条轨迹的时间交集，时间交集可以初始化为 根据 和 补全用户a和用户b轨迹数据，使得对于具有与之对应，其中因此比对Tb的地点序列{l1……li……ln’}和Ta的的地点序列{l1……li……lm’}即可判断用户a与用户b是否处于同一辆车上。在一个实施例中，根据Tb的地点序列{l1……li……ln’}和Ta的的地点序列{l1……li……lm’}之间的对应点之间的欧几里得距离的平均值判断用户a与用户b是否处于同一辆车上。
补全用户a在ti时刻的轨迹数据，可以根据用户a在ti时刻附近的轨迹点和以及GPS精度和道路匹配算法，计算用户a在ti时刻的地理坐标li。
若用户x的轨迹数据与集合中任一其他轨迹数据的都没有重合(即通过地点序列判断他们不重合)，则将认为该用户x单独乘坐一辆车。逐一处理各集合，直到获得所有车辆轨迹，可以理解的是车辆的轨迹即乘坐该车的用户的轨迹。若有多个用户乘坐该车，可以根据各用户轨迹的计算获得较为合适的车辆轨迹。到此，完成了由人的轨迹获得车的轨迹。
所述起讫点类型包括住宅区、工业区、商业区、景点、娱乐区和汽车站提取出所有移动轨迹的起讫点(ls,le)，结合地图获得地点的类型。
起讫点都可以取以下6种类型中的一种，一共有36种情况。不同类型的车辆的起讫点一般有比较大的区别，比如货车的起讫点一般都是工业区，而客车的起讫点一般都是公交站，从而将起讫点的特征用于机器学习中，可以识别车辆的类型，即可以通过起讫点的类型来对车辆的类别进行区分。通过提取轨迹起讫点类型，可以得到起点和终点两个矩阵，矩阵的两个维度分别是轨迹编号和地点类型。一段移动轨迹可以有多个起讫点(ls,le)，多个起讫点(ls,le)将移动轨迹分为若干段。
所述根据车辆轨迹获得车辆行驶数据，包括：根据所有的车辆轨迹计算速度小于第一速度Vun的时间区间的集合，计算某一时间区间内，在第三地理位置重合的车辆轨迹的数量；当在第三地理位置重合的车辆轨迹的数量大于堵车阈值时，判断该段时间内堵车，获得堵车子轨迹；第三位置不包括服务区；
根据服务区的地理位置信息，计算车辆轨迹中处于服务区且车速小于第二速度V sa 的服务区子轨迹，
根据扣除服务区子轨迹和堵车子轨迹后的车辆轨迹，计算车辆的包括平均速度、最大速度、速度标准差、速度分布中的一种或多种行驶数据。
在高速公路上，不同类型的汽车限速不同，所以速度特征在我们的问题中是比较重要的特征。在计算速度特征之前我们也要对数据做预处理，来排除车辆停止不动的情况，比如堵车，进入服务区等。
对于堵车情况，计算出车辆的所有轨迹段(两个采样时刻之间的轨迹)的速度集合，找出所有小于40/km h的速度集，然后对这些轨迹段做平滑处理，找出连续的一段时间在该时间段内用户的速度都小于Vun，并且车辆位置不在服务区合集。对于所有用户都进行相同操作获得每段轨迹对应的当某段时间的重合的车辆数量到达一定阈值时，判断存在堵车的情况。在计算行驶数据时将该时段的轨迹从这些车辆的移动轨迹中删除。
对于我们要研究的高速公路，我们首先找到高速公路中所有服务区位置集合Lservices＝{ls1,……lsi……lsk}，即其中包含K个不同的服务区。计算出车辆的所有轨迹段(两个采样时刻之间的轨迹)的速度集合V，判断速度小于预设值，且位置与服务区位置集合中某一点的的距离小于预设值的轨迹，在计算行驶数据时将该轨迹从这些车辆的移动轨迹中删除。
在计算行驶数据时，可以选取计算下列表1中的一种或多种：
表1行驶数据表
在计算判断移动轨迹是否包括服务区轨迹时，还可以同步计算服务区数据。所述服务区数据包括：服务区停留次数、服务区停留总时间、平均在每个服务区停留的时间。对于一个移动轨迹，具有k个停留点，参考表2可以相关公式，其中表示车辆在第k个服务区的停留点，移动轨迹的停留点集合记为
表2服务区数据表
所述机器学习方法为随机森林方法。在构建样本数据时，采用下列充分条件生成车辆的样本轨迹对应的训练数据，若满足a)车上人数大于5人；b)起讫点都是公交站则是客车；若满足a)平均车速超过100km/h且起讫点是住宅区或者娱乐区，则小客车；若满足a)平均车速不超过100km/h且起讫点是工业区，则是货车。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一所述方法的步骤。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上执行的计算机程序，所述处理器执行所述程序时实现如上任一所述方法的步骤。
本文中使用的“至少一个”、“一个或多个”以及“和/或”是开放式的表述，在使用时可以是联合的和分离的。例如，“A、B和C中的至少一个”，“A、B或C中的至少一个”，“A、B和C中的一个或多个”以及“A、B或C中的一个或多个”指仅有A、仅有B、仅有C、A和B一起、A和C一起、B和C一起或A、B和C一起。
术语“一个”实体是指一个或多个所述实体。由此术语“一个”、“一个或多个”和“至少一个”在本文中是可以互换使用的。还应注意到术语“包括”、“包含”和“具有”也是可以互换使用的。
本文中使用的术语“自动的”及其变型是指在执行处理或操作时没有实质的人为输入的情况下完成的任何处理或操作。然而，即使在执行处理或操作时使用了执行所述处理或操作前接收到的实质的或非实质的人为输入，所述处理或操作也可以是自动的。如果输入影响所述处理或操作将怎样进行，则视该人为输入是实质的。不影响所述处理或操作进行的人为输入不视为是实质的。
本文中使用的术语“计算机可读介质”是指参与将指令提供给处理器执行的任何有形存储设备和/或传输介质。计算机可读介质可以是在IP网络上的网络传输(如SOAP)中编码的串行指令集。这样的介质可以采取很多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如NVRAM或者磁或光盘。易失性介质包括诸如主存储器的动态存储器(如RAM)。计算机可读介质的常见形式包括例如软盘、柔性盘、硬盘、磁带或任何其它磁介质、磁光介质、CD-ROM、任何其它光介质、穿孔卡、纸带、任何其它具有孔形图案的物理介质、RAM、PROM、EPROM、FLASH-EPROM、诸如存储卡的固态介质、任何其它存储芯片或磁带盒、后面描述的载波、或计算机可以读取的任何其它介质。电子邮件的数字文件附件或其它自含信息档案或档案集被认为是相当于有形存储介质的分发介质。当计算机可读介质被配置为数据库时，应该理解该数据库可以是任何类型的数据库，例如关系数据库、层级数据库、面向对象的数据库等等。相应地，认为本发明包括有形存储介质或分发介质和现有技术公知的等同物以及未来开发的介质，在这些介质中存储本发明的软件实施。
本文中使用的术语“确定”、“运算”和“计算”及其变型可以互换使用，并且包括任何类型的方法、处理、数学运算或技术。更具体地，这样的术语可以包括诸如BPEL的解释规则或规则语言，其中逻辑不是硬编码的而是在可以被读、解释、编译和执行的规则文件中表示。
本文中使用的术语“模块”或“工具”是指任何已知的或以后发展的硬件、软件、固件、人工智能、模糊逻辑或能够执行与该元件相关的功能的硬件和软件的组合。另外，虽然用示例性实施方式来描述本发明，但应当理解本发明的各方面可以单独要求保护。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (8)

1.基于手机数据的车辆类型识别方法，其特征在于，包括步骤：
获取第一预设时间段内的用户的手机在基站中记录的移动轨迹数据；
根据移动轨迹数据判断搭乘同一车辆的手机用户，获得车辆轨迹和车辆轨迹对应的乘车用户数；
根据车辆轨迹获得车辆起讫点，结合地理数据获得车辆轨迹的起讫点类型；
根据车辆轨迹获得车辆行驶数据；
根据车辆轨迹获得车辆停留的服务区数据；
至少根据车辆轨迹对应的乘车用户数、起讫点类型、车辆的行驶速度数据和车辆停留的服务区数据构建特征向量；
用车辆分类器处理特征向量，获得车辆类型识别结果；
车辆分类器是用机器学习方法和样本的特征向量训练获得的车辆分类器。
2.根据权利要求1所述的方法，其特征在于，所述根据移动轨迹数据判断搭乘同一车辆的手机用户，获得车辆轨迹和车辆轨迹对应的乘车用户数，包括：
若移动轨迹在经过第一地理位置和第二地理位置的时间重合度大于第一时间重合度，则互相之间具有交集；根据不同的第一地理位置和第二地理位置，逐一移动轨迹数据分为各集合；
逐一计算各集合中各移动轨迹之间的匹配度，若匹配则这个移动轨迹属于同一车辆上的乘客，进而确定车辆轨迹和车辆轨迹对应的用户数。
3.根据权利要求1所述的方法，其特征在于，所述起讫点类型包括住宅区、工业区、商业区、景点、娱乐区和汽车站。
4.根据权利要求1所述的方法，其特征在于，所述根据车辆轨迹获得车辆行驶数据，包括：
根据所有的车辆轨迹计算速度小于第一速度Vun的时间区间的集合，
计算某一时间区间内，在第三地理位置重合的车辆轨迹的数量；当在第三地理位置重合的车辆轨迹的数量大于堵车阈值时，判断该段时间内堵车，获得堵车子轨迹；第三位置不包括服务区；
根据服务区的地理位置信息，计算车辆轨迹中处于服务区且车速小于第二速度V sa 的服务区子轨迹，
根据扣除服务区子轨迹和堵车子轨迹后的车辆轨迹，计算车辆的包括平均速度、最大速度、速度标准差、速度分布中的一种或多种行驶数据。
5.根据权利要求1所述的方法，其特征在于，所述服务区数据包括：服务区停留次数、服务区停留总时间、平均在每个服务区停留的时间。
6.根据权利要求1所述的方法，其特征在于，所述机器学习方法为随机森林方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任一所述方法的步骤。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一所述方法的步骤。
CN201710517910.0A 2017-06-29 2017-06-29 基于手机数据的车辆类型识别方法和设备 Active CN107463940B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710517910.0A CN107463940B (zh) 2017-06-29 2017-06-29 基于手机数据的车辆类型识别方法和设备
PCT/CN2018/080945 WO2019001044A1 (zh) 2017-06-29 2018-03-28 基于手机数据的车辆类型识别方法和设备
US16/322,095 US10573173B2 (en) 2017-06-29 2018-03-28 Vehicle type identification method and device based on mobile phone data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710517910.0A CN107463940B (zh) 2017-06-29 2017-06-29 基于手机数据的车辆类型识别方法和设备

Publications (2)

Publication Number Publication Date
CN107463940A true CN107463940A (zh) 2017-12-12
CN107463940B CN107463940B (zh) 2020-02-21

Family

ID=60544063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710517910.0A Active CN107463940B (zh) 2017-06-29 2017-06-29 基于手机数据的车辆类型识别方法和设备

Country Status (3)

Country Link
US (1) US10573173B2 (zh)
CN (1) CN107463940B (zh)
WO (1) WO2019001044A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346289A (zh) * 2018-02-13 2018-07-31 重庆交通大学 一种高速公路人车关联系统及方法
WO2019001044A1 (zh) * 2017-06-29 2019-01-03 山东省交通规划设计院 基于手机数据的车辆类型识别方法和设备
CN110164134A (zh) * 2018-02-12 2019-08-23 华为技术有限公司 信息处理的方法和装置
CN110196891A (zh) * 2018-11-15 2019-09-03 腾讯大地通途（北京）科技有限公司 街区类型的确定方法、装置、存储介质及电子装置
WO2019199561A1 (en) 2018-04-09 2019-10-17 Cambridge Mobile Telematics Inc. Vehicle classification based on telematics data
CN110418291A (zh) * 2019-07-30 2019-11-05 中国联合网络通信集团有限公司 乘车站点识别方法、售票管理系统及电信运营商平台
CN110517495A (zh) * 2019-09-05 2019-11-29 四川东方网力科技有限公司 车辆轨迹类别的确认方法、装置、设备和存储介质
CN110517500A (zh) * 2018-05-21 2019-11-29 上海大唐移动通信设备有限公司 一种人车关联处理方法及装置
CN110852354A (zh) * 2019-10-22 2020-02-28 上海中旖能源科技有限公司 车辆轨迹点识别方法及设备
CN110969861A (zh) * 2019-12-20 2020-04-07 中国移动通信集团黑龙江有限公司 一种车辆识别方法、装置、设备及计算机存储介质
CN111125167A (zh) * 2018-10-31 2020-05-08 腾讯科技（深圳）有限公司 一种车辆匹配方法、装置及计算设备
CN111326016A (zh) * 2018-12-14 2020-06-23 哈尔滨工业大学 基于车辆定位信息的高速公路驾驶安全监测系统及方法
CN111723835A (zh) * 2019-03-21 2020-09-29 北京嘀嘀无限科技发展有限公司 车辆移动轨迹区分方法、装置和电子设备
CN111757270A (zh) * 2020-06-19 2020-10-09 中国联合网络通信集团有限公司 超员车辆识别方法及装置
CN112634489A (zh) * 2020-12-09 2021-04-09 众安在线财产保险股份有限公司 一种基于移动终端的车辆状态确定方法、装置及系统
CN113282638A (zh) * 2021-04-23 2021-08-20 中寰卫星导航通信有限公司 一种城建用车识别方法和装置
CN116092037A (zh) * 2023-02-13 2023-05-09 长沙理工大学 融合轨迹空间-语义特征的车辆类型识别方法

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201503855D0 (en) * 2015-03-06 2015-04-22 Q Free Asa Vehicle detection
KR102656655B1 (ko) * 2018-08-16 2024-04-12 삼성전자 주식회사 외부 전자 장치의 이동 방향에 기반하여 동작을 수행하는 전자 장치 및 전자 장치의 동작 방법
CN109961106B (zh) * 2019-04-18 2022-03-18 北京百度网讯科技有限公司 轨迹分类模型的训练方法和装置、电子设备
CN110505583B (zh) * 2019-07-23 2021-01-22 中山大学 一种基于卡口数据与信令数据的轨迹匹配方法
CN111832597B (zh) * 2019-08-01 2024-06-11 北京嘀嘀无限科技发展有限公司 一种车辆类型的判定方法及装置
CN111159254B (zh) * 2019-12-30 2023-07-25 武汉长江通信产业集团股份有限公司 一种基于大数据处理的车辆与人员的关联方法
CN111521191A (zh) * 2020-04-20 2020-08-11 中国农业科学院农业信息研究所 一种基于信令数据的移动电话用户移动路径地图匹配方法
CN111859112A (zh) * 2020-06-16 2020-10-30 北京嘀嘀无限科技发展有限公司 消息推送方法、装置及服务器
CN112542043B (zh) * 2020-12-01 2021-10-26 江苏欣网视讯软件技术有限公司 基于手机信令以及大数据分析识别公交线网覆盖盲区的方法与系统
US11482099B2 (en) 2021-02-02 2022-10-25 Here Global B.V. Method and apparatus for preventing traffic over-reporting via identifying misleading probe data
CN113762315A (zh) * 2021-02-04 2021-12-07 北京京东振世信息技术有限公司 图像检测方法、装置、电子设备和计算机可读介质
CN112905578B (zh) * 2021-03-03 2022-07-26 西南交通大学 一种货车gps轨迹停留点识别方法
CN114297323B (zh) * 2021-08-31 2023-05-09 北京九栖科技有限责任公司 一种一机多号识别方法、装置及其存储介质
CN114466328B (zh) * 2022-04-13 2022-06-28 北京融信数联科技有限公司 渣土车轨迹还原方法、系统和可读存储介质
EP4322131A1 (de) * 2022-08-12 2024-02-14 iunera GmbH & Co. KG Eine erfindung als system, verfahren oder anordnungen zum zuordnen von fahrdaten
CN115714957B (zh) * 2022-11-02 2024-10-01 广州市城市规划勘测设计研究院有限公司 基于手机信令的地铁出行识别方法、装置、设备及介质
CN116434529B (zh) * 2022-12-12 2023-10-24 交通运输部规划研究院 城际公路货运特征分析方法、装置和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496280A (zh) * 2011-12-13 2012-06-13 北京航空航天大学 一种路况信息实时获取方法
CN105788263A (zh) * 2016-04-27 2016-07-20 大连理工大学 一种通过手机信息预测道路拥堵的方法
CN106197458A (zh) * 2016-08-10 2016-12-07 重庆邮电大学 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法
CN106314438A (zh) * 2016-08-15 2017-01-11 西北工业大学 一种司机驾驶轨迹中异常轨迹的检测方法和系统
CN106781479A (zh) * 2016-12-23 2017-05-31 重庆邮电大学 一种基于手机信令数据实时获取高速公路运行状态的方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7469827B2 (en) * 2005-11-17 2008-12-30 Google Inc. Vehicle information systems and methods
CN100520853C (zh) * 2007-10-12 2009-07-29 清华大学 基于单频连续波雷达的车型分类方法
US9261376B2 (en) * 2010-02-24 2016-02-16 Microsoft Technology Licensing, Llc Route computation based on route-oriented vehicle trajectories
CN103918247B (zh) * 2011-09-23 2016-08-24 数字标记公司 基于背景环境的智能手机传感器逻辑
US10270642B2 (en) * 2012-12-05 2019-04-23 Origin Wireless, Inc. Method, apparatus, and system for object tracking and navigation
CN104008576B (zh) 2013-07-10 2016-08-24 易通星云（北京）科技发展有限公司 基于北斗的高速公路车辆自由流电子收费方法、系统及装置
CN105659639B (zh) * 2013-07-26 2019-09-06 艾纳高格有限公司 将外部设备关联到交通工具及所述关联的应用
US9859998B2 (en) * 2015-08-20 2018-01-02 Samsung Electronics Co., Ltd. Apparatus and method for identifying and localizing vehicle occupant and on-demand personalization
US9763055B2 (en) * 2014-08-26 2017-09-12 Regents Of The University Of Minnesota Travel and activity capturing
US9451077B2 (en) * 2015-02-24 2016-09-20 Patrick Duvaut Device-based safeguard systems and methods for enhancing driver safety
US9786177B2 (en) * 2015-04-10 2017-10-10 Honda Motor Co., Ltd. Pedestrian path predictions
US9558664B1 (en) * 2015-08-13 2017-01-31 Here Global B.V. Method and apparatus for providing parking availability detection based on vehicle trajectory information
US9818239B2 (en) * 2015-08-20 2017-11-14 Zendrive, Inc. Method for smartphone-based accident detection
US10319224B2 (en) * 2016-08-19 2019-06-11 Veniam, Inc. Adaptive road management in the network of moving things
US11210939B2 (en) * 2016-12-02 2021-12-28 Verizon Connect Development Limited System and method for determining a vehicle classification from GPS tracks
US9900747B1 (en) * 2017-05-16 2018-02-20 Cambridge Mobile Telematics, Inc. Using telematics data to identify a type of a trip
CN107463940B (zh) 2017-06-29 2020-02-21 清华大学 基于手机数据的车辆类型识别方法和设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496280A (zh) * 2011-12-13 2012-06-13 北京航空航天大学 一种路况信息实时获取方法
CN105788263A (zh) * 2016-04-27 2016-07-20 大连理工大学 一种通过手机信息预测道路拥堵的方法
CN106197458A (zh) * 2016-08-10 2016-12-07 重庆邮电大学 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法
CN106314438A (zh) * 2016-08-15 2017-01-11 西北工业大学 一种司机驾驶轨迹中异常轨迹的检测方法和系统
CN106781479A (zh) * 2016-12-23 2017-05-31 重庆邮电大学 一种基于手机信令数据实时获取高速公路运行状态的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MIKKO PERTTUNEN 等: "Distributed Road Surface Condition Monitoring Using Mobile Phones", 《UNIQUITOUS INTELLIGENCE AND COMPUTING》 *
QIANG JI 等: "Using Mobile Signaling Data to Classify Vehicles on Highways in Real Time", 《2017 IEEE 18TH INTERNATIONAL CONFERENCE ON MOBILE DATA MANAGEMENT》 *
SHILPA GARG 等: "VividhaVahana: Smartphone Based Vehicle Classification And Its Applications in Developing Regions", 《MOBIQUITOUS 2014》 *
ZHANBO SUN 等: "Vehicle classification using GPS data", 《TRANSPORTATION RESEARCH PART C》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019001044A1 (zh) * 2017-06-29 2019-01-03 山东省交通规划设计院 基于手机数据的车辆类型识别方法和设备
US10573173B2 (en) 2017-06-29 2020-02-25 Shandong Provincial Communications Planning And Design Institute Vehicle type identification method and device based on mobile phone data
CN110164134A (zh) * 2018-02-12 2019-08-23 华为技术有限公司 信息处理的方法和装置
EP3706097A4 (en) * 2018-02-12 2021-01-06 Huawei Technologies Co., Ltd. INFORMATION PROCESSING METHOD AND DEVICE
CN108346289A (zh) * 2018-02-13 2018-07-31 重庆交通大学 一种高速公路人车关联系统及方法
EP3759717A4 (en) * 2018-04-09 2021-12-15 Cambridge Mobile Telematics, Inc. VEHICLE CLASSIFICATION BASED ON TELEMATIC DATA
WO2019199561A1 (en) 2018-04-09 2019-10-17 Cambridge Mobile Telematics Inc. Vehicle classification based on telematics data
CN110517500A (zh) * 2018-05-21 2019-11-29 上海大唐移动通信设备有限公司 一种人车关联处理方法及装置
CN111125167A (zh) * 2018-10-31 2020-05-08 腾讯科技（深圳）有限公司 一种车辆匹配方法、装置及计算设备
CN111125167B (zh) * 2018-10-31 2022-08-23 腾讯科技（深圳）有限公司 一种车辆匹配方法、装置及计算设备
CN110196891A (zh) * 2018-11-15 2019-09-03 腾讯大地通途（北京）科技有限公司 街区类型的确定方法、装置、存储介质及电子装置
CN110196891B (zh) * 2018-11-15 2024-03-15 腾讯大地通途（北京）科技有限公司 街区类型的确定方法、装置、存储介质及电子装置
CN111326016A (zh) * 2018-12-14 2020-06-23 哈尔滨工业大学 基于车辆定位信息的高速公路驾驶安全监测系统及方法
CN111723835A (zh) * 2019-03-21 2020-09-29 北京嘀嘀无限科技发展有限公司 车辆移动轨迹区分方法、装置和电子设备
CN110418291A (zh) * 2019-07-30 2019-11-05 中国联合网络通信集团有限公司 乘车站点识别方法、售票管理系统及电信运营商平台
CN110517495A (zh) * 2019-09-05 2019-11-29 四川东方网力科技有限公司 车辆轨迹类别的确认方法、装置、设备和存储介质
CN110852354A (zh) * 2019-10-22 2020-02-28 上海中旖能源科技有限公司 车辆轨迹点识别方法及设备
CN110969861A (zh) * 2019-12-20 2020-04-07 中国移动通信集团黑龙江有限公司 一种车辆识别方法、装置、设备及计算机存储介质
CN111757270A (zh) * 2020-06-19 2020-10-09 中国联合网络通信集团有限公司 超员车辆识别方法及装置
CN112634489A (zh) * 2020-12-09 2021-04-09 众安在线财产保险股份有限公司 一种基于移动终端的车辆状态确定方法、装置及系统
CN113282638A (zh) * 2021-04-23 2021-08-20 中寰卫星导航通信有限公司 一种城建用车识别方法和装置
CN113282638B (zh) * 2021-04-23 2024-05-07 中寰卫星导航通信有限公司 一种城建用车识别方法和装置
CN116092037A (zh) * 2023-02-13 2023-05-09 长沙理工大学 融合轨迹空间-语义特征的车辆类型识别方法

Also Published As

Publication number Publication date
CN107463940B (zh) 2020-02-21
US20190180610A1 (en) 2019-06-13
WO2019001044A1 (zh) 2019-01-03
US10573173B2 (en) 2020-02-25

Similar Documents

Publication Publication Date Title
CN107463940A (zh) 基于手机数据的车辆类型识别方法和设备
CN107888877B (zh) 车辆追踪及道路交通信息采集的方法及其系统
CN102855759B (zh) 高分辨率卫星遥感交通流信息自动采集方法
CN101270997B (zh) 基于gps数据的浮动车动态实时交通信息处理方法
CN111091720B (zh) 基于信令数据和浮动车数据的拥堵路段识别方法及装置
CN111862606B (zh) 一种基于多源数据的非法营运车辆识别方法
CN101719315B (zh) 一种基于中间件的动态交通信息采集方法
CN108109423B (zh) 基于WiFi室内定位的地下停车场智能导航方法及系统
CN112133090A (zh) 一种基于手机信令数据的多方式交通分布模型构建方法
US10373494B1 (en) Method and apparatus for estimating a parking event based on device signal observations
CN104318781B (zh) 基于rfid技术的行程速度获取方法
CN107845259A (zh) 公交运行情况实时反馈系统及公交实时运行数据处理方法
CN107103775B (zh) 一种基于群智计算的道路质量检测方法
CN106197458A (zh) 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法
CN111210612B (zh) 基于公交gps数据与站点信息提取公交线路轨迹的方法
CN106169243A (zh) 一种基于车联网的实时路况估计系统及方法
CN102737510A (zh) 一种基于移动智能终端的实时交通路况采集方法
CN106991725A (zh) 区域高速公路网车辆行驶路径分析装置及分析方法
CN106707301A (zh) 一种基于定位数据的勤务巡线考核方法
CN108171968A (zh) 基于移动终端设备信令的位置数据的路况分析系统及方法
CN108039046A (zh) 一种基于c-v2x的城市交叉路口行人检测识别系统
CN112036757A (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
CN115714957B (zh) 基于手机信令的地铁出行识别方法、装置、设备及介质
CN108154701A (zh) 一种基于物联网技术的智能停车调度系统
CN118042416A (zh) 一种基于多源信息融合的人车路匹配方法、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing

Patentee after: TSINGHUA University

Patentee after: Shandong transportation planning and Design Institute Group Co.,Ltd.

Address before: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing

Patentee before: TSINGHUA University

Patentee before: Shandong transportation planning and Design Institute Co.,Ltd.

Address after: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing

Patentee after: TSINGHUA University

Patentee after: Shandong transportation planning and Design Institute Co.,Ltd.

Address before: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing

Patentee before: TSINGHUA University

Patentee before: SHANDONG PROVINCIAL COMMUNICATIONS PLANNING AND DESIGN INSTITUTE