CN107516417B - 一种挖掘时空关联关系的实时高速公路流量估计方法 - Google Patents

Abstract

本发明公开了一种挖掘时空关联关系的实时高速公路流量估计方法，属于智能交通领域。本发明以基于感应线圈型车检器获得的车流量为基本数据，结合手机信令估计的高速公路车流量数据信息，充分发掘并利用时间和空间维度不同路段车流量之间的关系，给出了融合两类数据的高速公路流量感知方法。本发明充分利用已有的移动通讯设施和车检器资源，无需安装额外的检测装置，可以以很低的成本获得覆盖全路网的实时车流量估计。本发明估计的车流量结果准确，易推广，适用于高速公路。

Description

一种挖掘时空关联关系的实时高速公路流量估计方法

技术领域

本发明属于智能交通领域，特别涉及挖掘时空关联关系的实时高速公路流量获取方法。

背景技术

高速公路上的车流量是高速公路路况监测的重要指标，也是交通管理部门进行道路规划、评估等决策的重要依据之一。实时获取的车流量有广泛的应用。例如，实时报告的车流量可提供基于实时车流量的动态交通导航，利于出行者快速便捷出行。在发生交通事故等紧急情况时，实时车流量可用于辅助决策交通疏导策略。此外，车流量还可用于计算碳排放，为环境监测提供数据支撑。

传统的车流量估计方法或者依靠在路面铺设固定的传感器(例如：地感线圈、压电传感器等)来直接获得车流量，或者从监控视频中提取车流量(Hajimolahoseini,H.,R.Amirfattahi,and H.Soltanian-Zadeh.Robust vehicle tracking algorithm fornighttime videos captured by fixed cameras in highly reflectiveenvironments.IET Computer Vision,2014,8(6):535-544)。对高速公路而言，从这些固定基础设施获取的车流量信息都属于截面数据，只能覆盖有限的路段，不能实时获取全路段的高速公路车流量。同时，这类方法所需的固定设备其部署和维护代价高、故障率高。

一些方法提出基于浮动车的GPS信息获取道路上的车流量，例如，根据出租车的GPS历史数据可以获得路网图有向边上各个时刻的流量分布，进而获得有向边之间的流量分配矩阵，从而通过将当前时刻的流量矩阵乘以流量分配矩阵，得到下一个时刻的流量预测结果(Pablo Samuel Castro,Daqing Zhang,and Shijian Li,Urban TrafficModelling and Prediction using Large Scale Taxi GPS Traces,Pervasive 2012)。由于这些GPS数据仅来自部分车辆(例如：出租车、公交车)，故其本质是基于车流量的采样来估计车流量，所以并不能准确反映真实的道路车流量。同时，浮动车本身也受行驶线路的约束，能够用于高速公路上车流量估计的浮动车数量有限，这会导致更大的误差。

还有一些基于交通流基本图(Fundamental Diagrams，FD)的方法，也就是说，为每个路段建立反映交通流参数之间内在关系的FD(包括流量-速度图、流量-密度图和速度-密度图)，那么，车流量即可由车辆速度或密度推导得出，例如，可以基于北京的出租车数据，利用地理位置特征(例如：道路信息、POI信息)，采用协同矩阵分解的方法推测没有GPS数据覆盖的路段的车速。然后，抽取路段和流量相关的特征(包括路段按速度分布聚类得到的类别标号、该路段Q-V(流量-速度)图中的自由流速度和关键转折点速度)，结合地理特征和天气因素等采用Bayesian网络推导模型获取一个与流量相关的高层次特征，最终利用该特征估计路段上的流量(Xianyuan Zhan,Yu Zheng,Xiuwen Yi,Satish V.Ukkusuri,CitywideTraffic Volume Estimation Using Trajectory Data,TKDE 2016)。但上述方法需要每个路段都有大量的交通流历史数据，才能获得相关的FD，而这些数据的获取本身存在一定的困难。

当前，手机已经成为人们日常生活的必需品。当车辆中的手机用户随车移动时，手机会与道路旁的基站进行交互，产生特定的信令过程(包括呼叫、短信、移动性管理等)，因此可以根据该手机沿公路基站产生的信令来估算出对应路段的信令车流量。例如，可以分析蜂窝网络切换计数和交通容量之间的相关关系，然后根据50％和80％划分点将每个小时的交通流量分为三个类别即高、中、低水平，进一步利用数据分别构建和训练多项逻辑斯蒂模型和人工神经网络分类模型，评估交通容量的分类(Demissie M G,BentoC.Intelligent Road Traffic Status Detection System Through Cellular NetworksHandover Information:An Exploratory Study.Transportation Research Part C:Emerging Technologies,2013,32(4):76–88)。也可以建立模型刻画通话的数量与车辆数的关系，从而计算车流量。(CaceresN,RomeroL M,BenitezF G,etal.Traffic flowestimation models using cellular phone data.IEEE Transactions on IntelligentTransportation Systems,2012,13(3):1430-1441)。但已有通过信令估计车流量的方法，都存在准确性不高的问题。

发明内容

本发明技术解决的问题：通过融合车检器数据和手机信令数据，克服现有车流量估计方法中代价高、覆盖率低的缺陷，提供一种挖掘时空关联关系的实时高速公路流量估计方法，实现准确、全面的车流量感知。

为实现上述目的，本发明提供一种挖掘时空关联关系的实时高速公路流量估计方法，其特点在于利用手机信令估算的高速公路车流量数据，挖掘了不同路段真实车流量之间的时空约束关系，并将之用于以高速公路感应线圈车检器报告的车流量为测量数据的压缩感知流量估算流程中，从而实现准确的全路段车流量的估算。

本发明的技术解决方案：一种挖掘时空关联关系的实时高速公路流量估计方法，实现步骤如下：

(1)根据移动用户手机与基站交互产生的信令数据流，计算信令车流量，所述信令车流量是指根据手机信令序列估算的高速公路车流量；

(2)以车检器获得的车流量数据作为输入，并根据第一步估算出的信令车流量得到路段车流量之间的空间约束，同时，基于Toeplitz矩阵给出路段车流量之间的时间约束，进行基于时空压缩感知技术的全路段车流量感知，得到高速公路全覆盖的实时车流量。

所述步骤(1)中，计算信令车流量包括以下步骤：

(11)对高速公路按匝道进行路段划分，并把路段作为车流量估计的最小单位，路段的方向与道路方向一致，并沿道路正方向从小到大设置路段编号，这里，道路的正方向是指桩号从小到大的方向；

(12)对信令数据进行预处理，信令处理服务器每隔一定时间(记为t分钟，称为一个时间片)从移动运营商提供的信令接口中读取该周期内高速公路沿线发生的信令数据，所述信令数据预处理内容包括：去除未在道路上发生的信令，去除运动特征异常(包括瞬间移动)的信令样本，识别并剔除乒乓切换及回路切换信令；

(13)判断用户是否正随着车辆在高速公路上移动，进而确定移动用户是在哪条高速公路上行驶；

(14)计算路段上的信令车流量，在内存中保留指定时间区间的信令数据，并每隔t分钟检测移动用户是否在路上，在确定了移动用户u所行驶的高速公路后，给移动用户u在当前时间片经过的路段的信令车流量增加1，从而统计出当前以路段为粒度的最新的车流量信息，即计算出信令车流量。

所述步骤(2)的具体实现如下：

(21)从车检器的设备接口获取当前时间之前t分钟的车流量，构建压缩感知车流量估计的计算途径；

(22)构造基于信令车流量的路段多元线性回归(MLR)模型，形成路段车流量的空间约束矩阵，构建基于Toeplitz矩阵的路段车流量的时间约束矩阵；

(23)基于步骤(21)获得的车流量和步骤(22)得到的时空约束矩阵，形成车流量估计的时空压缩感知优化目标；

(24)针对步骤(23)的优化目标，用交替的最小二乘法求解全覆盖的实时车流量。

所述(13)中，判断用户是否正随着车辆在高速公路上移动，进而确定移动用户是在哪条高速公路上行驶的具体步骤如下：

(31)针对用户信令轨迹中的基站序列和道路沿线的基站序列，给出增加、删除、交换三种编辑操作；

(32)依据(31)的三种编辑操作，构造计算两个基站序列编辑距离的递推公式，选取与信令轨迹中的基站序列编辑距离最小的道路沿线的基站序列所对应的道路，作为用户当前行驶的道路。

所述(21)中，构建压缩感知车流量估计的计算途径如下：

用一个m×n维的矩阵表示高速公路上的n个路段{r₁,r₂,r₃,...r_n}在m个时间片{t₁,t₂,t₃,...t_m}的交通流量，令X_m×n和分别代表真实的和估计的交通流量矩阵。

把感应线圈型车检器生成的车流量称为车检器车流量，并认为该车流量是道路上真实的车流量，以车检器车流量作为输入构成了关于车流量的测量矩阵M＝(x_ij)_m×n，M的第j列表示第j个路段的流量，第i行表示在第i个时间片内所有路段的流量，M_m×n是稀疏矩阵，其中有一些元素是未知的。M_m×n和的关系表示为：其中，矩阵B_m×n为指示矩阵，其元素b_ij定义为

对进行SVD分解，令分解结果为其中，L_m×r＝U∑^1/2，R_n×r＝V∑^1/2，那么，车流量估计的计算途径是求解下面给出的最小化问题：

其中，λ是正则化参数，用于权衡估计矩阵与测量矩阵的相似约束和低秩约束两个目标。

所述(22)中，具体实现如下：

时间约束矩阵T采用了Toeplitz(0,1,-1)矩阵，这里，Toeplitz(0,1,-1)矩阵是指主对角线元素是1、主对角线上面第一个对角线的元素是-1、其它元素是0的矩阵，取该矩阵的前m-1行构成矩阵T，即，

空间约束矩阵S按如下方式给出：对路段r_i，为其信令车流量和其它路段的信令车流量构造多元线性回归模型，如下式：

其中，右端的和是两个(n-1)×1的向量，n是路网中的总路段数，向量代表除了路段r_i的其它n-1个路段的信令车流量，向量代表了对应于路段r_i的回归系数；

设置路段车流量的空间约束矩阵如下：

所述(23)中，基于时空约束矩阵，将车流量矩阵的求解转换成如下式所示的损失函数Loss的最小化问题：

其中，λ₁用于权衡估计矩阵与测量矩阵的相似约束和低秩约束两个目标，λ₂和λ₃分别是时间约束和空间约束的权重，缺省情况下，λ₁、λ₂和λ₃设置成100、1和1，S和T分别是空间和时间的约束矩阵，表示了关于交通流量矩阵的时空结构。

所述(24)中，用交替的最小二乘法求解全覆盖的实时车流量的具体步骤如下：

采用交替最小二乘法求解损失函数中的L和R，首先随机初始化L和R，然后固定其中一个，令另一个为优化变量，求解它，交替固定L和R，求解另一个，直到L和R收敛为止，即损失函数Loss小于指定的阈值。

固定L求R时，首先，将R^T和M按列划分，得到损失函数为：

其中，Diag(a)是以向量a为对角线元素形成的矩阵。将损失函数对R求导并令导数为0，得：

上述方程有n×r个未知数和n×r个方程，整理得到n×r个未知数的系数矩阵，通过系数矩阵的逆乘以方程组右边的常数矩阵，即可得到R；

在固定R求L时，为方便求解，损失函数改写成如下等价的形式：

将损失函数对L求导并令导数为0，得：

该方程有m×r个未知数和m×r个方程，整理得到m×r个未知数的系数矩阵，通过系数矩阵的逆乘以方程组右边的常数矩阵，即得到L；

基于得到的L和R，按损失函数计算估计误差，若误差小于当前最小的估计误差，则更新当前最优解，否则重复执行迭代过程直到损失函数小于指定的阈值，最终，LR^T为要求解的最优车流量估计矩阵，在矩阵中，当前时间片的一行即为各路段当前实时的车流量。

本发明与现有技术相比的优点在于：

(1)本发明利用手机信令估算的高速公路车流量数据，挖掘了不同路段真实车流量之间的时空约束关系，并将之用于以高速公路感应线圈车检器报告的车流量为测量数据的压缩感知流量估算流程中，从而实现准确的车流量估算。

(2)本发明充分利用已有的移动通讯设施和车检器资源，无需安装额外的检测装置，特别地，这种方法所需要的手机信令数据并不影响移动通信系统的正常运作，而且由于手机信令的特点使得这种方法能以很低的成本获得覆盖全路网的道路流量信息。

(3)本发明针对高速公路的车流量估计，部署方便，易推广。

附图说明

图1为本发明方法运行的环境；

图2为本发明方法对应的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图及实施例对本发明作进一步的详细描述。

如图1、2所示，本发明的实现步骤如下：

第一步：信令车流量估算：根据手机信令序列估算的高速公路车流量，称为信令车流量。信令车流量的估算包括以下步骤：

(1)首先对高速公路按匝道进行路段划分，并把路段作为车流量估计的最小单位。路段的方向与道路方向一致，并沿道路正方向从小到大设置路段编号，这里，道路的正方向是指桩号从小到大的方向。

(2)其次，对信令数据进行预处理，如图1所示，信令处理服务器每隔一定时间(记为t分钟，称为一个周期)从移动运营商提供的信令接口中读取该周期内高速公路沿线发生的信令数据，数据预处理内容包括：去除未在道路上发生的信令，去除运动特征异常(例如：瞬间移动)的信令样本，识别并剔除乒乓切换及回路切换信令。

(3)然后，判断用户是否正随着车辆在高速公路上移动，进而确定移动用户是在哪条高速公路上行进。一条信令记录，记为S_u(t_j,b_k)，表示在时刻t_j用户u连接到基站b_k，这里b_k的表达形式是信令记录中的(位置区码，小区号)对。那么，用户u的信令轨迹可以用用户u信令记录中的基站b_k序列{S_u}表示。同时，用{B_r}表示道路r的沿线基站序列。

考虑到{B_r}、{S_u}的语义特性，我们定义了如下三种编辑操作：

1)删除{S_u}中的一个基站。该操作对应的场景是：移动用户在该高速公路上，可能偶然连接到一个较远的非道路沿线基站，这样道路沿线基站集合{B_r}并没有该基站的信息。所以，当发现有连接到某些非道路沿线基站的信令时，可应用该操作。

2)在{S_u}中增加一个基站。该操作对应的场景是：移动用户在行进时，其手机并不一定会跟道路沿线基站{B_r}中的每个基站都产生信令数据，所以，当{S_u}缺失某些基站时，可应用该操作。

3)交换{S_u}中的两个基站。该操作对应的场景是：移动用户的手机信令可能产生乒乓切换，{S_u}中的基站顺序不一定是用户在道路上移动时其依次经过的道路沿线基站的顺序。所以，当连接基站的顺序出现与道路沿线基站顺序不一致时，可应用该操作。

我们将用户信令轨迹{S_u}转换为道路沿线基站{B_r}的最小编辑操作数定义为编辑距离，并基于下列递推公式计算{S_u}与{B_r}之间的编辑距离：

令dist(i,j)表示长度为i的道路基站序列{B_r}与长度为j的信令基站序列{S_u}之间的编辑距离，B[i]、S[j]分别表示道路基站序列序列{B_r}的第i个基站与信令基站序列{S_u}的第j个基站，那么有dist(0,i)＝i,dist(j,0)＝j,

实际操作中，首先选取{B_r}的子序列B_r(i,j)，其中i是{S_u}中的基站第一次出现在{B_r}中的位置，j是{S_u}中的基站最后一次出现在{B_r}中的位置。如果j-i<δ_s(δ_s为事先设定的阈值)，那么可以确定用户u不在该道路r上。否则，计算{S_u}与B_r(i,j)之间的编辑距离，并选取与{S_u}编辑距离最小的B_r(i,j)所对应的道路作为用户当前行驶的道路。

(4)计算路段上的信令车流量。在内存中保留指定时间区间(例如，4个小时)的信令数据，并检测每隔t分钟(这里，t设置为15分钟)移动用户是否在路上，在确定了移动用户u所行驶的高速公路后，给移动用户u在当前时间片经过的路段的信令车流量增加1，这样，便可统计出当前以路段为粒度的最新的车流量信息。

第二步：基于时空压缩感知技术的全路段车流量感知：全路段车流量感知的具体方法如下：

用一个m×n维的矩阵表示高速公路上的n个路段{r₁,r₂,r₃,...r_n}在m个时间片{t₁,t₂,t₃,...t_m}的交通流量。令X_m×n和分别代表真实的和估计的交通流量矩阵，那么交通流量检测问题就是对X_m×n进行估计，得到应使得最小化。其中，||·||_F为Frobenius范数，即

把感应线圈型车检器生成的车流量称为车检器车流量，并认为该车流量是道路上真实的车流量，那么，以车检器车流量作为输入构成了关于车流量的测量矩阵M＝(x_ij)_m×n，这里，M的第j列表示第j个路段的流量，第i行表示在第i个时间片内所有路段的流量。通常，M_m×n是稀疏矩阵，其中有一些元素是未知的。M_m×n和的关系可以表示为：其中，矩阵B_m×n为指示矩阵，其元素b_ij定义为

交通流量检测问题中的估计矩阵应该尽量接近测量矩阵。通过对测量矩阵M_m×n的低秩分析，推测估计矩阵也是低秩的，这意味着在交通流量检测问题中，应该去寻找一个低秩的估计也就是满足(1)式的

这里，rank(X)表示矩阵X的秩，由于是非凸的，因此(1)式是一个非凸优化问题，该问题的求解属于NP-hard。由于矩阵的核范数是矩阵的秩的最紧的凸包络(convex envelop)，所以，对(1)式的一个常用解决方法是使用核范数||·||*来估计矩阵的秩，也就是说，可将(1)式转换为(2)式所示的凸优化问题。特别地，如果将映射成B_m×n的操作满足约束等距性(restricted isometry property)，而且M_m×n满足低秩性，那么(1)式等价于(2)式。

其中， 是的第i大的奇异值。

为了求解满足(2)式的可以利用类似SVD分解，使得其中L＝U∑^1/2是一个m×r的矩阵，R＝V∑^1/2是一个n×r的矩阵。面对的多种分解结果，我们所需要的是找到能满足最小化Frobenius范数的L和R，即该L和R要满足(3)式。

同时，还要求满足r≥rank(X₀)，这里，X₀是(1)式的一个解。如果这样，(2)式即与(3)式等价。实际上，若L和R严格满足(3)式，可能导致求解结果不理想。其原因有两个，一是测量矩阵中的数据存在噪声，严格满足约束可能导致过拟合。二是交通流量矩阵X_m×n可能是一个近似低秩的矩阵。考虑到这些因素，可以把(3)式转换为如(4)式所示的凸优化问题。

(4)式引入了正则化参数λ，用于权衡估计矩阵与测量矩阵的相似约束和低秩约束两个目标。

由于是以车检器车流量作为输入构造的测量矩阵M_m×n，而不少路段并未安装车检器，因此M_m×n中有较多列全是未知的元素。这种情况下，求解满足(4)式得到的仍有很多的元素是未知的。

根据先验知识，不同路段上的车流量具有时空关联的特性，即X_m×n中的相近行或列的元素的值也应相近。因此，将流量矩阵的求解转换成如式(5)所示的损失函数Loss的最小化问题：

其中，λ₁用于权衡估计矩阵与测量矩阵的相似约束和低秩约束两个目标，λ₂和λ₃分别是时间约束和空间约束的权重，缺省情况下，λ₁、λ₂和λ₃设置成100、1和1。S和T分别是空间和时间的约束矩阵，表示了关于交通流量矩阵的时空结构。下面说明S和T的选择。

1)T的选择：时间约束矩阵T应该反映交通流在时间上的平滑特征，即交通流在两个相邻时间片的变化应该较小，考虑到Toeplitz(0,1,-1)矩阵能描述这样的特点，这里，Toeplitz(0,1,-1)矩阵是主对角线元素是1、主对角线上面第一个对角线的元素是-1、其它元素是0的矩阵，取该矩阵的前m-1行构成矩阵T，见式(6)。

2)S的选择：基于历史信令数据，为不同路段之间的信令车流量，构造多元线性回归(MLR)模型，然后，基于该模型生成空间约束矩阵S。

具体而言，对路段r_i，为其信令车流量和其它路段的信令车流量构造MLR模型，如式(7)所示：

式(7)右端的和是两个(n-1)×1的向量，n是路网中的总路段数。向量代表除了路段r_i的其它n-1个路段的信令车流量，向量代表了对应于路段r_i的回归系数。基于历史数据，可以用最小二乘法求解令式(8)最小化时的回归系数向量

其中W是训练数据集的总时间片数，是路段r_i在第q个时间片的车流量。

最后，设置S如式(9)所示，

其中第i行代表路段r_i的线性回归模型的参数。

这样，给定历史信令车流量，便可以构造MLR模型，获取所有的回归系数。

对路段r_i，事先无法知道哪些路段与其相关。因此，式(7)中，其流量用其它所有的n-1个路段的流量来描述。事实上，一个路段应该只和一些路段相关而不是与所有的路段相关。因此，对路段r_i，计算r_i与其他路段的Pearson相关系数(PCC)，选取PCC前K大的路段来描述r_i与其他路段流量之间的关系。也就是说，简化了(7)中的模型，只用K个回归系数，其它回归系数被设置为0。

实际操作中，以当前时间前三周的历史信令车流量训练MLR模型并构造S，并一天更新一次S。

在给出了T和S的获取方法之后，给出优化方程(5)的求解方法，具体步骤如下：

采用交替最小二乘法求解(5)中的L和R。首先随机初始化L和R，然后固定其中一个，令另一个为优化变量，求解它。交替固定L和R，求解另一个，直到L和R收敛为止，即损失函数Loss小于指定的阈值。

以固定L求R为例，将R^T和M按列划分，式(5)中的损失函数可以转化为：

这里，Diag(a)是以向量a为对角线元素形成的矩阵，tr(X)表示矩阵X的迹。将Loss对R求导并令导数为0，得：

该方程有n×r个未知数和n×r个方程，整理得到n×r个未知数的系数矩阵，通过系数矩阵的逆乘以方程组右边的常数矩阵，即可得到R。

在固定R求L时，为方便求解，损失函数可以写成如下等价的形式：

其计算方法与固定L求R的过程类似。首先将损失函数转换为：

将Loss对L求导并令导数为0，得：

该方程有m×r个未知数和m×r个方程，整理得到m×r个未知数的系数矩阵，通过系数矩阵的逆乘以方程组右边的常数矩阵，即可得到L。

基于得到的L和R，按公式(5)计算估计误差。若误差小于当前最小的估计误差，则更新当前最优解，否则重复执行迭代过程直到损失函数小于指定的阈值。最终，LR^T为要求解的最优车流量估计矩阵。在矩阵中，当前时间片那一行即为各路段当前实时的车流量。

本发明的实施例采用的是中国最大的移动通信运营商即中国移动提供的信令记录、福建省高速公路上车检器报告的车流量记录。

一条信令记录包含：用户标识(加密)，日期时间，位置区码(Location Area Code，LAC)，小区号(Cell ID)，信令类型(01语音，02短信，03数据业务，04切入小区，05切出小区，06周期性位置更新，07开关机等)。

目前，福建省有9条高速公路，总长为2,666公里。在这些高速公路上，总共部署了628个线圈传感器，分别隶属于224个车检器。

有实时信令数据接入的信令处理服务器位于移动运营商的核心机房，核心机房一般安全机密性较高，与外部网络没有连接，只能与公司内部服务器通信。信令处理服务器基于信令估计车流量，包括对信令数据进行预处理、将信令轨迹匹配到道路上、用信令数据计算出道路车流量。

基于手机信令得到的路段车流量估计结果需要与车检器报告的路段车流量数据进行统一优化处理，而车检器数据需要从外部网络获得，因此统一处理服务器位于能访问外网的IDC机房，实现基于时空压缩感知的全路段流量计算软件功能。

核心机房与IDC机房之间通过socket进行通信，核心机房中的信令处理服务器得到的信令数据初步处理结果发送给IDC机房的统一优化服务器。具体而言，信令处理服务器每处理完一个时间片(15分钟)的信令数据，得到的结果存储在一个Map对象中，该对象的key为道路名称，value为每一条路的详细信息，其中每一条路的信息存储结构中的字段见表1。然后，由信令处理服务器将路况结果对象序列化写入一个socket中，发送到IDC机房的统一优化服务器。IDC机房的统一优化服务器上的socket服务一直处于监听状态，它从socket收到数据后反序列化解析得到路况结果对象，并返回一个状态码，完成传输。

表1信令处理服务器向统一优化服务器发送的数据的格式

IDC机房可以访问外网以获取和推送数据，但是出于安全考虑，不能搭建服务供外部访问，因此需要将统一优化服务器得到的最终路况结果数据发送至外网的Web访问服务器。

道路流量结果数据可以发送至结果数据存储服务器以便存储在该服务器上和之后的查看。

统一优化服务器定期(间隔15分钟)向结果数据存储服务器发送实时的道路车流量结果数据，结果数据存储服务器收到结果数据后，将其存入本地数据库。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种挖掘时空关联关系的实时高速公路流量估计方法，其特征在于：实现步骤如下：

(1)根据移动用户手机与基站交互产生的信令数据流，计算信令车流量，所述信令车流量是指根据手机信令序列估算的高速公路车流量；

(2)以车检器获得的车流量数据作为输入，并根据第一步估算出的信令车流量得到路段车流量之间的空间约束，同时，基于Toeplitz矩阵给出路段车流量之间的时间约束，进行基于时空压缩感知技术的全路段车流量感知，得到高速公路全覆盖的实时车流量；

所述步骤(2)的具体实现如下：

(21)从车检器的设备接口获取当前时间之前t分钟的车流量，构建压缩感知车流量估计的计算途径；

(22)构造基于信令车流量的路段多元线性回归(MLR)模型，形成路段车流量的空间约束矩阵，构建基于Toeplitz矩阵的路段车流量的时间约束矩阵；

(23)基于步骤(21)获得的车流量和步骤(22)得到的时间约束矩阵和空间约束矩阵，形成车流量估计的时空压缩感知优化目标；

(24)针对步骤(23)的优化目标，用交替的最小二乘法求解全覆盖的实时车流量；

所述(21)中，构建压缩感知车流量估计的计算途径如下：

用一个m×n维的矩阵表示高速公路上的n个路段{r₁,r₂,r₃,...r_n}在m个时间片{t₁,t₂,t₃,...t_m}的交通流量，令X_m×n和分别代表真实的和估计的交通流量矩阵；

把感应线圈型车检器生成的车流量称为车检器车流量，并认为该车流量是道路上真实的车流量，以车检器车流量作为输入构成了关于车流量的测量矩阵M＝(x_ij)_m×n，M的第j列表示第j个路段的流量，第i行表示在第i个时间片内所有路段的流量，M_m×n是稀疏矩阵，其中有一些元素是未知的，M_m×n和的关系表示为：其中，矩阵B_m×n为指示矩阵，其元素b_ij定义为

对进行SVD分解，令分解结果为其中，L_m×r＝UΣ^1/2，R_n×r＝VΣ^1/2，那么，车流量估计的计算途径是求解下面给出的最小化问题：

其中，λ是正则化参数，用于权衡估计矩阵与测量矩阵的相似约束和低秩约束两个目标。

2.根据权利要求1所述的挖掘时空关联关系的实时高速公路流量估计方法，其特征在于：所述步骤(1)中，计算信令车流量包括以下步骤：

(11)对高速公路按匝道进行路段划分，并把路段作为车流量估计的最小单位，路段的方向与道路方向一致，并沿道路正方向从小到大设置路段编号，这里，道路的正方向是指桩号从小到大的方向；

(12)对信令数据进行预处理，信令处理服务器每隔一定时间，记为t分钟，称为一个时间片，从移动运营商提供的信令接口中读取该时间片内高速公路沿线发生的信令数据，所述信令数据预处理内容包括：去除未在道路上发生的信令，去除运动特征异常，包括瞬间移动的信令样本，识别并剔除乒乓切换及回路切换信令；

(13)判断用户是否正随着车辆在高速公路上移动，进而确定移动用户是在哪条高速公路上行驶；

(14)计算路段上的信令车流量，在内存中保留指定时间区间的信令数据，并每隔t分钟检测移动用户是否在路上，在确定了移动用户u所行驶的高速公路后，给移动用户u在当前时间片经过的路段的信令车流量增加1，从而统计出当前以路段为粒度的最新的车流量信息，即计算出信令车流量。

3.根据权利要求2所述的挖掘时空关联关系的实时高速公路流量估计方法，其特征在于：所述(13)中，判断用户是否正随着车辆在高速公路上移动，进而确定移动用户是在哪条高速公路上行驶的具体步骤如下：

(31)针对用户信令轨迹中的基站序列和道路沿线的基站序列，给出增加、删除、交换三种编辑操作；

(32)依据(31)的三种编辑操作，构造计算两个基站序列编辑距离的递推公式，选取与信令轨迹中的基站序列编辑距离最小的道路沿线的基站序列所对应的道路，作为用户当前行驶的道路。

4.根据权利要求1所述的挖掘时空关联关系的实时高速公路流量估计方法，其特征在于：所述(22)中，具体实现如下：

时间约束矩阵T采用了Toeplitz(0,1,-1)矩阵，Toeplitz(0,1,-1)矩阵是指主对角线元素是1、主对角线上面第一个对角线的元素是-1、其它元素是0的矩阵，取该矩阵的前m-1行构成矩阵T，即，

空间约束矩阵S按如下方式给出：对路段r_i，为其信令车流量和其它路段的信令车流量构造多元线性回归模型，如下式：

其中，右端的和是两个(n-1)×1的向量，n是路网中的总路段数，向量代表除了路段r_i的其它n-1个路段的信令车流量，向量代表了对应于路段r_i的回归系数；

设置路段车流量的空间约束矩阵如下：

5.根据权利要求1所述的挖掘时空关联关系的实时高速公路流量估计方法，其特征在于：所述(23)中，基于时间约束矩阵和空间约束矩阵，将车流量矩阵的求解转换成如下式所示的损失函数Loss的最小化问题：

其中，λ₁用于权衡估计矩阵与测量矩阵的相似约束和低秩约束两个目标，λ₂和λ₃分别是时间约束和空间约束的权重，缺省情况下，λ₁、λ₂和λ₃设置成100、1和1，S和T分别是空间约束矩阵和时间约束矩阵，表示了关于交通流量矩阵的时空结构。

6.根据权利要求1所述的挖掘时空关联关系的实时高速公路流量估计方法，其特征在于：所述(24)中，用交替的最小二乘法求解全覆盖的实时车流量的具体步骤如下：

采用交替最小二乘法求解损失函数中的L和R，首先随机初始化L和R，然后固定其中一个，令另一个为优化变量，求解它，交替固定L和R，求解另一个，直到L和R收敛为止，即损失函数Loss小于指定的阈值；

固定L求R时，首先，将R^T和M按列划分，得到损失函数为：

其中，Diag(a)是以向量a为对角线元素形成的矩阵，将损失函数对R求导并令导数为0，得：

上述方程有n×r个未知数和n×r个方程，整理得到n×r个未知数的系数矩阵，通过系数矩阵的逆乘以方程组右边的常数矩阵，即可得到R；

在固定R求L时，为方便求解，损失函数改写成如下等价的形式：

将损失函数对L求导并令导数为0，得：

该方程有m×r个未知数和m×r个方程，整理得到m×r个未知数的系数矩阵，通过系数矩阵的逆乘以方程组右边的常数矩阵，即得到L；

基于得到的L和R，按损失函数计算估计误差，若误差小于当前最小的估计误差，则更新当前最优解，否则重复执行迭代过程直到损失函数小于指定的阈值，最终，LR^T为要求解的最优车流量估计矩阵，在矩阵中，当前时间片的一行即为各路段当前实时的车流量。