CN110599768A - 一种基于电信大数据的高速公路车流估计方法 - Google Patents
一种基于电信大数据的高速公路车流估计方法 Download PDFInfo
- Publication number
- CN110599768A CN110599768A CN201910844695.4A CN201910844695A CN110599768A CN 110599768 A CN110599768 A CN 110599768A CN 201910844695 A CN201910844695 A CN 201910844695A CN 110599768 A CN110599768 A CN 110599768A
- Authority
- CN
- China
- Prior art keywords
- road
- track
- point
- user
- points
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013507 mapping Methods 0.000 claims description 20
- 230000007704 transition Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种通过电信大数据估算公路车流的方法，通过电信大数据及改进的HMM模型，完成将出行方式识别为公路和铁路的用户出行轨迹和道路的匹配工作，解决了基于稀疏的手机定位数据的轨迹道路匹配问题。
Description
技术领域
本发明属于移动数据分析领域，本发明将完成出行方式识别为公路和铁路的用户出行轨迹和道路的匹配工作，综合采用改进的HMM模型来完成轨迹道路匹配，并进一步将用户数据转换成车流量数据。
背景技术
交通出行调查是交通规划，公路、铁路、航空等建设项目可行性研究的基础性工作，主要是全面了解项目所在地区公众出行或公路交通的特性和构成，掌握交通流量流向、出行方式分担比例乃至车辆构成等资料，为交通量或吞吐能力预测提供基础数据，进而为项目建设的必要性、建设规模、技术等级、交通工程设计、经济评价、环境影响评价等后续工作提供依据。
在我国综合交通运输体系中，各种交通方式分属于不同的部门管理，对于规划设计部门来说，获取完整的交通运输统计数据较为困难，而且不同的交通运输方式数据格式和统计口径不一致，不便于聚类分析。
在公路规划和项目前期工作中，传统的公路起讫点（OD）调查采用人工路边询问、抽样调查的方式，这种方法简单易行，但需要消耗大量的人力物力财力，而且调查范围有限、调查时间有限、抽样率有限、数据处理效率不高。同时，现场调查时可能会阻断交通，影响通行效率，调查人员安全也难以完全保障，存在一定的安全隐患。
在公路运营状态管理方面，目前主要依靠管理人员上路巡查，或者远程监控发现异常，现有的管理方式难以及时发现路段拥堵、事故等异常情况，无法做到快速反应。
运营商大数据的出现，为解决上述问题提供了新思路。根据工业和信息化部统计，截至2015年7月，中国手机用户已达到12.9亿，移动互联网用户已达到9.05亿，手机已经成为寻常百姓不可或缺的日常通讯工具[1]。从移动运营商处采集的手机数据经过各种处理后可以得到手机的位置信息，智能手机本身也能向百度地图等手机软件上报自身位置信息，所以从运营商处可以得到用户大量的时间位置信息。利用手机位置数据对移动用户进行定位追踪,可从不同程度上获得用户的出行轨迹、OD信息、行程时间、行驶速度和交通方式等信息，是极具吸引力的调查手段。与传统交通出行调查技术相比，手机数据还具有覆盖范围广、分析样本大、可长期连续监测等优势，能够为交通规划和管理提供更加及时准确的基础数据和决策支持。
本项目通过处理运营商大数据，克服以下两方面的不足：一方面是受基础数据定位精度和定位频率的限制，对微观交通参数的估计准确性有待提升；另一方面现有研究大都以人流为对象，针对城际公路交通的车型划分却没有行之有效的方法；通过设计改进的HMM模型来完成轨迹道路匹配，进一步通过估计方法将手机用户转化成车辆数据。
发明内容
本发明将完成出行方式识别为公路和铁路的用户出行轨迹和道路的匹配工作，如图1所示。该部分的传统工作大多基于连续的GPS轨迹数据，在地图服务领域有非常成熟的应用，也有相应的开源工具，但是基于稀疏的手机定位数据的轨迹道路匹配问题，却还未得到很好的解决，依旧是前沿的热点研究问题。这里我们将综合采用改进的HMM模型来完成轨迹道路匹配。
道路匹配算法
我们将基于手机数据的稀疏性特点构建HMM（隐马尔科夫）模型来完成从轨迹点到最佳路段的匹配任务。隐马尔可夫模型是一种统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。
HMM的模型要素在本项目场景下的具体解释为：
1.1观测变量：对应着时刻的用户定位点，它是可观测的，；
1.2隐藏状态：对应着时刻用户实际行驶的道路，它是不可观测的、待估计的，；
1.3候选隐藏状态：用户的定位点有可能是在周边任意道路上被观测到
的，即单凭借观测点推测用户实际行驶的道路，将得到一系列候选道路，，；
1.4观测概率：对应着，即如果用户行驶于道路，那么观测到
定位点的概率即为；
1.5转移概率：对应着，即如果用户在时刻行驶于道路，
那么下一时刻其行驶于的概率为。
图2为根据本项目实施例提供的一种基于隐马尔可夫模型的道路匹配的过程示意图。
下面详细介绍本项目中HMM模型的观测概率和转移概率的建模方法：
观测概率：假设定位算法的噪声服从高斯分布，那么在道路上测量得
到定位点的概率即为：
其中表示定位点到道路的距离，距离越小，则在道路上观测到定
位点的概率越大；表示定位噪声的标准差。
转移概率：通过指数分布建模：
其中，，
表示两个时刻定位点之间的距离，表示用户在两个道路之间的路
程，则表示了两者的差值，差值越小，用户在两个道路间的转移概率则越大；为归一化
参数，可利用数据集训练得到。
具体的模型框架如下表所示：
根据上面的建模，道路匹配的问题转化为：已知HMM模型的观测变量，隐含状态数量，观测变量的观测概率以及隐含状态之间的转移概率，求隐藏状态。这个问题可以用动态规划Viterbi算法来求解，如下图所示，从左往右每一步的所有选择都保存了前续所有步骤到当前步骤当前选择的最小总代价（或者最大价值）以及当前代价的情况下前继步骤的选择。然后从后往前回溯得到最大概率的隐状态转移序列。
图3为根据本发明实施例提供的一种基于隐马尔可夫模型的道路匹配结果示意图，如
图3所示，通过动态规划Viterbi算法，即可解码出最大似然行驶路径。
完成道路匹配后，需要将定位点映射到它匹配到的路段上面，以便进行速度估计。
图4为根据本发明实施例提供的一种将定位点映射至对应路段的方法示意图，如图4所示，
在电子地图中，每一条道路被拆分为若干个路段，
对于每一个定位点，在其匹配到的道路寻找距离最近的路段，从向做垂线，交于点，该点即为在路段上的映射点；
由于定位误差的存在，完成映射后有可能出现与的位置与用户运动趋
势不符的情况，此时的与不足以被角度滤波滤除，因此需要在映射完成后直接
处理映射点与;用类似修正冗余定位点的方式，求的中点，再
将映射到得到，并用来替代与。
人车轨迹转换
完成道路匹配后，得到手机用户在高速公路上行驶的映射轨迹点，它反映的是单个用户的移动轨迹，而车辆载客数量往
往大于1，因此可以通过合并相似手机轨迹得到车辆轨迹，合并后的轨迹通常具有更密集的
映射点。具体的方法是计算两条轨迹之间的相似度，设两条映射点轨迹分别为和，。
首先，为了简化计算我们先做一些预处理，把明显不在同一辆车上的用户排除。只有满足以下条件的用户对才会进入轨迹匹配阶段。如果用户a和b的出行时间如果存在比较大的重合，则进入下一步判断，否则判断他们不搭乘同一辆汽车。判断的依据是出行时间的重合度达到80%以上，即
然后，根据轨迹之间的相似度判断。两点之间的时空距离计算公式为 表示两个映射点之间的路程长度，表示两个点之间的
时间距离；，分别是空间和时间的加权系数，一般取；然后，对
于轨迹a（相对较短的轨迹）中的每一个点在轨迹b中找到与它时空距离最短的点，求出它们
之间的距离，对所有点的距离求和得到轨迹之间的距离，两条轨迹a和b之间的距离计算公
式为对于轨迹距离小于一定阈值的轨迹认
为他们位于同一辆很可能在同一辆车辆上，将他们的轨迹合并。
本实施例提供的方法，通过合并相似手机轨迹得到车辆轨迹，得到了更密集的映射点，提升了车辆轨迹的精度，能够获取到更精确的车辆行驶速度。
附图说明：
图1：轨迹道路匹配示意图；
图2HMM模型示意图；
图3最优路段链接示意图；
图4定位点映射至对应路段的方法示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施方式中的技术方案进行清楚、完整的描述，一下实施例用于说明本发明，但不用来限制本发明的范围。。
1.我们将基于手机数据的稀疏性特点构建HMM（隐马尔科夫）模型来完成从轨迹点到最佳路段的匹配任务；
2.完成道路匹配后，得到单手机用户行驶轨迹点；
3.根据用户在行驶轨迹点，匹配到对应的路段上面；
4.通过合并相似手机轨迹得到车辆轨迹，得到了更密集的映射点；
5.根据得到的更密集的映射点，够获更精确的车辆行驶速度；
6、实施说明：在实施过程中，可以通过精准的车辆行驶速度推断出车流量饱和度；
7、实施说明：在实施过程中，可以利用此方法扩展到公交，火车和私家车判断等出行方式判断中。
显然，所秒速的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (5)
1.一种基于电信大数据的高速公路车流估计方法，其特征在于，包括以下步骤：
S1、基于手机数据的稀疏性特点构建HMM（隐马尔科夫）模型来完成从轨迹点到最佳路段的匹配任务；
S2、完成道路匹配后，得到单手机用户行驶轨迹点；
S3、根据用户在行驶轨迹点，匹配到对应的路段上面；
S4、通过合并相似手机轨迹得到车辆轨迹，得到了更密集的映射点；
S5、根据S4得到的映射点，够获更精确的车辆行驶速度。
2.根据权利要求1所述的一种基于电信大数据的高速公路车流估计方法，其特征在于：S1包括以下步骤，
S1a、据所述用户的移动轨迹，获取所述移动轨迹中每一个定位点的观测概率和转移概率，其中，所述观测概率为若所述用户
所乘坐车辆的行驶道路为，则观测到定位点的概率，所述转移概率为在时刻，若所述用户所乘坐车辆的行驶道路为，则下一时刻时刻，所述用户所乘坐车辆的行驶道路为的概率；
S1b、基于所述隐马尔可夫模型中的动态规划Viterbi算法，根据所述移动轨迹中每一
个定位点的观测概率和转移概率解码出所述用户所乘坐车
辆的行驶道路。
3.根据权利要求1所述的一种基于电信大数据的高速公路车流估计方法，其特征在于：S2包括以下步骤，
S2a、已知HMM模型的观测变量，隐含状态数量，观测变量的观测概率以及隐含状态之间的转移概率，求隐藏状态；
这个问题可以用动态规划Viterbi算法来求解，从左往右每一步的所有选择都保存了前续所有步骤到当前步骤当前选择的最小总代价（或者最大价值）以及当前代价的情况下前继步骤的选择；然后从后往前回溯得到最大概率的隐状态转移序列；
S2b、图3为根据本发明实施例提供的一种基于隐马尔可夫模型的道路匹配结果示意
图，如图3所示，通过动态规划Viterbi算法，即可解码出最大似然行驶路径。
4.根据权利要求1所述的一种基于电信大数据的高速公路车流估计方法，其特征在于：S3包括以下步骤，
S3a、在电子地图中，每一条道路被拆分为若干个路段
，对于每一个定位点，在其匹配到的道路寻找距离最近的路段，从向做垂线，交于点，该点即为在路段上的映射点；
S3b、由于定位误差的存在，完成映射后有可能出现与的位置与用户运
动趋势不符的情况，此时的与不足以被角度滤波滤除，因此需要在映射完成
后直接处理映射点与;用类似修正冗余定位点的方式，求的中
点，再将映射到得到，并用来替代与。
5.根据权利要求1所述的一种基于电信大数据的高速公路车流估计方法，其特征在于：S4包括以下步骤，
S4a、根据用户的出行时间推断高概率在同一辆车的用户，判断的依据是出行时间的重合度达到80%以上，即
S4b、根据轨迹之间的相似度判断；两点之间的时空距离计算公式为 表示两个映射点之间的路程长度，表示两个点之间
的时间距离；，分别是空间和时间的加权系数，一般取；然后，对
于轨迹a（相对较短的轨迹）中的每一个点在轨迹b中找到与它时空距离最短的点，求出它们
之间的距离，对所有点的距离求和得到轨迹之间的距离，两条轨迹a和b之间的距离计算公
式为对于轨迹距离小于一定阈值的轨迹
认为他们位于同一辆很可能在同一辆车辆上，将他们的轨迹合并。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910844695.4A CN110599768A (zh) | 2019-09-07 | 2019-09-07 | 一种基于电信大数据的高速公路车流估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910844695.4A CN110599768A (zh) | 2019-09-07 | 2019-09-07 | 一种基于电信大数据的高速公路车流估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110599768A true CN110599768A (zh) | 2019-12-20 |
Family
ID=68858237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910844695.4A Pending CN110599768A (zh) | 2019-09-07 | 2019-09-07 | 一种基于电信大数据的高速公路车流估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110599768A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700643A (zh) * | 2020-12-21 | 2021-04-23 | 北京百度网讯科技有限公司 | 输出车辆流向的方法、装置、路侧设备以及云控平台 |
| CN113990075A (zh) * | 2021-12-30 | 2022-01-28 | 广州市交通规划研究院 | 一种交通调查数据和轨迹数据融合的流量分配方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011099873A (ja) * | 2006-03-10 | 2011-05-19 | Mitsubishi Electric Corp | ナビゲーション装置 |
| CN104900059A (zh) * | 2015-05-26 | 2015-09-09 | 大连理工大学 | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 |
| CN106297296A (zh) * | 2016-10-12 | 2017-01-04 | 北京理工大学 | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 |
| CN106530716A (zh) * | 2016-12-23 | 2017-03-22 | 重庆邮电大学 | 基于手机信令数据计算高速公路路段平均速度的方法 |
| CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
| CN108171993A (zh) * | 2017-12-28 | 2018-06-15 | 重庆邮电大学 | 一种基于手机信令大数据的高速公路车辆速度计算方法 |
| CN108492564A (zh) * | 2018-04-18 | 2018-09-04 | 山东省交通规划设计院 | 基于路网匹配测量高速公路车辆行驶速度的方法及系统 |
| CN108955693A (zh) * | 2018-08-02 | 2018-12-07 | 吉林大学 | 一种路网匹配的方法及系统 |
-
2019
- 2019-09-07 CN CN201910844695.4A patent/CN110599768A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011099873A (ja) * | 2006-03-10 | 2011-05-19 | Mitsubishi Electric Corp | ナビゲーション装置 |
| CN104900059A (zh) * | 2015-05-26 | 2015-09-09 | 大连理工大学 | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 |
| CN106297296A (zh) * | 2016-10-12 | 2017-01-04 | 北京理工大学 | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 |
| CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
| CN106530716A (zh) * | 2016-12-23 | 2017-03-22 | 重庆邮电大学 | 基于手机信令数据计算高速公路路段平均速度的方法 |
| CN108171993A (zh) * | 2017-12-28 | 2018-06-15 | 重庆邮电大学 | 一种基于手机信令大数据的高速公路车辆速度计算方法 |
| CN108492564A (zh) * | 2018-04-18 | 2018-09-04 | 山东省交通规划设计院 | 基于路网匹配测量高速公路车辆行驶速度的方法及系统 |
| CN108955693A (zh) * | 2018-08-02 | 2018-12-07 | 吉林大学 | 一种路网匹配的方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700643A (zh) * | 2020-12-21 | 2021-04-23 | 北京百度网讯科技有限公司 | 输出车辆流向的方法、装置、路侧设备以及云控平台 |
| CN113990075A (zh) * | 2021-12-30 | 2022-01-28 | 广州市交通规划研究院 | 一种交通调查数据和轨迹数据融合的流量分配方法及系统 |
| CN113990075B (zh) * | 2021-12-30 | 2022-03-18 | 广州市交通规划研究院 | 一种交通调查数据和轨迹数据融合的流量分配方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110111575B (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
| CN109716414B (zh) | 一种多模态道路交通异常检测方法 | |
| CN109410586B (zh) | 一种基于多元数据融合的交通状态检测方法 | |
| CN103310651B (zh) | 一种基于实时路况信息的公交到站预测方法 | |
| Gong et al. | A GPS/GIS method for travel mode detection in New York City | |
| 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 | |
| WO2019001045A1 (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
| US9418545B2 (en) | Method and system for collecting traffic data | |
| CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
| CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
| 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 | |
| CN101989381B (zh) | 基于浮动车技术的道路单向限行与通行状态识别方法 | |
| CN105101092A (zh) | 一种基于c4．5决策树的手机用户出行方式识别方法 | |
| CN110838232A (zh) | 基于过车电警数据的单一车辆od获取方法 | |
| CN105096590B (zh) | 交通信息生成方法和交通信息生成设备 | |
| CN110969861B (zh) | 一种车辆识别方法、装置、设备及计算机存储介质 | |
| 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 | |
| CN114282033B (zh) | 一种基于gps纠偏及公路病害智能上报系统 | |
| CN110599768A (zh) | 一种基于电信大数据的高速公路车流估计方法 | |
| CN106373399A (zh) | 一种公交线路站点间运行瓶颈识别系统 | |
| CN108665084B (zh) | 一种对驾驶风险的预测方法及系统 | |
| CN113706875B (zh) | 一种道路功能研判方法 | |
| CN109754606B (zh) | 一种基于出租车定位预测道路拥堵情况的方法 | |
| Duchrow et al. | Towards electric mobility data mining | |
| CN112579915B (zh) | 一种出行链的分析方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191220 |
|
| WD01 | Invention patent application deemed withdrawn after publication |