CN111161529B - 运用移动网络信令数据的人工智能车流推估系统及其方法 - Google Patents
运用移动网络信令数据的人工智能车流推估系统及其方法 Download PDFInfo
- Publication number
- CN111161529B CN111161529B CN201811300387.7A CN201811300387A CN111161529B CN 111161529 B CN111161529 B CN 111161529B CN 201811300387 A CN201811300387 A CN 201811300387A CN 111161529 B CN111161529 B CN 111161529B
- Authority
- CN
- China
- Prior art keywords
- signaling data
- mobile network
- network signaling
- traffic flow
- learning algorithm
- 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.)
- Expired - Fee Related
Links
- 230000011664 signaling Effects 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 84
- 238000013473 artificial intelligence Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 241000510009 Varanus griseus Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Abstract
一种运用移动网络信令数据的人工智能车流推估系统及其方法,该系统包括一移动网络信令数据撷取模块、一非监督式学习模块、一特征提取模块与一监督式学习模块。移动网络信令数据撷取模块撷取在指定道路的预定范围内多个移动装置与一网络之间的移动网络信令数据;非监督式学习模块依据移动装置的速度将移动网络信令数据分成不同族群;特征提取模块从不同族群中提取出特定族群,以计算出每个单位时间的移动网络信令数据的数量作为提取后的特征;以及监督式学习模块将提取后的特征建立人工智能车流推估模型,以推估出通过指定道路的多个车辆的车流资讯。
Description
技术领域
本发明关于一种车流推估技术,特别是指一种运用移动网络信令数据的人工智能车流推估系统及其方法。
背景技术
近年来,对于道路交通资讯的侦测,相较于传统固定式车辆侦测器(VehicleDetector;VD)、采用电子道路收费(Electronic Toll Collection;ETC)系统为基础的车辆探侦(ETC-Based Vehicle Probe;EVP)、及全球定位系统的探侦车(GPS-Based VehicleProbe;GVP)等,以移动装置基站为基础的车辆探侦(Cellular-Based Vehicle Probe;CVP)技术具有涵盖率广、成本低、可以不必使用车辆上的通讯装置等特色,已成为热门研究议题之一。
过去的研究中,CVP信令数据主要是使用在车速或旅行时间的估算,原因在于经由部分CVP信令数据的时间差、位置差与路段长度,即可计算路段的平均车速及旅行时间。但是,若以路段上CVP信令数据的统计数量作为车流量往往会产生不可忽略的误差,原因在于一台车辆通常不只有一位乘客,即每台车辆所产生的CVP信令数据的数量并不一致。是以,在密集的道路中,CVP信令数据的总数远远高于车辆的总数,且在一般道路上车流型态为汽机车混和的车流,CVP信令数据的分布样态会随着不同道路的汽机车混和比例或道路周边的型态而有显著的不同,以致估算车流量十分不易。
因此,如何解决上述现有技术的缺点,实已成为本领域技术人员的一大课题。
发明内容
本发明提供一种运用移动网络信令数据的人工智能车流推估系统及其方法,能利用移动网络信令数据推估出通过指定道路的多个车辆的车流资讯。
本发明中运用移动网络信令数据的人工智能车流推估系统包括:一移动网络信令数据撷取模块,其撷取在一指定道路的预定范围内,通过指定道路的多个移动装置与至少一网络之间的多个移动网络信令数据;一非监督式学习模块,其具有人工智能的一非监督式学习演算法,以利用非监督式学习演算法依据该些移动装置的速度,将移动网络信令数据撷取模块所撷取的该些移动网络信令数据分成多个不同族群;一特征提取模块,其从非监督式学习演算法所分成的不同族群中提取出至少一特定族群,以计算出至少一特定族群中每个单位时间的移动网络信令数据的数量作为提取后的特征;以及一监督式学习模块,其具有人工智能的一监督式学习演算法,以利用监督式学习演算法,将由特征提取模块提取后的特征建立一人工智能车流推估模型,进而透过人工智能车流推估模型推估出或产生通过指定道路的多个车辆的车流资讯。
本发明中运用移动网络信令数据的人工智能车流推估方法包括:撷取在一指定道路的预定范围内通过指定道路的多个移动装置与至少一网络之间的多个移动网络信令数据;利用具有人工智能的一非监督式学习演算法依据该些移动装置的速度,将该些移动网络信令数据分成多个不同族群;从非监督式学习演算法所分成的该些不同族群中提取出至少一特定族群,以计算出至少一特定族群中每个单位时间的移动网络信令数据的数量作为提取后的特征;以及利用具有人工智能的一监督式学习演算法,将由特征提取模块提取后的特征建立一人工智能车流推估模型,以透过人工智能车流推估模型推估出或产生通过指定道路的多个车辆的车流资讯。
为让本发明上述特征与优点能更明显易懂,下文特举实施例,并配合所附图式作详细说明。在以下描述内容中将部分阐述本发明的额外特征及优点,且此等特征及优点将部分自所述描述内容显而易见,或可经由对本发明的实践习得。本发明的特征及优点借助于在权利要求书中特别指出的元件及组合来认识到并达到。应理解,前文一般描述与以下详细描述两者均仅为例示性及解释性的,且不欲约束本发明所主张的范围。
附图说明
图1为本发明中运用移动网络信令数据的人工智能车流推估系统的架构示意图;
图2为本发明中运用移动网络信令数据的人工智能车流推估方法的流程示意图;
图3A为本发明中运用移动网络信令数据的人工智能车流推估方法于训练模式时的流程示意图;
图3B为本发明中人工智能车流推估模型(如LSTM架构的类神经网络模型)的示意图;
图4为本发明中运用移动网络信令数据的人工智能车流推估方法于应用模式时的流程示意图;以及
图5为本发明运用移动网络信令数据的人工智能车流推估系统及方法相较于现有技术运用EVP(采用电子道路收费系统为基础的车辆探侦)的系统及方法在推估或侦测车流量上的比较曲线图。
符号说明
1 人工智能车流推估系统
10 移动网络信令数据撷取模块
20 非监督式学习模块
21 非监督式学习演算法
30 特征提取模块
40 监督式学习模块
41 监督式学习演算法
50 人工智能车流推估模型
51 输入层
52 LSTM(长短期记忆)层
53 隐藏层
54 输出层
60 车流资讯
A 移动装置
B 网络
c、c1至cn 移动网络信令数据
D1、D2 曲线
S11至S14、S21至S25、S31至S34 步骤。
具体实施方式
以下经由特定的具体实施形态说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效,也可经由其他不同的具体实施形态加以施行或应用。
本发明揭露一种运用移动网络信令数据的人工智能车流推估系统及其方法,利用非监督式学习演算法提取移动网络信令数据的特征,再利用监督式学习演算法训练人工智能车流推估模型,在获得利用移动网络信令数据所训练的人工智能车流推估模型后,即可利用所训练的人工智能车流推估模型来推估指定道路的车流资讯(如车流量)。
本发明提供一种运用多个移动装置与网络之间的多个移动网络信令数据(如CVP信令数据)结合人工智能设计出车流推估系统及方法,核心技术为先透过非监督式演算法将该些移动网络信令数据分成不同族群,并利用监督式演算法进行训练以产生训练后的人工智能车流推估模型,再透过人工智能车流推估模型推估出多个车辆的车流资讯(如车流量)。因此,相较于以往直接利用移动网络信令数据的统计数量作为车流量的作法,本发明可以改善车流资讯的准确度、以及电信业者因移动网络占有率不足而产生车流资讯不准确的问题。
图1为本发明中运用移动网络信令数据c的人工智能车流推估系统1的架构示意图。如图所示,人工智能车流推估系统1包括一移动网络信令数据撷取模块10、一非监督式学习(Unsupervised Learning)模块20、一特征提取模块30、一监督式学习(SupervisedLearning)模块40与一人工智能车流推估模型50。
移动网络信令数据撷取模块10可撷取在一指定道路的预定范围内,通过指定道路的多个移动装置A与至少一网络B之间的多个移动网络信令数据c。例如,该些移动网络信令数据c包括该些移动装置A的位置、时间与速度等数据。移动装置A可为具有SIM(用户身份模块;Subscriber Identity Module)卡的智能手机、智能手表、平板电脑等,而移动网络信令数据c可为CVP(以移动装置基站为基础的车辆探侦)信令数据。
非监督式学习模块20可具有人工智能的一非监督式学习演算法21,以利用非监督式学习演算法21依据该些移动装置A的速度,将移动网络信令数据撷取模块10所撷取的该些移动网络信令数据c分成多个不同族群。
特征提取模块30可从非监督式学习演算法21所分成的不同族群中提取出至少一(如三个)特定族群,以计算出至少一(如三个)特定族群中每个单位时间的移动网络信令数据c的数量作为提取后的特征。例如,每个时间单位可为每一分钟、每五分钟、每十分钟或每十五分钟等。
监督式学习模块40可具有人工智能的一监督式学习演算法41,以利用监督式学习演算法41,将由特征提取模块30提取后的特征建立一人工智能车流推估模型50。例如,监督式学习演算法41可为线性回归(Linear Regression)演算法、支持向量机(Support VectorMachine;SVM)演算法、决策树(Decision Tree)演算法、随机森林(Random Forecast)演算法、类神经网络等,且类神经网络可为倒传递神经网络(Back-Propagation NeuralNetwork;BPNN)、递归神经网络(Recurrent Neural Network;RNN)、深度神经网络(DeepNeural Network;DNN)、卷积神经网络(Convolutional Neural Network;CNN)、长短期记忆(Long Short-Term Memory;LSTM)模型等。
同时,监督式学习模块40可将特征提取模块30提取后的特征与多个车辆(图未示)的车流量作为标签组成一训练集,以利用监督式学习演算法41对训练集进行反复训练,从而减少该些车辆与多个人员互相混合的误差。前述该些车辆的车流量可由外部的路侧设备(如监视器)的影像辨识软件、路侧设备(如雷达)的车辆侦测器(VD)、电子标签(e-Tag)设备的EVP(采用电子道路收费系统为基础的车辆探侦)、或人员的路口调查等,提供初步的来源数据。
人工智能车流推估模型50可由监督式学习模块40所产生,且特征提取模块30可输入所提取后的特征至人工智能车流推估模型50中,以透过人工智能车流推估模型50推估出或产生通过指定道路的多个车辆的车流资讯60。
图2为本发明中运用移动网络信令数据c的人工智能车流推估方法的流程示意图,并请一并参阅上述图1。同时,本发明中运用移动网络信令数据c的人工智能车流推估方法的主要技术内容如下,其余技术内容如同上述图1的详细说明,于此不再重复叙述。
在图2的步骤S11中,由一移动网络信令数据撷取模块10撷取在一指定道路的预定范围内,通过指定道路的多个移动装置A与至少一网络B之间的多个移动网络信令数据c。
在图2的步骤S12中,利用一非监督式学习模块20中具有人工智能的一非监督式学习演算法21,依据该些移动装置A的速度,将移动网络信令数据撷取模块10所撷取的该些移动网络信令数据c分成多个不同族群。
在图2的步骤S13中,由一特征提取模块30从非监督式学习演算法21所分成的不同族群中提取出至少一特定族群,并由特征提取模块30计算出至少一特定族群中每个单位时间的移动网络信令数据c的数量作为提取后的特征。
在图2的步骤S14中,利用一监督式学习模块40中具有人工智能的一监督式学习演算法41,将由特征提取模块30提取后的特征建立一人工智能车流推估模型50,以透过人工智能车流推估模型50推估出或产生通过指定道路的多个车辆的车流资讯。
图3A为本发明中运用移动网络信令数据c的人工智能车流推估方法于“训练模式”时的流程示意图,图3B为本发明中人工智能车流推估模型(如LSTM架构的类神经网络模型)的示意图,也可适用于图1的人工智能车流推估系统1,兹说明如下。
在图1与图3A的步骤S21中,由移动网络信令数据撷取模块10撷取在一指定道路的预定范围内,通过指定道路的多个移动装置A与至少一网络B之间的多个历史的移动网络信令数据c。例如,历史的移动网络信令数据c包括移动装置A的历史的位置、时间与速度等数据,且历史的移动网络信令数据c是指其早于即时的移动网络信令数据c。
举例而言,由移动网络信令数据撷取模块10撷取于基隆市基金三路至基金二路,2017年12月4日至2017年12月22日的多个移动网络信令数据c。例如,该些移动网络信令数据c包括该些移动装置A的位置、时间与车速等数据。
在图1与图3A的步骤S22中,利用非监督式学习模块20的非监督式学习演算法21,依据该些移动装置A的速度,将该些历史的移动网络信令数据c产生不同族群的数量。例如,非监督式学习演算法21可为K-means分群演算法、阶层式分群演算法、DBSCAN(density-based spatial clustering of applications with noise;具有杂讯的基于密度的空间分群)演算法等。
举例而言,利用非监督式学习演算法21将多个移动网络信令数据c产生不同族群的数量,例如该些移动网络信令数据c分别为多个移动网络信令数据c1、c2、c3、c4、c5、…、cn,且该些移动网络信令数据c1、c2、c3、c4、c5、…、cn分别对应的车速为10、20、30、40、50、…、N公里/小时(km/hr)。假设将该些移动网络信令数据c1、c2、c3、c4、c5、…、cn先分为二个族群,则非监督式学习演算法21可随机取二个族群的中心点,例如,二个族群的中心点为移动网络信令数据c2(车速为20公里/小时)及移动网络信令数据c5(车速为50公里/小时)。
同时,非监督式学习演算法21可计算其余移动网络信令数据与二个族群的中心点(如移动网络信令数据c2及c5)的距离(如欧几里得距离),且将其余移动网络信令数据各自归类在最近距离的族群。例如:移动网络信令数据c1及c3分别至移动网络信令数据c2的距离皆为(每小时)10公里,移动网络信令数据c1及c3分别至移动网络信令数据c5的距离为(每小时)20及40公里,故移动网络信令数据c1、c2及c3可分为同一族群,而移动网络信令数据c4及c5可分为为另一族群。
接着,非监督式学习演算法21可重新计算新族群的中心点,并依据上述方式以新族群的中心点将全部的移动网络信令数据c1、c2、c3、c4、c5、…、cn重新分成不同族群,如此反复执行,直到族群不再变动为止,例如最后将全部的移动网络信令数据c1、c2、c3、c4、c5、…、cn分为五个族群。
在图1与图3A的步骤S23中,由特征提取模块30从上述不同族群中提取出至少一特定族群作为特征之一(包括多数族群的数量或配对族群的数量等),以计算出至少一特定族群中每个单位时间的移动网络信令数据c的数量与时间步(time step),从而产生提取后的特征。例如,特征提取模块30所提取的特征包括至少一特定族群中每个单位时间的移动网络信令数据c的数量与时间步、不同族群中多数族群的数量或配对族群的数量等。
举例而言,由特征提取模块30从上述五个族群中提取出中间三个族群的数量作为特征之一,以计算出中间三个族群中每个单位时间的移动网络信令数据c的数量与时间步,从而产生提取后的特征。例如,将该些移动网络信令数据c以每五分钟计数,1日分为288个时间点以分别对应288个时间步的移动网络信令数据c的数量,每个时间步包括族群之总数量、中间三个族群之各别数量。
在图1与图3A之步骤S24中,由外部之路侧设备(如监视器)之影像辨识软件、路侧设备(如雷达)之车辆侦测器(VD)、e-Tag(电子标签)设备之EVP(采用电子道路收费系统为基础之车辆探侦)、或人员之路口调查等,取得历史之时间上指定道路之预定范围内的侦测数据作为标签。接着,由监督式学习模块40将特征提取模块30提取后之特征与多个车辆之车流量作为标签组成一训练集,以利用监督式学习演算法41对训练集进行反复训练,从而减少该些车辆与多个人员互相混合之误差。
举例而言,由e-Tag(电子标签)设备的EVP撷取于基隆市基金三路至基金二路,2017年12月4日至2017年12月22日,每五分钟的EVP数据作为标签,并由监督式学习模块40将上述提取后的特征与标签组成一训练集。
在图1与图3A的步骤S25中,由监督式学习模块40建立一人工智能车流推估模型50,并利用监督式学习演算法41以训练集对人工智能车流推估模型50进行训练与校调至合理的误差范围,进而产生已训练的人工智能车流推估模型50。
举例而言,可利用监督式学习演算法41建立一人工智能车流推估模型50,例如人工智能车流推估模型50可为图3B所示LSTM(长短期记忆)架构的类神经网络模型。同时,由特征提取模块30输入特征(如族群的总数量、中间三个族群的各别数量)于工智能车流推估模型50中,并依次输入目前时间点(t)至历史前5个时间点(t-5)的特征数据,再利用监督式学习演算法41使用上述训练集对人工智能车流推估模型50进行训练与校调,以产生训练与校调后的人工智能车流推估模型50。
上述图3B的人工智能车流推估模型50(如LSTM架构的类神经网络模型)可包括一输入层51、一LSTM(长短期记忆)层52、一隐藏层53与一输出层54,其中,t表示时间步,t-5表示往前数5个时间步,x1至x4表示不同的特征,j1至jn表示隐藏神经元,y(t)表示车流量。
图4为本发明中运用移动网络信令数据c的人工智能车流推估方法于“应用模式”时的流程示意图,也可适用于图1的人工智能车流推估系统1,兹说明如下。
在图1与图4的步骤S31中,由移动网络信令数据撷取模块10撷取在一指定道路的预定范围内,通过指定道路的多个移动装置A与至少一网络B之间的多个即时的移动网络信令数据c。例如,即时的移动网络信令数据c包括移动装置A的即时的位置、时间与速度等数据。
举例而言,由移动网络信令数据撷取模块10撷取于基隆市基金三路至基金二路,2017年12月23日8:00至24:00的多个移动网络信令数据c。例如,该些移动网络信令数据c包括该些移动装置A的位置、时间与车速等数据。
在图1与图4的步骤S32中,利用非监督式学习模块20的非监督式学习演算法21,依据该些移动装置A的速度,将该些即时的移动网络信令数据c产生不同族群的数量。例如,非监督式学习演算法21可为K-means分群演算法、阶层式分群演算法、DBSCAN(具有杂讯的基于密度的空间分群)分群演算法等。
举例而言,利用非监督式学习模块20的非监督式学习演算法21(如K-means演算法)将该些即时的移动网络信令数据c分为五个族群。
在图1与图4的步骤S33中,由特征提取模块30从上述不同族群中提取出至少一特定族群作为特征之一,以计算出至少一特定族群中每个单位时间的移动网络信令数据c的数量与时间步,从而产生提取后的特征。例如,特征提取模块30所提取的特征包括至少一特定族群中每个单位时间的移动网络信令数据c的数量与时间步、不同族群中多数族群的数量或配对族群的数量等。
举例而言,由特征提取模块30从上述五个族群中提取出中间三个族群的数量作为特征之一,以计算出中间三个族群中每个单位时间的移动网络信令数据c的数量与时间步,从而产生提取后的特征。例如,将移动网络信令数据c以每五分钟计数,1日可分为288个时间点以分别对应288个时间步的移动网络信令数据c的数量,每个时间步包括族群的总数量、中间三个族群的各别数量。
在图1与图4的步骤S34中,由特征提取模块30将提取后的特征输入至已训练的人工智能车流推估模型50,以透过人工智能车流推估模型50推估出或产生通过指定道路的该些车辆的车流资讯60。
图5为本发明“运用移动网络信令数据的人工智能车流推估系统及方法”相较于现有技术“运用EVP(采用电子道路收费系统为基础的车辆探侦)的系统及方法”在推估或侦测车流量上的一数据比较曲线图,其中,本发明为曲线D1,现有技术为曲线D2。
在现有技术运用EVP侦测车流量的系统及方法中,因需建置用以侦测e-Tag(电子标签)的路侧设备,且车辆也需安装e-Tag,从而产生较高的设备或硬件的建置成本。反之,在本发明运用移动网络信令数据的人工智能车流推估系统及方法中,可无须建置用以侦测e-Tag(电子标签)的路侧设备,且车辆也无须安装e-Tag,从而节省或降低相关设备或硬件的建置成本。因此,本发明运用移动网络信令数据的人工智能车流推估系统及方法不但可以取代现有技术运用EVP侦测车流量的系统及方法,且可以节省或降低相关设备或硬件的建置成本。
综上,本发明中运用移动网络信令数据的人工智能车流推估系统及其方法可具有下列特色、优点或技术功效:
一、本发明仅需使用一般用户的移动装置,并利用移动网络信令数据即可推估道路车流量,可不必使用车辆上的通讯装置,且车辆上无须安装e-Tag(电子标签),也无须额外建置用以侦测e-Tag(电子标签)的路侧设备(如监视器或雷达),从而大幅减少相关设备或硬件的建置成本与时程。
二、相较于以往直接利用移动网络信令数据的统计数量作为车流量的作法,本发明运用人工智能的技术,可以改善车流资讯的准确度、以及电信业者因移动网络的占有率不足而产生车流资讯不准确的问题。
上述实施形态仅例示性说明本发明的原理、特点及其功效,并非用以限制本发明的可实施范畴,任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施形态进行修饰与改变。任何运用本发明所揭示内容而完成的等效改变及修饰,均仍应为权利要求书所涵盖。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (20)
1.一种运用移动网络信令数据的人工智能车流推估系统,其特征在于,包括:
一移动网络信令数据撷取模块,其撷取在一指定道路的预定范围内,通过该指定道路的多个移动装置与至少一网络之间的多个移动网络信令数据;
一非监督式学习模块,其具有人工智能的一非监督式学习演算法,以利用具有该人工智能的该非监督式学习演算法依据该些移动装置的速度将该移动网络信令数据撷取模块所撷取的该些移动网络信令数据分成多个不同族群;
一特征提取模块,其从具有该人工智能的该非监督式学习演算法依据该些移动装置的速度将该些移动网络信令数据所分成的该些不同族群中提取出至少一特定族群,以计算出该至少一特定族群中每个单位时间的移动网络信令数据的数量作为提取后的特征;以及
一监督式学习模块,其具有人工智能的一监督式学习演算法,以利用该监督式学习演算法,将由该特征提取模块提取后的特征建立一人工智能车流推估模型,进而透过该人工智能车流推估模型推估出或产生通过该指定道路的多个车辆的车流资讯。
2.根据权利要求1所述的人工智能车流推估系统,其特征在于,该移动网络信令数据为CVP(以移动装置基站为基础的车辆探侦)信令数据,该提取后的特征包括该至少一特定族群中每个单位时间的移动网络信令数据的数量与时间步、和该些不同族群中多数族群的数量或配对族群的数量。
3.根据权利要求1所述的人工智能车流推估系统,其特征在于,该非监督式学习演算法为K-means分群演算法、阶层式分群演算法或DBSCAN(具有杂讯的基于密度的空间分群)演算法,该监督式学习演算法为线性回归演算法、支持向量机(SVM)演算法、决策树演算法、随机森林演算法或类神经网络。
4.根据权利要求1所述的人工智能车流推估系统,其特征在于,该监督式学习模块更将由该特征提取模块提取后的特征与该些车辆的车流量作为标签组成一训练集,以利用该监督式学习演算法对该训练集进行反复训练。
5.根据权利要求4所述的人工智能车流推估系统,其特征在于,该监督式学习演算法更以该训练集对该人工智能车流推估模型进行校调至合理的误差范围,进而产生已训练的该人工智能车流推估模型。
6.根据权利要求1所述的人工智能车流推估系统,其特征在于,在该人工智能车流推估系统的训练模式时,该移动网络信令数据撷取模块更撷取在该指定道路的预定范围内,通过该指定道路的该些移动装置与该网络之间的多个历史的移动网络信令数据,以利用该非监督式学习演算法依据该些移动装置的速度,将该些历史的移动网络信令数据产生该些不同族群的数量。
7.根据权利要求6所述的人工智能车流推估系统,其特征在于,该特征提取模块更从该些不同族群中提取出该至少一特定族群作为特征之一,以计算出该至少一特定族群中每个单位时间的移动网络信令数据的数量与时间步,从而产生该提取后的特征。
8.根据权利要求7所述的人工智能车流推估系统,其特征在于,该监督式学习模块更将由该特征提取模块提取后的特征与该些车辆的车流量作为标签组成一训练集,以利用该监督式学习演算法对该训练集进行反复训练,并利用该监督式学习演算法以该训练集对该人工智能车流推估模型进行训练与校调至合理的误差范围,进而产生已训练的该人工智能车流推估模型。
9.根据权利要求1所述的人工智能车流推估系统,其特征在于,在该人工智能车流推估系统的应用模式时,该移动网络信令数据撷取模块更撷取在该指定道路的预定范围内,通过该指定道路的该些移动装置与该网络之间的多个即时的移动网络信令数据,以利用该非监督式学习演算法依据该些移动装置的速度,将该些即时的移动网络信令数据产生该些不同族群的数量。
10.根据权利要求9所述的人工智能车流推估系统,其特征在于,该特征提取模块更从该些不同族群中提取出该至少一特定族群作为特征之一,并计算出该至少一特定族群中每个单位时间的移动网络信令数据的数量与时间步以产生提取后的特征,再由该特征提取模块将该提取后的特征输入至已训练的该人工智能车流推估模型,以透过该人工智能车流推估模型推估出或产生通过该指定道路的该些车辆的车流资讯。
11.一种运用移动网络信令数据的人工智能车流推估方法,其特征在于,包括:
撷取在一指定道路的预定范围内,通过该指定道路的多个移动装置与至少一网络之间的多个移动网络信令数据;
利用具有人工智能的一非监督式学习演算法依据该些移动装置的速度将该些移动网络信令数据分成多个不同族群;
从具有该人工智能的该非监督式学习演算法依据该些移动装置的速度将该些移动网络信令数据所分成的该些不同族群中提取出至少一特定族群,以计算出该至少一特定族群中每个单位时间的移动网络信令数据的数量作为提取后的特征;以及
利用具有人工智能的一监督式学习演算法,将该提取后的特征建立一人工智能车流推估模型,以透过该人工智能车流推估模型推估出或产生通过该指定道路的多个车辆的车流资讯。
12.根据权利要求11所述的人工智能车流推估方法,其特征在于,该移动网络信令数据为CVP(以移动装置基站为基础的车辆探侦)信令数据,该提取后的特征包括该至少一特定族群中每个单位时间的移动网络信令数据的数量与时间步、和该些不同族群中多数族群的数量或配对族群的数量。
13.根据权利要求11所述的人工智能车流推估方法,其特征在于,该非监督式学习演算法为K-means分群演算法、阶层式分群演算法或DBSCAN(具有杂讯的基于密度的空间分群)演算法,该监督式学习演算法为线性回归演算法、支持向量机(SVM)演算法、决策树演算法、随机森林演算法或类神经网络。
14.根据权利要求11所述的人工智能车流推估方法,其特征在于,该方法还包括将该提取后的特征与该些车辆的车流量作为标签组成一训练集,以利用该监督式学习演算法对该训练集进行反复训练。
15.根据权利要求14所述的人工智能车流推估方法,其特征在于,该方法还包括利用该监督式学习演算法以该训练集对该人工智能车流推估模型进行校调至合理的误差范围,进而产生已训练的该人工智能车流推估模型。
16.根据权利要求11所述的人工智能车流推估方法,其特征在于,该方法还包括在该人工智能车流推估方法的训练模式时,撷取在该指定道路的预定范围内,通过该指定道路的该些移动装置与该网络之间的多个历史的移动网络信令数据,以利用该非监督式学习演算法依据该些移动装置的速度,将该些历史的移动网络信令数据产生该些不同族群的数量。
17.根据权利要求16所述的人工智能车流推估方法,其特征在于,该方法还包括从该些不同族群中提取出该至少一特定族群作为特征之一,以计算出该至少一特定族群中每个单位时间的移动网络信令数据的数量与时间步,从而产生该提取后的特征。
18.根据权利要求17所述的人工智能车流推估方法,其特征在于,该方法还包括将该提取后的特征与该些车辆的车流量作为标签组成一训练集,以利用该监督式学习演算法对该训练集进行反复训练,并利用该监督式学习演算法以该训练集对该人工智能车流推估模型进行训练与校调至合理的误差范围,进而产生已训练的该人工智能车流推估模型。
19.根据权利要求11所述的人工智能车流推估方法,其特征在于,该方法还包括在该人工智能车流推估方法的应用模式时,撷取在该指定道路的预定范围内,通过该指定道路的该些移动装置与该网络之间的多个即时的移动网络信令数据,以利用该非监督式学习演算法依据该些移动装置的速度,将该些即时的移动网络信令数据产生该些不同族群的数量。
20.根据权利要求19所述的人工智能车流推估方法,其特征在于,该方法还包括从该些不同族群中提取出该至少一特定族群作为特征之一,并计算出该至少一特定族群中每个单位时间的移动网络信令数据的数量与时间步以产生提取后的特征,再将该提取后的特征输入至已训练的该人工智能车流推估模型,以透过该人工智能车流推估模型推估出或产生通过该指定道路的该些车辆的车流资讯。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107136758 | 2018-10-18 | ||
TW107136758A TWI676397B (zh) | 2018-10-18 | 2018-10-18 | 運用行動網路信令資料之人工智慧車流推估系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161529A CN111161529A (zh) | 2020-05-15 |
CN111161529B true CN111161529B (zh) | 2021-06-08 |
Family
ID=69188679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811300387.7A Expired - Fee Related CN111161529B (zh) | 2018-10-18 | 2018-11-02 | 运用移动网络信令数据的人工智能车流推估系统及其方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111161529B (zh) |
TW (1) | TWI676397B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI748514B (zh) * | 2020-06-12 | 2021-12-01 | 中華電信股份有限公司 | 車流推估方法與系統 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444442A (en) * | 1992-11-05 | 1995-08-22 | Matsushita Electric Industrial Co., Ltd. | Method for predicting traffic space mean speed and traffic flow rate, and method and apparatus for controlling isolated traffic light signaling system through predicted traffic flow rate |
JP2001307287A (ja) * | 2000-04-19 | 2001-11-02 | Fuji Xerox Co Ltd | 交通量測定システム及び交通信号制御システム |
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 |
CN102521984A (zh) * | 2011-12-31 | 2012-06-27 | 北京世纪高通科技有限公司 | 获取道路实时交通信息的方法和装置 |
TW201514448A (zh) * | 2013-10-14 | 2015-04-16 | Chunghwa Telecom Co Ltd | 利用行動用戶信令之交通資訊估計方法及系統 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN105513348A (zh) * | 2015-11-27 | 2016-04-20 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
CN105869398A (zh) * | 2016-05-10 | 2016-08-17 | 浙江工业大学 | 一种基于K-means聚类的道路交通畅通度判断方法 |
CN108322891A (zh) * | 2018-01-11 | 2018-07-24 | 江苏欣网视讯软件技术有限公司 | 基于用户手机信令数据的区域拥堵识别方法 |
-
2018
- 2018-10-18 TW TW107136758A patent/TWI676397B/zh active
- 2018-11-02 CN CN201811300387.7A patent/CN111161529B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444442A (en) * | 1992-11-05 | 1995-08-22 | Matsushita Electric Industrial Co., Ltd. | Method for predicting traffic space mean speed and traffic flow rate, and method and apparatus for controlling isolated traffic light signaling system through predicted traffic flow rate |
JP2001307287A (ja) * | 2000-04-19 | 2001-11-02 | Fuji Xerox Co Ltd | 交通量測定システム及び交通信号制御システム |
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 |
CN102521984A (zh) * | 2011-12-31 | 2012-06-27 | 北京世纪高通科技有限公司 | 获取道路实时交通信息的方法和装置 |
TW201514448A (zh) * | 2013-10-14 | 2015-04-16 | Chunghwa Telecom Co Ltd | 利用行動用戶信令之交通資訊估計方法及系統 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN105513348A (zh) * | 2015-11-27 | 2016-04-20 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
CN105869398A (zh) * | 2016-05-10 | 2016-08-17 | 浙江工业大学 | 一种基于K-means聚类的道路交通畅通度判断方法 |
CN108322891A (zh) * | 2018-01-11 | 2018-07-24 | 江苏欣网视讯软件技术有限公司 | 基于用户手机信令数据的区域拥堵识别方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202017403A (zh) | 2020-05-01 |
TWI676397B (zh) | 2019-11-01 |
CN111161529A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Urban traffic prediction from mobility data using deep learning | |
Wang et al. | Travel mode detection using GPS data and socioeconomic attributes based on a random forest classifier | |
Dabiri et al. | Inferring transportation modes from GPS trajectories using a convolutional neural network | |
Hu et al. | Smartroad: Smartphone-based crowd sensing for traffic regulator detection and identification | |
CN105825242B (zh) | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 | |
CN110472870A (zh) | 一种基于人工智能的收银台服务规范检测系统 | |
Idé et al. | City-wide traffic flow estimation from a limited number of low-quality cameras | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN102044146A (zh) | 基于一票制公交ic卡数据推算上车站点的方法 | |
Li et al. | Urban arterial traffic status detection using cellular data without cellphone GPS information | |
Burkhard et al. | On the requirements on spatial accuracy and sampling rate for transport mode detection in view of a shift to passive signalling data | |
CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
Namiot et al. | A Survey of Smart Cards Data Mining. | |
CN111161529B (zh) | 运用移动网络信令数据的人工智能车流推估系统及其方法 | |
Hamedmoghadam et al. | Automated extraction of origin-destination demand for public transportation from smartcard data with pattern recognition | |
Song et al. | MultiMix: a multi-task deep learning approach for travel mode identification with few GPS data | |
Hongsakham et al. | Estimating road traffic congestion from cellular handoff information using cell-based neural networks and K-means clustering | |
CN102063726B (zh) | 一种运动目标分类方法和系统 | |
CN110428617A (zh) | 一种基于5g便携式智能终端及mec的交通对象识别方法 | |
Sadeghian et al. | A stepwise methodology for transport mode detection in GPS tracking data | |
Jiang et al. | A multi-scale attributes attention model for transport mode identification | |
Said et al. | Deep-Gap: A deep learning framework for forecasting crowdsourcing supply-demand gap based on imaging time series and residual learning | |
Alam et al. | Feature cloning and feature Fusion Based Transportation Mode Detection using convolutional neural network | |
CN117077846A (zh) | 客流量预测方法、设备、存储介质及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210608 |