CN1672437A

CN1672437A - 一种基于分析蜂窝通信测量道路交通负载的方法

Info

Publication number: CN1672437A
Application number: CNA038175630A
Authority: CN
Inventors: 尤思卡普兰; 奥佛埃威尼
Original assignee: Individual
Current assignee: Individual
Priority date: 2002-07-24
Filing date: 2003-07-09
Publication date: 2005-09-21
Also published as: KR101060808B1; AU2003237589A1; JP2005534100A; ATE527642T1; AU2003237589A8; KR20050025979A; US20050227696A1; US7783296B2; IL150894A0; EP1540970A4; EP1540970A2; WO2004010401A3; EP1540970B1; WO2004010401A2; ES2375052T3

Abstract

一种连续提取蜂窝网络覆盖区域中道路的交通负载和速度的系统和方法。该数据直接从蜂窝网络中的通信提取，而无需使用任何外部传感器。该方法能够将一辆汽车关联到其行驶的道路，并通过仅使用到达蜂窝切换的部分数据即可确定其速度。该方法包括以下阶段：学习阶段，该阶段可包括一辆配备了定位装置(比如GPS系统)的车辆通过指定区域中覆盖的道路，并采集蜂窝数据(信元转换顺序和信号强度报告)和同方向的定位数据。然后同，对积累的数据进行分析和处理，以创建参考数据库。操作阶段，其中对蜂窝网络控制信道进行不间断的监控，对针对参考数据库进行匹配，以定位其道路和速度。道路和速度数据用于创建指定区域的交通状况图，并在发生交通事件时发出报警。数据分析和数据库结构以能够实现以下内容的方法实施：在操作阶段，仅根据转换的信元ID，非常快速、高度可靠的车辆道路初始鉴定。在操作阶段，非常快速、高度可靠地对车辆道路向前和向后的跟踪。实时、高度可靠的事件检测。

Description

一种基于分析蜂窝通信测量道路交通负载的方法

技术领域

本发明一般设计交通负载监控相关，特别涉及从蜂窝电话系统中提取速度和事件数据。

背景技术

肯尼迪(Kennedy)(美国专利5.657.487)提供了使用转换(handovers)来测定某条道路上的车辆速度和车辆数量。但对于在都市地区关于数条不同路线相同转换这一极为常见的问题，肯尼迪没有提供解决方案。该发明还公开了一个代价高昂的需要射频接收器遍布覆盖区域的实施方案。

卡普兰(Kaplan)等人(WO 02/03350 A1)公开了一个低成本、完全被动的方法(监控蜂窝网络而无需发送任何讯息)以从任何蜂窝网络，在每个可能的负载阶段，通过最低的硬件部件，由此以最低的系统成本来提取交通信息。

该方法特别教授了初始差异和筛选方法，以向一条具体道路分配转换顺序。此方法在数个信元(CELL)覆盖区域内只有一条道路的情况下能够工作得很好。但是，对于现实生活中城市地区接受转换顺序，卡普兰等人没有给出一个完整的解决方案。如果一辆车数次通过同一条路线，很少会产生完全相同的转换顺序，而且，由在不同路线上产生的近似转换顺序可能是有意义的。

本发明延伸了卡普兰等人的成果，并提供了有效和准确地将转换链关联到具体的道路，并避免不确定的关联。此外，本发明提供了确定在这些链中进行转换的转换位置精确性的方法。

这两个步骤生成了一个参考数据库，该数据库作为定位车辆行驶的道路和车速的基础。

此外，本发明还公开了在操作期用参考数据库由车辆来关联蜂窝呼叫和实时提取速度数据报告的方法。

发明内容

本项发明描述了测量交通速度和行驶时间，以及基于监控和分析蜂窝通信，提供意外事件报警的方法。精确的移动单元定位是从具体位置和计时的移动通信数据中获得的。对此数据进行分析以获得车辆行驶的道路及其速度。对所有道路的数据进行不间断的采集和分析，从而获得实时交通负载和速度信息，以及实时事件报警。

附图说明

图1显示了将唯一的链簇分配给特定道路和过滤不确定链的过程(程序)。图1-A和1-B分别显示了街1和2的信元(Cell)顺序。使用以下参数：匹配4个中的3个信元，并要求在一个簇中至少有3个往返行程(Trips)，在街1和2上找到3个链簇，如图1-C所示。链簇1和3是唯一的，而簇2被不确定过滤器删除(4个中3个匹配不同的街)，因此，只有2个链簇存在于唯一的链簇列表中，如图1-D所示。

图2说明了转换的精确定义。在图2-A中，由于建筑物阻挡了信元A的射频信号，信号强度急剧衰减，出现了沿道路(信元A至B)的转换，因此，从A至B的转换将是精确的(具有高位重复性)。在图2-B中，出现沿道路(C至D)的转换，由于没有阻挡因素，因此来自C的信号缓慢衰减，转换定位错误远高于第1个转换。转换定位的精确度可从信号强度数据或用于不同行驶的转换定位分布中了解到(由图中的星号标记)。

图3显示了如何从仪包括信元ID和时间数据的操作行驶数据中提取转换位置。图3-A显示了所了解的街1信元链。图3-B显示了操作行驶数据。图3-C显示的初始链匹配可使用4个中的3个信元匹配来定位道路。一旦找到该匹配，我们就能确定找到街1.这让我们获得转换表中的转换2和转换3。然后，我们前后搜索3个中2个匹配，此搜索将转换1和4添加到如图3-D所示的转换表。由于我们知道了解的链中每个转换的位置，并且我们有来自工作链每个转换的时间，如图3-E，因此，我们就能提取该速度。

图4显示了在没有接收到其它转换数据的情况下，交通停止或变慢的事件是如何检测到的。图4-A显示了已知街2的信元链。图4-B显示了操作行驶数据。最后的转换是R到L。我们在其后的1分钟内没有接收到其它信元，也没有接收到“呼叫结束”的讯息。从图4-C我们知道，到下一个转换的最长距离是200米，因此最高速度是12KM/H(见图4-D)。当再经过一分钟而没有接收到任何新信元时，则最高速度降低至6KM/H(见图4-D)。

图5-A说明了在非高峰时间的3条道路部分(按顺序为A-B、B-C和C-D)的转换流量，此时交通速度大致为允许的车速上限。图5-B说明了在这些路段发生事件时(T1-T5)和畅通后(T6-T10)的速度。

图6-A说明了区段边缘位置精确性的影响和速度测定的部分区段覆盖范围。图6-B描述了随时间推移的速度测定。

具体实施方式

测定转换位置和沿道路的信号强度(学习)

此方法的第1个阶段是学习阶段，该阶段在系统安装之前或安装过程中作为离线流程进行。在此阶段中将创建一个数据库，数据库包括每条道路的转换(信元交换)顺序，也可包括每个转换的位置参照。这些数据可通过在每条道路上的实际行驶进行采集，并在制指定区域范围内的任何方向和任何道路上行驶的车辆中的移动单元中提取信息。

整个行驶的学习过程，可采用数种方式，方法之一如下：带测位系统的车辆(如同步GPS系统)不间断地产生精确的定位，和操作的蜂窝移动单元以任意行驶方向和所有可能的转向通过行驶在覆盖每条道路的目标区域。这些移动单元的转换信息和信号强度信息被采集并与精确位置进行匹配，从而为每个转换报告或信号强度报告获得精确的位置。

此过程可通过在此区域中驾驶数次进行重复，并且每次驾驶可使用数个移动单元。

每次这样的行驶均可为每部车辆产生一个转换报告序列(顺序)，且每份转换报告均含有精确的车辆位置。此外，每次驾驶均为每个车辆产生一信号强度报告序列。每个此类报告均包括数个信元(最多达10个)的信号强度以及精确的车辆位置。

所有这些原始数据均保存在参考数据库中。

将转换链分配到具体的道路

以下是在操作阶段中预处理记录的转换信息、为了过滤不确定信息、识别近似参数和保存分析时间的方法之一：

对转换原始数据进行处理和分析以产生一个数据库，该数据库由覆盖目标区域内道路的转换链簇组成。

转换链是一系列不间断的信元交换。除信元ID外，它还可以包括每个转换(信元交换)的GPS位置、定时和任何其它相关数据。一个链簇是一组链，这些链是根据某些类似的规则成簇的。在图1可看到转换链和链簇的例子。

当我们要创建此数据库时，我们将面临两个现象：

●当行驶数次或使用数个移动单元通过同一条道路时，在这些行驶中的转换序列并非相同的。

●当行驶经过临近的道路，特别在这些道路是平行的情况下，可能会产生类似(无需相同)的转换链。

这些现象会产生两个问题：

●以将一条道路分配给一部车辆，相同的转换序列的完全匹配的情况极少出现。

●我们可能会错误地将一个转换序列分配给错误的道路。

克服这些问题的方法之一是进行以下处理：

对所有通过同一条路段的行驶进行处理，以产生转换链簇。这些簇包括类似(无需相同)的转换链。不确定的转换链被过滤。不确定的链被定义为与不同路段相关的类似(无需相同)转换链。然后可建立一个快速索引机制，从而能够快速访问链簇数据库。

此过程的目的是创建由所有匹配特定路段的所有链组成的簇数据库。这些簇是唯一的，在原始数据中没有链的情况下，可将该数据分配给代表两不同路段的两个不同的簇。此过程在学习过程中执行一次，并在操作阶段为快速、精确和不确定的自由路径分配打下了基础。

以下是此群集和不确定过滤算法较好的实施例之一：

我们将转换链与一个链中的L信元成簇，一个簇中所有的链具有这样的特性，即它们包含了至少K，K＜＝L个信元，这些信元与一个特定链中的信元相同，并被指定为簇头。这些K信元必须按在链和簇头中相同的顺序排列。这些链中的每一个均可包含与簇头中的信元不同练的最高达(L-K)个信元，。

如果特定的道路被通过(覆盖)了M次(M为参加学习程序中针对每条道路所有行驶的每次行驶时移动单元的总数)，我们将为指定区域中的一个道路区段定义一个可接受的簇，以作为一个包含至少N个链(N＜＝M，N＞1)的簇。

图1可看到链成簇过程的例子。原始数据包括来自2个街道中4(M)次行驶的输入信号(见图1-A和图1-B)。图1-C显示了从包括至少4(N)个链的原始数据创建的簇，该簇匹配了4(L)个中的3(K)个信元。

然后，簇中所有的链均针对原始数据进行处理，本项发明的另一个实施例提供了针对其它链进行处理的初始链。如果在原始数据或在包含至少J(J＜＝L)个在处理的链中以相同顺序排列的信元的链簇中找到一个链，而且此链与不同于被处理的簇的路段相关联，则该簇被标记为不确定并从簇数据库中删除。

图1-C和1-D是显示此过滤程序的例子，而簇号2包括了来自街1和街2的链，并被删除而且未包括在唯一的链簇中。

根据道路地形和密度、信元覆盖范围等，在指定区域的不同道路将接受不同的J、K、L、M和N值。

为了能够非常快速地访问簇数据库，可实施一个快速访问机制(如散列法)。快速访问系统在学习阶段建立一次，并在以后按需要更新。

如果由此算法执行的区域分析足够小，且处理能力足够大，此模糊分析可实时处理、与操作阶段接收到的转换顺序相关联，并提供关联结果，例如下面详细介绍的“操作”阶段。

定义转换精确度

如果需要非常精确的位置和速度信息，则需要进一步的分析，以测量和定义链簇中的每个转换。

有多种方法可以采取，如：

■对相关的信元使用信号强度模型

■通过对簇中不同的链(不同的行程)测量相同信元之间转换的位置分布。

■上述两种方法任何组合。

每个转换的精确水平在簇数据库中均能够得到保持。

以下是此精确定义算法较好的实施例之一：

每个转换在提交的信元和接受的信元之间执行。我们对转换位置周围提交信元的信号强度进行跟踪。如果提交信元的强度(能力)衰减得非常快(典型为射频阻挡和反射因素)，则此转换被分配为高精确度水平。如果提交信元的强度(能力)衰减得非常慢，则此转换被分配为低精确度水平。

如果第1个选项的现象在一条道路上出现一次以上，则在不同的表象可由它们显示的之中出现的不同顺序区分出来的情况下，它仍可用于位置参照。

精确定义算法的另一个较好的实施例是对类似转换位置的分布进行评估。例如：找到在一个簇中的所有类似转换的平均值，并根据相距平均值的最大位置距离来确定这是否是一精确的转换。

图2为不同架构及其对转换位置精确度产生影响的例子。

对一个簇中所有类似转换的转换位置进行处理，以产生转换位置之间的实际距离、平均转换位置和转换精确度的指示符。所有此类数据均保存在学习数据库中。

仅用于高速公路的学习阶段

在仪检测高速公路的速度和事件，且至少在某些时候相应的子区域中只有很少的在交通量上有差异的高速公路的情况下，学习阶段可在根本没有行驶绘图程序的情况下实施。在这种情况下，系统记录重要时间段相关区域的顺序以进行统计分析。交通量信息从外部信息源(如政府报告和统计装置)馈送到该系统。然后对大量的关联序列和交通量进行分析，以在序列簇和高速公路区域之间建立起关联，并过滤其周围的小公路序列。

其它信息源可用于替代外部交通量信息，例如蜂窝大线的位置和来自在高速公路单向行驶的信息等。

在这种情况下，系统能够有效地采集到每条高速公路的所有可能的链，并将这些信息插入到学习数据库。

操作阶段-相关联的转换顺序及线路和呼叫跟踪。

在操作阶段，蜂窝系统中与呼叫相关的事件受到监控。

可从基站(BS)、基站控制器(BSC)、主切换系统(MSC)或它们之间的通信链接实施监控。

本项发明的一个较好的实施例，是通过连接到MSC附件的BSC和MSC之间的链接。在此类链接包含了至最低数量链接的连接，而且所有这些链接均在同一个物理位置的情况下，此类连接的效率极高。由于可从这些链接提取的关联信息被限制到转换及其计时，因此这是本项发明的主要突破之一，它能够从此类受限制的信息中提取交通数据。

另一个较好的实施例是仅提取转换和相关讯息的呼叫处理，这样就使要处理的信息范围达到最化小。

在此情况下，如果交通提取系统加载了过多的处理，在蜂窝系统或其部分(某些位置区域或BSC)加载以便使数据处理最小时，它能够仅提取部分呼叫，因为这些呼叫部分已足以在这部分蜂窝系统中获得精确和全面的定位、速度和交通负载检测。

这些事件可实时提取和处理，无需等待结束呼叫才处理其事件，而是在此提取后立即处理每个事件。下文将详细说明其在事件检测中具有非常重要的意义。

学习数据库用于匹配操作呼叫。此数据可驻留在硬盘或电脑的内存以获得更快的响应时间。

除其它事件外，受监控的事件包括下列事件：

■呼叫处理事件(开始、结束、呼叫等待、恢复等)

■定位相关的事件(转换、定位区域更改等)

呼叫号码和移动ID(不识别加入呼叫的移动电话，以避免违反隐私权)可连接到每个呼叫以使以下呼叫和移动在其覆盖区域进行时得以实现。

相关与事件相关的定位用于定位车辆行驶的路段以及在呼叫过程中在某些位置测定车辆的位置(和位置精确性)。

车辆最初的大致位置可使用位置区域数据或提供数据的实际链接来确定。

为了一方面用概率很高的检测来识别车辆的路段，另一方面进行快速有效的初始检测，我们可以使用诸如“Unique Chain Cluster”(唯一链簇)等装置进行初始道路识别。我们还可以使用快速访问装置来访问簇数据库。

为了获得高概率的检测，我们采用一系列在操作阶段生成的P信元，至少Q(Q＜＝P)个信元与簇数据库中的信元相匹配，而在该簇数据库中，两个链中的信元以相同顺序排列。当然，P和Q可根据道路的地形和密度、信元覆盖范围等因素更改值。

图3说明的初始检测阶段。图3-A详细说明的原始数据，图3-B显示相关的信元簇。图3-C显示了操作行驶数据，图3-D显示的4(P)中3(Q)的初始匹配。

可能无法为操作数据中的每个链均找到此匹配。如果一个呼叫的子链也未找到此匹配，则此呼叫不匹配，且无法使用，除非针对此呼叫的新信元生成至少一个可匹配的子链。

●为了获得相对于不确定的更高水平的置信度，可实施一个可选的阶段，在该阶段中，可对原始数据库进行扫描，以在另一条路段中找到与操作行驶链相匹配的链(来自P信元的Q)。如果找到类链，则放弃当前的操作链。

一旦我们获得初始匹配，我们就能以两种方式继续匹配：

■尝试在此子链之前或之后匹配转换(信元)，以为此呼叫匹配更多的信元。这是由以下寻找S中R匹配数据库中的原始数据链完成的，在此数据库中，R＜＝S，S通常小于P(由于我们能够非常确定道路，而且我们只需要在学习数据库和当前呼叫之间匹配更多的信元)。此次级匹配过程通过转至匹配链后的信元和返回给处理匹配链的信元来执行。图3-E显示了此次级匹配过程，而来自操作行驶信元S、T、J和S(见图3-C)在初始阶段检测到链BCDG的一个匹配后，使用3(S)中的2(R)匹配到原始数据中的行程3(见图3-A)。

■继续并寻找其它与当前呼叫中的子链相匹配的链。

如果在学习数据库中，作为当前呼叫一部分的一个以上的道路相匹配，则此部分呼叫将表示为不确定，且不会用于提取速度，除非其另一部分在以后的阶段被唯一匹配，然后此信息将能够返回，并重新与之前的呼叫部分进行匹配。

由于不确定性可根据一个匹配阈值进行处理，因此匹配也可以近似分值(如1至100之间)和对匹配或过滤进行分析来测量，该方法考虑了数条道路结果的近似性。

此阈值会因不同的子区域、并根据在任何设定时间可用于每条道路或子区域的数据量而有所差异。

下一个步骤可以根据匹配的路段提取来自学习数据库的转换位置，以及其实际计时和位置的精确度。此阶段在图3-F加以说明。

学习数据库和新链之间的匹配程序可在没建立簇的情况下进行，但最好将新链与学习数据库中的原始链进行比较。采用这种方式，在操作阶段所需的数据处理量更大，因此在提供交通信息时可能会造成一定的时间延迟。

遵照此程序，使覆盖区域中的许多呼叫不间断地产生每次呼叫的一段时间、路段、道路中的位置和每个呼叫的位置精确度。

值得注意的是，在此阶段中，数据没有包括任何蜂窝系统相关的信息，因此，从现在开始，蜂窝运营商将不会对使用或发播此数据产生敏感。该系统可分为2部分：第1部分执行所有需要蜂窝运营商保密数据(如转换)的程序，第2部分仅处理位置和计时数据。第2部分可使用其它信息源，如来自车辆监控系统的信息，以监控交通状况。

操作阶段-事件检测

实时事件检测对于事件管理以及交通行程安排来说是非常重要的。当一个事件发生时，车速可能大幅降低或车辆可能完全停止，来自这些车辆的转换流量可能会停止。

本项发明的一个较好的实施例是能够实时检测事件。方法之一如下：

对于每个呼叫的下一个可能的信元可从数据库中提取，并对来自之前信元的距离和此外的定时(根据车速)进行计算。一旦自上一个呼叫的转换后过了N秒，下一个转换并没有出现(呼叫仍在继续)，这意味着，车辆已慢下来或停止。对于此车辆，我们能够轻松地计算在此路段可能的最高速度。

图4为使用此方法进行事件检测的一个实例。随着时间的推移(图4-D中第1条线N＝60，图4-D中第2条线为120)以及没有接受到新的转换，最高速度下降(从12Km/H至6Km/H)。

如果这种情况同时发生在数部车辆，则这是一个在此路段中发生事件的高概率指标。由于我们能够根据相关的程序来了解有关车辆的行驶位置，因此我们能够检测到事件发生的位置。

使用转换速率以获得速度和事件状况摘要。

在本项发明的另一个实施例中，在一个路段的交通速度用以下方式提取：

1.在校验阶段，该路段上的速度用外部方式进行测量(例如：沿此路段行驶并记录速度)，类似地，对此路段的转换(信元交换)速率(转换时间密度)进行监控。所有路段的数据均保存在一个数据库中。

2.在操作阶段，对沿路段的转换速率进行监控，并通过将转换速率与在校验阶段过程中测量到的速率进行比较，从而计算出沿此路段的实际速度。

校验(Calibration)阶段也可在不进行交通速度测量的情况下进行，方法是通过记录一个路段中一段时间内的交通密度，过滤极端的测量样本，然后根据此路段通常的最大平均速度进行校正。

此方法的精确度稍低于检测速度法，但该方法的精确度足以检测发生事件时的速度变化。

此方法可用于事件检测，包括在路段中的转换速率快速下降时，在该路段中检测到事件，以及当转换流量快速增加时检测到事件排除。

图5说明了事件发生和排除的检测。在区域B-C的T2发生了事件，并造成此区域的大幅变缓，而在延迟(T3-T5)中A-B显示了下降(T3-T5)而C-D未受影响。当在T6的事件被排除时，B-C首先被排除(直至T9)，然后是A-B(直至T10)，而在C-D(在T6-T9)出现暂时的交通变缓，因为从A-B和B-C的车辆开始前行但被快速排除。

操作阶段-测量路段中的速度和行驶并处理交通事件

在此阶段中，可对每个路段的位置数据和事件的发生和排除报告进行分析，以提取速度和行驶时间、沿此路段的事件报警以及有关事件排除的通知。

有关事件排除的通知可在路段的速度快速提高或收到事件清除报告时执行。事件排除可单独通知或仅在对同一路段发出报警时通知。

此外，如果来自同一个呼叫或同一个移动单元的数据覆盖了数个路段，我们可提取沿数个路段的速度。这样做是因为，对于开始和结束位置相同的位置精确度，速度精确度更高，因为开始和结束位置之间的距离更大。

图6-A对此作了说明。如果覆盖范围1Km，路段(A-F)由子路段覆盖范围组成(呼叫1-3覆盖子路段A-C、B-E和D-F)，则误差总计为180米(80+60+40＝180)，并沿1Km产生误差+-90米(+-9％)。另一方面，如果速度根据覆盖整个路段A-F的呼叫4测量，即使有边缘高位置精确度(100米)，产生的速率精确度将为+-5％。

当确定每个路段的速度精确度时，要考虑以下几个因素：

■此路段的报告数量。

■与当前时间相关的位置报告定时(报告有多“旧”)。

■此路段中子路段的覆盖百分比和速度重叠。

■边缘位置的位置精确度。

图6-A说明了上面讨论的位置精确度问题。它包括了一个对位置精确度数字求和的简单方法。可应用其它方法，如RMS求和。它也说明了部分覆盖的情况：如果信息仅包括呼叫1和3，而子路段C-D未覆盖，则当我们将路段A-F的速度计算为已有子路段(A-C和D-F)的加权平均值时，精确度将小于覆盖整个路段的平均值。

图6-B说明了旧和新报告之间差异的重要性。如果对所有在8:40和9:00之间的报告求平均值，则结果为68Km/H，如同我们应用了简单的方法计算10分钟的平均值，则8:40-8:50、8:45-8:55和8:50-9:00的相对速度为65、67和72Km/H，我们可看到速度随时间而变化。也可用其它方法，例如：加权平均法。

使用这些参数，沿每个路段的速度可按每T秒计算(T可作为时间函数、报告数量等进行变化。在图6-B中，T为300秒或5分钟)

操作阶段仅用于高速公路

在需对高速公路实施如学习阶段相关章节描述的交通监控的情况下，学习数据库可有效包括所有可能的结果，对新结果相关程序更加方便，因为系统可使用更为简单的选项进行校验，如：K＝N和P＝Q。

操作阶段-虚拟传感器

本项发明的执行过程之一是在交通控制系统。传统上，这些系统包括连接到控制中心的公路传感器。此类系统的性能低于本项发明教授的方法，因为它的成本远高于本方法，该方法仅在传感器位置测量瞬间速度，并且在事件检测时较晚。但是，要求将本发明教授的方法作为基于传统传感器的现有系统的补充来执行。这将要求在控制中心有重大的改变以支持这一混和系统。为了使安装此混和系统所需的工作量和成本达到最小，甚至失去上述的部分优势，虚拟传感器被定义为，在沿覆盖区域中道路的数个特定位置，从蜂窝网络提取速度，并在软件中模拟控制中心和公路传感器软件这间的通信协议。

通过操作阶段的数据提高道路覆盖范围

在操作阶段过程中，系统接收到大量的转换链，并被匹配到学习数据库。可对数据库进行增强并以下列方式提供更好的覆盖范围。

在第1个阶段中，系统获得匹配到特定路段的新链，并为每个新链中匹配的转换，分配来自与它匹配的学习数据库的转换位置。

新链中未被分配位置的其余转换，现在根据以下近似值被分配位置：

◆这些未匹配的每个转换(2个匹配的转换之间)，根据该道路附近离每个匹配转换的距离被分配一个位置。此距离是以假设在2个匹配的转换之间有稳定的速度来计算的，即，距离＝(2个匹配的转换之间的距离)*(匹配的转换和未匹配的转换之间的时间)/(2个匹配的转换之间的时间)。

◆如果有1个以上的未匹配转换位于2个匹配的转换之间，则根据上述计算，分别为每个未匹配的转换进行计算。

然后，这一新匹配的链被添加到学习数据库，未匹配的转换被标记为可能不准确。

如果相同的转换在数个不同的链中被分配相同的位置，其精确程度会根据不同结果的差异进行更新。

调整学习数据库以在蜂窝系统中进行更改。

蜂窝系统会间或发生变化，学习数据库部分更不适合。本项发明的一个较好的实施例，是通过检测蜂窝系统中的变化，使重新执行学习程序的需求最小化，并使用数据操作阶段过程中采集的数据来更新学习数据库。

系统可识别学习数据库中的一个链簇或链(统计上每天匹配X次)，每天仪匹配Y次，Y＜＜X，或甚至完全没有出现。此簇或链出现在一定路段的一定位置上，并在其之前或之后有链。

在此情况下，系统能够跟踪位于上一个链之后或下一个链之前的新结果，找到一系列链，这些链以前并不常出现，或以前完全不存在，这些链的当前出现率与X非常相像。

然后，这一系列新结果被分配簇的线路，出现率大幅下降，或完全不出现。

然后，系统可尝试数个近似的参考，匹配从旧簇的转换到新簇中的转换，以用精确的位置，在新簇中分配转换。此近似算法的实例在本发明的前面部分已有描述。

一旦来自新簇的数个转换被分配了位置，则系统可使用前面章节中描述的方法，将位置分配给其余的转换。

Claims

1.一种基于蜂窝通信将车辆与其行驶的道路相关联的方法，其特征在于，它包括：

·学习相关道路的行驶转换顺序，以及每个转换的位置作为位置参照，并创建一个学习数据库；

·对来自与学习数据库相联的新行驶的新转换顺序进行分析(不包括位置参照)，以在蜂窝电话呼叫过程中的某些时间点分配道路。

2.如权利要求1所述的方法，其特征在于，学习转换顺序的方法由以下内容组成：

·在学习数据库中的转换链根据近似算法成簇，因此每个簇包含至少近似的N个链(N＜＝M，N＝＞1)，但对于不同的路段，N和M可以不同。

3.如权利要求2所述的方法，其特征在于，近似算法由以下内容组成：

·簇中的每个链至少有K(K＜＝L)个信元，显示在簇头中相同的顺序，但K和L可因不同的路段而不同。

4.如权利要求2所述的方法，其特征在于，不确定的链簇(至少有一个链与不同路段相关的链近似)被过滤。

5.如权利要求4所述的方法，其特征在于，簇有相似性，如果对于簇(第1个簇)中至少一个链，在另一个链簇(第2个簇)中发现另一个链包括至少J(J＜＝L)个显示为相同顺序的信元，此链关联到与簇不同的路段，但对于不同的路段，J和L可以“不同”，两个簇都被过滤。

6.如权利要求4所述的方法，其特征在于，簇与原始数据链有相似性，如果簇中至少有一个链，在另一个括至少J(J＜＝L)个显示为相同顺序信元的原始数据，此链关联到与簇不同的路段，但对于不同的路段，J和L可以“不同”，该链簇被过滤。

7.如权利要求1所述的方法，其特征在于，在学习阶段，转换的精确程度用以下方法之一或组合进行计算。

■使用信号强度测量来检测转换中信号强度的急剧衰减，从而确定转换的精确程度；

■对于相同道路中不同行程，测量相同信元之间的转换扩散位置，以确定转换精确程序和平均位置。

8.如权利要求1所述的方法，其特征在于，分析阶段由以下内容组成：

·通过搜索至少有K(K＜＝J)个显示为相同顺序信元的一系列J信元，在来自新行程的链中以及在来自学习数据库的链中，将来自新行程的信元链匹配到学习数据库，但对于不同的路段，J和K可能不同；

■将来自学习数据库中的链路径分配到匹配的新链。

9.如权利要求8所述的方法，其特征在于，在把来自学习数据库中的链路径分配到新匹配的链之前，过滤出那些与两个或更多与不同道路相关联的链相匹配的新链。

10.如权利要求8所述的方法，其特征在于，分析阶段包括基于初次校验的次级匹配程序。

11.如权利要求10所述的方法，其特征在于，次级匹配由我们已在初始阶段，通过以下与匹配的链前后相关联的学习数据库中的原始数据链进行检测的匹配之前和之后的匹配信元构成，并寻找M中L个(L＜＝M)信元匹配，但M通常小于J，根据不同的路段，L和M可以不同。

12.如权利要求1所述的方法，其特征在于，进行分析以检测沿该道路具体点位的车辆位置。

13.如权利要求12所述的方法，其特征在于，分析由以下内容构成：

■从与其匹配的学习数据库的所有链中，提取一个新链的所有匹配转换(信元对)信息(位置、定时、精确度)；

■根据所有从与相同路段和某些相同信元对相关联的学习数据库中提取所有的转换，来计算新链中每个转换的位置和精确度。

14.如权利要求1所述的方法，其特征在于，在车辆与其行驶的道路相关联后的分析阶段，要进行进一步的分析以检测交通事件。

15.如权利要求14所述的方法，其特征在于，如果信元尚未结束，且时间T末接收到新的转换，则D到下一个可能的信元最远转换位置的距离用于计算当前路段的最高可能速度：最高速度＜＝D/T。如果此速度低于速度阈值S，则将对此路段发出一个可能发生事件的报告。

16.如权利要求1所述的方法，其特征在于，对新行驶的分析仅基于信元ID数据进行。

17.如权利要求1所述的方法，其特征在于，分析仅基于提取来自蜂窝网络的交换和基站控制器之间通信链接的转换相关讯息进行。

18.如权利要求1所述的方法，其特征在于，分析仅基于提取来自蜂窝系统不同部分呼叫的不同百分比进行。

19.一种为某一路段提取交通速度的方法，其特征在于，它基于为该路段的转换速率(信元交换)。

20.如权利要求19所述的方法，其特征在于，交通速度提取由以下内容构成：

■校验阶段，在此阶段中，路段中的交通速度与相同时间此路段的转换速率相关联；

■转换速率是不间断测量的，并在校验阶段通过与转换速率进行比较，以提取该路段的速度。

21.一种基于一定时间点的车辆位置生成不间断交通负载图的方法，其特征在于，它由以下内容构成：

■按信元使用所有的位置和定时，以找出覆盖区域不同路段的速度；

■使用在数据个路段行驶的相同车辆的位置报告，以获取较长距离的更高精确度；

■使用位置、定时和位置精确度数据，以确定不同路段上速度的精确程序。

22.一种基于交通负载图和事件报告生成事件报警的方法，其特征在于，它由以下所有内容或内容组合构成：

■当速度低于S Km/H时，使用速度数据以生成事件报警，但对于不同的路段，S值可能不同；

■当速度低于S Km/H时，使用事件报告数据以生成事件报警，但对于不同的路段，S值可能不同。

23.一种基于交通负载图和事件排除报告生成事件排除信息的方法，其特征在于，它由以下所有内容或内容组合构成：

■在此路段发生事件和速度大幅上升时，使用速度数据以生成事件排除。

■当在一个路段上发生事件和速度大幅上升时，使用事件排除报告以生成事件排除信息。

24.如权利要求1所述的方法，其特征在于，分析阶段由以下内容组成：

·将来自新行驶的信元链匹配到报警数据库的链。

·过滤出与表现一个以上路段的报警数据库中的链相匹配的新链。

25.如权利要求23所述的方法，其特征在于，匹配程序由以下内容组成：

·搜索至少有K(K＜＝J)个显示为相同顺序信元的一系列J信元，两者均在来自新行程的链以及在来自学习数据库的链中，但对于不同的路段，J和K可能不同；

■将来自学习数据库中的链路径分配到匹配的新链。

26.如权利要求24所述的方法，其特征在于，进行分析以检测沿该道路具体点位的车辆位置。此分析由以下内容构成：

27.如权利要求26所述的方法，其特征在于，在学习阶段，转换的精确程度用以下方法之一或组合进行计算。

28.如权利要求26所述的方法，其特征在于，时间和精确程序的位置用于计算每个路段的交通速度。

29.如权利要求26所述的方法，其特征在于，时间和精确程度的位置用于计算交通事件。

30.如权利要求1所述的方法，其特征在于，要进行分析以检测交通事件，此分析由以下内容构成：

■采集每个路段转换的时间密度信息；

■在新密谋快速下降时，对可能事件的报警。

31.一种基于蜂窝通信将车辆与其行驶的道路相关联的方法，其特征在于，它包括：

·了解相关道路行驶的转换顺序并创建一个学习数据库；

·对来自与学习数据库相联的新行驶的新转换顺序进行分析(不包括道路参照)，以在蜂窝电话呼叫过程中的某些时间点分配线路。

32.如权利要求31所述的方法，其特征在于，要进行分析以检测交通事件。此分析由以下内容构成：

■采集每个路段转换的时间密度信息；

■在新密谋快速下降时，对可能事件的报警

33.如权利要求31所述的方法，其特征在于，要进行分析以检测事件排除。此分析由以下内容构成：

■采集每个路段转换的时间密度信息；

■事件发生后，新链快速增加，通知事件排除。

34.如权利要求31所述的方法，其特征在于，要进行分析以检测交通速度。此分析由以下内容构成：

■校验阶段，路段中的交通速度与同相时间此路段的转换速率相关联。

■转换速率是不间断测量的，并在校验阶段通过与转换速率进行比较，从而提取该路段的速度。

35.一种基于蜂窝通信将车辆与其行驶的道路相关联的方法，其特征在于，它包括：

·为相关区域采集转换顺序统计数据；

·为每条道路从外部资源采集交通量信息；

·根据数量对比分析将顺序分配到道路；

·对来自与学习数据库相联的新行驶的新转换顺序进行分析，以在蜂窝电话呼叫过程中的某些时间点识别线路。

36.如权利要求34所述的方法，其特征在于，地理环境简单，收集交通量信息的外部资源可成图。

37.如权利要求1所述的方法，其特征在于，该方法用于至少有2条道路的区域，至少部分区域有2个或更多信元相同。

38.如权利要求1所述的方法，其特征在于，虚拟传感器在覆盖区域道路中的某些特定位置检测速度，并模拟传统道路传感器和混利式交通控制系统中的控制中心之间的通信协议。

39.如权利要求1所述的方法，其特征在于，要进行进一步的分析，以不间断地更新学习数据库；此分析由以下内容构成：

■预估未在数据库显示的匹配顺序中的转换位置；

■将新匹配的顺序添加到学习数据库。

40.如权利要求1所述的方法，其特征在于，要作进一步的分析以检测蜂窝系统中的变化，并对学习数据库进行如下调整：

■在操作阶段过程中，对匹配速率大幅下降或完全没有匹配的链或簇进行监控；

■根据之前和之后的链，找到很少匹配或完全不没有匹配、显示在相同位置的新簇；

■比较按簇匹配的统计数量，找到新簇以替代很少匹配的簇。