TW202017403A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- TW202017403A TW202017403A TW107136758A TW107136758A TW202017403A TW 202017403 A TW202017403 A TW 202017403A TW 107136758 A TW107136758 A TW 107136758A TW 107136758 A TW107136758 A TW 107136758A TW 202017403 A TW202017403 A TW 202017403A
- Authority
- TW
- Taiwan
- Prior art keywords
- artificial intelligence
- signaling data
- mobile network
- network signaling
- vehicle flow
- Prior art date
Links
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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一種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,該系統包括一行動網路信令資料擷取模組、一非監督式學習模組、一特徵萃取模組與一監督式學習模組。行動網路信令資料擷取模組擷取在指定道路之預定範圍內複數行動裝置與一網路之間的行動網路信令資料;非監督式學習模組依據行動裝置之速度將行動網路信令資料分成不同族群;特徵萃取模組從不同族群中萃取出特定族群,以計算出每個單位時間之行動網路信令資料的數量作為萃取後之特徵;監督式學習模組將萃取後之特徵建立人工智慧車流推估模型,以推估出通過指定道路之複數車輛之車流資訊。
Description
本發明係關於一種車流推估技術,特別是指一種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。
近年來,對於道路交通資訊之偵測,相較於傳統固定式車輛偵測器(Vehicle Detector;VD)、採用電子道路收費(Electronic Toll Collection;ETC)系統為基礎之車輛探偵(ETC-Based Vehicle Probe;EVP)、及全球定位系統的探偵車(GPS-Based Vehicle Probe;GVP)等,以行動裝置基地台為基礎之車輛探偵(Cellular-Based Vehicle Probe;CVP)技術具有涵蓋率廣、成本低、可以不必使用車輛上之通訊裝置等特色,已成為熱門研究議題之一。
過去的研究中,CVP信令資料主要是使用在車速或旅行時間之估算,原因在於藉由部分CVP信令資料之時間差、位置差與路段長度,即可計算路段之平均車速及旅行時間。但是,若以路段上CVP信令資料之統計數量作為車
流量往往會產生不可忽略之誤差,原因在於一台車輛通常不只有一位乘客,即每台車輛所產生之CVP信令資料的數量並不一致。是以,在密集的道路中,CVP信令資料之總數遠遠高於車輛之總數,且在一般道路上車流型態為汽機車混和之車流,CVP信令資料之分布樣態會隨著不同道路之汽機車混和比例或道路周邊之型態而有顯著的不同,以致估算車流量十分不易。
因此,如何解決上述現有技術之缺點,實已成為本領域技術人員之一大課題。
本發明提供一種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,能利用行動網路信令資料推估出通過指定道路之複數車輛之車流資訊。
本發明中運用行動網路信令資料之人工智慧車流推估系統包括:一行動網路信令資料擷取模組,係擷取在一指定道路之預定範圍內,通過指定道路之複數行動裝置與至少一網路之間的複數行動網路信令資料;一非監督式學習模組,係具有人工智慧之一非監督式學習演算法,以利用非監督式學習演算法依據該些行動裝置之速度,將行動網路信令資料擷取模組所擷取之該些行動網路信令資料分成複數個不同族群;一特徵萃取模組,係從非監督式學習演算法所分成之不同族群中萃取出至少一特定族群,以計算出至少一特定族群中每個單位時間之行動網路信令資料的數量作為萃取後之特徵;以及一監督式學習模組,係具有
人工智慧之一監督式學習演算法,以利用監督式學習演算法,將由特徵萃取模組萃取後之特徵建立一人工智慧車流推估模型,進而透過人工智慧車流推估模型推估出或產生通過指定道路之複數車輛之車流資訊。
本發明中運用行動網路信令資料之人工智慧車流推估方法包括:擷取在一指定道路之預定範圍內通過指定道路之複數行動裝置與至少一網路之間的複數行動網路信令資料;利用具有人工智慧之一非監督式學習演算法依據該些行動裝置之速度,將該些行動網路信令資料分成複數個不同族群;從非監督式學習演算法所分成之該些不同族群中萃取出至少一特定族群,以計算出至少一特定族群中每個單位時間之行動網路信令資料的數量作為萃取後之特徵;以及利用具有人工智慧之一監督式學習演算法,將由特徵萃取模組萃取後之特徵建立一人工智慧車流推估模型,以透過人工智慧車流推估模型推估出或產生通過指定道路之複數車輛之車流資訊。
為讓本發明上述特徵與優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明。在以下描述內容中將部分闡述本發明之額外特徵及優點,且此等特徵及優點將部分自所述描述內容顯而易見,或可藉由對本發明之實踐習得。本發明之特徵及優點借助於在申請專利範圍中特別指出的元件及組合來認識到並達到。應理解,前文一般描述與以下詳細描述兩者均僅為例示性及解釋性的,且不欲約束本發明所主張之範圍。
1‧‧‧人工智慧車流推估系統
10‧‧‧行動網路信令資料擷取模組
20‧‧‧非監督式學習模組
21‧‧‧非監督式學習演算法
30‧‧‧特徵萃取模組
40‧‧‧監督式學習模組
41‧‧‧監督式學習演算法
50‧‧‧人工智慧車流推估模型
51‧‧‧輸入層
52‧‧‧LSTM(長短期記憶)層
53‧‧‧隱藏層
54‧‧‧輸出層
60‧‧‧車流資訊
A‧‧‧行動裝置
B‧‧‧網路
c、c1至cn‧‧‧行動網路信令資料
D1、D2‧‧‧曲線
S11至S14、S21至S25、S31至S34‧‧‧步驟
第1圖為本發明中運用行動網路信令資料之人工智慧車流推估系統的架構示意圖;第2圖為本發明中運用行動網路信令資料之人工智慧車流推估方法之流程示意圖;第3A圖為本發明中運用行動網路信令資料之人工智慧車流推估方法於訓練模式時之流程示意圖;第3B圖為本發明中人工智慧車流推估模型(如LSTM架構之類神經網路模型)之示意圖;第4圖為本發明中運用行動網路信令資料之人工智慧車流推估方法於應用模式時之流程示意圖;以及第5圖為本發明運用行動網路信令資料之人工智慧車流推估系統及方法相較於現有技術運用EVP(採用電子道路收費系統為基礎之車輛探偵)之系統及方法在推估或偵測車流量上的比較曲線圖。
以下藉由特定的具體實施形態說明本發明之實施方式,熟悉此技術之人士可由本說明書所揭示之內容輕易地了解本發明之其他優點與功效,亦可藉由其他不同的具體實施形態加以施行或應用。
本發明揭露一種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,利用非監督式學習演算法萃取行動網路信令資料之特徵,再利用監督式學習演算法訓練人工智慧車流推估模型,在獲得利用行動網路信令資料所訓練
之人工智慧車流推估模型後,即可利用所訓練之人工智慧車流推估模型來推估指定道路之車流資訊(如車流量)。
本發明提供一種運用複數行動裝置與網路之間的複數行動網路信令資料(如CVP信令資料)結合人工智慧設計出車流推估系統及方法,核心技術係先透過非監督式演算法將該些行動網路信令資料分成不同族群,並利用監督式演算法進行訓練以產生訓練後之人工智慧車流推估模型,再透過人工智慧車流推估模型推估出複數車輛之車流資訊(如車流量)。因此,相較於以往直接利用行動網路信令資料之統計數量作為車流量之作法,本發明可以改善車流資訊之準確度、以及電信業者因行動網路佔有率不足而產生車流資訊不準確之問題。
第1圖為本發明中運用行動網路信令資料c之人工智慧車流推估系統1的架構示意圖。如圖所示,人工智慧車流推估系統1包括一行動網路信令資料擷取模組10、一非監督式學習(Unsupervised Learning)模組20、一特徵萃取模組30、一監督式學習(Supervised Learning)模組40與一人工智慧車流推估模型50。
行動網路信令資料擷取模組10可擷取在一指定道路之預定範圍內,通過指定道路之複數行動裝置A與至少一網路B之間的複數行動網路信令資料e。例如,該些行動網路信令資料c包括該些行動裝置A之位置、時間與速度等資料。行動裝置A可為具有SIM(用户身份模組;Subscriber Identity Module)卡之智慧手機、智慧手錶、
平板電腦等,而行動網路信令資料c可為CVP(以行動裝置基地台為基礎之車輛探偵)信令資料。
非監督式學習模組20可具有人工智慧之一非監督式學習演算法21,以利用非監督式學習演算法21依據該些行動裝置A之速度,將行動網路信令資料擷取模組10所擷取之該些行動網路信令資料c分成複數個不同族群。
特徵萃取模組30可從非監督式學習演算法21所分成之不同族群中萃取出至少一(如三個)特定族群,以計算出至少一(如三個)特定族群中每個單位時間之行動網路信令資料c的數量作為萃取後之特徵。例如,每個時間單位可為每一分鐘、每五分鐘、每十分鐘或每十五分鐘等。
監督式學習模組40可具有人工智慧之一監督式學習演算法41,以利用監督式學習演算法41,將由特徵萃取模組30萃取後之特徵建立一人工智慧車流推估模型50。例如,監督式學習演算法41可為線性回歸(Linear Regression)演算法、支持向量機(Support Vector Machine;SVM)演算法、決策樹(Decision Tree)演算法、隨機森林(Rcndom Forecast)演算法、類神經網路等,且類神經網路可為倒傳遞神經網路(Back-Propagation Neural Network;BPNN)、遞歸神經網路(Recurrent Neural Network;RNN)、深度神經網路(Deep Neural Network;DNN)、卷積神經網路(Convolutional Neural Network;CNN)、長短期記憶(Long Short-Term Memory;LSTM)模型等。
同時,監督式學習模組40可將特徵萃取模組30萃取
後之特徵與複數車輛(圖未示)之車流量作為標籤組成一訓練集,以利用監督式學習演算法41對訓練集進行反覆訓練,從而減少該些車輛與複數人員互相混合之誤差。前述該些車輛之車流量可由外部之路側設備(如監視器)之影像辨識軟體、路側設備(如雷達)之車輛偵測器(VD)、電子標籤(e-Tag)設備之EVP(採用電子道路收費系統為基礎之車輛探偵)、或人員之路口調查等,提供初步之來源資料。
人工智慧車流推估模型50可由監督式學習模組40所產生,且特徵萃取模組30可輸入所萃取後之特徵至人工智慧車流推估模型50中,以透過人工智慧車流推估模型50推估出或產生通過指定道路之複數車輛之車流資訊60。
第2圖為本發明中運用行動網路信令資料c之人工智慧車流推估方法之流程示意圖,並請一併參閱上述第1圖。同時,本發明中運用行動網路信令資料c之人工智慧車流推估方法之主要技術內容如下,其餘技術內容如同上述第1圖之詳細說明,於此不再重覆敘述。
在第2圖之步驟S11中,由一行動網路信令資料擷取模組10擷取在一指定道路之預定範圍內,通過指定道路之複數行動裝置A與至少一網路B之間的複數行動網路信令資料c。
在第2圖之步驟S12中,利用一非監督式學習模組20中具有人工智慧之一非監督式學習演算法21,依據該些行動裝置A之速度,將行動網路信令資料擷取模組10所擷取之該些行動網路信令資料c分成複數個不同族群。
在第2圖之步驟S13中,由一特徵萃取模組30從非監督式學習演算法21所分成之不同族群中萃取出至少一特定族群,並由特徵萃取模組30計算出至少一特定族群中每個單位時間之行動網路信令資料c的數量作為萃取後之特徵。
在第2圖之步驟S14中,利用一監督式學習模組40中具有人工智慧之一監督式學習演算法41,將由特徵萃取模組30萃取後之特徵建立一人工智慧車流推估模型50,以透過人工智慧車流推估模型50推估出或產生通過指定道路之複數車輛之車流資訊。
第3A圖為本發明中運用行動網路信令資料c之人工智慧車流推估方法於「訓練模式」時之流程示意圖,第3B圖為本發明中人工智慧車流推估模型(如LSTM架構之類神經網路模型)之示意圖,亦可適用於第1圖之人工智慧車流推估系統1,茲說明如下。
在第1圖與第3A圖之步驟S21中,由行動網路信令資料擷取模組10擷取在一指定道路之預定範圍內,通過指定道路之複數行動裝置A與至少一網路B之間的複數歷史之行動網路信令資料c。例如,歷史之行動網路信令資料c包括行動裝置A之歷史的位置、時間與速度等資料,且歷史之行動網路信令資料c係指其早於即時之行動網路信令資料c。
舉例而言,由行動網路信令資料擷取模組10擷取於基隆市基金三路至基金二路,2017年12月4日至2017年12
月22日之複數行動網路信令資料c。例如,該些行動網路信令資料c包括該些行動裝置A之位置、時間與車速等資料。
在第1圖與第3A圖之步驟S22中,利用非監督式學習模組20之非監督式學習演算法21,依據該些行動裝置A之速度,將該些歷史之行動網路信令資料c產生不同族群之數量。例如,非監督式學習演算法21可為k-mecns分群演算法、階層式分群演算法、DBSCCN(density-based spatial clustering of applications with noise;具有雜訊之基於密度的空間分群)演算法等。
舉例而言,利用非監督式學習演算法21將複數行動網路信令資料c產生不同族群之數量,例如該些行動網路信令資料c分別為複數行動網路信令資料c1、c2、c3、c4、c5、...、cn,且該些行動網路信令資料c1、c2、c3、c4、c5、...、cn分別對應之車速為10、20、30、40、50、...、N公里/小時(km/hr)。假設將該些行動網路信令資料c1、c2、c3、c4、c5、...、cn先分為二個族群,則非監督式學習演算法21可隨機取二個族群之中心點,例如,二個族群之中心點為行動網路信令資料c2(車速為20公里/小時)及行動網路信令資料c5(車速為50公里/小時)。
同時,非監督式學習演算法21可計算其餘行動網路信令資料與二個族群之中心點(如行動網路信令資料c2及c5)之距離(如歐幾里得距離),且將其餘行動網路信令資料各自歸類在最近距離之族群。例如:行動網路信令資料c1
及c3分別至行動網路信令資料c2之距離皆為(每小時)10公里,行動網路信令資料c1及c3分別至行動網路信令資料c5之距離為(每小時)20及40公里,故行動網路信令資料c1、c2及c3可分為同一族群,而行動網路信令資料c4及c5可分為為另一族群。
接著,非監督式學習演算法21可重新計算新族群之中心點,並依據上述方式以新族群之中心點將全部的行動網路信令資料c1、c2、c3、c4、c5、...、cn重新分成不同族群,如此反覆執行,直到族群不再變動為止,例如最後將全部的行動網路信令資料c1、c2、c3、c4、c5、...、cn分為五個族群。
在第1圖與第3A圖之步驟S23中,由特徵萃取模組30從上述不同族群中萃取出至少一特定族群作為特徵之一(包括多數族群之數量或配對族群之數量等),以計算出至少一特定族群中每個單位時間之行動網路信令資料c的數量與時間步(time step),俾產生萃取後之特徵。例如,特徵萃取模組30所萃取之特徵包括至少一特定族群中每個單位時間之行動網路信令資料c的數量與時間步、不同族群中多數族群之數量或配對族群之數量等。
舉例而言,由特徵萃取模組30從上述五個族群中萃取出中間三個族群之數量作為特徵之一,以計算出中間三個族群中每個單位時間之行動網路信令資料c的數量與時間步,俾產生萃取後之特徵。例如,將該些行動網路信令資料c以每五分鐘計數,1日分為288個時間點以分別對應
288個時間步之行動網路信令資料c的數量,每個時間步包括族群之總數量、中間三個族群之各別數量。
在第1圖與第3A圖之步驟S24中,由外部之路側設備(如監視器)之影像辨識軟體、路側設備(如雷達)之車輛偵測器(VD)、e-Tag(電子標籤)設備之EVP(採用電子道路收費系統為基礎之車輛探偵)、或人員之路口調查等,取得歷史之時間上指定道路之預定範圍內的偵測資料作為標籤。接著,由監督式學習模組40將特徵萃取模組30萃取後之特徵與複數車輛之車流量作為標籤組成一訓練集,以利用監督式學習演算法41對訓練集進行反覆訓練,從而減少該些車輛與複數人員互相混合之誤差。
舉例而言,由e-Tag(電子標籤)設備之EVP擷取於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,每五分鐘之EVP資料作為標籤,並由監督式學習模組40將上述萃取後之特徵與標籤組成一訓練集。
在第1圖與第3A圖之步驟S25中,由監督式學習模組40建立一人工智慧車流推估模型50,並利用監督式學習演算法41以訓練集對人工智慧車流推估模型50進行訓練與校調至合理之誤差範圍,進而產生已訓練之人工智慧車流推估模型50。
舉例而言,可利用監督式學習演算法41建立一人工智慧車流推估模型50,例如人工智慧車流推估模型50可為第3B圖所示LSTM(長短期記憶)架構之類神經網路模型。同時,由特徵萃取模組30輸入特徵(如族群之總數量、中
間三個族群之各別數量)於工智慧車流推估模型50中,並依次輸入目前時間點(t)至歷史前5個時間點(t-5)之特徵資料,再利用監督式學習演算法41使用上述訓練集對人工智慧車流推估模型50進行訓練與校調,以產生訓練與校調後之人工智慧車流推估模型50。
上述第3B圖之人工智慧車流推估模型50(如LSTM架構之類神經網路模型)可包括一輸入層51、一LSTM(長短期記憶)層52、一隱藏層53與一輸出層54,其中,t表示時間步,t-5表示往前數5個時間步,x1至x4表示不同的特徵,j1至jn表示隱藏神經元,y(t)表示車流量。
第4圖為本發明中運用行動網路信令資料c之人工智慧車流推估方法於「應用模式」時之流程示意圖,亦可適用於第1圖之人工智慧車流推估系統1,茲說明如下。
在第1圖與第4圖之步驟S31中,由行動網路信令資料擷取模組10擷取在一指定道路之預定範圍內,通過指定道路之複數行動裝置A與至少一網路B之間的複數即時之行動網路信令資料c。例如,即時之行動網路信令資料c包括行動裝置A之即時的位置、時間與速度等資料。
舉例而言,由行動網路信令資料擷取模組10擷取於基隆市基金三路至基金二路,2017年12月23日8:00至24:00之複數行動網路信令資料c。例如,該些行動網路信令資料c包括該些行動裝置A之位置、時間與車速等資料。
在第1圖與第4圖之步驟S32中,利用非監督式學習模組20之非監督式學習演算法21,依據該些行動裝置A
之速度,將該些即時之行動網路信令資料c產生不同族群之數量。例如,非監督式學習演算法21可為k-mecns分群演算法、階層式分群演算法、DBSCCN(具有雜訊之基於密度的空間分群)分群演算法等。
舉例而言,利用非監督式學習模組20之非監督式學習演算法21(如K-Mecns演算法)將該些即時之行動網路信令資料c分為五個族群。
在第1圖與第4圖之步驟S33中,由特徵萃取模組30從上述不同族群中萃取出至少一特定族群作為特徵之一,以計算出至少一特定族群中每個單位時間之行動網路信令資料c的數量與時間步,俾產生萃取後之特徵。例如,特徵萃取模組30所萃取之特徵包括至少一特定族群中每個單位時間之行動網路信令資料c的數量與時間步、不同族群中多數族群之數量或配對族群之數量等。
舉例而言,由特徵萃取模組30從上述五個族群中萃取出中間三個族群之數量作為特徵之一,以計算出中間三個族群中每個單位時間之行動網路信令資料c的數量與時間步,俾產生萃取後之特徵。例如,將行動網路信令資料c以每五分鐘計數,1日可分為288個時間點以分別對應288個時間步之行動網路信令資料c的數量,每個時間步包括族群之總數量、中間三個族群之各別數量。
在第1圖與第4圖之步驟S34中,由特徵萃取模組30將萃取後之特徵輸入至已訓練之人工智慧車流推估模型50,以透過人工智慧車流推估模型50推估出或產生通過指
定道路之該些車輛之車流資訊60。
第5圖為本發明「運用行動網路信令資料之人工智慧車流推估系統及方法」相較於現有技術「運用EVP(採用電子道路收費系統為基礎之車輛探偵)之系統及方法」在推估或偵測車流量上的一數據比較曲線圖,其中,本發明為曲線D1,現有技術為曲線D2。
在現有技術運用EVP偵測車流量之系統及方法中,因需建置用以偵測e-Tag(電子標籤)之路側設備,且車輛亦需安裝e-Tag,從而產生較高的設備或硬體之建置成本。反之,在本發明運用行動網路信令資料之人工智慧車流推估系統及方法中,可無須建置用以偵測e-Tag(電子標籤)之路側設備,且車輛亦無須安裝e-Tag,從而節省或降低相關設備或硬體之建置成本。因此,本發明運用行動網路信令資料之人工智慧車流推估系統及方法不但可以取代現有技術運用EVP偵測車流量之系統及方法,且可以節省或降低相關設備或硬體之建置成本。
綜上,本發明中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可具有下列特色、優點或技術功效:
一、本發明僅需使用一般用戶之行動裝置,並利用行動網路信令資料即可推估道路車流量,可不必使用車輛上之通訊裝置,且車輛上無須安裝e-Tag(電子標籤),亦無須額外建置用以偵測e-Tag(電子標籤)之路側設備(如監視器或雷達),從而大幅減少相關設備或硬體之建置成本與時程。
二、相較於以往直接利用行動網路信令資料之統計數量作為車流量之作法,本發明運用人工智慧之技術,可以改善車流資訊之準確度、以及電信業者因行動網路之佔有率不足而產生車流資訊不準確之問題。
上述實施形態僅例示性說明本發明之原理、特點及其功效,並非用以限制本發明之可實施範疇,任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下,對上述實施形態進行修飾與改變。任何運用本發明所揭示內容而完成之等效改變及修飾,均仍應為申請專利範圍所涵蓋。因此,本發明之權利保護範圍,應如申請專利範圍所列。
1‧‧‧人工智慧車流推估系統
10‧‧‧行動網路信令資料擷取模組
20‧‧‧非監督式學習模組
21‧‧‧非監督式學習演算法
30‧‧‧特徵萃取模組
40‧‧‧監督式學習模組
41‧‧‧監督式學習演算法
50‧‧‧人工智慧車流推估模型
60‧‧‧車流資訊
A‧‧‧行動裝置
B‧‧‧網路
c‧‧‧行動網路信令資料
Claims (20)
- 一種運用行動網路信令資料之人工智慧車流推估系統,包括:一行動網路信令資料擷取模組,係擷取在一指定道路之預定範圍內,通過該指定道路之複數行動裝置與至少一網路之間的複數行動網路信令資料;一非監督式學習模組,係具有人工智慧之一非監督式學習演算法,以利用該非監督式學習演算法依據該些行動裝置之速度,將該行動網路信令資料擷取模組所擷取之該些行動網路信令資料分成複數個不同族群;一特徵萃取模組,係從該非監督式學習演算法所分成之該些不同族群中萃取出至少一特定族群,以計算出該至少一特定族群中每個單位時間之行動網路信令資料的數量作為萃取後之特徵;以及一監督式學習模組,係具有人工智慧之一監督式學習演算法,以利用該監督式學習演算法,將由該特徵萃取模組萃取後之特徵建立一人工智慧車流推估模型,進而透過該人工智慧車流推估模型推估出或產生通過該指定道路之複數車輛之車流資訊。
- 如申請專利範圍第1項所述之人工智慧車流推估系統,其中,該行動網路信令資料為CVP(以行動裝置基地台為基礎之車輛探偵)信令資料,該萃取後之特徵包括該至少一特定族群中每個單位時間之行動網路信令 資料的數量與時間步、該些不同族群中多數族群之數量或配對族群之數量。
- 如申請專利範圍第1項所述之人工智慧車流推估系統,其中,該非監督式學習演算法為k-mecns分群演算法、階層式分群演算法或DBSCCN(具有雜訊之基於密度的空間分群)演算法,該監督式學習演算法為線性回歸演算法、支持向量機(SVM)演算法、決策樹演算法、隨機森林演算法或類神經網路。
- 如申請專利範圍第1項所述之人工智慧車流推估系統,其中,該監督式學習模組更將由該特徵萃取模組萃取後之特徵與該些車輛之車流量作為標籤組成一訓練集,以利用該監督式學習演算法對該訓練集進行反覆訓練。
- 如申請專利範圍第4項所述之人工智慧車流推估系統,其中,該監督式學習演算法更以該訓練集對該人工智慧車流推估模型進行校調至合理之誤差範圍,進而產生已訓練之該人工智慧車流推估模型。
- 如申請專利範圍第1項所述之人工智慧車流推估系統,其中,在該人工智慧車流推估系統之訓練模式時,該行動網路信令資料擷取模組更擷取在該指定道路之預定範圍內,通過該指定道路之該些行動裝置與該網路之間的複數歷史之行動網路信令資料,以利用該非監督式學習演算法依據該些行動裝置之速度,將該些歷史之行動網路信令資料產生該些不同族群之數量。
- 如申請專利範圍第6項所述之人工智慧車流推估系統,其中,該特徵萃取模組更從該些不同族群中萃取出該至少一特定族群作為特徵之一,以計算出該至少一特定族群中每個單位時間之行動網路信令資料的數量與時間步,俾產生該萃取後之特徵。
- 如申請專利範圍第7項所述之人工智慧車流推估系統,其中,該監督式學習模組更將由該特徵萃取模組萃取後之特徵與該些車輛之車流量作為標籤組成一訓練集,以利用該監督式學習演算法對該訓練集進行反覆訓練,並利用該監督式學習演算法以該訓練集對該人工智慧車流推估模型進行訓練與校調至合理之誤差範圍,進而產生已訓練之該人工智慧車流推估模型。
- 如申請專利範圍第1項所述之人工智慧車流推估系統,其中,在該人工智慧車流推估系統之應用模式時,該行動網路信令資料擷取模組更擷取在該指定道路之預定範圍內,通過該指定道路之該些行動裝置與該網路之間的複數即時之行動網路信令資料,以利用該非監督式學習演算法依據該些行動裝置之速度,將該些即時之行動網路信令資料產生該些不同族群之數量。
- 如申請專利範圍第9項所述之人工智慧車流推估系統,其中,該特徵萃取模組更從該些不同族群中萃取出該至少一特定族群作為特徵之一,並計算出該至少一特定族群中每個單位時間之行動網路信令資料的數量與時間步以產生萃取後之特徵,再由該特徵萃取模 組將該萃取後之特徵輸入至已訓練之該人工智慧車流推估模型,以透過該人工智慧車流推估模型推估出或產生通過該指定道路之該些車輛之車流資訊。
- 一種運用行動網路信令資料之人工智慧車流推估方法,包括:擷取在一指定道路之預定範圍內,通過該指定道路之複數行動裝置與至少一網路之間的複數行動網路信令資料;利用具有人工智慧之一非監督式學習演算法依據該些行動裝置之速度,將該些行動網路信令資料分成複數個不同族群;從該非監督式學習演算法所分成之該些不同族群中萃取出至少一特定族群,以計算出該至少一特定族群中每個單位時間之行動網路信令資料的數量作為萃取後之特徵;以及利用具有人工智慧之一監督式學習演算法,將該萃取後之特徵建立一人工智慧車流推估模型,以透過該人工智慧車流推估模型推估出或產生通過該指定道路之複數車輛之車流資訊。
- 如申請專利範圍第11項所述之人工智慧車流推估方法,其中,該行動網路信令資料為CVP(以行動裝置基地台為基礎之車輛探偵)信令資料,該萃取後之特徵包括該至少一特定族群中每個單位時間之行動網路信令資料的數量與時間步、該些不同族群中多數族群之數 量或配對族群之數量。
- 如申請專利範圍第11項所述之人工智慧車流推估方法,其中,該非監督式學習演算法為k-mecns分群演算法、階層式分群演算法或DBSCCN(具有雜訊之基於密度的空間分群)演算法,該監督式學習演算法為線性回歸演算法、支持向量機(SVM)演算法、決策樹演算法、隨機森林演算法或類神經網路。
- 如申請專利範圍第11項所述之人工智慧車流推估方法,更包括將該萃取後之特徵與該些車輛之車流量作為標籤組成一訓練集,以利用該監督式學習演算法對該訓練集進行反覆訓練。
- 如申請專利範圍第14項所述之人工智慧車流推估方法,更包括利用該監督式學習演算法以該訓練集對該人工智慧車流推估模型進行校調至合理之誤差範圍,進而產生已訓練之該人工智慧車流推估模型。
- 如申請專利範圍第11項所述之人工智慧車流推估方法,更包括在該人工智慧車流推估方法之訓練模式時,擷取在該指定道路之預定範圍內,通過該指定道路之該些行動裝置與該網路之間的複數歷史之行動網路信令資料,以利用該非監督式學習演算法依據該些行動裝置之速度,將該些歷史之行動網路信令資料產生該些不同族群之數量。
- 如申請專利範圍第16項所述之人工智慧車流推估方法,更包括從該些不同族群中萃取出該至少一特定族 群作為特徵之一,以計算出該至少一特定族群中每個單位時間之行動網路信令資料的數量與時間步,俾產生該萃取後之特徵。
- 如申請專利範圍第17項所述之人工智慧車流推估方法,更包括將該萃取後之特徵與該些車輛之車流量作為標籤組成一訓練集,以利用該監督式學習演算法對該訓練集進行反覆訓練,並利用該監督式學習演算法以該訓練集對該人工智慧車流推估模型進行訓練與校調至合理之誤差範圍,進而產生已訓練之該人工智慧車流推估模型。
- 如申請專利範圍第11項所述之人工智慧車流推估方法,更包括在該人工智慧車流推估方法之應用模式時,擷取在該指定道路之預定範圍內,通過該指定道路之該些行動裝置與該網路之間的複數即時之行動網路信令資料,以利用該非監督式學習演算法依據該些行動裝置之速度,將該些即時之行動網路信令資料產生該些不同族群之數量。
- 如申請專利範圍第19項所述之人工智慧車流推估方法,更包括從該些不同族群中萃取出該至少一特定族群作為特徵之一,並計算出該至少一特定族群中每個單位時間之行動網路信令資料的數量與時間步以產生萃取後之特徵,再將該萃取後之特徵輸入至已訓練之該人工智慧車流推估模型,以透過該人工智慧車流推估模型推估出或產生通過該指定道路之該些車輛之車 流資訊。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
CN201811300387.7A 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
---|---|
TWI676397B TWI676397B (zh) | 2019-11-01 |
TW202017403A true TW202017403A (zh) | 2020-05-01 |
Family
ID=69188679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
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 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2816919B2 (ja) * | 1992-11-05 | 1998-10-27 | 松下電器産業株式会社 | 空間平均速度および交通量推定方法、地点交通信号制御方法、交通量推定・交通信号制御機制御装置 |
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 |
CN102496280B (zh) * | 2011-12-13 | 2014-04-23 | 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 |
TWI490453B (zh) * | 2013-10-14 | 2015-07-01 | Chunghwa Telecom Co Ltd | Method and system of traffic information estimation using action user signaling |
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 |
CN105513348B (zh) * | 2015-11-27 | 2018-04-24 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
CN105869398B (zh) * | 2016-05-10 | 2018-10-23 | 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 |
CN108322891B (zh) * | 2018-01-11 | 2020-08-28 | 江苏欣网视讯软件技术有限公司 | 基于用户手机信令的交通区域拥堵识别方法 |
-
2018
- 2018-10-18 TW TW107136758A patent/TWI676397B/zh active
- 2018-11-02 CN CN201811300387.7A patent/CN111161529B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
TWI676397B (zh) | 2019-11-01 |
CN111161529B (zh) | 2021-06-08 |
CN111161529A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Urban traffic prediction from mobility data using deep learning | |
Zhan et al. | Citywide traffic volume estimation using trajectory data | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
CN101719315B (zh) | 一种基于中间件的动态交通信息采集方法 | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
Zhang et al. | Data-driven intelligent transportation systems: A survey | |
James | Semi-supervised deep ensemble learning for travel mode identification | |
CN111462484A (zh) | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 | |
Yan et al. | SeTraStream: semantic-aware trajectory construction over streaming movement data | |
Wang et al. | Early warning of burst passenger flow in public transportation system | |
Huang et al. | A method for bus OD matrix estimation using multisource data | |
Zhang et al. | A Distributed Threshold Algorithm for Vehicle Classification Based on Binary Proximity Sensors and Intelligent Neuron Classifier. | |
CN109784254A (zh) | 一种车辆违规事件检测的方法、装置和电子设备 | |
CN109191849A (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
Singh et al. | A review of bus arrival time prediction using artificial intelligence | |
Cheng et al. | Automatic incident detection for urban expressways based on segment traffic flow density | |
Evans et al. | Evolution and future of urban road incident detection algorithms | |
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 | |
TWI676397B (zh) | 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 | |
Basalamah et al. | Deep learning framework for congestion detection at public places via learning from synthetic data | |
Hongsakham et al. | Estimating road traffic congestion from cellular handoff information using cell-based neural networks and K-means clustering | |
Yang et al. | Arterial roadway travel time distribution estimation and vehicle movement classification using a modified Gaussian Mixture Model |