一种基于WIFI信号检测的交通畅行等级预测系统

1.一种基于WIFI信号检测的交通畅行等级预测系统，在交通道路部署检测设备，所述检测设备组成多个子网络，每个子网络包含一个主机和若干个分机，所述分机基于WIFI协议通过无线被动感知模式，采集周围环境中基于WIFI信号协议的移动设备发送的广播数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索，打上分机标签后上传至主机；
所述主机将收集到的数据进行统一存储和打上时间标签，并上传至数据服务器中存储；通过对数据进行宏观车流流量、交通断面流速、聚合平均旅行时间预测，进而确定道路交通的畅行等级；其中所述宏观车流流量、交通断面流速、聚合平均旅行时间的预测包括以下步骤：
步骤1：通过分机采集完整时间段的数据D， 其中，Dij表示第j个子网
第i号分机数据，N表示子网的个数，M表示第j个子网中的分机个数；
步骤2：对数据进行切片并提取待分析路段S及完整时间段(T-Δt)的数据D′s，Dis为第s子网下编号为i的分机所采集到的数据；
步骤3：对部署的子网络与对应实际路段S进行空间匹配，得到子网络主机与对应路段的编号信息及该子网络的分机部署情况列表；
步骤4：对各分机采集的数据根据移动终端设备ID号进行排序，建立数据矩阵{Tower(i,s),t}；
步骤5：将建立的ID数据列表按出现在不同数据矩阵的次数进行分类：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析；对于在时间段Δt内，移动终端ID在子网络两个及以上分机出现的，该移动终端ID对应的数据直接作为有效数据
步骤6：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析：1、当在Δt时间内，该移动终端ID在单个分机的数据矩阵TOWER中重复出现，且多个移动终端ID出现以上情况，标识对应路段为拥堵状况，并将该类ID数据记为有效数据；2、当在Δt时间内，未发现该移动终端ID在单个分机数据矩阵TOWER中重复出现，则遍历该子网络对应路段S前后的子网络是否出现相同的ID号，如果未出现，则将该ID数据作为噪声数据处理，如果在其他子网络中出现，则标识入有效数据列表；
步骤7：重复步骤4～6直到数据处理完毕；
步骤8：针对未拥堵情形，根据以上数据筛选后，重新建立移动终端ID号关联的数据矩阵{Tower′(i,s),t}；
步骤9：根据数据矩阵{Tower′(i,s),t}中的时间t与Tower之间的关系，将数据进一步分为双向数据矩阵DL和DR，并对其进行逼近计算；
步骤10：建立宏观车流流量、交通断面流速、聚合平均旅行时间的预测神经网络：
t(T+Δt)表示T时刻后Δt时间段内第j号子网络所覆盖路段的车辆预测旅行时间；∑j为第j号子网络的该方向的移动终端有效ID的总量，m,n表示所在主机子网络中的分机编号， 表示ID-k在子网络Tower(j)中第m个分机上出现的时刻，a(k)表示权重，A(j)和B(j)表示权重调节因子；T(j)表示第j个Tower的里程时间平均值；F(·)为宏观车流流量近似拟合函数；G(·)为交通断面流速的近似拟合函数；P(·)为聚合平均旅行时间的近似拟合函数；i为子网下分机总数；
步骤11：设定路段的饱和流量为V0，该路段限速速度为v0，该路段里程为D，并设定交通畅行等级，如下式所示：
通过将V(T+Δt)，v(T+Δt)，t(T+Δt)与上式进行比较，从而确认该路段当前的畅行等级。
2.根据权利要求1所述基于WIFI信号检测的交通畅行等级预测系统，其特征在于：将步骤中的输出结果V(T+Δt)，v(T+Δt)和t(T+Δt)与线圈真实值进行比较，得到误差量式中，S为线圈真实值；
接着，设置自反馈迭代步数为C，设置迭代终止条件 根据输出的误差值
通过调节权重A(j)和B(j)的值，使得V(T+Δt)逼近算法训练样本S，同时将输出数据权重A(j)和B(j)的值作为分配方案作为下一次拟合函数中数据权重的初始值。
3.根据权利要求1所述基于WIFI信号检测的交通畅行等级预测系统，其特征在于：步骤
10中所述算法训练样本S为线圈检测器或雷达检测器得到的数据，并作为有效基准参考单元。
4.根据权利要求1所述基于WIFI信号检测的交通畅行等级预测系统，其特征在于：所述相邻分机之间距离为d，单个分机的信号覆盖半径为r，且d＞2r。

一种基于WIFI信号检测的交通畅行等级预测系统\n技术领域\n[0001] 本发明属于移动互联网技术，尤其涉及宏观交通信息监测算法的改进。\n背景技术\n[0002] 交通流数据是交通运营调度指挥系统的重要信息来源，可为指挥调度、交通流量控制和交通诱导提供决策依据。现有的交通流检测技术有多种，根据安装方式可分为接触式检测方式和非接触式检测方式。其中接触式检测技术包括压电、压力管探测和环形线圈探测。这种技术的主要缺点是，车辆对道路的碾压导致检测器的使用寿命较短，在布设检测器时，需要中断交通、破坏路面，因此安装围护较为困难，使用成本高。非接触式检测技术主要为波频探测和视频探测。波频探测分为微波、超声波和红外等三种。非接触式检测器可通过支架安装，维护方便、使用寿命长，其主要缺点是易受户外气候条件的影响，存在环境适应性不强、数据传输量大、检测准确率不高和造价较高等问题。\n[0003] 随着我国高速路网的飞速发展，高速公路交通流检测应用需求剧增。在高速路网中，交通流量信息同样非常重要，通过流量信息，高速路网管理部门能实时了解各路段的实时车辆数量信息，提供直观的路网车辆负荷量，为路网的调度和整体规划提供准确数据。\n[0004] 但是，高速路网存在一些特殊的情况，例如高速公路供电不便、信息传输困难，以及建设过程中未能提前布设各类检测器等，无法做到密集式监控和管理，需要对现有检测器进行进一步的设计和改进。\n发明内容\n[0005] 针对现有技术存在的问题，本发明提供了一种基于WIFI信号检测的交通畅行等级预测系统，本发明基于便携移动终端唯一ID、采集数据时间戳和检测设备位置信息的宏观交通信息检测算法，实现对移动终端采集数据的数据挖掘和分析，可应用于交通断面流速的检测。\n[0006] 为解决上述技术问题，本发明采用了以下技术方案：\n[0007] 一种基于WIFI信号检测的交通畅行等级预测系统，在交通道路部署检测设备，所述检测设备组成多个子网络，每个子网络包含一个主机和若干个分机，所述分机基于WIFI协议通过无线被动感知模式，采集周围环境中基于WIFI信号协议的移动设备发送的广播数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索，打上分机标签后上传至主机；所述主机将收集到的数据进行统一存储和打上时间标签，并上传至数据服务器中存储；\n通过对数据进行宏观车流流量、交通断面流速、聚合平均旅行时间预测，进而确定道路交通的畅行等级；其中所述宏观车流流量、交通断面流速、聚合平均旅行时间预测包括以下步骤：\n[0008] 步骤1：通过分机采集完整时间段的数据D， 其中，Dij表示第j个\n子网第i号分机数据，N表示子网的个数，M表示第j个子网中的分机个数；\n[0009] 步骤2：对数据进行切片并提取待分析路段S及完整时间段(T-Δt)的数据Ds'，Dis为第s子网下编号为i的分机所采集到的数据；\n[0010] 步骤3：对部署的子网络与对应实际路段S进行空间匹配，得到子网络主机与对应路段的编号信息及该子网络的分机部署情况列表；\n[0011] 步骤4：对各分机采集的数据根据移动终端设备ID号进行排序，建立数据矩阵{Tower(i,s),t}；\n[0012] 步骤5：将建立的ID数据列表按出现在不同数据矩阵的次数进行分类：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析；对于在时间段Δt内，移动终端ID在子网络两个及以上分机出现的，该移动终端ID对应的数据直接作为有效数据\n[0013] 步骤6：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析：1、当在Δt时间内，该移动终端ID在单个分机的数据矩阵TOWER中重复出现，且多个移动终端ID出现以上情况，标识对应路段为拥堵状况，并将该类ID数据记为有效数据；2、当在Δt时间内，未发现该移动终端ID在单个分机数据矩阵TOWER中重复出现，则遍历该子网络对应路段S前后的子网络是否出现相同的ID号，如果未出现，则将该ID数据作为噪声数据处理，如果在其他子网络中出现，则标识入有效数据列表；\n[0014] 步骤7：重复步骤4～6直到数据处理完毕；\n[0015] 步骤8：针对未拥堵情形，根据以上数据筛选后，重新建立移动终端ID号关联的数据矩阵{Tower′(i,s),t}；\n[0016] 步骤9：根据数据矩阵{Tower′(i,s),t}中的时间t与Tower之间的关系，将数据进一步分为双向数据矩阵DL和DR，并对其进行逼近计算；\n[0017] 步骤10：建立宏观车流流量、交通断面流速、聚合平均旅行时间的预测神经网络：\n[0018]\n[0019]\n[0020]\n[0021]\n[0022]\n[0023] t(T+Δt)表示T时刻后Δt时间段内第j号子网络所覆盖路段的车辆预测旅行时间；∑j为第j号子网络的该方向的移动终端有效ID的总量，m,n表示所在主机子网络中的分机编号， 表示ID-k在子网络Tower(j)中第m个分机上出现的时刻，a(k)表示权重，A(j)和B(j)表示权重调节因子；T(j)表示第j个Tower的里程时间平均值；F(·)为宏观车流流量近似拟合函数；G(·)为交通断面流速的近似拟合函数；P(·)为聚合平均旅行时间的近似拟合函数；i为子网下分机总数。\n[0024] 步骤11：设定路段的饱和流量为V0，该路段限速速度为v0，该路段里程为D，并设定交通畅行等级，如下式所示：\n[0025]\n[0026] 通过将V(T+Δt)，v(T+Δt)，t(T+Δt)与上式进行比较，从而确认该路段当前的畅行等级。\n[0027] 进一步的，将步骤10中的输出结果V(T+Δt)，v(T+Δt)和t(T+Δt)与线圈真实值进行比较，得到误差量\n[0028]\n[0029] 式中，S为线圈真实值；\n[0030] 接着，设置自反馈迭代步数为C，设置迭代终止条件 根据输出的误差值 通过调节权重A(j)和B(j)的值，使得V(T+Δt)逼近算法训练样本S，同时将输出数据权重A(j)和B(j)的值作为分配方案作为下一次拟合函数中数据权重的初始值。\n[0031] 进一步的，步骤10中所述算法训练样本S为线圈检测器或雷达检测器得到的数据，并作为有效基准参考单元。\n[0032] 进一步的，所述相邻分机之间距离为d，单个分机的信号覆盖半径为r，且d＞2r。\n[0033] 有益效果：本发明提供了一种基于便携移动终端唯一ID、采集数据时间戳和检测设备位置信息的宏观交通信息检测算法，实现对移动终端采集数据的数据挖掘和分析，为基于WIFI信号的交通流量检测器及检测系统提供了基于该型数据的深度挖掘和交通流量检测算法实现，填补了该型数据在交通检测方面的应用空白，促进了智慧交通领域的发展。\n附图说明\n[0034] 图1为本发明所述基于WIFI信号的交通流量检测系统的道路部署示意图。\n[0035] 图2为本发明所述基于WIFI信号检测的交通畅行等级预测系统的流程示意图。\n[0036] 图3为本发明所述基于WIFI信号检测的交通畅行等级预测系统中有效数据的降噪筛选流程示意图；\n[0037] 图4为本发明所述基于WIFI信号检测的交通畅行等级预测系统中数据近似拟合逼近真实值的过程示意图；\n[0038] 图5为本发明实施例中交通流量检测系统的部署示意图；\n[0039] 图6为本发明预测系统的输出值与线圈真实值的比较图；\n[0040] 图7为本发明预测系统的输出值与线圈真实值的比值随时间的变化曲线；\n[0041] 图8为本发明实施例中道路畅行等级示意分布图。\n具体实施方式\n[0042] 下面结合附图并以具体实施例，进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。\n[0043] 如图1所示，本发明网络中，综合参考了现时刻目标路段及邻近路段流量变化，移动终端ID单位里程旅行时间变化，输入历史数据，通过拟合函数，实现T+Δt时刻车流流速预测v(T+Δt)，并依赖于参考系S进行算法训练，反馈判断条件为v/S，可根据预测精度需要对该比值域值范围进行调节，当v/S所得值在域值范围内，表示完成数据拟合工作，形成有效断面流速预测数据。具体而言：\n[0044] 预测设备系统部署方式：如图1所示，Tower(j)表示所部署的路网中的第j个子网主机，Tower(i,j)表示第j个子网中的第i个分机。每个子网络包含一个主机和若干个分机，分机数量可根据路网条件适当增减，子网络最大覆盖范围2Km，单个分机预测范围最大半径\n250m，用户可根据实际路况条件调节单个分机预测范围，分机之间距离d设定仅需大于两倍的分机预测范围，同样可根据实际路况条件进行灵活调节。子网络部署密度可根据实际交通环境管理需求进行部署。\n[0045] 预测设备数据采集流程：单个预测设备即分机通过无线被动感知模式，即采用TI的CC3XXXX系列芯片的检测器，通过基于wifi协议采集由移动终端设备随机向四周环境发送WIFI广播式数据包，并筛选其中带有设备ID信息的数据包进行检索。打上分机标签后上传至主机，主机将收集到的数据进行统一存储和打上时间标签，并上传至数据服务器中进行存储，等待分析。如图2所示，对本发明算法原理过程进行具体说明：\n[0046] 步骤1 ：采集完整时间段 (T-Δt)的完整数据，完整数据表示为\n其中Dij表示第j个子网第i号分机数据；\n[0047] 步骤2：将数据进行切片，并提取分析路段S及时间段(T-Δt)的完整数据[0048] 步骤3：物理空间位置映射，对应所部署的子网络，将其与实际路段S进行空间匹配，每个子网络主机带有对应路段相应编号信息及分机部署情况列表；\n[0049] 步骤4：将采集数据根据其ID号进行排序，并建立数据矩阵{Tower(i,S),t}；\n[0050] 步骤5：如图3所示，将建立的ID数据列表按出现在不同的Tower中的次数进行分类，将仅在一个Tower中出现的ID单独提取出进行分析，将在两个以上Tower中出现的ID数据归为一类；\n[0051] 步骤6：对仅在一个Tower中出现的ID进行分析，将情况分为以下两种：1、在Δt时间段内，该Tower中重复出现该ID，且该种情况大量发生，具有相当数量ID出现此种情况，则表示该路段出现拥堵状况，该ID为有效数据；2、若在Δt时间段，未发现该ID在该Tower中重复出现，将该数据剔除；\n[0052] 步骤7：重复步骤4,5,6，确认无遗漏数据；\n[0053] 步骤8：针对未完全拥堵情况下，根据以上数据删选后，重新建立ID号关联的数据矩阵{Tower(i,S),t}；\n[0054] 步骤9：根据数据矩阵{Tower(i,S),t}中时间t和Tower的关系，将数据进一步分类为双向数据矩阵：DL和DR，并对其进行计算；\n[0055] 步骤10：如图4所示，建立流量、流速、旅行时间的预测神经网络，从图可知：\n[0056] ID_X表示对应Tower下的有效ID数据；\n[0057] T_X表示对应Tower条件下的每个ID的里程时间；\n[0058] Σ(j)表示ID数量求和；\n[0059] T(j)表示对应Tower下的里程时间取均值；\n[0060] A(j),B(j)为权重调节因子；\n[0061] F(·)表示近似拟合函数；\n[0062] z表示自学习下的反馈因子；\n[0063] 偏置参考系S表示有效基准参考单元，如线圈检测器数据、雷达检测器数据等，用于算法训练；v(T+Δt)表示预测未来T+Δt时刻下的Tower(j)所覆盖路段的车流流速。具体算法如下：\n[0064]\n[0065]\n[0066]\n[0067] 式中：\n[0068]\n[0069]\n[0070] v(T+Δt)表示T时刻后Δt时间段内第j号子网络所覆盖路段的车流流速；∑j为第j号子网络的该方向的移动终端有效ID的总量，m,n表示所在主机子网络中的分机编号，表示ID-k在子网络Tower(j)中第m个分机上出现的时刻，a(k)表示权重，\nA(j)和B(j)表示权重调节因子；T(j)表示第j个Tower的里程时间平均值；F(·)为宏观车流流量近似拟合函数；G(·)为交通断面流速的近似拟合函数；P(·)为聚合平均旅行时间的近似拟合函数。\n[0071] 设置误差量 设置自反馈迭代步数为C，设置迭代终止条件\n根据输出的误差值 通过调节权重A(j)和B(j)的值，使得V(T+Δt)逼近算\n法训练样本S，最终网络输出权重A(j)和B(j)的值作为分配方案。步骤10中所述算法训练样本S为线圈检测器或雷达检测器得到的数据，并作为有效基准参考单元。\n[0072] 交通畅行等级分级预测算法依托于对交通车流流量、流速以及旅行时间的预测，建立畅行等级数据矩阵{流量；流速；旅行时间}。用户可根据自身使用特点按流量饱和度、流速均值、旅行时间或者三者任意组合。由于该预测系统部署可部署密度大，计算结果相对精确，数据偏离度可控制在10％以内，故可以将交通畅行等级进行进一步细分，在现有3-4级的基础上进行扩充，从而更为精准的掌握高速交通状态，以便及时预防和管控。畅行等级分级：设某路段理论饱和流量为V，限速S，路段里程为D，理论通行时长为T。路段分级为6级，等级划分列表可建立为：\n[0073]\n畅行等级(Lv) 通过流量v 通过均速s 通过时长t\n深绿(Lv6) v<20％V s>80％S t<(D/(0.8xS))\n浅绿(Lv5) 20％V60％S t<(D/(0.6xS))\n浅黄(Lv4) 40％V(D/(0.05xV))\n[0074] 交通畅行等级预测,以简易举例说明：\n[0075] 初始化条件：\n[0076] 设置Tower(j)网络所在路段当前畅行等级L、过境流量v、过境流速s、过境时长t。\n[0077] 则，获取Tower(j-1)至Tower(j+1)段，数据。此处以j-1至j+1方向为讨论方向。\n[0078] 建立畅行等级if-else列表：\n[0079] if L(j+1)≥L(j)，Tower(j)段，过境流量v(j)在Tower(j+1)方向得不到积累；\n[0080] if L(j-1)≥L(j)，Tower(j)段，过境流量v(j)在由Tower(j-1)方向至Tower(j)得不到积累，则Tower(j)段，流量不会积累并得到释放，L(j)等级有上升趋势；\n[0081] else L(j-1)＜L(j)，Tower(j)段，过境流量v(j)在由Tower(j-1)方向至Tower(j)得到积累；\n[0082] if Tower(j+1)方向流量释放≥Tower(j-1)方向流量积累，则Tower(j)段，流量不会积累并得到释放，L(j)等级有上升趋势；\n[0083] else Tower(j+1)方向流量释放＜Tower(j-1)方向流量积累，则Tower(j)段，流量积累，L(j)等级有下降趋势；\n[0084] else L(j+1)＜L(j),Tower(j)段，过境流量v(j)在Tower(j+1)方向得到积累，L(j)等级有下降趋势。\n[0085] 以上是畅行等级预测基本原理说明，具体实现需要考虑到流入流出流量比例以及当前路段等级进行具体评估。\n[0086] 下面以北京至上海G42高速公路某路段进行试验，在道路两旁安装部署本发明交通流量检测系统。如图5在道路进行检测器部署，监听接收周围环境通过车辆上的移动设备发出的WIFI信号广播数据包。如图6可知，检测器接收的数据经过本系统算法降噪处理后与线圈采集的流量真实值进行比较，基本一致。从图7可知，本发明预测系统的流量输出值与线圈采集流量真实值的比值，随时间变化保持高度一致，仅需作常数补偿即可；以5分钟为时间单位的检测器计算速度与线圈检测速度偏差值在不做任何补偿的前提下，基本保持稳定，通过对数据的进一步挖掘和对实验的进一步优化，可以有效的控制速度偏离量，进一步提高速度计算精度。如图8所示，为本实施例中检测系统预测的道路畅行等级示意图。