一种基于移动智能终端的实时交通路况采集方法

1.一种基于移动智能终端的实时交通路况采集方法，该方法在基于移动智能终端的实时交通路况采集系统上实现，所述基于移动智能终端的实时交通路况采集系统包括服务器和多个移动智能终端，移动智能终端中嵌入了GPS、加速度计、方向传感器和通信模块，移动智能终端中还装有道路数据库，移动智能终端和服务器之间进行无线通信；其特征在于，该方法包含以下步骤：
（1）移动智能终端根据传感器信息对交通环境进行识别，包含以下子步骤：
（1.1）将交通环境划分为：静立、走路、跑步、骑自行车和驾车；其中，将驾车的交通环境进一步划分为：停车、在普通道路上行驶、在高速公路上行驶、在高架桥上行驶以及在隧道中行驶；然后选取特征量，特征量包括：速度值、加速度值、加速度值的DFT变换在
1‐10HZ上的幅度值，对于驾车分类，还包括与路面垂直方向的加速度值；其中，速度值可以直接经由GPS数据得到，加速度值 而ax，ay，az为直接由加速度计得到的三轴加速度信息，加速度值的DFT变换在1‐10HZ上的幅度值和路面垂直方向的加速度值由加速度值计算得到；
（1.2）根据不同类别的交通环境设计实验场景并进行大量实验；实验中移动智能终端携带在行人或车辆上，采集特征量，根据特征量建立实验样本；根据实验样本，构建决策树，进行决策树学习，具体为：以整个实验样本作为根结点，对单一的特征量作变异数分析，找出变异量最大的变项作为分割准则，然后依次根据最大变异条件长出分岔，直至判断结果的正确率满足设定条件；根据构建的决策树，实例化隐马尔科夫模型的参数；根据隐马尔科夫模型，寻找最可能的能产生某一特定输出序列的隐含状态的序列；其中输出序列即为特征量序列，而隐含状态的序列即为移动智能终端所处交通环境信息；
（1.3）利用携带在待采集城市交通网络道路上的行人或车辆上的移动智能终端采集速度值、加速度值、方向信息，计算加速度值的DFT变换在1‐10HZ上的幅度值和与路面垂直方向的加速度值；将所得特征量输入步骤1.2构建的决策树，由隐马尔科夫模型输出移动智能终端所处交通环境信息；
（2）移动智能终端根据GPS采集的经纬度坐标和步骤1.3得到的交通环境信息，结合道路数据库对驾驶路线进行实时跟踪，包含以下子步骤：
（2.1）根据智能终端所处交通环境信息的识别结果，决定跟踪路线的性质，为路线贴上静立、走路、跑步、骑自行车或驾车的交通工具标签；
（2.2）若交通工具标签为驾车，则根据驾车所处环境信息的识别结果，将驾驶环境判定为停车、在普通道路上行驶、在高速公路上行驶、在高架桥上行驶或在隧道中行驶；
（2.3）根据驾驶环境，利用存在误差的GPS采样数据结合道路数据库，定位移动智能终端当前所处道路，并对其将要通过的下一个道路进行预测；
（3）移动智能终端根据驾驶路线跟踪结果计算行程时间并将实时路况信息上传至服务器：根据步骤2得到的结果，以实际的道路拓扑结构为基础追踪并记录移动智能终端通过每个交叉路口的时间，从而得到车辆通过每个真实路段时的行程时间，由行程时间，结合访问道路数据库得到的实际道路拓扑结构信息，得到平均车速、车流量和行程时间路况信息；
路况信息、对应的道路ID以及路线的交通工具标签组成实时路况信息并上传至服务器；
（4）服务器对接收的海量实时路况信息进行分析，排除重复数据，并将结果存储在路况数据库中：根据当前时刻成功接收的实时路况数据，由服务器以道路ID对上传数据进行分类，将针对同一路段采集的路况信息聚合在一起，根据具体的行程时间数据和误差容忍区间找到重复数据并剔除；
（5）服务器利用路况数据库中的路况数据，使用压缩感知技术对少数缺乏上传数据的路段进行实时路况估计，完成对整个城市交通网络实时路况的采集，包含以下子步骤：
（5.1）根据城市交通网络的实际道路拓扑结构生成交通网络拓扑图，图的顶点为交通网络中具有控制信号灯的交叉路口，图的边即为以交叉路口为端点的一条道路；
（5.2）根据交通网络拓扑图生成其对应的邻接矩阵，矩阵中每个元素的值即为移动智能终端通过该元素对应路段时的平均速度；
（5.3）根据历史路况数据和实验数据，找到一个不包含未测数据的子网络并生成邻接矩阵，对该利用主成分分析方法对矩阵作奇异值分解，得到该矩阵的阶次和稀疏情况，验证压缩感知技术的可行性；
（5.4）根据缺少采样数据道路在实际交通网络中的分布，生成观测矩阵B；观测矩阵为
0‐1矩阵，并满足关系S=B·S0；其中S为存储在路况数据库中的采样数据，S0为不存在缺失的原始数据，B与S0点乘得到邻接矩阵S；
（5.5）根据约束条件S=B·S0和最小方差估计目标函数，利用压缩感知的重构算法，通过求解凸优化问题，实现对缺失数据的无偏最小方差估计，从而得到整个城市交通网络的实时路况信息。

一种基于移动智能终端的实时交通路况采集方法\n技术领域\n[0001] 本发明涉及一种智能交通中的交通数据采集方法，尤其涉及一种对数据精度和实时性要求较高的基于移动智能终端的交通路况采集方法。\n背景技术\n[0002] 车辆数目的增加，给城市带来了交通拥堵、交通事故、交通污染等一系列问题。而智能交通系统的提出，就是为了有效地解决上述问题。发展智能交通系统，最基础、最关键的问题是如何采集道路交通的实时动态数据，以便智能交通的上层系统和模块进行数据处理、分析和预测，实现交通信息的实时调控。目前已有的交通数据采集系统很多，本发明关注的是一种基于移动智能终端的实时交通数据采集方法。近年来，随着移动网络的发展和移动智能终端设备的普及，拥有移动智能终端的用户数量呈爆发式增长。移动智能终端不仅拥有GPS，电子罗盘，加速度计等多种传感器，能够提供大规模、多尺度的物理数据，还具备wifi，GSM、3G等通信模块，能够随时接入移动互联网，从而保证数据的实时传送，特别适用于智慧城市感知场景中的应用。\n[0003] 较为成熟的实时交通数据采集方法有两种：第一种为基于传感器的实时交通数据采集方法，包含主动监测方法和被动探测方法，传感器包含压电传感器、地埋式线圈检测器、微波雷达、超声波，摄像头等，能够采集和计算出的路况信息包含车速、车流量、车道占用率、车辆类别信息等，虽然各种传感器的原理和适用场合不同，但大都存在对安装场所和环境的依赖，且面临初期投资巨大、维护成本高、覆盖率小、数据精度较低、实时性较差等问题，有较大的局限性；第二种为基于浮动车的实时交通数据采集方法，浮动车即为安装了GPS和无线通信模块的出租车和公交车，当浮动车在路面上行驶时，周期性采集自身的GPS数据并发送至服务器端，由服务器通过地图匹配技术估计出浮动车的驾驶路线，进而得到浮动车辆的行程时间、行程速度以及所通过道路的平均速度。相对于第一种方法，该方法虽然在成本和覆盖率上都有所改善，且设备易于维护，不会受到天气、行人等其他无关因素的干扰，但仍需要较大的一次性投资，数据精度也受地图匹配技术的限制。考虑到通信成本，浮动车辆GPS数据的采集频率往往都较低，通常在15min左右，而服务器端由于缺乏交通上下文信息也仅能利用GPS数据对无效数据进行甄别和过滤，这就给数据预处理和地图匹配带来了很大的难度，在加大服务器负担的同时降低了数据的实时性。\n发明内容\n[0004] 本发明的目的在于针对现有技术的不足，提供一种基于移动智能终端的实时交通路况采集方法。\n[0005] 为了实现上述的目的，本发明采取如下技术方案：一种基于移动智能终端的实时交通路况采集方法，该方法在基于移动智能终端的实时交通路况采集系统上实现，所述基于移动智能终端的实时交通路况采集系统包括服务器和多个移动智能终端，移动智能终端中嵌入了GPS、加速度计、方向传感器和通信模块，移动智能终端中还装有道路数据库，移动智能终端和服务器之间进行无线通信；该方法包含以下步骤：\n[0006] （1）移动智能终端根据传感器信息对交通环境进行识别；\n[0007] （2）移动智能终端根据GPS采集的经纬度坐标和得到的交通环境信息，结合道路数据库对驾驶路线进行实时跟踪；\n[0008] （3）移动智能终端根据驾驶路线跟踪结果计算行程时间并将实时路况信息上传至服务器；\n[0009] （4）服务器对接收的海量实时路况信息进行分析，排除重复数据，并将结果存储在路况数据库中；\n[0010] （5）服务器利用路况数据库中的路况数据，使用压缩感知技术对少数缺乏上传数据的路段进行实时路况估计，完成对整个城市交通网络实时路况的采集。\n[0011] 本发明的有益效果是，能利用现有的大量移动智能终端，对实时路况信息进行采集进而得到海量的路况数据。利用这些数据，可以为出行用户提供实时可靠的路况信息，以节约他们的旅程时间；可以为交通部门提供实时可靠的路况数据，便于他们对交通的管理与规划。此方法与传统方法相比，具有成本低、精度高、数据量大、实时性强、网络覆盖率高、可扩展性强等优点，具有极大的应用前景。\n附图说明\n[0012] 图1是本发明的基于移动智能终端的实时交通路况采集方法部署图；\n[0013] 图2是本发明中对交通环境进行分类识别的分类系统框架图；\n[0014] 图3是本发明中利用移动智能终端对实时路况进行采集和真实路况数据的对比图；\n[0015] 图4是本发明中利用压缩感知技术对未被移动智能终端覆盖地段的数据进行估计的误差图。\n具体实施方式\n[0016] 本发明专利在移动智能终端中GPS、加速度计、方向传感器等传感器数据的基础上，利用机器学习的方法，建立了一个轻量级的分类系统，能够以极大的概率对移动智能终端的交通环境做出正确的分类和识别，消除了GPS误差带来的影响，进而保证了对驾驶路线的实时跟踪和所采集的实时路况数据的精度。在服务器端，本发明利用新型的压缩感知技术对少数缺乏采集数据的随机路段的实时路况进行估计，能有效提高估计精度，从而增强了整个系统的可靠性、稳定性和实用性。\n[0017] 本发明基于移动智能终端的实时交通路况采集方法在基于移动智能终端的实时交通路况采集系统上实现，所述基于移动智能终端的实时交通路况采集系统包括服务器和多个具备采集能力和通信能力的移动智能终端，多个移动智能终端分别携带在待采集城市交通网络道路上的行人或车辆上。移动智能终端嵌入了GPS、加速度计、方向传感器和通信模块，其中，GPS、加速度计和方向传感器能够采集相应的物理信息；通信模块可以为GSM模块或WiFi模块，使得移动智能终端能够随时接入互联网，与服务器进行实时通信。系统部署完成后进行系统的初始化，初始化包括在移动智能终端上进行客户端的安装和道路数据库的下载。系统部署如图1所示，移动智能终端和服务器之间进行无线通信。该方法包含以下步骤：\n[0018] 1、移动智能终端根据传感器信息对交通环境进行识别，如图2所示，包含以下子步骤：\n[0019] 1.1、将交通环境划分为：静立、走路、跑步、骑自行车和驾车。将驾车的交通环境进一步划分为：停车、在普通道路上行驶、在高速公路上行驶、在高架桥上行驶以及在隧道中行驶。然后选取特征量，特征量包括：速度值、加速度值、加速度值的DFT变换在1-10HZ上的幅度值，对于驾车分类，还包括与路面垂直方向的加速度值。其中，速度值可以直接经由GPS数据得到，加速度值 ，而 ， ， 为直接由加速度计得到的三轴加速度信息。由于加速度计\n的参考坐标系为移动智能终端本身，因此需要根据移动智能终端的方向传感器数据将三轴加速度值投影到以车辆方向为参考系的坐标中，从而得到与路面垂直方向上的加速度值。\n[0020] 1.2、根据不同类别的交通环境设计实验场景并进行大量实验。实验中移动智能终端携带在行人或车辆上，采集特征量，根据特征量建立实验样本。根据实验样本，构建决策树，进行决策树学习，具体为：以整个实验样本作为根结点，对单一的特征量作变异数分析，找出变异量最大的变项作为分割准则，然后依次根据最大变异条件长出分岔，直至判断结果的正确率满足设定条件。根据构建的决策树，实例化隐马尔科夫模型的参数。根据隐马尔科夫模型，寻找最可能的能产生某一特定输出序列的隐含状态的序列。其中输出序列即为特征量序列，而隐含状态的序列即为期望得到的移动智能终端所处交通环境的序列（即移动智能终端所处交通环境信息）。\n[0021] 1.3、利用携带在待采集城市交通网络道路上的行人或车辆上的移动智能终端采集速度值、加速度值、方向信息，计算加速度值的DFT变换在1-10HZ上的幅度值和与路面垂直方向的加速度值。将所得特征量输入步骤1.2构建的决策树，由隐马尔科夫模型输出移动智能终端所处交通环境信息。\n[0022] 2、移动智能终端根据GPS采集的经纬度坐标和步骤1.3得到的交通环境信息，结合道路数据库对驾驶路线进行实时跟踪，包含以下子步骤：\n[0023] 2.1、根据智能终端所处交通环境信息的识别结果，决定跟踪路线的性质，为路线贴上静立、走路、跑步、骑自行车或驾车的交通工具标签。\n[0024] 2.2、若交通工具标签为驾车，则根据驾车所处环境信息的识别结果，将驾驶环境判定为停车、在普通道路上行驶、在高速公路上行驶、在高架桥上行驶或在隧道中行驶。\n[0025] 2.3、根据驾驶环境，利用存在误差的GPS采样数据结合道路数据库，定位移动智能终端当前所处道路，并对其将要通过的下一个道路进行预测。\n[0026] 3、移动智能终端根据驾驶路线跟踪结果计算行程时间并将实时路况信息上传至服务器。\n[0027] 根据步骤2得到的结果，以实际的道路拓扑结构为基础追踪并记录移动智能终端通过每个交叉路口的时间，从而得到车辆通过每个真实路段时的行程时间，由行程时间，结合访问道路数据库得到的实际道路拓扑结构信息，得到平均车速、车流量和行程时间等路况信息，路况信息、对应的道路ID以及路线的交通工具标签组成实时路况信息并上传至服务器。图3显示了利用移动智能终端对路况信息进行连续采集与真实路况信息的对比。\n[0028] 4、服务器对接收的海量实时路况信息进行分析，排除重复数据，并将结果存储在路况数据库中。\n[0029] 根据当前时刻成功接收的实时路况数据，由服务器以道路ID对上传数据进行分类，将针对同一路段采集的路况信息聚合在一起，根据具体的行程时间数据和误差容忍区间找到重复数据并剔除。\n[0030] 5、服务器利用路况数据库中的路况数据，使用压缩感知技术对少数缺乏上传数据的路段进行实时路况估计，完成对整个城市交通网络实时路况的采集，包含以下子步骤：\n[0031] 5.1、根据城市交通网络的实际道路拓扑结构生成交通网络拓扑图，图的顶点为交通网络中具有控制信号灯的交叉路口，图的边即为以交叉路口为端点的一条道路。\n[0032] 5.2、根据交通网络拓扑图生成其对应的邻接矩阵，矩阵中每个元素的值即为移动智能终端通过该元素对应路段时的平均速度。\n[0033] 5.3、根据历史路况数据和实验数据，找到一个不包含未测数据的子网络并生成邻接矩阵，对该利用主成分分析方法对矩阵作奇异值分解，得到该矩阵的阶次和稀疏情况，验证压缩感知技术的可行性。\n[0034] 5.4、根据缺少采样数据道路在实际交通网络中的分布，生成观测矩阵B。观测矩阵为0-1矩阵，并满足关系 。其中S为存储在路况数据库中的采样数据， 为不存在缺失的原始数据，B与 点乘得到邻接矩阵S。\n[0035] 5.5、根据约束条件 和最小方差估计目标函数，利用压缩感知的重构算法，通过求解凸优化问题，实现对缺失数据的无偏最小方差估计，从而得到整个城市交通网络的实时路况信息。图4显示了利用压缩感知对缺失数据进行估计的估计值与实际值之间的相对误差。\n[0036] 本发明考虑到原有的实时交通路况采集方法实现难度大、成本高、覆盖率小、系统灵活性和扩展性较差，采用了一种新型的采集方式，利用大量随机分布在整个城市交通网络中的移动智能终端对其所经过道路的路况信息进行实时采集并上传至服务器，使得系统成本大大降低，而覆盖率也有显著地提升。同时利用机器学习方法，利用移动智能终端的传感器对其所处交通环境信息进行分类和识别，降低了无效数据过滤的成本，克服了地图匹配难度大的问题，实现对驾驶路线精确的实时跟踪。另外，考虑到部分道路会随机出现暂时没有被移动智能终端覆盖而缺乏采样数据的情况，利用新型压缩感知技术对原始数据进行高效重构，从而得到整个交通网络的实时路况信息，使得整个系统可靠、稳定、实用。