[發明專利]一種基于移動智能終端的實時交通路況采集方法

有效

• 申請號: 201210226808.2
• 申請日: 2012-07-03
• 公開（公告）號: CN102737510A
• 公開（公告）日: 2012-10-17
• 發明（設計）人: 王智;劉翔;王志波
• 申請（專利權）人: 浙江大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/052
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 周烽

1.一種基于移動智能終端的實時交通路況采集方法，該方法在基于移動智能終端的實時交通路況采集系統上實現，所述基于移動智能終端的實時交通路況采集系統包括服務器和多個移動智能終端，移動智能終端中嵌入了GPS、加速度計、方向傳感器和通信模塊，移動智能終端中還裝有道路數據庫，移動智能終端和服務器之間進行無線通信；其特征在于，該方法包含以下步驟：

（1）移動智能終端根據傳感器信息對交通環境進行識別，包含以下子步驟：

（1.1）將交通環境劃分為：靜立、走路、跑步、騎自行車和駕車；其中，將駕車的交通環境進一步劃分為：停車、在普通道路上行駛、在高速公路上行駛、在高架橋上行駛以及在隧道中行駛；然后選取特征量，特征量包括：速度值、加速度值、加速度值的DFT變換在1-10HZ上的幅度值，對于駕車分類，還包括與路面垂直方向的加速度值；其中，速度值可以直接經由GPS數據得到，加速度值???????????????????????????????????????????????，而，，為直接由加速度計得到的三軸加速度信息，加速度值的DFT變換在1-10HZ上的幅度值和路面垂直方向的加速度值由加速度值計算得到；?

（1.2）根據不同類別的交通環境設計實驗場景并進行大量實驗；實驗中移動智能終端攜帶在行人或車輛上，采集特征量，根據特征量建立實驗樣本；根據實驗樣本，構建決策樹，進行決策樹學習，具體為：以整個實驗樣本作為根結點，對單一的特征量作變異數分析，找出變異量最大的變項作為分割準則，然后依次根據最大變異條件長出分岔，直至判斷結果的正確率滿足設定條件；根據構建的決策樹，實例化隱馬爾科夫模型的參數；根據隱馬爾科夫模型，尋找最可能的能產生某一特定輸出序列的隱含狀態的序列；其中輸出序列即為特征量序列，而隱含狀態的序列即為移動智能終端所處交通環境信息；

（1.3）利用攜帶在待采集城市交通網絡道路上的行人或車輛上的移動智能終端采集速度值、加速度值、方向信息，計算加速度值的DFT變換在1-10HZ上的幅度值和與路面垂直方向的加速度值；將所得特征量輸入步驟1.2構建的決策樹，由隱馬爾科夫模型輸出移動智能終端所處交通環境信息；

（2）移動智能終端根據GPS采集的經緯度坐標和步驟1.3得到的交通環境信息，結合道路數據庫對駕駛路線進行實時跟蹤，包含以下子步驟：

（2.1）根據智能終端所處交通環境信息的識別結果，決定跟蹤路線的性質，為路線貼上靜立、走路、跑步、騎自行車或駕車的交通工具標簽；

（2.2）若交通工具標簽為駕車，則根據駕車所處環境信息的識別結果，將駕駛環境判定為停車、在普通道路上行駛、在高速公路上行駛、在高架橋上行駛或在隧道中行駛；

（2.3）根據駕駛環境，利用存在誤差的GPS采樣數據結合道路數據庫，定位移動智能終端當前所處道路，并對其將要通過的下一個道路進行預測；

（3）移動智能終端根據駕駛路線跟蹤結果計算行程時間并將實時路況信息上傳至服務器：根據步驟2得到的結果，以實際的道路拓撲結構為基礎追蹤并記錄移動智能終端通過每個交叉路口的時間，從而得到車輛通過每個真實路段時的行程時間，由行程時間，結合訪問道路數據庫得到的實際道路拓撲結構信息，得到平均車速、車流量和行程時間等路況信息；路況信息、對應的道路ID以及路線的交通工具標簽組成實時路況信息并上傳至服務器；?

（4）服務器對接收的海量實時路況信息進行分析，排除重復數據，并將結果存儲在路況數據庫中：根據當前時刻成功接收的實時路況數據，由服務器以道路ID對上傳數據進行分類，將針對同一路段采集的路況信息聚合在一起，根據具體的行程時間數據和誤差容忍區間找到重復數據并剔除；

（5）服務器利用路況數據庫中的路況數據，使用壓縮感知技術對少數缺乏上傳數據的路段進行實時路況估計，完成對整個城市交通網絡實時路況的采集，包含以下子步驟：

（5.1）根據城市交通網絡的實際道路拓撲結構生成交通網絡拓撲圖，圖的頂點為交通網絡中具有控制信號燈的交叉路口，圖的邊即為以交叉路口為端點的一條道路；

（5.2）根據交通網絡拓撲圖生成其對應的鄰接矩陣，矩陣中每個元素的值即為移動智能終端通過該元素對應路段時的平均速度；

（5.3）根據歷史路況數據和實驗數據，找到一個不包含未測數據的子網絡并生成鄰接矩陣，對該利用主成分分析方法對矩陣作奇異值分解，得到該矩陣的階次和稀疏情況，驗證壓縮感知技術的可行性；

（5.4）根據缺少采樣數據道路在實際交通網絡中的分布，生成觀測矩陣B；觀測矩陣為0-1矩陣，并滿足關系；其中S為存儲在路況數據庫中的采樣數據，為不存在缺失的原始數據，B與點乘得到鄰接矩陣S；

（5.5）根據約束條件和最小方差估計目標函數，利用壓縮感知的重構算法，通過求解凸優化問題，實現對缺失數據的無偏最小方差估計，從而得到整個城市交通網絡的實時路況信息。