[發明專利]基于智能手機的實時交通擁堵自動檢測方法

無效

• 申請號: 201410566158.5
• 申請日: 2014-10-22
• 公開（公告）號: CN104318765A
• 公開（公告）日: 2015-01-28
• 發明（設計）人: 呂明琪
• 申請（專利權）人: 浙江工業大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;H04W4/04;H04M1/725
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于智能手機的實時交通擁堵自動檢測方法，其特征在于：所述方法使用智能手機的加速度傳感器和蜂窩網絡信號，其實施步驟如下：

步驟1：乘車狀態檢測：基于智能手機的加速度傳感器確定用戶的乘車時間段，即一段乘車行程的開始和結束時間；

步驟2：地圖匹配：基于蜂窩基站定位，采用隱馬爾科夫模型判斷用戶在乘車時間段內所訪問的道路路段；

步驟3：交通擁堵狀態識別：同時考慮用戶位置變化情況、運動狀態變化情況和交通擁堵狀態轉變規律，采用條件隨機場模識別用戶在乘車時間段內所訪問道路路段的交通擁堵狀態變化情況。

2.如權利要求1所述的一種基于智能手機的實時交通擁堵自動檢測方法，其特征在于：所述步驟1中，基于智能手機加速度傳感器確定用戶乘車時間段的過程如下：

步驟1.1：運動檢測：當用戶處于靜止狀態時，采用計算壓力較小的閾值檢測方法檢測用戶是否發生運動；

步驟1.2：運動狀態識別：當用戶處于運動狀態時，基于機器學習方法識別用戶當前的瞬時運動狀態，運動狀態識別步驟考慮三種類型的運動狀態：靜止狀態、非乘車狀態、乘車狀態，非乘車狀態包括走、跑和騎車；

步驟1.3：乘車時間段檢測：當用戶處于乘車狀態時，基于一個持續時長閾值確定乘車時間段。

3.如權利要求2所述的一種基于智能手機的實時交通擁堵自動檢測方法，其特征在于：所述步驟1.2中，運動狀態識別分為模型訓練和狀態識別兩部分，其中，

模型訓練部分工作流程如下：1.2.1.1)以正確標注了運動類型的訓練數據集為基礎，訓練數據集以設定時間間隔采集的加速度向量幅值數據為單位，從中抽取各類運動特征，包括時域特征和頻域特征兩類，所述時域特征包括：均值、方差、最大值、最小值和能量；所述頻域特征包括：頻域熵、頻率幅值及最顯著頻率；1.2.1.2)基于運動特征和運動類型標注，采用C4.5算法訓練得到決策樹分類器；

狀態識別部分工作流程如下1.2.2.1)基于一個設定大小和步進的滑動窗口計算實時加速度向量幅值數據的各類運動特征；1.2.2.2)將運動特征輸入訓練得到的分類器，得到運動狀態分類結果。

4.如權利要求1～3之一所述的一種基于智能手機的實時交通擁堵自動檢測方法，其特征在于：所述步驟2中，基于蜂窩基站定位的地圖匹配的詳細步驟如下：

步驟2.1：蜂窩基站數據預處理：基于基站位置數據庫，對乘車時間段內采集的蜂窩基站標識數據進行平滑和清洗，得到基站位置序列數據；

步驟2.2：地圖匹配：基于道路網絡數據庫，采用隱馬爾科夫模型將基站位置序列數據匹配到道路路段序列。

5.如權利要求4所述的一種基于智能手機的實時交通擁堵自動檢測方法，其特征在于：所述步驟2.1中，蜂窩基站數據預處理分為平滑和清洗兩個步驟，平滑步驟工作流程如下：2.1.1)采用一個設定大小和步進的滑動窗口對采集到的蜂窩基站標識數據進行分割；2.1.2)同時考慮蜂窩基站的位置和連接時長對滑動窗口的中心位置進行估計；2.1.3)將原始蜂窩基站標識數據轉化為基站位置序列；清洗步驟工作流程如下：讀入基站位置序列中連續的四個位置點A、B、C和D，計算位置夾角∠ABC和∠BCD，如果∠ABC和∠BCD的值均小于指定閾值，則將位置點C過濾掉。