[发明专利]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

权利要求书

1.一种运用移动网络信令数据的人工智能车流推估系统，其特征在于，包括：

一移动网络信令数据撷取模块，其撷取在一指定道路的预定范围内，通过该指定道路的多个移动装置与至少一网络之间的多个移动网络信令数据；

一非监督式学习模块，其具有人工智能的一非监督式学习演算法，以利用具有该人工智能的该非监督式学习演算法依据该些移动装置的速度将该移动网络信令数据撷取模块所撷取的该些移动网络信令数据分成多个不同族群；

一特征提取模块，其从具有该人工智能的该非监督式学习演算法依据该些移动装置的速度将该些移动网络信令数据所分成的该些不同族群中提取出至少一特定族群，以计算出该至少一特定族群中每个单位时间的移动网络信令数据的数量作为提取后的特征；以及

一监督式学习模块，其具有人工智能的一监督式学习演算法，以利用该监督式学习演算法，将由该特征提取模块提取后的特征建立一人工智能车流推估模型，进而透过该人工智能车流推估模型推估出或产生通过该指定道路的多个车辆的车流资讯。

2.根据权利要求1所述的人工智能车流推估系统，其特征在于，该移动网络信令数据为CVP(以移动装置基站为基础的车辆探侦)信令数据，该提取后的特征包括该至少一特定族群中每个单位时间的移动网络信令数据的数量与时间步、和该些不同族群中多数族群的数量或配对族群的数量。

3.根据权利要求1所述的人工智能车流推估系统，其特征在于，该非监督式学习演算法为K-means分群演算法、阶层式分群演算法或DBSCAN(具有杂讯的基于密度的空间分群)演算法，该监督式学习演算法为线性回归演算法、支持向量机(SVM)演算法、决策树演算法、随机森林演算法或类神经网络。

4.根据权利要求1所述的人工智能车流推估系统，其特征在于，该监督式学习模块更将由该特征提取模块提取后的特征与该些车辆的车流量作为标签组成一训练集，以利用该监督式学习演算法对该训练集进行反复训练。

5.根据权利要求4所述的人工智能车流推估系统，其特征在于，该监督式学习演算法更以该训练集对该人工智能车流推估模型进行校调至合理的误差范围，进而产生已训练的该人工智能车流推估模型。

6.根据权利要求1所述的人工智能车流推估系统，其特征在于，在该人工智能车流推估系统的训练模式时，该移动网络信令数据撷取模块更撷取在该指定道路的预定范围内，通过该指定道路的该些移动装置与该网络之间的多个历史的移动网络信令数据，以利用该非监督式学习演算法依据该些移动装置的速度，将该些历史的移动网络信令数据产生该些不同族群的数量。

7.根据权利要求6所述的人工智能车流推估系统，其特征在于，该特征提取模块更从该些不同族群中提取出该至少一特定族群作为特征之一，以计算出该至少一特定族群中每个单位时间的移动网络信令数据的数量与时间步，从而产生该提取后的特征。

8.根据权利要求7所述的人工智能车流推估系统，其特征在于，该监督式学习模块更将由该特征提取模块提取后的特征与该些车辆的车流量作为标签组成一训练集，以利用该监督式学习演算法对该训练集进行反复训练，并利用该监督式学习演算法以该训练集对该人工智能车流推估模型进行训练与校调至合理的误差范围，进而产生已训练的该人工智能车流推估模型。

9.根据权利要求1所述的人工智能车流推估系统，其特征在于，在该人工智能车流推估系统的应用模式时，该移动网络信令数据撷取模块更撷取在该指定道路的预定范围内，通过该指定道路的该些移动装置与该网络之间的多个即时的移动网络信令数据，以利用该非监督式学习演算法依据该些移动装置的速度，将该些即时的移动网络信令数据产生该些不同族群的数量。