[发明专利]一种基于移动智能终端的实时交通路况采集方法

摘要

本发明公开了一种基于移动智能终端的实时交通路况采集方法，移动智能终端首先根据传感器信息对交通环境进行识别，然后结合道路数据库对驾驶路线进行实时跟踪；再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；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，将结果存储在路况数据库中，并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。本发明能利用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；具有成本低、精度高、数据量大、实时性强、网络覆盖率高、可扩展性强等特点，具有极大的应用前景。

主权项

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，，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； （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；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；（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。