基于智能手机的实时交通拥堵自动检测方法技术

一种基于智能手机的实时交通拥堵自动检测方法，所述方法使用智能手机的加速度传感器和蜂窝网络信号，包括如下步骤：步骤1：乘车状态检测，用于确定用户的乘车时间段；步骤2：地图匹配，用于判断用户在乘车时间段内所访问的道路路段；步骤3：交通拥堵状态识别，用于估计用户在乘车时间段内所访问道路路段的交通拥堵状态变化情况。本发明专利技术具有无干扰、能耗低、实用性良好的技术优势。

【技术实现步骤摘要】

本专利技术涉及智能交通领域，具体涉及一种实时交通拥堵检测方法。
技术介绍
实时交通拥堵检测是智能交通系统最重要的组成部分之一，可为道路选择、交通 疏导等工作提供重要的决策依据。目前实时交通拥堵检测技术主要依赖于路边固定设施 (如环形感应线圈检测器、微波检测器、交通摄像头等）或浮动车监控设施，对其采集到的 车速、车道占有率、交通流量、车流图像等信息进行分析以估计道路路段的交通拥堵状态。 然而，基于路边固定设施或浮动车监控设施的交通拥堵检测技术存在如下问题：1)实施、 维护费用高昂，难以覆盖所有道路路段；2)采集到的数据主要面向交通管理部门，普通用 户难以获得。 另一方面，目前的智能手机已具备较强的传感、计算和通信能力，且已实现了大范 围的普及，这使得采用智能手机对其用户所访问的道路路段的交通拥堵状态进行实时检测 成为可能。然而，如何利用智能手机在日常生活中检测交通拥堵是一个富有挑战的任务。 现有方法需要用户在乘车时主动打开检测程序，或者依赖于高能耗的智能手机传感器（如 GPS)，因此存在干扰大、能耗高、实用性差等问题。
技术实现思路
为了克服已有基于智能手机的交通拥堵检测方法的干扰大、能耗高、实用性差的 不足，本专利技术提供一种无干扰、能耗低、实用性良好的基于智能手机的实时交通拥堵自动检 测方法。 本专利技术解决其技术问题所采用的技术方案是： -种，所述检测方法仅使用智能手机 的加速度传感器和蜂窝网络信号，其实施步骤如下： 步骤1 :乘车状态检测 由于在日常生活中用户的运动状态复杂多变，而只有处于乘车状态时其智能手机 才有可能进行交通拥堵检测，因此，基于智能手机的加速度传感器对用户的运动状态进行 监测，确定其乘车时间段，即一段乘车行程的开始和结束时间； 步骤2:地图匹配 蜂窝基站定位即估计智能手机的位置为其当前所连接的蜂窝基站的位置，相对于 GPS、WiFi等定位技术，蜂窝基站定位具有能耗低、稳定性高等优势，但存在定位精度低的问 题，因此，基于HMM(隐马尔科夫模型）对蜂窝基站标识数据进行处理，判断用户在乘车时间 段内所访问的道路路段； 步骤3 :交通拥堵状态识别 由于用户在乘车时间段内可能访问不同道路路段，且同一道路路段的交通拥堵状 态也可能随时间变化，因此，同时考虑用户位置变化情况、运动状态变化情况和交通拥堵状 态转变规律，采用CRF(条件随机场模型）估计用户在乘车时间段内所访问道路路段的交通 拥堵状态变化情况。 本专利技术中，所述交通拥堵状态包括严重拥堵、一般拥堵和通畅。进一步，所述步骤 1中，为适应用户在日常生活中运动状态的复杂性，基于智能手机加速度传感器确定用户乘 车时间段的详细步骤如下： 1. 1、运动检测：当用户处于静止状态时，采用计算压力较小的阈值检测方法检测 用户是否发生运动：即当基于一个设定大小和步进的滑动窗口采集的三轴加速度向量幅值 数据的标准差大于设定阈值时，判定用户发生了运动。 1. 2、运动状态识别：当用户处于运动状态时，基于机器学习方法识别用户当前的 瞬时运动状态，运动状态识别步骤考虑三种类型的运动状态：静止、非乘车（包括走、跑、骑 车）、乘车。运动状态识别分为模型训练和状态识别两部分。模型训练部分工作流程如下： 1. 2.I. 1)以大量正确标注了运动类型的训练数据集为基础，训练数据集以设定时间间隔采 集的加速度向量幅值数据为单位，从中抽取各类运动特征，包括时域特征和频域特征两类。 时域特征包括：均值、方差、最大值、最小值和能量；频域特征包括：频域熵、频率幅值及最 显著频率。为计算频域特征，首先对时间间隔内的数据进行离散傅立叶变换，然后计算1? IOHz频率的幅值的熵、各频率幅值及幅值最大的频率。1. 2. 1. 2)基于运动特征和运动类型 标注，采用C4. 5算法训练得到决策树分类器。状态识别部分工作流程如下：1. 2. 2. 1)基于 一个设定大小和步进的滑动窗口计算实时加速度向量幅值数据的各类运动特征。1. 2. 2. 2) 将运动特征输入训练得到的分类器，得到运动状态分类结果。 1. 3、乘车时间段检测：当用户处于乘车状态时，基于一个持续时长阈值确定乘车 时间段：即当检测到用户的连续乘车状态时长大于设定阈值时，判定乘车行程开始；当检 测到用户的连续非乘车状态时长大于设定阈值时，判定乘车行程结束。乘车时间段内的运 动状态连续识别结果可表示为一个运动状态序列。 进一步，所述步骤2中，为减少智能手机的定位能耗，基于蜂窝基站定位的地图匹 配的详细步骤如下： 2. 1、蜂窝基站数据预处理：基于基站位置数据库，对乘车时间段内采集的蜂窝 基站标识数据进行平滑和清洗，得到基站位置序列数据。其中，平滑步骤工作流程如下： 2. I. 1)采用一个设定大小和步进的滑动窗口对采集到的蜂窝基站标识数据进行分割。 2. 1.2)估计滑动窗口中心位置，方法如公式（1)，其中，n为滑动窗口包含不同蜂窝基站的 数量，W为滑动窗口大小，Li和Cli为滑动窗口中第i个蜂窝基站的位置和连接时长。2. 1. 3) 将原始蜂窝基站标识数据转化为基站位置序列。清洗步骤工作流程如下：读入基站位置序 列中连续的四个位置点A、B、C和D，计算位置夹角ZABC和ZB⑶，如果ZABC和ZB⑶的 值均小于指定阈值，则将位置点C过滤掉。 本文档来自技高网...

【技术保护点】
一种基于智能手机的实时交通拥堵自动检测方法，其特征在于：所述方法使用智能手机的加速度传感器和蜂窝网络信号，其实施步骤如下：步骤1：乘车状态检测：基于智能手机的加速度传感器确定用户的乘车时间段，即一段乘车行程的开始和结束时间；步骤2：地图匹配：基于蜂窝基站定位，采用隐马尔科夫模型判断用户在乘车时间段内所访问的道路路段；步骤3：交通拥堵状态识别：同时考虑用户位置变化情况、运动状态变化情况和交通拥堵状态转变规律，采用条件随机场模识别用户在乘车时间段内所访问道路路段的交通拥堵状态变化情况。

【技术特征摘要】
1. 一种基于智能手机的实时交通拥堵自动检测方法，其特征在于：所述方法使用智能 手机的加速度传感器和蜂窝网络信号，其实施步骤如下： 步骤1 :乘车状态检测：基于智能手机的加速度传感器确定用户的乘车时间段，即一段 乘车行程的开始和结束时间； 步骤2 :地图匹配：基于蜂窝基站定位，采用隐马尔科夫模型判断用户在乘车时间段内 所访问的道路路段； 步骤3 :交通拥堵状态识别：同时考虑用户位置变化情况、运动状态变化情况和交通拥 堵状态转变规律，采用条件随机场模识别用户在乘车时间段内所访问道路路段的交通拥堵 状态变化情况。2. 如权利要求1所述的一种基于智能手机的实时交通拥堵自动检测方法，其特征在 于：所述步骤1中，基于智能手机加速度传感器确定用户乘车时间段的过程如下： 步骤1. 1 :运动检测：当用户处于静止状态时，采用计算压力较小的阈值检测方法检测 用户是否发生运动； 步骤1. 2 :运动状态识别：当用户处于运动状态时，基于机器学习方法识别用户当前的 瞬时运动状态，运动状态识别步骤考虑三种类型的运动状态：静止状态、非乘车状态、乘车 状态，非乘车状态包括走、跑和骑车； 步骤1. 3 :乘车时间段检测：当用户处于乘车状态时，基于一个持续时长阈值确定乘车 时间段。3.如权利要求2所述的一种基于智能手机的实时交通拥堵自动检测方法，其特征在 于：所述步骤1. 2中，运动状态识别分为模型训练和状态识别两部分，其中， 模型训练部分工作流程如下：1. 2.I. 1)以正确标注了运动类型的训练数据集为基础， 训练数据集以设定时间间隔采集的加速度向量幅值数据为单位，从中抽取各类运动特征， 包括时域特征和频域特征两类，所述时域特征包括：均值、方差、最大值、最小值和能量；所 述频域特征包括：频域熵、频率幅值及最显著频率；1. 2. 1. 2)基于运动特征和运动类型标 注，采用C4. 5算法训练得到决策树分类器； 状态识别部分工作流程如下1. 2. 2. 1)基于一个设定大小和步进的滑动窗口计算实时 加速度向量幅值数据的各类运动特征；1. 2. 2. 2)将运动特征输入训练得到的分类器，得到 运动状态分类结果。4.如权利要求1?3之一所述的一种基于智能手机的实时交通拥堵自动检测方法，其 特征在于：所述步骤2中，基于蜂窝基站定位的地图匹配的详细步骤如下： 步骤2. 1 :蜂窝基站数据预处理：基于基站位置数据库，对乘车时间段内采集的蜂窝基 站标识数据进行平滑和清洗，得到基站位置序列数据； 步骤2. 2 :地图匹配：基于道路网络数据库，采用隐马尔科夫模型将基站位置序列数据 匹配到道路路段序列。5.如权利要求4所述的一种基于智能手机的实时交通拥堵自动检测方法，其特征在 于：所述步骤2. 1中，蜂窝基站数据预处理分为平滑和清洗两个步骤，平滑步骤工作流程如 下：2.I. 1)采用一个设定大小和步进的滑动窗口对采集到的蜂窝基站标识数据进行分割； 2. 1. 2)同时考虑蜂窝基站的位置和连接时长对滑动窗口的中心位置进行估计；2. 1. 3)将 原始蜂窝基站标识数据转化为基站位置序列；清洗步骤工作流程如下：读入基...

【专利技术属性】
技术研发人员：吕明琪，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33