一种基于电信大数据的高速公路车流估计方法技术

本发明专利技术提供了一种通过电信大数据估算公路车流的方法，通过电信大数据及改进的HMM模型，完成将出行方式识别为公路和铁路的用户出行轨迹和道路的匹配工作，解决了基于稀疏的手机定位数据的轨迹道路匹配问题。

An estimation method of freeway traffic flow based on telecommunication big data

【技术实现步骤摘要】
一种基于电信大数据的高速公路车流估计方法
本专利技术属于移动数据分析领域，本专利技术将完成出行方式识别为公路和铁路的用户出行轨迹和道路的匹配工作，综合采用改进的HMM模型来完成轨迹道路匹配，并进一步将用户数据转换成车流量数据。
技术介绍
交通出行调查是交通规划，公路、铁路、航空等建设项目可行性研究的基础性工作，主要是全面了解项目所在地区公众出行或公路交通的特性和构成，掌握交通流量流向、出行方式分担比例乃至车辆构成等资料，为交通量或吞吐能力预测提供基础数据，进而为项目建设的必要性、建设规模、技术等级、交通工程设计、经济评价、环境影响评价等后续工作提供依据。在我国综合交通运输体系中，各种交通方式分属于不同的部门管理，对于规划设计部门来说，获取完整的交通运输统计数据较为困难，而且不同的交通运输方式数据格式和统计口径不一致，不便于聚类分析。在公路规划和项目前期工作中，传统的公路起讫点（OD）调查采用人工路边询问、抽样调查的方式，这种方法简单易行，但需要消耗大量的人力物力财力，而且调查范围有限、调查时间有限、抽样率有限、数据处理效率不高。同时，现场调查时可能会阻断交通，影响通行效率，调查人员安全也难以完全保障，存在一定的安全隐患。在公路运营状态管理方面，目前主要依靠管理人员上路巡查，或者远程监控发现异常，现有的管理方式难以及时发现路段拥堵、事故等异常情况，无法做到快速反应。运营商大数据的出现，为解决上述问题提供了新思路。根据工业和信息化部统计，截至2015年7月，中国手机用户已达到12.9亿，移动互联网用户已达到9.05亿，手机已经成为寻常百姓不可或缺的日常通讯工具[1]。从移动运营商处采集的手机数据经过各种处理后可以得到手机的位置信息，智能手机本身也能向百度地图等手机软件上报自身位置信息，所以从运营商处可以得到用户大量的时间位置信息。利用手机位置数据对移动用户进行定位追踪,可从不同程度上获得用户的出行轨迹、OD信息、行程时间、行驶速度和交通方式等信息，是极具吸引力的调查手段。与传统交通出行调查技术相比，手机数据还具有覆盖范围广、分析样本大、可长期连续监测等优势，能够为交通规划和管理提供更加及时准确的基础数据和决策支持。本项目通过处理运营商大数据，克服以下两方面的不足：一方面是受基础数据定位精度和定位频率的限制，对微观交通参数的估计准确性有待提升；另一方面现有研究大都以人流为对象，针对城际公路交通的车型划分却没有行之有效的方法；通过设计改进的HMM模型来完成轨迹道路匹配，进一步通过估计方法将手机用户转化成车辆数据。
技术实现思路
本专利技术将完成出行方式识别为公路和铁路的用户出行轨迹和道路的匹配工作，如图1所示。该部分的传统工作大多基于连续的GPS轨迹数据，在地图服务领域有非常成熟的应用，也有相应的开源工具，但是基于稀疏的手机定位数据的轨迹道路匹配问题，却还未得到很好的解决，依旧是前沿的热点研究问题。这里我们将综合采用改进的HMM模型来完成轨迹道路匹配。道路匹配算法我们将基于手机数据的稀疏性特点构建HMM（隐马尔科夫）模型来完成从轨迹点到最佳路段的匹配任务。隐马尔可夫模型是一种统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。HMM的模型要素在本项目场景下的具体解释为：1.1观测变量：对应着时刻的用户定位点，它是可观测的，；1.2隐藏状态：对应着时刻用户实际行驶的道路，它是不可观测的、待估计的，；1.3候选隐藏状态：用户的定位点有可能是在周边任意道路上被观测到的，即单凭借观测点推测用户实际行驶的道路，将得到一系列候选道路，，；1.4观测概率：对应着，即如果用户行驶于道路，那么观测到定位点的概率即为；1.5转移概率：对应着，即如果用户在时刻行驶于道路，那么下一时刻其行驶于的概率为。图2为根据本项目实施例提供的一种基于隐马尔可夫模型的道路匹配的过程示意图。下面详细介绍本项目中HMM模型的观测概率和转移概率的建模方法：观测概率：假设定位算法的噪声服从高斯分布，那么在道路上测量得到定位点的概率即为：其中表示定位点到道路的距离，距离越小，则在道路上观测到定位点的概率越大；表示定位噪声的标准差。转移概率：通过指数分布建模：其中，，表示两个时刻定位点之间的距离，表示用户在两个道路之间的路程，则表示了两者的差值，差值越小，用户在两个道路间的转移概率则越大；为归一化参数，可利用数据集训练得到。具体的模型框架如下表所示：根据上面的建模，道路匹配的问题转化为：已知HMM模型的观测变量，隐含状态数量，观测变量的观测概率以及隐含状态之间的转移概率，求隐藏状态。这个问题可以用动态规划Viterbi算法来求解，如下图所示，从左往右每一步的所有选择都保存了前续所有步骤到当前步骤当前选择的最小总代价（或者最大价值）以及当前代价的情况下前继步骤的选择。然后从后往前回溯得到最大概率的隐状态转移序列。图3为根据本专利技术实施例提供的一种基于隐马尔可夫模型的道路匹配结果示意图，如图3所示，通过动态规划Viterbi算法，即可解码出最大似然行驶路径。完成道路匹配后，需要将定位点映射到它匹配到的路段上面，以便进行速度估计。图4为根据本专利技术实施例提供的一种将定位点映射至对应路段的方法示意图，如图4所示，在电子地图中，每一条道路被拆分为若干个路段，对于每一个定位点，在其匹配到的道路寻找距离最近的路段，从向做垂线，交于点，该点即为在路段上的映射点；由于定位误差的存在，完成映射后有可能出现与的位置与用户运动趋势不符的情况，此时的与不足以被角度滤波滤除，因此需要在映射完成后直接处理映射点与;用类似修正冗余定位点的方式，求的中点，再将映射到得到，并用来替代与。人车轨迹转换完成道路匹配后，得到手机用户在高速公路上行驶的映射轨迹点，它反映的是单个用户的移动轨迹，而车辆载客数量往往大于1，因此可以通过合并相似手机轨迹得到车辆轨迹，合并后的轨迹通常具有更密集的映射点。具体的方法是计算两条轨迹之间的相似度，设两条映射点轨迹分别为和，。首先，为了简化计算我们先做一些预处理，把明显不在同一辆车上的用户排除。只有满足以下条件的用户对才会进入轨迹匹配阶段。如果用户a和b的出行时间如果存在比较大的重合，则进入下一步判断，否则判断他们不搭乘同一辆汽车。判断的依据是出行时间的重合度达到80%以上，即然后，根据轨迹之间的相似度判断。两点之间的时空距离计算公式为表示两个映射点之间的路程长度，表示两个点之间的<本文档来自技高网...

【技术保护点】
1.一种基于电信大数据的高速公路车流估计方法，其特征在于，包括以下步骤：/nS1、基于手机数据的稀疏性特点构建HMM（隐马尔科夫）模型来完成从轨迹点到最佳路段的匹配任务；/nS2、完成道路匹配后，得到单手机用户行驶轨迹点；/nS3、根据用户在行驶轨迹点，匹配到对应的路段上面；/nS4、通过合并相似手机轨迹得到车辆轨迹，得到了更密集的映射点；/nS5、根据S4得到的映射点，够获更精确的车辆行驶速度。/n

【技术特征摘要】
1.一种基于电信大数据的高速公路车流估计方法，其特征在于，包括以下步骤：
S1、基于手机数据的稀疏性特点构建HMM（隐马尔科夫）模型来完成从轨迹点到最佳路段的匹配任务；
S2、完成道路匹配后，得到单手机用户行驶轨迹点；
S3、根据用户在行驶轨迹点，匹配到对应的路段上面；
S4、通过合并相似手机轨迹得到车辆轨迹，得到了更密集的映射点；
S5、根据S4得到的映射点，够获更精确的车辆行驶速度。


2.根据权利要求1所述的一种基于电信大数据的高速公路车流估计方法，其特征在于：S1包括以下步骤，
S1a、据所述用户的移动轨迹，获取所述移动轨迹中每一个定位点的观测概率和转移概率，其中，所述观测概率为若所述用户
所乘坐车辆的行驶道路为，则观测到定位点的概率，所述转移概率为在时刻，若所述用户所乘坐车辆的行驶道路为，则下一时刻时刻，所述用户所乘坐车辆的行驶道路为的概率；
S1b、基于所述隐马尔可夫模型中的动态规划Viterbi算法，根据所述移动轨迹中每一
个定位点的观测概率和转移概率解码出所述用户所乘坐车
辆的行驶道路。


3.根据权利要求1所述的一种基于电信大数据的高速公路车流估计方法，其特征在于：S2包括以下步骤，
S2a、已知HMM模型的观测变量，隐含状态数量，观测变量的观测概率以及隐含状态之间的转移概率，求隐藏状态；
这个问题可以用动态规划Viterbi算法来求解，从左往右每一步的所有选择都保存了前续所有步骤到当前步骤当前选择的最小总代价（或者最大价值）以及当前代价的情况下前继步骤的选择；然后从后往前回溯得到最大概率...

【专利技术属性】
技术研发人员：朱悦，戴吉秋，高兆庆，林志生，路国平，
申请(专利权)人：北京智数时空科技有限公司，
类型：发明
国别省市：北京;11