基于手机信令的道路交通流量状态识别及预测

《基于手机信令的道路交通流量状态识别及预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于手机信令的道路交通流量状态识别及预测　　【摘要】提出了一种基于手机信令的道路交通流量状态识别与预测方法，能够基本上满足智能交通建设的数据广域、全面、实时、动态的要求，并提供路况拥堵查询、统计预警分析等功能应用，是一种可靠的实时交通信息采集方式。由于其自身具备投资少、维护成本低的优点，可在短时间向二三线城市大范围推广应用。　　【关键词】手机信令道路状态识别实时交通　　doi：10.3969/j.issn.1006-1010.2015.10.003中图分类号：TN929.53文献标识码：A文章编号：1006-1010（2015）10-0017-05　　引用格式：

2、胡斌杰，詹益旺.基于手机信令的道路交通流量状态识别及预测[J].移动通信，2015，39（10）：17-21.　　1引言　　道路交通状态的拥堵是人们普遍关注的问题，如果解决得不好，不但会影响人们的正常生活，还会对社会、生态以及人们的身体健康产生不利的影响。近年来，各级政府和交通管理部门都非常重视道路交通状态的监控，各研发机构和厂商也不断地推出了道路交通状态监控的解决方案及设备。8　　目前主流的道路状态识别方式有两种：一种是基于感应器的道路状态识别，其原理是一旦车辆经过路面，感应器就会产生信号，通过检测信号就能获取道路上经过车辆的数量，并根据检测所发生的时间差来计

3、算车辆的速度。但这种方式采集数据存在采集内容和范围有限、采集和维护成本高的缺陷，推广使用存在困难。另一种方式是基于GPS定位的道路状态识别，其原理是通过采集在道路上行驶的且装有GPS装置车辆的行驶信息，以车辆为探针获取其在道路上的位置、速度等信息，以车辆速度反映道路的拥堵现状。但这种方式也存在获取测量数据成本提高、开通GPS的车辆少、密集城区的测量精度受限等缺陷，不适应大范围推广应用。　　基于此，本文提出一种“基于手机信令定位的道路状态识别方式”，这种方式是以手机为探针，通过手机信令获取车辆在道路上的位置、速度等信息，以车辆速度反映道路的拥堵现状。以车辆内的手机

4、作为“探针”，这些“探针”在一定时间周期内将所探测的交通状态主动进行报告，从而动态把握整个城市道路网络的交通运行状态。基于手机信令的道路状态识别方式在成本、信息获取便捷程度方面要远远优于以上两种方式，适用于二三线城市的智能交通建设，具有非常巨大的推广价值和市场发展潜力。　　2基于手机信令的道路状态识别方案　　基于手机信令的道路状态识别的主要思想是：首先，从运营商获取用户手机信令数据；其次，根据道路匹配算法对用户进行识别和区分，筛选出在道路上移动的用户；再次，针对已得到的道路用户进行用户定位以及移动速度的计算；最后，根据用户移动的速度以及所处道路，从而判断出不同道

5、路的交通拥堵状态。下面对该方法的具体步骤以及相关算法进行详细描述。　　2.1信令数据获取8　　基于移动运营商的BSS域数据管理系统，在连续一个月的时间周期内，对占保定总人口20%的保定联通200多万手机用户进行追踪，动态采集了保定市域范围内手机用户的信令数据。信令数据主要包括：IMSI（匿名加密用户唯一标识）、Cell_ID（基站小区编号）、TIME（时间戳）、LOCATION（经纬度）、EVENT（事件类型）等。　　2.2道路匹配及用户识别　　首先，利用GIS缓冲分析技术，将基站以500m作为缓冲半径（城市里一般基站的覆盖范围是500m），与道路进行叠加分析，

6、把基站拟合到道路上，如图1所示：　　经过基站缓冲与道路叠加分析，得到每条道路上分布不同的基站序列，以此作为道路的基站切换序列，记为Ri={n1，n2，…，nk}，其中Ri表示第i条道路，nk表示基站序列中第k个基站；同时，通过用户手机切换信令数据按照时间维度进行排列，可以得到每个用户经过的一系列基站的切换序列Uj={n1，n2，…，nm}。然后对每个用户的移动切换序列与道路的基站切换序列进行相似度计算，获得与该用户移动轨迹和道路匹配的信息，从而筛选出在道路上的用户。本文采用的相似度测量方法是计算Ri与Uj的欧式距离，具体如下：　　2.3道路用户定位　　由于基站的

7、覆盖范围较大，对于在道路上的用户，无法精准定位该用户所处具体的某个路段，因此针对已经匹配到道路上的用户，需要进一步对其精准定位，从而反映更加真实的交通状况。本文主要运用基于3D射线追踪与隐马尔可夫模型的Cell_ID定位方法。该定位方法的主要思想是：8　　首先，通过3D射线追踪模型得到建立定位指纹库，包括覆盖范围内移动台接收到的服务基站信息，根据道路划分的区域（以100×100m为一个网格分割道路），计算出每个道路网格的观测矩阵（每个网格接收到的基站信息作为观测向量）和基站接收概率矩阵，具体如表1和表2所示。　　其次，根据用户的移动手机切换信令的基站序列与定位指

8、纹库的观测矩阵进行相似性