[发明专利]一种基于手机运动传感器数据的交通流拥挤判断方法及装置

说明书

本发明涉及智能交通中利用智能手机收集数据领域，尤其是一种基于手机运动传感器数据的交通流拥挤判断方法。基于手机端软件从智能手机运动传感器中的加速度计和三轴陀螺仪模块提取加速度和角加速度参数。由于其不受卫星信号干扰，稳定性高。而且加速度和角加速度反映了周围车辆对实验车辆的行驶环境的影响，可以间接表征车辆所处道路的运行状态。我们将其与手机的GPS数据相结合，共同作为交通流状态估计参数，提高了交通流拥挤状态判别的精度和可靠性。本发明将初始输入变量值输入到Lasso模型中得到筛选参量；然后筛选参量作为SVM模型输入值，通过SVM模型得到当前交通状况。

技术领域

本发明涉及智能交通中利用智能手机收集数据领域，尤其是一种基于手机运动传感器数据的交通流拥挤判断方法技装置。

背景技术

交通数据采集作为状态识别中基础的一环，数据准确性和采集成本是重要的考虑因素。以往的采集方法均有一些不足。比如固定型检测器需要较高的维护成本和复杂的安装操作。而基于视频的交通流数据采集覆盖区域有限，一般为主干道和快速路，对于城市郊区、三线城市或隧道内部会出现路况信息真空的情况。

为扩大路况信息监测区域，研究人员开始关注移动检测设备，如浮动车法和基于手机GPS数据的采集方法。根据出租车GPS浮动车数据，研究交通流宏观交通基本图，可用于预测城市的高峰小时时间或绘制城市交通路网的拥挤地图。

车辆内置带GPS功能的智能手机同样可获取与浮动车相似的数据。与浮动车相比，它还可以降低采集成本，增加样本量和灵活性，因此对象不再只局限于出租车。其中，车载GPS数据，其加速度的标准差参数，发现其与流量、速度和密度一样，能够表征交通流状态。但加速度参数之所以没有被广泛研究，是由于数据采集过程较复杂。

然而民用GPS数据的精确度不高，不能保证精确定位和精准的速度计算，并且容易受到接收讯号强度、卫星状态和天空遮挡物等干扰。如隧道或高架桥等位置GPS信号就比较弱。这将影响根据GPS数据所提取的加速度参数的准确性。

而且，在交通流状态识别算法的以往研究中，可根据支持向量机(Support VectorMachine，SVM)模型对交通流拥挤状态进行识别，但以往算法中未考虑输入参数变量选择。而过多的输入变量造成了计算成本的浪费。

发明内容

本发明所要解决的技术问题是：针对现有技术存在的问题，提供一种基于手机运动传感器数据的交通流拥挤判断方法及装置。基于手机端软件从智能手机运动传感器中的加速度计和三轴陀螺仪模块提取加速度和角加速度参数。由于其不受卫星信号干扰，稳定性高。而且加速度和角加速度反映了周围车辆对实验车辆的行驶环境的影响，可以间接表征车辆所处道路的运行状态。我们将其与手机的GPS数据相结合，共同作为交通流状态估计参数，提高了交通流拥挤状态判别的精度和可靠性。采用基于网格参数寻优的SVM模型方法判断交通流拥挤程度，以基于视频识别的可变信息板（Variable Message Signs，VMS）显示的交通流状态和基于GPS浮动车数据的高德地图的拥挤状态共同作为目标输出，以加速度，角加速度和GPS数据的特征参数作为输入变量，根据LASSO最小角回归算法筛选出强解释参数，从而在保证判别精度的同时降低了输入变量个数，减少了计算成本。

本发明采用的技术方案如下：

一种基于手机运动传感器数据的交通流拥挤判断方法包括：

步骤1：通过计算机对智能手机加速计三个方向加速度Ax、Ay、Az，智能手机三普陀螺仪三个方向的角速度Gx、Gy、Gz以及速度V的七个参数做统计分析，获得七个参数的平均值、方差的变化率、以及方差的最大值参数的21个参数；其中GPS模块是集成于智能手机主板中无线射频芯片模块，用于跟踪运行轨迹，并提供随时间轴变化的经纬度坐标和瞬时速度值，由此获得速度指标V；

步骤2：将步骤1中i个参数的参数值依次赋值给，然后得到初始输入变量值，然后将初始输入变量值输入到Lasso模型中得到筛选参量；其中;