一种移动用户的运动状态识别系统及其方法与流程

本发明涉及智能交通与无线定位技术，尤其涉及一种移动用户的运动状态识别系统及其方法。

背景技术：

近年来，随着社会的发展交通拥堵已成为全球性的问题，在降低城市效率的同时也引起一系列后果，因此不利于城市化和机动化。

研究人员一直致力于通过提供各种类型的方案来解决交通拥堵问题。其中的一个方案是通过收集有效的交通信息，将其提供给驾驶者来帮助他们作出更合理的驾驶决定。实践也证明了，向公共交通参与者提供实时的交通信息是避免道路拥塞以及制定最优驾驶路线决策的关键因素。

目前，在中国内地和香港特区，已经有一些私营企业和政府机构开始向出行者提供交通数据。据调查，上述地区的交通部门已经推出一些收集交通数据的措施，可以采用不同的方式接收不同种类交通工具的交通数据，但是尚缺乏一些对交通数据进行分析的技术。由于交通数据通常以数字形式存在，驾驶者不能直接使用。另据调查结果显示，现在世界上发达国家或地区对交通数据的利用率仍然很低。

因此，亟需研究一种能够充分挖掘和利用交通数据的技术，以提高实时交通数据的利用率。

技术实现要素：

有鉴于此，本发明的主要目的在于提供一种移动用户的运动状态识别系统及其方法，通过特定算法确定移动用户的运动状态，帮助分析实时交通数据，以提高实时交通数据的利用率。

本发明的另一目的在于通过分析收集到的移动交通数据，辨别和预测交通模式，以及更加准确地预测交通网络的交通状况。

为达到上述目的，本发明的技术方案是这样实现的：

一种移动用户的运动状态识别系统，包含交通数据收集模块、交通数据分析模块和分析结果输出模块以及显示模块；其中：

所述交通数据接收模块，用于收集移动用户运动状态的特征；

所述交通数据分析模块，用于识别移动用户的运动状态，以此辨别和预测交通状况；

所述分析结果输出模块，用于以数值记录每个移动用户的运动状态以及不同路段的交通状况；以及，

所述显示模块，用于在用户终端上以不同颜色显示各路段的实时交通状况，给出系统建议的最优驾驶路线。

其中：所述移动用户运动状态的特征，包括速度、位置、时间、行驶方向、刹车信息。

所述移动用户的运动状态，包括静止状态、步行状态以及随机动车运动的状态。

所述随机动车运动的状态具体包括在低速机动车和高速机动车两种状态。

一种移动用户的运动状态识别方法，包括如下步骤：

A、用于收集移动交通数据的步骤；

B、利用内置有支持向量机的数据分析模块对移动交通数据进行分析，分辨各种移动用户类别以及运动状态的步骤；

C、判断所述移动用户在单位时间内的移动速度是否大于某一预设速度值，若是，则判定其在行驶的车上；若否，则判定其不在行驶的车上。

其中：步骤C后进一步包括：D、根据需要转换移动用户终端应用模式的步骤，具体为：关闭数据分析模式或开启数据分析模式。

步骤D进一步包括：若关闭数据分析模式，则保持当前交通状态；否则，返回执行步骤A。

所述收集移动交通数据的过程为：利用各种接入无线通信网络的移动终端或/和交通工具进行收集移动用户的用户信息及运动状态信息。

所述移动终端和交通工具中内置有支持向量机的交通数据分析模块。

所述交通工具接入V2V网络。

所述用户信息，包括收集移动交通数据的终端和车辆类型数据。

所述运动状态信息，包括运动速度、位置、时间、行驶方向、刹车和天气状况信息。

本发明所提供的移动用户的运动状态识别系统及其方法，具有以下优点：

如上文所述，识别移动用户的运动状态，如静止，行走，在低-速度高速的车辆里面，是对使用移动设备来收集实时交通信息非常重要的。通过使用这个算法，分析师可以轻松地选取合适的交通数据来进行下一步的分析。因此，这项发明可以优化提高交通数据利用。

相比于其他机器学习算法，所述移动用户的运动状态识别算法由于将低维数据映射到高维空间，进一步提高算法分类准确率，在项目实测中准确率可达94.93％。所述移动用户的运动状态识别算法模型训练时，在训练样本较少时依然可以达到较高的准确率，这使得该算法可以更加广泛快速的运用，而无需长时间等待收集数据。所述移动用户的运动状态识别算法相比于其他机器学习算法，如神经网络算法等，计算量小，所需计算时间少，对内存和硬件要求低。

附图说明

图1为本发明实施例移动用户的运动状态识别系统中采用的支持向量机(SVM)的最优分类面示意图；

图2为本发明实施例移动用户的运动状态识别系统的组成架构示意图；

图3为本发明实施例移动用户的运动状态识别方法的流程示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明的移动用户的运动状态识别系统 及其方法作进一步详细的说明。

本发明通过分析收集到的移动交通数据，结合从其他途径收集过来的数据，比如来自线圈、GPS定位车辆、V2V网络和视频监控，从而来辨别和预测交通模式。这些结果将被用作来预测某些无法采集实时交通数据的路段或者预测一些能够提供实时交通数据的路段的未来路况。根据贝叶斯网络方法可以善于处理来自相邻道路的交通信息，还可以处理不完整的数据。所以，我们可以根据不完整的数据，更加准确地预测出交通网络的交通状况。

这里，所述V2V网络是一种网状网络，处于网络中的节点(如汽车、智能交通灯等)可以发射、捕获并转发信号，在该网络上，汽车之间互相传送消息，告诉对方自己在做什么，所述信息包括但不限于速度、位置、行驶方向、刹车等。所述V2V技术使用专用短程通信(DSRC)，其覆盖范围可达300米，其还可以利用网络上多个节点的跳跃收集1.5公里外的交通状况，这对多数驾驶者来说都有足够的应对时间。

将本发明用于识别移动用户的运动状态，如静止、行走、在低速或高速的车辆中等，这对使用移动设备来收集实时交通信息而言显得尤为重要。为了准确地预测用户的运动状态，我们使用扩展类关联规则(CAR)算法来建立一些有价值的规则。这些规则来自于覆盖各种类型的真实用户信息(如速度、位置、时间、行驶方向、刹车等)，可以方便地与重要领域知识集成。所提议的方法，通过应用这些规则和考虑一些不确定性，可以符合智能交通系统(ITS)的动态和开放环境下的需求。而通过识别移动用户的运动状态，如静止、行走、在低速、高速的车辆中等情况，采用本发明的方法，可以轻松地选取合适的交通数据来进行下一步的分析，因而可以用来提高交通数据的利用率。

众所周知，移动用户的活动状态可以分为静止状态、步行状态和随机动车运动的状态(利用非机动车出行的移动用户,一般会保持静止状态或是步行状态)。因此，可以将获取的移动用户样本分为步行类和机动车类。对于随机动车运动的移动用户,在运动过程中可能会产生静止状态,静止状态的产生可能会对最终计算的交通信息产生一定的影响。产生静止状态的原因一般来说有如下 几种：到达目的地停车、换车等待时间、人为停车以及交通拥堵产生的停车。

在运动过程中存在由前3种情况产生的“静止”状态的移动用户(将其归为机动车干扰类)，不管它所在路段的交通状况如何，静止时间长短，它的速度都会小于同一路段上不存在“静止”状态的随车运动的移动用户(将其归为机动车类)的速度；而第4种情况产生的“静止”状态的移动用户，是由路面实际的交通状况产生，对最终的计算结果不会产生影响。

如上所述，移动用户运动速度包括：步行类的移动用户的速度、机动车干扰类的移动用户的速度和机动车类的移动用户的速度。

为了计算路网中各路段的平均速度信息,本发明利用支持向量机(SVM，Support Vector Machines)分类的方法，将从上述移动用户的速度信息中提取出机动车类的移动用户的速度信息。由前面的分析可知，机动车干扰类的移动用户的平均速度始终不大于机动车类的移动用户的平均速度，而步行类的移动用户的平均速度受交通状况的影响很小，大约稳定在3～5km/h(典型值可取4km/h)。

本发明应用支持向量机(SVM)分类的方法将移动用户的速度分为3个类，再根据上述特征判断各个类的类别，质心最接近4km/h的类为步行类，剩下的2个类中，质心小的为机动车干扰类，质心大的为机动车类。最后根据机动车类的移动用户的速度，即可计算出路网中各路段的平均速度或平均出行时间。

本发明采用支持向量机(SVM)进行分类来识别移动用户的运动状态。

这里，我们所使用的机器学习方法是支持向量机(SVM)。该支持向量机它在解决小样本、非线性和高维模式识别中具有很多特有的优势，并且能够推广应用到函数拟合等其他机器学习问题中。

支持向量机(SVM)方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳平衡，以期获得最好的推广能力。

图1为本发明实施例移动用户的运动状态识别系统中用到的支持向量机 (SVM)的最优分类面示意图。

所述支持向量机(SVM)是从线性可分情况下的最优分类面发展而来的，其基本思想可以通过下图中所示的二维情况来进行说明。

如图1所示，C₁和C₂分别表示要区分的两类数据样本；H表示分类线_y＝ωx+b；H₁和H₂是平行于H，且过离H最近的两类样本的直线；H₁与H，H₂与H之间的距离就叫做几何间隔，其表达式为：

$\mathrm{\δ}=\frac{|\mathrm{\ωx}+b|}{\left|\right|\mathrm{\ω}\left|\right|};$

上式中，||ω||表示ω的范数；b表示分类罚值。

所谓最优分类线，就是不但能将两类数据样本正确的分开，使训练错误率最小，而且还要使几何间隔最大。前者保证经验风险最小；而后者实际上就是使推广界中的置信范围最小，几何间隔越大的解，其误差上界就越小。由二维空间拓展到高位空间，最优分类线就成为了最优分类面。相应的分类问题可以转化成一个带约束的求最小值问题。我们在下一部分加以详述。

其中，本发明的移动用户的运动状态识别系统中，采用的支持向量机(SVM)算法，其说明如下：

假设有l个训练样本，用向量x_i∈Rⁿ,i＝1,2,…,l表示。该训练样本在本项目中是用户的移动数据。最终分类的类别以两类为例，用|y_i{1，-1}表示，可以表示用户的静止或移动两种状态。对于这种分类问题，用如下的数学表达式计算。

${}_{w,b,e}\min (\frac{1}{2}{w}^{T}w+C{\mathrm{\Σ}}_{i=1}^i{\mathrm{\ϵ}}_i)$

服从于：

ε_i≥0，1＝1，.......，1。

式(1)中，ε_i表示松弛因子，它允许错分样本的存在；C为一个正值常数，称为惩罚因子；为惩罚项，引入它的目的是希望在经验风险和推广性能之间求得某种平衡。是将x_i投影到一个较高维空间。由于向量参数w可能有 很高的维数，而且该问题为一个带不等式约束的优化问题，可以通过添加Lagrange乘子，构造Lagrange函数解决此问题，并最终将上述最优分类面的求解问题转化为如下凸二次规划寻优的对偶问题：

$\underset{\mathrm{\α}}{\min }\frac{1}{2}{\mathrm{\α}}^T\mathrm{Q\α}-e^T\mathrm{\α}---\left(2\right)$

服从于：y^Tα＝0，0≤α_i≤C，1＝1......1，

式(2)中e＝[1，...，]^T是单位向量，Q是l×l的半正定方阵，α_i为对应的Lagrange乘子，Q_if≡y_iy_fK(x_i，x_f。是核函数，它可以实现由低维空间到高维空间的映射，从而解决非线性问题，常用的核函数有多项式函数、径向基函数和Sigmoid函数等。

本发明中，采用的核函数是径向基函数：

exp(-δr²)，

其中r＝1/n。

通过求解模型(2)，用对偶模型和原模型之间的对应关系，计算得到模型(1)中的向量参数w满足以下条件：

最终计算得到的最优分类面函数是：

这是最后的决定函数。对于一个新的测试样本，如果最优分类面函数的值是负值时，将测试样本划归到y＝-1这一类中，如果最优分类面函数的值是正值时，将测试样本划归到y＝1这一类中。相对应本项目中，我们首先收集用户实际的移动数据作为训练样本，用过模型(2)的计算得到最终(4)中的最优分类面。

结合本发明的技术方案，其中的y代表移动用户所属的类别，即静止和移动，x_i代表移动用户运动状态的特征，如速度、位置、时间、行驶方向、刹车等。

通过对最优分类面函数数值正负的判断，将用户划分为静止和移动两类。 同时，对于移动状态这一类，还可以通过上述算法，划分为步行类和机动车类。此时y代表这两个类别，x_i代表移动用户运动状态的特征，如速度、位置、时间、行驶方向、刹车等。

图2为本发明实施例移动用户的运动状态识别系统的组成架构示意图。如图2所示，所述移动用户的运动状态识别系统，主要包含交通数据收集模块、交通数据分析模块、分析结果输出模块和显示模块。其中：

所述交通数据接收模块，用于收集移动用户运动状态的特征，包括速度、位置、时间、行驶方向和刹车等；

所述交通数据分析模块，用于识别移动用户的运动状态，包括静止状态、步行状态，以及随机动车运动的状态(具体包括在低速机动车和高速机动车两种状态)；再以此辨别和预测交通状况；

所述分析结果输出模块，用于以数值记录每个移动用户的运动状态以及不同路段的交通状况；

所述显示模块，用于在用户终端上以不同颜色显示各路段的实时交通状况，给出系统建议的最优驾驶路线。

图3为本发明实施例移动用户的运动状态识别方法的流程示意图。如图3所示，所述移动用户的运动状态识别方法包括如下步骤：

步骤31：用于收集移动交通数据的步骤。

这里，可以利用各种移动终端或/和车辆等设备或交通工具进行收集移动用户的用户信息及运动状态信息。所述移动终端，包括但不限于能够通过无线接入通信网络的智能移动通信终端、GPS终端、平板电脑。所述车辆，为接入V2V网络的各种交通工具，通常特指各种机动车，如小汽车、公交巴士、货运汽车等。所述用户信息，包括但不限于收集移动交通数据的终端和车辆类型等数据。所述运动状态信息，包括但不限于运动速度、位置、时间、行驶方向、刹车和天气状况等信息。

步骤32：利用内置有支持向量机(SVM)的交通数据分析模块对移动交通 数据进行分析，分辨各种移动用户类别以及运动状态的步骤；然后执行步骤33。

这里，所述利用交通数据分析模块对移动交通数据进行分析的具体过程如下：

步骤33：判断所述移动用户在单位时间内的移动速度是否大于某一预设速度值，若是，则执行步骤34；若否，则执行步骤35。

步骤34：判定其在行驶的车上，然后执行步骤36。

步骤35：判定其不在行驶的车上，然后执行步骤36。

步骤36：根据需要转换移动用户终端应用模式的步骤，然后执行步骤37。

步骤37：判断所述移动用户终端应用模式是否发生改变，若否，则返回步骤31，继续对所收集的移动交通数据进行分析；若是，则执行步骤38，退出数据分析模式。

这里，所述移动用户终端的应用模式是否发生改变，具体为：关闭数据分析模式或开启数据分析模式。

步骤38：保持当前交通状态。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。