本发明属于交通信息采集领域，具体涉及一种基于移动网络数据的高速公路虚拟断面车流量监测方法。
背景技术：
：随着近年来经济的高速增长、高速公路基础设施建设突飞猛进，由于节假日免费通行政策、流量增长、事故频发等，高速公路拥堵越来越常态化，拥堵范围大、持续时间长，因此需要信息化、自动化手段实时、准确、可靠、可持续地获取高速公路车流量信息，为交管部门的交通运营管理、研判、分析等提供决策支持定量分析数据，提升高速公路运营管理效果。技术实现要素：本发明的目的是根据上述现有技术的不足之处，提供一种基于移动网络数据的高速公路虚拟断面车流量监测方法，该方法从海量的移动网路数据中挖掘高速公路的人员出行轨迹，可任意将高速公路划分成若干个虚拟断面，推导出高速公路的虚拟断面的车流量信息。本发明目的实现由以下技术方案完成：一种基于移动网络数据的高速公路虚拟断面车流量监测方法，所述方法包括以下步骤：1)将高速公路划分为若干道路区段，所述道路区段表示为linkg，其中，g＝1、2…h，h为所述道路区段的数量；相邻所述道路区段之间的连接处为道路节点；2)使用高速公路周边的若干个基站采集所述基站周边手机的移动网络数据；采集过程中，所述基站对每个所述手机按照时间序列进行若干次采样，每条所述移动网络数据包括手机匿名编号、时间戳、采样位置的经度loni以及所述采样位置的纬度lati；3)对所述移动网络数据进行去噪清洗；4)将所述移动网络数据按照各手机的所述手机匿名编号进行分组，并对每组所述移动网络数据按照采样时间升序排列；分别计算各个所述手机在各个所述采样位置时所述手机的轨迹拟合斜率k；5)依据所述移动网络数据、所述轨迹拟合斜率以及各个所述道路区段的位置参数，使用深度搜索算法将各个所述手机的各个所述采样位置匹配到相应的所述道路区段，并得出各个所述手机经过的所述道路区段的道路集合；6)计算各所述手机经过各个所述道路节点的时间；7)选定一个所述道路节点作为虚拟断面，对经过该所述道路节点的所述手机进行聚类得到划分簇；在对所述虚拟断面上的车流量进行汇总统计时，将划分簇中的每一簇判定为一辆车辆。对所述移动网络数据进行去噪清洗具体包括以下步骤：对所述手机匿名编号、所述采样时间及所述采样位置均相同的所述移动网络数据进行去重处理；根据所述采样位置，剔除与所述高速公路空间范围无关的所述移动网络数据；计算各所述移动网络数据采集时对应手机的速度，并剔除速度异常的所述移动网络数据。计算各所述移动网络数据采集时对应手机的速度，并剔除速度异常的所述移动网络数据具体包括以下步骤：3.1)将所述移动网络数据按照各手机的所述手机匿名编号进行分组，并对每组所述移动网络数据按照采样时间升序排列；依次遍历每个所述手机对应的所述移动网络数据的分组序列；3.2)在遍历过程中，依次计算第i条所述移动网络数据(i＝1，2…n，n为所述手机对应的所述移动网络数据的总记录条数)的采样位置与第i+1条所述移动网络数据的采样位置之间的直线距离s，直线距离s的计算公式如下所示：其中，r＝6378.137，π＝3.1415926，loni和lati分别为i条所述移动网络数据的所述采样位置的经度和纬度；loni+1和lati+1分别为i+1条所述移动网络数据的所述采样位置的经度和纬度；3.3)将第i条所述移动网络数据的所述采样时间减去第i+2条所述移动网络数据的所述采样时间，得到所述手机从第i个所述采样位置移动至第i+1个所述采样位置的移动时间t；根据速度公式v＝s/t可计算出所述手机从第i个所述采样位置移动至第i+1个所述采样位置之间的速度v；3.4)当速度v大于异常速度阈值时，剔除第i+1条所述移动网络数据，并跳转至步骤3.2)；当速度v小于等于所述异常速度阈值时，对i进行累加，使得i＝i+1；若累加后i＜n，则跳转至步骤3.2)，若累加后i＝n，表示当前所述手机的所述移动网络数据遍历完成。经过分组排序后，每个所述移动网络数据的序列对应一个所述手机；计算某个所述手机在某个所述采样位置时所述手机的轨迹拟合斜率k具体包括以下步骤：选取所述手机对应的所述移动网络数据的序列；在所述移动网络数据的序列中选取所述采样位置对应的第i个所述移动网络数据，并在所述移动网络数据的序列中选取第i个所述移动网络数据至第i+num-1个所述移动网络数据；将选取的num个所述移动网络数据对应的所述采样位置代入拟合斜率计算公式，并计算出所述手机的轨迹拟合斜率；该公式如下所示：其中：k为所述手机在第i个所述移动网络数据对应的所述采样位置处的轨迹拟合斜率，num为大于等于3的整数，loni和lati分别为第i条所述移动网络数据的所述采样位置的经度和纬度，n为整数。使用深度搜索算法将某个所述手机的各个所述采样位置匹配到相应的所述道路区段，并得出所述手机经过的所述道路区段的道路集合具体包括以下步骤：选取所述手机对应的所述移动网络数据的序列；遍历所述移动网络数据的序列中的每条所述移动网络数据；在对某条所述移动网络数据进行遍历过程中，计算该所述移动网络数据对应的所述采样位置周边的候选道路区段的集合，并使路径匹配权重评价函数分别计算该所述采样位置与各所述候选道路区段的之间的匹配权重；使用深度搜索算法，在各所述候选道路区段的集合中选取一条匹配权重的加和数值最低的连通路径作为所述手机经过的所述道路区段的道路集合；根据所述道路集合，确定各条所述移动网络数据的所述采样位置所在的所述道路区段。计算该所述移动网络数据对应的所述采样位置周边的候选道路区段的集合，并使路径匹配权重评价函数分别计算该所述采样位置与各所述候选道路区段的之间的匹配权重具体包括以下步骤：选取以所述采样位置为圆心，l为半径的区域内的所述道路区段作为候选道路区段的集合，表示为linkgg，其中gg＝1、2…hh，hh为候选道路区段的数量；计算所述采样位置与某个所述候选道路区段之间的匹配权重的过程中，首先计算所述采样位置到所述候选道路区段的垂直投影距离d，计算所述候选道路区段link的斜率其中(xf，yf)是该所述候选道路区段link起点坐标，(xt，yt)是该所述候选道路区段link终点坐标；将所述采样位置处所述手机的轨迹拟合斜率k、所述候选道路区段link的斜率k0、以及所述采样位置到所述候选道路区段的垂直投影距离d代入路径匹配权重评价函数中计算所述匹配权重，所述路径匹配权重评价函数如下所示：其中，q为所述候选道路区段与所述手机的轨迹拟合斜率之间的夹角的合理范围阈值，q1为夹角权值，q2为距离权值，k为所述采样位置处所述手机的轨迹拟合斜率，k0为所述候选道路区段的斜率，d为所述采样位置到所述候选道路区段的垂直投影距离，l为所述候选道路区段的区域半径。计算某个所述手机经过某个所述道路节点的时间具体包括以下步骤：根据该所述手机经过的所述道路区段的道路集合，确定所述手机在该所述道路节点两侧最近的两个所述采样位置；将两个所述采样位置对应的所述移动网络数据代入计算公式，计算该所述手机经过该所述道路节点的时间；所述计算公式如下所示：其中，timeni是所述手机经过所述道路节点ni的时间，timei是第i个所述移动网络数据的时间戳，timei+1是第i+1个所述移动网络数据的时间戳，是所述道路节点ni到第i个所述移动网络数据的所述采样位置之间的距离，是第i+1个所述移动网络数据的所述采样位置到第i个所述移动网络数据的所述采样位置之间的距离。对经过该所述道路节点的所述手机进行聚类得到划分簇，具体包括以下步骤：对每个所述手机选取维度a1和维度a2，其中：维度a1：为手机所经过的道路集合的匹配度rm，其计算公式为：维度a2：手机进入该道路节点的时刻差tt，其计算公式为：tt＝手机1经过该道路节点的时间-手机2经过该道路节点的时间；对上述两个维度(匹配度rm和时刻差tt)的每个属性值ei分别做规格化(0，1)处理，公式其中min(ei)和max(ei)表示其所在维度的所有元素项中的最小值和最大值；随机选取j个数据对象(维度a1，维度a2)作为初始的j个簇的质心，再将剩余的每个对象，根据其与各个质心的距离其中a，b∈数据对象，d表示维度个数，将它赋给最近的簇，然后重新计算每个簇的质心；不断重复上述过程，直至平方误差和准则函数sse最小时收敛，即其中p为数据对象，mi作为簇ci的平均值，j为簇的个数；具体计算步骤如下所示：1)输入数据集x＝{xm|m＝1，2，3，...，total}，x中的数据对象用两个维度描述属性a1，a2来表示；2)输出是数据的簇划分c＝{c1，c2，...，cj}；3)数据集x中，令i＝1，选取j个初始簇的质心zt(i)，t＝1，2，…，j；4)计算每个数据对象与每个簇质心的距离d(dxi，zt(i))，i＝1，2，…，m；t＝1，2，…，j；若满足d(dxi，zj(i))＝min{d(dxi，zt(i))，i＝1，2，...，m}，则dxi∈cj；5)计算j个新的簇的质心，每个簇下所有元素各自维度的算术平均数作为新的质心，即6)若zt(i+1)≠zt(i)，t＝1，2，...，j，则i＝i+1，返回4)；否则认为所有质心向量都没发生变化，输出划分簇c＝{c1，c2，...，cj}；7)若输出的划分簇的元素数量超过限定值r(最大载客量)，则计算该簇中的每个元素与其他剩余集合元素的距离均方差，按照距离均方差排序，选取距离均方差小的集合归为一簇，剩余元素单独归为一簇；8)输出划分簇c＝{c1，c2，...，cj}。本发明的优点是，充分依托现有的移动通信网络资源，以海量的移动网路数据为输入，采用虚拟断面技术，实现高速公路虚拟断面车流量的识别机制；该发明可用于自动化地识别虚拟断面的车流量信息。附图说明图1为本发明基于移动网络数据的高速公路虚拟断面车流量监测方法的流程图。具体实施方式以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：实施例：如图1所示，本实施例具体涉及一种基于移动网络数据的高速公路虚拟断面车流量监测方法，该方法具体包括以下步骤：1)将高速公路划分为若干道路区段(linkg，g＝1、2…h，h为道路区段的数量)；相邻道路区段之间的连接处为道路节点；在本实施例中，根据高速公路的出入口、立交互通，结合道路方向进行自然分段处理，并在一个自然分段内按照每1公里等分打断处理，处理得到每条高速每个方向每1公里一个道路区段，各道路区段的数据格式如表1所示，各道路节点的数据格式如表2所示。表1：高速路网link数据表(示例)路段编码起始断面编码终止断面编码长度420101012042014695420147121000.8420100475842011952420115331000.2420101028542014712420146951010.2420100501142012642420126351005420100537042012635420126421001.7表2：道路节点数据表(示例)断面编码经度纬度42014695120.2705642880030.0555617218042011952120.2438175810029.9660571241042014712120.2961288640030.0978186768042012642120.2945209850030.0881471716042012635120.2515740120030.101749805902)使用高速公路周边的若干个基站采集基站周边手机的移动网络数据；采集过程中，基站对每个手机按照时间序列进行若干次采样，每条移动网络数据包括手机匿名编号、时间戳、采样位置的经度loni以及所述采样位置的纬度lati；移动网络数据是一种手机与基站通信时产生的数据，本实施例中，基站在手机位置更新、小区切换、通话、短信、开机、关机、上网等事件发生时采集手机的移动网络数据；移动网络数据的数据格式如表3和表4所示。表3：手机移动网络数据(原始数据)手机编号时间戳lac编码cell编码经度纬度12015/9/2313：５７：281385437914120.119730.3999912015/9/2314：02：311385554154120.083930.4607712015/9/2314：02：３11385554154120.083930.4607712015/9/2314：07：051699210178120.023130.4989612015/9/2314：10：081699211187120.023830.5440112015/9/2314：11：491699234416120.039830.565112015/9/2314：13：42169928929120.046730.593812015/9/2314：14：35169928928120.051230.606312015/9/2314：17：101699243537120.065930.6388412015/9/2314：18：511699135557120.055430.6601212015/9/2314：22：511699135557120.055430.6601212015/9/2314：38：511699135557120.055430.6601212015/9/2314：40：061699135558120.053430.66725表4：基站小区与高速公路对应关系表lac编码cell编码高速公路13855541546251699234416g251699210178g253)对移动网络数据进行去噪清洗；去噪清洗包括以下步骤：3.1)对手机匿名编号、采样时间及采样位置均相同的所述移动网络数据进行去重处理；3.2)根据采样位置，剔除与高速公路空间范围无关的所述移动网络数据；3.3)计算各移动网络数据采集时对应手机的速度，并剔除速度异常的移动网络数据；计算过程具体包括以下步骤：3.3.1)将移动网络数据按照各手机的手机匿名编号进行分组，并对每组移动网络数据按照采样时间升序排列；依次遍历每个手机对应的移动网络数据的分组序列；3.3.2)在遍历过程中，依次计算第i条所述移动网络数据(i＝1，2…n，n为手机对应的移动网络数据的总记录条数)的采样位置与第i+1条移动网络数据的采样位置之间的直线距离s，直线距离s的计算公式如下所示：其中：r＝6378.137，π＝3.1415926，loni和lati分别为i条所述移动网络数据的所述采样位置的经度和纬度；loni+1和lati+1分别为i+1条所述移动网络数据的所述采样位置的经度和纬度；3.3.3)将第i条移动网络数据的采样时间减去第i+2条移动网络数据的采样时间，得到手机从第i个采样位置移动至第i+1个采样位置的移动时间t；根据速度公式v＝s/t可计算出手机从第i个所述采样位置移动至第i+1个采样位置之间的速度v；3.3.4)当速度v大于异常速度阈值时，剔除第i+1条所述移动网络数据，并跳转至步骤3.2)；当速度v小于等于所述异常速度阈值时，对i进行累加，使得i＝i+1；若累加后i＜n，则跳转至步骤3.2)，若累加后i＝n，表示当前所述手机的所述移动网络数据遍历完成。表5：手机移动网络数据去噪、清洗处理手机编号时间戳lac编码cell编码经度纬度12015/9/2314：02：311385554154120.083930.4607712015/9/2314：07：051699210178120.023130.4989612015/9/2314：10：081699211187120.023830.5440112015/9/2314：11：491699234416120.039830.565112015/9/2314：13：42169928929120.046730.593812015/9/2314：14：35169928928120.051230.606312015/9/2314：17：101699243537120.065930.6388412015/9/2314：18：511699135557120.055430.6601212015/9/2314：40：061699135558120.053430.6672512015/9/2314：43：47169919394120.065930.70886表6：移动网络数据速度异常处理前手机编号时间戳lac编码cell编码经度纬度速度12015/9/2314：02：311385554154120.083930.4607794.812015/9/2314：07：051699210178120.023130.4989698.712015/9/2314：10：081699211187120.023830.54401194.112015/9/2314：11：001699234416120.039830.565172.512015/9/2314：13：42169928929120.046730.593899.012015/9/2314：14：35169928928120.051230.606390.312015/9/2314：17：101699243537120.065930.6388491.712015/9/2314：18：511699135557120.055430.660122.312015/9/2314：40：061699135558120.053430.6672577.912015/9/2314：43：47169919394120.065930.70886/表7：移动网络数据速度异常处理后手机编号时间戳lac编码cell编码经度纬度速度12015/9/2314：02：311385554154120.083930.4607794.812015/9/2314：07：051699210178120.023130.4989698.712015/9/2314：10：081699211187120.023830.54401100.312015/9/2314：13：42169928929120.046730.593899.012015/9/2314：14：35169928928120.051230.606390.312015/9/2314：17：101699243537120.065930.6388491.712015/9/2314：18：511699135557120.055430.660122.312015/9/2314：40：061699135558120.053430.6672577.912015/9/2314：43：47169919394120.065930.70886/4)将移动网络数据按照各手机的手机匿名编号进行分组，并对每组移动网络数据按照采样时间升序排列；分别计算各个手机在各个采样位置时手机的轨迹拟合斜率k；计算过程如下所示：经过分组排序后，每个移动网络数据的序列对应一个手机；计算某个手机在某个采样位置时手机的轨迹拟合斜率k具体包括以下步骤：4.1)根据手机匿名编号选取与手机对应的移动网络数据的序列；4.2)在移动网络数据的序列中选取与采样位置对应的第i个移动网络数据，并在移动网络数据的序列中选取第i个移动网络数据至第i+num-1个移动网络数据；4.3)将选取的num个移动网络数据对应的采样位置代入拟合斜率计算公式，并计算出手机的轨迹拟合斜率；该公式如下所示：其中：k为手机在第i个移动网络数据对应的采样位置处的轨迹拟合斜率，num为大于等于3的整数，loni和lati分别为第i条移动网络数据的采样位置的经度和纬度，n为整数。在本实施例中，num为3；以表7的第一条、第二条、第三条记录为例，手机位于表7中第一条移动网络数据的采样位置是，该手机的轨迹拟合斜率为k＝(-(120.0839+120.0231+120.0238)*(30.46077+30.49896+30.54401)+3*(120.0839*30.46077+120.0231*30.49896+120.0238*30.54401))/(3*(120.0839^2+120.0231^2+120.0238^2)-(120.0839+120.0231+120.0238)^2)＝-0.99。5)依据移动网络数据、轨迹拟合斜率以及各个道路区段的位置参数，使用深度搜索算法将各个手机的各个采样位置匹配到相应的道路区段，并得出各个手机经过的道路区段的道路集合；计算过程具体包括以下步骤：5.1)选取手机对应的移动网络数据的序列；5.2)遍历移动网络数据的序列中的每条所述移动网络数据；在对某条所述移动网络数据进行遍历过程中，计算该移动网络数据对应的采样位置周边的候选道路区段的集合，并使路径匹配权重评价函数分别计算该采样位置与各候选道路区段的之间的匹配权重；具体计算过程如下所示：5.2.1)选取以采样位置为圆心，l为半径的区域内的道路区段作为候选道路区段的集合，，表示为linkgg，其中gg＝1、2…hh，hh为候选道路区段的数量；5.2.2)计算该采样位置与某个候选道路区段之间的匹配权重的过程中，首先计算采样位置到候选道路区段的垂直投影距离d，计算候选道路区段link的斜率其中(xf，yf)是该候选道路区段link起点坐标，(xt，yt)是该候选道路区段link终点坐标；将采样位置处所述手机的轨迹拟合斜率k、候选道路区段link的斜率k0、以及采样位置到候选道路区段的垂直投影距离d代入路径匹配权重评价函数中计算匹配权重，路径匹配权重评价函数如下所示：其中，q为候选道路区段与手机的轨迹拟合斜率之间的夹角的合理范围阈值，q1为夹角权值，q2为距离权值，k为采样位置处手机的轨迹拟合斜率，k0为候选道路区段的斜率，d为采样位置到所述候选道路区段的垂直投影距离，l为候选道路区段的区域半径。5.3)使用深度搜索算法，在各候选道路区段的集合中选取一条匹配权重的加和数值最低的连通路径作为手机经过的道路区段的道路集合；根据道路集合，确定各条移动网络数据的采样位置所在的所述道路区段。表8：移动网络数据路径匹配结果6)计算各手机经过各个道路节点的时间；计算某个手机经过某个道路节点的时间计算具体包括以下步骤：根据需要计算的手机经过的道路区段的道路集合，确定该手机在需要计算的道路节点两侧最近的两个采样位置；将两个采样位置对应的移动网络数据代入计算公式，计算该手机经过该所述道路节点的时间；计算公式如下所示：其中，timeni是该手机经过所述道路节点ni的时间，timei是第i个移动网络数据的时间戳，timei+1是第i+1个移动网络数据的时间戳，是该道路节点ni到第i个移动网络数据的采样位置之间的距离，是第i+1个移动网络数据的采样位置到第i个移动网络数据的采样位置之间的距离；其中该道路节点位于第i个采样位置与第i+1个采样位置之间；手机先经过第i个采样位置，随后经过该道路节点，最后经过第i+1个采样位置；重复上述步骤，即可计算出各个手机经过各个道路节点的时间。表9：移动网络数据进入路段节点时刻推算7)选定一个道路节点作为虚拟断面，对经过该道路节点的所述手机进行聚类得到划分簇；在对虚拟断面上的车流量进行汇总统计时，将划分簇中的每一簇判定为一辆车辆，每个簇中的若干个手机表示该车辆中的有多个携带手机的乘客；对经过该所述道路节点的所述手机进行聚类得到划分簇，具体包括以下步骤：对每个手机选取维度a1和维度a2，其中：维度a1：为手机所经过的道路集合的匹配度rm，其计算公式为：维度a2：手机进入该道路节点的时刻差tt，其计算公式为：tt＝手机1经过该道路节点的时间-手机2经过该道路节点的时间；对上述两个维度(匹配度rm和时刻差tt)的每个属性值ei分别做规格化(0，1)处理，公式其中min(ei)和max(ei)表示其所在维度的所有元素项中的最小值和最大值；随机选取j个数据对象(维度a1，维度a2作为初始的j个簇的质心，再将剩余的每个对象，根据其与各个质心的距离其中a，b∈数据对象，d表示维度个数，将它赋给最近的簇，然后重新计算每个簇的质心；不断重复上述过程，直至平方误差和准则函数sse最小时收敛，即sse＝其中p为数据对象，mi作为簇ci的平均值，j为簇的个数；具体计算步骤如下所示：1)输入数据集x＝{xm|m＝1，2，3，...，total}，x中的数据对象用两个维度描述属性a1，a2来表示；2)输出是数据的簇划分c＝{c1，c2，...，cj}；3)数据集x中，令i＝1，选取j个初始簇的质心zt(i)，t＝1，2，…，j；4)计算每个数据对象与每个簇质心的距离d(dxi，zt(i))，i＝1，2，…，m；t＝1，2，…，j；若满足d(dxi，zj(i))＝min{d(dxi，zt(i))，i＝1，2，...，m}，则dxi∈cj；5)计算j个新的簇的质心，每个簇下所有元素各自维度的算术平均数作为新的质心，即6)若zt(i+1)≠zt(i)，t＝1，2，...，j，则i＝i+1，返回4)；否则认为所有质心向量都没发生变化，输出划分簇c＝{c1，c2，...，cj}；7)若输出的划分簇的元素数量超过限定值r(最大载客量)，则计算该簇中的每个元素与其他剩余集合元素的距离均方差，按照距离均方差排序，选取距离均方差小的集合归为一簇，剩余元素单独归为一簇；8)输出划分簇c＝{c1，c2，...，cj}。表10：用户所经过的道路集合匹配度表11：进入每个路段首点的时刻差tt当前第1页12