基于智能手机加速度传感器实时交通路况估计方法
【专利摘要】本发明公开了一种基于智能手机加速度传感器实时交通路况估计方法。通过智能手机自带的加速度传感器采集加速度信息，并用手机的内存对测得的数据进行处理，利用离线训练好的模型估计路况信息。该方法具有精度较高、能耗小、可靠性强等优点。在手机端进行数据处理，得出路况估计结果。将测得的路况信息上传至服务器，减轻了数据传输负担和服务器的运算压力，体现出高效节能的优势，具有很好的应用前景。
【专利说明】基于智能手机加速度传感器实时交通路况估计方法
【技术领域】
[0001] 本发明涉及一种基于智能手机加速度传感器实时交通路况估计方法。
【背景技术】
[0002] 近十年来车辆的数目迅速增多，交通拥挤和交通事故频发。据报告统计，2011年美 国的城镇居民由于交通拥挤浪费了 55亿小时的时间、29亿加仑汽油，总价值达到1210亿美 元。交通管理成为了生活中的难题，如何正确的识别路况信息，错开拥堵路段节约行程时间 成为了近几年来众多研究者的共识。
[0003] 传统的交通路况监测系统主要有路口处摄像头拍照、感应线圈、超声波等传感器 固定在固定位置进行采样，并对交通路况进行估计，然而这种方法初期投资大，设备的保护 维修费用高，覆盖范围小，并且不能对路况信息进行精确的估计，有很大的局限性。
[0004] 近年来许多传感器的嵌入使得智能手机成为了真正意义上的智能机器，GPS传感 器、加速度传感器、方向传感器、磁力计、WIFI芯片，这些嵌入在手机里的传感器不仅提供 了与外界交流的平台，更可以获取我们当前的许多信息，如当前位置、速度、加速度、行走方 向、位置朝向等。利用这些信息参数，我们可以获取更多的信息。由于传统方法的不足，众 多研究者将研究领域转向基于智能手机的实时路况采集。与传统方法相比，具有测量范围 广、成本及维护费用低、精度高等优点。
[0005] 现在较为成熟的路况估计方法为利用GPS进行定位并对路况进行估计，由于基站 和WIFI两种定位方法都有较大的误差，而GPS传感器定位精度高、测量范围广，具有很好的 应用效果，因此利用GPS传感器进行定位追踪和路况估计成为众多研究者的不二选择。然 而GPS传感器能耗较高，为出行用户带来诸多不便，虽然有GPS周期性采样、综合处理GPS 和WIFI信号估计路况以降低能耗，但由于WIFI和GPS都是高能耗设备，用此方法估计路况 能耗虽然有所下降，但实际效果并不是很理想且估计精度也会有所降低。另外，在较为封闭 的空间内（隧道、树木覆盖较密集的道路），无法通过GPS进行定位从而损失部分路况信息。 之前的路况估计都是将在智能手机采集的数据传输至服务器，并在服务器端通过数据过滤 处理进行路况估计，此种系统设计增加了数据传输负担和服务器的运算压力，且没有与车 辆的历史数据结合，具有很大的局限性。
【发明内容】
[0006] 本发明的目的在于针对现有技术方法的不足，提供一种基于智能手机加速度传感 器实时交通路况估计方法。
[0007] 为了实现上述的目的，本发明采取如下技术方案：一种基于智能手机加速度传感 器实时交通路况估计方法，包括以下几个步骤：
[0008] (1)采集在路上的车辆的实时加速度：将智能手机固定在行驶于路上的车辆上， 检测车辆的速度、加速度，根据手机坐标系与车辆坐标系的转换方法，计算车辆在前进方向 的加速度值；
[0009] (2)对采集的海量数据进行过滤，剔除数据损坏状态：步骤1中速度为0且加速度 彡0. 2m/s2或速度尹0且加速度< 0. 2m/s2的为数据损坏状态；
[0010] (3)根据步骤1测得的速度将路况信息分为畅通、基本畅通、轻度拥堵、中度拥堵 和严重拥堵五种情况；并对相应的前进方向的加速度值进行标定；
[0011] (4)对步骤（3)标定好的前进方向的加速度值进行特征量提取，得到相应的特征 值；所述特征量为：时域特征量、样本点分布特征量、尖峰统计特征量；其中，时域特征量包 括五分钟内加速度的平均值、标准偏差、平均误差、偏度、峰态、均方根振幅、最大值和最小 值；样本点分布特征量为五分钟内每个区间的样本点个数；尖峰统计特征量包括五分钟内 加速度的尖峰个数、最大尖峰值以及相邻尖峰的间隔平均时间；
[0012] (5)以步骤⑶的路况信息和步骤⑷得到的加速度特征值为已知训练数据，通 过MATLAB中支持向量机训练函数在默认参数下最小二乘估计方法寻找最优超平面训练得 到精度较高、节能的路况估计模型；
[0013] (6)根据步骤（5)的路况估计模型以及在智能手机端测得的实时加速度，输出估 计路况；
[0014] 所述步骤（1)中的手机坐标系X'，y'，Z'与车辆坐标系X，y，Z的转换关系式，通过 以下步骤得到：
[0015] (1.1)将智能手机固定在车上（手机坐标系表示为x'，y'，z'，车辆坐标系表示为 x，y，z)，通过多次加速启动实验，利用智能手机内嵌的加速度传感器、GPS传感器和方向传 感器采集车辆的加速度（&!￡，，& /,&2，）、速度〃、经纟韦度、方向（》!￡，，~，^，）和时间戳信息 ；
[0016] (1. 2)对采集的海量数据通过速度和方向信息进行过滤，选出有效的直线加速启 动的加速度信息；具体为：
[0017](1. 2. 1)通过步骤（1. 1)采集到的速度筛选车辆的启动状态：车辆在3s内速度v 从零达到1. 5m/s的状态为启动状态；
[0018] (1. 2. 2)从步骤（1. 2. 1)筛选出的启动状态中进一步筛选出直线启动行驶状态： 对车辆启动状态进行分析，对于方向波动值（启动过程中wy,的最大值与最小值之差）在4 度以内的为直线启动行驶状态；
[0019] (1. 2. 3)从步骤（1. 2. 2)筛选出的直线启动行驶状态中进一步筛选出有效的直线 启动行驶状态：加速度> 〇. 2m/s2的时刻为车辆启动真实时刻，速度从零到非零变化的时刻 与上述真实时刻的时间差为GPS延迟时间，选取GPS延迟时间< 3. 5s时为有效的直线启动 行驶状态；
[0020] (1.3)通过步骤（1.2)筛选出的直线启动行驶状态的方向计算得到x，y，z与 x'，y'，z'之间的关系：具体为：
[0021]将车辆坐标系绕其Z轴顺时针旋转a角度后得到坐标系Xl，yi，Zl，然后绕其X轴 逆时针旋转0角度后得到x2，y2，z2，最后绕其Y轴逆时针旋转y角度，使得车辆坐标系经 三次旋转后与手机坐标系重合，0角度等于步骤（1.2)筛选出的有效的直线启动行驶状态 的wy;的平均值；y角度等于步骤（1.2)筛选出的有效的直线启动行驶状态的&的平均 值；根据水平面的加速度值求出手机朝向与车辆前进方向的a角度，由下式求得，
[0022] a=arctan(ayl/axl)+90,axl〈0,ayl〈0 或axl〈0,ayl>0
[0023]a=arctan(ayl/axl)+270,axl>0,ayl〈0 或axl>0,ayl>0
[0024]其中，axl表示在坐标系XpypZi中Xi方向的加速度，ayl表示在坐标系XpypZi中yi方向的加速度，通过以下公式得到：
【权利要求】
1. 一种基于智能手机加速度传感器实时交通路况估计方法，其特征在于，包括以下步 骤： (1) 采集在路上的车辆的实时加速度：将智能手机固定在行驶于路上的车辆上，检测 车辆的速度、加速度，根据手机坐标系与车辆坐标系的转换方法，计算车辆在前进方向的加 速度值； (2) 对采集的海量数据进行过滤，剔除数据损坏状态：步骤1中速度为0且加速度 彡0. 2m/s2或速度尹0且加速度< 0. 2m/s2的为数据损坏状态； (3) 根据步骤1测得的速度将路况信息分为畅通、基本畅通、轻度拥堵、中度拥堵和严 重拥堵五种情况；并对相应的前进方向的加速度值进行标定； (4) 对步骤（3)标定好的前进方向的加速度值进行特征量提取，得到相应的特征值；所 述特征量为：时域特征量、样本点分布特征量、尖峰统计特征量；其中，时域特征量包括五 分钟内加速度的平均值、标准偏差、平均误差、偏度、峰态、均方根振幅、最大值和最小值；样 本点分布特征量为五分钟内每个区间的样本点个数；尖峰统计特征量包括五分钟内加速度 的尖峰个数、最大尖峰值以及相邻尖峰的间隔平均时间； (5) 以步骤（3)的路况信息和步骤（4)得到的加速度特征值为已知训练数据，通过 MATLAB中支持向量机训练函数在默认参数下最小二乘估计方法寻找最优超平面训练得到 精度较高、节能的路况估计模型； (6) 根据步骤（5)的路况估计模型以及在智能手机端测得的实时加速度，输出估计路 况； 所述步骤（1)中的手机坐标系x'，y'，z'与车辆坐标系x，y，z的转换关系式，通过以下 步骤得到： (1. 1)将智能手机固定在车辆上，通过多次加速启动实验，利用智能手机内嵌的加速 度传感器、GPS传感器和方向传感器采集车辆的加速度（ax，，ay，，az，）、速度v、经纬度、方向 (wx，，wy，，wz，）和时间戳信息，其中x'，y'，z'为手机坐标系，x，y，z为车辆坐标系； (1. 2)对采集的海量数据通过速度和方向信息进行过滤，选出有效的直线加速启动的 加速度信息；具体为： (1.2.1)通过步骤（1. 1)采集到的速度筛选车辆的启动状态：车辆在3s内速度v从 零达到1. 5m/s的状态为启动状态； (1. 2. 2)从步骤（1. 2. 1)筛选出的启动状态中进一步筛选出直线启动行驶状态：对车 辆启动状态进行分析，对于方向波动值（启动过程中wy,的最大值与最小值之差）在4度以 内的为直线启动行驶状态； (1. 2. 3)从步骤（1. 2. 2)筛选出的直线启动行驶状态中进一步筛选出有效的直线启动 行驶状态：加速度> 〇. 2m/s2的时刻为车辆启动真实时刻，速度从零到非零变化的时刻与上 述真实时刻的时间差为GPS延迟时间，选取GPS延迟时间<3. 5s时为有效的直线启动行驶 状态； (1.3)通过步骤（1.2)筛选出的直线启动行驶状态的方向计算得到x，y，z与x'，y'，z' 之间的关系：具体为： 将车辆坐标系绕其Z轴顺时针旋转a角度后得到坐标系Xl，yi，Zl，然后绕其X轴逆时 针旋转0角度后得到x2，y2，z2，最后绕其Y轴逆时针旋转Y角度，使得车辆坐标系经三次 旋转后与手机坐标系重合，0角度等于步骤（1.2)筛选出的有效的直线启动行驶状态的 的平均值；Y角度等于步骤（1. 2)筛选出的有效的直线启动行驶状态的&的平均值； 根据水平面的加速度值求出手机朝向与车辆前进方向的a角度，由下式求得， a=arctan(ayl/axl)+90,axl〈0,ayl〈0 或axl〈0,ayl>0 a=arctan(ayl/axl)+270,axl>0,ayl〈0 或axl>0,ayl>0 其中，axl表示在坐标系XpypZi中Xi方向的加速度，ayl表示在坐标系XpypZi中yi方 向的加速度，通过以下公式得到：
^为有效启动状态加速度ax，的平均值；^为有效启动状态ay,的平均值；&为有效 启动状态az，的平均值；azl表示在坐标系Xl，yi，Zl中Zl方向的加速度； 得到坐标校正关系式如下：
【文档编号】G08G1/01GK104408917SQ201410654221
【公开日】2015年3月11日 申请日期:2014年11月18日 优先权日:2014年11月18日
【发明者】宗晓杰, 文祥计, 张铁柱, 刘翔, 王智 申请人:浙江工商大学