本发明公开了一种基于WIFI信号的交通断面流速预测算法，沿交通道路部署有预测设备系统，所述预测设备系统包括多个子网络，每个子网络包含一个主机和若干个分机，所述分机基于WIFI协议通过无线被动感知模式，采集周围环境中基于WIFI信号协议的移动设备发送的广播数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索，打上分机标签后上传至主机，主机将收集到的数据进行统一存储和打上时间标签，并上传至数据服务器中存储，并通过对数据进行分析得到道路断面流速评估预测结果。本发明实现了对移动终端采集数据的数据挖掘和分析，可应用于交通断面流速的检测。
1.一种基于WIFI信号的交通断面流速预测算法，沿交通道路部署有预测设备系统，所述预测设备系统包括多个子网络，每个子网络包含一个主机和若干个分机，所述分机基于WIFI协议通过无线被动感知模式，采集周围环境中基于WIFI信号协议的移动设备发送的广播数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索，打上分机标签后上传至主机，主机将收集到的数据进行统一存储和打上时间标签，并上传至数据服务器中存储，并通过对数据进行分析得到道路断面流速评估预测结果；
步骤1：通过分机采集完整时间段的数据D， 其中，Dij表示第j个子网
第i号分机数据，N表示子网的个数，M表示第j个子网中的分机个数；
步骤2：对数据进行切片并提取待分析路段S及完整时间段(T-Δt)的数据Ds'，Dis为第s子网下编号为i的分机所采集到的数据；
步骤3：对部署的子网络与对应实际路段S进行空间匹配，得到子网络主机与对应路段的编号信息及该子网络的分机部署情况列表；
步骤4：对各分机采集的数据根据移动终端设备ID号进行排序，建立数据矩阵{Tower(i,s),t}；
步骤5：将建立的ID数据列表按出现在不同数据矩阵的次数进行分类：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析；对于在时间段Δt内，移动终端ID在子网络两个及以上分机出现的，该移动终端ID对应的数据直接作为有效数据步骤6：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析：1、当在Δt时间内，该移动终端ID在单个分机的数据矩阵TOWER中重复出现，且多个移动终端ID出现以上情况，标识对应路段为拥堵状况，并将该类ID数据记为有效数据；2、当在Δt时间内，未发现该移动终端ID在单个分机数据矩阵TOWER中重复出现，则遍历该子网络对应路段S前后的子网络是否出现相同的ID号，如果未出现，则将该ID数据作为噪声数据处理，如果在其他子网络中出现，则标识入有效数据列表；
步骤8：针对未拥堵情形，根据以上数据筛选后，重新建立移动终端ID号关联的数据矩阵{Tower′(i,s),t}；
步骤9：根据数据矩阵{Tower′(i,s),t}中的时间t与Tower之间的关系，将数据进一步分为双向数据矩阵DL和DR，并对其进行逼近计算；
v(T+Δt)表示T时刻后Δt时间段内第j号子网络所覆盖路段的车流流速；∑j为第j号子网络的该方向的移动终端有效ID的总量，m,n表示所在主机子网络中的分机编号，表示ID-k在子网络Tower(j)中第m个分机上出现的时刻，a(k)表示权重，A(j)和B(j)表示权重调节因子；T(j)表示第j个Tower的里程时间平均值；F(·)为近似拟合函数；i为该子网中分机的总数；
设置误差量 设置自反馈迭代步数为C，设置迭代终止条件
根据输出的误差值 通过调节权重A(j)和B(j)的值，使得v(T+Δt)逼近算法训练样本S，最终网络输出权重A(j)和B(j)的值作为分配方案。
2.根据权利要求1所述基于WIFI信号的交通断面流速预测算法，其特征在于：所述相邻分机之间距离为d，单个分机的信号覆盖半径为r，且d＞2r。
3.根据权利要求1所述基于WIFI信号的交通断面流速预测算法，其特征在于：步骤10中所述算法训练样本S为线圈检测器或雷达检测器得到的数据，并作为有效基准参考单元。
一种基于WIFI信号的交通断面流速预测算法
技术领域
[0001] 本发明属于移动互联网技术，尤其涉及宏观交通信息监测算法的改进。
背景技术
[0002] 交通流数据是交通运营调度指挥系统的重要信息来源，可为指挥调度、交通流量控制和交通诱导提供决策依据。现有的交通流检测技术有多种，根据安装方式可分为接触式检测方式和非接触式检测方式。其中接触式检测技术包括压电、压力管探测和环形线圈探测。这种技术的主要缺点是，车辆对道路的碾压导致检测器的使用寿命较短，在布设检测器时，需要中断交通、破坏路面，因此安装围护较为困难，使用成本高。非接触式检测技术主要为波频探测和视频探测。波频探测分为微波、超声波和红外等三种。非接触式检测器可通过支架安装，维护方便、使用寿命长，其主要缺点是易受户外气候条件的影响，存在环境适应性不强、数据传输量大、检测准确率不高和造价较高等问题。
[0003] 随着我国高速路网的飞速发展，高速公路交通流检测应用需求剧增。在高速路网中，交通流量信息同样非常重要，通过流量信息，高速路网管理部门能实时了解各路段的实时车辆数量信息，提供直观的路网车辆负荷量，为路网的调度和整体规划提供准确数据。
[0004] 但是，高速路网存在一些特殊的情况，例如高速公路供电不便、信息传输困难，以及建设过程中未能提前布设各类检测器等，无法做到密集式监控和管理，需要对现有检测器进行进一步的设计和改进。
发明内容
[0005] 针对现有技术存在的问题，本发明提供了一种基于WIFI信号的交通断面流速预测算法，本发明基于便携移动终端唯一ID、采集数据时间戳和检测设备位置信息的宏观交通信息检测算法，实现对移动终端采集数据的数据挖掘和分析，可应用于交通断面流速的预测。
[0006] 为解决上述技术问题，本发明采用了以下技术方案：
[0007] 一种基于WIFI信号的交通断面流速预测算法，沿交通道路部署有预测设备系统，所述预测设备系统包括多个子网络，每个子网络包含一个主机和若干个分机，所述分机基于WIFI协议通过无线被动感知模式，采集周围环境中基于WIFI信号协议的移动设备发送的广播数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索，打上分机标签后上传至主机，主机将收集到的数据进行统一存储和打上时间标签，并上传至数据服务器中存储，并通过对数据进行分析得到道路断面流速评估预测结果。
[0008] 进一步，所述相邻分机之间距离为d，单个分机的信号覆盖半径为r，且d＞2r。
[0009] 进一步，所述道路断面流速评估预测包括以下步骤：
[0010] 步骤1：通过分机采集完整时间段的数据D， 其中，Dij表示第j个子网第i号分机数据，N表示子网的个数，M表示第j个子网中的分机个数；
[0011] 步骤2：对数据进行切片并提取待分析路段S及完整时间段(T-Δt)的数据Ds'，Dis为第s子网下编号为i的分机所采集到的数据；
[0012] 步骤3：对部署的子网络与对应实际路段S进行空间匹配，得到子网络主机与对应路段的编号信息及该子网络的分机部署情况列表；
[0013] 步骤4：对各分机采集的数据根据移动终端设备ID号进行排序，建立数据矩阵{Tower(i,s),t}；
[0014] 步骤5：将建立的ID数据列表按出现在不同数据矩阵的次数进行分类：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析；对于在时间段Δt内，移动终端ID在子网络两个及以上分机出现的，该移动终端ID对应的数据直接作为有效数据
[0015] 步骤6：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析：1、当在Δt时间内，该移动终端ID在单个分机的数据矩阵TOWER中重复出现，且多个移动终端ID出现以上情况，标识对应路段为拥堵状况，并将该类ID数据记为有效数据；2、当在Δt时间内，未发现该移动终端ID在单个分机数据矩阵TOWER中重复出现，则遍历该子网络对应路段S前后的子网络是否出现相同的ID号，如果未出现，则将该ID数据作为噪声数据处理，如果在其他子网络中出现，则标识入有效数据列表；
[0016] 步骤7：重复步骤4～6直到数据处理完毕；
[0017] 步骤8：针对未拥堵情形，根据以上数据筛选后，重新建立移动终端ID号关联的数据矩阵{Tower′(i,s),t}；
[0018] 步骤9：根据数据矩阵{Tower′(i,s),t}中的时间t与Tower之间的关系，将数据进一步分为双向数据矩阵DL和DR，并对其进行逼近计算；
[0019] 步骤10：建立流速预测神经网络：
[0020]
[0021] v(T+Δt)表示T时刻后Δt时间段内第j号子网络所覆盖路段的车流流速；∑j为第j号子网络的该方向的移动终端有效ID的总量，m,n表示所在主机子网络中的分机编号，表示ID-k在子网络Tower(j)中第m个分机上出现的时刻，a(k)表示权重，A(j)和B(j)表示权重调节因子；T(j)表示第j个Tower的里程时间平均值；F(·)为近似拟合函数；i为该子网中分机的总数；
[0022] 设置误差量 设置自反馈迭代步数为C，设置迭代终止条件根据输出的误差值 通过调节权重A(j)和B(j)的值，使得v(T+Δt)逼近算法训练样本S，最终网络输出权重A(j)和B(j)的值作为分配方案。
[0023] 进一步的，步骤10中所述算法训练样本S为线圈检测器或雷达检测器得到的数据，并作为有效基准参考单元。
[0024] 有益效果：本发明提供了一种基于便携移动终端唯一ID、采集数据时间戳和检测设备位置信息的宏观交通信息检测算法，实现对移动终端采集数据的数据挖掘和分析，为基于WIFI信号的交通流量检测器及检测系统提供了基于该型数据的深度挖掘和交通流量检测算法实现，填补了该型数据在交通检测方面的应用空白，促进了智慧交通领域的发展。
附图说明
[0025] 图1为本发明所述基于WIFI信号的交通流量监测系统的道路部署示意图。
[0026] 图2为本发明所述基于WIFI信号的交通断面流速预测算法的流程示意图。
[0027] 图3为本发明所述基于WIFI信号的交通断面流速预测算法中有效数据的降噪筛选流程示意图；
[0028] 图4为本发明所述基于WIFI信号的交通断面流速预测算法中数据近似拟合逼近真实值的过程示意图；
[0029] 图5为本发明基于WIF信号的道路检测系统采集的数据与线圈真实数据的对比图。
[0030] 图6为图5中圆圈部分的放大图。
[0031] 图7为本发明算法输出结果断面流速的对比图
具体实施方式
[0032] 下面结合附图并以具体实施例，进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0033] 如图1所示，本发明网络中，综合参考了现时刻目标路段及邻近路段流量变化，移动终端ID单位里程旅行时间变化，输入历史数据，通过拟合函数，实现T+Δt时刻车流流速预测v(T+Δt)，并依赖于参考系S进行算法训练，反馈判断条件为v/S，可根据预测精度需要对该比值域值范围进行调节，当v/S所得值在域值范围内，表示完成数据拟合工作，形成有效断面流速预测数据。具体而言：
[0034] 预测设备系统部署方式：图1中，Tower(j)表示所部署的路网中的第j个子网主机，Tower(i,j)表示第j个子网中的第i个分机。每个子网络包含一个主机和若干个分机，分机数量可根据路网条件适当增减，子网络最大覆盖范围2Km，单个分机预测范围最大半径250m，用户可根据实际路况条件调节单个分机预测范围，分机之间距离d设定仅需大于两倍的分机预测范围，同样可根据实际路况条件进行灵活调节。子网络部署密度可根据实际交通环境管理需求进行部署。
[0035] 预测设备数据采集流程：单个预测设备即分机通过无线被动感知模式，即采用TI的CC3XXXX系列芯片的检测器，通过基于wifi协议采集由移动终端设备随机向四周环境发送WIFI广播式数据包，并筛选其中带有设备ID信息的数据包进行检索。打上分机标签后上传至主机，主机将收集到的数据进行统一存储和打上时间标签，并上传至数据服务器中进行存储，等待分析。对本发明算法原理过程进行具体说明：
[0036] 首先，通过分机采集完整时间段的数据D， 其中，Dij表示第j个子网第i号分机数据，N表示子网的个数，M表示第j个子网中的分机个数；
[0037] 步骤2：对数据进行切片并提取待分析路段S及完整时间段(T-Δt)的数据Ds'，[0038] 步骤3：对部署的子网络与对应实际路段S进行空间匹配，得到子网络主机与对应路段的编号信息及该子网络的分机部署情况列表；
[0039] 步骤4：对各分机采集的数据根据移动终端设备ID号进行排序，建立数据矩阵{Tower(i,s),t}；
[0040] 步骤5：将建立的ID数据列表按出现在不同数据矩阵的次数进行分类：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析；对于在时间段Δt内，移动终端ID在子网络两个及以上分机出现的，该移动终端ID对应的数据直接作为有效数据
[0041] 步骤6：对于在时间段Δt内，移动终端ID仅在子网络单个分机出现的，对该移动终端ID对应的数据单独提取进行后续有效性分析：1、当在Δt时间内，该移动终端ID在单个分机的数据矩阵TOWER中重复出现，标识对应路段为拥堵状况，并将该ID数据记为有效数据；2、当在Δt时间内，未发现该移动终端ID在单个分机数据矩阵TOWER中重复出现，则遍历该子网络对应路段S前后的子网络是否出现相同的ID号，如果未出现，则将该ID数据作为噪声数据处理，如果在其他子网络中出现，则标识入有效数据列表；
[0042] 步骤7：重复步骤4～6直到数据处理完毕；
[0043] 步骤8：针对未拥堵情形，根据以上数据筛选后，重新建立移动终端ID号关联的数据矩阵{Tower′(i,s),t}；
[0044] 步骤9：根据数据矩阵{Tower′(i,s),t}中的时间t与Tower之间的关系，将数据进一步分为双向数据矩阵DL和DR，并对其进行逼近计算；
[0045] 步骤10：建立流速预测神经网络，由图4可知：
[0046] ID_X表示对应Tower下的有效ID数据；
[0047] T_X表示对应Tower条件下的每个ID的里程时间；
[0048] Σ(j)表示ID数量求和；
[0049] T(j)表示对应Tower下的里程时间取均值；
[0050] A(j),B(j)为权重调节因子；
[0051] F(·)表示近似拟合函数；
[0052] z表示自学习下的反馈因子；
[0053] 偏置参考系S表示有效基准参考单元，如线圈检测器数据、雷达检测器数据等，用于算法训练；v(T+Δt)表示预测未来T+Δt时刻下的Tower(j)所覆盖路段的车流流速。具体算法如下：
[0054]
[0055] 式中：
[0056]
[0057]
[0058] v(T+Δt)表示T时刻后Δt时间段内第j号子网络所覆盖路段的车流流速；∑j为第j号子网络的该方向的移动终端有效ID的总量，m,n表示所在主机子网络中的分机编号，表示ID-k在子网络Tower(j)中第m个分机上出现的时刻，a(k)表示权重，A(j)和B(j)表示权重调节因子；T(j)表示第j个Tower的里程时间平均值。
[0059] 设置误差量 设置自反馈迭代步数为C，设置迭代终止条件根据输出的误差值 通过调节权重A(j)和B(j)的值，使得v(T+Δt)逼近算法训练样本S，最终网络输出权重A(j)和B(j)的值作为分配方案。步骤10中所述算法训练样本S为线圈检测器或雷达检测器得到的数据，并作为有效基准参考单元。
[0060] 下面以北京至上海G42高速公路某路段进行试验，在道路两旁安装部署本发明交通流量检测系统。如图5所示，为本发明基于WIF信号的道路检测系统采集的数据与线圈真实数据的对比图。图6为图5中圆圈部分的放大图。从图5和6可知，经过本发明算法降噪筛选后的31号机数据与线圈真实数据(对比数据)相比具有高度一致性，性能优异，证明本发明的可行性和数据精确性。
[0061] 图7为本算法输出结果断面流速的对比图，从图可知，输出结果与对应路段对应时刻线圈流速数据为高度一致。
