饶众博，王大珊，李　雯，王志民

（1.公安部道路交通安全研究中心，北京　100062；2.中国信息通信研究院，北京　100191）

基于智能终端的浮动数据应用研究

饶众博1，王大珊1，李雯2，王志民1

（1.公安部道路交通安全研究中心，北京100062；2.中国信息通信研究院，北京100191）

目前，评估道路交通拥堵状况时普遍采用传统的浮动车技术，虽然该技术在使用上表现优异，但是其部属成本、浮动车辆渗透率低等问题却使得评估数据并不准确。为解决渗透率低等问题，本文提出采用智能终端采集数据，通过后台分析评估道路拥堵情况的解决办法。采用智能终端可以有效解决浮动车渗透率低等问题，通过科学合理的分析方法实现路面情况的准确评估。

浮动车；智能终端；GPS；交通拥堵

1　引言

在当今这个物联网产业高速发展的时代，智能交通的概念同样被人们关注，可能是因为交通涉及太多人的日常生活，也可能是因为各个方面的技术在交通领域的应用比较成熟，总之智能交通产业发展井喷的时代已经到来。智能交通所要达到的目的就是，通过先进的科学技术手段实现交通系统的现代化，实现数据采集、监控的实时化，道路信号控制的自动化，道路信息预警的智能化。

在交通领域，目前应用最广泛的是视频监控系统、地磁传感系统来进行车流量监测以及路面情况检测。然而该系统虽然技术成熟，但是部署成本大，后期维护困难，尤其是道路部门、交通部门、交警部门的相互沟通问题，以及大量的地面传感器设备在其他单位施工过程中被损坏，导致大量的浪费。另外，固定式交通流传感器最大缺点在于只能在路网上有限个点进行采集且得不到旅行时间信息，对这个路网交通流状况的了解需要花费大量的资金安装固定式设备［1］。为了寻找更加有效且成本低廉的路面监控方式，浮动车技术被引入。本文将重点对浮动车技术进行介绍，并且大胆地提出更加有效且成本更加低廉、部署更加有效、范围更加广泛的采用驾驶人手持智能终端进行数据信息采集，后台数据中心进行大数据运算，路面网络整体互连的浮动车数据采集技术。

2　传统浮动车技术介绍

2.1传统浮动车技术的应用

浮动车技术是一种在路网中判断车速及路面拥堵情况的方法。它依据收集车载终端的位置信息、速度、行驶方向及时间戳来估算道路拥堵情况以及旅行时间。这些数据对于交通系统来说是必要信息，对于大多数的智能交通系统（ITS）来说更是必须的［2］。浮动车技术主要是通过在大量的车辆上安装定位以及无线通信系统，从而实现车辆的位置、速度、行驶方向、时间戳等信息的上报。在数据中心，通过地图匹配从而实现车辆位置在城市地图信息上的对应。

因为浮动车数据采集设备安装在大量的车辆上，所以当安装了该数据采集系统的车辆行驶在城市的各个角落的时候，各个车辆的地理信息以及车辆运行速度等可以实时上报到后台数据中心，之后进行地图匹配，通过算法计算出各路段的拥堵情况及旅行时间。由图1可以清晰地了解到浮动车数据应用的具体流程。

图1　浮动车数据判断路况流程图

现行的浮动车技术在国内外有着很成熟的实践经验并且广泛应用。比如，美国德州Huston地区的TranStar系统和芝加哥Illinois地区的ADVANCE项目；德国BMW公司的DDG项目使用了2.5万辆探测车；日本土地基建交通部MLIT从1999年开始的Smartway项目覆盖了16个城市、1.5万辆浮动车［1］；在国内很多像北京、上海等大城市也都采用了浮动车技术进行道路拥堵情况的检测。

2.2应用瓶颈

虽然浮动车技术在世界多数大城市均有应用，但是目前的项目主要是在部分车辆上安装相应的设备来实现的，其中还存在着很多问题，如浮动车样本量过大、车辆协调难度大、设备采购安装维护成本高、巨额的通信网络收费、数据中心负载高、旅行时间计算的可靠性及道路信息采集分析后的反馈等。

在以上所列举的问题中，浮动车样本量是浮动车技术推广的最大难题，针对该问题各国学者开展了大量研究。利用数理统计的传统算法得出，高速公路上浮动车的比例应不低于3%，地面道路上浮动车比例应不低于5%［3］。利用INTERGATION交通仿真软件，将浮动车比例从3%逐渐增加到18%，分析浮动车速度与全部车辆平均速度之间的关系表明，要实现速度估计误差在5km/h以内，浮动车的比例应为4%～5%，或是每个计算周期内任一路段上经过的浮动车数量不少于每小时10辆［4］。通过以上信息，我们可以得出的结论很简单，那就是浮动车技术的有效应用，必须建立在较高浮动车渗透率的基础上。

以北京为例，据2014年全国十大城市汽车保有量排名显示，北京市的汽车保有量为537.1万辆，那么如果我们按照浮动车渗透率为4%计算，则至少需要21.5万辆浮动车才能完全统计北京市全境。尽管这个数字只是估算，且没有考虑实际道路上行驶车辆的比例以及城区郊区的车辆分布情况，但是可以得出在北京这种大城市，按照现有技术部署浮动车的成本还是非常高的。目前北京市共有约3万辆浮动车，其中2.5万辆出租车，4千辆旅游车以及1千辆郊区电动出租车。虽然该项目已经提供了非常有效的数据保障，但如果可以收集更大量车辆浮动信息，可以想象一定会得出更加精确的数据，并且通过大数据挖掘可以得到更多有用的信息。

3　智能终端在浮动车技术领域的应用

3.1智能手机在浮动车技术中的优势

如上文所述，浮动车数据的采集主要是通过安装在浮动车内的定位以及通信系统完成的，其渗透率还不够高，那么如何用更低廉的成本增加浮动车的渗透率成了关键问题。随着智能手机的普及，使得每一个人都变成了一个浮动的数据采集点。如果我们能够有效利用这个资源，那么人、车、路这三个要素就在数字信息时代彻底结合了起来并被数字化了。事实证明，这个方法在现有技术面前是可行的，并且与传统方式相比有着极大的优势。

⊙ 可以大幅缩减成本，包括设备的采购安装费用及昂贵的通信费用。

⊙ 可以在后台迅速整合海量信息，快速分析城市路网信息且无需对道路桥梁等进行任何基础设施改造。

⊙ 更大幅度地提高路况检测的可靠性，对于预测旅行时间等预测，提供了更大量的实时数据与历史数据，从而提高预言的准确度。

⊙ 可以使驾驶人由道路交通资源的使用者变成道路信息数据的提供者，通过有效的信息反馈渠道，可以使驾驶人与交通管理部门互为组成，实现双赢。

⊙ 由于智能手机的渗透率大，所以一旦系统得到广泛应用，将会收集到大量的源数据，合理地对这些数据进行挖掘，会对城市规划、道路建设维护、路面警力部署、道路拥塞预警等方面产生巨大的积极影响。

⊙ 通过不断地对各个用户的信息进行收集，可以实现对每一个用户的定制服务，实现更加智能高效的交通诱导效果。

综合以上优势，可以得到如下结论：利用智能手机进行浮动车数据的采集可以大大提高采样的渗透率，缩减成本，提高数据分析的可靠性。那么该方案真的在技术上行之有效么？本文将在下文中详细分析。

3.2可行性分析

采用智能手机进行浮动车数据采集，并利用移动蜂窝网络进行数据传输，在理论上讲必然是可行的，只是其中有两个难点问题需要解决：一是智能手机的定位精度问题；二是如何分析用户是否在道路上驾车行驶。

目前，手机定位主要采用有3种方法：LBS，GPS，AGPS。其中，GPS与AGPS均能取得满意的定位精度（10米左右）；LBS的定位精度较差，由于基站信号一般经多次反射，导致终端在接收到的信号方向和时延偏差较大，所以在城市中室外环境下的定位精度一般为100～200米，农村地区的定位精度在10～20米［5］。由此可见，手机采用传统的LBS方式进行定位时，其精度远远达不到浮动车的数据监测要求，而且并非所有制式网络均开放了该功能。然而智能手机均有GPS模块可供系统使用，所以在进行浮动车数据采集过程中，可以设定调用GPS模块以提供精确可靠的数据。

对于第二个问题，如果采用智能手机为浮动车提供数据，那么面临的问题就是如何筛选出用户手机上报的位置信息是否是有用信息。举个例子，比如用户在路边散步，智能终端同样也会上传位置、速度等信息给数据中心，这样的信息对于道路拥塞情况的分析是毫无用处的。如果收到大量的高偏差数据，毫无疑问会增大采集数据的方差，降低数据分析结果的可靠性。对于该问题，现有的解决方案是，只有当用户打开智能手机的定位信息采集应用，智能终端才会将位置信息上报。

从驾驶人使用习惯考虑，大多数情况下驾驶人驾车时才会开启显示路况信息的应用。另外，我们还可以通过另外一些附加服务使用户可以在非驾车情况下关闭应用。如当应用打开后，会自动语音播报周边道路情况，播报驾驶员行驶路线的路况预测，以及播报数据中心分析得出的智能车辆诱导信息。采用这些方法，可以有效地使用户处于非驾车状态时关闭定位信息采集软件。另外，大量的数据可以弥补小部分异常数据对最终结果的影响。通过增加采样点的方式缩小采样数据的方差。

3.3 系统结构

本文中所描述的系统与普通浮动车系统相类似，区别在于普通浮动车内需要额外加装信息采集设备，而本系统则直接使用驾驶员的移动终端进行数据采集。所以两个浮动车系统的结构基本类似，如图2所示。

图2　浮动车系统结构图［6］

智能终端在车辆行进过程中离散地进行定位信息采样，通过蜂窝无线网络进行传输，送达数据中心进行处理。由于数据量异常庞大，数据中心可采用云的方式进行快速计算，并最终得出有效信息反馈给用户。实现交通运行网络的闭环控制，提高路网运行效率，缓解交通拥堵，提高市民出行的驾驶体验。

4　发展方向

浮动数据采集对于城市交通路面情况的采集、城市规划、车辆诱导等有非常重要的作用，可以预见，在今后的发展中，因智能手机的高渗透率以及丰富的功能模块，对智能手机的信息采集将变得越来越重要，但其发展中依然面临很多问题。

（1）无线资源的占用问题。由于过往的浮动车信息采集使用的是车载移动终端设备，所以浮动车数量有限，对无线蜂窝网络的信道资源影响不高。但是，一旦采用智能终端进行采集定位信息，因为该应用部署便捷，所以一旦大量用户安装后，浮动车的渗透率将会大幅增加，将会对无线网络信道资源产生冲击。考虑到覆盖路面的基站数量有限，且基站主要是覆盖街区，以道路作为覆盖区域的边界，那么大量的浮动车在公路上行驶，首先会占用大量的信道资源，其次会产生大量的切换信息，占用系统容量。本问题需通过更加有效的算法进行解决。

（2）产品应用时所产生的个人隐私问题。在法律的角度，因为该服务涉及到每一个手机用户的位置信息，所以必然会遇到法律等方面的限制。目前的情况是，很多相应的应用程序在用户不知情的前提下就将用户的位置信息上传到服务器用以数据分析。我国目前相关法律尚不健全，要想根本解决该问题，还需在法律层面提供相应的政策支持。另外，要确保相关单位的公信力以确保民众相信其隐私的安全性不会受到侵犯。

（3）对源数据的统计算法依然不够成熟。以传统的浮动车数据来说，不同的公司研究机构都有不同的统计算法。有些公司使用同一道路上速度最快的几辆浮动车数据判断路面拥堵系数，有些公司则利用道路上大多数浮动车数据加权计算路面的拥堵系数。虽然在实际使用中不同的方法都可应用，但是在大量的智能终端作为浮动数据采集上传得到大量的数据时，为了能够对源数据得到更为准确的分析，还需要更为科学合理的算法设计。

5　结束语

本文着重阐述了智能手机的信息采集对今后统计分析道路交通路面情况中的重要作用，提出了利用智能手机进行位置信息收集并统计分析路面情况的可能性。虽然利用智能手机作为浮动数据采集终端有很大的优势，能够克服目前传统浮动车技术的渗透率不足、样本量不足、数据统计困难等问题，但是依然面临无线信道紧缺、相关法律不健全、统计分析方法不成熟等问题。

［1］范跃祖，王力，王川久，张海.浮动车技术的发展及应用研究综述.中国会议.理工C（机电航空交通水利建筑能源）·公路与水路运输，2005

［2］http://en.wikipedia.org/wiki/Floating_car_data

［3］Ferman M A， Blumenfeld D E， Dai X W. A simple analytical model of a probe- based traffic information system［C］/ / IEEE. Intelligent Transportation Systems Proceedings. Shanghai: IEEE， 2003: 263- 268

［4］Ruey L C， Xie C， Lee D H. Probe vehicle population and sample size for arterial speed estimation［ J］. Computer- aided Civil and Infrastructure Engineering， 2002， 17（1） : 53-60

［5］张帅，范荣双，梁勇，王晓.基于手机定位方法的研究与精度分析

［6］Working Papers on Energy， Transport and Climate Change. Road Traffc Data: Collection Methods and Applications

Floating Data Analysis based on Smart Devices

Rao Zhongbo1， Wang Dashan1， Li Wen2， Wang Zhimin1
（1.Road Traffic Safety Research Center of the Ministry of Public Security， Beijing，100062；2. Chinese Academy of Information and Communications Technology， Beijing， 100191）

Floating car is used to calculate the congestion coeffcient， it is widely used because it is easy to deploy and easy to analysis， but the problem is the cost is still high and the penetration rate is relative low which will cause the unreliable of the analysis result. That why we introduce the method to collect foating data by smart device so as to solve the penetration problem， and based on scientifc analysis method the calculate result will be increasingly correct and reliable.

Floating Car； Smart Device； GPS； Traffc Congestion

10.3969/j.issn.1672-7274.2015.02.007

TN929.52文献标示码：A

1672-7274（2015）02-0029-04

饶众博，毕业于香港科技大学电信学系，后就职于公安部道路交通安全研究中心交通管理信息化研究室，研究实习员，从事公安交管信息化建设发展的研究工作，主要研究领域为智能化交通管理与电信行业的多源数据碰撞，交管数据分析研判等。

王大珊，毕业于吉林大学计算机科学系和国民经济学专业，一直从事全国公安交通管理信息化建设，2007年获公安部科学技术进步一等奖，现为公安部道路交通安全研究中心交通管理信息化研究室任副主任。

李雯，毕业于北京理工大学管理科学与工程系，现就职于中国信息通信研究院（原工业和信息化部电信研究院）信息管理中心，助理工程师，从事单位内部管理和业务信息化建设发展的研究工作，主要研究领域为信息系统设计与开发，电信行业竞争情报分析等。

王志民，毕业于兰州大学化学系和大连理工大学计算机系，先后在铁道部计算机研究中心、信息产业部通信和互联网企业从事技术研发和管理工作，现就职于公安部道路交通安全研究中心交通管理信息化研究室，助理研究员，主要从事领域为智能化交通管理与通信、互联网、企业生产行业的科技信息技术融合，交管数据分析、应用建设、应用推广落地研究。