【摘要】    本研究提出基于移动网络信令的交通信息估计方法，主要将从移动网络收集换手（Handover）信令和通话到达（Call Arrival， CA）信令，并分别提出分析模型来估计交通流量和交通密度，最后再依此估计车速信息。在实验中，本研究根据高速公路上车辆侦测器的数据来比较真实的交通信息和估计的交通信息。由实验结果显示，本研究提出的交通信息估计方法的车速估计正确率可以达到89.75%。因此，交通信息估计方法将可以分析基于移动网络流动车辆资料来提供实时且可靠的车速信息给用路人参考。

【关键词】    移动网络    交通流量估计    交通密度估计    车速估计

引言：

实时交通信息服务系统是智能运输系统（Intelligent Transportation System， ITS）重要的一环。对于用路人而言，获得完整且充足的交通信息，不论是行前路况信息以及行进中的路况信息，大众运输换乘信息等等，都能提供用路人在不同路径以及运具的选择上，具有更加的弹性。

实时交通信息，包含路况、车流量、车速、交通事故等信息，如能实时提供用路人参考，可大幅提升用路质量。其中，实时交通信息收集有三种方式[1]：1.固定式车辆侦测器（Vehicle Detector， VD）;2.配备全球定位系统（Global Positioning System， GPS）探侦车回报交通信息;3.利用移动网络追踪用户手机位置。 然而，第一种方法，车辆侦测器很容易受到温度、潮湿、挤压、以及人为因素等造成损坏，需要很高的维护成本，以保持车辆侦测器正常运作。第二种方法，探侦车的数目及时间样本往往是不足的。例如，GPS探侦车需要占总交通量的12%，其车速估计误差才能降低到3%[2]。因此，本研究将针对第三种方式提出利用追踪手机位置来侦测道路信息的机制，这个机制不需要花费庞大的金额来架设及维护额外的侦测装置，而且几乎每个人都有手机，因此本研究以追踪手机位置所得到的交通信息是非常全面的。本研究将针对第三种交通信息收集方法探讨其可行性及运作方式。

利用移动网络追踪用户手机位置的方法，主要通过分析移动网络信令来取得手机位置和交通信息。在移动网络设计上为了保持服务质量，在移动网络中设计有移动管理程序，以随时掌握移动中的手机。其中，主要有两个主要事件，分别为换手（Handover）和位置更新（Location Update， LU）。位置区域（Location Area， LA）为数个邻近的细胞（Cell）所组成，可以用来描述手机较高层次的位置。当发生位置更新的程序时，手机将回报所在的LA信息，故网络可以一直知道手机目前的LA。而当通话中的手机在不同的基地台（Base Stations， BSs）的服务区域移动时，将触发换手事件以保持手机的通话。因此，通过分析换手和位置更新发生时间及相关上述事件的相关信息，可以用来推论交通信息[3-9]。

在利用移动网络追踪用户手机位置的方法上，已经有学者进行相关的研究[3-9]，例如：Gundlegard等人在研究中显示了换手定位的误差在全球移动通信系统（Global System for Mobile Communications， GSM）和通用移动电信系统（Universal Mobile Telecommunications System， UMTS）约为40公尺。并且指出在换手定位方法在GSM和UMTS环境进行换手定位方式，可应用于车速估计上[3]。Caceres等人则提出“虚拟流量计数器（virtual traffic counter）”结合位置更新信息，以監测道路上通过两个LA的手机，以便测量交通流量[4-5]。对于估计旅行时间和车速的部分，Bar-Gera在研究中证实利用移动网络追踪用户手机位置的方法，其的旅行时间的平均绝对相对差异（absolute relative difference）为10.7%[6]。也有学者指出，在GSM和UMTS环境下也都能得到良好的旅行时间估计[3]。Lai等人提出运用两次的换手事件（double handover， DHO）估计车速，并与车辆侦测器、配备GPS探侦车回报交通信息得到的交通信息进行平均车速比较[1]。然而，换手信令和位置更新信令所显示的道路上通过某一个点的数量，而无法计算道路交通密度。因此，有几项研究分析了通话数量和交通密度间的关系[7-8]。在研究中发现手机通话量的变化和交通密度呈现正相关。不过，在目前却没有研究确切的估计移动网络信令和交通密度的关系，因而无法提供一个全面的交通信息。

因此，本研究提出以通话信令为基础的交通信息估计系统，主要从移动网络收集换手信令和通话到达信令，并分别提出分析模型来估计交通流量和交通密度，最后再依此估计车速信息，以提供可靠且完整的交通信息，予以用路人参考。

一、交通信息估计方法

本研究在利用移动网络追踪用户手机位置的方法上将针对移动网络进行网络接口信令（包含换手信令和通话到达信令）撷取与分析。

1.1交通流量估计

本研究将建立换手信令数量和交通流量的关联模型，并依据换手信令数量评估实时交通流量。在研究中主要考虑通话行为模式、交通路况、以及细胞覆盖范围。图1显示车辆移动与换手行为之空间示意图，以及图2显示车辆移动与换手行为之时间示意图。手机（图1 （a））沿着道路移动在时间点t0时拨了一通电话，此时将持续进行基地台讯号的量测，并回报量测报告至移动网络（图1 path （1））。并且持续通话，在时间点t1时进入到目标细胞Celli的覆盖范围，此时手机将发出换手信令，并由移动网络端执行完成后会发出讯息予手机端（图1 path （2））。而且，手机在时间点t3时才挂断电话。

此模型基于以下的假设：

每台移动的车子中都有一支手机。

通话时间（call holding time）之随机变量t其机率密度分布为指数分布（exponential distribution），其中平均通话时间为1/μ。

由车辆侦测器量测到细胞Celli涵盖范围道路上之真实平均车速为Ui km/hr、真实交通密度为Ki car/km、真实交通流量为Qi。

手机从进入Celli前1次通话到进入Celli的间隔时间（即[t0， t1]）为x。

细胞Celli涵盖范围道路之路段长度为li。

输出目标：

hi：目标细胞Celli的覆盖范围之路段上发生换手的数量。

本研究考虑手机之通话时间、以及进入细胞时间，计算其在目标细胞Celli覆盖范围内发生换手的机率。依据通过该路段的交通流量Qi来评估换手数量hi，并以此换手数量评估交通流量qi，如公式（1）和公式（2）所示。

1.2交通密度估计

本研究将建立通话到达信令数量和交通密度的关联模型，并依据通话到达信令数量评估实时交通密度。在研究中主要考虑通话行为模式、交通路况、以及细胞覆盖范围。图3显示车辆移动与通话行为之空间示意图，以及图4显示车辆移动与通话行为之时间示意图。手机（图3 （a））沿着道路移动在时间点t0时拨了一通电话，并在时间点t1时进入到目标细胞Celli的覆盖范围。而且，手机在它离开目标细胞Celli的覆盖范围前（时间点time t3），在时间点t2时拨了一通电话（图3 path （1））。

此模型基于以下的假设：

每台移动的车子中都有一支手机。

通话到达（call arrival）事件（包含拨话（call origination）和受话（call termination）事件）之机率密度分布为泊松过程（Poisson process），其中平均通话率为λ（call/hr）。

通话间隔时间（call inter-arrival time）之随机变量，其机率密度分布为指数分布（exponential distribution），其中平均通话时间为1/λ。

由车辆侦测器量测到细胞Celli涵盖范围道路上之真实平均车速为Ui km/hr、真实交通密度为Ki car/km、真实交通流量为Qi。

手机从进入Celli前1次通话到进入Celli的间隔时间（即[t0， t1]）为x。

细胞Celli涵盖范围道路之路段长度为li。

输出目标：

ai：目标细胞Celli的覆盖范围之路段上发生通话的数量。

本研究考虑手机之通话间隔时间、进入细胞时间、以及离开细胞时间，计算其在目标细胞Celli覆盖范围内发生通话的机率。依据通过该路段的交通流量Qi来评估通话数量ai，并以此通话数量评估交通密度ki，如公式（3）和公式（4）所示。

1.3车速估计

有鉴于车速可由交通流量和交通密度换算所得（即U = Q / K），因此本研究将采用第1.1节所估计的交通流量和第1.2节所估计的交通密度换算成估计的车速信息，如公式（5）所示。

二、实验结果与讨论

本研究将运用微观车流仿真软件VISSIM仿真高速公路路段，并设定各个细胞（Cell）和换手的位置，产生出车辆移动纪录（Vehicle Movement Trace），再以随机数生成器为每支手机随机产生通话和周期性位置更新之手机通讯行为纪录（MS Communication Trace）。

车辆移动纪录和手机通讯行为纪录经由仿真软件产生后，可以用来模拟台湾高速公路情境。其中，在输入的部分主要有3大类的参数，分别为：

1.交通路况：路段长度、车道数、换手位置、以及交通流量等。

2. 车辆移动行为：车速、跟车模型。

3.手机通话行为：通话时间（call holding time）、通话间隔时间（call inter-arrival time）。

本研究假设每台在道路上移动的车辆中都有一支手机。通过上述的参数设定后，产生并纪录每台车辆的ID、车速、位置、通话产生时间（call arrival time）、以及通话结束时间（call departure time）。依此数据进行该道路之平均车速、交通流量、交通密度、换手信令、通话信令、以及周期性位置更新信令之仿真分析。

在实验中，模拟一条长10公里之高速公路路段，让路段为3个车道，并通过12個细胞和11个换手位置。假设每一个细胞为1公里分布于该路段0～10公里处，每隔1公里为1个换手位置。在每一个换手位置设置一个数据收集点（Data Collection Point， DCP）纪录每辆车通过的时间点和瞬时速度。可把DCP当成车辆侦测器使用，纪录车速和交通流量，并依车速和流量关系计算出交通密度。交通流量为每小时3600辆，其中车辆平均速度为介于85-120公里/小时之均匀分布，共模拟1小时。在通话行为的部分，本研究依平均通话时间和通话间隔时间为每台车产生通话之随机变量。其中，平均通话时间为1/m之指数分布;平均通话间隔时间为1/l之指数分布。实验假设如下：

由车辆侦测器量测到细胞Celli涵盖范围道路上之真实平均车速为Ui km/hr、真实交通密度为Ki car/km、真实交通流量为Qi。

由本研究方法量测到细胞Celli涵盖范围道路上之估计平均车速为ui km/hr、估计交通密度为ki car/km、估计交通流量为qi。

平均通话时间为1/μ之指数分布。

平均通话间隔时间为1/λ之指数分布。

车速、交通密度、交通流量之准确率计算分别为：

、、

2.1交通流量估计正确率

本研究所提出的模型将可以分析来自Celli的换手信令数量hi来估计交通流量qi。例如：在实验环境Cell 1中在一个小时内共发生66个换手信令（即h1），共由于平均通话时间为1分钟（即1/m为1/60小时），此时可以运用公式（2）估计交通流量为3960 （辆/小时）。在实验中，本研究采用来计算交通流量估计正确率，结果如表1所示，平均正确率为88.03%。

2.2交通密度估计正确率

本研究所提出的模型将可以分析来自Celli的通话到达信令数量ai来估计交通密度ki。例如：在实验环境Cell 1中在一个小时内共发生38个通话到达（即a1），共由于平均通话间隔时间为1小时（即1/l为1小时），此时可以运用公式（4）估计交通密度为38 （辆/公里）。在实验中，本研究采用来计算交通密度估计正确率，结果如表2所示，平均正确率为93.92%。

2.3车速估计正确率

本研究可参考第2.1节和2.2节所估计之交通流量qi和交通密度ki，并运用公式（5）估计车速ui。例如：在实验环境Cell 1中估计交通流量为3960 （辆/小时）、估计交通密度为38 （辆/公里），故估计车速为104.21 （公里/小时）。在实验中，本研究采用来计算车速估计正确率，结果如表3所示，平均正确率为89.75%。

三、结束语

本研究提出以通话信令为基础的交通信息估计方法，主要将从移动网络收集换手信令和通话到达信令，并分别提出分析模型来估计交通流量和交通密度，最后再依此估计车速信息。在实验中，本研究根据高速公路上车辆侦测器的资料来比较真实的交通信息和估计的交通信息。由实验结果显示，本研究提出之交通信息估计系统的车速估计正确率可以达到89.75%。因此，交通信息估计系统将可以分析基于移动网络流动车辆资料来提供实时且可靠的车速信息，予以用路人参考。

参  考  文  献

[1] Lai， W.K.， Kuo， T.H. Vehicle positioning and speed estimation based on cellular network signals for urban roads [J]. ISPRS International Journal of Geo-Information， 2016， 5（10）： 181.

[2] Cheu， R.L.， Xie C.， Lee， D.H. Probe vehicle population and sample size for arterial speed estimation [J]. Computer-Aided Civil and Infrastructure Engineering， 2002， 17： 53-60.

[3] Gundlegård， D. Karlsson， J.M. Handover location accuracy for travel time estimation in GSM and UMTS [J]. IET Intelligent Transport Systems， 2009， 3（1）： 87-94.

[4] Caceres， N.， Wideberg， J.P.， Benitez， F.G. Deriving origin-destination data from a mobile phone network [J]. IET Intelligent Transport Systems， 2007， 1（1）： 15-26.

[5] Caceres， N.， Wideberg， J.P.， Benitez， F.G. Review of traffic data estimations extracted from cellular networks [J]. IET Intelligent Transport Systems， 2008， 2（3）： 179-192.

[6] Bar-Gera， H. Evaluation of a cellular phone-based system for measurements of traffic speeds and travel times： A case study from Israel [J]. Transportation Research Part C， 2007， 15（6）： 380-391.

[7] Janecek， A.， Valerio， D.， Hummel， K.A.， Ricciato， F.， Hlavacs， H. The cellular network as a sensor： From mobile phone data to real-time road traffic monitoring [J]. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（5）： 2551-2572.

[8] He， S.， Ding， F.， Zhou， Y.， Cheng， Y.， Ran， B. Investigating and modelling the relationship between traffic volume and extracts from cellphone activity data [J]. IET Intelligent Transport Systems， 2019， 13（8）： 1299-1308.

[9] Ghahramani， M.， Zhou， M.， Hon， C.T. Extracting significant mobile phone interaction patterns based on community structures [J]. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（3）： 1031-1041.

基金項目：国家自然科学基金资助项目（61906043）

陈志华（1984），男，中国台湾高雄，博士，教授。