一种基于手机信号数据的交通拥堵分级检测方法

摘要

一种基于手机信号数据的交通拥堵分级检测方法，本发明涉及一种利用手机信号数据，对交通拥堵的存在性和严重性进行检测的技术。此技术先建立道路路段和手机网络的对应关系，然后对收集到的手机信号数据进行分析，获得检测时间间隔内的手机信号，计算用于拥堵检测的若干特征变量，再利用建立的自适应检测算法对这些特征变量进行分析，获得对拥堵和其严重程度进行的判断。其特征在于基于手机信号分析而提出的特征变量，和相应的自适应的检测算法。本发明的优点是：充分利用现有的移动通信网络资源和已有手机通信网络中的信息，能在短时间完成大范围内的实时交通状态监控。同时增加了检测的精度，利用自适应算法，减少了以往算法的参数标定的消耗。

说明书

技术领域

本发明涉及一种基于手机信号数据的交通拥堵分级检测的方法，适用于交通 运输管理及交通信息服务行业，属于用手机信号检测交通状态的方法技术领域。

背景技术

智能交通系统(Intelligent Transportation Systems，简称ITS)是运用现代信 息和通讯技术，将交通系统中的各个部分，即人、车、路三者，紧密协调，在大 范围全方位发挥作用的实时、准确、高效的交通运输监控和管理系统。ITS能够 有效地充分利用现有交通设施，减少交通拥堵，减轻环境污染，保证交通安全， 提高运输效率，从而促进社会经济发展，提高人民生活质量。

准确获取实时交通信息是智能交通系统中重要的组成部分，其中对交通拥堵 的及时检测，是获取实时交通信息的基本条件和前提。传统定点采集技术，如感 应线圈、雷达、红外和视频，只能采集有限范围内的城市道路交通信息，而且安 装和维护成本相对较高。而自动车辆定位技术为基础的浮动车(例如装载GPS 设备的出租车、公交车或货运车等)技术，也受装载设备的车辆数规模限制，只 能提供城市局部范围的动态交通信息，而且其准确性受浮动车样本量的影响。手 机终端的大规模普及以及移动运营商的无线通讯网络、无线通讯网络信令采集和 监控、安全和加密等技术的发展和完善，为利用手机终端作为天然的大范围实时 交通检测设备，提供了技术基础和保障。

手机移动终端在手机网络中持续地生成各种具体记录，比如收短消息、发短 消息、开机、关机等。以前的方法和系统不能用交通科学或交通工程的基础知识 来处理手机信号数据，或者由于各种原因，只能利用很小一部分的手机信号数据， 对获取实时和预测的交通状态产生了很大困难。

发明内容

本发明的目的是提供一种用交通工程的知识和统计算法来处理手机信号数 据，对交通拥堵和拥堵严重程度进行检测的方法。

为了达到上述目的，本发明的一个技术方案是提供了一种基于手机活动量的 交通拥堵检测方法，其特征在于，步骤为：

第一步、利用道路网络的电子地图，对手机基站和当前道路进行匹配，获得 当前道路附近的手机基站列表，建立基于手机基站位置信息的虚拟传感器网络；

第二步、以时间间隔T周期性地从手机网络获取在当前道路上每个时间段内 所有手机发出的实时信号数据；

第三步、统计当前时间段内所有手机在当前道路上的行驶方向，其中，第i 部手机在当前道路上的行驶方向通过以下步骤得到：

步骤3.1、获得第i部手机在上一个时间段和当前时间段中的第一个记录， 记为记录a，以及最后一个记录，记为记录b；

步骤3.2、利用记录a中包括的基站的经纬度坐标及记录b中包括的基站的 经纬度坐标判断第i部手机在当前道路上为上行运动或下行运动；

第四步、计算所有上行运动的手机在任意一个与当前道路对应的手机基站信 号覆盖的范围内在当前时间段内的总信令数量，记为上行手机活动量 cell_activity_up(T)；计算所有下行运动的手机在任意一个与当前道路对应的 手机基站信号覆盖的范围内在当前时间段内的总信令数量，记为下行手机活动量 cell_activity_down(T)；

第五步、分别判定当前道路上行方向及下行方向在当前时间段内的交通拥堵 状况，其中，上行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机活动量的平均值m_up(T)和方差 std_up(T)，若cell_activity_up(T)小于m_up(T)-alpha*std_up(T)，则判定为非拥堵， 否则，判定为拥堵；

下行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的下行手机活动量的平均值m_down(T)和方 差std_down(T)，若cell_activity_down(T)小于m_down(T)-alpha*std_down(T)，则判 定为非拥堵，否则，判定为拥堵；

alpha为模型参数。

优选地，所述第一步包括：

步骤1.1、获得手机网络中每个手机基站覆盖范围的中心位置的经纬度坐标；

步骤1.2、获得当前道路附近的所有手机基站；

步骤1.3、去除步骤1.2中得到的手机基站中数据质量不佳的手机基站，其 中，满足下面条件中的至少一个则判定为数据质量不佳的手机基站：

第一、一天中手机数据不连续，少于一半的小时中有数据；

第二、每小时手机数据量相对周边其他基站少至少五分之一；

第三、每小时手机数据量在一天中非常稳定，几乎没有变化。

优选地，在所述第五步前，还需要根据历史手机数据计算上行手机活动强 度阈值bound_up及下行手机活动强度阈值bound_down，其中：

上行手机活动强度阈值bound_up大于某个时间长度内A％时间段的上行手机活 动量且小于或等于(100-A)％时间段的上行手机活动量，A不小于50；

下行手机活动强度阈值bound_down大于某个时间长度内B％时间段的下行手机 活动量且小于或等于(100-B)％时间段的上行手机活动量，B不小于50，则上行 方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机活动量的平均值m_up(T)和方差 std_up(T)，若cell_activity_up(T)小于m_up(T)-alpha*std_up(T)或小于bound_up， 则判定为非拥堵，否则，判定为拥堵；

下行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的下行手机活动量的平均值m_down(T)和方 差std_dowm(T)，若cell_activity_down(T)小于m_down(T)-alpha*std_down(T)或小于 bound_down，则判定为非拥堵，否则，判定为拥堵。

优选地，在所述第五步中，所述交通拥堵状况分为畅通、轻微拥堵及严重拥 堵，则上行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机活动量的平均值m_up(T)和方差 std_up(T)，若cell_activity_up(T)小于m_up(T)-alpha1*std_up(T)，则判定为畅通， 若cell_activity_up(T)大于m_up(T)-alpha1*std_up(T)且小于 m_up(T)-beta*std_up(T)，则判定为轻微拥堵，若cell_activity_up(T)大于 m_up(T)-beta*std_up(T)，则判定为严重拥堵；

下行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的下行手机活动量的平均值m_down(T)和方 差std_down(T)，若cell_activity_down(T)小于m_dowm(T)-alpha1*std_down(T)，则 判定为畅通，若cell_activity_down(T)大于m_down(T)-alpha1*std_down(T)且小于 m_down(T)-beta*std_down(T)，则判定为轻微拥堵，若cell_activity_down(T)大于 m_down(T)-beta*std_down(T)，则判定为严重拥堵；

alpha1及beta为模型参数。

优选地，在所述第四步后且第五步前，还包括：先计算每小时手机活动强度 指数，其计算方法为：统计前若干天中，对于全天每个小时的手机信号数量占整 个一天24小时的比值，再对每个小时的比值做归一化处理，即获得了每小时手 机活动强度指数；

再将第四步得到的cell_activity_up(T)和cell_activity_down(T)除以每小时手 机活动强度指数，得到新的上行手机活动量cell_activity_up(T)及新的下行手机活 动量cell_activity_down(T)。

本发明的另一个技术方案是提供了一种基于手机样本伪速度的交通拥堵检 测方法，其特征在于，步骤为：

第一步、利用道路网络的电子地图，对手机基站和当前道路进行匹配，获得 当前道路附近的手机基站列表，建立基于手机基站位置信息的虚拟传感器网络；

第二步、以时间间隔T周期性地从手机网络获取在当前道路上每个时间段内 所有手机发出的实时信号数据；

第三步、统计当前时间段内所有手机在当前道路上的行驶方向，其中，第i 部手机在当前道路上的行驶方向通过以下步骤得到：

步骤3.1、获得第i部手机在上一个时间段和当前时间段中的第一个记录， 记为记录a，以及最后一个记录，记为记录b；

步骤3.2、利用记录a中包括的基站的经纬度坐标及记录b中包括的基站的 经纬度坐标判断第i部手机在当前道路上为上行运动或下行运动；

步骤3.3、计算第i部手机的伪速度，其为记录a中包括的基站及记录b中 包括的基站在当前道路上的投影点沿道路的距离除以记录a和记录b间的时间间 隔；

第四步、计算所有上行运动的手机在当前时间段内的伪速度的平均值，记为 上行手机伪速度pseudo_speed_up(T)；计算所有下行运动的手机在当前时间段 内的伪速度的平均值pseudo_speed_down(T)；

第五步、分别判定当前道路上行方向及下行方向在当前时间段内的交通拥堵 状况，其中，上行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机伪速度的平均值mspeed_up(T) 和方差stdspeed_up(T)，若pseudo_speed_up(T)小于 mspeed_up(T)-alpha*stdspeed_up(T)，则判定为非拥堵，否则，判定为拥堵；

下行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的下行手机伪速度的平均值mspeed_down(T) 和方差stdspeed_down(T)，若pseudo_speed_down(T)小于 mspeed_down(T)-alpha*stdspeed_down(T)，则判定为非拥堵，否则，判定为拥堵；

alpha为模型参数。

优选地，在所述第五步前，还需要根据历史手机数据计算上行手机伪速度阈 值boundspeed_up及下行手机伪速度阈值boundspeed_down，其中：

上行手机伪速度阈值boundspeed_up大于某个时间长度内A％时间段的上行手 机活动量且小于或等于(100-A)％时间段的上行手机活动量，A不小于50；

下行手机伪速度阈值boundspeed_down大于某个时间长度内B％时间段的下行手 机活动量且小于或等于(100-B)％时间段的上行手机活动量，B不小于50，则上 行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机伪速度的平均值mspeed_up(T) 和方差stdspeed_up(T)，若pseudo_speed_up(T)小于 mspeed_up(T)-alpha*stdspeed_up(T)或小于boundspeed_up，则判定为非拥堵，否则， 判定为拥堵；

下行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的下行手机伪速度的平均值mspeed_down(T) 和方差stdspeed_down(T)，若pseudo_speed_down(T)小于 mspeed_down(T)-alpha*stdspeed_down(T)或小于boundspeed_down，则判定为非拥堵，否 则，判定为拥堵。

优选地，在所述第五步中，所述交通拥堵状况分为畅通、轻微拥堵及严重拥 堵，则上行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机伪速度的平均值mspeed_up(T) 和方差stdspeed_up(T)，若pseudo_speed_up(T)小于 mspeed_up(T)-alpha1*stdspeed_up(T)，则判定为畅通，若pseudo_speed_up(T)大 于mspeed_up(T)-alpha1*stdspeed_up(T)且小于mspeed_up(T)-beta*stdspeed_up(T)， 则判定为轻微拥堵，若pseudo_speed_up(T)大于 mspeed_up(T)-beta*stdspeed_up(T)，则判定为严重拥堵；

下行方向的交通拥堵状况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的下行手机伪速度的平均值mspeed_down(T) 和方差stdspeed_down(T)，若pseudo_speed_down(T)小于 mspeed_down(T)-alpha1*stdspeed_down(T)，则判定为畅通，若pseudo_speed_down(T) 大于mspeed_down(T)-alpha1*stdspeed_down(T)且小于 mspeed_down(T)-beta*stdspeed_down(T)，则判定为轻微拥堵，若pseudo_speed_down (T)大于mspeed_down(T)-beta*stdspeed_down(T)，则判定为严重拥堵；

alpha1及beta为模型参数。

本发明的另一个技术方案是提供了一种基于手机信号数据的交通拥堵分级 检测方法，其特征在于，步骤为：

第一步、利用道路网络的电子地图，对手机基站和当前道路进行匹配，获得 当前道路附近的手机基站列表，建立基于手机基站位置信息的虚拟传感器网络；

第二步、以时间间隔T周期性地从手机网络获取在当前道路上每个时间段内 所有手机发出的实时信号数据；

第三步、统计当前时间段内所有手机在当前道路上的行驶方向，其中，第i 部手机在当前道路上的行驶方向通过以下步骤得到：

步骤3.1、获得第i部手机在上一个时间段和当前时间段中的第一个记录， 记为记录a，以及最后一个记录，记为记录b；

步骤3.2、利用记录a中包括的基站的经纬度坐标及记录b中包括的基站的 经纬度坐标判断第i部手机在当前道路上为上行运动或下行运动；

步骤3.3、计算第i部手机的伪速度，其为记录a中包括的基站及记录b中 包括的基站在当前道路上的投影点沿道路的距离除以记录a和记录b间的时间间 隔；

第四步、计算所有上行运动的手机在任意一个与当前道路对应的手机基站信 号覆盖的范围内在当前时间段内的总信令数量，记为上行手机活动量 cell_activity_up(T)；计算所有下行运动的手机在任意一个与当前道路对应的 手机基站信号覆盖的范围内在当前时间段内的总信令数量，记为下行手机活动量 cell_activity_down(T)；

计算所有上行运动的手机在当前时间段内的伪速度的平均值，记为上行手机 伪速度pseudo_speed_up(T)；计算所有下行运动的手机在当前时间段内的伪速 度的平均值pseudo_speed_down(T)；

第五步、将交通拥堵状况分为畅通、轻微拥堵及严重拥堵，则基于手机活动 量分别判定当前道路上行方向及下行方向在当前时间段内的中间交通拥堵状况 一，其中，上行方向的中间交通拥堵状况一判定包括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机活动量的平均值m_up(T)和方差 std_up(T)，若cell_activity_up(T)小于m_up(T)-alpha1*std_up(T)，则中间交通拥 堵状况一判定为畅通，若cell_activity_up(T)大于m_up(T)-alpha1*std_up(T)且小 于m_up(T)-beta*std_up(T)，则中间交通拥堵状况一判定为轻微拥堵，若 cell_activity_up(T)大于m_up(T)-beta*std_up(T)，则中间交通拥堵状况一判定为 严重拥堵；

下行方向的中间交通拥堵状况一判定包括以下步骤：

计算前N个判定为非拥堵的时间段的下行手机活动量的平均值m_down(T)和方 差std_down(T)，若cell_activity_down(T)小于m_down(T)-alpha1*std_down(T)，则 中间交通拥堵状况一判定为畅通，若cell_activity_down(T)大于 m_down(T)-alpha1*std_down(T)且小于m_down(T)-beta*std_down(T)，则中间交通拥堵状况 一判定为轻微拥堵，若cell_activity_down(T)大于m_down(T)-beta*st_down(T)， 则中间交通拥堵状况一判定为严重拥堵；

基于手机样本伪速度分别判定当前道路上行方向及下行方向在当前时间段 内的中间交通拥堵状况二，其中，上行方向的中间交通拥堵状况二判定包括以下 步骤：

计算前N个判定为非拥堵的时间段的上行手机伪速度的平均值mspeed_up(T) 和方差stdspeed_up(T)，若pseudo_speed_up(T)小于 mspeed_up(T)-alpha1*stdspeed_up(T)，则中间交通拥堵状况二判定为畅通，若 pseudo_speed_up(T)大于mspeed_up(T)-alpha1*stdspeed_up(T)且小于 mspeed_up(T)-beta*stdspeed_up(T)，则中间交通拥堵状况二判定为轻微拥堵，若 pseudo_speed_up(T)大于mspeed_up(T)-beta*stdspeed_up(T)，则中间交通拥堵状 况二判定为严重拥堵；

下行方向的中间交通拥堵状况二况判定包括以下步骤：

计算前N个判定为非拥堵的时间段的下行手机伪速度的平均值mspeed_down(T) 和方差stdspeed_down(T)，若pseudo_speed_down(T)小于 mspeed_down(T)-alpha1*stdspeed_down(T)，则中间交通拥堵状况二判定为畅通，若 pseudo_speed_down(T)大于mspeed_down(T)-alpha1*stdspeed_down(T)且小于 mspeed_down(T)-beta*stdspeed_down(T)，则中间交通拥堵状况二判定为轻微拥堵，若 pseudo_speed_down(T)大于mspeed_down(T)-beta*stdspeed_down(T)，则中间交通 拥堵状况二判定为严重拥堵；

alpha1及beta为模型参数；

第六步、判定当前道路在当前时间段的最终交通拥堵状况，若中间交通拥堵 状况一判定为畅通，则最终交通拥堵状况判定为畅通；若中间交通拥堵状况一判 定为轻微拥堵，且中间交通拥堵状况二判定为轻微拥堵或严重拥堵，则最终交通 拥堵状况判定为轻微拥堵；若中间交通拥堵状况一判定为轻微拥堵，且中间交通 拥堵状况二判定为畅通，则最终交通拥堵状况判定为畅通；若中间交通拥堵状况 一判定为严重拥堵，且中间交通拥堵状况二判定为轻微拥堵或严重拥堵，则最终 交通拥堵状况判定为严重拥堵；若中间交通拥堵状况一判定为严重拥堵，且中间 交通拥堵状况二判定为畅通，则最终交通拥堵状况判定为轻微拥堵。

优选地，在所述第四步后且第五步前，还包括：先计算每小时手机活动强度 指数，其计算方法为：统计前若干天中，对于全天每个小时的手机信号数量占整 个一天24小时的比值，再对每个小时的比值做归一化处理，即获得了每小时手 机活动强度指数；

再将第四步得到的cell_activity_up(T)和cell_activity_down(T)除以每小时手 机活动强度指数，得到新的上行手机活动量cell_activity_up(T)及新的下行手机活 动量cell_activity_down(T)。

本发明通过实时采集、分析移动通信网络中的通信数据，将普通用户使用的 手机移动终端作为一种有效的交通检测器，利用本发明提出的方法，分析推算每 个手机的运动轨迹和运动速度，得到实时和预测的道路交通状态信息。本发明无 需在手机终端上安装任何特殊设备、无需安装任何软件，将每个个人用户使用的 普通手机作为采集终端，突破了传统交通采集技术需要事先安装采集终端的初期 投资建设瓶颈，可节约大量基础设施投资。

本发明可以为城市交通运输管理提供有效的检测和监控手段，适用于相关政 府交通管理部门，为道路基础设施规划和运营维护、交通控制和管理、交通组织 设计提供决策支持信息。同时本发明也可以为交通信息服务行业提供有效的实时 交通信息，为实时动态导航、各种媒体的交通信息发布、车队调度管理、特种车 辆调度管理提供交通信息源。

本发明的优点是：充分依托现有的移动通信网络资源，利用已有手机通信网 络中的信息，即能在短时间完成城市内大范围的实时交通数据采集，同时初期投 资相对较小、数据覆盖范围大、数据精度高。

附图说明

图1为本发明的总体流程图；

图2为建立虚拟传感器网络流程图。

具体实施方式

为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。

本发明提供的一种基于手机信号数据检测交通状态的方法，步骤为：

步骤1、利用道路网络的电子地图，对手机基站和当前道路进行匹配，获得 当前道路附近的手机基站列表，建立基于手机基站位置信息的虚拟传感器网络；

步骤1.1、获得手机网络中每个手机基站覆盖范围的中心位置；

步骤1.1.1、利用获得的手机信号数据，获得所有手机基站的列表；

步骤1.1.2、利用移动运营服务商，或者其他第三方的工具，获得所有手机 基站的位置信息，即经纬度信息；

步骤1.2、获得当前道路交通状态判断使用的手机基站的列表；

步骤1.2.1、道路与手机基站地图匹配，利用电子地图工具，获得当前道路 附近的所有手机基站；

步骤1.2.2、对步骤1.2.1中获得的每个手机基站分析其数据质量，去除数 据质量较差的手机基站。以下情况可以认为基站数据质量不佳，需要从列表中去 掉：

a.一天中数据不连续，少于一半的小时中有数据；

b.每小时手机数据量相对周边其他基站少很多(五分之一或者以下)；

c.每小时手机数据量在一天中非常稳定，几乎没有变化。

步骤2、以固定时间间隔周期性地从手机网络获取所有手机发出的实时信号 数据；

通常的时间间隔采用2分钟或5分钟。假定系统起始时间是上午8：00AM， 如果时间间隔是2分钟的话，则接下去的第一个计算周期为上午8：00：00到 8：01：59，然后依次是8：02：00-8：03：59，……9：42：00-9：43：59，……；如果时 间间隔是5分钟的话，则接下去的第一个计算周期为上午8：00：00到8：04：59， 然后依次是8：05：00-8：09：59，……9：45：00-9：49：59，……。依靠时间范围来约 束采样的手机数量；

步骤3、统计当前时间段T内手机活动强度，并根据第i部手机发出的实时 信号数据中的基站标识号和位置区标识号通过虚拟传感器网络得到该手机在当 前道路上的行驶方向和伪速度；

步骤3.1、对于当前时间段T和相应的手机基站列表，获得所有出现过的用 户列表。对于每个用户，获得其在上一个时间段T-1和当前时间段T中的第一个 记录，记为记录a，以及最后一个记录，记为记录b；

步骤3.2、运动方向判断：对于记录a和记录b中包括的手机基站，利用其 经纬度坐标判断运动方向(上行或下行)。

步骤3.3、计算伪速度，伪速度定义为此手机记录b与记录a中手机基站在 当前道路上的投影点沿道路的距离除以记录b和记录a间的时间间隔；

步骤4、重复步骤3及步骤4直至收集到当前时间段T内所有可能采样到的 手机所在的道路网络路段，即得到每条道路网络路段上的可能采样到的手机个数 n及每条道路网络路段的手机活动强度，上下行的手机交通量和伪速度；

步骤4.1、计算所有上行的用户在某个手机基站内在当前时间段T内的总信 令数量，记为上行手机活动量cell_activity_up(T)，以同样方法计算得到下行 手机活动量cell_activity_down(T)；

步骤4.2、计算所有上行的手机在此时间段内的伪速度的平均值，记为上行 手机伪速度pseudo_speed_up(T)，以同样方法计算得到下行手机伪速度 pseudo_speed_down(T)。

步骤5、根据每条道路网络路段上的手机活动强度，上下行的手机交通量和 伪速度，利用交通状态判断算法判断当前时间段T内对应的道路网络路段的交通 状态。

步骤5.1、模型参数标定，这一步的计算使用的是历史手机数据，即前若干时 间段(例如前一周)的数据

步骤5.1.1、利用历史数据计算上行手机活动强度阈值bound_up及下行手机活 动强度阈值bound_down，其中：

上行手机活动强度阈值bound_up大于1天内60％时间段的上行手机活动量且小 于或等于40％时间段的上行手机活动量；

下行手机活动强度阈值bound_down大于1天内长度内60％时间段的下行手机活 动量且小于或等于40％时间段的上行手机活动量

步骤5.1.2、利用历史数据计算上行手机伪速度阈值boundspeed_up及下行手 机伪速度阈值boundspeed_down，其中：

上行手机伪速度阈值boundspeed_up大于1天内长度内60％时间段的上行手机 活动量且小于或等于40％时间段的上行手机活动量；

下行手机伪速度阈值boundspeed_down大于1天内60％时间段的下行手机活动量 且小于或等于40％时间段的上行手机活动量。

步骤5.2、基于手机活动强度的拥堵检测：

本算法给出的拥堵判断分为三级，即绿色，黄色和红色。绿色代表交通通畅， 对应的服务水平为A或者B。黄色代表交通流量增大，交通流速度降低，有轻微 拥堵，对应的服务水平位C或者D。红色代表严重拥堵，对应的服务水平位E或 者F。

步骤5.2.1、基于手机活动量分别判定当前道路上行方向及下行方向在当前 时间段内的中间交通拥堵状况一，其中，上行方向的中间交通拥堵状况一判定包 括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机活动量的平均值m_up(T)和方差 std_up(T)，若cell_activity_up(T)小于m_up(T)-alpha1*std_up(T)或小于上行手机 活动强度阈值bound_up，则中间交通拥堵状况一判定为绿色，若 cell_activity_up(T)大于m_up(T)-alpha1*std_up(T)且小于m_up(T)-beta*std_up(T)， 则中间交通拥堵状况一判定为黄色，若cell_activity_up(T)大于 m_up(T)-beta*std_up(T)，则中间交通拥堵状况一判定为红色；

下行方向的中间交通拥堵状况一判定包括以下步骤：

计算前15个判定为非拥堵的时间段的下行手机活动量的平均值m_down(T)和方 差std_down(T)，若cell_activity_down(T)小于m_down(T)-alpha1*std_down(T)或小于 下行手机活动强度阈值bound_down，则中间交通拥堵状况一判定为绿色，若 cell_activity_down(T)大于m_down(T)-alpha1*std_down(T)且小于 m_down(T)-beta*std_down(T)，则中间交通拥堵状况一判定为黄色，若 cell_activity_down(T)大于m_down(T)-beta*std_down(T)，则中间交通拥堵状况一 判定为红色。

由于，有的时候手机活动量本身就比较大，容易导致误报率，为了降低误报 率可以先用每小时手机活动强度指数对cell_activity_up(T)及 cell_activity_down(T)进行转换后，再进行判断，则上述步骤5.2.1用以下步 骤替代：

步骤5.2.1.1、计算每小时手机活动强度指数

统计前若干天(例如5天)中，对于全天每个小时的手机信号数量占整个一 天24小时的比值，再对每个小时的比值做归一化处理，即获得了每小时手机活 动强度指数；

步骤5.2.1.2、将cell_activity_up(T)和cell_activity_down(T)除以每 小时手机活动强度指数，得到转换后的上行手机活动量cell_activity_up(T)’ 及下行手机活动量cell_activity_down(T)’；

步骤5.2.1.3、基于手机活动量分别判定当前道路上行方向及下行方向在当 前时间段内的中间交通拥堵状况一，其中，上行方向的中间交通拥堵状况一判定 包括以下步骤：

计算前N个判定为非拥堵的时间段的上行手机活动量的平均值m_up(T)和方差 std_up(T)，若cell_activity_up(T)’小于m_up(T)-alpha1*std_up(T)或小于上行手 机活动强度阈值bound_up，则中间交通拥堵状况一判定为绿色，若 cell_activity_up(T)’大于m_up(T)-alpha1*std_up(T)且小于 m_up(T)-beta*std_up(T)，则中间交通拥堵状况一判定为黄色，若 cell_activity_up(T)’大于m_up(T)-beta*std_up(T)，则中间交通拥堵状况一判定 为红色；

下行方向的中间交通拥堵状况一判定包括以下步骤：

计算前15个判定为非拥堵的时间段的下行手机活动量的平均值m_down(T)和方 差std_down(T)，若cell_activity_down(T)’小于m_down(T)-alpha1*std_down(T)或小 于下行手机活动强度阈值bound_down，则中间交通拥堵状况一判定为绿色，若 cell_activity_down(T)’大于m_down(T)-alpha1*std_down(T)且小于 m_down(T)-beta*std_down(T)，则中间交通拥堵状况一判定为黄色，若 cell_activity_down(T)’大于m_down(T)-beta*std_down(T)，则中间交通拥堵状况一 判定为红色。

步骤5.2.2、基于手机样本伪速度分别判定当前道路上行方向及下行方向在 当前时间段内的中间交通拥堵状况二，其中，上行方向的中间交通拥堵状况二判 定包括以下步骤：

计算前15个判定为非拥堵的时间段的上行手机伪速度的平均值mspeed_up(T) 和方差stdspeed_up(T)，若pseudo_speed_up(T)小于 mspeed_up(T)-alpha1*stdspeed_up(T)或小于上行手机伪速度阈值boundspeed_up，则 中间交通拥堵状况二判定为绿色，若pseudo_speed_up(T)大于 mspeed_up(T)-alpha1*stdspeed_up(T)且小于mspeed_up(T)-beta*stdspeed_up(T)，则 中间交通拥堵状况二判定为黄色，若pseudo_speed_up(T)大于 mspeed_up(T)-beta*stdspeed_up(T)，则中间交通拥堵状况二判定为红色；

下行方向的中间交通拥堵状况二况判定包括以下步骤：

计算前15个判定为非拥堵的时间段的下行手机伪速度的平均值mspeed_down(T) 和方差stdspeed_down(T)，若pseudo_speed_down(T)小于 mspeed_down(T)-alpha1*stdspeed_down(T)或小于下行手机伪速度阈值boundspeed_down， 则中间交通拥堵状况二判定为绿色，若pseudo_speed_down(T)大于 mspeed_down(T)-alpha1*stdspeed_down(T)且小于mspeed_down(T)-beta*stdspeed_down(T)， 则中间交通拥堵状况二判定为黄色，若pseudo_speed_down(T)大于 mspeed_down(T)-beta*stdspeed_down(T)，则中间交通拥堵状况二判定为红色；

alpha1及beta为模型参数，可以根据历史数据调整，一般分别取为1.2和 2.2。

步骤5.4、拥堵检测融合

根据手机活动量和伪速度的结果可以给出两种拥堵状况判断，将两种状态判 断进行融合，判定当前道路在当前时间段的最终交通拥堵状况。若中间交通拥堵 状况一判定为绿色，则最终交通拥堵状况判定为绿色；若中间交通拥堵状况一判 定为黄色，且中间交通拥堵状况二判定为黄色或红色，则最终交通拥堵状况判定 为黄色；若中间交通拥堵状况一判定为黄色，且中间交通拥堵状况二判定为绿色， 则最终交通拥堵状况判定为绿色；若中间交通拥堵状况一判定为红色，且中间交 通拥堵状况二判定为黄色或红色，则最终交通拥堵状况判定为红色；若中间交通 拥堵状况一判定为红色，且中间交通拥堵状况二判定为绿色，则最终交通拥堵状 况判定为黄色。