【摘要】? ? 本研究提出基于移動網(wǎng)絡(luò)信令的交通信息估計方法，主要將從移動網(wǎng)絡(luò)收集換手（Handover）信令和通話到達（Call Arrival， CA）信令，并分別提出分析模型來估計交通流量和交通密度，最后再依此估計車速信息。在實驗中，本研究根據(jù)高速公路上車輛偵測器的數(shù)據(jù)來比較真實的交通信息和估計的交通信息。由實驗結(jié)果顯示，本研究提出的交通信息估計方法的車速估計正確率可以達到89.75%。因此，交通信息估計方法將可以分析基于移動網(wǎng)絡(luò)流動車輛資料來提供實時且可靠的車速信息給用路人參考。

【關(guān)鍵詞】? ? 移動網(wǎng)絡(luò)? ? 交通流量估計? ? 交通密度估計? ? 車速估計

引言：

實時交通信息服務(wù)系統(tǒng)是智能運輸系統(tǒng)（Intelligent Transportation System， ITS）重要的一環(huán)。對于用路人而言，獲得完整且充足的交通信息，不論是行前路況信息以及行進中的路況信息，大眾運輸換乘信息等等，都能提供用路人在不同路徑以及運具的選擇上，具有更加的彈性。

實時交通信息，包含路況、車流量、車速、交通事故等信息，如能實時提供用路人參考，可大幅提升用路質(zhì)量。其中，實時交通信息收集有三種方式[1]：1.固定式車輛偵測器（Vehicle Detector， VD）;2.配備全球定位系統(tǒng)（Global Positioning System， GPS）探偵車回報交通信息;3.利用移動網(wǎng)絡(luò)追蹤用戶手機位置。 然而，第一種方法，車輛偵測器很容易受到溫度、潮濕、擠壓、以及人為因素等造成損壞，需要很高的維護成本，以保持車輛偵測器正常運作。第二種方法，探偵車的數(shù)目及時間樣本往往是不足的。例如，GPS探偵車需要占總交通量的12%，其車速估計誤差才能降低到3%[2]。因此，本研究將針對第三種方式提出利用追蹤手機位置來偵測道路信息的機制，這個機制不需要花費龐大的金額來架設(shè)及維護額外的偵測裝置，而且?guī)缀趺總€人都有手機，因此本研究以追蹤手機位置所得到的交通信息是非常全面的。本研究將針對第三種交通信息收集方法探討其可行性及運作方式。

利用移動網(wǎng)絡(luò)追蹤用戶手機位置的方法，主要通過分析移動網(wǎng)絡(luò)信令來取得手機位置和交通信息。在移動網(wǎng)絡(luò)設(shè)計上為了保持服務(wù)質(zhì)量，在移動網(wǎng)絡(luò)中設(shè)計有移動管理程序，以隨時掌握移動中的手機。其中，主要有兩個主要事件，分別為換手（Handover）和位置更新（Location Update， LU）。位置區(qū)域（Location Area， LA）為數(shù)個鄰近的細胞（Cell）所組成，可以用來描述手機較高層次的位置。當(dāng)發(fā)生位置更新的程序時，手機將回報所在的LA信息，故網(wǎng)絡(luò)可以一直知道手機目前的LA。而當(dāng)通話中的手機在不同的基地臺（Base Stations， BSs）的服務(wù)區(qū)域移動時，將觸發(fā)換手事件以保持手機的通話。因此，通過分析換手和位置更新發(fā)生時間及相關(guān)上述事件的相關(guān)信息，可以用來推論交通信息[3-9]。

在利用移動網(wǎng)絡(luò)追蹤用戶手機位置的方法上，已經(jīng)有學(xué)者進行相關(guān)的研究[3-9]，例如：Gundlegard等人在研究中顯示了換手定位的誤差在全球移動通信系統(tǒng)（Global System for Mobile Communications， GSM）和通用移動電信系統(tǒng)（Universal Mobile Telecommunications System， UMTS）約為40公尺。并且指出在換手定位方法在GSM和UMTS環(huán)境進行換手定位方式，可應(yīng)用于車速估計上[3]。Caceres等人則提出“虛擬流量計數(shù)器（virtual traffic counter）”結(jié)合位置更新信息，以監(jiān)測道路上通過兩個LA的手機，以便測量交通流量[4-5]。對于估計旅行時間和車速的部分，Bar-Gera在研究中證實利用移動網(wǎng)絡(luò)追蹤用戶手機位置的方法，其的旅行時間的平均絕對相對差異（absolute relative difference）為10.7%[6]。也有學(xué)者指出，在GSM和UMTS環(huán)境下也都能得到良好的旅行時間估計[3]。Lai等人提出運用兩次的換手事件（double handover， DHO）估計車速，并與車輛偵測器、配備GPS探偵車回報交通信息得到的交通信息進行平均車速比較[1]。然而，換手信令和位置更新信令所顯示的道路上通過某一個點的數(shù)量，而無法計算道路交通密度。因此，有幾項研究分析了通話數(shù)量和交通密度間的關(guān)系[7-8]。在研究中發(fā)現(xiàn)手機通話量的變化和交通密度呈現(xiàn)正相關(guān)。不過，在目前卻沒有研究確切的估計移動網(wǎng)絡(luò)信令和交通密度的關(guān)系，因而無法提供一個全面的交通信息。

因此，本研究提出以通話信令為基礎(chǔ)的交通信息估計系統(tǒng)，主要從移動網(wǎng)絡(luò)收集換手信令和通話到達信令，并分別提出分析模型來估計交通流量和交通密度，最后再依此估計車速信息，以提供可靠且完整的交通信息，予以用路人參考。

一、交通信息估計方法

本研究在利用移動網(wǎng)絡(luò)追蹤用戶手機位置的方法上將針對移動網(wǎng)絡(luò)進行網(wǎng)絡(luò)接口信令（包含換手信令和通話到達信令）擷取與分析。

1.1交通流量估計

本研究將建立換手信令數(shù)量和交通流量的關(guān)聯(lián)模型，并依據(jù)換手信令數(shù)量評估實時交通流量。在研究中主要考慮通話行為模式、交通路況、以及細胞覆蓋范圍。圖1顯示車輛移動與換手行為之空間示意圖，以及圖2顯示車輛移動與換手行為之時間示意圖。手機（圖1 （a））沿著道路移動在時間點t0時撥了一通電話，此時將持續(xù)進行基地臺訊號的量測，并回報量測報告至移動網(wǎng)絡(luò)（圖1 path （1））。并且持續(xù)通話，在時間點t1時進入到目標(biāo)細胞Celli的覆蓋范圍，此時手機將發(fā)出換手信令，并由移動網(wǎng)絡(luò)端執(zhí)行完成后會發(fā)出訊息予手機端（圖1 path （2））。而且，手機在時間點t3時才掛斷電話。

此模型基于以下的假設(shè)：

每臺移動的車子中都有一支手機。

通話時間（call holding time）之隨機變量t其機率密度分布為指數(shù)分布（exponential distribution），其中平均通話時間為1/μ。

由車輛偵測器量測到細胞Celli涵蓋范圍道路上之真實平均車速為Ui km/hr、真實交通密度為Ki car/km、真實交通流量為Qi。

手機從進入Celli前1次通話到進入Celli的間隔時間（即[t0， t1]）為x。

細胞Celli涵蓋范圍道路之路段長度為li。

輸出目標(biāo)：

hi：目標(biāo)細胞Celli的覆蓋范圍之路段上發(fā)生換手的數(shù)量。

本研究考慮手機之通話時間、以及進入細胞時間，計算其在目標(biāo)細胞Celli覆蓋范圍內(nèi)發(fā)生換手的機率。依據(jù)通過該路段的交通流量Qi來評估換手數(shù)量hi，并以此換手數(shù)量評估交通流量qi，如公式（1）和公式（2）所示。

1.2交通密度估計

本研究將建立通話到達信令數(shù)量和交通密度的關(guān)聯(lián)模型，并依據(jù)通話到達信令數(shù)量評估實時交通密度。在研究中主要考慮通話行為模式、交通路況、以及細胞覆蓋范圍。圖3顯示車輛移動與通話行為之空間示意圖，以及圖4顯示車輛移動與通話行為之時間示意圖。手機（圖3 （a））沿著道路移動在時間點t0時撥了一通電話，并在時間點t1時進入到目標(biāo)細胞Celli的覆蓋范圍。而且，手機在它離開目標(biāo)細胞Celli的覆蓋范圍前（時間點time t3），在時間點t2時撥了一通電話（圖3 path （1））。

此模型基于以下的假設(shè)：

每臺移動的車子中都有一支手機。

通話到達（call arrival）事件（包含撥話（call origination）和受話（call termination）事件）之機率密度分布為泊松過程（Poisson process），其中平均通話率為λ（call/hr）。

通話間隔時間（call inter-arrival time）之隨機變量，其機率密度分布為指數(shù)分布（exponential distribution），其中平均通話時間為1/λ。

由車輛偵測器量測到細胞Celli涵蓋范圍道路上之真實平均車速為Ui km/hr、真實交通密度為Ki car/km、真實交通流量為Qi。

手機從進入Celli前1次通話到進入Celli的間隔時間（即[t0， t1]）為x。

細胞Celli涵蓋范圍道路之路段長度為li。

輸出目標(biāo)：

ai：目標(biāo)細胞Celli的覆蓋范圍之路段上發(fā)生通話的數(shù)量。

本研究考慮手機之通話間隔時間、進入細胞時間、以及離開細胞時間，計算其在目標(biāo)細胞Celli覆蓋范圍內(nèi)發(fā)生通話的機率。依據(jù)通過該路段的交通流量Qi來評估通話數(shù)量ai，并以此通話數(shù)量評估交通密度ki，如公式（3）和公式（4）所示。

1.3車速估計

有鑒于車速可由交通流量和交通密度換算所得（即U = Q / K），因此本研究將采用第1.1節(jié)所估計的交通流量和第1.2節(jié)所估計的交通密度換算成估計的車速信息，如公式（5）所示。

二、實驗結(jié)果與討論

本研究將運用微觀車流仿真軟件VISSIM仿真高速公路路段，并設(shè)定各個細胞（Cell）和換手的位置，產(chǎn)生出車輛移動紀(jì)錄（Vehicle Movement Trace），再以隨機數(shù)生成器為每支手機隨機產(chǎn)生通話和周期性位置更新之手機通訊行為紀(jì)錄（MS Communication Trace）。

車輛移動紀(jì)錄和手機通訊行為紀(jì)錄經(jīng)由仿真軟件產(chǎn)生后，可以用來模擬臺灣高速公路情境。其中，在輸入的部分主要有3大類的參數(shù)，分別為：

1.交通路況：路段長度、車道數(shù)、換手位置、以及交通流量等。

2. 車輛移動行為：車速、跟車模型。

3.手機通話行為：通話時間（call holding time）、通話間隔時間（call inter-arrival time）。

本研究假設(shè)每臺在道路上移動的車輛中都有一支手機。通過上述的參數(shù)設(shè)定后，產(chǎn)生并紀(jì)錄每臺車輛的ID、車速、位置、通話產(chǎn)生時間（call arrival time）、以及通話結(jié)束時間（call departure time）。依此數(shù)據(jù)進行該道路之平均車速、交通流量、交通密度、換手信令、通話信令、以及周期性位置更新信令之仿真分析。

在實驗中，模擬一條長10公里之高速公路路段，讓路段為3個車道，并通過12個細胞和11個換手位置。假設(shè)每一個細胞為1公里分布于該路段0～10公里處，每隔1公里為1個換手位置。在每一個換手位置設(shè)置一個數(shù)據(jù)收集點（Data Collection Point， DCP）紀(jì)錄每輛車通過的時間點和瞬時速度?？砂袲CP當(dāng)成車輛偵測器使用，紀(jì)錄車速和交通流量，并依車速和流量關(guān)系計算出交通密度。交通流量為每小時3600輛，其中車輛平均速度為介于85-120公里/小時之均勻分布，共模擬1小時。在通話行為的部分，本研究依平均通話時間和通話間隔時間為每臺車產(chǎn)生通話之隨機變量。其中，平均通話時間為1/m之指數(shù)分布;平均通話間隔時間為1/l之指數(shù)分布。實驗假設(shè)如下：

由車輛偵測器量測到細胞Celli涵蓋范圍道路上之真實平均車速為Ui km/hr、真實交通密度為Ki car/km、真實交通流量為Qi。

由本研究方法量測到細胞Celli涵蓋范圍道路上之估計平均車速為ui km/hr、估計交通密度為ki car/km、估計交通流量為qi。

平均通話時間為1/μ之指數(shù)分布。

平均通話間隔時間為1/λ之指數(shù)分布。

車速、交通密度、交通流量之準(zhǔn)確率計算分別為：

、、

2.1交通流量估計正確率

本研究所提出的模型將可以分析來自Celli的換手信令數(shù)量hi來估計交通流量qi。例如：在實驗環(huán)境Cell 1中在一個小時內(nèi)共發(fā)生66個換手信令（即h1），共由于平均通話時間為1分鐘（即1/m為1/60小時），此時可以運用公式（2）估計交通流量為3960 （輛/小時）。在實驗中，本研究采用來計算交通流量估計正確率，結(jié)果如表1所示，平均正確率為88.03%。

2.2交通密度估計正確率

本研究所提出的模型將可以分析來自Celli的通話到達信令數(shù)量ai來估計交通密度ki。例如：在實驗環(huán)境Cell 1中在一個小時內(nèi)共發(fā)生38個通話到達（即a1），共由于平均通話間隔時間為1小時（即1/l為1小時），此時可以運用公式（4）估計交通密度為38 （輛/公里）。在實驗中，本研究采用來計算交通密度估計正確率，結(jié)果如表2所示，平均正確率為93.92%。

2.3車速估計正確率

本研究可參考第2.1節(jié)和2.2節(jié)所估計之交通流量qi和交通密度ki，并運用公式（5）估計車速ui。例如：在實驗環(huán)境Cell 1中估計交通流量為3960 （輛/小時）、估計交通密度為38 （輛/公里），故估計車速為104.21 （公里/小時）。在實驗中，本研究采用來計算車速估計正確率，結(jié)果如表3所示，平均正確率為89.75%。

三、結(jié)束語

本研究提出以通話信令為基礎(chǔ)的交通信息估計方法，主要將從移動網(wǎng)絡(luò)收集換手信令和通話到達信令，并分別提出分析模型來估計交通流量和交通密度，最后再依此估計車速信息。在實驗中，本研究根據(jù)高速公路上車輛偵測器的資料來比較真實的交通信息和估計的交通信息。由實驗結(jié)果顯示，本研究提出之交通信息估計系統(tǒng)的車速估計正確率可以達到89.75%。因此，交通信息估計系統(tǒng)將可以分析基于移動網(wǎng)絡(luò)流動車輛資料來提供實時且可靠的車速信息，予以用路人參考。

參? 考? 文? 獻

[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] Gundleg?rd， 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：國家自然科學(xué)基金資助項目（61906043）

陳志華（1984），男，中國臺灣高雄，博士，教授。