陳志華 林邦曄 郭庭歡 羅濟(jì)群

（國(guó)立交通大學(xué)資訊管理研究所1） 新竹 300） （中華電信研究院2） 桃園 326）（國(guó)立中山大學(xué)資訊工程學(xué)系3） 高雄 804）

0 引 言

1 系統(tǒng)方法設(shè)計(jì)與分析

根據(jù)前述之研究背景、動(dòng)機(jī)與國(guó)內(nèi)外重要文獻(xiàn)探討，本研究在利用行動(dòng)網(wǎng)絡(luò)追蹤用戶(hù)手機(jī)位置的方法上將針對(duì)GSM／General Packet Radio Service（GPRS）／UMTS異質(zhì)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)接口訊號(hào)擷取與分析.首先，將于網(wǎng)絡(luò)端選定數(shù)個(gè)網(wǎng)絡(luò)接口，如：A－bis，Iub等界面.再設(shè)計(jì)結(jié)合指紋定位的智能型運(yùn)輸系統(tǒng)擷取由手機(jī)傳送到核心網(wǎng)絡(luò)的基地臺(tái)訊號(hào)測(cè)量報(bào)告（measurement report，MR）、主呼（call origination）訊號(hào)、被呼（call ter－mination）訊號(hào)等，來(lái)分析終端使用者的移動(dòng)狀況，進(jìn)而評(píng)估實(shí)時(shí)交通路況.

由于目前大部分的電信業(yè)者之設(shè)備仍是GSM，GPRS，UMTS共存的狀況，因此本研究主要將針對(duì)A－bis，Iub等接口依不同的事件擷取訊號(hào)之位置ID（location identifiers）及時(shí)間點(diǎn)，以進(jìn)行后續(xù)分析.并設(shè)計(jì)結(jié)合指紋定位的智能型運(yùn)輸系統(tǒng)，系統(tǒng)架構(gòu)圖如圖1所示.智能型運(yùn)輸系統(tǒng)透過(guò)電信業(yè)者之設(shè)備收集A－bis，Iub等網(wǎng)絡(luò)接口依不同的事件擷取訊號(hào)之位置ID（location identifiers）及時(shí)間點(diǎn)進(jìn)行擷取與分析.其中，智能型運(yùn)輸系統(tǒng)主要包含指紋定位算法和云計(jì)算服務(wù)，主要將收集行動(dòng)網(wǎng)絡(luò)訊號(hào)，并擷取手機(jī)之各個(gè)基地臺(tái)訊號(hào)測(cè)量報(bào)告，依此測(cè)量報(bào)告結(jié)合指紋辨識(shí)算法（fingerprint positioning algorithm，F(xiàn)PA），進(jìn)行手機(jī)定位，并由2次定位取得車(chē)速信息.最后，再結(jié)合云計(jì)算的特性，對(duì)指紋辨識(shí)算法進(jìn)行平行運(yùn)算，加快處理效率，提供實(shí)時(shí)交通信息予用路人決策參考.

圖1 結(jié)合指紋定位技術(shù)的智能型運(yùn)輸系統(tǒng)架構(gòu)

1.1 結(jié)合指紋定位之車(chē)速評(píng)估方法

在目前GSM／UMTS標(biāo)準(zhǔn)下，當(dāng)手機(jī)通話中時(shí)將持續(xù)偵測(cè)其附近基地臺(tái)的訊號(hào)強(qiáng)度之測(cè)量報(bào)告予網(wǎng)絡(luò)端，以供網(wǎng)絡(luò)進(jìn)行換手程序之評(píng)估依據(jù).因此，本研究之智能型運(yùn)輸系統(tǒng)將于現(xiàn)有網(wǎng)絡(luò)基礎(chǔ)下，于A－bis，Iub接口擷取測(cè)量報(bào)告之網(wǎng)絡(luò)訊號(hào)，并進(jìn)行指紋定位算法分析手機(jī)的位置.本研究將擷取該手機(jī)于其開(kāi)始通話（call arrival，CA）時(shí)所發(fā)出的該通話第一個(gè)測(cè)量報(bào)告和結(jié)束通話（call completion，CC）時(shí)所發(fā)出的該通話最后一個(gè)測(cè)量報(bào)告，依此測(cè)量報(bào)告取得2個(gè)不同位置的定位，依其地理空間距離差與時(shí)間差評(píng)估車(chē)速.

1.1.1 指紋定位算法 首先，本研究運(yùn)用手機(jī)紀(jì)錄和收集每個(gè)訓(xùn)練位置L＝｛l1，l2，…，lm｝的基地臺(tái)訊號(hào)強(qiáng)度集合之訊標(biāo)B＝｛b1，b2，…，bn｝.在每一個(gè)訓(xùn)練位置li，本研究測(cè)量其每一個(gè)基地臺(tái)的訊號(hào)強(qiáng)度集合為，并將其紀(jì)錄于數(shù)據(jù)庫(kù)中，將位置和訊號(hào)強(qiáng)度進(jìn)行對(duì)應(yīng).其中，為第j個(gè)基地臺(tái)之訊號(hào)強(qiáng)度bj，j＝1，…，n.當(dāng)手機(jī)移動(dòng)時(shí)，手機(jī)可以測(cè)量其附近的基地訊號(hào)強(qiáng)度集合s＝｛s1，s2，…，sn｝，并將s與數(shù)據(jù)庫(kù)中所有位置及其訊號(hào)強(qiáng)度集合進(jìn)行比對(duì)，評(píng)估手機(jī)當(dāng)時(shí)可能的位置.

本研究使用指紋定位算法評(píng)估每一個(gè)訊號(hào)強(qiáng)度集合s之位置l（r）.運(yùn)用Euclidean距離運(yùn)算方法，采用式（1）將訊號(hào)強(qiáng)度集合s＝｛s1，s2，…，sn｝與數(shù)據(jù)庫(kù)中的每一個(gè)位置li及其其訊號(hào)強(qiáng)度集合｝進(jìn)行距離計(jì)算.

針對(duì)每一個(gè)訓(xùn)練位置進(jìn)行Euclidean距離運(yùn)算，并使用式（2）找出訊號(hào)強(qiáng)度最接近的位置h1.

因此，本研究可以挑選訊號(hào)強(qiáng)度最接近的k個(gè)位置h ＝ ｛h1，h2，…，hk｝，然后運(yùn)用式（3）之距離權(quán)重kNN規(guī)則計(jì)算出手機(jī)的位置l（s）.

吳邦偉在民國(guó)時(shí)期歷任國(guó)民體育委員會(huì)委員、教育廳督學(xué)、省立體育場(chǎng)場(chǎng)長(zhǎng)，創(chuàng)辦期刊、編撰書(shū)籍，對(duì)當(dāng)時(shí)的社會(huì)體育事業(yè)做出了卓越的貢獻(xiàn)；許多思想在今天看來(lái)都具有超越時(shí)代性和前瞻性；對(duì)其社會(huì)體育思想的深入探討，不僅是對(duì)老一輩體育人的深切懷念，更是從歷史的發(fā)展中探尋前人的智慧，為當(dāng)下全民健身與全民健康深入融合提供借鑒意義。

1.1.2 車(chē)速評(píng)估方法 在車(chē)速評(píng)估上，主要透過(guò)手機(jī)開(kāi)始通話與結(jié)束通話測(cè)量報(bào)告之訊號(hào)和指紋定位方法，估計(jì)出手機(jī)的位置，再依位置的距離和時(shí)間差進(jìn)行車(chē)速評(píng)估，詳細(xì)作法如下：（1）運(yùn)用指紋定位方法估計(jì)手機(jī)開(kāi)始通話的位置l（s1）；（2）運(yùn)用指紋定位方法估計(jì)手機(jī)結(jié)束通話的位置l（s2）；（3）取得這2次指紋定位之時(shí)間差［t1，t2］；（4）依指紋定位方法得到之第1次位置ls1和第2次位置ls2分別將其對(duì)應(yīng)至地理空間中，并計(jì)算出兩個(gè)位置的地理空間距離 D［l（s1），l（s2）］和時(shí)間差［t1，t2］，再以式（4）評(píng)估車(chē)速v1，2.

1.1.3 車(chē)速信息回報(bào)率分析 在研究中本研究將考慮通話行為模式、交通路況、以及兩次指紋定位得到車(chē)速之方法，提出車(chē)速信息回報(bào)率分析模型.圖2顯示車(chē)輛移動(dòng)與通話行為之時(shí)間示意圖，其中手機(jī)沿著道路移動(dòng)在時(shí)間點(diǎn)t0時(shí)撥了一通電話，并在時(shí)間點(diǎn)t1時(shí)進(jìn)入到目標(biāo)路段的范圍.而且，手機(jī)在它離開(kāi)目標(biāo)路段的范圍前（時(shí)間點(diǎn)time t4），分別在時(shí)間點(diǎn)t2時(shí)撥了一通電話和在時(shí)間點(diǎn)t3時(shí)結(jié)束該通電話.

圖2 車(chē)輛移動(dòng)與通話行為之時(shí)間示意圖

在此模型中，本研究提出以下的假設(shè)：（1）每臺(tái)移動(dòng)的車(chē)子中都有一支手機(jī)；（2）開(kāi)始通話（call arrival）訊號(hào)（包含撥話（call origination）和受話（call termination）訊號(hào)）之機(jī)率密度分布為泊松過(guò)程（poisson process），其中平均通話率為（call／hr）；（3）通話間隔時(shí)間 （call inter－arrival time）之隨機(jī)變量τ其機(jī)率密度分布為指數(shù)分布（exponential distribution），其中平均通話間隔時(shí)間為1／λ［4］；（4）通話時(shí)間（call holding time）之隨機(jī)變量t其機(jī)率密度分布為指數(shù)分布（exponential distribution），其中平均通話時(shí)間為1／μ［4］；（5）由車(chē)輛偵測(cè)器量測(cè)到目標(biāo)路段上之真實(shí)平均車(chē)速為v、真實(shí)交通流量為f；（6）手機(jī)從進(jìn)入目標(biāo)路段前1次通話到進(jìn)入目標(biāo)路段的間隔時(shí)間（即［t0，t1］）為x；（7）目標(biāo)路段長(zhǎng)度為d.

根據(jù)上述假設(shè)，本研究提出公式（5）評(píng)估采用兩次指紋定位產(chǎn)生車(chē)速的數(shù)量r（意即車(chē)速信息回報(bào)率），依此將可以觀察當(dāng)此方法實(shí)測(cè)部署到電信業(yè)者機(jī)房中時(shí)，預(yù)期此方法可以得到的信息量，并以此與目前實(shí)際已部署的車(chē)輛偵測(cè)器進(jìn)行比較.

1.2 云計(jì)算算法

行動(dòng)網(wǎng)絡(luò)充斥著大量且繁雜的訊號(hào)，以及指紋定位算法將會(huì)因?yàn)榛嘏_(tái)數(shù)量和訓(xùn)練位置數(shù)量而造成的大量運(yùn)算，有鑒于執(zhí)行效能考慮，因此本研究將采用云計(jì)算進(jìn)行平行處理，以Hadoop平臺(tái)進(jìn)行Map Reduce程序［9］實(shí)作，將每個(gè)訓(xùn)練位置的訊標(biāo)獨(dú)立分別執(zhí)行，以快速地提供使用者定位使用.

在每一筆數(shù)據(jù)中，本研究將紀(jì)錄每一個(gè)位置li（包含其位置ID和經(jīng)緯度坐標(biāo)）及其訊號(hào)強(qiáng)度集合｝，并將測(cè)試數(shù)據(jù)之訊號(hào)強(qiáng)度集合s＝｛s1，s2，…，sn｝建立于每個(gè)訓(xùn)練數(shù)據(jù)中，以計(jì)算取得測(cè)試數(shù)據(jù)與每個(gè)訓(xùn)練位置的訊號(hào)強(qiáng)度之歐幾里得距離d（s，li）.實(shí)作上本研究采用 Hadoop平臺(tái)，并以MapReduce程序進(jìn)行平行運(yùn)算.

步驟1 分別建立Mapper及Reducer的類(lèi)別的對(duì)象，設(shè)定運(yùn)算工作的內(nèi)容并設(shè)置key和value的數(shù)據(jù)型態(tài)，以便存放數(shù)據(jù)集合，并進(jìn)行歐幾里得距離.其中，本研究把位置li設(shè)為key，而該位置所對(duì)應(yīng)之訊標(biāo)｝和測(cè)試資料的訊標(biāo)s＝｛s1，s2，…，sn｝設(shè)為value，后續(xù)將依各個(gè)訓(xùn)練位置分別進(jìn)行獨(dú)立運(yùn)算.

步驟2 設(shè)定完成后，數(shù)據(jù)源會(huì)依格式的設(shè)定取得，并分割轉(zhuǎn)換為一組組的（key，value）序?qū)?，交由不同?Mapper同時(shí)進(jìn)行運(yùn)算.Mapper將運(yùn)算的結(jié)果輸出為一組組的（key，value）序?qū)Γ卜Q(chēng)為中介數(shù)據(jù)（intermediate），系統(tǒng)會(huì)將這些暫時(shí)的結(jié)果排序并暫存起來(lái)，等到所有Mapper的運(yùn)算工作結(jié)束之后，依照不同的key值傳送給不同的Reducer匯整，所有同一key值的中介數(shù)據(jù)的value值，會(huì)放在一個(gè)容器里傳給同一個(gè)Reducer處理.在本研究，本研究將把測(cè)試資料的訊標(biāo)Map到各個(gè)訓(xùn)練位置中，之后再于Reducer進(jìn)行計(jì)算.

步驟3 Reducer依序取得不同value值，快速地完成結(jié)果整理，再依格式的設(shè)定輸出為檔案.在本研究中，于Reducer實(shí)作歐幾里得距離，為每個(gè)訓(xùn)練位置之訊標(biāo)ci與測(cè)試數(shù)據(jù)之訊標(biāo)s進(jìn)行運(yùn)算，以評(píng)估測(cè)試數(shù)據(jù)與每筆訓(xùn)練位置的關(guān)系，并進(jìn)行定位.

2 實(shí)驗(yàn)環(huán)境與結(jié)果

本研究主要分析定位精確度和車(chē)速估計(jì)精確度，以長(zhǎng)12.2km之快速道路66號(hào)路段進(jìn)行實(shí)際路測(cè).在路測(cè)實(shí)驗(yàn)中，每趟于車(chē)上設(shè)置1支手機(jī)（例如，搭配Android platform 2.2之 HTC Desire手機(jī)），同時(shí)搭配GPS接收器收集經(jīng)緯度坐標(biāo)，在實(shí)驗(yàn)路段往返行駛，并持續(xù)收集該手機(jī)附近的基地臺(tái)訊號(hào)強(qiáng)度.在實(shí)驗(yàn)中手機(jī)進(jìn)行12趟的路測(cè)，連結(jié)到96個(gè)不同的細(xì)胞（cell）.

2.1 位置評(píng)估準(zhǔn)確率

在實(shí)驗(yàn)路段共來(lái)回路測(cè)12趟以提供指紋定位算法來(lái)進(jìn)行模式訓(xùn)練，其中在實(shí)驗(yàn)中共收集6 299筆資料.采用 k－fold cross－validation方法來(lái)進(jìn)行系統(tǒng)效能評(píng)估，將每筆數(shù)據(jù)分別進(jìn)行交叉訓(xùn)練和測(cè)試評(píng)估，其中數(shù)據(jù)筆數(shù)共6 299筆.首先，取出一筆數(shù)據(jù)為測(cè)試數(shù)據(jù)，其他6 298筆數(shù)據(jù)進(jìn)行模式訓(xùn)練；當(dāng)訓(xùn)練結(jié)束后，再將測(cè)試數(shù)據(jù)輸入進(jìn)行評(píng)估，并判斷正確率.依上述方式將每筆數(shù)據(jù)進(jìn)行測(cè)試，累計(jì)重復(fù)執(zhí)行6 299回.

實(shí)驗(yàn)采用指紋定位算法和3GPP定義標(biāo)準(zhǔn)中的cell ID定位等方法進(jìn)行效能評(píng)估，實(shí)驗(yàn)數(shù)據(jù)如表1.實(shí)驗(yàn)結(jié)果顯示若采用指紋定位算法，其在k設(shè)為1～4時(shí)，位置評(píng)估平均誤差分別為38.46，36.11，37.14和40.66m；但分別采用Handover和Cell ID定位方法后，其位置評(píng)估平均誤差則分別為293.54和714.07m.由結(jié)果顯示指紋定位算法相較于Handover和Cell ID定位方法將可提供顯著的定位準(zhǔn)確率，因此本研究將采用指紋定位算法進(jìn)行位置評(píng)估.

表1 位置評(píng)估準(zhǔn)確率比較表

2.2 車(chē)速評(píng)估準(zhǔn)確率

在車(chē)速估計(jì)準(zhǔn)確度的部分，收集連續(xù)2次指紋定位方法取得之位置和時(shí)間差，運(yùn)用公式（4）評(píng)估車(chē)速（ve）.在實(shí)驗(yàn)中，將同時(shí)收集GPS手機(jī)之GPS定位信息作為真實(shí)的車(chē)速（va），并運(yùn)用式（6）計(jì)算車(chē)速評(píng)估的誤差率（R）.

實(shí)驗(yàn)采用指紋定位算法和3GPP定義標(biāo)準(zhǔn)中的Cell ID定位等方法進(jìn)行效能評(píng)估，實(shí)驗(yàn)數(shù)據(jù)如表2.實(shí)驗(yàn)結(jié)果顯示若采用指紋定位算法，其在k設(shè)為1～4時(shí)，車(chē)速評(píng)估平均誤差分別為3.95%，3.39%，4.52%和9.50%；但采用 Handover和Cell ID定位方法后，其車(chē)速評(píng)估平均誤差則分別為77.98%和85.32%.由結(jié)果顯示指紋定位算法相較于Handover和Cell ID定位方法將可提供顯著的車(chē)速評(píng)估準(zhǔn)確率，因此本研究將采用指紋定位算法進(jìn)行車(chē)速評(píng)估.

表2 車(chē)速評(píng)估準(zhǔn)確率比較表

2.3 車(chē)速信息回報(bào)率分析

在國(guó)道1號(hào)北上方向41.5km處的車(chē)輛偵測(cè)器收集了2008年7月每天從0時(shí)到24時(shí)的資料，假設(shè)通話到達(dá)率為1call／h，平均通話時(shí)間為1 min／call，這是一般的通話行為.目標(biāo)路段為5km，此為高速公路上之交流道間的平均距離，以此作為路段間距.該車(chē)速信息回報(bào)率與車(chē)速呈反比，這意味著當(dāng)交通擁塞或交通流量很低時(shí)，車(chē)速信息回報(bào)率相對(duì)會(huì)較高.其中當(dāng)嚴(yán)重交通擁塞時(shí)，預(yù)期的車(chē)速信息回報(bào)率可能每5min有8個(gè)以上.因此當(dāng)交通擁塞時(shí)，越能實(shí)時(shí)反應(yīng)出塞車(chē)路況.而且依2008年7月每天從0時(shí)到24時(shí)的數(shù)據(jù)仿真可得平均每5min有3.27次車(chē)速信息回報(bào)，故此方法相較于車(chē)輛偵測(cè)器每5min回報(bào)1次更為實(shí)時(shí).

2.4 云計(jì)算效率分析

本研究主要采用2組數(shù)據(jù)集合進(jìn)行云計(jì)算環(huán)境效率，分別為小數(shù)據(jù)集合（6 299列×96欄）和大數(shù)據(jù)集合（100 000列×5 000欄），并將數(shù)據(jù)停存為文本文件格式放置到Hadoop平臺(tái)上，依此數(shù)據(jù)進(jìn)行指紋定位算法計(jì)算.其中，由于此實(shí)驗(yàn)主要進(jìn)行效率分析，故在大數(shù)據(jù)集合的部分主要采用隨機(jī)產(chǎn)生的方式取得.最后，設(shè)計(jì)3個(gè)實(shí)驗(yàn)環(huán)境，分別為：（1）單機(jī)執(zhí)行；（2）一個(gè)Data Node＋多個(gè) Worker Nodes、；（3）多個(gè)Data Nodes＋多個(gè)Worker Nodes，以進(jìn)行云計(jì)算之效率測(cè)試，分述如下.

數(shù)據(jù)集合主要可分為2組：（1）小數(shù)據(jù)集合（6 299列×96欄）：以4.1之于實(shí)驗(yàn)路段共來(lái)回路測(cè)12趟取得的6 299筆資料之各個(gè)細(xì)胞的訊號(hào)強(qiáng)度，其中共鏈接到96個(gè)不同的細(xì)胞（cell）；（2）大數(shù)據(jù)集合（100 000列×5 000欄）：以隨機(jī)的方式產(chǎn)生100 000筆數(shù)據(jù)，并分別產(chǎn)生各個(gè)細(xì)胞的訊號(hào)強(qiáng)度，令數(shù)據(jù)總共鏈接到5 000個(gè)不同的細(xì)胞（cell）.

本研究設(shè)計(jì)3個(gè)實(shí)驗(yàn)環(huán)境：（1）單機(jī)執(zhí)行，采用1臺(tái)中央處理器為4核心2.5GHz且主存儲(chǔ)器4GB之計(jì)算機(jī)進(jìn)行運(yùn)算；（2）1個(gè)Data Node＋多個(gè)Worker Nodes：將訓(xùn)練數(shù)據(jù)儲(chǔ)存成1個(gè)文本文件，并將此文本文件放置到Hadoop平臺(tái)上，最后采用3.2之云計(jì)算算法，由多個(gè) Worker Nodes進(jìn)行指紋定位算法計(jì)算；（3）多個(gè)Data Nodes＋多個(gè)Worker Nodes：將訓(xùn)練資料切割成多個(gè)文本文件，并將此文本文件放置到Hadoop平臺(tái)上，且觀察每個(gè)檔案存放的Data Node位置，確認(rèn)文本文件分別存放于不同的Data Nodes上，最后再采用3.2之云計(jì)算算法，以多個(gè) Worker Nodes進(jìn)行指紋定位算法計(jì)算.

實(shí)驗(yàn)中采用的Hadoop平臺(tái)主要以國(guó)網(wǎng)中心所提供之Hadoop環(huán)境進(jìn)行實(shí)作，其中共包含了16個(gè)Nodes.將3.2之云計(jì)算算法進(jìn)行實(shí)作，并放置到國(guó)網(wǎng)中心Hadoop平臺(tái)執(zhí)行［10］，當(dāng)執(zhí)行完成后可于系統(tǒng)中觀察每個(gè)Job的運(yùn)行時(shí)間，如圖3所示，并以此時(shí)間作為效率比較的依據(jù).

圖3 車(chē)速評(píng)估準(zhǔn)確率比較表

表3為2組數(shù)據(jù)集合于3個(gè)不同的實(shí)驗(yàn)環(huán)境之執(zhí)行效率比較，由實(shí)驗(yàn)結(jié)果可以觀察到當(dāng)在小數(shù)據(jù)集合時(shí)，采用單機(jī)執(zhí)行將會(huì)比Hadoop平臺(tái)執(zhí)行來(lái)得有效率.其中，當(dāng)小數(shù)據(jù)集合時(shí)，其實(shí)驗(yàn)環(huán)境2（一個(gè)Data Node＋多個(gè) Worker Nodes）和實(shí)驗(yàn)環(huán)境3（多個(gè)Data Nodes＋多個(gè) Worker Nodes）之運(yùn)行時(shí)間相同，故可以觀察出國(guó)網(wǎng)中心Hadoop運(yùn)行時(shí)間最少需花21s，因此若該程序在單機(jī)執(zhí)行低于21s可以完成的話，則此程序不需建置到Hadoop平臺(tái)上.而當(dāng)大數(shù)據(jù)集合時(shí)，其在單機(jī)執(zhí)行將花費(fèi)大量的計(jì)算時(shí)間，而此時(shí)Hadoop平臺(tái)執(zhí)行效將可以被突顯出來(lái)，由實(shí)驗(yàn)數(shù)據(jù)顯示實(shí)驗(yàn)環(huán)境3（多個(gè)Data Nodes＋多個(gè)Worker Nodes）的27s將可以比實(shí)驗(yàn)環(huán)境1（單機(jī)執(zhí)行）的176s快6.5倍.其中，又由于實(shí)驗(yàn)環(huán)境2（1個(gè)Data Node＋多個(gè)Worker Nodes）將數(shù)據(jù)存放于同1個(gè)Data Node，造成其他Worker Nodes要向同1個(gè)Node取得數(shù)據(jù)，故使得執(zhí)行效率較實(shí)驗(yàn)環(huán)境3（多個(gè)Data Nodes＋多個(gè) Worker Nodes）來(lái)得差.因此，由實(shí)驗(yàn)數(shù)據(jù)可知，在Hadoop平臺(tái)執(zhí)行程序時(shí)，需將數(shù)據(jù)存放在多個(gè)Data Nodes，并且當(dāng)大數(shù)據(jù)集合才具效率.

表3 云計(jì)算環(huán)境效率比較表 s

3 結(jié)束語(yǔ)

本研究提出一個(gè)結(jié)合指紋定位的智能型運(yùn)輸系統(tǒng)，運(yùn)用行動(dòng)網(wǎng)絡(luò)中的位置服務(wù)訊號(hào)，并提出指紋定位算法，在實(shí)驗(yàn)中以快速道路66號(hào)路段進(jìn)行實(shí)際路測(cè)，先針對(duì)單一手機(jī)進(jìn)行驗(yàn)證，其指紋定位算法位置估計(jì)誤差的可達(dá)36.11km，車(chē)速評(píng)估的平均誤差可達(dá)3.39%，提供較3GPP于標(biāo)準(zhǔn)中所定義之Cell ID定位方法更準(zhǔn)確的位置和車(chē)速準(zhǔn)確度.此外，采用云計(jì)算進(jìn)行平行處理，可有效改善指紋定位算法需要大量運(yùn)算的限制，以提供實(shí)時(shí)且可靠的交通信息，予以用路人參考.

未來(lái)的研究方向可以針對(duì)交通信息收集范圍擴(kuò)大至全臺(tái)灣，收集全臺(tái)灣各地的行動(dòng)網(wǎng)絡(luò)訊號(hào)，并依本研究所提出之云計(jì)算以平行處理方式進(jìn)行指紋定位算法，以有效提供各地區(qū)之實(shí)時(shí)交通信息.并且，可于此實(shí)時(shí)交通信息上建構(gòu)行動(dòng)導(dǎo)航相關(guān)的加值服務(wù)與應(yīng)用，提供使用者到達(dá)目的地的最適路徑規(guī)劃，以避開(kāi)壅塞路段，提高用路品質(zhì).

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

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

［3］MAERIVOET S，LOGGHE S.Validation of travel times based on cellular floating vehicle data［C］∥The 6th European Congress and Exhibition on Intelligent Transport Systems and Services（ITS），Aalborg，Denmark，June 18－20，2007.

［4］CHEN CH，CHANG H C，SU C Y，et al.Traffic speed estimation based on normal location updates and call arrivals from cellular networks［J］.Simula－tion Modelling Practice and Theory，2013，35（1）：26－33.

［5］CHEN C H，LIN B Y，LIN C H，et al.A green positioning algorithm for campus guidance system［J］.International Journal of Mobile Communications，2012，10（2）：119－131.

［6］CHEN C H，LIN B Y，CHANG H C，LO C C.The novel positioning algorithm based on cloud computing－a case study of intelligent transportation systems［J］.Information－An International Interdisciplinary Journal，2012，15（11（A））：4519－4524.

［7］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.

［8］GUNDLEG?ARD 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.

［9］DEAN J，GHEMAWAT S.Mapreduce：simplified data processing on large clusters［J］.Communication of ACM，2008，51（1）：107－113.

［10］國(guó)網(wǎng)中心 Hadoop公用實(shí)驗(yàn)叢集（2012）［M／OL］.http：／／hadoop.nchc.org.tw／，Retrieved February，2013.