CN101694743B - 预测路况的方法和装置 - Google Patents

Abstract

本发明公开了一种预测路况的方法和装置，涉及城市道路交通路况信息的处理应用领域，以解决现有技术中用实时数据预测路况时可靠性低、容易误导；用历史数据预测路况时无法反映突发路况的问题。本发明提供的技术方案包括：将实时模式曲线与历史模式曲线进行相似度匹配，得到匹配历史模式曲线；计算所述匹配历史模式曲线下个时刻采样点速度和实时模式曲线当前时刻采样点速度的加权平均值。本发明实施例提供的技术方案，适用于路况预测系统对路况进行预测。

Description

预测路况的方法和装置

技术领域

本发明涉及城市道路交通路况信息的处理应用领域，尤其涉及一种预测路况的方法和装置。

背景技术

在城市交通迅速发展的今天，城市道路日益复杂化，路况预测技术越来越受到人们的重视。路况预测技术能够通过当前已知的路况数据，合理地推算出未来15分钟内的道路状况，从而智能动态地进行路径规划，指导人们的出行路线。

目前，现有技术可以提供两种预测路况的方法：

一种是基于实时浮动车数据的，此方法将采集到的实时浮动车数据经过处理后，用实时模式曲线数据作为预测的结果输出。

在实现本发明的过程中，发明人发现，本方法至少存在如下问题：由于实时数据样本点少、缺乏稳定性，从而可靠性低、容易误导。

另一种是基于历史浮动车数据的，此方法从历史数据库中选取与当前条件相同的历史模式曲线，用所述历史模式曲线数据作为预测的结果输出。

在实现本发明的过程中，发明人发现，本方法至少存在如下问题：由于历史数据缺少更新，从而无法反映突发路况。

发明内容

本发明的实施例提供一种预测路况的方法和装置，能够更加可靠地预测路况，并能够反映突发路况。

为达到上述目的，本发明的实施例采用如下技术方案：

一种预测路况的方法，包括：

获取路链的实时车速数据；

从预先建立的典型历史车速模式曲线集中获取与所述路链的实时车速数据时间段相同的典型历史车速模式曲线；

根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测，其中，所述实时模式曲线根据所述实时车速数据建立。

一种预测路况的装置，包括：

实时数据获取单元，用于获取路链的实时车速数据；

典型历史车速模式曲线获取单元，用于从预先建立的典型历史车速模式曲线集中获取与所述路链的实时车速数据时间段相同的典型历史车速模式曲线；

路况预测单元，用于根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测，其中，所述实时模式曲线根据所述实时车速数据建立。

本发明实施例提供的预测路况的方法和装置，由于是采用典型历史车速模式曲线和根据实时车速数据建立的实时模式曲线相结合进行路况预测，用历史车速数据弥补了实时车速数据，解决了现有技术中由于实时车速数据样本点少、缺乏稳定性，从而可靠性低、容易误导的问题；用实时车速数据弥补了历史车速数据，解决了现有技术中由于历史车速数据缺少更新，从而无法反映突发路况的问题。本发明的实施例提供一种预测路况的方法和装置，能够更加可靠地预测路况，并能够反映突发路况。

附图说明

图1为本发明实施例提供的预测路况的方法流程图；

图2为本发明另一个实施例提供的预测路况的方法流程图；

图3为图2所示的发明实施例提供的预测路况的方法流程图中步骤208的流程图；

图4为本发明实施例提供的预测路况的装置结构示意图一；

图5为本发明实施例提供的预测路况的装置结构示意图二；

图6为图5所示的发明实施例提供的预测路况装置中路况预测单元403的结构示意图。

具体实施方式

为了解决现有技术中用实时数据预测路况时可靠性低、容易误导；用历史数据预测路况时无法反映突发路况的问题，本发明实施例提供一种预测路况的方法和装置。

如图1所示，本发明实施例提供的预测路况的方法，包括：

步骤101，获取路链的实时车速数据；

步骤102，从预先建立的典型历史车速模式曲线集中获取与所述路链的实时车速数据时间段相同的典型历史车速模式曲线；

步骤103，根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测，其中，所述实时模式曲线根据所述实时车速数据建立。

本发明实施例提供的预测路况的方法，由于是采用典型历史车速模式曲线和根据实时车速数据建立的实施模式曲线相结合进行路况预测，用历史车速数据弥补了实时车速数据，解决了现有技术中由于实时车速数据样本点少、缺乏稳定性，从而可靠性低、容易误导的问题；用实时车速数据弥补了历史数据，解决了现有技术中由于历史车速数据缺少更新，从而无法反映突发路况的问题。本发明的实施例提供的技术方案，能够更加可靠地预测路况，并能够反映突发路况。

为了使本领域技术人员能够更清楚地理解本发明实施例提供的技术方案，下面通过具体的实施例，对本发明实施例提供的预测路况的方法进行详细说明。

如图2所示，本发明另一个实施例提供的预测路况的方法，包括：

步骤201，获取路链的实时车速数据。

在本实施例中，采用浮动车技术来获取路链的实时车速数据。例如：在出租车和公交车上安装全球定位系统GPS车载装置和无线通信设备，在同一路链上每隔一定的周期采集车速，并通过无线通信设备将数据传送到浮动车信息中心。在获取路链的实时车速数据的过程中，也可以使用其它技术，在此不对每一种技术进行一一介绍。

步骤202，按照预先设置的时间间隔，将历史模式曲线数据库中的所述路链的历史车速数据进行分类。

在本实施例中，建立历史模式曲线数据库的具体方法可以通过建立历史模式曲线数据表和路链基本信息表来实现。

如表一所示为历史模式曲线数据表。

表一：

表中各个参数的意义解释如下：

Mesh ID：路链的网格编号。例如：在本实施例中，用466174来表示一条路链的网格编号。

Link ID：路链的网格内编号，它和所述Mesh ID一起来唯一指定一条路链。例如：在本实施例中，用12860来表示一条路链的网格内编号；所述466174和12860可以唯一地代表一条路链。在查找过程中，只需要查找一条路链Mesh ID和Link ID，就找到了所述路链，并可以提取所述路链的信息。

Record Time：速度采样时间，在本实施例中以5分钟为一个采样周期；在实际采样过程中，也可以以其它时间为一个采样周期。

AVE Speed：路链在该采样时刻的平均速度。由于同一条路链在同一时刻有多个浮动车采集数据，在信息中心把所述多个浮动车的数据经过求平均值计算，得到所述路链在该采样时刻的平均速度。

Record Integrity：样本点完整度，作为实时预测时历史模式曲线的权值。例如，如果以5分钟为一个采样周期，即5分钟有一个样本点，则一天应该有288个样本点，N天就是288×N。在分析的时候记录下实际样本数量，计算出所述实际样本数量与理论样本数量的比值，所述比值叫做样本点完整度，用于描述用所述样本点产生的曲线的可靠性。具体地，在所述表格中，样本点完整度可以这样理解：例如，我们取出一个月内所有周一中午12点的样本点，理论样本数量应该是4个，假如实际样本数量只有3个，那么样本点完整度为0.75；

假如实际样本数量只有2个，那么样本点完整度为0.5；在实际情况中，按照所述规则来计算样本点完整度。

Reliable：作为以后扩展的一个参数，用于对本实施例数据的扩展。

Record Character：记录特征，用于实时预测的时候条件的匹配，所述的条件为一条路链的时间、天气等特征，它是一个32位的二进制数，表中的数字是换算过来的十进制数。在本实施例中，所述条件具体指的是时间这一个因素，例如：数字5表示周一中午12点这个时间条件。在实时预测的时候，根据Record Character这个参数，就可以找到与实时车速数据条件相同的历史数据。

进一步地，为了节省数据的存储空间需求，避免数据的冗余，将路链的固定属性信息提取到一个单独的表中，如表二所示：

表二：

Mesh ID	Link  ID	Link SN	Link Level	Link Length
					466174	12860	3531	5	168
466174	4970	1540	5	66

表中各个参数的意义解释如下：

Mesh ID：路链的网格编号。例如：在本实施例中，用466174来表示一条路链的网格编号。

Link ID：路链的网格内编号，它和所述Mesh ID一起来唯一指定一条路链。例如：在本实施例中，可以用12860来表示一条路链的网格内编号；所述466174和12860可以唯一地代表一条路链。在查找过程中，只需要查找一条路链Mesh ID和Link ID，就找到了所述路链，并可以提取所述路链的信息。

Link SN：路链在网格内的顺序，用来给网格内的路链进行编号。这个顺序的标定是根据人为的经验，是一个长期不变的数据。

Link Level：路链的级别。

Link Length：路链的长度，单位是米。

所述两个表建立完成后，即建立了历史模式曲线数据库。

在本实施例中，将历史车速数据按照时间来分类。例如：首先将历史数据分为短期，中期和长期三大类；所述短期是指一个月的历史数据；所述中期是指三个月的历史数据；所述长期是指三个月以上的历史数据。再将所述三类数据按照周一，周二到周四，周五，周六到周日这四个小类进行划分。分类完成后产生12个历史数据类别。当然，在实际预测过程中，可以按照其它方法进行历史数据分类，并不局限于上述方法，在此不对每种情况进行一一介绍。

步骤203，分别获取每类中相同时刻的历史车速数据。

在本实施例中，所述每个类型是指在步骤202中划分的12个类中的一个小类；所述相同时刻的采样点是指，例如：短期历史数据中所有周一中午12点的数据；或者短期历史数据中所有周二到周四下午1点的数据；或者中期历史数据中所有周一中午12点的数据。当然，还有很多种其它相同时刻采样点的数据，可以根据需要选择组合方式，在此不对每种情况进行一一赘述。

步骤204，对所述每类中相同时刻的历史车速数据进行异常点过滤。

在本实施例中，对所述相同时刻的采样点进行异常点过滤的目的是为了排除一些对历史模式曲线影响较大的孤立点。所述对历史模式影响较大的孤立点是指速度异常高或者速度异常地的样本点。在本实施例中可以通过一个K-MEANS聚类的过程来过滤异常点，例如：将所述相同时刻的采样点分为三类，一类是需要保留的正常速度的采样点；一类是需要删除的速度异常高的采样点；另一类是需要删除的速度异常低的采样点；分类完毕后，删除所述异常采样点。在实际应用中，还可以有其它的方法来对采样点进行过滤，在此不对每种方法进行一一介绍。

步骤205，对所述每类中相同时刻的历史车速数据进行加权平均。

在本实施例中，假如取出的相同时刻的采样点之一是一个月内所有周一中午12点的数据，并且经过了异常点过滤，没有发现异常点，则可以得到4个采样点的数据，分别用X1，X2，X3，X4代表所述4个采样点的速度值。首先计算出这4个采样点的平均速度X0，计算公式如下所示：

X0＝(X1+X2+X3+X4)/4

然后计算所述4个采样点的权值P1，P2，P3，P4，计算公式如下所示：

$\mathrm{Pi}=\frac{\sqrt{{(\mathrm{Xi}-X0)}^2}}{\mathrm{Xi}}$

上述公式中，Pi代表采样点的权值。在得到每个采样点的权值后，计算它们的加权平均值，计算公式如下所示：

$X=\frac{\mathrm{\ΣPi}\×\mathrm{Xi}}{\mathrm{\ΣPi}}$

按照此方法，能够计算出其它相同时刻采样点的加权平均值。

步骤206，根据所述加权平均值生成每类历史车速数据对应的典型历史车速模式曲线。

在本实施例中，以采样周期作为横坐标，以步骤205中计算出的各个时刻的加权平均值作为纵坐标，绘制出典型历史车速模式曲线。对于每一条路链来说，同一时段的典型历史车速模式曲线有3条，分别为短期典型历史车速模式曲线，中期典型历史车速模式曲线，长期典型历史车速模式曲线，这样就形成了典型历史车速模式曲线集。

步骤207，从预先建立的典型历史车速模式曲线集中获取与所述路链的实时车速数据时间段相同的典型历史车速模式曲线。

步骤208，根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测，其中，所述实时模式曲线根据所述实时车速数据建立。

进一步地，如图3所示，所述根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测的步骤还包括：

步骤301，将所述典型历史车速模式曲线和根据所述实时车速数据建立的实时模式曲线进行相似度匹配。

在本实施例中，浮动车信息中心根据步骤201获取的实时车速数据，计算同一条路链上同一时刻车速的平均值，将采集周期作为横坐标，所述车速平均值作为纵坐标，绘制出实时模式曲线。取当前周期向后延续N个周期的采样点实时车速数据，可以得到N个周期的实时模式曲线。

在本实施例中，在进行曲线相似度匹配之前，还需要确定是否存在实时车速数据，并判断该实时车速数据是否可靠。例如：可以根据一条路链上某一时刻浮动车的个数来判断实时车速数据是否可靠，如果一条路链上此刻浮动车的个数大于或等于3辆，则所述实时车速数据是可靠的。这个数值是通过人为的经验来确定的，在实际应用过程中，还可以有其它的经验值。

如果不存在实时车速数据，或者存在实时车速数据，但该实时车速数据不可靠，则直接将步骤206中生成的三条典型历史车速模式曲线进行加权平均，将加权平均后的结果作为预测结果输出。在所述加权平均的过程中，权重需要考虑两个因素，一个是历史模式曲线本身的完整度；另一个是长期历史模式曲线的权重＜中期历史模式曲线的权重＜短期历史模式曲线的权重；所述长期历史模式曲线的权重为0.6，所述中期历史模式曲线的权重为0.8，所述短期历史模式曲线的权重为0.9。

如果存在实时车速数据，并且该实时车速数据可靠，则根据实时模式曲线取回步骤206中生成的3条典型历史车速模式曲线，用欧式距离法进行相似度匹配。例如：规定一个欧式距离的阈值，分别比较所述实时模式曲线与所述3条典型历史车速模式曲线之间的距离，当两条曲线的距离大于该阈值时，表明曲线相似度较低；当两条曲线的距离小于或者等于该阈值时，表明曲线相似度较高，认为这两条曲线相似，找到匹配历史模式曲线。

步骤302，根据匹配结果，从所述典型历史车速模式曲线中获取与所述实时模式曲线相似的匹配历史模式曲线。

步骤303，获取所述匹配历史模式曲线下个时刻的采样点速度与所述实时模式曲线经过路链车辆融合得出的速度的加权平均值。

在本实施例中，在计算所述加权平均值之前，需要计算匹配历史模式曲线采样点的权值。在本实施例中，用样本点完整度来作为实时预测时历史模式曲线的权值。例如，如果以5分钟为一个采样周期，即5分钟有一个样本点，则一天应该有288个样本点，N天就是288×N。在分析的时候记录下实际样本数量，计算出所述实际样本数量与理论样本数量的比值，所述比值叫做样本点完整度，用于描述用所述样本点产生的曲线的可靠性。具体地，在所述表格中，样本点完整度可以这样理解：例如，我们取出一个月内所有周一中午12点的样本点，理论样本数量应该是4个，假如实际样本数量只有3个，那么样本点完整度为0.75；假如实际样本数量只有2个，那么样本点完整度为0.5；样本点完整度的计算公式为：

$\mathrm{Ri}=\frac{R}{288\×N}$

其中，Ri是典型历史车速模式曲线样本点的完整度，R为实际的样本点数，N为抽取所用的原始历史路况的天数。

在本实施例中，在计算所述加权平均值之前，还需要首先判断是否存在匹配历史模式曲线。如果存在匹配历史模式曲线，则可以计算所述匹配历史模式曲线下个时刻的采样点速度与所述实时模式曲线经过路链车辆融合得出的速度的加权平均值；如果不存在匹配历史模式曲线，则直接以实时模式经过路链车辆融合得出的结果作为预测结果，此时该路链可作为突发路况来处理。

步骤304，根据所述加权平均值预测路况。

本发明实施例提供的预测路况的方法，由于是采用典型历史车速模式曲线和根据实时车速数据建立的实施模式曲线相结合进行路况预测，用历史车速数据弥补了实时车速数据，解决了现有技术中由于实时车速数据样本点少、缺乏稳定性，从而可靠性低、容易误导的问题；用实时车速数据弥补了历史车速数据，解决了现有技术中由于历史车速数据缺少更新，从而无法反映突发路况的问题。本发明的实施例提供的技术方案，能够更加可靠地预测路况，并能够反映突发路况。

与上述方法相对应地，如图4所示，本发明实施例还提供一种预测路况的装置，包括：

实时数据获取单元401，用于获取路链的实时车速数据。

在本实施例中，采用浮动车技术来获取实时车速数据。例如：在出租车和公交车上安装全球定位系统GPS车载装置和无线通信设备，在同一路链上每隔一定的周期采集车速，并通过无线通信设备将数据传送到浮动车信息中心。

典型历史车速模式曲线获取单元402，用于从预先建立的典型历史车速模式曲线集中获取与所述路链的实时车速数据时间段相同的典型历史车速模式曲线；

路况预测单元403，用于根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测，其中，所述实时模式曲线根据所述实时车速数据建立。

进一步地，如图5所示，本发明实施例的预测路况的装置，还包括：

数据分类单元404，按照预先设置的时间间隔，将历史模式曲线数据库中的所述路链的历史车速数据进行分类，具体的实现方法可以参见如图2所示的步骤202所述，此处不再赘述；

历史数据获取单元405，用于分别获取经过所述数据分类单元分类的每类中相同时刻的历史车速数据，具体的实现方法可以参见如图2所示的步骤203所述，此处不再赘述；

数据过滤单元406，用于对通过历史数据获取单元获取的所述每类中相同时刻的历史车速数据进行异常点过滤，具体的实现方法可以参见如图2所示的步骤204所述，此处不再赘述；

第一计算单元407，用于对经过数据过滤单元过滤后的每类中相同时刻的历史车速数据进行加权平均，具体的实现方法可以参见如图2所示的步骤205所述，此处不再赘述；

典型历史车速模式曲线生成单元408，用于根据所述加权平均值生成每类历史车速数据对应的典型历史车速模式曲线，具体的实现方法可以参见如图2所示的步骤206所述，此处不再赘述。

进一步地，如图6所示，所述路况预测单元403包括：

相似度匹配单元4031，用于将所述典型历史车速模式曲线和根据所述实时车速数据建立的实时模式曲线进行相似度匹配，具体的实现方法可以参见如图3所示的步骤301所述，此处不再赘述；

获取匹配历史模式曲线单元4032，用于根据匹配结果，从所述典型历史车速模式曲线中获取与所述实时模式曲线相似的匹配历史模式曲线，具体的实现方法可以参见如图3所示的步骤302所述，此处不再赘述；

第二计算单元4033，获取所述匹配历史模式曲线下个时刻的采样点速度与所述实时模式曲线经过路链车辆融合得出的速度的加权平均值，具体的实现方法可以参见如图3所示的步骤303所述，此处不再赘述；

输出路况单元4034，用于根据第二计算单元得出的加权平均值预测路况。

本发明实施例提供的预测路况的装置，由于是采用典型历史车速模式曲线和根据实时车速数据建立的实施模式曲线相结合进行路况预测，用历史车速数据弥补了实时车速数据，解决了现有技术中由于实时车速数据样本点少、缺乏稳定性，从而可靠性低、容易误导的问题；用实时车速数据弥补了历史数据，解决了现有技术中由于历史车速数据缺少更新，从而无法反映突发路况的问题。本发明的实施例提供的技术方案，能够更加可靠地预测路况，并能够反映突发路况。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种预测路况的方法，其特征在于，包括：

获取路链的实时车速数据；

从预先建立的典型历史车速模式曲线集中获取与所述路链的实时车速数据时间段相同的典型历史车速模式曲线；

根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测，其中，所述实时模式曲线根据所述实时车速数据建立；

所述典型历史车速模式曲线集的建立步骤包括：

按照预先设置的时间间隔，将历史模式曲线数据库中的所述路链的历史车速数据进行分类，分别获取每类中相同时刻的历史车速数据，对所述每类中相同时刻的历史车速数据进行加权平均，根据所述加权平均值生成每类历史车速数据对应的典型历史车速模式曲线；

所述历史模式曲线数据库包括：

历史模式曲线数据表和路链基本信息表；其中，所述历史模式曲线数据表包括速度采样时间和链路在该采样时间的平均速度，用于存放历史数据和由所述历史数据分析得到的典型历史车速模式曲线；所述路链基本信息表包括链路的网格编号和链路的网格内编号，用于存放路链的固定属性信息。

2.根据权利要求1所述的方法，其特征在于，所述分别获取每类中相同时刻的历史车速数据之后，所述对所述每类中相同时刻的历史车速数据进行加权平均之前，还包括：

对所述每类中相同时刻的历史车速数据进行异常点过滤；

则所述对所述每类中相同时刻的历史车速数据进行加权平均为：

对过滤后的每类中相同时刻的历史车速数据进行加权平均。

3.根据权利要求1所述的方法，其特征在于，所述根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测，包括：

将所述典型历史车速模式曲线和根据所述实时车速数据建立的实时模式曲线进行相似度匹配；

根据匹配结果，从所述典型历史车速模式曲线中获取与所述实时模式曲线相似的匹配历史模式曲线；

获取所述匹配历史模式曲线下个时刻的采样点速度与所述实时模式曲线经过路链车辆融合得出的速度的加权平均值；

根据所述加权平均值预测路况。

4.根据权利要求3所述的方法，其特征在于，所述匹配历史模式曲线采样点速度的权值为该匹配历史模式曲线采样点的完整度，所述实时模式曲线经过路链车辆融合得出的速度的权值为1。

5.一种预测路况的装置，其特征在于，包括：

实时数据获取单元，用于获取路链的实时车速数据；

典型历史车速模式曲线获取单元，用于从预先建立的典型历史车速模式曲线集中获取与所述路链的实时车速数据时间段相同的典型历史车速模式曲线；

路况预测单元，用于根据与所述路链的实时车速数据时间段相同的典型历史车速模式曲线和实时模式曲线进行路况预测，其中，所述实时模式曲线根据所述实时车速数据建立；

数据分类单元，按照预先设置的时间间隔，将历史模式曲线数据库中的所述路链的历史车速数据进行分类；

历史数据获取单元，用于分别获取经过所述数据分类单元分类的每类中相同时刻的历史车速数据；

数据过滤单元，用于对通过历史数据获取单元获取的所述每类中相同时刻的历史车速数据进行异常点过滤；

第一计算单元，用于对经过数据过滤单元过滤后的每类中相同时刻的历史车速数据进行加权平均；

典型历史车速模式曲线生成单元，用于根据所述加权平均值生成每类历史车速数据对应的典型历史车速模式曲线。

6.根据权利要求5所述的预测路况的装置，其特征在于，所述路况预测单元包括：

相似度匹配单元，用于将所述典型历史车速模式曲线和根据所述实时车速数据建立的实时模式曲线进行相似度匹配；

获取匹配历史模式曲线单元，用于根据匹配结果，从所述典型历史车速模式曲线中获取与所述实时模式曲线相似的匹配历史模式曲线；

第二计算单元，获取所述匹配历史模式曲线下个时刻的采样点速度与所述实时模式曲线经过路链车辆融合得出的速度的加权平均值；

输出路况单元，用于根据第二计算单元得出的加权平均值预测路况。

Images