CN101706888A - 一种旅行时间预测的方法 - Google Patents

Abstract

本发明公开了一种旅行时间预测的方法。涉及智能交通领域；解决了旅行时间预测准确率低的问题。该方法包括：获取预测指示，所述预测指示携带待预测路径的信息和预测起始时间；根据所述预测指示获取对应的样本数据；从预先配置的至少一个存储于自组织神经网络中的的旅行时间模型中，获取与所述样本数据匹配的旅行时间模型；根据所述旅行时间模型，预测所述待预测路径的旅行时间。本发明提供的技术方案适用于智能交通系统。

Description

一种旅行时间预测的方法

技术领域

本发明涉及智能交通领域，尤其涉及一种旅行时间预测的方法。

背景技术

近年来，随着城市对交通需求的迅速增长，交通问题日益严峻。智能交通系统(ITS)将先进的信息技术，数据通信传输技术，自动控制技术以及计算机处理技术等有效地运用于整个运输管理体系，能为目前城市交通面临的众多问题提出可行的解决方案，其相关领域的研究越来越受到各个国家的重视。

道路旅行时间预测能够预测在一段时间后某段道路的旅行时间，这样，驾驶员就能够提前知道到达某段道路时该道路的旅行时间，从而得到优化的路径。

在实现本发明的过程中，发明人发现以下问题：

现阶段的道路旅行时间预测，如使用时间序列和Kalman滤波模型进行旅行时间预测时，预测结果误差较大，且随着预测提前时间的增大，如预测半小时至一小时后某段道路的旅行时间时，误差也会大幅增加。

发明内容

本发明的实施例提供了一种旅行时间预测的方法，能够减小旅行时间预测的误差，提高旅行时间预测的精度。

为达到上述目的，本发明的实施例采用如下技术方案：

一种旅行时间预测的方法，包括：

获取预测指示，所述预测指示携带待预测路径的信息和预测起始时间；

根据所述预测指示获取对应的样本数据；

从预先配置的至少一个存储于自组织神经网络中的旅行时间模型中，获取与所述样本数据匹配的旅行时间模型；

根据所述旅行时间模型，预测所述待预测路径的旅行时间。

本发明的实施例提供的一种旅行时间预测的方法，根据预测请求获取样本数据，将样本数据与预先配置的至少一个存储于自组织神经网络中的旅行时间模型进行匹配，获取与所述样本数据匹配的旅行时间模型，进而根据该旅行时间模型获取待预测路径的旅行时间，减小了旅行时间预测的误差，提高了旅行时间预测的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种旅行时间预测的方法的流程图；

图2为本发明又一实施例提供的一种旅行时间预测的方法的流程图；

图3为本发明的实施例使用的自组织神经网络的结构示意图。

图4为图2中步骤203的详细流程图；

图5为图2中步骤207的详细流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施提供的旅行时间预测的方法，包括：

步骤101、获取预测指示，所述预测指示携带待预测路径的信息和预测起始时间；

步骤102、根据所述预测指示获取对应的样本数据；

步骤103、从预先配置的至少一个存储于自组织神经网络中的旅行时间模型中，获取与所述样本数据匹配的旅行时间模型；

步骤104、根据所述旅行时间模型，预测所述待预测路径的旅行时间。

本发明的实施例提供的一种旅行时间预测的方法，根据预测请求获取样本数据，将样本数据与预先配置的至少一个存储于自组织神经网络中的旅行时间模型进行匹配，获取与所述样本数据匹配的旅行时间模型，进而根据该旅行时间模型获取待预测路径的旅行时间，减小了旅行时间预测的误差，提高了旅行时间预测的精度。

进一步地，本发明的又一实施例提供了一种旅行时间预测的方法，使用所述旅行时间预测的方法进行旅行时间的预测，能够有效的减少预测误差，提高预测精度，该方法如图2所示，包括：

步骤201、创建自组织神经网络；

本发明实施例通过自组织神经网络实现更准确更长期的旅行时间预测，所述自组织神经网络的结构如图3所示，包括N个输入神经元301和K个输出神经元302。为输入神经元分配标号1至N，为输出神经元分配标号1至K。输出神经元的数量应小于输入神经元的数量，即K小于N。每个输出神经元与每个输出神经元之间都存在关联，称为连接输入神经元与输出神经元的权值。

步骤202、准备历史数据；

本发明实施例使用的历史数据为一个长时期内一条道路每天各个不同时段的旅行时间，例如，在一天中，对一条道路每隔五分钟进行一次测试，得到该时刻这条道路的旅行时间，那么这一天得到的全部测试结果就构成了一个时间序列，所述时间序列就是一个训练样本；将一年的训练样本集合在一起，就得到了一组历史数据。

本步骤中，以T_d＝{t₁，t₂，....，t_k}作为一个训练样本，表示第d天采集k次旅行时间。

步骤203、对所述自组织神经网络进行训练；

如图4所示，本步骤进一步包括：

步骤2031、初始化自组织神经网络；

本步骤中，为所述自组织神经网络的每个输出神经元随机分配权值向量W_j，j为输出神经元的标号，j＝1，2，....，K。标号为i的输入神经元与标号为j的输出神经元之间的权值用W_ij表示。

本步骤中，将各个输入神经元与输出神经元之间的权值初始化为0。

步骤2032、输入所有训练样本；

本步骤中，输入全部训练样本，假设有M个训练样本。

步骤2033、计算每个训练样本到各个输出神经元的欧氏距离；

本步骤中，通过公式

计算每个训练样本到各个输出神经元的欧氏距离，其中，l＝1，2，......，M，j＝1，2，.....，K，X_li为训练样本。

步骤2034、计算每个训练样本到各个输出神经元的隶属度函数；

本步骤中，通过公式

计算每个训练样本到各个输出神经元20的隶属度函数。

步骤2035、调整输入神经元与输出神经元的权值；

本步骤中，根据公式

调整权值。

步骤2036、判断所述自组织神经网络是否收敛；

本步骤中，根据公式

判断所述自组织神经网络是否收敛，具体为，如果步骤2035调整后得到的权值均满足上式，则认为所述自组织神经网络已收敛，结束训练；如果步骤2035调整后得到的权值中，存在不满足上式的权值，则认为所述自组织神经网络未收敛，需要继续训练，返回步骤2033。

此外，还可以预置一个迭代次数，在调整全部权值的次数达到所述迭代次数后，也可以结束训练。

步骤204、获取自组织神经网络的旅行时间预测模型；

在结束步骤203对所述自组织神经网络的训练后，可以根据当前各个输出神经元的权值向量，获取与各个输出神经元对应的旅行时间模型。

旅行时间模型用来描述一种旅行时间随时间变化的模式，输出神经元的数量越多，得到的结果就越精确，一般情况下，输出神经元的数量为10至20个，本发明对此不作限定。

步骤205、接收预测请求；

本步骤中，在驾驶员需要预测某段道路的旅行时间时，即会发出预测请求，所述预测请求中携带待预测路径的信息和预测起始时间，所述预测起始时间即为预测的提前时间，例如，驾驶员请求预测5分钟后某段道路的旅行时间，则这一请求的预测起始时间即为当前时刻的5分钟之后。

步骤206、获取预测所需的样本数据；

本步骤中，根据步骤205接收的预测请求，获取对应的样本数据。

所述样本数据为当前时刻之前一段时间，等预测道路的旅行时间采样，是一个时间序列。例如，在8点钟接收到预测请求，则所述样本数据可以为6点至8点这一段时间内对待预测路径的旅行时间的采样，也可以是7点至8点，样本数据覆盖的时间段可长可短，需要操作人员根据实际情况进行调整，本发明对此不作限定。

本步骤中，如果在c时刻请求预测旅行时间，则需要c时刻以前的样本数据T＝{t_c-h+1，....，t_c-1，t_c}，其中，h为所述样本数据中分量的个数。

步骤207、获取与所述样本数据匹配的旅行时间模型；

进一步地，本步骤如图5所示，包括：

步骤2071、为所述样本数据的每一个分量定义权重；

本步骤中，通过公式

定义所述样本数据中各个分量的权重，其中，i＝c，c-1，.....，c-h+1。

步骤2072、计算所述样本数据与各个输出神经元的匹配度；

本步骤中，根据公式

计算样本数据与各个输出神经元的匹配度，其中j＝1，2，.....，K。

步骤2073、计算所述样本数据与各个输出神经元的匹配概率；

本步骤中，根据步骤2072获得的匹配度，通过公式

计算获取匹配概率。

步骤2074、获取与所述样本数据匹配的旅行时间模型；

本步骤中，根据步骤2073的运算结果，选择匹配概率最大的一个输出神经元对应的旅行时间模型，作为与所述样本数据相匹配的旅行时间模型。

步骤208、根据所述旅行时间模型，预测所述待预测路径的旅行时间；

本步骤中，将步骤2074选择的输出神经元与各个输出神经元的权值计算出

本步骤中，将步骤2074选择的输出神经元与各个输出神经元的权值计算出来，得到一个时间序列，该序列即为预测结果，假设匹配概率最大的输出神经元为输出神经元o，则预测得到的旅行时间序列为：

{W_c+1，o，W_c+2，o，...，W_c+q，o}，其中，W_c+1，o是预测得到的c+1时刻所述待预测路径的旅行时间。

需要说明的是，对于样本数据来说，离当前时刻距离越近的分量，对预测的贡献越大；对于预测得到的旅行时间序列来说，离当前时刻越近的分量，其误差就越小，准确程度就越大。

本发明实施例提供的旅行时间预测的方法，利用旅行时间的历史数据作为训练样本，来训练自组织神经网络，训练结束后道路旅行时间随时间的变化模式作为旅行时间模型存储在神经网络的权值中.预测时，使用当前时刻之前的道路旅行时间随时间变化的时间序列作为样本数据，将所述样本数据与训练得到的自组织神经网络的输出神经元进行匹配，匹配概率最高的神经元作为预测输出的神经元，从而得到匹配的旅行时间模型，当前时刻之后的道路的旅行时间可以从旅行时间模型对应的分量中得到，减小了旅行时间预测的误差，提高了预测精度.由于采用了自组织神经网络，可以对旅行时间随时间线性变化或者非线性变化的路径进行旅行时间的预测，符合现实交通变化的规律，进一步提高了预测准确度.

本领域普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

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所述以权利要求的保护范围为准。

Claims (6)

1.一种旅行时间预测的方法，其特征在于，包括：

获取预测指示，所述预测指示携带待预测路径的信息和预测起始时间；

根据所述预测指示获取对应的样本数据；

从预先配置的至少一个存储于自组织神经网络中的旅行时间模型中，获取与所述样本数据匹配的旅行时间模型；

根据所述旅行时间模型，预测所述待预测路径的旅行时间。

2.根据权利要求1所述的旅行时间预测的方法，其特征在于，所述获取预测指示之前，还包括：

根据历史数据生成至少一个存储于自组织神经网络中的旅行时间模型。

3.根据权利要求2所述的旅行时间预测的方法，其特征在于，所述根据历史数据生成至少一个存储于自组织神经网络中的旅行时间模型包括：

组建自组织神经网络，所述自组织神经网络包括两个以上的输入神经元和至少一个输出神经元，输入神经元的数量大于输出神经元的数量；

使用历史数据对所述自组织神经网络进行训练，生成至少一个旅行时间模型。

4.根据权利要求3所述的旅行时间预测的方法，其特征在于，所述组建自组织神经网络包括：

确定输入神经元的数量，为每个输入神经元标号；

确定输出神经元的数量，所述输出神经元的数量小于输入神经元的数据，为每个出神经元标号；

为每个输入神经元分别与各个输出神经元建立关联，形成自组织神经网络。

5.根据权利要求3所述的旅行时间预测的方法，其特征在于，所述使用历史数据对所述自组织神经网络进行训练，生成至少一个旅行时间模型包括：

初始化所述自组织神经网络，为每组相互关联的输出神经元和输出神经元设置权值，并将该权值的初始值设为0；

根据历史数据调整权值，使用如下公式，

$W_{\mathrm{ij}}(t+1)=W_{\mathrm{ij}}\left(t\right)+\frac{{\mathrm{\Σ}}_{l=1}^M{R}_{\mathrm{ij}}\left(t\right)\·(X_{\mathrm{li}}-W_{\mathrm{ij}}\left(t\right))}{{\mathrm{\Σ}}_{l=1}^M{R}_{\mathrm{lj}}\left(t\right)},l=\mathrm{1,2},......,M,j=\mathrm{1,2},......,K,$

其中，W_ij代表标号为i的输入神经元与标号为j的输出神经元之间的权值，M是所述历史数据中包含的训练样本的数量，K是输出神经元的数量，X是训练样本的取值，R(t)是输出神经元的隶属度函数，通过如下公式计算获得，

$R_{\mathrm{lj}}\left(t\right)=\frac{\frac{1}{d_{\mathrm{lj}}^2\left(t\right)}}{{\mathrm{\Σ}}_{m=1}^K\left(\frac{1}{d_{\mathrm{lm}}^2\left(t\right)}\right)},$

其中，d(t)是每个训练样本到各个输出神经元的欧氏距离，通过如下公式计算获得，

$d_{\mathrm{lj}}\left(t\right)=\sqrt{{\mathrm{\Σ}}_{i=1}^N{(X_{\mathrm{li}}-W_{\mathrm{ij}}\left(t\right))}^2},$

判断所述自组织神经网络络是否收敛，以调整后的权值为参数，根据如下公式判断，

$\underset{1\&le;i\&le;N,1\&le;j\&le;K}{\max }\left\{\right|W_{\mathrm{ij}}(t+1)-W_{\mathrm{ij}}\left(t\right)\left|\right\}<\mathrm{\&epsiv;},$

如果满足所述公式，则认为所述自组织神经网络收敛；

如果所述自组织神经网络收敛，根据当前的输出神经元的权重向量建立旅行时间模型，结束训练；或，

如果调整权值的次数达到最大迭代次数值，结束训练；

如果所述自组织神经网络不收敛，且调整权值的次数未达到最大迭代次数值，继续根据训练样本调整权值。

6.根据权利要求1所述的旅行时间预测的方法，其特征在于，所述从预先配置的至少一个存储于自组织神经网络中的旅行时间模型中，获取与所述样本数据匹配的旅行时间模型包括：

分别计算各个旅行时间模型与所述样本数据的匹配概率，使用如下公式，

$P_j=\frac{\frac{1}{r_j}}{{\mathrm{\&Sigma;}}_{i=1}^K\frac{1}{r_j}},j=\mathrm{1,2},......,K,$

其中，r_j为所述样本数据与各个旅行时间模型的匹配度，通过如下公式计算获得，

$r_j={\mathrm{\&Sigma;}}_{i=c-h+1}^c{(W_{i,j}-t_i)}^2\&CenterDot;M\left(i\right),$

其中，h为所述样本数据中分量的个数，M(i)是每个分量的权重，通过如下公式计算获得，

$M\left(i\right)=e^{-{\left(\frac{c-i}{h-i}\right)}^2},i=c,c-1,.....,c-h+1,$

其中，c为预测起始时间对应的数据；

将匹配概率最大的旅行时间模型作为与所述样本数据匹配的旅行时间模型。

Images