CN102110365B

CN102110365B - 基于时空关系的路况预测方法和系统

Info

Publication number: CN102110365B
Application number: CN2009102656175A
Authority: CN
Inventors: 伍涛; 王少亚; 何君舰; 胡卫松; 饶佳; 刘晓炜
Original assignee: NEC China Co Ltd
Current assignee: NEC China Co Ltd
Priority date: 2009-12-28
Filing date: 2009-12-28
Publication date: 2013-11-06
Anticipated expiration: 2029-12-28
Also published as: US20110161261A1; JP2011138487A; US8606727B2; CN102110365A

Abstract

本发明公开了一种基于时空关系的路况预测系统及其方法，包括：路段空间影响度确定部分，为多个路段中每一个待预测路段确定其受到周边路段的空间影响度；路况预测模型建立部分，利用确定的空间影响度以及多个路段的历史路况数据，为待预测路段建立路况预测模型；以及路况预测部分，利用实时路况数据和路况预测模型，预测未来时间段上待预测路段的路况。本发明还公开了路况空间影响度确定装置及其方法、以及路况预测装置及其方法。本发明以路段空间影响度为空间算子，结合时间序列模型，能够考虑到多个空间阶数上周边路段对当前路段的影响更符合实际地对空间范围路况进行度量，有利于提高预测精度。

Description

基于时空关系的路况预测方法和系统

技术领域

本发明涉及交通信息预测技术领域，具体涉及基于时空关系的路况预测技术。

背景技术

在现代社会，社会经济迅速发展，汽车日益普及，城市交通面临的压力越来越大，交通拥堵日益严重。减轻交通拥堵，有利于节省驾车人出行时间、减少燃油消耗、提高城市经济效率和促进环境保护。因此，交通信息服务系统，是城市智能交通系统的重要组件之一。交通信息预测，是交通信息服务系统的核心功能。它旨在挖掘交通信息的历史特征，预测将来时间的城市交通状况，弥补实时交通信息采集系统的延迟；它能让驾车者了解未来的交通状况，以一个平稳的心态驾车；它基于实时交通信息采集系统，却将实时交通信息服务拓展至过去与未来，具有十分重要的意义。

当前，移动通信技术的快速发展和GPS技术的广泛应用，为准确地进行实时路况采集提供了基础。总的来说，可以将这项技术分为固定探测技术和移动探技术。固定探测技术是使用广泛地部署在城市主要干道的包括线圈、雷达测速仪、监视摄像机等固定设备，采集实时交通信息和监控交通状况。移动探测技术包括浮动车技术和移动终端技术。浮动车是指同时装备GPS接收模块和移动通信模块的车辆；浮动车技术是指实时获取浮动车的地理位置数据等车辆相关数据，并通过移动通信网络将数据定期上载至数据中心，然后在服务端进行地图匹配计算和实时路况计算，最后输出实时路况信息到用户终端。移动终端探测技术，是指通过移动通信网络基站定位来获取大量移动终端用户的小区位置，然后分析用户的行为模式，找到能反映道路状况的位置点序列，结合电子地图数据，计算出实时路况信息，并提供信息服务。

尽管如此，目前的实时路况信息获取技术并不能解决满足用户所有的需求。在大多数情况下，驾车人不仅希望知道当前的路况，还希望能知道未来一段时间的路况，并绕开拥堵路段；同时，由于数据传输和系统计算的时间消耗，目前实时路况信息获取技术存在一定时间延迟，而实时路况却可能瞬息万变。因此，交通信息的预测，在实际应用中显得尤为重要，也成为最近几年国际智能交通研究的热点。

交通信息预测技术，一般是通过蓄积历史交通信息，建立适当的预测模型，诸如时间序列模型、神经网络模型、贝叶斯网络、模糊数学模型等，进行信息预测。一个真正实用的交通信息预测系统，应当满足两个方面的功能：一是从预测时间长度来看，应支持短期，中期和长期交通信息预测；二是从预测空间范围来看，应支持全道路网络交通信息预测，而不仅仅是主干路或高速路。同时，道路交通网络比较复杂，数据量也很大，预测模型本身亦具有较高复杂性；因此，如何实现高性能、高精确的交通信息预测，是一个重要却困难的研究课题。

在已有的专利和论文中，有一些涉及到了交通信息预测的方法和模型。这些方法，绝大多数是基于部分主干道路或高速路进行，道路网络不完整，实用性不强，模型复杂性也相对较低；另外，绝大多数未考虑道路网络的空间关系，仅对单个路段进行预测建模，建模方法包括了时间序列分析、模糊数学等。而对于不多的考虑时空关系的交通信息预测，也存在各种各样的不足。下面介绍一下相关的专利和论文。

专利文献1“Travel-time Prediction Apparatus，Travel-timePrediction Method，Traffic Information Providing System and Program”(美国专利US20080097686(A1))介绍了一种基于自回归时间序列模型(AR模型)的交通信息预测方法。它以单个路链(link)为处理单元，根据历史路况数据建立路链旅行时间的时间序列样本数据，并建立AR模型进行交通信息预测。

专利文献2“System and Method of Predicting Traffic Speed Basedon Speed of Neighboring Link”(美国专利US20080033630(A1))介绍了一种基于周边路链的路况来预测当前路链路况的方法。这个方法预先计算出单个路链两端点的相邻路链，然后根据过去的路链行驶速度，找出当时当前路链行驶速度和邻近路链行驶速度的相关关系，然后用这个模型来进行路况预测。

非专利文献1“Traffic Flow Forecasting Using a Spatio-temporalBayesian Network Predictor”(发表于ICANN 2005年会议论文集)介绍了一种基于时空关系贝叶斯网络的交通信息预测方法。

非专利文献2“Space Time Modeling of Traffic Flow”(发表于2002年IEEE TRANSACTIONS ON FUZZY SYSTEMS)提出了一种交通流的时空建模方法。这个方法中，空间特征通过使用基于距离估计的权值矩阵被考虑进入预测模型中，建立时空自回归滑动平均模型以用于短时交通信息预测。

在上面提到的相关解决方案中，专利文献1以路链为基础，建立每个路链旅行时间的自回归模型用于预测。这个方法仅考虑了时间维度，完全忽略了道路路链之间的相互关系，仅体现单个路链的历史路况特征，无法体现当周边路链路况发生变化对当前路链的影响。专利文献2利用邻接路链的旅行速度来计算当前路链的旅行速度。这个方法实质上不是对未来时间的路况预测，而是在对当前时间内，用已知的路链行驶速度去计算周边的路链行驶速度。另外，对于路况而言，相同的行驶速度可能代表不同的拥堵程度，以速度作为样本值是不合理的。论文文献1使用的贝叶斯网络构建比较复杂，当进行大规模道路网络的交通信息预测时，这种方法效率很低下。论文文献2提出的方法以距离远近区分空间关系的影响程度，实质上忽略了道路关键链接节点对道路交通流的影响；同时该方法仅以交通流量衡量道路路况，未考虑不同级别道路自身能容纳交通流量是不一样的。

综上，现有方法对于路况预测仍然存在不足，集中体现在对空间关系的挖掘不足，包括如何确定空间影响范围，如何分配空间影响对象的权重，如何统一路况的评价标准，如何挖掘当前道路与空间影响范围内道路历史路况的关系。另外，有的方法选择的预测模型不具备扩展性，在预测范围扩大时，系统效率指数级别下降。

很明显，根据历史数据建立交通信息预测模型，仅对单个路段做时间序列分析是不够的，还应考虑上下游道路的影响。因为道路网络中的路段有很强的相互影响，举例来讲，一条道路的前继道路发生了拥堵，那么这条道路发生拥堵的可能性会很大；一条道路后续道路畅通，那么这条道路畅通的可能性也很大。因此，我们需要一种考虑了时间和空间两个维度的分析模型来建立交通信息预测模型。

时间序列模型，是一种常用的预测与控制模型，它以历史数据为基础，挖掘出统计规律，并用于预测。时空自回归滑动平均模型(STARMA＝Space-Time Auto Regression Moving Average)，是一种考虑了空间关系的通用时间序列模型，适用于时空统计数据的分析。这个模型可以应用于不同的领域，如区域经济、气象分析等。在使用这个模型时，如何定义空间关系是核心问题，包括用什么对象作为空间分析、如何判定对一个空间对象的有影响的空间范围、如何确定这个范围中各个空间对象的影响权重等。

本发明旨在提供一种基于时空关系的、充分考虑道路交通网络空间特征、高精度、高性能的路况预测方法。

发明内容

为解决上述问题，根据本发明的一方面，提出了一种路段空间影响度确定方法，包括：

空间范围确定步骤，针对道路网络中每一个路段，确定对该路段具有影响的空间范围，其中，空间范围具有空间阶数N，N是等于或大于1的整数；

影响路段提取步骤，在所确定的空间范围内，从道路网络中提取该路段的周边路段，作为该路段的N阶影响路段；

空间关系确定步骤，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预定的空间关系类型之一；

相关度学习步骤，针对所划分的空间关系类型，对该路段及该空间关系类型的N阶影响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响路段的路段相关度；

空间影响度确定步骤，根据学习的路段相关度，为该路段确定空间阶数N下的空间影响度，空间影响度反映了该路段受到其N阶影响路段影响的程度。

这样，充分考虑了道路交通网络本身的空间关系，并能够考虑到不同的空间阶数的空间范围内，周边路段的周边路况变化对当前路段的影响。由此，在实际预测时，如果一个节点或路段发生路况变换，能迅速反应在对应的空间范围内，这是仅考虑单个路段的预测算法无法做到的。

优选地，在空间范围确定步骤中，根据道路网络中路段之间的空间相对位置，为每一个路段确定对该路段具有影响的空间范围。

这样，从路段的空间相对位置方面，例如是否直接相邻和/或距离远近等因素，考虑影响范围的确定。

优选地，在空间范围确定步骤中，针对道路网络中每一个路段，确定从该路段出发在预定时间段内可达到的空间范围，作为对该路段具有影响的空间范围。

这样，可以从时间度量方面考虑影响范围的确定。例如，可以找到从当前路段出发，以基于历史数据的平均行驶速度或当前速度，在预定时间段上可以达到的空间范围。例如，该预定时间段可以是路况数据采集周期或周期的倍数，从而更加方便了路况数据的分析。

优选地，在相关度学习步骤中，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预定的空间关系类型之一，并针对所划分的空间关系类型，对该路段及该空间关系类型的N阶影响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响路段的路段相关度。优选地，预定的空间关系类型包括：无关系，前继直行，前继合并，前继交叉，前继分流，后续直行，后续合并，后续交叉，后续分流。或者，预定的空间关系类型包括：直行，左转，右转。

这样，将路段与其影响路段的空间关系分成各个类型，能够区别地考虑不同路段空间关系带来的不同影响。

优选地，在空间影响度确定步骤中，根据每一个路段与其各个N阶影响路段之间的路段相关度，向N阶影响路段中每一个影响路段分配影响权重，并利用影响权重确定N阶影响路段中每一个影响路段对该路段的空间影响度。

这样，能够反映出在不同的路段空间关系下，各个影响路段对当前路段的影响程度。

优选地，每一个路段受到其各个N阶影响路段的空间影响度采用矢量形式表示，矢量的维数等于N阶影响路段的数目。或者，多个路段中所有路段之间的空间影响度采用M×M矩阵形式表示，M等于多个路段的数目，矩阵的每一行或每一列表示多个路段之一受到其各个N阶影响路段的空间影响度。

这样，采用矢量或矩阵形式形象、简要地反映多个路段之间的空间关系，矢量或矩阵能够方便地代入时间序列模型中作为空间算子，有利于简化后续模型建立和预测过程。

优选地，上述确定方法还针对改变的空间阶数N，通过空间范围确定步骤、影响路段提取步骤、空间关系确定步骤、相关度学习步骤和空间影响度确定步骤，为每一个路段确定在改变后的空间阶数N下的空间影响度。上述确定方法还可以包括：存储步骤，为每一个路段存储为其确定的至少一个空间阶数N下的空间影响度。

这样，能够充分考虑道路交通网络中全路段的空间关系，获得多个不同空间阶数下，各阶周边路段的周边路况变化对当前路段的影响，由此能够反映出整体路况。此外，在实际预测时，能够根据待预测的时间段或路况条件，选择合适地空间阶数，确定预测所考虑的空间范围，有利于进行更加灵活和有效的路况预测。

优选地，针对一天中的特定时间段，历史路况数据至少包括每个路段的如下历史路况数据之一：车辆在该路段上的行驶速度；车辆经过该路段所需的行驶时间；路段拥堵度，表示车辆经过该路段实际所需的行驶时间与理想情况下所需的行驶时间之比，或者表示车辆在该路段上的实际行驶速度与理想行驶速度之比。

对于路况而言，相同的行驶速度/行驶时间可能代表不同的拥堵程度，例如干道和辅路的规定速度本来就存在较大差别，因此以速度/行驶时间作为样本值可能无法正确反映道路的拥堵程度。因此，本发明采用路段拥堵度作为历史路况数据来进行分析，统一了空间范围路况的度量标准，更符合实际地对空间范围路况进行度量，有利于提高预测精度。

优选地，路段包括：作为道路网络的基本道路单元的路链；或者对路链进行重构而获得的道路段落；或者道路网络中从一个路口到另一个路口的道路段落。

这样，本发明能够不再基于传统的以长度较短、路况特征不稳定的路链，而基于实际生活中较重要的道路节点之间的道路段落为基础数据对象。此外，采用对路链进行重构而获得的道路段落，由此以经过整合的、数量较少的道路段落为基础数据对象，能够提供计算效率和预测精度。

这样，能够考虑到不同的时间段上每个路段的不同情况，为每个路段建立不同时间范围和空间范围上的预测模型，从而能够更加灵活有效地进行路况预测。

根据本发明另一方面，提出了一种路况预测方法，包括：

预测输入获取步骤，获取一个或多个时间段上多个路段的实时路况数据，作为预测输入；

路况预测模型选择步骤，根据待预测的未来时间段和/或指定的时间阶数和/或空间阶数，为多个路段中待预测的每一个路段选择路况预测模型，路况预测模型是考虑到空间关系的时间序列模型，其中空间关系由上述路段空间影响度确定方法确定的路段之间的空间影响度表示；

路况预测步骤，利用预测输入和所选的路况预测模型，预测每一个路段在特定时间段之后的未来时间段上的路况。

根据待预测的未来时间段和/或指定的时间阶数和/或空间阶数来选择预测模型，能够进行更加灵活的预测。

优选地，路况预测模型是包括时空自回归模型STAR，或者时空自回归滑动平均模型STARMA。

STAR和STARMA是一种考虑了空间关系的通用时间序列模型，适用于时空统计数据的分析，以历史数据为基础，挖掘出统计规律，并用于预测。本发明采用此类考虑了空间关系的通用时间序列模型，能够在无需对基本模型进行更改的前提下，引入新颖的空间算子，体现出周边路况变化对当前路段的影响，提供了预测准确性。

优选地，在实时路况数据获取步骤之后，还包括：数据差异分析步骤，分析获取的实时路况数据与历史路况数据的差异，并根据分析结果调整获取的实时路况数据，将调整后的实时路况数据作为预测输入。采用统计平均方法对实时路况数据进行调整。

这样，能够排除实时路况数据中不合理或错误的数据，提高预测输入的准确性，从而提供预测结果的精度。

本发明还提供了一种路段空间影响度确定装置和一种路况预测装置。

此外，本发明还提供了一种路况预测方法及系统。

综上所述，本发明能够提供以下优点：

-以经过整合的、数量较少的路段为基础，以路段空间影响度为空间算子，采用特殊的时间序列模型-STARMA模型，大大提高了性能；

-考虑了多阶空间相关关系，在实际预测时，如果一个节点或路段发生路况变换，能迅速反应在对应的空间范围内；这是仅考虑单个路段的预测算法无法做到的；

-能够考虑多个空间阶数上周边路段对当前路段的影响，不仅能用于将来时间的路况预测，还能用于当前时间的路况补偿计算，以提高路况覆盖率；

-提出拥堵度概念，更符合实际地对空间范围路况进行度量，有利于提高预测精度；

-针对全道路网络进行系统设计，具有很强的实用性。

附图说明

通过下面结合附图说明本发明的优选实施例，将使本发明的上述及其它目的、特征和优点更加清楚，其中：

图1是路况预测系统的构架示意图；

图2是采用时间度量的空间影响范围的示意图；

图3是图1所示的路段空间影响度确定装置的结构示意图；

图4是路段空间影响度确定方法的流程图；

图5是图1所示的路况预测装置的结构示意图；

图6是路况预测方法的流程图；

图7(a)(b)示出了本发明实施例中道路网络中路段的空间关系的示意图。

具体实施方式

现有路况预测技术中对路段之间的空间影响程度的考虑不足，无法在预测过程中充分利用路段之间的空间关系。本发明在对如何确定空间影响范围，如何分配空间影响对象的权重，如何统一路况的评价标准，如何挖掘当前道路与空间影响范围内道路历史路况的关系等方面进行了探讨，提出了基于时空关系的路况预测系统及其方法。如图1所示，根据本发明的路况预测系统1主要包括：路段空间影响度确定装置10，为多个路段中每一个待预测路段确定其受到周边路段的空间影响度；路况预测模型建立装置20，利用路段空间影响度确定装置10确定的空间影响度以及多个路段的历史路况数据，为多个路段中每一个待预测路段建立路况预测模型；以及路况预测装置30，利用实时路况数据和由路况预测模型建立装置20建立的路况预测模型，预测未来时间段上多个路段中待预测路段的路况。在本发明的路况预测系统中，各个装置10、20和30可以是分离的，或者是任意两个、或者是三个集成在一起的。并且各个装置10、20、30各自也可以是由分离或集成的功能单元构成的。此外，路况预测系统还可以包括：道路网络地图数据库40，用于存储道路网络数据；以及/或者历史路况数据库50，用于存储多个路段的历史路况数据，这些历史路况数据可以是针对一天中的特定时间段，车辆在该路段上的行驶速度、车辆经过该路段所需的行驶时间、或者路段拥堵度。此外，历史路况数据可以是经过统计处理的数据，例如是采用常规统计方法去除了野值、尖峰值、或者进行了差异分析的历史数据。道路网络地图数据库40可以采用已知的道路网络，例如GPS电子地图等。历史路况数据库也可以是已知的。此外，实时路况数据可以是从已有的路况监控系统或实时路况数据采集系统获得的。为了更加清楚简洁地说明本发明的基本构思，本文中省略了对已知技术或功能部分的具体描述。下面主要描述上述路段空间影响度确定部分10、路况预测模型建立部分20和路况预测部分30。

在现有路况预测技术中，绝大多数是基于部分主干道路或高速路进行的，道路网络不完整，实用性不强。对于城市交通，一些辅路上的交通状况的影响也很重要，其可能直接或间接反映了主干道或环路上的交通状况。考虑到该需求，本发明的路况预测系统可以是针对全道路网络而开发的。

为了清楚说明本发明的构思，首先对几个术语进行说明。

路段：在本发明中，路段可以是作为已知的道路网络的基本道路单元的路链(link)，或者是对路链进行重构而获得的道路段落；或者是道路网络中从一个路口到另一个路口的道路段落。对于作为基本道路单元的路链而言，其长度较短、路况特征不稳定。因此，本发明的路段可以是对路链进行例如整合等处理而获得重构的道路段落，根据实际情况，路段可以包括一个或多个路链。这样，可以减少预测对象的数目，提高预测速度和效率。此外，路段还可以是实际道路中较重要的道路节点之间的道路段落，以提供更加实用的路况信息。路段的设置可以根据实际应用来进行。

“时间阶数”，“空间阶数”：这里以已知的用于时空统计数据析的时间序列模型-时空自回归滑动平均模型STARMA为例进行说明。时空自回归滑动平均模型STARMA的通用表达式如下：

z_{t} = Σ_{k = 1}^{p} Σ_{l = 0}^{λ_{k}} φ_{kl} W_{l} z_{t - k} - Σ_{k = 1}^{q} Σ_{l = 0}^{m_{k}} θ_{kl} W_{l} a_{t - k} + a_{t}

其中，z_t表示随机序列t时刻的输出，p表示时间滞后阶数，λ_k表示空间滞后阶数，W_l表示空间算子，一般为l阶空间相关关系矩阵，φ_kl表示k时间阶数l空间阶数的自回归相关系数；a_t表示随机序列在t时刻的输入，通常为白噪声序列，q表示滑动平均阶数，m_k表示滑动平均空间滞后阶数，φ_kl表示k时间阶数l空间阶数的滑动平均相关系数。k是时间阶数，l是空间阶数，在上述STARMA中，采用的滞后的阶数。例如，在应用于预测领域时，要预测在随机序列t时刻的输出z_t，则可以采用在t-1、t-2、......、t-k，1≤k≤p，等时刻的输出，那么，对于z_t而言，其1阶随机序列输出是指在时刻t-1的输出z_t-1，k阶随机序列输出是指在时刻t-k的输出z_t-k。显然，p越大，时间阶数k的取值可以越大，考虑到的时间范围越大。在STARMA中，预测在随机序列t时刻的输出z_t时，不仅要考虑滞后的各个时刻的序列输出对z_t的影响，还要考虑到空间影响，W_l即是代表空间影响的空间算子，l是空间阶数，λ_k表示在时间阶数k下要考虑的空间阶数范围，0≤l≤λ_k。l等于0时，表示只考虑待预测对象本身，l等于1，表示还要考虑到待预测对象的1阶影响对象对其的影响，1阶影响对象一般是指在空间上与待预测对象关系最紧密的周边对象，2阶周边对象可以是在空间上与待预测对象关系较为紧密的周边对象。在路况预测中，可以根据空间相对位置或时间度量来确定对当前路段具有影响的空间范围。根据空间相对位置，1阶影响对象可以是指与当前路段直接相邻的周边路段，2阶影响对象可以是与当前路段的1阶周边路段直接相邻的路段。类似地，也可以是相距某个距离，等等。根据时间度量，1阶影响对象可以是从当前路段出发在预定时间段内达到的空间范围内、该当前路段的周边路段。这里，可以找到从当前路段出发，以基于当前路段历史数据的平均行驶速度或当前速度，在预定时间段上可以达到的空间范围。该预定时间段可以是路况数据采集周期或周期的倍数，例如5分钟、半个小时或1个小时。图2示出了以5分钟为例的空间影响范围的示意图。从当前路段出发在5分钟内能够达到的空间范围具有空间阶数1，该范围内的周边路段就是当前路段的1阶影响路段。从当前路段出发在5分钟至10分钟这一时间段上可以达到的空间范围具有空间阶数2，该范围内的周边路段就是当前路段的2阶影响路段。在上述公式中，λ_k越大，空间阶数l的取值可以越大，考虑到的空间范围越大。

拥堵度：如上所述，本发明的路况预测系统可以是针对全道路网络而开发的，全道路网络不仅包括环路、高速路等主干道，还包括辅路等非主干道。在传统的路况预测算法中，如果仅从单个路段的时间序列进行分析，采用路段旅行时间或行驶速度都是正确的；但是，如果考虑了道路网络的空间影响关系，采用路段的旅行时间或行驶速度将不能准确表达路况的空间含义。不同类型的道路，具有不同的车道数据和车流容纳能力；同一个行驶速度，在不同等级的道路上，代表的拥堵程度可能是不一样的。举例来说，60千米/小时的行驶速度，在高速公路上不表示路况畅通，但在一般城市道路中，却表示路况畅通。因此，在基于时空关系进行路况预测时，需要考虑到不同的道路物理属性，需要用一个统一的指标来表示道路路况的拥堵程度，在本发明中，我们使用拥堵度CI(Congestion Indication)表示一段道路的拥堵程度，它的含义可以是车辆在路段上实时的行驶时间与理想状态下行驶时间的比值：

CI (X_{i, t}) = \frac{T_{i, t}}{T_{i, normal}}

其中，T_i，t表示索引为i的路段X上在t时刻/时间段的行驶时间，T_i，normal表示索引为i的路段X上在理想状态下的行驶时间。

或者，拥堵度CI可以是车辆在路段上实时的行驶速度与理想状态下行驶速度的比值：

CI (X_{i, t}) = \frac{V_{i, t}}{V_{i, normal}}

其中，V_i，t表示索引为i的路段X上在t时刻/时间段的行驶速度，V_i，normal表示索引为i的路段X上在理想状态下的行驶速度。

这样，统一了空间范围路况的度量标准，更符合实际地对空间范围路况进行度量，有利于提高预测精度。本发明的拥堵度还可以采用本领域技术人员能够设想到的其他方式来表示，例如上述拥堵度CI的倒数等，这些显而易见的变型都包括在本发明的保护范围之内。在本发明的预测过程中，拥堵度CI可以是根据现有实时路况信息采集系统采集的行驶速度、行驶时间而实时计算的。

下面，结合上述术语说明，主要描述路段空间影响度确定装置10、路况预测模型建立装置20和路况预测装置30。

图3是图1所示的路段空间影响度确定装置10的结构示意图，路段空间影响度的确定是本发明挖掘路段之间的空间关系的关键所在，主要目的在于确定各阶周边路段的周边路况变化对当前路段的影响。如图3所示，在本实施例中，路段空间影响度确定装置10包括：空间范围确定单元110，针对道路网络中每一个路段，确定对该路段具有影响的空间范围，其中，空间范围具有空间阶数N，N是等于或大于1的整数；影响路段提取单元120，在所确定的空间范围内，从道路网络中提取该路段的周边路段，作为该路段的N阶影响路段；空间关系确定单元130，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预定的空间关系类型之一；相关度学习单元140，针对所划分的空间关系类型，对该路段及该空间关系类型的N阶影响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响路段的路段相关度；空间影响度确定单元140，根据学习的路段相关度，为该路段的N阶影响路段确定空间影响度，空间影响度反映了该路段受到其N阶影响路段影响的程度。

如上对空间阶数的说明可以看出，空间范围确定单元110可以根据空间相对位置或时间度量来确定对当前路段具有影响的空间范围。下面对两种方式分别进行说明。

空间范围确定单元110可以根据当前路段与周边路段的空间相对位置来确定对当前路段具有影响的空间范围。1阶影响路段可以是指与当前路段直接相邻的周边路段，2阶影响路段可以是与当前路段的1阶影响路段直接相邻的路段。考虑空间相邻关系只是作为示例，以清楚说明本发明，本发明不限于此，例如，可以设定一个距离，1阶影响路段可以是指与当前路段相距该距离的周边路段，2阶影响路段可以是指与当前路段相距该距离的2倍的周边路段，以此类推。

空间范围确定单元110也可以采用时间度量来确定对当前路段具有影响的空间范围，例如图2所示的从当前路段出发在预定时间段内达到的空间范围。可以找到从当前路段出发，以基于当前路段历史数据的平均行驶速度或当前速度，在预定时间段上可以达到的空间范围。该预定时间段可以是路况数据采集周期或周期的倍数，从而能够方便对路况数据的采集和分析。

影响路段提取单元120可以从上述确定的空间阶数N的空间范围中提取的N阶影响路段。对于N阶影响路段，如何充分考虑其对当前路段的影响度呢？

空间关系确定单元130确定的多个路段之间的空间关系是本发明的关键之一。本申请发明人通过分析道路网络和历史路况数据，认识到不同形态的道路链接方式对相互道路路况的影响程度是不一样的。举例来说，在同一个路口，直行道路路况比交叉道路路况的相互影响程度要大很多。因此，在本发明中，预先定义了多种路段的空间关系的类型，并将多个路段的空间关系划分为预定的空间关系类型之一。表1示出了图7(a)所示的本发明实施例中采用的空间关系类型，分别以代码0、A～H代表。这九种空间关系类型仅仅作为常见空间关系的示例，本领域技术人员可以设想任何其他空间关系，或者根据实际需求定义其他空间关系的类型，这些都涵盖在本发明的保护范围之内。例如，空间关系的类型还可以包括：直行，左转，右转。

表1路段空间关系类型

代码	描述
		0	无关系
A	前继直行
		B	前继合并
C	前继交叉
		D	前继分流
E	后续直行
		F	后续合并
G	后续交叉
		H	后续分流

参见图7(a)所示的示意性道路网络中的多个路段，分别编号为1-11。为了清楚说明路段1-11之间的空间关系，这里考虑在空间阶数N＝1的情况下，各个路段与其1阶影响路段的空间关系，可以采用如下空间关系矩阵表示：

{relation}_{1} = [\begin{matrix} 1 & 2 & 3 & 4 & 5 & 6 & 7 & 8 & 9 & 10 & 11 \\ 1 & 0 & E & G & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 2 & A & 0 & 0 & 0 & F & 0 & 0 & 0 & 0 & 0 & 0 \\ 3 & C & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 4 & 0 & 0 & 0 & 0 & F & 0 & 0 & 0 & 0 & 0 & 0 \\ 5 & 0 & B & 0 & B & 0 & E & G & 0 & 0 & 0 & 0 \\ 6 & 0 & 0 & 0 & 0 & A & 0 & 0 & C & H & 0 & H \\ 7 & 0 & 0 & 0 & 0 & C & 0 & 0 & A & 0 & 0 & 0 \\ 8 & 0 & 0 & 0 & 0 & 0 & G & E & 0 & 0 & 0 & 0 \\ 9 & 0 & 0 & 0 & 0 & 0 & D & 0 & 0 & 0 & E & 0 \\ 10 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & A & 0 & 0 \\ 11 & 0 & 0 & 0 & 0 & 0 & D & 0 & 0 & 0 & 0 & 0 \end{matrix}]

在该矩阵中，路段与自身的关系设为0，即设定路段与自身无关系。矩阵的每一行代表了当前路段与其他各个路段的空间关系。由于只考虑1阶影响路段，例如，路段1的1阶影响路段为路段2和3，与路段2的空间关系为E，属于后继直行，与路段3的空间关系为G，属于后继交叉，而与其他路段无关系，以0表示。同样可以看到路段2-11与各自的1阶影响路段的空间关系。

类似地，也可以构建空间关系矩阵，由矩阵的每一列代表各个路段与其N阶影响路段的空间关系。

为了后续的存储和计算目的，也可以不构建上述表示了所有路段之间的空间关系的矩阵，而是针对每一个路段，构建表示该路段与其N阶影响路段的空间关系的矢量。例如，对于路段5，其1阶影响路段包括直接相邻的路段2、4、6、7，那么构建路段5与其1阶影响路段的空间关系矢量为[B，B，E，G]；其2阶影响路段包括与其1阶影响路段直接相邻的路段。可以先确定路段2、4、6、7各自的1阶影响路段，在从中确定路段5的2阶影响路段。例如，路段2的1阶影响路段是路段1、5，路段4的1阶影响路段是路段5，路段6的1阶影响路段是路段5、8、9、11，路段7的1阶影响路段是路段5、8，则路段5的2阶影响路段是1、8、9、11，那么构建路段5与其2阶影响路段1、8、9、11的空间关系矢量为[F，G，H，H]。当然，也可以采用时间度量方法，来确定影响路段。例如，可以认为路段2、4、6、7是从路段5出发，以路段5的历史平均速度，在一个数据采集周期上可以达到的空间范围内的路段。

这里所述的空间关系确定方法仅仅作为示例，本领域技术人员能够根据实际应用，采用其他任何类型，设想其他任何可行的确定方法。

综上所述，空间关系确定单元130可以根据道路网络，在空间阶数N下，将多个路段中每一个路段与其各个N阶影响路段之间的空间关系划分为预定类型之一，并将划分后的空间关系提供给相关度学习单元140。

相关度学习单元140对每一个路段及其各个N阶影响路段的历史路况数据进行相关性分析，学习针对所确定的每一个空间关系的路段相关度。这里，根据实际需求，可以采用短期、中期或长期历史路况数据。相关性分析可以采用常规的统计分析方法。以上述各个路段1-11与其1阶影响路段的空间关系为例，对于类型A，即前继直行，该类型涉及的路段包括路段2与路段1、路段6与路段5、路段7与路段8、路段10与路段9。为了学习针对类型A的路段相关度，分别对路段2与路段1、路段6与路段5、路段7与路段8、路段10与路段9的历史路况数据进行相关性分析，例如可以采用常规的统计分析方法，以时间为坐标轴，来绘制历史路况数据的相关曲线。例如，对于路段2与路段1，横轴和纵轴分别针对路段2和路段1，范围是从时刻t-10到时刻t，那么从历史路况数据库中找到路段2和路段1在时刻t-10、t-9、...、t时的路况数据，并根据路况数据绘制各个时刻的路况数据点，例如可以是行驶速度、行驶时间或拥堵度等的路况数据点，然后对各个点进行曲线拟合，得到相关函数。作为一个简单示例，对于类型A而言，路段2与路段1的路况数据的近似相关函数可以是一次函数y＝ax+b，y代表路段1在各个时刻的路况数据，x代表路段2在各个时刻的路况数据，a代表一次函数的斜率，由于斜率可以代表该一次函数的特征，因此可以采用该斜率作为在类型A下路段2与路段1的相关度。采用相同的方式，对路段6与路段5、路段7与路段8、路段10与路段9等各个路段对的历史路况数据进行相关性分析，得到近似的相关函数，并将代表该相关函数特征的值作为各个路段对在类型A下的相关度，并对得到的各个相关度进行适当的统计处理，例如均值计算、中值提取等，确定最终的相关度，作为针对类型A的路段相关度。

对于其他类型B～H，也可以采用上述相同的方法来找到路段相关度。当然，相关度学习单元140也能够采用其他常规的相关性分析方法来进行上述路段相关度学习。此外，还可以根据历史路况数据、经验值或实际应用，预先确定针对各个类型的路段相关度。

表2给出了本实施例中针对各个类型的路段相关度学习结果。

表2各个类型的路段相关度

代码	含义	相关度
			0	无关系	0
A	前继直行	1.00
			B	前继合并	0.80
C	前继交叉	0.50
			D	前继分流	0.50
E	后续直行	1.00
			F	后续合并	0.80
G	后续交叉	0.50
			H	后续分流	0.50

上述相关度反映了对于前继直行或后续直行的两个路段，两者的相关度较大，即，影响程度较大。而对于前继交叉、前继分流、后续交叉或后续分流的两个路段，两者的相关度较小，即，影响程度较小。可以看出，这与实际中道路之间的影响相符合，在同一个路口，直行道路路况比交叉道路路况的相互影响程度要大很多。

相关度学习单元140如上学习了针对各个路段空间关系的路段相关度，并将学习所得的路段相关度提供给空间影响度确定单元130，以用于确定每一个路段受到其N阶影响路段中每一个影响路段的影响的程度。

空间影响度确定单元150根据学习的路段相关度，为每一个路段确定空间阶数N下受到的空间影响的程度。以上述各个路段1-11与其1阶影响路段的空间关系为例，参见上述空间关系矩阵和表2，例如路段1，其与路段2的空间关系为E，即前继直行，而与路段3的空间关系为G，即后续交叉，可以看出，路段1受到路段2和3的影响，并且由于空间关系不同，路段2和3与路段1的相关度也不同，即，对路段1的影响程度不同。由于路段1与路段2的空间关系为前继直行，而路段3的空间关系后续交叉，所以路段2对路段1的影响比路段3对路段1的影响大。在本实施例中，空间影响度确定单元150采用影响权重来反映各个影响路段对当前路段的影响大小。例如，可以根据该路段与其各个N阶影响路段之间的路段相关度，向N阶影响路段中每一个影响路段分配影响权重，并利用影响权重确定N阶影响路段中每一个影响路段对该路段的空间影响度。对于上述路段1，根据其与路段2和3相关度1.00和0.50，可以计算分配给路段2的影响权重为1.00/(1.00+0.50)＝0.67，分配给路段3的影响权重为0.50/(1.00+0.50)＝0.33。对于路段2，根据其与路段1和5相关度1.00和0.80，可以计算分配给路段1的影响权重为1.00/(1.00+0.80)＝0.55，分配给路段3的影响权重为0.80/(1.00+0.80)＝0.45。对于每一个当前路段，可以设定分配给其所有1阶影响路段的影响权重之和为1，并利用影响权重作为每一个路段的N阶影响路段对该路段的空间影响度。这样，能够简单并有效地反映各个影响路段对当前路段的影响程度，有利于简化计算。但是，这仅仅是示例，根据实际情况和应用，可以采用其他的影响权重量级或比例。空间影响度确定单元130进一步利用影响权重确定1阶影响路段中每一个影响路段对当前路段的空间影响度。作为示例，可以直接用各个影响权重的值代表空间影响度，由此得到如下空间影响度矩阵W₁。

W_{1} = [\begin{matrix} 1 & 2 & 3 & 4 & 5 & 6 & 7 & 8 & 9 & 10 & 11 \\ 1 & 0 & 0.67 & 0.33 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 2 & 0.55 & 0 & 0 & 0 & 0.45 & 0 & 0 & 0 & 0 & 0 & 0 \\ 3 & 1.00 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 4 & 0 & 0 & 0 & 0 & 1.00 & 0 & 0 & 0 & 0 & 0 & 0 \\ 5 & 0 & 0.26 & 0 & 0.26 & 0 & 0.32 & 0.16 & 0 & 0 & 0 & 0 \\ 6 & 0 & 0 & 0 & 0 & 0.40 & 0 & 0 & 0.20 & 0.20 & 0 & 0.20 \\ 7 & 0 & 0 & 0 & 0 & 0.33 & 0 & 0 & 0.67 & 0 & 0 & 0 \\ 8 & 0 & 0 & 0 & 0 & 0 & 0.33 & 0.67 & 0 & 0 & 0 & 0 \\ 9 & 0 & 0 & 0 & 0 & 0 & 0.33 & 0 & 0 & 0 & 0.67 & 0 \\ 10 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1.00 & 0 & 0 \\ 11 & 0 & 0 & 0 & 0 & 0 & 1.00 & 0 & 0 & 0 & 0 & 0 \end{matrix}]

或者，可以得到在空间阶数1下，各个路段的空间影响度矢量，例如路段5的空间影响度矢量[0.26，0.26，0.32，0.16]。

如上所述，路段空间影响度确定装置10可以为各个路段确定在空间阶数N下，其受到N阶周边路段的影响的程度，从而能够在预测过程中引入周边路段的周边路况变化对当前路段的影响。由此，在实际预测时，如果一个节点或路段发生路况变换，能迅速反应在对应的空间范围内，这是仅考虑单个路段的预测算法无法做到的。

进一步，采用如上针对空间阶数1的确定方法，路段空间影响度确定装置10可以确定其他多个空间阶数下，每一个路段受到其周边路段的影响程度。即，可以改变空间阶数N，并通过空间范围确定步骤、影响路段提取步骤、空间关系确定单元、相关度学习单元和空间影响度确定单元，为每一个路段确定在改变后的空间阶数N下的空间影响度。

这样，能够充分考虑道路交通网络中全路段的空间关系，获得多个不同空间阶数下，各阶周边路段的周边路况变化对当前路段的影响，由此能够反映出整体路况。此外，在实际预测时，能够根据待预测的时间段或路况条件，选择合适的空间阶数，确定预测所考虑的空间范围，有利于进行更加灵活和有效的路况预测。

此外，路段空间影响度确定装置10还可以包括存储单元(图中未示出)，为每一个路段存储为其确定的至少一个空间阶数N下的空间影响度，例如可以采用上述矩阵或矢量形式存储。

图4是路段空间影响度确定方法的流程图。如图所示，在路段空间影响度确定装置10所执行的路段空间影响度确定过程中，在步骤400，针对道路网络中每一个路段，确定对该路段具有影响的空间范围。在步骤402，在所确定的空间范围内，从道路网络中提取该路段的周边路段，作为该路段的N阶影响路段。在步骤404，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预定的空间关系类型之一。在步骤406，针对所划分的类型，对该路段及该类型的N阶影响路段的历史路况数据进行相关性分析，学习该类型下该路段与其N阶影响路段的路段相关度。在步骤408，根据学习的路段相关度，为该路段确定空间阶数N下的空间影响度。可以改变空间阶数N，并通过重复步骤400至408，为每一个路段确定多个空间阶数下的空间影响度。在步骤410，为每一个路段存储为其确定的至少一个空间阶数N下的空间影响度。

以上详细说明了本发明路况预测系统1中的路段空间影响度确定装置10及其执行的路段空间影响度确定方法，其能够为每一个路段确定多个空间阶数下受到其周边路段的影响程度，所确定的空间影响度能够作为路况预测模型的建立和路况预测过程中的空间因素。由此，充分考虑了道路交通网络中道路本身的空间关系，并能够考虑到不同的空间阶数下，各阶周边路段的周边路况变化对当前路段的影响。

下面详细说明本发明路况预测系统1中的预测模型建立部分。路况预测系统1包括路况预测模型建立装置20，其利用路段空间影响度确定装置10确定的空间影响度以及多个路段的历史路况数据，为多个路段中每一个待预测路段建立路况预测模型。作为示例，路况预测模型建立装置20可以获取特定时间段上多个路段的历史路况数据，利用获取的历史路况数据以及针对多个路段中每一个路段的空间影响度，估计预定预测模型的各个参数，其中，针对每一个路段的空间影响度是由路段空间影响度确定装置10确定的，以及针对每一个路段，将估计的参数以及针对该路段的空间影响度代入该预定预测模型，建立该路段在所述特定时间段上的路况预测模型。路况预测模型建立装置20还可以根据获取的历史路况数据以及针对多个路段中每一个路段的空间影响度，将针对多个路段中每一个路段的空间影响度与该路段在该空间影响度所属的空间阶数下的所有周边路段的历史路况数据相乘，作为用于建立模型的样本。此时，利用获取的样本进行参数估计。样本生成不是必需的，可以直接输入历史路况数据和空间影响度，来进行参数估计。

在本发明的路况预测中，采用统计分析中常用的考虑到空间关系的时间序列模型，包括时空自回归模型STAR、或者时空自回归滑动平均模型STARMA，其适用于时空统计数据的分析。也可以采用其他合适的考虑到空间关系的时间序列模型。可以将路段空间影响度确定装置10确定的路段空间影响度作为预测模型的空间算子，以在建立模型时考虑到周边路段对当前预测路段的影响。

在本实施例中，可以从历史路况数据库中获取各个时间段上多个路段的历史路况数据。针对每一个路段，路况预测模型建立装置20对于所用的时间序列模型的指定的时间阶数和空间阶数，利用该时间阶数和空间阶数下的历史路况数据和空间影响度，估计预定时间序列模型的参数。此外，路况预测模型建立装置20针对每一个路段，将估计的参数以及针对该路段的空间影响度代入预定时间序列模型，建立所指定的时间阶数和空间阶数下该路段的路况预测模型。路况预测模型建立装置20可以采用常规的建模方法。下面以图7(b)所示的道路网络示意图所示的路段为例，采用时空自回归模型STAR，来描述路况预测模型建立装置20的建模过程。

时空自回归模型STAR表示如下：

z_{t} = Σ_{k = 1}^{p} Σ_{l = 0}^{λ_{k}} φ_{kl} W_{l} z_{t - k}

其中，z_t表示序列在t时刻的输出，p表示时间滞后阶数，λ_k表示空间滞后阶数，W_l是时空自回归模型STAR的空间算子，在本发明中由路段空间影响度确定装置10确定的l阶空间影响度矢量或矩阵来表示，φ_kl表示k时间阶数l阶空间阶数下的系数，即待估计系数。相对于上述时空自回归滑动平均模型STARMA，时空自回归模型STAR省去了滑动平均项和白噪声序列输入项。由于滑动平均项和白噪声序列输入项主要用于对模型的调整，而不涉及模型的实质构成，所以为了简单明了地阐述本发明的基本构思，这里采用时空自回归模型STAR。

当应用于路况预测时，z_t表示待预测路段的路况，即在以时刻t为中心时刻的时间段上的路况数据，反映了该时间段上例如拥堵程度等路况。路况数据例如可以是行驶速度、行驶时间或拥堵度。采用历史路况数据，即以时刻t-1、t-2、...、t-k为中心时刻的时间段上的路况数据进行预测，W_l表示l阶空间影响度矢量或矩阵，那么模型的建立主要是要估计k时间阶数l阶空间阶数下的系数φ_kl。

作为示例，指定p＝2，λ_k＝2来进行参数估计。此时，预测模型变为式(1)：

要估计的参数包括

将图7(b)所示的路段1作为当前路段，其具有6个1阶周边路段，分别编号为2～7，15个2阶周边路段，分别编号为8～22。由路段空间影响度确定装置10对路段1的1阶和2阶周边路段进行空间关系确定，这里采用的类型包括直行，左转和右转。并且由路段空间影响度确定装置10学习1阶和2阶空间阶数下针对直行，左转和右转类型的路段相关度，得到

直行：1；左转：0.8；右转：0.6。

随后，路段空间影响度确定装置10采用前述方法得到路段1的1阶和2阶周边路段对其的空间影响度：

路段 2 3 4 5 6 7

1阶空间影响度：W₁＝[0.200，0.170，0.130，0.200，0.130，0.170]，

路段 8 9 10 11 12 13

2阶空间影响度：W₂＝[0.082，0.049，0.066，0.082，0.082，0.049，

14 15 16 17 18 19 20 21 22

0.066，0.082，0.049，0.066，0.082，0.049，0.066，0.082，0.049]。

空间影响度确定可以是由路段空间影响度确定装置10预先确定的。

从历史路况数据库中获取历史路况数据，这里用拥堵度作为路况数据，示例表示如下：

表3 1阶空间阶数下历史路况数据

路段/时间段	1	2	3	4	5	6	7
								2009_7_1_10	1.472	1.366	1.365	1.097	1.489	1.309	1.921
2009_7_1_11	1.913	1.298	1.267	1.469	1.654	1.722	1.921
								...	...	...	...	...	...	...	...
2009_m_n_t	1.398	1.093	1.170	1.386	1.406	1.446	1.743

表4 2阶空间阶数下历史路况数据

路段/时间段	1	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22
																	2009_7_1_10	1.472	1.292	1.911	1.721	...	...	...	...	...	...	...	...	...	...	...	...
2009_7_1_11	1.913	1.424	1.656	1.232	...	...	...	...	...	...	...	...	...	...	...	...
																	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2009_m_n_t	1.398	1.292	1.258	1.265	...	...	...	...	...	...	...	...	...	...	...	...

表3和表4中每一行分别组成了在各个时间段上的路况数据矢量z_t。

采用上述空间影响度W₁和W₂，以及历史路况数据矢量，样本生成单元240可以计算S_l，t＝W_l×z_t，作为参数估计时使用的模型样本。具体而言，以时刻t为中心的时间段上的z_t而言，S_1，t-1＝W₁×z_t-1，S_2，t-1＝W₂×z_t-1，S_1，t-2＝W₁×z_t-2，S_2，t-2＝W₂×z_t-2。将各个时间段上的z_t、S_1，t-1、....S_2，t-2代入式(1)，就可以计算出参数的值。这里，根据实际需求，可以采用短期、中期或长期历史路况数据来进行参数估计。可以得到的多组参数估计值，并且采用常规的统计评估方法，例如通过分析标准差、方差等统计值，找到最优的参数估计值。

针对路段1，将估计的参数以及针对该路段1的空间影响度代入式(1)，建立时间阶数2和空间阶数2下该路段1的路况预测模型，得到：

z_t＝0.17499×W₁z_t-1+0.37183×W₂z_t-1+0.13391×W₁z_t-2+0.23458×W₂z_t-2(2)

由于上述参数估计和统计评估的具体计算过程可以采用常规方法进行，所以本文中省略了对其的详细描述。

进一步，路况预测模型建立装置20还可以在时间段和/或时间阶数和/或空间阶数改变的情况下，利用与改变后的时间段和/或时间阶数和/或空间阶数相对应的历史路况数据和空间影响度，为每一个路段建立相应的路况预测模型。例如，上述示例针对路段1建立了以时刻t为中心的时间段上、空间阶数为2、时间阶数为2的路况预测模型。路况预测模型建立装置20还可以为路段1建立以时刻t为中心的时间段上、空间阶数为3、时间阶数为2的路况预测模型、以时刻t+1为中心的时间段上、空间阶数为3、时间阶数为3的路况预测模型等等。这样，每一个路段可以具有多个路况预测模型，分别对应于不同的时间段和/或时间阶数和/或空间阶数，从而能够考虑到不同的时间段上每个路段的不同情况，为每个路段建立不同时间范围和空间范围上的预测模型，能够更加灵活有效地进行路况预测。路况预测模型建立装置20还可以为每一个路段存储为其建立的至少一个路况预测模型。当进行路况预测时，可以从中选择相应路段的预测模型进行预测。

下面详细说明本发明路况预测系统1中的路况预测部分。路况预测系统1包括路况预测装置30，其从路况预测模型建立装置20建立的模型中为各个路段选择预测模型，并利用实时路况数据进行未来时间段的路况预测。图5是图1所示的路况预测装置30的结构示意图，其包括：包括：预测输入获取单元310，获取一个或多个时间段上多个路段的实时路况数据，作为预测输入；路况预测模型选择单元320，和/或指定的时间阶数和/或空间阶数，为多个路段中待预测的每一个路段选择路况预测模型，路况预测模型是考虑到空间关系的时间序列模型，其中空间关系由路段空间影响度确定装置10确定的路段之间的空间影响度表示，例如，路况预测模型可以是由路况预测模型建立装置20按照上述过程建立的；路况预测单元330，利用预测输入和所选的路况预测模型，预测每一个路段在特定时间段之后的未来时间段上的路况。路况预测装置30还可以包括：数据差异分析单元340，分析由预测输入获取单元310获取的实时路况数据与历史路况数据的差异，并根据分析结果调整获取的实时路况数据，将调整后的实时路况数据作为预测输入。数据差异分析装置340可以采用常规统计平均方法对实时路况数据进行调整，这样可以去除实时路况数据中的野值、尖峰值等，提高预测输入的准确度。预测输入获取单元310从现有的实时路况监控系统中获取多个路段的实时路况数据，可以包括行驶速度、行驶时间，也可以根据行驶速度或行驶时间实时计算拥堵度。路况预测模型选择单元320根据待预测的未来时间段，从路况预测模型建立装置20建立的预测模型中，为待预测路段选择不同时间阶数和/或空间阶数的路况预测模型。作为简单的示例，该选择可以由操作员来指定。例如，对于主干道，在高峰时刻，可以选择时间阶数和空间阶数都较大的预测模型，从而可以考虑到较大范围的时间、空间影响。而对于辅路，在非高峰时刻，可以选择时间阶数和空间阶数都较小的预测模型。此外，对于根据短期、中期、长期历史路况数据建立的预测模型，可以考虑到是否预测短期、中期、长期的路况，来选择路况预测模型。路况预测单元330利用来自预测输入获取单元310或数据差异分析单元340的预测输入、以及所选的路况预测模型，预测该路段在未来时间段上的路况。对于上述示例，要预测路段1在时刻t为中心的时间段上的路况z_t，可以利用实时路况数据z_t-1和z_t-2实时路况数据，得到预测输入S_1，t-1＝W₁×z_t-1，S_2，t-1＝W₂×z_t-1，S_1，t-2＝W₁×z_t-2，S_2，t-2＝W₂×z_t-2，并代入式(2)计算z_t，作为预测结果。

路况预测装置30还可以包括预测结果输出单元(未示出)，存储并输出预测结果。

图6是路况预测方法的流程图，示出了路况预测装置30的操作过程。在步骤600，预测输入获取单元310获取一个或多个时间段上多个路段的实时路况数据。在步骤602，数据差异分析单元340分析由预测输入获取单元310获取的实时路况数据与历史路况数据的差异，并根据分析结果调整获取的实时路况数据，将调整后的实时路况数据作为预测输入。在步骤604，路况预测模型选择单元320根据待预测的未来时间段，为多个路段中待预测的每一个路段选择路况预测模型。在步骤606，路况预测单元330利用预测输入和所选的路况预测模型，预测每一个路段在特定时间段之后的未来时间段上的路况。在步骤608，预测结果输出单元存储并输出预测结果。

以上描述了本发明的路况预测系统，其不仅能用于将来时间的路况预测，还能用于当前时间的路况补偿计算，以提高路况覆盖率。例如，在图7(a)示出的路段中，如果预测出路段2和4的路况，可以估计路段5的路况。在路段2和4的拥堵程度较大的情况下，路段5的路况也可以视为较为拥堵。

应当注意的是，在以上的描述中，仅以示例的方式，示出了本发明的技术方案，但并不意味着本发明局限于上述步骤和单元结构。在可能的情形下，可以根据需要对步骤和单元结构进行调整和取舍。因此，某些步骤和单元并非实施本发明的总体发明思想所必需的元素。因此，本发明所必需的技术特征仅受限于能够实现本发明的总体发明思想的最低要求，而不受以上具体实例的限制。

至此已经结合优选实施例对本发明进行了描述。应该理解，本领域技术人员在不脱离本发明的精神和范围的情况下，可以进行各种其它的改变、替换和添加。因此，本发明的范围不局限于上述特定实施例，而应由所附权利要求所限定。

Claims

1.一种路段空间影响度确定方法，包括:

空间范围确定步骤，针对道路网络中每一个路段，确定对该路段具有影响的空间范围，其中，空间范围具有空间阶数N，N是等于或大于1的整数;

影响路段提取步骤，在所确定的空间范围内，从道路网络中提取该路段的周边路段，作为该路段的N阶影响路段;

空间关系确定步骤，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预定的空间关系类型之一;

相关度学习步骤，针对所划分的空间关系类型，对该路段及该空间关系类型的N阶影响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响路段的路段相关度;

2.根据权利要求1所述的方法，其中，在空间范围确定步骤中，根据道路网络中路段之间的空间相对位置，为每一个路段确定对该路段具有影响的空间范围。

3.根据权利要求1所述的方法，其中，在空间范围确定步骤中，针对道路网络中每一个路段，确定从该路段出发在预定时间段内可达到的空间范围，作为对该路段具有影响的空间范围。

4.根据权利要求1所述的方法，其中，预定的空间关系类型包括:无关系，前继直行，前继合并，前继交叉，前继分流，后续直行，后续合并，后续交叉，后续分流;

或者预定的空间关系类型包括:直行，左转，右转。

5.根据权利要求1所述的方法，其中，在空间影响度确定步骤中，根据每一个路段与其各个N阶影响路段之间的路段相关度，向N阶影响路段中每一个影响路段分配影响权重，并利用影响权重确定N阶影响路段中每一个影响路段对该路段的空间影响度。

6.根据权利要求1所述的方法，其中，每一个路段受到其各个N阶影响路段的空间影响度采用矢量形式表示，矢量的维数等于N阶影响路段的数目。

7.根据权利要求1所述的方法，其中，多个路段中所有路段之间的空间影响度采用M×M矩阵形式表示，M等于多个路段的数目，矩阵的每一行或每一列表示多个路段之一受到其各个N阶影响路段的空间影响度。

8.根据权利要求1所述的方法，其中，针对改变的空间阶数N，通过空间范围确定步骤、影响路段提取步骤、空间关系确定步骤、相关度学习步骤和空间影响度确定步骤，为每一个路段确定在改变后的空间阶数N下的空间影响度。

9.根据权利要求1所述的方法，还包括:存储步骤，为每一个路段存储为其确定的至少一个空间阶数N下的空间影响度。

10.根据权利要求1所述的方法，其中，针对一天中的特定时间段，历史路况数据至少包括每个路段的如下历史路况数据之一:

车辆在该路段上的行驶速度;

车辆经过该路段所需的行驶时间;

路段拥堵度，表示车辆经过该路段实际所需的行驶时间与理想情况下所需的行驶时间之比，或者表示车辆在该路段上的实际行驶速度与理想行驶速度之比。

11.根据权利要求1所述的方法，其中，路段包括:

作为道路网络的基本道路单元的路链;或者

对路链进行重构而获得的道路段落;或者

道路网络中从一个路口到另一个路口的道路段落。

12.一种路况预测方法，包括:

预测输入获取步骤，获取一个或多个时间段上多个路段的实时路况数据，作为预测输入;

路况预测模型选择步骤，根据待预测的未来时间段和/或指定的时间阶数和/或空间阶数，为多个路段中待预测的每一个路段选择路况预测模型，所述路况预测模型是考虑到空间关系的时间序列模型，其中空间关系由根据权利要求1-11之一所述的路段空间影响度确定方法而确定的路段之间的空间影响度表示;

13.根据权利要求12所述的方法，其中，路况预测模型包括时空自回归模型STAR，或者时空自回归滑动平均模型STARMA。

14.根据权利要求12所述的方法，其中，在预测输入获取步骤之后，还包括:数据差异分析步骤，分析获取的实时路况数据与历史路况数据的差异，并根据分析结果调整获取的实时路况数据，将调整后的实时路况数据作为预测输入。

15.根据权利要求14所述的方法，其中，在数据差异分析步骤中，采用统计平均方法对实时路况数据进行调整。

16.一种路段空间影响度确定装置，包括;

空间范围确定单元，针对道路网络中每一个路段，确定对该路段具有影响的空间范围，其中，空间范围具有空间阶数N，N是等于或大于1的整数;

影响路段提取单元，在所确定的空间范围内，从道路网络中提取该路段的周边路段，作为该路段的N阶影响路段;

空间关系确定单元，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预定的空间关系类型之一;

相关度学习单元，针对所划分的空间关系类型，对该路段及该空间关系类型的N阶影响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响路段的路段相关度;

空间影响度确定单元，根据学习的路段相关度，为该路段的N阶影响路段确定空间影响度，空间影响度反映了该路段受到其N阶影响路段影响的程度。

17.根据权利要求16所述的装置，其中，空间范围确定单元根据道路网络中路段之间的空间相对位置，为每一个路段确定对该路段具有影响的空间范围。

18.根据权利要求16所述的装置，其中，空间范围确定单元针对道路网络中每一个路段，确定从该路段出发在预定时间段内可达到的空间范围，作为对该路段具有影响的空间范围。

19.根据权利要求16所述的装置，其中，空间影响度确定单元根据每一个路段与其各个N阶影响路段之间的路段相关度，向N阶影响路段中每一个影响路段分配影响权重，并利用影响权重确定N阶影响路段中每一个影响路段对该路段的空间影响度。

20.一种路况预测装置，包括:

预测输入获取单元，获取一个或多个时间段上多个路段的实时路况数据，作为预测输入;

路况预测模型选择单元，根据待预测的未来时间段和/或指定的时间阶数和/或空间阶数，为多个路段中待预测的每一个路段选择路况预测模型，所述路况预测模型是考虑到空间关系的时间序列模型，其中空间关系由根据权利要求16-19之一所述的路段空间影响度确定装置确定的路段之间的空间影响度表示;

路况预测单元，利用预测输入和所选的路况预测模型，预测每一个路段在特定时间段之后的未来时间段上的路况。

21.根据权利要求20所述的装置，还包括:数据差异分析单元，分析由预测输入获取单元获取的实时路况数据与历史路况数据的差异，并根据分析结果调整获取的实时路况数据，将调整后的实时路况数据作为预测输入。

22.一种基于时空关系的路况预测方法，包括:

路段空间影响度确定步骤，利用权利要求1-11之一所述的路段空间影响度确定方法，为多个路段中每一个待预测路段确定其受到周边路段的空间影响度;

路况预测模型建立步骤，利用在路段空间影响度确定步骤确定的空间影响度以及多个路段的历史路况数据，为多个路段中每一个待预测路段建立路况预测模型;以及

路况预测步骤，利用实时路况数据和在路况预测模型建立步骤中建立的路况预测模型，预测未来时间段上多个路段中待预测路段的路况。

23.一种基于时空关系的路况预测系统，包括:

路段空间影响度确定部分，利用权利要求16-19之一所述的路段空间影响度确定装置，为多个路段中每一个待预测路段确定其受到周边路段的空间影响度;

路况预测模型建立部分，利用路段空间影响度确定部分确定的空间影响度以及多个路段的历史路况数据，为多个路段中每一个待预测路段建立路况预测模型;以及

路况预测部分，利用实时路况数据和由路况预测模型建立部分建立的路况预测模型，预测未来时间段上多个路段中待预测路段的路况。