CN103646560B - 出租车行车轨迹经验知识路径的提取方法 - Google Patents

Abstract

本发明提供一种出租车行车轨迹经验知识路径的提取方法，1、利用大量出租车在行驶过程中定期采集数据信息，并发送到数据服务中心；2、数据服务中心通过与用户的直接交互获取出行的目的地，并根据当前出发位置对历史数据信息进行挖掘，经过处理后得到所有经过出发位置与目的地的出租车行车轨迹路线与所用时间数据集；3、根据出发时间信息对行车轨迹信息按日期属性与气象属性分类构造行车轨迹经验知识库，并分别进行检验，筛选相似路径；4、数据服务中心通过加权计算得到出租车轨迹经验知识最优行车路径集合。本发明利用出租车司机自行选择行车路径的经验辅助进行最优路径规划，克服现有技术规划路线的不足，为公众出行提供合理的路径信息服务。

Description

出租车行车轨迹经验知识路径的提取方法

技术领域

本发明涉及信息技术应用领域，尤其涉及一种出租车行车轨迹经验知识路径的提取方法，从而可为公众出行等提供基于出租车行车经验知识的路径规划服务。

背景技术

现有装有导航系统的出租车行驶在道路上时，可根据车载全球定位系统在其行驶过程中定期记录的车辆位置，方向和速度信息，应用地图匹配、路径推测等相关的计算模型和算法进行处理，使车辆位置数据和城市道路在时间和空间上关联起来。随着经济的快速增长，机动车数量也随之快速增加，城市交通拥堵问题日益严重，而传统的交通信息导航中最优路径选择一般都是根据距离最短路径和时间最短路径规划，没有充分考虑交通状况问题，并且更新速度比较慢。当出现交通堵塞与路径通行限制的情况时，通过交通信息服务系统的数据服务中心提供的导航路线出行所花费的时间可能会更多，甚至某些道路由于施工原因无法通过，严重影响了车辆的出行。

在每个城市中，出租车司机是对路况信息最为熟悉的群体，他们根据出行经验，通过经常保持车辆与车辆之间的联络，对城市各个时间段的交通信息比较了解，因此可以避开出行高峰期易造成交通拥堵的路段，同时他们也会选择路面环境比较好的路段，在路面施工或者出现路径不可通过造成的交通限制时，他们也可以自主选择一条比较合理的路线，因此，出租车驾驶员行车路径的选择更为合理。如何选择一条比较合理的道路？如何利用出租车司机的经验提取出租车行车轨迹经验知识进行路径规划？如何挖掘不同日期、天气因素下的最优路径？本发明围绕以上主要问题，提出一种基于出租车行车轨迹数据的交通路径规划经验知识提取方法，形成的知识库可应用于公众出行交通信息服务、无人驾驶及交通管理等领域。

发明内容

本发明要解决的技术问题，在于提供一种出租车行车轨迹经验知识路径的提取方法，利用出租车司机自行选择行车路径的经验辅助进行最优路径规划，克服了现有技术规划路线的不足，为公众出行提供合理的路径信息服务。

本发明是这样实现的：一种出租车行车轨迹经验知识路径的提取方法，包括如下步骤：

步骤10、利用多个装备车载定位系统的出租车在行驶过程中定期采集数据信息，并将所采集到的数据信息发送到数据服务中心；

步骤20、数据服务中心通过与用户的直接交互获取出行的目的地，并根据出租车当前出发位置对数据服务中心的历史数据信息进行挖掘，经过处理后得到所有经过出发位置与目的地的出租车行车轨迹路线与所用时间，构成行车路线信息库P；

步骤30、根据出租车出发时间对行车路线信息库按日期属性与气象属性分类构造行车轨迹经验知识库，并分别进行检验，筛选相似路径，统计不同路径通行次数与平均用时，构成不同属性的行车轨迹经验集合特征库

步骤40、数据服务中心对各个属性集合下的行车轨迹经验集合特征库进行处理，通过加权计算，得到出租车行车轨迹经验知识的最优路径集合Z。

本发明具有如下优点：1.本发明利用大量装备车载定位系统的出租车在行驶过程中采集信息并存储到数据服务中心，并根据用户当前的位置和目的地从海量出租车出行数据库中挖掘出基于出租车行车轨迹经验知识的路径，充分利用了出租车行车数据信息。

2.出租车司机选择的路径不一定是路径最短，但是出行时间却相对较短并且会主动选择路况良好的路线，避开了无法通行的路线与出现交通事故的路线，因此可以利用海量出租车数据信息规划合理路线。

3.本发明在更新速度上也有了大幅的改进，可以实时更新路径信息，相比之下，传统的导航需要服务提供商根据交通路径变化信息更新数据，花费的时间较长，工作量较繁重。

4.本发明充分考虑了不同气候、日期情况下的交通状况问题，提出了基于气候、日期属性推送最优行车路径的方法。

5.随着浮动车技术越来越广泛的应用，本发明具有良好的更新准确率，是一种切实可行的出行路线规划方法，对于公众出行的路线选择有着重要意义。

附图说明

图1是本发明的出租车行车轨迹经验知识路径的提取方法的系统框架图。

图2是本发明的行车轨迹信息提取算法流程图。

图3是本发明的行车轨迹信息分类检验算法流程图。

图4是本发明的行车轨迹最优路径发现算法流程图。

图5是本发明的行车轨迹最优路径检验算法流程图。

具体实施方式

请参阅图1至图5所示，本发明为一种出租车行车轨迹经验知识路径的提取方法，包括如下步骤：

步骤10、利用多个装备车载定位系统的出租车在行驶过程中定期采集数据信息，并将所采集到的数据信息发送到数据服务中心；

步骤20、数据服务中心通过与用户的直接交互获取出行的目的地，并根据出租车当前出发位置对数据服务中心的历史数据信息进行挖掘，经过处理后得到所有经过出发位置与目的地的出租车行车轨迹路线与所用时间，构成行车路线信息库信息库P；

步骤30、根据出租车出发时间对行车路线信息库按日期属性与气象属性分类构造行车轨迹经验知识库，并分别进行检验，筛选相似路径，统计不同路径通行次数与平均用时，构成不同属性的行车轨迹经验集合特征库

步骤40、数据服务中心对各个属性集合下的行车轨迹经验集合特征库进行处理，通过加权计算，得到出租车行车轨迹经验知识的最优路径集合Z。

步骤50、数据服务中心根据近期时间的数据信息再次进行计算，通过数据服务中心的历史行车路径集合按属性分类逐一进行匹配，若属性相应的最优路径信息发生改变，则统计通行次数，如果近期时间内通行次数比较频繁，则表明该路线信息发生改变，从而动态更新相应路线，并将更新的结果集合推送到用户。

如图1所示，为出租车行车轨迹经验知识路径的提取方法的系统框架图，其详细展示了基于出租车行车轨迹经验知识的最优路径规划系统所包括的五个部分，其中每个部分产生的结果作为下一个部分数据处理的对象。

第一部分：所述步骤10进一步包括：

利用多个装备车载定位系统的出租车以周期τ定期采集车辆编号i、位置l和时间t信息，得到数据信息集合x_i=<l_i，t_i，i>，将采集得到的数据通过移动蜂窝通信技术传送到数据服务中心，形成浮动车数据库；其中所述出租车在给定的且用于分段采样的滑动时间窗T₁内，其采样数据集合为m辆出租车的n阶的行车数据序列：

X＝{x_i，j|i∈[1，m]，j∈[1，n]}，其中

第二部分：数据服务中心通过与用户的直接交互获取出行的目的地，并根据当前出发位置对历史数据信息进行挖掘，提取所有经过出发位置与目的地的出租车行车轨迹路线与所用时间，构成行车路线信息库P。

第三部分：根据出发时间信息对行车轨迹信息按日期属性与气象属性分类构造行车轨迹经验知识库，并分别进行处理，构成不同属性的行车轨迹经验集合特征库

第四部分：数据服务中心对各个属性集合下的行车轨迹信息进行处理，通过加权计算，得到出租车轨迹经验知识最优行车路径集合Z。

第五部分：数据中心根据近期的数据信息再次进行计算，与历史行车路径集合按属性分类逐一进行匹配，动态更新相应路线，并将结果集合推送到用户。

如图2所示，为本发明的行车轨迹信息提取算法流程图。所述步骤20进一步包括：

步骤21、数据服务中心通过与用户的交互获取当前位置l_o与出行目的地l_d，从数据服务中心获取预设的T₂时间段内的行车数据序列，并使用点区域匹配算子提取所有经过出发位置l_o与目的l_d的行车数据序列；点区域匹配算子分为出发点匹配与终点匹配，所述的出发点区域匹配算子为

所述的终点区域匹配算子为

其中x_i，j.l表示行车数据序列x_i，l的位置属性l，d(x_i，j.l-l_d)表示位置点x_i，j.l与l_d之间的距离，D为点区域算子的距离常量，D为大于0的数值；

步骤22、对起点集合与终点集合中的元素进一步筛选，匹配车辆行车路线的起点终点OD，进而提取出行车路线，OD匹配算法为：从起点集合与终点集合中按车辆编号i提取每辆车的数据信息，获得相应车辆的浮动车数据集：根据数据集中每个元素的时间对集合中的元素按时间的先后顺序进行排列，并重新对下标j按顺序进行编号，匹配[x_i]中的相邻元素分别为与的点，得到行车OD序偶 $M_{i,t}=<x_{i^o,j-1},x_{i^d,j}>,$ 其中 $x_{i^o,j-1}\&Element;\stackrel{\&OverBar;}{x_o},$ 下标i^o表示数据来自起点集合中第i辆车的数据，j≥2，下标i^d表示数据来自终点集合中第i辆车的数据，下标j与j-1表示数据在集合[x_i]中的相邻性，M_i，t表示编号为i的车辆的第t个序偶，编号i的车辆的所有OD序偶构成集合OD_i＝{M_i，1，M_i，2，…，M_i，r}，表示第i辆车有r个OD二元组；所有车辆的序偶集合OD_i构成了在时间窗T₂内所有车辆的OD序偶集合F(m)＝{OD₁，OD₂，…，OD_m}，即所有车辆路径起点终点集合；

步骤23、对得到的多辆车的所有行车OD序偶集合F(m)重新进行一维编码，得到行车OD序偶集合Y(k)＝{M₁，M₂，…，M_k}；其中 对于M_θ中的出发点与终点由车辆编号i，提取对应的行车路线特征向量L_θ，L_θ＝<l_i，1，…，l_i，j，…，l_i，μ>|x_i，j∈X； l_i，μ表示在第θ条行车路线特征向量L_θ中，行车编号为i的车辆的第u个位置点l_i，μ，行车路线由这些位置点集组成；获得相应的路径用时 $\mathrm{\&Delta;}{T}_{\&PartialD;}=x_{\&PartialD;}^d.t-x_{\&PartialD;}^o.t,$ 构造行车轨迹经验数据集合 $p_{\&PartialD;}=<L_{\&PartialD;},{\mathrm{\&Delta;T}}_{\&PartialD;},x_{\&PartialD;}^o>,$ 所有轨迹经验数据构成出租车行车路线信息库P＝{p₁，p₂，…，p_k}，每条信息p_k表示一条行车路径信息。

如图3所示，为行车轨迹信息分类检验算法流程图。所述步骤30进一步包括：

步骤31、对所述的行车路线信息库P，根据日期对路线进行分类，分为工作日DT₁，节假日DT₂，双休日DT₃，其中节假日优先级比双休日高；通过提取时间确定日期，对路线信息附加日期属性标签DT_α，α∈[1，3]；根据日期获取气象数据属性，按气象预警分为三个等级：良好CT1，一般CT2，恶劣CT3，该气象等级可以根据气象预警等级划分为如表1所示，

表1

对比气象等级附加气候属性标签CT_β，β∈[1，3]，得到经过分类的出租车行车轨迹经验数据集合L_i是行车编号i对应的行车路线特征向量；ΔT_i是行车编号i对应的路径用时，是行车编号i对应的日期，是行车编号i对应的气象预警，根据气候属性标签与日期属性标签的不同分类构造行车轨迹经验特征库为：

其中 $p_i=<L_i,{\mathrm{\&Delta;T}}_i,{\mathrm{DT}}_{\mathrm{\&alpha;}}^i,{\mathrm{CT}}_{\mathrm{\&beta;}}^i>;$

步骤32、为了筛选相似路径，使得车轨迹经验特征库P_α，β里的路径信息不重复，从行车轨迹经验特征库P_α，β里随机取一行车路线信息p_k，其余路线信息作为候选集进行对比，若候选集不为空，则从中随机选取另一条路线信息p_j与路线信息p_k进行对比，根据行车路线特征向量的距离算子，计算两条行车路线p_k.L与p_j.L之间的距离，若发现两条路线之间的距离小于数值σ，数值σ为3～8，单位为米，则可确认这两条行车路线为相似路线，保存p_j.ΔT_j，将p_j从候选集和行车轨迹经验特征库P_α，β里去掉，路线p_k重复度加1，否则，从候选集里去除p_j。若此时候选集仍然非空，继续选取另一条路线信息与p_k对比，直到当候选集不是为非空，系统开始计算路线p_k重复度N_i；

所述的行车路线特征向量的距离算子为

其中l_1，j和l_2，j分别表示行车路线特征向量L₁和L₂的第j个位置点，d(l_1，j，l_2，j)为位置点l_1，j和l_2，j之间的距离，u表示行车路线特征向量中的位置点数；

步骤33、对通行此路线的每辆车用时p_j.ΔT_j按增序进行排列，以Δt为一个时间间隔进行次数统计，取通行次数N_max最多的时间间隔区间[ΔT_a，ΔT_b]作为参考区间，其中ΔT_b-ΔT_a＝Δt，根据时间段[ΔT_a-Δt，ΔT_a]内通行次数N_left与时间段[ΔT_b，ΔT_b+Δt]内通行次数N_right，此路线所用时间可估算为： $\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_l}=\frac{N_{\mathrm{left}}({\mathrm{\&Delta;T}}_a-\mathrm{\&Delta;t})+N_{\max }\&CenterDot;{\mathrm{\&Delta;T}}_a+N_{\mathrm{right}}\&CenterDot;{\mathrm{\&Delta;T}}_b}{N_{\mathrm{left}}+N_{\max }+N_{\mathrm{right}}},$ 得到新的出租车行车轨迹经验数据集合 $\stackrel{\&OverBar;}{p_i}=<L_i,{\stackrel{\&OverBar;}{\mathrm{\&Delta;T}}}_i,N_i>.$

步骤34、从行车轨迹经验特征库P_α，β里去掉p_k，若行车轨迹经验特征库P_α，β不为空，则重复步骤32和步骤33，直到行车轨迹经验特征库P_α，β为空；则据此筛选所有相似路线，所有不同出租车行车轨迹经验数据构成行车轨迹经验集合特征库 $\stackrel{\&OverBar;}{P_{\mathrm{\&alpha;},\mathrm{\&beta;}}}=\{\stackrel{\&OverBar;}{p_1},\stackrel{\&OverBar;}{p_2},...,\stackrel{\&OverBar;}{p_x},\}.$

如图4所示，为行车轨迹最优路径发现算法流程图。所述步骤40进一步包括：

步骤41、对于上述得到的行车轨迹经验集合特征库综合时间，通行次数，对每条路径进行加权计算，算法如下：

$w_i=u_1\&CenterDot;\frac{{\stackrel{\&OverBar;}{p}}_i\&CenterDot;N_i}{\mathrm{Max}\left(N\right)}+u_2\&CenterDot;\frac{\mathrm{Min}\left(T\right)}{\stackrel{\&OverBar;}{p_i}.\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_i}},\stackrel{\&OverBar;}{p_i}\&Element;\stackrel{\&OverBar;}{P_{\mathrm{\&alpha;},\mathrm{\&beta;}}}$

其中Max(N)表示通行次数最多道路的通行量，Min(T)表示用时最少的路径所耗时间；因此通行量越大且所耗时间越少的路径的权值越大；得到不同路线权值集合W＝{w₁，w₂，…，w_x}，其中u₂与u₁为权重因子，u₂比u₁表示时间因素影响为主要，u₁+u₂＝1；

步骤42、对比权值，提取行车轨迹经验集合特征库的最优路径p_i.1≤i≤x且w_i＝Max(W)；得到中的基于出租车行车轨迹经验知识的最优路径序列Z_α，β表示在日期属性标签DT_α，气候属性标签CT_β下的最优行行车路径序列，L_α，β表示行车路线，由位置点构成，表示此路径预计耗时，N_α，β表示此路径通行次数，根据分类标签属性的行车轨迹经验集合特征库构造出租车行车轨迹经验知识的最优路径集合Z＝{Z_α，β|α∈[1，3]，β∈[1，3]}。

如图5所示，为行车轨迹最优路径检验算法流程图。所述步骤50进一步包括：

步骤51、从数据库中获取短期T₃时间段内的行车数据序列，重复重复执行步骤20至步骤40，获得近期出租车行车轨迹经验知识的最优路径集合 $\stackrel{\&OverBar;}{Z}=\left\{\stackrel{\&OverBar;}{Z_{\mathrm{\&alpha;},\mathrm{\&beta;}}}\right|\mathrm{\&alpha;}\&Element;\left[\mathrm{1,3}\right],\mathrm{\&beta;}\&Element;\left[\mathrm{1,3}\right]\};$

步骤52、对比路径集合Z，使用步骤32中的距离向量算子对比与Z_α，β.L，若发现两条行车路线之间的距离大于数值c，c为8～10的数值；则表明路线发现变化；若大于ρ，ρ的范围是大于30的数值；则表明路线在近期已发生改变，则用替换集合Z中的Z_α，β，若小于ρ，则表明路线无改变，不做更新。

步骤53、将从出租车行车轨迹经验知识库提取最优路径集合Z推送给用户。

总之，本发明利用大量装备了GPS等车载定位系统的出租车在行驶过程中采集信息，并通过通信技术传送到数据服务中心，中心基于出行位置与目的地处理行车数据，提供基于出租车经验知识的最优路径，对出行路线选择服务有着重要的意义。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种出租车行车轨迹经验知识路径的提取方法，其特征在于：包括如下步骤：

步骤10、利用多个装备车载定位系统的出租车在行驶过程中定期采集数据信息，并将所采集到的数据信息发送到数据服务中心；

步骤20、数据服务中心通过与用户的直接交互获取出行的目的地，并根据出租车当前出发位置对数据服务中心的历史数据信息进行挖掘，经过处理后得到所有经过出发位置与目的地的出租车行车轨迹路线与所用时间，构成行车路线信息库P；

步骤30、根据出租车出发时间对行车路线信息库按日期属性与气象属性分类构造行车轨迹经验知识库，并分别进行检验，筛选相似路径，统计不同路径通行次数与平均用时，构成不同属性的行车轨迹经验集合特征库

步骤40、数据服务中心对各个属性集合下的行车轨迹经验集合特征库进行处理，通过加权计算，得到出租车行车轨迹经验知识的最优路径集合Z。

2.根据权利要求1所述的出租车行车轨迹经验知识路径的提取方法，其特征在于：所述步骤40之后进一步包括：

步骤50、数据服务中心根据近期时间的数据信息再次进行计算，通过数据服务中心的历史行车路径集合按属性分类逐一进行匹配，若属性相应的最优路径信息发生改变，则统计通行次数，如果近期时间内通行次数比较频繁，则表明该路线信息发生改变，从而动态更新相应路线，并将更新的结果集合推送到用户。

3.根据权利要求1所述的出租车行车轨迹经验知识路径的提取方法，其特征在于：所述步骤10进一步包括：

利用多个装备车载定位系统的出租车以周期τ定期采集车辆编号i、位置l和时间t信息，得到数据信息集合x_i＝<l_i，t_i，i>，将采集得到的数据通过移动蜂窝通信技术传送到数据服务中心，形成浮动车数据库；其中所述出租车在给定的且用于分段采样的滑动时间窗T₁内，其采样数据集合为m辆出租车的n阶的行车数据序列：

X＝{x_i,j|i∈[1,m],j∈[1,n]}，其中

4.根据权利要求3所述的出租车行车轨迹经验知识路径的提取方法，其特征在于：所述步骤20进一步包括：

步骤21、数据服务中心通过与用户的交互获取当前位置l_o与出行目的地l_d，从数据服务中心获取预设的T₂时间段内的行车数据序列，并使用点区域匹配算子提取所有经过出发位置l_o与目的l_d的行车数据序列；点区域匹配算子分为出发点匹配与终点匹配，所述的出发点区域匹配算子为

所述的终点区域匹配算子为

其中x_i,j.l表示行车数据序列x_i,j的位置属性l，d(x_i,j.l-l_d)表示位置点x_i,j.l与l_d之间的距离，D为点区域算子的距离常量，D为大于0的数值；

步骤22、对起点集合与终点集合中的元素进一步筛选，匹配车辆行车路线的起点终点OD，进而提取出行车路线，OD匹配算法为：从起点集合与终点集合中按车辆编号i提取每辆车的数据信息，获得相应车辆的浮动车数据集：根据数据集中每个元素的时间对集合中的元素按时间的先后顺序进行排列，并重新对下标j按顺序进行编号，匹配[x_i]中的相邻元素分别为与的点，得到行车OD序偶其中下标i^o表示数据来自起点集合中第i辆车的数据，j≥2,下标i^d表示数据来自终点集合中第i辆车的数据，下标j与j-1表示数据在集合[x_i]中的相邻性，M_i,t表示编号为i的车辆的第t个序偶，编号i的车辆的所有OD序偶构成集合OD_i＝{M_i,1,M_i,2,…,M_i,r}，表示第i辆车有r个OD二元组；所有车辆的序偶集合OD_i构成了在时间窗T₂内所有车辆的OD序偶集合F(m)＝{OD₁,OD₂,…,OD_m}，即所有车辆路径起点终点集合；

步骤23、对得到的多辆车的所有行车OD序偶集合F(m)重新进行一维编码，得到行车OD序偶集合Y(k)＝{M₁,M₂,…,M_k}；其中 对于中的出发点与终点由车辆编号i,提取对应的行车路线特征向量 $L_{\&part;}=<l_{i,1},...,l_{i,j},...,l_{i,\mathrm{\&mu;}}>|x_{i,j}\&Element;X;$ $l_{i,1}=$ $x_{\&part;}^o.l;$ l_i,μ表示在第条行车路线特征向量中，行车编号为i的车辆的第u个位置点l_i,μ，行车路线由这些位置点集组成；获得相应的路径用时 ${\mathrm{\&Delta;T}}_{\&part;}=x_{\&part;}^d.t-x_{\&part;}^o.t,$ 构造行车轨迹经验数据集合 $p_{\&part;}=<L_{\&part;},{\mathrm{\&Delta;T}}_{\&part;},x_{\&part;}^o>,$ 所有轨迹经验数据构成出租车行车路线信息库P＝{p₁,p₂,…,p_k}，每条信息p_k表示一条行车路径信息。

5.根据权利要求4所述的出租车行车轨迹经验知识路径的提取方法，其特征在于：所述步骤30进一步包括：

步骤31、对所述的行车路线信息库P，根据日期对路线进行分类，分为工作日DT₁，节假日DT₂，双休日DT₃，其中节假日优先级比双休日高；通过提取时间确定日期，对路线信息附加日期属性标签DT_α，α∈[1,3]；根据日期获取气象数据属性，按气象预警分为三个等级：良好CT₁，一般CT₂，恶劣CT₃，对比气象等级附加气候属性标签CT_β，β∈[1,3]，得到经过分类的出租车行车轨迹经验数据集合L_i是行车编号i对应的行车路线特征向量；ΔT_i是行车编号i对应的路径用时，是行车编号i对应的日期，是行车编号i对应的气象预警，根据气候属性标签与日期属性标签的不同分类构造行车轨迹经验特征库为：

其中 $p_i=<L_i,{\mathrm{\&Delta;T}}_i,{\mathrm{DT}}_{\mathrm{\&alpha;}}^i,{\mathrm{CT}}_{\mathrm{\&beta;}}^i>;$

步骤32、为了筛选相似路径，使得车轨迹经验特征库P_α,β里的路径信息不重复，从行车轨迹经验特征库P_α,β里随机取一行车路线信息p_k，其余路线信息作为候选集进行对比，若候选集不为空，则从中随机选取另一条路线信息p_j与路线信息p_k进行对比，根据行车路线特征向量的距离算子，计算两条行车路线p_k.L与p_j.L之间的距离，若发现两条路线之间的距离小于数值σ，数值σ为3～8，单位为米，则可确认这两条行车路线为相似路线，保存p_j.ΔT_j,将p_j从候选集和行车轨迹经验特征库P_α,β里去掉，路线p_k重复度加1，否则，从候选集里去除p_j；若此时候选集仍然非空，继续选取另一条路线信息与p_k对比，直到当候选集不是为非空，系统开始计算路线p_k重复度N_i；

所述的行车路线特征向量的距离算子为

其中l_1,j和l_2,j分别表示行车路线特征向量L₁和L₂的第j个位置点，d(l_1,j,l_2,j)为位置点l_1,j和l_2,j之间的距离，u表示行车路线特征向量中的位置点数；

步骤33、对通行此路线的每辆车用时p_j.ΔT_j按增序进行排列，以Δt为一个时间间隔进行次数统计，取通行次数N_max最多的时间间隔区间[ΔT_a，ΔT_b]作为参考区间,其中ΔT_b-ΔT_a＝Δt，根据时间段[ΔT_a-Δt，ΔT_a]内通行次数N_left与时间段[ΔT_b，ΔT_b+Δt]内通行次数N_right，此路线所用时间估算为： $\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_l}=\frac{N_{left}({\mathrm{\&Delta;T}}_a-\mathrm{\&Delta;}t)+N_{max}\&CenterDot;{\mathrm{\&Delta;T}}_a+N_{right}\&CenterDot;{\mathrm{\&Delta;T}}_b}{N_{left}+N_{max}+N_{right}},$ 得到新的出租车行车轨迹经验数据集合 $\stackrel{\&OverBar;}{p_i}=<L_i,\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_i},N_i>;$

步骤34、从行车轨迹经验特征库P_α,β里去掉p_k，若行车轨迹经验特征库P_α,β不为空，则重复步骤32和步骤33，直到行车轨迹经验特征库P_α,β为空；则据此筛选所有相似路线，所有不同出租车行车轨迹经验数据构成行车轨迹经验集合特征库 $\stackrel{\&OverBar;}{P_{\mathrm{\&alpha;},\mathrm{\&beta;}}}=\{\stackrel{\&OverBar;}{p_1},\stackrel{\&OverBar;}{p_2},...,\stackrel{\&OverBar;}{p_x}\}.$

6.根据权利要求5所述的出租车行车轨迹经验知识路径的提取方法，其特征在于：所述步骤40进一步包括：

步骤41、对于上述得到的行车轨迹经验集合特征库综合时间，通行次数，对每条路径进行加权计算，算法如下：

$w_i=u_1\&CenterDot;\frac{\stackrel{\&OverBar;}{p_i}.N_i}{Max\left(N\right)}+u_2\&CenterDot;\frac{Min\left(T\right)}{\stackrel{\&OverBar;}{p_i}.\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_i}},\stackrel{\&OverBar;}{p_i}\&Element;\stackrel{\&OverBar;}{P_{\mathrm{\&alpha;},\mathrm{\&beta;}}}$

其中Max(N)表示通行次数最多道路的通行量，Min(T)表示用时最少的路径所耗时间；因此通行量越大且所耗时间越少的路径的权值越大；得到不同路线权值集合W＝{w₁,w₂,…,w_x}，其中u₂与u₁为权重因子，u₂比u₁大表示时间因素影响为主，u₁+u₂＝1；

步骤42、对比权值，提取行车轨迹经验集合特征库的最优路径p_i,1≤i≤x且w_i＝Max(W)；得到中的基于出租车行车轨迹经验知识的最优路径序列 $Z_{\mathrm{\&alpha;},\mathrm{\&beta;}}=p_i=<L_{\mathrm{\&alpha;},\mathrm{\&beta;}},\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_{\mathrm{\&alpha;},\mathrm{\&beta;}}},N_{\mathrm{\&alpha;},\mathrm{\&beta;}}>,$ Z_α,β表示在日期属性标签DT_α，气候属性标签CT_β下的最优行行车路径序列，L_α,β表示行车路线，由位置点构成，表示此路径预计耗时，N_α,β表示此路径通行次数，根据分类标签属性的行车轨迹经验集合特征库构造出租车行车轨迹经验知识的最优路径集合Z＝{Z_α,β|α∈[1,3]，β∈[1,3]}。

7.根据权利要求6所述的出租车行车轨迹经验知识路径的提取方法，其特征在于：所述步骤50进一步包括：

步骤51、从数据库中获取短期T₃时间段内的行车数据序列，重复执行步骤20至步骤40，获得近期出租车行车轨迹经验知识的最优路径集合 $\stackrel{\&OverBar;}{Z}=\left\{\stackrel{\&OverBar;}{Z_{\mathrm{\&alpha;},\mathrm{\&beta;}}}\right|\mathrm{\&alpha;}\&Element;\&lsqb;1,3\&rsqb;,\mathrm{\&beta;}\&Element;\&lsqb;1,3\&rsqb;\};$

步骤52、对比路径集合Z，使用步骤32中的距离向量算子对比与Z_α,β.L，若发现两条行车路线之间的距离大于数值c，c为8～10的数值；则表明路线发现变化；若大于ρ，ρ的范围是大于30的数值；则表明路线在近期已发生改变，则用替换集合Z中的Z_α,β，若小于ρ，则表明路线无改变，不做更新；

步骤53、将从出租车行车轨迹经验知识库提取最优路径集合Z推送给用户。