CN103679300A - 一种时间预测方法及装置 - Google Patents
一种时间预测方法及装置 Download PDFInfo
- Publication number
- CN103679300A CN103679300A CN201310743792.7A CN201310743792A CN103679300A CN 103679300 A CN103679300 A CN 103679300A CN 201310743792 A CN201310743792 A CN 201310743792A CN 103679300 A CN103679300 A CN 103679300A
- Authority
- CN
- China
- Prior art keywords
- link
- link set
- historical
- hourage
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种时间预测方法及装置,涉及动态交通信息服务领域,能够在非正常的交通状况下,提高旅行时间预测的准确度。包括:将出发地至目的地间的路径划分为N条链路;根据N条链路中链路间的历史旅行时间相关度将N条链路划分为X个链路集合;获取X个链路集合中的每个链路集合对应的链路矩阵,历史时刻为预测时刻之前预设时间段内的时刻;对X个链路集合中的每个链路集合对应的链路矩阵进行ARIMA训练得到X个链路集合在预测时刻的旅行时间;获取X个链路集合在预测时刻的旅行时间之和作为预测时刻出发地至目的地间的旅行预测时间。所述时间预测方法及装置用于旅行时间的预测。
Description
技术领域
本发明涉及动态交通信息服务领域,尤其涉及一种时间预测方法及装置。
背景技术
旅行时间预测是交通信息服务的重要组成部分,通过旅行时间预测,不仅可以有效地进行动态路径规划,从而规避拥堵点,还可以合理地规划出发时间,规避拥堵时间段。
路链旅行时间历史数据按星期特征日和一天内各时间段呈现出周期性特征,且在时间上呈现出较为明显的连续性特征,因此基于时间序列的路链旅行时间预测较为普遍。其总的思想和方法为:首先提取出某一具体路链在各星期特征日各时间段的旅行时间均值,然后将历史旅行时间与该均值做差分,得到一个平稳的时间序列,最后对该平稳时间序列用自回归模型或移动自回归模型进行建模和预测。
由于正常情况下的交通状况其统计特性并不随时间的变化而改变,以上方法对于正常的交通状况的预测较为准确,所述正常的交通状况即没有出现事故以及大型活动等特殊情况下的交通状况。但是,当今的城市交通由于经常受到事件的影响,其统计特性并不稳定,城市交通状况呈现在空间上的相关性,即下游路链如果发生拥堵,则拥堵会沿其相邻路链向上游传递,按照上述方法差分后的时间序列很难满足平稳性要求,因此在非正常的交通状况下,时间预测准确度较低。
发明内容
本发明提供一种时间预测方法及装置,能够在非正常的交通状况下,提高旅行时间预测的准确度。
为达到上述目的,本发明的实施例采用如下技术方案:
一方面,提供一种时间预测方法,包括:
将出发地至目的地间的路径划分为N条链路,所述N大于或等于2;
根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,所述X小于或等于所述N;
获取所述X个链路集合中的每个链路集合对应的链路矩阵,每个所述链路集合对应的链路矩阵由所述链路集合中所有链路的m个历史时刻的旅行时间组成,所述历史时刻为预测时刻之前预设时间段内的时刻;
对所述X个链路集合中的每个链路集合对应的链路矩阵进行差分自回归移动平均模型ARIMA训练得到所述X个链路集合在预测时刻的旅行时间;
获取所述X个链路集合在预测时刻的旅行时间之和作为所述预测时刻所述出发地至目的地间的旅行预测时间。
一方面,提供一种时间预测装置,包括:
第一划分单元,用于将出发地至目的地间的路径划分为N条链路,所述N大于或等于2;
第二划分单元,用于根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,所述X小于或等于所述N;
第一获取单元,用于获取所述X个链路集合中的每个链路集合对应的链路矩阵,每个所述链路集合对应的链路矩阵由所述链路集合中所有链路的m个历史时刻的旅行时间组成,所述历史时刻为预测时刻之前预设时间段内的时刻;
差分单元,用于对所述X个链路集合中的每个链路集合对应的链路矩阵进行差分自回归移动平均模型ARIMA训练得到所述X个链路集合在预测时刻的旅行时间;
第二获取单元,用于获取所述X个链路集合在预测时刻的旅行时间之和作为所述预测时刻所述出发地至目的地间的旅行预测时间。
本发明提供的时间预测方法及装置,由于根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,则出发地至目的地间的路径在处理过程考虑到了链路空间上的相关度,同时,对所述X个链路集合中的每个链路集合对应的链路矩阵进行ARIMA训练的过程中,由于采用矩阵形式的训练,考虑到了链路时间上的相关性,使得差分后的时间序列平稳度增高,因此,能够在非正常的交通状况下,提高旅行时间预测的准确度。
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时间预测方法流程图;
图2为本发明实施例提供的另一种时间预测方法流程图;
图3为本发明实施例提供的一种路径示意图;
图4为本发明实施例提供的一种路径划分方法流程图;
图5为本发明实施例提供的第三链路集合在预测时刻的旅行时间的获取方法流程图;
图6为本发明实施例提供的预测时刻之前的历史时刻示意图;
图7为本发明实施例提供的一种时间预测装置结构示意图。
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做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。
本发明实施例提供一种时间预测方法,如图1所示,包括:
步骤101、将出发地至目的地间的路径划分为N条链路,所述N大于或等于2。
步骤102、根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,所述X小于或等于所述N。
步骤103、获取所述X个链路集合中的每个链路集合对应的链路矩阵,每个所述链路集合对应的链路矩阵由所述链路集合中所有链路的m个历史时刻的旅行时间组成,所述历史时刻为预测时刻之前预设时间段内的时刻。
步骤104、对所述X个链路集合中的每个链路集合对应的链路矩阵进行ARIMA(Autoregressive Integrated Moving Average Model,差分自回归移动平均模型)训练得到所述X个链路集合在预测时刻的旅行时间。
步骤105、获取所述X个链路集合在预测时刻的旅行时间之和作为所述预测时刻所述出发地至目的地间的旅行预测时间。
这样一来,由于根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,则出发地至目的地间的路径在处理过程考虑到了链路空间上的相关度,同时,对所述X个链路集合中的每个链路集合对应的链路矩阵进行ARIMA训练的过程中,由于采用矩阵形式的训练,考虑到了链路时间上的相关性,使得差分后的时间序列平稳度增高,因此,能够在非正常的交通状况下,提高旅行时间预测的准确度。
具体的,本发明实施例提供一种时间预测方法,如图2所示,包括:
步骤201、将出发地至目的地间的路径划分为N条链路,所述N大于或等于2。
需要说明的是,将出发地至目的地间的路径进行划分的规则是根据具体情况设置的,例如,将出发地至目的地间的路径按照均分原则每隔预设距离划分成一段,也可以按照路径的实际路径规划划分,如出发地至目的地间存在5个路口,那么用所述5个路口将出发地至目的地间的路径混分为6条链路,本发明对此不做限定。
步骤202、根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合。
所述X小于或等于所述N。具体的,可以获取所述N条链路中每任意两条链路的历史旅行时间相关度;然后,根据所述N条链路中每任意两条链路的历史旅行时间相关度生成至少一个第一链路集合和/或至少一个第二链路集合,所述第一链路集合中链路顺序相连,且任意两条链路的历史旅行时间相关度大于或等于预设阈值,所述第二链路集合中的链路与所述N条链路中的任意一条链路的历史旅行时间相关度都小于所述于预设阈值;其中,生成的链路集合的个数为所述X,需要说明的是,链路顺序相连指的是由靠近出发地到远离出发地的顺序相连或者由靠近目的地到远离目的地的顺序相连。
示例的,假设步骤201将出发地至目的地间的路径划分为如图3所示的4条链路,分别为链路L1、L2、L3和L4,箭头Z指示行进方向,则如图4所示,具体的链路划分方法如下:
步骤2021、获取所述链路L1、L2、L3和L4中每任意两条链路的历史旅行时间相关度。执行步骤2022。
步骤2022、判断链路L1和链路L2的历史旅行时间相关度是否小于预设阈值;若是,执行步骤2023,若否,执行步骤2024。
步骤2023、生成链路集合1和链路集合2,将所述链路L1放入所述链路集合1,将所述链路L2放入所述链路集合2。执行步骤2025。
步骤2024、生成链路集合3,将所述链路L1和链路L2放入所述链路集合3。执行步骤2034。
步骤2025、判断链路L2和链路L3的历史旅行时间相关度是否小于预设阈值;若是,执行步骤2026,若否,执行步骤2027。
步骤2026、生成链路集合4,将所述链路L3放入所述链路集合4。执行步骤2031。
步骤2027、将所述链路L3放入所述链路集合2。执行步骤2028。
步骤2028、判断链路L4和链路集合2中链路的历史旅行时间相关度中是否存在小于预设阈值的历史旅行时间相关度;若是,执行步骤2029,若否,执行步骤2030。
步骤2029、生成链路集合5,将所述链路L4放入所述链路集合5。
当前共三个集合,分别为集合1、集合2和集合5,其中,集合1中有链路L1,集合2中有链路L2和L3,集合5中有链路L4,集合2和集合5为第二链路集合,集合2为第一链路集合。
步骤2030、将所述链路L4放入所述链路集合3。
当前共两个集合,分别为集合1和集合2,其中,集合1中有链路L1,集合2中有链路L2、L3和L4,集合2为第二链路集合,集合2为第一链路集合。
步骤2031、判断链路L3和链路L4的历史旅行时间相关度是否小于预设阈值;若是,执行步骤2032,若否,执行步骤2033。
步骤2032、生成链路集合6,将所述链路L4放入所述链路集合6。
当前共4个集合,分别为集合1、集合2、集合4和集合5,其中,集合1中有链路L1,集合2中有链路L2,集合4中有链路L3,集合5中有链路L4。集合1、集合2、集合4和集合5均为第二链路集合。
步骤2033、将所述链路L4放入所述链路集合4。
当前共3个集合,分别为集合1、集合2和集合4,其中,集合1中有链路L1,集合2中有链路L2,集合4中有链路L3和链路L4。集合1和集合2为第二链路集合,集合4为第一链路集合。
步骤2034、判断链路L3和链路集合3中链路的历史旅行时间相关度中是否存在小于预设阈值的历史旅行时间相关度。若是,执行步骤2035,若否,执行步骤2036。
步骤2035、生成链路集合6,将所述链路L3放入所述链路集合6。执行步骤2037。
步骤2036、将所述链路L3放入所述链路集合3。执行步骤2040。
步骤2037、判断链路L3和链路L4的历史旅行时间相关度是否小于预设阈值。若是,执行步骤2038,若否,执行步骤2039。
步骤2038、生成链路集合7,将所述链路L4放入所述链路集合7。
当前共3个集合,分别为集合3、集合6和集合7,其中,集合3中有链路L1、链路L2,集合6中有链路L3,集合7中有链路L4。集合6和集合7为第二链路集合,集合3为第一链路集合。
步骤2039、将所述链路L4放入所述链路集合6。
当前共2个集合,分别为集合3和集合6,其中,集合3中有链路L1、链路L2,集合6中有链路L3、链路L4。集合6为第二链路集合,集合3为第一链路集合。
步骤2040、判断链路L4和链路集合3中链路的历史旅行时间相关度中是否存在小于预设阈值的历史旅行时间相关度。若是,执行步骤2041,若否,执行步骤2042。
步骤2041、生成链路集合8,将所述链路L4放入所述链路集合8。
当前共2个集合,分别为集合3和集合8,其中,集合3中有链路L1、链路L2和链路L3,集合8中有链路L4。集合8为第二链路集合,集合3为第一链路集合。
步骤2042、将所述链路L4放入所述链路集合3。
当前共1个集合,为集合3,其中,集合3中有链路L1、链路L2和链路L3和链路L4。集合3为第二链路集合。
步骤203、获取所述X个链路集合中的每个链路集合对应的链路矩阵。
每个所述链路集合对应的链路矩阵由所述链路集合中所有链路的m个历史时刻的旅行时间组成,所述历史时刻为预测时刻之前预设时间段内的时刻;由于步骤202获取的链路集合有多个,本发明实施例以第三链路集合为例,所述第三链路集合为所述X个链路集合中的任意一个链路集合,则获取所述X个链路集合中的每个链路集合对应的链路矩阵包括:获取第三链路集合对应的链路矩阵,所述链路矩阵共m行n列,所述m为所述预测时刻之前所述预设时间段内的历史时刻的个数,每相邻的两个所述历史时刻的间隔为预设间隔,所述预测时刻与第一历史时刻的间隔为所述预设间隔,所述n为所述第三链路集合中链路的个数,所述第一历史时刻为所述预测时刻之前的历史时刻中与所述预测时刻最接近的历史时刻,所述m的个数可以根据具体情况设置,本发明对此不做限定。
假设第三链路集合中共三条链路,分别为链路L1、链路L2和链路L3,则第三链路集合为{L1,L2,L3},则第三链路集合对应的链路矩阵由与所述预测时刻相隔预设时间段内的链路L1、链路L2和链路L3的旅行时间组成,本发明假设所述预设间隔为5分钟,所述m为7,则所述预设时间段为5至35分钟,示例的,如图6所示,假设预测时刻为10:00,预测时刻之前的历史时刻的个数为7,历史时刻分别为9:55、9:50、9:45、9:40、9:35、9:30、9:25。则链路L1、链路L2和链路L3中每个链路的历史时刻对应的旅行时间值为7个,得到的链路矩阵H3如下:
其中,T11至T17分别为链路L1在历史时刻9:55、9:50、9:45、9:40、9:35、9:30、9:25对应的旅行时间,T21至T27分别为链路L2在历史时刻9:55、9:50、9:45、9:40、9:35、9:30、9:25对应的旅行时间,T31至T37分别为链路L3在历史时刻9:55、9:50、9:45、9:40、9:35、9:30、9:25对应的旅行时间,链路矩阵H3中的每一行表示同一历史时刻不同链路的旅行时间,每一列表示同一链路不同历史时刻的旅行时间,需要说明的是,在本实施例中,每一列的旅行时间可以按照与预测时刻的时间差由小到大的顺序,实际应用中,每一列的旅行时间可以按照与预测时刻的时间差由小到大的顺序排列也可以按照与预测时刻的时间差由小到大的顺序排列的,本发明对此不做限定。
所述旅行时间指的是采用预设交通方式从出发地到目的地所耗费的时间。本发明中所述预设交通方式可以为乘车。
步骤204、对所述X个链路集合中的每个链路集合对应的链路矩阵进行ARIMA训练得到所述X个链路集合在预测时刻的旅行时间。
对所述X个链路集合中的每个链路集合进行差分自回归移动平均模型ARIMA训练得到X组训练参数组,每组所述训练参数组由y个训练参数组成。
以第三链路集合在预测时刻的旅行时间的获取过程为例,具体获取步骤如图5所示,包括:
步骤3011、将所述链路矩阵中,每相邻的两行中后一行的数据减去前一行的数据得到差分矩阵,所述差分矩阵共m-1行n列。
针对第三链路集合,将链路矩阵H3中每相邻的两行中后一行的数据减去前一行的数据得到差分矩阵M3,即同一链路相邻历史时刻的旅行时间做差。
具体的,差分矩阵M3如下:
示例的,△T11为T12与T11的差值,△T36为T37与T36的差值,则历史时刻9:55对应的差分向量为:
A=[△T11 △T21 △T31]
历史时刻9:50对应的差分向量为:
B=[△T12 △T22 △T32]
历史时刻9:45对应的差分向量为:
C=[△T13 △T23 △T33]
历史时刻9:40对应的差分向量为:
D=[△T14 △T24 △T34]
历史时刻9:35对应的差分向量为:
E=[△T15 △T25 △T35]
历史时刻9:30对应的差分向量为:
F=[△T16 △T26 △T36]
步骤3012、将所述差分矩阵划分为至少k组差分数据,使得第w组差分数据包括所述差分矩阵的第w至第k+w行的向量。
需要说明的是,1≤w≤k,例如k=3,则第2组差分数据包括所述差分矩阵的第2至第5行的向量,即向量B、C、D和E。
步骤3013、分别将每组所述差分数据输入ARIMA训练得到所述第三链路集合对应的训练参数组。
所述ARIMA为:
其中,所述ΔTt为历史时刻t对应的所述差分矩阵的差分向量,所述βi为所述差分数据的第i行的训练参数,2k小于或等于所述m-1,所述第三链路集合对应的训练参数组由β1至βk组成。
示例的,假设k=3,以上述所述第三链路集合为例,则所述差分矩阵的第1至4行的差分向量,所述差分矩阵的第2至5行的差分向量的差分向量及所述差分矩阵的第3至6行的差分向量输入ARIMA:
则得到的方程组:
D=β1A+β2B+β3C
E=β1B+β2C+β3D
F=β1C+β2D+β3E
解方程组得到β1、β2和β3的值,则第三链路集合对应的训练参数组为β1、β2和β3。
步骤3014、根据所述训练参数组和所述差分矩阵确定第三链路集合对应的预测时刻的差分向量。
由于解方程组得到β1、β2和β3的值,根据所述训练参数组,设第三链路集合对应的预测时刻的差分向量为Z,则将D、E、F的值带入ARIMA得到:
Z=β1D+β2E+β3F;
这样就可以获取差分向量Z的值。
步骤3015、获取所述第三链路集合对应的预测时刻的差分向量与所述第一历史时刻对应的向量之和作为所述预测时刻的第三链路集合的旅行时间。
由于第三链路集合对应的预测时刻的差分向量为Z,第一历史时刻对应的向量为步骤203中,矩阵H的第一行的向量,即:
S=[L11 L21 L31]
则获取的Z和S之和即为所述预测时刻的第三链路集合的旅行时间,该旅行时间为向量,该向量中的每个值代表预测时刻第三链路集合中相应链路的旅行时间,即该向量中的第一个值为预测时刻链路L1的旅行时间,第二个值为预测时刻链路L2的旅行时间,第三个值为预测时刻链路L3的旅行时间。
所述X个链路集合中其他链路集合在预测时刻的旅行时间的获取过程与第三链路集合,本发明不再赘述。
步骤205、获取所述预测时刻的X个链路集合的旅行时间之和作为所述预测时刻所述出发地至目的地间的旅行预测时间。
在本发明实施例中,可以将预测时刻的所有链路集合中所有链路的旅行时间之和作为所述旅行预测时间。
需要说明的是,当获取当前的预测时刻所述出发地至目的地间的旅行预测时间后,可以将该预测时刻作为下一个预测时刻的第一历史时刻,再次执行步骤203得到新的链路矩阵,再执行步骤204、步骤205得到下一个预测时刻所述出发地至目的地间的旅行预测时间,特别的,也可以从步骤201执行至步骤205得到下一个预测时刻所述出发地至目的地间的旅行预测时间,因此,本发明实施例提供的时间预测方法,可以预测未来多个连续的时刻所述出发地至目的地间的旅行预测时间。
本发明实施例提供的时间预测方法,由于根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,则出发地至目的地间的路径在处理过程考虑到了链路空间上的相关度,同时,对所述X个链路集合中的每个链路集合对应的链路矩阵进行ARIMA训练的过程中,由于采用矩阵形式的训练,考虑到了链路时间上的相关性,使得差分后的时间序列平稳度增高,因此,能够在非正常的交通状况下,提高旅行时间预测的准确度。
本发明实施例提供一种时间预测装置70,如图7所示,包括:
第一划分单元701,用于将出发地至目的地间的路径划分为N条链路,所述N大于或等于2;
第二划分单元702,用于根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,所述X小于或等于所述N;
第一获取单元703,用于获取所述X个链路集合中的每个链路集合对应的链路矩阵,每个所述链路集合对应的链路矩阵由所述链路集合中所有链路的m个历史时刻的旅行时间组成,所述历史时刻为预测时刻之前预设时间段内的时刻;
差分单元704,用于对所述X个链路集合中的每个链路集合对应的链路矩阵进行差分自回归移动平均模型ARIMA训练得到所述X个链路集合在预测时刻的旅行时间;
第二获取单元705,用于获取所述X个链路集合在预测时刻的旅行时间之和作为所述预测时刻所述出发地至目的地间的旅行预测时间。
这样一来,由于第二划分单元根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,则出发地至目的地间的路径在处理过程考虑到了链路空间上的相关度,同时,差分单元对所述X个链路集合中的每个链路集合对应的链路矩阵进行ARIMA训练的过程中,由于采用矩阵形式的训练,考虑到了链路时间上的相关性,使得差分后的时间序列平稳度增高,因此,能够在非正常的交通状况下,提高旅行时间预测的准确度。
进一步的,所述时间预测称装置可以为计算机,所述N条链路由第1至第N链路组成,第二划分单元702具体用于:
获取所述N条链路中每任意两条链路的历史旅行时间相关度;
根据所述N条链路中每任意两条链路的历史旅行时间相关度生成至少一个第一链路集合和/或至少一个第二链路集合,所述第一链路集合中链路顺序相连,且任意两条链路的历史旅行时间相关度大于或等于预设阈值,所述第二链路集合中的链路与所述N条链路中的任意一条链路的历史旅行时间相关度都小于所述于预设阈值;
其中,生成的链路集合的个数为所述X。
所述第一获取单元703具体用于:
获取第三链路集合对应的链路矩阵,所述第三链路集合为所述X个链路集合中的任意一个链路集合,所述链路矩阵共m行n列,所述m为所述预测时刻之前所述预设时间段内的历史时刻的个数,每相邻的两个所述历史时刻的间隔为预设间隔,所述预测时刻与第一历史时刻的间隔为所述预设间隔,所述n为所述第三链路集合中链路的个数,所述第一历史时刻为所述预测时刻之前的历史时刻中与所述预测时刻最接近的历史时刻。
所述差分单元704具体用于:
将所述第三链路集合对应的链路矩阵中,每相邻的两行中后一行的数据减去前一行的数据得到差分矩阵,所述差分矩阵共m-1行n列;
将所述差分矩阵划分为至少k组差分数据,使得第w组差分数据包括所述差分矩阵的第w至第k+w+1行的向量,1≤w≤k;
分别将每组所述差分数据输入ARIMA训练得到所述第三链路集合对应的训练参数组,所述ARIMA为:
其中,所述ΔTt为历史时刻t对应的所述差分矩阵的差分向量,所述βi为所述差分数据的第i行的训练参数,2k小于或等于所述m-1,所述第三链路集合对应的训练参数组由β1至βk组成;
根据所述训练参数组和所述差分矩阵确定第三链路集合对应的预测时刻的差分向量;
获取所述第三链路集合对应的预测时刻的差分向量与所述第一历史时刻对应的向量之和作为所述预测时刻的第三链路集合的旅行时间。
所述预设间隔为5分钟,所述k为6。
本发明实施例提供的时间预测装置,由于第二划分单元根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,则出发地至目的地间的路径在处理过程考虑到了链路空间上的相关度,同时,差分单元对所述X个链路集合中的每个链路集合对应的链路矩阵进行ARIMA训练的过程中,由于采用矩阵形式的训练,考虑到了链路时间上的相关性,使得差分后的时间序列平稳度增高,因此,能够在非正常的交通状况下,提高旅行时间预测的准确度。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (10)
1.一种时间预测方法,其特征在于,包括:
将出发地至目的地间的路径划分为N条链路,所述N大于或等于2;
根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,所述X小于或等于所述N;
获取所述X个链路集合中的每个链路集合对应的链路矩阵,每个所述链路集合对应的链路矩阵由所述链路集合中所有链路的m个历史时刻的旅行时间组成,所述历史时刻为预测时刻之前预设时间段内的时刻;
对所述X个链路集合中的每个链路集合对应的链路矩阵进行差分自回归移动平均模型ARIMA训练得到所述X个链路集合在预测时刻的旅行时间;
获取所述X个链路集合在预测时刻的旅行时间之和作为所述预测时刻所述出发地至目的地间的旅行预测时间。
2.根据权利要求1所述的方法,其特征在于,所述N条链路由第1至第N链路组成,
所述根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合包括:
获取所述N条链路中每任意两条链路的历史旅行时间相关度;
根据所述N条链路中每任意两条链路的历史旅行时间相关度生成至少一个第一链路集合和/或至少一个第二链路集合,所述第一链路集合中链路顺序相连,且任意两条链路的历史旅行时间相关度大于或等于预设阈值,所述第二链路集合中的链路与所述N条链路中的任意一条链路的历史旅行时间相关度都小于所述于预设阈值;
其中,生成的链路集合的个数为所述X。
3.根据权利要求1所述的方法,其特征在于,
所述获取所述X个链路集合中的每个链路集合对应的链路矩阵包括:
获取第三链路集合对应的链路矩阵,所述第三链路集合为所述X个链路集合中的任意一个链路集合,所述链路矩阵共m行n列,所述m为所述预测时刻之前所述预设时间段内的历史时刻的个数,每相邻的两个所述历史时刻的间隔为预设间隔,所述预测时刻与第一历史时刻的间隔为所述预设间隔,所述n为所述第三链路集合中链路的个数,所述第一历史时刻为所述预测时刻之前的历史时刻中与所述预测时刻最接近的历史时刻。
4.根据权利要求3所述的方法,其特征在于,
所述对所述X个链路集合中的每个链路集合对应的链路矩阵进行差分自回归移动平均模型ARIMA训练得到所述X个链路集合在预测时刻的旅行时间包括:
将所述第三链路集合对应的链路矩阵中,每相邻的两行中后一行的数据减去前一行的数据得到差分矩阵,所述差分矩阵共m-1行n列;
将所述差分矩阵划分为至少k组差分数据,使得第w组差分数据包括所述差分矩阵的第w至第k+w+1行的向量,1≤w≤k;
分别将每组所述差分数据输入ARIMA训练得到所述第三链路集合对应的训练参数组,所述ARIMA为:
其中,所述ΔTt为历史时刻t对应的所述差分矩阵的差分向量,所述βi为所述差分数据的第i行的训练参数,2k小于或等于所述m-1,所述第三链路集合对应的训练参数组由β1至βk组成;
根据所述训练参数组和所述差分矩阵确定第三链路集合对应的预测时刻的差分向量;
获取所述第三链路集合对应的预测时刻的差分向量与所述第一历史时刻对应的向量之和作为所述预测时刻的第三链路集合的旅行时间。
5.根据权利要求4所述的方法,其特征在于,
所述预设间隔为5分钟,所述k为6。
6.一种时间预测装置,其特征在于,包括:
第一划分单元,用于将出发地至目的地间的路径划分为N条链路,所述N大于或等于2;
第二划分单元,用于根据所述N条链路中链路间的历史旅行时间相关度将所述N条链路划分为X个链路集合,所述X小于或等于所述N;
第一获取单元,用于获取所述X个链路集合中的每个链路集合对应的链路矩阵,每个所述链路集合对应的链路矩阵由所述链路集合中所有链路的m个历史时刻的旅行时间组成,所述历史时刻为预测时刻之前预设时间段内的时刻;
差分单元,用于对所述X个链路集合中的每个链路集合对应的链路矩阵进行差分自回归移动平均模型ARIMA训练得到所述X个链路集合在预测时刻的旅行时间;
第二获取单元,用于获取所述X个链路集合在预测时刻的旅行时间之和作为所述预测时刻所述出发地至目的地间的旅行预测时间。
7.根据权利要求6所述的时间预测装置,其特征在于,所述N条链路由第1至第N链路组成,
所述第二划分单元,具体用于:
获取所述N条链路中每任意两条链路的历史旅行时间相关度;
根据所述N条链路中每任意两条链路的历史旅行时间相关度生成至少一个第一链路集合和/或至少一个第二链路集合,所述第一链路集合中链路顺序相连,且任意两条链路的历史旅行时间相关度大于或等于预设阈值,所述第二链路集合中的链路与所述N条链路中的任意一条链路的历史旅行时间相关度都小于所述于预设阈值;
其中,生成的链路集合的个数为所述X。
8.根据权利要求6所述的时间预测装置,其特征在于,
所述第一获取单元具体用于:
获取第三链路集合对应的链路矩阵,所述第三链路集合为所述X个链路集合中的任意一个链路集合,所述链路矩阵共m行n列,所述m为所述预测时刻之前所述预设时间段内的历史时刻的个数,每相邻的两个所述历史时刻的间隔为预设间隔,所述预测时刻与第一历史时刻的间隔为所述预设间隔,所述n为所述第三链路集合中链路的个数,所述第一历史时刻为所述预测时刻之前的历史时刻中与所述预测时刻最接近的历史时刻。
9.根据权利要求8所述的时间预测装置,其特征在于,
所述差分单元具体用于:
将所述第三链路集合对应的链路矩阵中,每相邻的两行中后一行的数据减去前一行的数据得到差分矩阵,所述差分矩阵共m-1行n列;
将所述差分矩阵划分为至少k组差分数据,使得第w组差分数据包括所述差分矩阵的第w至第k+w+1行的向量,1≤w≤k;
分别将每组所述差分数据输入ARIMA训练得到所述第三链路集合对应的训练参数组,所述ARIMA为:
其中,所述ΔTt为历史时刻t对应的所述差分矩阵的差分向量,所述βi为所述差分数据的第i行的训练参数,2k小于或等于所述m-1,所述第三链路集合对应的训练参数组由β1至βk组成;
根据所述训练参数组和所述差分矩阵确定第三链路集合对应的预测时刻的差分向量;
获取所述第三链路集合对应的预测时刻的差分向量与所述第一历史时刻对应的向量之和作为所述预测时刻的第三链路集合的旅行时间。
10.根据权利要求9所述的时间预测装置,其特征在于,
所述预设间隔为5分钟,所述k为6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310743792.7A CN103679300B (zh) | 2013-12-30 | 2013-12-30 | 一种时间预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310743792.7A CN103679300B (zh) | 2013-12-30 | 2013-12-30 | 一种时间预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679300A true CN103679300A (zh) | 2014-03-26 |
CN103679300B CN103679300B (zh) | 2017-02-08 |
Family
ID=50316784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310743792.7A Active CN103679300B (zh) | 2013-12-30 | 2013-12-30 | 一种时间预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679300B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157142A (zh) * | 2014-08-27 | 2014-11-19 | 河海大学 | 一种基于浮动车数据的城市路径行程时间预测方法 |
CN107886189A (zh) * | 2017-10-19 | 2018-04-06 | 东南大学 | 一种基于地铁刷卡数据进行路径旅行时间推断的方法 |
CN112489418A (zh) * | 2020-10-22 | 2021-03-12 | 浙江交通职业技术学院 | 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706888A (zh) * | 2009-04-30 | 2010-05-12 | 北京世纪高通科技有限公司 | 一种旅行时间预测的方法 |
CN101794512A (zh) * | 2009-12-30 | 2010-08-04 | 北京世纪高通科技有限公司 | 旅行时间预测的方法及装置 |
CN102255973A (zh) * | 2011-08-23 | 2011-11-23 | 江苏省邮电规划设计院有限责任公司 | 车辆无线通信网络中的路由方法及车辆无线通信网络 |
US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
CN102568205A (zh) * | 2012-01-10 | 2012-07-11 | 吉林大学 | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 |
CN103247177A (zh) * | 2013-05-21 | 2013-08-14 | 清华大学 | 大规模路网交通流实时动态预测系统 |
-
2013
- 2013-12-30 CN CN201310743792.7A patent/CN103679300B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706888A (zh) * | 2009-04-30 | 2010-05-12 | 北京世纪高通科技有限公司 | 一种旅行时间预测的方法 |
CN101794512A (zh) * | 2009-12-30 | 2010-08-04 | 北京世纪高通科技有限公司 | 旅行时间预测的方法及装置 |
US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
CN102255973A (zh) * | 2011-08-23 | 2011-11-23 | 江苏省邮电规划设计院有限责任公司 | 车辆无线通信网络中的路由方法及车辆无线通信网络 |
CN102568205A (zh) * | 2012-01-10 | 2012-07-11 | 吉林大学 | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 |
CN103247177A (zh) * | 2013-05-21 | 2013-08-14 | 清华大学 | 大规模路网交通流实时动态预测系统 |
Non-Patent Citations (2)
Title |
---|
翁丽娜等: "基于时间序列分析的链路质量预测和稳定路由算法研究", 《电子与信息学报》 * |
高雅: "短时交通流预测模型及预测方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157142A (zh) * | 2014-08-27 | 2014-11-19 | 河海大学 | 一种基于浮动车数据的城市路径行程时间预测方法 |
CN104157142B (zh) * | 2014-08-27 | 2016-08-24 | 河海大学 | 一种基于浮动车数据的城市路径行程时间预测方法 |
CN107886189A (zh) * | 2017-10-19 | 2018-04-06 | 东南大学 | 一种基于地铁刷卡数据进行路径旅行时间推断的方法 |
CN107886189B (zh) * | 2017-10-19 | 2021-06-15 | 东南大学 | 一种基于地铁刷卡数据进行路径旅行时间推断的方法 |
CN112489418A (zh) * | 2020-10-22 | 2021-03-12 | 浙江交通职业技术学院 | 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103679300B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101673463B (zh) | 一种基于时间序列的交通信息预测方法及装置 | |
Li et al. | A brief overview of machine learning methods for short-term traffic forecasting and future directions | |
Su et al. | Multi-level condition-based maintenance planning for railway infrastructures–a scenario-based chance-constrained approach | |
Şahin | Markov chain model for delay distribution in train schedules: Assessing the effectiveness of time allowances | |
CN102779223B (zh) | 短期电力负荷预测的方法及装置 | |
CN102436751B (zh) | 基于城市宏观路网模型的交通流短时预测方法 | |
Tong et al. | Stochastic programming model for oversaturated intersection signal timing | |
CN110866649A (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
Cao et al. | Real-time schedule adjustments for autonomous public transport vehicles | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
Wu et al. | Exact and heuristic algorithms for rapid and station arrival-time guaranteed bus transportation via lane reservation | |
CN104064023A (zh) | 一种基于时空关联的动态交通流预测方法 | |
CN107274665A (zh) | 巴士运力资源规划方法及系统 | |
CN103745106A (zh) | 一种短时交通流预测方法 | |
CN104699822A (zh) | 一种地图点要素注记自动配置方法 | |
CN103679300A (zh) | 一种时间预测方法及装置 | |
Ip et al. | Vehicle trajectory prediction based on LSTM recurrent neural networks | |
Yan et al. | A novel control strategy for balancing traffic flow in urban traffic network based on iterative learning control | |
Mou et al. | Reliability optimization model of stop-skipping bus operation with capacity constraints | |
Wang et al. | On-line distributed prediction of traffic flow in a large-scale road network | |
Rodriguez-Deniz et al. | Robust real-time delay predictions in a network of high-frequency urban buses | |
Kuhail et al. | Parking availability forecasting model | |
CN102819885A (zh) | 一种城市公共交通客流信息的统计分析方法及系统 | |
Naheliya et al. | A Hybrid Deep Learning Method for Short-Term Traffic Flow Forecasting: GSA-LSTM | |
CN105471043A (zh) | 充电设备的配置方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |