CN104121918A - 一种实时路径规划的方法和系统 - Google Patents

Abstract

本发明提供了一种实时路径规划的方法和系统，涉及智能交通技术领域。所述方法包括：当前客户端按初始路径行驶时，实时采集其他客户端的目的地、采样位置和采样时间；根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，并从所述导航路径中分别提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息。本发明，数据范围广，样本均匀，提高了路径规划的结果的准确度，特别是对于规律性不强的路况变化，提高了路径规划的准确度。

Description

一种实时路径规划的方法和系统

技术领域

本发明涉及智能交通技术领域，特别是涉及一种实时路径规划的方法和系统。

背景技术

道路的路径规划是GPS技术领域中的一种典型应用，目前已经开始被广泛应用。在现有技术中，路径规划往往基于路网拓扑关系，考虑路网的相关道路基本属性，比如道路的等级、车道数、十字路口数量、红绿灯的数量等基本属性，利用拓扑算法给出起点和终点之间的总距离最短或总耗时最短等路径方案。

传统的路径规划的方法是利用公路一些车辆中的GPS历史记录的车速，来判断采样时间下这个路段的通畅情况，如果历史上当前路段的车速普遍较高，则判断为通畅，如果历史上当前路段的车速普遍较低，则视为拥堵。并以记录GPS车速的方式持续记录路况信息，从而利用历史上的GPS路况信息来推断未来的路况信息。比如历史上路段A在11:00-14:00之间拥堵，那么预测路段A在当天的11:00-14:00之间也拥堵。

在实时导航时，往往依据路网的当前交通流量状况进行导航，如果某路段中的各车辆移动缓慢，则认为该路段的流量较高；反之该路段的流量较低。将各路段交通流量设定不同的权值，根据当前车辆的移动速度和各路段的交通流量计算从车辆的采样位置到目的地的总代价，从而进行路径规划，并将代价最低，即时间花费最少的路径返回给当前车辆。

但是，上述方案中，第一：数据信息稀疏且范围有限：只有很少量的出租、公交装载了速度记录仪，所以得到的历史数据只对主干道有效，作用范围有限，而且所有样本并非均匀分布在所有的汽车中，历史数据中样本不够均匀，也可能会导致结果不够准确。第二：预测能力较差：仅仅通过道路的历史通行状况或当前采集的实时流量来预测未来路况，信息不够充分，特别是对于规律性不强的路况变化无法准确预测，由于当前车辆在进行路径规划时所依据的各路段的路况将在当前车辆的行驶过程中不断变化，在当前车辆行驶到之前进行路径规划的某一路段时，该路段的路况很可能由好变差，则用户很可能行驶在预测时路况好、但实际已变得拥堵的道路上，反而增加了行驶时间。

发明内容

本发明提供一种实时路径规划的方法，解决现有技术中数据信息稀疏且范围有限的问题，对规律性不强的路段预测能力差等问题。

为了解决上述问题，本发明公开了一种实时路径规划的方法，其特征在于，包括：

当前客户端按初始路径行驶时，实时采集其他客户端的目的地、采样位置和采样时间；

根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，并从所述导航路径中分别提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；

对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息。

优选的，所述对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息，包括：

对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息。

优选的，所述对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息，包括：

针对每个客户端的采样位置和采样时间，结合既定的车速模型计算每个客户端对应的车速；

根据所述每个客户端的车速和所述车速模型，预测各个客户端未来时间段内在对应的导航路径上的位置；

以目标路段为单位对预测得到的所述各个客户端未来时间段内在对应导航路径上的位置进行统计，得到在未来时间段内所述初始路径中各路段的路况信息。

优选的，所述车速模型通过采集各客户端在路网中的不同地点和不同时间的行驶信息并进行结构化训练获得。

优选的，所述初始路径根据当前客户端的采样位置、采样时间和目的地，采用路况预测模型规划获得。

优选的，所述根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，包括：

根据其他的客户端的目的地、采样位置和采样时间，采用路况预测模型规划其他客户端对应的导航路径。

优选的，所述路况预测模型通过以下步骤构建：

采集各客户端记录的各种类型的历史出行信息；

根据所述历史出行信息进行规划，得到各客户端对应的规划路径；

根据历史出行信息的类型对应的权重，以路段为单位对所述规划路径进行统计，统计每条路段在各时段对应的车辆流量；

根据每条路段上各时段内的车辆流量进行数据训练，构建路况预测模型。

优选的，所述采集各客户端记录的各种类型的历史出行信息包括：

采集每个客户端对应记录的个性化信息，并将个性化信息转化为语义信息；所述个性化信息包括邮件、短信、日程中的文本数据；

从所述语义信息中提取历史出行信息。

优选的，所述预测未来时间段内所述初始路径中各路段将的路况信息包括：

根据所述目标路段、其他客户端的采样位置和采样时间，统计未来时间段内各目标路段上的车辆总流量，并将所述车辆总流量与相应路段上的饱和阈值进行比较；

根据比较结果判断所述未来时段内各路段的路况信息。

优选的，还包括：

根据所述初始路径中各路段的路况信息对所述初始路径进行实时修正。

优选的，所述根据所述初始路径中各路段的路况信息对所述初始路径进行实时修正，包括：

如当前客户端在所述初始路径中将要行驶的第一路段对应的交通压力大于第一阈值，则根据与第一路段相关的关联路段的交通压力情况，将第一路段变更为所述关联路段中对应的交通压力小于第一阈值的第二路段。

本发明还提供了一种实时路径规划的系统，包括：

采集模块，用于当前客户端按初始路径行驶时，实时采集其他客户端的目的地、采样位置和采样时间；

关联路段提取模块，用于根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，并从所述导航路径中分别提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；

拥堵判断模块，用于对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息。

优选的，所述拥堵判断模块包括：

路况分析模块，用于对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息。

与现有技术相比，本发明包括以下优点：

本发明在当前客户端行驶时实时获取其他客户端对应的实时行驶信息，以对当前的客户端进行实时的路径规划，数据范围广，样本均匀，提高了路径规划的结果的准确度；

由于采集了各客户端的实时行驶信息，预测其他用户对当前客户端对应的初始路径和初始路径相关的关联路段造成的影响，从而实时计算初始路径中将要发生拥堵的路段，进一步实时对当前客户端的行驶路径进行调整，从而使当前客户端可以避免将要发生拥堵的路段，特别是对于规律性不强的路况变化，提高了路径规划的准确度。

附图说明

图1是本发明实施例一的一种实时路径规划的方法的流程示意图；

图2和图3是本发明的实时路径规划的方法的一种示例；

图4是本发明实施例二的一种实时路径规划的方法的流程示意图；

图5是本发明实施例三的一种实时路径规划的系统的结构示意图；

图6是本发明实施例四的一种实时路径规划的系统的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明的核心思想之一是：当前用户按初始的既定的初始路线行驶时，采集其他用户在终端中输入的目的地、实时上传的位置和采样时间进行分析，统计其他车辆的规划路径中涉及到的初始路线及其关联路段，结合这些车的采样位置和对应的规划路径，统计未来时段这些车辆将对初始路线中各路段的路况信息，从而预测初始路线中将形成的拥堵位置，进一步可对初始路线中的拥堵路段进行调整，将拥堵路段调整至交通压力小的相关路段。

实施例一

参照图1，示出了本发明实施例一的一种实时路径规划的方法的流程示意图，具体可以包括：

步骤110，当前客户端按初始路径行驶时，实时采集其他客户端的目的地、采样位置和采样时间；

参照图2，比如当前客户端从A出发至X时，给客户端规划初始路径为A-B-F-G，那么在得到初始路径后，采集在线的其他的客户端的目的地、采样位置和采样时间，在本发明中，可规定每隔一定时间间隔进行采集。当前客户端规划初始路径时，可以采用通用的、按照时间最短等拓扑方法进行规划，当然也可以采用其他方法进行规划。在本发明中，对于车辆行驶过程来说，由于网络存在时延，所述实时的意思可以为每隔指定的短时间段(比如半分钟、1分钟等)。

步骤120，根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，并从所述导航路径中分别提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；

在本发明中，根据采集到的其他客户端的目的地、采样位置和采样时间分别规划对应客户端的导航路径。处于行驶过程中的各客户端，其规划的导航路径可为实时规划的，即在客户端行驶过程中可能在不断修正其行驶路线。所述路径规划可以采用通用的、按照时间最短等规划方法进行规划，当然也可以采用其他方法进行规划。

根据当前客户端的初始路径，从所述其他客户端的导航路径中分别提取目标路段。其中，目标路段包括所述初始路径的各路段、与所述各路段相关的关联路段；与初始路径各路段相关的关联路段可以理解为与初始路径的各路段具有连接的相似目标节点的路段，比如，路网中路段A连接节点L1和L2，而路段M也连接节点L1和L2，那么路段M为与路段A相关的关联路段；又比如路段A1连接节点L1和L3，路段A2连接节点L3和L2，那么路段A1+A2为与路段A相关的关联路段，其他情况以此类推。其中，初始路径的各路段的关联路段可以根据初始路径的各路段、各节点间、及相隔距离确定，比如对于初始路径A-B-C-D，路段A的两端节点可记为节点L1、L2，路段B的两端节点可记为节点L2、L3，路段C的两端节点可记为节点L3、L4，路段D的两端节点可记为节点L4、L5，而节点L2到L3之间可通过路段F或者路段E1-E2或路段G1-G2-G3到达，而路段F和路段E1-E2的路程与路段B路程的比值在指定范围内，比如小于3.0，那么可将路段F和路段E1-E2作为路段B的关联路段。

如此，可获取与初始路径相关所有路段中正在行驶车辆的导航路径，从而可通过后续步骤推测未来时段内对初始路径路况的影响。

步骤130，对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息。

针对每个客户端的导航路径，以采样位置为起点，采样时间为基准，计算该客户端在未来时间段内(比如10分钟)在其导航路径中的位置，该位置可能在所述初始路径的某一个路段中。如此，可根据各个客户端在未来时间段内在其导航路径中的位置，以路段为单位，统计所述未来时间段内，初始路径的各路段的交通量，从而预测未来时间段内初始路径中各路段的路况信息。

其中，所述未来时间段还可根据当前客户端的从当前位置行驶进入下一路段的时间为标准，比如客户端当前在路段B的位置b1时，行驶至路段B的终点b2(也为下一路段的起点)花费的时间t1，若当前时刻为t，那么可计算t+t1时刻附近的时间段内(比如t+t1时刻的前1分钟的时间段内)或者t+t1时刻的初始路径中的交通压力。

优选的，所述对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息包括：

对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息。具体包括：

S11，针对每个客户端的采样位置和采样时间，结合既定的车速模型计算每个客户端对应的车速；

其中，通过采集各客户端在路网中的不同地点和不同时间的行驶信息并进行结构化训练，获得车速模型；所述车速模型用于分析路网中各路段的坐标点在不同时刻的车速。

采集各客户端在路网中的不同地点和不同时间的行驶信息，包括行车速度、采集时间、采集地点等，并将采集到的各客户端的行驶信息进行结构化，比如结构化为<采集时间、采集地点、行车速度>的向量，然后根据采集地点所属的路段对该结构化信息进行归并。再将归并后的各路段的结构化信息按时间段进行统计，统计各客户端的行驶速度，最后对该时间段内该路段的各客户端的行驶速度进行加权计算，得到的结果即为该路段在该时间段内的车速。然后即可知道路网中不同路段在不同时刻的车速。当然分析得到路网中不同路段在不同时刻的车速还可采用其他方法。

S12，根据所述每个客户端的车速和所述车速模型，预测各个客户端未来时间段内在对应的导航路径上的位置；

比如，根据当前位置在路网中找到对应的路段，再找到当前时间的速度后，计算以当前速度行驶完对应路段的时间，然后进入导航路径中该路段对应的下一路段的时间，然后在车速模型中根据该进入下一路段的时间找到该下一路段的速度，继续根据上述过程进行计算，即可计算导航路径上未来时间段内该客户端所在的位置。如此即可预测得到各个客户端在未来时间段内在其导航路径中所处的位置。

S13，以目标路段为单位对预测得到的所述各个客户端未来时间段内在对应导航路径上的位置进行统计，得到在未来时间段内所述初始路径中各路段的路况信息。

在统计目标路段中各客户端在未来时间段内出现的位置后，即可以目标路段为单位，对预测得到的所述各个客户端未来时间段内在对应导航路径上的位置进行统计，得到在未来时间段内所述初始路径中各路段的路况信息。比如参照图2和图3，在图2中，在给当前客户端规划初始路线A-B-F-G后，通过上述步骤统计到在当前客户端路段B行驶完毕时，在路段F中客户端的数量很多，则路段F在当前客户端路段B行驶完毕时交通压力大。

优选的，所述预测未来时间段内所述初始路径中各路段的路况信息包括：

步骤B11，根据所述目标路段、其他客户端的采样位置和采样时间，统计未来时间段内各目标路段上的车辆总流量，并将所述车辆总流量与相应路段上的饱和阈值进行比较；

其中，饱和阈值通过以下步骤获得：

1)获取路网中各道路的道路信息，其中，所述道路信息包括以下至少一项：车道数量、路线形状、限速信息和车流信息；

2)依据所述道路信息确定各道路上行驶车辆的饱和阈值。

本发明实施例中，可以首先获取各道路的道路信息，所述道路信息是道路的基本数据，则所述道路信息包括以下至少一项：车道数量、路线形状、限速信息，当然还可以包括道路名称，地理位置(坐标位置)等其他数据。从而，可以通过道路信息推断出各道路上行驶车辆的饱和阈值。

其中，所述依据所述道路信息确定各道路上行驶车辆的饱和阈值包括：

21)获取全网中记录的各车辆的历史轨迹，拆分所述历史轨迹中对应的路段，得到路网中各路段的道路信息；

22)将所述道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，从而确定各道路在拥堵状态时的车辆的饱和阈值。

由于实际情况中修路，车辆行驶等原因会导致各道路上可行驶的车辆数目变化，因此，本发明实施例还采集了全网中记录的各车辆的历史轨迹，用于对各道路实际的车辆通行量进行判定，如将所述道路信息按时序进行统计得，某路段中各车辆的平均速度小于一定拥堵阈值，如10km/h时，该路段中对应的车辆的平均数量为该路段在拥堵状态下可容纳的最多的车辆，即为车辆的饱和阈值。其中，全网指的是道路状况的可预测范围，如以城市为范围进行预测，则全网可以包括该城市的各条道路。则所述全网通行状况指的是全网内各道路的通行情况，如道路上行驶的车辆数目，是否拥堵等。

因此，可以对所述历史轨迹中对应的路段进行拆分，例如以500米为间隔进行拆分，从而得到路网中各路段的道路信息，其中道路信息的车流信息中包括道路在各时段内的通行状况、车辆数据等数据。因此可以将该道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，即确定在各时段的对应时刻路网中各路段行驶的车辆数目，以及道路的拥堵状况，从而确定各道路在拥堵状态时的车辆的饱和阈值。

步骤B12，根据比较结果判断所述未来时段内各路段的路况信息。

在本发明实施例中，所述路况信息可标识未来时段内各路段的拥堵程度。

本发明实施例中，若路段上行驶的车辆数目超过此饱和阈值即为拥堵，若路段上行驶的车辆数目等于或低于于此车饱和阈值即为通畅，而车辆数目超出(或不足)的程度即为该路段拥堵(或通畅)的程度。

对于预测得到的未来时段内各路段的路况信息，可直接显示给当前的客户端，以供客户端参考。

优选的，本发明还包括：

步骤140，根据所述初始路径中各路段的路况信息对所述初始路径进行实时修正。

在本实施例中，前述步骤可以分析初始路径中的拥堵位置，即在未来时间段内当前客户端可能在初始路径的哪个路段拥堵，那么针对该拥堵的路段，可以采用该路段的关联路段中拥堵程度低的路段替换该拥堵的路段，直至当前用户端到达目的地。

其中，所述根据初始路线中各路段的交通压力对当前客户端的初始路径进行实时修正包括：

步骤S140，如当前客户端在所述初始路径中将要行驶的第一路段对应的交通压力大于第一阈值，则根据与第一路段相关的关联路段的交通压力情况，将第一路段变更为所述关联路段中对应的交通压力小于第一阈值的第二路段。

如前所述，当路段中的车辆数量超出饱和阈值则为拥堵，车辆数量不超出饱和阈值则为通畅，那么以车辆数量设置为交通压力程度(即第一阈值)，该值也可为饱和阈值，该值越小，说明越通畅。

比如参照图2和图3中，当前客户端的初始路径为A-B-F-G，根据其当前位置和所处的路段B，分析其十分钟内会行驶完路径B，进入下一路段，那么此时依据前述步骤，预测得未来十分钟内有35％的用户的位置在路段F上，但同样与路段B、G邻接的路段H在未来十分钟内有10％的用户，尽管当前时间路段F中的用户数量比路段H中的用户数量少，则由于预测得到当前车辆在行驶完路段B时，下一路段的交通流量将要发生变化，即路段F中的用户数量将少变多，路段H中的用户数量将由多变少，则实时将路段F变更为路段H，调整当前用户的路线为A-B-H-G，从而避免了用户行驶至未来将拥堵的路段，减少了行驶时间。

另外，若在通畅的情况下，调整到小于第一阈值的第二路段时，还可综合考虑第一路段和第二路段对应的路程，根据其通畅程度对应的各路段中的车速，综合计算行驶完该路段的时间，选择时间花费较少的路段返回当前客户端。

本发明实施例中，路径规划可以不断以其他客户端的导航路径进行规划，规划准确度高，数据范围广泛。

本发明实施例可以实时获取不同路径上的客户端的实时行驶信息，以对当前的客户端进行实时的路径规划，数据范围广，样本均匀，提高了路径规划的结果的准确度；并且，由于采集了各客户端的实时行驶信息，预测其他用户对当前客户端对应的初始路径和初始路径相关的关联路段造成的影响，从而实时计算初始路径中将要发生拥堵的路段，进一步实时对当前客户端的行驶路径进行调整，从而使当前客户端可以避免将要发生拥堵的路段，特别是对于规律性不强的路况变化，提高了路径规划的准确度。.

实施例二

参照图4，其示出了本发明实施例二的一种实时路径规划的方法的流程示意图。

在本实施例中，可基于全网用户的历史出行信息构建路况预测模型，然后在对客户端进行路径规划的时候进行参考，进一步增加数据源，提高数据的广度和深度，从而可进一步提高路径规划的准确度。

本实施例具体可以包括：

步骤200，根据当前客户端的采样位置、采样时间和目的地，采用路况预测模型规划最优的初始路径；

在本发明实施例中，所述路况预测模型通过分析用户的出行信息获得；所述路况预测模型通过分析用户的历史出行信息获得包括：

步骤D11，采集各客户端的各种类型的历史出行信息；

在本发明实施例中，可以采集全网用户的各种历史出行信息，比如邮件中的出行信息、短信中的出行信息、日程中的出行信息等等。

可选的，所述采集各客户端记录的各种类型的历史出行信息包括：

步骤D21，采集每个客户端对应记录的个性化信息，并将个性化信息转化为语义信息；所述个性化信息包括邮件、短信、日程中的文本数据；

在本发明实施例中，所述个性化信息包括用户的短信、邮件、日程等文本信息，包括但不限于用户的短信，邮件，日程等。

步骤D22，从所述语义信息中提取历史出行信息。

对于得到的对应各客户端的个性化信息，比如短信、邮件、日程等文本信息，本步骤可对上述文本信息进行语义分析，转化为语义信息，然后再从语义信息中提取出用户出发时刻对应的地点信息(比如出发点、目的地等)，在其他实施例中，也可根据客户端中的GPS模块上传的历史位置信息，分析用户的历史移动轨迹，预测用户在某特定时刻的目的地，从而获得地点信息。基于所述地点信息通过路径推理模板分析用户未来的移动预判信息。

在本发明实施例中，路径推理模板可以通过统计各地点关键词的共线频率获得。比如得知出发点为A、目的地为F，可统计路网中全体车辆的行驶记录得到，大批量的经过A、F的路径对应的关键地点，判断与A、F在同一条规划路线上的出现的概率，即为共线频率。比如A-B-C-F的概率为80％，A-B-D-F的概率为20％，那么用户aaa行驶于路径A-B-C-F的概率为80％，行驶于路径A-B-D-F的概率为20％。然后结合出发时间，即可获得包括路径、行驶于路径的概率和出发时间三个属性。比如用户aaa：“时间：2013-3-19上午10:00，路径：A-B-C-F，概率：80％”、“时间：2013-3-19上午10:00，路径：A-B-D-F，概率：20％”。其中，根据地点的关键词统计共线频率时，可能存在共线频率非常低的地点的关键词，取共线概率大于阈值的关键地点，整合得到待定路径，即在统计时可以对共线频率非常小的相关路径进行忽略，选择共线频率大于阈值的关键地点对应的各路径信息。

步骤D12，根据所述历史出行信息进行规划，得到各客户端对应的规划路径；

在本发明中可根据每个客户端的行驶信息以及历史出行信息进行规划，获得每个客户端的路径分布。即对于获得的各客户端的历史出行信息，可根据行驶信息对出行信息进行纠偏，然后进行规划获得客户端的路径。比如出行信息包括预计出发点、目的地、出发时间等信息，而行驶信息则为实际出发时间、出发地，则可对出行信息进行纠偏，比如分析得到的客户端历史出行信息为在2013-4-20上午10:00从行驶A-B-C-D，而提取到的客户端的实际的行驶信息为客户端2013-4-20上午9:30已经从A出发，并且延着与预测的路径相同的方向行驶，那么即可将历史出行信息的出发时间修改为2013-4-20上午9:30。然后可以纠偏后的出发地、出发时间、目的地等信息进行路径规划。可以采用通常卫星路况的路径规划，也可以采用不断更新的路况预测模型进行规划，得到各客户端对应的规划路径。然后即可将各客户端的路径分布到路网中。

步骤D13，根据历史出行信息的类型对应的权重，以路段为单位对所述规划路径进行统计，统计每条路段在各时段对应的车辆流量；

在本步骤中，出行信息即可化为在本步骤中可把出行信息化为<起点，终点，路线，起始时间，结束时间，权重>的信息分布到相应路径上。

在本发明实施例中，来自不同数据源的出行信息可设置不同的权重。不同来源的出行信息可信度也有一定的差异，比如邮件的广告多一些，就比短信的可靠新略低，又比如从提醒类应用程序中获得的出行信息一般又高于短信，因此，可对不同数据源的历史出行信息设置不同的权重，以提高信息的真实性。

在本发明实施例中，可以针对每一类型数据源的出行信息，以该类的历史出行信息计算某一时间断内的路况，然后与该时间段内的卫星路况比较相似度(比如比较拥堵位置的相似度)，根据相似度为该类型数据源的出行信息赋予相应的权重，相似度高的则权重高，相似度低的则权重低。并且可以根据相似度优化选择采集哪些类型的数据源。

比如，本实施例中日程类的出行信息权重为0.6，短信类出行信息权重为0.3，邮件类出行信息权重为0.1，那么对于日程类出行信息的各规划路径，将该客户端的按0.6倍车辆数分布到各路段上。对于前述短信出行信息根据一条出行信息给客户端A规划了2条路径N1和N2，其中，客户端行驶于路径N1的概率为0.6，行驶于路径N2的概率为0.4，那么对于路径N1，客户端A对应的车辆流量为：1*0.3*0.6，那么对于路径N2，客户端A对应的车辆流量为：1*0.3*0.4。

步骤D14，根据每条路段上各时段内的车辆流量进行数据训练，构建路况预测模型。

在得到每条路段在各时段对应的车辆流量后，经数据训练即可构建路况预测模型。

在本路况预测模型中，可依据历史上各时间段内各路段上产生的车辆流量预测未来时间段内各道路的车辆总流量。在该模型中，可根据该车辆的当前时间找到其所在路段对应的速度，再调用为该车辆规划得到的路径，计算该车辆走完当前路段后进入路径中下一路段的时间，然后根据相应时间段获取相应路段的车速，再计算走完该路段进入下一路段的时间，如此循环，直至规划的路径结束。

在给用户提供导航服务的时候，会根据所有导航请求，动态规划所有客户端的导航信息。当收到当前用户的导航请求的时候，会根据上文计算得到的路况预测模型，为当前用户给出几条候选路线，然后查看正在导航中的其他客户端对应的行驶路线，是否会造成这些候选路线的拥堵，并从候选路线中给出最佳的导航路线作为初始路线。然后再通过后续步骤实时对初始路线进行修正。

步骤210，当前客户端按规划的初始路径行驶时，实时采集在线的其他客户端的目的地、采样位置和采样时间；

该步骤原理与步骤110类似，在此不再详述。

步骤220，根据所述其他客户端的目的地、采样位置和采样时间规划其他客户端的导航路径，并从所述导航路径中提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；

其中，所述根据所述其他客户端的目的地、采样位置和采样时间规划其他客户端的导航路径包括：

根据其他的客户端的目的地、采样位置和采样时间，采用路况预测模型规划其他客户端对应的最优路径。

所述路况预测模型通过前述的分析用户的出行信息获得。

本步骤中，针对其他客户端进行路径规划时，优选的可以采用采用路况预测模型规划其他客户端最优的导航路径，还可以采用其他方式进行路径规划。其中路况预测模型与前述的类似，其规划方法也类似。

步骤230，对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息；

预测未来时间段内所述初始路径中各路段的路况信息，从而得到其他客户端对初始路径中各路段对应产生的交通压力。

步骤230原理与步骤130类似，在此不再详述。

优选的，本发明还包括：

步骤240，根据初始路线中各路段的路况信息对当前客户端的初始路径进行实时修正。

步骤240原理与步骤140类似，在此不再详述。

对于当前客户端的实时规划路径，也可实时的作为其他需要进行路径规划客户端的参考数据。

本发明实施例可以实时采集全网各路段上其他客户端对应的实时行驶信息，以对当前的客户端进行实时的路径规划，数据范围广，样本均匀，提高了路径规划的结果的准确度。

并且，由于采集了各客户端的实时行驶信息，预测其他用户对当前客户端对应的初始路径和初始路径相关的关联路段造成的影响，从而实时计算初始路径中将要发生拥堵的路段，进一步实时对当前客户端的行驶路径进行调整，从而使当前客户端可以避免将要发生拥堵的路段，特别是对于规律性不强的路况变化，提高了路径规划的准确度。

.进一步的，本发明在对客户端规划路径时，结合到路径规划的模型，选择最优路径，而所述路径规划的模型通过采集和分析客户端的出行信息(包括日程、邮件、短信等信息中的出行信息)并分布到路网中获得，从而进一步增加了数据源的范围，提高本发明对当前客户端的路径预测和修正的准确度。

需要说明的是，对于上述方法实施例而言，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

实施例三

参照图5，其示出了本发明实施例三的一种实时路径规划的系统实的结构示意图，具体可以包括：

采集模块310，用于当前客户端按初始路径行驶时，实时采集其他客户端的目的地、采样位置和采样时间；

关联路段提取模块320，用于根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，并从所述导航路径中分别提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；

拥堵判断模块330，用于对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息。

优选的，所述拥堵判断模块包括：

路况分析模块，用于对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息。

优选的，所述路况分析模块包括：

车速计算模块，用于针对每个客户端的采样位置和采样时间，结合既定的车速模型计算每个客户端对应的车速；

客户端位置预测模块，用于根据所述每个客户端的车速和所述车速模型，预测各个客户端未来时间段内在对应的导航路径上的位置；

交通压力判断模块，用于以目标路段为单位对预测得到的所述各个客户端未来时间段内在对应导航路径上的位置进行统计，得到在未来时间段内所述初始路径中各路段的路况信息。

优选的，还包括：车速模型获取模块，用于通过采集各客户端在路网中的不同地点和不同时间的行驶信息并进行结构化训练，获得车速模型。

优选的，所述拥堵判断模块包括：

交通压力判断模块，用于根据所述目标路段、其他客户端的采样位置和采样时间，统计未来时间段内各目标路段上的车辆总流量，并将所述车辆总流量与相应路段上的饱和阈值进行比较；根据比较结果判断所述未来时段内各路段的路况信息。

优选的，还包括：路径修正模块，用于根据所述初始路径中各路段的路况信息对所述初始路径进行实时修正。

优选的，所述路径修正模块包括：

第一修正模块，用于如当前客户端在所述初始路径中将要行驶的第一路段对应的交通压力大于第一阈值，则根据与第一路段相关的关联路段的交通压力情况，将第一路段变更为所述关联路段中对应的交通压力小于第一阈值的第二路段。

实施例四

参照图6，其示出了本发明实施例四的一种实时路径规划的系统实的结构示意图，具体可以包括：

初始路径规划模块410，用于根据当前客户端的采样位置、采样时间和目的地，采用路况预测模型规划初始路径；

优选的，还包括路况预测模型构建模块，所述路径规划的模型构建模块包括：

信息采集模块，用于采集各客户端记录的各种类型的历史出行信息；

第一规划模块，用于根据所述历史出行信息进行规划，得到各客户端对应的规划路径；

统计模块，用于根据历史出行信息的类型对应的权重，以路段为单位对所述规划路径进行统计，统计每条路段在各时段对应的车辆流量；

模型构建模块，用于根据每条路段上各时段内的车辆流量进行数据训练，构建路况预测模型。

优选的，所述信息采集模块包括：

采集转换模块，用于采集每个客户端对应记录的个性化信息，并将个性化信息转化为语义信息；所述个性化信息包括邮件、短信、日程中的文本数据；

提取模块，用于从所述语义信息中提取出行信息。

采集模块420，用于当前客户端按规划的初始路径行驶时，实时采集在线的其他客户端的目的地、采样位置和采样时间；

关联路段提取模块430，用于根据所述其他客户端的目的地、采样位置和采样时间规划其他客户端的导航路径，并从所述导航路径中提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；

其中，所述针对所述其他的客户端的目的地、采样位置和采样时间进行实时规划时包括：根据其他的客户端的目的地、采样位置和采样时间，采用路况预测模型规划其他客户端对应的导航路径。

拥堵判断模块440，用于对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息。

优选的，所述拥堵判断模块包括：

路况分析模块，用于对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息。

优选的，所述路况分析模块包括：

车速计算模块，用于针对每个客户端的采样位置和采样时间，结合既定的车速模型计算每个客户端对应的车速；

客户端位置预测模块，用于根据所述每个客户端的车速和所述车速模型，预测各个客户端未来时间段内在对应的导航路径上的位置；

交通压力判断模块，用于以目标路段为单位对预测得到的所述各个客户端未来时间段内在对应导航路径上的位置进行统计，得到在未来时间段内所述初始路径中各路段的路况信息。

优选的，还包括：车速模型获取模块，用于通过采集各客户端在路网中的不同地点和不同时间的行驶信息并进行结构化训练获得，获得车速模型。

优选的，所述拥堵判断模块包括：

交通压力判断模块，用于根据所述目标路段、其他客户端的采样位置和采样时间，统计未来时间段内各目标路段上的车辆总流量，并将所述车辆总流量与相应路段上的饱和阈值进行比较；根据比较结果判断所述未来时段内各路段的路况信息。

优选的，还包括：路径修正模块450，用于根据初始路线中各路段的交通压力对当前客户端的初始路径进行实时修正。

优选的，所述路径修正模块包括：

第一修正模块，用于如当前客户端在所述初始路径中将要行驶的第一路段对应的交通压力大于第一阈值，则根据与第一路段相关的关联路段的交通压力情况，将第一路段变更为所述关联路段中对应的交通压力小于第一阈值的第二路段。

本实施例与实施例三类似的模块，在此不再加以详述。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明优选应用于嵌入式系统中。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上对本发明所提供的一种实时路径规划的方法和系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种实时路径规划的方法，其特征在于，包括：

当前客户端按初始路径行驶时，实时采集其他客户端的目的地、采样位置和采样时间；

根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，并从所述导航路径中分别提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；

对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息。

2.根据权利要求1所述的方法，其特征在于，所述对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息，包括：

对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息。

3.根据权利要求2所述的方法，其特征在于，所述对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息，包括：

针对每个客户端的采样位置和采样时间，结合既定的车速模型计算每个客户端对应的车速；

根据所述每个客户端的车速和所述车速模型，预测各个客户端未来时间段内在对应的导航路径上的位置；

以目标路段为单位对预测得到的所述各个客户端未来时间段内在对应导航路径上的位置进行统计，得到在未来时间段内所述初始路径中各路段的路况信息。

4.根据权利要求3所述的方法，其特征在于，所述车速模型通过采集各客户端在路网中的不同地点和不同时间的行驶信息并进行结构化训练获得。

5.根据权利要求1所述的方法，其特征在于，所述初始路径根据当前客户端的采样位置、采样时间和目的地，采用路况预测模型规划获得。

6.根据权利要求1所述的方法，其特征在于，所述根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，包括：

根据其他的客户端的目的地、采样位置和采样时间，采用路况预测模型规划其他客户端对应的导航路径。

7.根据权利要求5或6所述的方法，其特征在于，所述路况预测模型通过以下步骤构建：

采集各客户端记录的各种类型的历史出行信息；

根据所述历史出行信息进行规划，得到各客户端对应的规划路径；

根据历史出行信息的类型对应的权重，以路段为单位对所述规划路径进行统计，统计每条路段在各时段对应的车辆流量；

根据每条路段上各时段内的车辆流量进行数据训练，构建路况预测模型。

8.根据权利要求7所述的方法，其特征在于，所述采集各客户端记录的各种类型的历史出行信息包括：

采集每个客户端对应记录的个性化信息，并将个性化信息转化为语义信息；所述个性化信息包括邮件、短信、日程中的文本数据；

从所述语义信息中提取历史出行信息。

9.根据权利要求1所述的方法，其特征在于，所述预测未来时间段内所述初始路径中各路段将的路况信息包括：

根据所述目标路段、其他客户端的采样位置和采样时间，统计未来时间段内各目标路段上的车辆总流量，并将所述车辆总流量与相应路段上的饱和阈值进行比较；

根据比较结果判断所述未来时段内各路段的路况信息。

10.根据权利要求1所述的方法，其特征在于，还包括：

根据所述初始路径中各路段的路况信息对所述初始路径进行实时修正。

11.根据权利要求10所述的方法，其特征在于，所述根据所述初始路径中各路段的路况信息对所述初始路径进行实时修正，包括：

如当前客户端在所述初始路径中将要行驶的第一路段对应的交通压力大于第一阈值，则根据与第一路段相关的关联路段的交通压力情况，将第一路段变更为所述关联路段中对应的交通压力小于第一阈值的第二路段。

12.一种实时路径规划的系统，其特征在于，包括：

采集模块，用于当前客户端按初始路径行驶时，实时采集其他客户端的目的地、采样位置和采样时间；

关联路段提取模块，用于根据所述其他客户端的目的地、采样位置和采样时间分别规划其他客户端的导航路径，并从所述导航路径中分别提取包括所述初始路径的各路段、与所述各路段相关的关联路段的目标路段；

拥堵判断模块，用于对所述目标路段、其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内所述初始路径中各路段的路况信息。

13.根据权利要求12所述的装置，其特征在于，所述拥堵判断模块包括：

路况分析模块，用于对所述其他客户端的采样位置和采样时间进行统计分析，预测未来时间段内每个客户端的对应的位置，统计目标路段中的车辆数得到所述初始路径中各路段的路况信息。