CN104408958A - 一种城市动态路径行程时间预测方法 - Google Patents

一种城市动态路径行程时间预测方法 Download PDF

Info

Publication number
CN104408958A
CN104408958A CN201410632399.5A CN201410632399A CN104408958A CN 104408958 A CN104408958 A CN 104408958A CN 201410632399 A CN201410632399 A CN 201410632399A CN 104408958 A CN104408958 A CN 104408958A
Authority
CN
China
Prior art keywords
time
section
pattern
traffic
chain
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
Application number
CN201410632399.5A
Other languages
English (en)
Other versions
CN104408958B (zh
Inventor
刘文婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201410632399.5A priority Critical patent/CN104408958B/zh
Publication of CN104408958A publication Critical patent/CN104408958A/zh
Application granted granted Critical
Publication of CN104408958B publication Critical patent/CN104408958B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市动态路径行程时间预测方法：首先对历史交通数据进行分析，从历史交通数据中挖掘交通模式，包括路段链的相关性；然后根据输入的起点和终点及出行时刻给出基于历史信息的推荐路由；车辆行驶过程中，输入实时交通事件，基于新的起点重新进行预测，修正推荐路由，从而将该预测方法应用于实时动态导航系统。本发明能有效综合考虑城市历史交通模式，对城市动态路径行程时间进行有效预测，方法简单易行，运行条件容易满足，可以对城市动态路径的行程时间进行预测，从而引导车辆合理选择出行路线，对于缓解城市交通拥堵有重要作用，并且易于在大中型城市中推广应用。

Description

一种城市动态路径行程时间预测方法
技术领域
本发明涉及一种城市动态路径行程时间预测方法，属于道路交通技术领域。
背景技术
在智能交通研究领域，如何提高交通服务水平，许多国家和地区已经开展了城市道路行程时间预测的研究，并已成为国际研究的热点之一。目前已有的行程时间预测方法主要侧重于静态路径的行程时间预测。
现有的城市路径行程时间预测方法预测精度不高，如果能够将现有的预测方法进行一定的融合，形成交通规则，在预测过程中考虑各种交通特征，动态调整各种交通事件对行程时间影响的权值，将大大提高车辆行程时间预测的精度。
发明内容
本发明的目的在于提供一种城市动态路径行程时间预测方法，能有效挖掘浮动车数据，可以对城市路径的行程时间进行预测，从而引导车辆合理选择出行路线。
为达到上述目的，本发明所采用的技术方案是：一种城市动态路径行程时间预测方法，包括以下步骤：
步骤一：创建基于浮动车数据的历史交通模式；
步骤二：创建默认交通模式，分别为不同时间维和空间维的路段定义道路拥堵级别，同时设定历史交通模式权值α和默认交通模式权值β；
步骤三：设置交通参数，依据设置的交通参数查找满足条件的历史交通模式和默认交通模式，确定路段的拥堵级别，从而获得路段的平均速度；
步骤四：读取实时交通参数，根据实时交通参数调整历史交通模式权值α和默认交通模式权值β，定义交通模式的最小支持度阈值χ和最小可信度阈值δ；
步骤五：根据设置的交通参数，产生m条候选路径，用户根据需要从候选路径中选择一条最佳路径，加权计算最佳路径基于历史交通模式的路径行程时间Th和基于默认交通模式的路径行程时间Tr，最佳路径的预测行程时间T，计算公式为：T＝αTh+βTr，其中，α和β采用经过所述步骤四调整后的值；
步骤六：如果在行车过程中发生了突发交通事故或临时交通管制，需要调整最佳路径的实时权值和交通模式，则重新选择最佳路径，并预测剩下路径行程时间。
进一步的，所述交通参数至少包括车辆出行的起点、终点、出行时刻、出行日期、天气状况和是否突发交通事故和临时交通管制。
进一步的，所述历史交通模式的具体创建方法如下：
1-1)定义时空维：时间维分为年、季节、月、星期、小时、半小时；空间维分为路段链；
1-2)将道路通行级别分为10级：
平均速度为0～5km/h定义为9级；
平均速度为6～10km/h定义为8级；
平均速度为11～15km/h定义为7级；
平均速度为16～20km/h定义为6级；
平均速度为21～25km/h定义为5级；
平均速度为26～30km/h定义为4级；
平均速度为31～35km/h定义为3级；
平均速度为36～40km/h定义为2级；
平均速度为40～60km/h定义为1级；
平均速度为大于60km/h定义为0级；
1-3)定义城市道路网络为一个无向带权图G＝(V,E,Q)，其中:V是顶点的集合，E是边的集合，城市道路网络中的每个交叉路口即为无向带权图中的一个顶点，用ni表示，ni∈V，并对每个顶点进行编号，城市道路网络中的一条路段e即为无向带权图中的一条边，用一个二元组(ni,nj)表示，e∈E，ni,nj表示路段e的结点，ni∈V,nj∈V，Q为正的实数集合，表示路段所对应的长度；
1-4)定义路段链历史交通模式为STP:(W,TI,H,L(ni,nj),D,R,S,C)，其中W表示星期几，值为1～7；
TI为时间索引，值为1～48，分别表示一天的每半小时；
H代表是否为假期，值为0和1，1表示假期，0表示工作日；
L(ni,nj)为路段链；D为方向，值为0和1，0表示起点编号大于终点编号，1表示起点编号小于终点编号；
R为道路通行级别，值为0～9；
S为支持度，S定义为出行日期所在月份中，满足H的天数占当月总天数的百分比，且S大于最小支持度χ；
C为可信度，C定义为当月中时间索引TI，并且拥堵级别为R的天数占当月满足H的天数的百分比，且C大于最小可信度阈值δ；
所述路段链的有效历史交通模式为：if工作日/假期&时间&路段链&方向&支持度为S&可信度为C then道路通行级别为R；
1-5)定义路段链的时空交叉模式CSTP，指一段时间范围内，两路段链间的时空模式关系，包含两个空间信息和一个时间信息；
计算两路段链相关性：Co(A,B)＝P(A)∧P(B)/P(A)P(B)，其中，P(A)表示路段链A发生交通拥堵的次数，P(B)表示路段链B发生拥堵的次数，P(A)^P(B)表示A和B在一段时间范围内同时发生拥堵的次数，如果相关性值大于1，则为正相关，指车流的状态由前驱路段链向后转移的趋势；如果相关性值小于1，则为负相关，指两路段链相互独立。
进一步的，步骤六所述的重新选择最佳路径指重新选择与当前路段A相邻且负相关的路段B，即满足Co(A,B)<1。
进一步的，所述默认交通模式的创建方法如下：
由交通管理部门或专家创建默认交通模式为路段链模式为STP’:(W’,TI’,H’,L(ni,nj)’,D’,R’,S’,C’)；
其中：W’表示星期几，值为1～7；
TI’为时间索引，值为1～48，分别表示一天的每半小时；
H’代表是否为假期，值为0和1，1表示假期，0表示工作日；
L(ni,nj)’为路段链；
D’为方向，值为0和1，0表示起点编号大于终点编号，1表示起点编号小于终点编号；
R’为道路通行级别，值为0～9；
S’和C’的取值分别取最小支持度阈值χ和最小可信度阈值δ；
所述默认交通模式即为：if工作日/假期&时间&路段链&方向&支持度为χ&可信度为δthen道路通行级别为R’。
进一步的，所述历史交通模式权值α和默认交通模式权值β满足：α∈[0,1],β∈[0,1]且α+β＝1，最小支持度阈值χ和最小可信度阈值δ满足：χ∈[0,1],δ∈[0,1]。
进一步的，所述历史交通模式权值α和默认交通模式权值β的调整方法如下：
依据1：if浮动车稀少thenα＝α-5％，β＝β+5％；
依据2：if恶劣天气thenα＝α+5％，β＝β－5％；
依据3：if缺乏匹配的历史交通模式thenα＝0,β＝1；
依据4：if缺乏默认交通模式thenα＝1,β＝0；
所述浮动车稀少是指历史数据库中路段链上浮动车覆盖率低于3％；所述恶劣天气是指气象学上所指的发生突然、移动迅速、天气剧烈、破坏力极大的严重影响交通出行的灾害性天气。
进一步的，所述加权计算基于历史交通模式的路径行程时间的方法为：
对于每条候选路径，根据设置的交通参数结合候选路径中的路段链，查找匹配的历史交通模式，进一步获得该候选路径的所有路段链的道路拥堵级别；
再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度vi，最后计算出每条路段链i的行程时间ti＝Li/vi，则基于历史交通模式的路径行程时间Th为：Li为路段链i的距离，n为一条候选路径中路段链的条数；
加权计算基于默认交通模式的路径行程时间的方法为：
对于每条候选路径，根据设置的交通参数结合候选路径中的路段链，查找匹配的默认交通模式，进一步获得该候选路径的所有路段链的道路拥堵级别，再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度v'i，
最后计算出每条路段链i的行程时间t′i＝Li/v′i，则基于默认交通模式的路径行程时间Td为：n为一条候选路径中路段链的条数。
进一步的，加权计算基于历史交通模式、默认交通模式的路径行程时间中所述的相应路段链的车辆平均行驶速度是指：定义每一道路拥堵级别车辆的平均行驶速度为该拥挤级别的平均速度范围的中间值，具体为：
9级拥堵级别车辆的平均行驶速度为2.5km/h；
8级拥堵级别车辆的平均行驶速度为8km/h；
7级拥堵级别车辆的平均行驶速度为13km/h；
6级拥堵级别车辆的平均行驶速度为16km/h；
5级拥堵级别车辆的平均行驶速度为23km/h；
4级拥堵级别车辆的平均行驶速度为28km/h；
3级拥堵级别车辆的平均行驶速度为33km/h；
2级拥堵级别车辆的平均行驶速度为38km/h；
1级拥堵级别车辆的平均行驶速度为50km/h；
0级拥堵级别车辆的平均行驶速度定义为60km/h。
与现有技术相比，本发明所达到的有益效果是：基于周期模式，着眼于交通信息采集设备的交通数据，利用现有资源挖掘二次信息，依据不同时段、不同季节、不同天气构造不同的交通规则，更加符合大部分城市人们的出行习惯，易于在大中型城市中推广应用；充分考虑了天气、节假日、早晚高峰期等密切相关的因素，预测方法简单易行、运行条件容易满足，可以对城市动态路径的行程时间进行预测，从而引导车辆合理选择出行路线，有效缓解城市交通拥堵；结合了实时交通事件，采用历史行程时间与默认交通规则相结合的方式预测行程时间，定义了加权计算的权值，提高了预测行程时间的准确性。本发明预测方法可应用于实时动态导航系统中。
附图说明
图1是本发明的操作流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的基于浮动车数据的城市路径行程时间预测方法，如图1所示，包括以下步骤：
步骤一：采用数据挖掘的方法，创建基于浮动车数据的历史交通模式和历史交通规则；
为了得到行程时间预测的交通模式和交通规则，需要给出时空维、道路网络和交通模式的定义，分别为：
1)定义时空维，时间维分为“年”、“季节”、“月”、“星期”、“小时”、“半小时”；空间维分为路段链。
然后将道路拥堵级别分为10级：
平均速度为0～5km/h定义为9级；
平均速度为6～10km/h定义为8级；
平均速度为11～15km/h定义为7级；
平均速度为16～20km/h定义为6级；
平均速度为21～25km/h定义为5级；
平均速度为26～30km/h定义为4级；
平均速度为31～35km/h定义为3级；
平均速度为36～40km/h定义为2级；
平均速度为40～60km/h定义为1级；
平均速度为大于60km/h定义为0级，即交通畅通。每级的平均速度可以由交通管理部门或专家定义。
2)定义城市道路网络为一个无向带权图G＝(V,E,Q)，其中:V是顶点的集合，E是边的集合，城市道路网络中的每个交叉路口即为无向带权图中的一个顶点，用ni表示，ni∈V，并对每个顶点进行编号，城市道路网络中的一条路段e即为无向带权图中的一条边，用一个二元组(ni,nj)表示，e∈E，ni,nj表示路段e的结点，ni∈V,nj∈V，Q为正的实数集合，表示路段所对应的长度。
3)定义路段链历史交通模式为STP:(W,TI,H,L(ni,nj),D,R,S,C)。其中：W表示星期几，值为1～7；
TI为时间索引，值为1～48，分别表示一天的每半小时；
H代表是否为假期，值为0和1，1表示假期，0表示工作日；
L(ni,nj)为路段链；
D为方向，值为0和1，0表示起点编号大于终点编号，1表示起点编号小于终点编号；
R为道路通行级别，值为0～9；
S为支持度，S定义为出行日期所在月份中，满足H的天数占当月总天数的百分比，且S大于最小支持度χ；
C为可信度，C定义为当月中时间索引TI,并且拥堵级别为R的天数占当月满足H的天数的百分比，且C大于最小可信度阈值δ。
例如2014年3月3日星期一上午8:30(工作日，对应索引号为16)，支持度(3月31天，21天为工作日)S＝21/31×100％＝67.74％，假定路段链L，方向D，2014年3月交通拥堵层次0的情况10次，则可信度C＝10/21×100％＝47.61％，假定χ＝65％，δ＝45％。
所述路段链的有效历史交通模式为：if工作日/假期&时间&路段链&方向&支持度为S&可信度为C then道路通行级别为R；
4)定义路段链的时空交叉模式CSTP：指一段时间范围内，两路段链间的时空模式关系，包含两个空间信息和一个时间信息。CSTP由交叉路段链的两个交通序列构成，交叉路段链可能是相互关联，也可能是相互独立的，因此交叉路段链的相关性可能是正相关，也可能是负相关。正相关性指车流的状态由前驱路段链向后转移的趋势。负相关性指两路段链相互独立。两路段链相关性的值可定义为Co(A,B)＝P(A)∧P(B)/P(A)P(B)，其中P(A)表示路段链A发生交通拥堵的次数，P(B)表示P(B)发生拥堵的次数，P(A)^P(B)表示A和B在一段时间范围内同时发生拥堵的次数。如果相关性值大于1，则为正相关，如果相关性值小于1，则为负相关。
例如，依据交通状态等级定义，平均速度不大于25km/h即为交通拥堵，假定用二进制的0，1表示(0表示道路畅通，1表示道路拥堵)，因此根据CSTP，计算出两路段链的相关性。路段链A，路段链B在2009年3月2日工作日星期一从6:00至18:00的拥堵分别编码分别为序列A：00111 10101 11111 110111111，序列B：00011 11111 11111 00001 0000。CSTP模式的支持度SAB＝11/24＝0.4583；相关度Co(A,B)＝0.4583/((20/24)×(13/24))＝1.015。因此路段链A、B具有正相关性。
步骤二：由交通管理部门或专家创建默认交通模式，分别为不同时间维和空间维的路段定义道路拥堵级别，级别越高越拥堵，同时设定历史交通规则权值α和默认交通规则权值β以及定义交通模式的最小支持度阈值χ和最小可信度阈值δ。
由于行程时间受很多因素影响，诸如，事故、天气、驾驶行为习惯，因此仅仅依靠历史交通模式(假期、工作日、周末等)预测行程时间是不准确的，需要结合实时交通事件，采用历史行程时间与默认交通规则相结合的方式预测行程时间，因此需要定义加权计算的权值，这样预测行程时间可以获得更高的准确性。要求：历史交通模式权值α和默认交通模式权值β满足：α∈[0,1],β∈[0,1]且α+β＝1，最小支持度阈值χ和最小可信度阈值δ满足：χ∈[0,1],δ∈[0,1]。如：χ和δ的初始值可以分别为0.70、0.70。
采用与历史交通模式相同的定义方法，定义默认路段链交通模式为STP’:(W’,TI’,H’,L(ni,nj)’,D’,R’,S’,C’)。
其中：W’表示星期几，值为1～7；
TI’为时间索引，值为1～48，分别表示一天的每半小时；
H’代表是否为假期，值为0和1，1表示假期，0表示工作日；
L(ni,nj)’为路段链；D’为方向，值为0和1，0表示起点编号大于终点编号，1表示起点编号小于终点编号；
R’为道路通行级别，值为0～9；
S’和C’的取值分别取最小支持度阈值χ和最小可信度阈值δ；
默认交通模式即为：if工作日/假期&时间&路段链&方向&支持度为χ&可信度为δthen道路通行级别为R’。
例如，STP’:(1,16,0,L(700,705),1,3,0.70,0.70)，含义为(星期一，8:00，工作日，路段链L(700,705)，方向为结点700至结点705行驶，道路通行级别3级，支持度为0.70，可信度为0.70),即为：if工作日&8:00&路段链L(700,705)&方向为结点700至结点705行驶&支持度为0.70&可信度为0.70then路段通行级别为3级。
步骤三：设置交通参数，至少包括车辆出行的起点、终点、出行时刻、出行日期、天气状况和是否突发交通事故和临时交通管制等，依据设置的交通参数查找满足条件的历史交通模式和默认交通模式，确定路段的拥堵级别，从而获得路段的平均速度。具体为：
根据出行起点和终点，获得几条候选路径，分别对应一系列路段链；
根据出行时刻，可以计算出时间索引；
根据出行日期，确定星期几，是否工作日；
根据天气状况、是否突发交通事故和临时交通管制，调整历史交通模式和默认交通模式的权值。
步骤四：读取实时交通参数，根据实时交通参数调整历史交通模式权值α和默认交通模式权值β，如天气状况、浮动车的数量，历史交通模式权值α和默认交通模式权值β的调整方法具体如下：
依据1：if浮动车稀少thenα＝α-5％，β＝β+5％；
依据2：if恶劣天气thenα＝α+5％，β＝β－5％；
依据3：if缺乏匹配的历史交通模式thenα＝0,β＝1；
依据4：if缺乏默认交通模式thenα＝1,β＝0；
其中，浮动车稀少是指历史数据库中路段上浮动车覆盖率低于3％。浮动车一般是指安装了车载GPS定位装置的公交车和出租车。浮动车覆盖率指行驶车辆中设置为浮动车的比率。浮动车的覆盖率是历史交通数据的系统参数，如果城市道路网上浮动车的覆盖率达到3％～5％，采集频率1次/分钟，上传频率1次/5分钟，准确度可以达到95％，可以满足实时应用的要求，无需调整历史交通规则权值和默认交通规则权值，采集频率指定期记录车辆位置、方向、速度信息的频率；上传频率指浮动车位置数据通过无线通讯定期传输到信息处理中心的频率。恶劣天气是指气象学上所指的发生突然、移动迅速、天气剧烈、破坏力极大的严重影响交通出行的灾害性天气，如大雨、大雪、大风、冰雹等严重影响交通出行的天气。
步骤五：根据设置的交通参数，产生m条候选路径，候选路径可以是历史时间最短或距离最短，用户根据需要从候选路径中选择一条最佳路径。对于每条候选路径，加权计算基于历史交通模式的路径行程时间Th和基于默认交通模式的路径行程时间Td，具体方法为：
加权计算基于历史交通模式的路径行程时间的方法为：对于每条候选路径，根据设置的交通参数结合候选路径中的路段链，查找匹配的历史交通模式，进一步获得该候选路径的所有路段链的道路拥堵级别，再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度vi，最后计算出每条路段链i的行程时间ti＝Li/vi，则基于历史交通模式的路径行程时间Th为：Li为路段链i的距离，n为一条候选路径中路段链的条数。
加权计算基于默认交通模式的路径行程时间的方法为：对于每条候选路径，根据设置的交通参数结合候选路径中的路段链，查找匹配的默认交通模式，进一步获得该候选路径的所有路段链的道路拥堵级别，再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度v'i，最后计算出每条路段链i的行程时间t'i＝Li/v'i，则基于默认交通模式的路径行程时间Td为：n为一条候选路径中路段链的条数。
最后计算每条候选路径的预测行程时间T，计算公式为：T＝αTh+βTd；其中，α和β采用经过所述步骤四调整后的值。
所有的候选路径的预测行程时间T都计算完成后，在候选路径中选择一条预测行程时间最短的路径作为推荐路径，该路径的预测行程时间即为最终的路径预测行程时间。
步骤六：如果在行车过程中发生了突发交通事故或临时交通管制，需要调整最佳路径的实时权值和交通模式，则重新选择最佳路径，并预测剩下路径行程时间。重新选择最佳路径指重新选择与当前路段A相邻且负相关的路段B，即满足Co(A,B)<1。
上述进行历史交通模式和默认交通模式的匹配过程中，路段平均行驶速度是指：定义每一道路拥堵级别车辆的平均行驶速度为该拥挤级别的平均速度范围的中间值，具体为：9级拥堵级别车辆的平均行驶速度为2.5km/h，8级拥堵级别车辆的平均行驶速度为8km/h，7级拥堵级别车辆的平均行驶速度为13km/h，6级拥堵级别车辆的平均行驶速度为16km/h，5级拥堵级别车辆的平均行驶速度为23km/h，4级拥堵级别车辆的平均行驶速度为28km/h，3级拥堵级别车辆的平均行驶速度为33km/h，2级拥堵级别车辆的平均行驶速度为38km/h，1级拥堵级别车辆的平均行驶速度为50km/h，0级表示畅通，由于城区速度受限，0级拥堵级别车辆的平均行驶速度定义为60km/h。
依据上面的方法，如果需要对城市路网中从O点到D点的行程时间进行预测，可列出O点到D点的不同路径，各路径对应着一系列的路段链和不同时段的行程时间总和，在行程时间总和的比较中，选择行程时间最少的一条路径作为最佳路径。此方法不仅考虑了路段的交通流也考虑了不同时刻、季节、气候等因素的影响，因而实际应用效果更佳。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种城市动态路径行程时间预测方法，其特征在于，包括以下步骤：
步骤一：创建基于浮动车数据的历史交通模式；
步骤二：创建默认交通模式，分别为不同时间维和空间维的路段定义道路拥堵级别，同时设定历史交通模式权值α和默认交通模式权值β；
步骤三：设置交通参数，依据设置的交通参数查找满足条件的历史交通模式和默认交通模式，确定路段的拥堵级别，从而获得路段的平均速度；
步骤四：读取实时交通参数，根据实时交通参数调整历史交通模式权值α和默认交通模式权值β，定义交通模式的最小支持度阈值χ和最小可信度阈值δ；
步骤五：根据设置的交通参数，产生m条候选路径，用户根据需要从候选路径中选择一条最佳路径，加权计算最佳路径基于历史交通模式的路径行程时间Th和基于默认交通模式的路径行程时间Tr，最佳路径的预测行程时间T，计算公式为：T＝αTh+βTr，其中，α和β采用经过步骤四调整后的值；
步骤六：如果在行车过程中发生了突发交通事故或临时交通管制，需要调整最佳路径的实时权值和交通模式，则重新选择最佳路径，并预测剩下路径行程时间。
2.根据权利要求1所述的城市动态路径行程时间预测方法，其特征在于，所述交通参数至少包括车辆出行的起点、终点、出行时刻、出行日期、天气状况和是否突发交通事故和临时交通管制。
3.根据权利要求2所述的城市动态路径行程时间预测方法，其特征在于，所述历史交通模式的具体创建方法如下：
1-1)定义时空维：时间维分为年、季节、月、星期、小时、半小时；空间维分为路段链；
1-2)将道路通行级别分为10级：
平均速度为0～5km/h定义为9级；
平均速度为6～10km/h定义为8级；
平均速度为11～15km/h定义为7级；
平均速度为16～20km/h定义为6级；
平均速度为21～25km/h定义为5级；
平均速度为26～30km/h定义为4级；
平均速度为31～35km/h定义为3级；
平均速度为36～40km/h定义为2级；
平均速度为40～60km/h定义为1级；
平均速度为大于60km/h定义为0级；
1-3)定义城市道路网络为一个无向带权图G＝(V,E,Q)，其中:V是顶点的集合，E是边的集合，城市道路网络中的每个交叉路口即为无向带权图中的一个顶点，用ni表示，ni∈V，并对每个顶点进行编号，城市道路网络中的一条路段e即为无向带权图中的一条边，用一个二元组(ni,nj)表示，e∈E，ni,nj表示路段e的结点，ni∈V,nj∈V，Q为正的实数集合，表示路段所对应的长度；
1-4)定义路段链历史交通模式为STP:(W,TI,H,L(ni,nj),D,R,S,C)，其中W表示星期几，值为1～7；
TI为时间索引，值为1～48，分别表示一天的每半小时；
H代表是否为假期，值为0和1，1表示假期，0表示工作日；
L(ni,nj)为路段链；D为方向，值为0和1，0表示起点编号大于终点编号，1表示起点编号小于终点编号；
R为道路通行级别，值为0～9；
S为支持度，S定义为出行日期所在月份中，满足H的天数占当月总天数的百分比，且S大于最小支持度χ；
C为可信度，C定义为当月中时间索引TI，并且拥堵级别为R的天数占当月满足H的天数的百分比，且C大于最小可信度阈值δ；
所述路段链的有效历史交通模式为：if工作日/假期&时间&路段链&方向&支持度为S&可信度为C then道路通行级别为R；
1-5)定义路段链的时空交叉模式CSTP，指一段时间范围内，两路段链间的时空模式关系，包含两个空间信息和一个时间信息；
计算两路段链相关性：Co(A,B)＝P(A)∧P(B)/P(A)P(B)，其中，P(A)表示路段链A发生交通拥堵的次数，P(B)表示路段链B发生拥堵的次数，P(A)^P(B)表示A和B在一段时间范围内同时发生拥堵的次数，如果相关性值大于1，则为正相关，指车流的状态由前驱路段链向后转移的趋势；如果相关性值小于1，则为负相关，指两路段链相互独立。
4.根据权利要求3所述的城市动态路径行程时间预测方法，其特征在于，步骤六所述的重新选择最佳路径指重新选择与当前路段A相邻且负相关的路段B，即满足Co(A,B)<1。
5.根据权利要求2所述的城市动态路径行程时间预测方法，其特征在于，所述默认交通模式的创建方法如下：
由交通管理部门或专家创建默认交通模式为路段链模式为STP’:(W’,TI’,H’,L(ni,nj)’,D’,R’,S’,C’)；
其中：W’表示星期几，值为1～7；
TI’为时间索引，值为1～48，分别表示一天的每半小时；
H’代表是否为假期，值为0和1，1表示假期，0表示工作日；
L(ni,nj)’为路段链；
D’为方向，值为0和1，0表示起点编号大于终点编号，1表示起点编号小于终点编号；
R’为道路通行级别，值为0～9；
S’和C’的取值分别取最小支持度阈值χ和最小可信度阈值δ；
所述默认交通模式即为：if工作日/假期&时间&路段链&方向&支持度为χ&可信度为δthen道路通行级别为R’。
6.根据权利要求2所述的城市动态路径行程时间预测方法，其特征在于，所述历史交通模式权值α和默认交通模式权值β满足：α∈[0,1],β∈[0,1]且α+β＝1，最小支持度阈值χ和最小可信度阈值δ满足：χ∈[0,1],δ∈[0,1]。
7.根据权利要求2所述的城市动态路径行程时间预测方法，其特征在于，所述历史交通模式权值α和默认交通模式权值β的调整方法如下：
依据1：if浮动车稀少 then α＝α-5％，β＝β+5％；
依据2：if恶劣天气 then α＝α+5％，β＝β－5％；
依据3：if缺乏匹配的历史交通模式 then α＝0,β＝1；
依据4：if缺乏默认交通模式 then α＝1,β＝0；
所述浮动车稀少是指历史数据库中路段链上浮动车覆盖率低于3％；所述恶劣天气是指气象学上所指的发生突然、移动迅速、天气剧烈、破坏力极大的严重影响交通出行的灾害性天气。
8.根据权利要求2所述的城市动态路径行程时间预测方法，其特征在于，加权计算基于历史交通模式的路径行程时间的方法为：
对于每条候选路径，根据设置的交通参数结合候选路径中的路段链，查找匹配的历史交通模式，进一步获得该候选路径的所有路段链的道路拥堵级别；
再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度vi，最后计算出每条路段链i的行程时间ti＝Li/vi，则基于历史交通模式的路径行程时间Th为：Li为路段链i的距离，n为一条候选路径中路段链的条数；
加权计算基于默认交通模式的路径行程时间的方法为：
对于每条候选路径，根据设置的交通参数结合候选路径中的路段链，查找匹配的默认交通模式，进一步获得该候选路径的所有路段链的道路拥堵级别，再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度v′i。
最后计算出每条路段链i的行程时间t′i＝Li/v′i，则基于默认交通模式的路径行程时间Td为：n为一条候选路径中路段链的条数。
9.根据权利要求8所述的城市动态路径行程时间预测方法，其特征在于，加权计算基于历史交通模式、默认交通模式的路径行程时间中所述的相应路段链的车辆平均行驶速度是指：定义每一道路拥堵级别车辆的平均行驶速度为该拥挤级别的平均速度范围的中间值，具体为：
9级拥堵级别车辆的平均行驶速度为2.5km/h；
8级拥堵级别车辆的平均行驶速度为8km/h；
7级拥堵级别车辆的平均行驶速度为13km/h；
6级拥堵级别车辆的平均行驶速度为16km/h；
5级拥堵级别车辆的平均行驶速度为23km/h；
4级拥堵级别车辆的平均行驶速度为28km/h；
3级拥堵级别车辆的平均行驶速度为33km/h；
2级拥堵级别车辆的平均行驶速度为38km/h；
1级拥堵级别车辆的平均行驶速度为50km/h；
0级拥堵级别车辆的平均行驶速度定义为60km/h。
CN201410632399.5A 2014-11-11 2014-11-11 一种城市动态路径行程时间预测方法 Expired - Fee Related CN104408958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410632399.5A CN104408958B (zh) 2014-11-11 2014-11-11 一种城市动态路径行程时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410632399.5A CN104408958B (zh) 2014-11-11 2014-11-11 一种城市动态路径行程时间预测方法

Publications (2)

Publication Number Publication Date
CN104408958A true CN104408958A (zh) 2015-03-11
CN104408958B CN104408958B (zh) 2016-09-28

Family

ID=52646584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410632399.5A Expired - Fee Related CN104408958B (zh) 2014-11-11 2014-11-11 一种城市动态路径行程时间预测方法

Country Status (1)

Country Link
CN (1) CN104408958B (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105551244A (zh) * 2015-12-08 2016-05-04 重庆云途交通科技有限公司 一种动态路径规划方法
CN105551239A (zh) * 2015-12-08 2016-05-04 北京云星宇交通科技股份有限公司 旅行时间预测方法及装置
CN105608895A (zh) * 2016-03-04 2016-05-25 大连理工大学 一种基于局部异常因子的城市交通拥堵路段检测方法
CN106297358A (zh) * 2016-10-28 2017-01-04 腾讯科技（深圳）有限公司 路况预测的实现方法及装置
CN106326998A (zh) * 2015-06-29 2017-01-11 株式会社日立制作所 路径规划方法和路径规划装置
CN106803353A (zh) * 2015-11-26 2017-06-06 罗伯特·博世有限公司 用于确定交通信号灯的变换规则的方法和车载系统
CN107063278A (zh) * 2017-01-24 2017-08-18 观致汽车有限公司 一种车辆导航系统、导航方法及其车辆
CN107276041A (zh) * 2017-05-16 2017-10-20 国网山东省电力公司临清市供电公司 配电网抢修指挥平台
CN107733796A (zh) * 2017-02-07 2018-02-23 深圳臻云技术股份有限公司 一种择优路径计算方法及系统
CN107862876A (zh) * 2017-03-27 2018-03-30 平安科技（深圳）有限公司 交通灯控制方法和装置
CN107886715A (zh) * 2016-09-30 2018-04-06 日本电气株式会社 道路行驶时间的预测方法和系统
CN109035761A (zh) * 2018-06-25 2018-12-18 复旦大学 基于辅助监督学习的行程时间估计方法
CN109284946A (zh) * 2017-07-20 2019-01-29 阿里巴巴集团控股有限公司 一种行程距离、物流服务行程时间确定方法、装置和系统
CN109325617A (zh) * 2018-09-04 2019-02-12 青岛海信网络科技股份有限公司 一种城市交通状态预测方法及装置
CN109696174A (zh) * 2017-10-20 2019-04-30 谢静芳 行程的天气指示方法、装置及设备
CN110168520A (zh) * 2016-12-30 2019-08-23 同济大学 一种智能化道路交通异常检测方法
CN110517492A (zh) * 2019-08-27 2019-11-29 中国科学院自动化研究所 基于平行集成学习的交通路径推荐方法、系统、装置
CN110879862A (zh) * 2019-11-15 2020-03-13 成都耍流量网络科技有限公司 基于物联网的车辆信息查询系统
CN112489433A (zh) * 2020-12-17 2021-03-12 华为技术有限公司 交通拥堵分析方法及装置
CN112991798A (zh) * 2019-12-12 2021-06-18 沈阳美行科技有限公司 基于通行速度数据的道路线段行驶时间确定方法及装置
CN115204470A (zh) * 2022-06-24 2022-10-18 中远海运科技股份有限公司 一种行程时间预测方法及系统
CN115601967A (zh) * 2022-09-30 2023-01-13 广州天长信息技术有限公司（Cn） 一种高速路uj型驾驶逃费行为的数据分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030065442A1 (en) * 2001-09-01 2003-04-03 Touney David Sylvester Navigation system and travel coordinator with dynamic traffic data
US20080097686A1 (en) * 2006-10-20 2008-04-24 Nec Corporation Travel-time prediction apparatus, travel-time prediction method, traffic information providing system and program
CN101436347A (zh) * 2008-12-09 2009-05-20 北京交通大学 一种快速路行程时间预测方法
CN101894461A (zh) * 2009-05-22 2010-11-24 上海宝康电子控制工程有限公司 城市地面道路行程时间预测方法
CN102930718A (zh) * 2012-09-20 2013-02-13 同济大学 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法
CN103942953A (zh) * 2014-03-13 2014-07-23 华南理工大学 一种基于浮动车数据的城市路网动态交通拥挤预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030065442A1 (en) * 2001-09-01 2003-04-03 Touney David Sylvester Navigation system and travel coordinator with dynamic traffic data
US20080097686A1 (en) * 2006-10-20 2008-04-24 Nec Corporation Travel-time prediction apparatus, travel-time prediction method, traffic information providing system and program
CN101436347A (zh) * 2008-12-09 2009-05-20 北京交通大学 一种快速路行程时间预测方法
CN101894461A (zh) * 2009-05-22 2010-11-24 上海宝康电子控制工程有限公司 城市地面道路行程时间预测方法
CN102930718A (zh) * 2012-09-20 2013-02-13 同济大学 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法
CN103942953A (zh) * 2014-03-13 2014-07-23 华南理工大学 一种基于浮动车数据的城市路网动态交通拥挤预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱国华: "基于浮动车的城市道路行程时间预测算法研究", 《中国市政工程》, no. 2, 30 April 2011 (2011-04-30), pages 80 - 82 *
江周 等: "基于多源数据的城市道路网络行程时间预测模型", 《交通信息与安全》, vol. 32, no. 184, 31 December 2014 (2014-12-31), pages 27 - 31 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326998A (zh) * 2015-06-29 2017-01-11 株式会社日立制作所 路径规划方法和路径规划装置
CN106803353A (zh) * 2015-11-26 2017-06-06 罗伯特·博世有限公司 用于确定交通信号灯的变换规则的方法和车载系统
CN106803353B (zh) * 2015-11-26 2021-06-29 罗伯特·博世有限公司 用于确定交通信号灯的变换规则的方法和车载系统
CN105551239A (zh) * 2015-12-08 2016-05-04 北京云星宇交通科技股份有限公司 旅行时间预测方法及装置
CN105551244A (zh) * 2015-12-08 2016-05-04 重庆云途交通科技有限公司 一种动态路径规划方法
CN105608895A (zh) * 2016-03-04 2016-05-25 大连理工大学 一种基于局部异常因子的城市交通拥堵路段检测方法
CN107886715A (zh) * 2016-09-30 2018-04-06 日本电气株式会社 道路行驶时间的预测方法和系统
CN107886715B (zh) * 2016-09-30 2022-03-29 日本电气株式会社 道路行驶时间的预测方法和系统
CN106297358A (zh) * 2016-10-28 2017-01-04 腾讯科技（深圳）有限公司 路况预测的实现方法及装置
CN110168520A (zh) * 2016-12-30 2019-08-23 同济大学 一种智能化道路交通异常检测方法
CN107063278A (zh) * 2017-01-24 2017-08-18 观致汽车有限公司 一种车辆导航系统、导航方法及其车辆
CN107733796A (zh) * 2017-02-07 2018-02-23 深圳臻云技术股份有限公司 一种择优路径计算方法及系统
CN107862876A (zh) * 2017-03-27 2018-03-30 平安科技（深圳）有限公司 交通灯控制方法和装置
CN107276041A (zh) * 2017-05-16 2017-10-20 国网山东省电力公司临清市供电公司 配电网抢修指挥平台
CN109284946A (zh) * 2017-07-20 2019-01-29 阿里巴巴集团控股有限公司 一种行程距离、物流服务行程时间确定方法、装置和系统
CN109696174A (zh) * 2017-10-20 2019-04-30 谢静芳 行程的天气指示方法、装置及设备
CN109696174B (zh) * 2017-10-20 2024-02-20 谢静芳 行程的天气指示方法、装置及设备
CN109035761B (zh) * 2018-06-25 2021-06-04 复旦大学 基于辅助监督学习的行程时间估计方法
CN109035761A (zh) * 2018-06-25 2018-12-18 复旦大学 基于辅助监督学习的行程时间估计方法
CN109325617A (zh) * 2018-09-04 2019-02-12 青岛海信网络科技股份有限公司 一种城市交通状态预测方法及装置
CN110517492A (zh) * 2019-08-27 2019-11-29 中国科学院自动化研究所 基于平行集成学习的交通路径推荐方法、系统、装置
CN110517492B (zh) * 2019-08-27 2020-12-01 中国科学院自动化研究所 基于平行集成学习的交通路径推荐方法、系统、装置
CN110879862A (zh) * 2019-11-15 2020-03-13 成都耍流量网络科技有限公司 基于物联网的车辆信息查询系统
CN110879862B (zh) * 2019-11-15 2023-08-29 成都耍流量网络科技有限公司 基于物联网的车辆信息查询系统
CN112991798A (zh) * 2019-12-12 2021-06-18 沈阳美行科技有限公司 基于通行速度数据的道路线段行驶时间确定方法及装置
CN112489433A (zh) * 2020-12-17 2021-03-12 华为技术有限公司 交通拥堵分析方法及装置
CN115204470A (zh) * 2022-06-24 2022-10-18 中远海运科技股份有限公司 一种行程时间预测方法及系统
CN115601967A (zh) * 2022-09-30 2023-01-13 广州天长信息技术有限公司（Cn） 一种高速路uj型驾驶逃费行为的数据分析方法

Also Published As

Publication number Publication date
CN104408958B (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
CN104408958B (zh) 一种城市动态路径行程时间预测方法
CN104299442B (zh) 一种基于模式匹配的城市路径行程时间预测方法
CN104157142B (zh) 一种基于浮动车数据的城市路径行程时间预测方法
CN104269059B (zh) 一种基于多源数据融合的城市路径行程时间预测方法
CN108564226B (zh) 一种基于出租车gps及手机信令数据的公交线路优化方法
CN104157139B (zh) 一种交通拥堵预测方法及可视化方法
CN102509470B (zh) 基于动态路径规划实现车辆节能减排的系统和方法
US7755509B2 (en) Use of pattern matching to predict actual traffic conditions of a roadway segment
CN102081859B (zh) 一种公交车到站时间预测模型控制方法
CN103177561B (zh) 公交实时路况的生成方法
CN105489000A (zh) 一种夜班公交车站点及路径选择方法
CN104121918A (zh) 一种实时路径规划的方法和系统
CN104575050B (zh) 一种基于浮动车的快速路匝道智能诱导方法及装置
CN103310651A (zh) 一种基于实时路况信息的公交到站预测方法
CN103646560A (zh) 出租车行车轨迹经验知识路径的提取方法
CN105608895B (zh) 一种基于局部异常因子的城市交通拥堵路段检测方法
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
CN102436466A (zh) 基于gis分类的公交换乘查询方法
CN104731963A (zh) 一种基于车联网的网格化路径推荐方法及系统
CN103218915B (zh) 一种基于浮动车数据的经验路径生成方法
CN103177595A (zh) 一种基于实时交通信息的动态路径寻优系统及方法
CN102956105B (zh) 一种浮动车样本点数据插值的方法
CN106327867B (zh) 一种基于gps数据的公交准点预测方法
CN109931941A (zh) 基于路段状态相关性的路径规划方法
IRAWAN et al. Implementation of the 1997 Indonesian highway capacity manual (MKJI) volume delay function

Legal Events

Date Code Title Description
C06 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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160928

Termination date: 20191111

CF01 Termination of patent right due to non-payment of annual fee