CN104900061A - 路段行程时间监测方法及装置 - Google Patents

Abstract

本发明公开了一种路段行程时间监测方法及装置。该方法包括：在一时段内，对经地图匹配过程匹配到监测路段上的浮动车的位置数据进行采样；根据采样的位置数据，确定监测路段在所述时段内的实际行程时间；将所述时段内的实际行程时间分别输入至第一预测模型和第二预测模型，得出监测路段在下一时段的第一预测行程时间和第二预测行程时间；基于第一预测模型的历史预测误差和第二预测模型的历史预测误差确定第一预测模型和第二预测模型的权重系数；基于第一预测模型和第二预测模型的权重系数，对第一预测行程时间和第二预测行程时间进行加权平均，得出监测路段在所述下一时段内的最终预测行程时间。由此，可提高路段行程时间预测的准确性和可靠性。

Description

路段行程时间监测方法及装置

技术领域

本发明涉及城市交通领域，具体地，涉及一种路段行程时间监测方法及装置。

背景技术

随着城市人口的增长和现代化的不断推进，交通问题已愈加严重。日常的交通拥挤和堵塞，极其消极地影响着人们的正常生活与工作，而交通事故的发生甚至严重危及到人们的生命。实时有效的交通信息是城市交通管控部门了解交通状况，为出行者提供有效信息、合理进行交通诱导以缓解交通压力，解决交通问题的关键。路段行程时间就是反映交通情况的重要参数之一，也是交通诱导系统中需预测的一项重要指标。

路段行程时间预测是基于当前时段的路段行程时间来预测下一时段的路段行程时间，以为出行者提供交通诱导。通常采用单一预测模型来预测路段行程时间。由于仅依赖于该单一预测模型，因此，预测结果的准确性和可靠性往往不高，无法为出行者提供更为准确、可靠的交通诱导信息。

发明内容

本发明的目的是提供一种路段行程时间监测方法及装置，以提高路段行程时间预测的准确性和可靠性。

为了实现上述目的，本发明提供一种路段行程时间监测方法，该方法包括：在一时段内，对经地图匹配过程匹配到监测路段上的浮动车的位置数据进行采样；根据所采样的位置数据，确定所述监测路段在所述时段内的实际行程时间；将所述时段内的实际行程时间分别输入至第一预测模型和第二预测模型，得出所述监测路段在下一时段内的第一预测行程时间和第二预测行程时间；基于所述第一预测模型的历史预测误差和所述第二预测模型的历史预测误差来确定所述第一预测模型和所述第二预测模型的权重系数；以及基于所述第一预测模型和所述第二预测模型的权重系数，对所述第一预测行程时间和所述第二预测行程时间进行加权平均，得出所述监测路段在所述下一时段内的最终预测行程时间。

本发明还提供一种路段行程时间监测装置，该装置包括：数据采样单元，用于在一时段内，对经地图匹配过程匹配到监测路段上的浮动车的位置数据进行采样；第一处理单元，用于根据所采样的位置数据，确定所述监测路段在所述时段内的实际行程时间；第一预测单元，用于将所述时段内的实际行程时间输入至第一预测模型，得出所述监测路段在下一时段内的第一预测行程时间；第二预测单元，用于将所述时段内的实际行程时间输入至第二预测模型，得出所述监测路段在下一时段内的第二预测行程时间；权重确定单元，用于基于所述第一预测模型的历史预测误差和所述第二预测模型的历史预测误差来确定所述第一预测模型和所述第二预测模型的权重系数；以及第二处理单元，用于基于所述第一预测模型和所述第二预测模型的权重系数，对所述第一预测行程时间和所述第二预测行程时间进行加权平均，得出所述监测路段在所述下一时段内的最终预测行程时间。

在上述技术方案中，通过采用两种预测模型来分别预测监测路段在下一时段的路段行程时间，并对两种预测模型得到的预测结果进行融合，从而得出最终的预测结果。由此，可以提高预测结果的准确性和可靠性。此外，可以根据第一预测模型和第二预测模型的历史预测误差动态调整第一预测模型和第二预测模型的权重系数，以保证精度相对高的预测模型得出的结果能够占有更大的权重，从而可以进一步提高预测结果的准确性(例如，相较于单一预测模型，准确性可以大约提高(预测误差可减少15％～20％，平稳度可提高15％～20％)。通过本发明提供的路段行程时间监测方法及装置，能够为出行者及交通监管部门提供更为准确的路段行程时间的预测结果，从而便于出行者选择最佳行驶路段、以及便于交通监管部门及时采取相应的交通诱导措施。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是根据本发明的实施方式的路段行程时间监测方法的流程图；

图2是在一种示例情况下，在一时段内，监测路段的示意图；

图3是根据本发明的实施方式的用于对浮动车进行地图匹配的过程的流程图；

图4是在执行本发明提供的浮动车地图匹配过程时，确定的椭圆区域及网格匹配的示意图；

图5是根据本发明的实施方式的路段行程时间监测装置的框图；以及

图6是基于本发明提供的路段行程时间监测方法及装置得到的监测路段的预测行程时间与实际行程时间、和采用单一预测模型得到的预测行程时间之间的结果对比图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

图1示出了根据本发明的实施方式的路段行程时间监测方法的流程图。如图1所示，该方法可以包括：步骤S1，在一时段内，对经地图匹配过程匹配到监测路段上的浮动车的位置数据进行采样；步骤S2，根据所采样的位置数据，确定所述监测路段在所述时段内的实际行程时间；步骤S3，将所述时段内的实际行程时间分别输入至第一预测模型和第二预测模型，得出所述监测路段在下一时段内的第一预测行程时间和第二预测行程时间；步骤S4，基于所述第一预测模型的历史预测误差和所述第二预测模型的历史预测误差来确定所述第一预测模型和所述第二预测模型的权重系数；以及步骤S5，基于所述第一预测模型和所述第二预测模型的权重系数，对所述第一预测行程时间和所述第二预测行程时间进行加权平均，得出所述监测路段在所述下一时段内的最终预测行程时间。

具体地，首先，在步骤S1中，在一时段内，对经地图匹配过程匹配到监测路段上的浮动车的位置数据进行采样。假设该时段(亦可称为当前时段)被标记为t_c，则上一时段可以被标记为t_c-1，下一时段可以被标记为t_c+1，以此类推。在本发明中，每个时段的时间间隔可以是相同的。对监测路段的行程时间进行预测就是根据时段t_c内的路段行程时间来预测下一时段t_c+1的路段行程时间。

图2示出了在一种示例情况下，在时段t_c内，监测路段的示意图。应当理解的是，该图2所示的监测路段示意图仅仅用于说明本发明和便于理解本发明，而不用于限制本发明。

如图2所示，在时段t_c内，经地图匹配过程匹配到该监测路段N上的浮动车有两个，分别为浮动车A和浮动车B。在时段t_c内，可以对浮动车A和浮动车B的位置数据进行采样。例如，可以以固定的采样间隔进行采样，从而获得浮动车A和浮动车B在该监测路段N上的位置移动信息。例如，如图2所示，在时段t_c内，第一次采样得到浮动车A的位置数据L_1,1和浮动车B的位置数据L_1,2，第二次采样得到浮动车A的位置数据L_2,1和浮动车B的位置数据L_2,2，第三次采样得到浮动车B的位置数据L_3,2。由于在第三次采样时浮动车A已驶出监测路段N，因此，浮动车A在该监测路段N上的位置数据记录为两个，分别为L_1,1和L_2,1，而浮动车B在该监测路段N上的位置数据记录为三个，分别为L_1,2、L_2,2和L_3,2。

在采样得出浮动车的位置数据之后，进行步骤S2，可以根据所采样的位置数据，确定所述监测路段在所述时段t_c内的实际行程时间。例如，可以通过以下等式(1)和等式(2)来确定所述监测路段在所述时段t_c内的实际行程时间：

$v_j=\frac{1}{n_j-1}\underset{i=1}{\overset{n_j-1}{\mathrm{\Σ}}}\frac{L_{i+1,j}-L_{i,j}}{T_{i+1,j}-T_{i,j}}---\left(1\right)$

$T=\frac{L}{\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_j}---\left(2\right)$

其中，L_i,j可以表示在所述时段t_c内采样的第j辆浮动车在该监测路段上的第i个位置数据；L_i+1,j可以表示在所述时段t_c内采样的第j辆浮动车在该监测路段上的第i+1个位置数据；T_i,j可以表示第j辆浮动车到达所述第i个位置数据所表示的位置时的时间；T_i+1,j可以表示第j辆浮动车到达所述第i+1个位置数据所表示的位置时的时间；n_j可以表示在所述时段t_c内采样的第j辆浮动车在该监测路段上的位置数据总个数，并且n_j≥2；v_j可以表示在所述时段t_c内，第j辆浮动车在该监测路段上的平均车速；T可以表示所述监测路段在所述时段t_c内的实际行程时间；L可以表示所述监测路段的总距，例如如图2所示；以及m可以表示在所述时段t_c内，所述监测路段上的浮动车总数。

下面以图2为例进行说明。如图2所示，经采样得到浮动车A的位置数据为L_1,1和L_2,1，经采样得到的浮动车B的位置数据为L_1,2、L_2,2和L_3,2。以浮动车A作为该监测路段N上的第一辆浮动车，以浮动车B作为该监测路段N上的第二辆浮动车，那么存在m＝2，以及对于浮动车A而言，在所述时段t_c内采样的位置数据总个数n＝2，对于浮动车B而言，在所述时段t_c内采样的位置数据总个数n＝3。之后，可以按照等式(1)分别确定出浮动车A和浮动车B在该监测路段N上的平均车速v₁和v₂。例如：

$v_1=\frac{L_{\mathrm{2,1}}-L_{\mathrm{1,1}}}{T_{\mathrm{2,1}}-T_{\mathrm{1,1}}},v_2=\frac{1}{2}(\frac{L_{\mathrm{2,2}}-L_{\mathrm{1,2}}}{T_{\mathrm{2,2}}-T_{\mathrm{1,2}}}+\frac{L_{\mathrm{3,2}}-L_{\mathrm{2,2}}}{T_{\mathrm{3,2}}-T_{\mathrm{2,2}}})$

其中，T_2,1可以表示浮动车A到达位置数据L_2,1所表示的位置时的时间，T_1,1可以表示浮动车A到达位置数据L_1,1所表示的位置时的时间，T_3,2可以表示浮动车B到达位置数据L_3,2所表示的位置时的时间，T_2,2可以表示浮动车B到达位置数据L_2,2所表示的位置时的时间，以及T_1,2可以表示浮动车B到达位置数据L_1,2所表示的位置时的时间。这些时间参数可以根据采样时间来确定。例如，T_1,2＝T_1,1＝第一次采样时间，T_2,2＝T_2,1＝第一次采样时间，T_3,2＝第三次采样时间。

在得出浮动车A和浮动车B的平均车速v₁、v₂之后，就可以根据这两个浮动车的平均车速v₁、v₂和监测路段N的总距L、使用上述等式(2)确定出在时段t_c内，监测路段N的实际行程时间T，例如，该实际行程时间为：

$T=\frac{L}{\frac{1}{2}(v_1+v_2)}=\frac{2L}{v_1+v_2}$

在确定出监测路段在所述时段t_c内的实际行程时间T之后，进行步骤S3，将所述时段t_c内的实际行程时间T分别输入至第一预测模型和第二预测模型，得出所述监测路段在下一时段t_c+1内的第一预测行程时间T_p1和第二预测行程时间T_p2。

在本发明中，第一预测模型与第二预测模型是不同的预测模型，并且两个预测模型可以分别选自现有的用于路段行程时间预测的预测模型。例如，所述第一预测模型可以例如为卡尔曼(Kalman)滤波模型，以及所述第二预测模型可以例如为时间序列(ARIMA)模型。应当理解的是，如何使用卡尔曼(Kalman)滤波模型和时间序列(ARIMA)模型来单独进行行程时间预测的原理与实现方法是本领域的技术人员公知的，因此，本发明在此不进行赘述。

在通过两种预测模型得到两个预测行程时间之后，可以对这两个预测行程时间进行加权平均，得出所述监测路段在所述下一时段t_c+1内的最终预测行程时间T_p。例如，可以通过以下等式(3)来确定所述最终预测行程时间T_p：

T_p＝ω₁T_p1+ω₂T_p2  (3)

其中，T_p可以表示所述最终预测行程时间；T_p1可以表示所述第一预测行程时间；T_p2可以表示所述第二预测行程时间；ω₁可以表示所述第一预测模型的权重系数；以及ω₂可以表示所述第二预测模型的权重系数。

为了保证两个预测模型中精度更高的预测模型所得的结果能够占有更大的权重，以使预测结果更为准确、可靠，在本发明中，可以基于所述第一预测模型的历史预测误差和所述第二预测模型的历史预测误差来确定所述第一预测模型和所述第二预测模型的权重系数。

具体地，可以例如通过以下等式(4)和等式(5)来确定所述第一预测模型和所述第二预测模型的权重系数：

${\mathrm{\ω}}_1=\frac{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}}{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}+\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}}---\left(4\right)$

${\mathrm{\ω}}_2=\frac{\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}}{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}+\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}}---\left(5\right)$

其中，e₁(k)可以表示所述第一预测模型的第k个历史预测误差；e₂(k)可以表示所述第二预测模型的第k个历史预测误差；K₁可以表示所述第一预测模型的历史预测误差的总个数；以及K₂可以表示所述第二预测模型的历史预测误差的总个数。

在本发明中，预测误差是指对于某个监测路段，针对某一时段，检测出的该时段的实际行程时间与预测出的该时段的预测行程时间之间的相对误差的绝对值。而历史预测误差是指在预测监测路段在下一时段t_c+1的路段行程时间之前，获得的针对该下一时段t_c+1之前的每一时段(例如，当前时段t_c、上一时段t_c-1、再上一时段t_c-2等等)的预测误差。并且，随着监测过程的进行，每种预测模型的历史预测误差不断递增。

例如，以时段t_c为例，根据本发明提供的路段行程时间监测方法，在上一时段t_c-1内利用第一预测模型可以得出针对时段t_c的第一预测行程时间，以及利用第二预测模型可以得出针对时段t_c的第二预测行程时间。而在时段t_c内，可以根据在该时段t_c内采样的位置数据来确定出该时段t_c内的实际行程时间。此时，针对时段t_c，就可以根据确定出的实际行程时间和第一预测行程时间以及第二预测行程时间，分别得出第一预测模型的预测误差和第二预测模型的预测误差，即，第一预测模型的预测误差为实际行程时间与第一预测行程时间之间的相对误差的绝对值，第二预测模型的预测误差为实际行程时间与第二预测行程时间之间的相对误差的绝对值。而在预测下一时段t_c+1的路段行程时间时，所得到的针对时段t_c的第一预测模型的预测误差可以作为该第一预测模型的一个新的历史预测误差，所得到的针对时段t_c的第二预测模型的预测误差可以作为该第二预测模型的一个新的历史预测误差，以用于利用等式(4)和等式(5)动态更新第一预测模型和第二预测模型的权重系数，从而用于预测监测路段在下一时段t_c+1的路段行程时间。

当在下一时段t_c+1内、要预测再下一时段t_c+2的路段行程时间时，按照上述同样的方法，可以首先确定出监测路段在时段t_c+1内的实际路段行程时间。之后，根据该实际路段行程时间和在上一轮预测过程中由第一预测模型预测出的针对时段t_c+1的第一预测路段行程时间，可以确定出第一预测模型针对时段t_c+1的预测误差，以及根据该实际路段行程时间和在上一轮预测过程中由第二预测模型预测出的针对时段t_c+1的第二预测路段行程时间，可以确定出第二预测模型针对时段t_c+1的预测误差。而在预测时段t_c+2的路段行程时间时，所得到的针对时段t_c+1的第一预测模型的预测误差可以作为该第一预测模型的一个新的历史预测误差，所得到的针对时段t_c+1的第二预测模型的预测误差可以作为该第二预测模型的一个新的历史预测误差，以用于利用等式(4)和等式(5)动态更新第一预测模型和第二预测模型的权重系数，从而用于预测监测路段在时段t_c+2的路段行程时间。

针对后续时段的路段行程时间预测，都按照上述过程来动态调整模型的权重系数。这种权重系数的动态调整，可以保证在最终得出的预测结果中，精度高的预测模型得到的预测结果能够占有较大的权重，从而提高预测结果的准确性。

此外，如前所述，在步骤S1中，采样的是经地图匹配过程匹配到监测路段上的浮动车的位置数据。也就是说，在执行本发明提供的路段行程时间监测方法之前，需要对浮动车进行地图匹配，以将浮动车匹配到相应的路段上。可以采用多种地图匹配技术来进行浮动车的地图匹配。在本发明中，如图3所示，可以采用如下地图匹配过程：

首先，步骤S31，采集浮动车的GPS定位结果和电子地图数据。浮动车上均搭载GPS定位装置，因此，可以从浮动车的GPS定位装置采集该浮动车的GPS定位结果。此外，可以例如从GIS系统获取电子地图数据，该电子地图数据可以包括各路段的信息，例如，路段标识、路段名称、路段分布等等。

接下来，步骤S32，可以以所述浮动车的GPS定位结果为中心，在电子地图上确定一椭圆区域，该椭圆区域内的全部路段组成初始候选路段集。例如，如图4所示，假设浮动车的GPS定位结果表示该浮动车当前处于P点，那么，可以以该P点为中心，圈定一椭圆区域。例如，可以通过以下等式(6)～等式(8)来确定椭圆区域的大小：

$a={\widehat{\mathrm{\δ}}}_0\sqrt{\frac{1}{2}({\mathrm{\δ}}_x^2+{\mathrm{\δ}}_y^2+\sqrt{{({\mathrm{\δ}}_x^2-{\mathrm{\δ}}_y^2)}^2+4{\mathrm{\δ}}_{\mathrm{xy}}^2})}---\left(6\right)$

$b={\widehat{\mathrm{\δ}}}_0\sqrt{\frac{1}{2}({\mathrm{\δ}}_x^2+{\mathrm{\δ}}_y^2-\sqrt{{({\mathrm{\δ}}_x^2-{\mathrm{\δ}}_y^2)}^2+4{\mathrm{\δ}}_{\mathrm{xy}}^2})}---\left(7\right)$

其中，δ_x可以表示浮动车的GPS定位装置向东方向测量误差的标准差；δ_y可以表示浮动车的GPS定位装置向北方向测量误差的标准差；可以表示浮动车的GPS定位装置向东方向测量误差的方差；可以表示浮动车的GPS定位装置向北方向测量误差的方差；δ_xy可以表示协方差。上述参数δ_x、δ_y、和δ_xy可以从GPS定位装置的输出电文中获得。此外，a可以表示椭圆区域的长半轴；b可以表示椭圆区域的短半轴；可以表示椭圆区域的长半轴与正北方向夹角；可以为预设的扩展因子，可以根据需要的置信度来设定该扩展因子的具体值。

在确定出椭圆区域后，电子地图上、该椭圆区域内的全部路段组成初始候选路段集。通过设定椭圆区域来选择初始候选路段，可以有效减小初始候选路段的数量，降低匹配计算量，提高匹配效率。

接下来，步骤S33，可以根据浮动车的GPS定位结果确定浮动车与所述初始候选路段集中的每个初始候选路段的最短距离和方向角度差。即，确定P点距离每个初始候选路段的最短距离和方向角度差。如何确定所述最短距离和所述方向角度差的方法是本领域的技术人员公知的，对此，本发明不再进行赘述。

之后，步骤S34，可以根据浮动车与初始候选路段集中的每个初始候选路段的最短距离和方向角度差、以及浮动车的车速(例如，该车速可以包括在GPS定位结果中)，从所述初始候选路段集中确定优选候选路段集。具体地，在该步骤中，可以首先根据浮动车与初始候选路段集中的每个初始候选路段的最短距离和方向角度差、以及浮动车的车速，确定出浮动车与初始候选路段集中的每个初始候选路段的匹配度。之后，可以按照匹配度由高到低的顺序对每个初始候选路段进行排序。最后，可以筛选出排名较高的若干初始候选路段，其余初始候选路段则被剔除。所筛选出的路段组成所述优选候选路段集。

在本发明中，可以例如采用模糊推理的方式确定浮动车与初始候选路段集中的每个初始候选路段的匹配度。其中，浮动车与初始候选路段的最短距离、方向角度差以及该浮动车的车速可以作为模糊推理模型的输入，而模糊推理模型的输出为该浮动车与初始候选路段的匹配度。可以根据大量历史样本数据来构建模糊推理模型，该构建技术是本领域的技术人员公知的，对此，本发明不再做详细阐述。

在确定出优选候选路段集后，步骤S35，可以利用网格匹配方法从所述优选候选路段集中确定与所述浮动车最匹配的路段，并将所述浮动车匹配到所述最匹配的路段上。在该步骤中，利用网格匹配方法来找出与所述浮动车最匹配的路段，并可以将浮动车映射到该最匹配的路段上，以得到浮动车在该最匹配的路段上的具体位置，由此完成浮动车的地图匹配。

例如，如图4所示，假设优选候选路段集中包括两个优选候选路段，分别表示为N1和N2。可以将电子地图栅格化，并确定浮动车的GPS定位结果(即，P点)所处的网格。有时会存在与P点最匹配的路段没有位于该P点所处网格中、而是位于该P点所处网格周围的网格中的情况，因此，为了防止遗漏并缩小搜索量，可以将用于搜索的网格区域大小从该P点所处的网格扩大到包括围绕该网格的周边网格，即，该网格区域共包括9个网格，如图4所示，P点所处网格和围绕该网格的8个周边网格。之后，搜索此9个网格中的优选候选路段，并计算P点到各网格中各优选候选路段的距离，确定此距离值最小所在网格并在此进行浮动车具体位置匹配。若搜索失败(即一个网格中存在多于两条的优选候选路段无法进行识别)则应细化网格，重新进行搜索匹配。按照这种方式，以图4为例，经网格匹配后，确定出优选候选路段N1为与浮动车的GPS定位结果(即，P点)最匹配的路段，并且该浮动车在该路段N1上的具体位置为P点垂直映射到路段N1的Q点。

在本发明中，先采用模糊推理方式进行候选路段筛选，之后再采用网格匹配方法进行匹配，可以简化路网的复杂度，减少搜索匹配时间，提高匹配速率与精度。

图5是根据本发明的实施方式的路段行程时间监测装置的框图。如图5所示，该装置可以包括：数据采样单元10，可以用于在一时段内，对经地图匹配过程匹配到监测路段上的浮动车的位置数据进行采样；第一处理单元20，可以用于根据所采样的位置数据，确定所述监测路段在所述时段内的实际行程时间；第一预测单元30，可以用于将所述时段内的实际行程时间输入至第一预测模型，得出所述监测路段在下一时段内的第一预测行程时间；第二预测单元40，可以用于将所述时段内的实际行程时间输入至第二预测模型，得出所述监测路段在下一时段内的第二预测行程时间；权重确定单元50，可以用于基于所述第一预测模型的历史预测误差和所述第二预测模型的历史预测误差来确定所述第一预测模型和所述第二预测模型的权重系数；以及第二处理单元60，可以用于基于所述第一预测模型和所述第二预测模型的权重系数，对所述第一预测行程时间和所述第二预测行程时间进行加权平均，得出所述监测路段在所述下一时段内的最终预测行程时间。

此外，虽然在附图中未示出，但是本发明提供的路段行程时间监测装置还可以包括地图匹配单元，可以用于对浮动车进行地图匹配。其中，所述地图匹配单元可以例如包括：数据采集模块，可以用于采集浮动车的GPS定位结果和电子地图数据；初始候选路段确定模块，可以用于以所述浮动车的GPS定位结果为中心，在电子地图上确定一椭圆区域，该椭圆区域内的全部路段组成初始候选路段集；计算模块，可以用于根据所述浮动车的GPS定位结果确定所述浮动车与所述初始候选路段集中的每个初始候选路段的最短距离和方向角度差；筛选模块，可以用于根据所述浮动车与所述初始候选路段集中的每个初始候选路段的最短距离和方向角度差、以及所述浮动车的车速，从所述初始候选路段集中确定优选候选路段集；匹配模块，可以用于利用网格匹配方法从所述优选候选路段集中确定与所述浮动车最匹配的路段，并将所述浮动车匹配到所述最匹配的路段上。

本发明的路段行程时间监测装置对应于路段行程时间监测方法，因此相同的内容不再赘述。

综上所述，通过采用两种预测模型来分别预测监测路段在下一时段的路段行程时间，并对两种预测模型得到的预测结果进行融合，从而得出最终的预测结果。由此，可以提高预测结果的准确性和可靠性。此外，可以根据第一预测模型和第二预测模型的历史预测误差动态调整第一预测模型和第二预测模型的权重系数，以保证精度相对高的预测模型得出的结果能够占有更大的权重，从而可以进一步提高预测结果的准确性。

例如，图6示出了基于本发明提供的路段行程时间监测方法及装置得到的监测路段的预测行程时间与实际行程时间、和采用单一预测模型得到的预测行程时间之间的结果对比图，其中，纵坐标表示行程时间，单位为秒；横坐标表示时段，单位为秒。如图6所示，相比于采用单一预测模型(例如，Kalman滤波模型或ARIMA模型)进行预测，基于本发明提供的路段行程时间监测方法及装置得到的监测路段的预测行程时间更接近于实际行程时间，并且，相较于单一预测模型，准确性可以大约提高(预测误差可减少15％～20％，平稳度可提高15％～20％)。

因此，通过本发明提供的路段行程时间监测方法及装置，能够为出行者及交通监管部门提供更为准确的路段行程时间的预测结果，从而便于出行者选择最佳行驶路段、以及便于交通监管部门及时采取相应的交通诱导措施。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本发明的实施方式可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种路段行程时间监测方法，其特征在于，该方法包括：

在一时段内，对经地图匹配过程匹配到监测路段上的浮动车的位置数据进行采样；

根据所采样的位置数据，确定所述监测路段在所述时段内的实际行程时间；

将所述时段内的实际行程时间分别输入至第一预测模型和第二预测模型，得出所述监测路段在下一时段内的第一预测行程时间和第二预测行程时间；

基于所述第一预测模型的历史预测误差和所述第二预测模型的历史预测误差来确定所述第一预测模型和所述第二预测模型的权重系数；以及

基于所述第一预测模型和所述第二预测模型的权重系数，对所述第一预测行程时间和所述第二预测行程时间进行加权平均，得出所述监测路段在所述下一时段内的最终预测行程时间。

2.根据权利要求1所述的方法，其特征在于，通过以下方式来确定所述监测路段在所述时段内的实际行程时间：

$v_j=\frac{1}{n_j-1}\underset{i=1}{\overset{n_j-1}{\mathrm{\Σ}}}\frac{L_{i+1,j}-L_{i,j}}{T_{i+1,j}-T_{i,j}}$

$T=\frac{L}{\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_j}$

其中，L_i,j表示在所述时段内采样的第j辆浮动车在所述监测路段上的第i个位置数据；

L_i+1,j表示在所述时段内采样的第j辆浮动车在所述监测路段上的第i+1个位置数据；

T_i,j表示第j辆浮动车到达所述第i个位置数据所表示的位置时的时间；

T_i+1,j表示第j辆浮动车到达所述第i+1个位置数据所表示的位置时的时间；

n_j表示在所述时段内采样的第j辆浮动车在所述监测路段上的位置数据总个数，并且n_j≥2；以及

v_j表示在所述时段内，第j辆浮动车在该监测路段上的平均车速；

T表示所述监测路段在所述时段内的实际行程时间；

L表示所述监测路段的总距；以及

m表示在所述时段内，所述监测路段上的浮动车总数。

3.根据权利要求1所述的方法，其特征在于，所述第一预测模型为卡尔曼(Kalman)滤波模型，以及所述第二预测模型为时间序列(ARIMA)模型。

4.根据权利要求1所述的方法，其特征在于，通过以下方式确定所述第一预测模型和所述第二预测模型的权重系数：

${\mathrm{\ω}}_1=\frac{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}}{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}+\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}},{\mathrm{\ω}}_2=\frac{\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}}{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}+\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}}$

其中，ω₁表示所述第一预测模型的权重系数；

ω₂表示所述第二预测模型的权重系数；

e₁(k)表示所述第一预测模型的第k个历史预测误差；

e₂(k)表示所述第二预测模型的第k个历史预测误差；

K₁表示所述第一预测模型的历史预测误差的总个数；以及

K₂表示所述第二预测模型的历史预测误差的总个数。

5.根据权利要求1-4中任一权利要求所述的方法，其特征在于，所述地图匹配过程包括：

采集浮动车的GPS定位结果和电子地图数据；

以所述浮动车的GPS定位结果为中心，在电子地图上确定一椭圆区域，该椭圆区域内的全部路段组成初始候选路段集；

根据所述浮动车的GPS定位结果确定所述浮动车与所述初始候选路段集中的每个初始候选路段的最短距离和方向角度差；

根据所述浮动车与所述初始候选路段集中的每个初始候选路段的最短距离和方向角度差、以及所述浮动车的车速，从所述初始候选路段集中确定优选候选路段集；以及

利用网格匹配方法从所述优选候选路段集中确定与所述浮动车最匹配的路段，并将所述浮动车匹配到所述最匹配的路段上。

6.一种路段行程时间监测装置，其特征在于，该装置包括：

数据采样单元，用于在一时段内，对经地图匹配过程匹配到监测路段上的浮动车的位置数据进行采样；

第一处理单元，用于根据所采样的位置数据，确定所述监测路段在所述时段内的实际行程时间；

第一预测单元，用于将所述时段内的实际行程时间输入至第一预测模型，得出所述监测路段在下一时段内的第一预测行程时间；

第二预测单元，用于将所述时段内的实际行程时间输入至第二预测模型，得出所述监测路段在下一时段内的第二预测行程时间；

权重确定单元，用于基于所述第一预测模型的历史预测误差和所述第二预测模型的历史预测误差来确定所述第一预测模型和所述第二预测模型的权重系数；以及

第二处理单元，用于基于所述第一预测模型和所述第二预测模型的权重系数，对所述第一预测行程时间和所述第二预测行程时间进行加权平均，得出所述监测路段在所述下一时段内的最终预测行程时间。

7.根据权利要求6所述的装置，其特征在于，所述第一处理单元通过以下方式来确定所述监测路段在所述时段内的实际行程时间：

$v_j=\frac{1}{n_j-1}\underset{i=1}{\overset{n_j-1}{\mathrm{\Σ}}}\frac{L_{i+1,j}-L_{i,j}}{T_{i+1,j}-T_{i,j}}$

$T=\frac{L}{\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_j}$

其中，L_i,j表示在所述时段内采样的第j辆浮动车在所述监测路段上的第i个位置数据；

L_i+1,j表示在所述时段内采样的第j辆浮动车在所述监测路段上的第i+1个位置数据；

T_i,j表示第j辆浮动车到达所述第i个位置数据所表示的位置时的时间；

T_i+1,j表示第j辆浮动车到达所述第i+1个位置数据所表示的位置时的时间；

n_j表示在所述时段内采样的第j辆浮动车在所述监测路段上的位置数据总个数，并且n_j≥2；以及

v_j表示在所述时段内，第j辆浮动车在该监测路段上的平均车速；

T表示所述监测路段在所述时段内的实际行程时间；

L表示所述监测路段的总距；以及

m表示在所述时段内，所述监测路段上的浮动车总数。

8.根据权利要求6所述的装置，其特征在于，所述第一预测模型为卡尔曼(Kalman)滤波模型，以及所述第二预测模型为时间序列(ARIMA)模型。

9.根据权利要求6所述的装置，其特征在于，所述权重确定单元通过以下方式确定所述第一预测模型和所述第二预测模型的权重系数：

${\mathrm{\ω}}_1=\frac{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}}{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}+\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}},{\mathrm{\ω}}_2=\frac{\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}}{\frac{K_1}{\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{e}_1\left(k\right)}+\frac{K_2}{\underset{k=1}{\overset{K_2}{\mathrm{\Σ}}}{e}_2\left(k\right)}}$

其中，ω₁表示所述第一预测模型的权重系数；

ω₂表示所述第二预测模型的权重系数；

e₁(k)表示所述第一预测模型的第k个历史预测误差；

e₂(k)表示所述第二预测模型的第k个历史预测误差；

K₁表示所述第一预测模型的历史预测误差的总个数；以及

K₂表示所述第二预测模型的历史预测误差的总个数。

10.根据权利要求6-9中任一权利要求所述的装置，其特征在于，该装置还包括地图匹配单元，用于对浮动车进行地图匹配，其中，所述地图匹配单元包括：

数据采集模块，用于采集浮动车的GPS定位结果和电子地图数据；

初始候选路段确定模块，用于以所述浮动车的GPS定位结果为中心，在电子地图上确定一椭圆区域，该椭圆区域内的全部路段组成初始候选路段集；

计算模块，用于根据所述浮动车的GPS定位结果确定所述浮动车与所述初始候选路段集中的每个初始候选路段的最短距离和方向角度差；

筛选模块，用于根据所述浮动车与所述初始候选路段集中的每个初始候选路段的最短距离和方向角度差、以及所述浮动车的车速，从所述初始候选路段集中确定优选候选路段集；以及

匹配模块，用于利用网格匹配方法从所述优选候选路段集中确定与所述浮动车最匹配的路段，并将所述浮动车匹配到所述最匹配的路段上。