CN105243841A - 基于网页地图的实时路况采集与预测方法 - Google Patents
基于网页地图的实时路况采集与预测方法 Download PDFInfo
- Publication number
- CN105243841A CN105243841A CN201510651246.XA CN201510651246A CN105243841A CN 105243841 A CN105243841 A CN 105243841A CN 201510651246 A CN201510651246 A CN 201510651246A CN 105243841 A CN105243841 A CN 105243841A
- Authority
- CN
- China
- Prior art keywords
- real
- time road
- time
- road condition
- road
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种实时路况采集和预测方法，包括：利用网页地图提供的开发接口，通过超文本传输协议发送POST请求获取路段实时路况；利用先验知识，建立路况预测特征模板，采用机器学习方法中的分类技术建立预测模型；结合实时路况与历史数据，利用预测模型对未来一段时间的路况进行预测。本发明的实时路况采集和预测方法利用网页地图提供的海量开放交通数据，采用机器学习方法建立预测模型，对未来一段时间的路况进行预测，主要为出行者进行自主决策提供交通信息。
Description
技术领域
本发明属于交通数据挖掘技术领域，具体涉及一种基于网页地图的城市道路实时路况采集与预测方法。
背景技术
随着城市车辆保有量日益增加，为了更有效地控制和管理交通，交通流参数预测成为智能交通系统的重要组成部分。目前已有方法主要对交通流量、占有率、平均车速和旅行时问等表征交通状况的参数进行预测，其中交通流量预测方法较成熟。然而一方面用于交通参数预测的交通数据通常不会对社会开放，另一方面出行者一般无法获取或者无法利用预测的交通流参数。随着基于位置的服务的发展，例如网页地图和车辆导航系统，出行者越来越多地利用其提供的交通信息进行出行规划以及路径选择等。利用基于位置服务提供的海量交通数据进行挖掘，为出行者提供准确的、实时的、提前的交通信息，以使得出行者自主进行决策，将会对交通运行起到积极作用。
发明内容
有鉴于此，本发明的目的在于提出一种基于网页地图的实时路况采集和预测方法。
为了实现上述目的，作为本发明的一个方面，本发明提供了一种实时路况的采集方法，包括以下步骤：
利用网页地图提供的开发接口，通过超文本传输协议HTTP发送POST请求获取路段实时路况。
作为本发明的另一个方面，本发明提供了一种实时路况的预测方法，包括以下步骤：
采用如上所述的实时路况的采集方法采集实时路况数据，并存储为本地文件；
利用先验知识，建立路况预测特征模板，采用机器学习方法中的分类技术建立预测模型；
结合所述实时路况数据与历史数据，利用得到的预测模型对未来一段时间的实时路况进行预测。
其中，所述机器学习方法中的分类技术为基于决策树的分类算法。
基于上述技术方案可知，本发明的实时路况采集和预测方法的优点在于：利用网页地图提供的海量开放交通数据，采用机器学习方法建立预测模型，对未来一段时间的路况进行预测，主要为出行者进行自主决策提供交通信息。
附图说明
图1是本发明建立预测模型的工作流程；
图2是采集的部分高德地图提供的在2015年1月6日和7日的路况数据。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本发明公开了一种实时路况的采集和预测方法，包括以下步骤：实时路况采集步骤、预测模型建立步骤和路况预测步骤。实时路况采集步骤就是利用网页地图提供的开发接口，通过超文本传输协议(HyperTextTransferProtocol，HTTP)发送POST请求获取路段实时路况，并存储为本地文件作为建立预测模型的数据库。预测模型建立步骤就是利用先验知识，建立路况预测特征模板，采用机器学习方法中的分类技术建立预测模型。路况预测步骤是指结合实时路况与历史数据，利用预测模型对未来一段时间的路况进行预测。
其中，路况预测特征模板例如包括如下字段：路段标号、星期几、时段和当前路况。其中各个字段可以全部用数字来表示，例如星期几表示一周中的哪一天，一周共有七天，周日至周一分别由数值0至6表示；时段字段则是将一天24小时分为288个时段，从0开始编号，至277；实时路况字段分为畅通、缓行和拥堵三个级别，分别由“1”、“2”和“3”表示。其中，机器学习方法中的分类技术为基于决策树的分类算法。
下面结合图1所示的工作流程图对本发明进行详细的叙述。如图1，本发明主要分为实时路况数据采集、预测模型建立和路况预测三部分。图1中通过网页地图开发应用接口获取并存储数据为数据采集部分，特征模板设计、分类器训练和评估为预测模型建立部分。
通过HTTPPOST请求将目标路段首末GPS坐标发送给网页地图应用开发接口，接收并存储网页地图服务器回复的JSON(JavaScriptObjectNotation)格式的路况数据。为了同时利用历史与实时路况数据，特征模板设计为包含路段标号、一周中的某一天、一天中的某个时段和当前路况。其中一周共有七天，周日至周一分别由数值0至6表示；一天24小时分为288个时段，从0开始编号，至277；路况数据分为畅通、缓行和拥堵三个级别，分别由“1”、“2”和“3”表示。根据特征模板，将路况数据转化为特征向量，并进一步划分为训练集和测试集。选择基于决策树的分类算法训练预测模型，经过对随机选取的部分路段进行大量测试，预测结果：(1)对于畅通状态，预测时长为30分钟时，准确率为92.7％、召回率为97.2％；预测时长为60分钟时，准确率为88.9％、召回率为98.4％。(2)对于缓行状态，预测时长为30分钟时，准确率为61.6％、召回率为40.2％；预测时长为60分钟时，准确率为63.3％、召回率为23％。(3)对于拥挤状态，预测时长为30分钟时，准确率为63.9％、召回率为55.8；预测时长为60分钟时，准确率为65.2％、召回率为32.2％。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种实时路况的采集方法，包括以下步骤：
利用网页地图提供的开发接口，通过超文本传输协议HTTP发送POST请求获取路段实时路况。
2.一种实时路况的预测方法，包括以下步骤：
采用如权利要求1所述的实时路况的采集方法采集实时路况数据，并存储为本地文件；
利用先验知识，建立路况预测特征模板，采用机器学习方法中的分类技术建立预测模型；
结合所述实时路况数据与历史数据，利用得到的预测模型对未来一段时间的实时路况进行预测。
3.如权利要求2所述的实时路况的预测方法，其中所述路况预测特征模板包括路段标号字段、星期几字段、时段字段和当前路况字段。
4.如权利要求3所述的实时路况的预测方法，其中所述星期几字段表示一周中的哪一天，周日至周一分别由数值0至6表示。
5.如权利要求3所述的实时路况的预测方法，其中所述时段字段表示将一天24小时分为288个时段，从0开始编号，至277，将进行预测时的时间转化成对应的数字。
6.如权利要求3所述的实时路况的预测方法，其中所述实时路况字段分为畅通、缓行和拥堵三个级别，分别由“1”、“2”和“3”表示。
7.如权利要求2所述的实时路况的预测方法，其中所述机器学习方法中的分类技术为基于决策树的分类算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510651246.XA CN105243841A (zh) | 2015-10-10 | 2015-10-10 | 基于网页地图的实时路况采集与预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510651246.XA CN105243841A (zh) | 2015-10-10 | 2015-10-10 | 基于网页地图的实时路况采集与预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105243841A true CN105243841A (zh) | 2016-01-13 |
Family
ID=55041467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510651246.XA Pending CN105243841A (zh) | 2015-10-10 | 2015-10-10 | 基于网页地图的实时路况采集与预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105243841A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109724611A (zh) * | 2019-01-08 | 2019-05-07 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
| CN109737975A (zh) * | 2018-12-21 | 2019-05-10 | 北京四维图新科技股份有限公司 | 地图数据采集监测方法、装置及系统 |
| CN109754606A (zh) * | 2019-02-28 | 2019-05-14 | 山东浪潮云信息技术有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
| CN110246331A (zh) * | 2019-05-30 | 2019-09-17 | 武汉智云集思技术有限公司 | 基于指标数据的路况分析方法、设备及可读存储介质 |
| US11594126B2 (en) | 2020-08-28 | 2023-02-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for a traffic flow monitoring and graph completion system |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101438334A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 未来交通状况的动态时序预测 |
| US20100063715A1 (en) * | 2007-01-24 | 2010-03-11 | International Business Machines Corporation | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
| CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
| CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
| CN102542801A (zh) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
| CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
| 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 |
| CN103700254A (zh) * | 2013-12-31 | 2014-04-02 | 同济大学 | 一种基于位置服务的路况分享系统 |
| CN103745106A (zh) * | 2014-01-10 | 2014-04-23 | 浙江银江研究院有限公司 | 一种短时交通流预测方法 |
| CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
| CN103903441A (zh) * | 2014-04-04 | 2014-07-02 | 山东省计算中心 | 一种基于半监督学习的道路交通状态判别方法 |
| US20150241242A1 (en) * | 2014-02-21 | 2015-08-27 | Iteris, Inc. | Short-term travel-time prediction modeling augmented with radar-based precipitation predictions and scaling of same |
| CN104882020A (zh) * | 2015-06-05 | 2015-09-02 | 刘光明 | 预测交通状况和行车时间 |
-
2015
- 2015-10-10 CN CN201510651246.XA patent/CN105243841A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101438334A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 未来交通状况的动态时序预测 |
| US20100063715A1 (en) * | 2007-01-24 | 2010-03-11 | International Business Machines Corporation | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
| CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
| CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
| CN102542801A (zh) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
| CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
| 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 |
| CN103700254A (zh) * | 2013-12-31 | 2014-04-02 | 同济大学 | 一种基于位置服务的路况分享系统 |
| CN103745106A (zh) * | 2014-01-10 | 2014-04-23 | 浙江银江研究院有限公司 | 一种短时交通流预测方法 |
| CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
| US20150241242A1 (en) * | 2014-02-21 | 2015-08-27 | Iteris, Inc. | Short-term travel-time prediction modeling augmented with radar-based precipitation predictions and scaling of same |
| CN103903441A (zh) * | 2014-04-04 | 2014-07-02 | 山东省计算中心 | 一种基于半监督学习的道路交通状态判别方法 |
| CN104882020A (zh) * | 2015-06-05 | 2015-09-02 | 刘光明 | 预测交通状况和行车时间 |
Non-Patent Citations (9)
| Title |
|---|
| VLADIMIR CORIC: "Traffic speed forecasting by mixture of experts", 《2011 14TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
| 吴兵等: "利用数据挖掘技术建立城市区域交通流状态分析预测模型", 《公路交通技术》 * |
| 戴娟莉等: "基于多因素的交通指数回归分析短时预测研究", 《公路与汽运》 * |
| 房丽侠等: "基于决策树的交通拥挤状态预测", 《河北工业大学学报》 * |
| 曹代勇: "《地球科学与测绘技术进展》", 31 May 2010, 地质出版社 * |
| 杨胜等: "基于决策树的城市短时交通流预测", 《计算机工程》 * |
| 梁嘉豪: "《马云VS马化腾在争什么：从B2B到O2O的大数据营销》", 30 September 2014 * |
| 聂中伟: "基于多传感器感知道路交通数据融合模型的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 赵明: "智能交通系统数据挖掘与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109737975A (zh) * | 2018-12-21 | 2019-05-10 | 北京四维图新科技股份有限公司 | 地图数据采集监测方法、装置及系统 |
| CN109724611A (zh) * | 2019-01-08 | 2019-05-07 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
| CN109724611B (zh) * | 2019-01-08 | 2020-07-17 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
| CN109754606A (zh) * | 2019-02-28 | 2019-05-14 | 山东浪潮云信息技术有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
| CN109754606B (zh) * | 2019-02-28 | 2021-08-31 | 浪潮卓数大数据产业发展有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
| CN110246331A (zh) * | 2019-05-30 | 2019-09-17 | 武汉智云集思技术有限公司 | 基于指标数据的路况分析方法、设备及可读存储介质 |
| US11594126B2 (en) | 2020-08-28 | 2023-02-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for a traffic flow monitoring and graph completion system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105243841A (zh) | 基于网页地图的实时路况采集与预测方法 | |
| CN102799897B (zh) | 基于gps定位的交通方式组合出行的计算机识别方法 | |
| CN106327865B (zh) | 一种基于渗流分析的城市交通可靠性指标及其实现方法 | |
| CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
| CN103177561B (zh) | 公交实时路况的生成方法 | |
| CN106779212A (zh) | 一种基于改进蚁群算法的城市旅游路线规划方法 | |
| CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
| CN106408984B (zh) | 基于物联网的城市交通流诱导系统 | |
| CN108074415A (zh) | 一种基于用户行为的车辆目的地预测方法及系统 | |
| CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
| CN104121908A (zh) | 一种延时路径规划的方法和系统 | |
| CN106017496A (zh) | 一种基于路况的实时导航方法 | |
| CN110210652A (zh) | 一种轨道交通站点客流控制方法及装置 | |
| CN105489043A (zh) | 基于车载自组网的实时路径规划方法 | |
| CN109612488A (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
| CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
| Kanamori et al. | Evaluation of anticipatory stigmergy strategies for traffic management | |
| CN103793763A (zh) | 基于大数据与云计算的最优公交乘车路径挖掘系统 | |
| CN113706862A (zh) | 一种考虑路网容量约束的分布式主动均衡管控方法 | |
| CN103942312A (zh) | 公交换乘线路规划方法和装置 | |
| CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
| CN106373384B (zh) | 边远地区客运班车线路实时生成方法 | |
| CN106529765A (zh) | 采集作业的绩效评估方法和装置 | |
| CN109816271A (zh) | 基于共享单车轨迹数据的自行车道服务水平评价方法 | |
| Halim et al. | On finding optimum commuting path in a road network: a computational approach for smart city traveling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160113 |
|
| RJ01 | Rejection of invention patent application after publication |