CN105551239B - 旅行时间预测方法及装置 - Google Patents

旅行时间预测方法及装置 Download PDF

Info

Publication number
CN105551239B
CN105551239B CN201510896752.5A CN201510896752A CN105551239B CN 105551239 B CN105551239 B CN 105551239B CN 201510896752 A CN201510896752 A CN 201510896752A CN 105551239 B CN105551239 B CN 105551239B
Authority
CN
China
Prior art keywords
state vector
matched
existing state
speed
vector
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.)
Active
Application number
CN201510896752.5A
Other languages
English (en)
Other versions
CN105551239A (zh
Inventor
陈日强
张素芬
王启明
赵永忠
白继根
叶晗
樊迪
李少丁
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.)
BEIJING BOYU TONGDA TECHNOLOGY Co Ltd
Beijing Yun Xingyu Transport Science And Techonologies Inc Co
Original Assignee
BEIJING BOYU TONGDA TECHNOLOGY Co Ltd
Beijing Yun Xingyu Transport Science And Techonologies Inc Co
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 BEIJING BOYU TONGDA TECHNOLOGY Co Ltd, Beijing Yun Xingyu Transport Science And Techonologies Inc Co filed Critical BEIJING BOYU TONGDA TECHNOLOGY Co Ltd
Priority to CN201510896752.5A priority Critical patent/CN105551239B/zh
Publication of CN105551239A publication Critical patent/CN105551239A/zh
Application granted granted Critical
Publication of CN105551239B publication Critical patent/CN105551239B/zh
Active 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种旅行时间预测方法及装置。旅行时间预测方法包括如下步骤：获取待匹配状态向量，待匹配状态向量包括起点、终点、出发时刻起点的速度和流量、以及出发时刻所属的时间段；在预先设定的模式库中搜索与待匹配状态向量中的起点、终点和出发时刻所属的时间段均相同的预存状态向量，并将搜索到的各预存状态向量与待匹配状态向量进行匹配；根据匹配成功的各预存状态向量的预存旅行时间确定获取步骤中从起点到终点所需的旅行时间。在旅行过程中，时间段、流量和速度是影响旅行时间的主要因素，所以本发明选择了该三个参量作为参考参数进行搜索，提高了旅行预测时间的准确性。

Description

旅行时间预测方法及装置
技术领域
本发明涉及公共交通技术领域，具体而言，涉及一种旅行时间预测方法及装置。
背景技术
随着基础设施建设的不断发展，公路出行，尤其是高速公路出行越来越成为人们主要的出行方式。目前，预测旅行时间的主要方法是卡尔曼滤波方法和统计回归方法，但通过上述方法预测的旅行时间误差均较大。
发明内容
鉴于此，本发明提出了一种旅行时间预测方法及装置，旨在解决现有预测方法的误差较大的问题。
一个方面，本发明提出了一种旅行时间预测方法，该方法包括如下步骤：获取步骤，获取待匹配状态向量，所述待匹配状态向量包括起点、终点、出发时刻起点的速度和流量、以及出发时刻所属的时间段；匹配步骤，在预先设定的模式库中搜索出与待匹配状态向量中的起点、终点和出发时刻所属的时间段均相同的预存状态向量，根据搜索出的各预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次对搜索出的各预存状态向量和待匹配状态向量进行匹配；所述预存状态向量包括起点、终点、出发时刻起点的速度和流量、出发时刻所属的时间段、以及从起点到终点的预存旅行时间；确定步骤，根据匹配成功的各预存状态向量的预存旅行时间确定获取步骤中从起点到终点所需的旅行时间。
进一步地，上述旅行时间预测方法中，所述匹配步骤中的预存状态向量与待匹配状态向量的匹配方法进一步包括：计算子步骤，根据搜索出的预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次计算搜索出的各预存状态向量与待匹配状态向量之间的距离；匹配第一子步骤，如果搜索出的预存状态向量的个数大于K，则按照预存状态向量按照与待匹配状态向量之间的距离从小到大的顺序对各预存状态向量进行排序，并选取前K个预存状态向量作为匹配成功的向量；匹配第二子步骤，如果搜索出的预存状态向量的个数小于等于K，则将各预存状态向量均作为匹配成功的向量；其中，K为预设的正整数。
进一步地，上述旅行时间预测方法中，所述计算子步骤中，通过欧氏距离计算各预存状态向量与待匹配状态向量之间的距离。
进一步地，上述旅行时间预测方法中，所述确定步骤中，将匹配成功的各预存状态向量的预存旅行时间进行加权平均计算，得到的加权平均值即为获取步骤中从起点到终点所需的旅行时间；匹配成功的各预存状态向量的权重为：上式中，βi为第i个预存状态向量的权重，di为第i个预存状态向量与待匹配状态向量之间的距离。
进一步地，上述旅行时间预测方法中，所述模式库中还对预存状态向量中的速度和流量分别进行区间划分，并将各预存状态向量按照所属的速度和流量区间进行归类编码；所述匹配步骤中还确定待匹配状态向量中的速度和流量的所属区间，并将搜索出的在所属区间内的预存状态向量与待匹配状态向量进行匹配。
进一步地，上述旅行时间预测方法中，所述待匹配状态向量中的速度为出发时刻起点的道路断面速度，所述待匹配状态向量中的流量为出发时刻起点的道路断面流量；所述模式库中预存状态向量的速度为出发时刻起点的道路断面速度，所述模式库中预存状态向量的流量为出发时刻起点的道路断面流量。
进一步地，上述旅行时间预测方法中，所述确定步骤之后还包括：添加步骤，将所述确定步骤中确定的从起点到终点所需的旅行时间添加入待匹配状态向量中，再将添加所需旅行时间后的待匹配状态向量添加入模式库中，作为预存状态向量。
本发明以大量的历史数据为依托，先在历史数据中搜索出与本次旅行的起点、终点和时间段相同的预存状态向量，然后再通过匹配筛选出与待匹配状态向量相近的预存状态向量，再对筛选后的预存状态向量的预存旅行时间进行综合考虑，得到本次旅行所需要的时间，该种计算方式误差比较小。由于在旅行过程中，时间段、流量和速度是影响旅行时间的主要因素，所以本发明选择了该三个参量作为参考参数进行搜索，该种搜索方式可以找到更为接近的历史状态向量，提高了旅行预测时间的准确性。
另一方面，本发明还提出了一种旅行时间预测装置，该装置包括：获取模块，用于获取待匹配状态向量，所述待匹配状态向量包括起点、终点、出发时刻起点的速度和流量、以及出发时刻所属的时间段；匹配模块，用于在预先设定的模式库中搜索出与待匹配状态向量中的起点、终点和出发时刻所属的时间段均相同的预存状态向量，根据搜索出的各预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次对搜索出的各预存状态向量和待匹配状态向量进行匹配；所述预存状态向量包括起点、终点、出发时刻起点的速度和流量、出发时刻所属的时间段、以及从起点到终点的预存旅行时间；确定模块，用于根据匹配成功的各预存状态向量的预存旅行时间确定获取步骤中从起点到终点所需的旅行时间。
进一步地，上述旅行时间预测装置中，所述匹配模块进一步包括：计算子模块，用于通过搜索出的预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次计算各预存状态向量与待匹配状态向量之间的距离；匹配第一子模块，用于如果搜索出的预存状态向量的个数大于K，则按照预存状态向量按照与待匹配状态向量之间的距离从小到大的顺序对各预存状态向量进行排序，并选取前K个预存状态向量作为匹配成功的向量；匹配第二子模块，用于如果搜索出的预存状态向量的个数小于等于K，则将各预存状态向量均作为匹配成功的向量；其中，K为预设的正整数。
进一步地，上述旅行时间预测装置还包括：添加模块，用于将所述确定模块中确定的从起点到终点所需的旅行时间添加入待匹配状态向量中，再将添加所需旅行时间后的待匹配状态向量添加入模式库中，作为预存状态向量。
旅行时间预测装置与旅行时间预测方法具有相同的技术效果，故不赘述。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的旅行时间预测方法流程图；
图2为本发明实施例提供的旅行时间预测方法流程图中，匹配方法流程图；
图3为本发明实施例提供的旅行时间预测方法的又一流程图；
图4为本发明实施例提供的旅行时间预测方法流程图中，模式库的结构示意图；
图5为本发明实施例提供的旅行时间预测方法流程图中，时间插值法的示意图；
图6为本发明实施例提供的旅行时间预测装置的结构框图；
图7为本发明实施例提供的旅行时间预测装置中，匹配模块的结构框图；
图8为本发明实施例提供的旅行时间预测装置的又一结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
预测方式实施例：
参见图1，图1为本发明实施例提供的一种旅行时间预测方法的流程图。如图所示，该方法包括如下步骤：
获取步骤S1，获取待匹配状态向量，待匹配状态向量包括起点、终点、出发时刻起点的速度和流量、以及出发时刻所属的时间段。
待匹配状态向量提供了预测旅行时间需要的参数。其中，起点(出发地)和终点(目的地)可以为收费站，也可以为路上的任一地点。由于时段的不同决定了自然光照的强弱，可能对驾驶员的驾驶有一定影响，此外，时段的不同还可能会影响道路上车辆类型的比例，例如夜间行车的大货车数量要远远多于白天，这也是影响行车速度的主要因素，基于上述因素，可以将一天分为白天和夜间两个时间段，其中，白天可以设定为6:00-22：00，夜间可以设定为22:00-次日6:00，当然，这只是示意性地给出了时间段的一种具体设定方式，具体实施时，可以根据各地的实际情况设定多个时间段，时间段设置的越多，预测出的旅行时间的误差也会越小，时间段的具体设定方式可以根据实际情况来确定，本实施例对其不做任何限定。
出发时刻起点的速度和流量指的是起点的道路断面速度和断面流量，具体实施时，该断面速度和断面流量可以通过在车辆前方(车行方向上的前方)的与起点最邻近的一个微波车检器获得。微波车检器具有分车道检测的特征，可以分别获得各车道在某时刻的速度和流量，本实施例根据离起点最邻近的微波车检器检测在出发时刻各车道的速度和流量得到出发时刻该微波检测器处的断面速度和断面流量，并将该断面速度和断面流量作为出发时刻起点的速度和流量，具体计算方法为：
在起点前方与起点最近的微波车检器在出发时刻的断面速度为：(公式1)，该式中，表示该微波车检器安装地点的断面速度，即经过检测器断面的所有车辆的平均速度；Vi表示微波车检器测得的第i个车道在出发时刻的速度，Qi表示微波车检器测得的第i个车道在出发时刻的流量，n表示车道的数量。本实施例中，将与起点最邻近的微波车检器在出发时刻的断面速度作为出发时刻起点的速度。
在起点前方与起点最近邻的微波车检器在车发时刻的断面流量为：(公式2)，该式中，表示该微波车检器安装地点的断面流量；Qi表示该微波车检器测得的第i个车道在出发时刻的流量，n表示车道的数量。本实施例中，将在起点前方且与起点最邻近的微波车检器在出发时刻的断面流量作为出发时刻起点的流量。
匹配步骤S2，在预先设定的模式库中搜索出与待匹配状态向量中的起点、终点和出发时刻所属的时间段均相同的预存状态向量，根据搜索出的各预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次对搜索出的各预存状态向量和待匹配状态向量进行匹配；预存状态向量包括起点、终点、出发时刻的速度和流量、出发时刻所属的时间段、以及从起点到终点的预存旅行时间。
具体地，预先设定一模式库，模式库中存储有大量的预存状态向量，预存状态向量中记录有起点(出发地)、终点(目的地)、出发时刻起点的速度和流量、出发时刻所属的时间段以及从起点到终点的预存旅行时间。搜索时，先搜索出与待匹配状态向量的起点、终点和出发时刻所属的时间段均相同的预存状态向量，然后再将搜索出的各预存状态向量与待匹配状态向量进行匹配，满足匹配条件，说明预存状态向量与待匹配状态向量较为接近，筛选出匹配成功的预存状态向量。具体匹配时，可以根据搜索出的各预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次对搜索出的各预存状态向量和待匹配状态向量进行匹配，具体匹配方法多样，本实施例对其不做任何限定。
确定步骤S3，根据匹配成功的各预存状态向量的预存旅行时间确定获取步骤中从起点到终点所需的旅行时间。
具体地，匹配成功的预存状态向量一般为多个向量，可以对多个向量的旅行时间进行综合考虑，例如对匹配成功的各预存状态向量的预存旅行时间取均值，将该均值作为获取步骤S1中从起点到终点所需的旅行时间。
本实施例中，以模式库中的大量历史数据为依托，先在历史数据中搜索出与本次旅行的起点、终点和时间段相同的预存状态向量，然后再通过匹配筛选出与待匹配状态向量相近的预存状态向量，再对筛选后的预存状态向量的预存旅行时间进行综合考虑，得到本次旅行所需要的时间，该种预测方式误差比较小。由于在旅行过程中，时间段、流量和速度是影响旅行时间的主要因素，所以本实施例选择了该三个物理量作为参考量进行搜索，该种搜索方式可以找到更为接近的历史状态向量，提高了旅行预测时间的准确性。
进一步地，由于模式库中存储有大量的预存状态向量，所以为了提高匹配速度，可以对模式库中的速度和流量区间进行统计并等距离划分和编码，匹配时只需要在指定的某一个对应的速度-流量区间内进行匹配即可，具体为：模式库中还对预存状态向量中的速度和流量分别进行区间划分，并把速度和流量所属的区间均相同的预存状态向量进行归类并编码；匹配步骤S2中还确定待匹配状态向量中的速度和流量所属的区间，并根据待匹配状态向量中的速度和流量所属的区间找到模式库中该速度和流量区间内所有的预存状态向量，然后再在该预存状态向量中进行匹配，这势必会大大地简化匹配的计算过程，缩短匹配时间，提高匹配效率。
参见图2，图2为预存状态向量与待匹配状态向量匹配方法流程图。为了在搜索出的预存状态向量中寻找出与待匹配状态向量相似的预存状态向量，本实施例可以采用K近邻策略进行搜索，即设定一个数量K，在搜索出的所有预存状态向量中最多选出K个与待匹配状态向量最相似的预存状态向量，具体可以用预存状态向量与待匹配状态向量之间的距离的大小来描述相似性。如图2所示，预存状态向量与待匹配状态向量的具体匹配方法可以包括如下步骤：
计算子步骤S21，根据搜索出的各预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次计算各预存状态向量与待匹配状态向量之间的距离。
具体地，可以根据欧氏距离公式来计算预存状态向量与待匹配状态向量之间的距离，具体计算公式如下：
该式中，d(W,P)为待匹配状态向量和预存状态向量之间的距离，Vw为待匹配状态向量中的速度，Qw为待匹配状态向量中的流量，Vp为预存状态向量中的速度，Qp为预存状态向量中的流量。
匹配第一子步骤S22，如果搜索出的预存状态向量的个数大于K，则按照预存状态向量与待匹配状态向量之间的距离d(W,P)从小到大的顺序对各预存状态向量进行排序，并选取前K个预存状态向量作为匹配成功的向量。需要说明的是，具体实施时，可以根据实际情况来确定K值，本实施例对其不做任何限定。
匹配第二子步骤S23，如果搜索出的预存状态向量的个数小于等于K，则将搜索出的各预存状态向量均作为匹配成功的向量，也就是说，在搜索出的预存状态向量的个数小于等于K时，将搜索到的所有预存状态向量均作为匹配成功的预存状态向量。
需要说明的是，匹配第一子步骤S22与匹配第二子步骤S23的顺序可以互换。
本实施例中，采用K近邻策略的匹配方式对预存状态向量与待匹配状态向量进行匹配，匹配效果比较好，可以获得与待匹配状态向量更为相似的预存状态向量，而且该匹配方法较为简单。
可以看出，通过匹配的方式可以筛选出多个预存状态向量，而每个预存状态向量均为与待匹配状态向量较为相似的向量，为了提高旅行时间预测的准确性，可以将匹配成功的多个预存状态向量中的预存旅行时间进行加权平均计算，得到的加权平均值即为获取步骤S1中从起点到终点所需的预测旅行时间。设匹配成功的的K个最近邻的预存状态向量分别为P1～PK，它们与待匹配状态向量的距离分别为d1～dK，各预存状态向量的预存旅行时间分别为t1～tK，则获取步骤S1中从起点到终点所需的旅行时间的预测值t′为：其中，该式中，βi为第i个预存状态向量的权重，di为第i个预存状态向量与待匹配状态向量之间的距离。该式体现了与待匹配状态向量相似度越高，则预存旅行时间越具有参考价值，所以进一步提高了预测旅行时间的准确度。
参见图3，图3为本发明实施例提供的旅行时间预测方法的又一流程图。如图所示，该实施例在图1所示实施方式的基础上，在确定步骤S3之后还可以增加添加步骤S4。该添加步骤S4中，将确定步骤S3中确定的从起点到终点所需的旅行时间添加入待匹配状态向量中，再将添加所需旅行时间后的待匹配状态向量添加入模式库中，作为预存状态向量。可以看出，本实施例将更为准确的旅行时间预测值添加入模式库中，充实了模式库，为后续的旅行时间预测提供了更为准确的数据依据，提高了后续旅行时间预测的准确度。
下面结合图4，对本实施例中的模式库的一种优选建立方法进行详细说明。该模式库中存储的预存状态向量包括两部分，其中一部分为速度、流量和时间段，另一部分为预存的旅行时间，可表示为：[T,S,Q]||[t]。下面对模式库的具体建立方法进行详细说明：
步骤一，获取道路上设置的各个微波车检器检测的道路的瞬时速度和瞬时流量，然后按照上面提及的公式1和公式2计算该微波车检器安装地点的道路断面速度和断面流量。一般而言，车检器的布设距离为3-4km，这种布设的稀疏性导致在求取车检器间任意一点速度时简单的调和平均和单一的空间插值方法存在非线性误差大，预测精度低的缺陷。因此，考虑车检器采集的断面车速数据在空间和时间上的连续性特征，对道路断面速度进行时间和空间插值，以此来得到路段上任一点在任意时刻的速度，具体插值方法为：
时间线性内插法，如图5所示，计算相邻检测点各自的时间平均速度，其公式可以表示为：
式中，V(d,t)为h时段内检测点d在t时刻的速度，V(d,h-1)为h-1时段内检测点d的平均速度，V(d,h)为h时段内检测点d的平均速度，V(d+1,t)为h时段内检测点d+1在t时刻的平均速度；V(d+1,h-1)为h-1时段内检测点d+1的平均速度，V(d+1,h)为h时段内检测点d+1的平均速度，t0为时段h的起始时间；ΔT为h的持续时间。
空间线性内插法，来计算路段任意位置的断面速度，其计算公式为：
式中，V(x,t)为t时刻路段x位置的断面速度；x(t)为h时段内t时刻车辆在路段上的位置；xd为路段上检测点d所在的位置；l为检测点d与检测点d+1之间路段长度。
在上述插值的基础上，对道路上A、B两点之间的预存旅行时间的计算方法为：首先按照上述插值方法得到A、B两点之间的C点的断面速度，然后通过下式得到A、B两点之间的预存旅行时间t：
上式中，t为A、B两点之间的预存旅行时间，lAC为A、C两点之间的距离，lCB为B、C两点之间的距离，VA、VB、VC分别为A点、B点和C点的断面速度。
可以看出，在计算A、B两点的旅行时间时,在A、B之间的插值越多，得到的预存旅行时间误差也会越小，但同时计算量也会越大，具体实施时，可以根据实际情况来确定插值的数量。
需要说明的是，模式库中的预存状态向量中的各参数和旅行时间也可以按照本领域技术人员所熟知的其他方法建立，本实施例对其不做任何限定。
需要说明的是，获取步骤S1中的出发时刻起点的速度也可以按照该种插值方式获取。
依照上述计算方法，可以得到道路上任意两点之间的旅行时间，以及得到在出发时刻起点的速度。
对于模式库中各预存状态向量的流量，可以按照如下方法建立：对于设置有车检器位置的断面流量可按照公式2进行计算获得，对于在各车检器之间的各插值点的流量，可以将在车行方向上，位于该插值点前方且与该插值点最近的车检器位置在该时刻的断面流量作为该插值点在该时刻的断面流量。
步骤二，对于上述得到的多个预存状态向量，分别对速度和流量进行区间等距离化分。由于模式匹配法以大量的历史数据为基础，所以为了加速匹配过程中的匹配速度，对模式库中的数据区间进行统计并等距离划分和编码。匹配时只需要在指定的某一个对应的速度-流量区间内进行搜索即可。
表1等距离划分的数据分布
表1中给出了一速度和流量进行分区的具体划分实例，从该表中看出在各个速度-流量区间内的预存状态向量的个数，例如，在速度为71-80，且流量为36-70的区间内有248个预存状态向量，匹配时，先在模式库中搜索出与待匹配向量的起点、终点和时间段均相同的预存状态向量，然后再确定待匹配状态向量所属的速度区间和流量区间，并将搜索出的属于该速度区间和流量区间内的各预存状态向量与待匹配状态向量进行匹配，例如，对于速度为75、流量为40的待匹配状态向量，可以在上述区间内的248个预存状态向量内进行匹配，可以看出，该种方式可以大大地减小匹配时间，提高匹配效率。
步骤三，将上述预存状态向量填入模式库中，模式库结构由图4所示，其中模式库Model library由各个站间的模式子库构成(A、B、C、D表示不同的路段地点)，每个子库中包含的信息有：速度V、流量Q、平均速度区间编码i、车流量区间编码R、时段编码Time_number(白天6:00-22：00编码0；夜晚22:00-次日6:00编码1)、旅行时间timeA-B。
综上，由于在旅行过程中，时间段、流量和速度是影响旅行时间的主要因素，所以本实施例选择了该三个参量作为参考参数进行搜索，该种搜索方式可以找到更为详细的历史状态向量，提高了旅行预测时间的准确性。
预测装置实施例：
参见图6，图6为本发明实施例提供的旅行时间预测装置的结构框图。如图所示，该装置包括：获取模块100，用于获取待匹配状态向量，所述待匹配状态向量包括起点、终点、出发时刻的速度和流量、以及出发时刻所属的时间段。匹配模块200，用于在预先设定的模式库中搜索出与待匹配状态向量中的起点、终点和出发时刻所属的时间段均相同的预存状态向量，根据搜索出的各预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次对搜索出的各预存状态向量和待匹配状态向量进行匹配；预存状态向量包括起点、终点、出发时刻的速度和流量、出发时刻所属的时间段、以及从起点到终点的预存旅行时间。确定模块300，用于根据匹配成功的各预存状态向量的预存旅行时间确定获取步骤中从起点到终点所需的旅行时间。本实施例的具体实施过程参见上述方法实施例即可，本实施例在此不再赘述。
本实施例中，以大量的历史数据为依托，先在历史数据中搜索出与本次旅行的起点、终点和时间段相同的预存状态向量，然后再通过匹配筛选出与待匹配状态向量相近的预存状态向量，在对筛选后的预存状态向量的预存旅行时间进行取均值，得到本次旅行所需要的时间，该种计算方式误差比较小。由于在旅行过程中，时间段、流量和速度是影响旅行时间的主要因素，所以本实施例选择了该三个参量作为参考参数进行搜索，该种搜索方式可以找到更为详细的历史状态向量，提高了旅行预测时间的准确性。
参见图7，图7为匹配模块200的结构框图。如图所示，匹配模块200进一步包括：计算子模块210，用于通过预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次计算各预存状态向量与待匹配状态向量之间的距离；匹配第一子模块220，用于如果预存状态向量的个数大于K，则按照预存状态向量按照与待匹配状态向量之间的距离从小到大的顺序对各预存状态向量进行排序，并选取前K个预存状态向量作为匹配成功的向量；匹配第二子模块230，用于如果预存状态向量的个数小于等于K，则将各预存状态向量均作为匹配成功的向量；其中，K为预设的正整数。本实施例的具体实施过程参见上述方法实施例即可，本实施例再次概不赘述。
本实施例中，采用K近邻策略进行匹配的方式获得的匹配成功的预存状态向量与待匹配状态向量更为接近，而且确定方法也较为简单。
上述实施例中，确定模块300还用于将匹配成功的各预存状态向量的预存旅行时间进行加权平均计算，得到的加权平均值即为获取步骤中从起点到终点所需的旅行时间。具体实施过程参见上述方法实施例即可，本实施例在此不再赘述。
参见图8，上述各实施例中还可以包括：添加模块400，用于将确定模块300中确定的从起点到终点所需的旅行时间添加入待匹配状态向量中，再将添加所需旅行时间后的待匹配状态向量添加入模式库中，作为预存状态向量。具体实施过程参见上述方法实施例即可，本实施例在此不再赘述。
综上，由于在旅行过程中，时间段、流量和速度是影响旅行时间的主要因素，所以本实施例选择了该三个参量作为参考参数进行搜索，该种搜索方式可以找到更为详细的历史状态向量，提高了旅行预测时间的准确性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种旅行时间预测方法，其特征在于，包括如下步骤：
获取步骤，获取待匹配状态向量，所述待匹配状态向量包括起点、终点、出发时刻起点的速度和流量、以及出发时刻所属的时间段；
匹配步骤，在预先设定的模式库中搜索出与待匹配状态向量中的起点、终点和出发时刻所属的时间段均相同的预存状态向量，根据搜索出的各预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次对搜索出的各预存状态向量和待匹配状态向量进行匹配；所述预存状态向量包括起点、终点、出发时刻起点的速度和流量、出发时刻所属的时间段、以及从起点到终点的预存旅行时间；
确定步骤，根据匹配成功的各预存状态向量的预存旅行时间确定获取步骤中从起点到终点所需的旅行时间。
2.根据权利要求1所述的旅行时间预测方法，其特征在于，所述匹配步骤中的预存状态向量与待匹配状态向量的匹配方法进一步包括：
计算子步骤，根据搜索出的预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次计算搜索出的各预存状态向量与待匹配状态向量之间的距离；
匹配第一子步骤，如果搜索出的预存状态向量的个数大于K，则按照预存状态向量与待匹配状态向量之间的距离从小到大的顺序对各预存状态向量进行排序，并选取前K个预存状态向量作为匹配成功的向量；
匹配第二子步骤，如果搜索出的预存状态向量的个数小于等于K，则将各预存状态向量均作为匹配成功的向量；其中，K为预设的正整数。
3.根据权利要求2所述的旅行时间预测方法，其特征在于，所述计算子步骤中，通过欧氏距离计算各预存状态向量与待匹配状态向量之间的距离。
4.根据权利要求2所述的旅行时间预测方法，其特征在于，
所述确定步骤中，将匹配成功的各预存状态向量的预存旅行时间进行加权平均计算，得到的加权平均值即为获取步骤中从起点到终点所需的旅行时间；
匹配成功的各预存状态向量的权重为：该式中，βi为第i个预存状态向量的权重，di为第i个预存状态向量与待匹配状态向量之间的距离。
5.根据权利要求1所述的旅行时间预测方法，其特征在于，
所述模式库中还对预存状态向量中的速度和流量分别进行区间划分，并将各预存状态向量按照所属的速度和流量区间进行归类编码；
所述匹配步骤中还确定待匹配状态向量中的速度和流量的所属区间，并将搜索出的在所属区间内的预存状态向量与待匹配状态向量进行匹配。
6.根据权利要求1所述的旅行时间预测方法，其特征在于，
所述待匹配状态向量中的速度为出发时刻起点的道路断面速度，所述待匹配状态向量中的流量为出发时刻起点的道路断面流量；
所述模式库中预存状态向量的速度为出发时刻起点的道路断面速度，所述模式库中预存状态向量的流量为出发时刻起点的道路断面流量。
7.根据权利要求1至6中任一项所述的旅行时间预测方法，其中，所述确定步骤之后还包括：
添加步骤，将所述确定步骤中确定的从起点到终点所需的旅行时间添加入待匹配状态向量中，再将添加旅行时间后的待匹配状态向量添加入模式库中，作为预存状态向量。
8.一种旅行时间预测装置，其特征在于，包括：
获取模块，用于获取待匹配状态向量，所述待匹配状态向量包括起点、终点、出发时刻起点的速度和流量、以及出发时刻所属的时间段；
匹配模块，用于在预先设定的模式库中搜索出与待匹配状态向量中的起点、终点和出发时刻所属的时间段均相同的预存状态向量，根据搜索出的各预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次对搜索出的各预存状态向量和待匹配状态向量进行匹配；所述预存状态向量包括起点、终点、出发时刻起点的速度和流量、出发时刻所属的时间段、以及从起点到终点的预存旅行时间；
确定模块，用于根据匹配成功的各预存状态向量的预存旅行时间确定获取步骤中从起点到终点所需的旅行时间。
9.根据权利要求8所述的旅行时间预测装置，其特征在于，所述匹配模块进一步包括：
计算子模块，用于通过搜索出的预存状态向量中的速度和流量与待匹配状态向量中的速度和流量，依次计算各预存状态向量与待匹配状态向量之间的距离；
匹配第一子模块，用于如果搜索出的预存状态向量的个数大于K，则按照预存状态向量与待匹配状态向量之间的距离从小到大的顺序对各预存状态向量进行排序，并选取前K个预存状态向量作为匹配成功的向量；
匹配第二子模块，用于如果搜索出的预存状态向量的个数小于等于K，则将各预存状态向量均作为匹配成功的向量；其中，K为预设的正整数。
10.根据权利要求8或9所述的旅行时间预测装置，其特征在于，还包括：
添加模块，用于将所述确定模块中确定的从起点到终点所需的旅行时间添加入待匹配状态向量中，再将添加所需旅行时间后的待匹配状态向量添加入模式库中，作为预存状态向量。
CN201510896752.5A 2015-12-08 2015-12-08 旅行时间预测方法及装置 Active CN105551239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510896752.5A CN105551239B (zh) 2015-12-08 2015-12-08 旅行时间预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510896752.5A CN105551239B (zh) 2015-12-08 2015-12-08 旅行时间预测方法及装置

Publications (2)

Publication Number Publication Date
CN105551239A CN105551239A (zh) 2016-05-04
CN105551239B true CN105551239B (zh) 2017-09-29

Family

ID=55830409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510896752.5A Active CN105551239B (zh) 2015-12-08 2015-12-08 旅行时间预测方法及装置

Country Status (1)

Country Link
CN (1) CN105551239B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107345816B (zh) * 2016-05-06 2020-07-10 阿里巴巴（中国）有限公司 一种公交路线规划方法及装置
CN106228268A (zh) * 2016-07-26 2016-12-14 北京航空航天大学 一种基于收费数据的高速公路旅行时间的预测方法
CN107945507B (zh) 2016-10-13 2020-08-11 腾讯科技（深圳）有限公司 行程时间预测方法及装置
CN106940930B (zh) * 2016-11-01 2019-08-06 深圳市城市交通规划设计研究中心有限公司 高速公路行程时间预测系统和预测方法
CN107527501A (zh) * 2017-06-05 2017-12-29 交通运输部公路科学研究所 一种高速公路站间行程时间数据的构造方法以及预测高速公路行程时间的方法
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
CN108629982B (zh) * 2018-05-16 2020-12-29 中山大学 一种基于旅行时间分布规律的路段车辆数估计方法
CN111678531B (zh) * 2020-06-18 2023-11-14 李�昊 一种基于LightGBM的地铁路径规划方法
CN112071061B (zh) * 2020-09-11 2021-10-15 武汉云上融媒科技有限公司 基于云计算和数据分析的车辆服务系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706888B (zh) * 2009-04-30 2012-07-18 北京世纪高通科技有限公司 一种旅行时间预测的方法
JP4693935B1 (ja) * 2010-06-14 2011-06-01 株式会社野村総合研究所 旅行時間提供装置、旅行時間提供方法及び旅行時間提供プログラム
WO2012086301A1 (ja) * 2010-12-21 2012-06-28 住友電気工業株式会社 信号制御装置、コンピュータプログラム及び信号制御方法
CN104346926B (zh) * 2013-07-31 2017-09-12 国际商业机器公司 行驶时间预测方法和装置、以及相关终端设备
CN104346925B (zh) * 2013-07-31 2016-08-31 国际商业机器公司 预测行车时间的方法和系统
CN104599486B (zh) * 2014-05-29 2017-07-21 腾讯科技（深圳）有限公司 一种道路通行时间的计算方法及装置
CN104408958B (zh) * 2014-11-11 2016-09-28 河海大学 一种城市动态路径行程时间预测方法

Also Published As

Publication number Publication date
CN105551239A (zh) 2016-05-04

Similar Documents

Publication Publication Date Title
CN105551239B (zh) 旅行时间预测方法及装置
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN104050817B (zh) 限速信息库生成、限速信息检测的方法和系统
Chen et al. An improved adaptive signal control method for isolated signalized intersection based on dynamic programming
CN104574967B (zh) 一种基于北斗的城市大面积路网交通感知方法
CN104157139B (zh) 一种交通拥堵预测方法及可视化方法
CN110570660A (zh) 一种实时在线交通仿真系统及方法
CN100580735C (zh) 基于探测车技术的实时动态交通信息处理方法
CN100463009C (zh) 一种交通信息融合处理方法和系统
CN102102992B (zh) 基于多级网络划分的匹配道路初筛方法及地图匹配系统
CN107832882A (zh) 一种基于马尔科夫决策过程的出租车寻客策略推荐方法
CN104731963B (zh) 一种基于车联网的网格化路径推荐方法及系统
CN109959388A (zh) 一种基于栅格扩展模型的智能交通精细化路径规划方法
CN105989737B (zh) 一种停车诱导方法
Chung Classification of traffic pattern
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN106447119A (zh) 一种基于卷积神经网络的短期交通流量预测方法及系统
CN107195180A (zh) 一种基于电警数据的交通出行轨迹提取方法和装置
CN110517479A (zh) 一种城市道路交通预测方法、装置及电子设备
CN102646332A (zh) 基于数据融合的交通状态估计装置和方法
CN103680127A (zh) 一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法
CN109242153A (zh) 一种立体停车场取车路径规划方法
CN106504548A (zh) 交通灯智能控制方法及系统
Chen et al. A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways
CN105279963B (zh) 一种获取路况信息的方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant