CN105868870A

CN105868870A - 一种基于数据融合的城市快速路旅行时间估计方法和装置

Info

Publication number: CN105868870A
Application number: CN201610326448.1A
Authority: CN
Inventors: 李萌; 倪炜; 陈喜群; 姜涵
Original assignee: Beijing Dcrossing Technology Co Ltd
Priority date: 2016-05-17
Filing date: 2016-05-17
Publication date: 2016-08-17

Abstract

一种基于数据融合的城市快速路旅行时间估计方法和装置，所述方法包括：取得车辆的起始位置和起始时间，对不同数据源的车辆数据进行融合并获得融合后的速度场，再利用速度场估计车辆旅行时间；所述装置包括：输入单元、速度场估计单元、迭代单元和旅行时间计算单元；该方法和装置能够有效整合固定检测器和浮动车等不同来源的数据，从而对旅行时间进行更好地估计。

Description

一种基于数据融合的城市快速路旅行时间估计方法和装置

技术领域

本发明涉及智能交通领域，特别涉及城市快速路的旅行时间估计方法和装置。

背景技术

人们在驾车出行的时候，最关心的问题路上所花费的时间，花费的时间决定了交通方式的选择和路线的选择；交通运营管理部门基于对旅行时间时空分布的了解，能够找到路网中可能存在的问题并且解决问题。所以，在各种交通状态参量中，最能反映道路路网服务水平的参数就是旅行时间。事实上现存的许多不同种类的检测器采集的数据都能够用于旅行时间的估计：最直接的数据就是车牌识别数据（AVI），通过车牌识别可以精确地测出旅行时间，但是因为成本问题，这种设备在路网上普及率不高；还有的数据就是传统固定检测器的数据(SDD)，包括线圈、微波、超声波等等检测方法，通过交通流理论来预测旅行时间，但是预测的精度受到检测器空间分布密度以及测量精度和故障问题等等诸多限制；还有就是浮动车数据(FCD)，这种数据在抽样率大的时候非常有效，但是实际应用中往往会受到抽样率的限制和GPS本身的精度限制；还有就是手机等移动设备提供的数据(FPD)，这种数据和浮动车的数据类似。在实际应用中，每种数据都有其独特的价值所在，所以优势互补，不同数据源的融合已成逐渐成为一种趋势。

为了估计旅行时间，首先要使用有限的交通数据重现整个路段上的交通状态。所以交通数据的收集处理系统是智能交通系统应用的关键所在，包括旅行时间估计，交通事故检测，动态限速和匝道控制。还有非常多的离线应用，包括交通政策评估、以及交通仿真模型的开发、标定以及验证等。所有的这些研究工作都要依赖于大量精细可靠的实际数据。但是，不同的数据源并不一定能够提供一致的有效信息。不同数据源的数据一般来说在格式上、精细度、准确度都有差别，而且随着时间、空间和具体场景的不同都有着不一样的精确度。所以，不论使用技术还是从方法论的角度看，把不同的数据源整合到一起都是一个复杂和具有挑战性的任务。

数据融合技术为交通状态估计提供了一个很好的解决方案。然而，之前的大多数方法受到所用方法本身的限制，都仅仅考虑了单一数据源。少数使用多种数据源的文章也局限在大型交通网络中的初步应用。依据离散数据点进行速度场重建有相对直接的融合算法。基于GASM（General Adaptive Smooth Method）算法 (详见Treiber, M., Kesting, A., & Wilson, R. E. Reconstructing the Traffic State by Fusion of Heterogeneous Data. Computer-Aided Civil and Infrastructure Engineering,2011,26(6),408-419.)，有学者提出了EGTF(Extend Generalized Treiber-Helbing filter)算法 (详见Van Lint, J. W. C., & Hoogendoorn, S. P.. A Robust and Efficient Method for Fusing Heterogeneous Data from Traffic Sensors on Freeways. Computer-Aided Civil and Infrastructure Engineering, 2010, 25(8), 596-612.)，这种算法能够有效融合不同种类的数据。但是上述算法在实际使用中仍然存在精度不够的问题。

发明内容

本发明提出了一种新的数据融合的旅行时间估计方法和装置，其中速度场估计方法是基于对上述的EGTF算法加以改进。本发明提出的一种基于数据融合的旅行时间估计方法，包括以下步骤：

step11: 取得车辆起始位置和起始时间；

step12: 估计车辆的速度场，其中速度场表示车辆在每个空间x和时间t位置的速度集合;

step13：由速度场得到当前点速度v；

step14: 更新当前位置与时间，也就是令；

step15：判断更新后的位置是否到达终点；是，则转到步骤step16；否，则返回步骤step13，继续迭代；

step16：旅行时间等于此时的时间减去起始时间。

本发明还提出了一种基于数据融合的旅行时间估计装置，其包括：

输入单元：用于输入车辆的起始位置和起始时间；

速度场估计单元：用于估计车辆的速度场，其中速度场表示车辆在每个空间x和时间t位置的速度集合，并根据速度场得到当前点速度v；

迭代单元：根据当前点速度v，迭代当前位置与时间，并在当前位置到达终点后，确定到达终点的时间；

旅行时间计算单元：根据到达终点的时间和起始时间获得旅行时间。

本发明取得的技术效果：本发明提出了一种有效的数据融合新算法和相应的装置，该算法能够有效整合固定检测器和浮动车等不同来源，有效重现道路上的交通状态。在新算法中，通过定性分析，发现旅行时间估计误差与路段平均速度的负相关关系。结合误差传播的理论，我们使用回归分析得出了不同数据源的速度测量误差与该时段路段平均速度之间的关系，并使用回归公式计算出的速度测量误差参与加权计算。新算法与其他算法相比，速度测量误差的计算更加具有说服力。在严苛的数据条件下，比如空间稀疏的检测器数据和低抽样率的浮动车数据，我们的新算法更能够有效地在不同的数据之间取长补短，数据融合的效果在旅行时间估计的应用中得到了进一步证实。

附图说明

图1 是本发明的旅行时间估计算法的流程图。

图2是本发明的基于数据融合的旅行时间估计与真实数据的实验数据图。

图3是仅使用固定检测器数据进行旅行时间估计与真实数据的实验比较图。

图4是仅使用5%浮动车数据进行旅行时间估计与真实数据的实验比较图。

图5是本发明的算法与EGTF算法进行旅行时间估计的均方根误差对比图。

图6 是本发明的旅行时间估计装置的结构图。

具体实施方式

本发明提出了一种基于数据融合的旅行时间估计方法和装置，以下结合附图对本发明的内容进行详细介绍。

实施例一

本实施例提出了一种基于数据融合的旅行时间估计方法，包括以下步骤：

step11: 取得车辆起始位置x0和起始时间；

step13：由速度场得到当前点速度v；

step14: 更新当前位置与时间，也就是令；

step16：旅行时间等于此时的时间减去起始时间。

以下对该旅行时间估计方法的原理进行详细介绍：

1. 浮动车数据（例如出租车gps，互联网app-gps，车载设备提供的gps数据）

以北京市出租车数据为例，日平均产生2500万条数据，月累计数据达到7.5亿条GPS数据。浮动车的原始数据以ASCII编码的纯文本表示，其中的项目包括：时间、经纬度、速度、方向以及其他相关信息。

本发明的最终目的是进行旅行时间估计，为了评估旅行时间估计的效果，需要旅行时间的精确值。因为我们并没有实验车辆实地测量旅行时间，也没有车牌识别数据(AVI)，也就没有办法对旅行时间进行直接测量。所以，本文采用的方法是从浮动车GPS数据中提取长轨迹线，然后用这些轨迹线的起止时间的差值作为旅行时间的真值。因为GPS的位置数据有一定的误差，所以我们选择相对较长的轨迹线来减小相对误差，比如要求连续轨迹线的长度超过5km，从而能够取得精确度较高的旅行时间。

通过我们后面提出的算法重建速度场之后，我们将依据所选的长轨迹线的起止地点和起始时间来进行旅行时间估计，然后与旅行时间的真值进行对比，进而评估算法的效果。

因为浮动车在整个车流中的占有率相对较高，可以通过简单的线性插值得到一个速度场，通过该速度场可以简单进行旅行时间的估计。

考虑到最终目的是进行旅行时间估计，所以速度信息只是计算旅行时间的一个中间参量，并且点速度和平均速度存在差异。考虑到上述原因，我们最终决定使用GPS的位置信息和时间信息来反推速度，这样更加符合实际情况。具体的做法就是，从GPS数据中，根据车辆ID找出所有轨迹线，然后计算同一条轨迹线上相邻点之间的平均行驶速度，将该速度作为该段轨迹线中间点的速度。

从原始的GPS位置数据推算出的平均速度对于旅行时间估计而言没有系统性误差。所以，我们选择使用GPS轨迹线上的平均速度参与速度场的估算。

2. 固定检测器数据

固定检测器的数据提供交通流宏观状态参数，包括“通量”等等参数。北京市城市快速路检测系统的交通流量数据是采用每两分钟聚合一次的原始数据，包括流量、占有率、速度和大车流量统计值。以北京为例，北京市内二环到五环都覆盖了快速路检测系统，检测器类型为超声波检测器或者微波检测器。

固定检测器采集的数据包括分车道的流量、占有率、平均速度、大车流量等等，采集的时间间隔为2min。但是提供检测器数据的专业人员认为，该检测器直接提供的平均速度不可信，而流量和占有率是相对可信的数据，所以我们最终决定使用流量和占有率来推算断面平均速度。

根据基本的交通流理论和固定检测器的检测原理，我们容易得到如下的平均速度推算公式：

(2-1)

公式中的表示平均车长，表示检测区域的长度，表示数据采集的时间间隔，表示该时段内经过断面的车辆数目，表示该时段内断面的时间占有率。其中除了和都是已知的参量，需要进行参数标定，在计算中我们将作为一个整体进行标定，我们为了简化计算，我们假设该参数并不随时间和空间的变化而变化。

因为GPS数据没有办法精确到分车道的数据，为了使用GPS数据来对固定检测器数据进行筛选，我们只能考虑断面的平均状态。所以，我们首先分车道的速度计算出来，然后将不同车道的数据融合为断面平均的数据，融合的方法就是使用车道流量对车道速度进行加权平均，最后得到断面的平均速度。

至于数据筛选的方法，我们参考GPS平均速度的数据来筛选固定检测器的数据。具体做法是，首先使用简单的线性插值得到检测器断面全天的速度时间序列，然后与检测器数据估计的速度时间序列进行对比，最终评估固定检测器数据的质量。

3. 速度场计算

3.1 GASM算法

计算速度场的原始算法来自GASM算法（详见背景技术部分），算法的输入是一个离散数据点的集合，算法的主要任务是从输入的离散数据集合中插值得到一个平滑的速度场。使用的方法是应用如下的卷积操作：

(3-1)

权重因子是一个作用在邻域内的过滤器函数，随着和的增大而衰减，其中含有的归一化因子：

(3-2)

这个公式允许不同类型的数据点使用不同的权重因子函数，但是为了简化起见，GASM算法假设所有的权重因子函数都是相同的，将之表示为如下的形式：

(3-3)

合适的取值依次是该种数据源相邻数据点的典型距离的一半。比如，在一般的情形下，按照上述参数计算方法，间隔2km的感应线圈提供间隔1min的数据点，就取。然而，为了减少数据噪声和抽样偏差的影响，应该选择更大的参数以得到更加平滑的速度场估计。

根据交通流的基本理论，下面两点性质是基本已知的：在自由流状态下，交通状态的扰动以自由流速向下游传播，扰动的传播速度近似等于组成波动的车辆的平均速度。在拥堵的状态下，交通状态的扰动向上游传播，也就是和车辆前行的方向相反。扰动传播的速度通常维持在-15km/hour，这个值能够作为返回波传播的典型速度，同时基本能够作为所有拥堵状态下扰动传播的速度参考值。

为了应用以上这些基本事实，GASM算法改进了传统的各向同性的权重因子函数，进而得到如下分别针对自由流状态和拥堵状态的各向异性的插值公式：

(3-4)

(3-5)

在实际的应用中，取，同时根据经验确定。

最后定义：

(3-6)

其中加权因子控制两种速度推算的叠加。GASM算法期望在速度较高的时候，对应于自由流状态，在速度较低的时候，对应于拥堵状态，所以采用如下所示的加权因子函数：

(3-7)

其中，是自由流与拥堵状态转换阈值，是状态转换的宽度（滞后宽度）。

公式3-1到公式3-7都是来自GASM算法，该算法对公式中涉及到的基本参数的选择不敏感，上述所有公式中的基本参数取值都与GASM一致，参数取值见表3.1。

表3.1 GASM算法参数取值

3.2 原始EGTF算法

不同的交通检测器检测的数据存在不同的类型和单位（可以表示为速度、交通流量等），但是都会随着空间x与时间t变化。针对不同数据源数据的不一致性，Van Lint 等人提出一种能够更有效处理不同数据来源的数据融合算法 (EGTF算法)（出处详见背景技术部分）。现将该算法概述如下：用表示从数据源计算得到的交通状态，为了将不同的数据源的交通数据融合得到表示整体交通状态的数据量，该算法提出了如下加权公式：对于每一种单独的数据源，采用非线性插值算法（GASM算法）计算出关于空间x与时间t的数据场。显然，此处的的计算方法可以用来计算速度场V(x,t)。

(3-8)

公式中涉及到两个加权参数和。N_A(t,x)表示区域A中数据点的总数。第一个参数随数据源变化，可以看作是第种数据在处的可靠性指标，我们称之为可靠性加权参数，可以通过对数据精度的先验估计得到。对于，该算法作出了两个假设：第一，与数据源的标准偏差成反比；第二，数据源的标准偏差在自由流状态下和拥堵状态下都是不变的，而后者的偏差比前者小，具体来说如果表示拥堵状态下数据源的数据测量误差，那么在自由流状态下数据源的测量误差则为,其中是自由流状态下的偏差。所以可以如下定义:

(3-9)

第二个参数数据来源和数据点位置都有关系，该参数能够反映拥堵状态和非拥堵状态的区别，之所以引进这样一个参数是因为某种数据源在某一个估计点附近可能比另外的数据源能够提供更多用于计算的数据点。所以可以如下定义：

(3-10)

其中： (3-11)

表示GASM算法中的加权因子，，如上式表示数据点i对于计算值的影响大小，是关于空间差值与时间差值的滤波器结果。

3.3 改进EGTF算法

公式3-8到公式3-10都是来自(Van Lint and Hoogendoorn 2010)，我们通过对具体数据的计算分析，改进了公式3-9，提出了的新定义，而EGTF算法的其他部分都保持不变。在权重因子的新定义中，我们倾向于认为整个路段平均速度越大，速度测量误差（速度测量的绝对误差）就越大，参与加权计算时的权重就越小，对的定义变为：

(3-12)

其中的定义不变，数值从回归分析中得到，是路段上该时刻的平均速度，反映数据源j的测量误差是如何随速度变化的，同样地由回归分析得到。在后文中我们将分析论证这种定义的合理性。

4. 本发明的数据融合算法

4.1 速度测量误差与平均速度

我们对旅行时间的估计结果与旅行时间实际值的均方根误差(RMSE)可以看作是旅行时间的计算误差，将旅行时间记为，旅行时间的计算误差记作。在长度为的路段上，路段平均速度为，平均速度的误差为。根据误差理论则有：

(4-1)

(4-2)

我们假设是的函数，设为，则有：

(4-3)

使用GASM算法，下面我们将会分别使用固定检测器数据和浮动车GPS数据进行分析，进而得出两种数据源的速度测量误差（用平均速度的测量误差代表速度测量误差）与路段平均速度的关系。我们在这里用均方根误差RMSE代替，用该时段所选路段的平均车速作为，通过回归分析计算和的值。

根据我们假设的公式形式，将对应的速度和均方根误差数据提取出来，取对数之后进行线性回归，回归形式为，首次回归的结果中a = -1.539, b = 5.992。重复剔除不可靠数据点，再次回归得到a = -1.6703, b = 6.4217 , 回归系数0.865，基本满足可靠性的要求。在误差正态分布的假设下，所有的数据点都在95%置信区间内。

于是，使用固定检测器进行旅行时间估计的可靠性和平均速度的关系为：

(4-4)

综合公式（4-4）、（4-3）、（4-2），在一定的精度范围内，固定检测器对速度的测量误差与路段平均速度的关系为：

(4-5)

使用固定检测器进行旅行时间估计的可靠性和平均速度的关系为：

(4-6)

同理，我们对浮动车GPS数据应用以上的回归方法。

当GPS数据的抽样率在5%及以上的时候，算法的效果没有大的变化；当GPS数据的抽样率降低到5%以下的时候（2%），因为数据过于稀疏，旅行时间估计值构成的曲线出现了很多阶梯状的结构，也就是说，在非拥堵的情况下，旅行时间的估计也已经变得非常不稳定。

基于上述的分析，我们可以将GPS数据5%的抽样率，也就是整个车流0.25%的占有率作为一个临界值。为了验证数据融合之后的效果，在后面数据融合的计算中，我们就使用该值进行数据提取，以反映一般应用情形下能够得到的浮动车GPS数据密度。

将对应的速度和均方根误差数据提取出来，取对数之后进行线性回归，回归形式为，首次回归的结果为。

重复剔除不可靠数据点，再次回归得到, 回归系数0.610，基本满足可靠性的要求。在误差正态分布的假设下，所有的数据点都在95%置信区间内，这里的回归系数不高，是因为数据相对来说非常离散。

在一定精度的范围内，浮动车GPS数据对速度的测量误差与路段平均速度的关系为：

(4-7)

对应第3部分提出的公式, 各个参数的对应值见表4.1。对于这些参数的回归结果，我们可以进行如下定性的解释：对于形如的公式来说，的大小直接反映了该种数据的整体误差水平，越大表明该种数据的整体误差水平较大，在这里固定检测器的值较大，符合我们之前数据质量分析的结果；而的大小直接反映了速度测量误差随速度大小的变化情况，的值反应了速度测量的相对误差随速度大小的变化情况，在这里浮动车数据对应的值（1.007）约等于1，也就是说约等于0，这说明浮动车GPS数据速度测量的相对误差基本上是常数，这符合GPS的测量原理，也就是相对误差与测量值的大小基本无关。同样的分析，根据回归的结果，固定检测器数据对速度测量的相对误差随测量值的大小变化而变化（，且测量值约大相对误差越小，也就是说在交通比较拥堵的时候，速度测量的相对误差较大，这个结果可能与超声波检测器的测量原理有关，具体的机制不在此处深究。

表4.1 数据融合参数

至此，经过我们改进的EGTF算法的基本参数（表4.1，各参数含义参见第3部分）。全部得到，接下来将会是算法的应用部分。

5. 旅行时间估计

速度场是指车辆在每个时空位置的速度集合。通过上述算法能够得到足够精细的速度场，旅行时间估计方法是将估算轨迹线上的每一段末端时空点的速度作为下一段的平均速度，到达预定的终点之后，用结束时间减去起始时间得到旅行时间，具体算法流程见图1。

Step101: 取得起始位置x，起始时间t；

Step102：由速度场得到当前点速度v；

Step103: 更新当前位置与时间，也就是令；

Step104：判断更新后的位置是否到达终点，是，则转到步骤S105；否，则返回步骤102，重新计算当前点速度；

Step105：估计的旅行时间等于此时的时间减去起始时间。

6. 实验数据

6.1 本发明算法的实验结果

应用上述改进后的EGTF算法，融合固定检测器数据以及5%的浮动车GPS数据（等效0.25%的占有率），时间选取2012年6月21日早上6点到晚上9点的数据，得到的旅行时间估计和实际旅行时间的对比，见图2。

6.2对比实验：仅使用固定检测器数据进行旅行时间估计

对标定之后的固定检测器数据应用GASM算法，并进行旅行时间估计。时间选取2012年6月21日早上6点到晚上9点的数据，从6月21日的数据中筛选出区域内长度超过6km的轨迹线，将旅行时间的真值和估计值进行了对比，见图3。

可以看出在晚高峰的时候估计的效果特别差，估计值在整体上偏低。在特别拥堵的时候，旅行时间估计值偏低的现象在很多文献中都被提到过，主要原因就是检测器的空间间隔较大，检测器之间存在一些短暂的堵点无法从有限的信息中得到，拥堵队列的动态变化也无从得知。

6.3对比实验：仅使用浮动车GPS数据进行旅行时间估计

按照之前提到的处理方法，取得浮动车GPS数据内包含的点与点之间的平均速度，对得到的数据应用GASM算法。时间选取2012年6月21日早上6点到晚上9点。从6月21日的数据中筛选出长度超过6km的轨迹线（这些轨迹线的数据没有用于速度场的插值计算），将旅行时间的真实值和估计值进行了对比，见图4。浮动车GPS数据的抽样率5%。同样地，图中红色的点表示旅行时间的估计值，蓝色的点表示旅行时间的真实值。

6.4对比实验：改进之前和改进之后的EGTF算法的对比

图5将改进之前和改进之后的EGTF算法的可靠性（均方根误差RMSE）进行了对比，可以看到，除了晚高峰之外的时段，二者的差异不大；在晚高峰的时段，改进后的算法效果更好，均方根误差下降了很多，因为新的算法在非常拥堵的时间段给了浮动车GPS数据更大的权重，从而弥补了固定检测器数据在极端拥堵状态下的缺陷。

6.5 对比结果分析

将图2-图4进行横向对比。图3是固定检测器数据估计的结果，最大的缺陷是晚高峰期间旅行时间估计整体偏小，实际上存在的旅行时间高峰时刻没有得到反映，这是由于固定检测器的空间稀疏性造成的；通过和其他数据对比，可见早高峰时段固定检测器的估计结果更加接近真实值，一个相对合理的解释是，早高峰时段浮动车的数量较少，在反映整体情况时存在抽样误差，所以此时固定检测器数据更能反映真实值。

图4是5%抽样率的浮动车GPS数据估计的结果，5%的抽样率基本上使用GPS数据并且保持稳定性的下限值，在这个抽样率下，旅行时间变化基本与实际情况一致；特别地，在晚高峰时段，旅行时间的估计值比实际值稍微偏大，经过多次试验，这种偏差不是系统误差，而是一种随机误差，这是由于浮动车GPS数据抽样率太低造成的抽样误差。

图2是使用改进后的EGTF算法进行数据融合的结果，相对前面几种情况，在以下两点都有改进：1）早高峰时段，数据融合的算法在一定程度上继承了固定检测器数据的优点，相对较好地反映了早高峰时段的旅行时间分布。2）晚高峰时段，数据融合仅仅使用少量的浮动车GPS数据，就有效地纠正了固定检测器数据旅行时间估计的缺陷，也平滑了浮动车数据抽样率过低导致的随机误差，使得旅行时间的分布与实际情况基本吻合。

实施例二

本实施例提出了一种基于数据融合的旅行时间估计装置，该装置包括以下单元：

输入单元：用于输入车辆的起始位置和起始时间；

迭代单元：用于根据当前点速度v迭代当前位置与时间，并在当前位置到达终点后，确定到达终点的时间；

旅行时间计算单元：用于根据到达终点的时间和起始时间获得旅行时间。

上述单元既可以采用软件实现，也可以采用硬件实现，也可以采用软硬件相结合实现。

上述装置中的速度场的估计方法参见实施例一中的相关内容。

其中，在速度场估计单元中，对不同数据源的速度数据，使用可靠性加权参数进行数据融合得到速度场。

其中，不同数据源包括：固定检测器数据和浮动车GPS数据。

其中，可靠性加权参数与速度测量误差成反比。

其中，可靠性加权参数与路段平均速度成反比。

其中，使用回归分析得到不同数据源的速度测量误差与路段平均速度之间的关系。

以上实施例的说明只是用于帮助理解本方案的方法及其核心思想。应当指出，在不脱离本方案原理的前提下，还可以对本方案进行若干改进，这些改进也同样落入本方案权利要求的保护范围内。

Claims

1. 一种基于数据融合的旅行时间估计方法，包括以下步骤：

step11: 取得车辆起始位置x0和起始时间t0；

step12: 估计车辆的速度场V(x,t)，其中速度场V(x,t)表示车辆在每个空间x和时间t位置的速度集合;

step13：由速度场V(x,t)得到当前点速度v；

step14: 更新当前位置与时间，也就是令 x=x+vT，t=t+T；

step16：旅行时间等于此时的时间减去起始时间t0。

2. 根据权利要求1所述的旅行时间估计方法，其特征在于：对不同数据源的速度数据，使用可靠性加权参数进行数据融合得到速度场V(x,t)。

3. 根据权利要求2所述的旅行时间估计方法，其特征在于：所述的可靠性加权参数与速度测量误差成反比。

4. 根据权利要求2所述的旅行时间估计方法，其特征在于：所述的可靠性加权参数与路段平均速度成反比。

5. 根据权利要求2所述的旅行时间估计方法，其特征在于：使用回归分析得到不同数据源的速度测量误差与路段平均速度之间的关系。

6. 一种基于数据融合的旅行时间估计装置，其特征在于：该装置包括：

输入单元：用于输入车辆的起始位置x0和起始时间t0；

速度场估计单元：用于估计车辆的速度场V(x,t)，其中速度场V(x,t)表示车辆在每个空间x和时间t位置的速度集合，并根据速度场V(x,t)得到当前点速度v；

7. 根据权利要求6所述的旅行时间估计装置，其特征在于：在速度场估计单元中，对不同数据源的速度数据，使用可靠性加权参数进行数据融合得到速度场V(x,t)。

8. 根据权利要求7所述的旅行时间估计装置，其特征在于：所述的可靠性加权参数与速度测量误差成反比。

9. 根据权利要求7所述的旅行时间估计装置，其特征在于：所述的可靠性加权参数与路段平均速度成反比。

10. 根据权利要求7所述的旅行时间估计装置，其特征在于：使用回归分析得到不同数据源的速度测量误差与路段平均速度之间的关系。