CN106898142A - 一种考虑路段相关性的路径行程时间可靠度计算方法 - Google Patents

Abstract

本发明公开了一种考虑路段相关性的路径行程时间可靠度计算方法，属于智能交通技术领域。包括以下几个步骤：1)采集路网交通状态信息并预处理；2)将速度数据转化成单位距离行程时间，并选择研究的路段和时间段；3)根据实际数据计算各路段的协方差矩阵；4)再生成较多的单位距离行程时间随机数，并还原成实际距离的行程时间；5)按路径加和路段行程时间得到路径可能的行程时间；6)将路径可能的行程时间按从小到大的顺序排序，得到任意可靠度所对应的行程时间，并根据可靠度或预算时间要求选择最佳出行路径。本发明可以解决现有行程时间拟合方法用于城市道路时的误差过大问题，可实现更准确的行程时间估计和可靠度评价。

Description

一种考虑路段相关性的路径行程时间可靠度计算方法

技术领域

本发明公开了一种考虑路段相关性的路径行程时间可靠度计算方法，属于智能交通技术领域。

背景技术

随着世界经济的发展和科学技术的进步，作为人们政治、经济和文化活动的中心的城市也不断地扩张和延伸，人们的活动范围也变得越来越广。城市交通给人们的出行带来巨大便利的同时，也可能会因为交通拥堵等种种突发状况引起不可估量的损失。所以人们在出行规划时，愈来愈重视如何选择一条最有可能在最短时间内到达的路径，而不再以路程的长度作为路径选择的唯一标准。

现实中路网的状态是实时变化的，传统静态网络的路径选择问题并不能够很好地在时变的交通状态下规划出行程时间最短的路径。而随机网络下的路径选择问题可以更准确地模拟现实交通路网的多变性和随机性，在此基础上进行路径选择，具有一定的现实意义。在随机网络中，路段的行程时间不是固定的值，而是一个随机变量，服从某一分布。这一分布可以表征同一时间段内经过该路段的车辆的行程时间的可能性。每个路段的行程时间分布形式可由真实路网中采集的实际速度数据进行分析拟合得到。通常会用某一标准分布拟合，如正态分布、对数正态分布、伽马分布、威布尔分布等。但城市道路车流量波动大，路网错综复杂，且交通状态会实时受到交通信号的控制，所以实际采集的数据往往不能用某一标准分布很好地拟合。再者，实际采集的数据受到路网中检测器数量的限制，往往数据量较小，因此，有必要进行行程时间的再生成，来得到更完整的行程时间分布，以更准确地计算路段及路径的行程时间。

蒙特卡洛(Monte Carlo)方法，又称随机抽样或统计试验方法，是在上世纪四十年代中期为了适应当时原子能事业的发展而发展起来的。由于传统的标准分布曲线拟合不能逼近真实的行程时间分布，很难得到满意的结果，而蒙特卡洛方法能够准确地模拟实际行程时间分布，故解决问题与实际非常符合，可以得到很圆满的结果。

发明内容

本发明目的在于克服现有相关技术中的不足，提供一种考虑路段相关性的路径行程时间可靠度计算方法。与传统的路段及路径的行程时间拟合方法不同，本发明舍弃了用单一或混合的标准分布去拟合真实的分布形式，而是用蒙特卡洛仿真的方法，根据在路网中采集到的实际数据再生成新的行程时间随机数，来表征完整的行程时间分布，并充分考虑了路段之间的相关性。如此一来就能对城市道路中交通状态复杂多变有良好的适应性。

本发明的一种考虑路段相关性的路径行程时间可靠度计算方法，包括以下几个步骤：

步骤一：通过路网中布置的浮动车采集路网中各路段的信息，包括速度、时刻、经纬度等，再进行数据清洗、地图匹配等预处理操作。

步骤二：将速度数据转化成单位距离行程时间，并选择研究的路段和时间段。

步骤三：根据研究时段内实际数据计算出各路段之间的相关系数，得到协方差矩阵。

步骤四：借助蒙特卡洛方法，利用实际数据和协方差矩阵再生成较多的单位距离行程时间随机数(如N个)，并按路段的实际长度还原成实际距离的行程时间。

步骤五：按照路径中包括的路段的顺序，依次相加各个路段的行程时间，得到N个该路径可能的行程时间。

步骤六：将这N个行程时间按从小到大的顺序排序，各个分位点所对应的行程时间即是该可靠度所对应的行程时间。最后根据可靠度要求或时间预算选择最佳出行路径。

在通过蒙特卡洛方法进行行程时间再生成的过程中，需要考虑路段与路段之间的相关性。行程时间相关性指路段与其他路段的交通状态之间存在相互联系的性质。直观地来讲，如果下游路段发生了拥堵，那么上游路段的交通状况也将受到一定程度的影响，并且两个路段距离越近，它们的相关性就越有可能更大；而在行车时，更可能沿着某一条快速路或主干道行驶，而不会随意地进入某一支路，所以道路等级也是影响路段行程时间相关性的一个重要因素。考虑行程时间相关性能使路径的行程时间的预测更加符合实际情况，更精确。

本发明的优点在于：

(1)传统方法是根据实际数据的大致分布和均值方差等统计量来用某种单一或混合的标准分布去拟合路段行程时间，但在城市道路中，传统方法误差较大。而本发明提出的一种考虑路段相关性的路径行程时间可靠度计算方法，不再用标准分布去拟合实际的分布，而是用由实际数据再生成大量随机数去表征路段行程时间可能的取值，更遵从实际的分布形式；

(2)传统方法是在得到路段行程时间分布后，利用卷积的数学方法得到路径行程时间，并未考虑到路段相关性，而本发明提出的一种考虑路段相关性的路径行程时间可靠度计算方法，在利用蒙特卡洛方法再生成随机数时，充分考虑了路段行程时间的相关性，所以能够更合理、更精确地计算得到路径行程时间；

(3)由于本发明提出的一种考虑路段相关性的路径行程时间可靠度计算方法将根据实际数据生成大量的随机数，所以可以很好地解决由于路网中数据采集设备等限制带来的数据不足的问题，并能够方便地计算出任意可靠度要求下，所对应的行程时间预算。

附图说明

图1为本发明考虑路段相关性的路径行程时间可靠度计算方法；

图2为由两条行程时间分布为其真实分布的路段组成的路径示意图；

图3为不同要求下的路径选择方法示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种考虑路段相关性的路径行程时间可靠度计算方法，如图1所示，具体有以下几个步骤：

步骤一：通过在路网中布置的浮动车采集实际的交通状态数据。

首先在路网中设置一些安装有数据采集装置的浮动车，浮动车包括出租车、公交车等，数据采集装置能够采集的数据包括车辆速度、时刻、经纬度等。其中车辆速度可以由车辆上的OBD接口得到，时刻和经纬度数据可由GPS装置获取。数据采集完成后，要进行数据预处理操作，如将一些错误数据进行剔除或修正，缺失数据实施填补等。如果是多源数据则进行合理整合，保证数据的一致性。最后通过经纬度数据进行地图匹配，得到车辆的行驶轨迹及各个时刻车辆所在的路段编号，方便将车辆速度数据按路段进行归类处理。

步骤二：将步骤一中采集并处理后得到的一系列实际数据中的速度数据转化为单位距离行程时间，方便分析行程时间的分布并排除距离这一影响因素。其中单位距离的长短可以按需求选取，对于城市道路取值不宜过大，如取50米或100米等，对于高速公路而言，取值可以适当加大，如取1千米或5千米等。然后根据研究需要选择出研究的路段集，再根据这些路段集的单位距离行程时间分布选择需要研究的时间段，一般选择研究早晚高峰时段，因为早晚高峰时段中易出现拥堵，可能会给出行者带来更多的时间延误，所以早晚高峰的行程时间分布情况及该行程时间分布下的路径选择问题更具研究意义。

步骤三：根据研究时段内实际数据计算出各路段单位距离行程时间的相关系数，得到各路段单位距离行程时间的协方差矩阵，即得到了各路段单位距离行程时间的相关性定量大小，为后续再生成考虑相关性的单位距离行程时间随机数打好基础。

在该步骤中，需要根据实际数据计算得到各路段行程时间的协方差矩阵，目的是为了得到路段与路段之间的相关性大小，从而为步骤四通过蒙特卡洛方法进行行程时间的再生成做好前期工作，从而使行程时间的再生成操作充分考虑路段与路段之间的相关性。考虑行程时间相关性通常有两种形式，一种是通过马尔科夫链的方法来表示相关性的大小，另一种是用协方差矩阵的形式来度量。前者仅在考虑临近路段之间的相关性时较为实用，但后者可以方便地考虑某一路段与任意路段之间的相关性，从而有更好的适用性，所以采用协方差矩阵的形式来衡量路段之间的相关性大小。

假设路网中有m个路段，由这m个路段的单位距离行程时间数据计算得到的协方差矩阵如下所示：

其中，

Cov(i,j)：表示路段i和路段j单位距离行程时间的协方差；

σ_i：表示路段i单位距离行程时间的标准差；

ρ_i,j：表示路段i和路段j单位距离行程时间的相关系数。

步骤四：借助蒙特卡洛方法，利用实际数据和协方差矩阵再生成较多的单位距离行程时间随机数(如N个)，并按路段的实际长度还原成实际距离的行程时间。

如图2是由两条路段组成的路径，它们的行程时间分布为其各自实际的行程时间分布。根据其实际行程时间数据和上述步骤三求出的协方差矩阵，再生成出10个单位距离行程时间随机数(本例中N取10)，并按照各自的路段长度转化成实际距离的行程时间，如表1的第二列和第三列所示。

表1由路段行程时间到路径行程时间的计算方法示意图

步骤五：按照路径中包括的路段的顺序，依次相加各个路段的行程时间，得到N个该路径可能的行程时间。

将图2中每一行第二列和第三列的两个数据相加得到对应第四列的数据。这样就得到了10个可能的路径行程时间。也可每次从路段的10个随机数中任选一个进行加和，只要不重复选择即可。

步骤六：将步骤五得到的N个路径可能的行程时间按从小到大的顺序排序，各个次序就对应着路径行程时间累积分布图中的各个分位点，亦是可靠度。各个分位点对应的行程时间即是该可靠度所对应的行程时间。最后根据可靠度要求或时间预算选择最佳出行路径。

这里涉及到路径行程时间可靠度的概念。路径行程时间的可靠度是指在一定的起讫点之间，出行者能在一个设定时间内到达目的地的概率。路径由若干路段构成，而路段的行程时间可靠度模型可以表示为：

R_i＝P{t_i≤T_i} (2)

式中，

R_i：指路段i的行程时间可靠度；

t_i：是一个随机变量，表示路段i实际的行程时间；

T_i：预先规定的路段i的行程时间阈值。

求解路段行程时间可靠度问题，实际上就是求解路段行程时间的累积分布函数。而城市道路的交通状态往往较复杂多变，路段行程时间实际的累积分布函数不易获得，或者说用标准分布拟合路段行程时间实际的累积分布函数的误差较大，所以本发明提出用众多路段行程时间的随机数来代替路段行程时间的实际分布，如步骤四所述。而步骤五描述的是由路段行程时间分布计算路径行程时间分布的过程，路段行程时间加和得到路径行程时间，而因为路段行程时间之间是存在相关性的，所以如此得到的路径行程时间也是充分了考虑路段相关性对行程时间的影响。

在步骤六中，可以预先设定一个路径行程时间阈值T，然后统计步骤五得到的N个路径可能的行程时间中小于等于T的个数(假设为n)，则预算时间设为T时，该路径行程时间可靠度的计算公式为：

当可靠度设为R时，路径行程时间按从小到大排序后的R分位点处的行程时间即为R可靠度下的预计行程时间。

下面结合附图来具体说明步骤六的操作过程。将表1第四列的10个可能的路径行程时间按从小到大的顺序排序，第8位可能的路径行程时间12.01分钟便指：花费12.01分钟到达目的地的可靠度为80％。假如有三条不同的路径可以从起点到达终点，它们有三个不同的路径行程时间分布(如图3所示)。若在出行选择时考虑可靠度，并将可靠度设置为60％，可从图中看出路径2所花费的时间最短，所以选择路径2作为出行路线。同理，可以得到任意可靠度要求下的最优路线。若在出行选择时考虑时间预算，并将时间预算设置为30分钟，可从图中看出路径1的可靠度最高，所以选择路径1作为出行路线。同理，可以得到任意时间预算要求下的最优路线。

Claims (3)

1.一种考虑路段相关性的路径行程时间可靠度计算方法，包括以下几个步骤：

步骤一：采集路网交通状态数据并进行预处理；

交通状态数据包括车辆速度、时刻、经纬度，数据采集完成后，进行数据预处理，然后，通过经纬度数据进行地图匹配，得到车辆的行驶轨迹及各个时刻车辆所在的路段编号，将车辆速度数据按路段进行归类；

步骤二：将速度数据转化成单位距离行程时间，并确定研究的路段和时间段；

步骤三：获取各路段单位距离行程时间的协方差矩阵；

步骤四：根据实际数据和协方差矩阵，生成单位距离行程时间随机数，并按路段的实际长度还原成实际距离的行程时间；

步骤五：按照路径中包括的路段的顺序，依次相加各个路段的行程时间，得到N个该路径可能的行程时间；

步骤六：将步骤五得到的N个路径可能的行程时间按从小到大的顺序排序，各个次序就对应着路径行程时间累积分布图中的各个分位点，即可靠度，各个分位点对应的行程时间即是该可靠度所对应的行程时间，最后根据可靠度要求或时间预算选择最佳出行路径。

2.根据权利要求1所述的一种考虑路段相关性的路径行程时间可靠度计算方法，所述的步骤三中，假设路网中有m个路段，通过m个路段的单位距离行程时间数据计算得到的协方差矩阵为：

其中，

Cov(i,j)：表示路段i和路段j单位距离行程时间的协方差；

σ_i：表示路段i单位距离行程时间的标准差；

ρ_i,j：表示路段i和路段j单位距离行程时间的相关系数。

3.根据权利要求1所述的一种考虑路段相关性的路径行程时间可靠度计算方法，所述的步骤六中，路径行程时间的可靠度是指在一定的起讫点之间，出行者在一个设定时间内到达目的地的概率，路径由若干路段构成，路段的行程时间可靠度模型为：

R_i＝P{t_i≤T_i} (2)

式中，

R_i：指路段i的行程时间可靠度；

t_i：是一个随机变量，表示路段i实际的行程时间；

T_i：预先规定的路段i的行程时间阈值；

求解路段行程时间可靠度问题，实际上就是求解路段行程时间的累积分布函数；

预先设定一个路径行程时间阈值T，然后统计N个路径可能的行程时间中小于等于T的个数，设为n，则预算时间设为T时，该路径行程时间可靠度的计算公式为：

$R_T=\frac{n}{N}\×100\%---\left(3\right)$

当可靠度设为R时，路径行程时间按从小到大排序后的R分位点处的行程时间即为R可靠度下的预计行程时间。