CN106940930B - 高速公路行程时间预测系统和预测方法 - Google Patents

高速公路行程时间预测系统和预测方法 Download PDF

Info

Publication number
CN106940930B
CN106940930B CN201610940816.1A CN201610940816A CN106940930B CN 106940930 B CN106940930 B CN 106940930B CN 201610940816 A CN201610940816 A CN 201610940816A CN 106940930 B CN106940930 B CN 106940930B
Authority
CN
China
Prior art keywords
value
highway
time
vehicle
travel time
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
CN201610940816.1A
Other languages
English (en)
Other versions
CN106940930A (zh
Inventor
张晓春
李强
段仲渊
赵再先
杨弘
陈德玖
张晓阳
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.)
Chongqing Design Group Co ltd
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
CHONGQING MUNICIPAL INSTITUTE OF DESIGN
Shenzhen Urban Transport Planning Center Co Ltd
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 CHONGQING MUNICIPAL INSTITUTE OF DESIGN, Shenzhen Urban Transport Planning Center Co Ltd filed Critical CHONGQING MUNICIPAL INSTITUTE OF DESIGN
Priority to CN201610940816.1A priority Critical patent/CN106940930B/zh
Publication of CN106940930A publication Critical patent/CN106940930A/zh
Application granted granted Critical
Publication of CN106940930B publication Critical patent/CN106940930B/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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供高速公路行程时间预测系统。该系统包括：数据库，用于保存完整经过目标高速公路的车辆的行程时间和交通状况数据关联表；K值确定单元，从训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，K值从3开始递增，根据公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE值之后，将MAPE值最小的K值作为用于预测行程时间的K确定值；以及行程时间预测值确定单元，将训练数据中与当前交通状况最接近的K确定值个数的行程时间的平均值确定为行程时间预测值。与现有技术相比，本发明的方案具有直观、简单、预测精度高等优势。

Description

高速公路行程时间预测系统和预测方法
技术领域
本发明涉及高速公路行程时间预测技术，具体涉及一种基于浮动车的历史行程时间数据的高速公路行程时间预测方法和预测系统。
背景技术
高速公路为人们的生活提供便利、快速的交通，但是随着城市汽车数量的急剧增加，高速公路上的车流量也根据时间段发生变化，对于一般公众来说，经高速公路到达目的地的时间变得不容易估计。为此，交通信息服务中心可在例如通往机场的机场路等高速公路的入口处显示到达机场的行程时间预测结果，以供驾驶员参考。因此，准确预测行程时间能够为人们的出行提供便利，提高行程时间的预测精度是现有交通领域的重要研究方向。
现有的高速公路行程时间短时预测方法大多基于断面线圈车辆检测器提供的流量信息，采用小波分析、自适应加权平均以及神经网络等方法。但是，目前我国多数高速公路的线圈检测器设置间隔比较大，且需通过流量数据间接地估计行程时间，预测难度较大，精度较低。
浮动车技术是随着GPS和无线通信技术快速普及而产生的新一代交通检测技术。浮动车的车载系统包括GPS和通讯模块。浮动车的车载系统根据预先设定的模式(如每30秒一次)，收集本车辆的地理位置点坐标、时刻、速度、行驶方向等信息，并发送给交通信息服务中心的服务器。交通信息服务中心的服务器根据车辆的轨迹点，识别车辆所经过的路段，获取路段行程时间，并用于预测道路的行程时间。与线圈车辆检测器比较，浮动车技术具有直接采集行程时间信息、覆盖面广等优势，获得了交通信息专家的广泛关注。
浮动车技术虽然可直接获得路径行程时间，但同时浮动车的路径行程时间具有较高的时间滞后性，即，浮动车到达目的地后交通信息服务中心才能获得路径行程时间，而这辆车可能是半个小时以前(如果行程时间是30分钟)进入高速公路的，因此不能直接用于预测未来的交通状况，更无法简单、直观、高精度地预测高速路行程时间。
发明内容
本发明鉴于现有技术的上述状况，其目的在于提出一种基于浮动车的历史行程时间数据可简单、高精度地预测高速公路行程时间的预测方法及预测系统。
本发明的高速公路行程时间预测系统，包括：
数据库，用于保存完整经过目标高速公路的车辆的行程时间和交通状况数据关联表；
K值确定单元，从数据库中取m个所述行程时间和交通状况数据关联表作为测试数据，从数据库中另取一定数量的所述行程时间和交通状况数据关联表作为训练数据，所述测试数据和训练数据不相互重叠，并从所述训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，其中，K为≥3的整数，K值从3开始递增，根据下面的公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE值之后，将MAPE值最小的K值作为用于预测当前时间段内所述目标高速公路的行程时间的K确定值，
其中，At为车辆的实际行程时间；以及
行程时间预测值确定单元，从所述训练数据中搜索与当前交通状况最接近的所述K确定值个数的行程时间，并将所述K确定值个数的行程时间的平均值确定为所述目标高速公路的行程时间预测值，
设最新时间段内目标高速公路的当前交通状况数据由多维向量[p1，p2，p3，…，pn]表示，所述目标高速公路的历史交通状况数据由多维向量[q1、q2、q3、…、qn]表示，其中，n为车速等级的级别个数，n≥1，p1、p2、p3、…、pn，q1、q2、q3、…、qn为所述目标高速公路上对应于各个车速等级的路段长度，
所述行程时间预测值确定单元根据下面的公式(2)计算当前交通状况与历史交通状况之间的欧式距离d(p，q)，
d(p，q)值越小，认为历史车辆行程时间的交通状况更接近当前交通状况。
上述高速公路行程时间预测系统，其特征在于，
还包括：
高速公路路段关系表生成单元，利用地理信息系统，筛选组成高速公路的路段列表，建立包括高速公路识别号、高速公路名称、高速公路路段识别号、路段方向、路段长度信息的高速公路路段关系表，并将该高速公路路段关系表存储到所述数据库中；
车辆行程时间信息表生成单元，通过车载GPS设备获取浮动车的行驶轨迹信息，将所述浮动车的行驶轨迹与电子地图进行匹配来确定并记录包括车辆识别号、车辆进入高速公路时刻、高速公路路段识别号、行驶方向、车速信息的车辆行程时间信息表，并将该车辆行程时间信息表存储到所述数据库中；以及
高速公路路段行程车速表生成单元，按指定时间间隔汇总所述车辆行程时间信息表，生成包括日期、时间段、高速公路路段识别号、路段长度、平均行程时间、平均行程车速信息的高速公路路段行程车速表，并将该高速公路路段行程车速表存储到所述数据库中，其中，所述平均行程时间是经过了相应路段的所有浮动车的行程时间除以浮动车辆数的值；以及
车辆行程时间与交通状况数据关联表生成单元，利用所述高速公路路段关系表，从所述车辆行程时间信息表中选取完整经过所述目标高速公路的浮动车的相关信息，再根据所述高速公路路段行程车速表，生成作为所述完整经过所述目标高速公路的浮动车进入所述目标高速公路时的交通状况的多维向量，并生成包括所述完整经过所述目标高速公路的浮动车的车辆识别号、高速公路识别号、日期、进入高速公路时刻、时间段、行程时间、所述多维向量的车辆行程时间与交通状况数据关联表，将该车辆行程时间与交通状况数据关联表存储到所述数据库中，所述多维向量的各要素为对应于各个车速等级的路段长度。
本发明的高速公路行程时间预测方法，其特征在于，包括：
数据准备步骤，预先将完整经过目标高速公路的车辆的行程时间和交通状况数据关联表保存到数据库中；
K值确定步骤，从数据库中取m个所述行程时间和交通状况数据关联表作为测试数据，从数据库中另取一定数量的所述行程时间和交通状况数据关联表作为训练数据，所述测试数据和训练数据不相互重叠，并从所述训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，其中，K为≥3的整数，K值从3开始递增，根据下面的公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE值之后，将MAPE值最小的K值作为用于预测当前时间段内所述目标高速公路的行程时间的K确定值，
其中，At为车辆的实际行程时间；以及
行程时间预测值确定步骤，从所述训练数据中搜索与当前交通状况最接近的所述K确定值个数的行程时间，并将所述K确定值个数的行程时间的平均值确定为所述目标高速公路的行程时间预测值，
设最新时间段内目标高速公路的当前交通状况数据由多维向量[p1，p2，p3，…，pn]表示，所述目标高速公路的历史交通状况数据由多维向量[q1、q2、q3、…、qn]表示，其中，n为车速等级的级别个数，n≥1，p1、p2、p3、…、pn，q1、q2、q3、…、qn为所述目标高速公路上对应于各个车速等级的路段长度，
在所述行程时间预测值计算步骤，根据下面的公式(2)计算当前交通状况与历史交通状况之间的欧式距离d(p，q)，
d(p，q)值越小，认为历史车辆行程时间的交通状况更接近当前交通状况。
上述高速公路行程时间预测方法，其特征在于，
所述数据准备步骤包括：
高速公路路段关系表生成步骤，利用地理信息系统，筛选组成高速公路的路段列表，建立包括高速公路识别号、高速公路名称、高速公路路段识别号、路段方向、路段长度信息的高速公路路段关系表，并将该高速公路路段关系表存储到所述数据库中；
车辆行程时间信息表生成步骤，通过车载GPS设备获取浮动车的行驶轨迹信息，将所述浮动车的行驶轨迹与电子地图进行匹配来确定并记录包括车辆识别号、车辆进入高速公路时刻、高速公路路段识别号、行驶方向、车速信息的车辆行程时间信息表，并将该车辆行程时间信息表存储到所述数据库中；
高速公路路段行程车速表生成步骤，按指定时间间隔汇总所述车辆行程时间信息表，生成包括日期、时间段、高速公路路段识别号、路段长度、平均行程时间、平均行程车速信息的高速公路路段行程车速表，并将该高速公路路段行程车速表存储到所述数据库中，其中，所述平均行程时间是经过了相应路段的所有浮动车的行程时间除以浮动车辆数的值；以及
车辆行程时间与交通状况数据关联表生成步骤，利用所述高速公路路段关系表，从所述车辆行程时间信息表中选取完整经过所述目标高速公路的浮动车的相关信息，再根据所述高速公路路段行程车速表，生成作为所述完整经过所述目标高速公路的浮动车进入所述目标高速公路时的交通状况的多维向量，并生成包括所述完整经过所述目标高速公路的浮动车的车辆识别号、高速公路识别号、日期、进入高速公路时刻、时间段、行程时间、所述多维向量的车辆行程时间与交通状况数据关联表，将该车辆行程时间与交通状况数据关联表存储到所述数据库中，所述多维向量的各要素为对应于各个车速等级的路段长度。
通过本发明提供的高速公路行程时间的预测系统及方法，可利用浮动车的历史行程时间数据，简单、高精度地预测当前目标高速公路的行程时间。
附图说明
图1是示出本发明的高速公路行程时间预测系统的第一实施例的流程图；
图2是示出本发明的高速公路行程时间预测方法的第一实施例的框图；
图3是示出本发明的高速公路行程时间预测系统的第二实施例的流程图；
图4是示出本发明的高速公路行程时间预测方法的第二实施例的数据准备步骤的框图。
图5示出作为表示交通状况的多维向量的一例的各个元素的计算方法。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图对本发明的具体实施方式进行详细说明。
本发明采用KNN(K-Nearest neighbors Algorithms)算法(即，K最邻近算法)，其基本思想是，用交通状况与当前最接近的K个浮动车历史行程时间数据，预测当前高速公路路径的行程时间。与现有技术相比，本发明的方案具有直观、简单、预测精度高等优势。
<第一实施例>
如图1所示，本实施方式的高速公路行程时间预测系统，包括数据库10、K值确定单元20和行程时间预测值确定单元30。
数据库10中保存完整经过所要预测的目标高速公路的浮动车的车辆行程时间和交通状况数据关联表，该浮动车的车辆行程时间和交通状况数据关联表可由交通信息管理中心等预先采集好并存储到数据库10中。
K值确定单元20从数据库中取m个所述行程时间和交通状况数据关联表作为测试数据，从数据库中另取一定数量的所述行程时间和交通状况数据关联表作为训练数据，所述测试数据和训练数据不相互重叠，并从所述训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，其中，K为≥3的整数，K值从3开始递增，根据下面的公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE值之后，将MAPE值最小的K值作为用于预测当前时间段内所述目标高速公路的行程时间的K确定值。一般，测试数据可选取最近一段时间内的浮动车的高速公路行程时间数据，训练数据选取比测试数据早些期间得到的数据，但是测试数据和训练数据的选取方式不限于这种方式，只要测试数据和训练数据部重叠就可以。另外，为了提高预测精度，测试数据和训练数据可每隔一段时间更新，比如每隔一个月更新为最新一段时间的数据，或者每隔三个月更新为最新一段时间的数据。
其中，At为车辆的实际行程时间。
行程时间预测值确定单元30从所述训练数据中搜索与当前交通状况最接近的所述K确定值个数的行程时间，并将所述K确定值个数的行程时间的平均值确定为所述目标高速公路的行程时间预测值。
其中，上述的交通状况数据可通过多种参数来表示，比如可通过表示整个目标高速公路上的各个时间段的平均车速来表示，或者通过目标高速公路上的各个时间段的平均行程时间来表示，也可以通过其他能够表现各时间段的交通状况的其他参数来表示。
本实施例中优选由n维向量[p1，p2，p3，…，pn]和[q1、q2、q3、…、qn]描述上述交通状况数据，其中，设[p1，p2，p3，…，pn]为当前交通状况数据的n维向量，[q1、q2、q3、…、qn]为所述目标高速公路的历史交通状况数据的n维向量，n维向量的各个元素p1、p2、p3、…、pn，q1、q2、q3、…、qn为表示不同车速等级的路段长度。
行程时间预测值确定单元30可根据下面的公式(2)计算当前交通状况与历史交通状况之间的欧式距离d(p，q)来评估两者之间的近似程度。
d(p，q)值越小，可认为历史车辆行程时间的交通状况更接近当前交通状况。
基于本实施方式的高速公路行程时间预测系统的高速公路行程时间预测方法，如图2所示，包括数据准备步骤S110、K值确定步骤S120和行程时间预测值计算步骤S130。
在数据准备步骤S110，预先将完整经过目标高速公路的车辆的车辆行程时间和交通状况数据关联表保存到数据库10中。
在K值确定步骤S120，从数据库中取m个所述行程时间和交通状况数据关联表作为测试数据，从数据库中另取一定数量的所述行程时间和交通状况数据关联表作为训练数据，所述测试数据和训练数据不相互重叠，并从所述训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，其中，K为≥3的整数，K值从3开始递增，根据下面的公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE值之后，将MAPE值最小的K值作为用于预测当前时间段内所述目标高速公路的行程时间的K确定值。测试数据可选取最近一段时间内的数据，训练数据选取比测试数据早些期间得到的数据，但是测试数据和训练数据的选取方式不限于这种方式，只要测试数据和训练数据部重叠就可以。另外，为了提高预测精度，测试数据和训练数据可每隔一段时间更新，比如每隔一个月更新为最新一段时间的数据，或者每隔三个月更新为最新一段时间的数据。
其中，At为车辆的实际行程时间。
在行程时间预测值计算步骤S130，从所述训练数据中搜索与当前交通状况最接近的所述K确定值个数的行程时间，并将所述K确定值个数的行程时间的平均值确定为所述目标高速公路的行程时间预测值。
同样本实施例中优选由n维向量[p1，p2，p3，…，pn]和[q1、q2、q3、…、qn]描述上述交通状况数据，其中，设[p1，p2，p3，…，pn]为当前交通状况数据的n维向量，[q1、q2、q3、…、qn]为所述目标高速公路的历史交通状况数据的n维向量，n维向量的各个元素p1、p2、p3、…、pn，q1、q2、q3、…、qn为表示不同车速等级的路段长度。
在所述行程时间预测值计算步骤S130，根据公式(2)计算当前交通状况与历史交通状况之间的欧式距离d(p，q)，
d(p，q)值越小，认为历史车辆行程时间的交通状况更接近当前交通状况。
<第二实施例>
如图3所示，本实施方式的高速公路行程时间预测系统与第一实施例的高速公路行程时间预测系统相比，除了数据库10、K值确定单元20和行程时间预测值确定单元30之外，还包括高速公路路段关系表生成单元40、车辆行程时间信息表生成单元50、高速公路路段行程车速表生成单元60和车辆行程时间与交通状况数据关联表生成单元70来自行收集和生成相关数据。
所述高速公路路段关系表生成单元40在确定研究对象(如机场高速，往机场方向)后，可利用自带或外部的地理信息系统，筛选组成高速公路的路段列表，建立包括高速公路识别号(高速公路ID)、高速公路名称、高速公路路段识别号(路段ID)、路段方向、路段长度等信息的高速公路路段关系表，并将该高速公路路段关系表存储到所述数据库中。该高速公路路段关系表的一例如下表1所示。
表1高速公路路段关系表
高速公路ID 高速公路名称 路段ID 路段方向 路段长度(米)
1001 机场高速 20001 1 3000
1001 机场高速 20002 1 4000
1001 机场高速 20003 2 5000
表1中，路段方向1为顺方向，同路段起点到终点；2为逆方向，同路段终点到起点。
车辆行程时间信息表生成单元50可通过车载GPS设备获取浮动车的行驶轨迹信息，由于GPS和电子地图都可能存在误差，浮动车提供的GPS坐标不一定落在电子地图中的道路上，需要地图匹配算法才能确定浮动车在电子地图上的行驶轨迹。因此，将所述浮动车的行驶轨迹与电子地图进行匹配来在确定车辆的行驶轨迹后，计算浮动车进入高速公路的进入时刻、行程时间等信息，并记录包括车辆识别号(车辆ID)、车辆进入高速公路时刻、高速公路路段识别号(路段ID)、行驶方向、车速等信息的车辆行程时间信息表，并将该车辆行程时间信息表存储到所述数据库中。
其中，通过车载GPS设备获取浮动车的行驶轨迹信息并将所述浮动车的行驶轨迹与电子地图进行匹配的工作可由外部的服务器来完成。该车辆行程时间信息表的一例如下表2所示。
表2车辆行程时间信息表
车辆ID 车辆进入时刻 路段ID 行驶方向 行程车速(公里/小时)
粤B50002 2016-05-26 08:07:59 20001 1 59
注：行驶方向1为顺方向，同路段起点到终点；2为逆方向，同路段终点到起点。
高速公路路段行程车速表生成单元60，按指定时间间隔(如5分钟)汇总所述车辆行程时间信息表(表2)，用该时段内获得的车辆行程时间数据，针对每个时间段(如2016年5月26日7点55分到8点00分)，计算该时段各路段的平均行程时间和平均行程车速，并生成包括日期、时间段、高速公路路段识别号(路段ID)、路段长度、平均行程时间、平均行程车速等信息的高速公路路段行程车速表，并将该高速公路路段行程车速表存储到所述数据库中。其中，所述平均行程时间是经过了相应路段的所有浮动车的行程时间除以浮动车辆数的值。该高速公路路段行程车速表的一例如下表3所示。
表3路段行程车速表
注：平均行程时间等于经过该路段的所有车辆的行程时间除以车辆数。
车辆行程时间与交通状况数据关联表生成单元70，利用所述高速公路路段关系表，从所述车辆行程时间信息表中选取完整经过所述目标高速公路(如机场高速)的浮动车的相关信息，获取这些车辆的车辆识别号(车辆ID)、进入高速的时刻、总行程时间等信息。
之后，根据所述高速公路路段行程车速表(上表3)，生成作为所述完整经过所述目标高速公路的浮动车进入所述目标高速公路时的交通状况的多维向量，并生成包括所述完整经过所述目标高速公路的浮动车的车辆识别号、高速公路识别号、日期、进入高速公路时刻、时间段、行程时间、所述多维向量的车辆行程时间与交通状况数据关联表，所述多维向量的各要素为对应于各个车速等级的路段长度。
例如，如同图5所示，某高速公路的总长度为20公里，由5个路段组成，长度分别是3公里、4公里、5公里、2公里、6公里。某辆车进入该高速公路时，各路段的平均行程车速分别是45公里/小时、30公里/小时、36公里/小时、75公里/小时、67公里/小时。把车速等级划分为6个级别，分别是20公里/小时以内、20～40公里/小时、40～60公里/小时、60～80公里/小时、80～100公里/小时以及100公里以上。则，经历的交通状况可用6维空间向量[0,9,3,8,0,0]表示。其中，第二个元素对应20～40公里/小时的路段长度，是第二和第三个路段的长度之和，第四个元素对应60～80公里/小时的路段长度，是第四个和第五个路段的长度之和，依此类推。
最后，将该车辆行程时间与交通状况数据关联表存储到所述数据库10中。所述车辆行程时间与交通状况数据关联表的一例如下表4所示。
表4车辆行程时间与交通状况关联表
若要更细致地描述交通状况以提高行程时间预测精度，则建议划分路段时其长度应在较短的范围(不超过500米)，且增加速度等级的级别个数(如10公里/小时为间隔)，可提高描述交通状况的精细度。
本实施例中，将如上所述生成的车辆行程时间与交通状况关联表存储到所述数据库10中，用于预测目标高速公路的行程时间。为了确定最优的K参数值，一般把获得的车辆行程时间与交通状况关联表数据划分为训练数据和测试数据的两部分。如，在最近6个月内的数据中，将前5个月内的数据作为训练数据，最后一个月的数据作为测试数据。
与实施例一中同样，K值确定单元20从数据库中取m个所述行程时间和交通状况数据关联表作为测试数据，从数据库中另取一定数量的所述行程时间和交通状况数据关联表作为训练数据，所述测试数据和训练数据不相互重叠，并从所述训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，其中，K为≥3的整数，K值从3开始递增，根据实施例1中的公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE(Mean Absolute PercentageError)值之后，将MAPE值最小的K值作为用于预测当前时间段内所述目标高速公路的行程时间的K确定值。
行程时间预测值确定单元30从所述训练数据中搜索与当前交通状况最接近的所述K确定值个数的行程时间，并将所述K确定值个数的行程时间的平均值确定为所述目标高速公路的行程时间预测值。
本实施例中，同样设[p1，p2，p3，…，pn]为当前交通状况数据的多维向量，[q1、q2、q3、…、qn]为所述目标高速公路的历史交通状况数据的多维向量，多维向量的各个元素p1、p2、p3、…、pn，q1、q2、q3、…、qn为表示不同车速等级的路段长度。
行程时间预测值确定单元30可根据实施例1中所示公式(2)计算当前交通状况与历史交通状况之间的欧式距离d(p，q)来评估两者之间的近似程度。即，d(p，q)值越小，可认为历史车辆行程时间的交通状况更接近当前交通状况。
相应的，基于本实施例的高速公路行程时间预测系统的高速公路行程时间预测方法，如图3所示，除了包括K值确定步骤S120和行程时间预测值计算步骤S130之外，在数据准备步骤S110具体包括高速公路路段关系表生成步骤S1110、车辆行程时间信息表生成步骤S1120、高速公路路段行程车速表生成步骤S1130和车辆行程时间与交通状况数据关联表生成步骤S1140。
在高速公路路段关系表生成步骤S1110，利用地理信息系统，筛选组成高速公路的路段列表，建立包括高速公路识别号、高速公路名称、高速公路路段识别号、路段方向、路段长度等信息的高速公路路段关系表，并将该高速公路路段关系表存储到所述数据库中。
在车辆行程时间信息表生成步骤S1120，通过车载GPS设备获取浮动车的行驶轨迹信息，将所述浮动车的行驶轨迹与电子地图进行匹配来确定并记录包括车辆识别号、车辆进入高速公路时刻、高速公路路段识别号、行驶方向、车速等信息的车辆行程时间信息表，并将该车辆行程时间信息表存储到所述数据库中。
在高速公路路段行程车速表生成步骤S1130，按指定时间间隔汇总所述车辆行程时间信息表，生成包括日期、时间段、高速公路路段识别号、路段长度、平均行程时间、平均行程车速等信息的高速公路路段行程车速表，并将该高速公路路段行程车速表存储到所述数据库中，其中，所述平均行程时间是经过了相应路段的所有浮动车的行程时间除以浮动车辆数的值。
在车辆行程时间与交通状况数据关联表生成步骤S1140，利用所述高速公路路段关系表，从所述车辆行程时间信息表中选取完整经过所述目标高速公路的浮动车的相关信息，再根据所述高速公路路段行程车速表，生成作为所述完整经过所述目标高速公路的浮动车进入所述目标高速公路时的交通状况的多维向量，并生成包括所述完整经过所述目标高速公路的浮动车的车辆识别号、高速公路识别号、日期、进入高速公路时刻、时间段、行程时间、所述多维向量的车辆行程时间与交通状况数据关联表，将该车辆行程时间与交通状况数据关联表存储到所述数据库中，所述多维向量的各要素为对应于各个车速等级的路段长度。
之后，在K值确定步骤S120，从数据库中取m个所述行程时间和交通状况数据关联表作为测试数据，从数据库中另取一定数量的所述行程时间和交通状况数据关联表作为训练数据，所述测试数据和训练数据不相互重叠，并从所述训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，其中，K为≥3的整数，K值从3开始递增，根据实施例1中的公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE(Mean Absolute Percentage Error)值之后，将MAPE值最小的K值作为用于预测当前时间段内所述目标高速公路的行程时间的K确定值。
在行程时间预测值计算步骤S130，从所述训练数据中搜索与当前交通状况最接近的所述K确定值个数的行程时间，并将所述K确定值个数的行程时间的平均值确定为所述目标高速公路的行程时间预测值。
本实施例中，设最新时间段内目标高速公路的当前交通状况数据由多维向量[p1，p2，p3，…，pn]表示，所述目标高速公路的历史交通状况数据由多维向量[q1、q2、q3、…、qn]表示，其中，n为车速等级的级别个数，n≥1，p1、p2、p3、…、pn，q1、q2、q3、…、qn为所述目标高速公路上对应于各个车速等级的路段长度。在所述行程时间预测值计算步骤S130，根据实施例1中的公式(2)计算当前交通状况与历史交通状况之间的欧式距离d(p，q)，d(p，q)值越小，认为历史车辆行程时间的交通状况更接近当前交通状况。
在本发明所提供的技术方案中，应该理解到，所披露的方法和系统，可以通过其他方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为各个单元说明的部件可以是或者也可以不是物理上分开的，可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分不到多个网络单元上，可以依据实际的需求选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)或处理器执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：通用串行总线(Universal Serial Bus，USB)闪存驱动器、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明保护的范围之内。
工业实用性
本发明适合应用于机场高速、城际高速等高速公路的行程时间预测。

Claims (4)

1.一种高速公路行程时间预测系统，其特征在于，包括：
数据库，用于保存完整经过目标高速公路的车辆的行程时间和交通状况数据关联表；
K值确定单元，从数据库中取m个所述行程时间和交通状况数据关联表作为测试数据，从数据库中另取一定数量的所述行程时间和交通状况数据关联表作为训练数据，所述测试数据和训练数据不相互重叠，从所述训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，其中，K为≥3的整数，K值从3开始递增，根据下面的公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE值之后，将MAPE值最小的K值作为用于预测当前时间段内所述目标高速公路的行程时间的K确定值，
其中，At为车辆的实际行程时间；以及
行程时间预测值确定单元，从所述训练数据中搜索与当前交通状况最接近的所述K确定值个数的行程时间，并将所述K确定值个数的行程时间的平均值确定为所述目标高速公路的行程时间预测值，
设最新时间段内目标高速公路的当前交通状况数据由多维向量[p1，p2，p3，…，pn]表示，所述目标高速公路的历史交通状况数据由多维向量[q1、q2、q3、…、qn]表示，其中，n为车速等级的级别个数，n≥1，p1、p2、p3、…、pn，q1、q2、q3、…、qn为所述目标高速公路上对应于各个车速等级的路段长度，
所述行程时间预测值确定单元根据下面的公式(2)计算当前交通状况与历史交通状况之间的欧式距离d(p，q)，
d(p，q)值越小，认为历史车辆行程时间的交通状况更接近当前交通状况。
2.根据权利要求1所述的高速公路行程时间预测系统，其特征在于，
还包括：
高速公路路段关系表生成单元，利用地理信息系统，筛选组成高速公路的路段列表，建立包括高速公路识别号、高速公路名称、高速公路路段识别号、路段方向、路段长度信息的高速公路路段关系表，并将该高速公路路段关系表存储到所述数据库中；
车辆行程时间信息表生成单元，通过车载GPS设备获取浮动车的行驶轨迹信息，将所述浮动车的行驶轨迹与电子地图进行匹配来确定并记录包括车辆识别号、车辆进入高速公路时刻、高速公路路段识别号、行驶方向、车速信息的车辆行程时间信息表，并将该车辆行程时间信息表存储到所述数据库中；以及
高速公路路段行程车速表生成单元，按指定时间间隔汇总所述车辆行程时间信息表，生成包括日期、时间段、高速公路路段识别号、路段长度、平均行程时间、平均行程车速信息的高速公路路段行程车速表，并将该高速公路路段行程车速表存储到所述数据库中，其中，所述平均行程时间是经过了相应路段的所有浮动车的行程时间除以浮动车辆数的值；以及
车辆行程时间与交通状况数据关联表生成单元，利用所述高速公路路段关系表，从所述车辆行程时间信息表中选取完整经过所述目标高速公路的浮动车的相关信息，再根据所述高速公路路段行程车速表，生成作为所述完整经过所述目标高速公路的浮动车进入所述目标高速公路时的交通状况的多维向量，并生成包括所述完整经过所述目标高速公路的浮动车的车辆识别号、高速公路识别号、日期、进入高速公路时刻、时间段、行程时间、所述多维向量的车辆行程时间与交通状况数据关联表，将该车辆行程时间与交通状况数据关联表存储到所述数据库中，所述多维向量的各要素为对应于各个车速等级的路段长度。
3.一种高速公路行程时间预测方法，其特征在于，包括：
数据准备步骤，预先将完整经过目标高速公路的车辆的行程时间和交通状况数据关联表保存到数据库中；
K值确定步骤，从数据库中取m个所述行程时间和交通状况数据关联表作为测试数据，从数据库中另取一定数量的所述行程时间和交通状况数据关联表作为训练数据，所述测试数据和训练数据不相互重叠，并从所述训练数据中搜索与当前交通状况最接近的K个行程时间，用该K个行程时间的平均值作为目标高速公路的行程时间的训练预测值Ft(K)，其中，K为≥3的整数，K值从3开始递增，根据下面的公式(1)依次计算每一K值对应的行程时间的平均绝对百分比误差即MAPE值之后，将MAPE值最小的K值作为用于预测当前时间段内所述目标高速公路的行程时间的K确定值，
其中，At为车辆的实际行程时间；以及
行程时间预测值确定步骤，从所述训练数据中搜索与当前交通状况最接近的所述K确定值个数的行程时间，并将所述K确定值个数的行程时间的平均值确定为所述目标高速公路的行程时间预测值，
设最新时间段内目标高速公路的当前交通状况数据由多维向量[p1，p2，p3，…，pn]表示，所述目标高速公路的历史交通状况数据由多维向量[q1、q2、q3、…、qn]表示，其中，n为车速等级的级别个数，n≥1，p1、p2、p3、…、pn，q1、q2、q3、…、qn为所述目标高速公路上对应于各个车速等级的路段长度，
在所述行程时间预测值计算步骤，根据下面的公式(2)计算当前交通状况与历史交通状况之间的欧式距离d(p，q)，
d(p，q)值越小，认为历史车辆行程时间的交通状况更接近当前交通状况。
4.根据权利要求3所述的高速公路行程时间预测方法，其特征在于，
所述数据准备步骤包括：
高速公路路段关系表生成步骤，利用地理信息系统，筛选组成高速公路的路段列表，建立包括高速公路识别号、高速公路名称、高速公路路段识别号、路段方向、路段长度信息的高速公路路段关系表，并将该高速公路路段关系表存储到所述数据库中；
车辆行程时间信息表生成步骤，通过车载GPS设备获取浮动车的行驶轨迹信息，将所述浮动车的行驶轨迹与电子地图进行匹配来确定并记录包括车辆识别号、车辆进入高速公路时刻、高速公路路段识别号、行驶方向、车速信息的车辆行程时间信息表，并将该车辆行程时间信息表存储到所述数据库中；
高速公路路段行程车速表生成步骤，按指定时间间隔汇总所述车辆行程时间信息表，生成包括日期、时间段、高速公路路段识别号、路段长度、平均行程时间、平均行程车速信息的高速公路路段行程车速表，并将该高速公路路段行程车速表存储到所述数据库中，其中，所述平均行程时间是经过了相应路段的所有浮动车的行程时间除以浮动车辆数的值；以及
车辆行程时间与交通状况数据关联表生成步骤，利用所述高速公路路段关系表，从所述车辆行程时间信息表中选取完整经过所述目标高速公路的浮动车的相关信息，再根据所述高速公路路段行程车速表，生成作为所述完整经过所述目标高速公路的浮动车进入所述目标高速公路时的交通状况的多维向量，并生成包括所述完整经过所述目标高速公路的浮动车的车辆识别号、高速公路识别号、日期、进入高速公路时刻、时间段、行程时间、所述多维向量的车辆行程时间与交通状况数据关联表，将该车辆行程时间与交通状况数据关联表存储到所述数据库中，所述多维向量的各要素为对应于各个车速等级的路段长度。
CN201610940816.1A 2016-11-01 2016-11-01 高速公路行程时间预测系统和预测方法 Active CN106940930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610940816.1A CN106940930B (zh) 2016-11-01 2016-11-01 高速公路行程时间预测系统和预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610940816.1A CN106940930B (zh) 2016-11-01 2016-11-01 高速公路行程时间预测系统和预测方法

Publications (2)

Publication Number Publication Date
CN106940930A CN106940930A (zh) 2017-07-11
CN106940930B true CN106940930B (zh) 2019-08-06

Family

ID=59468455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610940816.1A Active CN106940930B (zh) 2016-11-01 2016-11-01 高速公路行程时间预测系统和预测方法

Country Status (1)

Country Link
CN (1) CN106940930B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109035761B (zh) * 2018-06-25 2021-06-04 复旦大学 基于辅助监督学习的行程时间估计方法
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质
CN111815100B (zh) * 2019-12-31 2024-06-07 北京嘀嘀无限科技发展有限公司 行程时间指数的确定方法、装置、存储介质和电子设备
CN118052347B (zh) * 2024-04-16 2024-07-19 北京航空航天大学 一种基于浮动车出行轨迹序列的旅行时间估计方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103280110A (zh) * 2013-06-08 2013-09-04 北京云星宇交通工程有限公司 高速公路旅行时间的预测方法及装置
CN103927872A (zh) * 2014-04-28 2014-07-16 武汉大学 一种基于浮动车数据预测多时段行程时间分布的方法
CN105551239A (zh) * 2015-12-08 2016-05-04 北京云星宇交通科技股份有限公司 旅行时间预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103280110A (zh) * 2013-06-08 2013-09-04 北京云星宇交通工程有限公司 高速公路旅行时间的预测方法及装置
CN103927872A (zh) * 2014-04-28 2014-07-16 武汉大学 一种基于浮动车数据预测多时段行程时间分布的方法
CN105551239A (zh) * 2015-12-08 2016-05-04 北京云星宇交通科技股份有限公司 旅行时间预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Experienced travel time prediction for congested freeways;Mehmet Yildirimoglu Et al.;《Transportation Research Part B: Methodological》;20130731;第53卷;第45-63页
Real-time Highway Traffic Accident Prediction Based on the k-Nearest Neighbor Method;Yisheng Lv Et al.;《2009 International Conference on Measuring Technology and Mechatronics Automation》;20090818;第3卷;第547-550页
基于k-NN和SCATS交通数据的路段行程时间估计方法;姜桂艳等;《西南交通大学学报》;20130430;第48卷(第2期);第343-349页
基于K最近邻算法的高速公路短时行程时间预测;王翔等;《中国公路学报》;20150131;第28卷(第1期);第102-111页

Also Published As

Publication number Publication date
CN106940930A (zh) 2017-07-11

Similar Documents

Publication Publication Date Title
CN106940930B (zh) 高速公路行程时间预测系统和预测方法
US11175152B2 (en) Method and system for risk determination of a route
JP4491472B2 (ja) 交通情報システム
Li et al. Road risk modeling and cloud-aided safety-based route planning
Tong et al. A framework for developing driving cycles with on‐road driving data
CN104272328B (zh) 用于确定机动车的预期消耗值的方法
Zeng et al. Exploring trip fuel consumption by machine learning from GPS and CAN bus data
CN107369318A (zh) 一种速度预测方法及装置
CN103364006A (zh) 用于确定车辆路径的系统和方法
EP2630443A1 (en) Method of determining and validating navigational priority settings utilizing probe data
Zhao et al. The creation of a representative driving cycle based on intelligent transportation system (ITS) and a mathematically statistical algorithm: A case study of Changchun (China)
CN106940929B (zh) 交通数据预测方法及装置
Zhu et al. Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data
CN102132130B (zh) 导航服务器
JP2014066655A (ja) 経路探索装置及び経路探索方法
Xu et al. An eco-score system incorporating driving behavior, vehicle characteristics, and traffic conditions
CN113570860B (zh) 针对轨迹数据的城市道路交通状态精细划分与识别的方法
CN111723871A (zh) 一种公交车实时车厢满载率的估算方法
CN113525385A (zh) 一种车辆行程能耗的预测方法及装置
CN116989801A (zh) 一种面向复杂路网低频长轨迹的地图匹配方法及装置
JP2013178661A (ja) 評価値算出装置、コンピュータプログラム及び評価値算出方法
Meister et al. Descriptive route choice analysis of cyclists in Zurich
Waury et al. Assessing the accuracy benefits of on-the-fly trajectory selection in fine-grained travel-time estimation
Li et al. Route restoration method for sparse taxi GPS trajectory based on Bayesian network
JP7264859B2 (ja) ナビゲーションシステム、その検索ルートの推奨方法、およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Zhang Xiaochun

Inventor after: Li Qiang

Inventor after: Duan Zhongyuan

Inventor after: Zhao Zaixian

Inventor after: Yang Hong

Inventor after: Chen Dejiu

Inventor after: Zhang Xiaoyang

Inventor before: Li Qiang

Inventor before: Duan Zhongyuan

Inventor before: Zhao Zaixian

Inventor before: Yang Hong

Inventor before: Chen Dejiu

Inventor before: Zhang Xiaoyang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 518021 1210, block C, building 1, phase 3, Xinghe legend garden, Longtang community, Minzhi street, Huahua District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Urban Traffic Planning and Design Research Center Co.,Ltd.

Patentee after: Chongqing Municipal Design and Research Institute Co.,Ltd.

Address before: 10 / F, Huiming building, 3046 Aiguo Road, Luohu District, Shenzhen, Guangdong 518021

Patentee before: SHENZHEN URBAN TRANSPORT PLANNING CENTER Co.,Ltd.

Patentee before: CHONGQING MUNICIPAL DESIGN INSTITUTE

CP03 Change of name, title or address
TR01 Transfer of patent right

Effective date of registration: 20240617

Address after: 518021, Building 1, 1101, Longhua Design Industrial Park Headquarters Building, North Station Community, Minzhi Street, Longhua District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Urban Traffic Planning and Design Research Center Co.,Ltd.

Country or region after: China

Patentee after: Chongqing Design Group Co.,Ltd.

Address before: 518021 1210, block C, building 1, phase 3, Xinghe legend garden, Longtang community, Minzhi street, Huahua District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Urban Traffic Planning and Design Research Center Co.,Ltd.

Country or region before: China

Patentee before: Chongqing Municipal Design and Research Institute Co.,Ltd.

TR01 Transfer of patent right