CN109064750B - 城市路网交通估计方法及系统 - Google Patents

Abstract

本发明涉及城市路网交通估计方法及系统，针对浮动车数据对城市路网覆盖不足的问题，根据历史和实时的浮动车数据对城市道路交通相关性进行非线性建模并利用图并行计算来实现对城市路网所有路段的实时交通速度估计。本发明的方法和系统可大大提高交通估计的并行度，提高计算效率和计算节点间的通信效率，实现城市大规模路网近乎实时的交通估计，具有更好的实际应用价值。

Description

城市路网交通估计方法及系统

技术领域

本发明属于智能交通技术领域，具体涉及一种城市路网交通估计方法及系统。

背景技术

随着国民经济的高速发展，城市化进程的不断加快，以及城市机动车保有数量的持续增长，城市交通基础设施负担不断加重，各种交通问题日益凸显。另一方面，传感器技术、大数据、人工智能等核心技术的快速发展和日益成熟使得物联网和智慧城市逐渐变为主流，极大地提升了人们对智能交通的期待与需求。智能交通的实现建立在对城市路网道路交通状况全面、准确和实时的感知与估计的基础之上。传统的道路交通速度感知与检测系统主要依赖于预先安装布置的专业传感设施(如摄像头、感应线圈、微波雷达等)，存在部署维护成本高以及对城市路网覆盖严重不足等问题，不能满足城市范围道路交通速度实时监控的需求。

随着定位及感知技术和设备的成熟与普及，大部分城市的出租车都已经装载GPS设备，可以时刻记录车辆在城市的行驶轨迹与状态(包括当前位置、行驶速度、行驶方向等)。因此，这些浮动车可视为移动的交通传感器对城市道路交通进行持续的监测。然而，基于浮动车的城市交通监控仍存在路网不能完全覆盖的问题。为了实现从有限浮动车的交通速度采样数据来恢复城市范围内所有道路的交通速度，当前已有的方法主要基于城市路网的交通相关性。通过对交通相关性建模并利用实时浮动车的速度数据来实现对交通状况未知的路段进行交通估计。国内外已有的研究普遍利用奇异值分解等技术(Zhu,Y.,Li,Z.,Zhu,H.,Li,M.,&Zhang,Q.(2013).A compressive sensing approach to urban trafficestimation with probe vehicles.IEEE Transactions on Mobile Computing,12(11),2289-2302.)来实现对未知道路交通速度的估计。此类方法潜在地将交通相关性进行线性建模，虽然其能提高计算速度但却不能保证交通估计的精度。也有研究者提出利用深度学习等模型(Lv,Y.,Duan,Y.,Kang,W.,Li,Z.,&Wang,F.Y.(2015).Traffic flow predictionwith big data:A deep learning approach.IEEE Trans.Intelligent TransportationSystems,16(2),865-873.)对交通相关性进行非线性建模，但是由于非线性模型本身的高计算复杂度使得此类方法只适用于包含少量路段的路网，并不能实现包含成千上万路段的城市路网的大规模交通估计。总体来说，现有的国内外研究仍不能很好地解决基于浮动车感知数据的城市范围交通估计，普遍存在以下问题：

1)基于线性的交通相关性建模，虽然能降低计算复杂度却不能保证交通估计的精度。实际的城市交通状况更为复杂，简单的线性模型并不能很好地准确刻画城市路网交通相关性。

2)基于非线性的交通相关性建模，虽然可保证交通估计的精确度，但是已有的方法并没有设计较好的机制保证系统的扩展性，不能运用于城市范围内的大规模交通估计。

发明内容

为解决上述问题，本发明提供了一种城市路网交通估计方法及系统。本发明可以利用各类浮动车的交通采样数据提取必要的道路交通速度信息，通过非线性动态建模刻画道路间的复杂交通相关性以提高交通估计的精度，并通过对城市路网的图谱化表示以及划分，在图并行计算框架上实现上述算法来提升城市范围大规模交通估计的计算速度，从而满足智能交通对全面、准确、实时的道路交通速度信息需求。本发明采用的具体技术方案如下：

一种城市路网交通估计方法，包括如下步骤：

S100实时获取城市范围浮动车的交通采样数据及历史交通数据；所述交通采样数据包括浮动车行驶速度、时间和地理位置信息；

S200基于城市路网信息建立具有点边属性的城市路网图谱；

将路段建模成图谱的顶点，对于直接相连的两个路段，在其对应的顶点之间建立一条边；顶点属性包括当前路段的交通速度、路段地理位置信息；

S300基于路段的地理位置信息，将城市路网图谱进行划分为若干个顶点和边组成的点边集合；将不同的点边集合分派到集群中的不同机器存储，用于后续并行处理；

S400基于浮动车的地理位置信息，将S100获取的交通采样数据映射至S200建立的城市路网图谱中；

计算某一时间段内经过某一路段的所有浮动车平均行驶速度，作为路段在该时间段内的交通速度，即顶点的交通速度；

S500为交通状况未知顶点r_i建立ANN模型，筛选r_i该路段在图谱中的κ个邻居顶点，获取κ个邻居顶点的交通状况；有交通速度的路段即有顶点的交通状况，没有的即交通状况未知的顶点。

以所述κ个邻居顶点的交通状况作为ANN模型的输入层，设置包含κ+1个隐神经单元的隐藏层，以r_i的交通状况为输出层，以各个顶点的历史交通数据作为训练数据，通过后向传播算法学习ANN模型的参数；训练得到r_i的ANN模型，基于ANN模型预测r_i的交通状况，最终获取整个图谱的交通估计。

作为本发明的进一步改进，所述S300中，基于顶点地理位置信息进行图谱划分，步骤如下：

S310基于顶点r_i对应路段的地理位置信息，计算其中心位置的经纬度(x_i,y_i)；假设路段由n个经纬度点对表示，即

那么

S320基于顶点中心位置的经纬度(x_i,y_i)，利用希尔伯特空间填充曲线计算得到该顶点的一维希尔伯特键值；根据路网路段数目N，设置希尔伯特键值空间为

S330根据顶点的希尔伯特键值顺序，将顶点的序位设置为顶点新的键值；根据计算节点的数目m，将所有顶点按键值顺序等分成m份，即每份包含

个顶点；

S340将每条边的键值设置为其源顶点的键值，则边将随其源顶点分配到同一个计算节点。

传统的图谱划分算法主要依赖哈希函数，以顶点或边的ID作为哈希函数的输入最终得到该顶点/边的随机分区(partition)。相同分区的顶点/边将被分配到相同的计算节点。交通估计中相邻的顶点一般存在交通相关性，需要相互交换信息。然而，基于哈希的图谱划分将把相邻的顶点/边分配到不同的计算节点，会带来大量的通信开销。本发明提出基于顶点位置信息的图谱划分可保证将相邻的顶点/边划分到同一个集合，并减小的通信开销。

作为本发明的进一步改进，所述S400中，基于马尔科夫模型的地图匹配算法将交通采样数据与城市道路进行地图匹配，将每个交通采样数据对应到浮动车经过的实际路段。

作为本发明的进一步改进，所述S400还包括，基于历史交通数据获得时间-空间完整的路网交通状况信息，步骤如下：

S410将每个路段的历史交通数据在时间维度上按15分钟为时间片划分成不同的数据集，如果该数据集包含10个以上的交通采样数据，则计算其平均行驶速度；否者视为平均行驶速度缺失，记为0；

S420将计算得到的平均行驶速度按其日期、星期和时间所处的时间片位置进行汇聚，为每个新的数据集合计算其所有非零平均行驶速度的均值，视为路段r_i在该星期该时间片的通常交通状况；

S430对于平均行驶速度为0的时间片，用其邻近的时间片的平均行驶速度进行求平均插值，获得每个路段的交通状况概要，交通状况概要记录路段在一周之内不同星期不同时间片的通常行驶速度。

进一步的，所述S430还包括，采用指数平均的方法对各个路段的交通状况概要进行平滑处理。

作为本发明的进一步改进，所述步骤S500中，顶点间沿边相互发送/接收消息，基于非线性动态ANN模型的交通估计以迭代的形式进行，每次迭代过程中，已知交通状况的顶点沿着边的方向向邻居顶点发送消息，所有顶点同时接收邻居顶点的消息；

所述消息包括源顶点ID、目的顶点ID，以及源顶点当前时间片的交通状况；

在交通状况未知的顶点经模型估算出其交通状况后，在下一轮的消息传播过程中将其交通状况以消息的形式传递给邻居顶点。

进一步的，交通状况未知的顶点根据收到的消息将已知交通状况的邻居顶点信息保存到集合C_i；

如果集合C_i中元素个数小于κ，则等待下一次迭代，继续接收更多的消息；否则，顶点从集合C_i中选择κ个交通相关的顶点来训练ANN模型；

κ个邻居顶点的筛选方式如下：

a)于每个备选顶点r_k∈C_i，依照下述公式计算其交通相关性得分：

其中X_i为顶点r_i的交通速度v_i，X_k为顶点r_k的交通速度v_k，X_j为顶点r_j的交通速度v_j，I(X_k；X_i)为顶点r_i和顶点r_k的互信息；I(X_k；X_j)为顶点r_j和顶点r_k的互信息；F_i为已经选择的顶点集合，|F_i|表示集合F_i中的元素个数；初始时F_i为空集，计算每个备选点r_k与目标顶点r_i间的互信息并选择互信息最大的备选顶点加入集合F_i；

b)选择交通相关性得分最高的顶点加入集合F_i，重复步骤a)-b)直至选到κ个顶点。

作为本发明的进一步改进，所述顶点属性还包括路段的最高限速

所述S500中，在训练过程中对各个顶点的交通速度做归一化处理，对于顶点r_i及其交通速度v_i和最高限速

其归一化后的交通速度为

在训练得到交通状况未知顶点r_i的ANN模型后，将用于模型训练的κ个邻居顶点所属当前时间片的实时交通速度做归一化处理，将归一化处理后的实时交通速度为ANN模型的输入来预测顶点r_i的当前时间片的交通速度。

本发明还提供了一种城市路网交通估计系统，包括：

数据存储模块，用于存储数据，包括城市路网数据、历史交通数据以及实时浮动车交通采样数据；所述实时浮动车交通采样数据包括浮动车行驶速度、时间和地理位置信息；

数据处理模块，用于数据处理，包括第一计算单元，第二计算单元和若干个第三计算单元；

所述第一计算单元读取数据存储模块中的城市路网数据，建立具有点边属性的城市路网图谱，将路段建模成图谱的顶点，对于直接相连的两个路段，在其对应的顶点之间建立一条边；顶点属性包括当前路段的交通速度、路段地理位置信息；

之后基于路段的地理位置信息，将城市路网图谱进行划分为若干个点边集合；将划分完毕的若干个点边集合分别发送至若干个第三计算单元；

所述第二计算单元从数据存储模块读取历史交通数据、实时浮动车交通采样数据，并从第一计算单元读取建立的城市路网数据，进行下述处理：

a)基于浮动车的地理位置信息，将实时浮动车交通采样数据映射至城市路网图谱中；

b)基于历史交通数据获取道路平均交通状况；

c)基于实时浮动车交通采样数据计算某一时间段内经过某一路段的所有浮动车平均行驶速度，作为路段在该时间段内的平均行驶速度，即映射图谱中路段对应的交通速度v_i；

所述第三计算单元从第一计算单元读取划分的点边集合，从第二计算单元读取顶点的交通状况，基于非线性ANN模型进行交通估计；

为交通状况未知路段r_i建立ANN模型，筛选r_i该路段的κ个邻居顶点，获取κ个邻居顶点的交通状况；

以κ个邻居顶点的交通状况k作为ANN模型的输入层，设置包含κ+1个隐神经单元的隐藏层，以r_i的交通状况为输出层，以各个顶点的历史交通数据作为训练数据，通过后向传播算法学习ANN模型的参数；训练得到r_i的ANN模型，基于ANN模型预测r_i的交通状况；

输出单元，用于输出计算获取的城市路网速度信息。

作为本发明的进一步改进，所述城市路网数据、历史交通数据和实时浮动车交通采样数据采用Hadoop的分布式数据存储系统存储。

本发明的方法和系统针对浮动车数据对城市路网覆盖不足的问题，根据历史和实时的浮动车数据对城市道路交通相关性进行非线性建模并利用图并行计算来实现对城市路网所有路段的实时交通速度估计。与已有基于基础设施感知的交通估计方法相比，本发明利用浮动车的实时交通采样数据来估计城市路网的交通状况，具有更好的城市路网覆盖度和更为实时的交通估计效果。与已有数据驱动的交通估计方法相比，本发明在估计精度、计算效率和可扩展性方面均有优势。与已有基于线性模型的交通估计方法相比，本发明采用了ANN模型来刻画城市路网内部复杂的交通相关性，能够更准确的表示路段之间非线性的交通关系，因而能够得到更好的交通估计精度。此外，为了克服面向城市路网规模的非线性建模带来的庞大计算复杂度，本发明提出了基于图并行计算的交通估计方法，优化了城市路网的图谱表示和划分，并设计了基于少量浮动车交通采样数据的动态ANN建模方法，可以大大提高交通估计的并行度，提高计算效率和计算节点间的通信效率，实现城市大规模路网近乎实时的交通估计，具有更好的实际应用价值。

附图说明

图1为本发明系统的框架图。

图2为路网的图谱表示和划分示意图。

图3为基于非线性动态ANN模型的交通估计的流程图。

具体实施方式

下面结合附图说明和具体实施方式对本发明的技术方案作进一步阐述。

实施例1

本实施例具体说明本发明系统的实现方式，本发明的系统如图1所示，包括：

a、数据存储模块；所述数据存储模块存储城市路网数据、历史交通数据以及实时浮动车交通采样数据，所述实时浮动车交通采样数据包括浮动车行驶速度和地理位置信息。存储的数据可运用Hadoop的分布式数据存储系统存储，以方便在集群中进行高效的并行计算与处理。

b、数据处理模块；用于数据处理，包括第一计算单元，第二计算单元和若干个第三计算单元；

b1、所述第一计算单元从数据存储模块读取城市路网数据，将城市路网表示成可用于计算机存储、处理与分析的图结构，即符合图并行计算需求的城市路网图谱，特别地表示成点边具有属性的属性图。

基于城市路网数据，将两个道路交叉点(或道路终点)隔出的道路视为路段，不同方向的道路视为不同的路段。为了将路网表示成图谱，将路段建模成图谱的顶点。如果两个路段直接相连，则在其对应的顶点之间建立一条图谱的边。图谱顶点r_i包括以下属性：路段名，路段类型，路段地理位置信息(即表示该路段的一系列经纬度数据)，最高限速

当前路段的交通速度v_i，以及其他可选信息。在图并行计算框架中，顶点r_i可以沿着边向邻近的其他顶点传递消息并利用收集得到的消息运行预先设定的函数以更新顶点r_i的状态。在基于图并行计算的交通估计中，顶点r_i接收邻近顶点的消息(包含各邻近节点的当前交通速度)并利用这些信息和交通模型来估计顶点r_i本身的交通速度。

基于路段的地理位置信息，将图谱进行划分成点边集合，每个点边集合保留了地理位置邻近的点和边，然后再把不同的点边集合分派到集群中的不同机器，用于基于图并行计算的交通估计。

本发明基于顶点地理位置信息(即顶点属性中的路段地理位置信息)进行图谱划分，如图2所示，步骤如下：

I)给定顶点r_i，基于顶点属性中的路段地理位置信息计算其中心位置的经纬度(x_i,y_i)。假设顶点r_i的路段地理位置信息由n个经纬度点对表示，即

那么

II)基于顶点中心位置的经纬度(x_i,y_i)，利用希尔伯特空间填充曲线技术(Hilbert space filling curve)计算得到该顶点的一维希尔伯特键值。根据路网路段数目N，设置希尔伯特键值空间为

III)根据顶点的希尔伯特键值顺序，将顶点的序位设置为顶点新的键值。根据计算节点的数目m，将所有顶点按键值顺序等分成m份，即每份大概将包含

个顶点。

IIII)将每条边的键值设置为其源顶点的键值，因此边也将随着它的源顶点分配到同一个计算节点。

b2、所述第二计算单元从数据存储模块读取历史交通数据以及实时浮动车交通采样数据，进行交通数据与路段的匹配，预处理历史交通数据形成路段分时段的交通状况视图，并处理实时的浮动车交通采样数据，以方便模型训练和基于模型的实时交通估计。具体包括：

1)基于浮动车的地理位置信息，将实时浮动车交通采样数据映射至城市路网图谱中；

由于GPS经纬度信息可能有误差，利用基于马尔科夫模型的地图匹配算法(Newson,P.,&Krumm,J.(2009,November).Hidden Markov map matching through noiseand sparseness.In Proceedings of the 17th ACM SIGSPATIAL internationalconference on advances in geographic information systems(pp.336-343).ACM.)将交通采样数据与城市路网图谱进行地图匹配，最终将每个交通采样数据对应到浮动车经过的实际路段r_i，交通采样数据里面的行驶速度因此可以看作路段r_i在该时间的交通状况估计。

2)基于实时浮动车交通采样数据，计算路段在当前时段(如15分钟为一时间间隔)的平均行驶速度，即b中所述图谱的路段对应顶点的交通速度；

如果路段r_i被足够多(如≥10辆)的浮动车经过并进行交通采样，则认为特定时间段内所有经过路段r_i的浮动车的平均行驶速度即为该路段在该时间段内的交通状况v_i。交通估计一般采用15分钟为一个估计周期，即每15分钟通过浮动车采集交通采样数据，然后基于采样数据来估计那些未被足够多浮动车覆盖的路段的交通状况。

3)基于历史交通数据，获取得到时间-空间完整的道路平均交通状况，并将道路平均交通状况文件以Spark系统中的广播变量形式存储以方便不同机器访问该数据。

时间-空间完整的路网交通状况信息的获取流程如下：

I)对于每个路段，将其历史数据在时间维度上按15分钟为时间片划分成不同的数据集。如果该数据集包含10个以上的交通采样数据，则计算其平均行驶速度，即交通速度；否者视为交通速度缺失，记为0。

II)将计算得到的交通速度按其日期所处的星期和时间所处的时间片位置进行汇聚，如将所有周一第一个时间片的交通速度汇聚到一个集合。然后为每个新的数据集合计算其所有非零交通速度的均值，视为路段r_i在该星期该时间片的通常交通状况。

III)对于交通速度为0的时间片，用其邻近的前后2个时间片的交通速度进行求平均插值，从而为每个路段获得一个包含7×96(＝24×60/15)平均速度的交通状况概要(Speed Profile)。交通状况概要记录了路段在一周之内不同星期不同时间片的通常交通速度。

为了克服交通速度中的噪音数据，采用指数平均(Exponential Smoothing)方法对各个路段的交通状况概要进行平滑处理。

b3、所述若干个第三个计算单元；从第一计算单元读取划分的点边集合，从第二计算单元读取顶点的交通状况，为交通状况未知的路段建立ANN模型并基于该模型估计该路段的当前平均行驶速度。

首先，交通状况已知的顶点r_i沿着边向其邻居顶点r_j发送消息，该消息包括顶点r_i的当前平均行驶速度，即顶点的交通速度v_i；其次，对于交通状况未知的顶点r_x，它从接收到消息的邻居顶点中依据信息熵选择交通相关性最强的κ个顶点来作为对顶点r_x交通状况影响最大的顶点；然后，将κ个顶点作为ANN模型的输入，r_x的交通状况为输出建立三层ANN模型，并利用这些节点的历史数据训练该模型；最后，基于这κ个顶点的实时平均行驶速度以及训练得到的ANN模型来估计顶点r_x的当前平均行驶速度。

一个具体的实施方式如图3所示，包括：

1)消息传播：每次迭代过程中，已知交通速度的顶点将沿着边的方向向邻居顶点发送消息。消息里面包括源顶点的ID、目的顶点ID，以及源顶点当前时间片的交通速度。所有顶点同时接收邻居顶点的消息。特别地，未知交通状况的顶点r_i将根据收到的消息把已知交通速度的邻居顶点信息保存到集合C_i。

2)选择交通相关顶点：对于未知交通状况的顶点r_i，如果集合C_i中元素个数小于κ，则直接跳过接下来的步骤等待下一次迭代，继续接收更多的消息。否则，顶点r_i将从集合C_i中选择κ个交通相关的顶点来训练ANN模型。

具体地，本发明使用互信息(mutual information)来评估集合C_i中每个顶点与顶点r_i的交通相关性强弱。对于顶点r_i，将其顶点的交通速度v_i视为随机变量X_i。那么它的信息熵(entropy)可计算为：

其中x为X_i的某一取值，P(x)为x在X_i所有可能取值中出现的概率。对于顶点r_i和顶点r_j，它们的互信息可计算为：

其中P(x,y)为x和y同时出现的联合概率。通过第二计算单元计算得到的各个路段的交通状况概要来计算各个顶点的信息熵和任意两个顶点之间的互信息。选择κ个交通相关顶点，步骤如下：

2.1)对于每个备选顶点r_k∈C_i，依照下列公式计算其交通相关性得分。

其中X_i为顶点r_i的交通速度v_i，X_k为顶点r_k的交通速度v_k，X_j为顶点r_j的交通速度v_j，I(X_k；X_i)为顶点r_i和顶点r_k的互信息；I(X_k；X_j)为顶点r_j和顶点r_k的互信息；F_i为已经选择的顶点集合，|F_i|表示集合F_i中的元素个数；初始时F_i为空集，计算每个备选点r_k与目标顶点r_i间的互信息并选择互信息最大的备选顶点加入集合F_i；

2.2)选择具有最高交通相关性得分的顶点加入集合F_i，如果没有选到κ个相关性顶点，则继续从步骤2.1)开始新一轮的挑选；否则进入ANN模型的建立。

2.3)ANN模型建立：对于未知交通状况的顶点r_i及其交通相关性顶点集合F_i，以集合F_i中的顶点的交通状况作为ANN的输入层，设置包含(κ+1)个隐神经单元(hidden neuralunit)的隐藏层，以顶点r_i的交通状况为输出层，建立一个三层人工神经网络ANN模型。以各个顶点的历史交通状况概要作为训练数据，通过后向传播(back-propagation)算法来学习ANN模型的参数。在训练过程中，对各个顶点的交通速度做归一化(normalization)处理。对于顶点r_i及其交通速度v_i和最高限速

得到其归一化后的交通状况为

2.4)基于模型的速度估计：在训练得到未知交通状况的顶点r_i的ANN模型之后，我们将集合F_i中顶点当前时间片的实时交通速度做归一化处理，然后将这些归一化处理之后的交通状况作为ANN模型的输入来预测顶点r_i的当前时间片的交通速度。顶点r_i获得其实时交通速度之后，在下一轮的消息传播过程中也可以将其交通速度以消息的形式传递给邻居顶点。

c、输出单元，用于输出计算获取的城市路网交通速度信息。

实施例2

本实施例具体说明本发明方法的实现方式，包括如下步骤：

S100实时获取城市范围浮动车的交通采样数据及历史交通数据；所述交通采样数据包括浮动车行驶速度、地理位置信息、时间、车辆编号和行驶方向；

S200基于城市路网信息建立具有点边属性的城市路网图谱；

将路段建模成图谱的顶点，对于直接相连的两个路段，在其对应的顶点之间建立一条边；顶点属性包括当前路段的交通速度、路段地理位置信息；

S300基于路段的地理位置信息，将城市路网图谱进行划分为若干个顶点和边组成的点边集合，每个点边集合保留地理位置邻近的顶点和边；包括如下步骤：

S310基于顶点r_i对应路段的地理位置信息，计算其中心位置的经纬度(x_i,y_i)；假设路段由n个经纬度点对表示，即

那么

S320基于顶点中心位置的经纬度(x_i,y_i)，利用希尔伯特空间填充曲线计算得到该顶点的一维希尔伯特键值；根据路网路段数目N，设置希尔伯特键值空间为

S330根据顶点的希尔伯特键值顺序，将顶点的序位设置为顶点新的键值；根据计算节点的数目m，将所有顶点按键值顺序等分成m份，即每份包含

个顶点；

S340将每条边的键值设置为其源顶点的键值，则边将随其源顶点分配到同一个计算节点。

将不同的点边集合分派到集群中的不同机器存储，用于后续并行处理；

S400基于浮动车的地理位置信息，基于马尔科夫模型的地图匹配算法将交通采样数据与城市道路进行地图匹配，将S100获取的交通采样数据映射至S200建立的城市路网图谱中；

计算某一时间段内经过某一路段的所有浮动车平均行驶速度，作为路段在该时间段内的交通速度v_i；

基于历史交通数据获得时间-空间完整的路网交通状况信息，步骤如下：

S410将每个路段的历史交通数据在时间维度上按15分钟为时间片划分成不同的数据集，如果该数据集包含10个以上的交通采样数据，则计算其平均行驶速度；否者视为平均行驶速度缺失，记为0；

S420将计算得到的平均行驶速度按其日期、星期和时间所处的时间片位置进行汇聚，为每个新的数据集合计算其所有非零平均行驶速度的均值，视为路段r_i在该星期该时间片的通常交通状况；

S430对于平均行驶速度为0的时间片，用其邻近的时间片的平均行驶速度进行求平均插值，获得每个路段的交通状况概要，交通状况概要记录路段在一周之内不同星期不同时间片的通常行驶速度；采用指数平均的方法对各个路段的交通状况概要进行平滑处理；

S500基于非线性ANN模型进行交通估计；

S510顶点间沿边相互发送/接收消息，基于非线性动态ANN模型的交通估计以迭代的形式进行，每次迭代过程中，已知交通状况的顶点沿着边的方向向邻居顶点发送消息，所有顶点同时接收邻居顶点的消息；

所述消息包括源顶点ID、目的顶点ID，以及源顶点当前时间片的交通状况；

在交通状况未知的顶点经模型估算出其交通状况后，在下一轮的消息传播过程中将其交通状况以消息的形式传递给邻居顶点。

S520交通状况未知的顶点根据收到的消息将已知交通状况的邻居顶点信息保存到集合C_i；

如果集合C_i中元素个数小于κ，则等待下一次迭代，继续接收更多的消息；否则，顶点从集合C_i中选择κ个交通相关的顶点来训练ANN模型；

κ个邻居顶点的筛选方式如下：

a)于每个备选顶点r_k∈C_i，依照下述公式计算其交通相关性得分：

其中X_i为顶点r_i的交通速度v_i，X_k为顶点r_k的交通速度v_k，X_j为顶点r_j的交通速度v_j，I(X_k；X_i)为顶点r_i和顶点r_k的互信息；I(X_k；X_j)为顶点r_j和顶点r_k的互信息；F_i为已经选择的顶点集合，|F_i|表示集合F_i中的元素个数；初始时F_i为空集，计算每个备选点r_k与目标顶点r_i间的互信息并选择互信息最大的备选顶点加入集合F_i；

b)选择交通相关性得分最高的顶点加入集合F_i，重复步骤a)-b)直至选到κ个顶点。

S530以κ个邻居顶点的交通状况作为ANN的输入层，设置包含κ+1个隐神经单元的隐藏层，以交通状况未知路段顶点的交通状况为输出层，为交通状况未知顶点建立ANN模型；以各个顶点的历史交通数据作为训练数据，通过后向传播算法学习ANN模型的参数；在训练过程中对各个顶点的交通速度做归一化处理，对于顶点r_i及其顶点的交通速度v_i和最高限速

其归一化后的交通速度为

在训练得到交通状况未知顶点r_i的ANN模型后，将用于模型训练的κ个邻居顶点所属当前时间片的实时交通速度做归一化处理，将归一化处理后的实时交通速度为ANN模型的输入来预测顶点r_i的当前时间片的交通速度。训练得到交通状况未知路段对应顶点的ANN模型，基于ANN模型预测交通状况未知路段的交通速度v_i，最终获取整个图谱的交通估计。

Claims (7)

1.一种城市路网交通估计方法，其特征在于，包括如下步骤：

S100实时获取城市范围浮动车的交通采样数据及历史交通数据；所述交通采样数据包括浮动车行驶速度、时间和地理位置信息；

S200基于城市路网信息建立具有点边属性的城市路网图谱；

将路段建模成图谱的顶点，对于直接相连的两个路段，在其对应的顶点之间建立一条边；顶点属性包括当前路段的交通速度、路段地理位置信息；

S300基于路段的地理位置信息，将城市路网图谱进行划分为若干个顶点和边组成的点边集合；将不同的点边集合分派到集群中的不同机器存储，用于后续并行处理；

基于顶点地理位置信息进行图谱划分，步骤如下：

S310基于顶点r_i对应路段的地理位置信息，计算其中心位置的经纬度(x_i，y_i)；假设路段由n个经纬度点对表示，即

那么

S320基于顶点中心位置的经纬度(x_i，y_i)，利用希尔伯特空间填充曲线计算得到该顶点的一维希尔伯特键值；根据路网路段数目N，设置希尔伯特键值空间为

S330根据顶点的希尔伯特键值顺序，将顶点的序位设置为顶点新的键值；根据计算节点的数目m，将所有顶点按键值顺序等分成m份，即每份包含

个顶点；

S340将每条边的键值设置为其源顶点的键值，则边将随其源顶点分配到同一个计算节点；

S400基于浮动车的地理位置信息，将S100获取的交通采样数据映射至S200建立的城市路网图谱中；

计算某一时间段内经过某一路段的所有浮动车平均行驶速度，作为路段在该时间段内的交通速度，即顶点的交通速度；

S500为交通状况未知顶点r_i建立ANN模型，筛选r_i该路段在图谱中的κ个邻居顶点，获取κ个邻居顶点的交通状况；顶点间沿边相互发送/接收消息，基于非线性动态ANN模型的交通估计以迭代的形式进行，每次迭代过程中，已知交通状况的顶点沿着边的方向向邻居顶点发送消息，所有顶点同时接收邻居顶点的消息；

所述消息包括源顶点ID、目的顶点ID，以及源顶点当前时间片的交通状况；

在交通状况未知的顶点经模型估算出其交通状况后，在下一轮的消息传播过程中将其交通状况以消息的形式传递给邻居顶点；

交通状况未知的顶点根据收到的消息将已知交通状况的邻居顶点信息保存到集合C_i；

如果集合C_i中元素个数小于κ，则等待下一次迭代，继续接收更多的消息；否则，顶点从集合C_i中选择κ个交通相关的顶点来训练ANN模型；

κ个邻居顶点的筛选方式如下：

a)于每个备选顶点r_k∈C_i，依照下述公式计算其交通相关性得分：

其中X_i为顶点r_i的交通速度v_i，X_k为顶点r_k的交通速度v_k，X_j为顶点r_j的交通速度v_j，I(X_k；X_i)为顶点r_i和顶点r_k的互信息；I(X_k；X_j)为顶点r_j和顶点r_k的互信息；F_i为已经选择的顶点集合，|F_i|表示集合F_i中的元素个数；初始时F_i为空集，计算每个备选点r_k与目标顶点r_i间的互信息并选择互信息最大的备选顶点加入集合F_i；

b)选择交通相关性得分最高的顶点加入集合F_i，重复步骤a)-b)直至选到κ个顶点；

以所述κ个邻居顶点的交通状况作为ANN模型的输入层，设置包含κ+1个隐神经单元的隐藏层，以r_i的交通状况为输出层，以各个顶点的历史交通数据作为训练数据，通过后向传播算法学习ANN模型的参数；训练得到r_i的ANN模型，基于ANN模型预测r_i的交通状况，最终获取整个图谱的交通估计。

2.根据权利要求1所述的一种城市路网交通估计方法，其特征在于，所述S400中，基于马尔科夫模型的地图匹配算法将交通采样数据与城市道路进行地图匹配，将每个交通采样数据对应到浮动车经过的实际路段。

3.根据权利要求1所述的一种城市路网交通估计方法，其特征在于，所述S400还包括，基于历史交通数据获得时间-空间完整的路网交通状况信息，步骤如下：

S410将每个路段的历史交通数据在时间维度上按15分钟为时间片划分成不同的数据集，如果该数据集包含10个以上的交通采样数据，则计算其平均行驶速度；否者视为平均行驶速度缺失，记为0；

S420将计算得到的平均行驶速度按其日期、星期和时间所处的时间片位置进行汇聚，为每个新的数据集合计算其所有非零平均行驶速度的均值，视为路段r_i在该星期该时间片的通常交通状况；

S430对于平均行驶速度为0的时间片，用其邻近的时间片的平均行驶速度进行求平均插值，获得每个路段的交通状况概要，交通状况概要记录路段在一周之内不同星期不同时间片的通常行驶速度。

4.根据权利要求3所述的一种城市路网交通估计方法，其特征在于，所述S430还包括，采用指数平均的方法对各个路段的交通状况概要进行平滑处理。

5.根据权利要求1所述的一种城市路网交通估计方法，其特征在于，

所述顶点属性还包括路段的最高限速

所述S500中，在训练过程中对各个顶点的交通速度做归一化处理，对于顶点r_i及其交通速度v_i和最高限速

其归一化后的交通速度为

在训练得到交通状况未知顶点r_i的ANN模型后，将用于模型训练的κ个邻居顶点所属当前时间片的实时交通速度做归一化处理，将归一化处理后的实时交通速度为ANN模型的输入来预测顶点r_i的当前时间片的交通速度。

6.一种城市路网交通估计系统，其特征在于，包括：

数据存储模块，用于存储数据，包括城市路网数据、历史交通数据以及实时浮动车交通采样数据；所述实时浮动车交通采样数据包括浮动车行驶速度、时间和地理位置信息；

数据处理模块，用于数据处理，包括第一计算单元，第二计算单元和若干个第三计算单元；

所述第一计算单元读取数据存储模块中的城市路网数据，建立具有点边属性的城市路网图谱，将路段建模成图谱的顶点，对于直接相连的两个路段，在其对应的顶点之间建立一条边；顶点属性包括当前路段的交通速度、路段地理位置信息；

之后基于路段的地理位置信息，将城市路网图谱进行划分为若干个点边集合；将划分完毕的若干个点边集合分别发送至若干个第三计算单元；其分配方式为：

基于顶点地理位置信息进行图谱划分，步骤如下：

S310基于顶点r_i对应路段的地理位置信息，计算其中心位置的经纬度(x_i，y_i)；假设路段由n个经纬度点对表示，即

那么

S320基于顶点中心位置的经纬度(x_i，y_i)，利用希尔伯特空间填充曲线计算得到该顶点的一维希尔伯特键值；根据路网路段数目N，设置希尔伯特键值空间为

S330根据顶点的希尔伯特键值顺序，将顶点的序位设置为顶点新的键值；根据计算节点的数目m，将所有顶点按键值顺序等分成m份，即每份包含

个顶点；

S340将每条边的键值设置为其源顶点的键值，则边将随其源顶点分配到同一个计算节点；

所述第二计算单元从数据存储模块读取历史交通数据、实时浮动车交通采样数据，并从第一计算单元读取建立的城市路网数据，进行下述处理：

a)基于浮动车的地理位置信息，将实时浮动车交通采样数据映射至城市路网图谱中；

b)基于历史交通数据获取道路平均交通状况；

c)基于实时浮动车交通采样数据计算某一时间段内经过某一路段的所有浮动车平均行驶速度，作为路段在该时间段内的平均行驶速度，即映射图谱中路段对应的交通速度v_i；

所述第三计算单元从第一计算单元读取划分的点边集合，从第二计算单元读取顶点的交通状况，基于非线性ANN模型进行交通估计；

为交通状况未知路段r_i建立ANN模型，筛选r_i该路段的κ个邻居顶点，获取κ个邻居顶点的交通状况；

顶点间沿边相互发送/接收消息，基于非线性动态ANN模型的交通估计以迭代的形式进行，每次迭代过程中，已知交通状况的顶点沿着边的方向向邻居顶点发送消息，所有顶点同时接收邻居顶点的消息；

所述消息包括源顶点ID、目的顶点ID，以及源顶点当前时间片的交通状况；

在交通状况未知的顶点经模型估算出其交通状况后，在下一轮的消息传播过程中将其交通状况以消息的形式传递给邻居顶点；

交通状况未知的顶点根据收到的消息将已知交通状况的邻居顶点信息保存到集合C_i；

如果集合C_i中元素个数小于κ，则等待下一次迭代，继续接收更多的消息；否则，顶点从集合C_i中选择κ个交通相关的顶点来训练ANN模型；

κ个邻居顶点的筛选方式如下：

a)于每个备选顶点r_k∈C_i，依照下述公式计算其交通相关性得分：

其中X_i为顶点r_i的交通速度v_i，X_k为顶点r_k的交通速度v_k，X_j为顶点r_j的交通速度v_j，I(X_k；X_i)为顶点r_i和顶点r_k的互信息；I(X_k；X_j)为顶点r_j和顶点r_k的互信息；F_i为已经选择的顶点集合，|F_i|表示集合F_i中的元素个数；初始时F_i为空集，计算每个备选点r_k与目标顶点r_i间的互信息并选择互信息最大的备选顶点加入集合F_i；

b)选择交通相关性得分最高的顶点加入集合F_i，重复步骤a)-b)直至选到κ个顶点；

以κ个邻居顶点的交通状况k作为ANN模型的输入层，设置包含κ+1个隐神经单元的隐藏层，以r_i的交通状况为输出层，以各个顶点的历史交通数据作为训练数据，通过后向传播算法学习ANN模型的参数；训练得到r_i的ANN模型，基于ANN模型预测r_i的交通状况；

输出单元，用于输出计算获取的城市路网速度信息。

7.根据权利要求6所述的一种城市路网交通估计系统，其特征在于，所述城市路网数据、历史交通数据和实时浮动车交通采样数据采用Hadoop的分布式数据存储系统存储。

Images