CN110709908B - 用于交通系统的状态预测的计算机系统和方法 - Google Patents

Abstract

本发明提供用于支持操作者控制交通系统(200)的计算机系统(100)、方法和计算机程序产品，所述交通系统(200)包含用于允许现实世界交通参与者(251到253)移动的交通基础设施(210、211到213、221到223)。所述计算机系统的状态预测模块(130)基于轨迹的时间戳位置数据来确定时间相关速度分布(131)、时间相关转弯概率(132)和与时间相关转弯概率对应的时间相关吸引份额(133)。所述状态预测模块(130)进一步基于包含所述速度分布(131)、所述转弯概率(132)和所述吸引份额(133)在内的时间相关交通参数，结合至少一个现有的时间相关起点‑目的地矩阵(134)和合适的顺序动态交通指派方法，确定给定未来时间点的状态预测(FC1)。

Description

用于交通系统的状态预测的计算机系统和方法

技术领域

本发明总体上涉及交通控制，且尤其涉及用于预测交通系统的状态以控制所述交通系统的系统和方法。

背景技术

目前，不断增加的交通密度导致现有交通系统的负载越来越大。在本文中，交通系统包含允许现实世界交通参与者移动的交通基础设施。交通基础设施包含诸如道路、高速公路、人行道、桥梁、渡船的水路等基础设施元件组成的网络，其允许诸如任何类型的公路车辆(例如，汽车、自行车、公共汽车)、船艇(例如，渡轮)、火车、行人等交通参与者从起点位置移动到目的地位置。此外，交通基础设施包含各种各样的交通控制装置，诸如可控交通标志(例如，交通灯、动态限速标志、动态警告标志)，岔道遮断器、伸缩式护柱等，其可以选择性地允许或拒绝交通参与者实际使用基础设施网络的某些部分。

操作者通常可以经由交通管理和控制系统(被称为交通控制系统)来控制交通控制装置。例如，在特定的方向上具有高交通量的状况下，可以通过在特定车道上切换交通方向(通过改变对应标志)为此方向赋予优先级。交通灯信号的切换周期也可以根据特定的交通情况进行调整。对于交通控制系统的操作者来说，了解未来的交通状况是很有利的，这样就可以预料预期发生交通拥堵的情况，并通过向交通基础设施的交通控制装置发送相应的控制信号来采取预防性对策。此类短期措施可以通过长期措施加以补充，其中在一些情况下，未来交通状况的信息甚至可以用于根据未来需求扩展交通基础设施。

在现有技术中，交通状态预测主要通过两种方法实现：纯统计方法和纯模型方法。前者通常基于机器学习和人工智能技术，且通常不涉及运输理论的各方面。而后者则基于对网络和交通状况的明确物理解释，其通过对出行需求和运输网络(供应)之间的交互进行显式建模，以预测拥堵，队列创建和演进以及交通系统的总体服务水平。然而，显式建模方法并未利用现实世界的交通数据。

美国专利申请案US20140114556A公开了一种统计时间序列挖掘技术，其通过从运输网络收集现实世界数据来提高交通预测的准确性，所述运输网络用于将数据的固有行为并入到时间序列挖掘技术中。所公开的方法需要来自环路检测器的高分辨率时空速度数据以用于交通状态预测。在所公开的方法中，交通状态被预报的不同路段在空间上不相关且被认为彼此独立。

美国专利申请案US20150300835A1公开了一种从探测轨迹数据创建起点-目的地矩阵的方法。作为运输计划模型的组成部分的起点-目的地矩阵在现有技术中已被熟知数十年，因为其显示了从每一起点到每一目的地的行程次数。在所公开的方法中，接收探测轨迹数据，其中所述探测轨迹数据与多个行进节点的至少一个子集相关联。所述方法还包括处理和/或促进对探测轨迹数据的处理以构造一个或多个微观起点-目的地矩阵，其中至少一个微观起点-目的地矩阵表示通过所述多个行进节点的所述子集的一个或多个优选行进路径。所述方法进一步包括至少部分地引起一个或多个微观起点-目的地矩阵的聚合以构造至少一个经聚合的起点-目的地矩阵以表示多个行进节点。探测轨迹数据允许从拦截时车辆的转弯移动识别中推断出连续的链接，从而揭示出城市内任何数目的OD的最受欢迎和优选的路线。

欧洲专利申请案EP2884230A1公开了一种具有路线选择概率计算单元的路线计算系统，所述路线选择概率计算单元计算每一路线的路线选择概率。对通过每一路线的同一对点的多个轨迹进行分类，其中将通过任何特定路线的轨迹视为属于所述特定路线。计数路线的使用次数，针对其对轨迹进行分类，且针对每一路线计算路线选择概率。

发明内容

既然向交通控制系统的操作者提供了更为实际的预报，从而提示操作者状态信息，所述状态信息使得所述操作者能够采取预防措施，以确保交通系统的交通流量顺畅，因此需要改进交通预报(即，预测交通系统的未来状态)。

此技术问题通过根据独立权利要求的计算机系统、由计算机实施的方法和计算机程序产品来解决。

在一个实施例中，所述用于预测交通系统的状态的由计算机实施的方法由运行所述计算机程序产品的所述计算机系统执行。所述由计算机实施的方法支持操作者基于所述交通系统的预测状态来控制交通系统。因此，所提出的实施例全部基于数据驱动方法，所述方法获益于由相应位置传感器跟踪的现实世界的位置数据。

最初，计算机系统接收在一时间周期内所测量的多个交通参与者的时间戳位置数据，其中所述时间戳位置数据表示在所述时间周期内反映所述多个参与者的移动的多个轨迹。换句话说，与交通参与者有关的时间戳位置数据指示参与者在移动内经过的一系列位置。此序列也被称为轨迹。例如，交通参与者的时间戳位置数据可以为相应交通参与者(例如，车辆)的GPS数据记录。当交通参与者移动通过交通基础设施时，安装在交通参与者上的GPS系统可以在各个时间点确定GPS系统(即，交通参与者的)的地理位置坐标。此类所确定位置随时间的序列反映了交通参与者随时间的轨迹。也可以使用其它确定位置数据的方法(例如，基于蜂窝信号的三角测量方法)。也可以通过任何支持类似GPS数据结构交换的适当接口模块来接收位置数据。时间戳位置数据有时也被称为浮动汽车数据(FCD)。

然后将时间戳位置数据提供到至少一个地图匹配模块。地图匹配模块在本技术中被熟知。所述地图匹配模块的目的是将经由位置传感器所测量的现实世界轨迹数据与表示交通基础设施的至少一部分的图形元素进行匹配。一个或多个地图匹配模块可以为计算机系统的一部分，或可以为由远程计算机(例如，云服务器计算机)提供的外部模块。待处理的时间戳位置数据的量可能非常庞大。因此，使用用于并行处理此类数据的多个地图匹配模块和多个计算装置可能是有利的。轨迹与其位置数据的独立性允许地图匹配过程的并行化。

然后，计算机系统以与每一轨迹相关联的链接序列的形式从一个或多个地图匹配模块接收地图匹配过程的结果。每一链接表示与映射到道路图形的对应元素的所测量轨迹的一部分对应的现实世界连接，其中道路图形(或基础设施图形)表示在给定地理区域中可用的完整道路基础设施。

基于经映射轨迹的时间戳位置数据，计算机系统的速度分布模块为接收到的链接确定时间相关的速度分布。在一个实施例中，速度分布模块可以从一个或多个地图匹配模块为每一链接接收一个或多个时间相关轨迹特有速度分布，所述时间相关轨迹特有速度分布指示在相应时间间隔内的平均速度值。因此，每一速度值与相应经映射轨迹相关联。即，对于每一链接，可以接收多个平均速度值，其中每一平均速度值源于经过此链接的相应交通参与者的不同轨迹。然后，速度分布模块可以聚合每一链接的轨迹特有速度分布，其中在特定时间点(或在特定时间间隔内)的聚合速度值基于映射到相应链接的所有轨迹的轨迹特有速度值。换句话说，对于每一链接，系统确定特定时间点(时间间隔)的所有轨迹特有平均速度值的平均值。基于时间戳位置数据确定时间相关速度分布提供了稳健可靠的速度分布。

上述用于地图匹配目的的基础设施道路图形与所谓的指派图形不同。基础设施图形反映了人们移动的完整详细的运输网络。指派图形包含基础设施图形的子选择，所述子选择基于运输和交通准则创建。指派图形为相连图形，且表示基础设施中能够解释交通行为的部分。换句话说，指派图形包含产生大部分交通流量的基础设施图形的元素。基于指派图形提供交通预报。在完成地图匹配之后，与交通预报相关的信息(与指派图形有关的信息)根据对两图之间的映射关系的先验(预定义)知识从基础设施图形被自动传送到指派图形。在某种程度上，指派图形可基于现实世界交通数据生成。然而，在很多状况下，运输工程师会对所生成的图形进行修改。

基于经映射轨迹的时间戳位置数据，计算机系统的转弯概率模块确定从指派图形的每一链接到每一可能的相继链接的时间相关转弯概率。转弯概率反映了在给定的分岔路口(例如，交叉路口)处，在特定时间点(或在特定时间周期内)交通参与者进行特定转弯的百分比。换句话说，时间相关转弯概率反映了在特定时间间隔内指派图形中分岔路口位置处的现实世界交通流量。使用此信息进行状态预测可以使预测结果更加可靠。

基于经映射轨迹的时间戳位置数据，计算机系统的吸引份额模块确定与从属于所述指派图形的链接朝向不属于所述指派图形的相继链接的时间相关转弯概率对应的时间相关吸引份额。换句话说，与来自指派图形的离开流量(离开指派图形的交通流量)对应的转弯概率被称为吸引份额。特定吸引份额描述了从指派图形的链接到并非是指派图形的一部分的基础设施(道路)图形的可能的相继链接的转弯概率。吸引份额反映了在基础设施图形的给定分岔路口(例如，交叉路口)处，在特定时间点(或在特定时间周期内)的交通参与者离开指派图形的百分比。换句话说，时间相关吸引份额反映了在特定时间间隔内，道路图形中的分岔路口位置处的现实世界交通流量，其中所述流量从指派图形移动到道路图形。在此实施例中，用于提供预报的时间相关交通参数进一步包含时间相关吸引份额。吸引份额进一步提高交通状态预测的准确性和可靠性。

基于包含所述速度分布、所述转弯概率和所述吸引份额在内的时间相关交通参数，结合至少一个现有的时间相关起点-目的地矩阵和合适的顺序动态交通指派方法，计算机系统的状态预测模块可确定交通系统在给定未来时间点的状态预测。此确定可以自动且近实时地执行，从而允许用近实时系统响应可靠地预测交通状态，以使得操作者能够做出恰当、及时且主动的反应。如本文中所使用的，近实时系统响应是指响应于接收到的位置数据(其可以为实时交通数据)的计算仅因在事件发生和使用经处理数据(诸如出于显示或反馈和控制目的)之间由自动数据处理或网络传输引入的时间延迟而被延迟。例如，近实时显示器将事件或情况描绘为其在当前时间减去处理时间(如同近乎现场事件的时间)存在。然后将此状态预测提供给交通控制系统的操作者，以向驾驶员提示与控制交通流量有关的技术交通状态信息。

所提出的预测方法使用了一种先进的方法，包含用于运输系统的动态模拟的模型和算法。这允许离线和近实时地估计和预报行进时间、交通流量和/或车队。估计和预报是基于交通参与者的经预测和经测量(未预测)的移动性数据和/或在所监视运输网络上发生的事件(如由基础设施/指派图形所反映)而生成的。因此，历史交通流量数据和连续观察到的实时交通状态信息可被使用。

一旦状态预测模型和参考交通状况可用，就将参考交通状况与从现场连续传入的测量数据(即，时间戳位置数据)组合到近实时交通模型中，所述近实时交通模型可以根据特定日期的所测量交通状况调整交通估计和预报。例如，此相应计算可以完全自动且连续地执行，也就允许例如每隔几分钟产生新的交通估计和预报。

可以使用源自普查和网络数据的经典传输建模技术来构建参考运输模型。可以对其进行校准，以便重现平均交通测量值(即，特定日期类型的平均观察到的交通状况)。继而，可以通过适当的数据聚类程序从存档的实时测量值中获取平均交通测量。

然后，使用顺序动态交通指派方法来计算动态指派。例如，可以通过使用动态用户平衡(DUE)模型来计算动态指派。首先，可以在基础运输模型上离线使用动态指派，以计算每一典型日期内不同时间间隔内的链接流量、队列、行进时间和路径选择的演变。有关DUE模型的完整理论说明可见“Bellei,G.；Gentile,G.；Papola,N.2005年，《城市道路网络的日间动态交通指派模型》，运输研究B部分39,1-29”和“Gentile,G.；Meschini,L；PapolaN.2007年，《动态交通指派中的倒流式交通拥堵：具有时变瓶颈的宏观流量模型》，运输研究B部分41,1114-1138”。

其次，动态指派可以在线(近实时)使用，其中顺序动态网络负载(SDNL)模型负责将实时交通流量测量数据和事件效果与DUE所使用的相同参考运输模型以及由参考路径选择代表的参考交通行为放置在一起。例如，事件影响包含但不限于速度降低、通行能力约束(例如，车道管理事件可能降低道路通行能力，而基于安全的事件可能打开路肩车道，从而增加通行能力)，具有交通灯信号的交叉路口处绿灯阶段份额的改变等。

SDNL的基础数学模型基于交通现象的显式表示，特别参考流量和拥堵传播。特别地，此方法采用GLTM作为其模拟引擎(试比较“Gentile G.(2008年)，《动态网络负载的通用链接传输模型及其与DUE算法的比较》。第二届动态交通指派—DTA 2008国际研讨会论文集，比利时勒芬”；“Gentile，G.2010年，《动态网络负载的通用链接传输模型及其与DUE算法的比较》，见《运输规划的新进展：动态交通指派的进展》，L.G.H.Immers、C.M.J.Tampere、F.Viti编辑，《运输经济学、管理和政策丛书》，爱德华·埃尔加出版社，美国马萨诸塞州”)，所述GLTM为基于简化运动波理论的宏观动态网络负载模型。GLTM的主要特征为：采用具有一般形状的基本图表的可能性；一般交叉路口的完整表示，均衡发出信号；不需要链接的空间离散化(例如，与“小区传输模型”相反)。在这些方面，所提出的建模方法与微观模拟不同，在微观模拟中，单个车辆作为单独的元素进行操作。因此，GLTM在计算上比微观模拟快，而微观模拟允许模拟更大或更详细的网络。

为了获得交通预报的连续更新，GLTM依次应用了滚动时域求解方案，利用了从所监测链接收集的基本运输模型、交通测量值和事件。

具体来说，通过在滚动时域中在网络(指派图形)上执行一系列实时动态交通传播来实现持续更新的交通流量预报。为了正确地实施滚动时域上下文，每一模拟(预报)步骤均采用由与其初始时刻一致的先前模拟步骤所计算的交通状态作为其初始条件。即，预报步骤不是从空的网络初始条件开始的。这允许将拥堵情况从一个模拟步骤传播或传输到下一个模拟步骤，从而确保先前计算的队列和/或度量衍生变化得以继承。

如已提及的，从现场连续收集的交通测量数据和事件用于在线校正GLTM产生的需求流量在网络上的传播。

更详细地，在每一所监测链接和时间间隔上，引入额外流量，所述额外流量(在代数意义上)等于观察到的流量值(实时测量的)和网络负载模型在相同时间间隔内所计算的流量值之间的差。在网络上传播额外流量。换句话说，在代数意义上解释额外流量意指，其在观察到的流量比所计算流量大的情况下可以为正；或其在观察到的流量比所计算流量小的情况下可以为负。将额外流量添加(且因此传播)到所计算流量值。即，在考虑预测模型的交通能力约束的同时传播所测量流量。

例如，如果所测量流量被认为是关键的，则指示有效的下游交通能力约束的影响已达到所监测链接(例如，以车队形式)，那么可以将链接的交通能力设置为等于所测量流量。

在运行预报计算时，上述校正从生成其的路段在网络上传播，传播分上游(为队列)和下游(为流量变化)两者，与GLTM内实施的交通流量理论相一致。因此，链接流量随时间的演变起因于三种贡献：

-在网络上加载的需求产生的一种贡献；

-通过在所有所监测链接上生成的额外流量的下游传播而获得的一种贡献；

-通过由与关键观察到的流量相一致强加的交通能力约束所生成的队列的上游传播产生的一种贡献。

在一个实施例中，预测模块可以通过预定义的日期类型对时间相关交通参数分组。特定日期类型对所述交通系统在所述日期内的特定平均交通行为进行分类。分组可以包含对具有相同日期类型的多个日期中的时间相关参数求平均。例如，由时间相关的位置数据反映的交通流量行为可以针对工作日、周末、公共假期、假期开始/结束等展示不同的特性。可以定义相应日期类型以反映此行为。然后，对同一日期类型的多个日期的时间相关参数进行求平均可以进一步改进交通状态预测的可靠性。

在一个实施例中，预测模块可以包含分区模块。分区模块可以接收多个区定义(区规范)。可以指定区，使得每一区覆盖所述指派图形的一部分，以便每一所测量轨迹的始点被指派给相应起点区，且每一所测量轨迹的终点被指派给相应目的地区。分区还可以支持重叠区。分区允许通过允许计算基于目的地的转弯概率来改进先前所公开的转弯概率特征，这将在详细描述中更详细地描述。

在使用分区的实施例中，产生份额模块可以包含在预测模块中。基于经映射轨迹的时间戳位置数据，产生份额模块可以确定时间相关产生份额。特定产生份额是在特定区中开始并在所述指派图形的特定链接上进入所述指派图形的轨迹的数目与在所述特定区/区域中开始的轨迹的总数之间的时间相关比率。在此实施例中，用于提供预报的时间相关交通参数进一步包含时间相关产生份额。换句话说，可以将关于特定起点区的特定链接的产生份额确定为在特定起点区开始并在指派图形的给定链接上进入指派图形的轨迹的数目与在特定起点区中开始的轨迹的总数之间的比率。产生份额进一步改进交通状态预测的准确性和可靠性。

在一个实施例中，预测模块可以构造日期类型周期内的多个样本起点目的地矩阵。样本起点-目的地矩阵量化在日期周期内的预定义时间间隔内的指派图形的两个区之间的交通参与者流量。对特定轨迹进入特定起点区的时间点时对所述特定轨迹对所述样本起点-目的地矩阵的贡献进行计数。所构建的样本起点-目的地矩阵用基于现实世界交通流量的数据对先前存在的时间相关起点-目的地矩阵进行补充，且有助于对交通状态的更可靠和准确的预测。换句话说，可以用样本起点-目的地矩阵的贡献来修改或更新先前存在的时间相关的起点-目的地矩阵。

在具有分区的一个实施例中，预测模块可以产生多个进入接点和离开接点。进入接点是所述指派图形中将起点区直接连接到让一个或多个轨迹进入所述指派图形的对应进入链接(即，定义产生份额的链接)的逻辑链接。离开接点是所述指派图形中在吸引份额被定义的情况下将一个或多个轨迹离开所述指派图形的离开链接直接连接到对应目的地区的逻辑链接。换句话说，接点可以看作是将起点区与对应目标区直接连接的捷径。因此，将接点注入到所述指派图形中并从所述指派图形中吸收，并允许通过指派(或运输)网络中的特定点分配来自多个区的需求矩阵的量。

在具有分区的一个实施例中，预测模块进一步可以按目的地确定时间相关转弯概率，因为交通参与者(即，相应轨迹)的目的地区为已知的。

在具有分区的一个实施例，状态预测模块进一步可以产生多个显式时间相关起点和目的地路径概率，其中显式时间相关起点和目的地路径概率被定义为所述指派图形的给定连续链接序列被在给定起点区中开始并在给定目的地区中结束的所有经映射轨迹使用的概率。

在一个实施例中，一种计算机程序产品包含指令，所述指令被加载到所公开的计算机系统的存储器中并由所述计算机系统的至少一个处理器执行以使所述处理器执行本文中所描述的功能和由计算机实施的方法。

在一个实施例中，提供了一种用于学习状态预测模型以用于预报交通系统的状态的由计算机实施的方法。所述交通系统包含交通基础设施，所述交通基础设施用于允许现实世界交通参与者的移动。所述方法包括：接收在一时间周期内测量的多个交通参与者的时间戳位置数据，其中所述时间戳位置数据表示反映在所述时间周期内所述多个参与者的移动的多个轨迹；将所述时间戳位置数据提供到至少一个地图匹配模块；从所述至少一个地图匹配模块接收多个链接，其中每一链接表示与所测量轨迹的一部分对应的现实世界连接，所述所测量轨迹被映射到交通基础设施图形的对应元素；接收指派图形，所述指派图形包含所述基础设施图形的相连元素的子集，其中所述子集是基于预定义的运输和交通准则而选择；基于所述经映射轨迹的所述时间戳位置数据，确定所述接收到的链接的时间相关速度分布；基于所述经映射轨迹的所述时间戳位置数据，确定从所述指派图形的每一链接到每一可能的相继链接的时间相关转弯概率；基于所述经映射轨迹的所述时间戳位置数据，确定与从属于所述指派图形的链接朝向不属于所述指派图形的相继链接的时间相关转弯概率对应的时间相关吸引份额；存储包含所述速度分布、所述转弯概率和所述吸引份额在内的时间相关交通参数作为所述状态预测模型的一部分，以结合至少一个现有的时间相关起点-目的地矩阵和顺序动态交通指派方法来使用。时间相关交通参数可以存储在相应的存储器组件的任何适当的数据结构中。

所属领域的技术人员还可以提供对应计算机程序产品和计算机系统，以运行所述计算机程序产品来执行用于学习状态预测模型的方法。

本发明的其它方面将通过所附权利要求书中具体描述的元素和组合来实现和获得。应理解的是，前面的一般描述和下面的详细描述都仅为示范性和说明性的，且不限制所描述的本发明。

附图说明

图1根据本发明的一个实施例展示用于交通系统的状态预测的计算机系统的简化框图；

图2为根据本发明的一个实施例的用于交通系统的状态预测的由计算机实施的方法的简化流程图；

图3A、3B说明用于计算相应链接的速度值的两个示例性实施例；

图4A、4B说明用于确定时间相关转弯概率的两个示例性实施例；

图5A、5B根据本发明的实施例说明分区示例；

图6A到6F根据各实施例说明实施系统模块的各种功能的示例伪码；

图7说明根据实施例的另一分区示例，及

图8为展示可与此处所描述的技术一起使用的通用计算机装置和通用移动计算机装置的示例的图。

具体实施方式

图1根据本发明的一个实施例展示用于交通系统200的状态预测的计算机系统100的简化框图。图2为根据本发明的一个实施例的用于交通系统的状态预测的由计算机实施的方法1000的简化流程图。当将相应的计算机程序加载到计算机系统100中且由一个或多个处理器执行到计算机系统时，计算机系统100可以执行由计算机实施的方法1000。在以下描述中，图1是在图2的上下文中描述。因此，参考编号与图1或图2有关，除非明确指代另一图。

计算机系统100支持操作者10来控制交通系统200。如较早所述，交通系统200包含交通基础设施，所述交通基础设施用于允许现实世界交通参与者的移动。也就是说，交通参与者可以在交通基础设施的元件上进行物理移动。图1的左上部分通过示例展示三个交通参与者(汽车251到253)，所述交通参与者接近具有三个车道221到223(左转、直行、右转)的道路上的交叉路口。交通基础设施的此部分为图1右上部分中的基础设施图形210中的交叉点的放大图(由花括号和指向所述交叉路口的箭头指示)。基础设施图形210表示交通状态预测所关注的交通基础设施的所有现实世界连接(交通参与者实际移动的现实世界连接)。此外，示例中的交通基础设施包含作为交通控制装置的交通灯211到213。交通基础设施的交通控制装置可以由操作者10经由交通管理和控制系统290或通过计算机系统(例如，基于规则的计算机系统，其可以基于预定义规则做出控制决策)来控制291。交通参与者251至253配备有位置传感器(例如，GPS传感器)，且可以将时间戳位置数据(LD)270传递到计算机系统100。例如，可以经由在适当的移动通信协议上运行的蜂窝通信网络通过无线因特网连接来传递LD 270。

计算机系统200正在学习状态预测模型，所述状态预模型随后可用于预报交通系统的状态。基于时间戳的位置数据，在模型学习阶段时间内，将相关交通参数确定为状态预测模型的一部分。所确定的参数被存储为预测模型的一部分，所述预测模型将结合至少一个现有的时间相关起点-目的地矩阵和合适的顺序动态交通指派方法用于进行交通状态预测。

LD 270由计算机系统200的接口模块110接收1100。如图1所示，接收到的时间戳位置数据270与多个交通参与者251到253有关。LD 270是在特定时间周期内测量。例如，可以在一天，几天或甚至一个或多个星期内跟踪整个基础设施(由基础设施图形210反映)的位置数据。在相对较长的时间周期(一天或更长时间)内跟踪LD 270改进位置数据样本的统计相关性。LD 270表示多个轨迹，所述轨迹反映了在(跟踪)时间周期内多个参与者的移动，其中特定轨迹对应于特定交通参与者的特定行程。例如，汽车251在接近由交通灯211控制的交叉路口的路段的左转车道211上行驶。汽车251的轨迹是由较早为汽车251所记录的所有时间戳位置数据所测量的位置和将在即将来临的行程中进行测量的所有位置定义。在此示例中，汽车251可能将向左转，且其轨迹将与汽车252、253的轨迹偏离，后者在由交通灯212控制的中间车道222上移动时应该会一直向前进一步移动。示例说明了不同交通参与者的轨迹可以针对基础设施的某些部分包含相同的路段，但当交通参与者在其行程内转弯时也可以离开(或合并)。

为了预测交通系统200的状态，使用关于所测量现实世界轨迹的信息，其中所述测量轨迹对应于整个基础设施的子集。因此，不需要基于如基础设施图形210所反映的整个基础设施来执行交通预报计算。只使用基础设施图形的真正发生交通流量的部分就足够。因此，从资源消耗和系统性能的角度来看，针对接下来的计算步骤，以仅考虑形成现实世界轨迹的一部分的图形元素的方式来筛选整个基础设施图形210是有利的。为了这个目的，将接收到的LD 270提供1200给至少一个地图匹配模块190到192。地图匹配算法在本技术中为大家熟知。文献中有关所述主题的两篇主要论文是：“大型GPS数据集的有效地图匹配—苏黎世速度监测实验的试验，Marchal 2004年”和“Y.Lou、C.Zhang、Y.Zheng、X.Xie、W.Wang和Y.Huang的低采样率GPS轨迹的地图匹配，在Proc.GIS.ACM中，2009年”。一个或多个地图匹配模块190到192确定多个链接，其中每一链接表示与映射到表示交通基础设施的基础设施图形210的对应元素(边缘)的所测量轨迹的一部分对应的现实世界连接。即，基础设施图形210由地图匹配模块用作确定链接的输入。因为各种轨迹为完全独立的，所以地图匹配任务可以完全并行化，且可以通过多个地图匹配模块针对不同轨迹并行地执行地图匹配计算，从而受益于多处理器/多核计算硬件。因此，地图匹配过程是由计算机系统100执行的还是由经由其接口110与计算机系统100通信耦合的一个或多个远程计算装置执行并不重要。

此外，计算机系统100接收指派图形作为交通状态预测确定的又一输入。指派图形120包含基础设施图形210的相连元素的子集，其中所述子集是基于预定义的运输和交通准则而选择。例如，运输工程师可以从基础设施图形210提取与交通状态预测相关的此类部分。

计算机系统100进一步包含状态预测模块130。状态预测模块130可以基于时间相关参数执行计算交通状态的状态预测所必需的功能，所述时间相关参数可以从经映射轨迹的时间相关位置数据LD 270中导出。

状态预测模块130的速度分布功能基于经映射轨迹的时间戳位置数据确定1400接收到的链接的时间相关速度分布131。在一个实施例中，状态预测模块130针对每一链接从一个或多个地图匹配模块接收一个或多个时间相关轨迹特有速度分布，所述一个或多个时间相关轨迹特有速度分布指示相应时间间隔内的平均速度值，其中每一速度值与相应经映射轨迹相关联。然后，速度分布功能可以通过对每一链接的所述轨迹特有速度分布进行聚合来确定时间相关速度分布，其中聚合速度值基于映射到相应链接的所有轨迹的轨迹特有速度值。

在将经测量轨迹地图匹配到基础设施(道路)图形210之后，可以为所有图形元素(图形的边缘)提供平均速度值，所述图形元素被包含在经映射轨迹中的至少一个中(即，针对接收到的链接)。可以通过对给定链接的速度值求平均来计算此类平均值。在一个实施例中，速度值可以通过日期类型以及在如由配置定义的日期内的对应时间点或时间间隔来聚合。例如，用于聚合速度值的时间窗口可以为一小时，导致每天24个时间窗口。所有时间窗口的长度不必都相同。例如，在夜晚时间，交通流量可能非常低，较长的时间窗口可能足够(例如，在11pm和5am之间聚合的时间窗口)，而在高峰时间内，可以使用较短的时间窗口进行聚合。此外，如果可以通过车辆类别区分轨迹，那么可以针对每一车辆类别单独地聚合车辆类别特有速度分布。车辆类别特有速度分布提供关于与相应车辆类别相关联的某些链接上的速度分布的较高粒度。这允许进一步提高交通状态预测的准确性。对于每一链接的平均值，可以提供样本的标准偏差和大小。

对于每一经映射轨迹，可以通过地图匹配算法确定速度值。可以将速度值计算为与基础图形元素(与例如道路对应的链接或链接序列)的参考速度成比例。例如，如果轨迹覆盖两个表示相同长度的基础设施元素的链接，其中第一链接的参考(或基本)速度为第二链接的参考速度的两倍，那么第一链接的所计算速度值为第二链接的速度值的两倍。

图3A说明在此计算内的更复杂的示例。T为在两个连续的时间相关位置数据A、B(例如，GPS点)之间经过的时间间隔。A在左链接的开头，且B在右链接的末尾(每一链接都由箭头表示)。链接长度和参考速度值分别为I、V_ο、2I、3V_ο。参考速度为与基础设施图形的每一元素相关联的给定输入。它对应于与相应元素相关联的速度限制，或其对应于所述链接上的最大速度(也被称为自由流量速度)的合理假设。因为总行进时间固定为T，且给出了基本行进时间之间的比率(等于链节长度和其参考速度之间的比率)，所以可以计算出实际行进时间。在左链接上，实际行进时间等于3T/5。在右链接上，实际行进时间等于2T/5。

图3B更详细地展示如何基于所估计速度与相应参考速度值成比例的假设来计算速度值。此假设避免在具有相同长度但具有不同参考速度值的链接上获得相等的速度值。例如，在图3B中所描述的情况中，在入口匝道街道链接上具有比在对应于高速公路段的街道链接上低的速度值是更现实的。在示例中，粗线箭头对应于表示具有130km/h参考速度值的高速公路的图形边缘。虚线箭头对应于表示具有40km/h参考速度值的入口匝道街道元素的图形边缘。点线箭头指示具有相关联速度值v1到v4的经映射轨迹段(链接)。如果第一GPS点T_GPS1在斜坡上，且第二GPS点T_GPS2在高速公路上，那么速度分布算法会取决于其距斜坡的距离将不同速度值指派给高速公路链接。即，将v3值计算为比v4值低的值。在数学公式中，此问题可以描述如下：

约束：

待计算：v_i，i＝1，…n

假设：

其中w_i为相应链接的参考速度值

系数：

t_final和t_initial对应于两个后续GPS点的时间戳。其区别为GPS单元经历和记录的实际行进时间。此时间是一个约束，因为其必须等于如地图匹配模块所述的连接基础设施图形上的两个GPS点的链接上所有行进时间的总和。假设给定所有链接长度，必须找到这些链接上的所有速度值v_i，以便满足时间约束。即，将找到n个变量，但仅给出约束方程式。因此，做出进一步的假设来解决所述问题。假设为所有待找到的速度值v_i与具有相同比例常数Q的链接的参考速度成线性比例。这可以将未知数的数目从n个减少到仅1个，即Q。给定两个后续GPS点，就知道其时间戳在公式中为t_final和t_initial。

现在返回到图1和2，状态预测模块130基于经映射轨迹的所述时间戳位置数据，确定1500从指派图形120的每一链接到每一可能的相继链接的时间相关转弯概率132。换句话说，在指派图形的每一岔路口(或交叉路口)，至少第一交通参与者已在岔路口处通过了选择第一转弯方向的轨迹，且至少第二交通参与者已在岔路口处通过了选择至少第二转弯方向的轨迹。因为指派图形120仅包含交通参与者在其行程中实际移动的链接，所以对于每个转弯，存在实际的交通流量，这允许确定此类时间相关转弯概率。即，可以从例如特定交叉路口处的运输模型的FCD轨迹提取拐弯概率，作为人们在交叉路口处选择拐弯的百分比。

转弯概率表示现实世界人们的路线选择行为。此外，在现有技术的交通需求预测方法中，每个交叉路口的转弯概率的和必须总计为1。然而，在现实世界交通情况下，不一定是这种情况。例如，如果给定交叉路口的基础设施图形210的转弯选项比所表示现实世界交叉路口少，那么可能会发生未包含在模型图形210中的FCD轨迹被观察到。如本发明中所描述的数据驱动模型方法旨在确定转弯概率，因为其经由FCD信息在现实世界中被有效地观察到。因此，在一些状况下，对于指派图形120的一些交叉路口，所述转弯概率可能不一定总计为1，因为一些现实世界轨迹可能在指派图形上没有对应部分，且因此无法映射到相应链接。换句话说，从建模的角度来看，此交叉路口处的交通流量被破坏。即，在每一交叉路口处，当还考虑破坏的流量(吸引份额)时，转弯概率总计为1。

图4A展示交叉路口401的示例，其中链接1后继为与经映射轨迹有关的两个链接3、4。然而，作为基础设施图形的一部分的虚线链接2未被包含在指派图形中，但是仍存在使用转弯1-2的轨迹。黑色点符表示通过相应链接的交通参与者。通过链接1的六个参与者中的一个转向链接2，三个参与者转向链接3，其余两个参与者转向链接4。在此示例中，确定以下转弯概率：p₁₂＝1/6(对应于吸引份额，因为流量离开指派图形)，p₁₃＝3/6，p₁₄＝2/6。请注意，所有转弯概率的和总计为1。然而，关于由指派图形反映的转弯1-3、1-4(p₁₃和p₁₄)子集，情况并非如此。

现在返回到图1和2，状态预测模块130进一步基于经映射轨迹的时间戳位置数据，确定1600与从属于指派图形的链接朝向不属于指派图形的后继链接的时间相关转弯概率对应的时间相关吸引份额133。换句话说，与来自指派图形120的离开流量对应的转弯概率被称作吸引份额((试比较4A中的p₁₂)。吸引份额是指关于交通参与者离开由指派图形120表示的交通基础设施部分的百分比的度量。

最终，状态预测模块130基于包含速度分布131、转弯概率132和吸引份额133在内的时间相关交通参数，结合至少一个现有的时间相关起点-目的地矩阵134和合适的顺序动态交通指派方法，确定给定未来时间点的交通系统200的状态预测(FC1)。然后，所确定的状态预测FC1经由接口110被提供1700给操作者10，以使操作者能够响应于状态预测FC1，例如经由交通控制模块290与交通系统200交互291。可以使用标准用户界面技术将预测FC1传达给操作者10。在替代实施例中，所确定的状态预测还可以用作基于自动化规则的交通流量控制系统的输入，所述系统可以基于状态预测数据自主地做出交通流量控制决策。

状态预测模块130的预测引擎内采用的建模范例基于对观察到的交通现象的物理解释(例如，交通流量在时间和空间上的演变，交通流量如何受到实时拥堵数据影响，如何创建队列，它们如何在空间和时间上演进和消散等)，且与通过人工智能方法对现场度量进行简单插值大不相同。大多数现有技术的监测系统应用数据挖掘技术将当前时间序列与历史模式进行匹配，因此仅在本地和典型情况下提供预报。然而，仅凭统计推断可能无法从观察到的交通数据中推断出不受监测的链接的交通状态，或也无法预报诸如道路交通事故等不可预测的非典型事件的后果。状态预测模块130的预报引擎可以针对拥堵最严重的大都市环境而特别构想，同时也未忽略车辆流量和行进时间的日常变化和日内波动。然而，其也可以安装在本质上不太复杂的城外框架(例如，针对农村地区)中。

基础数学模型基于交通现象的显式表示，尤其是交通和拥堵传播。例如，GLTM(Gentile G.(2008年)，《动态网络负载的通用链接运输模型及其与DUE算法的比较》。第二届动态交通指派—DTA 2008国际研讨会论文集，比利时勒芬)为基于简化运动波理论的宏观动态网络负载模型，可以将其用作预报引擎。GLTM的主要特征为：采用具有一般形状的基本图表的可能性；一般交叉路口的完整表示，均衡发出信号；不需要链接的空间离散化(例如，与“小区传输模型”相反)。因此，所提出的建模方法不同于将单个车辆视为单独元素的现有技术方法。因此，GLTM在计算上比现有技术的解决方案更有效，而现有技术的解决方案又允许以足够的准确性近实时地对较大或更详细的网络进行预测计算。

为了获得交通预报的连续更新，GLTM可依次应用了滚动时域求解方案，利用了从所监测链接收集的运输模型和交通数据(度量和事件)两者。现有技术技术人员将运输模型理解为指派图形和需求模型的结合。需求模型在交通预报领域为大家熟知。

具体来说，可通过在滚动时域中在网络上执行一系列近实时动态交通传播来实现持续更新的交通流预报。为了正确地实施滚动时域上下文，每一预报计算将由与其初始时态一致的先前预报计算所计算的交通状态作为初始条件(即，其不是从空的网络初始条件开始)。因此，拥堵情况可以从一个预报计算“传输”到下一个预报计算，从而确保先前计算的队列和/或度量衍生变化得以继承。

从现场连续收集的交通度量和事件(即，现实世界交通状况)可用于近实时地校正由GLTM产生的需求流量在网络上的传播。

更详细地，在每一所监测链接和时间间隔上，可引入额外流量，所述额外流量(在代数意义上)等于观察到的流量值和网络负载模型在相同时间间隔内所计算的流量值之间的差，所述流量值均匀传播穿过网络。此外，如果所测量流量被认识为关键，因为其指示有效的下游交通能力约束的影响已达到所监测链接(例如，以车队形式)，那么可以将链接的交通能力设置为等于所测量流量。

在运行预报计算时，上述校正从生成其的路段在网络上传播，传播分(游(作为队列)和下游(作为流量变化)两者，与GLTM内实施的交通流量理论相一致。链接流量随时间的演变起因于三种贡献：

-在网络上加载的需求产生的一种贡献；

-通过在所有所监测链接上生成的额外流量的下游传播而获得的一种贡献；

-通过由与超关键观察到的流量相一致强加的交通能力约束所生成的队列的上游传播产生的一种贡献。

以下论文中详细描述了预报引擎的基础模型：

-“Gentile G.(2008年)，《动态网络负载的通用链接传输模型及其与DUE算法的比较》，在第二届动态交通指派—DTA 2008国际研讨会论文集中，比利时勒芬；”

-“Meschini L.、Gentile G.(2010年)，《通过OPTIMA—关于移动性动作的最佳路径行进信息进行实时交通监测和预报》，在智能运输系统模型和技术论文集中，2009年罗马国际会议，G.Fusco、Aracne编辑，113-121，ISBN 978-88-548-3025-7-(MTITS2009)”

在一个实施例中，状态预测模块130可以通过预定义的日期类型对时间相关交通参数分组。特定日期类型对所述交通系统在所述日期内的特定平均交通行为进行分类。按日期类型分组包含对具有相同日期类型的多个日期中的时间相关参数求平均。例如，周末或节假日内的交通行为可能显著偏离工作日内的交通行为。鉴于在工作日的高峰时间内，指派图形120中的关键瓶颈可能由于拥堵而面临低速值，而在周末或节假日，在一天中的同一时间内的速度分布可能包含接近于允许的速度限制的速度值。使用日期类型特有的时间相关参数可以改进相应日期类型的日期的交通状态预测的准确性。

在一个实施例中，计算机系统100进一步支持分区。在此实施例中，接口模块110可以接收多个区定义ZD 280(例如，从操作者10或从另一计算机系统，诸如交通控制模块290)。每一区覆盖指派图形120的一部分，使得每一所测量轨迹的始点被指派给相应起点区，且每一所测量轨迹的终点被指派给相应目的地区；然后，状态预测模块130可以基于经映射轨迹(链接)的时间戳位置数据来确定时间相关产生份额135。特定产生份额是在特定区中开始并在指派图形120的特定链接上进入所述指派图形的轨迹的数目与在所述特定区中开始的轨迹的总数之间的时间相关比率。在此实施例中，时间相关产生份额成为用于确定交通状态预测FC1的时间相关交通参数的一部分。

图5A说明具有多个区z1到z6的指派图形121。区可以与轨迹完全或部分相关联。

在示例中，展示了四个交通参与者的轨迹t1到t4。轨迹t1在z4中开始，通过z1且在z2中结束。即，t1完全存在于指派图形121中。然而，当观察轨迹t2到t4时，情况是不同的。轨迹t2在指派图形121的外部开始，且进入图形z4，到达z5并在此结束。轨迹t3在z6中的指派图形内开始，且通过z3最终离开指派图形。轨迹t4在指派图形外部开始，且进入z5以通过z2，且(暂时地)离开指派图形121。然后，t4重新输入z2且通过到z3，最后离开指派图形。起点区定义为轨迹开始的区，且对应目的地区定义为轨迹结束的区。即，起点区为由轨迹所截取的第一区，且目的地区为由所述轨迹所截取的最后一个区。换句话说，起点区为轨迹首先接触的区，且目的地区为轨迹最后接触的区。

如较早所论述的，允许流量从指派图形上消失，所述指派图形可以通过吸引份额来测量。每一链接可能具有朝向退出所述链接的轨迹结束的区的一个或多个吸引份额。当轨迹最终在行程结束时离开指派图形时，可以从以轨迹将停止的区的形心结束的相应链接创建接点。

类似地，可以创建流量(即，从外部进入指派图形121的流量或在指派图形的区中开始的轨迹)。从接收到的位置数据270，知道轨迹t1到t4在哪个链接上开始。因此，对于具有至少一个起始轨迹的所有链接，可以指派对应数值—所谓的产生份额。特定的产生份额可计算为在特定链接上开始的轨迹总数与数据集的轨迹总数之间的比率：

其中l是链接，|t(l)|是集合t(l)的基数，表示在l开始的所有轨迹，且T是数据集的轨迹的总数。

如果可以使用分区，那么产生份额可以计算为：

其中l是链接，|t_o(l)|是集合t₀(l)的基数，表示在l上开始且来自区o的所有轨迹，且T₀是开始进入链接l中生成的需求来自的区o的数据集的轨迹总数。明显地

假设在图5A的示例中，实际上三个车将在与t1所指示相同的轨迹上驾驶，且两个车将在与由t2指示相同的轨迹上驾驶。然后，z4中相应始点/进入链接的产生份额为GSt1＝3/5和GSt2＝2/5。每一链接可能都有从其开始的区指派的产生份额。

请注意，起点区o可能不同于链接l所属于的区。这主要是因为轨迹可以在整个基础设施图形上远离其始点进入指派图形。

当使用分区和日期类型时，状态预测模块可以为一日期类型周期(即，与特定日期类型有关的特定时间窗口)构造多个样本起点-目的地矩阵。样本起点-终点矩阵(O/D矩阵)对在日期周期内预定义时间间隔内从FCD数据/轨迹观察到的指派图形的两个区域之间的交通参与者的流量进行量化。在特定轨迹从特定起点区开始或进入特定起点区的时间点，计数特定轨迹对O/D矩阵的贡献。因此，如果每一经映射轨迹都通过了指派图形的至少一个区，那么其与起点区和目的地区相关联。由此，O/D矩阵可以通过根据用于创建速度分布的相同配置值在日期内的相应时间点内按日期类型聚合流量数据来重构，和/或按车辆类别进行聚合。即，每一车辆类别可以存在不同的矩阵(因为不同车辆类别具有不同的速度分布)，且每一矩阵可以根据配置时间窗口在时间上进行分步/聚合。例如，可以计数在12.00AM到12.15AM之间的时间间隔内在第一区域开始并到达第二区的(相同车辆类别的)所有轨迹并将其放入到此时间间隔的对应车辆类别的矩阵中。每个轨迹对O/D矩阵的贡献是以时间点为基础，所述时间点对应于相应轨迹的第一位置数据集，即，经映射轨迹到起点区中的开始或进入时间。如果区相互重叠，那么可能会发生轨迹具有多于一个起点区和/或目标区。在此状况下，可以选择面积最小的区。图5B说明两个区zA和zB之间的重叠部分(交集)zo中的GPS点GPS1。在示例中，区zA覆盖比区zB大的面积。在此状况下，GPS1可以与覆盖较小面积的区zB相关联。

经映射轨迹可以具有任何区之外的第一和最后一个位置数据点。在所述状况下，可以根据轨迹本身截获的第一和最后一个区来选择起点区和目的地区。样本O/D矩阵的总流量等于日期内的给定时间点特定日期类型的跟踪轨迹的总数。任选地，流量的分组/聚合也可以应用于与较早解释的速度分布的分组相似的不同的车辆类别。通常来说，样本O/D矩阵描述每日期的行程(轨迹)数目。如果在包含多个日期的观察周期内收集了轨迹的数目，那么关于所述多个日期将超额轨迹的总数归一化。即，有利的是根据有助于样本O/D矩阵构建的日期数目将观察到的流量重新归一化。例如，如果对一个样本O/D矩阵有贡献的流量数据集(一组时间相关位置数据)包含在两天(或几周或几个月的较长时间)内采样的流量数据，那么最终总流量除以2(或采样周期中的天数)。为了不低估最终的日流量，不同日期的统计采样可能具有相同的数量级，即，在那些日期中观察到的轨迹的数目应每一日期大致相等。如果不满足此条件，那么将O/D矩阵的总流量重新归一化为有效日期数目可能更好，所述有效日期数目由每一单个日期的加权平均值给出，其中权重是所述日期的实际轨迹数目和在观察周期的所有日期内观察到的最大轨迹数之间的比率。针对上述示例，对于在两天内收集的数据集，所述数据集可以包含第一天的一百个轨迹和第二天的五十个轨迹。然后，可以将整个O/D矩阵体积除以1.5而不是2，因为第二天的权重等于第一天的权重的一半(50/100)。

在使用分区时，可以根据目的地区确定转弯概率和吸引份额。图4B说明用于确定包含基于目的地的吸引份额的基于目的地的转弯概率的示例。转弯概率和吸引份额允许通过改进相应指派算法来提供更可靠的交通状态预测结果。图4B说明在图4A中使用的相同或相似交叉路口处的示例。同样，在交叉路口处，虚线链接2离开了指派图形，但是仍存在使用转弯1-2的经映射现实世界轨迹。黑点符表示交通参与者移动到第一目的地区a，且圆圈表示交通参与者移动到第二目的地区b。在示例中，关于第一目的地区a的基于目的地的转弯概率被确定为：p_12a＝0，P_13a＝2/3，p_14a＝1/3。关于第二目的地区b的基于目的地的转弯概率被确定为p_12b＝1/3，p_1ba＝1/3，p_14b＝1/3，其中p_12b＝1/3为吸引份额。

当使用分区时，在一个实施例中，通过所提出的方法可以生成多个进入接点和离开接点。进入接点是指派图形中的逻辑链接，其将起点区(例如区1)直接连接到对应进入链接，其中一个或多个轨迹进入指派图形121。离开接点是指派图形121中的逻辑链接，其将一或多个轨迹离开指派图形121的离开链接直接连接到对应目的地区(例如，区2到区4)。接点是逻辑链接，需求流量可通过所述逻辑链接注入到指派图形中并从指派图形中吸收。在现有技术的解决方案中，接点是由运输工程师手动设计的。因此，接点的放置是一个困难而关键的问题，因为其会对指派图形自身的流量传播引入很大的偏差。通常，运输工程师会试图将每一区的接点数目最小化，这仅仅是因为其是一项非常耗时的活动。利用本文中所提出的数据驱动方法，经映射轨迹固有地具有关于交通参与者的行程开始的位置(即，对应轨迹进入指派图形的位置)以及其结束的位置(即，对应轨迹被破坏的位置)的信息。这允许在指派图形上分散需求流量的负载，这比手动设计的逻辑接点可以实现的负载更为实际。换句话说，在提出的数据驱动方法中，确定接点是由经映射轨迹本身通过生成轨迹并不再存在的位置点隐式给出的。因此，在数据驱动方法中生成的接点的数目通常比手动方法中的数目高得多(例如，与基础设施图形的传输方式的数目成比例)，且反映了流量的分散负载的概念。此外，在标准指派模型中，接点是静态对象。在所提出的数据驱动设置中，接点是动态对象。为了能够在标准指派算法中使用所述接点，考虑了往返于这些接点的时变路线选择。接点与产生份额和吸引份额有关。

即使在整个基础设施图形上定义了轨迹，接点也会以链接到指派图形的方式自动创建。这是通过识别相应轨迹通过的指派图形的第一和最后一个链接来实现的。对于产生份额不同于零的每一链接，可以创建进入接点，并为其关联对应产生份额。可以与产生份额成比例地加载需求。类似地，对于目的地的吸引份额不同于零的每一链接，可以创建离开接点，且目的地的对应吸引份额与其相关联为转弯概率(例如，在图4B中p_12b＝1/3)。目的地的转弯概率允许流量从生成点到目的地点的一致传播，因此，从加载需求流量的接点传播到需求流量从指派网络离开的接点。根据这些本地路由选择进行O/D矩阵的流量传播。

可以基于对应产生份额，相应地通过以下公式将需求加载到每一进入接点上：

其中

Do是区o中产生的总需求流量

Foc是在进入接点c上加载的区o中产生的需求流量

GSoc是与接点c相关联的产生份额

Co是区o的离开接点集合

可以使用产生份额代替接点，以在指派图形上，特别是在产生份额不不同于零的链接上，直接加载需求矩阵。

F_ol＝D_o GS_ol

其中

Do是区o中产生的总需求流量

Fol是在区o中产生的需求流量，作为链接I上的额外进入口流量被加载

GSol是与来自区o的链接I相关联的产生份额

如果可以使用分区，那么产生份额可以计算为：

其中I是链接，|t_o(I)|是集合t_o(l)的基数，表示在I上开始且来自区o的所有轨迹，且T₀是开始进入链接i中生成的需求来自的区o的数据集的轨迹总数。

因此：T＝∑_zT_z。

起点区o可能不同于链接I所属于的区，因为轨迹可以在指派图形上进入，远离其在完整基础设施图形上的始点。

图6A展示用以识别特定轨迹的起点区和目的地区的示例算法的伪码示例610。背后的概念是检查地图匹配的轨迹第一次进入指派图形的区的位置，和其最后一次离开指派图形的区的位置。然后将相应区标识为起点区和目的地区。

图6B展示用以将基础设施图形上的轨迹映射到指派图形的示例算法的伪码示例620。此映射不仅仅为从街道到链接的对应。替代地；所述算法还可以推断出链接上的进入时间和行进时间。

图6C展示用以更新计算如同产生份额、吸引份额、转弯概率、样本O/D距离的输出结果所需要的计数器的示例算法的伪码示例630。所述算法将有助于增加所有计数器的轨迹作为输入。

图6D展示一旦计数器经更新即计算转弯概率的示例算法的伪码示例640。所述算法计算转弯计数器与转弯的第一链接的对应链接计数器之间的比率。任选地，此计算也可以由目的地执行。所述算法还计算吸引份额。

图6E展示一旦所有计数器经更新即计算产生份额的示例算法的伪码示例650。产生份额也可以按目的地计算。

图6F展示基于产生份额和吸引份额计算节点的示例算法的伪码示例660。所述算法创建将区的形心与产生份额弧的尾部，以及吸引份额弧的头部连接在一起的链接。

图7根据实施例说明具有区1到6以及接点的又一分区示例。在所述示例中，虚线链接是指基础设施图形的并非指派图形的一部分的边缘。实线链接是指派图形的一部分。粗体链接表示特定的地图匹配轨迹，所述地图匹配轨迹在区1中进入指派图形，且在区4中离开指派图形。在链接A(指派图形上地图匹配轨迹的第一链接)上，可以确定产生份额。因此，可以从链接A的尾部到地图匹配轨迹开始的区1的区域形心C1生成接点。形心C1是由黑色正方形表示，且接点是由在链接A和C1上的轨迹的进入点之间的虚线表示。在链接B(指派图形上的地图匹配轨迹的最后一个链接)上，指派吸引份额，也就是从产生接点的链接B的头部(离开点)到区4(轨迹离开指派图形的区)的区形心C2。同样，接点是由从链接B的末端到C2的点划线表示。

图8展示可与此处所描述技术一起使用的通用计算机装置900和通用移动计算机装置950的示例。计算装置900旨在表示各种形式的数字计算机，诸如膝上型计算机、桌上型计算机、工作站、个人数字助理、服务器、刀片式服务器、大型主机和其它适当的计算机。通用计算机装置900可以对应于图1的用于停留检测的计算机系统100。计算装置950旨在表示各种形式的移动装置，诸如个人数字助理、蜂窝电话、智能电话和其它类似的计算装置。例如，计算装置950可包含由如图1中所展示的用户10使用以与计算机系统900交互的手持式前端装置。此处所展示的组件，其连接和关系以及其功能仅是示范性的，且并不意味着限制本文档中所描述和/或所主张的发明的实施方案。

计算装置900包含处理器902、存储器904、存储装置906、连接到存储器904和高速扩展端口910的高速接口908，以及连接到低速总线914和存储装置906的低速接口912。组件902、904、906、908、910和912中的每一个均使用各种总线互连，且可以安装在通用主板上或视情况以其它方式安装。处理器902可以处理在计算装置900内执行的指令，包含存储在存储器904或存储装置906上以在诸如耦合到高速接口908的显示器916的外部输入/输出装置上显示关于GUI的图形信息的指令。在其它实施方案中，可以视情况使用多个处理器和/或多个总线，以及多个存储器和多个类型的存储器。此外，多个计算装置900可以与提供必要操作的部分每一装置(例如，作为服务器库、一组刀片式服务器或多处理器系统)连接。

存储器904将信息存储在计算装置900内。在一个实施方案中，存储器904是一个或多个易失性存储器单元。在一个实施方案中，存储器904是一个或多个非易失性存储器单元。存储器904也可以是另一形式的计算机可读介质，诸如磁盘或光盘。

存储装置906能够为计算装置900提供大容量存储。在一个实施方案中，存储装置906可以是或包含计算机可读介质，诸如软盘装置、硬盘装置、光盘装置或磁带装置，快闪存储器或其它类似的固态存储器装置，或装置阵列，包含存储区域网络或其它配置中的装置。计算机程序产品可以有形地体现在信息载体中。所述计算机程序产品还可以包含在被执行时执行一种或多种方法(诸如上文所描述的那些方法)的指令。信息载体是计算机或机器可读介质，诸如存储器904、存储装置906或处理器902上的存储器。

高速控制器908管理计算装置900的带宽密集型操作，而低速控制器912管理较低的带宽密集型操作。这种功能分配仅是示范性的。在一个实施方案中，高速控制器908(例如，通过图形处理器或加速器)耦合到存储器904、显示器916，以及耦合到可以接受各种扩展卡(未展示)的高速扩展端口910。在所述实施方案中，低速控制器912耦合到存储装置906和低速扩展端口914。可以包含各种通信端口(例如，USB、蓝牙、以太网、无线以太网)的低速扩展端口可以例如通过网络适配器耦合到一个或多个输入/输出装置，诸如键盘、指向装置、扫描仪或诸如交换机或路由器的网络装置。

计算装置900可以以多种不同形式实施，如图中所展示。例如，其可以被实施为标准服务器920，或以此类服务器组实施多次。其也可以实施为机架服务器系统924的一部分。另外，它可以实施在诸如膝上型计算机922的个人计算机中。替代地，来自计算装置900的组件可以与诸如装置950的移动装置(未展示)中的其它组件组合。此类装置中的每一个可以包含计算装置900、950中的一个或多个，且整个系统可以由彼此通信的多个计算装置900、950组成。

除其它组件外，计算装置950包含处理器952、存储器964、诸如显示器954的输入/输出装置、通信接口966和收发器968。装置950还可以配备有存储装置，诸如微驱动器或其它装置，以提供额外存储。组件950、952、964、954、966和968中的每一个均使用各种总线互连，且所述组件中的数个可以安装在通用主板上或视情况以其它方式安装。

处理器952可以在计算装置950内执行指令，包含存储在存储器964中的指令。处理器可以被实施为包含单独的以及多个模拟和数字处理器的芯片的芯片组。处理器可以提供例如用于装置950的其它组件的协调，例如对用户界面的控制，由装置950运行的应用程序以及由装置950进行的无线通信。

处理器952可以通过控制接口958和耦合到显示器954的显示接口956与用户通信。显示器954可以是例如TFT LCD(薄膜晶体管液晶显示器)或OLED(有机发光二极管)显示器或其它适当的显示技术。显示接口956可以包括用于驱动显示器954以向用户呈现图形和其它信息的适当电路。控制接口958可以从用户接收命令并将其转换以提交给处理器952。另外，可以提供与处理器952通信的外部接口962，以实现装置950与其它装置的近距离通信。外部接口962可以例如在一些实施方案中提供有线通信，或在其它实施方案中提供无线通信，且也可以使用多个接口。

存储器964将信息存储在计算装置950内。存储器964可以被实施为一个或多个计算机可读介质、一个或多个易失性存储单元或一个或多个非易失性存储单元中的一个或多个。还可以提供扩展存储器984，并通过扩展接口982将其连接到装置950，扩展接口982可以包含例如SIMM(单列直插式存储器模块)卡接口。此类扩展存储器984可以为装置950提供额外的存储空间，或还可以存储用于装置950的应用程序或其它信息。具体地，扩展存储器984可以包含用以实施或补充上文所描述过程的指令，且还可以包含安全信息。因此，例如，扩展存储器984可以充当装置950的安全模块，且可以用允许安全使用装置950的指令来编程。另外，可以经由SIMM卡提供安全应用程序以及额外信息，诸如以不可入侵的方式将识别信息放置在SIMM卡上。

存储器可以包含例如快闪存储器和/或NVRAM存储器，如下文所论述。在一种实施方案中，计算机程序产品有形地体现在信息载体中。所述计算机程序产品包含在被执行时完成一种或多种方法(诸如上文所描述的那些方法)的指令。信息载体是计算机或机器可读介质，诸如存储器964、扩展存储器984或处理器952上的存储器，其可以例如通过收发器968或外部接口962接收。

装置950可以通过通信接口966无线通信，所述通信接口在必要时可以包含数字信号处理电路。通信接口966可提供各种模式或协议下的通信，例如GSM语音呼叫、SMS、EMS或MMS消息收发、CDMA、TDMA、PDC、WCDMA、CDMA2000或GPRS等。此类通信可以例如通过射频收发器968发生。另外，可以发生短距离通信，诸如使用蓝牙、WiFi或其它此类收发器(未展示)。此外，GPS(全球定位系统)接收器模块980可以向装置950提供额外与导航和位置有关的无线数据，装置950上运行的应用程序可以适当使用所述无线数据。

装置950还可以使用音频编解码器960进行可听通信，音频编解码器960可以接收来自用户的语音信息并将其转换为可用的数字信息。音频编解码器960可以同样地为用户生成可听声音，诸如通过例如在装置950的听筒中的扬声器。此类声音可以包含来自语音电话呼叫的声音，可以包含记录的声音(例如，语音消息、音乐文件等)，且还可以包含由在装置950上运行的应用程序生成的声音。

计算装置950可以以多种不同形式实施，如图中所展示。例如，其可以被实施为蜂窝电话980。其也可以被实施为智能电话982、个人数字助理或其它类似移动装置的一部分。

此处描述的系统和技术的各种实施方案可以在数字电子电路、集成电路、经过特殊设计的ASIC(专用集成电路)、计算机硬件、固件、软件，和/或其组合中实现。这些各种实施方案可以包括含在一个或多个计算机程序中的实施方案，所述计算机程序可以在可编程系统上执行和/或解释，所述可编程系统包含至少一个可编程处理器，所述可编程处理器可以为专用的或通用的，经耦合以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令，及将数据和指令传输到存储系统、至少一个输入装置和至少一个输出装置。

计算机程序(也被称为程序、软件、软件应用程序或代码)包含用于可编程处理器的机器指令，且可以高级程序及/或物件定向编程语言及/或以汇编/机器语言实施。如本文中所使用，术语“机器可读介质”和“计算机可读介质”是指用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品、设备及/或装置(例如，磁盘、光盘、存储器，可编程逻辑装置(PLD))，包含接收机器指令作为机器可读信号的机器可读介质。术语“机器可读信号”是指用于向可编程处理器提供机器指令和/或数据的任何信号。

为了提供与用户的交互，此处中所描述的系统和技术可在计算机上实施，所述计算机具有用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或LCD(液晶显示器)监视器)，以及用户可通过其向计算机提供输入的键盘及指向装置(例如鼠标或轨迹球)。其它种类的装置可也可用于提供与用户的交互；例如，提供给用户的反馈可为任何形式的感觉反馈(例如视觉反馈、听觉反馈或触觉反馈)；且可以任何形式接收来自用户的输入，包含听觉、语音或触觉输入。

此处所描述的系统和技术可在计算装置中实施，所述计算装置包含后端组件(例如，作为数据服务器)，或包含中间件组件(例如，应用程序服务器)，或包含前端组件(例如，具有图形用户接口的客户端计算机或用户可借以与此处所描述的系统和技术的实施方案进行交互的网页浏览器)，或此类后端、中间件或前端组件的任一组合。系统的组件可通过任何形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包含局域网(“LAN”)、广域网(“WAN”)和因特网。

计算装置可以包含客户端和服务器。客户端和服务器通常彼此远离，且通常通过通信网络进行交互。客户端及服务器的关系由于在相应计算机上运行且彼此之间具有客户端-服务器关系的计算机程序而产生。

已描述许多实施例。然而，应该理解的是，在不脱离本发明所主张的范围的情况下，可以进行各种修改。

另外，图中所描绘的逻辑流程不需要所展示的特定次序或顺序次序来实现所要结果。另外，可以从所描述的流程中提供其它步骤，或可以从所描述的流程中去除步骤，且可以向所描述的系统中添加其它组件或从中移除其它组件。因此，其它实施例在以下权利要求书的范围内。

Claims (15)

1.一种提供交通系统(200)的未来状态的状态预测以用于控制所述交通系统(200)的计算机系统(100)，其中所述交通系统(200)包含用于允许现实世界交通参与者(251到253)移动的交通基础设施(210、211到213、221到223)，所述计算机系统(100)包括：

接口模块(110)，其用于：

接收在一时间周期内测量的多个交通参与者(251到253)的时间戳位置数据(270)，其中所述时间戳位置数据(270)表示反映在所述时间周期内所述多个交通参与者的移动的多个轨迹；将所述时间戳位置数据提供到至少一个地图匹配模块(190到192)；从所述至少一个地图匹配模块(190到192)接收多个链接，其中每一链接表示与所测量轨迹的一部分对应的现实世界连接，所述所测量轨迹被映射到图形(210)的对应元素，所述图形表示所述交通基础设施；接收指派图形(120)，所述指派图形(120)包含所述图形(210)的相连元素的子集，其中所述子集是基于预定义的运输和交通准则而选择；将所述交通系统的未来状态的状态预测(FC1)提供给操作者(10)，以使所述操作者能够响应于所述状态预测(FC1)而与所述交通系统交互(291)；及

状态预测模块(130)，其用于：

基于所述经映射轨迹的所述时间戳位置数据，确定所述接收到的链接的时间相关速度分布(131)；基于所述经映射轨迹的所述时间戳位置数据，确定从所述指派图形(120)的每一链接到每一可能的相继链接的时间相关转弯概率(132)；基于所述经映射轨迹的所述时间戳位置数据，确定与从属于所述指派图形的链接朝向不属于所述指派图形(120)的相继链接的时间相关转弯概率对应的时间相关吸引份额(133)；以及基于包含所述速度分布(131)、所述转弯概率(132)和所述吸引份额(133)在内的时间相关交通参数，结合至少一个现有的时间相关起点-目的地矩阵(134)和顺序动态交通指派方法，确定给定未来时间点的所述状态预测(FC1)，所述顺序动态交通指派方法使用动态用户平衡模型和顺序动态网络负载模型。

2.根据权利要求1所述的系统，其中所述接口模块进一步用于：

针对每一链接，从所述至少一个地图匹配模块接收一个或多个时间相关轨迹特有速度分布，所述一个或多个时间相关轨迹特有速度分布指示相应时间间隔内的平均速度值，其中每一速度值与相应经映射轨迹相关联；且

其中所述状态预测模块进一步用于通过以下方式确定所述时间相关速度分布：

对每一链接的所述轨迹特有速度分布进行聚合，其中聚合速度值基于映射到相应链接的所有轨迹的轨迹特有速度值。

3.根据权利要求1或2所述的系统，其中所述状态预测模块进一步用于：

将所述时间相关交通参数按预定义的日期类型分组，其中特定日期类型对所述交通系统在所述日期内的特定平均交通行为进行分类，且分组包含对具有相同日期类型的多个日期内的所述时间相关参数求平均。

4.根据权利要求3所述的系统，其中所述接口模块进一步用于：

接收多个区定义(280)，其中每一区覆盖所述指派图形(120)的一部分，使得每一所测量轨迹的始点或进入点被指派给相应起点区，且每一所测量轨迹的终点或离开点被指派给相应目的地区；且

其中所述状态预测模块进一步用于：

基于所述经映射轨迹的所述时间戳位置数据，确定时间相关产生份额，其中特定的时间相关产生份额是在特定区中开始并在所述指派图形的特定链接上进入所述指派图形的轨迹的数目与在所述特定区中开始的轨迹的总数之间的时间相关比率；且

其中用于确定所述预测的所述时间相关交通参数进一步包括所述时间相关产生份额。

5.根据权利要求4所述的系统，其中所述状态预测模块进一步用于：

为日期类型周期建构多个样本起点-目的地矩阵，其中样本起点-目的地矩阵量化在所述日期周期内的预定义时间间隔内所述指派图形的两个区之间的交通参与者流量，且对特定轨迹进入特定起点区的时间点时对所述特定轨迹对所述矩阵的贡献进行计数；和用所述样本起点-目的地矩阵更新所述至少一个现有的时间相关起点-目的地矩阵(134)。

6.一种提供交通系统(200)的未来状态的状态预测以控制(291)所述交通系统(200)的由计算机实施的方法(1000)，其中所述交通系统包含用于允许现实世界交通参与者移动的交通基础设施，所述方法包括：

接收(1100)在一时间周期内测量的多个交通参与者(251到253)的时间戳位置数据(270)，其中所述时间戳位置数据表示反映在所述时间周期内所述多个交通参与者(251到253)的移动的多个轨迹；

将所述时间戳位置数据(270)提供(1200)到至少一个地图匹配模块(190到192)；

从所述至少一个地图匹配模块(190到192)接收(1300)多个链接，其中每一链接表示与所测量轨迹的一部分对应的现实世界连接，所述所测量轨迹被映射到交通基础设施图形(210)的对应元素；

接收(1350)指派图形(120)，所述指派图形(120)包含所述交通基础设施图形(210)的相连元素的子集，其中所述子集是基于预定义的运输和交通准则而选择；

基于所述经映射轨迹的所述时间戳位置数据(270)，确定(1400)所述接收到的链接的时间相关速度分布；

基于所述经映射轨迹的所述时间戳位置数据，确定(1500)从所述指派图形(120)的每一链接到每一可能的相继链接的时间相关转弯概率；

基于所述经映射轨迹的所述时间戳位置数据，确定(1600)与从属于所述指派图形(120)的链接朝向不属于所述指派图形(120)的相继链接的时间相关转弯概率对应的时间相关吸引份额；且

基于包含所述速度分布、所述转弯概率和所述吸引份额在内的时间相关交通参数，结合至少一个现有的时间相关起点-目的地矩阵和顺序动态交通指派方法，将所述交通系统在给定未来时间点的状态预测提供(1700)给交通控制系统(290)的操作者，所述顺序动态交通指派方法使用动态用户平衡模型和顺序动态网络负载模型。

7.根据权利要求6所述的方法(1000)，其中确定(1400)时间相关速度分布进一步包括：

针对每一链接，从所述至少一个地图匹配模块(190到192)接收一个或多个时间相关轨迹特有速度分布，所述一个或多个时间相关轨迹特有速度分布指示相应时间间隔内的平均速度值，其中每一速度值与相应经映射轨迹相关联；及

对每一链接的所述轨迹特有速度分布进行聚合，其中聚合速度值基于映射到相应链接的所有轨迹的轨迹特有速度值。

8.根据权利要求6或7所述的方法，其进一步包括：

将所述时间相关交通参数按预定义的日期类型分组，其中特定日期类型对所述交通系统在所述日期内的特定平均交通行为进行分类，且分组包含对具有相同日期类型的多个日期内的所述时间相关参数求平均。

9.根据权利要求8所述的方法，其进一步包括：

接收多个区定义，其中每一区覆盖所述指派图形的一部分，使得每一所测量轨迹的始点被指派给相应起点区，且每一所测量轨迹的终点被指派给相应目的地区；

基于所述经映射轨迹的所述时间戳位置数据，确定时间相关产生份额，其中关于特定起点-目的地区对的特定链接的所述时间相关产生份额是作为在特定起点区中开始、在特定目的地区中结束并在所述指派图形(120)的给定链接上进入所述指派图形的轨迹的数目与在所述特定起点-目的地区对之间经过的轨迹的总数之间的比率来加以确定；且

其中用于提供所述预测的所述时间相关交通参数进一步包含所述时间相关产生份额。

10.根据权利要求9所述的方法，其进一步包括：

为日期类型周期建构多个样本起点-目的地矩阵，其中样本起点-目的地矩阵量化在所述日期周期内的预定义时间间隔内所述指派图形的两个区之间的交通参与者流量，且对特定轨迹进入特定起点区的时间点时对所述特定轨迹对所述矩阵的贡献进行计数；及

用所述样本起点-目的地矩阵更新所述至少一个现有的时间相关起点-目的地矩阵(134)。

11.根据权利要求10所述的方法，其进一步包括：

产生多个进入接点和离开接点，其中进入接点是所述指派图形中将起点区直接连接到其中一个或多个轨迹进入所述指派图形(120)的对应进入链接的逻辑链接，且离开接点是所述指派图形中将其中一个或多个轨迹离开所述指派图形的离开链接直接连接到对应目的地区的逻辑链接。

12.根据权利要求9所述的方法，其中确定时间相关转弯概率包含通过目的地区确定时间相关转弯概率。

13.根据权利要求9所述的方法，其进一步包括：

产生多个显式时间相关起点和目的地路径概率，其中显式时间相关起点和目的地路径概率被定义为所述指派图形的给定连续链接序列被在给定起点区中开始并在给定目的地区中结束的所有经映射轨迹使用的概率。

14.一种具有指令的计算机程序产品，所述指令在被加载到计算装置的存储器中并由所述计算装置的至少一个处理器执行时执行根据权利要求6到13中任一权利要求所述的由计算机实施的方法的步骤。

15.一种用于学习状态预测模型以用于预报交通系统(200)的未来状态的由计算机实施的方法，所述交通系统(200)包含用于允许现实世界交通参与者移动的交通基础设施，所述方法包括：

接收(1100)在一时间周期内测量的多个交通参与者(251到253)的时间戳位置数据(270)，其中所述时间戳位置数据表示反映在所述时间周期内所述多个交通参与者(251到253)的移动的多个轨迹；

将所述时间戳位置数据(270)提供(1200)到至少一个地图匹配模块(190到192)；

从所述至少一个地图匹配模块(190到192)接收(1300)多个链接，其中每一链接表示与所测量轨迹的一部分对应的现实世界连接，所述所测量轨迹被映射到交通基础设施图形(210)的对应元素；

接收(1350)指派图形，所述指派图形包含所述基础设施图形(210)的相连元素的子集，其中所述子集是基于预定义的运输和交通准则而选择；

基于所述经映射轨迹的所述时间戳位置数据(270)，确定(1400)所述接收到的链接的时间相关速度分布；

基于所述经映射轨迹的所述时间戳位置数据，确定(1500)从所述指派图形(120)的每一链接到每一可能的相继链接的时间相关转弯概率；

基于所述经映射轨迹的所述时间戳位置数据，确定(1600)与从属于所述指派图形的链接朝向不属于所述指派图形的相继链接的时间相关转弯概率对应的时间相关吸引份额；及

存储包含所述速度分布、所述转弯概率和所述吸引份额在内的时间相关交通参数作为所述状态预测模型的一部分，以结合至少一个现有的时间相关起点-目的地矩阵和顺序动态交通指派方法来使用，所述顺序动态交通指派方法使用动态用户平衡模型和顺序动态网络负载模型。

Images