CN111524353A - 一种交通文本数据用于速度预测及行程规划方法 - Google Patents

一种交通文本数据用于速度预测及行程规划方法 Download PDF

Info

Publication number
CN111524353A
CN111524353A CN202010353136.6A CN202010353136A CN111524353A CN 111524353 A CN111524353 A CN 111524353A CN 202010353136 A CN202010353136 A CN 202010353136A CN 111524353 A CN111524353 A CN 111524353A
Authority
CN
China
Prior art keywords
traffic
data
road
text
information
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.)
Granted
Application number
CN202010353136.6A
Other languages
English (en)
Other versions
CN111524353B (zh
Inventor
徐懂事
吴向平
平力俊
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN202010353136.6A priority Critical patent/CN111524353B/zh
Publication of CN111524353A publication Critical patent/CN111524353A/zh
Application granted granted Critical
Publication of CN111524353B publication Critical patent/CN111524353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/151—Transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于数据挖掘、数据分析、深度学习领域，提供了一种交通文本数据用于速度预测及行程规划方法，首先及时收集互联网社交媒体平台发布的交通文本信息数据，通过文本分类、分词以及实体命名识别方法将非结构化的交通文本数据转为结构化的信息数据存入文件中，然后将交通流速度数据与矢量化后的交通文本数据进行数据融合，构建并通过LSTM深度学习网络模型进行交通流速度数据预测分析，最后通过预测分析的交通流速度数据结果，结合对应时段交通事件文本的内容，设计基于预测分析结果的动态路径规划方法。本发明可以为用户提供更为准确可靠的路径规划引导功能，同时帮助城市交通管理部门快速分析交通态势，对城市交通进行有效管理。

Description

一种交通文本数据用于速度预测及行程规划方法
技术领域
本发明属于数据挖掘、数据分析、深度学习领域，尤其涉及一种交通文本数据用于速度预测及行程规划方法。
背景技术
随着城市化的推动和现代化的发展，城市交通已成为我们生活中不可或缺的一部分，关系到城市经济的发展和智慧城市的建设。城市交通在更为便捷的同时，也出现了一系列的交通问题，如城市了缓解持续增长的交通压力，许多城市都在拓宽和新建道路，但是城市的道路交通资源是有限的，解决拥堵的关键问题不在于建设更多的道路，而在于如何合理利用有限的交通资源来提高城市路网的运行效率。城市中每天会产生海量的交通数据，包括车辆GPS数据、基本移动行人数据、交通事件等，如何有效利用这些数据解决城市交通拥堵、道路规划等问题不论在过去、现在还是未来，都是城市交通研究的重点之一。与此同时，人工智能领域尤其是在深度学习领域得到了较大的发展，做到了很多以往仅靠人力难以解决的问题，通过将结合数以亿计的城市交通的历史数据作为数据集，进行建立深度学习模型进行训练，来分析交通状况、优化交通设施建设和规划引导人们的交通出行成为了可能。然而目前车流量的预测一般基于直接交通数据或者仅结合了天气、周末等因素进行分析，没有结合如道路维护通知、交通事故报道等非交通直接因素，而这些因素从交通流速度的历史数据看，其真实反映了道路交通的实际情况，会对交通流速度产生明显影响。目前已有通过对网络论坛、热线电话及交通广播听众路况播报的文本数据进行统计分析城市道路的大众舆论情况，但尚且缺乏深度挖掘交通事件文本信息与交通流速度间的关联用于交通预测的方法。目前现有路径规划系统多仍旧是静态的路径规划方法或者已有动态的路径规划方法但往往依据实时的道路情况进行规划，缺乏对于短时内可预见事件因素的考虑。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提供一种交通文本数据用于速度预测及行程规划方法，其具体技术方案如下。
一种交通文本数据用于速度预测及行程规划方法，包括如下步骤：
步骤一，收集互联网社交媒体平台发布的交通文本数据，通过文本分类、分词以及实体命名识别方法将非结构化的交通文本数据转为结构化的信息数据存入文件中；
步骤二，将交通流速度数据与矢量化后的道路交通文本数据进行数据融合，构建并通过LSTM深度学习网络预测模型进行交通流速度预测分析；
步骤三，通过预测分析的交通流速度结果，结合对应时段交通事件文本的内容，并在传统的A*算法的基础上，设计基于预测分析结果的动态路径规划方法。
进一步的，所述步骤一具体包括如下内容：
a.使用基于Python的遍历网页文档树提取出交通文本的标题、发布时间、报道交通发生和结束时间以及事件详细内容，然后根据关键字匹配的方法初步去除非交通相关的信息，获取道路交通相关信息；
b.利用朴素贝叶斯分类器对交通相关信息进行分类，分为交通车辆事故信息、道路维护信息、道路拥堵信息、集会活动绕行公告信息、极端天气提示以及其他非路况直接相关的交通文本信息，筛选出分类结果为交通路况相关的文本内容，并基于实际需要预测区域的路网的道路名称信息，使用关键词正则匹配的方法排除不符合当前研究区域范围内容的道路的交通文本信息；
c.使用Python中文分词组件jieba进行分词，在内置jieba词库的基础上建立自定义词典，提取出目标区域的道路名、地点词汇以及方位词后，利用高德地图提供的地理编码/逆地理编码API接口先解析出目前道路的经纬度坐标匹配路网结构，并根据方位词的描述进一步确定交通文本信息描述的所在路段。
进一步的，所述自定义词典包括目标区域的道路名、地点词汇、时间词和交通专业术语。
进一步的，所述步骤二具体包括如下内容：
将交通道路的历史交通流速度数据和通过独热码(one-hot code)的方式将提取出来不同事件类型的交通文本信息转换为对应的数据矢量进行融合，组合成一个数据集，并将数据集以7:3的比例分为训练集和测试集，作为LSTM深度学习网络预测模型的训练集和测试集；
通过本时刻的前30分钟的历史交通流速度数据，预测后60分钟中每10分钟的交通流速度，其中数据间隔为5分钟，所以预测模型的输入数据构成6*N的矩阵，其中数据矩阵N表示每一行的维度由道路的交通流速度数据及处理好的交通文本信息独热码数据组成，所述数据矩阵N作为LSTM深度学习网络预测模型中每个cell的输入，并利用均方误差(meansquared error)作为损失函数，通过批梯度下降法更新预测模型权重参数，输出结果为所有道路的预测的交通流速度数据。
进一步的，所述独热码方式为设置一个具有5个分量的数据矢量，分别代表5种交通事件类型，当分类结果的文本类型属于这五种交通事件类型中的一种类型时，对应固定的数据矢量位置上的分量数值设为1，其余4个分量均为0。
进一步的，所述步骤三具体包括如下内容：
计算从位置A下一个结点的实际代价函数g(n)时，将g(n)表示为到达下一道路节点所花的时间，设定阈值为10分钟，若根据当前道路的速度到达下一节点时间超过阈值，则利用预测模型预测到达时刻的速度，然后更新实际代价函数g(n)的值表示为t＝s/v，其中s表示每个路段的路程，v表示预测的速度；
计算从位置点A到终点B的估计代价函数h(n)时，设位置A的经纬度为(Ax,Ay)，位置B的经纬度是(Bx,By)，在Manhattan距离M(A,B)的基础上，进一步考虑目标道路上的交通流速度以及交通事件影响，将A*算法中的估计代价函数h(n)进一步表示为：
h(n)＝M(A,B)×k＝P×(|Ax-Bx|+|Ay-By|)×k，
其中，k为交通事件的影响因子，如果通过计算预估到下一个道路结点的时刻内正好处于交通文本中集会活动封道绕行类型事件涉及事件的区域和时间范围内，则将k设置为5，以提高估计代价函数的值，如果为交通车辆事故事件类型，则将k设置为2，否则，k为常数1，P＝2×π×R,R表示为地球的半径，因为P是常数，所以上述表达式可以进一步简化为：
h(n)＝M(A,B)×k＝(|Ax-Bx|+|Ay-By|)×k，
在计算open列表中的f(n)值的时候，将实际代价函数g(n)和估计代价函数h(n)与通过min-max标准化方法进行归一化处理，计算方法如下：
f(n)＝g(n)*+h(n)*＝[g(n)-gmin]/(gmax-gmin)+[h(n)-hmin]/(hmax-hmin)，
其中g(n)*表示g(n)的归一化结果，h(n)*表示h(n)的归一化结果，gmax表示open列表中最大的g(n)值，gmin代表open列表中最小的g(n)值，hmax表示open列表中最大的h(n)值，hmin代表open列表中最小的h(n)值，并在每次更新f(n)的值后，对open列表进行从小到大的排序。
有益效果：
本发明提供一种交通文本数据用于速度预测及行程规划方法中，支持交通事件文本数据和交通历史流量数据的联合分析，不仅可以发现拥堵等交通事件，通过在建立的深度学习网络预测模型中引入交通事件的影响，从而可以更加准确的预测未来中短时间的交通流速度，并为用户提供更为准确可靠的路径规划引导功能，可以更好提供出行服务。同时帮助城市交通管理部门快速分析交通态势和挖掘出交通数据背后蕴含的信息价值，有利于城市交通管理部门的分析决策，以帮助他们对城市交通进行管理，从而提高城市交通的运行效率。
附图说明
图1是本发明的交通文本数据信息提取过程；
图2是本发明的融合交通文本数据的深度学习模型；
图3是本发明的行程规划方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。
一种交通文本数据用于速度预测及行程规划方法，包括如下步骤：
步骤一，及时收集互联网社交媒体平台发布的交通文本信息数据，通过文本分类、分词以及实体命名识别方法将非结构化的交通文本数据转为结构化的信息数据存入文件中；
步骤二，将交通流速度数据与矢量化后的道路交通文本数据进行数据融合，构建并通过LSTM深度学习网络预测模型进行交通流速度预测分析；
步骤三，通过预测分析的交通流速度结果，结合对应时段交通事件文本的内容，并在传统的A*算法的基础上，设计基于预测分析结果的动态路径规划方法，用以提升交通路径规划的准确性。
所述步骤一具体包括如下内容：
a.使用基于Python的遍历网页文档树提取出交通文本的标题、发布时间、报道交通发生和结束时间以及事件详细内容，然后根据关键字匹配的方法初步去除非交通相关的信息，获取道路交通相关信息；
b.利用朴素贝叶斯分类器对交通相关信息进行分类，分为交通车辆事故信息、道路维护信息、道路拥堵信息、集会活动绕行公告信息、极端天气提示以及其他非路况直接相关的交通文本信息，筛选出分类结果为交通路况相关的文本内容，并基于实际需要预测区域的路网的道路名称信息，使用关键词正则匹配的方法排除不符合当前研究区域范围内容的道路的交通文本信息；
c.使用Python中文分词组件jieba进行分词，在内置jieba词库的基础上建立自定义词典，所述自定义词典包括目标区域的道路名、地点词汇、时间词、交通专业术语这几类词汇；然后提取出道路名、地点词汇以及方位词后，利用高德地图提供的地理编码/逆地理编码API接口先解析出目前道路的经纬度坐标匹配路网结构，并根据方位词的描述进一步确定交通文本信息描述的所在路段。
所述步骤二具体包括如下内容：
将交通道路的历史交通流速度数据和通过独热码(one-hot code)的方式将提取出来不同事件类型的交通文本信息转换为对应的数据矢量进行融合，组合成一个数据集，并将数据集以7:3的比例分为训练集和测试集，作为LSTM深度学习网络预测模型的训练集和测试集；
通过本时刻的前30分钟的历史交通流速度数据，预测后60分钟中每10分钟的交通流速度，其中数据间隔为5分钟，所以预测模型的输入数据构成6*N的矩阵，其中数据矩阵N表示每一行的维度由道路的交通流速度数据及处理好的交通文本信息独热码数据组成，所述数据矩阵N作为LSTM深度学习网络预测模型中每个cell的输入，并利用均方误差(meansquared error)作为损失函数，通过批梯度下降法更新预测模型权重参数，输出结果为所有道路的预测的交通流速度数据。
所述独热码方式为设置一个具有5个分量的数据矢量，分别代表5种交通事件类型，当分类结果的文本类型属于这五种交通事件类型中的一种类型时，对应固定的数据矢量位置上的分量数值设为1，其余4个分量均为0。
所述步骤三具体包括如下内容：
计算从位置A下一个结点的实际代价函数g(n)时，将g(n)表示为到达下一道路节点所花的时间，设定阈值为10分钟，若根据当前道路的速度到达下一节点时间超过阈值，则利用预测模型预测到达时刻的速度，然后更新实际代价函数g(n)的值表示为t＝s/v，其中s表示每个路段的路程，v表示预测的速度；
计算从位置点A到终点B的估计代价函数h(n)时，设位置A的经纬度为(Ax,Ay)，位置B的经纬度是(Bx,By)，在Manhattan距离M(A,B)的基础上，进一步考虑目标道路上的交通流速度以及交通事件影响，将A*算法中的估计代价函数h(n)进一步表示为：
h(n)＝M(A,B)×k＝P×(|Ax-Bx|+|Ay-By|)×k，
其中，k为交通事件的影响因子，如果通过计算预估到下一个道路结点的时刻内正好处于交通文本中集会活动封道绕行类型事件涉及事件的区域和时间范围内，则将k设置为5，以提高估计代价函数的值，如果为交通车辆事故事件类型，则将k设置为2，否则，k为常数1，P＝2×π×R,R表示为地球的半径，因为P是常数，所以上述表达式可以进一步简化为：
h(n)＝M(A,B)×k＝(|Ax-Bx|+|Ay-By|)×k，
在计算open列表中的f(n)值的时候，将实际代价函数g(n)和估计代价函数h(n)与通过min-max标准化方法进行归一化处理，计算方法如下：
f(n)＝g(n)*+h(n)*＝[g(n)-gmin]/(gmax-gmin)+[h(n)-hmin]/(hmax-hmin)，
其中g(n)*表示g(n)的归一化结果，h(n)*表示h(n)的归一化结果，gmax表示open列表中最大的g(n)值，gmin代表open列表中最小的g(n)值，hmax表示open列表中最大的h(n)值，hmin代表open列表中最小的h(n)值，并在每次更新f(n)的值后，对open列表进行从小到大的排序。

Claims (6)

1.一种交通文本数据用于速度预测及行程规划方法，其特征在于，包括如下步骤：
步骤一，收集互联网社交媒体平台发布的交通文本数据，通过文本分类、分词以及实体命名识别方法将非结构化的交通文本数据转为结构化的信息数据存入文件中；
步骤二，将交通流速度数据与矢量化后的道路交通文本数据进行数据融合，构建并通过LSTM深度学习网络预测模型进行交通流速度预测分析；
步骤三，通过预测分析的交通流速度结果，结合对应时段交通事件文本的内容，并在传统的A*算法的基础上，设计基于预测分析结果的动态路径规划方法。
2.如权利要求1所述的一种交通文本数据用于速度预测及行程规划方法，其特征在于，所述步骤一具体包括如下内容：
a.使用基于Python的遍历网页文档树提取出交通文本的标题、发布时间、报道交通发生和结束时间以及事件详细内容，然后根据关键字匹配的方法初步去除非交通相关的信息，获取道路交通相关信息；
b.利用朴素贝叶斯分类器对交通相关信息进行分类，分为交通车辆事故信息、道路维护信息、道路拥堵信息、集会活动绕行公告信息、极端天气提示以及其他非路况直接相关的交通文本信息，筛选出分类结果为交通路况相关的文本内容，并基于实际需要预测区域的路网的道路名称信息，使用关键词正则匹配的方法排除不符合当前研究区域范围内容的道路的交通文本信息；
c.使用Python中文分词组件jieba进行分词，在内置jieba词库的基础上建立自定义词典，提取出目标区域的道路名、地点词汇以及方位词后，利用高德地图提供的地理编码/逆地理编码API接口先解析出目前道路的经纬度坐标匹配路网结构，并根据方位词的描述进一步确定交通文本信息描述的所在路段。
3.如权利要求2所述的一种交通文本数据用于速度预测及行程规划方法，其特征在于，所述自定义词典包括目标区域的道路名、地点词汇、时间词和交通专业术语。
4.如权利要求1所述的一种交通文本数据用于速度预测及行程规划方法，其特征在于，所述步骤二具体包括如下内容：
将交通道路的历史交通流速度数据和通过独热码(one-hot code)的方式将提取出来不同事件类型的交通文本信息转换为对应的数据矢量进行融合，组合成一个数据集，并将数据集以7:3的比例分为训练集和测试集，作为LSTM深度学习网络预测模型的训练集和测试集；
通过本时刻的前30分钟的历史交通流速度数据，预测后60分钟中每10分钟的交通流速度，其中数据间隔为5分钟，所以预测模型的输入数据构成6*N的矩阵，其中数据矩阵N表示每一行的维度由道路的交通流速度数据及处理好的交通文本信息独热码数据组成，所述数据矩阵N作为LSTM深度学习网络预测模型中每个cell的输入，并利用均方误差(meansquared error)作为损失函数，通过批梯度下降法更新预测模型权重参数，输出结果为所有道路的预测的交通流速度数据。
5.如权利要求4所述的一种交通文本数据用于速度预测及行程规划方法，其特征在于，所述独热码方式为设置一个具有5个分量的数据矢量，分别代表5种交通事件类型，当分类结果的文本类型属于这五种交通事件类型中的一种类型时，对应固定的数据矢量位置上的分量数值设为1，其余4个分量均为0。
6.如权利要求1所述的一种交通文本数据用于速度预测及行程规划方法，其特征在于，所述步骤三具体包括如下内容：
计算从位置A下一个结点的实际代价函数g(n)时，将g(n)表示为到达下一道路节点所花的时间，设定阈值为10分钟，若根据当前道路的速度到达下一节点时间超过阈值，则利用预测模型预测到达时刻的速度，然后更新实际代价函数g(n)的值表示为t＝s/v，其中s表示每个路段的路程，v表示预测的速度；
计算从位置点A到终点B的估计代价函数h(n)时，设位置A的经纬度为(Ax,Ay)，位置B的经纬度是(Bx,By)，在Manhattan距离M(A,B)的基础上，进一步考虑目标道路上的交通流速度以及交通事件影响，将A*算法中的估计代价函数h(n)进一步表示为：
h(n)＝M(A,B)×k＝P×(|Ax-Bx|+|Ay-By|)×k，
其中，k为交通事件的影响因子，如果通过计算预估到下一个道路结点的时刻内正好处于交通文本中集会活动封道绕行类型事件涉及事件的区域和时间范围内，则将k设置为5，以提高估计代价函数的值，如果为交通车辆事故事件类型，则将k设置为2，否则，k为常数1，P＝2×π×R,R表示为地球的半径，因为P是常数，所以上述表达式可以进一步简化为：
h(n)＝M(A,B)×k＝(|Ax-Bx|+|Ay-By|)×k，
在计算open列表中的f(n)值的时候，将实际代价函数g(n)和估计代价函数h(n)与通过min-max标准化方法进行归一化处理，计算方法如下：
f(n)＝g(n)*+h(n)*＝[g(n)-gmin]/(gmax-gmin)+[h(n)-hmin]/(hmax-hmin)，
其中g(n)*表示g(n)的归一化结果，h(n)*表示h(n)的归一化结果，gmax表示open列表中最大的g(n)值，gmin代表open列表中最小的g(n)值，hmax表示open列表中最大的h(n)值，hmin代表open列表中最小的h(n)值，并在每次更新f(n)的值后，对open列表进行从小到大的排序。
CN202010353136.6A 2020-04-28 2020-04-28 一种交通文本数据用于速度预测及行程规划方法 Active CN111524353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010353136.6A CN111524353B (zh) 2020-04-28 2020-04-28 一种交通文本数据用于速度预测及行程规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010353136.6A CN111524353B (zh) 2020-04-28 2020-04-28 一种交通文本数据用于速度预测及行程规划方法

Publications (2)

Publication Number Publication Date
CN111524353A true CN111524353A (zh) 2020-08-11
CN111524353B CN111524353B (zh) 2021-08-17

Family

ID=71905099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010353136.6A Active CN111524353B (zh) 2020-04-28 2020-04-28 一种交通文本数据用于速度预测及行程规划方法

Country Status (1)

Country Link
CN (1) CN111524353B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070052A (zh) * 2020-09-16 2020-12-11 青岛维感科技有限公司 一种间距监测方法、装置、系统及存储介质
CN112285304A (zh) * 2020-09-30 2021-01-29 深圳市锐拓仪器设备有限公司 一种流池法溶出度仪流通池装置
CN112684130A (zh) * 2020-11-23 2021-04-20 深圳市水务科技有限公司 流域水质预测方法和装置、计算机可读存储介质
CN112797995A (zh) * 2020-12-17 2021-05-14 北京工业大学 具有时空特性态势信息的车辆应急导航方法
CN114781696A (zh) * 2022-03-30 2022-07-22 西安电子科技大学 一种面向城市路网的无模型事故影响范围预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57125804A (en) * 1981-01-30 1982-08-05 Nec Corp System for detecting position of vehicle existence
JPS63173199A (ja) * 1987-01-13 1988-07-16 日本電気株式会社 高速道路渋滞予報システム
DE10036789A1 (de) * 2000-07-28 2002-02-07 Daimler Chrysler Ag Verfahren zur Bestimmung des Verkehrszustands in einem Verkehrsnetz mit effektiven Engstellen
CN101739817A (zh) * 2009-11-26 2010-06-16 西北工业大学 一种动态起点的最短路径规划方法
CN101770690A (zh) * 2009-12-25 2010-07-07 东软集团股份有限公司 交通状况预测装置及经路探索装置
CN106781489A (zh) * 2016-12-29 2017-05-31 北京航空航天大学 一种基于递归神经网络的路网状态预测方法
CN107577702A (zh) * 2017-07-28 2018-01-12 中南大学 一种社交媒体中交通信息的辨别方法
CN108986453A (zh) * 2018-06-15 2018-12-11 华南师范大学 一种基于情境信息的交通状况预测方法、系统及装置
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法
CN110766942A (zh) * 2019-10-18 2020-02-07 北京大学 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
CN110766211A (zh) * 2019-10-14 2020-02-07 中国地质大学（武汉） 一种实时路况下的车辆路径规划问题模型创建方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57125804A (en) * 1981-01-30 1982-08-05 Nec Corp System for detecting position of vehicle existence
JPS63173199A (ja) * 1987-01-13 1988-07-16 日本電気株式会社 高速道路渋滞予報システム
DE10036789A1 (de) * 2000-07-28 2002-02-07 Daimler Chrysler Ag Verfahren zur Bestimmung des Verkehrszustands in einem Verkehrsnetz mit effektiven Engstellen
CN101739817A (zh) * 2009-11-26 2010-06-16 西北工业大学 一种动态起点的最短路径规划方法
CN101770690A (zh) * 2009-12-25 2010-07-07 东软集团股份有限公司 交通状况预测装置及经路探索装置
CN106781489A (zh) * 2016-12-29 2017-05-31 北京航空航天大学 一种基于递归神经网络的路网状态预测方法
CN107577702A (zh) * 2017-07-28 2018-01-12 中南大学 一种社交媒体中交通信息的辨别方法
CN108986453A (zh) * 2018-06-15 2018-12-11 华南师范大学 一种基于情境信息的交通状况预测方法、系统及装置
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法
CN110766211A (zh) * 2019-10-14 2020-02-07 中国地质大学（武汉） 一种实时路况下的车辆路径规划问题模型创建方法
CN110766942A (zh) * 2019-10-18 2020-02-07 北京大学 一种基于卷积长短期记忆网络的交通路网拥堵预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
VLADIMIR CORIC ET AL.: "Traffic Speed Forecasting by Mixture of Experts", 《IEEE》 *
张照生: "交通约束下的行车最优路径规划", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
赵琨 等: "基于速度短时预测的路径优化研究", 《工业工程与技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070052A (zh) * 2020-09-16 2020-12-11 青岛维感科技有限公司 一种间距监测方法、装置、系统及存储介质
CN112285304A (zh) * 2020-09-30 2021-01-29 深圳市锐拓仪器设备有限公司 一种流池法溶出度仪流通池装置
CN112684130A (zh) * 2020-11-23 2021-04-20 深圳市水务科技有限公司 流域水质预测方法和装置、计算机可读存储介质
CN112797995A (zh) * 2020-12-17 2021-05-14 北京工业大学 具有时空特性态势信息的车辆应急导航方法
CN112797995B (zh) * 2020-12-17 2023-02-28 北京工业大学 具有时空特性态势信息的车辆应急导航方法
CN114781696A (zh) * 2022-03-30 2022-07-22 西安电子科技大学 一种面向城市路网的无模型事故影响范围预测方法
CN114781696B (zh) * 2022-03-30 2024-04-16 西安电子科技大学 一种面向城市路网的无模型事故影响范围预测方法

Also Published As

Publication number Publication date
CN111524353B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN111524353B (zh) 一种交通文本数据用于速度预测及行程规划方法
CN109801491B (zh) 基于风险评估的智能导航方法、装置、设备及存储介质
CN109145954B (zh) 一种基于多源时空数据的网约车出行安全评价方法及系统
CN102595323B (zh) 基于手机定位数据的居民出行特征参数的获取方法
CN111081016B (zh) 一种基于复杂网络理论的城市交通异常识别方法
CN107292417B (zh) 基于重污染序列案例库的区域重污染判别预报方法及装置
CN113570867B (zh) 一种城市交通状态预测方法、装置、设备及可读存储介质
CN114048920A (zh) 充电设施建设的选址布局方法、装置、设备及存储介质
CN109859505B (zh) 高速站点的预警处理方法、装置、服务器和介质
CN114428828A (zh) 基于行驶轨迹挖掘新增道路方法、装置及电子设备
CN108415885A (zh) 基于近邻回归的实时公交客流预测方法
CN105893352A (zh) 一种基于社交网络大数据的空气质量预警和监测分析系统
CN111401743A (zh) 一种城市道路施工期的动态交通影响评价方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN111797188A (zh) 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN116824868B (zh) 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质
US20240265409A1 (en) Methods for determining locations of passenger flow corridors based on card swiping data
Li et al. An automatic extraction method of coach operation information from historical trajectory data
Ali et al. Analysing vehicular congestion scenario in Kuala Lumpur using open traffic
Treboux et al. A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed
CN110796301B (zh) 一种基于ic卡数据的乘客流量预测方法及装置
Qian Real-time incident detection using social media data.
CN115565376B (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
CN114611622B (zh) 一种利用手机数据识别跨城通勤人群的方法

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
GR01 Patent grant
GR01 Patent grant