CN111667689B - 车辆旅行时间预测的方法、设备和计算机设备 - Google Patents

车辆旅行时间预测的方法、设备和计算机设备 Download PDF

Info

Publication number
CN111667689B
CN111667689B CN202010372672.0A CN202010372672A CN111667689B CN 111667689 B CN111667689 B CN 111667689B CN 202010372672 A CN202010372672 A CN 202010372672A CN 111667689 B CN111667689 B CN 111667689B
Authority
CN
China
Prior art keywords
time
information
slice
target vehicle
space
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
CN202010372672.0A
Other languages
English (en)
Other versions
CN111667689A (zh
Inventor
张欣环
刘宏杰
施俊庆
毛程远
孟国连
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.)
Zhejiang Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
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 Zhejiang Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN202010372672.0A priority Critical patent/CN111667689B/zh
Publication of CN111667689A publication Critical patent/CN111667689A/zh
Application granted granted Critical
Publication of CN111667689B publication Critical patent/CN111667689B/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
    • 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"
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本申请涉及一种车辆旅行时间预测的方法、设备和计算机设备，其中，车辆旅行时间预测的方法包括：获取目标车辆行驶的时刻信息和位置信息，根据时刻信息确定目标车辆的时间切片信息，根据位置信息确定目标车辆的空间切片信息，在根据位置信息判定目标车辆位于目标空间切片的情况下，根据位置信息、时间切片信息和历史时间信息，计算目标车辆的时间特征向量，根据空间切片信息和空间切片中的参考速度，计算目标车辆的空间特征向量，根据时刻信息、位置信息、时间特征向量和空间特征向量，预测目标车辆的旅行时间，解决了基于空间特征向量在对公共交通系统中的车辆进行长期时间预测的情况下，预测准确度低的问题，提高了车辆旅行时间预测的准确度。

Description

车辆旅行时间预测的方法、设备和计算机设备
技术领域
本申请涉及公共交通技术领域，特别是涉及车辆旅行时间预测的方法、设备和计算机设备。
背景技术
城市公共交通系统可以极大地缓解交通拥堵并有效缓解能源消耗方面的环境压力，是解决城市交通问题的最佳选择。其中，城市公交旅行时间预测是改善出行结构、提高公交服务可靠性、缓解交通问题的关键技术之一。然而，城市公共交通系统是一个具有高度不确定性、非线性的多参数参与的、时变的复杂巨系统，其旅行时间预测较为复杂，尤其在小于15分钟的短期预测中，偶然事件发生的概率更大，时变性、不确定性更强，预测精度要求比长期预测的精度更高，预测难度比时间大于或者等于35分钟的中长期预测难度更大。仅基于历史数据和实时数据的“时间特征向量输入预测法”无法有效地应对突发情况，在中长期预测和短期预测之间难以达到平衡。
在相关技术中，为了有效应对突发事件对旅行时间预测精度的影响，提出了一种基于空间特征向量的预测方法：计算出每个路径上所有公交车车辆的当前速度，并将其加权平均值认定为公交车车辆在当前路径上的瞬时速度，从而得出公交车车辆通过当前路径所需的旅行时间。但车辆的行驶路径越长，时间累积的路径波动越明显，旅行时间预测精度越低，可以看出，基于空间特征向量的预测方法在长期预测情形下效果不佳。
目前针对相关技术中，基于空间特征向量的在对公共交通系统中的车辆进行长期时间预测的情况下，预测准确度低的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆旅行时间预测的方法、设备、计算机设备和计算机可读存储介质，以至少解决相关技术中基于空间特征向量的在对公共交通系统中的车辆进行长期时间预测的情况下，预测准确度低的问题。
第一方面，本申请实施例提供了一种车辆旅行时间预测的方法，所述方法包括：
获取目标车辆行驶的时刻信息和位置信息，根据所述时刻信息确定所述目标车辆的时间切片信息，根据所述位置信息确定所述目标车辆的空间切片信息；
在根据所述位置信息判定所述目标车辆位于目标空间切片的情况下，根据所述位置信息、所述时间切片信息和历史时间信息，计算所述目标车辆的时间特征向量，根据所述空间切片信息和所述空间切片中的参考速度，计算所述目标车辆的空间特征向量；
根据所述时刻信息、所述位置信息、所述时间特征向量和所述空间特征向量，预测所述目标车辆的旅行时间。
在其中一些实施例中，所述预测所述目标车辆的旅行时间包括：
根据所述时刻信息和所述时间特征向量，得到所述旅行时间的第一预测结果，根据所述位置信息和所述空间特征向量，得到所述旅行时间的第二预测结果；
对所述第一预测结果和所述第二预测结果进行加权计算，得到所述旅行时间。
在其中一些实施例中，所述根据所述位置信息和所述空间特征向量，得到所述旅行时间的第二预测结果包括：
根据所述位置信息，得到所述目标车辆与所述目标空间切片的终点之间的距离，根据所述距离和所述目标车辆的瞬时速度，得到所述第二预测结果。
在其中一些实施例中，获取所述空间切片中的参考速度还包括：
在所述目标车辆不在所述目标空间切片中的情况下，获取所述目标空间切片的长度，根据所述长度和所述目标空间切片中所有车辆的速度平均值，计算所述参考速度。
在其中一些实施例中，在所述计算所述目标车辆的时间特征向量之后，所述方法包括：
根据长短期记忆网络和预设时间阈值，将所述时间特征向量中的所述历史时间信息进行遗忘和更新。
在其中一些实施例中，在所述获取时间特征向量和所述空间特征向量之前，所述方法还包括：
对所述时间切片的时间窗口设置时间下限，根据所述时间下限对所述历史时间信息进行过滤。
在其中一些实施例中，根据所述目标车辆在站点之间的旅行时间均值确定所述时间切片，根据道路交叉点，确定所述空间切片。
第二方面，本申请实施例提供了一种车辆旅行时间预测的设备，所述设备包括获取模块、计算模块和预测模块：
所述获取模块，用于获取目标车辆行驶的时刻信息和位置信息，根据所述时刻信息确定所述目标车辆的时间切片信息，根据所述位置信息确定所述目标车辆的空间切片信息；
所述计算模块，用于在根据所述位置信息判定所述目标车辆位于目标空间切片的情况下，根据所述位置信息、所述时间切片信息、历史时间信息，计算所述目标车辆的时间特征向量，根据所述空间切片信息、所述空间切片中的参考速度，计算所述目标车辆的空间特征向量；
所述预测模块，用于根据所述时刻信息、所述位置信息、所述时间特征向量和所述空间特征向量，预测所述目标车辆的旅行时间。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述方法。
相比于相关技术，本申请实施例提供的车辆旅行时间预测的方法，通过获取目标车辆行驶的时刻信息和位置信息，根据该时刻信息确定该目标车辆的时间切片信息，根据该位置信息确定该目标车辆的空间切片信息，在根据该位置信息判定该目标车辆位于目标空间切片的情况下，根据该位置信息、该时间切片信息和历史时间信息，计算该目标车辆的时间特征向量，根据该空间切片信息和该空间切片中的参考速度，计算该目标车辆的空间特征向量，根据该时刻信息、该位置信息、该时间特征向量和该空间特征向量，预测该目标车辆的旅行时间，解决了基于空间特征向量的在对公共交通系统中的车辆进行长期时间预测的情况下，预测准确度低的问题，提高了车辆旅行时间预测的准确度。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的车辆旅行时间预测的方法的应用环境示意图；
图2是根据本申请实施例的车辆旅行时间预测的方法的流程图；
图3是根据本申请实施例的车辆旅行时间的计算方法的流程图；
图4是根据本申请实施例的混合神经网络的示意图；
图5是根据本申请实施例的车辆旅行时间预测的设备的结构框图；
图6是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请提供的车辆旅行时间预测的方法，可以应用于如图1所示的应用环境中，图1是根据本申请实施例的车辆旅行时间预测的方法的应用环境示意图，如图1所示。其中，公交车101在道路中行驶，终端102通过获取公交车101行驶的时刻信息和位置信息，根据该时刻信息确定该公交车101的时间切片信息，根据该位置信息确定该公交车101的空间切片信息，终端102在根据该位置信息判定该公交车101位于目标空间切片的情况下，根据该位置信息、该时间切片信息和历史时间信息，计算该公交车101的时间特征向量，根据该空间切片信息和该空间切片中的参考速度，计算该公交车101的空间特征向量，根据该时刻信息、该位置信息、该时间特征向量和该空间特征向量，预测该公交车101的旅行时间。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
本实施例提供了一种车辆旅行时间预测的方法。图2是根据本申请实施例的车辆旅行时间预测的方法的流程图，如图2所示，该方法包括如下步骤：
步骤S201，获取目标车辆行驶的时刻信息和位置信息，根据该时刻信息确定该目标车辆的时间切片信息，根据该位置信息确定该目标车辆的空间切片信息。
其中，时刻信息为对目标车辆进行旅行时间预测的时刻，可以通过网络获得，也可以手动输入，位置信息为目标车辆的地理位置，可以通过安装于车辆上的定位传感器和通讯装置得到，该定位传感器可以通过全球定位系统(GlobalPositioning System，简称为GPS)或者北斗卫星导航系统(BeiDou NavigationSatellite System，简称为BDS)获得目标车辆的地理位置。
本实施例中的时间切片为，将车辆每天运行的总时长分割成多个时间段，每个时间段称作一个时间切片，每个时间切片具有独立编号，时间切片信息包括该目标车辆所属的时间切片编号。类似的，本实施例中的空间切片为，将车辆行驶的道路分为多个路段，每个路段称作一个空间切片，每个空间切片可能包括一个或者多个公交站点，空间切片信息包括目标车辆位置所属的空间切片，以及该空间切片的长度、该空间切片中其他车辆的速度。
步骤S202，在根据该位置信息判定该目标车辆位于目标空间切片的情况下，根据该位置信息、该时间切片信息和历史时间信息，计算该目标车辆的时间特征向量，根据该空间切片信息和该空间切片中的参考速度，计算该目标车辆的空间特征向量。
对车辆到达目标站点的旅行时间进行预测的过程中，目标站点所属的空间切片与车辆本身所属的空间切片可能为同一空间切片，也可能为不同的空间切片，本实施例中的目标空间切片为目标站点所属的空间切片。
历史时间信息为在过去若干天内，车辆每天在某两个站点之间行驶所用的时间，时间特征向量用于描述两个站点之间的时间信息，如公式1所示：
Pij＝[Si,Sj,Tk,[t1,t2…tn]]T 公式1
在公式1中，Pij是从站点i到站点j的时间特征向量，Si和Sj分别表示站点i和站点j，Tk是目标车辆所属的时间切片，[t1,t2…tn]描述历史时间信息，t1到tn分别描述过去1至n天中，车辆每天从第i站到第j站所花费的时间。
空间特征向量用于描述某一空间切片中的空间信息，由如下公式2得到：
Spq＝[p,q,lpq,[v1,v2…vm]]T 公式2
在公式2中，Spq是起点为p，终点为q的空间向量切片，lpq是Spq的长度，[v1,v2…vm]是该空间切片中所有公交车的速度。
步骤S203，根据该时刻信息、该位置信息、该时间特征向量和该空间特征向量，预测该目标车辆的旅行时间。
本实施例中，通过长短期记忆网络(Long Short-Term Memory，简称为LSTM)对时间特征向量进行计算，通过人工神经网络(Artificial Neural Network，简称为ANN)对空间特征向量进行计算。其中，LSTM是一种时间循环神经网络，是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的，所有的循环神经网络都具有一种重复神经网络模块的链式形式；ANN以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。另外，本实施例中的旅行时间为车辆到达目标站点的行驶时间。
通过上述步骤S201至步骤S203，本实施例通过LSTM和ANN对车辆到达目标站点的旅行时间进行预测，其中LSTM对时间特征向量的计算，可以对车辆旅行时间进行长期预测，ANN对空间特征向量的计算，可以对车辆旅行时间进行短期预测，本实施例将长期预测和短期预测进行结合，建立LSTM+ANN的混合神经网络，解决了基于空间特征向量的在对公共交通系统中的车辆进行长期时间预测的情况下，预测准确度低的问题，提高了车辆旅行时间预测的准确度。
在其中一些实施例中，图3是根据本申请实施例的车辆旅行时间的计算方法的流程图，如图3所示，该方法包括如下步骤：
步骤S301，根据该时刻信息和该时间特征向量，得到该旅行时间的第一预测结果，根据该位置信息和该空间特征向量，得到该旅行时间的第二预测结果。
本实施例中，时间特征向量是以站点为节点进行切分的，而空间特征向量是通过公交车行驶线路上的节点进行切分的，所以两种测量单位特征向量不统一。由于在对特定线路进行预测分析时，需要对两种特征向量进行相同的运算，因此，本文使用主成分分析(Principal Component Analysis，简称为PCA)对数据进行分析和投影，从而将空间维投影到时间维，实现特征值归一化。
本实施例中的第一预测结果为基于时间特征向量的旅行时间预测结果，第二预测结果为基于空间特征向量的旅行时间预测结果。
步骤S302，对该第一预测结果和该第二预测结果进行加权计算，得到该旅行时间。
本申请中，构建LSTM+ANN的混合神经网络，对旅行时间进行预测。图4是根据本申请实施例的混合神经网络的示意图，如图4所示。通过输入层(InputLayer)输入参数，其中，T为该混合神经网络的输入参数，包括车辆行驶的时刻信息和时间特征向量，Pij是时间特征向量，Spq是空间特征向量，Xn、Yn均为过程量，R为输出。通过对该混合神经网络进行训练，得到该混合神经网络的权重参数，从而在预测过程中，通过输出层(Output Layer)输出预测结果。
该混合神经网络的线性回归模型为由如下公式3和如下公式4得到：
Figure BDA0002478899430000071
Figure BDA0002478899430000072
公式3是线性回归模型的公式，用于训练和预测时空特征向量，其中，Aj表示训练得到的结果，xi和wij分别为历史时间信息和历史空间信息，i、j表示时间切片或者空间切片的编号。
公式4是Sigmoid激活函数，可将结果从线性转换为非线性。
通过上述步骤S301和步骤S302，基于混合神经网络分别对时间特征向量和空间特征向量进行计算，然后对车辆旅行时间进行预测，相比于相关技术中，时间特征向量在短期预测中，无法应对道路中的突发情况，而空间特征向量在长期预测中，准确度较低的情况，可以更好地适应道路中的各种情形，提高对车辆旅行时间预测的准确度。
在一些实施例中，根据位置信息和空间特征向量，得到旅行时间的第二预测结果包括：根据该位置信息，得到该目标车辆与该目标空间切片的终点之间的距离，根据该距离和该目标车辆的瞬时速度，得到该第二预测结果。
本实施例中的位置信息包括车辆在地图中的地理位置信息，每个空间切片的起点和终点均可在地图中确定对应的位置，根据车辆的地理位置信息和空间切片终点的位置信息，即可得到目标车辆与目标空间切片终点之间的距离，该距离为车辆实际行驶的路程。本实施例中，在目标车辆位于目标空间切片的情况下，可以直接将目标车辆的瞬时速度作为参考速度，来计算第二预测结果，通过提高第二预测结果的准确度，进一步提高目标车辆旅行时间的预测准确度。
在一些实施例中，在该目标车辆不在该目标空间切片中的情况下，获取该目标空间切片的长度，根据该长度和该目标空间切片中所有车辆的速度平均值，计算该参考速度。本实施例中，考虑到目标车辆与目标空间切片的另一种关系，即在目标车辆与目标站点位于不同的空间切片的情况下，根据目标空间切片的长度和目标空间切片中车辆的速度平均值，计算目标车辆的参考速度。
车辆行驶道路是否拥堵取决于上游车辆的速度和下游车辆的速度，因此，车辆速度仅与当前道路上的车辆有关。在下游车辆的速度小于上游车辆的速度的情况下，道路发生拥挤，该道路上的车辆会降低速度。车辆的瞬时速度在不同的位置也发生变化，例如，道路的前半部分由于道路建设、车辆刮擦、停车和道路变窄而变得拥挤，车速较低，而在道路的后半部分，由于车辆已经离开了拥挤区域，道路流畅，车速上升。在这种情况下，如果仅根据车辆的瞬时速度进行计算，则与实际旅行时间存在较大偏差。因此，本实施例中，提出了一种基于空间切片来计算车辆瞬时速度的方法，如公式5所示：
Figure BDA0002478899430000081
在上式中，vO是编号为O的车辆的速度，m是当前道路上的公交车数量，vj是编号为j的车辆的瞬时速度。
本实施例中，根据目标空间切片中，道路中所有车辆的均值，确定目标车辆的行驶速度，可以提高对目标车辆参考速度进行预测的准确率，从而提高对目标车辆旅行时间预测的准确率。
在一些实施例中，在计算该目标车辆的时间特征向量之后，还包括：根据长短期记忆网络和预设时间阈值，将该时间特征向量中的该历史时间信息进行遗忘和更新。
在LSTM网络中，将目标车辆的时刻信息和时间切片的时间特征向量作为输入参数，其中，该时间切片与时刻信息对应。基于历史时间信息的时间特征向量由LSTM动态更新。在历史时间信息记录的天数超过预设时间阈值得到情况下，会对先进入LSTM网络中的时间特征向量会被遗忘门遗忘，后进入LSTM网络中的时间特征向量通过输入门更新，最后，通过输出门确认LSTM计算输出。其中，遗忘门的函数如公式6所示：
ft＝σ(Wf·[d1,d2,…,dn]+bf) 公式6
输入门的函数如公式7和公式8所示：
it＝σ(Wi·dn+1+bi) 公式7
jt＝tanh(Wj·dn+1+bj) 公式8
隐藏门的函数如公式9所示：
Tt＝(ft*Tt-1+it*jt)*ot 公式9
输出门的函数如公式10所示：
ot＝σ(Wf·[d1,d2,…,dn+1]+bo) 公式10
在公式6至公式10中，W为不同函数对应的权重矩阵，b为不同函数对应的偏置量，T为输入参数，σ为sigmoid函数，d表示在历史时间中，天数的编号，i、j表示时间切片或者空间切片的编号。
例如，将28天作为时间特征向量的预设时间阈值，当前时间从9月28日移至9月29日，而9月1日的时间特征将超过最大时间窗口。9月1日的切片数据通过遗忘门被遗忘，然后9月29日的时间特征被添加到输入门，最后，输出门输出结果。
本实施例中，通过遗忘门更新历史时间信息，剔除预设时间阈值之外的旧数据，以最新的数据为基础，可以更准确地通过时间特征向量对第一预测结果进行预测。
在一些实施例中，在该获取时间特征向量和该空间特征向量之前，该方法还包括：对该时间切片的时间窗口设置时间下限，根据该时间下限对该历史时间信息进行过滤。大量的统计结果表明，时间窗口的上限设置应为300秒。在实际驾驶过程中，车辆可能会遇到诸如道路养护、车辆故障、汽车加油和临时停车等突发事件，因此，在数据统计中存在一些异常数据，例如行驶时间大于正常行驶时间等等。另外，从实验结果可以看出，在对实际时间切分的过程中，有一些车辆在两个站点之间行驶时会跨越两个时间切片，这种车辆在两个站点之间的旅行时间远短于正常旅行时间。因此，根据实验结果，可以将时间窗口的下限设置为25秒，从而过滤异常数据以减少噪声干扰。本实施例中，通过设置时间窗口的时间下限，可以对采集到的原始数据进行过滤，剔除异常数据并减少噪声干扰，以提高对目标车辆旅行时间预测的准确度。
在一些实施例中，根据目标车辆在站点之间的旅行时间均值确定该时间切片，根据道路交叉点，确定该空间切片。
在相关技术中，基于历史时间信息的旅行时间预测方法，大致可分为简单平均法，移动平均法和指数平滑法，在使用上述方法来处理时间切片时，时间切片的粒度相对简单且粗糙。一种更常见的方法是将全天时间段划分为高峰时段和其他时间段，结合车辆GPS数据，在不同的时间段采用不同的数据处理方法来预测站点之间的旅行时间。这种预测方法在某种程度上解决了车辆旅行时间的预测问题，但与全天车辆旅行时间的波动相比，大颗粒的时间切片将不可避免地导致预测结果的相对粗糙。
在目标车辆为公交车的情况下，在中国大多数城市中，两个站点之间的距离大约为1至2公里，城市公交车的平均速度为20公里/小时，因此，公交车在两个车站之间需要行驶大约3至6分钟。在此假设的基础上，本申请基于宁波0120号公交线路在2019年9月的数据，对两个站点之间的时间分布进行了统计，统计结果显示，90％的公交车在相邻站点之间的行驶时间不到5分钟。因此，可以将每天的24小时以5分钟的时间间隔分成288个时间切片，在每个时间片中，基于预测前20天内同一时间切片中的历史时间信息来预测两个站点间，当前时间切片内的公交车旅行时间。考虑到工作日、周末和节假日的不同条件，根据工作日和休息日将实验数据分为两组，本申请中提到的所有案例数据均为工作日数据。
本实施例中，通过时间切片将站点间的旅行时间预测切分为时间片的预测，并通过比较不同天同一时间切片的时间来预测该时间切片内的旅行时间。
对于空间切片，道路是否拥堵取决于上游车辆的速度和下游车辆的速度。除事故外，车辆交通速度仅与在道路上行驶的车辆有关。因此，本实施例中基于交通信号灯对空间进行分割，以交叉口为节点进行线路的空间切分，以实现空间特征向量的初始化。
本实施例中，通过空间切片法将站点间的时间预测切分为小的空间切片进行预测，并通过综合考虑该空间切片中所有车辆的行驶速度来获得切片中的预测时间。通过计算线路在不同空间切片中到达终点的时间来完成基于空间的特征向量分析，并且该过程为LSTM模型提供了数据，便于对最终车辆旅行时间的预测。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种车辆旅行时间预测的设备，该设备用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本申请实施例的车辆旅行时间预测的设备的结构框图，如图5所示，该设备包括：获取模块51、计算模块52和预测模块53：
获取模块51，用于获取目标车辆行驶的时刻信息和位置信息，根据该时刻信息确定该目标车辆的时间切片信息，根据该位置信息确定该目标车辆的空间切片信息。
计算模块52，用于在根据该位置信息判定该目标车辆位于目标空间切片的情况下，根据该位置信息、该时间切片信息、历史时间信息，计算该目标车辆的时间特征向量，根据该空间切片信息、该空间切片中的参考速度，计算该目标车辆的空间特征向量。
预测模块53，用于根据该时刻信息、该位置信息、该时间特征向量和该空间特征向量，预测该目标车辆的旅行时间。
本实施例基于LSTM和ANN，通过计算模块62和预测模块63对车辆到达目标站点的旅行时间进行预测，其中LSTM对时间特征向量的计算，可以对车辆旅行时间进行长期预测，ANN对空间特征向量的计算，可以对车辆旅行时间进行短期预测，本实施例将长期预测和短期预测进行结合，建立LSTM+ANN的混合神经网络，在相关技术中，以交叉口为节点将车辆行驶路径切分成段，计算出每个路径上所有车辆的当前速度，并将其加权平均值认定为目标车辆在当前路径上的瞬时速度，从而得出目标车辆通过当前路径所需的旅行时间。但目标车辆的行驶路径越长，时间累积的路径波动越明显，旅行时间预测精度越低，因此本申请中的方法，解决了基于空间特征向量的在对公共交通系统中的车辆进行长期时间预测的情况下，预测准确度低的问题，提高了车辆旅行时间预测的准确度。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
下面通过优选实施例对本申请实施例进行描述和说明。
本实施例中的数据结构如表1所示：
表1
Figure BDA0002478899430000121
在表1中，field表示变量，description为对变量的描述，format为变量的数据类型，unit为变量的单位。其中，数据类型包括：字符串(String)、整数(Integer)和浮点(Float)，采集数据的时间单位为秒(Second)，速度单位为千米每小时(Kilometer/hour)。
本申请中的数据样本示例如表2所示：
表2
Figure BDA0002478899430000131
如表2所示，表2中的数据均采集于线路编号为120的公交车，线路类型为2，公交车编码为bdbb442b9c424f65a08b，站点序列为4，测试时刻为2019年9月18日的18:52:10:00，定位时刻为2019年9月18日的18:51:44，定位速度为16千米/小时、定位纬度为37.029716584244376°，定位经度为114.5346751069406°。
在确定数据结构之后，本实施例将以距离较长的宁波市0114号线路为例来验证预测模型。该线路长度为25km，行车时间约为1小时26分钟，途经市中心、市郊等复杂的环境区域，适用于长时预测和短时预测的这种综合预测模型。本申请采集2019年9月1日至9月20日的数据作为训练集，在剔除6天假期的情况下，得到14天数据，同时将时间窗口设置为14天，2019年9月21日的数据作为测试集，使用TensorFlow系统验证预测方法的可行性与适用性。在经过1000次采样后，结合该线路的上下行数据对LSTM+ANN模型进行分析。
表3是根据本申请实施例的长距离旅行时间预测结果，如表3所示：
表3
Figure BDA0002478899430000141
表3中，Algorithm表示不同的算法，MAE表示平均绝对误差(MeanAbsoluteError)，RMSE表示均方根误差(Root Mean Squared Error)，MAPE表示平均绝对百分比误差(Mean Absolute Percentage Error)，AVG(The average value)表示使用算术平均值预测公交车旅行时间，AMM表示使用线性回归来预测目标站点间的旅行时间，ElasticnetCV表示使用Sklearn弹性网络回归预测的旅行时间，反向传播(Backpropagation Algorithm，简称为BP)是一种使用误差平方作为目标函数，并使用梯度下降法计算目标函数最小值的网络，使用反向传播来估计旅行时间，LSTM使用LSTM完成公交车旅行时间，Actual是公交车实际的旅行时间，LSTM-A是本申请实施例中使用的旅行时间预测方法。可以明显看出，LSTM-A算法在长距离到达预测中的预测曲线更接近于公交车的实际到达时间，因此其结果更加准确。
表4是根据本申请实施例的短距离旅行时间预测结果，如表4所示：
表4
Figure BDA0002478899430000142
可以看出，LSTM-A算法在短距离到达预测中的预测曲线更接近公交车的实际到达时间，因此其结果更加准确。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆旅行时间预测的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图6是根据本申请实施例的电子设备的内部结构示意图，如图6所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆旅行时间预测的方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各实施例提供的车辆旅行时间预测的方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例提供的车辆旅行时间预测的方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种车辆旅行时间预测的方法，其特征在于，所述方法包括：
根据目标车辆在站点之间的旅行时间均值确定时间切片，根据道路交叉点，确定空间切片；
获取目标车辆行驶的时刻信息和位置信息，根据所述时刻信息确定所述目标车辆的时间切片信息，根据所述位置信息确定所述目标车辆的空间切片信息；
在根据所述位置信息判定所述目标车辆位于目标空间切片的情况下，根据所述位置信息、所述时间切片信息和历史时间信息，通过长短期记忆网络计算所述目标车辆的时间特征向量，根据所述空间切片信息和所述空间切片中的参考速度，通过人工神经网络计算所述目标车辆的空间特征向量；其中，所述时间特征向量用于描述两个站点之间的时间信息，通过如下公式1表示；
Pij＝[Si，Sj，Tk，[t1，t2...tn]]T 公式1
在公式1中，Pij是从站点i到站点j的时间特征向量，Si和Sj分别表示站点i和站点j，Tk是目标车辆所属的时间切片，[t1，t2...tn]描述历史时间信息，t1到tn分别描述过去1至n天中，车辆每天从第i站到第j站所花费的时间；
空间特征向量用于描述某一空间切片中的空间信息，由如下公式2得到：
Spq＝[p，q，lpq，[v1，v2...vm]]T 公式2
在公式2中，Spq是起点为p，终点为q的空间向量切片，lpq是Spq的长度，[v1，v2...vm]是该空间切片中所有公交车的速度；
根据所述时刻信息、所述位置信息、所述时间特征向量和所述空间特征向量，预测所述目标车辆的旅行时间。
2.根据权利要求1所述的方法，其特征在于，所述预测所述目标车辆的旅行时间包括：
根据所述时刻信息和所述时间特征向量，得到所述旅行时间的第一预测结果，根据所述位置信息和所述空间特征向量，得到所述旅行时间的第二预测结果；
对所述第一预测结果和所述第二预测结果进行加权计算，得到所述旅行时间。
3.根据权利要求2所述的方法，其特征在于，所述根据所述位置信息和所述空间特征向量，得到所述旅行时间的第二预测结果包括：
根据所述位置信息，得到所述目标车辆与所述目标空间切片的终点之间的距离，根据所述距离和所述目标车辆的瞬时速度，得到所述第二预测结果。
4.根据权利要求1所述的方法，其特征在于，获取所述空间切片中的参考速度还包括：
在所述目标车辆不在所述目标空间切片中的情况下，获取所述目标空间切片的长度，根据所述长度和所述目标空间切片中所有车辆的速度平均值，计算所述参考速度。
5.根据权利要求1所述的方法，其特征在于，在所述计算所述目标车辆的时间特征向量之后，所述方法包括：
根据长短期记忆网络和预设时间阈值，将所述时间特征向量中的所述历史时间信息进行遗忘和更新。
6.根据权利要求1所述的方法，其特征在于，在所述获取时间特征向量和所述空间特征向量之前，所述方法还包括：
对所述时间切片的时间窗口设置时间下限，根据所述时间下限对所述历史时间信息进行过滤。
7.一种车辆旅行时间预测的设备，其特征在于，所述设备包括获取模块、计算模块和预测模块：
所述获取模块，用于根据目标车辆在站点之间的旅行时间均值确定时间切片，根据道路交叉点，确定空间切片；获取目标车辆行驶的时刻信息和位置信息，根据所述时刻信息确定所述目标车辆的时间切片信息，根据所述位置信息确定所述目标车辆的空间切片信息；
所述计算模块，用于在根据所述位置信息判定所述目标车辆位于目标空间切片的情况下，根据所述位置信息、所述时间切片信息、历史时间信息，通过长短期记忆网络计算所述目标车辆的时间特征向量，根据所述空间切片信息、所述空间切片中的参考速度，通过人工神经网络计算所述目标车辆的空间特征向量；其中，所述时间特征向量用于描述两个站点之间的时间信息，通过如下公式1表示；
Pij＝[Si，Sj，Tk，[t1，t2...tn]]T 公式1
在公式1中，Pij是从站点i到站点j的时间特征向量，Si和Sj分别表示站点i和站点j，Tk是目标车辆所属的时间切片，[t1，t2...tn]描述历史时间信息，t1到tn分别描述过去1至n天中，车辆每天从第i站到第j站所花费的时间；
空间特征向量用于描述某一空间切片中的空间信息，由如下公式2得到：
Spq＝[p，q，lpq，[v1，v2...vm]]T 公式2
在公式2中，Spq是起点为p，终点为q的空间向量切片，lpq是Spq的长度，[v1，v2...vm]是该空间切片中所有公交车的速度；
所述预测模块，用于根据所述时刻信息、所述位置信息、所述时间特征向量和所述空间特征向量，预测所述目标车辆的旅行时间。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。
CN202010372672.0A 2020-05-06 2020-05-06 车辆旅行时间预测的方法、设备和计算机设备 Active CN111667689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010372672.0A CN111667689B (zh) 2020-05-06 2020-05-06 车辆旅行时间预测的方法、设备和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010372672.0A CN111667689B (zh) 2020-05-06 2020-05-06 车辆旅行时间预测的方法、设备和计算机设备

Publications (2)

Publication Number Publication Date
CN111667689A CN111667689A (zh) 2020-09-15
CN111667689B true CN111667689B (zh) 2022-06-03

Family

ID=72383263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010372672.0A Active CN111667689B (zh) 2020-05-06 2020-05-06 车辆旅行时间预测的方法、设备和计算机设备

Country Status (1)

Country Link
CN (1) CN111667689B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487872B (zh) * 2021-09-07 2021-11-16 南通飞旋智能科技有限公司 一种基于大数据和人工智能的公交车通行时间预测方法
CN114771599B (zh) * 2022-04-27 2024-01-05 上海申浙数智轨道科技有限公司 一种轨道故障的定位方法、系统、存储介质和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096767A (zh) * 2016-06-07 2016-11-09 中国科学院自动化研究所 一种基于lstm的路段行程时间预测方法
CN106710218A (zh) * 2017-03-09 2017-05-24 北京公共交通控股（集团）有限公司 一种公交车到站时间预测方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101388143B (zh) * 2007-09-14 2011-04-13 同济大学 基于浮动车数据的公交到站时间预测方法
CN102074124B (zh) * 2011-01-27 2013-05-08 山东大学 一种基于svm及h∞滤波的动态公交到站时间预测方法
CN102496277B (zh) * 2011-12-09 2014-01-29 北京世纪高通科技有限公司 道路交通信息的获取方法及装置
CN103258430B (zh) * 2013-04-26 2015-03-11 青岛海信网络科技股份有限公司 路段旅行时间统计、以及交通路况判定方法和装置
US9207098B2 (en) * 2014-02-21 2015-12-08 Iteris, Inc. Short-term travel-time prediction modeling augmented with radar-based precipitation predictions and scaling of same
TWI522974B (zh) * 2014-10-06 2016-02-21 Chunghwa Telecom Co Ltd 到站時間預測系統與方法
CN104900061B (zh) * 2015-05-29 2017-08-08 内蒙古工业大学 路段行程时间监测方法及装置
CN105243428A (zh) * 2015-09-07 2016-01-13 天津市市政工程设计研究院 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法
CN107085943B (zh) * 2015-12-23 2020-06-30 青岛海信网络科技股份有限公司 一种道路旅行时间短期预测方法和系统
CN106228808B (zh) * 2016-08-05 2019-04-30 北京航空航天大学 基于浮动车时空网格数据的城市快速路旅行时间预测方法
WO2019154398A1 (en) * 2018-02-06 2019-08-15 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for recommending transportation services
CN109064742A (zh) * 2018-08-03 2018-12-21 北京航空航天大学 一种基于svm的自适应公交到站时间预测方法
CN108986470B (zh) * 2018-08-20 2022-03-29 华南理工大学 粒子群算法优化lstm神经网络的行程时间预测方法
CN109191845B (zh) * 2018-09-28 2020-09-25 吉林大学 一种公交车辆到站时间预测方法
CN109544908B (zh) * 2018-10-24 2022-04-15 佛山市慧城信息科技有限公司 一种实时预测公交到站时间的方法、电子设备及存储介质
CN109584552B (zh) * 2018-11-28 2021-04-30 青岛大学 一种基于网络向量自回归模型的公交到站时间预测方法
CN110867090B (zh) * 2019-10-31 2022-01-11 江苏大学 一种基于公交车载gps数据的相邻公交物理站点间平均行程时间计算方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096767A (zh) * 2016-06-07 2016-11-09 中国科学院自动化研究所 一种基于lstm的路段行程时间预测方法
CN106710218A (zh) * 2017-03-09 2017-05-24 北京公共交通控股（集团）有限公司 一种公交车到站时间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于网格模型的城市交通运行状态识别和行程时间预测方法研究;刘炀;《中国博士学位论文全文数据库》;20190115;全文 *

Also Published As

Publication number Publication date
CN111667689A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
Xu et al. Bus arrival time prediction with real-time and historic data
US20200111348A1 (en) Computer system and method for state prediction of a traffic system
CN110210604B (zh) 一种终端设备移动轨迹预测方法及装置
Xinghao et al. Predicting bus real-time travel time basing on both GPS and RFID data
CN112435469B (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
CN111667689B (zh) 车辆旅行时间预测的方法、设备和计算机设备
Stipancic et al. Impact of congestion and traffic flow on crash frequency and severity: application of smartphone-collected GPS travel data
Huang et al. Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models
Allström et al. Traffic management for smart cities
Gore et al. Congestion index and reliability-based freeway level of service
Abidin et al. Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models
Yedavalli et al. Microsimulation analysis for network traffic assignment (MANTA) at metropolitan-scale for agile transportation planning
CN111626519A (zh) 一种航班到达时间预测方法、装置和电子设备
US20190088116A1 (en) Predicting vehicle travel times by modeling heterogeneous influences between arterial roads
Choi et al. Field implementation feasibility study of cumulative travel‐time responsive (CTR) traffic signal control algorithm
Chen et al. Using automatic passenger counter data in bus arrival time prediction
Heshami et al. A queue length estimation and prediction model for long freeway off-ramps
Zhang et al. Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model
Fahs et al. Traffic congestion prediction based on multivariate modelling and neural networks regressions
Gracious et al. Performance Evaluation of Passenger Information Systems
CN105303246A (zh) 一种多线路公交到站时间预测方法
US20150348407A1 (en) Recommendation Engine Based on a Representation of the Local Environment Augmented by Citizen Sensor Reports
Cai Collaborative prediction for bus arrival time based on CPS
CN115206102A (zh) 确定交通路径的方法、装置、电子设备和介质

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