CN111693060B - 基于拥塞等级预测分析的路径规划方法 - Google Patents

Abstract

本发明提出了基于拥塞等级预测分析的路径规划方法，主要解决现有技术对实时数据需求量大和预测复杂的问题。其方案是：由道路平均速度和划分的道路等级判断某条道路的状态，综合道路拓扑结构、时间和天气这些因素，统计不同道路条件和其对应的道路状态；分析统计数据得出不同条件下道路状态的一步转移概率，建立一步转移概率与道路条件的对应关系；根据对应关系和预测道路的当前道路条件得出预测道路状态转移链；根据该链的一步转移概率矩阵得出预测道路由当前状态转移到某种状态的概率，根据该概率和概率阈值的比较判断道路是否可通行。本发明降低了对实时交通数据的需求量，减小了预测的复杂性，可用于城市道路网络中车辆出行时的通行路径选择。

Description

基于拥塞等级预测分析的路径规划方法

技术领域

本发明属于智能交通技术领域，具体涉及一种路径规划方法，可用于城市道路网络中车辆出行时的通行路径选择。

背景技术

城市交通是城市生活的重中之重，是衡量城市文明的重要标志。随着社会经济的高速发展，城市交通需求的迅速增长，交通问题已经成为城市发展过程中急待解决的问题。而交通拥塞作为交通问题最显著的表现形式，直接导致了交通事故、驾驶时间浪费、运营成本上升、空气污染等严重问题，这也使得交通拥塞成为制约城市经济和社会发展的关键。

近年来，城市道路的拥塞现象日益严重，直接影响了城市交通网络的整体运行效率，如果不加以调解，可能导致更加严重的拥堵现象甚至更大的损失，这就使得车辆路径规划在城市交通中成为必要。城市道路中的路径规划为可能到达拥塞路段的车辆提供即时的路径规划，使其有效避开拥塞路段并选择合适的路线到达目的地，从而大大缓解交通拥塞，减轻交通压力。

针对城市交通路径规划的方法研究，目前的方法可分为两种类型：

第一种是反应性路径规划策略，其只基于道路网络的当前状况，为车辆提供当前最佳路线，不考虑未来的交通状况。此策略利用车载GPS、环路探测器、摄像机等车载设备和道路网络中布设的基础设施采集实时交通信息，根据驾驶员的出行时间等因素，计算最短路径。

第二种是预测性路径规划策略，该预测性的路线选择策略是利用交通预测模型来预测道路网络中的未来交通状况，并为车辆提供预期的路径规划。预测性路径规划策略目前主要分为两种：一种是基于交通预测模型的，主要有短期交通流量预测和拥塞传播预测，另一种是主动路由策略。前者主要是通过有效处理和分析历史数据，构建交通流量预测模型，例如卡尔曼滤波、神经网络、模糊技术，拥塞传播预测模型是根据模型来预测短期内的实时交通流量或拥塞波及的范围，进而避开流量较大或拥塞波及路段进行路径规划。后者主要是监测车辆的出行路线上是否出现拥堵，若出现，则采用相应的算法进行路线更改，期间也会考虑其他车辆的预测路线。

上述两种策略相比而言，反应性路径规划策略系统复杂性较低，在规划过程中需要采集大量的实时交通数据，数据传输时延可能会导致出现故障，而且系统可能为同时刻车辆提供相同的更改路径，将拥堵从一条路转移到另一条路，路径规划策略不稳定。而预测性策略系统复杂性高，相比反应性策略具有更高的稳定性和鲁棒性。但上述两种预测性路径规划方式中，前者需要大量的计算以确定预测模型，而且考虑的影响因素不够全面，后者需要不断检测可能出现的拥堵情况，考虑不同路上大量的预测路线也会使算法复杂化。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于拥塞等级预测分析的路径规划方法，以降低对实时交通数据的需求和系统复杂性，缓解交通拥塞，减轻交通压力。

本发明的技术方案是：通过将城市道路上的拥塞程度划分为四个等级，综合考虑各道路拓扑结构、时间和天气等影响拥塞等级的因素，构建状态空间为四个拥塞等级的马尔可夫模型，从而判断车辆在到达某路段时的拥塞程度的概率，通过对道路拥塞程度的判断来进行路径规划，具体实现步骤包括如下：

(1)输入城市道路探测线圈数据或其他道路传感器数据；

(2)提取探测线圈中某条道路的平均速度数据，并根据道路状态划分的畅通、轻微堵塞、堵塞、严重堵塞这四个等级各自速度范围，判断该道路状态；

(3)确定道路条件，包括道路拓扑结构、时间、天气，并为这些因素赋予相应的变量值，每隔一个时间段统计一次在不同条件下的道路状态；

(4)将马尔可夫链中一个统计时间段后某一道路状态转移到另一状态的概率定义为一步转移概率，根据(3)中大量的统计数据，得出不同条件下各道路状态之间的一步转移概率，将每个道路条件下的一步转移概率依次连接组合，得出每个道路条件下的马尔可夫链；

(5)对(3)和(4)统计数据中道路条件和相应的一步转移概率进行机器学习，得出一步转移概率和道路拓扑结构、时间、天气这些道路条件的对应关系；

(6)将预测道路的道路条件作为输入量，通过(5)中的对应关系得出预测道路状态的一步转移概率，将该条件下的一步转移概率依次连接组合，得出一条确定的马尔可夫链作为预测道路状态转移链；

(7)通过预测道路状态转移链的一步转移概率矩阵计算此道路从当前状态经k步转移后转移到某个状态的概率

即该车辆到达预测道路时处于某种拥塞程度或畅通的概率，k由车辆从当前位置到预测道路经过的时间来确定；

(8)将不同道路状态的概率阈值分别设为d_j,j∈{1,2,3,4}，将

分别与d_j进行比较，判断预测道路是否可以通行：若同时满足

则预测道路可通行，选择车辆路线中下一段道路进行预测；否则，该预测道路不可通行，为车辆重新选择行驶路线再进行预测。

本发明与现有技术相比，具有以下优点：

(1)能避开拥塞，减轻交通压力。

本发明基于预测模型的预测性路径规划策略，其通过对大量历史数据的分析得出了马尔可夫链预测模型，只需提供预测道路的当前道路条件和当前道路状态，即可预测某段时间后预测道路的道路状态，以提示该道路在某段时间后是否便于通行。该预测模型使得系统对实时数据的需求大大降低，只需提供少量的实时信息即可得到与其他路径规划方法相同的结果，相比于现有的反应性路径规划策略，大大减小了大量实时数据传输时延，使路径规划可以更稳定地避开道路拥塞，缓解交通拥塞，减轻交通压力。

(2)降低了预测的复杂度。

本发明根据大量历史数据统计不同的道路条件和相应的一步转移概率，通过机器学习得出两者的对应关系，由对应关系得出每个道路条件对应的马尔可夫链预测模型，从而预测某个时间的道路状态。相比于现有的预测拥塞传播的因果树算法和预测车流量的卡尔曼滤波、神经网络、模糊技术方法，大大降低了预测复杂度，减轻了计算负担。

(3)预测范围较宽泛，容错率较高。

本发明中将道路状态划分为四个等级，每个等级限定在某个速度范围内，并通过将最后得出的处于每种道路状态的预测概率与道路可通行的概率范围进行比较判定出预测道路是否可通行。相比于现有的较为精确的交通流量预测方法，降低了对预测精准度的要求，提高了预测的容错率。

(4)预测更为准确。

本发明通过道路拓扑结构、时间、天气这些道路条件进行预测，期间考虑道路平均速度来判断道路状态。相比于现有的车流量预测只考虑车流量因素，拥塞传播范围预测只考虑道路拓扑结构和车流量因素，本发明由于考虑的影响因素相对较为全面，对道路状态的预测更为准确。

附图说明

图1为本发明的实现流程框图；

图2为本发明中的马尔可夫链转移示意图；

具体实施方式

以下结合附图和实施例，对本发明作进一步详细描述：

参照图1，本发明包括如下步骤：

步骤1，获取城市道路探测线圈数据或其他道路传感器数据。

城市道路探测线圈通常位于道路周围或掩埋于道路下面，可以通过感应车辆的到达和离开来计算车辆行驶速度；其他道路传感器包括道路摄像头、超声波传感器、地磁传感器，这些设备都可以轻易获得车辆的行驶速度；

对得到的某时刻所有车辆的行驶速度求平均即可得出道路平均速度，这个数据可由探测线圈或道路传感器直接提供。

步骤2，根据探测线圈提供的道路平均速度数据和道路状态四个等级各自速度范围判断出当前道路状态。

所述道路状态的四个等级为：畅通、轻微堵塞、堵塞、严重堵塞。

具体实施步骤如下：

2a)将道路状态四个等级l₁～l₄的速度范围或阈值用变量表示，即：

畅通状态l₁的阈值为v_1l；

轻微堵塞状态l₂的速度范围为v_2l～v_2h；

堵塞状态l₃的速度范围为v_3l～v_3h；

严重堵塞状态l₄的阈值为v_4h；

2b)设探测线圈提供的道路平均速度为v_i，将v_i与不同等级的速度范围或阈值进行比较来判断当前道路的道路状态：

若v_i≥v_1l，则此时道路状态为畅通；

若v_2l≤v_i≤v_2h，则此时道路状态为轻微堵塞；

若v_3l≤v_i≤v_3h，则此时道路状态为堵塞；

若v_i≤v_4h，则此时道路状态为严重堵塞。

步骤3，将道路条件进行量化，每隔一个时间段统计一次不同道路条件下的道路状态。

所述的道路条件包括道路拓扑结构、时间、天气三个因素。

具体实施步骤如下：

3a)对道路条件包含的三个因素进行量化：

将道路拓扑结构表示为R_i＝{R_1i,R_2i,R_3i}，其中i∈{1,2,...,m}表示不同的道路，R_1i,R_2i,R_3i分别表示道路i的道路长度、道路等级以及道路紧密性；

将时间表示为T_t＝{T_1t,T_2t,T_3t}，其中T_1t,T_2t,T_3t分别表示t时刻在一天中是否为高峰期、在一个星期中是否为工作日及在一年中是否为节假日或旅游旺季；

将天气表示为W_t＝{W_1t,W_2t}，其中W_1t,W_2t分别表示在t时刻时是否为雨雪天气、出行气温是否可接受；

3b)设道路总数为m，统计一条道路上不同条件下的道路状态，即从一天的固定时间开始检测，每隔5分钟检测一次，记录下当时状态与道路条件，得到该条道路上的不同时刻的状态为S₁＝{l_t|R₁,T_t,W_t}，其中t＝{t₁,t₂,...,t_n,...}，t_n表示第n次检测状态的时刻,l_t表示在t时刻道路的状态；

3c)对其他道路以相同方式进行道路状态检测，得出相应的状态集S₂＝{l_t|R₂,T_t,W_t},S₃＝{l_t|R₃,T_t,W_t},…,S_i＝{l_t|R_i,T_t,W_t},…,S_m＝{l_t|R_m,T_t,W_t}，其中t＝{t₁,t₂,...,t_n,...}，将所有道路下的道路状态写入一个集合中，可得出全部状态集S＝{S_i|i∈{1,2,...,m}}，即所有不同道路条件下的道路状态。

步骤4，根据步骤3中大量的统计数据，得出不同条件下各道路状态之间的一步转移概率，将每个道路条件下的一步转移概率依次连接组合，得出每个道路条件下的马尔可夫链。

其中一步转移概率指的是：经过一个统计时间段后，从马尔可夫链某一状态转移到另一状态的概率。在此处具体指的是：在某个道路条件下的马尔可夫链中，道路状态经5分钟由一个状态转移到另一个状态的概率。

本步骤的具体实施如下：

4a)将步骤3中所述的道路条件变量综合为一个总体变量X＝{X_u|u∈{1,2,...,L}}＝unique{R_i,T_t,W_t|i∈{1,2,...,m},t＝{t₁,t₂,...,t_n,...}}，表示在所有道路条件中不重复道路条件的集合，其中L表示集合X长度，X_u为其中一种道路条件；R_i表示道路i的拓扑结构，T_t表示t时刻是否为高峰期、工作日、节假日或旅游旺季，W_t表示t时刻是否为雨雪天气、出行气温是否可接受；

4b)对不同X_u的一步转移概率进行统计：

4b1)将任何道路条件下的道路状态的四个状态等级用l₁～l₄表示，其中l₁表示畅通状态、l₂表示轻微堵塞状态、l₃表示堵塞状态、l₄表示严重堵塞状态；将这四种状态依次排列，其互相挨着的为相邻状态，道路状态的一步转移只能转移到原状态或相邻状态，即：

畅通状态l₁的转移状态为：畅通状态l₁、轻微堵塞状态l₂；

轻微堵塞状态l₂的转移状态为：畅通状态l₁、轻微堵塞状态l₂、堵塞状态l₃；

堵塞状态l₃的转移状态为：轻微堵塞状态l₂、堵塞状态l₃、严重堵塞状态l₄；

严重堵塞状态l₄的转移状态为：堵塞状态l₃、严重堵塞状态l₄；

4b2)统计固定道路条件X₁各状态的一步转移概率：

4b21)设固定道路条件X₁下的道路状态为l₂，在所有道路状态集S中，对X₁条件下的道路状态从l₂一步转移到l₁、l₂或l₃状态的转移次数进行统计，得统计数目分别为q₂₁、q₂₂、q₂₃；

4b22)设在固定道路条件X₁下从状态l₂一步转移到状态l₁、l₂和l₃的概率分别为p₂₁、p₂₂、p₂₃，分别表示如下：

p₂₁＝q₂₁/(q₂₁+q₂₂+q₂₃)，

p₂₂＝q₂₂/(q₂₁+q₂₂+q₂₃)，

p₂₃＝q₂₃/(q₂₁+q₂₂+q₂₃)；

4b23)对固定道路条件X₁下处于l₁、l₃和l₄状态的一步转移次数进行相同的统计，以同样的方法得出该状态对应的一步转移概率，即：

状态l₁的转移状态有l₁、l₂，对应的转移概率分别为p₁₁、p₁₂；

状态l₃的转移状态有l₂、l₃和l₄，对应的转移概率为p₃₂、p₃₃、p₃₄；

状态l₄的转移状态有l₃、l₄，对应的转移概率为p₄₃、p₄₄；

4b3)重复4b2)操作，对X中其他道路条件下的各状态一步转移概率进行统计，即可得出其他道路条件下各状态的一步转移概率；

4c)将固定道路条件X₁各状态一步转移概率进行依次连接，得出该条件下相应的马尔可夫链，将其他道路条件下各状态一步转移概率进行依次连接，得出这些条件下相应的马尔可夫链，如图2所示。

步骤5，根据统计数据得出一步转移概率和道路条件的对应关系。

具体实施步骤如下：

5a)对步骤3和步骤4的统计数据中道路条件和相应的一步转移概率进行机器学习，得出一步转移概率p₂₃和道路条件X_u的对应关系：

5a1)设P₂₃＝[p₂₃|X₁…p₂₃|X_u…p₂₃|X_L]^T，其表示在所有不同道路条件X_u下轻微堵塞状态l₂向堵塞状态l₃转移的一步转移概率p₂₃的组合向量，u∈{1,2,...,L},L表示道路条件集合X的向量长度，即道路条件的种类，X＝{X₁,X₂,...,X_L},表示所有道路条件集合，符号^T表示矩阵的转置；

5a2)将P₂₃和P₂₃中每个元素对应的道路条件作为输入，对P₂₃＝X^T·A₂₃ ^T进行学习得出因子向量A₂₃＝[a₄₁ a₄₂ … a₄₇]，该A₂₃表示根据道路条件X_u预测其对应的一步转移概率p₂₃的7维因子向量，7表示道路条件X_u的向量长度；

5a3)输入道路条件X_u，并根据因子向量A₂₃得出X_u与一步转移概率p₂₃的对应关系:p₂₃＝A₂₃·X_u ^T＝[a₄₁ a₄₂ … a₄₇]·X_u ^T；

5b)重复(5a)操作，得出其他一步转移概率p₁₁,p₁₂,p₂₁,p₂₂,p₃₂,p₃₃,p₃₄,p₄₃,p₄₄的因子向量A₁₁,A₁₂,A₂₁,A₂₂,A₃₂,A₃₃,A₃₄,A₄₃,A₄₄，随之得出一步转移概率与道路条件X_u的对应关系；

5c)设任意道路条件下所有道路状态的一步转移概率组合向量为10维向量P＝[p₁₁p₁₂ p₂₁ p₂₂ p₂₃ p₃₂ p₃₃ p₃₄ p₄₃ p₄₄]^T，10表示任意道路条件X_u下一步转移概率的类别数；设所有条件下一步转移概率的因子向量组合为10×7因子矩阵A＝[A₁₁ A₁₂ A₂₁ A₂₂ A₂₃ A₃₂ A₃₃A₃₄ A₄₃ A₄₄]^T，符号^T表示矩阵的转置；

5d)将(5a)和(5b)得出的对应关系写入(5c)的组合向量P和A中，得出道路条件X_u和该条件下所有一步转移概率的总对应关系，即：

步骤6，根据道路条件和相应一步转移概率的对应关系得出预测道路状态转移链。

具体实施步骤如下：

6a)设预测道路的道路条件在此时为X_u，并将其作为输入量；

6b)将此时道路条件X_u输入到5d)得出的道路条件与各状态一步转移概率的对应关系P＝A·X_u ^T中，得出X_u道路条件下一步转移概率组合向量P，其中A已知，表示因子矩阵；

6c)将X_u道路条件下的一步转移概率依次连接，得出该道路条件下的马尔可夫链，即预测道路状态转移链，如图2所示。

步骤7，通过预测道路状态转移链的一步转移概率矩阵，计算预测道路由当前状态经k步转移到某个状态的概率。

7a)设预测道路从当前状态经k步转移到l_j状态的概率为

设车辆到达预测路段所需的时间为t_d，则车辆到达指定路段时的状态转移步数

7b)根据预测道路状态转移链的一步转移概率组合向量P，得出该链的一步转移概率矩阵P_u为：

其中，a_ij表示道路状态由状态l_i一步转移到状态l_j的概率，i,j∈{1,2,3,4}；

7c)对k个一步转移概率矩阵P_u求内积，得到预测道路状态转移链的k步转移概率矩阵P_u ^k为：

其中，b_ij表示道路状态由状态l_i经k步转移到状态l_j的概率，i,j∈{1,2,3,4}；

7d)设此时预测道路的当前道路状态为状态l_i，根据7c)中的k步转移概率矩阵P_u ^k，得到状态l_i经k步转移到状态l_j的概率为：

步骤8，根据预测得出的道路状态概率和设定的概率阈值的道路通行情况进行预测。

8a)将不同道路状态的概率阈值分别设为d_j,j∈{1,2,3,4}，即：

畅通状态l₁的概率阈值为d₁；

轻微堵塞状态l₂的概率阈值为d₂；

堵塞状态l₃的概率阈值为d₃；

严重堵塞状态l₄的概率阈值为d₄；

8b)将步骤7中得出的预测道路经k步转移由当前状态转移到状态l_j的概率

分别与d_j进行比较：

若同时满足

的条件，则预测道路可通行，执行8c)；

否则，该预测道路不可通行，执行8d)；

8c)在GPS提供的车辆当前行驶路径中选择其他路段进行预测，得出下一预测路段在某段时间后处于某种状态的概率，重复8b)操作判断该道路是否可通行，直到到达目的地；

8d)通过GPS重新选择不包含此预测道路的路线，对新路线中的某个路段道路状态进行预判，直到找到可行的路线到达目的地。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于拥塞等级预测分析的路径规划方法，其特征在于，包括如下：

(1)输入城市道路探测线圈数据或其他道路传感器数据；

(2)提取探测线圈中某条道路的平均速度数据，并根据道路状态划分的畅通、轻微堵塞、堵塞、严重堵塞这四个等级各自速度范围，判断该道路状态；

(3)确定道路条件，包括道路拓扑结构、时间、天气，并为这些因素赋予相应的变量值，每隔一个时间段统计一次在不同条件下的道路状态；对道路条件的量化以及不同条件下的道路状态的统计，实现如下：

(3a)对道路条件进行量化：

将道路拓扑结构表示为R_i＝{R_1i,R_2i,R_3i}，其中i表示不同的道路，R_1i,R_2i,R_3i分别表示道路i的道路长度、道路等级以及道路紧密性；

将时间表示为T_t＝{T_1t,T_2t,T_3t}，其中T_1t,T_2t,T_3t分别表示t时刻在一天中时间是否为高峰期、一个星期中时间是否为工作日及一年中时间是否为节假日或旅游旺季；

将天气表示为W_t＝{W_1t,W_2t}，其中W_1t,W_2t分别表示在t时刻时是否为雨雪天气、出行气温是否可接受；

(3b)设道路总数为m，统计一条道路上不同条件下的道路状态，即从一天的固定时间开始检测，每隔5分钟检测一次，记录下当时状态与道路条件，得到该条道路上的不同时刻的状态为S₁＝{l_t|R₁,T_t,W_t}，其中t＝{t₁,t₂,...,t_n,...}，t_n表示第n次检测状态的时刻,l_t表示在t时刻道路的状态；

(3c)对其他道路以相同方式进行道路状态检测，得出相应的状态集S₂＝{l_t|R₂,T_t,W_t},S₃＝{l_t|R₃,T_t,W_t},…,S_m＝{l_t|R_m,T_t,W_t}，其中t＝{t₁,t₂,...,t_n,...}，即可得出全部状态集S＝{S_i|i∈{1,2,...,m}}；

(4)将马尔可夫链中一个统计时间段后某一道路状态转移到另一状态的概率定义为一步转移概率，根据(3)中大量的统计数据，得出不同条件下各道路状态之间的一步转移概率，将每个道路条件下的一步转移概率依次连接组合，得出每个道路条件下的马尔可夫链；

(5)对(3)和(4)统计数据中道路条件和相应的一步转移概率进行机器学习，得出一步转移概率和道路拓扑结构、时间、天气这些道路条件的对应关系；

(6)将预测道路的道路条件作为输入量，通过(5)中的对应关系得出预测道路状态的一步转移概率，将该条件下的一步转移概率依次连接组合，得出一条确定的马尔可夫链作为预测道路状态转移链；

(7)通过预测道路状态转移链的一步转移概率矩阵计算此道路从当前状态经k步转移后转移到某个状态的概率

即车辆到达预测道路时处于某种拥塞程度或畅通的概率，k由车辆从当前位置到预测道路经过的时间来确定；

(8)将不同道路状态的概率阈值分别设为d_j,j∈{1,2,3,4}，将

分别与d_j进行比较，判断预测道路是否可以通行：若同时满足

则预测道路可通行，选择车辆路线中下一段道路进行预测；否则，该预测道路不可通行，为车辆重新选择行驶路线再进行预测。

2.根据权利要求1所述的方法，其特征在于，(2)中根据道路状态等级的划分对道路状态进行判断，实现如下：

(2a)将道路状态四个等级l₁～l₄的速度范围或阈值分别设为：畅通v_1l、轻微堵塞v_2l～v_2h、堵塞v_3l～v_3h、严重堵塞v_4h；

(2b)设检测到的道路平均速度为v_i，将v_i与不同等级的速度范围或阈值进行比较：

若v_i≥v_1l，则此时道路状态为畅通；

若v_2l≤v_i≤v_2h，则此时为轻微堵塞；

若v_3l≤v_i≤v_3h，则此时为堵塞；

若v_i≤v_4h，则此时道路状态为严重堵塞。

3.根据权利要求1所述的方法，其特征在于，(4)中通过大量数据统计不同条件下道路状态之间一步转移概率，实现如下：

(4a)将(3a)中所述的道路条件变量综合为一个总体变量X＝{X_u|u∈{1,2,...,L}}，其中L表示集合X长度，{X_u|u∈{1,2,...,L}}＝unique{R_i,T_t,W_t|i∈{1,2,...,m},t＝{t₁,t₂,...,t_n,...}}，表示在所有道路条件中不重复道路条件的集合，X_u为其中一种道路条件；R_i表示道路i的拓扑结构，T_t表示t时刻是否为高峰期、工作日、节假日或旅游旺季，W_t表示t时刻是否为雨雪天气、出行气温是否可接受；

(4b)对不同X_u的一步转移概率进行统计：

(4b1)将任何道路条件下的道路状态的四个状态等级用l₁～l₄表示，其中l₁表示畅通状态、l₂表示轻微堵塞状态、l₃表示堵塞状态、l₄表示严重堵塞状态；将这四种状态依次排列，其互相挨着的为相邻状态，道路状态的一步转移只能转移到原状态或相邻状态，即：

畅通状态l₁的转移状态为：畅通状态l₁、轻微堵塞状态l₂；

轻微堵塞状态l₂的转移状态为：畅通状态l₁、轻微堵塞状态l₂、堵塞状态l₃；

堵塞状态l₃的转移状态为：轻微堵塞状态l₂、堵塞状态l₃、严重堵塞状态l₄；

严重堵塞状态l₄的转移状态为：堵塞状态l₃、严重堵塞状态l₄；

(4b2)统计固定道路条件X₁各状态一步转移概率：

(4b21)设固定道路条件X₁下的道路状态为l₂，在所有道路状态集S中，对X₁条件下的道路状态从l₂一步转移到l₁、l₂或l₃状态的转移次数进行统计，得统计数目分别为q₂₁、q₂₂、q₂₃，该情况下的一步转移具体指时刻t_n时状态为l₂，经过5分钟后，在时刻t_n+1时状态转移为l₁、l₂或l₃；

(4b22)设在固定道路条件X₁下从状态l₂一步转移到状态l₁、l₂和l₃的概率分别为p₂₁、p₂₂、p₂₃：

p₂₁＝q₂₁/(q₂₁+q₂₂+q₂₃)，p₂₂＝q₂₂/(q₂₁+q₂₂+q₂₃)，p₂₃＝q₂₃/(q₂₁+q₂₂+q₂₃)；

(4b23)对固定道路条件X₁下处于l₁、l₃和l₄状态的一步转移次数进行相同的统计，以同样的方法得出该状态对应的一步转移概率，即：

状态l₁的转移状态有l₁、l₂，对应的转移概率分别为p₁₁、p₁₂；

状态l₃的转移状态有l₂、l₃和l₄，对应的转移概率为p₃₂、p₃₃、p₃₄；

状态l₄的转移状态有l₃、l₄，对应的转移概率为p₄₃、p₄₄；

(4b3)重复(4b2)操作，对X中其他道路条件下的各状态一步转移概率进行统计。

4.根据权利要求1所述的方法，其特征在于，(5)中对道路条件和其对应的各状态一步转移概率进行机器学习得出两者之间的对应关系，实现如下：

(5a)通过机器学习得出一步转移概率p₂₃和道路条件X_u的对应关系：

(5a1)设P₂₃＝[p₂₃|X₁…p₂₃|X_u…p₂₃|X_L]^T，其表示在所有不同道路条件X_u下轻微堵塞状态l₂向堵塞状态l₃转移的一步转移概率p₂₃的组合向量，u∈{1,2,...,L},L表示道路条件集合X的向量长度，即道路条件的种类，X＝{X₁,X₂,...,X_L},表示所有道路条件集合，符号^T表示矩阵的转置；

(5a2)将P₂₃和P₂₃中每个元素对应的道路条件作为输入，对P₂₃＝X^T·A₂₃ ^T进行学习得出因子向量A₂₃＝[a₄₁ a₄₂…a₄₇]，该A₂₃表示根据道路条件X_u预测其对应的一步转移概率p₂₃的7维因子向量，7表示道路条件X_u的向量长度；

(5a3)输入道路条件X_u，根据因子向量A₂₃得出X_u和一步转移概率p₂₃的对应关系:p₂₃＝A₂₃·X_u ^T＝[a₄₁ a₄₂…a₄₇]·X_u ^T；

(5b)重复(5a)操作，得出其他一步转移概率p₁₁,p₁₂,p₂₁,p₂₂,p₃₂,p₃₃,p₃₄,p₄₃,p₄₄的因子向量及这些一步转移概率与道路条件X_u的对应关系；

(5c)设任意道路条件下所有道路状态的一步转移概率组合向量为10维向量P＝[p₁₁ p₁₂p₂₁ p₂₂ p₂₃ p₃₂ p₃₃ p₃₄ p₄₃ p₄₄]^T，10表示任意道路条件X_u下一步转移概率的类别数；设所有条件下一步转移概率的因子向量组合为10×7因子矩阵A＝[A₁₁ A₁₂ A₂₁ A₂₂ A₂₃ A₃₂ A₃₃ A₃₄A₄₃ A₄₄]^T，符号^T表示矩阵的转置；

(5d)将(5a)和(5b)得出的对应关系写入(5c)的组合向量P和A中，得出道路条件X_u和该条件下所有一步转移概率的总对应关系，即：

5.根据权利要求4所述的方法，其特征在于，(6)中基于一步转移概率和道路条件的对应关系得出预测道路的一步转移概率，实现如下：

(6a)设预测道路的道路条件在此时为X_u；

(6b)将此时道路条件X_u输入到(5d)得出的道路条件与各状态一步转移概率的对应关系P＝A·X_u ^T中，得出X_u道路条件下一步转移概率组合向量P，其中A已知，表示因子矩阵。

6.根据权利要求1所述的方法，其特征在于，(7)中根据预测道路状态转移链的一步转移概率矩阵预测某车辆到达预测道路时的道路状态，实现如下：

(7a)通过GPS或其他手段得到某车辆到达预测路段所需的时间t_d，则车辆到达指定路段时的状态转移次数

(7b)设预测道路状态转移链的一步转移概率矩阵为P_u，即：

其中，a_ij表示道路状态由状态l_i一步转移到状态l_j的概率，i,j∈{1,2,3,4}；

(7c)对k个一步转移概率矩阵P_u求内积，得到k步转移概率矩阵P_u ^k为：

其中，b_ij表示道路状态由状态l_i经k步转移到状态l_j的概率，i,j∈{1,2,3,4}；

(7d)设此时预测道路的当前道路状态为状态l_i，根据(7c)中的k步转移概率矩阵P_u ^k，得到状态l_i经k步转移到状态l_j的概率为：

Images