CN111710160A - 一种基于浮动车数据的行程时间预测方法 - Google Patents
一种基于浮动车数据的行程时间预测方法 Download PDFInfo
- Publication number
- CN111710160A CN111710160A CN202010484121.3A CN202010484121A CN111710160A CN 111710160 A CN111710160 A CN 111710160A CN 202010484121 A CN202010484121 A CN 202010484121A CN 111710160 A CN111710160 A CN 111710160A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- node
- vehicle
- formula
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000007667 floating Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 21
- 238000004140 cleaning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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"
-
- 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
Abstract
本发明提供一种基于浮动车数据的行程时间预测方法,该方法包括:第一步为数据的清洗,地图定位以及简单的路段节点和平均速度的计算;第二步为对历史轨迹的分析计算出最佳的非最小路径的集合;第三步为通过预测算法对之前计算以及分析的数据进行神经网络的训练。本发明对获取到的轨迹数据进行地图匹配,然后再对数据进行分析计算,最后通过将历史数据通过预测算法进行预测计算,计算得到的路径行程时间更加准确。
Description
技术领域
本发明涉及一种基于出租车行驶数据、地图匹配和预测方法,旨在获取更准 确的路径历史行程时间和可靠的未来行程时间预测算法。
背景技术
随着通讯技术和网络技术的迅猛发展,浮动车数据不再是以出租车行驶数据 为主。根据数据统计早在2015年年底,网约车平台司机总用户数据达到1871.4 万,庞大的网约车基数和出租车基数,使得车辆轨迹数据被大量应用于城市道路 状态分析和行程时间计算等研究中。在日渐拥堵的城市道路给人们出行带来了巨 大的困扰,正确地选择一条合适的出行路径会给出行者节约不少成本。路径的选 择取决于该路线的行程时间和在该时间内顺利到达目的地的可靠性。此外不同的 出行天气会对行程时间产生较大影响,在降雨天气下高德地图对易拥堵路段进行 了标定,方便出行者更好地选择出行方式和路径。传统的路径行程时间计算方法 是计算最小路段行程时间求和或者根据整条路径行程时间进行分析计算,这两种 计算方法存在各自的缺点,首先参考最小路段的行程时间的计算会因为过多的路 段求和出现较大的估计和计算误差,而根据整条路径计算行程时间会因为数据量 的大小而存在差异。本发明发明是采取一种根据非最小路段的计算方法进行行程 时间的计算和预测算法。
发明内容
为了解决上述问题,准确计算路径行程时间,本发明对获取到的轨迹数据进 行地图匹配,然后再对数据进行分析计算,最后通过将历史数据通过预测算法进 行预测计算,定位以及路网局部拓扑结构如图1所示。一共分为三部分:第一部 分为数据的清洗,地图定位以及简单的路段节点和平均速度的计算;第二部分为 对历史轨迹的分析计算出最佳的非最小路径的集合;第三部分为通过预测算法对 之前计算以及分析的数据进行神经网络的训练,方法流程如图2所示。本发明采 用的具体方案如下:
步骤1、节点时刻及路段平均速度计算
首先对车辆行驶轨迹数据进行地图匹配得到每辆车的行驶轨迹GIS数据, 然后计算浮动车经过每个节点的时刻:
(1)一个采样周期内仅出现一个节点
当车辆经过节点速度为0时,时刻计算为
当pn点速度不为0时,时刻计算为
式中:n为车辆经过的节点,Tn为车辆经过节点n的时刻;dn和dn+1为两个 定位点距离节点的距离;tn和tn+1分别为相邻两点的定位时间;v(n,n+1)为相邻两点 间的平均速度;
(2)一个采样周期内存在两个及两个以上节点
当车辆经过节点时刻计算为
式中:Tn+i为车辆经过相邻两个定位点间某一个节点的时刻;dn+i为节点到定 位点的距离;
(3)计算车辆在时间段内行驶的距离:
①道路线型为直线时,根据经纬度信息计算其欧式距离为
haversin(θ)=(1-cosθ)/2
②当路段成非直线时,采用速度—积分模型估计车辆行驶距离
根据车辆在时间段内行驶的距离,计算车辆在子路段里的平均速度为
步骤2、计算路径行程时间
路段数量统计之后,确定第一次匹配的子路径,采用mapminmax[0,1]函数, 对权值进行归一化分析
式中:Y为归一化后的权重值;Xmax,Xmin为数列X的最大值和最小值;xi表示匹 配连续路段的数;Ni表示在样本中连续路段数为xi的数量;
总的行程时间为
式中:T为总的行程时间;ti表示通过LSTM神经网络算法预测的每个子路径的行程时间;
步骤3、预测计算及训练模型
x(t)为历史观测数据,Win是输入层到隐藏层的权值矩阵,Wout则为隐藏层 到输出层的权值矩阵,bout是输出偏倚;
最小损失函数Θ数学表达为
损失函数为
式中,m是预测旅行时间的个数。
附图说明
图1是定位以及路网局部拓扑图。
图2是本发明技术路线图。
图3是周期内单个节点示意图。
图4是周期内多个节点示意图。
图5是数据流向图。
图6是出行路径示意图。
图7是分段匹配流程图。
图8是LSTM循环神经网络图。
具体实施方式
1、节点时刻及路段平均速度计算
对车辆行驶轨迹数据进行地图匹配得到每辆车的行驶轨迹GIS数据,接下 来计算浮动车经过每个节点(交叉口)的时刻,由于轨迹数据采样时间间隔为 12s,按照城市道路一般行驶速度标准在一个采样周期内大概可以行驶130m 左右。为方便计算通过节点的时刻,采用下面方法计算:
(1)一个采样周期内仅出现一个节点。图3中,Sn表示路段编号,Pn表示 定位点,dn与dn+1表示定位点与节点之间的距离。
当pn点速度为0时,考虑可能在等红灯,所以车辆经过节点N时的时间计 算为
当pn点速度不为0时,节点N的时刻可由前定位或后定位点获取。
式中:N车辆经过节点,Tn为车辆经过节点N的时刻;dn和dn+1为两个定位 点距离节点的距离;tn和tn+1分别为相邻两点的定位时间;v(n,n+1)为相邻两点间的 平均速度。
(2)一个采样周期内存在两个及两个以上节点。图4中:N,N+j表示路段 节点,j=1,2,3…n,经过途中任意节点的时间为:
式中:Tn+i为车辆经过相邻两个定位点间某一个节点的时刻;dn+i为节点到定 位点的距离。
计算行驶距离时会出现路段为非直线型和直线型路段,为方便计算定位点到 节点的距离,采用混合距离计算方法。距离计算分为为两部分:
①道路线型类似于直线时,可根据经纬度信息直接计算其欧式距离为
②当路段成非直线时,采用速度—积分模型估计车辆行驶距离,即
已知车辆在时间段内行驶的距离,可求的车辆在子路段里的平均速度为
完成地图匹配和节点时刻、平均速度计算后,将原始的GPS轨迹数据转换成 基于路段ID的轨迹信息表,数据表包含4条属性,分别为:车辆ID、路段ID、 路段末端节点时刻和路段平均行驶速度。
2、路径行程时间计算方法
现有的研究方案中,通常将整个行驶路径划分为最小路段进行旅行时间计算。 在求解的过程中将最小路段行驶时间和交叉口损失时间相加,这样计算固然简单, 但是因为交叉口损失时间的不确定性,使得计算结果存在较大误差。本发明以行 驶轨迹数据和GIS地图数据支撑,对数据进行分析利用数据流向如图5所示。
在已知出行起点及终点的情况下,以最短路径或最优路径为条件选择路径的 基础上,对每条路径进行行程时间的预测。S表示路径集合,每个元素是由道路 名称首字母缩写和编号组成。假设某出行者的路径规划如图6所示:
图6中推荐的路径一共经过了7条道路共计17个路段,可以表示为
本发明计算行程时间不再是将每个最小路段的行程时间单独计算出来最后 单纯相加,而是将路径S根据已存在的历史车辆行驶轨迹逐次匹配,将整条路径 S分成若干子路径,子路径是由最小路段累加获得。匹配方法是把路径S对应的 路段ID序列起始点与基于路段ID序列的每条历史轨迹进行匹配,记录能连续 匹配上的路段数和轨迹的条数。计算每次匹配的权重确定最佳子路径。
路段数量统计之后,确定第一次匹配的子路径,采用mapminmax[0,1]函数, 对权值进行归一化分析。
式中:Y为归一化后的权重值;Xmax,Xmin为数列X的最大值和最小值;xi表示匹 配连续路段的数;Ni表示在样本中连续路段数为xi的数量。最大Y值对应的子 路径作为此次匹配结果,依次重复匹配直至路径L完全匹配成功,过程图如图7 所示:
路径S可表示为子路径的集合,即
路径S组合之后,把每条子路径与基于路段ID的历史轨迹进行匹配,获取 起始时刻,子路径行程时间和子路径平均速度。此时的数据集并不是固定时间间 隔的序列,为方便模型的训练和预测,对序列进行了时间间隔为5min的数据处 理。时间戳精确到分钟,以5的倍数存储。若5min间隔内存在多条数据,行程 时间和平均速度为多条数据均值;若5min内无匹配数据的,取相邻前后两个5 min数据的均值存储。具体的字段信息如表1所示。
表1子路径信息表
总的行程时间为
式中:T为总的行程时间;ti表示通过LSTM神经网络算法预测的每个子路径的行程时间。
3、预测计算及训练模型
本发明构建了一个LSTM循环神经网络如图8所示,该方法是在RNN循环网 络中嵌入LSTM的神经单元。在t时刻下,网络的输入为观测的历史数据x(t),输 出为未来的预测数据通过LSTM单元的输出h(t)得到
图8中,x(t)为历史观测数据,Win是输入层到隐藏层的权值矩阵,Wout则 为隐藏层到输出层的权值矩阵,bout是输出偏倚。本发明设置的输入为表1中连 续的7条数据。
降雨程度的不同,导致行程时间不确定。把降雨量分为0~6共计7个等级[7]其中0表示无降雨,降雨量和降雨等级关系如表2所示。在表1的基础上新增降 雨等级特征,此时LSTM的输入参数为:起始时刻、行程时间(s)、路段平均速 度(km/h)和降雨等级4个特征量。
表2降雨等级
基于时间序列预测的LSTM模型中,主要的内部参数是隐藏层的维数和迭代 次数,训练的同时也会生成参数之间的权重矩阵和参数偏倚。训练时将数据集分 为了3个部分:训练集(80%),验证集(10%),测试集(10%)。网络依靠训练集对 全局损失函数进行调整,通过验证集上的代价函数来选择模型中隐藏层的 维数,最后通过测试集对预测性能进行评估。
最小损失函数Θ数学表达为
损失函数为
影响序列变化关系的重要计算步骤是损失函数L对隐藏状态h(t)和细胞状态 C(t)的梯度求解,损失函数对状态偏倚的梯度求解与对权重求解类似。
Claims (1)
1.一种基于浮动车数据的行程时间预测方法,其特征在于,该方法包括如下步骤:
步骤1、节点时刻及路段平均速度计算
首先对车辆行驶轨迹数据进行地图匹配得到每辆车的行驶轨迹GIS数据,然后计算浮动车经过每个节点的时刻:
(1)一个采样周期内仅出现一个节点
当车辆经过节点速度为0时,时刻计算为
当pn点速度不为0时,时刻计算为
式中:n为车辆经过的节点,Tn为车辆经过节点n的时刻;dn和dn+1为两个定位点距离节点的距离;tn和tn+1分别为相邻两点的定位时间;v(n,n+1)为相邻两点间的平均速度;
(2)一个采样周期内存在两个及两个以上节点
当车辆经过节点时刻计算为
式中:Tn+i为车辆经过相邻两个定位点间某一个节点的时刻;dn+i为节点到定位点的距离;
(3)计算车辆在时间段内行驶的距离:
①道路线型为直线时,根据经纬度信息计算其欧式距离为
haversin(θ)=(1-cosθ)/2
②当路段成非直线时,采用速度—积分模型估计车辆行驶距离
根据车辆在时间段内行驶的距离,计算车辆在子路段里的平均速度为
步骤2、计算路径行程时间
路段数量统计之后,确定第一次匹配的子路径,采用mapminmax[0,1]函数,对权值进行归一化分析
式中:Y为归一化后的权重值;Xmax,Xmin为数列X的最大值和最小值;xi表示匹配连续路段的数;Ni表示在样本中连续路段数为xi的数量;
总的行程时间为
式中:T为总的行程时间;ti表示通过LSTM神经网络算法预测的每个子路径的行程时间;
步骤3、预测计算及训练模型
x(t)为历史观测数据,Win是输入层到隐藏层的权值矩阵,Wout则为隐藏层到输出层的权值矩阵,bout是输出偏倚;
最小损失函数Θ数学表达为
损失函数为
式中,m是预测旅行时间的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484121.3A CN111710160A (zh) | 2020-06-01 | 2020-06-01 | 一种基于浮动车数据的行程时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484121.3A CN111710160A (zh) | 2020-06-01 | 2020-06-01 | 一种基于浮动车数据的行程时间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111710160A true CN111710160A (zh) | 2020-09-25 |
Family
ID=72538323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010484121.3A Pending CN111710160A (zh) | 2020-06-01 | 2020-06-01 | 一种基于浮动车数据的行程时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111710160A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538907A (zh) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
CN113665576A (zh) * | 2021-08-31 | 2021-11-19 | 中国第一汽车股份有限公司 | 车辆行驶工况预测方法、装置、设备及介质 |
Citations (2)
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 |
CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
-
2020
- 2020-06-01 CN CN202010484121.3A patent/CN111710160A/zh active Pending
Patent Citations (2)
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 |
CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
Non-Patent Citations (1)
Title |
---|
王志建 等: "基于LSTM神经网络的降雨天旅行时间预测研究", 《交通运输系统工程与信息》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538907A (zh) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
CN113538907B (zh) * | 2021-07-09 | 2022-05-03 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
CN113665576A (zh) * | 2021-08-31 | 2021-11-19 | 中国第一汽车股份有限公司 | 车辆行驶工况预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
CN107330217B (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN103278168B (zh) | 一种面向交通热点规避的路径规划方法 | |
CN104464310A (zh) | 城市区域多交叉口信号协同优化控制方法及系统 | |
CN109670277A (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
Ghanayim et al. | Modelling bicycle route choice using data from a GPS-assisted household survey | |
CN104658252A (zh) | 基于多源数据融合的高速公路交通运行状态的评估方法 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN110738855B (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
Carisi et al. | Enhancing in vehicle digital maps via GPS crowdsourcing | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN106652441A (zh) | 一种基于时空数据的城市道路交通状态预测方法 | |
CN107945510B (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN113724489B (zh) | 基于多源数据的交通拥堵溯源方法 | |
JP2001504590A (ja) | 走行経路データを算出するための方法 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN112652172B (zh) | 一种基于车辆gps轨迹的路段交通量分析方法 | |
CN111710160A (zh) | 一种基于浮动车数据的行程时间预测方法 | |
Aljamal et al. | Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data | |
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 | |
CN104794895A (zh) | 一种面向高速公路的多源交通信息融合方法 | |
CN114820259A (zh) | 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |