[發明專利]基于交通大數據的行程時間融合預測及查詢方法

有效

• 申請號: 201610075689.3
• 申請日: 2016-02-02
• 公開（公告）號: CN105679021B
• 公開（公告）日: 2018-11-06
• 發明（設計）人: 付建勝;王川久;熊正榮;譙志;王少飛
• 申請（專利權）人: 招商局重慶交通科研設計院有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 重慶中流知識產權代理事務所(普通合伙) 50214
• 代理人: 陳立榮

1.一種基于交通大數據的行程時間融合預測方法，其特征在于，對所有在線車輛上傳的數據進行離線計算或訓練來獲取各類預測模型及參數，依據各類預測模型及參數建立并動態更新數據字典；調用各類預測模型及參數，并結合實時路段和路徑的行程時間數據，對路網或單車的交通狀態進行預測；所述數據字典包括車輛數據字典、路段數據字典和路徑數據字典；所述在線車輛是指注冊入網并自動上傳定位和速度數據的車輛；其中，

所述各類預測模型及參數包括路段或路徑行程時間數據的周期規則模型、路段或路徑行程時間的統計規則模型、路段或路徑行程時間的長時預測模型、路段或路徑行程時間的短時預測模型、路段或路徑行程時間的長短時融合預測模型和交叉口延誤關聯分析模型；其中，

采用周期律級數逼近PLSA算法，Periodic Law Series Approximation，PLSA，獲取路段或路徑行程時間數據周期規則模型，并采用最小二乘法LSM，Least Square Method，LSM，求解逼近模型參數；

采用統計規律提取SRE算法，Statistical Rule Extraction，SRE，獲取路段或路徑行程時間統計規則模型，并采用核密度估計KDE算法，Kernel Density Estimation，KDE，獲取路段或路徑行程時間的概率密度變化規律；

采用長時滾動糾偏預測LRCF算法，Long-time Rolling Correction Forecast，LRCF，獲取路段或路徑行程時間長時預測模型，并通過離線計算獲取長時預測模型參數，通過在線計算快速實現路段或路徑行程時間預測；

采用短時滾動擬合預測SRFF算法，Short-time Rolling Fitting Forecast，SRFF，獲取路段或路徑行程時間短時預測模型，并采用時間序列自回歸滑動平均ARMA算法 ，Auto-Regressive and Moving Average，ARMA，構造短時預測模型，并采用最小二乘法LSM，LeastSquare Method，LSM，求解模型參數；

采用篩狀融合預測SFF算法，Sieve Fusion Forecast，SFF，獲取路段或路徑行程時間長短時融合預測模型，并通過離線訓練，采用高斯-牛頓迭代法GNIM，Guassian-NewtonIterative Method，GNIM，獲取融合預測模型參數；

采用交叉口延誤關聯分析IDCA算法，Intersection Delay Correlation Analysis，IDCA，構造交叉口延誤關聯分析模型，并通過最小二乘法LSM，Least Square Method，LSM，求解模型參數，通過離線訓練獲取模型參數，通過在線計算實現路徑行程時間的快速補償；

其中，所述長時預測是指通過LRCF算法獲取路段或路徑行程時間的長時預測值，長時預測時長的取值范圍設定為0分鐘到3個月，具體的長時預測時長在用戶選定的預測時長基礎上通過線性折算來獲取；所述短時預測是指通過SRFF算法獲取路段或路徑行程時間的短時預測值，短時預測時長的取值范圍設定為0分鐘到3個小時，具體的短時預測時長在用戶選定的預測時長基礎上通過線性折算來獲取。

2.根據權利要求1所述基于交通大數據的行程時間融合預測方法，其特征在于，對所有在線車輛上傳的數據進行離線計算或訓練，以獲取各類預測模型及參數，包括，設定每天從0:00時到24:00時為一個完整循環周期，按照工作日、星期六、星期日或節假日的出行方式對行程時間數據進行出行類型劃分，獲取出行類型的出行編號；每個周期的行程時間數據按照時間的先后順序排列成一個行程時間序列。