[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

本發明基于交通大數據的行程時間融合預測方法及查詢方法，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。本發明的有益技術效果是克服了現有技術路網或單車的交通狀態預測方法存在的實時性較差、通用性較差和實用性不強等問題，大幅提高了測精度，同時大幅提高了在線預測的速度，保證了工程應用中的實時性、實用性和通用性。

技術領域

本發明涉及到路網或單車的交通狀態預測技術，特別涉及到一種基于交通大數據的行程時間融合預測及查詢方法。

背景技術

現有的路網或單車交通狀態預測方法主要利用浮動車或路側設備提供的交通數據，甚至只依賴路側設備提供的交通數據來預測路網或單車的交通狀態。這類方法主要通過路側設備直接獲取路網流量、平均速度等交通信息，或者通過對浮動車數據進行二次加工來獲取某類交通信息，并基于路網拓撲，采用模型遞推方式進行預測，預測的交通信息主要集中在交通三要素，導致推廣面不廣，推廣價值也不高，即存在通用性問題，這給業務擴展造成較大困擾。并且，現有方法通常從順時向去考慮浮動車數據的影響，通常會忽略掉浮動車數據的時間因素，并采用線性的數學計算方式，如求和、求均等運算，脫離了路網交通的本原特征，導致交通信息的提取精度和穩定性都不高，實用性也不強。特別是面對結構復雜的海量浮動車數據時，現有的路網或單車交通狀態預測方法通常顯得束手無策。顯然，現有的路網或單車交通狀態預測技術存在著實時性較差、通用性較差和實用性不強等問題。

發明內容

為解決現有的路網或單車交通狀態預測技術存在的實時性較差、通用性較差和實用性不強等問題，本發明提出一種基于交通大數據的行程時間融合預測及查詢方法。

本發明基于交通大數據的行程時間融合預測方法，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。

進一步的，本發明基于交通大數據的行程時間融合預測方法，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。

進一步的，本發明基于交通大數據的行程時間融合預測方法，所述各類預測模型及參數包括路段或路徑行程時間數據周期規則模型、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長時預測模型、路段或路徑行程時間短時預測模型、路段或路徑行程時間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（Periodic Law Series Approximation，PLSA）算法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（Statistical Rule Extraction，SRE）算法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（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（Long-time Rolling Correction Forecast，LRCF）算法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；