一种基于道路时空关联关系的路段行程时间推断方法技术

本发明专利技术公开了一种基于道路时空关联关系的路段行程时间推断方法，包括步骤1：基于交叉口运行状态对路段行程时间交通数据进行统计；步骤2：基于通行模式周期性提取目标路段与邻接路段之间的特征关系；步骤3：基于三层神经网络模型对目标路段行程时间进行预测。本发明专利技术针对已有方法在数据缺失情况下对路段行程时间估计的不足，利用路段行程时间交通大数据对目标路段行程时间进行推断，解决了由于数据稀疏而不能推断行程时间的问题，最后利用武汉市浮动车GPS历史数据进行了验证，结果证明了本方法的有效性。

【技术实现步骤摘要】
一种基于道路时空关联关系的路段行程时间推断方法
本专利技术属于智能交通
，特别涉及一种基于道路时空关联关系的路段行程时间推断方法。
技术介绍
装有GPS接收器的出租车作为交通状态传感器，采集的信息包括实时速度、时间戳、经纬度坐标以及方位角等，一定程度反映了城市交通的运行状态，对城市路网中路段实时或准实时行程时间的估计发挥重要作用。然而，由于出租车GPS采集的低频性以及行驶区域的局限性，出租车GPS采集的轨迹信息并不能实时覆盖所有城市路网，因此数据存在稀疏性。如何利用稀疏的数据推断路段行程时间是一个亟待解决的问题。目前，已有许多基于模型的方法利用浮动车数据来估计路段行程时间。Jula等在【文献1】中提出了在随机动态网络中估计路段行程时间的数学模型，并用卡尔曼滤波的方法估计未来时刻的路段行程时间；Zheng等在【文献2】中提出了一个三层神经网络模型估计单车路段的行程时间；Jenelius等在【文献3】中提出了一个统计模型用于城市路网行程时间的估计，该模型将轨迹行程时间分为路段行程时间和交叉口延迟时间两部分进行计算。现有模型是在GPS数据充足的情况下，估计路段或轨迹的行程时间，然而，在数据稀疏或缺失情况下，已有的方法不能对路段的行程时间进行有效推断。【文献1】JulaH,DessoukyM,IoannouPA.Real-timeestimationoftraveltimesalongthearcsandarrivaltimesatthenodesofdynamicstochasticnetworks；【文献2】ZhengF,VanZuylenH.Urbanlinktraveltimeestimationbasedonsparseprobevehicledata；【文献3】JeneliusE,KoutsopoulosHN.Traveltimeestimationforurbanroadnetworksusinglowfrequencyprobevehicledata)。
技术实现思路
针对数据稀疏性问题，本专利技术提出了一种基于目标路段及邻接路段特征关系的三层神经网络模型，根据历史数据获得路段间的特征关系，并用该模型进行路段行程时间的推断。对每一个待推断路段，车辆进入路段时间、目标路段与邻接路段的度数比、长度比以及邻接路段速度期望、速度方差作为输入，目标路段与邻接路段的行程时间比作为输出，并用训练的神经网络对路段行程时间进行推断。为解决数据稀疏性造成路段行程时间估计困难的问题，本专利技术提供了一种基于道路时空关联关系的路段行程时间推断方法，包括以下步骤：步骤1：基于交叉口运行状态对路段行程时间交通大数据进行统计；步骤2：基于通行模式周期性提取目标路段与邻接路段之间的特征关系；步骤3：基于三层神经网络模型对目标路段行程时间进行预测。作为优选，步骤1的具体实现过程为，根据浮动车在道路交叉口的运行状态，计算浮动车通过路段的行程时间，并统计一定时间内浮动车通过路段的路段行程时间，获得路段行程时间交通大数据，大数据包括浮动车ID、驶入路段时刻、驶入路段端点ID、驶出路段端点ID、路段行程时间。作为优选，步骤2的具体实现过程为，以周为周期对统计数据分别聚类，分别按照周一、周二、周三、周四、周五、周六、周日将统计数据进行聚合；根据交通流向提取特征值，每隔半小时分别按照交通流向提取特征值；特征值包括：一周中哪一天、一天中哪半小时、目标路段与邻接路段度数比、路段与邻接路段长度比特征、邻接路段速度期望、邻接路段速度标准差、目标路段与邻接路段行程时间比值。作为优选，步骤3中所述的三层神经网络模型包括3层，一个输入层、一个隐层和一个输出层，输入层有6个神经元，输出层有1个神经元；并将提取的特征：一周中哪一天、一天中哪半小时、目标路段与邻接路段度数比、目标路段与邻接路段长度比、邻接路段速度期望、邻接路段速度标准差作为神经网络输入，目标路段与邻接路段行程时间比值作为神经网络的输出，进行训练，训练函数选择Levenberg-Marquardt算法，学习速率设置为0.01；并用训练的神经网络模型进行路段行程时间的推断。相对于现有技术，本专利技术的优点如下：1.利用交通大数据解决数据稀疏性问题；本专利技术利用统计的路段行程时间交通大数据推断目标路段行程时间，可以解决由于当前数据稀疏性而造成对目标路段行程时间无法推断的问题；2.利用通行模式周期性提取目标路段与邻接路段之间的特征关系；本专利技术利用通行模式按照周呈现出的周期性，分别将周一、周二、周三、周四、周五、周六、周日统计数据聚类，并提取目标路段与邻接路段之间的特征关系；3.设计了反映通行模式周期性以及目标路段与邻接路段关系的三层神经网络模型；该模型将提取的一周中的第几天、一天中的哪个半小时、目标路段与邻接路段度数比、目标路段与邻接路段长度比、邻接路段速度期望、邻接路段速度标准差作为神经网络输入，反映了通行模式周期性以及目标路段与邻接路段之间的关系，并用训练的模型进行路段行程时间的推断。附图说明图1：为本专利技术实施例的研究区域路网图；图2：为本专利技术实施例的车辆交叉口区域运动特性分析图；其中(a)为一个交叉口的具体情况，(b)为路段的入口与出口情况；图3：为本专利技术实施例的交通流向示意图；图4：为本专利技术实施例的神经网络模型结构图；图5：为本专利技术实施例的真实路段行程时间与推断路段行程时间之间的关系图；图6：为本专利技术实施例的路段行程时间推断流程图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。请见图1，本实施例对武汉市部分区域路网作为研究区域，每个路段给出一个编号，本实施例以路段76、77、81、82、88为例，具体说明本专利技术的实现方式。请见图6，本专利技术的提供的一种基于道路时空关联关系的路段行程时间推断方法，包括以下步骤：步骤1：计算单车路段行程时间；根据所示车辆在交叉口处的运动状态，计算单车通过路段的行程时间。根据现行交通规则，假设在交叉口区域不存在因为乘客上下车而导致停车，使得出租车速度为零的点；基于这种假设，请见图2，为实施例的车辆交叉口区域运动特性分析图，图中pi表示出租车GPS点，以下分情况进行交叉口运动特性的分析；(1)若p3点在定位偏差搜索圆内，且速度为零，则认为浮动车仍然停留在交叉口停车线后，停车等待(由于GPS及GIS误差造成的定位偏差所致)，如图2，(a)为一个交叉口的具体情况，(b)为路段的入口与出口情况；取下一个GPS点p4的速度v4，用p4点的速度反推车辆通过路段交叉口中心线pm的时刻。若p4点的速度不为零且在交叉口区域搜索圆内，则认为浮动车从交叉口停车线到p4点匀加速行驶，用以下方法计算浮动车通过交叉口pm的时间：(式一)△tm4＝2lm4/(vm+v4)(式二)(式三)(式四)v3＝0(式五)综上，可以得到出租车经过路段交叉口中心线的时间为：(式六)其中,ti(i＝p1,p1…)表示出租车经过i点的时刻，vi(i＝p1,p1…)表示出租车经过i点的速度,Δtm4表示出租车经过交叉口中心线pm点到p4点的时间差，lm4表示交叉口中心线pm点到p4点的距本文档来自技高网...

【技术保护点】
一种基于道路时空关联关系的路段行程时间推断方法，其特征在于，包括以下步骤：步骤1：基于交叉口运行状态对路段行程时间交通数据进行统计；步骤2：基于通行模式周期性提取目标路段与邻接路段之间的特征关系；步骤3：基于三层神经网络模型对目标路段行程时间进行预测。

【技术特征摘要】
1.一种基于道路时空关联关系的路段行程时间推断方法，其特征在于，包括以下步骤：步骤1：基于交叉口运行状态对路段行程时间交通数据进行统计；具体实现过程为，根据浮动车在道路交叉口的运行状态，计算浮动车通过路段的行程时间，并统计一定时间内浮动车通过路段的路段行程时间，获得路段行程时间交通数据，数据包括浮动车ID、驶入路段时刻、驶入路段端点ID、驶出路段端点ID、路段行程时间；步骤2：基于通行模式周期性提取目标路段与邻接路段之间的特征关系；具体实现过程为，以周为周期对统计数据分别聚类，分别按照周一、周二、周三、周四、周五、周六、周日将统计数据进行聚合；根据交通流向提取特征值，每隔半小时分别按照交通流向提取特征值；特征值包括：一周中哪一天...

【专利技术属性】
技术研发人员：呙维，张发明，朱欣焰，刘异，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42