一种基于稀疏轨迹点数据的细粒度旅行时间分配方法组成比例

本发明专利技术涉及一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，属于城市智能交通技术领域。本发明专利技术以细粒度的方式进行旅行时间分配，分析相邻交通信号间的延迟模式，再依据相邻路段之间的延迟依赖条件，对其状态转移概率进行建模，将一个交通信号周期内不同车辆等待红灯时间的差异区分开来，从而提高配时结果的精确度；针对细粒度旅行时间分配过程中，车辆在一个路段或一个子路段旅行时间及交通信号周期不容易直接得到的问题，提出了一个新隐马尔可夫模型，使得相邻路段间的延迟模式由路段间的状态转移概率决定，再用条件迭代模型来计算出隐马尔可夫模型的参数。本发明专利技术实现了细粒度旅行时间分配，从而有效提高了配时结果的精确度与正确性。

【技术实现步骤摘要】

本专利技术涉及一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，属于城市智能交通

技术介绍
近年来，在一些大中型城市里城市机动车保有量和居民出行总量急剧增长，导致交通拥堵成为一个严重的问题，威胁着城市环境和交通运输效率。为了解决这个问题，人们使用各种数据来监控和预测交通状况。由于浮动车GPS稀疏轨迹点数据在高覆盖率、低成本上的优势，因而备受人们关注。这些数据已经被成功地运用在很多应用中，例如实时速度预测和预估到达时间。通常情况下，在处理稀疏轨迹点数据时，一项基础首要的工作是将两个GPS点之间的时间分配给相邻的路段，也就是旅行时间的分配。所以当利用车辆的稀疏轨迹数据来进行道路速度监控与预测时，路段的旅行时间分配是一项基础首要的工作。本专利技术利用浮动车的稀疏轨迹点数据采用细粒度的方式来进行道路旅行时间分配。为了解决间接观察值问题，实现细粒度道路配时算法，本专利技术建立了一个新的隐马尔可夫模型。在此模型中，路段的隐含状态是指车辆在通过一个路段时等待交通信号灯周期的个数，相邻交通信号间的延迟模式用相邻路段的状态转移概率矩阵来表示，并且用一个带约束的高斯混合模型来学习交通信号周期。最终，通过一个条件迭代模型算法来训练得到模型中所有的参数，从而能够实现对路段旅行时间的细粒度分配。通过在一个为期3个月的北京路网车辆交通轨迹数据集上进行实验，实验表明，本专利技术提出的方法在绝对平均误差上比传统方法精确10％，在均方根误差上比传统方法精确8％。因此，本专利技术区别于以往粗粒度道路旅行时间分配方法，提出了一种新的细粒度道路旅行时间分配方法，提高了时间估算结果的精确度，从而提高新方法下的配时效果。与本专利技术相关的文章共两篇，下文分别对其进行剖析：文章(1):《NIPS网络分析与图形学习》2009年第12卷第1期，文章题目为：“基于全球定位系统探测车数据预测路径和旅行时间”，文章中主要根据不同交通状况下历史旅行时间概率，提出了一个针对干线公路的多概率模型，通过一个期望最大化算法并利用稀疏GPS探测车数据来估算历史路段旅行时间。文章(2):《IEEE智能运输系统汇刊》2012年第13卷第4期，文章题目为：“基于一个动态贝叶斯网络和探测车数据研究公路干线的动态特征”，主要介绍如何利用探测车数据来预估公路干线的交通状况。文章提出了一个概率模型框架同时利用探测车稀疏观测数据来预估公路干线的旅行时间分布。文中基于流体力学交通理论提出一个用来描述干线公路路段上的车辆密度的模型，同时，该模型也能表示一个路段上车辆延迟时间的分布状况。该分布的特征本质上是使用探测车辆数据进行交通预估：探测车辆会在任意时刻报告自己的当前具体位置，并且为了与地图离散化相匹配，必须对报告位置点之间的旅行时间进行缩放。运用该模型中的动态贝叶斯网络，不仅能够表示出路网间的时空依赖性，还能通过一个复杂的框架从历史交通数据中学习交通的动态特征并且利用流数据能够进行旅行时间的实时估算。以上文章虽然解决了利用稀疏轨迹点数据进行旅行时间分配的问题，但是，文章均是以粗粒度的方式来进行旅行时间的分配，忽略了对相邻交通信号间延迟模式的研究。在通过一个路段时，有些车辆无需等待交通信号灯，有些车辆却需要等待一整个交通信号周期，该文章中并没有对上述两种情况进行区分，这会导致在一个交通信号周期内不同车辆等待红灯时间的差别不明显，从而导致旅行时间分配结果不精确。因此，可见粗粒度的道路旅行时间分配方法有很大的改进空间。本专利技术的目的即是致力于解决上述粗粒度的道路旅行时间分配方法的缺陷，提出一种基于稀疏轨迹点数据的细粒度旅行时间分配方法。
技术实现思路
本专利技术的目的是为了克服现有粗粒度旅行时间分配方法存在的旅行时间分配结果不精确的问题，提出一种基于稀疏轨迹点数据的细粒度旅行时间分配方法。本专利技术以细粒度的方式进行旅行时间分配，其核心思想为：分析相邻交通信号间的延迟模式，并基于延迟模式中相邻路段之间的延迟依赖条件，对相邻路段之间的状态转移概率进行建模，将一个交通信号周期内不同车辆等待红灯时间的差异区分开来，从而提高配时结果的精确度；针对细粒度旅行时间分配过程中，车辆在一个路段或是一个子路段上的旅行时间及交通信号周期也不容易直接得到的问题，即为了解决间接观察值的问题，提出了一个新隐马尔可夫模型，使得相邻路段间的延迟模式由路段间的状态转移概率决定，再用条件迭代模型来计算出隐马尔可夫模型的参数，即：本专利技术解决了间接观察值的问题，实现了以细粒度的方式进行旅行时间分配，从而有效提高了配时结果的精确度与正确性。为实现上述目的，本专利技术所采用的技术方案如下：一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，包括以下步骤：步骤1:定义稀疏轨迹点数据集和旅行时间分配结果数据集，具体为：1.1定义稀疏轨迹点数据集：所述的稀疏轨迹点数据集定义为{X(i),1≤i≤U本文档来自技高网...

【技术保护点】
一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，其特征在于：以细粒度的方式进行旅行时间分配，其核心思想为：分析相邻交通信号间的延迟模式，并基于延迟模式中相邻路段之间的延迟依赖条件，对相邻路段之间的状态转移概率进行建模，将一个交通信号周期内不同车辆等待红灯时间的差异区分开来，从而提高配时结果的精确度；针对细粒度旅行时间分配过程中，车辆在一个路段或是一个子路段上的旅行时间及交通信号周期也不容易直接得到的问题，即为了解决间接观察值的问题，提出了一个新隐马尔可夫模型，使得相邻路段间的延迟模式由路段间的状态转移概率决定，再用条件迭代模型来计算出隐马尔可夫模型的参数，即：本专利技术解决了间接观察值的问题，实现了以细粒度的方式进行旅行时间分配，从而有效提高了配时结果的精确度与正确性；为实现上述目的，本专利技术所采用的技术方案如下：一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，包括以下步骤：步骤1:定义稀疏轨迹点数据集和旅行时间分配结果数据集；步骤2:定义隐马尔可夫模型变量和隐马尔可夫模型参数；其中，隐马尔可夫模型，即描述一个含有隐含未知参数的马尔可夫过程的模型，Hidden Markov Model缩写为HMM；步骤3:确定步骤2中HMM参数的初始值，推导出HMM变量的初始值；步骤4:根据步骤3确定的HMM变量的值，更新HMM参数的值；步骤5:根据步骤4更新的HMM参数的值，更新HMM变量的值；步骤6:重复进行步骤4和步骤5，直至HMM变量的值不再更新；步骤7:根据子路段旅行时间变量值，计算得出不同路段的旅行时间分配结果数据集；至此，从步骤1到步骤7，完成了一种基于稀疏轨迹点数据的细粒度旅行时间分配方法。...

【技术特征摘要】
1.一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，其特征在于：以细粒度的方式进行旅行时间分配，其核心思想为：分析相邻交通信号间的延迟模式，并基于延迟模式中相邻路段之间的延迟依赖条件，对相邻路段之间的状态转移概率进行建模，将一个交通信号周期内不同车辆等待红灯时间的差异区分开来，从而提高配时结果的精确度；针对细粒度旅行时间分配过程中，车辆在一个路段或是一个子路段上的旅行时间及交通信号周期也不容易直接得到的问题，即为了解决间接观察值的问题，提出了一个新隐马尔可夫模型，使得相邻路段间的延迟模式由路段间的状态转移概率决定，再用条件迭代模型来计算出隐马尔可夫模型的参数，即：本发明解决了间接观察值的问题，实现了以细粒度的方式进行旅行时间分配，从而有效提高了配时结果的精确度与正确性；为实现上述目的，本发明所采用的技术方案如下：一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，包括以下步骤：步骤1:定...

【专利技术属性】
技术研发人员：辛欣，胡健，仇金娟，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11