城市市内交通旅行时间的预测方法及系统技术方案

本发明专利技术涉及一种城市市内交通旅行时间的预测方法及系统，所述预测方法包括将待测城市划分为矩形网格；基于矩形网格，根据历史交通流量数据构建归一化浮点交通流量矩阵；根据归一化浮点交通流量矩阵，训练城市市内交通流量预测网络；根据矩形网格对车辆行驶路径的轨迹点序列进行简化处理，得到车辆行驶路径的网格化轨迹；根据归一化浮点交通流量矩阵及网格化轨迹，确定网格化轨迹中各轨迹点的特征向量；根据各轨迹点的特征向量，训练城市市内交通旅行时间预测网络；基于城市市内交通流量预测网络和城市市内旅行时间预测网络，根据待测车辆的待测行驶路径，可准确确定所述待测车辆行驶完所述待测路径所需要的旅行时间，可提高复杂场景下预测精度。

【技术实现步骤摘要】
城市市内交通旅行时间的预测方法及系统
本专利技术涉及城市路况信息处理
，特别涉及一种结合实时路况信息的城市市内交通旅行时间的预测方法及系统。
技术介绍
城市市内交通车辆旅行时间预测是路径规划、车辆导航、智能拼车、出租车智能分单等应用的基础，其任务是给定某条特定的路径，在考虑可能出现的停车延误和十字路口等待延误的情况下，预测出车辆行驶完该条路径所需的时间。当出行者可以考虑多条可选路径时，准确的旅行时间预测结果能帮助选择最优的路线同时避开拥堵路段，对优化城市管理和提高市民的出行效率有十分重要的作用。目前传统的城市市内交通旅行时间的预测方法主要分为两大类，即参数方法和非参数方法。参数化方法依赖现有的数学和统计学的理论进行预测，包括线性回归模型、自回归整合移动平均模型、卡尔曼滤波、贝叶斯动态线性模型、隐马尔可夫模型、支持向量机等。这些方法已经在短距离旅行时间上取得了不同程度的成功，但在长距离旅行的时间预测上其精度难以满足应用需求。非参数化方法使用数据驱动的方式来捕获数据的潜在知识。非参数化方法不需要对模型的所适用的数据分布情形作假设，具有本文档来自技高网...

【技术保护点】
1.一种城市市内交通旅行时间的预测方法，其特征在于，所述预测方法包括：/n将待测城市划分为矩形网格；/n基于所述矩形网格，根据历史交通流量数据构建归一化浮点交通流量矩阵；/n根据所述归一化浮点交通流量矩阵，训练城市市内交通流量预测网络；/n根据所述矩形网格对车辆行驶路径的轨迹点序列进行简化处理，得到车辆行驶路径的网格化轨迹；/n根据所述归一化浮点交通流量矩阵及车辆行驶路径的网格化轨迹，确定网格化轨迹中各轨迹点的特征向量；/n根据所述网格化轨迹中各轨迹点的特征向量，训练城市市内交通旅行时间预测网络；/n基于所述城市市内交通流量预测网络和城市市内旅行时间预测网络，根据待测车辆的待测行驶路径，确定所...

【技术特征摘要】
1.一种城市市内交通旅行时间的预测方法，其特征在于，所述预测方法包括：
将待测城市划分为矩形网格；
基于所述矩形网格，根据历史交通流量数据构建归一化浮点交通流量矩阵；
根据所述归一化浮点交通流量矩阵，训练城市市内交通流量预测网络；
根据所述矩形网格对车辆行驶路径的轨迹点序列进行简化处理，得到车辆行驶路径的网格化轨迹；
根据所述归一化浮点交通流量矩阵及车辆行驶路径的网格化轨迹，确定网格化轨迹中各轨迹点的特征向量；
根据所述网格化轨迹中各轨迹点的特征向量，训练城市市内交通旅行时间预测网络；
基于所述城市市内交通流量预测网络和城市市内旅行时间预测网络，根据待测车辆的待测行驶路径，确定所述待测车辆行驶完所述待测路径所需要的旅行时间。


2.根据权利要求1所述的城市市内交通旅行时间的预测方法，其特征在于，所述基于所述矩形网格，根据历史交通流量数据构建归一化浮点交通流量矩阵，具体包括：
将选取历史nd天为训练时段，将所述训练时段的每天均划分为具有固定时间间隔的Kd个时间区间；训练时段被划分成的连续时间区间的总个数为K：K＝nd×Kd；
统计所述训练时段内进入联网系统的车辆在矩形网格G内的轨迹数据，每一个轨迹数据记录车辆的经度位置、纬度位置和时间信息；表示在第t个时间区间内出现在矩形网格G的第i行第j列格子区域内的车辆个数；
遍历训练时段内所有的时间区间，统计在同一时间区间内位于进入联网系统内的车辆流量，得到K个交通流量矩阵，分别记为X1,X2,...,Xk,...,XK；Xk表示在第k个时间区间内的交通流量矩阵，k＝1,2,....,K；
根据以下公式，对各交通流量矩阵进行归一化浮点处理，得到对应的归一化浮点交通流量矩阵：



其中，为第t个时间区间内的归一化浮点交通流量矩阵Yt的第i行第j列元素，x0表示K个交通流量矩阵中所有元素的最大值。


3.根据权利要求1所述的城市市内交通旅行时间的预测方法，其特征在于，所述根据所述归一化浮点交通流量矩阵，训练城市市内交通流量预测网络，具体包括：
根据所述归一化浮点交通流量矩阵，构建对应的第一训练样本：
Pt＝(At；Bt)，
其中，t表示时间区间序号，Pt表示第一训练样本；At表示第一训练样本Pt的样本特征，是一个L行M列J层的三维张量，由第t个时间区间为终点的前J个连续时间区间内获得的归一化交通流量矩阵按时间顺序堆叠而成：At＝[Yt-J+1,Yt-J+2,…,Yt-1,Yt]；
Bt表示第一训练样本Pt的样本标记，为一个L行M列Q层的三维张量，由以第t+1个时间区间为起点的Q个连续时间区间内获得的归一化交通流量矩阵按时间顺序堆叠而成：Bt＝[Yt+1,Yt+2,…,Yt+Q]；
其中，Yt-J+1为第t+1个时间区间内获得的归一化浮点交通流量矩阵，Yt为第t个时间区间内获得的归一化浮点交通流量矩阵，Yt+Q为第t+Q个时间区间内获得的归一化浮点交通流量矩阵；
根据所述第一训练样本训练城市市内交通流量预测网络；所述城市市内交通流量预测网络用于预测未来Q个连续时间区间内的矩形网格G的归一化浮点交通流量。


4.根据权利要求1所述的城市市内交通旅行时间的预测方法，其特征在于，根据所述矩形网格对车辆行驶路径的轨迹点序列进行简化处理，得到车辆行驶路径的网格化轨迹，具体包括：
各车辆行驶路径分别用轨迹点序列来描述，每个轨迹点包含该轨迹点所在的经度坐标和纬度坐标；
对于一条给定的车辆行驶路径，对应的轨迹序列为T，轨迹序列T由N个轨迹点来描述：T＝{(x1,y1),(x2,y2),…,(xN,yN)}；
其中，x1和y1分别表示第一个轨迹点的经度和纬度，xN和yN分别表示第N个轨迹点的经度和纬度；
根据所述矩形网格G，将轨迹序列T的N个轨迹点按顺序分成不同的片段，使每一个片段内的轨迹点位于矩形网格G的同一个格子区域：



其中，设轨迹T将被分成n个片段，第一个片段包含从第一个轨迹点(x1,y1)到第d1个轨迹点第二个片段包含从第d1+1个轨迹点到第d2个轨迹点以此类推，第n个片段包含从第dn-1+1个轨迹点到第N个轨迹点(xN,yN)，||表示片段间隔符；d1、d2、dn-1、n均为自然数；
计算同一个片段内的轨迹点的经度和纬度的平均值，得到网格化轨迹TG：



其中，表示属于第i个片段内的轨迹点的经度的平均值，表示属于第i个片段内的轨迹点的纬度的均值，xj和yj分别为经度坐标和纬度坐标，当i＝1时，d0＝1；当i＝n时，dn＝N；


5.根据权利要求1所述的城市市内交通旅行时间的预测方法，其特征在于，根据所述归一化浮点交通流量矩阵及车辆行驶路径的网格化轨迹，确定网格化轨迹中各轨迹点的特征向量，具体包括：
从所述归一化浮点交通流量矩阵中取出连续Q个归一化浮点交通流量矩阵Yp+1,Yp+2,…,Yp+Q；其中，p为车辆行驶路径T第一个轨迹点(x1,y1)的时间在训练时段所属时间区间的序号；
根据网格化轨迹TG的第i个轨迹点位于矩形网格G的第ri行和第ci列所在的格子区域，分别取出归一化浮点交通流量矩阵Yp+1,Yp+2,…,Yp+Q中第ri行和第ci列的元素：其中，为归一化浮点交通流量矩阵Yp+Q的第ri行和第ci列的元素；ri和ci分别为网格化轨迹TG的第i个轨迹点位于矩形网格的行序号和列序号；
构建网格化轨迹TG的第i个轨迹点的特征向量fi：



其中，n为网格化轨迹TG的轨迹点的个数；上标T表示向量转置。


6.根据权利要求1所述的城市市内交通旅行时间的预测方法，其特征在于，根据所述网格化轨迹中各轨迹点的特征向量，训练城市市内交通旅行时间预测网络，具体包括：
获取车辆行驶路径的轨迹序列T中各轨迹点的记录时间o1,o2,…,oN；其中，oN为第N个轨迹点的记录时间；
根据所述矩形网格G，将各记录时间按顺序分成不同的片段，使每一个片段内的记录时间位于矩形网格G的同一个格子区域：



其中，其中，设记录时间将被分成n个片段，第一个片段包含从第一个记录时间o1到第d1个记录时间第二个片段包含从第d1+1个记录时间到第d2个记录时间...

【专利技术属性】
技术研发人员：向世明，张奇，孟高峰，霍春雷，潘春洪，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11