【技术实现步骤摘要】
本专利技术涉及车辆行程时间预测，尤其涉及面向出行链路提取的车辆行程时间预测方法。
技术介绍
1、随着我国综合国力和国民经济的快速发展，居民的生活消费水平和能力不断提升，汽车数量也在急剧增加。车辆出行链路行程时间预测作为智能交通系统的重要组成部分，对于缓解交通拥堵、提高道路利用率以及优化城市交通规划具有重要意义。近年来，大量研究致力于探索更为精准、高效的车辆出行链路行程时间预测方法，以期为现实交通问题提供有力支持。现有的行程时间预测研究方法主要包括参数化模型和机器学习模型。
2、近年来，许多学者已经采用不同的方法在行程时间预测方面证明了各种模型的适用性和预测精度。现阶段对车辆的行程时间预测模型采用机器学习的方法，主要是神经网络、卡尔曼滤波、k-近邻等，其中继承算法模型主要有随机森林、梯度提升回归树、梯度提升决策树等，树的集成算法相对于传统的机器学习具有速度快、预测精度高、数据质量要求不高等优点。但是，这些方法的计算时间仍能够改进，预测行程时间的精度仍能够进一步提升。
技术实现思路
1、本专利技术提供了一种面向出行链路提取的车辆行程时间预测方法，其能够克服现有技术的某种或某些缺陷。
2、根据本专利技术的一种面向出行链路提取的车辆行程时间预测方法，其包括以下步骤：
3、步骤s1、获取出租车的车辆的轨迹数据，随后基于相似度提取交通主题链路及其分类；
4、步骤s2：采用基于北方苍鹰优化算法的attention-convlstm的车辆出行链路行程
5、步骤s3、提取交通主题链路的结果并得到所预测车辆出行链路的行程时间。
6、作为优选，步骤s1的出租车轨迹(trajectory，简写为traj)数据是记录出租车在某一时间段内的位置信息的数据，它包括出租车的空载轨迹点和载客轨迹点；
7、出租车轨迹数据集中有若干条轨迹，即
8、traj＝{traj1,traj2,k,trajn} (1)
9、(1)式中traji表示第i条轨迹。
10、一条轨迹traj中是有多个轨迹点，x1,x2,...,xn，组成的，其中，一个轨迹点xi是出租车在行驶过程中，gps设备采集得到的位置数据点，这些数据点包括车辆标识(id)、经度(lng)、纬度(lat)、时间(time)、载客状态(flag)等，表示为：xi＝(idi，lngi，lati，timei，flagi)。
11、根据出租车的行驶轨迹和出租车的载客状态来判断并提取出租车的上下客点，提取上下客点之间的链路信息，需要根据gps数据中的时间戳和位置信息，构建出出租车的行驶轨迹，并从中提取出各个轨迹点之间的链路，具体步骤如下：
12、当出租车的载客状态flag由0变为1时，表示出租车将开始载客，将该条信息作为出租车的上客点。
13、当出租车的载客状态flag由1变为0时，表示出租车载客结束，将该条信息作为出租车的下客点。
14、根据预处理后的gps数据，使用公式(2)分析采样点之间的空间关系，来估计未知点yu的位置，从而构建出租车的行驶轨迹traj。
15、在行驶轨迹traj上提取相邻轨迹点之间的链路，设定一个时间阈值t，如果两个轨迹点之间的时间间隔小于该阈值t，则认为这两个轨迹点之间存在链路。算法流程图如图1所示。
16、
17、式中，yu是未知点的值，yi是已知点的值，xi是对已知点的权重，ri是已知点与未知点之间的距离。
18、作为优选，步骤s1中基于相似度提取交通主题链路的方法包括：
19、轨迹相似度是用来衡量两条轨迹之间相似程度的一个指标，根据相似度在起终点之间找到一条最优的轨迹，作为交通主题链路，出租车选择行驶交通主题链路，可以使出租车尽快到达目的地。
20、首先，对输入的轨迹坐标进行预处理，将s经纬度坐标转换为切平面坐标(x，y，z)，再将切平面坐标(x，y，z)转换为笛卡尔坐标系下的坐标数据(x，y，z)，将经度转为弧度制并除以地球半径，得到一个单位为弧度的小于1的数值，将纬度直接转换为弧度制；
21、接下来，计算两个轨迹上每个点之间的经纬度距离，对于每个轨迹上的点i和j，可以使用欧式距离公式，即
22、
23、式中，xi和yi是点i的笛卡尔坐标，xj和yj是点j的笛卡尔坐标；
24、然后计算每个点对整个轨迹的贡献度，根据贡献度计算两个轨迹之间的相似度，对这些距离进行加权求平均，再计算两个轨迹之间的相似度，
25、最后，输出两个轨迹之间的相似度，相似度越接近1，表示两个轨迹越相似，将相似度近的轨迹视为一条轨迹。遍历所有链路，统计上下客点之间各条出行链路行走的次数，提取出出行次数大于阈值的出行链路；
26、计算轨迹点对整个轨迹的贡献度的公式：
27、
28、计算两个轨迹之间相似度的公式：
29、
30、式中，n是轨迹上的点的数量，d(i，j)是轨迹点i和j的距离；
31、先确定od点的分区，提取出行需求多的od点，按照轨迹的相似度提取od分区之间的路径，提取每个od分区之间出行最多的交通主题链路；
32、step1：分别求出o、d点到各聚类中心点的距离，并匹配距离o、d点最近的聚类中心点编号s_number、e_number，确认od点的分区。
33、step2：根据od点的s_number、e_number进行分组，统计od点分区的个数count，选出分区个数count大于200的od分区，统计出分区有hang行。
34、step3：提取每个分区中所有的od出行链路，创建存放所有分区主题链路的表格数据guiji_odzhuti。
35、step3.1：h＝0，当h<hang时，取出第h个分区中的第1列的值为a，第2列的值为b，使od分区中的s_number＝a，e_number＝b，提取出该分区的每个od点的上车时间stime、下车时间etime和车牌id，并统计出该分区有hang_fenqu行。
36、step3.2：循环该分区的每一行i，使open_time等于第i行的stime，使close_time等于第i行的etime，c等于第i行的车牌id。创建一个列表list，将上下客点的轨迹数据转化为数组，遍历循环每一个轨迹数据item，取出数组中的车牌号sh，如果c＝sh，将item增加到list中，将list转化为表格数据。
37、step3.3：提取在分区中的轨迹数据的时间大于open_time且小于close_time的数据，将分区中的每条轨迹数据增加到guiji_fenqu中，初始i＝0，创建统计当前路径出行次数的列表slist。
38、step4：在当本文档来自技高网...
【技术保护点】
1.面向出行链路提取的车辆行程时间预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤S1的出租车的车辆轨迹轨迹，Traj数据，是记录出租车在某一时间段内的位置信息的数据，它包括出租车的空载轨迹点和载客轨迹点；
3.根据权利要求2所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤S1中提取交通主题链路的方法基于相似度进行，具体包括：
4.根据权利要求3所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤S1中的交通主题链路的分类方法基于出行目的以进行，所述分类方法如下：
5.根据权利要求1所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤S2中的所述模型包括：
6.根据权利要求5所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，所述北方苍鹰优化算法主要分为两个阶段：全局搜索阶段和局部搜索阶段；
7.根据权利要求6所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，卷积层和LSTM层的公式为：>
8.根据权利要求7所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，
9.面向出行链路提取的车辆行程时间预测装置，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时，实现权利要求1-8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被执行时，实现权利要求1-8中任一项所述的方法的步骤。
...【技术特征摘要】
1.面向出行链路提取的车辆行程时间预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤s1的出租车的车辆轨迹轨迹，traj数据，是记录出租车在某一时间段内的位置信息的数据，它包括出租车的空载轨迹点和载客轨迹点；
3.根据权利要求2所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤s1中提取交通主题链路的方法基于相似度进行，具体包括：
4.根据权利要求3所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤s1中的交通主题链路的分类方法基于出行目的以进行，所述分类方法如下：
5.根据权利要求1所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤s2中的所述模型包...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。