[发明专利]预测行进时间的方法和系统

说明书

技术领域

本发明涉及道路交通管理的技术，更具体地但不排他地，涉及预测在未来时间点行进所需的时间。

背景技术

交通管理是影响着国家经济的主要领域之一，有效的交通管理是期望的。交通管理的一方面解决建立用于确保合理换乘持续时间的足够运输设施。然而，交通管理的另一方面解决提供使得运输设施的用户能由此计划他们的通勤的服务。一种这样的服务涉及预测在未来时间点的多个位置之间的行进时间。

曾经尝试过预测在未来时间点的多个位置之间的行进所需的时间。在现有的一个方法中，应用支持向量回归(SVR)(即，预见时间序列的分析技术)来预见行进时间。SVR的方法(作为标准机器学习模型并先前应用于预测功耗、金融市场等)已经应用于预见行进时间。然而，发现这个方法在城市道路情形下预测行进时间表现不佳，妨碍了其可用性。还观察到，这个方法在处理罕见但高度拥堵时不佳。

此外，基于关联规则挖掘技术的方法也应用于预见道路网络中的交通量。关联规则挖掘(即，在数据挖掘中是一种已知实践)用于确定哪些道路最影响所有其他道路中在此时存在的交通量。一旦识别出最影响的道路，则确定在这些最影响道路上的交通量，并且同样情况用于预见剩余道路的交通量。然而，难以将交通量预测转换成行进时间预测，特别在包括具有大范围改变的交通量的多个路段的道路的延伸。

此外，基于小波的另一技术用于预测在道路连接点(交叉路口)处的交通量。起初，使用小波变换(信号处理中的标准工具)将交通量时间序列分成趋势序列和变化序列的等级。然后，在神经网络(机械学习中的另一标准工具)的帮助下预测趋势序列。使用马尔可夫(Markov)模型(标准模型化技术)预测剩余的变化序列的等级。随后将所有这些预测组合以预见纵交通量时间序列。然而，应注意，这个方法已用于预测在连接点处的交通量，并且难以将交通量预见转换成两点之间的行进时间的预见。

此外，已观察到这个方法明显低估了在城市道路网络中行进时间演进的特征。

发明内容

这里的实施例提供一种方法，在当前时间“t”预测在未来时间点“t+τ”在多个位置之间行进所需的时间，从而使得用户能够计划他们的行程。该方法包括：确定在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μ_t+τ”；预测在未来时间点在多个位置之间行进所需的时间的随机波动分量“y^l_t+τ”。随后，将在多个位置之间行进所需的时间的确定性分量“μ_t+τ”与在多个位置之间行进所需的时间的随机波动分量“y^l_t+τ”相加，以预测在未来时间点“t+τ”在多个位置之间行进所需的时间。为了预测随机波动分量“y^l_t+τ”，确定在当前时间“t”在多个位置之间行进所需的时间的随机波动分量“y_t”。此外，识别随机波动分量y_t所在的量化状态。随后，基于根据量子化状态和先前在多个位置之间行进所需的时间的广义循环固定的周期“T_p”从历史数据选择的过去行进时间来计算线性均方误差参数。此外，使用计算线性均方误差的参数计算在多个位置之间行进所需的时间的随机波动分量“y^l_t+τ”。