[发明专利]一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置

权利要求书

1.一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法，其特征在于，包括以下步骤：

(1)采集固定时间间隔的多个GPS数据作为训练样本，并将所述GPS数据通过地图匹配算法匹配到路网上，得到与GPS数据对应的路径轨迹；

(2)将匹配后的路径轨迹分割成元路径存储到路径字典中，挖掘每条元路径各个时间的拥塞状态，并根据不同元路径间的关联性，提取拥塞特征向量，其中，元路径为所述路网上任意相邻路口间的路径，路径字典为元路径的集合；

所述步骤(2)具体包括：

步骤(21)、从历史数据中提取各条元路径的经过时间d(r)，并计算其累积分布函数，历史数据是移动对象的历史GPS轨迹，即移动对象在以前经过元路径并将历史GPS数据上传；

根据累积分布函数计算元路径上的拥塞状态为[0,1]间的均匀分布，由此可以比较不同元路径和不同行驶时间下的拥塞程度；

步骤(22)、元路径r的邻域集合NB(r)＝{o₁,…,o_s}，表示与元路径r邻接的s条元路径，其中包含元路径r，计算其动态拥塞状态，将整个时间范围离散成固定的时间间隔f_i，计算在各个时间间隔内，元路径上观测到的经过时间有些时间间隔f_i包含多个观测值，用观测值的期望表示，并计算拥塞状态

步骤(23)、给定元路径r和邻域{o₁,…,o_s}，定义时间间隔f_i的特征向量M(r)_i，M(r)_i为在时间间隔f_i包含NB(r)的拥塞状态的S维向量，即：

将计算的所有M(r)_i叠加到特征矩阵M(r)中；

设N为特征矩阵中是特征向量的数量，即离散的时间间隔的总量，矩阵M(r)表示NB(r)的动态拥塞状态，有如下结构：

(3)将提取的拥塞特征向量加入特征矩阵中，并采用K-Means聚类算法填补所述特征矩阵中的空缺值，得到预测模型；

步骤(3)中，采用K-Means聚类算法填补所述特征矩阵中的空缺值，还包括采用时间相似性约束优化初始聚类结果，包括将相邻固定时间间隔之间的相似性以及基于城市交通流量的周期相似性作为时间相似性约束；步骤(3)具体包括：

步骤(31)、将M(r)的行聚类为k个组，计算k个聚类中心c₁,…,c_k，然后找到距离M(r)中的行最近的聚类中心，使用聚类中心来初始化M(r)中的缺失值，采用K-Means方法找出最优的k值；

步骤(32)、通过在拥塞特征中引入时间关系来优化初始聚类结果；给定特征矩阵M(r)，关联矩阵W表示M(r)中两个时间间隔的时间相似性约束，矩阵中的每一项为下文中求得的w_i,j，找出k个聚类中心，减少与实际观测值的差距，同时确定M(r)中的行与k个聚类中心中的软分配；

步骤(33)、将相邻固定时间间隔之间的相似性设为第一种类型的时间相似性约束，即在连续的时间间隔内，元路径交通状况不能从完全畅通状态转换到完全拥塞状态，因此在第i个时间间隔和第j个时间间隔之间定义指数衰减函数：

t_i和t_j为时间间隔f_i和f_j的开始时间；

步骤(34)、第二种类型的时间相似性约束是基于城市交通流量的周期相似性，不考虑其是否处在工作日或周末，定义第i个时间间隔f_i和第j个时间间隔f_j内到达高峰段的用时之间的权重：

其中，h_i为时间间隔f_i内到达高峰段的用时；

步骤(35)、边权重w_i,j由C_SOD和C_sm的线性组合计算得出：

w_i,j＝θC_sm(i,j)+(1-θ)C_SOD(i,j)，θ为系数；

步骤(36)、Q为N×k阶聚类分配矩阵，Q的每行q_i是一个二元向量，如果时间间隔f_i被分配给聚类j，则q_i(j)＝1，否则为0，k个聚类中心为k×s阶矩阵C的行向量，使用上述结果初始化Q和C，然后不断迭代，通过达到下列最小化问题找出最优值：

其中，L为拉普拉斯矩阵，L＝D-W，常系数γ控制聚簇过程中时间一致性问题的权重，上式使用交替方向优化方法来求解；

(4)输入需要预测行驶时间的路径轨迹，实现行驶时间的预测。