[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

说明书

本发明公开了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，包括以下步骤：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；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；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；输入需要预测行驶时间的路径轨迹，实现行驶时间的预测。本发明提取局部道路的拥塞特征，从更细的粒度捕捉拥塞变化规律，并针对稀疏轨迹数据，提出采用k均值聚类算法，为预测提供精准支撑。

技术领域

本发明涉及信息技术领域，具体涉及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。

背景技术

随着移动互联网、卫星定位技术、LBS技术的高速发展，越来越多的位置相关服务需要准确预测当前或未来一段行程的行驶时间。准确预测行程的行驶时间有利于司机合理规划出行路线，避免拥塞道路，为城市交通建设提供参考依据。

传统的数据收集方法利用城市中固定街道和高速公路上的静态传感器，但是这些传感器不能覆盖全部道路而且维护成本很高。随着GPS技术的发展，可以通过配备GPS的车辆收集轨迹数据用于预测交通状况。由于不同地区的交通状况差异巨大、交通拥塞状况瞬息万变及车辆的高速移动，同一条路线在不同时刻的行驶时间可能具有很大不同。并且由于成本原因、技术原因和隐私原因，导致轨迹数据稀疏问题尤为严重，具体表现为特定时空可用轨迹数据很稀少。

现存的行驶时间预测方法一共分为两种：基于路径的行驶时间预测方法和基于行程的时间预测方法。基于路径的行驶时间预测方法是传统的时间预测方法，通过历史轨迹数据获得特定路径的行驶时间。典型的方法包括建立交通流模型来模拟路径的旅行时间分布情况，利用动态贝叶斯和模式匹配等。但是由于不同地区的交通状况差异较大，道路拥塞情况瞬息万变，难以准确计算行驶时间，而且复杂的数学模型计算开销大，增加了在线预测的难度。基于行程的时间预测需要在历史数据中找到同样出发时间、起点和终点的行程，以此为基础进行时间预测。但是，数据稀疏条件下相同行程的查找具有一定的难度，当出现新的出行计划时，无法准确地估算行驶时间。

发明内容

发明目的：为了克服现有技术的不足，本发明提供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，该方法可以解决对路网上移动对象行驶时间预测准确度和实时性不高的问题，本发明还提供一种于元路径拥塞模式挖掘的移动对象行驶时间预测装置。

技术方案：本发明所述的基于元路径拥塞模式挖掘的移动对象行驶时间预测方法，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；

(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；

(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。

优选的，所述步骤(2)中，所述元路径为所述路网上任意相邻路口间的路径。

优选的，所述步骤(2)中，所述路径字典为元路径的集合。

优选的，所述步骤(1)中，所述路网为路口节点集和路段边集中的有向图。

优选的，所述步骤(2)中，所述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，具体包括：