[发明专利]一种基于高斯混合模型的路段出行时间预测方法

权利要求书

1.一种基于高斯混合模型的路段出行时间预测方法，其特征在于，包括如下步骤：

通过检测器，分别采集道路网络中轨迹已知的观察路径出行时间和道路网络中轨迹未知的观察路径出行时间

对于道路网络中轨迹未知的观察路径出行时间建立高斯混合模型，用于识别轨迹未知的观察路径轨迹；所述建立高斯混合模型具体为：

约束条件：

其中：

I为轨迹未知的观察路径编号集合，i∈I；

为第i个轨迹未知的观察路径出行时间；

W为起讫点对的集合，ω∈W；

K^ω为起讫点对ω间的路径集，k∈K^ω；

为起讫点对ω间路径k上估计出行时间的均值；

为起讫点对ω间路径k上估计出行时间的方差；

为均值方差的高斯分布在处的概率密度函数；

为起讫点对ω间路径k上的混合权重系数；

基于高斯混合模型得出道路网络中轨迹识别后的路径出行时间x_i的关系式，具体为：

其中：

为起讫点对ω间路径k上估计的出行时间与第i个轨迹未知的观察路径时间的比例；

x_i为第i个轨迹未知的观察路径识别后的路径出行时间，且x_i与的起终点相同；

通过最大似然原则，建立基于高斯混合模型的路段出行时间预测模型，具体为：-

其中：

σ_i²为第i个轨迹未知的观察路径的出行时间方差，

为起讫点对ω间路径k上估计出行时间的均值，

σ_j²为第j个轨迹已知的观察路径的出行时间方差，

y_j为第j个轨迹已知的观察路径的估计出行时间，

为第j个轨迹已知的观察的路径出行时间；

J为轨迹已知的观察路径编号集合，j∈J；

A为所述道路网络中的所有路段的集合，a∈A；

σ_a²为在路段a上的出行时间方差；

μ_a为在路段a上的出行时间均值；

δ_a,i为路径-路段关联系数，如果路段a在轨迹未知的观察路径i上，则δ_a,i＝1，否则δ_a,i＝0；

δ_a,j为路径-路段关联系数，如果路段a在轨迹已知的观察路径j上，则δ_a,j＝1，否则δ_a,j＝0；

为路径-路段关联系数，起讫点对ω间，如果路段a在路径k上，则否则

通过最速下降方法和最大期望方法求解路段出行时间预测模型，获得路段出行时间。

2.根据权利要求1所述的基于高斯混合模型的路段出行时间预测方法，其特征在于，通过车辆定位或手机定位，采集道路网络中轨迹已知的观察路径出行时间其中J为轨迹已知的观察路径编号集合。

3.根据权利要求1所述的基于高斯混合模型的路段出行时间预测方法，其特征在于，通过车牌照识别技术或手机通话数据，采集道路网络中轨迹未知的观察路径出行时间其中I为轨迹未知的观察路径编号集合。

4.根据权利要求1所述的基于高斯混合模型的路段出行时间预测方法，其特征在于，通过最速下降方法和最大期望方法求解路段出行时间预测模型，获得路段出行时间，具体包括如下步骤：

S1：设置初始迭代参数：初始化迭代数n＝0，设置路段出行时间均值μ_a⁽⁰⁾和方差(σ_a²)⁽⁰⁾，收敛精度设为：e＝0.001；采集的轨迹已知路径出行时间轨迹未知的路径出行时间

S2：计算梯度方向R⁽ⁿ⁾，具体为：

S2.1：设置内循环迭代数m＝0，设置第n次迭代中起讫点对ω间路径k上估计出行时间的均值设置第n次迭代中起讫点对ω间路径k上估计出行时间的方差设置第n次迭代中起讫点对ω间路径k上的混合权重系数

S2.2：计算第n次迭代中内循环迭代数为m时起讫点对ω间路径k上估计的出行时间与第i个轨迹未知的观察路径时间的比例

S2.3：根据第n次迭代中内循环迭代数为m时假设第n次迭代中内循环迭代数为m时路径出行时间方差为常数，求解来更新得到路径出行时间均值视当前路径出行时间均值为常数，求解来更新得到路径出行时间方差根据Karush-Kuhn-Tucker最优性条件，更新混合权重系数

其中：I^ω为起讫点对ω间轨迹未被观察的路径集，|I^ω|为集合I^ω的势；

S2.4：当最大期望方法结束，输出路径出行时间均值和方差计算路段出行时间预测模型的梯度方向R⁽ⁿ⁾；否则，令m＝m+1，转到步骤S2.2；

S3：运用一维搜索方法获得迭代步长λ⁽ⁿ⁾；

S4：更新路段出行时间均值和方差：

(μ_a⁽ⁿ⁺¹⁾,(σ_a²)⁽ⁿ⁺¹⁾)＝(μ_a⁽ⁿ⁾,(σ_a²)⁽ⁿ⁾)-λ⁽ⁿ⁾·R⁽ⁿ⁾

S5：收敛检验：如果||(μ_a⁽ⁿ⁺¹⁾,(σ_a²)⁽ⁿ⁺¹⁾)-(μ_a⁽ⁿ⁾,(σ_a²)⁽ⁿ⁾)||/||(μ_a⁽ⁿ⁾,(σ_a²)⁽ⁿ⁾)||≤e，那么(μ_a⁽ⁿ⁺¹⁾,(σ_a²)⁽ⁿ⁺¹⁾)就是预测的路段出行时间均值和方差，μ_a⁽ⁿ⁺¹⁾即为估计的路段出行时间；否则，令n＝n+1，转到步骤S2。