[发明专利]一种基于浮动车数据的路段旅行时间预测方法及装置

说明书

本发明涉及一种基于浮动车数据的路段旅行时间预测方法及装置，该方法包括：获取多个浮动车GPS数据；对浮动车GPS数据进行数据挖掘，确定车辆对应的连续多个GPS匹配点；通过距离置信度因子和/或时空序列影响因子，分别根据位于同一路段和不同路段的连续两个GPS匹配点，推测全路段旅行时间；针对同一路段，根据分配权重对多个全路段旅行时间进行数据融合，确定估计路段旅行时间，其中，将同一路段集合中的的历史旅行时间输至神经网络模型，确定时空序列影响因子。本发明考虑了距离置信度和时空关联性的影响，推测不同路段中车辆的全路段旅行时间，进而利用了数据融合，综合多个车辆估计，提高了对路段旅行时间估计的准确性。

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于浮动车数据的路段旅行时间预测方法及装置。

背景技术

随着科学技术的发展，利用现代化智能交通设备与智能化处理技术对道路交通进行监控与掌握，针对性的对产生根本交通问题的交通拥堵结点进行管理与控制，对交通运输系统的发展有重要意义。城市道路交通状况实时估计是道路交通监控系统的重要功能，是城市交通控制和拥堵管理的基础。

运用GPS(Global Positioning System，全球定位系统)技术获取有效交通信息在智能交通系统中具有较高的实践价值。随着城市建设的不断完善，装载有GPS的浮动车在路网运行车辆中的比例不断提高。浮动车GPS的时间与空间覆盖率高，具有实时性好、精确度高等特点，可视为城市交通状态良好的动态检测器。充分利用浮动车采集的数据进行交通分析是近年研究的热点，在估计城市路网路况方面有巨大潜力。

为了解城市路网中交通状态情况，运用浮动车采集的数据对城市区域的路段旅行时间进行监测和估计是十分有效的方法。现有技术中，一般采用传统的数理统计方法、概率求解等模型来估计路段旅行时间，然而其模型构建过程中具有一定复杂性，需要大量技术数据支持，参数的求解与标定存在一定困难。此外，当路网范围较大时，不同路段上旅行时间受干扰的因素有所不同，单一的模型难以表征不同特性的道路情况，在实际交通管理与控制中难以得到广泛运用。综上，如何快速准确地对路段旅行时间进行估计是亟待解决的问题。

发明内容

有鉴于此，有必要提供一种基于浮动车数据的路段旅行时间预测方法，用以解决何快速准确地对路段旅行时间进行估计的问题。

本发明提供一种基于浮动车数据的路段旅行时间预测方法，包括：

获取多个车辆对应的浮动车GPS数据；

对所述浮动车GPS数据进行数据挖掘，确定车辆对应的连续多个GPS匹配点；

通过距离置信度因子和/或时空序列影响因子，分别根据位于同一路段和不同路段的连续两个所述GPS匹配点，推测车辆对应的全路段旅行时间；

针对同一路段，根据分配权重对多个车辆对应的所述全路段旅行时间进行数据融合，确定对应的估计路段旅行时间；

其中，所述时空序列影响因子的确定包括：通过路段之间的相关性对不同路段进行聚类，确定多个路段集合，并将同一路段集合中的多个路段的历史旅行时间输入至训练完备的神经网络模型，确定对应的所述时空序列影响因子。

进一步地，所述对所述浮动车GPS数据进行数据挖掘，确定车辆对应的连续多个GPS匹配点包括：

判断所述浮动车GPS数据中是否存在异常数据和重复数据，若存在，则进行剔除，其中，所述异常数据包括空值数据或乱码数据；

通过基于权重的地图匹配算法，根据所述浮动车GPS数据和路网，确定所述浮动车GPS数据对应的连续多个所述GPS匹配点；

遍历电子地图的路网，进行路径搜索，根据连续两个所述GPS匹配点之间的最短路径，确定对应的真实行驶路径。