基于浮动车时空网格数据的城市快速路旅行时间预测方法

摘要

本发明是一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，属于智能交通领域。本发明首先对浮动车数据进行处理，获取时空速度矩阵，计算给定各个出发时刻的通过整个目标路径的瞬时旅行时间和真实旅行时间；其次创建历史数据库，建立工作日和非工作日两类历史数据库；然后建立预测模型，在建立时，利用灰度共生矩阵从时空速度矩阵中提取交通的时变特征，从历史数据库中选取相似的历史交通状态，再利用待预测交通状态的瞬时旅行时间与历史交通状态进行二次匹配，进行权重分配，获得最终的预测旅行时间。本发明充分挖掘历史数据特征，模型简单高效，无需长期训练过程，不需要先验知识和参数识别，具有较强的容错性和鲁棒性，稳定性高。

说明书

技术领域

本发明属于智能交通领域，基于浮动车时空网格数据准确把握城市快速路交通流的时空特性，精确预测城市快速路旅行时间。

背景技术

旅行时间信息作为一种评价交通状态的重要指标，已成为先进的出行者信息系统和先进的道路交通管理系统的关键组成部分，实时准确的旅行时间信息发布对于精细化的交通管理、改善出行服务具有重要的理论研究价值与现实意义。

旅行时间预测作为ITS(Intelligent Transport System，智能交通系统)领域长期的研究热点，在过往的数年中涌现出了各种各样的预测模型。以往的预测模型大多是基于固定检测器数据的研究，固定检测器可连续定点观测交通流量、密度、占有率等交通参数，观测精度高，但由于财力所限，固定检测器设施在我国比较薄弱，路网覆盖率低。与之相反，浮动车技术采集交通信息具有覆盖范围广、低成本、易推广优势，在我国得到大范围推广。然而由于浮动车数据在数据类别、数据特点上与固定监测器数据不尽相同，因此，需要探求一种适用于浮动车数据的精确旅行时间预测方法。

旅行时间预测模型概括起来主要包括模型驱动方法和数据驱动方法两类，模型驱动方法包括宏观交通流模型、时间序列法、卡尔曼滤波法等，该类方法建模简单，精度高，但受随机干扰因素影响大，不确定性强；数据驱动方法包括神经元网络法、支持向量机、K最近邻方法等，该类方法不需要先验知识和参数识别，具有较强的容错性和鲁棒性，但对历史数据量有一定要求。考虑到城市快速路交通状态的高度时变特性和非线性变化的特征，这对旅行时间精确预测提出了很大挑战。故预测过程中需要重点解决的问题是如何根据当前实际交通状态，综合考虑交通流的时空演变特性，对未来的旅行时间进行精准预测。

发明内容

本发明为了解决上述问题，提出一种能够基于浮动车历史数据的模式匹配方法，对浮动车数据进行精细化处理，进而得到高精度的数据，准确把握城市快速路交通流的时空演变特性，精确预测城市快速路旅行时间的方法。

本发明提供的一种基于浮动车网格数据的城市快速路旅行时间预测方法，包括下列步骤：

步骤一，对浮动车数据进行处理，具体是：

(1.1)获取时空速度矩阵：将城市路网划分成固定大小的方格，将采集到的浮动车速度数据按照一定的时间间隔映射到目标路径的每个方格里面，并假定每个方格内的交通状况是均质的，在保证方格内浮动车样本量的情况下，计算方格内的平均速度，作为目标路径固定路段长度和固定时间间隔的平均速度，获取要预测的目标路径一天之内不同时刻不同路段的时空速度矩阵。

(1.2)根据得到的每天的时空速度矩阵，分别计算给定各个出发时刻的通过整个目标路径的瞬时旅行时间和真实旅行时间。

步骤二，创建历史数据库，具体是：运用系统聚类的方法，将每天的时空速度矩阵作为系统输入进行聚类，聚类结果被划分为两类，结果显示工作日和非工作日交通状态有明显区别，故建立工作日和非工作日两类历史数据库。

步骤三，建立预测模型，具体是：

(3.1)利用灰度共生矩阵从时空速度矩阵中提取交通的时变特征；

(3.2)采用标准平方差方法度量当前要预测交通状态与历史数据之间的相似性，在相似性度量过程中添加时间窗限制，设从历史数据库匹配出K’个最相似的历史交通状态，每一个历史交通状态对应一个真实旅行时间和一个瞬时旅行时间；对K’个历史交通状态通过箱线图技术排除异常值，得到K个历史交通状态；

(3.3)利用当前要预测的交通状态的瞬时旅行时间与选出的K个最相似的历史交通状态进行二次匹配，对K个历史交通状态赋予权重，获得最终的预测旅行时间。

当前要预测的交通状态为预测目标，K个最相似的历史交通状态为K个候选者；在进行二次匹配时，首先用均方根误差度量预测目标和各候选者之间的距离；

然后，将得到的距离代入负指数分布，得到预测目标和候选者之间的相似性；

$s_i=\lambda ·e^{-\lambda ·r_i}$

其中，s_i代表第i个候选者与预测目标之间的相似性，λ是负指数分布的系数，r_i代表第i个候选者与预测目标之间的距离；

再根据计算出的相似性进行权重分配，第i个候选者的权重

最后，预测旅行时间

其中，t+Δt表示未来预测时段，表示第i个候选者的真实旅行时间。

本发明的优点和积极效果在于：本发明实现了基于浮动车时空网格数据的城市快速路旅行时间模式匹配预测，充分考虑了交通的时空演变特性，将浮动车数据进行精细化处理，进而得到高精度的数据，通过对历史数据的深度挖掘，精确预测城市快速路旅行时间。本发明方法与以往各类旅行时间预测模型相比，充分挖掘历史数据特征，克服了其他方法无法应对交通流高度时变特性和非线性变化特征的难题，模型简单高效，无需长期训练过程，不需要先验知识和参数识别，具有较强的容错性和鲁棒性，稳定性高。在充分提取交通时空特征的基础上，利用模式匹配方法，辅以一个时间窗限制，利用瞬时旅行时间进行二次匹配进一步分配权重，箱线图剔除异常值，使预测精度显著提高。

附图说明

图1是本发明的城市快速路旅行时间预测方法的流程示意图；

图2是一个时空轨迹图的灰度示意图；

图3是灰度共生矩阵的计算方法示意图；

图4是箱线图技术示意图；

图5是本发明模型建立时的权重分配的示意图；

图6是本发明实施例预测结果对比示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，流程如图1所示，为了测试预测方法的性能，下面以北京市二环快速路为例进行详细说明，北京市二环快速路的全长为32.7km，本发明实施例根据2015年1月1日至2月14日从早上6点到晚上10点的共计45天的浮动车数据创建历史数据，利用本发明所提出的方法进行预测，下面具体说明各个步骤。

步骤1)浮动车数据处理。

将包含北京市二环的路网划分为大小为100m×100m的网格，将采集到的浮动车数据按照每2min时间间隔映射到与目标路段相应的网格中，假定每个方格内的交通状态为均质，在保证方格内浮动车样本量的情况下，计算方格内的平均速度。将方格内样本的速度平均值作为此路段的交通状态的速度值，由此得到目标路径每100m每2min的速度值，将其拓展到整个路径和所有时刻，由北京市二环快速路一天内从早上六点到晚上十点的浮动车速度数据，可得到一个大小为320×480的时空速度矩阵，320代表320个100m，480代表480个2min。每天的浮动车数据对应一个时空速度矩阵。将时空速度矩阵对应表示为时空速度轨迹图，图中的宽和高分别代表时间间隔和路段标识，固定时间间隔内某路段的交通状态可在时空速度矩阵中获得，用颜色标记速度值的大小，如图2所示，为将一个时空速度轨迹图转化成灰度的示意图，颜色越深代表速度值越小，此路段越拥堵。

根据每天的时空速度矩阵，分别计算给定每天各个出发时刻的通过整个目标路径的瞬时旅行时间和真实旅行时间。瞬时旅行时间是指假定出发时刻目标路径的所有路段的交通状态保持不变，即每个方格内的速度保持不变，计算通过各个方格内的旅行时间，并累加即可求出整个目标路径的瞬时旅行时间。真实旅行时间是指一辆车通过目标路径所有路段的真实旅行时间，在计算真实旅行时间的时候，要保证车辆进入不同方格后速度动态更新，最终通过累加所有方格的旅行时间得出通过整个路径的真实旅行时间。

由此，可画出瞬时轨迹和真实轨迹在整个路段的时空速度轨迹图，如图2所示。通过对比可以发现二者存在较大差别，尤其是早晚高峰差异很大，说明单纯的依靠实时的瞬时旅行时间预测的误差很大，因此需要一种充分挖掘历史数据的预测模型来精确预测旅行时间。

步骤2)创建历史数据库。

由于不同日期所呈现的交通特性不同，比如拥堵蔓延范围、拥堵持续时间不同，反映到数据层面就是每天得到的速度矩阵差别很大，故将历史数据库按照日期进行聚类。运用系统聚类的方法，将45天的历史数据库每天的时空速度矩阵作为系统输入进行聚类，聚类结果分别为工作日和非工作日，故将历史数据库划分为工作日和非工作日两类，其中工作日31天，非工作日14天。

步骤3)建立预测模型。

步骤3.1)提取交通状态的时变特征。

在计算机视觉领域，灰度共生矩阵常常用来做图像分析和模式匹配，用来精确提取图像特征，它是像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。将它运用到速度交通时空中，它能更好地提取出交通时空演变特性，揭示交通的内在演化机理。从时空速度矩阵中计算出灰度共生矩阵，能更好的表示交通特征，揭示时空演化特征。灰度共生矩阵的计算示意图参见图3。

如图3所示，此时交通状态被定义为一个4×5的时空速度矩阵，接着时空速度矩阵的每一个值被缩放为值1-8之间，然后灰度共生矩阵中是从缩放后的矩阵中得到，具体做法是计算相互毗邻的两个值重复出现的次数，并填入相应的灰度共生矩阵中，如毗邻速度对(1,2)重复出现一次，毗邻速度对(2，3)重复出现两次。所计算得到的灰度共生矩阵就是得到的时变特征。

步骤3.2)相似性度量。

得到灰度共生矩阵之后，利用灰度共生矩阵从时空速度矩阵中提取交通的时变特征，并以此作为输入，采用标准平方差方法度量当前时刻的交通状态与历史数据之间的相似性。在时序数据的模式匹配中，标准平方差公式常用来做距离的度量，即相似性度量，对应计算公式如下：

$D(T,I)=\frac{{\Sigma }_{T,I}{\left(T\right(c,l)-I(h,l\left)\right)}^2}{\sqrt{{\Sigma }_{c,l}T{(c,l)}^2}·\sqrt{{\Sigma }_{h,l}I{(h,l)}^2}}---\left(1\right)$

公式(1)中，c代表要预测交通状态的起始时刻，h代表从历史数据库中搜寻的相似交通状态的起始时刻，l代表匹配的时空速度矩阵的长度，即对应的时间间隔数，称作模版长度，T(c,l)是从灰度共生矩阵得到的预测目标交通状态，I(h,l)代表从历史数据库中搜寻的相似的交通状态，D(T,I)代表预测目标交通状态与相应历史数据交通状态之间的距离，表征两者之间的交通状态的相似性，此值越小说明距离越小，交通状态越相似，每一个从历史数据库中搜寻的相似的交通状态都对应着一个真实的旅行时间，这些旅行时间通过分配不同的权重来计算最终的旅行时间。

设从历史数据库匹配出K’个与当前时刻最相似的历史交通状态，每一个相似的历史交通状态都对应一个真实旅行时间和一个瞬时旅行时间。

步骤3.3)在相似性度量时进行时间窗限制。

在相似性度量的过程中，为了使从历史数据库中选出来的历史交通状态跟要预测的目标路段的交通状态具有较高的相似性，同时降低匹配运算过程中计算的时间和空间复杂度，在与历史数据匹配过程中运用时间窗进行匹配限制，即假定与预测目标相似的交通状态通常在给定时刻的前后某一段时段内，比如要预测某天早上九点的旅行时间，只需要将搜寻范围设定在每天早上的八点和十点之间的交通状态，只在这个范围之内对预测目标交通状态进行匹配，在本发明实施例中，通过反复测试，发现设定60分钟的时间窗限制能明显提升预测精度。

步骤3.4)去除异常值影响。

由于交通的高度时变特性和非线性变化特征，即使从历史数据库中匹配到相似的交通状态，依旧会存在一些极端异常值，对预测结果造成负面影响，为了保证预测精度，一个箱线图技术被用来去除异常值。

如图4所示，为箱线图的定义，将大于上边界和下边界的值视为异常值，即十字状代表的值，将其排除，结果证明去除异常值能提升预测精度。本发明中，对得到的K’个最相似的历史交通状态利用箱线图技术进行异常值去除，将K’个最相似的历史交通状态对应的真实旅行时间排序，去除其中的异常值。去除异常值后，设还剩余K个最相似的历史交通状态。

步骤3.5)权值分配。

对于给定出发时刻的预测目标，按照以上相似性度量的方法，能从对应的历史数据库中选出K个与当前要预测交通状态最相似的历史交通状态，称作候选者。为了更准确对旅行时间进行预测，在预测前需要对这些候选者的真实旅行时间赋予权重。从相应历史数据库挑选出的每一个相似交通状态都会对应一个真实旅行时间和瞬时旅行时间，由于对于给定出发时刻的预测目标来说，真实旅行时间还无法得到，故此处采用二次匹配瞬时旅行时间来分配权重。计算出预测目标的过去各个时刻的瞬时旅行时间，将预测目标的对应时间间隔的瞬时旅行时间与候选者的对应的时间间隔的瞬时旅行时间进行二次匹配，计算出距离，根据距离的远近对候选者的旅行时间赋予一定的权重，权重分配过程详见图5。两个点虚线是候选者1、2，代表从历史数据库中选出的相似的两个交通状态，实线是预测的目标，即当前的交通状态，预测目标和候选者都包含几个时间间隔，即模版长度。此过程分为3个步骤，具体如下：

第一步：用均方根误差RMSE度量预测目标和候选者之间的距离，如公式(2)所示：

$r_i=\sqrt{\frac{{\Sigma }_{j=1}^m-{(T_{i,j}^{Ins}-{\hat{T}}_j^{Ins})}^2}{m}}---\left(2\right)$

其中，r_i代表第i个候选者与预测目标之间的均方根误差，m代表匹配过程的时间间隔数，也就是模版长度，代表第i个候选者在第j个时间间隔的瞬时旅行时间，代表预测目标在第j个时间间隔的瞬时旅行时间。

第二步：设计算出的RMSE服从负指数分布，如公式(3)所示，并将其带入负指数分布；

$s_i=\lambda ·e^{-\lambda ·r_i}---\left(3\right)$

其中，s_i代表第i个候选者与预测目标之间的相似性，λ是负指数分布的系数。

第三步：根据计算出的相似性进行权重分配，如公式(4)和(5)所示。

$w_i=\frac{s_i}{{\Sigma }_{i=1}^K{s}_i}---\left(4\right)$

$\hat{T}(t+\Delta t)={\Sigma }_{i=1}^K{w}_i·T_{i,t+\Delta t}^{Exp}---\left(5\right)$

其中，w_i代表第i个候选者的权重，t+Δt表示未来预测时段，代表最终预测的旅行时间，它是每一个候选者真实旅行时间的线性组合。

为了评价本发明的预测模型的预测精度，分别选取历史平均、瞬时旅行时间、Naive KNN方法与本发明方法进行对比，取2015年1月8号为例，分别计算出各种方法与给定各个出发时刻对应预测时间，方法对比见图6。可以发现本发明提出的方法，无论是在拥堵高峰还是平峰都取得了较好的预测效果。以平均绝对百分误差、平均绝对误差作为度量误差指标，如公式(6)和(7)所示，对预测结果进行评价。

$MAE=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}|T\left(t\right)-\hat{T}\left(t\right)|---\left(6\right)$

$MAPE=\frac{1}{n}\underset{t=1}{\overset{n}{\Sigma }}\left|\frac{T\left(t\right)-\hat{T}\left(t\right)}{T\left(t\right)}\right|*100---\left(7\right)$

其中，MAE表示平均绝对误差，MAPE表示平均绝对百分比误差，T(t)和分别代表真实的旅行时间和预测值，n代表预测的时间间隔数。

选取1月1、5、8、11、13、28号、二月13、14号共计8天可得到误差对比表1。

表1误差对比表

通过对比可发现，本发明方法均优于其他方法且与真实值非常接近，表明采用本发明预测，预测精度高，预测效果好。