[发明专利]基于交通大数据的行程时间融合预测及查询方法

摘要

本发明基于交通大数据的行程时间融合预测方法及查询方法，对所有在线车辆上传的数据进行离线计算或训练来获取各类预测模型及参数，依据各类预测模型及参数建立并动态更新数据字典；调用各类预测模型及参数，并结合实时路段和路径的行程时间数据，对路网或单车的交通状态进行预测；所述数据字典包括车辆数据字典、路段数据字典和路径数据字典；所述在线车辆是指注册入网并自动上传定位和速度数据的车辆。本发明的有益技术效果是克服了现有技术路网或单车的交通状态预测方法存在的实时性较差、通用性较差和实用性不强等问题，大幅提高了测精度，同时大幅提高了在线预测的速度，保证了工程应用中的实时性、实用性和通用性。

主权项

1.一种基于交通大数据的行程时间融合预测方法，其特征在于，对所有在线车辆上传的数据进行离线计算或训练来获取各类预测模型及参数，依据各类预测模型及参数建立并动态更新数据字典；调用各类预测模型及参数，并结合实时路段和路径的行程时间数据，对路网或单车的交通状态进行预测；所述数据字典包括车辆数据字典、路段数据字典和路径数据字典；所述在线车辆是指注册入网并自动上传定位和速度数据的车辆；其中，所述各类预测模型及参数包括路段或路径行程时间数据的周期规则模型、路段或路径行程时间的统计规则模型、路段或路径行程时间的长时预测模型、路段或路径行程时间的短时预测模型、路段或路径行程时间的长短时融合预测模型和交叉口延误关联分析模型；其中，采用周期律级数逼近PLSA算法，Periodic Law Series Approximation，PLSA，获取路段或路径行程时间数据周期规则模型，并采用最小二乘法LSM，Least Square Method，LSM，求解逼近模型参数；采用统计规律提取SRE算法，Statistical Rule Extraction，SRE，获取路段或路径行程时间统计规则模型，并采用核密度估计KDE算法，Kernel Density Estimation，KDE，获取路段或路径行程时间的概率密度变化规律；采用长时滚动纠偏预测LRCF算法，Long‑time Rolling Correction Forecast，LRCF，获取路段或路径行程时间长时预测模型，并通过离线计算获取长时预测模型参数，通过在线计算快速实现路段或路径行程时间预测；采用短时滚动拟合预测SRFF算法，Short‑time Rolling Fitting Forecast，SRFF，获取路段或路径行程时间短时预测模型，并采用时间序列自回归滑动平均ARMA算法 ，Auto‑Regressive and Moving Average，ARMA，构造短时预测模型，并采用最小二乘法LSM，Least Square Method，LSM，求解模型参数；采用筛状融合预测SFF算法，Sieve Fusion Forecast，SFF，获取路段或路径行程时间长短时融合预测模型，并通过离线训练，采用高斯‑牛顿迭代法GNIM，Guassian‑Newton Iterative Method，GNIM，获取融合预测模型参数；采用交叉口延误关联分析IDCA算法，Intersection Delay Correlation Analysis，IDCA，构造交叉口延误关联分析模型，并通过最小二乘法LSM，Least Square Method，LSM，求解模型参数，通过离线训练获取模型参数，通过在线计算实现路径行程时间的快速补偿；其中，所述长时预测是指通过LRCF算法获取路段或路径行程时间的长时预测值，长时预测时长的取值范围设定为0分钟到3个月，具体的长时预测时长在用户选定的预测时长基础上通过线性折算来获取；所述短时预测是指通过SRFF算法获取路段或路径行程时间的短时预测值，短时预测时长的取值范围设定为0分钟到3个小时，具体的短时预测时长在用户选定的预测时长基础上通过线性折算来获取。