基于交通流量预测的旅游出行规划方法及系统与流程

本发明涉及交通预测技术领域，特别涉及基于交通流量预测的旅游出行规划方法及系统。

背景技术：

随着人们生活水平改善，选择外出旅游的人们越来越多，旅游已经成为人们在假期或业余时间进行放松、休闲娱乐活动的一个主要选择。而在整体旅游过程的顺利与否、旅游体验的好坏都与交通状况有着密不可分的关系，若在出游或返程过程中出现交通拥堵等情况，会极大地影响到人们的出游心情，甚至扰乱后续的整体旅游规划。所以人们在提前规划外出旅行——特别是自驾游或者是乘坐汽车旅游的时候，都希望能够通过调整规划旅游时间和路线来避开交通高峰的时段和路段。

目前交通流量预测的相关方法主要为近期预测，例如预测几个小时之后的交通状况，而像旅游规划等的出行计划一般需要提前几天、几周甚至几个月就需要制定，因此现有的预测近期交通状况的方式无法满足人们对于上述预测远期交通状况的需求。

技术实现要素：

（一）发明目的

为克服上述现有技术存在的至少一种缺陷，满足用户提前制定远期出行计划的需求，本发明提供了以下技术方案。

（二）技术方案

作为本发明的第一方面，本发明公开了基于交通流量预测的旅游出行规划方法，包括：

确定出包含计划出行时间的计划出行时段；

确定出与所述计划出行时段相对应的往年相应时期；

确定出包含所述出行目的地的目标地域，获取在所述往年相应时期内所述目标地域的交通流量历史数据；

依据所述交通流量历史数据中各采样区域流量数据的差异程度对所述目标地域进行划分，得到多个交通区域；

依据各所述交通区域的分布以及所述交通区域在所述往年相应时期内的交通流量历史数据，规划出行时段和/或出行路线。

在一种可能的实施方式中，所述计划出行时段的时长为一个自然周。

在一种可能的实施方式中，所述确定出与所述计划出行时段相对应的往年相应时期包括：

判断所述计划出行时段是否包含节假日或因节假日产生的补休日，在所述计划出行时段包含所述节假日或所述补休日的情况下，以包含所述节假日或所述补休日的往年时期作为往年相应时期；在所述计划出行时段不包含节假日和所述补休日的情况下，依据所述计划出行时段的气候条件确定往年相应时期。

在一种可能的实施方式中，所述依据所述计划出行时段的气候条件确定所述往年相应时期包括：

获取所述计划出行时段的气象要素预计值的平均值；

确定出与所述计划出行时段同期的往年第一时段，并确定出包含所述往年第一时段并且时段跨度大于所述往年第一时段的往年第二时段；

在所述往年第二时段中确定出最接近所述计划出行时段气象要素预计值的平均值的对应时段，并将该对应时段确定为往年相应时期；其中，所述气象要素包括以下至少一项：气温，湿度，风力，紫外线指数，空气污染指数。

在一种可能的实施方式中，所述往年第二时段的起始日期与所述往年第一时段的起始日期相同或先于所述往年第一时段的起始日期，且在先于所述往年第一时段的起始日期的情况下，两者之间的日期偏差值不超出预设的起始日期偏差阈值；所述往年第二时段的结束日期与所述往年第一时段的结束日期相同或晚于所述往年第一时段的结束日期，且在晚于所述往年第一时段的结束日期的情况下，两者之间的日期偏差值不超出预设的结束日期偏差阈值。

在一种可能的实施方式中，选取以下其中一项作为所述目标地域的范围：城市环路范围，城市轨道交通环线范围，以所述出行目的地为中心的半径为r的范围，其中r为预设采样半径。

在一种可能的实施方式中，所述交通流量历史数据包括所述往年相应时期内所述目标地域内各交通流量监测点采集的数据。

在一种可能的实施方式中，所述依据所述交通流量历史数据中各采样区域流量数据的差异程度对所述目标地域进行划分包括：

从所述目标地域中选择一个所述采样区域作为基准区域；

在其他所述采样区域中确定出与所述基准区域的空间距离不超过预设距离阈值，并且与所述基准区域流量数据的同比差异程度均不超过预设流量差异阈值的采样区域；

将上述确定出的采样区域与所述基准区域归入同一交通区域；

对未被归入交通区域中的所述采样区域重复执行上述步骤，并将确定出的采样区域与新选中的基准区域归入另一交通区域，直到所有所述采样区域均被归入交通区域中。

在一种可能的实施方式中，所述往年相应时期为所述计划出行时段所在年度前一年的时期，或所述计划出行时段所在年度前n年中每一年的时期，其中n>1。

作为本发明的第二方面，本发明公开了基于交通流量预测的旅游出行规划系统，包括：

出行时段确定模块，用于确定出包含计划出行时间的计划出行时段；

相应时期确定模块，用于确定出与所述计划出行时段相对应的往年相应时期；

历史数据获取模块，用于确定出包含所述出行目的地的目标地域，获取在所述往年相应时期内所述目标地域的交通流量历史数据；

目标地域划分模块，用于依据所述交通流量历史数据中各采样区域流量数据的差异程度对所述目标地域进行划分，得到多个交通区域；

出行规划模块，用于依据各所述交通区域的分布以及所述交通区域在所述往年相应时期内的交通流量历史数据，规划出行时段和/或出行路线。

在一种可能的实施方式中，所述出行时段确定模块确定的计划出行时段的时长为一个自然周。

在一种可能的实施方式中，所述相应时期确定模块包括：

第一确定单元，用于判断所述计划出行时段是否包含节假日或因节假日产生的补休日，在所述计划出行时段包含所述节假日或所述补休日的情况下，以包含所述节假日或所述补休日的往年时期作为往年相应时期；

第二确定单元，用于在所述计划出行时段不包含节假日和所述补休日的情况下，依据所述计划出行时段的气候条件确定往年相应时期。

在一种可能的实施方式中，所述第二确定单元包括：

获取子单元，用于获取所述计划出行时段的气象要素预计值的平均值；

时段确定子单元，用于确定出与所述计划出行时段同期的往年第一时段，并确定出包含所述往年第一时段并且时段跨度大于所述往年第一时段的往年第二时段；

时期确定子单元，用于在所述往年第二时段中确定出最接近所述计划出行时段气象要素预计值的平均值的对应时段，并将该对应时段确定为往年相应时期；其中，

用于所述气象要素包括以下至少一项：气温，湿度，风力，紫外线指数，空气污染指数。

在一种可能的实施方式中，所述往年第二时段的起始日期与所述往年第一时段的起始日期相同或先于所述往年第一时段的起始日期，且在先于所述往年第一时段的起始日期的情况下，两者之间的日期偏差值不超出预设的起始日期偏差阈值；所述往年第二时段的结束日期与所述往年第一时段的结束日期相同或晚于所述往年第一时段的结束日期，且在晚于所述往年第一时段的结束日期的情况下，两者之间的日期偏差值不超出预设的结束日期偏差阈值。

在一种可能的实施方式中，选取以下其中一项作为所述目标地域的范围：城市环路范围，城市轨道交通环线范围，以所述出行目的地为中心的半径为r的范围，其中r为预设采样半径。

在一种可能的实施方式中，所述历史数据获取模块包括：

监测点采集单元，用于获取在所述往年相应时期内所述目标地域内各交通流量监测点采集的数据作为所述交通流量历史数据。

在一种可能的实施方式中，所述目标地域划分模块包括：

基准选择单元，用于从所述目标地域中选择一个所述采样区域作为基准区域；

区域确定单元，用于在其他所述采样区域中确定出与所述基准区域的空间距离不超过预设距离阈值，并且与所述基准区域流量数据的同比差异程度均不超过预设流量差异阈值的采样区域；

区域归类单元，用于将上述确定出的采样区域与所述基准区域归入同一交通区域；

循环单元，用于对未被归入交通区域中的所述采样区域重复执行上述步骤，并将确定出的采样区域与新选中的基准区域归入另一交通区域，直到所有所述采样区域均被归入交通区域中。

在一种可能的实施方式中，所述相应时期确定模块确定的往年相应时期为所述计划出行时段所在年度前一年的时期，或所述计划出行时段所在年度前n年中每一年的时期，其中n>1。

（三）有益效果

本发明提供的基于交通流量预测的出行规划方法及系统，能够服务于需要提前制定出行计划的用户，特别是需要制定远期出行计划的用户，满足用户提前几天、几周甚至几个月制定出行计划的需求，以避免在旅程途中因赶上交通高峰的时段和路段而影响旅程体验和进度。

附图说明

以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。

图1是本发明第一实施例提供的基于交通流量预测的旅游出行规划方法的流程示意图。

图2是将目标地域被划分为交通区域的平面示意图。

图3是目标地域中包含的采样区域的分布示意图。

图4是两个采样区域对比各时段的流量数据的点状示意图。

图5是将目标地域的采样区域进行相似归类后得到的交通区域平面示意图。

图6是本发明第三实施例提供的基于交通流量预测的出行规划系统的结构框图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。

需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本文中，“第一”、“第二”等仅用于彼此的区分，而非表示它们的重要程度及顺序等。

本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元、组件在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以依据实际需要选择其中的部分或全部的单元来实现实施例的方案。

下面参考图1至图5详细描述本发明提供的基于交通流量预测的旅游出行规划方法的一个实施例，即第一实施例。本实施例主要应用于需要提前制定出行计划的用户，特别是需要制定远期出行计划的用户，能够满足用户提前几天、几周甚至几个月制定出行计划的需求，以避免在旅程途中因赶上交通高峰的时段和路段而影响旅程体验和进度。

如图1所示，本实施例提供的基于交通流量预测的旅游出行规划方法包括如下步骤：

步骤100，确定出包含计划出行时间的计划出行时段。

用户在制定近期出行计划或远期出行计划之前，首先要确定一个计划出行时间，计划出行时间为用户期望出行的时间。计划出行时间可以为一个日期，比如2018年10月1日，或一个日期中的一个大致时间段，例如2018年10月1日上午。以出游为例，用户期望在几个星期后的某一天外出到某地旅游，则首先需要根据自身的时间安排，确定出计划出游时间。

在确定了计划出行时间后，需要根据计划出行时间确定计划出行时段，以便于后续进行出行规划。可以理解的是，计划出行时间必然包括在计划出行时段内。计划出行时段为预先设置的具有一定日期跨度的时间段，日期跨度的大小依据需要设置。例如设置每5天为一个时段，该时段中的第一天以每年的1月1日为该年中第一个时段的第一天，后续以此类推，每个平年均被分割成73个时段，对于闰年则是该年的最后一个时段（即第73个时段）包括6天的时间跨度。可以理解的是，本申请中，时段指的是以天为单位的时间段或时间区间，例如从2018年10月1日至2018年10月7日的时间跨度为7天的时段。

步骤200，确定出与计划出行时段相对应的往年相应时期。

在确定出计划出行时段后，为了预测计划出行时段的交通状况，因此要在往年确定出与计划出行时段相对应的一段时期作为预测的基准，即确定出与计划出行时段相对应的往年相应时期。往年相应时期可以是往年同期，例如计划出行时段为2018年10月1日至7日，则往年相应时期可以直接设定为2017年10月1日至7日，也可以通过其他能够实际影响到人们出行的条件来确定与计划出行时段相对应的往年相应时期，具体详见后续内容。

需要说明的是，本实施例中，往年相应时期为上述计划出行时段所在年度前一年的一段时期，即前一年相应时期。

步骤300，确定出包含出行目的地的目标地域，获取在往年相应时期内目标地域的交通流量历史数据。

在确定出往年相应时期（即前一年相应时期）之后，预测交通状况过程所需的时间要素已确定，还需确定出区域要素，即目标地域。目标地域是包含有出行目的地并且地理范围大于出行目的地的一片区域。例如，出行目的地定为故宫博物院，则目标地域可以设置为二环以内的区域。

在确定出预测交通状况所需要的时间要素和区域要素后，可以开始进行交通状况预测，而进行交通状况预测首先要做的就是获取在前一年相应时期内目标地域的交通流量历史数据。交通流量历史数据能够反映出目标地域内交通流量的大小，即路况在不同时段（一天中的不同时间点）下的拥挤程度。通过对包含出行目的地的目标地域在相应于计划出行时段的前一年相应时期内的交通流量进行分析，能够使用户参考前一年的交通拥堵时间及地点合理安排当年的出行计划，避开拥堵时间和拥堵地点。

需要说明的是，由于目标地域内通常会包括有多个十字路口，以及高架桥等设施，因此一个目标地域包括有多个采样区域，采样区域是单位区域，每个采样区域可以是包含有一个十字路口的区域或其他能够采集交通流量的区域，并且每个采样区域贡献一组包括有不同时段数据的交通流量数据，而目标地域的交通流量数据由目标地域内的各个采样区域内采集的交通流量数据组成。

步骤400，依据交通流量历史数据中各采样区域流量数据的差异程度对目标地域进行划分，得到多个交通区域。

在得到往年相应时期（即前一年相应时期）内目标地域的交通流量历史数据后，开始对交通流量历史数据进行分析。分析过程大致为：对目标地域包含的各个采样区域在前一年相应时期内的交通流量数据进行分析，将数据差异程度相对较小的采样区域划分到同一个交通区域内，则数据差异程度相对较大的采样区域势必会被划分到不同的交通区域内，最终得到多个交通区域。若所有采样区域的数据的差异程度均较小，则重新界定差异程度的标准，使得各采样区域之间的数据差异程度能够被区分出相对较小和相对较大。

交通区域为贡献有一组或多组数据的区域，其由一个或多个采样区域组成，用于表明目标地域内各区域交通流量的相似程度。若一个交通区域包括多个采样区域，则该多个采样区域的交通流量数据具有较高的一致性；若一个交通区域只包括一个采样区域，则该采样区域的交通流量数据与目标地域内其他采样区域差异较大，因此被单独归到一个只包含其自身的交通区域内。

步骤500，依据各交通区域的分布以及交通区域在往年相应时期内的交通流量历史数据，规划出行时段和/或出行路线。

在将采样区域归类并将目标地域划分为多个交通区域后，依据各交通区域的位置分布，以及交通区域在往年相应时期（即前一年相应时期）内的交通流量历史数据，来规划出行时段，如图2所示，d为出行目的地，r为包含出行目的地d的目标地域，目标地域r被划分为三个交通区域，即交通区域a、交通区域b和交通区域c。其中，若交通区域a在前一年相应时期（即计划出行年的前一年中的相应日期）内的交流流量在整体上小于交通区域b和交通区域c，则建议用户途经交通区域a进入出行目的地d；若交通区域a、b、c的交通流量高峰时段各不相同，则选择用户预期的出行时段中交通流量最小的交通区域。

在一种实施方式中，计划出行时段的时长为一个自然周。

计划出行时段以周为单位，一周是一个时段。每年中的第一个自然周从该年的第一个星期一（或星期日）开始，星期日（或星期六）截止，后续的自然周以此类推。以自然周为星期一起始、星期日终止为例，若一年中最后一个自然周的最后一天（即该年的最后一个星期日）不是12月31日，并且最后一个自然周的第一天到12月31日之间的时间跨度不足一个自然周（即7天）的时间，则最后一个自然周的最后一天以该周的星期日算。以2018年为例，2018年的最后一个自然周的第一天为12月31日，因此该自然周的时间跨度为2018年12月31日至2019年1月6日，2019年的第一个自然周的第一天是2019年的第一个星期一，即1月7日。

在一种实施方式中，步骤200中的确定出与计划出行时段相对应的往年相应时期具体包括如下步骤：

步骤210，判断计划出行时段是否包含节假日或因节假日产生的补休日，在计划出行时段包含节假日或补休日的情况下，以包含节假日或补休日的往年时期作为往年相应时期；在计划出行时段不包含节假日和补休日的情况下，依据计划出行时段的气候条件确定往年相应时期。

节假日是节日和假日的合称。中国内地现行法定节假日共11天，包括春节3天，国庆3天，元旦、清明、五一、端午、中秋各1天。可以理解的是，依据国内放假的相关安排，若法定节假日当天为工作日，则可能会有倒休的情况，因此因倒休产生的补休日也在上述判断时被包含在判断条件内。

由于节假日期间的出行人员相较于非节假日期间较多，因此节假日是对交通流量产生影响最大的一个因素。在确定往年相应时期（即前一年相应时期）时，若计划出行时段包含有节假日，或包含有补休日，则直接以包含节假日或补休日的前一年时期作为前一年相应时期，以参考前一年相应时期的交通状况来预测本次出行的交通状况。例如，计划出行时间为2018年2月15日，则计划出行时段为2018年2月12日至18日，其中计划出行时段包含有春节节假日的前四天（除夕至初三），因此前一年相应时期包含2017年春节节假日的前四天以及除夕之前的三天，即2017年1月24日至30日（其中27日为除夕）。前一年相应时期的时间跨度与计划出行时段的时间跨度相同，在计划出行时段为一个自然周时，前一年相应时期则为7天，并且节假日在前一年相应时期中的位置和在计划出行时段的位置相同。

需要说明的是，上述节假日还可以包含国外的在我国已被大众接纳并对大众生活影响较大的国外节假日，例如情人节、圣诞节等。在计划出行时段中不包含国内法定节假日但包含上述国外节假日时，可以判定为计划出行时段包含节假日，并以包含国外节假日的前一年时期作为前一年相应时期。但需要注意的是，在计划出行时段只包含国外节假日而不包含国内节假日时，若前一年相应时期不止包含国外节假日还包含国内节假日时，则需要进一步考虑数据能够使用。例如，计划出行时间为2019年2月13日，其所在的自然周包含情人节但不包含任何国内节假日，因此前一年相应时期为2018年2月11至17日，但前一年相应时期中包含有春节（15日除夕），因此交通流量数据并不准确，此时需要将该情况判定为计划出行时段不包含任何节假日，并依据计划出行时段的气候条件确定前一年相应时期。

在一种实施方式中，步骤210中的依据计划出行时段的气候条件确定往年相应时期包括如下步骤：

步骤221，获取计划出行时段的气象要素预计值的平均值。其中，气象要素包括以下至少一项：气温，湿度，风力，紫外线指数，空气污染指数。

在需要依据气候条件来确定与计划出行时段相对应的往年相应时期（即前一年相应时期）时，首先通过中长期气象预报或其他方式获取到计划出行时段的气象要素预计值，气象要素可以包括气温，湿度，风力，紫外线指数，空气污染指数中的一项或多项。例如，计划出行时段为2018年10月8日至14日，气象要素包括气温、风力、紫外线指数和空气污染指数，则通过气象预报获取到2018年10月8日至14日中每一天的预计平均气温、预计平均风力、预计平均紫外线指数、预计平均空气污染指数，进而得到2018年10月8日至14日期间整体的预计平均气温、预计平均风力、预计平均紫外线指数、预计平均空气污染指数，即计划出行时段的各项气象要素预计值的平均值。

步骤222，确定出与计划出行时段同期的往年第一时段，并确定出包含往年第一时段并且时段跨度大于往年第一时段的往年第二时段。

往年第一时段（即前一年第一时段）和计划出行时段为同期时段，例如计划出行时段为2018年10月8日至14日，则前一年第一时段为2017年10月8日至14日。往年第二时段（即前一年第二时段）为包含前一年第一时段且时间跨度大于前一年第一时段的时段，例如前一年第二时段可以为2017年10月3日至19日，或2017年10月8日至23日。

步骤223，在往年第二时段中确定出最接近计划出行时段气象要素预计值的平均值的对应时段，并将该对应时段确定为往年相应时期。

例如，气象要素只有气温一项，计划出行时段2018年10月8日至14日的预计平均气温t为22.5℃，前一年第二时段确定为2017年10月3日至19日，则获取到前一年第二时段中3日至9日的平均气温t1、4日至10日的平均气温t2，直至13日至19日的平均气温t11，共获取到前一年第二时段中的11份不同时段平均气温，然后将计划出行时段的预计平均气温t与上述11份不同时段平均气温进行比较，得到与预计平均气温最接近的平均气温，进而确定出对应该最接近平均气温的时段，例如是5日至11日的平均气温t3，则2017年10月5日至11日为前一年相应时期。

若气象要素有多项，例如除了气温，还包括风力、紫外线指数、空气污染指数，则在前一年第二时段中确定出最接近计划出行时段的预计平均风力、预计平均紫外线指数、预计平均空气污染指数的对应时段的方式与上述确定最接近预计平均气温的对应时段的方式相同。若气温、风力、紫外线指数、空气污染指数这四项确定出的对应时段不完全相同，则可以选择最接近的项目最多的对应时段为前一年相应时期。若上述四项确定出的对应时段各不相同，则可以根据预先为这四项分配的权重，以及各自的对应时段之间的时间间隔大小来判断，例如气温、风力、紫外线指数、空气污染指数分别对应的最接近对应时段分别为5日至11日、4日至10日、6日至12日、11日至17日，上述四项中，气温所占权重最大，空气污染指数所占权重最小，同时气温的对应时段位于风力和紫外线指数之间，而空气污染指数的对应时段与其他三项之间的时间间隔较大，因此选择气温的对应时段（5日至11日）作为前一年相应时期。

在一种实施方式中，往年第二时段的起始日期与往年第一时段的起始日期相同或先于往年第一时段的起始日期，且在往年第二时段的起始日期先于往年第一时段的起始日期的情况下，往年第二时段的起始日期和往年第一时段的起始日期之间的日期偏差值不超出预设的起始日期偏差阈值；往年第二时段的结束日期与往年第一时段的结束日期相同或晚于往年第一时段的结束日期，且在往年第二时段的结束日期晚于往年第一时段的结束日期的情况下，往年第二时段的结束日期和往年第一时段的结束日期之间的日期偏差值不超出预设的结束日期偏差阈值。

起始日期偏差阈值和结束日期偏差阈值为预先设定的，例如起始日期偏差阈值ds和结束日期偏差阈值de均为5天，则对于计划出行时段2018年10月8日至14日的前一年第二时段为2017年10月3日至19日，然后在前一年第二时段中确定出最接近气象要素预计值的平均值的一段与计划出行时段时间跨度相同的时期。可以理解的是，起始日期偏差阈值和结束日期偏差阈值也可以设置为不同数值，具体数值的设定可根据情况进行设置。

在一种实施方式中，选取以下其中一项作为所述目标地域的范围：城市环路范围，城市轨道交通环线范围，以出行目的地为中心的半径为r的范围，其中r为预设采样半径。

在通过判断节假日确定出前一年相应时期或通过气候条件确定出前一年相应时期之后，即为确定目标地域。目标地域的范围必然要大于出行目的地并且完全包括出行目的地的范围。在设定目标地域时，可以采用以下三种方式中的其中一种来设定目标地域的范围：

第一种，以出行目的地所在城市的环路范围作为目标地域的范围。环路就是绕城市的中心区成圈的道路，一般为环城快速公路。例如，出行目的地为天安门，则可以将目标地域设定为北京市二环路，目标地域的范围即为二环路的范围。

第二种，以出行目的地所在城市的轨道交通环线范围作为目标地域的范围。环线，全称环绕路线，是指由公路铁路及其内部车辆共同组成的环行运输系统，主要特点是交通路线呈环形。例如，出行目的地为北京景山公园，则可以将目标地域设定为北京地铁2号线环线，目标地域的范围即为2号线内的范围。

第三种，以出行目的地为中心的半径为r的范围，其中r为预设采样半径。例如，出行目的地为北京什刹海公园，则目标地域的范围设定为以什刹海公园中心为圆心、半径5公里的一个圆的范围。可以理解的是，预设采样半径r可以根据需要进行调整，例如出行目的地若较为偏远且道路交通不方便，则可以适当扩大半径r，例如设定r为10公里，以保证交通流量历史数据充足并有代表性。

在一种实施方式中，交通流量历史数据包括往年相应时期内目标地域内各交通流量监测点采集的数据。

在获取往年相应时期（即前一年相应时期）内目标地域的交通流量历史数据时，可以通过获取目标地域内各交通流量监测点采集的数据的方式来得到交通流量历史数据。随着物联网技术的发展，现在公路上普遍设置很多的流量监测点，每个监测点具有检测车流量的传感器或者检测装置，例如地磁传感器、视频监控器等，可以获取每个时段的车流量数据，并且上传到平台进行保存，从而形成了交通流量数据。

具体的，根据上述步骤300中的内容，一个目标地域包括有多个采样区域，而采样区域的可以根据交通流量监测点来划分，即一个交通流量监测点代表一个采样区域，目标地域内包括有10个监测点，则表示目标地域被划分为10个采样区域。

若监测点每半个小时采样一次交通流量数据，则在计划出行时段为7天时，目标地域内每个监测点每天能够采集48个交通流量数据，假设目标地域包括20个交通流量监测点，则在前一年相应时期（同为7天）内目标地域内共有10*48*7=3360个数据。

在一种实施方式中，步骤400中依据交通流量历史数据中各采样区域流量数据的差异程度对目标地域进行划分包括以下步骤：

步骤410，从目标地域中选择一个采样区域作为基准区域。

如图3所示，假设目标地域r包含10个采样区域{s1，s2，s3，……，s10}，即10个采样点，假设前一年相应时期为7天，以交通流量历史数据为通过监测点获取的情况为例，假设监测点每半个小时采样一次交通流量数据，目标地域内包括有10个监测点（即目标地域被划分为10个采样区域），则任意选择其中一个采样区域s1作为基准采样区域。

步骤420，在其他采样区域中确定出与基准区域的空间距离不超过预设距离阈值，并且与基准区域流量数据的同比差异程度均不超过预设流量差异阈值的采样区域。

在其他采样区域{s2，s3，s4，……，s10}中确定出与基准区域s1的空间距离不超过预设距离阈值dl，并且与基准区域s1的流量数据的同比差异程度均不超过预设流量差异阈值df的采样区域。

如图3及图4所示，以采样区域s2为例，采样区域s2与基准区域s1的实际空间距离d12小于预设距离阈值dl，但采样区域s2与基准区域s1采集的各个时间点的流量数据之间的差值{r21，r22，r23，……}中有超出预设流量差异阈值df。

再以采样区域s3为例，采样区域s3与基准区域s1的实际空间距离d13小于预设距离阈值dl，并且采样区域s3与基准区域s1采集的各个时间点的流量数据之间的差值{r31，r32，r33，……}均未超出预设流量差异阈值df。后续采样区域s4至s10以此类推，确定出所有符合上述预设距离标准并且符合上述差异程度标准的采样区域。

步骤430，将上述确定出的采样区域与基准区域归入同一交通区域。

假设在步骤420中确定出了采样区域s3、s4、s6，则将该三个采样区域与基准区域s1归入到同一区域内，该区域命名为交通区域a。

步骤440，对未被归入交通区域中的采样区域重复执行上述步骤，并将确定出的采样区域与新选中的基准区域归入另一交通区域，直到所有采样区域均被归入交通区域中。

在将采样区域s1、s3、s4、s6归入到同一交通区域之后，对剩下的采样区域s2、s5、s7-s10继续重复执行上述步骤410至步骤430，并在步骤410中选择基准区域时，从剩下的未被归入到任何交通区域的采样区域中选取，步骤420中的其他采样区域为剩下的未被归入到任何交通区域的采样区域。直到所有采样区域均被归入到相同或不同的交通区域中，例如最终结果如图5所示，采样区域s1、s3、s4、s6属于交通区域a，采样区域s7、s9、s10属于交通区域b,采样区域s2、s5、s8属于交通区域c。然后就可以依据交通区域a、b、c的分布以及交通流量数据来规划出行时段和出行路线，例如图5中，交通区域a的交通流量在整体上低于交通区域b和c，则建议用户途经交通区域a到达出行目的地d。而在交通区域a中包含的四个采样区域s1、s3、s4、s6中，采样区域s1在白天的交通流量整体低于采样区域s3、s4、s6，则建议用户途经交通区域a的采样区域s1到达出行目的地d。

下面参考图1至图5详细描述本发明提供的基于交通流量预测的旅游出行规划方法的一个实施例，即第二实施例。本实施例主要应用于需要提前制定出行计划的用户，特别是需要制定远期出行计划的用户，能够满足用户提前几天、几周甚至几个月制定出行计划的需求，以避免在旅程途中因赶上交通高峰的时段和路段而影响旅程体验和进度。

如图1所示，本实施例提供的基于交通流量预测的旅游出行规划方法包括如下步骤：

步骤100，确定出包含计划出行时间的计划出行时段。

步骤200，确定出与计划出行时段相对应的往年相应时期。

需要说明的是，本实施例中，往年相应时期为上述计划出行时段所在年度的前n年的相应时期，n>1。例如n=2，则往年相应时期为上述计划出行时段所在年度的前一年以及前两年的相应时期。

步骤300，确定出包含出行目的地的目标地域，获取在往年相应时期内目标地域的交通流量历史数据。

可以理解的是，在往年相应时期为前两年相应时期时，获取的交通流量历史数据为两年的历史数据。

需要说明的是，由于目标地域内通常会包括有多个十字路口，以及高架桥等设施，因此一个目标地域包括有多个采样区域，采样区域是单位区域，每个采样区域可以是包含有一个十字路口的区域或其他能够采集交通流量的区域，并且每个采样区域贡献一组包括有不同时段数据的交通流量数据，而目标地域的交通流量数据由目标地域内的各个采样区域内采集的交通流量数据组成。

步骤400，依据交通流量历史数据中各采样区域流量数据的差异程度对目标地域进行划分，得到多个交通区域。

在得到往年相应时期内目标地域的交通流量历史数据后，开始对交通流量历史数据进行分析。分析过程大致为：对目标地域包含的各个采样区域在往年相应时期内的交通流量数据进行分析，将数据差异程度相对较小的采样区域划分到同一个交通区域内，则数据差异程度相对较大的采样区域势必会被划分到不同的交通区域内，最终得到多个交通区域。若所有采样区域的数据的差异程度均较小，则重新界定差异程度的标准，使得各采样区域之间的数据差异程度能够被区分出相对较小和相对较大。

可以理解的是，在往年相应时期为前两年相应时期时，根据每年相应时期的流量数据的差异程度对目标地域进行划分，可能会得到两个不同的划分结果。

交通区域为贡献有一组或多组数据的区域，其由一个或多个采样区域组成，用于表明目标地域内各区域交通流量的相似程度。若一个交通区域包括多个采样区域，则该多个采样区域的交通流量数据具有较高的一致性；若一个交通区域只包括一个采样区域，则该采样区域的交通流量数据与目标地域内其他采样区域差异较大，因此被单独归到一个只包含其自身的交通区域内。

步骤500，依据各交通区域的分布以及交通区域在往年相应时期内的交通流量历史数据，规划出行时段和/或出行路线。

在将采样区域归类并将目标地域划分为多个交通区域后，依据各交通区域的位置分布，以及交通区域在往年相应时期内的交通流量历史数据，来规划出行时段，如图2所示，d为出行目的地，r为包含出行目的地d的目标地域，目标地域r被划分为三个交通区域，即交通区域a、交通区域b和交通区域c。其中，若交通区域a在往年相应时期（即计划出行年的前一年中的相应日期）内的交流流量在整体上小于交通区域b和交通区域c，则建议用户途经交通区域a进入出行目的地d；若交通区域a、b、c的交通流量高峰时段各不相同，则选择用户预期的出行时段中交通流量最小的交通区域。

可以理解的是，在往年相应时期为前两年相应时期时，可能会得到两个不同的目标地域划分结果，此时，从两个不同的划分结果中选取一个更为合理的结果。例如在去年相应时期内在出行目的地附近发生过严重交通事故，或在去年相应时期内在出行目的地内进行过较大规模的道路施工，而前年相应时期则未有过交通事故或道路施工，此时去年相应时期的交通流量数据不具备代表性，据此划分出的交通区域分布图也不具备代表性，应选取前年相应时期的交通流量数据，并选取根据前年相应时期的交通流量数据划分出的交通区域分布图。

在一种实施方式中，计划出行时段的时长为一个自然周。

在一种实施方式中，步骤200中的确定出与计划出行时段相对应的往年相应时期具体包括如下步骤：

步骤210，判断计划出行时段是否包含节假日或因节假日产生的补休日，在计划出行时段包含节假日或补休日的情况下，以包含节假日或补休日的往年时期作为往年相应时期；在计划出行时段不包含节假日和补休日的情况下，依据计划出行时段的气候条件确定往年相应时期。

由于节假日期间的出行人员相较于非节假日期间较多，因此节假日是对交通流量产生影响最大的一个因素。在确定往年相应时期时，若计划出行时段包含有节假日，或包含有补休日，则直接以包含节假日或补休日的往年时期作为往年相应时期，以参考往年相应时期的交通状况来预测本次出行的交通状况。例如，计划出行时间为2018年2月15日，则计划出行时段为2018年2月12日至18日，其中计划出行时段包含有春节节假日的前四天（除夕至初三），因此在往年相应时期为前两年相应时期时，前两年相应时期中的去年相应时期包含2017年春节节假日的前四天以及除夕之前的三天，即2017年1月24日至30日（其中27日为除夕），前两年相应时期中的前年相应时期为2016年2月4日至10日（其中7日为除夕）。往年相应时期的时间跨度与计划出行时段的时间跨度相同，在计划出行时段为一个自然周时，往年相应时期则为7天，并且节假日在往年相应时期中的位置和在计划出行时段的位置相同。

在一种实施方式中，步骤210中的依据计划出行时段的气候条件确定往年相应时期包括如下步骤：

步骤221，获取计划出行时段的气象要素预计值的平均值。其中，气象要素包括以下至少一项：气温，湿度，风力，紫外线指数，空气污染指数。

步骤222，确定出与计划出行时段同期的往年第一时段，并确定出包含往年第一时段并且时段跨度大于往年第一时段的往年第二时段。

在往年相应时期为前两年相应时期时，根据前两年相应时期中的去年相应时期确定去年第一时段和去年第二时段，根据前两年相应时期中的前年相应时期确定前年第一时段和前年第二时段。去年第一时段和前年第一时段均与计划出行时段为同期时段，例如计划出行时段为2018年10月8日至14日，去年第一时段为2017年10月8日至14日，前年第一时段为2016年10月8日至14日。去年第二时段为包含去年第一时段且时间跨度大于去年第一时段的时段，例如去年第二时段可以为2017年10月3日至19日，或2017年10月8日至23日。前年第一时段和前年第二时段同理。

步骤223，在往年第二时段中确定出最接近计划出行时段气象要素预计值的平均值的对应时段，并将该对应时段确定为往年相应时期。

例如，气象要素只有气温一项，计划出行时段2018年10月8日至14日的预计平均气温t为22.5℃，去年第二时段确定为2017年10月3日至19日，则获取到去年第二时段中3日至9日的平均气温t1、4日至10日的平均气温t2，直至13日至19日的平均气温t11，共获取到去年第二时段中的11份不同时段平均气温，然后将计划出行时段的预计平均气温t与上述11份不同时段平均气温进行比较，得到与预计平均气温最接近的平均气温，进而确定出对应该最接近平均气温的时段，例如是5日至11日的平均气温t3，则2017年10月5日至11日为去年相应时期。

在往年相应时期为前两年相应时期时，同理也在前年第二时段中确定出气象要素预计值的平均值的对应时段，并将该时段确定为前年相应时期。前年相应时期与去年相应时期可能不同期，例如去年相应时期为2017年10月5日至11日，而前年相应时期可能为2016年10月11日至17日。

在一种实施方式中，往年第二时段的起始日期与往年第一时段的起始日期相同或先于往年第一时段的起始日期，且在往年第二时段的起始日期先于往年第一时段的起始日期的情况下，往年第二时段的起始日期和往年第一时段的起始日期之间的日期偏差值不超出预设的起始日期偏差阈值；往年第二时段的结束日期与往年第一时段的结束日期相同或晚于往年第一时段的结束日期，且在往年第二时段的结束日期晚于往年第一时段的结束日期的情况下，往年第二时段的结束日期和往年第一时段的结束日期之间的日期偏差值不超出预设的结束日期偏差阈值。

在一种实施方式中，选取以下其中一项作为所述目标地域的范围：城市环路范围，城市轨道交通环线范围，以出行目的地为中心的半径为r的范围，其中r为预设采样半径。

在一种实施方式中，交通流量历史数据包括往年相应时期内目标地域内各交通流量监测点采集的数据。

在往年相应时期为前两年相应时期时，交通流量历史数据包括两份，一份是前两年相应时期中去年相应时期的数据，另一份是前两年相应时期中前年相应时期的数据。

在一种实施方式中，步骤400中依据交通流量历史数据中各采样区域流量数据的差异程度对目标地域进行划分包括以下步骤：

步骤410，从目标地域中选择一个采样区域作为基准区域。

如图3所示，假设目标地域r包含10个采样区域{s1，s2，s3，……，s10}，往年相应时期为7天，以交通流量历史数据为通过监测点获取的情况为例，假设监测点每半个小时采样一次交通流量数据，目标地域内包括有10个监测点（即目标地域被划分为10个采样区域），则任意选择其中一个采样区域s1作为基准采样区域。

步骤420，在其他采样区域中确定出与基准区域的空间距离不超过预设距离阈值，并且与基准区域流量数据的同比差异程度均不超过预设流量差异阈值的采样区域。

在其他采样区域{s2，s3，s4，……，s10}中确定出与基准区域s1的空间距离不超过预设距离阈值dl，并且与基准区域s1的流量数据的同比差异程度均不超过预设流量差异阈值df的采样区域。

如图3及图4所示，以采样区域s2为例，采样区域s2与基准区域s1的实际空间距离d12小于预设距离阈值dl，但采样区域s2与基准区域s1采集的各个时间点的流量数据之间的差值{r21，r22，r23，……}中有超出预设流量差异阈值df。

再以采样区域s3为例，采样区域s3与基准区域s1的实际空间距离d13小于预设距离阈值dl，并且采样区域s3与基准区域s1采集的各个时间点的流量数据之间的差值{r31，r32，r33，……}均未超出预设流量差异阈值df。后续采样区域s4至s10以此类推，确定出所有符合上述预设距离标准并且符合上述差异程度标准的采样区域。

步骤430，将上述确定出的采样区域与基准区域归入同一交通区域。

假设在步骤420中确定出了采样区域s3、s4、s6，则将该三个采样区域与基准区域s1归入到同一区域内，该区域命名为交通区域a。

步骤440，对未被归入交通区域中的采样区域重复执行上述步骤，并将确定出的采样区域与新选中的基准区域归入另一交通区域，直到所有采样区域均被归入交通区域中。

在将采样区域s1、s3、s4、s6归入到同一交通区域之后，对剩下的采样区域s2、s5、s7-s10继续重复执行上述步骤410至步骤430，并在步骤410中选择基准区域时，从剩下的未被归入到任何交通区域的采样区域中选取，步骤420中的其他采样区域为剩下的未被归入到任何交通区域的采样区域。直到所有采样区域均被归入到相同或不同的交通区域中，例如最终结果如图5所示，采样区域s1、s3、s4、s6属于交通区域a，采样区域s7、s9、s10属于交通区域b,采样区域s2、s5、s8属于交通区域c。然后就可以依据交通区域a、b、c的分布以及交通流量数据来规划出行时段和出行路线，例如图5中，交通区域a的交通流量在整体上低于交通区域b和c，则建议用户途经交通区域a到达出行目的地d。而在交通区域a中包含的四个采样区域s1、s3、s4、s6中，采样区域s1在白天的交通流量整体低于采样区域s3、s4、s6，则建议用户途经交通区域a的采样区域s1到达出行目的地d。

本实施例的各步骤的执行可参照前述第一实施例所描述的步骤执行，不再一一赘述。

下面参考图6详细描述本发明提供的基于交通流量预测的旅游出行规划系统的一个实施例，即第三实施例。本实施例是应用上述第一实施例和第二实施例提供的出行规划方法的系统，主要应用于需要提前制定出行计划的用户，特别是需要制定远期出行计划的用户，能够满足用户提前几天、几周甚至几个月制定出行计划的需求，以避免在旅程途中因赶上交通高峰的时段和路段而影响旅程体验和进度。

如图6所示，本实施例提供的基于交通流量预测的旅游出行规划系统主要包括有：

出行时段确定模块，用于确定出包含计划出行时间的计划出行时段。

相应时期确定模块，与出行时段确定模块连接，用于确定出与计划出行时段相对应的往年相应时期。

历史数据获取模块，与相应时期确定模块连接，用于确定出包含出行目的地的目标地域，获取在往年相应时期内目标地域的交通流量历史数据。

目标地域划分模块，与历史数据获取模块连接，用于依据交通流量历史数据中各采样区域流量数据的差异程度对目标地域进行划分，得到多个交通区域。

出行规划模块，与目标地域划分模块连接，用于依据各交通区域的分布以及交通区域在往年相应时期内的交通流量历史数据，规划出行时段和/或出行路线。

在一种实施方式中，出行时段确定模块确定的计划出行时段的时长为一个自然周。

在一种实施方式中，相应时期确定模块包括：

第一确定单元，用于判断计划出行时段是否包含节假日或因节假日产生的补休日，在计划出行时段包含节假日或补休日的情况下，以包含节假日或补休日的往年时期作为往年相应时期。

第二确定单元，与第一确定单元连接，用于在计划出行时段不包含节假日和补休日的情况下，依据计划出行时段的气候条件确定往年相应时期。

在一种实施方式中，第二确定单元包括：

获取子单元，用于获取计划出行时段的气象要素预计值的平均值。

时段确定子单元，与获取子单元连接，用于确定出与计划出行时段同期的往年第一时段，并确定出包含往年第一时段并且时段跨度大于往年第一时段的往年第二时段。

时期确定子单元，与时段确定子单元连接，用于在往年第二时段中确定出最接近计划出行时段气象要素预计值的平均值的对应时段，并将该对应时段确定为往年相应时期。其中，

用于气象要素包括以下至少一项：气温，湿度，风力，紫外线指数，空气污染指数。

在一种实施方式中，往年第二时段的起始日期与往年第一时段的起始日期相同或先于往年第一时段的起始日期，且在先于往年第一时段的起始日期的情况下，两者之间的日期偏差值不超出预设的起始日期偏差阈值。往年第二时段的结束日期与往年第一时段的结束日期相同或晚于往年第一时段的结束日期，且在晚于往年第一时段的结束日期的情况下，两者之间的日期偏差值不超出预设的结束日期偏差阈值。

在一种实施方式中，选取以下其中一项作为目标地域的范围：城市环路范围，城市轨道交通环线范围，以出行目的地为中心的半径为r的范围，其中r为预设采样半径。

在一种实施方式中，历史数据获取模块包括：

监测点采集单元，用于获取在往年相应时期内目标地域内各交通流量监测点采集的数据作为交通流量历史数据。

在一种实施方式中，目标地域划分模块包括：

基准选择单元，用于从目标地域中选择一个采样区域作为基准区域。

区域确定单元，与基准选择单元连接，用于在其他采样区域中确定出与基准区域的空间距离不超过预设距离阈值，并且与基准区域流量数据的同比差异程度均不超过预设流量差异阈值的采样区域。

区域归类单元，与区域确定单元连接，用于将上述确定出的采样区域与基准区域归入同一交通区域。

循环单元，与基准选择单元和区域归类单元连接，用于对未被归入交通区域中的采样区域重复执行上述步骤，并将确定出的采样区域与新选中的基准区域归入另一交通区域，直到所有采样区域均被归入交通区域中。

在一种实施方式中，相应时期确定模块确定的往年相应时期为计划出行时段所在年度前一年的时期，或计划出行时段所在年度前n年中每一年的时期，其中n>1。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。