基于时空关系的路况预测方法和系统的制作方法

专利名称：基于时空关系的路况预测方法和系统的制作方法
技术领域：
本发明涉及交通信息预测技术领域，具体涉及基于时空关系的路况预测技术。
背景技术：
在现代社会，社会经济迅速发展，汽车日益普及，城市交通面临的压力越来越大， 交通拥堵日益严重。减轻交通拥堵，有利于节省驾车人出行时间、减少燃油消耗、提高城市 经济效率和促进环境保护。因此，交通信息服务系统，是城市智能交通系统的重要组件之 一。交通信息预测，是交通信息服务系统的核心功能。它旨在挖掘交通信息的历史特征，预 测将来时间的城市交通状况，弥补实时交通信息采集系统的延迟；它能让驾车者了解未来 的交通状况，以一个平稳的心态驾车；它基于实时交通信息采集系统，却将实时交通信息服 务拓展至过去与未来，具有十分重要的意义。当前，移动通信技术的快速发展和GPS技术的广泛应用，为准确地进行实时路况 采集提供了基础。总的来说，可以将这项技术分为固定探测技术和移动探技术。固定探测 技术是使用广泛地部署在城市主要干道的包括线圈、雷达测速仪、监视摄像机等固定设备， 采集实时交通信息和监控交通状况。移动探测技术包括浮动车技术和移动终端技术。浮动 车是指同时装备GPS接收模块和移动通信模块的车辆；浮动车技术是指实时获取浮动车的 地理位置数据等车辆相关数据，并通过移动通信网络将数据定期上载至数据中心，然后在 服务端进行地图匹配计算和实时路况计算，最后输出实时路况信息到用户终端。移动终端 探测技术，是指通过移动通信网络基站定位来获取大量移动终端用户的小区位置，然后分 析用户的行为模式，找到能反映道路状况的位置点序列，结合电子地图数据，计算出实时路 况信息，并提供信息服务。尽管如此，目前的实时路况信息获取技术并不能解决满足用户所有的需求。在大 多数情况下，驾车人不仅希望知道当前的路况，还希望能知道未来一段时间的路况，并绕开 拥堵路段；同时，由于数据传输和系统计算的时间消耗，目前实时路况信息获取技术存在一 定时间延迟，而实时路况却可能瞬息万变。因此，交通信息的预测，在实际应用中显得尤为 重要，也成为最近几年国际智能交通研究的热点。交通信息预测技术，一般是通过蓄积历史交通信息，建立适当的预测模型，诸如时 间序列模型、神经网络模型、贝叶斯网络、模糊数学模型等，进行信息预测。一个真正实用的 交通信息预测系统，应当满足两个方面的功能一是从预测时间长度来看，应支持短期，中 期和长期交通信息预测；二是从预测空间范围来看，应支持全道路网络交通信息预测，而不 仅仅是主干路或高速路。同时，道路交通网络比较复杂，数据量也很大，预测模型本身亦具 有较高复杂性；因此，如何实现高性能、高精确的交通信息预测，是一个重要却困难的研究 课题。在已有的专利和论文中，有一些涉及到了交通信息预测的方法和模型。这些方法， 绝大多数是基于部分主干道路或高速路进行，道路网络不完整，实用性不强，模型复杂性也 相对较低；另外，绝大多数未考虑道路网络的空间关系，仅对单个路段进行预测建模，建模方法包括了时间序列分析、模糊数学等。而对于不多的考虑时空关系的交通信息预测，也存 在各种各样的不足。下面介绍一下相关的专利和论文。专禾Il 文献 1 “Travel-time Prediction Apparatus, Trave 1-timePrediction Method, Traffic Information Providing System and Program，，(美 国 专利 US20080097686(A1))介绍了一种基于自回归时间序列模型(AR模型)的交通信息预测方 法。它以单个路链(link)为处理单元，根据历史路况数据建立路链旅行时间的时间序列样 本数据，并建立AR模型进行交通信息预测。专禾Ij文献2"System and Method of Predicting Traffic Speed Basedon Speed of Neighboring Link”(美国专利US20080033630 (Al))介绍了一种基于周边路链的路况 来预测当前路链路况的方法。这个方法预先计算出单个路链两端点的相邻路链，然后根据 过去的路链行驶速度，找出当时当前路链行驶速度和邻近路链行驶速度的相关关系，然后 用这个模型来进行路况预测。非专利文献 1 “Traffic Flow Forecasting Using a Spatio-temporalBayesian Network Predictor"(发表于ICANN 2005年会议论文集)介绍了一种基于时空关系贝叶 斯网络的交通信息预测方法。非专利文献2 "Space Time Modeling of Traffic Flow”(发表于 2002 年 IEEE TRANSACTIONS ON FUZZY SYSTEMS)提出了一种交通流的时空建模方法。这个方法中，空间 特征通过使用基于距离估计的权值矩阵被考虑进入预测模型中，建立时空自回归滑动平均 模型以用于短时交通信息预测。在上面提到的相关解决方案中，专利文献1以路链为基础，建立每个路链旅行时 间的自回归模型用于预测。这个方法仅考虑了时间维度，完全忽略了道路路链之间的相互 关系，仅体现单个路链的历史路况特征，无法体现当周边路链路况发生变化对当前路链的 影响。专利文献2利用邻接路链的旅行速度来计算当前路链的旅行速度。这个方法实质上 不是对未来时间的路况预测，而是在对当前时间内，用已知的路链行驶速度去计算周边的 路链行驶速度。另外，对于路况而言，相同的行驶速度可能代表不同的拥堵程度，以速度作 为样本值是不合理的。论文文献1使用的贝叶斯网络构建比较复杂，当进行大规模道路网 络的交通信息预测时，这种方法效率很低下。论文文献2提出的方法以距离远近区分空间 关系的影响程度，实质上忽略了道路关键链接节点对道路交通流的影响；同时该方法仅以 交通流量衡量道路路况，未考虑不同级别道路自身能容纳交通流量是不一样的。综上，现有方法对于路况预测仍然存在不足，集中体现在对空间关系的挖掘不足， 包括如何确定空间影响范围，如何分配空间影响对象的权重，如何统一路况的评价标准，如 何挖掘当前道路与空间影响范围内道路历史路况的关系。另外，有的方法选择的预测模型 不具备扩展性，在预测范围扩大时，系统效率指数级别下降。很明显，根据历史数据建立交通信息预测模型，仅对单个路段做时间序列分析是 不够的，还应考虑上下游道路的影响。因为道路网络中的路段有很强的相互影响，举例来 讲，一条道路的前继道路发生了拥堵，那么这条道路发生拥堵的可能性会很大；一条道路后 续道路畅通，那么这条道路畅通的可能性也很大。因此，我们需要一种考虑了时间和空间两 个维度的分析模型来建立交通信息预测模型。时间序列模型，是一种常用的预测与控制模型，它以历史数据为基础，挖掘出统计规律，并用于预测。时空自回归滑动平均模型(STARMA = Space-Iime Auto Regression Moving Average)，是一种考虑了空间关系的通用时间序列模型，适用于时空统计数据的分 析。这个模型可以应用于不同的领域，如区域经济、气象分析等。在使用这个模型时，如何 定义空间关系是核心问题，包括用什么对象作为空间分析、如何判定对一个空间对象的有 影响的空间范围、如何确定这个范围中各个空间对象的影响权重等。本发明旨在提供一种基于时空关系的、充分考虑道路交通网络空间特征、高精度、 高性能的路况预测方法。

发明内容
为解决上述问题，根据本发明的一方面，提出了一种路段空间影响度确定方法，包 括空间范围确定步骤，针对道路网络中每一个路段，确定对该路段具有影响的空间 范围，其中，空间范围具有空间阶数N，N是等于或大于1的整数；影响路段提取步骤，在所确定的空间范围内，从道路网络中提取该路段的周边路 段，作为该路段的N阶影响路段；空间关系确定步骤，将每一个路段与其每一个N阶影响路段之间的空间关系划分 到预定的空间关系类型之一；相关度学习步骤，针对所划分的空间关系类型，对该路段及该空间关系类型的N 阶影响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响 路段的路段相关度；空间影响度确定步骤，根据学习的路段相关度，为该路段确定空间阶数N下的空 间影响度，空间影响度反映了该路段受到其N阶影响路段影响的程度。这样，充分考虑了道路交通网络本身的空间关系，并能够考虑到不同的空间阶数 的空间范围内，周边路段的周边路况变化对当前路段的影响。由此，在实际预测时，如果一 个节点或路段发生路况变换，能迅速反应在对应的空间范围内，这是仅考虑单个路段的预 测算法无法做到的。优选地，在空间范围确定步骤中，根据道路网络中路段之间的空间相对位置，为每 一个路段确定对该路段具有影响的空间范围。这样，从路段的空间相对位置方面，例如是否直接相邻和/或距离远近等因素，考 虑影响范围的确定。优选地，在空间范围确定步骤中，针对道路网络中每一个路段，确定从该路段出发 在预定时间段内可达到的空间范围，作为对该路段具有影响的空间范围。这样，可以从时间度量方面考虑影响范围的确定。例如，可以找到从当前路段出 发，以基于历史数据的平均行驶速度或当前速度，在预定时间段上可以达到的空间范围。例 如，该预定时间段可以是路况数据采集周期或周期的倍数，从而更加方便了路况数据的分 析。优选地，在相关度学习步骤中，将每一个路段与其每一个N阶影响路段之间的空 间关系划分到预定的空间关系类型之一，并针对所划分的空间关系类型，对该路段及该空 间关系类型的N阶影响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响路段的路段相关度。优选地，预定的空间关系类型包括无关系，前继直行， 前继合并，前继交叉，前继分流，后续直行，后续合并，后续交叉，后续分流。或者，预定的空 间关系类型包括直行，左转，右转。这样，将路段与其影响路段的空间关系分成各个类型，能够区别地考虑不同路段 空间关系带来的不同影响。优选地，在空间影响度确定步骤中，根据每一个路段与其各个N阶影响路段之间 的路段相关度，向N阶影响路段中每一个影响路段分配影响权重，并利用影响权重确定N阶 影响路段中每一个影响路段对该路段的空间影响度。这样，能够反映出在不同的路段空间关系下，各个影响路段对当前路段的影响程度。优选地，每一个路段受到其各个N阶影响路段的空间影响度采用矢量形式表示， 矢量的维数等于N阶影响路段的数目。或者，多个路段中所有路段之间的空间影响度采用 MXM矩阵形式表示，M等于多个路段的数目，矩阵的每一行或每一列表示多个路段之一受 到其各个N阶影响路段的空间影响度。这样，采用矢量或矩阵形式形象、简要地反映多个路段之间的空间关系，矢量或矩 阵能够方便地代入时间序列模型中作为空间算子，有利于简化后续模型建立和预测过程。优选地，上述确定方法还针对改变的空间阶数N，通过空间范围确定步骤、影响路 段提取步骤、空间关系确定步骤、相关度学习步骤和空间影响度确定步骤，为每一个路段确 定在改变后的空间阶数N下的空间影响度。上述确定方法还可以包括存储步骤，为每一个 路段存储为其确定的至少一个空间阶数N下的空间影响度。这样，能够充分考虑道路交通网络中全路段的空间关系，获得多个不同空间阶数 下，各阶周边路段的周边路况变化对当前路段的影响，由此能够反映出整体路况。此外，在 实际预测时，能够根据待预测的时间段或路况条件，选择合适地空间阶数，确定预测所考虑 的空间范围，有利于进行更加灵活和有效的路况预测。优选地，针对一天中的特定时间段，历史路况数据至少包括每个路段的如下历史 路况数据之一车辆在该路段上的行驶速度；车辆经过该路段所需的行驶时间；路段拥堵 度，表示车辆经过该路段实际所需的行驶时间与理想情况下所需的行驶时间之比，或者表 示车辆在该路段上的实际行驶速度与理想行驶速度之比。对于路况而言，相同的行驶速度/行驶时间可能代表不同的拥堵程度，例如干道 和辅路的规定速度本来就存在较大差别，因此以速度/行驶时间作为样本值可能无法正确 反映道路的拥堵程度。因此，本发明采用路段拥堵度作为历史路况数据来进行分析，统一了 空间范围路况的度量标准，更符合实际地对空间范围路况进行度量，有利于提高预测精度。优选地，路段包括作为道路网络的基本道路单元的路链；或者对路链进行重构 而获得的道路段落；或者道路网络中从一个路口到另一个路口的道路段落。这样，本发明能够不再基于传统的以长度较短、路况特征不稳定的路链，而基于实 际生活中较重要的道路节点之间的道路段落为基础数据对象。此外，采用对路链进行重构 而获得的道路段落，由此以经过整合的、数量较少的道路段落为基础数据对象，能够提供计 算效率和预测精度。这样，能够考虑到不同的时间段上每个路段的不同情况，为每个路段建立不同时间范围和空间范围上的预测模型，从而能够更加灵活有效地进行路况预测。根据本发明另一方面，提出了一种路况预测方法，包括预测输入获取步骤，获取一个或多个时间段上多个路段的实时路况数据，作为预 测输入；路况预测模型选择步骤，根据待预测的未来时间段和/或指定的时间阶数和/或 空间阶数，为多个路段中待预测的每一个路段选择路况预测模型，路况预测模型是考虑到 空间关系的时间序列模型，其中空间关系由上述路段空间影响度确定方法确定的路段之间 的空间影响度表示；路况预测步骤，利用预测输入和所选的路况预测模型，预测每一个路段在特定时 间段之后的未来时间段上的路况。根据待预测的未来时间段和/或指定的时间阶数和/或空间阶数来选择预测模 型，能够进行更加灵活的预测。优选地，路况预测模型是包括时空自回归模型STAR，或者时空自回归滑动平均模 型 STARMA。STAR和STARMA是一种考虑了空间关系的通用时间序列模型，适用于时空统计数 据的分析，以历史数据为基础，挖掘出统计规律，并用于预测。本发明采用此类考虑了空间 关系的通用时间序列模型，能够在无需对基本模型进行更改的前提下，引入新颖的空间算 子，体现出周边路况变化对当前路段的影响，提供了预测准确性。优选地，在实时路况数据获取步骤之后，还包括数据差异分析步骤，分析获取的 实时路况数据与历史路况数据的差异，并根据分析结果调整获取的实时路况数据，将调整 后的实时路况数据作为预测输入。采用统计平均方法对实时路况数据进行调整。这样，能够排除实时路况数据中不合理或错误的数据，提高预测输入的准确性，从 而提供预测结果的精度。本发明还提供了一种路段空间影响度确定装置和一种路况预测装置。此外，本发明还提供了 一种路况预测方法及系统。综上所述，本发明能够提供以下优点-以经过整合的、数量较少的路段为基础，以路段空间影响度为空间算子，采用特 殊的时间序列模型-STARMA模型，大大提高了性能；-考虑了多阶空间相关关系，在实际预测时，如果一个节点或路段发生路况变换， 能迅速反应在对应的空间范围内；这是仅考虑单个路段的预测算法无法做到的；-能够考虑多个空间阶数上周边路段对当前路段的影响，不仅能用于将来时间的 路况预测，还能用于当前时间的路况补偿计算，以提高路况覆盖率；-提出拥堵度概念，更符合实际地对空间范围路况进行度量，有利于提高预测精 度；-针对全道路网络进行系统设计，具有很强的实用性。


通过下面结合

本发明的优选实施例，将使本发明的上述及其它目的、特 征和优点更加清楚，其中
图1是路况预测系统的构架示意图；图2是采用时间度量的空间影响范围的示意图；图3是图1所示的路段空间影响度确定装置的结构示意图；图4是路段空间影响度确定方法的流程图；图5是图1所示的路况预测装置的结构示意图；图6是路况预测方法的流程图；图7(a) (b)示出了本发明实施例中道路网络中路段的空间关系的示意图。
具体实施例方式现有路况预测技术中对路段之间的空间影响程度的考虑不足，无法在预测过程中 充分利用路段之间的空间关系。本发明在对如何确定空间影响范围，如何分配空间影响对 象的权重，如何统一路况的评价标准，如何挖掘当前道路与空间影响范围内道路历史路况 的关系等方面进行了探讨，提出了基于时空关系的路况预测系统及其方法。如图1所示，根 据本发明的路况预测系统1主要包括路段空间影响度确定装置10，为多个路段中每一个 待预测路段确定其受到周边路段的空间影响度；路况预测模型建立装置20，利用路段空间 影响度确定装置10确定的空间影响度以及多个路段的历史路况数据，为多个路段中每一 个待预测路段建立路况预测模型；以及路况预测装置30，利用实时路况数据和由路况预测 模型建立装置20建立的路况预测模型，预测未来时间段上多个路段中待预测路段的路况。 在本发明的路况预测系统中，各个装置10、20和30可以是分离的，或者是任意两个、或者是 三个集成在一起的。并且各个装置10、20、30各自也可以是由分离或集成的功能单元构成 的。此外，路况预测系统还可以包括道路网络地图数据库40，用于存储道路网络数据；以 及/或者历史路况数据库50，用于存储多个路段的历史路况数据，这些历史路况数据可以 是针对一天中的特定时间段，车辆在该路段上的行驶速度、车辆经过该路段所需的行驶时 间、或者路段拥堵度。此外，历史路况数据可以是经过统计处理的数据，例如是采用常规统 计方法去除了野值、尖峰值、或者进行了差异分析的历史数据。道路网络地图数据库40可 以采用已知的道路网络，例如GPS电子地图等。历史路况数据库也可以是已知的。此外，实 时路况数据可以是从已有的路况监控系统或实时路况数据采集系统获得的。为了更加清楚 简洁地说明本发明的基本构思，本文中省略了对已知技术或功能部分的具体描述。下面主 要描述上述路段空间影响度确定部分10、路况预测模型建立部分20和路况预测部分30。在现有路况预测技术中，绝大多数是基于部分主干道路或高速路进行的，道路网 络不完整，实用性不强。对于城市交通，一些辅路上的交通状况的影响也很重要，其可能直 接或间接反映了主干道或环路上的交通状况。考虑到该需求，本发明的路况预测系统可以 是针对全道路网络而开发的。为了清楚说明本发明的构思，首先对几个术语进行说明。路段在本发明中，路段可以是作为已知的道路网络的基本道路单元的路链 (link)，或者是对路链进行重构而获得的道路段落；或者是道路网络中从一个路口到另一 个路口的道路段落。对于作为基本道路单元的路链而言，其长度较短、路况特征不稳定。因 此，本发明的路段可以是对路链进行例如整合等处理而获得重构的道路段落，根据实际情 况，路段可以包括一个或多个路链。这样，可以减少预测对象的数目，提高预测速度和效率。此外，路段还可以是实际道路中较重要的道路节点之间的道路段落，以提供更加实用的路 况信息。路段的设置可以根据实际应用来进行。“时间阶数”，“空间阶数”这里以已知的用于时空统计数据析的时间序列模型-时 空自回归滑动平均模型STARMA为例进行说明。时空自回归滑动平均模型STARMA的通用表 达式如下
ρ hq mk4 = Σ Σ Φμ^^κ - Σ Σ ν,α^ + at
Α=1/=0众=1/二0其中，Zt表示随机序列t时刻的输出，ρ表示时间滞后阶数，Xk表示空间滞后阶数， W1表示空间算子，一般为1阶空间相关关系矩阵，Φ kl表示k时间阶数1空间阶数的自回归 相关系数Pt表示随机序列在t时刻的输入，通常为白噪声序列，q表示滑动平均阶数，mk表 示滑动平均空间滞后阶数，表示k时间阶数1空间阶数的滑动平均相关系数。k是时间 阶数，1是空间阶数，在上述STARMA中，采用的滞后的阶数。例如，在应用于预测领域时，要
预测在随机序列t时刻的输出zt，则可以采用在t-1、t-2........t-k，1彡k彡p，等时刻
的输出，那么，对于Zt而言，其1阶随机序列输出是指在时刻t-Ι的输出zt_i，k阶随机序列 输出是指在时刻t-k的输出zt_k。显然，ρ越大，时间阶数k的取值可以越大，考虑到的时间 范围越大。在STARMA中，预测在随机序列t时刻的输出Zt时，不仅要考虑滞后的各个时刻 的序列输出对Zt的影响，还要考虑到空间影响，W1即是代表空间影响的空间算子，1是空间 阶数，入1;表示在时间阶数k下要考虑的空间阶数范围，Ako 1等于0时，表示只考 虑待预测对象本身，1等于1，表示还要考虑到待预测对象的1阶影响对象对其的影响，1阶 影响对象一般是指在空间上与待预测对象关系最紧密的周边对象，2阶周边对象可以是在 空间上与待预测对象关系较为紧密的周边对象。在路况预测中，可以根据空间相对位置或 时间度量来确定对当前路段具有影响的空间范围。根据空间相对位置，1阶影响对象可以是 指与当前路段直接相邻的周边路段，2阶影响对象可以是与当前路段的1阶周边路段直接 相邻的路段。类似地，也可以是相距某个距离，等等。根据时间度量，1阶影响对象可以是从 当前路段出发在预定时间段内达到的空间范围内、该当前路段的周边路段。这里，可以找到 从当前路段出发，以基于当前路段历史数据的平均行驶速度或当前速度，在预定时间段上 可以达到的空间范围。该预定时间段可以是路况数据采集周期或周期的倍数，例如5分钟、 半个小时或1个小时。图2示出了以5分钟为例的空间影响范围的示意图。从当前路段出 发在5分钟内能够达到的空间范围具有空间阶数1，该范围内的周边路段就是当前路段的1 阶影响路段。从当前路段出发在5分钟至10分钟这一时间段上可以达到的空间范围具有 空间阶数2，该范围内的周边路段就是当前路段的2阶影响路段。在上述公式中，Xk越大， 空间阶数1的取值可以越大，考虑到的空间范围越大。拥堵度如上所述，本发明的路况预测系统可以是针对全道路网络而开发的，全道 路网络不仅包括环路、高速路等主干道，还包括辅路等非主干道。在传统的路况预测算法 中，如果仅从单个路段的时间序列进行分析，采用路段旅行时间或行驶速度都是正确的；但 是，如果考虑了道路网络的空间影响关系，采用路段的旅行时间或行驶速度将不能准确表 达路况的空间含义。不同类型的道路，具有不同的车道数据和车流容纳能力；同一个行驶速 度，在不同等级的道路上，代表的拥堵程度可能是不一样的。举例来说，60千米/小时的行 驶速度，在高速公路上不表示路况畅通，但在一般城市道路中，却表示路况畅通。因此，在基于时空关系进行路况预测时，需要考虑到不同的道路物理属性，需要用一个统一的指标来 表示道路路况的拥堵程度，在本发明中，我们使用拥堵度CI (Congestion Indication)表示 一段道路的拥堵程度，它的含义可以是车辆在路段上实时的行驶时间与理想状态下行驶时 间的比值CI(X11) = -^-
/,normal其中，Ti,t表示索引为i的路段X上在t时刻/时间段的行驶时间，Ti,_al表示索 引为i的路段X上在理想状态下的行驶时间。或者，拥堵度CI可以是车辆在路段上实时的行驶速度与理想状态下行驶速度的 比值CI(X11)=^-
!,normal其中，Vi,t表示索引为i的路段X上在t时刻/时间段的行驶速度，Vi,_al表示索 引为i的路段X上在理想状态下的行驶速度。这样，统一了空间范围路况的度量标准，更符合实际地对空间范围路况进行度量， 有利于提高预测精度。本发明的拥堵度还可以采用本领域技术人员能够设想到的其他方式 来表示，例如上述拥堵度CI的倒数等，这些显而易见的变型都包括在本发明的保护范围之 内。在本发明的预测过程中，拥堵度CI可以是根据现有实时路况信息采集系统采集的行驶 速度、行驶时间而实时计算的。下面，结合上述术语说明，主要描述路段空间影响度确定装置10、路况预测模型建 立装置20和路况预测装置30。图3是图1所示的路段空间影响度确定装置10的结构示意图，路段空间影响度的 确定是本发明挖掘路段之间的空间关系的关键所在，主要目的在于确定各阶周边路段的周 边路况变化对当前路段的影响。如图3所示，在本实施例中，路段空间影响度确定装置10 包括空间范围确定单元110，针对道路网络中每一个路段，确定对该路段具有影响的空间 范围，其中，空间范围具有空间阶数N，N是等于或大于1的整数；影响路段提取单元120，在 所确定的空间范围内，从道路网络中提取该路段的周边路段，作为该路段的N阶影响路段； 空间关系确定单元130，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预 定的空间关系类型之一；相关度学习单元140，针对所划分的空间关系类型，对该路段及该 空间关系类型的N阶影响路段的历史路况数据进行相关性分析，学习该空间关系类型下该 路段与其N阶影响路段的路段相关度；空间影响度确定单元140，根据学习的路段相关度， 为该路段的N阶影响路段确定空间影响度，空间影响度反映了该路段受到其N阶影响路段 影响的程度。如上对空间阶数的说明可以看出，空间范围确定单元110可以根据空间相对位置 或时间度量来确定对当前路段具有影响的空间范围。下面对两种方式分别进行说明。空间范围确定单元110可以根据当前路段与周边路段的空间相对位置来确定对 当前路段具有影响的空间范围。1阶影响路段可以是指与当前路段直接相邻的周边路段，2 阶影响路段可以是与当前路段的1阶影响路段直接相邻的路段。考虑空间相邻关系只是作 为示例，以清楚说明本发明，本发明不限于此，例如，可以设定一个距离，1阶影响路段可以是指与当前路段相距该距离的周边路段，2阶影响路段可以是指与当前路段相距该距离的 2倍的周边路段，以此类推。空间范围确定单元110也可以采用时间度量来确定对当前路段具有影响的空间 范围，例如图2所示的从当前路段出发在预定时间段内达到的空间范围。可以找到从当前 路段出发，以基于当前路段历史数据的平均行驶速度或当前速度，在预定时间段上可以达 到的空间范围。该预定时间段可以是路况数据采集周期或周期的倍数，从而能够方便对路 况数据的采集和分析。影响路段提取单元120可以从上述确定的空间阶数N的空间范围中提取的N阶影 响路段。对于N阶影响路段，如何充分考虑其对当前路段的影响度呢？空间关系确定单元130确定的多个路段之间的空间关系是本发明的关键之一。本 申请发明人通过分析道路网络和历史路况数据，认识到不同形态的道路链接方式对相互道 路路况的影响程度是不一样的。举例来说，在同一个路口，直行道路路况比交叉道路路况的 相互影响程度要大很多。因此，在本发明中，预先定义了多种路段的空间关系的类型，并将 多个路段的空间关系划分为预定的空间关系类型之一。表1示出了图7(a)所示的本发明 实施例中采用的空间关系类型，分别以代码0、A H代表。这九种空间关系类型仅仅作为 常见空间关系的示例，本领域技术人员可以设想任何其他空间关系，或者根据实际需求定 义其他空间关系的类型，这些都涵盖在本发明的保护范围之内。例如，空间关系的类型还可 以包括直行，左转，右转。表1路段空间关系类型
权利要求
1.一种路段空间影响度确定方法，包括空间范围确定步骤，针对道路网络中每一个路段，确定对该路段具有影响的空间范围， 其中，空间范围具有空间阶数N，N是等于或大于1的整数；影响路段提取步骤，在所确定的空间范围内，从道路网络中提取该路段的周边路段，作 为该路段的N阶影响路段；空间关系确定步骤，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预 定的空间关系类型之一；相关度学习步骤，针对所划分的空间关系类型，对该路段及该空间关系类型的N阶影 响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响路段 的路段相关度；空间影响度确定步骤，根据学习的路段相关度，为该路段确定空间阶数N下的空间影 响度，空间影响度反映了该路段受到其N阶影响路段影响的程度。
2.根据权利要求1所述的方法，其中，在空间范围确定步骤中，根据道路网络中路段之 间的空间相对位置，为每一个路段确定对该路段具有影响的空间范围。
3.根据权利要求1所述的方法，其中，在空间范围确定步骤中，针对道路网络中每一个 路段，确定从该路段出发在预定时间段内可达到的空间范围，作为对该路段具有影响的空 间范围。
4.根据权利要求1所述的方法，其中，预定的空间关系类型包括无关系，前继直行，前 继合并，前继交叉，前继分流，后续直行，后续合并，后续交叉，后续分流；或者预定的空间关系类型包括直行，左转，右转。
5.根据权利要求1所述的方法，其中，在空间影响度确定步骤中，根据每一个路段与其 各个N阶影响路段之间的路段相关度，向N阶影响路段中每一个影响路段分配影响权重，并 利用影响权重确定N阶影响路段中每一个影响路段对该路段的空间影响度。
6.根据权利要求1所述的方法，其中，每一个路段受到其各个N阶影响路段的空间影响 度采用矢量形式表示，矢量的维数等于N阶影响路段的数目。
7.根据权利要求1所述的方法，其中，多个路段中所有路段之间的空间影响度采用 MXM矩阵形式表示，M等于多个路段的数目，矩阵的每一行或每一列表示多个路段之一受 到其各个N阶影响路段的空间影响度。
8.根据权利要求1所述的方法，其中，针对改变的空间阶数N，通过空间范围确定步骤、 影响路段提取步骤、空间关系确定步骤、相关度学习步骤和空间影响度确定步骤，为每一个 路段确定在改变后的空间阶数N下的空间影响度。
9.根据权利要求1或8所述的方法，还包括存储步骤，为每一个路段存储为其确定的 至少一个空间阶数N下的空间影响度。
10.根据权利要求1所述的方法，其中，针对一天中的特定时间段，历史路况数据至少 包括每个路段的如下历史路况数据之一车辆在该路段上的行驶速度；车辆经过该路段所需的行驶时间；路段拥堵度，表示车辆经过该路段实际所需的行驶时间与理想情况下所需的行驶时间 之比，或者表示车辆在该路段上的实际行驶速度与理想行驶速度之比。
11.根据权利要求1所述的方法，其中，路段包括作为道路网络的基本道路单元的路链；或者对路链进行重构而获得的道路段落；或者道路网络中从一个路口到另一个路口的道路段落。
12.一种路况预测方法，包括预测输入获取步骤，获取一个或多个时间段上多个路段的实时路况数据，作为预测输入；路况预测模型选择步骤，根据待预测的未来时间段和/或指定的时间阶数和/或空间 阶数，为多个路段中待预测的每一个路段选择路况预测模型，所述路况预测模型是考虑到 空间关系的时间序列模型，其中空间关系由根据权利要求1-11之一所述的路段空间影响 度确定方法而确定的路段之间的空间影响度表示；路况预测步骤，利用预测输入和所选的路况预测模型，预测每一个路段在特定时间段 之后的未来时间段上的路况。
13.根据权利要求12所述的方法，其中，路况预测模型包括时空自回归模型STAR，或者 时空自回归滑动平均模型STARMA。
14.根据权利要求12所述的方法，其中，在预测输入获取步骤之后，还包括数据差异 分析步骤，分析获取的实时路况数据与历史路况数据的差异，并根据分析结果调整获取的 实时路况数据，将调整后的实时路况数据作为预测输入。
15.根据权利要求14所述的方法，其中，在数据差异分析步骤中，采用统计平均方法对 实时路况数据进行调整。
16.一种路段空间影响度确定装置，包括空间范围确定单元，针对道路网络中每一个路段，确定对该路段具有影响的空间范围， 其中，空间范围具有空间阶数N，N是等于或大于1的整数；影响路段提取单元，在所确定的空间范围内，从道路网络中提取该路段的周边路段，作 为该路段的N阶影响路段；空间关系确定单元，将每一个路段与其每一个N阶影响路段之间的空间关系划分到预 定的空间关系类型之一；相关度学习单元，针对所划分的空间关系类型，对该路段及该空间关系类型的N阶影 响路段的历史路况数据进行相关性分析，学习该空间关系类型下该路段与其N阶影响路段 的路段相关度；空间影响度确定单元，根据学习的路段相关度，为该路段的N阶影响路段确定空间影 响度，空间影响度反映了该路段受到其N阶影响路段影响的程度。
17.根据权利要求16所述的装置，其中，空间范围确定单元根据道路网络中路段之间 的空间相对位置，为每一个路段确定对该路段具有影响的空间范围。
18.根据权利要求16所述的装置，其中，空间范围确定单元针对道路网络中每一个路 段，确定从该路段出发在预定时间段内可达到的空间范围，作为对该路段具有影响的空间 范围。
19.根据权利要求16所述的装置，其中，空间影响度确定单元根据每一个路段与其各 个N阶影响路段之间的路段相关度，向N阶影响路段中每一个影响路段分配影响权重，并利用影响权重确定N阶影响路段中每一个影响路段对该路段的空间影响度。
20.一种路况预测装置，包括预测输入获取单元，获取一个或多个时间段上多个路段的实时路况数据，作为预测输入；路况预测模型选择单元，根据待预测的未来时间段和/或指定的时间阶数和/或空间 阶数，为多个路段中待预测的每一个路段选择路况预测模型，所述路况预测模型是考虑到 空间关系的时间序列模型，其中空间关系由根据权利要求16-19之一所述的路段空间影响 度确定装置确定的路段之间的空间影响度表示；路况预测单元，利用预测输入和所选的路况预测模型，预测每一个路段在特定时间段 之后的未来时间段上的路况。
21.根据权利要求20所述的装置，还包括数据差异分析单元，分析由预测输入获取 单元获取的实时路况数据与历史路况数据的差异，并根据分析结果调整获取的实时路况数 据，将调整后的实时路况数据作为预测输入。
22.一种基于时空关系的路况预测方法，包括路段空间影响度确定步骤，利用权利要求1-11之一所述的路段空间影响度确定方法， 为多个路段中每一个待预测路段确定其受到周边路段的空间影响度；路况预测模型建立步骤，利用在路段空间影响度确定步骤确定的空间影响度以及多个 路段的历史路况数据，为多个路段中每一个待预测路段建立路况预测模型；以及路况预测步骤，利用实时路况数据和在路况预测模型建立步骤中建立的路况预测模 型，预测未来时间段上多个路段中待预测路段的路况。
23.一种基于时空关系的路况预测系统，包括路段空间影响度确定部分，利用权利要求16-19之一所述的路段空间影响度确定装 置，为多个路段中每一个待预测路段确定其受到周边路段的空间影响度；路况预测模型建立部分，利用路段空间影响度确定部分确定的空间影响度以及多个路 段的历史路况数据，为多个路段中每一个待预测路段建立路况预测模型；以及路况预测部分，利用实时路况数据和由路况预测模型建立部分建立的路况预测模型， 预测未来时间段上多个路段中待预测路段的路况。
全文摘要
本发明公开了一种基于时空关系的路况预测系统及其方法，包括路段空间影响度确定部分，为多个路段中每一个待预测路段确定其受到周边路段的空间影响度；路况预测模型建立部分，利用确定的空间影响度以及多个路段的历史路况数据，为待预测路段建立路况预测模型；以及路况预测部分，利用实时路况数据和路况预测模型，预测未来时间段上待预测路段的路况。本发明还公开了路况空间影响度确定装置及其方法、以及路况预测装置及其方法。本发明以路段空间影响度为空间算子，结合时间序列模型，能够考虑到多个空间阶数上周边路段对当前路段的影响更符合实际地对空间范围路况进行度量，有利于提高预测精度。
文档编号G08G1/01GK102110365SQ20091026561
公开日2011年6月29日 申请日期2009年12月28日 优先权日2009年12月28日
发明者伍涛, 何君舰, 刘晓炜, 王少亚, 胡卫松, 饶佳 申请人:日电(中国)有限公司