申请/专利权人：武汉理工大学

申请日：2021-03-04

公开（公告）日：2024-04-19

公开（公告）号：CN113052206B

主分类号：G06F18/214

分类号：G06F18/214;G06F16/29;G06F16/2458;G06F18/23;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2021.07.16#实质审查的生效;2021.06.29#公开

摘要：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。

主权项：1.一种基于浮动车数据的路段旅行时间预测方法，其特征在于，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；所述神经网络模型包括隐含层；所述隐含层运用卷积层对输入数据进行特征提取和计算分析，并输出特征图；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；所述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匹配点包括：确定与所述浮动车GPS数据距离最近，且与车辆行驶方向一致的候选路段；根据所述浮动车GPS数据到所述候选路段的投影距离和夹角，确定所述候选路段的匹配权重；根据所述匹配权重，选择匹配的所述候选路段，确定最佳匹配路段；根据所述浮动车GPS数据在所述最佳匹配路段上的投影，确定对应的所述GPS匹配点；所述匹配权重的表达式如下： 其中，ws,j表示匹配权重，ds,j表示浮动车GPS数据到候选路段segj的投影距离，αs,j表示车头行驶方向与候选路段segj的夹角，kd表示投影距离d的权值系数，kα表示方向夹角α的权值系数。

全文数据：

权利要求：

百度查询： 武汉理工大学 一种基于浮动车数据的路段旅行时间预测方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD