CN104575085B - 一种基于浮动车的公交车到站动态诱导方法 - Google Patents

Abstract

本发明涉及一种基于浮动车的公交车到站动态诱导方法及装置。该方法包括下列顺序的步骤：构建地理空间数据***，对路段和公交站点进行划分编码。实时获取全部公交浮动车的动态参数数据。对公交浮动车的实时GPS坐标进行路段匹配。获取公交浮动车在前后两个时间点坐标的匹配路段，获取公交浮动车的行车路线。计算公交浮动车在轨迹路段集的分配时间和路段旅行时间。获取路段校正旅行时间。获取经过路段集，将各个路段的校正旅行时间相加，得到公交浮动车的到达预测时间。诱导屏设备实时显示公交车的到达预测时间。本发明能够提高公交到站时间预报的准确度，对公众出行进行有效疏导，提升公交***的信息管理和服务水平。

Description

一种基于浮动车的公交车到站动态诱导方法

技术领域

本发明涉及公交到站时间预测技术领域，尤其是一种基于浮动车的公交车到站动态诱导方法及装置。

背景技术

现有公交***由于无法预知到站时间等因素，造成市民在站台等待时间较长，公交出行率偏低。国内外的学者们提出了很多行程时间预测模型，如历史趋势方法、非参数回归模型、时间序列方法、神经网络、卡尔曼滤波模型等。然而，在变化的交通状况和任意时段的条件下，这些方法和模型不能取得令人满意的预测结果。

浮动车交通信息采集技术是通过在车辆上安装北斗BDS、美国北斗等装置，利用车辆的动态位置变化信息进行实时路况提取的技术。该技术包括数据预处理、地图匹配、路径推测和历史速度补充等关键处理程序，各个程序的处理模型也是多种多样的，精度存在着差异。而且城市路网环境不同于乡村和郊区道路，由于大量高楼建筑物的影响，定位存在着偏差，目前的正常的偏差在10米左右，建筑物较多的地方效果更差，不能够对车辆进行精准定位。

发明内容

本发明的首要目的在于提供一种基于浮动车的公交到站动态诱导方法，能够提高公交到站时间预报的准确度，以对公众出行进行有效疏导，提升公交***的信息管理和服务水平。

为实现上述目的，本发明采用了以下技术方案：

一种基于浮动车的公交车到站动态诱导方法，该方法包括下列顺序的步骤：

(1)构建地理空间数据***，对路段和公交站点进行划分编码，将公交站点编码和路段编码进行匹配绑定。

(2)在公交车上安装GPS定位设备组成公交浮动车，在公交站点安装诱 导屏设备，采用数据通讯和存储设备实时获取全部公交浮动车的动态参数数据，并将动态参数数据发送至动态诱导处理服务器。

(3)动态诱导处理服务器将公交浮动车的GPS坐标点匹配到相应的路段上，并采用九宫格数据筛选和点到直线距离模型，对公交浮动车的实时GPS坐标进行路段匹配。

(4)动态诱导处理服务器获取公交浮动车在前后两个时间点坐标的匹配路段，并根据路径规划模型和距离权值，搜索该公交浮动车的轨迹路段集，获取公交浮动车的行车路线。

(5)动态诱导处理服务器依次计算公交浮动车在轨迹路段集的分配时间和周期粒度时间的路段旅行时间。

(6)动态诱导处理服务器根据邻近时间段的交通状态，对公交浮动车样本覆盖数量小于n的路段，进行历史数据弥补计算，获取路段校正旅行时间；其中，n为大于0的正整数。

(7)动态诱导处理服务器获取与公交站点相关的且将要到达该公交站点的公交浮动车的GPS坐标，根据地图匹配和路径规划模型，获取经过路段集，将各个路段的校正旅行时间相加，得到公交浮动车到达该公交站点的到达预测时间。

(8)诱导屏设备实时显示公交车的到达预测时间。

步骤(3)中，所述的采用九宫格数据筛选和点到直线距离模型，对公交浮动车的实时GPS坐标进行路段匹配；具体包括以下步骤：

(31)基于路网的地理空间数据***，覆盖网格化处理层，获取每个网格的编号及边界范围，并根据路段的起点和终点坐标信息，对路段和网格进行关联绑定。

(32)根据公交浮动车的实时GPS坐标信息，获取该公交浮动车所在的网格，并以该网格为中心、周围九宫格为半径，搜索目标范围内的路段信息，得到候选匹配路段集。

(33)提取候选匹配路段集中的路段信息，并采用点到直线距离计算公式，计算公交浮动车当前坐标点与各个路段的距离。

(34)根据公交浮动车当前坐标点到各个路段的距离以及方向角，利用以 下公式计算坐标匹配指数：

${\mathrm{MI}}_i=\frac{0.65}{1+d_i/d}+\frac{0.35}{1+{\mathrm{\θ}}_i/\mathrm{\θ}}$

其中，MI_i表示北斗浮动车的当前坐标与候选路段P_i的匹配指数，d_i表示当前坐标与候选路段P_i之间的距离，d表示北斗数据距离偏差阈值，θ_i表示北斗浮动车的当前方向角与候选路段P_i的方向角之间的偏差，θ表示北斗数据方向角偏差阈值；

在匹配指数集{MI₁,MI₂,...,MI_i}中，选取指数最大的路段为匹配路段。

步骤(4)中，所述的动态诱导处理服务器获取公交浮动车在前后两个时间点坐标的匹配路段，并根据路径规划模型和距离权值，搜索该公交浮动车的轨迹路段集，获取公交浮动车的行车路线；具体包括以下步骤：

(41)加载空间地理模块，读取与某个公交浮动车前后两相邻坐标各自相匹配的路段，分别作为该公交浮动车的起点路段和终点路段；

基于公交浮动车的起点路段和终点路段信息，搜索公交浮动车的拓展路段集，拓展路段指的是当车辆行驶到某个路段的终点时，其接下来可能行驶的路段；

(42)根据起点路段及拓展路段信息，利用式(5)获取距离权值g(p,b)，并根据距离权值大小确定真实行驶路段：

g(p,b)＝d(p,b)+f(b,q) (5)

其中，p表示起点路段，q表示终点路段，b表示起点路段p的拓展路段，g(p，b)表示拓展路段b的距离权重值，d(p，b)表示当选择拓展路段b时，在其上行驶结束时，北斗浮动车总计已经行驶的路径距离，f(b，q)表示拓展路段b与终点路段q之间的欧几里得距离；g(p,b)表示b的距离权值，取值越小代表路径最优，路径概率最大，则该路段作为真实行驶路段；

(43)以当前路段作为起点路段p，返回执行步骤(42)，搜索公交浮动车的轨迹路段集，直到找到终点路段q为止；

(44)将依次得到的各个真实行驶路段相连，得到公交浮动车的行驶路线。

步骤(5)中，所述的动态诱导处理服务器依次计算公交浮动车在轨迹路段集的分配时间和周期粒度时间的路段旅行时间；具体包括以下步骤：

假设某辆公交浮动车在计算周期内所经过的一系列GPS点，经地图匹配和行车路径推测后的具体路径为{P_i,i＝1,2,...,n}，其中，P_i表示该车所经过的第i个路段的编码；

先利用以下公式计算该车通过路段P_i的出行时间：

$t_{ij}=\frac{{\mathrm{\Δt}}_j\×l_i}{{\mathrm{\Δd}}_j}$

其中，t_ij表示车辆j在路段P_i上的出行时间；Δd_j表示车辆在Δt_j时间内经过路径的长度；Δt_j表示车辆j前后相邻两个上报数据的时间差；l_i表示路段P_i的长度；根据各个路段的出行时间，得到公交浮动车在轨迹路段集的分配时间；

再利用以下公式，计算路段旅行时间：

$t_i=\underset{j=1}{\overset{n_i}{\Σ}}{t}_{ij}/n_i,n_i\≠0$

其中，t_i表示路段P_i的路段旅行时间，n_i表示路段P_i上参与计算的公交浮动车的总个数，当n_i等于0，即该路段上没有数据覆盖时，需要用历史数据进行弥补处理。

步骤(6)中，所述的动态诱导处理服务器根据邻近时间段的交通状态，对公交浮动车样本覆盖数量小于n的路段，进行历史数据弥补计算，获取路段校正旅行时间；其中，n为大于0的正整数；具体采用以下方法实现：

当路段上没有公交浮动车的GPS数据覆盖时，根据该路段同一时间段的历史旅行时间和该路段最近一次计算的旅行时间利用以下公式计算得到该路段的校正旅行时间T_i：

$T_i=k_1{\stackrel{\‾}{T}}_i+(1-k_1){\hat{T}}_i$

当路段上有公交浮动车的GPS数据覆盖时，首先利用以下公式计算当前路段的校正旅行时间T_i；

$T_i=k_2\stackrel{\‾}{T_i}+(1-k_2)t_i$

再利用以下公式更新该路段最近一次计算的旅行时间

${\hat{T}}_i=T_i$

并利用以下公式同时更新同一时间段的历史平均速度

${\stackrel{\‾}{T}}_i=k_3{\stackrel{\‾}{T}}_i+(1-k_3)T_i$

其中，k₁,k₂,k₃是大于0且略小于1的系数。

步骤(7)中，所述的动态诱导处理服务器获取与公交站点相关的且将要到达该公交站点的公交浮动车的GPS坐标，根据地图匹配和路径规划模型，获取经过路段集，将各个路段的校正旅行时间相加，得到公交浮动车到达该公交站点的到达预测时间；具体包括以下步骤：

(71)获取某个公交站点要到达公交浮动车的GPS坐标。

(72)基于地图匹配，确定公交浮动车所在路段及当前站点的路段信息。

(73)以公交浮动车所在路段为起点路段，以当前站点为终点路段，进行路线规划，搜索路径路段集{P_i,i＝1,2,...,n}。

(74)利用以下公式，对路径路段集的实时校正旅行时间进行求和计算，得出车辆到达的预测时间T；

$T=\underset{i=1}{\overset{n}{\Σ}}{T}_i$

其中，T_i为路段集中P_i路段的实时校正旅行时间，T的单位为分钟。

本发明的另一目的在于提供一种基于浮动车的公交车到站动态诱导装置，包括公交浮动车设备、数据通讯和存储服务器、动态诱导处理服务器和诱导屏设备；所述的公交浮动车设备，其输出端与数据通讯和存储服务器的输入端相连；数据通讯和存储服务器，其输出端与动态诱导处理服务器的输入端相连；动态诱导处理服务器，其输出端与诱导屏设备的输入端相连。

由上述技术方案可知，本发明通过构建基于浮动车的公交到站诱导算法，实现公交到站信息的动态交通诱导发布，提高了公交到站时间预报的准确度，对公众进行出行进行有效疏导，合理安排时间，可以提升公交***的信息管理和服务水平。

附图说明

图1是本发明的方法流程图；

图2是本发明的装置结构框图；

图3是公交到站时间预测示意图。

其中：

1、公交浮动车设备，2、数据通讯和存储服务器，3、动态诱导处理服务器，4、诱导屏设备。

具体实施方式

如图1所示的一种基于浮动车的公交车到站动态诱导方法，该方法包括下列顺序的步骤：

S1、构建地理空间数据***，对路段和公交站点进行划分编码，利用式(1)，将公交站点编码S_h和路段编码Pi进行一对一关联配对：

S_h＝f(P_i)(i∈I,h∈H) (1)

其中，i为当前路段编号；I为路网上所有路段的总个数；H为路网上所有公交站点的总个数。

S2、在公交车上安装GPS定位设备组成公交浮动车，在公交站点安装诱导屏设备，采用数据通讯和存储设备实时获取全部公交浮动车的动态参数数据，并将动态参数数据发送至动态诱导处理服务器。所述的公交浮动车的动态参数数据包括时间、经度、纬度、高度、方向角和瞬时速度等，该数据通过数据通讯和存储设备实时传输至后台服务器进行存储，为下一步数据处理做准备。

S3、动态诱导处理服务器将公交浮动车的GPS坐标点匹配到相应的路段上，并采用九宫格数据筛选和点到直线距离模型，对公交浮动车的实时GPS坐标进行路段匹配。步骤S3具体包括以下步骤：

S31、基于路网的地理空间数据***，覆盖网格化处理层，获取每个网格的编号及边界范围，网格大小的基本单位为25米*25米；并根据路段的起点和终点坐标信息，对路段和网格进行关联绑定。

设路段编码为P_i,网格编码Q_j，利用式(2)，对网格编码Q_j与路段编码P_i进行一对多关联配对，

Q_j＝{P₁,P₂,...,P_i}(i∈I,j∈J) (2)

其中，i为当前路段的编号；j为当前网格的编号；I为当前网格内的所有路段个数；J为道路网上所有网格的总个数。

S32、根据公交浮动车的实时GPS坐标信息，获取该公交浮动车所在的网 格，并以该网格为中心、周围九宫格为半径，搜索目标范围内的路段信息，得到候选匹配路段集。

假定公交浮动车的当前坐标为G＝(x₀,y₀,z₀)，网格Q_j＝{G₁,G₂,G₃,G₄}，其中，G1为Q_j左上坐标，G2为Q_j右上坐标，G3为Q_j左下坐标，G4为Q_j右下坐标。如果G落入G1、G2、G3、G4界定的范围内，则判定G属于Q_j；

然后以Q_j为中心，查找周围九宫格，利用式(2)提取九宫格内的所有路段信息，作为候选路段集。

S33、获取候选路段集中各个候选路段信息，包括候选路段编号、候选路段起点坐标、候选路段终点坐标和候选路段方向角；根据候选路段起点坐标和候选路段终点坐标，得到候选路段线性函数；

设公交浮动车的当前坐标为(x₀，y₀，z₀)，候选路段P_i的直线方程为A_ix+B_iy+C_iz+D_i＝0，则采用公式(3)计算出(x₀，y₀，z₀)与P_i之间的距离d_i：

$d_i=\frac{|A_i{x}_0+B_i{y}_0+C_i{z}_0+D_i|}{\sqrt{A_i^2+B_i^2+C_i^2}}---\left(3\right)$

S34、根据公交浮动车当前坐标点到各个路段的距离以及方向角，利用式(4)，计算坐标匹配指数MI(Matching Index)；根据坐标匹配指数的大小，判断其匹配度，指数越大表示匹配的匹配度越大。

北斗距离误差和方向角误差阈值需预先设置，根据目前北斗的特性，一般距离误差设置为10米，方向角误差为30度，构建坐标匹配指数函数模型，距离与方向角权值公式如下：

${\mathrm{MI}}_i=\frac{0.65}{1+d_i/d}+\frac{0.35}{1+{\mathrm{\θ}}_i/\mathrm{\θ}}---\left(4\right)$

其中，MI_i表示北斗浮动车的当前坐标与候选路段P_i的匹配指数，d_i表示当前坐标与候选路段P_i之间的距离，d表示北斗数据距离偏差阈值，θ_i表示北斗浮动车的当前方向角与候选路段P_i的方向角之间的偏差，θ表示北斗数据方向角偏 差阈值；

在匹配指数集{MI₁,MI₂,...,MI_i}中，选取指数最大的路段为匹配路段。

S35、选取匹配指数最大的候选路段作为与北斗浮动车的当前坐标相匹配的路段。

S4、动态诱导处理服务器获取公交浮动车在前后两个时间点坐标的匹配路段，并根据路径规划模型和距离权值，搜索该公交浮动车的轨迹路段集，获取公交浮动车的行车路线。步骤S4具体包括以下步骤：

S41、加载空间地理模块，读取与某个公交浮动车前后两相邻坐标各自相匹配的路段，分别作为该公交浮动车的起点路段和终点路段；

基于公交浮动车的起点路段和终点路段信息，搜索公交浮动车的拓展路段集，拓展路段指的是当车辆行驶到某个路段的终点时，其接下来可能行驶的路段；

S42、根据起点路段及拓展路段信息，利用式(5)获取距离权值g(p,b)，并根据距离权值大小确定真实行驶路段：

g(p,b)＝d(p,b)+f(b,q) (5)

其中，p表示起点路段，q表示终点路段，b表示起点路段p的拓展路段，g(p，b)表示拓展路段b的距离权重值，d(p，b)表示当选择拓展路段b时，在其上行驶结束时，北斗浮动车总计已经行驶的路径距离，f(b，q)表示拓展路段b与终点路段q之间的欧几里得距离；g(p,b)表示b的距离权值，取值越小代表路径最优，路径概率最大，则该路段作为真实行驶路段。

S43、以当前路段作为起点路段p，返回执行步骤S42，搜索公交浮动车的轨迹路段集，直到找到终点路段q为止。

S44、将依次得到的各个真实行驶路段相连，得到公交浮动车的行驶路线。

S5、动态诱导处理服务器依次计算公交浮动车在轨迹路段集的分配时间和周期粒度时间的路段旅行时间。步骤S5具体包括以下步骤：

假设某辆公交浮动车在计算周期内所经过的一系列GPS点，经地图匹配和行车路径推测后的具体路径为{P_i,i＝1,2,...,n}，其中，P_i表示该车所经过的第i个路段的编码；

先利用式(6)，计算该车通过路段P_i的出行时间：

$t_{ij}=\frac{{\mathrm{\Δt}}_j\×l_i}{{\mathrm{\Δd}}_j}---\left(6\right)$

其中，t_ij表示车辆j在路段P_i上的出行时间；Δd_j表示车辆在Δt_j时间内经过路径的长度；Δt_j表示车辆j前后相邻两个上报数据的时间差；l_i表示路段P_i的长度；根据各个路段的出行时间，得到公交浮动车在轨迹路段集的分配时间；

再利用式(7)，计算路段旅行时间：

$t_i=\underset{j=1}{\overset{n_i}{\Σ}}{t}_{ij}/n_i,n_i\≠0---\left(7\right)$

其中，t_i表示路段P_i的路段旅行时间，n_i表示路段P_i上参与计算的公交浮动车的总个数，当n_i等于0，即该路段上没有数据覆盖时，需要用历史数据进行弥补处理。

S6、动态诱导处理服务器根据邻近时间段的交通状态，对公交浮动车样本覆盖数量小于n的路段，进行历史数据弥补计算，获取路段校正旅行时间；其中，n为大于0的正整数。历史数据弥补计算，是对当前GPS数据的校正，能够提高数据的准确度，具体采用以下方法实现：

当路段上没有公交浮动车的GPS数据覆盖时，根据该路段同一时间段的历史旅行时间和该路段最近一次计算的旅行时间利用式(8)计算得到该路段的校正旅行时间T_i：

$T_i=k_1{\stackrel{\‾}{T}}_i+(1-k_1){\hat{T}}_i---\left(8\right)$

当路段上有公交浮动车的GPS数据覆盖时，首先利用式(9)计算当前路段的校正旅行时间T_i；

$T_i=k_2{\stackrel{\‾}{T}}_i+(1-k_2)t_i---\left(9\right)$

再利用式(10)更新该路段最近一次计算的旅行时间

${\hat{T}}_i=T_i---\left(10\right)$

并利用以下式(11)同时更新同一时间段的历史平均速度

${\stackrel{\‾}{T}}_i=k_3{\stackrel{\‾}{T}}_i+(1-k_3)T_i---\left(11\right)$

其中，k₁,k₂,k₃是大于0且略小于1的系数。

S7、动态诱导处理服务器获取与公交站点相关的且将要到达该公交站点的公交浮动车的GPS坐标，根据地图匹配和路径规划模型，获取经过路段集，将各个路段的校正旅行时间相加，得到公交浮动车到达该公交站点的到达预测时间。步骤S7具体包括以下步骤：

S71、获取某个公交站点要到达公交浮动车的GPS坐标。

S72、基于地图匹配，确定公交浮动车所在路段及当前站点的路段信息。

S73、以公交浮动车所在路段为起点路段，以当前站点为终点路段，进行路线规划，搜索路径路段集{P_i,i＝1,2,...,n}。

S74、利用式(12)，对路径路段集的实时校正旅行时间进行求和计算，得出车辆到达的预测时间T；

$T=\underset{i=1}{\overset{n}{\Σ}}{T}_i---\left(12\right)$

其中，T_i为路段集中P_i路段的实时校正旅行时间，T的单位为分钟。

S8、公交站点诱导屏设备实时发布各个将要到站的车辆信息，包括公交线路、车辆位置和到达时间数据，实现公交到站的动态诱导。

如图2所示，本发明的另一目的在于提供一种基于浮动车的公交车到站动态诱导装置，包括公交浮动车设备1、数据通讯和存储服务器2、动态诱导处理服务器3和诱导屏设备4；所述的公交浮动车设备1，其输出端与数据通讯和存储服务器2的输入端相连；数据通讯和存储服务器2，其输出端与动态诱导处理服务器3的输入端相连；动态诱导处理服务器3，其输出端与诱导屏设备4的输入端相连。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于浮动车的公交车到站动态诱导方法，其特征在于：该方法包括下列顺序的步骤：

(1)构建地理空间数据***，对路段和公交站点进行划分编码，将公交站点编码和路段编码进行匹配绑定；

(2)在公交车上安装GPS定位设备组成公交浮动车，在公交站点安装诱导屏设备，采用数据通讯和存储设备实时获取全部公交浮动车的动态参数数据，并将动态参数数据发送至动态诱导处理服务器；

(3)动态诱导处理服务器将公交浮动车的GPS坐标点匹配到相应的路段上，并采用九宫格数据筛选和点到直线距离模型，对公交浮动车的实时GPS坐标进行路段匹配；

(4)动态诱导处理服务器获取公交浮动车在前后两个时间点坐标的匹配路段，并根据路径规划模型和距离权值，搜索该公交浮动车的轨迹路段集，获取公交浮动车的行车路线；

(5)动态诱导处理服务器依次计算公交浮动车在轨迹路段集的分配时间和周期粒度时间的路段旅行时间；

(6)动态诱导处理服务器根据邻近时间段的交通状态，对公交浮动车样本覆盖数量小于n的路段，进行历史数据弥补计算，获取路段校正旅行时间；其中，n为大于0的正整数；

(7)动态诱导处理服务器获取与公交站点相关的且将要到达该公交站点的公交浮动车的GPS坐标，根据地图匹配和路径规划模型，获取经过路段集，将各个路段的校正旅行时间相加，得到公交浮动车到达该公交站点的到达预测时间；

(8)诱导屏设备实时显示公交车的到达预测时间。

2.根据权利要求1所述的一种基于浮动车的公交车到站动态诱导方法，其特征在于：步骤(3)中，所述的采用九宫格数据筛选和点到直线距离模型，对公交浮动车的实时GPS坐标进行路段匹配；具体包括以下步骤：

(31)基于路网的地理空间数据***，覆盖网格化处理层，获取每个网格的编号及边界范围，并根据路段的起点和终点坐标信息，对路段和网格进行关联绑定；

(32)根据公交浮动车的实时GPS坐标信息，获取该公交浮动车所在的网格，并以该网格为中心、周围九宫格为半径，搜索目标范围内的路段信息，得到候选匹配路段集；

(33)提取候选匹配路段集中的路段信息，并采用点到直线距离计算公式，计算公交浮动车当前坐标点与各个路段的距离；

(34)根据公交浮动车当前坐标点到各个路段的距离以及方向角，利用以下公式计算坐标匹配指数：

${\mathrm{MI}}_i=\frac{0.65}{1+d_i/d}+\frac{0.35}{1+{\mathrm{\θ}}_i/\mathrm{\θ}}$

其中，MI_i表示北斗浮动车的当前坐标与候选路段P_i的匹配指数，d_i表示当前坐标与候选路段P_i之间的距离，d表示北斗数据距离偏差阈值，θ_i表示北斗浮动车的当前方向角与候选路段P_i的方向角之间的偏差，θ表示北斗数据方向角偏差阈值；

在匹配指数集{MI₁,MI₂,...,MI_i}中，选取指数最大的路段为匹配路段。

3.根据权利要求1所述的一种基于浮动车的公交车到站动态诱导方法，其特征在于：步骤(4)中，所述的动态诱导处理服务器获取公交浮动车在前后两个时间点坐标的匹配路段，并根据路径规划模型和距离权值，搜索该公交浮动车的轨迹路段集，获取公交浮动车的行车路线；具体包括以下步骤：

(41)加载空间地理模块，读取与某个公交浮动车前后两相邻坐标各自相匹配的路段，分别作为该公交浮动车的起点路段和终点路段；

基于公交浮动车的起点路段和终点路段信息，搜索公交浮动车的拓展路段集，拓展路段指的是当车辆行驶到某个路段的终点时，其接下来可能行驶的路段；

(42)根据起点路段及拓展路段信息，利用式(5)获取距离权值g(p,b)，并根据距离权值大小确定真实行驶路段：

g(p,b)＝d(p,b)+f(b,q) (5)

其中，p表示起点路段，q表示终点路段，b表示起点路段p的拓展路段，g(p，b)表示拓展路段b的距离权重值，d（p，b)表示当选择拓展路段b时，在其上行驶结束时，北斗浮动车总计已经行驶的路径距离，f(b，q)表示拓展路段b与终点路段q之间的欧几里得距离；g(p,b)表示b的距离权值，取值越小代表路径最优，路径概率最大，则该路段作为真实行驶路段；

(43)以当前路段作为起点路段p，返回执行步骤(42)，搜索公交浮动车的轨迹路段集，直到找到终点路段q为止；

(44)将依次得到的各个真实行驶路段相连，得到公交浮动车的行驶路线。

4.根据权利要求1所述的一种基于浮动车的公交车到站动态诱导方法，其特征在于：步骤(5)中，所述的动态诱导处理服务器依次计算公交浮动车在轨迹路段集的分配时间和周期粒度时间的路段旅行时间；具体包括以下步骤：

假设某辆公交浮动车在计算周期内所经过的一系列GPS点，经地图匹配和行车路径推测后的具体路径为{P_i,i＝1,2,...,n}，其中，P_i表示该车所经过的第i个路段的编码；

先利用以下公式计算该车通过路段P_i的出行时间：

$t_{ij}=\frac{{\mathrm{\Δt}}_j\×l_i}{{\mathrm{\Δd}}_j}$

其中，t_ij表示车辆j在路段P_i上的出行时间；Δd_j表示车辆在Δt_j时间内经过路径的长度；Δt_j表示车辆j前后相邻两个上报数据的时间差；l_i表示路段P_i的长度；根据各个路段的出行时间，得到公交浮动车在轨迹路段集的分配时间；

再利用以下公式，计算路段旅行时间：

$t_i=\underset{j=1}{\overset{n_i}{\Σ}}{t}_{ij}/n_i,n_i\≠0$

其中，t_i表示路段P_i的路段旅行时间，n_i表示路段P_i上参与计算的公交浮动车的总个数，当n_i等于0，即该路段上没有数据覆盖时，需要用历史数据进行弥补处理。

5.根据权利要求1所述的一种基于浮动车的公交车到站动态诱导方法，其特征在于：步骤(6)中，所述的动态诱导处理服务器根据邻近时间段的交通状态，对公交浮动车样本覆盖数量小于n的路段，进行历史数据弥补计算，获取路段校正旅行时间；其中，n为大于0的正整数；具体采用以下方法实现：

当路段上没有公交浮动车的GPS数据覆盖时，根据该路段同一时间段的历史旅行时间和该路段最近一次计算的旅行时间利用以下公式计算得到该路段的校正旅行时间T_i：

$T_i=k_1{\stackrel{\‾}{T}}_i+(1-k_1){\hat{T}}_i$

当路段上有公交浮动车的GPS数据覆盖时，首先利用以下公式计算当前路段的校正旅行时间T_i；

$T_i=k_2{\stackrel{\‾}{T}}_i+(1-k_2)t_i$

再利用以下公式更新该路段最近一次计算的旅行时间

${\hat{T}}_i=T_i$

并利用以下公式同时更新同一时间段的历史平均速度

${\stackrel{\‾}{T}}_i=k_3{\stackrel{\‾}{T}}_i+(1-k_3)T_i$

其中，k₁,k₂,k₃是大于0且略小于1的系数。

6.根据权利要求1所述的一种基于浮动车的公交车到站动态诱导方法，其特征在于：步骤(7)中，所述的动态诱导处理服务器获取与公交站点相关的且将要到达该公交站点的公交浮动车的GPS坐标，根据地图匹配和路径规划模型，获取经过路段集，将各个路段的校正旅行时间相加，得到公交浮动车到达该公交站点的到达预测时间；具体包括以下步骤：

(71)获取某个公交站点要到达公交浮动车的GPS坐标；

(72)基于地图匹配，确定公交浮动车所在路段及当前站点的路段信息；

(73)以公交浮动车所在路段为起点路段，以当前站点为终点路段，进行路线规划，搜索路径路段集{P_i,i＝1,2,...,n}；

(74)利用以下公式，对路径路段集的实时校正旅行时间进行求和计算，得出车辆到达的预测时间T；

$T=\underset{i=1}{\overset{n}{\Σ}}{T}_i$

其中，T_i为路段集中P_i路段的实时校正旅行时间，T的单位为分钟。