CN104781863A - 预测链路上的未来的移动时间的方法 - Google Patents

Abstract

使用训练阶段和预测阶段来预测沿着链路的未来的移动时间。在训练期间，学习训练流入量的季节间隔、季节分量。将所述训练流入量减去所述季节分量以获得与所述训练流入量的训练偏差来产生统计，该统计与所述季节分量一起形成所述链路上的交通流量的模型。在预测期间，针对当前的季节间隔收集在所述链路上的当前的移动时间以确定当前的流入量。将最近的流入量减去最近的移动时间以获得当前的偏差。对于未来的时间，使用所述统计来估算预测偏差。所述季节分量被加到所述预测偏差以获得预测所述未来的移动时间所根据的预测流入量。

Description

预测链路上的未来的移动时间的方法

技术领域

本发明涉及预测移动时间，更具体地，涉及基于所收集的移动时间的季节变化的历史数据来预测车辆的移动时间。

背景技术

诸如汽车导航、车队管理、配送和其它物流运输操作的调度的许多运输问题取决于运输网络中的所有链路(link)(例如，道路)的准确移动时间估值的可用性。如果假定了自由流动交通状况，则能够容易地将任何链路的移动时间估算为链路的长度和车辆的速度的比率。

然而，在许多区域中，由于拥挤尤其在高峰时间或交通拥挤时间期间常常未能观测到自由流动交通状况。结果，在自由流动状况下使用移动时间估值的路径选择(routing)引导***一贯地将车辆导向交通堵塞，从而使交通状况进一步恶化。

较近期的车辆路径选择***(诸如日本车辆信息和通信***(VICS)与欧洲无线电数据***(RDS)交通消息通道(TMC))将链路上的最近的移动时间用作该链路上的未来的移动时间的估值。

然而，在动态运输网络中，移动时间尤其在高峰时间开始时迅速地改变。因此，尤其对于由车辆到目的地最后(在一些情况下在规划了路线之后数小时)行经(traverse)的链路和其发起的行车(traversal)，估值迅速地变得过时且无关。使用这些估值，尽管比在自由流动状况下的那些估值更准确，但是尤其对于在高峰时间期间发生的较长路线，导致仍然离最佳很远的路线选择。

这些路线的示例包括由作为路线引导***的最重要用户中的一些用户并且严重依靠在尽可能避免交通堵塞的同时找到最佳上下班路线的通勤者所进行的早晨和傍晚出行。

对于这种路线引导，路径选择***将受益于在不久的将来能够始终预测移动时间达数小时的方法。该问题被称为短期移动时间预测。

已知两种基本方法。第一种方法来自物理模拟观点，其中使用物理上现实的模拟器来模拟整个运输网络或者其单独的链路，并且移动时间作为模拟的副产品被获得。虽然该方法可能非常准确，但是却很少实行，因为必须准确地校准模拟模型，并且还必须提供诸如进出网络的交通流量的输入条件。在实践中，校准是困难且艰巨的过程，并且未来的交通流量及操作条件通常是未知的。

第二种方法是完全数据驱动的机器学习方法，其中维护了历史移动时间数据，并且预测模型适合于该数据，对未来的移动时间与当前和过去的移动时间的依存关系进行建模。

还已使用了诸如线性回归、神经网络、状态空间模型等的各种回归技术，在合理准确度情况下预测未来的移动时间达未来的数小时方面更成功。

数据驱动方法可能是非常实用的，因为它使用已经由当前的移动时间测量***(诸如VISC和RDS-TMC)收集的数据。然而，现有技术的纯数据驱动预测方法可能容易地违犯移动时间的重要物理特性，特别是先进先出(FIFO)特性。该特性是道路链路的排队性质的结果。晚于另一车辆进入链路的车辆很可能在该另一车辆之后离开该链路。如果该链路一次仅容许一辆车，并且不容许超车(passing)，则该特性严格为真(true)。这对于多车道道路也可能为真，其中，在高峰时间期间，后面的车辆难以通过堵塞的交通前进。因此，对于一般的链路，这在移动时间的预期方面为真。

如果τ(t₁)是在时间t₁进入链路的车辆的预期移动时间，并且τ(t₂)是在时间t₂进入链路的车辆的预期移动时间，使得t₂>t₁，则即使τ(t₁)可能与τ(t₂)有任何关系(例如，小于、等于或大于)，FIFO特性也能被表达为t₂+τ(t₂)≥t₁+τ(t₁)。因为τ(t₁)和τ(t₂)通常通过数据驱动预测方法被彼此完全独立地预测，所以在这些预测之间通常不用强加FIFO特性。

除产生物理上不现实且可能不准确的预测之外，违犯FIFO特性有另一个非常负面的后果：它使得最佳路径选择问题变得难以处理。如果FIFO特性在动态运输网络中成立，则在多项式时间上可能找到最佳路线。如果它不成立，则多项式解不存在。由于此原因，找到移动时间预测方法使得预测的移动时间满足FIFO特性是一个重要的实际问题。

发明内容

沿着链路的未来的移动时间使用训练阶段和预测阶段来预测。

在训练期间，学习训练流入量(inflows)的季节特征、季节分量。将所述训练流入量减去所述季节分量以获得与所述训练流入量的训练偏差来产生统计，其连同所述季节分量一起形成所述链路上的交通流量的模型。

在预测期间，针对当前的季节间隔收集在所述链路上的当前的移动时间以确定当前的流入量。将最近的流入量减去最近的移动时间以获得当前的偏差。对于未来的时间，使用所述统计来估算预测偏差。所述季节分量被加到所述预测偏差以获得预测所述未来的移动时间所根据的预测流入量。

附图说明

图1是用于基于季节模型来预测移动时间的方法的训练阶段的流程图；以及

图2是用于基于季节模型来预测移动时间的方法的预测阶段的流程图。

具体实施方式

针对移动时间的季节自回归整个链路模型

本发明的实施方式提供了用于预测在链路上的车辆的未来的移动时间的方法。该预测使用受链路上的移动时间与(加权的)交通流入量之间的固定非线性关系约束的季节自回归随机过程。

季节模型的统计是根据历史训练数据估算的。在实时期间，链路流入量和流出量是从当前的数据测量结果推断的。链路流入量和流出量是从实际数据测量结果推断的，并且移动时间根据该模型从当前数据预测。

被收集的唯一训练数据是在一系列时间间隔{t₀,t₁,…,t_N}期间的移动时间τ(t_i)，使得t_i+1≥t_i。能够在持续时间Δt的规则时间间隔t期间收集数据，使得t_i＝iΔt。采样间隔可以是恒定的，例如，δ_i＝Δt。

然而，间隔不必在时间上等距，并且例如能够通过报告特定车辆行经道路链路的实际时间的“探测”汽车、或者通过聚合来自许多传感器(例如，道路表面上的感应环)的数据的交通测量***来收集数据。传感器收集移动时间的周期性估值。

在时间t的移动时间τ(t)与链路上的流入量的聚合加权估值w(t)之间的依存关系τ(t)＝f(w(t))假定有

w(t)＝βu(t)+(1-β)v(t+τ(t)),   (1)

其中u(t)是链路在时间t的流入率(inflow rate)，v(t+τ(t))是链路在时间t+τ(t)的流出率(outflow rate)，并且β是恒定权重。

当FIFO特性成立时，流出率v(t+τ(t))是

$v(t+\mathrm{\τ}\left(t\right))=\frac{u\left(t\right)}{1+{\mathrm{\τ}}^{\′}\left(t\right)},---\left(2\right)$

其中τ'指示移动时间τ的一阶导数。

依存关系τ(t)＝f(w(t))能够采取任意数的形式。对于适合的线性系数a和b，线性依存关系能够被表达为f(w(t))＝aw(t)+b。更现实的形式是美国道路局(BPR)性能链路函数

$f\left(w\left(t\right)\right)={\mathrm{\τ}}_f(1+\mathrm{\α}{\left(\frac{w\left(t\right)}{c}\right)}^{\mathrm{\γ}}),---\left(3\right)$

其中τ_f是在无拥挤并且车辆以等于速度极限的速度移动的自由流动状况下的移动时间，c是链路容量，并且α和γ是适当选择的权重参数，例如，α＝0.15并且γ＝4。

在所有情况下，函数f(·)单调地增加，即，交通流量越高，移动时间越长。在这个假定下，其逆函数f^-1(·)总是存在。

此外，流入量u(t)被假定为源自被称为一阶的季节自回归过程(也被称为季节自回归(SAR(1))过程)的特定随机过程。在这个假定下，在任何时间t的流入量u(t)能够被分解成季节分量s(t)和随机分量r(t)，使得随机分量是一阶的自回归过程(AR(1))：

u(t)＝s(t)+r(t).

因为季节分量s(t)的显式包括，在不失一般性的情况下，AR(1)过程是零均值。当以持续时间Δt的规则间隔对零均值AR(1)过程进行采样使得ti＝iΔt时，零均值是

r(t_i)＝ρr(t_i-1)+ε(t_i),   (4)

其中ε(t)是具有零均值和方差σ²(t)的高斯白噪声过程，并且ρ是将的当前值与前一值r_i-1联系起来的自回归系数。

当不以规则间隔而是在任意时间t₀,t₁,…,t_N对AR(1)过程进行采样时，如在交通预测情况下一样，随机分量r(t)来自奥恩斯坦-乌伦贝克(Ornstein-Uhlenbeck)随机过程。在下面，随机分量被称作“偏差”。在从原始时间系列减去季节分量之后，随机分量还能够被称作“残差”。下面参照步骤T4-140描述偏差及偏差的意义。

尤金乌伦贝克(Eugene Uhlenbeck)过程理论上描述了大型布朗粒子(Brownianparticle)在摩擦力的影响下的速度。该过程是稳定的、高斯马尔可夫(GaussianMarkovian)过程，其是AR(1)过程的连续时间模拟：

$r\left(t_i\right)=e^{{\mathrm{\λ\δ}}_i}r\left(t_{i-1}\right)+\mathrm{\ϵ}\left(t\right),---\left(5\right)$

其中δ_i＝t_i-t_i-1，i＝1,…,N，并且λ是奥恩斯坦-乌伦贝克随机过程的均值回复率。明显地，λ和ρ具有ρ＝e^λΔt的关系。

针对移动时间的短时间预测的过程

图1示出了用于预测移动时间并且构造季节模型160的方法的训练阶段，图2示出了使用该模型的预测阶段。

基于该模型，以下方法能够被用于基于所收集的数据的移动时间的短时间预测。该方法具有用来收集训练数据并且估算模型的训练阶段100以及预测阶段200，其中该模型被用于移动时间预测。

训练(T)

训练阶段具有以下一般的步骤：

T1-110：在时间间隔{t₀,t₁,…,t_N}期间收集训练移动时间的数据的时间系列{τ(t₀),τ(t₁),…,τ(t_N)}111，使得t_i+1≥t_i；

T2-120：根据训练移动时间{τ(t_i)}确定120一系列预期估算流入量{u(t_i)}121；

T3-130：根据估算流入量来估算130任何时间间隔t期间的季节分量s(t)131，并且将该季节分量存储在存储器中；

T4-140：将估算流入量{u(t_i)}减去140季节分量s(t_i)以获得与估算流入量的偏差{r(t_i)}141：r(t_i)＝u(t_i)-s(t_i)；以及

T5-150：根据偏差{r(t_i)}确定预测统计151，并且将该统计存储在存储器中。该统计可以是自回归系数ρ或均值回复率λ。该统计本质上表征模型160。

预测(P)

预测阶段被实时地执行，并且包括以下步骤：

P1-210：在当日的一系列当前的时间间隔{t₀,t₁,…,t_N}期间收集当前的移动时间{τ(t₀),τ(t₁),…,τ(t_N)}211，使得t_i+1≥t_i，并且tN是最近的当前时间；

P2-220：根据当前的移动时间{τ(t_i)}确定220一系列估算流入量{u(t_i)}221；

P3-230：针对最近的移动时间t_N，在当时将估算流入量u(t_N)减去季节分量s(t_N)，以获得与预期流入量的当前的偏差r(t_N)231：r(t_N)＝u(t_N)-s(t_N)；

P4-240：对于未来的时间t>t_N，如果预测时间间隔t-t_N是恒定时间段Δt的确切倍数k＝(t-t_N)/Δt，则在该未来的时间处估算与季节流入量的预测偏差r(t)241为 $\hat{r}\left(t\right)={\mathrm{\ρ}}^{k}r\left(t_N\right),$ 否则， $\hat{r}\left(t\right)=e^{\mathrm{\λ}(t-t_n)}r\left(t_N\right);$

P5-250：将季节分量s(t)加到预测偏差以获得在时间t的预测流入量251： $\hat{u}\left(t\right)=s\left(t\right)+\hat{r}\left(t\right);$ 以及

P6-260：根据预测流入量确定最终的移动时间预测

能够在连接至如本领域所已知的存储器和输入/输出接口的处理器中执行训练阶段和预测阶段的步骤。现在更详细地描述这些步骤中的数个。

步骤T2和P2：根据观测的移动时间估算流入量

对于训练阶段和预测阶段而言，这些步骤是相同的。目的在于估算在移动时间{τ(t_i)}内产生的流入量{u(t_i)}。在式2中针对移动时间的一阶导数τ′(t)的后向有限差分逼近是

${\mathrm{\τ}}^{\′}\left(t_i\right)\≈\frac{\mathrm{\τ}\left(t_i\right)-\mathrm{\τ}(t_i-1)}{t_i-t_{i-1}},$

其能够将式1和式2组合成

$w\left(t_i\right)=u\left(t_i\right)[\mathrm{\β}+\frac{(1-\mathrm{\β})(t_i-t_{i-1})}{t_i-t_{i-1}+\mathrm{\τ}\left(t_i\right)-\mathrm{\τ}\left(t_{i-1}\right)}].$

通过对假设依存关系τ(t)＝f(w(t))求反(invert)，能够针对除t₀之外的各个时间间隔t_i求解下式，以获得序列{u(t_i)}，i＝1,2,…,N：

$f^{-1}\left(\mathrm{\τ}\left(t_i\right)\right)=u\left(t_i\right)[\mathrm{\β}+\frac{(1-\mathrm{\β})(t_i-t_{i-1})}{t_i-t_{i-1}+\mathrm{\τ}\left(t_i\right)-\mathrm{\τ}\left(t_{i-1}\right)}]---\left(6\right)$

在实践中，对于步骤P2，仅需确定最近的交通流入量u(t_N)。能够根据两个最近的移动时间τ(t_N)和τ(t_N-1)确定最近的流入量。

步骤T3：估算交通流入量的季节分量

当时间系列数据的季节分量的时间间隔是已知的时，存在许多可能的方式来估算该分量。对于交通流量，主季节分量可以是小时周期、日周期、周周期、月周期和年周期。日周期有早晨高峰和下午高峰。

为了对季节分量进行建模，确定与当移动时间τ(t_i)被收集到时的时间t_i对应的时刻T_i，使得T_i在[0,24]小时范围内就足够了。如果需要时刻T的链路流入量的季节分量S(T)，则能够找到存储在存储器中的k个最近时间T_i，并且它们对应的估算流入量u(T_i)的平均值能够被用作季节分量s(T)的估值。

其它季节周期的建模能够以相似的方式完成。周周期能够通过用作一周的同一天的k个最近时间T_i的估值来进行建模。一个季节分量能够被用于工作日，而另一分量用于周末。年周期期间的公众假日也能够和可能影响交通状况的已知特殊事件整合。

当已经收集到横跨许多年的移动时间数据时，还能够对甚至较长的季节周期(诸如具有对交通拥挤的气象影响的年周期)进行建模。

步骤T5：确定自回归系数ρ或均值回复率λ

当在持续时间Δt的规则时间间隔期间收集到数据使得t_i＝iΔt时，足以将统计估算为自回归系数ρ。根据式4，两个连续偏差r(t)的平均比率能够被估算为

$\mathrm{\ρ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{r\left(t_i\right)}{r\left(t_{i-1}\right)}.$

当未在规则时间间隔期间而是在时间t_i内的任意时间间隔期间收集到数据时，该统计可以是估算为如下的均值回复率λ：

$\mathrm{\λ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\ln r\left(t_i\right)-\ln r\left(t_{i-1}\right)}{t_i-t_{i-1}}.$

步骤P6：根据预测的链路流入量获得预期移动时间

这个步骤还能够使用式7，但是在相反方向上。考虑到未来的时间t>t_N、预测流入量在时间t_N的最近测量到的移动时间τ(t_N)以及固定参数β和函数f(·)，能够通过求解在式两侧具有未知参数的下式来确定预期移动时间

$f^{-1}\left(\widehat{\mathrm{\τ}}\left(t\right)\right)=\hat{u}\left(t\right)[\mathrm{\β}+\frac{(1-\mathrm{\β})(t-t_N)}{t-t_N+\widehat{\mathrm{\τ}}\left(t\right)-\mathrm{\τ}\left(t_N\right)}].---\left(7\right)$

当函数f(·)是非线性的时，式7是非线性方程，能够使用数值求根方法。

Claims (10)

1.一种用于预测链路上的未来的移动时间的方法，该方法包括：

训练阶段，该训练阶段包括以下步骤：

针对训练季节间隔收集在所述链路上的训练移动时间；

根据所述训练移动时间来确定训练流入量；

估算所述训练流入量的季节分量；

将所述训练流入量减去所述季节分量以获得与所述训练流入量的训练偏差；

根据所述训练偏差来确定统计，其中，所述季节分量和所述统计形成所述链路上的交通流量的模型；以及

预测阶段，该预测阶段包括以下步骤：

针对当前的季节间隔收集在所述链路上的当前的移动时间；

根据所述当前的移动时间来确定当前的流入量；

针对最近的移动时间，从最近的流入量减去以获得当前的偏差；

对于未来的时间，使用所述统计来估算预测偏差；

将所述季节分量加到所述预测偏差以获得预测流入量；以及

根据所述预测流入量来确定所述未来的移动时间。

2.根据权利要求1所述的方法，其中，所述预测使用受所述链路上的所述移动时间与所述流入量之间的固定非线性关系约束的季节自回归随机过程。

3.根据权利要求1所述的方法，其中，在时间t的特定移动时间τ(t)和特定流入量u(t)的聚合估值的依存关系是

w(t)＝βu(t)+(1-β)v(t+τ(t)),

其中v(t+τ(t))是在时间t+τ(t)的流出率，并且β是恒定权重。

4.根据权利要求3所述的方法，其中，所述流入率是

$v(t+\mathrm{\τ}\left(t\right))=\frac{u\left(t\right)}{1+{\mathrm{\τ}}^{\′}\left(t\right)},$

其中τ'指示移动时间τ的一阶导数。

5.根据权利要求3所述的方法，其中，所述依存关系是线性的。

6.根据权利要求3所述的方法，其中，所述流入量u(t)源自一阶的季节自回归过程。

7.根据权利要求3所述的方法，其中，所述流入量u(t)被分解成所述季节分量s(t)和所述偏差r(t)，使得所述偏差是一阶的自回归过程。

8.根据权利要求7所述的方法，其中，所述自回归过程是零均值。

9.根据权利要求2所述的方法，其中，在任意持续时间的不规则间隔处观测所述移动时间，并且自回归参数是被确定为两个连续随机偏差的自然对数之间的差与当观测到对应的移动时间时的时间之间的差的平均比的均值回复率。

10.根据权利要求5所述的方法，其中，所述移动流量的聚合估值与移动时间之间的所述依存关系是线性的。