基于網頁地圖的實時路況采集與預測方法
【技術領域】
[0001]本發明屬于交通數據挖掘技術領域，具體涉及一種基于網頁地圖的城市道路實時路況采集與預測方法。
【背景技術】
[0002]隨著城市車輛保有量日益增加，為了更有效地控制和管理交通，交通流參數預測成為智能交通系統的重要組成部分。目前已有方法主要對交通流量、占有率、平均車速和旅行時問等表征交通狀況的參數進行預測，其中交通流量預測方法較成熟。然而一方面用于交通參數預測的交通數據通常不會對社會開放，另一方面出行者一般無法獲取或者無法利用預測的交通流參數。隨著基于位置的服務的發展，例如網頁地圖和車輛導航系統，出行者越來越多地利用其提供的交通信息進行出行規劃以及路徑選擇等。利用基于位置服務提供的海量交通數據進行挖掘，為出行者提供準確的、實時的、提前的交通信息，以使得出行者自主進行決策，將會對交通運行起到積極作用。
【發明內容】
[0003]有鑒于此，本發明的目的在于提出一種基于網頁地圖的實時路況采集和預測方法。
[0004]為了實現上述目的，作為本發明的一個方面，本發明提供了一種實時路況的采集方法，包括以下步驟:
[0005]利用網頁地圖提供的開發接口，通過超文本傳輸協議HTTP發送POST請求獲取路段實時路況。
[0006]作為本發明的另一個方面，本發明提供了一種實時路況的預測方法，包括以下步驟:
[0007]采用如上所述的實時路況的采集方法采集實時路況數據，并存儲為本地文件；
[0008]利用先驗知識，建立路況預測特征模板，采用機器學習方法中的分類技術建立預測模型；
[0009]結合所述實時路況數據與歷史數據，利用得到的預測模型對未來一段時間的實時路況進行預測。
[0010]其中，所述機器學習方法中的分類技術為基于決策樹的分類算法。
[0011]基于上述技術方案可知，本發明的實時路況采集和預測方法的優點在于:利用網頁地圖提供的海量開放交通數據，采用機器學習方法建立預測模型，對未來一段時間的路況進行預測，主要為出行者進行自主決策提供交通信息。
【附圖說明】
[0012]圖1是本發明建立預測模型的工作流程；
[0013]圖2是采集的部分高德地圖提供的在2015年1月6日和7日的路況數據。
【具體實施方式】
[0014]為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖，對本發明作進一步的詳細說明。
[0015]本發明公開了一種實時路況的采集和預測方法，包括以下步驟:實時路況采集步驟、預測模型建立步驟和路況預測步驟。實時路況采集步驟就是利用網頁地圖提供的開發接口，通過超文本傳輸協議(Hyper Text Transfer Protocol，HTTP)發送POST請求獲取路段實時路況，并存儲為本地文件作為建立預測模型的數據庫。預測模型建立步驟就是利用先驗知識，建立路況預測特征模板，采用機器學習方法中的分類技術建立預測模型。路況預測步驟是指結合實時路況與歷史數據，利用預測模型對未來一段時間的路況進行預測。
[0016]其中，路況預測特征模板例如包括如下字段:路段標號、星期幾、時段和當前路況。其中各個字段可以全部用數字來表示，例如星期幾表示一周中的哪一天，一周共有七天，周日至周一分別由數值0至6表不；時段字段則是將一天24小時分為288個時段，從0開始編號，至277 ;實時路況字段分為暢通、緩行和擁堵三個級別，分別由和“3”表示。其中，機器學習方法中的分類技術為基于決策樹的分類算法。
[0017]下面結合圖1所示的工作流程圖對本發明進行詳細的敘述。如圖1，本發明主要分為實時路況數據采集、預測模型建立和路況預測三部分。圖1中通過網頁地圖開發應用接口獲取并存儲數據為數據采集部分，特征模板設計、分類器訓練和評估為預測模型建立部分。
[0018]通過HTTP POST請求將目標路段首末GPS坐標發送給網頁地圖應用開發接口，接收并存儲網頁地圖服務器回復的JS0N(JavaScript Object Notat1n)格式的路況數據。為了同時利用歷史與實時路況數據，特征模板設計為包含路段標號、一周中的某一天、一天中的某個時段和當前路況。其中一周共有七天，周日至周一分別由數值0至6表不；一天24小時分為288個時段，從0開始編號，至277 ;路況數據分為暢通、緩行和擁堵三個級別，分別由“ 1 ”、“2”和“3”表示。根據特征模板，將路況數據轉化為特征向量，并進一步劃分為訓練集和測試集。選擇基于決策樹的分類算法訓練預測模型，經過對隨機選取的部分路段進行大量測試，預測結果:(1)對于暢通狀態，預測時長為30分鐘時，準確率為92.7%、召回率為97.2%;預測時長為60分鐘時，準確率為88.9%、召回率為98.4%。(2)對于緩行狀態，預測時長為30分鐘時，準確率為61.6%、召回率為40.2% ;預測時長為60分鐘時，準確率為63.3%、召回率為23%。(3)對于擁擠狀態，預測時長為30分鐘時，準確率為63.9%、召回率為55.8 ;預測時長為60分鐘時，準確率為65.2%、召回率為32.2%。
[0019]以上所述的具體實施例，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，應理解的是，以上所述僅為本發明的具體實施例而已，并不用于限制本發明，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
【主權項】
1.一種實時路況的采集方法，包括以下步驟: 利用網頁地圖提供的開發接口，通過超文本傳輸協議HTTP發送POST請求獲取路段實時路況。2.—種實時路況的預測方法，包括以下步驟: 采用如權利要求1所述的實時路況的采集方法采集實時路況數據，并存儲為本地文件； 利用先驗知識，建立路況預測特征模板，采用機器學習方法中的分類技術建立預測模型； 結合所述實時路況數據與歷史數據，利用得到的預測模型對未來一段時間的實時路況進行預測。3.如權利要求2所述的實時路況的預測方法，其中所述路況預測特征模板包括路段標號字段、星期幾字段、時段字段和當前路況字段。4.如權利要求3所述的實時路況的預測方法，其中所述星期幾字段表示一周中的哪一天，周日至周一分別由數值0至6表示。5.如權利要求3所述的實時路況的預測方法，其中所述時段字段表示將一天24小時分為288個時段，從0開始編號，至277，將進行預測時的時間轉化成對應的數字。6.如權利要求3所述的實時路況的預測方法，其中所述實時路況字段分為暢通、緩行和擁堵三個級別，分別由“ 1 ”、“ 2 ”和“ 3 ”表示。7.如權利要求2所述的實時路況的預測方法，其中所述機器學習方法中的分類技術為基于決策樹的分類算法。
【專利摘要】本發明公開了一種實時路況采集和預測方法，包括：利用網頁地圖提供的開發接口，通過超文本傳輸協議發送POST請求獲取路段實時路況；利用先驗知識，建立路況預測特征模板，采用機器學習方法中的分類技術建立預測模型；結合實時路況與歷史數據，利用預測模型對未來一段時間的路況進行預測。本發明的實時路況采集和預測方法利用網頁地圖提供的海量開放交通數據，采用機器學習方法建立預測模型，對未來一段時間的路況進行預測，主要為出行者進行自主決策提供交通信息。
【IPC分類】G06F17/30, G06Q10/04, G08G1/01
【公開號】CN105243841
【申請號】CN201510651246
【發明人】陳圓圓, 呂宜生, 王飛躍, 楊柳青
【申請人】蘇州派瑞雷爾智能科技有限公司, 青島智能產業技術研究院, 江蘇中科智能工程有限公司, 天問匯科（北京）技術有限公司
【公開日】2016年1月13日
【申請日】2015年10月10日