路线行驶时间评估
2016-01-02 10:29:02 0 举报AI智能生成
路线行驶时间评估是一种通过分析交通状况、道路条件和车辆性能等因素，预测在特定时间段内从起点到终点所需的行驶时间的方法。这种评估对于出行规划、导航系统和智能交通管理等领域具有重要意义。通过对历史数据的分析，可以更准确地预测未来的道路拥堵情况，从而为用户提供更合理的出行建议。同时，路线行驶时间评估还可以为城市规划和基础设施建设提供参考依据，有助于提高城市交通效率和减少拥堵现象。总之，路线行驶时间评估是一项关键的技术，对于改善人们的出行体验和促进城市可持续发展具有重要作用。
作者其他创作
大纲/内容
全市范围内和实时模型去预估任何一条path的行驶时间（一系列的相连的路段）
基于 GPS车辆行驶轨迹在当前时间点、历史时间段以及地图数据
当前问题
数据稀疏
怎样结合轨迹评估时间
权衡path长度与support（通过这条path的轨迹数量）
思想：用通过整条path的轨迹来预测行驶时间
随着path长度增加，这样的轨迹数量减少，行驶时间的置信度降低
改进：子路径的结合
实时响应用户查询
Introduction
CATD
用三维tensor建模不同的司机行驶时间，在不同时间点、不同的路段
从轨迹和地图数据中
地理
时间
历史文本
a context- aware tensor decomposition approach
填补缺失项
OC
an object function
找到最优化的轨迹链接
a dynamic programming solution
从历史轨迹中挖掘frequent trajectory patterns
采用a suffix-tree-based index当前时间点的轨迹
framework
第一部分
将 当前时间点的轨迹 映射到 road network
map-matching
构建 tensor Ar
三维
路段
时间
司机
提取特征
时间
矩阵形式 X
结构
行：时间点
列：grid
项：经过的车辆数量
数据的时间范围：from Ti to Tj
地理
矩阵形式 Y
Fr
长度
level（公路or街道）
方向
车道数量
邻居数量
弯曲率
Fp
POIs的分布
历史
tensor Ah
tensor 分解
第二部分
tensor Arec
an objective function
代表着length和support之间的权衡
平方期望风险
在driver维度，计算方差
反映路段或者sub-path的交通复杂情况
从历史轨迹中挖掘frequent trajectory patterns
通过suffix-tree-based algorithm得到
用动态规划算法找出最好的链接
在第一步中，此时存在一些sub-path没有被轨迹行驶过
这时，需要检测 trajectory patterns的链接
轨迹模式的行驶时间
模式只是提供子路径的候选策略，从而找到路径的最好链接
轨迹模式的历史时间永远不用作预测的path行驶时间
计算方式
在current time slot内
由轨迹决定
不在current time slot内
由Arec决定
优化
建立当前时间段的轨迹索引
轨迹ID
时间
计算路径行驶时间
相关研究
基于路段(Road-Segment)的车辆行驶时间
用循环探测器的方法
在路段的尾部装上循环探测器
通过两个相邻的循环探测器的时间间隔被记录
支持向量回归模型
缺点：范围不能扩展到全市
浮动车数据方法
作用
城市中的车作为动态sensor，去预测交通情况
GPS轨迹计算路段上的速度和时间
缺点：没有考虑不同路上交通情况的相关性
考虑其他路段的交通模式
缺点：扩展到全市范围，计算复杂度大；没有考虑数据稀疏的特性
改进：最大似然估计
缺点：仍然不够精确，难以估计复杂参数
基于path的车辆行驶时间
基于frequent trajectory patterns
从历史轨迹中挖掘frequent patterns
用模式的平均行驶时间去代表path的行驶时间
缺点：覆盖越多的查询，support越低，精度越低；过分依赖于历史数据
计算时间花费在交叉路上
用插入方法
链接可能性模型
动态贝叶斯网络
缺点：没有利用子轨迹
没有权衡轨迹数量和长度
不同的司机行驶时间变量
landmark graph
结构
node：被频繁经过的路段
edge：两个landmark之间taxi通信的集合
解决了数据稀疏的问题
目的：找出起始地和目的地之间最快的行车路线
总结
PTTE
CATD
推断当前时间点行驶时间
a context-aware tensor decomposition approach
OC
为查询path搜索轨迹的最优化链接
a dynamic programing solution
0 条评论
下一页
