基于速度矩陣和人工神經(jīng)網(wǎng)絡(luò)的行程時間組合離線預(yù)測模型

，

(浙江理工大學(xué)信息學(xué)院，杭州 310018)

基于速度矩陣和人工神經(jīng)網(wǎng)絡(luò)的行程時間組合離線預(yù)測模型

蔡火榮，何利力

(浙江理工大學(xué)信息學(xué)院，杭州 310018)

根據(jù)行程中車輛運行狀態(tài)的時空相關(guān)性，結(jié)合矩陣的空間結(jié)構(gòu)，構(gòu)建了路段-時段平均速度矩陣，以表示車輛在行程中不同時空中的運行狀態(tài)，并提出了一種基于該矩陣模擬車輛運行的行程時間離線預(yù)測模型。在此基礎(chǔ)上，為了進一步提高該矩陣預(yù)測效果，結(jié)合相鄰行程間的非線性規(guī)律，將路段-時間平均矩陣預(yù)測模型與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，構(gòu)建出一種行程時間組合預(yù)測模型。以湖南中煙工業(yè)有限責(zé)任公司物流配送數(shù)據(jù)為數(shù)據(jù)集進行實驗，結(jié)果表明：該組合模型的預(yù)測效果優(yōu)于單一模型。

行程時間預(yù)測；人工神經(jīng)網(wǎng)絡(luò)；智能交通；時空相關(guān)性

0 引 言

行程時間是反映交通狀況的一個重要因素[1]。準確行程時間預(yù)測是構(gòu)建動態(tài)路徑誘導(dǎo)系統(tǒng)、動態(tài)交通信息服務(wù)系統(tǒng)及信號協(xié)調(diào)控制系統(tǒng)的關(guān)鍵技術(shù)[2]。在物流系統(tǒng)中，準確的行程時間預(yù)測，可以幫助企業(yè)對物流配送各個環(huán)節(jié)進行高效地協(xié)調(diào)和規(guī)劃，從而節(jié)約物流成本，提高服務(wù)質(zhì)量。對出行者而言，準確的行程時間預(yù)測有助于合理地規(guī)劃工作和生活。行程中，車輛在行駛時由于受到多種復(fù)雜因素的影響，車輛的速度會不斷地隨之變化，車輛運行速度的變化最終導(dǎo)致了行程時間的變化。行程中影響車輛行駛速度的因素有交通流量、占有率、車輛類型及比例、自然災(zāi)害、交通事故等。其中交通流量、占有率、車輛類型及比例為常規(guī)因素，自然災(zāi)害和交通事故為非常規(guī)因素。Xia等[3]也指出，行程中車輛運行狀態(tài)的動態(tài)變化使得行程時間預(yù)測的變得困難。因此，通過研究行程中車輛運行速度的變化規(guī)律或影響車輛運行速度的相關(guān)因素的變化規(guī)律可進行行程時間的預(yù)測，如：任千里等[4]根據(jù)交通斷面流量差、斷面速度差與行程時間的相關(guān)性，分別使用歷史平均法、神經(jīng)網(wǎng)絡(luò)、支持向量機和非參數(shù)回歸模型分別對行程時間進行預(yù)測，并比較不同預(yù)測模型在不同距離行程下的預(yù)測效果；丁宏飛等[5]從視頻車牌系統(tǒng)中提取與行程中速度相關(guān)的交通流量、車輛類型及其比例等數(shù)據(jù)，并基于這些數(shù)據(jù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)和SVM組合行程時間預(yù)測模型；姜桂艷等[6]使用悉尼自適應(yīng)交通控制系統(tǒng)(Sydney so-ordinated adaptive traffic system，SCATS)及視頻檢測器收集的交通數(shù)據(jù)，提出了基于行程特征向量相似度K-近鄰(K-nearest neighbors algorithm，K-NN)行程時間預(yù)測模型；Li等[7]將K-Means、決策樹和人工神經(jīng)網(wǎng)絡(luò)三種算法模型相結(jié)合，利用K-Means和決策樹提取有用特征提出了一種組合預(yù)測模型。目前大多數(shù)的此類研究都是針對常規(guī)因素對行程中車輛運行速度的影響及最終對行程時間的影響，針對非常規(guī)因素對行程時間影響研究相對較少。由于這些相關(guān)因素的數(shù)據(jù)只有在行程進行時才能獲取，因而以上模型主要用于實時預(yù)測或在線預(yù)測。而在很多時候人們需要在行程開始之前知道行程將花費的時間，此時需要對行程時間進行離線預(yù)測即在行程開始之前預(yù)測行程時間。

然而，行程中車輛運行狀態(tài)在時間和空間上的變化并非毫無規(guī)律，如：柏叢等[8]根據(jù)路段行程時間與時段的相關(guān)性構(gòu)建SVM模型對行程時間進行預(yù)測；Zou等[9]根據(jù)行程時間的時空相關(guān)性提出了時空晝夜方法(space-time diurnal method，S-TD)進行行程時間預(yù)測；Yildirimoglu等[10]根據(jù)歷史行程中擁塞現(xiàn)象在時空上的復(fù)發(fā)性構(gòu)建時空擁塞圖(space-time stochastic congestion maps)來進行行程時間預(yù)測。由此可見，行程中車輛運行狀態(tài)具有時空相關(guān)性。在現(xiàn)實中不難發(fā)現(xiàn)這種相關(guān)性，例如：某些路段會在一定的時間段進入“高峰期”[11]，在路段的“高峰期”車輛一般需花費較長的時間才能通過該路段。

為解決行程時間離線預(yù)測問題，本文結(jié)合這種時空相關(guān)性和矩陣的空間結(jié)構(gòu)，提出路段-時段平均速度矩陣(section-time average velocity matrix，STAVM)，并基于該矩陣模型提出一種行程時間離線預(yù)測模型。丁宏飛等[5]、Siripanpornchana等[12]及葉創(chuàng)鑫等[13]基于相鄰行程之間的非線性關(guān)系，結(jié)合人工神經(jīng)網(wǎng)絡(luò)構(gòu)建組合模型來對行程時間進行預(yù)測，進一步提高預(yù)測效果。本文根據(jù)相鄰行程之間的非線性關(guān)系和行程自身的時空相關(guān)性，將該矩陣模型與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，構(gòu)建了一種新的

行程時間離線組合預(yù)測模型，并通過實驗證明了STAVM和組合模型的有效性。

1 算法及模型介紹

1.1 基于時空相關(guān)性的STAVM矩陣構(gòu)建

行程中車輛運行狀態(tài)的時空相關(guān)性，意味著車輛在行程中的運行狀態(tài)不僅與車輛所處的路段有關(guān)，也與車輛運行的當(dāng)前時間有關(guān)。這種多維的相關(guān)性與矩陣的空間結(jié)構(gòu)有共同之處，因此采用矩陣模型來表示這種時空相關(guān)性下的車輛運行狀態(tài)。設(shè)整個行程的距離為D，劃分行程的單位距離du劃分的距離區(qū)間數(shù)為ds：

(1)

以同樣的方式將一天的時間T=24 h，按照單位時間tu劃分，對應(yīng)的時間區(qū)間數(shù)為ts：

(2)

根據(jù)式(1)和式(2)計算得到路段-時段平均速度矩陣STAVM的行數(shù)ds和列數(shù)ts。Dsatvm(i)(j)(其中0≤i

確定了Dsatvm矩陣的結(jié)構(gòu)以后，構(gòu)建STAVM矩陣的流程如圖1所示。算法偽代碼如下：

算法1：STAVM矩陣構(gòu)建算法

輸入:travelList，du，tu

輸出:Dsatvm

1: 初始化Dsatvm，Dcount

17: end for

18: end for

19: fori=1;i<=dsdo

20: forj=1;j<=tsdo

21: ifDsatvm[i][j] > 0 then

22:Dsatvm[i][j].avgSpeed=Dsatvm[i][j].totalSpeed/Dcount[i][j]

23: end if

24: end for

25: end for

26: returnDsatvm

相關(guān)變量說明：travelList為行程信息列表，Dcount為計數(shù)矩陣，dstart為基準距離(路段分界點相對起點的距離)，tstart為基準時刻，d為相對基準距離dstart的距離，t為相對基準時刻tstart的時間。偽代碼中第一個for循環(huán)對應(yīng)圖1中的①②③步，第二個for循環(huán)對應(yīng)圖1中的第④步。

圖1 路段-時間平均速度矩陣流程

1.2 基于STAVM矩陣的行程時間離線預(yù)測模型

柏叢等[8]和李進燕等[14]在分時段對行程時間進行預(yù)測時，沒有考慮車輛在經(jīng)過某一路段的過程中可能會出現(xiàn)“跨時段”的現(xiàn)象。通過分析實際的行程發(fā)現(xiàn)，通常車輛經(jīng)過一個路段會出現(xiàn)兩種情況：第一種情況是車輛在通過某一路段時，始終處于同一時段。第二種情況為車輛在經(jīng)過某一路段時會經(jīng)歷兩個或兩個以上的時段(當(dāng)車輛某一時段的后半段進入新路段時，車輛還未通過該路段而時刻已經(jīng)進入了新的時段)。針對第二種情況柏叢等[8]和李進燕等[14]在確定車輛通過路段的時間時只選擇其中一個時段對應(yīng)行程時間作為預(yù)測值，未考慮跨時段的情況。本文根據(jù)路段-時段平均速度矩陣模擬車輛運行來進行行程時間預(yù)測，當(dāng)車輛進入新的時段或新的路段時及時修正車輛的運行速度，矩陣預(yù)測算法的流程如圖2所示。基于STAVM矩陣的行程時間離線預(yù)測算法偽代碼如下：

算法2：基于STAVM矩陣的行程時間離線預(yù)測模型

輸入:tstart，Dsatvm，dtotal

輸出:tpredict

1: 初始化ddrive=0，tdrive=currentTime()，tstart=currentTime()

2: whileddrive<=distancedo

3:din=getLeftDistInCurrentRoadSection(driveDist)

4:tin=getLeftTimeInCurrentTimeSection(currentTime())

5:distKey=getDistKey(driveDist)

6:timeKey=getTimeKey(currentTime())

7:speed=Dsatvm[distKey][timeKey].avgSpeed

8:d=speed*tin

9: ifdin>dthen

10:ddrive=ddrive+tin*speed

11:tdrive=tdrive+tin

12: else

13：ddrive=ddrive+din

14:tdrive+=tdrive+din/speed

15: end if

16: end while

17: ifddrive>distancethen

18:t=(ddrive-distance) /speed

19:tdrive=driveTime-t

20: end if

21: returntpredict=tdrive-tstart

相關(guān)變量說明：tstart為行程開始時刻，tdrive為當(dāng)前時刻，tpredict為預(yù)測的行程時間；Dsatvm為路段-時段平均速度矩陣，distance為行程的總距離。偽代碼第1步初始化數(shù)據(jù)，ddrive為累計行駛距離。

其中，偽代碼3—8行對應(yīng)圖2中的第①步，偽代碼9—15行對應(yīng)圖2中的第②步，while循環(huán)對應(yīng)圖2中的第③步，偽代碼17—21行對應(yīng)圖2中的第④步。

圖2 基于STAVM矩陣的行程時間離線預(yù)測流程

1.3 STAVM矩陣與BP神經(jīng)網(wǎng)絡(luò)組合模型

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)是一種自適應(yīng)非線性動態(tài)網(wǎng)絡(luò)結(jié)構(gòu)算法模型[15]。人工神經(jīng)網(wǎng)絡(luò)通過模仿人腦的神經(jīng)元的組織結(jié)構(gòu)和活動機制獲得學(xué)習(xí)能力。丁宏飛等[5]、Siripanpornchana等[12]及葉創(chuàng)鑫等[13]都通過構(gòu)建神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)相鄰行程之間非線性規(guī)律對行程時間進行預(yù)測。其中丁宏飛等[5]先通過SVM模型對行程時間進行初步預(yù)測得到行程時間t1，然后通過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)相鄰k次SVM模型預(yù)測誤差之間的關(guān)系預(yù)測下一次SVM模型的預(yù)測誤差時間td，最后將t1與td相加得到組合預(yù)測時間。

STAVM矩陣依據(jù)行程中車輛運行狀態(tài)的時空相關(guān)性對行程時間進行預(yù)測。為了進一步提高預(yù)測靈活性和預(yù)測精度，同時利用行程中的時空相關(guān)性和行程間的非線性規(guī)律。本文將這該矩陣預(yù)測模型與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型相結(jié)合，構(gòu)建一種新的行程時間預(yù)測組合模型。模型的組合方式參考丁宏飛等[5]采用的分步預(yù)測方式。第一步，使用歷史行程數(shù)據(jù)構(gòu)建STAVM矩陣，并使用STAVM矩陣模擬車輛運行來對行程時間進行初步預(yù)測，此時得到的時間為基礎(chǔ)時間ts。第二步，計算真實時間與基礎(chǔ)時間的差值td如表1所示。差值td代表了行程時間相對基礎(chǔ)時間的波動。第三步，使用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來預(yù)測相鄰行程時間的這種波動。以相鄰的k次的td為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，預(yù)測第k+1次行程時間與基礎(chǔ)時間的差值t(k+1)d。最終的行程時間通過式(3)計算:

ti=tis+tid

(3)

其中i為行程編號。

表1 真實時間、基礎(chǔ)時間及對應(yīng)的基礎(chǔ)時間與真實時間差

2 實驗過程及分析

本文以湖南中煙工業(yè)有限責(zé)任公司物流配送業(yè)務(wù)中車載GPS設(shè)備記錄的歷史數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，數(shù)據(jù)時間范圍為從2016年1月23日到2016年9月29日，選擇其中配送較為頻繁且數(shù)據(jù)相對完整的兩條運輸線路進行實驗。運輸線路一為從石家莊到長沙，線路二為漢中到長沙。其中線路一行程數(shù)為158次，實驗中訓(xùn)練集大小為128，測試集為30；線路二的行程數(shù)為133次，實驗中訓(xùn)練集大小為103，測試集為30。GPS設(shè)備定位采集的時間間隔為4 min。實驗中假設(shè)車輛在這4 min內(nèi)行駛的線路為直線。采用的距離計算方式為測地距離，該計算方式由Thaddeus Vincenty于1975年提出的，采用Vincenty完全橢球公式[16]進行計算。將經(jīng)緯度轉(zhuǎn)換為距離后的數(shù)據(jù)如表2所示。

表2 Vincenty完全橢球公式轉(zhuǎn)換后的數(shù)據(jù)樣本

根據(jù)算法1計算得到的STAVM矩陣，為了直觀地顯示速度的分布，本文將STAVM矩陣轉(zhuǎn)化成了在對應(yīng)時段和路段上的速度熱力圖，圖3為線路一的速度熱力圖。該圖表示的是單位路段長度為80 km、單位時段時長為1 h時對應(yīng)的熱力圖，其中橫軸表示時段，縱軸表示路段。由于GPS設(shè)備精度有限，因此根據(jù)GPS數(shù)據(jù)計算每次行程中車輛行駛的距離并非完全相等。為了讓矩陣能夠保證所有的歷史行程都能完整的映射到STAVM矩陣中，擴大了STAVM矩陣在距離上的表示表示范圍，因此圖3中會出現(xiàn)最上面幾行顯示的顏色對應(yīng)的速度為0。STAVM矩陣的每一列中格子的顏色深淺變化，表示在該路段不同時間段內(nèi)車輛的平均行駛速度變化。從熱力圖來看，最下面的一行表示行程開始時不同時間區(qū)間內(nèi)的速度，速度為非0的位置主要集中在中間偏右的位置，且這些色塊對應(yīng)的速度相對較小，與行程開始是車輛在非高速路上行駛時速度相對較低的事實相符。圖4為線路二的速度熱力圖。其中單位路段的長度為75 km、單位時段長為1 h。

圖3 線路一STAVM速度熱力圖

圖4 線路二STAVM熱力圖

將STAVM預(yù)測模型、簡單BP神經(jīng)網(wǎng)絡(luò)模型和STAVM與BP神經(jīng)網(wǎng)絡(luò)組合模型分別進行實驗預(yù)測。以均方誤差根(root mean squared error，RMSE)和平均絕對誤差百分比(mean absolute percentage error，MAPE)為實驗結(jié)果的評價標準，其計算公式分別為式(4)和式(5)：

(4)

(5)

其中：treal為真實時間；tpredict為模型預(yù)測時間；N為測試集的大小。

MAPE可以直觀的表現(xiàn)預(yù)測值與真實之間偏差的程度，MAPE越小則預(yù)測時間與真實時間的誤差越小。而RMSE由于對大誤差和小誤差敏感，所以RMSE可側(cè)重比較不同模型預(yù)測的穩(wěn)定性。經(jīng)過實驗，在線路一中，當(dāng)單位距離設(shè)置為80 km單位時間設(shè)置為1 h時得到的RMSE達到最小為4.36。在線路二中，當(dāng)單位距離為75 km、但那位時間為1 h是得到最小RMSE為4.12。本實驗的神經(jīng)網(wǎng)絡(luò)模型設(shè)計為經(jīng)典的3層模型，將輸入層神經(jīng)元個數(shù)范圍設(shè)定為[2，15]，隱藏層神經(jīng)元個數(shù)范圍設(shè)置為[2，30]，通過窮舉各層神經(jīng)元個數(shù)的組合設(shè)計不同的神經(jīng)網(wǎng)絡(luò)模型，然后逐一進行實驗。最終的使用結(jié)果顯示當(dāng)輸入層和隱蔽層的神經(jīng)元個數(shù)均為7時組合模型預(yù)測結(jié)果的RMSE達到最低為4.03。組合模型輸入層神經(jīng)元個數(shù)與其對應(yīng)的最低RMSE變化過程如圖5。柏叢等[8]使用SVM模型對行程時間進行離線預(yù)測，作為對比本文以行程進行的時間段及在一周中對應(yīng)的天構(gòu)建SVM模型對路段行程時間進行預(yù)測。通過交叉驗證(cross validation)和grid search進程參數(shù)選擇，以RMSE為優(yōu)化目標，線路一最終得到SVM模型的徑向基函數(shù)懲罰系數(shù)C=3，徑向基函數(shù)參數(shù)γ=0.07262，線路二最終得到的SVM模型的徑向基函數(shù)懲罰系數(shù)C=3，徑向基函數(shù)參數(shù)γ=0.07132。

圖5 輸入層神經(jīng)元個數(shù)與RMSE的對應(yīng)關(guān)系

表3和表4分別為線路一和線路二簡單歷史平均模型、SVM模型、STAVM模型、BP神經(jīng)網(wǎng)絡(luò)模型和組合模型預(yù)測結(jié)果。

表3 線路一各模型實驗結(jié)果對應(yīng)RMSE和MAPE

表4 線路二各模型實驗結(jié)果對應(yīng)RMSE和MAPE

由表3和表4可知，組合模型預(yù)測效果優(yōu)于簡單歷史平均模型、STAVM、BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型。

在線路一中，從RMSE來看，簡單BP神經(jīng)網(wǎng)絡(luò)模型、簡單歷史平均模型和SVM模型的預(yù)測效果比較相近，分別為6.32、6.38 h和5.92 h。STAVM預(yù)測模型與以上三種模型的RMSE相比分別降低了1.96、2.02、1.56 h。由此可見STAVM預(yù)測組合模型的有效性。組合模型的RMSE與簡單BP神經(jīng)網(wǎng)絡(luò)模型、簡單歷史平均模型、SVM模型和STAVM模型相比分別降低了2.29、2.35、1.89 h和0.33 h，由此可見組合模型可以進一步提高STAVM模型預(yù)測的穩(wěn)定性。從MAPE來看，簡單BP神經(jīng)網(wǎng)絡(luò)模型、簡單歷史平均模型和SVM模型的預(yù)測結(jié)果的平均絕對誤差百分比分別為22.29%、20.47%和22.97%。STAVM預(yù)測模型MAPE為17.06%，明顯低于以三種模型，與以上三種模型相比分別降低了5.23%、3.41%、5.91%。組合模型的MAPE為15.44%，與簡單BP神經(jīng)網(wǎng)絡(luò)模型、簡單歷史平均和SVM模型三種模型相比分別降低了6.85%、5.03%和7.53%。與STAVM模型相比降低了1.62%進一步減少了平均絕對誤差，提高了預(yù)測效果。

在線路二中，簡單BP神經(jīng)網(wǎng)絡(luò)模型、簡單歷史平均模型和SVM模型的RMSE分別為6.46、6.43和6.03。STAVM預(yù)測模型與以上三種模型的RMSE相比分別降低了1.94、1.91、1.51。組合模型的RMSE與簡單BP神經(jīng)網(wǎng)絡(luò)模型、簡單歷史平均模型、SVM模型和STAVM模型相比分別降低了2.47、2.44、2.04和0.53。從MAPE來看，簡單BP神經(jīng)網(wǎng)絡(luò)模型、簡單歷史平均模型和SVM模型的預(yù)測結(jié)果的平均絕對誤差百分比分別為23.71%、21.93%和21.96%。STAVM預(yù)測模型MAPE為18.93%，與以上三種模型相比分別降低了4.78%、3.00%、3.03%。組合模型的MAPE為16.20%，與簡單BP神經(jīng)網(wǎng)絡(luò)模型、簡單歷史平均和SVM模型三種模型相比分別降低了7.51%、5.73%和5.76%。與STAVM模型相比降低了2.73%。

通過與簡單BP神經(jīng)網(wǎng)絡(luò)模型，簡單歷史平均和SVM模型的預(yù)測效果相比較，可見STAVM模型能夠利用了行程時間的時空相關(guān)性可以對行程時間進行有效的離線預(yù)測，而STAVM模型和BP神經(jīng)網(wǎng)絡(luò)模型的組合模型能夠進一步提高對行程時間的離線預(yù)測效果。

3 結(jié) 論

本文根據(jù)行程中車輛運行狀態(tài)的時空相關(guān)性構(gòu)建路段-時段平均速度矩陣，以此來表示車輛運行狀態(tài)在整個行程中不同路段和不同時段這個二維空間上的變化規(guī)律。并基于該矩陣模型提出一種行程時間預(yù)測算法對行程時間進行離線預(yù)測。為進一步提高預(yù)測效果，結(jié)合車輛運行狀態(tài)的時空相關(guān)性和相鄰行程的非線性規(guī)律構(gòu)建組合模型對行程時間進行離線預(yù)測。并通過實驗證明了該組合模型的有效性。該組合模型相對單一模型在準確率上雖然有明顯的提升，但依然有大約15%的平均絕對誤差，因此還有一定的提升空間。下一步工作將通過擴大數(shù)據(jù)源的信息維度或進一步優(yōu)化模型來研究提高預(yù)測精度的方法。

[1] 唐少虎,劉小明,陳兆盟,等.基于計算實驗的城市道路行程時間預(yù)測與建模[J].自動化學(xué)報,2015,41(8):1516-1527．

[2] 于德新,高學(xué)英,楊兆升.基于GPS數(shù)據(jù)及車輛運行特性分析的單車路段行程時間估計[J].吉林大學(xué)學(xué)報:工學(xué)版,2010,40(4):965-970．

[3] XIA J, CHEN M, HUANG W. A multistep corridor travel-time prediction method using presence-type vehicle detector data[J]. Journal of Intelligent Transportation Systems,2011,15(2):104- 13．

[4] 任千里,劉恒,雷曉斌,等.基于車牌照數(shù)據(jù)的城市快速路行程時間短時預(yù)測方法研究[J].交通與運輸,2011,27(B12):61-65．

[5] 丁宏飛,李演洪,劉博,等.基于BP神經(jīng)網(wǎng)絡(luò)與SVM的快速路行程時間組合預(yù)測研究[J].計算機應(yīng)用研究,2016,33(10):2929-2932．

[6] 姜桂艷,李琦,董碩.基于k-NN和SCATS交通數(shù)據(jù)的路段行程時間估計方法[J].西南交通大學(xué)學(xué)報,2013,2:025．

[7] LI C S, CHEN MC. A data mining based approach for travel time prediction in freeway with non-recurrent congestion[J]. Neurocomputing,2014,133(8):74-83．

[8] 柏叢,彭仲仁.基于動態(tài)模型的公交車行程時間預(yù)測[J].計算機工程與應(yīng)用,2016,52(3):103-107．

[9] ZOU Y, ZHU X, ZHANG Y, et al. A space-time diurnal method for short-term freeway travel time prediction[J]. Transportation Research Part C: Emerging Technologies,2014,43:33-49．

[10] YILDIRIMOGLU M, GEROLIMINIS N. Experienced travel time prediction for congested freeways[J]. Transportation Research Part B: Methodological,2013,53(4):45-63．

[11] 許麗,朱慶,陳崇泰,等.自動預(yù)測通勤高峰期交通流量的方法[J].地理信息世界,2016,23(2):16-20．

[12] SIRIPANPORNCHANA C, PANICHPAPIBOON S, CHAOVALIT P. Travel-time prediction with deep learning[C]//Region 10 Conference (TENCON).IEEE,2016:1859-1862．

[13] 葉創(chuàng)鑫,譚滿春.基于SVM與人工神經(jīng)網(wǎng)絡(luò)組合模型的物流規(guī)劃車輛行程時間預(yù)測[J].暨南大學(xué)學(xué)報(自然科學(xué)與醫(yī)學(xué)版),2010,31(5):451-456．

[14] 李進燕,朱征宇,劉琳,等.基于簡化路網(wǎng)模型的卡爾曼濾波多步行程時間預(yù)測方法[J].系統(tǒng)工程理論與實踐,2013,33(5):1289-1297．

[15] 周飛燕,金林鵬,董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機學(xué)報,2017,40(6):1229-1251．

[16] VINCENTY T. Direct and inverse solutions of geodesics on the ellipsoid with application of nested equations[J]. Survey review,1975,23(176):88-93．

ACombinedOfflineTravelTimePredictionModelBasedonSpeedMatrixandArtificialNeuralNetwork

CAIHuorong,HELili

(School of Information Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China)

According to the temporal and spatial correlation of the driving state of the vehicle in the itinerary and the spatial structure of matrix, a section-time average velocity matrix was proposed to express the driving state of the vehicle at different time and space in the itinerary. Besides, an offline travel time prediction model based on the matrix was presented to simulate the driving of the vehicle. In order to improve the prediction effect of the matrix, the section-time average velocity matrix and BP neural network model were combined to construct a combined travel time prediction model by combining nonlinear rules of adjacent itineraries. The experimental results based on actual logistics system data from China Tobacco Industrial CO., LTD. showed that the predicting effect of the combined model is better than that of single model.

travel time prediction; artificial neural network; intelligent transportation system; spatial and temporal correlation

10.3969/j.issn.1673-3851.2017.11.016

2017-05-21 網(wǎng)絡(luò)出版日期： 2017-10-10

蔡火榮(1992-)，男，湖北武漢人，碩士研究生，主要從事數(shù)據(jù)挖掘方面的研究。

何利力，E-mail:llhe@zju.edu.cn

TP183

A

1673- 3851 (2017) 06- 0851- 08

(責(zé)任編輯：康鋒)