技术领域
[0001] 本
发明属于交通控制领域，涉及基于LBS和传统交通路况数据的路段旅行时间估计方法。
背景技术
[0002] Location Based Service(LBS)主要是指由移动运营商和商业地图导航平台提供的基于地理
位置的服务，其中包含的位置信息主要来自于无线电通讯网络和智能设备内置的GPS。伴随着手机和移动设备的快速普及和发展，LBS这一地理位置增值业务也在迅猛发展。举例来讲，商业地图导航平台每天都会积累数以千万的出行轨迹，其中隐含了大量的实时交通路况信息，而这些信息也将用于商业地图导航服务。各个数据供应商为了扩大自身影响
力，纷纷建立自家的共公开放平台服务，提供一系列的免费应用
接口供公众使用，因此LBS也成为了一种新型的免费交通数据来源。
[0003] 传统的交通路况数据主要来自于交警部
门和出租车公司，具体包括了卡口车牌识别数据、
微波/线圈交通流数据、浮动车(主要指出租车)GPS数据等。然而，设备的前期布设成本和后期维护成本较高，往往只能应用于部分城市重要道路，且经常出现由于检测设备异常、数据传输异常、
信号随机噪声等因素导致数据缺失问题。现有较为成熟的LBS开放平台逐渐开始尝试融合传统的交警数据、浮动车数据和其自产的轨迹数据、网约车数据，生成更精准、
覆盖范围更广的路况信息，作为产品进行出售。但由于其高昂的服务
费用，现有交通控制系统无法大量接入此类数据，因此有必要引进一种更为廉价的交通路况数据获取方案。
[0004] 旅行时间估计是
智能交通系统的重要组成部分，虽然交通控制系统可以直接通过检索LBS开放平台数据获取，但是LBS开放平台存在不稳定、合作费用较高的问题。为保证交通控制系统数据来源的准确性和
稳定性，需要建立一种基于灵活数据源的路段旅行时间估计方法。
发明内容
[0005] 本发明的目的是提供一种基于LBS和传统交通路况数据的路段旅行时间估计方法，基于LBS开放平台供开发者调用的
应用程序编程接口(Application Programming Interface，API)中的路线规划API，使用爬虫技术对目标路段进行实时路况数据获取，同时融合传统的交通路况数据。相比于传统交通路况信息，基于LBS的数据更为灵活，获取方式较为稳定，且成本较低，适合大规模推广。而传统城市交通信息系统大多利用传统数据，再基于LBS服务对外界提供信息，没能有效的利用大量的廉价交通数据。因此，本发明首次使用爬虫技术对在线地图路况数据实时批量获取，并提出了一种基于LBS和传统交通路况融合数据的路段旅行时间分析
框架，能够在保证较高的精准度和较广的覆盖度的前提下，获取大量低成本实时交通路况数据，进而估计路段旅行时间。
[0006] 本发明采用的技术方案是：
[0007] 基于LBS和传统交通路况数据的路段旅行时间估计方法，其步骤如下：
[0008] (1)选取目标道路，通过手动点选多对起讫点(OD)坐标作为路线规划API的起讫点信息；
[0009] (2)编写爬虫程序并上传至
服务器，服务器向LBS地图开放平台的路线规划API检索步骤(1)中录入的全部OD坐标，并对路线规划API返回的导航数据进行解析后计算出每个OD段的导航平均速度；
[0010] (3)根据设定对步骤(2)中得到的汇总后的导航平均速度进行预处理和分析，剔除异常数据，并采用传统交通路况数据进行缺失数据补齐，添加时间戳后存储于
数据库；
[0011] (4)对融合了由LBS路况数据和传统交通路况数据获的每个OD段的导航平均速度进行所选道路的
时空速度场的绘制，在时
空速度场的
基础上进行虚拟轨迹线绘制并估计路段旅行时间。
[0012] 进一步，步骤(1)中通过在道路上设置虚拟微波方式，将目标道路的单向车道划分为多个以1km长度为单位的路段，并将每个路段的起讫点坐标相互组合。
[0013] 进一步，步骤(2)中的爬虫程序采用Python
网络爬虫程序，并设置每一分钟进行LBS地图开放平台的路线规划API检索。
[0014] 进一步，步骤(2)中使用urllib2模
块对路线规划API返回的导航数据进行解析，利用导航距离除以导航时间，计算出每个OD段的导航平均速度。
[0015] 进一步，步骤(2)和步骤(3)之间还包括实时监控服务器上的爬虫程序的运行情况并随时调整配置文件。
[0016] 进一步，通过在本地主机上设置远程Secure Shell(SSH)客户端来实时监控服务器上的爬虫程序的运行情况并随时调整配置文件。
[0017] 进一步，步骤(3)中的数据预处理和补齐的步骤包括：大于所选道路限速的OD段统一使用该路的限速值作为导航速度；对于空白数据，如果间隔空白时长超过5分钟的空白数据，采用传统交通路况数据中历史上同一地点、同一星期、同一时间点的数据平均值补齐，而偶尔出现的数据空白则由之前5分钟时间段内的速度的平均值来补齐。
[0018] 进一步，步骤(4)中时空速度场采用二维样条插值
算法进行绘制，插值算法计算公式如下：
[0019] V(x,t)＝w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t)
[0020]
[0021]
[0022]
[0023]
[0024] 式中，Vthr临界速度，ΔV为自由流和阻塞流转换之间的带宽，cfree为自由流速度，ccong消散
波速度。ti，xi，vi分别为已知检测点所在的时刻、位置、速度；t，x，v分别为任意非检测点所在的时刻、位置、速度；σ为空间平滑宽度，τ是时间平滑宽度。
[0025] 进一步，步骤(4)中构建虚拟轨迹线，估计旅行时间，具体步骤如下：
[0026] 1)给定足够小的时间增量Δt和空间增量Δx；
[0027] 2)如果一辆车从点A(tA,xA)出发，那么该辆车的虚拟轨迹线可以通过重复以下步骤构建；
[0028] 3)假设车辆当前的位置是点(t,x)，采用所使用的插值算法计算出该点的速度v(t,x)；
[0029] 4)如果v(t,x)＝0，给时间一个增量即t'＝t+Δt，更新当前位置至x'＝x，进入第6)步；
[0030] 5)否则以v(t,x)为斜率，更新至下一点的位置上即t'＝t+Δt，x'＝x+Δx，然后对新点进行插值计算；
[0031] 6)检查x'≥xF，若为否，则转入第3)步；
[0032] 7)否则，计算车辆在xF处时的时间，TF＝t+(t'-t)*(xF-x)/(x'-x)；
[0033] 8)车辆的估计旅行时间为TF-TA，在此过程中，车辆由A点行驶至F点。
[0034] 本发明的有益效果：相比于传统的交通路况数据获取源，本方法获取道路实时速度数据成本低，覆盖广，可作为整个路网的路况检测系统的空白数据、损坏检测器处的补充或应急模块。同时由于传统的交通路况数据大多基于个体车辆获取，具有较大的不稳定性，本方法能够与传统的交通路况数据进行融合，互为补充作为智能交通系统的数据源。尤其在利用时空速度场估计路段旅行时间方面，基于本方法中虚拟微波得到的交通估计值更为精确，要优于基于传统交通路况数据的估计结果。
附图说明
[0036] 图2为虚拟微波检测方法中上塘-中河高架路行程单元分割示意图；
[0037] 图3为2017年2月18日(星期五)上塘-中河高架路段虚拟微波绘制的时空速度场图；
[0038] 图4为基于虚拟微波时空速度场构建的虚拟轨迹线；
[0039] 图5为2017年2月18日(星期五)上塘-中河高架路段实际微波绘制的时空速度场图；
[0040] 图6为实际微波估计的旅行时间、虚拟微波估计的旅行时间和卡口检测的实际旅行时间的对比。
具体实施方式
[0041] 下面结合具体
实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了
权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
[0042] 本发明涉及的专业术语如下：
[0043] Python是一种面向对象的解释型
计算机程序设计语言，Python具有丰富和强大的库。爬虫：自动抓取互联网数据的程序。爬虫程序的主要框架是爬虫调度端通过URL管理器获取待爬取的URL链接，若URL管理器中存在待爬取的URL链接，爬虫调度器调用网页下载器下载相应网页，然后调用网页解析器解析该网页，并将该网页中新的URL添加到URL管理器中，将有价值的数据输出。
[0044] urllib2模块定义的函数和类可用来获取URL(主要是HTTP的)，它提供一些复杂的接口用于处理基本认证、重定向、Cookies等。urllib2可以接受一个Request对象，并以此可设置一个URL的headers(urllib只接收一个URL,这意味着你不能伪装你的
用户代理字符串等)。urllib2支持许多的“URL schemes”，“URL schemes”由URL中“:”之前的字符串确定，如“ftp://python.org/”是“FTP”的URL方案之一；他还支持相关的网络协议(如FTP，HTTP)。
[0045] SSH客户端是可以远程控制服务器。
[0046] 参见图1，基于LBS和传统交通路况数据的路段旅行时间估计方法，其步骤如下：
[0047] (1)选取目标道路，通过手动点选多对起讫点(OD)坐标作为路线规划API的起讫点信息；具体的，通过在道路上设置虚拟微波方式，将目标道路的单向车道划分为多个以1km长度为单位的路段，并将每个路段的起讫点坐标相互组合。
[0048] (2)编写Python网络爬虫程序并上传至服务器，并设置每一分钟服务器向LBS地图开放平台的路线规划API检索步骤(1)中录入的全部OD坐标，并使用urllib2模块对路线规划API返回的导航数据进行解析后利用导航距离除以导航时间，计算出每个OD段的导航平均速度；
[0049] (3)根据设定对步骤(2)中得到的汇总后的导航平均速度进行预处理和分析，剔除异常数据，并采用传统交通路况数据进行缺失数据补齐，添加时间戳后存储于数据库；其中数据预处理和补齐的步骤包括：大于所选道路限速的OD段统一使用该路的限速值作为导航速度；对于空白数据，如果间隔空白时长超过5分钟的空白数据，采用传统交通路况数据中历史上同一地点、同一星期、同一时间点的数据平均值补齐，而偶尔出现的数据空白则由之前5分钟时间段内的速度的平均值来补齐。
[0050] (4)对融合了由LBS路况数据和传统交通路况数据获的每个OD段的导航平均速度进行所选道路的时空速度场的绘制，在时空速度场的基础上进行虚拟轨迹线绘制并估计路段旅行时间；
[0051] 其中时空速度场采用二维样条插值算法进行绘制，插值算法计算公式如下：
[0052] V(x,t)＝w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t)
[0053]
[0054]
[0055]
[0056]
[0057] 式中，Vthr临界速度，ΔV为自由流和阻塞流转换之间的带宽，cfree为自由流速度，ccong消散波速度。ti，xi，vi分别为已知检测点所在的时刻、位置、速度；t，x，v分别为任意非检测点所在的时刻、位置、速度；σ为空间平滑宽度，τ是时间平滑宽度。
[0058] 其中构建虚拟轨迹线，估计旅行时间，具体步骤如下：
[0059] 1)给定足够小的时间增量Δt和空间增量Δx；
[0060] 2)如果一辆车从点A(tA,xA)出发，那么该辆车的虚拟轨迹线可以通过重复以下步骤构建；
[0061] 3)假设车辆当前的位置是点(t,x)，采用所使用的插值算法计算出该点的速度v(t,x)；
[0062] 4)如果v(t,x)＝0，给时间一个增量即t'＝t+Δt，更新当前位置至x'＝x，进入第6)步；
[0063] 5)否则以v(t,x)为斜率，更新至下一点的位置上即t'＝t+Δt，x'＝x+Δx，然后对新点进行插值计算；
[0064] 6)检查x'≥xF，若为否，则转入第3)步；
[0065] 7)否则，计算车辆在xF处时的时间，TF＝t+(t'-t)*(xF-x)/(x'-x)；
[0066] 8)车辆的估计旅行时间为TF-TA，在此过程中，车辆由A点行驶至F点。
[0067] 本实施例在步骤(2)和步骤(3)之间还包括通过在本地主机上设置远程Secure Shell(SSH)客户端来实时监控服务器上的爬虫程序的运行情况并随时调整配置文件。
[0068] 本发明通过在道路上设置虚拟微波方式，将某条路乃至部分路网分割为多条以1km或更长距离为基本单位的行程单元。利用LBS平台提供的导航功能，通过其驾车路线规划的查询检索接口，获得每个行程单元起终点间的导航数据，提取出行程距离以及耗时并计算行程单元内的平均速度，经过数据预处理得到实时的交通路况数据。
[0069] 相比于传统的交通路况数据获取源，本方法获取道路实时速度数据成本低，覆盖广，可作为整个路网的路况检测系统的空白数据、损坏检测器处的补充或应急模块。同时由于传统的交通路况数据大多基于个体车辆获取，具有较大的不稳定性，本方法能够与传统的交通路况数据进行融合，互为补充作为智能交通系统的数据源。尤其在利用时空速度场估计路段旅行时间方面，基于本方法中虚拟微波得到的交通估计值更为精确，要优于基于传统交通路况数据的估计结果。
[0070] 本实施例利用本发明所提出的基于LBS的交通路况数据获取方法中的虚拟微波检测方法，实时获取了2017年02月18日浙江省杭州市上塘-中河高架南北双向的交通数据，并使用该数据估计路段旅行时间。步骤如下：
[0071] A、将上塘-中河高架南北双向分割为多条以1km为单位的行程单元，如图2所示。并分别标记出共58个行程单元的起讫点坐标作为导航的起讫点。
[0072] B、编写Python网络爬虫程序并上传至阿里
云服务器，每一分钟向地图开放平台的路线规划API检索全部步骤1中已经录入的全部OD坐标，并按照 计算每个行程单元的平均速度。
[0073] C、使用SSH客户端监控阿里云服务器运行情况
[0074] D、数据预处理，将大于限速80km/h的数据统一按照80km/h处理。对于偶尔出现的数据空白则由之前5min时间段内的速度的平均值来补齐；除此之外，2017年3月1日零点至凌晨1点半间的一个半小时是没有交通数据的，对于此类较大间隔的空白数据我们采用历史上前两周的同一时间点的数据平均后补齐。
[0075] E、使用数据库
整理数据后，利用二维样条插值算法绘制时空速度场如图3所示。
[0076] F、构建虚拟轨迹线如图4所示(选取15：40-15：50时间段内进入快速路的车辆)。
[0077] 同时获取同样时间段的传统交通路况数据(微
波数据)，使用上述同样的计算方法绘制对应的时空速度场(如图5所示)并进行旅行时间估计。最后通过真实上下
匝道卡口的记录的车辆实际旅行时间作为真值，对比两种方法的准确性(如图6所示)。
[0078] 通过图6可以很明显的看出，整体上实际微波求得估计值
波动较为频繁，虚拟微波数据求得估计值则相对较为稳定，相比于真实值(实际卡口OD旅行时间)虚拟微波数据求得估计值的准确性要高于实际微波数据求得估计值的准确性。在旅行时间较短(交通状态较好，图中0:00-4:00，8:00-11:00，17:00-19:00)时，实际和虚拟微波求得估计值差别不大，都在观测值附近波动；而在旅行时间较长(交通状态较差，图中4:00-8:00，11:00-17:00)时，二者的估计值都明显小于实际值，但虚拟微波数据求得估计值能够更好的显示出真实旅行时间的变化趋势。
[0079] 计算实际和虚拟微波数据估计旅行时间的误差值，使用以下五个评价指标进行评价，包括均方根误差(RMSE)、标准化均方根误差(N RMSE)、对称平均绝对百分比误差(SMAPE1、SMAPE2)。分别由以下公式计算：
[0080]
[0081]
[0082]
[0083]
[0084] 其中，M为样本数量，y为估计值，yi为真实值。
[0085] 最后的结果如下表1，同样可以很明显的看出虚拟微波的估计值误差更低，也侧面证明了本发明中采集的虚拟微波数据更适合进行旅行时间估计，体现了本发明的先进性。
[0086] 表1实际和虚拟微波的真实-估计旅行时间误差对比
[0087]
