[发明专利]面向车牌识别数据的旅行时间实时预测方法及装置

说明书

本发明公开了一种面向车牌识别数据的旅行时间实时预测方法及装置，其中该方法包括先验规则挖掘、旅行时间实测计算和旅行时间预测计算三个主要步骤；本发明克服数据规模和时效性有限、预测计算的响应滞后且准确率不高的问题，基于车牌识别数据的方法和装置降低了计算响应时间并提高了预测准确程度，并在Apache Storm和Hadoop MapReduce集群环境中实现，完成了实时数据环境下的旅行时间预测，可用于交通领域的道路状态监控和出行服务发布。本发明提高了大数据环境下智能交通应用的实时性、可靠性，使得交通大数据信息可以为用户的实时查询和预测提供实用，提高了用户体验。

技术领域

本发明涉及信息技术领域及智能交通领域，具体而言，涉及在Apache Storm和Hadoop MapReduce集群环境使用所述方法，完成旅行时间预测的实时预测技术，及一种实时预测路段旅行时间的方法和装置。

背景技术

路段旅行时间是交通领域中最为广泛关注的交通运行状态信息，与其它诸如地点交通参数相比，可以更好地评价道路的畅通程度，反映道路的运输效率，体现道路交通拥挤状态。随着城市规模的扩大，高峰时刻的交通拥堵已成常态，如何发布前方道路交通拥堵状况的出行服务，向出行者预测未来时刻道路状况的变化趋势，引导出行者选择最佳路由到达目的地，已成为国内外同行争相研究的课题。路段旅行时间预测，是交通流诱导系统重点研究内容，被认为是预测现代城市拥挤问题最为有效手段之一。所谓旅行时间，通常是指全路网中所有的路段旅行时间；而路段旅行时间是指在给定时间区间内，某个路段所有经过车辆通过时间的平均值。对于交通管理部门，通过旅行时间可以评判路况和优化线路设计。对于交通参与民众，关心是当前时刻从现在位置到达前方目的地所经历的时间，而这也刚好是旅行时间所涵盖的业务含义。

针对路况信息，当前技术与方法可以使得采集频率在30秒到2分钟之间，信息发布频率在5分钟到10分钟左右，而作为复杂聚集运算的旅行时间的预测，计算频率也多在数十分钟，这与日益增长交通信息即时性需求产生了矛盾。根据旅行时间预测的基础数据来源，将国内外旅行时间研究现状分如下两类：(1)基于移动型交通信息采集技术的预测方法。例如，面向浮动车采集的GPS位置数据，可以通过卡尔曼滤波模型，实现旅行时间实测和旅行时间预测运算。但是，由于浮动车采集的样本量有限、且数据较单一，导致旅行时间预测精度不高。(2)基于固定型交通信息采集技术的预测方法。以固定型交通检测器采集的交通流量、密度、速度、时间占有率、空间占有率等参数作为旅行时间预测的输入变量。例如，面向关键路口识别摄像头的车牌数据集，可以实现旅行时间的实测与预测计算，具有较高的预测精度，同时实时性较好。

现有技术中也公开了一些技术方案实现旅行时间的预测。如申请号为CN200910083285的专利文献《一种旅行时间预测的方法》；申请号为CN201310227307的专利文献《旅行时间的获取方法及装置、预测系统》；申请号为CN201310227309的专利文献《高速公路旅行时间的预测方法及装置》；申请号为CN201410270534的专利文献《一种快速准确预测车辆通过路段旅行时间的方法》；申请号为CN201410291290的专利文献《一种预测快速路未来时刻所需旅行时间的系统及方法》等。分析其中的技术细节可知，旅行时间的实时预测的研究尚处于发展阶段，技术仍然不成熟。主要存在以下三方面的问题或缺陷：

第一方面，当前工作大多面向有限的历史数据集。例如，如数天、数月内浮动车的监控数据，而非实时的监控数据。这对当前海量交通数据带来复杂性考虑不足，导致大数据环境下处理效率低下或查询缓慢，对近期旅行时间预测的指导意义有限。

第二方面，当前工作大多基于移动型交通信息实现预测。例如，针对来自公交车、高速公路通勤车辆的车载GPS数据，而非识别精度更高的固定型交通信息。这使得车辆覆盖范围有限，有效时间不连续，导致大数据环境下的预测效果实用性有限。