高度城市化地区基于海量出租车轨迹数据面向出行者的路径旅行时间预测

With respect to the ever-increasing traffic congestion in metropolitan area, travel time for every traveller becomes more and more complicated and irregular. How to predict travel time and make it reliable, therefore, is of great importance to the related researches. Requiring high installation and maintenance costs and having limited service area, most existing approaches to travel time prediction depend on fixed-point-based data collection equipments, which renders the research limited to highway, expressway or specific road segments of urban road network. The wide use of mobile positioning devices makes it possible to obtain a large volume of vehicle trajectory data within a short period, which is growing as an alternative dataset for transportation related researches. Based on the aforementioned works and data collection methods, the present project aims at predicting travel time of long paths on urban road network using large volume trajectory data with neural network and Bayesian prediction model. Additionally, other available relevant factors that cause traffic congestion and the corresponding influences on travel time are considered. In order to validate the proposed approach, an empirical research is then conducted in Shanghai, which could provide a novel method of predicting travel time, and enrich the processing methods and applications of enormous vehicle trajectory data.

高度城市化地区交通拥挤现象普遍存在，其给每一位出行者带来的直接问题就是令旅行时间无法掌控，因此，旅行时间预测成为一个具有巨大社会需求的研究课题。传统预测方法多基于来自固定点的交通数据采集设备，其安装和维护的费用高，覆盖面有限，因此，预测对象局限于高速公路、快速路网络或城市道路网络中的特定路段。随着车载定位设备的普及，具更大时空覆盖面的海量车辆轨迹信息逐渐成为交通研究的重要数据源。本课题以此为背景，以一般城市道路网络为研究对象，以海量出租车轨迹数据为主要参考数据，配合各种可能获取并且可能引起预测时段交通拥挤的影响因素，兼顾周期行及偶发性交通拥挤对旅行时间的影响，利用神经网络及贝叶斯预测模型发展长时路径旅行时间预测方法。基于已有的研究和数据积累，课题以上海为例，开展实证研究。其成果可为旅行时间预测增加新的研究思路和手段，为交通出行者提供服务，并进一步丰富了海量车辆轨迹数据的处理方法和应用领域。

高度城市化地区交通拥挤现象普遍存在，其给每一位出行者带来的直接问题就是令旅行时间无法掌控，因此，旅行时间预测成为一个具有巨大社会需求的研究课题。传统预测方法多基于来自固定点的交通数据采集设备，其安装和维护的费用高，覆盖面有限，因此，预测对象局限于高速公路、快速路网络或城市道路网络中的特定路段。随着车载定位设备的普及，具更大时空覆盖面的海量车辆轨迹信息逐渐成为交通研究的重要数据源。本课题以此为背景，以一般城市道路网络为研究对象，以海量出租车轨迹数据为主要参考数据，建立历史旅行记录数据库，配合各种可能获取并且可能引起待预测时段交通拥挤的其它因素，建立影响因素数据库，兼顾周期性及偶发性交通拥挤对旅行时间的影响，发展适合的预测方法实现长时路径旅行时间预测。其输入参数为出行路径，以及在未来某时刻的出发时间。其主要研究内容包括建立历史旅行记录数据库，包括无效出租车轨迹数据的甄选和剔除，适合出租车轨迹数据的地图匹配方法，旅行记录模型、查询方法及语言；设计旅行时间预测方法，包括相似历史旅行记录的选择，旅行时间预测影响因素分析，针对不同情形的预测方法；方法实现及实证研究。主要研究成果包括三项：（1）提出了一种面向海量轨迹数据的高效管理和索引方法-TripCube，TripCube强调索引结构对特定数据和应用背景的适用性，通过为覆盖特定路网的出租车轨迹数据建立索引，TripCube能实现任意时段和任意出入口的行程轨迹的快速查询和管理；（2）提出了一种利用海量轨迹数据进行旅行时间预测的可预测性评估方法，首先，测量历史旅行时间序列的多尺度熵来表达序列的复杂程度，然后，根据费诺不等式推导出的熵和可预测性的关联公式实现旅行时间可预测性的评价；（3）提出了一种基于BPNN的面向行程旅行时间的预测模型，该模型充分考虑人、车、路以及环境的相互影响，经过历史数据训练的模型以出行日期、出行时间、天气条件、温度和空气质量等作为输入参数，实现对未来出行时间的预测。