专利交易市场

本发明涉及车辆行程时间预测技术领域，尤其涉及面向出行链路提取的车辆行程时间预测方法。其包括以下步骤：步骤S1、获取出租车的车辆的轨迹数据，随后基于相似度提取交通主题链路及其分类；步骤S2：采用基于北方苍鹰优化算法的Attention‑ConvLSTM的车辆出行链路行程时间预测模型；步骤S3、提取交通主题链路的结果并得到所预测车辆出行链路的行程时间。根据相似度算法提取交通主题链路比传统的算法更加有优势，他的计算时间是86.345s，比其他算法分别减少了大约190s和345s；提出的方法与LSTM模型进行相比，预测出行链路的行程时间的精度在平均绝对百分比误差和R2指标上分别提升了30.9％和28.4％，预测精度可以达到90％以上在车辆出行链路行程时间预测任务上具有更高的准确性和稳定性。

本发明提供了基于行程时间预测的拥堵区避让的路径推荐方法，包括基于DGCN的路段行程时间预测模型、基于行程时间预测的路网区域状态识别模型和基于Floyd算法的路径推荐模型三大步，本发明基于行程时间预测及拥堵区避让的路径推荐模型，基于历史卡口数据和路网拓扑结构，使用动态图神经网络(DGCN)对城市路网的路段行程时间进行短时预测，并通过结合路网动态实际状况和流量特征，建立基于加权GN算法的路网分区模型，根据预测的行程时间结果对路网进行区域状态识别；最后结合预测的行程时间和路网的拥堵状态，基于Floyd算法做避让的路径推荐，一定程度上，减缓拥堵路段的拥堵程度，对出行者提供最短路径推荐，提高出行体验感。

本发明提供一种高速公路行程时间估计模型参数优化方法，基于路段行程时间估计模型构建包含多个路段的路线行程时间估计模型；采用遗传算法对模型参数l、m、α进行优化；定义遗传算法适应度函数其中Wj为误差指标MAj的权重，j为行程时间估计的时间间隔，其取值范围为[2,K]，遗传算法优化目标是适应度函数最小；运用M-H算法计算权重Wj；由遗传算法输出自由流状态以及拥堵状态下的最优参数组合[l,m,α]；进而建立优化的路线行程时间估计模型；该方法通过自动优化行程时间估计模型的参数，提升模型对于拥堵、畅通等不同交通运行状态的灵敏度，显著提高了在拥堵状况下的行程时间估计精度，保障了模型性能的可靠与稳定。

本发明公开了一种基于RFID数据考虑货车混入率的公交行程时间预测方法，该方法针对目前少有学者基于RFID数据进行公交行程时间预测的现状和未考虑货车这一对公交跟驰行为和驾驶策略产生直接影响的特定类型车辆混入比率对公交行程时间的影响等问题，利用RFID数据，考虑货车混入率对公交行程时间的相关影响重构公交车路段行程时间数据样本，建立LSTM-SVR组合预测模型实现对目标班次公交行程时间的精准预测，提高鲁棒性和泛化能力，为智慧公交出行提供参考依据。