CN1434946A - 一种提供旅行时间预测的方法 - Google Patents

Abstract

一种利用基于互联网的采集和发布信息的技术来预测旅行时间的交通信息系统。这个系统可以说明车辆类型、驾驶员特定的行为以及对未来交通状况的预测，主要考虑到可预测事件及特殊天气状况对交通方式的影响。这个交通信息系统包括一个交通路网图的计算机模型，这个路网图有许多可能的目的地点，这些点都与路段相联系。为每条路段开发了一个相应的公式，这个公式包含多个变量和常数，它们代表了一些固定的和可变的参数，这些参数用来指示沿一个特定的路段行驶所需要的时间。因为有相当准确的天气预报，将来某个时刻的路段预测的旅行时间可以由历史数据(2)进行改进。通过开发一个反映天气状况与行驶速度减少之间的关系式，可以实现预测的天气状况对路段旅行时间的影响计算。通过考虑车辆类型(88)和特定驾驶员的冒险性来生成个人预测时间。

Description

一种提供旅行时间预测的方法

发明背景

本发明是有关预测通常两点之间旅行时间的系统，尤其是关于基于互联网的实时和历史交通数据来提供交通信息的系统。

近年来，向旅行者提供实时的交通信息的各种旅行者信息系统不断涌现。这种旅行者信息系统的实例可以在一些主要的交通信息网站上看到，其中包括：SmartRoute Systems          http：//www.smartraveler.com/(1998)；Etak                        http：//www.etaktraffic.com/(1997)；Traffic Station Group       http：//www.trafficstation.com(1998)；TrafficOnline System        http：//www.trafficonline.com(1996)；Traffic Assist              http：//www.trafficassist.com

这些旅行信息系统主要是基于可以获得的可靠的基于计算机的地图和交通数据，这些数据可以通过互联网来获得，主要是由每个州的交通厅来提供。互联网所提供的数据包括实时的车辆速度和每分钟通过选定路段上的车辆数量。随着时间的推移，这些数据还可以提供两个选定地点间的历史旅行时间。现有的系统通过地图显示来指示道路施工及其他的一些事件，以及显示或预测特定路段或两个选定点间的旅行时间。

除了那些提供基于互联网交通报告和车辆路线方案的公司外，很多其他的组织，包括州交通厅(DOT)和城市交通局(DOT)，以及美国的一些交通咨询公司都开发了他们自己的旅行者信息系统，主要利用可变信息板(variable message signs，VMS)、旅行咨询电台(traveladvisory radios，TAR)、电视和有线电视频道、广播、信息亭、电话、寻呼机和手机来为使用者个人提供旅行者信息。

在一个典型的出行信息系统中，道路地图被划分成了多个路段，并且利用历史的和(或)实时的检测器数据来预测车辆沿特定路段旅行的时间。旅行行程时间的预测就基于把这些路段连接起来形成一条路线，沿着这条路线来计算旅行时间是比较合理的。

现在需要一个较好的系统来预测未来的交通拥堵，主要基于更广泛的数据，包括天气信息以及已知的由于特殊事件产生的移动。此外，在预测旅行时间时还需要一个系统来考虑车辆和驾驶员的属性。

发明内容

本发明中交通信息系统使用一个交通路线图的计算机模型，这个路线图有许多可能的目的地点，这些点都与路段相联系。每一个路段代表目的点之间特定的路径。这个路线可以代表一条道路路段，也可以用来代表其他的交通链接，例如航空路线，铁道路线，水运路线。在任何两个目的地之间都有很多不同的路线，每条路线都由一个或多个路段组成，为每条路段开发了一个公式。这个公式包括了一些变量和常量，分别有关于一些固定的和变化的参数，它们代表了沿着特定路段旅行所需要的时间。一条道路的固定参数将包括路段的长度，速度限制及路段的通行能力。可变参数包括每天中的时间、每周中的某天、每年的某天，预测或实测的沿路段行驶的车辆数量，实测的车辆速度，驾驶员类型，车辆类型。另外，还包括一些调整路段通行能力的变量，例如由于施工或事故而引起的车道关闭。一条路段的通行能力以及最大速度将依赖于天气情况和其他一些影响视距的因素。

从短期看，使用一条给定路段的车辆数量取决于其他路段上的车辆数量，这些路段将为该路段提供交通流。机动车交通的长期预测将基于以下几类数据：历史数据、关于备选路线的未来施工信息的数据、以及将增加该路段交通量的计划的特殊事件。

通常一条路线的通行能力保持常数，直到出现了一个预测的事故，例如：施工、恶劣的天气情况，或者由一个意料之外的事故引起的通行能力的减小，如事故等。

通过一条路段所需要时间的不确定性主要与未来的不可预见性和目前状况知识的不完整性有关。基于一个给定置信水平的预测将产生一个旅行时间范围，这将反应出不确定性的类型及其大小。未来的天气预报以概率形式给出，因此导致了将来旅行时间的概率的预测。

本发明的一个未来的目标就是提供一个交通信息系统，这个系统可以提供通过特定路段和多条路段的旅行时间的长期预测。

本发明的一个未来的目标是提供一个交通信息系统，这个系统可以基于预测的天气状况来预测路段速度。

本发明的另一个目标是提供一个交通信息系统，这个系统可以提供对不确定性的估计，为一条路段的旅行时间提供目前的估计或将来的预测。

本发明的另外一个未来的目标是提供一个交通信息系统，这个系统可以提供通过路段的旅行时间的估计，这将考虑到车辆的类型和沿这条路径旅行的驾驶员的类型。

关于本发明的未来的目标、特征和优点将通过以下详细的描述明显地表现出来，同时以一些辅助的图形来表现。

附图的简要描述

图1描述了本发明的基于互联网的交通预测系统的系统体系结构。

图2概括了用于基于互联网的交通预测的输入数据库和相应的数据资源，与这个发明的具体内容相一致。

图3显示了数据融合过程以及如何整合实时数据，与这个发明的具体内容相一致。

图4A描述了一个交通预测模型家族。

图4B描述了一个用于滚动时间水平的交通预测。

图5描述了一个简化的基于互联网的交通预测系统。

图6概括了基于互联网的交通预测的输出数据，与这个发明的具体内容相一致。

图7A描述了基于出发点预测的旅行时间地图。

图7B描述了基于终点的预测的旅行时间地图。

图8描述了一个基于互联网的个性化交通预测和出行决策支持系统的系统体系结构。

图9显示了用户输入过程和一个最终的文字报告输出的实例，都是关于这个基于互联网的个性化交通预测和出行决策支持系统的，与目前发明的具体内容相一致。

图10A和图10B显示了用户输入过程和一个最终的文字报告的输出实例，都是关于这个基于互联网的个性化交通预测和出行决策支持系统，与目前发明的具体内容相一致。

图11描述了用于多方式交通网络的基于互联网的个性化旅行预测和决策支持系统的系统体系框架。

图12显示了信息流的过程和用于多方式交通网络的基于互联网的个性化旅行预测和决策支持系统的实例，与目前发明的具体内容相一致。

图13描述了如何决定用于预测由于天气带来的交通延误的天气因素。

具体实施方式

参考图1-13，在其中类似的数字代表图形相应的组成部分，一个用于个人的提供预测交通路线信息的改进系统是闭环的。

随着州际道路系统的出现，一个新的学科——城市交通规划在20世纪50年代中期出现了，并且成为专业实践和学术研究的焦点。这个学科的目的是预测城市旅行需求，从而为交通基础设施的投资决策提供基础。城市交通规划学科建立的一些特定的标准模型，主要是在二十世纪50年代开发的，用来预测交通系统使用的平均的或稳定的状况。在这个学科出现后的第二个十年里，研究内容主要集中在考虑50年代开发的系统的机械的和行为表现的限制上。大体在80年代仍然使用这些传统的概念和方法。即使进入二十世纪90年代，此时开发了一些新的方法，将交通视为供给和需求平衡的很好的主题，并且使用微观经济学，但是新方法在很大程度上仍然保留了关于平均的或稳定状况的静态模型。需要动态模型提供实时预测和应用，但是，由于它们的复杂性，其发展过程比较缓慢。

个体出行者所需要的信息不仅仅包括平均的或稳态的道路状况。在计划一个出行时，当交通阻塞不是考虑因素的时候，稳态信息是有用的。在交通阻塞导致明显延误的地点，在出行计划时就需要有关实时和将来状况的信息。在大城市市区交通广播电台的交通报告大致对应于城市交通规划学科的发展，并且也提供一些关于交通阻塞的实时信息，这些都是个性化出行者所需要的。随着互联网的出现，通过互联网针对每个单独的用户提供个性化服务成为可能。

许多与交通流有关的信息资源都可以通过互联网来获得。互联网上可以获得的信息包括来自WebCams的结果，它可以提供在一个大城市区域内不同点的与交通水平有关的实时可视化信息。这个信息可以由计算机视频识别系统转化成车辆速度和交通流车辆数量。不同的服务提供商依次利用该信息来提供沿着特定路线的交通的实时信息，甚至可以为点与点之间的最优路径提供建议。然而，出行者，例如通勤者、旅行者或者投递员对有关出行的将来可能会发生或者被利用的信息是感兴趣的。

对未来特殊事件的预测通常可以分为四类：确定性的特殊事件，这可以基于物理规律来进行预测；混沌事件，混沌理论在混沌事件上所加的限制，同时也限制了能够提供充分信息以便进行预测的时间；第三种是未来的状况可能由不可预测的随机事件所决定；第四种同时也是非常有用的一种未来预测是从类似的历史环境产生的简单推断。

天气预报科学的困难度可以与预测未来交通堵塞的困难度进行比较和对比。天气是一种物理系统，它是由大气及其与土地、水和太阳能的相互影响的属性来表示。拥有了关于目前大气状况开始状态的充分知识，就可以通过在计算机上运行数学模型来规划一个物理系统去预测未来的天气状况。

然而，天气本质上是一个混乱的系统，这就意味着随着时间的推移，将来的状况对初始状况是非常敏感的。根据有关初始状态目前知识所进行的天气预报至少好于基于气候的对未来两三天内的天气所做的预测。对于一年中的特定时间，气候是由历史决定的一种简单的平均状况。尽管还有一些随机的成分，主要是在小规模的时间和场所等方面，但是短期的天气预报还是可以非常的精确。在一个产生特定气候的物理系统内，最终是由大气中的随机运动，通过它们对初始状态的影响来支配明天的天气。

预测交通状况本质上是一个低确定性的系统，基于目前状况对未来的预测要好于基于一天的某个时间、一个星期的某天的历史平均状况所进行的对未来1个小时后的预测。相对于基于类似日子的典型通勤状况预测而言，该发明中的改进的交通预测系统揭示了如何更加准确地预测下一个早通勤高峰的状况。

参考对天气预报的类推，尽管混沌理论和对初始状况的知识将天气预报限制在两三天之内，但是基于对气候学现象(如厄尔尼诺)的理解进行几个月或几年的预测也是可能的。大洋表面气温的变化象征着气候中的暂时变化，从此可以进行降雨和覆盖云层等变化的预测。同样地，影响道路系统或其他交通路段的出行的外部因素的变化可以用来更准确地预测未来的交通，更一般地来预测未来一条特定路段上的旅行时间。

影响可预测的交通气候的因素通常都是一些与道路或路段通行能力有关的因素。按重要性进行排序，三个主要异常阻塞的根源是：施工、天气和交通事故，例如由于事故而产生的车道封锁。这些因素本质上通过增加交通阻塞降低了路段的通行能力，因此改变了期望的平均通勤时间。在未来的一天或几天内施工和天气都是可以预测的现象。

在一个较小的范围内，一条路段上的总的出行需求可以进行预测，它们与一些特殊事件有关，例如，由于一个文化活动的安排、由于施工而关闭一些道路引起了其他道路出行的增加等等。然而，大多数与旅行需求有关的因素都可以由历史数据进行预测，例如，当学校上课时学生到学校的通勤；在阵亡将士纪念日(Memorial Day)的周末将有明显数量的度假出行。因此，较好的关于旅行需求的预测常常与较好的选择历史上的类似日子有关。例如，如果独立日(七月四日)是周末的话，交通方式将不同于它是工作日的状态。

然而，将来一条路段上的速度是可以进行预测的，并且有改进的精度，主要是通过使用一个因子来调整历史上期望的路段速度，这个因子考虑到由于预测的未来事件所导致的交通量的可知的增加。随着时间的推移，可以通过期望交通与预测事件期间的实际交通的比较来开发一个用于特殊事件的延误系数。逐渐地可以通过这种途径开发用于特殊事件的延误因子，例如运动会、演出会或公共事件，从而可以使基于历史数据的预测交通和调整的期望交通速度考虑到那些明显的未来特殊事件，因为这些事件很明显会引起交通的增加。

更有用的是根据一条特定路段降低的通行能力来预测降低的车流速度。一条路段的施工通常出现在预测的时间段内，而且有一个明显的范围，例如：关闭车道的数量、影响的道路长度等。作为第一个近似，沿一条道路运动的交通量的数量将是根据历史数据预测的数量。通过标准的道路施工咨询来计算出沿路段的交通速度降低是可能的。这些咨询可能包括如下一些延误因子：考虑道路通行能力限制水平的因子；考虑限制长度的因子；考虑限制和交通流的相互作用。因此，当预测到一个施工事件降低了路段通行能力的时候，未来特定时刻的交通也就是可以进行预测的了。

天气是未来的一个可预测的方面，可以用来预测未来时刻路段的通行能力。天气也是交通阻塞的一个主要原因。因为几小时内的天气模式是可以相对准确地进行预测的，而未来几天内的预测精度就要降低，把天气预报用于更好的预测路段未来旅行时间中会改进将来指定点间的预测旅行时间。

天气预报可以由万维网来提供，按照县郡、城市或者邮编的方式获得。为了把将来的天气预报应用到未来交通状况的预测中，只需要开发一个特定预测变量和交通状况之间的转移函数，更特别地是，从中将产生一个特定天气状况(如降雨)预测与特定交通延误水平之间的转移函数。随着时间的推移，这样的一个转移函数可以通过比较天气对出行时间的实际影响来进行开发。源自这些实际的数据，可以开发一个搜索表，用来表示特定天气状况下的减小的交通流速度，或者开发一个模型，主要是基于天气状况如何影响物理模型的参数。图13显示了这样一个天气类型影响树，在其中，分别代表了一天中的特定时间和一周中的特定日子里的不同状况下交通流速度下降到正常速度的百分比。

传统的预测系统没有考虑个别车辆或个别驾驶员的特性。传统的交通预测系统假设每个人都以交通流速度运动，因此平均的交通流数量就代表了单独的驾驶员完成特定路段的时间。然而，在很多路径上，对不同类型车辆的速度限制有很大的不同——例如，卡车通常不允许与小汽车以同样速度行驶。而且，不同类型车辆的操作和加速特征也意味着一些特殊类型的车辆缺少超过交通流平均速度的能力。除了法律上在卡车和小汽车之间所做的不同速度限制外，大概最重要的因子就是驾驶员的冒险性。一些驾驶员满足于最小的驾驶努力，通过简单地跟随在别的车辆的后面一定位置行驶。其他的驾驶员积极地寻找最大安全性的动作，例如避免距离很近的车辆组群等，但是有些驾驶员会尝试最大速度驾驶，经常超过阻止交通流的车辆。

一些驾驶员是沿着固定路线的通勤者，他们几乎很少努力去改变车道行驶，对于希望通过避免由于进出匝道引起的交通减速来优化旅行时间而言，这一点是非常必要的。由于固定的通勤者可以用较少的精力来考虑他们的路线和观察路段的特征，他们可以用较多的时间和精力去分析交通流、避免交通阻塞。随着时间的推移，可以使用特定于单独驾驶员的系数来对特定驾驶员的表现进行分类，或者每个驾驶员可以进行自我评价，对驾驶类型选择一个合适的分类。对于一个特定的个人，通过比较基于交通流数据的期望旅行时间和实际旅行时间，随着时间的推移，可以开发一个这样的系数，特定于每个人甚至特定于每条不同的路线，例如一个人总是沿着这条路线通勤。

因此，通过在历史数据或实时数据上应用车辆和驾驶员特定因子可以实现一个改善的关于特定人沿特定路径的旅行时间的预测。在预测未来时，车辆和驾驶员特定因子通常是相乘的。

其他的因子，如用于考虑预测恶劣天气的，通常是相乘的，而其他的因子可能是(1-f)的形式，f是一个0到1之间的参数。这种方法用于如下情况：两个互斥的因子联合起来预测出行时间，例如实时的交通数据相对于历史的交通流数据。因子f可以由统计分析、经验分析、启发式分析或模型分析得到。

1.交通预测模型

可以建立一个简单的统计模型用于预测一个路段的旅行速度，如下所示：

Predictive_Speed＝Historical_Speed*b+Current_Speed*(1-b)+Random Error

预测速度＝历史速度×b+当前速度×(1-b)+随机误差

式中：

预测速度是未来时刻t的速度预测值；

历史速度是同样类型日子同样时刻t的历史速度平均值；

当前速度是使用现场设备检测的实时速度；

b是加权系数；

随机误差是速度预测的误差条件。

在实际应用中，历史速度是可以获得的，现状速度可能能够获得也可能不能获得。因此，交通预测模型校正的主要工作是估计加权系数b的值以及随机误差的分布。

例子1：芝加哥I-90高速公路上城市路段的速度预测

对于一个城市道路路段，加权系数b受到以下因素的影响：该路段、上游和下游路段上的交通流、交通控制、路段通行能力、事故、施工活动以及特殊事件。应用基于观察值和预测值的回归来决定加权系数b。在主要的大城市市区内，城市州际路段的现状速度是可以获得的。

例子2：从密尔沃基到麦迪逊的I-94高速公路上的乡村路段的速度预测。

对于乡村路段而言，加权系数b主要受到该路段上的事故、施工活动及特殊事件的影响。应用基于观察值和预测值的回归来决定加权系数b。对于一个乡村路段，由于在乡村道路上缺乏检测器或传感器而不能获得现状速度。

表1.对于短期(0-60分钟)交通预测影响因素和变量之间的关系

预测旅行时间公式中的项		巡航时间	延误	随机误差	随机误差ξ
						交通流/需求	实时数据		较大影响	较大影响
历史数据		较小影响	较小影响
					交通控制		实时数据		较大影响	较大影响
历史数据		较小影响	较小影响
						道路分级和最大通行能力		较大影响	较大影响
事故	实时数据		较大影响	较大影响
						历史数据
	施工活动	实时信息	降低巡航速度	较大影响	较大影响
计划的						降低巡航速度	较大影响	较大影响	较大影响
		特殊事件	实时数据		较大影响					较大影响
预定的						较大影响	较大影响	较大影响
			天气报告	实时数据	降低巡航速度				较大影响	较大影响
预报	降低巡航速度	较大影响					较大影响
				车辆类型	实时数据			中等影响	中等影响
历史数据	中等影响	中等影响
					不同类型车辆的组成		实时数据	中等影响	中等影响	中等影响
历史数据	中等影响	中等影响	中等影响
						驾驶员表现	实时数据	中等影响	中等影响	中等影响
历史数据	中等影响	中等影响	中等影响
					不同类型驾驶员的组成		实时数据	中等影响	中等影响	中等影响
历史数据	中等影响	中等影响	中等影响

表2.对于中期(1-3小时)交通预测影响因素和变量之间的关系

预测旅行时间公式中的项		巡航时间	延误	随机误差	随机误差ξ
						交通流/需求	实时数据		逐渐减小的影响	逐渐减小的影响
历史数据		较大影响	较大影响
					交通控制		实时数据		逐渐减小的影响	逐渐减小的影响
历史数据		较大影响	较大影响
						道路分级和最大通行能力		较大影响	较大影响
事故	实时数据		逐渐减小的影响	逐渐减小的影响
						历史数据		较小影响	较小影响
	施工活动	实时信息	逐渐减小的影响	较大影响	较大影响
计划的						降低巡航速度	较大影响		较大影响
		特殊事件	实时数据		逐渐减小的影响					逐渐减小的影响
预定的						较大影响		较大影响
			天气报告	实时数据	逐渐减小的影响				逐渐减小的影响	逐渐减小的影响
预报	降低巡航速度	较大影响					较大影响
				车辆类型	实时数据
历史数据	中等影响	中等影响
					不同类型车辆的组成		实时数据
历史数据	中等影响	中等影响	中等影响
						驾驶员表现	实时数据
历史数据	中等影响	中等影响	中等影响
					不同类型驾驶员的组成		实时数据
历史数据	中等影响	中等影响	中等影响

表3.对于长期(＞3小时)交通预测影响因素和变量之间的关系

预测旅行时间公式中的项		巡航时间	延误	随机误差	随机误差ξ
						交通流/需求	实时数据
历史数据		较大影响	较大影响
					交通控制		实时数据
历史数据		较大影响	较大影响
						道路分级和最大通行能力		较大影响	较大影响
事故	实时数据
						历史数据		较小影响	较小影响
	施工活动	实时信息
计划的						降低巡航速度	较大影响	较大影响	较大影响
		特殊事件	实时数据
预定的						较大影响	较大影响	较大影响
			天气报告	实时数据
预报	降低巡航速度	较大影响				较大影响	较大影响
				车辆类型	实时数据
历史数据	中等影响	中等影响
					不同类型车辆的组成		实时数据
历史数据	中等影响	中等影响	中等影响
						驾驶员表现	实时数据
历史数据	中等影响	中等影响	中等影响
					不同类型驾驶员的组成		实时数据
历史数据	中等影响	中等影响	中等影响

1.交通速度和旅行时间估计模型的背景

一条路段的交通速度是一个关于如下变量的函数：车辆数量或者车辆密度，路段通行能力，交通流中不同车辆和驾驶员的组成以及驾驶员行为。在路段交通流中，不同车辆和驾驶员的组成由不同类型车辆(小汽车、货车、巴士、卡车)的百分比和不同类型驾驶员(冒险的、中性的、保守的)的百分比所决定。基于车辆密度，格林息尔治(Greendshields)提出了高速公路路段的如下基本速度-密度关系式：

V＝V₀(1-D/D_j)                                (1)

式中：V：速度(英里/小时)

      V₀：基于路段分类的自由流速度(英里/小时)

      D：密度或者每英里车辆数量(车辆/英里)

      D_j：拥挤密度或者是每英里最大的车辆数量(车辆/英里)

上面的模型考虑了一些主要变量的影响——车辆密度和通行能力(拥挤密度)。但是它忽略了交通流中不同车辆和驾驶员组成的影响以及驾驶员行为的影响。而且，它忽略了随机的变化，主要是由于路段的不确定性，例如天气和特殊事件等。

对于主干道路段，没有类似于上面确定形式的公式可以利用。因为在主干道上各点之间的速度有很大的不同，主要是由于通常交通控制的部分有较低的车速。因此，可以开发一个旅行时间公式并且通过使用旅行时间和行驶距离获得一个平均的驾驶速度。

对于一个普通的路段，可以获得下面一般的旅行时间公式：

T＝αT₁+βT₂                                (2)

式中：T₁：没有阻塞时的巡航时间(秒)

      T₂：由于阻塞和交通控制引起的延误(秒)

      α：影响路段巡航时间的参数

β：影响路段延误的参数

巡航时间T₁可以使用巡航速度进行计算，巡航速度由路段的功能性分类来决定。针对不同类型的路段，计算延误T₂的公式有所不同。对于一个高速公路路段，开发了如下的计算公式：

T₂＝T₀(D/D_j)^m                   (3)

式中：T₂：延误(秒)

      T₀：待校正参数(秒)

      D：密度或者每英里车辆数量(车辆/英里)

      D_j：拥挤密度或者每英里最大车辆数量(车辆/英里)

      m：整数参数

对于一个主干道路段，开发了如下的计算公式：

T₂＝β₁d₁+β₂d₂                  (4)

式中：T₂：延误(秒)

d₁：由控制信号周期影响导致的延误

d₂：由于路段的过饱和导致的延误

β₁：考虑到路段车辆前进的调整参数

β₂：考虑交通信号过滤效果的调整参数

由于交通信号周期效果导致的延误d₁可以使用如下的Webster公式(1958)来计算： $d_1=\frac{0.5c{[1-g/c]}^2}{1-\mathrm{\ρ}\·g/c}---\left(5\right)$

式中：c：信号周期长度(秒)

g：交通信号的有效绿灯时间(秒)

ρ：路段下游的饱和度，ρ＝u/μ

式中：u：到达路段下游的车流流率(辆/秒)

μ：路段下游的车队释放能力(辆/秒)

由于过饱和导致的延误d₂可以使用如下的公式进行计算：

d₂＝x/μ                         (6)

式中：x：到达路段下游的排队车辆的数量(辆)

μ：路段下游的车队释放能力(辆/秒)

2.预测旅行时间公式和影响因子

对于一个典型的路段，如下的旅行时间公式可以用于预测目的：

T＝αT₁+βT₂+ε                   (7)

式中：ε：随机误差

上面的旅行时间公式可以用于路段中的整个车流或者用于单独的车辆或驾驶员。

可以建立一个简单的统计模型用于预测路段旅行时间，如下所示：

T^P＝T^H*θ+T^R*(1-θ)+ξ             (8)

式中：T^P：未来时刻t的预测值；

T^H：同样类型日子里同样时刻的历史平均值；

T^R：使用现场设备检测实时数值；

θ：加权系数；

ξ：预测的随机误差。

历史平均值和实时数值可以利用旅行时间计算公式(7)分别基于历史数据和实时数据进行计算。如下所示：

T^H＝α^HT₁ ^H+β^HT₂ ^H+ε^H                     (9)

T^R＝α^RT₁ ^R+β^RT₂ ^R+ε^R                     (10)

式中上标H和R代表各自变量的历史值和实时值。随机误差ξ用于说明误差，不能由历史数据和实时数据获得。把公式(9)和(10)代入公式(8)并且重新合并同类项，得到如下所示公式：

T^P＝θα^HT₁ ^H+(1-θ)α^RT₁ ^R+θβ^HT₂ ^H+(1-θ)β^RT₂ ^R+θε^H+(1-θ)ε^R+ξ  (11)

简化后上面公式可以写为：

TP＝T₁ ^P+T₂ ^P+ε^P+ξ                                                  (12)

式中：T₁ ^P：预测巡航时间，并且T₁ ^P＝θα^HT₁ ^H+(1-θ)α^RT₁ ^R

T₂ ^P：预测延误，并且T₂ ^P＝θβ^HT₂ ^H+(1-θ)β^RT₂ ^R

ε^P：由于历史和实时数据产生的预测误差，ε^P＝θε^H+(1-θ)ε^R

ξ：由于预测数据产生的预测误差，如天气和特殊事件。

在实际应用中，历史旅行时间是可以获得的或者是可计算的而实时旅行时间可以也可能不可以获得或者计算。因此，交通预测模型校正的主要工作是估计加权系数θ的值、折减系数α^R，α^H，β^R和β^H以及随机误差的分布ε^P和ξ。

一般而言，影响交通速度和旅行时间预测的主要因素包括：交通流/需求、交通控制、路段类别/通行能力、事故、施工活动、特殊事件、天气、车辆类型、不同车辆类型的组成、驾驶员行为、不同类型驾驶员的组成。表1-3概括了以上因素对关键变量的影响——预测行程时间T₁ ^P和延误T₂ ^P以及随机误差ε^P和ξ。这个表还把预测时间段区分为短期(0-60分钟)、中期(1-3小时)、长期(＞3小时)。在这个表中还描述了与以上因素相关的数据的可获得性和这些数据如何影响交通预测。

短期预测

在短期预测中，所有的实时数据都对旅行时间预测产生最大的影响。另一方面，历史数据和预测数据有一些小的影响。对历史旅行时间应用一个小的加权因子θ来反应这个事实。

特别地，交通流/需求和交通控制的实时数据通过直接改变T₂ ^P的数值来显著地影响预测延误T₂ ^P和随机误差ε^P。交通流/需求和交通控制的历史数据通过直接改变T₁ ^P的数值而对预测延误T₂ ^P和随机误差εP有很小的影响。路段分类直接决定了预测巡航速度和巡航时间T₁ ^P，而且最大通行能力通过改变T₂ ^R和T₂ ^H的数值来对预测延误T₂ ^P产生大的影响。

实时事故数据对预测延误T₂ ^P以及随机误差ε^P产生明显的影响，因为它引起路段通行能力的降低(直接改变T₂ ^R和T₂ ^H的数值或者降低折减系数β^R和β^H)以及它的持续及清除时间的不确定性。施工活动和特殊事件的实时和预测数据对预测延误T₂ ^P和随机误差ε^P有类似的影响。施工活动和特殊事件的实时和预测数据直接增加了T₂ ^R和T₂ ^H的数值或者用于延误估算的折减系数β^R和β^H。然而，实时和计划的施工活动显著地降低了巡航速度因此增加了预测的行程时间T₁ ^P。特别地，基于实时的和计划的施工活动，折减系数α^R，α^H分别被进一步地增加了。

类似地，恶劣天气的实时和预测数据分别增大了折减系数α^R和α^H，因此降低了巡航速度并且增大了预测巡航时间T₁ ^P。而且，恶劣天气的实时和预测数据分别增大了用于延误估计的折减系数β^R和β^H，因此增大了预测延误T₂ ^P。天气报告和预测的不确定性显著地影响了预测随机误差ξ。例如，冰雪将降低行车速度，降低路面和车辆之间的摩擦并且降低可视度。因此，它将恶化阻塞并且增加延误，因此预测行程时间T₁ ^P和预测延误T₂ ^P都将增大。同时，降雪何时能够停止的不确定性也将增加未来旅行时间预测不确定性。

对于路段上对一个个体驾驶员和整个交通流的交通预测，车辆类型和驾驶员行为数据直接影响折减系数α^R和α^H，因此影响到巡航速度和预测巡航时间T₁ ^P。例如，一个载重卡车的巡航车速要小于小汽车，这就意味着载重卡车的折减系数α^R和α^H要大于小汽车的。而且，在一个低拥挤度的高速公路路段上，一个冒险的驾驶员的行程速度要大于一个保守的驾驶员的行程速度，这就意味着冒险驾驶员的折减系数α^R和α^H要小于保守驾驶员的。

车辆类型和驾驶员行为的数据直接影响用于延误估计的折减系数β^R和β^H，因此影响到预测延误T₂ ^P。例如，在城市街道上一辆巴士就有频繁的停靠和上下乘客，因此，在城市街道上，它的折减系数β^R和β^H就要大于小汽车的折减系数β^R和β^H。即使在拥挤的路段上，一个冒险的驾驶员只要有可能就会寻找交通流中的空隙，因此相对于保守的驾驶员而言，他/她具有较小的延误。因此，冒险驾驶员的折减系数β^R和β^H就要小于保守驾驶员的折减系数β^R和β^H。

不同类型车辆和驾驶员的组成也影响到预测的巡航时间和延误。例如，一个卡车比例很大的交通流相对于卡车比例较小的交通流而言就具有较小的巡航速度、较大的巡航时间和较大的延误。因此，卡车比例较大的交通流的折减系数α^R，α^H，β^R和β^H就要大于卡车比例较小的交通流的折减系数。

驾驶员行为的随机性和不同类型车辆和驾驶员的随机组成都会影响到交通预测的随机误差ε^P。例如，交通流中驾驶员的冒险性遵循一个随机分布，这就增大了交通预测的随机误差ε^P。

中期预测

在中期预测中，所有的实时数据对旅行时间的预测的影响都在逐渐减小。另一个方面，历史数据和预测数据有较大的影响。可以通过对历史旅行时间使用一个加权系数θ来反应这个事实。

长期预测

在长期预测中，所有的实时数据都成为了历史数据，对旅行时间的预测不再有影响。另一方面，历史数据对预测具有最大的影响。可以通过对历史旅行时间内应用加权系数θ＝1来反应这个事实。

本发明关于旅行时间预测模型的独一无二性可以概括如下：

1.通过考虑天气和特殊事件的影响，显著地改进了用于车流的预测模型。

2.通过考虑车辆类型和驾驶员行为可以用于单独的驾驶员和车辆的个性化预测模型。

3.交通预测中的随机误差

在旅行时间预测模型中有两种类型的随机误差：(1)由于历史数据和实时数据产生的预测误差ε^P；(2)由于预测数据产生的预测误差ξ，例如天气和特殊事件。影响旅行时间预测的主要因素对这些随机误差有不同的影响。

天气的影响

在交通预测中，天气对于随机误差的影响主要反应在它对由天气预报数据引起的预测误差ξ的影响上。由于天气预报伴随着预测概率，这个概率将影响到ξ的分布。对具有高精确度和概率的天气预报，交通预测的变化是很小的，将产生较高精度和较高概率的旅行时间预测。

天气对于交通预测的影响可以使用如下的公式进行考虑：

Predictive_Speed＝Original_Predictive_Speed*Weather_Factor+Random Error

预测速度＝初始预测速度×天气因子+随机误差

式中：预测速度是考虑到天气影响的最终预测值；

初始预测速度是使用所有其他因素预测的速度值；

天气因子是由于天气影响产生的折减系数；

随机误差是由于天气影响产生的速度预测的误差值。

使用历史速度数据和相关的天气信息，天气因子可以由不同类型的天气组合来进行校正。建立一个天气矩阵用于代表天气组合。随机误差由一个随机数生成器产生，通常的是假设其有一个正态的分布。随机误差的最大值由起因于天气变化的可行的速度变化范围来限制。随机误差的平均值假设为0，它的方差由天气预报的概率所限制。如果天气预报的概率高的话，随机误差的变化就小，反之亦然。

在数据库计划中把四种天气状况定义为标准状况：降雨、大风、降雪和冰冻。再基于能见度再次划分这四种状况：良好的能见度、降低的能见度(＜100m)和急剧降低的能见度(＜50m)。所有的天气预报信息都被转化为以上标准组合。然后使用基于检测的旅行速度和预测旅行速度的回归来决定天气因子。一个天气因子的实例如图13所示。

天气报告和预测数据一般地是一个地区一个地区的获得。为了在旅行速度预测中应用天气报告和预测数据，在相同的天气报告区域，同样的天气调整因子将用于所有的路段上。见图13。

事故、施工活动和特殊事件的影响

事故、施工活动和特殊事件的实时数据影响实时数据产生的预测误差ε^P。特别的，事故清除时间和路段通行能力的降低以及旅行时间有很大的不确定性，这将影响到预测误差ε^P。由于施工活动和特殊事件引起的车道关闭和路段通行能力及旅行时间的下降也是随机的，这个事实应当通过预测误差ε^P反应出来。

而且，由于计划的施工活动和预定的特殊事件所引起的未来的车道关闭和路段通行能力及旅行时间的降低具有更大的不确定性，这个事实应当通过预测误差ξ反应出来。

驾驶员行为的影响

驾驶员行为明显地影响到个人旅行时间的预测。驾驶员冒险性的广泛分布将影响到预测误差ε^P。当然，整合的驾驶员行为也将显著地影响到路段旅行时间的预测而且这将由预测误差ε^P反应出来。而且，驾驶员行为随时间的不同而改变，随地点的不同而改变，也随驾驶员的不同而改变。这个事实应当使用预测误差ε^P反应出来。

交通流中车辆和驾驶员组成的影响

交通流中车辆和驾驶员组成的随机分布将使旅行时间预测的不确定性减小，而且这种不确定性应当使用预测误差ε^P反应出来。交通流中车辆和驾驶员的组成随着时间、地点和路段而发生变化，而且有很大的随机性。这在一定程度上将影响到旅行时间预测误差ε^P。

这个发明的目标就是为旅行者提供一个基于互联网的交通预测系统和个性化交通预测及出行决策支持系统，从而在出行前或途中可以作出智能化的决策。这个发明的另一个目标是把基于互联网的交通预测系统和个性化交通预测及出行决策支持系统应用到一个多方式的交通网络。

如图1所示，基于互联网的交通预测系统有一个数据处理和融合服务器5、一个交通预测服务器6和一个数据产生服务器7。数据处理和融合服务器5使用有线或无线互联网4和通信网络来获得静态数据1、历史数据2和实时数据3。利用来自数据处理和融合服务器5的输入数据库，交通预测服务器6，使用一个或多个交通预测模型8来为路段网络生成预测的速度和旅行时间9。

然后，预测的速度和旅行时间9被用于生成不同类型的个性化交通预测结果，包括交通预测地图10、点到点文字报告和警告11、地址到地址的路线和警告12。在数据产生服务器7中，需要将数据结果进行个性化以用于不同的用途和不同的设备。例如，对于无线应用，一些数据结果需要使用XML和WAP标准进行创建。然后，这些个性化的交通预测结果和数据服务被传输给用户，使用各种不同类型的设备和有线或无线互联网4。这些设备包括：网站13、手机14、寻呼机15、PDA16、掌上电脑17、车载设备18和有线电视19。当然，应当指出的是，交通预测结果和数据服务可以被其它类型的设备利用，无论是现在可以获得的还是将来可以开发出来的。

输入数据库和数据来源将在图2中进一步阐述。基本上，输入数据库包括三种主要的数据库：静态数据库21、历史和随时间而变的数据库25以及实时数据库210。静态数据库21定义了路段网络23——节点、连线、节点坐标、连线长度、地址、路段分类、速度限制、驾驶限制、基础设施、地界标等，以及路段几何形状24——车道数量、交叉点形状、立交形状、道路曲率、垂直/水平线形等。这些数据通过地图数据库卖主和政府部门22都可以获得，例如NavTech、GDT、和美国交通部。静态数据库21可以每季度或每月更新一次。

历史的及随时间而定的数据库25主要包括三种类型数据库：交通需求27、旅行速度和旅行时间28，以及交通控制29。交通需求数据库通常包括路段交通流量、起点的出行生成、迄点的交通吸引以及起迄点的出行需求。旅行速度和时间数据库28为不同时段和不同日子提供历史信息。交通控制数据29存储了一些有关控制的信息，包括：信号控制、匝道控制、高速公路主线控制、停车/让路控制、高容量车道控制和收费广场控制。历史和随时间而变的数据25主要基于数据采集组织和政府部门26的输入产生的，每天、每周或每月更新一次，主要取决于不同地区数据的可获得性。

实时数据库210由7个主要的数据库组成：交通需求27、交通控制29、实时事故213、旅行速度和旅行时间28、实时天气报告和预测214、实时和计划的特殊事件信息217、实时和计划的施工活动信息218。这些实时数据库通常可以每分钟或每几分钟更新一次，主要利用有线或无线互联网4通过从各种不同来源获得数据。实时交通需求27、交通控制29、和事故信息213的数据通常可以由交通报告服务商、政府部门和现场数据采集器211来提供。实时旅行速度和旅行时间数据库28的数据可以直接使用现场设备212来测量，如检测器和传感器，或者由探测车212来提供。而且，实时的天气报告和预测214可以从天气预报服务商215获得。实时和计划的特殊事件信息217可以从各种不同的公共和私人组织216获得，实时和计划的施工活动信息218通常可以从交通部门和施工单位219获得。

为了为交通预测模型提供可靠的数据流，需要一个数据融合处理器31。图3阐述了数据融合31过程和如何把实时数据整合到交通预测中。这个数据融合31处理与交通预测模型8非常紧密地进行工作，从而产生准确的交通预测。历史的和随时间而变的数据库22用作数据融合31的基础。为每条路段产生每天的每个时段、每周的每天、每月的每周、每年的每月的历史旅行时间和速度。所有其他的实时数据被融合起来为短期预测39和长期预测310提供更加精确的基础。数据融合31应当能够是使用各种不同的模型，包括加权平均和模糊逻辑。

特别的，实时检测车数据34、检测器数据35和传感器数据36被用作更新当前旅行时间和旅行速度估计的主要基础以及下面30-60分钟的短期预测的主要基础。实时的事故数据32用来为随后几个小时内的路段通行能力下降和速度下降的估计和预测提供主要的基础直到事故影响被清除。类似地，实时的天气数据33和天气预报用作在整个交通预测期间内估计和预测路段通行能力下降和速度下降的基础，这个预测期间的范围从几分钟到几天不等。实时的施工活动数据37和计划的施工活动以及特殊事件数据38以类似的方式用作在整个交通预测期间内估计和预测路段通行能力下降和速度下降的基础。

图4A阐述了一系列交通预测模型41和如何把它们用于估计和预测随时间而变化的旅行时间和速度。

这里至少有4种类型的预测模型可以利用：1)仿真模型42；2)动态交通分配模型43；3)统计模型44；4)启发式模型45。一旦交通流量已经由其他方式预测了或收集到了，仿真模型42通常就把每辆车看作一个实体并且使用伪随机数来预测速度和时间。仿真模型42通常用在那些历史的和/或实时的交通流量数据可以获得的地区47。动态交通分配模型43可以决定路线交通流的动态轨迹和在每个时间段的旅行时间，主要是由于驾驶员基于一些路径选择标准来使用路径、给出随时间而变的起点-迄点出发率需求。动态交通分配模型43主要应用在可以获得历史的和/或实时的OD出行矩阵的地区48。

统计模型44使用在最近的关于交通流状况的信息来估计旅行时间和交通流的未来值。统计模型预测交通流特征通过识别交通流中的规律性和随时间推移的交通流的模式。除了交通流变量的预测值应用启发式规则而不是使用正式的统计模型外，启发式模型类似于统计模型。统计模型44和启发式模型45通常用于那些历史和/或实时交通速度和旅行时间数值可以获得的地区49。当以上所有模型都不能应用的时候其他类型的预测46就是有用的了，而且，有时在一个地区同时应用一个或几个这些交通预测模型8从而可以产生一系列交通预测值，可以相互进行验证。

交通预测模型8有两个用途：1)生成目前时刻的路段速度和旅行时间的估计；2)为将来某个时刻产生路段速度和旅行时间的预测值。目前，从现场设备采集到的实时速度和旅行时间数据和探测车只能覆盖整个路段网络的一小部分，而且主要是主要城市区域的高速公路路段。另一方面，历史速度和旅行时间数据覆盖了整个路段网络的较大部分，尤其是高速公路和城市主干道。而且，这些历史速度和旅行时间数据也不是每天的任何时刻都可以获得的，也不是每周内的每天都可以获得的，同样也不是每月中的每周、每年中的每月都可以获得的。然而，路段网络中的很大部分将没有历史速度和旅行时间数据。这些路段包括一些乡村高速公路、次干道、街道和小巷。因此，我们的任务就是应用交通预测模型来为任何时刻(一天中的每个时刻、一周中的每一天、一月中的每一周、一年中的每一月)每条路段估计基于时间的旅行时间和速度。

由于交通预测是一个持续的过程，那么就需要每隔几分钟、几小时或几天提供一次。图4B描述了在一个不断滚动的时间水平上的交通预测。就如时间411水平线所示，在目前时刻412进行的交通预测过程是为将来的交通状况414提供交通预测值的。在这个预测过程中，实时数据415用来修改历史数据从而为短期的交通状况提供更好的估计和预测。在这个预测过程中，使用关于静态数据和历史数据的数据库416作为基础并且使用实时数据415来进行更新。随着时间前进到一个将来的时刻413，用于目前时刻412的实时数据415成为过时的数据，现在使用更新的实时数据417来修改历史交通数据从而为短期的交通状况提供更好的估计和预测。这个滚动的过程将随着时间411的前移而持续下去。

使用交通预测模型8，交通预测服务器6可以产生一系列关于预测速度和旅行时间9的基本输出。与天气预报相似，交通速度和旅行时间预测也存在着预测概率。而且，还为每个路段和预测时段定义了这个预测概率。因此，还可以进一步为每条线路、每个OD对间和每个预测时段确定这个预测概率。

有时，可以利用的交通数据是有限的，这就需要一个简化的交通预测系统。图5阐述了一个简化的基于互联网的交通预测系统。在这种情况下，只有历史旅行时间和速度数据51是可以利用的，而再没有其它的历史数据可以利用。在交通预测服务器6中统计模型44和启发式模型45可以用作交通预测模型8。最终的输出是每一预测时刻的每个路段的预测速度和旅行时间9。为了使短期交通预测更加准确，可以使用所有的实时数据，包括来自于现场设备和探测车的实时旅行时间和速度52、实时事故数据213、实时和计划的施工行动信息218、实时和计划的特殊事件信息217以及实时的天气报告和预测214。通过有线和无线的互联网4，可以利用数据处理和融合服务器5对这些数据进行采集、处理和融合。

对于长期的预测(例如，明天早上通勤高峰期)，实时数据的影响将会减小。相反地，天气预报、计划的施工行动信息和计划的特殊事件信息将对预测的速度和旅行时间产生更大的影响。具有代表性的是，不利的天气、计划的施工和计划的特殊事件将降低旅行速度和增加旅行时间。在不同的城市和地区这些特定的参数要使用现实的数据来进行校正。

那些基本的交通预测数据可以用来为出行者产生各种不同类型的交通预测。图6阐述了三种类型的预测输出数据：交通预测图10，点到点的文字报告和警报11以及地址到地址的路线和警报12。交通预测图10和点到点的文字报告和警报11可以在网站http：//www.trafficcast.com上看到。可以根据不同类型的车辆和不同类型的驾驶员行为来进一步地将交通预测图10进行个性化和用户化。驾驶员行为可以基于驾驶员的冒险级别来进行定义，例如冒险的、中性的和保守的驾驶行为。可以使用模糊逻辑来定义模糊类型的驾驶员行为，其冒险级别在非常冒险和非常保守之间。即使在一个路段上平均驾驶速度是一样的，也可以使用车辆和驾驶员行为的类型来作进一步精确的交通预测，因为实际上重型车辆将明显地慢于轻型车辆、保守的驾驶员开的速度也将慢于冒险的驾驶员。车辆和驾驶员行为的类型将用于点到点的文字报告和警报11及地址到地址的路线和警报12。

至少能够产生5种类型的交通预测图10：旅行速度图61，旅行时间图62，旅行费用图63，交通瓶颈图64以及延误图65。旅行速度图61被称为道路拥堵图，此时使用不同的颜色来表示路段上不同的预测速度。图7B说明了基于起点的预测旅行时间图。在基于起点的旅行时间图上，一个起点72首先被定义在路段网络71上。然后，使用轮廓线来表示从起点72到这条轮廓线的预测的最小旅行时间。如图7A所示，三条轮廓线73-75分别代表着预测的最小旅行时间——10分钟，20分钟，30分钟。可以为从起点72开始的每一出发时刻开发这样的旅行时间图。如果为起点72制定了出发时间，每条轮廓线将代表从起点72到这条轮廓线的最早的到达时间。

如果用终点76来代替起点72，就需要指定期望的到达时间。图7B说明了基于终点的预测旅行时间图。如图7B所示，为了在下午5点76到达终点，乘车者需要分别在下午4：45 77、下午4：30 78、下午4：15 79离开轮廓线所表示的地点。如果要在下午5点76到达终点，这些时刻也是乘车者离开的最后时刻。另一方面，每条轮廓线还代表了到达终点的预测最小旅行时间。

旅行费用图63类似于旅行时间图62。对于一个基于起点的旅行费用图，对任何一个从起点72的出发时间而言，每条轮廓线都代表了从起点到轮廓线的最小的旅行费用。对于一个基于终点的旅行费用图，对终点76的每个期望到达时间而言，每条轮廓线都代表了从轮廓线到终点的76的最小旅行费用。交通瓶颈图64使用颜色(红色或黄色)来强调那些具有较低预测旅行速度的路段。延误图65类似于旅行时间图62。对于从点A到点B的旅行，延误定义为预测旅行时间和无阻碍的自由流旅行时间的差。对于一个基于起点的延误图，对任何一个从起点72的出发时间而言，每条轮廓线都代表了从起点到这条轮廓线的最小延误。对于一个基于终点的延误图，对终点76的每个期望到达时间而言，每条轮廓线都代表了从轮廓线到终点76的最小延误。

如图6所示，点到点的文字报告和警报11提供三种点到点的特定路线的信息：1)对于不同驾驶员和车辆的预测旅行时间、速度、费用、延误和预测置信概率66；2)出发时刻/到达时刻方案选择推荐和预测置信概率67；3)使用声音、文字和地图对事故、施工、特殊事件、异常旅行时间和异常出发时刻/到达时刻进行警报68。

文字报告进一步由图8和图9进行阐述。图8阐述了一个基于互联网的个性化交通预测和出行决策支持系统的系统体系结构85。使用由交通预测服务器6产生的普通交通估计和预测数据81作为基础，基于互联网的个性化交通预测和出行决策支持系统85产生个性化的、点到点的交通预测和路线推荐方案。这个系统可以位于一个中央服务器上，也可以位于一个用户终端，如车载计算机、掌上电脑或桌上型电脑。

当一个出行者还在他/她的起点83的时候，通过有线或无线装置82将他/她目前的位置和终点信息86提供给个性化交通预测和出行决策支持系统85。然后，需要驾驶者输入他/她的个性化参数87，包括首选的方式、账号、和密码来获得个性化的预测交通信息。随后，用户需要输入他/她的驾驶员类型和车辆类型88、出发时间或到达时间偏好89和路线选择标准和偏好810。在最后一步，就可以产生用于个性化交通预测和出行推荐的最终输出结果。如果以前用过同样的路线，那么这个最终输出结果还包括对用户历史统计的一个概括。因此，个性化的旅行预测信息和警报可以根据用户偏好的时刻表来提供给他们，或者在他们需要的时候随时都可以获得。通过这种方式，一个出行前用户可以获得从起点到终点的有关路线、出发时间、到达时间和备选终点的个性化的出行前交通预测和推荐。

用户上路后，可以利用不同的定位技术，例如GPS来确定用户目前的位置813。目前的位置信息可以传回到个性化交通预测和出行决策支持系统85。另一方面，用户也可以利用声音或文字来输入目前的位置。如果用户在出行前选择了所有的个性化特性和参数，用户就可以使用一个账号和密码找回这些保存的信息从而个性化交通预测和出行决策支持系统就可以重新计算从目前地点到终点的更新的交通预测和路线推荐方案。另一方面，用户也可以使用有线的或无线的设备82来完成所有的这些任务。用户仅仅需要通过声音或文字命令来确认一些关键的选择项。通过这种方式，途中的乘车者可以获得有关从目前地点到终点的关于路线、到达时间和备选终点的更新的个性化交通预测和推荐方案814。

图9显示了这个基于互联网的个性化交通预测和出行决策支持系统的文字报告的用户输入过程和最终输出结果示例。开始时，在菜单“Where do you want to go？Select a City/State(您要去哪里？选择一个城市/州)”91中用户被要求输入他/她的州和城市选项，然后，在菜单“Select your Highway Type(选择您要使用的高速公路的类型)”92用户被要求输入他/她将要行驶于其上的公路类型，可以利用的公路类型包括所有的城市道路、州内道路、州际高速公路，美国高速公路和其它道路。下一个菜单是“Select your Vehicle Type(选择您的车型)”93。车辆类型包括小汽车、中巴、大巴和卡车。然后，在菜单“Select your Highway&Cross street(选择您的高速公路和交叉的街道)”94中，用户被要求确定公路名称、起点(从交叉的街道)和终点(到交叉的街道)。下一个菜单是“Select your Driver Type(确定您所属的驾驶员类型)”95。驾驶员类型包括冒险的、中性的、保守的。在菜单“Departure Time Choice or Arrival Time Choice(出发时间的选择或到达时间的选择)”96中，用户被要求确定首选的出发时间或首选的到达时间。用户可以输入今天或明天的任何时间作为首选的出发时间或到达时间。而且，用户还可以在菜单“Parameters forCalculating Predictive Travel Cost(计算预测旅行费用的参数)”97中进行修改，包括里程费用，收费，停车费和旅行时间的单位价值。利用上面的输入，就可以产生一个交通预测报告98。这个报告提供了一个预测“Summary for Your Trip(出行概要)”99，包括旅行时间，旅行速度、旅行延误、旅行距离、旅行费用、到达时间和开始时间(或出发时间)。

如图6所示，地址到地址的路线和警报12提供三种类型的信息：1)用户定义路线的交通预测和预测置信概率；2)基于主要道路、最小时间、最小费用和备选路线的路线选择准则的路线、出发时间、到达时间、终点推荐方案和预测置信概率610；3)为用户指定路线和推荐的路线提供事故、施工、特殊事件、异常旅行时间和异常出发/到达时间的警报611。

图10A和图10B显示了基于互联网的个性化交通预测和出行决策支持系统的用户输入过程和基于路线的最终输出结果示例。开始时，用户被要求以地址的格式“Enter Starting Location(输入起点)”101和“Enter Destination Location(输入目的地)”102。下一个菜单是“Select your Vehicle Type(选择您的车辆类型)”93。车辆类型包括小汽车、货车/中巴、大巴和卡车。随后，用户被要求“Select your DriverType(确定您所属的驾驶员类型)”95。驾驶员类型包括冒险的、中性的、保守的。在菜单“Departure Time Choice or Arrival Time Choice(出发时间选择和到达时间选择)”96中用户被要求要确定一个首选的出发时间或者是首选的达到时间。而且，在菜单“Enter DesiredRoute Selection Criteria”103中，用户可以选择一个路线选择准则。可以使用的路线选择准则包括：1)首选的高速公路和主要道路，2)用户定义的道路，3)最短距离，4)最小时间，5)最小费用。根据以上的输入，可以产生一个预测的路线报告和驾驶方向图。在第一部分“Get Direction or Select Location Along the Way(决定方向或选择路上的地点？)”104中，预测的路线报告可以提供总旅行距离、基于距离和基于交通预测的总的估计旅行时间、出发时间和到达时间。然后，就产生了一个起点到终点的驾驶方向图105。可以提供一个转弯接转弯的驾驶方向和图106。最后，一个预测的出行“Summary(概要)”107提供了如下信息：总距离、基于距离的总的估计旅行时间、基于交通预测的总的估计旅行时间、总延误、给定的出行时间和估计的到达时间。

基于互联网的个性化交通预测和出行决策支持系统85可以用于多模式的交通网络。在这样一个网络中，一个出行者可以使用一种或者多种交通方式和多模式换乘设施。这些交通方式包括：汽车、铁路、公共汽车、航空和水运。图11阐述了一个基于互联网的个性化多模式交通预测和决策支持系统117的系统结构。而且，这个系统可以安装在一个中央服务器上或者用户终端上，包括车载计算机，手提电脑和桌上型电脑。由交通预测服务器6生成的路段交通预测信息仍然作为主要的基础。而且，公共交通信息中心113和铁路信息中心114将提供公交和铁路运行时刻表，实时运行状态和每个站点的预测到达时间。航空运输信息中心111将提供飞行信息、实时运行状态、预测的出发时间/到达时间和延误。停车信息中心112将提供不同停车场可利用的停车空位。水运信息中心115将提供水运时刻表、实时运行状态和延误。多模式终端信息中心116将提供如下信息：交通模式之间的计划的换乘点、换乘时刻表、实时运行状态和延误。

以上多种方式的信息通过有线或无线网络传输到个性化多方式旅行预测和决策支持系统117，因此这个系统就可以产生个性化的、点到点的旅行预测和路线推荐方案。这个系统可以位于中央服务器或者用户终端，如车载计算机、掌上电脑或者桌上型电脑。

当一个旅行者位于他/她的出发点83，他/她目前的位置和终点信息86将通过有线或无线设备82提供给个性化多模式旅行预测和决策支持系统117。而且，这个旅行者还需要输入他/她的个性化特征和参数87，包括首选的设备、账号和密码(账号和密码组成了一个用户标识符)以获得个性化的预测交通信息。随后，用户需要输入他/她的如下数据：旅行者行为、车辆类型、交通方式偏好119、出发时间或者到达时间偏好89、路线/方式的选择准则偏好1110。最后，可以产生关于个性化旅行预测和出行推荐的最终输出结果。如果以前使用过相同的路线/方式和旅行，最终输出结果也将包括对用户历史统计的概括。因此，个性化的旅行预测信息和警报可以根据用户偏好的时刻表来提供给他们，或者在他们需要的时候随时都可以获得。为了实现这些功能，个性化的旅行预测信息连同用户标识符一同以这样的方式提供给用户。通过这种方式，一个出行前的用户可以获得有关以下信息的出行前个性化旅行预测和推荐方案：路线、出行方式、方式换乘、出发时间、达到时间、路线、参观点、从整个出行起点到终点的备选终点118。

当进入旅程中1112，各种各样的定位技术，例如GPS，可以用来确定用户目前的位置1113。目前的位置信息可以被传回个性化多模式旅行预测和决策支持系统117。另一方面，用户可以使用声音或者文字来输入目前的位置。如果用户在出行前已经选择了所有的个性化特征和参数，用户就可以使用一个账号和密码或者用户标识符来找回这些保存的信息从而让这个个性化多模式旅行预测和决策支持系统117来重新计算从目前地点到目的地的更新的旅行预测和路线推荐方案。与预测旅行时间相关的信息与用户标识符联系在一起，因此它可以通过互联网或者别的方式来传递给用户。另一方面，用户也可以通过有线的或者无线的设备82来完成所有这些事情。用户只需要通过声音或文字命令确认一些关键的选择即可。通过这种方式，旅途中的出行者可以获得更新的个性化旅行预测和推荐方案，包括：从目前地点到目的地的路径、旅行交通方式、多模式换乘、出发时间、到达时间、路线、旅游点以及出行的备选目的地1114。

图12显示了用于一个多模式交通网络的基于互联网的个性化旅行预测和决策支持系统的信息流动过程和商业出行实例。这一商业出行包括汽车、公共交通和航空以及在停车场、公交站点和机场的模式间换乘。开始，当旅行者位于他/她的起点121时，他/她可以通过PC机或者无线设备112获得出行前个性化旅行预测和推荐。在步行123到他/她的停车场124后，他/她开始驾驶汽车沿着路段125驶向远处的机场的停车场124。在他/她的驾驶过程中，他/她的汽车可以报告他/她目前的位置126，因而他/她可以通过无线设备从个性化多模式旅行预测和出行决策系统117获得更新的个性化旅行预测和推荐方案128。这个更新的信息包括：路段上额外的驾驶延误、更新的到达机场的到达时间估计、更新的起飞时间和可能的延误。

在从停车场124步行123到终点127后，这个旅行者利用一个机场公交线路129达到机场1210。利用航班1211，旅行者到达距离他/她目的地1213比较近的机场1211。在他/她的目的地所在的城市，他/她可以利用地面交通方式1212到达他/她的目的地1213。在整个旅途中，旅行者在任何时间任何地点都可以联系上个性化多模式旅行预测和出行决策支持系统117，从而可以获得有关他/她旅行预测和路线推荐方案的更新数据。

应当了解到，用户将需要一个用户标识符，这可能是一个账号和密码，或者仅仅是一个互联网Cookie(Cookie是当你访问某个站点时，随某个HTML网页发送到你的浏览器中的一小段信息)，或者是其它的附有可以提供用户信息需求的工具的标识符。由本发明的交通信息系统产生的信息，主要针对特殊用户，是与用户标识符一起传输的，因此这个信息会回到提交特定需求的用户那里。

应当了解到，名义上的路线速度表示基于类似日期类似时刻的历史数据的本路段的速度。

应当看到本发明并不仅仅局限于这里所说明和描述的特定的部分，它还包括下面声明的部分中所提到的改进的形式。

Claims (20)

1.一种预测未来某时刻一个路段的交通状况的方法，由以下几步组成：

对于一个选定的未来时间，对一个选定的路段，决定期望的名义路段速度；

对于一个选定的路段，至少决定一个包括该路段的天气预报区域；

对于一个选定的未来时刻，在至少的一个天气预报区域内决定期望的天气状况；

为路段产生一个调整后的路段速度，通过对名义路段速度应用一个函数(这个函数将把至少一个天气预报区域的预测天气状况作为参数)来产生一个调整后的路段速度，这个速度要小于名义路段速度。

2.根据权利要求1的方法，其中天气预报区域是郡范围。

3.根据权利要求1的方法，其中函数包括了一个查找表，包括一些数值小于1的因子，代表特定的预测天气状况。

4.根据权利要求1的方法，其中关于天气预报区域的天气预报可以通过互联网来获得。

5.根据权利要求1的方法，其中调整的路段速度包括一个范围，这与预测的天气状况的概率范围相一致。

6.一种提供起点和迄点之间的预测旅行时间的方法，由如下几步构成：

通过互联网获得对旅行时间的需求，包括一个起点，一个迄点，旅行起始时间和一个用户标识符；

决定一个起点和迄点之间的路线，包括至少一段路段；

在良好的驾驶天气里，在类似的时间段内，基于上述路段旅行速度的历史数据来决定这些至少一个路段的预测速度；

决定至少一个天气预报区域，包括了起点和迄点之间的路径；

决定在类似于出发时间的时刻时，在天气预报区域内的预测的天气状况；

对预测的天气状况决定一个天气延误系数；

基于旅行速度的历史数据决定一个预测的旅行时间，并且由天气延误因子进行调整；

通过与用户标识符相联系来传输预测的出行时间信息传送给用户。

7.根据权利要求6的方法，其中天气预报区域是郡范围。

8.根据权利要求6的方法，其中天气延误因子是由一个查找表所决定的，包括了一些数值小于1的系数，每个都表示特定的天气状况。

9.根据权利要求6的方法，其中关于天气预报区域的天气预报状况可以通过互联网获得。

10.根据权利要求6的方法，其中预测的出行时间包括了一个时间的范围，这与预测的天气状况的概率范围相一致。

11.一种提供在一个起点和一个迄点之间的预测出行时间的方法，包括以下步骤：

通过互联网获得对旅行时间的需求，包括一个起点、一个迄点、一个旅行起始时间、一个用户标识符和一个用户特定系数；

决定起点和迄点之间的一条路线，至少包括一条路段；

基于出发时间，决定至少一条路段的预测速度；

决定一个由用户特定系数调整的预测旅行时间；

通过与用户标识符相联系来传输预测的出行时间信息传送给用户。

12.根据权利要求11的方法，其中用户特定系数也就是由用户驾驶的车辆类型。

13.根据权利要求11的方法，其中用户特定系数是用户的一个行为特征。

14.根据权利要求11的方法，其中决定一个预测出行时间的步骤包括：

决定至少一个天气预报区域，它包含了起点和迄点之间的路径。

决定在类似于出发时间的时刻时，在天气预报区域内的预测的天气状况；

为预测的天气状况决定一个天气延误系数；

决定一个预测出行时间，由天气延误系数来进行调整。

15.根据权利要求14的方法，其中天气预报区域是郡的范围。

16.根据权利要求14的方法，其中函数包括了一个查找表，包括一些数值小于1的因子，代表特定的预测天气状况。

17.根据权利要求14的方法，其中关于天气预报区域的天气预报可以通过互联网来获得。

18.根据权利要求14的方法，其中包括了一个调整的路线速度范围，与预测的天气状况的概率范围相一致。

19.一种提供起点和迄点之间预测出行时间的方法，包括以下几步：

通过互联网从用户那里获得对旅行时间的需求，包括一个起点、一个迄点、一个旅行出发时间、一个用户标识符；

决定起点和终点间的一条路径，至少由一条路段组成；

基于类似时间段里提到的路段的旅行速度的历史数据，决定至少一条路段的预测速度；

决定至少一个预定的特殊事件，这将改变起点和迄点之间的路段上的交通流；

对预测的特殊事件决定一个延误系数；

基于旅行速度的历史数据决定一个预测的出行时间，由延误系数来进行调整；

通过用户标识符把预测的出行时间信息传送给用户。

20.一种提供起点和终点之间的预测出行时间的方法，包括以下几个步骤：

通过互联网从用户那里获得对旅行时间的需求，包括一个起点、一个迄点、一个旅行出发时间、一个用户标识符；

决定起点和终点间的一条路径，至少由一条路段组成；

基于类似时间段里提到的路段的旅行速度的历史数据，决定至少一条路段的预测速度；

决定至少一个预定的特殊事件，这将导致起点和迄点之间的路段上的通行能力的降低；

对预测的特殊事件决定一个延误系数，基于预测的交通流和一个历史通行能力，这由引起通行能力降低的特殊事件进行调整；

基于旅行速度的历史数据决定一个预测的出行时间，由延误系数来进行调整；

通过用户标识符把预测的出行时间信息传送给用户。

Images