本發(fā)明涉及智能交通技術領域，特別涉及一種預測交通事件影響范圍的方法和裝置。

背景技術：

在智能交通系統(tǒng)(ITS，Intelligent Transportation System)中，一般是基于浮動車(FCD，Float Car Data)數據分析交通事件的影響范圍。交通事件的影響范圍可以為交通事件的管理者提供決策依據，也可以為出行者提供準確的誘導信息，以減少出行時間。同時，還可以作為導航引擎路徑誘導系統(tǒng)的輸入，輔助汽車司機更好地做出判斷。因此，預測交通事件影響范圍的意義重大。

目前，對交通事件影響范圍的預測，基于固定檢測器檢測的數據，例如交通量數據或交通密度數據等，利用交通流理論中的排隊論和交通波理論來計算影響范圍。但是固定檢測器檢測的交通量和交通密度等數據存在誤差，這樣利用誤差的數據預測的結果不準確。

現有技術中基于分類、線性回歸和神經網絡的交通事件影響的預測方法均是以交通事件的自身特征作為輸入量，例如，交通事件是追尾，則追尾是該交通事件的自身特征。但是，交通事件的自身特征和交通事件的影響范圍并沒有直接聯系，從而導致基于交通事件的自身特征作為判據預測的影響范圍與實際情況存在很大差距。

因此，本領域技術人員需要提供一種預測交通事件影響范圍的方法和裝置，不依靠交通事件的自身特征，能夠準確預測交通事件的影響。

技術實現要素：

本發(fā)明要解決的技術問題是提供一種預測交通事件影響范圍的方法和裝置，不依靠交通事件的自身特征，能夠準確預測交通事件的影響。

本發(fā)明實施例提供一種預測交通事件影響范圍的方法，包括以下步驟：

確定交通事件發(fā)生的路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n；所述相關聯的路鏈m-1，……，路鏈m-n是指路鏈m發(fā)生交通事件的影響范圍波及的路鏈；所述n為預設值；

獲得交通事件發(fā)生時所述路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的浮動車數據；

根據所述浮動車數據獲得路鏈m的速度以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，由以上所有路鏈的速度生成當前特征向量；

從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量；

根據找到的匹配特征向量對應的預測特征向量中的速度，得到路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n預測的速度，所述歷史模式庫中保存成對存在的匹配特征向量和預測特征向量；所述匹配特征向量和預測特征向量中的路鏈的速度是預先依據非交通事件造成路鏈擁堵時路鏈的速度獲得；其中匹配特征向量為周期t時路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，預測特性向量為周期t+1時路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n速度。

優(yōu)選地，所述匹配特征向量和預測特征向量中的路鏈速度預先依據非交通事件時擁堵路鏈的速度獲得，具體為：

當路鏈在周期t和周期t+1的速度均小于預設速度閾值且所述路鏈上無交通事件發(fā)生時，確定該路鏈為非交通事件造成的擁堵路鏈，將該擁堵路鏈周期t的速度作為所述匹配特性向量中該路鏈的速度，將該擁堵路鏈的周期t+1的速度作為與所述匹配特征向量成對存在的預測特征向量中該路鏈的速度。

優(yōu)選地，所述從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量，找到的匹配特征向量對應的預測特征向量中的速度為預測的下一周期的路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，具體為：

通過線性加權計算所述歷史模式庫中與所述當前特征向量歐式距離最近的k個匹配特征向量；k為大于1的整數；所述k個匹配特征向量對應k個預測特征向量；由所述k個預測特征向量得到每個路鏈的k個速度，對每個路鏈的k個速度取平均值作為該路鏈預測的速度。

優(yōu)選地，在從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量，之前還包括：

對所述歷史模式庫中的匹配特征向量進行歸一化；

所述從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量，具體為：

通過線性加權計算所述歷史模式庫中與所述當前特征向量歐式距離最近的k個歸一化后的匹配特征向量。

本發(fā)明實施例提供了一種預測交通事件影響的裝置，包括：確定模塊、數據獲得模塊、當前特征向量生成模塊、匹配模塊和第一預測模塊；

所述確定模塊，用于確定交通事件發(fā)生的路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n；所述相關聯的路鏈m-1，……，路鏈m-n是指路鏈m發(fā)生交通事件的影響范圍波及的路鏈；所述n為預設值；

所述數據獲得模塊，用于獲得交通事件發(fā)生時所述路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的浮動車數據；

所述當前特征向量生成模塊，用于根據所述浮動車數據獲得路鏈m的速度以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，由以上所有路鏈的速度生成當前特征向量；

所述匹配模塊，從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量；

所述第一預測模塊，用于根據找到的匹配特征向量對應的預測特征向量中的速度，得到路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n預測的速度，所述歷史模式庫中保存成對存在的匹配特征向量和預測特征向量；所述匹配特征向量和預測特征向量中的路鏈的速度是預先依據非交通事件造成路鏈擁堵時路鏈的速度獲得；其中匹配特征向量為周期t時路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，預測特性向量為周期t+1時路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n速度。

優(yōu)選地，還包括：歷史模式庫建立單元；

所述歷史模式庫建立單元，用于當路鏈在周期t和周期t+1的速度均小于預設速度閾值且所述路鏈上無交通事件發(fā)生時，確定該路鏈為非交通事件造成的擁堵路鏈，將該擁堵路鏈周期t的速度作為所述匹配特性向量中該路鏈的速度，將該擁堵路鏈的周期t+1的速度作為與所述匹配特征向量成對存在的預測特征向量中該路鏈的速度。

優(yōu)選地，所述第一預測模塊包括：計算子模塊和預測子模塊；

計算子模塊，用于通過線性加權計算所述歷史模式庫中與所述當前特征向量歐式距離最近的k個匹配特征向量；k為大于1的整數；所述k個匹配特征向量對應k個預測特征向量；；

所述預測子模塊，用于由所述k個預測特征向量得到每個路鏈的k個速度，對每個路鏈的k個速度取平均值作為該路鏈預測的速度。

優(yōu)選地，還包括：歸一化子模塊；

所述歸一化子模塊，用于在從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量，對所述歷史模式庫中的匹配特征向量進行歸一化；

所述計算子模塊，用于通過線性加權計算所述歷史模式庫中與所述當前特征向量歐式距離最近的k個歸一化后的匹配特征向量；k為大于1的整數；所述k個匹配特征向量對應k個預測特征向量。

與現有技術相比，本發(fā)明具有以下優(yōu)點：

本預測方法并沒有以交通事件的自身特征作為參數進行判斷，而是利用預先已經建立的歷史特征向量，將發(fā)生交通事件的路鏈的速度以及與其相關聯的路鏈速度組成當前特征向量，與歷史特征向量中的匹配特征向量進行相似度匹配，匹配出的匹配特征向量對應的預測特征向量便是預測的下一周期的各個路鏈的速度。即可以預測出路鏈m上發(fā)生交通事件，而擴散影響到的其他路鏈的速度。本申請這種方法不依賴于交通事件的自身特征，因此，預測結果比較準確。

附圖說明

為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發(fā)明提供的預測交通事件影響的方法實施例一流程圖；

圖2是本發(fā)明提供的預測交通事件影響的方法實施例二流程圖；

圖3是本發(fā)明提供的預測交通事件影響的方法實施例三流程圖；

圖4是本發(fā)明提供的預測交通事件影響的裝置實施例一示意圖；

圖5是本發(fā)明提供的預測交通事件影響的裝置實施例二示意圖；

圖6是本發(fā)明提供的預測交通事件影響的裝置實施例三示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結合附圖對本發(fā)明的具體實施方式做詳細的說明。

方法實施例一：

參見圖1，該圖為本發(fā)明提供的預測交通事件影響的方法實施例一流程圖。

S101：確定交通事件發(fā)生的路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n；所述相關聯的路鏈m-1，……，路鏈m-n是指路鏈m發(fā)生交通事件的影響范圍波及的路鏈；所述n為預設值；

可以理解的是，路鏈m上發(fā)生交通事件，會波及其他相關聯的路鏈，因此，需要判斷附近的路鏈受路鏈m的影響范圍例如，每條路鏈長度為100米，交通事件造成的擁堵通常大于1000米以上，則n至少取10。n的取值取決于交通事件需要預測的影響范圍，范圍越長，則n越大。一般預設n時，考慮交通事件造成的擁堵波及的最大范圍，例如不會超過3000米，假設每條路鏈長度為100米，則預設n為30。

S102：獲得交通事件發(fā)生時所述路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的浮動車數據；

需要說明的是，浮動車數據包括經緯度和車速。

S103：根據所述浮動車數據獲得路鏈m的速度以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，由以上所有路鏈的速度生成當前特征向量；

路鏈m，以及與路鏈m相關聯的n個路鏈一共n+1個路鏈，對應有n+1個速度；這n+1個速度組成一個向量，即當前特征向量。

例如，當前周期路鏈m的速度v可以表示為：v(t_now,m)；當前周期路鏈m-n的速度可以表示為：v(t_now,m-n)；其中，v表示速度，t_now表示當前周期，m表 示路鏈m。

則路鏈m發(fā)生交通事件時的當前特征向量s(t_now,m)表示為：

s(t_now,m)＝{v(t_now,m),v(t_now,m-1),v(t_now,m-2),......v(t_now,m-n)} (1)

由公式(1)可以看出，當前特征向量是速度的一個向量，即包括n+1個路鏈上的速度。

S104：從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量；

S105：根據找到的匹配特征向量對應的預測特征向量中的速度，得到路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n預測的速度，所述歷史模式庫中保存成對存在的匹配特征向量和預測特征向量；所述匹配特征向量和預測特征向量中的路鏈的速度是預先依據非交通事件造成路鏈擁堵時路鏈的速度獲得；其中匹配特征向量為周期t時路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，預測特性向量為周期t+1時路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n速度。

可以理解的是，預測特征向量中包括多個路鏈的速度。

需要說明的是，所述歷史模式庫中的匹配特征向量和預測特征向量中的路鏈的速度是預先依據非交通事件造成路鏈擁堵時路鏈的速度獲得；，建立歷史模式庫依據的數據是非交通事件時擁堵路鏈的速度，即路鏈的擁堵不是因為交通事件造成的。例如，可以利用一個月內的非交通事件時擁堵路鏈的速度來建立歷史模式庫。因為，交通事件造成的擁堵影響實際是擁堵擴散的問題，常規(guī)擁堵(非交通事件)擴散和交通事件造成的擁堵擴散本質上均是因為交通瓶頸造成的。因此，可以利用常規(guī)擁堵數據建立歷史模式庫。

其中，歷史特征庫中保存成對存在的向量用h(t,m)＝{s(t,m),s(t+1,m)}表示。

其中，s(t,m)為匹配特征向量，s(t+1,m)為預測特征向量。

將當前特征向量s(t_now,m)與匹配特征向量s(t,m)進行匹配，如果相似度匹配，則該匹配特征向量對應的預測特征向量s(t+1,m)便為下一周期的以上所有路鏈的速度組成的向量。例如，一個周期為5分鐘。

即，s(t,m)用于和s(t_now,m)進行匹配，s(t+1,m)是對應的預測特征向量，s(t+1,m)中的各個路鏈的速度就是預測的下一周期各個路鏈的速度。

本實施例提供的預測方法，并沒有以交通事件的自身特征作為參數進行判斷，而是利用預先已經建立的成對存在的匹配特征向量和預測特征向量，將發(fā)生交通事件的路鏈的速度以及與其相關聯的路鏈速度組成當前特征向量，與歷史特征向量中的匹配特征向量進行相似度的匹配，匹配出的匹配特征向量對應的預測特征向量便是預測的下一周期的各個路鏈的速度。即可以預測出路鏈m上發(fā)生交通事件，而擴散影響到的其他路鏈的速度。本申請這種方法不依賴于交通事件的自身特征，因此，預測結果比較準確。

方法實施例二：

參見圖2，該圖為本發(fā)明提供的預測交通事件影響的方法實施例二流程圖。

本實施例中，首先介紹一下如何建立歷史模式庫。

所述匹配特征向量和預測特征向量中的路鏈速度預先依據非交通事件時擁堵路鏈的速度獲得，具體為：

當路鏈在周期t和周期t+1的速度均小于預設速度閾值且所述路鏈上無交通事件發(fā)生時，確定該路鏈為非交通事件造成的擁堵路鏈，將該擁堵路鏈周期t的速度作為所述匹配特性向量中該路鏈的速度，將該擁堵路鏈的周期t+1的速度作為與所述匹配特征向量成對存在的預測特征向量中該路鏈的速度。

例如，歷史模式庫中的速度樣本需要滿足以下條件，即且其中為預設速度閾值，則表示周期t和t的下一周期的路鏈m為擁堵路鏈。歷史模式庫中的速度樣本均是擁堵路鏈的速度。

例如，預設速度閾值為20km/h。當前周期的車速低于20km/h，并且下一周期的車速也低于20km/h時，則說明該路鏈發(fā)生擁堵。

需要說明的是，方法實施例一中提供的方法是以預測下一周期的路鏈速度來介紹的，可以理解的是，一般發(fā)生交通事件以后，不會僅預測下一個周期的路鏈速度，一般會預測后續(xù)多個周期的路鏈速度，例如，以5分鐘一個周期為例，可能會預測發(fā)生交通事件半小時以后的路鏈速度，或者預測發(fā)生交通事件1個小時以后的路鏈速度。

下面介紹預測下下周期以及下下周期后續(xù)周期的路鏈速度的方法，需要說明的是，下下周期的后續(xù)周期的路鏈速度的預測方法和下下周期的預測方法相 同。在此，僅以預測下下周期的路鏈速度的方法為例進行說明。

本實施例中還包括S206：將當前周期的預測特征向量作為所述當前特征向量，重新進行相似度匹配，預測后續(xù)周期的以上所有路鏈的速度。

其中，S201-S205分別與S101-S105相同，在此不再贅述。

可以理解的是，除了預測下一周期是以當前浮動車的數據獲得的速度建立當前特征向量以外，預測下下周期的速度，以及預測下下周期的后續(xù)周期的速度均是前一個周期預測的路鏈速度作為當前特征向量，重新進行最高相似度匹配。

例如，通過本實施例提供的預測方法，可以在交通事件發(fā)生以后，發(fā)布以下的交通指導信息：北四環(huán)學院橋西400米四車追尾，當前車輛排隊500米，預計10分鐘以后車輛排隊將達到3000米，完全橋到學院橋預計通行時間為30分鐘，建議司機避開此道路。

本實施例提供的方法，可以預測當發(fā)生交通事件時，相關路鏈上汽車的速度，進而可以預測后續(xù)預定時間段內汽車的擁堵情況，將該擁堵情況作為交通信息發(fā)布給司機，司機可以避開這些擁堵的路鏈。本實施例提供的方法與交通事件本身沒有直接聯系，因此，適用于各類交通事件，適用性更廣泛，并且預測結果比依賴于交通事件自身特征的方法更準確。

由于交通事件本身就是一種異常事件，異常事件的發(fā)生肯定是少量的，現有技術中基于交通事件自身特征預測交通事件的影響，需要很多的交通事件作為訓練樣本，所以這種方法訓練樣本不足。傳統(tǒng)方法中，一種方式是使用所有交通事件作為某一段路的訓練樣本，但是城市道路的復雜性使這種方法的普適性降低，進而造成預測結果不準確。

交通事件通常會造成擁堵(對并未造成擁堵的交通事件預測影響意義不大)，本發(fā)明中將交通事件對交通的影響理解為擁堵擴散(或者低速擴散)問題，依靠歷史擁堵信息建立歷史模式庫，該歷史模式庫所反映的就是擁堵隨時間的擴散。由于歷史擁堵是一種常規(guī)事件，城市道路每天都在發(fā)生擁堵，因此本發(fā)明提供的這種方法的樣本數據充足。

方法實施例三：

參見圖3，該圖為本發(fā)明提供的預測交通事件影響的方法實施例三流程圖。

本實施例中S301-S303與S201-S203相同，在此不再贅述；S306與S206相同，在此不再贅述。

需要說明的是，相似度用以衡量個體間差異的大小，包括歐式距離、明可夫斯基距離、曼哈頓距離、向量空間余弦相似度、皮爾森相關系數、Jaccard相似系數。在工程應用中，歐式距離是使用最廣泛的相識度度量方法。

需要說明的是，在進行相似度計算時，為了避免速度高的路鏈占據較大的計算比重，速度低的路鏈占據較小的比重，可以對歷史模式庫中的所有歷史特征向量中的匹配特征向量進行標準化，然后再進行加權歐式距離相似度計算。

例如，標準化可以將每個匹配特征向量進行歸一化，即轉換到0到1的區(qū)間內。比如，假設交通事件發(fā)生路鏈m的速度為5km/h，路鏈m-5速度為70kn/h，歷史模式庫中某一特征向量m的速度為10km/h，m-5的速度為50km/h。此時路鏈m-5的匹配相比路鏈m的匹配在相似度計算時，占據了更大的比重，這樣的情況將會影響最終預測結果的準確度。在標準化之后，所有的值都在0-1的范圍內，所述這種現象將不會存在，從而可以提高相似度計算的準確度，進而有效提高預測結果的準確度。

在從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量，之前還包括：

對所述歷史模式庫中的匹配特征向量進行歸一化；

S304：所述從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量，具體為：

通過線性加權計算所述歷史模式庫中與所述當前特征向量歐式距離最近的k個歸一化后的匹配特征向量；k為大于1的整數；所述k個匹配特征向量對應k個預測特征向量；

本實施例中相似度匹配以歐式距離最近為例進行匹配。即計算當前特征向量與歷史模式庫中的匹配特征向量之間的歐式距離，獲得k個與當前特征向量距離最近的匹配特征向量。

例如，可以獲得與當前特征向量最近的3個歷史特征向量，即k為3。

本實施例提供的方法，在進行相似度匹配時，對歷史特征向量對應的匹配 特征向量進行標準化，然后對標準化后的匹配特征向量進行加權歐式距離計算，獲得最終的預測結果。這樣避免了在相似度匹配時，速度較大的路鏈占據較大的比重，這樣有利于提高預測結果的準確性。

S305：找到的匹配特征向量對應的預測特征向量中的速度為預測的下一周期的路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，具體為：

由所述k個預測特征向量得到每個路鏈的k個速度，對每個路鏈的k個速度取平均值作為該路鏈預測的速度。

可以理解的是，為了提高交通事件影響的預測準確度，本實施例中基于k個預測特征向量來預測下一周期的路鏈速度，即不僅利用一個預測特征向量，而是利用多個預測特征向量取平均的結果作為預測的下一周期的路鏈速度。

基于以上實施例提供的一種預測交通事件影響的方法，本發(fā)明實施例還提供了一種預測交通事件影響的裝置，下面結合附圖進行詳細的介紹。

裝置實施例一：

參見圖4，該圖為本發(fā)明提供的預測交通事件影響的裝置實施例一示意圖。

本實施例提供一種預測交通事件影響的裝置，包括：確定模塊100、數據獲得模塊200、當前特征向量生成模塊300、匹配模塊400和第一預測模塊500；

所述確定模塊100，用于確定交通事件發(fā)生的路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n；所述相關聯的路鏈m-1，……，路鏈m-n是指路鏈m發(fā)生交通事件的影響范圍波及的路鏈；所述n為預設值；

可以理解的是，路鏈m上發(fā)生交通事件，會波及其他相關聯的路鏈，因此，需要判斷附近的路鏈受路鏈l的影響范圍。例如，每條路鏈長度為100米，交通事件造成的擁堵通常大于1000米以上，則n至少取10。n的取值取決于交通事件需要預測的影響范圍，范圍越長，則n越大。

所述數據獲得模塊200，用于獲得交通事件發(fā)生時所述路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的浮動車數據；

需要說明的是，浮動車數據包括經緯度和車速。

所述當前特征向量生成模塊300，用于根據所述浮動車數據獲得路鏈m的 速度以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，由以上所有路鏈的速度生成當前特征向量；

路鏈m，以及與路鏈m相關聯的n個路鏈一共n+1個路鏈，對應有n+1個速度；這n+1個速度組成一個向量，即當前特征向量。

例如，當前周期路鏈m的速度v可以表示為：v(t_now,m)；當前周期路鏈m-n的速度可以表示為：v(t_now,m-n)；其中，v表示速度，t_now表示當前周期，m表示路鏈m。

則路鏈m發(fā)生交通事件時的當前特征向量s(t_now,m)表示為：

s(t_now,m)＝{v(t_now,m),v(t_now,m-1),v(t_now,m-2),......v(t_now,m-n)} (1)

由公式(1)可以看出，當前特征向量是速度的一個向量，即包括n+1個路鏈上的速度。

所述匹配模塊400，從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量；

所述第一預測模塊500，用于根據找到的匹配特征向量對應的預測特征向量中的速度，得到路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n預測的速度，所述歷史模式庫中保存成對存在的匹配特征向量和預測特征向量；所述匹配特征向量和預測特征向量中的路鏈的速度是預先依據非交通事件造成路鏈擁堵時路鏈的速度獲得；其中匹配特征向量為周期t時路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n的速度，預測特性向量為周期t+1時路鏈m以及與路鏈m相關聯的路鏈m-1，……，路鏈m-n速度。

需要說明的是，歷史模式庫中的歷史特征向量是預先已經獲得的，建立歷史模式庫依據的數據是非交通事件時擁堵路鏈的速度，即路鏈的擁堵不是因為交通事件造成的。例如，可以利用一個月內的非交通事件時擁堵路鏈的速度來建立歷史模式庫。因為，交通事件造成的擁堵影響實際是擁堵擴散的問題，常規(guī)擁堵(非交通事件)擴散和交通事件造成的擁堵擴散本質上均是因為交通瓶頸造成的。因此，可以利用常規(guī)擁堵數據建立歷史模式庫。

其中，歷史特征庫中保存成對存在的向量用h(t,m)＝{s(t,m),s(t+1,m)}表示。

其中，s(t,m)為匹配特征向量，s(t+1,m)為預測特征向量。

將當前特征向量s(t_now,m)與匹配特征向量s(t,m)進行匹配，如果相似度匹配 成功，則該匹配特征向量對應的預測特征向量s(t+1,m)便為下一周期的以上所有路鏈的速度組成的向量。例如，一個周期為5分鐘。

即，s(t,m)用于和s(t_now,m)進行匹配，s(t+1,m)是對應的預測特征向量，s(t+1,m)中的各個路鏈的速度就是預測的下一周期各個路鏈的速度。

本實施例提供的預測裝置，并沒有以交通事件的自身特征作為參數進行判斷，而是利用預先已經建立的成對存在的匹配特征向量和預測特征向量，將發(fā)生交通事件的路鏈的速度以及與其相關聯的路鏈速度組成當前特征向量，與歷史特征向量中的匹配特征向量進行相似度的匹配，匹配出的匹配特征向量對應的預測特征向量便是預測的下一周期的各個路鏈的速度。即可以預測出路鏈m上發(fā)生交通事件，而擴散影響到的其他路鏈的速度。本申請這種裝置不依賴于交通事件的自身特征，因此，預測結果比較準確。

裝置實施例二：

參見圖5，該圖為本發(fā)明提供的預測交通事件影響的裝置實施例二示意圖。

本實施例提供的裝置，還包括：歷史模式庫建立單元600；

所述歷史模式庫建立單元600，用于當路鏈在周期t和周期t+1的速度均小于預設速度閾值且所述路鏈上無交通事件發(fā)生時，確定該路鏈為非交通事件造成的擁堵路鏈，將該擁堵路鏈周期t的速度作為所述匹配特性向量中該路鏈的速度，將該擁堵路鏈的周期t+1的速度作為與所述匹配特征向量成對存在的預測特征向量中該路鏈的速度。

例如，歷史模式庫中的速度樣本需要滿足以下條件，即且其中為預設速度閾值，則表示周期t和t的下一周期的路鏈m為擁堵路鏈。歷史模式庫中的速度樣本均是擁堵路鏈的速度。

例如，預設速度閾值為20km/h。當前周期的車速低于20km/h，并且下一周期的車速也低于20km/h時，則說明該路鏈發(fā)生擁堵。

需要說明的是，裝置實施例一中僅以預測下一周期的路鏈速度來介紹的，可以理解的是，一般發(fā)生交通事件以后，不會僅預測下一個周期的路鏈速度，一般會預測后續(xù)多個周期的路鏈速度，例如，以5分鐘一個周期為例，可能會預測發(fā)生交通事件以后半小時的路鏈速度，或者預測發(fā)生交通事件以后1個小 時的路鏈速度。

所述第一預測模塊500，還用于重新進行最高相似度匹配，預測后續(xù)周期的以上所有路鏈的速度。

可以理解的是，除了預測下一周期是以當前浮動車的數據獲得的速度建立當前特征向量以外，預測下下周期的速度，以及預測下下周期的后續(xù)周期的速度均是前一個周期已經預測出來的速度作為當前特征向量，重新進行最高相似度匹配。

例如，通過本實施例提供的預測裝置，可以在交通事件發(fā)生以后，通過預測發(fā)布以下的交通指導信息：北四環(huán)學院橋西400米四車追尾，當前車輛排隊500米，預計10分鐘以后車輛排隊將達到3000米，完全橋到學院橋預計通行時間為30分鐘，建議司機避開此道路。

本實施例提供的裝置，可以預測當發(fā)生交通事件時，相關路鏈上汽車的速度，進而可以預測后續(xù)預定時間段內汽車的擁堵情況，將該擁堵情況作為交通信息發(fā)布給司機，司機可以避開這些擁堵的路鏈。本實施例提供的裝置與交通事件本身沒有直接聯系，因此，適用于各類交通事件，適用性更廣泛，并且預測結果比依賴于交通事件自身特征的方法更準確。

由于交通事件本身就是一種異常事件，異常事件的發(fā)生肯定是少量的，現有技術中基于交通事件自身特征預測交通事件的影響，需要很多的交通事件作為訓練樣本，所以這種方法訓練樣本不足。傳統(tǒng)方法中，一種方式是使用所有交通事件作為某一段路的訓練樣本，但是城市道路的復雜性使這種方法的普適性降低，進而造成預測結果不準確。

交通事件通常會造成擁堵(對并未造成擁堵的交通事件預測影響意義不大)，本發(fā)明中將交通事件對交通的影響理解為擁堵擴散(或者低速擴散)問題，依靠歷史擁堵信息建立歷史模式庫，該歷史模式庫所反映的就是擁堵隨時間的擴散。由于歷史擁堵是一種常規(guī)事件，城市道路每天都在發(fā)生擁堵，因此本發(fā)明提供的這種方法的樣本數據充足。

裝置實施例三：

參見圖6，該圖為本發(fā)明提供的預測交通事件影響的裝置實施例三示意圖。

本實施例提供的裝置，所述第一預測模塊500包括：計算子模塊501和預測子模塊502；

匹配子模塊401，用于通過線性加權計算所述歷史模式庫中與所述當前特征向量歐式距離最近的k個匹配特征向量；k為大于1的整數；所述k個匹配特征向量對應k個預測特征向量；

本實施例中最高相似度匹配以歐式距離最近為例進行匹配。即計算當前特征向量與歷史模式庫中的歷史特征向量之間的歐式距離，獲得k個與當前特征向量距離最近的歷史特征向量。

例如，可以獲得與當前特征向量最近的3個歷史特征向量，即k為3。

需要說明的是，相似度用以衡量個體間差異的大小，包括歐式距離、明可夫斯基距離、曼哈頓距離、向量空間余弦相似度、皮爾森相關系數、Jaccard相似系數。在工程應用中，歐式距離是使用最廣泛的相識度度量方法。

需要說明的是，在進行相似度計算時，為了避免速度高的路鏈占據較大的計算比重，速度低的路鏈占據較小的比重，可以對歷史模式庫中的所有歷史特征向量中的匹配特征向量進行標準化，然后再進行加權歐式距離相似度計算。

例如，標準化可以將每個匹配特征向量進行歸一化，即轉換到0到1的區(qū)間內。比如，假設交通事件發(fā)生路鏈m的速度為5km/h，路鏈m-5速度為70kn/h，歷史模式庫中某一特征向量m的速度為10km/h，m-5的速度為50km/h。此時路鏈m-5的匹配相比路鏈m的匹配在相似度計算時，占據了更大的比重，這樣的情況將會影響最終預測結果的準確度。在標準化之后，所有的值都在0-1的范圍內，所述這種現象將不會存在，從而可以提高相似度計算的準確度，進而有效提高預測結果的準確度。

本實施例提供的方法，在進行相似度匹配時，對歷史特征向量對應的匹配特征向量進行標準化，然后對標準化后的匹配特征向量進行加權歐式距離計算，獲得最終的預測結果。這樣避免了在相似度匹配時，速度較大的路鏈占據較大的比重，這樣有利于提高預測結果的準確性。

所述預測子模塊502，用于由所述k個預測特征向量得到每個路鏈的k個速度，對每個路鏈的k個速度取平均值作為該路鏈預測的速度。

本實施例提供的第一預測模塊500還包括：標準化子模塊503；

所述標準化子模塊503，用于在從歷史模式庫中查找與所述當前特征向量相似度匹配的匹配特征向量，對所述歷史模式庫中的匹配特征向量進行歸一化。

所述計算子模塊501，用于通過線性加權計算所述歷史模式庫中與所述當前特征向量歐式距離最近的k個歸一化后的匹配特征向量；k為大于1的整數；所述k個匹配特征向量對應k個預測特征向量。

對所述k個預測特征向量進行線性加權計算，獲得計算后的預測特征向量為預測的下一周期的以上所有路鏈的速度。

可以理解的是，為了提高交通事件影響的預測準確度，本實施例中基于k個預測特征向量來預測下一周期的路鏈速度，即不僅利用一個預測特征向量，而是利用多個預測特征向量進行加權計算后的結果作為預測的下一周期的路鏈速度。

本實施例提供的裝置，為當前特征向量匹配出多個歷史特征向量，然后對這多個歷史特征向量對應的預測特征向量進行標準化，然后對標準化后的預測特征向量進行加權計算，或者最終的預測結果。這樣通過相似度較高的多個歷史特征向量進行匹配，可以提高預測的準確度。并且為了避免速度較大的路鏈占據較大的權重，在加權計算之間對預測特征向量進行了標準化，這樣有利于提高預測結果的準確性。

以上所述，僅是本發(fā)明的較佳實施例而已，并非對本發(fā)明作任何形式上的限制。雖然本發(fā)明已以較佳實施例揭露如上，然而并非用以限定本發(fā)明。任何熟悉本領域的技術人員，在不脫離本發(fā)明技術方案范圍情況下，都可利用上述揭示的方法和技術內容對本發(fā)明技術方案做出許多可能的變動和修飾，或修改為等同變化的等效實施例。因此，凡是未脫離本發(fā)明技術方案的內容，依據本發(fā)明的技術實質對以上實施例所做的任何簡單修改、等同變化及修飾，均仍屬于本發(fā)明技術方案保護的范圍內。