0 引言
确定了用户的出发地和目的地后，准确预测各条可能路线未来某段时间(行驶到达路段时)的交通状况，可以为用户推荐最优出行线路，减少行驶时间，也方便用户私家车与公共交通的选择。某段线路上的行驶时间应综合考虑以下几个因素：路线本身的情况、行驶到该路线上时的交通流量和驾驶员的驾驶习惯等。当前对交通状况、路线推荐的研究主要有以下几类：(1)基于交通分析的方法[1-2]：通过道路上的识别器及车流量信息，通过“识别器-车流量-行驶方向”的范式来研究交通状况推荐路线，这种方法准确性的前提是要有足够的识别器和车流量信息，数据获取比较困难[3]。通过获取车辆信息，估计实时交通流量，预测将来的交通状况[4-6]，其基于路段的分析需要借助大量数据进行分析，当采样率低、数据稀疏时无法准确估计。(2)基于交通模式学习的方法：给出了概率为基础的方法，通过用户历史GPS轨迹数据，预测驾驶员的目的地和行车路径[7-8]。其通过学习GPS轨迹数据来获取驾驶和速度模式计算最快路线[9-10]。(3)智能推荐：试图挖掘驾驶员道路选择的倾向，通过人机交互或推理模型推荐个性化路线，其推荐路线没有随行驶时间而优化[11]。其通过GPS轨迹数据，寻找关键节点和关键路线，结合用户行为，推荐最快线路[12-13]。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004271。
作者信息：
周明升1，刘抒扬2
(1.上海外高桥保税区联合发展有限公司，上海200131；2.上海商学院 商务信息学院，上海201400)
此内容为AET网站原创，未经授权禁止转载。
