楊兆升，莫祥倫，于 堯，張 彪

（1.吉林大學(xué) 汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長春 130022；2.吉林大學(xué) 交通學(xué)院，長春 130022）

非常態(tài)事件發(fā)生后，為了確保救災(zāi)工作的順利進(jìn)行，需要根據(jù)實(shí)時(shí)道路交通狀況預(yù)測(cè)路段行程時(shí)間，為疏散和救援車輛提供必要的引導(dǎo)。

現(xiàn)有車輛路段行程時(shí)間（以下簡稱行程時(shí)間）估計(jì)方法，主要是根據(jù)車載GPS發(fā)回的實(shí)時(shí)數(shù)據(jù)，或者根據(jù)交通路側(cè)檢測(cè)設(shè)備獲得的數(shù)據(jù)進(jìn)行行程時(shí)間估計(jì)［1－3］。但是，在非常態(tài)情況下，道路及其承載的交通流情況變化較大，并且伴隨有路側(cè)交通檢測(cè)設(shè)備損毀和GPS數(shù)據(jù)不足的情況，現(xiàn)有的方法不足以準(zhǔn)確估計(jì)路段行程時(shí)間。

本文針對(duì)各類非常態(tài)事件的特性，研究了各類非常態(tài)事件發(fā)生的通用行程時(shí)間估計(jì)流程和方法，并進(jìn)行了試驗(yàn)驗(yàn)證。

1 非常態(tài)事件分類

根據(jù)非常態(tài)事件發(fā)生原因及其可預(yù)知性，可將非常態(tài)事件分為自然災(zāi)害、事故災(zāi)難、社會(huì)生產(chǎn)安全事件等。每種非常態(tài)事件對(duì)交通流會(huì)產(chǎn)生很大的影響和沖擊，即使同類事件內(nèi)不同子類的事件對(duì)交通流的影響也是不同的。交通流是路段行程時(shí)間估計(jì)的主要影響因素，根據(jù)不同非常態(tài)事件對(duì)交通流的影響，將所有非常態(tài)事件進(jìn)行分類。

1.1 疏散型非常態(tài)事件

疏散型非常態(tài)事件是在事件發(fā)生時(shí)，區(qū)域路網(wǎng)呈現(xiàn)大規(guī)模的多D點(diǎn)疏散狀態(tài)的非常態(tài)事件。該類事件多為洪水、地震、泥石流等惡劣自然災(zāi)害。其特點(diǎn)是事件發(fā)生會(huì)在短時(shí)間內(nèi)造成局部地貌的巨大變化，產(chǎn)生道路損毀、房屋倒塌等惡劣后果。在此類事件發(fā)生前根據(jù)預(yù)測(cè)會(huì)進(jìn)行人員疏散，也會(huì)在災(zāi)后組織救援行動(dòng)。這種疏散狀況下，交通流密度大、速度小，伴隨有道路損毀引起的通行能力下降等特點(diǎn)。

1.2 避險(xiǎn)型非常態(tài)事件

避險(xiǎn)型非常態(tài)事件是在事件發(fā)生時(shí)，由于惡劣天氣的影響，人們選擇居家度過該時(shí)段，進(jìn)而區(qū)域道路車輛稀少。該類事件多為暴風(fēng)雪、冰凍、臺(tái)風(fēng)等自然災(zāi)害。其特點(diǎn)是具有一定的持續(xù)性，且不同災(zāi)害會(huì)引起道路通行能力不同程度的下降。此類事件發(fā)生時(shí)，大部分人員均選擇居家避險(xiǎn)，區(qū)域道路交通流稀疏，可是會(huì)有一定量的救援需求。由于災(zāi)害對(duì)能見度、道路摩擦因數(shù)的影響，致使交通流速度較低，并伴隨有路測(cè)交通檢測(cè)設(shè)備檢測(cè)功能下降的情況。

1.3 即時(shí)消散型非常態(tài)事件

即時(shí)消散型非常態(tài)事件是在事件發(fā)生時(shí)，由于道路局部通行能力快速下降，導(dǎo)致小范圍路網(wǎng)交通擁堵，當(dāng)事件快速處理后，堵塞消散。該類事件多為交通事故。其特點(diǎn)是事件的發(fā)生不會(huì)對(duì)人民的生產(chǎn)生活產(chǎn)生重大影響，但也會(huì)有救援需求。此類事件發(fā)生時(shí)局部道路交通流流量大、速度低［4］。

2 非常態(tài)下路段行程時(shí)間估計(jì)流程

正常狀態(tài)下路段行程時(shí)間估計(jì)主要根據(jù)實(shí)時(shí)獲取的GPS數(shù)據(jù)為支持。在非常態(tài)情況下，道路交通流呈現(xiàn)擁擠或稀疏兩種情況，路段上樣本量會(huì)出現(xiàn)不足或者沒有的情況。因此需要考慮與地基型檢測(cè)器監(jiān)測(cè)數(shù)據(jù)的融合。在洪水、地震等破壞地基型檢測(cè)器的非常態(tài)事件中，可參考遙感檢測(cè)結(jié)果進(jìn)行行程時(shí)間估計(jì)。

2.1 路段行程時(shí)間估計(jì)的交通數(shù)據(jù)獲取

目前用于交通信息獲取的檢測(cè)方式主要有地基型檢測(cè)、車基型檢測(cè)和空基型檢測(cè)3種。用于路段行程時(shí)間估計(jì)的方式主要為車基型檢測(cè)和地基型檢測(cè)。隨著GPS技術(shù)的發(fā)展，GPS數(shù)據(jù)行程時(shí)間檢測(cè)精度不斷提高，越來越多的城市交通信息獲取系統(tǒng)中增加了GPS數(shù)據(jù)獲取預(yù)處理［5］。由于車載GPS模塊成本較高，模塊一般強(qiáng)制搭載于出租車、客貨運(yùn)輸車，少部分私家車出于安全考慮也會(huì)選擇搭載車載GPS。遙感數(shù)據(jù)獲取比較昂貴，且在正常情況下地基型和車基型檢測(cè)完全可以滿足路段行程時(shí)間估計(jì)的需求，不會(huì)采用遙感數(shù)據(jù)進(jìn)行融合估計(jì)。

在非常態(tài)情況下，浮動(dòng)車數(shù)據(jù)主要通過無線傳輸，只要道路上有搭載GPS車載機(jī)的車輛運(yùn)行，就有檢測(cè)數(shù)據(jù)?？墒请S著非常態(tài)下交通流變化的情況會(huì)有樣本量的波動(dòng)，從而導(dǎo)致檢測(cè)結(jié)果失精，需要有其他類型檢測(cè)數(shù)據(jù)進(jìn)行融合才能完成行程時(shí)間估計(jì)。此時(shí)地基型檢測(cè)設(shè)備可能因?yàn)榉浅B(tài)事件而產(chǎn)生功能上的下降或者完全失靈:在冰雪、大霧情況下某些檢測(cè)設(shè)備會(huì)因?yàn)闇囟群湍芤姸鹊纫蛩氐挠绊懚鴮?dǎo)致檢測(cè)功能下降；在地震、洪水等災(zāi)害情況下由于電力、通信線路損毀造成檢測(cè)器直接破壞進(jìn)而失靈?？栈蜋z測(cè)可以在地基型檢測(cè)設(shè)備失靈的情況下與GPS數(shù)據(jù)融合估計(jì)行程時(shí)間［6－9］。

2.2 路段行程時(shí)間估計(jì)流程

非常態(tài)下路段行程時(shí)間估計(jì)是以GPS數(shù)據(jù)為主，輔助以地基型檢測(cè)數(shù)據(jù)和遙感數(shù)據(jù)。獲得GPS數(shù)據(jù)首先要進(jìn)行樣本量的判定，樣本量充足時(shí)直接基于GPS數(shù)據(jù)進(jìn)行行程時(shí)間估計(jì)。當(dāng)樣本量不足時(shí)，采用樣本量不足情況時(shí)的基于GPS數(shù)據(jù)的行程時(shí)間估計(jì)方法。同時(shí)啟用地基檢測(cè)數(shù)據(jù)，首先判斷地基檢測(cè)數(shù)據(jù)的可靠性，數(shù)據(jù)可靠時(shí)直接進(jìn)行基于地基型數(shù)據(jù)的行程時(shí)間估計(jì)，并且與樣本量不足情況下的行程時(shí)間估計(jì)結(jié)果進(jìn)行融合；當(dāng)數(shù)據(jù)不可靠時(shí)，啟用遙感數(shù)據(jù)進(jìn)行道路的密度提取，并與GPS數(shù)據(jù)進(jìn)行聯(lián)合估計(jì)，得到最終的行程時(shí)間估計(jì)結(jié)果。行程時(shí)間估計(jì)流程如圖1所示。

圖1 非常態(tài)下行程時(shí)間估計(jì)流程Fig.1 Process of estimation of travel time under abnormal state

3 非常態(tài)下路段行程時(shí)間估計(jì)的關(guān)鍵技術(shù)

3.1 基于GPS數(shù)據(jù)的路段行程時(shí)間估計(jì)的樣本量判定

非常態(tài)情況下，交通流以大流量和小流量兩種極端的形式出現(xiàn)。交通流總體的特性可以用GPS數(shù)據(jù)樣本來反映，交通流速度和車輛行程時(shí)間及它們的變化有直接關(guān)系，估計(jì)結(jié)果精確性與其數(shù)量的大小有直接關(guān)系。路段行程時(shí)間估計(jì)的精確程度更依賴于GPS樣本量的大?。?0］。本研究采用統(tǒng)計(jì)學(xué)方法，從路段內(nèi)車輛行程時(shí)間角度出發(fā)考慮樣本量:

式中:t為GPS數(shù)據(jù)采樣間隔；σ為行程時(shí)間方差；t?／2為正態(tài)分布的雙側(cè)百分位點(diǎn)；ψ為路段浮動(dòng)車行程時(shí)間估計(jì)允許的相對(duì)誤差，%。

現(xiàn)實(shí)中cv值難以控制，本文采用Shawn M Turner給出的一個(gè)計(jì)算公式［11］:

實(shí)例計(jì)算:設(shè)置信區(qū)間為90%，系統(tǒng)的相對(duì)誤差為5%，路段平均速度約為60km／h，通過計(jì)算得最小樣本量應(yīng)在400以上。

3.2 基于GPS數(shù)據(jù)的路段行程時(shí)間估計(jì)方法

3.2.1 樣本量充足時(shí)路段行程時(shí)間估計(jì)方法

假設(shè)浮動(dòng)車的車輛性能、型號(hào)完全一致，車輛的運(yùn)行速度只與交通流有關(guān)系。

根據(jù)道路的特點(diǎn)，首先需要將路段劃分為幾個(gè)子路段，每個(gè)子段為500～700m。設(shè)第i路段上第j小區(qū)段的車輛數(shù)為，路段每個(gè)小區(qū)段的平均速度為

為了保證準(zhǔn)確性，首先驗(yàn)證幾個(gè)子段的速度是否在均值的置信區(qū)間內(nèi)，如果在，則剔除噪聲后進(jìn)行均值計(jì)算，否則分別計(jì)算幾個(gè)子段的平均速度后再進(jìn)行累計(jì)計(jì)算。整個(gè)區(qū)段的平均速度為

假設(shè)浮動(dòng)車速度是均值為v－i的正態(tài)分布，則方差為

式中:L為所估計(jì)路段的長度。

3.2.2 樣本不足時(shí)路段行程時(shí)間估計(jì)方法

在樣本量不足時(shí)，原始的平均行程時(shí)間計(jì)算方法的精度大大下降。主要是由于當(dāng)樣本量不足時(shí)會(huì)出現(xiàn)樣本分布不均，從而導(dǎo)致局部的樣本數(shù)量過少而不能反映路段上的交通情況，針對(duì)這種情況，提出了以下的解決方法。

當(dāng)樣本量不足時(shí)，根據(jù)路段上單個(gè)或幾個(gè)浮動(dòng)車的數(shù)據(jù)計(jì)算浮動(dòng)車的平均行程時(shí)間。

設(shè)t時(shí)刻浮動(dòng)車的瞬時(shí)速度為Vt，t＋1時(shí)刻浮動(dòng)車的瞬時(shí)速度為Vt＋1，浮動(dòng)車的數(shù)據(jù)提取周期為Δt。則浮動(dòng)車的運(yùn)行平均速度為

針對(duì)連續(xù)的幾個(gè)時(shí)刻的Δv進(jìn)行分析:

（1）當(dāng)Δv全部大于0或者全部小于0時(shí)，說明浮動(dòng)車在減速或加速行駛。此時(shí)理論的運(yùn)行時(shí)間為

式中:Δa為平均加速度，Δa＝∑（vt＋1－vt）／（n－1）。

該方法用區(qū)域的速度估計(jì)整個(gè)路段的速度，具有一定的誤差。速度變化是一個(gè)固定的函數(shù)f（x），而此方法將速度的變化看成是勻加速或者勻減速的過程，因此導(dǎo)致運(yùn)行事件和實(shí)際的運(yùn)行事件存在系統(tǒng)誤差，比較T與tt－t1計(jì)算系統(tǒng)誤差與隨機(jī)誤差之和為

式中:ε為系統(tǒng)誤差；φ為隨機(jī)誤差。

在交通系統(tǒng)中，隨機(jī)誤差是不可避免的，誤差的發(fā)生和大小不可控制。在此不考慮隨機(jī)誤差的發(fā)生，則:

整個(gè)路段的行程時(shí)間為

式中:L1為浮動(dòng)車T時(shí)刻的位置到路段終點(diǎn)的距離；L2為浮動(dòng)車起點(diǎn)時(shí)刻到路段起點(diǎn)的距離。

當(dāng)路段上有幾個(gè)速度采集點(diǎn)時(shí)，平均的行程時(shí)間為

（2）當(dāng)Δv在0上下浮動(dòng)時(shí)，認(rèn)為此時(shí)車輛勻速行駛，其速度為

當(dāng)路段上有幾個(gè)速度采集點(diǎn)時(shí)車輛的平均速度為

車輛的路段的平均行程時(shí)間為

3.3 路段行程時(shí)間估計(jì)融合方法

本研究采用基于BP神經(jīng)網(wǎng)絡(luò)的融合模型。模型輸入為基于GPS數(shù)據(jù)的行程時(shí)間估計(jì)、GPS樣本量、基于地基檢測(cè)的行程時(shí)間估計(jì)、交通量；輸出為行程時(shí)間檢測(cè)結(jié)果。神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和隱含層組成。隱含層可以為多層結(jié)構(gòu)，隱含層越復(fù)雜，相對(duì)的融合結(jié)果越準(zhǔn)確，計(jì)算速度也越低。行程時(shí)間估計(jì)需要保證其時(shí)效性，時(shí)滯過長，提供給駕駛員的信息誤導(dǎo)性增強(qiáng)。本文采用只具有一個(gè)隱含層的BP神經(jīng)網(wǎng)路。輸入節(jié)點(diǎn)4個(gè)，輸出節(jié)點(diǎn)1個(gè)，隱含節(jié)點(diǎn)15個(gè)。具體結(jié)構(gòu)形式如圖2所示。

圖2 行程時(shí)間融合神經(jīng)網(wǎng)絡(luò)Fig.2 Neural network of travel time fusing

4 仿真驗(yàn)證及結(jié)果分析

非常態(tài)事件發(fā)生隨機(jī)性強(qiáng)，很難把握事件的發(fā)生時(shí)間，即使采集到事件發(fā)生時(shí)影響區(qū)域內(nèi)的交通信息，路段行程時(shí)間也無參照值。本文采用仿真的方式建立路網(wǎng)，模擬了交通事故和大霧天氣兩種非常態(tài)事件，并在此條件下對(duì)本文方法進(jìn)行了驗(yàn)證。

采用Paramics仿真軟件，以山東德州城區(qū)為模擬對(duì)象構(gòu)建路網(wǎng)（如圖3所示），設(shè)置地基型檢測(cè)器，采集單車速度，保證信息檢測(cè)源。Paramics可以改變道路通行能力、車流速度。在交通事故模擬過程中，設(shè)置某地點(diǎn)的道路通行能力在仿真3h時(shí)突然下降，經(jīng)過1.5h后恢復(fù)，模擬交通事故對(duì)道路通行能力的短時(shí)影響。在大霧天氣模擬過程中，設(shè)置在仿真3h時(shí)整個(gè)路網(wǎng)車輛運(yùn)行速度緩慢減低，經(jīng)過1h后車輛運(yùn)行速度再緩慢恢復(fù)到原值。

圖3 仿真路網(wǎng)圖Fig.3 Simulation map

基于時(shí)間序列的自回歸積分滑動(dòng)平均模型（Auto－regressive integrated moving average，ARIMA）是一種應(yīng)用最為廣泛的時(shí)間序列模型。該模型不像其他時(shí)間序列方法一樣需要固定的初始化模擬。它將某一時(shí)刻的交通流量看成是更為一般的非平穩(wěn)隨機(jī)序列。ARIMA模型行程時(shí)間估計(jì)方法是一種采用GPS實(shí)時(shí)數(shù)據(jù)的行程時(shí)間估計(jì)方法。它基于歷史數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)，來預(yù)測(cè)各路段下一時(shí)段的路段行程時(shí)間。

最后，將采用本文行程時(shí)間估計(jì)方法和ARIMA模型行程時(shí)間估計(jì)方法估計(jì)的路段行程時(shí)間與路段實(shí)際行程時(shí)間作比較。

4.1 交通事故仿真驗(yàn)證

假定德州市德城區(qū)湖濱大道發(fā)生交通事故，事故等級(jí)為一般級(jí)（IV級(jí)），事故的持續(xù)時(shí)間大概是1.5h。發(fā)生交通事故導(dǎo)致天衡路、三八路、東方紅西路和湖濱大道方向上發(fā)生擁堵，非常態(tài)事件影響區(qū)域示意圖如圖4所示。

圖4 交通事故影響區(qū)域路網(wǎng)Fig.4 Road network of impact area of traffic accident

事故發(fā)生45min時(shí)，采用本文方法和ARIMA模型計(jì)算路段1～10的行程時(shí)間并進(jìn)行對(duì)比，結(jié)果如表1所示。

由表1可知，ARIMA模型算法整體上低于參照的行程時(shí)間，是由于常用的方法適用于交通流順暢穩(wěn)定時(shí)的行程時(shí)間估計(jì)，當(dāng)用于交通事故這種非常態(tài)事件下時(shí)，會(huì)導(dǎo)致常用方法估計(jì)的速度值偏高，進(jìn)而導(dǎo)致行程時(shí)間的整體偏低。選用本文方法的估計(jì)值在參照值附近波動(dòng)，且波動(dòng)幅度不是很大，可見本文方法可以適用于道路交通擁擠時(shí)的非常態(tài)事件的行程時(shí)間估計(jì)。

表1 模擬交通事故45min時(shí)行程時(shí)間對(duì)比Table 1 Simulation of traffic accident 45minutes travel time contrast

4.2 大霧天氣仿真驗(yàn)證

假定德州區(qū)禹城市中路和富華街發(fā)生大霧，這次非常態(tài)事件的持續(xù)時(shí)間大概為1h。機(jī)動(dòng)車出行較少，行駛速度比較低。大霧事件影響區(qū)域示意圖如圖5所示。

圖5 大霧影響區(qū)域路網(wǎng)Fig.5 Road network of fog－affected area

事故發(fā)生30min時(shí)，采用本文方法和ARIMA模型計(jì)算路段1～10的行程時(shí)間并進(jìn)行對(duì)比，結(jié)果如表2所示。由表2可以看出:ARIMA模型算法的估計(jì)值在參照值附近波動(dòng)，本文方法的估計(jì)值的波動(dòng)比參照值要小，因此本文方法在流量小時(shí)可以準(zhǔn)確地完成路段行程時(shí)間估計(jì)。

表2 模擬大霧30min時(shí)行程時(shí)間對(duì)比Table 2 Fog simulation 30minutes travel time comparison

5 結(jié)束語

針對(duì)非常態(tài)事件對(duì)道路交通運(yùn)行和交通信息檢測(cè)設(shè)備的影響，設(shè)計(jì)了一種新的適應(yīng)于各類非常態(tài)事件的路段行程時(shí)間估計(jì)方法。該方法通過綜合各類檢測(cè)方式獲取交通流信息，改變了以往估計(jì)方法不適于非常態(tài)事件的情況。最后通過仿真的方式對(duì)本文方法的可靠性進(jìn)行了驗(yàn)證。結(jié)果表明，該方法可較為準(zhǔn)確地估計(jì)各類非常態(tài)事件下的路段行程時(shí)間，為非常態(tài)事件下路段行程時(shí)間估計(jì)提供了一種有效的方法。

［1］Chen M，Chien S I J.Dynamic freeway travel－time prediction with probe vehicle data:link based versus path based［C］∥Transportation Research Board，Washington DC，USA，2001:157－161.

［2］Nath R P D，Hyun－Jo L，Nihad K C，et al.Modified k－means clustering for traveltime prediction based on historical trafic data［C］∥Proceedings of the 14th International Conference on Knowledge－based and Intelligent Information and Engineering Systems:Part I，Berlin，Heidelberg，2010:511－521.

［3］楊兆升.關(guān)于智能運(yùn)輸系統(tǒng)的關(guān)鍵理論——綜合路段行程時(shí)間預(yù)測(cè)研究［J］.交通運(yùn)輸工程學(xué)報(bào)，2001，1（1）:64－66.Yang Zhao－sheng.Study on the synthetic link travel time prediction model of key theory of ITS［J］.Journal of Traffic and Transportation Engineering，2001，1（1）:64－66.

［4］姜桂艷，常安德，張瑋.基于GPS浮動(dòng)車的路段行程時(shí)間估計(jì)方法比較［J］.吉林大學(xué)學(xué)報(bào):工學(xué)版，2009，39（2）:182－186.Jiang Gui－yan，Chang An－de，Zhang Wei.Comparison of link travel－time estimation methods based on GPS equipped floating car［J］.Journal of Jilin University（Engineering and Technology Edition），2009，39（2）:182－186.

［5］于德新，高學(xué)英，楊兆升.基于GPS數(shù)據(jù)及車輛運(yùn)行特性分析的單車路段行程時(shí)間估計(jì)［J］.吉林大學(xué)學(xué)報(bào):工學(xué)版，2010，40（4）:965－970.Yu De－xin，Gao Xue－ying，Yang Zhao－sheng.Individual vehicle travel－time estimation based on GPS data and analysis of vehicle running characteristics［J］.Journal of Jilin University（Engineering and Technology Edition），2010，40（4）:965－970.

［6］張和生，張毅，胡東成.路段平均行程時(shí)間估計(jì)方法［J］.交通運(yùn)輸工程學(xué)報(bào)，2008，8（1）:89－95.Zhang He－sheng，Zhang Yi，Hu Dong－cheng.Estimation method of average travel time f or road sections［J］.Journal of Traffic and Transportation Engineering，2008，8（1）:89－95.

［7］李筱菁，孟慶春，魏振鋼，等.GPS技術(shù)在城市交通狀況實(shí)時(shí)檢測(cè)技術(shù)中的應(yīng)用［J］.青島海洋大學(xué)學(xué)報(bào)，2002，32（3）:475－481.Li Xiao－jing，Meng Qing－chun，Wei Zhen－gang，et al.The applications of GPS technology in the real－timedetection of city traffic condition to GPS［J］.Journal of O－cean University of Qingdao，2002，32（3）:475－481.

［8］朱中，楊兆升.基于卡爾曼濾波理論的實(shí)時(shí)行程時(shí)間預(yù)測(cè)模型［J］.系統(tǒng)工程理論與實(shí)踐，1999，19（9）:74－78.Zhu Zhong，Yang Zhao－sheng.A real－time travel time estimation model based on the Kalman filtering theory for traffic flow guidance system［J］.Systems Engineering－Theory＆Practice，1999，19（9）:74－78.

［9］董紅召，吳方國.基于FCM的路段平均行程時(shí)間估計(jì)［J］.科技交通，2011，27（3）:426－430.Dong Hong－zhao，Wu Fang－guo.Estimation of average link travel time using Fuzzy C－Mean［J］.Builetin of Science and Technology，2011，27（3）:426－430.

［10］王力，張海，余貴珍，等.移動(dòng)交通流檢測(cè)技術(shù)探測(cè)車樣本比例模型研究［J］.交通運(yùn)輸系統(tǒng)工程與信息，2007，7（5）:31－36.Wang Li，Zhang Hai，Yu Gui－zhen，et al.The study of probe sample size model of the probe vehicle technology［J］.Journal of Transportation Systems Engineering and Information Technology，2007，7（5）:31－36.

［11］Jiang Gui－yan，Gang Long－h(huán)ui，Cai Zhi－li.Impact of probe vehicles sample size on link travel time estimation［C］∥2006IEEE Intelligent Transportation Systems Conference，Toronto，Canada，2006:505－509.