1.一种基于高斯混合模型的路段出行时间预测方法，其特征在于，包括如下步骤：通过检测器，分别采集道路网络中轨迹已知的观察路径出行时间 和道路网络中轨迹未知的观察路径出行时间

对于道路网络中轨迹未知的观察路径出行时间 建立高斯混合模型，用于识别轨迹未知的观察路径轨迹；所述建立高斯混合模型具体为：约束条件：

其中：

I为轨迹未知的观察路径编号集合，i∈I；

为第i个轨迹未知的观察路径出行时间；

W为起讫点对的集合，ω∈W；

ω ω

K 为起讫点对ω间的路径集，k∈K ；

为起讫点对ω间路径k上估计出行时间的均值；

为起讫点对ω间路径k上估计出行时间的方差；

为均值 方差 的高斯分布在 处的概率密度函数；

为起讫点对ω间路径k上的混合权重系数；

基于高斯混合模型得出道路网络中轨迹识别后的路径出行时间xi的关系式，具体为：其中：

为起讫点对ω间路径k上估计的出行时间与第i个轨迹未知的观察路径时间的比例；

xi为第i个轨迹未知的观察路径识别后的路径出行时间，且xi与 的起终点相同；

通过最大似然原则，建立基于高斯混合模型的路段出行时间预测模型，具体为：‑其中：

2

σi为第i个轨迹未知的观察路径的出行时间方差，为起讫点对ω间路径k上估计出行时间的均值，2

σj为第j个轨迹已知的观察路径的出行时间方差，yj为第j个轨迹已知的观察路径的估计出行时间，为第j个轨迹已知的观察的路径出行时间；

J为轨迹已知的观察路径编号集合，j∈J；

A为所述道路网络中的所有路段的集合，a∈A；

2

σa为在路段a上的出行时间方差；

μa为在路段a上的出行时间均值；

δa,i为路径‑路段关联系数，如果路段a在轨迹未知的观察路径i上，则δa,i＝1，否则δa,i＝0；

δa,j为路径‑路段关联系数，如果路段a在轨迹已知的观察路径j上，则δa,j＝1，否则δa,j＝0；

为路径‑路段关联系数，起讫点对ω间，如果路段a在路径k上，则 否则通过最速下降方法和最大期望方法求解路段出行时间预测模型，获得路段出行时间。

2.根据权利要求1所述的基于高斯混合模型的路段出行时间预测方法，其特征在于，通过车辆定位或手机定位，采集道路网络中轨迹已知的观察路径出行时间 其中J为轨迹已知的观察路径编号集合。

3.根据权利要求1所述的基于高斯混合模型的路段出行时间预测方法，其特征在于，通过车牌照识别技术或手机通话数据，采集道路网络中轨迹未知的观察路径出行时间其中I为轨迹未知的观察路径编号集合。

4.根据权利要求1所述的基于高斯混合模型的路段出行时间预测方法，其特征在于，通过最速下降方法和最大期望方法求解路段出行时间预测模型，获得路段出行时间，具体包括如下步骤：

(0) 2

S1：设置初始迭代参数：初始化迭代数n＝0，设置路段出行时间均值μa 和方差(σa(0)

) ，收敛精度设为：e＝0.001；采集的轨迹已知路径出行时间 轨迹未知的路径出行时间(n)

S2：计算梯度方向R ，具体为：S2.1：设置内循环迭代数m＝0，设置第n次迭代中起讫点对ω间路径k上估计出行时间的均值 设置第n次迭代中起讫点对ω间路径k上估计出行时间的方差 设置第n次迭代中起讫点对ω间路径k上的混合权重系数S2.2：计算第n次迭代中内循环迭代数为m时起讫点对ω间路径k上估计的出行时间与第i个轨迹未知的观察路径时间的比例S2.3：根据第n次迭代中内循环迭代数为m时 假设第n次迭代中内循环迭代数为m时路径出行时间方差 为常数，求解 来更新得到路径出行时间均值 视当前路径出行时间均值 为常数，求解来更新得到路径出行时间方差 根据Karush‑Kuhn‑Tucker最优性条件，更新混合权重系数

ω ω ω

其中：I 为起讫点对ω间轨迹未被观察的路径集，|I |为集合I 的势；

S2.4：当 最大期望方法结束，输出路径出行时间均值(n)

和方差 计算路段出行时间预测模型的梯度方向R ；否则，令m＝m+1，转到步骤S2.2；

(n)

S3：运用一维搜索方法获得迭代步长λ ；

S4：更新路段出行时间均值和方差：(n+1) 2 (n+1) (n) 2 (n) (n) (n)(μa ,(σa) )＝(μa ,(σa) )‑λ ·R(n+1) 2 (n+1) (n) 2 (n) (n) 2 (n)S5：收敛检验：如果||(μa ,(σa) )‑(μa ,(σa) )||/||(μa ,(σa) )||≤e，那(n+1) 2 (n+1) (n+1)么(μa ,(σa) )就是预测的路段出行时间均值和方差，μa 即为估计的路段出行时间；否则，令n＝n+1，转到步骤S2。