车辆行车路线预测通知方法及移动智能终端

1.车辆行车路线预测通知方法，其特征在于：包括
移动智能终端记录车辆的行驶轨迹；
移动智能终端和/或服务器根据所述行驶轨迹计算生成车辆行驶的路线信息以及车辆在该路线行驶的行车时长信息；
移动智能终端在车辆启动后判断车辆位于所述行车路线的起始位置范围内时，将所述路线信息及行车时长信息作为预测的行车路线及行车时长，并将所述路线信息和/或所述行车时长信息发送至不同于所述移动智能终端的指定的终端设备；
所述移动智能终端向所述终端设备发送所述行车时长信息后，判断是否接收到堵塞信息，如接收到，根据所述堵塞信息重新计算行车时长信息，并将重新计算后的行车时长信息发送至所述终端设备。
2.根据权利要求1所述的车辆行车路线预测通知方法，其特征在于：
计算生成车辆行驶的路线信息的步骤包括：根据所述行驶轨迹计算行车路径，并将具有相同行车起止位置的多条所述行车路径合并形成所述行车路线信息。
3.根据权利要求2所述的车辆行车路线预测通知方法，其特征在于：
所述行车路线信息为选择性行车路线信息。
4.根据权利要求1至3任一项所述的车辆行车路线预测通知方法，其特征在于：
所述移动智能终端或服务器生成所述路线信息后，判断计算行车路线的周期性，生成所述路线信息的周期信息；
所述移动智能终端判断车辆是否位于所述行车路线的起始位置范围内前，判断当前日期和/或时间是否在所述路线信息对应的所述周期信息的范围内，如是，执行路线预测步骤，否则，不执行所述路线预测步骤。
5.根据权利要求4所述的车辆行车路线预测通知方法，其特征在于：
所述周期信息至少包括按天周期信息或按周周期信息或按天间隔周期信息或按段周期信息或按月周期信息。
6.移动智能终端，其特征在于：包括
行驶轨迹记录模块，用于记录车辆的行驶轨迹；
行车路线计算模块，根据所述行驶轨迹计算生成车辆行驶的路线信息以及车辆在该路线行驶的行车时长信息；
预测通知模块，在车辆启动后判断车辆位于所述行车路线的起始位置范围内时，将所述路线信息及行车时长信息作为预测的行车路线及行车时长，并将所述路线信息和/或所述行车时长信息发送至不同于所述移动智能终端的指定的终端设备；
堵塞判断模块，计算车辆在行车路线的至少部分路段的行车时长大于平均行车时长的预定值时输出堵塞信息。
7.根据权利要求6所述的移动智能终端，其特征在于：
所述行车路线计算模块具有路径合并模块，用于根据所述行驶轨迹计算行车路径，并将具有相同行车起止位置的多条所述行车路径合并形成所述行车路线信息。
8.根据权利要求6或7所述的移动智能终端，其特征在于：
所述行车路线计算模块具有周期性计算模块，用于计算行车路线的周期性，生成所述路线信息的周期信息。

车辆行车路线预测通知方法及移动智能终端 \n技术领域\n[0001] 本发明涉及移动通讯领域，尤其是一种能对车辆行车路线进行预测、通知的移动智能终端以及这种移动智能终端对车辆行车路线预测、通知的方法。\n背景技术\n[0002] 随着汽车的普及，人们经常选择驾车出行。人们驾车时经常还有导航装置，如设置在移动智能终端上的导航软件等实现导航功能，以便正确识别行驶的方向。现有的导航装置大多是由驾驶员手动输入车辆的出发地以及目的地，导航装置根据地理信息系统（GIS）选择一条或多条行车路线，驾驶员可以选取其中的一条行车路线并由导航装置进行导航。\n[0003] 然而，现有的导航装置仅仅是提供可选的路线以及对驾驶员选取的路线进行导航，对行车时长只是进行简单预测，而且不能及时将所选取的路线以及预测的行车时长通知需要获得这些信息的其他人员。然而，在现实生活中，人们出行过程中会有相关特定人员在本次车辆途径或到达的地点等候，这部分特定人员往往迫切需要知道本次车辆的行车路线以及预计到达时间，而且希望预计到达时间越准确越好。但是，现有的导航装置不能很好的满足上述需求。\n[0004] 此外，现有的导航装置均需要驾驶员手动地输入目的地，无法对目的地进行预测判断，也给驾驶员的使用带来不便。同时，现有的导航装置不会对行车路线中的状况进行预测，如果所需要经过的行车路线中有路段发生堵塞情况，驾驶员也不能获得准确、量化的交通堵塞信息，也给人们出行导致不便。\n[0005] 另外，现有的一些公交车安装有监控装置，监控装置能够监控公交车的行车路线，并将公交车行驶的实施状况发送至后台服务器，后台服务器根据公交车的行驶状态预测公交车到达特定公交车站的时间，并将预测的时间显示在特定的显示装置上。\n[0006] 但是，用于公交车上的监控装置并不对公交车的行车路线进行计算与预测，因为公交车的行车路线是固定的，且后台服务器是预先存储公交车的行车路线，该行车路线是预先人为地输入到后台服务器中，对于行车路线并不固定的私人车辆，上述监控装置及系统并不适用。\n发明内容\n[0007] 本发明的主要目的是提供一种能让特定的人员及时了解车辆行驶状况的车辆行车路线预测通知方法。\n[0008] 本发明的另一目的是提供一种对车辆行车路线进行计算并预测的移动智能终端。\n[0009] 为了实现上述的主要目的，本发明提供的车辆行车路线预测通知方法包括移动智能终端记录车辆的行驶轨迹，移动智能终端和/或服务器根据行驶轨迹计算生成车辆行驶的路线信息以及车辆在该路线行驶的行车时长信息，移动智能终端在车辆启动后判断车辆位于行车路线的起始位置范围内时，将路线信息及行车时长信息作为预测的行车路线及行车时长，并将预测的路线信息和/或行车时长信息发送至指定的终端设备。\n[0010] 由上述方案可见，该方法对车辆行驶的路线进行计算，并保存历史行车路线，根据历史行车路线预测车辆的行车路线，并将行车路线以及行车时长等信息发送至特定的终端设备，可以及时告知特定的人员车辆行驶状况，有利于相关人员及时了解车辆的行驶状况。\n[0011] 一个优选的方案是，移动智能终端或服务器生成路线信息后，判断行车路线的周期性，生成路线信息的周期信息；移动智能终端判断车辆是否位于行车路线的起始位置范围内前，判断当前日期和/或时间是否在路线信息对应的周期信息的范围内，如是，执行路线预测步骤，否则，不执行路线预测步骤。\n[0012] 由此可见，移动智能终端或后台服务器对行车路线进行周期性分析，能够获得更为精细的数据，对于车辆的行车路线以及行车时长的预测更为准确，也有利于相关人员准确地了解车辆行驶状况的信息。\n[0013] 进一步的方案是，移动智能终端向终端设备发送行车时长信息后，判断是否接收到堵塞信息，如接收到，根据堵塞信息重新计算行车时长信息，并将重新计算后的行车时长信息发送至终端设备。\n[0014] 可见，移动智能终端在接收堵塞信息后重新计算行车时长并发送至终端设备，能够让相关人员及时了解车辆行驶的实时状况。\n[0015] 为实现上述的另一目的，本发明提供的移动智能终端包括用于记录车辆的行驶轨迹的行驶轨迹记录模块、根据行驶轨迹计算生成车辆行驶的路线信息以及车辆在该路线行驶的行车时长信息的行车路线计算模块以及预测通知模块，用于在车辆启动后判断车辆位于行车路线的起始位置范围内时，将路线信息及行车时长信息作为预测的行车路线及行车时长，并将预测的路线信息和/或行车时长信息发送至指定的终端设备。\n[0016] 由上述方案可见，移动智能终端记录车辆的行驶轨迹并由此计算行车路线，同时记录并保存历史行车路线，并根据历史行车路线对车辆的行车路线进行预测，同时将预测的信息发送至特定的终端设备，以便特定的人员及时了解车辆的行驶状况。\n[0017] 进一步的方案是，行车路线计算模块具有周期性计算模块，用于计算行车路线的周 期性，生成路线信息的周期信息。\n[0018] 由此可见，移动智能终端可以根据周期信息更准确地预测车辆的行车路线，对行车时长的预测也更为准确，有利于相关人员更准确地了解车辆行驶状况。\n附图说明\n[0019] 图1是本发明移动智能终端实施例与服务器、终端设备连接的示意图。\n[0020] 图2是本发明移动智能终端实施例的结构示意框图。\n[0021] 图3是本发明车辆行车路线预测通知方法实施例的流程图。\n[0022] 图4是本发明车辆行车路线预测通知方法实施例中行车次数数组与行驶轨迹数组的示意图。\n[0023] 图5是本发明车辆行车路线预测通知方法实施例中一条行驶轨迹的示意图。\n[0024] 图6是本发明车辆行车路线预测通知方法实施例中一条行车路径的示意图。\n[0025] 图7是本发明车辆行车路线预测通知方法实施例中另一条行车路径的示意图。\n[0026] 图8是本发明车辆行车路线预测通知方法实施例中行车路线的示意图。\n[0027] 图9是本发明车辆行车路线预测通知方法实施例中合并后的行车路线的示意图。\n[0028] 图10是本发明车辆行车路线预测通知方法实施例中计算行车周期的流程图。\n[0029] 以下结合附图及实施例对本发明作进一步说明。\n具体实施方式\n[0030] 本发明的车辆行车路线预测通知方法涉及多个设备，如图1所示，本方法涉及一个以上的移动智能终端10、20、21等，移动智能终端可以是智能手机，也可以是其他便携式的智能设备，如平板电脑、便携式的智能音乐播放器、智能游戏机等。当然，还可以是车载导航装置，如车载GPS导航仪等。\n[0031] 可选地，本方法还使用到一个后台服务器22，移动智能终端10、20、21可以通过无线通信的方式与后台服务器22进行无线通信，将移动智能终端10、20、21记录的信息发送至后台服务器22，或者从后台服务器22获取其计算、分析的数据。\n[0032] 并且，本方法还涉及一个或多个终端设备，如手机23、24或者打印设备25等，移动智能终端10、20、21将预测或计算的信息通过无线通信方式发送至终端设备上，由终端设备发出提醒信息，如通过显示屏显示车辆的行车路线或预测的行车时长，或者通过打印设备25将预测的信息打印出来。当然，终端设备还可以是诸如智能空调等电器设备，例如在行车时长剩余20分钟时，移动智能终端向智能空调发送信息，空调接收到信息后自动开启。\n[0033] 参见图2，移动智能终端10设置有行驶轨迹记录模块11、行车路线计算模块12、预测通知模块13以及堵塞判断模块14，其中行车路线计算模块12内设有路径及时长计算模块15、路径合并模块16、周期性计算模块17，下面将结合车辆行车路线预测通知方法来具体说明上述各个模块的工作原理。\n[0034] 参见图3，移动智能终端10首次工作时，需要记录车辆的行驶轨迹，如图4所示，行驶轨迹记录模块11建立两个数组，分别是行车次数数组以及行驶轨迹数组。当车辆出发时，行驶轨迹记录模块11开始执行步骤S 1，记录行驶轨迹的数据，其使用卫星定位设备记录车辆行驶轨迹。当车辆熄火停车后，结束行驶轨迹数据的记录操作。\n[0035] 行驶轨迹数组记录了车辆行驶过程中在每个时间点所在位置，其共由四列数据组成：序号、时间点、经度和纬度，其中经纬度坐标是根据卫星定位系统获得，时间点是获取经纬度坐标的时间点，序号是数组的索引值，以1开始的自增长数值。\n[0036] 行车次数数组中的每一条记录代表一次车辆行驶过程从开始出发到车辆停车熄火这一过程对应的行驶轨迹数组中的开始位置和结束位置，行车次数数组中的第一列和第二列保存的是行驶轨迹数组的序号索引，第一列的数值表示出发时车辆所在位置对应的行驶轨迹数组索引,第二列的数值表示到达目的地时车辆所在位置对应的行驶轨迹数组索引。\n[0037] 在行驶轨迹记录模块11判断需要记录行驶轨迹数据时，在行驶轨迹数组中增加一条记录，把当前经纬度坐标、当前时间填写到记录行驶轨迹数组的记录中。同时在行车次数组中也相应地增加一条记录，将行驶轨迹数组的第一条记录的序号写入到行车次数数据对应记录的第1列。\n[0038] 车辆行驶过程中，行驶轨迹记录模块11定期获取当前经纬度坐标、时间并增加到行驶轨迹数组中，每一次获取的经纬度、时间均形成一条记录保存在行驶轨迹数组中。当行驶轨迹记录模块11判断车辆熄火时，读取行驶轨迹数组中的最后一条记录的序号并将该序号写入到行车次数数组相应记录的第2列，形成一条完整的行车次数数组的记录。\n[0039] 移动智能终端10生成的上述的行驶轨迹数据后，可以将其保存在移动智能终端\n10的磁盘介质中，也可以通过移动互联网络异步定时上传到后台服务器22进行保存。\n[0040] 行驶轨迹记录模块11启动行驶轨迹记录与停止行驶轨迹记录可以由驾驶员手工输入命令实现，也可以使用申请号为201210288884.6、发明名称为“移动智能终端及其车辆管理模块的启动方法”的发明专利申请所提供的方法实现，根据当前车辆状态自动发送相应的命令。\n[0041] 移动智能终端10记录行驶轨迹数据后，由移动智能终端10的路径及时长计算模块 15或后台服务器22执行步骤S2，根据行驶轨迹数据生成行驶轨迹，并根据行驶轨迹生成相应的行车路径。例如，从行车次数数组中取出一条记录，根据该行车记录的第1列和第\n2列中的数值，确定本次行驶过程对应的行驶轨迹数组元素集合，然后根据行驶轨迹数组中的经纬度数据，连接各个经纬度坐标形成行车曲线，并标志出各个线段之间的结合点，即两个线段之间的连接点，如图5所示，其中LS表示行车的起始点，LD为行车的结束点，L1至L5分别是各个线段的结合点。\n[0042] 在移动智能终端10记录了多次行驶轨迹数据的情况下，需要对每一行驶轨迹数据进行计算并生成多条行车曲线，生成的行车曲线也就是行驶轨迹。\n[0043] 接着，循环遍历上述生成的所有行车曲线，生成行车路径。例如，取出一条行车曲线，并取出行车曲线的起始点LS的坐标，从生成的所有行车曲线中查找所有以LS坐标为出发地的行车曲线集合。如果查找到的集合是空集合，说明以前还没有生成过曲线对应的行车路径，则根据该行车曲线生成行车路径。\n[0044] 生成行车路径的步骤是：以行车曲线的LS坐标为中心、以100米为半径的圆区域作为行车路径的出发地，用PS表示出发地。同理，以行车曲线的LD坐标为中心、以100米为半径的圆形区域作为行车路径的目的地，用PD表示目的地。然后，沿着行车曲线的起始点至结束点方向，依次遍历行车曲线的各个直线线段，对每一条直线线段做平移出了，向左平移40米，并且向右平移20米形成一个长方形区域，把各个长方形区域沿着行车方向水平延伸，计算相邻两个长方形区域的相交区域，即结合点的位置，依次根据各个结合点把相邻的长方形区域连接起来，生成行车路径。生成的行车路径如图6所示，图6中的出发地用PS表示，目的地用PD表示，而P1、P2、P3等代表各个区域的结合点。最后，把上述生成的行车路径保存并形成历史行车路径。\n[0045] 对行车曲线的直线线段进行平移是因为行驶所经过的道路本身有一定的宽度，并且卫星定位系统的精度也有一定的偏差。同时，生成路径区域时采用左右不对称平移的方法，是考虑到在我国行驶规则是右侧行驶规则。\n[0046] 当然，生成行车路径的更优方案是与地理信息系统(GIS)结合使用，根据行车曲线的各个直线线段查找地理信息系统中的道路数据，找到对应道路的坐标数据作为行车路径。由于地理信息系统中道路网坐标数据是经过实际测绘完成，据此生成的行车路径的精确度会更高。\n[0047] 如果从生成的所有行车曲线中查找所有以LS坐标为出发地的行车曲线的集合是非空集合，说明以前有从LS为出发地出发的行车路径，则依次判断当前行车曲线是否完全在当 前行车路径区域中，如果是，则保存行车路径与行车曲线对应的行驶轨迹记录建立关联关系。如果不是，则按照上述步骤生成一新的行车路径。\n[0048] 然而，在现实生活中，从相同的出发地到相同的目的地可能会有多条行驶路径，因此需要把相同出发地和相同目的地的路径合并成一条行车路线。因此，路径合并模块16将对行车路径进行合并。在本发明中行车路径的出发地是一个圆形区域，判断两个出发地是否相同的可以采用如下的方法：如果在卫星定位坐标平面图中的两个圆形区域有交集，则认为这出发地是相同的，否则认为是两个不同的出发地。同理，对于目的地是否相同的判断方法也是如此。依次执行上述算法,把相同出发地和相同目的地的多条行车路径合并成一条行车路线，因此该行车路线为选择性的行车路线。\n[0049] 假设图6与图7分别是两条不同的行车路径，且PS和PS'是同一个出发地，PD和PD'是同一个目的地，合并后的行车路线如图8所示。\n[0050] 在上述基础上，按以下方法继续合并行车路径：如果两条行车路径超过90%的路径区域相同，并且两条行车路径的出发地之间直线距离在800米以内，且两个目的地之间直线距离也在800米以内，则把这两条行车路径合并成一条新的行车路线，依次执行上述合并后的行车路径会存在多个出发地和/或多个目的地。一个合并后的行车路线如图9所示。之所以进行合并，是因为在现实中出发地或目的地可能存在多个公共停车场，驾驶员每次行车需要根据情况停放到不同的停车场。\n[0051] 优选地，上述生成的“行车路径”可以根据实际情况允许驾驶员手工进行合并，把多条行车路径合并成一条行车路线。\n[0052] 接着，移动智能终端10的周期性计算模块17或后台服务器22执行步骤S3，计算每一条行车路线的周期性。在本发明中行车周期分为两部分：日周期和小时周期。日周期是指出发日期的循环周期及发生概率，小时周期是指在同一个日周期内在不同时间段的循环周期及发生概率，小时周期可以精确到0.5小时。\n[0053] 例如，本发明的日周期的周期类型表1所示。\n[0054] \n[0055] \n[0056] 表1\n[0057] 小时周期的周期类型如表2所示。\n 代号 类型 说明 举例\n HC1 按时间段 从时间1至时间2 例如在7:30-8:30开车出发\n[0058] 表2\n[0059] 行车周期数据结构如表3所示。\n[0060] \n[0061] 表3\n[0062] 其中，日周期类型指日周期类型表的“按天周期”、“按周周期”等类型，在行车周期数据结构中的内容是日周期类型表的“代号”。日周期参数是指特定判断日周期类型所需的参数，例如日周期类型是“按周周期”（即代号DC3)，那么日周期参数的内容则是“周一、周二、周三、...、周日”。日周期概率是指在特定“日周期类型”的特定日存在行车出发的概率，例如日周期类型是“按周周期”，“周一”日周期概率是92%。小时周期类型是指小时周期类型表中的“代号”，即“HC1”。小时周期参数是指特定小时周期类型判断所需的参数，例如“7:30-8:30”。行车次数是指一天内第几次行车。小时周期概率是指在特定日周期类型的特定日内，符合小时周期类型的天数占行车出发记录的天数的百分比。例如最近3个月中共有13个“周一”，其中有12个“周一”存在行车出发记录，其中10个周一是在7:30-8:00时段出发，2个周一是在8:00-8:30时段内出发，那么这两个时间的小时周期概率分别是\n10÷12×100%=83%，10÷12×100%=14%。\n[0063] 一条行车路径对应的行车周期表如表4所示。\n[0064] \n[0065] 表4\n[0066] 周期性计算模块17计算行车路线的周期性的流程如图10所示。首先，周期性计算模块17计算行车路线按天周期信息的概率和参数，即执行步骤S11。按天周期计算公式是：行车出发天数÷行车出发日期跨越天数×100%。同时，使用DCP1表示此日周期概率。\n行车出发天数是指存在行车出发日期的天数，行车出发日期跨越天数是行车出发日期中最早日期与最晚日期之间的天数，例如行车记录包含了2012年6月1日和2012年8月31日三个月的行驶轨迹，其中有66天存在行车记录，那么行车出发天数是66天，行车出发日期跨越天数是 92天，日周期概率是66÷92×100%=72%。\n[0067] 然后，执行步骤S12，计算行车路线的按周周期信息的概率与参数，计算公式是：\n特定日行车出发天数÷行车出发日期跨越的特定日天数×100%。例如，最近3个月中共有13个“周一”，其中有12个“周一”存在行车出发记录，那么特定日“周一”的行车出发天数是12天，行车出发日期跨越的特定日天数是13天，则“周一”的日周期概率是\n12÷13×100%=92%。同理，依次计算周二、周三、周四、周五、周六、周日的按周周期概率。\n[0068] 在上述7个日周期概率中，筛选大于等于60%的日周期概率对应的特定日,计算这些特定日对应的行车出发天数汇总数，如使用w1表示，并计算所有行车出发日期跨越的特定日天数汇总数，如使用w2表示，并通过计算w1÷w2×100%作为按周周期的日周期概率，使用DCP2表示此日周期概率。例如3个月中分别有13个“周一”、“周二”、“周六”，其中12个周一有行车记录，11个周二有行车记录、2个周六有行车记录，则周一的日周期概率是92%，周二的日周期概率是85%，周六的日周期概率是15%，日周期概率大于等于60%的日期是周一和周二，周一和周二对应的行车天数汇总数是12+11=23天，总行车天数是\n12+11+2=25天，那么本周期类型DC2的日周期概率是23÷25×100%=92%。\n[0069] 把上述日周期概率大于或等于0的对应的特定日作为按周周期类型的日周期参数，例如上述例子中，日周期参数是周一、周二和周六。\n[0070] 然后，执行步骤S13，计算按天间隔周期信息的概率与参数。例如循环遍历行驶轨迹数组，找出对应的出发日期，生成出发日期数组，出发日期数组内的日期不重复。对于一天内有多个出发记录的，则只取一出发日期作为出发日期数组元素。对上述出发日期数组按升序排序。\n[0071] 依次计算上述出发日期数组相邻元素之间相隔的天数，生成相隔天数数组，计算相同相隔天数在相隔天数数组中的比重，例如在相隔天数数组中，相隔1天的元素数量占\n80%，相隔2天的元素数量占10%。\n[0072] 选择上述比重最大值作为按天间隔周期的日周期概率，使用DCP3表示。如果比重最大值对应的相隔天数是0天，说明是行车事件是每天发生，则把DCP3重置为0%。取日周期概率为DCP3对应的相隔天数作为本周期类型的日周期参数，例如相隔1天。\n[0073] 然后，执行步骤S14，计算按段周期的概率与参数，例如循环遍历行驶轨迹数组，找出对应的出发日期，生成出发日期数组。出发日期数组内的日期不重复，对于一天内有多个出发记录的，则只取一出发日期作为出发日期数组元素。对上述出发日期数组按升序排序。接着，循环遍历上述日期数组，找出连续日期天数大于1天的集合，定义为集合1，并找出 日期数组相邻元素之间相隔天数大于等于1天的集合，定义为集合2。从集合1中取一个数值，如m，并从集合2取一个数值，如n，在日期数组中查找符合连续m天相隔n天的元素数量，计算此元素数量占出发日期数组总数量的百分比。例如出发日期数组内容是[201\n2-1-1,2012-1-2,2012-1-5,2012-1-6,2012-1-9,2012-1-10,2012-1-13,2012-1-14]，则符合“连续2天相隔2天”的元素数量占总数量的百分比是100%。以此类推，取出集合1与集合2所有组合，计算符合“连续m天相隔n天”所有组合的元素数量占总数量的百分比，选择百分比最大者作为本周期类型的日周期概率，使用DCP4表示。最后，取日周期概率DCP4对应的变量m和n作为按段间隔周期类型的日周期参数，例如“连续2天相隔2天”，此时m=2,并且n=2。\n[0074] 周期性计算模块17接着执行步骤S15，判断按天周期信息、按周周期信息、按天间隔周期信息以及按段间隔周期信息中是否有概率大于或等于60%的数值，如是，则执行步骤S17，计算行车路线的按小时区间概率。若上述的周期信息中没有大于或等于60%的数值，则执行步骤S16，计算按月周期的概率和参数。\n[0075] 步骤S16中，周期性计算模块17使用DCP5表示按月周期信息，其初始化DCP5=0%。\n然后，循环遍历行驶轨迹数组，找出对应的出发日期，生成出发日期数组，出发日期数组内的日期不重复，对于一天内有多个出发记录的，则只取一出发日期作为出发日期数组元素。\n对上述出发日期数组按升序排序。根据出发日期数组分别计算月度中第1日至第31日的行车概率，本发明称之为“月度日”行车概率。其计算公式是：存在行车记录的月度日天数÷月度日总天数×100%，例如出发日期数组包含了2012年1月1日至2012年3月31日的行车日期，其中月度的第1日共3天，其中2012年1月1日与2012年2月1日有行车记录，但2012年3月1日没有行车记录，则“月度第1日”的行车概率是2÷3×100%=67%。\n[0076] 以此类推分别计算出月度第2日、月度第3日直至月度第31日的行车概率，筛选上述行车概率大于或等于60%的月度日作为日周期参数，通过公式“月度日的行车次数汇总数÷行车总次数×100%”计算得出按月周期类型的日周期概率。\n[0077] 例如行车概率大于等于60%的月度日是月度第1日、月度第8日、月度第15日，这三个月度日的行车次数汇总数是18次，历行驶轨迹记录的行车总次数是20次，那么按月周期类型的日周期概率是18÷20×100%=90%，日周期参数是月度第1日、月度第8日、月度第\n15日。\n[0078] 比较上述生成的5个日周期概率数值，取最大数值对应的周期类型作为行车路径日 周期类型。例如，按上述计算的按天周期的概率为72%，按周周期的概率为92%，按天间隔周期的概率为10%，按段间隔周期以及按月周期的概率均为0，则概率最大值是按周周期的概率，那么行车路线的日周期类型是按周周期。\n[0079] 把上述计算结果写入到行车周期表中，如表5所示。\n[0080] \n[0081] 表5\n[0082] 周期性计算模块17确定行程路线的周期后，执行步骤S17，计算小时区间的周期概率。例如，从00:00开始，以0.5小时为间隔，把一天24小时分成48个区间，分别是\n00:00-00:30，00:30-01:00，...23:30-24:00，根据行驶轨迹中的出发时间计算各时段出发次数及发生概率。\n[0083] 例如一条行车路线中共有50次行车记录，其中07:30-08:00共有40次，发生概率占80%，08:00-08:30共10次，发生概率20%。上述48个区间中，如果连续的两个区间的发生概率大于0，把这两个区间合并为一个区间，例如上述例子，把07:30-08:00和08:00-08:30两个区间合并为一个区间07:30-08:30，发生概率是100%。\n[0084] 当然，上述计算过程中的行驶轨迹中的出发时间是按日周期类型中的日周期参数对应日期和行车次数进行分组后的出发时间,然后根据这些分组计算每一组的区间发生概率。例如，如果本条行车路线的出发时间是按周周期的，那么分别按“周一”到“周日”为分组单元把行驶轨迹中的出发时间分成7组，如果一个分组的同一天内行车出发次数有2次，那么把这一组的出发时间按出发次数再拆分为两组，以此类推，直至拆分到符合上述规则为止，并且计算每一组的区间发生概率。按照上述方法对出发时间进行分组，计算每一组出发时间的区间概率后，把区间概率分别填写到行车周期表中，如表6所示。\n[0085] \n[0086] 表6\n[0087] 优选地，上述生成的“行车周期表”可以根据实际需要允许驾驶员手工进行调整，也可以手工在“行车周期表”增加或删除记录。\n[0088] 最后，周期性计算模块17根据上述的信息生成行车路线的周期信息，即执行步骤S17。生成的周期信息就是如表6所示的信息，这些信息可以保存在移动智能终端10或后台服务器22内。\n[0089] 回看图3，计算行车路线的周期性后，路径及时长计算模块15执行步骤S4，计算各条行车路线的行车时长，行车时长可以根据每一行车路径对应的行驶轨迹数组中出发地对应的时间与目的地对应的时间计算获得，在存在多条行驶轨迹的情况下，计算出平均的行车时长，行车时长信息可以保存在移动智能终端10或后台服务器22中。\n[0090] 例如，从行车路线中取一条具体的行车路径，检索该行车路径对应的行驶轨迹历史记录，按行车周期中的日周期参数和小时周期参数对这些行驶轨迹记录进行分组。然后对于每一分组内的行驶轨迹记录，根据行车出发时间和到达时间分别计算每一次行车记录所花费的时间，优选地以分钟为单位，把计算结果合并生成的一个整型数组，例如[30分钟,35分钟,32分钟,33分钟]。当然，可以删除整型数组中的一些过长或过短的时间，以防止因一些偶然因素引起的非正常的行车时间数出现，影响计算的准确性。\n[0091] 计算整型数组行车时间的平均行车时间，即累加整型数组中所有元素的数值，除以整型数组长度，然后对计算结查取整，一条具体行车路径的行车时间数据结构如表7所示。 \n 具体行车路径 日周期参数 小时周期参数 平均行车时间长度\n[0092] \n 行车路径1 周一 7:30-08:00 35分钟\n 行车路径1 周二 7:30-08:00 30分钟\n 行车路径1 周五 7:30-08:00 50分钟\n[0093] 表7\n[0094] 接着，根据行车路径中存在的交通路口作为分隔标志，把上述具体行车路径划分为多个路段，如果单个路段长度超过1千米，再按1千米为单位进行划分，直至拆分为符合要求的多个路段。检索上述整型数组对应的行驶轨迹，根据行驶轨迹中的经维度坐标计算每个路段在特定时间段内所花费平均行车时间，一条具体路段平均行车时间的数据结构如表8所示。\n 路段起始位置 路段结束位置 平均行车时间长度\n 经度11，维度11 经度12，维度12 5分钟\n 经度21，维度21 经度22，维度22 3分钟\n ... ... ...\n[0095] 表8\n[0096] 循环执行上述步骤直至计算完成一个具体行车路径的所有日周期和小时周期下的平均行车时间以及各个路段的平均行车时间。如果一条行车路线中对应多条行车路径，也是按照上述方式分别计算每条行车路径的行车时长。对于其他的行车路线，也按照上述步骤计算。\n[0097] 执行上述步骤后生成的行车时间信息，包括行车路线包含的行车路径的行车平均时间长度、行车路径包含的路段平均行车时间长度。当然，计算出的行车时间长度数据可由驾驶员根据实际情况进行手工修改。\n[0098] 移动智能终端10在判断车辆启动后，执行步骤S5，判断车辆是否在已经记录的行车路线的起始范围内，起始范围是通过上述步骤计算的出发点一定半径范围内的地方。其具体计算步骤是遍历已经保存的多条行车路线的起始点位置，判断车辆当前位置是否在多条行车路线的多个起始点位置范围中一个，如是，表示车辆在一条行车路线的起始点位置范围内，获取该行车路线的信息。如果判断车辆不在任一行车路线的起始点位置范围内，则不执行预测的步骤，返回执行步骤S1，记录该次行驶轨迹。\n[0099] 步骤S6中，预测通知模块13以车辆所在位置作为起始点的行车路线作为预测的行车路线，以保存的该行车路线中最近一次行车路径的平均行车时长作为预测的行车时长，将预测的行车路线以及行车时长自动地发送至指定的终端设备上，如特定人员的手机或家里的空调等设备。\n[0100] 当然，行车时长不单是行车的时间长度，可以是根据当前时间计算出的到达目的地的时间，也包括到达行车路线上某一特定点的时间。由于计算行车时长的步骤中已经计算多个不同路段所行使的平均时间，因此能够精确计算到达其中某些路段的时间。\n[0101] 在车辆行驶过程中，堵塞判断模块14判断车辆是否处于堵塞状态。例如，车辆在特 定路段行驶时,如果在此路段的平均行车时间长度的1.2倍的时间内仍未到达路段的结束位置，即车辆在该路段的行车时长大于平均行车时长的预定值，该预定值为20%，且当前行车速度在1分钟内持续低于此路段平均行车速度的50%时，说明此路段可能存在交通堵塞点。此时，移动智能终端10发出堵塞信息，并且自动通过无线网络把当前位置发送到后台服务器22。\n[0102] 当车辆行驶速度在持续的1分钟内的行车速度大于或等于此路段的平均行车速度的80%时，说明车辆已经离开堵塞点，移动智能终端10从行驶轨迹中找出1分钟前车辆位置对应的经维度坐标数据和当前堵塞路段所花费时间并发送给后台服务器22。\n[0103] 后台服务器22如果在10分钟内接收到3个以上的移动智能终端10发送的堵塞信息，并且这些堵塞点的经纬度坐标属于同一条交通道路路线且行驶方向一致，并且至少有3个经纬度位置两两直线距离不超过100米，则确认特定路段存在堵塞点，并向其他的移动智能终端发布堵塞信息。如果不符合上述条件，则说明不存在堵塞点。\n[0104] 注意，上述判断是否存在堵塞点的前提条件是多辆车辆配置了移动智能终端并使用了堵塞判断模块14，借助于移动互联网络把堵塞点信息通知共享给其他相关车辆。\n[0105] 在确认存在堵塞点后，后台服务器22实时接收每个移动智能终端10发送的离开堵塞点时的经纬度坐标，根据这些经纬度实时计算出这些经纬度坐标的中心点作为堵塞点结束位置，再根据每个移动智能终端10发送的堵塞路段所花费时间实时计算出堵塞路段平均行车时间，向移动智能终端10发布上述信息。\n[0106] 因此，在车辆行驶过程中，移动智能终端执行步骤S7，判断是否接收到堵塞信息，如是，执行步骤S8，如果当前车辆的预计行驶路径包含此堵塞路段且正在行驶或未行驶到阻塞路段时，则根据堵塞路段平均行车时间动态调整预计到达时间，并将计算的结果发送至指定的终端设备。\n[0107] 当然，如果当前车辆已经在堵塞路段上，根据当前车辆位置和堵塞点结束位置的计算当前车辆到堵塞点的直线距离，并根据堵塞路段平均行车时间和当前车辆堵塞路段已行驶时间计算到达堵塞点结束位置还需要等待时间，通过移动智能终端10的屏幕或语音形式向驾驶员对堵塞路段相关信息进行说明提醒。\n[0108] 当车辆在堵塞点所在路段驾驶通过后，如果是在行车时间长度表的路段平均行车时间内完成，说明此路段的堵塞点已经消除，移动智能终端10则向后台服务器22发送堵塞点已消除的通知。后台服务器22如果在10分钟内收到至少2个移动智能终端10的发送的堵塞点已消除的信息，则确认堵塞点已消除。或者，后台服务器22如果在30分钟内没有接收 到任何移动智能终端10发送的关于该堵塞点的任何信息，则也视为堵塞点已消除。后台服务器22确认一个堵塞点消除时，向多个移动智能终端10发送堵塞点已消除的信息，各移动智能终端10根据当前行车路线重新执行预测到达时间并及时向特定的终端设备发出信息。\n[0109] 上述预测通知模块13进行发送通知时，仅向与预测行车路线和当前时间相关联的特定人员或远程设备发送，因此可以做到按需、精确发送，能够有效防止被其他无关人员获知当前车辆行驶轨迹而造成的个人隐私泄漏。\n[0110] 最后，移动智能终端10判断车辆是否到达目的地，即执行步骤S9，如是，结束预测步骤，若没有到达目的地，则返回步骤S7，继续判断是否接收到堵塞信息。\n[0111] 由上述的方案可见，移动智能终端10记录车辆的行驶轨迹并计算车辆的行车路线，同时对每一行车路线的周期性以及行车时长进行计算，在每次车辆启动后可以及时预测车辆的行车路线以及行车时长，并将相关的信息发送至特定的终端设备，给相关人员以提示，有利于相关人员及时了解车辆的行驶状况。\n[0112] 此外，由于移动智能终端10是根据车辆的历史行驶轨迹计算行车路线，具有自学习功能，能够应用在行车路线不固定的私人车辆上。\n[0113] 当然，上述实施例仅是本发明较佳的实施方式，实际应用时，还可以有更多的改变，例如，移动智能终端向终端设备发送的信息只包括行车时长的信息，不包括行车路线的信息；或者，日期周期类型中增加新的周期类型等，这样的改变也能实现本发明的目的。\n[0114] 最后需要强调的是，本发明不限于上述实施方式，如日期周期类型的改变、路径合并方法的改变、判断堵塞方法的改变等变化也应该包括在本发明权利要求的保护范围内。