CN101236620A - 行程时间预测装置和方法、交通信息提供系统和程序 - Google Patents

Abstract

本发明提供一种行程时间预测装置和方法、交通信息提供系统和程序，组合现状和统计信息，能以高精度进行行程时间的中期预测。行程时间预测装置从保持按日期种类统计处理各路段的过去的时间系列数据的行程时间推移模式的行程时间推移模式存储DB(104)，取得与指定的路段以及日期种类对应的行程时间推移模式，计算出该行程时间推移模式和所述逐次输入的行程时间实时数据(101)之间的误差减小的行程时间推移模式的变换参数，使用根据该所算出的变换参数，变换所述行程时间推移模式而取得的预测函数进行预测。此外，计算的预测值和变换参数作为交通信息配送。

Description

行程时间预测装置和方法、交通信息提供系统和程序

技术领域

本发明涉及行程时间预测装置、行程时间预测方法、交通信息提供系统和程序，特别是涉及在ITS(Intelligent Transport System)中作为特定区间的交通信息提供的行程时间(所需时间)的预测装置及其应用系统。

背景技术

在ITS的领域中，知道各种以路线引导为目的，推测/预测车辆的移动花费的行程时间或堵塞的发生等交通状况的技术。特别是开始利用作为使用车载机，在车辆自身中取得道路交通状况的传感器而充分利用的探测车系统。以下，列举与所述的技术关联的文献。

在信息处理学会研究报告“高级交通系统”No.014-009中刊载的熊谷等的论文，“使用特征空间映射的交通信息预测方法”中，提出通过主成分分析，把一天的行程时间变动模式分类为几个种类，根据表示该日期种类的标签(星期或天气等)，使预测对象日应该属于的种类建立对应的方法。该方法是适合于从半天到一天的长期的范围的预测的方法。此外，认为能由该方法预测的区间局限于能进行固定点观测的干线道路。

在特开2000-235692号公报记载的“行程时间预测装置”中描述关于行程时间预测对象区间，求出各时间带的行程时间累计分布中的现在的区间行程时间的顺序，从该顺序求出预测顺序，从行程时间累计分布抽出相当于该预测顺序的行程时间的方法。基于该方法的预测值很大程度上依存于现在时刻的顺序，所以认为是适合于从最近到一小时以后的预测的技术。如果是能进行固定点观测的道路区间，就能应用，但是在所述技术的特性上，可以说是适合于高速道路的方法。

在特开2003-303390号公报记载的“行程时间预测方法、装置和程序”中，采用从存储的过去的行程时间实际数据，检测与现在的行程时间推移模式类似的行程时间推移模式，用该行程时间推移模式预测行程时间的方法。认为根据该方法能预测的区间也局限于能进行固定点观测的干线道路等。

此外，在基于本申请人的特开2006-11572号公报记载的“交通信息预测函数学习装置、交通信息预测装置、交通信息变动法则获得装置及其方法”中，提出通过自动回归模型(Auto Regression模型)分析从探测车系统取得的时间系列数据和根据过去的行程实际时间生成的行程时间推移模式的差异，预测行程时间的方法。该方法不是固定点观测，而以基于探测车系统的数据取得为前提，所以在原理上能应用于任何道路区间，但是为适合于最近的行程时间的预测的方法。

在特开2004-118700号公报记载的“行驶所需时间预测装置”中，公开了组合利用预测当天的交通数据的短时间的行驶所需时间预测，和基于类似模式检索的中长期间的行驶所需时间预测，预测行程时间的装置。在同一公报中把使用从车辆感知器、AVI(Automatic Vehicle Identification：车辆自动识别)系统、收费站等的固定传感器取得的数据作为前提，未考虑进行没有设置这些传感器的区间的预测。

在特开2005-208034号公报记载的“推测路段(link)行程时间数据的匹配修正方法”中描述根据现状数据，把关于从数小时到1天的区间的行程时间数据(过去的统计数据)变形，从数十分钟到数小时，以高精度进行预测的方法。根据该方法能预测的区间也与所述的各技术同样只是取得过去的统计数据和现状数据的区间，未触及全部道路区间的预测。

[专利文献1]特开2000-235692号公报

[专利文献2]特开2003-303390号公报

[专利文献3]特开2006-11572号公报

[专利文献4]特开2004-118700号公报

[专利文献5]特开2005-208034号公报

[非专利文献1]信息处理学会研究报告“高级交通系统”No.014-009“使用特征空间映射的交通信息预测方法”51-57页熊谷正俊等

[非专利文献2]IEEE Transactions on Information Theory，vol.44，NO.4，p.1424-1439“A decision-theoretic extension of stochastic complexity andits application to leaming，”，K.Yamanish，1998年

[非专利文献3]第8次信息论的学习理论预稿集“用于长期预测的阶层的状态空间模型”，中田贵之，竹内纯一，2005年

发明内容

可是，所述的各技术适合于从最近到一小时以后的预测、或者从半天到一天的长期预测，但是具有在其中间程度的中期预测中，无法发挥良好的精度的问题。

此外，例如在专利文献5中，介绍了对统计处理的统计路段行程时间进行修正，使其与现状的交通状况匹配的方法，但是该修正处理是把统计路段行程时间乘以与现状的差异对应的比率，例如，堵塞时间大幅度提前的时候，会导致以后的行程时间极度缩短，并不一定按照实际状态。

本发明是鉴于所述的事实而提出的，其目的在于，提供从最近的数据预测将来的这种类型的行程时间预测装置、行程时间预测方法、交通信息提供系统和程序。

根据本发明的第一视点，提供一种行程时间预测装置，把从全部路段集合中指定为预测对象的路段、预测对象的日期时间、关于所述指定的路段逐次输入的行程时间的时间系列数据作为输入，输出所述指定的路段和日期时间的预测行程时间，该行程时间预测装置，从保持至少按日期种类统计处理过各路段的过去的时间系列数据的行程时间推移模式的数据库，取得与所述指定的路段以及日期种类对应的行程时间推移模式；计算该行程时间推移模式和所述逐次输入的行程时间的时间系列数据之间的误差减小的行程时间推移模式的变换参数；使用根据该计算出的变换参数，变换所述行程时间推移模式而取得的预测函数，进行预测。

根据本发明的第二视点，提供一种使用计算机的行程时间预测方法，把从全部路段集合中指定为预测对象的路段、预测对象的日期时间、关于所述指定的路段逐次输入的行程时间的时间系列数据作为输入，输出所述指定的路段和日期时间的预测行程时间，该方法包括：所述计算机从保持至少按日期种类统计处理过各路段的过去的时间系列数据的行程时间推移模式的数据库，取得与所述指定的路段以及日期种类对应的行程时间推移模式的步骤；所述计算机计算所述行程时间推移模式和所述逐次输入的行程时间的时间系列数据之间的误差减小的行程时间推移模式的变换参数的步骤；所述计算机根据所述计算出的变换参数，变换所述行程时间推移模式，取得预测函数的步骤；以及所述计算机使用所述预测函数，预测所述指定的路段和日期时间的预测行程时间并输出的步骤。

根据本发明的第三视点，提供一种使计算机执行的程序，把从全部路段集合中指定为预测对象的路段、预测对象的日期时间、关于所述指定的路段逐次输入的行程时间的时间系列数据作为输入，输出所述指定的路段和日期时间的预测行程时间，使计算机执行以下的处理：从保持至少按日期种类统计处理过各路段的过去的时间系列数据的行程时间推移模式的数据库，取得与所述指定的路段以及日期种类对应的行程时间推移模式的处理；计算该行程时间推移模式和所述逐次输入的行程时间的时间系列数据之间的误差减小的行程时间推移模式的变换参数的处理；根据所述计算出的变换参数，变换所述行程时间推移模式，取得预测函数的处理；以及使用所述预测函数，预测所述指定的路段和日期时间的预测行程时间并输出的处理。

根据本发明的第四视点，提供一种交通信息提供系统，其特征在于：与所述行程时间预测装置连接，进而具有对给定的终端提供交通信息的机构，该交通信息包含由所述行程时间预测装置输出的预测行程时间。

根据本发明，能以高精度预测任意的区间的移动所需的行程时间。

附图说明

图1是表示本发明第1实施方式的行程时间预测系统的全体结构的图。

图2是表示本发明第1实施方式的行程时间预测系统的函数变换图像(常数倍和平行移动)的图。

图3是表示本发明第1实施方式的行程时间预测系统的函数变换图像(垂直移动和平行移动)的图。

图4是表示在本发明第1实施方式中加上随机复杂性计算机构的变形结构的图。

图5是表示本发明第1实施方式的行程时间预测装置中执行的处理的流程的流程图。

图6是表示本发明第2实施方式的行程时间预测装置中执行的处理的流程的流程图。

图7是表示本发明第2实施方式的行程时间预测装置中的变换参数计算处理的细节的流程图。

图8是表示本发明第3实施方式的行程时间预测系统的全体结构的图。

图9是表示本发明第3实施方式的行程时间预测装置中执行的处理的流程的流程图。

图10是表示本发明第3实施方式的行程时间预测装置中执行的处理的流程的流程图。

符号的说明。

100-行程时间预测装置；101-行程时间实时数据；102-模式变换机构；103-预测值计算机构；104-行程时间推移模式存储DB；105-随机复杂性计算机构；110-长期预测机构；111——中期预测机构；112-短期预测机构。

具体实施方式

[第1实施方式]

下面，参照附图，说明用于实施本发明的最佳形态。图1是表示本发明第1实施方式的行程时间预测系统的全体结构的图。参照图1，示出了访问行程时间实时数据101、行程时间推移模式存储数据库(以下称作“行程时间推移模式存储DB”)104，输出预测值的行程时间预测装置100的结构。

行程时间实时数据101是从探测车系统的数据或VICS(VehicleInformation&Communiction System)(注册商标)等信息源，按各道路区间单位(路段)形成的时间系列数据。

在行程时间推移模式存储DB104中存储使用所述行程时间实时数据101等，对各道路区间单位(路段)，关于给定期间的过去的各种指标值，进行偏离值的除去、相关的分析等必要的统计处理的行程时间推移模式。所述统计处理按照各时间系列数据的星期或所谓的五十天、季节、天气等日期种类，在每个预先决定的时间单位中进行。因此，行程时间推移模式准备24小时的部分，按照各种状况，能使用适当的行程时间推移模式。按照预测精度和系统全体的负荷，决定所述时间单位，例如，考虑每5分钟、每15分钟。后面详细描述该行程时间推移模式的细节。

行程时间预测装置100具有进行使用后面描述的预测函数的预测处理的模式变换机构102和预测值计算机构103。行程时间预测装置100按照来自用户的要求，综合行程时间实时数据101或行程时间推移模式存储DB104中存储的行程时间推移模式，求出对成为预测对象的道路区间单位(路段)的短期预测(5分钟或15分钟)、中期预测(到短期以后数小时左右)、将来预测时间。这里，成为预测对象的道路区间单位(路段)基本上从用户一侧指定，所以能把数十～数万左右的路段作为对象。

行程时间预测装置100一边保持高的预测精度，一边尽量缩短预测所需的处理时间，所以在中期预测处理中具有特征。以下，说明行程时间预测装置100的中期预测处理。

[行程时间实时数据(时间系列数据)]

首先，说明在中期预测处理中使用的行程时间实时数据101。以下，路段是指在交叉点和交叉点之间定义的涉及数十米到数百米左右的长度的道路区间。而把交叉点等路段的端称作节点。

假定预测对象路段为d个，排列时刻t的各路段的实时数据的向量用x_t＝(x_t：1，x_t：2，…x_t：d)∈D＝X₁×X₂×…×X_d表示。这里，把D称作域。

各x_t：i是表示路段i的时刻t的行程时间、车辆数、堵塞发生的指标、或该时刻的天气等与交通状况有关的各种属性的指标值。各x_t：i是连续值，或者是离散值。

这里，为了方便，t为整数值。由向量列{x_t}，构成预先决定的时间间隔的时间系列数据。例如，如果预先决定的时间间隔为5分钟，x₂就表示x₁的5分钟后的数据。以下，由x_m ⁿ(m≤n)表示列x_m…x_n，特别是xⁿ＝x₁ ⁿ。

[行程时间推移模式]

下面，说明行程时间推移模式存储DB104中存储的行程时间推移模式。仿照所述x_t，时刻t的行程时间推移模式为w_t。这里，w_t按各时间带，记录与所述x_t对应的量的过去的平均值。

w_t按照星期或天气、是否假日等日期种类而不同，所以按各日期种类构成。因此，w_t具有如果t前进24小时，就回到原来的值的周期性。

构成w_t的问题是学习(时间带、日期种类)与行程时间对应的回归式的问题，在构成它的具体方法中考虑各种方法。作为一个例子，能列举把日期种类或时间带应该分类为何种程度的细节的课题作为基于信息量标准的最优化问题解决的方法。

[中期预测]

接着，使用所述行程时间实时数据(时间系列数据)和行程时间推移模式，详细说明中期预测方法。

在中期预测中，在经验上知道关于行程时间，具有“如果堵塞开始时刻提前，行程时间推移模式就相应提前该部分。”、“如果关于某时间，过分花费行程时间，不久就残留同样的倾向。”的性质。

这样的变动非常适合于中期预测的范围即30分钟到1、2小时的期间。本实施方式的行程时间预测装置100使用把所述知识公式化的预测方法。

以下，为了简单起见，固定一个道路区间单位(路段)和日期种类，如果行程时间实时数据101和行程时间推移模式假定为只由一个属性“行程时间”构成的一维时间系列数据，就能把从行程时间推移模式存储DB104中存储的过去数据求出的时刻t的行程时间表示为f(t)。此外，现在时刻为t₀。这时，能够用把a、b作为变换参数的预测函数h(t|a，b)＝af(t-b)预测行程时间。所述预测函数如图2所示，是按照与实时数据的误差减少的方式把f(t)变为常数倍(a倍)和平行移动(-b)而获得的函数。

可是，对a、b使用由把与行程时间实时数据101的误差最小化的以下表达式求出的a帽(t₀)和b帽(t₀)(以下表达式左边的带^的文字称作帽。以下，同样)。

[数学式1]

$(\hat{a}\left(t_0\right),\hat{b}\left(t_0\right))=\arg \underset{(a,b)}{\min }\underset{u=t_{0}k}{\overset{t_0}{\mathrm{\Σ}}}(\exp (-\mathrm{\α}(t_0-u)){(x_u-h\left(u\right|a,b))}^2+w_a{(1-a)}^2+w_b{b}^2)$

此外，作为把a、b作为变换参数的预测函数，能使用h(t|a，b)＝f(t-b)+a预测行程时间。所述预测函数如图3所示，是按照使得与实时数据的误差减少的方式把f(t)垂直移动(+a倍)和平行移动(-b)而取得的函数。

这时的a、b也使用由把与行程时间实时数据101的误差最小化的以下表达式求出的a帽(t₀)和b帽(t₀)。

[数学式2]

$(\hat{a}\left(t_0\right),\hat{b}\left(t_0\right))=\arg \underset{(a,b)}{\min }\underset{u=t_0-k}{\overset{t_0}{\mathrm{\Σ}}}(\exp -(-\mathrm{\α}(t_0-u)){(x_u-h\left(u\right|a,b))}^2+w_a{a}^2+w_b{b}^2)$

在所述数学式1、2中，exp(-α(t₀-u))是与误差x_u-h(u|a，b))²相乘的加权系数，按照越是最近的数据，越重视的方式进行工作。即如果追溯到比现在时刻t₀还早1/α步的过去，加权j变为1/e倍，所以如果考虑1步为5分钟的情况，就使用直到5/α的数倍左右过去的数据进行变换。

此外，数学式1、数学式2的右边第2项和第3项的补偿项的系数w_a和w_b是控制函数变换易受怎样程度的过去的数据影响的参数。

这样的变量α、w_a、w_b都是控制学习的性质的参数，称作超参数。作为α的具体的值，例如1步为5分钟时，能直观地决定为5/α*3＝120等。此外，w_a、w_b可以与行程时间的离散同程度地决定。

使用所述的数学式1或数学式2那样的预测函数，根据以下表达式，求出从现在时刻t₀过s时刻后的行程时间。

[数学式3]

$\hat{T}(t_0+s)=h(t_0+s|\hat{a}\left(t_0\right),\hat{b}\left(t_0\right))$

此外，关于所述的超参数，也能使用以信息量标准“预测的随机的复杂性”的考虑方法最优化过的值。预测的随机的复杂性的具体形式由以下表达式提供。这里设从24小时～78小时中包含的时间系列数据的记录数为m。须指出的是，关于“预测的随机的复杂性”的细节，例如记载在非专利文献2或非专利文献3中。

[数学式4]

$\underset{u=t_0-m-s}{\overset{t_0-s}{\mathrm{\Σ}}}{(\hat{T}(u+s)-x_u+s)}^2$

图4是表示具有使用预测值计算机构103的计算结果计算随机的复杂性的随机复杂性计算机构105的行程时间预测装置的结构的图。根据该结构，能导出使用预测的随机的复杂性的变换参数。

图5是表示本实施方式的行程时间预测装置100中执行的处理的流程的流程图。如果参照图5，首先行程时间预测装置100把时刻设定为现在时刻t_s(步骤S101)。

接着，行程时间预测装置100从行程时间推移模式存储DB104读出行程时间实时数据101以及指定的路段和时间所对应的行程时间推移模式w_t(步骤S102)，通过模式变换机构102，计算指定所述行程时间推移模式变换的所述变换参数，对预测值计算机构103输出(步骤S103)。

接着，行程时间预测装置100通过预测值计算机构103，使用利用所述变换参数进行变换取得的预测函数，输出预测值x帽_t+n、x帽_t+n+1、x帽_t+n+2…(步骤S104)。

如上所述，根据本实施方式，关于指定的预测对象路段，使用按照使得过去的数据和现在的实测值的的误差减少的方式变换过的预测函数，能正确估计行程时间。

[第2实施方式]

接着，参照附图，详细说明对所述第1实施方式加以变更的本发明的第2实施方式。

对时间轴，以台阶状的函数表现的行程时间模式是不能微分的，为了发现误差变为最小的(a，b)的组合，有必要用(a，b)的全部组合执行计算，选择成为最小的组合，计算量变得庞大。

因此，在本实施方式中，对所述第1实施方式的变换参数计算处理(参照图5的步骤S103)加以变更，采用有限的数据，不使用微分，取得最佳的解的方法，从而一边保持预测精度，一边谋求计算时间的削减。

图6是表示本实施方式的行程时间预测装置100中执行的处理的流程的流程图。与所述的第1实施方式的行程时间预测装置100的处理的不同点在于，在变换参数计算处理(步骤S103)中使用一定期间的最新逐次输入数据(图6的“逐次输入、忘却”)；和通过随机梯度法，取得最佳解(图6的“随机梯度法”)。

下面，参照图7，说明变换参数计算处理的细节。如果参照图7，则首先行程时间预测装置100从行程时间实时数据101读入过去一定期间(例如直到现在时刻t_s的10～15分钟之前的期间)中存在的q个数据(步骤S106)，从读入的数据计算用以下表达式表现的函数F(步骤S107)。

[数学式5]

$F(a,b)=(1/q)\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{(x_i-h\left(u_i\right|\exp \left(a\right),b))}^2+w_a{a}^2+w_b{b}^2$

函数F能逐次输入数据，所以近似变换所述[数学式1]的误差项和补偿项即以下的[数学式6]。该变换的特征在于，不是把行程时间推移模式变为常数倍(a倍)，而是变为exp(a)倍。

[数学式6]

∑(x_u-h(u|a，b))²+w_a(1-a)²+w_bb²)

更具体而言，行程时间预测装置100如以下所述，用对初始变换参数(a₁，b₁)应用(加、减)/不应用暂时变动宽度d₁、e₁的以下5模式，计算函数F。

(a₁，b₁)

(a₁+d₁，b₁)

(a₁，b₁+e₁)

(a₁-d₁，b₁)

(a₁，b₁-e₁)

行程时间预测装置100从所述5模式的函数的计算结果，根据与误差的大小成比例的概率，从以下的9模式的组合中随机选择常数倍参数a和水平移动参数b的组合，选择的组合为(a₂，b₂)

(a₁，b₁)

(a₁+d₁，b₁)

(a₁，b₁+e₁)

(a₁-d₁，b₁)

(a₁，b₁-e₁)

(a₁+d₁，b₁+e₁)

(a₁+d₁，b₁-e₁)

(a₁-d₁，b₁+e₁)

(a₁-d₁，b₁-e₁)

行程时间预测装置100如上所述，重复m次(按照行程时间预测装置100的处理能力等，预先设定m)应用变动宽度dn、en(n＝1～m)的多个模式的函数F的计算和基于计算结果的暂时常数倍参数a_n和暂时水平移动参数b_n的选择(步骤S108)，限定出最佳的(a，b)。

这时，变动宽度d_n、e_n(n＝1～m)为d₁≥d₂≥…≥d_m，e₁≥e₂…≥e_m，设定为按照要求的行程时间的预测精度，随着计算次数m增加，逐渐变为细致的步。

再度进行预测处理时，按照图6的流程，更新为t：＝t+1(步骤S105)，进行变换参数的计算(步骤S103)的处理。

在下一时刻t+1的行程时间实时数据的读入处理(步骤S106)中，只读入在时刻t到t+1的时间带被更新过的数据，用包含该数据的最新的q个数据进行函数F的计算(步骤S107)。据此，削减读入的数据，提高处理速度。

此外，不使用(忘却)老的数据，通过逐次输入最新的q个，也能保证预测精度。根据以上，不使用微分，通过减少读入数据数，能实现高速处理。

如上所述，在本实施方式中，能够以更少的计算量，对大范围的道路预测行程时间，对由于空间的制约而难以安装多个高性能的处理装置的车载机的安装也变得容易。

[第3实施方式]

下面，参照附图，详细说明对所述第1实施方式加以变更的本发明的第3实施方式。本实施方式的行程时间预测装置在所述第1实施方式的结构中加上长期预测机构、短期预测机构等多个预测机构，具有从其中选择适合的预测机构，以适当的周期(5分钟到1小时左右)实时预测的高速预测功能。以下，以对所述第1实施方式的追加和变更点为中心，详细说明。

[多个预测机构]

图8是表示本实施方式的行程时间预测装置100的结构的图。如果参照图8，则行程时间预测装置100除了由所述第1实施方式的模式变换机构102和预测值计算机构103构成的中期预测机构111，还具有长期预测机构110和短期预测机构112。

长期预测

长期预测机构110是不使用行程时间实时数据101，进行只使用行程时间推移模式存储DB104的存储数据的长期预测处理的机构。在交通信息中，现在的状态波及将来的影响最高为数小时左右，关于此后的预测，没有使用实时数据的意义。

短期预测

短期预测机构112是进行基于自动回归模型(AR模型＝AutoRegression模型)的短期预测处理的机构。这里，短期预测使用过去1小时左右的行程时间实时数据101，进行最多一小时以后的预测。在短期预测中能使用各种方法，但是希望能使用本申请人的专利文献3中记载的方法。

为了与后面描述的预测机构的选择关联，以下说明使用自动回归模型(AR模型)的专利文献3的方法的概要。

这里，设行程时间实时数据和行程时间推移模式的差分为y_t＝x_t-w_t。AR模型是规定发生行程时间实时数据的概率分布的统计模型。

可以描述为：

[数学式7]

$y_{t+1}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{a}_m{y}_{t+1-m}+{\mathrm{\ϵ}}_t$

这里，ε_t是噪声项，一般是平均0的多维正态分布。此外，a_m称作AR系数。指定一个模型时，可以指定规定全部AR系数和ε_t的概率分布的离散。把这些参数汇总写为θ。如果指定θ，就能通过

[数学式8]

${\hat{y}}_{t+1}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{a}_m{y}_{t+1-m}+{\mathrm{\ϵ}}_t$

从过去数据预测最近的行程时间。此外，根据过去数据推测θ，成为学习问题，有必要预先对很多的路段进行学习。

[预测处理的选择]

本实施方式的行程时间预测装置100具有利用所述3种预测机构和取得的行程时间实时数据，求出各路段的适当的预测方法，进行有效的预测处理的功能。

首先，预先决定成为各预测的对象的期间。例如，决定如果为现在时刻t₀时，关于1≤t₀+6，作为短期预测的对象，关于t₀+7≤t≤t₀+25，作为中期预测的对象，此后，原封不动地输出行程时间推移模式存储DB104的值(长期预测)。

如果时间间隔为5分钟，所述规则就意味着从现在时刻到30分钟后，进行短期预测，此后到120分钟后，进行中期预测，再之后进行长期预测。

本实施方式的行程时间预测装置100判定关于所述短期预测和中期预测对象时间，是进行短期预测和中期预测，还是原封不动使用行程时间推移模式存储DB104的值。

关于短期预测，使用AR模型时，为了进行预测，按照AR模型的次数追溯到过去的实时数据成为必要。例如使用m次的AR模型时，相当于t₀-m≤t≤t₀的期间的行程时间实时数据是必要的。

本实施方式的行程时间预测装置100是该期间的行程时间实时数据101和行程时间推移模式存储DB104的值的差异大时，使短期预测算法工作，如果不这样，就原封不动使用行程时间推移模式存储DB104的值进行预测。

例如，以下的量比预先决定的阈值Δ_S还大时，进行短期预测，不是这样时，不进行。

[数学式9]

$\sqrt{\frac{1}{m+1}\underset{t_0-m}{\overset{t_0}{\mathrm{\Σ}}}{(w_t-x_t)}^2}$

这里，Δ_s的具体值可以用必要的行程时间的精度决定。例如如果1分钟的精度是必要的，就每隔1分钟，能够只在必要的时候，输出基于所述短期预测的行程时间。

关于中期预测，同样，相当于t₀-1/α≤t≤t₀的期间的行程时间实时数据成为必要。这时，根据把所述数学式7的m置换为1/α而取得的量是否比预先决定的值Δ_M还大，能判定是否要执行中期预测。Δ_M也与所述Δ_S同样，可以用必要的精度决定，但是一般中期预测与短期预测相比，不能期待更高精度，所以设定Δ_S的数倍左右是适当的(例如，5分钟)。

如上所述，通过适宜设定Δ_M和Δ_S，能控制与预测处理有关的计算成本。

[预测处理的分组]

例如，关于同一道路上的连续的2个路段的行程时间实时数据在很多的时候，能期待具有非常相似的统计性质。此外，关于并行的2个道路上的路段，也同样。特别是如果考虑行程时间实时数据和行程时间推移模式的差分，就能吸收道路固有的性质，期待相关更清楚。因此，本实施方式的行程时间预测装置100预先对路段的集合，根据形成时间推移模式存储DB104的值，进行群集，把表现相似的倾向的路段分组。

因此，关于各组，决定一个代表路段。如果关于中期预测，只关于该代表路段，求出中期预测中使用的变换参数(a帽(t₀)，b帽(t₀))，就能对属于该组的路段，进行预测。在对于无法取得现在时刻的实时数据的路段，预测也成为可能(实质上能把全国全部的道路作为预测对象)的方面，和能够削减计算时间的方面这2方面在中期预测中是特别有利的。

该群集有必要对成为预测对象的全部路段进行，但是，因为认为在地理上远离的路段彼此原本没有相关，所以只在分块化的地区内处理。例如，以考虑这些地理关系的阶层构造(地域/2次网格/路段组/路段/)保持行程时间推移模式，能把所述群集容易化。此外，如上所述，用阶层构造管理行程时间推移模式在负荷分散和扩张性的方面也有利。

此外，所述的群集处理基本上作为前处理进行一次，没必要实时进行。作为具体的群集方法，能使用Ward法、k-means等古典的方法(例如参照基于神岛敏弘的“数据开采领域的群集方法(1)-使用群集，试试看！-”人工智能学会杂志、vol.18、no.1、pp.59-65(2003))、基于T.Kohonen的书籍(“Self-OrganizingMaps，”Springer-Verlag，Berlin，2001)中提出的SOM(Self Organized Map＝自组织图)等。

[预测处理的调度]

接着，说明本实施方式的行程时间预测装置100的动作(预测处理的调度)。

图9、图10是表示本实施方式的行程时间预测装置100的动作(预测处理的调度)的流程图。如果参照图9，行程时间预测装置100就按照预测对象路段的集合与预测对象时间，从行程时间推移模式存储DB104加载必要的行程时间推移模式(步骤S201)。

然后，行程时间预测装置100定期执行图9所示的预测信息的更新处理(步骤S202)。

如果参照图10，则首先行程时间预测装置100根据到现在时刻为止的行程时间实时数据、在步骤S201中加载的行程时间推移模式、预测对象时间，判定短期预测、中期预测是否必要(步骤S211)。

行程时间预测装置100从预测对象路段所属的组选择代表路段(步骤S212)。

行程时间预测装置100如果在步骤S211中判定为需要中期预测，就执行中期预测处理(步骤S213)。同样，如果在步骤S211中判定为需要短期预测，行程时间预测装置100就执行短期预测处理(步骤S214)。

最后，行程时间预测装置100综合各预测结果，输出与预测对象路段和预测对象时间对应的行程时间预测结果(步骤S215)。

在本实施方式中，如所述“预测处理的选择”中所述那样，组合短期预测、中期预测、长期预测各自的优点，以少的计算量能取得保证一定精度的预测结果。此外，如所述的“预测处理的分组”中所述，关于包含由于成本等事情，实质上不可能取得实时数据的路段(道路区间)的路线的预测也成为可能。

此外，按所述计算的精度高的预测数据在个人司机、运送旅客或物品的运输业从业者、出租车从业者、公共汽车从业者等各种运输业者中，成为进行路线选择或对利用者的二次的信息服务上的有用的信息。

能使用具有提供由所述的行程时间预测装置100输出的行程时间预测结果的机构的交通信息提供系统，进行交通信息提供服务。这些信息内容鉴于其有用性，能以设定一定的配送期间的固定制或与信息配送次数或配送尺寸等对应的按量制等任意的收费体系有偿配送。此外，或者与给定广告组合配送，从而如果使该广告主负担系统运营费，就能免费配送。

不仅行程时间预测结果，也可以适当付与注释，也一并配送所述变换参数。

以上，说明了本发明的理想的各实施方式，但是这些实施方式记载本申请人所能够知道的理想的实施方式，在不脱离本发明的要旨的范围中，当然能加以各种变形。

Claims (15)

1.一种行程时间预测装置，把从全部路段集合中指定为预测对象的路段、预测对象的日期时间、关于所述指定的路段逐次输入的行程时间的时间系列数据作为输入，输出所述指定的路段和日期时间的预测行程时间，该行程时间预测装置：

从保持至少按日期种类统计处理过各路段的过去的时间系列数据的行程时间推移模式的数据库，取得与所述指定的路段以及日期种类对应的行程时间推移模式；

计算该行程时间推移模式和所述逐次输入的行程时间的时间系列数据之间的误差减小的行程时间推移模式的变换参数；

使用根据该计算出的变换参数，变换所述行程时间推移模式而取得的预测函数，进行预测。

2.根据权利要求1所述的行程时间预测装置，其特征在于：

计算行程时间推移模式的变换参数，所述行程时间推移模式和所述逐次输入的行程时间之间的加权误差，与补偿项之和减小。

3.根据权利要求2所述的行程时间预测装置，其特征在于：

通过减小预测随机复杂性，把所述加权误差的加权系数和补偿项的大小最优化。

4.根据权利要求1～3中的任意一项所述的行程时间预测装置，其特征在于：

作为所述变换参数，至少计算所述行程时间推移模式的常数倍参数和水平移动参数。

5.根据权利要求1～3中的任意一项所述的行程时间预测装置，其特征在于：

作为所述变换参数，至少计算所述行程时间推移模式的垂直移动参数和水平移动参数。

6.根据权利要求1～3中的任意一项所述的行程时间预测装置，其特征在于：

根据所述逐次输入的过去一定时间中观测的给定个数的行程时间的时间系列数据，与使用应用/不应用按每次计算减小的方式决定的暂时变动宽度的多个模式的暂时变换参数所计算出的预测值之间的误差的出现概率，通过重复给定次数所述暂时变换参数的更新和所述误差的计算，决定所述行程时间推移模式的变换参数。

7.根据权利要求1～3中的任意一项所述的行程时间预测装置，其特征在于：

还具有利用自动回归模型，进行直到将来给定时间的行程时间的短期预测的短期预测机构；

关于超过所述短期预测机构的预测范围的部分，进行使用所述预测函数的行程时间中期预测。

8.根据权利要求1～3中的任意一项所述的行程时间预测装置，其特征在于：

还具有利用自动回归模型，进行直到将来给定时间的行程时间的短期预测的短期预测机构；

关于超过所述短期预测机构的预测范围的部分，进行使用所述预测函数的行程时间中期预测；

在所述短期预测和中期预测中，只当所述逐次输入的行程时间的时间系列数据和所述数据库中存储的行程时间推移模式故意不同时，执行预测。

9.根据权利要求1～3中的任意一项所述的行程时间预测装置，其特征在于：

还具有利用自动回归模型，进行直到将来给定时间的行程时间的短期预测的短期预测机构；

关于超过所述短期预测机构的预测范围的部分，进行使用所述预测函数的行程时间中期预测；

关于全部预测对象路段，划分为预先设定的组，对所述各组的每一个的代表路段，事先求出所述变换参数；

对属于与所述代表路段相同的组的路段，使用所述变换参数的值进行预测。

10.一种交通信息提供系统，

与权利要求1～3中的任意一项所述的行程时间预测装置连接；

还具有：对给定的终端，提供包含由所述行程时间预测装置输出的预测行程时间的交通信息的机构。

11.一种交通信息提供系统，

与权利要求1～3中的任意一项所述的行程时间预测装置连接；

还具有：对给定的终端，提供包含由所述行程时间预测装置输出的预测行程时间的交通信息的机构；以及

所述交通信息的配送期间被固定的固定制的收费机构。

12.一种交通信息提供系统，

与权利要求1～3中的任意一项所述的行程时间预测装置连接；

还具有：对给定的终端，提供包含由所述行程时间预测装置输出的预测行程时间的交通信息的机构；以及

与所述交通信息的配送次数对应的按量制的收费机构。

13.一种交通信息提供系统，

与权利要求1～3中的任意一项所述的行程时间预测装置连接；

还具有：对给定的终端，提供包含由所述行程时间预测装置输出的预测行程时间的交通信息的机构；

与所述交通信息一起，提供所述预测函数的变换中使用的所述变换参数的值。

14.一种使用计算机的行程时间预测方法，把从全部路段集合中指定为预测对象的路段、预测对象的日期时间、关于所述指定的路段逐次输入的行程时间的时间系列数据作为输入，输出所述指定的路段和日期时间的预测行程时间，该方法包括：

所述计算机从保持至少按日期种类统计处理过各路段的过去的时间系列数据的行程时间推移模式的数据库，取得与所述指定的路段以及日期种类对应的行程时间推移模式的步骤；

所述计算机计算所述行程时间推移模式和所述逐次输入的行程时间的时间系列数据之间的误差减小的行程时间推移模式的变换参数的步骤；

所述计算机根据所述计算出的变换参数，变换所述行程时间推移模式，取得预测函数的步骤；以及

所述计算机使用所述预测函数，预测所述指定的路段和日期时间的预测行程时间并输出的步骤。

15.一种使计算机执行的程序，把从全部路段集合中指定为预测对象的路段、预测对象的日期时间、关于所述指定的路段逐次输入的行程时间的时间系列数据作为输入，输出所述指定的路段和日期时间的预测行程时间，使计算机执行以下的处理：

从保持至少按日期种类统计处理过各路段的过去的时间系列数据的行程时间推移模式的数据库，取得与所述指定的路段以及日期种类对应的行程时间推移模式的处理；

计算该行程时间推移模式和所述逐次输入的行程时间的时间系列数据之间的误差减小的行程时间推移模式的变换参数的处理；

根据所述计算出的变换参数，变换所述行程时间推移模式，取得预测函数的处理；以及

使用所述预测函数，预测所述指定的路段和日期时间的预测行程时间并输出的处理。

Images