CN101908270B - 事件判断装置 - Google Patents
事件判断装置 Download PDFInfo
- Publication number
- CN101908270B CN101908270B CN201010149244.8A CN201010149244A CN101908270B CN 101908270 B CN101908270 B CN 101908270B CN 201010149244 A CN201010149244 A CN 201010149244A CN 101908270 B CN101908270 B CN 101908270B
- Authority
- CN
- China
- Prior art keywords
- event
- series data
- time series
- information
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了提供事件判断装置的技术,该事件判断装置可特别指定在交通堵塞预测等各种领域中能利用的事件信息中的事件举办场所,根据该技术,具备:接收单元(901),接收预定的信息,该预定的信息用于判断在预定的地点是否举办事件;生成单元(902),基于预定的信息生成向预定的地点的到来者的人数的时间序列数据;取得单元(903),从预定的存储区域取得在预定的地点过去有事件时的到来者人数的第一时间序列数据和没有事件时的到来者人数的第二时间序列数据;以及判断单元(904),将生成的时间序列数据的模式与第一时间序列数据和所述第二时间序列数据各自的模式进行比较,在生成的时间序列数据的模式与第一时间序列数据的模式相当或近似的情况下,判断为在所述预定的地点举办事件。
Description
技术领域
本发明涉及对在某个地点是否举办事件(event)进行判断的事件判断装置。
背景技术
在用户取得与事件相关的信息(事件信息)时,通常利用刊登事件信息(事件的举办场所、日期时间等的信息)的杂志或Web等来取得。但是,事件信息没有体系化,不能管理全部的事件信息,因此难以取得规模小的事件的信息、或没有在杂志或Web上公开的事件的信息。虽然取得一切事件信息是困难的,但是只要能够把握这样大范围的事件信息,就能实现掺加了事件的信息的交通堵塞预测等,能够在各种领域中利用。
在这里,现有的交通堵塞预测是基于过去的统计信息(过去的拥挤度)的定期的交通堵塞预测。在具体的方法中有统计的估计、时间序列预测、时间序列模式的模式匹配等。统计的交通堵塞预测,是已有的在汽车导航系统或相关研究中进行的方法,主要在中长期(数小时~数日后)的预测中利用。基本上根据过去的统计来预测特定的日期时间的各路线(link)的交通堵塞度。例如,取得“星期日的早晨9:00-10:00”等的统计,将其平均值作为预测值进行提示。或者也提出有通过机器学习方法(决策树、神经网络、贝叶斯方法等)细致地对与其属性(星期几、天气、时间带等)的关系进行估计的方法。作为参考资料,有Honda Internavi VICS交通堵塞预测信息(http://premium-club.jp/PR/technology/tech3.html)。
时间序列预测基于通常的时间序列预测方法(AR模型、ARIMA模型、卡尔曼滤波器等),求取各路线的预测值。是根据过去数分钟的时间序列数据利用回归模型进行数分钟后的预测的模型。在比较短期的预测(数分钟~数小时后)中利用(参照下述的专利文献1)。
模式匹配是如下的方法,其在上述的时间序列预测中不能应对非线性的现象,但通过将交通模式作为典型的举动的连续进行把握,从而进行预测。基于现在的交通堵塞度时间序列模式,根据过去的模式数据库(统计)估计接下来的时刻的模式。使用机器学习方法(参照下述的专利文献2)。
此外,在交通堵塞预测中也存在对与事件相关的交通堵塞进行预测的方法,其在下述的专利文献3、4中公开。可是,在该方法中关于事件信息的数据的收集如杂志或Web的编纂那样,必须利用人工进行数据输入。成为交通堵塞预测的依据的特征量信息不在专利文献3中公开的技术中使用,如在专利文献4中公开的那样,以事件的日期时间、预想人数、交通管制等预先准备的信息为前提,是限定的。
再有,也尝试从Web上提取事件信息,这能够使用HTML信息或语言信息来提取事件的信息(日期时间、场所、类型等)。可是,应用主要是将事件信息进行整形而向用户配送的1次利用。作为参考资料,有“从HTML文本的事件信息提取(三宅新二、冈部一光、鸟越秀之、横田一正)”(http://fw8.bookpark.ne.jp/cm/ipsj/particulars.asp?content_id=IPSJ-DBS02128005-PRT)。也存在不在Web或杂志上刊登的信息(小学的运动会等),即使根据收集技术,也难以得到充分包括的数据。此外,在Web或杂志的信息中,不能完全追踪雨天导致的中止等的信息的情况较多,作为实时的信息是不充分的。
再有,还有本申请的申请人提出的未公开的申请,在该申请中公开了从探测车(probe car)提取POI的存在、类型等的系统。在该申请中针对事件的提取也记述了简单的方法(以单纯的阈值进行的判定),但实现可能性不大。
专利文献1:日本专利申请特开2001-307278号公报(摘要)
专利文献2:日本专利申请特开2002-298281号公报(摘要)
专利文献3:日本专利申请特开2004-272408号公报(摘要)
专利文献4:日本专利申请特开2004-280731号公报(摘要)
本发明要解决的课题
上述的现有的交通堵塞预测是基于过去的统计(对象日期时间的平均、时间序列、模式等)的预测,根据交通量对交通量进行预测。据此不可能实现主要原因是非固定的交通现象或交通量的固定的变动以外的交通现象的预测。在成为固定的交通现象以外的交通堵塞的原因的现象中,有交通事故或施工工程、还有没有事先的信息的体育、庆祝仪式等的事件等。如果没有事先把握事件信息的话,在事件时可能发生大规模的交通集中,在大范围发生交通堵塞。即使是与事件相关的交通堵塞预测方法,在没有事先的事件信息的突发的事件的情况下,也难以实现交通堵塞预测。
虽然也能预先收集事件信息,但在Web等发表的事先的事件信息分离、遍布在许多的网站上,记述内容或形式也是各种各样。此外,虽然也有收集事件信息的网站,但网罗性低。在这样的状况下,事件信息的收集也是不充分的,在不是定期的事件的情况下难以利用现有的交通堵塞预测方法实现预测。根据以上情况,即使是预先仅获知事件的举办场所和日期时间,也能实现更正确的交通堵塞预测。
发明内容
本发明鉴于上述问题点,其目的在于提供一种能够特别指定可在交通堵塞预测等各种领域中应用的事件信息中的事件的举办场所。
用于解决课题的方案
为了实现上述目的,根据本发明,提供一种对在预定的地点中是否举办事件进行判断的事件判断装置,具备:接收单元,接收预定的信息,该预定的信息为了判断在上述预定的地点是否举办事件而使用,包含来到上述预定的地点的到来者的人数;生成单元,基于上述预定的信息,生成向上述预定的地点的到来者的人数的时间序列数据;取得单元,从预先存储有在上述预定的地点过去有事件时的到来者的人数的第一时间序列数据和没有事件时的到来者的人数的第二时间序列数据的预定的存储区域,对该两数据进行取得;以及判断单元,将在上述生成单元生成的上述时间序列数据的模式,与取得的上述第一时间序列数据和上述第二时间序列数据各自的模式进行比较,判断生成的上述时间序列数据的模式与上述第一时间序列数据的模式相当或近似,还是与上述第二时间序列数据的模式相当或近似,在与上述第一时间序列数据的模式相当或近似的情况下,在举办上述事件之前,判断为在上述预定的地点举办事件。通过对地域内的多个区划进行该事件判定,能够提取任意的区划的事件。通过该结构,能够特别指定可在交通堵塞预测等各个领域中利用的事件信息中的事件的举办场所。
此外,在本发明的事件判断装置中,优选上述预定的信息是来自探测系统的探测器的探测信息和/或来自带有GPS的便携式移动终端的移动历史信息。通过该结构,通过获得细致大量的信息,从而能够正确地判断是否举办事件。
此外,在本发明的事件判断装置中,优选上述生成单元不仅将来到上述预定位置的到来者、还将来到上述预定的地点的周围地域的到来者作为向上述预定位置的到来者,生成向上述预定的地点的到来者的人数的时间序列数据。通过该结构,能够高精度地判断、预测是否举办事件。
此外,本发明的优选方式是,在本发明的事件判断装置中,在上述生成单元将来到上述预定的地点的上述周围地域的到来者作为向上述预定位置的到来者的情况下,掺加与从上述周围地域到上述预定的地点的距离对应的向上述预定的地点的到来时间,生成上述时间序列数据。通过该结构,能够高精度地判断是否举办事件。
此外,本发明的优选实施方式是,在本发明的事件判断装置中,上述预定的信息是停车场预约的信息,上述生成单元基于预约的停车场的使用时间,生成向上述预定的地点的到来者的人数的时间序列数据。通过该结构,能够利用停车场预约的信息,正确地判断是否举办事件。
此外,本发明的优选方式是,在本发明的事件判断装置中,上述预定的信息是在汽车导航系统中将目的地设定为上述预定的地点的时刻的地点信息,上述生成单元基于与在将上述目的地设定为上述预定的地点的时刻的从上述地点到上述预定的地点的距离对应的到来时间,生成向上述预定的地点的到来者的人数的时间序列数据。通过该结构,能够利用进行了目的地设定的地点的信息,正确地判断是否举办事件。
此外,本发明的优选方式是,在本发明的事件判断装置中,具备:分割单元,将地图分割为多个地域;以及计算单元,基于过去的数据对各个分割后的分割地域的向上述预定的地点的到来比率进行计算,上述接收单元对从各个上述分割地域出发的出发者的数量作为上述预定的信息进行接收,上述生成单元基于:将从相应的分割地域出发的上述出发者的数量乘以计算出的上述到来比率而得到的每个分割地域向上述预定的地点的到来数量、和与从上述各分割地域到上述预定的地点的距离对应的到来时间,生成向上述预定的地点的到来者的人数的时间序列数据。通过该结构,能够利用向举办候补地的过去的到来者的出发地的信息,正确地判断是否举办事件。
此外,本发明的优选方式是,在本发明的事件判断装置中,上述预定的信息是来自探测器的探测信息和/或来自便携式移动终端的移动历史信息,其中,该探测器是从探测系统的探测器的出发地到现在地的地图上的矢量、和从上述现在地到上述预定的地点的地图上的矢量的内角的角度在预定范围中的探测器,该便携式移动终端是从便携式移动终端的出发地到现在地的地图上的矢量、和从上述现在地到上述预定的地点的地图上的矢量的内角的角度在预定范围中的便携式移动终端,上述生成单元基于与从上述现在地到上述预定的地点的距离对应的到来时间,生成向上述预定的地点的到来者的人数的时间序列数据。通过该结构,能够利用表示行进方向的矢量,正确地判断是否举办事件。
此外,本发明的优选方式是,在本发明的事件判断装置中,上述判断单元对上述第一时间序列数据和上述第二时间序列数据分别进行预定的模型化,将在上述生成单元中生成的时间序列数据适用到上述被模型化后的模型,在举办上述事件的情况下在举办之前判断在上述预定的地点是否举办事件。通过该结构,能够容易地进行判断。
此外,根据本发明,提供一种对在预定的地点是否举办事件进行判断的事件判断装置,具备:接收单元,从探测系统的多个探测器和/或多个便携式移动终端,在上述多个探测器和/或多个便携式移动终端各自出发时接收包含出发地信息的表示出发了的趣旨的信息,在到达目的地时接收包含目的地信息的表示到达了的趣旨的信息;生成单元,基于在上述接收单元接收到的多个信息,在地图上重叠地生成表示多个出发和到达的时间序列点分布数据;以及判断单元,基于生成的上述时间序列数据,在上述事件举办之前判断被认为举办事件的地点是哪里。通过该结构,能够特别指定可在交通堵塞预测等各个领域中利用的事件信息中的事件的举办场所。
此外,本发明的优选方式是,在本发明的事件判断装置中,上述生成单元生成除以预定时间带的出发和到达数量的平均值之后的、或减去预定时间区间的固定时间序列后的上述时间序列数据。通过该结构,能够更正确地判断是否举办事件。预定的时间区间例如是1天等。
此外,根据本发明,提供一种对在预定的地点中是否举办事件进行判断的事件判断装置,具备:
接收单元,从多个探测器和/或多个便携式移动终端接收信息,该信息包含多个上述探测系统的探测器和/或多个上述便携式移动终端到达上述预定的地点的趣旨和出发地信息;
生成单元,基于接收的多个信息,通过主成分分析将到达上述预定的地点的上述多个探测器和/或上述多个便携式移动终端的出发地的分布分离,按分离后的成分的每一个生成到来者的人数的时间序列数据;
取得单元,从预先存储有在上述预定的地点过去有事件时的第一时间序列数据和没有事件时的第二时间序列数据的预定的存储区域,对该两数据进行取得;以及
判断单元,将在上述生成单元生成的上述时间序列数据各自的模式,与取得的上述第一时间序列数据和上述第二时间序列数据各自的模式进行比较,判断生成的上述时间序列数据各自的模式与上述第一时间序列数据的模式相当或近似,还是与上述第二时间序列数据的模式相当或近似,在与上述第一时间序列数据的模式相当或近似的情况下,在举办上述事件之前,判断为在上述预定的地点举办事件。通过该结构,能够比较多个要素时间序列,更高精度地特别指定可在交通堵塞预测等各个领域中利用的事件信息中的事件的举办场所。
发明的效果
本发明的事件判断装置具有上述结构,能够特别指定可在交通堵塞预测等各种领域中应用的事件信息中的事件的举办场所。
附图说明
图1是用于说明本发明的实施方式中的判断是否有事件的方法的图。
图2是用于说明本发明的实施方式中的判断是否有事件的其它方法的图。
图3是表示本发明的实施方式的事件状态的标记的一个例子的图。
图4是用于说明本发明的实施方式中的通过主成分分析将出发地的分布分离为多个成分的方法的图。
图5是用于说明本发明的实施方式的使用到达了事件的举办候补地的人的过去的出发地的点分布的方法的图。
图6是用于说明本发明的实施方式的用于识别方向的方法的一个例子的图。
图7是用于说明本发明的实施方式中的判断为到来候补者的方法的图。
图8是用于说明本发明的实施方式中的判断到来候补者的方法的其它的图。
图9是表示本发明的实施方式的事件判断装置的结构的一个例子的图。
图10是表示本发明的实施方式的从Web提取的信息的一个例子的图。
具体实施方式
针对本发明的实施方式的一个例子进行说明。在这里,取得来到举办候补地(举办候补地的用地内或举办候补地的用地周围道路的范围内)的人或车辆等的到来数量(的统计),利用取得的到来数量判断是否有事件。在这里,到来数量是来到举办候补地的人数(不仅是步行者的人数,而是加上搭乘车辆的人的人数后的数量)也可,是到来的人的人数和到来的车辆的数量也可。搭乘车辆的人的人数是在发动发动机使车辆行驶之前预先输入的数量也可,是统计地求取的每一车辆的平均搭乘人数也可。此外,举办候补地(相当于上述的预定的地点)是预先决定的场所,是认为举办事件的场所。
判断人或车辆来到举办候补地的基准,例如是在举办候补地的人的停止、车辆的停车、从计程车的下车等。即,例如人在举办候补地停止固定时间以上的情况、或车辆在举办候补地停车的情况、或人在举办候补地从出租车下车的情况下,判断为人或车辆来到举办候补地。到来数量例如通过来自带有GPS功能的便携式移动终端的GPS便携式日志(log)、或从探测系统的探测器(探测车、探测人等)送来的信息来求取。也将这些信息称为空间动态信息。
此外,到来数量不基于从各便携式移动终端或各探测器收集的信息进行求取,而是未图示的通知装置从各便携式移动终端或各探测器收集信息并对到来数量进行测定,将到来数量的测定结果对事件判断装置通知也可。该通知装置是事件判断装置的构成要素也可,不是事件判断装置的构成要素也可。在未图示的通知装置是事件判断装置的构成要素的情况下,后述的接收单元接收预定的信息,包含取得将预定的信息通过有线等传递后的信息的概念。
再有,在求取到来数量的情况下,不仅是实际的探测器信息的空间动态信息,也可以为了补充而使用Web上的信息。根据POI的属性,在取得Web上的信息的情况下,也可以不仅取得属性信息,还取得文本的信息、网站的排名信息等。具体地,从HTML结构等进行属性提取。与事件相关的说明文、投稿信息也同时作为与事件相关联的报道(文章)而进行提取。文章的部分基于将词语频度以TF/IDF等的模型进行矢量化的方法,进行数量化(这时为了压缩维数,通过词类(名词、动词、形容词等)的限定、主成分分析、多重回归分析等进行与交通堵塞相关的属性的甄选等)。从Web上提取的信息例如是图10所示的形式。该信息是将与其POI相关的主题总结后的信息,可以说是事件信息的类型信息的补充信息。在提取后,按照事件的类型(体育、音乐会等)的每一个将信息存储在标准化后的数据库中。
在这里的实施方式中,基于过去的到来者的时间序列数据(以下,也称为到来者的时间序列数据),生成以前在举办候补地有事件的情况和没有事件的情况的模型,利用生成的模型判断在该举办候补地是否有事件。具体地,在判断是否有事件的情况下,对基于空间动态信息的到来者的时间序列数据相当于有事件的情况下的模型和没有事件的情况下的模型的哪一个进行比较并判断。如果是相当于有事件的情况下的模型的数据的话,能够判断在该举办候补地举行事件。再有,也可以不进行模型化而比较时间序列数据本身的模式,判断是否有事件,使用图1对该情况进行说明。
在有如图1表示的过去的到来者的时间序列(没有事件的情况下的时间序列数据101、有事件的情况下的时间序列数据102)的情况下,对在判断是否有事件的时刻的时间序列数据103相当或近似于哪个时间序列数据的模式进行判断。这里,在地点104的部分有拥挤度的峰值,由于近似于有事件时的时间序列数据,所以在时间序列数据103的情况下判断为有事件。在这里,相当指的是除了完全一致以外还包含大致一致的概念,近似指的是虽然不是完全一致或大致一致,但是包含类似度高的情况的概念。
再有,如果上述模型化能够区别有事件的情况和没有事件的情况的模式的话,是单纯的线性预测、回归分析、机器学习、时间序列模型、或状态空间模型等也可。此外,也能够预先扣除一天中的固定交通量等,仅对差分进行模型化。此外,在上述时间序列数据中,不仅是举办候补地的数据,通过掺加周围的空间动态信息(举办候补地周围的人或车辆的动向的信息)等,能够构筑精度更高、能够长期预测的模型。例如,根据多个场所的空间动态信息取得可能朝向举办候补地的人的合计,将其作为到来候补者在是否有事件的判断中利用。由此,与仅使用举办候补地(当地)的数据相比能够实现更高精度的事件检测。
此外,作为判断是否有事件的方法也有以下的方法。对人或车辆的到达数量(到来数量)以及发车数量(出发数量)进行计数,在各区域、各时间带取得统计,得到图2所示的三维柱状图。具体地,从探测器或便携式移动终端,在多个探测器和/或多个便携式移动终端出发时接收多个包含出发地的信息的表示出发了的趣旨的信息,在到达目的地时接收多个包含目的地的信息的表示到达了的趣旨的信息,基于接收的多个信息,将多个表示出发和到达的时间序列数据在地图上重叠,生成例如图2所示的那样的柱状图。
在这里,出发指的是在探测车的发动机发动并发车时;将设在停车制动的操纵杆切换到驾驶模式的操纵杆并发车时;对便携式移动终端进行预定的操作,将对应其的信号发送并且便携式移动终端发车时等。此外,到达指的是,在探测车的发动机停止时;从驾驶模式的操纵杆切换到停车制动的操纵杆并且经过预定的时间时;暂时停止预定的时间时;对便携式移动终端进行预定的操作,将与其对应的信号发送时;以及便携式移动终端暂时停止预定时间时等。
也可以使用根据这样的三维柱状图的模型化对是否有事件进行判断。例如,不是单纯的合计,而是除去趋势部分(每隔一天的固定的变化等)。即,例如在除去预想为拥挤的早晚的上下班时间等的特殊的时间带等后的合计。通过进行除去每个地域的平均值进行标准化等的适合的预处理,从而能够提取像事件时那样的进行与通常不同的行动的场所。
图2中涂黑的单元表示到达数量、涂白的单元表示出发数量。如图2的圆柱201内表示的那样,在事件发生的场所中较多地观察到到达→出发的模式。利用这个情况,通过模式匹配或状态空间模型(HMM:Hidden Marcov Model,隐马尔科夫模型)等,能够进行事件的检测、或包含事件前状态、后状态等的事件状态检测或将其应用后的事件预测。再有,关于HMM参照以下。
http://ja.wikipedia.org/wiki/%E9%9A%A0%E3%82%8C%E3%83%9E%E3%83%AB%E3%82%B3%E3%83%95%E3%83%A2%E3%83%87%E3%83%AB
通过定义事件前状态,从而能够实质地实现事先的事件发生预测。
在事件状态检测中,例如能够实现图3所示那样的事件状态的标记。这使用HMM,但使用到达数量和出发数量的实数的差分,或与前期的差分等来决定状态。此外,为了不依赖于预先固定的时间空间格子(grid),也能够一起使用利用了时间空间扫描统计量(http://www.geog.or.jp/journal/back/pdf117-2/p506-521.pdf)的地域提取。
此外,在上述分析中使用的时间序列仅是到达数量(到来数量)和发车数量(出发数量)的这两个,但通过使用到来者的出发地的成分对其进行表现,能够利用多个时间序列。由此,能够捕捉事件时和事件时以外的时间带的到来者的质的变化,能够更高精度地提取事件的举办。如图4所示,通过主成分分析将向地点(POI)400的到来者的出发地的分布401分离为成分402到404。
成分402表示在地域405、406出发的到来者的分布,成分403表示在地域407、408出发的到来者的分布,成分404表示在地域409出发的到来者的分布。对代表的主成分例如提取上位数个左右,利用将各个成分的来自各地域的到来者合计后的时间序列数据410到412,判断是否有事件。在图4的情况下,成分403的时间序列数据411在某个时间朝向峰值,在之后到来者的数量减少,因此能够判断在地点400有事件。再有,在出发者的情况下,通过主成分分析将出发者的目的地的分布分离为各成分,利用各个成分的时间序列。
再有,关于主成分分析参照以下。作为主成分分析中的变量取得各地点的出发者数量(以格子或行政区划等合计的值也可),由此能够对在相同时间带到来的地域进行分类。例如在事件发生前从特有的地域的到来比较突出的情况等下是有效的。
http://ja.wikipedia.org/wiki/%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90
在这里,在上述的、取得到来的人或车辆等的到来数量(的统计),利用取得的到来数量判断是否有事件的方法的情况下,基于实际来到举办候补地的车辆或人的数据对是否有事件进行判断。可是,不是实际上来到举办候补地的车辆或人的数据,而是将认为将来来到举办候补地的对象看作向举办候补地的到来者,也能够判断是否有事件。在以下,针对认为将来来到举办候补地的到来者的预测进行说明。
首先,利用入场券预约信息、停车场等的预约信息、例如前一天的与举办候补地(POI)相关的Web主页的访问数量等的信息(根据Web主页的访问数量,与停车场等相比的特征在于,作为一般的POI来对待),判断在举办候补地是否有事件。在知道事件举办日期时间的情况下,以机器学习模型等对其规模、交通堵塞度、过去的数据(入场券、停车场、Web访问和实际的拥挤度的关联)进行学习。具体地,例如在停车场的预约信息的情况下,根据停车场预约网站等的POS信息取得预约状况,基于预约的停车场的使用时间生成向举办候补地的到来者的时间序列数据。
再有,在Web主页的访问数量的信息等的情况下也能同样地生成时间序列数据。然后,基于根据没有事件的情况下的过去的预约状况的到来者的时间序列数据、和根据有事件的情况下的过去的预约状况的到来者的时间序列数据进行模型化,判断这次生成的时间序列数据相当于没有事件的情况和有事件的情况的哪一个。再有,如上所述,也可以不进行模型化而仅对时间序列数据进行比较来进行是否有事件的判断。
此外,在汽车导航系统等中将目的地设定为举办候补地的情况下,根据设定时的地点和举办候补地的距离求取到达预想时间。通过像这样求取到达预想时间,生成向举办候补地到来的车辆的正确的时间序列数据。而且,在过去在汽车导航系统中向举办候补地设定目的地的情况下,根据没有事件的情况和有事件的情况的时间序列数据进行模型化,判断这次生成的时间序列数据相当于哪一个模型。由此,能够判断是否有事件。再有,如上所述,也可以不进行模型化而仅对时间序列数据进行比较来判断是否有事件。
此外,在上述的方法以外,也有使用到达了事件的举办候补地的人的过去的出发地的点分布的方法。在该方法中,以格子(地图的分割地域)等对该点分布进行合计,可知向该举办候补地到来的人的比率大(关联深)的格子。具体地使用图5进行说明。首先,根据如图5所示那样的分割为多个格子的过去的点分布(数据),求取每个格子的向事件的举办候补地501的到来者数量的比率α。在某个格子502内有成为候补的多个出发点。对在这些出发点出发的人(也包含车辆)向举办候补地501以什么程度到达的比率(到来比率)α进行计算。即,在图5所示的格子501的情况下,α=3(到达数量)/6(出发点的数量)=0.5。以这样的方式对各格子计算α。
然后,将这次的对应于各格子的出发点的数量(例如,通过接收部等从外部接收的)x和该格子的比率α相乘。通过该处理可知每个格子的向举办候补地的到来数量。然后,基于该到来数量、和与从各格子到举办候补地的距离对应的到来时间,生成向举办候补地的到来者的时间序列数据。根据生成的时间序列数据,判断是否有事件。再有,从格子到举办候补地的距离,作为从各出发点到举办候补地的距离也可,将格子的中心地作为该格子的出发点、作为从该出发点到举办候补地的距离也可。
再有,对于实际上在格子出发的全部的对象,求取与从格子到举办候补地的距离对应的到来时间,基于其生成向举办候补地的到来者的时间序列数据也可。
此外,在上述中仅将从各格子向举办候补地方面的出发者作为到来候补者也可。再有,方向的确定以图6所示方式进行。在这里,圆601是从出发地605起半径d[m]的圆,实线602是连接实际的动态观测点的线(对包含出发地605的4点进行连结),虚线矢量603是从出发地605向现在地(第四点的探测点)的矢量,实线矢量604是从出发地多边形606(或格子)的中心向名古屋球场的POI多边形607(或格子)的中心的矢量。在这里,在探测点向圆601的外侧超出的时刻(离开d[m]以上的情况下)或超出格子的时刻,作为方向确定,将虚线矢量603和实线矢量604的内角的角度在固定范围内的作为POI目标的探测器(probe)(成为对象的探测器)。
此外,在上述的方法以外,也可以将到来候补者(成为对象的探测器)以下述方式定义。例如,可以将全部的朝向事件的举办候补地的人定义为到来候补者。再有,在上述中,如图7所示,在朝向事件的举办候补地的人中,也可以将从出发地701到现在地702的矢量和从现在地到举办候补地703的矢量的内角在某个阈值以下的人定义为到来候补者。此外,在上述中,在朝向事件的举办候补地的人中,也可以将某个固定期间以上的、现在地和举办候补地的距离减少的人定义为到来候补者。
此外,如图8所示,例如在接近名古屋球场(举办候补地、在这里也称为POI)的人或车辆中,将矢量间的内角的角度θ在预定范围中的对象(人或车辆)作为到来候补,进行信息收集。该车辆的条件如下所示。首先,以POI为中心生成多个同心圆。同心圆的索引从接近于POI的同心圆起作为1、2、...。从出发后第一次进入同心圆i内的探测器取得数据。这时的同心圆i的半径是s的i倍。在这里,s指的是从同心圆(i+1)的半径减去同心圆i的半径后的间隔。
实际上,由于也存在越过第i+1个而进入第i个同心圆的探测器等,所以将在同心圆(i+1)和同心圆i之间的环形区域中存在的对象作为i区间侵入探测器。然后,如图8所示,对从地点803向地点802的朝向、和从地点802向POI的朝向的角度θ位于预定范围内的对象的探测器的信息进行收集。此外,从地点802起行驶预定的距离d[m]以上也成为条件。
通过以上述方法得知是否有事件,进行在事件会场附近掺加了事件的交通堵塞预测,从而对难以预测的交通堵塞进行预告,提高交通信息服务利用者的便利性。具体地,构筑根据有事件、无事件的统计的预测模型,进行交通堵塞预测。作为在这里的预测模型,例如存在根据单纯的期间(时间等)的平均值的预测模型,或在利用星期几、时间带等的说明变量的线性预测(回归)模型的变量中加入有事件、无事件的模型,将有事件、无事件作为状态变量导入的状态空间模型(卡尔曼滤波器等),在使用交通模拟的情况下在OD(OriginDestination)设定等中掺加事件的信息的模型等。
此外,将举办候补地、事件的类型的信息作为向上述事件导致的交通变动的附加参数也可。具体地,以多重回归分析、机器学习等对事件属性(类型、规模、场所、时期等)和总到来者数或向交通变动的影响度(临近交通量、旅行时间等)求取关系,根据属性对其进行估计。由此,能够使对未知的事件的预测精度提高。
在这里,使用图9对本发明的实施方式的事件判断装置的结构的一个例子进行说明。如图9所示,事件判断装置构成为包括:接收部901、生成部902、取得部903、判断部904、储存部905、分割部906、计算部907。接收部901对为了判断事件是否举办而使用的、包含向举办候补地到来的到来者的人数的预定的信息进行接收。该预定的信息例如是上述的空间动态信息、停车场预约的信息、在导航系统中将目的地设定为举办候补地的时刻的地点的信息等,但并不局限于此。
生成部902基于预定的信息生成向举办候补地的到来者的人数的时间序列数据。取得部903例如从储存单元905取得在举办候补地过去有事件时的到来者人数的第一时间序列数据、和没有事件时的到来者的人数的第二时间序列数据。再有,取得部903不从储存部905取得第一时间序列数据和第二时间序列数据,而从外部等取得也可。
判断部904将在生成单元902生成的时间序列数据的模式,与取得的第一时间序列数据和第二时间序列数据的各自的模式进行比较,判断生成的时间序列数据的模式相当于第一时间序列数据的模式,还是相当于第二时间序列数据的模式,在相当于第一时间序列数据的模式的情况下,判断为在举办候补地举办事件。储存部905对上述第一时间序列数据和第二时间序列数据进行储存,或对事件判断装置本身的处理所需要的信息进行储存。如上所述,储存部905不是事件判断装置的构成要素也可。再有,在这里进行根据时间序列数据本身的模式的比较,但如上述那样进行模型化并比较模式也可。
分割部906将地图分割为图5所示的多个地域。计算部907基于过去的数据,计算按分割的格子(分割地域)的每一个的向举办候补地的到来比率。再有,分割部906和计算部907仅在使用到来比率生成到来者的时间序列数据的情况下是必须的,在以其它的方法生成时间序列数据的情况下不是必须的。
产业上的利用可能性
本发明的事件判断装置,能够特别指定在交通堵塞预测等各种领域中能够利用的事件信息中的事件的举办场所,因此对于判断在预定的地点是否举办事件的事件判断装置等是有用的。
Claims (7)
1.一种事件判断装置,对在预定的地点中是否举办事件进行判断,其中,具备:
接收单元,接收预定的信息,该预定的信息为了判断在所述预定的地点是否举办事件而使用,包含来到所述预定的地点的到来者的人数,该预定的信息是在汽车导航系统中将目的地设定为所述预定的地点的时刻的地点的信息;
生成单元,基于所述预定的信息中包含的所述到来者的人数,和从将所述目的地设定为所述预定的地点的时刻的所述地点到所述预定的地点的距离所对应的到来时间,生成向所述预定的地点的到来者的人数的时间序列数据;
取得单元,从预先存储有在所述预定的地点过去有事件时的到来者的人数的第一时间序列数据和没有事件时的到来者的人数的第二时间序列数据的预定的存储区域中,取得该两数据;以及
判断单元,将在所述生成单元生成的所述时间序列数据的模式,与取得的所述第一时间序列数据和所述第二时间序列数据各自的模式进行比较,判断生成的所述时间序列数据的模式与所述第一时间序列数据的模式相当或近似,还是与所述第二时间序列数据的模式相当或近似,在与所述第一时间序列数据的模式相当或近似的情况下,在举办所述事件之前,判断为在所述预定的地点举办事件。
2.一种事件判断装置,对在预定的地点中是否举办事件进行判断,其中,具备:
分割单元,将地图分割为多个地域;
计算单元,基于过去的数据对各个分割后的分割地域的向所述预定的地点的到来比率进行计算;
接收单元,接收预定的信息,该预定的信息为了判断在所述预定的地点是否举办事件而使用,包含从各个所述分割地域出发的出发者的数量;
生成单元,基于将从相应的分割地域出发的所述出发者的数量乘以计算出的所述到来比率而得到的每个分割地域向所述预定的地点的到来数量、和从所述各分割地域到所述预定的地点的距离所对应的到来时间,生成向所述预定的地点的到来者的人数的时间序列数据;
取得单元,从预先存储有在所述预定的地点过去有事件时的到来者的人数的第一时间序列数据和没有事件时的到来者的人数的第二时间序列数据的预定的存储区域中,取得该两数据;以及
判断单元,将在所述生成单元生成的所述时间序列数据的模式,与取得的所述第一时间序列数据和所述第二时间序列数据各自的模式进行比较,判断生成的所述时间序列数据的模式与所述第一时间序列数据的模式相当或近似,还是与所述第二时间序列数据的模式相当或近似,在与所述第一时间序列数据的模式相当或近似的情况下,在举办所述事件之前,判断为在所述预定的地点举办事件。
3.一种事件判断装置,对在预定的地点中是否举办事件进行判断,其中,具备:
接收单元,接收预定的信息,该预定的信息为了判断在所述预定的地点是否举办事件而使用,包含来到所述预定的地点的到来者的人数,所述预定的信息是来自探测器的探测信息和/或来自便携式移动终端的移动历史信息,其中,该探测器是从探测系统的探测器的出发地到现在地的地图上的矢量、和从所述现在地到所述预定的地点的地图上的矢量的内角的角度在预定范围中的探测器,该便携式移动终端是从便携式移动终端的出发地到现在地的地图上的矢量、和从所述现在地到所述预定的地点的地图上的矢量的内角的角度在预定范围中的便携式移动终端;
生成单元,基于在所述预定的信息中包含的所述到来者的人数和从所述现在地到所述预定的地点的距离所对应的到来时间,生成向所述预定的地点的到来者的人数的时间序列数据;
取得单元,从预先存储有在所述预定的地点过去有事件时的到来者的人数的第一时间序列数据和没有事件时的到来者的人数的第二时间序列数据的预定的存储区域中,取得该两数据;以及
判断单元,将在所述生成单元生成的所述时间序列数据的模式,与取得的所述第一时间序列数据和所述第二时间序列数据各自的模式进行比较,判断生成的所述时间序列数据的模式与所述第一时间序列数据的模式相当或近似,还是与所述第二时间序列数据的模式相当或近似,在与所述第一时间序列数据的模式相当或近似的情况下,在举办所述事件之前,判断为在所述预定的地点举办事件。
4.根据权利要求1到3的任一项所述的事件判断装置,其中,
所述判断单元对所述第一时间序列数据和所述第二时间序列数据分别进行预定的模型化,将在所述生成单元中生成的时间序列数据适用到进行了所述模型化后的模型,在举办所述事件的情况下在举办之前判断在所述预定的地点是否举办事件。
5.一种事件判断装置,对在预定的地点是否举办事件进行判断,其中,具备:
接收单元,从探测系统的多个探测器和/或多个便携式移动终端,在所述多个探测器和/或多个便携式移动终端各自出发时接收包含出发地信息的表示出发了的趣旨的信息,在到达目的地时接收包含目的地信息的表示到达了的趣旨的信息;
生成单元,基于在所述接收单元接收到的多个信息,在地图上重叠地生成表示多个出发和到达的时间序列数据;以及
判断单元,基于在所述地图上重叠的所述时间序列数据的数据数量,将重叠的数据数量最多的所述地图上的地点判断为举办事件的地点。
6.根据权利要求5所述的事件判断装置,其中,
所述生成单元生成除以预定时间带的出发和到达数量的平均值之后的、或减去预定时间区间的固定时间序列后的所述时间序列数据。
7.一种事件判断装置,对在预定的地点中是否举办事件进行判断,其中,具备:
接收单元,从多个探测系统的探测器和/或多个便携式移动终端接收信息,该信息包含多个所述探测器和/或多个所述便携式移动终端到达所述预定的地点的趣旨和出发地信息;
生成单元,基于接收的多个信息,通过主成分分析将到达所述预定的地点的所述多个探测器和/或所述多个便携式移动终端的出发地的分布分离,按分离后的成分的每一个生成到来者的人数的时间序列数据;
取得单元,从预先存储有在所述预定的地点过去有事件时的第一时间序列数据和没有事件时的第二时间序列数据的预定的存储区域中,取得该两数据;以及
判断单元,将在所述生成单元生成的所述时间序列数据各自的模式,与取得的所述第一时间序列数据和所述第二时间序列数据各自的模式进行比较,判断生成的所述时间序列数据各自的模式与所述第一时间序列数据的模式相当或近似,还是与所述第二时间序列数据的模式相当或近似,在与所述第一时间序列数据的模式相当或近似的情况下,在举办所述事件之前,判断为在所述预定的地点举办事件。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009079834A JP4796167B2 (ja) | 2009-03-27 | 2009-03-27 | イベント判断装置 |
JP2009-079834 | 2009-03-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908270A CN101908270A (zh) | 2010-12-08 |
CN101908270B true CN101908270B (zh) | 2014-07-09 |
Family
ID=43047344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010149244.8A Expired - Fee Related CN101908270B (zh) | 2009-03-27 | 2010-03-26 | 事件判断装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP4796167B2 (zh) |
CN (1) | CN101908270B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5786567B2 (ja) * | 2011-08-31 | 2015-09-30 | アイシン・エィ・ダブリュ株式会社 | 統計情報提供システム、統計情報提供装置、統計情報提供方法及びコンピュータプログラム |
JP5615312B2 (ja) * | 2012-03-26 | 2014-10-29 | 株式会社デンソーアイティーラボラトリ | 渋滞予測方法及び渋滞予測装置 |
US20150066558A1 (en) * | 2013-08-29 | 2015-03-05 | Thales Canada Inc. | Context aware command and control system |
CN105387868A (zh) * | 2015-12-25 | 2016-03-09 | 小米科技有限责任公司 | 提示道路信息的方法及装置 |
JP6218093B1 (ja) * | 2016-09-07 | 2017-10-25 | 株式会社パラダイムシフト | 価格管理支援システムおよび価格管理支援方法 |
JP6853526B2 (ja) * | 2016-10-05 | 2021-03-31 | 株式会社アプロード | 予約可能時期予測システム |
US20180188057A1 (en) * | 2017-01-03 | 2018-07-05 | International Business Machines Corporation | Detecting and simulating a moving event for an affected vehicle |
JP6736530B2 (ja) * | 2017-09-13 | 2020-08-05 | ヤフー株式会社 | 予測装置、予測方法、及び予測プログラム |
JP6850757B2 (ja) | 2018-03-22 | 2021-03-31 | 株式会社日立製作所 | 需要予測システムおよび方法 |
JP6933992B2 (ja) * | 2018-03-26 | 2021-09-08 | 株式会社日立ソリューションズ | 人流予測装置および人流予測プログラム |
JP6933623B2 (ja) * | 2018-09-25 | 2021-09-08 | Kddi株式会社 | 特徴ベクトル生成装置、特徴ベクトル生成方法及び特徴ベクトル生成プログラム |
CN111008729B (zh) * | 2019-11-06 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
JP7291100B2 (ja) * | 2020-05-07 | 2023-06-14 | Kddi株式会社 | 複数の投稿時系列データを用いた異常・変化推定方法、プログラム及び装置 |
JP7175072B2 (ja) * | 2020-08-18 | 2022-11-18 | 東日本旅客鉄道株式会社 | 混雑予測システム、混雑予測方法及び混雑予測プログラム |
CN113468390B (zh) * | 2021-06-29 | 2024-02-20 | 中国人民解放军战略支援部队航天工程大学 | 一种时空共现分析系统和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007114988A (ja) * | 2005-10-20 | 2007-05-10 | Sony Corp | 関心度提供装置、携帯情報端末、サーバ装置および関心度提供方法 |
JP2008128659A (ja) * | 2006-11-16 | 2008-06-05 | Denso Corp | 情報提供システム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001307278A (ja) * | 2000-04-21 | 2001-11-02 | Toshiba Corp | 交通量予測処理装置 |
JP2002260187A (ja) * | 2001-03-02 | 2002-09-13 | Nippon Telegraph & Telephone East Corp | 駐車状況予測方法及び装置並びにプログラム |
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
JP4137672B2 (ja) * | 2003-03-06 | 2008-08-20 | 株式会社野村総合研究所 | 渋滞予測システムおよび渋滞予測方法 |
JP2005018375A (ja) * | 2003-06-25 | 2005-01-20 | Hitachi Software Eng Co Ltd | 携帯端末を用いた情報収集提供システム |
JP4211706B2 (ja) * | 2004-07-28 | 2009-01-21 | 株式会社日立製作所 | 交通情報提供装置 |
JP4329711B2 (ja) * | 2005-03-09 | 2009-09-09 | 株式会社日立製作所 | 交通情報システム |
-
2009
- 2009-03-27 JP JP2009079834A patent/JP4796167B2/ja not_active Expired - Fee Related
-
2010
- 2010-03-26 CN CN201010149244.8A patent/CN101908270B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007114988A (ja) * | 2005-10-20 | 2007-05-10 | Sony Corp | 関心度提供装置、携帯情報端末、サーバ装置および関心度提供方法 |
JP2008128659A (ja) * | 2006-11-16 | 2008-06-05 | Denso Corp | 情報提供システム |
Also Published As
Publication number | Publication date |
---|---|
JP4796167B2 (ja) | 2011-10-19 |
JP2010231605A (ja) | 2010-10-14 |
CN101908270A (zh) | 2010-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101908270B (zh) | 事件判断装置 | |
CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
Nagle et al. | Accuracy of networkwide traffic states estimated from mobile probe data | |
Lin et al. | A review of travel-time prediction in transport and logistics | |
US9355063B2 (en) | Parking lot detection using probe data | |
CN104520912B (zh) | 堵塞预测装置、堵塞预测系统、堵塞预测方法和程序 | |
CN109923575A (zh) | 自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法 | |
Weijermars | Analysis of urban traffic patterns using clustering | |
CN105550789A (zh) | 一种公交出行客流的预测方法 | |
CN102157075A (zh) | 公交到站的预测方法 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
CN109887283A (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
Montini et al. | Searching for parking in GPS data | |
CN112767694B (zh) | 用于缓解道路拥堵的交通优化方法和装置 | |
JP2007140745A (ja) | 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法 | |
CN110006441A (zh) | 环境调整系统、环境调整方法及环境调整程序 | |
Flaskou et al. | Analysis of freight corridors using GPS data on trucks | |
Figliozzi et al. | Algorithms for studying the impact of travel time reliability along multisegment trucking freight corridors | |
Pulugurtha et al. | Modeling basic freeway section level-of-service based on travel time and reliability | |
Fernandes et al. | Driving around turbo-roundabouts vs. conventional roundabouts: Are there advantages regarding pollutant emissions? | |
Yang | A study of travel time modeling via time series analysis | |
van der Waerden et al. | GPS Data and car drivers’ parking search behavior in the city of Turnhout, Belgium | |
Sun et al. | Urban expressway traffic state forecasting based on multimode maximum entropy model | |
Kumar et al. | Analytical approach to identify the optimum inputs for a bus travel time prediction method | |
AlRajie | Investigation of using microscopic traffic simulation tools to predict traffic conflicts between right-turning vehicles and through cyclists at signalized intersections |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140709 Termination date: 20210326 |