CN102576489A - 预测行进时间的方法和系统 - Google Patents
预测行进时间的方法和系统 Download PDFInfo
- Publication number
- CN102576489A CN102576489A CN2009801616164A CN200980161616A CN102576489A CN 102576489 A CN102576489 A CN 102576489A CN 2009801616164 A CN2009801616164 A CN 2009801616164A CN 200980161616 A CN200980161616 A CN 200980161616A CN 102576489 A CN102576489 A CN 102576489A
- Authority
- CN
- China
- Prior art keywords
- positions
- time
- random fluctuation
- required time
- tau
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011002 quantification Methods 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 238000009331 sowing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
提供一种方法和系统,用于在当前时间“t”预测在未来时间点“t+τ”在多个位置之间行进所需的时间。该方法包括:确定在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μt+τ”和预测其随机波动分量“yl t+τ”。将确定性分量“μt+τ”与随机波动分量“yl t+τ”相加,以预测在未来时间点“t+τ”在多个位置之间行进所需的时间。
Description
技术领域
本发明涉及道路交通管理的技术,更具体地但不排他地,涉及预测在未来时间点行进所需的时间。
背景技术
交通管理是影响着国家经济的主要领域之一,有效的交通管理是期望的。交通管理的一方面解决建立用于确保合理换乘持续时间的足够运输设施。然而,交通管理的另一方面解决提供使得运输设施的用户能由此计划他们的通勤的服务。一种这样的服务涉及预测在未来时间点的多个位置之间的行进时间。
曾经尝试过预测在未来时间点的多个位置之间的行进所需的时间。在现有的一个方法中,应用支持向量回归(SVR)(即,预见时间序列的分析技术)来预见行进时间。SVR的方法(作为标准机器学习模型并先前应用于预测功耗、金融市场等)已经应用于预见行进时间。然而,发现这个方法在城市道路情形下预测行进时间表现不佳,妨碍了其可用性。还观察到,这个方法在处理罕见但高度拥堵时不佳。
此外,基于关联规则挖掘技术的方法也应用于预见道路网络中的交通量。关联规则挖掘(即,在数据挖掘中是一种已知实践)用于确定哪些道路最影响所有其他道路中在此时存在的交通量。一旦识别出最影响的道路,则确定在这些最影响道路上的交通量,并且同样情况用于预见剩余道路的交通量。然而,难以将交通量预测转换成行进时间预测,特别在包括具有大范围改变的交通量的多个路段的道路的延伸。
此外,基于小波的另一技术用于预测在道路连接点(交叉路口)处的交通量。起初,使用小波变换(信号处理中的标准工具)将交通量时间序列分成趋势序列和变化序列的等级。然后,在神经网络(机械学习中的另一标准工具)的帮助下预测趋势序列。使用马尔可夫(Markov)模型(标准模型化技术)预测剩余的变化序列的等级。随后将所有这些预测组合以预见纵交通量时间序列。然而,应注意,这个方法已用于预测在连接点处的交通量,并且难以将交通量预见转换成两点之间的行进时间的预见。
此外,已观察到这个方法明显低估了在城市道路网络中行进时间演进的特征。
发明内容
这里的实施例提供一种方法,在当前时间“t”预测在未来时间点“t+τ”在多个位置之间行进所需的时间,从而使得用户能够计划他们的行程。该方法包括:确定在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μt+τ”;预测在未来时间点在多个位置之间行进所需的时间的随机波动分量“yl t+τ”。随后,将在多个位置之间行进所需的时间的确定性分量“μt+τ”与在多个位置之间行进所需的时间的随机波动分量“yl t+ τ”相加,以预测在未来时间点“t+τ”在多个位置之间行进所需的时间。为了预测随机波动分量“yl t+τ”,确定在当前时间“t”在多个位置之间行进所需的时间的随机波动分量“yt”。此外,识别随机波动分量yt所在的量化状态。随后,基于根据量子化状态和先前在多个位置之间行进所需的时间的广义循环固定的周期“Tp”从历史数据选择的过去行进时间来计算线性均方误差参数。此外,使用计算线性均方误差的参数计算在多个位置之间行进所需的时间的随机波动分量“yl t+τ”。
另一实施例提供一种系统,在当前时间“t”预测在未来时间点“t+τ”在多个位置之间行进所需的时间,从而使得用户能够计划他们的行程。该系统包括:数据库和处理器。所述数据库被配置为至少存储涉及在多个位置之间行进所需的时间的历史数据。所述处理器被配置为:确定在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μt+τ”;预测在未来时间点在多个位置之间行进所需的时间的随机波动分量“yl t+τ”。随后,将在多个位置之间行进所需的时间的确定性分量“μt+τ”与在多个位置之间行进所需的时间的随机波动分量“yl t+τ”相加,以预测在未来时间点“t+τ”在多个位置之间行进所需的时间。为了预测随机波动分量“yl t+ τ”,所述处理器被配置为:确定在当前时间“t”在多个位置之间行进所需的时间的随机波动分量“yt”,并随后确定随机波动分量yt所在的量化状态。所述处理器还被配置为:基于根据量子化状态和先前在多个位置之间行进所需的时间的广义循环固定的周期“Tp”从历史数据选择的过去行进时间来计算线性均方误差参数;并使用计算线性均方误差的参数计算在多个位置之间行进所需的时间的随机波动分量“yl t+τ”。
当结合以下描述和附图考虑时,将更好地认识和理解实施例的这些和其他方面。
附图说明
现在仅通过实例并参照附图,描述根据本发明实施例的装置和/或方法的一些实施例,其中:
图1是示出根据实施例预测在多个位置之间行进所需的时间的方法的流程图;
图2是示出根据实施例确定在多个位置之间行进所需的时间的确定性分量的方法的流程图;
图3是示出根据实施例跨越平均行进时间的傅立叶变换的各个频率分量的功率频谱图的图表;
图4是示出根据实施例跨越自动关联的傅立叶变换的各个频率分量的功率频谱图的图表;以及
图5示出根据实施例预测在多个位置之间行进所需的时间的系统500的框图。
具体实施方式
参照附图中示出和以下描述中详述的非限制性实施例更完整地说明这里的实施例及其各个特征和优点细节。省略已知的组件和处理技术的描述,以免不必要地掩盖这里的实施例。这里使用的实例仅用于方便可实践这里的实施例的方式的理解,以及进一步使得本领域技术人员能够实践这里的实施例。由此,实例不应理解为限制这里的实施例的范围。
这里的实施例提供一种在当前时间预测在未来时间点在多个位置之间行进所需的时间。现在参照附图,并且更具体地参照图1至5,其中类似标号指示实施例中所示的附图中一致地的对应特征。
为了能够预测,先前存储包括在多个位置之间行进所需的时间的历史数据。存储的这些行进时间可称为时间序列。已观察到,这些行进时间展现了某个模型,并且可认为是随机处理。如果控制处理的分布是具有周期T的周期性的,则随机处理称为循环固定。然而,这个严格意义上的循环固定难以确定涉及行进时间的时间序列,因此,时间序列可认为是“广义的循环固定”,这是相比于循环固定更弱的概念。
时间序列用于在可称为“t”的当前时间预测在未来时间点在多个位置之间行进所需的时间。未来时间点可称为“t+τ”。预测的方法包括:将在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μt+τ”与在未来时间点在多个位置之间行进所需的时间的随机波动分量“yl t+ τ”相加。在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量可通过“μt+τ”表示,以及在未来时间点在多个位置之间行进所需的时间的随机波动分量可通过“yl t+τ”表示。因此,预测的在未来时间点“t+τ”在多个位置之间行进所需的时间等于μt+τ+y1 t+τ。
图1是示出根据实施例预测在多个位置之间行进所需的时间的方法的流程图。方法包括:在步骤102,确定在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μt+τ”。此外,预测在未来时间点“t+τ”在多个位置之间行进所需的时间的随机波动分量“yl t+τ”。为了预测随机波动分量“yl t+τ”,在步骤104,确定在当前时间“t”在多个位置之间行进所需的时间的随机波动分量“yt”。此外,在步骤106,识别随机波动分量yt所在的量化状态。随后,在步骤108,基于根据量子化状态和先前在多个位置之间行进所需的时间的广义循环固定的周期“Tp”从历史数据选择的过去行进时间来计算线性均方误差参数。此外,在步骤110,使用计算线性均方误差的参数计算在多个位置之间行进所需的时间的随机波动分量“yl t+τ”。随后,在步骤112,将在多个位置之间行进所需的时间的确定性分量“μt+τ”与在多个位置之间行进所需的时间的随机波动分量“yl t+ τ”相加,以预测在未来时间点“t+τ”在多个位置之间行进所需的时间。
确定行进时间的确定性分量
如上所述,为了能够预测在未来时间点行进所需的时间,重要地是知晓在未来时间点的行进时间的确定性分量。
图2是示出根据实施例确定在多个位置之间行进所需的时间的确定性分量的方法的流程图。在步骤202,通过访问作为历史数据一部分的过去行进时间,使用历史数据来确定所述确定性分量。历史数据是在各个时间点在多个位置之间行进所需的实际时间的记录。使用以下方案来确定在多个位置之间行进所需的实际时间,例如,使用道路中传感器、配备有基于GPS设备的车辆作为探头、基于蜂窝三角测量法方案、车辆中的近场通信设备的系统和方法。存储并不断更新在各个时间点在多个位置之间行进所需的实际时间。在步骤204,使用历史数据来确定行进实际展现广义循环固定的周期。
也可称为时间序列的行进时间是随机处理。如果控制处理的分布是具有周期“Tp”的周期性的,则随机处理称为循环固定。例如,假设在任一天10AM的行进时间的分布等于在其他天10AM的行进时间的分布,然后处理称为具有周期24小时的循环固定。然而,这个严格意义上的循环固定难以确定。因此,时间序列可认为是展现广义的循环固定,这是相比于循环固定更弱的概念。为了确定广义循环固定的周期,检查时间序列的平均和自动关联的傅立叶变换的功率频谱。从该检查,典型地将周期看作功率值为峰值的最低频率分量。
图3是示出根据实施例跨越平均行进时间的傅立叶变换的各个频率分量的功率频谱图的图表。该图表示出构成在多个位置之间的道路的两个连续链路的功率频谱图。线302是第一链路的功率频谱图,线304是第二链路的功率频谱图。此外,图4是示出根据实施例跨越自动关联的傅立叶变换的各个频率分量的功率频谱图的图表。从两个图表,可观察到,平均行进时间和自动关联功能都示出在1/48频率的不同峰值,即,行进时间是具有48小时周期的广义循环固定。实施例中,周期是傅立叶变换的功率值为波峰的最低频率。
在步骤206,使用关于多个位置之间的通勤的时间序列的广义循环固定的周期来确定在多个位置之间行进所需的时间的确定性分量。
实施例中,使用下式确定在多个位置之间行进所需的时间的确定性分量:
上式中,“N”取决于从历史数据考虑的相关取样时间点的数目,X是在考虑时间点在多个位置之间行进所需的实际时间。
确定行进时间的随机波动分量
如先前所述,为了能够预测在未来时间点在多个位置之间行进所需的时间,除了确定在未来时间点的行进时间的确定性分量,还必须确定在未来时间点的行进时间的随机波动分量。
在未来时间点的行进时间的随机波动分量可称为yt+τ,预测的在未来时间点的行进时间的随机波动分量的值可称为yl t+τ。此外,在当前时间或在预测时的行进时间的随机波动分量可称为yt。实施例中,基于yt和yt+τ之间的关联结构是周期Tp的周期性的事实,预测yt+τ。图4是示出yk的自协方差处理的傅立叶变化的图表。该图中,可见,yk的自协方差处理的周期性是48小时。实施例中,为了能够确定yt+τ,使用历史数据中的过去行进时间来准备ys的值的直方图,其中s≤t。此外,实施例中,在“n”个量化状态下划分ys的整个范围,[q1,q2],[q2,q3],[q3,q4]等。稍后,识别yt所在的量化状态。yt所在的量化状态可称为[qk,qk+1],其中qk被选择为直方图中的第100(k-1)/n百分比值。在确定上述内容之后,使用下式预测vt+τ:
Yl t+τ=At,τyt+Bt,τ
其中,通过解出下式获得At,τ和Bt,τ:
其中,在以下集上执行所有求和:
P={s:s=t-iTp,对于某些i,并且qk<ys≤qk+1}
并且N=|P|
上式确保代替ys的整个范围上执行LMSE以计算LMSE,基于量化状态ys所在计算LMSE的参数。
在确定在未来时间点的随机波动分量之后,预测在在未来时间点在多个位置之间行进所需的时间为μt+τ+Yl t+τ。
实施例提供了在当前时间“t”预测在未来时间点“t+τ”在多个位置之间行进所需的时间的系统。图5示出根据实施例预测在多个位置之间行进所需的时间的系统500的框图。该系统包括数据库502和处理器504。数据库502被配置为至少存储涉及在多个位置之间行进所需的时间的历史数据。处理器504被配置为:确定在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μt+τ”;预测在未来时间点在多个位置之间行进所需的时间的随机波动分量“yl t+τ”;以及将在多个位置之间行进所需的时间的确定性分量“μt+τ”与在多个位置之间行进所需的时间的随机波动分量“yl t+τ”相加。为了预测波动分量“yl t+τ”,处理器504被配置为:确定在当前时间“t”在多个位置之间行进所需的时间的随机波动分量“yt”;确定随机波动分量yt所在的量化状态。处理器504还被配置为:基于根据量子化状态和先前在多个位置之间行进所需的时间的广义循环固定的周期“Tp”从历史数据选择的过去行进时间来计算线性均方误差参数;使用计算线性均方误差的参数计算在多个位置之间行进所需的时间的随机波动分量“yl t+τ”。
本领域技术人员容易认识到,可通过编程计算机执行各个上述方法的步骤。这里,一些实施例旨在覆盖程序存储设备,例如数字数据存储介质,即指令的机器或计算机可读和编码机器可执行或计算机可执行程序,其中所述指令执行所述上述方法的一些或所有步骤。程序存储设备可以是例如数字存储器,磁存储介质,例如磁盘和磁带,硬盘,或可选地可读数字数据存储介质。实施例还旨在覆盖被编程以执行上述方法的所述步骤的计算机。
说明书和附图仅示出本发明的原理。因此,可理解,本领域技术人员能够设计出体现本发明的原理并落入其精神和范围内的各种部署,尽管这里没有明确描述或示出。此外,这里阐明的所有实例原理上旨在清楚地仅用于教育目的,以辅助读者理解本发明的原理和发明人为该领域贡献的概念,并且理解为不限于这样具体阐述的实例和条件。此外,说明本发明的原理、方面、和实施例及其特定实例的所有阐述旨在涵盖其等同物。
图4中示出的各个元件的功能(包括标记为“处理器”的任何功能块)可通过使用专用硬件以及能够结合适当软件执行软件的硬件来提供。当通过处理器提供时,可通过单一专用处理器、单一共享处理器、或多个个体处理器(其中一些被共享)来提供功能。此外,术语“处理器”或“控制器”的明确使用不应理解为排他地引用能够执行软件的硬件,并且可隐含地不限制地包括数字信号处理器(DSP)硬件、网络处理器专用集成电路(ASIC)、场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)、和非易失性存储设备。也可包括其他硬件、传统和/或定制。类似地,图中所示的任何开关仅是概念性的。他们的功能可通过程序逻辑的操作、专用逻辑、程序控制和专用逻辑的交互、或甚至手动来执行,特定计数可通过上下文可特定理解的实现方式来选择。
本领域技术人员可理解,这里的任何框图代表体现本发明原理的示例性电路的概念图。类似地,可理解,任何流程图、过程图、状态转换图、位代码等代表可主要在计算机可读介质中表示并通过计算机或处理器执行的各种处理,无论这样的计算机或处理是否被明显示出。
Claims (14)
1.一种方法,在当前时间“t”预测在未来时间点“t+τ”在多个位置之间行进所需的时间,从而使得用户能够计划他们的行程,该方法包括:
确定在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μt+τ”;
预测在未来时间点在多个位置之间行进所需的时间的随机波动分量“yl t+τ”,包括:
确定在当前时间“t”在多个位置之间行进所需的时间的随机波动分量“yt”;
确定随机波动分量yt所在的量化状态;
基于根据量子化状态和先前在多个位置之间行进所需的时间的广义循环固定的周期“Tp”从历史数据选择的过去行进时间来计算线性均方误差参数;
使用计算线性均方误差的参数计算在多个位置之间行进所需的时间的随机波动分量“yl t+τ”;以及
将在多个位置之间行进所需的时间的确定性分量“μt+τ”与在多个位置之间行进所需的时间的随机波动分量“yl t+τ”相加。
2.如权利要求1所述的方法,其中通过在与未来时间点“t+τ”对应的时间点平均过去行进时间来确定确定性分量“μt+τ”,其中使用周期“Tp”确定与未来时间点“t+τ”对应的时间点,其中使用下式确定所述确定性分量“μt+τ”:
其中,“N”是从历史数据考虑的相关取样时间点的数目。
3.如权利要求1所述的方法,其中确定随机波动分量yt所在的量化状态包括:将过去行进时间中的随机波动分量的整个范围分成多个量化状态。
4.如权利要求1所述的方法,其中使用下式计算随机波动分量“yl t+ τ”:
Yl t+τ=At,τyt+Bt,τ。
5.如权利要求4所述的方法,其中使用下式确定“At,τ”和“Bt,τ”:
其中,在以下集上执行所有求和:
P={s:s=t-iTp,对于某些i,并且qk<ys≤qk+1}
并且N=|P|
其中,[qk,≤qk+1]是yt所在的量化状态。
6.如权利要求5所述的方法,其中“qk”被选择为随机波动分量“ys”的直方图中的第100(k-1)/n百分比值,其中,s≤t,并且“n”是过去行进时间在其中划分的随机波动状态的整个范围的量化状态的数目。
7.如权利要求1所述的方法,其中,从先前在多个位置之间行进所需的时间的平均和自动关联的傅立叶变换的功率值为波峰的最低频率来导出先前在多个位置之间行进所需的广义循环固定的周期“Tp”。
8.一种系统,在当前时间“t”预测在未来时间点“t+τ”在多个位置之间行进所需的时间,从而使得用户能够计划他们的行程,该系统包括:
数据库,被配置为至少存储涉及在多个位置之间行进所需的时间的历史数据;以及
处理器,被配置为:
确定在未来时间点“t+τ”在多个位置之间行进所需的时间的确定性分量“μt+τ”;
预测在未来时间点在多个位置之间行进所需的时间的随机波动分量“yl t+τ”,其中该预测包括:
确定在当前时间“t”在多个位置之间行进所需的时间的随机波动分量“yt”;
确定随机波动分量yt所在的量化状态;
基于根据量子化状态和先前在多个位置之间行进所需的时间的广义循环固定的周期“Tp”从历史数据选择的过去行进时间来计算线性均方误差参数;
使用计算线性均方误差的参数计算在多个位置之间行进所需的时间的随机波动分量“yl t+τ”;以及
将在多个位置之间行进所需的时间的确定性分量“μt+τ”与在多个位置之间行进所需的时间的随机波动分量“yl t+τ”相加。
9.如权利要求8所述的系统,其中该处理器被配置为通过在与未来时间点“t+τ”对应的时间点平均过去行进时间来确定确定性分量“μt+τ”,其中使用周期“Tp”确定与未来时间点“t+τ”对应的时间点,其中使用下式确定所述确定性分量“μt+τ”:
其中,“N”是从历史数据考虑的相关取样时间点的数目。
10.如权利要求8所述的系统,其中该处理器被配置为:将过去行进时间中的随机波动分量的整个范围分成多个量化状态,以确定随机波动分量yt所在的量化状态。
11.如权利要求1所述的系统,其中该处理器被配置为:使用下式计算随机波动分量“yl t+τ”:
Yl t+τ=At,τyt+Bt,τ。
12.如权利要求11所述的系统,其中该处理器被配置为:使用下式确定“At,τ”和“Bt,τ”:
其中,在以下集上执行所有求和:
P={s:s=t-iTp,对于某些i,并且qk<ys≤qk+1}
并且N=|P|
其中,[qk,≤qk+1]是yt所在的量化状态。
13.如权利要求12所述的系统,其中该处理器被配置为:将“qk”选择为随机波动分量“ys”的直方图中的第100(k-1)/n百分比值,其中,s≤t,并且“n”是过去行进时间在其中划分的随机波动状态的整个范围的量化状态的数目。
14.如权利要求8所述的系统,其中该处理器被配置为:从先前在多个位置之间行进所需的时间的平均和自动关联的傅立叶变换的功率值为波峰的最低频率来导出先前在多个位置之间行进所需的广义循环固定的周期“Tp”。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IN2009/000523 WO2011036671A1 (en) | 2009-09-24 | 2009-09-24 | Methods and system for predicting travel time |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102576489A true CN102576489A (zh) | 2012-07-11 |
CN102576489B CN102576489B (zh) | 2014-09-17 |
Family
ID=41697942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200980161616.4A Active CN102576489B (zh) | 2009-09-24 | 2009-09-24 | 预测行进时间的方法和系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20120173474A1 (zh) |
EP (1) | EP2481036B1 (zh) |
JP (1) | JP5814923B2 (zh) |
KR (1) | KR101313958B1 (zh) |
CN (1) | CN102576489B (zh) |
WO (1) | WO2011036671A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279802A (zh) * | 2013-04-17 | 2013-09-04 | 吉林大学 | 通勤者日活动―出行时间预测方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831772B (zh) * | 2012-08-30 | 2014-07-02 | 西北工业大学 | 基于Zhang宏观交通流模型的FPGA在线预测控制方法 |
US9349150B2 (en) * | 2013-12-26 | 2016-05-24 | Xerox Corporation | System and method for multi-task learning for prediction of demand on a system |
JP2018073322A (ja) * | 2016-11-04 | 2018-05-10 | 住友電気工業株式会社 | 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法 |
JP2019053578A (ja) * | 2017-09-15 | 2019-04-04 | トヨタ自動車株式会社 | 交通量判定システム、交通量判定方法、及び交通量判定プログラム |
ES2927668T3 (es) * | 2018-12-20 | 2022-11-10 | Merck Patent Gmbh | Métodos y sistemas para preparar y realizar una autenticación de objeto |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
JP2005149052A (ja) * | 2003-11-14 | 2005-06-09 | Toshiba Corp | 走行所要時間予測装置及び走行所要時間予測方法 |
US20080065318A1 (en) * | 2006-09-12 | 2008-03-13 | Ho William P C | Travel time determination |
US20080097686A1 (en) * | 2006-10-20 | 2008-04-24 | Nec Corporation | Travel-time prediction apparatus, travel-time prediction method, traffic information providing system and program |
US20080147307A1 (en) * | 2005-02-07 | 2008-06-19 | Zhen Liu | Method and apparatus for predicting future travel times over a transportation network |
CN101290713A (zh) * | 2008-07-11 | 2008-10-22 | 浙江工业大学 | 一种结合周相似特性的分形交通流预测方法 |
CN101436347A (zh) * | 2008-12-09 | 2009-05-20 | 北京交通大学 | 一种快速路行程时间预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4123196B2 (ja) * | 2004-06-23 | 2008-07-23 | 日本電気株式会社 | 交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法 |
US8024112B2 (en) * | 2005-09-29 | 2011-09-20 | Microsoft Corporation | Methods for predicting destinations from partial trajectories employing open-and closed-world modeling methods |
-
2009
- 2009-09-24 EP EP09764310.0A patent/EP2481036B1/en active Active
- 2009-09-24 WO PCT/IN2009/000523 patent/WO2011036671A1/en active Application Filing
- 2009-09-24 US US13/390,714 patent/US20120173474A1/en not_active Abandoned
- 2009-09-24 JP JP2012530407A patent/JP5814923B2/ja active Active
- 2009-09-24 KR KR1020127007376A patent/KR101313958B1/ko active IP Right Grant
- 2009-09-24 CN CN200980161616.4A patent/CN102576489B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
JP2005149052A (ja) * | 2003-11-14 | 2005-06-09 | Toshiba Corp | 走行所要時間予測装置及び走行所要時間予測方法 |
US20080147307A1 (en) * | 2005-02-07 | 2008-06-19 | Zhen Liu | Method and apparatus for predicting future travel times over a transportation network |
US20080065318A1 (en) * | 2006-09-12 | 2008-03-13 | Ho William P C | Travel time determination |
US20080097686A1 (en) * | 2006-10-20 | 2008-04-24 | Nec Corporation | Travel-time prediction apparatus, travel-time prediction method, traffic information providing system and program |
CN101290713A (zh) * | 2008-07-11 | 2008-10-22 | 浙江工业大学 | 一种结合周相似特性的分形交通流预测方法 |
CN101436347A (zh) * | 2008-12-09 | 2009-05-20 | 北京交通大学 | 一种快速路行程时间预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279802A (zh) * | 2013-04-17 | 2013-09-04 | 吉林大学 | 通勤者日活动―出行时间预测方法 |
CN103279802B (zh) * | 2013-04-17 | 2016-01-13 | 吉林大学 | 通勤者日活动-出行时间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2013506184A (ja) | 2013-02-21 |
JP5814923B2 (ja) | 2015-11-17 |
KR20120062812A (ko) | 2012-06-14 |
CN102576489B (zh) | 2014-09-17 |
US20120173474A1 (en) | 2012-07-05 |
EP2481036B1 (en) | 2015-07-15 |
KR101313958B1 (ko) | 2013-10-01 |
WO2011036671A1 (en) | 2011-03-31 |
EP2481036A1 (en) | 2012-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xue et al. | Short‐term bus passenger demand prediction based on time series model and interactive multiple model approach | |
CN102576489B (zh) | 预测行进时间的方法和系统 | |
Li et al. | Short‐term highway traffic flow prediction based on a hybrid strategy considering temporal–spatial information | |
US8880962B2 (en) | Maintenance planning and failure prediction from data observed within a time window | |
US9058569B2 (en) | System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk | |
EP3413284A1 (en) | Computer system and method for state prediction of a traffic system | |
CN102779223A (zh) | 短期电力负荷预测的方法及装置 | |
Kumar et al. | Pattern identification based bus arrival time prediction | |
CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
Krese et al. | Analysis of traffic dynamics on a ring road-based transportation network by means of 0–1 test for chaos and Lyapunov spectrum | |
Dragan et al. | Throughput forecasting of different types of cargo in the adriatic seaport Koper | |
Fulari et al. | Artificial neural network–based traffic state estimation using erroneous automated sensor data | |
Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及系统 | |
CN110674962A (zh) | 车辆的行程预估处理方法、装置及存储介质 | |
Zeng et al. | A transient queuing model for analyzing and optimizing gate congestion of railway container terminals | |
CN111627210B (zh) | 一种车流量预测方法、装置、设备及介质 | |
JP7294660B2 (ja) | 経路計画装置、経路計画方法、ならびに、プログラム | |
Mansour et al. | Construction facilities location selection for urban linear infrastructure maintenance projects using uniform cost search method | |
Birundu Getanda et al. | Data grouping and modified initial condition in grey model improvement for short-term traffic flow forecasting | |
CN109615187B (zh) | 一种od矩阵的评估方法、公交负载模拟方法及装置 | |
Hamner | Predicting future traffic congestion from automated traffic recorder readings with an ensemble of random forests | |
CN110164127A (zh) | 一种车流量预测的方法、装置及服务器 | |
CN115578854B (zh) | 收费站车辆排队长度预测方法、装置、设备及存储介质 | |
CN108596018B (zh) | 基于移动数据的交通站点人群网格化迁徙检测方法和装置 |
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 |