CN102598078A - 提高行驶时间估计可靠性 - Google Patents
提高行驶时间估计可靠性 Download PDFInfo
- Publication number
- CN102598078A CN102598078A CN200980162163.7A CN200980162163A CN102598078A CN 102598078 A CN102598078 A CN 102598078A CN 200980162163 A CN200980162163 A CN 200980162163A CN 102598078 A CN102598078 A CN 102598078A
- Authority
- CN
- China
- Prior art keywords
- travel time
- road segment
- road
- relevant
- mrow
- 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.)
- Pending
Links
- 230000000875 corresponding effect Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000002596 correlated effect Effects 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims description 20
- 230000006872 improvement Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008454 sleep-wake cycle 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
提供一种用于增加选定路段平均行驶时间估计精确度的方法和系统。所述方法包括确定一个或多个车辆通过路段的行驶时间。进一步地,识别相关路段行驶时间和选定路段行驶时间关联的相关路段。数据储存库存储一个或多个相关路段的列表。至少一个处理器确定所述相关路段当中增加选定路段平均行驶时间确定精确度的一个或多个优选路段。进一步地,所述处理器使用与优选路段和选定路段行驶时间对应的数据估计选定路段平均行驶时间。
Description
技术领域
本发明涉及道路交通管理,更具体而非排他地,本发明涉及改进行驶时间估计。
背景技术
在道路交通管理中,会确定路段行驶时间,并且此确定用于各种目的。其中一个此类目的是预测未来时刻在路段上的行驶时间。目前提供多种技术来确定一个或多个路段的行驶时间。某些技术涉及使用配备GPS设备作为探测器的车辆、基于蜂窝三角网定位的解决方案、车辆中的近距离无线通信设备等的系统和方法。
在估计行驶时间时,路段的可用行驶时间样本数可能不足以计算诸如平均行驶时间和标准差等之类的统计精确数量估计。
使用近距离无线通信设备的现有技术会在城市中部署近距离无线通信设备传感器。为确定“A”和“B”两点之间的行驶时间,使用在点“A”和“B”之间部署的近距离无线通信传感器A和传感器B。每个传感器检测配备近距离无线通信设备的车辆。当车辆V经过传感器A附近时,传感器A与车辆A中的近距离无线通信设备进行通信以及检测车辆V中的近距离无线通信设备标识并记下车辆V经过传感器A的时间。接下来,继续沿着同一路段往前行驶,当车辆经过传感器B时,该传感器记下车辆V中的近距离无线通信设备标识以及经过B的时间。传感器A和B将此信息发送到中央服务器。如果在A到B的路段上检测到足够数量的车辆,则可以更精确地计算统计精确数量估计(例如,在A到B的路段上行驶的平均时间和行驶时间标准差等)。但是传感器可能无法检测每个可检测的车辆,因为无线介质可能损耗,尤其是因为近距离无线通信通常在无牌ISM波段上发生,并且许多诸如蓝牙之类的近距离无线通信设备在被动模式下经历睡-醒周期。因此,总可能出现近距离无线通信设备在接近传感器的整个期间均处于睡眠模式中的情况。所以,路段上的两个传感器一般检测到的车辆数目可能不足以计算诸如平均行驶时间、标准差等之类的统计精确数量估计。
本节介绍可能有助于便利更好地理解本发明的各方面。因此,本节的陈述应该从这个角度进行阅读并且不能被理解为确定现有技术中已或没有的内容。
发明内容
一个实施例提供一种用于增加选定路段平均行驶时间估计精确度的方法。所述方法包括收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间。进一步地,识别相关路段行驶时间和选定路段行驶时间关联的一个或多个相关路段。数据储存库存储一个或多个相关路段的列表。至少一个处理器确定所述相关路段当中增加选定路段平均行驶时间确定精确度的一个或多个优选路段。进一步地,所述处理器使用与所述优选路段和选定路段行驶时间对应的数据估计选定路段平均行驶时间。
另一实施例提供一种用于增加选定路段平均行驶时间估计精确度的方法。所述方法包括收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间。进一步地,识别相关路段行驶时间和选定路段行驶时间关联的一个或多个相关路段。数据储存库存储一个或多个相关路段的列表。进一步地,对于所述每个相关路段,至少一个处理器使用与每个相关路段和选定路段的行驶时间对应的历史数据确定相关路段行驶时间和选定路段行驶时间之间的关联。进一步地,所述处理器计算每个相关路段平均行驶时间。接下来,所述处理器使用每个相关路段平均行驶时间以及每个相关路段行驶时间和选定路段行驶时间之间的关联估计选定路段平均行驶时间。
另一实施例提供一种用于增加选定路段平均行驶时间估计精确度的系统。所述系统包括道路交通传感系统、至少一个数据储存库和至少一个处理器。所述道路交通传感系统被配置为收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间。所述数据储存库被配置为存储与路段行驶时间对应的历史数据,所述历史数据由所述道路交通传感系统收集的数据确定。进一步地,所述数据储存库存储相关路段行驶时间和选定路段行驶时间关联的一个或多个相关路段的列表。所述处理器被配置为使用所述道路交通传感系统收集的与行驶过路段的一个或多个车辆对应的数据确定一个或多个车辆通过路段的行驶时间。此外,所述处理器识别相关路段行驶时间和选定路段行驶时间关联的一个或多个相关路段。所述处理器识别所述相关路段当中增加选定路段平均行驶时间确定精确度的一个或多个优选路段。进一步地,所述处理器使用与所述优选路段和选定路段的行驶时间对应的数据确定选定路段平均行驶时间。
另一实施例提供一种用于增加选定路段平均行驶时间估计精确度的系统。所述系统包括道路交通传感系统、至少一个数据储存库和至少一个处理器。所述道路交通传感系统被配置为收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间。所述数据储存库被配置为存储与路段行驶时间对应的历史数据,所述历史数据由所述道路交通传感系统收集的数据确定。此外,所述数据储存库被配置为存储相关路段行驶时间和选定路段行驶时间关联的一个或多个相关路段的列表。所述处理器被配置为使用所述道路交通传感系统收集的与行驶过路段的一个或多个车辆对应的数据确定一个或多个车辆通过路段的行驶时间。进一步地,所述处理器识别相关路段行驶时间和选定路段行驶时间关联的一个或多个相关路段。此外,所述处理器使用所述数据储存库中存储的与相关路段和选定路段的行驶时间对应的历史数据确定每个相关路段行驶时间和选定路段行驶时间之间的关联。所述处理器进一步确定每个相关路段平均行驶时间。接下来,所述处理器使用每个相关路段平均行驶时间以及每个相关路段行驶时间和选定路段行驶时间之间的关联估计选定路段平均行驶时间。
当结合下面的描述和附图阅读时,可以更好地理解和了解此处的实施例的上述和其他各方面。
附图说明
现在仅通过举例并且参考附图来描述根据本发明实施例的装置和/或方法的某些实施例,在所述附图中:
图1是示出根据一个实施例的一种用于增加选定路段平均行驶时间估计精确度的系统的方块图;
图2示出根据一个实施例的路段;
图3是示出根据一个实施例的一种用于增加选定路段平均行驶时间估计精确度的方法的流程图;
图4a和4b是示出根据一个实施例的一种用于识别相关路段当中的一个或多个优选路段的方法的流程图;以及
图5是示出根据一个实施例的一种用于增加选定路段行驶时间的相关统计数据确定精确度的方法的流程图。
具体实施方式
将参考附图中示出并在下面的描述中详细介绍的非限制性实施例更全面地阐述此处实施例及其各种特征和有利的细节。删除了对公知组件和处理技术的描述,以避免不必要地影响对此处实施例的理解。在此使用的实例只是为了便利理解此处实施例的实现方式以及进一步地使本领域的技术人员实现此处实施例。因此,所述实例不能被视为限制此处实施例的范围。
此处实施例实现一种适应性地增加选定路段平均行驶时间估计精确度的方法。现在参考附图,尤其是图1至5,其中类似的标号一致地表示包含所示实施例的所有图中的相应功能。
在道路交通管理中,统计数据用于各种用途,例如规划道路基础设施和预测行驶时间等。为了静态地提供具有基本可靠度的数据,最好能获取合理数目的行驶相关数据。
所述实施例提供一种用于增加选定路段行驶时间的相关统计数据提供精确度的系统和方法。在一个实施例中,提供一种用于增加选定路段平均行驶时间估计精确度的系统。图1是示出根据一个实施例的一种用于增加选定路段平均行驶时间估计精确度的系统100的方块图。系统100包括道路交通传感系统102、至少一个处理器104和至少一个数据储存库106。道路交通传感系统102被配置为收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间。道路交通传感系统102收集的数据被处理器104用于确定车辆通过路段的行驶时间。一段时间内与所述车辆通过路段的行驶时间对应的历史数据存储在数据储存库106中。处理器104使用道路交通传感系统102收集的数据和数据储存库106中存储的数据来增加选定路段平均行驶时间估计精确度。可使用各种类型的道路交通传感系统102来收集与行驶过路段的一个或多个车辆对应的数据。一个此类道路交通传感系统102使用蜂窝通信设备或全球定位系统(GPS)设备检测车辆的位置估计。所述GPS设备通常安装在车辆内。然后可以从所述GPS设备提供的GPS位置数据中获取不同时间的不同点上的车辆速度。另一此类道路交通传感系统102使用近距离无线通信设备扫描仪收集与行驶过路段的一个或多个车辆对应的数据。
图2是根据一个实施例的道路交通传感系统102的图示。沿路段AD放置多个扫描设备108a、108b、108c和108d。扫描设备108可检测车辆100中的近距离无线通信设备,所述近距离无线通信设备使用蓝牙、ZigBee、Wi-Fi、射频识别(RFID)或其他任何形式的近距离无线通信。扫描设备108可检测载有能够执行近距离无线通信的设备的车辆110并记下所述设备的唯一ID和检测到所述设备的时间。作为实例,扫描设备108检测配备蓝牙设备的车辆并记下所述设备的唯一蓝牙ID。然后定期通过无线数据链路将信息发送到处理器104。处理器104累积来自不同传感器的数据,清理数据并将数据写入数据储存库106。处理器104访问数据储存库106中的数据并计算两个连续传感器108之间的行驶时间估计。
在一个实施例中,根据图3所示的流程图,选定路段平均行驶时间估计精确度增加。根据图3,在步骤302,识别相关路段行驶时间和选定路段行驶时间关联的一个或多个相关路段。与选定路段对应的相关路段的列表可以由处理器104确定,并且该列表可以存储在数据储存库106中。在一个实施例中,所述相关路段是指行驶过选定路段的车辆最有可能也行驶过的路段。图2中的路段AD由三个路段构成,即AB、BC和CD。如果BC是选定路段,则可以将路段AB和CD视为相关路段。从图中可看出,很明显经过选定路段BC的车辆最有可能经过相关路段AB和CD。进一步地,路段AB和CD的行驶时间将与选定路段BC的行驶时间相互关联。因此,在一个实施例中,与所选的选定路段连续衔接的路段为相关路段。进一步地,在一个实施例中,行驶过选定路段的车辆也会行驶过的路段被选为相关路段。需要指出,主要目的是选择相关路段行驶时间和选定路段行驶时间关联的路段作为相关路段。
在一个实施例中,数据储存库106中存储的与相关路段和选定路段行驶时间对应的历史数据由处理器104用于确定相关路段和选定路段之间的关联。确定所述关联之后,可以将所述关联存储在所述数据储存库中。在一个实施例中,相关路段行驶时间与选定路段行驶时间线性或近线性相关。例如,如果车辆“i”分别使用X(i)秒和Y(i)秒行驶过相关路段和选定路段,则根据下面的等式,这两个行驶时间线性相关:
Y(i)=aX(i)+b
在上面的等式中,“a”和“b”是等式的常数。
常数“a”和“b”使用与相关路段和选定路段的行驶时间对应的历史数据确定。
在一个实施例中,“a”和“b”根据行驶时间关系所需的行驶时间间隔确定。
在一个实施例中,“a”和“b”根据通过相关路段和选定路段中的至少一个路段的行驶时间确定。
在一个实施例中,相关路段和选定路段的行驶时间之间的行驶时间关系可能不是线性或近线性相关。替代地,所述关联可表达为选定路段行驶时间是相关路段行驶时间的函数。这种相关路段和选定路段之间的关联可通过下面的等式表示:
Y(i)=f(X(i)),其中Y(i)是X(i)的函数。
根据道路布局,选定路段可以具有一个或多个相关路段。在确定选定路段的相关路段之后,处理器104根据图3中的步骤304识别所述相关路段当中的一个或多个优选路段。与所述优选路段相关的行驶时间数据增加选定路段行驶时间的相关统计数据确定精确度。
图4a和4b是示出根据一个实施例的一种用于识别相关路段当中的一个或多个优选路段的方法的流程图。考虑与选定路段对应的相关路段以识别所述相关路段当中可用于增加选定路段行驶时间的相关统计数据确定精确度的一个或多个优选路段。进一步地,在步骤404,处理器104分析每个相关路段以确定是否存在任何只能获取其相关路段行驶时间,不能获取其选定路段行驶时间的车辆。这些只能获取其相关路段行驶时间,不能获取其选定路段行驶时间的车辆被称为专用(exclusive)车辆。在步骤406和408,处理器104筛选出不包括专用车辆的相关路段作为非优选路段,但是,包括专用车辆的相关路段需要进一步考虑以确定它们是否为优选路段。接下来,处理器104在步骤410和412分析包括专用车辆的相关路段以确定每个包括专用车辆的相关路段对选定路段行驶时间真实平均值估计误差的改进。在一个实施例中,为确定所述改进,将考虑相关路段中每个专用车辆通过所述相关路段的行驶时间。所述相关路段中每个专用车辆通过所述相关路段的行驶时间用于估计所述每个专用车辆通过选定路段的行驶时间。所述选定路段行驶时间估计基于选定路段和所考虑的相关路段之间的关联。例如,如果“N”是专用车辆数目,“X(i)”是每个专用车辆通过相关路段的行驶时间,其中1≤i≤N,以及“Y′(i)”是N个专用车辆中每个车辆的行驶时间估计,则使用下面的等式导出Y′(i):
Y′(i)=aX(i)+b
在上面的等式中,相关路段与选定路段线性相关。
替代地,如果相关路段和选定路段的关联表达为选定路段行驶时间是相关路段行驶时间的函数,则处理器104使用下面的等式导出Y′(i):
Y′(i)=f(X(i))
N个专用车辆中每个车辆通过选定路段的行驶时间估计Y′(i)用于确定所述估计的方差σ(Y′)2。所述估计的方差σ(Y′)2用于确定估计误差的改进。
在一个实施例中,如果下面的等式为真,则相关路段提供估计误差改进:
其中M是可获取其选定路段行驶时间的车辆数目,σ(Y)是选定路段行驶时间的真实方差。在一个实施例中,所述真实方差通过历史数据确定。例如,为确定上午九点的真实方差,使用与上午九点的交通对应的历史数据。
进一步地,处理器104在步骤414根据包括专用车辆的每个相关路段提供的改进对所述相关路段进行排序。接下来,处理器104在步骤416使用与提供最高估计误差改进的相关路段对应的行驶时间数据确定估计误差改进。如有改进,则将该相关路段视为优选路段。进一步地,处理器104使用提供下一最佳改进的相关路段确定是否对估计误差具有进一步的改进。如有改进,则处理器104也将该相关路段视为优选路段。这个考虑排序的相关路段的过程将一直持续,直到所考虑的相关路段对估计误差没有任何改进。进一步地,所有导致估计误差改进的相关路段均被视为优选路段。
根据图3中的步骤306,使用与所述优选路段对应的专用车辆的行驶时间计算选定路段平均行驶时间,从而增加选定路段行驶时间的相关统计数据确定精确度。
例如,对于包括单个优选路段的选定路段,使用下面的等式估计诸如选定路段平均行驶时间之类的统计数据:
其中,
μ′是选定路段平均行驶时间估计
M是可获取其选定路段行驶时间的车辆数目
N是与优选路段对应的专用车辆数目
Y(i)是M个车辆中的每个车辆通过选定路段的行驶时间
Y(j)′是使用优选路段和选定路段之间的关联估计的N个专用车辆中的每个车辆通过选定路段的行驶时间
在一个实施例中,Y(j)′使用下面的等式导出:
Y(j)′=aX(j)+b,1≤j≤N
其中,
X(j)是第J个专用车辆通过优选路段的行驶时间。
需要指出,根据优选路段和选定路段之间的关联的不同,用于确定Y(j)′的等式将会变化。
进一步地,需要指出,根据优选路段数目的不同,确定μ′的等式将会变化。
在一个实施例中,根据图5所示的流程图,选定路段平均行驶时间估计精确度会增加。根据所述流程图,处理器104在步骤502识别相关路段行驶时间和选定路段行驶时间关联的一个或多个路段(相关路段)。识别完相关路段之后,可以将所述相关路段的列表存储在数据储存库106中。在一个实施例中,对选定路段的交通状况或行驶时间具有影响的路段被选为相关路段。所述相关路段可使用数据储存库中存储的选定路段和可能成为相关路段的路段的历史行驶时间数据进行选择。进一步地,所述处理器在步骤504针对每个相关路段,确定相关路段和选定路段的行驶时间之间的关联。处理器104使用数据储存库106中存储的与相关路段和选定路段的行驶时间对应的数据来确定所述关联。所述关联可表达为选定路段平均行驶时间是相关路段平均行驶时间的函数。所述关联函数可以是线性函数,也可以是非线性函数。进一步地,需要指出,相关路段和选定路段的行驶时间之间的关联可以根据行驶时间间隔和交通状况等中的一个或多项而变化。进一步地,在步骤506,确定每个相关路段平均行驶时间。在步骤508,使用每个相关路段平均行驶时间以及每个相关路段和选定路段之间的关联确定诸如选定路段平均行驶时间之类的统计数据。
实例
采用包含三个路段link1、link2和link3的实例。我们可以进一步认为E[X_1]=f(E[X_2],E[X_3])。在实践中,用户不知道f(),因此必须根据历史数据通过数字计算获取。对于城市道路,此函数可能随时间不断变化,但是由于城市交通具有周期平稳的特性,因此f()在每天的特定时间保持不变。为获取f(),假设在上午九点,我们收集上午九点的所有存档E[X_i]并执行回归分析以查找最接近f()的函数并称之为f()。因为我们无法获得确切的f(),存在与接近它关联的误差,所以我们称之为e_f(可通过回归分析测定)。现在为了获取当前时刻的可靠E[X_]估计,我们首先使用link1上的行驶时间平均数计算样本平均值。与所述样本平均值关联,我们还获取给出样本均值置信度的样本方差。如果此样本方差小于e_f,则我们使用它作为E[X_1],否则我们使用\hat{f}(E[X_2],E[X_3])。
在一个实施例中,选定路段具有“V”个相关路段。所述V个相关路段中的每个路段都与选定路段关联,使得选定路段平均行驶时间是相关路段平均行驶时间的函数。可使用下面的等式定义V个相关路段中的第一相关路段的关联度:
E(Y)=f1(E(X1))
其中,
E(Y)是选定路段平均行驶时间
E(X1)是第一相关路段平均行驶时间
进一步地,上面的表达式可以推广为下面的表达式:
E(Y)=f1(E(X1)) 1≤i≤V
进一步地,根据上面的等式,选定路段平均行驶时间可使用下面的等式导出:
其中,E(Y)′是选定路段平均行驶时间估计。
本领域的技术人员很容易理解,上述各种方法的步骤可由编程的计算机执行。在此,某些实施例也旨在包含诸如数字数据存储介质之类的程序存储设备,所述程序存储设备是机器或计算机可读介质并且对机器可执行或计算机可执行指令程序进行编码,其中所述指令执行上述方法的部分或全部步骤。所述程序存储设备可以例如是数字存储器、诸如磁盘和磁带之类的磁存储介质、硬盘驱动器或光可读数字数据存储介质。所述实施例还旨在包含被设计为执行上述方法的所述步骤的计算机。
描述和附图仅说明本发明的原理。因此应该理解,本领域的技术人员能够构想各种体现本发明原理并包括在本发明的精神和范围内的配置,尽管这些配置未在此明确地描述或示出。此外,所有在此引用的实例主要明确地仅出于教导目的,以帮助读者理解本发明的原理和发明人增进现有技术的构思,应该被视为不限于这些具体引用的实例和条件。而且,在此详述本发明的原理、各方面和实施例及其特地实例的所有陈述旨在包括其等效形式。
图1示出的包括被标示为“处理器”的各种元件的功能可以使用专用硬件以及能够与相应的软件结合执行软件的硬件来提供。当由处理器提供时,所述功能可以由单个专用处理器提供,由单个共享处理器提供,或者由多个独立的处理器提供,所述多个独立的处理器中的一些可以共享。此外,术语“处理器”或“控制器”不应被构想为惟一地指代能够执行软件的硬件,还可以暗示地包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储装置。还可以包括其他常规和/或定制硬件。类似地,图中示出的任何交换器都只是概念性的。它们的功能可以通过程序逻辑的操作,通过专用逻辑,通过程序控制和专用逻辑的交互,甚至是手动交互来执行,具体的技术由实施者根据对上下文的更具体的理解进行选择。
应该理解,任何流程图形、流程图表、伪码等都表示可以基本上在计算机可读介质中表示,因此可以由计算机或处理器执行的各种过程,无论此类计算机或处理器是否明确地示出。
权利要求书(按照条约第19条的修改)
1.一种用于增加选定路段平均行驶时间估计精确度的方法,所述方法包括:
道路交通传感系统收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间;
至少一个处理器识别相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段,所述处理器识别所述相关路段当中增加选定路段平均行驶时间确定精确度的一个或多个优选路段;
所述处理器使用与所述优选路段和选定路段行驶时间对应的数据估计选定路段平均行驶时间;
其特征在于,识别优选路段包括:
识别包括知道其相关路段行驶时间不知道其选定路段行驶时间的专用车辆的相关路段;
使用相关路段和选定路段之间的关联估计每个专用车辆通过选定路段的行驶时间;
针对所述每个相关路段,使用与每个所述专用车辆通过选定路段的行驶时间估计对应的数据确定平均行驶时间估计误差改进;
根据所述平均行驶时间估计误差改进对所述相关路段进行排序;以及
通过考虑根据误差降低以降序排列的相关路段,使用所述专用车辆行驶时间确定选定路段平均行驶时间估计误差的降低,直到其中一个相关路段与之前提供误差降低的相关路段所提供的误差降低相比,不再降低估计误差,其中所述提供误差降低的相关路段被视为优选路段。
2.如权利要求1所述的方法,其中所述一个或多个相关路段是指行驶过选定路段的车辆也行驶的路段。
3.如权利要求1所述的方法,其中使用下面的等式导出使用所述相关路段和选定路段之间的关联估计每个所述专用车辆通过选定路段的行驶时间:
Y′(j)=f(X(j)),1≤j≤N
其中,
N是与其中一个相关路段对应的专用车辆数目;
X(j)是第J个专用车辆通过其中一个相关路段的行驶时间;
Y(j)’是第J个专用车辆通过选定路段的行驶时间估计;以及
f是函数。
4.如权利要求3所述的方法,其中函数“f”根据其中一个相关路段的行驶时间间隔和其中一个相关路段的交通状况中的至少一项而变化。
5.如权利要求1所述的方法,其中所述确定选定路段行驶时间的相关统计数据包括使用下面的等式估计选定路段平均行驶时间:
其中,
μ′是选定路段平均行驶时间估计;
M是可获取其选定路段行驶时间的车辆数目;
N是与优选路段对应的专用车辆数目;
Y(i)是M个车辆中的每个车辆通过选定路段的行驶时间;以及
Y(j)′是使用优选路段和选定路段之间的关联估计的N个专用车辆中的每个车辆通过选定路段的行驶时间。
6.一种用于增加选定路段平均行驶时间估计精确度的系统,所述系统包括:
道路交通传感系统,被配置为收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间;
至少一个数据储存库,被配置为:
存储相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段的列表;
存储与路段行驶时间对应的历史数据;以及
至少一个处理器,被配置为:
使用所述道路交通传感系统收集的与行驶过路段的一个或多个车辆对应的数据确定一个或多个车辆通过路段的行驶时间;
识别相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段
识别所述相关路段当中增加选定路段平均行驶时间确定精确度的一个或多个优选路段;以及
使用与所述优选路段和选定路段的行驶时间对应的数据确定选定路段平均行驶时间,
其特征在于所述处理器被配置为:
识别包括知道其相关路段行驶时间不知道其选定路段行驶时间的专用车辆的相关路段;
使用相关路段和选定路段之间的关联估计每个专用车辆通过选定路段的行驶时间;
针对所述每个相关路段,使用与每个所述专用车辆通过选定路段的行驶时间估计对应的数据确定平均行驶时间估计误差改进;
根据所述平均行驶时间估计误差改进对所述相关路段进行排序;以及
通过考虑根据误差降低以降序排列的相关路段,使用所述专用车辆行驶时间确定选定路段平均行驶时间估计误差的降低,直到其中一个相关路段与之前提供误差降低的相关路段所提供的误差降低相比,不再降低估计误差,其中所述提供误差降低的相关路段被视为优选路段。
7.如权利要求6所述的系统,其中所述处理器被配置为使用下面的等式导出使用所述相关路段和选定路段之间的关联估计每个所述专用车辆通过选定路段的行驶时间:
Y′(j)=f(X(j)),1≤j≤N
其中,
N是与其中一个相关路段对应的专用车辆数目;
X(j)是第J个专用车辆通过其中一个相关路段的行驶时间;
Y(j)’是第J个专用车辆通过选定路段的行驶时间估计;以及
f是函数。
8.如权利要求6所述的系统,其中所述处理器被配置为通过使用下面的等式估计选定路段平均行驶时间来确定选定路段行驶时间的相关统计数据:
其中,
μ′是选定路段平均行驶时间估计;
M是可获取其选定路段行驶时间的车辆数目;
N是与优选路段对应的专用车辆数目;
Y(i)是M个车辆中的每个车辆通过选定路段的行驶时间
Y(j)′是使用优选路段和选定路段之间的关联估计的N个专用车辆中的每个车辆通过选定路段的行驶时间。
Claims (13)
1.一种用于增加选定路段平均行驶时间估计精确度的方法,所述方法包括:
道路交通传感系统收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间;
至少一个处理器识别相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段,所述处理器识别所述相关路段当中增加选定路段平均行驶时间确定精确度的一个或多个优选路段;以及
所述处理器使用与所述优选路段和选定路段行驶时间对应的数据估计选定路段平均行驶时间。
2.如权利要求1所述的方法,其中所述一个或多个相关路段是指行驶过选定路段的车辆也行驶的路段。
3.如权利要求1所述的方法,其中所述识别优选路段包括:
识别包括只知道其相关路段行驶时间,不知道其选定路段行驶时间的专用车辆的相关路段;
使用相关路段和选定路段之间的关联估计每个所述专用车辆通过选定路段的行驶时间;针对所述每个相关路段,使用与每个所述专用车辆通过选定路段的行驶时间估计对应的数据确定平均行驶时间估计误差改进;
根据所述平均行驶时间估计误差改进对所述相关路段进行排序;以及
通过考虑根据误差降低以降序排列的相关路段,使用所述专用车辆行驶时间确定选定路段平均行驶时间估计误差的降低,直到其中一个相关路段与之前提供误差降低的相关路段所提供的误差降低相比,不再降低估计误差,其中所述提供误差降低的相关路段被视为优选路段。
4.如权利要求3所述的方法,其中使用下面的等式导出使用所述相关路段和选定路段之间的关联估计每个所述专用车辆通过选定路段的行驶时间:
Y(j)′=f(X(j)),1≤j≤N
其中,
N是与其中一个相关路段对应的专用车辆数目;
X(j)是第J个专用车辆通过其中一个相关路段的行驶时间;
Y(j)’是第J个专用车辆通过选定路段的行驶时间估计;以及
f是函数。
5.如权利要求4所述的方法,其中函数“f”根据其中一个相关路段的行驶时间间隔和其中一个相关路段的交通状况中的至少一项而变化。
6.如权利要求1所述的方法,其中确定选定路段行驶时间的相关统计数据包括使用下面的等式估计选定路段平均行驶时间:
其中,
μ′是选定路段平均行驶时间估计;
M是可获取其选定路段行驶时间的车辆数目;
N是与优选路段对应的专用车辆数目;
Y(i)是M个车辆中的每个车辆通过选定路段的行驶时间;以及
Y(j)′是使用优选路段和选定路段之间的关联估计的N个专用车辆中的每个车辆通过选定路段的行驶时间。
7.一种用于增加选定路段平均行驶时间估计精确度的方法,所述方法包括:
道路交通传感系统收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间;
至少一个处理器识别相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段;
所述处理器使用与每个相关路段和选定路段的行驶时间对应的历史数据确定每个相关路段行驶时间和选定路段行驶时间之间的关联;
所述处理器确定每个相关路段平均行驶时间;以及
所述处理器使用每个相关路段平均行驶时间以及每个相关路段行驶时间和选定路段行驶时间之间的关联估计选定路段平均行驶时间。
8.如权利要求7所述的方法,其中所述一个或多个相关路段是指对选定路段的交通状况或行驶时间具有影响的路段。
9.一种用于增加选定路段平均行驶时间估计精确度的系统,所述系统包括:
道路交通传感系统,其被配置为收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间;
至少一个数据储存库,被配置为:
存储相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段的列表;
存储与路段行驶时间对应的历史数据;以及
至少一个处理器,其被配置为:
使用所述道路交通传感系统收集的与行驶过路段的一个或多个车辆对应的数据确定一个或多个车辆通过路段的行驶时间;
识别相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段;
识别所述相关路段当中增加选定路段平均行驶时间确定精确度的一个或多个优选路段;以及
使用与所述优选路段和选定路段的行驶时间对应的数据确定选定路段平均行驶时间。
10.如权利要求10所述的系统,其中所述优选路段由被配置为执行以下操作的处理器识别:
识别包括只知道其相关路段行驶时间,不知道其选定路段行驶时间的专用车辆的相关路段;
使用相关路段和选定路段之间的关联估计每个专用车辆通过选定路段的行驶时间;
针对所述每个相关路段,使用与每个所述专用车辆通过选定路段的行驶时间估计对应的数据确定平均行驶时间估计误差改进;
根据所述平均行驶时间估计误差改进对所述相关路段进行排序;以及
通过考虑根据误差降低以降序排列的相关路段,使用所述专用车辆行驶时间确定选定路段平均行驶时间估计误差的降低,直到其中一个相关路段与之前提供误差降低的相关路段所提供的误差降低相比,不再降低估计误差,其中所述提供误差降低的相关路段被视为优选路段。
11.如权利要求10所述的系统,其中所述处理器被配置为使用下面的等式导出使用所述相关路段和选定路段之间的关联估计每个所述专用车辆通过选定路段的行驶时间:
Y′(j)=f(X(j)),1≤j≤N
其中,
N是与其中一个相关路段对应的专用车辆数目;
X(j)是第J个专用车辆通过其中一个相关路段的行驶时间;
Y(j)’是第J个专用车辆通过选定路段的行驶时间估计;以及
f是函数。
12.如权利要求9所述的系统,其中所述处理器被配置为通过使用下面的等式估计选定路段平均行驶时间来确定选定路段行驶时间的相关统计数据:
其中,
μ′是选定路段平均行驶时间估计;
M是可获取其选定路段行驶时间的车辆数目;
N是与优选路段对应的专用车辆数目;
Y(i)是M个车辆中的每个车辆通过选定路段的行驶时间;
Y(j)′是使用优选路段和选定路段之间的关联估计的N个专用车辆中的每个车辆通过选定路段的行驶时间。
13.一种用于增加选定路段平均行驶时间估计精确度的系统,所述系统包括:
道路交通传感系统,其被配置为收集与行驶过路段的一个或多个车辆对应的数据,从而能够确定所述一个或多个车辆通过路段的行驶时间;
至少一个数据储存库,被配置为:
存储相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段的列表;
存储与路段行驶时间对应的历史数据;以及
至少一个处理器,被配置为:
使用所述道路交通传感系统收集的与行驶过路段的一个或多个车辆对应的数据确定一个或多个车辆通过路段的行驶时间;
识别相关路段行驶时间和选定路段行驶时间相互关联的一个或多个相关路段;
使用所述数据储存库中存储的与相关路段和选定路段的行驶时间对应的历史数据确定每个相关路段行驶时间和选定路段行驶时间之间的关联;
确定每个相关路段平均行驶时间;以及
使用每个相关路段平均行驶时间以及每个相关路段行驶时间和选定路段行驶时间之间的关联估计选定路段平均行驶时间。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2009/055234 WO2011051758A1 (en) | 2009-10-27 | 2009-10-27 | Improving reliability of travel time estimation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102598078A true CN102598078A (zh) | 2012-07-18 |
Family
ID=42291764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200980162163.7A Pending CN102598078A (zh) | 2009-10-27 | 2009-10-27 | 提高行驶时间估计可靠性 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8798896B2 (zh) |
EP (1) | EP2494535B1 (zh) |
JP (1) | JP5702794B2 (zh) |
KR (1) | KR101343764B1 (zh) |
CN (1) | CN102598078A (zh) |
WO (1) | WO2011051758A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960572A (zh) * | 2017-04-05 | 2017-07-18 | 大连交通大学 | 一种基于延迟时间系数的高速公路行程时间可靠性计算方法 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8519868B2 (en) * | 2009-10-29 | 2013-08-27 | Siemens Corporation | Estimation of travel times using bluetooth |
CN103258430B (zh) * | 2013-04-26 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 路段旅行时间统计、以及交通路况判定方法和装置 |
CN104750963B (zh) * | 2013-12-31 | 2017-12-01 | 中国移动通信集团公司 | 交叉口延误时长估计方法及装置 |
WO2016029348A1 (en) * | 2014-08-26 | 2016-03-03 | Microsoft Technology Licensing, Llc | Measuring traffic speed in a road network |
CN105489010B (zh) * | 2015-12-29 | 2019-01-04 | 中国城市规划设计研究院 | 一种快速道路行程时间可靠度监测分析系统及方法 |
CN110660216B (zh) * | 2019-09-26 | 2020-12-22 | 广州大学 | 行程时间阈值确定方法、系统及智能设备 |
CN112735147B (zh) * | 2019-10-29 | 2022-09-27 | 阿波罗智联(北京)科技有限公司 | 道路交叉路口的延误指标数据获取方法和装置 |
CN115257798A (zh) * | 2021-04-29 | 2022-11-01 | 沃尔沃汽车公司 | 自动驾驶控制方法及用于自动驾驶车辆的控制单元和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994011839A1 (en) * | 1992-11-19 | 1994-05-26 | Kjell Olsson | Prediction method of traffic parameters |
US20050093720A1 (en) * | 2003-10-16 | 2005-05-05 | Hitachi, Ltd. | Traffic information providing system and car navigation system |
CN1710624A (zh) * | 2005-06-02 | 2005-12-21 | 上海交通大学 | 城市路网交通流区间平均速度的获取方法 |
GB0603340D0 (en) * | 2005-03-09 | 2006-03-29 | Hitachi Ltd | Traffic information systems |
EP2040237A2 (en) * | 2007-09-11 | 2009-03-25 | Hitachi, Ltd. | Dynamic prediction of traffic congestion by tracing feature-space trajectory of sparse floating-car data |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6542808B2 (en) * | 1999-03-08 | 2003-04-01 | Josef Mintz | Method and system for mapping traffic congestion |
JP4594289B2 (ja) * | 2006-12-06 | 2010-12-08 | 住友電工システムソリューション株式会社 | 交通状況推定方法、交通状況推定装置及びコンピュータプログラム |
-
2009
- 2009-10-27 WO PCT/IB2009/055234 patent/WO2011051758A1/en active Application Filing
- 2009-10-27 KR KR1020127010726A patent/KR101343764B1/ko not_active IP Right Cessation
- 2009-10-27 JP JP2012535945A patent/JP5702794B2/ja not_active Expired - Fee Related
- 2009-10-27 US US13/498,178 patent/US8798896B2/en active Active
- 2009-10-27 EP EP09764887.7A patent/EP2494535B1/en active Active
- 2009-10-27 CN CN200980162163.7A patent/CN102598078A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994011839A1 (en) * | 1992-11-19 | 1994-05-26 | Kjell Olsson | Prediction method of traffic parameters |
US20050093720A1 (en) * | 2003-10-16 | 2005-05-05 | Hitachi, Ltd. | Traffic information providing system and car navigation system |
GB0603340D0 (en) * | 2005-03-09 | 2006-03-29 | Hitachi Ltd | Traffic information systems |
CN1710624A (zh) * | 2005-06-02 | 2005-12-21 | 上海交通大学 | 城市路网交通流区间平均速度的获取方法 |
EP2040237A2 (en) * | 2007-09-11 | 2009-03-25 | Hitachi, Ltd. | Dynamic prediction of traffic congestion by tracing feature-space trajectory of sparse floating-car data |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960572A (zh) * | 2017-04-05 | 2017-07-18 | 大连交通大学 | 一种基于延迟时间系数的高速公路行程时间可靠性计算方法 |
CN106960572B (zh) * | 2017-04-05 | 2019-04-23 | 大连交通大学 | 一种基于延迟时间系数的高速公路行程时间可靠性计算方法 |
Also Published As
Publication number | Publication date |
---|---|
KR101343764B1 (ko) | 2013-12-19 |
WO2011051758A1 (en) | 2011-05-05 |
US20120253647A1 (en) | 2012-10-04 |
JP2013508872A (ja) | 2013-03-07 |
EP2494535A1 (en) | 2012-09-05 |
EP2494535B1 (en) | 2020-12-02 |
US8798896B2 (en) | 2014-08-05 |
JP5702794B2 (ja) | 2015-04-15 |
KR20120073299A (ko) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102598078A (zh) | 提高行驶时间估计可靠性 | |
Khan et al. | Real-time traffic state estimation with connected vehicles | |
Tang et al. | Inferring driving trajectories based on probabilistic model from large scale taxi GPS data | |
Quayle et al. | Arterial performance measures with media access control readers: Portland, Oregon, pilot study | |
JP5752141B2 (ja) | 交通管理のための方法、装置、およびコンピュータ・プログラム | |
US9508257B2 (en) | Road detection logic | |
US8280617B2 (en) | Monitoring a mobile device | |
Gundlegård et al. | Handover location accuracy for travel time estimation in GSM and UMTS | |
CN101950477B (zh) | 一种交通信息处理方法及装置 | |
CN109996278A (zh) | 道路网络质量评估方法、装置、设备及介质 | |
CN103748621A (zh) | 用于收集交通数据的方法和系统 | |
JP2006189415A (ja) | 最短時間経路の決定方法及び決定システム | |
Moghaddam et al. | Quantifying measurement error in arterial travel times measured by bluetooth detectors | |
JP2008146248A (ja) | プローブデータ解析システム | |
Li et al. | Urban arterial traffic status detection using cellular data without cellphone GPS information | |
Liu et al. | Evaluating the Accuracy of Bluetooth‐Based Travel Time on Arterial Roads: A Case Study of Perth, Western Australia | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
JP2004318621A (ja) | 交通情報推定装置及び方法 | |
KR20120062812A (ko) | 이동 시간을 예측하기 위한 방법 및 시스템 | |
Ahsani et al. | Improving probe-based congestion performance metrics accuracy by using change point detection | |
Civcik et al. | Travel Time Estimation with The Data of Bluetooth Sensors in Intelligent Traffic Systems (ITS) | |
JP5790044B2 (ja) | 交通量推定装置、コンピュータプログラム及び交通量推定方法 | |
CN111402575A (zh) | 一种交通运行状态的评估方法及装置 | |
Richardson et al. | Network stratification method by travel time variation | |
Pereira | Decision support dashboard for traffic and environment analysis of a smart city |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20161130 |
|
C20 | Patent right or utility model deemed to be abandoned or is abandoned |