CN102693627B - 交通量预测装置、交通量预测方法 - Google Patents

Abstract

本发明提供能够进行灵活的预测的交通量预测装置、交通量预测方法以及程序。该装置(1)具备：实际状况数据输入部(10)，其输入交通量的时间序列数据以及表示获取日的数据；日期类型付与部(12)，其对时间序列数据付与日期类型；分簇部(14)，其根据接近程度，将输入的多个时间序列数据划分为多个簇；实际状况数据库(16)，其与日期类型和簇相关联地存储时间序列数据；日期类型输入部(18)，其输入日期类型；预测时间序列算出部(20)，其检索存储于实际状况数据库(16)的数据，求出包含具有日期类型的时间序列数据最多的簇，生成该簇所包含的具有日期类型的时间序列数据的平均时间序列数据；输出部(22)，其输出平均时间序列数据。

Description

交通量预测装置、交通量预测方法

技术领域

本发明涉及根据过去的实际交通量预测交通量的交通量预测装置。 

背景技术

以往以来，预测发生拥堵的地点、预测道路各链路(link)的平均旅行(行车)时间的服务得到了实用化。在此，“链路”是指构成道路的单位，例如由连结交叉路口和交叉路口的线段来规定。 

另外，还已知对一天以后等较远的将来预测交通量的系统。在专利文献1中，对于预测对象链路，根据所积累的过去的交通信息，按包含于交通信息的星期、时刻等各时间属性，算出链路旅行时间的平均值、众数值等统计信息，将时间属性与预测将来时刻的时间属性相符的统计信息作为预测将来时刻的链路旅行时间进行输出。 

专利文献1：日本特开2005-173996 

发明内容

发明要解决的问题 

在上述专利文献1所记载的预测方法中，按各时间属性而处理统计信息，因此对于一个时间属性的统计信息会被揉合(舍入)为一个值，可能会导致预测内容僵化。即，即使积累了新的交通信息，对统计信息的贡献也较小，因此新的交通信息难以反映到预测中。 

因此，本发明是鉴于上述背景而完成的发明，目的在于提供一种能够灵活地进行预测的交通量预测装置。 

用于解决问题的手段 

本发明的交通量预测装置具备：实际状况数据输入部，其输入交通量的时间序列数据以及表示该时间序列数据的获取日的数据；日期类型付与部，其对所述时间序列数据付与与所述获取日对应的日期类型；分簇部，其根据时间序列数据彼此的接近程度，将由所述实际状况数据输入部输入的多个时间序列数据划分为多个簇；存储部，其与所述日期类型和所述簇相关联地存储所述时间序列数据；日期类型输入部，其输入交通量的预测对象日的日期类型；算出部，其检索存储于所述存储部的数据，求出包含具有所述日期类型的时间序列数据最多的簇，生成该簇所包含的具有所述日期类型的时间序列数据的平均时间序列数据；以及输出部，其将所述平均时间序列数据作为预测的交通量的时间序列数据来输出。 

这样，将时间序列数据划分为多个簇，求出包含具有预测对象日的日期类型的时间序列数据最多的簇(最大簇)，由此能够根据预测对象日的日期类型的时间序列中的典型时间序列数据来预测交通量。在新输入实际状况数据而最大簇发生了变化的情况下，能够根据新构成了最大簇的时间序列数据来预测交通量。日期类型例如是指季节(春、夏、秋、冬)、星期、天气(晴、阴、雨)等。 

在本发明的交通量预测装置中，可以为：所述分簇部在将所述时间序列数据初始映射于预定的空间内之后，通过在所述空间内随机地移动的主体，反复进行(1)保持处理和(2)映射处理，从而在所述空间内再次映射所述时间序列数据，将接近的时间序列数据彼此分簇为同一簇，所述保持处理为当所述主体来到映射了时间序列数据的位置时以预定的概率保持时间序列数据的处理，所述映射处理为在保持了所述时间序列数据的所述主体在所述主体周围的预定范围内检测出与所保持的时间序列数据具有预定的接近度的时间序列数据的情况下、映射所保持的时间序列数据的处理，所述存储部存储有映射了所述时间序列数据的数据。 

通过以这种方法进行分簇，即使分簇处理不收敛，也能得到的簇的暂定的状况。在交通量预测装置中，对构成全国道路的链路的时间序列数据这种大量的数据进行处理，因此为了分簇处理收敛需要花费长时间，但根 据本发明，能够根据暂定的簇来预测交通量。 

在本发明的交通量预测装置中，可以为：所述分簇部当在具有已经进行了分簇的时间序列数据的空间内初始映射新的时间序列数据时，在存在于所述空间内的时间序列数据的重心位置初始映射新的时间序列数据。 

这样，通过将新的时间序列数据初始映射于现有的时间序列数据的重心位置，能够迅速地将新的时间序列数据分类为簇。 

在本发明的交通量预测装置中，可以为：所述实际状况数据输入部在交通量的预测对象日为当天的情况下，作为部分时间序列数据而输入预测对象时刻之前的当天的交通量的时间序列数据，所述算出部从所述存储部读出映射了具有所述日期类型的时间序列数据的数据，在将所述部分时间序列数据初始映射于所读出的时间序列数据的重心位置之后，由所述主体再次映射所述部分时间序列数据，算出再次映射了所述部分时间序列数据的簇所包含的时间序列数据的平均时间序列数据。 

这样，搜索具有与预测对象时刻前的部分时间序列数据接近的时间序列数据的簇，使用该簇的预测对象时刻以后的时间序列数据来预测交通量，由此能够考虑当天的交通量的时间序列数据而进行适当的预测。 

在本发明的交通量预测装置中，所述算出部可以在进行了初始映射的部分时间序列数据的周围配置多个主体。 

根据该结构，在分簇的处理(1)中，能够易于保持部分时间序列数据，能够迅速地再次映射部分时间序列数据。 

本发明的交通量预测方法具备以下步骤：实际状况数据输入步骤，交通量预测装置输入交通量的时间序列数据以及表示该时间序列数据的获取日的数据；日期类型付与步骤，所述交通量预测装置对所述时间序列数据付与与所述获取日对应的日期类型；分簇步骤，所述交通量预测装置根据时间序列数据彼此的接近程度，将通过所述实际状况数据输入步骤输入的多个时间序列数据划分为多个簇；存储步骤，所述交通量预测装置与所述日期类型和所述簇相关联地将所述时间序列数据存储于存储部；日期类型输入步骤，所述交通量预测装置输入交通量的预测对象日的日期类型；算 出步骤，所述交通量预测装置检索存储于所述存储部的数据，求出包含具有所述日期类型的时间序列数据最多的簇，生成该簇所包含的具有所述日期类型的时间序列数据的平均时间序列数据；以及输出步骤，所述交通量预测装置将所述平均时间序列数据作为预测的交通量的时间序列数据来输出。 

本发明的程序用于预测交通量，使计算机执行：实际状况数据输入步骤，输入交通量的时间序列数据以及表示该时间序列数据的获取日的数据；日期类型付与步骤，对所述时间序列数据付与与所述获取日对应的日期类型；分簇步骤，根据时间序列数据彼此的接近程度，将通过所述实际状况数据输入步骤输入的多个时间序列数据划分为多个簇；存储步骤，与所述日期类型和所述簇相关联地将所述时间序列数据存储于存储部；日期类型输入步骤，输入交通量的预测对象日的日期类型；算出步骤，检索存储于所述存储部的数据，求出包含具有所述日期类型的时间序列数据最多的簇，生成该簇所包含的具有所述日期类型的时间序列数据的平均时间序列数据；以及输出步骤，将所述平均时间序列数据作为预测的交通量的时间序列数据来输出。 

根据该结构，本发明的交通量预测方法以及程序与本发明的交通量预测装置同样地，具有能够进行适当地反映了依次输入的时间序列数据的交通量预测的效果。另外，也可以将本发明的交通量预测装置的各种结构应用于本发明的交通量预测方法以及程序。 

发明的效果 

根据本发明，具有能够进行适当地反映了依次输入的时间序列数据的交通量预测的效果。 

附图说明

图1是表示实施方式的交通量预测装置的结构的图。 

图2是表示交通量预测装置的硬件结构的图。 

图3是表示交通量的时间序列数据的示例的图。 

图4是用于说明时间序列数据的接近程度的求出方法的图。 

图5的(a)～(f)是用于说明分簇部的处理的图。 

图6是表示存储在实际状况DB中的数据的示例的概念图。 

图7是表示存储在实际状况DB中的具体数据的示例的图。 

图8是表示求出包含与部分时间序列数据接近的时间序列数据的簇的示例的图。 

图9是表示在交通量预测装置积累实际状况DB的动作的图。 

图10是表示初始映射新的时间序列数据的示例的图。 

图11是表示交通量预测装置使用存储于实际状况DB的实际状况数据来预测交通量的动作的图。 

图12是表示交通量预测装置使用存储于实际状况DB的实际状况数据来预测交通量的动作的图。 

标号说明 

1：交通量预测装置；10：实际状况数据输入部；12：日期类型付与部；14：分簇部；16：实际状况数据库；18：日期类型输入部；20：预测时间序列算出部；22：输出部；30：CPU；32：RAM；34：ROM；36：程序；38：通信接口；40：硬盘；42：操作部；44：显示器。 

具体实施方式

以下，参照附图来说明本发明实施方式的交通量预测装置。图1是表示本发明实施方式的交通量预测装置1的结构的图。如图1所示，交通量预测装置1作为积累交通量预测所需的数据的结构，具有实际状况数据输入部10、日期类型付与部12、分簇(clustering，聚类)部14以及实际状况数据库(以下称为“实际状况DB”)16。在本实施方式中，实际状况数据的更新一天进行一次。另外，交通量预测装置1作为用于使用存储于实际状况DB 16的数据来执行交通量预测的结构，具有日期类型输入部18、预测时间序列算出部20以及输出部22。 

图2是表示以上说明的交通量预测装置1的硬件结构的图。交通量预 测装置1由计算机构成，该计算机通过数据总线46连接有CPU 30、RAM32、ROM 34、通信接口38、硬盘40、操作部42以及显示器44。CPU 30按照写入到ROM 34的程序36来执行运算处理，由此实现交通量预测装置1的功能。这种程序36包括在本发明的范围内。 

接着，详细说明交通量预测装置1的各结构。实际状况数据输入部10具有以下功能：输入道路的各链路的交通量的时间序列数据来作为实际状况数据。另外，实际状况数据输入部10输入各链路的一天的交通量的时间序列数据，并且输入表示其数据获取日的数据。作为交通量，例如可以使用通过链路所需的链路旅行时间、通过链路的车辆的平均速度、存在于链路内的车辆的台数等。 

图3是表示交通量的时间序列数据的一例的图。在此，作为交通量的一例，使用通过链路的车辆的平均速度。时间序列数据具有以下结构：求出以预定时间(例如30分钟)为单位的平均速度，按时间序列来排列这些平均速度。 

实际状况数据输入部10可以通过接收从交通信息中心发送的交通信息而进行输入，也可以接收由探测车取得的数据来作为交通量的实际状况数据进行输入。 

日期类型付与部12具有以下功能：对实际状况数据输入部10接收到的交通量的时间序列数据付与日期类型。在本实施方式中，作为日期类型，使用星期和天气(晴或者雨)。日期类型付与部12参照未图示的日历信息，求出与获取日对应的星期。另外，关于天气，可以通过接收包括对应的道路链路的地区的天气信息来获取，在使用探测车来获取时间序列数据的情况下，也可以通过观察探测车的雨刷的动作状态来获取天气数据。日期类型不限于上述的星期、天气，例如也可以使用季节(春、夏、秋、冬)等。 

分簇部14具有以下功能：根据时间序列数据彼此的接近程度，将由实际状况数据输入部10输入的时间序列数据划分为多个簇(cluster，组，群)。时间序列数据彼此的“接近程度”例如可以由各时刻的交通量的差异(乖離)来规定。 

图4是用于说明两个时间序列数据V1、V2的接近程度的求出方法的图。将两个时间序列数据V1、V2视为按每30分钟获取的24点的平均速度数据V1(t)、V2(t)所构造的向量，由其距离(√∑(V1(t)-V2(t)) ²)来定义接近程度。在该距离小于预定的阈值的情况下，判断为接近程度大，在为预定的阈值以上的情况下，判断为接近程度小。 

分簇部14使用在映射(mapping)了时间序列数据的空间内随机地移动的“主体(agent)”来再次映射时间序列数据，由此进行分簇。在本说明书中将映射了时间序列数据的空间称为“分簇空间”。主体在分簇空间内随机移动，当来到映射了时间序列数据的位置时，以预定的概率保持时间序列数据。并且，当保持了时间序列数据的主体在主体周围的预定范围内检测出与所保持的时间序列数据具有预定的接近度的时间序列数据时，映射所保持的时间序列数据。 

图5的(a)～图5的(f)是用于说明分簇部14进行的分簇处理的图。如图5的(a)所示，分簇部14在分簇空间内随机地映射时间序列数据D1～D5。如图5的(b)所示，当主体A在分簇空间内移动而来到时间序列数据D5的位置时，主体A以预定的概率保持时间序列数据D5。在本例中，设为保持了时间序列数据D5。在图5的(b)中，方便起见，将主体A记为与时间序列数据D5相邻，实际上，在主体A与时间序列数据D5一致时，判断为主体A来到时间序列数据D5的位置。 

保持了时间序列数据D5的主体A在分簇空间内移动。在本例中，设为时间序列数据D1和时间序列数据D5的接近度大于预定的阈值。如图5的(c)所示，当在预定范围内发现时间序列数据D1时，主体A将时间序列数据D5映射到其位置。 

接着，如图5的(d)所示，当主体A在分簇空间内移动而来到时间序列数据D2的位置时，主体A以预定的概率保持时间序列数据D2。在本例中，设为保持了时间序列数据D2。 

保持了时间序列数据D2的主体A在分簇空间内移动。在本例中，设为时间序列数据D1和时间序列数据D2的接近度大于预定的阈值。如图5 的(e)所示，当在预定范围内发现时间序列数据D1时，主体A将时间序列数据D2映射到其位置。 

通过以上动作，时间序列数据D1、D2、D5被映射到彼此的附近。如图5的(f)所示，通过将接近的数据彼此划分为同一簇，能够分簇为时间序列数据D1、D2、D5包含于同一簇。 

进一步，使用主体A继续分簇，由此也能够再次映射时间序列数据D3、D4等，但如以上所见，根据本方法，在分簇处理的途中也能得到暂定的分簇结果。这种分簇方法也被称为“蚂蚁聚类(ant clustering)”。 

分簇部14可以按各链路、各日期类型来进行上述的分簇，也可以在使不同的链路、日期类型的时间序列数据混合存在的状态下进行上述的分簇。当在同一分簇空间内进行不同的链路、日期类型的时间序列数据的分簇时，与链路和/或日期类型无关，接近的时间序列数据被划分为同一簇。例如，当时间序列数据接近时，则处于东京的链路的时间序列数据与处于九州的链路的时间序列数据也有时会被划分为同一簇。这样在同一分簇空间内对不同的链路、日期类型的时间序列数据进行了分簇的情况下，对各时间序列数据也关联有链路和日期类型的数据，因此能够抽取与链路和日期类型对应的时间序列数据。 

在上述的说明中，说明了“主体”保持并搬运时间序列数据而进行再次映射，但在实际的装置中，“主体”由指示(例如通过排列等)逻辑性设定的分簇空间中的预定位置(排列要素)的变量来定义。对当前位置、至此移动的历史记录加以随机数的要素来计算主体的移动方向、即该变量接着指示的位置。并且，在对变量所指示的位置映射了时间序列数据的情况下，以预定的概率，将存储了该时间序列数据的地址的指针代入到其它变量(以下称为“第二变量”)而进行保持。在保持了时间序列数据的状态下(在第二变量中含有值的状态下)，当在当前位置附近发现了其它时间序列数据时，对保持于第二变量的时间序列数据与发现的时间序列数据的接近程度进行比较，在判断为比预定的阈值更接近的情况下，将存储于第二变量的指针写入到当前位置(排列要素)，将第二变量的值设为NULL(空 值)。 

实际状况DB 16存储由实际状况数据输入部10输入的时间序列数据。在各时间序列数据相关联地存储有由日期类型付与部12付与的日期类型的数据以及通过分簇部14的处理划分得到的簇的数据。 

图6是表示存储在实际状况DB 16中的数据的示例的概念图。如图6所示，按各链路、各日期类型来分类时间序列数据，对时间序列数据付与链路和日期类型的数据。另外，时间序列数据具有由分簇部14分簇得到的分簇空间内的位置数据。 

图7是表示存储在实际状况DB 16中的具体数据的示例的图。在实际状况DB 16中，与时间序列数据相关联地存储有获取到该时间序列数据的链路、日期类型、时间序列数据的映射位置以及簇的数据。 

日期类型输入部18具有输入预测对象的日期类型的功能。日期类型输入部18输入预测对象日的星期和天气。日期类型输入部18也可以接受预测对象日的日期的输入，参照日历信息根据预测对象日的日期求出日期类型，并且根据预测对象日的天气预报数据求出天气，然后将其输入。在预测对象日为将来、没有天气预测的情况下，也可以作为日期类型仅使用星期来进行交通量预测。 

预测时间序列算出部20具有以下功能：根据所输入的日期类型来算出预测的时间序列数据。具体而言，预测时间序列算出部20检索存储于实际状况DB 16的数据，求出包含具有与所输入的日期类型相同的日期类型的时间序列数据最多的簇(最大簇)，在最大簇中生成具有与所输入的日期类型相同的日期类型的时间序列数据的平均时间序列数据。 

另外，在已知到预测日当天的预测对象时刻的实际状况数据(以下称为“部分时间序列数据”)的情况下，预测时间序列算出部20使用实际状况数据来算出预测时间序列。例如，在预测对象的时刻为12:00以后的情况下，当在进行预测的时刻能得到当天0:00～10:00的实际交通量的实际状况数据(部分时间序列数据)时，使用具有与该部分时间序列数据接近的部分时间序列数据的时间序列数据来预测12:00以后的交通量。 

对处理的概要进行说明，在与部分时间序列数据对应的时间段(例如，在部分时间序列数据为0:00～10:00的数据的情况下，对应的时间段为0:00～10:00)中，求出具有与部分时间序列数据接近的时间序列数据的簇，求出该簇所包含的时间序列数据的平均。预测时间序列算出部20在求出包含与部分时间序列数据接近的时间序列数据的簇时，使用在分簇部14中所使用的“主体”。 

图8是表示求出包含与部分时间序列数据接近的时间序列数据的簇的示例的图。如图8所示，将部分时间序列数据映射到处于分簇空间内的相同的链路、日期类型的时间序列数据的重心位置。接着，主体根据处于分簇空间内的时间序列数据的与部分时间序列数据对应的部分的时间序列数据和部分时间序列数据的接近程度，在分簇空间内再次映射部分时间序列数据。也可以在重心位置周围配置多个主体，以使得提高主体保持部分时间序列数据的可能性。由此，能顺利地进行部分时间序列数据的再次映射。 

当由主体再次映射了部分时间序列数据时，则预测时间序列算出部20判断部分时间序列数据再次映射到了哪个簇。在图8示出的示例中，部分时间序列数据再次映射到簇C2。预测时间序列算出部20求出再次映射了部分时间序列数据的簇C2所包含的全部时间序列数据的平均。 

输出部22将由预测时间序列算出部20算出的时间序列数据的平均作为预测的交通量的时间序列数据来进行输出。 

接着，说明本实施方式的交通量预测装置1的动作。图9是表示在交通量预测装置1的实际状况DB 16中积累实际状况数据的动作的图，图11以及图12是表示交通量预测装置1使用存储于实际状况DB的实际状况数据来预测交通量的动作的图。在图9、图11、图12中并未特别进行示出，但关于道路的多个链路，在积累实际状况数据而预测交通量的情况下，按各链路来实施图9、图11、图12的动作。 

如图9所示，交通量预测装置1作为实际状况数据而输入道路的各链路的交通量的时间序列数据(S10)。实际状况数据例如一天一次地输入一天的交通量的时间序列数据。此时，也输入获取到时间序列数据的年月日 的数据。接着，交通量预测装置1对实际状况数据付与日期类型(S12)。对于作为日期类型之一的星期，参照日历信息来求出与年月日对应的星期。对于作为日期类型之一的天气，通过从发送天气数据的服务器接收天气数据来求出。 

接着，交通量预测装置1对所输入的时间序列数据进行分簇(S14～S18)。首先，交通量预测装置1将时间序列数据初始映射到进行分簇的分簇空间内(S14)。在首次进行分簇的情况下，随机地映射时间序列数据即可。在对已经进行过分簇的分簇空间加入追加的时间序列数据而再次进行分簇的情况下，如图10所示，将新的时间序列数据初始映射到已经存在的时间序列数据的重心位置。由此，迅速地进行分簇处理。 

接着，交通量预测装置1使用主体再次映射在分簇空间内映射的时间序列数据(S16)。如上所述，主体反复进行如下动作，即在分簇空间内随机地移动，当发现时间序列数据时以预定的概率将其保持而映射到接近的时间序列数据附近，由此逐渐接近的时间序列彼此被接近配置。然后，交通量预测装置1根据配置在分簇空间内的时间序列数据的位置关系，划分分簇空间以使得接近的时间序列数据彼此成为同一簇，由此进行分簇(S18)。交通量预测装置1将时间序列数据与日期类型、划分得到的簇以及映射位置的数据相关联地存储到实际状况DB 16(S20)。 

图11是表示根据所输入的日期类型来预测交通量的动作的流程图。在此，说明了输入日期类型的示例，但也可以接受预测对象日的年月日的输入，交通量预测装置1根据年月日求出日期类型而输入日期类型。 

如图11所示，交通量预测装置1输入交通量的预测对象日的日期类型(S30)。接着，交通量预测装置1求出具有所输入的日期类型的时间序列数据的最大簇(S32)。例如，在图6示出的示例中，包含具有“星期一”、“晴”的日期类型的时间序列数据的最大簇为簇C1。接着，交通量预测装置1求出最大簇所包含的时间序列数据的平均(S34)，将该平均作为预测交通量来输出(S36)。 

图12是表示除了使用所输入的日期类型以外还使用预测对象日的预 测对象时刻前的部分时间序列数据来预测交通量的动作的流程图。如图12所示，交通量预测装置1输入交通量的预测对象日的日期类型(S40)。接着，交通量预测装置1的实际状况数据获取部获取预测对象日的预测对象时刻前的实际交通量的时间序列数据(部分时间序列数据)。例如，在预测对象时刻为12:00以后的情况下，获取0:00～10:00的部分时间序列数据。然后，实际状况数据获取部将获取到的部分时间序列数据输入到预测时间序列算出部20(S42)。 

预测时间序列算出部20求出包含具有与部分时间序列数据接近的时间序列数据的时间序列数据的簇(S44～S48)。具体而言，首先，预测时间序列算出部20对于所输入的部分时间序列数据，将部分时间序列数据初始映射到分簇空间(S44)。初始映射位置为相同的链路、日期类型的时间序列数据的重心位置。 

接着，预测时间序列算出部20通过主体再次映射部分时间序列数据(S46)。在进行再次映射之后，预测时间序列算出部20确定包含部分时间序列数据的簇(S48)。在图8示出的示例中，部分时间序列数据被包含在簇C2内。接着，预测时间序列数据算出部求出包含部分时间序列数据的簇C2内的时间序列数据的平均(S50)，将该平均作为预测交通量来输出(S52)。以上，说明了本实施方式的交通量预测装置1的结构以及动作。 

本实施方式的交通量预测装置1将时间序列数据划分为多个簇，求出具有预测对象日的日期类型的时间序列数据的最大簇，由此能够根据预测对象日的日期类型的时间序列中的典型时间序列数据来预测交通量。 

不是取具有相同的日期类型的时间序列数据的平均而是取最大簇的平均，因此在新输入实际状况数据而最大簇发生了变化的情况下，能够根据新构成了最大簇的时间序列数据来预测交通量，因此能够适当地反映新输入的时间序列数据的趋势。 

在本实施方式中，使用蚂蚁聚类来进行时间序列数据的分簇，因此即使分簇处理不收敛也能够得到簇的暂定的状况。在本实施方式中，能够根据暂定的簇来预测交通量，因此对于处理全国道路的各链路的时间序列数 据这种大量数据的装置是有效的。 

这样，搜索具有与预测对象时刻前的部分时间序列数据接近的时间序列数据的簇，使用该簇的预测对象时刻以后的时间序列数据来预测交通量，由此能够考虑当天的交通量的时间序列数据而进行适当的预测。例如，在图8示出的示例中，最大簇为簇C1，但通过使用当天的部分时间序列数据，能根据簇C2所包含的时间序列数据来预测交通量，能够进行与当天的交通量变化相符的交通量的预测。 

产业上的可利用性 

本发明具有能够进行适当地反映了依次输入的时间序列数据的交通量预测的效果，作为交通量预测装置等是有用的。 

Claims (5)

1.一种交通量预测装置，具备：

实际状况数据输入部，其输入交通量的时间序列数据以及表示该时间序列数据的获取日的数据；

日期类型付与部，其对所述时间序列数据付与与所述获取日对应的日期类型；

分簇部，其根据时间序列数据彼此的接近程度，将由所述实际状况数据输入部输入的多个时间序列数据划分为多个簇；

存储部，其与所述日期类型和所述簇相关联地存储所述时间序列数据；

日期类型输入部，其输入交通量的预测对象日的日期类型；

算出部，其检索存储于所述存储部的数据，求出包含具有所述日期类型的时间序列数据最多的簇，生成该簇所包含的具有所述日期类型的时间序列数据的平均时间序列数据；以及

输出部，其将所述平均时间序列数据作为预测的交通量的时间序列数据来输出，

所述分簇部在将所述时间序列数据初始映射于预定的空间内之后，通过在所述空间内随机地移动的主体，反复进行保持处理和映射处理，从而在所述空间内再次映射所述时间序列数据，将接近的时间序列数据彼此分簇为同一簇，所述保持处理为当所述主体来到映射了时间序列数据的位置时以预定的概率保持时间序列数据的处理，所述映射处理为在保持了所述时间序列数据的所述主体在所述主体周围的预定范围内检测出与所保持的时间序列数据具有预定的接近度的时间序列数据的情况下、映射所保持的时间序列数据的处理，

所述存储部存储有映射了所述时间序列数据的数据。

2.根据权利要求1所述的交通量预测装置，其中，

所述分簇部当在具有已经进行了分簇的时间序列数据的空间内初始映射新的时间序列数据时，在存在于所述空间内的时间序列数据的重心位置初始映射新的时间序列数据。

3.根据权利要求1或者2所述的交通量预测装置，其中，

所述实际状况数据输入部在交通量的预测对象日为当天的情况下，作为部分时间序列数据而输入预测对象时刻之前的当天的交通量的时间序列数据，

所述算出部从所述存储部读出映射了具有所述日期类型的时间序列数据的数据，在将所述部分时间序列数据初始映射于所读出的时间序列数据的重心位置之后，由所述主体再次映射所述部分时间序列数据，算出再次映射了所述部分时间序列数据的簇所包含的时间序列数据的平均时间序列数据。

4.根据权利要求3所述的交通量预测装置，其中，

所述算出部在初始映射的部分时间序列数据的周围配置多个主体。

5.一种交通量预测方法，包括：

实际状况数据输入步骤，交通量预测装置输入交通量的时间序列数据以及表示该时间序列数据的获取日的数据；

日期类型付与步骤，所述交通量预测装置对所述时间序列数据付与与所述获取日对应的日期类型；

分簇步骤，所述交通量预测装置根据时间序列数据彼此的接近程度，将通过所述实际状况数据输入步骤输入的多个时间序列数据划分为多个簇；

存储步骤，所述交通量预测装置与所述日期类型和所述簇相关联地将所述时间序列数据存储于存储部；

日期类型输入步骤，所述交通量预测装置输入交通量的预测对象日的日期类型；

算出步骤，所述交通量预测装置检索存储于所述存储部的数据，求出包含具有所述日期类型的时间序列数据最多的簇，生成该簇所包含的具有所述日期类型的时间序列数据的平均时间序列数据；以及

输出步骤，所述交通量预测装置将所述平均时间序列数据作为预测的交通量的时间序列数据来输出，

在所述分簇步骤中，所述交通量预测装置在将所述时间序列数据初始映射于预定的空间内之后，通过在所述空间内随机地移动的主体，反复进行保持处理和映射处理，从而在所述空间内再次映射所述时间序列数据，将接近的时间序列数据彼此分簇为同一簇，所述保持处理为当所述主体来到映射了时间序列数据的位置时以预定的概率保持时间序列数据的处理，所述映射处理为在保持了所述时间序列数据的所述主体在所述主体周围的预定范围内检测出与所保持的时间序列数据具有预定的接近度的时间序列数据的情况下、映射所保持的时间序列数据的处理，

在所述存储步骤中，所述交通量预测装置将映射了所述时间序列数据的数据存储于所述存储部。