CN107103753A - 交通时间预测系统、交通时间预测方法以及交通模型建立方法 - Google Patents

交通时间预测系统、交通时间预测方法以及交通模型建立方法 Download PDF

Info

Publication number
CN107103753A
CN107103753A CN201610161006.6A CN201610161006A CN107103753A CN 107103753 A CN107103753 A CN 107103753A CN 201610161006 A CN201610161006 A CN 201610161006A CN 107103753 A CN107103753 A CN 107103753A
Authority
CN
China
Prior art keywords
data
section
model
traffic
prediction
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
Application number
CN201610161006.6A
Other languages
English (en)
Inventor
赖璟皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute for Information Industry
Original Assignee
Institute for Information Industry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute for Information Industry filed Critical Institute for Information Industry
Publication of CN107103753A publication Critical patent/CN107103753A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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
    • G08G1/0104—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种交通时间预测系统、交通时间预测方法以及交通模型建立方法。交通时间预测系统用以预测一行车路线所需的行车时间，包含模型建构模块、模型选择模块以及预测模块。模型建构模块用以建立多笔候选预测模型。候选预测模型每一者分别对应于多个路段中的一者以及多个相异的数学模型的一者。模型选择模块用以自该行车路线中各个路段相符的候选预测模型中选择对应于路段的预测模型。预测模块用以根据行车路线中各个路段的预测模型预测各个路段的预测车速以计算行车时间估计值。模型选择模块选择路段所对应的候选预测模型中预测误差值较小的一者作为路段的预测模型。综上，由于每一路段所选用的预测模型皆为准确度高的预测模型，因此可有效提高准确度。

Description

交通时间预测系统、交通时间预测方法以及交通模型建立方法
技术领域
本发明是关于一种交通时间预测系统及方法，且特别是关于一种混合模型的交通时间预测系统及方法。
背景技术
现有的市售导航系统或线上地图，进行交通时间预测时，使用单一的演算法模型预测行车速度，无法依据不同时段和路段变化或调整所使用的演算法模型，因此所预测的行驶时间与实际行车时间有明显的误差。
此外，现有的模型无法针对不同的情境对演算法或预测的行驶时间进行调整修正，因此遇到举办活动、事故或是天候不佳的特殊情况下，也无法准确地预测行驶时间。
发明内容
为解决上述问题，本发明的一方面为一种交通时间预测系统。交通时间预测系统用以预测一行车路线所需的行车时间，该交通时间预测系统包含：一模型建构模块，用以建立多笔候选预测模型，所述候选预测模型每一者分别对应于多个路段中的一者以及多个相异的数学模型的一者；一模型选择模块，用以自该行车路线中各个路段相符的所述候选预测模型中选择对应于所述路段的一预测模型；以及一预测模块，用以根据该行车路线中各个路段的该预测模型预测各个路段的一预测车速以计算该行车路线的一行车时间估计值；其中该模型选择模块选择该路段所对应的所述候选预测模型中预测误差值较小的一者作为该路段的该预测模型。
在部分实施例中，交通时间预测系统还包含：一数据数据库，用以储存至少一历史数据，该历史数据包含相应于所述路段中的一者于相应的行车时段的车速记录；一模型数据库，用于储存对应于各个路段的相异时段、相异情境以及相异数学模型的所述候选预测模型；以及一数据接收模块，用以接收至少一即时数据，该即时数据包含相应于所述路段中的一者的即时车速信息；其中该模型选择模块根据该历史数据以及该即时数据计算所述候选预测模型各自的预测误差值，以选择该所述候选预测模型中预测误差值较小的一者作为该路段的该预测模型。
在部分实施例中，交通时间预测系统还包含：一数据处理模块，耦接于该数据接收模块，用以对该即时数据进行数据处理；一路段对应单元，耦接于该数据处理模块，用以将经数据处理后的该至即时数据对应至一地图数据中相应的路段，以将该即时数据作为历史数据储存于该数据数据库中。
在部分实施例中，该即时数据还包含至少一情境信息，该数据处理模块包含：一数据正规化单元，用以对该即时数据中的该情境信息以及该即时车速信息进行正规化处理。
在部分实施例中，该即时数据还包含至少一情境信息，该数据处理模块包含：一情境信息分析单元，用以接收该情境信息，并计算一加权系数以代表该情境信息对相应路段的相应时段的车速的影响。
在部分实施例中，该情境信息分析单元根据该加权系数建立一情境模型，当该预测模块判断相应路段的相应时段落在该情境模型的一影响时段内时，该预测模块根据该情境模型的该加权系数预测该路段的预测车速。
在部分实施例中，交通时间预测系统还包含：一数据重建模块，耦接于该数据数据库，用以根据该数据数据库中的该历史数据计算所述路段中缺少车速记录的行车时段的车速，以回复所述历史数据。
在部分实施例中，该数据重建模块对该数据数据库中的历史数据进行一空间序列重建，以根据邻近的多个路段的车速信息计算相应路段的车速信息。
在部分实施例中，该数据重建模块对该数据数据库中的历史数据进行一时间序列重建，以根据邻近的多个时段的车速信息计算相应路段的车速信息。
本发明的另一方面为一种交通时间预测方法，其通过一处理器实施。交通时间预测方法包含以下步骤：由该处理器接收至少一即时数据；该处理器在相应于一行车路线的多个候选预测模型中分别对该行车路线的每一个路段选择所述候选预测模型的一者作为该每一个路段的其中的一者的预测模型；以及由该处理器根据该行车路线中各个路段相应的预测模型计算一行车时间估计值；其中各个路段相应的预测模型是根据该即时数据以及一数据库中的一历史数据选择该路段所对应的所述候选预测模型中预测误差值较小的一者作为该路段的该预测模型。
在部分实施例中，该至少一即时数据还包含一情境信息，该方法还包含以下步骤：由该处理器根据该情境信息判断相应路段的相应时段是否落在该情境信息的一影响时段；当相应路段的相应时段落在该影响时段时，由该处理器计算该情境信息对相应路段于相应时段的一加权系数；以及由该处理器根据该加权系数选择相应的预测模型预测该路段的预测车速。
在部分实施例中，根据该加权系数选择相应的预测模型还包含：当该加权系数大于一预设门槛值时，由该处理器根据该加权系数由相应于该情境信息的一情境模型预测该路段的预测车速。
在部分实施例中，该情境信息的该影响时段是介于一影响起始时间与一影响结束时间之间，该影响起始时间以及该影响结束时间是分别根据该情境信息对预计车速的影响大于一预设门槛值的时间计算而得。
在部分实施例中，该情境信息包含天气信息、活动信息、或是交通事件信息。
本发明的另一方面为一种交通模型建立方法，包含以下步骤：由该处理器接收至少一即时数据，其中该至少一即时数据包含一车速信息；由该处理器将该至少一即时数据中的车速信息对应至一地图数据中多个路段中相应的一者；以及由该处理器根据该至少一即时数据以及一数据数据库中的历史数据计算所述路段分别对应到多个相异的数学模型的多个候选预测模型，以供一模型选择模块选择所述路段所对应的所述候选预测模型的一者作为相应路段的一预测模型。
在部分实施例中，该至少一即时数据还包含一情境信息，该方法还包含以下步骤：由该处理器对该即时数据中的该车速信息以及该情境信息进行正规化处理；由该处理器根据该情境信息计算该情境信息对相应路段于相应时段的一加权系数；以及由该处理器将该加权系数对应至该地图数据中所述路段中相应的一者。
在部分实施例中，交通模型建立方法还包含以下步骤：由该处理器对该数据数据库中的历史数据进行一空间序列重建，以根据邻近的多个路段的车速信息计算相应路段的车速信息。
在部分实施例中，交通模型建立方法还包含以下步骤：由该处理器对该数据数据库中的历史数据进行一时间序列重建，以根据邻近的多个时段的车速信息计算相应路段的车速信息。
综上所述，由于每一路段所选用的预测模型皆为准确度高的预测模型，因此可有效提高准确度。此外，交通时间预测系统亦可针对不同情境与事件修正预估车速，以进一步提高准确度。
附图说明
图1为根据本发明部分实施例所绘示的交通时间预测系统的示意图；
图2A和图2B为根据本发明部分实施例所绘示的数据重建模块的示意图；
图3为根据本发明部分实施例所绘示的模型建构模块的操作示意图；
图4为根据本发明部分实施例所绘示的模型选择模块操作示意图；
图5为根据本发明部分实施例所绘示的情境信息分析单元示意图；
图6为根据本发明部分实施例所绘示的交通时间预测方法的流程图；
图7为根据本发明部分实施例所绘示的交通模型建立方法的流程图。
具体实施方式
下文是举实施例配合所附附图作详细说明，以更好地理解本发明的实施方式，但所提供的实施例并非用以限制本发明所涵盖的范围，而结构操作的描述非用以限制其执行的顺序，任何由元件重新组合的结构，所产生具有均等功效的装置，皆为本发明所涵盖的范围。此外，根据业界的标准及惯常做法，附图仅以辅助说明为目的，并未依照原尺寸作图，实际上各种特征的尺寸可任意地增加或减少以便于说明。下述说明中相同元件将以相同的符号标示来进行说明以便于理解。
在全篇说明书与权利要求书所使用的用词(terms)，除有特别注明外，通常具有每个用词使用在此领域中、在此揭露的内容中与特殊内容中的平常意义。某些用以描述本发明的用词将于下或在此说明书的别处讨论，以提供本领域技术人员在有关本发明的描述上额外的引导。
此外，在本文中所使用的用词“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指“包含但不限于”。此外，本文中所使用的“及/或”，包含相关列举项目中一或多个项目的任意一个以及其所有组合。
于本文中，当一元件被称为“连接”或“耦接”时，可指“电性连”或“电性耦接”。“连接”或“耦接”亦可用以表示二或多个元件间相互搭配操作或互动。此外，虽然本文中使用“第一”、“第二”、…等用语描述不同元件，该用语仅是用以区别以相同技术用语描述的元件或操作。除非上下文清楚指明，否则该用语并非特别指称或暗示次序或顺位，亦非用以限定本发明。
请参考图1。图1为根据本发明部分实施例所绘示的交通时间预测系统100。交通时间预测系统100可根据使用者所选择的行车路线进行计算，以预测行车路线所需的行车时间。如图1所示，交通时间预测系统100包含数据接收模块110、数据处理模块120、路段对应模块130、数据重建模块140、模型建构模块150、模型选择模块160、预测模块170、数据数据库180以及模型数据库190。以下段落将分别针对交通时间预测系统100各个模块的功能及相互操作方式进行详细说明。
数据接收模块110用以接收即时数据RTdata1～RTdata3。在部分实施例中，即时数据RTdata1可包含相应于不同路段的即时车速记录数据。举例来说，在部分实施例中，即时数据RTdata1可为透过固定式车辆侦测器(VehicleDetector，VD)接收的车速数据、或是透过具有全球卫星定位系统的探侦车(GPS-Based Vehicle Probe，GVP)接收的车速数据，但本发明并不以此为限。在其他部分实施例中，数据接收模块110亦可自利用电子收费系统为基础的探侦车(ETC-Based Vehicle Probe，EVP)或是以手机基地台为基础的探侦车(Cellular-Based Vehicle Probe，CVP)接收即时数据RTdata1，以得知不同的路段及路段方向上的即时车速与路况。
此外，在部分实施例中，数据接收模块110更可接收其他种类的即时数据。举例来说，即时数据RTdata2可包含不同类别的事件信息。如路段上发生的车祸、爆胎等等事故，路段上出现落石、坍方等障碍物，或是路段车多壅塞等事件信息。此外，即时数据RTdata2亦可能包含各种活动信息例如举办球赛或演唱会等等大型活动。具体来说，数据接收模块110可自各种数据库(如：国道高速公路局交通数据库等等)中撷取事件信息和活动信息作为即时数据RTdata2。
相似地，在部分实施例中，数据接收模块110亦可接收天气信息作为即时数据RTdata3。举例来说，即时数据RTdata3可包含暴雨、积雪、浓雾等等对交通车速有显着影响的天气信息。值得注意的是，上述的事件信息、活动信息以及天气信息可视为一种情境信息。不同的情境(如：事故、活动和天候状态)都会对交通状况和车速产生相应的影响。因此，交通时间预测系统100可透过分析情境的有无与种类，更准确地对行车时间进行预测。
数据处理模块120连接于数据接收模块110，用以对数据接收模块110接收的即时数据RTdata1～RTdata3进行数据处理，以供交通时间预测系统100进行后续的操作。具体来说，在部分实施例中，数据处理模块120包含数据正规化单元122以及情境信息分析单元124。由于即时数据RTdata1～RTdata3可能包含不同的数据来源和数据型态。因此数据正规化单元122可对即时数据RTdata1～RTdata3进行正规化处理(Normalization)，使得交通时间预测系统100可使用不同来源的车速数据(如：VD、GVP、CVP等)以及不同类别的情境信息。
路段对应模块130可将经正规化处理后的车速数据对应至一地图数据MAPdata中相应的路段。举例来说，对于固定式车辆侦测器接收的车速数据，可对应至侦测器设置位置所在的相应路段以及邻近的路段。对于探侦车接收的车速数据，可对应至探侦车于该时段间所行经的相应路段以及邻近的路段。
在部分实施例中，路段对应模块130可透过路段分群(Road segmentclustering)的方式，将地图数据MAPdata中的道路分群为不同的路段。路段分群可透过多种不同本领域具通常知识者所熟知的方式实现，故于此不再赘述。
如此一来，交通时间预测系统100便可将即时数据RTdata1中的车速对应至相应的时段与路段，并将其储存于数据数据库180中作为历史数据HTdata。
如图1所示，在部分实施例中，交通时间预测系统100中的数据重建模块140耦接于数据数据库180，并用以根据数据数据库180中的历史数据HTdata计算路段中缺少车速记录的行车时段的车速，以重建历史数据HTdata中缺失的数据。
请参考图2A和图2B。图2A和图2B为根据本发明部分实施例所绘示的数据重建模块140示意图。具体来说，数据重建模块140重建数据的方式可包含空间序列重建与时间序列重建两种方式。如图2A所示，在路段RS1～RS5当中，当路段RS1～RS2、RS4～RS5的车速数据已知，路段RS3的车速数据未知时，数据重建模块140可采用空间序列重建的方式，根据邻近的路段RS1～RS2、RS4～RS5的已知车速数据进行计算，以取得路段RS3的车速。在不同实施例中，数据重建模块140可使用不同统计方法计算路段RS3的车速。举例来说，在部分实施例中，数据重建模块140可采用最大似然估计(MaximumLikelihood，ML)计算路段RS3的车速。值得注意的是，在部分其他实施例中，数据重建模块140亦可采用算术平均、或是加权平均等不同方式计算路段RS3的车速，本发明并不以此为限。
如图2B所示，在邻近的路段RS1～RS5的车速皆为未知而不适合采用空间序列重建的情况下，数据重建模块140亦可采用时间序列重建的方式，根据邻近时间的历史数据进行计算，以取得路段RS1～RS5的车速。举例来说，数据重建模块140可将前一时段的车速数据作为下一时段的车速，或是将多笔先前时段的车速数据根据前述的各种统计方式如最大似然估计、算术平均、或是加权平均等进行运算，以取得路段RS1～RS5的车速。如此一来，本发明的交通时间预测系统100便可透过数据重建模块140进行数据重建，确保数据库180中历史数据HTdata的完整。
模型建构模块150用以建立多笔候选预测模型CM(1,1)～CM(m,n)。请参考图3。图3为根据本发明部分实施例所绘示的模型建构模块150的操作示意图。举例来说，候选预测模型CM(1,1)～CM(1,n)对应于路段RS1，且分别对应于多个相异的数学模型MODEL1～MODELn。候选预测模型CM(2,1)～CM(2,n)可包含路段RS2，且分别对应于数学模型MODEL1～MODELn，以此类推。换言之，候选预测模型CM(x,y)为路段RSx对应于数学模型MODELy的车速估计值。其中x为1至m之间的任意值，y为1至n之间的任意值。在部分实施例中，对于任一候选预测模型(如：候选预测模型CM(x,y))而言，数学模型MODEL1～MODELn可分别产生相应路段(如：路段RS1)对应于不同时段、不同统计演算法、不同情境、或者对于不同未来预测时间所计算而来的候选预测模型CM(1,1)～CM(1,n)。
举例来说，在部分实施例中，数学模型MODEL1可使用径向基函数核(Radial basis function kernel)函数(RBF核函数)执行支持向量回归(SupportVector Regression，SVR)以分别计算不同路段RS1～RSm的候选预测模型CM(1,1)～CM(m,1)。其他的数学模型MODEL2可使用其他本领域技艺人士所知的核函数执行支持向量回归以分别计算不同路段RS1～RSm的候选预测模型CM(1,2)～CM(m,2)。举例来说，预测模型MODEL2可使用多项式核函数(Polynomial kernel)、线性核函数(linear kernel)、双曲正切核函数(Hyperbolictangent kernel)、拉普拉斯核函数(Laplacian Kernel)…等等，但本发明并不以此为限。
此外，预测模型MODEL3可使用上述所提的各种核函数执行高斯过程回归(Gaussian process)分别计算不同路段RS1～RSm的候选预测模型CM(1,3)～CM(m,3)。预测模型MODEL4可使用上述所提的各种核函数执行相关向量机回归(Relevance vector machine，RVM)分别计算不同路段RS1～RSm的候选预测模型CM(1,4)～CM(m,4)，以此类推。
换言之，预测模型MODEL1～MODELn可分别代表不同的回归方法与核函数的搭配的模型。如此一来，模型建构模块150便可根据数据库180中历史数据HTdata以及数据重建模块140所提供的数据，建立出路段RD1～RDm分别对应到不同数学模型MODEL1～MODELn的候选预测模型CM(1,1)～CM(m,n)。在部分实施例中，模型建构模块150可进行迭代计算，并由下式计算数学模型MODEL1～MODELn的候选预测模型CM(1,1)～CM(m,n)。
其中，i代表迭代的次数，j代表路段，l代表时段，d代表路段的方向，t代表对未来预测的时段，k代表模型。与x(m)分别代表估计值与实际值。εi，j，l，d，t，k代表第i次迭代时，于l时段j路段d方向对未来t时段采用k模型的误差值。ψj，l，d，t，k代表于l时段j路段d方向对未来t时段采用k模型的较佳结果。
换言之，在部分实施例中，模型建构模块150用以利用各个路段对应的历史可用于预测的数据，对各个路段建立多笔相异数学模型及不同特殊状况(如事件、活动、雨量等等)的候选预测模型。候选预测模型CM(1,1)～CM(m,n)可于训练及建立后储存于模型数据库190中，以供模型选取模型160之用。
模型选择模块160耦接于模型建构模块150，用以分析使用者所选定的行车路线，以取得行车路线中所包含的各个路段，并分别从和行车路线的路段相符的候选预测模型CM(1,1)～CM(m,n)中选择对应于路段的预测模型。换言之，模块选择模块160用于利用预测车速与实际实速的差异及不同情境来选取适当且误差最小的候选预测模型CM(1,1)～CM(m,n)，选取的模型用于供预测模块170做为车速预测之用。
模型数据库190用于耦接于模型建构模块150以及模型选择模块160，用以储存对应于各个路段RS1～RSm的相异时段、相异情境以及相异数学模型的候选预测模型CM(1,1)～CM(m,n)。
请一并参考图4。图4为根据本发明部分实施例所绘示的模型选择模块160操作示意图。举例来说，在部分实施例中，假设模型选择模块160判断行车路线包含路段RS1、RS3、RS5，则模型选择模块160便可从和相应于路段RS1、RS3、RS5的候选预测模型CM(1,1)～CM(1,n)、CM(3,1)～CM(3,n)、CM(5,1)～CM(5,n)中分别选择对应于路段RS1、RS3、RS5的预测模型。具体来说，模型选择模块160可选择路段RS1所对应的候选预测模型CM(1,1)～CM(1,n)中的一者(如：图4中的候选预测模型CM(1,2))作为路段RS1的预测模型，选择路段RS3所对应的候选预测模型CM(3,1)～CM(3,n)中的一者(如：图4中的候选预测模型CM(3,1))作为路段RS3的预测模型，选择路段RS5所对应的候选预测模型CM(5,1)～CM(5,n)中的一者(如：图4中的候选预测模型CM(5,n))作为路段RS5的预测模型。
在部分实施例中，模型选择模块160可透过下列公式计算并选择出各个路段RS1、RS3、RS5的预测模型。
其中φj，l，d，t代表于l时段j路段d方向对未来t时段所选择的较佳模型。Targetj，l，d，t代表根据历史数据HTdata，l时段j路段d方向对未来t时段的实际值。ψj，l，d，t，k代表于l时段j路段d方向对未来t时段采用k模型的预测值。换言之，根据上式，模型选择模块160将在各个预测模型中分别选择误差值最小，准确度最高的预测模型(如：路段RS1对应的候选预测模型CM(1,2)、路段RS3对应的候选预测模型CM(3,1)以及路段RS5对应的候选预测模型CM(5,n))作为相应路段的预测模型。
模型选择模块160可将其结果传输至预测模块170。如此一来，预测模块170便可根据各路段对应的历史数据HTdata及即时数据RTdata1～RTdata3，利用对应的预测模型预测行车路线中各个路段的预测车速，再计算行车路线的行车时间估计值。举例来说，预测模块170可将路段RS1的距离除以路段RS1相应的预测车速(即：候选预测模型CM(1,2))以取得路段RS1的行车时间，将路段RS3的距离除以路段RS3相应的预测车速(即：候选预测模型CM(3,1))以取得路段RS3的行车时间，将路段RS5的距离除以路段RS5相应的预测车速(即：候选预测模型CM(5,n))以取得路段RS5的行车时间。最后，预测模块170便可将行车路线上所有路段RS1、RS3与RS5所需花费的行车时间加总以计算出行车时间估计值。
在部分实施例中，预测模型170亦可训练并建立预测模型，或是利用已训练建立好的模型直接加入欲预测的特征值(如：已知的路段车速或额外加入天气、事件等信息)计算出预测车速。在部分实施例中，预测模型170定期批次建立模型，并于每次预测时选取较佳的候选预测模型作为预测模型，并将即时数据RTdata1～RTdata3导入预测模型以取得预测车速。值得注意的是，预测车速会因时间改变而产生不同的预测车速。举例来说，于12:00预测后五分钟及于12:30预测后五分钟的车速亦可能为不同的车速，导入预测模型的已知数据(如：即时数据RTdata1～RTdata3)也会不同。举例来说，于12:00时可导入11:50～12:00的车速数据做为用以预测相应路段在12:00以后一特定时段的车速。
在部分实施例中，交通时间预测系统100还包含模型重建模块。模型重建模块可用以根据即时数据RTdata1～RTdata3针对已建立的模型的参数进行调整。如此一来，模型重建模块可用于维持新加入的即时数据RTdata1～RTdata3的预测准确度及适应性。
换言之，透过以上交通时间预测系统100中数据接收模块110、数据处理模块120、路段对应模块130、数据重建模块140、模型建构模块150以及数据库180的相互操作，模型建构模块150可针对各个路段RS1～RSm产生多个候选预测模型CM(1,1)～CM(m,n)。
接着，透过模型建构模块150、模型选择模块160、预测模块170以及数据库180的相互操作，模型选择模块160可选出行车路线上路段的候选预测模型CM(1,1)～CM(m,n)中准确度较高的数据作为预测模型以计算预测车速，以供预测模块170进行整合运算计算各个路段的预测车速，进而求出行车路线的行车时间估计值。如此一来，由于每一路段所选用的预测模型皆为准确度最高的预测模型，因此可有效提高准确度。具体来说，模型选择模块160是于路段RS1～RSm中根据各候选预测模块CM(1,1)～CM(m,n)计算的车速预估值与接收的实际值之间的差距，选取差距较小的候选预测模型作为相应路段的预测模型。
值得注意的是，如先前段落中所述，在部分实施例中，数据接收模块110亦可自各种数据库中撷取事件信息、活动信息以及天气信息等等不同类型的情境信息作为即时数据RTdata2～RTdata3。
与即时数据RTdata1相似，即时数据RTdata2～RTdata3可由数据正规化单元122进行正规化处理。接着，情境信息分析单元124接收经正规化处理后的情境信息，并根据情境信息计算情境对不同路段于不同时间的车速所造成的影响，以取得情境对车速影响的加权系数。
请参考图5。图5为根据本发明部分实施例所绘示的情境信息分析单元500示意图。如图5所示，情境信息分析单元500包含加权系数计算电路520以及情境模型预测电路540。加权系数计算电路520用以根据事件情境的类型、发生时间以及发生位置(即：情境信息SIdata)分别计算事件情境对不同时段时不同路段的加权系数。
举例来说，在部分实施例中，事件情境的加权系数计算方式可由下式表示：
其中，Factorj，E代表E事件对路段j的加权系数。ωd、ωt分别代表事件距离远近的权重值以及事件发生时间远近的权重值，Speedl，nanevent代表时段l的无事件车速，Speedl，event代表时段l的有事件车速，DE代表与事件的距离、Now代表现在时段，Startime代表事件的开始时间，Endtime代表事件的结束时间。如公式所示，当路段j距离事件E发生位置越远或是时段l的时间与事件E发生的时间间隔越久，E事件对路段j于时段l的加权系数就越低。相对地，当计算目标的路段j与时段l与事件E的时间、空间越接近，事件E对路段j于时段l的车速影响就越大。
值得注意的是，虽然在本实施例中仅绘示一组情境信息分析单元500，但在部分实施例中，针对天气、活动、交通事件等不同性质的情境，交通时间预测系统100亦可设置多个独立的情境信息分析单元500，根据上述公式推算出加权系数Factorj，E。此外，上述公式亦仅为释例之用，权重值ωd、ωt可根据实际状况进行设置，情境信息分析单元500亦可透过不同的公式计算出适当的加权系数Factorj，E。
相似地，在本实施例中路段对应模块130不仅将经正规化处理后的车速数据对应至地图数据MAPdata中相应的路段，亦可以将根据情境信息计算出的加权系数Factorj，E对应至地图数据MAPdata中相应的路段。举例来说，对于活动、交通事件等情境的加权系数可对应活动或交通事件发生位置所在的相应路段以及邻近的路段。对于天气等情境的加权系数Factorj，E可对应天气观测站位置所对应到的相应路段等等。换言之，情境信息分析单元500可透过加权系数计算电路520计算出适当的加权系数Factorj，E反映不同情境对车速的影响。同一情境(如：交通事故)对于不同时段、不同路段的车速亦有不同的影响。
如图5所示，加权系数Factorj，E可由情境模型预测电路540进行处理整合为情境模型并储存至情境数据库560。
在部分实施例中，情境模型的影响时段可由影响起始时间EffectiveTimestart，kind，与影响结束时间EffectiveTimeend，kind而定。两者可分别由下列公式表示。
Tstart、Tend分别代表开始门槛值以及结束门槛值。l代表目前分析的时间。Speedl-k，non-kind、Speedl-k，kind、Speedl+k，non-kind、Speedl+k，kind分别代表时间l往前时间k时未发生情境的车速、时间l往前时间k时发生情境的车速、时间l往后时间k时未发生情境的车速以及时间l往后时间k时发生情境的车速。换言之，影响起始时间EffectiveTimestart，kind与影响结束时间EffectiveTimeend，kind的计算方式为时间l之前情境对车速的影响大于预设的门槛值Tstart的时间k，以及时间l之后情境对车速的影响大于预设的门槛值Tend的时间k。
如此一来，当交通时间预测系统100进行预测时，若预测模块170判断相应路段的预测时段落在情境模型的影响时段内(即：影响起始时间EffectiveTimestart，kind与影响结束时间EffectiveTimeend，kind之间)时，预测模块170便可根据情境模型相应的加权系数Factorj，E进行预测。
例如，假设原本路段RS3于时段l的车速为50公里/小时。情境信息分析单元500对时段l时发生午后雷阵雨对路段RS3影响的加权系数Factorj，E为－10公里/小时。则当预测模块170判断路段RS3落在影响时段时，便会根据上述的加权系数Factorj，E对路段RS3于时段l的车速进行修正，而得到40公里/小时的预估车速。值得注意的是，根据不同的情境种类，交通时间预测系统100可根据加权系数Factorj，E对车速进行平移调整、比例缩放或是直接建立另一组车速估计等不同修正方式，以上说明仅为举例之用，并非用以限制本发明。
请参考图6。图6为根据本发明部分实施例所绘示的交通时间预测方法600的流程图。为方便说明起见，图6所示实施例将搭配图1中的交通时间预测系统100进行说明，但本发明并不以此为限。在部分实施例中，交通时间预测方法600通过一处理器实施。首先，在步骤S610中，数据接收模块110接收即时数据RTdata1～RTdata3。接着，在步骤S620中，模型选择模块160根据即时数据RTdata1～RTdata3中的车速信息以及储存于数据库150中的历史数据HTdata，在各个相应于行车路线的预测模型中分别选择候选预测模型CM(1,1)～CM(m,n)的一者作为相应路段的预测模型。
接着，在步骤S630中，预测模块170根据即时数据中的情境信息判断相应路段的相应时段是否落在情境信息的影响时段中。若是，则进入步骤S640，情境信息分析单元124根据情境信息计算情境对相应路段于相应时间的车速所造成的影响，以取得情境对车速影响的加权系数。若否，则进入步骤S670，由预测模块170根据行车路线中各个路段的预测模型计算行车时间估计值。执行完步骤S640后，进入步骤S650，情境信息分析单元124判断加权系数是否大于门槛值。若是，进入步骤S660预测模块170便根据加权系数Factorj，E，由情境模型预测电路540产生的情境模型预测该路段的预测车速。若加权系数未大于门槛值，或者相应路段的相应时段未落在情境信息的影响时段中，则进入步骤S670，由预测模块170根据行车路线中各个路段的预测模型计算行车时间估计值。交通时间预测系统100中各个模块实现交通时间预测方法600的详细步骤已于先前实施例中详细说明，故不再于此赘述。
请参考图7。图7为根据本发明部分实施例所绘示的交通模型建立方法700的流程图。为方便说明起见，图7所示实施例将搭配图1中的交通时间预测系统100进行说明，但本发明并不以此为限。在部分实施例中，交通模型建立方法700通过一处理器实施。首先，在步骤S710中，数据接收模块110接收即时数据RTdata1～RTdata3。接着，在步骤S720中，数据正规化单元122对即时数据RTdata1～RTdata3进行正规化处理。接着，在步骤S730中，情境信息分析单元接收经正规化处理后的情境信息，并根据情境信息计算情境对不同路段于不同时间的车速所造成的影响，以取得情境对车速影响的加权系数。接着，在步骤S740中，路段对应模块130将车速信息与加权系数对应至地图数据MAPdata中相应的路段。
接着，在步骤S750中，数据重建模块140根据数据库180中的历史数据HTdata计算路段中缺少车速记录的行车时段的车速，以重建历史数据HTdata中缺失的数据。
接着，在步骤S760中，模型建构模块150针对路段RS1～RSm分别对应到的候选预测模型CM(1,1)～CM(m,n)利用即时数据RTdata1～RTdata3进行参数调整的模型重建。
最后，在步骤S770中，预测模型160计算各候选预测模型CM(1,1)～CM(m,n)的预测车速并与即时车速计算一误差值，并储存候选预测模型CM(1,1)～CM(m,n)及误差值于模型数据库190中。
交通时间预测系统100中各个模块实现交通模型建立方法700的详细步骤已于先前实施例中详细说明，故不再于此赘述。
如此一来，交通时间预测系统100便可执行交通时间预测方法600以及交通模型建立方法700，以提高交通时间预测的准确度与可靠性。由于每一路段所选用的预测模型皆为准确度高的预测模型，因此可有效提高准确度。此外，交通时间预测系统100亦可针对不同情境与事件修正预估车速，以进一步提高准确度。
值得注意的是，在部分实施例中，交通时间预测系统100可包含记忆体和处理模块。记忆体中可包含用于处理模块的至少一可执行指令。可执行指令可用以执行上述交通时间预测方法600、交通模型建立方法700中的相关操作。此外，交通时间预测方法600和交通模型建立方法700亦可经由计算机来实作，亦可将部分功能实作为至少一计算机程序，并储存于计算机可读取的记录媒体中。计算机程序具有多个指令，用以在计算机上执行时使计算机执行交通时间预测方法600、交通模型建立方法700，但本发明并不以此为限。
此外，如上所述的各个功能模块，其具体实施方式可为软件、硬件与/或固件。举例来说，若以执行速度及精确性为首要考量，则这些模块基本上可选用硬件与/或固件为主；若以设计弹性为首要考量，则这些模块基本上可选用软件为主；或者，这些模块可同时采用软件、硬件及固件协同作业。应了解到，以上所举的这些例子并没有所谓孰优孰劣之分，亦并非用以限制本发明，熟悉此项技艺者当视当时需要，弹性选择这些模块的具体实施方式。举例来说，这些模块可整合至中央处理器(Central processing unit，CPU)执行。

Claims (18)

1.一种交通时间预测系统，用以预测一行车路线所需的行车时间，其特征在于，该交通时间预测系统包含：
一模型建构模块，用以建立多笔候选预测模型，所述候选预测模型每一者分别对应于多个路段中的一者以及多个相异的数学模型的一者；
一模型选择模块，用以自该行车路线中各个路段相符的所述候选预测模型中选择对应于所述路段的一预测模型；以及
一预测模块，用以根据该行车路线中各个路段的该预测模型预测各个路段的一预测车速以计算该行车路线的一行车时间估计值；
其中该模型选择模块选择该路段所对应的所述候选预测模型中预测误差值较小的一者作为该路段的该预测模型。
2.根据权利要求1所述的交通时间预测系统，其特征在于，还包含：
一数据数据库，用以储存至少一历史数据，该历史数据包含相应于所述路段中的一者于相应的行车时段的车速记录；
一模型数据库，用于储存对应于各个路段的相异时段、相异情境以及相异数学模型的所述候选预测模型；以及
一数据接收模块，用以接收至少一即时数据，该即时数据包含相应于所述路段中的一者的即时车速信息；
其中该模型选择模块根据该历史数据以及该即时数据计算所述候选预测模型各自的预测误差值，以选择该所述候选预测模型中预测误差值较小的一者作为该路段的该预测模型。
3.根据权利要求2所述的交通时间预测系统，其特征在于，还包含：
一数据处理模块，耦接于该数据接收模块，用以对该即时数据进行数据处理；以及
一路段对应单元，耦接于该数据处理模块，用以将经数据处理后的该即时数据对应至一地图数据中相应的路段，以将该即时数据作为历史数据储存于该数据数据库中。
4.根据权利要求3所述的交通时间预测系统，其特征在于，该即时数据还包含至少一情境信息，该数据处理模块包含：
一数据正规化单元，用以对该即时数据中的该情境信息以及该即时车速信息进行正规化处理。
5.根据权利要求3所述的交通时间预测系统，其特征在于，该即时数据还包含至少一情境信息，该数据处理模块包含：
一情境信息分析单元，用以接收该情境信息，并计算一加权系数以代表该情境信息对相应路段的相应时段的车速的影响。
6.根据权利要求5所述的交通时间预测系统，其特征在于，该情境信息分析单元根据该加权系数建立一情境模型，当该预测模块判断相应路段的相应时段落在该情境模型的一影响时段内时，该预测模块根据该情境模型的该加权系数预测该路段的预测车速。
7.根据权利要求2所述的交通时间预测系统，其特征在于，还包含：
一数据重建模块，耦接于该数据数据库，用以根据该数据数据库中的该历史数据计算所述路段中缺少车速记录的行车时段的车速，以回复所述历史数据。
8.根据权利要求7所述的交通时间预测系统，其特征在于，该数据重建模块对该数据数据库中的历史数据进行一空间序列重建，以根据邻近的多个路段的车速信息计算相应路段的车速信息。
9.根据权利要求7所述的交通时间预测系统，其特征在于，该数据重建模块对该数据数据库中的历史数据进行一时间序列重建，以根据邻近的多个时段的车速信息计算相应路段的车速信息。
10.一种交通时间预测方法，其通过一处理器实施，其特征在于，该方法包含以下步骤：
(A)由该处理器接收至少一即时数据；
(B)该处理器在相应于一行车路线的多个候选预测模型中分别对该行车路线的每一个路段选择所述候选预测模型的其中一者作为该每一个路段的其中的一者的预测模型；以及
(C)由该处理器根据该行车路线中各个路段相应的预测模型计算一行车时间估计值；
其中各个路段相应的预测模型是根据该即时数据以及一数据库中的一历史数据选择该路段所对应的所述候选预测模型中预测误差值较小的一者作为该路段的该预测模型。
11.根据权利要求10所述的交通时间预测方法，其特征在于，该至少一即时数据还包含一情境信息，该方法还包含以下步骤：
(D)由该处理器根据该情境信息判断相应路段的相应时段是否落在该情境信息的一影响时段；
(E)当相应路段的相应时段落在该影响时段时，由该处理器计算该情境信息对相应路段于相应时段的一加权系数；以及
(F)由该处理器根据该加权系数选择相应的预测模型预测该路段的预测车速。
12.根据权利要求11项所述的交通时间预测方法，其特征在于，根据该加权系数选择相应的预测模型还包含：
当该加权系数大于一预设门槛值时，由该处理器根据该加权系数由相应于该情境信息的一情境模型预测该路段的预测车速。
13.根据权利要求11所述的交通时间预测方法，其特征在于，该情境信息的该影响时段是介于一影响起始时间与一影响结束时间之间，该影响起始时间以及该影响结束时间是分别根据该情境信息对预计车速的影响大于一预设门槛值的时间计算而得。
14.根据权利要求11所述的交通时间预测方法，其特征在于，该情境信息包含天气信息、活动信息及交通事件信息其中至少一者。
15.一种交通模型建立方法，其通过一处理器实施，其特征在于，该方法包含以下步骤：
(A)由该处理器接收至少一即时数据，其中该至少一即时数据包含一车速信息；
(B)由该处理器将该至少一即时数据中的车速信息对应至一地图数据中多个路段中相应的一者；以及
(C)由该处理器根据该至少一即时数据以及一数据数据库中的历史数据计算所述路段分别对应到多个相异的数学模型的多个候选预测模型，以供一模型选择模块选择所述路段所对应的所述候选预测模型的一者作为相应路段的一预测模型。
16.根据权利要求15所述的交通模型建立方法，其特征在于，该至少一即时数据还包含一情境信息，该方法还包含以下步骤：
(D)由该处理器对该即时数据中的该车速信息以及该情境信息进行正规化处理；
(E)由该处理器根据该情境信息计算该情境信息对相应路段于相应时段的一加权系数；以及
(F)由该处理器将该加权系数对应至该地图数据中所述路段中相应的一者。
17.根据权利要求15所述的交通模型建立方法，其特征在于，还包含以下步骤：
(G)由该处理器对该数据数据库中的历史数据进行一空间序列重建，以根据邻近的多个路段的车速信息计算相应路段的车速信息。
18.根据权利要求15所述的交通模型建立方法，其特征在于，还包含以下步骤：
(H)由该处理器对该数据数据库中的历史数据进行一时间序列重建，以根据邻近的多个时段的车速信息计算相应路段的车速信息。
CN201610161006.6A 2016-02-22 2016-03-21 交通时间预测系统、交通时间预测方法以及交通模型建立方法 Pending CN107103753A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW105105145 2016-02-22
TW105105145A TWI619036B (zh) 2016-02-22 2016-02-22 交通時間預測系統、交通時間預測方法以及交通模型建立方法

Publications (1)

Publication Number Publication Date
CN107103753A true CN107103753A (zh) 2017-08-29

Family

ID=59630038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610161006.6A Pending CN107103753A (zh) 2016-02-22 2016-03-21 交通时间预测系统、交通时间预测方法以及交通模型建立方法

Country Status (3)

Country Link
US (1) US20170243121A1 (zh)
CN (1) CN107103753A (zh)
TW (1) TWI619036B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108917782A (zh) * 2018-09-25 2018-11-30 国信优易数据有限公司 一种站点推荐方法及装置
CN109215346A (zh) * 2018-10-11 2019-01-15 平安科技（深圳）有限公司 一种交通通行时间的预测方法、存储介质和服务器
CN111080009A (zh) * 2019-12-13 2020-04-28 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN112801421A (zh) * 2021-03-18 2021-05-14 瑞涯科技(上海)股份有限公司 一种基于概率论的飞机航班准点率的预测方法
CN114186710A (zh) * 2021-10-26 2022-03-15 北京市交通运行监测调度中心 一种短时大型活动期间路段平均车速预测方法及系统
CN114330927A (zh) * 2022-01-13 2022-04-12 湖北省烟草公司十堰市公司 卷烟送货时间预测仿真模型工作方法、系统、设备及介质
CN114902083A (zh) * 2020-01-13 2022-08-12 大陆汽车有限公司 路段的路面气象特征的自适应预测方法和装置

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2858448T3 (es) * 2017-02-01 2021-09-30 Kapsch Trafficcom Ag Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras
US10816351B1 (en) * 2017-07-14 2020-10-27 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10557713B1 (en) * 2017-07-14 2020-02-11 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
CN108364471B (zh) * 2018-04-24 2023-07-07 浙江方大智控科技有限公司 基于智能交通灯od信息检查的货运规划管理方法及系统
CN108877224B (zh) * 2018-07-18 2019-05-14 长安大学 一种可进行置信区间估计的短时交通流预测方法
US11282379B2 (en) * 2018-11-01 2022-03-22 Inrix Inc. Slowdown detection
CN110782652B (zh) 2018-11-07 2020-10-16 滴图(北京)科技有限公司 速度预测系统和方法
CN110164128B (zh) * 2019-04-23 2020-10-27 银江股份有限公司 一种城市级智能交通仿真系统
CN111862583B (zh) * 2019-04-24 2021-12-03 北京嘀嘀无限科技发展有限公司 一种车流量预测方法及装置
CN110322054B (zh) * 2019-06-14 2023-04-28 中交第一公路勘察设计研究院有限公司 一种公路路段交通监测器的优化布设方法
US11868136B2 (en) * 2019-12-19 2024-01-09 Woven By Toyota, U.S., Inc. Geolocalized models for perception, prediction, or planning
CN111428920B (zh) * 2020-03-17 2023-06-09 北京香侬慧语科技有限责任公司 一种基于图注意力网络的交通预测方法及系统
CN112149888A (zh) * 2020-09-08 2020-12-29 北京踏歌智行科技有限公司 一种面向露天矿的无人驾驶矿卡实时行程时间预测方法
WO2022126152A1 (en) * 2020-12-15 2022-06-23 Robert Koelbl Methods for estimating traffic loads and optimising road networks
CN112820103B (zh) * 2020-12-31 2022-09-06 山东奥邦交通设施工程有限公司 一种一体化动静结合标志管控方法及系统
CN113160563B (zh) * 2021-03-31 2022-10-25 西安交通大学 一种基于历史路况的短时路况预测方法、系统及设备
KR20220138263A (ko) * 2021-04-05 2022-10-12 현대자동차주식회사 교통정보 예측 장치 및 그 방법
KR20230086880A (ko) * 2021-12-09 2023-06-16 현대오토에버 주식회사 속도 예측 장치 및 방법
US20230311928A1 (en) * 2022-03-29 2023-10-05 Nissan North America, Inc. Traffic State Determination
CN114708746A (zh) * 2022-04-01 2022-07-05 河北金锁安防工程股份有限公司 智慧城市的交通信号提示方法及系统
CN115472018B (zh) * 2022-10-28 2023-12-29 广州地铁集团有限公司 一种基于行车分析及客流预测的城轨仿真推演方法
CN115909748B (zh) * 2023-01-07 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 节假日公路交通量预测方法、电子设备及存储介质
CN117540114A (zh) * 2024-01-10 2024-02-09 山东路科公路信息咨询有限公司 基于大数据挖掘的公路数据查询方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020026278A1 (en) * 2000-08-28 2002-02-28 Estimotion Inc. Method and system for modeling and processing vehicular traffic data and information and applying thereof
US7493209B1 (en) * 2008-04-07 2009-02-17 International Business Machines Corporation Method of calculating a route based on estimated energy consumption
CN101488284A (zh) * 2008-01-16 2009-07-22 闵万里 道路交通状况即时预测的智能管理系统
US20090312943A1 (en) * 2008-02-04 2009-12-17 Kelly Terence F System and Method for Weather Mapping to Road Segments
US20110060496A1 (en) * 2009-08-11 2011-03-10 Certusview Technologies, Llc Systems and methods for complex event processing of vehicle information and image information relating to a vehicle
CN102110365A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于时空关系的路况预测方法和系统
CN103247177A (zh) * 2013-05-21 2013-08-14 清华大学 大规模路网交通流实时动态预测系统
CN103632212A (zh) * 2013-12-11 2014-03-12 北京交通大学 一种时变用户均衡动态网络演化客流预测系统和方法
US20140114556A1 (en) * 2012-10-23 2014-04-24 University Of Southern California Traffic prediction using real-world transportation data

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4932524B2 (ja) * 2006-10-20 2012-05-16 日本電気株式会社 旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラム
CN103810849B (zh) * 2012-11-15 2015-10-28 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
CN103927887B (zh) * 2014-03-18 2016-01-27 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
CN104091081B (zh) * 2014-07-15 2017-04-19 中国科学院自动化研究所 一种交通数据弥补方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020026278A1 (en) * 2000-08-28 2002-02-28 Estimotion Inc. Method and system for modeling and processing vehicular traffic data and information and applying thereof
CN101488284A (zh) * 2008-01-16 2009-07-22 闵万里 道路交通状况即时预测的智能管理系统
US20090312943A1 (en) * 2008-02-04 2009-12-17 Kelly Terence F System and Method for Weather Mapping to Road Segments
US7493209B1 (en) * 2008-04-07 2009-02-17 International Business Machines Corporation Method of calculating a route based on estimated energy consumption
US20110060496A1 (en) * 2009-08-11 2011-03-10 Certusview Technologies, Llc Systems and methods for complex event processing of vehicle information and image information relating to a vehicle
CN102110365A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于时空关系的路况预测方法和系统
US20140114556A1 (en) * 2012-10-23 2014-04-24 University Of Southern California Traffic prediction using real-world transportation data
CN103247177A (zh) * 2013-05-21 2013-08-14 清华大学 大规模路网交通流实时动态预测系统
CN103632212A (zh) * 2013-12-11 2014-03-12 北京交通大学 一种时变用户均衡动态网络演化客流预测系统和方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108917782A (zh) * 2018-09-25 2018-11-30 国信优易数据有限公司 一种站点推荐方法及装置
CN109215346A (zh) * 2018-10-11 2019-01-15 平安科技（深圳）有限公司 一种交通通行时间的预测方法、存储介质和服务器
CN111080009A (zh) * 2019-12-13 2020-04-28 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN114902083A (zh) * 2020-01-13 2022-08-12 大陆汽车有限公司 路段的路面气象特征的自适应预测方法和装置
CN112801421A (zh) * 2021-03-18 2021-05-14 瑞涯科技(上海)股份有限公司 一种基于概率论的飞机航班准点率的预测方法
CN114186710A (zh) * 2021-10-26 2022-03-15 北京市交通运行监测调度中心 一种短时大型活动期间路段平均车速预测方法及系统
CN114330927A (zh) * 2022-01-13 2022-04-12 湖北省烟草公司十堰市公司 卷烟送货时间预测仿真模型工作方法、系统、设备及介质

Also Published As

Publication number Publication date
US20170243121A1 (en) 2017-08-24
TW201730793A (zh) 2017-09-01
TWI619036B (zh) 2018-03-21

Similar Documents

Publication Publication Date Title
CN107103753A (zh) 交通时间预测系统、交通时间预测方法以及交通模型建立方法
Chen et al. Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach
CN107111794B (zh) 预测和利用地图服务中出行时间的可变性
US20160125307A1 (en) Air quality inference using multiple data sources
EP3186662B1 (en) Measuring traffic speed in a road network
JP5946394B2 (ja) 複数種類のデータソースを用いた経路の始点・終点の統計的推測手法、コンピュータ・プログラム及びコンピュータ。
WO2010107394A1 (en) Determining a traffic route using predicted traffic congestion
CN112434075B (zh) 一种基于etc门架的交通异常检测方法、装置、存储介质及终端
Zhu et al. A driving cycle detection approach using map service API
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
US20230245002A1 (en) Stationary Classifier for Geographic Route Trace Data
CN113643532A (zh) 一种区域交通的预测方法以及设备
Bahuleyan et al. Arterial path-level travel-time estimation using machine-learning techniques
CN105940435A (zh) 测量并诊断城市环境中的噪音
CN112541621B (zh) 一种移动预测方法、智能终端及存储介质
Basalamah et al. Deep learning framework for congestion detection at public places via learning from synthetic data
Tabibiazar et al. Kernel-based modeling and optimization for density estimation in transportation systems using floating car data
Zhang et al. Multiscale spatiotemporal meteorological drought prediction: A deep learning approach
Leite et al. Context-sensitive modeling of public transport data
CN111047107B (zh) 公路通行时间预测方法、装置、电子设备和存储介质
CN106781470B (zh) 城市道路的运行速度的处理方法及装置
Prabha et al. A comprehensive insight towards pre-processing methodologies applied on GPS data
Ashqar Strategic design of smart bike-sharing systems for smart cities
JP6364432B2 (ja) 移動経路推定の方法および装置
Rezazada et al. What influences passenger’s arrival rate at stops in Melbourne: Wasea-Lstm, a novel deep learning model leveraging multi-source data fusion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170829