CN107111941A - 交通链路速度预测方法及用于其的装置 - Google Patents
交通链路速度预测方法及用于其的装置 Download PDFInfo
- Publication number
- CN107111941A CN107111941A CN201580059290.XA CN201580059290A CN107111941A CN 107111941 A CN107111941 A CN 107111941A CN 201580059290 A CN201580059290 A CN 201580059290A CN 107111941 A CN107111941 A CN 107111941A
- Authority
- CN
- China
- Prior art keywords
- time
- link
- past
- value
- interval
- 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
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
-
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明涉及在当前道路的位置预测未来车辆速度的方法。为此,考虑交通需求变化、气象变化、施工、活动、突发状况等未来发生的事件对交通流产生的影响,按各交通信息生成单位链路(link)算出通行速度信息并进行提供。
Description
技术领域
本发明涉及预测车辆速度的技术,特别是涉及利用从过去积累的交通速度模式而预测车辆速度的计算机技术。
背景技术
在由于交通混杂而发生巨大的社会/经济性费用的大城市圈,道路基础设施的新建及扩张在预算制约和确保用地方面存在界限。因此,取代道路基础设施的扩张,正在提供多样的交通信息。
就韩国而言,例如,首尔市城市高速道路公社正在提供实时交通信息(例:疏通状况、各路线的区间需求时间、突发状况、管控信息、最短路径检索、施工预定信息、主要道路拥堵区间)和迂回道路信息以及疏通统计信息。而且,韩国道路公社正在提供实时交通信息(例:路线及拥堵区间、衔接信息)、交通预报(例:城市间预计需要时间、周末交通预报(交通量、需要时间信息)以及月度预报(各月特定拥堵(节日)信息))。而且,SK M&C的称之为T- map的服务,正在提供实时交通信息(例:各区间的通行速度、CCTV信息、举报(突发及设施物)信息、附加信息(周边美食店))、交通预报以及服务利用费用信息。但是,公共机构提供的关于一部分交通区间的预测信息和大城市收费站基准历史记录信息,停留于基础研究水平,民间机构提供的信息在发生交通相关事件(例:气象变化、施工、事故、活动)时,存在交通状况变化应对欠妥的界限。
德国正在提供实时疏通信息、交通状况预测信息(短期、中长期)、施工及事故信息,特别是交通状况预测信息,在7天范围内,按当前时刻基准,按15分钟、30分钟间隔提供。而且,英国像德国一样,正在提供实时疏通信息、交通状况预测信息、施工及事故信息,并追加提供影像信息和气象信息。英国的交通状况预测信息在12小时范围内,按1小时间隔提供。而且,法国正在提供与英国相同的主要信息,法国的交通状况预测信息在5个月范围内,按1小时间隔提供。而且,谷歌正在向全世界50多个国家提供实时疏通信息、交通状况预测信息、气象信息,谷歌的交通状况预测信息在7天范围内,按15分钟的间隔提供。
另一方面,美国的INRIX在24小时范围内,通过15分钟间隔的信息,提供最佳出发时刻信息。Beat the Traffic(避免交通堵塞)在7天范围内,提供1小时间隔的交通状况预测信息。
根据以往技术,例如,以星期五晚上10时为基准,为了预测星期五晚上10时至11时之间的交通流,只利用过去资料中的星期五晚上10时至11时之间收集的资料便可以预测。另外,例如,为了预测中秋当天上午10时至12时之间的交通流,只利用过去资料中的中秋当天上午10时至12时之间收集的资料便可以预测。即,利用在要预测交通流的时间段和具有“共同的时间属性”的过去时间段收集的资料。
作为关于相关现有技术的专利,有现代汽车株式会社申请的专利KR20080067234A(申请号)、韩国道路公社申请的专利KR20120125335A(申请号)。
发明内容
解决的技术问题
如上所述,以往技术利用在要预测交通流的时间段和具有共同的时间属性的过去时间段收集的资料,存在其预测结果的准确度下降的问题。
另外,这种技术只提供数小时以内的短期预测结果,在转换到长期预测结果方面发生问题。例如,把从预测开始时间点起1小时期间的短期预测结果,与根据其他算法预测的所述1小时以后的长期预测结果结合时,存在在从所述预测开始时间点起1小时后的时间点的两结果会互不相同的问题。
本发明旨在提供一种能够解决上述问题的交通状况预测技术。
技术方案
本发明为了运营者用交通状况预测软件包而可以利用交通衔接信息。所述交通衔接信息可以包括事故数据、交通数据、施工数据、气象数据及活动数据等。所述软件包可以为了数据库服务器、分析服务器及预测服务器而使用。此时,所述分析服务器可以利用数据库服务器收集的数据,执行基于气象的交通状况分析、事故/施工时交通状况分析及平时/事件时交通状况分析等。而且,所述预测服务器可以以所述分析结果为基础,执行短期/中-长期预测、预测准确度验证及预测可靠性评价。通过所述分析服务器或预测服务器而运行的数据可以提供给道路运营者,其结果可以支援树立预防性交通控制战略。
在本发明一种观点的交通状况预测信息系统中,作为输入资料,可以利用基于节点-链路体系的交通信息(例:历史记录资料、实时资料)、指定感知信息等。另外,可以利用非交通信息(例:气象、活动、施工及突发状况)作为输入资料。如此输入的资料可以通过利用中长期预测算法和/或短期预测算法的一系列过程而得到处理。其结果,例如可以按15分钟间隔,提供基于节点-链路体系的链路速度信息。
此时,可以由所述交通状况预测信息系统提供短期预测算法。所述短期预测算法可以利用按5分钟间隔合计的各链路的实时速度(交通量)资料,导出按5分钟间隔合计的各链路的速度资料。为此,可以应用K-NN,通过所述K-NN提取的信息按15分钟间隔提供,可以获得从当前时间点起1小时以内的预测的交通状况信息。所述信息按5分钟间隔更新,在发生事件时,可以根据气象/活动/施工和突发等四种状况,应用不同的算法。当发生了所述气象/活动/施工的事件时,可以把无事件时的状况和事件状况的过去数据历史记录按5:5混合,应用K-NN方法,当发生了突发事件时,可以在所述气象/活动/施工的事件发生时的算法中,包含实时影响权分析算法进行应用。
根据本发明的一种观点,可以提供一种预测在道路上的两地点之间定义的第一链路中的第一车辆速度的方法。该方法包括:获得所述第一链路的特定时间区间期间的关于第一车辆速度的第一时间序列值的步骤;及从所述第一链路中的关于第一车辆速度的第一过去交通数据的集合,找出与所述第一时间序列值匹配的N个第一过去时间序列值,以关于所述找出的N个第一过去时间序列值的信息为基础,对所述特定时间区间之后的所述第一链路中的第一车辆速度进行预测的步骤。
此时,所述第一过去交通数据的集合可以具有与所述特定时间区间的时间属性相同的时间属性。
此时,所述关于找出的N个第一过去时间序列值的信息可以是,与所述找出的N个第一过去时间序列值对应的N个过去时间区间之后的N个过去后续时间区间期间的车辆速度相关信息。
此时,所述第一过去交通数据的集合可以包括在与所述特定时间区间所属的星期相同的星期获得的第一车辆速度相关数据。
此时,所述第一过去交通数据的集合可以包括,所述特定时间区间期间发生的非交通信息事件和在确认为发生了同一非交通信息事件的多个过去时间区间获得的第一车辆速度相关数据。
此时,所述预测的步骤可以包括:针对与所述N个第一过去时间序列值对应的N个过去时间区间(PTp,p为1至N的自然数),分别获得从所述过去时间区间(PTp)之后至预先决定的时间的所述第一链路中的后续车辆速度组的步骤;及计算所述获得的后续车辆速度组间的平均值的步骤。
此时,还包括:获得在所述道路上另外不同两地点之间定义的第二链路中的所述特定时间区间期间的关于第二车辆速度的第二时间序列值的步骤;所述预测的步骤可以包括:从所述第一过去交通数据的集合和关于所述第二车辆速度的第二过去交通数据的集合,找到N个同时与所述第一时间序列值和所述第二时间序列值匹配的、由关于所述第一链路的第一过去时间序列值和关于所述第二链路的第二过去时间序列值构成的对的步骤;及以关于所述找出的N个对的信息为基础,对所述特定时间区间之后的所述第一链路中的车辆速度进行预测的步骤。
此时,还包括:获得在所述道路上另外不同两地点之间定义的第三链路中的所述特定时间区间期间的关于第三车辆速度的第三时间序列值的步骤;所述预测的步骤可以包括:从所述第一过去交通数据的集合、所述第二过去交通数据的集合以及所述第三链路中的关于第三车辆速度的第三过去交通数据的集合,找出N个同时与所述第一时间序列值、所述第二时间序列值以及所述第三时间序列值匹配的、由关于所述第一链路的第一过去时间序列值、关于所述第二链路的第二过去时间序列值以及关于所述第三链路的第三过去时间序列值构成的对的步骤;及以关于所述找出的N个对的信息为基础,对所述特定时间区间之后的所述第一链路中的车辆速度进行预测的步骤。
此时,当判断认为所述第一链路中的交通速度低于预先决定的第一值时,所述第二链路可以存在于比所述第一链路更上游,当判断认为所述第一链路中的交通速度高于预先决定的第二值时,所述第二链路存在于比所述第一链路更下游。
此时,当所述第一链路中的交通速度具有预先决定的第一值与预先决定的第二值之间的值时,所述第二链路及所述第三链路可以分别存在于比所述第一链路更上游及更下游。
根据本发明的另一观点,可以提供一种预测在道路上的两地点之间定义的第一链路中的第一车辆速度的方法,该方法包括:获得短期预测时间区间中的关于所述第一车辆速度的事先短期预测速度及长期预测时间区间中的关于所述第一车辆速度的长期预测速度的步骤;及根据随着时间而变化的加权值,对所述事先短期预测速度和所述长期预测速度进行加权求和,从而算出最终短期预测速度的步骤。此时,所述获得事先短期预测速度的步骤包括:获得所述第一链路中的特定时间区间期间的关于第一车辆速度的第一时间序列值的步骤;及从所述第一链路中的关于第一车辆速度的第一过去交通数据的集合,找出与所述第一时间序列值匹配的N个第一过去时间序列值,以关于所述找出的N个第一过去时间序列值的信息为基础,对所述特定时间区间之后的所述第一链路中的第一车辆速度进行预测的步骤。
此时,在所述短期预测时间区间的结束时间点,所述最终短期预测速度和所述长期预测速度可以具有相同的值。
此时,与所述事先短期预测速度相乘的短期加权值可以在所述短期预测时间区间的开始时间点具有1的值,在所述结束时间点具有0的值,与所述长期预测速度相乘的长期加权值可以在所述短期预测时间区间的开始时间点具有0的值,在所述结束时间点具有1的值。
此时,与所述事先短期预测速度相乘的短期加权值可以为根据时间的减小函数,与所述长期预测速度相乘的长期加权值可以为根据时间的增加函数。
此时,所述长期预测时间区间可以不包含所述短期预测时间区间,当所述短期预测时间区间结束之后,所述长期预测时间区间开始时,可以把所述事先短期预测速度的最后值补正为所述长期预测速度的起始值。
根据本发明的又一观点,可以提供一种预测在道路上的两地点之间定义的第一链路中的第一车辆速度的车辆速度预测装置。该装置包括处理部,以便执行如下步骤:获得所述第一链路的特定时间区间期间的关于第一车辆速度的第一时间序列值的步骤;及从所述第一链路中的关于第一车辆速度的第一过去交通数据的集合,找出与所述第一时间序列值匹配的N个第一过去时间序列值,以关于所述找出的N个第一过去时间序列值的信息为基础,对所述特定时间区间之后的所述第一链路中的第一车辆速度进行预测的步骤。
根据本发明的又一观点,可以提供一种记录了预测在道路上的两地点之间定义的第一链路中的第一车辆速度的程序的计算机可读介质。所述程序使车辆速度预测装置执行如下步骤:获得所述第一链路的特定时间区间期间的关于第一车辆速度的第一时间序列值的步骤;及从所述第一链路中的关于第一车辆速度的第一过去交通数据的集合,找出与所述第一时间序列值匹配的N个第一过去时间序列值,以关于所述找出的N个第一过去时间序列值的信息为基础,对所述特定时间区间之后的所述第一链路中的第一车辆速度进行预测的步骤。
发明效果
根据本发明,可以提供一种技术,即使利用少量的过去数据,也能够高效、准确地预测道路上特定链路的未来交通流相关信息。
附图说明
图1是根据本发明一个实施例提供的车辆速度预测方法中,用于说明根据车流的行进方向而把道路区分成多个链路并在各链路中利用感知传感器测量速度的方法的图。
图2是按照时间显示从较近的过去至现在的在图1所示第一链路中测量的车辆速度的代表值的图表示例。
图3把在图1的第一链路中获得的速度数据历史记录显示为图表。
图4a把与图3中提取的各区间相应的非交通信息显示为表。
图4b把与图6中提取的各区间相应的非交通信息显示为表。
图5是按照时间显示在图1中的第一链路、第二链路、第三链路中测量的较近的过去至现在的车辆速度的代表值的图表。
图6把图5所示各链路的过去数年间确保的历史记录数据中根据全及总体条件获得的速度数据的历史记录显示为图表。
图7a至图7c是用于说明本发明多样实施例的全及总体定义方法的参考图。
图8是用于说明根据本发明一个实施例而预测车辆速度的车辆速度预测方法的图。
图9是用于说明根据本发明另一实施例而预测车辆速度的车辆速度预测方法的图。
具体实施方式
下面参考附图,说明本发明的实施例。但是,本发明不限定于本说明书中说明的实施例,可以以多种不同的形态体现。在本说明书中使用的术语用于帮助实施例的理解,并非要意图限定本发明的范围,另外,只要语句未明确表示与之相反的意义,以下使用的单数形态也包括复数形态。
<实施例1:利用在要预测的特定链路中获得的车辆速度,短期预测所述特定链路中的未来交通信息的方法>
图1是在本发明一个实施例提供的车辆速度预测方法中,用于说明根据车流的行进方向而把道路区分成多个链路并在各链路中利用感知传感器测量速度的方法的图。
在图1中,交通流从道路上游侧(UPSTREAM)朝向下游侧(DOWNSTREAM)流动。在图1中,所述道路可以由水平延长的两个直线内的空间所定义。此时,所述道路可以视为包含多条链路。即,可以把所述道路区分为多条链路进行分析。例如,第一链路11可以由存在于邻接的两地点(例:31、33)之间的道路空间所定义。在各链路11~15中,可以安装有检测各链路11~15内的车辆相关信息的传感器21~25。所述传感器21~25可以提供感知各个车辆的速度的功能。各传感器21~25可以测量各链路11~15中的车辆速度。所述车辆速度可以意味着在各链路中观察的所有种类的车辆速度的代表值。
图2是按照时间显示在图1的第一链路11中,从较近的过去至现在测量的车辆速度的测量值202的图表示例。
在图2中,x轴代表时间的流动,y轴代表在第一链路11中,在各测量时间测量的车辆速度(例:平均车辆速度或多个车辆的速度值的代表值)。在本发明的实施例1中,在第一链路11中测量第一车辆速度并进行提供的时间间隔,可以按预先决定的单位时间(U)单位执行。此时,图2的图表中显示的“0”代表现在。而且,U可以是使用者设置的特定值,例如,可以具有1分钟、5分钟、10分钟或15分钟等多样的值。为了说明的便利,在图2所示的实施例1中,假定U为5分钟,从所述较近的过去至现在的区间,即“特定时间区间A0”,假定为从过去20分钟前至现在的时间区间。另外,由图2中显示的5个测量值202构成的一个组是按5分钟间隔获得的车辆速度的第一时间序列值,图表210是对所述时间序列值进行插值而获得的图表。根据插值方式,图表210也可能以其它形态提示。在x轴中,+方向是代表未来时间点的方向,-x方向是代表过去时间点的方向。
图3把在图1的第一链路11中获得的过去速度数据的历史记录显示为图表,特别是只摘取了判断为与图2所示特定时间区间A0中的交通速度模式最类似的N个(N=5)部分PA1、PA2、PA3、PA4、PA5及其之后的速度数据进行了显示。
为了导出图3的图表,可以经过如下步骤。
第一,可以执行生成用于与在图2所示的特定时间区间A0中获得的交通信息(=交通数据)进行比较的全及总体的步骤。所述交通信息涉及车辆的速度,例如如图2所示,可以是由车辆速度测量值202构成的所述第一时间序列值。
在以下本说明书中,“交通信息”和“非交通信息”是相互区分的概念。术语“非交通信息”可以意味着与车辆速度无直接关系的外在环境,例如,星期、气象状态、道路施工事件、附近的活动事件等相关信息。
所述术语“全及总体”可以意味着为了用于与例如在图2所示特定时间区间A0中获得的关于第一链路11的交通数据进行比较,从针对第一链路11而在过去获得的所有交通数据(例如,过去40年期间的数据)中提取的既定期间份量的“过去交通数据的集合”。
当所述全及总体的大小过大时,存在所述比较所需的计算能力过大的缺点,当全及总体的大小过小时,存在为了预测而要求的比较数据不充分的缺点。因此,适当地定义全及总体是重要的,在本发明中,可以利用如下各种类型的实施例,以多样的方式建成全及总体。
第一,可以选择K个与特定时间区间A0的星期相同的星期的过去时间区间而当作全及总体。
第二,可以还包括M个具有与所述特定时间区间A0相关非交通信息(例:在特定时间区间A0正在下雨)类似的非交通信息(例:代表在所述第一链路11下过雨的信息)的过去时间区间而定义全及总体。例如,如果说所述特定时间区间A0正在下雨,那么,可以选择在所述第一链路11曾下过雨的过去的M个时间区间,添加于所述全及总体。所述过去的M个时间区间不从属于所述“相同的星期”,例如,可以是属于星期一、星期二、星期五等多样星期的时间区间。
因此,所述母区间可以包括共K+M个时间区间而构成。所述K和M为1或自然数,可以是由使用者决定的值。此时,在所述第一方法中,已经利用了称之为“星期”的非交通信息,因而在所述第二方法中言及的非交通信息可以是除第一步骤中言及的“星期”相关信息之外的信息。
然后,如果如上所述定义了全及总体,那么可以执行在所述全及总体中,找出与在图2中定义的特定时间区间A0期间获得的所述第一时间序列值202匹配的N个过去时间区间的步骤。所述N可以是由使用者预先决定的值,所述“匹配的”意义,可以意味着在过去时间区间期间,在所述第一链路11中获得的车辆速度的连续的时间序列值具有与所述第一时间序列值202类似的模式。
其中,是否类似可以利用多样的已知模式匹配方法执行。例如,如果在所述第一链路11中获得的所述第一时间序列值202由在20分钟期间按均一时间间隔获得的5个速度数据构成,则算出由过去在所述第一链路11中获得的连续的5个速度数据构成的任意时间序列值与所述第一时间序列值202间的距离,从而能够进行模式匹配。所述算出距离也可以通过把所述任意时间序列值和所述第一时间数例表现为相同大小的矢量来执行。
在用于说明本发明实施例1的一个例题中,假定K和M分别具有“15”的值,因此,全及总体可以包含共30(=15+15)个时间区间而构成。另外,现在的非交通信息(事件)可以假定为下“雨”的“星期五”。而且,可以假定所述N为“5”。与作为所述图3所示全及总体一部分的过去时间区间PA1 ~ PA5对应的非交通信息可以如图4a所示提示。假定所述各过去时间区间PA1 ~ PA5的长度与各个特定时间区间A0相同。
如果相互比较图2和图3,图2显示出例如从现在起至20分钟之前的过去的较短期间测量的历史记录数据,图3显示出例如在过去数年间确保的历史记录数据中根据上述方法而选择的全及总体中,与所述第一时间序列值最类似5个过去时间区间PA1 ~ PA5中的过去时间序列值及所述过去时间区间PA1 ~ PA5之后的过去后续时间区间101、111、121、131、141中的过去后续时间序列值相关信息。其中,所述“过去时间序列值”可以意味着在所述过去时间区间,在预先设置的时刻测量的多个(例:5个)车辆速度相关测量值,所述“过去后续时间序列值”可以意味着在所述过去后续时间区间,在预先设置的时刻测量的多个(例:5个)车辆速度相关测量值。
在图3中,在过去时间区间PA1~PA5期间测量的车辆速度值,显示出与第一时间序列值202最近似匹配的值,下面,在本说明书中,过去时间区间PA1~PA5中的各车辆速度值100、110、120、130、140可以分别称为“第一过去时间序列值”。
在图3中,附图标记102、112、122、132、142代表的图表,可以是基于在所述5个过去时间区间PA1~PA5之后定义的所述过去后续时间区间101、111、121、131、141测量并存储的作为车辆速度的所述过去后续时间序列值而制成的图表。在本说明书中,可以把图表102、112、122、132、142代表的车辆速度的集合称为“第一后续车辆速度组”。
图4a把与从图3提取的各个区间相应的非交通信息显示为表。各列(column)代表图3所示的5个“过去时间区间”。
下面一同参照图1~图4a,说明预测图1所示的第一链路11中的未来车辆速度的方法。
本发明实施例1的方法可以包括如下步骤。
如果参照图1和图2,本发明实施例1的方法可以包括:获得在所述第一链路11中获得的、特定时间区间A0中的关于车辆速度的第一时间序列值(车辆速度的测量值)202的步骤S10。
然后,本发明实施例1的方法可以包括:在从过去数据历史记录形成的全及总体(参照图3)中,找出与所述获得的第一时间序列值202最近似匹配的N(例:N=5)个第一过去时间序列值100、110、120、130、140及与其对应的N个过去时间区间PA1~PA5的步骤S20。
然后,本发明实施例1的方法可以包括:在找出所述N=5个第一过去时间序列值100、110、120、130、140后,针对与所述第一过去时间序列值对应的5个过去时间区间PA1~PA5,分别获得从所述过去时间区间PA1~PA5之后起,在预先决定的第一过去后续时间区间101、111、121、131、141期间的所述第一链路11中的各个第一后续车辆速度组102、112、122、132、142的步骤S30。
在本发明的实施例1中,假定所述预先决定的第一过去后续时间区间为一小时,所述第一后续车辆速度组102、112、122、132、142由一系列的速度值构成,可以意味着从所述5个过去时间区间PA1~PA5之后起,一小时以内的车辆速度值(实测值)的集合。
然后,本发明实施例1的方法可以包括:获得关于5个过去时间区间PA1~PA5的各个第一后续车辆速度组102、112、122、132、142后,计算所述第一后续车辆速度组102、112、122、132、142间的代表值(例:平均值)的步骤S40。
此时,所述代表值可以利用根据所述第一时间序列值202与所述各个第一过去时间序列值100、110、120、130、140间的差异而决定的5个加权值。
所述第一后续车辆车辆速度组间的平均值计算过程可以如下。
<第一步骤S41>
通过下式,生成wf(100)、wf(110)、wf(120)、wf(130)、wf(140)。
wf(x)=计算[第一过去时间序列值(x)、第一时间序列值]间的距离的值。
所述x根据实施例1,例如可以是具有100、110、120、130、140中任意一个值的索引。
wf(100)=[第一个第一过去时间序列值(100)、第一时间序列值(202)]间的距离差
wf(110)=[第二个第一过去时间序列值(110)、第一时间序列值(202)]间的距离差
wf(120)=[第三个第一过去时间序列值(120)、第一时间序列值(202)]间的距离差
wf(130)=[第四个第一过去时间序列值(130)、第一时间序列值(202)]间的距离差
wf(140)=[第五个第一过去时间序列值(140)、第一时间序列值(202)]间的距离差。
此时,wf(x)的绝对值的大小越小,对相应第一过去时间序列值的加权值会越高。
<第二步骤S42>
利用与所述wf(x)相应的预先确定的加权值wb(x),如下所示获得加权值组。wb(x)可以是wf(x)的正规化的值。
第一个第一后续车辆速度组(102) * wb(100)=第一加权值组
第二个第一后续车辆速度组(112) * wb(110)=第二加权值组
第三个第一后续车辆速度组(122) * wb(120)=第三加权值组
第四个第一后续车辆速度组(132) * wb(130)=第四加权值组
第五个第一后续车辆速度组(142) * wb(140)=第五加权值组。
<第三步骤S43>
第一后续车辆速度组间的平均值与加权值组的平均值相同,如果应用于实施例1,则如下。
第一后续车辆速度组间的平均值=(第一加权值组 + 第二加权值组 + 第三加权值组 +第四加权值组 + 第五加权值组)/5。
例如,所述第一后续车辆车辆速度组间的平均值可以给出为wb(100)*{第一个第一过去时间序列值(100)}+wb(110)*{第二个第一过去时间序列值(110)}+wb(120)*{第三个第一过去时间序列值(102)}+wb(130)*{第四个第一过去时间序列值(130)}+wb(140)*{第五个第一过去时间序列值(140)}。此时,例如可以为wb(100) + wb(110) + wb(120) + wb(130) + wb(140)=1。
根据本发明的实施例1,所述第一后续车辆速度组间的平均值数据可以视为第一链路11中从现在起至一小时后预测的未来车辆速度的时间序列值。
另一方面,所述代表值可以利用根据所述特定时间区间A0与所述各个过去时间区间PA1~PA5间的时间差异而决定的另外的5个加权值。例如,可以假定过去时间区间PA1是从现在起10年前的时间区间,过去时间区间PA5是从现在起1年前的时间区间。此时,10年前的交通环境会与现在大相径庭,因此,10年前的第一个第一过去时间序列值100与第一时间序列值202类似,也不能排除因偶然因素而发生的可能性。可是,1年前的交通环境会与现在类似,因此,1年前的第一个第一过去时间序列值140与第一时间序列值202类似,可以判断为有充分理由。因此可以利用如下方法,即,对与现在相距更远的过去对应的后续车辆速度组,给予更小的加权值,对与现在相距不太远的过去对应的后续车辆速度组,给予更大的加权值,求出加权平均。
<实施例2:利用在包含要预测的特定链路的两个链路中获得的车辆速度,短期预测所述特定链路中的未来交通信息的方法>
下面说明本发明的实施例2。
图5所示的图表211、221、231是根据时间,分别显示图1中的在第一链路11、第二链路12及第三链路13中测量的从较近过去起至现在的车辆速度测量值210、220、230的图表。图表211、221、231是为了说明本发明而开发的示例性值,实际测量的值的趋势可能与此不同。
图5的x轴和y轴的意义与图2的x轴、y轴的意义相同。而且,图5所示图表211、221、231分别是对在图1所示链路11、12、13中获得的,例如较近过去时间(特定时间区间A0)期间的车辆速度相关的第一时间序列值210、第二时间序列值220、第三时间序列值230进行插值而获得的图表。根据插值方式,图表211、221、231也可以显示为其它形态。
图6针对图1所示的各链路,把在过去数年间确保的历史记录数据中的根据全及总体条件而获得的速度数据的历史记录显示为图表。
为了导出图6的图表,可以经过如下步骤。
第一,可以执行生成用于与在图5所示特定时间区间A0获得的交通信息(=交通数据)进行比较的全及总体的步骤。其中,所述所谓“全及总体”,可以意味着为了与在所述特定时间区间A0获得的第一链路11、第二链路12及第三链路13的交通数据进行比较,从分别针对所述第一链路11、第二链路12及第三链路13而在过去获得的所有交通数据(例如,过去40年间的数据)提取的过去交通数据的集合(例如,共1个月份量的数据)。
例如,为了定义全及总体,可以利用如下两种方法。
第一,可以选择K个与特定时间区间A0相应的星期相同星期的过去时间区间来当作全及总体。
第二,可以还包括具有与所述特定时间区间A0相关非交通信息(例:在特定时间区间A0正在下雨)类似的非交通信息(例:关于所述第一链路11过去是否下了雨的信息)的M个过去时间区间而定义全及总体。例如,如果在特定时间区间A0下了雨,则可以选择所述第一链路11中曾下过雨的过去M个时间区间并添加于所述全及总体。所述过去的M个时间区间例如可以是星期一、星期二、星期五等属于多样星期的时间区间。第一链路11、第二链路12及第三链路13是相互邻接的空间,因而各个非交通信息也可能相互相同。
因此,所述母区间可以包括共K+M个时间区间而构成。所述K和M是1或自然数,可以是由使用者决定的值。此时,所述第一方法由于已经利用了所谓“星期”的非交通信息,因此,在所述第二方法中言及的非交通信息可以将第一步骤中言及的星期相关信息排除在外。
然后可以执行如下步骤:从所述定义的全及总体,找出同时与针对第一链路11、第二链路12及第三链路13而在图5中定义的特定时间区间A0期间获得的第一时间序列值210、第二时间序列值220及第三时间序列值230最充分匹配的N个过去时间区间的步骤。所述N可以是由使用者预先决定的值。在本发明的实施例2中,假定K和M分别具有“15”的值,因此,全及总体可以包括30个时间区间构成。另外,假定现在的非交通信息(事件)为“下雨的星期五”,假定N为“3”。与作为所述图6所示全及总体一部分的过去时间区间PB1~PB5对应的非交通信息可以如图4b所示。可以假定所述各过去时间区间PB1~PB5的各自长度与图5所示的特定时间区间A0的长度相同。
图6的第一图表4100是关于第一链路11的过去数据历史记录,第二图表4200是关于第二链路12的过去数据历史记录,第三图表4300是关于第三链路13的过去数据历史记录。另外,过去时间区间PB1~PB5意味着从过去数据历史记录中提取的各个过去时间区间。
与所述过去时间区间PB1~PB5对应的附图标记410、420、...、450,代表在第一链路11中测量的车辆速度值的多个第一过去时间序列值。而且,附图标记310、320、...、350代表在第二链路12中测量的车辆速度值的多个第二过去时间序列值,附图标记510、520、...、550代表在第三链路13中测量的车辆速度值的多个第三过去时间序列值。
现在可以定义由所述过去时间区间PB1~PB5之后的预先决定的第一过去后续时间区间411、421、...、451的图表的值构成的第一链路11中的第一后续车辆速度组412、422、...、452。而且,可以确定由所述过去时间区间PB1~PB5之后的预先决定的第二过去后续时间区间311、321、...、351的图表的值构成的第二链路12中的第二后续车辆速度组312、322、...、352。而且,可以定义由所述过去时间区间PB1~PB5之后的预先决定的第三过去后续时间区间511、521、...、551的图表的值构成的第三链路13中的第三后续车辆速度组512、522、...、552。此时,可以假定各个所述过去时间区间的长度为20分钟,假定所述预先决定的第一过去后续时间区间、所述预先决定的第二过去后续时间区间,及所述预先决定的第三过去后续时间区间分别为一小时。其中,第一过去后续时间区间411、421、...、451、第二过去后续时间区间311、321、...、351、第三过去后续时间区间511、521、...、551相互相同。
下面一同参照图1、图4b、图5及图6,说明预测第一链路11中的未来的车辆速度的方法。
<实施例2-1:利用在包含要预测的特定链路的两条链路中获得的车辆速度,预测所述特定链路中的未来交通信息的方法–在特定链路中发生拥堵的情形>
当在特定链路中,例如在图1的第一链路11中发生拥堵时,所述第一链路11中的交通速度可能慢于预先决定的第一值。当第一链路11发生拥堵时,该拥堵是否消除,可以从存在于比第一链路11更上游的第二链路12中的交通数据来预测。
在实施例2-1中,假定所述第一链路11中的交通速度低于预先决定的第一值,因此,一同利用存在于比所述第一链路11更上游的第二链路12中的交通数据。
实施例2-1的交通流预测方法可以包括:就第一链路11和第二链路12,获得各个特定时间区间A0中的第一时间序列值210及第二时间序列值220的步骤S110。
然后可以包括:在所述第一链路11和所述第二链路12的过去数据4100、4200中,作为同时与所述获得的第一时间序列值210和第二时间序列值220最近似匹配者,找出N个由关于所述第一链路11的第一过去时间序列值和关于所述第二链路12的第二过去时间序列值构成的对的步骤S120。
在实施例2-1中,假定所述N为3,则所述3对过去时间序列值{(320、420)、(330、430)、(350、450)}分别与图6的第二过去时间区间PB2、第三过去时间区间PB3及第五过去时间区间PB5相应。找出所述3对过去时间序列值后,经过如下步骤:获得从与所述3对相应的各个过去时间区间PB2、PB3、PB5之后起一小时期间421、431、451的所述第一链路11中的第一后续车辆速度组422、432、452的步骤。为了预测第一链路11中的从现在起前面一小时期间的车辆速度,会经过计算所述第一链路11中的第一后续车辆速度组422、432、452间的代表值的步骤,此时,第一链路11中的所述代表值可以利用根据所述第一时间序列值210与所述第一过去时间序列值420、430、450间的距离决定的3个加权值进行计算。
所述第一后续车辆速度组间的平均值计算过程可以如下。
<第一步骤>
通过下式,生成wf(420)、wf(430)、wf(450)。
wf(x)=计算[第一过去时间序列值(x)、第二时间序列值]间的距离的值。
所述x根据实施例2-1,可以意味着以420、430、450中任意一个自然数指示的索引
wf(420)=[第一个第一过去时间序列值(420)、第一时间序列值(210)]间的距离差
wf(430)=[第二个第一过去时间序列值(430)、第一时间序列值(210)]间的距离差
wf(450)=[第三个第一过去时间序列值(450)、第一时间序列值(210)]间的距离差。
此时,wf(x)的绝对值的大小越小,对相应第一过去时间序列值的加权值会越高。
<第二步骤>
利用与所述wf(x)相应的预先确定的加权值wb(x),如下所示获得加权值组。wb(x)可以是使wf(x)正规化的值。
第一个第一后续车辆速度组(422) * wb(420)=第一加权值组
第二个第一后续车辆速度组(432) * wb(430)=第二加权值组
第三个第一后续车辆速度组(452) * wb(450)=第三加权值组。
<第三步骤>
第一后续车辆速度组间的代表值与所述加权值组的代表值相同,如果应用于实施例,则如下。
第一后续车辆速度组间的平均值=(第一加权值组 + 第二加权值组 + 第三加权值组)/3。
<实施例2-2:利用在包含要预测的特定链路的两条链路中获得的车辆速度,预测所述特定链路中的未来交通信息的方法-特定链路中的交通流顺畅的情形>
当在特定链路中,例如在图1的第一链路11中的交通流顺畅时,所述第一链路11中的交通速度可能会快于预先决定的第一值。第一链路11中的交通流畅顺时,在第一链路11中以后是否发生拥堵,可以从存在于比第一链路11更下游的第三链路13中的交通数据来预测。
实施例2-2的交通流预测方法可以包括与实施例2-1相同的步骤。不过,在实施例2-1中,虽然利用了要预测的第一链路11及在其更上游的第二链路12,但不同之处在于,在实施例2-2中,利用要预测的第一链路11及在其更下游的第三链路13。
在上述实施例2、实施例2-1及实施例2-2中,虽然列举了利用相互邻接的两条链路的示例,但也可以使所述两条链路不相互邻接。例如,在实施例2-1中虽然利用了第一链路11及在其更上游的第二链路12,但也可以将其变形,利用第一链路11及在其更上游的第四链路14。同理,在实施例2-2中,虽然利用了第一链路11及在其更下游的第三链路13,但也可以将其变形,利用第一链路11及在其更下游的第五链路15。
<实施例3:利用在包含要预测的特定链路的三条以上链路中获得的车辆速度,短期预测所述特定链路中的未来交通信息的方法>
在所述实施例2中,以利用要预测的第一链路11及与其不同的另外一条链路的方式,预测了第一链路11中的未来交通信息。
不同于此,在实施例3中,可以利用要预测的第一链路11及与其不同的两条以上另外链路。即,实施例3是扩展实施例2的概念的示例。例如,当在第一链路11中发生交通拥堵时,可以一同利用在第一链路11、第二链路12和第四链路14中获得的交通信息。另外,当第一链路11中交通流顺畅时,可以一同利用在第一链路11、第三链路13及第五链路15中获得的交通信息。
根据本发明的实施例,所述后续车辆速度组间的代表值数据,可以成为第一链路11中的从现在起至一小时预测的未来车辆速度(未来车辆速度的时间序列值)。另外,利用多条链路预测未来车辆速度,会比利用一条链路预测未来车辆速度更准确。
<实施例4、5、6:全及总体的定义方法>
在上述实施例1中,叙述了所述全及总体的定义方法的一个示例。但是,在本发明中,可以以不同于此的多样方式定义所述全及总体。
下面分别参照图7a至图7c,对本发明各实施例中的全及总体的定义方法进行叙述。
在本发明的实施例4中,所述过去交通数据的集合可以意味着从过去特定时间点(年月日时)起连续在既定期间(例:5天)中获得的所述既定期间份量的数据。这种全及总体的示例在图7a中进行了图示。横轴为时间轴,斜线区域代表设置为全及总体的区域。其中,全及总体在时间轴上显示为连续的一个集合。例如,斜线区域可以对应于共5天份量的时间。
在本发明的实施例5中,所述过去交通数据的集合作为对应于既定期间(例:5天)的份量的过去数据,可以意味着从多个不连续的时间区间获得的数据。此时,所述多个不连续的时间区间可以没有特别的制约条件。这种全及总体的示例在图7b中进行了图示。横轴为时间轴,斜线区域代表设置为全及总体的区域。其中,全及总体显示为在时间轴上相互分散的多个部分集合之和。例如,斜线区域可以对应于共5天份量的时间。
在本发明的实施例6中,所述过去交通数据的集合作为对应于既定期间(例:5天)的份量的过去数据,可以意味着从多个不连续的时间区间获得的数据。此时,所述多个不连续的时间区间可以全部具有与所述“特定时间区间”的“时间属性”相同的“时间属性”。这种时间属性会周期性地出现。这种全及总体的示例在图7c中进行了图示。横轴为时间轴,斜线区域代表设置为全及总体的区域。其中,全及总体显示为在时间轴中相互具有周期性地分散的多个部分集合之和。例如,斜线区域可以对应于共5天份量的时间。
例如,在关于实施例6的本发明的实施例6-1中,所述过去交通数据的集合可以意味着在与要预测的“未来特定短期时间区间”紧之前或之前的所述“特定时间区间”对应的“过去时间区间”中的所述“汇集了既定期间份量的数据集合”。
在所述实施例6-1中,例如当假定当前时间点为今日13:00时,所述“未来特定短期时间区间”可以为今日13:01 ~ 14:00。
而且,所述“特定时间区间”例如可以为今日12:31 ~ 13:00。
而且,所述“过去时间区间”可以是任意的过去日期中的12:31 ~ 13:00时间区间的集合。
而且,所述“既定期间份量”例如可以为1个月份量。而且,所述“汇集了既定期间份量的数据集合”例如可以是过去日子中针对根据预先决定的规则选择的共240天(=24小时*5天/0.5小时)份量的日期中12:31 ~ 13:00时间区间而汇集的数据。所述共240天份量的日期也可以是具有周期性地选择的日期。
例如,在关于实施例6的本发明的实施例6-2中,所述过去交通数据的集合可以意味着在与要预测的“未来特定短期时间区间”紧之前或之前所述“特定时间区间”对应的“过去时间区间”中所述“汇集了既定期间份量的数据集合”。
在所述实施例6-2中,例如假定当前时间点为星期四00:00,则所述“未来特定短期时间区间”可以为星期四0:01 ~ 24:00,即,与特定星期相应的一天(one day)。
而且,所述“过去时间区间”例如可以为任意过去星期三的23:31~24:00时间区间的集合。
而且,“过去时间区间”例如可以是任意过去周(weeks)中的星期三的23:31~24:00时间区间的集合。
而且,所述“既定期间份量”例如可以为5天份量。而且,所述“汇集了既定期间份量的数据集合”例如可以是过去日子中针对根据预先决定的规则选择的共1,680天(=24小时*7[天]*5天/0.5小时)份量的星期四而汇集的数据。
如果考查上述实施例6-1和6-2,则可以理解本发明实施例6中说明的所述“时间属性”所指的内容。例如,针对所有日子而具有相同长度的相同时间段,可以理解为具有相互相同的时间属性。例如,相对于所有周,可以理解为特定星期具有相互相同的时间属性。例如,相对于所有月(month),可以理解为特定次周具有相互相同的时间属性。例如,相对于所有年(year),可以理解为特定月具有相互相同的时间属性。例如,相对于所有年,特定公休日可以理解为具有相互相同的时间属性。
也可以使实施例4、实施例5及实施例6的概念混合地设置全及总体。即,全及总体也可以由在时间轴上连续地定义的第一部分集合、相互具有周期性地分散的多个第二部分集合,以及无周期性地分散的多个第三部分集合中至少2个之和集合构成。
<实施例7:长期预测结果和短期预测结果的组合方法>
图1至图7中说明的实施例1至实施例6涉及较近未来的有限时间,例如,从现在起一小时后的一小时期间的短期预测方法。
所述一小时后,以后的各链路中的交通状况也可以根据在此未介绍的其它长期预测方法而决定。
在本发明的实施例7中提出一种车辆速度预测方法,组合根据任意长期预测方法导出的长期预测结果和根据所述本发明一个实施例的短期预测方法导出的短期预测结果来预测车辆速度。
图8是用于说明根据本发明一个实施例而预测车辆速度的车辆速度预测方法的图。
在图8中,横轴为时间轴,纵轴代表针对特定链路,从现在时间点tp之后起至 “长短期区分时间点”tsl预测的车辆速度。可以把从现在时间点tp之后起至长短期区分时间点tsl的第一时间区间(tp =< t <= tsl)定义为短期预测时间区间(tp =< t <= tsl)。而且,可以把包括长短期区分时间点tsl之后的第二时间区间(tsl =< t)的未来定义为长期预测时间区间(tp =< t)。针对所述短期预测时间区间及所述长期预测时间区间而预测特定链路中的车辆速度的算法可以使用互不相同的方法。针对所述短期预测时间区间而预测特定链路中的车辆速度的算法可以是通过图1至图7说明的方法。
图8所示的“事先短期预测图表”801是显示根据本发明第一算法而生成的特定链路中事先短期预测速度的图表。其中,所述第一算法可以是通过所述图1至图7而说明的短期预测特定链路中的未来交通信息的方法。
长期预测图表802是显示根据第二算法而生成的所述特定链路中的长期预测速度的图表。其中,所述第二算法既可以是任意的方法,也可以是变形所述第一算法而获得的。
最终短期预测图表810是显示根据本发明的实施例7而生成的所述特定链路中的最终短期预测速度的图表。
如果参照图8,所述第一算法和所述第二算法互不相同,因而所述长短期区分时间点tsl的事先短期预测图表801的值与长期预测图表802的值可能会互不相同。即,在长短期区分时间点tsl发生预测数据的不连续。
为了消除这种不连续,可以利用事先短期预测图表801和长期预测图表802的加权求和,补正所述第一时间区间中的预测数据,即,最终短期预测图表810。
为此,可以把事先短期预测图表801表现为Y1=f1(t)。其中,f1既可以是以t为独立变数而输出Y1的函数,或者也可以是显示出利用根据t而预测的Y1值来使Y1匹配到t值的对应关系者。事先短期预测图表801可以针对0 =< t <= tsl而生成。
而且,长期预测图表802可以表现为Y2=f2(t)。其中,f2既可以是以t为独立变数而输出Y2的函数,或者也可以是显示出利用根据t而预测的Y2值来使Y2匹配于t值的对应关系者。长期预测图表802可以针对0 =< t而生成。
所述最终短期预测图表810可以根据时间而变化的加权值α(t),对事先短期预测图表801和长期预测图表802进行加权求和而生成。此时,最终短期预测图表810的基于时间的值Y3可以满足下面数式1。
[数式1]
Y3=f3(t)
= α(t)*f1(t) + [1-α(t)]*f2(t) (不过,tp =< t <= tsl),
= f2(t)(不过,tsl < t )
不过,当t=tsl时,α(t)=α(tsl)=0
在数式1中,当t=0时,可以为α(t)=α(0)=1。而且,在一个实施例中,t越增加,α(t)则会越减小。
图9用于说明另外的实施例的长期预测结果和短期预测结果的组合方法。
在图9的示例中,附图标记901与图8的附图标记801相同。
在图9的示例中,长期预测图表902虽然与长期预测图表802相同,但不同点在于,在长短期区分时间点tsl之前不存在预测值。
即使在图9的情形下,长短期区分时间点tsl中的事先短期预测图表901的值与长期预测图表902的值也可能会互不相同。即,在长短期区分时间点tsl发生预测数据的不连续。为了解决这种问题,可以利用长短期区分时间点tsl中的长期预测图表902的值补正长短期区分时间点tsl中的事先短期预测图表901的值。即,在第一时间区间(tp =< t <= tsl)期间,可以将事先短期预测图表901乘以具有根据时间而决定的值的加权值β(t),生成经补正的最终短期预测图表910。此时,如果在长短期区分时间点tsl中的事先短期预测图表901的值大于在长短期区分时间点tsl中的长期预测图表902的值,则β(t)可随着时间而减小。不同于此,如果在长短期区分时间点tsl中的事先短期预测图表901的值小于在长短期区分时间点tsl中的长期预测图表902的值,则β(t)可以随着时间而增加。而且,可以为β(t=0)=1。
根据本发明,考虑未来将发生的交通需求急剧变化、气象变化、施工、活动等来预测交通状况,因而能够提高未来交通状况预测信息的可靠度,可以利用公共部门构建的交通信息收集体系,生成包括城市道路在内的预测信息,因而任何人都可以无偿利用。另外,可以按道路运营者的交通信息生成单位来生成信息,使得道路运营者将其用于树立预防性交通控制战略。
附图标记
UPSTREAM:道路上游侧
DOWNSTREAM:道路下游侧
A0~A1:从现在起至较近过去的特定时间区间
PA1~PA5:过去的提取时间区间
PB1~PB5:过去的提取时间区间
11~15:道路分为既定间隔的链路
21~25:各区间安装的车辆速度感知传感器
31~36:区分划出道路的链路的地点
202、210:第一时间序列值(=第一链路中的车辆速度测量值)
220:第二时间序列值(=第二链路中的车辆速度测量值)
230:第三时间序列值(=第三链路中的车辆速度测量值)
211:从较近过去起至现在在第一链路11中获得的车辆速度图表
221:从较近过去起至现在在第二链路12中获得的车辆速度图表
231:从较近过去起至现在在第三链路13中获得的车辆速度图表
100、110、120、130、140:从与道路第一链路11相应的过去数据历史记录中提取的特定区间
101、111、121、131、141:从过去时间区间之后起至预先决定的时间的范围
102、112、122、132、142:第一~第五后续车辆速度组
4100:在第一链路11中获得的过去车辆速度数据
4200:在第二链路12中获得的过去车辆速度数据
4300:在第三链路13中获得的过去车辆速度数据
310、320、330、340、350:从与道路的第二链路12相应的过去数据历史记录中提取的特定区间
311、321、331、341、351:第二链路12中的从过去时间区间之后起至预先决定的第二过去后续时间区间的范围
312、322、332、342、352:第二链路12的第二后续车辆速度组
410、420、430、440、450:从与道路的第一链路11相应的过去数据历史记录中提取的特定区间
411、421、431、441、451:第一链路11中的从过去时间区间之后起至预先决定的第一过去后续时间区间的范围
412、422、432、442、452:第一链路11的第一后续车辆速度组
510、520、530、540、550:从与道路的第三链路13相应的过去数据历史记录中提取的特定区间
511、521、531、541、551:第三链路13中的从过去时间区间之后起至预先决定的第三过去时间的范围
512、522、532、542、552:第三链路13的第三后续车辆速度组
Claims (17)
1. 一种车辆速度预测方法,作为预测在道路上的两地点之间定义的第一链路中的第一车辆速度的方法,其中,包括:
获得所述第一链路的特定时间区间期间的关于第一车辆速度的第一时间序列值的步骤;及
从所述第一链路中的关于第一车辆速度的第一过去交通数据的集合,找出与所述第一时间序列值匹配的N个第一过去时间序列值,以关于所述找出的N个第一过去时间序列值的信息为基础,对所述特定时间区间之后的所述第一链路中的第一车辆速度进行预测的步骤。
2.根据权利要求1所述的车辆速度预测方法,其中,
所述第一过去交通数据的集合具有与所述特定时间区间的时间属性相同的时间属性。
3.根据权利要求1所述的车辆速度预测方法,其中,
所述关于找出的N个第一过去时间序列值的信息,是与所述找出的N个第一过去时间序列值对应的N个过去时间区间之后的N个过去后续时间区间期间的车辆速度相关信息。
4.根据权利要求2所述的车辆速度预测方法,其中,
所述第一过去交通数据的集合包括在与所述特定时间区间所属的星期相同的星期获得的第一车辆速度相关数据。
5.根据权利要求1或4所述的车辆速度预测方法,其中,
所述第一过去交通数据的集合包括,所述特定时间区间期间发生的非交通信息事件和在确认为发生了同一非交通信息事件的多个过去时间区间获得的第一车辆速度相关数据。
6. 根据权利要求1所述的车辆速度预测方法,其中,
所述预测的步骤包括:针对与所述N个第一过去时间序列值对应的N个过去时间区间(PTp,p为1至N的自然数),分别获得从所述过去时间区间(PTp)之后至预先决定的时间的所述第一链路中的后续车辆速度组的步骤;及
计算所述获得的多个后续车辆速度组间的平均值的步骤。
7.根据权利要求1所述的车辆速度预测方法,其中,
还包括:获得在所述道路上的另外不同两地点之间定义的第二链路中的所述特定时间区间期间的关于第二车辆速度的第二时间序列值的步骤;
所述预测的步骤包括:从所述第一过去交通数据的集合和关于所述第二车辆速度的第二过去交通数据的集合,找到N个同时与所述第一时间序列值和所述第二时间序列值匹配的、由关于所述第一链路的第一过去时间序列值和关于所述第二链路的第二过去时间序列值构成的对的步骤;及
以关于所述找出的N个对的信息为基础,对所述特定时间区间之后的所述第一链路中的车辆速度进行预测的步骤。
8.根据权利要求7所述的车辆速度预测方法,其中,
还包括:获得在所述道路上的另外不同两地点之间定义的第三链路中的所述特定时间区间期间的关于第三车辆速度的第三时间序列值的步骤;
所述预测的步骤包括:从所述第一过去交通数据的集合、所述第二过去交通数据的集合以及所述第三链路中的关于第三车辆速度的第三过去交通数据的集合,
找出N个同时与所述第一时间序列值、所述第二时间序列值以及所述第三时间序列值匹配的、由关于所述第一链路的第一过去时间序列值、关于所述第二链路的第二过去时间序列值以及关于所述第三链路的第三过去时间序列值构成的对的步骤;及
以关于所述找出的N个对的信息为基础,对所述特定时间区间之后的所述第一链路中的车辆速度进行预测的步骤。
9.根据权利要求7所述的车辆速度预测方法,其中,
当判断认为所述第一链路中的交通速度低于预先决定的第一值时,所述第二链路存在于比所述第一链路更上游,当判断认为所述第一链路中的交通速度高于预先决定的第二值时,所述第二链路存在于比所述第一链路更下游。
10.根据权利要求8所述的车辆速度预测方法,其中,
当所述第一链路中的交通速度具有预先决定的第一值与预先决定的第二值之间的值时,所述第二链路及所述第三链路分别存在于比所述第一链路更上游及更下游。
11.一种车辆速度预测方法,作为预测在道路上的两地点之间定义的第一链路中的第一车辆速度的方法,其中,包括:
获得短期预测时间区间中的关于所述第一车辆速度的事先短期预测速度及长期预测时间区间中的关于所述第一车辆速度的长期预测速度的步骤;及根据随着时间而变化的加权值,对所述事先短期预测速度和所述长期预测速度进行加权求和,从而算出最终短期预测速度的步骤;
所述获得事先短期预测速度的步骤包括:获得所述第一链路中的特定时间区间期间的关于第一车辆速度的第一时间序列值的步骤;及
从所述第一链路中的关于第一车辆速度的第一过去交通数据的集合,找出与所述第一时间序列值匹配的N个第一过去时间序列值,以关于所述找出的N个第一过去时间序列值的信息为基础,对所述特定时间区间之后的所述第一链路中的第一车辆速度进行预测的步骤。
12.根据权利要求11所述的车辆速度预测方法,其中,
使得在所述短期预测时间区间的结束时间点,所述最终短期预测速度和所述长期预测速度具有相同的值。
13.根据权利要求11所述的车辆速度预测方法,其中,
与所述事先短期预测速度相乘的短期加权值在所述短期预测时间区间的开始时间点具有1的值,在所述结束时间点具有0的值,与所述长期预测速度相乘的长期加权值在所述短期预测时间区间的开始时间点具有0的值,在所述结束时间点具有1的值。
14.根据权利要求11所述的车辆速度预测方法,其中,
与所述事先短期预测速度相乘的短期加权值为根据时间的减小函数,与所述长期预测速度相乘的长期加权值为根据时间的增加函数。
15.根据权利要求11所述的车辆速度预测方法,其中,
所述长期预测时间区间不包含所述短期预测时间区间,当所述短期预测时间区间结束之后,所述长期预测时间区间开始时,把所述事先短期预测速度的最后值补正为所述长期预测速度的起始值。
16. 一种车辆速度预测装置,作为预测在道路上的两地点之间定义的第一链路中的第一车辆速度的车辆速度预测装置,其中,包括处理部,以便执行如下步骤:获得所述第一链路的特定时间区间期间的关于第一车辆速度的第一时间序列值的步骤;及从所述第一链路中的关于第一车辆速度的第一过去交通数据的集合,找出与所述第一时间序列值匹配的N个第一过去时间序列值,以关于所述找出的N个第一过去时间序列值的信息为基础,对所述特定时间区间之后的所述第一链路中的第一车辆速度进行预测的步骤。
17.一种计算机可读介质,作为记录了预测在道路上的两地点之间定义的第一链路中的第一车辆速度的程序的计算机可读介质,其中,所述程序使车辆速度预测装置执行如下步骤:获得所述第一链路的特定时间区间期间的关于第一车辆速度的第一时间序列值的步骤;及
从所述第一链路中的关于第一车辆速度的第一过去交通数据的集合,找出与所述第一时间序列值匹配的N个第一过去时间序列值,以关于所述找出的N个第一过去时间序列值的信息为基础,对所述特定时间区间之后的所述第一链路中的第一车辆速度进行预测的步骤。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140115669A KR101628014B1 (ko) | 2014-09-01 | 2014-09-01 | 교통링크 속도 예측 방법 및 이를 위한 장치 |
KR10-2014-0115669 | 2014-09-01 | ||
KR1020150107356 | 2015-07-29 | ||
KR10-2015-0107356 | 2015-07-29 | ||
PCT/KR2015/008575 WO2016036024A1 (ko) | 2014-09-01 | 2015-08-18 | 교통링크 속도 예측 방법 및 이를 위한 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107111941A true CN107111941A (zh) | 2017-08-29 |
Family
ID=55440035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580059290.XA Pending CN107111941A (zh) | 2014-09-01 | 2015-08-18 | 交通链路速度预测方法及用于其的装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107111941A (zh) |
WO (1) | WO2016036024A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11004335B2 (en) | 2018-11-07 | 2021-05-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for speed prediction |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107331161A (zh) * | 2016-04-28 | 2017-11-07 | 财团法人资讯工业策进会 | 车速预测方法 |
CN107293118B (zh) * | 2017-07-18 | 2020-10-20 | 扬州大学 | 一种交通速度动态区间短时预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11316890A (ja) * | 1998-05-01 | 1999-11-16 | Nippon Telegr & Teleph Corp <Ntt> | 交通情報予測方法、装置、および交通情報予測プログラムを記録した記録媒体 |
JP2000067362A (ja) * | 1998-08-19 | 2000-03-03 | Nippon Telegr & Teleph Corp <Ntt> | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 |
CN1449551A (zh) * | 2000-06-26 | 2003-10-15 | 卡斯特姆交通Pty有限公司 | 用于提供交通和相关信息的方法和系统 |
JP2004280731A (ja) * | 2003-03-19 | 2004-10-07 | Nri & Ncc Co Ltd | 渋滞予測システム、渋滞予測方法および補正用データシステム |
JP2006039978A (ja) * | 2004-07-28 | 2006-02-09 | Hitachi Ltd | 交通情報提供装置,交通情報提供方法 |
EP2078841A1 (en) * | 2008-01-14 | 2009-07-15 | Delphi Technologies, Inc. | Monitoring unit and method |
CN101625796A (zh) * | 2008-07-10 | 2010-01-13 | 现代自动车株式会社 | 交通信息的估计方法 |
-
2015
- 2015-08-18 CN CN201580059290.XA patent/CN107111941A/zh active Pending
- 2015-08-18 WO PCT/KR2015/008575 patent/WO2016036024A1/ko active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11316890A (ja) * | 1998-05-01 | 1999-11-16 | Nippon Telegr & Teleph Corp <Ntt> | 交通情報予測方法、装置、および交通情報予測プログラムを記録した記録媒体 |
JP2000067362A (ja) * | 1998-08-19 | 2000-03-03 | Nippon Telegr & Teleph Corp <Ntt> | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 |
CN1449551A (zh) * | 2000-06-26 | 2003-10-15 | 卡斯特姆交通Pty有限公司 | 用于提供交通和相关信息的方法和系统 |
JP2004280731A (ja) * | 2003-03-19 | 2004-10-07 | Nri & Ncc Co Ltd | 渋滞予測システム、渋滞予測方法および補正用データシステム |
JP2006039978A (ja) * | 2004-07-28 | 2006-02-09 | Hitachi Ltd | 交通情報提供装置,交通情報提供方法 |
EP2078841A1 (en) * | 2008-01-14 | 2009-07-15 | Delphi Technologies, Inc. | Monitoring unit and method |
CN101625796A (zh) * | 2008-07-10 | 2010-01-13 | 现代自动车株式会社 | 交通信息的估计方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11004335B2 (en) | 2018-11-07 | 2021-05-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for speed prediction |
Also Published As
Publication number | Publication date |
---|---|
WO2016036024A1 (ko) | 2016-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shalaby et al. | Prediction model of bus arrival and departure times using AVL and APC data | |
Liu et al. | Bus stop-skipping scheme with random travel time | |
JP5374067B2 (ja) | 交通状態シミュレーション装置及びプログラム | |
CN107403482B (zh) | 一种确定车辆行驶里程数的方法、装置及系统 | |
JP2006079483A (ja) | 交通情報提供装置,交通情報提供方法 | |
Bauer et al. | Quasi-dynamic estimation of OD flows from traffic counts without prior OD matrix | |
CN103543252A (zh) | 使用多个预先选择的油性质来确定发动机油的变质状态的系统和方法 | |
KR101573190B1 (ko) | 실시간 유동 인구 측정 시스템 및 방법 | |
Yakar et al. | A highway alignment determination model incorporating GIS and multi-criteria decision making | |
US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
US11393334B2 (en) | Method, apparatus, and computer program product for detecting changes in road traffic condition | |
CN107111941A (zh) | 交通链路速度预测方法及用于其的装置 | |
CN111862583B (zh) | 一种车流量预测方法及装置 | |
CN113405561A (zh) | 一种驾驶路线的推荐方法、装置、设备及存储介质 | |
El Esawey et al. | Travel time estimation in urban networks using limited probes data | |
Raju et al. | Examining smoothening techniques for developing vehicular trajectory data under heterogeneous conditions | |
Abidin et al. | Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models | |
KR20160036710A (ko) | 미래 교통 상황 예측 시스템 | |
JP2020091681A (ja) | データ分析装置、データ分析システム、データ分析方法およびデータ分析プログラム | |
US8306742B2 (en) | Navigation server | |
Shen et al. | Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report | |
Xia et al. | Reliable short-term traffic flow forecasting for urban roads: multivariate generalized autoregressive conditional heteroscedasticity approach | |
KR101805846B1 (ko) | 교통링크 속도 예측 방법 및 이를 위한 장치 | |
CN111461379A (zh) | 一种位置预测方法以及装置 | |
EP4170566A1 (en) | Prediction system and prediction method |
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 |
Application publication date: 20170829 |
|
WD01 | Invention patent application deemed withdrawn after publication |