DE102012202463A1 - Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank - Google Patents

Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank Download PDF

Info

Publication number
DE102012202463A1
DE102012202463A1 DE102012202463A DE102012202463A DE102012202463A1 DE 102012202463 A1 DE102012202463 A1 DE 102012202463A1 DE 102012202463 A DE102012202463 A DE 102012202463A DE 102012202463 A DE102012202463 A DE 102012202463A DE 102012202463 A1 DE102012202463 A1 DE 102012202463A1
Authority
DE
Germany
Prior art keywords
route
travel time
section
sections
routes
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
DE102012202463A
Other languages
English (en)
Inventor
Heidrun Belzner
Ronald Kates
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.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
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 Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to DE102012202463A priority Critical patent/DE102012202463A1/de
Priority to PCT/EP2013/052465 priority patent/WO2013120765A1/de
Priority to CN201380014906.2A priority patent/CN104169986B/zh
Publication of DE102012202463A1 publication Critical patent/DE102012202463A1/de
Priority to US14/460,979 priority patent/US9122983B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • 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
    • G08G1/0104—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

Abstract

Gemäß einem Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank wird ein Streckennetz (H) mit Streckenabschnitten (Ai) zwischen einem Startpunkt (P) und einem (Zielpunkt (Q) betrachtet. Es werden zwischen dem Start- und Zielpunkt (P, Q) mehrere Routen (Rk) ermittelt. Jedem Streckenabschnitt einer Route (Rk) wird ein relativer Reisezeitverlust (ui,k) zugeordnet und gewichtet. Die ermittelten Reisezeitverluste (ui,k) und die zugehörigen Gewichtungen (Wi,k) werden als Eingangsdaten für ein Lernverfahren verwendet, durch welches iterativ eine bereits vorhandene Wissenbasis erweitert wird.

Description

  • Die Erfindung betrifft ein Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank, wobei das Modell eine Wahrscheinlichkeitsverteilung von relativen Reisezeitverlusten auf einem Streckenabschnitt eines Streckennetzes angibt.
  • Anbieter, die Verkehrsinformationsdaten bereitstellen, können bei der Generierung von aktuellen Verkehrsinformationen nicht immer auf eine statistisch ausreichende Datenbasis an aktuellen Daten zugreifen. Aus diesem Grund spielen historische Ganglinien, die in Abhängigkeit von Verkehrscharakteristiken aufgebaut werden, eine wichtige Rolle. Unter Verkehrscharakteristiken sind charakteristische Zustandsgrößen, die für eine auf einem Straßenabschnitt erlebte Reisezeit maßgeblichen Einfluss haben, zu verstehen. Solche charakteristischen Zustandsgrößen sind beispielsweise die Tageszeit, das Datum, Urlaubszeiten und andere relevante zeitliche Merkmale, sowie vorherrschenden Straßenwettermerkmale, bekannte Verkehrsbeeinflussungsmaßnahmen, etwa die Schaltung einer Verkehrsbeeinflussungsanlage, Baustellen, Unfälle, Großveranstaltungen und sonstige Sondersituationen.
  • Um jedoch eine historische Wissensbasis zur Generierung von Verkehrsinformationen aufzubauen, ist es notwendig, eine ausreichende statistische Menge an Datenpunkten pro Straßenabschnitt aufzuzeichnen. Dies ist mit Befahrungen allein nicht möglich. Automatisch erhobene Fahrzeugdaten können jedoch genutzt werden, um in einem Backend eine intelligente Wissensbasis aufzubauen. Insbesondere könnte durch Verkehrsdaten, beispielsweise durch eine Reisezeit oder eine Reisegeschwindigkeit, die von einem Fahrzeug beim Durchfahren eines Streckenabschnitts auf diesem Streckenabschnitt festgestellt werden, das bereits vorhandene Wissen einer Reisezeitendatenbank aktualisiert werden. Das Backend kann ein Fahrzeug sein, in dem eine Reisezeitendatenbank gespeichert wird, um darauf bei Bedarf mittels eines Rechners im Fahrzeug zuzugreifen zu können. Die Wissensbasis für die Reisezeitendatenbank kann allerdings auch bei einem Dienstanbieter aufgebaut werden.
  • Es ist wünschenswert, ein Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank anzugeben, bei dem die in einem Fahrzeug beim Durchfahren eines Streckenabschnitts aufgezeichneten Verkehrsdaten zu dem Modellaufbau für die Reisezeitendatenbank genutzt werden können.
  • Eine Ausführungsform eines Verfahrens zu einem Modellaufbau für eine Reisezeitendatenbank umfasst die folgenden Schritte:
    • – Bereitstellen eines Streckennetzes mit Streckenabschnitten zwischen einem Startpunkt und einem Zielpunkt,
    • – Ermitteln einer Vielzahl von möglichen Routen zwischen dem Startpunkt und dem Zielpunkt, wobei jede Route Streckenabschnitte, die mindestens einen der Streckenabschnitte des Streckennetzes umfassen, aufweisen,
    • – Ermitteln eines jeweiligen relativen Reisezeitverlusts für jeden Streckenabschnitt jeder Route bei einer jeweiligen Verkehrscharakteristik auf jedem Streckenabschnitt jeder Route,
    • – Zuordnen der ermittelten relativen Reisezeitverluste der Streckenabschnitte der Routen zu jedem Streckenabschnitt des Streckennetzes,
    • – Ermitteln einer jeweiligen Gewichtung der relativen Reisezeitverluste für jeden Streckenabschnitt jeder Route bei einer jeweiligen Verkehrscharakteristik auf jedem Streckenabschnitt jeder Route,
    • – Zuordnen der ermittelten Gewichtungen der Streckenabschnitte der Routen zu jedem Streckenabschnitt des Streckennetzes,
    • – Ermitteln einer Wahrscheinlichkeitsverteilung der relativen Reisezeitverluste für jeden Streckenabschnitt des Streckennetzes bei der dem jeweiligen Streckenabschnitt zugeordneten Verkehrscharakteristik und einem dem jeweiligen Streckenabschnitt zugeordneten Kalibrierungsparameter.
  • Bei dem angegebenen Verfahren werden zwischen jedem Start- und Zielpunkt, im Folgenden als Punktepaar bezeichnet, mehrere mögliche Routen geschätzt und diese stochastisch gewichtet. Zum Ermitteln des relativen Reisezeitverlusts auf Streckenabschnitten der Strecke zwischen dem Start- und Zielpunkt können beispielsweise bekannte Werte einer freien Geschwindigkeit auf den Streckenabschnitten, die beispielsweise aus einer digitalen Karte bekannt sind, für eine Unterteilung der Reisezeit eines Fahrzeugs auf einer vorgegebenen Route verwendet werden. Die auf den Streckenabschnitten ermittelten relativen Reisezeitverluste dienen als Eingangsdaten für ein Lernverfahren, welches bei einer möglichen Ausführungsform iterativ die Wissensbasis für eine bereits vorhandene Reisezeitdatenbank erweitert. Somit können im Fahrzeug generierte Daten genutzt werden, um im Backend eine intelligente Wissensbasis für die Reisezeit aufzubauen.
  • Die automatisch im Fahrzeug generierten Punktedaten sind repräsentativ und eignen sich für den Aufbau einer historischen Reisezeitendatenbank. Mit dem angegebenen Verfahren können die zwischen einem Punktepaar möglichen unbekannten Routen geschätzt werden. Des Weiteren lehrt das Verfahren, wie das Wissen über diese Unschärfe bei der Hinterlegung von Reisezeiten verwendet werden kann.
  • Die Erfindung wird nachfolgend anhand von Ausführungsbeispielen näher erläutert.
  • Unter einer Reisezeitendatenbank wird eine Wissensbasis für Reisezeiten auf Streckenabschnitten einer Route zwischen einem Start- und Zielpunkt, die ein Punktepaar bilden, verstanden. Die in der Reisezeitendatenbank abgespeicherte Reisezeitwissensbasis soll es ermöglichen, bei Bedarf auf eine Wahrscheinlichkeitsdichte F(u|A, C; λ) zu schließen, dass ein Fahrzeug auf einem Streckenabschnitt A die anteilige Verzögerung bzw. den relativen Reisezeitverlust u mit u ≡ Vfree(A)/V – 1 (1) erlebt. In dem angegebenen Formelausdruck für die relative Zeitverzögerung bezeichnet Vfree(A) die freie Geschwindigkeit auf dem Streckenabschnitt A und V die auf dem Streckenabschnitt von dem Fahrzeug tatsächlich erlebte Geschwindigkeit. Wenn die Abschnittslänge eines Streckenabschnitts und die freie Geschwindigkeit auf dem Streckenabschnitt aus einer digitalen Karte als bekannt vorausgesetzt werden, wäre mit F(u|A, C; λ) auch die Wahrscheinlichkeitsverteilung der Reisezeit bestimmt.
  • In dem für die Wahrscheinlichkeitsdichte angegebenen Ausdruck F(u|A, C; λ) bezeichnet der Parameter C Verkehrscharakteristiken, die für den Streckenabschnitt A erhoben werden können und von denen die Wahrscheinlichkeitsdichte ebenfalls abhängen kann. Dazu gehören beispielsweise die Tageszeit, der Wochentag sowie Urlaubszeiten und andere relevante zeitliche Merkmale. Ebenso werden durch die Verkehrscharakteristiken C Straßenwettermerkmale, Verkehrsbeeinflussungsmaßnahmen, Baustellen, Unfälle, Großveranstaltungen und sonstige Sondersituationen erfasst.
  • Der Parameter λ bezeichnet in dem Formelausdruck für die Wahrscheinlichkeitsdichte F(u|A, C; λ) einen oder mehrere Kalibrierungsparameter, von denen die Wahrscheinlichkeitsdichtefunktion ebenfalls abhängen könnte. Dadurch lässt sich beispielsweise der bei der Erstellung des Modells vermutete Prozentsatz der absichtlich gefahrenen indirekten Routen zwischen dem Startpunkt P und dem Zielpunkt Q erfassen.
  • Bei dem Verfahren soll die Wissensbasis durch neue Beobachtungsdaten, die beim Durchfahren einer Route vom Fahrzeug erfasst werden, nach einem statistischen Verfahren aktualisiert werden. Hierfür wird ein Bayes'scher Ansatz verwendet. Es werden in regelmäßigen Intervallen, etwa alle 5 Minuten, Positionen und Geschwindigkeiten der Fahrzeuge sowie geographische Längen und Breiten, Link, Fahrtrichtung, und Offset erfasst und übertragen. Es wird jedoch keine so genannte Perlenkette, d. h. Daten aus kürzeren Zwischenintervallen innerhalb der regelmäßigen Intervalle, übertragen. Die übertragenen Positionsdaten bilden die oben erwähnten Punktepaare, von denen der Startpunkt P und der Zielpunkt Q nur ein Beispiel darstellen.
  • Da die Positionsdaten zufällig übertragen werden, stellen die zugehörigen Punktepaare repräsentative Stichproben aus georteten, plausibilisierten Punktepaaren von Fahrzeugen dar. Allerdings ist anhand der Punktepaare im Allgemeinen keine genaue Rekonstruktion der gefahrenen Strecke zwischen den Punkten möglich. Vielmehr kommen unterschiedliche Routen zwischen den Punkten in Frage. Dieser Aspekt erschwert die Nutzung zu statistischen Zwecken grundsätzlich enorm.
  • Zunächst wird eine Ausführungsform eines Algorithmus, mit dem es ermöglicht wird, eine Reisezeit, die einem Punktepaar P→Q zugeordnet ist, auf Streckenabschnitte einer Route zwischen dem Startpunkt P und dem Zielpunkt Q zu unterteilen, beschrieben. Dazu werden bekannte Werte der freien Geschwindigkeit Vfree, die beispielsweise aus einer digitalen Karte bekannt sind und einzelnen Streckenabschnitten der Route zugeordnet sind, verwendet. Eine mögliche Route R(P→Q) zwischen den Punkten P und Q weist beispielsweise i Streckenabschnitte Ai mit i = 1, ..., n, das heißt beispielsweise Streckenabschnitte A1, A2, ... An auf. Jeder Streckenabschnitt hat einen Anfangspunkt und einen Endpunkt. Des Weiteren können den Streckenabschnitten Ai möglicherweise unterschiedliche Straßenklassen und Werte der freien Geschwindigkeit Vfree zugeordnet sein.
  • Betrachtet man nun die dem Punktepaar P→Q zugeordnete Route, so kann der Startpunkt P auf dem ersten Streckenabschnitt A1 einen Offset x1 von dem Anfangspunkt des ersten Streckenabschnitts aufweisen. Auf dem letzten Abschnitt An kann der Zielpunkt Q den Offset xn in Bezug auf den Anfangspunkt des letzten Streckenabschnitts An aufweisen. Die beim Durchfahren der Route R von P nach Q gemessene Reisezeit wird im Folgenden mit TPQ bezeichnet. Unter der Voraussetzung, dass die minimale Reisezeit Tmin zwischen dem Start- und Zielpunkt, wie sie beispielsweise einer digitalen Karte entnommen werden kann, kleiner ist als die beim Durchfahren der Route von P nach Q gemessene Reisezeit TPQ ergibt sich die Bedingung: Tmin(P→Q; R) < TPQ(P, Q.) (2)
  • Der relative Reisezeitverlust ui für alle i Streckenabschnitte auf der Route R wird zu
    Figure 00070001
    definiert. Die minimale Reisezeit Tmin beträgt
    Figure 00070002
  • Der Parameter Tfree,i gibt die freie Reisezeit auf einem Streckenabschnitt Ai an. Wenn L(Ai) die Länge des Streckenabschnitts Ai bezeichnet, so ergibt sich mit den Offsets x1, xn die freie Reisezeit auf dem ersten Streckenabschnitt zu
    Figure 00070003
    und die freie Reisezeit auf dem n-ten Streckenabschnitt zu
  • Figure 00070004
  • auf den übrigen i Streckenabschnitte ergibt sich die freie Reisezeit zu
    Figure 00070005
  • Bei Verletzung der Voraussetzung wird der relative Reisezeitverlust zu ui = 0; i = 1, ..., n (8) definiert. Außer für i = 1 und i = n können die jeweiligen Werte von Tfree,i und somit auch alle ui von der vorgegebenen Route R abhängen.
  • Im Folgenden werden zwei mögliche Ausführungsformen von Algorithmen für eine Routen- und Reisezeitzuordnung zu einem Punktepaar P→Q angegeben. Als Ausgangsbasis für beide Algorithmen wird ein Streckennetz mit Streckenabschnitten Ai zwischen einem Startpunkt P und Zielpunkt Q des Punktepaares bereitgestellt. Zunächst wird eine Vielzahl von möglichen Routen Rk zwischen dem Startpunkt P und dem Zielpunkt Q ermittelt, wobei jede Route Rk Streckenabschnitte Ai,k, die mindestens einen der Streckenabschnitte Ai umfassen, aufweisen. Dann wird ein jeweiliger relativer Reisezeitverlusts ui,k für jeden Streckenabschnitt Ai,k jeder Route Rk bei einer jeweiligen Verkehrscharakteristik Ci,k auf jedem Streckenabschnitt Ai,k jeder Route Rk ermittelt. Nachfolgend wird jedem Streckenabschnitt Ai des Streckennetzes H der ermittelte relative Reisezeitverlust ui,k der Streckenabschnitte Ai,k der Routen Rk zugeordnet. Danach wird eine jeweilige Gewichtung Wi,k der relativen Reisezeitverluste ui,k für jeden Streckenabschnitt Ai,k jeder Route Rk bei einer jeweiligen Verkehrscharakteristik Ci,k auf jedem Streckenabschnitt Ai,k jeder Route Rk ermittelt. Jedem Streckenabschnitt Ai des Streckennetzes H werden die ermittelten Gewichtungen Wi,k der Streckenabschnitte Ai,k der Routen Rk zugeordnet.
  • Im Folgenden werden die beiden Algorithmen im Detail beschrieben.
  • Bei einer ersten Ausführungsform des Algorithmus werden die Vielzahl von möglichen Routen Rk und die relativen Reisezeitverluste ui,k auf den jeweiligen Streckenabschnitten Ai,k der Routen Rk durch folgende Schritte ermittelt:
  • Im ersten Schritt wird eine zeitlich kürzeste Route R0 mit Streckenabschnitten Ai,0 mit i = 1, ..., n durch Auswerten einer vorgegebenen Reisezeitendatenbank ermittelt. Im zweiten Schritt werden für i = 1, ..., n die relativen Reisezeitverluste ui,0 der jeweiligen Streckenabschnitte Ai,0 der zeitlich kürzeste Route R0 mittels der oben angegebenen Gleichungen (3) bis (7) ermittelt. Danach werden in einem dritten Schritt die Widerständen der jeweiligen Streckenabschnitte (Ai,0) der Route R0 erhöht. Der Begriff ”Widerstand eines Streckenabschnitts” bezeichnet beispielsweise eine fiktive dem Streckenabschnitt zugeordnete Reisezeit.
  • In einem vierten Schritt wird die zeitlich zu der zuvor bestimmten Route R0 nächst kürzeste Route R1, die dem Punktepaar P→Q zugeordnet werden kann, ermittelt. In einem darauffolgenden fünften Schritt werden nun die relativen Reisezeitverluste ui,1 der jeweiligen Streckenabschnitte Ai,1 dieser zeitlich nächst kürzeste Route R1 gemäß den oben angegebenen Gleichungen (3) bis (7) ermittelt. Danach werden in einem sechsten Schritt die Widerstände der Streckenabschnitte Ai,1 der Route R1 erhöht.
  • Es werden nun die Schritte vier bis sechs so lange wiederholt, bis keine gefundene Route mehr die Gleichung (2) erfüllt, das heißt, dass bei keiner zusätzlich gefundenen Route die jeweilige minimale Reisezeit Tmin kleiner als die auf der Route gemessene Reisezeit TPQ ist. Auf diese Weise werden k Routen Rk gefunden und den jeweiligen Abschnitten Ai,k jeweilige relative Reisezeitverluste ui,k zugeordnet. In der Regel ist zu erwarten, dass nur wenige Ersatzrouten die Bedingung der Gleichung (2) erfüllen. Wenn keine Reisezeitdatenbank zur Verfügung steht, können die Routen auch mittels einer digitalen Karte und den freien Reisezeiten bestimmt werden.
  • Zum Ermitteln der Gewichtungen Wi,k der relativen Reisezeitverluste ui,k werden zunächst Reisezeit-Erwartungswerte T(Rk) für jede der ermittelten Routen Rk bestimmt. Die jeweilige Gewichtung Wi,k der relativen Reisezeitverluste ui,k wird in Abhängigkeit von den zuvor bestimmten Reisezeit-Erwartungswerten T(Rk) ermittelt. Die Gewichtungen Wi,k lassen sich beispielsweise mittels einer monoton fallenden Funktion bestimmen. Die Funktion kann beispielsweise derart gewählt sein, dass die Gewichtungen Wi,k für kleine Reisezeiterwartungen T(Rk) gegen Null strebt und für große Reisezeiterwartungen den größten Wert für die Gewichtungen annimmt. Sämtlichen Streckenabschnitten Ai der unterschiedlich betrachteten Routen Rk können die Gewichte Wi,k = W(Rk) wie folgt zugeordnet werden: W(Rk) = D·exp[–λT(Rk)] (9) W(Rk) = D·exp[–λ(TPQ – T(Rk)] (10) wobei die Konstante D zu Σkw(Rk) = 1 (11) bestimmt werden kann.
  • Die Konstante λ ist der bereits im Zusammenhang mit der Wahrscheinlichkeitsdichtefunktion F(u|A, C; λ) erwähnte Kalibrierungsparameter. Er kann beispielsweise von der Straßenklasse abhängig festgelegt werden. Bei Reisezeiten in Minuten kann der Kalibrierungsparameter λ beispielsweise zu λ = 1 Minute–1 gesetzt werden. Dies bedeutet, dass Reisezeitabweichungen um eine Minute das Gewicht um den Faktor 1/e senken.
  • Im Folgenden wird ein zweiter Algorithmus, der auf einer stochastischen Routen- und Reisezeitzuordnung basiert und eine automatische Gewichtung nach sich zieht, angegeben. Der Algorithmus wird wieder anhand des Punktepaares P→Q erläutert.
  • Zunächst wird mit Hilfe einer bereits vorhandenen Reisezeiten-Datenbank eine Wahrscheinlichkeitsverteilung F0(ui|Ai, Ci; λi) von relativen Reisezeitverlusten ui für jeden Streckenabschnitten Ai des Streckennetzes H bei einer jeweiligen Verkehrscharakteristik Ci auf jedem Streckenabschnitt Ai des Streckennetzes ermittelt. Durch mehrfaches, beispielsweise etwa 1000-faches, Wiederholen der im Folgenden angegebenen Schritte I bis III werden eine Vielzahl von möglichen Routen Rk und die jeweiligen relativen Reisezeitverluste ui,k auf jedem Streckenabschnitten Ai,k dieser Routen Rk ermittelt.
  • Im Schritt I werden auf jedem Streckenabschnitt Ai des Streckennetzes H zufällige (stochastische) Reisezeiten aus der Wahrscheinlichkeitsverteilung F0(ui|Ai, Ci; λi) der relativen Reisezeitverluste ui ermittelt. Jeweils eine der zufällig ermittelten Reisezeiten wird jedem Streckenabschnitt Ai des Streckennetzes H zugeordnet. Dann wird im Schritt II eine zeitlich kürzeste Route Rk zwischen dem Startpunkt P und dem Zielpunkt Q anhand der den Streckenabschnitten Ai des Streckennetzes H zugeordneten Reisezeiten ermittelt. Die Anzahl an Streckenabschnitten Ai,k jeder Route Rk kann von der jeweiligen Route Rk abhängen. Im Schritt III werden die relativen Reisezeitverluste ui,k der jeweiligen Streckenabschnitte Ai,k der zeitlich kürzesten Route Rk ermittelt. Die Reisezeitverluste können beispielsweise mittels der Gleichungen (3) bis (7) ermittelt werden. Die Reisezeitverluste ui,k sind dabei unabhängig von den durch das oben erwähnte Wahrscheinlichkeitsmodell zufällig erzeugten Reisezeiten.
  • Gemäß einer möglichen Ausführungsform können die relativen Reisezeitverluste des ersten und des letzten Streckenabschnitts von jeder der Routen Rk bei dem Zuordnen der jeweiligen relativen Reisezeitverluste ui,k der Streckenabschnitte Ai,k der Routen Rk zu den Streckenabschnitten Ai des Teilnetzes H unberücksichtigt bleiben. Dadurch lässt sich der ungewollten Einfluss von absichtlichen Umwegen auf das Verfahren reduzieren. Dies soll an folgendem Beispiel anschaulich erläutert werden.
  • Wenn ein Fahrzeug innerhalb des Sendeintervalls TPQ eine besonders geringe geometrische Entfernung zwischen den Punkten P und Q des Punktepaares P→Q zurücklegt, dann sind mehrere Hypothesen über den Fahrer und die Fahrt möglich. Der Fahrer könnte beabsichtigt haben, direkt von P nach Q zu fahren und hat (bewusst oder unbewusst) die (nach Erwartungswerten) ”optimale Route” genommen. Es herrschte jedoch ein unerwartet ungünstiger Verkehrszustand (”Stau”) vor. Möglich wäre auch, dass der Fahrer wieder die Absicht hatte, direkt von P nach Q zu fahren, jedoch eine nach vorliegenden historischen Daten ”suboptimale” Route genommen hat, wobei der Verkehrszustand zwar auch schlechter als bisherige historische Medianwerte war, jedoch weniger gravierend als bei dem zuerst genannten Fall. Auf der ”optimalen” Route war ein ”normaler” Verkehrszustand. Als weitere Möglichkeit könnte sich der Fahrer kurzfristig verfahren oder falsch eingeordnet haben, so dass ein Wendemanöver oder ein sonstiger Umweg erforderlich war. Auf der ”optimalen” Route war ein ”normaler” Verkehrszustand. Bei einer weiteren möglichen Fallkonstellation könnte der Fahrer den Zielpunkt Q absichtlich über einen Umweg erreicht haben, ohne dass dieser Abstecher beispielsweise durch das Abschalten des Motors oder das Öffnen einer Tür unbedingt erkennbar gewesen wäre. Hierbei entsprachen die einzelnen den Abschnitten zugeordneten Reisezeiten den historischen Erwartungswerten.
  • Bei dem beschriebenen Beispielszenario kann nur im ersten Fall auf einen Stau auf der optimalen Route geschlossen werden. Nun liegt die Vermutung ebenfalls nahe, dass zumindest absichtliche Umwege hauptsächlich am Anfang und am Ende einer zusammenhängenden Route stattfinden und dass Umwege unter einer gewissen Mindestzeit, beispielsweise einer Zeitspanne von 5 Minuten, insgesamt verhältnismäßig selten vorkommen. Werden daher die ersten und letzten Punktepaare einer zusammenhängenden Fahrt ausgeklammert, so verringert sich die Wahrscheinlichkeit, dass ein Umweg gefahren wurde deutlich.
  • Mit der oben beschriebenen zweiten Ausführungsform des Algorithmus werden im Ergebnis zu einem Punktepaar P→Q k Routen Rk gefunden. Den jeweiligen Abschnitten Ai,k der k Routen Rk werden mittels der Gleichungen (3) bis (7) relative Reisezeitverluste ui,k zugeordnet. Die k Routen Rk(P→Q) sind zwar bei Vorgabe der Reisezeiten im Streckennetz deterministisch bestimmbar, dennoch sind sie im Allgemeinen aufgrund der zufälligen Ziehung von Reisezeiten, welche das Verhalten von k zufälligen Kunden modellieren soll, unterschiedlich und stochastisch.
  • Zum Ermitteln der Gewichtungen Wi,k der relativen Reisezeitverluste ui,k kann jeder Wert des relativen Reisezeitverlusts mit dem Faktor 1/k, das heißt mit einem Faktor, der proportional zum Reziproken der Anzahl an Wiederholungen der Schritte I bis III beziehungsweise proportional zum Reziproken der Anzahl an Kunden k ist, gewichtet werden.
  • Nachdem nun als Ergebnis von beiden Algorithmen k verschiedene Routen Rk ermittelt worden sind, deren Streckenabschnitten Ai,k jeweils relative Reisezeitverluste ui,k zugeordnet worden sind, werden den relativen Reisezeitverlusten ui,k Verkehrscharakteristiken Ci,k zugeordnet.
  • Jedem Streckenabschnitt Ai im Streckennetz H sind somit nun alle dem Abschnitt Ai zugehörigen Werte ui,k in einer Liste Qi zugeordnet, die natürlich auch eine leere Liste sein kann, falls gar keine Route durch einen Streckenabschnitt Ai fährt. Jedem Streckenabschnitt Ai des Streckennetzes H ist somit eine Anzahl m von jeweiligen relativen Reisezeitverlusten ui,k für jeden Streckenabschnitt Ai des Streckennetzes H zugeordnet.
  • Ebenso können jedem Streckenabschnitt Ai im Streckennetz H alle dem Abschnitt Ai zugehörigen Werte von Gewichtungen Wi,k zugeordnet werden. Jedem Streckenabschnitt Ai des Streckennetzes H ist somit eine Anzahl m von jeweiligen Gewichtungen Wi,k für jeden Streckenabschnitt Ai des Streckennetzes H zugeordnet.
  • Zum Modellaufbau für die Wissensbasis einer Reisezeitendatenbank werden Kategorien der Verkehrscharakteristiken so definiert, dass das relevante Modell bei Vorgabe von Streckenabschnitt Ai bei Charakteristiken Ci,k durch eine Look-up-Tabelle zu erhalten ist. Gemäß der beiden oben angegebenen Algorithmen für die Routen- und Reisezeitzuordnung entstehen auf einem Streckenabschnitt Ai bei Charakteristiken Ci,k für jedes Punktepaar mehrere Werte ui,k des relativen Reisezeitverlustes und der zugehörigen Gewichtungen Wi,k. Für die stochastische Zuordnung ergeben sich m solcher Wertepaare {ui,k, Wi,k} pro Punktepaar und Streckenabschnitt. Als Eingangsdaten für die Wissensbasis für den relativen Reisezeitverlust auf einem Streckenabschnitt Ai bei Charakteristiken Ci,k wird nun jedes Wertepaar separat eingegeben.
  • Für jeden neuen Datensatz m aus dem Zuordnungsverfahren werden die in der Wissensbasis bereits vorhandenen Werte mittels eines Lernalgorithmus aktualisiert. Zur Vereinfachung der im Folgenden angegebenen Formeln wird die Notation {u(i, C, m), W(i, C, m)} verwendet. Dies steht für das m-te Wertepaar {relative Verzögerung, Gewichtung}, das sich auf den i-ten Streckenabschnitt und die Kategorie C der Verkehrscharakteristiken bezieht.
  • In einem ersten Verfahrensschritt des Lernverfahrens wird für den relativen Reisezeitverlust auf einem Streckenabschnitt Ai bei Charakteristiken C auf der Iterationsstufe m eine Normalverteilung N(û(i, C, m), σ2(i, C, m)) angenommen, wobei der Parameter û(i, C, m) den geschätzten Mittelwert des relativen Reisezeitverlusts und der Parameter σ2(i, C, m) die geschätzte Varianz der Verteilung des relativen Reisezeitverlusts angibt. Die Parameter û(i, C, m), σ2(i, C, m) können durch folgende Iterationsformeln bestimmt werden:
    Figure 00150001
    Figure 00160001
    mit r(i, C, m) ≡ u(i, C, m) – û(i, C, m – 1), m ≥ 3 (14) N(i, C, m) = N(i, C, m – 1) + W(i, C, m), m ≥ 2 (15)
  • Die Anfangswerte des Iterationsverfahrens lassen sich beispielsweise wie folgt bestimmen: σ2(i, C, 2) = [u(i, C, 2) – u(i, C, 1)]2 (16) û(i, C, 2) ≡ W(i, C, 1)·u(i, C, 1) + W(i, C, 2)·u(i, C, 2) / W(i, C, 1) + W(i, C, 2) (17) N(i, C, 1) = W(i, C, 1) (18) û(i, C, 1) = u(i, C, 1) (19) σ2(i, C, 1) = [u(i, C, 1)]2 (20)
  • Mit dem Iterationsverfahren kann der geschätzte Mittelwert der relativen Reisezeitverluste û(i, C, m) in Abhängigkeit von einer jeweiligen Anzahl m von relativen Reisezeitverlusten ui,k und Gewichtungen Wi,k, die jedem Streckenabschnitt Ai des Streckennetzes H bei der jeweiligen Verkehrscharakteristik Ci auf dem Streckenabschnitt Ai zugeordnet worden sind, ermittelt werden.
  • In einem nachfolgenden Verfahrensschritt können die mit dem Iterationsverfahren geschätzten Mittelwerte û(i, C, m) der relativen Reisezeitverluste und die Gewichte W(i, C, m) auf einem Streckenabschnitt Ai verwendet werden, um auf entsprechenden Eingangsdaten û(i, C, m) und M(i, C, m) für ein geeignetes Modell einer Wahrscheinlichkeitsverteilung von relativen Reisezeitverlusten F(ui|Ai, Ci; λ)unter Verwendung der Gammaverteilung zu schließen. Der Parameter M gibt hier eine Maß für die einer Informationsquelle zugeordnete virtuelle Stichprobenanzahl an. Der Parameter M(i, C, m) kann in Abhängigkeit von der jeweiligen Anzahl m von relativen Reisezeitverlusten ui,k und Gewichtungen Wi,k, die jedem Streckenabschnitt Ai des Streckennetzes H bei der jeweiligen Verkehrscharakteristik Ci auf dem Streckenabschnitt Ai zugeordnet worden sind, ermittelt werden.
  • Wenn als geeignetes Modell eine Gammaverteilung angenommen wird, kann für die Wahrscheinlichkeitsverteilung der Reisezeitverluste ui auf einem Streckenabschnitt Ai bei einer vorherrschenden Verkehrscharakteristik Ci und einem Kalibrierungsparameter λi die Wahrscheinlichkeitsdichtefunktion zu
    Figure 00170001
    angesetzt werden. Im vorliegenden Modell entspricht der Parameter a im rechten Formelausdruck dem Kalibrierungsparameter λ. Dieser kann als bekannt für einen Streckenabschnitt betrachtet werden. Beispielsweise kann für planfreie Straßen a = 100 und für plangleiche Straßen a ≈ 0.09·T angenommen werden, wobei T die charakteristische Reisezeit (in Sekunden) zwischen Knotenpunkten der betrachteten Straßenklasse darstellt. In einer allgemeinen Ausführung kann der Parameter a aus dem auf einem Streckenabschnitt geschätzten Variationskoeffizienten ermittelt werden, der wiederum aus dem Verhältnis von Standardabweichung und Mittelwert einer Verteilung der Reisezeiten auf einem Streckenabschnitt gewonnen werden kann.
  • Dahingegen wird der Parameter B als eine unscharfe Größe angesehen und selbst wieder mit Hilfe einer Wahrscheinlichkeitsverteilung
    Figure 00180001
    beschrieben. Der Parameter B bezeichnet hier den umgekehrten Skalierungsparameter einer Gammaverteilung. Die Parameter αI bzw. βI werden als ”Hyperparameter” bezeichnet, die in Abhängigkeit von den Eingangsdaten û(i, C, m) und M(i, C, m) anhand der folgenden Gleichungen (23) und (24) ermittelt werden können: αI = aI-1 + α(I) mit α(I) = MI·a (23) und βI = βI-1 + β(I) mit β(I) ≡ MI·ûI (24)
  • Der Parameter I = 0, 1, 2, ... gibt die zugehörige Informationsquelle an.
  • In einer bevorzugten Ausführungsform des Lernverfahrens können Datenpunkte ui,k beziehungsweise Wi,k durch ein Ausreißerfilter entfernt werden. Dies hat den Vorteil, dass beim Ermitteln des geschätzten Mittelwerts der relativen Reisezeitverluste û(i, C, m) Ausreißer von relativen Reisezeitverlusten ui,k der Streckenabschnitte Ai,k der Routen Rk unberücksichtigt bleiben. Als Kriterium für einen Ausreißer kann das in Gleichung (14) im Rahmen des Iterationsverfahrens ermittelte Residuum r(i, C, m) verwendet werden. Falls der Betrag des Residuums r(i, C, m) für den m-ten Iterationsschritt beispielsweise größer als 4·σ beträgt, wobei σ die in Gleichung (13), (16) oder (20) berechnete Wurzel aus der Varianz ist, so wird das entsprechende Wertepaar {ui,k; Wi,k} bei der Durchführung des Iterationsverfahrens nicht berücksichtigt.
  • Bei dem vorgestellten Verfahren werden zur Verwendung für eine Reisezeitendatenbank mehrere Routen zwischen einem Start- und Zielpunkt betrachtet und ihnen jeweils Wahrscheinlichkeiten zugeordnet. Diese werden nachfolgend als gewichtete Informationen zum Lernen einer Wissensbasis verwendet. Falls eine Strukturänderung erkannt wird, kann das Lernverfahren von neuem gestartet werden.
  • Das Verfahren kann auf einem elektronischen Datenträger oder in der Firmware einer Datenverarbeitungseinrichtung als Programm-Algorithmus gespeichert sein. Die angegebenen Verfahrensschritte können von einem Prozessor eines Rechners ausgeführt werden. Die im Fahrzeug erfassten Daten können an einen Service-Provider gesendet werden. Ein Rechner, der Zugriff den auf dem elektronischen Datenträger beziehungsweise der Firmware gespeicherten Programm-Algorithmus hat, kann das beschriebene Verfahren ausführen, um so eine Reisezeitendatenbank bei einem Verkehrsdiensteanbieter aufzubauen beziehungsweise um eine bereits vorhandene Datenbank zu aktualisieren. Somit können im Fahrzeug generierte Daten genutzt werden, um im Backend eine intelligente Wissenbasis für die Reisezeit aufzubauen.

Claims (13)

  1. Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank, umfassend: – Bereitstellen eines Streckennetzes (H) mit Streckenabschnitten (Ai) zwischen einem Startpunkt (P) und einem Zielpunkt (Q), – Ermitteln einer Vielzahl von möglichen Routen (Rk) zwischen dem Startpunkt (P) und dem Zielpunkt (Q), wobei jede Route (Rk) Streckenabschnitte (Ai,k), die mindestens einen der Streckenabschnitte (Ai) des Streckennetzes (H) umfassen, aufweisen, – Ermitteln eines jeweiligen relativen Reisezeitverlusts (ui,k) für jeden Streckenabschnitt (Ai,k) jeder Route (Rk) bei einer jeweiligen Verkehrscharakteristik (Ci,k) auf jedem Streckenabschnitt (Ai,k) jeder Route (Rk), – Zuordnen der ermittelten relativen Reisezeitverluste (ui,k) der Streckenabschnitte (Ai,k) der Routen (Rk) zu jedem Streckenabschnitt (Ai) des Streckennetzes (H), – Ermitteln einer jeweiligen Gewichtung (Wi,k) der relativen Reisezeitverluste (ui,k) für jeden Streckenabschnitt (Ai,k) jeder Route (Rk) bei einer jeweiligen Verkehrscharakteristik (Ci,k) auf jedem Streckenabschnitt (Ai,k) jeder Route (Rk), – Zuordnen der ermittelten Gewichtungen (Wi,k) der Streckenabschnitte (Ai,k) der Routen (Rk) zu jedem Streckenabschnitt (Ai) des Streckennetzes (H), – Ermitteln einer Wahrscheinlichkeitsverteilung (F(ui|Ai, Ci; λi)) der relativen Reisezeitverluste (ui) für jeden Streckenabschnitt (Ai) des Streckennetzes (H) bei der dem jeweiligen Streckenabschnitt (Ai) zugeordneten Verkehrscharakteristik (Ci) und einem dem jeweiligen Streckenabschnitt (Ai) zugeordneten Kalibrierungsparameter (λi).
  2. Verfahren nach Anspruch 1, wobei der jeweilige relative Reisezeitverlust (ui,k) in Abhängigkeit von der zwischen dem Startpunkt (P) und dem Zielpunkt (Q) gemessenen Reisezeit (TPQ) und einer auf dem jeweiligen Streckenabschnitt (Ai,k) jeder Route (Rk) zwischen dem Startpunkt (P) und dem Zielpunkt (Q) vorgegebenen minimalen Reisezeit (Tmin) ermittelt wird.
  3. Verfahren nach Anspruch 2, – wobei die minimale Reisezeit (Tmin) zwischen dem Startpunkt (P) und dem Zielpunkt (Q) aus einer Summe von jeweiligen den Streckenabschnitten (Ai) der Route (Rk) zugeordneten freien Reisezeiten (Tfree,i) ermittelt wird, – wobei die dem jeweiligen Streckenabschnitt (Ai) zugeordnete freie Reisezeit (Tfree,i) in Abhängigkeit von der Länge des jeweiligen Streckenabschnitts (Ai) der Route (Rk) und der dem jeweiligen Streckenabschnitt (Ai) der Route (Rk) zugeordneten freien Reisegeschwindigkeit (Vfree,i) ermittelt wird.
  4. Verfahren nach Anspruch 3, wobei die dem jeweiligen Streckenabschnitt (Ai) der Route (Rk) zugeordnete freie Reisegeschwindigkeit (Vfree,i) aus einer digitalen Karte erhalten wird.
  5. Verfahren nach einem der Ansprüche 1 bis 4, umfassend: Ermitteln der Vielzahl von möglichen Routen (Rk) und der relativen Reisezeitverluste (ui,k) auf den jeweiligen Streckenabschnitten (Ai,k) der Routen (Rk) durch folgende Schritte (a) bis (d): (a) Ermitteln einer zeitlich kürzesten Route (R0) mit Streckenabschnitten (Ai,0) durch Auswerten einer vorgegebenen Reisezeitendatenbank, (b) Ermitteln der relativen Reisezeitverluste (ui,0) der jeweiligen Streckenabschnitte (Ai,0) der zeitlich kürzesten Route (R0), (c) Ermitteln von weiteren Routen (Rk) mit jeweiligen Streckenabschnitten (Ai,k), wobei die jeweilige minimale Reisezeit (Tmin) der weiteren Routen (Rk) kleiner als die auf der jeweiligen weiteren Route gemessene Reisezeit (TPQ) ist, (d) Ermitteln der relativen Reisezeitverluste (ui,k) der jeweiligen Streckenabschnitte (Ai,k) der weiteren Routen (Rk).
  6. Verfahren nach Anspruch 5, wobei ein Widerstand der jeweiligen Streckenabschnitte (Ai,k) der Routen (Rk) nach dem Schritt des Ermittelns des relativen Reisezeitverlusts (ui,k) der jeweiligen Streckenabschnitte (Ai,k) der Routen (Rk) erhöht wird.
  7. Verfahren nach einem der Ansprüche 1 bis 6, umfassend: – Ermitteln eines Reisezeit-Erwartungswertes (T(Rk)) für jede der ermittelten Routen (Rk) – Ermitteln der jeweiligen Gewichtung (Wi,k) der relativen Reisezeitverluste (ui,k) für jeden Streckenabschnitt (Ai,k) jeder Route (Rk) in Abhängigkeit von den ermittelten Reisezeit-Erwartungswerten (T(Rk)).
  8. Verfahren nach einem der Ansprüche 1 bis 4, umfassend: – Ermitteln eines Wahrscheinlichkeitsverteilungsmodells (F0(ui|Ai, Ci; λi)) von relativen Reisezeitverlusten (ui) für jeden Streckenabschnitt (Ai) des Streckennetzes (H) bei der jeweiligen Verkehrscharakteristik (Ci) auf jedem Streckenabschnitt (Ai) des Streckennetzes (H) durch Auswerten einer vorgegebenen Reisezeitendatenbank, – Ermitteln der Vielzahl der möglichen Routen (Rk) und Ermitteln der jeweiligen relativen Reisezeitverluste (ui,k) auf jedem Streckenabschnitten (Ai,k) der Routen (Rk) durch mehrfaches Wiederholen der folgenden Schritte (a) bis (c): (a) Ermitteln einer zufälligen Reisezeit auf jedem Streckenabschnitt (Ai) des Streckennetzes (H) durch Ziehen von dem Wahrscheinlichkeitsverteilungsmodell (F0(ui|Ai, Ci; λi)) und Zuordnen jeweils einer der zufällig ermittelten Reisezeiten zu jedem Streckenabschnitt (Ai) des Streckennetzes (H), (b) Ermitteln einer zeitlich kürzesten Route (Rk) zwischen dem Startpunkt (P) und dem Zielpunkt (Q) anhand der den Streckenabschnitten (Ai) des Streckennetzes (H) zugeordneten Reisezeiten, (c) Ermitteln der relativen Reisezeitverluste (ui,k) der jeweiligen Streckenabschnitte (Ai,k) der zeitlich kürzesten Route (Rk).
  9. Verfahren nach Anspruch 8, umfassend: Ermitteln der jeweiligen Gewichtung (Wi,k) der relativen Reisezeitverluste (ui,k) der Streckenabschnitte (Ai,k) der Routen (Rk) in Abhängigkeit einem Wert, der proportional zum dem Reziproken der Anzahl der mehrfachen Wiederholungen zum Ermitteln der Vielzahl von möglichen Routen (Rk) und der relativen Reisezeitverluste (ui,k) der Streckenabschnitte (Ai,k) der Routen (Rk) ist.
  10. Verfahren nach einem der Ansprüche 1 bis 9, wobei die relativen Reisezeitverluste des ersten und des letzten Streckenabschnitts von jeder der Routen (Rk) bei dem Zuordnen der jeweiligen relativen Reisezeitverluste (ui,k) der Streckenabschnitte (Ai,k) der Routen (Rk) zu den Streckenabschnitten (Ai) des Teilnetzes (H) unberücksichtigt bleiben.
  11. Verfahren nach einem der Ansprüche 1 bis 10, umfassend: Ermitteln eines jeweiligen geschätzten Mittelwerts der relativen Reisezeitverluste (û(i, C, m)) in Abhängigkeit von einer jeweiligen Anzahl (m) von relativen Reisezeitverlusten (ui,k) und Gewichtungen (Wi,k), die jedem Streckenabschnitt (Ai) des Streckennetzes (H) bei der jeweiligen Verkehrscharakteristik (Ci) auf dem Streckenabschnitt (Ai) zugeordnet worden sind.
  12. Verfahren nach Anspruch 11, umfassend: wobei bei dem Ermitteln von dem geschätzten Mittelwert der relativen Reisezeitverluste (û(i, C, m)) Ausreißer von relativen Reisezeitverlusten (ui,k) der Streckenabschnitte (Ai,k) der Routen (Rk) unberücksichtigt bleiben.
  13. Verfahren nach einem der Ansprüche 1 bis 12, wobei die Wahrscheinlichkeitsverteilung (F(ui|Ai, Ci; λi)) der relativen Reisezeitverluste (ui) für jeden Streckenabschnitt (Ai) des Streckennetzes (H) als eine Gammaverteilung modelliert wird.
DE102012202463A 2012-02-17 2012-02-17 Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank Pending DE102012202463A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
DE102012202463A DE102012202463A1 (de) 2012-02-17 2012-02-17 Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank
PCT/EP2013/052465 WO2013120765A1 (de) 2012-02-17 2013-02-07 Verfahren zu einem modellaufbau für eine reisezeitendatenbank
CN201380014906.2A CN104169986B (zh) 2012-02-17 2013-02-07 用于为旅行时间数据库建立模型的方法
US14/460,979 US9122983B2 (en) 2012-02-17 2014-08-15 Method for model construction for a travel-time database

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102012202463A DE102012202463A1 (de) 2012-02-17 2012-02-17 Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank

Publications (1)

Publication Number Publication Date
DE102012202463A1 true DE102012202463A1 (de) 2013-08-22

Family

ID=47747572

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102012202463A Pending DE102012202463A1 (de) 2012-02-17 2012-02-17 Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank

Country Status (4)

Country Link
US (1) US9122983B2 (de)
CN (1) CN104169986B (de)
DE (1) DE102012202463A1 (de)
WO (1) WO2013120765A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015205901A1 (de) * 2015-04-01 2016-10-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Berechnung einer Route für ein Landfahrzeug
DE102021105556A1 (de) 2021-03-08 2022-09-08 Bayerische Motoren Werke Aktiengesellschaft Bestimmen von Reiseinformationen

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180534B (zh) * 2017-07-03 2019-11-15 华南理工大学 支持向量回归机融合的高速公路路段平均速度估计方法
CN109144097B (zh) 2018-08-15 2021-04-06 广州极飞科技有限公司 障碍物或地面识别及飞行控制方法、装置、设备及介质
CN110211381B (zh) * 2019-06-05 2021-02-09 杭州中奥科技有限公司 交通线路分配方法及装置
CN111754771B (zh) * 2020-06-22 2021-11-30 中山大学 一种基于交通信号和密度延误的个体行程时间预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050093720A1 (en) * 2003-10-16 2005-05-05 Hitachi, Ltd. Traffic information providing system and car navigation system
US20090319172A1 (en) * 2007-04-26 2009-12-24 Timebi, Lda Travel time prediction system
US20110082636A1 (en) * 2006-03-03 2011-04-07 Inrix, Inc. Dynamic time series prediction of future traffic conditions

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4361202A (en) * 1979-06-15 1982-11-30 Michael Minovitch Automated road transportation system
US6650948B1 (en) * 2000-11-28 2003-11-18 Applied Generics Limited Traffic flow monitoring
WO2003029922A2 (en) * 2001-10-01 2003-04-10 Kline & Walker, Llc Pfn/trac system faa upgrades for accountable remote and robotics control
US7706964B2 (en) * 2006-06-30 2010-04-27 Microsoft Corporation Inferring road speeds for context-sensitive routing
DE102007060590A1 (de) * 2007-12-13 2009-06-18 Deutsche Telekom Ag Verfahren zur Auswahl einer Route für eine dynamische Navigation von Individualverkehr
WO2009116105A2 (en) * 2008-03-21 2009-09-24 Gianfranco Antonini A traffic assignment method for multimodal transportation networks
US20110320113A1 (en) * 2010-06-25 2011-12-29 Gm Global Technology Operations, Inc. Generating driving route traces in a navigation system using a probability model
JP5618857B2 (ja) * 2011-02-15 2014-11-05 株式会社日立製作所 資源運用計画作成装置および資源運用計画作成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050093720A1 (en) * 2003-10-16 2005-05-05 Hitachi, Ltd. Traffic information providing system and car navigation system
US20110082636A1 (en) * 2006-03-03 2011-04-07 Inrix, Inc. Dynamic time series prediction of future traffic conditions
US20090319172A1 (en) * 2007-04-26 2009-12-24 Timebi, Lda Travel time prediction system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Nadi S; Delavar M R: Multi-criteria, personalized route planning using quantifier-guided ordered weighted averaging operatorsINTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION, VOL 13 (2011), page 322-335Elsevier, AMSTERDAM, NL, 2011-01-05, ISSN 0303-2434 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015205901A1 (de) * 2015-04-01 2016-10-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Berechnung einer Route für ein Landfahrzeug
DE102021105556A1 (de) 2021-03-08 2022-09-08 Bayerische Motoren Werke Aktiengesellschaft Bestimmen von Reiseinformationen

Also Published As

Publication number Publication date
CN104169986A (zh) 2014-11-26
US9122983B2 (en) 2015-09-01
CN104169986B (zh) 2016-10-26
US20150046387A1 (en) 2015-02-12
WO2013120765A1 (de) 2013-08-22

Similar Documents

Publication Publication Date Title
DE102007037920B4 (de) Verkehrszustands-Vorhersagevorrichtung
DE102012202463A1 (de) Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank
DE102012023561B4 (de) Verfahren zur verkehrsflussbedingten Adaption von Anhaltevorgängen an ein synthetisch moduliertes Geschwindigkeitsprofil entlang einer mit einem Fahrzeug gefahrenen Strecke sowie Steuergerät zur Durchführung des Verfahrens
DE102012201472A1 (de) Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen
DE102012213048B4 (de) Vorrichtung zum Aktualisieren einer Fahrzeitabschätzung
WO2018108559A2 (de) Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie
DE102012204306A1 (de) Verfahren zur Steuerung eines Bereitstellens von Verkehrsinformationsdaten zur Aktualisierung einer Verkehrsinformation
EP3611709A1 (de) Verkehrsflusssimulator
DE19856704A1 (de) Verfahren und Vorrichtung zur Fahrzeugzielführung und/oder Reisezeitschätzung
DE19633884A1 (de) Verfahren zur fehlertoleranten Positionsermittlung eines Objekts
DE102013000385A1 (de) Verfahren und Navigationssystem zum Ermitteln eines Fahrroutenvorschlags für eine bevorstehende Fahrt mit einem Kraftwagen
DE19928082A1 (de) Filterungsverfahren zur Bestimmung von Reisegeschwindigkeiten bzw. -zeiten und Domänen-Restgeschwindigkeiten
DE102017218383A1 (de) Verfahren und Vorrichtung zum Ermitteln eines Reibwertes einer Fahrbahn
DE10108611A1 (de) Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz
WO2020020621A1 (de) Verfahren und vorrichtung zur reichweitenschätzung für ein fahrzeug
DE102016220561A1 (de) Verfahren zur Ermittlung von Fahrrouten für Landfahrzeuge
DE102018006332A1 (de) Verfahren zum Ermitteln von Ampelschaltzeiten
DE102021207368A1 (de) Vorrichtung und verfahren zum vorhersagen von verkehrsinformationen
DE102015205901A1 (de) Verfahren zur Berechnung einer Route für ein Landfahrzeug
DE102016216538A1 (de) Verfahren zum Betreiben einer Steuervorrichtung eines Kraftfahrzeugs, Steuervorrichtung und Kraftfahrzeug
DE102010064063B4 (de) Verfahren und Vorrichtung zur rechnergestützten Prognose eine Fahrtdauer eines Fahrzeugs auf einer Route aus einem oder mehreren Routensegmenten
DE102021204191B4 (de) Vorrichtung und Verfahren zur echtzeit-basierten dynamischen Verkehrszuordnung für zumindest zwei nachfolgende Fahrbahnen
DE102019002594A1 (de) Verfahren zur Aktualisierung einer optimalen Routenführung
DE102018217610A1 (de) Verfahren zur Luftqualitätsoptimierung, Steuerung, Fahrzeug und System zur Durchführung des Verfahrens
DE10234367B3 (de) Verfahren zur Abbildung des Verkehrszustandes und System zur Verkehrsorganisation

Legal Events

Date Code Title Description
R163 Identified publications notified
R012 Request for examination validly filed
R016 Response to examination communication