EP1032927B1 - Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters - Google Patents

Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters Download PDF

Info

Publication number
EP1032927B1
EP1032927B1 EP98958804A EP98958804A EP1032927B1 EP 1032927 B1 EP1032927 B1 EP 1032927B1 EP 98958804 A EP98958804 A EP 98958804A EP 98958804 A EP98958804 A EP 98958804A EP 1032927 B1 EP1032927 B1 EP 1032927B1
Authority
EP
European Patent Office
Prior art keywords
traffic
parameter
parameters
data
time
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.)
Expired - Lifetime
Application number
EP98958804A
Other languages
English (en)
French (fr)
Other versions
EP1032927A1 (de
Inventor
Ulrich Dr. Dipl.-Phys. Fastenrath
Martin Dr. Dipl.-Phys. Hilliges
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.)
DDG Gesellschaft fuer Verkehrsdaten mbH
Original Assignee
DDG Gesellschaft fuer Verkehrsdaten mbH
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 DDG Gesellschaft fuer Verkehrsdaten mbH filed Critical DDG Gesellschaft fuer Verkehrsdaten mbH
Publication of EP1032927A1 publication Critical patent/EP1032927A1/de
Application granted granted Critical
Publication of EP1032927B1 publication Critical patent/EP1032927B1/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions

Definitions

  • the invention relates to a method for predicting the state of a system representing parameters, in particular one the state of a Traffic network representing traffic parameters.
  • a forecast of a traffic network condition Traffic parameters for a future time can be considered This parameter takes place over time.
  • the periodic courses of the Traffic parameters also called aisle lines, can be derived from traffic data this traffic parameter at different times through statistical Compression can be obtained.
  • a curve (i.e. a course) of one Traffic parameters for example, the course during the time of day certain day of the week, during a week and / or during the year. History of traffic parameters compressed and stored as curve lines can be provided with selection characteristics so that a forecast can be made using Compare, for example, the current situation with at least one Selection feature of at least one curve is possible. It is problematic Among other things, that the current situation regarding a selection parameter for a Hydrograph not sufficiently reliable on the future to be forecast The course of the traffic parameter represented by this curve can be concluded.
  • the object of the present invention is the most efficient optimization of forecasts, in particular traffic forecasts.
  • the object is achieved by the method of independent claim 1.
  • a method according to the invention optimizes forecasts of parameters, in particular traffic parameters.
  • a parameter of a system in particular a traffic parameter of a traffic network, can be predicted with high quality on the basis of data relating to a second parameter of the system and at least one corridor. This is particularly advantageous in cases in which the future course of a traffic parameter to be predicted can be better concluded on the basis of current values of another traffic parameter than on the basis of the current values of the first traffic parameter.
  • Such a method could also be used as coupled melting (statistical Condensing actual courses of parameters) and probabilistic Selection.
  • To move lines (courses) of traffic parameters received actual courses are examined and together with Selection characteristics (for example, actual values or trends for certain Times). It also examines the dependencies between different traffic parameters exist to make a forecast of a first one Allow parameters based on data to a second parameter.
  • the fixed or time-dependent strength of couplings is preferred in each case At least two parameters are examined and saved.
  • a reduction in the weighting of a coupling is also particularly advantageous between two or more parameters over time, so outdated couplings automatically weaken and / or suppress. In particular, this can take place if the volume of curve data becomes very large over time.
  • a probabilistic selection of a curve can be to make a prognosis of a parameter for a future point in time based on data on a other parameters at the current time for the selection of a curve Forecast the likelihood of taking that into account due to a measurement of the second parameter, a certain curve shows a good prognosis for the first Allows parameters.
  • This likelihood can be referred to as the baseline Key figure for the coupling of two quantities can be stored and for forecasting be retrieved.
  • the probability can be in addition to the coupling strength of two Parameters also the distance of the measurement of the second parameter from one to the other
  • the prognosis used the curve of the second parameter or another Take the curve into account.
  • a self-correction of the chart base is preferably carried out by carrying one Error curve, in which deviations from predicted courses of actual courses for the correction of hydrographs are taken into account.
  • a continuous correction of the key figures is also necessary for self-correction Coupling strength appropriate for at least two parameters; in particular large deviations from actual values to predicted values can to weaken, slight deviations of the actual values from the Predicted values can lead to strengthening of a coupling.
  • the method can in particular be implemented as a program in a traffic control center become;
  • a database with corridors can be found (Courses of traffic-related or other parameters) and / or a Database with key figures for coupling at least two parameters include.
  • traffic data 1 of floating cars FCD
  • Traffic data 2 from above-ground detectors SES data
  • traffic data 3 of induction loop data VIZ
  • one of the two in box 4 curves 5, 6 of a traffic parameter shown as examples.
  • step 5 the courses (5,6 etc.) of FCD data 1, SES data 2, VIZ data 3 coupled melted, so taking into account couplings Chart lines, chart-related selection features and couplings between Figures representing traffic parameters are statistically condensed and in one Forecast database stored.
  • the course of the number of Cars in a route section on a working day the course of the number of Cars on a section at the weekend, the history of the number of trucks a section on a working day, the history of trucks on a section a Sunday each with its own curve (chronological progression on one Day of the week at one position) are statistically summarized and with Selection characteristics. Selection characteristics can, for example the number of cars at a given time, the number of trucks at one certain time etc.
  • Selection characteristics are at least one in each case or possibly also assigned to several curve lines. If currently a selection feature or several selection characteristics of a curve are fulfilled, for example if currently (early in the morning) the number of trucks is above a certain value it can be concluded that a certain curve (truck / working day) is current is being followed. This can be a forecast for the data measured associated traffic parameters at a future time or according to the invention for a traffic parameter not assigned to the measured data future time will be created. That curve of a traffic parameter, which is most likely to be the future based on measured current data Represents the course of a traffic parameter, which is also selected as probabilistic selection can be called.
  • Figure 2 shows an example of a probabilistic selection. Lying in the early morning Traffic data on the current number of cars and the current number of trucks in ahead of a section of road. The number of cars in a section of road for a future point in time, namely late in the morning, is to be forecast. by virtue of the current (early morning) number of cars, this is not possible because the Movement lines of cars hardly work on weekdays and early in the morning on weekends differ. On the other hand, the number clearly differs early in the morning of trucks in a curve for a weekday and a curve for one Sunday course.
  • the coupling can be taken into account in binary or quantized form. If several The most likely pathway can be selected.
  • the method was developed to forecast traffic parameters.
  • another parameter can also be predicted according to the invention. For example from the morning car flow to the midday pollutant concentration be closed etc.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

Die Erfindung betrifft ein Verfahren zur Prognose eines den Zustand eines Systems repräsentierenden Parameters, insbesondere eines den Zustand eines Verkehrsnetzes repräsentierenden Verkehrsparameters.
Eine Prognose eines den Zustand eines Verkehrsnetzes betreffenden Verkehrsparameters für einen künftigen Zeitpunkt kann unter Berücksichtigung zeitperiodischer Verläufe dieses Parameters erfolgen. Die periodischen Verläufe des Verkehrsparameters, auch bezeichnet als Ganglinien, können aus Verkehrsdaten zu diesem Verkehrsparameter zu unterschiedlichen Zeitpunkten durch statistische Verdichtung gewonnen werden. Eine Ganglinie (also ein Verlauf) eines Verkehrsparameters kann beispielsweise der Verlauf während der Tageszeit eines bestimmten Wochentages, während einer Woche oder/und während des Jahres sein. Als Ganglinien komprimierte und gespeicherte Verläufe von Verkehrsparametern können mit Selektionsmerkmalen versehen werden, so daß eine Prognose durch Vergleich beispielsweise der aktuellen Situation mit mindestens einem Selektionsmerkmal mindestens einer Ganglinie möglich ist. Problematisch ist dabei u.a., daß die aktuelle Situation hinsichtlich eines Selektionsparameters zu einer Ganglinie nicht hinreichend zuverlässig auf den künftigen, zu prognostizierenden Verlauf des durch diese Ganglinie repräsentierten Verkehrsparameters schließen läßt.
Nächstliegender Stand der Technik ist die Literaturstelle "IOKIBE T ET AL: "TRAFFIC PREDICTION METHOD BY FUZZY LOGIC" PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS, SAN FRANCISCO", MAR. 28 - APR. 1, 1993, Bd. 2, Nr. CONF. 2, 29. März 1993, Seiten 673-678. Daraus ist ein Verfahren zur Prognose eines den Zustand eines Systems repräsentierenden Parameters bekannt, welches sich wie die Anmeldung auch Ganglinien bedient, die ermittelte Verläufe des Parameters zu verschiedenen Tagen in der Vergangenheit beinhalten. Die Ganglinien werden dabei mittels eines Fuzzy-Logic Verfahrens jeweils an aktuelle Abweichungen des Parameters angepaßt.. D1 arbeitet allerdings mit nur einem Parameter, dem aktuellen gezählten Verkehr als ganzes ("Traffic counter", Fig. 2).
Aufgabe der vorliegenden Erfindung ist eine möglichst effiziente Optimierung von Prognosen, insbesondere Verkehrsprognosen. Die Aufgabe wird durch das Verfahren des unabhängigen Anspruchs 1 gelöst.
Ein erfindungsgemäßes Verfahren optimiert Prognosen von Parametern, insbesondere Verkehrsparametern. Dabei kann ein Parameter eines Systems, insbesondere ein Verkehrsparameter eines Verkehrsnetzes, aufgrund von einen zweiten Parameter des Systems betreffenden Daten und mindestens einer Ganglinie qualitativ hochwertig prognostiziert werden. Dies ist insbesondere in Fällen von Vorteil, in welchen auf den künftigen zu prognostizierenden Verlauf eines Verkehrsparameters aufgrund aktueller Werte eines anderen Verkehrsparameters besser zu schließen ist als aufgrund der aktuellen Werte des ersteren Verkehrsparameters. Wenn beispielsweise am frühen Morgen eine Prognose für die PKW-Reisezeiten am späten Morgen erstellt werden soll, sind die aktuellen PKW-Reisezeiten ungeeignet für eine Prognose der künftigen PKW-Reisezeiten, da frühmorgens wochentags wie am Wochenende noch kaum PKWs fahren, was jedoch keine Aussage über am späten Morgen fahrende PKWs ist. Aus einem starken LKW-Fluß am frühen Morgen kann jedoch beispielsweise abgelesen werden, daß heute ein werktag-ähnlicher Verkehr stattfinden wird, so daß eine Prognose von PKW-Reisezeiten am späten Morgen aufgrund des LKW-Flusses am frühen Morgen besser möglich ist als aufgrund von PKW-Reisezeiten am frühen Morgen.
Ein derartiges Verfahren könnte auch als gekoppeltes Einschmelzen (statistisches Verdichten von tatsächlichen Verläufen von Parametern) und probabilistische Selektion bezeichnet werden. Um Ganglinien (Verläufe) von Verkehrsparametern zu erhalten, werden tatsächliche Verläufe untersucht und zusammen mit Selektionsmerkmalen (beispielsweise Istwerte oder Verläufe zu bestimmten Zeitpunkten) gespeichert. Ferner wird untersucht, welche Abhängigkeiten zwischen verschiedenen Verkehrsparametem bestehen, um eine Prognose eines ersten Parameters aufgrund von Daten zu einem zweiten Parameter zu ermöglichen. Vorzugsweise wird dabei die feste oder zeitabhängige Stärke von Kopplungen jeweils mindestens zweier Parameter untersucht und mit abgespeichert. Auch ist eine Aktualisierung der die Kopplungsstärke mindestens zweier Parameter repräsentierenden Kennzahl aufgrund aktueller tatsächlicher Verläufe der Parameter und/oder der Qualität von Prognosen möglich. In den gespeicherten Daten zu Ganglinien sind Kopplungen verschiedener Parameter mit berücksichtigt.
Vorteilhaft ist dabei ferner eine Berücksichtigung und Speicherung der Varianz (oder Variabilität) der zu einer Ganglinie verdichteten Verläufe eines Parameters und die Berücksichtigung der Varianz (oder Variabilität) bei der Prognose eines Parameters.
Vorteilhaft ist ferner insbesondere eine Verringerung der Gewichtung einer Kopplung zwischen zwei oder mehr Parametern im Laufe der Zeit, um so veraltete Kopplungen automatisch zu schwächen und/oder zu unterdrücken. Dies kann insbesondere erfolgen, falls die Ganglinien-Datenmenge im Laufe der Zeit sehr groß wird.
Eine probabilistische Selektion einer Ganglinie kann darin bestehen, zur Prognose eines Parameters für einen künftigen Zeitpunkt aufgrund von Daten zu einem anderen Parameter zum aktuellen Zeitpunkt für die Selektion einer Ganglinie zur Prognose die Wahrscheinlichkeit zu berücksichtigen, daß aufgrund einer Messung des zweiten Parameters eine bestimmte Ganglinie eine gute Prognose für den ersten Parameter ermöglicht. Diese Wahrscheinlichkeit kann zur Ganglinienbasis als Kennzahl für die Kopplung zweier Größen abgespeichert sein und zur Prognose abgerufen werden. Die Wahrscheinlichkeit kann neben der Kopplungsstärke von zwei Parametern auch den Abstand der Messung des zweiten Parameters von einer zur Prognose verwendeten Ganglinie des zweiten Parameters oder einer anderen Ganglinie berücksichtigen.
Eine Selbstkorrektur der Ganglinienbasis erfolgt vorzugsweise durch Mitführen einer Fehlerganglinie, in welcher Abweichungen von prognostizierten Verläufen von tatsächlichen Verläufen zur Korrektur von Ganglinien berücksichtigt werden.
Zur Selbstkorrektur ist ferner eine laufende Korrektur der Kennzahlen zur Kopplungsstärke jeweils mindestens zweier Parameter zweckmäßig; insbesondere große Abweichungen von tatsächlichen Werten zu prognostizierten Werten können zur Abschwächung, geringe Abweichungen der tatsächlichen Werte von den prognostizierten Werten können zur Stärkung einer Kopplung führen.
Zweckmäßig ist insbesondere eine Realisierung als neuronales Netz.
Das Verfahren kann insbesondere als Programm in einer Verkehrszentrale realisiert werden; in der Verkehrszentrale kann insbesondere eine Datenbank mit Ganglinien (Verläufen von verkehrstechnischen oder anderen Parametern) und/oder eine Datenbank mit Kennzahlen zur Kopplung jeweils mindestens zweier Parameter umfassen.
Weitere Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung eines Ausführungsbeispiels anhand der Zeichnung. Dabei zeigt:
Fig. 1
als Blockschaltbild die statistische Verdichtung (Einschmelzen) von Verkehrsdaten zu Ganglinien und Kopplungskennzahlen für eine Prognosedatenbank sowie eine probabilistische Selektion zur Erstellung von Verkehrsprognosen,
Fig. 2
ein Beispiel einer Prognose eines Parameters aufgrund von aktuellen Daten zu einem anderen Parameter.
Im in Figur 1 gezeigten Beispiel werden Verkehrsdaten 1 von Floating-cars (FCD), Verkehrsdaten 2 von above-ground-Detektoren (SES-Daten) und Verkehrsdaten 3 von Induktionsschleifen-Daten (VIZ) an mehreren Orten zu mehreren Zeitpunkten gemessen, wobei sich an einem Ort beispielsweise einer der beiden im Kasten 4 beispielhaft dargestellten Verläufe 5, 6 eines Verkehrsparameters ergeben kann.
Im Schritt 5 werden die Verläufe (5,6 usw.) von FCD-Daten 1, SES-Daten 2, VIZ-Daten 3 gekoppelt eingeschmolzen, also unter Berücksichtigung von Kopplungen zu Ganglinien, ganglinienbezogenen Selektionsmerkmalen und Kopplungen zwischen Verkehrsparametern repräsentierenden Kennzahlen statistisch verdichtet und in einer Prognose-Datenbank abgelegt. Beispielsweise kann der Verlauf der Anzahl von PKWs in einem Streckenabschnitt an einem Werktag, der Verlauf der Anzahl von PKWs an einem Abschnitt am Wochenende, der Verlauf der Anzahl von LKWs an einem Abschnitt an einem Werktag, der Verlauf von LKWs an einem Abschnitt an einem Sonntag jeweils zu einer eigenen Ganglinie (zeitlicher Verlauf an einem Wochentag an einer Position) statistisch verdichtet werden und mit Selektionsmerkmalen versehen werden. Selektionsmerkmale können beispielsweise die Anzahl von PKWs zu einer bestimmen Uhrzeit, die Anzahl von LKWs zu einer bestimmten Uhrzeit etc. sein. Selektionsmerkmale sind jeweils zumindestens einer oder evtl. auch mehreren Ganglinien zugeordnet. Wenn akutell ein Selektionsmerkmal oder mehrere Selektionsmerkmale einer Ganglinie erfüllt sind, beispielsweise wenn aktuell (frühmorgens) die Anzahl der LKWs über einem bestimmten Wert liegt, kann darauf geschlossen werden, daß eine bestimmte Ganglinie (LKW/werktag) aktuell verfolgt wird. Hieraus kann eine Prognose für den zu den gemessenen Daten gehörenden Verkehrsparameter zu einem künftigen Zeitpunkt oder erfindungsgemäß für einen nicht zu den gemessenen Daten zugeordneten Verkehrsparameter zu einem künftigen Zeitpunkt erstellt werden. Diejenige Ganglinie eines Verkehrsparameters, welche aufgrund gemessener aktueller Daten am wahrscheinlichsten den künftigen Verlauf eines Verkehrsparameters repräsentiert, wird ausgewählt, was auch als probabilistische Selektion bezeichnet werden kann.
Figur 2 zeigt ein Beispiel einer probabilistischen Selektion. Am frühen Morgen liegen Verkehrsdaten zur aktuellen Anzahl von PKWs und zur aktuellen Anzahl von LKWs in einem Straßenabschnitt vor. Die Anzahl von PKWs in einem Straßenabschnitt für einen künftigen Zeitpunkt, nämlich spätmorgens, soll prognostiziert werden. Aufgrund der aktuellen (frühmorgens) Anzahl von PKWs ist dies nicht möglich, da sich die Ganglinien von PKWs werktags und am Wochenende frühmorgens kaum unterscheiden. Hingegen unterscheiden sich bereits frühmorgens deutlich die Anzahl von LKWs in einer Ganglinie für einen Werktags-Verlauf und einer Ganglinie für einen Sonntags-Verlauf. Aufgrund der Zahl von LKWs frühmorgens auf einer Werktags-Ganglinie kann deshalb darauf geschlossen werden, daß sich die Anzahl der PKWs auf einer Werktags-Ganglinie weiterentwickeln wird und daß deshalb spätmorgens die Anzahl der PKWs auf der PKW-Ganglinie für spätmorgens zutreffend ist. Die Kopplung der PKW-Werktags-Ganglinie und der LKW-Werktags-Ganglinie betrifft somit insbesondere das gemeinsame Merkmal "werktags". Dieses Kopplungs-Merkmal muß jedoch nicht grundsätzlich zur Prognose bekannt sein.
Die Kopplung kann binär oder quantisiert berücksichtigt werden. Wenn mehrere Ganglinien in Frage kommen, kann die wahrscheinlichste ausgewählt werden.
Das Verfahren wurde zur Prognose von Verkehrsparametern entwickelt. Jedoch ist auch ein anderer Parameter erfindungsgemäß prognostizierbar. Beispielsweise kann aus dem morgendlichen PKW-Fluß auf die mittägliche Schadstoff-Konzentration geschlossen werden etc.

Claims (14)

  1. Verfahren zur Prognose eines ersten den Zustand eines Systems repräsentierenden Parameters,
    wobei einen zweiten Parameter des Systems betreffende Daten mindestens einer von mehreren, einen zeitlichen Venauf des ersten und den Zustand des Systems repräsentierenden Parameters repräsentierende Ganglinien zugeordnet
    werden,
    und der erste Parameter aufgrund der Daten und der mindestens einen zugeordneten Ganglinie für einen künftigen Zeitpunkt prognostiziert wird.
  2. Verfahren nach Anspruch 1,
    dadurch gekennzeichnet, daß das System ein Verkehrsnetz ist,
    daß die Parameter den Zustand des Verkehrsnetzes repräsentierende Verkehrsparameter sind,
    daß die Daten einen Verkehrsparameter betreffende Verkehrsdaten für mindestens einen Zeitpunkt sind.
  3. Verfahren nach Anspruch 1 oder 2,
    dadurch gekennzeichnet, daß mehrere Ganglinien für die Prognose berücksichtigt werden.
  4. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß jeweils für die Zuordnung der Daten zu einer Ganglinie eine die Wahrscheinlichkeit der richtigen Zuordnung und/oder Realitätsapproximations-Genauigkeit der Zuordnung der Daten zu dieser Ganglinie repräsentierende Kennzahl bestimmt wird.
  5. Verfahren nach Anspruch 4,
    dadurch gekennzeichnet, daß aufgrund der Kennzahl die Gewichtung mehrerer Ganglinien bei der Prognose festgelegt wird.
  6. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß eine Kennzahl (= Kopplungsgrad) für zwei Parameter aufgrund bisheriger zeitlicher Verläufe der Parameter festgelegt wird.
  7. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß eine Kennzahl zu zwei Parametern aufgrund jeweils aktueller Daten zu den zwei Parametern wiederholt aktualisiert wird.
  8. Verfahren nach Anspruch 7,
    dadurch gekennzeichnet, daß bei der Aktualisierung einer Kennzahl aktuellere Daten stärker berücksichtigt werden als ältere Daten.
  9. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß die Varianz (= Variabilität) der zu einer Ganglinie verdichteten Verläufe von Parametern bestimmt und bei der Festlegung einer Kennzahl und/oder einer Prognose berücksichtigt wird.
  10. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß Kennlinien mit einem über einem Schwellwert liegenden Alter seit ihrer letzten Aktualisierung gelöscht werden.
  11. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß die Kennzahl (= Kopplungsgrad) mehr als binär quantifiziert ist und den Grad der Kopplung zweier Parameter repräsentiert.
  12. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß das Verfahren in einem neuronalen Netz abläuft.
  13. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß eine Ganglinie aufgrund des bestimmten zeitlichen Verlaufs eines Parameters bestimmt wird.
  14. Verfahren nach einem der vorhergehenden Ansprüche,
    dadurch gekennzeichnet, daß die in einer Verkehrszentrale erstellte Prognose berücksichtigende Daten per Funk, insbesondere Mobilfunk, insbesondere GSM-SMS, an einen Verkehrsteilnehmer übermittelt werden.
EP98958804A 1997-11-18 1998-09-25 Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters Expired - Lifetime EP1032927B1 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE19753034A DE19753034A1 (de) 1997-11-18 1997-11-18 Verfahren zur Prognose eines den Zustand eines Systems repräsentierenden Parameters, insbesondere eines den Zustand eines Verkehrsnetzes repräsentierenden Verkehrsparameters und Vorrichtung zum Durchführen des Verfahrens
DE19753034 1997-11-18
PCT/DE1998/002932 WO1999026210A1 (de) 1997-11-18 1998-09-25 Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters und vorrichtung zum durchführen des verfahrens

Publications (2)

Publication Number Publication Date
EP1032927A1 EP1032927A1 (de) 2000-09-06
EP1032927B1 true EP1032927B1 (de) 2003-03-26

Family

ID=7850246

Family Applications (1)

Application Number Title Priority Date Filing Date
EP98958804A Expired - Lifetime EP1032927B1 (de) 1997-11-18 1998-09-25 Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters

Country Status (4)

Country Link
EP (1) EP1032927B1 (de)
AT (1) ATE235729T1 (de)
DE (2) DE19753034A1 (de)
WO (1) WO1999026210A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568205A (zh) * 2012-01-10 2012-07-11 吉林大学 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19944075C2 (de) * 1999-09-14 2002-01-31 Daimler Chrysler Ag Verfahren zur Verkehrszustandsüberwachung für ein Verkehrsnetz mit effektiven Engstellen
DE10022812A1 (de) * 2000-05-10 2001-11-22 Daimler Chrysler Ag Verfahren zur Verkehrslagebestimmung auf Basis von Meldefahrzeugdaten für ein Verkehrsnetz mit verkehrsgeregelten Netzknoten
DE10036789A1 (de) * 2000-07-28 2002-02-07 Daimler Chrysler Ag Verfahren zur Bestimmung des Verkehrszustands in einem Verkehrsnetz mit effektiven Engstellen
DE10163505A1 (de) * 2001-12-21 2003-07-17 Siemens Ag Verfahren zur Untersuchung einer Messgröße
DE10200492B4 (de) * 2002-01-03 2004-02-19 DDG GESELLSCHAFT FüR VERKEHRSDATEN MBH Verfahren zur selbstkonsistenten Schätzung von prädiktiven Reisezeiten bei Verwendung von mobilen oder stationären Detektoren zur Messung erfahrener Reisezeiten
DE102004013020A1 (de) 2004-03-16 2005-10-06 Epoq Gmbh Prognoseverfahren und -vorrichtung zur Bewertung und Vorhersage stochastischer Ereignisse
DE102005055245A1 (de) * 2005-11-19 2007-05-31 Daimlerchrysler Ag Verfahren zur Erstellung einer Verkehrsmusterdatenbank
AT503846B1 (de) * 2006-07-03 2008-07-15 Hofkirchner Hubertus Mag Verahren und system zur automatisierten ermittlung von optimierten prognosen
CN102542801B (zh) * 2011-12-23 2014-10-08 北京易华录信息技术股份有限公司 一种融合多种交通数据的交通状况预测系统及方法
CN109448361B (zh) * 2018-09-18 2021-10-19 云南大学 居民交通出行流量预测系统及其预测方法
CN110910659B (zh) * 2019-11-29 2021-08-17 腾讯云计算（北京）有限责任公司 一种交通流量预测方法、装置、设备以及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5539645A (en) * 1993-11-19 1996-07-23 Philips Electronics North America Corporation Traffic monitoring system with reduced communications requirements
DE19604083B4 (de) * 1995-03-23 2006-06-29 T-Mobile Deutschland Gmbh Verfahren zur Parametrisierung von Fahrzeugrouten in Fahrzeugleit- und/oder Informationssystemen
EP0740280B1 (de) * 1995-04-28 1999-07-28 INFORM Institut für Operations Research und Management GmbH Verfahren zur Störungserkennung im Strassenverkehr

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568205A (zh) * 2012-01-10 2012-07-11 吉林大学 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法
CN102568205B (zh) * 2012-01-10 2013-12-04 吉林大学 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法

Also Published As

Publication number Publication date
WO1999026210A8 (de) 1999-07-15
DE19753034A1 (de) 1999-06-17
ATE235729T1 (de) 2003-04-15
WO1999026210A1 (de) 1999-05-27
DE59807678D1 (de) 2003-04-30
EP1032927A1 (de) 2000-09-06

Similar Documents

Publication Publication Date Title
EP1032927B1 (de) Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters
DE60132340T2 (de) Verfahren und system zur bereitstellung von verkehrs- und verkehrsbezogenen informationen
EP1614996B1 (de) Verfahren und Routenplanungssystem zur dynamischen Routenplanung
EP1026649B1 (de) Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation
EP0880120B1 (de) Verfahren zur Erfassung und Meldung von Verkehrslagedaten
DE19643454C2 (de) Verfahren und Vorrichtung zur Übermittlung von Daten zur Verkehrslagebeurteilung
EP0752692B1 (de) Verfahren und System zur Aktualisierung von digitalen Strassenkarten
DE60126938T2 (de) Methode, Vorrichtung and Speichermedium zur Bestimmung von einer möglichen Zugkollision
DE10037827B4 (de) Fahrzeugautonomes Verkehrsinformationssystem
EP0943137A1 (de) Verfahren zur übertragung von ortsdaten und messdaten von einem endgerät, insbesondere telematikendgerät an eine verkehrszentrale
DE69937319T2 (de) Fahrzeugverteilungssystem
DE10057796A1 (de) Verfahren zur fahrzeugindividuellen Verkehrszustandsprognose
DE102006017845A1 (de) System und Verfahren zur Parkbuchtreservierung für LKWs
EP2116981A2 (de) Verfahren und Vorrichtung zur Ermittlung von Rückstaulängen an Lichtsignalanlagen
DE10063763A1 (de) Verfahren und Vorrichtung zur Erzeugung und Ausgabe von streckenbezogenen Routeninformationen
EP1466140B1 (de) Verfahren zum bestimmen einer reisezeit
DE102014006551A1 (de) Verfahren zum Erstellen einer Schaltprognose für eine Ampel
WO2021239412A1 (de) Verfahren zur prognose eines transportbedarfs
DE102010001276A1 (de) Verfahren und Kommunikationssystem zum Verteilen von Straßenverkehrsinformationen an Empfangseinrichtungen in Fahrzeugen
DE10110549B4 (de) Verkehrsinformationssystem für Fahrzeuge auf einem Verkehrswegenetz
DE19944891A1 (de) Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung
DE19751741C2 (de) Flottendispositionsverfahren
DE10225033A1 (de) Verfahren zur Gewinnung von Verkehrsinformationen, wie Stau, Verkehrsdichte oder Geschwindigkeit
DE19905284A1 (de) Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung
DE10350679A1 (de) Verfahren zur gangliniengestützten Verkehrsprognose

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20000504

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

17Q First examination report despatched

Effective date: 20010907

GRAH Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOS IGRA

RTI1 Title (correction)

Free format text: METHOD FOR PREDICTING A PARAMETER REPRESENTING THE STATE OF A SYSTEM, ESPECIALLY A TRAFFIC PARAMETER REPRESENTING THE STATE OF A TRAFFIC NETWORK

GRAH Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOS IGRA

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

AK Designated contracting states

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20030326

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20030326

Ref country code: FI

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20030326

REG Reference to a national code

Ref country code: GB

Ref legal event code: FG4D

Free format text: NOT ENGLISH

REG Reference to a national code

Ref country code: CH

Ref legal event code: EP

REF Corresponds to:

Ref document number: 59807678

Country of ref document: DE

Date of ref document: 20030430

Kind code of ref document: P

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: GERMAN

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20030626

Ref country code: PT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20030626

Ref country code: DK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20030626

GBT Gb: translation of ep patent filed (gb section 77(6)(a)/1977)

Effective date: 20030728

ET Fr: translation filed
PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: LU

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20030925

Ref country code: CY

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20030925

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: MC

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20030930

Ref country code: ES

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20030930

REG Reference to a national code

Ref country code: IE

Ref legal event code: FD4D

Ref document number: 1032927E

Country of ref document: IE

PLBE No opposition filed within time limit

Free format text: ORIGINAL CODE: 0009261

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT

26N No opposition filed

Effective date: 20031230

REG Reference to a national code

Ref country code: CH

Ref legal event code: PFA

Owner name: DDG GESELLSCHAFT FUER VERKEHRSDATEN MBH

Free format text: DDG GESELLSCHAFT FUER VERKEHRSDATEN MBH#NIEDERKASSELER LOHWEG 20#40547 DUESSELDORF (DE) -TRANSFER TO- DDG GESELLSCHAFT FUER VERKEHRSDATEN MBH#NIEDERKASSELER LOHWEG 20#40547 DUESSELDORF (DE)

REG Reference to a national code

Ref country code: FR

Ref legal event code: PLFP

Year of fee payment: 18

REG Reference to a national code

Ref country code: FR

Ref legal event code: PLFP

Year of fee payment: 19

REG Reference to a national code

Ref country code: FR

Ref legal event code: PLFP

Year of fee payment: 20

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: CH

Payment date: 20170925

Year of fee payment: 20

Ref country code: IT

Payment date: 20170926

Year of fee payment: 20

Ref country code: GB

Payment date: 20170925

Year of fee payment: 20

Ref country code: DE

Payment date: 20170921

Year of fee payment: 20

Ref country code: FR

Payment date: 20170925

Year of fee payment: 20

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: BE

Payment date: 20170925

Year of fee payment: 20

Ref country code: NL

Payment date: 20170925

Year of fee payment: 20

Ref country code: AT

Payment date: 20170920

Year of fee payment: 20

REG Reference to a national code

Ref country code: DE

Ref legal event code: R071

Ref document number: 59807678

Country of ref document: DE

REG Reference to a national code

Ref country code: NL

Ref legal event code: MK

Effective date: 20180924

REG Reference to a national code

Ref country code: CH

Ref legal event code: PL

REG Reference to a national code

Ref country code: GB

Ref legal event code: PE20

Expiry date: 20180924

REG Reference to a national code

Ref country code: BE

Ref legal event code: MK

Effective date: 20180925

REG Reference to a national code

Ref country code: AT

Ref legal event code: MK07

Ref document number: 235729

Country of ref document: AT

Kind code of ref document: T

Effective date: 20180925

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: GB

Free format text: LAPSE BECAUSE OF EXPIRATION OF PROTECTION

Effective date: 20180924