JP2002260187A - Method, device, and program for predicting parking state - Google Patents
Method, device, and program for predicting parking stateInfo
- Publication number
- JP2002260187A JP2002260187A JP2001058335A JP2001058335A JP2002260187A JP 2002260187 A JP2002260187 A JP 2002260187A JP 2001058335 A JP2001058335 A JP 2001058335A JP 2001058335 A JP2001058335 A JP 2001058335A JP 2002260187 A JP2002260187 A JP 2002260187A
- Authority
- JP
- Japan
- Prior art keywords
- time
- parking
- past
- series
- present
- 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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、過去の駐車場の駐
車状況と現在の駐車場の駐車状況に基づき、将来の駐車
状況を予測する駐車状況予測方法に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a parking condition prediction method for predicting a future parking condition based on a past parking condition and a current parking condition.
【０００２】[0002]
【従来の技術】従来、駐車場の駐車台数の変動を予測す
るには、駐車する各車両について、駐車場への入出庫の
時系列変化パターンを設定し、これを全駐車分総計する
ことから駐車場の駐車台数の変動を予測する。しかし、
この方法は駐車場に駐車する車両それぞれの時系列変化
パターンを設定するので、利用車両がある程度決まって
いる駐車場になら適応可能だが、任意の車両が任意の時
間に利用する駐車場では予測に非常な手間を要するた
め、実際への適応は困難である。2. Description of the Related Art Conventionally, in order to predict a change in the number of parked parking lots, a time-series change pattern of entering and leaving a parking lot is set for each parked vehicle, and this pattern is totaled for all parking lots. Predict changes in the number of parked parking lots. But,
This method sets the time-series change pattern of each vehicle parked in the parking lot, so it can be applied to a parking lot where the vehicles used are determined to some extent, but it can be predicted in a parking lot where any vehicle is used at any time. Adaptation is difficult due to the great effort involved.
【０００３】[0003]
【発明が解決しようとする課題】本発明はこのような事
情に鑑みてなされたもので、任意の車両が任意の時間に
利用する駐車場において、正確かつ容易に将来の駐車状
況を予測することができる駐車状況予測方法及び装置並
びにプログラムを提供することを目的とする。SUMMARY OF THE INVENTION The present invention has been made in view of such circumstances, and it is an object of the present invention to accurately and easily predict a future parking situation in a parking lot used by an arbitrary vehicle at an arbitrary time. It is an object of the present invention to provide a parking situation prediction method and apparatus, and a program that can perform the above.
【０００４】[0004]
【課題を解決するための手段】これまでの駐車情報予測
は、事前に各利用者の時系列変化パターンを認識する必
要があったが、一般に、駐車場の利用状況は人間の活動
サイクルと類似しており、再現性がある。例えば、２４
時間変動や、曜日による変動などである。そのため、同
様な時系列変化パターンは同様な月・日・曜日・時刻等
条件下に置いて再現する確率が高い。本発明ではこの再
現性を利用することで正確かつ簡易な方法で駐車情報を
予測することが可能な駐車情報予測方法を提供する。上
記目的を達成するために、本発明のうち請求項２に記載
の発明は、過去から現在までの駐車状況および時刻から
なる時系列駐車状況が記憶された記憶部を有し、該記憶
部内のデータに基づいて指定時間後の駐車状況を予測す
る駐車状況予測方法において、一定時間前から現在まで
の時系列駐車状況を前記記憶部から読み出す第１の過程
と、現在に類似する過去の時点における複数の時系列駐
車状況および予測時間実績値を前記記憶手段から抽出す
る第２の過程と、前記現在までの時系列駐車状況と、前
記過去の複数の時系列駐車状況とを比較し、現在までの
時系列駐車状況に類似する１または複数の過去の時系列
駐車状況を検出する第３の過程と、前記第３の過程によ
って検出された過去の時系列駐車状況に対応する前記予
測時間実績値に基づいて、現在から指定時間経過後の駐
車状況を予測することを特徴とする駐車状況予測方法で
ある。また、請求項３に記載の発明は、請求項２に記載
の駐車状況予測方法において、前記記憶部に記録される
駐車状況は、駐車台数であることを特徴とする。また、
請求項４に記載の発明は、請求項２に記載の駐車状況予
測方法において、前記記憶部に記録される駐車状況は、
駐車台数および気象状況であることを特徴とする。ま
た、請求項５に記載の発明は、請求項２に記載の駐車状
況予測方法において、前記記憶部に記録される駐車状況
は、駐車台数およびイベントであることを特徴とする。
また、請求項６に記載の発明は、請求項２に記載の駐車
状況予測方法において、前記記憶部に記録される駐車状
況は、駐車台数、気象状況およびイベントであることを
特徴とする。Means for Solving the Problems Up to now, it has been necessary to recognize the chronological change pattern of each user in advance in the prediction of parking information, but in general, the usage status of the parking lot is similar to the human activity cycle. It has reproducibility. For example, 24
Time fluctuation, fluctuation by day of the week, and the like. Therefore, there is a high probability that a similar time-series change pattern is reproduced under similar conditions such as month, day, day of the week, and time. The present invention provides a parking information prediction method capable of predicting parking information in an accurate and simple manner by utilizing this reproducibility. In order to achieve the above object, the invention according to claim 2 of the present invention includes a storage unit in which a time-series parking state including a parking state from the past to the present and a time is stored. In a parking situation prediction method for predicting a parking situation after a designated time based on data, a first step of reading out a time-series parking situation from a predetermined time ago to the present time from the storage unit and a past time point similar to the present A second step of extracting a plurality of time-series parking situations and predicted time actual values from the storage means, comparing the time-series parking situation up to now with the plurality of past time-series parking situations, and A third step of detecting one or more past time-series parking situations similar to the time-series parking situation, and the predicted time actual value corresponding to the past time-series parking situation detected by the third step To Zui and a parking situation prediction method characterized by predicting the parking condition after a lapse of specified time from the current. According to a third aspect of the invention, in the parking situation prediction method according to the second aspect, the parking situation recorded in the storage unit is the number of parked vehicles. Also,
According to a fourth aspect of the present invention, in the parking situation prediction method according to the second aspect, the parking situation recorded in the storage unit is:
It is characterized by parking number and weather condition. According to a fifth aspect of the present invention, in the parking situation prediction method according to the second aspect, the parking situation recorded in the storage unit is a number of parked cars and an event.
According to a sixth aspect of the present invention, in the parking situation prediction method according to the second aspect, the parking situation recorded in the storage unit is a number of parked cars, a weather situation, and an event.
【０００５】[0005]
【発明の実施の形態】以下、本発明の実施の形態を図面
を参照して説明する。図１は、駐車状況予測に使用する
装置のブロック構成を説明する図である。この図におい
て、情報入力部１は駐車状況を測定する機器（図示略）
から一定時間毎に次の情報Ａを受け取り、これを入力情
報データベース部２に送信する。 Ａ＝駐車情報 入力情報データベース部２は入力された駐車情報をその
年月日時刻情報と共に記録する。予測条件入力部３は次
の情報Ｂを入力として受け取り、最新時系列パターン作
成部４にトリガをかけ、過去時系列パターン作成部５に
現在の年月日時刻と予測時間を送出する。 Ｂ＝予測時間 予測条件入力部３からトリガを受けた最新時系列パター
ン作成部４は、入力情報データベース部２に、最新の駐
車情報を伝送するよう要求する。入力情報データベース
部２は、最新時系列パターン作成部４から要求を受け取
ると、最新の情報からあらかじめ決められた数だけ前に
遡って駐車情報を送出する。最新時系列パターン作成部
４は、受け取った情報を最新時系列パターンとして類似
時系列パターン抽出部６に送出する。一方、過去時系列
パターン作成部５は予測条件入力部３から年月日時刻と
予測時間を受け取ると、入力情報データベース部２に記
録している全ての年月日時刻、または別途指定した期間
内の年月日時刻、または入力された年月日時刻から類似
するパターンが多いと考えられる年月日時刻を入力情報
データベース部２に送出する。入力情報データベース部
２は、指定された年月日時刻から過去にさかのぼってあ
らかじめ決められた数の駐車情報と、予測時間の実績駐
車情報を過去時系列パターン作成部５に送出する。過去
時系列パターン作成部５は、受け取った情報を、過去時
系列パターン群と、各々に対応する予測時間実測値群と
して類似時系列パターン抽出部６に送出する。Embodiments of the present invention will be described below with reference to the drawings. FIG. 1 is a diagram illustrating a block configuration of a device used for parking status prediction. In this figure, an information input unit 1 is a device for measuring a parking situation (not shown).
Receives the next information A at regular time intervals and transmits it to the input information database unit 2. A = Parking information The input information database unit 2 records the inputted parking information together with its date information. The prediction condition input unit 3 receives the next information B as an input, triggers the latest time series pattern creation unit 4, and sends the current date and time and the prediction time to the past time series pattern creation unit 5. B = Predicted time Upon receiving a trigger from the prediction condition input unit 3, the latest time-series pattern creating unit 4 requests the input information database unit 2 to transmit the latest parking information. Upon receiving the request from the latest time-series pattern creating unit 4, the input information database unit 2 sends out parking information retroactively by a predetermined number from the latest information. The latest time-series pattern creation unit 4 sends the received information to the similar time-series pattern extraction unit 6 as the latest time-series pattern. On the other hand, when the past time-series pattern creating unit 5 receives the date and time from the prediction condition input unit 3 and receives the predicted time, all the date and time recorded in the input information database unit 2 or within the period specified separately Is sent to the input information database unit 2 from the input date / time, or the input date / time. The input information database unit 2 sends to the past time-series pattern creating unit 5 a predetermined number of parking information items that are determined in advance in the past from the specified date and time, and the actual parking information items at the predicted time. The past time series pattern creation unit 5 sends the received information to the similar time series pattern extraction unit 6 as a past time series pattern group and a predicted time actual measurement value group corresponding to each group.
【０００６】いま、例えば現在時刻を２００１年２月１
５日午前１１時とし、駐車状況予測をしたい時間（予測
時間）を２０分後とすると、現在に類似する過去の駐車
パターンが得られる日として、１週間前の２００１年２
月８日午前１１時近傍が予想される。そこで、過去時系
列パターン作成部５は、 パターン抽出時刻：２００１年２月８日午前１１時 予測時間：２０分 を入力情報データベース部２へ出力する。図２（イ）
は、過去時系列データの一例を示す図であり、この図に
示す時刻Ｔを２００１年２月８日午前１１時とする。こ
の場合、入力情報データベース部２は、上述した要求に
合う過去の時系列パターンとして、同図（ロ）に示すパ
ターンを、また、予測時間実測値として「６台」を出力
する。 また、図３は過去時系列パターン作成部５が パターン抽出時刻：２００１年２月８日午前１１時、１
０時５５分 １０時５０分、１０時４５分 を入力情報データベース部２へ出力した場合であり、こ
の場合、図に示すように４つの過去時系列パターンが入
力情報データベース部２から過去時系列パターン作成部
５へ出力される。また、過去時系列パターン群中の過去
時系列パターンと、その予測時間実測値はリンクされて
おり、過去時系列パターンを抽出すれは予測時間実測値
は一意に決まる。また、類似するパターンが多いと考え
られる年月日時刻は１週間前と限られるわけでなく、予
測対象と同時間帯、同曜日、同月などがある。Now, for example, if the current time is February 1, 2001
Assuming that 11:00 am on the 5th and the time (prediction time) for which the parking situation is to be predicted (predicted time) is 20 minutes later, the date when a past parking pattern similar to the present is obtained is one week ago, 2001
It is expected to be around 11 am on March 8. Therefore, the past time-series pattern creation unit 5 outputs the pattern extraction time: 11:00 am, February 8, 2001, predicted time: 20 minutes, to the input information database unit 2. Fig. 2 (a)
Is a diagram showing an example of past time-series data, and the time T shown in this diagram is assumed to be 11:00 am on February 8, 2001. In this case, the input information database unit 2 outputs the pattern shown in FIG. 2B as the past time-series pattern meeting the above-mentioned request, and outputs "6 units" as the predicted time actual measurement value. FIG. 3 shows that the past time-series pattern creation unit 5 performs pattern extraction at 11:00 am on February 8, 2001, at 11:00 am
0:55, 10:50, and 10:45 are output to the input information database unit 2. In this case, four past time series patterns are output from the input information database unit 2 as shown in FIG. Output to the pattern creation unit 5. Further, the past time series pattern in the past time series pattern group and the predicted time actual value are linked, and when the past time series pattern is extracted, the predicted time actual value is uniquely determined. Further, the date and time when it is considered that there are many similar patterns are not limited to one week ago, but include the same time zone, the same day, the same month as the prediction target.
【０００７】類似時系列パターン抽出部６は最新時系列
パターン作成部４から最新時系列パターンを受け取り、
過去時系列パターン作成部から過去時系列パターン群
と、それに対応する予測時間実測値群を受け取る。次
に、最新時系列パターンと過去時系列パターン群中の過
去時系列パターンとを比較し、類似度が高い１つまたは
複数のパターンを抽出し、そのパターンに対応する予測
時間実測値を予測駐車情報決定部７に送出する。最新時
系列パターンと、過去時系列パターンの類似度の評価方
法としては、次のような方法が考えられる。最新時系列
パターンをThe similar time series pattern extraction unit 6 receives the latest time series pattern from the latest time series pattern creation unit 4 and
A past time series pattern group and a corresponding predicted time actual measurement value group are received from the past time series pattern creation unit. Next, the latest time-series pattern is compared with the past time-series pattern in the past time-series pattern group, one or more patterns having high similarity are extracted, and the predicted time measured value corresponding to the pattern is predicted and parked. The information is sent to the information determining unit 7. As a method for evaluating the similarity between the latest time-series pattern and the past time-series pattern, the following method can be considered. The latest chronological pattern
【数１】 （１）式とし、過去時系列パターンを（２）式とする
と、（３）式や、別途定められた月日曜日等による類似
係数（（４）式）を用いて、（５）式とする方法などが
考えられる。ただし、ＰN，ＰPxの添字Ｎは最新時系列
パターンである事を示しており、Ｐｘは過去時系列パタ
ーンのｘ番目であることを示している。類似係数
（（４）式）の決定方法としては、同一である（時間、
曜日、月）に関する実測データ分布の相関係数などが考
えられる。予測駐車情報決定部７は類似時系列パターン
抽出部６から予測時間実測値を１つ、または複数受け取
り、これらの平均値、または最頻値を予測駐車情報値と
して算出し、これを出力する。(Equation 1) If equation (1) is used and the past time-series pattern is equation (2), equation (5) is used using equation (3) or a similarity coefficient (monthly / Sunday) (Equation (4)) that is separately determined. A method can be considered. However, the suffix N of P N and P Px indicates that it is the latest time series pattern, and Px indicates that it is the x-th past time series pattern. The method of determining the similarity coefficient (formula (4)) is the same (time,
For example, a correlation coefficient of the distribution of measured data with respect to (day of the week, month) can be considered. The predicted parking information determining unit 7 receives one or more predicted time actual measured values from the similar time series pattern extracting unit 6, calculates an average value or a mode value thereof as a predicted parking information value, and outputs this.
【０００８】次に、この発明の第２の実施形態について
説明する。この第２の実施形態のブロック構成は図１と
同じである。第２の実施形態において、情報入力部１は
駐車状況を測定する機器及び別途システム等から一定時
間毎に次の情報を受け取る。 Ａ＝駐車情報、気象情報 入力情報データベース部２は入力された駐車情報と気象
情報を、その年月日時刻情報と共に記録する。予測条件
入力部３は次の情報Ｂを入力として受け取る。 Ｂ＝予測時間、予測時間における予測気象情報 また、予測条件入力部３は、最新時系列パターン作成部
４にトリガをかけ予測時間における予測気象情報を送出
し、過去時系列パターン作成部５に現在の年月日時刻と
予測時間を送出する。予測条件入力部３からトリガを受
けた最新時系列パターン作成部４は、入力情報データベ
ース部２に、最新の駐車情報と気象情報を伝送するよう
要求する。入力情報データベース部２は、最新時系列パ
ターン作成部４から要求を受け取ると、最新の情報から
あらかじめ決められた数だけ前に遡って駐車情報と気象
情報を送出する。最新時系列パターン作成部４は、受け
取った情報を最新時系列パターンとして、予測気象情報
とともに類似時系列パターン抽出部６に送出する。一
方、過去時系列パターン作成部５は予測条件入力部３か
ら年月日時刻と予測時間を受け取ると、入力情報データ
ベース部２に記録している全ての年月日時刻、または別
途指定した期間内の年月日時刻、または入力された年月
日時刻から類似するパターンが多いと考えられる年月日
時刻を入力情報データベース部２に送出する。入力情報
データベース部２は、指定された年月日時刻から過去に
さかのぼってあらかじめ決められた数の駐車情報と気象
情報、及び、予測時間の実績駐車情報と実績気象情報を
過去時系列パターン作成部５に送出する。過去時系列パ
ターン作成部５は、受け取った情報を、過去時系列パタ
ーン群と、各々に対応する予測時間実測値群として類似
時系列パターン抽出部６に送出する。図４に、入力情報
データベース部２内の過去時系列データと、この時系列
データから抽出した過去時系列パターン群の一例を表
す。なお、過去時系列パターン群中の過去時系列パター
ンと、その予測時間の予測時間実測値はリンクされてお
り、過去時系列パターンを抽出すれば予測時間実測値は
一意に決まるものとする。また、類似するパターンが多
いと考えられる年月日時刻としては、予測対象と同時間
帯、同曜日、同月などが考えられる。Next, a second embodiment of the present invention will be described. The block configuration of the second embodiment is the same as that of FIG. In the second embodiment, the information input unit 1 receives the following information at regular intervals from a device for measuring the parking situation, a separate system, and the like. A = Parking information, weather information The input information database unit 2 records the input parking information and weather information together with the date, time, and time information. The prediction condition input unit 3 receives the next information B as an input. B = Predicted time, predicted weather information at predicted time Also, the prediction condition input unit 3 triggers the latest time-series pattern creation unit 4 to send predicted weather information at the predicted time, and sends it to the past time-series pattern creation unit 5 And the estimated time. The latest time-series pattern creation unit 4 that has received a trigger from the prediction condition input unit 3 requests the input information database unit 2 to transmit the latest parking information and weather information. Upon receiving the request from the latest time-series pattern creating unit 4, the input information database unit 2 sends out parking information and weather information retroactively by a predetermined number from the latest information. The latest time-series pattern creation unit 4 sends the received information as the latest time-series pattern to the similar time-series pattern extraction unit 6 together with the predicted weather information. On the other hand, when the past time-series pattern creating unit 5 receives the date and time from the prediction condition input unit 3 and receives the predicted time, all the date and time recorded in the input information database unit 2 or within the period specified separately Is sent to the input information database unit 2 from the input date / time, or the input date / time. The input information database unit 2 stores a predetermined number of parking information and weather information retroactively from a specified date and time in the past, and actual parking information and actual weather information at a predicted time in a past time-series pattern creating unit. 5 The past time series pattern creation unit 5 sends the received information to the similar time series pattern extraction unit 6 as a past time series pattern group and a predicted time actual measurement value group corresponding to each group. FIG. 4 shows an example of past time-series data in the input information database unit 2 and a group of past time-series patterns extracted from the time-series data. Note that the past time series pattern in the past time series pattern group and the predicted time actual measurement value of the predicted time are linked, and if the past time series pattern is extracted, the predicted time actual measurement value is uniquely determined. In addition, as the date and time when it is considered that there are many similar patterns, the same time zone, the same day, the same month, etc. as the prediction target can be considered.
【０００９】類似時系列パターン抽出部６は最新時系列
パターン作成部４から最新時系列パターンと予測気象情
報を受け取り、過去時系列パターン作成部５から過去時
系列パターン群と、予測時間実測値群を受け取り、最新
時系列パターンと過去時系列パターン群中の過去時系列
パターンとを比較し、類似しているパターンを抽出し、
類似度が高い１つまたは複数のパターンを抽出し、その
予測しているパターンの予測時間実測値を予測駐車情報
決定部７に送出する。最新時系列パターンと、過去時系
列パターンの類似度の評価方法としては、次のような方
法が考えられる。最新時系列パターンをThe similar time series pattern extraction unit 6 receives the latest time series pattern and the forecast weather information from the latest time series pattern creation unit 4, and receives a past time series pattern group and a predicted time actual measurement group from the past time series pattern creation unit 5. And compare the latest time-series pattern with the past time-series pattern in the past time-series pattern group to extract similar patterns,
One or more patterns having a high degree of similarity are extracted, and the predicted time actual measurement value of the predicted pattern is sent to the predicted parking information determination unit 7. As a method for evaluating the similarity between the latest time-series pattern and the past time-series pattern, the following method can be considered. The latest chronological pattern
【数２】 （１）式（Ｗは気象情報を示す）、過去時系列パターン
を（２）式、予測気象情報をＷpre、予測時間実績気象
情報をＷpx(real)とすると、（３）式や、別途定められ
た月日曜日等による類似係数（前記数１（４）式）を用
いて、（６）式とする方法などが考えられる。ただし、
ＰN，ＰPxの添字Ｎは最新時系列パターンである事を示
しており、Ｐｘは過去時系列パターンのｘ番目であるこ
とを示している。また、（４）式、（５）式は別途定め
られた各気象条件間の類似性を表す定数を与える関数で
あり、各気象条件における実測値の相関係数などを利用
して各気象情報間の類似性を算出する。類似係数（前記
数１（４）式）の決定方法としては、同一である（時
間、曜日、月）に関する実測データ分布の相関係数を反
映させたものなどが考えられる。予測駐車情報決定部７
は類似時系列パターン抽出部６から予測時間実測値を１
つ、または複数受け取り、これらの平均値、または最頻
値を予測駐車情報値として算出し、これを出力する。(Equation 2) Assuming equation (1) (W indicates weather information), the past time series pattern as equation (2), predicted weather information as W pre , and predicted time actual weather information as W px (real) , equation (3), A method of formulating equation (6) using a similarity coefficient (formula 1 (4)) based on a separately determined month, Sunday, or the like can be considered. However,
The subscript N of P N and P Px indicates that it is the latest time-series pattern, and Px indicates that it is the x-th past time-series pattern. Equations (4) and (5) are functions that give constants indicating similarities between the separately defined weather conditions, and each of the weather information is calculated using a correlation coefficient of an actual measurement value in each weather condition. The similarity between them is calculated. As a method of determining the similarity coefficient (Equation 1 (4)), a method that reflects the correlation coefficient of the measured data distribution for the same (time, day of the week, month) and the like can be considered. Predicted parking information determination unit 7
Is the predicted time actual measurement value from the similar time series pattern extraction unit 6
One or more of them are received, the average value or the mode value is calculated as the predicted parking information value, and this is output.
【００１０】ここで、他の実施形態を説明する。この第
３の実施形態のブロック構成は図１と同じである。第３
の実施形態において、情報入力部１は駐車状況を測定す
る機器及び別途システム等から、一定時間毎に次の情報
を受け取る。 Ａ＝駐車情報、イベント情報 入力情報データベース部２は入力された駐車情報、イベ
ント情報をその年月日時刻情報と共に記録する。予測条
件入力部３は次の情報Ｂを入力として受け取る。 Ｂ＝予測時間、予測時間におけるイベント情報 予測条件入力部３は、最新時系列パターン作成部４にト
リガをかけ予測時間における予測イベント情報を送出
し、過去時系列パターン作成部５に現在の年月日時刻と
予測時間を送出する。予測条件入力部３からトリガを受
けた最新時系列パターン作成部４は、入力情報データベ
ース部２に、最新の駐車情報とイベント情報を伝送する
よう要求する。入力情報データベース部２は、最新時系
列パターン作成部４から要求を受け取ると、最新の情報
からあらかじめ決められた数だけ前に遡って駐車情報と
イベント情報を送出する。最新時系列パターン作成部４
は、受け取った情報を最新時系列パターンとして、予測
イベント情報とともに類似時系列パターン抽出部６に送
出する。一方、過去時系列パターン作成部５は予測条件
入力部３から年月日時刻と予測時間を受け取ると、入力
情報データベース部２に記録している全ての年月日時
刻、または別途指定した期間内の年月日時刻、または入
力された年月日時刻から類似するパターンが多いと考え
られる年月日時刻を入力情報データベース部２に送出す
る。入力情報データベース部２は、指定された年月日時
刻から過去にさかのぼってあらかじめ決められた数の駐
車情報とイベント情報、及び、予測時間の実績駐車情報
と実績イベント情報を過去時系列パターン作成部５に送
出する。過去時系列パターン作成部５は、受け取った情
報を、過去時系列パターン群と、各々に対応する予測時
間実測値群として類似時系列パターン抽出部６に送出す
る。図５に、入力情報データベース部２内の過去時系列
データと、この時系列データから抽出した過去時系列パ
ターン群の一例を表す。なお、過去時系列パターン群中
の過去時系列パターンと、その予測時間実測値はリンク
されており、過去時系列パターンを抽出すれば予測時間
実測値は一意に決まるものとする。また、類似するパタ
ーンが多いと考えられる年月日時刻の規則は、予測対象
と同時間帯、同曜日、同月などが考えられる。Here, another embodiment will be described. The block configuration of the third embodiment is the same as that of FIG. Third
In the embodiment, the information input unit 1 receives the following information from a device for measuring the parking situation and a separate system at regular intervals. A = Parking information, event information The input information database unit 2 records the input parking information and event information together with the date and time information. The prediction condition input unit 3 receives the next information B as an input. B = predicted time, event information at the predicted time The prediction condition input unit 3 triggers the latest time-series pattern creation unit 4 to send out predicted event information at the predicted time, and sends the past time-series pattern creation unit 5 the current date. Sends the date and time and the estimated time. The latest time-series pattern creation unit 4 that has received a trigger from the prediction condition input unit 3 requests the input information database unit 2 to transmit the latest parking information and event information. Upon receiving the request from the latest time-series pattern creating unit 4, the input information database unit 2 sends out parking information and event information retroactively by a predetermined number from the latest information. Latest time series pattern creation part 4
Sends the received information as the latest time series pattern to the similar time series pattern extraction unit 6 together with the predicted event information. On the other hand, when the past time-series pattern creating unit 5 receives the date and time from the prediction condition input unit 3 and receives the predicted time, all the date and time recorded in the input information database unit 2 or within the period specified separately Is sent to the input information database unit 2 from the input date / time, or the input date / time. The input information database unit 2 stores a predetermined number of pieces of parking information and event information retroactively from a specified date and time in the past, and actual parking information and actual event information at a predicted time in a past time-series pattern creating unit. 5 The past time series pattern creation unit 5 sends the received information to the similar time series pattern extraction unit 6 as a past time series pattern group and a predicted time actual measurement value group corresponding to each group. FIG. 5 shows an example of past time series data in the input information database unit 2 and a group of past time series patterns extracted from this time series data. Note that the past time series pattern in the past time series pattern group and the predicted time actual measurement value are linked, and it is assumed that the predicted time actual measurement value is uniquely determined by extracting the past time series pattern. Further, the rule of the date and time when it is considered that there are many similar patterns may be the same time zone, the same day of the week, the same month as the prediction target.
【００１１】類似時系列パターン抽出部６は最新時系列
パターン作成部４から最新時系列パターンと予測イベン
ト情報を受け取り、過去時系列パターン作成部５から過
去時系列パターン群と、予測時間実測値群を受け取り、
最新時系列パターンと過去時系列パターン群中の過去時
系列パターンとを比較し、類似しているパターンを抽出
し、類似度が高い１つまたは複数のパターンを抽出し、
その予測しているパターンの予測時間実測値を予測駐車
情報決定部７に送出する。最新時系列パターンと、過去
時系列パターンの類似度の評価方法としては、次のよう
な方法が考えられる。最新時系列パターンをThe similar time series pattern extraction unit 6 receives the latest time series pattern and the predicted event information from the latest time series pattern creation unit 4, and receives the past time series pattern group and the predicted time actual measurement group from the past time series pattern creation unit 5. And receive
Comparing the latest time series pattern with the past time series pattern in the past time series pattern group, extracting similar patterns, extracting one or more patterns having a high degree of similarity,
The predicted time actual measurement value of the predicted pattern is sent to the predicted parking information determination unit 7. As a method for evaluating the similarity between the latest time-series pattern and the past time-series pattern, the following method can be considered. The latest chronological pattern
【数３】 （１）（Ｅはイベント情報を示す）、過去時系列パター
ンを（２）、予測イベント情報をＥpre、予測時間実績
イベント情報をＥPx(real)とすると、（３）や、別途定
められた月日曜日等による類似係数（前記数１（４））
を用いて、（６）とする方法などが考えられる。ただ
し、ＰN，ＰPxの添字Ｎは最新時系列パターンである事
を示しており、Ｐｘは過去時系列パターンのｘ番目であ
ることを示している。また、数３（４）、（５）は別途
定められた各イベント条件間の類似性を表す定数を与え
る関数であり、各イベント情報における実測値の相関係
数などを利用して各イベント情報間の類似性を算出する
ことなどが考えられる。類似関数（前記数１（４））の
決定方法としては、同一である（時間、曜日、月）に関
する実測データ分布の相関係数を反映させたものなどが
考えられる。予測駐車情報決定部７は類似時系列パター
ン抽出部６から予測時間実測値を１つ、または複数受け
取り、これらの平均値、または最頻値を予測駐車情報値
として算出し、これを出力する。(Equation 3) (1) (E indicates event information), assuming that the past time-series pattern is (2), the predicted event information is E pre , and the predicted time actual event information is E Px (real) , (3) or separately determined Similarity coefficient based on the month, Sunday, etc. (the above equation (1) (4))
The method (6) can be considered by using. However, the suffix N of P N and P Px indicates that it is the latest time series pattern, and Px indicates that it is the x-th past time series pattern. Equations 3 (4) and (5) are functions that give constants indicating the similarities between the separately defined event conditions, and each event information is calculated using the correlation coefficient of the measured value in each event information. Calculating the similarity between them can be considered. As a method of determining the similar function (the above equation (4)), a method that reflects the correlation coefficient of the measured data distribution for the same (time, day of the week, month) and the like can be considered. The predicted parking information determining unit 7 receives one or more predicted time actual measured values from the similar time series pattern extracting unit 6, calculates an average value or a mode value thereof as a predicted parking information value, and outputs this.
【００１２】ここで、他の実施形態を説明する。この第
４の実施形態のブロック構成は図１と同じである。第４
の実施形態において、情報入力部１は駐車状況を測定す
る機器及び別途システム等から、一定時間毎に次の情報
を受け取る。 Ａ＝駐車情報、気象情報、イベント情報 入力情報データベース部２は入力された駐車情報、気象
情報、イベント情報をその年月日時刻情報と共に記録す
る。予測条件入力部３は次の情報Ｂを入力として受け取
る。 Ｂ＝予測時間、予測時間における気象情報 予測時間におけるイベント情報 予測条件入力部３は、最新時系列パターン作成部４にト
リガをかけ、予測時間における気象情報と予測時間にお
けるイベント情報を送出し、過去時系列パターン作成部
５に現在の年月日時刻と予測時間を送出する。予測条件
入力部３からトリガを受けた最新時系列パターン作成部
４は、入力情報データベース部２に、最新の駐車情報、
気象情報、及びイベント情報を伝送するよう要求する。
入力情報データベース部２は、最新時系列パターン作成
部４から要求を受け取ると、最新の情報からあらかじめ
決められた数だけ前に遡った駐車情報、気象情報、イベ
ント情報を送出する。最新時系列パターン作成部４は、
受け取った情報を最新時系列パターンとして類似時系列
パターン抽出部６に送出する。一方、過去時系列パター
ン作成部５は予測条件入力部３から年月日時刻と予測時
間を受け取ると、入力情報データベース部２に記録して
いる全ての年月日時刻、または別途指定した期間内の年
月日時刻、または入力された年月日時刻から類似するパ
ターンが多いと考えられる年月日時刻を入力情報データ
ベース部２に送出する。入力情報データベース部２は、
指定された年月日時刻から過去にさかのぼってあらかじ
め決められた数の駐車情報、気象情報、イベント情報、
及び、予測時間の実績駐車情報、実績気象情報、実績イ
ベント情報を過去時系列パターン作成部５に送出する。
過去時系列パターン作成部５は、受け取った情報を、過
去時系列パターン群と、各々に対応する予測時間実測値
群として類似時系列パターン抽出部６に送出する。図６
に、入力情報データベース部２内の過去時系列データ
と、この時系列データから抽出した過去時系列パターン
群の一例を表す。なお、過去時系列パターン群中の過去
時系列パターンと、その予測時間実測値はリンクされて
おり、過去時系列パターンを抽出すれば予測時間実測値
は一意に決まるものとする。また、類似するパターンが
多いと考えられる年月日時刻の規則は、予測対象と同時
間帯、同曜日、同月などがある。Here, another embodiment will be described. The block configuration of the fourth embodiment is the same as that of FIG. 4th
In the embodiment, the information input unit 1 receives the following information from a device for measuring the parking situation and a separate system at regular intervals. A = Parking information, weather information, event information The input information database unit 2 records the input parking information, weather information, and event information together with the date and time information. The prediction condition input unit 3 receives the next information B as an input. B = Predicted time, weather information at predicted time Event information at predicted time The prediction condition input unit 3 triggers the latest time-series pattern creation unit 4 to send out weather information at the predicted time and event information at the predicted time. The current date and time and the estimated time are sent to the time-series pattern creation unit 5. The latest time-series pattern creation unit 4 that has received a trigger from the prediction condition input unit 3 stores the latest parking information,
Request to transmit weather information and event information.
Upon receiving the request from the latest time-series pattern creation unit 4, the input information database unit 2 sends out parking information, weather information, and event information that are retroactive by a predetermined number from the latest information. The latest time-series pattern creation unit 4
The received information is sent to the similar time series pattern extraction unit 6 as the latest time series pattern. On the other hand, when the past time-series pattern creating unit 5 receives the date and time from the prediction condition input unit 3 and receives the predicted time, all the date and time recorded in the input information database unit 2 or within the period specified separately Is sent to the input information database unit 2 from the input date / time, or the input date / time. The input information database unit 2
A predetermined number of parking information, weather information, event information,
In addition, the actual parking information, the actual weather information, and the actual event information of the predicted time are transmitted to the past time-series pattern creating unit 5.
The past time series pattern creation unit 5 sends the received information to the similar time series pattern extraction unit 6 as a past time series pattern group and a predicted time actual measurement value group corresponding to each group. FIG.
2 shows an example of past time-series data in the input information database unit 2 and a group of past time-series patterns extracted from this time-series data. Note that the past time series pattern in the past time series pattern group and the predicted time actual measurement value are linked, and it is assumed that the predicted time actual measurement value is uniquely determined by extracting the past time series pattern. In addition, the rules for the date, time, and time when there are many similar patterns include the same time zone, the same day of the week, and the same month as the prediction target.
【００１３】類似時系列パターン抽出部６は最新時系列
パターン作成部４から最新時系列パターン、予測気象情
報、及び予測イべント情報を受け取り、過去時系列パタ
ーン作成部から過去時系列パターン群と、予測時間実測
値群を受け取り、最新時系列パターンと過去時系列パタ
ーン群中の過去時系列パターンとを比較し、類似してい
るパターンを抽出し、類似度が高い１つまたは複数のパ
ターンを抽出し、その予測しているパターンの予測時間
実測値を予測駐車情報決定部７に送出する。このとき、
最新時系列パターンと、過去時系列パターンの類似度の
評価方法としては、次のような方法が考えられる。最新
時系列パターンをThe similar time series pattern extraction unit 6 receives the latest time series pattern, forecast weather information, and forecast event information from the latest time series pattern creation unit 4 and transmits the past time series pattern group from the past time series pattern creation unit. Receiving the predicted time actual measured value group, comparing the latest time series pattern with the past time series pattern in the past time series pattern group, extracting similar patterns, and extracting one or more patterns having high similarity. The extracted and measured predicted time of the predicted pattern is sent to the predicted parking information determining unit 7. At this time,
As a method for evaluating the similarity between the latest time-series pattern and the past time-series pattern, the following method can be considered. The latest chronological pattern
【数４】 （１）（Ｗは気象情報、Ｅはイべント情報を示す）、過
去時系列パターンを（２）、予測気象情報をＷpre、予
測イべント情報をＥpre、予測時間実績気象情報をＷ
px(real)、予測時間実績イべント情報をＥPx(real)とす
ると、（３）や、別途定められた月日曜日等による類似
係数（前記数１（４））を用いて、（４）とする方法な
どが考えられる。ただし、ＰN，ＰPxの添字Ｎは最新時系
列パターンである事を示しており、Ｐｘは過去時系列パ
ターンのｘ番目であることを示している。また、前記数
２（４）、（５）及び前記数３（４）、（５）は別途定
められた各気象条件間及び各イベント条件間の類似性を
表す定数を与える関数であり、各イベント条件における
実測値の相関係数などを利用して各イベント情報間の類
似性を算出することなどが考えられる。類似係数（前記
数１（４））の決定方法としては、同一である（時間、
曜日、月）に関する実測データ分布の相関係数を反映さ
せたものなどが考えられる。予測駐車情報決定部７は類
似時系列パターン抽出部６から予測時間実測値を１つ、
または複数受け取り、これらの平均値、または最頻値を
予測駐車情報値として算出し、これを出力する。なお、
上述の実施形態における駐車情報とは、駐車状況を予測
する駐車場に駐車しているすべての車の台数に限られる
ことはなく、ある特定の車の台数、駐車場の空き台数
（空車台数）、駐車場の総収容可能台数に対する駐車台
数の割合（駐車場利用率）、駐車場の総収容可能台数に
対する空き台数の割合（駐車場空車率）等、駐車状況を
表すデータであれば同様の効果が得られる。(Equation 4) (1) (W indicates weather information, E indicates event information), past time series pattern (2), predicted weather information W pre , predicted event information E pre , predicted time actual weather information W
Assuming that px (real) and the predicted time actual event information are E Px (real) , using (3) or a similarity coefficient (Month, Sunday, etc.) defined separately (the above equation (4)), )). However, the suffix N of P N and P Px indicates that it is the latest time series pattern, and Px indicates that it is the x-th past time series pattern. Equations 2 (4) and (5) and Equations 3 (4) and (5) are functions that give constants representing similarities between separately defined weather conditions and event conditions. It is conceivable to calculate similarity between pieces of event information using a correlation coefficient or the like of an actually measured value in an event condition. The method of determining the similarity coefficient (Equation 1 (4)) is the same (time,
One that reflects the correlation coefficient of the measured data distribution for the day of the week and the month) can be considered. The predicted parking information determination unit 7 calculates one predicted time actual measurement value from the similar time-series pattern extraction unit 6,
Or, a plurality of the received parking information values are calculated, an average value or a mode value is calculated as a predicted parking information value, and the calculated value is output. In addition,
The parking information in the above-described embodiment is not limited to the number of all vehicles parked in the parking lot for which the parking situation is predicted, but the number of specific vehicles and the number of empty parking spaces (the number of empty vehicles). The same applies if the data represents parking conditions, such as the ratio of the number of parked vehicles to the total number of available parking lots (parking lot utilization rate), the ratio of the number of vacant vehicles to the total number of available parking lots (parking space vacancy rate) The effect is obtained.
【００１４】また、図１における情報入力部１、入力情
報データベース部２、予測条件入力部３、最新時系列パ
ターン作成部４、過去時系列パターン作成部５、類似時
系列パターン作成部６、予測駐車状況決定部７の機能を
実現するためのプログラムをコンピュータ読み取り可能
な記録媒体に記録して、この記録媒体に記録されたプロ
グラムをコンピュータシステムに読み込ませ、実行させ
ることにより、上記機能を実現させてもよい。なお、こ
こでいう「コンピュータシステム」とは、ＯＳや周辺機
器等のハードウェアを含むものとする。また、「コンピ
ュータシステム」は、ＷＷＷシステムを利用している場
合であれば、ホームページ提供環境（あるいは表示環
境）も含むものとする。また、「コンピュータ読み取り
可能な記録媒体」とは、フロッピー（登録商標）ディス
ク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒
体、コンピュータシステムに内蔵されるハードディスク
等の記憶装置のことをいう。さらに「コンピュータ読み
取り可能な記録媒体」とは、インターネット等のネット
ワークや電話回線等の通信回線を介してプログラムを送
信する場合の通信線のように、短時間の間、動的にプロ
グラムを保持するもの、その場合のサーバやクライアン
トとなるコンピュータシステム内部の揮発性メモリのよ
うに、一定時間プログラムを保持しているものも含むも
のとする。また上記プログラムは、前述した機能の一部
を実現するためのものであっても良く、さらに前述した
機能をコンピュータシステムにすでに記録されているプ
ログラムとの組み合わせで実現できるものであっても良
い。以上、この発明の実施形態を図面を参照して詳述し
てきたが、具体的な構成はこの実施形態に限られるもの
ではなく、この発明の要旨を逸脱しない範囲の設計等も
含まれる。In FIG. 1, the information input unit 1, the input information database unit 2, the prediction condition input unit 3, the latest time series pattern creation unit 4, the past time series pattern creation unit 5, the similar time series pattern creation unit 6, the prediction A program for realizing the function of the parking situation determination unit 7 is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read and executed by a computer system, thereby realizing the above function. You may. Here, the “computer system” includes an OS and hardware such as peripheral devices. The “computer system” also includes a homepage providing environment (or a display environment) if a WWW system is used. The “computer-readable recording medium” means a portable medium such as a floppy (registered trademark) disk, a magneto-optical disk, a ROM, a CD-ROM, and a storage device such as a hard disk built in a computer system. . Further, a "computer-readable recording medium" refers to a communication line for transmitting a program via a network such as the Internet or a communication line such as a telephone line, and dynamically holds the program for a short time. In this case, it is also assumed that a program that holds a program for a certain period of time, such as a volatile memory in a computer system serving as a server or a client in that case, is included. Further, the above-mentioned program may be for realizing a part of the above-mentioned functions, or may be for realizing the above-mentioned functions in combination with a program already recorded in a computer system. The embodiments of the present invention have been described in detail with reference to the drawings. However, the specific configuration is not limited to the embodiments, and includes a design and the like within a range not departing from the gist of the present invention.
【００１５】[0015]
【発明の効果】以上説明したように、本発明によれば、
過去から現在までの駐車状況および時刻からなる時系列
駐車状況が記憶された記憶部を有し、該記憶部内のデー
タに基づいて指定時間後の駐車状況を予測する駐車状況
予測方法において、一定時間前から現在までの時系列駐
車状況を前記記憶部から読み出す第１の過程と、現在に
類似する過去の時点における複数の時系列駐車状況およ
び予測時間実績値を前記記憶手段から抽出する第２の過
程と、前記現在までの時系列駐車状況と、前記過去の複
数の時系列駐車状況とを比較し、現在までの時系列駐車
状況に類似する１または複数の過去の時系列駐車状況を
検出する第３の過程と、前記第３の過程によって検出さ
れた過去の時系列駐車状況に対応する前記予測時間実績
値に基づいて、現在から指定時間経過後の駐車状況を予
測するので、任意の駐車者が駐車する駐車場の駐車状況
を予測することができる。また、上述の駐車状況予測方
法において、前記記憶部に記録される駐車状況は、駐車
台数および気象状況であるので、そのときの天候による
駐車状況の変化をも予測することができる。また、上述
の駐車状況予測方法において、前記記憶部に記録される
駐車状況は、駐車台数およびイベントであるので、その
ときのイベントによる駐車状況の変化をも予測すること
ができる。また、上述の駐車状況予測方法において、前
記記憶部に記録される駐車状況は、駐車台数、気象状況
およびイベントであるので、そのときの天候とイベント
による駐車状況の変化をも予測することができる。As described above, according to the present invention,
A parking condition prediction method that has a storage unit in which a time-series parking condition including a parking condition from the past to the present and a time is stored, and that predicts a parking condition after a designated time based on data in the storage unit. A first step of reading the time-series parking status from the previous time to the present time from the storage unit, and a second process of extracting a plurality of time-series parking statuses and predicted time actual values at a past time point similar to the present time from the storage unit. A process and comparing the time-series parking status up to the present with the plurality of past time-series parking statuses, and detecting one or a plurality of past time-series parking statuses similar to the time-series parking status up to the present. A third process, and a parking condition after a lapse of a specified time from the present time is predicted based on the predicted time actual value corresponding to the past time-series parking condition detected in the third process; It is possible to predict the parking situation of parking the car's parked. In the above-described parking condition prediction method, the parking conditions recorded in the storage unit are the number of parked vehicles and the weather condition, so that a change in the parking condition due to the weather at that time can also be predicted. Further, in the above-described parking situation prediction method, since the parking situation recorded in the storage unit is the number of parked cars and the event, a change in the parking situation due to the event at that time can also be predicted. In the above-described parking condition prediction method, the parking conditions recorded in the storage unit are the number of parked vehicles, weather conditions, and events. Therefore, it is possible to predict changes in parking conditions due to the weather and events at that time. .
【図１】 この発明の第１から第４の実施形態による駐
車状況予測装置のブロック構成を示す図である。FIG. 1 is a diagram showing a block configuration of a parking situation prediction device according to first to fourth embodiments of the present invention.
【図２】 この発明の第１の実施形態における予測時間
実測値の抽出例を説明するタイミング図である。FIG. 2 is a timing chart for explaining an example of extracting a predicted time actual measurement value according to the first embodiment of the present invention.
【図３】 この発明の第１の実施形態における過去時系
列パターンの一例を示した図である。FIG. 3 is a diagram showing an example of a past time-series pattern according to the first embodiment of the present invention.
【図４】 この発明の第２の実施形態における過去時系
列パターンの一例を示した図である。FIG. 4 is a diagram illustrating an example of a past time-series pattern according to a second embodiment of the present invention.
【図５】 この発明の第３の実施形態における過去時系
列パターンの一例を示した図である。FIG. 5 is a diagram illustrating an example of a past time-series pattern according to a third embodiment of the present invention.
【図６】 この発明の第４の実施形態における過去時系
列パターンの一例を示した図である。FIG. 6 is a diagram illustrating an example of a past time-series pattern according to a fourth embodiment of the present invention.
１：情報入力部 ２：入力情報データベース ３：予測条件入力部 ４：最新時系列パターン作成部 ５：過去時系列パターン作成部 ６：類似時系列パターン抽出部 ７：予測駐車状況決定部 1: Information input unit 2: Input information database 3: Prediction condition input unit 4: Latest time series pattern creation unit 5: Past time series pattern creation unit 6: Similar time series pattern extraction unit 7: Predicted parking situation determination unit
Claims (9)
る現在駐車情報と過去の複数の時期における駐車情報で
ある過去駐車情報とを比較し、 この比較結果から前記現在駐車情報が類似する前記過去
駐車情報を検出し、 検出した過去駐車情報に基づいて将来の駐車状況を予測
することを特徴とする駐車状況予測方法。The present invention compares current parking information, which is parking information from a predetermined time ago to the present time, with past parking information, which is parking information at a plurality of times in the past, and from the result of the comparison, the current parking information having similarity is obtained. A parking situation prediction method comprising detecting past parking information and predicting a future parking situation based on the detected past parking information.
からなる時系列駐車状況が記憶された記憶部を有し、該
記憶部内のデータに基づいて指定時間後の駐車状況を予
測する駐車状況予測方法において、 一定時間前から現在までの時系列駐車状況を前記記憶部
から読み出す第１の過程と、 現在に類似する過去の時点における複数の時系列駐車状
況および予測時間実績値を前記記憶手段から抽出する第
２の過程と、 前記現在までの時系列駐車状況と、前記過去の複数の時
系列駐車状況とを比較し、現在までの時系列駐車状況に
類似する１または複数の過去の時系列駐車状況を検出す
る第３の過程と、 前記第３の過程によって検出された過去の時系列駐車状
況に対応する前記予測時間実績値に基づいて、現在から
指定時間経過後の駐車状況を予測することを特徴とする
駐車状況予測方法。2. A parking condition predicting device that has a storing unit storing a time-series parking condition including a parking condition from the past to the present and a time, and predicts a parking condition after a designated time based on data in the storing unit. In the method, a first step of reading the time-series parking status from a predetermined time ago to the present time from the storage unit, and a plurality of time-series parking statuses and a predicted time actual value at a past time similar to the present are stored from the storage unit. A second process of extracting, and comparing the time-series parking status up to the present and the plurality of past time-series parking statuses, and one or a plurality of past time-seriess similar to the time-series parking status up to the present A third step of detecting a parking state, and a parking state after a lapse of a specified time from the present time is predicted based on the predicted time actual value corresponding to the past time-series parking state detected in the third step. Parking situation prediction method which is characterized in that.
車台数であることを特徴とする請求項２に記載の駐車状
況予測方法。3. The parking situation prediction method according to claim 2, wherein the parking situation recorded in the storage unit is the number of parked vehicles.
車台数および気象状況であることを特徴とする請求項２
に記載の駐車状況予測方法。4. The parking condition recorded in the storage unit is a number of parked vehicles and a weather condition.
The parking situation prediction method described in.
車台数およびイベントであることを特徴とする請求項２
に記載の駐車状況予測方法。5. The parking condition recorded in the storage unit is a number of parked vehicles and an event.
The parking situation prediction method described in.
車台数、気象状況およびイベントであることを特徴とす
る請求項２に記載の駐車状況予測方法。6. The parking situation prediction method according to claim 2, wherein the parking situation recorded in the storage unit is a number of parked cars, a weather situation, and an event.
からなる時系列駐車状況が記憶された記憶部と、 前記記憶部から、一定時間前から現在までの時系列駐車
状況を読み出す第１の読出手段と、 前記記憶部から、現在に類似する過去の時点における複
数の時系列駐車状況および予測時間実績値を読み出す第
２の読出手段と、 前記現在までの時系列駐車状況と、前記過去の複数の時
系列駐車状況とを比較し、現在までの時系列駐車状況に
類似する１または複数の過去の時系列駐車状況を検出す
る検出手段と、 前記検出手段によって検出された過去の時系列駐車状況
に対応する前記予測時間実績値に基づいて、現在から指
定時間経過後の駐車状況を予測する予測手段と、 とを具備することを特徴とする駐車状況予測装置。7. A storage unit in which a time-series parking status including a past and a present parking status and a time is stored, and a first reading that reads a time-series parking status from a predetermined time ago to a present time from the storage unit. Means, a second reading means for reading a plurality of time-series parking conditions and predicted time actual values at a past time point similar to the present from the storage unit; a time-series parking state up to the present; Detecting means for comparing one or more past time-series parking situations similar to the time-series parking situation up to now, and a past time-series parking situation detected by the detecting means. And a predicting means for predicting a parking situation after a lapse of a specified time from the present based on the predicted time actual value corresponding to (c).
む第１の手順、 一定時間前から現在までの時系列駐車状況を前記記憶部
から読み出す第２の手順、 現在に類似する過去の時点における複数の時系列駐車状
況および予測時間実績値を前記記憶手段から抽出する第
３の手順、 前記現在までの時系列駐車状況と、前記過去の複数の時
系列駐車状況とを比較し、現在までの時系列駐車状況に
類似する１または複数の過去の時系列駐車状況を検出す
る第４の手順、 前記第４の手順によって検出された過去の時系列駐車状
況に対応する前記予測時間実績値に基づいて、現在から
指定時間経過後の駐車状況を予測する第５の手順、 を実行させるためのプログラム。8. A first procedure for writing the parking status and time into the storage means at regular time intervals in the computer, a second procedure for reading out the time-series parking situation from a certain time before to the present time from the storage unit, A third procedure of extracting a plurality of time-series parking situations and predicted time actual values at similar past time points from the storage means, the time-series parking situation up to now and the plurality of past time-series parking situations. A fourth procedure for comparing and detecting one or more past time-series parking situations similar to the current time-series parking situation to the present, wherein the fourth procedure corresponds to the past time-series parking situation detected by the fourth procedure. A fifth procedure for predicting a parking situation after a lapse of a designated time from the present based on the predicted actual time value.
む第１の手順、 一定時間前から現在までの時系列駐車状況を前記記憶部
から読み出す第２の手順、 現在に類似する過去の時点における複数の時系列駐車状
況および予測時間実績値を前記記憶手段から抽出する第
３の手順、 前記現在までの時系列駐車状況と、前記過去の複数の時
系列駐車状況とを比較し、現在までの時系列駐車状況に
類似する１または複数の過去の時系列駐車状況を検出す
る第４の手順、 前記第４の手順によって検出された過去の時系列駐車状
況に対応する前記予測時間実績値に基づいて、現在から
指定時間経過後の駐車状況を予測する第５の手順、 を、コンピュータに実行させるためのプログラムを記録
したコンピュータ読み取り可能な記録媒体。9. A first procedure for writing a parking state and a time to a storage means at regular time intervals in a computer, a second procedure for reading a time-series parking situation from a predetermined time ago to the present time from the storage unit, A third procedure of extracting a plurality of time-series parking situations and predicted time actual values at similar past time points from the storage means, the time-series parking situation up to now and the plurality of past time-series parking situations. A fourth procedure for comparing and detecting one or more past time-series parking situations similar to the current time-series parking situation to the present, wherein the fourth procedure corresponds to the past time-series parking situation detected by the fourth procedure. A computer-readable recording program for causing a computer to execute a fifth procedure of predicting a parking situation after a lapse of a specified time from the present based on the predicted actual time value. Recording media.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001058335A JP2002260187A (en) | 2001-03-02 | 2001-03-02 | Method, device, and program for predicting parking state |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001058335A JP2002260187A (en) | 2001-03-02 | 2001-03-02 | Method, device, and program for predicting parking state |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002260187A true JP2002260187A (en) | 2002-09-13 |
Family
ID=18918072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001058335A Pending JP2002260187A (en) | 2001-03-02 | 2001-03-02 | Method, device, and program for predicting parking state |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002260187A (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007156912A (en) * | 2005-12-06 | 2007-06-21 | Xanavi Informatics Corp | Device and method for predicting congestion information, car navigation system, and car navigation device |
| JP2007286685A (en) * | 2006-04-12 | 2007-11-01 | Chugoku Electric Power Co Inc:The | Parking lot management device and management method for parking lot management device |
| JP2010231605A (en) * | 2009-03-27 | 2010-10-14 | Denso It Laboratory Inc | Event determination device |
| WO2016136323A1 (en) * | 2015-02-27 | 2016-09-01 | 株式会社Ｅ．Ｉ．エンジニアリング | Energy predict system, energy predict method, computer program for causing execution thereof, recording medium whereupon said program is recorded, and operation assistance system |
| KR101909734B1 (en) * | 2017-10-31 | 2018-10-19 | 와이즈모바일 주식회사 | System for providing promotion by weather based on analysis of data acquired by pos device and method for providing promotion by weather based on analysis of data acquired by pos device |
| JP2018180906A (en) * | 2017-04-12 | 2018-11-15 | 富士通株式会社 | Congestion prediction program, congestion prediction apparatus, and congestion prediction method |
| JP2019096084A (en) * | 2017-11-24 | 2019-06-20 | パイオニア株式会社 | Information processing device |
-
2001
- 2001-03-02 JP JP2001058335A patent/JP2002260187A/en active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007156912A (en) * | 2005-12-06 | 2007-06-21 | Xanavi Informatics Corp | Device and method for predicting congestion information, car navigation system, and car navigation device |
| JP2007286685A (en) * | 2006-04-12 | 2007-11-01 | Chugoku Electric Power Co Inc:The | Parking lot management device and management method for parking lot management device |
| JP2010231605A (en) * | 2009-03-27 | 2010-10-14 | Denso It Laboratory Inc | Event determination device |
| CN101908270A (en) * | 2009-03-27 | 2010-12-08 | 电装It研究所 | Event judging apparatus |
| WO2016136323A1 (en) * | 2015-02-27 | 2016-09-01 | 株式会社Ｅ．Ｉ．エンジニアリング | Energy predict system, energy predict method, computer program for causing execution thereof, recording medium whereupon said program is recorded, and operation assistance system |
| JPWO2016136323A1 (en) * | 2015-02-27 | 2017-04-27 | 株式会社Ｅ．Ｉ．エンジニアリング | Energy prediction system, method of operating energy prediction system, computer program for executing the same, computer-readable recording medium storing this program, and driving support system |
| JP2018180906A (en) * | 2017-04-12 | 2018-11-15 | 富士通株式会社 | Congestion prediction program, congestion prediction apparatus, and congestion prediction method |
| KR101909734B1 (en) * | 2017-10-31 | 2018-10-19 | 와이즈모바일 주식회사 | System for providing promotion by weather based on analysis of data acquired by pos device and method for providing promotion by weather based on analysis of data acquired by pos device |
| JP2019096084A (en) * | 2017-11-24 | 2019-06-20 | パイオニア株式会社 | Information processing device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Estimation of queue lengths, probe vehicle penetration rates, and traffic volumes at signalized intersections using probe vehicle trajectories | |
| JP6761789B2 (en) | People flow forecasters, systems and programs | |
| US20120278320A1 (en) | Recommendation information providing system, recommendation information providing apparatus, recommendation information service method, and recommendation information distribution program | |
| CN107491852A (en) | Work plan supports information providing method and work plan to support information providing apparatus | |
| JP2011096173A (en) | System, terminal, server, method and program for providing information | |
| JP6171388B2 (en) | Navigation system, navigation method, and navigation program | |
| Hjorth et al. | Estimating exponential scheduling preferences | |
| Yin et al. | A Kalman filter-based queue length estimation method with low-penetration mobile sensor data at signalized intersections | |
| US20210174270A1 (en) | Rideshare vehicle demand forecasting device, method for forecasting rideshare vehicle demand, and storage medium | |
| JP2002140362A (en) | System and method for providing information to moving body | |
| US20070239703A1 (en) | Keyword search volume seasonality forecasting engine | |
| JP2001502831A (en) | A method for classifying the statistical dependence of measurable time series | |
| WO2010107394A1 (en) | Determining a traffic route using predicted traffic congestion | |
| JP7000293B2 (en) | Forecasting device, forecasting method, and forecasting program | |
| CN105144174A (en) | Bioage prediction apparatus and method | |
| CN111126713A (en) | Space-time hot spot prediction method and device based on bayonet data and controller | |
| Garcia-Vicuña et al. | Planning ward and intensive care unit beds for COVID-19 patients using a discrete event simulation model | |
| Elfar et al. | Traffic shockwave detection in a connected environment using the speed distribution of individual vehicles | |
| KR20220157421A (en) | Systems and methods for communicable disease surveillance and outbreak detection | |
| CN111639786A (en) | Resource allocation method, device, storage medium and computer equipment | |
| Ma et al. | Estimation of the automatic vehicle identification based spatial travel time information collected in Stockholm | |
| JP6736530B2 (en) | Prediction device, prediction method, and prediction program | |
| US20190311042A1 (en) | Intelligent incentive distribution | |
| JP2002260187A (en) | Method, device, and program for predicting parking state | |
| Jäger et al. | Analyzing and modeling a City’s spatiotemporal taxi supply and demand: A case study for Munich |