JP2005196238A - Travel time prediction method, device and program - Google Patents

Travel time prediction method, device and program Download PDF

Info

Publication number
JP2005196238A
JP2005196238A JP2003434924A JP2003434924A JP2005196238A JP 2005196238 A JP2005196238 A JP 2005196238A JP 2003434924 A JP2003434924 A JP 2003434924A JP 2003434924 A JP2003434924 A JP 2003434924A JP 2005196238 A JP2005196238 A JP 2005196238A
Authority
JP
Japan
Prior art keywords
travel time
data
time
day
statistical data
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.)
Granted
Application number
JP2003434924A
Other languages
Japanese (ja)
Other versions
JP3933127B2 (en
Inventor
Shigeki Nishimura
茂樹 西村
Tsutomu Usami
勤 宇佐美
Taro Hirai
太朗 平位
Koichi Washimi
公一 鷲見
Shoichi Tanada
昌一 棚田
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.)
Sumitomo Electric Industries Ltd
Original Assignee
Sumitomo Electric Industries Ltd
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 Sumitomo Electric Industries Ltd filed Critical Sumitomo Electric Industries Ltd
Priority to JP2003434924A priority Critical patent/JP3933127B2/en
Publication of JP2005196238A publication Critical patent/JP2005196238A/en
Application granted granted Critical
Publication of JP3933127B2 publication Critical patent/JP3933127B2/en
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

Abstract

<P>PROBLEM TO BE SOLVED: To predict a travel time precisely at a future time on a current day through the use of actual travel time data up to the present time of the current day concerning a road section for the prediction of the travel time and past statistical travel time data of the same road section. <P>SOLUTION: Actual travel time data T<SB>0</SB>(j) up to the present time of the current day is collected concerning the road section for the prediction of the travel time. A plurality of kinds of statistical travel time data T<SB>k</SB>(j) collected in the past on a day with a traffic condition being the same as that of the current day are acquired concerning the same road section. A plurality of kinds of the statistical travel time data T<SB>k</SB>(j) which are similar in a time change trend to the actual travel time data T<SB>0</SB>(j) are selected from the acquired statistical travel time data T<SB>k</SB>(j). Data T<SB>4</SB>(2), T<SB>4</SB>(3), etc., far removed from a distribution relative to data after the present time in a plurality of the selected statistical travel time data T<SB>k</SB>(j) are excluded. Then the travel time after the present time is predicted based on the non-excluded remaining statistical travel time data T<SB>k</SB>(j) after the present time. <P>COPYRIGHT: (C)2005,JPO&NCIPI

Description

本発明は、旅行時間を予測しようとする道路区間の、当日の現在時刻までの旅行時間実測データと、同じ道路区間の過去の旅行時間統計データとを用いて、道路区間の当日の将来時刻の旅行時間を予測する方法、装置及びプログラムに関するものである。   The present invention uses the actual travel time data up to the current time of the day of the road section to be predicted for the travel time and the past travel time statistical data of the same road section to determine the future time of the road section on the current day. The present invention relates to a method, apparatus, and program for predicting travel time.

最近の交通需要の増大と、インターネット、携帯電話などの情報伝達媒体の普及に伴い、交通情報提供に対するニーズが高まっている。交通情報のうち、走行車両が道路区間を走行するのに要する時間（旅行時間という）の情報は、交通渋滞の把握、目的地に到達する最短経路や迂回経路の算出、などに有用である。
特に、ある道路区間に注目して、当日の将来時刻の旅行時間を予測することが重要である。将来時刻の旅行時間を予測できれば、渋滞などが予測できるので、当該道路区間を避けた目的地までの経路を探索して車両に通知したり、車両に迂回指示を出したりすることができ、未然に交通渋滞の回避ができる。 With the recent increase in traffic demand and the spread of information transmission media such as the Internet and mobile phones, there is an increasing need for traffic information provision. Of the traffic information, information on the time required for the traveling vehicle to travel on the road section (referred to as travel time) is useful for grasping traffic congestion, calculating the shortest route or detour route to reach the destination, and the like.
In particular, it is important to pay attention to a certain road section and predict the travel time at the future time of the day. If you can predict the travel time at a future time, you can predict traffic jams, so you can search the route to the destination that avoids the road section and notify the vehicle, or issue a detour instruction to the vehicle. Can avoid traffic jams.

そこで、交通計測を行って収集した過去の旅行時間統計データを使って、将来の旅行時間を予測する方法が提案されている。この方法は、当日の現時刻までの旅行時間実測データを取り込み、旅行時間データベースに蓄積された旅行時間統計データの中から、現時刻までの旅行時間実測データの旅行時間の傾向の最も類似するパターンを検索し、類似パターンが現時刻までの旅行時間実測データの変化傾向が似ているときは、類似パターンをそのまま旅行時間予測値として用い、変化傾向が似ているが全体に利予行時間に時間差の生じているときは、その両データの比率を類似パターンに乗算することにより、旅行時間予測データを作成する。
特開2001-126180号公報 Therefore, a method for predicting a future travel time using past travel time statistical data collected by traffic measurement has been proposed. This method takes the actual travel time data up to the current time of the day, and from the travel time statistical data accumulated in the travel time database, the most similar pattern of the travel time trend of the actual travel time data up to the current time When the change pattern of the travel time measurement data up to the current time is similar, the similar pattern is used as the travel time prediction value as it is. Is generated by multiplying the similar pattern by the ratio of the two data.
JP 2001-126180 A

ところが、前記従来の方法では、旅行時間統計データの中から、現時刻までの旅行時間実測データの旅行時間と傾向が類似するとして検索されたパターンが、突発的・特殊な交通状況のため、当日の現時刻以後の旅行時間と変動傾向の全く異なるパターンである可能性を排除しきれない。
このような特異な変動傾向のパターンに基づき旅行時間を予測すると、実際の旅行時間とは大きくはずれてしまい、誤った予測を与えてしまうことになる。 However, in the conventional method, the pattern retrieved from the travel time statistical data as having a similar tendency to the travel time of the travel time actual measurement data up to the current time is due to sudden and special traffic conditions, so that day. The possibility that it is a completely different pattern of travel time and fluctuating trend after the current time cannot be excluded.
If the travel time is predicted based on such a peculiar variation tendency pattern, the actual travel time deviates greatly, and an erroneous prediction is given.

そこで本発明は、旅行時間を予測しようとする道路区間の、当日の現在時刻までの旅行時間実測データと、同じ道路区間の過去の旅行時間統計データとを用いて、精度のよい予測を行うことができる旅行時間予測方法、装置及びプログラムを提供することを目的とする。   Therefore, the present invention performs accurate prediction using the travel time actual measurement data up to the current time of the day of the road section on which the travel time is to be predicted and the past travel time statistical data of the same road section. It is an object of the present invention to provide a travel time prediction method, apparatus, and program capable of performing the above.

本発明の旅行時間予測方法は、旅行時間を予測しようとする道路区間の、当日の現在時刻までの旅行時間実測データを収集し、前記道路区間について、当日と同じ交通条件の日の、過去に収集された複数の旅行時間統計データを取得し、前記取得された旅行時間統計データの中から、前記旅行時間実測データと時間変動傾向の類似した旅行時間統計データを複数選択し、選択された複数の旅行時間統計データの、現在時刻以後のデータに対して、分布からかけ離れたデータを除外し、前記除外されなかった残りの現在時刻以後の旅行時間統計データに基づき、それらのデータを代表するデータ列を作成し、当日の現在時刻の旅行時間実測データとの差又は比に基づいて、現在時刻以後の旅行時間予測データを求める方法である（請求項１）。   The travel time prediction method of the present invention collects actual travel time data up to the current time of the day of the road section for which the travel time is to be predicted, and the road section in the past on the day of the same traffic conditions as the current day. A plurality of collected travel time statistical data is acquired, and a plurality of travel time statistical data similar in time trend to the travel time actual data is selected from the acquired travel time statistical data. In the travel time statistical data, data that is far from the distribution is excluded from the data after the current time, and data that represents those data based on the travel time statistical data after the remaining current time that is not excluded. This is a method of creating a column and obtaining travel time prediction data after the current time based on the difference or ratio with the travel time actual measurement data at the current time of the day (claim 1).

前記の方法によれば、旅行時間を予測しようとする道路区間の当日の現在時刻までの旅行時間実測データと、当日と同じ交通条件の日の、過去に収集された複数の旅行時間統計データとを用いて、前記旅行時間実測データと時間変動傾向の類似した旅行時間統計データを複数選択する。この選択された旅行時間統計データは、現在時刻までの旅行時間実測データと類似しているものの、現在時刻以後の旅行時間をどれだけ精度よく予測できるか未知のところがある。それは、突発事象など異常な条件におけるデータが入っているかもしれないからである。そこで、現在時刻以後の旅行時間統計データに対して、分布の端のデータを除外する。分布の端のデータは、突発事象など異常な条件におけるデータとみなせるからである。そして、分布の端のデータを除外した残りのデータにより、現在時刻以後の旅行時間を予測する。これにより、現在時刻以後の旅行時間を精度よく予測することができる。   According to the above method, the travel time actual measurement data up to the current time of the day of the road section for which the travel time is to be predicted, and a plurality of travel time statistical data collected in the past on the day of the same traffic condition as the current day, Is used to select a plurality of travel time statistical data having a similar time fluctuation tendency to the travel time actual measurement data. Although the selected travel time statistical data is similar to the travel time actual measurement data up to the current time, it is unknown how accurately the travel time after the current time can be predicted. This is because data in abnormal conditions such as sudden events may be included. Therefore, the data at the end of the distribution is excluded from the travel time statistical data after the current time. This is because the data at the end of the distribution can be regarded as data under abnormal conditions such as sudden events. Then, the travel time after the current time is predicted based on the remaining data excluding the data at the end of the distribution. Thereby, the travel time after the current time can be accurately predicted.

前記パターンの類似判断を行う場合の旅行時間実測データ及び旅行時間統計データは、当該時刻を含む過去の範囲の時間にわたって平滑化された旅行時間実測データ及び旅行時間統計データであることが望ましい（請求項２）。平滑化するのは、平滑化されない生のデータにはノイズが多く含まれているからである。過去の範囲の時間にわたって平滑化するのは、旅行時間実測データには将来のデータが含まれていないからである。   The travel time actual measurement data and the travel time statistical data when the similarity determination of the pattern is performed are preferably travel time actual measurement data and travel time statistical data smoothed over a past range of time including the time. Item 2). The reason for smoothing is that raw data that is not smoothed contains a lot of noise. The reason for smoothing over the past range of time is that the travel time actual measurement data does not include future data.

前記現在時刻以後の旅行時間統計データに対して、分布の端のデータを除外する処理で用いる旅行時間統計データは、当該時刻を含む前後の範囲の時間にわたって平滑化された旅行時間統計データであることが望ましい（請求項３）。平滑化するのは、平滑化されない生のデータにはノイズが多く含まれているからである。過去及び将来の時間にわたって平滑化するのは、旅行時間実測データには将来のデータが含まれているからである。過去の範囲の時間にわたって平滑化するよりも、過去及び将来の時間にわたって平滑化するほうが、現在のデータをよりよく再現できるという利点がある。   The travel time statistical data used in the process of excluding the data at the end of the distribution with respect to the travel time statistical data after the current time is travel time statistical data smoothed over the time before and after the time including the time. It is desirable (Claim 3). The reason for smoothing is that raw data that is not smoothed contains a lot of noise. The reason for smoothing over the past and future time is that the travel time measurement data includes future data. Smoothing over past and future times has the advantage of better reproducing current data than smoothing over past ranges of time.

前記現在時刻以後の旅行時間予測データを求めた後に、旅行時間予測データを所定時間前の予測データとして提供することが好ましい（請求項４）。旅行時間実測データを取得するために路上で車両を検知した時刻と、旅行時間実測データを用いて本発明の処理をする時刻との時間差が生じる場合がある。旅行時間統計データは、旅行時間実測データに基づいて作成されるので、旅行時間統計データには、この時間差がそのまま残るから、時間変動傾向のパターンを比較する場合、特に時間差を考慮することはない。   It is preferable to provide the travel time prediction data as prediction data before a predetermined time after obtaining the travel time prediction data after the current time. There may be a time difference between the time when the vehicle is detected on the road to obtain the travel time actual measurement data and the time when the processing of the present invention is performed using the travel time actual measurement data. Since the travel time statistical data is created based on the actual travel time data, this time difference remains in the travel time statistical data, so when comparing patterns of time fluctuation trends, the time difference is not particularly considered. .

しかし、旅行時間予測データを提供するとき、この時間差が現れる。そこで、旅行時間予測データを提供するとき、所定時間だけ前にずらした時点のデータとして提供すれば、時間ずれのない旅行時間予測データとなり、ユーザの使いやすいデータとなる。例えば、前記時間差が１５分であるとき、午前９時のタイムスタンプの押された旅行時間統計データを用いて旅行時間を予測したとき、その旅行時間予測データを、８時４５分時点の予測データとして提供する。   However, this time difference appears when providing travel time prediction data. Therefore, when the travel time prediction data is provided, if the travel time prediction data is provided as data at a time point shifted by a predetermined time, the travel time prediction data without time lag is obtained, and the data is easy for the user to use. For example, when the time difference is 15 minutes, when travel time is predicted using travel time statistical data with a time stamp of 9:00 am, the travel time prediction data is used as prediction data at 8:45. As offered.

前記交通条件が同じ日の旅行時間統計データには、当日と同じ日の旅行時間統計データ、当日と同じ曜日の旅行時間統計データ、当日と同じ天気の日の旅行時間統計データ、当日に催事があれば同じ催事があった日の旅行時間統計データなどがある（請求項５）。
さらに本発明の旅行時間予測装置は、前記請求項１から請求項５までのいずれかに記載の旅行時間予測方法を実施するものである（請求項６）。 The travel time statistical data on the same day with the same traffic conditions includes travel time statistical data on the same day as the current day, travel time statistical data on the same day of the week as the current day, travel time statistical data on the same weather as the current day, If there is, there is travel time statistical data on the day of the same event (claim 5).
Furthermore, the travel time prediction apparatus of the present invention implements the travel time prediction method according to any one of claims 1 to 5 (claim 6).

本発明の旅行時間予測プログラムは、前記請求項１から請求項５までのいずれかに記載の旅行時間予測方法をコンピュータに実行させるものである（請求項７）。   The travel time prediction program of the present invention causes a computer to execute the travel time prediction method according to any one of claims 1 to 5 (claim 7).

以上のように本発明によれば、旅行時間を予測しようとする道路区間の、当日の現在時刻までの旅行時間実測データと、同じ道路区間の過去の旅行時間統計データとを用いて、精度のよい予測を行うことができる。したがって、予測した旅行時間を、渋滞予測や、最短経路や迂回経路などの算出に活用することができる。   As described above, according to the present invention, using the actual travel time data up to the current time of the day of the road section on which the travel time is to be predicted and the past travel time statistical data of the same road section, Good predictions can be made. Therefore, the predicted travel time can be used for traffic jam prediction, calculation of the shortest route, detour route, and the like.

以下、本発明の実施の形態を、添付図面を参照しながら詳細に説明する。
図１は道路地図であり、交差点から交差点までの間の一方向の道路区間Ｌを示している。車両感知器や路側ビーコンは、この道路区間Ｌのいずれかの位置、例えば両端に設けられている。車両感知器は、道路の上から超音波や光のパルスを発射して、戻ってくる時間を測定することによって車両の存在を感知するセンサである。路側ビーコンは、車載通信装置と双方向通信を行うことによって、車両の識別を行うとともに、その車両が前回通過した路上ビーコンの情報やその通過時刻の情報を取得する通信装置である。 Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
FIG. 1 is a road map showing a one-way road section L from the intersection to the intersection. Vehicle detectors and roadside beacons are provided at any position in the road section L, for example, at both ends. The vehicle detector is a sensor that detects the presence of a vehicle by emitting a pulse of ultrasonic waves or light from the road and measuring the return time. A roadside beacon is a communication device that identifies a vehicle by performing two-way communication with an in-vehicle communication device, and acquires information on a road beacon that the vehicle has previously passed and information on its passage time.

図２は、本発明の旅行時間予測方法を実施するための旅行時間予測装置の概略図である。旅行時間予測装置は、コンピュータなどを含む処理装置１と、旅行時間実績データなどを記憶する記憶装置２と、管轄道路の各地点に設置された車両感知器や路上ビーコンからの信号を取り入れるためのインターフェイス３と、表示装置、キーボードなどの入出力装置４とを備えている。   FIG. 2 is a schematic diagram of a travel time prediction apparatus for implementing the travel time prediction method of the present invention. The travel time predicting device is for taking in signals from a processing device 1 including a computer, a storage device 2 that stores travel time performance data, and the like, and vehicle detectors and road beacons installed at each point of the jurisdiction road. An interface 3 and an input / output device 4 such as a display device and a keyboard are provided.

処理装置１が、旅行時間のデータを収集する方法をいくつか説明する。処理装置１は、車両感知器の感知信号に基づいて交通量ｑ（単位時間（例えば５分間）あたりの車両の通過台数）を算出する。車両感知器は道路区間ごとに設置されているので、交通量ｑも道路区間ごとに求められる。さらに処理装置１は、占有時間Ｏ（単位時間（例えば５分間）内に、各車両ｋが車両感知器を横切った時間ｔkの総和Σｔk）を検知する。処理装置１は、交通量ｑ、占有時間Ｏ、及び平均車長（一定値とする）Ｉを用いて、式Ｖ＝Ｉ・ｑ／Ｏにより車両の平均速度Ｖを計算し、これと道路区間の長さＬを用いて、式Ｔ＝Ｌ／Ｖにより旅行時間Ｔを計算する。   Several methods by which the processing device 1 collects travel time data will be described. The processing device 1 calculates the traffic volume q (the number of vehicles passing per unit time (for example, 5 minutes)) based on the detection signal of the vehicle detector. Since the vehicle detector is installed for each road section, the traffic volume q is also obtained for each road section. Further, the processing device 1 detects the occupation time O (the total sum Σtk of the times tk when each vehicle k crosses the vehicle sensor within a unit time (for example, 5 minutes)). The processing device 1 calculates the average speed V of the vehicle by the formula V = I · q / O using the traffic volume q, the occupation time O, and the average vehicle length (constant value) I, and this and the road section The travel time T is calculated by the equation T = L / V using the length L of

道路区間に路上ビーコンが設置されていて、車載装置との双方向通信により車両が識別できるときは、同一車両が道路区間の端を通過した時刻と道路区間の他の端を通過した時刻とから、道路区間を走行するのに要した旅行時間を求めることもできる。単位時間（例えば５分間）内に複数の車両を同定できたならば、各車両の旅行時間の平均をとる。
以上の他に、カメラの計測画像から車両のプレートナンバーをマッチングして車両を同定し、同一車両が道路区間の端を通過した時刻と道路区間の他の端を通過した時刻とから、道路区間を走行するのに要した時間Ｔを求めるようにしてもよい。この場合も、単位時間（例えば５分間）内に複数の車両を同定できたときは、各車両の旅行時間の平均をとる。 When a road beacon is installed in a road section and the vehicle can be identified by two-way communication with the in-vehicle device, from the time when the same vehicle passes the end of the road section and the time when the other end of the road section passes It is also possible to obtain the travel time required to travel on the road section. If a plurality of vehicles can be identified within a unit time (for example, 5 minutes), the travel time of each vehicle is averaged.
In addition to the above, the vehicle number is identified by matching the vehicle plate number from the measurement image of the camera. From the time when the same vehicle passes the end of the road section and the time when the other end of the road section passes, the road section You may make it obtain | require the time T required for driving | running | working. Also in this case, when a plurality of vehicles can be identified within a unit time (for example, 5 minutes), the average travel time of each vehicle is taken.

以上のようにして求めた複数種類の旅行時間について、重み付き平均値をとって、これを旅行時間としてもよい。重みとしては、経験上定めた値を採用すればよい。
処理装置１は、旅行時間のデータを、道路区間ごと時間帯ごとに記憶装置２に蓄積する。この蓄積されたデータを「旅行時間統計データ」という。この蓄積をするときに、時系列データのばらつきを排除するため、データの平滑化を行うことが望ましい。平滑化は、後述するように、移動平均、指数平滑等の平滑化手法を用いて行う。しかし、これ以外に、時系列データに対して離散コサイン変換をして複数の周波数成分に分解し、分解された周波数成分のうち、周波数の高い部分は除去し、残った周波数の低い成分だけを用いて離散コサイン逆変換をして、ばらつきの影響が排除された時系列データを作成してもよい。前記離散コサイン変換に代えて、フーリエ変換やウェーブレット変換を採用してもよい。 For the plurality of types of travel times obtained as described above, a weighted average value may be taken and used as travel time. As a weight, a value determined based on experience may be adopted.
The processing device 1 accumulates travel time data in the storage device 2 for each road section and for each time zone. This accumulated data is referred to as “travel time statistical data”. When this accumulation is performed, it is desirable to smooth the data in order to eliminate variations in time-series data. Smoothing is performed using a smoothing method such as moving average and exponential smoothing, as will be described later. However, in addition to this, discrete cosine transform is performed on the time series data to decompose it into a plurality of frequency components. Among the decomposed frequency components, the high frequency part is removed and only the remaining low frequency components are removed. The time series data in which the influence of the variation is eliminated may be generated by performing inverse discrete cosine transform using the data. Instead of the discrete cosine transform, Fourier transform or wavelet transform may be employed.

次に処理装置１は、当日の予測したい道路区間について、以下の処理により旅行時間の予測を行う。
図３は、旅行時間の予測処理を説明するためのフローチャートである。
まず、処理装置１は、管轄道路の中から予測したい道路区間を指定する。そして、当日と同じ日、曜日、天候、催事の有無などを満たす日を選定し、その日の時間帯（例えば５分間）ごとの旅行時間統計データを抽出する（ステップＳ１）。ここに、日、曜日、天候、催事の有無など、旅行時間とその分布に影響を与える条件を「交通条件」という。交通条件の同じ日の旅行時間統計データを抽出するのは、交通条件が同じ日であれば、その日に突発的な事象（事故、道路工事、異常気象など）が起こらなかった限り、旅行時間とその分布が似ていると考えられるので、精度のよい旅行時間の予測ができるからである。 Next, the processing device 1 predicts the travel time for the road segment to be predicted on the current day by the following process.
FIG. 3 is a flowchart for explaining travel time prediction processing.
First, the processing device 1 designates a road section to be predicted from among the jurisdiction roads. Then, a day satisfying the same day, day of the week, weather, presence / absence of events, etc. is selected, and travel time statistical data for each time zone (for example, 5 minutes) is extracted (step S1). Here, conditions that affect travel time and its distribution, such as days, days of the week, weather, and the presence or absence of special events, are referred to as “traffic conditions”. The travel time statistical data for the same day of traffic conditions is extracted if the traffic conditions are the same day, as long as no sudden event (accident, road construction, abnormal weather, etc.) occurs on that day. This is because the distribution is considered to be similar, so that the travel time can be predicted with high accuracy.

例えば、「１月１日」という特異な日の旅行時間を予想したい場合、経験上、「日」が交通条件の最大の要素となるので、去年の１月１日、一昨年の１月１日といった旅行時間統計データを抽出する。当日が「雨の金曜日」であることに注目するならば、前回雨であった金曜日、前々回雨であった金曜日などの旅行時間統計データを抽出する。
次に処理装置１は、記憶装置２から当日収集された旅行時間データ（「旅行時間実績データ」という）を読み出す。これにより、特定された各道路区間について、現在時刻に至るまでの時間帯（例えば５分間）ごとの時系列データが得られる。処理装置１は、交通条件の同じ日の旅行時間統計データの中から、この当日の旅行時間実績データと時間変動の傾向（パターン、トレンド）の似ている旅行時間統計データを、通常は複数選定する（ステップＳ２）。この選定方法は、後に詳述する。 For example, if you want to predict the travel time on a unique day of “January 1”, experience has shown that “Sun” is the largest element of traffic conditions, so January 1 last year, January 1 last year The travel time statistical data is extracted. If attention is paid to the fact that the day is “rainy Friday”, the travel time statistical data such as the last rainy Friday and the last rainy Friday are extracted.
Next, the processing device 1 reads travel time data (referred to as “travel time result data”) collected from the storage device 2 on the day. Thereby, time series data for each time zone (for example, 5 minutes) until the current time is obtained for each identified road section. The processing device 1 usually selects a plurality of travel time statistical data having similar travel time actual data and time fluctuation trends (patterns, trends) from the travel time statistical data on the same day under the same traffic conditions. (Step S2). This selection method will be described in detail later.

つぎに、選定された旅行時間統計データの現在時刻以後の将来に注目し、この将来時刻において、平均的傾向からかけ離れたデータ部分を除外する（ステップＳ３）。これは、その日に突発的な事象（事故、道路工事、異常気象など）が起こって、旅行時間に異常値が現れた場合にそのデータを除外するためである。この除外処理も後述する。
そして、除外済みの旅行時間統計データに対して、それらのデータを代表するデータを算出する（ステップＳ４）。例えば、単純平均をとる、重み付け平均をとる、中央値をとる、などである。 Next, attention is paid to the future after the current time of the selected travel time statistical data, and the data portion far from the average tendency is excluded at this future time (step S3). This is to exclude the data when a sudden event (accident, road construction, abnormal weather, etc.) occurs on that day and an abnormal value appears in the travel time. This exclusion process will also be described later.
Then, for the travel time statistical data that has been excluded, data representing those data is calculated (step S4). For example, taking a simple average, taking a weighted average, taking a median, etc.

さらにこの代表データの現在時刻の旅行時間に対して、当日の旅行時間実績データの現在時刻の旅行時間との差又は比をとる（ステップＳ５）。この差又は比に基づいて、当日の将来時刻の旅行時間予測データを算出する（ステップＳ６）。
次に以上の各ステップの手順を、具体例をあげて詳しく説明する。
まず記号を導入する。当日の旅行時間実測データをＴ0(j)と書く。添え字“０”は当日であることを表す。また、旅行時間統計データをＴk(j)と書く。添え字ｋが“１”であれば交通条件が同じである前日を表し、添え字ｋが“２”であれば交通条件が同じである前々日などを表す。括弧内の“ｊ”は時間帯を表す。現在の時間帯ならばｊ＝０、１つ前の時間帯ならばｊ＝−１、２つ前の時間帯ならばｊ＝−２、１つ先の時間帯ならばｊ＝１、２つ先の時間帯ならばｊ＝２、などである。 Further, the difference or ratio of the travel time at the current time of the current day with respect to the travel time at the current time of the representative data is taken (step S5). Based on this difference or ratio, travel time prediction data for the future time of the day is calculated (step S6).
Next, the procedures of the above steps will be described in detail with specific examples.
First, introduce symbols. The actual travel time data for the day is written as T 0 (j). The subscript “0” represents that day. The travel time statistical data is written as T k (j). If the subscript k is “1”, it represents the previous day when the traffic condition is the same, and if the subscript k is “2”, it represents the day before the traffic condition is the same. “J” in parentheses represents a time zone. J = 0 for the current time zone, j = -1 for the previous time zone, j = -2 for the previous time zone, j = 1, 2 for the next time zone In the previous time zone, j = 2 and so on.

図４は、当日の旅行時間実測データＴ0(j)と、ステップＳ１で抽出された交通条件の同じ日の旅行時間統計データＴ1(j) ，Ｔ2(j) ，...，ＴN(j)を描いたグラフである。Ｎは抽出された旅行時間統計データの総数である。現在時刻とそれ以前の時刻ｊ＝０，−１，−２，・・・のデータのみを描いている。
ここで、旅行時間実測データＴ0(j)と旅行時間統計データＴ1(j) ，Ｔ2(j) ，...，ＴN(j)とは、前述したように、平滑化されたデータを用いる。平滑化されていないデータを用いれば、変動が多すぎて、実用になりにくいからである。 FIG. 4 shows actual travel time data T 0 (j) on the day and travel time statistical data T 1 (j), T 2 (j),..., T on the same day in the traffic conditions extracted in step S1. This is a graph depicting N (j). N is the total number of travel time statistical data extracted. Only the data of the current time and the previous time j = 0, −1, −2,.
Here, the travel time actual measurement data T 0 (j) and the travel time statistical data T 1 (j), T 2 (j), ..., T N (j) are smoothed as described above. Use data. This is because if unsmoothed data is used, there are too many fluctuations and it is difficult to put it into practical use.

平滑化方法として、当該時刻を含む過去の範囲の時刻にわたって平均をとられたデータを用いることが好ましい。過去の範囲の時刻にわたって平均をとるのは、旅行時間実測データＴ0(j)は過去のデータしか収集できないので、将来の時刻にわたって平均をとることができない。例えば、指数平滑を採用する。指数平滑とは、今回のデータと前回のデータとを重みをつけて足すことにより平滑化する方法である。前回のデータも、前々回のデータの重みがかかっているので、過去の履歴を引きずったデータとなる。 As the smoothing method, it is preferable to use data averaged over a time in the past range including the time. The average over the time in the past range cannot be averaged over the future time because the travel time actual measurement data T 0 (j) can only collect the past data. For example, exponential smoothing is employed. Exponential smoothing is a method of smoothing the current data and the previous data by adding weights. The previous data is also the data that dragged the past history because the previous data is weighted.

処理装置１は、旅行時間実測データＴ0(j)と、時間変動の傾向（パターン、トレンド）の似ている旅行時間統計データをＴ1(j) ，Ｔ2(j)，...を選択する。この似ているかどうかの判定には、各旅行時間統計データＴk(j)にごとに、次のような距離評価関数F(k)を作成する。k=1からNまでのいずれかである。
F(k)＝｛Σ[Ｔ0(j)−Ｔk(j)]2｝1/2
ここで総和Σは、現在時刻からj=0から、過去に遡った所定の時刻（例えば当日の始まり、早朝の時刻）までとる。１つ１つの旅行時間統計データＴk(j)に対応するF(k)が小さいほど、Ｔ0(j)とＴk(j)との距離が短く、時間変動の傾向（パターン、トレンド）が似ている。 The processing device 1 obtains travel time statistical data T 1 (j), T 2 (j),... As travel time actual measurement data T 0 (j) and travel time statistical data similar in time fluctuation tendency (pattern, trend). select. To determine whether or not they are similar, the following distance evaluation function F (k) is created for each travel time statistical data T k (j). Any one of k = 1 to N.
F (k) = {Σ [T 0 (j) −T k (j)] 2 } 1/2
Here, the total sum Σ is taken from j = 0 from the current time to a predetermined time that goes back in the past (for example, the beginning of the day, the early morning time). The smaller the F (k) corresponding to each piece of travel time statistical data T k (j), the shorter the distance between T 0 (j) and T k (j), and the tendency of time fluctuation (pattern, trend) Are similar.

また、他の評価関数として、傾きの関数G(k)を採用してもよい。
G(k)＝｛Σ[（Ｔ0(j)−Ｔ0(j-1)）−（Ｔk(j)−Ｔk(j-1)）]2｝1/2
総和Σは、現在時刻からj=0から、過去に遡った所定の時刻までとる。G(k)が小さいほどＴ0(j)の傾きとＴk(j)の傾きが近いので、時間変動の傾向（パターン、トレンド）が似ている。 In addition, a gradient function G (k) may be adopted as another evaluation function.
G (k) = {Σ [(T 0 (j) −T 0 (j−1)) − (T k (j) −T k (j−1))] 2 } 1/2
The sum Σ is taken from j = 0 from the current time to a predetermined time that goes back in the past. Since the slope of T 0 (j) and the slope of T k (j) are closer as G (k) is smaller, the tendency of time fluctuation (pattern, trend) is similar.

前記評価関数F(k)とG(k)との線形和
H(k)＝αF(k)＋βG(k)
を評価関数としてもよい。
この評価関数の値（評価値という）がしきい値よりも小さな旅行時間統計データＴk(j)を、１又は複数選択する。しきい値よりも大きな旅行時間統計データは捨てる。 Linear sum of the evaluation functions F (k) and G (k)
H (k) = αF (k) + βG (k)
May be an evaluation function.
One or a plurality of travel time statistical data T k (j) whose evaluation function value (evaluation value) is smaller than a threshold value are selected. Discard travel time statistical data larger than the threshold.

図５は、しきい値を固定した場合の旅行時間統計データＴk(j)の個数分布のグラフであり、横軸は評価値を示す。しきい値よりも小さな旅行時間統計データＴk(j)が採用される。
図６は、しきい値を変数とした場合の旅行時間統計データＴk(j)の個数分布を示すグラフである。もっとも評価値の小さな旅行時間統計データＴk(j)の評価値ａに定数ｒをかけた値ｒａをしきい値としている。 FIG. 5 is a graph of the number distribution of the travel time statistical data T k (j) when the threshold value is fixed, and the horizontal axis indicates the evaluation value. Travel time statistical data T k (j) smaller than the threshold is adopted.
FIG. 6 is a graph showing the number distribution of travel time statistical data T k (j) when the threshold value is a variable. The threshold value is a value ra obtained by multiplying the evaluation value a of the travel time statistical data T k (j) having the smallest evaluation value by a constant r.

このようにして、当日の旅行時間実測データとパターン、トレンドの似ている１又は複数の旅行時間統計データが選定される。選択された旅行時間統計データＴk(j)の個数をＭとする。
次に、これらの選定された旅行時間統計データに対して、現在時刻より後の値に基づいた処理を行う。 In this way, one or a plurality of travel time statistical data similar in pattern and trend to the actual travel time data of the day are selected. Let M be the number of selected travel time statistical data T k (j).
Next, a process based on a value after the current time is performed on the selected travel time statistical data.

図７は、当日の旅行時間実測データＴ0(j)と、当日の旅行時間実測データＴ0(j)とパターン、トレンドが似ているとして選定された旅行時間統計データＴ1(j) ，Ｔ2(j)，・・，ＴM(j)を描いたグラフである。現在時刻とそれ以後の時刻ｊ＝０，１，２，・・・のデータのみを描いている。
ここで、旅行時間統計データＴ1(j) ，Ｔ2(j)等は、平滑化されたデータを用いる。平滑化されていないデータを用いれば、変動が多すぎて、実用になりにくいからである。平滑化方法として、当該時刻を含む前後の範囲の時刻にわたって平均をとることが望ましい。例えば移動平均をとる。移動平均とは、今回のデータとその前後一定数のデータとを重みをつけて足すことにより平滑化する方法である。旅行時間統計データは、すでに全時間にわたって取得され蓄積されているデータであるので、平均をとるにあたって、将来時刻のデータも含めることができる。 FIG. 7 shows the travel time actual data T 0 (j) of the day, the travel time statistical data T 1 (j) selected as having the same pattern and trend as the current travel time actual data T 0 (j). It is a graph depicting T 2 (j),..., T M (j). Only the data of the current time and the subsequent time j = 0, 1, 2,.
Here, smoothed data is used as the travel time statistical data T 1 (j), T 2 (j), and the like. This is because if unsmoothed data is used, there are too many fluctuations and it is difficult to put it into practical use. As a smoothing method, it is desirable to take an average over the time in the range before and after that time. For example, a moving average is taken. The moving average is a method of smoothing the current data and a certain number of data before and after it by adding weights. Since the travel time statistical data is already acquired and accumulated over the entire time, the data of future time can be included in taking the average.

まず、将来時刻において、選定された旅行時間統計データＴ1(j) ，Ｔ2(j) ，・・，ＴM(j)の平均をとる。この平均をとった旅行時間統計データをＴm(j)として太線で描いている。
この平均旅行時間統計データＴm(j)から大きく離れた旅行時間統計データを考慮すれば旅行時間予測精度の低下につながるので、そのような、平均旅行時間統計データＴm(j)から大きく離れた部分を除外する。このために時間帯ｊにおける偏差値Ｙ(k.j)を導入する。 First, the average of the selected travel time statistical data T 1 (j), T 2 (j),..., T M (j) is taken at the future time. The travel time statistical data obtained by taking this average is drawn as a thick line as T m (j).
Considering travel time statistical data far away from this average travel time statistical data T m (j) leads to a decrease in travel time prediction accuracy, so that it is far from such average travel time statistical data T m (j). Exclude parts. For this purpose, a deviation value Y (kj) in the time zone j is introduced.

Ｙ(k,j)＝｛［Ｔk(j)−Ｔm(j)］2／Ｎ｝1/2
この偏差値Ｙ(k.j)がしきい値以上あれば、平均旅行時間統計データＴm(j)から距離が離れているとして、当該時間帯のデータＴk(j)を除外する。
なお、平均旅行時間統計データＴm(j)を求めたときに求まった標準偏差を含む、次のような偏差値Ｚ（k,j）を用いてもよい。 Y (k, j) = {[T k (j) −T m (j)] 2 / N} 1/2
If this deviation value Y (kj) is equal to or greater than the threshold value, the distance T from the average travel time statistical data T m (j) is assumed to be excluded, and the data T k (j) for the time zone is excluded.
The following deviation value Z (k, j) including the standard deviation obtained when the average travel time statistical data T m (j) is obtained may be used.

Ｚ（k,j）＝５０＋１０[Ｔk(j)−Ｔm(j)]／（標準偏差）
この偏差値Ｚ（k,j）が、例えば３０未満又は７０以上の場合、当該時間帯のデータＴk(j)を除外する。
これらの平均的傾向からかけ離れたデータは、突発的な事象（事故、道路工事、異常気象など）に基づくものと考えられるので、旅行時間の予測精度の低下要因になると考えられるからである。 Z (k, j) = 50 + 10 [T k (j) −T m (j)] / (standard deviation)
If the deviation value Z (k, j) is, for example, less than 30 or more than 70, the data T k (j) for the time zone is excluded.
This is because the data far from these average trends is thought to be based on sudden events (accidents, road construction, abnormal weather, etc.), and is considered to be a factor that reduces the prediction accuracy of travel time.

図７のグラフの場合、Ｔ4(2), Ｔ4(3)といった離れたデータが除外される。
除外処理が終われば、除外されなかった旅行時間統計データの平均をとる。この除外されなかった旅行時間統計データについての平均旅行時間統計データをＴm′(j)と書く。この平均旅行時間統計データＴm′(j)は、平均的傾向からかけ離れたデータが除外されているという点で、前述した平均旅行時間統計データＴm(j)よりもさらに精度がよくなっている。 In the case of the graph of FIG. 7, remote data such as T 4 (2) and T 4 (3) are excluded.
When the exclusion process is completed, the travel time statistical data not excluded is averaged. The average travel time statistical data for the travel time statistical data not excluded is written as T m ′ (j). The average travel time statistical data T m ′ (j) is more accurate than the average travel time statistical data T m (j) described above in that data far from the average trend is excluded. Yes.

次に、この精度のよい平均旅行時間統計データＴm′(j)を用いて、当日の旅行時間実測データＴ0(j)を、将来時刻に向かって延長する。この延長されたデータを「旅行時間予測データ」という。図８は、旅行時間予測データを求める方法を示すグラフである。
図８に示すように、旅行時間予測データ（破線）は、当日の旅行時間実測データの現在値Ｔ0(0)と、平均旅行時間統計データの現在値Ｔm′(0)との差ΔＴを、平均旅行時間統計データＴm′(j)に加えることにより求まる。 Next, using this accurate average travel time statistical data T m ′ (j), the travel time actual measurement data T 0 (j) on that day is extended toward the future time. This extended data is referred to as “travel time prediction data”. FIG. 8 is a graph showing a method for obtaining travel time prediction data.
As shown in FIG. 8, the travel time prediction data (broken line) is the difference ΔT between the current value T 0 (0) of the actual travel time data of the day and the current value T m ′ (0) of the average travel time statistical data. Is added to the average travel time statistical data T m ′ (j).

また、当日の旅行時間実測データの現在値Ｔ0(0)と、平均旅行時間統計データの現在値Ｔm′(0)との比ΔＲを、平均旅行時間統計データＴm′(j)にかけて求めてもよい。
以上のようにして、当日と交通条件が同じ日の旅行時間統計データの中から、旅行時間実測データとパターン、トレンドの類似する旅行時間統計データを採用し、さらに将来時刻において、その旅行時間統計データの中からかけ離れた値を除外した上で旅行時間統計データの平均をとり、この平均をとった旅行時間統計データに基づいて、旅行時間実測データを延長することにより、当日の旅行時間予測データを算出する。この処理により、当日の将来時刻の旅行時間を精度よく算出することができる。 Further, the ratio ΔR between the current value T 0 (0) of the actual travel time data of the day and the current value T m ′ (0) of the average travel time statistical data is multiplied by the average travel time statistical data T m ′ (j). You may ask for it.
As described above, travel time statistics data similar in pattern and trend to travel time statistics data is adopted from travel time statistics data of the same day and traffic conditions, and the travel time statistics at future times. Travel time prediction data of the day is calculated by taking the average of travel time statistical data after excluding far-off values from the data and extending the actual travel time data based on the average travel time statistical data. Is calculated. By this process, the travel time at the future time of the day can be accurately calculated.

なお、旅行時間実測データは、路上で車両を検知する時刻と、処理装置１にデータが送られてくる時刻との間に時間差（通常１５分位）がある。旅行時間統計データも旅行時間実測データに基づいて作成されるため、同様の時間差がある。そこで、処理装置１が旅行時間予測データを外部機関に提供する際に、旅行時間予測データの時刻を、前記時間差だけ前にずらした上で提供することが望ましい。   The travel time measurement data has a time difference (usually about 15 minutes) between the time when the vehicle is detected on the road and the time when the data is sent to the processing device 1. Since the travel time statistical data is also created based on the travel time actual measurement data, there is a similar time difference. Therefore, when the processing device 1 provides the travel time prediction data to an external organization, it is desirable to provide the travel time prediction data after shifting the time of the travel time prediction data by the time difference.

図９は、過去のある日に取得された前記時間差だけ前にずらした旅行時間実測データＴ0(j)、同じ日の前記時間差だけ前にすらした旅行時間統計データＴk′(j)、同じ日の前記時間差補正をしていない旅行時間実測データＴ0(j)、の各パターンを示すグラフである。横軸は時刻、縦軸は旅行時間（単位は任意）を表す。旅行時間実測データＴ0(j)は実際の交通流を表したグラフとみなすことができる。 FIG. 9 shows travel time actual measurement data T 0 (j) shifted forward by the time difference acquired on a certain date in the past, travel time statistical data T k ′ (j) even forward by the time difference of the same day, travel time measured data T 0 that is not the time difference correction of the same day (j), is a graph showing the patterns of the. The horizontal axis represents time, and the vertical axis represents travel time (unit is arbitrary). Travel time actual measurement data T 0 (j) can be regarded as a graph representing actual traffic flow.

旅行時間統計データＴk(j)、旅行時間統計データＴk′(j)は平滑化していないデータである。
前記時間差だけ前にすらした旅行時間統計データＴk′(j)を提供することにより、旅行時間統計データＴk′(j)は、旅行時間統計データＴk(j)と比較して、実際の交通流である旅行時間実測データＴ0(j)に、より近い形をとってくる。このように時間差だけ前にすらした旅行時間統計データＴk′(j)を用いれば、特に、午前５時あたりからの旅行時間の立ち上がり（車両が混み始める時刻）を素早くとらえることができる。 The travel time statistical data T k (j) and the travel time statistical data T k ′ (j) are unsmoothed data.
By providing the travel time statistical data T k ′ (j) that is even before the time difference, the travel time statistical data T k ′ (j) is actually compared with the travel time statistical data T k (j). It takes a form that is closer to the travel time measurement data T 0 (j) that is the traffic flow. In this way, by using the travel time statistical data T k ′ (j) even before the time difference, it is possible to quickly catch the rise of the travel time from around 5 am (the time when the vehicle starts to get crowded).

以上で、本発明の実施の形態を説明したが、本発明の実施は、前記の形態に限定されるものではなく、本発明の範囲内で種々の変更を施すことができる。   Although the embodiments of the present invention have been described above, the embodiments of the present invention are not limited to the above-described embodiments, and various modifications can be made within the scope of the present invention.

交差点から交差点までの間の一方向の道路区間Ｌを示す道路地図である。It is a road map which shows the road section L of one direction between an intersection and an intersection. 本発明の旅行時間予測方法を実施するための旅行時間予測装置の概略図である。It is the schematic of the travel time prediction apparatus for enforcing the travel time prediction method of this invention. 本発明の旅行時間予測方法の流れを説明するためのフローチャートである。It is a flowchart for demonstrating the flow of the travel time prediction method of this invention. 当日の旅行時間実測データＴ0(j)、及び交通条件の同じ日の旅行時間統計データＴ1(j) ，Ｔ2(j)を描いたグラフである。It is a graph depicting travel time actual measurement data T 0 (j) on the day and travel time statistical data T 1 (j) and T 2 (j) on the same day under the same traffic conditions. しきい値を固定した場合の旅行時間統計データＴk(j)の個数分布のグラフである。It is a graph of the number distribution of travel time statistical data T k (j) when a threshold value is fixed. しきい値を変数とした場合の旅行時間統計データＴk(j)の個数分布を示すグラフである。It is a graph which shows the number distribution of the travel time statistical data Tk (j) when a threshold value is used as a variable. 当日の旅行時間実測データＴ0(j)とパターン、トレンドの似ている旅行時間統計データＴ1(j) ，Ｔ2(j)，・・・を描いたグラフである。It is a graph depicting travel time statistical data T 1 (j), T 2 (j),... Similar in pattern and trend to the actual travel time data T 0 (j) on the day. 当日の将来時刻の旅行時間予測データを求める方法を説明するためのグラフである。It is a graph for demonstrating the method of calculating | requiring the travel time prediction data of the future time of the day. 処理装置１が旅行時間予測データを外部機関に提供する際に、旅行時間予測データの時刻を、所定時間差だけ前にずらした上で提供することの効果を説明するためのグラフである。It is a graph for demonstrating the effect of providing after shifting the time of travel time prediction data by a predetermined time difference, when the processing apparatus 1 provides travel time prediction data to an external organization.

符号の説明Explanation of symbols

１ 処理装置
２ 記憶装置
３ インターフェイス
４ 入出力装置
Ｌ 道路 1 processing device 2 storage device 3 interface 4 input / output device L road

Claims (7)

次の（ａ）から（ｅ）までの手順を含むことを特徴とする旅行時間予測方法。
（ａ）旅行時間を予測しようとする道路区間の、当日の現在時刻までの旅行時間実測データを収集する。
（ｂ）前記道路区間について、当日と同じ交通条件の日の、過去に収集された複数の旅行時間統計データを取得する。
（ｃ）前記（ｂ）で取得された旅行時間統計データの中から、前記旅行時間実測データと時間変動傾向の類似した旅行時間統計データを複数選択する。
（ｄ）前記（ｃ）で選択された複数の旅行時間統計データの、現在時刻以後のデータに対して、分布からかけ離れたデータを除外する。
（ｅ）前記除外されなかった残りの現在時刻以後の旅行時間統計データに基づき、それらのデータを代表するデータ列を作成し、当日の現在時刻の旅行時間実測データとの差又は比に基づいて、現在時刻以後の旅行時間予測データを求める。 A travel time prediction method comprising the following steps (a) to (e):
(A) Collect actual travel time data up to the current time of the day of the road section where the travel time is to be predicted.
(B) For the road section, a plurality of travel time statistical data collected in the past on the day of the same traffic condition as that day is acquired.
(C) From the travel time statistical data acquired in (b), a plurality of travel time statistical data similar in time variation tendency to the travel time actual measurement data are selected.
(D) Excludes data far from the distribution from the data after the current time of the plurality of travel time statistical data selected in (c).
(E) Based on the travel time statistical data after the remaining current time that was not excluded, a data string representing those data was created, and based on the difference or ratio with the travel time actual measurement data at the current time of the day The travel time prediction data after the current time is obtained. 前記（ｃ）の手順で用いる旅行時間実測データ及び旅行時間統計データは、当該時刻を含む過去の範囲の時間にわたって平滑化された旅行時間実測データ及び旅行時間統計データである請求項１記載の旅行時間予測方法。   The travel time measured data and travel time statistical data used in the procedure of (c) are travel time measured data and travel time statistical data smoothed over a past range of time including the time. Time prediction method. 前記（ｄ）の手順で用いる旅行時間統計データは、当該時刻を含む前後の範囲の時間にわたって平滑化された旅行時間統計データである請求項１記載の旅行時間予測方法。   2. The travel time prediction method according to claim 1, wherein the travel time statistical data used in the procedure of (d) is travel time statistical data smoothed over a time period before and after the time including the time. 前記（ｅ）の手順で現在時刻以後のある時刻の旅行時間予測データを求めた後に、旅行時間予測データを、当該時刻より所定時間前の時点の予測データとして提供する請求項１記載の旅行時間予測方法。   2. The travel time according to claim 1, wherein travel time prediction data is provided as prediction data at a predetermined time before the time after obtaining travel time prediction data at a certain time after the current time in the procedure of (e). Prediction method. 前記（ｂ）の手順で、当日と同じ交通条件の日の旅行時間統計データとは、次の(1)から(4)までのいずれかの旅行時間統計データである請求項１記載の旅行時間予測方法。
(1) 当日と同じ日の旅行時間統計データ、
(2) 当日と同じ曜日の旅行時間統計データ、
(3) 当日と同じ天気の日の旅行時間統計データ、
(4) 当日に催事があれば同じ催事があった日の旅行時間統計データ。 2. The travel time according to claim 1, wherein the travel time statistical data on the day having the same traffic conditions as the current day is travel time statistical data of any one of (1) to (4) below: Prediction method.
(1) Travel time statistical data on the same day,
(2) Travel time statistical data for the same day of the week,
(3) Travel time statistical data on the same weather day,
(4) Travel time statistics on the day of the same event if there was an event on that day. 道路ネットワーク上で収集された各道路区間の旅行時間実績データを記憶した旅行時間データベースを用いて、道路区間の将来の旅行時間を予測する装置であって、
前記請求項１から請求項５までのいずれかに記載の旅行時間予測方法を実施することを特徴とする旅行時間予測装置。 A device that predicts the future travel time of a road section using a travel time database that stores travel time actual data of each road section collected on the road network,
6. A travel time prediction apparatus that implements the travel time prediction method according to any one of claims 1 to 5. 道路ネットワーク上で収集された各道路区間の旅行時間実績データを記憶した旅行時間データベースを用いて、道路区間の将来の旅行時間を予測するためのプログラムであって、
前記請求項１から請求項５までのいずれかに記載の旅行時間予測方法をコンピュータに実行させることを特徴とする旅行時間予測プログラム。 A program for predicting the future travel time of a road section using a travel time database storing travel time actual data of each road section collected on the road network,
A travel time prediction program that causes a computer to execute the travel time prediction method according to any one of claims 1 to 5.
JP2003434924A 2003-12-26 2003-12-26 Travel time prediction method, apparatus and program Expired - Lifetime JP3933127B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2003434924A JP3933127B2 (en) 2003-12-26 2003-12-26 Travel time prediction method, apparatus and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2003434924A JP3933127B2 (en) 2003-12-26 2003-12-26 Travel time prediction method, apparatus and program

Publications (2)

Publication Number Publication Date
JP2005196238A true JP2005196238A (en) 2005-07-21
JP3933127B2 JP3933127B2 (en) 2007-06-20

Family

ID=34815208

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2003434924A Expired - Lifetime JP3933127B2 (en) 2003-12-26 2003-12-26 Travel time prediction method, apparatus and program

Country Status (1)

Country Link
JP (1) JP3933127B2 (en)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007219633A (en) * 2006-02-14 2007-08-30 Sumitomo Electric System Solutions Co Ltd Travel time prediction device and method
JP2008165362A (en) * 2006-12-27 2008-07-17 I Transport Lab Co Ltd Travel time calculation device, program, and recording medium
WO2012111146A1 (en) * 2011-02-18 2012-08-23 三菱電機株式会社 Room entry/exit management device and room entry/exit management system using same
WO2012153400A1 (en) * 2011-05-11 2012-11-15 株式会社日立製作所 Data processing system, data processing method, and program
WO2014118970A1 (en) 2013-02-01 2014-08-07 富士通株式会社 Travel time prediction method, travel time prediction device, and program
CN104851298A (en) * 2015-06-09 2015-08-19 刘光明 Prediction of traffic condition and running time
JP2017177923A (en) * 2016-03-29 2017-10-05 株式会社日立製作所 Operation prediction system, operation prediction method and operation prediction program
WO2018083833A1 (en) * 2016-11-04 2018-05-11 住友電気工業株式会社 Travel time prediction program, travel time prediction device, and travel time prediction method

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007219633A (en) * 2006-02-14 2007-08-30 Sumitomo Electric System Solutions Co Ltd Travel time prediction device and method
JP2008165362A (en) * 2006-12-27 2008-07-17 I Transport Lab Co Ltd Travel time calculation device, program, and recording medium
KR101475644B1 (en) * 2011-02-18 2014-12-22 미쓰비시덴키 가부시키가이샤 Room entry/exit management device and room entry/exit management system using same
CN103238171A (en) * 2011-02-18 2013-08-07 三菱电机株式会社 Room entry/exit management device and room entry/exit management system using same
JP5516761B2 (en) * 2011-02-18 2014-06-11 三菱電機株式会社 Entrance / exit management device and entrance / exit management system using the same
JPWO2012111146A1 (en) * 2011-02-18 2014-07-03 三菱電機株式会社 Entrance / exit management device and entrance / exit management system using the same
WO2012111146A1 (en) * 2011-02-18 2012-08-23 三菱電機株式会社 Room entry/exit management device and room entry/exit management system using same
CN103238171B (en) * 2011-02-18 2015-03-25 三菱电机株式会社 Room entry/exit management device and room entry/exit management system using same
WO2012153400A1 (en) * 2011-05-11 2012-11-15 株式会社日立製作所 Data processing system, data processing method, and program
JP5634599B2 (en) * 2011-05-11 2014-12-03 株式会社日立製作所 Data processing system, data processing method, and program
US9417981B2 (en) 2011-05-11 2016-08-16 Hitachi, Ltd. Data processing system, data processing method, and program
WO2014118970A1 (en) 2013-02-01 2014-08-07 富士通株式会社 Travel time prediction method, travel time prediction device, and program
CN104851298A (en) * 2015-06-09 2015-08-19 刘光明 Prediction of traffic condition and running time
JP2017177923A (en) * 2016-03-29 2017-10-05 株式会社日立製作所 Operation prediction system, operation prediction method and operation prediction program
WO2018083833A1 (en) * 2016-11-04 2018-05-11 住友電気工業株式会社 Travel time prediction program, travel time prediction device, and travel time prediction method

Also Published As

Publication number Publication date
JP3933127B2 (en) 2007-06-20

Similar Documents

Publication Publication Date Title
JP4547408B2 (en) Traffic condition prediction device and traffic condition prediction method
US9053632B2 (en) Real-time traffic prediction and/or estimation using GPS data with low sampling rates
Yuan et al. Driving with knowledge from the physical world
US8566010B2 (en) System and method for providing road condition and congestion monitoring using smart messages
US9008954B2 (en) Predicting impact of a traffic incident on a road network
US8892343B2 (en) Determining a spatiotemporal impact of a planned event on traffic
Tang et al. Travel time estimation at intersections based on low-frequency spatial-temporal GPS trajectory big data
JPH08503317A (en) Traffic parameter prediction method
US11508022B1 (en) Method and apparatus for utilizing estimated patrol properties and historic patrol records
Rompis et al. Probe vehicle lane identification for queue length estimation at intersections
Mil et al. Modified Bayesian data fusion model for travel time estimation considering spurious data and traffic conditions
Stipancic et al. Measuring and visualizing space–time congestion patterns in an urban road network using large-scale smartphone-collected GPS data
JP5017437B2 (en) TRAVEL TIME ESTIMATION METHOD, TRAVEL TIME ESTIMATION DEVICE, TRAVEL TIME ESTIMATION PROGRAM IMPLEMENTING THE METHOD AND MEDIUM CONTAINING THE PROGRAM, TRAVEL TIME PREDICTION METHOD, TRAVEL TIME PREDICTION DEVICE, TRAVEL TIME PREDICTION PROGRAM INCLUDING THE METHOD, AND ITS PROGRAM Stored media
Lu et al. Estimating freeway travel time and its reliability using radar sensor data
CN112750299B (en) Traffic flow analysis method and device
JP2014137696A (en) Traffic information estimation device, computer program, and traffic information estimation method
JP4240309B2 (en) Travel time providing method, apparatus and program
JP3933127B2 (en) Travel time prediction method, apparatus and program
Ma et al. Estimation of the automatic vehicle identification based spatial travel time information collected in Stockholm
Lu et al. Incorporating the standstill distance and time headway distributions into freeway car-following models and an application to estimating freeway travel time reliability
JP3792172B2 (en) Travel time prediction method, apparatus and program
Heshami et al. A queue length estimation and prediction model for long freeway off-ramps
JP4598798B2 (en) TRAVEL TIME ESTIMATION METHOD, TRAVEL TIME ESTIMATION DEVICE, TRAVEL TIME ESTIMATION PROGRAM MOUNTING THE METHOD AND RECORDING MEDIUM CONTAINING THE PROGRAM, TRAVEL TIME PREDICTION METHOD, TRAVEL TIME PREDICTION DEVICE, TRAVEL TIME PREDICTION PROGRAM MOUNTING THE METHOD, AND ITS PROGRAM Recording medium
JP4235913B2 (en) Travel time prediction method, apparatus and program
Yu et al. Short-term traffic flow forecasting for freeway incident-induced delay estimation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20050525

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20061030

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20061114

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20070115

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20070227

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20070312

R150 Certificate of patent or registration of utility model

Ref document number: 3933127

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20100330

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110330

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110330

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120330

Year of fee payment: 5

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120330

Year of fee payment: 5

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130330

Year of fee payment: 6

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140330

Year of fee payment: 7

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

EXPY Cancellation because of completion of term