JP4123196B2 - 交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法 - Google Patents
交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法 Download PDFInfo
- Publication number
- JP4123196B2 JP4123196B2 JP2004184367A JP2004184367A JP4123196B2 JP 4123196 B2 JP4123196 B2 JP 4123196B2 JP 2004184367 A JP2004184367 A JP 2004184367A JP 2004184367 A JP2004184367 A JP 2004184367A JP 4123196 B2 JP4123196 B2 JP 4123196B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- traffic information
- prediction function
- function
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Description
x=(x1 ,x2 ,……,xd )∈D=X1 ×X2 ×……×Xd
で表す。ここに、Dをドメインと呼ぶ。各xi は定められた地域に属するある区間のある時間帯における旅行時間、車両台数、渋滞発生を表す指標、そのときの天候など、交通状況に関わる各種属性を表すものとする。
xt =(xt;1 ,xt;2 ,……,xt;d )
などと書く。定められた時間間隔が5分であれば、時間x2 はx1 の5分後のデータを表す。ここでは、xm n (m≦n)によって列xm …xn を表し、特にxn =x1 n とする。
列xt-k-1 t ∈Dt
を、
x’t+l;a ∈Xa
に対応させる関数fを予測関数と呼ぶ。ここに、x’は実際の値xに対する予測値を示すものとする。
x’t+l;a =f(xt-k t-1 )
であり、これは現在から過去時点k前までのデータに基づいて、l時点後の旅行時間xa:t+l を予測するものである(通常は、l=1とする)。このとき、xa を目的変数と呼ぶ。また、xa がxt-k t-1 の各成分のうち一部分のみに依存するとき、それら依存している変数を説明変数と呼ぶ。
H={f(・|θ,M):θ∈ΘM ,M∈MM }
という予測関数のクラスを得ることが出来る。これを仮説クラスと呼ぶ。この仮説クラスは階層化されたパラメータ構造を持つ。上記説明において、fは必ずしも線形関数である必要はなく、例えばニューラルネットワークで表現されるような非線形関数を用いることも出来る。
x’t+l;a =f(xt-k t |θ,M)
を計算して出力する装置である。
ESC(xn ,f(・|θ,M))=LOSS(xn ,f(・|θ,M))+L(M)
なる量を最小化する規準を用いることが提案されている。
L(M)={(Mにより定まるパラメータ数)/2}log n
と定義する。これにより、L(M)はモデルの複雑さに対するペナルティとして働き、ESCを最小化するθ,Mを求めることで、適切な複雑さの予測関数が得られ、未知データに対する期待予測誤差が小さくなることが知られている。このような情報量規準はESC以外にもAIC(赤池の情報規準:Akaike's Information Criterion)やMDL(記述長最小:Minimum Description Length)などが知られている。ここでは、これらの量を一般に、IC(xn ,f(・|θ,M))と定義する。なお、ICはInformation Criterion である。
p(xt+1 |xt-k t ,θ,M)
と書く。データがこのようなARモデルに従って発生する場合、
Cii(m)=EM,θ xt:i xt+m:i
で定義される。
Cij(m)=EM,θ xt:i xt+m:j
で表される(これらは定常な時系列統計モデル一般についての定義である)。ここで、l=1の場合のARモデルについては、これらをij成分とする行列をC(m)で表すと、AR計数A(m)と、
p(xt+1 |xt-k t ,θ,M)
のような確率密度関数で表すことができ、期待値を取ることで対応する予測関数を導けるからである。
l(x,y)=|x−y|α (α≧)
で定めるα損失や、へリンガー損失、ロジスティック損失などがある。先にあげた非特許文献1を参照されたい。また、確率密度関数を対象にする場合には、
l(p(xt+1 |xt )=−log p(xt+1 |xt )
で定める対数損失を用いることも出来る。
L(M)=(dim(θ)/2λ)log n
とするのが一般的である。ここに、λは損失関数によって適切な値の範囲が定まる定数であり、二乗損失の場合はλ=1である、また、確率密度推定の場合に対数損失を用いて、λ=1とすると、MDL規準(記述長最小規準)として知られる情報量規準に一致する。さらに、λ=2/log nとすると、AIC(赤池の情報量規準)に一致する。これらの場合、各Mについてのθの推定値は、対数尤度が最大になる値になるので、最尤推定値となる。これらを具体的に求める方法は、例えば、非特許文献3に記載されている。
と分解し、ξt とωt のそれぞれを出力する装置である。但し、ωは周期性を示す時系列データであり、ξは周期性が除去され定常性が近似的に成り立つ時系列データである(定常性の定義は通常の時系列解析における定義に従う)。
ξt =xt −ωt
として、ξt の値を予測関数計算装置17に送出する。ステップ206では、t<kならば、tに1を加えてステップ202に戻り、t≧kならば、予測関数計算装置17において、予測値
ξt+1 ’=f(ωt-k t |θ,M)
を求め、この予測値を周期成分付加装置18へ送出する。
xt+1 ’=ξt+1 ’+ωt+1
とする。ステップ209では、xt+1 ’を出力し、tに1を加えてステップ203に進む。
12 周期成分除去装置
13 予測関数推定装置
14 予測関数パラメータ記憶装置
15 予測関数解釈装置
16 交通情報変動法則表示装置
17 予測関数計算装置
18 周期成分付加装置
19 予測値格納装置
Claims (18)
- 交通状況ベクトル値データ列を入力として、このデータ列におけるある時点までのデータ列から次または複数ステップ先の一つまたは複数の項目を予測する予測関数を学習する交通情報予測関数学習装置であって、
前記データ列に含まれている周期的パターンを除去する周期性除去手段と、
前記周期性除去手段により周期的パターンが除去されたデータ列を入力として予め定められた予測関数の集合である仮説集合の中から、情報量規準を最小または極小にする予測関数を指定するパラメータの値を求めて出力する予測関数推定手段とを含むことを特徴とする交通情報予測関数学習装置。 - 前記仮説集合として、AR(自己回帰:Auto Regression )モデルのクラスを用いることを特徴とする請求項1記載の交通情報予測関数学習装置。
- 前記情報量規準として、二乗損失に関するESC(拡張型確率コンプレキシティ:Extended Stochastic Complexity)を用いることを特徴とする請求項1記載の交通情報予測関数学習装置。
- 前記情報量規準として、二乗損失に関するESC、予測に関するAIC(赤池の情報規準:Akaike’s Information Criterion )、予測に関するMDL(記述長最小:Minimum Description Length)のいずれかを用いることを特徴とする請求項2記載の交通情報予測関数学習装置。
- 交通状況ベクトル値データ列を順次読込みつつ次または複数ステップ先の一つまたは複数の項目を予測する交通情報予測装置であって、
前記データ列に含まれている周期的パターンを除去する周期性除去手段と、
前記周期性除去手段により周期的パターンが除去されたデータ列を入力として予め定められた予測関数の集合である仮説集合の中から、情報量規準を最小または極小にする予測関数を指定するパラメータの値を求めて出力する予測関数推定手段と、
前記周期性除去手段の出力と前記予測関数推定手段による前記パラメータの値とを用いて、前記予測関数の計算をなす予測関数計算手段と、
前記周期性除去手段の逆演算を行って周期成分を付加する周期成分付加手段とを含むことを特徴とする交通情報予測装置。 - 前記仮説集合として、AR(自己回帰:Auto Regression )モデルのクラスを用いることを特徴とする請求項5記載の交通情報予測装置。
- 前記情報量規準として、二乗損失に関するESC(拡張型確率コンプレキシティ:Extended Stochastic Complexity)を用いることを特徴とする請求項5記載の交通情報予測装置。
- 前記情報量規準として、二乗損失に関するESC、予測に関するAIC(赤池の情報規準:Akaike’s Information Criterion )、予測に関するMDL(記述長最小:Minimum Description Length)のいずれかを用いることを特徴とする請求項6記載の交通情報予測装置。
- 交通状況ベクトル値データ列に基づいて前記データ列の各項目の変動法則を出力する交通情報変動法則獲得装置であって、
請求項2または4記載の交通情報予測関数学習装置と、
前記交通情報予測関数学習装置の前記予測関数推定手段により出力されたARモデルの前記パラメータを読込み、AR係数に基づき自己相関関数と相互相関関数を計算する予測関数解釈手段と、
前記予測関数解釈手段により計算された自己相関関数と相互相関関数を各変数に対応した道路位置を結ぶエッジと共に、地図と合わせて表示する交通情報推移ルール表示手段とを含むことを特徴とする交通情報変動法則獲得装置。 - 交通状況ベクトル値データ列を入力として、このデータ列におけるある時点までのデータ列から次または複数ステップ先の一つまたは複数の項目を予測する予測関数を学習する交通情報予測関数学習方法であって、
前記データ列に含まれている周期的パターンを除去する周期性除去ステップと、
前記周期性除去ステップにより周期的パターンが除去されたデータ列を入力として予め定められた予測関数の集合である仮説集合の中から、情報量規準を最小または極小にする予測関数を指定するパラメータの値を求めて出力する予測関数推定ステップとを含むことを特徴とする交通情報予測関数学習方法。 - 前記仮説集合として、AR(自己回帰:Auto Regression )モデルのクラスを用いることを特徴とする請求項10記載の交通情報予測関数学習方法。
- 前記情報量規準として、二乗損失に関するESC(拡張型確率コンプレキシティ:Extended Stochastic Complexity)を用いることを特徴とする請求項10記載の交通情報予測関数学習方法。
- 前記情報量規準として、二乗損失に関するESC、予測に関するAIC(赤池の情報規準:Akaike’s Information Criterion )、予測に関するMDL(記述長最小:Minimum Description Length)のいずれかを用いることを特徴とする請求項11記載の交通情報予測関数学習方法。
- 交通状況ベクトル値データ列を順次読込みつつ次または複数ステップ先の一つまたは複数の項目を予測する交通情報予測方法であって、
前記データ列に含まれている周期的パターンを除去する周期性除去ステップと、
前記周期性除去ステップにより周期的パターンが除去されたデータ列を入力として予め定められた予測関数の集合である仮説集合の中から、情報量規準を最小または極小にする予測関数を指定するパラメータの値を求めて出力する予測関数推定ステップと、
前記周期性除去ステップの出力と前記予測関数推定ステップによる前記パラメータの値とを用いて、前記予測関数の計算をなす予測関数計算ステップと、
前記周期性除去ステップの逆演算を行って周期成分を付加する周期成分付加ステップとを含むことを特徴とする交通情報予測方法。 - 前記仮説集合として、AR(自己回帰:Auto Regression )モデルのクラスを用いることを特徴とする請求項14記載の交通情報予測方法。
- 前記情報量規準として、二乗損失に関するESC(拡張型確率コンプレキシティ:Extended Stochastic Complexity)を用いることを特徴とする請求項14記載の交通情報予測方法。
- 前記情報量規準として、二乗損失に関するESC、予測に関するAIC(赤池の情報規準:Akaike’s Information Criterion )、予測に関するMDL(記述長最小:Minimum Description Length)のいずれかを用いることを特徴とする請求項15記載の交通情報予測方法。
- 交通状況ベクトル値データ列に基づいて前記データ列の各項目の変動法則を出力する交通情報変動法則獲得方法であって、
請求項11または13記載の交通情報予測関数学習方法と、
前記交通情報予測関数学習方法の前記予測関数推定ステップにより出力されたARモデルの前記パラメータを読込み、AR係数に基づき自己相関関数と相互相関関数を計算する予測関数解釈ステップと、
前記予測関数解釈ステップにより計算された自己相関関数と相互相関関数を各変数に対応した道路位置を結ぶエッジと共に、地図と合わせて表示する交通情報推移ルール表示ステップとを含むことを特徴とする交通情報変動法則獲得方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004184367A JP4123196B2 (ja) | 2004-06-23 | 2004-06-23 | 交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004184367A JP4123196B2 (ja) | 2004-06-23 | 2004-06-23 | 交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006011572A JP2006011572A (ja) | 2006-01-12 |
JP4123196B2 true JP4123196B2 (ja) | 2008-07-23 |
Family
ID=35778801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004184367A Expired - Fee Related JP4123196B2 (ja) | 2004-06-23 | 2004-06-23 | 交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4123196B2 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4932524B2 (ja) | 2006-10-20 | 2012-05-16 | 日本電気株式会社 | 旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラム |
JP4733623B2 (ja) * | 2006-12-18 | 2011-07-27 | クラリオン株式会社 | 予測交通情報提供装置、車載端末および予測交通情報提供システム |
JP4820747B2 (ja) * | 2006-12-27 | 2011-11-24 | 株式会社アイ・トランスポート・ラボ | 旅行時間算出装置、プログラム、および記録媒体 |
EP2481036B1 (en) * | 2009-09-24 | 2015-07-15 | Alcatel Lucent | Methods and system for predicting travel time |
CN102568205B (zh) * | 2012-01-10 | 2013-12-04 | 吉林大学 | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 |
WO2016009319A1 (en) * | 2014-07-14 | 2016-01-21 | Politecnico Di Milano | A method for predicting the presence of vehicle belonging to a fleet of vehicles that can be used for a free-floating rental service of the same, in a neighborhood of a desired position in a future time instant |
US20180018797A1 (en) * | 2015-02-18 | 2018-01-18 | Nec Corporation | Impact visualization system, method, and program |
JP6926978B2 (ja) * | 2017-11-15 | 2021-08-25 | 日本電信電話株式会社 | パラメータ推定装置、トリップ予測装置、方法、及びプログラム |
CN110390396B (zh) * | 2018-04-16 | 2024-03-19 | 日本电气株式会社 | 用于估计观测变量之间的因果关系的方法、装置和系统 |
CN109064750B (zh) * | 2018-09-28 | 2021-09-24 | 深圳大学 | 城市路网交通估计方法及系统 |
-
2004
- 2004-06-23 JP JP2004184367A patent/JP4123196B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2006011572A (ja) | 2006-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4932524B2 (ja) | 旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラム | |
WO2012066951A1 (ja) | データ処理装置、データ処理方法、およびプログラム | |
JP2012008659A (ja) | データ処理装置、データ処理方法、およびプログラム | |
JP2006276970A (ja) | 時系列解析システム、方法およびプログラム | |
JP4123196B2 (ja) | 交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法 | |
US8825352B2 (en) | Traffic data prediction device, traffic data prediction method and computer program | |
JPWO2019069865A1 (ja) | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム | |
Zhang et al. | Tailored Wakeby-type distribution for random bus headway adherence ratio | |
Taylor et al. | Data mining for vehicle telemetry | |
Rasyidi et al. | Short-term prediction of vehicle speed on main city roads using the k-nearest neighbor algorithm | |
Chiou et al. | A novel method to predict traffic features based on rolling self-structured traffic patterns | |
Sajan et al. | Forecasting and analysis of train delays and impact of weather data using machine learning | |
Deva Hema et al. | Optimized deep neural network based intelligent decision support system for traffic state prediction | |
Ciaburro | Time series data analysis using deep learning methods for smart cities monitoring | |
Nicoletta et al. | Bayesian spatio-temporal modelling and prediction of areal demands for ambulance services | |
CN117575681A (zh) | 一种基于时空学习的时序销量预测方法及其销量预测模型 | |
CN116189425B (zh) | 一种基于车联网大数据的交通路况预测方法及系统 | |
CN113326976A (zh) | 一种基于时空关联的港口货运量在线预测方法及系统 | |
Kamariotis et al. | Optimal maintenance decisions supported by SHM: A benchmark study | |
CN113938817B (zh) | 一种基于车辆位置信息的车主出行位置预测方法 | |
KR102635609B1 (ko) | 불규칙 임상 시계열 데이터 예측 및 분류 방법, 및 장치 | |
JP7500504B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Uglanov et al. | Driver Behaviour Modelling: Travel Prediction Using Probability Density Function | |
US20210287134A1 (en) | Information processing apparatus, information processing method, and computer program | |
JP2005208791A (ja) | 道路リンク旅行時間推計方法、道路リンク旅行時間推計装置、プログラム、および、記録媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070914 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071009 |
|
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: 20080408 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080421 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4123196 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: 20110516 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110516 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120516 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120516 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130516 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140516 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |