JP5421949B2 - Traffic volume prediction device, traffic volume prediction method and program - Google Patents
Traffic volume prediction device, traffic volume prediction method and program Download PDFInfo
- Publication number
- JP5421949B2 JP5421949B2 JP2011063740A JP2011063740A JP5421949B2 JP 5421949 B2 JP5421949 B2 JP 5421949B2 JP 2011063740 A JP2011063740 A JP 2011063740A JP 2011063740 A JP2011063740 A JP 2011063740A JP 5421949 B2 JP5421949 B2 JP 5421949B2
- Authority
- JP
- Japan
- Prior art keywords
- series data
- time
- data
- time series
- traffic volume
- 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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、過去の交通量の実績に基づいて交通量を予測する交通量予測装置に関する。 The present invention relates to a traffic volume prediction apparatus that predicts a traffic volume based on past traffic volume results.
従来から、渋滞の発生場所を予測したり、道路の各リンクの平均旅行時間を予測するサービスが実用化されている。ここで「リンク」とは、道路を構成する単位であり、例えば、交差点と交差点を結ぶ線分によって規定される。 Conventionally, a service for predicting a traffic jam occurrence place or an average travel time of each link on a road has been put into practical use. Here, the “link” is a unit constituting a road, and is defined by, for example, a line segment connecting the intersections.
また、1日先などの比較的遠い将来について、交通量を予測するシステムも知られている。特許文献1では、予測対象リンクについて、蓄積された過去の交通情報から、交通情報に含まれる曜日や時刻等の時間属性毎にリンク旅行時間の平均値や最頻値などの統計情報を算出し、予測先時刻の時間属性と合致する時間属性の統計情報を予測先時刻でのリンク旅行時間として出力する。
In addition, a system for predicting traffic volume for a relatively far future such as one day ahead is also known. In
上記した特許文献1に記載された予測方法では、時間属性毎に統計情報が処理されるために、ひとつの時間属性に対する統計情報はひとつの値に丸められてしまい、予測内容が硬直化してしまうおそれがあった。すなわち、新しい交通情報が蓄積されても、統計情報に対する寄与が小さいため、新しい交通情報が予測に反映され難かった。
In the prediction method described in
そこで本発明は、上記背景に鑑み、柔軟な予測が可能な交通量予測装置を提供することを目的とする。 In view of the above background, an object of the present invention is to provide a traffic volume prediction device capable of flexible prediction.
本発明の交通量予測装置は、交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力部と、前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与部と、前記実績データ入力部より入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリング部と、前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶する記憶部と、交通量の予測対象日の日付タイプを入力する日付タイプ入力部と、前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出部と、前記平均の時系列データを予測される交通量の時系列データとして出力する出力部とを備える。 The traffic volume prediction device of the present invention provides a time record data input unit for inputting time series data of traffic volume and data indicating an acquisition date of the time series data, and assigns a date type corresponding to the acquisition date to the time series data. A date type assigning unit, a clustering unit that divides a plurality of time-series data input from the result data input unit into a plurality of clusters based on a degree of proximity between the time-series data, and the time-series data as the date A storage unit that stores information in association with the type and the cluster, a date type input unit that inputs a date type of a traffic prediction target date, and a data that is stored in the storage unit and has the date type A calculation unit that obtains a cluster including the most series data and generates average time series data of the time series data having the date type included in the cluster And an output unit for outputting time-series data of the average as the time series data of the expected traffic volume.
このように時系列データを複数のクラスタに分割し、予測対象日の日付タイプを持つ時系列データを最も多く含むクラスタ(最大クラスタ)を求めることにより、予測対象日の日付タイプにおける時系列の中の典型的な時系列データによって交通量を予測することができる。実績データが新たに入力されて、最大クラスタが変わった場合には、新しく最大クラスタを構成することになった時系列データにより交通量を予測することができる。なお、日付タイプとは、例えば、季節(春、夏、秋、冬)、曜日、天候(晴、曇、雨)等である。 In this way, by dividing the time series data into multiple clusters and finding the cluster that contains the most time series data with the date type of the forecast target date (maximum cluster), Traffic volume can be predicted by typical time series data. When the actual data is newly input and the maximum cluster is changed, the traffic volume can be predicted from the time-series data that has newly formed the maximum cluster. Note that the date type includes, for example, season (spring, summer, autumn, winter), day of the week, weather (sunny, cloudy, rain), and the like.
本発明の交通量予測装置において、前記クラスタリング部は、前記時系列データを、所定の空間内に初期マッピングした後、前記空間内をランダムに動くエージェントにより、(1)前記エージェントが時系列データがマッピングされた位置に来たときに、所定の確率で時系列データを保持する処理、(2)前記時系列データを保持した前記エージェントが、保持した時系列データと所定の近接度を有する時系列データを、前記エージェントの周りの所定の範囲内において検出した場合に、保持していた時系列データをマッピングする処理、を繰り返し行うことにより前記時系列データを前記空間内に再マッピングし、近接する時系列データどうしを同じクラスタにクラスタリングし、前記記憶部は、前記時系列データをマッピングしたデータを記憶してもよい。 In the traffic prediction device of the present invention, the clustering unit initially maps the time-series data in a predetermined space, and then, by an agent that randomly moves in the space, (1) the agent has time-series data A process of holding time-series data with a predetermined probability when it comes to a mapped position; (2) a time series in which the agent holding the time-series data has a predetermined proximity with the held time-series data When data is detected within a predetermined range around the agent, the time-series data is re-mapped in the space by repeating the process of mapping the time-series data that has been held, and approaches The time series data are clustered into the same cluster, and the storage unit maps the time series data. It may be stored.
このような手法でクラスタリングを行うことにより、クラスタリング処理が収束しなくても、クラスタの暫定的な状況を得ることができる。交通量予測装置では、全国の道路を構成するリンクの時系列データという大量のデータを取り扱うので、クラスタリング処理が収束するのに長時間を要するが、本発明により、暫定的なクラスタにより交通量を予測することができる。 By performing clustering using such a method, a provisional status of the cluster can be obtained even if the clustering process does not converge. The traffic volume forecasting device handles a large amount of data called time-series data of the links that make up roads across the country, so it takes a long time for the clustering process to converge. Can be predicted.
本発明の交通量予測装置において、前記クラスタリング部は、すでにクラスタリングされた時系列データを有する空間内に新しい時系列データを初期マッピングする場合には、前記空間内に存在する時系列データの重心位置に新しい時系列データを初期マッピングしてもよい。 In the traffic volume prediction device of the present invention, when the clustering unit initially maps new time-series data in a space having already clustered time-series data, the centroid position of the time-series data existing in the space New time series data may be initially mapped.
このように新しい時系列データを、既存の時系列データの重心位置に初期マッピングすることにより、新しい時系列データを速やかにクラスタに分類することができる。 In this way, new time-series data can be quickly classified into clusters by initially mapping new time-series data to the center of gravity position of existing time-series data.
本発明の交通量予測装置は、前記実績データ入力部は、交通量の予測対象日が当日である場合に、予測対象時刻前までの当日の交通量の時系列データを部分時系列データとして入力し、前記算出部は、前記記憶部から前記日付タイプを持つ時系列データをマッピングしたデータを読み出し、前記部分時系列データを、読み出した時系列データの重心位置に初期マッピングした後、前記エージェントにより、前記部分時系列データを再マッピングし、前記部分時系列データが再マッピングされたクラスタに含まれる時系列データの平均の時系列データを算出してもよい。 In the traffic volume prediction device of the present invention, the actual data input unit inputs time-series data of the traffic volume on the current day before the prediction target time as partial time-series data when the traffic volume prediction target day is the current day. The calculation unit reads data obtained by mapping time-series data having the date type from the storage unit, and after the initial mapping of the partial time-series data to the center of gravity position of the read time-series data, the agent performs The partial time series data may be remapped, and the average time series data of the time series data included in the cluster to which the partial time series data is remapped may be calculated.
このように予測対象時刻前の部分時系列データと近接する時系列データを有するクラスタを探し、そのクラスタの予測対象時刻以降の時系列データを用いて交通量を予測するこことにより、その日の交通量の時系列データを考慮して適切な予測を行うことができる。 Thus, by searching for a cluster having time series data close to the partial time series data before the prediction target time and predicting the traffic volume using the time series data after the prediction target time of the cluster, the traffic of the day Appropriate prediction can be performed in consideration of time-series data of quantity.
本発明の交通量予測装置において、前記算出部は、初期マッピングした部分時系列データの周囲に複数のエージェントを配置してもよい。 In the traffic prediction apparatus of the present invention, the calculation unit may arrange a plurality of agents around the initially mapped partial time series data.
この構成により、クラスタリングの処理(1)において、部分時系列データが保持されやすくなり、部分時系列データを速やかに再マッピングすることができる。 With this configuration, in the clustering process (1), the partial time series data can be easily held, and the partial time series data can be remapped quickly.
本発明の交通量予測方法は、交通量予測装置が、交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力ステップと、前記交通量予測装置が、前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与ステップと、前記交通量予測装置が、前記実績データ入力ステップにて入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリングステップと、前記交通量予測装置が、前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶部に記憶するステップと、前記交通量予測装置が、交通量の予測対象日の日付タイプを入力する日付タイプ入力ステップと、前記交通量予測装置が、前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出ステップと、前記交通量予測装置が、前記平均の時系列データを予測される交通量の時系列データとして出力するステップとを備える。 The traffic volume prediction method according to the present invention includes a performance data input step in which the traffic volume prediction device inputs time series data of traffic volume and data indicating an acquisition date of the time series data, and the traffic volume prediction device includes the acquisition A date type assigning step for assigning a date type corresponding to a date to the time series data, and the traffic volume predicting device, the plurality of time series data input in the actual data input step, A clustering step of dividing into a plurality of clusters based on the degree, the traffic volume predicting device storing the time-series data in the storage unit in association with the date type and the cluster, and the traffic volume predicting device, A date type input step of inputting a date type of a traffic prediction target day, and the traffic volume predicting device stored in the storage unit; A calculation step for obtaining a cluster including the most time-series data having the date type, generating average time-series data of the time-series data having the date type included in the cluster, and the traffic A volume predicting device comprising the step of outputting the average time-series data as predicted traffic volume time-series data.
本発明のプログラムは、交通量を予測するためのプログラムであって、コンピュータに、交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力ステップと、前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与ステップと、前記実績データ入力ステップにて入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリングステップと、前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶部に記憶するステップと、交通量の予測対象日の日付タイプを入力する日付タイプ入力ステップと、前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出ステップと、前記平均の時系列データを予測される交通量の時系列データとして出力するステップと、を実行させるプログラム。 The program according to the present invention is a program for predicting traffic volume, and a result data input step for inputting time series data of traffic volume and data indicating an acquisition date of the time series data to a computer; A date type assigning step for assigning a date type corresponding to the time series data, and a plurality of time series data input in the actual data input step to a plurality of clusters based on the degree of proximity between the time series data A clustering step of dividing, a step of storing the time series data in association with the date type and the cluster in a storage unit, a date type input step of inputting a date type of a traffic prediction target day, and a storage unit Search the stored data to find the cluster that contains the most time-series data with the date type. A calculation step of generating average time-series data of the time-series data having the date type included in the cluster, and a step of outputting the average time-series data as time-series data of predicted traffic volume. The program to be executed.
この構成により、本発明の交通量予測方法およびプログラムは、本発明の交通量予測装置と同様に、逐次入力される時系列データを適切に反映した交通量予測を行うことができるという効果を有する。また、本発明の交通量予測装置の各種の構成を本発明の交通量予測方法およびプログラムに適用することも可能である。 With this configuration, the traffic volume prediction method and program of the present invention have the effect of being able to perform traffic volume prediction that appropriately reflects time-series data that are sequentially input, as in the traffic volume prediction apparatus of the present invention. . In addition, various configurations of the traffic volume prediction device of the present invention can be applied to the traffic volume prediction method and program of the present invention.
本発明によれば、逐次入力される時系列データを適切に反映した交通量予測を行うことができるという効果を有する。 According to the present invention, it is possible to perform traffic volume prediction that appropriately reflects time-series data that is sequentially input.
以下、本発明の実施の形態の交通量予測装置について図面を参照して説明する。図1は、本発明の実施の形態の交通量予測装置1の構成を示す図である。図1に示すように、交通量予測装置1は、交通量予測に必要なデータを蓄積する構成として、実績データ入力部10と、日付タイプ付与部12と、クラスタリング部14と、実績データベース(以下、「実績DB」という)16とを有している。本実施の形態では、実績データの更新は、1日1回行う。また、交通量予測装置1は、実績DB16に記憶されたデータを用いて交通量予測を実行するための構成として、日付タイプ入力部18と、予測時系列算出部20と、出力部22とを有している。
Hereinafter, a traffic prediction device according to an embodiment of the present invention will be described with reference to the drawings. FIG. 1 is a diagram showing a configuration of a traffic
図2は、上記に説明した交通量予測装置1のハードウェア構成を示す図である。交通量予測装置1は、CPU30、RAM32、ROM34、通信インターフェース38、ハードディスク40、操作部42、ディスプレイ44がデータバス46によって接続されたコンピュータによって構成される。CPU30が、ROM34に書き込まれたプログラム36に従って演算処理を実行することにより、交通量予測装置1の機能が実現される。このようなプログラム36は、本発明の範囲に含まれる。
FIG. 2 is a diagram illustrating a hardware configuration of the traffic
次に、交通量予測装置1の各構成について詳しく説明する。実績データ入力部10は、道路の各リンクにおける交通量の時系列データを実績データとして入力する機能を有する。また、実績データ入力部10は、各リンクにおける1日の交通量の時系列データを入力すると共に、そのデータ取得日を示すデータを入力する。交通量としては、例えば、リンクを通過するのに要するリンク旅行時間、リンクを通過する車両の平均速度、リンク内に存在する車両の台数等を用いることができる。
Next, each configuration of the traffic
図3は、交通量の時系列データの一例を示す図である。ここでは、交通量の一例としてリンクを通過する車両の平均速度を用いている。時系列データは、所定時間(例えば、30分)単位の平均速度を求めて、それらを時系列に並べた構成を有する。 FIG. 3 is a diagram illustrating an example of time-series data of traffic volume. Here, the average speed of the vehicle passing through the link is used as an example of the traffic volume. The time-series data has a configuration in which average speeds in units of a predetermined time (for example, 30 minutes) are obtained and these are arranged in time series.
実績データ入力部10は、交通情報センターから配信される交通情報を受信することによって入力してもよいし、プローブカーによって取得したデータを交通量の実績データとして受信して入力してもよい。
The performance
日付タイプ付与部12は、実績データ入力部10にて受信した交通量の時系列データに日付タイプを付与する機能を有する。本実施の形態では、日付タイプとしては、曜日と天候(晴または雨)を用いる。日付タイプ付与部12は、図示しないカレンダー情報を参照して、取得日に対応する曜日を求める。また、天候については、該当する道路リンクがある地方の天候情報を受信することにより取得してもよいし、プローブカーを用いて時系列データを取得する場合には、プローブカーのワイパーの動作ステータスを見ることで天候データを取得してもよい。なお、日付タイプは、上記した曜日、天候に限らず、例えば、季節(春・夏・秋・冬)等を用いることができる。
The date
クラスタリング部14は、実績データ入力部10にて入力された時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割する機能を有する。なお、時系列データどうしの「近接度合い」は、例えば、各時刻における交通量の乖離により、規定することができる。
The
図4は、2つの時系列データV1,V2の近接度合いの求め方について説明するための図である。2つの時系列データV1,V2を30分毎に取得した24点の平均速度データV1(t),V2(t)からなるベクトルと見て、その距離(√Σ(V1(t)−
V2(t))2)によって近接度合いを定義する。この距離が所定の閾値より小さくなる場合に近接度合いが大きいと判断し、所定の閾値以上の場合に近接度合いが小さいと判断する。
FIG. 4 is a diagram for explaining how to determine the proximity of the two time-series data V1 and V2. The two time series data V1 and V2 are regarded as a vector consisting of 24 average speed data V1 (t) and V2 (t) acquired every 30 minutes, and the distance (√Σ (V1 (t) −
V2 (t)) 2 ) defines the degree of proximity. When the distance is smaller than a predetermined threshold, it is determined that the proximity degree is large, and when the distance is equal to or larger than the predetermined threshold, it is determined that the proximity degree is small.
クラスタリング部14は、時系列データをマッピングした空間内をランダムに移動する「エージェント」を用いて、時系列データを再マッピングすることにより、クラスタリングを行う。時系列データをマッピングした空間を、本明細書では「クラスタリング空間」という。エージェントは、クラスタリング空間内をランダムに移動し、時系列データがマッピングされた位置に来たときに、所定の確率で時系列データを保持する。そして、時系列データを保持したエージェントが、保持した時系列データと所定の近接度を有する時系列データを、エージェントの周りの所定の範囲内において検出した場合には、保持していた時系列データをマッピングする。
The
図5(a)〜図5(f)は、クラスタリング部14が行うクラスタリング処理について説明するための図である。クラスタリング部14は、図5(a)に示すように、クラスタリング空間内に時系列データD1〜D5をランダムにマッピングする。エージェントAがクラスタリング空間内を移動し、図5(b)に示すように、時系列データD5の位置にくると、エージェントAは所定の確率で時系列データD5を保持する。この例では、時系列データD5を保持したとする。なお、図5(b)では、便宜上、エージェントAを時系列データD5に隣接して記載しているが、実際には、エージェントAが時系列データD5に一致したときに、時系列データD5の位置に来たと判断する。
FIG. 5A to FIG. 5F are diagrams for explaining the clustering process performed by the
時系列データD5を保持したエージェントAは、クラスタリング空間内を移動する。本例では、時系列データD1と時系列データD5とは、所定の閾値より近接度が大きいとする。エージェントAは、所定の範囲内に時系列データD1を見つけると、図5(c)に示すように、時系列データD5をその位置にマッピングする。 Agent A holding time-series data D5 moves in the clustering space. In this example, it is assumed that the time series data D1 and the time series data D5 have a degree of proximity greater than a predetermined threshold. When the agent A finds the time series data D1 within a predetermined range, the agent A maps the time series data D5 to the position as shown in FIG.
続いて、エージェントAはクラスタリング空間内を移動し、図5(d)に示すように、時系列データD2の位置にくると、エージェントAは所定の確率で時系列データD2を保持する。この例では、時系列データD2を保持したとする。 Subsequently, agent A moves in the clustering space, and when it comes to the position of time series data D2, as shown in FIG. 5D, agent A holds time series data D2 with a predetermined probability. In this example, it is assumed that the time series data D2 is held.
時系列データD2を保持したエージェントAは、クラスタリング空間内を移動する。本例では、時系列データD1と時系列データD2とは、所定の閾値より近接度が大きいとする。エージェントAは、所定の範囲内に時系列データD1を見つけると、図5(e)に示すように、時系列データD2をその位置にマッピングする。 The agent A holding the time series data D2 moves in the clustering space. In this example, it is assumed that the time series data D1 and the time series data D2 have a degree of proximity greater than a predetermined threshold. When the agent A finds the time series data D1 within a predetermined range, the agent A maps the time series data D2 to the position as shown in FIG.
以上の動作により、時系列データD1、D2、D5は、互いの近傍にマッピングされる。近接するデータどうしを同じクラスタに分割することにより、図5(f)に示すように、時系列データD1、D2、D5が同じクラスタに含まれるようにクラスタリングすることができる。 With the above operation, the time series data D1, D2, and D5 are mapped in the vicinity of each other. By dividing adjacent data into the same cluster, the time series data D1, D2, and D5 can be clustered so as to be included in the same cluster as shown in FIG.
さらに、エージェントAを用いてクラスタリングを続けることにより、時系列データD3、D4等も再マッピングすることができるが、上記に見たとおり、本手法によれば、クラスタリング処理の途中であっても暫定的なクラスタリング結果を得ることができる。このようなクラスタリング手法は、「アントクラスタリング」とも呼ばれる。 Furthermore, by continuing the clustering using the agent A, the time series data D3, D4, etc. can also be remapped. However, as described above, according to this method, even during the clustering process, provisional Clustering results can be obtained. Such a clustering method is also called “ant clustering”.
クラスタリング部14は、上記したクラスタリングをリンク毎、日付タイプ毎に行なってもよいし、異なるリンク、日付タイプの時系列データを混在させた状態で行なってもよい。異なるリンク、日付タイプの時系列データのクラスタリングを同じクラスタリング空間内で行うと、リンクや日付タイプに関わらず、近接する時系列データが同じクラスタに分割されることになる。例えば、時系列データが近接していれば、東京にあるリンクの時系列データと九州にあるリンクの時系列データとが同じクラスタに分割されることもある。このように異なるリンク、日付タイプの時系列データを同じクラスタリング空間内においてクラスタリングした場合であっても、各時系列データには、リンク及び日付タイプのデータが関連付けられているので、リンク及び日付タイプに対応した時系列データを抽出することが可能である。
The
なお、上記の説明では、「エージェント」が時系列データを保持して運び、再マッピングをするという説明を行ったが、実際の装置においては、「エージェント」は、(例えば配列等によって)論理的に設定されたクラスタリング空間の中の所定の位置(配列の要素)を指し示す変数によって定義される。エージェントの移動方向、すなわち、当該変数が次に指し示す位置は、現在位置やこれまでに移動してきた履歴に乱数の要素を加えて計算される。そして、変数が指し示す位置に時系列データがマッピングされている場合には、所定の確率で、当該時系列データを記憶したアドレスのポインタを別の変数(以下「第2の変数」という)に代入して保持する。時系列データを保持した状態(第2の変数に値が入った状態)で、現在位置の付近に他の時系列データを発見した場合には、第2の変数に保持した時系列データと発見した時系列データとの近接度合いを比較し、所定の閾値より近接すると判定された場合には、第2の変数に記憶されたポインタを現在位置(配列の要素)に書き込み、第2の変数の値をNULLにする。 In the above description, the “agent” holds and carries time-series data and performs remapping. However, in an actual device, the “agent” is logical (for example, by an array). Is defined by a variable indicating a predetermined position (element of array) in the clustering space set to. The moving direction of the agent, that is, the position indicated by the variable is calculated by adding a random number element to the current position and the history of movement so far. If time-series data is mapped at the position indicated by the variable, the pointer of the address storing the time-series data is assigned to another variable (hereinafter referred to as “second variable”) with a predetermined probability. And hold. When other time series data is found near the current position with the time series data held (a value entered in the second variable), the time series data held in the second variable is found. The degree of proximity with the time-series data is compared, and if it is determined that the proximity is closer than the predetermined threshold, the pointer stored in the second variable is written to the current position (element of the array), and the second variable Set the value to NULL.
実績DB16は、実績データ入力部10にて入力された時系列データを記憶する。各時系列データには、日付タイプ付与部12にて付与された日付タイプのデータと、クラスタリング部14での処理により分割されたクラスタのデータとが関連付けて記憶される。
The
図6は、実績DB16に記憶されるデータの例を示す概念図である。図6に示すように、時系列データは、リンク毎、日付タイプ毎に分類され、リンク及び日付タイプのデータが付与されている。また、時系列データは、クラスタリング部14によりクラスタリングされたクラスタリング空間内での位置のデータを有している。
FIG. 6 is a conceptual diagram illustrating an example of data stored in the
図7は、実績DB16に記憶される具体的なデータの例を示す図である。実績DB16には、時系列データに、その時系列データを取得したリンク、日付タイプ、および時系列データのマッピング位置、及びクラスタのデータが関連付けられて記憶されている。
FIG. 7 is a diagram illustrating an example of specific data stored in the
日付タイプ入力部18は、予測対象の日付タイプを入力する機能を有する。日付タイプ入力部18は、予測対象日の曜日と天候を入力する。なお、日付タイプ入力部18は、予測対象日の日付の入力を受け付け、カレンダー情報を参照して予測対象日の日付から日付タイプを求めると共に、予測対象日の天気予報データから天候を求めて、入力することとしてもよい。なお、予測対象日が先で、天候の予測がつかない場合には、日付タイプとして曜日のみを用いて交通量予測を行うことも可能である。
The date
予測時系列算出部20は、入力された日付タイプに応じて、予測される時系列データを算出する機能を有する。具体的には、予測時系列算出部20は、実績DB16に記憶されたデータを検索して、入力された日付タイプと同じ日付タイプを有する時系列データを最も多く含むクラスタ(最大クラスタ)を求め、最大クラスタの中で、入力された日付タイプと同じ日付タイプを持つ時系列データの平均の時系列データを生成する。
The predicted time
また、予測時系列算出部20は、予測日当日の予測対象時刻までの実績データ(以下、「部分時系列データ」という)が既知の場合には、実績データを用いて予測時系列の算出を行う。例えば、予測対象の時刻が12:00以降である場合に、予測を行う時点でその日の0:00〜10:00までの実際の交通量の実績データ(部分時系列データ)が得られている場合に、この部分時系列データと近接する部分時系列データを有する時系列データを用いて、12:00以降の交通量の予測を行う。
In addition, the prediction time
処理の概要について説明すると、部分時系列データと対応する時間帯(例えば、部分時系列データが0:00〜10:00のものである場合、対応する時間帯は0:00〜10:00である)において、部分時系列データと近接する時系列データを有するクラスタを求め、そのクラスタに含まれる時系列データの平均を求める。予測時系列算出部20は、部分時系列データに近接する時系列データを含むクラスタを求める際に、クラスタリング部14で用いた「エージェント」を用いる。
The outline of the processing will be described. The time zone corresponding to the partial time series data (for example, when the partial time series data is from 0:00 to 10:00, the corresponding time zone is 0:00 to 10:00. A cluster having time series data close to the partial time series data and obtaining an average of the time series data included in the cluster. The predicted time
図8は、部分時系列データに近接する時系列データを含むクラスタを求める例を示す図である。図8に示すように部分時系列データを、クラスタリング空間内にある同じリンク、日付タイプの時系列データの重心位置にマッピングする。続いて、エージェントが、クラスタリング空間内にある時系列データの部分時系列データに対応する部分の時系列データと、部分時系列データとの近接度合いに基づいて、部分時系列データをクラスタリング空間内に再マッピングする。なお、エージェントが部分時系列データを保持する可能性を高めるように、重心位置の周りに複数のエージェントを配置してもよい。これにより、部分時系列データの再マッピングが円滑に行なわれる。 FIG. 8 is a diagram illustrating an example of obtaining a cluster including time series data adjacent to partial time series data. As shown in FIG. 8, the partial time series data is mapped to the barycentric position of the same link and date type time series data in the clustering space. Subsequently, the agent stores the partial time series data in the clustering space based on the degree of proximity between the partial time series data corresponding to the partial time series data of the time series data in the clustering space and the partial time series data. Remap. A plurality of agents may be arranged around the position of the center of gravity so as to increase the possibility that the agent holds partial time series data. Thereby, the remapping of the partial time series data is performed smoothly.
エージェントにより部分時系列データが再マッピングされたら、予測時系列算出部20は、部分時系列データがどのクラスタに再マッピングされたかを判断する。図8に示す例では、部分時系列データは、クラスタC2に再マッピングされている。予測時系列算出部20は、部分時系列が再マッピングされたクラスタC2に含まれる全時系列データの平均を求める。
When the partial time series data is remapped by the agent, the predicted time
出力部22は、予測時系列算出部20にて算出した時系列データの平均を予測される交通量の時系列データとして出力する。
The
次に、本実施の形態の交通量予測装置1の動作について説明する。図9は、交通量予測装置1の実績DB16に実績データを蓄積する動作を示す図、図11及び図12は交通量予測装置1が実績DB16に記憶された実績データを用いて交通量を予測する動作を示す図である。図9,図11,図12は、特に示していないが、道路の複数のリンクについて実績データを蓄積し、交通量を予測する場合には、リンク毎に、図9,図11,図12の動作を実施する。
Next, the operation of the traffic
図9に示すように、交通量予測装置1は、道路の各リンクの交通量の時系列データを実績データとして入力する(S10)。実績データは、例えば、一日一回、一日分の交通量の時系列データを入力する。この際、時系列データを取得した年月日のデータも入力する。次に、交通量予測装置1は、実績データに対して日付タイプを付与する(S12)。日付タイプの一つである曜日は、カレンダー情報を参照して、年月日に対応する曜日を求める。日付タイプの一つである天候は、天候のデータを配信するサーバから天候のデータを受信することにより求める。
As shown in FIG. 9, the traffic
次に、交通量予測装置1は、入力された時系列データのクラスタリングを行う(S14〜S18)。まず、交通量予測装置1は、時系列データをクラスタリングを行うクラスタリング空間内に初期マッピングする(S14)。初めてクラスタリングを行う場合には、時系列データをランダムにマッピングすればよい。すでにクラスタリングが行なわれたクラスタリング空間に追加の時系列データを入れて再度クラスタリングを行う場合には、図10に示すように、すでに存在する時系列データの重心位置に新しい時系列データを初期マッピングする。これにより、速やかに、クラスタリング処理が進行する。
Next, the traffic
続いて、交通量予測装置1は、クラスタリング空間内にマッピングされた時系列データをエージェントにより再マッピングする(S16)。上述したとおり、エージェントは、クラスタリング空間内をランダムに移動し、時系列データを見つけると所定の確率で保持し、近接する時系列データの付近にマッピングする動作を繰り返し行うことにより、徐々に近接する時系列どうしが近くに配置されるようになる。そして、交通量予測装置1は、クラスタリング空間内に配置された時系列データの位置関係に基づいて、近くにある時系列データどうしを同じクラスタになるようにクラスタリング空間を分割することで、クラスタリングを行う(S18)。交通量予測装置1は、時系列データを、日付タイプと、分割されたクラスタ及びマッピング位置のデータに関連付けて、実績DB16に記憶する(S20)。
Subsequently, the traffic
図11は、入力された日付タイプに基づいて交通量を予測する動作を示すフローチャートである。ここでは、日付タイプを入力する例について説明しているが、予測対象日の年月日の入力を受付け、交通量予測装置1が年月日から日付タイプを求めて、日付タイプを入力することとしてもよい。
FIG. 11 is a flowchart showing an operation of predicting the traffic volume based on the input date type. Here, although the example which inputs a date type is demonstrated, the input of the date of prediction date is received, the
図11に示すように、交通量予測装置1は、交通量の予測対象日の日付タイプを入力する(S30)。次に、交通量予測装置1は、入力された日付タイプを持つ時系列データの最大クラスタを求める(S32)。例えば、図6に示す例において、「月」「晴」という日付タイプを有する時系列データを含む最大クラスタは、クラスタC1である。続いて、交通量予測装置1は、最大クラスタに含まれる時系列データの平均を求め(S34)、この平均を予測交通量として出力する(S36)。
As shown in FIG. 11, the traffic
図12は、入力された日付タイプに加え、予測対象日における予測対象時刻前の部分時系列データを用いて交通量を予測する動作を示すフローチャートである。図12に示すように、交通量予測装置1は、交通量の予測対象日の日付タイプを入力する(S40)。次に、交通量予測装置1の実績データ取得部は、予測対象日における予測対象時刻前の実際の交通量の時系列データ(部分時系列データ)を取得する。例えば、予測対象時刻が12:00以降の場合に、0:00〜10:00の部分時系列データを取得する。そして、実績データ取得部は、取得した部分時系列データを、予測時系列算出部20に入力する(S42)。
FIG. 12 is a flowchart showing an operation of predicting the traffic volume using the partial time series data before the prediction target time on the prediction target date in addition to the input date type. As shown in FIG. 12, the traffic
予測時系列算出部20は、部分時系列データと近接する時系列データを有する時系列データを含むクラスタを求める(S44〜S48)。具体的には、まず、予測時系列算出部20は、入力された部分時系列データを、クラスタリング空間に部分時系列データを初期マッピングする(S44)。初期マッピング位置は、同じリンク、日付タイプの時系列データの重心位置である。
The predicted time
次に、予測時系列算出部20は、部分時系列データをエージェントにより再マッピングする(S46)。再マッピングを行なった後、予測時系列算出部20は、部分時系列データを含むクラスタを特定する(S48)。図8に示す例では、部分時系列データは、クラスタC2に含まれている。続いて、予測時系列データ算出部は、部分時系列データが含まれるクラスタC2内の時系列データの平均を求め(S50)、この平均を予測交通量として出力する(S52)。以上、本実施の形態の交通量予測装置1の構成および動作について説明した。
Next, the prediction time
本実施の形態の交通量予測装置1は、時系列データを複数のクラスタに分割し、予測対象日の日付タイプを持つ時系列データの最大クラスタを求めることにより、予測対象日の日付タイプにおける時系列の中の典型的な時系列データによって交通量を予測することができる。
The traffic
同じ日付タイプを持つ時系列データの平均をとるのではなく、最大クラスタの平均を取っているので、実績データが新たに入力されて、最大クラスタが変わった場合には、新しく最大クラスタを構成することになった時系列データにより交通量を予測することができるので、新たに入力された時系列データの傾向を適切に反映できる。 Instead of taking the average of time series data with the same date type, the average of the maximum cluster is taken, so when the actual data is newly entered and the maximum cluster changes, a new maximum cluster is formed. Since the traffic volume can be predicted based on the time-series data that has been changed, the tendency of newly input time-series data can be appropriately reflected.
本実施の形態では、アントクラスタリングを用いて時系列データのクラスタリングを行なっているので、クラスタリング処理が収束しなくても、クラスタの暫定的な状況を得ることができる。本実施の形態では、暫定的なクラスタにより交通量を予測することができるので、全国の道路の各リンクの時系列データという大量のデータを取り扱う装置に有効である。 In the present embodiment, time series data is clustered using ant clustering, so that a provisional status of the cluster can be obtained even if the clustering process does not converge. In this embodiment, the traffic volume can be predicted by a provisional cluster, which is effective for an apparatus that handles a large amount of data such as time-series data of each link of roads nationwide.
このように予測対象時刻前の部分系列データと近接する時系列データを有するクラスタを探し、そのクラスタの予測対象時刻以降の時系列データを用いて交通量を予測するこことにより、その日の交通量の時系列データを考慮して適切な予測を行うことができる。例えば、図8に示す例では、最大クラスタはクラスタC1であるが、当日の部分時系列データを用いることにより、クラスタC2に含まれる時系列データに基づいて交通量が予測され、当日の交通量の変化に適合した交通量の予測を行える。 Thus, by searching for a cluster having time series data close to the partial series data before the prediction target time and predicting the traffic volume using the time series data after the prediction target time of the cluster, the traffic volume of the day It is possible to make an appropriate prediction in consideration of the time series data. For example, in the example shown in FIG. 8, the maximum cluster is the cluster C1, but by using the partial time-series data of the day, the traffic volume is predicted based on the time-series data included in the cluster C2, and the traffic volume of the day. Traffic volume can be predicted according to changes in
本発明は、逐次入力される時系列データを適切に反映した交通量予測を行うことができるという効果を有し、交通量予測装置等として有用である。 INDUSTRIAL APPLICABILITY The present invention has an effect of being able to perform traffic volume prediction that appropriately reflects time-series data that is sequentially input, and is useful as a traffic volume prediction device and the like.
1 交通量予測装置
10 実績データ入力部
12 日付タイプ付与部
14 クラスタリング部
16 実績データベース
18 日付タイプ入力部
20 予測時系列算出部
22 出力部
30 CPU
32 RAM
34 ROM
36 プログラム
38 通信インターフェース
40 ハードディスク
42 操作部
44 ディスプレイ
DESCRIPTION OF
32 RAM
34 ROM
36
Claims (5)
前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与部と、
前記実績データ入力部より入力された複数の時系列データを、所定の空間内に初期マッピングした後、前記空間内をランダムに動くエージェントにより、
(1)前記エージェントが時系列データがマッピングされた位置に来たときに、所定の確率で時系列データを保持する処理、
(2)前記時系列データを保持した前記エージェントが、保持した時系列データと所定の近接度を有する時系列データを、前記エージェントの周りの所定の範囲内において検出した場合に、保持していた時系列データをマッピングする処理、
を繰り返し行うことにより前記時系列データを前記空間内に再マッピングし、近接する時系列データどうしを同じクラスタにクラスタリングし、
時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリング部と、
前記時系列データをマッピングしたデータを前記日付タイプおよび前記クラスタに関連付けて記憶する記憶部と、
交通量の予測対象日の日付タイプを入力する日付タイプ入力部と、
前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出部と、
前記平均の時系列データを予測される交通量の時系列データとして出力する出力部と、
を備え、
前記実績データ入力部は、交通量の予測対象日が当日である場合に、予測対象時刻前までの当日の交通量の時系列データを部分時系列データとして入力し、
前記算出部は、前記記憶部から前記日付タイプを持つ時系列データをマッピングしたデータを読み出し、前記部分時系列データを、読み出した時系列データの重心位置に初期マッピングした後、前記エージェントにより、前記部分時系列データを再マッピングし、前記部分時系列データが再マッピングされたクラスタに含まれる時系列データの平均の時系列データを算出する交通量予測装置。 An actual data input unit for inputting time-series data of traffic volume and data indicating an acquisition date of the time-series data;
A date type giving unit for giving a date type corresponding to the acquisition date to the time series data;
After initially mapping a plurality of time series data input from the result data input unit in a predetermined space, by an agent moving randomly in the space,
(1) A process of holding time-series data with a predetermined probability when the agent comes to a position where time-series data is mapped;
(2) The agent holding the time-series data holds the time-series data having a predetermined proximity with the held time-series data when it is detected within a predetermined range around the agent. Process to map time series data,
By re-mapping the time-series data in the space, clustering adjacent time-series data into the same cluster,
A clustering unit that divides the time series data into a plurality of clusters based on the degree of proximity between the time series data;
A storage unit that stores data obtained by mapping the time series data in association with the date type and the cluster;
A date type input part for inputting the date type of the traffic forecast target day,
Search the data stored in the storage unit to find the cluster containing the most time series data having the date type, and generate the average time series data of the time series data having the date type included in the cluster A calculating unit to
An output unit for outputting the average time-series data as time-series data of predicted traffic;
With
When the traffic volume prediction target day is the current day, the actual data input unit inputs the time-series data of the traffic volume on the day before the prediction target time as partial time-series data,
The calculation unit reads data mapping time series data having the date type from the storage unit, and after the initial mapping of the partial time series data to the center of gravity position of the read time series data, by the agent, A traffic prediction apparatus that remaps partial time series data and calculates average time series data of time series data included in a cluster to which the partial time series data is remapped .
前記交通量予測装置が、前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与ステップと、
前記交通量予測装置が、前記実績データ入力ステップにて入力された複数の時系列データを、所定の空間内に初期マッピングした後、前記空間内をランダムに動くエージェントにより、
(1)前記エージェントが時系列データがマッピングされた位置に来たときに、所定の確率で時系列データを保持する処理、
(2)前記時系列データを保持した前記エージェントが、保持した時系列データと所定の近接度を有する時系列データを、前記エージェントの周りの所定の範囲内において検出した場合に、保持していた時系列データをマッピングする処理、
を繰り返し行うことにより前記時系列データを前記空間内に再マッピングし、近接する時系列データどうしを同じクラスタにクラスタリングし、
時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリングステップと、
前記交通量予測装置が、前記時系列データをマッピングしたデータを前記日付タイプおよび前記クラスタに関連付けて記憶部に記憶するステップと、
前記交通量予測装置が、交通量の予測対象日の日付タイプを入力する日付タイプ入力ステップと、
前記交通量予測装置が、前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出ステップと、
前記交通量予測装置が、前記平均の時系列データを予測される交通量の時系列データとして出力するステップと、
を備え、
前記実績データ入力ステップは、交通量の予測対象日が当日である場合に、予測対象時刻前までの当日の交通量の時系列データを部分時系列データとして入力し、
前記算出ステップは、前記記憶部から前記日付タイプを持つ時系列データをマッピングしたデータを読み出し、前記部分時系列データを、読み出した時系列データの重心位置に初期マッピングした後、前記エージェントにより、前記部分時系列データを再マッピングし、前記部分時系列データが再マッピングされたクラスタに含まれる時系列データの平均の時系列データを算出する交通量予測方法。 The traffic volume prediction device inputs the time series data of the traffic volume and data indicating the acquisition date of the time series data;
A date type assigning step in which the traffic prediction device assigns a date type corresponding to the acquisition date to the time-series data;
After the traffic volume prediction device initially maps a plurality of time-series data input in the result data input step in a predetermined space, an agent that randomly moves in the space,
(1) A process of holding time-series data with a predetermined probability when the agent comes to a position where time-series data is mapped;
(2) The agent holding the time-series data holds the time-series data having a predetermined proximity with the held time-series data when it is detected within a predetermined range around the agent. Process to map time series data,
By re-mapping the time-series data in the space, clustering adjacent time-series data into the same cluster,
A clustering step for dividing the time series data into a plurality of clusters based on the degree of proximity between the time series data ;
The traffic volume prediction device stores the data mapping the time series data in the storage unit in association with the date type and the cluster;
A date type input step in which the traffic volume prediction device inputs a date type of a traffic volume target date; and
The traffic volume prediction device searches the data stored in the storage unit to obtain a cluster including the most time-series data having the date type, and the time-series data having the date type included in the cluster. A calculation step for generating average time series data;
The traffic volume prediction device outputting the average time-series data as predicted traffic volume time-series data;
Equipped with a,
In the actual data input step, when the traffic volume prediction target day is the current day, the time-series data of the traffic volume on the day until the prediction target time is input as partial time-series data,
The calculation step reads data mapping time series data having the date type from the storage unit, and after the initial mapping of the partial time series data to the center of gravity position of the read time series data, the agent A traffic prediction method that remaps partial time series data and calculates average time series data of time series data included in a cluster to which the partial time series data is remapped .
交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力ステップと、
前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与ステップと、
前記実績データ入力ステップにて入力された複数の時系列データを、所定の空間内に初期マッピングした後、前記空間内をランダムに動くエージェントにより、
(1)前記エージェントが時系列データがマッピングされた位置に来たときに、所定の確率で時系列データを保持する処理、
(2)前記時系列データを保持した前記エージェントが、保持した時系列データと所定の近接度を有する時系列データを、前記エージェントの周りの所定の範囲内において検出した場合に、保持していた時系列データをマッピングする処理、
を繰り返し行うことにより前記時系列データを前記空間内に再マッピングし、近接する時系列データどうしを同じクラスタにクラスタリングし、
時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリングステップと、
前記時系列データをマッピングしたデータを前記日付タイプおよび前記クラスタに関連付けて記憶部に記憶するステップと、
交通量の予測対象日の日付タイプを入力する日付タイプ入力ステップと、
前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出ステップと、
前記平均の時系列データを予測される交通量の時系列データとして出力するステップと、
を実行させ、
前記実績データ入力ステップは、交通量の予測対象日が当日である場合に、予測対象時刻前までの当日の交通量の時系列データを部分時系列データとして入力し、
前記算出ステップは、前記記憶部から前記日付タイプを持つ時系列データをマッピングしたデータを読み出し、前記部分時系列データを、読み出した時系列データの重心位置に初期マッピングした後、前記エージェントにより、前記部分時系列データを再マッピングし、前記部分時系列データが再マッピングされたクラスタに含まれる時系列データの平均の時系列データを算出するプログラム。
A program for predicting traffic,
Actual data input step for inputting time series data of traffic volume and data indicating the acquisition date of the time series data,
A date type giving step for giving a date type corresponding to the acquisition date to the time series data;
A plurality of time-series data input in the result data input step , after initial mapping in a predetermined space, by an agent moving randomly in the space,
(1) A process of holding time-series data with a predetermined probability when the agent comes to a position where time-series data is mapped;
(2) The agent holding the time-series data holds the time-series data having a predetermined proximity with the held time-series data when it is detected within a predetermined range around the agent. Process to map time series data,
By re-mapping the time-series data in the space, clustering adjacent time-series data into the same cluster,
A clustering step for dividing the time series data into a plurality of clusters based on the degree of proximity between the time series data ;
Storing the data mapped to the time series data in the storage unit in association with the date type and the cluster;
A date type input step to enter the date type of the traffic forecast target date,
Search the data stored in the storage unit to find the cluster containing the most time series data having the date type, and generate the average time series data of the time series data having the date type included in the cluster A calculating step to
Outputting the average time-series data as predicted traffic time-series data;
Was executed,
In the actual data input step, when the traffic volume prediction target day is the current day, the time-series data of the traffic volume on the day until the prediction target time is input as partial time-series data,
The calculation step reads data mapping time series data having the date type from the storage unit, and after the initial mapping of the partial time series data to the center of gravity position of the read time series data, the agent A program that remaps partial time series data and calculates average time series data of time series data included in a cluster to which the partial time series data is remapped .
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011063740A JP5421949B2 (en) | 2011-03-23 | 2011-03-23 | Traffic volume prediction device, traffic volume prediction method and program |
CN201110361725.XA CN102693627B (en) | 2011-03-23 | 2011-11-15 | Traffic flow estimating apparatus and traffic flow estimating method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011063740A JP5421949B2 (en) | 2011-03-23 | 2011-03-23 | Traffic volume prediction device, traffic volume prediction method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012198839A JP2012198839A (en) | 2012-10-18 |
JP5421949B2 true JP5421949B2 (en) | 2014-02-19 |
Family
ID=46859021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011063740A Expired - Fee Related JP5421949B2 (en) | 2011-03-23 | 2011-03-23 | Traffic volume prediction device, traffic volume prediction method and program |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP5421949B2 (en) |
CN (1) | CN102693627B (en) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014155641A1 (en) * | 2013-03-29 | 2014-10-02 | 株式会社日立製作所 | Information processing method and information processing system |
WO2014188475A1 (en) * | 2013-05-20 | 2014-11-27 | 株式会社日立製作所 | Information processing system |
EP3135556A4 (en) * | 2014-04-21 | 2017-09-06 | Hitachi, Ltd. | Traffic system optimization device |
GB2606674B (en) * | 2016-10-21 | 2023-06-28 | Datarobot Inc | System for predictive data analytics, and related methods and apparatus |
CN107248277B (en) * | 2017-07-27 | 2019-11-08 | 安徽正熹标王新能源有限公司 | A kind of shared bicycle empty wagons prediction system for prompting |
US11082292B2 (en) * | 2017-12-21 | 2021-08-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for dynamic network configuration and optimisation using artificial life |
US11789437B2 (en) | 2018-07-24 | 2023-10-17 | Canon Kabushiki Kaisha | Processing apparatus and processing method for processing portion |
CN110517481A (en) * | 2019-07-26 | 2019-11-29 | 厦门卫星定位应用股份有限公司 | Vehicle flowrate prediction technique, medium, equipment and device |
FR3129021B1 (en) | 2021-11-10 | 2024-04-12 | Ifp Energies Now | Method for determining a maximum flow rate and/or a daily flow rate of vehicles on a road network |
FR3134472A1 (en) | 2022-04-12 | 2023-10-13 | IFP Energies Nouvelles | Method for determining vehicle flow on at least one strand of a road network using geolocation data |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001118188A (en) * | 1999-10-20 | 2001-04-27 | Matsushita Electric Ind Co Ltd | Information display device |
JP2001304891A (en) * | 2000-04-27 | 2001-10-31 | Toshiba Corp | Predicting system for road traffic state, on-vehicle navigation system, and predicting method for road state |
JP2002298281A (en) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | Traffic volume prediction device, traffic volume prediction method, traffic information center and onboard navigation system |
US7958120B2 (en) * | 2005-05-10 | 2011-06-07 | Netseer, Inc. | Method and apparatus for distributed community finding |
JP4495746B2 (en) * | 2007-05-09 | 2010-07-07 | 日本電信電話株式会社 | Traffic jam travel time prediction database creation device, traffic jam travel time prediction database creation method, traffic jam travel time prediction database creation program implementing the method and recording medium recording the program, traffic jam travel time prediction device, traffic jam travel time prediction method, Program for predicting traffic jam travel time and a recording medium recording the program |
-
2011
- 2011-03-23 JP JP2011063740A patent/JP5421949B2/en not_active Expired - Fee Related
- 2011-11-15 CN CN201110361725.XA patent/CN102693627B/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102693627B (en) | 2014-11-12 |
CN102693627A (en) | 2012-09-26 |
JP2012198839A (en) | 2012-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5421949B2 (en) | Traffic volume prediction device, traffic volume prediction method and program | |
US9733094B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
US11118921B2 (en) | Vehicle routing guidance to an authoritative location for a point of interest | |
US20220214182A1 (en) | Method, system, terminal, and storage medium for rapid generation of reference lines | |
CN109543909B (en) | Method and device for predicting number of vehicle cases and computer equipment | |
CN107103753A (en) | Traffic time prediction system, traffic time prediction method, and traffic model establishment method | |
US10203218B2 (en) | Predicting a vehicular route of travel without historical route data | |
JP5388924B2 (en) | Traffic volume prediction device, traffic volume prediction method and program | |
CN111326015A (en) | Parking spot recommendation method and device | |
CN109886529B (en) | Resource allocation method and device, electronic terminal and storage medium | |
US11341297B2 (en) | Obstacle distribution simulation method, device and terminal based on a probability graph | |
CN114930122B (en) | Method and processor circuit for updating digital road map | |
CN110555432B (en) | Method, device, equipment and medium for processing interest points | |
CN114004077B (en) | Traffic simulation conversion method, device, computer equipment and storage medium | |
CN113722409A (en) | Method and device for determining spatial relationship, computer equipment and storage medium | |
CN110134754B (en) | Method, device, server and medium for predicting operation duration of region interest point | |
US10535256B1 (en) | Method and apparatus for traffic-aware stochastic routing and navigation | |
CN109934496B (en) | Method, device, equipment and medium for determining inter-area traffic influence | |
US11231284B2 (en) | Method and data processing system for generating map data of a digital map | |
CN115374944B (en) | Model reasoning method and device, electronic equipment and storage medium | |
US20220335829A1 (en) | System and method for vehicle event data processing for identifying and updating parking areas | |
WO2023083552A1 (en) | Generating greenhouse gas emissions estimations associated with logistics contexts using machine learning techniques | |
CN109612467B (en) | Track simplifying method and system and track visualization system | |
JP2021009027A (en) | Route output device, method, and program | |
JP7261892B2 (en) | Occupancy grid map management device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130315 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130724 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130730 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130918 |
|
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: 20131112 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131122 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5421949 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
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 |
|
LAPS | Cancellation because of no payment of annual fees |