JP7446359B2 - 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム - Google Patents

交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム Download PDF

Info

Publication number
JP7446359B2
JP7446359B2 JP2022066800A JP2022066800A JP7446359B2 JP 7446359 B2 JP7446359 B2 JP 7446359B2 JP 2022066800 A JP2022066800 A JP 2022066800A JP 2022066800 A JP2022066800 A JP 2022066800A JP 7446359 B2 JP7446359 B2 JP 7446359B2
Authority
JP
Japan
Prior art keywords
period
traffic data
target
cycle
historical
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.)
Active
Application number
JP2022066800A
Other languages
English (en)
Other versions
JP2022095895A (ja
Inventor
キキ シュウ，
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.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Original Assignee
Apollo Intelligent Connectivity Beijing Technology Co 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 Apollo Intelligent Connectivity Beijing Technology Co Ltd filed Critical Apollo Intelligent Connectivity Beijing Technology Co Ltd
Publication of JP2022095895A publication Critical patent/JP2022095895A/ja
Application granted granted Critical
Publication of JP7446359B2 publication Critical patent/JP7446359B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • 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
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Description

本出願はコンピュータ技術の分野に関し、具体的にはインテリジェント交通技術の分野に関し、特に交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラムに関する。
交通データの予測は、インテリジェント交通技術の重要な一環であり、正確な交通データの予測は、適切な交通規制手段を適時に取って交通をより整然とするのに役立つ。
しかしながら、道路交通システムが常に変化していて、複雑な非線形システムであり、季節、気候などの自然界の要因だけではなく、交通事故、突発事件及び運転手の心理状態などの様々な人的要因をも含み、道路交通データのリアルタイム且つ正確な予測に影響する。
本出願は、交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラムを提供する。
そのため、本出願の第１の目的は、履歴周期の交通データと目標周期のデータとを比較し、履歴周期から要件を満たす参照周期の交通データを選択することで、目標周期の交通データの予測を実現し、履歴周期の交通データの特性を維持することができるだけでなく、操作が容易で予測精度が高い交通データ予測方法を提供することである。
本出願の第２の目的は交通データ予測装置を提供することである。
本出願の第３の目的は電子機器を提供することである。
本出願の第４の目的はコンピュータ命令を記憶した非一時的コンピュータ読み取り可能な記憶媒体を提供することである。
本出願の第５の目的はコンピュータプログラム製品を提供することである。
本出願の第６の目的はコンピュータプログラムを提供することである。
上記目的を達成するために、本出願の第１の態様の実施例として、交通データ予測装置によって実行される交通データ予測方法であって、目標周期及び該目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得するステップと、各前記履歴周期と前記目標周期との間の時間間隔に基づいて、前記少なくとも１つの履歴周期から参照周期を決定するステップと、前記目標周期内のサンプリングされた第１の時刻の交通データ、及び前記参照周期内の対応する時刻の交通データに基づいて、前記目標周期と前記参照周期との間のデータ類似度を決定するステップと、前記目標周期内の予測対象の第２の時刻に基づいて、前記参照周期から前記第２の時刻に対応する参照交通データを取得するステップと、前記目標周期と前記参照周期との間の前記データ類似度、及び前記参照周期内の前記参照交通データに基づいて、前記目標周期内の前記第２の時刻の交通データを予測するステップとを含み、前記目標周期内のサンプリングされた前記第１の時刻の前記交通データ、及び前記参照周期内の対応する時刻の前記交通データに基づいて、前記目標周期と前記参照周期との間の前記データ類似度を決定するステップは、前記目標周期内の複数の前記第１の時刻の前記交通データに基づいて、前記目標周期の状態ベクトルを決定するステップと、前記参照周期内の、複数の前記第１の時刻に対応する時刻の前記交通データに基づいて、前記参照周期の状態ベクトルを決定するステップと、前記目標周期の前記状態ベクトルと前記参照周期の前記状態ベクトルとの間のベクトル距離に基づいて、前記目標周期と前記参照周期との間の前記データ類似度を決定するステップとを含む交通データ予測方法を提供する。
上記目的を達成するため、本出願の第２の態様の実施例は、目標周期及び該目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得する取得モジュールと、各前記履歴周期と前記目標周期との間の時間間隔に基づいて、前記少なくとも１つの履歴周期から参照周期を決定する選択モジュールと、前記目標周期内のサンプリングされた第１の時刻の交通データ、及び前記参照周期内の対応する時刻の交通データに基づいて、前記目標周期と前記参照周期との間のデータ類似度を決定する実行モジュールと、前記目標周期内の予測対象の第２の時刻に基づいて、前記参照周期から前記第２の時刻に対応する参照交通データを取得するマッチングモジュールと、前記目標周期と前記参照周期との間の前記データ類似度、及び前記参照周期内の前記参照交通データに基づいて、前記目標周期内の前記第２の時刻の交通データを予測する予測モジュールとを備え、前記実行モジュールは、前記目標周期内の複数の前記第１の時刻の前記交通データに基づいて、前記目標周期の状態ベクトルを決定する第１の構成ユニットと、前記参照周期内の、複数の前記第１の時刻に対応する時刻の前記交通データに基づいて、前記参照周期の状態ベクトルを決定する第２の構成ユニットと、前記目標周期の前記状態ベクトルと前記参照周期の前記状態ベクトルとの間のベクトル距離に基づいて、前記目標周期と前記参照周期との間の前記データ類似度を決定する第１の実行ユニットとを備える交通データ予測装置を提供する。
上記目的を達成するため、本出願の第３の態様の実施例は、少なくとも１つのプロセッサと、少なくとも１つの前記プロセッサに通信可能に接続されるメモリとを備え、該メモリには、少なくとも１つの前記プロセッサによって実行可能な命令が記憶されており、該命令が、少なくとも１つの前記プロセッサによって実行される場合、少なくとも１つの前記プロセッサが第１の態様に記載の交通データ予測方法を実行できる電子機器を提供する。
上記目的を達成するために、本出願の第４の態様の実施例は、コンピュータに第１の態様に記載の交通データ予測方法を実行させるためのコンピュータ命令を記憶した非一時的コンピュータ読み取り可能な記憶媒体を提供する。
上記目的を達成するために、本出願の第５の態様の実施例は、プロセッサによって実行される場合、第１の態様に記載の交通データ予測方法を実現するコンピュータプログラムを含むコンピュータプログラム製品を提供する。
上記目的を達成するために、本出願の第６の態様の実施例は、プロセッサによって実行される場合、第１の態様に記載の交通データ予測方法を実現するコンピュータプログラムを提供する。
本出願の実施例によって提供される技術案は以下の有益な効果を実現することができる。
目標周期及び目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得し、各履歴周期と目標周期との間の時間間隔に基づいて、少なくとも１つの履歴周期から参照周期を決定し、目標周期内のサンプリングされた第１の時刻の交通データ、及び参照周期内の対応する時刻の交通データに基づいて、目標周期と参照周期との間のデータ類似度を決定し、目標周期内の予測対象の第２の時刻に基づいて、参照周期から第２の時刻に対応する参照交通データを取得し、目標周期と参照周期との間のデータ類似度、及び参照周期内の参照交通データに基づいて、目標周期内の第２の時刻の交通データを予測する。目標周期内に収集された交通データに基づいて、目標周期の参考になる参照周期の交通データを履歴周期から選択することで、参照周期内の交通データに基づいて目標周期の交通データを予測することができ、予測精度が高い。
なお、この概要部分で説明された内容は、本出願の実施例の肝心又は重要な特徴を特定することを意図するものではなく、本出願の範囲を制限することを意図するものでもないことを理解されたい。本出願の他の特徴は以下の明細書によって理解しやすくなる。
図面は本解決案をよりよく理解するためのものであり、本出願を限定するものではない。
本出願の実施例に係る交通データ予測方法のフローチャートである。 本出願の実施例に係る他の交通データ予測方法のフローチャートである。 本出願の実施例に係る交通データ予測装置の概略構成図である。 本出願の実施例に係る例示的な電子機器４００の概略ブロック図である。
以下、図面を参照しながら本出願の例示的な実施例を説明し、理解を助けるために、本出願の実施例の様々な詳細が含まれ、それらを単なる例示的なものとして見なすべきである。したがって、当業者であれば、本出願の範囲及び精神から逸脱しない限り、ここで説明された実施例に対して様々な変更と修正を行うことができる。同様に、明確及び簡潔のために、以下の説明では、公知の機能及び構造に対する説明を省略する。
図１は、本出願の実施例に係る交通データ予測方法のフローチャートである。
図１に示すように、交通データ予測方法は以下ステップ１０１からステップ１０５を含む。
ステップ１０１では、目標周期及び目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得する。
複数の周期内に監視された交通データは、ビデオセンシングデバイスによって取得されたものであり、ビデオセンシングデバイスを交通信号灯設備に接続することで、道路交通流量と交通信号灯の状態情報との強いバインディングを実現することができ、信号灯の制御クロックをビデオセンシングデバイスのクロックに合わせる必要がない。ビデオセンシングデバイスによって取得された交通データは、予め設定されたデータベースに格納される。外部が目標道路の交通情報を抽出しようとする際に、データベースから必要とする交通データを直接抽出することができる。交通データは、現在及び過去の各時間帯のリアルタイムな交通データを含む。１つの可能な実現形態として、交通データは、流量、飽和度及び交差点通行時間などの複数の指標の値を含んでいてもよい。
ここで、周期は、サンプリングポイントに対するものであり、過去の経験によれば、現在時刻よりも前の各周期の４つのサンプリングポイントの交通データを収集するだけで、次の時刻の交通データの予測を実現することができる。例えば、現在の時刻ｔの交通流量がｖ（ｔ）であれば、これよりも前のサンプリングポイントの交通データはそれぞれｖ（ｔ－１）、ｖ（ｔ－２）、ｖ（ｔ－３）である。このように、履歴周期のサンプリングポイントの交通流量はｖｈ（ｔ）、ｖｈ（ｔ－１）、ｖｈ（ｔ－２）、ｖｈ（ｔ－３）で表すことができる。これに対応して、次の時刻の現在及び履歴の交通流量はそれぞれｖ（ｔ＋１）、ｖｈ（ｔ＋１）である。
なお、４つのサンプリングポイントは単なる例示的な説明であり、本実施例を限定するものではない。当業者であれば、他の周期数又はサンプリングポイント数を用いても本実施例の実現に影響を及ぼさないことは理解できる。
ステップ１０２では、各履歴周期と目標周期との間の時間間隔に基づいて、少なくとも１つの履歴周期から参照周期を決定する。
選択可能に、目標周期に最も近い履歴周期から開始して、目標個数の周期を参照周期として選択してもよい。本実施例では、具体的には、まず、各履歴周期のデータ予測誤差を取得し、各履歴周期内の、データ予測誤差が設定された誤差範囲内にある履歴周期の数に基づいて、目標個数を決定し、さらには、目標周期に最も近い目標個数の履歴周期を参照周期として選択することができる。
履歴周期と目標周期との間の時間間隔は、ステップ１０１におけるサンプリングポイントの間の時間間隔とは異なる。本ステップで言及されている時間間隔は、現在の周期、即ち目標周期と、履歴周期との間の時間間隔であってもよく、例えば、今日、一昨日である。
当該実施例では、参照周期の決定は２種類の実現形態を含むことができる。
１つ目の可能な実現形態としては、目標周期を起点とし、それよりも前の目標個数の履歴周期を参照周期として順次選択し、即ち、まず目標個数を決定し、次に、データベースにおいて、目標周期に隣接する目標個数の各履歴周期の交通データを検索する。ここで、目標個数は、各履歴周期のデータ予測誤差及び設定された誤差範囲に基づいて決定される。
２つ目の可能な実現形態としては、まず、各履歴周期のデータ予測誤差及び設定された誤差範囲に基づいて、目標個数を決定し、その後、設定された誤差範囲にあるデータ予測誤差に対応する履歴周期を参照周期とする。
ステップ１０３では、目標周期内のサンプリングされた第１の時刻の交通データ、及び参照周期内の対応する時刻の交通データに基づいて、目標周期と参照周期とのデータ類似度を決定する。
選択可能に、目標周期内の複数の第１の時刻の交通データに基づいて、目標周期の状態ベクトルを決定し、参照周期内の、複数の第１の時刻に対応する時刻の交通データに基づいて、参照周期の状態ベクトルを決定し、各履歴周期の流量に基づいて、隣接する履歴周期の間の流量の第１の相関係数を決定し、各履歴周期の飽和度に基づいて、隣接する履歴周期の間の飽和度の第２の相関係数を決定し、目標周期の状態ベクトルと参照周期の状態ベクトルとの間の、流量の部分に対応する差と飽和度の部分に対応する差とに基づいて、目標周期の状態ベクトルと参照周期の状態ベクトルとの間のベクトル距離を決定し、ベクトル距離に基づいて目標周期と参照周期との間のデータ類似度を決定してもよい。
複数の第１の時刻は、経験に基づいて設定された４つのサンプリング時刻であってもよく、即ち現在の時刻ｔ、及びそれよりも前のｔ－１、ｔ－２、ｔ－３という時刻を含む。
状態ベクトルは、現在の周期のサンプリング時刻と、対応する履歴周期の交通データのサンプリング時刻とのデータの流量及び飽和度で構成され、例えば、目標周期の状態ベクトルＸ＝［ｖ（ｔ）…ｖ（ｔ－３），ｏ（ｔ）…ｏ（ｔ－３）］である。ここで、ｏ（ｔ）、ｏｈ（ｔ）は飽和度である。
第１の相関係数ｒ１及び第２の相関係数ｒ２はピアソン相関係数であり、その計算式は以下のとおりである。
上記相関係数ｒの計算式では、ｘは現在の時刻の交通流量ｖ（ｔ）として表すことができ、ｙは次の時刻の交通流量ｖ（ｔ＋１）として表すことができ、或いは、ｘは現在時刻の飽和度ｏ（ｔ）として表すことができ、ｙは次の時刻の飽和度ｏ（ｔ＋１）として表すことができる。
なお、各履歴周期の交通データによって得られた第１の相関係数ｒ１及び第２の相関係数ｒ２は、現在周期及び各履歴周期を含むすべての周期の交通データに関する計算に適用される。
ベクトル距離はユークリッド距離を用い、その計算式は以下のとおりである。
当該実施例では、目標周期内のサンプリングされた第１の時刻の４つのサンプリングポイントの交通データと、ステップ１０２で得られた参照周期内の対応する時刻の交通データとを、上記ベクトル距離の計算式に代入することで、目標周期と参照周期との間のデータ類似度を得る。一般的に、ベクトル距離の値が小さいほどデータ類似度が高く、目標周期の交通データ予測の参考になり得る。
ステップ１０４では、目標周期内の予測対象の第２の時刻に基づいて、参照周期から第２の時刻に対応する参照交通データを取得する。
目標周期内の予測対象の第２の時刻は第１の時刻に対するものであり、第１の時刻と第２の時刻との間の時間間隔は１つの周期である。例えば、第１の時刻がｔ－３、ｔ－２、ｔ－１、ｔを含む場合、第２の時刻はｔ＋１である。また、参照周期から取得された、第２の時刻に対応する時刻の参照交通データは、交通流量データのみを含む。
ステップ１０５では、目標周期と参照周期との間のデータ類似度、及び参照周期内の参照交通データに基づいて、目標周期内の第２の時刻の交通データを予測する。
選択可能に、１つの可能な実現形態として、目標周期と参照周期との間のデータ類似度に基づいて、参照周期の重みを決定し、重みとデータ類似度とが負の相関関係であり、参照周期の重みに基づいて、参照周期内の参照交通データを重み付けして、目標周期内の第２の時刻の交通データを予測してもよい。
なお、負の相関関係とは、類似度が大きくなると重みが小さくなり、類似度が小さくなると重みが大きくなる関係、例えば、反比例の関係を指す。
ここで、参照周期の重みの主な役割は、参照周期内の使用されるデータ、即ち第２の時刻の交通流量の、目標周期内の第２の時刻の予測対象交通流量への寄与程度を評価することであり、その計算式は以下のとおりである。
上記式では、βは参照周期の重みであり、Ｄｉは目標周期と参照周期との間のベクトル距離である。式から分かるように、ベクトル距離が大きいほど、その重みが小さい。
参照周期の重み及び参照周期内の第２の時刻の参照交通データ、即ち第２の時刻の交通流量データに基づいて、目標周期内の第２の時刻の交通データ、即ち目標周期内の第２の時刻の交通流量を予測することができ、その予測式は以下のとおりである。
上記式から分かるように、参照周期の重みが大きい場合、参照周期内の対応する時刻の参照交通流通データを目標周期内の第２の時刻の交通流量としてより多く使用することができる。逆に、参照周期の重みが小さい場合、使用される参照周期内のデータ量も少なく、それにより、参照周期の第２の時刻の参照交通データを効果的に利用し、予測の精度を向上させる。
本実施例の交通データ予測方法は、目標周期及び目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得し、各履歴周期と目標周期との間の時間間隔に基づいて、少なくとも１つの履歴周期から参照周期を決定し、目標周期内のサンプリングされた第１の時刻の交通データ、及び参照周期内の対応する時刻の交通データに基づいて、目標周期と参照周期とのデータ類似度を決定し、目標周期内の予測対象の第２の時刻に基づいて、参照周期から第２の時刻に対応する時刻の参照交通データを取得し、目標周期と参照周期との間のデータ類似度、及び参照周期内の参照交通データに基づいて、目標周期内の第２の時刻の交通データを予測し、履歴周期の交通データと目標周期のデータとを比較し、履歴周期から要件を満たす参照周期の交通データを選択することで、目標周期の交通データの予測を実現する。これにより、履歴周期の交通データの特性を維持することができるだけでなく、操作が容易で予測精度が高い。
上記実施例に基づいて、本実施例は他の交通データ予測方法の可能な実現形態を提供し、図２は本出願の実施例に係る他の交通データ予測方法のフローチャートである。
図２に示すように、交通データ予測方法は、以下のステップ２０１からステップ２０７を含む。
ステップ２０１では、目標周期及び目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得する。
本実施例の詳細については、上記実施例のステップ１０１を参照することができ、原理が同じであるため、ここでは詳しい説明を省略する。
ステップ２０２では、目標周期に最も近い履歴周期から開始して、目標個数の履歴周期を参照周期として選択する。
選択可能に、１つの可能な実現形態として、各履歴周期のデータ予測誤差を取得し、各履歴周期内の、データ予測誤差が設定された誤差範囲内にある履歴周期の数に基づいて、目標個数を決定してもよい。
本実施例では、各履歴周期のデータ予測誤差は、実際には、各履歴周期における、上記実施例のステップ１０１の次の時刻に対応する時刻の予測交通流量と実際交通流量との差分値である。設定された誤差範囲は、各履歴周期のデータ予測誤差に基づいて得された誤差値の分布区間であり、この分布区間は経験に基づいて、誤差の占める比率が２０％未満のデータを選択することができる。例えば、各履歴周期では、次の時刻の予測交通流量値がＡで、実際交通流量値がＢである場合、データ予測誤差の占める比率が（Ａ－Ｂ）／Ａである。その後、誤差の占める比率が２０％未満のデータ誤差値を統計して、これらのデータ誤差値の上限及び下限に基づいて、設定された誤差範囲を決定する。
目標個数を決定する前に、目標周期よりも前に大量の履歴周期データが存在している可能性があるため、各履歴周期の交通データと目標周期の交通データとのよりよいマッチング度合いを達成するために、経験に基づいて、各履歴周期と目標周期との間の時間間隔を多くとも２０日間以下にする。その後、目標周期から２０個の周期の交通データを順次取得し、これらの交通データのデータ予測誤差と設定された誤差範囲とを比較し、設定された誤差範囲内にあるデータ予測誤差に対応する各履歴周期を選択する。その後、要件を満たすこれらの履歴周期の数を統計すれば、目標個数を得ることができる。
目標個数に基づいて、目標周期に最も近い履歴周期から開始して、目標個数の履歴周期を参照周期として選択することができる。ここで、参照周期の選択は、以下の２つの手段を含むことができる。
１つ目の手段は、要件を満たす履歴周期を参照周期とする。例えば、ここの要件は、目標周期との類似度が特定の閾値以上であることであってもよいし、予測誤差が特定の誤差制限値以下であることであってもよい。
２つ目の手段は、目標周期に最も近い履歴周期から開始して、目標個数の履歴周期を参照周期として順次選択する。
１つ目の手段では、参照周期のデータ予測誤差はすべて設定された誤差範囲内にあり、参照周期は、履歴時間（例えば、日数）の配列おいて離散している場合、又は隣接している場合もある。
２つ目の手段では、参照周期は隣接しているもののみであり、且つ目標周期に隣接している目標個数の履歴周期である。
ステップ２０３では、目標周期内の複数の第１の時刻の交通データに基づいて、目標周期の状態ベクトルを決定する。
目標周期の状態ベクトルＸ＝［ｖ（ｔ）…ｖ（ｔ－３），ｏ（ｔ）…ｏ（ｔ－３）］では、流量ｖ（ｔ）及び飽和度ｏ（ｔ）にした根拠は、現在及び履歴の周期データの類似度を計算する際に、様々な影響因子を評価した後、周期の間の相関係数が最も高い影響因子である流量及び飽和度を状態ベクトルの指標とすることである。それにより、履歴周期内の流量及び飽和度に基づいて予測された後続の目標周期の交通データの精度がより高くなる。
ステップ２０４では、参照周期内の、複数の第１の時刻に対応する時刻の交通データに基づいて、参照周期の状態ベクトルを決定する。
参照周期の状態ベクトルは、
Ｘｈ＝［ｖｈ（ｔ）…ｖｈ（ｔ－３），ｏｈ（ｔ）…ｏｈ（ｔ－３）］
である。
ステップ２０５では、目標周期の状態ベクトルと参照周期の状態ベクトルとの間のベクトル距離に基づいて、目標周期と参照周期との間のデータ類似度を決定する。
本実施例では、ベクトル距離に関する計算方法は、上記実施例のステップ１０３で示しており、原理が同じであり、ここでは詳しい説明を省略する。目標個数の参照周期を選択する必要があるため、目標個数のベクトル距離を算出する必要がある。
ステップ２０６では、目標周期内の予測対象の第２の時刻に基づいて、参照周期から第２の時刻に対応する時刻の参照交通データを取得する。
本実施例の詳細について、上記実施例のステップ１０４を参照することができ、原理が同じであるため、ここでは詳しい説明を省略する。
ステップ２０７では、目標周期と参照周期との間のデータ類似度、及び参照周期内の参照交通データに基づいて、目標周期内の第２の時刻の交通データを予測する。
選択可能に、１つの可能な実現形態として、目標周期と参照周期との間のデータ類似度に基づいて、参照周期の重みを決定し、重みとデータ類似度とが負の相関関係であり、参照周期の重みに基づいて、参照周期内の参照交通データを重み付けして、目標周期内の第２の時刻の交通データを予測してもよい。
本実施例では、参照周期の重み及び目標周期内の第２の時刻の交通データの予測式及び原理は、上記実施例のステップ１０５の関連説明を参照することができ、ここでは詳しい説明を省略する。なお、本実施例で使用される参照周期内の参照交通データが、目標周期内の第２の時刻に対応する時刻のリアルタイムな交通流量データである。
また、本実施例は参照周期内の元のデータを一切処理しなかったため、元のデータの特性が維持され、これは、予測データのリアル性に役立つだけではなく、操作も容易である。交通データには他の影響因子が含まれる可能性があるため、本出願の交通データ予測方法を用いて、他の影響因子を予測することもでき、ここで特に限定しない。
本実施例の交通データ予測方法は、目標周期及び目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得し、各履歴周期と目標周期との間の時間間隔に基づいて、少なくとも１つの履歴周期から参照周期を決定し、目標周期内のサンプリングされた第１の時刻の交通データ、及び参照周期内の対応する時刻の交通データに基づいて、目標周期と参照周期とのデータ類似度を決定し、目標周期内の予測対象の第２の時刻に基づいて、参照周期から第２の時刻に対応する時刻の参照交通データを取得し、目標周期と参照周期との間のデータ類似度、及び参照周期内の参照交通データに基づいて、目標周期内の第２の時刻の交通データを予測し、履歴周期の交通データと目標周期のデータとを比較し、履歴周期から要件を満たす参照周期の交通データを選択することで、目標周期の交通データの予測を実現する。これにより、履歴周期の交通データの特性を維持ことができるだけでなく、操作が容易で予測精度が高い。
上記実施例を実現するために、本出願は、交通データ予測装置をさらに提供する。
図３は本出願の実施例に係る交通データ予測装置の概略構成図である。
図３に示すように、交通データ予測装置は、取得モジュール３１、選択モジュール３２、実行モジュール３３、マッチングモジュール３４、及び予測モジュール３５を備える。
取得モジュール３１は、目標周期及び目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得するように構成される。
選択モジュール３２は、各履歴周期と目標周期との間の時間間隔に基づいて、少なくとも１つの履歴周期から参照周期を決定するように構成される。
実行モジュール３３は、目標周期内のサンプリングされた第１の時刻の交通データ、及び参照周期内の対応する時刻の交通データに基づいて、目標周期と参照周期との間のデータ類似度を決定するように構成される。
マッチングモジュール３４は、目標周期内の予測対象の第２の時刻に基づいて、参照周期から第２の時刻に対応する参照交通データを取得するように構成される。
予測モジュール３５は、目標周期と参照周期との間のデータ類似度、及び参照周期内の参照交通データに基づいて、目標周期内の第２の時刻の交通データを予測するように構成される。
さらに、１つの可能な実現形態として、上記実行モジュール３３は、目標周期内の複数の第１の時刻の交通データに基づいて、目標周期の状態ベクトルを決定する第１の構成ユニット３３１と、参照周期内の、複数の第１の時刻に対応する時刻の交通データに基づいて、参照周期の状態ベクトルを決定する第２の構成ユニット３３２と、目標周期の状態ベクトルと参照周期の状態ベクトルとの間のベクトル距離に基づいて、目標周期と参照周期との間のデータ類似度を決定する第１の実行ユニット３３３とをさらに備えていてもよい。
さらに、１つの可能な実現形態として、上記予測モジュール３５は、第２の実行ユニット３５１と、予測ユニット３５２とをさらに備えていてもよい。
第２の実行ユニット３５１は、目標周期と参照周期との間のデータ類似度に基づいて、参照周期の重みを決定するように構成され、重みとデータ類似度とが負の相関関係である。
予測ユニット３５２は、参照周期の重みに基づいて、参照周期内の参照交通データを重み付けして、目標周期内の第２の時刻の交通データを予測するように構成される。
１つの可能な実現形態として、上記選択モジュール３２はさらに、各履歴周期のデータ予測誤差を取得し、各履歴周期内の、データ予測誤差が設定された誤差範囲内にある履歴周期の数に基づいて、目標個数を決定してもよい。
１つの可能な実現形態として、上記第１の実行ユニット３３３はさらに、各履歴周期の流量に基づいて、隣接する履歴周期の間の流量の第１の相関係数を決定し、各履歴周期の飽和度に基づいて、隣接する履歴周期の間の飽和度の第２の相関係数を決定し、目標周期の状態ベクトルと参照周期の状態ベクトルとの間の、流量の部分に対応する差及び飽和度の部分に対応する差、並びに第１の相関係数及び第２の相関係数に基づいて、ベクトル距離を決定してもよい。
本実施例の交通データ予測装置は、目標周期及び目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得し、各履歴周期と目標周期との間の時間間隔に基づいて、少なくとも１つの履歴周期から参照周期を決定し、目標周期内のサンプリングされた第１の時刻の交通データ、及び参照周期内の対応する時刻の交通データに基づいて、目標周期と参照周期との間のデータ類似度を決定し、目標周期内の予測対象の第２の時刻に基づいて、参照周期から第２の時刻に対応する参照交通データを取得し、目標周期と参照周期との間のデータ類似度、及び参照周期内の参照交通データに基づいて、目標周期内の第２の時刻の交通データを予測し、履歴周期の交通データと目標周期のデータとを比較し、履歴周期から要件を満たす参照周期の交通データを選択することで、目標周期の交通データの予測を実現する。これにより、履歴周期の交通データの特性を維持することができるだけでなく、操作が容易で予測精度が高い。
なお、交通データ予測方法の実施例に関する上記説明は本実施例の交通データ予測装置にも適用可能であるため、ここでは詳しい説明を省略する。
本出願の実施例に基づいて、本出願は、電子機器、読み取り可能な記憶媒体、コンピュータプログラム製品及びコンピュータプログラムをさらに提供する。
図４は、本出願の実施例を実施するための例示的な電子機器４００の概略ブロック図を示す。
電子機器４００は様々な態様のデジタルコンピュータ、例えば、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、携帯情報端末、サーバ、ブレードサーバ、メインフレームコンピュータ、及び他の適切なコンピュータを表すこと意図している。電子機器４００はさらに、様々な態様のモバイル装置、例えば、携帯情報端末、セルラー電話、スマートフォン、ウェアラブルデバイス及び他の同様なコンピューティングデバイスを表すことができる。本明細書に示されている部品、それらの接続と関係、及びそれらの機能は例示的なものに過ぎず、本明細書で説明された及び／又は求められた本出願の実現を限定するものではない。
図４に示すように、電子機器４００は、ＲＯＭ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、読み取り専用メモリ）４０２内に記憶されるコンピュータプログラム又は記憶ユニット４０８からＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ランダムアクセス／アクセスメモリ）４０３内にロードされるコンピュータプログラムに基づいて、様々な適切な動作及び処理を実行できる計算ユニット４０１を備える。
ＲＡＭ４０３内では、電子機器４００の操作に必要な様々なプログラム及びデータを記憶することができる。計算ユニット４０１、ＲＯＭ４０２及びＲＡＭ４０３はバス４０４を介して互いに接続されている。Ｉ／Ｏ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ、入力／出力）インターフェース４０５もバス４０４に接続されている。
電子機器４００内の複数の部品はＩ／Ｏインターフェース４０５に接続され、キーボード、マウスなどのような入力ユニット入力ユニット４０６と、様々なディスプレイ、スピーカーなどのような出力ユニット４０７と、磁気ディスク、光ディスクなどのような記憶ユニット４０８と、ネットワークカード、モデム、無線通信送受信機などのような通信ユニット４０９とを備える。
通信ユニット４０９は、電子機器４００がインターネットのようなコンピュータネットワーク及び／又は様々な電気通信ネットワークを介して他のデバイスと情報／データを交換することを可能にする。
計算ユニット４０１は、処理及び計算能力を備える様々な汎用及び／又は専用処理コンポーネントであってもよい。計算ユニット４０１のいくつかの例はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理装置）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ、グラフィックス処理装置）、様々な専用のＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ、人工知能）計算チップ、機械学習モデルアルゴリズムを実行する様々な計算ユニット、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ、デジタル信号プロセッサ）、及び如何なる適切なプロセッサ、コントローラ、マイクロコントローラなどを含むが、これらに限定されない。
計算ユニット４０１は、前文で説明された各方法及び処理、例えばテキスト生成方法を実行する。例えば、いくつかの実施例では、テキスト生成方法は、コンピュータソフトウェアプログラムとして実現することができ、記憶ユニット４０８のような機械読み取り可能な媒体に有形的に含まれる。
いくつかの実施例では、コンピュータプログラムの一部又はすべてはＲＯＭ４０２及び／又は通信ユニット４０９を介して機器にロード及び／又はインストールされる。コンピュータプログラムがＲＡＭ４０３にロードされ且つ計算ユニット４０１によって実行される際に、前文で説明された方法の少なくとも１つのステップを実行することができる。代替的に、他の実施例では、計算ユニット４０１は他の如何なる適切な方式（例えば、ファームウェアを介して）を介して前述のテキスト生成方法を実行するように構成される。
以上で説明された本明細書のシステム及び技術の様々な実施形態はデジタル電子回路システム、集積回路システム、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ、フィールドプログラマブルゲートアレイ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ－Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ、特定用途向け集積回路）、ＡＳＳＰ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｓｔａｎｄａｒｄ Ｐｒｏｄｕｃｔ、特定用途用標準品）、ＳＯＣ（Ｓｙｓｔｅｍ Ｏｎ Ｃｈｉｐ、システムオンチップのシステム）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ、コンプレックスプログラマブルロジックデバイス）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせにおいて実現することができる。これらの様々な実施形態は、少なくとも１つのコンピュータプログラムにおける実施を含むことができ、少なくとも１つのコンピュータプログラムは、少なくとも１つのプログラム可能なプロセッサを含むプログラム可能なシステムにおいて実行及び／又は説明することができ、プログラム可能なプロセッサは専用又は汎用のプログラム可能なプロセッサであってもよく、記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置からデータ及び命令を受信し、且つデータ及び命令を記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置に送信することができる。
本出願の方法を実施するためのプログラムコードは１つのプログラミング言語或いは複数のプログラミング言語の如何なる組み合わせで書くことができる。これらのプログラムコードは、プログラムコードがプロセッサ又はコントローラによって実行される際にフローチャート及び／又はブロック図で規定された機能／操作が実施されるように、汎用コンピュータ、専用コンピュータ、あるいは他のプログラム可能なデータ処理装置のプロセッサ又はコントローラに提供することができる。プログラムコードは完全に機械上で実行されたり、部分的に機械上で実行されたり、独立したソフトウェアパッケージとして部分的に機械上で実行され且つ部分的にリモートデバイス上で実行されたり、或いは完全にリモートデバイスやサーバ上で実行されたりすることができる。
本出願の前後文では、機械読み取り可能な媒体は有形の媒体であってもよく、命令実行システム、装置或いは機械によって使用される又は命令実行システム、装置或いは機械を参照しながら使用されるプログラムを含む又は記憶することができる。機械読み取り可能な媒体は機械読み取り可能な信号媒体或いは機械読み取り可能な記憶媒体であってもよい。機械読み取り可能な媒体は電子的、磁気的、光学的、電磁的、赤外線、或いは半導体のシステム、装置又はデバイス、或いは上記内容の如何なる適切な組み合わせを含むが、これらに限定されない。機械読み取り可能な媒体のより具体的な例は、少なくとも１つの回線に基づく電気的接続、ポータブルコンピュータディスク、ハードディスク、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ－Ｍｅｍｏｒｙ、消去可能なプログラム可能な読み取り専用メモリ）又はフラッシュメモリ、光ファイバ、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、コンパクトディスク読み取り専用メモリ）、光学記憶装置、磁気記憶装置、或いは上記内容の如何なる適切な組み合わせを含む。
ユーザとのインタラクションを提供するために、ここで説明されたシステムと技術をコンピュータ上で実施することができる。コンピュータは、ユーザに情報を表示するための表示装置（例えば、ＣＲＴ（Ｃａｔｈｏｄｅ－Ｒａｙ Ｔｕｂｅ、ブラウン管）又はＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ、液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウス又はトラックボール）とを備え、ユーザはキーボードとポインティングデバイスを介して入力をコンピュータに提供することができる。他の種類のデバイスはさらにユーザとのインタラクションを提供することができ、例えば、ユーザに提供されたフィードバックは、任意の形式のセンサフィードバック（例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）であっても良い以上、ユーザからの入力を任意の形式（音の入力、音声入力又は触覚入力を含む）で受信することもできる。
ここで説明されたシステムと技術を、バックグラウンドパーツを含む計算システム（例えば、データサーバとして）、又はミドルウェアパーツを含む計算システム（例えば、アプリケーションサーバ）、又はフロントエンドパーツを含む計算システム（例えば、グラフィカルユーザインタフェース又はウェブブラウザを有するユーザコンピュータ、ユーザはグラフィカルユーザインタフェース又はウェブブラウザを介して、ここで説明されたシステムと技術の実施形態と対話することができる）、又はこれらのバックグラウンドパーツ、ミドルウェアパーツ又はフロントエンドパーツの任意の組み合わせを含む計算システムにおいて実行することができる。任意の形式又は媒体のデジタルデータ通信（例えば、通信ネットワーク）を介して、システムのパーツを互いに接続することができる。通信ネットワークの一例は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ、ローカルエリアネットワーク）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ、ワイドエリアネットワーク）、インターネット、及びブロックチェーンネットワークを含む。
コンピュータシステムは、クライアント及びサーバを備えていてもよい。クライアントとサーバは通常離れており、一般的には通信ネットワークを介してインタラクションを行う。対応するコンピュータにおいて実行されかつ互いにクライアント－サーバ関係を有するコンピュータプログラムを介してクライアントとサーバとの関係を生成する。サーバはクラウドサーバーとすることができ、クラウドサーバーはクラウドコンピューティングサーバ又はクラウドホストとも呼ばれ、クラウドコンピューティングサービスシステムにおけるホスト製品であり、従来の物理ホスト及びＶＰＳサービス（「Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｓｅｒｖｅｒ」、或いは「ＶＰＳ」と略す）に存在する、管理の難易度が高く、事業拡張性が低いという欠陥を解決する。サーバは分散システムのサーバであってもよいし、ブロックチェーンと組み合わせたサーバであってもよい。
なお、人工知能は人間のある思惟過程と知能行為（学習、推理、思考、計画など）をコンピュータにシミュレートさせることを研究する学科であり、ハードウェアレベルの技術もソフトウェアレベルの技術もある。人工知能ハードウェア技術は一般にセンサー、専用人工知能チップ、クラウド計算、分散記憶、ビッグデータ処理などの技術を含む。人工知能ソフトウェア技術は主にコンピュータ視覚技術、音声認識技術、自然言語処理技術および機械学習／深層学習、ビッグデータ処理技術、知識スペクトル技術などのいくつかの方向を含む。
なお、上記に示される様々な形式のプロセスを用いて、ステップを改めて並べ替え、追加又は削除することができることを理解されたい。例えば、本発明に記載されている各ステップは並列に実行されてもよいし、順次実行されてもよいし、異なる順序で実行されてもよいが、本開示で開示されている技術案の所望の結果を実現することができれば、本明細書では限定されない。
上記具体的な実施形態は、本出願の保護範囲を制限するものではない。当業者であれば、設計要件や他の要因に応じて、様々な修正、組み合わせ、一部の組み合わせ及び代替を行うことができることを理解されたい。本出願の精神及び原則内で行われる任意の修正、同等の置換及び改善などは、いずれも本出願の保護範囲内に含まれるべきである。

Claims (14)

  1. 交通データ予測装置によって実行される交通データ予測方法であって、
    目標周期及び該目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得するステップと、
    各前記履歴周期と前記目標周期との間の時間間隔に基づいて、前記少なくとも１つの履歴周期から参照周期を決定するステップと、
    前記目標周期内のサンプリングされた第１の時刻の交通データ、及び前記参照周期内の対応する時刻の交通データに基づいて、前記目標周期と前記参照周期との間のデータ類似度を決定するステップと、
    前記目標周期内の予測対象の第２の時刻に基づいて、前記参照周期から前記第２の時刻に対応する参照交通データを取得するステップと、
    前記目標周期と前記参照周期との間の前記データ類似度、及び前記参照周期内の前記参照交通データに基づいて、前記目標周期内の前記第２の時刻の交通データを予測するステップとを含み、
    前記目標周期内のサンプリングされた前記第１の時刻の前記交通データ、及び前記参照周期内の対応する時刻の前記交通データに基づいて、前記目標周期と前記参照周期との間の前記データ類似度を決定するステップは、
    前記目標周期内の複数の前記第１の時刻の前記交通データに基づいて、前記目標周期の状態ベクトルを決定するステップと、
    前記参照周期内の、複数の前記第１の時刻に対応する時刻の前記交通データに基づいて、前記参照周期の状態ベクトルを決定するステップと、
    前記目標周期の前記状態ベクトルと前記参照周期の前記状態ベクトルとの間のベクトル距離に基づいて、前記目標周期と前記参照周期との間の前記データ類似度を決定するステップとを含む交通データ予測方法。
  2. 前記交通データは流量及び飽和度を含み、前記目標周期の状態ベクトルと前記参照周期の状態ベクトルとの間の前記ベクトル距離に基づいて、前記目標周期と前記参照周期との間の前記データ類似度を決定するステップの前に、
    各前記履歴周期の流量に基づいて、隣接する前記履歴周期の間の前記流量の第１の相関係数を決定するステップと、
    各前記履歴周期の飽和度に基づいて、隣接する前記履歴周期の間の前記飽和度の第２の相関係数を決定するステップと、
    前記目標周期の状態ベクトルと前記参照周期の前記状態ベクトルとの間の、前記流量の部分に対応する差及び前記飽和度の部分に対応する差、並びに前記第１の相関係数及び前記第２の相関係数に基づいて、前記ベクトル距離を決定するステップとをさらに含む請求項１に記載の交通データ予測方法。
  3. 各前記履歴周期と前記目標周期との間の時間間隔に基づいて、前記少なくとも１つの履歴周期から前記参照周期を決定するステップは、
    前記目標周期に最も近い前記履歴周期から開始して、目標個数の前記履歴周期を前記参照周期として選択するステップを含む請求項１に記載の交通データ予測方法。
  4. 前記目標周期に最も近い前記履歴周期から開始して、目標個数の前記履歴周期を前記参照周期として選択するステップの前に、
    各前記履歴周期のデータ予測誤差を取得するステップと、
    各前記履歴周期内の、前記データ予測誤差が設定された誤差範囲内にある前記履歴周期の数に基づいて、前記目標個数を決定するステップとをさらに含む請求項３に記載の交通データ予測方法。
  5. 前記目標周期と前記参照周期との間の前記データ類似度、及び前記参照周期内の前記参照交通データに基づいて、前記目標周期内の前記第２の時刻の前記交通データを予測するステップは、
    前記目標周期と前記参照周期との間の前記データ類似度に基づいて、前記参照周期の重みを決定するステップであって、前記重みと前記データ類似度とが負の相関関係であるステップと、
    前記参照周期の前記重みに基づいて、前記参照周期内の前記参照交通データを重み付けして、前記目標周期内の前記第２の時刻の前記交通データを予測するステップとを含む請求項１に記載の交通データ予測方法。
  6. 目標周期及び該目標周期よりも前の少なくとも１つの履歴周期を含む複数の周期内に監視された交通データを取得する取得モジュールと、
    各前記履歴周期と前記目標周期との間の時間間隔に基づいて、前記少なくとも１つの履歴周期から参照周期を決定する選択モジュールと、
    前記目標周期内のサンプリングされた第１の時刻の交通データ、及び前記参照周期内の対応する時刻の交通データに基づいて、前記目標周期と前記参照周期との間のデータ類似度を決定する実行モジュールと、
    前記目標周期内の予測対象の第２の時刻に基づいて、前記参照周期から前記第２の時刻に対応する参照交通データを取得するマッチングモジュールと、
    前記目標周期と前記参照周期との間の前記データ類似度、及び前記参照周期内の前記参照交通データに基づいて、前記目標周期内の前記第２の時刻の交通データを予測する予測モジュールとを備え、
    前記実行モジュールは、
    前記目標周期内の複数の前記第１の時刻の前記交通データに基づいて、前記目標周期の状態ベクトルを決定する第１の構成ユニットと、
    前記参照周期内の、複数の前記第１の時刻に対応する時刻の前記交通データに基づいて、前記参照周期の状態ベクトルを決定する第２の構成ユニットと、
    前記目標周期の前記状態ベクトルと前記参照周期の前記状態ベクトルとの間のベクトル距離に基づいて、前記目標周期と前記参照周期との間の前記データ類似度を決定する第１の実行ユニットとを備える交通データ予測装置。
  7. 前記交通データは流量及び飽和度を含み、
    前記第１の実行ユニットは、さらに、
    各前記履歴周期の流量に基づいて、隣接する前記履歴周期の間の前記流量の第１の相関係数を決定し、
    各前記履歴周期の飽和度に基づいて、隣接する前記履歴周期の間の前記飽和度の第２の相関係数を決定し、
    前記目標周期の状態ベクトルと前記参照周期の前記状態ベクトルとの間の、前記流量の部分に対応する差及び前記飽和度の部分に対応する差、並びに前記第１の相関係数及び前記第２の相関係数に基づいて、前記ベクトル距離を決定する請求項６に記載の交通データ予測装置。
  8. 前記選択モジュールは、前記目標周期に最も近い前記履歴周期から開始して、目標個数の前記履歴周期を前記参照周期として選択する請求項６に記載の交通データ予測装置。
  9. 前記選択モジュールは、さらに、
    各前記履歴周期のデータ予測誤差を取得し、
    各前記履歴周期内の、前記データ予測誤差が設定された誤差範囲内にある前記履歴周期の数に基づいて、前記目標個数を決定する請求項８に記載の交通データ予測装置。
  10. 前記予測モジュールは、
    前記目標周期と前記参照周期との間の前記データ類似度に基づいて、前記参照周期の重みを決定する第２の実行ユニットであって、前記重みと前記データ類似度とが負の相関関係である第２の実行ユニットと、
    前記参照周期の前記重みに基づいて、前記参照周期内の前記参照交通データを重み付けして、前記目標周期内の前記第２の時刻の前記交通データを予測する予測ユニットとを備える請求項６から請求項９のいずれかに記載の交通データ予測装置。
  11. 電子機器であって、
    少なくとも１つのプロセッサと、
    該少なくとも１つのプロセッサに通信可能に接続されるメモリとを備え、
    該メモリには、少なくとも１つの前記プロセッサによって実行可能な命令が記憶され、該命令が、少なくとも１つの前記プロセッサによって実行される場合、少なくとも１つの前記プロセッサが請求項１から請求項５のいずれかに記載の交通データ予測方法を実行できる電子機器。
  12. コンピュータに請求項１から請求項５のいずれかに記載の交通データ予測方法を実行させるためのコンピュータ命令を記憶した非一時的コンピュータ読み取り可能な記憶媒体。
  13. プロセッサによって実行される場合、請求項１から請求項５のいずれかに記載の交通データ予測方法を実現するコンピュータプログラムを含むコンピュータプログラム製品。
  14. プロセッサによって実行される場合、請求項１から請求項５のいずれかに記載の交通データ予測方法を実現するコンピュータプログラム。
JP2022066800A 2021-06-18 2022-04-14 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム Active JP7446359B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110677845.4 2021-06-18
CN202110677845.4A CN113592136A (zh) 2021-06-18 2021-06-18 一种交通数据预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
JP2022095895A JP2022095895A (ja) 2022-06-28
JP7446359B2 true JP7446359B2 (ja) 2024-03-08

Family

ID=78244062

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022066800A Active JP7446359B2 (ja) 2021-06-18 2022-04-14 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム

Country Status (5)

Country Link
US (1) US20220309912A1 (ja)
EP (1) EP4040421B1 (ja)
JP (1) JP7446359B2 (ja)
KR (1) KR20220042315A (ja)
CN (1) CN113592136A (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830851B (zh) * 2022-11-03 2024-05-31 阿波罗智联(北京)科技有限公司 交通流量调节方法、装置、设备及介质
CN118096242A (zh) * 2024-04-26 2024-05-28 数应科技(浙江)有限公司 一种预测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005227972A (ja) 2004-02-12 2005-08-25 Toyota Motor Corp 交通状況予測装置および方法
JP2008123474A (ja) 2006-10-20 2008-05-29 Nec Corp 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
JP2008215874A (ja) 2007-02-28 2008-09-18 Yamaha Corp エンジン音認識装置および駐車場管理システム
JP2018180907A (ja) 2017-04-12 2018-11-15 富士通株式会社 交通予測プログラム、交通予測装置、及び交通予測方法
US20190139402A1 (en) 2016-05-11 2019-05-09 Hangzhou Hikvision Digital Technology Co., Ltd. Speed prediction method and apparatus

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE470367B (sv) * 1992-11-19 1994-01-31 Kjell Olsson Sätt att prediktera trafikparametrar
AU2010238762C1 (en) * 2009-04-22 2015-01-22 Inrix, Inc. Predicting expected road traffic conditions based on historical and current data
DE102011083677A1 (de) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
US9536424B2 (en) * 2014-02-10 2017-01-03 Here Global B.V. Adaptive traffic dynamics prediction
CN106557842A (zh) * 2016-11-23 2017-04-05 上海银天下科技有限公司 预测k线的方法及装置
CN107038478B (zh) * 2017-04-20 2023-10-27 百度在线网络技术（北京）有限公司 路况预测方法及装置、计算机设备与可读介质
CN110517479B (zh) * 2018-05-22 2020-11-03 杭州海康威视系统技术有限公司 一种城市道路交通预测方法、装置及电子设备
CN108564790B (zh) * 2018-06-12 2020-12-22 国交空间信息技术（北京）有限公司 一种基于交通流时空相似性的城市短时交通流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005227972A (ja) 2004-02-12 2005-08-25 Toyota Motor Corp 交通状況予測装置および方法
JP2008123474A (ja) 2006-10-20 2008-05-29 Nec Corp 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
JP2008215874A (ja) 2007-02-28 2008-09-18 Yamaha Corp エンジン音認識装置および駐車場管理システム
US20190139402A1 (en) 2016-05-11 2019-05-09 Hangzhou Hikvision Digital Technology Co., Ltd. Speed prediction method and apparatus
JP2018180907A (ja) 2017-04-12 2018-11-15 富士通株式会社 交通予測プログラム、交通予測装置、及び交通予測方法

Also Published As

Publication number Publication date
CN113592136A (zh) 2021-11-02
US20220309912A1 (en) 2022-09-29
EP4040421A2 (en) 2022-08-10
JP2022095895A (ja) 2022-06-28
EP4040421A3 (en) 2022-12-07
EP4040421B1 (en) 2024-02-14
KR20220042315A (ko) 2022-04-05

Similar Documents

Publication Publication Date Title
JP2022058915A (ja) 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム
US11928620B2 (en) Method for estimating amount of task objects required to reach target completed tasks
JP7446359B2 (ja) 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム
JP7331975B2 (ja) クロスモーダル検索モデルのトレーニング方法、装置、機器、および記憶媒体
CN113343803A (zh) 模型训练方法、装置、设备和存储介质
CN113538235B (zh) 图像处理模型的训练方法、装置、电子设备及存储介质
CN112580733B (zh) 分类模型的训练方法、装置、设备以及存储介质
KR20220116395A (ko) 사전 훈련 모델의 결정 방법, 장치, 전자 기기 및 저장 매체
CN114693934A (zh) 语义分割模型的训练方法、视频语义分割方法及装置
CN115631381A (zh) 分类模型训练方法、图像分类方法、装置及电子设备
CN113627536A (zh) 模型训练、视频分类方法，装置，设备以及存储介质
CN112949433B (zh) 视频分类模型的生成方法、装置、设备和存储介质
CN113657468A (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN113326449A (zh) 预测交通流量的方法、装置、电子设备和介质
CN113112311B (zh) 训练因果推断模型的方法、信息提示方法以装置
CN114998649A (zh) 图像分类模型的训练方法、图像分类方法及装置
CN113361621A (zh) 用于训练模型的方法和装置
CN113849758A (zh) 网页指标的生成方法、装置、电子设备及存储介质
CN113361574A (zh) 数据处理模型的训练方法、装置、电子设备及存储介质
CN113361575A (zh) 模型训练方法、装置和电子设备
CN116416500B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
CN113420227B (zh) 点击率预估模型的训练方法、预估点击率的方法、装置
CN113284484B (zh) 模型训练方法及装置、语音识别方法和语音合成方法
CN118212033A (zh) 一种数据处理方法、装置、设备及存储介质
CN114492793A (zh) 一种模型训练和样本生成方法、装置、设备及存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220414

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230530

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230606

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230906

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230926

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231222

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: 20240130

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240227

R150 Certificate of patent or registration of utility model

Ref document number: 7446359

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150