TWI619036B - 交通時間預測系統、交通時間預測方法以及交通模型建立方法 - Google Patents

交通時間預測系統、交通時間預測方法以及交通模型建立方法 Download PDF

Info

Publication number
TWI619036B
TWI619036B TW105105145A TW105105145A TWI619036B TW I619036 B TWI619036 B TW I619036B TW 105105145 A TW105105145 A TW 105105145A TW 105105145 A TW105105145 A TW 105105145A TW I619036 B TWI619036 B TW I619036B
Authority
TW
Taiwan
Prior art keywords
time
data
prediction
model
road segment
Prior art date
Application number
TW105105145A
Other languages
English (en)
Other versions
TW201730793A (zh
Inventor
賴璟皓
Original Assignee
財團法人資訊工業策進會
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 財團法人資訊工業策進會 filed Critical 財團法人資訊工業策進會
Priority to TW105105145A priority Critical patent/TWI619036B/zh
Priority to CN201610161006.6A priority patent/CN107103753A/zh
Priority to US15/077,989 priority patent/US20170243121A1/en
Publication of TW201730793A publication Critical patent/TW201730793A/zh
Application granted granted Critical
Publication of TWI619036B publication Critical patent/TWI619036B/zh

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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
    • G08G1/0108—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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一種交通時間預測系統，用以預測一行車路線所需的行車時間。交通時間預測系統包含模型建構模組、模型選擇模組以及預測模組。模型建構模組用以建立複數筆候選預測模型。候選預測模型每一者分別對應於複數個路段中之一者以及複數個相異的數學模型之一者。模型選擇模組用以自該行車路線中各個路段相符的候選預測模型中選擇對應於路段的預測模型。預測模組用以根據行車路線中各個路段的預測模型預測各個路段的預測車速以計算行車時間估計值。模型選擇模組選擇路段所對應的候選預測模型中預測誤差值較小之一者作為路段的預測模型。

Description

交通時間預測系統、交通時間預測方法 以及交通模型建立方法
本案係關於一種交通時間預測系統及方法，且特別是關於一種混合模型的交通時間預測系統及方法。
現有之市售導航系統或線上地圖，進行交通時間預測時，使用單一的演算法模型預測行車速度，無法依據不同時段和路段變化或調整所使用的演算法模型，因此所預測的行駛時間與實際行車時間有明顯的誤差。
此外，現有的模型無法針對不同的情境對演算法或預測的行駛時間進行調整修正，因此遇到舉辦活動、事故或是天候不佳的特殊情況下，也無法準確地預測行駛時間。
為解決上述問題，本揭示內容的一態樣為一種交通時間預測系統。交通時間預測系統用以預測一行車路線所需的行車時間，該交通時間預測系統包含：一模型建構模 組，用以建立複數筆候選預測模型，該些候選預測模型每一者分別對應於複數個路段中之一者以及複數個相異的數學模型之一者；一模型選擇模組，用以自該行車路線中各個路段相符的該些候選預測模型中選擇對應於該些路段的一預測模型；以及一預測模組，用以根據該行車路線中各個路段的該預測模型預測各個路段的一預測車速以計算該行車路線之一行車時間估計值；其中該模型選擇模組選擇該路段所對應的該些候選預測模型中預測誤差值較小之一者作為該路段的該預測模型。
在部分實施例中，交通時間預測系統更包含：一數據資料庫，用以儲存至少一歷史數據，該歷史數據包含相應於該些路段中之一者於相應的行車時段的車速紀錄；一模型資料庫，用於儲存對應於各個路段之相異時段、相異情境以及相異數學模型之該些候選預測模型；以及一數據接收模組，用以接收至少一即時數據，該即時數據包含相應於該些路段中之一者的即時車速資訊；其中該模型選擇模組根據該歷史數據以及該即時數據計算該些候選預測模型各自的預測誤差值，以選擇該該些候選預測模型中預測誤差值較小之一者作為該路段的該預測模型。
在部分實施例中，交通時間預測系統更包含：一數據處理模組，耦接於該數據接收模組，用以對該即時數據進行數據處理；一路段對應單元，耦接於該數據處理模組，用以將經數據處理後的該至即時數據對應至一地圖資料中相應的路段，以將該即時數據作為歷史數據儲存於該數據 資料庫中。
在部分實施例中，該即時數據更包含至少一情境資訊，該數據處理模組包含：一數據正規化單元，用以對該即時數據中的該情境資訊以及該即時車速資訊進行正規化處理。
在部分實施例中，該即時數據更包含至少一情境資訊，該數據處理模組包含：一情境資訊分析單元，用以接收該情境資訊，並計算一加權係數以代表該情境資訊對相應路段的相應時段的車速之影響。
在部分實施例中，該情境資訊分析單元根據該加權係數建立一情境模型，當該預測模組判斷相應路段的相應時段落在該情境模型的一影響時段內時，該預測模組根據該情境模型的該加權係數預測該路段的預測車速。
在部分實施例中，交通時間預測系統更包含：一數據重建模組，耦接於該數據資料庫，用以根據該數據資料庫中的該歷史數據計算該些路段中缺少車速紀錄的行車時段的車速，以回復該些歷史數據。
在部分實施例中，該數據重建模組對該數據資料庫中的歷史數據進行一空間序列重建，以根據鄰近之複數個路段的車速資訊計算相應路段的車速資訊。
在部分實施例中，該數據重建模組對該數據資料庫中的歷史數據進行一時間序列重建，以根據鄰近之複數個時段的車速資訊計算相應路段的車速資訊。
本揭示內容的另一態樣為一種交通時間預測方 法，其藉由一處理器實施。交通時間預測方法包含以下步驟：由該處理器接收至少一即時數據；該處理器在相應於一行車路線的複數個候選預測模型中分別對該行車路線的每一個路段選擇該些候選預測模型之一者作為該每一個路段的其中之一者的預測模型；以及由該處理器根據該行車路線中各個路段相應的預測模型計算一行車時間估計值；其中各個路段相應的預測模型係根據該即時數據以及一資料庫中的一歷史數據選擇該路段所對應的該些候選預測模型中預測誤差值較小之一者作為該路段的該預測模型。
在部分實施例中，該至少一即時數據更包含一情境資訊，該方法更包含以下步驟：由該處理器根據該情境資訊判斷相應路段的相應時段是否落在該情境資訊的一影響時段；當相應路段的相應時段落在該影響時段時，由該處理器計算該情境資訊對相應路段於相應時段的一加權係數；以及由該處理器根據該加權係數選擇相應的預測模型預測該路段的預測車速。
在部分實施例中，根據該加權係數選擇相應的預測模型更包含：當該加權係數大於一預設門檻值時，由該處理器根據該加權係數由相應於該情境資訊之一情境模型預測該路段的預測車速。
在部分實施例中，該情境資訊的該影響時段係介於一影響起始時間與一影響結束時間之間，該影響起始時間以及該影響結束時間係分別根據該情境資訊對預計車速的影響大於一預設門檻值的時間計算而得。
在部分實施例中，該情境資訊包含天氣資訊、活動資訊、或是交通事件資訊。
本揭示內容的另一態樣為一種交通模型建立方法，包含以下步驟：由該處理器接收至少一即時數據，其中該至少一即時數據包含一車速資訊；由該處理器將該至少一即時數據中的車速資訊對應至一地圖資料中複數個路段中相應之一者；以及由該處理器根據該至少一即時數據以及一數據資料庫中的歷史數據計算該些路段分別對應到複數個相異的數學模型的複數個候選預測模型，以供一模型選擇模組選擇該些路段所對應的該些候選預測模型之一者作為相應路段的一預測模型。
在部分實施例中，該至少一即時數據更包含一情境資訊，該方法更包含以下步驟：由該處理器對該即時數據中的該車速資訊以及該情境資訊進行正規化處理；由該處理器根據該情境資訊計算該情境資訊對相應路段於相應時段的一加權係數；以及由該處理器將該加權係數對應至該地圖資料中該些路段中相應之一者。
在部分實施例中，交通模型建立方法更包含以下步驟：由該處理器對該數據資料庫中的歷史數據進行一空間序列重建，以根據鄰近之複數個路段的車速資訊計算相應路段的車速資訊。
在部分實施例中，交通模型建立方法更包含以下步驟：由該處理器對該數據資料庫中的歷史數據進行一時間序列重建，以根據鄰近之複數個時段的車速資訊計算相應 路段的車速資訊。
100‧‧‧交通時間預測系統
110‧‧‧數據接收模組
120‧‧‧數據處理模組
122‧‧‧數據正規化單元
124‧‧‧情境資訊分析單元
130‧‧‧路段對應模組
140‧‧‧數據重建模組
150‧‧‧模型建構模組
160‧‧‧模型選擇模組
170‧‧‧預測模組
180、190‧‧‧資料庫
500‧‧‧情境資訊分析單元
520‧‧‧加權係數計算電路
540‧‧‧情境模型預測電路
560‧‧‧資料庫
600、700‧‧‧方法
S610~S770‧‧‧步驟
RTdata1~RTdata3‧‧‧即時數據
HTdata‧‧‧歷史數據
MAPdata‧‧‧地圖資料
SIdata‧‧‧情境資訊
RS1~RSm‧‧‧路段
CM1~CMm‧‧‧候選預測模型
MODEL1~MODELn‧‧‧數學模型
Factor‧‧‧加權係數
第1圖為根據本揭示內容部分實施例所繪示的交通時間預測系統的示意圖。
第2A圖和第2B圖為根據本揭示內容部分實施例所繪示的數據重建模組的示意圖。
第3圖為根據本揭示內容部分實施例所繪示的模型建構模組的操作示意圖。
第4圖為根據本揭示內容部分實施例所繪示的模型選擇模組操作示意圖。
第5圖為根據本揭示內容部分實施例所繪示的情境資訊分析單元示意圖。
第6圖為根據本揭示內容部分實施例所繪示的交通時間預測方法的流程圖。
第7圖為根據本揭示內容部分實施例所繪示的交通模型建立方法的流程圖。
下文係舉實施例配合所附圖式作詳細說明，以更好地理解本揭示內容的態樣，但所提供之實施例並非用以限制本揭露所涵蓋的範圍，而結構操作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝 置，皆為本揭露所涵蓋的範圍。此外，根據業界的標準及慣常做法，圖式僅以輔助說明為目的，並未依照原尺寸作圖，實際上各種特徵的尺寸可任意地增加或減少以便於說明。下述說明中相同元件將以相同之符號標示來進行說明以便於理解。
在全篇說明書與申請專利範圍所使用之用詞(terms)，除有特別註明外，通常具有每個用詞使用在此領域中、在此揭露之內容中與特殊內容中的平常意義。某些用以描述本揭露之用詞將於下或在此說明書的別處討論，以提供本領域技術人員在有關本揭露之描述上額外的引導。
此外，在本文中所使用的用詞『包含』、『包括』、『具有』、『含有』等等，均為開放性的用語，即意指『包含但不限於』。此外，本文中所使用之『及/或』，包含相關列舉項目中一或多個項目的任意一個以及其所有組合。
於本文中，當一元件被稱為『連接』或『耦接』時，可指『電性連接』或『電性耦接』。『連接』或『耦接』亦可用以表示二或多個元件間相互搭配操作或互動。此外，雖然本文中使用『第一』、『第二』、…等用語描述不同元件，該用語僅是用以區別以相同技術用語描述的元件或操作。除非上下文清楚指明，否則該用語並非特別指稱或暗示次序或順位，亦非用以限定本發明。
請參考第1圖。第1圖為根據本揭示內容部分實施例所繪示的交通時間預測系統100。交通時間預測系統100可根據使用者所選擇的行車路線進行計算，以預測行車路線所需的行車時間。如第1圖所示，交通時間預測系統100 包含數據接收模組110、數據處理模組120、路段對應模組130、數據重建模組140、模型建構模組150、模型選擇模組160、預測模組170、數據資料庫180以及模型資料庫190。以下段落將分別針對交通時間預測系統100各個模組的功能及相互操作方式進行詳細說明。
數據接收模組110用以接收即時數據RTdata1~RTdata3。在部分實施例中，即時數據RTdata1可包含相應於不同路段的即時車速紀錄數據。舉例來說，在部分實施例中，即時數據RTdata1可為透過固定式車輛偵測器(Vehicle Detector，VD)接收的車速數據、或是透過具有全球衛星定位系統之探偵車(GPS-Based Vehicle Probe，GVP)接收的車速數據，但本案並不以此為限。在其他部分實施例中，數據接收模組110亦可自利用電子收費系統為基礎之探偵車(ETC-Based Vehicle Probe，EVP)或是以手機基地台為基礎之探偵車(Cellular-Based Vehicle Probe，CVP)接收即時數據RTdata1，以得知不同的路段及路段方向上的即時車速與路況。
此外，在部分實施例中，數據接收模組110更可接收其他種類的即時數據。舉例來說，即時數據RTdata2可包含不同類別的事件資訊。如路段上發生的車禍、爆胎等等事故，路段上出現落石、坍方等障礙物，或是路段車多壅塞等事件資訊。此外，即時數據RTdata2亦可能包含各種活動資訊例如舉辦球賽或演唱會等等大型活動。具體來說，數據接收模組110可自各種資料庫(如：國道高速公路局交通 資料庫等等)中擷取事件資訊和活動資訊作為即時數據RTdata2。
相似地，在部分實施例中，數據接收模組110亦可接收天氣資訊作為即時數據RTdata3。舉例來說，即時數據RTdata3可包含暴雨、積雪、濃霧等等對交通車速有顯著影響的天氣資訊。值得注意的是，上述的事件資訊、活動資訊以及天氣資訊可視為一種情境資訊。不同的情境(如：事故、活動和天候狀態)都會對交通狀況和車速產生相應的影響。因此，交通時間預測系統100可透過分析情境的有無與種類，更準確地對行車時間進行預測。
數據處理模組120連接於數據接收模組110，用以對數據接收模組110接收的即時數據RTdata1~RTdata3進行數據處理，以供交通時間預測系統100進行後續的操作。具體來說，在部分實施例中，數據處理模組120包含數據正規化單元122以及情境資訊分析單元124。由於即時數據RTdata1~RTdata3可能包含不同的數據來源和資料型態。因此數據正規化單元122可對即時數據RTdata1~RTdata3進行正規化處理(Normalization)，使得交通時間預測系統100可使用不同來源的車速數據(如：VD、GVP、CVP等)以及不同類別的情境資訊。
路段對應模組130可將經正規化處理後的車速數據對應至一地圖資料MAPdata中相應的路段。舉例來說，對於固定式車輛偵測器接收的車速數據，可對應至偵測器設置位置所在的相應路段以及鄰近的路段。對於探偵車接 收的車速數據，可對應至探偵車於該時段間所行經的相應路段以及鄰近的路段。
在部分實施例中，路段對應模組130可透過路段分群(Road segment clustering)的方式，將地圖資料MAPdata中的道路分群為不同的路段。路段分群可透過多種不同本領域具通常知識者所熟知的方式實現，故於此不再贅述。
如此一來，交通時間預測系統100便可將即時數據RTdata1中的車速對應至相應的時段與路段，並將其儲存於數據資料庫180中作為歷史數據HTdata。
如第1圖所示，在部分實施例中，交通時間預測系統100中的數據重建模組140耦接於數據資料庫180，並用以根據數據資料庫180中的歷史數據HTdata計算路段中缺少車速紀錄的行車時段的車速，以重建歷史數據HTdata中缺失的資料。
請參考第2A圖和第2B圖。第2A圖和第2B圖為根據本揭示內容部分實施例所繪示的數據重建模組140示意圖。具體來說，數據重建模組140重建數據的方式可包含空間序列重建與時間序列重建兩種方式。如第2A圖所示，在路段RS1~RS5當中，當路段RS1~RS2、RS4~RS5的車速資料已知，路段RS3的車速資料未知時，數據重建模組140可採用空間序列重建的方式，根據鄰近之路段RS1~RS2、RS4~RS5的已知車速資料進行計算，以取得路段RS3的車速。在不同實施例中，數據重建模組140可使用 不同統計方法計算路段RS3的車速。舉例來說，在部分實施例中，數據重建模組140可採用最大似然估計(Maximum Likelihood，ML)計算路段RS3的車速。值得注意的是，在部分其他實施例中，數據重建模組140亦可採用算術平均、或是加權平均等不同方式計算路段RS3的車速，本案並不以此為限。
如第2B圖所示，在鄰近的路段RS1~RS5的車速皆為未知而不適合採用空間序列重建的情況下，數據重建模組140亦可採用時間序列重建的方式，根據鄰近時間的歷史數據進行計算，以取得路段RS1~RS5的車速。舉例來說，數據重建模組140可將前一時段的車速資料作為下一時段的車速，或是將多筆先前時段的車速資料根據前述的各種統計方式如最大似然估計、算術平均、或是加權平均等進行運算，以取得路段RS1~RS5的車速。如此一來，本案的交通時間預測系統100便可透過數據重建模組140進行數據重建，確保資料庫180中歷史數據HTdata的完整。
模型建構模組150用以建立複數筆候選預測模型CM(1,1)~CM(m,n)。請參考第3圖。第3圖為根據本案部分實施例所繪示的模型建構模組150的操作示意圖。舉例來說，候選預測模型CM(1,1)~CM(1,n)對應於路段RS1，且分別對應於複數個相異的數學模型MODEL1~MODELn。候選預測模型CM(2,1)~CM(2,n)可包含路段RS2，且分別對應於數學模型MODEL1~MODELn，以此類推。換言之，候選預測模型CM(x,y)為路段RSx對應於數學模型 MODELy的車速估計值。其中x為1至m之間的任意值，y為1至n之間的任意值。在部分實施例中，對於任一候選預測模型(如：候選預測模型CM(x,y))而言，數學模型MODEL1~MODELn可分別產生相應路段(如：路段RS1)對應於不同時段、不同統計演算法、不同情境、或者對於不同未來預測時間所計算而來的候選預測模型CM(1,1)~CM(1,n)。
舉例來說，在部分實施例中，數學模型MODEL1可使用徑向基函數核(Radial basis function kernel)函數(RBF核函數)執行支持向量回歸(Support Vector Regression，SVR)以分別計算不同路段RS1~RSm的候選預測模型CM(1,1)~CM(m,1)。其他的數學模型MODEL2可使用其他本領域技藝人士所知的核函數執行支持向量回歸以分別計算不同路段RS1~RSm的候選預測模型CM(1,2)~CM(m,2)。舉例來說，預測模型MODEL2可使用多項式核函數(Polynomial kernel)、線性核函數(linear kernel)、雙曲正切核函數(Hyperbolic tangent kernel)、拉普拉斯核函數(Laplacian Kernel)...等等，但本案並不以此為限。
此外，預測模型MODEL3可使用上述所提之各種核函數執行高斯過程回歸(Gaussian process)分別計算不同路段RS1~RSm的候選預測模型CM(1,3)~CM(m,3)。預測模型MODEL4可使用上述所提之各種核函數執行相關向量機回歸(Relevance vector machine，RVM)分別計算 不同路段RS1~RSm的候選預測模型CM(1,4)~CM(m,4)，以此類推。
換言之，預測模型MODEL1~MODELn可分別代表不同的回歸方法與核函數之搭配的模型。如此一來，模型建構模組150便可根據資料庫180中歷史數據HTdata以及數據重建模組140所提供的數據，建立出路段RD1~RDm分別對應到不同數學模型MODEL1~MODELn的候選預測模型CM(1,1)~CM(m,n)。在部分實施例中，模型建構模組150可進行迭代計算，並由下式計算數學模型MODEL1~MODELn的候選預測模型CM(1,1)~CM(m,n)。
其中，i代表迭代的次數，j代表路段，l代表時段，d代表路段的方向，t代表對未來預測的時段，k代表模型。(m)與x(m)分別代表估計值與實際值。ε i,j,l,d,t,k 代表第i次迭代時，於l時段j路段d方向對未來t時段採用k模型之誤差值。Ψ j,l,d,t,k 代表於l時段j路段d方向對未來t時段採用k模型之較佳結果。
換言之，在部分實施例中，模型建構模組150用以利用各個路段對應之歷史可用於預測之資料，對各個路段建立複數筆相異數學模型及不同特殊狀況(如事件、活動、雨量等等)之候選預測模型。候選預測模型CM(1,1)~CM(m,n)可於訓練及建立後儲存於模型資料庫 190中，以供模型選取模型160之用。
模型選擇模組160耦接於模型建構模組150，用以分析使用者所選定的行車路線，以取得行車路線中所包含的各個路段，並分別從和行車路線之路段相符的候選預測模型CM(1,1)~CM(m,n)中選擇對應於路段的預測模型。換言之，模組選擇模組160用於利用預測車速與實際實速之差異及不同情境來選取適當且誤差最小之候選預測模型CM(1,1)~CM(m,n)，選取之模型用於供預測模組170做為車速預測之用。
模型資料庫190用於耦接於模型建構模組150以及模型選擇模組160，用以儲存對應於各個路段RS1~RSm之相異時段、相異情境以及相異數學模型之候選預測模型CM(1,1)~CM(m,n)。
請一併參考第4圖。第4圖為根據本案部分實施例所繪示的模型選擇模組160操作示意圖。舉例來說，在部分實施例中，假設模型選擇模組160判斷行車路線包含路段RS1、RS3、RS5，則模型選擇模組160便可從和相應於路段RS1、RS3、RS5的候選預測模型CM(1,1)~CM(1,n)、CM(3,1)~CM(3,n)、CM(5,1)~CM(5,n)中分別選擇對應於路段RS1、RS3、RS5的預測模型。具體來說，模型選擇模組160可選擇路段RS1所對應的候選預測模型CM(1,1)~CM(1,n)中之一者(如：第4圖中的候選預測模型CM(1,2))作為路段RS1的預測模型，選擇路段RS3所對應的候選預測模型CM(3,1)~CM(3,n)中之一者(如：第4圖中 的候選預測模型CM(3,1))作為路段RS3的預測模型，選擇路段RS5所對應的候選預測模型CM(5,1)~CM(5,n)中之一者(如：第4圖中的候選預測模型CM(5,n))作為路段RS5的預測模型。
在部分實施例中，模型選擇模組160可透過下列公式計算並選擇出各個路段RS1、RS3、RS5的預測模型。
其中代表於l時段j路段d方向對未來t時段所選擇的較佳模型。Target j,l,d,t 代表根據歷史資料HTdata，l時段j路段d方向對未來t時段的實際值。Ψ j,l,d,t,k 代表於l時段j路段d方向對未來t時段採用k模型之預測值。換言之，根據上式，模型選擇模組160將在各個預測模型中分別選擇誤差值最小，準確度最高的預測模型(如：路段RS1對應之候選預測模型CM(1,2)、路段RS3對應之候選預測模型CM(3,1)以及路段RS5對應之候選預測模型CM(5,n))作為相應路段的預測模型。
模型選擇模組160可將其結果傳輸至預測模組170。如此一來，預測模組170便可根據各路段對應之歷史數據HTdata及即時數據RTdata1~RTdata3，利用對應之預測模型預測行車路線中各個路段的預測車速，再計算行車路線之行車時間估計值。舉例來說，預測模組170可將路段RS1的距離除以路段RS1相應的預測車速(即：候選預測模型CM(1,2))以取得路段RS1的行車時間，將路段RS3的距 離除以路段RS3相應的預測車速(即：候選預測模型CM(3,1))以取得路段RS3的行車時間，將路段RS5的距離除以路段RS5相應的預測車速(即：候選預測模型CM(5,n))以取得路段RS5的行車時間。最後，預測模組170便可將行車路線上所有路段RS1、RS3與RS5所需花費的行車時間加總以計算出行車時間估計值。
在部分實施例中，預測模型170亦可訓練並建立預測模型，或是利用已訓練建立好之模型直接加入欲預測之特徵值(如：已知之路段車速或額外加入天氣、事件等資訊)計算出預測車速。在部分實施例中，預測模型170定期批次建立模型，並於每次預測時選取較佳之候選預測模型作為預測模型，並將即時數據RTdata1~RTdata3導入預測模型以取得預測車速。值得注意的是，預測車速會因時間改變而產生不同之預測車速。舉例來說，於12：00預測後五分鐘及於12：30預測後五分鐘之車速亦可能為不同的車速，導入預測模型之已知資料(如：即時數據RTdata1~RTdata3)也會不同。舉例來說，於12：00時可導入11：50~12：00之車速資料做為用以預測相應路段在12：00以後一特定時段之車速。
在部分實施例中，交通時間預測系統100更包含模型重建模組。模型重建模組可用以根據即時數據RTdata1~RTdata3針對已建立之模型之參數進行調整。如此一來，模型重建模組可用於維持新加入之即時數據RTdata1~RTdata3之預測準確度及適應性。
換言之，透過以上交通時間預測系統100中數據接收模組110、數據處理模組120、路段對應模組130、數據重建模組140、模型建構模組150以及資料庫180的相互操作，模型建構模組150可針對各個路段RS1~RSm產生多個候選預測模型CM(1,1)~CM(m,n)。
接著，透過模型建構模組150、模型選擇模組160、預測模組170以及資料庫180的相互操作，模型選擇模組160可選出行車路線上路段的候選預測模型CM(1,1)~CM(m,n)中準確度較高的資料作為預測模型以計算預測車速，以供預測模組170進行整合運算計算各個路段的預測車速，進而求出行車路線的行車時間估計值。如此一來，由於每一路段所選用的預測模型皆為準確度最高之預測模型，因此可有效提高準確度。具體來說，模型選擇模組160係於路段RS1~RSm中根據各候選預測模組CM(1,1)~CM(m,n)計算的車速預估值與接收的實際值之間的差距，選取差距較小的候選預測模型作為相應路段之預測模型。
值得注意的是，如先前段落中所述，在部分實施例中，數據接收模組110亦可自各種資料庫中擷取事件資訊、活動資訊以及天氣資訊等等不同類型的情境資訊作為即時數據RTdata2~RTdata3。
與即時數據RTdata1相似，即時數據RTdata2~RTdata3可由數據正規化單元122進行正規化處理。接著，情境資訊分析單元124接收經正規化處理後的情 境資訊，並根據情境資訊計算情境對不同路段於不同時間的車速所造成的影響，以取得情境對車速影響的加權係數。
請參考第5圖。第5圖為根據本案部分實施例所繪示的情境資訊分析單元500示意圖。如第5圖所示，情境資訊分析單元500包含加權係數計算電路520以及情境模型預測電路540。加權係數計算電路520用以根據事件情境的類型、發生時間以及發生位置(即：情境資訊SIdata)分別計算事件情境對不同時段時不同路段的加權係數。
舉例來說，在部分實施例中，事件情境的加權係數計算方式可由下式表示： 其中，Factor j,E 代表E事件對路段j的加權係數。ω d 、ω t 分別代表事件距離遠近的權重值以及事件發生時間遠近的權重值，Speed l,nonevent 代表時段l之無事件車速，Speed l,event 代表時段l之有事件車速，D E 代表與事件之距離、Now代表現在時段，Startime代表事件之開始時間，Endtime代表事件之結束時間。如公式所示，當路段j距離事件E發生位置越遠或是時段l的時間與事件E發生的時間間隔越久，E事件對路段j於時段l的加權係數就越低。相對地，當計算目標之路段j與時段l與事件E的時間、空間越接近，事件E對路段j於時段l的車速影響就越大。
值得注意的是，雖然在本實施例中僅繪示一組情境資訊分析單元500，但在部分實施例中，針對天氣、活 動、交通事件等不同性質的情境，交通時間預測系統100亦可設置多個獨立的情境資訊分析單元500，根據上述公式推算出加權係數Factor j,E 。此外，上述公式亦僅為釋例之用，權重值ω d、ω t可根據實際狀況進行設置，情境資訊分析單元500亦可透過不同的公式計算出適當的加權係數Factor j,E 。
相似地，在本實施例中路段對應模組130不僅將經正規化處理後的車速數據對應至地圖資料MAPdata中相應的路段，亦可以將根據情境資訊計算出的加權係數Factor j,E 對應至地圖資料MAPdata中相應的路段。舉例來說，對於活動、交通事件等情境的加權係數可對應活動或交通事件發生位置所在的相應路段以及鄰近的路段。對於天氣等情境的加權係數Factor j,E 可對應天氣觀測站位置所對應到的相應路段等等。換言之，情境資訊分析單元500可透過加權係數計算電路520計算出適當的加權係數Factor j,E 反映不同情境對車速的影響。同一情境(如：交通事故)對於不同時段、不同路段的車速亦有不同的影響。
如第5圖所示，加權係數Factor j,E 可由情境模型預測電路540進行處理整合為情境模型並儲存至情境資料庫560。
在部分實施例中，情境模型的影響時段可由影響起始時間EffectiveTime start,kind 與影響結束時間EffectiveTime end,kind 而定。兩者可分別由下列公式表示。
T start 、T end 分別代表開始門檻值以及結束門檻值。l代表目前分析之時間。Speed l - k,non-kind 、Speed l - k,kind 、Speed l+k,non-kind 、Speed l+k,kind 分別代表時間l往前時間k時未發生情境的車速、時間l往前時間k時發生情境的車速、時間l往後時間k時未發生情境的車速以及時間l往後時間k時發生情境的車速。換言之，影響起始時間EffectiveTime start,kind 與影響結束時間EffectiveTime end,kind 的計算方式為時間l之前情境對車速的影響大於預設之門檻值T start 的時間k，以及時間l之後情境對車速的影響大於預設之門檻值T end 的時間k。
如此一來，當交通時間預測系統100進行預測時，若預測模組170判斷相應路段的預測時段落在情境模型的影響時段內(即：影響起始時間EffectiveTime start,kind 與影響結束時間EffectiveTime end,kind 之間)時，預測模組170便可根據情境模型相應的加權係數Factor j,E 進行預測。
例如，假設原本路段RS3於時段l的車速為50公里/小時。情境資訊分析單元500對時段l時發生午後雷陣雨對路段RS3影響的加權係數Factor j,E 為-10公里/小時。則當預測模組170判斷路段RS3落在影響時段時，便會根據上述的加權係數Factor j,E 對路段RS3於時段l的車速進行修正，而得到40公里/小時的預估車速。值得注意的是，根據不同的情境種類，交通時間預測系統100可根據加權係數Factor j,E 對車速進行平移調整、比例縮放或是直接建立另一 組車速估計等不同修正方式，以上說明僅為舉例之用，並非用以限制本案。
請參考第6圖。第6圖為根據本案部分實施例所繪示的交通時間預測方法600的流程圖。為方便說明起見，第6圖所示實施例將搭配第1圖中的交通時間預測系統100進行說明，但本案並不以此為限。在部分實施例中，交通時間預測方法600藉由一處理器實施。首先，在步驟S610中，數據接收模組110接收即時數據RTdata1~RTdata3。接著，在步驟S620中，模型選擇模組160根據即時數據RTdata1~RTdata3中的車速資訊以及儲存於資料庫150中的歷史數據HTdata，在各個相應於行車路線的預測模型中分別選擇候選預測模型CM(1,1)~CM(m,n)之一者作為相應路段的預測模型。
接著，在步驟S630中，預測模組170根據即時數據中的情境資訊判斷相應路段的相應時段是否落在情境資訊的影響時段中。若是，則進入步驟S640，情境資訊分析單元124根據情境資訊計算情境對相應路段於相應時間的車速所造成的影響，以取得情境對車速影響的加權係數。若否，則進入步驟S670，由預測模組170根據行車路線中各個路段的預測模型計算行車時間估計值。執行完步驟S640後，進入步驟S650，情境資訊分析單元124判斷加權係數是否大於門檻值。若是，進入步驟S660預測模組170便根據加權係數Factor j,E ，由情境模型預測電路540產生的情境模型預測該路段的預測車速。若加權係數未大於門 檻值，或者相應路段的相應時段未落在情境資訊的影響時段中，則進入步驟S670，由預測模組170根據行車路線中各個路段的預測模型計算行車時間估計值。交通時間預測系統100中各個模組實現交通時間預測方法600的詳細步驟已於先前實施例中詳細說明，故不再於此贅述。
請參考第7圖。第7圖為根據本案部分實施例所繪示的交通模型建立方法700的流程圖。為方便說明起見，第7圖所示實施例將搭配第1圖中的交通時間預測系統100進行說明，但本案並不以此為限。在部分實施例中，交通模型建立方法700藉由一處理器實施。首先，在步驟S710中，數據接收模組110接收即時數據RTdata1~RTdata3。接著，在步驟S720中，數據正規化單元122對即時數據RTdata1~RTdata3進行正規化處理。接著，在步驟S730中，情境資訊分析單元接收經正規化處理後的情境資訊，並根據情境資訊計算情境對不同路段於不同時間的車速所造成的影響，以取得情境對車速影響的加權係數。接著，在步驟S740中，路段對應模組130將車速資訊與加權係數對應至地圖資料MAPdata中相應的路段。
接著，在步驟S750中，數據重建模組140根據資料庫180中的歷史數據HTdata計算路段中缺少車速紀錄的行車時段的車速，以重建歷史數據HTdata中缺失的資料。
接著，在步驟S760中，模型建構模組150針對路段RS1~RSm分別對應到的候選預測模型CM(1,1)~CM(m,n)利用即時數據RTdata1~RTdata3進行 參數調整之模型重建。
最後，在步驟S770中，預測模型160計算各候選預測模型CM(1,1)~CM(m,n)之預測車速並與即時車速計算一誤差值，並儲存候選預測模型CM(1,1)~CM(m,n)及誤差值於模型資料庫190中。
交通時間預測系統100中各個模組實現交通模型建立方法700的詳細步驟已於先前實施例中詳細說明，故不再於此贅述。
如此一來，交通時間預測系統100便可執行交通時間預測方法600以及交通模型建立方法700，以提高交通時間預測的準確度與可靠性。由於每一路段所選用的預測模型皆為準確度高之預測模型，因此可有效提高準確度。此外，交通時間預測系統100亦可針對不同情境與事件修正預估車速，以進一步提高準確度。
值得注意的是，在部份實施例中，交通時間預測系統100可包含記憶體和處理模組。記憶體中可包含用於處理模組的至少一可執行指令。可執行指令可用以執行上述交通時間預測方法600、交通模型建立方法700中的相關操作。此外，交通時間預測方法600和交通模型建立方法700亦可經由電腦來實作，亦可將部份功能實作為至少一電腦程式，並儲存於電腦可讀取之記錄媒體中。電腦程式具有多個指令，用以在電腦上執行時使電腦執行交通時間預測方法600、交通模型建立方法700，但本揭示內容並不以此為限。
此外，如上所述之各個功能模組，其具體實施方 式可為軟體、硬體與/或韌體。舉例來說，若以執行速度及精確性為首要考量，則該等模組基本上可選用硬體與/或韌體為主；若以設計彈性為首要考量，則該等模組基本上可選用軟體為主；或者，該等模組可同時採用軟體、硬體及韌體協同作業。應瞭解到，以上所舉的這些例子並沒有所謂孰優孰劣之分，亦並非用以限制本揭示內容，熟習此項技藝者當視當時需要，彈性選擇該等模組的具體實施方式。舉例來說，該等模組可整合至中央處理器(Central processing unit，CPU)執行。

Claims (18)

  1. 一種交通時間預測系統，用以預測一行車路線所需的行車時間，該交通時間預測系統包含：一模型建構模組，用以建立複數筆候選預測模型，該些候選預測模型每一者分別對應於複數個路段中之一者以及複數個相異的數學模型之一者；一模型選擇模組，用以自該行車路線中各個路段相符的該些候選預測模型中選擇對應於該些路段的一預測模型；以及一預測模組，用以根據該行車路線中各個路段的該預測模型預測各個路段的一預測車速以計算該行車路線之一行車時間估計值；其中該模型選擇模組選擇該路段所對應的該些候選預測模型中預測誤差值較小之一者作為該路段的該預測模型。
  2. 如第1項所述的交通時間預測系統，更包含：一數據資料庫，用以儲存至少一歷史數據，該歷史數據包含相應於該些路段中之一者於相應的行車時段的車速紀錄；一模型資料庫，用於儲存對應於各個路段之相異時段、相異情境以及相異數學模型之該些候選預測模型；以及一數據接收模組，用以接收至少一即時數據，該即時 數據包含相應於該些路段中之一者的即時車速資訊；其中該模型選擇模組根據該歷史數據以及該即時數據計算該些候選預測模型各自的預測誤差值，以選擇該該些候選預測模型中預測誤差值較小之一者作為該路段的該預測模型。
  3. 如第2項所述的交通時間預測系統，更包含：一數據處理模組，耦接於該數據接收模組，用以對該即時數據進行數據處理；以及一路段對應單元，耦接於該數據處理模組，用以將經數據處理後的該即時數據對應至一地圖資料中相應的路段，以將該即時數據作為歷史數據儲存於該數據資料庫中。
  4. 如第3項所述的交通時間預測系統，其中該即時數據更包含至少一情境資訊，該數據處理模組包含：一數據正規化單元，用以對該即時數據中的該情境資訊以及該即時車速資訊進行正規化處理。
  5. 如第3項所述的交通時間預測系統，其中該即時數據更包含至少一情境資訊，該數據處理模組包含：一情境資訊分析單元，用以接收該情境資訊，並計算一加權係數以代表該情境資訊對相應路段的相應時段的車速之影響。
  6. 如第5項所述的交通時間預測系統，其中該情境資訊分析單元根據該加權係數建立一情境模型，當該預測模組判斷相應路段的相應時段落在該情境模型的一影響時段內時，該預測模組根據該情境模型的該加權係數預測該路段的預測車速。
  7. 如第2項所述的交通時間預測系統，更包含：一數據重建模組，耦接於該數據資料庫，用以根據該數據資料庫中的該歷史數據計算該些路段中缺少車速紀錄的行車時段的車速，以回復該些歷史數據。
  8. 如請求項7所述的交通時間預測系統，其中該數據重建模組對該數據資料庫中的歷史數據進行一空間序列重建，以根據鄰近之複數個路段的車速資訊計算相應路段的車速資訊。
  9. 如請求項7所述的交通時間預測系統，其中該數據重建模組對該數據資料庫中的歷史數據進行一時間序列重建，以根據鄰近之複數個時段的車速資訊計算相應路段的車速資訊。
  10. 一種交通時間預測方法，其藉由一處理器實施，該方法包含以下步驟：(A)由該處理器接收至少一即時數據； (B)該處理器在相應於一行車路線的複數個候選預測模型中分別對該行車路線的每一個路段選擇該些候選預測模型之一者作為該每一個路段的其中之一者的預測模型；以及(C)由該處理器根據該行車路線中各個路段相應的預測模型計算一行車時間估計值；其中各個路段相應的預測模型係根據該即時數據以及一資料庫中的一歷史數據選擇該路段所對應的該些候選預測模型中預測誤差值較小之一者作為該路段的該預測模型。
  11. 如第10項所述的交通時間預測方法，其中該至少一即時數據更包含一情境資訊，該方法更包含以下步驟：(D)由該處理器根據該情境資訊判斷相應路段的相應時段是否落在該情境資訊的一影響時段；(E)當相應路段的相應時段落在該影響時段時，由該處理器計算該情境資訊對相應路段於相應時段的一加權係數；以及(F)由該處理器根據該加權係數選擇相應的預測模型預測該路段的預測車速。
  12. 如第11項所述的交通時間預測方法，其中根據該加權係數選擇相應的預測模型更包含：當該加權係數大於一預設門檻值時，由該處理器根據 該加權係數由相應於該情境資訊之一情境模型預測該路段的預測車速。
  13. 如第11項所述的交通時間預測方法，其中該情境資訊的該影響時段係介於一影響起始時間與一影響結束時間之間，該影響起始時間以及該影響結束時間係分別根據該情境資訊對預計車速的影響大於一預設門檻值的時間計算而得。
  14. 如第11項所述的交通時間預測方法，其中該情境資訊包含天氣資訊、活動資訊及交通事件資訊其中至少一者。
  15. 一種交通模型建立方法，其藉由一處理器實施，該方法包含以下步驟：(A)由該處理器接收至少一即時數據，其中該至少一即時數據包含一車速資訊；(B)由該處理器將該至少一即時數據中的車速資訊對應至一地圖資料中複數個路段中相應之一者；以及(C)由該處理器根據該至少一即時數據以及一數據資料庫中的歷史數據計算該些路段分別對應到複數個相異的數學模型的複數個候選預測模型，以供一模型選擇模組選擇該些路段所對應的該些候選預測模型之一者作為相應路段的一預測模型。
  16. 如請求項15所述的交通模型建立方法，其中該至少一即時數據更包含一情境資訊，該方法更包含以下步驟：(D)由該處理器對該即時數據中的該車速資訊以及該情境資訊進行正規化處理；(E)由該處理器根據該情境資訊計算該情境資訊對相應路段於相應時段的一加權係數；以及(F)由該處理器將該加權係數對應至該地圖資料中該些路段中相應之一者。
  17. 如請求項15所述的交通模型建立方法，更包含以下步驟：(G)由該處理器對該數據資料庫中的歷史數據進行一空間序列重建，以根據鄰近之複數個路段的車速資訊計算相應路段的車速資訊。
  18. 如請求項15所述的交通模型建立方法，更包含以下步驟：(H)由該處理器對該數據資料庫中的歷史數據進行一時間序列重建，以根據鄰近之複數個時段的車速資訊計算相應路段的車速資訊。
TW105105145A 2016-02-22 2016-02-22 交通時間預測系統、交通時間預測方法以及交通模型建立方法 TWI619036B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW105105145A TWI619036B (zh) 2016-02-22 2016-02-22 交通時間預測系統、交通時間預測方法以及交通模型建立方法
CN201610161006.6A CN107103753A (zh) 2016-02-22 2016-03-21 交通时间预测系统、交通时间预测方法以及交通模型建立方法
US15/077,989 US20170243121A1 (en) 2016-02-22 2016-03-23 Traffic forecasting system, traffic forecasting method and traffic model establishing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105105145A TWI619036B (zh) 2016-02-22 2016-02-22 交通時間預測系統、交通時間預測方法以及交通模型建立方法

Publications (2)

Publication Number Publication Date
TW201730793A TW201730793A (zh) 2017-09-01
TWI619036B true TWI619036B (zh) 2018-03-21

Family

ID=59630038

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105105145A TWI619036B (zh) 2016-02-22 2016-02-22 交通時間預測系統、交通時間預測方法以及交通模型建立方法

Country Status (3)

Country Link
US (1) US20170243121A1 (zh)
CN (1) CN107103753A (zh)
TW (1) TWI619036B (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2858448T3 (es) * 2017-02-01 2021-09-30 Kapsch Trafficcom Ag Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras
US10816351B1 (en) * 2017-07-14 2020-10-27 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10557713B1 (en) * 2017-07-14 2020-02-11 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
CN108364471B (zh) * 2018-04-24 2023-07-07 浙江方大智控科技有限公司 基于智能交通灯od信息检查的货运规划管理方法及系统
CN108877224B (zh) * 2018-07-18 2019-05-14 长安大学 一种可进行置信区间估计的短时交通流预测方法
CN108917782A (zh) * 2018-09-25 2018-11-30 国信优易数据有限公司 一种站点推荐方法及装置
CN109215346A (zh) * 2018-10-11 2019-01-15 平安科技（深圳）有限公司 一种交通通行时间的预测方法、存储介质和服务器
US11282379B2 (en) * 2018-11-01 2022-03-22 Inrix Inc. Slowdown detection
CN110782652B (zh) 2018-11-07 2020-10-16 滴图(北京)科技有限公司 速度预测系统和方法
CN110164128B (zh) * 2019-04-23 2020-10-27 银江股份有限公司 一种城市级智能交通仿真系统
CN111862583B (zh) * 2019-04-24 2021-12-03 北京嘀嘀无限科技发展有限公司 一种车流量预测方法及装置
CN110322054B (zh) * 2019-06-14 2023-04-28 中交第一公路勘察设计研究院有限公司 一种公路路段交通监测器的优化布设方法
CN111080009B (zh) * 2019-12-13 2021-04-16 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
US11868136B2 (en) * 2019-12-19 2024-01-09 Woven By Toyota, U.S., Inc. Geolocalized models for perception, prediction, or planning
FR3106112B1 (fr) * 2020-01-13 2021-12-03 Continental Automotive Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier
CN111428920B (zh) * 2020-03-17 2023-06-09 北京香侬慧语科技有限责任公司 一种基于图注意力网络的交通预测方法及系统
CN112149888A (zh) * 2020-09-08 2020-12-29 北京踏歌智行科技有限公司 一种面向露天矿的无人驾驶矿卡实时行程时间预测方法
WO2022126152A1 (en) * 2020-12-15 2022-06-23 Robert Koelbl Methods for estimating traffic loads and optimising road networks
CN112820103B (zh) * 2020-12-31 2022-09-06 山东奥邦交通设施工程有限公司 一种一体化动静结合标志管控方法及系统
CN112801421A (zh) * 2021-03-18 2021-05-14 瑞涯科技(上海)股份有限公司 一种基于概率论的飞机航班准点率的预测方法
CN113160563B (zh) * 2021-03-31 2022-10-25 西安交通大学 一种基于历史路况的短时路况预测方法、系统及设备
KR20220138263A (ko) * 2021-04-05 2022-10-12 현대자동차주식회사 교통정보 예측 장치 및 그 방법
CN114708746A (zh) * 2022-04-01 2022-07-05 河北金锁安防工程股份有限公司 智慧城市的交通信号提示方法及系统
CN115472018B (zh) * 2022-10-28 2023-12-29 广州地铁集团有限公司 一种基于行车分析及客流预测的城轨仿真推演方法
CN115909748B (zh) * 2023-01-07 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 节假日公路交通量预测方法、电子设备及存储介质
CN117540114A (zh) * 2024-01-10 2024-02-09 山东路科公路信息咨询有限公司 基于大数据挖掘的公路数据查询方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080097686A1 (en) * 2006-10-20 2008-04-24 Nec Corporation Travel-time prediction apparatus, travel-time prediction method, traffic information providing system and program
CN103810849A (zh) * 2012-11-15 2014-05-21 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
CN103927887A (zh) * 2014-03-18 2014-07-16 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
CN104091081A (zh) * 2014-07-15 2014-10-08 中国科学院自动化研究所 一种交通数据弥补方法
US8918278B2 (en) * 2000-08-28 2014-12-23 Inrix Global Services Limited Method and system for modeling and processing vehicular traffic data and information and applying thereof

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488284A (zh) * 2008-01-16 2009-07-22 闵万里 道路交通状况即时预测的智能管理系统
US8521426B2 (en) * 2008-02-04 2013-08-27 Weather Central, Lp System and method for weather mapping to road segments
US7493209B1 (en) * 2008-04-07 2009-02-17 International Business Machines Corporation Method of calculating a route based on estimated energy consumption
CA2712576C (en) * 2009-08-11 2012-04-10 Certusview Technologies, Llc Systems and methods for complex event processing of vehicle-related information
CN102110365B (zh) * 2009-12-28 2013-11-06 日电（中国）有限公司 基于时空关系的路况预测方法和系统
US9286793B2 (en) * 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
CN103247177B (zh) * 2013-05-21 2016-01-20 清华大学 大规模路网交通流实时动态预测系统
CN103632212B (zh) * 2013-12-11 2017-01-25 北京交通大学 一种时变用户均衡动态网络演化客流预测系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8918278B2 (en) * 2000-08-28 2014-12-23 Inrix Global Services Limited Method and system for modeling and processing vehicular traffic data and information and applying thereof
US20080097686A1 (en) * 2006-10-20 2008-04-24 Nec Corporation Travel-time prediction apparatus, travel-time prediction method, traffic information providing system and program
CN103810849A (zh) * 2012-11-15 2014-05-21 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
CN103927887A (zh) * 2014-03-18 2014-07-16 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
CN104091081A (zh) * 2014-07-15 2014-10-08 中国科学院自动化研究所 一种交通数据弥补方法

Also Published As

Publication number Publication date
US20170243121A1 (en) 2017-08-24
TW201730793A (zh) 2017-09-01
CN107103753A (zh) 2017-08-29

Similar Documents

Publication Publication Date Title
TWI619036B (zh) 交通時間預測系統、交通時間預測方法以及交通模型建立方法
US11423785B2 (en) Multi satellite detection and tracking of moving objects
KR102378859B1 (ko) 맵 궤적 매칭 데이터의 품질을 결정하는 방법, 장치, 서버 및 매체
CN107111794B (zh) 预测和利用地图服务中出行时间的可变性
JP6831414B2 (ja) 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体
JP7186607B2 (ja) 電子地図を更新する方法、装置、およびコンピュータ読み取り可能な記憶媒体
CN109215372B (zh) 路网信息更新方法、装置及设备
CN113916243B (zh) 目标场景区域的车辆定位方法、装置、设备和存储介质
US9292800B2 (en) Statistical estimation of origin and destination points of trip using plurality of types of data sources
JP5421949B2 (ja) 交通量予測装置、交通量予測方法およびプログラム
WO2022005576A1 (en) Systems and methods for optimizing trajectory planner based on human driving behaviors
CN108180922B (zh) 一种导航时间测评方法、装置、设备和介质
CN107909180B (zh) 公共交通出行用时的处理方法、设备及可读介质
CN110542425B (zh) 导航路径选择方法、导航装置、计算机设备及可读介质
Moosavi et al. Characterizing driving context from driver behavior
US8918282B1 (en) Turn restriction determination
Tabibiazar et al. Kernel-based modeling and optimization for density estimation in transportation systems using floating car data
He et al. An enhanced weight-based real-time map matching algorithm for complex urban networks
WO2021150166A1 (en) Determining a route between an origin and a destination
JP6677040B2 (ja) 軌跡データ処理方法、軌跡データ処理プログラム及び軌跡データ処理装置
JP6678476B2 (ja) 移動経路推定装置、及び移動経路推定方法
EP4266004A1 (en) User trajectory positioning method, electronic device and computer storage medium
US20160356608A1 (en) Map-matching by dual-level heuristic search
CN113568993A (zh) 点云地图的回环检测方法、装置、介质及电子设备
US20200058158A1 (en) System and method for object location detection from imagery