CN101154317A - 交通状况预测装置 - Google Patents

交通状况预测装置 Download PDF

Info

Publication number
CN101154317A
CN101154317A CNA2007101411364A CN200710141136A CN101154317A CN 101154317 A CN101154317 A CN 101154317A CN A2007101411364 A CNA2007101411364 A CN A2007101411364A CN 200710141136 A CN200710141136 A CN 200710141136A CN 101154317 A CN101154317 A CN 101154317A
Authority
CN
China
Prior art keywords
blocking
degree
highway section
interval
mentioned
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2007101411364A
Other languages
English (en)
Other versions
CN101154317B (zh
Inventor
山根宪一郎
奥出真理子
高桥广考
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.)
Faurecia Clarion Electronics Co Ltd
Original Assignee
CHANAWEI INFORMATION 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 CHANAWEI INFORMATION Co Ltd filed Critical CHANAWEI INFORMATION Co Ltd
Publication of CN101154317A publication Critical patent/CN101154317A/zh
Application granted granted Critical
Publication of CN101154317B publication Critical patent/CN101154317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • G01C21/3694—Output thereof on a road map

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Instructional Devices (AREA)

Abstract

本发明的交通状况预测装置具备：存储机构，其存储有路段数据和参数，上述路段数据包括构成地图上的道路的路段的路段长度，上述参数按每个路段包括表示顺畅的速度即顺畅速度、表示拥堵的速度即拥堵速度和拥堵区间的基准位置即拥堵基准位置；取得路段的预测行程时间的机构；按拥堵程度的区间计算机构，其采用上述预测行程时间和上述参数，求出上述路段内的拥堵程度不同的区间。从而能根据有限的信息(路段的行程时间)来预测路段内的拥堵状况。

Description

交通状况预测装置
技术领域
本发明涉及预测交通状况的技术。
背景技术
在专利文献1中，记载有求出路段(link)的拥堵程度的技术。例如根据路段的行程时间和路段长度来求出行程速度，将与该求出的行程速度对应的拥堵程度作为该路段的拥堵程度。
但是，即使是一个路段，从起点到终点也不都是相同的交通状况。例如，在路段的中途有十字路口或坡路的情况下，有时从该地点开始发生拥堵。即会有在一个路段内产生拥堵状况不同的区间的情况。在现有的技术中，即使取得路段的行程时间，也不能求出路段内的详细的拥堵状况(拥堵程度不同的区间)。
专利文献1：特开2006-171835号公报。
发明内容
本发明正是为了解决上述课题而提出的，其目的在于根据有限的信息(例如路段的行程时间等)来预测路段内的拥堵状况。
为了解决上述课题，本发明采用预测行程时间和预测参数来求出路段内的拥堵程度不同的区间。
例如，本发明的第一方式为交通状况预测装置，具备：存储机构，其存储有路段数据和参数，上述路段数据包括构成地图上的道路的路段的路段长度，上述参数按每个路段包括表示顺畅的速度即顺畅速度、表示拥堵的速度即拥堵速度和拥堵区间的基准位置即拥堵基准位置；取得路段的预测行程时间的机构；按拥堵程度的区间计算机构，其采用上述预测行程时间和上述参数，求出上述路段内的拥堵程度不同的区间。
此外，本发明的第二方式为交通状况预测装置，具有：取得交通信息的机构，上述交通信息包括构成地图上的道路的路段的行程时间、上述路段内的拥堵程度不同的区间、拥堵的基准位置即拥堵基准位置、和拥堵长度；和参数生成机构，其采用上述交通信息来生成在求出路段内的拥堵程度不同的区间时所利用的参数。而且，上述参数按每个路段包括：表示顺畅的速度即顺畅速度、表示拥堵的速度即拥堵速度和成为拥堵区间的基准位置即拥堵基准位置。
附图说明
图1为适用本发明的一实施方式的交通状况预测***的示意结构图。
图2为表示储备交通信息DB的结构的图。
图3为表示预测交通信息DB的结构的图。
图4为用于说明拥堵区间的瓶颈位置的图。
图5为预测参数DB的生成处理的流程图。
图6为瓶颈位置计算处理的流程图。
图7为按百分比值的顺畅/拥堵速度的计算处理的流程图。
图8为用于说明按百分比值的顺畅/拥堵速度的计算处理的图。
图9为用于说明按百分比值的顺畅/拥堵速度的评价处理的图。
图10为拥堵区间的预测处理的流程图。
图11为用于说明所预测的拥堵区间的评价处理的图。
图12为表示预测参数DB的结构的图。
图13为拥堵状况的预测处理的流程图。
图14为代表拥堵程度的预测处理的流程图。
图15为表示拥堵判定阈值的表的图。
图中：10-交通信息中心；11-基站；12-车载装置；13-预测行程时间服务器；14-网络；20-交通状况预测装置；21-通信处理部；22-预测行程时间取得部；23-预测参数；24-拥堵区间预测部；27-地图DB；310-储备交通信息DB；330-预测交通信息DB；370-预测参数DB。
具体实施方式
以下，参照附图，对本发明的一实施方式进行说明。图1为本发明的一实施方式相关的交通状况预测***的示意结构图。如图所示，交通状况预测***具有交通信息中心10、预测行程时间服务器13、以及装在车辆上的导航装置等车载装置12。
交通信息中心10为对现状的交通信息进行发送的装置。具体地来说，对构成地图上的道路的路段的交通信息(行程时间、拥堵程度等)进行发送。交通信息中心10例如也可为VICS(Vehicle Information andCommunication System)中心。此外，也可为对VICS信息进行暂时存储，在处理后进行发送的装置。
预测行程时间服务器13具备存储装置，保持有构成地图上的道路的各路段的未来时刻(当前以后的时刻)中各路段的预测行程时间。并且，将各路段的预测行程时间发送到交通状况预测装置20。
交通信息中心10、预测行程时间服务器13、交通状况预测装置20、车载装置12分别可与互联网等的网络14连接。车载装置12通过无线介由基站11与网络14连接。交通状况预测装置20通过网络14与交通信息中心10、车载装置12进行信息的收发。车载装置12可从交通信息中心10接收现状交通信息。
预测行程时间服务器13也可与交通状况预测装置20直接连接。此外，交通状况预测装置20也可具备预测行程时间服务器13的功能。
交通信息中心10、预测行程时间服务器13以及交通状况预测装置20可通过通用的计算机***来实现，该计算机***具备CPU(CentralProcessing Unit)、成为CPU的工作区域的RAM(Random Access Memory)、HDD(Hard Disk Drive)等的外部存储装置、通信接口、键盘等的输入装置、显示器等的输出装置、用于连接上述器件的总线。各种功能通过CPU执行存储器中载入的规定的程序来实现。
车载装置12为具有CPU、RAM、HDD、GPS(Global Positioning System)接收机、取得车辆的状况的各种传感器(车速传感器、陀螺传感器等)、显示器、键式开关(key switch)等的输入装置、外部存储装置、通信装置等的所谓汽车导航装置。车载装置12在存储装置中保持地图数据，对从规定的出发地到目的地的路径进行搜索后，显示在显示器中。车载装置12将从交通信息中心10或交通状况预测装置20取得的交通信息显示在显示器中。例如，显示当前位置附近的地图，在道路上显示拥堵程度(顺畅、拥挤、拥堵等)。
交通状况预测装置20包括通信处理部21、预测行程时间取得部22、预测参数生成部23、拥堵区间预测部24、地图DB(数据库)27、储备交通信息DB310、预测参数DB370和预测交通信息DB330。
通信处理部21与交通信息中心10、预测行程时间服务器13、车载装置20进行信息的收发。具体地来说，从交通信息中心10定期地接收现况的交通信息后，存储在储备交通信息DB310中。此外，对应于来自车载装置12的请求，从预测交通信息DB330取得所请求的范围的交通信息后，发送到车载装置12。
预测行程时间取得部22，介由通信处理部21，从预测行程时间服务器13取得规定的未来时刻中的每个路段的预测行程时间。
预测参数生成部23采用储备交通信息DB310，生成用于算出保存在预测交通信息DB330中的拥堵程度的预测参数后，保存在预测参数DB310中。
拥堵区间预测部24，采用预测参数DB370和从预测行程时间服务器13取得的预测行程时间，求出每个路段的拥堵程度，保存在预测交通信息DB330中。
在地图DB27中，在对地图上的区域进行划分的每个网格区域(以规定间隔的纬度/经度划分的区域)中，包括网格码和构成该网格区域中所含有的道路的路段的数据(路段数据)。路段数据中，包括路段编号、作为道路类别的路段分类、位置信息(始点和终点的坐标位置)和路段长度。另外，各路段通过网格码和路段编号唯一确定。
图2为表示储备交通信息DB310的结构的图。储备交通信息DB310中存储有从交通信息中心10所接收到的交通信息。如图所示，储备交通信息DB310包括信息生成时刻311、网格信息数312、以及网格信息数312量的网格信息313。网格信息313包括网格码314、路段信息数315、以及路段信息数315量的路段信息316。路段信息316包括路段分类317、路段编号318、代表拥堵程度319、行程时间320、拥堵区间数321、以及拥堵区间数321量的拥堵区间信息322。拥堵区间信息322包括区间拥堵程度323、瓶颈位置(距路段终点的距离)324和拥堵长度325。
代表拥堵程度319以及区间拥堵程度323的拥堵程度通过数值表示，分别表示为“0(不明确)”、“1(顺畅)”、“2(拥挤)”、“3(拥堵)”。拥堵区间数321，为在一个路段中存在有多个拥堵区间时的拥堵区间的数目。区间拥堵程度323为各区间中的拥堵程度。关于瓶颈位置324将在后面叙述。
图3为表示预测交通信息DB330的结构的图。预测交通信息DB330具备与储备交通信息DB310相似的结构，但保存有预测时间数份的记录。即预测交通信息DB330包括信息生成时刻331、预测时刻数332、预测时刻数332份的预测时刻信息333。预测时刻信息333包括预测时刻334、网格信息数335、网格信息数335份的网格信息336。网格信息336包括网格码337、路段信息数338、以及路段信息数338份的路段信息339。路段信息339包括路段分类340、路段编号341、代表拥堵程度342、行程时间343、拥堵区间数344、以及拥堵区间数344量的拥堵区间信息345。拥堵区间信息345包括区间拥堵程度346、瓶颈位置(距路段终点的距离)347和拥堵长度348。
预测交通信息DB330基本上为从预测行程时间服务器13所接收到的交通信息。但在从预测行程时间服务器13所接收到的交通信息中，不包括与拥堵程度相关的信息(代表拥堵程度342、拥堵区间数344以及拥堵区间信息345)。上述与拥堵程度相关的信息，保存有通过拥堵区间预测部24基于预测行程时间343采用预测参数DB370所生成的信息。
图4为用于说明瓶颈位置324的图。在一个路段内存在交叉点或坡路等的梯度变化的地点时，会有由于该地点而产生拥堵的情况。拥堵在从该地点到路段始点的方向产生。瓶颈位置324为该拥堵的产生原因的地点，为拥堵区间的基准位置。从行驶的车辆的角度来看时，瓶颈位置324为拥堵的终点。瓶颈位置324通过距路段的终点的距离来表示。例如，如图4(1)所示，拥堵区间数321为“0”时，没有拥堵区间信息322的字段(field)，代表拥堵程度319成为路段的拥堵程度。此外，瓶颈位置为“0”，拥堵长度为路段长度(根据地图数据所求得)。另一方面，如图4(2)所示，在拥堵区间数321为“1”以上时，拥堵区间信息322中具有字段。并且，从瓶颈位置324向路段始点方向追溯到拥堵长度325为止的区间为拥堵区间。
<动作的说明>
接下来，对本实施方式的交通状况预测装置20的动作进行说明。
如上所述，通信处理部21定期地从交通信息中心10接收现况交通信息后，存储在储备交通信息DB310中。
另一方面，预测参数生成部23采用储备交通信息DB310，定期地或者按照操作者的要求，生成预测参数DB370。
图5为表示预测参数DB370的生成处理的流程图。另外，预测参数DB370的生成处理不需要与外部进行通信，因此为离线处理。
预测参数生成部23读入储备交通信息DB310(S100)。另外，也可在信息生成时刻311读入规定期间(例如一周前的期间)的信息。此外，也可读入与规定区域的路段相关的信息(例如网格码314处于规定范围的信息)。
接下来，预测参数生成部23，按采用S100读入的储备交通信息DB310中所包括的每个路段信息316，求得成为该路段信息316的对象的路段的行程速度(S200)。具体地来说，预测参数生成部23根据地图数据求得成为对象的路段的路段长度。另外，如上所述，路段由网格码314以及路段编号318而被确定。并且，预测参数生成部23将从地图数据所取得的路段长度除以行程时间320而算出行程速度。
接下来，预测参数生成部23进行瓶颈位置的计算处理(S300)。在此，求出瓶颈位置的产生频率，用频率来确定上层的瓶颈位置。这是因为，拥堵产生的原因地点即瓶颈位置的一个路段内的产生位置，具有某种程度的规则性。另外，实际的拥堵产生原因的位置可从道路上取得各种位置，但通过设置在道路上的规定位置的传感器来收集交通信息，因此瓶颈位置的变化有限。
图6为瓶颈位置的计算处理的流程图。
预测参数生成部23，从成为在S100读入的储备交通信息310中包括的路段信息316的对象的路段中依次选择一个路段(S301)。进而，预测参数生成部23从信息生成时刻311中按照旧顺序选择一个信息生成时刻(S302)。
并且，预测参数生成部23从在S100中读入的储备交通信息310中所包括的路段信息316中，抽出在信息生成时刻311为在S302选择的信息生成时刻时成为对象的路段的路段信息316。并且，判定所抽出的路段信息316的拥堵区间数321是否为“0”(S303)。
在拥堵区间数321为“0”时(S303“是”)，预测参数生成部23判定代表拥堵程度319是否为“2”或“3”(S304)。在代表拥堵程度319不为“2”或“3”时(S304否)，预测参数生成部23将处理转移到S310。另外，在此为了使处理简单化，不对拥堵程度＝2(拥挤)和拥堵程度＝3(拥堵)进行区别。
另一方面，在代表拥堵程度为“2”或“3”时(S304是)，预测参数生成部23对瓶颈位置度数表T305进行更新(S305)。在此，瓶颈位置度数表T305为对每个路段，将瓶颈位置和度数对应起来的表。在此，预测参数生成部23，给作为对象的路段的瓶颈位置增加“0”的度数(S305)。之后，处理转移到S310。
另一方面，在路段信息316的拥堵区间数321不为“0”时(S303否)，预测参数生成部23依次选择一个拥堵区间信息32(S306)，分别对区间拥堵程度323是否为“2”或“3”进行判定(S307)。仅在是的情况下(S307是)，对瓶颈位置度数表T350进行更新。即预测参数生成部23增加与瓶颈位置324对应的度数(S308)。如果所有的拥堵区间信息322的选择结束(S309是)，预测参数生成部23将处理转移到S310。
在S310中，预测参数生成部23针对在S100读入的储备交通信息DB310中所包括的记录的所有的信息生成时刻311，判断S302的选择是否结束(S310)。而且，在没有结束的情况下(S310否)，返回到S302，选择未选择的信息生成时刻311来进行以后的处理。
另一方面，在所有的信息生成时刻311的选择结束的情况下(S310是)，预测参数生成部23从瓶颈位置度数表T350将度数为上位(在此为3位)的瓶颈位置登录到瓶颈位置表T312(S311)。
接下来，预测参数生成部23针对所有的路段判定S301中的选择是否结束(S312)。之后，在有未选择的路段的情况下(S312否)，返回到S301，选择未选择的路段来进行以后的处理。
另一方面，在对所有的路段的选择结束了时(S312是)，预测参数生成部23结束该流程。
以上，对瓶颈位置的计算处理的流程进行了说明。通过该处理，预测参数生成部23完成瓶颈位置表T312。瓶颈位置表T312对每个路段，按照度数多的顺序保存最大的3个的瓶颈位置。
返回到图5，接下来，预测参数生成部23进行按百分比值顺畅/拥堵速度计算处理(S400)。图7为相关处理的流程图。在此，按每个路段信息316(即每个路段和每个信息生成时刻)求出路段内的顺畅的区间的速度(顺畅速度)和拥堵的区间的速度(拥堵速度)(S401～S408)。并且，对每个路段，求出与规定的百分比值对应的顺畅速度和拥堵速度的候补。
具体地来说，首先预测参数生成部23从由S100读入的储备交通信息DB310中所包括的路段信息316中，依次选择一个路段信息316，作为处理对象的路段信息。之后，预测参数生成部23判断所选择的路段信息的拥堵区间数321是否为“0”(S401)。在拥堵区间数321为“0”时(S401是)，预测参数生成部23将由S200求出的对应的路段的行程速度作为与代表拥堵程度319对应的速度候补(S402)。
另一方面，在所选择的路段信息316的拥堵区间数321不为“0”时(S401否)，预测参数生成部23从拥堵区间信息322中抽出区间拥堵程度323为“2”或“3”的拥堵区间信息322的拥堵长度325，对所抽出的拥堵长度325进行总计(S403)。之后，核查该总计值是否比给对象路段的路段长度乘规定的系数(例如0.5)的值大(S404)。另外，之所以这样，是因为在有某程度的拥堵的区间的长度的情况下，看作是拥堵。
在拥堵长度的总计值一方较大的情况下(S404是)，预测参数生成部23将由S200求得的对应的行程速度作为拥堵速度候补(S405)。另一方面，在拥堵长度的总计值一方不大时(S404否)，预测参数生成部23将由S200求得的对象的行程速度作为拥堵速度候补(406)。
之后，预测参数生成部23进行各速度候补的登录。具体地来说，如图8所示，按每个路段，将顺畅速度候补或拥堵速度候补分别升序(或降序)地进行登录。另外，与信息生成时刻311无关地进行登录。
预测参数生成部23在所有路段的所有信息生成时刻，进行S401～S407的处理，如图8所示，完成保存有各路段的顺畅速度和拥堵速度的顺畅速度/拥堵速度的各速度候补表350(S408)。
接下来，预测参数生成部23依次选择一个路段(S409)，还依次设定百分比值(S410)，进行按百分比值的顺畅/拥堵速度的决定(S411)。
在此，所谓百分比值为设候补整体的数目为100时的值。在n个速度候补以升序排列的情况下，百分比值m的速度候补为以从低到高的顺序排列的值。
如图8所示，预测参数生成部23对每个路段，从顺畅速度/拥堵速度的各速度候补表350中抽出与百分比值为20、30、40、…、80对应的速度候补后，保存在按百分比值的顺畅/拥堵速度表360中(S412)。按百分比值的顺畅/拥堵速度表360对每个路段，对应保存有百分比值、顺畅速度和拥堵速度。
由此，在预测参数生成部23完成按百分比值的顺畅/拥堵速度表360时(S413是)，结束该流程。
接下来，预测参数生成部23进行按百分比值的顺畅/拥堵速度的评价(图5的S500)。图9为相关处理的流程图。
预测参数生成部23，依次设定百分比值，从按百分比值的顺畅/拥堵速度表360读入与所设定的百分比值对应的顺畅速度Vs和拥堵速度Vj(S501)。接下来，依次选择一个路段信息316，对于成为所选择的路段信息316的对象的路段进行拥堵区间的预测处理(S502)和所预测的拥堵区间的评价值E的计算处理(S503)。
图10为拥堵区间的预测处理(S502)的流程图。
首先，预测参数生成部23取得成为对象的路段信息316的行程时间320。
接下来，预测参数生成部23通过解出下述联立方程式而算出对象路段的拥堵长度Lj和顺畅长度Ls。此时，采用由S501读入的拥堵速度Vj以及顺畅速度Vs来作为拥堵区间的速度以及顺畅区间的速度。此外，路段长度采用从地图数据中取得的值。
(联立方程式)
Lj+Ls＝L(路段长度)
Lj/Vj+Ls/Vs＝T(行程时间)
接下来，预测参数生成部23，对所求出的拥堵长度Lj是否为负进行检查(S603)，在为负的情况下(S603是)，登录拥堵区间数＝0，代表拥堵程度＝1(顺畅)。之后，结束图10的流程。
另一方面，在拥堵长度为正的情况下(S603否)，预测参数生成部23对顺畅长度Ls是否为负进行检查(S605)。之后，在负的情况下(S605是)，登录拥堵区间数＝0，代表拥堵程度＝3(拥堵)(S606)。之后，结束图10的流程。
另一方面，在顺畅长度Ls为正时(S605否)，预测参数生成部23从瓶颈位置表T312(参照图6)，从高位开始依次选择与对象路段对应的瓶颈位置(S607)。
之后，预测参数生成部23对拥堵区间是否超过了路段长度进行判定(S608)。具体地来说，对
{是否为：瓶颈位置(距路段终点的距离)+拥堵长度Lj}＞路段长度
进行检查。之后，在大于时，判定拥堵区间超过路段长度，在不是大于的情况下，判定拥堵区间没有超过路段长度。
在判定拥堵区间没有超过路段长度时(S608否)，预测参数生成部23登录由S607选择的瓶颈位置和由S602求出的拥堵长度Lj以及顺畅长度Ls(S609)，接收图10的流程。
另一方面，在判定拥堵区间超过路段长度时(S608是)，预测参数生成部23对是否选择了瓶颈位置表T312的对象的路段的所有瓶颈位置进行检查(S610)。之后，在有未选择的瓶颈位置时(S610否)，返回到S607，选择接下来正要登录的瓶颈位置，进行以下的处理。另一方面，在对所有的瓶颈位置的选择结束了的情况下(S610是)，预测参数生成部23从瓶颈位置表T312中选择距路段终点的距离最小的瓶颈位置。之后，将拥堵长度Lj设为从路段始点到瓶颈位置的距离。此外，将顺畅长度Lj设为从路段始点到瓶颈位置的距离。此外，设顺畅长度Ls为从瓶颈位置到路段终点的距离。之后，登录瓶颈位置、拥堵长度Lj和顺畅长度Ls(S611)，结束图10的流程图。
以上，对图10的拥堵区间的预测处理的流程进行了说明。
接下来，对预测的拥堵区间的评价值E的计算处理(图9的S503)进行说明。
图11为用于说明评价值E的计算方法的图。评价值E为在全体中所占的真值和预测值的一致部分的比例。评价值E越大，匹配性越好。在此，采用对象的路段信息316的拥堵区间信息322作为真值。预测参数生成部23对真值和由S502所预测的拥堵状况(拥堵程度不同的区间)进行比较，求出拥堵程度一致的部分的长度，求出其总计值Xi。之后，通过下式求出评价值E。另外，在此对拥堵程度＝2(拥挤)和拥堵程度＝3(拥堵)不进行区分。均作为拥堵处理。
在图11的例子中，真值(根据储备交通信息DB310的拥堵区间信息322求出的拥堵状况)为拥堵区间1(拥堵)和拥堵区间2(拥挤)。与此相对，根据由S502预测的拥堵状况，拥堵区间为一个，并且该拥堵区间在真值的拥堵区间2以及拥堵区间1中有一部分重叠。上述情况下，预测参数生成部23，求出拥堵程度相同部分的长度。即求出均为“拥堵”或“拥挤”的部分和均为“顺畅”的部分。之后，对上述部分进行总计，来求出总计值Xi。之后，如下式那样，通过总计值Xi除以路段长度来求出评价值E。
评价值E＝Xi/L
Xi：一致的区间
L：路段长度
返回到图9进行说明。预测参数生成部23对所有的路段信息(即对所有的路段以及信息生成时刻311)，进行S502～S503的处理(S504)。
之后，预测参数生成部23算出所求出的评价值E的平均值Eave(S505)。
接下来，预测参数生成部23对是否选择了按百分比值的顺畅/拥堵速度表360中所包括的所有百分比值进行判定，在有未选择的百分比值时，返回到S501，继续进行处理。
另一方面，在对所有的百分比值，求出评价值E的平均值Eave时(S506是)，预测参数生成部23求出评价值Eave为最大的百分比值。之后，将所求出的百分比值预测地决定为最优的百分比值(S507)。
接下来，预测参数生成部23采用由S507决定的预测中最优的百分比值，对每个路段决定最优顺畅速度和最优拥堵速度(S509)。具体地来说，根据按百分比值的顺畅/拥堵速度表360，对每个路段抽出与由S507决定的百分比值对应的顺畅速度和拥堵速度。之后，将所抽出的顺畅速度和拥堵速度决定为最优顺畅速度和最优拥堵速度。之后，结束图9的流程图。
以上，对图9的按百分比值的顺畅/拥堵速度的评价处理的流程进行了说明。
接下来，预测参数生成部23生成预测参数DB370(图5的S600)。图12为表示预测参数DB370的结构的图。预测参数DB370包括网格信息数371、网格信息数371份的网格信息372。网格信息372包括网格码373、路段信息数374和路段信息数374份的路段信息375。路段信息375包括路段分类376、路段编号378、第一瓶颈位置379、第二瓶颈位置380、第三瓶颈位置381、拥堵速度382和顺畅速度383。
预测参数生成部23从高位依次将由瓶颈位置计算处理(图6)生成的对每个路段的前3个的瓶颈位置保存在对应的路段信息375的第一～第三瓶颈位置379～381。此外，将由按百分比值的顺畅/拥堵速度的评价处理(图9)的S508所生成的对每个路段的最优拥堵速度以及最优顺畅速度保存在对应的路段信息375的拥堵速度382和顺畅速度383中。
以上，对图5所示的预测参数DB370的生成处理的流程进行了说明。
接下来，对上述那样所生成的预测参数DB370的利用进行说明。
预测参数DB370中保存的预测参数(第1～第三瓶颈位置379～381、拥堵速度382、顺畅速度383)用于对路段内的拥堵程度不同的区间进行预测。即从预测行程时间服务器13取得对每个路段的行程时间时，用来求出路段内的拥堵状况(拥堵程度及其区间)。
图13为拥堵状况的预测处理的流程图。该流程，在从预测行程时间服务器13取得行程时间时，或者对应于来自车载装置12的请求开始。
预测行程时间取得部22介由通信处理部21从预测行程时间服务器13取得包括对每个路段的预测行程时间的交通信息。之后，将所取得的交通信息保存在预测交通信息DB330中。所取得的交通信息中，基本上大致包括构成图3所示的预测交通信息DB330的信息。但是，不包括与拥堵程度相关的信息(代表拥堵程度342、拥堵区间数344、拥堵区间信息345)。
在此，拥堵区间预测部24基于从预测行程时间服务器13所接收的预测行程时间343，采用预测参数，算出与拥堵程度相关的信息。
拥堵区间预测部24首先读入预测参数DB370(S701)。之后，按每个预测时刻数332以及每个路段，针对预测行程时间343，进行S702～S704的处理。即依次选择路段信息339，进行S702～S704的处理。
在S702中，拥堵区间预测部24取得所选择的路段信息339的预测行程时间343。
S703中，拥堵区间预测部24求出所选择的路段信息339的对象的路段的代表拥堵程度。图14为上述代表拥堵程度的预测处理的流程图。
拥堵区间预测部24，在预测行程时间不明确时，即针对对象的路段，没有从预测行程时间服务器13取得预测行程时间时(S801是)，在代表拥堵程度342中登录“不明”。另一方面，在预测行程时间存在时(S801否)，通过路段长度除以预测行程时间343，算出行程速度(S803)。之后，通过图15所示的拥堵判定阈值表，来决定代表拥堵程度。在拥堵判定阈值表中，按每种路段分类，对应添加各拥堵程度的行程速度的范围。在此，拥堵区间预测部24根据拥堵判定阈值表，求出与对象的路段的路段分类340和由S803求出的行程速度对应的拥堵程度。之后，将所求出的拥堵程度保存在代表拥堵程度342中。
返回到图13进行说明。接下来，拥堵区间预测部24进行拥堵区间的预测处理。拥堵区间的预测处理，与上述的图10所示的拥堵区间的预测处理相同。但是，拥堵区间预测部24为主体。而且，在此，在S601中，取得从预测行程时间服务器13所取得的预测行程时间343。之后，S602的拥堵长度的计算中，采用该预测行程时间343作为行程时间。
之后，在拥堵区间数＝0、代表拥堵程度＝1(顺畅)时(S604)，拥堵区间预测部24，在成为处理对象的路段信息339的拥堵区间数344中保存“0”。此外，拥堵区间预测部24不设置拥堵区间信息35的字段。
此外，在拥堵区间数＝0、代表拥堵程度＝1(顺畅)时(S604)，拥堵区间预测部24，在成为处理对象的路段信息339的拥堵区间数344中保存“0”。此外，拥堵区间预测部24不设置拥堵区间信息35的字段。
此外，在拥堵区间的长度与路段长度相比较为适当的情况下(S609)，拥堵区间预测部24将“1”保存在路段信息339的拥堵区间数344中。此外，在拥堵区间信息345中设置一个记录，在区间拥堵程度346中保存“3(拥堵)”。进而，在瓶颈位置347中保存有由S607所选择的瓶颈位置。拥堵长度348中保存有由S602所求出的拥堵长度Lj。
此外，在登录距路段终点的距离为最小的瓶颈位置中的结果时(S611)，拥堵区间预测部24在路段信息339的拥堵区间数344中保存“1”。此外，在拥堵区间信息345中设置一个记录，在区间拥堵程度346中保存“3(拥堵)”，在瓶颈位置347中保存距路段终点的距离为最小的瓶颈位置。在拥堵长度348中，保存有从路段始点到瓶颈位置的距离。
返回到图13进行说明。拥堵区间预测部24针对从预测行程时间服务器13所接收的交通信息(即在预测交通信息DB310中保存的每个预测时刻数332、每个路段的预测行程时间343)进行了以上的处理(S702～S704)后(S705)，结束该流程。
由此，如图3所示的预测交通信息DB330完成。即在预测交通信息DB330中，保存有没有与从预测行程时间服务器13取得的拥堵状况相关的信息(代表拥堵程度342、拥堵区间数344、拥堵区间信息345)。
通信处理部21对应于来自车载装置12的要求发送如上那样生成的预测交通信息DB330。
车载装置12，采用所接收到的预测交通信息DB330，能够不限于路段单位的拥堵程度而针对路段内的部分的区间显示拥堵程度。
以上，对本发明的一实施方式进行了说明。
通过上述实施方式，能够根据路段单位的行程时间求出路段内的拥堵程度不同的区间。也即，即使在只取得路段单位的预测行程时间作为预测交通信息的情况下，也能对路段内的部分的区间中的拥堵程度进行预测。因此，能够提供更细的预测交通信息。
此外，由于采用过去的实际的交通信息即储备交通信息来计算出预测参数，并用于拥堵程度的预测，因此能进行更准确的预测。
本发明并不限于上述实施方式，只要在发明的主旨的范围内可有各种变形。
例如，在上述实施方式中，在求出区间拥堵程度时，作为拥堵程度，不对“2(拥堵)”和“3(拥挤)”进行区分，而均作为“3(拥堵)”进行处理。并不限于此，但也可对“2(拥挤)”和“3(拥堵)”进行区分。
例如，在图13的S704中，在生成预测交通信息DB330的拥堵区间信息345时，拥堵区间预测部24通过与图14的S803相同的处理来求出路段的行程速度，也可采用图15的拥堵判定阈值表来求出拥堵程度。或者，以由S602求出的拥堵速度Vj作为行程速度，采用图15的拥堵判定阈值表，求出对应的拥堵程度。之后，将所求出的拥堵程度保存在区间拥堵程度346中。在图15的拥堵阈值判定表中，对“2(拥挤)”和“3(拥堵)”进行区分，因此根据行程速度在区间拥堵程度342中保存“2(拥挤)”。由此，在车载装置12中，针对路段内的部分的区间，能够区分“拥堵”和“拥挤”来显示，能够进行更多样的显示。
此外，在上述实施方式中，存储在储备交通信息DB310中的交通信息为过去所接收到的现况交通信息。但并不限于此，也可为对过去的交通信息进行统计处理而求出的统计交通信息。

Claims (11)

1.一种交通状况预测装置，具备：
存储机构，其存储有路段数据和参数，上述路段数据包括构成地图上的道路的路段的路段长度，上述参数按每个路段包括表示顺畅的速度即顺畅速度、表示拥堵的速度即拥堵速度和拥堵区间的基准位置即拥堵基准位置；
取得路段的预测行程时间的机构；
按拥堵程度的区间计算机构，其采用上述预测行程时间和上述参数，求出上述路段内的拥堵程度不同的区间。
2.根据权利要求1所述的交通状况预测装置，其特征在于，
上述按拥堵程度的区间计算机构，
按照对路段中的拥堵程度不同的区间以各区间中的行驶速度通过时的时间之和为该路段的行程时间，并且各个拥堵程度不同的区间之和为路段长度的方式，求出上述路段中的拥堵程度不同的区间。
3.根据权利要求2所述的交通状况预测装置，其特征在于，
上述按拥堵程度的区间计算机构，
在拥堵长度为负时，设路段整体的拥堵程度为顺畅，
在顺畅长度为负时，设路段整体的拥堵程度为拥堵。
4.根据权利要求2所述的交通状况预测装置，其特征在于，
上述参数中按每个路段包括多个拥堵基准位置，
上述按拥堵程度的区间计算机构，
从上述多个拥堵基准位置中，选择采用拥堵长度所求出的拥堵区间处于路段长度的范围内的位置，
采用所选择的拥堵基准位置，求出上述路段内的拥堵程度不同的区间。
5.一种交通状况预测装置，具备：
取得交通信息的机构，上述交通信息包括构成地图上的道路的路段的行程时间、上述路段内的拥堵程度不同的区间、拥堵的基准位置即拥堵基准位置、和拥堵长度；和
参数生成机构，其采用上述交通信息来生成在求出路段内的拥堵程度不同的区间时所利用的参数，
上述参数按每个路段包括：表示顺畅的速度即顺畅速度、表示拥堵的速度即拥堵速度和成为拥堵区间的基准位置即拥堵基准位置。
6.根据权利要求5所述的交通状况预测装置，其特征在于，
上述参数生成机构，
根据上述交通信息中所包括的各路段的拥堵基准位置，求出各路段的拥堵基准位置的频度，使上述参数包含有频度高的高位规定数的拥堵基准位置。
7.根据权利要求5所述的交通状况预测装置，其特征在于，
上述参数生成机构包括：
按拥堵程度的行程速度计算机构，其求出上述各路段的拥堵程度不同的行程速度；
分别以升序或降序排列拥堵程度不同的行程速度，按拥堵程度分别取得从整体的数目来看处于规定比例的顺序的行程速度的机构；
按拥堵程度的区间计算机构，其采用路段的行程时间和所取得的拥堵程度不同的行程速度，求出各路段内的拥堵程度不同的区间；
根据所求出的拥堵程度不同的区间和上述交通信息中所包括的拥堵程度不同的区间之间的匹配性，求出评价值的机构，
使上述参数包括给出最高评价值的按拥堵程度不同的行程速度。
8.根据权利要求7所述的交通状况预测装置，其特征在于，
上述按拥堵程度的区间计算机构，
按照对路段中的拥堵程度不同的区间以各区间中的行驶速度通过时的时间之和为该路段的行程时间，并且各个拥堵程度不同的区间之和为路段长度的方式，求出上述路段中的拥堵程度不同的区间。
9.根据权利要求7所述的交通状况预测装置，其特征在于，
具备取得路段的代表行程速度的机构，
上述按拥堵程度的行程速度计算机构，
在拥堵长度相对路段长度为规定比例以上时，设上述代表行程速度为拥堵速度，
在拥堵长度相对路段长度为小于规定比例时，设上述代表行程速度为顺畅速度。
10.根据权利要求5所述的交通状况预测装置，其特征在于，
具备：
取得路段的预测行程时间的机构；和
按拥堵程度的区间计算机构，其采用上述预测行程时间和上述参数，求出上述路段内的拥堵程度不同的区间。
11.一种交通状况预测方法，为交通状况预测装置的交通状况预测方法，
上述交通状况预测装置，具备存储机构，其存储有路段数据和参数，上述路段数据包括构成地图上的道路的路段的路段长度，上述参数按每个路段包括表示顺畅的速度即顺畅速度、表示拥堵的速度即拥堵速度、和拥堵区间的基准位置即拥堵基准位置，
进行以下步骤：
取得路段的预测行程时间的步骤；和
采用上述预测行程时间和上述参数，求出上述路段内的拥堵程度不同的区间的按拥堵程度的区间计算步骤。
CN2007101411364A 2006-09-27 2007-08-08 交通状况预测装置 Active CN101154317B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2006262056A JP4982143B2 (ja) 2006-09-27 2006-09-27 交通状況予測装置
JP2006262056 2006-09-27
JP2006-262056 2006-09-27

Publications (2)

Publication Number Publication Date
CN101154317A true CN101154317A (zh) 2008-04-02
CN101154317B CN101154317B (zh) 2011-01-05

Family

ID=39154801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2007101411364A Active CN101154317B (zh) 2006-09-27 2007-08-08 交通状况预测装置

Country Status (4)

Country Link
US (1) US8180557B2 (zh)
JP (1) JP4982143B2 (zh)
CN (1) CN101154317B (zh)
DE (1) DE102007037920B4 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102679998A (zh) * 2012-06-12 2012-09-19 上海雷腾软件有限公司 一种行驶指数算法及线路规划方法和导航方法
CN102855757A (zh) * 2012-03-05 2013-01-02 浙江大学 基于排队检测器信息瓶颈状态识别方法
CN103325268A (zh) * 2012-03-21 2013-09-25 爱信艾达株式会社 交通信息创建装置和交通信息创建方法
CN103348395A (zh) * 2011-02-03 2013-10-09 丰田自动车株式会社 交通拥堵检测设备和车辆控制设备
CN104520912A (zh) * 2012-12-11 2015-04-15 株式会社Ntt数据 堵塞预测装置、堵塞预测***、堵塞预测方法和程序
CN104755306A (zh) * 2012-07-11 2015-07-01 罗伯特·博世有限公司 用于运行车辆的驾驶员辅助***的方法和用于车辆的驾驶员辅助***
CN104798121A (zh) * 2012-11-22 2015-07-22 三菱重工业株式会社 交通信息处理***、服务器装置、交通信息处理方法及程序
CN106023585A (zh) * 2015-03-25 2016-10-12 丰田自动车株式会社 交通拥堵信息生成装置以及交通拥堵信息生成方法
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN107134136A (zh) * 2017-01-23 2017-09-05 北京博研智通科技有限公司 一种城市之间道路交通拥堵程度排序的方法和***
CN107967812A (zh) * 2016-10-19 2018-04-27 高德信息技术有限公司 一种导航路线交通状态的确定方法及装置
CN108701334A (zh) * 2016-03-03 2018-10-23 三菱电机株式会社 拥挤预测装置和拥挤预测方法
CN108898838A (zh) * 2018-08-03 2018-11-27 首都经济贸易大学 一种基于lstm模型的机场交通拥堵预测方法及装置
CN111291935A (zh) * 2020-02-20 2020-06-16 上海赛可出行科技服务有限公司 一种基于区域块分割的接驾时长预估方法
CN111723169A (zh) * 2020-04-09 2020-09-29 腾讯科技（深圳）有限公司 一种地图显示方法、装置、电子设备和存储介质

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4591395B2 (ja) * 2006-03-31 2010-12-01 アイシン・エィ・ダブリュ株式会社 ナビゲーションシステム
JP4185956B2 (ja) * 2007-02-27 2008-11-26 トヨタ自動車株式会社 旅行時間演算サーバ、車両用旅行時間演算装置及び旅行時間演算システム
US8024110B2 (en) 2007-05-22 2011-09-20 Xanavi Informatics Corporation Method of estimation of traffic information, device of estimation of traffic information and car navigation device
JP5686087B2 (ja) * 2011-11-03 2015-03-18 アイシン・エィ・ダブリュ株式会社 投稿文提供システム、投稿文提供装置、投稿文提供方法及びコンピュータプログラム
JP5648009B2 (ja) * 2012-03-21 2015-01-07 アイシン・エィ・ダブリュ株式会社 交通情報作成装置、交通情報作成方法及びプログラム
US9285865B2 (en) 2012-06-29 2016-03-15 Oracle International Corporation Dynamic link scaling based on bandwidth utilization
US20140040526A1 (en) * 2012-07-31 2014-02-06 Bruce J. Chang Coherent data forwarding when link congestion occurs in a multi-node coherent system
EP2986944A1 (en) * 2013-04-17 2016-02-24 TomTom Navigation B.V. Routing engine
CN103886762B (zh) * 2014-02-26 2015-08-26 浙江大学 路网中路段交通状态排序方法
CN106056908A (zh) * 2016-06-28 2016-10-26 联想(北京)有限公司 一种信息处理方法和服务器
CN108428338B (zh) * 2017-02-15 2021-11-12 阿里巴巴集团控股有限公司 交通路况分析方法、装置以及电子设备
CN107730892A (zh) * 2017-11-20 2018-02-23 中兴软创科技股份有限公司 一种基于fcd与互联网数据融合的交通拥堵指数评价方法
JP6831820B2 (ja) * 2018-09-04 2021-02-17 株式会社Ｓｕｂａｒｕ 車両の走行制御システム
CN110120154B (zh) * 2019-05-28 2021-08-10 武汉理工大学 大规模路网下利用检测器数据的交通路况预测方法
US11455890B2 (en) * 2020-03-23 2022-09-27 Toyota Motor Eng & Mfg North America, Inc. Traffic-adaptive deployment of vehicle functions
CN116935655B (zh) * 2023-09-15 2023-12-05 武汉市规划研究院 一种面向复杂城市道路网络的交通状态判别方法及***

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19725556A1 (de) 1997-06-12 1998-12-24 Mannesmann Ag Verfahren und Vorrichtung zur Verkehrszustandsprognose
JP2000082192A (ja) * 1998-09-04 2000-03-21 Nippon Telegr & Teleph Corp <Ntt> 渋滞度算出方法、装置、および渋滞評価値算出プログラムを記録した記録媒体
DE19928082C2 (de) 1999-06-11 2001-11-29 Ddg Ges Fuer Verkehrsdaten Mbh Filterungsverfahren zur Bestimmung von Reisegeschwindigkeiten bzw. -zeiten und Domänen-Restgeschwindigkeiten
DE19935769C2 (de) 1999-07-23 2002-02-07 Ddg Ges Fuer Verkehrsdaten Mbh Verkehrszustandsprognose durch rückgekoppelte Zustandskaskade
DE19944075C2 (de) * 1999-09-14 2002-01-31 Daimler Chrysler Ag Verfahren zur Verkehrszustandsüberwachung für ein Verkehrsnetz mit effektiven Engstellen
DE10036789A1 (de) * 2000-07-28 2002-02-07 Daimler Chrysler Ag Verfahren zur Bestimmung des Verkehrszustands in einem Verkehrsnetz mit effektiven Engstellen
JP3806024B2 (ja) * 2001-11-21 2006-08-09 東日本電信電話株式会社 車両の移動所要時間算出システム、移動所要時間算出方法、移動所要時間算出システム用プログラム、及び移動所要時間算出システム用記録媒体
JP2003302229A (ja) * 2002-04-08 2003-10-24 Hitachi Ltd ナビゲーション装置
JP3792172B2 (ja) * 2002-04-09 2006-07-05 住友電気工業株式会社 旅行時間予測方法、装置及びプログラム
JP3960158B2 (ja) * 2002-07-30 2007-08-15 株式会社エクォス・リサーチ 道路の渋滞予測装置およびプログラム
KR101168423B1 (ko) 2003-02-05 2012-07-25 가부시키가이샤 자나비 인포메틱스 내비게이션 장치의 경로 탐색 방법 및 교통 정보 표시 방법
US7355528B2 (en) * 2003-10-16 2008-04-08 Hitachi, Ltd. Traffic information providing system and car navigation system
JP3975190B2 (ja) * 2003-10-16 2007-09-12 株式会社日立製作所 交通情報処理方法
DE10350679A1 (de) 2003-10-30 2005-06-02 Daimlerchrysler Ag Verfahren zur gangliniengestützten Verkehrsprognose
JP4496837B2 (ja) * 2004-04-28 2010-07-07 アイシン・エィ・ダブリュ株式会社 旅行時間配分システム
GB0420097D0 (en) * 2004-09-10 2004-10-13 Cotares Ltd Apparatus for and method of providing data to an external application
US7176813B2 (en) * 2004-09-10 2007-02-13 Xanavi Informatics Corporation System and method for processing and displaying traffic information in an automotive navigation system
JP4175312B2 (ja) * 2004-09-17 2008-11-05 株式会社日立製作所 交通情報予測装置
JP2006171835A (ja) 2004-12-13 2006-06-29 Nissan Motor Co Ltd 渋滞状況判定システム、渋滞状況判定方法、情報センタおよびナビゲーション装置

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103348395A (zh) * 2011-02-03 2013-10-09 丰田自动车株式会社 交通拥堵检测设备和车辆控制设备
CN103348395B (zh) * 2011-02-03 2015-06-17 丰田自动车株式会社 交通拥堵检测设备和车辆控制设备
CN102855757A (zh) * 2012-03-05 2013-01-02 浙江大学 基于排队检测器信息瓶颈状态识别方法
CN103325268B (zh) * 2012-03-21 2015-09-30 爱信艾达株式会社 交通信息创建装置和交通信息创建方法
CN103325268A (zh) * 2012-03-21 2013-09-25 爱信艾达株式会社 交通信息创建装置和交通信息创建方法
CN102679998A (zh) * 2012-06-12 2012-09-19 上海雷腾软件有限公司 一种行驶指数算法及线路规划方法和导航方法
CN102679998B (zh) * 2012-06-12 2015-12-09 上海雷腾软件股份有限公司 一种行驶指数算法及线路规划方法和导航方法
CN104755306A (zh) * 2012-07-11 2015-07-01 罗伯特·博世有限公司 用于运行车辆的驾驶员辅助***的方法和用于车辆的驾驶员辅助***
US9495867B2 (en) 2012-11-22 2016-11-15 Mitsubishi Heavy Industries, Ltd. Traffic information processing system, server device, traffic information processing method, and program
CN104798121A (zh) * 2012-11-22 2015-07-22 三菱重工业株式会社 交通信息处理***、服务器装置、交通信息处理方法及程序
CN104520912B (zh) * 2012-12-11 2016-08-31 株式会社Ntt数据 堵塞预测装置、堵塞预测***、堵塞预测方法和程序
CN104520912A (zh) * 2012-12-11 2015-04-15 株式会社Ntt数据 堵塞预测装置、堵塞预测***、堵塞预测方法和程序
CN106023585A (zh) * 2015-03-25 2016-10-12 丰田自动车株式会社 交通拥堵信息生成装置以及交通拥堵信息生成方法
CN106023585B (zh) * 2015-03-25 2018-07-13 丰田自动车株式会社 交通拥堵信息生成装置以及交通拥堵信息生成方法
CN108701334B (zh) * 2016-03-03 2022-08-26 三菱电机株式会社 拥挤预测装置和拥挤预测方法
CN108701334A (zh) * 2016-03-03 2018-10-23 三菱电机株式会社 拥挤预测装置和拥挤预测方法
CN107967812A (zh) * 2016-10-19 2018-04-27 高德信息技术有限公司 一种导航路线交通状态的确定方法及装置
CN107134136A (zh) * 2017-01-23 2017-09-05 北京博研智通科技有限公司 一种城市之间道路交通拥堵程度排序的方法和***
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN107103758B (zh) * 2017-06-08 2019-06-21 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN108898838B (zh) * 2018-08-03 2020-08-28 首都经济贸易大学 一种基于lstm模型的机场交通拥堵预测方法及装置
CN108898838A (zh) * 2018-08-03 2018-11-27 首都经济贸易大学 一种基于lstm模型的机场交通拥堵预测方法及装置
CN111291935A (zh) * 2020-02-20 2020-06-16 上海赛可出行科技服务有限公司 一种基于区域块分割的接驾时长预估方法
CN111291935B (zh) * 2020-02-20 2023-12-29 上海赛可出行科技服务有限公司 一种基于区域块分割的接驾时长预估方法
CN111723169A (zh) * 2020-04-09 2020-09-29 腾讯科技（深圳）有限公司 一种地图显示方法、装置、电子设备和存储介质
CN111723169B (zh) * 2020-04-09 2024-04-30 腾讯科技（深圳）有限公司 一种地图显示方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
US20080077316A1 (en) 2008-03-27
JP4982143B2 (ja) 2012-07-25
DE102007037920B4 (de) 2012-09-13
US8180557B2 (en) 2012-05-15
JP2008083908A (ja) 2008-04-10
CN101154317B (zh) 2011-01-05
DE102007037920A1 (de) 2008-04-10

Similar Documents

Publication Publication Date Title
CN101154317B (zh) 交通状况预测装置
CN101960500B (zh) 行驶信息创建装置、行驶信息创建方法和程序
CN1996427B (zh) 交通信息处理装置
US6879907B2 (en) Method and system for modeling and processing vehicular traffic data and information and applying thereof
CN112037518B (zh) 一种用于预测交通状态的计算方法、***及车辆
WO2014203475A1 (ja) 地図更新システム、地図更新方法およびプログラム
CN101271628A (zh) 堵车状况运算***
JP2007240281A (ja) エリア分割巡回経路探索システム、経路探索サーバ、エリア分割巡回経路探索方法
US20210150888A1 (en) Methods, systems, and media for generating and evaluating street grids
KR100515203B1 (ko) 교통정보 제공 시스템 및 방법
JP5513360B2 (ja) 渋滞情報生成装置、渋滞情報生成方法、及びプログラム
US20210327261A1 (en) Method, apparatus, and computer program product for reducing redundant data uploads
CN111323034A (zh) 在车辆的测试行驶期间确定接下来的测试路线
JP5630184B2 (ja) コンピュータ、車載機、経路通知方法、および経路表示方法
JP5856813B2 (ja) ナビゲーションシステム、端末装置
JP6363534B2 (ja) 経路探索装置、経路探索システム、経路探索方法及びプログラム
JP4186671B2 (ja) 所要時間データベースの作成方法および経路探索方法
JP2021120739A (ja) 地図データ記憶装置、制御方法、プログラム及び記憶媒体
JP4277554B2 (ja) 所要時間推定装置
JP2005316739A (ja) 車両検出位置をリンクに対応付けする方法及び装置、渋滞箇所判定方法、渋滞箇所表示方法並びにプログラム
Suraji et al. Smart Route Choice Based on Google Maps Application in Urban Road Network
JP6087140B2 (ja) 走行状態予測装置、走行状態予測方法、及びプログラム
JP4807083B2 (ja) 経路探索システム
SE539526C2 (en) Method and control unit for a self-learning map
KR20160064521A (ko) Poi 분포 영역 단위의 구역 설정을 적용하는 도착 예정 시각 제공 방법

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: CLARION CO., LTD.

Free format text: FORMER OWNER: CHANAWEI INFORMATION CO., LTD.

Effective date: 20140402

C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20140402

Address after: Japan's Saitama Prefecture

Patentee after: Clarion Co., Ltd.

Address before: Kanagawa County, Japan

Patentee before: Chanawei Information Co., Ltd.