DE69329119T2 - Vorhersageverfahren für strassenverkehrparameter - Google Patents
Vorhersageverfahren für strassenverkehrparameterInfo
- Publication number
- DE69329119T2 DE69329119T2 DE69329119T DE69329119T DE69329119T2 DE 69329119 T2 DE69329119 T2 DE 69329119T2 DE 69329119 T DE69329119 T DE 69329119T DE 69329119 T DE69329119 T DE 69329119T DE 69329119 T2 DE69329119 T2 DE 69329119T2
- Authority
- DE
- Germany
- Prior art keywords
- traffic
- route
- values
- routes
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 52
- 238000005259 measurement Methods 0.000 claims description 48
- 230000000875 corresponding effect Effects 0.000 claims description 30
- 238000011144 upstream manufacturing Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 230000002596 correlated effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 239000003102 growth factor Substances 0.000 claims 1
- 230000000977 initiatory effect Effects 0.000 claims 1
- 230000009291 secondary effect Effects 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 11
- 208000027744 congestion Diseases 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 101100311330 Schizosaccharomyces pombe (strain 972 / ATCC 24843) uap56 gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101150018444 sub2 gene Proteins 0.000 description 2
- 241000120283 Allotinus major Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Description
- Die Erfindung bezieht sich auf ein Verfahren zum Bestimmen des Zustandes von Fahrzeugverkehr entlang Verkehrsrouten und Straßennetzen. Das Verfahren kann auch verwendet werden zur Vorhersage von Verkehrszuständen mit Hilfe der zuletzt erhaltenen Meßdaten und von früher gemessenen Werten. Vorhersage ist wichtig, da sie Bedingungen schafft, die es ermöglichen, geeignete Maßnahmen und Prozeduren anzuwenden und den Verkehr so zu steuern, daß drohende Verkehrsprobleme vermieden werden. Vorhersage ist ferner wichtig unter dem Aspekt der Fahrzeug- oder Transportsteuerung, wobei die Routenplanung und die Auswahl der besten Straßen zu einer jeweiligen Zeit vorzugsweise in Bezug auf zukünftige Verkehrssituationen durchgeführt werden, wenn sich die betroffenen Fahrzeuge auf jeweiligen Straßenabschnitten befinden.
- Auch das Auftreten von Unfällen und Ereignissen kann einen großen Einfluß auf den vorherrschenden Verkehr haben, und eine Vorhersage einer Änderung des Verkehrsflusses schafft eine Basis für die Entscheidung darüber, welche Steuerungsmaßnahmen ergriffen werden sollen, zum Beispiel durch das Aussenden von Informationen über Radio oder über das Medium von veränderbaren Verkehrszeichen.
- Verschiedene Methoden zur Bestimmung von Verkehrsflüssen sind im Stand der Technik bekannt. Die auf der OD-Matrix beruhenden Methoden sind lange Zeit verwendet worden, um Verkehrsflüsse unter verschiedenen Umständen und in einer langfristigen Zukunftsperspektive zu berechnen. Diese Me thoden werden zum Beispiel benutzt bei Stadtplanungsprojekten, Straßenplanung, usw., und die Zukunftsperspektive kann sich auf mehrere Jahre beziehen.
- OD steht für Origin Destination (Ausgangsort, Zielort) und eine OD Matrix, die beschreibt, wieviele Fahrzeuge von einem Ausgangsort O zu einem Zielort D pro Zeiteinheit fahren, und welche Routen von diesen Fahrzeugen benutzt werden, kann aufgestellt werden durch Verwendung der Kenntnis der Wohnbereiche, Arbeitsstätten, Verkehrsgewohnheiten usw. und durch Messen der Verkehrsflüsse.
- Die als Grundlage für OD Matrizen benötigte Information ist schwierig zu beschaffen. Beispielsweise wird das Verfahren benutzt, um die Durchschnittswerte über den Zeitraum von einem Jahr zu erzeugen, und die Genauigkeit kann sukzessive verbessert werden durch Kalibrieren der zugeordneten Werte im Hinblick auf die momentan gemessenen Werte.
- Diejenigen Vorhersagen, mit denen sich die vorliegende Erfindung beschäftigt, sind Vorhersagen, die viel kürzere Zeitabschnitte abdecken, zum Beispiel Zeitabschnitte von ein bis drei Minuten bis zur nächsten vollen Stunde, und mit sukzessive geringerer Genauigkeit für den nächsten Tag. Typische historische Verkehrskurven, die modifiziert werden bezüglich bekannter Behinderungen, Störungen, Straßenarbeiten usw. werden im Fall von Zeitabschnitten, die länger als ein Kalendertag sind, benutzt. Das natürliche Verhalten des Verkehrs ist derart, daß die beste Methode der Verkehrsvorhersage über eine längere Zeitperspektive darin besteht, anzunehmen, daß die Verkehrslage so sein wird, wie sie dies üblicherweise zu der betreffenden Tageszeit, an dem betreffenden Wochentag, zu der betreffenden Jahreszeit usw., ist. Zu diesem Zweck ist es wichtig, viele Messungen durchzuführen und einschlägige Durchschnittswerte für den Verkehr auf den Straßennetzstrecken für unterschiedliche Zeiträume zu speichern. Eine solche Datenbank kann auch in geeigneter Weise zusammen mit der vorliegenden Erfindung benutzt werden.
- Die Verwendung von OD Matrizen ist auch für kurzfristige Perspektiven, wie sie für die vorliegende Erfindung in Frage kommen, diskutiert worden. Dies ist mit einer Anzahl von Problemen belastet. Ein erheblicher Arbeitsaufwand gehört dazu, verschiedene OD Matrizen für jede Kurzzeitperiode eines Tages zu definieren. Gegenwärtig gibt es keine vernünftige Test- oder Meßmethode, die die Ausgangsorte der Fahrzeuge, die Zielorte der Fahrzeuge und die von den Fahrzeugen befahrenen Routen erfaßt. Es wurden Methoden diskutiert, die es ermöglichen, die Fahrten von einzelnen Fahrzeugen von O nach D zu identifizieren und zu verfolgen. Auch wurde ein Verkehrskontrollsystem vorgeschlagen, bei dem alle Fahrzeuge ihren Start, ihr Ziel und auch ihre sukzessiven jeweiligen Positionen während der Fahrt an eine Zentrale melden.
- Bei der Durchführung der vorliegenden Erfindung können heute verfügbare Meßsensoren verwendet werden. Ein weiteres fundamentales Prinzip der Erfindung besteht darin, daß die verwendeten Parameterwerte ständig an die laufenden Meßwerte angepaßt werden, so daß das System automatisch danach strebt, seine Genauigkeit zu verbessern und sich sukzessive an Änderungen der Verkehrsmuster, Verkehrsrhythmen, Straßennetze usw., anzupassen.
- Viele mathematische Prozesse sind bereits bei verschiedenen Verkehrsproblemen getestet worden. In diesem Zusammenhang sind Mißverständnisse bezüglich der Natur des Verkehrs und seines stochastischen Verhaltens nicht selten. Fortgeschrittenere Methoden und umfassendere Berechnungen sind nicht in der Lage, den Verkehr genauer vorherzusagen, als es die Grenzen zulassen, die durch den "Rauschcharakter" des Verkehrs gegeben sind. Wenn eine Parallele mit elektronischen Meßverfahren gezogen wird, so wäre dies ähnlich, wie wenn man versuchen wollte, mit feiner abgestimmten Methoden mehr Signal aus elektronischem Rauschen zu gewinnen.
- Hat man sich damit abgefunden, daß Rauschen Rauschen ist, kann diese Kenntnis sehr nützlich sein. Sie fördert das Verständnis dafür, wie Verkehr verwaltet und vorausgesagt werden kann. Die Parameterwerte, die zur Charakterisierung von Rauschen dienen, umfassen zum Beispiel die Durchschnittswerte und Abweichungen, die aus der Rauschverteilungsfunktion berechnet werden können. Selbstverständlich spricht nichts dagegen, qualifizierte Methoden zu verwenden, wie zum Beispiel die Kalman-Filterungsmethode, die auch bei der vorliegenden Erfindung verwendet werden kann. Es ist wesentlich, daß die Methoden für den richtigen Problemtyp und mit einem angepaßten Wirklichkeitsmodell verwendet werden.
- Es wurden auch Simulationsprogramme für den Fahrzeugverkehr entwickelt. Diese Programme werden oft für die Dimensionierung von Straßenkreuzungen, Auf- und Abfahrten an Autobahnen, Schnellstraßen usw. verwendet. Die stochastische Natur des Verkehrs wird hier ausgedrückt durch die Verwendung von Zufallszahlgeneratoren, um eine Zufallsauswahl der Positionen und Startzeiten der einzelnen Fahrzeuge, des Fahrerverhaltens, usw. vorzunehmen.
- Das erhaltene Resultat ist ein Beispiel des möglichen Verkehrszustandes, abhängig von dem verwendeten Modell und den zufällig gewählten Parametern. Es ist möglich, eine gewisse Vorstellung darüber zu erhalten, wie der Verkehr an einer Straßenkreuzung oder Straßenabzweigung wahrscheinlich fließen wird, zum Beispiel mit einer größeren Anzahl von Simulationen, und hieraus die Straßenkreuzung oder Straßenabzweigung bereits im Planungsstadium zu modifizieren.
- Wie man aus diesem Beispiel erkennt, liefert diese Art von Simulation ein Beispiel eines möglichen zukünftigen Ver kehrszustandes. Dies ist zu vergleichen mit einer Vorhersage, die erforderlich ist, um eine Lösung zu liefern, die innerhalb des wahrscheinlichsten Ergebnisbereiches liegt, einschließlich eines Verständnisses der relevanten Schwankungen.
- Die Erfindung ist durch die in den Ansprüchen angegebenen Merkmale gekennzeichnet.
- Die Erfindung wird im folgenden mit Bezug auf die Zeichnungen näher beschrieben. Es zeigt:
- Fig. 1a ein einfaches Modell eines Steuerzentrums mit nur einem Bedienplatz;
- Fig. 1b ein Beispiel einer in der Verkehrsmodelleinheit enthaltenen Steuereinheit;
- Fig. 2 den Datenfluß und Funktionen zum Zwecke der Vorhersage und Aktualisierung;
- Fig. 3 die an das Kontrollzentrum übermittelte Sensorinformation;
- Fig. 4 die Vorhersage für eine Strecke in einem ersten Stadium;
- Fig. 5 die Vorhersage für mehrere Strecken in einem nachfolgenden Stadium;
- Fig. 6 das Aktualisieren von historischen Werten XH in einer Datenbank;
- Fig. 7 illustriert, wie die Verkehrsparameter verarbeitet werden können, um Funktionswerte zu erhalten, die beim Ermitteln des Korrelationskoeffizienten und des Vorhersagefaktors eine Rolle spielen;
- Fig. 8 ein vereinfachtes Beispiel eines Straßennetzes mit Zubringerstraßen oder Einfahrten zu einem Stadtzentrum;
- Die Erfindung wird zunächst mit Bezugnahme auf ein Ausführungsbeispiel beschrieben, bei dem die Vereinfachung der Beschreibung und der Konstruktion im Vordergrund steht, um das Verständnis des Grundprinzips der Erfindung zu erleichtern. Auf diese anfängliche Beschreibung folgt eine detaillierte Beschreibung von anderen Ausführungsformen. Dies geschieht mehr mit dem Ziel, eine pädagogische Darlegung zu geben, als die Vorteile der Erfindung in den Vordergrund zu stellen.
- Die Ausführung der Erfindung setzt die Verfügbarkeit von Meßsensoren voraus. Da Meßsensoren einen wesentlichen Teil der benötigten Kosten ausmachen können, sind auch Ausführungsformen vorgesehen, bei denen das Straßennetz eine niedrigen Sensordichte aufweist, wobei das System aber nach wie vor in der Lage ist, nutzbare Information zu erzeugen, wenn auch vielleicht weniger genau und mit einer höheren Irrtumswahrscheinlichkeit bei der Vorhersage.
- Die Verkehrssituation in und nahe von großen Ortschaften und Städten ist ein Beispiel des Bereiches, in dem die Erfindung verwendet werden kann. In diesem Fall wird das Straßennetz aufgeteilt in verschiedene Teile oder Sektionen mit unterschiedlichen Eigenschaften oder Qualitäten und mit unterschiedlicher Wichtigkeit unter verkehrstechnischem Aspekt.
- A. Große Verkehrsrouten - für den Verkehr zu und von der Stadt.
- B. Verkehrsadern - für große Verkehrsflüsse in der Stadt
- C. Regionale Netze - verbundene Netze von Straßen innerhalb eines verkehrstechnisch relativ einheitlichen Gebietes
- D. Andere Verkehrrouten
- E. Enge Straßen und Verkehrswege von geringerer verkehrstechnischer Bedeutung
- Der Verkehr wird vorzugsweise gemessen mit Bezug auf zwei der folgenden Parameter:
- I = Fahrzeuge/s
- P = Fahrzeuge/m
- v = m/s,
- wobei der dritte Parameter erhalten wird aus
- I = P · v.
- Eine interessante Aufgabe ist die Vorhersage des Verkehrs auf einer Strecke A auf einer Verkehrsroute auf der Basis von Messungen, die erhalten wurden von Sensoren auf einer Strecke B, die stromaufwärts von der Verkehrsroute liegt.
- Das Grundkonzept besteht darin, daß der Fahrzeugverkehr bei B die Strecke A nach einer Zeitverzögerung von t&sub1; erreichen wird und daß somit der Verkehr bei A unter Verwendung des Zeitversatzes von t&sub1; geschätzt werden kann.
- Es treten jedoch eine Anzahl von bedeutsamen Komplikationen auf, die normalerweise nicht beachtet werden.
- Es sei zum Beispiel angenommen, daß der Sensor auf der Strecke B mit einem zeitlichen Abstand von fünf Minuten stromaufwärts von A angeordnet ist. Wenn A mit einem Meßsensor versehen ist, kann sich herausstellen, daß zwischen den Meßwerten von B und den fünf Minuten später bei A erhaltenen Meßwerten eine gegebene Korrelation existiert.
- Dies bedeutet jedoch nicht, daß man durch Messen des Verkehrs bei B den Verkehr bei A nach Ablauf einer Zeit von fünf Minuten vorhersagen kann. Fünf Minuten Fahrzeit bei einer Geschwindigkeit von 20 m/s (ca. 70 km/h) bedeutet, daß die zurückgelegte Distanz 6 km beträgt. Innerhalb dieser Distanz werden sich normalerweise verschiedene Ausfahrt- und Einfahrtstraßen in der Nähe von Städten befinden, und Meßzeiten in der Größenordnung von fünf Minuten sind üblich, damit die Schwankungen der Messungen nicht zu groß werden. Wenn aber die Meßzeit fünf Minuten beträgt, dann bedeutet dies, daß die ersten von der Messung erfaßten Fahrzeuge bereits bei A angekommen sind, bevor der Meßvorgang beendet ist. Wenn diese fünf Minuten-Vorhersage benötigt wird, um Zeit für die Steuerung des Verkehrs zu gewinnen, dann ist es offensichtlich, daß bei dem betrachteten Beispiel ein Meßsensor mit einer Fahrtdistanz von 10 Minuten von A angeordnet werden muß. Dies bedeutet eine Distanz von 1,2 metrischen Meilen von A, und es gibt oft viele Faktoren, die den Verkehr während einer Fahrtstrecke von solcher Länge beeinflussen. Dies bedeutet, daß eine "eins-zueins"-Beziehung zwischen dem Verkehr bei B und dem Verkehr bei A nicht erwartet werden kann.
- Es treten somit die folgenden Komplikationen auf:
- Wenn der Meßsensor nahe bei A angeordnet wird, um eine gute Korrelation mit den Meßwerten bei B zu erhalten, erhält man keinen Vorhersage-Zeitvorsprung, da diese Vorhersagezeit durch die Meßzeit verbraucht wird. Wenn der Sensor weit entfernt von A angeordnet wird, um Vorhersagezeit zu gewinnen, geht das Korrelationsniveau verloren.
- Im Falle der vorliegenden Erfindung wird die Beziehung gebildet:
- I = I&sub0; + I&sub1; + I&sub2;
- P = P&sub0; + P&sub1; + P&sub2;
- wobei
- I&sub2; ein Durchschnittswert des Zeitintervalls T&sub2; über I&sub0; und I&sub1; ist;
- I&sub1; ein Durchschnittswert des Zeitintervalls T&sub1; über I&sub0; ist; und
- I&sub0; ein Durchschnittswert des Zeitintervalls T&sub0; ist.
- Beispiele der Werte sind T&sub2; 30 s
- T&sub1; = 3 min.
- T&sub0; = 15 min.
- Zur Vereinfachung kann I&sub0; sukzessive als Annäherung berechnet werden:
- und I&sub2;(t + T&sub2;) = I(t + T&sub2;) - I&sub0;(t + T&sub2;) - I&sub1;(t + T&sub2;)
- Die Dichtewerte P&sub0;, P&sub1; und P&sub2; werden auf entsprechende Weise berechnet. Der Vorteil, der sich durch Unterteilen des Flusses in drei verschiedene Zeitkomponenten ergibt, hat eine enge Beziehung mit dem Ziel der Erfindung.
- Wenn die vorgenommenen Messungen niedrige I- und P-Werte sowie Geschwindigkeiten v nahe den zulässigen Höchstgeschwindigkeiten der Strecke anzeigen, dann bedeutet dies normalerweise, daß der Verkehr gut fließt und daß ausreichend Spielraum besteht, bevor der Verkehrskapazitätswert der Strecke erreicht wird. In diesem Fall ist die Notwen digkeit, sehr exakte Werte zu erzeugen, nicht sehr ausgeprägt. Als Verkehrsmanagementinformation von Interesse ist die erwartete Fahrzeit pro Strecke, und wenn der Verkehr mit ausreichendem Abstand von der Verkehrsaufnahmefähigkeit der Strecke fließt, beträgt die Streckenzeit tL = L/vL, wobei L die Länge der Strecke und vL die Grundgeschwindigkeit der Strecke ist, die annähernd der zulässigen Höchstgeschwindigkeit der Strecke entspricht.
- Bei der Mehrzahl von Straßenstrecken wird die Streckenzeit = tL in den meisten Fällen über einen Zeitraum von 24 Stunden gelten. Die Streckenzeit kann somit leicht vorhergesagt werden. Erst wenn der Verkehr dichter wird und sich der Aufnahmefähigkeit der Strecke nähert, werden umfassendere Analysen erforderlich. (Einige Ausnahmen hiervon werden später erläutert).
- Die anfänglich hier untersuchten Beispiele betreffen Situationen, bei denen irgendwo längs der Verkehrsroute der Verkehrsfluß der Verkehrskapazität nahekommt.
- Fall a. I&sub0; und I&sub1; sind klein, I&sub2; ist groß. Dies bedeutet eine einzige Fahrzeugballung hoher Dichte über einen kurzen Zeitraum gleich T&sub2;.
- Da I&sub0; und I&sub1; klein sind, ist die Gefahr von großen Verkehrsverstopfungen oder Verkehrsstaus ebenfalls klein und es besteht somit keine Notwendigkeit für eine genauere Analyse.
- Wenn v klein und I&sub2; groß ist, zeigt dies eine kleine Schlange hinter einem langsamen Fahrzeug an, und es kann sich lohnen, die Entwicklung von I&sub2; längs der Verkehrsroute zu verfolgen.
- Fall b. I&sub0; ist groß. Dies bedeutet, daß der Durchschnittsfluß über einen langen Zeitraum hoch ist und daß infolgedessen einzelne Störungen rasch zu Verkehrsverstopfungen führen können. Der Verkehrsfluß ist auch durch die Tatsache gekennzeichnet, daß die Fahrzeugdichte zur Zunahme und die Fahrzeuggeschwindigkeit zur. Abnahme neigen, in dem Maße, als der Verkehrsfluß die Kapazität der betreffenden Strecke erreicht.
- Fall c. I&sub1; ist groß, I&sub0; ist klein. I&sub1; zeigt eine lange Dauer von hohem Verkehrsfluß an. Wenn P&sub1; hoch und v klein ist, liegt eine lange Rückstauschlange von Fahrzeugen vor, die die Streckenzeiten beeinflußt und Verkehrsverstopfungen zum Beispiel an den Zufahrten zu der Verkehrsroute verursachen kann.
- Die Unterteilung von Verkehrsflüssen und Verkehrsdichten in verschiedene Komponenten ist auch bei der Vorhersage von Verkehrsflüssen von Vorteil. Wir wissen aus der Erfahrung, daß die Einfall- und Ausfallstraßen einer Stadt stark verkehrsbelastet sind während der Stoßzeiten am Morgen und am Abend, die den Arbeitszeiten entsprechen, und eine gute Korrelation zwischen verschiedenen Einfallstraßen kann bezüglich der Verkehrsentwicklungen in den morgendlichen Stoßzeiten erwartet werden.
- Diese Korrelation gilt für die Ausdrücke I&sub0; und P&sub0;, während I&sub1;, P&sub1; wahrscheinlich eine niedrigere Korrelation haben, und vor allem I&sub2; und P&sub2; dürften keine merkliche Korrelation zwischen verschiedenen Straßen oder Verkehrsrouten aufweisen.
- Eine gute Korrelation zwischen verschiedenen Zufahrtsstraßen oder Einfallstraßen von untereinander gleichem Typ bezüglich Verkehrsentwicklungen wird während der Morgenstunden erwartet. Eine gute Korrelation wird auch erwartet zwischen dem Verkehr, wie er zum Beispiel an einem Dienstag auf einer Verkehrsroute tatsächlich vorliegt, mit dem üblichen Verkehrsverhalten an Dienstagen auf der gleichen Route.
- Wir sind daher in der Lage, die "Schwesterroute" der betreffenden Route zu identifizieren, wobei die Verkehrssituationen auf diesen Routen unter normalen Bedingungen dazu dienen können, den Verkehr auf der betreffenden Strecke zu diagnostizieren.
- Historische Meßdaten auf einer Route werden dazu verwendet, historische Durchschnittswertekurven für jeweilige Kalendertage zu definieren. Diese Kurven können zum Beispiel aus I&sub0;, P&sub0;-Kurven bestehen.
- Die historischen IOH, POH-Kurven dienen zur Bestimmung der Korrelation zwischen den Strecken von verschiedenen "Schwesterrouten" bezüglich des Ausmaßes (β) der Korrelation und der Zeitverschiebung (τ).
- Die relevanten Meßwerte (I&sub0;,P&sub0;) des Tages werden mit den historischen Daten von jeweiligen Strecken in Beziehung gesetzt. Zum Beispiel α = (IOA-IOH)/IOH bildet den normalisierten Differenzwert zwischen den tatsächlich gemessenen Werten (IOA) und den historischen Werten. Diese Berechnungen brauchen nicht durchgeführt zu werden, wenn für die betreffenden Strecken und zugeordneten Verkehrsrouten diese Werte klein sind und wenn normalerweise kein Verkehrsproblem vorliegt. Ansonsten wir die Korrelation der α-Werte für die "Schwesterrouten" untersucht, um festzustellen, ob eine signifikante Änderung in der Verkehrssituation dieses Tages vorliegt oder nicht, und um dadurch in der Lage zu sein, solche Änderungen zu berücksichtigen.
- Wenn auf den Schwesterrouten eine zugeordnete Änderung gefunden wird, kann eine Änderung der Verkehrssituation über einen großen Teil der Stadt erwartet werden. Wenn nur eine Route in signifikantem Maße abweicht, ist eine mehr örtliche Änderung zu erwarten, obwohl diese abklingen kann.
- Das folgende Beispiel veranschaulicht die Verkehrsvorhersage auf einer Strecke B.
- Eine begrenzte Anzahl von Sensoren steht zur Verfügung. Ein Sensor ist an einer stromaufwärtsliegenden Strecke C angeordnet. Zwischen C und B gibt es mehrere Verkehrsflußanbindungen, die zu C hinführen, und auch Verkehrsflußausfahrten von der Route. L&sub1; bis einschließlich L&sub4; sind die Schwesterrouten der betrachteten Route (L&sub3;). β (L&sub3;, L&sub1;) und τ (L&sub3;, L&sub1;), usw., sind für die Strecken der Schwesterrouten bekannt.
- β (C, B) und τ (C, B), d. h. die entsprechende Beziehung zwischen den Werten auf C und B längs derselben Verkehrsroute, sind ebenfalls bekannt.
- Ebenfalls verfügbar sind vorhandene Meßwerte von jeweiligen Sensoren, die anzeigen, daß ein weiteres Vorgehen von Interesse wäre, da die Verkehrsflüsse von solcher Größe sind, daß ein Verkehrsproblem erwartet werden kann.
- Eine Vorhersage für B kann erhalten werden aus den in C erhaltenen Meßwerten durch das Medium eines Transferfaktors W. Hilfe kann ferner erhalten werden von den Schwesterrouten (L&sub1;-L&sub4;) und von den historischen und relevanten Meßwerten in B, d. h. insgesamt drei verschiedene Informationsquellen.
- Wir diskutieren zuerst den Fall, bei dem B nicht mit einem Meßsensor versehen ist. Wir nehmen jedoch an, daß Zugriff zu einem Meßsensor besteht, der stromabwärts von B, d. h. auf der Strecke A, angeordnet ist oder daß ein mobiler Sensor früher in B stationiert war und Korrelationswerte für historische Daten zu den beiden anderen Typen von Informationsquellen geliefert hat.
- Es sei angenommen, daß C soweit außerhalb an der Peripherie liegt, daß es einen der am weitesten außen liegenden Sensoren zum Detektieren des morgendlichen Stoßverkehrs bildet. Falls nicht, wird der Fluß in. C vorhergesagt auf eine Weise, die derjenigen entspricht, mit der der Fluß in B vorhergesagt wird, und ein noch weiter außen liegender Sensor kann gefunden werden, usw.
- Historische Kurven, die sich auf C und entsprechende Strecken auf den Schwesterrouten beziehen, werden in Übereinstimmung mit historischen Werten korreliert.
- Wir diskutieren im folgenden einfache Annäherungsmethoden zur Bildung der historischen Werte von I&sub0; und der Korrelationsfaktoren β.
- Aus zugeordneten wiederholten Messungen auf einer Strecke wird der Wert Xi(t) und auf einer anderen Strecke der Wert Yi(t) gebildet. Die Messungen können zum Beispiel alle 10 Minuten an 10 aufeinanderfolgenden Montagen durchgeführt werden. Der von diesen Messungen gebildete Mittelwert liefert sogenannte historische Kurven XH(t) und YH(t), die illustrieren, wie der gemessene Verkehrsparameter sich über einen typischen Montag ändert.
- Durch Bildung von
- wobei t&sub1; bis tN gewählte Korrelationsperioden sind, erhält man die relevante Korrelationszeit τ, bei der Z(τ) ein Maximum hat.
- Für δXi(t) = Xi(t) - XH(t) und entsprechend für δYi(t) wird gebildet
- was ein in hohem Maße fehlerempfindliches System liefert, wenn δXi(t) klein ist.
- Wenn dagegen gebildet wird
- und
- wobei
- ist der Korrelationskoeffizient β(τ) um die Mittelwertkurven XH(t) und YH(t)
- wobei σx und σy Standardmittelwerte um XH bzw. YH sind.
- Der Korrelationskoeffizient β(τ) hat einen Maximalwert der Größe 1, wenn X und Y vollständig korreliert sind.
- enthält auch einen gesetzten Skalierungsfaktor, der ein Ausdruck dafür ist, daß der angezeigte Verkehr auf der y-Strecke größer als auf der x-Strecke sein kann.
- Der wie vorstehend berechnete Korrelationskoeffizient β(τ) kann klein sein, auch wenn x und y stark korreliert sind. Der Grund liegt darin, daß β(τ) um XH(t) und YH(t) berechnet wird, die die starke Korrelation aufnehmen, und daß β(τ) deswegen anzeigt, daß die Verkehrsvariationen um XH(t) und YH(t) zum Teil Zufallsabweichungen sein können, die nicht von Faktoren abhängen, die x und y gemeinsam sind.
- Entsprechende Korrelationskoeffizienten für XH(t) und YH(t+τ) werden berechnet, indem der Mittelwert von XH(t) und YH(t+τ) gebildet wird und βH(τ) um diese Mittelwerte herum für ausgewählte Korrelationsperioden berechnet wird.
- YH kann auch mit XH in Beziehung gesetzt werden durch Bildung von
- Der Wert von ΓdH über eine längere Zeitperiode wird gebildet von
- In der obigen Berechnung von βH(τ) wurden die Maximal- und Minimalwerte von XH(t) und YH(t+τ) der Kurven betont. Dagegen betont der Parameter ΓdH(τ) die zeitlichen Ableitungen, die Flanken an den XH(t) und YH(t)-Kurven. Ein Verfahren zum Verstärken des Erfordernisses der Korrelation besteht darin, die Ableitung zu benutzen, wenn dies bessere Unterstützung gibt, oder die Amplitude, wenn dies größere Unterstützung gibt. Im Falle einer Sinuskurve wird dann der Übergang bei nπ/4 erfolgen.
- Wenn mehr Schwesterrouten mit der betrachteten Verkehrsroute korreliert werden können, erhält man entsprechend mehr Meßwerte vom X-Typ, gekoppelt mit den Werten y für die betrachtete Strecke, und Γ für die Summe der Beiträge der Schwesterstrecken kann erhalten werden aus der Gleichung
- Wenn jedoch einige Schwesterstrecken eine höhere Korrelation haben als andere, dann sollte diesen Strecken eine höhere Gewichtung gegeben werden als bei der oben angegebenen Summenbildung für Γ&sub3;.
- Es sei gesetzt: δX = X&sub1; + X&sub2;
- δY = Y&sub1; + Y&sub2;
- Y&sub1; = k&sub1; X&sub1;
- X&sub1; und Y&sub1; sind mit dem Korrelationskoeffizienten 1 korreliert und X&sub2; und Y&sub2; sind "Rauschabweichungen", d. h. nicht korreliert.
- Man erhält dann
- wobei
- und
- In der Literatur wird X&sub2; häufig gleich 0 gesetzt, wodurch man die Gleichung erhält
- wobei β² ein Ausdruck ist, der angibt, ein wie großer Teil der Veränderung in Y der Abhängigkeit von X zugeschrieben werden kann.
- Da es beim Herstellen der Korrelation schwierig sein kann, zu definieren, welcher Anteil des Rauschens in X bzw. in Y liegt, kann das gesamte Rauschen der XY-Korrelation zugeordnet werden gemäß
- In dem Fahrzeugverkehrsfeld ist σ² normalerweise proportional zum Mittelwert und der betrachteten Meßzeit. Deshalb ist es möglich, das Rauschen in einer stereotypen Art zwischen X und Y zu verteilen, aus
- Y&sub1; = k&sub1; X&sub1;, gemäß
- und
- für große Werte von β.
- Der Korrelationskoeffizient β kann somit ausgedrückt werden als eine Funktion des Signal/Rauschverhältnisses auf jeweiligen Strecken entsprechend den Werten X und Y. Die Korrelation kann verbessert werden durch Verbessern der Signalrauschverhältnisse.
- Wenn die Schwesterstrecken unterschiedliche Korrelationskoeffizienten, unterschiedliche Signal/Rauschverhältnisse haben, werden die Meßwerte vorzugsweise nicht einfach addiert, sondern diejenigen Werte, die ein besseres Signal/Rauschverhältnis haben, werden vorzugsweise höher gewichtet als die anderen.
- Eine optimale Gewichtung wird durchgeführt durch Multiplizieren der X-Werte mit einem Faktor
- in Relation zu einer gewählten Referenzstation (Z).
- Das neue Signal/Rauschverhältnis ist dann
- Diese Gewichtungsmethode gibt auch die Möglichkeit, daß Beiträge von wochenweise korrelierten Systemstrecken erhalten werden.
- Im Vorhergehenden wurden Schwesterstrecken definiert als Strecken, die eine gute Korrelation zwischen jeweiligen Verkehrsparametern haben. Andererseits ist es nicht sicher, daß die Abweichungen von den historischen Mittelwerten von jeweiligen Strecken ebensogut korreliert sind. Die Annahme ist vernünftig, daß der Verkehr zufallsartig um jeweilige Mittelwerte fluktuieren wird und daß die Ursache für diese Fluktuationen nicht in einer mehreren Traffikrouten gemeinsamen Quelle zu liegen braucht. In dem oben angegebenen Ausdruck δY = Y&sub1;+Y&sub2;, wobei Y&sub2; eine derartige Zufallsvariation ist, die aus den Schwesterstrecken nicht vorhergesagt werden kann. Die bestmögliche Vorhersage ist Y&sub1; = k&sub1;X&sub1;, wobei X&sub1; = δX-X&sub2; und X&sub2; unbekannt ist. Beim Vorhersagen von Y&sub1; wird der Beitrag von δX erhalten aus
- α1 · k1δX = α1 k&sub1; (X&sub1; + X&sub2;).
- Zusammengenommen wird vorhergesagt, daß
- wobei Standardisierung gewählt wurde bezüglich δY, was in dem dargestellten Fall eine Vorhersage anhand von Sensoren auf derselben Verkehrsroute symbolisiert. Der Faktor ki wird in der Praxis häufig durch Γi ersetzt.
- Die Mittelwerte in den Variationen X&sub2; und Y&sub2; können geschätzt werden aus der Verkehrsverteilungsfunktion. Wenn δX klein ist, d. h. kleiner als oder angenähert gleich dem Mittelwert X&sub2;, lohnt es sich in der Praxis nicht, δY anders vorherzusagen als δY = 0, da bekannt ist, daß die mittlere Variation ungefähr Y&sub2; ist. Niedrigere Grenzwerte werden erhalten, wenn mehr Schwesterrouten gewählt werden. Es ist jedoch wichtig, daß δY rasch vorhergesagt werden kann, wenn der gemessene Wert von δX groß ist. Ein großer Wert von δX muß nicht bedeuten, daß δY groß wird. Wenn mehrere Schwesterrouten gleichzeitig große δX-Werte liefern, zeigt dies an, daß die Wahrscheinlichkeit einer gemeinsamen Änderung des Verkehrs größer ist. Die Art dieser Änderung kann im Zeitpunkt der Vorhersage unbekannt sein und gleichwohl kann eine Vorhersage von δY gemacht werden auf der Basis der Beziehungen zwischen den verschiedenen Schwesterrouten, die aus den gemessenen Werten berechnet werden können. Es sollte beachtet werden, daß die jetzt erhaltenen Beziehungen unterschiedlich sein können von den früheren erhaltenen Beziehungen und anwendbar auf die mehr standardisierten δX- Werte.
- Wenn Verkehr auf einer Straßenstrecke bis zur Sättigung zunimmt, d. h. bis zur Streckenkapazität, wird der Verkehrsfluß langsam zunehmen, und wenn δX und δY Abweichungen des Verkehrsflusses (I) angeben, erhält man einen anderen Faktor k&sub1; als Beziehung zwischen Y&sub1; und X&sub1;. Wenn andererseits δX und δY die Verkehrsdichte (P) angeben, kann die Verkehrssichte P weiter zunehmen aufgrund von höherem Verkehrsdruck, auch wenn der Verkehr sich der maximalen Kapazität nähert. Bei hohen Verkehrsflüssen kann die Fahrzeugdichte P eine geeignetere Verkehrsmessung darstellen als der Verkehrsfluß.
- Wenn Vorhersagen zum Beispiel aus dem Verkehr auf Schwesterstrecken hohe Verkehrsflüsse nahe der Sättigung auf der gewählten Strecke zeigen, ist es angezeigt, die Situation stromaufwärts von der Strecke zu untersuchen. Hoher Verkehrsfluß ist meistens das Ergebnis der Kombination von Flüssen von zwei Strecken, und der Punkt, an dem diese Strecken sich vereinigen oder kreuzen, ist normalerweise ein enger Sektor. Wenn dies zutrifft, wird der Verkehr an dem Straßenvereinigungs- oder Straßenverbindungspunkt zur Verstopfung kommen. Die Verkehrsgeschwindigkeit fällt und der Fluß nimmt ab, mit dem Ergebnis von Schlangen oder Staus auf einem der Teilflüsse oder beide. In diesem Zusammenhang kann der Verkehrsfluß an den Straßenverbindungen beträchtlich niedriger sein als die Kapazität der folgenden oder stromabwärts liegenden Strecke, und der Fluß auf dieser Strecke wird niedriger sein als der oben erwähnte, zuerst vorhergesagte Fluß. Der Verkehr auf der gewählten Strecke kann gut fließen mit einer hohen Geschwindigkeit. Andererseits können die Verkehrsflüsse stromaufwärts von den Einfahrtstraßen viel niedriger sein, aufgrund der Verkehrsverstopfung.
- Die Vorhersage von Verkehrsfluß auf einer Strecke ist kein isolierter Prozeß, sondern erfordert eine fortgesetzte Analyse des Verkehrsflusses sowohl stromaufwärts als auch stromabwärts von der Strecke, um die Gefahr von Verkehrszusammenballung zu identifizieren und dadurch die erste "vorläufige" Vorhersage zu ändern.
- Da anzunehmen ist, daß aus ökonomischen Gründen nicht alle Strecken mit Sensoren versehen sind, sind Zusatzfunktionen erforderlich, die beschreiben, wie der Verkehr sich über einen Ausfahrt- und Einfahrtstraßen enthaltenden Straßenabschnitt zwischen zwei mit Sensoren versehenen Strecken ändert.
- Eine Transfer- oder Ausbreitungsfunktion W(X,t) beschreibt, wie die Fahrzeugdichte (Fluß und Geschwindigkeit) sich ändert als Funktion der Distanz und Zeit längs eines Straßenabschnittes, zum Beispiel eine Änderung in den Flüssen I&sub1; und I&sub2; von einem Meßereignis bei (X&sub1;,t&sub1;) bis zu einem Meßereignis stromabwärts bei (X&sub2;,t&sub2;). Wir haben ferner Funktionen φ(t) und θ(t), die Änderungen auf Zufahrtstraßen und Ausfahrtstraßen beschreiben. Der Verkehr verdünnt sich an den Staßenausfahrtspunkten um durchschnittlich den gleichen Faktor. Bei Zufahrts- oder Einfahrtspunkten dagegen kann angenommen werden, daß der Verkehr sich an die Hauptstraße anpassen muß, wenn er von einer Zufahrtstraße einfließt. Deswegen sollte der I&sub2;-Term leicht geglättet werden, wenn der Verkehr auf der Hauptstraße hoch ist.
- Diese Funktionen (W(X,t), φ(t) und Θ(t) können berechnet werden aus an den betrachteten Routen vorgenommenen Messungen. Wenn die Ausfahrt- und Zufahrtspunkte nicht mit Sensoren versehen sind, können Vorhersagen gemacht werden durch Anwendung der gleichen Methode, wie sie für Schwesterrouten beschrieben wurde, d. h. durch Vergleiche mit äquivalenten Ausfahrt- und Einfahrtspunkten.
- Wenn hohe Verkehrsflüsse auf einer Verkehrsroute bei (X&sub1;,t&sub1;) gemessen werden, kann W(X,t) das Anwachsen von Störungen beschreiben und die zunehmende Wahrscheinlichkeit der Bildung von Rückstaus und Verkehrsverstopfungen, wenn die Verkehrsflüsse nahe der Kapazität der Route liegen. Diese Wachstumsfunktionen können gemessen und aufgezeichnet werden, um Verkehrsbedingungen stromabwärts von einer mit einem Meßsensor ausgerüsteten Strecke vorherzusagen.
- In Ausdrücken von der Art Y(Z&sub2;, t&sub2;) = W(Z, t) · X(Z&sub1;, t&sub1;) haben wir früher den Ausdruck Γ anstelle von W verwendet, um die Vorhersage von Y an einem Punkt stromabwärts von der Meßstelle X zu beschreiben. Der Term Γ wird erhalten durch Annahme einer linearen Korrelation zwischen den Werten Y und X, oder δY und δX.
- Der Term W kann freier benutzt werden zur Beschreibung einer Transformation von Verkehr von einem Ort zu einem anderen Ort zu einer späteren Zeit (t&sub2;-t&sub1;).
- Beispielsweise kann dem Flußterm I&sub2;(Z,t) eine kontinuierlich veränderliche Funktion gegeben werden, bei der
- I&sub2;(Z,t) = W(Z,t) · I&sub2;(0,0).
- In einer ersten Annäherung für kleines t kann W(Z,t) eine lineare Wachstumsfunktion gegeben werden, wobei
- W(Z, t) (1 + α&sub1;t) · f(Z-vt).
- Wenn der Verkehrsfluß I&sub0; auf einer Verkehrsroute sich der Kapazität der Route nähert, kann erwartet werden, daß kleine I&sub2;-Terme als Funktion der Zeit zunehmen mit einer Wachstumsrate, die von dem Faktor I&sub0;/C abhängt. Der Term W kann dann bestehen aus einer Funktion I&sub2;(Z, t), die die "Störung" I&sub2; in Bewegung längs der Route beschreibt, und einer Funktion f&sub2;(I&sub0;, t), die die Größe der Störung beschreibt. Für kleine Zeiträume kann die Funktion f&sub2; mit einer linearen Funktion von t angenähert werden, d. h. f&sub2; (1 + α&sub2;t), wobei α&sub2; eine Funktion von I&sub0;/C ist. Die Funktion W(Z,t), die beschreibt, wie "Verkehrsstörungen" I&sub2; anwachsen, kann definiert werden durch Messen von I&sub2; entlang von Routen für unterschiedliches I&sub0;/C. Entsprechende Funktionen für den I&sub1;-Term können in ähnlicher Weise erhalten werden. Messungen können auch diejenigen Niveaus von I&sub0;, I&sub1; und I&sub2; identifizieren, bei denen Verkehrsverstopfungen normalerweise auftreten, und infolgedessen ist die Funktion W von Interesse bei der Verkehrsvorhersage entlang von Verkehrsrouten, insbesondere, wenn entlang der Route nicht viele Sensoren vorhanden sind. Auf diese Weise können Messungen, die auf einer stark verkehrsbelasteten Route durchgeführt wurden, dazu dienen, Gefahrenbereiche längs der Route vorherzusagen, in denen Verkehrsvestopfungen wahrscheinlich auftreten können.
- Damit auch Zufahrten und Ausfahrten berücksichtigt werden können, werden Messungen durchgeführt zum Definieren von φ(t) und Θ(t). Es wird hierbei angenommen, daß Θ(t) eine prozentuale Verdünnung des Verkehrs gibt, während die Zufahrtsprobleme, und damit die Funktion φ(t), komplizierter werden.
- φt wird in manchen Fällen Verstopfungen verursachen, insbesondere bei hohen I&sub0;-Werten auf der Route, und wird in gewissem Ausmaß auch vorhandene I&sub2;-Variationen ausgleichen, durch Anpassen des Verkehrs in gewissem Ausmaß an die Zufahrt. φ(t) kann leichter bestimmt werden und wird einen glatteren Fluß auf der Route liefern, wenn an der Zufahrt "Rampenmessung" angewendet wird.
- Von besonderem Interesse ist es, durch Messung dieser Flußwerte auf der Route die Stellen zu identifizieren, wo die Gefahr besteht, daß der Zufluß zu einer Verkehrsverstopfung führt.
- Die Anordnung oder das System wird nunmehr allgemein unter Bezugnahme auf die Fig. 1 bis 6 beschrieben.
- Fig. 1a illustriert ein einfaches Modell eines Verkehrssteuerzentrums. Im Fall von großen Ortschaften und Städten wird das Verkehrssteuerzentrum eine große Anzahl von Bedienungsplätzen umfassen, und die Steuerzentren werden Ähn lichkeit mit den Steuerzentren haben, die in nationalen Verteidigungssystemen verwendet werden, wie zum Beispiel Luftwaffensteuerungs- oder Marinesteuerungssysteme. Diese Steuersysteme sind so ausgelegt, daß sie hohen Anforderungen des Realzeitverhaltens genügen, und moderne Systeme bestehen aus verteilten Datenverarbeitungsarchitekturen.
- Fig. 1a illustriert einige wesentliche Baublöcke des Steuerzentrums. Die "Sensorkommunikation" (4) empfängt Sensorinformation vom Straßennetz, und die "Steuermittelkommunikation" (5) sendet die entsprechende Verfahrensinformation von dem Steuerzentrum. Der "Bediener" (2) erfüllt eine wichtige Funktion beim Betrieb des Steuerzentrums. Er oder sie gibt Information betreffend Unfälle und Ereignisse, die dem Steuerzentrum berichtet werden, ein, so daß das "Verkehrsmodell" (3) in der Lage ist, entsprechende Änderungen in der Kapazität der Straßen, Autobahnen usw. bei der Berechnung und Vorhersage von Verkehrsflüssen zu berücksichtigen. Relevante und vorhergesagte Verkehrssituationen können dem Bediener auch dargestellt werden, der dann eine Entscheidung bezüglich der zu ergreifenden Prozeduren oder Maßnahmen trifft.
- Ein großer Teil der historischen Information, die sich auf den Verkehr auf den verschieden Strecken des Straßennetzes zu verschiedenen Zeiten bezieht, ist in der "Datenbasis" (1) gespeichert.
- Diejenigen Berechnungen der Verkehrsparameter, die nötig sind, um relevante oder aktuelle Vorhersagen zu machen, werden in der "Verkehrsmodelleinheit" durchgeführt. Da zahlreiche Berechnungen notwendig sind, um Verkehrssituationen in einem großen Straßennetz vorherzusagen, ist es erforderlich, daß diese Berechnungen und Vorhersagen sehr schnell durchgeführt werden können. Die Vorhersagen sollen sukzessive aktualisiert und laufend aktuell vorgehalten werden. Das Erfordernis der Realzeit ergibt sich aus der betrachteten Anwendung, und die Verkehrsmodelleinheit ist so konstruiert, daß sie raschen Zugang zu lokalen Datenbereichen ermöglicht, unter Verwendung einer leistungsfähigen Computerkapazität und eines Realzeit-Operationssystems. Beispiele für Baublöcke gemäß der heutigen Technologie sind RS6000 von IBM und das AIX-Betriebssystem, oder das entsprechende Unix-Paket von SUN mit Sparc-Computer und Solaris.
- Fig. 1b veranschaulicht eine angenäherte Struktur der Verarbeitungseinheit, in der ein Steuerprozessor (6) mit der Einheit (7) über einen Adressenbus (10) und einen Datenbus (11) kommuniziert, wobei die Einheit (7) Daten speichert, die in der arithmetischen Einheit (8) verwendet werden, und wobei eine In/Out-Einheit (9) mit anderen Einheiten kommuniziert, zum Beispiel über das Medium eines LAN.
- Fig. 2 illustriert den Informationsfluß bei der Vorhersage und Aktualisierung zwischen verschiedenen Funktionsblöcken. Diese Blöcke beziehen sich auf Sensorinformation (12) wie in Fig. 3 gezeigt, Vorhersage (14), wie in Fig. 4 gezeigt, Aktualisierung (15), wie in Fig. 6 gezeigt, Databasis (13), wo große Mengen von Datensysteminformation gespeichert wird, und einen Block (16), der sich auf kontinuierliche ablaufende Prozeduren, wie zum Beispiel Steuerung oder verkehrsbezogene Information, bezieht. Neue Meßwerte von den Sensoren werden mit früheren historischen Werten verglichen, die aus der Datenbasis zu den lokalen Datenbereichen des Verkehrsmodells entnommen worden sind, und neue vorhergesagte Verkehrsparameter werden erzeugt, aufgrund derer Steuerentscheidungen getroffen werden können.
- Die neuen Meßwerte werden auch dazu verwendet, neue aktualisierte historische Werte zu berechnen, und diese Werte werden in dem betreffenden Datenbereich für sofortige Verwendung gespeichert, oder alternativ in der Datenbasis für spätere Verwendung gespeichert.
- Wie in Fig. 3 illustriert, werden bei den Straßennetzsensoren (17) erhaltene Sensorinformationen zum Steuerzentrum übertragen und nach ihrem Empfang (18) entweder gefiltert (19), oder es werden die Mittelwerte von unterschiedlich zeitabhängigen Parametern gebildet. Diese Sensorinformation kann aus dem Verkehrsfluß, der Verkehrsdichte oder der Verkehrsgeschwindigkeit bestehen. Die betreffenden Verkehrsparameter werden zur Vorhersagefunktion (14) übertragen.
- Fig. 4 illustriert eine erste Stufe der Vorhersage. Daten werden vom Datenbereich (20) zur Analyse I (21) gesendet. Gemäß einer Ausführungsform bestehen diese Daten aus historischen Daten XH, Kapazität C, Standardabweichungen σ und Statsussymbol S. Verarbeitete Meßdaten werden von der Sensorinformation erhalten. Die Meßdaten werden verglichen mit historischen Daten in Analysis I, und es wird eine Entscheidung getroffen, ob die Meßwerte für Vorhersagezwecke weiterverarbeitet werden sollen oder nicht. Während des größeren Teils des Tages ist die Verkehrsdichte auf der Mehrzahl der Straßenstrecken so niedrig, daß die Streckenzeiten, Durchschnittsgeschwindigkeiten usw. zu den Grundwerten auf jeweiligen Strecken addiert werden können. Folglich ist es wichtig, rasch diejenigen Werte auszuschalten, die nicht weiter für Vorhersagezwecke verarbeitet zu werden brauchen. In einigen Fällen kann es ausreichen, einen Vergleich mit einem Grenzwert Xc durchzuführen, wobei X kleiner Xc eine Vorhersage aufgrund eines Basiswertes bezeichnet.
- Auf wichtigen Routen ist es von Interesse, festzustellen, ob die Meßwerte innerhalb des statistischen Ergebnisses XH-ασ< X< XH+ασ liegen oder nicht, wobei σ die Varianz und α ein gewählter Faktor, zum Beispiel 1,7, ist. Ein außerhalb dieses Intervalls liegender Wert kann ein Ereignis anzeigen, welches eine gesonderte Analyse erfordert. Wenn X unterhalb des Intervalls liegt, kann dies auf einer Verkehrs behinderung stromaufwärts von der Strecke liegen, und die Statusvariable 5 wird für stromaufliegende Strecken kodiert. Der Bediener kann mit einem Warnsymbol informiert werden, und die Strecke kann auf einer Überwachungsliste registriert werden.
- Wenn X innerhalb des aktuellen Ergebnisbereiches liegt und die Statusvariable als "OK" kodiert worden ist, können die Basiswerte als eine Vorhersage akzeptiert werden. Andere Beispiele der Kodierung von S sind.
- S = 0 "OK". Wahl der Basiswerte
- S = 1 Gefahr von Verkehrsstörungen auf einer anderen Route.
- S = 2 Gefahr von Verkehrsstörungen auf der örtlichen Route.
- S = 3 Ernsthafte Gefahr von Verkehrsstörungen.
- S = 4 Warnung (von einer anderen Route gesetzt).
- usw.
- Eine genauere Analyse kann erforderlich sein, wenn S> 0, zum Beispiel wenn eine Analyse zeigt, daß sich der Verkehr der Kapazitätsgrenze nähert. Wenn "Analysis I" anzeigt, daß eine Vorhersageberechnung ausgeführt werden soll, wird zusätzlich Information in "Berechnung I" (22) eingeführt. Berechnung I wird mit weiteren Vorhersagewerten versorgt, nämlich dem Vorhersagefaktor und ggfs. dem Signal- Rauschverhältnis S/N für die Vorhersageparameter. Das Ergebnis ist eine erste Verkehrsvorhersage auf der Grundlage der individuellen Sensorinformation.
- Vorhergesagte Streckendaten, die von verschiedenen Quellen erhalten wurden, können gemäß Fig. 5 berechnet werden.
- Der vorhergesagte Wert für die betrachtete Strecke Y&sub1;(tp) wird erhalten von den gemessenen Werten von derselben Route Y(t-τ&sub0;) und der Schwesterroute (X&sub1;(t-τ&sub1;), X&sub2;(t-τ&sub2;), usw. Die Werte von jeweiligen Routen werden mit dem Faktor Γi/ki multipliziert und addiert, so daß sich das Ergebnis Y&sub1;(tp) ergibt. Der Faktor ki ist der Gewichtungsfaktor, der den Beitrag jeder Route auf deren Signal/Rauschverhältnis oder einen entsprechenden Korrelationskoeffizienten bezieht. Fig. 6 zeigt, daß der vorhergehende historische Wert XH(0) aktualisiert wird durch Bildung von δX aus der Differenz zwischen dem derzeitigen Meßwert und dem historischen Wert, wonach der neue historische Wert gebildet ist durch Addieren von δX/k zu dem alten Wert. Der Faktor k bestimmt die Zeitkonstante für die benötigte Zeitdauer, bevor eine Änderung der Meßwerte zu einer entsprechenden Änderung von XH führt. In diesem Fall ist der historische Wert XH nicht ein Mittelwert, bei dem eine Anzahl von Meßwerten das gleiche Gewicht bei der Bildung eines Mittelwertes haben, sondern der Faktor k gibt den momentanen Eingangswerten ein größeres Gewicht als den früheren Werten. Die Aktualisierungsmethode ist einfach, da nicht mehr als der aktuelle Wert gehalten zu werden braucht.
- Fig. 7 illustriert, wie der Korrelationskoeffizient und der Vorhersagefaktor aus den Signalen X und Y erhalten werden können. Der obere Teil der Zeichnung zeigt die Eingabe der Werte von Y und X in ein jeweiliges Register. Entsprechende Werte Xi und Yi werden miteinander multipliziert, und neue Paare für die Multiplikation werden erhalten durch Verschieben von Xi und Yi relativ zueinander. Durch aufeinanderfolgendes Verschieben, multiplizieren und Summieren dieser Werte, erhält man eine Serie von Werten, die ein Maximum bei einer Verschiebung τ zwischen den Y und X-Werten hat.
- In der Zeichnung ist angenommen worden, daß die Änderungen in , , σx und σy während der relativen Verschiebeoperationen von Y und X klein sind. Wenn dies nicht der Fall ist, kann der gesamte Korrelationskoeffizient β für jede Ver schiebung berechnet werden, und der maximale β-Wert wird gesucht, um den τ-Wert zu bestimmen.
- Fig. 7 zeigt ferner, wie statistische Basisparameter für die Parameter X und Y erhalten werden. Der Ausdruck für den Korrelationskoeffizienten und Korrelationsfaktor wird in Fig. 7 unten wiederholt, um das Verständnis der Beziehungen zwischen den dargestellten Parametern zu erleichtern.
- Ein Grund für die Vorhersage von Verkehrssituationen besteht darin, eine rechtzeitige Warnung für das Risiko von Überlastung oder Verkehrsverstopfung zu erhalten, so daß Maßnahmen getroffen werden können, um die vorhergesagten Verkehrsverstopfungen zu vermeiden. Bestimmte Verkehrsverstopfungen können nicht vorhergesagt werden und treten ohne Warnung auf. Beispielsweise kann ein Verkehrsunfall stattfinden, der Motor eines Fahrzeugs kann absterben, oder ein Laster kann seine Ladung verlieren und die Straße blockieren. Es ist erforderlich, diesen Typ von Problemen so schnell wie möglich detektieren zu können und die neue Verkehrssituation voraussagen zu können, die sich daraus ergibt und die beeinflußt werden kann durch Maßnahmen der Verkehrssteuerung, der Polizei usw.
- Das Detektieren einer neuen Situation und die Lokalisierung der Quelle der Störung erfolgen mit Information, die von Meßsensoren erhalten wird, durch Vergleich mit historischen Werten. Normalerweise wird der Verkehrsstrom aufwärts von der Störung dichter werden, während der Verkehr stromabwärts von der Störung dünner wird, und Verkehr, der stromaufwärts von Ausfahrtsstraßen zu Alternativstraßen vorliegt, wird dichter werden.
- Eine alternative Informationsquelle besteht in äußeren Meldungen, wie zum Beispiel Telefonanrufen von Fahrzeugfahrern, von der Polizei usw., die darüber informieren, daß ein Unfall stattgefunden hat und daß die Befahrbarkeit auf der betreffenden Route auf etwa X% beschränkt ist.
- Wenn Sensoren sowohl stromaufwärts als auch stromabwärts von dem Unfall angeordnet sind, wird eine direkte Messung der Kapazität zu diesem Zeitpunkt erhalten. Eine Vorhersage der neuen Verkehrssituation kann dann sofort gemacht werden, indem eine Anzahl von Aktivitäten in Gang gesetzt wird mit dem Ziel, schnelle eine grobe Vorhersage zu erhalten, die später verfeinert werden kann, wenn neue Meßdaten fortlaufend bessere Vorhersagen ermöglichen. Die neue Verkehrssituation neigt dazu, sich nach einem anfänglichen dynamischen Ereignis oder Vorfall zu stabilisieren, und der Vorhersageprozeß wird dann einfacher. Viele Störungen aufgrund von kleineren Verkehrsunfällen, Motorausfällen usw. blockieren die Route für weniger als 5-15 Minuten, und die Dauer der Störung wird von der Verkehrsintensität zu diesem Zeitpunkt, den sich bildenden Rückstaus und der für die Auflösung der Rückstaus benötigten Zeit abhängen. Es ist selten, daß solche Störungen eine stabile Phase erreichen, aber sie sollten zur Gänze als zur ersten dynamischen Periode gehörend behandelt werden. Die folgenden Beispiele illustrieren, wie die Anordnung oder das System arbeitet, um Vorhersagen bei vorhandenen oder vorherrschenden Situationen zu geben.
- Es sei angenommen, daß eine Strecke durch einen Unfall zu 100% blockiert ist. Die Situation wird gemäß dem Vorhergehenden detektiert, und da normalerweise in der Nachbarschaft Alternativrouten oder Umleitungen zu finden sind, denen der Verkehr folgen kann, um die blockierte Strecke zu umgehen, kann eine einfache Funktion verwendet werden, um eine erste Neuverteilung des Verkehrs, der sonst über die blockierte Strecke gefahren wäre, vorzunehmen.
- Eine Kostenmessung kann für jede geprüfte Route vorgenommen werden, mit Hilfe einer "Kostenfunktion", bei der die Verkehrszeit und eventuell andere Parameter wie Straßenentfer nung und Straßengröße usw. zu Kostenparametern addiert werden. Der Unterschied zwischen den 1-3 besten Routen und den restlichen Routen wird normalerweise so groß sein, daß die restlichen Routen in einer ersten Stufe ignoriert werden können, in der der Verkehr versucht, die Unfallstelle auf den als die besten eingeschätzten Alternativrouten zu umfahren, was zu einer Überlastung auf der besten Alternativroute führen kann und zu einem anschließend erhöhtem Verkehr auf der nächstbesten Alternative, usw.
- In der Berechnungseinheit der oben beschriebenen Anordnung wird der Verkehr unterteilt derart, daß wenn die beste Alternativroute mit soviel Zusatzverkehr belastet ist, daß ihr Kostenwert ansteigt, der Verkehr auf die nächstbeste Route verteilt wird, usw. Wenn der umzuleitende Verkehr sehr beträchtlich ist und die Alternativroute bereits stark verkehrsbelastet ist, wird die erste Umverteilung zur Vorhersage von Rückstaus und Verkehrsverstopfungen führen, wodurch der Verkehrssteuerbediener eine entsprechende Warnung erhält und Vorschläge erhalten kann, welche Maßnahmen oder Prozeduren ergriffen werden sollen, zum Beispiel Maßnahmen zur Informierung der Verkehrsteilnehmer in einem frühen Stadium, stromaufwärts von der Blockierung, durch ein Informationsmedium, durch veränderbare Hinweisschilder usw., um den Verkehr auf andere Routen umzuleiten.
- Falls möglich sollten die Verkehrsflüsse in einem Sicherheitsabstand von der maximalen Kapazität gehalten werden, um Verkehrsverstopfungen zu vermeiden. Wie zuvor erwähnt, ist es sehr wichtig, die Verkehrsflüsse unterhalb der Verkehrsverstopfungsgrenze zu halten. Das Straßennetz wird dann zu einem maximalen Grad genutzt. Die Befahrbarkeit wird deutlich verschlechtert, wenn Verkehrsverstopfungen auftreten, die Kapazität des Straßennetzes wird dann verringert, wenn es am meisten benötigt wird. Wenn die Verkehrsneuverteilung nicht ausreicht, besteht die nächstbeste Alternative darin, die Verkehrsflüsse an geeigneten Stellen stromaufwärts von der Störungsquelle zu verlangsamen. Beispielsweise ist es besser, daß sich der Verkehr an einer Einfallstraße in einem Vorortbereich staut, als daß der Verkehr bis zum Stadt- oder Ortszentrum durchgelassen wird, wo Staus die Blockierung von anderen wichtigen Verkehrsrouten vermehren würden, für die eine hohe Kapazität noch wichtiger ist.
- Indem die oben erwähnte erste Vorhersage durch eine grobe Neuverteilung oder Umleitung des Verkehrs gemacht wird, wird die sich daraus ergebende neue Verkehrssituation durch vorhandene Sensoren festgestellt, und diejenigen Sensoren, die am Anfang der Alternativrouten angeordnet sind, liefern Information darüber, wie sich die Verkehrsflüsse tatsächlich verteilen. Die gemessenen Werte werden dazu verwendet, die zugewiesene Verkehrsverteilung zu korrigieren und den Verkehr auf den Alternativrouten stromabwärts von den Sensoren vorherzusagen.
- Hochfrequenzkomponenten vom Typ I&sub2;, P&sub2; und I&sub1;, P&sub1; werden verwendet, um die Verkehrsverteilungsmeßwerte schnell zu erhalten. Diese Parameter stellen charakteristische Verkehrsmuster dar und können entlang einer Route erkannt und auch mit entsprechenden Komponenten der ursprünglichen Route korreliert werden. Die Meßwerte ermöglichen es auch zu zeigen, welcher Anteil des Verkehrs auf der ursprünglichen Route sich für jeweilige Alternativrouten entschieden hat.
- Die vom Bediener vorgenommenen Steuermessungen werden in die Vorhersageeinheit des Systems eingekoppelt als ergänzende Information betreffend einen vorhergesagten Steuereffekt oder eine Umverteilung des Verkehrs, und somit wird eine neue Vorhersage bezüglich dieser Werte durchgeführt. In der nächsten Stufe werden Meßwerte erhalten, die die aktuelle Situation der Verkehrsumverteilung offenbaren, wonach eine neue Vorhersage gemacht wird, usw. Besondere Aufmerksamkeit gilt den Sensoren, die um die Unfallstelle herum angeordnet sind, um schnell feststellen zu können, wenn sich der Verkehr auf der zuvor blockierten Strecke wieder zu bewegen beginnt, wonach die Verkehrsvorhersage zum Normalfall zurückkehrt.
- Im Fall von kurzzeitigen Zwischenfällen kann die dynamische Verkehrsänderung häufig als lokal angesehen werden, d. h. die Hauptänderung des Verkehrsflusses spielt sich in einem begrenzten Nachbarbereich um die Unfallstelle herum ab. Dieser Bereich umfaßt einige wenige Strecken stromaufwärts von der Unfallstelle einschließlich Ausfahrtstraßen für die besten Alternativrouten und über die Alternativrouten selbst bis zu ebenfalls umfaßten Einfahrtsrouten zu der blockierten Route stromabwärts von der Unfallstelle. In erster Näherung kann dann der Verkehr grob als normalfließend betrachtet werden. Es gibt zwei weitere Gründe, weshalb sich der Verkehr stromabwärts von der blockierten Strecke wieder einspielt. Erstens wird ein Teil des Verkehrs stromaufwärts von der Blockierung oder dem Unfall einen Zielort auf der betreffenden Route haben, so daß die beste Routenwahl darin besteht, stromabwärts von dem Unfall auf dieselbe Route zurückzukehren. Der andere Grund besteht darin, daß wegen der hohen Verkehrsbelastung der Alternativrouten der Verkehr versuchen wird, auf die blockierte Route stromabwärts von der Blockierung oder dem Unfall zurückzukehren und damit die bessere Befahrbarkeit dieser Route zu nutzen.
- Wenn zu jedem Zeitpunkt das Endziel aller Fahrzeuge bekannt wäre, wäre es möglich, eine präzisere Routenwahl für die betroffenen Individualfahrzeuge zu berechnen und die sich ansammelnden Verkehrsflüsse könnten für die neue Verkehrssituation berechnet werden. Eine gültige O/D-Matrix würde in dieser Beziehung einen guten Ausgangspunkt darstellen.
- Die Vorhersagen können auch dadurch genauer gemacht werden, daß man annimmt, daß die Störungen in der Hauptsache örtlich sind und daß man Datenbasen für die örtliche Verkehrsflußverteilung konstruiert. Komponenten vom Typ I&sub2; und I&sub1; können in dieser Beziehung verwendet werden, wie oben beschrieben. Beispielsweise können die Meßwerte auf der betrachteten Strecke mit den Meßwerten auf verschiedenen Alternativrouten stromabwärts der Strecke korreliert werden, so daß man eine Abschätzung der Anteile des Verkehrsflusses auf der betrachteten Strecke erhält, die sich auf jeweilige Alternativrouten stromabwärts von der Strecke verteilen.
- Wenn auf der betrachteten Strecke ein Unfall auftritt, kann bei der "Kostenberechnung" für Alternativrouten die Kenntnis der stromabwärts vorhandenen Verkehrsverteilung berücksichtigt werden und dadurch manchmal zu einer besseren Vorhersage der Verkehrsverteilung auf den Alternativrouten führen.
Claims (22)
1. Verfahren zum Bestimmen von Verkehrsparametern, wie
Verkehrsströme, Geschwindigkeiten, Fahrzeugdichten und
Streckenfahrzeiten mittels Sensorinformation, die von
verschiedenen Meßorten in einem betrachteten Verkehrsnetz
erhalten wird, wobei eine Anzahl von Sensoren mindestens zwei
der Parameter Verkehrsfluß, Verkehrsdichte und
Fahrzeuggeschwindigkeit oder wahlweise Streckenfahrzeit liefern,
dadurch gekennzeichnet, daß ein
Verkehrsparameter Y auf einer betrachteten Strecke zu einer Zeit τ
vorausgesagt wird auf der Basis einer zuvor auf einer
anderen Strecke gemessenen Sensorinformation X; daß der
Voraussagefaktor mit einem entsprechenden
Korrelationskoeffizienten über das Medium der Kovarianz und statistischer
Basisparameter in Beziehung steht und daß die
Vorhersagegenauigkeit von der Korrelation zwischen den entsprechenden
Parametern X und Y abhängt; daß die Korrelation verbessert wird
durch Filtern der von einer Anzahl Sensoren erhaltenen
Sensorinformation durch mindestens zwei, vorzugsweise drei
Zeitstufen von gegenseitig unterschiedlicher Länge derart,
daß Komponenten erzeugt werden, die langsamere bzw.
schnellere Veränderungen der Parameter beschreiben, und daß nur
Komponenten, die langsamere Veränderungen beschreiben,
benutzt werden, wenn eine Verkehrsvorhersage aufgrund von
Relationen zwischen unterschiedlichen Routen oder zwischen
historischen Durchschnittswerten getroffen werden sollen, und
daß Komponenten, die schnellere Veränderungen beschreiben,
benutzt werden, um eine Kurzzeitvorhersage des Verkehrs auf
derselben Route oder einer ausgewählten Route zu machen;
und daß jeweilige Vorhersagefaktoren für entsprechende
Kombinationen von Frequenzkomponenten bestimmt werden.
2. Verfahren nach Anspruch 1, dadurch
gekennzeichnet, daß historische Durchschnittswerte XH
und der Vorhersagefaktor Γ aus dem Datenbereich einer
Vorhersageeinheit gesammelt werden, um die entsprechenden
Verkehrsparameter auf der betrachteten Strecke vorherzusagen,
deren Meßwert Y später erhalten wird, wobei die Werte des
neuen Paares von X und Y zur Aktualisierung der
entsprechenden Werte XH bzw. YH verwendet und diese Werte in dem
Speicherbereich gespeichert werden; wobei nach dem Erhalt
der erforderlichen Wertesequenz der Vorhersagefaktor Γ mit
den neuen X-, Y-Werten aktualisiert wird; wobei, wenn eine
Vorhersage von Abweichungen von dem historischen
Durchschnittswert YH erforderlich ist, Abweichungen zwischen den
aktuellen Sensorwerten und den historischen Werten erzeugt
und ein Vorhersagefaktor für die Abweichung von YH in
Relation zur Abweichung von XH erzeugt und aktualisiert wird,
und wobei der Verkehrsparameter Y auf der betrachteten
Strecke vorhergesagt wird als die Summe von YH plus der
vorausgesagten Abweichung von YH, die aus der aktuellen
Abweichung von X gegenüber XH mittels des zugeordneten
Vorhersagefaktors erhalten wird.
3. Verfahren nach Anspruch 2, dadurch
gekennzeichnet, daß der Vorhersagefaktor Γ gleich
β·σy/σx gesetzt wird, wobei σx und σy Standardabweichungen
für die zugehörigen Parameter X und Y sind und wobei β der
Korrelationskoeffizient ist, oder daß Γ direkt als der
erwartete Wert für X, Y in Relation zu dem erwarteten Wert
für X² bestimmt wird, oder falls die zeitlichen Ableitungen
für die XH(t)- und YH(t)- Kurven erheblich größer als ein
ausgewählter Grenzwert sind, der Vorhersagefaktor Γ in eine
entsprechende Relation zwischen den XH- und
YH-Zeitableitungen gesetzt wird, wobei der von den zeitlichen
Ableitun
gen erhaltene Vorhersagefaktor mit dem von den
Amplitudenwerten erhaltenen Vorhersagefaktor kombiniert werden kann.
4. Verfahren nach Anspruch 2 oder 3, dadurch
gekennzeichnet, daß gültige Werte von den
Speicherbereichen zu der Vorhersageeinheit transferiert werden,
um die gespeicherten Parameterwerte zu aktualisieren, daß
neue Aktualisierungswerte zu den gültigen Werten addiert
werden gemäß dem Beispiel XH(1) = XH(0) + (X-XH(0))/k, wobei
k eine Konstante ist, die die Empfindlichkeit auf
Änderungen ausdrückt; und daß der Vorhersagefaktor Γ gemäß diesem
Beispiel entweder direkt aktualisiert wird oder durch
Aktualisierung seiner einzelnen Faktoren vor der
Quotientenbildung, wobei die Anzahl der Parameter, die gespeichert
werden müssen, im Vergleich zu einer echten Bestimmung des
Mittelwertes begrenzt ist.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch
gekennzeichnet, daß der Vorhersagefaktor
für eine Zeitverschiebung τ zwischen den Werten von X und Y
bestimmt wird, die einem Maximum des
Korrelationskoeffizienten entspricht, wobei der Vorhersagefaktor, wenn X und Y
bei ein und derselben Strecke vorliegen, normalerweise bei
demjenigen Wert τ erhalten wird, der sich als eine
Zeitdifferenz zwischen X und Y durch Verfolgung des stromabwärts
auftretenden Verkehrs ergibt; und wobei τ erhalten wird,
wenn X und Y auf verschiedenen Strecken vorliegen,
wahrscheinlich wenn X in einer entsprechenden Zeitphase
oberhalb von Y auftritt.
6. Verfahren nach einem der Ansprüche 1 bis 5 in einer
Umgebung, in der die Anzahl der Sensoren beschränkt ist und
keine Sensordaten von der betreffenden Strecke erhalten
werden, dadurch gekennzeichnet, daß
historische Werte zusammen mit dem Vorhersagefaktor für die
betrachtete Strecke gespeichert werden, die sich auf die
Sensordaten für eine andere Strecke beziehen, und daß
rele
vante Werte von der letztgenannten Strecke verwendet
werden, um den Verkehr auf der Strecke ohne Sensoren
vorherzusagen, und daß gespeicherte Werte für die betrachtete
Strecke aktualisiert werden durch Durchführung
gelegentlicher Messungen oder durch bedienerseitige Korrekturen.
7. Verfahren nach einem der Ansprüche 1 bis 6 in einer
Umgebung, in der mehrere Strecken ohne jeden Sensor sein
können, dadurch gekennzeichnet, daß in
der Vorhersageeinheit ein Ausbreitungsfaktor (W(z, t) für
den betreffenden Verkehrsparameter, z. B. den Flußterm I&sub2;,
aus Meßwerten von zwei Sensoren, die im Raum und in der
Verkehrsausbreitungszeit um z bzw. t voneinander getrennt
sind, berechnet wird gemäß der Formel W&sub2;(z, t) = I&sub2;(z, t)/
I&sub2;(0, 0) und wobei die Messungen von verschiedenen Sensoren
in verschiedenen Abständen und in verschiedenen
Verkehrsflüssen eine Funktion W(z, t) = f&sub1;(t) f&sub2;(z-vt) liefern,
wobei f&sub1;(t) an die Meßwerte mittels der Methode des
kleinsten Quadrates angepaßt werden kann und wobei f&sub1;(t)
gewöhnlich als lineare Funktion (1+αt) oder für große
Wachstumsfaktoren als exp(αt) gesetzt wird, wobei α von dem Fluß I
und der Kapazität C abhängt und die Beziehung gleich α(I/C)
gesetzt wird, und wobei W(z, t) benützt werden kann, um den
Fluß über längere Distanzen ohne jeden Sensor vorherzusagen
und wobei W(z, t) sukzessive an neue Situationen auf der
betreffenden Route aktualisiert wird durch Kalibrierung in
Entsprechung zu vorhandenen Sensoren, und ein allgemeinerer
Ausdruck (W(z, t) durch Anpassung an Meßwerte von mehreren
Routen berechnet und gespeichert und zur Vorhersage auf
Routen, für die direkte Sensordaten fehlen, benutzt werden
kann, und wobei W(z, t) von besonderem Interesse während
hoher Verkehrsflüsse ist, wenn W(z, t) abnehmende
Verkehrsflüsse aufgrund von erhöhter Fahrzeugdichte und von Staus
vorhersagen kann.
8. Verfahren nach einem der Ansprüche 1 bis 7, dadurch
gekennzeichnet, daß die sich ändernden
Faktoren φ und θ in der Vorhersageeinheit für jeden aktuellen
Verkehrsparameter, wie z. B. den Flußterm I, berechnet
werden und wobei φ dann mit der Änderung des Flusses δIL auf
der Route infolge des Flusses It auf einer Rampe in
Beziehung gesetzt wird und θ mit einer entsprechenden Änderung
an einer Ausfahrt in Beziehung gesetzt wird und φ = δIL/It
aus den Meßwerten erhalten wird durch eine Anpassung
entsprechend W(z, t) von Anspruch 7 durch eine lineare
Funktion (1+α) oder exp α und α(I/C), und wobei φ von
besonderem Interesse bei hohen Verkehrsflüssen ist, wobei φ eine
Vorhersage eines möglichen Verkehrsstaus liefert.
9. Verfahren nach einem der Ansprüche 1 bis 6, dadurch
gekennzeichnet, daß der Parameter Y für die
betrachtete Strecke vorhergesagt wird durch Sensoren auf
einer Anzahl von verschiedenen Strecken, wobei die Strecken
sowohl eine Strecke auf der gleichen Route wie die
betrachtete Strecke sein können, als auch eine Strecke auf einer
anderen Route, die als Schwesterroute identifiziert ist,
deren historische Verkehrsparameterwerte eine Korrelation
mit der betrachteten Strecke haben, und daß die Vorhersage
von mehreren Sensoren benutzt wird, um ein großes
Messungsvolumen und eine gute Vorhersagesicherheit für einen
kürzeren Zeitraum zu erhalten.
10. Verfahren nach Anspruch 9, dadurch
gekennzeichnet, daß die Vorhersagewerte von Sensoren
auf verschiedenen Routen kombiniert werden unter
Berücksichtigung, daß die Korrelation zwischen verschiedenen
Streckenwerten (X) und der betrachteten Strecke (Y)
unterschiedlich ist, und daß Gewichtungsfaktoren dann für eine
entsprechende Vorhersage benutzt werden, wobei die
Gewichtungsfaktoren als ein quadratisches Signal/Rauschverhältnis
auf die entsprechende Strecke bezogen sind und wobei das
Signal/Rauschverhältnis für eine Strecke in Beziehung zu
dem Signal/Rauschverhältnis in der Korrelation zwischen der
Strecke X und der betrachteten Strecke Y steht und z. B.
angenähert werden kann gemäß
wobei R&sub1; ein Korrekturfaktor ist, der das Rauschen in der
unabhängigen Variablen berücksichtigt, und wobei R&sub1; = (K&sub1; +
1)/k&sub1; einer normalen Rauschverteilung entspricht, wobei k&sub1;
der lineare Vorhersagefaktor ist.
11. Verfahren nach Anspruch 9 oder 10, dadurch
gekennzeichnet, daß Vorhersagen der
Schwesterrouten verglichen werden und, falls eine oder mehrere
Routen sich deutlich von den anderen unterscheiden, was einen
Unfall oder besondere Umstände auf einer oder mehreren sich
unterscheidenden Routen anzeigt, was auch die Auslösung von
vorgegebenen Maßnahmen bei Feststellung eines Unfalls
einschließen kann, und im Fall von mehreren sich
unterscheidenden Routen, wobei die Unterschiede miteinander
korreliert sind, diese Routen ausgewählt werden können, um
zusammen die neue Situation auf diesen Routen vorherzusagen.
12. Verfahren nach Anspruch 9, 10 oder 11, wobei die
Schwesterrouten aus ausgewählten Einfallrouten in einer
Stadt bestehen, und wobei die Messungen während einer
bestimmten Zeit, z. B. während der Morgenstunden, benutzt
werden, um den Verkehr im späteren Verlauf des Tages in dem
Stadtzentrum vorherzusagen und sogar für längere
Vorhersageintervalle für den Ausfallverkehr während des
Nachmittags, und wobei die Sensorinformation von der
Einfallsroute, dem Stadtzentrum, bzw. der Ausfallsroute benutzt
werden, um die historischen Werte und die
Vorhersagefaktoren gemäß einem der vorangehenden Ansprüche zu
aktualisieren.
13. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet, daß die Information
von einem Sensor benutzt wird, um den Verkehr an der
gleichen Stelle vorherzusagen, und daß diese Vorhersage auf
eine Kurzzeitperspektive, hauptsächlich in bezug auf
Komponenten vom I&sub2;- und vom I&sub1;-Typ, bezogen wird und zusätzlich
Information von Verkehrsstörungen auf der betrachteten
Strecke liefert.
14. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet, daß eine
Wachstumsfunktion U(t) in der Vorhersageeinheit berechnet wird und
Faktoren, wie z. B. exp t/τ, t und exp t/τa für das
entsprechende Wachstum und das Abklingen der Verkehrsverteilung
für ausgewählte Teile des Straßennetzes umfaßt, und wobei
die Zeitkonstanten unter verschiedenen Umständen für
verschiedene Verhältnisse von verschiedenen I/C-Werten
gemessen werden und wobei diese Zeitkonstanten benutzt werden
können, um den Verkehr für verschiedene Ereignisse
vorherzusagen, z. B. für die Zeit vor und nach einem Fußballspiel,
für Verkehrsstaus usw., und daß U(t) für verschiedene
Ereignisse gespeichert wird und der Verlauf eines neuen
Ereignisses vorhergesagt werden kann durch Interpolieren oder
Extrapolieren von U(t) auf die fragliche Situation.
15. Verfahren nach einem der vorangehenden Ansprüche,
wobei an gegebenen Routen angeordneten Sensoren benutzt
werden, um den Verkehr in anderen Teiles des Straßennetzes
bzw. in Zielstrecken vorherzusagen, dadurch
gekennzeichnet, daß die primären Vorhersagewerte durch
eine Filterfunktion mit der Zeitkonstanten der Zielstrecke
behandelt werden, bevor ein endgültiges Vorhersageresultat
erhalten wird, wobei der Verkehr auf den gegebenen Routen
sich verändern kann mit einer Zeitkonstanten, die schneller
ist als die, die für die Zielstrecken gelten.
16. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet, daß jede Vorhersage
von jeglichen vollständigen Unterbereichen des
Straßennetzes durch einen oder mehrere ausgewählte Sensoren erfolgt,
durch eine Korrelation mit den Meßwerten, die von einer
oder mehreren Messungen in dem Straßennetz erhalten werden.
17. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet, daß die nächste
stromaufwärts gelegene Zufahrtsstrecke analysiert wird,
wenn der vorhergesagte Verkehr auf einer Strecke die
Kapazität der Strecke erreicht, um festzustellen, ob dies einen
engeren Querschnitt als diese Strecke bedeutet und ob die
sich verbindenden Flüsse an der Kreuzung eine große Gefahr
von Verkehrsstaus bedeuten, wenn sich Fahrzeuge in die
Strecke einfädeln, und daß in diesem Fall die Analyse
stromaufwärts sowohl auf der Strecke als auch der
Zufahrtsstrecke fortgesetzt wird, um die Sekundäreffekte auf
Verkehrsstaus zu analysieren und den Verkehr stromabwärts des
Staus vorherzusagen, wobei ein entsprechend niedrigerer
Verkehr durch den Verkehrsstau begrenzt ist.
18. Verfahren nach einem der Ansprüche 1 bis 17, wobei das
Verfahren benutzt wird in Situationen, in denen die
Vorhersageinformation über die zukünftige Entwicklung des
Verkehrs dazu benutzt wird, um die Fahrzeuglenker zu
informieren oder den Verkehr durch Verkehrsschilder oder Anzeigen
zu steuern, und sich der Verkehr dann nicht entsprechend
der ersten Vorhersage entwickelt, dadurch
gekennzeichnet, daß eine neue Vorhersage gemacht wird
bezüglich der durchgeführten Maßnahmen, z. B. gemäß den
Auswirkungen von durch den Bediener eingegebenen Werten oder
entsprechend den gespeicherten Resultaten, wobei die
Korrelation zwischen den real gemessenen Verkehrsflüssen
berechnet wird und die extern benutzten Vorhersagewerte verwendet
werden, um das letzte Vorhersage-Maßnahmepaket zu einem
aktualisierten neuen, zu benutzenden Paket zu korrigieren,
und mehrere solche Beziehungen für ausgewählte Strecken
gespeichert werden und statistische Mittelwertbeziehungen für
verschiedene Typen von Situationen erstellt werden, die für
entsprechende neue Situationen benutzt werden können.
19. Verfahren nach den Ansprüchen 1 bis 8 zur Vorhersage
des Verkehrs, wenn kurzzeitige Vorfälle die Befahrbarkeit
einer Strecke teilweise oder vollständig blockieren und
wobei der Vorfall mittels äußerer Quellen gemeldet oder durch
Sensoren erfaßt werden kann, dadurch
gekennzeichnet, daß die Erfassung mit Sensoren erfolgt,
die stromabwärts und, wenn möglich, auch stromaufwärts des
Vorfalls verfügbar sind, und wenn eine relativ abrupte
Abnahme des Flusses von dem stromabwärts angeordneten Sensor
detektiert werden kann, was einen möglichen Unfall anzeigt,
und wobei der neue Fluß ein Maß für die neue, begrenzte
Kapazität liefert und ein neuer begrenzter Bereich um den
Unfall herum als örtlicher Störungsbereich definiert wird,
der von Strecken stromaufwärts des Unfalls versorgt wird
und Ausfahrten für Alternativrouten und die
Alternativrouten und Einfahrtrouten zu der fraglichen Strecke
stromabwärts des Unfalls umfaßt, und wobei die besten
Alternativrouten bestimmt werden, mittels einer einfachen
Auswertefunktion oder einer Kostenfunktion, wobei die Fahrtzeit,
die Fahrtroute, die Straßengröße usw. alternativ oder in
Kombination enthalten sein können und wobei die Kosten
anfänglich für eine kleine Anzahl, z. B. 1 bis 3, von
Alternativrouten mit den niedrigsten Kosten bestimmt werden und
wobei die Verkehrsverteilung gemäß der besten
Alternativroute solange erfolgt, bis die Kosten ansteigen, woraufhin
die nächstbeste Alternativroute ebenfalls gefüllt wird
unter Bilanzierung der Kosten, und wobei mittels geeigneten
verfügbaren Sensoren Messungen der tatsächlich erhaltenen
Verkehrsverteilung auf den Alternativrouten durchgeführt
werden und die Vorhersage der zukünftigen
Verkehrsverhältnisse längs der Alternativrouten dann korrigiert oder
aktualisiert wird.
20. Verfahren nach einem der Ansprüche 1 bis 19, dadurch
gekennzeichnet, daß eine oder mehrere
Hochfrequenzkomponenten vom I&sub2;-, P&sub2;-Typ, möglicherweise in
Verbindung mit Komponenten vom I&sub1;-, P&sub1;-Typ benutzt werden, um
schnell Meßwerte der Verkehrsverteilung zu liefern, und
wobei die Korrelation dieser Parameter zwischen der
betrachteten Route und der entsprechenden Relativstrecke benutzt
wird, um die Verkehrsverteilung zwischen möglichen
Alternativrouten zu bestimmen und vorherzusagen.
21. Verfahren nach Anspruch 19 oder 20, dadurch
gekennzeichnet, daß eine oder mehrere der
Hochfrequenzkomponenten benutzt werden, um zu bestimmen, wie
der Verkehrsfluß von einer Strecke auf stromabwärts
gelegene Alternativrouten verteilt wird mittels der Korrelation
zwischen der Strecke und den jeweiligen stromabwärts
gelegenen Alternativrouten, und wobei diese Information für
ausgewählte Strecken gespeichert werden und benutzt werden
können, wenn auf der betrachteten Strecke ein Unfall
stattfindet, um Alternativrouten zu definieren, die zu der
vorhandenen Verkehrsverteilung stromabwärts des Unfalls
passen, und auch anfänglich einen der entsprechenden
Alternativroute zugewiesenen Verkehr vorherzusagen.
22. Verfahren nach einem der Ansprüche 1 bis 20, dadurch
gekennzeichnet, daß die Verkehrsvorhersage
für eine aktuelle Strecke erhalten wird von den
Sensorwerten von einer anderen Strecke und daß die Vorhersage dann
mit sich langsam ändernden Verkehrsparametern, z. B. Io, Pc,
in Beziehung gesetzt wird und zu diesen Werten
Amplitudenwerte von hochfrequenten Verkehrsparametern, z. B. I&sub2;, P&sub2;,
addiert werden, die von gespeicherten Meßwerten von
Verkehrsparameterrelationen, z. B. I&sub2;(Io, C), erhalten werden,
z. B. I&sub2; wird für verschiedene Io/C-Werte gemessen, entweder
auf der betrachteten Strecke oder es wird entsprechende
Information von einer anderen, ähnlichen Strecke verwendet
oder, falls Messungen nicht vorhanden sind, können die
Terme I&sub2; und I&sub1; aus Standardabweichungen σ von dem Wert Io
während der entsprechenden Meßperioden T&sub2; und T&sub1; verwendet
werden, wobei diese Werte vorhergesagte I-Werte liefern,
die mit den Kriterien der betrachteten Strecke bezüglich
der Gefahr von Verkehrsstau verglichen werden.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE9203474A SE470367B (sv) | 1992-11-19 | 1992-11-19 | Sätt att prediktera trafikparametrar |
PCT/SE1993/000962 WO1994011839A1 (en) | 1992-11-19 | 1993-11-11 | Prediction method of traffic parameters |
Publications (2)
Publication Number | Publication Date |
---|---|
DE69329119D1 DE69329119D1 (de) | 2000-08-31 |
DE69329119T2 true DE69329119T2 (de) | 2001-03-15 |
Family
ID=20387867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE69329119T Expired - Fee Related DE69329119T2 (de) | 1992-11-19 | 1993-11-11 | Vorhersageverfahren für strassenverkehrparameter |
Country Status (6)
Country | Link |
---|---|
US (1) | US5822712A (de) |
EP (1) | EP0670066B1 (de) |
JP (1) | JPH08503317A (de) |
DE (1) | DE69329119T2 (de) |
SE (1) | SE470367B (de) |
WO (1) | WO1994011839A1 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022112860A1 (de) | 2022-05-23 | 2023-11-23 | Endress+Hauser SE+Co. KG | Verfahren zum Erkennen eines Automatisierungsanlagen übergreifenden Ereignisses |
Families Citing this family (111)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE9501919L (sv) * | 1995-05-19 | 1996-07-01 | Dimbis Ab | Detektering och prediktion av trafikstörningar |
SE509762C2 (sv) * | 1996-08-09 | 1999-03-08 | Dinbis Ab | Metod och anordning för motorvägskontroll |
DE19647127C2 (de) * | 1996-11-14 | 2000-04-20 | Daimler Chrysler Ag | Verfahren zur automatischen Verkehrsüberwachung mit Staudynamikanalyse |
EP0960411B1 (de) * | 1997-02-14 | 2002-06-19 | Vodafone AG | Verfahren zur bestimmung von verkehrsdaten und verkehrsinformationszentrale |
DE19725556A1 (de) * | 1997-06-12 | 1998-12-24 | Mannesmann Ag | Verfahren und Vorrichtung zur Verkehrszustandsprognose |
DE59812267D1 (de) * | 1997-09-11 | 2004-12-23 | Siemens Ag | Verfahren zur Ermittlung von Verkehrsinformationen |
EP0908861A3 (de) * | 1997-09-16 | 2000-08-23 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung von Verkehrsinformationen |
EP0903711A3 (de) * | 1997-09-18 | 2000-08-23 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung von Verkehrsinformationen |
EP0915445B1 (de) * | 1997-10-06 | 2005-06-29 | Siemens Aktiengesellschaft | System zur Ermittlung von Verkehrsinformationen |
SE510430C2 (sv) | 1998-01-30 | 1999-05-25 | Dinbis Ab | Metod och anordning för nätverksstyrning av trafik |
DE19805869A1 (de) * | 1998-02-13 | 1999-08-26 | Daimler Chrysler Ag | Verfahren und Vorrichtung zur Bestimmung der Verkehrslage auf einem Verkehrswegennetz |
DE19944890A1 (de) * | 1998-02-19 | 2000-11-23 | Ddg Ges Fuer Verkehrsdaten Mbh | Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung |
US6313757B1 (en) * | 1998-03-05 | 2001-11-06 | Siemens Aktiengesellschaft | Method and apparatus for controlling motor vehicle traffic |
FR2781912B1 (fr) * | 1998-07-31 | 2002-04-12 | Peugeot | Systeme d'aide a la navigation pour vehicule automobile |
DE19835979B4 (de) * | 1998-08-08 | 2005-01-05 | Daimlerchrysler Ag | Verfahren zur Verkehrszustandsüberwachung und Fahrzeugzuflußsteuerung in einem Straßenverkehrsnetz |
ES2339191T3 (es) * | 1998-11-23 | 2010-05-17 | Integrated Transport Information Services Limited | Sistema instantaneo de monitorizacion del trafico. |
US6449555B1 (en) * | 1999-03-05 | 2002-09-10 | Kabushiki Kaisha Toshiba | Run time information arithmetic operation apparatus |
DE19911674C2 (de) * | 1999-03-09 | 2002-05-23 | Mannesmann Ag | Broadcast-Point-to-Point-Informationsverfahren |
CA2266208C (en) * | 1999-03-19 | 2008-07-08 | Wenking Corp. | Remote road traffic data exchange and intelligent vehicle highway system |
AU2115601A (en) * | 1999-10-19 | 2001-04-30 | Magellan Dis, Inc. | Portable vehicle navigation system |
DE69919717T2 (de) * | 1999-11-08 | 2005-01-27 | Siemens Ag | Routenplannungsverfahren für Fahrzeug |
US6480783B1 (en) * | 2000-03-17 | 2002-11-12 | Makor Issues And Rights Ltd. | Real time vehicle guidance and forecasting system under traffic jam conditions |
DE10022812A1 (de) * | 2000-05-10 | 2001-11-22 | Daimler Chrysler Ag | Verfahren zur Verkehrslagebestimmung auf Basis von Meldefahrzeugdaten für ein Verkehrsnetz mit verkehrsgeregelten Netzknoten |
US7142979B1 (en) * | 2000-06-21 | 2006-11-28 | Magellan Dis, Inc. | Method of triggering the transmission of data from a mobile asset |
KR100823210B1 (ko) * | 2000-06-26 | 2008-04-18 | 스트라테크 시스템즈 리미티드 | 교통 및 관련 정보를 제공하는 방법과 시스템 |
DE10036364C2 (de) * | 2000-07-18 | 2003-08-28 | Ddg Ges Fuer Verkehrsdaten Mbh | Verfahren zur Erstellung prognostizierter Verkehrsdaten für Verkehrsinformationen |
CN1443347A (zh) * | 2000-07-19 | 2003-09-17 | 大众汽车有限公司 | 确定交通状况信息的方法 |
US6587781B2 (en) | 2000-08-28 | 2003-07-01 | Estimotion, Inc. | Method and system for modeling and processing vehicular traffic data and information and applying thereof |
JP4486747B2 (ja) * | 2000-12-28 | 2010-06-23 | 株式会社堀場製作所 | 環境負荷制御システム |
SE0100351D0 (sv) * | 2001-02-06 | 2001-02-06 | Sergio Luciani | Traffic monitoring system and method |
JP3849435B2 (ja) * | 2001-02-23 | 2006-11-22 | 株式会社日立製作所 | プローブ情報を利用した交通状況推定方法及び交通状況推定・提供システム |
GB2373619A (en) * | 2001-03-23 | 2002-09-25 | Golden River Traffic Ltd | Measurement of traffic density |
WO2002082405A1 (en) * | 2001-04-03 | 2002-10-17 | Magellan Dis, Inc. | Vehicle navigation system with portable personal computer |
US6617981B2 (en) * | 2001-06-06 | 2003-09-09 | John Basinger | Traffic control method for multiple intersections |
EP2275961A1 (de) | 2001-06-22 | 2011-01-19 | Caliper Corporation | Verkehrsdatenverwaltung und Simulationssystem |
US7221287B2 (en) | 2002-03-05 | 2007-05-22 | Triangle Software Llc | Three-dimensional traffic report |
FR2845193A1 (fr) * | 2002-09-26 | 2004-04-02 | Jean Francois Peyre | Dispositif permettant de ralentir le flot des vehicules a l'approche de zones a vitesse reglementee |
KR20040051778A (ko) * | 2002-12-13 | 2004-06-19 | 주식회사 엘지씨엔에스 | 유고 감지 방법 |
FR2852724B1 (fr) * | 2003-03-19 | 2006-08-04 | Procede et dispositif de gestion de priorites pour vehicules collectifs. | |
WO2005013063A2 (en) * | 2003-07-25 | 2005-02-10 | Landsonar, Inc. | System and method for determining recommended departure time |
US7355528B2 (en) * | 2003-10-16 | 2008-04-08 | Hitachi, Ltd. | Traffic information providing system and car navigation system |
US20050094558A1 (en) * | 2003-11-05 | 2005-05-05 | Interdigital Technology Corporation | Wireless local area network (WLAN) methods and components that utilize traffic prediction |
US8452526B2 (en) * | 2003-12-15 | 2013-05-28 | Gary Ignatin | Estimation of roadway travel information based on historical travel data |
US20050137783A1 (en) * | 2003-12-17 | 2005-06-23 | Dort David B. | Traffic control and vehicle spacer system for the prevention of highway gridlock |
JP4007353B2 (ja) * | 2003-12-26 | 2007-11-14 | 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における交通情報処理装置 |
JP4561139B2 (ja) * | 2004-03-22 | 2010-10-13 | 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 |
US7366606B2 (en) * | 2004-04-06 | 2008-04-29 | Honda Motor Co., Ltd. | Method for refining traffic flow data |
US7289904B2 (en) | 2004-04-06 | 2007-10-30 | Honda Motor Co., Ltd. | Vehicle navigation system and methods for incorporating user preferences into same |
US7620402B2 (en) | 2004-07-09 | 2009-11-17 | Itis Uk Limited | System and method for geographically locating a mobile device |
US7289039B2 (en) * | 2004-09-10 | 2007-10-30 | Xanavi Informatics Corporation | Apparatus and method for processing and displaying traffic information in an automotive navigation system |
JP4329711B2 (ja) * | 2005-03-09 | 2009-09-09 | 株式会社日立製作所 | 交通情報システム |
KR100693181B1 (ko) | 2005-05-06 | 2007-03-13 | 에스케이 텔레콤주식회사 | 텔레매틱스 서비스에서 차량의 속도를 보정하는 방법 및시스템 |
DE102005041066A1 (de) * | 2005-08-30 | 2007-03-15 | Siemens Ag | Verfahren und Vorrichtung zur automatischen Generierung von Verkehrsmanagement-Strategien |
US7831379B2 (en) * | 2006-02-17 | 2010-11-09 | Lear Corporation | Roadside signage control from vehicle operating data |
US20070208506A1 (en) * | 2006-03-03 | 2007-09-06 | Ford Motor Company | Travel system for a vehicle |
US7610151B2 (en) | 2006-06-27 | 2009-10-27 | Microsoft Corporation | Collaborative route planning for generating personalized and context-sensitive routing recommendations |
US8793066B2 (en) | 2006-06-27 | 2014-07-29 | Microsoft Corporation | Route monetization |
US7617042B2 (en) * | 2006-06-30 | 2009-11-10 | Microsoft Corporation | Computing and harnessing inferences about the timing, duration, and nature of motion and cessation of motion with applications to mobile computing and communications |
US7706964B2 (en) * | 2006-06-30 | 2010-04-27 | Microsoft Corporation | Inferring road speeds for context-sensitive routing |
US7739040B2 (en) | 2006-06-30 | 2010-06-15 | Microsoft Corporation | Computation of travel routes, durations, and plans over multiple contexts |
US8126641B2 (en) * | 2006-06-30 | 2012-02-28 | Microsoft Corporation | Route planning with contingencies |
JP4950590B2 (ja) * | 2006-08-07 | 2012-06-13 | クラリオン株式会社 | 交通情報提供装置、交通情報提供システム、交通情報の送信方法、および交通情報の要求方法 |
US20080052145A1 (en) * | 2006-08-10 | 2008-02-28 | V2 Green, Inc. | Power Aggregation System for Distributed Electric Resources |
US7908076B2 (en) * | 2006-08-18 | 2011-03-15 | Inrix, Inc. | Representative road traffic flow information based on historical data |
JP4729469B2 (ja) * | 2006-11-10 | 2011-07-20 | 日立オートモティブシステムズ株式会社 | 交通情報システム |
FR2918495B1 (fr) * | 2007-07-02 | 2009-10-02 | Mediamobile Sa | Estimation de trafic dans un reseau routier |
JP4709810B2 (ja) * | 2007-07-17 | 2011-06-29 | 富士通エフ・アイ・ピー株式会社 | 交通量推定方法および推定システム並びに通過時間推定方法および推定システム |
JP4547408B2 (ja) * | 2007-09-11 | 2010-09-22 | 日立オートモティブシステムズ株式会社 | 交通状況予測装置,交通状況予測方法 |
US20090157498A1 (en) * | 2007-12-14 | 2009-06-18 | Microsoft Corporation | Generational intelligent navigation synchronization or update |
US20090157540A1 (en) * | 2007-12-14 | 2009-06-18 | Microsoft Corporation | Destination auctioned through business of interest |
US20090210302A1 (en) * | 2008-02-19 | 2009-08-20 | Microsoft Corporation | Route reward augmentation |
US20090210142A1 (en) * | 2008-02-19 | 2009-08-20 | Microsoft Corporation | Safe route configuration |
US20090210242A1 (en) * | 2008-02-19 | 2009-08-20 | Microsoft Corporation | Load balance payment |
DE102008021260A1 (de) * | 2008-04-29 | 2009-11-05 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Güteprüfung von Verkehrsstörungsmeldeverfahren |
GB0901588D0 (en) | 2009-02-02 | 2009-03-11 | Itis Holdings Plc | Apparatus and methods for providing journey information |
US8619072B2 (en) | 2009-03-04 | 2013-12-31 | Triangle Software Llc | Controlling a three-dimensional virtual broadcast presentation |
US9046924B2 (en) | 2009-03-04 | 2015-06-02 | Pelmorex Canada Inc. | Gesture based interaction with traffic data |
US8982116B2 (en) | 2009-03-04 | 2015-03-17 | Pelmorex Canada Inc. | Touch screen based interaction with traffic data |
US9218453B2 (en) * | 2009-06-29 | 2015-12-22 | Roche Diabetes Care, Inc. | Blood glucose management and interface systems and methods |
KR101343764B1 (ko) * | 2009-10-27 | 2013-12-19 | 알까뗄 루슨트 | 이동 시간 추정의 신뢰도 개선 |
CA2824337C (en) | 2010-02-01 | 2017-02-28 | Miovision Technologies Incorporated | System and method for modeling and optimizing the performance of transportation networks |
US9171463B2 (en) * | 2010-06-29 | 2015-10-27 | Honda Motor Co., Ltd. | Congestion estimation device |
WO2012065188A2 (en) | 2010-11-14 | 2012-05-18 | Triangle Software Llc | Crowd sourced traffic reporting |
JP5790044B2 (ja) * | 2011-03-14 | 2015-10-07 | 住友電気工業株式会社 | 交通量推定装置、コンピュータプログラム及び交通量推定方法 |
CA2839866C (en) | 2011-05-18 | 2021-04-13 | Triangle Software Llc | System for providing traffic data and driving efficiency data |
GB2492369B (en) | 2011-06-29 | 2014-04-02 | Itis Holdings Plc | Method and system for collecting traffic data |
JP5667944B2 (ja) * | 2011-08-11 | 2015-02-12 | 本田技研工業株式会社 | サーバ側渋滞解消走行支援方法 |
US8706458B2 (en) * | 2011-10-05 | 2014-04-22 | International Business Machines Corporation | Traffic sensor management |
CA2756916A1 (en) * | 2011-11-01 | 2013-05-01 | University Of New Brunswick | A bayesian method for improving group assignment and aadt estimation accuracy of short-term traffic counts |
US8781718B2 (en) | 2012-01-27 | 2014-07-15 | Pelmorex Canada Inc. | Estimating time travel distributions on signalized arterials |
CN102663224A (zh) * | 2012-03-07 | 2012-09-12 | 吉首大学 | 基于信息熵的交通流量集成预测模型 |
US9111442B2 (en) * | 2012-03-23 | 2015-08-18 | International Business Machines Corporation | Estimating incident duration |
US10223909B2 (en) | 2012-10-18 | 2019-03-05 | Uber Technologies, Inc. | Estimating time travel distributions on signalized arterials |
JP2016513805A (ja) | 2013-03-15 | 2016-05-16 | キャリパー コーポレイション | 車両ルート指定および交通管理のための車線レベル車両ナビゲーション |
KR101507079B1 (ko) * | 2013-03-22 | 2015-04-07 | 한국건설기술연구원 | 도로 용량 산출 장치 및 방법 |
CN103198658B (zh) * | 2013-03-25 | 2014-04-16 | 浙江大学 | 一种城市道路交通状态不均衡度检测方法 |
CN103413428A (zh) * | 2013-06-27 | 2013-11-27 | 北京交通大学 | 基于传感器网络的道路交通信息可信度空间特性表示方法 |
CN104346926B (zh) * | 2013-07-31 | 2017-09-12 | 国际商业机器公司 | 行驶时间预测方法和装置、以及相关终端设备 |
CN103914985B (zh) * | 2014-04-25 | 2015-10-28 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN105303838B (zh) * | 2015-12-01 | 2019-05-28 | 北京百度网讯科技有限公司 | 确定道路流量的方法和装置 |
CN106251620B (zh) * | 2016-09-26 | 2019-01-25 | 北京东土科技股份有限公司 | 基于智能交通云控制***的中心*** |
EP3413284B1 (de) * | 2017-06-09 | 2021-03-24 | PTV Planung Transport Verkehr AG | Computersystem und verfahren zur statusvorhersage eines verkehrssystems |
JP7205197B2 (ja) * | 2018-11-29 | 2023-01-17 | 日本電気株式会社 | 交通量調査装置、交通量調査方法、プログラム |
CN110009255B (zh) * | 2019-04-16 | 2021-07-20 | 西南交通大学 | 基于三参数区间泛灰数的铁路车站能力表示方法 |
WO2020250351A1 (ja) * | 2019-06-12 | 2020-12-17 | 日本電信電話株式会社 | 分析装置、分析方法、及び分析プログラム |
US11423775B2 (en) * | 2019-07-18 | 2022-08-23 | International Business Machines Corporation | Predictive route congestion management |
CN110837888A (zh) * | 2019-11-13 | 2020-02-25 | 大连理工大学 | 一种基于双向循环神经网络的交通缺失数据补全方法 |
CN113808384B (zh) * | 2020-06-16 | 2023-02-10 | 英业达科技有限公司 | 交通状况侦测方法 |
CN112382082B (zh) * | 2020-09-30 | 2022-06-14 | 银江技术股份有限公司 | 一种拥堵区域交通运行状态预测方法及*** |
CN112419710B (zh) * | 2020-10-22 | 2022-07-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN113592136A (zh) * | 2021-06-18 | 2021-11-02 | 阿波罗智联(北京)科技有限公司 | 一种交通数据预测方法、装置及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4370718A (en) * | 1979-02-06 | 1983-01-25 | Chasek Norman E | Responsive traffic light control system and method based on conservation of aggregate momentum |
FR2465283A1 (fr) * | 1979-09-07 | 1981-03-20 | Thomson Csf | Dispositif de mesure du trafic routier, et systeme de signalisation comportant un tel dispositif |
US5289183A (en) * | 1992-06-19 | 1994-02-22 | At/Comm Incorporated | Traffic monitoring and management method and apparatus |
US5257194A (en) * | 1991-04-30 | 1993-10-26 | Mitsubishi Corporation | Highway traffic signal local controller |
JP2816919B2 (ja) * | 1992-11-05 | 1998-10-27 | 松下電器産業株式会社 | 空間平均速度および交通量推定方法、地点交通信号制御方法、交通量推定・交通信号制御機制御装置 |
JP3079881B2 (ja) * | 1993-08-10 | 2000-08-21 | 三菱自動車工業株式会社 | 道路交通状況推定方法および車両運転特性制御方法 |
-
1992
- 1992-11-19 SE SE9203474A patent/SE470367B/sv not_active IP Right Cessation
-
1993
- 1993-11-11 WO PCT/SE1993/000962 patent/WO1994011839A1/en active IP Right Grant
- 1993-11-11 DE DE69329119T patent/DE69329119T2/de not_active Expired - Fee Related
- 1993-11-11 JP JP6512002A patent/JPH08503317A/ja active Pending
- 1993-11-11 EP EP94901104A patent/EP0670066B1/de not_active Expired - Lifetime
- 1993-11-11 US US08/939,580 patent/US5822712A/en not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022112860A1 (de) | 2022-05-23 | 2023-11-23 | Endress+Hauser SE+Co. KG | Verfahren zum Erkennen eines Automatisierungsanlagen übergreifenden Ereignisses |
Also Published As
Publication number | Publication date |
---|---|
SE9203474D0 (sv) | 1992-11-19 |
DE69329119D1 (de) | 2000-08-31 |
EP0670066A1 (de) | 1995-09-06 |
WO1994011839A1 (en) | 1994-05-26 |
JPH08503317A (ja) | 1996-04-09 |
US5822712A (en) | 1998-10-13 |
SE9203474L (sv) | 1994-01-31 |
EP0670066B1 (de) | 2000-07-26 |
SE470367B (sv) | 1994-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69329119T2 (de) | Vorhersageverfahren für strassenverkehrparameter | |
DE60319993T2 (de) | Vorrichtung und verfahren zur verkehrsinformationsbereitstellung | |
EP1026649B1 (de) | Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation | |
DE102007037920B4 (de) | Verkehrszustands-Vorhersagevorrichtung | |
DE69913944T2 (de) | Verfahren und Mittel für Netzsteuerung von Verkehr | |
EP1614996B1 (de) | Verfahren und Routenplanungssystem zur dynamischen Routenplanung | |
DE202017007599U1 (de) | Systeme zum Erzeugen von erwarteten Fahrgeschwindigkeiten | |
EP1154389A1 (de) | Verfahren zur Verkehrslagebestimmung für ein Verkehrsnetz | |
EP3611709A1 (de) | Verkehrsflusssimulator | |
DE10037827A1 (de) | Fahrzeugautonomes Verkehrsinformationssystem | |
EP3387633B1 (de) | Verfahren und system zur verkehrsvorhersage in querschnittsbeschränkten seegebieten | |
DE112013005457T5 (de) | Verfahren zum Vorhersagen der künftigen Fahrzeit auf einer Strecke | |
EP0884708B1 (de) | Verfahren und Vorrichtung zur Verkehrszustandsprognose | |
DE102013000385A1 (de) | Verfahren und Navigationssystem zum Ermitteln eines Fahrroutenvorschlags für eine bevorstehende Fahrt mit einem Kraftwagen | |
DE69631629T2 (de) | Erfassung und Vorhersage von Verkehrsbehinderungen | |
EP3438946A2 (de) | Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage | |
DE19928082A1 (de) | Filterungsverfahren zur Bestimmung von Reisegeschwindigkeiten bzw. -zeiten und Domänen-Restgeschwindigkeiten | |
DE102005009604B4 (de) | Verfahren und Vorrichtung zum Erzeugen eines Bewertungswertes für Verkehrsdaten | |
DE10108611A1 (de) | Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz | |
EP1758065B1 (de) | Verfahren zur Prognose eines Verkehrszustandes in einem Straßennetz und Verkehrsmanagementzentrale | |
DE102016216538A1 (de) | Verfahren zum Betreiben einer Steuervorrichtung eines Kraftfahrzeugs, Steuervorrichtung und Kraftfahrzeug | |
DE19944891A1 (de) | Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung | |
DE10234367B3 (de) | Verfahren zur Abbildung des Verkehrszustandes und System zur Verkehrsorganisation | |
DE102010064063B4 (de) | Verfahren und Vorrichtung zur rechnergestützten Prognose eine Fahrtdauer eines Fahrzeugs auf einer Route aus einem oder mehreren Routensegmenten | |
EP1528524B1 (de) | Verfahren zur gangliniengestützen Verkehrsprognose |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8339 | Ceased/non-payment of the annual fee |