JP2000067362A - Traffic condition prediction method, device therefor and recording medium having recorded traffic condition prediction program thereon - Google Patents
Traffic condition prediction method, device therefor and recording medium having recorded traffic condition prediction program thereonInfo
- Publication number
- JP2000067362A JP2000067362A JP10233189A JP23318998A JP2000067362A JP 2000067362 A JP2000067362 A JP 2000067362A JP 10233189 A JP10233189 A JP 10233189A JP 23318998 A JP23318998 A JP 23318998A JP 2000067362 A JP2000067362 A JP 2000067362A
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- data
- series
- traffic condition
- 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.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、現在までの交通状
況などをもとに将来の交通状況を予測する交通状況予測
方法および装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a traffic condition prediction method and apparatus for predicting a future traffic condition based on traffic conditions up to the present.
【０００２】[0002]
【従来の技術】交通状況予測の手法としては、（１）過
去のデータを蓄積していく方法、（２）現在から数ステ
ップ過去のデータのみを扱う方法がある。2. Description of the Related Art Traffic state prediction methods include (1) a method of accumulating past data, and (2) a method of treating only data several steps past from the present.
【０００３】（１）の過去のデータを蓄積していく方法
は、特定の地点の過去何年かにわたるデータを蓄積し、
このデータより、月、曜日、時間などの影響を分析して
いく手法である。この手法では、データを統計的な処理
などを施して特徴量を抽出し予測に使用するため、本来
のデータが持っている情報量が失われる可能性があっ
た。例えば、現在に近いデータが持っている現在の状況
を表す情報が、過去のデータとの平均などをとることに
よって失われる可能性がある。[0003] The method of (1) accumulating past data is to accumulate data for a specific point over the past several years,
This method analyzes the effects of the month, day of the week, time, and the like based on this data. In this method, since the data is subjected to a statistical process or the like to extract a feature amount and use it for prediction, there is a possibility that the information amount of the original data may be lost. For example, there is a possibility that information indicating the current situation of data close to the present may be lost by averaging with past data.
【０００４】（２）の現在から過去数ステップのデータ
を扱う方法は、現在から過去数ステップ前の時系列デー
タに対し、自己回帰モデルやニューラルネットワークな
どの手法でこの時系列データを外挿する曲線を定め、こ
の曲線で未来の交通量を予測する方法である。この手法
は時間的に変動の激しい要因を反映し得るが、逆に時間
的に変化しない、あるいは長期的に変動する要因を反映
できない。In the method of (2) for handling data of several steps from the present to the past, extrapolation of the time-series data from the present to the past several steps is performed by a method such as an autoregressive model or a neural network. This is a method of defining a curve and predicting the future traffic volume using this curve. This method can reflect factors that fluctuate over time, but cannot reflect factors that do not change over time or that fluctuate over time.
【０００５】[0005]
【発明が解決しようとする課題】一般に交通状況は、再
現性があるといわれている。例えば、通勤ラッシュなど
による２４時間変動、曜日による変動などは、時間的に
ある周期で同じ変化をする。また、ある特定の道路で過
去に事故などが発生した状態での交通状況の変化は、そ
の道路における地理的要因などが反映されていると考え
られ、再び事故が発生した場合の交通状況予測において
有用であると考えられる。It is generally said that traffic conditions have reproducibility. For example, a 24-hour change due to a commuting rush, a change due to a day of the week, and the like change in a certain cycle in time. In addition, changes in traffic conditions when an accident or the like has occurred on a particular road in the past are considered to reflect the geographical factors on that road. Deemed useful.
【０００６】しかし、上述のように、従来の方法では
（１）のように何らかの形で統計的な処理を施し特徴量
を抽出したり、（２）のように現在に非常に近いデータ
のみを対象としていた。However, as described above, in the conventional method, some amount of statistical processing is performed as in (1) to extract a feature amount, or only data very close to the present as in (2) is used. Was targeted.
【０００７】このため、時系列データの限定された特徴
量を使用していたため元のデータの情報が欠落する恐れ
があり予測精度が低下する、時系列データを複雑な方法
で処理していたので予測に時間がかかる、（特に（２）
では）ある程度過去に起こった同様な現象を参考にして
予測することが困難であり予測程度が低下する、という
問題があった。For this reason, time-series data is processed by a complicated method because the information of the original data may be lost due to the use of the limited feature amount of the time-series data, and the prediction accuracy is reduced. It takes time to predict (particularly (2)
Then, it was difficult to make predictions with reference to similar phenomena that occurred to some extent in the past, and the degree of prediction was reduced.
【０００８】本発明の目的は、正確で処理時間の短い予
測が可能な交通状況予測方法および装置を提供すること
にある。An object of the present invention is to provide a traffic condition prediction method and apparatus capable of predicting accurately and with a short processing time.
【０００９】[0009]
【課題を解決するための手段】本発明の交通状況予測方
法は、交通状況を決定する最新のデータを収集し、前記
収集データを逐次時系列データとして蓄積し、前記蓄積
された時系列データから現在の状況に近い時系列データ
を検索し、前記検索された時系列データを利用して交通
状況の予測値を求める。According to the traffic condition prediction method of the present invention, the latest data for determining the traffic condition is collected, the collected data is sequentially stored as time-series data, and Time series data that is close to the current situation is searched, and a predicted value of the traffic situation is obtained using the searched time series data.
【００１０】また、本発明の交通状況予測装置は、交通
状況を決定する要因になると思われる種々のデータを収
集する入力データ収集手段と、収集データを逐次時系列
データとして蓄積する時系列データ管理手段と、前記蓄
積した時系列データから現在の状況に近い時系列データ
を検索する検索手段と、前記検索された時系列データを
利用して交通状況の予測値を求める。[0010] The traffic condition predicting apparatus of the present invention further comprises an input data collecting means for collecting various data considered to be a factor for determining a traffic condition, and a time series data management for accumulating the collected data as time series data. Means, search means for searching the stored time-series data for time-series data close to the current situation, and a predicted value of a traffic condition using the searched time-series data.
【００１１】過去に蓄積された交通状況などのデータか
ら、現在の状況に近い時系列データを検索し、これを利
用して予測することで、過去に記録した情報を有効に利
用して、任意の状況に対して精度の良い予測が可能とな
る。[0011] Time-series data that is close to the current situation is searched from data such as traffic conditions accumulated in the past, and prediction is performed using the data. In this situation, accurate prediction can be made.
【００１２】[0012]
【発明の実施の形態】次に、本発明の実施の形態につい
て図面を参照して説明する。Next, embodiments of the present invention will be described with reference to the drawings.
【００１３】図１は本発明の一実施形態の交通状況予測
方法の流れ図である。本実施形態では、現在よりＳ分先
のある道路の空間平均速度を予測する例を示す。FIG. 1 is a flowchart of a traffic condition prediction method according to one embodiment of the present invention. In the present embodiment, an example will be described in which the spatial average speed of a road located S minutes ahead of the present is predicted.
【００１４】本実施形態の方法は、大きく２つの部分に
分かれる。データ更新処理１１０と、予測値決定処理１
２０である。まず、データ更新処理１１０について述べ
る。The method of this embodiment is roughly divided into two parts. Data update processing 110 and predicted value determination processing 1
20. First, the data update processing 110 will be described.
【００１５】まず、予測に使用する最新のデータを収集
する（ステップ１１１）。本実施形態では、予測対象道
路の最新の空間平均速度を収集することとする。First, the latest data used for prediction is collected (step 111). In the present embodiment, the latest spatial average speed of the road to be predicted is collected.
【００１６】次に、収集された最新データを、保持して
ある過去の時系列データ２０１の先頭に追加する（ステ
ップ１１２）。時系列データは過去のデータが時刻順に
入っているデータ列である。新規データを追加した結果
データ列が最大の長さＮを越えると、最も古いデータが
消される。Next, the collected latest data is added to the head of the stored past time-series data 201 (step 112). The time-series data is a data sequence in which past data is in time order. When the data string resulting from the addition of new data exceeds the maximum length N, the oldest data is erased.
【００１７】次に、最新の時系列パターンセット２２０
を作成し、時系列パターンテーブル２３０を更新する
（ステップ１１３）。時系列パターンテーブルの更新
（ステップ１１３）の模式図を図２に示す。Next, the latest time-series pattern set 220
Is created, and the time series pattern table 230 is updated (step 113). FIG. 2 shows a schematic diagram of updating the time series pattern table (step 113).
【００１８】本実施形態では、ステップ１１２において
作成した時系列データ２０１に対し、先頭（最新）のデ
ータ一つ（２０３）と、Ｓ分前のデータからＭ個の連続
データ（２０４）とを組み合わせたものを最新時系列パ
ターンセット２２０という。先頭データ部２０３はパタ
ーンセット２２０の予測値部２２２に、連続データ部２
０４はパターンセット２２０のパターン２２１になる。
また、このようにして作成したパターンセット２２０を
最新のものからＬ個保持し、これを時系列パターンテー
ブル２３０とする。In this embodiment, the time series data 201 created in step 112 is combined with one head (latest) data (203) and M continuous data (204) from the data S minutes before. This is referred to as the latest time-series pattern set 220. The leading data portion 203 includes a continuous data portion 2 in the predicted value portion 222 of the pattern set 220.
04 becomes the pattern 221 of the pattern set 220.
Further, the L pattern sets 220 created in this way are stored from the latest one, and this is set as a time-series pattern table 230.
【００１９】次に、ステップ１１４において、予測値決
定を行わないならばステップ１１１に戻り、行う場合
は、予測値決定処理１２０内のステップ１２１へと進
む。Next, in step 114, if the predicted value is not determined, the process returns to step 111; otherwise, the process proceeds to step 121 in the predicted value determining process 120.
【００２０】予測値決定を行う場合は、ステップ１１２
で更新した時系列データ２０１を用いて最新の時系列デ
ータキー２１０を作成する（ステップ１２１）。時系列
データキー作成（ステップ１２１）の模式図を図２に示
す。If the prediction value is to be determined, step 112
The latest time-series data key 210 is created using the time-series data 201 updated in step (step 121). FIG. 2 shows a schematic diagram of the creation of the time-series data key (step 121).
【００２１】ステップ１１２で作成した時系列データ２
０１において、例えば先頭からＭ個の連続データ２０２
を取りだす。これを最新時系列データキー２１０とい
う。この最新時系列データキー２１０はステップ１２２
の検索において、検索キーとして使用する。The time series data 2 created in step 112
01, for example, the M consecutive data 202 from the top
Take out. This is called the latest time series data key 210. This latest time-series data key 210 is stored in step 122
Used as a search key in the search for.
【００２２】次に、ステップ１２１で作成した最新時系
列データキー２１０を用いて、ステップ１１３にて更新
した時系列パターンテーブル２３０の中から、キー２１
０にもっとも近いパターンを持つパターンセットを検索
する（ステップ１２２）。この模式図を図３に示す。時
系列パターンテーブル２３０にはＬ個のパターンセット
２３１，２３２，２３３，・・・，２３Ｌが保持されて
いる。これらのパターンセットの中から、ステップ１２
１で作成した最新時系列データキー２１０を検索キー２
４０とし、これに最も近いパターンを持つパターンセッ
ト２５０を検索する。検索する手法は多数あり、本実施
形態で特定されるものではないが、本具体例では一つず
つ順番に全検索することとする。Next, using the latest time-series data key 210 created in step 121, the key 21 is extracted from the time-series pattern table 230 updated in step 113.
A pattern set having a pattern closest to 0 is searched (step 122). This schematic diagram is shown in FIG. The time-series pattern table 230 holds L pattern sets 231, 232, 233,..., 23L. From these pattern sets, step 12
Search key 2 for the latest time-series data key 210 created in 1
40, and a pattern set 250 having the closest pattern is searched. There are many searching methods, which are not specified in the present embodiment. However, in this specific example, it is assumed that all the searching is performed one by one in order.
【００２３】次に、検索されたパターンセット２５０に
おける予測値部を本手法における予測値２６０とする
（ステップ１２３）。Next, the predicted value part in the searched pattern set 250 is set as the predicted value 260 in the present method (step 123).
【００２４】次に、新しいデータが収集可能かを判定
し、可能であればステップ１１１へ、不可能であればス
テップ１２１へ戻る（ステップ１２４）。ステップ１１
４とステップ１２４の条件判定部の結果により、データ
更新処理１１０および予測値決定処理１２０は交互に実
行されることもあり、また何回か連続して一方のみが実
行されることもある。Next, it is determined whether new data can be collected. If possible, the process returns to step 111, and if not, the process returns to step 121 (step 124). Step 11
4 and the result of the condition determination unit in step 124, the data update processing 110 and the predicted value determination processing 120 may be executed alternately, or only one of them may be executed several times in succession.
【００２５】ところで、本実施形態では、キーおよびパ
ターンとして連続する時系列データを用いたが、この他
に不連続な時系列データを用いる場合も考えられ、キー
およびパターンの作成方法は本実施形態に限定されな
い。In the present embodiment, continuous time-series data is used as a key and a pattern. However, in addition to the above, discontinuous time-series data may be used. It is not limited to.
【００２６】また、本実施形態では時系列データとし
て、予測対象道路の空間平均速度を用いる場合を示した
が、この他に予測対象道路の交通量や所要時間などを用
いる方法、周辺道路に関する同様な情報を用いる方法な
ども考えられ、時系列データとして何を用いるかは本実
施形態に限定されない。In this embodiment, the case where the spatial average speed of the road to be predicted is used as the time-series data has been described. It is also conceivable to use a method using appropriate information, and what to use as time-series data is not limited to the present embodiment.
【００２７】さらに、本実施形態では時系列パターンテ
ーブル２３０の更新において、新しいものから順にパタ
ーンセットをＬ個とってパターンテーブルとしたが、こ
の他に、パターンテーブル内に類似したパターンセット
が無い場合のみ、新たなパターンセットを追加ないしは
最も古いものと置き換える方法なども考えられ、時系列
パターンテーブル２３０の更新の方法は、本実施形態に
限定されない。Further, in the present embodiment, when updating the time-series pattern table 230, L pattern sets are taken in order from the newest one and used as a pattern table. However, when there is no similar pattern set in the pattern table, Only, a method of adding a new pattern set or replacing it with the oldest one may be considered, and the method of updating the time-series pattern table 230 is not limited to the present embodiment.
【００２８】また、本実施形態では、パターンテーブル
２３０内の時系列パターンセットにおいて、パターンは
予測値からＳ分前のＭ個の時系列データとしたが、パタ
ーンセットごとにＭ、Ｓを変える方法も考えられ、Ｍ、
Ｓが固定であるかどうかは本実施形態に限定されない。Further, in the present embodiment, in the time series pattern set in the pattern table 230, the pattern is M time series data S minutes before the predicted value, but the M and S are changed for each pattern set. Is also considered, M,
Whether S is fixed is not limited to this embodiment.
【００２９】また、本実施形態では、検索キー２４０に
最も近いパターンを持つパターンセットを１つだけ検索
したが、この他にも検索キー２４０に近いパターンを持
つパターンセットを上位数個検索し、これらの予測値部
を平均し、予測値を算出する方法なども考えられ、検索
パターンセットの個数は本実施形態に限定されない。Further, in the present embodiment, only one pattern set having a pattern closest to the search key 240 is searched, but several other pattern sets having patterns close to the search key 240 are searched. A method of calculating the predicted value by averaging these predicted value parts may be considered, and the number of search pattern sets is not limited to the present embodiment.
【００３０】図４を参照すると、本発明の一実施形態の
交通状況予測装置は入力データ収集部３０１と時系列デ
ータ管理部３０２と時系列パターンテーブル管理部３０
３と最新時系列データキー生成部３０４とパターンセッ
ト検索部３０５と予測値決定部３０６で構成されてい
る。Referring to FIG. 4, an apparatus for predicting traffic conditions according to an embodiment of the present invention includes an input data collection unit 301, a time series data management unit 302, and a time series pattern table management unit 30.
3, a latest time-series data key generation unit 304, a pattern set search unit 305, and a predicted value determination unit 306.
【００３１】交通状況を決定する要因になると思われる
種々のデータが、入力データ収集手段３０１にて収集さ
れる。Various data considered to be factors that determine the traffic situation are collected by the input data collection means 301.
【００３２】収集されたデータは時系列データ管理部３
０２に送られる。時系列データ管理部３０２では、送ら
れてきたデータを用いて時系列データ２０１を更新し、
これを保持する。保持されている時系列データ２０１は
時系列パターンテーブル管理部３０３に送られる。時系
列パターンテーブル管理部３０３では、最新時系列デー
タパターンセット２２０の作成、時系列データパターン
テーブル２３０の更新、およびその保持が行われる。ま
た、時系列データ２０１は最新時系列データキー生成部
３０４にも送られ、最新時系列データキー２１０が生成
される。最新時系列データキー生成部３０４にて生成さ
れた最新時系列データキー２１０を用いて、パターンセ
ット検索部３０５において、最新時系列データキー２１
０にもっとも近いパターンを持つパターンセットを時系
列パターンテーブル管理部３０３にて更新した時系列デ
ータパターンテーブル２３０内で検索する。検索された
パターンセット２５０は予測値決定部３０６に送られ
る。予測値決定部３０６はこのパターンセット２５０を
もとに予測値を決定する。The collected data is stored in the time-series data management unit 3
02. The time-series data management unit 302 updates the time-series data 201 using the transmitted data,
Hold this. The held time-series data 201 is sent to the time-series pattern table management unit 303. The time-series pattern table management unit 303 creates the latest time-series data pattern set 220, updates the time-series data pattern table 230, and holds it. The time-series data 201 is also sent to the latest time-series data key generation unit 304, and the latest time-series data key 210 is generated. Using the latest time-series data key 210 generated by the latest time-series data key generation unit 304, the pattern set search unit 305 causes the latest time-series data key 21
A pattern set having a pattern closest to 0 is searched in the time-series data pattern table 230 updated by the time-series pattern table management unit 303. The searched pattern set 250 is sent to the predicted value determination unit 306. The predicted value determination unit 306 determines a predicted value based on the pattern set 250.
【００３３】上述のような構成をとることによって、過
去の似たような状況を検索することができ、交通状況の
周期性、再現性を利用した予測が可能となる。With the above configuration, similar situations in the past can be searched, and predictions can be made using the periodicity and reproducibility of traffic conditions.
【００３４】図５を参照すると、本発明の他の実施形態
の交通状況予測装置は入力装置４０１と記憶装置４０２
と出力装置４０３と記録媒体４０４とデータ処理装置４
０５で構成されている。Referring to FIG. 5, a traffic condition predicting apparatus according to another embodiment of the present invention includes an input device 401 and a storage device 402.
, Output device 403, recording medium 404, and data processing device 4
05.
【００３５】入力装置４０１は最新のデータを入力する
モデム等の入力装置である。記憶装置４０２は、時系列
データ２０１および時系列パターンテーブル２３０を保
持する。出力装置４０３は決定された予測値が出力され
る、ディスプレイ、プリンタ等の出力装置である。記録
媒体４０４は、図１に示す交通状況予測プログラムが記
録された、フロッピーディスク、ＣＤ−ＲＯＭ、光磁気
ディスク、半導体メモリ等の記録媒体である。データ処
理装置４０５は記録媒体４０４から交通状況予測プログ
ラムを読み込んで、これを実行するＣＰＵである。The input device 401 is an input device such as a modem for inputting the latest data. The storage device 402 holds the time-series data 201 and the time-series pattern table 230. The output device 403 is an output device, such as a display or a printer, to which the determined predicted value is output. The recording medium 404 is a recording medium such as a floppy disk, a CD-ROM, a magneto-optical disk, or a semiconductor memory on which the traffic condition prediction program shown in FIG. 1 is recorded. The data processing device 405 is a CPU that reads a traffic condition prediction program from the recording medium 404 and executes the program.
【００３６】[0036]
【発明の効果】以上説明したように、本発明によれば、
時系列データをそのまま使用することにより情報の欠落
がなくなることによる予測精度の向上、時系列データを
処理せずそのまま記録することによる予測時間の短縮、
古い過去のデータが利用できることによる予測精度の向
上が実現できる。As described above, according to the present invention,
Improving prediction accuracy by using time-series data as it is, eliminating missing information, shortening prediction time by recording time-series data without processing it,
Improvement of prediction accuracy can be realized by using old past data.
【図１】本発明の一実施形態の交通状況予測方法のフロ
ーチャートである。FIG. 1 is a flowchart of a traffic condition prediction method according to an embodiment of the present invention.
【図２】図１の実施形態での最新時系列データ生成およ
び時系列データパターン更新方法の模式図である。FIG. 2 is a schematic diagram of a method of generating latest time-series data and updating a time-series data pattern in the embodiment of FIG. 1;
【図３】図１の実施形態でのパターン検索方法の模式図
である。FIG. 3 is a schematic diagram of a pattern search method in the embodiment of FIG.
【図４】本発明の一実施形態の交通状況予測装置のブロ
ック図である。FIG. 4 is a block diagram of a traffic condition prediction device according to an embodiment of the present invention.
【図５】本発明の他の実施形態の交通状況予測装置のブ
ロック図である。FIG. 5 is a block diagram of a traffic situation prediction device according to another embodiment of the present invention.
１１０ データ更新処理 １２０ 予測値決定処理 １１１〜１１４，１２１〜１２４ ステップ ２０１ 時系列データ ２０２ 時系列データ２０１における先頭から連続Ｍ
個のデータ ２０３ 時系列データ２０１における先頭データ ２０４ 時系列データ２０１におけるＳ分前のデータ
から連続Ｍ個のデータ ２１０ 最新時系列データキー ２２０ 最新時系列パターンセット ２２１ 最新時系列パターンセット２２０におけるパ
ターン ２２２ 最新時系列パターンセット２２０における予
測値部 ２３０ 時系列パターンテーブル ２３１〜２３Ｌ パターンセット ２４０ 検索キー ２５０ パターンテーブル３００内の検索キー３１０
に最も近いパターンを持つパターンセット ２６０ 予測値 ３０１ 入力データ収集部 ３０２ 時系列データ管理部 ３０３ 時系列パターンテーブル管理部 ３０４ 最新時系列データキー生成部 ３０５ パターンセット検索部 ３０６ 予測決定部 ４０１ 入力装置 ４０２ 記憶装置 ４０３ 出力装置 ４０４ 記録媒体 ４０５ データ処理装置110 Data update processing 120 Predicted value determination processing 111 to 114, 121 to 124 Step 201 Time series data 202 Continuous M from the top of time series data 201
Data 203 head data in the time-series data 201 204 consecutive M data from the data S minutes before in the time-series data 201 210 latest time-series data key 220 latest time-series pattern set 221 pattern 222 in the latest time-series pattern set 220 Predicted value part 230 in latest time-series pattern set 220 Time-series pattern table 231 to 23L Pattern set 240 Search key 250 Search key 310 in pattern table 300
Pattern set 260 that has a pattern closest to the pattern data 260 Predicted value 301 Input data collection unit 302 Time series data management unit 303 Time series pattern table management unit 304 Latest time series data key generation unit 305 Pattern set search unit 306 Prediction determination unit 401 Input device 402 Storage device 403 Output device 404 Recording medium 405 Data processing device
───────────────────────────────────────────────────── フロントページの続き (72)発明者 小川 智章 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 (72)発明者 安達 文夫 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 (72)発明者 大塚 和弘 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 (72)発明者 鈴木 智 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 Ｆターム(参考） 5H180 AA01 BB13 BB15 EE02 ──────────────────────────────────────────────────続 き Continuing on the front page (72) Inventor Tomoaki Ogawa 3-19-2 Nishi-Shinjuku, Shinjuku-ku, Tokyo Japan Telegraph and Telephone Corporation (72) Inventor Fumio Adachi 3-192-1, Nishi-Shinjuku, Shinjuku-ku, Tokyo No. Nippon Telegraph and Telephone Corporation (72) Inventor Kazuhiro Otsuka 3-192-2 Nishishinjuku, Shinjuku-ku, Tokyo Japan Telegraph and Telephone Corporation (72) Inventor Satoshi Suzuki 3-192 Nishishinjuku, Shinjuku-ku, Tokyo No. Nippon Telegraph and Telephone Corporation F term (reference) 5H180 AA01 BB13 BB15 EE02
Claims (6)
通状況を予測する交通状況予測方法であって、交通状況
を決定する最新のデータを収集し、前記収集データを逐
次時系列データとして蓄積し、前記蓄積された時系列デ
ータから現在の状況に近い時系列データを検索し、前記
検索された時系列データを利用して交通状況の予測値を
求める交通状況予測方法。1. A traffic condition prediction method for predicting a future traffic condition based on a traffic condition up to the present, wherein latest data for determining a traffic condition is collected, and the collected data is sequentially stored as time-series data. A traffic situation prediction method for searching for time series data close to the current situation from the accumulated time series data, and obtaining a predicted value of a traffic situation using the searched time series data.
ータの先頭に付加して時系列データを更新し、前記更新
された時系列データの最新値を予測値とし一定時間前の
時系列データを当該時系列パターンとしたパターンセッ
トを生成し、時系列パターンテーブルを更新し、前記時
系列パターンテーブルから、作成された最新の時系列デ
ータに最も近いパターンを持つパターンセットを検索
し、前記検索されたパターンセットに保持されている予
測値を交通状況の予測値とする請求項１記載の交通状況
予測方法。2. The time series data is updated by adding the latest data collected to the beginning of the time series data, and the latest value of the updated time series data is set as a predicted value and the time series data of a predetermined time before is updated. Is generated as a time-series pattern, a time-series pattern table is updated, and a pattern set having a pattern closest to the latest time-series data created is searched from the time-series pattern table. The traffic condition predicting method according to claim 1, wherein the predicted value held in the set pattern is used as the predicted value of the traffic condition.
通状況を予測する交通状況予測装置であって、 交通状況を決定する要因になると思われる種々のデータ
を収集する入力データ収集手段と、 収集データを逐次時系列データとして蓄積する時系列デ
ータ管理手段と、 前記蓄積した時系列データから現在の状況に近い時系列
データを検索する検索手段と、 前記検索された時系列データを利用して交通状況の予測
値を求める予測値決定手段を有する交通状況予測装置。3. A traffic condition predicting device for predicting a future traffic condition based on a traffic condition up to the present time, and an input data collecting means for collecting various data considered to be a factor determining the traffic condition; A time-series data management unit that sequentially accumulates the collected data as time-series data; a search unit that searches the stored time-series data for time-series data close to a current situation; and using the searched time-series data. A traffic condition predicting device having predicted value determining means for obtaining a predicted value of a traffic condition.
た最新データを前記時系列データの先頭に付加して時系
列データを更新する手段と、前記更新された時系列デー
タの最新値を予測値とし一定時間前の時系列データを当
該時系列パターンとしたパターンセットを生成し、時系
列パターンテーブルを更新する手段を有し、前記検索手
段は、前記時系列パターンテーブルから、作成された最
新の時系列データに最も近いパターンを持つパターンセ
ットを検索する手段を有する、請求項３記載の装置。4. The time-series data management means updates the time-series data by adding the latest data collected to the head of the time-series data, and predicts the latest value of the updated time-series data. Means for generating a pattern set in which the time-series data of a certain period of time before is used as the time-series pattern as a value, and updating the time-series pattern table. 4. The apparatus according to claim 3, further comprising means for searching for a pattern set having a pattern closest to the time-series data.
る種々のデータを収集するデータ収集処理と、収集デー
タを逐次時系列データとして記憶装置に蓄積する時系列
データ管理処理と、蓄積されている時系列データから現
在の状況に近い時系列データを検索する検索処理と、検
索された時系列データを利用して交通状況の予測値を求
める予測値決定処理をコンピュータに実行させるための
交通状況予測プログラムを記録した記録媒体。5. A data collection process for collecting various data considered to be a factor determining a traffic situation, a time-series data management process for sequentially storing the collected data as time-series data in a storage device, and Traffic condition prediction for causing a computer to execute a search process for searching time-series data close to the current situation from the time-series data and a predicted value determination process for obtaining a predicted value of a traffic condition using the searched time-series data. A recording medium on which a program is recorded.
た最新データを前記時系列データの先頭に付加して時系
列データを更新する処理と、前記更新された時系列デー
タの最新値を予測値とし一定時間前の時系列データを当
該時系列パターンとしたパターンセットを生成し、時系
列パターンテーブルを更新する処理を有し、前記検索処
理は、前記時系列パターンテーブルから、作成された最
新の時系列データに最も近いパターンを持つパターンセ
ットを検索する処理を有する、請求項５記載の記録媒
体。6. The time-series data management processing includes updating the time-series data by adding the latest data collected to the beginning of the time-series data, and predicting the latest value of the updated time-series data. A process of generating a pattern set in which the time-series data of a certain time ago as the value is used as the time-series pattern, and updating the time-series pattern table; 6. The recording medium according to claim 5, further comprising a process of searching for a pattern set having a pattern closest to the time-series data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10233189A JP2000067362A (en) | 1998-08-19 | 1998-08-19 | Traffic condition prediction method, device therefor and recording medium having recorded traffic condition prediction program thereon |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10233189A JP2000067362A (en) | 1998-08-19 | 1998-08-19 | Traffic condition prediction method, device therefor and recording medium having recorded traffic condition prediction program thereon |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000067362A true JP2000067362A (en) | 2000-03-03 |
Family
ID=16951147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10233189A Pending JP2000067362A (en) | 1998-08-19 | 1998-08-19 | Traffic condition prediction method, device therefor and recording medium having recorded traffic condition prediction program thereon |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2000067362A (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7472099B2 (en) | 2003-10-24 | 2008-12-30 | Mitsubishi Denki Kabushiki Kaisha | Forecasting apparatus |
| JP2010117865A (en) * | 2008-11-12 | 2010-05-27 | Nippon Telegr & Teleph Corp <Ntt> | Time series parameter estimating device, time series parameter estimation method, and time series parameter estimation program |
| WO2016036024A1 (en) * | 2014-09-01 | 2016-03-10 | 한국교통연구원 | Traffic link speed prediction method and apparatus for same |
| KR20160027606A (en) * | 2014-09-01 | 2016-03-10 | 한국교통연구원 | Method for predicting link traffic speed and device for the same |
| KR101805846B1 (en) * | 2016-11-21 | 2017-12-08 | 한국교통연구원 | Method for predicting link traffic speed and device for the same |
-
1998
- 1998-08-19 JP JP10233189A patent/JP2000067362A/en active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7472099B2 (en) | 2003-10-24 | 2008-12-30 | Mitsubishi Denki Kabushiki Kaisha | Forecasting apparatus |
| JP2010117865A (en) * | 2008-11-12 | 2010-05-27 | Nippon Telegr & Teleph Corp <Ntt> | Time series parameter estimating device, time series parameter estimation method, and time series parameter estimation program |
| WO2016036024A1 (en) * | 2014-09-01 | 2016-03-10 | 한국교통연구원 | Traffic link speed prediction method and apparatus for same |
| KR20160027606A (en) * | 2014-09-01 | 2016-03-10 | 한국교통연구원 | Method for predicting link traffic speed and device for the same |
| KR101628014B1 (en) * | 2014-09-01 | 2016-06-09 | 한국교통연구원 | Method for predicting link traffic speed and device for the same |
| CN107111941A (en) * | 2014-09-01 | 2017-08-29 | 韩国交通研究院 | Traffic link-speeds Forecasting Methodology and the device for it |
| KR101805846B1 (en) * | 2016-11-21 | 2017-12-08 | 한국교통연구원 | Method for predicting link traffic speed and device for the same |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110648527B (en) | Traffic speed prediction method based on deep learning model | |
| Che et al. | Hierarchical web caching systems: Modeling, design and experimental results | |
| CN102236674B (en) | Method and device for updating index page | |
| JP2004518226A (en) | Database system and query optimizer | |
| Derakhshan et al. | Continuous Deployment of Machine Learning Pipelines. | |
| CN114169401A (en) | Data processing and prediction model training method and device | |
| CN103324641B (en) | Information record recommendation method and device | |
| CN107229620A (en) | The storage method and device of a kind of video data | |
| CN113987105A (en) | Sliding window based label perception graph flow sketch construction method and application | |
| JP2000067362A (en) | Traffic condition prediction method, device therefor and recording medium having recorded traffic condition prediction program thereon | |
| KR100975510B1 (en) | Method and System for Updating Web Page Index | |
| JP3441053B2 (en) | Traffic condition prediction method and device, and recording medium recording traffic condition prediction program | |
| CN114625805B (en) | Return test configuration method, device, equipment and medium | |
| CN110851450A (en) | Accompanying vehicle instant discovery method based on incremental calculation | |
| WO2022062777A1 (en) | Data management method, data management apparatus, and storage medium | |
| JPH11282909A (en) | Production scheduling method and device therefor | |
| WO2022156064A1 (en) | Flash memory chip reliability level prediction method, apparatus, and storage medium | |
| CN114756602A (en) | Real-time streaming process mining method and system and computer readable storage medium | |
| JP2002109401A (en) | Method and device for controlling level of service | |
| CN115523931A (en) | Historical navigation route updating method for map navigation cache database | |
| JP2000057482A (en) | Method and device for predicting traffic condition, and recording medium recorded with traffic condition prediction program | |
| JP2004252789A (en) | Information retrieval device, information retrieval method, information retrieval program, and recording medium recorded with same program | |
| Nabil et al. | Mining frequent itemsets from online data streams: Comparative study | |
| JP2003271494A (en) | Information collection system, information collection method, information collection program and recording medium | |
| JP2001175735A (en) | Device, system and method for predicting time series and storage medium |