JPH09325189A - Road surface temperature prediction device and prediction method - Google Patents
Road surface temperature prediction device and prediction methodInfo
- Publication number
- JPH09325189A JPH09325189A JP16361496A JP16361496A JPH09325189A JP H09325189 A JPH09325189 A JP H09325189A JP 16361496 A JP16361496 A JP 16361496A JP 16361496 A JP16361496 A JP 16361496A JP H09325189 A JPH09325189 A JP H09325189A
- Authority
- JP
- Japan
- Prior art keywords
- road surface
- data
- surface temperature
- prediction
- time
- 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
- Measuring Temperature Or Quantity Of Heat (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
【0001】[0001]
【発明の属する技術分野】本発明は道路交通における計
測制御に関し、特に道路走行車両の運転者に対する路面
凍結情報の提供とか路面凍結対策等の道路管理に利用す
るための路面温度予測装置及び予測方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to measurement control in road traffic, and more particularly to a road surface temperature prediction device and prediction method for use in road management such as provision of road surface freezing information to a driver of a road vehicle or road surface freezing countermeasures. Regarding
【0002】[0002]
【従来の技術】従来、この種の路面温度予測方法として
は、路面温度とその他の気象データを用いる方法とし
て、文献「重回帰法を用いた路面温度予測システム」雪
と道路(p42〜p48,1989.10)に示すよう
なものがあった。これは統計的解析による方法であり、
事前に予測対象の特性に合わせた統計データの解析を行
ない、使用する気象データの選択とその回帰係数の設定
をしておき、それらを用いた回帰式で表される予測式に
現在の観測値を代入することにより予測値を算出するよ
うにしたものである。2. Description of the Related Art Conventionally, as a road surface temperature predicting method of this kind, as a method of using road surface temperature and other meteorological data, a document "Road surface temperature predicting system using multiple regression method" snow and road (p42 to p48, 1989.10). This is a statistical analysis method,
Analyze statistical data according to the characteristics of the prediction target in advance, select the meteorological data to be used and set the regression coefficient, and use the current observation value in the prediction formula represented by the regression formula using them. The predicted value is calculated by substituting.
【0003】また、他の従来の路面温度予測方法として
は、特開平6−300860号公報に示すような、統計
によるパターン分類を用いる方法があった。この方法
は、1日毎に路面温度の変化パターンを天候や月別に分
類し、あらかじめデータベース上に整理し記憶してお
き、実際に観測された路面温度データの変化パターンと
最も類似する分類の記憶されている変化パターンを抽出
し、この抽出された変化パターンに基づき路面温度を予
測しようとするものである。As another conventional road surface temperature prediction method, there is a method using statistical pattern classification as disclosed in Japanese Patent Laid-Open No. 6-300860. This method classifies the road surface temperature change patterns for each day by weather and month, arranges and stores it in a database in advance, and stores the classification most similar to the actually observed road surface temperature data change pattern. It is intended to predict the road surface temperature based on the extracted change pattern.
【0004】[0004]
【発明が解決しようとする課題】しかしながら、上記最
初の回帰式を用いる従来方法では、現在も過去において
生じた状態と同様な傾向が続くものと仮定して予測する
ものであるが、すべての時点で同じ傾向が続くとは限ら
ないので、定期的に統計データの解析及び予測式の修正
等のメンテナンスが必要となる。また、モデル構築以前
からある程度のデータの収集と予測式設定のためのデー
タ解析をしなければ、モデル構築をすることができない
という問題があった。However, in the conventional method using the first regression equation described above, prediction is made assuming that the same tendency as the state that occurred in the past will continue, but at all time points. Therefore, the same tendency does not always continue, so periodical maintenance such as analysis of statistical data and correction of prediction formula is required. In addition, there is a problem that the model cannot be constructed without collecting data to some extent and analyzing the data for setting the prediction formula before the model is constructed.
【0005】上記第2の、統計によるパターン分類を用
いる方法では、道路等の各予測対象毎にその特性に合わ
せて分類したデータベースを構築する必要があり、事前
の詳細な解析が必要であった。また、分類されるパター
ンが固定されており、現在の変化パターンに対して柔軟
に対応することができず、現在の変化パターンに適応し
た類似パターンがない場合も考えられる。その上、常に
環境の変化等による新たな変化パターンが発生し、パタ
ーンの変化に対して再構築する必要があるという問題が
あった。In the second method using pattern classification by statistics, it is necessary to construct a database classified according to the characteristics of each prediction target such as road, and detailed analysis in advance is required. . In addition, the patterns to be classified are fixed, it is not possible to flexibly deal with the current change pattern, and there may be a case where there is no similar pattern adapted to the current change pattern. In addition, there is a problem that a new change pattern is always generated due to a change in environment, and it is necessary to reconstruct for a change in the pattern.
【0006】本発明は、上記従来の問題を解決するため
になされたもので、予めデータベースを構築して解析す
る必要がなく、既に過去に観測された路面温度とか気象
データと、観測時点において観測可能なデータとを使用
して、予測時点にマッチしたより柔軟且つ的確な路面温
度を予測することができる路面温度予測装置および路面
温度予測方法を提供することを目的とする。The present invention has been made in order to solve the above-mentioned conventional problems, and it is not necessary to build and analyze a database in advance, and the road surface temperature and meteorological data already observed in the past and the observation at the time of observation can be performed. It is an object of the present invention to provide a road surface temperature prediction device and a road surface temperature prediction method capable of predicting a more flexible and accurate road surface temperature that matches a prediction time by using possible data.
【0007】[0007]
【課題を解決するための手段】本発明による路面温度予
測装置は、観測時点において観測可能な道路上に設置さ
れた路面温度センサからの路面温度とか気象センサから
の気象データを用い、路面温度及び使用可能な気象デー
タ(どちらか一方でもよい)をその時点における入力デ
ータとしてデータベースを逐次更新し構築するデータベ
ース構築手段と、予測時点における路面温度及び気象デ
ータの時系列分布状況に対し近傍または類似する時系列
分布状況を示すデータをデータベースから近傍データと
して収集する近傍データ収集手段と、収集された近傍デ
ータを用い路面温度とか気象データを入力とし予測路面
温度を出力とする予測モデルを構築するモデル構築手段
と、構築した予測モデルに対し予測時点における路面温
度とか気象データを当てはめ路面温度を予測する予測手
段とを設けるようにしたものである。A road surface temperature predicting apparatus according to the present invention uses the road surface temperature from a road surface temperature sensor installed on an observable road at the time of observation or the meteorological data from a meteorological sensor to calculate the road surface temperature and Database construction means for sequentially updating and constructing a database by using usable meteorological data (either one is acceptable) as input data at that time, and near or similar to the time series distribution situation of road surface temperature and meteorological data at the time of prediction Proximity data collection means that collects data showing the time-series distribution status from the database as neighborhood data, and model construction that constructs a prediction model that uses the collected neighborhood data as input and inputs predicted road surface temperature or weather data Means and road temperature and weather data at the time of prediction for the constructed prediction model Fitting surface temperature is obtained so as to provide a prediction means for predicting.
【0008】また、本発明による路面温度予測方法は、
観測時点において観測可能な道路上に設置された路面温
度センサからの路面温度とか気象センサからの気象デー
タを用い、任意に設定した時間後の路面温度を予測する
路面温度予測方法であって、現時点までに計測され収集
されている路面温度データとか気象データをデータベー
ス化し、予測時点における路面温度とか気象データの時
系列分布状況に対し近傍または類似する時系列分布状況
を示すデータをデータベースから近傍データとして複数
収集し、収集した複数の近傍データを用いて路面温度と
か気象データを入力して予測路面温度を出力する過去時
点における路面温度予測モデルを構築し、構築したモデ
ルに現時点のデータを当てはめ路面温度を予測するよう
にしたものである。The road surface temperature prediction method according to the present invention is
A road surface temperature prediction method that predicts the road surface temperature after an arbitrarily set time using the road surface temperature from a road surface temperature sensor installed on an observable road at the time of observation or the meteorological data from a meteorological sensor. The road surface temperature data and meteorological data that have been measured and collected up to now are made into a database, and the data showing the time series distribution condition near or similar to the time series distribution condition of the road surface temperature and meteorological data at the time of prediction is used as the neighborhood data from the database. A road temperature prediction model is constructed by collecting multiple data, inputting road temperature or meteorological data using the collected multiple data, and outputting the predicted road temperature.The current data is applied to the constructed model and the road temperature is applied. Is to predict.
【0009】本発明によれば、事前に収集したデータの
詳細な分類及び解析またはデータベースの定期的な再構
築の必要がなく、路面温度データまたは気象データの観
測状況によりどちらか一方のまたは両方の観測可能な時
系列データを蓄積し、既に過去に観測された路面温度と
か気象データから、予測時点にマッチしたより的確な路
面温度を予測することができる路面温度予測装置および
路面温度予測方法が得られる。According to the present invention, it is not necessary to perform detailed classification and analysis of data collected in advance or to periodically reconstruct the database, and either one or both of them can be selected depending on the observation status of road surface temperature data or meteorological data. A road surface temperature prediction device and a road surface temperature prediction method that can accumulate more observable time series data and can predict a more accurate road surface temperature that matches the prediction time from the road surface temperature and weather data that have already been observed. To be
【0010】また、本発明によれば、予測時点における
データの近傍または類似のデータを動的に収集するよう
にしたことにより、事前に詳細に分類する場合に比べて
予測時点にマッチしたより柔軟且つ適切なデータを抽出
することができ、また蓄積されたデータが事前に分類さ
れていないため、各データを広く有効に利用することが
できる路面温度予測装置および路面温度予測方法を得る
ことができる。Further, according to the present invention, since the neighborhood or similar data of the data at the time of prediction is dynamically collected, it is more flexible in matching with the time of prediction as compared with the case of detailed classification in advance. In addition, since appropriate data can be extracted and the accumulated data is not classified in advance, it is possible to obtain a road surface temperature prediction device and a road surface temperature prediction method that can effectively use each data widely. .
【0011】また、本発明によれば、予測時点において
動的に収集したデータを用いて予測モデルを構築するよ
うにしたことにより、予測時点の状況に応じた柔軟なモ
デルを構築することができるとともに、動的に構築した
過去の近傍または類似の状況下における予測モデルを適
用できるようにしたことにより、予測時点の状況に応じ
過去事例に基づいた的確な予測が可能な路面温度予測装
置および路面温度予測方法を得ることができる。Further, according to the present invention, since the prediction model is constructed using the data dynamically collected at the forecast time, it is possible to construct a flexible model according to the situation at the forecast time. In addition, by making it possible to apply a dynamically constructed prediction model in the vicinity of the past or under similar conditions, a road surface temperature prediction device and road surface that can make accurate predictions based on past cases according to the situation at the time of prediction A temperature prediction method can be obtained.
【0012】また、本発明によれば、路面温度データま
たは気象データ等観測可能なデータが過去のものと予測
時点のものと異なる場合でも、予測時点における観測デ
ータに基づき動的に予測モデルを構築しうるようにした
ことにより、より柔軟且つ的確に路面温度を予測可能な
路面温度予測装置および路面温度予測方法を得ることが
できる。Further, according to the present invention, even when observable data such as road surface temperature data or meteorological data is different from the past data and the data at the prediction time, a prediction model is dynamically constructed based on the observation data at the prediction time. By doing so, it is possible to obtain a road surface temperature prediction device and a road surface temperature prediction method that can more flexibly and accurately predict the road surface temperature.
【0013】[0013]
【発明の実施の形態】本発明の請求項1に記載の発明
は、道路上に設置された路面温度センサからの路面温度
とか気象センサからの気象データを用い、予測対象地点
において予測時点で任意に設定した時間後の予測対象時
点における路面温度の予測を制御する処理部と、該処理
部の制御により予測対象地点において路面温度または使
用可能な気象データをその時点のデータとして入力し、
それにより時系列データからなるデータベースを逐次更
新し構築するデータベース構築手段とを備え、予測時点
において収集した路面温度とか気象データによりデータ
ベースを更新し、路面温度を予測するようにしたもので
あり、路面温度データとか気象データのうち観測可能な
データを使用して予測時点にマッチしたより柔軟且つ的
確な路面温度を予測することができるという作用を有す
る。BEST MODE FOR CARRYING OUT THE INVENTION The invention according to claim 1 of the present invention uses a road surface temperature from a road surface temperature sensor installed on a road or meteorological data from a meteorological sensor, and arbitrarily at a prediction point at a prediction target point. A processing unit that controls the prediction of the road surface temperature at the prediction target time point after the time set in, and the road surface temperature or the weather data that can be used at the prediction target point by the control of the processing unit is input as the data at that time point,
Therefore, a database construction means for sequentially updating and constructing a database consisting of time-series data is provided, and the database is updated based on the road surface temperature or meteorological data collected at the time of prediction to predict the road surface temperature. By using observable data such as temperature data or meteorological data, it is possible to predict a more flexible and accurate road surface temperature that matches the prediction time.
【0014】本発明の請求項2に記載の発明は、前記路
面温度予測装置が、予測時点における路面温度とか気象
データの時系列分布状況に対し近傍または類似である状
況を示す過去時点のデータをデータベースの過去のデー
タの時系列分布に対するパターンマッチングにより探索
して得られた過去時点の路面温度とか気象データと、過
去時点における予測路面温度に当たる路面温度データと
からなる複数のデータセットを動的に収集する近傍デー
タ収集手段を備えるようにしたものであり、予測時点に
おけるデータの近傍または類似の過去のデータを動的に
収集して予測時点にマッチしたより柔軟且つ的確な路面
温度を予測することができるという作用を有する。According to a second aspect of the present invention, the road surface temperature predicting apparatus displays past time data indicating a condition that is near or similar to the road surface temperature at the time of prediction or the time series distribution condition of meteorological data. Dynamically generate multiple data sets consisting of past road surface temperature or weather data obtained by searching by pattern matching against the time series distribution of past data in the database, and road surface temperature data corresponding to the predicted road surface temperature at the past time. It is equipped with a neighborhood data collection means for collecting, and it is possible to dynamically collect near or similar past data of the data at the time of prediction to predict a more flexible and accurate road surface temperature that matches the time of prediction. It has the effect that
【0015】本発明の請求項3に記載の発明は、前記路
面温度予測装置が、前記近傍データ収集手段により収集
された複数のデータセットを用い、路面温度とか気象デ
ータを入力とし予測路面温度を出力とする過去の近傍ま
たは類似の状況下におけるモデルを動的に構築するモデ
ル構築手段を備えるようにしたものであり、観測時点に
おいて観測可能なデータを動的に収集したものを使用し
て、予測時点にマッチしたより柔軟且つ的確な路面温度
を予測することができる予測モデルを構築することがで
きるという作用を有する。According to a third aspect of the present invention, the road surface temperature predicting apparatus uses a plurality of data sets collected by the neighborhood data collecting means, inputs road surface temperature or meteorological data, and predicts the road surface temperature. It is equipped with a model building means that dynamically builds a model in the past neighborhood or similar situation to be output, using the dynamically collected observable data at the time of observation, It has the effect of being able to construct a prediction model that can predict a more flexible and accurate road surface temperature that matches the prediction time.
【0016】本発明の請求項4に記載の発明は、前記路
面温度予測装置は、前記モデル構築手段により、動的に
構築した過去の近傍または類似の状況下における予測モ
デルに対し、予測時点の路面温度とか気象データを当て
はめ路面温度を予測する予測手段を備えるようにしたも
のであり、過去の類似の状況下における予測モデルを適
用して予測時点にマッチしたより柔軟且つ的確な路面温
度を予測することができるという作用を有する。According to a fourth aspect of the present invention, in the road surface temperature predicting apparatus, a prediction time point is set for a prediction model dynamically constructed by the model constructing means in a past neighborhood or in a similar situation. It is equipped with a prediction means that predicts road surface temperature by applying road surface temperature or meteorological data, and predicts more flexible and accurate road surface temperature that matches prediction time by applying prediction model under similar situation in the past. It has the effect of being able to.
【0017】本発明の請求項5に記載の発明は、道路上
に設置された路面温度センサからの路面温度とか気象セ
ンサからの気象データを用い、任意に設定した時間後の
路面温度を予測する路面温度予測方法であって、現時点
までに計測され収集されている路面温度データとか気象
データをデータベース化し、予測時点における路面温度
とか気象データの時系列分布状況に対し近傍または類似
である状況を示す過去時点のデータを前記データベース
から探索し、該探索された過去時点における近傍または
類似データと該過去時点における予測路面温度データと
からなる複数のデータセットを収集し、収集した複数の
データセットを用いて該過去時点における路面温度予測
モデルを構築し、構築したモデルに現時点のデータを当
てはめ路面温度を予測するようにしたものであり、過去
のデータにより的確な予測モデルを構築することがで
き、路面温度データとか気象データのうち予測時点にお
いて観測可能なデータを使用して、予測時点にマッチし
たより柔軟且つ的確な路面温度を予測することができる
という作用を有する。According to a fifth aspect of the present invention, the road surface temperature from a road surface temperature sensor installed on the road or the weather data from the weather sensor is used to predict the road surface temperature after an arbitrarily set time. A method for predicting road surface temperature, in which a database of road surface temperature data and meteorological data that has been measured and collected up to the present time is made into a database, and the situation near or similar to the road surface temperature at the time of prediction and the time series distribution of meteorological data is shown. Data at a past time point is searched from the database, a plurality of data sets consisting of the searched near or similar data at the past time point and predicted road surface temperature data at the past time point are collected, and the collected plurality of data sets are used. Then, a road surface temperature prediction model at the past time is constructed, and the current data is applied to the constructed model to calculate the road surface temperature. It is possible to construct a more accurate prediction model based on past data, and use observable data at the time of prediction, such as road surface temperature data and meteorological data. It has the effect that the road surface temperature can be predicted flexibly and accurately.
【0018】以下、添付図面、図1乃至図5に基づき、
本発明の一実施の形態を詳細に説明する。図1は本発明
の一実施の形態における路面温度予測装置の構成を示す
ブロック図、図2は図1に示すデータベース構築手段の
動作を示すその処理フローチャート、図3は図1に示す
近傍データ収集手段の動作を示すその処理フローチャー
ト、図4は図1に示すモデル構築手段の動作を示すその
処理フローチャート、図5は図1に示す予測手段の動作
を示すその処理フローチャートである。Hereinafter, based on the attached drawings and FIGS. 1 to 5,
An embodiment of the present invention will be described in detail. FIG. 1 is a block diagram showing the configuration of a road surface temperature predicting apparatus according to an embodiment of the present invention, FIG. 2 is a processing flowchart showing the operation of the database construction means shown in FIG. 1, and FIG. 3 is a neighborhood data collection shown in FIG. 4 is a processing flow chart showing the operation of the means, FIG. 4 is a processing flow chart showing the operation of the model building means shown in FIG. 1, and FIG. 5 is a processing flow chart showing the operation of the prediction means shown in FIG.
【0019】まず、図1を参照して、本発明の一実施の
形態における路面温度予測装置の構成について説明す
る。図1において、1は実際に路面に設置され路面温度
を観測して路面温度データを出力する路面温度センサ、
2は路面温度の観測地点等における気象を観測し観測気
象データを出力する気象センサ、3は路面温度センサ1
及び気象センサ2(どちらか一方でもよい)から路面温
度データとか観測気象データ(路面温度データ及び観測
気象データのどちらか一方または両方、以下、観測デー
タともいう)を入力しデータベース構築手段4、近傍デ
ータ収集手段5、モデル構築手段6及び予測手段7等を
制御して路面温度予測の処理を行いその結果生成された
路面温度の予測結果をモニタ10に出力する処理部であ
る。尚、処理部3は記憶手段を有し、以下処理部3に対
するデータの書込み及び読み出しはその記憶手段を介し
て行われるものとすることがができる。First, the structure of a road surface temperature predicting apparatus according to an embodiment of the present invention will be described with reference to FIG. In FIG. 1, reference numeral 1 denotes a road surface temperature sensor that is actually installed on the road surface and outputs the road surface temperature data by observing the road surface temperature.
2 is a weather sensor for observing the weather at the road temperature observation point and outputting the observed weather data. 3 is a road temperature sensor 1.
Also, the road surface temperature data or the observed meteorological data (either one or both of the road surface temperature data and the observed meteorological data, hereinafter also referred to as the observed data) is input from the meteorological sensor 2 (either one may be used), and the database construction means 4 and the vicinity The processing unit controls the data collecting unit 5, the model building unit 6, the predicting unit 7, and the like to perform a road surface temperature prediction process, and outputs a prediction result of the road surface temperature generated as a result to the monitor 10. The processing unit 3 has a storage unit, and writing and reading of data to and from the processing unit 3 can be performed via the storage unit.
【0020】また、4は処理部3から観測データを読込
みその観測時点をチェックして全データベースに書き込
むデータベース構築手段、5は予測時点における路面温
度とか気象データの時系列分布状況に対し近傍または類
似である状況を示す過去時点のデータをデータベースの
過去のデータの時系列分布に対するパターンマッチング
により探索して得られた過去時点の路面温度とか気象デ
ータと、過去時点における予測路面温度に当たる路面温
度データとからなる複数のデータセットを動的に収集す
る近傍データ収集手段、6は近傍データベースのデータ
セットを読み込み、予測に使用する入力に対応した部分
を入力とし対応する予測路面温度を出力として予測モデ
ルを構築するモデル構築手段、7は全データベースから
現予測時点のデータを読み込み処理部からの構築モデル
のパラメータ等を使用して予測路面温度T´を得る予測
手段、8はデータベース構築手段4により構築される全
データベース、9は近傍データ収集手段5により構築さ
れる近傍データベース、10は予測結果を出力するモニ
タである。Reference numeral 4 is a database construction means for reading the observation data from the processing unit 3 and checking the observation time and writing it in the whole database. Reference numeral 5 is near or similar to the road surface temperature at the time of prediction or the time series distribution of meteorological data. The past surface temperature or weather data obtained by searching the past time data showing the situation by pattern matching for the time series distribution of the past data in the database, and the road surface temperature data corresponding to the predicted road surface temperature at the past time. A neighborhood data collection means for dynamically collecting a plurality of data sets consisting of, 6 reads a dataset of a neighborhood database, inputs a portion corresponding to an input used for prediction, and outputs a corresponding predicted road surface temperature to generate a prediction model. Model building means to build, 7 is the data at the current prediction time from all databases Predicting means for obtaining the predicted road surface temperature T ′ by using the parameters of the construction model from the processing unit, 8 is all databases constructed by the database constructing means 4, 9 is a neighborhood constructed by the neighborhood data collecting means 5. The database 10 is a monitor that outputs a prediction result.
【0021】次に、図1を参照して、本実施の形態にお
ける路面温度予測装置の動作について説明する。まず、
路面温度センサ1および気象センサ2(または、どちら
か一方)によって、常時それらの観測データが観測され
ているものとし、その観測データは処理部3の記憶手段
(図示せず)に記憶するようにしておいてもよい。そこ
で、処理部3は予め設定されたデータ蓄積間隔、例えば
1時間毎にデータベース構築手段4を起動し、観測デー
タを処理する。また、予め指定された予測時刻には、デ
ータベース構築手段4に加え、近傍データ収集手段5、
モデル構築手段6及び予測手段7を順次起動して路面温
度の予測を行ない、その結果をモニタ10に表示する。
尚、データベース構築手段4、近傍データ収集手段5、
モデル構築手段6及び予測手段7の各動作は、それぞれ
図2乃至図5を参照して、以下詳細に説明する。Next, with reference to FIG. 1, the operation of the road surface temperature predicting apparatus in the present embodiment will be described. First,
It is assumed that the road surface temperature sensor 1 and the weather sensor 2 (or one of them) constantly observes the observation data, and the observation data is stored in a storage unit (not shown) of the processing unit 3. You may keep it. Therefore, the processing unit 3 activates the database construction means 4 at a preset data storage interval, for example, every hour, and processes the observation data. In addition to the database construction means 4, the neighborhood data collection means 5,
The model construction means 6 and the prediction means 7 are sequentially activated to predict the road surface temperature, and the result is displayed on the monitor 10.
The database construction means 4, the neighborhood data collection means 5,
The operations of the model building means 6 and the prediction means 7 will be described in detail below with reference to FIGS. 2 to 5, respectively.
【0022】まず、図2を参照して、本実施の形態にお
けるデータベース構築手段の動作の処理フローを説明す
る。図2において、データベース構築手段4は予め設定
された時間になると、処理部3またはその記憶手段から
各種観測データを読み込み(ステップS201)、読み
込んだ観測データの時点をチェックし(ステップS20
2)、現時点のデータとして全データベース8へ書き込
む(ステップS203)。該当するデータが何らかの理
由で使用できない場合には、使用できないように識別す
ることができる値を記述しておく。このようにして、路
面温度データまたは気象データなどの使用可能なデータ
をデータセットとした時系列データが蓄積される。First, the processing flow of the operation of the database construction means in this embodiment will be described with reference to FIG. In FIG. 2, the database construction means 4 reads various kinds of observation data from the processing unit 3 or its storage means at a preset time (step S201), and checks the time point of the read observation data (step S20).
2) Write as current data to all databases 8 (step S203). If the corresponding data cannot be used for some reason, describe the value that can be identified as unusable. In this way, time-series data in which usable data such as road surface temperature data or meteorological data is used as a data set is accumulated.
【0023】次に、図3を参照して、本実施の形態にお
ける近傍データ収集手段の動作の処理フローを説明す
る。近傍データ収集手段5では、予測時点における路面
温度とか気象データ等観測データの時系列分布状況に対
する過去時点における近傍データを収集する。図3にお
いて、まず、全データベース8からデータを読み込む
(ステップS301)。次に、近傍データを判断するた
めに過去の全データについて距離算出(後述する)が行
われているか否かについて判断し算出済みであればステ
ップS307に進み、未算出であればステップS303
に進む(ステップS302)。ステップS303におい
て、処理の対象は必要なデータが揃っている過去時点の
データであるから、そこに必要なデータが揃っているか
否かを判断し、必要なデータが揃っていればステップS
304に進み、揃っていなければステップS305に進
む。Next, referring to FIG. 3, a processing flow of the operation of the neighborhood data collecting means in this embodiment will be described. The neighborhood data collecting means 5 collects neighborhood data at past time points with respect to the time series distribution of observation data such as road surface temperature and weather data at the time of prediction. In FIG. 3, first, data is read from all the databases 8 (step S301). Next, it is determined whether or not distance calculation (described later) has been performed on all past data in order to determine the neighborhood data, and if calculated, the process proceeds to step S307, and if not calculated, step S303.
(Step S302). In step S303, the target of the processing is the data at the past time when the necessary data are available, so it is determined whether or not the necessary data is available, and if the necessary data is available, the step S303 is performed.
If not, go to step S305.
【0024】次に、上記の近傍データの判断(近傍判
断)について説明する。本実施の形態における近傍判断
は、予測対象時点から過去数時点の時系列データを用
い、それら時系列データを1つのベクトルと見なしたと
きの各データの距離によって行なわれる。すなわち、こ
こで用いる距離は、以下で述べる各データと分布パター
ン間の距離とする。路面温度のみを用いる場合、一時点
で過去n時点分の時系列データを対象とすると、n次元
分のデータ空間を考える。他の気象データも含める場
合、例えば、路面温度に加え気温を対象とすると、n×
2次元のデータ空間となる。Next, the determination of the above-mentioned neighborhood data (proximity determination) will be described. The proximity determination in the present embodiment uses time series data from the prediction target time point to the past several time points, and is performed based on the distance of each data when the time series data is regarded as one vector. That is, the distance used here is the distance between each data and the distribution pattern described below. When only the road surface temperature is used, if time series data for the past n time points are targeted at a temporary point, an n-dimensional data space is considered. When other meteorological data is also included, for example, when the temperature is added to the road surface temperature, n ×
It becomes a two-dimensional data space.
【0025】ここで、本実施の形態では路面温度のみを
使用するものとする。上記空間において、近傍を判断す
るデータ、ここでは予測時点tにおける時系列データと
しての過去n時点分の路面温度Tt-j (t) :j=0,
1,・・・,nからなるn次元空間での分布を基準ベク
トルとして、基準ベクトルと過去時点の同次元の分布か
らなるベクトルとの距離計算を行なう(ステップS30
4)。In this embodiment, only the road surface temperature is used. In the space, data for determining the neighborhood, here, the road surface temperature T tj (t): j = 0 for the past n time points as time-series data at the prediction time point t,
Using the distribution in the n-dimensional space of 1, ..., N as the reference vector, the distance between the reference vector and the vector having the same-dimensional distribution at the past time is calculated (step S30).
4).
【0026】この距離計算は、個々の次元でのデータ間
の距離における最大値Dmax と、1次元目のデータを基
準としたときの他次元のデータとの距離における最大値
SUBmax とを用い、これらの線形結合による値(近傍
判断のための評価値)Dp により判断するものである。This distance calculation uses the maximum value D max in the distance between the data in each dimension and the maximum value SUB max in the distance to the data in the other dimension when the data of the first dimension is used as a reference. , D p, which is a value (evaluation value for determining neighborhood) obtained by linear combination of these.
【0027】つまり、本実施形態における各データとパ
ターン間の距離の算出は、予測時点の基準ベクトルを、
(Xt (t),Xt-1 (t),・・・,Xt-n (t) )とし、過去
時点t−k(k=1,2,3,・・・)のベクトルを、
(Xt (t−k),Xt-1 (t−k),・・・,Xt-n
(t−k))とした場合は次の式による。That is, in the calculation of the distance between each data and the pattern in this embodiment, the reference vector at the time of prediction is
(X t (t), X t-1 (t), ..., X tn (t)), and the vector at past time t−k (k = 1,2,3, ...)
(X t (t−k), X t−1 (t−k), ..., X tn
(T−k)), the following formula is used.
【0028】Dmax =MAXj=0,1,...,n |Xt-j (t)
−Xt-j (t−k)| SUBmax =MAXj=1,...,n |( Xt-j (t) −X
t (t) )−( Xt-j (t−k)−Xt (t−k))| Dp =αDmax +(1−α)SUBmax ここで、0<α<1(例えば、0.5)であり、DP →
0であればより近傍であると判断される。D max = MAX j = 0,1, ..., n │X tj (t)
−X tj (t−k) | SUB max = MAX j = 1, ..., n | (X tj (t) −X
t (t)) - (X tj (t-k) -X t (t-k)) | D p = αD max + (1-α) SUB max where, 0 <alpha <1 (for example, 0. 5) and D P →
If it is 0, it is determined to be closer.
【0029】必要なデータがない場合は、この距離は未
算出値とする(ステップS305)。複数種類のデータ
を近傍探索に用いる場合は、必要に応じてデータの正規
化等を行ない、全使用データに対応するような次元上で
距離計算すればよい。また、これ以外の距離、例えばユ
ークリッド距離等を用いてもよい。If there is no necessary data, this distance is an uncalculated value (step S305). When a plurality of types of data are used in the neighborhood search, the data may be normalized as necessary, and the distance may be calculated on the dimension corresponding to all the used data. Other distances, for example, Euclidean distance may be used.
【0030】このようにして対象となる過去の全時点に
ついて距離を算出し、未算出であればステップS303
に戻り、全部算出するとステップS307に進む(ステ
ップS306)。距離の未算出値以外のデータについ
て、近傍度つまり算出した距離が小さくかつ現時点に近
いものの順にソートする(ステップS307)。ソート
する際、一定の距離以内のみを選択する等の条件を加え
て収集してもよい。ソートの後、その上位任意個、例え
ば上位20個を近傍データとして収集し、近傍データベー
スに格納する(ステップS308)。In this way, the distances are calculated for all target past time points, and if not calculated, step S303.
Returning to step S3, when all the values are calculated, the process proceeds to step S307 (step S306). The data other than the uncalculated value of the distance is sorted in the order of proximity, that is, the calculated distance is smaller and closer to the present time (step S307). At the time of sorting, it may be collected by adding a condition such as selecting only within a certain distance. After sorting, the upper arbitrary number, for example, the upper 20 items are collected as neighborhood data and stored in the neighborhood database (step S308).
【0031】格納する近傍データは、各過去時点におけ
る時系列データのうち予測時の入力データに対応する時
系列データと、予測対象時点の路面温度に対応する過去
時点の路面温度データとからなるデータセットである。
例えば、予測に使用する入力データとして過去24時間
分を使用し、予測対象時点が6時間後である場合、収集
した近傍データに対応する過去時点において、その時点
から過去24時間分の時系列データと、その時点から6
時間後の路面温度データとをセットとしたデータとな
る。The neighborhood data to be stored is composed of time series data corresponding to input data at the time of prediction among time series data at each past time, and past surface temperature data corresponding to the road surface temperature at the prediction target time. It is a set.
For example, when the past 24 hours is used as input data used for prediction and the prediction target time is 6 hours later, at the past time corresponding to the collected neighborhood data, the time series data for the past 24 hours from that time And 6 from that point
The data is a set of the road surface temperature data after a lapse of time.
【0032】次に、図4を参照して、本実施の形態にお
けるモデル構築手段の動作の処理フローを説明する。近
傍データ収集後には、路面温度を予測する予測モデルの
構築が行われる。図4において、モデル構築手段6で
は、まず近傍データベース9のデータセットを読み込む
(ステップS401)。Next, the processing flow of the operation of the model building means in this embodiment will be described with reference to FIG. After collecting the neighborhood data, a prediction model for predicting the road surface temperature is constructed. In FIG. 4, the model building means 6 first reads the data set of the neighborhood database 9 (step S401).
【0033】次に、データセットのうち、予測に使用す
る入力としてそれに対応する入力データをモデルの入力
とし、対応する予測路面温度をモデルの出力として予測
モデルを構築する(ステップS402)。モデルの構築
は、収集された任意個数の近傍データセットを用い、最
小自乗法によって次の線形モデルである予測路面温度T
´を出力する。Next, in the data set, the input data corresponding to the input is used as the input for the model, and the corresponding predicted road surface temperature is used as the output of the model to construct the prediction model (step S402). The model is constructed by using the collected arbitrary number of neighborhood data sets, and predicting the road surface temperature T which is the next linear model by the method of least squares.
Output ´.
【0034】 T´=A1X1+A2X2+・・・+AnXn+B ここで、Ai(i=1,2,・・・,n)及びBは最小
自乗法によって決定されるパラメータ、Xi(i=1,
2,・・・,n)は入力データである。モデル構築後、
モデルのパラメータを処理部3に送り、そのモデルを保
存する(ステップS403)。T ′ = A1X1 + A2X2 + ... + AnXn + B Here, Ai (i = 1, 2, ..., N) and B are parameters determined by the method of least squares, and Xi (i = 1, 1).
2, ..., N) are input data. After building the model,
The model parameters are sent to the processing unit 3 and the model is stored (step S403).
【0035】次に、図5を参照して、本実施の形態にお
ける路面温度の予測手段の動作の処理フローを説明す
る。予測時点における予測モデルの構築後、予測手段7
により路面温度の予測を行なう。予測手段7では、まず
予測に使用する予測時点における現在のデータを全デー
タベース8から読み込み(ステップS501)、処理部
3から前述の構築した予測モデルにおけるパラメータ等
を読み込む(ステップS502)。この予測モデルにお
いて、Xi(i=1,2,・・・,n)には予測時点に
おける使用データを代入し、その結果、予測値である路
面温度T´を得る(ステップS503)。予測結果は図
1の処理部3を通してモニタ10に出力され表示される
(ステップS504)。Next, the processing flow of the operation of the road surface temperature predicting means in this embodiment will be described with reference to FIG. After construction of the prediction model at the time of prediction, the prediction means 7
To predict the road surface temperature. In the prediction means 7, first, the current data at the time of prediction used for prediction is read from the entire database 8 (step S501), and the parameters and the like in the above-described prediction model are read from the processing unit 3 (step S502). In this prediction model, Xi (i = 1, 2, ..., N) is substituted with use data at the time of prediction, and as a result, a road surface temperature T ′ that is a predicted value is obtained (step S503). The prediction result is output to and displayed on the monitor 10 through the processing unit 3 of FIG. 1 (step S504).
【0036】以上説明した路面温度予測装置の動作によ
り、データ蓄積間隔毎に、データを逐次、全データベー
スに蓄積し、予測の各時点において、データベースによ
り近傍データを収集して近傍データベース9に格納し、
その近傍データを用いて動的に予測モデルを構築し、予
測時点におけるデータを当てはめて予測を行なう。従っ
て、全データベース8は過去の一定時点分の時系列デー
タを更新しながら蓄積し、近傍データベース9は予測時
点毎に新たに収集構築されるので、常に新たなデータに
より的確な予測結果を得ることができる。By the operation of the road surface temperature predicting apparatus described above, data is sequentially stored in all databases at every data storage interval, and at each time point of prediction, neighboring data is collected by the database and stored in the neighboring database 9. ,
A prediction model is dynamically constructed using the neighborhood data, and the data at the time of prediction is applied to make the prediction. Therefore, the entire database 8 accumulates while updating the time series data for a certain time point in the past, and the neighborhood database 9 is newly collected and constructed at each prediction time point, so that accurate prediction results can always be obtained from new data. You can
【0037】[0037]
【発明の効果】本発明による路面温度予測装置及び予測
方法は、以上説明したように構成し、特に、各予測時点
において観測データを収集し、予測モデルを構築するよ
うにしたため、事前のデータ解析とか予測対象の特性に
合わせたデータベース構築及び定期的再構築の必要がな
く、より的確な予測結果を得ることができるとともに、
また、使用データへの依存度が小さく、ほぼ同様の方法
で予測できるため、広範な対象地点に対し簡単かつ柔軟
に対応することができる路面温度予測装置及び予測方法
を提供することができる。The road surface temperature predicting apparatus and the predicting method according to the present invention are configured as described above, and in particular, the observation data is collected at each prediction time point and the prediction model is constructed. It is not necessary to build a database and periodically reconstruct it according to the characteristics of the prediction target, and it is possible to obtain more accurate prediction results,
Further, since the degree of dependence on the used data is small and the prediction can be performed by almost the same method, it is possible to provide a road surface temperature prediction device and a prediction method that can easily and flexibly deal with a wide range of target points.
【図1】本発明の一実施の形態における路面温度予測装
置の構成を示すブロック図FIG. 1 is a block diagram showing a configuration of a road surface temperature prediction device according to an embodiment of the present invention.
【図2】図1に示すデータベース構築手段の動作を示す
その処理フローチャートFIG. 2 is a processing flowchart showing the operation of the database construction means shown in FIG.
【図3】図1に示す近傍データ収集手段の動作を示すそ
の処理フローチャートFIG. 3 is a processing flowchart showing the operation of the proximity data collecting means shown in FIG.
【図4】図1に示すモデル構築手段の動作を示すその処
理フローチャートFIG. 4 is a processing flowchart showing the operation of the model building means shown in FIG.
【図5】図1に示す予測手段の動作を示すその処理フロ
ーチャートFIG. 5 is a processing flowchart showing the operation of the prediction means shown in FIG.
1 路面温度センサ 2 気象センサ 3 処理部 4 データベース構築手段 5 近傍データ収集手段 6 モデル構築手段 7 予測手段 8 全データベース 9 近傍データベース 10 モニタ 1 Road Surface Temperature Sensor 2 Meteorological Sensor 3 Processing Unit 4 Database Construction Means 5 Neighborhood Data Collection Means 6 Model Construction Means 7 Prediction Means 8 All Databases 9 Neighborhood Databases 10 Monitors
Claims (5)
路面温度とか気象センサからの気象データを用い、予測
対象地点において予測時点で任意に設定した時間後の予
測対象時点における路面温度の予測を制御する処理部
と、該処理部の制御により予測対象地点において路面温
度または使用可能な気象データをその時点のデータとし
て入力し、それにより時系列データからなるデータベー
スを逐次更新し構築するデータベース構築手段とを備
え、予測時点において収集した路面温度とか気象データ
によりデータベースを更新し、路面温度を予測するよう
にしたことを特徴とする路面温度予測装置。1. Prediction of a road surface temperature at a prediction target point after a time arbitrarily set at the prediction target point by using a road surface temperature from a road surface temperature sensor installed on a road or meteorological data from a weather sensor. And a database construction for inputting road surface temperature or weather data available at the prediction target point as data at that time point by the control of the processing section, and thereby sequentially updating and constructing a database consisting of time series data A road surface temperature predicting device comprising: means for updating the database with road surface temperature or meteorological data collected at the time of prediction to predict the road surface temperature.
る路面温度とか気象データの時系列分布状況に対し近傍
または類似である状況を示す過去時点のデータをデータ
ベースの過去のデータの時系列分布に対するパターンマ
ッチングにより探索して得られた過去時点の路面温度と
か気象データと、過去時点における予測路面温度に当た
る路面温度データとからなる複数のデータセットを動的
に収集する近傍データ収集手段を備えることを特徴とす
る請求項1記載の路面温度予測装置。2. The road surface temperature predicting apparatus compares past time data indicating a situation similar or close to a time series distribution condition of road surface temperature or meteorological data with respect to a time series distribution of past data in a database. Providing a neighborhood data collecting means for dynamically collecting a plurality of data sets consisting of past road surface temperature or weather data obtained by searching by pattern matching and road surface temperature data corresponding to predicted road surface temperature at the past time. The road surface temperature predicting device according to claim 1.
収集手段により収集された複数のデータセットを用い、
路面温度とか気象データを入力とし予測路面温度を出力
とする過去の近傍または類似の状況下におけるモデルを
動的に構築するモデル構築手段を備えることを特徴とす
る請求項1または2記載の路面温度予測装置。3. The road surface temperature predicting device uses a plurality of data sets collected by the neighborhood data collecting means,
The road surface temperature according to claim 1 or 2, further comprising: model building means for dynamically building a model in a past neighborhood or similar situation in which road surface temperature or meteorological data is input and predicted road surface temperature is output. Prediction device.
手段により、動的に構築した過去の近傍または類似の状
況下における予測モデルに対し、予測時点の路面温度と
か気象データを当てはめ路面温度を予測する予測手段を
備えることを特徴とする請求項1、2または3記載の路
面温度予測装置。4. The road surface temperature predicting device applies the road surface temperature at the time of prediction or the meteorological data to the road surface temperature applied to the prediction model dynamically constructed by the model constructing means in the past neighborhood or similar situation. The road surface temperature predicting device according to claim 1, 2 or 3, further comprising a predicting means for predicting.
路面温度とか気象センサからの気象データを用い、任意
に設定した時間後の路面温度を予測する路面温度予測方
法であって、現時点までに計測され収集されている路面
温度データとか気象データをデータベース化し、予測時
点における路面温度とか気象データの時系列分布状況に
対し近傍または類似である状況を示す過去時点のデータ
を前記データベースから探索し、該探索された過去時点
における近傍または類似データと該過去時点における予
測路面温度データとからなる複数のデータセットを収集
し、収集した複数のデータセットを用いて該過去時点に
おける路面温度予測モデルを構築し、構築したモデルに
現時点のデータを当てはめ路面温度を予測する各工程か
らなることを特徴とする路面温度予測方法。5. A road surface temperature predicting method for predicting a road surface temperature after an arbitrarily set time by using road surface temperature from a road surface temperature sensor installed on a road or meteorological data from a meteorological sensor. The road temperature data and meteorological data measured and collected in the above are compiled into a database, and past time data indicating a situation close to or similar to the time series distribution of the road surface temperature and meteorological data at the time of prediction is searched from the database. , A plurality of data sets consisting of the searched near or similar data at the past time point and the predicted road surface temperature data at the past time point are collected, and a road surface temperature prediction model at the past time point is obtained by using the collected data sets. Characterized by each step of building a model and fitting current data to the built model to predict road surface temperature The road surface temperature prediction method to.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP16361496A JPH09325189A (en) | 1996-06-05 | 1996-06-05 | Road surface temperature prediction device and prediction method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP16361496A JPH09325189A (en) | 1996-06-05 | 1996-06-05 | Road surface temperature prediction device and prediction method |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH09325189A true JPH09325189A (en) | 1997-12-16 |
Family
ID=15777281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP16361496A Pending JPH09325189A (en) | 1996-06-05 | 1996-06-05 | Road surface temperature prediction device and prediction method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH09325189A (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002373002A (en) * | 2001-06-14 | 2002-12-26 | Toshiba Corp | Device and method for process simulater application and control |
DE10202756A1 (en) * | 2002-01-25 | 2003-08-07 | Daimler Chrysler Ag | Digital map of traffic route network with temperature data has route data relating to traffic route network, attribute data including temperature data for air and/or for road surface |
CN107131972A (en) * | 2017-06-30 | 2017-09-05 | 北京中交华安科技有限公司 | The method and apparatus for determining the pavement temperature regularity of distribution |
-
1996
- 1996-06-05 JP JP16361496A patent/JPH09325189A/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002373002A (en) * | 2001-06-14 | 2002-12-26 | Toshiba Corp | Device and method for process simulater application and control |
DE10202756A1 (en) * | 2002-01-25 | 2003-08-07 | Daimler Chrysler Ag | Digital map of traffic route network with temperature data has route data relating to traffic route network, attribute data including temperature data for air and/or for road surface |
CN107131972A (en) * | 2017-06-30 | 2017-09-05 | 北京中交华安科技有限公司 | The method and apparatus for determining the pavement temperature regularity of distribution |
CN107131972B (en) * | 2017-06-30 | 2019-07-12 | 北京中交华安科技有限公司 | The method and apparatus for determining the pavement temperature regularity of distribution |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chiou | Dynamical functional prediction and classification, with application to traffic flow prediction | |
Zhang et al. | Short-term travel time prediction | |
CN101187943B (en) | Automatic update system, automatic updating method, and program therefor | |
Buckeridge et al. | Algorithms for rapid outbreak detection: a research synthesis | |
US7725293B2 (en) | System and method for equipment remaining life estimation | |
Zhu et al. | Dimensionality reduce-based for remaining useful life prediction of machining tools with multisensor fusion | |
JP2001502831A (en) | A method for classifying the statistical dependence of measurable time series | |
Huynh et al. | Adaptive condition-based maintenance decision framework for deteriorating systems operating under variable environment and uncertain condition monitoring | |
CN115062881B (en) | Tunnel structure property prediction method and device, computer equipment and storage medium | |
JP2001084479A (en) | Method and device for forecasting traffic flow data | |
Yan et al. | Gamma process with recursive MLE for wear PDF prediction in precognitive maintenance under aperiodic monitoring | |
Pan et al. | A fundamental diagram based hybrid framework for traffic flow estimation and prediction by combining a Markovian model with deep learning | |
Kalair et al. | Dynamic and interpretable hazard-based models of traffic incident durations | |
JP4123196B2 (en) | Traffic information prediction function learning device, traffic information prediction device, traffic information fluctuation law acquisition device and method | |
CN116881783B (en) | Road damage detection method, device, computer equipment and storage medium | |
Ciaburro | Time series data analysis using deep learning methods for smart cities monitoring | |
JPH09325189A (en) | Road surface temperature prediction device and prediction method | |
CN117251722A (en) | Intelligent traffic management system based on big data | |
US20230177959A1 (en) | Vehicle accident prediction system, vehicle accident prediction method, vehicle accident prediction program, and learned model creation system | |
CN116935642A (en) | Convenient travel management method based on Internet of things | |
JP3904629B2 (en) | Travel time prediction apparatus and travel time prediction method | |
Ejlali et al. | Developing hybrid machine learning models to assign health score to railcar fleets for optimal decision making | |
CN116189425A (en) | Traffic road condition prediction method and system based on Internet of vehicles big data | |
CN113688506B (en) | Potential atmospheric pollution source identification method based on multi-dimensional data such as micro-station and the like | |
Ali | Estimating the inspection frequencies of civil infrastructures using correlation networks and population analysis |