WO2013120765A1 - Verfahren zu einem modellaufbau für eine reisezeitendatenbank - Google Patents

Verfahren zu einem modellaufbau für eine reisezeitendatenbank Download PDF

Info

Publication number
WO2013120765A1
WO2013120765A1 PCT/EP2013/052465 EP2013052465W WO2013120765A1 WO 2013120765 A1 WO2013120765 A1 WO 2013120765A1 EP 2013052465 W EP2013052465 W EP 2013052465W WO 2013120765 A1 WO2013120765 A1 WO 2013120765A1
Authority
WO
WIPO (PCT)
Prior art keywords
route
travel time
sections
routes
section
Prior art date
Application number
PCT/EP2013/052465
Other languages
English (en)
French (fr)
Inventor
Heidrun Belzner
Ronald Kates
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Priority to CN201380014906.2A priority Critical patent/CN104169986B/zh
Publication of WO2013120765A1 publication Critical patent/WO2013120765A1/de
Priority to US14/460,979 priority patent/US9122983B2/en

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Definitions

  • the invention relates to a method for a model structure for a travel time database, the model indicating a probability distribution of relative travel time losses on a route section of a route network.
  • Traffic information data may not always be able to access a statistically sufficient database of current data when generating up-to-date traffic information. For this reason, historical hydrographs that are built depending on traffic characteristics play an important role.
  • characteristic state variables are, for example, the time of day, the date, vacation times and other relevant time characteristics, as well as prevailing road weather characteristics, known traffic control measures, such as the circuit of a traffic control system, construction sites, accidents, major events and other special situations.
  • a backend In order to build a historical knowledge base for generating traffic information, it is necessary to record a sufficient statistical amount of data points per road section. This is not possible with driving alone.
  • automatically collected vehicle data can be used to build an intelligent knowledge base in a backend.
  • traffic data such as travel time or cruising speed
  • the backend may be a vehicle in which a travel time database is stored in order to be able to access it in the vehicle if necessary by means of a computer.
  • the knowledge base for the travel time database can also be established at a service provider.
  • each route having route sections which comprise at least one of the route sections of the route network
  • each start and end point referred to below as a pair of points
  • several possible routes are estimated and stochastically weighted.
  • known values of free speed on the sections of the route known for example, from a digital map may be used to subdivide the travel time of a vehicle on a given route.
  • the relative travel time losses determined on the route sections serve as input data for a learning process which, in one possible embodiment, iteratively extends the knowledge base for an already existing travel time database.
  • data generated in the vehicle can be used »in order to build up an intelligent knowledge base for travel time in the backend.
  • the point data automatically generated in the vehicle are representative and are suitable for building a historical travel time database.
  • the unknown routes between a pair of points can be estimated.
  • the method teaches how the Knowing about this fuzziness can be used when depositing travel times.
  • a travel time database is understood to mean a knowledge base for travel times on route sections of a route between a start TM and destination point, which form a pair of points.
  • V ree (A) denotes the free speed on the section A and V the speed actually experienced on the section of the vehicle. If the section length of a section of the route and the free speed on the section from a digital map are assumed to be known, F (u ⁇ A, C;) would also determine the probability distribution of the travel time.
  • the parameter C denotes traffic characteristics that can be obtained for the route section A and of which the probability density may also depend. These include, for example, the time of day, the day of the week as well as holiday periods and other relevant temporal ones Characteristics. Likewise, the traffic characteristics C include road weather characteristics, traffic control measures, construction sites, accidents, major events and other special situations.
  • the parameter ⁇ designates in the formula expression for the probability density F (u A, C; X) one or more calibration parameters from which the probability density function could also depend.
  • the knowledge base is to be updated by new observation data, which are recorded when driving through a route from the vehicle, according to a statistical method.
  • new observation data which are recorded when driving through a route from the vehicle.
  • a Bayesian approach is used.
  • vehicle positions and speeds as well as geographical longitudes and latitudes, link, direction of travel, and offset are recorded and transmitted.
  • pearl necklace i.
  • the transmitted position data constitute the above-mentioned pairs of points, of which the starting point P and the target point 0 are only an example.
  • the associated pairs of points represent representative samples of located, plausibilized pairs of points of vehicles.
  • no accurate reconstruction of the distance traveled between the points is possible. Rather, different routes come between the points in question. This aspect makes use for statistical purposes extremely difficult.
  • Each section has a starting point and an end point.
  • different road classes and free speed values V free may possibly be assigned to the route sections A ⁇ .
  • the starting point P on the first section ⁇ ⁇ may have an offset x. from the starting point of the first link.
  • the destination point Q On the last section A n , the destination point Q may have the offset x n with respect to the starting point of the last link A n .
  • Tp Q The travel time measured from P to Q when driving through the route R. Assuming that the minimum travel time T min between the start and destination point, as can be taken from a digital map, is smaller than the travel time T PQ measured when traveling through the route from P to 0, the condition is:
  • the minimum travel time T mia is
  • the parameter T free , i indicates the free travel time on a section Ai. If L (A ⁇ ) designates the length of the route section A ⁇ , then with the offsets x lf x n, the free travel time on the first route section results in r p - L W
  • a route network with route sections A ⁇ between a starting point P and destination point Q of the pair of points is provided.
  • a multiplicity of possible routes R k between the starting point P and the destination point Q are determined, each route R k having route sections A itk comprising at least one of the route sections A ⁇ .
  • a respective relative travel time loss u ⁇ ik for each route section A iik of each route R k is determined at a respective traffic characteristic C ⁇ ik on each route section Ai , k of each route R k .
  • each route section Ai of the route network H is assigned the determined relative travel time loss u i) k of the route sections Ai, k of the routes R k .
  • a respective weighting W iik of the relative travel time losses u ⁇ fk for each section A ⁇ ik of each route R is determined for a respective traffic characteristic C i / k on each section A iik of each route R k .
  • Each route section A ⁇ of the route network H is assigned the determined weightings W ⁇ / k of the route sections A, i ik of the routes R k .
  • the plurality of possible routes R k and the relative travel time Losses u ⁇ k on the respective sections A iik the routes R. k determined by the following steps:
  • Step 1 1, n the relative travel time losses i / 0 of the respective sections A ii0 of the shortest time route R Q determined by means of the above equations (3) to (7). Thereafter, in a third step, the resistances of the respective route sections (A i) 0 ) of the route R 0 are increased.
  • the term "resistance of a section of track” denotes, for example, a fictive travel time allocated to the section.
  • the route R lf closest to the previously determined route R 0 which can be assigned to the point pair P »Q, is determined.
  • the relative travel time losses Ui, 2 of the respective route sections A : - ( , this temporally closest route Ji is determined in accordance with equations (3) to (7) given above Resistors of the sections A ii2 of the route J? I increases.
  • Steps four to six are repeated until no route found satisfies equation (2), that is, if no additional route is found, the respective minimum travel time T m ⁇ n is smaller than the travel time T measured on the route PQ is.
  • k routes R k are found and assigned to the respective sections A iik respective relative travel time losses u ⁇ tk .
  • the routes can also be determined by means of a digital map and the free travel times.
  • travel time expectation values T (R k ) are first determined for each of the determined routes R k .
  • the respective weighting W ⁇ tk of the relative travel time losses u ⁇ ik is determined as a function of the previously determined travel time expectation values T (R k ).
  • the weights W itk can be determined, for example, by means of a monotonically decreasing function. The function may, for example, be chosen such that the weights W ⁇ rk for small travel time expectations
  • step I on each route section Ai of the route network H, random (stochastic) travel times are calculated from the probability distribution F 0 the relative travel time losses u ⁇ determined. In each case one of the randomly determined travel times is assigned to each route section Ai of the route network H. Then, in step II, a shortest time route R k between the starting point P and the destination point Q is determined on the basis of the route sections A of the route network H associated travel times. The number of links A irk of each route R k may depend on the particular route R k . In step III, the relative Travel time losses u ⁇ , k of the respective sections A i / k of the shortest time route R k determined. The travel time losses can be determined, for example, by means of equations (3) to (7). The travel time losses Ui ik are independent of the travel times randomly generated by the above-mentioned probability model.
  • the relative travel time losses of the first and the last route section of each of the routes R k may be disregarded in allocating the respective relative travel time losses u i / k of the route sections A ik of the routes R k to the route sections A ⁇ of the subnet H. This can reduce the unwanted influence of intentional detours on the process. This will be explained graphically in the following example.
  • the driver could have lost or misclassed at short notice, so a Turning maneuver or other detour was required.
  • On the "optimal" route was a "normal” traffic condition.
  • the driver could have intentionally reached the destination point Q via a detour without this detour being absolutely recognizable, for example, by switching off the engine or opening a door.
  • the individual travel times assigned to the sections corresponded to the historical expected values.
  • routes R k are found for a pair of points P-.Q k.
  • the respective sections Ai, k of the k routes R k are assigned relative travel time losses u irk by means of equations (3) to (7).
  • each value of the relative travel time loss may be multiplied by the factor 1 / k, that is, by a factor proportional to the reciprocal of the number of repetitions of steps I to III or proportional to the number of recipients to customer J is to be weighted.
  • Each track section A ⁇ in the route network H is thus now assigned all the values u i / k associated with section Ai in a list Q ⁇ , which of course can also be an empty list, if no route at all travels through a section Ai.
  • Each route section A ⁇ of the route network H is thus assigned a number m of respective relative travel time losses u 1 k for each route section Ai of the route network H.
  • each route section A ⁇ in the route network H can be assigned all values of weightings W i / k associated with the section A-.
  • Each route section A ⁇ of the route network H is thus assigned a number m of respective weightings W irk for each route section A ⁇ of the route network H.
  • a normal distribution N (ue (i, C, m), ⁇ 2 (i, C, m)) is assumed for the relative travel time loss on a path section A ⁇ for characteristics C at the iteration step m »
  • the parameter ⁇ (i, C, m) is the estimated mean of the relative
  • Travel time losses and the parameter ⁇ 2 (i, C, m) indicates the estimated variance of the distribution of relative travel time loss.
  • the parameters ü (i f C, m), ⁇ 2 (i, C, m) can be determined by the following iteration formulas:
  • N (i, C,) N (i, C, m-1) + W (i, C,), m 2 (15)
  • Iterations Kunststoffe estimated mean values ü (i, C,) of the relative travel time losses and the weights W (i, C, m) are used on a section A ⁇ ⁇ to corresponding input data ü (i, C, m) and M (i, C , m) for a suitable model of a probability distribution of relative travel time losses Ci / AI) using the gamma distribution.
  • the parameter M indicates here a measure of the number of virtual samples allocated to an information source.
  • the parameter M (i, C, m) can be calculated as a function of the respective number m of relative travel time losses u iik and weightings W ⁇ / k that correspond to each route section A ⁇ of the route network H at the respective traffic characteristic C; have been assigned on the section A ⁇ ,
  • the probability density function can be set.
  • the parameter a in the formula on the right corresponds to the calibration parameter ⁇ .
  • T represents the characteristic travel time (in seconds) between nodes of the considered road class.
  • the parameter a can be determined from the coefficient of variation estimated on a stretch, which in turn can be obtained from the ratio of standard deviation and average of a distribution of travel times on a stretch of road.
  • the parameter B is regarded as a fuzzy size and again with the aid of a probability distribution ⁇ a> B a ⁇ 1 exp ( ⁇ , B)
  • Parameter B here denotes the inverse scaling parameter of a gamma distribution.
  • the parameter I 0, 1, 2,... Indicates the associated information source.
  • data points u iik or w k can be replaced by a
  • Outlier filters are removed. This has the advantage that when determining the estimated mean value of the relative travel time losses ü (i, C, m), outliers of relative travel time losses Uj, depending on the route sections A itk of the routes R k, are disregarded. As a criterion for an outlier, the residual r (i, C, m) determined in equation (14) in the context of the iteration method can be used.
  • the magnitude of the residual r (i, C, m) for the mth iteration step is greater than 4 ⁇ ⁇ , where ⁇ is the root calculated in Equation ⁇ 13 ⁇ , (16) or (20) from the variance, so the corresponding value pair / u iik ; W itk ⁇ not taken into account in the implementation of the iteration process.
  • a plurality of routes between a start and a destination are considered and associated with probabilities, respectively. These are subsequently used as weighted information for learning a knowledge base. If a structural change is detected, the learning process can be restarted.
  • the method can be stored on an electronic data carrier or in the firmware of a data processing device as a program algorithm.
  • the specified method steps can be executed by a processor of a computer.
  • the data collected in the vehicle can be sent to a service provider.
  • a computer having access to the program algorithm stored on the electronic data carrier or the firmware can carry out the method described in order to provide travel time data. bank at a transport service provider or to update an existing database.
  • data generated in the vehicle can be used to build up an intelligent knowledge base for travel time in the backend.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

Gemäß einem Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank wird ein Streckennetz (H) mit Streckenabschnitten (Ai) zwischen einem Startpunkt (P) und einem Zielpunkt (0) betrachtet. Es werden zwischen dem Start- und Zielpunkt (P, Q) mehrere Routen (Rk) ermittelt. Jedem Streckenabschnitt einer Route (Rk) wird ein relativer Reisezeitverlust (ui,k) zugeordnet und gewichtet. Die ermittelten Reisezeitverluste (ui,k) und die zugehörigen Gewichtungen (Wi,k) werden als Eingangsdaten für ein Lernverfahren verwendet, durch welches iterativ eine bereits vorhandene Wissenbasis erweitert wird.

Description

Beschreibung
Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank
Die Erfindung betrifft ein Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank, wobei das Modell eine Wahrscheinlichkeitsverteilung von relativen Reisezeitverlusten auf einem Streckenabschnitt eines Streckennetzes angibt.
Anbieter, die Verkehrsinformationsdaten bereitstellen, können bei der Generierung von aktuellen Verkehrsinformationen nicht immer auf eine statistisch ausreichende Datenbasis an aktuellen Daten zugreifen. Aus diesem Grund spielen historische Ganglinien, die in Abhängigkeit von Verkehrscharakteristiken aufgebaut werden, eine wichtige Rolle. Unter VerkehrsCharakteristiken sind charakteristische Zustandsgrößen, die für eine auf einem Straßenabschnitt erlebte Reisezeit maßgeblichen Einfluss haben, zu verstehen. Solche charakteristischen Zustandsgrößen sind beispielsweise die Tageszeit, das Datum, Urlaubszeiten und andere relevante zeitliche Merkmale, sowie vorherrschenden Straßenwettermerkmale , bekannte Verkehrsbeeinflussungsmaßnahmen, etwa die Schaltung einer Verkehrsbeeinflussungsanlage, Baustellen, Unfälle, Großveranstaltungen und sonstige SonderSituationen.
Um jedoch eine historische Wissensbasis zur Generierung von VerkehrsInformationen aufzubauen, ist es notwendig, eine ausreichende statistische Menge an Datenpunkten pro Straßenabschnitt aufzuzeichnen. Dies ist mit Befahrungen allein nicht möglich. Automatisch erhobene Fahrzeugdaten können jedoch genutzt werden, um in einem Backend eine intelligente Wissensbasis aufzubauen. Insbesondere könnte durch Verkehrsdaten, beispielsweise durch eine Reisezeit oder eine Reisegeschwin- digkeit , die von einem Fahrzeug beim Durchfahren eines Streckenabschnitts auf diesem Streckenabschnitt festgestellt werden, das bereits vorhandene Wissen einer Reisezeitendatenbank aktualisiert werden. Das Backend kann ein Fahrzeug sein, in dem eine Reisezeitendatenbank gespeichert wird, um darauf bei Bedarf mittels eines Rechners im Fahrzeug zuzugreifen zu können. Die Wissensbasis für die Reisezeitendatenbank kann allerdings auch bei einem Dienstanbieter aufgebaut werden.
Es ist wünschenswert, ein Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank anzugeben, bei dem die in einem Fahrzeug beim Durchfahren eines Streckenabschnitts aufgezeichneten Verkehrsdaten zu dem Modellaufbau für die Reisezeitendatenbank genutzt werden können.
Eine Ausführungsform eines Verfahrens zu einem Modellaufbau für eine Reisezeitendatenbank umfasst die folgenden Schritte:
- Bereitstellen eines Streckennetzes mit Streckenabschnitten zwischen einem Startpunkt und einem Zielpunkt,
- Ermitteln einer Vielzahl von möglichen Routen zwischen dem Startpunkt und dem Zielpunkt, wobei jede Route Streckenabschnitte, die mindestens einen der Streckenabschnitte des Streckennetzes umfassen, aufweisen,
- Ermitteln eines jeweiligen relativen Reisezeitverlusts für jeden Streckenabschnitt jeder Route bei einer jeweiligen Verkehrscharakteristik auf jedem Streckenabschnitt jeder Route,
- Zuordnen der ermittelten relativen Reisezeitverluste der Streckenabschnitte der Routen zu jedem Streckenabschnitt des Streckennetzes,
- Ermitteln einer jeweiligen Gewichtung der relativen Reisezeitverluste für jeden Streckenabschnitt jeder Route bei einer jeweiligen Verkehrscharakteristik auf jedem Streckenabschnitt jeder Route,
- Zuordnen der ermittelten Gewichtungen der Streckenabschnitte der Routen zu jedem Streckenabschnitt des Streckennetzes »
- Ermitteln einer Wahrscheinlichkeitsverteilung der relativen Reisezeitverluste für jeden Streckenabschnitt des Streckennetzes bei der dem jeweiligen Streckenabschnitt zugeordneten Verkehrscharakteristik und einem dem jeweiligen Streckenabschnitt zugeordneten Kalibrierungsparameter.
Bei dem angegebenen Verfahren werden zwischen jedem Start - und Zielpunkt, im Folgenden als Punktepaar bezeichnet, mehrere mögliche Routen geschätzt und diese stochastisch gewichtet. Zum Ermitteln des relativen Reisezeitverlusts auf Streckenabschnitten der Strecke zwischen dem Start- und Zielpunkt können beispielsweise bekannte Werte einer freien Geschwindigkeit auf den Streckenabschnitten, die beispielsweise aus einer digitalen Karte bekannt sind, für eine Unterteilung der Reisezeit eines Fahrzeugs auf einer vorgegebenen Route verwendet werden. Die auf den Streckenabschnitten ermittelten relativen Reisezeitverluste dienen als Eingangsdaten für ein Lernverfahren, welches bei einer möglichen Ausführungsform iterativ die Wissensbasis für eine bereits vorhandene Reise- zeitdatenbank erweitert. Somit können im Fahrzeug generierte Daten genutzt werden» um im Backend eine intelligente Wissensbasis für die Reisezeit aufzubauen.
Die automatisch im Fahrzeug generierten Punktedaten sind repräsentativ und eignen sich für den Aufbau einer historischen Reisezeitendatenbank. Mit dem angegebenen Verfahren können die zwischen einem Punktepaar möglichen unbekannten Routen geschätzt werden. Des Weiteren lehrt das Verfahren, wie das Wissen über diese Unscharfe bei der Hinterlegung von Reisezeiten verwendet werden kann.
Die Erfindung wird nachfolgend anhand von Ausführungsbeispielen näher erläutert .
Unter einer Reisezeitendatenbank wird eine Wissensbasis für Reisezeiten auf Streckenabschnitten einer Route zwischen einem Start™ und Zielpunkt, die ein Punktepaar bilden, verstanden. Die in der Reisezeitendatenbank abgespeicherte Reisezeitwissensbasis soll es ermöglichen, bei Bedarf auf eine Wahrscheinlichkeitsdichte F (u\ A, C λ) zu schließen, dass ein Fahrzeug auf einem Streckenabschnitt A die anteilige Verzögerung bzw. den relativen Reisezeitverlust u mit u = Vfree (A) /V -1 (1) erlebt. In dem angegebenen Formelausdruck für die relative Zeitverzögerung bezeichnet Vree (A) die freie Geschwindigkeit auf dem Streckenabschnitt A und V die auf dem Streckenabschnitt von dem Fahrzeug tatsächlich erlebte Geschwindigkeit . Wenn die Abschnittslänge eines Streckenabschnitts und die freie Geschwindigkeit auf dem Streckenabschnitt aus einer digitalen Karte als bekannt vorausgesetzt werden, wäre mit F (u\A, C; ) auch die Wahrscheinlichkeitsverteilung der Reisezeit bestimmt.
In dem für die Wahrscheinlichkeitsdichte angegebenen Ausdruck F (u\A,C;Ä) bezeichnet der Parameter C Verkehrscharakteristiken, die für den Streckenabschnitt A erhoben werden können und von denen die Wahrscheinlichkeitsdichte ebenfalls abhängen kann. Dazu gehören beispielsweise die Tageszeit, der Wochentag sowie Urlaubszeiten und andere relevante zeitliche Merkmale. Ebenso werden durch die Verkehrscharakteristiken C Straßenwettermerkmale, Verkehrsbeeinflussungsmaßnahmen , Baustellen, Unfälle, Großveranstaltungen und sonstige Sondersituationen erfasst .
Der Parameter λ bezeichnet in dem Formelausdruck für die Wahrscheinlichkeitsdichte F(u A,C;X) einen oder mehrere Kalibrierungsparameter, von denen die Wahrscheinlichkeitsdichtefunktion ebenfalls abhängen könnte. Dadurch lässt sich beispielsweise der bei der Erstellung des Modells vermutete Prozentsatz der absichtlich gefahrenen indirekten Routen zwischen dem Startpunkt P und dem Zielpunkt Q erfassen.
Bei dem Verfahren soll die Wissensbasis durch neue Beobachtungsdaten, die beim Durchfahren einer Route vom Fahrzeug er- fasst werden, nach einem statistischen Verfahren aktualisiert werden. Hierfür wird ein Bayes ' scher Ansatz verwendet. Es werden in regelmäßigen Intervallen, etwa alle 5 Minuten, Positionen und Geschwindigkeiten der Fahrzeuge sowie geographische Längen und Breiten, Link, Fahrtrichtung, und Offset er- fasst und übertragen. Es wird jedoch keine so genannte Perlenkette, d.h. Daten aus kürzeren Zwischenintervallen innerhalb der regelmäßigen Intervalle, übertragen. Die übertragenen Positionsdaten bilden die oben erwähnten Punktepaare, von denen der Startpunkt P und der Zielpunkt 0 nur ein Beispiel darstellen.
Da die Positionsdaten zufällig übertragen werden, stellen die zugehörigen Punktepaare repräsentative Stichproben aus georteten, plausibilisierten Punktepaaren von Fahrzeugen dar. Allerdings ist anhand der Punktepaare im Allgemeinen keine genaue Rekonstruktion der gefahrenen Strecke zwischen den Punkten möglich. Vielmehr kommen unterschiedliche Routen zwischen den Punkten in Frage . Dieser Aspekt erschwert die Nutzung zu statistischen Zwecken grundsätzlich enorm.
Zunächst wird eine Ausführungsform eines Algorithmus, mit dem es ermöglicht wird, eine Reisezeit, die einem Punktepaar P-*Q zugeordnet ist, auf Streckenabschnitte einer Route zwischen dem Startpunkt P und dem Zielpunkt Q zu unterteilen, beschrieben. Dazu werden bekannte Werte der freien Geschwindigkeit Vfree» die beispielsweise aus einer digitalen Karte bekannt sind und einzelnen Streckenabschnitten der Route zugeordnet sind, verwendet. Eine mögliche Route R (P-.Q) zwischen den Punkten P und Q weist beispielsweise ί Streckenabschnitte A± mit 1 = 1, n, das heißt beispielsweise Streckenabschnitte AlfA2, ... An auf. Jeder Streckenabschnitt hat einen Anfangspunkt und einen Endpunkt . Des Weiteren können den Streckenabschnitten A± möglicherweise unterschiedliche Straßenklassen und Werte der freien Geschwindigkeit Vfree zugeordnet sein.
Betrachtet man nun die dem Punktepaar P-Q zugeordnete Route, so kann der Startpunkt P auf dem ersten Streckenabschnitt Ατ einen Offset x. von dem Anfangspunkt des ersten Streckenabschnitts aufweisen. Auf dem letzten Abschnitt An kann der Zielpunkt Q den Offset xn in Bezug auf den Anfangspunkt des letzten Streckenabschnitts An aufweisen. Die beim Durchfahren der Route R von P nach Q gemessene Reisezeit wird im Folgenden mit TpQ bezeichnet. Unter der Voraussetzung, dass die minimale Reisezeit Tmin zwischen dem Start- und Zielpunkt, wie sie beispielsweise einer digitalen Karte entnommen werden kann, kleiner ist als die beim Durchfahren der Route von P nach 0 gemessene Reisezeit TPQ ergibt sich die Bedingung:
Tmin (P Q;R) < p (p, (2) Der relative Reisezeitverlust u± für alle i Streckenabschnitte auf der Route R wird zu
Figure imgf000008_0001
definiert. Die minimale Reisezeit Tmia beträgt
Figure imgf000008_0002
Der Parameter Tfree,i gibt die freie Reisezeit auf einem Streckenabschnitt Ai an. Wenn L(A±) die Länge des Streckenabschnitts A± bezeichnet, so ergibt sich mit den Offsets xlf xn die freie Reisezeit auf dem ersten Streckenabschnitt zu rp -LW
J- free, 1 —
Figure imgf000008_0003
und die freie Reisezeit auf dem n-ten Streckenabschnitt zu
Vfrt .n auf den übrigen ί Streckenabschnitte ergibt sich die freie Reisezeit zu
Tfree, i sr^ / ±=2,... , 11-1 (7)
* free,«
Bei Verletzung der Voraussetzung wird der relative Reisezeitverlust zu
Ui =0; i =1, ...,ιι (8) definiert. Außer für 1=2 und i=n können die jeweiligen Werte von Tiree( ί und. somit auch alle u, von der vorgegebenen Route R abhängen.
Im Folgenden werden zwei mögliche Ausführungsformen von Algorithmen für eine Routen- und Reisezeitzuordnung zu einem Punktepaar P-.Q angegeben. Als Ausgangsbasis für beide Algorithmen wird ein Streckennetz mit Streckenabschnitten A± zwischen einem Startpunkt P und Zielpunkt Q des Punktepaares bereitgestellt. Zunächst wird eine Vielzahl von möglichen Routen Rk zwischen dem Startpunkt P und dem Zielpunkt Q ermittelt, wobei jede Route Rk Streckenabschnitte Aitk , die mindestens einen der Streckenabschnitte A± umfassen, aufweisen. Dann wird ein jeweiliger relativer Reisezeitverlusts u±ik für jeden Streckenabschnitt Aiik jeder Route Rk bei einer jeweiligen Verkehrscharakteristik C±ik auf jedem Streckenabschnitt Ai,k jeder Route Rk ermittelt. Nachfolgend wird jedem Streckenabschnitt Ai des Streckennetzes H der ermittelte relative Reisezeitverlust ui)k der Streckenabschnitte Ai,k der Routen Rk zugeordnet. Danach wird eine jeweilige Gewichtung Wiik der relativen Reisezeitverluste u±fk für jeden Streckenabschnitt A±ik jeder Route R bei einer jeweiligen Verkehrscharakteristik Ci/k auf jedem Streckenabschnitt Aiik jeder Route Rk ermittelt. Jedem Streckenabschnitt A± des Streckennetzes H werden die ermittelten Gewichtungen W±/k der Streckenabschnitte A,iik der Routen Rk zugeordnet .
Im Folgenden werden die beiden Algorithmen im Detail beschrieben.
Bei einer ersten Ausführungsform des Algorithmus werden die Vielzahl von möglichen Routen Rk und die relativen Reisezeit- Verluste u±)k auf den jeweiligen Streckenabschnitten Aiik der Routen R.k durch folgende Schritte ermittelt:
Im ersten Schritt wird eine zeitlich kürzeste Route R0 mit Streckenabschnitten Ait 0 mit 1=1, ... , n durch Auswerten einer vorgegebenen Reisezeitendatenbank ermittelt. Im zweiten
Schritt werden für 1=1, n die relativen Reisezeitverluste i/0 der jeweiligen Streckenabschnitte Aii0 der zeitlich kürzeste Route RQ mittels der oben angegebenen Gleichungen (3) bis (7) ermittelt. Danach werden in einem dritten Schritt die Widerständen der jeweiligen Streckenabschnitte (Ai) 0) der Route R0 erhöht. Der Begriff "Widerstand eines Streckenabschnitts" bezeichnet beispielsweise eine fiktive dem Streckenabschnitt zugeordnete Reisezeit.
In einem vierten Schritt wird die zeitlich zu der zuvor bestimmten Route R0 nächst kürzeste Route Rlf die dem Punkte - paar P »Q zugeordnet werden kann, ermittelt. In einem darauffolgenden fünften Schritt werden nun die relativen Reisezeitverluste Ui,2 der jeweiligen Streckenabschnitte A:-( , dieser zeitlich nächst kürzeste Route J?i gemäß den oben angegebenen Gleichungen (3) bis (7) ermittelt. Danach werden in einem sechsten Schritt die Widerstände der Streckenabschnitte Aii2 der Route J?i erhöht .
Es werden nun die Schritte vier bis sechs so lange wiederholt, bis keine gefundene Route mehr die Gleichung (2) erfüllt, das heißt, dass bei keiner zusätzlich gefundenen Route die jeweilige minimale Reisezeit Tm±n kleiner als die auf der Route gemessene Reisezeit TPQ ist. Auf diese Weise werden k Routen Rk gefunden und den jeweiligen Abschnitten Aiik jeweilige relative Reisezeitverluste u±tk zugeordnet. In der Regel ist zu erwarten, dass nur wenige Ersatzrouten die Bedingung der Gleichung (2) erfüllen. Wenn keine Reisezeitdatenbank zur Verfügung steht» können die Routen auch mittels einer digitalen Karte und den freien Reisezeiten bestimmt werden.
Zum Ermitteln der Gewichtungen W±fk der relativen Reisezeitverluste u±rk werden zunächst Reisezeit-Erwartungswerte T(Rk) für jede der ermittelten Routen Rk bestimmt. Die jeweilige Gewichtung W±tk der relativen Reisezeitverluste u±ik wird in Abhängigkeit von den zuvor bestimmten Reisezeit-Erwartungswerten T(Rk) ermittelt. Die Gewichtungen Witk lassen sich beispielsweise mittels einer monoton fallenden Funktion bestimmen. Die Funktion kann beispielsweise derart gewählt sein, dass die Gewichtungen W±rk für kleine Reisezeiterwartungen
T(Rk) gegen Null strebt und für große Reisezeiterwartungen den größten Wert für die Gewichtungen annimmt. Sämtlichen Streckenabschnitten Ά± der unterschiedlich betrachteten Routen Rk können die Gewichte W±tk=W (Rk) wie folgt zugeordnet werden :
Figure imgf000011_0001
wobei die Konstante D zu
(11)
bestimmt werden kann.
Die Konstante λ ist der bereits im Zusammenhang mit der Wahrscheinlichkeitsdichtefunktion F(u : A, C λ) erwähnte Kalibrie- rungsparameter . Er kann beispielsweise von der Straßenklasse abhängig festgelegt werden. Bei Reisezeiten in Minuten kann der Kalibrierungsparameter λ beispielsweise zu λ = 1 Minute"1 gesetzt werden. Dies bedeutet, dass Reisezeitabweichungen um eine Minute das Gewicht um den Faktor 1/e senken.
Im Folgenden wird ein zweiter Algorithmus, der auf einer sto- chastischen Routen- und Reisezeitzuordnung basiert und eine automatische Gewichtung nach sich zieht, angegeben. Der Algorithmus wird wieder anhand des Punktepaares P -Q erläutert .
Zunächst wird mit Hilfe einer bereits vorhandenen Reisezeiten-Datenbank eine Wahrscheinlichkeitsverteilung
F0 Ci/Äi) von relativen Reisezeitverlusten u± für jeden Streckenabschnitten A± des Streckennetzes H bei einer jeweiligen Verkehrscharakteristik C± auf jedem Streckenabschnitt Ai des Streckennetzes ermittelt. Durch mehrfaches, beispielsweise etwa 1000-faches, Wiederholen der im Folgenden angegebenen Schritte I bis III werden eine Vielzahl von möglichen Routen Rk und die jeweiligen relativen Reisezeitverluste uii auf jedem Streckenabschnitten A±ik dieser Routen Rk ermittelt.
Im Schritt I werden auf jedem Streckenabschnitt Ai des Streckennetzes H zufällige (stochastische) Reisezeiten aus der Wahrscheinlichkeitsverteilung F0
Figure imgf000012_0001
der relativen Reisezeitverluste u± ermittelt. Jeweils eine der zufällig ermittelten Reisezeiten wird jedem Streckenabschnitt Ai des Streckennetzes H zugeordnet. Dann wird im Schritt II eine zeitlich kürzeste Route Rk zwischen dem Startpunkt P und dem Zielpunkt Q anhand der den Streckenabschnitten A des Streckennetzes H zugeordneten Reisezeiten ermittelt. Die Anzahl an Streckenabschnitten Airk jeder Route Rk kann von der jeweiligen Route Rk abhängen. Im Schritt III werden die relativen Reisezeitverluste u±,k der jeweiligen Streckenabschnitte Ai/k der zeitlich kürzesten Route Rk ermittelt. Die Reisezeitverluste können beispielsweise mittels der Gleichungen (3) bis (7) ermittelt werden. Die Reisezeitverluste Uiik sind dabei unabhängig von den durch das oben erwähnte Wahrscheinlichkeitsmodell zufällig erzeugten Reisezeiten.
Gemäß einer möglichen Ausführungsform können die relativen Reisezeitverluste des ersten und des letzten Streckenabschnitts von jeder der Routen Rk bei dem Zuordnen der jeweiligen relativen Reisezeitverluste ui/k der Streckenabschnitte Ai k der Routen Rk zu den Streckenabschnitten A± des Teilnetzes H unberücksichtigt bleiben. Dadurch lässt sich der ungewollten Einfluss von absichtlichen Umwegen auf das Verfahren reduzieren. Dies soll an folgendem Beispiel anschaulich erläutert werden.
Wenn ein Fahrzeug innerhalb des Sendeintervalls TPQ eine besonders geringe geometrische Entfernung zwischen den Punkten P und Q des Punktepaares P—Q zurücklegt, dann sind mehrere Hypothesen über den Fahrer und die Fahrt möglich. Der Fahrer könnte beabsichtigt haben, direkt von P nach Q zu fahren und hat {bewusst oder unbewusst) die (nach Erwartungswerten) "optimale Route" genommen. Es herrschte jedoch ein unerwartet ungünstiger Verkehrszustand ("Stau") vor. Möglich wäre auch, dass der Fahrer wieder die Absicht hatte, direkt von P nach Q zu fahren, jedoch eine nach vorliegenden historischen Daten "suboptimale" Route genommen hat, wobei der Verkehrszustand zwar auch schlechter als bisherige historische Medianwerte war, jedoch weniger gravierend als bei dem zuerst genannten Fall. Auf der "optimalen" Route war ein "normaler" Verkehrszustand. Als weitere Möglichkeit könnte sich der Fahrer kurzfristig verfahren oder falsch eingeordnet haben, so dass ein Wendemanöver oder ein sonstiger Umweg erforderlich war. Auf der "optimalen" Route war ein "normaler" Verkehrszustand. Bei einer weiteren möglichen Fallkonstellation könnte der Fahrer den Zielpunkt Q absichtlich über einen Umweg erreicht haben, ohne dass dieser Abstecher beispielsweise durch das Abschalten des Motors oder das Öffnen einer Tür unbedingt erkennbar gewesen wäre. Hierbei entsprachen die einzelnen den Abschnitten zugeordneten Reisezeiten den historischen Erwartungswerten.
Bei dem beschriebenen Beispielszenario kann nur im ersten
Fall auf einen Stau auf der optimalen Route geschlossen werden. Nun liegt die Vermutung ebenfalls nahe, dass zumindest absichtliche Umwege hauptsächlich am Anfang und am Ende einer zusammenhängenden Route stattfinden und dass Umwege unter einer gewissen Mindestzeit , beispielsweise einer Z itspanne von 5 Minuten, insgesamt verhältnismäßig selten vorkommen . Werden daher die ersten und letzten Punktepaare einer zusammenhängenden Fahrt ausgeklammert , so verringert sich die Wahrscheinlichkeit, dass ein Umweg gefahren wurde deutlich.
Mit der oben beschriebenen zweiten Ausführungsform des Algorithmus werden im Ergebnis zu einem Punktepaar P-.Q k Routen Rk gefunden. Den jeweiligen Abschnitten Ai,k der k Routen Rk werden mittels der Gleichungen (3) bis (7) relative Reisezeitverluste uirk zugeordnet . Die k Routen Rk (P-*Q) sind zwar bei Vorgabe der Reisezeiten im Streckennetz deterministisch bestimmbar, dennoch sind sie im Allgemeinen aufgrund der zuf lligen Ziehung von Reisezeiten, welche das Verhalten von k zufälligen Kunden modellieren soll , unterschiedlich und sto- chastisch. Zum Ermitteln der Gewichtungen Wifk der relativen Reisezeitverluste öi,* kann jeder Wert des relativen Reisezeitverlusts mit dem Faktor 1/k, das heißt mit einem Faktor, der proportional zum Reziproken der Anzahl an Wiederholungen der Schritte I bis III beziehungsweise proportional zum Reziproken der Anzahl an Kunden J ist, gewichtet werden.
Nachdem nun als Ergebnis von beiden Algorithmen Je verschiedene Routen Rk ermittelt worden sind, deren Streckenabschnitten Ai, jeweils relative Reisezeitverluste uiik zugeordnet worden sind, werden den relativen Reisezeitverlusten ultk Verkehrscharakteristiken Cit k zugeordnet.
Jedem Streckenabschnitt A± im Streckennetz H sind somit nun alle dem Abschnitt Ai zugehörigen Werte ui/k in einer Liste Q± zugeordnet, die natürlich auch eine leere Liste sein kann, falls gar keine Route durch einen Streckenabschnitt Ai fährt . Jedem Streckenabschnitt A± des Streckennetzes H ist somit eine Anzahl m von jeweiligen relativen Reisezeitverlusten u1 k für jeden Streckenabschnitt Ai des Streckennetzes H zugeordnet .
Ebenso können jedem Streckenabschnitt A± im Streckennetz H alle dem Abschnitt A- zugehörigen Werte von Gewichtungen Wi/k zugeordnet werden. Jedem Streckenabschnitt A± des Streckennetzes H ist somit eine Anzahl m von jeweiligen Gewichtungen Wirk für jeden Streckenabschnitt A± des Streckennetzes H zugeordnet .
Zum Modellaufbau für die Wissensbasis einer Reisezeitendatenbank werden Kategorien der Verkehrscharakteristiken so definiert, dass das relevante Modell bei Vorgabe von Streckenabschnitt Ai bei Charakteristiken C±rk durch eine Look-up- Tabelle zu erhalten ist. Gemäß der beiden oben angegebenen Algorithmen für die Routen- und Reisezeitzuordnung entstehen auf einem Streckenabschnitt Α,· bei Charakteristiken Ci k für jedes Punktepaar mehrere Werte u±rk des relativen Reisezeitverlustes und der zugehörigen Gewichtungen W±ik. Für die sto- chastische Zuordnung ergeben sich m solcher Wertepaare {u±fk, W±rkj pro Punktepaar und Streckenabschnitt. Als Eingangsdaten für die Wissensbasis für den relativen Reisezeitverlust auf einem Streckenabschnitt A± bei Charakteristiken Cifk wird nun jedes Wertepaar separat eingegeben.
Für jeden neuen Datensatz m aus dem Zuordnungsverfahren werden die in der Wissensbasis bereits vorhandenen Werte mittels eines Lernalgorithmus aktualisiert. Zur Vereinfachung der im Folgenden angegebenen Formeln wird die Notation {u(i, C, m) , W(i,Cfm)j verwendet. Dies steht für das m- te Wertepaar {relative Verzögerung, Gewichtung}, das sich auf den - ten Streckenabschnitt und die Kategorie C der Verkehrscharakteristiken bezieht.
In einem ersten Verfahrensschritt des Lernverf hrens wird für den relativen Reisezeitverlust auf einem Streckenabschnitt A± bei Charakteristiken C auf der Iterationsstufe m eine Normal - Verteilung N (ü (i, C, m) , σ 2 (i, C,m) ) angenommen» wobei der Parameter ΰ (i, C,m) den geschätzten Mittelwert des relativen
ReiseZeitverluste und der Parameter σ 2 (i,C,m) die geschätzte Varianz der Verteilung des relativen Reisezeitverlusts angibt. Die Parameter ü(ifC,m) , σ2 (i,C,m) können durch folgende Iterationsformeln bestimmt werden:
(N(i,€ -!)· Up', C, m - 1) + Wji, C,m) · u(i,C,m)
(12)
N(i,C,m) σ2(1
Figure imgf000017_0001
mit r (i,C,m) = (i,C,m)-Q(i,C, -l), m > 3 (14)
N(i,C, ) = N(i, C,m-1) +W(i,C, ) , m 2 (15)
Die Anfangswerte des Iterationsverfahrens lassen sich beispielsweise wie folgt bestimmen: c?(i,C,2) = tu(i, C,2) - u(i, C,l)}2 (16)
Q (i c 2 ) Ξ W{i, C,l) ·u(i, CJ) + W(i,C,2) · u(i, C,2)
' ' W(i,C,l) + W(i,C,2)
N(i,C, 1) = W(i,C,l) (18) ü(i,C,l) = u(i,C,l) (19) a2 (1,0,1) = lud, C, l)]2 (20)
Mit dem Iterationsverfahren kann der geschätzte Mittelwert der relativen Reisezeitverluste ü(i,C,m) in Abhängigkeit von einer jeweiligen Anzahl m von relativen Reisezeitverlusten u1/k und Gewichtungen W±ik, die jedem Streckenabschnitt A± des Streckennetzes H bei der jeweiligen Verkehrscharakteristik C± auf dem Streckenabschnitt A± zugeordnet worden sind, ermittelt werden. In einem nachfolgenden Verfahrensschritt können die mit dem
Iterationsverfahren geschätzten Mittelwerte ü(i, C, ) der relativen Reisezeitverluste und die Gewichte W(i,C,m) auf einem Streckenabschnitt A± verwendet werden, um auf entsprechenden Eingangsdaten ü(i, C,m) und M(i, C, m) für ein geeignetes Modell einer Wahrscheinlichkeitsverteilung von relativen Reisezeitverlusten
Figure imgf000018_0001
Ci/Äi) unter Verwendung der Gammaverteilung zu schließen. Der Parameter M gibt hier eine Maß für die einer Informationsquelle zugeordnete virtuelle Stichprobenanzahl an. Der Parameter M(i, C,m) kann in Abhängigkeit von der jeweiligen Anzahl m von relativen Reisezeitverlusten uiik und Gewichtungen W±/k, die jedem Streckenabschnitt A< des Streckennetzes H bei der jeweiligen Verkehrscharakteristik C; auf dem Streckenabschnitt A± zugeordnet worden sind, ermittelt werden ,
Wenn als geeignetes Modell eine Gammaverteilung angenommen wird, kann für die Wahrscheinlichkeitsverteilung der Reisezeitverluste Uj auf einem Streckenabschnitt A± bei einer vorherrschenden Verkehrscharakteristik C± und einem Kalibrierungsparameter K± die Wahrscheinlichkeitsdichtef nktion zu
Figure imgf000018_0002
angesetzt werden. Im vorliegenden Modell entspricht der Parameter a im rechten Formelausdruck dem Kalibrierungsparameter λ. Dieser kann als bekannt für einen Streckenabschnitt betrachtet werden. Beispielsweise kann für planfreie Straßen a=100 und für plangleiche Straßen a«0.09*T angenommen werden, wobei T die charakteristische Reisezeit (in Sekunden) zwischen Knotenpunkten der betrachteten Straßenklasse darstellt. In einer allgemeinen Ausführung kann der Parameter a aus dem auf einem Streckenabschnitt geschätzten Variationskoeffizienten ermittelt werden, der wiederum aus dem Verhältnis von Standardabweichung und Mittelwert einer Verteilung der Reisezeiten auf einem Streckenabschnitt gewonnen werden kann.
Dahingegen wird der Parameter B als eine unscharfe Größe angesehen und selbst wieder mit Hilfe einer Wahrscheinlichkeitsverteilung ßa>Ba< 1 exp( ß,B)
1=0, 1 , 2 , ... (22)
beschrieben. Der Parameter B bezeichnet hier den umgekehrten Skalierungsparameter einer Gammaverteilung . Die Parameter τ bzw. i werden als "Hyperparameter" bezeichnet, die in Abhängigkeit von den Eingangsdaten ü(i,C,m) und M(i, C,m) anhand der folgenden Gleichungen (23) und (24) ermittelt werden können: a, = a, .., +a{!) mit a(l) s M, -a (23) und
Figure imgf000019_0001
Der Parameter I = 0, 1, 2, ... gibt die zugehörige Informationsquelle an. In einer bevorzugten Ausführungsform des Lernverfahrens können Datenpunkte uiik beziehungsweise Witk durch ein
Ausreißerfilter entfernt werden. Dies hat den Vorteil, dass beim Ermitteln des geschätzten Mittelwerts der relativen Rei- sezeitverluste ü(i,C,m) Ausreißer von relativen Reisezeitverlusten Uj, je der Streckenabschnitte Aitk der Routen Rk unberücksichtigt bleiben. Als Kriterium für einen Ausreißer kann das in Gleichung (14) im Rahmen des Iterationsverfahrens ermittelte Residuum r(i,C,m) verwendet werden. Falls der Betrag des Residuums r(i,C,m) für den m-ten Iterationsschritt beispielsweise größer als 4·σ beträgt , wobei σ die in Gleichung {13} , (16) oder (20) berechnete Wurzel aus der Varianz ist, so wird das entsprechende Wertepaar /uiik; Witk} bei der Durchführung des Iterationsverfahrens nicht berücksichtigt.
Bei dem vorgestellten Verfahren werden zur Verwendung für eine Reisezeitendatenbank mehrere Routen zwischen einem Start- und Zielpunkt betrachtet und ihnen jeweils Wahrscheinlichkeiten zugeordnet. Diese werden nachfolgend als gewichtete Informationen zum Lernen einer Wissensbasis verwendet. Falls eine Strukturänderung erkannt wird, kann das Lernverfahren von neuem gestartet werden.
Das Verfahren kann auf einem elektronischen Datenträger oder in der Firmware einer Datenverarbeitungseinrichtung als Programm-Algorithmus gespeichert sein. Die angegebenen Verfahrensschritte können von einem Prozessor eines Rechners ausgeführt werden. Die im Fahrzeug erfassten Daten können an einen Service-Provider gesendet werden. Ein Rechner, der Zugriff den auf dem elektronischen Datenträger beziehungsweise der Firmware gespeicherten Programm-Algorithmus hat, kann das beschriebene Verfahren ausführen, um so eine Reisezeitendaten- bank bei einem Verkehrsdiensteanbieter aufzubauen beziehungsweise um eine bereits vorhandene Datenbank zu aktualisieren. Somit können im Fahrzeug generierte Daten genutzt werden, um im Backend eine intelligente Wissenbasis für die Reisezeit aufzubauen.

Claims

Patentansprüche
1. Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank, umfassend:
- Bereitstellen eines Streckennetzes (H) mit Streckenabschnitten (Ai) zwischen einem Startpunkt (P) und einem Zielpunkt (Q) ,
- Ermitteln einer Vielzahl von möglichen Routen (Rk) zwischen dem Startpunkt (P) und dem Zielpunkt (Q) , wobei jede Route (Rk) Streckenabschnitte (Aitk) , die mindestens einen der Streckenabschnitte (Ά±) des Streckennetzes (H) umfassen» aufweisen,
- Ermitteln eines jeweiligen relativen Reisezeitverlusts
{ Uj , *) für jeden Streckenabschnitt ( A,- ^) jeder Route (Rk) bei einer jeweiligen Verkehrscharakteristik (C±rk) auf jedem Streckenabschnitt (A±tk) jeder Route (Rk) ,
- Zuordnen der ermittelten relativen Reisezeitverluste (uiik) der Streckenabschnitte (Aitk) der Routen (Rk) zu je¬ dem Streckenabschnitt (Α3) des Streckennetzes (H) ,
- Ermitteln einer jeweiligen Gewichtung {Witk) der relativen Reisezeitverluste (uiik) für jeden Streckenabschnitt (Aitk) jeder Route (Rk) bei einer jeweiligen Verkehrscharakteristik (Ci k) auf jedem Streckenabschnitt (A1 ( * ) jeder Route (Rk) ,
- Zuordnen der ermittelten Gewichtungen ( Wit ) der Streckenabschnitte (Aiik) der Routen (Rk) zu jedem Streckenabschnitt (Ai ) des Streckennetzes (H) ,
- Ermitteln einer Wahrscheinlichkeitsverteilung
(F (u±
Figure imgf000022_0001
Ci/Ai) ) der relativen Reisezeitverluste (u±) für jeden Streckenabschnitt (Ai) des Streckennetzes (H) bei der dem jeweiligen Streckenabschnitt (Ai) zugeordneten Verkehrscharakteristik (C±) und einem dem jeweiligen Stre- ckenabschnitt {Ά±) zugeordneten Kalibrierungsparameter (Ai) .
2. Verfahren nach Anspruch 1 ,
wobei der jeweilige relative Reisezeitverlust (u±tk) in Abhängigkeit von der zwischen dem Startpunkt (P) und dem Zielpunkt (Q) gemessenen Reisezeit (TPQ) und einer auf dem jeweiligen Streckenabschnitt (Airk) jeder Route (Rk) zwischen dem Startpunkt (P) und dem Zielpunkt ( Q) vorgegebenen minimalen Reisezeit (Tmin) ermittelt wird.
3. Verfahren nach Anspruch 2 ,
- wobei die minimale Reisezeit (Tmin) zwischen dem Startpunkt (P) und dem Zielpunkt (Q) aus einer Summe von jeweiligen den Streckenabschnitten (Ai) der Route (Rk) zugeordneten freien Reisezeiten ( Tfree< i ) ermittelt wird,
- wobei die dem jeweiligen Streckenabschnitt (Ai) zugeordnete freie Reisezeit (Tfree i) in Abhängigkeit von der Länge des jeweiligen Streckenabschnitts (Aj) der Route (Rk) und der dem jeweiligen Streckenabschnitt [A±) der Route {Rk} zugeordneten freien Reisegeschwindigkeit { Vfree,i) ermittelt wird.
4. Verfahren nach Anspruch 3 ,
wobei die dem jeweiligen Streckenabschnitt (Ai) der Route
(Rk) zugeordnete freie Reisegeschwindigkeit ( Vfree i) aus einer digitalen Karte erhalten wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, umfassend:
Ermitteln der Vielzahl von möglichen Routen (Rk) und der relativen Reisezeitverluste (uiik) auf den jeweiligen Streckenabschnitten (A.i)k) der Routen (Rk) durch folgende
Schritte (a) bis (d) : (a) Ermitteln einer zeitlich kürzesten Route (JR0) mit Streckenabschnitten (A±t0) durch Auswerten einer vorgegebenen Reisezeitendatenbank,
(b) Ermitteln der relativen Reisezeitverluste ( uit 0) der jeweiligen Streckenabschnitte (Ai 0) der zeitlich kürzesten Route (R0) ,
(c) Ermitteln von weiteren Routen (Rk) mit jeweiligen Streckenabschnitten (Alik) , wobei die jeweilige minimale Reisezeit ( Tmin) der weiteren Routen (Rk) kleiner als die auf der jeweiligen weiteren Route gemessene Reisezeit
(TPQ) ist,
(d) Ermitteln der relativen Reisezeitverluste (Ui,k) der jeweiligen Streckenabschnitte (Ai k) der weiteren Routen
(Rk) ■
6. Verfahren nach Anspruch 5 ,
wobei ein Widerstand der jeweiligen Streckenabschnitte {Aiik) der Routen {Rk) nach dem Schritt des Ermitteins des relativen Reisezeitverlusts (ui>k) der jeweiligen Streckenabschnitte ( Aj , jc) der Routen (Rk) erhöht wird.
7. Verfahren nach einem der Ansprüche 1 bis 6, umfassend:
- Ermitteln eines Reisezeit-Erwartungswertes (T(Rk) ) für jede der ermittelten Routen (Rk)
- Ermitteln der jeweiligen Gewichtung { Ni)k) der relativen Reisezeitverluste (uiik) für jeden Streckenabschnitt (Ai)k) jeder Route (Rk) in Abhängigkeit von den ermittelten Reisezeit-Erwartungswerten (T(Rk) ) .
8. Verfahren nach einem der Ansprüche 1 bis 4, umfassend:
- Ermitteln eines Wahrscheinlichkeitsverteilungsmodells (F0 (u± IA±, i Ai) ) von relativen Reisezeitverlusten { U ) für jeden Streckenabschnitt (Α±) des Streckennetzes (H) bei der jeweiligen Verkehrscharakteristik (C±) auf jedem Streckenabschnitt (Ai ) des Streckennetzes (H) durch Auswerten einer vorgegebenen Reisezeitendatenbank,
- Ermitteln der Vielzahl der möglichen Routen (Rk) und Ermitteln der jeweiligen relativen Reisezeitverluste (ui>k) auf jedem Streckenabschnitten (Aii ) der Routen (Rk) durch mehrfaches Wiederholen der folgenden Schritte (a) bis (c) :
(a) Ermitteln einer zufälligen Reisezeit auf jedem Streckenabschnitt (Ai) des Streckennetzes (H) durch Ziehen von dem Wahrscheinlichkeitsverteilungsmodell (F0
Figure imgf000025_0001
C±;Äi) ) und Zuordnen jeweils einer der zufällig ermittelten Reisezeiten zu jedem Streckenabschnitt (Ai) des Streckennetzes (H) ,
(b) Ermitteln einer zeitlich kürzesten Route (Rk) zwischen dem Startpunkt (P) und dem Zielpunkt (Q) anhand der den Streckenabschnitten ( Ai ) des Streckennetzes (H) zugeordneten Reisezeiten»
(c) Ermitteln der relativen Reisezeitverluste (Ui,*) der jeweiligen Streckenabschnitte (Aifk) der zeitlich kürzesten Route (Rk) .
Verfahren nach Anspruch 8, umfassend:
Ermitteln der jeweiligen Gewichtung ( Wiik) der relativen Reisezeitverluste (u1 k) der Streckenabschnitte ( Α, , λ) der Routen (Rk) in Abhängigkeit einem Wert, der proportional zum dem Reziproken der Anzahl der mehrfachen Wiederholungen zum Ermitteln der Vielzahl von möglichen Routen (R ) und der relativen Reisezeitverluste { ui) ) der Streckenabschnitte (Ai, jt) der Routen (Rk) ist.
Verfahren nach einem der Ansprüche 1 bis 3,
wobei die relativen Reisezeitverluste des ersten und des letzten Streckenabschnitts von jeder der Routen (R ) bei dem Zuordnen der jeweiligen relativen Reisezeitverluste (ui/k) der Streckenabschnitte (Aiik) der Routen (Rk) zu den Streckenabschnitten (A±) des Teilnetzes (H) unberücksichtigt bleiben.
Verfahren nach einem der Ansprüche 1 bis 10, umfassend: Ermitteln eines jeweiligen geschätzten Mittelwerts der relativen Reisezeitverluste (ü(i,C,m)) in Abhängigkeit von einer jeweiligen Anzahl (m) von relativen Reisezeitverlusten (Uz,*) und Gewichtungen ( Wi k) , die jedem Streckenabschnitt (Aj) des Streckennetzes (H) bei der jeweiligen Verkehrscharakteristik { Cj) auf dem Streckenabschnitt zugeordnet worden sind.
Verfahren nach Anspruch 11» umfassend:
wobei bei dem Ermitteln von dem geschätzten Mittelwert der relativen Reisezeitverluste (u (ί , C, m) ) Ausreißer von relativen Reisezeitverlusten ( Uiik) der Streckenabschnitte (Λί,*) der Routen (Rk) unberücksichtigt bleiben.
Verfahren nach einem der Ansprüche 1 bis 12,
wobei die Wahrscheinlichkeitsverteilung (F(Ui
Figure imgf000026_0001
C±;X±) ) der relativen Reisezeitverluste (u±) für jeden Streckenabschnitt (Ai ) des Streckennetzes (H) als eine GammaVerteilung modelliert wird.
PCT/EP2013/052465 2012-02-17 2013-02-07 Verfahren zu einem modellaufbau für eine reisezeitendatenbank WO2013120765A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201380014906.2A CN104169986B (zh) 2012-02-17 2013-02-07 用于为旅行时间数据库建立模型的方法
US14/460,979 US9122983B2 (en) 2012-02-17 2014-08-15 Method for model construction for a travel-time database

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102012202463.8 2012-02-17
DE102012202463A DE102012202463A1 (de) 2012-02-17 2012-02-17 Verfahren zu einem Modellaufbau für eine Reisezeitendatenbank

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US14/460,979 Continuation US9122983B2 (en) 2012-02-17 2014-08-15 Method for model construction for a travel-time database

Publications (1)

Publication Number Publication Date
WO2013120765A1 true WO2013120765A1 (de) 2013-08-22

Family

ID=47747572

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2013/052465 WO2013120765A1 (de) 2012-02-17 2013-02-07 Verfahren zu einem modellaufbau für eine reisezeitendatenbank

Country Status (4)

Country Link
US (1) US9122983B2 (de)
CN (1) CN104169986B (de)
DE (1) DE102012202463A1 (de)
WO (1) WO2013120765A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180534A (zh) * 2017-07-03 2017-09-19 华南理工大学 支持向量回归机融合的高速公路路段平均速度估计方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015205901A1 (de) * 2015-04-01 2016-10-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Berechnung einer Route für ein Landfahrzeug
CN109144097B (zh) 2018-08-15 2021-04-06 广州极飞科技有限公司 障碍物或地面识别及飞行控制方法、装置、设备及介质
CN110211381B (zh) * 2019-06-05 2021-02-09 杭州中奥科技有限公司 交通线路分配方法及装置
CN111754771B (zh) * 2020-06-22 2021-11-30 中山大学 一种基于交通信号和密度延误的个体行程时间预测方法
DE102021105556A1 (de) 2021-03-08 2022-09-08 Bayerische Motoren Werke Aktiengesellschaft Bestimmen von Reiseinformationen

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002045046A2 (en) * 2000-11-28 2002-06-06 Applied Generics Limited Traffic monitoring system
US20050093720A1 (en) * 2003-10-16 2005-05-05 Hitachi, Ltd. Traffic information providing system and car navigation system
US20080004789A1 (en) * 2006-06-30 2008-01-03 Microsoft Corporation Inferring road speeds for context-sensitive routing
EP2071287A2 (de) * 2007-12-13 2009-06-17 Deutsche Telekom AG Verfahren zur Auswahl einer Route für eine dynamische Navigation von Individualverkehr
WO2009116105A2 (en) * 2008-03-21 2009-09-24 Gianfranco Antonini A traffic assignment method for multimodal transportation networks
DE102011104838A1 (de) * 2010-06-25 2011-12-29 Gm Global Technology Operations, Inc. Erzeugen von Fahrtroutenverfolgungen in einem Navigationssystem unter Verwendung eines Wahrscheinlichkeitsmodells

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4361202A (en) * 1979-06-15 1982-11-30 Michael Minovitch Automated road transportation system
WO2003029922A2 (en) * 2001-10-01 2003-04-10 Kline & Walker, Llc Pfn/trac system faa upgrades for accountable remote and robotics control
US7813870B2 (en) * 2006-03-03 2010-10-12 Inrix, Inc. Dynamic time series prediction of future traffic conditions
US20090319172A1 (en) * 2007-04-26 2009-12-24 Timebi, Lda Travel time prediction system
JP5618857B2 (ja) * 2011-02-15 2014-11-05 株式会社日立製作所 資源運用計画作成装置および資源運用計画作成方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002045046A2 (en) * 2000-11-28 2002-06-06 Applied Generics Limited Traffic monitoring system
US20050093720A1 (en) * 2003-10-16 2005-05-05 Hitachi, Ltd. Traffic information providing system and car navigation system
US20080004789A1 (en) * 2006-06-30 2008-01-03 Microsoft Corporation Inferring road speeds for context-sensitive routing
EP2071287A2 (de) * 2007-12-13 2009-06-17 Deutsche Telekom AG Verfahren zur Auswahl einer Route für eine dynamische Navigation von Individualverkehr
WO2009116105A2 (en) * 2008-03-21 2009-09-24 Gianfranco Antonini A traffic assignment method for multimodal transportation networks
DE102011104838A1 (de) * 2010-06-25 2011-12-29 Gm Global Technology Operations, Inc. Erzeugen von Fahrtroutenverfolgungen in einem Navigationssystem unter Verwendung eines Wahrscheinlichkeitsmodells

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180534A (zh) * 2017-07-03 2017-09-19 华南理工大学 支持向量回归机融合的高速公路路段平均速度估计方法

Also Published As

Publication number Publication date
US9122983B2 (en) 2015-09-01
CN104169986B (zh) 2016-10-26
US20150046387A1 (en) 2015-02-12
DE102012202463A1 (de) 2013-08-22
CN104169986A (zh) 2014-11-26

Similar Documents

Publication Publication Date Title
WO2013120765A1 (de) Verfahren zu einem modellaufbau für eine reisezeitendatenbank
EP1026649B1 (de) Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation
DE102012204306A1 (de) Verfahren zur Steuerung eines Bereitstellens von Verkehrsinformationsdaten zur Aktualisierung einer Verkehrsinformation
DE102011083677A1 (de) Prognose einer Verkehrssituation für ein Fahrzeug
WO2013113588A1 (de) Verfahren zur bereitstellung von parkinformationen zu freien parkplätzen
WO2018108559A2 (de) Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie
EP3611709A1 (de) Verkehrsflusssimulator
DE19856704A1 (de) Verfahren und Vorrichtung zur Fahrzeugzielführung und/oder Reisezeitschätzung
DE112017007882T5 (de) Fahrzeug und navigationssystem
DE102012213048A1 (de) Verfahren und Vorrichtung zum Aktualisieren einer Fahrzeitabschätzung
DE102013000385A1 (de) Verfahren und Navigationssystem zum Ermitteln eines Fahrroutenvorschlags für eine bevorstehende Fahrt mit einem Kraftwagen
DE10057796B4 (de) Verfahren zur fahrzeugindividuellen Verkehrszustandsprognose
EP3438946A2 (de) Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage
EP1061491A1 (de) Filterungsverfahren von Verkehrsdaten zur Bestimmung der Reisegeschwindigkeiten auf Strassen
DE102015226224B3 (de) Verfahren zum Ermitteln einer Verkehrsbelastung
DE10108611A1 (de) Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz
DE102017218383A1 (de) Verfahren und Vorrichtung zum Ermitteln eines Reibwertes einer Fahrbahn
DE102016220561A1 (de) Verfahren zur Ermittlung von Fahrrouten für Landfahrzeuge
WO2023247089A1 (de) Verfahren und vorrichtung zur prädiktion der wartezeit an einer ladestation
DE102014214758A1 (de) Verfahren für ein Navigationssystem
DE102016216538A1 (de) Verfahren zum Betreiben einer Steuervorrichtung eines Kraftfahrzeugs, Steuervorrichtung und Kraftfahrzeug
DE102010064063B4 (de) Verfahren und Vorrichtung zur rechnergestützten Prognose eine Fahrtdauer eines Fahrzeugs auf einer Route aus einem oder mehreren Routensegmenten
DE19944890A1 (de) Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung
DE102017213512A1 (de) Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs
DE102021204191B4 (de) Vorrichtung und Verfahren zur echtzeit-basierten dynamischen Verkehrszuordnung für zumindest zwei nachfolgende Fahrbahnen

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13705415

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13705415

Country of ref document: EP

Kind code of ref document: A1