專利名稱：行程時間預測裝置和方法、交通信息提供系統和程序的制作方法
技術領域：
本發明涉及行程時間預測裝置、行程時間預測方法、交通信息提供系統和程序，特別是涉及在ITS (Intelligent Transport System)中作為特定區 間的交通信息提供的行程時間(所需時間)的預測裝置及其應用系統。
背景技術：
在ITS的領域中，知道各種以路線引導為目的，推測/預測車輛的移動 花費的行程時間或堵塞的發生等交通狀況的技術。特別是開始利用作為使 用車載機，在車輛自身中取得道路交通狀況的傳感器而充分利用的探測車 系統。以下，列舉與所述的技術關聯的文獻。在信息處理學會研究報告"高級交通系統"No.014-009中刊載的熊谷 等的論文，"使用特征空間映射的交通信息預測方法"中，提出通過主成 分分析，把一天的行程時間變動模式分類為幾個種類，根據表示該日期種 類的標簽(星期或天氣等)，使預測對象日應該屬于的種類建立對應的方 法。該方法是適合于從半天到一天的長期的范圍的預測的方法。此外，認 為能由該方法預測的區間局限于能進行固定點觀測的干線道路。在特開2000-235692號公報記載的"行程時間預測裝置"中描述關于 行程時間預測對象區間，求出各時間帶的行程時間累計分布中的現在的區 間行程時間的順序，從該順序求出預測順序，從行程時間累計分布抽出相 當于該預測順序的行程時間的方法。基于該方法的預測值很大程度上依存 于現在時刻的順序，所以認為是適合于從最近到一小時以后的預測的技 術。如果是能進行固定點觀測的道路區間，就能應用，但是在所述技術的 特性上，可以說是適合于高速道路的方法。在特開2003-303390號公報記載的"行程時間預測方法、裝置和程序" 中，采用從存儲的過去的行程時間實際數據，檢測與現在的行程時間推移模式類似的行程時間推移模式，用該行程時間推移模式預測行程時間的方 法。認為根據該方法能預測的區間也局限于能進行固定點觀測的干線道路 等。此外，在基于本申請人的特開2006-11572號公報記載的"交通信息預 測函數學習裝置、交通信息預測裝置、交通信息變動法則獲得裝置及其方 法"中，提出通過自動回歸模型(Auto Regression模型)分析從探測車系 統取得的時間系列數據和根據過去的行程實際時間生成的行程時間推移 模式的差異，預測行程時間的方法。該方法不是固定點觀測，而以基于探 測車系統的數據取得為前提，所以在原理上能應用于任何道路區間，但是 為適合于最近的行程時間的預測的方法。在特開2004-118700號公報記載的"行駛所需時間預測裝置"中，公 開了組合利用預測當天的交通數據的短時間的行駛所需時間預測，和基于 類似模式檢索的中長期間的行駛所需時間預測，預測行程時間的裝置。在 同一公報中把使用從車輛感知器、AVI (Automatic Vehicle Identification:車輛自動識別)系統、收費站等的固定傳感器取得的數據作為前提，未考 慮進行沒有設置這些傳感器的區間的預測。在特開2005-208034號公報記載的"推測路段(link)行程時間數據 的匹配修正方法"中描述根據現狀數據，把關于從數小時到1天的區間的 行程時間數據(過去的統計數據)變形，從數十分鐘到數小時，以高精度 進行預測的方法。根據該方法能預測的區間也與所述的各技術同樣只是取 得過去的統計數據和現狀數據的區間，未觸及全部道路區間的預測。[專利文獻l]特開2000-235692號公報[專利文獻2]特開2003-303390號公報[專利文獻3]特開2006-11572號公報[專利文獻4]特開2004-118700號公報[專利文獻5]特開2005-208034號公報[非專利文獻l]信息處理學會研究報告"高級交通系統"No.014-009 "使用特征空間映射的交通信息預測方法"51-57頁熊谷正俊等[非專禾ll文獻2]IEEE Transactions on Information Theory, vol. 44, NO. 4, p. 1424-1439 "A decision-theoretic extension of stochastic complexity and," ,K.Yamanish，1998年[非專利文獻3]第8次信息論的學習理論預稿集"用于長期預測的階 層的狀態空間模型"，中田貴之，竹內純一，2005年發明內容可是，所述的各技術適合于從最近到一小時以后的預測、或者從半天 到一天的長期預測，但是具有在其中間程度的中期預測中，無法發揮良好 的精度的問題。此外，例如在專利文獻5中，介紹了對統計處理的統計路段行程時間 進行修正，使其與現狀的交通狀況匹配的方法，但是該修正處理是把統計 路段行程時間乘以與現狀的差異對應的比率，例如，堵塞時間大幅度提前 的時候，會導致以后的行程時間極度縮短，并不一定按照實際狀態。本發明是鑒于所述的事實而提出的，其目的在于，提供從最近的數據 預測將來的這種類型的行程時間預測裝置、行程時間預測方法、交通信息 提供系統和程序。根據本發明的第一視點，提供一種行程時間預測裝置，把從全部路段 集合中指定為預測對象的路段、預測對象的日期時間、關于所述指定的路 段逐次輸入的行程時間的時間系列數據作為輸入，輸出所述指定的路段和 日期時間的預測行程時間，該行程時間預測裝置，從保持至少按日期種類 統計處理過各路段的過去的時間系列數據的行程時間推移模式的數據庫， 取得與所述指定的路段以及日期種類對應的行程時間推移模式；計算該行 程時間推移模式和所述逐次輸入的行程時間的時間系列數據之間的誤差 減小的行程時間推移模式的變換參數；使用根據該計算出的變換參數，變 換所述行程時間推移模式而取得的預測函數，進行預測。根據本發明的第二視點，提供一種使用計算機的行程時間預測方法， 把從全部路段集合中指定為預測對象的路段、預測對象的日期時間、關于 所述指定的路段逐次輸入的行程時間的時間系列數據作為輸入，輸出所述 指定的路段和日期時間的預測行程時間，該方法包括所述計算機從保持 至少按日期種類統計處理過各路段的過去的時間系列數據的行程時間推 移模式的數據庫，取得與所述指定的路段以及日期種類對應的行程時間推移模式的步驟；所述計算機計算所述行程時間推移模式和所述逐次輸入的 行程時間的時間系列數據之間的誤差減小的行程時間推移模式的變換參 數的步驟；所述計算機根據所述計算出的變換參數，變換所述行程時間推 移模式，取得預測函數的步驟；以及所述計算機使用所述預測函數，預測 所述指定的路段和日期時間的預測行程時間并輸出的步驟。根據本發明的第三視點，提供一種使計算機執行的程序，把從全部路 段集合中指定為預測對象的路段、預測對象的日期時間、關于所述指定的 路段逐次輸入的行程時間的時間系列數據作為輸入，輸出所述指定的路段 和日期時間的預測行程時間，使計算機執行以下的處理從保持至少按日 期種類統計處理過各路段的過去的時間系列數據的行程時間推移模式的 數據庫，取得與所述指定的路段以及日期種類對應的行程時間推移模式的 處理；計算該行程時間推移模式和所述逐次輸入的行程時間的時間系列數 據之間的誤差減小的行程時間推移模式的變換參數的處理；根據所述計算 出的變換參數，變換所述行程時間推移模式，取得預測函數的處理；以及 使用所述預測函數，預測所述指定的路段和日期時間的預測行程時間并輸 出的處理。根據本發明的第四視點，提供一種交通信息提供系統，其特征在于 與所述行程時間預測裝置連接，進而具有對給定的終端提供交通信息的機 構，該交通信息包含由所述行程時間預測裝置輸出的預測行程時間。根據本發明，能以高精度預測任意的區間的移動所需的行程時間。
圖1是表示本發明第1實施方式的行程時間預測系統的全體結構的圖。圖2是表示本發明第1實施方式的行程時間預測系統的函數變換圖像 (常數倍和平行移動)的圖。圖3是表示本發明第1實施方式的行程時間預測系統的函數變換圖像 (垂直移動和平行移動)的圖。圖4是表示在本發明第1實施方式中加上隨機復雜性計算機構的變形 結構的圖。圖5是表示本發明第1實施方式的行程時間預測裝置中執行的處理的 流程的流程圖。圖6是表示本發明第2實施方式的行程時間預測裝置中執行的處理的 流程的流程圖。圖7是表示本發明第2實施方式的行程時間預測裝置中的變換參數計 算處理的細節的流程圖。圖8是表示本發明第3實施方式的行程時間預測系統的全體結構的圖。圖9是表示本發明第3實施方式的行程時間預測裝置中執行的處理的 流程的流程圖。圖10是表示本發明第3實施方式的行程時間預測裝置中執行的處理 的流程的流程圖。 符號的說明。100—行程時間預測裝置；101—行程時間實時數據；102—模式變換 機構；103—預測值計算機構；104—行程時間推移模式存儲DB; 105—隨 機復雜性計算機構；IIO—長期預測機構；111——中期預測機構；112— 短期預測機構。
具體實施方式
[第1實施方式]下面，參照附圖，說明用于實施本發明的最佳形態。圖l是表示本發 明第1實施方式的行程時間預測系統的全體結構的圖。參照圖l，示出了 訪問行程時間實時數據101、行程時間推移模式存儲數據庫(以下稱作"行 程時間推移模式存儲DB") 104，輸出預測值的行程時間預測裝置100的 結構。行程時間實時數據101是從探測車系統的數據或VICS (Vehicle Information&Communiction System)(注冊商標)等信息源，按各道路區間 單位(路段)形成的時間系列數據。在行程時間推移模式存儲DB104中存儲使用所述行程時間實時數據 101等，對各道路區間單位(路段)，關于給定期間的過去的各種指標值，進行偏離值的除去、相關的分析等必要的統計處理的行程時間推移模式。 所述統計處理按照各時間系列數據的星期或所謂的五十天、季節、天氣等 曰期種類，在每個預先決定的時間單位中進行。因此，行程時間推移模式準備24小時的部分，按照各種狀況，能使用適當的行程時間推移模式。 按照預測精度和系統全體的負荷，決定所述時間單位，例如，考慮每5分 鐘、每15分鐘。后面詳細描述該行程時間推移模式的細節。行程時間預測裝置100具有進行使用后面描述的預測函數的預測處理 的模式變換機構102和預測值計算機構103。行程時間預測裝置100按照 來自用戶的要求，綜合行程時間實時數據101或行程時間推移模式存儲 DB104中存儲的行程時間推移模式，求出對成為預測對象的道路區間單位 (路段)的短期預測(5分鐘或15分鐘)、中期預測(到短期以后數小時 左右)、將來預測時間。這里，成為預測對象的道路區間單位(路段)基 本上從用戶一側指定，所以能把數十 數萬左右的路段作為對象。行程時間預測裝置100—邊保持高的預測精度， 一邊盡量縮短預測所 需的處理時間，所以在中期預測處理中具有特征。以下，說明行程時間預 測裝置100的中期預測處理。[行程時間實時數據(時間系列數據)]首先，說明在中期預測處理中使用的行程時間實時數據101。以下， 路段是指在交叉點和交叉點之間定義的涉及數十米到數百米左右的長度 的道路區間。而把交叉點等路段的端稱作節點。假定預測對象路段為d個，排列時刻t的各路段的實時數據的向量用 xt = (xt: !， xt: 2，…Xt: a)ED-XiXX2X…XXd表 示。這里，把D稱作域。各x t : i是表示路段i的時刻t的行程時間、車輛數、堵塞發生的指標、或該時刻的天氣等與交通狀況有關的各種屬性的指標值。各Xt, j是連續值，或者是離散值。這里，為了方便，t為整數值。由向量列{&}，構成預先決定的時間間隔的時間系列數據。例如，如果預先決定的時間間隔為5分鐘，X2就表示x,的5分鐘后的數據。以下，由Xm"(m蕓n)表示列xm 特別是x1^,。 [行程時間推移模式] -下面，說明行程時間推移模式存儲DB104中存儲的行程時間推移模 式。仿照所述Xt，時刻t的行程時間推移模式為wt。這里，Wt按各時間帶，記錄與所述Xt對應的量的過去的平均值。Wt按照星期或天氣、是否假日等日期種類而不同，所以按各日期種類 構成。因此，wt具有如果t前進24小時，就回到原來的值的周期性。構成wt的問題是學習(時間帶、日期種類)與行程時間對應的回歸式 的問題，在構成它的具體方法中考慮各種方法。作為一個例子，能列舉把 日期種類或時間帶應該分類為何種程度的細節的課題作為基于信息量標 準的最優化問題解決的方法。[中期預測]接著，使用所述行程時間實時數據(時間系列數據)和行程時間推移 模式，詳細說明中期預測方法。在中期預測中，在經驗上知道關于行程時間，具有"如果堵塞開始時 刻提前，行程時間推移模式就相應提前該部分。"、"如果關于某時間，過 分花費行程時間，不久就殘留同樣的傾向。"的性質。這樣的變動非常適合于中期預測的范圍即30分鐘到1、2小時的期間。 本實施方式的行程時間預測裝置100使用把所述知識公式化的預測方法。以下，為了簡單起見，固定一個道路區間單位(路段)和日期種類， 如果行程時間實時數據101和行程時間推移模式假定為只由一個屬性"行 程時間"構成的一維時間系列數據，就能把從行程時間推移模式存儲 DB104中存儲的過去數據求出的時刻t的行程時間表示為f (t)。此外，現 在時刻為to。這時，能夠用把a、 b作為變換參數的預測函數h(tla，b)-af(t-b) 預測行程時間。所述預測函數如圖2所示，是按照與實時數據的誤差減少 的方式把f (t)變為常數倍(a倍)和平行移動(一b)而獲得的函數。可是，對a、 b使用由把與行程時間實時數據101的誤差最小化的以 下表達式求出的a帽(to)和b帽(tQ)(以下表達式左邊的帶A的文字稱作 帽。以下，同樣)。[數學式1]<formula>formula see original document page 13</formula>此外，作為把a、 b作為變換參數的預測函數，能使用h(tla， b)=f (t —b) +3預測行程時間。所述預測函數如圖3所示，是按照使得與實時數 據的誤差減少的方式把f (t)垂直移動(+a倍)和平行移動(一b)而取 得的函數。這時的a、 b也使用由把與行程時間實時數據101的誤差最小化的以 下表達式求出的a帽(t0)和b帽(t0)。 [數學式2]在所述數學式1、2中，exp (—a ( t 。 一u))是與誤差Xu — h ( u I a ， b )) 2相乘的加權系數，按照越是最近的數據，越重視的 方式進行工作。即如果追溯到比現在時刻to還早l/a步的過去，加權j變 為1/e倍，所以如果考慮1步為5分鐘的情況，就使用直到5/a的數倍左 右過去的數據進行變換。此外，數學式l、數學式2的右邊第2項和第3項的補償項的系數w a和Wb是控制函數變換易受怎樣程度的過去的數據影響的參數。這樣的變量a、 wa 、 wb都是控制學習的性質的參數，稱作超參數。 作為a的具體的值，例如1步為5分鐘時，能直觀地決定為5/a * 3=120 等。此外，wa、 wb可以與行程時間的離散同程度地決定。使用所述的數學式1或數學式2那樣的預測函數，根據以下表達式， 求出從現在時刻t。過s時刻后的行程時間。[數學式3]<formula>formula see original document page 13</formula>此外，關于所述的超參數，也能使用以信息量標準"預測的隨機的復 雜性"的考慮方法最優化過的值。預測的隨機的復雜性的具體形式由以下 表達式提供。這里設從24小時 78小時中包含的時間系列數據的記錄數為 m。須指出的是，關于"預測的隨機的復雜性"的細節，例如記載在非專利文獻2或非專利文獻3中。[數學式4]<formula>formula see original document page 14</formula>圖4是表示具有使用預測值計算機構103的計算結果計算隨機的復雜 性的隨機復雜性計算機構105的行程時間預測裝置的結構的圖。根據該結 構，能導出使用預測的隨機的復雜性的變換參數。圖5是表示本實施方式的行程時間預測裝置100中執行的處理的流程 的流程圖。如果參照圖5，首先行程時間預測裝置100把時刻設定為現在 時刻ts (步驟S101)。接著，行程時間預測裝置100從行程時間推移模式存儲DB104讀出 行程時間實時數據101以及指定的路段和時間所對應的行程時間推移模式 wt (步驟S102)，通過模式變換機構102，計算指定所述行程時間推移模 式變換的所述變換參數，對預測值計算機構103輸出(步驟S103)。接著，行程時間預測裝置100通過預測值計算機構103，使用利用所 述變換參數進行變換取得的預測函數，輸出預測值x帽t+n、 x帽t+n+1、 x 帽t+n+2'"(步驟S104)。如上所述，根據本實施方式，關于指定的預測對象路段，使用按照使 得過去的數據和現在的實測值的的誤差減少的方式變換過的預測函數，能 正確估計行程時間。[第2實施方式]接著，參照附圖，詳細說明對所述第l實施方式加以變更的本發明的 第2實施方式。對時間軸，以臺階狀的函數表現的行程時間模式是不能微分的，為了 發現誤差變為最小的(a， b)的組合，有必要用(a， b)的全部組合執行 計算，選擇成為最小的組合，計算量變得龐大。因此，在本實施方式中，對所述第1實施方式的變換參數計算處理(參 照圖5的步驟S103)加以變更，采用有限的數據，不使用微分，取得最佳 的解的方法，從而一邊保持預測精度， 一邊謀求計算時間的削減—。圖6是表示本實施方式的行程時間預測裝置100中執行的處理的流程 的流程圖。與所述的第1實施方式的行程時間預測裝置100的處理的不同 點在于，在變換參數計算處理(步驟S103)中使用一定期間的最新逐次輸 入數據(圖6的"逐次輸入、忘卻")；和通過隨機梯度法，取得最佳解(圖 6的"隨機梯度法")。下面，參照圖7，說明變換參數計算處理的細節。如果參照圖7，則 首先行程時間預測裝置100從行程時間實時數據101讀入過去一定期間 (例如直到現在時刻ts的10 15分鐘之前的期間)中存在的q個數據(步 驟S106)，從讀入的數據計算用以下表達式表現的函數F (步驟S107)。<formula>formula see original document page 15</formula>[數學式5]函數F能逐次輸入數據，所以近似變換所述[數學式l]的誤差項和補 償項即以下的[數學式6]。該變換的特征在于，不是把行程時間推移模式 變為常數倍(a倍)，而是變為exp(a)倍。[數學式6]<formula>formula see original document page 15</formula>更具體而言，行程時間預測裝置100如以下所述，用對初始變換參數 (ai ， b )應用(加、減)/不應用暫時變動寬度d。 e,的以下5模式， 計算函數F。<formula>formula see original document page 15</formula>行程時間預測裝置100從所述5模式的函數的計算結果，根據與誤差 的大小成比例的概率，從以下的9模式的組合中隨機選擇常數倍參數a和水平移動參數b的組合，選擇的組合為(a2， b2)b i)(a ,+ d t ，b j)(a ,，b >+ e ,)(a ,—d ,，b ,)(a i，b ,)(a ,+ d ,，b+ e ,)(a ,+ d i ，b ,—6 i)(a ,—d ,，b ,+ e ,)(a一d ,，b ,—6 i)行程時間預測裝置100如上所述，重復m次(按照行程時間預測裝置 IOO的處理能力等，預先設定m)應用變動寬度dn、 en (n=l~m)的多個 模式的函數F的計算和基于計算結果的暫時常數倍參數an和暫時水平移動 參數bn的選擇(步驟S108)，限定出最佳的(a， b)。這時，變動寬度dn、 en (n=l m)為d^d2^ ^dm， ei^e2".^ em，設定為按照要求的行程時間的預測精度，隨著計算次數m增加，逐漸 變為細致的步。再度進行預測處理時，按照圖6的流程，更新為t:二t+l (步驟S105)， 進行變換參數的計算(步驟S103)的處理。在下一時刻t+l的行程時間實時數據的讀入處理(步驟S106)中，只 讀入在時刻t到t+l的時間帶被更新過的數據，用包含該數據的最新的q 個數據進行函數F的計算(步驟S107)。據此，削減讀入的數據，提高處 理速度。此外，不使用(忘卻)老的數據，通過逐次輸入最新的q個，也能保 證預測精度。根據以上，不使用微分，通過減少讀入數據數，能實現高速 處理。如上所述，在本實施方式中，能夠以更少的計算量，對大范圍的道路預測行程時間，對由于空間的制約而難以安裝多個高性能的處理裝置的車 載機的安裝也變得容易。 [第3實施方式]下面，參照附圖，詳細說明對所述第l實施方式加以變更的本發明的第3實施方式。本實施方式的行程時間預測裝置在所述第1實施方式的結構中加上長期預測機構、短期預測機構等多個預測機構，具有從其中選擇適合的預測機構，以適當的周期(5分鐘到1小時左右)實時預測的高速 預測功能。以下，以對所述第1實施方式的追加和變更點為中心，詳細說 明。[多個預測機構]圖8是表示本實施方式的行程時間預測裝置100的結構的圖。如果參 照圖8，則行程時間預測裝置100除了由所述第1實施方式的模式變換機 構102和預測值計算機構103構成的中期預測機構111，還具有長期預測 機構110和短期預測機構112。長期預測長期預測機構110是不使用行程時間實時數據101，進行只使用行程 時間推移模式存儲DB104的存儲數據的長期預測處理的機構。在交通信 息中，現在的狀態波及將來的影響最高為數小時左右，關于此后的預測， 沒有使用實時數據的意義。短期預測短期預測機構112是進行基于自動回歸模型(AR模型=Auto Regression模型)的短期預測處理的機構。這里，短期預測使用過去1小 時左右的行程時間實時數據101，進行最多一小時以后的預測。在短期預 測中能使用各種方法，但是希望能使用本申請人的專利文獻3中記載的方 法。為了與后面描述的預測機構的選擇關聯，以下說明使用自動回歸模型 (AR模型)的專利文獻3的方法的概要。這里，設行程時間實時數據和行程時間推移模式的差分為y t = x t 一wt 。 AR模型是規定發生行程時間實時數據的概率分布的統計模型。 可以描述為[數學式7]這里，Et是噪聲項， 一般是平均0的多維正態分布。此外，am稱作 AR系數。指定一個模型時，可以指定規定全部AR系數和et的概率分布 的離散。把這些參數匯總寫為e 。如果指定e ，就能通過[數學式8] 71 = 1從過去數據預測最近的行程時間。此外，根據過去數據推測e，成為 學習問題，有必要預先對很多的路段進行學習。 [預測處理的選擇]本實施方式的行程時間預測裝置ioo具有利用所述3種預測機構和取 得的行程時間實時數據，求出各路段的適當的預測方法，進行有效的預測 處理的功能。首先，預先決定成為各預測的對象的期間。例如，決定如果為現在時刻t。時，關于1^t。+6，作為短期預測的對象，關于t。+7^t^t。+25，作 為中期預測的對象，此后，原封不動地輸出行程時間推移模式存儲DB104 的值(長期預測)。如果時間間隔為5分鐘，所述規則就意味著從現在時刻到30分鐘后， 進行短期預測，此后到120分鐘后，進行中期預測，再之后進行長期預測。本實施方式的行程時間預測裝置IOO判定關于所述短期預測和中期預 測對象時間，是進行短期預測和中期預測，還是原封不動使用行程時間推 移模式存儲DB104的值。關于短期預測，使用AR模型時，為了進行預測，按照AR模型的次數 追溯到過去的實時數據成為必要。例如使用m次的AR模型時，相當于t。-m ^ t ^ t。的期間的行程時間實時數據是必要的。本實施方式的行程時間預測裝置100是該期間的行程時間實時數據 101和行程時間推移模式存儲DB104的值的差異大時，使短期預測算法工 作，如果不這樣，就原封不動使用行程時間推移模式存儲DB104的值進行例如，以下的量比預先決定的閾值As還大時，進行短期預測，不是 這樣時，不進行。 [數學式9]1 古o這里，As的具體值可以用必要的行程時間的精度決定。例如如果1 分鐘的精度是必要的，就每隔1分鐘，能夠只在必要的時候，輸出基于所 述短期預測的行程時間。關于中期預測，同樣，相當于t。-I/a St^t。的期間的行程時間實時 數據成為必要。這時，根據把所述數學式7的m置換為1/ a而取得的量是 否比預先決定的值am還大，能判定是否要執行中期預測。Am也與所述As 同樣，可以用必要的精度決定，但是一般中期預測與短期預測相比，不能 期待更高精度，所以設定As的數倍左右是適當的(例如，5分鐘)。如上所述，通過適宜設定AM和As，能控制與預測處理有關的計算成本。[預測處理的分組]例如，關于同一道路上的連續的2個路段的行程時間實時數據在很多 的時候，能期待具有非常相似的統計性質。此外，關于并行的2個道路上 的路段，也同樣。特別是如果考慮行程時間實時數據和行程時間推移模式 的差分，就能吸收道路固有的性質，期待相關更清楚。因此，本實施方式 的行程時間預測裝置IOO預先對路段的集合，根據形成時間推移模式存儲 DB104的值，進行群集，把表現相似的傾向的路段分組。因此，關于各組，決定一個代表路段。如果關于中期預測，只關于該 代表路段，求出中期預測中使用的變換參數(a帽(t。) ，b帽(t。))，就 能對屬于該組的路段，進行預測。在對于無法取得現在時刻的實時數據的 路段，預測也成為可能(實質上能把全國全部的道路作為預測對象)的方 面，和能夠削減計算時間的方面這2方面在中期預測中是特別有利的。該群集有必要對成為預測對象的全部路段進行，但是，因為認為在地理上遠離的路段彼此原本沒有相關，所以只在分塊化的地區內處理。例如， 以考慮這些地理關系的階層構造(地域/2次網格/路段組/路段/)保持行 程時間推移模式，能把所述群集容易化。此外，如上所述，用階層構造管 理行程時間推移模式在負荷分散和擴張性的方面也有利。此外，所述的群集處理基本上作為前處理進行一次，沒必要實時進行。作為具體的群集方法，能使用Ward法、k-means等古典的方法(例如參照 基于神島敏弘的"數據開采領域的群集方法(1)-使用群集，試試看！ -" 人工智能學會雜志、vol. 18、 no. 1、 pp.59-65 (2003))、基于T. Kohonen 的書籍("Self-OrganizingMaps， " Springer-Verlag， Berlin, 2001)中提 出的SOM (Self Organized Map二自組織圖)等。 [預測處理的調度]接著，說明本實施方式的行程時間預測裝置100的動作(預測處理的 調度)。圖9、圖10是表示本實施方式的行程時間預測裝置100的動作(預測 處理的調度)的流程圖。如果參照圖9，行程時間預測裝置100就按照預 測對象路段的集合與預測對象時間，從行程時間推移模式存儲DB104加載 必要的行程時間推移模式(步驟S201)。然后，行程時間預測裝置100定期執行圖9所示的預測信息的更新處 理(步驟S202)。如果參照圖10，則首先行程時間預測裝置100根據到現在時刻為止的 行程時間實時數據、在步驟S201中加載的行程時間推移模式、預測對象 時間，判定短期預測、中期預測是否必要(步驟S211)。行程時間預測裝置100從預測對象路段所屬的組選擇代表路段(步驟 S212)。行程時間預測裝置100如果在步驟S211中判定為需要中期預測，就 執行中期預測處理(步驟S213)。同樣，如果在步驟S211中判定為需要短 期預測，行程時間預測裝置100就執行短期預測處理(步驟S214)。最后，行程時間預測裝置100綜合各預測結果，輸出與預測對象路段 和預測對象時間對應的行程時間預測結果(步驟S215)。在本實施方式中，如所述"預測處理的選擇"中所述那樣，組合短期預測、中期預測、長期預測各自的優點，以少的計算量能取得保證一定精 度的預測結果。此外，如所述的"預測處理的分組"中所述，關于包含由 于成本等事情，實質上不可能取得實時數據的路段(道路區間)的路線的 預測也成為可能。此外，按所述計算的精度高的預測數據在個人司機、運送旅客或物品 的運輸業從業者、出租車從業者、公共汽車從業者等各種運輸業者中，成為進行路線選擇或對利用者的二次的信息服務上的有用的信息。能使用具有提供由所述的行程時間預測裝置100輸出的行程時間預測 結果的機構的交通信息提供系統，進行交通信息提供服務。這些信息內容 鑒于其有用性，能以設定一定的配送期間的固定制或與信息配送次數或配 送尺寸等對應的按量制等任意的收費體系有償配送。此外，或者與給定廣 告組合配送，從而如果使該廣告主負擔系統運營費，就能免費配送。不僅行程時間預測結果，也可以適當付與注釋，也一并配送所述變換 參數。以上，說明了本發明的理想的各實施方式，但是這些實施方式記載本 申請人:所能夠知道的理想的實施方式，在不脫離本發明的要旨的范圍中， 當然能加以各種變形。
權利要求
1.一種行程時間預測裝置，把從全部路段集合中指定為預測對象的路段、預測對象的日期時間、關于所述指定的路段逐次輸入的行程時間的時間系列數據作為輸入，輸出所述指定的路段和日期時間的預測行程時間，該行程時間預測裝置從保持至少按日期種類統計處理過各路段的過去的時間系列數據的行程時間推移模式的數據庫，取得與所述指定的路段以及日期種類對應的行程時間推移模式；計算該行程時間推移模式和所述逐次輸入的行程時間的時間系列數據之間的誤差減小的行程時間推移模式的變換參數；使用根據該計算出的變換參數，變換所述行程時間推移模式而取得的預測函數，進行預測。
2. 根據權利要求l所述的行程時間預測裝置，其特征在于 計算行程時間推移模式的變換參數，所述行程時間推移模式和所述逐次輸入的行程時間之間的加權誤差，與補償項之和減小。
3. 根據權利要求2所述的行程時間預測裝置，其特征在于 通過減小預測隨機復雜性，把所述加權誤差的加權系數和補償項的大小最優化。 '
4. 根據權利要求1 3中的任意一項所述的行程時間預測裝置，其特 征在于作為所述變換參數，至少計算所述行程時間推移模式的常數倍參數和 水平移動參數。
5. 根據權利要求1 3中的任意一項所述的行程時間預測裝置，其特 征在于作為所述變換參數，至少計算所述行程時間推移模式的垂直移動參數 和水平移動參數。
6. 根據權利要求1 3中的任意一項所述的行程時間預測裝置，其特 征在于根據所述逐次輸入的過去一定時間中觀測的給定個數的行程時間的 時間系列數據，與使用應用/不應用按每次計算減小的方式決定的暫時變動 寬度的多個模式的暫時變換參數所計算出的預測值之間的誤差的出現概 率，通過重復給定次數所述暫時變換參數的更新和所述誤差的計算，決定 所述行程時間推移模式的變換參數。
7. 根據權利要求1 3中的任意一項所述的行程時間預測裝置，其特征在于還具有利用自動回歸模型，進行直到將來給定時間的行程時間的短期 預測的短期預測機構；關于超過所述短期預測機構的預測范圍的部分，進行使用所述預測函 數的行程時間中期預測。
8. 根據權利要求1 3中的任意一項所述的行程時間預測裝置，其特 征在于還具有利用自動回歸模型，進行直到將來給定時間的行程時間的短期 預測的短期預測機構；關于超過所述短期預測機構的預測范圍的部分，進行使用所述預測函 數的行程時間中期預測；在所述短期預測和中期預測中，只當所述逐次輸入的行程時間的時間 系列數據和所述數據庫中存儲的行程時間推移模式故意不同時，執行預
9.根據權利要求1 3中的任意一項所述的行程時間預測裝置，其特 征在于還具有利用自動回歸模型，進行直到將來給定時間的行程時間的短期預測的短期預測機構；關于超過所述短期預測機構的預測范圍的部分，進行使用所述預測函 數的行程時間中期預測；關于全部預測對象路段，劃分為預先設定的組，對所述各組的每一個 的代表路段，事先求出所述變換參數；對屬于與所述代表路段相同的組的路段，使用所述變換參數的值進行 預測。
10. —種交通信息提供系統，與權利要求1 3中的任意一項所述的行程時間預測裝置連接； 還具有對給定的終端，提供包含由所述行程時間預測裝置輸出的預 測行程時間的交通信息的機構。
11. 一種交通信息提供系統，與權利要求1 3中的任意一項所述的行程時間預測裝置連接； 還具有對給定的終端，提供包含由所述行程時間預測裝置輸出的預 測行程時間的交通信息的機構；以及所述交通信息的配送期間被固定的固定制的收費機構。
12. —種交通信息提供系統，與權利要求1 3中的任意一項所述的行程時間預測裝置連接； 還具有對給定的終端，提供包含由所述行程時間預測裝置輸出的預 測行程時間的交通信息的機構；以及與所述交通信息的配送次數對應的按量制的收費機構。
13. —種交通信息提供系統，與權利要求1 3中的任意一項所述的行程時間預測裝置連接； 還具有對給定的終端，提供包含由所述行程時間預測裝置輸出的預測行程時間的交通信息的機構；與所述交通信息一起，提供所述預測函數的變換中使用的所述變換參數的值。
14. 一種使用計算機的行程時間預測方法，把從全部路段集合中指定 為預測對象的路段、預測對象的日期時間、關于所述指定的路段逐次輸入 的行程時間的時間系列數據作為輸入，輸出所述指定的路段和日期時間的 預測行程時間，該方法包括所述計算機從保持至少按日期種類統計處理過各路段的過去的時間 系列數據的行程時間推移模式的數據庫，取得與所述指定的路段以及日期 種類對應的行程時間推移模式的步驟；所述計算機計算所述行程時間推移模式和所述逐次輸入的行程時間 的時間系列數據之間的誤差減小的行程時間推移模式的變換參數的步驟；所述計算機根據所述計算出的變換參數，變換所述行程時間推移模式，取得預測函數的步驟；以及所述計算機使用所述預測函數，預測所述指定的路段和日期時間的預 測行程時間并輸出的步驟。
15. —種使計算機執行的程序，把從全部路段集合中指定為預測對象 的路段、預測對象的日期時間、關于所述指定的路段逐次輸入的行程時間 的時間系列數據作為輸入，輸出所述指定的路段和日期時間的預測行程時 間，使計算機執行以下的處理-從保持至少按日期種類統計處理過各路段的過去的時間系列數據的 行程時間推移模式的數據庫，取得與所述指定的路段以及日期種類對應的 行程時間推移模式的處理；計算該行程時間推移模式和所述逐次輸入的行程時間的時間系列數 據之間的誤差減小的行程時間推移模式的變換參數的處理；根據所述計算出的變換參數，變換所述行程時間推移模式，取得預測 函數的處理；以及使用所述預測函數，預測所述指定的路段和日期時間的預測行程時間 并輸出的處理。
全文摘要
本發明提供一種行程時間預測裝置和方法、交通信息提供系統和程序，組合現狀和統計信息，能以高精度進行行程時間的中期預測。行程時間預測裝置從保持按日期種類統計處理各路段的過去的時間系列數據的行程時間推移模式的行程時間推移模式存儲DB(104)，取得與指定的路段以及日期種類對應的行程時間推移模式，計算出該行程時間推移模式和所述逐次輸入的行程時間實時數據(101)之間的誤差減小的行程時間推移模式的變換參數，使用根據該所算出的變換參數，變換所述行程時間推移模式而取得的預測函數進行預測。此外，計算的預測值和變換參數作為交通信息配送。
文檔編號G06Q10/00GK101236620SQ200710181628
公開日2008年8月6日 申請日期2007年10月19日 優先權日2006年10月20日
發明者中田貴之, 杉崎康弘, 竹內純一, 藤田貴司 申請人:日本電氣株式會社;Nec軟件有限公司