預測鏈路上的未來的移動時間的方法
【技術領域】
[0001] 本發明涉及預測移動時間，更具體地，涉及基于所收集的移動時間的季節變化的 歷史數據來預測車輛的移動時間。
【背景技術】
[0002] 諸如汽車導航、車隊管理、配送和其它物流運輸操作的調度的許多運輸問題取決 于運輸網絡中的所有鏈路（link)(例如，道路）的準確移動時間估值的可用性。如果假定 了自由流動交通狀況，則能夠容易地將任何鏈路的移動時間估算為鏈路的長度和車輛的速 度的比率。
[0003] 然而，在許多區域中，由于擁擠尤其在高峰時間或交通擁擠時間期間常常未能觀 測到自由流動交通狀況。結果，在自由流動狀況下使用移動時間估值的路徑選擇（routing) 引導系統一貫地將車輛導向交通堵塞，從而使交通狀況進一步惡化。
[0004] 較近期的車輛路徑選擇系統（諸如日本車輛信息和通信系統（vies)與歐洲無線 電數據系統（RDS)交通消息通道（TMC))將鏈路上的最近的移動時間用作該鏈路上的未來 的移動時間的估值。
[0005] 然而，在動態運輸網絡中，移動時間尤其在高峰時間開始時迅速地改變。因此，尤 其對于由車輛到目的地最后（在一些情況下在規劃了路線之后數小時）行經（traverse) 的鏈路和其發起的行車（traversal)，估值迅速地變得過時且無關。使用這些估值，盡管比 在自由流動狀況下的那些估值更準確，但是尤其對于在高峰時間期間發生的較長路線，導 致仍然離最佳很遠的路線選擇。
[0006] 這些路線的示例包括由作為路線引導系統的最重要用戶中的一些用戶并且嚴重 依靠在盡可能避免交通堵塞的同時找到最佳上下班路線的通勤者所進行的早晨和傍晚出 行。
[0007] 對于這種路線引導，路徑選擇系統將受益于在不久的將來能夠始終預測移動時間 達數小時的方法。該問題被稱為短期移動時間預測。
[0008] 已知兩種基本方法。第一種方法來自物理模擬觀點，其中使用物理上現實的模擬 器來模擬整個運輸網絡或者其單獨的鏈路，并且移動時間作為模擬的副產品被獲得。雖然 該方法可能非常準確，但是卻很少實行，因為必須準確地校準模擬模型，并且還必須提供諸 如進出網絡的交通流量的輸入條件。在實踐中，校準是困難且艱巨的過程，并且未來的交通 流量及操作條件通常是未知的。
[0009] 第二種方法是完全數據驅動的機器學習方法，其中維護了歷史移動時間數據，并 且預測模型適合于該數據，對未來的移動時間與當前和過去的移動時間的依存關系進行建 模。
[0010] 還已使用了諸如線性回歸、神經網絡、狀態空間模型等的各種回歸技術，在合理準 確度情況下預測未來的移動時間達未來的數小時方面更成功。
[0011] 數據驅動方法可能是非常實用的，因為它使用已經由當前的移動時間測量系統 (諸如Vise和RDS-TMC)收集的數據。然而，現有技術的純數據驅動預測方法可能容易地違 犯移動時間的重要物理特性，特別是先進先出（FIFO)特性。該特性是道路鏈路的排隊性質 的結果。晚于另一車輛進入鏈路的車輛很可能在該另一車輛之后離開該鏈路。如果該鏈路 一次僅容許一輛車，并且不容許超車（passing)，則該特性嚴格為真（true)。這對于多車道 道路也可能為真，其中，在高峰時間期間，后面的車輛難以通過堵塞的交通前進。因此，對于 一般的鏈路，這在移動時間的預期方面為真。
[0012] 如果T (tl)是在時間&進入鏈路的車輛的預期移動時間，并且T (t2)是在時間 t2進入鏈路的車輛的預期移動時間，使得t2>ti，則即使T (tl)可能與T (t2)有任何關系 (例如，小于、等于或大于），FIFO特性也能被表達為t2+T(t2)彡ti+T(tl)。因為T(tl) 和T (t2)通常通過數據驅動預測方法被彼此完全獨立地預測，所以在這些預測之間通常不 用強加FIFO特性。
[0013] 除產生物理上不現實且可能不準確的預測之外，違犯FIFO特性有另一個非常負 面的后果：它使得最佳路徑選擇問題變得難以處理。如果FIFO特性在動態運輸網絡中成 立，則在多項式時間上可能找到最佳路線。如果它不成立，則多項式解不存在。由于此原因， 找到移動時間預測方法使得預測的移動時間滿足FIFO特性是一個重要的實際問題。
【發明內容】
[0014] 沿著鏈路的未來的移動時間使用訓練階段和預測階段來預測。
[0015] 在訓練期間，學習訓練流入量（inflows)的季節特征、季節分量。將所述訓練流入 量減去所述季節分量以獲得與所述訓練流入量的訓練偏差來產生統計，其連同所述季節分 量一起形成所述鏈路上的交通流量的模型。
[0016] 在預測期間，針對當前的季節間隔收集在所述鏈路上的當前的移動時間以確定當 前的流入量。將最近的流入量減去最近的移動時間以獲得當前的偏差。對于未來的時間， 使用所述統計來估算預測偏差。所述季節分量被加到所述預測偏差以獲得預測所述未來的 移動時間所根據的預測流入量。
【附圖說明】
[0017] 圖1是用于基于季節模型來預測移動時間的方法的訓練階段的流程圖；以及
[0018] 圖2是用于基于季節模型來預測移動時間的方法的預測階段的流程圖。
【具體實施方式】
[0019] 針對移動時間的季節自回歸整個鏈路模型
[0020] 本發明的實施方式提供了用于預測在鏈路上的車輛的未來的移動時間的方法。該 預測使用受鏈路上的移動時間與（加權的）交通流入量之間的固定非線性關系約束的季節 自回歸隨機過程。
[0021] 季節模型的統計是根據歷史訓練數據估算的。在實時期間，鏈路流入量和流出量 是從當前的數據測量結果推斷的。鏈路流入量和流出量是從實際數據測量結果推斷的，并 且移動時間根據該模型從當前數據預測。
[0022] 被收集的唯一訓練數據是在一系列時間間隔，…，tN}期間的移動時間 t(tl使得ti+1彡ti。能夠在持續時間At的規則時間間隔t期間收集數據，使得h = i At。采樣間隔可以是恒定的，例如，8 i= At。
[0023] 然而，間隔不必在時間上等距，并且例如能夠通過報告特定車輛行經道路鏈路的 實際時間的"探測"汽車、或者通過聚合來自許多傳感器（例如，道路表面上的感應環）的 數據的交通測量系統來收集數據。傳感器收集移動時間的周期性估值。
[0024] 在時間t的移動時間t (t)與鏈路上的流入量的聚合加權估值w(t)之間的依存 關系T⑴=f(W(t))假定有
[0025] w(t) = |3 u(t) + (l-|3 ) v(t+t (t)), (1)
[0026] 其中u(t)是鏈路在時間t的流入率（inflow rate)，v(t+t (t))是鏈路在時間 t+T (t)的流出率（outflow rate)，并且|3是恒定權重。
[0027] 當FIFO特性成立時，流出率v (t+t⑴）是
[0028]
【主權項】
1. 一種用于預測鏈路上的未來的移動時間的方法，該方法包括： 訓練階段，該訓練階段包括以下步驟： 針對訓練季節間隔收集在所述鏈路上的訓練移動時間； 根據所述訓練移動時間來確定訓練流入量； 估算所述訓練流入量的季節分量； 將所述訓練流入量減去所述季節分量以獲得與所述訓練流入量的訓練偏差； 根據所述訓練偏差來確定統計，其中，所述季節分量和所述統計形成所述鏈路上的交 通流量的模型；以及 預測階段，該預測階段包括以下步驟： 針對當前的季節間隔收集在所述鏈路上的當前的移動時間； 根據所述當前的移動時間來確定當前的流入量； 針對最近的移動時間，從最近的流入量減去以獲得當前的偏差； 對于未來的時間，使用所述統計來估算預測偏差； 將所述季節分量加到所述預測偏差以獲得預測流入量；以及 根據所述預測流入量來確定所述未來的移動時間。
2. 根據權利要求1所述的方法，其中，所述預測使用受所述鏈路上的所述移動時間與 所述流入量之間的固定非線性關系約束的季節自回歸隨機過程。
3.根據權利要求1所述的方法，其中，在時間t的特定移動時間t(t)和特定流入量 u(t)的聚合估值的依存關系是 w(t) = |3 u(t) + (l-|3 ) v(t+T (t)), 其中V(t+T⑴）是在時間t+T⑴的流出率，并且|3是恒定權重。
4.根據權利要求3所述的方法，其中，所述流入率是
其中T'指示移動時間T的一階導數。
5.根據權利要求3所述的方法，其中，所述依存關系是線性的。
6.根據權利要求3所述的方法，其中，所述流入量u⑴源自一階的季節自回歸過程。
7.根據權利要求3所述的方法，其中，所述流入量u (t)被分解成所述季節分量s (t)和 所述偏差r (t)，使得所述偏差是一階的自回歸過程。
8.根據權利要求7所述的方法，其中，所述自回歸過程是零均值。
9.根據權利要求2所述的方法，其中，在任意持續時間的不規則間隔處觀測所述移動 時間，并且自回歸參數是被確定為兩個連續隨機偏差的自然對數之間的差與當觀測到對應 的移動時間時的時間之間的差的平均比的均值回復率。
10.根據權利要求5所述的方法，其中，所述移動流量的聚合估值與移動時間之間的所 述依存關系是線性的。
【專利摘要】使用訓練階段和預測階段來預測沿著鏈路的未來的移動時間。在訓練期間，學習訓練流入量的季節間隔、季節分量。將所述訓練流入量減去所述季節分量以獲得與所述訓練流入量的訓練偏差來產生統計，該統計與所述季節分量一起形成所述鏈路上的交通流量的模型。在預測期間，針對當前的季節間隔收集在所述鏈路上的當前的移動時間以確定當前的流入量。將最近的流入量減去最近的移動時間以獲得當前的偏差。對于未來的時間，使用所述統計來估算預測偏差。所述季節分量被加到所述預測偏差以獲得預測所述未來的移動時間所根據的預測流入量。
【IPC分類】G08G1-01
【公開號】CN104781863
【申請號】CN201380059837
【發明人】丹尼爾·尼科夫斯基
【申請人】三菱電機株式會社
【公開日】2015年7月15日
【申請日】2013年10月10日
【公告號】DE112013005457T5, US8762036, US20140136088, WO2014077083A1