預(yù)測鏈路上的未來的移動時間的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及預(yù)測移動時間，更具體地，涉及基于所收集的移動時間的季節(jié)變化的 歷史數(shù)據(jù)來預(yù)測車輛的移動時間。
【背景技術(shù)】
[0002] 諸如汽車導(dǎo)航、車隊(duì)管理、配送和其它物流運(yùn)輸操作的調(diào)度的許多運(yùn)輸問題取決 于運(yùn)輸網(wǎng)絡(luò)中的所有鏈路（link)(例如，道路）的準(zhǔn)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(qū)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(jié)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(dǎo)系統(tǒng)一貫地將車輛導(dǎo)向交通堵塞，從而使交通狀況進(jìn)一步惡化。
[0004] 較近期的車輛路徑選擇系統(tǒng)（諸如日本車輛信息和通信系統(tǒng)（vies)與歐洲無線 電數(shù)據(jù)系統(tǒng)（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(tài)運(yùn)輸網(wǎng)絡(luò)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(guī)劃了路線之后數(shù)小時）行經(jīng)（traverse) 的鏈路和其發(fā)起的行車（traversal)，估值迅速地變得過時且無關(guān)。使用這些估值，盡管比 在自由流動狀況下的那些估值更準(zhǔn)確，但是尤其對于在高峰時間期間發(fā)生的較長路線，導(dǎo) 致仍然離最佳很遠(yuǎn)的路線選擇。
[0006] 這些路線的示例包括由作為路線引導(dǎo)系統(tǒng)的最重要用戶中的一些用戶并且嚴(yán)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(jìn)行的早晨和傍晚出 行。
[0007] 對于這種路線引導(dǎo)，路徑選擇系統(tǒng)將受益于在不久的將來能夠始終預(yù)測移動時間 達(dá)數(shù)小時的方法。該問題被稱為短期移動時間預(yù)測。
[0008] 已知兩種基本方法。第一種方法來自物理模擬觀點(diǎn)，其中使用物理上現(xiàn)實(shí)的模擬 器來模擬整個運(yùn)輸網(wǎng)絡(luò)或者其單獨(dú)的鏈路，并且移動時間作為模擬的副產(chǎn)品被獲得。雖然 該方法可能非常準(zhǔn)確，但是卻很少實(shí)行，因?yàn)楸仨殰?zhǔn)確地校準(zhǔn)模擬模型，并且還必須提供諸 如進(jìn)出網(wǎng)絡(luò)的交通流量的輸入條件。在實(shí)踐中，校準(zhǔn)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(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法，其中維護(hù)了歷史移動時間數(shù)據(jù)，并 且預(yù)測模型適合于該數(shù)據(jù)，對未來的移動時間與當(dāng)前和過去的移動時間的依存關(guān)系進(jìn)行建 模。
[0010] 還已使用了諸如線性回歸、神經(jīng)網(wǎng)絡(luò)、狀態(tài)空間模型等的各種回歸技術(shù)，在合理準(zhǔn) 確度情況下預(yù)測未來的移動時間達(dá)未來的數(shù)小時方面更成功。
[0011] 數(shù)據(jù)驅(qū)動方法可能是非常實(shí)用的，因?yàn)樗褂靡呀?jīng)由當(dāng)前的移動時間測量系統(tǒng) (諸如Vise和RDS-TMC)收集的數(shù)據(jù)。然而，現(xiàn)有技術(shù)的純數(shù)據(jù)驅(qū)動預(yù)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(jìn)先出（FIFO)特性。該特性是道路鏈路的排隊(duì)性質(zhì) 的結(jié)果。晚于另一車輛進(jìn)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(yán)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(jìn)。因此，對于 一般的鏈路，這在移動時間的預(yù)期方面為真。
[0012] 如果T (tl)是在時間&進(jìn)入鏈路的車輛的預(yù)期移動時間，并且T (t2)是在時間 t2進(jìn)入鏈路的車輛的預(yù)期移動時間，使得t2>ti，則即使T (tl)可能與T (t2)有任何關(guān)系 (例如，小于、等于或大于），F(xiàn)IFO特性也能被表達(dá)為t2+T(t2)彡ti+T(tl)。因?yàn)門(tl) 和T (t2)通常通過數(shù)據(jù)驅(qū)動預(yù)測方法被彼此完全獨(dú)立地預(yù)測，所以在這些預(yù)測之間通常不 用強(qiáng)加FIFO特性。
[0013] 除產(chǎn)生物理上不現(xiàn)實(shí)且可能不準(zhǔn)確的預(yù)測之外，違犯FIFO特性有另一個非常負(fù) 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(tài)運(yùn)輸網(wǎng)絡(luò)中成 立，則在多項(xiàng)式時間上可能找到最佳路線。如果它不成立，則多項(xiàng)式解不存在。由于此原因， 找到移動時間預(yù)測方法使得預(yù)測的移動時間滿足FIFO特性是一個重要的實(shí)際問題。

【發(fā)明內(nèi)容】

[0014] 沿著鏈路的未來的移動時間使用訓(xùn)練階段和預(yù)測階段來預(yù)測。
[0015] 在訓(xùn)練期間，學(xué)習(xí)訓(xùn)練流入量（inflows)的季節(jié)特征、季節(jié)分量。將所述訓(xùn)練流入 量減去所述季節(jié)分量以獲得與所述訓(xùn)練流入量的訓(xùn)練偏差來產(chǎn)生統(tǒng)計(jì)，其連同所述季節(jié)分 量一起形成所述鏈路上的交通流量的模型。
[0016] 在預(yù)測期間，針對當(dāng)前的季節(jié)間隔收集在所述鏈路上的當(dāng)前的移動時間以確定當(dāng) 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(dāng)前的偏差。對于未來的時間， 使用所述統(tǒng)計(jì)來估算預(yù)測偏差。所述季節(jié)分量被加到所述預(yù)測偏差以獲得預(yù)測所述未來的 移動時間所根據(jù)的預(yù)測流入量。
【附圖說明】
[0017] 圖1是用于基于季節(jié)模型來預(yù)測移動時間的方法的訓(xùn)練階段的流程圖；以及
[0018] 圖2是用于基于季節(jié)模型來預(yù)測移動時間的方法的預(yù)測階段的流程圖。
【具體實(shí)施方式】
[0019] 針對移動時間的季節(jié)自回歸整個鏈路模型
[0020] 本發(fā)明的實(shí)施方式提供了用于預(yù)測在鏈路上的車輛的未來的移動時間的方法。該 預(yù)測使用受鏈路上的移動時間與（加權(quán)的）交通流入量之間的固定非線性關(guān)系約束的季節(jié) 自回歸隨機(jī)過程。
[0021] 季節(jié)模型的統(tǒng)計(jì)是根據(jù)歷史訓(xùn)練數(shù)據(jù)估算的。在實(shí)時期間，鏈路流入量和流出量 是從當(dāng)前的數(shù)據(jù)測量結(jié)果推斷的。鏈路流入量和流出量是從實(shí)際數(shù)據(jù)測量結(jié)果推斷的，并 且移動時間根據(jù)該模型從當(dāng)前數(shù)據(jù)預(yù)測。
[0022] 被收集的唯一訓(xùn)練數(shù)據(jù)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(xù)時間At的規(guī)則時間間隔t期間收集數(shù)據(jù)，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(jīng)道路鏈路的 實(shí)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(yīng)環(huán)）的 數(shù)據(jù)的交通測量系統(tǒng)來收集數(shù)據(jù)。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(quán)估值w(t)之間的依存 關(guān)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(quán)重。
[0027] 當(dāng)FIFO特性成立時，流出率v (t+t⑴）是
[0028]
【主權(quán)項(xiàng)】
1. 一種用于預(yù)測鏈路上的未來的移動時間的方法，該方法包括： 訓(xùn)練階段，該訓(xùn)練階段包括以下步驟： 針對訓(xùn)練季節(jié)間隔收集在所述鏈路上的訓(xùn)練移動時間； 根據(jù)所述訓(xùn)練移動時間來確定訓(xùn)練流入量； 估算所述訓(xùn)練流入量的季節(jié)分量； 將所述訓(xùn)練流入量減去所述季節(jié)分量以獲得與所述訓(xùn)練流入量的訓(xùn)練偏差； 根據(jù)所述訓(xùn)練偏差來確定統(tǒng)計(jì)，其中，所述季節(jié)分量和所述統(tǒng)計(jì)形成所述鏈路上的交 通流量的模型；以及 預(yù)測階段，該預(yù)測階段包括以下步驟： 針對當(dāng)前的季節(jié)間隔收集在所述鏈路上的當(dāng)前的移動時間； 根據(jù)所述當(dāng)前的移動時間來確定當(dāng)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(dāng)前的偏差； 對于未來的時間，使用所述統(tǒng)計(jì)來估算預(yù)測偏差； 將所述季節(jié)分量加到所述預(yù)測偏差以獲得預(yù)測流入量；以及 根據(jù)所述預(yù)測流入量來確定所述未來的移動時間。
2. 根據(jù)權(quán)利要求1所述的方法，其中，所述預(yù)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(guān)系約束的季節(jié)自回歸隨機(jī)過程。
3.根據(jù)權(quán)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(guān)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(quán)重。
4.根據(jù)權(quán)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(dǎo)數(shù)。
5.根據(jù)權(quán)利要求3所述的方法，其中，所述依存關(guān)系是線性的。
6.根據(jù)權(quán)利要求3所述的方法，其中，所述流入量u⑴源自一階的季節(jié)自回歸過程。
7.根據(jù)權(quán)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(jié)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(jù)權(quán)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(jù)權(quán)利要求2所述的方法，其中，在任意持續(xù)時間的不規(guī)則間隔處觀測所述移動 時間，并且自回歸參數(shù)是被確定為兩個連續(xù)隨機(jī)偏差的自然對數(shù)之間的差與當(dāng)觀測到對應(yīng) 的移動時間時的時間之間的差的平均比的均值回復(fù)率。
10.根據(jù)權(quán)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(guān)系是線性的。
【專利摘要】使用訓(xùn)練階段和預(yù)測階段來預(yù)測沿著鏈路的未來的移動時間。在訓(xùn)練期間，學(xué)習(xí)訓(xùn)練流入量的季節(jié)間隔、季節(jié)分量。將所述訓(xùn)練流入量減去所述季節(jié)分量以獲得與所述訓(xùn)練流入量的訓(xùn)練偏差來產(chǎn)生統(tǒng)計(jì)，該統(tǒng)計(jì)與所述季節(jié)分量一起形成所述鏈路上的交通流量的模型。在預(yù)測期間，針對當(dāng)前的季節(jié)間隔收集在所述鏈路上的當(dāng)前的移動時間以確定當(dāng)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(dāng)前的偏差。對于未來的時間，使用所述統(tǒng)計(jì)來估算預(yù)測偏差。所述季節(jié)分量被加到所述預(yù)測偏差以獲得預(yù)測所述未來的移動時間所根據(jù)的預(yù)測流入量。
【IPC分類】G08G1-01
【公開號】CN104781863
【申請?zhí)枴緾N201380059837
【發(fā)明人】丹尼爾·尼科夫斯基
【申請人】三菱電機(jī)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