WO1999026210A1 - Method for predicting a parameter representing the state of a system, especially a traffic parameter representing the state of a traffic network, and a device for carrying out said method - Google Patents
Method for predicting a parameter representing the state of a system, especially a traffic parameter representing the state of a traffic network, and a device for carrying out said method Download PDFInfo
- Publication number
- WO1999026210A1 WO1999026210A1 PCT/DE1998/002932 DE9802932W WO9926210A1 WO 1999026210 A1 WO1999026210 A1 WO 1999026210A1 DE 9802932 W DE9802932 W DE 9802932W WO 9926210 A1 WO9926210 A1 WO 9926210A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- traffic
- parameter
- parameters
- data
- key
- Prior art date
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
Definitions
- Method for forecasting a parameter representing the state of a system in particular a traffic parameter representing the state of a traffic network, and device for carrying out the method
- the invention relates to a method for forecasting a parameter representing the state of a system, in particular a traffic parameter representing the state of a traffic network, and a device for carrying out the method.
- a forecast of a traffic parameter relating to the state of a traffic network for a future point in time can take place taking into account the time-periodic courses of this parameter.
- the periodic courses of the traffic parameter also called aisle lines, can be obtained from traffic data for this traffic parameter at different times by statistical compression.
- a curve (ie a course) of a traffic parameter can be, for example, the course during the time of day of a certain day of the week, during a week and / or during the year.
- Traces of traffic parameters that are compressed and stored as curve lines can be provided with selection features so that a forecast is possible by comparing, for example, the current situation with at least one selection feature of at least one curve line.
- One problem with this is that the current situation with regard to a selection parameter is one
- the gait line does not indicate the future course of the traffic parameter represented by this gait line that is to be predicted with sufficient reliability.
- the object of the present invention is the most efficient possible optimization of forecasts, in particular traffic forecasts.
- the object is solved by the subject matter of the independent claims.
- a method according to the invention optimizes forecasts of parameters, in particular traffic parameters.
- Traffic parameters of a traffic network can be forecast in high quality on the basis of data relating to a second parameter of the system and at least one aisle line. This is particularly advantageous in cases in which the future course of a traffic parameter to be predicted can be better deduced on the basis of current values of another traffic parameter than on the basis of the current values of the former traffic parameter. If, for example, a forecast for the car travel times in the late morning is to be made in the early morning, the current car travel times are unsuitable for a forecast of the future car travel times, since there are hardly any cars driving early in the morning on weekdays or at weekends, but this is not a statement about cars driving late in the morning.
- Such a method could also be referred to as coupled melting (statistical compression of actual courses of parameters) and probabilistic selection.
- coupled melting statistic compression of actual courses of parameters
- probabilistic selection In order to obtain movement curves (courses) of traffic parameters, actual courses are examined and together with
- Selection characteristics are saved. Furthermore, it is examined which dependencies exist between different traffic parameters in order to enable a prediction of a first parameter on the basis of data on a second parameter.
- the fixed or time-dependent strength of couplings in each case at least two parameters is preferably examined and stored with. It is also possible to update the key figure representing the coupling strength of at least two parameters on the basis of current actual courses of the parameters and / or the quality of forecasts. Couplings of various parameters are also taken into account in the stored data on the curve. It is also advantageous to take into account and store the variance (or variability) of the courses of a parameter condensed into a curve and to take the variance (or variability) into account when forecasting a parameter.
- a probabilistic selection of a curve can consist in taking into account the probability that a certain curve is due to a measurement of the second parameter in order to forecast a parameter for a future point in time based on data for another parameter at the current point in time for the selection of a curve for forecasting good forecast for the first
- a self-correction of the curve base is preferably carried out by carrying an error curve, in which deviations from predicted courses from actual courses are taken into account for the correction of course curves.
- a continuous correction of the key figures for the coupling strength of at least two parameters is also expedient; Large deviations from actual values to predicted values in particular can lead to a weakening, small deviations of the actual values from the predicted values can lead to a coupling being strengthened.
- the method can in particular be implemented as a program in a traffic control center; in the traffic control center can in particular comprise a database with corridors (courses of traffic-related or other parameters) and / or a database with key figures for coupling at least two parameters each.
- Fig. 1 as a block diagram the statistical compression (melting) of
- Fig. 2 shows an example of a forecast of a parameter based on current
- traffic data 1 from floating cars (FCD), traffic data 2 from above-ground detectors (SES data) and traffic data 3 from induction loop data (VIZ) are measured at several locations at several points in time at one location, for example, one of the two courses 5, 6 of a traffic parameter shown as an example in box 4 can result.
- step 5 the courses (5, 6, etc.) of FCD data 1, SES data 2, VIZ data 3 are melted coupled, that is, taking into account couplings
- Characteristic curves, characteristic curve-related selection characteristics and couplings between key figures representing traffic parameters are summarized statistically and stored in a forecast database. For example, the course of the number of cars in a section of a route on a working day, the course of the number of cars in a section on a weekend, the course of the number of trucks in a section on a working day, the course of trucks on a section on a Sunday are each statistically compressed into a separate curve (chronological progression on a weekday at a position) and provided with selection features. Selection features can be, for example, the number of cars at a certain time and the number of trucks at one certain time etc. Selection characteristics are assigned to at least one or possibly also several curve lines.
- a selection characteristic or several selection characteristics of a gear line are currently fulfilled, for example if the number of trucks is currently (early in the morning) above a certain value, it can be concluded that a specific gear line (truck / working day) is currently being tracked. From this, a forecast can be made for the traffic parameter belonging to the measured data at a future time or according to the invention for a traffic parameter not assigned to the measured data at a future time. The curve of a traffic parameter that is most likely to be the future based on measured current data
- Figure 2 shows an example of a probabilistic selection.
- traffic data on the current number of cars and the current number of trucks in a section of road are available.
- the number of cars in a section of road for a future point in time, namely late in the morning, is to be forecast. Due to the current (early morning) number of cars, this is not possible, since the gangways of cars hardly differ on weekdays and early in the weekend.
- the number of trucks in a course for a course of a working day and a course for a course of Sunday clearly differ early in the morning. Based on the number of trucks in the morning on a workday aisle, it can therefore be concluded that the number of cars on a workday aisle will continue to develop and that therefore in the late morning the number of cars on the car aisle is applicable for late mornings.
- the number of cars on a workday aisle will continue to develop and that therefore in the late morning the number of cars on the car aisle is applicable for late mornings.
- the coupling can be taken into account in binary or quantized form. If several
- the most likely pathway can be selected.
- the method was developed to forecast traffic parameters.
- another parameter can also be predicted according to the invention. For example conclude from the morning flow of cars the concentration of pollutants at noon etc.
Abstract
An optimized prediction of a parameter, especially of a traffic parameter, is made possible by a method for predicting a first parameter which represents the state of a system, whereby at least one of a number of load curves which represents a time lapse of the first parameter representing the state of the system is assigned to data relevant to a second parameter of the system, and the first parameter is predicted for a future time on the basis of the data and at least one assigned load curve. The invention also relates to a device for carrying out the method.
Description
Verfahren zur Prognose eines den Zustand eines Systems repräsentierenden Parameters, insbesondere eines den Zustand eines Verkehrsnetzes repräsentierenden Verkehrsparameters und Vorrichtung zum Durchführen des VerfahrensMethod for forecasting a parameter representing the state of a system, in particular a traffic parameter representing the state of a traffic network, and device for carrying out the method
Beschreibungdescription
Die Erfindung betrifft ein Verfahren zur Prognose eines den Zustand eines Systems repräsentierenden Parameters, insbesondere eines den Zustand eines Verkehrsnetzes repräsentierenden Verkehrsparameters und eine Vorrichtung zum Durchführen des Verfahrens.The invention relates to a method for forecasting a parameter representing the state of a system, in particular a traffic parameter representing the state of a traffic network, and a device for carrying out the method.
Eine Prognose eines den Zustand eines Verkehrsnetzes betreffenden Verkehrsparameters für einen künftigen Zeitpunkt kann unter Berücksichtigung zeitperiodischer Verläufe dieses Parameters erfolgen. Die periodischen Verläufe des Verkehrsparameters, auch bezeichnet als Ganglinien, können aus Verkehrsdaten zu diesem Verkehrsparameter zu unterschiedlichen Zeitpunkten durch statistische Verdichtung gewonnen werden. Eine Ganglinie (also ein Verlauf) eines Verkehrsparameters kann beispielsweise der Verlauf während der Tageszeit eines bestimmten Wochentages, während einer Woche oder/und während des Jahres sein.A forecast of a traffic parameter relating to the state of a traffic network for a future point in time can take place taking into account the time-periodic courses of this parameter. The periodic courses of the traffic parameter, also called aisle lines, can be obtained from traffic data for this traffic parameter at different times by statistical compression. A curve (ie a course) of a traffic parameter can be, for example, the course during the time of day of a certain day of the week, during a week and / or during the year.
Als Ganglinien komprimierte und gespeicherte Verläufe von Verkehrsparametern können mit Selektionsmerkmalen versehen werden, so daß eine Prognose durch Vergleich beispielsweise der aktuellen Situation mit mindestens einem Selektionsmerkmal mindestens einer Ganglinie möglich ist. Problematisch ist dabei u.a., daß die aktuelle Situation hinsichtlich eines Selektionsparameters zu einerTraces of traffic parameters that are compressed and stored as curve lines can be provided with selection features so that a forecast is possible by comparing, for example, the current situation with at least one selection feature of at least one curve line. One problem with this is that the current situation with regard to a selection parameter is one
Gangiinie nicht hinreichend zuverlässig auf den künftigen, zu prognostizierenden Verlauf des durch diese Ganglinie repräsentierten Verkehrsparameters schließen läßt.
Aufgabe der vorliegenden Erfindung ist eine möglichst effiziente Optimierung von Prognosen, insbesondere Verkehrsprognosen. Die Aufgabe wird durch die Gegenstände der unabhängigen Ansprüche gelöst. Ein erfindungsgemäßes Verfahren optimiert Prognosen von Paramtern, insbesondere Verkehrsparametern. Dabei kann ein Parameter eines Systems, insbesondere einThe gait line does not indicate the future course of the traffic parameter represented by this gait line that is to be predicted with sufficient reliability. The object of the present invention is the most efficient possible optimization of forecasts, in particular traffic forecasts. The object is solved by the subject matter of the independent claims. A method according to the invention optimizes forecasts of parameters, in particular traffic parameters. A parameter of a system, in particular a
Verkehrsparameter eines Verkehrsnetzes, aufgrund von einen zweiten Parameter des Systems betreffenden Daten und mindestens einer Ganglinie qualitativ hochwertig prognostiziert werden. Dies ist insbesondere in Fällen von Vorteil, in welchen auf den künftigen zu prognostizierenden Verlauf eines Verkehrsparameters aufgrund aktueller Werte eines anderen Verkehrsparameters besser zu schließen ist als aufgrund der aktuellen Werte des ersteren Verkehrsparameters. Wenn beispielsweise am frühen Morgen eine Prognose für die PKW-Reisezeiten am späten Morgen erstellt werden soll, sind die aktuellen PKW-Reisezeiten ungeeignet für eine Prognose der künftigen PKW-Reisezeiten, da frühmorgens wochentags wie am Wochenende noch kaum PKWs fahren, was jedoch keine Aussage über am späten Morgen fahrende PKWs ist.Traffic parameters of a traffic network can be forecast in high quality on the basis of data relating to a second parameter of the system and at least one aisle line. This is particularly advantageous in cases in which the future course of a traffic parameter to be predicted can be better deduced on the basis of current values of another traffic parameter than on the basis of the current values of the former traffic parameter. If, for example, a forecast for the car travel times in the late morning is to be made in the early morning, the current car travel times are unsuitable for a forecast of the future car travel times, since there are hardly any cars driving early in the morning on weekdays or at weekends, but this is not a statement about cars driving late in the morning.
Aus einem starken LKW-Fluß am frühen Morgen kann jedoch beispielsweise abgelesen werden, daß heute ein werktag-ähnlicher Verkehr stattfinden wird, so daß eine Prognose von PKW-Reisezeiten am späten Morgen aufgrund des LKW-Flusses am frühen Morgen besser möglich ist als aufgrund von PKW-Reisezeiten am frühen Morgen.However, it can be seen from a strong truck flow in the early morning, for example, that traffic similar to a working day will take place today, so that a forecast of car travel times in the late morning is better possible due to the truck flow in the early morning than due to Car travel times in the early morning.
Ein derartiges Verfahren könnte auch als gekoppeltes Einschmelzen (statistisches Verdichten von tatsächlichen Verläufen von Parametern) und probabilistische Selektion bezeichnet werden. Um Ganglinien (Verläufe) von Verkehrsparametern zu erhalten, werden tatsächliche Verläufe untersucht und zusammen mitSuch a method could also be referred to as coupled melting (statistical compression of actual courses of parameters) and probabilistic selection. In order to obtain movement curves (courses) of traffic parameters, actual courses are examined and together with
Selektionsmerkmalen (beispielsweise Istwerte oder Verläufe zu bestimmten Zeitpunkten) gespeichert. Ferner wird untersucht, welche Abhängigkeiten zwischen verschiedenen Verkehrsparametern bestehen, um eine Prognose eines ersten Parameters aufgrund von Daten zu einem zweiten Parameter zu ermöglichen. Vorzugsweise wird dabei die feste oder zeitabhängige Stärke von Kopplungen jeweils mindestens zweier Parameter untersucht und mit abgespeichert. Auch ist eine Aktualisierung der die Kopplungsstärke mindestens zweier Parameter repräsentierenden Kennzahl aufgrund aktueller tatsächlicher Verläufe der Parameter und/oder der Qualität von Prognosen möglich. In den gespeicherten Daten zu Ganglinien sind Kopplungen verschiedener Parameter mit berücksichtigt.
Vorteilhaft ist dabei ferner eine Berücksichtigung und Speicherung der Varianz (oder Variabilität) der zu einer Ganglinie verdichteten Verläufe eines Parameters und die Berücksichtigung der Varianz (oder Variabilität) bei der Prognose eines Parameters.Selection characteristics (e.g. actual values or courses at certain times) are saved. Furthermore, it is examined which dependencies exist between different traffic parameters in order to enable a prediction of a first parameter on the basis of data on a second parameter. The fixed or time-dependent strength of couplings in each case at least two parameters is preferably examined and stored with. It is also possible to update the key figure representing the coupling strength of at least two parameters on the basis of current actual courses of the parameters and / or the quality of forecasts. Couplings of various parameters are also taken into account in the stored data on the curve. It is also advantageous to take into account and store the variance (or variability) of the courses of a parameter condensed into a curve and to take the variance (or variability) into account when forecasting a parameter.
Vorteilhaft ist ferner insbesondere eine Verringerung der Gewichtung einer Kopplung zwischen zwei oder mehr Parametern im Laufe der Zeit, um so veraltete Kopplungen automatisch zu schwächen und/oder zu unterdrücken. Dies kann insbesondere erfolgen, falls die Ganglinien-Datenmenge im Laufe der Zeit sehr groß wird.It is also particularly advantageous to reduce the weighting of a coupling between two or more parameters over time in order to automatically weaken and / or suppress outdated couplings. This can be done in particular if the chart data volume becomes very large over time.
Eine probabilistische Selektion einer Ganglinie kann darin bestehen, zur Prognose eines Parameters für einen künftigen Zeitpunkt aufgrund von Daten zu einem anderen Parameter zum aktuellen Zeitpunkt für die Selektion einer Ganglinie zur Prognose die Wahrscheinlichkeit zu berücksichtigen, daß aufgrund einer Messung des zweiten Parameters eine bestimmte Ganglinie eine gute Prognose für den erstenA probabilistic selection of a curve can consist in taking into account the probability that a certain curve is due to a measurement of the second parameter in order to forecast a parameter for a future point in time based on data for another parameter at the current point in time for the selection of a curve for forecasting good forecast for the first
Parameter ermöglicht. Diese Wahrscheinlichkeit kann zur Ganglinienbasis als Kennzahl für die Kopplung zweier Größen abgespeichert sein und zur Prognose abgerufen werden. Die Wahrscheinlichkeit kann neben der Kopplungsstärke von zwei Parametern auch den Abstand der Messung des zweiten Parameters von einer zur Prognose verwendeten Ganglinie des zweiten Parameters oder einer anderenAllows parameters. This probability can be stored as a key figure for the coupling of two variables to the chart base and can be called up for the forecast. In addition to the coupling strength of two parameters, the probability can also be the distance between the measurement of the second parameter and a curve of the second parameter used for the forecast or another
Ganglinie berücksichtigen.Take the curve into account.
Eine Selbstkorrektur der Ganglinienbasis erfolgt vorzugsweise durch Mitführen einer Fehlerganglinie, in welcher Abweichungen von prognostizierten Verläufen von tatsächlichen Verläufen zur Korrektur von Ganglinien berücksichtigt werden.A self-correction of the curve base is preferably carried out by carrying an error curve, in which deviations from predicted courses from actual courses are taken into account for the correction of course curves.
Zur Selbstkorrektur ist ferner eine laufende Korrektur der Kennzahlen zur Kopplungsstärke jeweils mindestens zweier Parameter zweckmäßig; insbesondere große Abweichungen von tatsächlichen Werten zu prognostizierten Werten können zur Abschwächung, geringe Abweichungen der tatsächlichen Werte von den prognostizierten Werten können zur Stärkung einer Kopplung führen.For self-correction, a continuous correction of the key figures for the coupling strength of at least two parameters is also expedient; Large deviations from actual values to predicted values in particular can lead to a weakening, small deviations of the actual values from the predicted values can lead to a coupling being strengthened.
Zweckmäßig ist insbesondere eine Realisierung als neuronales Netz.
Das Verfahren kann insbesondere als Programm in einer Verkehrszentrale realisiert werden; in der Verkehrszentrale kann insbesondere eine Datenbank mit Ganglinien (Verläufen von verkehrstechnischen oder anderen Parametern) und/oder eine Datenbank mit Kennzahlen zur Kopplung jeweils mindestens zweier Parameter umfassen.Implementation as a neural network is particularly expedient. The method can in particular be implemented as a program in a traffic control center; in the traffic control center can in particular comprise a database with corridors (courses of traffic-related or other parameters) and / or a database with key figures for coupling at least two parameters each.
Weitere Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung eines Ausführungsbeispiels anhand der Zeichnung. Dabei zeigt:Further features and advantages of the invention result from the following description of an exemplary embodiment with reference to the drawing. It shows:
Fig. 1 als Blockschaltbild die statistische Verdichtung (Einschmelzen) vonFig. 1 as a block diagram the statistical compression (melting) of
Verkehrsdaten zu Ganglinien und Kopptungskennzahlen für eine Prognosedatenbank sowie eine probabilistische Selektion zur Erstellung von Verkehrsprognosen,Traffic data on corridors and coupling key figures for a forecast database as well as a probabilistic selection for the creation of traffic forecasts,
Fig. 2 ein Beispiel einer Prognose eines Parameters aufgrund von aktuellenFig. 2 shows an example of a forecast of a parameter based on current
Daten zu einem anderen Parameter.Data on another parameter.
Im in Figur 1 gezeigten Beispiel werden Verkehrsdaten 1 von Floating-cars (FCD), Verkehrsdaten 2 von above-ground-Detektoren (SES-Daten) und Verkehrsdaten 3 von Induktionsschleifen-Daten (VIZ) an mehreren Orten zu mehreren Zeitpunkten gemessen, wobei sich an einem Ort beispielsweise einer der beiden im Kasten 4 beispielhaft dargestellten Verläufe 5, 6 eines Verkehrsparameters ergeben kann.In the example shown in FIG. 1, traffic data 1 from floating cars (FCD), traffic data 2 from above-ground detectors (SES data) and traffic data 3 from induction loop data (VIZ) are measured at several locations at several points in time at one location, for example, one of the two courses 5, 6 of a traffic parameter shown as an example in box 4 can result.
Im Schritt 5 werden die Verläufe (5,6 usw.) von FCD-Daten 1 , SES-Daten 2, VIZ- Daten 3 gekoppelt eingeschmolzen, also unter Berücksichtigung von Kopplungen zuIn step 5, the courses (5, 6, etc.) of FCD data 1, SES data 2, VIZ data 3 are melted coupled, that is, taking into account couplings
Ganglinien, ganglinienbezogenen Selektionsmerkmalen und Kopplungen zwischen Verkehrsparametern repräsentierenden Kennzahlen statistisch verdichtet und in einer Prognose-Datenbank abgelegt. Beispielsweise kann der Verlauf der Anzahl von PKWs in einem Streckenabschnitt an einem Werktag, der Verlauf der Anzahl von PKWs an einem Abschnitt am Wochenende, der Verlauf der Anzahl von LKWs an einem Abschnitt an einem Werktag, der Verlauf von LKWs an einem Abschnitt an einem Sonntag jeweils zu einer eigenen Ganglinie (zeitlicher Verlauf an einem Wochentag an einer Position) statistisch verdichtet werden und mit Selektionsmerkmalen versehen werden. Selektionsmerkmale können beispielsweise die Anzahl von PKWs zu einer bestimmen Uhrzeit, die Anzahl von LKWs zu einer
bestimmten Uhrzeit etc. sein. Selektionsmerkmale sind jeweils zumindestens einer oder evtl. auch mehreren Ganglinien zugeordnet. Wenn akutell ein Selektionsmerkmal oder mehrere Selektionsmerkmaie einer Ganglinie erfüllt sind, beispielsweise wenn aktuell (frühmorgens) die Anzahl der LKWs über einem bestimmten Wert liegt, kann darauf geschlossen werden, daß eine bestimmte Ganglinie (LKW/werktag) aktuell verfolgt wird. Hieraus kann eine Prognose für den zu den gemessenen Daten gehörenden Verkehrsparameter zu einem künftigen Zeitpunkt oder erfindungsgemäß für einen nicht zu den gemessenen Daten zugeordneten Verkehrsparameter zu einem künftigen Zeitpunkt erstellt werden. Diejenige Ganglinie eines Verkehrsparameters, welche aufgrund gemessener aktueller Daten am wahrscheinlichsten den künftigenCharacteristic curves, characteristic curve-related selection characteristics and couplings between key figures representing traffic parameters are summarized statistically and stored in a forecast database. For example, the course of the number of cars in a section of a route on a working day, the course of the number of cars in a section on a weekend, the course of the number of trucks in a section on a working day, the course of trucks on a section on a Sunday are each statistically compressed into a separate curve (chronological progression on a weekday at a position) and provided with selection features. Selection features can be, for example, the number of cars at a certain time and the number of trucks at one certain time etc. Selection characteristics are assigned to at least one or possibly also several curve lines. If a selection characteristic or several selection characteristics of a gear line are currently fulfilled, for example if the number of trucks is currently (early in the morning) above a certain value, it can be concluded that a specific gear line (truck / working day) is currently being tracked. From this, a forecast can be made for the traffic parameter belonging to the measured data at a future time or according to the invention for a traffic parameter not assigned to the measured data at a future time. The curve of a traffic parameter that is most likely to be the future based on measured current data
Verlauf eines Verkehrsparameters repräsentiert, wird ausgewählt, was auch als probabilistische Selektion bezeichnet werden kann.Represents the course of a traffic parameter is selected, which can also be referred to as probabilistic selection.
Figur 2 zeigt ein Beispiel einer probabilistischen Selektion. Am frühen Morgen liegen Verkehrsdaten zur aktuellen Anzahl von PKWs und zur aktuellen Anzahl von LKWs in einem Straßenabschnitt vor. Die Anzahl von PKWs in einem Straßenabschnitt für einen künftigen Zeitpunkt, nämlich spätmorgens, soll prognostiziert werden. Aufgrund der aktuellen (frühmorgens) Anzahl von PKWs ist dies nicht möglich, da sich die Gangliπien von PKWs werktags und am Wochenende frühmorgens kaum unterscheiden. Hingegen unterscheiden sich bereits frühmorgens deutlich die Anzahl von LKWs in einer Ganglinie für einen Werktags-Verlauf und einer Ganglinie für einen Sonntags-Verlauf. Aufgrund der Zahl von LKWs frühmorgens auf einer Werktags- Ganglinie kann deshalb darauf geschlossen werden, daß sich die Anzahl der PKWs auf einer Werktags-Ganglinie weiterentwickeln wird und daß deshalb spätmorgens die Anzahl der PKWs auf der PKW-Ganglinie für spätmorgens zutreffend ist. DieFigure 2 shows an example of a probabilistic selection. In the early morning, traffic data on the current number of cars and the current number of trucks in a section of road are available. The number of cars in a section of road for a future point in time, namely late in the morning, is to be forecast. Due to the current (early morning) number of cars, this is not possible, since the gangways of cars hardly differ on weekdays and early in the weekend. On the other hand, the number of trucks in a course for a course of a working day and a course for a course of Sunday clearly differ early in the morning. Based on the number of trucks in the morning on a workday aisle, it can therefore be concluded that the number of cars on a workday aisle will continue to develop and that therefore in the late morning the number of cars on the car aisle is applicable for late mornings. The
Kopplung der PKW-Werktags-Ganglinie und der LKW-Werktags-Ganglinie betrifft somit insbesondere das gemeinsame Merkmal "werktags". Dieses Kopplungs- Merkmal muß jedoch nicht grundsätzlich zur Prognose bekannt sein.Coupling the car workday aisle and the truck workday aisle thus affects in particular the common characteristic "workdays". However, this coupling characteristic does not have to be known in principle for the forecast.
Die Kopplung kann binär oder quantisiert berücksichtigt werden. Wenn mehrereThe coupling can be taken into account in binary or quantized form. If several
Ganglinien in Frage kommen, kann die wahrscheinlichste ausgewählt werden.The most likely pathway can be selected.
Das Verfahren wurde zur Prognose von Verkehrsparametern entwickelt. Jedoch ist auch ein anderer Parameter erfindungsgemäß prognostizierbar. Beispielsweise kann
aus dem morgendlichen PKW-Fluß auf die mittägliche Schadstoff-Konzentration geschlossen werden etc.
The method was developed to forecast traffic parameters. However, another parameter can also be predicted according to the invention. For example conclude from the morning flow of cars the concentration of pollutants at noon etc.
Claims
Patentansprücheclaims
1. Verfahren zur Prognose eines ersteren den Zustand eines Systems repräsentierenden Parameters, wobei einen zweiten Parameter des Systems betreffende Daten mindestens einer von mehreren, einen zeitlichen Verlauf des ersteren, den Zustand des Systems repräsentierenden Parameters repräsentierenden Ganglinien zugeordnet werden, und der erstere Parameter aufgrund der Daten und der mindestens einen zugeordneten Ganglinie für einen künftigen Zeitpunkt prognostiziert wird.1. A method for forecasting a first parameter representing the state of a system, wherein data relating to a second parameter of the system are assigned to at least one of a plurality of graphs representing a time course of the first parameter representing the state of the system, and the first parameter on the basis of Data and the at least one assigned curve is predicted for a future point in time.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, daß das System ein Verkehrsnetz ist, daß die Parameter den Zustand des Verkehrsnetzes repräsentierende2. The method according to claim 1, characterized in that the system is a traffic network, that the parameters represent the state of the traffic network
Verkehrsparameter sind, daß die Daten einen Verkehrsparameter betreffende Verkehrsdaten für mindestens einen Zeitpunkt sind.Traffic parameters are that the data are traffic data relating to a traffic parameter for at least one point in time.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß mehrere Ganglinien für die Prognose berücksichtigt werden.3. The method according to claim 1 or 2, characterized in that several curve lines are taken into account for the forecast.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß jeweils für die Zuordnung der Daten zu einer Ganglinie eine die Wahrscheinlichkeit der richtigen Zuordnung und/oder Realitätsapproximations- Genauigkeit der Zuordnung der Daten zu dieser Ganglinie repräsentierende Kennzahl bestimmt wird.4. The method according to any one of the preceding claims, characterized in that a key figure representing the probability of correct assignment and / or reality approximation accuracy of the assignment of the data to this curve is determined for the assignment of the data to a curve.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß aufgrund der Kennzahl die Gewichtung mehrerer Ganglinien bei derA method according to claim 4, characterized in that the weighting of several gait lines in the
Prognose festgelegt wird.
Forecast is set.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß eine Kennzahl (= Kopplungsgrad) für zwei Parameter aufgrund bisheriger zeitlicher Verläufe der Parameter festgelegt wird.6. The method according to any one of the preceding claims, characterized in that a key figure (= degree of coupling) for two parameters is determined on the basis of previous temporal profiles of the parameters.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß eine Kennzahl zu zwei Parametern aufgrund jeweils aktueller Daten zu den zwei Parametern wiederholt aktualisiert wird.7. The method according to any one of the preceding claims, characterized in that a key figure for two parameters is updated repeatedly on the basis of current data on the two parameters.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß bei der Aktualisierung einer Kennzahl aktuellere Daten stärker berücksichtigt werden als ältere Daten.8. The method according to claim 7, characterized in that more current data are taken into account more than older data when updating a key figure.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Varianz (= Variabilität) der zu einer Ganglinie verdichteten Verläufe von Parametern bestimmt und bei der Festlegung einer Kennzahl und/oder einer Prognose berücksichtigt wird.9. The method according to any one of the preceding claims, characterized in that the variance (= variability) of the condensed course of parameters is determined and taken into account in the determination of a key figure and / or a forecast.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß Kennlinien mit einem über einem Schwellwert liegenden Alter seit ihrer letzten Aktualisierung gelöscht werden.10. The method according to any one of the preceding claims, characterized in that characteristic curves with an age above a threshold value are deleted since their last update.
1. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Kennzahl (= Kopplungsgrad) mehr als binär quantifiziert ist und den Grad der Kopplung zweier Parameter repräsentiert.1. The method according to any one of the preceding claims, characterized in that the key figure (= degree of coupling) is quantified more than binary and represents the degree of coupling of two parameters.
12. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das Verfahren in einem neuronalen Netz abläuft.
12. The method according to any one of the preceding claims, characterized in that the method runs in a neural network.
13. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß eine Gangiinie aufgrund des bestimmten zeitlichen Verlaufs eines Parameters bestimmt wird.13. The method according to any one of the preceding claims, characterized in that a gangue line is determined on the basis of the determined time profile of a parameter.
14. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die in einer Verkehrszentrale erstellte Prognose berücksichtigende Daten per Funk, insbesondere Mobilfunk, insbesondere GSM-SMS, an einen Verkehrsteilnehmer übermittelt werden.14. The method according to any one of the preceding claims, characterized in that the forecast created in a traffic center taking into account data transmitted by radio, in particular mobile radio, in particular GSM-SMS, to a road user.
15. Vorrichtung zum Durchführen des Verfahrens nach einem der vorhergehenden Ansprüche und/oder Merkmalen mindestens eines der vorhergehenden Ansprüche.
15. Device for performing the method according to one of the preceding claims and / or features of at least one of the preceding claims.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AT98958804T ATE235729T1 (en) | 1997-11-18 | 1998-09-25 | METHOD FOR FORECASTING A PARAMETER REPRESENTING THE STATE OF A SYSTEM, IN PARTICULAR A TRAFFIC PARAMETER REPRESENTING THE STATE OF A TRAFFIC NETWORK |
| DE59807678T DE59807678D1 (en) | 1997-11-18 | 1998-09-25 | METHOD FOR PROGNOSING A PARAMETER REPRESENTING THE CONDITION OF A SYSTEM, IN PARTICULAR A TRAFFIC PARAMETER REPRESENTING THE CONDITION OF A TRANSPORT NETWORK |
| EP98958804A EP1032927B1 (en) | 1997-11-18 | 1998-09-25 | Method for predicting a parameter representing the state of a system, especially a traffic parameter representing the state of a traffic network |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE19753034.6 | 1997-11-18 | ||
| DE19753034A DE19753034A1 (en) | 1997-11-18 | 1997-11-18 | Method for forecasting a parameter representing the state of a system, in particular a traffic parameter representing the state of a traffic network, and device for carrying out the method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| WO1999026210A1 true WO1999026210A1 (en) | 1999-05-27 |
| WO1999026210A8 WO1999026210A8 (en) | 1999-07-15 |
Family
ID=7850246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/DE1998/002932 WO1999026210A1 (en) | 1997-11-18 | 1998-09-25 | Method for predicting a parameter representing the state of a system, especially a traffic parameter representing the state of a traffic network, and a device for carrying out said method |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP1032927B1 (en) |
| AT (1) | ATE235729T1 (en) |
| DE (2) | DE19753034A1 (en) |
| WO (1) | WO1999026210A1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542801A (en) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | Traffic condition prediction system fused with various traffic data and method |
| CN109448361A (en) * | 2018-09-18 | 2019-03-08 | 云南大学 | Resident's traffic trip volume forecasting system and its prediction technique |
| CN110910659A (en) * | 2019-11-29 | 2020-03-24 | 腾讯云计算（北京）有限责任公司 | Traffic flow prediction method, device, equipment and storage medium |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19944075C2 (en) | 1999-09-14 | 2002-01-31 | Daimler Chrysler Ag | Traffic condition monitoring method for a traffic network with effective bottlenecks |
| DE10022812A1 (en) | 2000-05-10 | 2001-11-22 | Daimler Chrysler Ag | Method for determining the traffic situation on the basis of reporting vehicle data for a traffic network with traffic-regulated network nodes |
| DE10036789A1 (en) * | 2000-07-28 | 2002-02-07 | Daimler Chrysler Ag | Method for determining the traffic condition in a traffic network with effective bottlenecks |
| DE10163505A1 (en) * | 2001-12-21 | 2003-07-17 | Siemens Ag | Procedure for examining a measured variable |
| DE10200492B4 (en) * | 2002-01-03 | 2004-02-19 | DDG GESELLSCHAFT FüR VERKEHRSDATEN MBH | Method for self-consistent estimation of predictive travel times when using mobile or stationary detectors to measure experienced travel times |
| DE102004013020A1 (en) | 2004-03-16 | 2005-10-06 | Epoq Gmbh | Prognosis method and apparatus for evaluating and predicting stochastic events |
| DE102005055245A1 (en) * | 2005-11-19 | 2007-05-31 | Daimlerchrysler Ag | Method for preperation of traffic pattern data base, involves analyzing, evaluating and combining local traffic condition data in vehicle at different temporal and spacial basis modules of traffic pattern |
| AT503846B1 (en) * | 2006-07-03 | 2008-07-15 | Hofkirchner Hubertus Mag | Optimized forecast determining method for controlling or regulation of operative system and/or process, involves eliminating contradictory individual forecasts and aggregating remaining individual forecasts into optimized overall forecast |
| CN102568205B (en) * | 2012-01-10 | 2013-12-04 | 吉林大学 | Traffic parameter short-time prediction method based on empirical mode decomposition and classification combination prediction in abnormal state |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5539645A (en) * | 1993-11-19 | 1996-07-23 | Philips Electronics North America Corporation | Traffic monitoring system with reduced communications requirements |
| DE19604084A1 (en) * | 1995-03-23 | 1996-10-02 | Deutsche Telekom Mobil | Method and device for determining dynamic traffic information |
| US5684475A (en) * | 1995-04-28 | 1997-11-04 | Inform Institut Fur Operations Research Und Management Gmbh | Method for recognizing disruptions in road traffic |
-
1997
- 1997-11-18 DE DE19753034A patent/DE19753034A1/en not_active Withdrawn
-
1998
- 1998-09-25 EP EP98958804A patent/EP1032927B1/en not_active Expired - Lifetime
- 1998-09-25 DE DE59807678T patent/DE59807678D1/en not_active Expired - Lifetime
- 1998-09-25 AT AT98958804T patent/ATE235729T1/en active
- 1998-09-25 WO PCT/DE1998/002932 patent/WO1999026210A1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5539645A (en) * | 1993-11-19 | 1996-07-23 | Philips Electronics North America Corporation | Traffic monitoring system with reduced communications requirements |
| DE19604084A1 (en) * | 1995-03-23 | 1996-10-02 | Deutsche Telekom Mobil | Method and device for determining dynamic traffic information |
| US5684475A (en) * | 1995-04-28 | 1997-11-04 | Inform Institut Fur Operations Research Und Management Gmbh | Method for recognizing disruptions in road traffic |
Non-Patent Citations (3)
| Title |
|---|
| HEYMANS B C ET AL: "SOLVING A MAXIMUM FLOW PROBLEM USING BACKPROPAGATION", PROCEEDINGS OF THE INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORK, SINGAPORE, NOV. 18 - 21, 1991, vol. 1, 18 November 1991 (1991-11-18), INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS, pages 385 - 389, XP000325661 * |
| IOKIBE T ET AL: "TRAFFIC PREDICTION METHOD BY FUZZY LOGIC", PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS, SAN FRANCISCO, MAR. 28 - APR. 1, 1993, vol. 2, no. CONF. 2, 28 March 1993 (1993-03-28), INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS, pages 673 - 678, XP000371490 * |
| OHE I ET AL: "A METHOD FOR AUTOMATIC DETECTION OF TRAFFIC INCIDENTS USING NEURAL NETWORKS", PACIFIC RIM TRANSTECH CONFERENCE VEHICLE NAVIGATION AND INFORMATION SYSTEMS CONFERENCE PROCEEDINGS, WASHINGTON, JULY 30 - AUG. 2, 1995, no. CONF. 6, 30 July 1995 (1995-07-30), INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS, pages 231 - 235, XP000641157 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542801A (en) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | Traffic condition prediction system fused with various traffic data and method |
| CN109448361A (en) * | 2018-09-18 | 2019-03-08 | 云南大学 | Resident's traffic trip volume forecasting system and its prediction technique |
| CN109448361B (en) * | 2018-09-18 | 2021-10-19 | 云南大学 | Resident traffic travel flow prediction system and prediction method thereof |
| CN110910659A (en) * | 2019-11-29 | 2020-03-24 | 腾讯云计算（北京）有限责任公司 | Traffic flow prediction method, device, equipment and storage medium |
| CN110910659B (en) * | 2019-11-29 | 2021-08-17 | 腾讯云计算（北京）有限责任公司 | Traffic flow prediction method, device, equipment and storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| DE59807678D1 (en) | 2003-04-30 |
| ATE235729T1 (en) | 2003-04-15 |
| WO1999026210A8 (en) | 1999-07-15 |
| EP1032927A1 (en) | 2000-09-06 |
| DE19753034A1 (en) | 1999-06-17 |
| EP1032927B1 (en) | 2003-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1026649B1 (en) | Method and device to prepare traffic information | |
| EP1212738B1 (en) | Method for monitoring the condition of traffic for a traffic network comprising effective narrow points | |
| EP0880120B1 (en) | Method for detecting and signalling traffic position data | |
| EP1032927B1 (en) | Method for predicting a parameter representing the state of a system, especially a traffic parameter representing the state of a traffic network | |
| EP1614996B1 (en) | Method of and system for dynamic route planning | |
| EP2953111B1 (en) | Method and device for determining free parking spots in hgv parking lots and notification of hgv drivers | |
| WO1998026397A1 (en) | Method for transmitting local data and measurement data from a terminal, including a telematic terminal, to a central traffic control unit | |
| EP1176569A2 (en) | Method for monitoring the condition of traffic for a traffic network comprising effective narrow points | |
| DE10022812A1 (en) | Method for determining the traffic situation on the basis of reporting vehicle data for a traffic network with traffic-regulated network nodes | |
| EP0879460A1 (en) | Process and device for obtaining traffic situation data | |
| DE102015225893A1 (en) | Method and system for optimizing the parking space search of a vehicle and a computer program product | |
| DE69937319T2 (en) | Vehicle distribution system | |
| DE19742414C2 (en) | Method and terminal for updating and / or supplementing a digital road map of a traffic network | |
| DE102013000385A1 (en) | Method for determining travel route proposal for upcoming trip, involves providing description of particular traffic event together with typical environment feature given during particular traffic event | |
| DE10057796A1 (en) | Vehicle-specific dynamic traffic forecasting method by finding best-match load curve from historical load curves | |
| DE102006017845A1 (en) | Reservable parking bay finding/reserving system for e.g. lorry, has terminals temporarily connected with central server for data exchange and enabling transmission of reservation request and reception of booking option | |
| EP2116981A2 (en) | Method and device for calculating backlog lengths in light signal assemblies | |
| WO2021239412A1 (en) | Method for predicting a transport requirement | |
| DE10201106A1 (en) | Method for determining a travel time | |
| DE10108611A1 (en) | Simulation and prediction method for individual motor vehicle movement within a road network, by separation of macroscopic modeling from microscopic or individual vehicle modeling | |
| WO1996002040A1 (en) | Process and system for automatic, computer-system-supported optimisation | |
| EP1848964B1 (en) | Route calculation method for navigation systems | |
| DE10063588A1 (en) | Determining traffic information for motor vehicle by passive reception of data transmitted from control center to unspecified subscribers using e.g. cell broadcast or DAB | |
| EP3794316B1 (en) | Apparatus and method for outputting navigation information and vehicle | |
| DE19601831C5 (en) | Method for detecting relevant objects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AK | Designated states |
Kind code of ref document: A1 Designated state(s): JP US |
|
| AL | Designated countries for regional patents |
Kind code of ref document: A1 Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE |
|
| DFPE | Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101) | ||
| AK | Designated states |
Kind code of ref document: C1 Designated state(s): JP US |
|
| AL | Designated countries for regional patents |
Kind code of ref document: C1 Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE |
|
| CFP | Corrected version of a pamphlet front page | ||
| CR1 | Correction of entry in section i |
Free format text: PAT. BUL. 21/99 UNDER (51) REPLACE THE EXISTING SYMBOL BY "G08G 1/01" |
|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application | ||
| WWE | Wipo information: entry into national phase |
Ref document number: 1998958804 Country of ref document: EP |
|
| WWP | Wipo information: published in national office |
Ref document number: 1998958804 Country of ref document: EP |
|
| WWG | Wipo information: grant in national office |
Ref document number: 1998958804 Country of ref document: EP |