ES2858448T3 - Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras - Google Patents

Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras Download PDF

Info

Publication number
ES2858448T3
ES2858448T3 ES17154100T ES17154100T ES2858448T3 ES 2858448 T3 ES2858448 T3 ES 2858448T3 ES 17154100 T ES17154100 T ES 17154100T ES 17154100 T ES17154100 T ES 17154100T ES 2858448 T3 ES2858448 T3 ES 2858448T3
Authority
ES
Spain
Prior art keywords
group
traffic
label
labels
significance value
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
ES17154100T
Other languages
English (en)
Inventor
Aguirrebeitia Carlos Gil
Casado Rubén Garcia
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kapsch TrafficCom AG
Original Assignee
Kapsch TrafficCom AG
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 Kapsch TrafficCom AG filed Critical Kapsch TrafficCom AG
Application granted granted Critical
Publication of ES2858448T3 publication Critical patent/ES2858448T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Traffic Control Systems (AREA)

Abstract

Un procedimiento para predecir un comportamiento de tráfico en un sistema de carreteras, que comprende los siguientes pasos realizados por al menos un procesador (9, 11, 14, 17) conectado a una base de datos (7, 12, 16), que contiene un conjunto de tráfico perfiles (6), con cada perfil de tráfico (6) que representa una medida de tráfico de vehículos (3) en el sistema de carreteras (1) registrado a lo largo del tiempo (t), como una curva muestreada o lisa, con una o más etiquetas predefinidas (T) asociadas con un tiempo de registro del perfil de tráfico respectivo (6) atribuido a dicho perfil de tráfico (6): agrupar los perfiles de tráfico (6) con sus etiquetas (T) en al menos un grupo (CLi) en cuanto a la similitud usando métricas de distancia calculadas entre las curvas de los perfiles de tráfico (6), comprendiendo cada grupo (CLi) múltiples perfiles de tráfico (6) que son similares entre sí en sus curvas; para al menos una etiqueta (T) en cada grupo (CLi), calcular un valor de significancia (SV) por medio de un análisis estadístico; si el valor de significancia (SV) de una etiqueta (T) es más alto que un valor umbral (TH), asignar esta etiqueta (T) como un vector característico (CVj) a este grupo (CLi); en un motor de predicción, recibir una petición (Req) que tiene una o más etiquetas de solicitud (RT) para determinar un grupo coincidente (CLi); determinar un grupo (CLi) por medio de la coincidencia de la etiqueta de solicitud (RT) con los vectores característicos (CVj) de los grupos (CLi) y, generar un comportamiento de tráfico previsto (PTB) basado en el grupo (CLi) determinado

Description

DESCRIPCIÓN
Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras
La invención se refiere a un procedimiento para predecir un comportamiento de tráfico en un sistema de carreteras sobre la base de un conjunto de perfiles de tráfico, cada uno de los cuales representa una medida de tráfico de vehículos en el sistema de carreteras registrada a lo largo del tiempo, en el que una o más etiquetas predefinidas asociadas con un momento de registro del perfil de tráfico específico se atribuye a dicho perfil de tráfico.
La invención se refiere así al campo de medir y evaluar el comportamiento del tráfico de vehículos, por ejemplo, el comportamiento del tráfico en una calle principal de una ciudad. Una vez que se ha analizado el comportamiento del tráfico en esta calle durante un período de tiempo prolongado, en general durante un año o más, el objetivo es estimar el comportamiento del tráfico para un determinado día o ventana de tiempo en el futuro. Esto se puede usar para predecir qué carretera estará congestionada o bloqueada en un momento determinado, por ejemplo, para los cargueros que planifican el transporte de carga o las familias que planifican sus vacaciones. Dependiendo del comportamiento del tráfico previsto, se pueden elegir diferentes rutas u horarios en los que viajar en esta calle, por lo que en cualquier caso se puede reducir el tiempo de viaje de principio a fin para un vehículo.
Con este fin, los procedimientos conocidos de predicción de tráfico utilizan una agrupación de similitud de los perfiles grabados y una asignación de vectores característicos ("etiquetas") de etiquetas a los grupos, cuyas etiquetas se pueden consultar para identificar un grupo de perfiles de tráfico como comportamiento de tráfico previsto para un día determinado, por ejemplo, un día de semana específico, un día "lluvioso", etc.
Weijermars, van Berkom: "Analyzing highway flow patterns using cluster analysis", Conferencia de IEEE sobre sistemas de transporte de inteligencia, del 13 al 16 de septiembre de 2005, muestra un procedimiento para analizar patrones de tráfico. En el presente documento, se han registrado 118 perfiles de tráfico para una carretera, cada uno en un lapso de tiempo de 24 horas. A partir de entonces, los perfiles de tráfico se han agrupado mediante un algoritmo de agrupación estándar. Después de etiquetar manualmente los grupos, se evaluaron las desviaciones dentro de los grupos.
En lugar de etiquetar manualmente los grupos, en el estado de la técnica se conoce también encontrar una etiqueta coincidente para el grupo por medio de un algoritmo aleatorizado. Dicho algoritmo consume muchos recursos computacionales y tiene el problema de que ciertas etiquetas, que podrían describir con precisión los contenidos del grupo, no se pueden encontrar debido a que hay pocos perfiles de tráfico correspondientes dentro de este grupo.
La invención establece su objetivo de crear un procedimiento más fiable y rápido para determinar etiquetas de grupos, que después puedan utilizarse para encontrar un comportamiento de tráfico previsto para una solicitud específica.
Con este fin, la invención proporciona un procedimiento para predecir un comportamiento de tráfico en un sistema de carreteras según la reivindicación 1.
La pluralidad de todos los vectores característicos de un único grupo se denomina de aquí en adelante como la “etiqueta” de este grupo. Con el procedimiento inventivo, las etiquetas de los grupos se pueden determinar de una manera eficiente y sistemática. Al evaluar un valor de significancia para una etiqueta de un perfil de tráfico dentro de un grupo, se puede comprobar si esta etiqueta es de hecho una representación válida de este grupo. Este análisis estadístico parcial del grupo se puede usar para determinar vectores característicos de “primer-nivel” que solo comprende una etiqueta.
En un modo de realización a modo de ejemplo de la invención., hay al menos dos variables, y cada etiqueta está asignada a una variable, comprendiendo el procedimiento los pasos adicionales de,
para al menos una variable de cada grupo, calcula un valor de significancia; y
para una etiqueta asignada a la variable con el valor de significancia más alto de cada grupo, calcular el valor de significancia.
Esto tiene la ventaja de que tiene lugar una “preclasificación”, que hace que el algoritmo sea más rápido en general. El valor de significancia para las variables puede determinarse de la misma forma que para las etiquetas.
En este modo de realización a modo de ejemplo, es además ventajoso que el procedimiento comprenda los pasos adicionales de
agrupar todos los perfiles de tráfico que no contienen una etiqueta cuyo valor de significancia se encuentra por encima de dicho valor umbral en un subgrupo;
para al menos una variable en el subgrupo, calcular un valor de significancia; y
para al menos una etiqueta asignada a la variable con el valor de significancia más alto del subgrupo, calcular el valor de significancia.
El subgrupo se usa entonces para “reutilizar” los patrones de tráfico que no comprenden etiquetas con un nivel de significancia por encima del nivel umbral de la primera iteración.
Más preferiblemente, en este modo de realización a modo de ejemplo, los pasos de agrupar, calcular el valor de significancia para una variable y calcula el valor de significancia para una etiqueta se repiten hasta que no haya más perfiles de tráfico disponibles para agrupar. Aquí, se crea y se evalúa subgrupo tras subgrupo para cada variable para obtener todas las etiquetas significativas del grupo. Además, todos los pasos mencionados anteriormente se pueden repetir para cada variable que se produzca en un grupo para producir el conjunto más amplio de etiquetas significativas.
También se pueden determinar vectores característicos de “segundo nivel” de un grupo. Un vector característico de segundo nivel es una combinación de dos etiquetas, las cuales juntas son representativas del grupo. Por lo tanto, en un modo de realización preferido del procedimiento inventivo, para al menos una etiqueta cuyo valor de significancia se encuentra por debajo de dicho umbral, se calcula un valor de significancia de una combinación de dicha etiqueta con una etiqueta adicional y, si dicho valor de significancia de dicha combinación de etiquetas se encuentra por encima del umbral, dicha combinación de etiquetas se asigna como un vector característico adicional al grupo de dicha etiqueta.
De este modo, se puede realizar un análisis nivel-por-nivel de los vectores característicos representativos de un grupo. Por ejemplo, un grupo podría contener perfiles de tráfico que fueron grabados los viernes de julio. Aunque ni “viernes” ni “julio” es un vector característico representativo de este grupo, la combinación de etiquetas “viernes de julio” describe con precisión los contenidos de este grupo y es un vector característico de este grupo.
Preferiblemente, se calcula un valor de significancia de una combinación de etiquetas para una etiqueta que obtuvo el valor de significancia más alto durante la evaluación de “primer nivel”, mientras que su valor de significancia sigue estando por debajo de un valor umbral, pero preferiblemente por encima de un nivel umbral de “límite inferior” adicional. Para esta etiqueta, el valor de significancia se determina en combinación con todas las etiquetas restantes o solo en combinación con la más común de estas etiquetas restantes. Una etiqueta que ha sido utilizada como un vector característico en la evaluación de “primer nivel” no se considera una etiqueta restante.
Más preferiblemente, también se pueden realizar evaluaciones de “tercer nivel”, “cuarto nivel”, etc. siempre que el valor de significancia de una combinación de etiquetas siga estando por encima de dicho nivel umbral de límite inferior adicional. Los niveles umbrales pueden cambiar dependiendo del número de etiquetas combinadas.
En un modo de realización preferido de la invención, para cada grupo, se calculan los valores de significancia para todas las etiquetas de este grupo. De este modo, no es posible perder los vectores característicos cuyas etiquetas subyacentes no son muy comunes en este grupo, pero que aún así describen contenidos de este grupo con precisión. Por ejemplo, si la etiqueta “Navidad” es la única etiqueta dentro de un grupo, el valor característico “Navidad” sigue siendo significativo para este grupo cuando la etiqueta “Navidad” es una etiqueta única entre el conjunto completo de perfiles de tráfico. Alternativamente, solo se evalúan las etiquetas más comunes o únicamente las etiquetas arbitrarias. El grupo puede entonces tener asignada una etiqueta que se deriva en una manera rápida, sistemática y fiable.
En un modo de realización preferido de la invención, cuando a dos grupos se les asignaría el mismo vector característico, el valor umbral se reduce, y se comprueba de nuevo si el valor de significancia de cada etiqueta (o combinación de etiquetas) es más alto que el valor umbral para asignar esta etiqueta (o combinación de etiquetas) como un vector característico de este grupo. Por medio de esto, es posible que se añada una etiqueta adicional al vector característico que causa el “doble etiquetado” para dos grupos diferentes.
Alternativamente, se descarta el vector característico cuya etiqueta o combinación de etiquetas, respectivamente, tiene el valor de significancia más bajo. Esta medida evita problemas de colisión cuando se determina un grupo por medio de la coincidencia de las etiquetas de la solicitud. En otras palabras, se descarta el vector característico para un grupo cuando un grupo diferente tiene el mismo vector característico con un valor de significancia más alto.
El valor de significancia de cada etiqueta o combinación de etiquetas se puede determinar por una variedad de análisis estadísticos. En un primer modo de realización preferido, el valor de significancia de cada etiqueta o combinación de etiquetas, respectivamente, se calcula por medio de una estadística Chi-cuadrado. La estadística Chi-cuadrado se prefiere especialmente en este procedimiento ya que da una representación altamente precisa de la importancia de una etiqueta o combinación de etiquetas dentro de un grupo, mientras que al mismo tiempo se consideran etiquetas o combinaciones de etiquetas de otros grupos. Preferiblemente, se utiliza la estadística Chi-cuadrado de Pearson.
Se ha observado que ciertos vectores característicos siempre aparecen en los mismos grupos. Por ejemplo, los lunes, martes, miércoles y jueves pueden mostrar el mismo comportamiento de tráfico, y los vectores característicos con etiquetas relacionadas con estos días de la semana se pueden entonces agrupar juntos. Por medio de esto, la determinación de un grupo por medio de la coincidencia de las etiquetas de la solicitud se puede acelerar debido a que se ha reducido la cantidad de vectores característicos de este grupo, por ejemplo, en este caso de cuatro días de la semana a un grupo de días.
En algunos modos de realización, los valores de significancia de las etiquetas o combinaciones de etiquetas se usan también cuando se comprueba si una etiqueta de solicitud coincide con un vector característico. El valor de significancia determinado puede usarse entonces dos veces en el procedimiento, en primer lugar cuando se etiquetan los grupos, y en segundo lugar cuando se determina el grupo coincidente. Esto es ventajoso debido a que los vectores característicos con los valores de significancia más altos tienen más probabilidad de coincidir con una etiqueta de la solicitud que los vectores característicos con los valores de significancia más bajos.
En todos los modos de realización de la invención, se prefiere que cada perfil de tráfico represente la medida del tráfico de vehículos en el sistema de carreteras durante un lapso de tiempo de 24 horas. De forma alternativa, también se pueden usar intervalos de tiempo de 6 horas, 12 horas o 18 horas, especialmente cuando el comportamiento del tráfico en ciertas horas del día, por ejemplo, horas nocturnas u horas punta, es sustancialmente el mismo para todos los perfiles de tráfico.
Preferentemente, al menos una etiqueta indica un día de la semana, un mes del año, una semana del mes, una indicación de vacaciones escolares o una indicación especial de vacaciones de dicho momento de registro. Dichas etiquetas pueden, por ejemplo, generarse automáticamente asociando un atributo de un calendario a un perfil de tráfico. El calendario se puede definir de antemano, en tiempo real o en retrospectiva, y también es posible agregar etiquetas posteriormente a los perfiles de tráfico cuando ocurren por primera vez en una petición.
De forma alternativa o adicional a esto, al menos una etiqueta indica una condición de la carretera o una condición climática en dicho momento de registro. Dichas etiquetas representan una medida física de los datos ambientales, que la etiqueta puede codificar por adelantado, en tiempo real o en retrospectiva.
La invención se explicará ahora con más detalle a continuación sobre la base de modos de realización a modo de ejemplo preferentes de la misma con referencia a los dibujos adjuntos, en los que:
La Figura 1 muestra una vista esquemática de un sistema de carreteras;
la Figura 2 muestra un diagrama de bloques de bases de datos y motores de procesamiento para realizar el procedimiento según la invención;
la Figura 3 muestra un ejemplo de grupos y etiquetas asociadas que se producen en las etapas de agrupación y etiquetado del procedimiento según la invención;
la Figura 4 muestra un árbol de decisión utilizado para determinar etiquetas para grupos durante el procedimiento según la invención;
la Figura 5 muestra un diagrama de flujo de la etapa de predicción del procedimiento según la invención; y
la Figura 6 muestra un ejemplo de la eliminación de etiquetas de la petición durante la etapa de predicción de la Figura 5.
En la Figura 1, se representa un sistema de carreteras 1 con una pluralidad de carreteras 2 en el que los vehículos 3 se desplazan en las direcciones R. El sistema de carreteras 1 está equipado con al menos un dispositivo de medición de tráfico 4, que puede usarse, por ejemplo, para medir flujo de tráfico en una carretera 2 o en una intersección de carreteras 2. El dispositivo de medición de tráfico 4 puede montarse en un pórtico 5 que se extiende a lo ancho de la carretera 2 o, de forma alternativa, puede montarse al lado de la carretera. El dispositivo de medición de tráfico 4 puede realizarse como cualquier tipo conocido en el estado de la técnica, por ejemplo, como bucles inductivos, dispositivos de radar, barreras de luz, cámaras de procesamiento de vídeo o como lectores inalámbricos que leen una respuesta de radio de las llamadas unidades a bordo (OBU) transportadas por los vehículos 3.
El dispositivo de medición de tráfico 4 puede registrar el flujo de tráfico en la carretera 2 directamente, por ejemplo, como un número v de vehículos 3 por unidad de tiempo t, o puede registrar el número v/t de vehículos 3 que viajan en una sección dada de la carretera 2 en un instante dado en el tiempo, por ejemplo, contando los vehículos 3 en imágenes de cámara de dicho tramo de carretera tomadas a intervalos de tiempo regulares.
En lugar de medir el flujo de tráfico, también se pueden medir otras condiciones de tráfico en la carretera por medio de diferentes valores de medición, por ejemplo, registrando una velocidad promedio en la carretera 2 en un cierto punto de tiempo t o midiendo el tiempo de viaje que toman los vehículos recorrer un tramo de la carretera 2.
El dispositivo de medición de tráfico 4 registra el flujo de tráfico v/t, o valores de medición equivalentes como se describe anteriormente, por tiempo t durante un período de tiempo predefinido de, por ejemplo, 24 horas como un perfil de tráfico 6 (Figura 2). De forma alternativa, también se podrían usar períodos de tiempo más cortos, por ejemplo, solo los períodos de tiempo más interesantes de, por ejemplo, 6, 12 o 18 horas al día.
El dispositivo de medición de tráfico 4 registra dichos perfiles de tráfico 6 durante un período de tiempo prolongado, por ejemplo, día tras día durante todo un año o más. Un perfil de tráfico puede estar compuesto de muestras discretas, por ejemplo, una muestra cada 5 minutos, 15 minutos o cada hora, o puede ser una curva al menos parcialmente suave con el tiempo. De esta manera, cada dispositivo de medición de tráfico 4 registra un conjunto de perfiles de tráfico 6 para su carretera 2 o intersección de carreteras 2 y lo almacena en una base de datos 7 a través de una conexión de datos 8. Un procesador 9 está conectado a la base de datos 7 a través de una conexión 10 para el procesamiento adicional de los perfiles de tráfico 6, como se describirá a continuación.
La Figura 2 muestra un motor de agrupamiento 11, que puede ser parte del procesador 9 mencionado anteriormente. El motor de agrupamiento 11 obtiene perfiles de tráfico 6 de la base de datos 7 y agrupa estos perfiles de tráfico 6 en al menos uno o al menos dos grupos CL1, CL2..., en general CLi. El algoritmo de agrupamiento utilizado en el motor de agrupamiento 11 puede ser de cualquier tipo conocido en el estado de la técnica, por ejemplo un algoritmo de agrupamiento aglomerativo jerárquico. Para este fin, los perfiles de tráfico 6 pueden necesitar ser preprocesados de manera que contengan, por ejemplo, 96 muestras de tiempo cada una a intervalos de 15 minutos. Además, se pueden emplear filtros para tratar las anomalías locales que se producen en los perfiles de tráfico 6.
Como resultado, el motor de agrupación 11 envía grupos CLi, cada uno de las cuales comprende múltiples perfiles de tráfico 6 que son similares entre sí, a una base de datos 12. Esta base de datos 12 puede ser la misma que la base de datos 7 o un subconjunto de la misma. Además, el motor de agrupación 11 puede controlarse por medio de una entrada de configuración de control 13 para ajustar los parámetros de agrupación.
Después de que los perfiles de tráfico 6 se hayan agrupado en grupos CLi, se emplea un motor de etiquetado 14 para asignar una etiqueta L1, L2,..., en general Li, a cada grupo CLi, en el que cada etiqueta Li consiste en al menos un vector característico CV1, CV2,..., en general CVj . Las etiquetas Li deben reflejar el contenido de los grupos CLi con la mayor precisión posible.
Los pasos del procedimiento realizados por el motor de etiquetado 14 se describirán ahora en detalle por medio de la Figura 3, que muestra cuatro grupos a modo de ejemplo CL1, CL2, CL3, CL4 producidos por el motor de agrupamiento 11. El primer grupo CL1 comprende N = 100 perfiles de tráfico similares 6, de los cuales solo cuatro se muestran en el diagrama 15 para facilitar la representación. El diagrama 15 asigna el tiempo t en el eje horizontal y el flujo de tráfico en vehículos por tiempo v/t en el eje vertical. Se puede ver además que cada uno de los cuatro perfiles de tráfico a modo de ejemplo 6 puede tener una o más, en el presente ejemplo dos a cuatro, etiquetas T predefinidas atribuidas a las mismas.
Las etiquetas T atribuidas a un perfil de tráfico 6 están asociadas de alguna manera con el momento de registrar dicho perfil de tráfico 6. Por ejemplo, una etiqueta T puede indicar un día de la semana, un mes del año, una semana del mes, una indicación de vacaciones escolares, una indicación especial de vacaciones, una condición de la carretera o una condición climática en el lapso de tiempo que su perfil de tráfico 6 había sido registrado.
Las etiquetas T pueden atribuirse al perfil de tráfico 6 directamente en el momento de registro por medio del dispositivo de medición de tráfico 4, en la base de datos 7, o incluso después de la agrupación en la base de datos 12. Para este fin, cada uno de los dispositivos correspondientes 4, 7, 12 puede comprender un reloj, calendario, estación meteorológica, o cualquier medio para recibir datos medioambientales o del estado de la carretera. De forma alternativa, las etiquetas T pueden atribuirse a los perfiles de tráfico 6 en retrospectiva, por ejemplo, mediante calendarios de las bases de datos 7, 12. La información del calendario, el clima, el medio ambiente o el estado de la carretera se puede atribuir en retrospectiva, por ejemplo, si una semana o un mes más tarde surge información de que la carretera en la que se registró el flujo de tráfico se dañó o estaba en construcción. Las etiquetas T incluso pueden atribuirse a los perfiles de tráfico 6 durante el paso de etiquetado por medio del motor de etiquetado 14, que puede tener su propio calendario o entradas de datos para este propósito.
Volviendo al ejemplo específico de la Figura 3, se puede ver que un primer perfil de tráfico 6 del primer grupo CL1 tiene las etiquetas "lunes", "lluvia", "día normal (sin vacaciones)" y "junio ". Un segundo perfil de tráfico 6 de este grupo tiene diferentes etiquetas T, aquí "lunes", "soleado", "día normal (sin vacaciones)" y "julio", y así sucesivamente.
Para extraer una etiqueta Li que describa con mayor precisión un grupo CLi de todas las etiquetas T de este grupo CLi, el motor de etiquetado 14 calcula en primer lugar un valor de significancia SV para al menos algunas de las etiquetas T dentro de este grupo CL i. En algunos modos de realización, se calculan los valores de significancia SV de todas las etiquetas T de todos los perfiles de tráfico 6 de un grupo CLi, mientras que en otros modos de realización los valores de significancia SV se calculan solo para las etiquetas más comunes T de los perfiles de tráfico 6 de un grupo CLi.
El valor de significancia SV se puede calcular mediante una estadística Chi-cuadrado. Por ejemplo, la estadística Chi Cuadrado de Pearson se puede usar si hay 5 o más perfiles de tráfico 6, y un procedimiento combinatorio exacto como la prueba exacta de Fisher se puede usar si hay menos de 5 perfiles de tráfico 6. Esto produce una descripción más precisa de la importancia de una etiqueta individual T.
Para evaluar si una etiqueta T es de hecho significativa o no, el motor de etiquetado 14 obtiene un valor umbral TH a partir de una entrada umbral 15. La entrada de umbral 15 se puede ajustar de forma manual o digital si está conectada al ordenador. Si el valor de significancia SV de una etiqueta T dentro de un grupo CLi se encuentra por encima del umbral TH, un vector característico CVj que comprende esta etiqueta T se asigna a este grupo CLi; ver Figura 3 a la derecha.
Para el primer grupo CL1 de la Figura 3 se puede ver que cuatro etiquetas T dentro de este grupo tienen un valor de significancia SV que se encuentra por encima del valor umbral TH, de modo que se han almacenado como vectores característicos CV1, CV2, CV3, CV4. Las etiquetas correspondientes T fueron "lunes", "martes", "miércoles" y "jueves". La etiqueta L1 de este grupo CL1 consta de cuatro vectores característicos CVj , cada uno de los cuales contiene una sola etiqueta T.
La Figura 4 muestra un ejemplo de cómo generar la etiqueta Li correspondiente al segundo grupo CL2 y la segunda etiqueta L2 de la Figura 3. Aquí, en primer lugar, se han calculado los valores de significancia SV de tres etiquetas "vacaciones", "domingo" y "julio". Suponiendo un valor umbral TH del 90%, se puede ver que solo la etiqueta “vacaciones” con un valor de significancia SV del 92% califica como un vector característico CVj .
Además, los valores de significancia SV para combinaciones, es decir, combinaciones "y", de etiquetas T pueden calcularse, ya sea para todas las etiquetas T cuyo valor de significancia SV se encuentra por debajo del valor umbral TH o para etiquetas T cuyo valor de significancia SV se encuentra por debajo del valor umbral TH pero por encima de un valor umbral adicional, por ejemplo, 25%. Para esas etiquetas T, el valor de significancia SV se calcula en combinación con otra etiqueta T, y si el valor de significancia SV de dicha combinación de etiquetas TC se encuentra por encima del umbral TH (o un umbral diferente), esta combinación de etiquetas TC se asigna como un vector característico CVj para este grupo CLi.
Dependiendo del procedimiento para calcular el valor de significancia SV, podría ser beneficioso considerar también combinaciones "o" en la medida en que no se hayan encontrado en forma de múltiples etiquetas individuales T cuyos valores de significancia SV estén por encima del umbral dentro del mismo grupo CLi. Con este fin, el valor de significancia SV de una combinación "o" de dos etiquetas cuyo valor de significancia SV se encuentra por debajo del nivel umbral TH se calcula para ver si se deben incluir cada una como un vector característico CVj para un grupo CLi.
En general, este procedimiento se puede realizar también para combinaciones de etiquetas TC que comprenden tres o más etiquetas T, por ejemplo cuando el valor de significancia SV de una combinación de dos etiquetas TC nuevamente se encuentra en un rango específico de valores de umbral. Por medio de esto, se pueden asignar combinaciones de etiquetas de cualquier longitud a un grupo CLi como vectores característicos CVj .
Un algoritmo a modo de ejemplo de identificación de las etiquetas significativas T de un grupo CLi se da de la forma siguiente. Para empezar, las etiquetas T son valores específicos de las llamadas variables V, por ejemplo, las variables V pueden ser "día de la semana", "día especial", "día de vacaciones escolares", "mes", "mes semana", y/o "condición climática". Las etiquetas T se asignan a su vez a cada variable V, por ejemplo, etiquetas "Lun", "Mar", "Mié",... a la variable" día de la semana ", etiquetas "vacaciones", "pre-vacaciones",... a la variable "día especial", "Sí", "No" a la variable "día de vacaciones escolares" y así sucesivamente.
En un primer paso del algoritmo a modo de ejemplo, se determina mediante una de dichas pruebas estadísticas (prueba Chi cuadrado de Pearson, prueba exacta de Fisher,...) si una variable V es significativa para un grupo CLi, por ejemplo, si la distribución del día de la semana es a priori significativa en este grupo CLi.
En un segundo paso, para la variable V más significativa se determinan las etiquetas T que aparecen más de lo esperado.
En un tercer paso, se determina el valor de significancia SV para cada etiqueta T con respecto al resto de las etiquetas T para esa misma variable V y se compara con un umbral TH predefinido como se detalla anteriormente. De esta manera, se puede determinar, por ejemplo, si la distribución "sábado" es significativa con respecto al resto de la semana en este grupo. Además, se genera un SCLi “subgrupo” adicional, que solo contiene el resto de los perfiles de tráfico 6 que no corresponden a las etiquetas significativas T determinadas anteriormente.
En un cuarto paso, se repiten los pasos dos y tres para el subgrupo SCLi hasta que no haya más variables V o perfiles de tráfico 6 para analizar.
En un quinto paso, la prueba de significancia para las etiquetas T se realiza comenzando con la variable V menos significativa de acuerdo con el paso uno, pero solo para las muestras dentro de este subgrupo SCLi y no con el tamaño completo del grupo. Si el valor de significancia SV está por encima de dicho umbral TH, esas etiquetas T se agregarán a la etiqueta del grupo.
En un sexto paso, el quinto paso se repite para el siguiente subgrupo SCLi en orden de importancia creciente. Esta vez, no solo se consideran sus propios perfiles de tráfico 6 sino también los elementos de los subgrupos SCLi analizados previamente que no eran significativos. De esta manera, se pueden calcular todos los subgrupos "significativos" SCLi para el primer nivel, y las etiquetas T correspondientes se agregan como una etiqueta al grupo inicial CLi.
Si hay uno o más subgrupos importantes SCLi en el primer nivel, en un séptimo paso, el proceso se repite para cada subgrupo SCLi en el siguiente nivel para determinar nuevos "subgrupos secundarios", considerando solo las características o variables que no han sido analizadas antes.
Estos pasos se repiten hasta que no haya nada más para analizar en cualquier rama y todas las etiquetas T "combinadas" se puedan agregar a la etiqueta para los subgrupos secundarios SCL¡.
Además, si un subconjunto SCL¡ incluye más de una etiqueta T significativa para una variable V, entonces cada etiqueta T se analizará en una rama separada. Solo si después de analizar todas estas ramas no tienen subramas, todas las etiquetas T se agrupan.
Además, para calcular el valor de significancia SV de una etiqueta T en cada rama, solo se consideran los perfiles de tráfico 6 correspondientes a las variables de todos los niveles por encima de la rama analizada. Por ejemplo, cuando se analiza la etiqueta "lluvioso" de un subgrupo "viernes", el valor esperado para "lluvioso" se calculará considerando solo las condiciones climáticas para todos los "viernes" de la población total.
Volviendo al segundo grupo CL2 de la Figura 3 detallado en la Figura 4, se puede ver que las combinaciones de etiquetas “domingo y lluvia” y “domingo y julio” tienen valores de significancia SV por encima del valor umbral TH. Por lo tanto, esas dos combinaciones de etiquetas TC se asignan como vectores característicos CV1, CV2 al segundo grupo CL2.
En este ejemplo, se puede ver que si bien el segundo grupo CL2 no es representativo de luens, días lluviosos o días solo en julio, este grupo CL2 es representativo de domingos y domingos lluviosos en julio.
Además, si a dos grupos se les asignan los mismos vectores característicos CVj , el vector característico CVj cuya etiqueta T o combinación de etiquetas TC tiene el valor de significancia más bajo SV se puede eliminar de la etiqueta Li de este grupo CLi .
Por medio de esto, a todos los grupos CU se les puede asignar una etiqueta U que comprenda cualquier número de vectores característicos CVj que representen este grupo CU. El motor de etiquetado 14 a su vez almacena estos grupos etiquetados CU en una base de datos 16 que puede incorporarse nuevamente como la base de datos 7 o un subconjunto de la misma, como la base de datos 12 o un subconjunto de la misma, o incorporarse como una base de datos independiente.
Del primer grupo CL1 de la Figura 3 también se puede ver que, dado que cada uno de los vectores característicos CV1, CV2, CV3, CV4 comprende una sola etiqueta T, pueden agruparse opcionalmente, por ejemplo, como días laborables. Esto se puede hacer para reducir el número de vectores característicos CVj , lo cual a su vez reduce los esfuerzos computacionales cuando se trata de encontrar un determinado grupo.
Los grupos etiquetados CLi en la base de datos 16 ahora se pueden usar para predecir un comportamiento de tráfico pasado, presente o futuro PTB (Figura 2) en el sistema de carreteras 1. Para este fin, una petición Req se puede alimentar a un motor de predicción 17, que para este propósito obtiene los grupos etiquetados CLi de la base de datos 16. La petición Req comprende una o más etiquetas de petición RT, que pueden ser formuladas por un usuario. El motor de predicción 17 hace coincidir las etiquetas de petición RT con los vectores característicos CVj de los grupos etiquetados CLi para determinar un grupo "coincidente" CLi. Este grupo coincidente CLi, o cualquier dato derivado del mismo, es luego enviado por el motor de predicción 17 como el comportamiento de tráfico previsto PTB.
Una configuración a modo de ejemplo de los motores 11, 14, 17 puede ser la siguiente: Mientras que el dispositivo de medición de tráfico 4 adquiere datos en tiempo real en el campo, después de un período prolongado de, por ejemplo, un año, el motor de agrupamiento 11 y el motor de etiquetado 14 pueden producir los agrupamientos etiquetados CLi en el procesador 9 de una estación central. Por otro lado, el motor de predicción 17 puede incorporarse como una entidad físicamente distinta de los motores de agrupamiento y etiquetado 11, 14. De forma alternativa, la misma máquina puede implementar el motor de agrupamiento 11, el motor de etiquetado 14 y el motor de predicción 17.
El funcionamiento del motor de predicción 17 se describe ahora con más detalle por medio de las Figs. 5 y 6. Después de comenzar el proceso de predicción, en el paso 18 se determina el grupo CLi que comprende el mayor número N de perfiles de tráfico 6 y se establece como un grupo de referencia. En el ejemplo de la Figura 3, el primer grupo CL1 contiene la mayoría de los perfiles de tráfico (N = 100) 6.
En el paso 19, se calcula una medida de disimilitud D para cada uno de los grupos CLi. La medida de disimilitud D es una medida de cuánto difieren los perfiles de tráfico 6 de un grupo específico CLi de los perfiles de tráfico 6 del grupo de referencia (aquí: CL1). Una vez que se calcula una medida de disimilitud D para un grupo CLi, se puede asignar a todos los vectores característicos CVj de este grupo CLi. Por definición, el grupo de referencia no difiere de sí mismo y, por lo tanto, tiene la medida de disimilitud más baja, por ejemplo, D = 0, asignada.
Para calcular una medida de disimilitud D para los otros grupos, por ejemplo, un perfil de tráfico promedio de un grupo CLi se compara con un perfil de tráfico promedio del grupo de referencia. En algunos modos de realización, esto se puede hacer usando la misma métrica de distancia que se usó para generar los grupos. En el ejemplo de la Figura 3, el tercer grupo CL3 se desvía más del grupo de referencia CL1 y tiene una medida de disparidad D = 12 asignada al mismo. El cuarto grupo CL4 solo se desvía un poco del grupo de referencia y tiene asignada una medida de disimilitud D = 3, mientras que el segundo grupo CL2 tiene una medida de disimilitud D = 7 asignada. Se enfatiza que la medida de disimilitud D es independiente del número N de perfiles de tráfico 6 en un grupo CLi y solo representa una diferencia del valor promedio, modal o mediano, o similar, de los perfiles de tráfico 6 entre los grupos CLi. Cualquier medida de (disimilitud entre las curvas conocidas en el estado de la técnica puede usarse como la medida de disimilitud D tal como, por ejemplo, una norma L2, una norma L1 o normas híbridas. Los pasos 19 y 20 pueden, por ejemplo, realizarse en el procesador 9 o en el motor de etiquetado 14.
Después de que una petición Req con etiquetas de petición RT se introduce en la máquina de predicción 17 en el paso 20, se comprueba en el paso 21 si todas las etiquetas de petición RT de la petición Req coinciden con uno de los vectores característicos CVj de los grupos CLi . Para este propósito, las etiquetas de petición RT se pueden combinar en la forma de un vector característico CVj para ver si alguno de los vectores característicos CVj de los grupos coincide con el mismo. Si este es el caso (rama "Y"), el grupo CLi que contiene el vector característico coincidente CVj se determina como el grupo CLi coincidente en el paso 22.
Al final del paso 22, el motor de predicción 17 puede generar todo el grupo coincidente CL i o un perfil de tráfico promedio o cualquier otro dato derivado de este grupo coincidente CLi como el comportamiento de tráfico pronosticado PTB para la petición Req. De forma alternativa, si en el paso 21 no se puede encontrar el vector característico CVj entre los grupos CLi (rama "N"), una de las etiquetas de petición RT se elimina de la petición Req en un paso 23, y el paso 21 se repite.
El paso 23 de eliminar una etiqueta de petición RT de la petición Req se describe en detalle por medio de un ejemplo que se muestra en la Figura 6, que nuevamente usa los grupos a modo de ejemplo de la Figura 3. Aquí, al principio, la petición Req comprende las etiquetas de petición "miércoles", "vacaciones" y "lluvia". Cuando se realiza el paso 21 por primera vez, se comprueba si la combinación de estas tres etiquetas de petición RT aparece en cualquiera de las etiquetas Li de los cuatro grupos CLi; vea las cuatro etiquetas L1, L2, L3, L4 en el lado derecho de la Figura 3. En este ejemplo, no se puede encontrar el vector característico CVj que comprenda las tres etiquetas de petición RT.
Para eliminar una de las etiquetas de petición RT de la petición Req, en un modo de realización del presente procedimiento para cada etiqueta de petición RT, se comprueba individualmente si existe un vector característico CVj que coincida con esta etiqueta de petición RT, es decir, no se comprueba si esta etiqueta de petición RT simplemente ocurre en una combinación de etiquetas TC de un vector característico CVj, sino solo si hay un vector característico CVj que coincida exactamente con la etiqueta de petición RT. Por medio de las Figs. 3 y 6, se puede ver que la etiqueta de petición "miércoles" de la petición Req aparece como el vector característico CV3 en la etiqueta L1 del primer grupo CL1, la etiqueta de petición "vacaciones" de la petición Req aparece como el vector característico CV1 en la etiqueta L2 del segundo grupo CL2, y la etiqueta de petición "lluvia" de la petición Req aparece como el vector característico CV1 en la etiqueta L4 del cuarto grupo CL4.
Ahora se comprueba cuál de estos vectores característicos correspondientes CVj tiene la medida de disimilitud más baja D. Dado que el vector característico CV3 está en el primer grupo CL1, que tiene la medida de disimilitud más baja D = 0, y los otros dos grupos CL2, CL4 tienen medidas de disimilitud más altas D = 7, 3, respectivamente, la etiqueta de petición "miércoles" se elimina de la petición Req porque esta etiqueta de petición RT corresponde a un vector característico CVj del grupo CLi con la medida de disimilitud D más baja, es decir, al grupo menos interesante CLi, aquí: grupo CL1.
Posteriormente, se repite el paso 21 y se comprueba si existe un vector característico CVj que contiene la combinación de etiquetas de las dos etiquetas de petición restantes "vacaciones" y "lluvia". Nuevamente, este no es el caso y, por lo tanto, se comprueba nuevamente cuál de las dos etiquetas de petición restantes RT corresponde a un grupo CLi con la medida D de disimilitud más baja. En este caso, la etiqueta de petición "lluvia" se elimina de la petición Req porque tiene la menor medida de disimilitud D.
Posteriormente, se comprueba nuevamente si la petición Req, que ahora solo comprende la etiqueta “vacaciones”, coincide con alguno de los vectores característicos CVj de los grupos CLi. Este es el caso del segundo grupo CL2, que tiene asignado el vector característico CV1. Por lo tanto, el segundo grupo CL2 es el grupo coincidente, a partir del cual se obtiene el comportamiento de tráfico previsto PTB.
A veces, las etiquetas de petición RT no se producen en un vector característico CVj que contiene solo esta etiqueta de petición RT en cualquiera de los grupos CLi porque esta etiqueta de petición no está presente en ninguna de las etiquetas T de los perfiles de tráfico 6 que se usan para crear los grupos CL i o porque esta etiqueta T solo se usa en un vector característico CVj en combinación con una etiqueta adicional T. En este caso, la medida de disimilitud más baja, por ejemplo, D = 0, puede asignarse a esta etiqueta de petición RT.
En un modo de realización alternativo, cuando se comprueba cuál de las etiquetas de petición RT debe eliminarse, no solo se comprueba si hay un vector característico CVj que solo comprende esta etiqueta de petición RT, sino que también se comprueba si hay un vector característico CVj que comprende esta etiqueta de petición RT en combinación con una etiqueta adicional T. En este caso, se elige este vector característico CVj y a su vez el grupo subyacente CLi y su medida de disimilitud D, para la cual, por ejemplo, el valor de significancia Sv del vector característico CVj sea mayor o que tenga un número N mayor o menor de perfiles de tráfico 6. Por ejemplo, en la Figura 3 para la etiqueta "vacaciones", el vector característico CV1 del segundo grupo CL2 y el vector característico CV2 del tercer grupo CL3, que tiene la combinación de etiquetas "vacaciones y sol", están disponibles. Debido a que el valor de significancia SV del vector característico CV2 de la combinación de etiquetas “vacaciones y domingo”, el tercer grupo CL3 es más alto (98%) que el valor de significancia SV (92%) del vector característico CV i en el segundo grupo CL2, la medida de disimilitud D = 12 del tercer grupo CL3 (y no D = 7 del segundo grupo CL2) se elige para la etiqueta de petición "vacaciones" y se utiliza en los pasos de comparación de la Figura 6. Por lo tanto, en algunos modos de realización, en los que los valores de significancia SV de los vectores característicos CVj se han utilizado para etiquetar los grupos CLi, estos valores de significancia SV también se pueden utilizar al determinar el grupo CLi que coincide con la petición Req.
En todos los modos de realización, cuando se comprueba qué etiqueta de petición RT corresponde al vector característico CVj de un grupo CLi, y dos grupos tienen los mismos vectores característicos CVj , se puede elegir el vector característico CVj con el valor de significancia más alto SV para esta etiqueta de petición Rt .
Además, cuando en el paso 21 coincidente se encuentran dos grupos CLi coincidentes, el que tiene el alto número N de perfiles de tráfico 6 se puede determinar como el grupo coincidente y el otro se descarta.
Para mejorar aún más la precisión del procedimiento, no solo se puede comprobar si las etiquetas de petición única RT se producen en los vectores característicos CVj de los grupos CLi, sino también si las combinaciones de etiquetas de petición RT corresponden a un vector característico CVj de un grupo CLi. En este caso, si este vector característico CVj correspondiente a una combinación de etiquetas de petición RT tiene la medida de disimilitud D más baja entre los vectores característicos CVj correspondientes a todas las etiquetas de petición RT o combinaciones de etiquetas de petición, dicha combinación de etiquetas de petición no se tendrá en cuenta hasta que una etiqueta de petición RT se elimine de la petición Req.
La invención no está restringida a los modos de realización específicos descritos en detalle en este documento, sino que abarca todas las variantes, combinaciones y modificaciones de los mismos que entren dentro del alcance de las reivindicaciones anexas.

Claims (12)

REIVINDICACIONES
1. Un procedimiento para predecir un comportamiento de tráfico en un sistema de carreteras, que comprende los siguientes pasos realizados por al menos un procesador (9, 11, 14, 17) conectado a una base de datos (7, 12, 16), que contiene un conjunto de tráfico perfiles (6), con cada perfil de tráfico (6) que representa una medida de tráfico de vehículos (3) en el sistema de carreteras (1) registrado a lo largo del tiempo (t), como una curva muestreada o lisa, con una o más etiquetas predefinidas (T) asociadas con un tiempo de registro del perfil de tráfico respectivo (6) atribuido a dicho perfil de tráfico (6):
agrupar los perfiles de tráfico (6) con sus etiquetas (T) en al menos un grupo (CLi) en cuanto a la similitud usando métricas de distancia calculadas entre las curvas de los perfiles de tráfico (6), comprendiendo cada grupo (CLi) múltiples perfiles de tráfico (6) que son similares entre sí en sus curvas;
para al menos una etiqueta (T) en cada grupo (CLi), calcular un valor de significancia (SV) por medio de un análisis estadístico;
si el valor de significancia (SV) de una etiqueta (T) es más alto que un valor umbral (TH), asignar esta etiqueta (T) como un vector característico (CVj) a este grupo (CLi);
en un motor de predicción, recibir una petición (Req) que tiene una o más etiquetas de solicitud (RT) para determinar un grupo coincidente (CLi);
determinar un grupo (CLi) por medio de la coincidencia de la etiqueta de solicitud (RT) con los vectores característicos (CVj) de los grupos (CLi) y,
generar un comportamiento de tráfico previsto (PTB) basado en el grupo (CLi) determinado
2. El procedimiento según la reivindicación 1, en el que cada etiqueta (T) es uno de los valores específicos de una variable (V) que puede tener varios de dichos valores específicos, y en el que hay al menos dos de dichas variables a las que están asignadas etiquetas como sus valores específicos, comprendiendo el procedimiento los pasos adicionales de
para al menos una variable (V) en cada grupo (CLi), calcular un valor de significancia (SV); y
para al menos una etiqueta (T) asignada a la variable (V) con el valor de significancia (SV) más alto de cada grupo (CLi), calcular el valor de significancia (SV).
3. El procedimiento según la reivindicación 2, en el que el procedimiento comprende los pasos adicionales de: agrupar todos los perfiles de tráfico (6) que no contienen una etiqueta (T) cuyo valor de significancia (SV) se encuentra por encima de dicho valor umbral (TH) en un subgrupo (SCLi);
para al menos una variable del subgrupo (SCLi), calcular un valor de significancia (SV); y
para una etiqueta (T) asignada a la variable (V) con el valor de significancia (SV) más alto del subgrupo (SCLi), calcular el valor de significancia (SV).
4. El procedimiento según la reivindicación 3, en el que los pasos de agrupar, calcular el valor de significancia (SV) para una variable (V) y calcular el valor de significancia (SV) para una etiqueta (T) se repiten hasta que no haya más perfiles de tráfico (6) disponibles para agrupar.
5. El procedimiento según cualquiera de las reivindicaciones 1 a 4, en el que, para al menos una etiqueta (T) cuyo valor de significancia (SV) se encuentra por debajo de dicho umbral (TH), se calcula un valor de significancia (SV) de una combinación de dicha etiqueta (T) con una etiqueta adicional (T) y, si dicho valor de significancia (SV) de dicha combinación de etiquetas (TC) se encuentra por encima del umbral (TH), asignar dicha combinación de etiquetas (TC) como un vector característico (CVj) al grupo (CLi) de dicha etiqueta (T).
6. El procedimiento según una cualquiera de las reivindicaciones 1 a 5, en el que para cada grupo (CLi) se calculan valores de significancia (SV) para todas las etiquetas (T) de este grupo (CLi).
7. El procedimiento según una cualquiera de las reivindicaciones 1 a 6, en el que, cuando a dos grupos (CLi) se les asignaría al mismo vector característico (CVj), el valor umbral se reduce y de nuevo se compara si el valor de significancia (SV) de cada etiqueta (T) o combinación de etiquetas (TC), respectivamente, es más alto que el valor umbral (TH) para asignar esta etiqueta (T) o combinación de etiquetas (TC), respectivamente, como un vector característico (CVj) a este grupo (CLi).
8. El procedimiento según una cualquiera de las reivindicaciones 1 a 7, en el que el valor de significancia (SV) de cada etiqueta (T) o combinación de etiquetas (TC), respectivamente, se calcula por medio de una estadística Chicuadrado.
9. El procedimiento según una cualquiera de las reivindicaciones 1 a 8, en el que los valores de significancia (SV) de las etiquetas (T) o combinaciones de etiquetas (TC) se usan cuando se comprueba si una etiqueta de solicitud (RT) coincide con un vector característico (CVj).
10. El procedimiento según una cualquiera de las reivindicaciones 1 a 9, en el que cada perfil de tráfico (6) representa la medida del tráfico de vehículos (3) en el sistema de carreteras (1) durante un lapso de tiempo de 24 horas.
11. El procedimiento según una cualquiera de las reivindicaciones 1 a 10, en el que al menos una etiqueta (T) indica un día de la semana, un mes del año, una semana del mes, una indicación de vacaciones escolares o una indicación especial de vacaciones de dicho momento de registro.
12. El procedimiento según una cualquiera de las reivindicaciones 1 a 11, en el que al menos una etiqueta (T) indica una condición de la carretera o una condición climática en dicho momento de registro.
ES17154100T 2017-02-01 2017-02-01 Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras Active ES2858448T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP17154100.6A EP3358542B1 (en) 2017-02-01 2017-02-01 A method of predicting a traffic behaviour in a road system

Publications (1)

Publication Number Publication Date
ES2858448T3 true ES2858448T3 (es) 2021-09-30

Family

ID=57960293

Family Applications (1)

Application Number Title Priority Date Filing Date
ES17154100T Active ES2858448T3 (es) 2017-02-01 2017-02-01 Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras

Country Status (9)

Country Link
US (1) US11670163B2 (es)
EP (1) EP3358542B1 (es)
AU (1) AU2018215876B2 (es)
CA (1) CA3046873A1 (es)
ES (1) ES2858448T3 (es)
MX (1) MX2019008852A (es)
RU (1) RU2747317C2 (es)
WO (1) WO2018141582A1 (es)
ZA (1) ZA201905061B (es)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3358542B1 (en) 2017-02-01 2020-12-09 Kapsch TrafficCom AG A method of predicting a traffic behaviour in a road system
US11495125B2 (en) * 2019-03-01 2022-11-08 Ford Global Technologies, Llc Detecting changed driving conditions
CN112216113B (zh) * 2020-10-16 2021-07-27 温州职业技术学院 基于密度峰值的交通流量数据聚类方法
CN113538947A (zh) * 2021-06-15 2021-10-22 南京航空航天大学 车联网中一种采用交互多模型的雷达目标路径处理方法
CN114898556B (zh) * 2022-05-11 2023-09-29 华南理工大学 一种基于多尺度计算的数字路网交通状态推算方法

Family Cites Families (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3663937A (en) * 1970-06-08 1972-05-16 Thiokol Chemical Corp Intersection ingress-egress automatic electronic traffic monitoring equipment
DE19643454C2 (de) * 1996-10-10 2003-08-21 Mannesmann Ag Verfahren und Vorrichtung zur Übermittlung von Daten zur Verkehrslagebeurteilung
US6542808B2 (en) * 1999-03-08 2003-04-01 Josef Mintz Method and system for mapping traffic congestion
ES2284862T3 (es) * 2001-02-09 2007-11-16 Yosef Mintz Procedimiento y sistema mejorado para cartografiar predicciones de trafico con respecto a aplicaciones telematicas y de orientacion en ruta.
WO2005013063A2 (en) * 2003-07-25 2005-02-10 Landsonar, Inc. System and method for determining recommended departure time
JP2006079483A (ja) * 2004-09-13 2006-03-23 Hitachi Ltd 交通情報提供装置，交通情報提供方法
US7912627B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Obtaining road traffic condition data from mobile data sources
US8014936B2 (en) * 2006-03-03 2011-09-06 Inrix, Inc. Filtering road traffic condition data obtained from mobile data sources
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US8417442B2 (en) * 2006-09-19 2013-04-09 Intuitive Control Systems, Llc Collection, monitoring, analyzing and reporting of traffic data via vehicle sensor devices placed at multiple remote locations
DE102008021260A1 (de) * 2008-04-29 2009-11-05 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Güteprüfung von Verkehrsstörungsmeldeverfahren
CN101739819A (zh) * 2009-11-19 2010-06-16 北京世纪高通科技有限公司 预测交通流的方法和装置
US8396663B2 (en) * 2009-12-15 2013-03-12 Navteq B.V. Speed profile dictionary
US8798897B2 (en) * 2010-11-01 2014-08-05 International Business Machines Corporation Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models
US9472097B2 (en) * 2010-11-15 2016-10-18 Image Sensing Systems, Inc. Roadway sensing systems
CA2803404A1 (en) * 2010-11-15 2012-05-24 Image Sensing Systems, Inc. Hybrid traffic sensor system and associated method
US8892345B2 (en) * 2011-04-08 2014-11-18 Here Global B.V. Trend based predictive traffic
US8554456B2 (en) * 2011-07-05 2013-10-08 International Business Machines Corporation Intelligent traffic control mesh
EP2827320B1 (en) * 2012-03-16 2020-01-08 Nissan Motor Co., Ltd Device for determining sensitivity to prediction of unexpected situations
WO2013136779A1 (ja) * 2012-03-16 2013-09-19 日産自動車株式会社 不慮予測感度判定装置
CA2906758A1 (en) * 2012-03-16 2013-09-19 Green Owl Solutions Inc. Systems and methods for delivering high relevant travel related content to mobile devices
DE102012204306A1 (de) * 2012-03-19 2013-09-19 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Steuerung eines Bereitstellens von Verkehrsinformationsdaten zur Aktualisierung einer Verkehrsinformation
US20130297387A1 (en) * 2012-05-01 2013-11-07 Joseph Michael Systems and methods for monitoring, managing, and facilitating communications and/or transactions relating to transportation infrastructure utilization
DE102012207864A1 (de) * 2012-05-11 2013-11-14 Robert Bosch Gmbh Verfahren zum Reduzieren einer Staugefahr
US8760314B2 (en) * 2012-06-11 2014-06-24 Apple Inc. Co-operative traffic notification
US9053632B2 (en) * 2012-06-29 2015-06-09 International Business Machines Corporation Real-time traffic prediction and/or estimation using GPS data with low sampling rates
US8892343B2 (en) * 2012-07-31 2014-11-18 Hewlett-Packard Development Company, L.P. Determining a spatiotemporal impact of a planned event on traffic
US20140222321A1 (en) * 2013-02-06 2014-08-07 Iteris, Inc. Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data
US9437107B2 (en) * 2013-03-15 2016-09-06 Inrix, Inc. Event-based traffic routing
US9390622B2 (en) * 2013-04-16 2016-07-12 International Business Machines Corporation Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream
US9262915B2 (en) * 2013-05-09 2016-02-16 KERBspace, Inc Intelligent urban communications portal and methods
US9293040B2 (en) * 2013-07-01 2016-03-22 Iteris, Inc. Data quality assessment and real-time evaluation of GPS probe data
US9187099B2 (en) * 2013-10-17 2015-11-17 Richard M. Powers Systems and methods for predicting weather performance for a vehicle
US9368027B2 (en) * 2013-11-01 2016-06-14 Here Global B.V. Traffic data simulator
US9123239B2 (en) * 2014-01-21 2015-09-01 Iteris, Inc. Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data
US9536424B2 (en) * 2014-02-10 2017-01-03 Here Global B.V. Adaptive traffic dynamics prediction
DE102014208524B4 (de) * 2014-05-07 2025-10-30 Robert Bosch Gmbh Ortsgebundene verkehrsanalyse mit erkennung eines verkehrspfads
US9430944B2 (en) * 2014-11-12 2016-08-30 GM Global Technology Operations LLC Method and apparatus for determining traffic safety events using vehicular participative sensing systems
US20180299284A1 (en) * 2014-12-02 2018-10-18 Kevin Sunlin Wang Method and System For Avoidance of Accidents
US9518837B2 (en) * 2014-12-02 2016-12-13 Here Global B.V. Monitoring and visualizing traffic surprises
US9564048B2 (en) * 2014-12-18 2017-02-07 Sap Se Origin destination estimation based on vehicle trajectory data
US9875654B2 (en) * 2015-01-30 2018-01-23 Siemens Aktiengesellschaft Real-time monitoring and diagnostic processing of traffic control data
US9569960B2 (en) * 2015-02-24 2017-02-14 Here Global B.V. Method and apparatus for providing traffic jam detection and prediction
US9965952B2 (en) * 2015-03-16 2018-05-08 International Business Machines Corporation Road condition management
US11482100B2 (en) * 2015-03-28 2022-10-25 Intel Corporation Technologies for detection of anomalies in vehicle traffic patterns
IL256942B (en) * 2015-07-19 2022-08-01 Kareev Uri Multi-stream based traffic enforcement for complex scenarios
EP3144918B1 (en) * 2015-09-21 2018-01-10 Urban Software Institute GmbH Computer system and method for monitoring a traffic system
GB201519202D0 (en) * 2015-10-30 2015-12-16 Optasense Holdings Ltd Monitoring traffic flow
EP3371791A1 (en) * 2015-11-04 2018-09-12 Telefonaktiebolaget LM Ericsson (publ) Method of providing traffic related information and device, computer program and computer program product
WO2017100220A1 (en) * 2015-12-07 2017-06-15 Rapidsos, Inc. Systems and methods for predicting emergency situations
TWI619036B (zh) * 2016-02-22 2018-03-21 財團法人資訊工業策進會 交通時間預測系統、交通時間預測方法以及交通模型建立方法
US9792575B2 (en) * 2016-03-11 2017-10-17 Route4Me, Inc. Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints
EP3267418A1 (en) * 2016-07-06 2018-01-10 Volvo Car Corporation A method for performing a real time analysis of traffic light related data
WO2018012414A1 (ja) * 2016-07-13 2018-01-18 日本電気株式会社 交通制御支援システム、交通制御支援方法およびプログラム記録媒体
US11715369B2 (en) * 2016-08-15 2023-08-01 University Of Southern California Latent space model for road networks to predict time-varying traffic
CN106251625B (zh) * 2016-08-18 2019-10-01 上海交通大学 大数据环境下立体城市交通路网全局状态预测方法
US10749807B2 (en) * 2016-08-30 2020-08-18 Here Global B.V. Wireless network optimization
CN106373396A (zh) * 2016-09-26 2017-02-01 北京东土科技股份有限公司 基于智能交通云控制系统的控制服务器
KR102652023B1 (ko) * 2016-10-28 2024-03-26 삼성에스디에스 주식회사 실시간 교통 정보 제공 방법 및 장치
CN109952592B (zh) * 2016-11-07 2024-04-02 瑞士再保险有限公司 自动位置相关测量和预测汽车风险的绝对和相对风险系统和方法
PL3333823T3 (pl) * 2016-12-07 2024-06-24 Yunex Gmbh Przewidywanie sygnalizacji urządzenia sygnalizacji świetlnej za pomocą sztucznej inteligencji
US10215579B2 (en) * 2016-12-14 2019-02-26 Samsung Electronics Co., Ltd. Method and apparatus for estimating driving information
EP3358542B1 (en) 2017-02-01 2020-12-09 Kapsch TrafficCom AG A method of predicting a traffic behaviour in a road system

Also Published As

Publication number Publication date
EP3358542B1 (en) 2020-12-09
US20190378406A1 (en) 2019-12-12
CA3046873A1 (en) 2018-08-09
RU2019124238A (ru) 2021-02-01
MX2019008852A (es) 2019-09-11
EP3358542A1 (en) 2018-08-08
US11670163B2 (en) 2023-06-06
ZA201905061B (en) 2020-11-25
RU2747317C2 (ru) 2021-05-04
BR112019012828A2 (pt) 2019-11-26
AU2018215876B2 (en) 2023-05-11
WO2018141582A1 (en) 2018-08-09
RU2019124238A3 (es) 2021-02-10
AU2018215876A1 (en) 2019-06-20

Similar Documents

Publication Publication Date Title
ES2858448T3 (es) Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras
ES2753220T3 (es) Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras
JP5833567B2 (ja) デジタル地図におけるネットワーク生成のための時間および／または正確度に依存した重み
US8554473B2 (en) Energy efficient routing using an impedance factor
ES3037011T3 (en) Determining customized safe speeds for vehicles
BRPI1005651B1 (pt) dicionário de perfis de velocidade
US10489431B2 (en) Digital location-based data methods and product
EP3109841A1 (en) Travel time data adjustment device, travel time data adjustment method, and program
JP2023184590A (ja) 情報処理装置
CN117273589A (zh) 一种基于人工智能的智慧物流运输管理系统
KR20090023856A (ko) 날씨에 따른 도로별 경로정보 제공 방법 및 그 서비스 서버
Ni et al. DEPART: Dynamic route planning in stochastic time-dependent public transit networks
Wallace et al. Automation of the validation, anonymization, and augmentation of big data from a multi-year driving study
Wu et al. Travel time estimation using spatio-temporal index based on Cassandra
Kleff et al. Time-dependent route planning for truck drivers
BR112019012828B1 (pt) Método para prever um comportamento de tráfego em um sistema rodoviário
BR112019012832B1 (pt) Método para prever um comportamento de tráfego em um sistema rodoviário
US20240175706A1 (en) System and method for generating a semantic map for a road
Han et al. Automated Plate Recognition and Truck Trip Tracking
Gandam et al. Innovations in European Smart Transportation using Geospatial Information System
Aksoy et al. Integration of GPS Based Floating Car Data into GIS Based Transportation Networks: Antalya Ring Road Example
Kleff et al. Time-Dependent Route Planning
CN118153755A (zh) 一种城市出行流量预测方法、装置、设备及介质
van der Hooft Using Travel Time Predictions based on Tom-Tom’s Big Data in Logistical Models