著者

熊谷 正俊 伏木 匠 横田 孝義 君田 和也

出版者

一般社団法人情報処理学会

雑誌

情報処理学会研究報告高度交通システム(ITS) (ISSN:09196072)

巻号頁・発行日

vol.2004, no.98, pp.19-26, 2004-09-28

参考文献数

5

被引用文献数

2

---

先に開発した交通情報の長期予測手法である"特徴空間予測手法"の拡張技術を2つ紹介する.1つは複数リンクの交通情報を同一の特徴空間に射影し,特徴空間上でリンクごとに予測処理を行うことで,通常の回帰分析を用いた予測手法に比べ,予測精度を損なうことなく予測データベースのデータ量を1/10以下に削減する技術である.もう1つは,プローブカーデータのように時系列の大半が欠損した交通情報を予測に利用する技術であり,特徴空間射影に欠損値付き主成分分析を適用することで,時系列中8割が欠損した疎らな交通情報からでも高精度な予測を可能とする.This paper discusses about two extended methods of "Feature Space Forecast Method" for long-term traffic information forecasting. The first one is the method which decreases the size of a forecasting database one-tenth as large as that of usual regression analysis, by performing forecast process in the feature space shared by some links. The second one makes the best use of traffic information with a large number of missing data, by applying "Principal Component Analysis with Missing Data" for the process of feature space projection. It provides accurate forecast information even from probe-car data whose 80% of time series is missing.

著者

熊谷 正俊 伏木 匠 横田 孝義 佐野 豊 鈴木 研二

出版者

一般社団法人情報処理学会

雑誌

情報処理学会論文誌 (ISSN:18827764)

巻号頁・発行日

vol.45, no.12, pp.2696-2705, 2004-12-15

被引用文献数

5

---

本論文では全国規模の交通情報サービスを目的とした所要時間長期予測手法を提案する.この手法は曜日/祝祭日/季節/五十日等の多様な因子を加味した予測が可能であり,全国域の大規模なデータをコンパクトな予測モデルで取り扱うことができる.その基本となる考え方は,たとえば朝夕の渋滞に相当するような複数の基底データが日付に応じた強度で合成され,所要時間データを構成しているというものである.この考え方に基づけば,所要時間データは日付によって変化しない基底データと,日付によって変化する合成強度とに分解され,曜日等の因子と関連づけて予測すべき情報は後者のみである.基底データと合成強度への分解には,主成分分析を用いた特徴空間射影が利用可能であり,合成強度に関する予測は特徴空間上で行われる.所要時間データ空間に比べて低次元化されていることから,特徴空間上では予測モデルを肥大化させることなく,高精度な予測処理を行うことが可能である.特徴空間からの逆射影は分解された基底データの合成による所要時間データの復元に相当し,特徴空間上で予測された合成強度の逆射影により所要時間データの予測値が得られる.実際の所要時間データを用いた評価により,この手法が予測精度の効率的な改善に有効であることが確認された.We propose a travel time forecast method for nation wide traffic information services. This method can deal with various "day factors" which traffic condition depends on, e.g. days, seasons, and vacations, without complicated local parameter setting. It also has the advantage in both the size of the database and the amount of the calculation for forecasting. The basic idea of the method is that travel time data consists of the weighted sum of several "feature bases" which represent characteristic traffic patterns such as congestion in morning or evening. The feature bases are the information which is independent of the day factors; in contrast, the information to be forecasted according to the day factors is weighting coefficients of the feature bases. The feature bases are given by the feature space projection using principal component analysis, and the forecasting process for the weighting coefficients is performed in the feature space. Since the dimension of the feature space is smaller than that of the travel time data space, the method can achieve an accurate forecasting process with a small database and a little amount of calculation. The information of the feature bases are restored to the forecast data of travel time by the inverse projection from the feature space. Evaluation results show that the method efficiently improves the forecast accuracy for wide-area applications.