[0001] 本发明是有关于一种车速预测方法。

[0002] 现有的交通预测机制包括类神经网络计算、数据探勘、机器学习、统计分析及模糊演算法(Fuzzy algorithm)。上述所提的交通预测机制大多仅使用远期或近期预测。若仅用近期预测，仅使用近期的数据作评估，随着预测时间增加，准确度将会下降。然而，若仅用远期预测，仅使用远期的数据作评估，当近期发生事故或施工时，无法即时反应，准确度亦会下降。

[0021] 以下将以附图揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明部分实施方式中，这些实务上的细节是非必要的。此外，为简化附图起见，一些已知惯用的结构与元件在附图中将以简单示意的方式绘示。

[0022] 本发明提供一种车速预测方法，利用近期预测及远期预测的车速数据，结合两种预测结果来估计最终车速，并通过各路径中各路段的预测车速来计算整条路径所需的行驶时间。

[0023] 本发明提供的车速预测方法，分为三个阶段：搜集阶段、建立模型阶段及预测阶段。

[0024] 在搜集阶段时，本发明的车速预测方法将收集城市内各路段的车速历史数据。

[0025] 接着，执行建立模型阶段。在此阶段中，须先分别计算近期预测车速及远期预测车速，在本发明所提出的车速预测方法中，每个路段皆被视为独立个体，将利用车速历史数据来为各路段建立自我回归移动平均整合(Autoregressive Integrated Moving Average，ARIMA)，并使用最小平方法(Least Squares)来求取ARIMA模型中的各参数。

[0026] 图1绘示根据本发明第一实施方式的车速预测方法的流程图，此实施例适用于计算于一选定路段在一预测时点的预测车速，其通过一处理装置实施。请参照图1，首先，透过该处理装置根据一近期车速数据计算一第一预测车速(步骤S110)，再者，透过该处理装置根据一远期车速数据计算一第二预测车速(步骤S120)。接着，透过该处理装置将该第一预测车速乘以一第一权重，将该第二预测车速乘以一第二权重，并将上述二者迭加取得一混合预测车速(步骤S130)。其中该近期车速数据为该预测时点往前取一特定时区内在该选定路段行驶的所有车辆的车速数据，该远期车速数据为该预测时点以一特定周期往前取至少一周期时点内在该选定路段行驶的所有车辆的车速数据。其中，该特定周期为一天、一周、一月及一年以上其一，该第一权重与该第二权重的和为1。

[0027] 以上所述的该第一预测车速是由一第三权重与一第一统计车速在不同时间点的多个乘积的总和，加上一第四权重与一第一误差值在不同时间点的多个乘积的总和所得，其中，该第一误差值定义为各时间点实际车速与预测车速的差值，该第一统计车速是在该选定路段中，于各时间点所有行驶车辆的平均车速。其中该第三权重在不同的时间点有不同的数值，该第一统计车速在不同的时间点有不同的数值，该第四权重在不同的时间点有不同的数值，该第一误差值在不同的时间点有不同的数值。

[0028] 以上所述的该第二预测车速是由一第五权重与一第二统计车速在不同时间点的多个乘积的总和，加上一第六权重与一第二误差值在不同时间点的多个乘积的总和所得，其中，该第二误差值定义为各时间点实际车速与预测车速的差值，该第二统计车速是在该选定路段中，于各时间点所有行驶车辆的平均车速。其中该第五权重在不同的时间点有不同的数值，该第二统计车速在不同的时间点有不同的数值，该第六权重在不同的时间点有不同的数值，该第二误差值在不同的时间点有不同的数值。

[0029] 图2绘示根据本发明第二实施方式的车速预测方法的流程图，此实施例适用于计算于一选定路段在一预测时点的一重复k次的混合预测车速，其通过上述的处理装置实施，其中k为一正整数。请参照图2，首先，透过该处理装置根据近期车速数据，计算一重复k次的近期预测车速，(步骤S210)，其中该近期车速数据为该预测时点往前取一特定时区内在该选定路段行驶的所有车辆的车速数据。接着，透过该处理装置根据远期车速数据，计算一重复k次的远期预测车速(步骤220)，其中该远期车速数据为该预测时点以一特定周期往前取至少一周期时点内在该选定路段行驶的所有车辆的车速数据。接下来，利用该重复k次的近期预测车速及该重复k次的远期预测车速来计算该重复k次的混合预测车速(步骤230)，其中该重复k次的混合预测车速是由该重复k次的近期预测车速及该重复k次的远期预测车速各乘上不同的权重所得出。其中，步骤S230包括，该重复k次的近期预测车速乘以一第一特定权重，加上该重复k次的远期预测车速乘以一第二特定权重，得出该重复k次的混合预测车速，其中该第一特定权重是将一个大于0小于1的数值连乘k次，该第一特定权重与该第二特定权重的和为1。

[0030] 以上所述的该重复k次的近期预测车速是由一第三特定权重与一重复k-i次的近期预测车速在不同时间点的多个乘积的总和，加上一第四特定权重与一第一统计车速在不同时间点的多个乘积的总和，加上一第五特定权重与一第一预测误差值在不同时间点的多个乘积的总和，加上一第六特定权重与一第一误差值在不同时间点的多个乘积的总和所得，其中，该第一误差值定义为各时间点实际车速与预测车速的差值，其中i为正整数，该第一统计车速是在该选定路段中，于各时间点所有行驶车辆的平均车速。其中该第三特定权重在不同的时间点有不同的数值，该重复k-i次的近期预测车速在不同的时间点有不同的数值，该第四特定权重在不同的时间点有不同的数值，该第一统计车速在不同的时间点有不同的数值，该第五特定权重在不同的时间点有不同的数值，该第一预测误差值在不同的时间点有不同的数值，该第六特定权重在不同的时间点有不同的数值，该第一误差值在不同的时间点有不同的数值。

[0031] 以上所述的该重复k次的远期预测车速是由一第七特定权重与一第二统计车速在不同时间点的多个乘积的总和，加上一第八特定权重与一第二误差值在不同时间点的多个乘积的总和所得，其中该第二误差值定义为各时间点实际车速与预测车速的差值，该第二统计车速是在该选定路段中，于各时间点所有行驶车辆的平均车速。其中该第七特定权重在不同的时间点有不同的数值，该第二统计车速在不同的时间点有不同的数值，该第八特定权重在不同的时间点有不同的数值，该第二误差值在不同的时间点有不同的数值。

[0032] 接着，利用实际范例说明本发明的车速预测方法，图3绘示根据本发明第二实施方式的近期预测车速计算示意图，图4绘示根据本发明第二实施方式的远期预测车速计算示意图。首先，本发明的车速预测方法求取近期预测车速 时间单位可以设定为五分钟，或根据使用者需求设定其他时间单位。在时间t的预测车速 可以由以下公式(1)得出，其中，Vt-i是指时间t-i的实际车速，而εt-i是指在时间t-i实际速度与预测车速的误差。欲预测在时间t时的近期预测车速 先对Vt-i加上权重φi，接着对εt-i加上权重θi。接着，加总p次的φiVt-i及q次的θiεt-i。至于权重参数φi及θi，可透过历史统计数据计算得出。历史统计数据中的预测速度与实际速度都是已知的，利用公式(1)计算历史统计数据，可以得到多组的(φi,θi)。接着使用最小平方法求出最佳的(φi,θi)。

[0033]

[0034] 然而，随着预测时间的增加，准确度会下降。以下公式(2)为定义近期车速重复预测k次，在时间t+k的近期预测车速 在公式(2)中，其中，φi、φi+1、θi及θi+1为权重参数，可透过历史统计数据计算得出。 为时间t+k-i时的近期预测车速，Vt+k-1-i是指时间t+k-1-i的实际车速， 为时间t+k-i时预测车速与实际车速的预测误差，εt+k-1-i为时间t+k-1-i时，预测车速与实际车速的误差。

[0035]

[0036] 接着，求取远期预测车速 单位时间为一天，或根据使用者需求设定其他时间单位。在时间t的预测车速 可以由以下公式(3)得出。其中，Vt-i×h是时间t-i×h的实际车速，而εt-i×h是指在时间t-i×h实际速度与预测速度的误差。欲预测在时间t时的远期预测车速 先对Vt-i×h加上权重λi，接着对εt-i×h加上权重μi。接着，加总m次的λiVt-i×h及n次的μiεt-i×h。至于权重参数λi及μi，可透过历史统计数据得出。历史统计数据中预测速度与实际速度都是已知的，利用公式(3)计算历史数据，可以得到多组的(λi,μi)，再使用最小平方法求出最佳的(λi,μi)。

[0037]

[0038] 以下公式(4)定义远期车速重复预测k次，在时间t+k的远期预测车速 在公式(4)中，λi及μi为权重参数，可透过历史统计数据算出。Vt+k-i×h是时间t+k-i×h的实际速度，εt+k-i×h为时间t+k-i×h时，预测车速与实际车速的误差。

[0039]

[0040] 近期及远期预测车速皆算出后，接着是混合预测结果得到混合预测车速 其定义于以下公式(5)， 是权重参数，其值介于0到1之间，且 会随着时间切换。为了让不要有太多个，所以将数量限制在一天内，所以使用以下公式(6)，将t的数量维持在一天，即为 举例来说，今天的12点、12点5分及12点10分 值都不一样。但隔天的12点、12点5分及12点10分的 值与今天是一样的。

[0041]

[0042]

[0043] 重复了k次的混合预测车速 则是使用下述公式(7)，随着预测时间愈来愈长，在 连乘k次后其所占比例会越来越少， 的比例会愈来愈多，k到达一个临界值x后，只须计算出远期预测车速 即可，如公式(8)所示。而x值的选定，目前是选定当 的权重参数 小于0.1时，该k即为临界值x。当k小于x时，重复了k次的混合预测车速 计算如以下公式(7)所示，当k大于或等于x时，重复了k次的混合预测车速 计算如以下公式(8)所示。

[0044]

[0045]

[0046] 在本发明中，使用权重参数 来调整近期预测车速及远期预测车速所占的比例。权重参数 的计算方式是透过计算历史统计数据得出多组权重参数并使用最小平方法得出最佳的

[0047] 一条路径可以分成多个路段r1,r2,r3,…rz，其距离分别为d1,d2,d3,…dz，于时间t的预测速度 所以路段r1的行驶时间π1的计算方式如公式(9)，而路段ri的行驶时间πi的计算方式如公式(10)。最后，整条路径的行驶时间T，将各个路段的行驶时间加总，如公式(11)所示。

[0048]

[0049]

[0050]

[0051] 在预测阶段中，依照输入的时间及路径，利用上述建立模型阶段所建立的ARIMA模型，即可得出路径中各路段的近期预测车速、远期预测车速。接着，利用上述公式(7)来预测最终车速。接着，依照各路段的预测车速及距离，并预测路径行驶时间。

[0052] 随着交通流量逐年成长，如何准确、有效率地进行交通预测以节省时间及能源消耗十分重要，良好的路段车速及路径行驶时间的预测方法不仅可以帮助驾驶人规划行驶路线，亦可帮助舒缓交通拥塞，改善交通状况。本发明所揭示的车速预测方法，包括了远期预测稳定且平均的优点及近期预测可以反应临时变化的特色，同时考量了近期相关性与远期相关性，相较于传统的车速预测方法，将更为准确。

[0053] 虽然本发明已以多种实施方式揭露如上，然其并非用以限定本发明，任何熟悉此技艺者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视所附的权利要求书所界定的范围为准。