JP2004355537A

JP2004355537A - Traffic flow data prediction device and method

Info

Publication number: JP2004355537A
Application number: JP2003155357A
Authority: JP
Inventors: Toru Okita; 亨音喜多; Naoya Ikeda; 直弥池田; Toshihiko Oda; 利彦織田; Koichiro Iwaoka; 浩一郎岩岡
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 2003-05-30
Filing date: 2003-05-30
Publication date: 2004-12-16

Abstract

<P>PROBLEM TO BE SOLVED: To properly and easily predict traffic flow data after an arbitrary time by the use of accumulated past traffic flow data. <P>SOLUTION: In a processing part 7, a neighborhood time data extraction part 71 extracts data in past neighborhood time corresponding to neighborhood time to current prediction origin time and data in time corresponding to predicted time from the traffic flow data accumulated in a traffic flow database 6. A data similarity calculation part 72 calculates similarity between a date kind and time of a prediction origin and a predicted date kind and time, and patterns of the traffic flow data in the current prediction origin time and the extracted past neighbor time. A similar data extraction part 73 extracts the past traffic flow data similar to the traffic flow data of the current prediction origin time on the basis of the similarity. A traffic flow data prediction part 74 constructs a prediction model by use of the extracted similar traffic flow data, and substitutes the traffic flow data in the current prediction origin time for the prediction model, so as to predict and find the traffic flow data of the predicted time. <P>COPYRIGHT: (C)2005,JPO&NCIPI

Description

【０００１】
【発明の属する技術分野】
本発明は、道路交通分野、計測制御分野に係り、交通量などの交通流データを予測する交通流データ予測装置及び方法に関する。
【０００２】
【従来の技術】
過去のデータを用いて交通流データを予測する従来技術として、旅行時間の予測に適用されている統計差分／比例予測法がある。これは、過去に収集、蓄積したデータについて時間軸上における平均値を算出し、それを時刻に対するパターンとして予測元時刻と予測先時刻でトレースすることにより、将来の旅行時間を予測するものである。一般に、先験的な知識や道路の利用形態から、曜日等による複数のパターンが用意される（非特許文献１参照）。
【０００３】
また、他の例として、過去データを月や曜日等の特性に基づいて分類し、平均値を求めて生成した複数のパターンに予測先の月や曜日等の特性に応じた修正係数をかけて予測値を算出する修正係数法がある（非特許文献２参照）。
【０００４】
さらに、道路区間の単位であるリンクの旅行時間を蓄積しておき、予測対象の時刻前後における旅行時間から上限値と下限値を予測する方法がある。この方法では、旅行時間の予測にニューラルネットワークの適用を示唆している（特許文献１参照）。
【０００５】
一方、交通量を予測するものとして、過去の時間帯における交通量から求めたパターンを用いて予測を行う例がある（例えば、特許文献２参照）。また、非線形力学系理論に基づいた決定論的時系列モデルとファジィ理論によって交通量を予測するものがある（例えば、特許文献３参照）。
【０００６】
【非特許文献１】
「広域交通管制技術の研究報告ＩＩ」、（財）日本交通管理技術協会編、平成２年３月、Ｐ．７−６，７−７
【非特許文献２】
蛭阪隆著、「車両感知器データを用いた交通量変動特性の一分析」、科学警察研究所報告交通編、第４１巻、第２号、２００１年３月、Ｐ．８４−９１
【特許文献１】
特開２０００−８２１９１号公報（段落０００９−００１４、図１）
【特許文献２】
特開平５−２８７９９７号公報（段落００２０−００２４、図１）
【特許文献３】
特開平６−２０１８８号公報（段落００１８−００２２、図１）
【０００７】
【発明が解決しようとする課題】
交通状況は、日時や交通量等によって異なる様相を呈する。そのため、従来の統計差分／比例予測法や修正係数法による予測方法、或いは過去の時間帯における交通量から求めたパターンを用いて予測を行うものでは、過去のデータから予測対象の道路の環境や使用状況、交通事情に応じて適切な数のパターンを生成し、それらを適宜選択して適用すると共に、経年変化に追従して適切なタイミングでパターンを更新する必要がある。
【０００８】
したがって、上記従来の方法では、道路網を対象とする場合に、膨大な数のパターンを用意しなければならず、その維持管理に多大な労力とコストを必要とする。この場合、交通流データの予測を行う際に、いずれも時刻や曜日等に類似性を仮定し、予測元或いは予測先いずれかの日種や時刻を基準にしてパターンを選択し、差分や比例に基づいてトレースするので、生成パターンに依存してしまう面がある。予測の精度を確保するためには、一つの予測対象に対して多数のパターンを用意する必要がある。
【０００９】
また、予測対象の時刻前後における旅行時間から上下限値を予測する方法では、当時刻のみに依存しており、データパターンを考慮して予測するものではない。従って、交通状況が異なったり日時によって変動するような場合には、適合しない可能性が考えられる。また、ニューラルネットワークを適用する方法は、任意の入力と出力、すなわち予測値間のパターンをネットワーク中に記憶、学習させる方法であり、このパターンの生成や更新等に関して、前述したパターンを用いる方法と同様の問題が生じる。
【００１０】
さらに、決定論的時系列モデルを用いる例では、過去の交通量データパターンを利用しているものの、比較的短期的な予測を行うものであり、予測元と予測先の時刻等の特性が考慮されていない。予測処理では、通常、時系列データをベクトルとみなしてパターンマッチングを行うが、全ての過去データを対象とするので計算コストが大きくなる。
【００１１】
本発明は、上記事情に鑑みてなされたもので、蓄積された過去の交通流データを有効に活用して、道路交通状況に適合しつつ、処理負荷を軽減して、簡便に交通流データを予測することのできる交通流データ予測装置及び方法を提供することを目的とする。
【００１２】
【課題を解決するための手段】
本発明の交通流データ予測装置は、道路に設置された計測手段により収集された交通流データを用いて、現在の予測元時刻に対して任意時間先の予測先時刻における交通流データを予測する交通流データ予測装置であって、前記予測元時刻における現在の交通流データと、蓄積された過去の交通流データのうちの前記予測元時刻及び前記予測先時刻に該当する時刻における類似する過去の交通流データとに基づき、前記予測先時刻における交通流データを算出する交通流データ予測手段を備えるものである。
【００１３】
上記構成により、予測のためにデータパターンや予測モデルを予め用意する必要がなく、蓄積された過去の交通流データを活用して、交通状況や日種等に対応した交通流データの的確な予測を簡便に行うことが可能となる。
【００１４】
また、好ましくは、上記の交通流データ予測装置であって、前記蓄積された過去の交通流データにおいて、前記現在の予測元時刻に近傍する時刻のデータとこのデータに対して前記任意時間先の予測先時刻に該当する時刻のデータとを抽出する近傍時刻データ抽出手段を備えるものとする。
【００１５】
上記構成により、過去の交通流データを利用して、時間軸上における変動を考慮に入れながら対象とするデータを絞り込むことが可能である。
【００１６】
また、好ましくは、上記の交通流データ予測装置であって、前記現在の予測元時刻における交通流データのパターンと予測元及び予測先の日種及び時刻に対する、前記過去の予測元時刻に近傍する時刻における交通流データのパターンと予測元及び予測先の日種及び時刻の類似度を算出するデータ類似度算出手段を備えるものとする。
【００１７】
上記構成により、現在の予測元時刻と抽出した過去の近傍する時刻とにおける交通状況の類似性と、予測元及び予測先の日種及び時刻に関する類似性とを合わせて評価することが可能となる。
【００１８】
また、好ましくは、上記の交通流データ予測装置であって、前記算出した交通流データの類似度に基づいて、前記現在の予測元時刻における交通流データと予測元及び予測先の日種及び時刻に対して、類似する過去の交通流データを抽出する類似データ抽出手段を備えるものとする。
【００１９】
上記構成により、現在の予測元時刻の交通状況と予測元及び予測先の日種及び時刻に対して、過去の交通流データの中から交通状況と日種及び時刻に関して類似性の高い交通流データを抽出することが可能となる。
【００２０】
また、好ましくは、上記の交通流データ予測装置であって、前記交通流データ予測手段は、前記抽出した過去の予測元時刻と予測先時刻における類似する交通流データを用いて予測モデルを構築し、この予測モデルと前記現在の予測元時刻における交通流データとから前記予測先時刻における交通流データを算出するものとする。
【００２１】
上記構成により、現在の交通状況や日種及び時刻に類似する条件での予測モデルを構築でき、この予測モデルと現在の予測元時刻における交通流データとによって将来の予測先時刻における交通流データを精度良く予測することが可能となる。
【００２２】
本発明の交通流データ予測装置は、道路に設置された計測手段により収集された交通流データを用いて、現在の予測元時刻に対して任意時間先の予測先時刻における交通流データを予測する交通流データ予測装置であって、蓄積された過去の交通流データにおいて、前記現在の予測元時刻に近傍する時刻のデータとこのデータに対して前記任意時間先の予測先時刻に該当する時刻のデータとを抽出する近傍時刻データ抽出手段と、前記現在の予測元時刻における交通流データのパターンと予測元及び予測先の日種及び時刻に対する、前記過去の予測元時刻に近傍する時刻における交通流データのパターンと予測元及び予測先の日種及び時刻の類似度を算出するデータ類似度算出手段と、前記算出した交通流データの類似度に基づいて、前記現在の予測元時刻における交通流データと予測元及び予測先の日種及び時刻に対して、類似する過去の交通流データを抽出する類似データ抽出手段と、前記抽出した過去の予測元時刻と予測先時刻における類似する交通流データを用いて予測モデルを構築し、この予測モデルと前記現在の予測元時刻における交通流データとから前記予測先時刻における交通流データを算出する交通流データ予測手段とを含む処理部を備え、前記処理部は、前記交通流データを蓄積するデータベースから転送された交通流データを記憶する記憶手段と、前記近傍時刻データ抽出手段、前記データ類似度算出手段、前記類似データ抽出手段、前記交通流データ予測手段の各機能を実現する演算処理手段とを有するものである。
【００２３】
上記構成により、予測のためにデータパターンや予測モデルを予め用意する必要がなく、蓄積された過去の交通流データを活用して、交通状況や日種等に対応した予測モデルを構築でき、将来の予測先時刻における交通流データを精度良くかつ簡便に予測することが可能となる。
【００２４】
本発明の交通流データ予測方法は、道路に設置された計測手段により収集された交通流データを用いて、現在の予測元時刻に対して任意時間先の予測先時刻における交通流データを予測する交通流データ予測方法であって、前記予測元時刻における現在の交通流データと、蓄積された過去の交通流データのうちの前記予測元時刻及び前記予測先時刻に該当する時刻における類似する過去の交通流データとに基づき、前記予測先時刻における交通流データを算出するステップを有するものである。
【００２５】
上記手順により、予測のためにデータパターンや予測モデルを予め用意する必要がなく、蓄積された過去の交通流データを活用して、交通状況や日種等に対応した交通流データの的確な予測を簡便に行うことが可能となる。
【００２６】
本発明の交通流データ予測方法は、道路に設置された計測手段により収集された交通流データを用いて、現在の予測元時刻に対して任意時間先の予測先時刻における交通流データを予測する交通流データ予測方法であって、蓄積された過去の交通流データにおいて、前記現在の予測元時刻に近傍する時刻のデータとこのデータに対して前記任意時間先の予測先時刻に該当する時刻のデータとを抽出するステップと、前記現在の予測元時刻における交通流データのパターンと予測元及び予測先の日種及び時刻に対する、前記過去の予測元時刻に近傍する時刻における交通流データのパターンと予測元及び予測先の日種及び時刻の類似度を算出するステップと、前記算出した交通流データの類似度に基づいて、前記現在の予測元時刻における交通流データと予測元及び予測先の日種及び時刻に対して、類似する過去の交通流データを抽出するステップと、前記抽出した過去の予測元時刻と予測先時刻における類似する交通流データを用いて予測モデルを構築し、この予測モデルと前記現在の予測元時刻における交通流データとから前記予測先時刻における交通流データを算出するステップとを有するものである。
【００２７】
上記手順により、予測のためにデータパターンや予測モデルを予め用意する必要がなく、蓄積された過去の交通流データを活用して、交通状況や日種等に対応した予測モデルを構築でき、将来の予測先時刻における交通流データを精度良くかつ簡便に予測することが可能となる。
【００２８】
【発明の実施の形態】
図１は、本発明の実施形態に係る交通流データ予測装置を含むシステム全体の構成を示すブロック図である。本実施形態では、交通流データの中で代表的な交通量を予測する場合を例に説明する。
【００２９】
交通流データ予測装置は、道路４上の上流地点及び下流地点に設置された超音波感知器等による車両感知器（計測手段の一例に相当する）３と、この車両感知器３で道路４上を走行する車両５を検知したデータを蓄積する交通流データベース６とを用いて、処理部７において予測元時刻のデータから予測先時刻での交通量を算出するものである。処理部７は、演算処理手段であるプロセッサと記憶手段であるメモリとを有する制御処理部と、この制御処理部において動作するソフトウェアプログラムとにより実現される。
【００３０】
本実施形態は、例えば、交通量等の情報を含む交通流データを予め収集して蓄積した交通流データベースを利用して、交通量等の予測を行い、予測結果を道路交通情報の提供や交通管制における信号制御、管理又は運営などに活用する場合に好適である。
【００３１】
交通流データベース６には、道路４上を走行する車両５を車両感知器３で検知し、所定の処理を行って得られた交通量データが蓄積される。この場合、車両感知器３で取得した車両データに基づいて、単位時間に通過する車両の台数、即ち交通量を５分毎に集計する。例えば、２３時５５分から２４時までの５分間の交通量は、ｔ＝２４：００の５分間交通量Ｑ（ｔ）として集計され、交通流データベース６に蓄積されていくものとする。
【００３２】
また、交通流データベース６には、各所で計測された過去の一定期間、例えば、２，３ヶ月〜１年間分の５分間交通量Ｑ（ｔ）のデータが計測日時や日種のデータと共に蓄積されている。図２は、交通流データベース６に蓄積された交通量に関するデータベース構造の例を模式的に示したものである。ここでは、日種を平日、土曜日、日曜日、祝祭日や連休等の特殊日の４種類とし、これらを曜日の関係を考慮して便宜的に１〜４に番号付けしている。
【００３３】
処理部７は、内蔵するメモリに格納されたソフトウェアプログラムに従って、現在までの５分間交通量Ｑ（ｔ）のデータと、交通流データベース６に蓄積されている過去の交通量データとにより、将来における交通量の予測処理を行う。例えば、現在の時刻、即ち予測元時刻ｔ０を２００２年０７月２８日、日曜日の２４：００とし、ここまでの５分間交通量のデータが蓄積されているものと想定した場合、予測先時刻ｔ１を６時間先、つまり５分間交通量のデータ数ｍが７２個発生した後の２００２年０７月２９日、月曜日の６：００とし、その時刻において集計されるであろう５分間交通量を予測する。
【００３４】
上記予測処理のために、処理部７は、近傍時刻データ抽出部７１と、データ類似度算出部７２と、類似データ抽出部７３と、交通流データ予測部７４とを有してなる機能ブロックを備えている。
【００３５】
以下、各機能ブロックの機能及び動作について、フローチャートを用いて詳細に説明する。
【００３６】
近傍時刻データ抽出部７１は、現在の予測元時刻に近傍する時刻に相当する過去の時刻（以下、過去近傍時刻と称する）の交通量データであり、この過去近傍時刻に対して、予測対象である任意の予測先時刻に相当する過去の時刻における交通量データがある場合、過去近傍時刻の日時を近傍時刻データとして抽出する。なお、本実施形態では時刻の近傍を±３０分とする。従って、予測元時刻が２４：００の場合、近傍時刻は２３：３０〜００：３０となる。
【００３７】
図３は近傍時刻データ抽出部７１の処理手順を示すフローチャートである。まず、交通流データベース６から全て（例えば、３ヶ月分）の過去の交通量データを読み込んで、処理部７の図示しないメモリに記憶する（ステップＳ３０１）。次いで、現在の予測元時刻に相当する過去近傍時刻２３：３０〜００：３０内のデータであって、この過去近傍時刻に対して予測先時刻に相当する時刻、例えば６時間先の交通量データが存在するか否かを判定する（ステップＳ３０２）。
【００３８】
その結果、該当する交通量データがあれば、過去近傍時刻の日時を近傍時刻データとしてメモリに記憶する（ステップＳ３０３）。一方、対象にした過去データに該当する交通量データがない場合は、次のステップＳ３０４に進む。次に、ステップＳ３０４では、読み込んだ全ての過去データについて上記の処理が終了したか否かを判定し、終了していない場合はステップＳ３０２に戻り、次の過去の交通量データについて同様の処理を繰り返す。このようにして、交通流データベース６に蓄積された交通量データの中から近傍時刻データを抽出する。
【００３９】
データ類似度算出部７２は、現在の予測元時刻までの時系列の交通量データと、近傍時刻データ抽出部７１で抽出した近傍時刻データの交通量データとをそれぞれベクトルとみなした場合の両ベクトル間の距離と、現在の予測元及び予測先の日種と、前記抽出した近傍時刻データの相当する予測元及び予測先の日種との差異によって、類似度を算出する。
【００４０】
図４はデータ類似度算出部７２の処理手順を示すフローチャートである。まず、処理部７のメモリから前記記憶した過去の全ての交通量データと、近傍時刻データ抽出部７１で抽出した近傍時刻データとを読み出す（ステップＳ４０１、Ｓ４０２）。以降、時系列の交通量データをベクトルとして、過去の近傍時刻データを対象に以下の距離算出の処理を適用する。この場合、対象は、近傍時刻データのうち必要なデータが揃っている時刻のデータである。
【００４１】
本実施形態では、現在の予測元時刻から過去一定時間内のデータを１つのベクトルとみなし、同様に、各近傍時刻データの対応時刻から過去の同一時間内のデータで構成する同次元のベクトルとの間の距離を算出する。具体的には、予測元時刻を含め３時間を一定時間とすると、５分間の交通量データの場合、その時刻から過去に遡ってｎ＝３６個の交通量データを対象として３６次元のベクトルを考える。そして、この予測元時刻での交通量データのベクトルを基準ベクトルとし、この基準ベクトルと過去近傍時刻における同次元の交通量データによるベクトルとの間のユークリッド距離ｄを算出する（ステップＳ４０３）。
【００４２】
距離ｄは、予測元時刻をｔ、基準ベクトルをＶ（ｔ）＝｛Ｑ（ｔ），Ｑ（ｔ−１），…，Ｑ（ｔ−ｎ）｝、過去近傍時刻をｔ−ｊとしたときの交通量データのベクトルをＶ（ｔ−ｊ）＝｛Ｑ（ｔ−ｊ），Ｑ（ｔ−ｊ−１），…，Ｑ（ｔ−ｊ−ｎ）｝とし、次式（１）によりｄ（ｔ−ｊ）として算出する。
【００４３】
【数１】

【００４４】
次いで、ステップＳ４０４では、現在の予測元時刻ｔの日種Ｋ（ｔ）と過去近傍時刻ｔ−ｊの日種Ｋ（ｔ−ｊ）との差異Ｋｄ（ｔ−ｊ）を算出する。具体的には、次式（２）によって、両者の日種の差の絶対値を求める。ここで、差異Ｋｄ（ｔ−ｊ）は日種が同じなら０となる。
Ｋｄ（ｔ−ｊ）＝｜Ｋ（ｔ）−Ｋ（ｔ−ｊ）｜ …（２）
【００４５】
同様に、ステップＳ４０５では、予測する任意時間先、ここでは現在より６時間先の予測先時刻ｔ＋ｎ（ｎ＝７２）の日種Ｋ（ｔ＋ｎ）と、過去近傍時刻ｔ−ｊに対する予測先時刻に相当する時刻ｔ−ｊ＋ｎの日種Ｋ（ｔ−ｊ＋ｎ）との差異Ｋｄ（ｔ−ｊ＋ｎ）を、次式（３）によって算出する。
Ｋｄ（ｔ−ｊ＋ｎ）＝｜Ｋ（ｔ＋ｎ）−Ｋ（ｔ−ｊ＋ｎ）｜ …（３）
【００４６】
ステップＳ４０６では、上記式（２）、（３）で得られた予測元時刻及び予測先時刻に関する日種の差異と、式（１）で求めた現在の予測元時刻と過去近傍時刻における交通量ベクトル間の距離ｄ（ｔ−ｊ）とを用いて、次式（４）によってデータ類似度を算出する。ここでは、Ｋｄ（ｔ−ｊ）及びＫｄ（ｔ−ｊ＋ｎ）の和と交通量ベクトル間の距離ｄ（ｔ−ｊ）との積に１を加えた値の逆数をとり、データ類似度Ｓ（ｔ−ｊ）を求める。

【００４７】
そして、上記のようにして求めたデータ類似度Ｓ（ｔ−ｊ）を、近傍時刻データと対にしてデータセットとして処理部７のメモリに記憶する（ステップＳ４０７）。
【００４８】
次いで、ステップＳ４０８では、読み込んだ全ての過去データについて上記の処理が終了したか否かを判定し、終了していない場合はステップＳ４０３に戻って同様の処理を繰り返す。
【００４９】
類似データ抽出部７３は、データ類似度算出部７２において算出したデータ類似度に基づいて、現在の予測元時刻における交通量データと予測先時刻に対し、類似する過去の交通量データを抽出する。上記式（４）からわかるように、データ類似度Ｓ（ｔ−ｊ）は、その値が大きいほど類似しているとみなすことができるため、データ類似度に従って過去近傍時刻において類似しているデータを抽出することができる。
【００５０】
図５は類似データ抽出部７３の処理手順を示すフローチャートである。まず、処理部７のメモリから上記記憶したデータ類似度Ｓ（ｔ−ｊ）と近傍時刻データからなるデータセットを読み出し（ステップＳ５０１）、次いで、データ類似度Ｓ（ｔ−ｊ）に基づいて降順にソート（並び替え）する（ステップＳ５０２）。そして、ソートしたデータセットから上位の任意個数ｐ個、例えばｐ＝１０個の近傍時刻データを抽出して（ステップＳ５０３）、これらを処理部７のメモリに格納する（ステップＳ５０４）。
【００５１】
交通流データ予測部７４は、類似データ抽出部７３において抽出した近傍時刻データの過去近傍時刻（予測元時刻に相当する）における交通量データと、この過去近傍時刻に対して予測先時刻に相当する時刻における交通量データとから、予測モデルを構築し、これに現在の予測元時刻における交通量データを適用することにより、予測先時刻における交通量データの予測を行う。
【００５２】
図６は交通流データ予測部７４の処理手順を示すフローチャートである。まず、類似データ抽出部７３で抽出したｐ個（ｐ＝１０）の近傍時刻データの交通量データを処理部７のメモリから読み出す（ステップＳ６０１）。続いて、過去の全ての交通量データを読み出す（ステップＳ６０２）。
【００５３】
次いで、ステップＳ６０３では、予測元時刻に対して抽出された過去近傍時刻におけるｐ個の交通量データＱ（ｔ−ｊ）ｐと、この過去近傍時刻に対応する予測先時刻に相当する時刻における交通量データＱ（ｔ−ｊ＋ｎ）ｐとを用いて、次式（５）に示すような線形モデルを仮定し、係数ａ、ｂを最小自乗法により決定して予測モデルを構築する。
Ｑ（ｔ−ｊ＋ｎ）ｐ＝ａ×Ｑ（ｔ−ｊ）ｐ＋ｂ …（５）
【００５４】
次に、作成した予測モデルに現在の予測元時刻ｔ０における交通量Ｑ（ｔ０）を代入して、次式（６）に示すように予測先時刻における交通量Ｑ（ｔ１）を求める（ステップＳ６０４）。
Ｑ（ｔ１）＝ａ×Ｑ（ｔ０）＋ｂ …（６）
【００５５】
そして、算出した予測交通量データを処理部７のメモリに格納して保存する（ステップＳ６０５）。
【００５６】
このようにして、過去の交通量データを利用して、現在の予測元時刻における交通量データから、将来の予測先時刻における交通量データを予測することができる。得られた予測交通量データは、処理部７を通じて出力したり他装置等でアクセス可能とすればよい。これにより、道路交通情報の提供や交通管制における信号制御等への応用が可能となる。
【００５７】
実際の予測時には、上記の各処理をそれぞれの時刻や計測地点毎に順次繰り返すことになる。例えば、車両の走行に伴う時間の経過及び計測地点毎に上記各機能ブロックの処理を繰り返すことにより、時間や位置に応じて交通量を連続して予測することも可能である。
【００５８】
なお、本実施形態では、予測対象の交通流データについて交通量データを例にして説明したが、他の交通流データ、例えば速度、旅行時間、占有率（所定区間の道路上に車両が存在する割合、車両が感知される割合）、占有時間（所定区間の道路において特定の車両が存在する時間、特定の車両が感知される時間）、密度（所定区間の道路における車両数）等においても、同様に適用できることはいうまでもない。
【００５９】
以上のように、本実施形態の交通流データ予測装置及びその動作手順による交通流データ予測方法では、道路４上に設置された車両感知器３で計測され、交通流データベース６に蓄積された交通流データを用いて、処理部７により任意時間先の交通流データを予測する。この処理部７において、近傍時刻データ抽出部７１は、交通流データベース６に蓄積された交通流データから、現在の予測元時刻に対して近傍の時刻に該当する過去の近傍時刻におけるデータと、この近傍時刻に対し任意時間先の予測先時刻に該当する時刻におけるデータとを抽出する。
【００６０】
また、データ類似度算出部７２は、現在の予測元時刻における交通流データのパターンと予測元及び予測先の日種、時刻に対する、抽出した過去近傍時刻における交通流データのパターンと予測元及び予測先の日種、時刻の類似度を算出する。そして、類似データ抽出部７３は、算出した交通流データの類似度に基づいて、現在の予測元時刻における交通流データと予測元及び予測先の日種、時刻に対して、類似する過去の時刻における交通流データを抽出する。
【００６１】
さらに、交通流データ予測部７４は、抽出した過去の予測元時刻と予測先時刻に相当する時刻における類似の交通流データを用いて、予測モデルを構築し、この予測モデルと現在の予測元時刻における交通流データとから、予測先時刻の交通流データを算出する。
【００６２】
これにより、交通流データベース６に収集され蓄積された過去の交通流データや日時データを効果的に活用して、現在の予測元時刻における交通流データから、予測先時刻における交通流データを簡便にかつ精度良く予測することができ、交通状況や道路利用状況等に応じた的確な予測が可能となる。
【００６３】
また、予測の際には、蓄積された交通流データを用いるだけであり、データに応じて予測モデルを逐次構築するため、日種や時刻などに合わせて多数の予測モデルやデータパターンを事前に準備しておく必要がなく、かつ、予測精度に関わるデータパターンの更新も不要であり、処理負荷や維持管理のコストを低減できる。また、本実施形態の予測方法は、種々の交通流データに適用することができ、システムを安価に構築することができる。
【００６４】
【発明の効果】
以上説明したように本発明によれば、蓄積された過去の交通流データを有効に活用して、道路交通状況に適合しつつ、処理負荷を軽減して、簡便に交通流データを予測することのできる交通流データ予測装置及び方法を提供可能である。
【図面の簡単な説明】
【図１】本発明の実施形態に係る交通流データ予測装置を含むシステム全体の構成を示すブロック図
【図２】交通流データベースに蓄積された交通量に関するデータベース構造の例を示す模式図
【図３】本実施形態における近傍時刻データ抽出部の処理手順を示すフローチャート
【図４】本実施形態におけるデータ類似度算出部の処理手順を示すフローチャート
【図５】本実施形態における類似データ抽出部の処理手順を示すフローチャート
【図６】本実施形態における交通流データ予測部の処理手順を示すフローチャート
【符号の説明】
３車両感知器
４道路
５車両
６交通流データベース
７処理部
７１近傍時刻データ抽出部
７２データ類似度算出部
７３類似データ抽出部
７４交通流データ予測部[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to the field of road traffic and the field of measurement control, and relates to a traffic flow data prediction device and method for predicting traffic flow data such as traffic volume.
[0002]
[Prior art]
As a conventional technique for predicting traffic flow data using past data, there is a statistical difference / proportional prediction method applied to prediction of travel time. This is to predict the future travel time by calculating an average value on the time axis for data collected and accumulated in the past, and tracing the average value as a pattern with respect to the time at the prediction source time and the prediction destination time. . Generally, a plurality of patterns based on a day of the week or the like are prepared based on a priori knowledge or a use form of a road (see Non-Patent Document 1).
[0003]
Further, as another example, past data is classified based on characteristics such as months and days of the week, and a plurality of patterns generated by calculating an average value are multiplied by a correction coefficient according to the characteristics such as months and days of the week to be predicted. There is a correction coefficient method for calculating a predicted value (see Non-Patent Document 2).
[0004]
Further, there is a method in which the travel time of a link which is a unit of a road section is accumulated, and the upper limit value and the lower limit value are predicted from the travel times before and after the time to be predicted. This method suggests the application of a neural network to travel time prediction (see Patent Document 1).
[0005]
On the other hand, there is an example of predicting a traffic volume using a pattern obtained from a traffic volume in a past time zone (for example, refer to Patent Document 2). In addition, there is one that predicts traffic volume by a deterministic time series model based on a nonlinear dynamical system theory and a fuzzy theory (for example, see Patent Document 3).
[0006]
[Non-patent document 1]
"Research Report on Wide Area Traffic Control Technology II", edited by Japan Traffic Management Technology Association, March 1990, p. 7-6,7-7
[Non-patent document 2]
Takashi Hirusaka, "Analysis of Traffic Fluctuation Characteristics Using Vehicle Detector Data", Science Police Research Institute, Report, Vol. 41, No. 2, March 2001, p. 84-91
[Patent Document 1]
JP-A-2000-82191 (paragraph 0009-0014, FIG. 1)
[Patent Document 2]
JP-A-5-287997 (paragraph 0020-0024, FIG. 1)
[Patent Document 3]
JP-A-6-20188 (paragraph 0018-0022, FIG. 1)
[0007]
[Problems to be solved by the invention]
The traffic situation has different aspects depending on the date and time, the traffic volume, and the like. For this reason, in the conventional prediction method using the statistical difference / proportional prediction method or the correction coefficient method, or in the case where the prediction is performed using the pattern obtained from the traffic volume in the past time zone, the environment of the road to be predicted from the past data is determined. It is necessary to generate an appropriate number of patterns according to the use situation and traffic conditions, appropriately select and apply the patterns, and update the patterns at appropriate timing in accordance with aging.
[0008]
Therefore, in the above-mentioned conventional method, when targeting a road network, an enormous number of patterns must be prepared, and maintenance and management thereof require a great deal of labor and cost. In this case, when predicting the traffic flow data, all of them are assumed to be similar to the time and day of the week, and a pattern is selected based on the day type or time of either the prediction source or the prediction destination, and the difference or proportionality is calculated. Since the trace is performed based on the pattern, there is an aspect that the trace depends on the generated pattern. In order to ensure the accuracy of prediction, it is necessary to prepare many patterns for one prediction target.
[0009]
Further, the method of estimating the upper and lower limits from the travel time before and after the time of the prediction target depends only on the current time, and does not perform the prediction in consideration of the data pattern. Therefore, when the traffic condition is different or fluctuates depending on the date and time, it is possible that the traffic condition does not match. In addition, a method of applying a neural network is a method of storing and learning an arbitrary input and output, that is, a pattern between predicted values in a network, and generating and updating the pattern, using a method using the above-described pattern. A similar problem arises.
[0010]
Furthermore, in the example using the deterministic time series model, although a past traffic volume data pattern is used, a relatively short-term prediction is performed, and characteristics such as the time of the prediction source and the prediction destination are taken into consideration. It has not been. In the prediction processing, pattern matching is usually performed by regarding time-series data as a vector, but the calculation cost increases because all past data is targeted.
[0011]
The present invention has been made in view of the above circumstances, and effectively utilizes accumulated past traffic flow data, adapts to road traffic conditions, reduces the processing load, and can easily generate traffic flow data. It is an object of the present invention to provide a traffic flow data prediction device and method capable of predicting traffic flow data.
[0012]
[Means for Solving the Problems]
The traffic flow data prediction device of the present invention predicts traffic flow data at a prediction destination time an arbitrary time ahead of a current prediction source time using traffic flow data collected by a measuring unit installed on a road. A traffic flow data prediction device, comprising: a current traffic flow data at the prediction source time; and a similar past traffic flow at a time corresponding to the prediction source time and the prediction destination time in the accumulated past traffic flow data. It is provided with a traffic flow data prediction means for calculating traffic flow data at the prediction destination time based on the traffic flow data.
[0013]
With the above configuration, there is no need to prepare a data pattern or a prediction model in advance for prediction, and accurate prediction of traffic flow data corresponding to traffic conditions, day type, and the like is performed by utilizing accumulated past traffic flow data. Can be easily performed.
[0014]
Further, preferably, in the traffic flow data prediction device, in the accumulated past traffic flow data, the data of the time near the current prediction source time and the arbitrary time ahead of this data with respect to this data It is provided with a nearby time data extracting means for extracting data of a time corresponding to the predicted time.
[0015]
With the above configuration, it is possible to narrow down target data using past traffic flow data while taking into account fluctuations on the time axis.
[0016]
Also preferably, in the traffic flow data prediction device, the traffic flow data pattern at the current prediction source time and the past prediction source time for the type and time of the prediction source and prediction destination are close to the past prediction source time. A data similarity calculating unit for calculating the similarity between the pattern of the traffic flow data at the time and the day type and the time of the prediction source and the prediction destination is provided.
[0017]
With the above configuration, it is possible to evaluate the similarity of the traffic situation between the current prediction source time and the extracted past neighboring time, and the similarity regarding the date type and time of the prediction source and the prediction destination together. .
[0018]
Preferably, in the traffic flow data prediction device, based on the calculated similarity of the traffic flow data, the traffic flow data at the current prediction source time and the day type and time of the prediction source and the prediction destination are used. And a similar data extracting means for extracting similar past traffic flow data.
[0019]
With the above configuration, the traffic situation at the current prediction source time and the type and time of the prediction source and the prediction destination are similar to the traffic situation data and the day type and time from the past traffic flow data. Can be extracted.
[0020]
Also preferably, in the above traffic flow data prediction device, the traffic flow data prediction means constructs a prediction model using similar traffic flow data at the extracted past prediction source time and prediction destination time. The traffic flow data at the prediction destination time is calculated from the prediction model and the traffic flow data at the current prediction source time.
[0021]
With the above configuration, it is possible to construct a prediction model under conditions similar to the current traffic situation, day type, and time, and to use this prediction model and traffic flow data at the current prediction source time to generate traffic flow data at a future prediction destination time. Prediction can be made with high accuracy.
[0022]
The traffic flow data prediction device of the present invention predicts traffic flow data at a prediction destination time an arbitrary time ahead of a current prediction source time using traffic flow data collected by a measuring unit installed on a road. A traffic flow data prediction device, wherein, in accumulated past traffic flow data, data of a time near the current prediction source time and a time corresponding to the prediction destination time of the arbitrary time destination with respect to this data. A nearby time data extracting means for extracting data and a traffic flow data pattern at the current prediction source time and a traffic flow at a time near the past prediction source time with respect to the day and time of the prediction source and the prediction destination. Data similarity calculating means for calculating the similarity between the data pattern and the day type and time of the prediction source and the prediction destination; and the current similarity based on the calculated similarity of the traffic flow data. Similar data extracting means for extracting similar past traffic flow data with respect to the traffic flow data at the prediction source time and the day type and time of the prediction source and prediction destination, and the extracted past prediction source time and prediction destination A traffic flow data predicting means for constructing a prediction model using similar traffic flow data at time and calculating the traffic flow data at the prediction destination time from the prediction model and the traffic flow data at the current prediction source time; A processing unit that stores traffic flow data transferred from a database that stores the traffic flow data, the nearby time data extraction unit, the data similarity calculation unit, and the similar data. It has an extracting means and an arithmetic processing means for realizing each function of the traffic flow data predicting means.
[0023]
With the above configuration, it is not necessary to prepare a data pattern or a prediction model in advance for prediction, and it is possible to construct a prediction model corresponding to traffic conditions, day types, etc. using accumulated past traffic flow data, It is possible to accurately and easily predict traffic flow data at the predicted destination time.
[0024]
A traffic flow data prediction method according to the present invention predicts traffic flow data at a prediction destination time at an arbitrary time ahead of a current prediction source time using traffic flow data collected by a measuring unit installed on a road. A traffic flow data prediction method, wherein the current traffic flow data at the prediction source time and the similar past traffic flow at a time corresponding to the prediction source time and the prediction destination time in the accumulated past traffic flow data. A step of calculating traffic flow data at the predicted destination time based on the traffic flow data.
[0025]
By the above procedure, it is not necessary to prepare a data pattern or a prediction model in advance for prediction, and accurate prediction of traffic flow data corresponding to traffic conditions, day type, etc., utilizing accumulated past traffic flow data Can be easily performed.
[0026]
A traffic flow data prediction method according to the present invention predicts traffic flow data at a prediction destination time at an arbitrary time ahead of a current prediction source time using traffic flow data collected by a measuring unit installed on a road. A traffic flow data prediction method, wherein in accumulated past traffic flow data, data of a time near the current prediction source time and a time corresponding to the prediction destination time of the arbitrary time destination with respect to this data. Extracting data and a pattern of traffic flow data at the current prediction source time and a pattern of traffic flow data at a time close to the past prediction source time with respect to the type and time of the prediction source and prediction destination. Calculating the similarity between the day type and the time of the prediction source and the prediction destination; and calculating the traffic at the current prediction source time based on the calculated similarity of the traffic flow data. Extracting similar past traffic flow data for the data and the prediction source and prediction destination day type and time; and using the extracted past prediction source time and similar traffic flow data at the prediction destination time. Constructing a prediction model and calculating traffic flow data at the prediction destination time from the prediction model and the traffic flow data at the current prediction source time.
[0027]
According to the above procedure, it is not necessary to prepare a data pattern or a prediction model for prediction in advance, and a prediction model corresponding to traffic conditions and day types can be constructed by utilizing accumulated past traffic flow data. It is possible to accurately and easily predict traffic flow data at the predicted destination time.
[0028]
BEST MODE FOR CARRYING OUT THE INVENTION
FIG. 1 is a block diagram illustrating a configuration of an entire system including a traffic flow data prediction device according to an embodiment of the present invention. In the present embodiment, a case will be described as an example where a typical traffic volume is predicted in traffic flow data.
[0029]
The traffic flow data prediction device includes a vehicle sensor (corresponding to an example of a measuring unit) 3 such as an ultrasonic sensor installed at an upstream point and a downstream point on a road 4, and a vehicle sensor 3 on the road 4. The processing unit 7 calculates the traffic volume at the prediction destination time from the data of the prediction source time using the traffic flow database 6 that stores the data obtained by detecting the vehicle 5 traveling on the vehicle. The processing unit 7 is realized by a control processing unit having a processor as an arithmetic processing unit and a memory as a storage unit, and a software program operating in the control processing unit.
[0030]
In the present embodiment, for example, a traffic flow database including traffic flow data including traffic flow information and the like is previously collected and accumulated, and the traffic flow and the like are predicted. It is suitable for use in signal control, management or operation in traffic control.
[0031]
The traffic flow database 6 stores traffic data obtained by detecting the vehicle 5 traveling on the road 4 with the vehicle sensor 3 and performing predetermined processing. In this case, based on the vehicle data acquired by the vehicle sensor 3, the number of vehicles passing per unit time, that is, the traffic volume is totaled every 5 minutes. For example, the traffic volume for 5 minutes from 23:55 to 24:00 is counted as the traffic volume Q (t) for 5 minutes at t = 24: 00, and is accumulated in the traffic flow database 6.
[0032]
Further, in the traffic flow database 6, data of the traffic volume Q (t) for a certain period in the past measured at various places, for example, for two to three months to one year, is accumulated together with the data of the measurement date and time and the type of day. Have been. FIG. 2 schematically shows an example of a database structure related to the traffic volume stored in the traffic flow database 6. Here, there are four types of special days, such as weekdays, Saturdays, Sundays, holidays, and consecutive holidays, and these are numbered 1 to 4 for convenience in consideration of the relationship between the days of the week.
[0033]
The processing unit 7 uses the data of the traffic volume Q (t) for the past 5 minutes and the past traffic volume data stored in the traffic flow database 6 in the future according to the software program stored in the built-in memory. Perform traffic volume prediction processing. For example, assuming that the current time, that is, the prediction source time t0 is 24:00 on Sunday, July 28, 2002 and that the traffic volume data has been accumulated for five minutes up to this time, the prediction destination time t1 Is set to 6 hours ahead, that is, 7:00 on Monday, July 29, 2002 after 72 data numbers m of traffic volume have been generated for 5 minutes, and the traffic volume for 5 minutes that will be aggregated at that time is predicted. I do.
[0034]
For the above-described prediction processing, the processing unit 7 includes a functional block including a nearby time data extraction unit 71, a data similarity calculation unit 72, a similar data extraction unit 73, and a traffic flow data prediction unit 74. Have.
[0035]
Hereinafter, the function and operation of each functional block will be described in detail with reference to flowcharts.
[0036]
The near time data extraction unit 71 is traffic volume data of a past time (hereinafter, referred to as a past near time) corresponding to a time near the current prediction source time. If there is traffic volume data at a past time corresponding to a given prediction destination time, the date and time of the past near time is extracted as near time data. In this embodiment, the vicinity of the time is ± 30 minutes. Therefore, when the prediction source time is 24:00, the neighboring times are 23:30 to 00:30.
[0037]
FIG. 3 is a flowchart showing the processing procedure of the nearby time data extraction unit 71. First, all (for example, three months) past traffic volume data is read from the traffic flow database 6 and stored in a memory (not shown) of the processing unit 7 (step S301). Next, the data in the past neighborhood time 23:30 to 00:30 corresponding to the current prediction source time, and the time corresponding to the prediction destination time with respect to the past neighborhood time, for example, traffic volume data 6 hours ahead Is determined (step S302).
[0038]
As a result, if there is the corresponding traffic volume data, the date and time of the past near time is stored in the memory as the near time data (step S303). On the other hand, if there is no traffic volume data corresponding to the past data targeted, the process proceeds to the next step S304. Next, in step S304, it is determined whether or not the above processing has been completed for all the read past data. If not, the process returns to step S302, and the same processing is performed for the next past traffic data. repeat. In this way, the nearby time data is extracted from the traffic volume data stored in the traffic flow database 6.
[0039]
The data similarity calculating unit 72 calculates the time series traffic volume data up to the current prediction source time and the traffic volume data of the nearby time data extracted by the nearby time data extraction unit 71 as both vectors The similarity is calculated based on the difference between the distance between them, the current prediction source and prediction destination day type, and the prediction source and prediction destination day type corresponding to the extracted nearby time data.
[0040]
FIG. 4 is a flowchart showing a processing procedure of the data similarity calculation unit 72. First, the stored past traffic volume data and the nearby time data extracted by the nearby time data extracting unit 71 are read from the memory of the processing unit 7 (steps S401 and S402). Thereafter, the following distance calculation processing is applied to past neighboring time data using time-series traffic volume data as a vector. In this case, the target is the data of the time at which necessary data is included in the nearby time data.
[0041]
In the present embodiment, data within the past fixed time from the current prediction source time is regarded as one vector, and similarly, a vector of the same dimension constituted by data within the same past time from the corresponding time of each neighboring time data is similarly used. Is calculated. Specifically, assuming that 3 hours including the prediction source time is a fixed time, in the case of traffic data for 5 minutes, a 36-dimensional vector is generated for n = 36 traffic data retroactively from that time. Think. Then, the vector of the traffic volume data at the prediction source time is set as a reference vector, and the Euclidean distance d between the reference vector and the vector based on the traffic data of the same dimension at a time near the past is calculated (step S403).
[0042]
For the distance d, the prediction source time is t, the reference vector is V (t) = {Q (t), Q (t−1),..., Q (t−n)}, and the past neighborhood time is t−j. The traffic volume data vector at this time is V (t-j) = {Q (t-j), Q (t-j-1),..., Q (t-j-n)}, and the following equation (1) Is calculated as d (t-j).
[0043]
(Equation 1)

[0044]
Next, in step S404, a difference Kd (t-j) between the day type K (t) of the current prediction source time t and the day type K (t-j) of the past neighboring time t-j is calculated. Specifically, the absolute value of the difference between the day types is calculated by the following equation (2). Here, the difference Kd (t-j) is 0 if the day type is the same.
Kd (t−j) = | K (t) −K (t−j) | (2)
[0045]
Similarly, in step S405, the day type K (t + n) of the prediction destination time t + n (n = 72) six hours ahead of the present time and the prediction destination time for the past neighborhood time t−j are determined in step S405. The difference Kd (t−j + n) between the corresponding time t−j + n and the day type K (t−j + n) is calculated by the following equation (3).
Kd (t−j + n) = | K (t + n) −K (t−j + n) | (3)
[0046]
In step S406, the difference between the day type regarding the prediction source time and the prediction destination time obtained by the above equations (2) and (3), and the traffic volume at the current prediction source time and the past neighborhood time obtained by the equation (1) Using the distance d (t-j) between the vectors, the data similarity is calculated by the following equation (4). Here, the reciprocal of a value obtained by adding 1 to the product of the sum of Kd (t−j) and Kd (t−j + n) and the distance d (t−j) between the traffic volume vectors is calculated, and the data similarity S ( t−j).

[0047]
Then, the data similarity S (t-j) obtained as described above is stored in the memory of the processing unit 7 as a data set in combination with the nearby time data (step S407).
[0048]
Next, in step S408, it is determined whether or not the above processing has been completed for all the read past data. If not, the process returns to step S403 to repeat the same processing.
[0049]
The similar data extraction unit 73 extracts past traffic volume data similar to the traffic volume data at the current prediction source time and the prediction destination time based on the data similarity calculated by the data similarity calculation unit 72. As can be seen from the above equation (4), the larger the value of the data similarity S (t-j), the more similar the data similarity S (t-j). Can be extracted.
[0050]
FIG. 5 is a flowchart showing a processing procedure of the similar data extraction unit 73. First, a data set including the stored data similarity S (t-j) and the nearby time data is read from the memory of the processing unit 7 (step S501), and then descending order based on the data similarity S (t-j). (Step S502). Then, an arbitrary number p of upper order, for example, p = 10 pieces of nearby time data are extracted from the sorted data set (step S503), and these are stored in the memory of the processing unit 7 (step S504).
[0051]
The traffic flow data prediction unit 74 corresponds to the traffic volume data at the past neighboring time (corresponding to the prediction source time) of the neighboring time data extracted by the similar data extracting unit 73, and corresponds to the prediction destination time with respect to this past neighboring time. A prediction model is constructed from the traffic volume data at the time and the traffic volume data at the current prediction source time is applied to the prediction model to predict the traffic volume data at the prediction destination time.
[0052]
FIG. 6 is a flowchart showing a processing procedure of the traffic flow data prediction unit 74. First, the traffic data of the p (p = 10) nearby time data extracted by the similar data extracting unit 73 is read from the memory of the processing unit 7 (step S601). Next, all past traffic volume data is read (step S602).
[0053]
Next, in step S603, the p traffic volume data Q (t-j) p at the past neighborhood time extracted with respect to the prediction source time and the traffic at the time corresponding to the prediction destination time corresponding to the past neighborhood time are obtained. Using the quantity data Q (t−j + n) p, a linear model as shown in the following equation (5) is assumed, and coefficients a and b are determined by the least square method to construct a prediction model.
Q (t−j + n) p = a × Q (t−j) p + b (5)
[0054]
Next, the traffic volume Q (t0) at the prediction destination time is obtained as shown in the following equation (6) by substituting the traffic volume Q (t0) at the current prediction source time t0 into the created prediction model (step S604). ).
Q (t1) = a × Q (t0) + b (6)
[0055]
Then, the calculated predicted traffic data is stored and stored in the memory of the processing unit 7 (step S605).
[0056]
In this manner, by using the past traffic volume data, it is possible to predict the traffic volume data at the future prediction destination time from the traffic volume data at the current prediction source time. The obtained predicted traffic volume data may be output through the processing unit 7 or made accessible by another device or the like. As a result, application to road traffic information, signal control in traffic control, and the like becomes possible.
[0057]
At the time of actual prediction, the above processes are sequentially repeated for each time and each measurement point. For example, by repeating the processing of each of the above-described functional blocks for each lapse of time and measurement points accompanying the travel of the vehicle, it is also possible to predict traffic volume continuously according to time and position.
[0058]
In the present embodiment, the traffic flow data to be predicted is described using traffic volume data as an example. However, other traffic flow data, such as speed, travel time, and occupancy (a vehicle exists on a road in a predetermined section) Ratio, the rate at which the vehicle is detected), the occupation time (the time during which a specific vehicle is present on the road in the predetermined section, the time at which the specific vehicle is detected), the density (the number of vehicles on the road in the predetermined section), etc. It goes without saying that the same can be applied.
[0059]
As described above, in the traffic flow data prediction device and the traffic flow data prediction method according to the operation procedure of the present embodiment, the traffic measured by the vehicle detector 3 installed on the road 4 and stored in the traffic flow database 6 Using the flow data, the processing unit 7 predicts traffic flow data at an arbitrary time ahead. In the processing unit 7, the nearby time data extraction unit 71 extracts, from the traffic flow data stored in the traffic flow database 6, data at a past nearby time corresponding to a time near the current prediction source time, and The data at the time corresponding to the predicted time that is an arbitrary time ahead of the nearby time is extracted.
[0060]
Further, the data similarity calculating unit 72 extracts the pattern of the traffic flow data at the extracted past neighboring time, the prediction source and the prediction with respect to the pattern of the traffic flow data at the current prediction source time and the day type and time of the prediction source and the prediction destination. The similarity of the previous day type and time is calculated. Then, based on the calculated degree of similarity of the traffic flow data, the similar data extraction unit 73 compares the past time similar to the traffic flow data at the current prediction source time with the day type and time of the prediction source and the prediction destination. The traffic flow data in is extracted.
[0061]
Further, the traffic flow data prediction unit 74 constructs a prediction model by using the similar traffic flow data at the time corresponding to the extracted past prediction source time and the prediction destination time, and calculates the prediction model and the current prediction source time. And the traffic flow data at the predicted destination time is calculated from the traffic flow data at.
[0062]
As a result, the traffic flow data at the current prediction source time can be easily converted from the traffic flow data at the current prediction source time by effectively utilizing the past traffic flow data and the date and time data collected and accumulated in the traffic flow database 6. In addition, accurate prediction can be performed, and accurate prediction according to traffic conditions, road use conditions, and the like can be performed.
[0063]
In addition, when making predictions, only accumulated traffic flow data is used, and since prediction models are constructed sequentially according to the data, a large number of prediction models and data patterns are prepared in advance according to the day type, time, etc. It is not necessary to prepare, and it is not necessary to update the data pattern related to the prediction accuracy, so that the processing load and the maintenance and management cost can be reduced. Further, the prediction method of the present embodiment can be applied to various traffic flow data, and a system can be constructed at low cost.
[0064]
【The invention's effect】
As described above, according to the present invention, it is possible to effectively utilize accumulated past traffic flow data, reduce processing load while adapting to road traffic conditions, and easily predict traffic flow data. It is possible to provide an apparatus and method for predicting traffic flow data.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration of an entire system including a traffic flow data prediction device according to an embodiment of the present invention.
FIG. 2 is a schematic diagram showing an example of a database structure related to traffic volume stored in a traffic flow database;
FIG. 3 is a flowchart illustrating a processing procedure of a nearby time data extraction unit according to the embodiment;
FIG. 4 is a flowchart illustrating a processing procedure of a data similarity calculation unit according to the embodiment;
FIG. 5 is a flowchart illustrating a processing procedure of a similar data extraction unit according to the embodiment;
FIG. 6 is a flowchart illustrating a processing procedure of a traffic flow data prediction unit according to the present embodiment.
[Explanation of symbols]
3 vehicle detector
4 road
5 vehicles
6 traffic flow database
7 Processing unit
71 Nearby time data extraction unit
72 Data similarity calculator
73 Similar data extraction unit
74 Traffic flow data prediction unit

Claims

A traffic flow data prediction device that predicts traffic flow data at a prediction destination time any time ahead of a current prediction source time using traffic flow data collected by measurement means installed on a road,
Based on current traffic flow data at the prediction source time and similar past traffic flow data at a time corresponding to the prediction source time and the prediction destination time among the accumulated past traffic flow data, the prediction is performed. A traffic flow data prediction device including traffic flow data prediction means for calculating traffic flow data at a previous time.

The traffic flow data prediction device according to claim 1,
In the accumulated past traffic flow data, nearby time data for extracting data at a time near the current prediction source time and data at a time corresponding to the prediction destination time at an arbitrary time ahead of the data. A traffic flow data prediction device including an extraction unit.

The traffic flow data prediction device according to claim 2,
The pattern of the traffic flow data at the current prediction source time and the day and time of the prediction source and the prediction destination, and the pattern of the traffic flow data at the time close to the past prediction source time and the date and time of the prediction source and the prediction destination And a traffic flow data prediction device including a data similarity calculating means for calculating a time similarity.

The traffic flow data prediction device according to claim 3,
Based on the calculated degree of similarity of the traffic flow data, similar data for extracting traffic flow data at the current prediction source time and past traffic flow data similar to the day and time of the prediction source and prediction destination. A traffic flow data prediction device including an extraction unit.

The traffic flow data prediction device according to claim 4,
The traffic flow data prediction means constructs a prediction model using similar traffic flow data at the extracted past prediction source time and prediction destination time, and calculates the prediction model and the traffic flow data at the current prediction source time. A traffic flow data prediction device for calculating traffic flow data at the prediction destination time from the above.

A traffic flow data prediction device that predicts traffic flow data at a prediction destination time any time ahead of a current prediction source time using traffic flow data collected by measurement means installed on a road,
In the accumulated past traffic flow data, nearby time data extraction for extracting data at a time near the current prediction source time and data at a time corresponding to the prediction destination time at an arbitrary time ahead with respect to this data. Means,
The pattern of the traffic flow data at the current prediction source time and the day and time of the prediction source and the prediction destination, and the pattern of the traffic flow data at the time close to the past prediction source time and the date and time of the prediction source and the prediction destination And data similarity calculating means for calculating the similarity of time and
Based on the calculated degree of similarity of the traffic flow data, similar data for extracting traffic flow data at the current prediction source time and past traffic flow data similar to the day and time of the prediction source and prediction destination. Extraction means;
A prediction model is constructed using similar traffic flow data at the extracted past prediction source time and prediction destination time, and a traffic flow at the prediction destination time is calculated from the prediction model and the traffic flow data at the current prediction source time. A processing unit including traffic flow data prediction means for calculating data,
The processing unit includes a storage unit that stores traffic flow data transferred from a database that stores the traffic flow data, the nearby time data extraction unit, the data similarity calculation unit, the similar data extraction unit, and the traffic flow. A traffic flow data prediction device having an arithmetic processing unit for realizing each function of the data prediction unit.

A traffic flow data prediction method for predicting traffic flow data at a prediction destination time an arbitrary time ahead of a current prediction source time using traffic flow data collected by a measuring unit installed on a road,
Based on current traffic flow data at the prediction source time and similar past traffic flow data at a time corresponding to the prediction source time and the prediction destination time among the accumulated past traffic flow data, the prediction is performed. A traffic flow data prediction method including a step of calculating traffic flow data at a previous time.

A traffic flow data prediction method for predicting traffic flow data at a prediction destination time an arbitrary time ahead of a current prediction source time using traffic flow data collected by a measuring unit installed on a road,
Extracting, from the accumulated past traffic flow data, data at a time near the current prediction source time and data at a time corresponding to the prediction destination time at an arbitrary time ahead with respect to this data;
The pattern of the traffic flow data at the current prediction source time and the day and time of the prediction source and the prediction destination, and the pattern of the traffic flow data at the time close to the past prediction source time and the date and time of the prediction source and the prediction destination And calculating the degree of similarity between times and
Extracting, based on the calculated similarity of the traffic flow data, similar past traffic flow data with respect to the traffic flow data at the current prediction source time and the day type and time of the prediction source and prediction destination. ,
A prediction model is constructed using similar traffic flow data at the extracted past prediction source time and prediction destination time, and a traffic flow at the prediction destination time is calculated from the prediction model and the traffic flow data at the current prediction source time. Calculating traffic data.