JP2011141678A - Information processing apparatus, computer program, and information processing method - Google Patents

Information processing apparatus, computer program, and information processing method Download PDF

Info

Publication number
JP2011141678A
JP2011141678A JP2010001442A JP2010001442A JP2011141678A JP 2011141678 A JP2011141678 A JP 2011141678A JP 2010001442 A JP2010001442 A JP 2010001442A JP 2010001442 A JP2010001442 A JP 2010001442A JP 2011141678 A JP2011141678 A JP 2011141678A
Authority
JP
Japan
Prior art keywords
information
algorithm
processing
selection
learning
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.)
Pending
Application number
JP2010001442A
Other languages
Japanese (ja)
Inventor
Ayafumi Yano
純史 矢野
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.)
Sumitomo Electric Industries Ltd
Original Assignee
Sumitomo Electric Industries Ltd
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 Sumitomo Electric Industries Ltd filed Critical Sumitomo Electric Industries Ltd
Priority to JP2010001442A priority Critical patent/JP2011141678A/en
Publication of JP2011141678A publication Critical patent/JP2011141678A/en
Pending legal-status Critical Current

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To provide an information processing apparatus which has versatility and allows selection of algorithm, a computer program for functioning as the information processing apparatus, and an information processing method. <P>SOLUTION: Learning processing is performed using a predetermined algorithm. The information processing apparatus includes: a processing management database 25 which stores a plurality of pieces of selection information about conditions by which the algorithm used by the learning processing is selected; a selection reflection part 22 which selects the algorithm used by the learning processing from the plurality of algorithms with reference to the selection information according to the condition; and a processing system 10 which obtains the identification information of the selected algorithm and executes the learning processing by the algorithm concerned. <P>COPYRIGHT: (C)2011,JPO&INPIT

Description

本発明は、情報処理装置、情報処理のためのコンピュータプログラム及び情報処理方法に関するものである。   The present invention relates to an information processing apparatus, a computer program for information processing, and an information processing method.

道路の交通情報をドライバーに提供する技術として、財団法人道路交通情報通信システムセンターによるＶＩＣＳ（Vehicle Information and Communication System：なお、「ＶＩＣＳ」は上記財団法人の登録商標）が広く知られている。
このＶＩＣＳは、各種の路側センサ（車両感知器やループコイル等）から収集した車両台数や車両速度等よりなる定点観測情報に基づいて、各路線での渋滞やリンク旅行時間を含む交通情報を集計し、その交通情報を、ビーコンによる狭域通信やＦＭ放送等の広域通信によってドライバーに提供するものである。 As a technology for providing road traffic information to drivers, VICS (Vehicle Information and Communication System: “VICS” is a registered trademark of the foundation) is widely known.
This VICS tabulates traffic information including traffic congestion and link travel time on each route based on fixed point observation information consisting of the number of vehicles, vehicle speed, etc. collected from various roadside sensors (vehicle detectors, loop coils, etc.). The traffic information is provided to the driver by wide-area communication such as narrow-area communication using beacons or FM broadcasting.

また、道路の交通情報をドライバーに提供する他の技術として、プローブカーを利用した交通情報推定システム（以下、プローブシステムという。）も知られている。
このプローブシステムは、例えば特許文献１及び２に示すように、実際に道路を走行する車両（プローブ車両）を移動体センサとして利用するもので、現時点の車両位置や時刻等のプローブ情報を無線通信によって各プローブ車両から収集し、道路の交通情報を生成するものである。 As another technique for providing road traffic information to a driver, a traffic information estimation system using a probe car (hereinafter referred to as a probe system) is also known.
For example, as shown in Patent Documents 1 and 2, this probe system uses a vehicle (probe vehicle) that actually travels on a road as a moving body sensor, and wirelessly communicates probe information such as the current vehicle position and time. Are collected from each probe vehicle to generate road traffic information.

特開平５−１５１４９６号公報Japanese Patent Laid-Open No. 5-151696 特開２００５−４４６７号公報Japanese Patent Laying-Open No. 2005-4467

上記ＶＩＣＳ情報は、路側センサが設置された主要幹線道路等の一部の道路に関してしか得られない。
一方、プローブシステムでは、実際に道路を走行する車両（プローブ車両）を移動体センサとして利用するため、路側センサが設置されていない道路に関しても、交通情報を取得することが可能となる。 The VICS information can be obtained only with respect to some roads such as main trunk roads where roadside sensors are installed.
On the other hand, in the probe system, since a vehicle (probe vehicle) that actually travels on the road is used as a moving body sensor, traffic information can be acquired even on a road where no roadside sensor is installed.

しかし、現状では、プローブカーの台数は、非常に少なく、ＶＩＣＳ及びプローブシステムのいずれからもデータが得られていない道路リンクについては、交通情報を得ることができない。   However, at present, the number of probe cars is very small, and traffic information cannot be obtained for road links for which no data is obtained from either the VICS or the probe system.

そこで、（ＶＩＣＳ及び）プローブシステムからデータが得られていない道路リンクについては、別の道路リンクの交通情報に基づいて、交通情報を推定することが考えられる。例えば、ある道路リンクの交通情報は、当該道路リンクに接続している道路リンク等のような関連のある他の道路リンクにおける交通情報との相関が認められる。このような相関関係を利用すれば、他の道路リンクの交通情報を用いて、推定対象となる道路リンクの交通情報を補完することができる。
また、このような補完を行おうとすると、他の各道路リンクの交通情報を、どの程度、推定対象となる道路リンクの交通情報として反映させるか等を決める推定用パラメータを適切に設定することが必要となる。 Therefore, for road links for which data is not obtained from the (VICS and probe) system, it is conceivable to estimate the traffic information based on the traffic information of another road link. For example, the traffic information of a certain road link can be correlated with the traffic information of other related road links such as a road link connected to the road link. If such a correlation is used, the traffic information of the road link to be estimated can be supplemented using the traffic information of another road link.
In addition, if such supplementation is performed, it is possible to appropriately set an estimation parameter that determines how much traffic information of each other road link is reflected as traffic information of the road link to be estimated. Necessary.

このために、コンピュータによる学習機能を用いることが考えられる。この場合、学習機能を有するシステムには、所定のアルゴリズムが設定されており、入力データに基づいて処理が行われ、推定用パラメータを最適化することが可能となる。
しかし、従来の学習機能では、適用対象に特化したアルゴリズムが設定されていることから、当該アルゴリズムにおける学習誤差の判定のためのパラメータ等の変更はできたとしても、新たなアルゴリズムが見いだされた際に、これらを反映させることはできない。つまり、従来の学習機能は汎用性が乏しいという問題点がある。したがって、新たなアルゴリズムを採用するためには、システム全体を新たに作成し直す必要がある。
そこで、本発明は、汎用性のある情報処理装置、情報処理装置として機能させるためのコンピュータプログラム、及び、情報処理方法を提供することを目的とする。 For this purpose, it is conceivable to use a computer learning function. In this case, a predetermined algorithm is set in the system having the learning function, and the process is performed based on the input data, so that the estimation parameter can be optimized.
However, in the conventional learning function, since an algorithm specialized for the application target is set, a new algorithm was found even if the parameters for determining the learning error in the algorithm could be changed. However, these cannot be reflected. In other words, the conventional learning function has a problem that the versatility is poor. Therefore, in order to adopt a new algorithm, it is necessary to newly recreate the entire system.
Accordingly, an object of the present invention is to provide a versatile information processing apparatus, a computer program for causing the information processing apparatus to function, and an information processing method.

（１）本発明は、学習処理を所定のアルゴリズムを用いて実行する情報処理装置であって、前記学習処理で用いられるアルゴリズムが選択される条件に関する選択情報を、複数記憶可能である記憶部と、前記選択情報を参照して前記学習処理で用いられるアルゴリズムを、複数のアルゴリズムから、前記条件に応じて選択する選択反映部と、選択されたアルゴリズムの識別情報を取得し、当該アルゴリズムによって前記学習処理を実行する処理部とを有していることを特徴とする。 (1) The present invention is an information processing apparatus that executes learning processing using a predetermined algorithm, and a storage unit capable of storing a plurality of selection information relating to a condition for selecting an algorithm used in the learning processing; A selection reflection unit that selects an algorithm used in the learning process with reference to the selection information according to the condition from a plurality of algorithms, and identification information of the selected algorithm is acquired, and the learning is performed by the algorithm. And a processing unit that executes processing.

本発明によれば、記憶部には、学習処理で用いられるアルゴリズムが選択される条件に関する選択情報が、複数記憶されており、選択反映部によって、前記選択情報が参照されて学習処理で用いられるアルゴリズムが、複数のアルゴリズムから、前記条件に応じて選択され、処理部が、選択されたアルゴリズムの識別情報を取得し、当該アルゴリズムによって学習処理を実行するので、アルゴリズムの選択が可能となり、汎用性の高い情報処理装置とすることができる。   According to the present invention, the storage unit stores a plurality of pieces of selection information relating to conditions for selecting an algorithm used in the learning process, and the selection reflection unit refers to the selection information and uses it in the learning process. An algorithm is selected from a plurality of algorithms according to the conditions, and the processing unit obtains identification information of the selected algorithm and executes a learning process by the algorithm. High information processing apparatus.

（２）また、前記記憶部に選択情報を新たに記憶させるための選択情報追加部を、更に備えているのが好ましく、この場合、新しい選択情報が得られると、情報処理装置に追加することができ、汎用性をさらに高めることが可能となる。そして、選択反映部は、追加した選択情報を含む複数の選択情報の中から、選択情報を参照することができるようになる。 (2) Moreover, it is preferable to further include a selection information adding unit for newly storing selection information in the storage unit. In this case, when new selection information is obtained, it is added to the information processing apparatus. And versatility can be further enhanced. The selection reflection unit can refer to the selection information from the plurality of selection information including the added selection information.

（３）また、前記アルゴリズムによる処理に必要なアルゴリズム処理情報を複数記憶可能である第２の記憶部と、当該第２の記憶部にアルゴリズムによる処理に必要なアルゴリズム処理情報を新たに記憶させるためのアルゴリズム追加部とを更に備えているのが好ましく、この場合、新しいアルゴリズムが得られると、当該新しいアルゴリズムによる処理に必要なアルゴリズム処理情報を情報処理装置に追加することができ、汎用性をさらに高めることが可能となる。そして、処理部は、追加したアルゴリズムを含む複数のアルゴリズムの中から選択されたアルゴリズムによって情報処理を実行することができるようになる。 (3) Also, a second storage unit capable of storing a plurality of pieces of algorithm processing information necessary for processing by the algorithm, and newly storing algorithm processing information necessary for processing by the algorithm in the second storage unit In this case, when a new algorithm is obtained, algorithm processing information necessary for processing by the new algorithm can be added to the information processing apparatus, and the versatility is further increased. It becomes possible to raise. And a process part comes to be able to perform information processing by the algorithm selected from the some algorithm containing the added algorithm.

（４）また、前記記憶部に記憶されている複数の選択情報のうち、前記選択反映部によって行われる前記選択の処理で用いられる選択情報を設定する設定部を、更に備えているのが好ましい。この場合、記憶部は複数の選択情報を記憶可能であるが、これら複数の選択情報から、選択反映部によって行われる選択の処理で、有効とする選択情報と、無効とする選択情報との区別を行うことが可能となる。 (4) Moreover, it is preferable to further include a setting unit that sets selection information used in the selection process performed by the selection reflection unit among the plurality of selection information stored in the storage unit. . In this case, the storage unit can store a plurality of pieces of selection information. However, it is possible to distinguish between selection information to be valid and selection information to be invalidated in the selection process performed by the selection reflection unit from the plurality of selection information. Can be performed.

（５）また、前記選択反映部は、前記学習処理のために入力される入力データから、前記選択反映部によって選択されたアルゴリズムに適応する学習用データを生成することができる。
（６）例えば、前記選択反映部は、前記学習処理のために入力される入力データの数を増減させて前記学習用データを生成することができる。
この場合、選択反映部によって選択されたアルゴリズムで学習処理を行う際に、当該アルゴリズムによると、入力データを追加した方が良い場合、選択反映部は、その数を増加させることができ、また、入力データを少なくしても良い場合、その数を減少させることができる。 (5) Further, the selection reflection unit can generate learning data adapted to the algorithm selected by the selection reflection unit from input data input for the learning process.
(6) For example, the selection reflection unit can generate the learning data by increasing or decreasing the number of input data input for the learning process.
In this case, when performing the learning process with the algorithm selected by the selection reflection unit, according to the algorithm, if it is better to add input data, the selection reflection unit can increase the number, If the input data can be reduced, the number can be reduced.

（７）また、前記学習処理を、道路リンクの交通情報を他の道路リンクの交通情報から推定する推定処理を、所定のアルゴリズムにより最適化する処理とすることができる。
（８）また、本発明は、コンピュータを、前記（１）〜（７）のいずれか１項に記載の情報処理装置として機能させるためのコンピュータプログラムである。 (7) Moreover, the said learning process can be made into the process which optimizes the estimation process which estimates the traffic information of a road link from the traffic information of another road link by a predetermined algorithm.
(8) Moreover, this invention is a computer program for functioning a computer as an information processing apparatus of any one of said (1)-(7).

（９）また、本発明は、学習処理を所定のアルゴリズムを用いて実行するコンピュータによる情報処理方法であって、前記学習処理で用いられるアルゴリズムが選択される条件に関する選択情報が、コンピュータに複数記憶されており、コンピュータが、前記選択情報を参照して前記学習処理で用いられるアルゴリズムを、複数のアルゴリズムから、前記条件に応じて選択し、コンピュータが、選択されたアルゴリズムの識別情報を取得し、そのアルゴリズムによって前記学習処理を実行することを特徴とする。 (9) Further, the present invention is an information processing method by a computer that executes a learning process using a predetermined algorithm, and a plurality of selection information relating to a condition for selecting an algorithm used in the learning process is stored in the computer A computer selects an algorithm used in the learning process with reference to the selection information from a plurality of algorithms according to the condition, and the computer acquires identification information of the selected algorithm; The learning process is executed by the algorithm.

本発明によれば、学習処理で用いられるアルゴリズムが選択される条件に関する選択情報が、複数記憶されており、前記選択情報を参照して学習処理で用いられるアルゴリズムが、複数のアルゴリズムから、前記条件に応じて選択され、選択されたアルゴリズムによって学習処理が実行されるので、アルゴリズムの選択が可能となり、汎用性の高い情報処理方法を実現することができる。   According to the present invention, a plurality of pieces of selection information related to a condition for selecting an algorithm used in the learning process are stored, and an algorithm used in the learning process with reference to the selection information is obtained from a plurality of algorithms by using the condition Since the learning process is executed by the selected algorithm, the algorithm can be selected, and a highly versatile information processing method can be realized.

本発明によれば、アルゴリズムの選択が可能となり、汎用性の高い情報処理装置とすることができ、また、及び、汎用性の高い情報処理方法となる。   According to the present invention, an algorithm can be selected, an information processing apparatus with high versatility can be obtained, and an information processing method with high versatility can be obtained.

本発明の情報処理装置を備えたシステムの一例を示す構成図である。It is a block diagram which shows an example of the system provided with the information processing apparatus of this invention. 交通情報システムの構成図である。It is a block diagram of a traffic information system. 知見・ノウハウを反映させるための構成を示した構成図である。It is a block diagram which showed the structure for reflecting knowledge and know-how. 処理管理データベースが記憶されている記憶装置の説明図である。It is explanatory drawing of the memory | storage device with which the process management database is memorize | stored. アルゴリズム管理データベースの説明図である。It is explanatory drawing of an algorithm management database. 知見・ノウハウを反映させる処理の説明図である。It is explanatory drawing of the process which reflects knowledge and know-how. 知見・ノウハウを反映させる処理の説明図である。It is explanatory drawing of the process which reflects knowledge and know-how. 交通情報推定方法を示しているフローチャートである。It is a flowchart which shows the traffic information estimation method. 推定データベースを示す図である。It is a figure which shows an estimation database. ニューラルネットワークの構成図である。It is a block diagram of a neural network. 学習データベースを示す図である。It is a figure which shows a learning database. 学習処理を示すフローチャートである。It is a flowchart which shows a learning process.

以下、本発明の実施形態について添付図面を参照しながら説明する。
［１．全体構成］
図１は、本実施形態の情報処理装置を備えたシステムの一例を示す構成図である。本実施形態では、情報処理装置を交通情報推定装置（中央装置）１として具体化しており、図１は、交通情報推定装置１を備えた交通情報システムの全体構成図である。この交通情報システムは、交通情報推定装置１のほか、車載装置２を搭載したプローブ車両３、車載装置２と無線通信する路側通信機４、及び路側センサ５等を含む。 Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings.
[1. overall structure]
FIG. 1 is a configuration diagram illustrating an example of a system including the information processing apparatus according to the present embodiment. In this embodiment, the information processing device is embodied as a traffic information estimation device (central device) 1, and FIG. 1 is an overall configuration diagram of a traffic information system including the traffic information estimation device 1. In addition to the traffic information estimation device 1, this traffic information system includes a probe vehicle 3 equipped with an in-vehicle device 2, a roadside communication device 4 that wirelessly communicates with the in-vehicle device 2, a roadside sensor 5, and the like.

交通情報推定装置１は、例えば中央装置における様々な機能のうちの一機能を指しており、交通情報推定装置１は、ＶＩＣＳ情報及びプローブ情報等の交通情報（観測情報）を取得し、車両に提供するための提供用の交通情報を生成する機能を有している。なお、交通情報推定装置１は、交通情報に基づいて、信号機制御や交通管制等の各種の交通用処理を行ってもよい。   The traffic information estimation device 1 indicates one of various functions in the central device, for example, and the traffic information estimation device 1 acquires traffic information (observation information) such as VICS information and probe information, and It has a function of generating traffic information for provision for provision. The traffic information estimation device 1 may perform various traffic processing such as traffic signal control and traffic control based on the traffic information.

この交通情報推定装置（情報処理装置）１は、処理装置（ＣＰＵ）及び記憶装置を有するコンピュータによって構成されており、記憶装置には、コンピュータを、交通情報推定装置１として機能させるためのコンピュータプログラムが記憶されている。このコンピュータプログラムは、前記ＣＰＵによって実行され、前記ＣＰＵが前記記憶装置等に対し入出力を行うことで、交通情報推定装置１としての機能を実現する。なお、以下に説明する交通情報推定装置（情報処理装置）１の機能は、特に断らない限り、前記コンピュータプログラムによって実現されるものである。   The traffic information estimation device (information processing device) 1 is constituted by a computer having a processing device (CPU) and a storage device, and the storage device is a computer program for causing the computer to function as the traffic information estimation device 1. Is remembered. The computer program is executed by the CPU, and the function as the traffic information estimation device 1 is realized by the CPU performing input / output with respect to the storage device or the like. Note that the functions of the traffic information estimation apparatus (information processing apparatus) 1 described below are realized by the computer program unless otherwise specified.

前記車載装置２は、プローブ車両３の観測情報としてプローブ情報を生成し、路側通信機４に無線送信する。
プローブ情報は、プローブ車両の位置、当該位置の通過時刻及びプローブ車両の車両ＩＤ等を含む交通情報である。また、プローブ情報には、プローブ車両の通過速度等その他の情報を含めても良い。プローブ情報の位置及び時刻の情報に基づいて、道路リンク毎のリンク旅行時間が得られる。なお、プローブ車両の位置は、車載装置２が有するＧＰＳ受信機によって受信したＧＰＳ信号に基づいて算出される。 The in-vehicle device 2 generates probe information as observation information of the probe vehicle 3 and wirelessly transmits it to the roadside communication device 4.
The probe information is traffic information including the position of the probe vehicle, the passage time of the position, the vehicle ID of the probe vehicle, and the like. The probe information may include other information such as the passing speed of the probe vehicle. A link travel time for each road link is obtained based on the position and time information of the probe information. The position of the probe vehicle is calculated based on the GPS signal received by the GPS receiver included in the in-vehicle device 2.

前記路側通信機４は、車載装置２との間で無線通信によって情報の送受信を行うものである。具体的には、路側通信機４は、車載装置２が送信した観測情報としてのプローブ情報を受信し、交通情報推定装置１に転送する。また、路側通信機４は、交通情報推定装置から、車両への提供用の交通情報を取得し、その交通情報を、車載装置２に送信することができる。なお、路側通信機４と交通情報推定装置との間は、通信回線によって接続されている。
又は、車載装置２は、当該車載装置２と接続した携帯電話機５０を介して、プローブ情報を送信してもよい。この場合、車載装置２によってプローブ情報が生成されると、当該プローブ情報は、携帯電話機５０へ送られ、携帯電話機５０が基地局４９へプローブ情報を送信する。そして、基地局４９は、プローブ情報を交通情報推定装置１に転送する。また、携帯電話機５０は、交通情報推定装置１から基地局４９を介して、車両への提供用の交通情報を取得し、その交通情報を、車載装置２に送ることができる。 The roadside communication device 4 transmits / receives information to / from the in-vehicle device 2 by wireless communication. Specifically, the roadside communication device 4 receives probe information as observation information transmitted by the in-vehicle device 2 and transfers the probe information to the traffic information estimation device 1. Further, the roadside communication device 4 can acquire traffic information for provision to the vehicle from the traffic information estimation device and transmit the traffic information to the in-vehicle device 2. The roadside communication device 4 and the traffic information estimation device are connected by a communication line.
Alternatively, the in-vehicle device 2 may transmit probe information via the mobile phone 50 connected to the in-vehicle device 2. In this case, when probe information is generated by the in-vehicle device 2, the probe information is sent to the mobile phone 50, and the mobile phone 50 transmits the probe information to the base station 49. Then, the base station 49 transfers the probe information to the traffic information estimation device 1. In addition, the mobile phone 50 can acquire traffic information for provision to the vehicle from the traffic information estimation device 1 via the base station 49 and send the traffic information to the in-vehicle device 2.

前記路側センサ５は、観測情報としての交通情報を検出するためのものであり、例えば、直下を通行する車両を超音波感知する車両感知器や、インダクタンス変化で車両を感知するループコイル、或いは、カメラの映像を画像処理して交通量や車両速度を計測する画像感知器よりなり、交差点等に流入する車両台数や車両速度を計測する目的で、高速道路や主要な幹線道路等に設置されている。   The roadside sensor 5 is for detecting traffic information as observation information, for example, a vehicle detector for ultrasonically detecting a vehicle passing directly below, a loop coil for detecting the vehicle by inductance change, or It consists of an image sensor that measures the traffic volume and vehicle speed by image processing of the camera video, and is installed on expressways and major arterial roads for the purpose of measuring the number of vehicles flowing into intersections and vehicle speed. Yes.

路側センサ５によって検出された観測情報は、通信回線を介して、ＶＩＣＳセンタサーバ６に送信され、このＶＩＣＳセンタサーバ６では、路側センサ５の観測情報に基づいて、ＶＩＣＳ情報を生成する。このＶＩＣＳ情報は、通信回線を介して、交通情報推定装置１に送信される。   The observation information detected by the roadside sensor 5 is transmitted to the VICS center server 6 via the communication line, and the VICS center server 6 generates VICS information based on the observation information of the roadside sensor 5. This VICS information is transmitted to the traffic information estimation device 1 via a communication line.

前記ＶＩＣＳ情報は、各道路リンクでの渋滞やリンク旅行時間を含む交通情報である。ＶＩＣＳ情報は、路側センサ５から５分ごとに観測情報を取得して、更新されるため、時間的に高密度な情報が得られる。しかし、路側センサ５はすべての道路に設置されているわけではなく（主要道路でも２０％以下）、エリアカバー率が低い。
一方、前記プローブ情報は、道路を走行するプローブ車両３から取得するため、エリアカバー率を高くすることが可能である。ただし、プローブ車両３となるための車載装置２の普及率がまだ低いため、時間的に低密度のデータしか得られない。 The VICS information is traffic information including traffic jams and link travel times on each road link. Since the VICS information is updated by acquiring observation information from the roadside sensor 5 every 5 minutes, high-density information can be obtained in time. However, the roadside sensor 5 is not installed on all roads (20% or less on main roads), and the area coverage rate is low.
On the other hand, since the probe information is acquired from the probe vehicle 3 traveling on the road, the area coverage rate can be increased. However, since the penetration rate of the in-vehicle device 2 for becoming the probe vehicle 3 is still low, only low-density data can be obtained in terms of time.

つまり、所定エリア内の道路に、道路リンクを設定した場合、ＶＩＣＳ情報が得られる道路リンクについては、ＶＩＣＳ情報の更新単位時間ごとに常に交通情報（ＶＩＣＳ情報）が得られる。一方、ＶＩＣＳ情報が得られない道路リンクについては、ＶＩＣＳ情報の更新単位時間毎にみると、プローブ情報が交通情報として得られる道路リンクがある一方、プローブ情報も得られない道路リンクが混在することになる。   That is, when a road link is set on a road in a predetermined area, traffic information (VICS information) is always obtained for each VICS information update unit time for a road link from which VICS information is obtained. On the other hand, as for road links for which VICS information cannot be obtained, there are road links for which probe information can be obtained as traffic information, and road links for which probe information cannot be obtained for each VICS information update unit time. become.

［２．交通情報推定装置の全体構成］
本実施形態に係る交通情報推定装置１は、ＶＩＣＳ情報もプローブ情報も得られない道路リンクの交通情報を推定して、当該道路リンクの交通情報を補完することで、所定エリア内の全道路リンクの交通情報を取得する。つまり、本実施形態に係る交通情報推定装置１は、所定エリア内の全道路リンクを母集団とし、全道路リンクのうちの一部の道路リンクについて交通情報を取得すると、残りの道路リンクについての交通情報を推定する。 [2. Overall configuration of traffic information estimation device]
The traffic information estimation device 1 according to the present embodiment estimates the traffic information of a road link for which neither VICS information nor probe information is obtained, and complements the traffic information of the road link, so that all road links in the predetermined area Get traffic information. That is, when the traffic information estimation device 1 according to the present embodiment obtains traffic information for all road links in a predetermined area and acquires traffic information for some of the road links, the remaining road links Estimate traffic information.

このように、ＶＩＣＳ情報もプローブ情報も得られない道路リンクの交通情報を補完することで、より精度が高い交通情報を車両（ナビゲーションシステム）に提供したり、精度良く交通管制を行ったりすることが可能となる。
なお、以下では、ＶＩＣＳ情報もプローブ情報も得られず交通情報を推定して補完する必要がある道路リンクを、「推定対象道路リンク」という。 In this way, by supplementing road link traffic information for which neither VICS information nor probe information can be obtained, more accurate traffic information can be provided to the vehicle (navigation system), or traffic control can be performed with high accuracy. Is possible.
In the following, a road link for which VICS information or probe information is not obtained and traffic information needs to be estimated and complemented is referred to as “estimation target road link”.

図２に示すように、交通情報推定装置１は、情報処理を行う処理システム（処理部）１０として、推定対象道路リンクの交通情報を推定するための推定システム（推定部）１１と、推定に用いられるパラメータ（推定用パラメータ）を学習するための学習システム（学習部）１２とを備えている。
そして、後にも説明するが、処理システム１０（推定システム１１及び学習システム１２）は、ある知見やノウハウを反映させることによりアルゴリズムを切り替えて情報処理（推定処理及び学習処理）を実行することができる。すなわち、処理システム１０は、ある知見やノウハウから得られたノウハウ処理に関する選択情報が参照されることにより、推定処理及び学習処理を行うために好ましいアルゴリズムが選択され、選択されたアルゴリズムによって推定処理及び学習処理が実行される。 As illustrated in FIG. 2, the traffic information estimation device 1 includes an estimation system (estimation unit) 11 for estimating traffic information of an estimation target road link as a processing system (processing unit) 10 that performs information processing. A learning system (learning unit) 12 for learning parameters to be used (estimation parameters) is provided.
As will be described later, the processing system 10 (the estimation system 11 and the learning system 12) can execute information processing (estimation processing and learning processing) by switching algorithms by reflecting certain knowledge and know-how. . That is, the processing system 10 refers to selection information related to know-how processing obtained from a certain knowledge or know-how, so that a preferable algorithm is selected for performing the estimation processing and the learning processing. A learning process is executed.

また、交通情報推定装置１は、推定システム１１によって推定した交通情報等を蓄積するための推定データベース（交通情報データベース）１３、推定データベース１３におけるデータのうち、学習システム１２における学習に用いるデータを蓄積する学習データベース１４、推定用パラメータ（本実施形態では「重み」）を蓄積するための重みデータベース（推定パラメータデータベース）１５と、を記憶装置上に備えている。   The traffic information estimation device 1 accumulates data used for learning in the learning system 12 among data in the estimation database (traffic information database) 13 and the estimation database 13 for accumulating traffic information estimated by the estimation system 11. A learning database 14 for estimation, and a weight database (estimation parameter database) 15 for accumulating estimation parameters (in this embodiment, “weights”).

本実施形態に係る交通情報推定装置１は、当該交通情報推定装置１が取得したＶＩＣＳ情報及びプローブ情報（以下、両情報を総称する場合、「入力情報」という）に対する処理を行う入力情報処理部１６を備えていて、入力情報から、リンクの「速度情報」を生成する処理を行う。生成した「速度情報」は、推定データベース１３に与えられ、推定データベース１３の更新に用いられる。
「速度情報」は、道路リンクのリンク長を、当該道路リンクのリンク旅行時間で除することで、リンク旅行速度［ｋｍ／ｈ］として算出することができる。なお、対象エリア内の全道路リンクのリンク長は、予め、装置１の記憶装置に格納されている。 The traffic information estimation device 1 according to the present embodiment is an input information processing unit that performs processing on VICS information and probe information (hereinafter, collectively referred to as “input information”) acquired by the traffic information estimation device 1. 16, and performs processing for generating “speed information” of the link from the input information. The generated “speed information” is given to the estimation database 13 and used for updating the estimation database 13.
The “speed information” can be calculated as the link travel speed [km / h] by dividing the link length of the road link by the link travel time of the road link. The link lengths of all road links in the target area are stored in advance in the storage device of the device 1.

［３．知見・ノウハウの反映について］
［３．１ 知見・ノウハウの反映を行うための構成］
図３は、前記交通情報推定装置１の処理システム１０による情報処理（推定処理及び学習処理）に、知見・ノウハウを反映させるための構成を示した構成図である。交通情報推定装置１は、コンピュータプログラムによって実現される機能部として、システム依存部２１、選択反映部２２、設定部３１及び追加部２９，３０を有している。
また、本実施形態の処理システム１０（学習システム１２）は、処理コア部２３、アルゴリズム部２４を備えている。 [3. Reflection of knowledge and know-how]
[3.1 Structure for reflecting knowledge and know-how]
FIG. 3 is a configuration diagram showing a configuration for reflecting knowledge and know-how in information processing (estimation processing and learning processing) by the processing system 10 of the traffic information estimation device 1. The traffic information estimation device 1 includes a system dependence unit 21, a selection reflection unit 22, a setting unit 31, and addition units 29 and 30 as functional units realized by a computer program.
Further, the processing system 10 (learning system 12) of this embodiment includes a processing core unit 23 and an algorithm unit 24.

さらに、交通情報推定装置１は、処理管理データベース２５を記憶装置上に備えている。このデータベース２５には、複数の選択情報が記憶されており、この選択情報は、処理システム１０における情報処理（推定処理及び学習処理）で用いられるアルゴリズムが選択される条件に関する情報である。なお、本実施形態では、前記条件は「道路リンクの特性」に関する条件である。
図４は処理管理データベース２５を記憶している記憶装置３３の説明図である。また、この選択情報は、処理システム１０における情報処理に反映させると好ましいノウハウ処理に関する情報であり、処理管理データベース２５には、このようなノウハウ処理の種類が記憶されており、ここでは更に、そのノウハウ処理のプログラム本体が同じ記憶装置３３上に記憶されている。 Furthermore, the traffic information estimation device 1 includes a processing management database 25 on a storage device. A plurality of selection information is stored in the database 25, and this selection information is information on conditions for selecting an algorithm used in information processing (estimation processing and learning processing) in the processing system 10. In the present embodiment, the condition is a condition related to “road link characteristics”.
FIG. 4 is an explanatory diagram of the storage device 33 that stores the process management database 25. Further, this selection information is information relating to preferable know-how processing that is reflected in the information processing in the processing system 10, and the kind of know-how processing is stored in the processing management database 25. The program body for know-how processing is stored on the same storage device 33.

すなわち、図４において、処理管理データベース２５は、「インデックス」２５ａ、「知見・ノウハウ処理」２５ｂ、「有効／無効」２５ｃのデータ項目を有しており、「インデックス」の番号毎にそれぞれのデータ項目を保存可能なものである。そして、「知見・ノウハウ処理」２５ｂの項目に、前記ノウハウ処理の種類が記録されている。   That is, in FIG. 4, the process management database 25 has data items of “index” 25 a, “knowledge / know-how process” 25 b, and “valid / invalid” 25 c. Items can be saved. The type of know-how processing is recorded in the item of “knowledge / know-how processing” 25b.

図３において、システム依存部２１は、処理システム１０に依存する処理を行う機能を有しており、処理システム１０によって行われる情報処理の前処理を行う。なお、システム依存部２１による前処理は、後述する選択反映部２２による知見・ノウハウに関連する処理以外の処理である。システム依存部２１は、入力された入力データを前処理し、選択反映部２２へ処理用データを与える。   In FIG. 3, the system dependent unit 21 has a function of performing processing depending on the processing system 10, and performs preprocessing of information processing performed by the processing system 10. Note that the preprocessing by the system dependent unit 21 is processing other than processing related to knowledge and know-how by the selection reflection unit 22 described later. The system dependent unit 21 preprocesses the input data that has been input, and provides processing data to the selection reflection unit 22.

選択反映部２２は、処理システム１０による推定処理及び学習処理に、知見・ノウハウを反映させるための処理を行う機能を有している。
選択反映部２２は、前記処理管理データベース２５（図４参照）に基づいて、有効であるインデックスの「知見・ノウハウ処理」を抽出する。そして、選択反映部２２は、複数の「知見・ノウハウ処理」の中から抽出された、所定の「知見・ノウハウ処理」を参照し、当該「知見・ノウハウ処理」のプログラムを実行する。
これにより、処理システム１０による推定処理及び学習処理で用いられるアルゴリズムが、「道路リンクの特性」に応じて、複数のアルゴリズムから選択される処理が行われる。また、選択反映部２２は、参照した「知見・ノウハウ処理」及び処理システム１０による情報処理に適応する入力及び出力の様式を設定することができる。 The selection reflection unit 22 has a function of performing processing for reflecting knowledge and know-how in the estimation processing and learning processing by the processing system 10.
The selection reflection unit 22 extracts “knowledge / know-how processing” of an effective index based on the processing management database 25 (see FIG. 4). Then, the selection reflection unit 22 refers to predetermined “knowledge / knowhow processing” extracted from a plurality of “knowledge / knowhow processing”, and executes the program of the “knowledge / knowhow processing”.
As a result, an algorithm used in the estimation process and the learning process by the processing system 10 is selected from a plurality of algorithms in accordance with the “road link characteristics”. Further, the selection reflection unit 22 can set the input and output formats adapted to the referred “knowledge / know-how processing” and information processing by the processing system 10.

すなわち、図４の場合、選択反映部２２は、図４のインデックスの項目において「０」及び「２」が有効であるので、「知見・ノウハウ処理Ａ」及び「知見・ノウハウ処理Ｃ」を抽出し、これらを参照及び実行し、推定処理及び学習処理を行うために好ましいアルゴリズムを、複数のアルゴリズムから選択する。また、選択反映部２２は、処理システム１０へ出力する処理用データの数を変更することができる。なお、「知見・ノウハウ処理」の具体例は、後に説明する。   That is, in the case of FIG. 4, the selection reflection unit 22 extracts “knowledge / knowhow processing A” and “knowledge / knowhow processing C” because “0” and “2” are valid in the index item of FIG. These are referred to and executed, and a preferred algorithm for performing the estimation process and the learning process is selected from a plurality of algorithms. In addition, the selection reflection unit 22 can change the number of processing data to be output to the processing system 10. A specific example of “knowledge / know-how processing” will be described later.

また、図４の処理管理データベース２５では、選択情報（知見・ノウハウ処理）の追加、削除、更新が可能である。すなわち、新規に選択情報（知見・ノウハウ処理）を追加する場合は、空いている（又は既存の番号と重複しない）インデックスの番号に対応させて、新たな知見・ノウハウ処理を蓄積させればよい。
このために、処理管理データベース２５が記憶されている記憶装置３３に、知見・ノウハウ処理（選択情報）を新たに記憶させるための選択情報追加部２９（図３参照）を、備えている。管理者によって、新たな知見・ノウハウ処理が得られると、この知見・ノウハウ処理を選択情報追加部２９によって記憶装置３３（図４参照）に追加することができる。 Further, in the process management database 25 of FIG. 4, selection information (knowledge / know-how process) can be added, deleted, and updated. That is, when adding new selection information (knowledge / know-how processing), it is only necessary to accumulate new knowledge / know-how processing in correspondence with vacant (or not overlapping with existing numbers) index numbers. .
For this purpose, the storage device 33 in which the process management database 25 is stored includes a selection information adding unit 29 (see FIG. 3) for newly storing knowledge / know-how processing (selection information). When new knowledge and know-how processing is obtained by the administrator, the knowledge and know-how processing can be added to the storage device 33 (see FIG. 4) by the selection information adding unit 29.

また、既に蓄積されている知見・ノウハウ処理が不要となった場合、該当するインデックスに対応する「有効／無効」のデータ項目を「無効」とすればよい。つまり、推定処理及び学習処理に必要とする知見・ノウハウ処理は、「有効／無効」の項目が「有効」となっている。
また、この「有効／無効」の項目の設定（切り替え）は、管理者によって、前記設定部３１（図３参照）が用いられて行われる。つまり、設定部３１によれば、記憶装置３３（処理管理データベース２５）に記憶されている複数の知見・ノウハウ処理のうち、選択反映部２２によって行われる選択の処理で用いられる知見・ノウハウ処理の設定を行うことができる。なお、処理管理データベース２５のデータ項目「有効／無効」２５ｃにおける有効から無効への切り替え、無効から有効への切り替えは、管理者によって、設定部３１を通じて任意に行うことができる。
そして、知見・ノウハウ処理を更新する場合は、更新する知見・ノウハウ処理のプログラム本体を更新すればよい。 In addition, when the accumulated knowledge / know-how processing is no longer necessary, the “valid / invalid” data item corresponding to the corresponding index may be set to “invalid”. That is, in the knowledge / know-how processing required for the estimation processing and the learning processing, the item “valid / invalid” is “valid”.
The setting (switching) of the “valid / invalid” item is performed by the administrator using the setting unit 31 (see FIG. 3). That is, according to the setting unit 31, the knowledge and know-how process used in the selection process performed by the selection reflection unit 22 among the plurality of knowledge and know-how processes stored in the storage device 33 (process management database 25). Settings can be made. Note that switching from valid to invalid and invalid to valid in the data item “valid / invalid” 25 c of the process management database 25 can be arbitrarily performed by the administrator through the setting unit 31.
Then, when updating the knowledge / know-how process, the program body of the knowledge / know-how process to be updated may be updated.

選択反映部２２は、さらに、学習処理のために入力される（処理用データ）入力データから、当該選択反映部２２によって選択されたアルゴリズムに適応する学習用データを生成する機能を有している。例えば、選択反映部２２は、学習用データ（システム依存部２１からの入力データ）の数を増減させる機能を有している。
すなわち、選択反映部２２は、フィルタリング機能を有し、取得した複数の処理用データを減少させることができる。選択反映部２２は、抽出された「知見・ノウハウ処理」に応じて、処理用データの数を追加するのがよいと判断した場合には、処理用データの数を増加させる。つまりこの場合、処理用データの数が足りないと、選択反映部２２は、必要な数となるまで処理用データを蓄積しておき、必要な数に達すると、次のステップに進む処理を行う。 The selection reflection unit 22 further has a function of generating learning data adapted to the algorithm selected by the selection reflection unit 22 from input data (processing data) input for learning processing. . For example, the selection reflection unit 22 has a function of increasing or decreasing the number of learning data (input data from the system dependence unit 21).
That is, the selection reflection unit 22 has a filtering function and can reduce the plurality of acquired processing data. If the selection reflection unit 22 determines that the number of processing data should be added according to the extracted “knowledge / know-how processing”, the selection reflecting unit 22 increases the number of processing data. That is, in this case, if the number of processing data is insufficient, the selection reflection unit 22 accumulates the processing data until the required number is reached, and performs processing to proceed to the next step when the required number is reached. .

このように、選択反映部２２による処理の前後で、処理用データの数は増減することとなる。なお、処理の前後で、処理用データの形式は同じであってもよいが、必要に応じて処理用データの形式を変化させてもよい。
そして、選択反映部２２は、抽出された「知見・ノウハウ処理」に応じて適切な出力として、処理用データを処理システム１０（処理コア部２３）へ与える。
処理コア部２３は、選択反映部２２から処理用データを得ると、情報処理のためのアルゴリズムを実行するための前処理及び後処理を行う機能を有している。なお、どのアルゴリズムが選択されるかについては、選択反映部２２による「知見・ノウハウ処理」の実行処理に依存する。 Thus, the number of processing data increases and decreases before and after the processing by the selection reflection unit 22. The format of the processing data may be the same before and after processing, but the format of the processing data may be changed as necessary.
Then, the selection reflection unit 22 provides processing data to the processing system 10 (processing core unit 23) as an appropriate output in accordance with the extracted “knowledge / know-how processing”.
The processing core unit 23 has a function of performing pre-processing and post-processing for executing an algorithm for information processing when processing data is obtained from the selection reflection unit 22. Note that which algorithm is selected depends on the execution process of the “knowledge / know-how process” by the selection reflection unit 22.

前記アルゴリズム部２４は、複数のアルゴリズムを備えており、アルゴリズムそれぞれに依存した実質的な処理を実行する機能を有している。これらアルゴリズムは、アルゴリズム管理データベース２６（図５参照）に記憶されている。アルゴリズム管理データベース２６は、交通情報推定装置１が有している記憶装置３４上に備えたものであり、「インデックス」２６ａ、「アルゴリズム」２６ｂのデータ項目を有しており、インデックスの番号毎にアルゴリズムの種類を保存可能なものである。なお、アルゴリズムのプログラム本体は、データベースと同じ記憶装置３４に記憶されている。   The algorithm unit 24 includes a plurality of algorithms and has a function of executing substantial processing depending on each algorithm. These algorithms are stored in the algorithm management database 26 (see FIG. 5). The algorithm management database 26 is provided on the storage device 34 included in the traffic information estimation apparatus 1 and has data items of “index” 26a and “algorithm” 26b. The algorithm type can be saved. The program body of the algorithm is stored in the same storage device 34 as the database.

このアルゴリズムは、追加、削除、更新が可能である。例えば、交通情報推定装置１が有しているフレームワークに基づいて、新たなアルゴリズムを作成することができ、作成したアルゴリズムを追加的に記憶装置３４に記憶させることができる。
このために、アルゴリズム管理データベース２６が記憶されている記憶装置３４にアルゴリズムによる処理に必要なアルゴリズム処理情報を新たに記憶させるためのアルゴリズム追加部３０（図３参照）を、備えている。新たなアルゴリズムが得られると、このアルゴリズムによる処理に必要なアルゴリズム処理情報をアルゴリズム追加部３０によって、アルゴリズム管理データベース２６が記憶されている記憶装置３４に追加することができる。アルゴリズム処理情報は、例えば、対象アルゴリズムのプログラム本体のほか、それに対応する識別情報（インデックス）及び記憶場所を示すテーブルを含んでよい。なお、アルゴリズム（学習アルゴリズム）としては、図５に示しているように、単純パーセプトロン、バックプロパゲーション、サポートベクタマシン及びベイジアンネット等がある。 This algorithm can be added, deleted, and updated. For example, a new algorithm can be created based on the framework of the traffic information estimation device 1, and the created algorithm can be additionally stored in the storage device 34.
For this purpose, an algorithm adding unit 30 (see FIG. 3) for newly storing algorithm processing information necessary for processing by the algorithm is provided in the storage device 34 in which the algorithm management database 26 is stored. When a new algorithm is obtained, algorithm processing information necessary for processing by this algorithm can be added by the algorithm adding unit 30 to the storage device 34 in which the algorithm management database 26 is stored. The algorithm processing information may include, for example, a table indicating identification information (index) corresponding to the program body of the target algorithm and a storage location. As the algorithm (learning algorithm), there are a simple perceptron, back propagation, support vector machine, Bayesian network, and the like as shown in FIG.

［３．２ 知見・ノウハウの反映の具体例］
テレマティクス分野において、図１で説明したように、他の道路リンク（以下、関連道路リンクともいう）の交通情報に基づいて、推定対象道路リンクの交通情報を推定する交通情報推定装置１を備えた交通情報システムがある。交通情報推定装置１は、処理システム１０として、他の道路リンクの交通情報及び推定用パラメータを用いて、推定対象道路リンクの交通情報を推定する推定システム１１と、前記推定用パラメータを最適化する学習システム１２とを備えている。 [3.2 Specific examples of reflection of knowledge and know-how]
In the telematics field, as described with reference to FIG. 1, a traffic information estimation device 1 that estimates traffic information of an estimation target road link based on traffic information of other road links (hereinafter also referred to as related road links) is provided. There is a traffic information system. The traffic information estimation apparatus 1 optimizes the estimation parameters as the processing system 10 by using the traffic information and estimation parameters of other road links and estimating the traffic information of the estimation target road link. And a learning system 12.

学習システム１２によって実行される学習処理は、道路リンクの交通情報を他の道路リンクの交通情報から推定する推定処理を、所定のアルゴリズムにより最適化する処理である。すなわち、学習システム１２は、蓄積された学習用データを用いて推定用パラメータを最適化する構成である。学習用データは、推定対象道路リンクになり得る道路リンクにおける実測値に基づく交通情報と、当該推定対象道路リンクの交通情報を推定するために用いられる他の道路リンクの交通情報との組み合わせによるデータである。   The learning process executed by the learning system 12 is a process for optimizing the estimation process for estimating the road link traffic information from the traffic information of other road links using a predetermined algorithm. That is, the learning system 12 is configured to optimize the estimation parameter using the accumulated learning data. The learning data is data based on a combination of traffic information based on actual measurement values of road links that can be estimated road links and traffic information of other road links used for estimating traffic information of the estimated road links. It is.

この交通情報推定装置１に、知見・ノウハウの反映を行うための構成を適用した場合を説明する。
図６において、システム依存部２１に、ある道路リンクに関して、推定システム１１が求めた交通情報（推定値）、又は、ＶＩＣＳ情報及びプローブ情報に基づく交通情報（実測値）等の入力データが入力される。システム依存部２１は、この入力データを前処理して処理用データを生成し、選択反映部２２に与える。 A case where a configuration for reflecting knowledge and know-how is applied to the traffic information estimation device 1 will be described.
In FIG. 6, input data such as traffic information (estimated value) obtained by the estimation system 11 or traffic information (actually measured value) based on VICS information and probe information regarding a road link is input to the system-dependent unit 21. The The system dependence unit 21 preprocesses the input data to generate processing data, and supplies the processing data to the selection reflection unit 22.

選択反映部２２は、前記処理用データが得られた道路リンクの特性（以下では、「道路特性」という）を把握する必要がある。なお、道路特性としては、例えば、道路が高速道路であるか、一般道路であるかについての道路種別がある。
道路特性を把握するために、選択反映部２２は、例えば、取得した処理用データの値のばらつき（標準偏差）と、予め設定されている閾値とを比較する。そして、選択反映部２２は、ばらつきが閾値よりも大きいと判定した場合、処理用データの種別は、一般道路についてのものであると判定する。
これに対して、選択反映部２２は、前記ばらつきが閾値以下であると判定した場合、処理用データの種別は、高速道路についてのものであると判定する。 The selection reflection unit 22 needs to grasp the characteristics of the road link from which the processing data is obtained (hereinafter referred to as “road characteristics”). The road characteristics include, for example, a road type indicating whether the road is a highway or a general road.
In order to grasp the road characteristics, the selection reflection unit 22 compares, for example, a variation (standard deviation) in the value of the acquired processing data with a preset threshold value. When the selection reflection unit 22 determines that the variation is larger than the threshold value, the selection reflection unit 22 determines that the type of the processing data is for a general road.
On the other hand, if the selection reflection unit 22 determines that the variation is equal to or less than the threshold value, the selection reflection unit 22 determines that the type of the processing data is for an expressway.

または、選択反映部２２は、交通情報推定装置１の記憶装置に蓄積されている、各道路リンクの道路特性についての情報（特性情報）を取得することで、道路特性を把握してもよい。すなわち、全道路リンクそれぞれの道路特性については、道路リンク設定時に、その特性についての情報が、道路リンクのリンク番号と対応付けられて、交通情報推定装置１の記憶装置に蓄積されている。このため、選択反映部２２は処理用データと当該処理用データに含まれる道路リンクのリンク番号の情報とを取得することで、道路リンクそれぞれの特性情報を把握することができる。   Or the selection reflection part 22 may grasp | ascertain a road characteristic by acquiring the information (characteristic information) about the road characteristic of each road link accumulate | stored in the memory | storage device of the traffic information estimation apparatus 1. FIG. That is, for the road characteristics of all the road links, information about the characteristics is stored in the storage device of the traffic information estimation device 1 in association with the link number of the road link when the road link is set. For this reason, the selection reflection part 22 can grasp | ascertain the characteristic information of each road link by acquiring the data for a process and the information of the link number of the road link contained in the said process data.

そして、選択反映部２２は、処理管理データベース２５（図４参照）に基づいて、有効であるインデックス「０」「２」の「知見・ノウハウ処理Ａ」及び「知見・ノウハウ処理Ｃ」を抽出する。選択反映部２２は、これら「知見・ノウハウ処理Ａ」及び「知見・ノウハウ処理Ｃ」を参照し、アルゴリズムの選択を実行する。なお、処理管理データベース２５における「有効／無効」２５ｃのデータ項目は、前記設定部３１が用いられて管理者によって予め設定されたものである。   Then, the selection reflection unit 22 extracts “knowledge / knowhow processing A” and “knowledge / knowhow processing C” of the effective indexes “0” and “2” based on the processing management database 25 (see FIG. 4). . The selection reflection unit 22 refers to these “knowledge / know-how processing A” and “knowledge / know-how processing C” and executes algorithm selection. The data item “valid / invalid” 25c in the process management database 25 is set in advance by the administrator using the setting unit 31.

「知見・ノウハウ処理Ａ」は、道路リンクが高速道路である場合、線形対応のアルゴリズムである単純パーセプトロンを使い、道路リンクが一般道路である場合、非線形対応のアルゴリズムであるバックプロパゲーションを使うという処理である。   “Knowledge and know-how processing A” uses a simple perceptron that is a linear correspondence algorithm when the road link is a highway, and uses backpropagation that is a nonlinear correspondence algorithm when the road link is a general road. It is processing.

ここで、推定システム１１によって道路情報を推定する対象である道路リンク（推定対象道路リンク）が、高速道路である場合と、一般道路である場合とで挙動が異なる。具体的には、高速道路では、推定対象道路リンクとそれに関連がある関連道路リンクとの間には、線形の相関関係が強く、一般道路では、推定対象道路リンクと関連道路リンクとの間に、非線形の相関関係が強いという知見がある。
そこで、この知見を、処理システム１０における情報処理（推定処理及び学習処理）に反映させるためのものが、前記「知見・ノウハウ処理Ａ」である。なお、「知見・ノウハウ処理」は、システム管理者によって創出される。
非線形に対応するアルゴリズムは線形なものを包含するので、全てについて、非線形対応のアルゴリズムで処理してもよいが、処理時間が多くかかってしまう。そこで「知見・ノウハウ処理Ａ」によれば、線形のアルゴリズムでも十分処理精度が得られるものは、線形のアルゴリズムで処理し、処理時間の短縮を図ることができる。 Here, the behavior differs depending on whether the road link (estimation target road link) for which road information is estimated by the estimation system 11 is an expressway or a general road. Specifically, on an expressway, there is a strong linear correlation between the estimation target road link and the related road link related thereto, and on a general road, there is a gap between the estimation target road link and the related road link. There is a finding that the nonlinear correlation is strong.
Therefore, the “knowledge / knowhow process A” is to reflect this knowledge in information processing (estimation processing and learning processing) in the processing system 10. “Knowledge and know-how processing” is created by the system administrator.
Since algorithms corresponding to non-linearity include linear ones, all of them may be processed with a non-linear corresponding algorithm, but it takes a lot of processing time. Therefore, according to “knowledge / know-how processing A”, even if a linear algorithm can obtain a sufficient processing accuracy, it can be processed by the linear algorithm to shorten the processing time.

選択反映部２２は、前記のとおり、処理用データが得られた道路リンクの道路特性を把握していることから、この道路特性に基づいて「知見・ノウハウ処理Ａ」を実行する。
すなわち、処理用データが得られた道路リンクが高速道路であった場合、「知見・ノウハウ処理Ａ」によれば、選択反映部２２は、線形対応のアルゴリズムである単純パーセプトロンを選択する。
この場合、選択反映部２２は、この「知見・ノウハウ処理Ａ」の実行結果により、線形対応のアルゴリズムを選択すべきであるため、アルゴリズム管理データベース２６（図５参照）における「インデックス」を「０」（選択したアルゴリズムの識別情報）とすることを示す制御信号を生成する。 As described above, since the selection reflection unit 22 grasps the road characteristic of the road link from which the processing data is obtained, the “selection / know-how process A” is executed based on the road characteristic.
That is, when the road link from which the processing data is obtained is an expressway, according to the “knowledge / know-how processing A”, the selection reflection unit 22 selects a simple perceptron that is a linear correspondence algorithm.
In this case, since the selection reflection unit 22 should select the linear correspondence algorithm based on the execution result of the “knowledge / knowhow processing A”, the “index” in the algorithm management database 26 (see FIG. 5) is set to “0”. ”(Identification information of the selected algorithm) is generated.

そして、選択反映部２２は、処理コア部２３へ処理用データと共に、前記制御信号を送る。
処理コア部２３は、選択したアルゴリズムの識別情報が含まれる前記制御信号を取得すると、アルゴリズム管理データベース２６（図５）によれば、処理アルゴリズムとして、単純パーセプトロンが選択されているので、その実行の開始処理を行う。つまり、図６に示しているように、アルゴリズムとして単純パーセプトロンが選択される。処理コア部２３は、上述のアルゴリズム処理情報に含まれるテーブルを参照し、選択された単純パーセプトロンの識別情報からその記憶場所を取得する。アルゴリズム部２４は、その記憶場所から単純パーセプトロン（例えば、重回帰分析）のプログラムを読み出し、これを利用して学習処理を行う。また、この場合、推定システム１１は、この単純パーセプトロンを用いて推定処理を行うことになる。 Then, the selection reflection unit 22 sends the control signal to the processing core unit 23 together with the processing data.
When the processing core unit 23 obtains the control signal including the identification information of the selected algorithm, the simple perceptron is selected as the processing algorithm according to the algorithm management database 26 (FIG. 5). Start processing. That is, as shown in FIG. 6, the simple perceptron is selected as the algorithm. The processing core unit 23 refers to the table included in the algorithm processing information described above, and acquires the storage location from the identification information of the selected simple perceptron. The algorithm unit 24 reads a simple perceptron (for example, multiple regression analysis) program from the storage location, and performs learning processing using the program. In this case, the estimation system 11 performs an estimation process using this simple perceptron.

また、「知見ノウハウ処理Ｃ」は、道路リンクが高速道路である場合において、処理用データの数を減らすという処理である。
そこで、道路リンクが高速道路であるので、選択反映部２２は「知見ノウハウ処理Ｃ」を実行する。すなわち、複数が入力された学習用データのうち、類似しているデータについては削除する。 The “knowledge know-how process C” is a process of reducing the number of processing data when the road link is an expressway.
Therefore, since the road link is an expressway, the selection reflection unit 22 executes “knowledge know-how process C”. That is, similar data is deleted from among a plurality of input learning data.

ここで、線形のアルゴリズムを採用する場合では、類似している処理用データを削除しても、処理精度はさほど低下しないという知見がある。そこで、この知見を学習システム１２による処理に反映させるためのものが、前記「知見・ノウハウ処理Ｃ」であり、システム管理者によって創出される。
この「知見・ノウハウ処理Ｃ」によれば、道路リンクが高速道路である場合、線形のアルゴリズムを採用することから、複数が入力された処理用データ（学習用データ）のうち、類似しているデータについては、削除し、さらなる処理速度の向上を図ることが可能となる。 Here, in the case of adopting a linear algorithm, there is a knowledge that even if similar processing data is deleted, the processing accuracy does not decrease so much. Therefore, the “knowledge / knowhow process C” is used to reflect this knowledge in the processing by the learning system 12 and is created by the system administrator.
According to this “knowledge / know-how processing C”, when a road link is an expressway, a linear algorithm is adopted, and therefore, a plurality of input processing data (learning data) are similar. The data can be deleted to further improve the processing speed.

これに対して、システム依存部２１から取得された処理用データが、一般道路である道路リンクによるものであった場合、「知見・ノウハウ処理Ａ」によれば、選択反映部２２は、非線形対応のアルゴリズムであるバックプロパゲーションを選択する。
この場合、選択反映部２２は、この「知見・ノウハウ処理Ａ」の実行結果により、非線形対応のアルゴリズムを選択するため、アルゴリズム管理データベース２６（図５参照）における「インデックス」を「１」とすることを示す制御信号を生成する。 On the other hand, when the processing data acquired from the system-dependent unit 21 is based on a road link that is a general road, according to “knowledge / know-how processing A”, the selective reflection unit 22 Select backpropagation, which is the algorithm.
In this case, the selection reflection unit 22 selects “1” as the “index” in the algorithm management database 26 (see FIG. 5) in order to select a non-linear correspondence algorithm based on the execution result of the “knowledge / know-how processing A”. A control signal indicating this is generated.

そして、選択反映部２２は、処理コア部２３へ処理用データと共に、前記制御信号を送る。
処理コア部２３は、制御信号を取得すると、アルゴリズム管理データベース２６（図５）によれば、処理アルゴリズムとして、バックプロパゲーションが選択されているので、その実行の開始処理を行う。つまり、図７に示しているように、アルゴリズムとしてバックプロパゲーションが選択され、アルゴリズム部２４は、バックプロパゲーションを利用して学習処理を行う。また、この場合、推定システム１１は、多層パーセプトロンを用いて推定処理を行うことになる。 Then, the selection reflection unit 22 sends the control signal to the processing core unit 23 together with the processing data.
When the processing core unit 23 acquires the control signal, the backpropagation is selected as the processing algorithm according to the algorithm management database 26 (FIG. 5), and therefore, the processing core unit 23 starts the execution process. That is, as shown in FIG. 7, backpropagation is selected as the algorithm, and the algorithm unit 24 performs learning processing using the backpropagation. In this case, the estimation system 11 performs an estimation process using a multilayer perceptron.

また、「知見・ノウハウ処理」の他の例として、以下のようなものがあり、これらについても、処理管理データベース２５（図４）に記憶されている。
すなわち、選択反映部２２に入力された処理用データが、高速道路の道路リンクについてのものであり、かつ、当該道路リンクが、東京都、大阪府及び名古屋市のいずれかに含まれている場合は、非線形対応のアルゴリズムであるバックプロパゲーションを利用し、それ以外であれば、線形対応のアルゴリズムである単層パーセプトロンを利用するという「知見・ノウハウ処理」がある。これは、高速道路では、周囲の道路リンクと比較的、線形的な相関があるが、首都圏では、分岐やランプも多く、非線形的な相関が強くなるという知見によるものである。 Other examples of “knowledge / know-how processing” include the following, which are also stored in the processing management database 25 (FIG. 4).
That is, when the processing data input to the selection reflection unit 22 is about a road link of an expressway, and the road link is included in any of Tokyo, Osaka, and Nagoya. Has a “knowledge / know-how process” that uses back propagation, which is a non-linear algorithm, and otherwise uses a single-layer perceptron, which is a linear algorithm. This is due to the knowledge that in the expressway, there is a relatively linear correlation with the surrounding road links, but in the metropolitan area, there are many branches and ramps, and the nonlinear correlation becomes stronger.

また、選択反映部２２に入力された処理用データ内に、性質が異なるデータが混在する場合、例えば、同じ道路リンクであるにも関わらず、当該道路リンクについて取得された交通情報の性質（速度情報の値）が大きく異なる場合、当該交通情報（速度情報）を分類して、分類した交通情報（速度情報）毎で、推定処理を行い、かつ、学習処理を行うようにするという「知見・ノウハウ処理」がある。
この「知見・ノウハウ処理」は、例えば、高速道路のランプの手前にあって複数車線を有する道路の道路リンクで有効である。すなわち、前記複数の車線のうち、先で分岐して一般道路へと繋がる（高速道路の出口へと繋がる）車線では、車両が渋滞することがあり、取得される速度情報が低速を示すのに対し、高速道路を継続して走行する車線では、取得される速度情報が高速を示すことがあるという知見に基づく。この場合、車両の行き先毎に、速度情報を分類して、分類した速度情報毎で、推定処理を行い、かつ、学習処理を行うようにすればよい。
さらに、別の「知見・ノウハウ処理」としては、特定の道路リンクでは、学習用データの数が所定値（例えば１００個）以上集まるまでは、空のアルゴリズム（なし）とするというノウハウ処理がある。 In addition, in the case where data having different properties are mixed in the processing data input to the selection reflection unit 22, for example, the property (speed) of the traffic information acquired for the road link even though the data is the same road link. If the information value is significantly different, the traffic information (speed information) is classified, and for each classified traffic information (speed information), an estimation process and a learning process are performed. There is “know-how processing”.
This “knowledge / know-how processing” is effective, for example, on a road link of a road having a plurality of lanes in front of a ramp on an expressway. That is, among the plurality of lanes, the vehicle may be congested in the lane that branches first and leads to the general road (connects to the exit of the expressway), but the acquired speed information indicates a low speed. On the other hand, it is based on the knowledge that the speed information acquired may indicate high speed in a lane that continuously travels on a highway. In this case, the speed information may be classified for each destination of the vehicle, and the estimation process and the learning process may be performed for each classified speed information.
Furthermore, as another “knowledge / know-how process”, there is a know-how process in which an empty algorithm (none) is used for a specific road link until the number of learning data is gathered to a predetermined value (for example, 100) or more. .

［４．推定システムについて］
［４．１ 推定処理］
図１で説明した交通情報推定装置１の推定システム１１による推定処理についてさらに説明する。図８は、交通情報推定装置１による交通情報推定方法を示している。
なお、ここで説明する推定処理、及び、後に説明する学習処理では、選択反映部２２へ与えられた処理用データは、高速道路である道路リンクから得られたものであり、前記選択反映部２２によって「知見・ノウハウ処理Ａ」が実行されている場合について説明する。つまり、処理アルゴリズムとして、線形対応である単純パーセプトロンが選択された場合として説明する。 [4. About estimation system]
[4.1 Estimation process]
The estimation process by the estimation system 11 of the traffic information estimation apparatus 1 described in FIG. 1 will be further described. FIG. 8 shows a traffic information estimation method by the traffic information estimation apparatus 1.
In the estimation process described here and the learning process described later, the processing data given to the selection reflection unit 22 is obtained from a road link that is an expressway. The case where “knowledge / know-how processing A” is executed will be described. That is, a case where a simple perceptron that is linear correspondence is selected as the processing algorithm will be described.

図２において、交通情報推定装置１が、処理用データとして、ＶＩＣＳ情報やプローブ情報を取得すると、入力情報処理部１６がＶＩＣＳ情報やプローブ情報から道路リンクの速度情報を生成する（ステップＳ１）。ただし、ステップＳ２において速度情報が取得できる道路リンクは、対象エリア内の全道路リンクのうちの一部であり、ステップＳ２では速度情報が得られない道路リンクがある。   In FIG. 2, when the traffic information estimation apparatus 1 acquires VICS information and probe information as processing data, the input information processing unit 16 generates road link speed information from the VICS information and probe information (step S1). However, the road links for which speed information can be acquired in step S2 are a part of all road links in the target area, and there are road links for which speed information cannot be obtained in step S2.

続いて、ステップＳ１で得られた速度情報を、推定データベース１３にセットし、推定データベース１３を更新する（ステップＳ２）。そして、推定システム１１は、ステップＳ３で更新された推定データベース１３の内容に基づいて、速度情報が得られていない道路リンクについての速度情報を推定し、推定した速度情報を、推定データベース１３にセットし、推定データベース１３を更新する（ステップＳ３）。このステップＳ３により、対象エリア内の全道路リンクについての速度情報（実測値と推測値とが混在したもの）が得られる。更新された推定データベース１３の例を、図９に示す。   Subsequently, the speed information obtained in step S1 is set in the estimation database 13, and the estimation database 13 is updated (step S2). Then, the estimation system 11 estimates speed information about the road link for which speed information is not obtained based on the contents of the estimation database 13 updated in step S3, and sets the estimated speed information in the estimation database 13. Then, the estimation database 13 is updated (step S3). By this step S3, speed information (a mixture of measured values and estimated values) for all road links in the target area is obtained. An example of the updated estimation database 13 is shown in FIG.

ステップＳ３にて得られた全道路リンクについての速度情報は、装置外部に出力される（ステップＳ４）。具体的には、装置１のディスプレイに表示されるか、車載装置２への提供情報として出力される。
また、ステップＳ３で更新された推定データベース１３の内容の一部は、学習データベース１４にスナップショットとして蓄積され、学習システム１２による学習用データとして用いられる（ステップＳ５）。 The speed information for all road links obtained in step S3 is output outside the apparatus (step S4). Specifically, it is displayed on the display of the device 1 or output as information to be provided to the in-vehicle device 2.
A part of the content of the estimation database 13 updated in step S3 is accumulated as a snapshot in the learning database 14, and is used as learning data by the learning system 12 (step S5).

以上のステップＳ１〜ステップＳ５の処理は、速度情報が生成される度に繰り返し実行される。入力情報処理部１６は、ＶＩＣＳ情報の更新周期（例えば５分）に合わせて、ＶＩＣＳ情報及びプローブ情報を取得して、速度情報を生成するため、ステップＳ１〜ステップＳ５の処理は、ＶＩＣＳ情報の更新周期（例えば５分）に合わせて繰り返し実行されることになる。   The processes in steps S1 to S5 are repeatedly executed every time speed information is generated. The input information processing unit 16 acquires the VICS information and the probe information in accordance with the update period (for example, 5 minutes) of the VICS information, and generates the speed information. It is repeatedly executed in accordance with the update cycle (for example, 5 minutes).

［４．２ 速度情報推定のためのモデル］
図１０は、推定システム１１が、推定対象道路リンクの速度情報を推定するためのニューラルネットワークの一例を示している。図示のニューラルネットワークは、０〜１の値をとるＮ個の入力信号ｘi（ｉ：１〜Ｎ）それぞれに、重みｗiを乗じて、出力値ｙを生成する単純パーセプトロンとして構成されている。
ここで、入力信号ｘiは、推定対象道路リンク以外の他の道路リンク（本実施形態では、推定対象道路リンクに接続された道路リンク）の速度情報であり、出力値ｙは推定対象道路リンクの速度情報である。 [4.2 Model for estimating velocity information]
FIG. 10 shows an example of a neural network for the estimation system 11 to estimate speed information of the estimation target road link. The illustrated neural network is configured as a simple perceptron that generates an output value y by multiplying each of N input signals x i (i: 1 to N) having values of 0 to 1 by weights w i . .
Here, the input signal x i is speed information of a road link other than the estimation target road link (in this embodiment, a road link connected to the estimation target road link), and the output value y is the estimation target road link. Speed information.

また、重みｘiは、推定対象道路リンク以外の複数の道路リンクそれぞれの速度情報を、どの程度の割合で反映させるかという値であり、推定対象道路リンクとの相関の高い道路リンク（例えば、推定対象道路リンクと同じ道路を構成し、推定対象道路リンクに隣接する道路リンク）ほど大きな値に設定されるべきであり、相関が低い道路リンクほど小さな値に設定されるべきものである。 The weight x i are the respective velocity information plurality of road links than the estimated target road link, a value of how to reflect what proportion of correlation high road link between the estimated target road link (e.g., A road link that constitutes the same road as the estimation target road link and is adjacent to the estimation target road link) should be set to a larger value, and a road link having a lower correlation should be set to a smaller value.

ただし、図１０のものでは、一般的な単純パーセプトロンとは異なり、入力信号ｘiに乗じられることなくノードに加算される独立パラメータｗ0が設けられている。この独立パラメータｗ0は、推定対象道路リンク以外の道路リンクにおける速度情報以外の要因が、推定対象道路リンクの速度情報に与える要因（例えば、道路リンク間での制限速度の差）を表現することができ、速度情報を精度良く推定することができる。 However, in FIG. 10, an independent parameter w 0 that is added to a node without being multiplied by the input signal x i is provided unlike a general simple perceptron. This independent parameter w 0 expresses a factor (for example, a difference in speed limit between road links) that a factor other than speed information in a road link other than the estimation target road link gives to the speed information of the estimation target road link. Speed information can be estimated with high accuracy.

以上のように、推定システム１１が、ある推定対象道路リンクの速度情報を求めるには、当該推定対象道路リンクとの相関が多少なりとも認められる他の道路リンクの速度情報と、当該他の道路リンクの速度情報をどの程度ほど推定対象道路リンクの速度情報に反映させるかを示す重みと、が得られればよい。前記他の道路リンクの速度情報は、推定データベース（交通情報データベース）１３に蓄積されており、重みは重みデータベース１５に蓄積されており、推定システム１１は、両データベース１３，１５から必要な情報を取得する。   As described above, in order for the estimation system 11 to obtain the speed information of a certain estimation target road link, the speed information of the other road link that is slightly correlated with the estimation target road link and the other road It is only necessary to obtain a weight indicating how much the link speed information is reflected in the speed information of the estimation target road link. The speed information of the other road links is accumulated in the estimation database (traffic information database) 13, the weight is accumulated in the weight database 15, and the estimation system 11 obtains necessary information from both the databases 13 and 15. get.

上記のようなニューラルネットは、各道路リンクについて設けられることになるため、推定システム１１は、複数の道路リンクそれぞれに関する速度情報を、他の道路リンクに関する速度情報及びその寄与度を示す推定用パラメータ（重み）を用いて推定可能に構成されていることになる。   Since the above-described neural network is provided for each road link, the estimation system 11 uses the speed information about each of the plurality of road links, the speed information about the other road links, and the estimation parameters indicating the degree of contribution thereof. It is configured to be able to be estimated using (weight).

図８のステップＳ５におけるスナップショットは、入力情報が取得されて、推定データベースの全道路リンクの更新（ステップＳ３，Ｓ４）が行われる度に発生し、学習用データとして蓄積される。このスナップショットは、プローブ情報を取得できた道路リンクについて発生する。
したがって、推定データベースの全道路リンクの更新（ステップＳ２，Ｓ３）が何度も行われると、他の道路リンクについてもスナップショットが蓄積される。また、入力情報が繰り返し発生するほどの十分な時間が経過すると、一つの道路リンクについて複数のスナップショットが蓄積される。 The snapshot in step S5 of FIG. 8 occurs every time input information is acquired and all road links in the estimation database are updated (steps S3 and S4), and is accumulated as learning data. This snapshot is generated for a road link for which probe information has been acquired.
Therefore, when all road links in the estimation database are updated many times (steps S2 and S3), snapshots are also accumulated for other road links. In addition, when a sufficient time has passed so that the input information is repeatedly generated, a plurality of snapshots are accumulated for one road link.

［４．３ 学習処理について］
図１１は、ある道路リンク（リンク番号２０）について、複数のスナップショットが蓄積された学習データベース１４の内容を示している。
このようにして多数のスナップショットが学習用データとして蓄積された学習データベース１４に基づいて、学習システム１２が、重みデータベース１５に記憶されている重み（推定用パラメータ）の学習（最適化）を行って、重みデータベース１５の内容を更新する。 [4.3 Learning process]
FIG. 11 shows the contents of the learning database 14 in which a plurality of snapshots are accumulated for a certain road link (link number 20).
Based on the learning database 14 in which a large number of snapshots are accumulated as learning data in this way, the learning system 12 learns (optimizes) the weights (estimation parameters) stored in the weight database 15. Thus, the contents of the weight database 15 are updated.

図１２は、学習システム１２による学習処理の手順を示している。この学習処理の手順を説明する。なお、学習システム１２は、前記のとおり、学習アルゴリズムとして単純パーセプトロン（図１０）が使用される。
学習システム１２は、誤差判定のための許容誤差等の学習用のパラメータ設定を行う（ステップＳ１１）。 FIG. 12 shows a procedure of learning processing by the learning system 12. The procedure of this learning process will be described. As described above, the learning system 12 uses a simple perceptron (FIG. 10) as a learning algorithm.
The learning system 12 sets parameters for learning such as an allowable error for error determination (step S11).

つまり、学習システム１２は、学習データベース１４（図１１）に蓄積されているスナップショットのうち、実測値である速度情報を教師信号とし、教師信号となる速度情報を持つ道路リンクの関連道路リンクについての速度情報から、この教師信号を出力するための適切なニューラルネットワークを再構築する。すなわち、学習システム１２は、実測値である速度情報と、当該速度情報を持つ道路リンクの関連道路リンクについての速度情報とからなる学習用データから、重みの最適値を算出する。重みの最適値の算出は、例えば、重回帰分析に基づいたアルゴリズムによって行える。   That is, the learning system 12 uses the speed information, which is an actual measurement value, as a teacher signal among the snapshots stored in the learning database 14 (FIG. 11), and related road links having road information having the speed information as a teacher signal. From this speed information, an appropriate neural network for outputting the teacher signal is reconstructed. That is, the learning system 12 calculates the optimum value of the weight from the learning data including the speed information that is the actually measured value and the speed information about the related road link having the speed information. The calculation of the optimum value of the weight can be performed by, for example, an algorithm based on multiple regression analysis.

重みの最適値の算出は、関連道路リンクについての速度情報から算出される速度情報が、教師信号に近づいて、教師信号との誤差が、設定された許容誤差未満になるまで行われる（ステップＳ１２，ステップＳ１３）。なお、重みの最適値の算出（学習処理）は、ニューロエンジンに限らず、他の手段によって行われてもよい。
重みが収束して学習処理が終了すると、得られた重みは、重みデータベース１５に反映され、重みデータベース１５が更新される。 The calculation of the optimum value of the weight is performed until the speed information calculated from the speed information about the related road link approaches the teacher signal and the error from the teacher signal becomes less than the set allowable error (step S12). , Step S13). The calculation (learning process) of the optimum weight value is not limited to the neuro engine, and may be performed by other means.
When the weights converge and the learning process ends, the obtained weights are reflected in the weight database 15 and the weight database 15 is updated.

重みデータベース１５が更新された後に、ＶＩＣＳ情報及びプローブ情報からなる入力情報が発生すると、推定システム１１による速度情報の推定は、新たな重みを用いて、より精度良く行われる。このように、本実施形態の交通情報推定装置１では、運用を続けることで、交通情報（速度情報）の推定精度が自然に向上する。   When input information including VICS information and probe information is generated after the weight database 15 is updated, speed information is estimated by the estimation system 11 using new weights with higher accuracy. Thus, in the traffic information estimation apparatus 1 of this embodiment, the estimation accuracy of traffic information (speed information) naturally improves by continuing operation.

［５． 情報処理装置の別の実施形態］
前記実施形態では、本発明の情報処理装置を、交通情報推定装置として説明した。本発明の情報処理装置は、他の用途にも適用することができ、その一例としてスパムメール学習システムを備えた情報処理装置である。このスパムメール学習システムは、到来した電子メールが、正常なメールであるか、スパムメール（迷惑メール）であるか、を判定する処理を行う。つまり、学習システムによって蓄積されたデータに基づいて、新たに到来した電子メールを分析し、正常なメールであるか、スパムメールであるかの分類を行う。 [5. Another embodiment of information processing apparatus]
In the embodiment, the information processing apparatus of the present invention has been described as a traffic information estimation apparatus. The information processing apparatus of the present invention can be applied to other uses, and an information processing apparatus provided with a spam mail learning system as an example. This spam mail learning system performs processing for determining whether an incoming electronic mail is a normal mail or a spam mail (spam mail). That is, based on the data accumulated by the learning system, newly arrived e-mails are analyzed and classified as normal mails or spam mails.

そして、本実施形態のスパムメール学習システムは、ある知見やノウハウから得られたノウハウ処理が参照され、実行されたことにより、複数のアルゴリズムの中から選択されたアルゴリズムによって学習処理を行うことができる。
このために、前記実施形態と同様に、処理管理データベース（図４参照）が設けられており、この処理管理データベースには、スパムメール学習処理で用いられるアルゴリズムが選択される条件に関する選択情報が記憶されている。なお、本実施形態では、前記条件は「学習用データの特性」に関する条件である。
この選択情報は、処理システムにおけるスパムメール学習処理に反映させると好ましいノウハウ処理に関する情報であり、処理管理データベース２５には、このようなノウハウ処理の種類、及び、そのノウハウ処理のプログラム本体が記憶されている。なお、本実施形態でも、追加部２９（図３参照）によって、選択情報（「知見・ノウハウ処理」）を新たに追加可能である。 And the spam mail learning system of this embodiment can perform learning processing by an algorithm selected from a plurality of algorithms by referring to and executing know-how processing obtained from certain knowledge and know-how. .
For this reason, a process management database (see FIG. 4) is provided as in the above-described embodiment, and this process management database stores selection information relating to conditions for selecting an algorithm used in the spam mail learning process. Has been. In the present embodiment, the condition is a condition related to “characteristics of learning data”.
This selection information is information regarding know-how processing that is preferable when reflected in the spam mail learning processing in the processing system, and the type of know-how processing and the program body of the know-how processing are stored in the processing management database 25. ing. Also in this embodiment, selection information (“knowledge / know-how processing”) can be newly added by the adding unit 29 (see FIG. 3).

なお、本実施形態における学習用データは、電子メールのデータを元に形成されたデータである。例えば、学習用データは、メールのデータに含まれている、宛先のデータ、送信元のデータ、ヘッダー部分のデータ、及び、メール本文の部分のデータ等である。
図３を参考に説明すると、システム依存部２１は、電子メールのデータが入力されると、当該電子メールのデータに含まれている、宛先のデータ、送信元のデータ、ヘッダー部分のデータ、及び、メール本文の部分のデータ等を取得し、これらを、処理用データとして選択反映部２２へ出力する。 Note that the learning data in this embodiment is data formed based on e-mail data. For example, the learning data includes destination data, transmission source data, header part data, mail body part data, and the like included in the mail data.
Referring to FIG. 3, when the e-mail data is input, the system dependent unit 21 receives the destination data, the transmission source data, the header data, and the data included in the e-mail data. The data of the mail body part is acquired, and these are output to the selection reflection unit 22 as processing data.

そして、前記実施形態と同様に、選択反映部２２は、有効である「知見・ノウハウ処理」を参照し、その処理を実行することにより、スパムメール学習処理を行うために好ましいアルゴリズムを、学習用データの特性に応じて、複数のアルゴリズムから選択する。
すると、スパムメール学習システム（処理システム）は、複数のアルゴリズムのうち、選択反映部２２によって選択されたアルゴリズムによって、学習処理を実行する。 Similarly to the above-described embodiment, the selection reflection unit 22 refers to effective “knowledge / know-how processing”, and executes the processing to obtain a preferred algorithm for performing the spam mail learning processing. Select from several algorithms according to the characteristics of the data.
Then, the spam mail learning system (processing system) executes the learning process using an algorithm selected by the selection reflection unit 22 among a plurality of algorithms.

本実施形態における選択情報（「知見・ノウハウ処理」）としては、以下のものがあり、これらについて、処理管理データベース２５（図４参照）に記憶されている。また、新たに選択情報（知見・ノウハウ処理）が作成されると、追加して記憶させることができる。
選択反映部２２に入力された学習用データが、日本のものである場合（つまり、日本から到来したものである場合）ベイジアンフィルタにより学習し、それ以外のものはサポートベクタマシンとベイジアンフィルタとの双方により学習するという「知見・ノウハウ処理」がある。
これによれば、海外からの電子メールに対しては二重のアルゴリズムで学習することにより、万全を備えることができる。 The selection information (“knowledge / know-how processing”) in the present embodiment includes the following, which are stored in the processing management database 25 (see FIG. 4). Further, when selection information (knowledge / know-how processing) is newly created, it can be additionally stored.
If the learning data input to the selection reflection unit 22 is Japanese (that is, data that has arrived from Japan), learning is performed using a Bayesian filter, and the other data is obtained from the support vector machine and the Bayesian filter. There is “knowledge and know-how processing” in which both sides learn.
According to this, it is possible to prepare for e-mails from overseas by learning with a double algorithm.

また、他の「知見・ノウハウ処理」としては、選択反映部２２に入力されたデータが、ＡＡＡ会社のものである場合、メール本文を学習対象として学習し、それ以外はメールの宛先のデータ及びメールの送信元のデータのみを学習対象として学習するというノウハウ処理がある。この場合、第一フィルタリングにより抽出されたデータに対して、重点的に学習させることができる。   As another “knowledge / know-how processing”, when the data input to the selection reflection unit 22 is from the AAA company, the mail body is learned as a learning target, and otherwise, the mail destination data and There is a know-how process in which only the data of the mail sender is learned as a learning target. In this case, it is possible to focus learning on the data extracted by the first filtering.

このように設定されている「知見・ノウハウ処理」を実行することで、学習用データの特性に応じたアルゴリズムが選択され、学習処理に好ましい結果をもたらすことが可能となる。例えば、「知見・ノウハウ処理」を実行することで、ベイジアンフィルタを採用すれば、このベイジアンフィルタのアルゴリズムであるベイズ理論は回帰モデルではないので、処理を速くすることができる。また、サポートベクタマシンを採用すれば、ベイジアンフィルタの場合よりもテキスト分類の精度を高くすることができる。   By executing the “knowledge / know-how processing” set in this way, an algorithm corresponding to the characteristics of the learning data is selected, and a favorable result can be brought to the learning processing. For example, by executing “knowledge / know-how processing”, if a Bayesian filter is employed, the Bayesian theory that is an algorithm of this Bayesian filter is not a regression model, so that the processing can be speeded up. If a support vector machine is employed, the accuracy of text classification can be made higher than in the case of a Bayesian filter.

以上のような前記各実施形態によれば、情報処理に反映させると好ましい知見・ノウハウ処理が参照されることにより、情報処理の対象とする処理用データの特性に基づいて、好ましいアルゴリズムが複数のアルゴリズムから選択される。そして、このアルゴリズムによって情報処理が実行される。すなわち、情報処理の対象とする処理用データの特性に基づいて、好ましいアルゴリズムの切り替えが可能となり、汎用性の高い情報処理装置となる。また、アルゴリズムの選択は、情報処理に反映させると好ましいノウハウに関するノウハウ処理を実行することにより達成されることから、選択されるアルゴリズムは、実行される情報処理に当然相応しいものである。   According to each of the embodiments as described above, by referring to preferable knowledge and know-how processing when reflected in information processing, a plurality of preferable algorithms are based on characteristics of processing data to be processed. Selected from algorithms. Information processing is executed by this algorithm. That is, based on the characteristics of the processing data to be processed, it is possible to switch a preferable algorithm, and the information processing apparatus is highly versatile. Moreover, since the selection of the algorithm is achieved by executing know-how processing relating to preferable know-how when reflected in the information processing, the selected algorithm is naturally suitable for the information processing to be executed.

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味、及び範囲内でのすべての変更が含まれることが意図される。   The embodiment disclosed this time should be considered as illustrative in all points and not restrictive. The scope of the present invention is defined by the terms of the claims, rather than the meanings described above, and is intended to include any modifications within the scope and meaning equivalent to the terms of the claims.

１：交通情報推定装置（情報処理装置）、 １０：処理システム（処理部）、 １１：推定システム（推定部）、 １２：学習システム（学習部）、 ２２：選択反映部（反映部）、 ２５：処理管理データベース、 ２６：アルゴリズム管理データベース（第２の記憶部）、 ２９：選択情報追加部、 ３０：アルゴリズム追加部、 ３１：設定部、 ３３：記憶装置（第１の記憶部） ３４：記憶装置（第２の記憶部）   1: traffic information estimation device (information processing device), 10: processing system (processing unit), 11: estimation system (estimating unit), 12: learning system (learning unit), 22: selective reflection unit (reflection unit), 25 : Processing management database, 26: algorithm management database (second storage unit), 29: selection information addition unit, 30: algorithm addition unit, 31: setting unit, 33: storage device (first storage unit) 34: storage Device (second storage unit)

Claims (9)

学習処理を所定のアルゴリズムを用いて実行する情報処理装置であって、
前記学習処理で用いられるアルゴリズムが選択される条件に関する選択情報を、複数記憶可能である記憶部と、
前記選択情報を参照して前記学習処理で用いられるアルゴリズムを、複数のアルゴリズムから、前記条件に応じて選択する選択反映部と、
選択されたアルゴリズムの識別情報を取得し、当該アルゴリズムによって前記学習処理を実行する処理部と、
を有していることを特徴とする情報処理装置。 An information processing apparatus that executes learning processing using a predetermined algorithm,
A storage unit capable of storing a plurality of selection information related to conditions under which an algorithm used in the learning process is selected;
A selection reflection unit that selects an algorithm used in the learning process with reference to the selection information from a plurality of algorithms according to the condition;
A processing unit that acquires identification information of the selected algorithm and executes the learning process by the algorithm;
An information processing apparatus comprising: 前記記憶部に選択情報を新たに記憶させるための選択情報追加部を、更に備えている請求項１に記載の情報処理装置。   The information processing apparatus according to claim 1, further comprising a selection information adding unit for newly storing selection information in the storage unit. 前記アルゴリズムによる処理に必要なアルゴリズム処理情報を複数記憶可能である第２の記憶部と、当該第２の記憶部にアルゴリズムによる処理に必要なアルゴリズム処理情報を新たに記憶させるためのアルゴリズム追加部と、を更に備えている請求項１又は２に記載の情報処理装置。   A second storage unit capable of storing a plurality of pieces of algorithm processing information necessary for processing by the algorithm, and an algorithm addition unit for newly storing algorithm processing information necessary for processing by the algorithm in the second storage unit; The information processing apparatus according to claim 1, further comprising: 前記記憶部に記憶されている複数の選択情報のうち、前記選択反映部によって行われる前記選択の処理で用いられる選択情報を設定する設定部を、更に備えている請求項１〜３のいずれか一項に記載の情報処理装置。   The setting part which sets the selection information used by the said selection process performed by the said selection reflection part among the some selection information memorize | stored in the said memory | storage part is further provided. The information processing apparatus according to one item. 前記選択反映部は、前記学習処理のために入力される入力データから、前記選択反映部によって選択されたアルゴリズムに適応する学習用データを生成する請求項１〜４のいずれか一項に記載の情報処理装置。   The said selection reflection part produces | generates the data for learning adapted to the algorithm selected by the said selection reflection part from the input data input for the said learning process. Information processing device. 前記選択反映部は、前記学習処理のために入力される入力データの数を増減させて前記学習用データを生成する請求項５に記載の情報処理装置。   The information processing apparatus according to claim 5, wherein the selection reflection unit generates the learning data by increasing or decreasing the number of input data input for the learning process. 前記学習処理は、道路リンクの交通情報を他の道路リンクの交通情報から推定する推定処理を、所定のアルゴリズムにより最適化する処理である請求項１〜６のいずれか一項に記載の情報処理装置。   The information processing according to any one of claims 1 to 6, wherein the learning process is a process of optimizing an estimation process for estimating traffic information of a road link from traffic information of another road link using a predetermined algorithm. apparatus. コンピュータを、請求項１〜７のいずれか１項に記載の情報処理装置として機能させるためのコンピュータプログラム。   The computer program for functioning a computer as an information processing apparatus of any one of Claims 1-7. 学習処理を所定のアルゴリズムを用いて実行するコンピュータによる情報処理方法であって、
前記学習処理で用いられるアルゴリズムが選択される条件に関する選択情報が、コンピュータに複数記憶されており、
コンピュータが、前記選択情報を参照して前記学習処理で用いられるアルゴリズムを、複数のアルゴリズムから、前記条件に応じて選択し、
コンピュータが、選択されたアルゴリズムの識別情報を取得し、当該アルゴリズムによって前記学習処理を実行することを特徴とする情報処理方法。 An information processing method by a computer that executes a learning process using a predetermined algorithm,
A plurality of selection information related to conditions for selecting an algorithm used in the learning process is stored in the computer,
The computer selects an algorithm used in the learning process with reference to the selection information from a plurality of algorithms according to the condition,
An information processing method, wherein a computer acquires identification information of a selected algorithm, and executes the learning process by the algorithm.
JP2010001442A 2010-01-06 2010-01-06 Information processing apparatus, computer program, and information processing method Pending JP2011141678A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010001442A JP2011141678A (en) 2010-01-06 2010-01-06 Information processing apparatus, computer program, and information processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010001442A JP2011141678A (en) 2010-01-06 2010-01-06 Information processing apparatus, computer program, and information processing method

Publications (1)

Publication Number Publication Date
JP2011141678A true JP2011141678A (en) 2011-07-21

Family

ID=44457484

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010001442A Pending JP2011141678A (en) 2010-01-06 2010-01-06 Information processing apparatus, computer program, and information processing method

Country Status (1)

Country Link
JP (1) JP2011141678A (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018097671A (en) * 2016-12-14 2018-06-21 株式会社グルーヴノーツ Service construction device, service construction method, and service construction program
JP2019204392A (en) * 2018-05-25 2019-11-28 ギリア株式会社 Learning data discrimination device and learning data discrimination program
WO2020158217A1 (en) * 2019-02-01 2020-08-06 ソニー株式会社 Information processing device, information processing method, and information processing program
JP7366293B1 (en) * 2022-07-04 2023-10-20 三菱電機株式会社 Vehicle management device and vehicle management method
JP7465497B2 (en) 2020-02-05 2024-04-11 日本電信電話株式会社 Learning device, learning method, and program

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018097671A (en) * 2016-12-14 2018-06-21 株式会社グルーヴノーツ Service construction device, service construction method, and service construction program
JP2019204392A (en) * 2018-05-25 2019-11-28 ギリア株式会社 Learning data discrimination device and learning data discrimination program
JP7037180B2 (en) 2018-05-25 2022-03-16 ギリア株式会社 Learning data discriminator and learning data discriminator
WO2020158217A1 (en) * 2019-02-01 2020-08-06 ソニー株式会社 Information processing device, information processing method, and information processing program
JP7465497B2 (en) 2020-02-05 2024-04-11 日本電信電話株式会社 Learning device, learning method, and program
JP7366293B1 (en) * 2022-07-04 2023-10-20 三菱電機株式会社 Vehicle management device and vehicle management method

Similar Documents

Publication Publication Date Title
US7783416B2 (en) Navigation server
JP4165700B2 (en) Route search system and method, navigation system, and computer program
US8781717B2 (en) Traffic information creating device, traffic information creating method and program
US8914226B2 (en) Traffic information creating device, traffic information creating method and program
WO2014091982A1 (en) Traffic jam prediction device, traffic jam prediction system, traffic jam prediction method, and program
JP2007011558A (en) Apparatus and method for predicting traffic jam
EP3344951B1 (en) Method and system for detecting an open navigable element
JP2019032174A (en) Information processing system and information processing method
JP6404638B2 (en) Parking stop position guidance system, parking stop position guide method, center apparatus, and parking stop position guide apparatus
JP2011141678A (en) Information processing apparatus, computer program, and information processing method
JP2011113547A (en) Traffic information estimation device, computer program for estimating traffic information, and traffic information estimation method
CN106683401B (en) Image data transmission device for vehicle
JP2011113362A (en) Traffic information estimation system, boundary traffic information estimation apparatus, traffic information estimation apparatus for divided regions, computer program, traffic information estimation method, boundary traffic information estimation method, and traffic information estimation method for divided region
CN111323034A (en) Determining a subsequent test route during a test run of a vehicle
JP2006275647A (en) On-vehicle communication navigation terminal device, navigation server device, navigation system, control method therefor, and control program
US8306742B2 (en) Navigation server
JP2013206325A (en) Traffic information prediction device, traffic information prediction method and computer program
JP6319010B2 (en) Probe information collecting apparatus and probe information collecting method
JP2013214232A (en) Traffic information prediction device, method for predicting traffic information, and computer program
JP2019021330A (en) Parking/stopping position guidance system, parking/stopping position guidance method, center device and parking/stopping position guidance device
JP5452437B2 (en) Route search device
JP5513362B2 (en) Speed information generating apparatus, speed information generating method, traffic jam information generating apparatus, and program
JP5083345B2 (en) Traffic information prediction apparatus, computer program for traffic information prediction, and traffic information prediction method
JP2011227826A (en) Traffic information prediction system, computer program, and traffic information prediction method
KR102018583B1 (en) Apparatus for providing traffic information and method thereof