JP2020154958A - Abnormal traffic flow detection device, abnormal traffic flow detection method, and abnormal traffic flow detection program - Google Patents
Abnormal traffic flow detection device, abnormal traffic flow detection method, and abnormal traffic flow detection program Download PDFInfo
- Publication number
- JP2020154958A JP2020154958A JP2019054507A JP2019054507A JP2020154958A JP 2020154958 A JP2020154958 A JP 2020154958A JP 2019054507 A JP2019054507 A JP 2019054507A JP 2019054507 A JP2019054507 A JP 2019054507A JP 2020154958 A JP2020154958 A JP 2020154958A
- Authority
- JP
- Japan
- Prior art keywords
- speed
- abnormal traffic
- traffic flow
- distance
- flow
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
本発明は、異常交通流検出装置、異常交通流検出方法、及び異常交通流検出プログラムに関し、例えば、高速道路において、突発事象の発生による渋滞を検出する異常交通流検出装置に関する。 The present invention relates to an abnormal traffic flow detection device, an abnormal traffic flow detection method, and an abnormal traffic flow detection program, for example, an abnormal traffic flow detection device that detects congestion due to the occurrence of a sudden event on an expressway.
高速道路では、トラフィックカウンタ（センサ）が所定距離（例えば、約１０ｋｍ）毎に設置されており、管制センタは、自然渋滞や事故等による異常渋滞の存在を検出している。また、事故等の突発事象が発生したとき、管制センタに電話等で連絡が行われる。このとき、管制センタは、トラフィックカウンタを用いて、渋滞した道路区間を把握し、把握した道路区間までパトロールカーを走行させるようにしている。そして、パトロールカーは、トラフィックカウンタ間（約１０ｋｍ）の側道を走行することにより、事故地点を確認することができる。 On expressways, traffic counters (sensors) are installed at predetermined distances (for example, about 10 km), and the control center detects the presence of abnormal traffic jams due to natural traffic jams, accidents, and the like. In addition, when a sudden event such as an accident occurs, the control center is contacted by telephone or the like. At this time, the control center uses a traffic counter to grasp the congested road section and drive the patrol car to the grasped road section. Then, the patrol car can confirm the accident point by traveling on the side road between the traffic counters (about 10 km).
特許文献1には、車両検知器によって観測される交通量に基づいて変化する交通流状態を判定する方法が開示されている。また、特許文献２には、車両の存在する位置及び時刻を含むプローブ情報から、ある区間における車両の速度推移と、前記区間における過去の速度推移との相関値を、予め定められた閾値と比較することによって、異常交通流を判定する方法が開示されている。 Patent Document 1 discloses a method of determining a changing traffic flow state based on the traffic volume observed by a vehicle detector. Further, in Patent Document 2, the correlation value between the speed transition of the vehicle in a certain section and the past speed transition in the section is compared with a predetermined threshold value from the probe information including the position and time of the vehicle. By doing so, a method of determining an abnormal traffic flow is disclosed.
ところで、管制センタは、パトロールカーをトラフィックカウンタ間を走行させることなく、事前に、事故地点を把握できることが好ましい。
この点、特許文献１に開示されている技術も、車両検知器を道路区間ごとに設置したものである。このため、特許文献１に開示されている技術も、道路において渋滞が発生した際に、その渋滞がどの道路区間で発生したか特定可能である。しかしながら、その渋滞が自然渋滞か事故等による異常渋滞（異常交通流）なのかまでは、判定することができない。
By the way, it is preferable that the control center can grasp the accident point in advance without running the patrol car between the traffic counters.
In this regard, the technique disclosed in Patent Document 1 also has a vehicle detector installed for each road section. Therefore, the technique disclosed in Patent Document 1 can also specify in which road section the traffic jam occurs when the traffic jam occurs on the road. However, it cannot be determined whether the traffic jam is a natural traffic jam or an abnormal traffic jam (abnormal traffic flow) due to an accident or the like.
また、特許文献２に開示されている技術は、評価対象地点を指定せず、任意の地点において、自然渋滞と異常渋滞とを過去データとの速度推移誤差の２乗和計算により判定している。このため、特許文献２に開示されている技術は、交通量の大小によって、異なる大きさの渋滞を異常渋滞（異常交通流）であると誤検知してしまう問題があった。また、特許文献２に開示されている技術は、検知性能に大きく影響を与える閾値の設定を手動で決定する必要もある。 Further, the technique disclosed in Patent Document 2 does not specify an evaluation target point, and determines natural congestion and abnormal congestion at an arbitrary point by calculating the sum of squares of speed transition errors with past data. .. Therefore, the technique disclosed in Patent Document 2 has a problem that traffic jams of different sizes are erroneously detected as abnormal traffic jams (abnormal traffic flow) depending on the amount of traffic volume. Further, in the technique disclosed in Patent Document 2, it is also necessary to manually determine the setting of the threshold value that greatly affects the detection performance.
本発明は、このような問題点を解決するためになされたものであり、自然渋滞と異常交通流とを区別することができる異常交通流検出装置、異常交通流検出方法、及び異常交通流検出プログラムを提供することを目的とする。 The present invention has been made to solve such a problem, and an abnormal traffic flow detection device, an abnormal traffic flow detection method, and an abnormal traffic flow detection capable of distinguishing between natural traffic congestion and abnormal traffic flow. The purpose is to provide a program.
前記目的を達成するために、本発明の異常交通流検出装置は、道路（特に、片側複数車線の高速道路）を走行する車両から走行履歴情報を取得する走行履歴情報取得部（２）と、前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離を求める速度回復距離算出部（３）と、前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定部（７）とを有することを特徴とする。なお、括弧内の符号や文字は、実施形態において付した符号等であって、本発明を限定するものではない。 In order to achieve the above object, the abnormal traffic flow detection device of the present invention includes a travel history information acquisition unit (2) that acquires travel history information from a vehicle traveling on a road (particularly, a highway having a plurality of lanes on each side). Based on the travel history information, a point where the speed of the vehicle becomes equal to or lower than a predetermined traffic flow speed is detected, and the speed is recovered until the speed of the vehicle recovers to a predetermined free flow speed faster than the traffic flow speed. It is characterized by having a speed recovery distance calculation unit (3) for obtaining a distance and a determination unit (7) for determining an abnormal traffic flow when the speed recovery distance is equal to or less than a predetermined threshold value. The symbols and characters in parentheses are the symbols and the like attached in the embodiments, and do not limit the present invention.
本発明によれば、自然渋滞と異常交通流とを区別することができる。 According to the present invention, it is possible to distinguish between natural traffic congestion and abnormal traffic flow.
以下、図面を参照して、本発明の実施の形態（以下、「本実施形態」と称する）につき詳細に説明する。なお、各図は、本発明を十分に理解できる程度に、概略的に示してあるに過ぎない。また、各図において、共通する構成要素や同様な構成要素については、同一の符号を付し、それらの重複する説明を省略する。 Hereinafter, embodiments of the present invention (hereinafter, referred to as “the present embodiment”) will be described in detail with reference to the drawings. In addition, each figure is only shown schematicly to the extent that the present invention can be fully understood. Further, in each figure, common components and similar components are designated by the same reference numerals, and duplicate description thereof will be omitted.
（第１実施形態）
（構成の説明）
図１は、本発明の実施形態である異常交通流検出システムの構成図である。
異常交通流検出システムＳは、道路上に設置された複数のプローブデータ収集器１と、管制センタ内の異常交通流検出装置１００とを備え、ネットワークを介して通信可能に接続されている。道路は、片側複数車線の高速道路を想定し、道路上には、電子料金収受システムＥＴＣ（Electronic Toll Collection System）２．０に対応した車載器を搭載した車両Ｖが走行するものとする。ＥＴＣ２．０用車載器は、例えば、時刻、ＧＰＳ（global positioning system）測位位置（緯度・経度）、時刻及び測位位置から演算した車速とを含む走行履歴データ等を逐次格納し、プローブデータ収集器１に一括送信するように構成されている。プローブデータ収集器１は、車載器から走行履歴データ等をプローブデータとして収集するものである。なお、プローブデータ収集器１は、例えば、８ｋｍ毎に設置されている。
(First Embodiment)
(Explanation of configuration)
FIG. 1 is a block diagram of an abnormal traffic flow detection system according to an embodiment of the present invention.
The abnormal traffic flow detection system S includes a plurality of probe data collectors 1 installed on the road and an abnormal traffic flow detection device 100 in the control center, and is communicably connected via a network. The road is assumed to be an expressway with multiple lanes on each side, and a vehicle V equipped with an on-board unit compatible with the electronic toll collection system ETC (Electronic Toll Collection System) 2.0 runs on the road. The on-board unit for ETC 2.0 sequentially stores driving history data including time, GPS (global positioning system) positioning position (latitude / longitude), time and vehicle speed calculated from the positioning position, and is a probe data collector. It is configured to send all at once to 1. The probe data collector 1 collects travel history data and the like as probe data from the on-board unit. The probe data collector 1 is installed every 8 km, for example.
異常交通流検出装置１００は、走行履歴情報取得部２、速度回復距離算出部３、速度回復距離記憶部４、パラメータ学習部５、閾値演算部６、判定部７を有したサーバである。異常交通流検出装置１００は、制御部（ＣＰＵ（Central Processing Unit））や記憶部を有し、制御部が異常交通流検出プログラムを実行することにより、走行履歴情報取得部２、速度回復距離算出部３、パラメータ学習部５、閾値演算部６、判定部７としての機能を実現する。 The abnormal traffic flow detection device 100 is a server having a travel history information acquisition unit 2, a speed recovery distance calculation unit 3, a speed recovery distance storage unit 4, a parameter learning unit 5, a threshold value calculation unit 6, and a determination unit 7. The abnormal traffic flow detection device 100 has a control unit (CPU (Central Processing Unit)) and a storage unit, and the control unit executes an abnormal traffic flow detection program to calculate the travel history information acquisition unit 2 and the speed recovery distance. The functions as a unit 3, a parameter learning unit 5, a threshold value calculation unit 6, and a determination unit 7 are realized.
走行履歴情報取得部２は、プローブデータ収集部１から取得した走行履歴データのＧＰＳ測位位置と地図情報とを関連付けて、高速道路の路線コードと、起点からの距離（キロポストともいう。）を求める。さらに、プローブデータ記憶部２１は、予め設定した時間幅（例えば、１分）及び区間幅（例えば、１００ｍ）ごとに、車両Ｖの車速を平均し、例えば、路線コード、時刻、起点からの距離、平均速度を蓄積する。 The travel history information acquisition unit 2 associates the GPS positioning position of the travel history data acquired from the probe data collection unit 1 with the map information, and obtains the route code of the expressway and the distance from the starting point (also referred to as a kilometer post). .. Further, the probe data storage unit 21 averages the vehicle speed of the vehicle V for each preset time width (for example, 1 minute) and section width (for example, 100 m), and for example, the route code, the time, and the distance from the starting point. , Accumulate average speed.
走行履歴情報取得部２は、プローブデータ記憶部２１とイベントデータ記憶部２２とを有する。プローブデータ記憶部２１は、プローブデータ収集器１から取得したプローブデータを蓄積し、イベントデータ記憶部２２は、過去に道路上で発生した事象（例えば、事故や、荷物の落下）を蓄積している。イベントデータは、管制センタにおいて入力する事象データであり、例えば、事故や路上障害物、故障車を表す事象コードを、日時及び起点からの距離に関連づけたものである。 The travel history information acquisition unit 2 has a probe data storage unit 21 and an event data storage unit 22. The probe data storage unit 21 accumulates probe data acquired from the probe data collector 1, and the event data storage unit 22 accumulates events that have occurred on the road in the past (for example, an accident or a fall of luggage). There is. The event data is event data input at the control center, and is, for example, an event code representing an accident, a road obstacle, or a broken vehicle associated with a date and time and a distance from the starting point.
図２は、プローブデータの一例を示す表である。
プローブデータは、行方向に「日時」、「路線コード」、「方向」、「平均速度」、基点からの「距離」の項目が列挙されたものである。例えば、プローブデータ２００は、日時「2018/4/29 15:29」、路線コード「１２３４」、方向「１」（上り又は下りを示す。）において、起点からの距離「５３．４」ｋｍの地点に平均速度「７４」ｋｍで走行している車両と、起点からの距離「５３．５」ｋｍの地点に平均速度「８４」ｋｍで走行している車両と、起点からの距離「５３．６」ｋｍの地点に平均速度「７０」ｋｍで走行している車両とが列方向に記録されている。
FIG. 2 is a table showing an example of probe data.
The probe data lists the items of "date and time", "route code", "direction", "average speed", and "distance" from the base point in the row direction. For example, the probe data 200 has a distance of "53.4" km from the starting point at the date and time "2018/4/29 15:29", the route code "1234", and the direction "1" (indicating ascending or descending). A vehicle traveling at an average speed of "74" km at a point, a vehicle traveling at an average speed of "84" km at a distance of "53.5" km from the starting point, and a distance of "53." from the starting point. Vehicles traveling at an average speed of "70" km are recorded in the row direction at a point of "6" km.
図３は、自然渋滞と交通異常渋滞とを表現した速度分布を示す図である。 FIG. 3 is a diagram showing a speed distribution expressing natural traffic congestion and abnormal traffic congestion.
自然渋滞（交通集中渋滞）は、登り坂、トンネルの入り口、合流地点など速度低下が慢性的に発生する地点に、交通容量以上の交通量が流入することによって発生する。渋滞の原因となる場所が固定され、渋滞の先頭位置は変化しない。このため、速度低下は交通量の上昇とともに徐々に進行方向に対して後方に伝播し、渋滞が伸びることになる。 Natural congestion (concentrated traffic congestion) occurs when more traffic than the traffic capacity flows into points where slowdowns occur chronically, such as uphill slopes, tunnel entrances, and confluences. The location that causes the traffic jam is fixed, and the head position of the traffic jam does not change. For this reason, the decrease in speed gradually propagates backward in the direction of travel as the traffic volume increases, and the traffic congestion increases.
一方、交通異常渋滞は、交通事故や路上障害物などの事象が発生要因である。交通異常渋滞は、事象による走行車線の封鎖もしくは、交通規制の影響によって車線が一部遮断され、通行可能な交通量が大きく低下することによって発生する。
図３の速度分布は、自然渋滞が起点から距離４８２ｋｍ付近で時刻１０時３０分〜１３時に発生しており、事故が距離４７７ｋｍ付近で時刻９時３０分に発生し、その交通異常渋滞が距離４７７ｋｍ付近で時刻９時３０分〜１０時２０分に発生していることを示している。なお、この事故は、距離４７７ｋｍ付近で時刻７時４０分〜９時３０分まで発生した自然渋滞が原因であると考えられる。なお、イベントデータには、時刻９時１８分〜１０時３分まで距離４７７ｋｍ〜４７７．８０ｋｍにかけて車線規制（追越車線）が記録されている。
On the other hand, abnormal traffic congestion is caused by events such as traffic accidents and road obstacles. Abnormal traffic congestion occurs when the driving lane is blocked due to an event or the lane is partially blocked due to the influence of traffic regulations, and the traffic volume that can be passed is greatly reduced.
In the speed distribution shown in Fig. 3, a natural traffic jam occurs at a distance of 482 km from the starting point from 10:30 to 13:00, an accident occurs at a distance of 477 km at 9:30, and the abnormal traffic jam is a distance. It shows that it occurs around 477 km from 9:30 to 10:20. It is probable that this accident was caused by a natural traffic jam that occurred from 7:40 to 9:30 at a distance of 477 km. In the event data, lane restrictions (passing lanes) are recorded from 9:18 to 10:03 at a distance of 477 km to 477.80 km.
また、自然渋滞は、先頭車両の速度が４０〜５５ｋｍ／ｈであり、速度２０〜４０ｋｍ／ｈの車両が続いている。一方、交通異常渋滞は、先頭車両の速度が４０〜５５ｋｍ／ｈであり、速度２０〜４０ｋｍ／ｈの車両を介して、速度０〜２０ｋｍ／ｈの渋滞車両が起点から距離４８７ｋｍ付近まで継続している。ここで、速度０ｋｍ／ｈ〜４０ｋｍ／ｈの速度域を「渋滞流速度」と定義し、速度４０〜５５ｋｍ／ｈの速度域を「混雑流速度」と定義し、速度５５ｋｍ／ｈ以上の速度域を「自由流速度」と定義する。つまり、「流」の意義は、車両群の状態ではなく、動きや速度の変化を表すところにある。 In natural traffic jams, the speed of the leading vehicle is 40 to 55 km / h, followed by vehicles with a speed of 20 to 40 km / h. On the other hand, in the abnormal traffic congestion, the speed of the leading vehicle is 40 to 55 km / h, and the congested vehicle having a speed of 0 to 20 km / h continues from the starting point to a distance of about 487 km via the vehicle having a speed of 20 to 40 km / h. ing. Here, the speed range of speed 0 km / h to 40 km / h is defined as "congestion flow speed", the speed range of speed 40 to 55 km / h is defined as "congestion flow speed", and the speed is 55 km / h or more. The region is defined as "free flow velocity". In other words, the meaning of "flow" is not the state of the vehicle group, but the change in movement and speed.
次に、速度変化パターンの指標として、渋滞時の速度回復距離Ｄを定義する。この速度回復距離Ｄは、低速車列の先頭付近において、低速状態から高速状態になるまでに要する距離のことである。 Next, the speed recovery distance D at the time of traffic congestion is defined as an index of the speed change pattern. This speed recovery distance D is the distance required from the low speed state to the high speed state in the vicinity of the head of the low speed convoy.
図４は、自然渋滞での速度変化を示す図であり、図５は、交通異常渋滞での速度変化を示す図である。縦軸は、車両Ｖ（図１）の速度ｋｍ／ｈであり、横軸は、起点からの距離ｋｍである。起点からの距離は、１００ｍメッシュの速度を線形補完している。速度回復距離Ｄ１，Ｄ２は、渋滞の定義速度である４０ｋｍ／ｈの地点と速度が回復したと考えられる５５ｋｍ／ｈの地点までの距離としている。なお、渋滞流速度と混雑流速度との境界速度４０ｋｍ／ｈと、混雑流速度の上限速度５５ｋｍ／ｈとを１点鎖線で示している。 FIG. 4 is a diagram showing a speed change in a natural traffic jam, and FIG. 5 is a diagram showing a speed change in an abnormal traffic jam. The vertical axis is the speed km / h of the vehicle V (FIG. 1), and the horizontal axis is the distance km from the starting point. The distance from the starting point linearly complements the velocity of the 100 m mesh. The speed recovery distances D1 and D2 are the distances between the point at 40 km / h, which is the defined speed of traffic congestion, and the point at 55 km / h, where the speed is considered to have recovered. The boundary speed between the congested flow speed and the congested flow speed of 40 km / h and the upper limit speed of the congested flow speed of 55 km / h are indicated by a dashed line.
発明者は、図５の交通異常渋滞の速度回復距離Ｄ２の方が図４の自然渋滞の速度回復距離Ｄ１よりも短いことを発見した。つまり、自然渋滞では、どこが先頭車両か分からない程度に、徐々に車両速度が回復していく。一方、片側複数車線の高速道路では、事故車までは渋滞状態でも、その先では、先頭車両Ｖは、事故車線がガラ空き状態であると認識し、加速することができるので、自然渋滞よりも速度回復距離が短くなる。これにより、速度回復距離Ｄが所定の閾値ＤＴＨ（図１０）よりも短ければ、判定部７（図１）が事故等による交通異常渋滞であると判定することができる。 The inventor has discovered that the speed recovery distance D2 of the abnormal traffic congestion in FIG. 5 is shorter than the speed recovery distance D1 of the natural traffic congestion in FIG. In other words, in natural traffic jams, the vehicle speed gradually recovers to the extent that it is not known where the leading vehicle is. On the other hand, on an expressway with multiple lanes on each side, even if the accident vehicle is in a traffic jam, the leading vehicle V can recognize that the accident lane is empty and accelerate, so it is more than a natural traffic jam. The speed recovery distance becomes shorter. As a result, if the speed recovery distance D is shorter than the predetermined threshold value D TH (FIG. 10), the determination unit 7 (FIG. 1) can determine that the traffic is abnormally congested due to an accident or the like.
なお、前記したように、プローブデータ収集器１は、例えば、８ｋｍ毎に設置されている。時速８０ｋｍ／ｈで走行する先頭車両が次のプローブデータ収集器１に到達するまで、最大６分掛かる。つまり、先頭車両が有する走行履歴情報が、管制センタに届くまで、最大６分の時間遅れが生じる。 As described above, the probe data collector 1 is installed every 8 km, for example. It takes up to 6 minutes for the leading vehicle traveling at 80 km / h to reach the next probe data collector 1. That is, there is a time delay of up to 6 minutes until the travel history information of the leading vehicle reaches the control center.
図６は、イベントデータの一例を示す表である。
イベントデータは、行方向に、「日時」、「路線コード」、「方向」、「事象コード」、「始点キロポスト」、「終点キロポスト」の項目を列挙するものである。イベントデータ２１０は、例えば、路線コード「１２３４」、方向「１」、始点キロポスト「５３．０」ｋｍ、終点キロポスト「５２．６」ｋｍの地点において、日時「2018/4/29 14:48」、「2018/4/29 14:50」、「2018/4/29 14:51」に、事象コード「１００」の事象が発生したことが、行方向に記録されたものである。なお、始点キロポスト「５３．０」ｋｍ、終点キロポスト「５２．６」ｋｍは、路線の起点から「５３．０」ｋｍ、路線の起点から「５２．６」ｋｍの地点を意味する。
FIG. 6 is a table showing an example of event data.
The event data lists the items of "date and time", "route code", "direction", "event code", "start point kilometer post", and "end point kilometer post" in the row direction. The event data 210 has, for example, the date and time "2018/4/29 14:48" at the points of the route code "1234", the direction "1", the start point kilometer post "53.0" km, and the end point kilometer post "52.6" km. , "2018/4/29 14:50", "2018/4/29 14:51", the event of the event code "100" was recorded in the row direction. The starting point kilometer post "53.0" km and the ending point kilometer post "52.6" km mean points "53.0" km from the starting point of the line and "52.6" km from the starting point of the line.
ここで、図１の説明に戻る。速度回復距離算出部３は、路線毎に、時空間的な速度変化から自然渋滞の交通流と異常交通流とを区別する特徴量（例えば、速度回復距離Ｄ、特に、渋滞時の先頭車両での速度回復距離Ｄ）を算出する機能部である。具体的には、速度回復距離算出部３は、プローブデータ記憶部２１に格納されている走行履歴情報に基づいて、車両Ｖの速度が所定の渋滞流速度以下となる地点を検出し、車両Ｖの速度が渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離Ｄを算出する。ここで、所定の渋滞流速度は、渋滞流速度と混雑流速度の境界速度（４０ｋｍ／ｈ）であり、所定の混雑流速度は、混雑流速度と自由流速度との境界速度（５５ｋｍ／ｈ）である。速度回復距離記憶部４は、プローブデータと、速度回復距離算出部３で算出した速度回復距離Ｄを含む速度回復距離リスト２２０（図８）を格納する。 Here, the description returns to FIG. The speed recovery distance calculation unit 3 is a feature amount that distinguishes between a traffic flow of natural congestion and an abnormal traffic flow from a spatiotemporal speed change for each route (for example, the speed recovery distance D, particularly the leading vehicle at the time of congestion). This is a functional unit that calculates the speed recovery distance D). Specifically, the speed recovery distance calculation unit 3 detects a point where the speed of the vehicle V becomes equal to or less than a predetermined congestion flow speed based on the travel history information stored in the probe data storage unit 21, and the vehicle V The speed recovery distance D until the speed of the vehicle recovers to a predetermined free flow speed faster than the congestion flow speed is calculated. Here, the predetermined congested flow velocity is the boundary speed (40 km / h) between the congested flow velocity and the congested flow velocity, and the predetermined congested flow velocity is the boundary speed (55 km / h) between the congested flow velocity and the free flow velocity. ). The speed recovery distance storage unit 4 stores the probe data and the speed recovery distance list 220 (FIG. 8) including the speed recovery distance D calculated by the speed recovery distance calculation unit 3.
パラメータ学習部５は、走行履歴情報から、速度回復距離の発生確率を示す確率分布の分布パラメータを道路の路線毎に学習する機能手段である。速度回復距離と該速度回復距離の発生確率との関係式は、例えば、ガンマ分布、対数正規分布、ワイブル分布がある。パラメータ学習部５は、学習した分布パラメータを分布パラメータ記憶部５２に記憶する。 The parameter learning unit 5 is a functional means for learning the distribution parameter of the probability distribution indicating the probability of occurrence of the speed recovery distance from the travel history information for each road route. The relational expression between the speed recovery distance and the probability of occurrence of the speed recovery distance includes, for example, a gamma distribution, a lognormal distribution, and a Weibull distribution. The parameter learning unit 5 stores the learned distribution parameters in the distribution parameter storage unit 52.
閾値演算部６は、学習した分布パラメータと予め設定された設定確率ｐ（例えば、ｐ＝０．１３５％）とを用いて、速度回復距離Ｄを逆演算することにより、前記した所定の閾値ＤＴＨを求めるものである。これにより、閾値ＤＴＨが自動で求められる。例えば、山道の上り坂でも距離が長いと速度の回復が遅く、距離が短いと速くなるので、路線毎に速度回復距離の閾値ＤＴＨが異なる。閾値演算部６は、学習により、路線毎に異なる閾値ＤＴＨを求めることができる。また、交通異常流か否かの判定を確率的に正しくしたいので、パラメータ学習部５は、ガンマ分布等の確率分布を用いて学習している。 The threshold value calculation unit 6 reversely calculates the speed recovery distance D by using the learned distribution parameter and the preset probability p (for example, p = 0.135%), thereby causing the predetermined threshold value D described above. It seeks TH . As a result, the threshold value D TH is automatically obtained. For example, even on an uphill slope on a mountain road, the speed recovery is slow when the distance is long, and the speed recovery is fast when the distance is short. Therefore, the threshold DTH of the speed recovery distance differs for each line. The threshold value calculation unit 6 can obtain a different threshold value DTH for each route by learning. Further, since it is desired to make the determination of whether or not the traffic is abnormal flow stochastically, the parameter learning unit 5 is learning using a probability distribution such as a gamma distribution.
判定部７は、異常交通流判定部７１と突発事象発生位置特定部７２とを有している。異常交通流判定部７１は、速度回復距離Ｄが所定の閾値ＤＴＨ以下である場合、異常交通流と判定するものである。突発事象発生位置特定部７２は、異常交通流と判定された路線の事故点（混雑流速度と自由流速度との境界速度の地点）を特定する。 The determination unit 7 has an abnormal traffic flow determination unit 71 and a sudden event occurrence position identification unit 72. When the speed recovery distance D is equal to or less than a predetermined threshold value D TH , the abnormal traffic flow determining unit 71 determines that the abnormal traffic flow is abnormal. The sudden event occurrence position specifying unit 72 identifies the accident point (the point of the boundary speed between the congested flow speed and the free flow speed) of the route determined to be an abnormal traffic flow.
（動作の説明） (Explanation of operation)
図７は、プローブデータを用いて、渋滞の評価値としての速度回復距離を求める方法を説明するフローチャートである。
まず、速度回復距離算出部３は、プローブデータをプローブデータ記憶部２１から取得する（Ｓ１）。
Ｓ１の後、速度回復距離算出部３は、取得したプローブデータについて、起点からの各々の距離及び各時刻について、予め設定した範囲の速度推移（例えば、上流５００ｍ、下流５００ｍ）のデータを抽出する（Ｓ２）。
FIG. 7 is a flowchart illustrating a method of obtaining a speed recovery distance as an evaluation value of traffic congestion using probe data.
First, the speed recovery distance calculation unit 3 acquires probe data from the probe data storage unit 21 (S1).
After S1, the speed recovery distance calculation unit 3 extracts the data of the speed transition (for example, upstream 500 m, downstream 500 m) in a preset range for each distance from the starting point and each time for the acquired probe data. (S2).
速度回復距離算出部３は、Ｓ２で抽出した速度推移の分布データについて、対象地点から設定した距離上流までの平均速度が設定した渋滞流速度（例えば、０ｋｍ／ｈ〜４０ｋｍ／ｈ）の範囲内であって、対象地点から設定した距離下流までの平均速度が自由流速度（例えば、５５ｋｍ／ｈ以上）の範囲内であるか否か判定する（Ｓ３）。上流の平均速度が渋滞流速度、且つ、下流の平均速度が自由流速度でないとき（Ｓ３でＮｏ）、速度回復距離算出部３は、処理をＳ２に戻し、新たな速度推移データを抽出する。 The speed recovery distance calculation unit 3 has the distribution data of the speed transition extracted in S2 within the range of the congested flow speed (for example, 0 km / h to 40 km / h) set by the average speed from the target point to the set distance upstream. Therefore, it is determined whether or not the average velocity from the target point to the set distance downstream is within the range of the free flow velocity (for example, 55 km / h or more) (S3). When the upstream average velocity is the congested flow velocity and the downstream average velocity is not the free flow velocity (No in S3), the velocity recovery distance calculation unit 3 returns the process to S2 and extracts new velocity transition data.
一方、上流の平均速度が渋滞流速度であって、下流の平均速度が自由流速度であるとき（Ｓ３でＹｅｓ）、速度回復距離算出部３は、車両群が渋滞流速度（例えば、０ｋｍ／ｈ〜４０ｋｍ／ｈ）から自由流速度（例えば、５５ｋｍ／ｈ以上）まで速度回復に要した距離を算出する（Ｓ４）。具体的には、速度推移データの中から、渋滞流速度（例えば、０ｋｍ／ｈ〜４０ｋｍ／ｈ）と混雑流速度（例えば、４０ｋｍ／ｈ〜５５ｋｍ／ｈ）との境界（４０ｋｍ／ｈ）で走行する地点と、混雑流速度（例えば、４０ｋｍ／ｈ〜５５ｋｍ／ｈ）と自由流速度（例えば、５５ｋｍ／ｈ以上）との境界（５５ｋｍ／ｈ）で走行する地点との距離差を、例えば、線形補間を用いることにより連続値として算出する。 On the other hand, when the upstream average speed is the congested flow speed and the downstream average speed is the free flow speed (Yes in S3), the speed recovery distance calculation unit 3 indicates that the vehicle group has a congested flow speed (for example, 0 km / km /). The distance required for velocity recovery is calculated from h to 40 km / h) to a free flow velocity (for example, 55 km / h or more) (S4). Specifically, from the velocity transition data, at the boundary (40 km / h) between the congested flow velocity (for example, 0 km / h to 40 km / h) and the congested flow velocity (for example, 40 km / h to 55 km / h). The distance difference between the traveling point and the traveling point at the boundary (55km / h) between the congested flow velocity (for example, 40 km / h to 55 km / h) and the free flow velocity (for example, 55 km / h or more), for example. , Calculated as a continuous value by using linear interpolation.
さらに、速度回復距離算出部３は、前記２つの地点の距離差（速度４０ｋｍ／ｈで走行している地点と、速度５５ｋｍ／ｈで走行している地点との距離差）から渋滞先頭における速度回復に要した距離（速度回復距離Ｄ）を算出する（Ｓ４）。そして、速度回復距離算出部３は、算出された速度回復距離Ｄをプローブデータ記憶部２１に蓄積したプローブデータの各日時（時刻）、起点からの各距離と関連付けて速度回復距離記憶部４に格納する。 Further, the speed recovery distance calculation unit 3 determines the speed at the head of the traffic jam from the distance difference between the two points (the distance difference between the point traveling at a speed of 40 km / h and the point traveling at a speed of 55 km / h). The distance required for recovery (speed recovery distance D) is calculated (S4). Then, the speed recovery distance calculation unit 3 associates the calculated speed recovery distance D with each date and time (time) of the probe data stored in the probe data storage unit 21 and each distance from the starting point in the speed recovery distance storage unit 4. Store.
そして、速度回復距離算出部３は、全ての時刻、地点の処理を終了したか否か判定する（Ｓ５）。全ての地点を処理していなければ（Ｓ５でＮｏ）、処理をＳ２に戻し、新たな速度推移データを抽出する。一方、全ての地点を処理していれば（Ｓ５でＹｅｓ）、このルーチンを終了する。 Then, the speed recovery distance calculation unit 3 determines whether or not the processing of all the times and points has been completed (S5). If all the points have not been processed (No in S5), the processing is returned to S2 and new speed transition data is extracted. On the other hand, if all the points are processed (Yes in S5), this routine ends.
図８は、速度回復距離テーブルの一例を示す図である。
速度回復距離テーブルは、行方向に、「日時」、「路線コード」、「方向」、起点からの「距離」、「速度回復距離」の項目が列挙されたものである。
速度回復距離リスト２２０は、例えば、路線コード「１２３４」、方向「１」（上り又は下りを示す。）、起点からの距離「６２．３」ｋｍの地点において、日時「2018/4/29 17:29」の速度回復距離「０．４２５」ｋｍ、日時「2018/4/29 17:30」の速度回復距離「０．４９６」ｋｍ、日時「2018/4/29 17:31」の速度回復距離「０．４０４」ｋｍが列方向に格納されている。なお、速度回復距離テーブル２２０は、速度回復距離記憶部４（図１）に格納されている。
FIG. 8 is a diagram showing an example of a speed recovery distance table.
In the speed recovery distance table, items of "date and time", "route code", "direction", "distance" from the starting point, and "speed recovery distance" are listed in the row direction.
The speed recovery distance list 220 shows, for example, the date and time "2018/4/29 17" at a point where the route code is "1234", the direction is "1" (indicating up or down), and the distance from the starting point is "62.3" km. : 29 "speed recovery distance" 0.425 "km, date and time" 2018/4/29 17:30 "speed recovery distance" 0.496 "km, date and time" 2018/4/29 17:31 "speed recovery The distance "0.404" km is stored in the column direction. The speed recovery distance table 220 is stored in the speed recovery distance storage unit 4 (FIG. 1).
図９は、速度回復距離の学習処理を説明するためのフローチャートである。
まず、パラメータ学習部５（図１）は、プローブデータ記憶部２１から、予め設定した学習期間（例えば、前日１日）、かつ、対象の路線のプローブデータをプローブデータ記憶部２１から取得し、イベントデータをイベントデータ記憶部２２から取得し、速度回復距離を速度回復距離記憶部４から取得する（Ｓ１１）。
FIG. 9 is a flowchart for explaining the learning process of the speed recovery distance.
First, the parameter learning unit 5 (FIG. 1) acquires probe data for a preset learning period (for example, one day the previous day) from the probe data storage unit 21 and the probe data of the target route from the probe data storage unit 21. The event data is acquired from the event data storage unit 22, and the speed recovery distance is acquired from the speed recovery distance storage unit 4 (S11).
Ｓ１１の処理後、パラメータ学習部５は、取得したプローブデータ（走行履歴情報）の各時刻と、起点からの各距離とに関連付けられた速度回復距離について、イベントデータから得られる突発事象範囲外の速度回復距離を抽出する（Ｓ１２）。なお、この突発事象範囲外の速度回復距離は、予め設定した時刻方向のマージン（例えば、５分）と距離方向のマージン（例えば、５００ｍ）とを加算した範囲外における速度回復距離とする。この処理によりパラメータ学習部５は、自然渋滞の速度回復距離を学習することができる。 After the processing of S11, the parameter learning unit 5 is outside the sudden event range obtained from the event data for each time of the acquired probe data (travel history information) and the speed recovery distance associated with each distance from the starting point. The speed recovery distance is extracted (S12). The speed recovery distance outside the sudden event range is defined as the speed recovery distance outside the range obtained by adding the preset time-direction margin (for example, 5 minutes) and the distance-direction margin (for example, 500 m). By this process, the parameter learning unit 5 can learn the speed recovery distance of the natural traffic jam.
Ｓ１２の処理後、パラメータ学習部５は、Ｓ１１で抽出した速度回復距離と該速度回復距離の発生確率（頻度）の関係を下記の式で表現されるガンマ分布でフィッティングし、分布パラメータａ，ｂを算出する（Ｓ１３）。ここで、分布パラメータａ，ｂの推定方法は、最尤推定などの方法を用いてパラメータを決定する。Ｓ１３の処理後、パラメータ学習部５は、学習した分布パラメータａ，ｂを路線コードと関連付けて分布パラメータ記憶部５２に記憶し（Ｓ１４）、このルーチンを終了する。
ｐ（Ｄ）＝１／（Γ（ａ）ｂａ）×Ｄａ−１×ｅｘｐ（−Ｄ／ｂ）
ｐ（Ｄ）：確率
Ｄ：速度回復距離
Γ（ａ）：ガンマ関数
ａ，ｂ：分布パラメータ
なお、分布パラメータａは、分布形状を規定し、分布パラメータｂは、スケールを規定する。
After the processing of S12, the parameter learning unit 5 fits the relationship between the speed recovery distance extracted in S11 and the occurrence probability (frequency) of the speed recovery distance with a gamma distribution expressed by the following equation, and distribute parameters a and b. Is calculated (S13). Here, as the method for estimating the distribution parameters a and b, the parameters are determined by using a method such as maximum likelihood estimation. After the processing of S13, the parameter learning unit 5 stores the learned distribution parameters a and b in the distribution parameter storage unit 52 in association with the route code (S14), and ends this routine.
p (D) = 1 / ( Γ (a) b a) × D a-1 × exp (-D / b)
p (D): Probability D: Velocity recovery distance Γ (a): Gamma function a, b: Distribution parameter The distribution parameter a defines the distribution shape, and the distribution parameter b defines the scale.
図１０は、速度回復距離Ｄと、その速度回復距離Ｄの発生確率ｐとの関係を示した図である。
分布形状は、左右対称な正規分布（不図示）に比較して、確率ｐの最大値ｐＭＡＸを示す速度回復距離から左側の方が右側よりも狭くなっている。このような左右非対称な分布は、前記したガンマ分布に限らず、下記の式で表現される対数正規分布やワイブル分布でも構わない。
ｐ（Ｄ）＝１／（（√２π）ｂＤ）×ｅｘｐ（−（（ｌｎ（Ｄ）−ａ）２）／（２ｂ２））
ｐ（Ｄ）＝ａ／ｂ×（Ｄ／ｂ）ａ−１×ｅｘｐ（−（Ｄ／ｂ）ａ）
また、図１０には、速度回復距離Ｄの発生確率ｐの閾値として、正規分布の３σに相当する確率ｐ＝０．１３５％を破線の直線で示している。
FIG. 10 is a diagram showing the relationship between the speed recovery distance D and the occurrence probability p of the speed recovery distance D.
Distribution profile, as compared to the symmetrical normal distribution (not shown), towards the left from the speed recovery distance indicating the maximum value p MAX probability p is narrower than the right. Such a left-right asymmetric distribution is not limited to the gamma distribution described above, and may be a lognormal distribution or a Weibull distribution expressed by the following equation.
p (D) = 1 / ((√2π) bD) × exp (-((ln (D) -a) 2 ) / (2b 2 ))
p (D) = a / b × (D / b) a-1 × exp (-(D / b) a )
Further, in FIG. 10, as the threshold value of the occurrence probability p of the speed recovery distance D, the probability p = 0.135% corresponding to 3σ of the normal distribution is shown by a broken line.
図１１は、学習した分布パラメータの一例を示す図である。
分布パラメータテーブル２３０は、行方向に項目「路線コード」、分布パラメータ「ａ」、分布パラメータ「ｂ」が列挙されたテーブルである。分布パラメータテーブル２３０は、例えば、路線コード「１２３４」の分布パラメータがａ＝「４．０２２」，ｂ＝「０．９７４」であることを示している。なお、分布パラメータテーブル２３０は、分布パラメータ記憶部５２に記憶されている。
FIG. 11 is a diagram showing an example of the learned distribution parameters.
The distribution parameter table 230 is a table in which the items “route code”, the distribution parameter “a”, and the distribution parameter “b” are listed in the row direction. The distribution parameter table 230 shows, for example, that the distribution parameters of the route code "1234" are a = "4.022" and b = "0.974". The distribution parameter table 230 is stored in the distribution parameter storage unit 52.
図１２は、プローブデータと速度回復距離Ｄ、学習パラメータａ，ｂから異常交通流を検出する方法を説明するためのフローチャートである。
このルーチンは、事故発生を認識したときに実行される。なお、プローブデータは、予め設定した周期（例えば、1分周期）で取得されている。
FIG. 12 is a flowchart for explaining a method of detecting an abnormal traffic flow from probe data, a speed recovery distance D, and learning parameters a and b.
This routine is executed when an accident occurs. The probe data is acquired at a preset cycle (for example, a 1-minute cycle).
異常交通流判定部７１は、プローブデータ記憶部２１から、設定した時刻（例えば、１時間前）以降から現時刻までのプローブデータをプローブデータ記憶部２１から取得し、そのプローブデータに関連付けられた速度回復距離Ｄを速度回復距離記憶部４から取得する（Ｓ２１）。 The abnormal traffic flow determination unit 71 acquires probe data from the set time (for example, one hour ago) to the current time from the probe data storage unit 21 and associates it with the probe data. The speed recovery distance D is acquired from the speed recovery distance storage unit 4 (S21).
Ｓ２１の処理後、異常交通流判定部７１は、分布パラメータ記憶部５２から速度回復距離Ｄの分布パラメータａ，ｂを取得し（Ｓ２２）、取得した分布パラメータａ，ｂから累積分布の逆関数式を算出する（Ｓ２３）。 After the processing of S21, the abnormal traffic flow determination unit 71 acquires the distribution parameters a and b of the speed recovery distance D from the distribution parameter storage unit 52 (S22), and the inverse function expression of the cumulative distribution is obtained from the acquired distribution parameters a and b. Is calculated (S23).
Ｓ２３の処理後、異常交通流判定部７１は、プローブデータから連続したＮ分（例えば、Ｎ＝２分）の速度回復距離Ｄを取得し、速度回復距離Ｄの平均値を算出する（Ｓ２４）。この複数検知により、誤検知を防止することができる。 After the processing of S23, the abnormal traffic flow determination unit 71 acquires the speed recovery distance D for continuous N minutes (for example, N = 2 minutes) from the probe data, and calculates the average value of the speed recovery distance D (S24). .. False positives can be prevented by this plurality of detections.
Ｓ２４の処理後、異常交通流判定部７１は、学習した分布パラメータａ，ｂから算出した累積分布の逆関数式と、予め設定した確率ｐ（例えば、ｐ＝０．１％〜０．２％、好ましくはｐ＝０．１３５％）から速度回復距離Ｄの閾値ＤＴＨを算出する（Ｓ２５）。結果的に、異常交通流判定部７１は、分布パラメータａ，ｂを用いて、分布確率ｐの極めて小さい閾値ｐ（例えば、ｐ＝０．１３５％）となる速度回復距離Ｄの閾値ＤＴＨを逆演算することになる。この処理により、自然渋滞の速度回復距離Ｄの事象が排除され、異常交通流判定部７１は、事故等による交通異常の事象を捉えることができる。 After the processing of S24, the abnormal traffic flow determination unit 71 has an inverse function formula of the cumulative distribution calculated from the learned distribution parameters a and b, and a preset probability p (for example, p = 0.1% to 0.2%). , Preferably p = 0.135%) to calculate the threshold D TH of the speed recovery distance D (S25). As a result, the abnormal traffic flow determination unit 71 uses the distribution parameters a and b to set the threshold value D TH of the speed recovery distance D, which is a threshold value p (for example, p = 0.135%) with an extremely small distribution probability p. Inverse calculation will be performed. By this processing, the event of the speed recovery distance D of the natural traffic jam is eliminated, and the abnormal traffic flow determination unit 71 can catch the event of the traffic abnormality due to an accident or the like.
Ｓ２５の処理後、異常交通流判定部７１は、Ｓ２４で算出した速度回復距離Ｄの平均値が閾値ＤＴＨ以下であるか否か判定する（Ｓ２６）。速度回復距離Ｄの平均値が閾値ＤＴＨを超えていたとき（Ｓ２６でＮｏ）、異常交通流判定部７１は、このルーチンを終了し、予め設定した周期（例えば、1分周期）後に、再実行する。 After the processing of S25, the abnormal traffic flow determination unit 71 determines whether or not the average value of the speed recovery distance D calculated in S24 is equal to or less than the threshold value D TH (S26). When the average value of the speed recovery distance D exceeds the threshold value D TH (No in S26), the abnormal traffic flow determination unit 71 ends this routine, and after a preset cycle (for example, a 1-minute cycle), restarts. Execute.
一方、速度回復距離Ｄの平均値が閾値ＤＴＨ以下であれば（Ｓ２６でＹｅｓ）、異常交通流判定部７１は、異常交通流と判定する。そして、異常交通流判定部７１は、異常交通流と判定したＮ分（例えば、２分）の地点について、予め設定した範囲の空間的な速度推移（例えば、上流１ｋｍ、下流５００ｍ）のデータを抽出し（Ｓ２７）、Ｎ分の平均速度分布を算出する。 On the other hand, if the average value of the speed recovery distance D is equal to or less than the threshold value D TH (Yes in S26), the abnormal traffic flow determination unit 71 determines that the traffic flow is abnormal. Then, the abnormal traffic flow determination unit 71 obtains data on the spatial velocity transition (for example, 1 km upstream and 500 m downstream) in a preset range at the point of N minutes (for example, 2 minutes) determined to be an abnormal traffic flow. Extract (S27) and calculate the average velocity distribution for N minutes.
Ｓ２７の処理後、突発事象発生位置特定部７２（図１）は、前記速度推移内の各速度（Ｎ分の平均速度）について、設定した渋滞流速度（例えば、０ｋｍ／ｈ〜４０ｋｍ／ｈ）から混雑流速度（例えば、４０ｋｍ／ｈ〜５５ｋｍ／ｈ）まで変化する地点（基点からの距離）を特定し、特定された地点を突発事象発生地点とし（Ｓ２８）、このルーチンが終了する。これにより、高速道路を管理する管制センタは、所定の道路区間の側道をパトロールカーを走行させることなく、事故地点を特定することができる。 After the processing of S27, the sudden event occurrence position specifying unit 72 (FIG. 1) sets the congestion flow speed (for example, 0 km / h to 40 km / h) for each speed (average speed for N minutes) within the speed transition. A point (distance from the base point) that changes from to the congestion flow velocity (for example, 40 km / h to 55 km / h) is specified, and the specified point is set as the sudden event occurrence point (S28), and this routine ends. As a result, the control center that manages the expressway can identify the accident point without running a patrol car on the side road of a predetermined road section.
（効果の説明）
以上説明したように、本実施形態の異常交通流検出システムＳ（図１）のプローブデータ収集器１は、各車両Ｖに搭載した車載器（例えば、ＥＴＣ２．０用車載器）から、その車両Ｖの走行履歴データ（時刻、ＧＰＳの測位位置、車速）を収集し、異常交通流検出装置１００のプローブデータ記憶部２１に格納している。
(Explanation of effect)
As described above, the probe data collector 1 of the abnormal traffic flow detection system S (FIG. 1) of the present embodiment is used from the vehicle-mounted device (for example, the vehicle-mounted device for ETC 2.0) mounted on each vehicle V. The travel history data (time, GPS positioning position, vehicle speed) of V is collected and stored in the probe data storage unit 21 of the abnormal traffic flow detection device 100.
事故発生を認識したとき、異常交通流検出装置１００は、プローブデータ（走行履歴情報）を用いて、渋滞流速度（例えば、０ｋｍ／ｈ〜４０ｋｍ／ｈ）と混雑流速度（例えば、４０ｋｍ／ｈ〜５５ｋｍ／ｈ）との境界速度（４０ｋｍ／ｈ）で走行している地点と、混雑流速度と自由流速度との境界速度（５５ｋｍ／ｈ）とで走行している地点との距離差から渋滞先頭における渋滞回復に要する距離（速度回復距離Ｄ）を算出する（Ｓ４（図７））。 When recognizing the occurrence of an accident, the abnormal traffic flow detection device 100 uses the probe data (travel history information) to congest the flow speed (for example, 0 km / h to 40 km / h) and the congestion flow speed (for example, 40 km / h). From the distance difference between the point traveling at the boundary speed (40 km / h) with ~ 55 km / h) and the point traveling at the boundary speed (55 km / h) between the congested flow speed and the free flow speed. The distance (speed recovery distance D) required to recover the traffic jam at the beginning of the traffic jam is calculated (S4 (FIG. 7)).
異常交通流検出装置１００は、Ｓ４で算出した速度回復距離ＤがＳ２５で算出した所定の閾値ＤＴＨよりも小さいときに、異常交通流と判定する（Ｓ２６）。これらの処理で、異常交通流検出装置１００は、交通量変化や路線ごとの特性に対して安定的に異常交通流を検出することができる。 Abnormal traffic flow detecting device 100, when the speed recovery distance D calculated in S4 is smaller than a predetermined threshold D TH calculated in S25, determines that the abnormal traffic flow (S26). Through these processes, the abnormal traffic flow detection device 100 can stably detect the abnormal traffic flow with respect to changes in traffic volume and characteristics of each route.
（変形例）
本発明は前記した実施形態に限定されるものではなく、例えば、以下のような種々の変形が可能である。
(Modification example)
The present invention is not limited to the above-described embodiment, and various modifications such as the following are possible.
（１）前記実施形態の図３では、交通異常渋滞も自然渋滞も、先頭車両の位置（起点からの距離）は、時刻に対して変化していなかった。ここで、渋滞が途切れたときに加速することを考える。このときの速度変化は、交通異常渋滞と同様に速度回復距離が短くなる。そのため、異常交通流検出装置１００は、渋滞が途切れたときの加速車両を誤検知してしまう可能性がある。しかしながら、渋滞が途切れたときの加速車両は、時刻に対して位置が変化する特徴を有しているので、この条件を付加することによって、誤検知を排除することができる。 (1) In FIG. 3 of the above-described embodiment, the position (distance from the starting point) of the leading vehicle did not change with respect to the time in both the abnormal traffic congestion and the natural congestion. Here, consider accelerating when the traffic jam is interrupted. The speed change at this time shortens the speed recovery distance as in the case of abnormal traffic congestion. Therefore, the abnormal traffic flow detection device 100 may erroneously detect an accelerating vehicle when the traffic jam is interrupted. However, since the accelerated vehicle has a characteristic that the position changes with respect to the time when the traffic jam is interrupted, false detection can be eliminated by adding this condition.
（２）また、前記実施形態は片側複数車線を想定しているが、片側単車線の道路であっても、崖崩れや路側に停車した事故車等の存在により、車両の通行は可能だが徐行が必要な状態が発生している場合に、異常交通流として検知することができる。 (2) Further, although the above embodiment assumes a plurality of lanes on one side, even if the road has a single lane on one side, the vehicle can pass through due to a landslide or an accident vehicle stopped on the road side, but the vehicle slows down. When a necessary condition occurs, it can be detected as an abnormal traffic flow.
１ プローブデータ収集器
２ 走行履歴情報取得部
３ 速度回復距離算出部
４ 速度回復距離記憶部
５ パラメータ学習部
６ 閾値演算部
７ 判定部
７１ 異常交通流判定部
７２ 突発事象発生位置特定部
１００ 異常交通流検出装置
２００ プローブデータ（走行履歴情報）
1 Probe data collector 2 Travel history information acquisition unit 3 Speed recovery distance calculation unit 4 Speed recovery distance storage unit 5 Parameter learning unit 6 Threshold calculation unit 7 Judgment unit 71 Abnormal traffic flow judgment unit 72 Sudden event occurrence position identification unit 100 Abnormal traffic Flow detector 200 probe data (running history information)
Claims (10)
前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離を求める速度回復距離算出部と、
前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定部と
を有することを特徴とする異常交通流検出装置。 A travel history information obtaining unit that acquires the travel history information from vehicles traveling road,
Based on the travel history information, a point where the speed of the vehicle becomes equal to or lower than a predetermined congestion flow speed is detected, and the speed is recovered until the speed of the vehicle recovers to a predetermined free flow speed faster than the congestion flow speed. The speed recovery distance calculation unit that calculates the distance,
An abnormal traffic flow detecting device comprising a determination unit for determining an abnormal traffic flow when the speed recovery distance is equal to or less than a predetermined threshold value.
前記走行履歴情報から前記速度回復距離の発生確率を示す確率分布の分布パラメータを道路の路線毎に学習するパラメータ学習部と、
学習した分布パラメータと予め設定された設定確率とを用いて、速度回復距離を逆演算することにより、前記所定の閾値を求める閾値演算部と
をさらに備えることを特徴とする異常交通流検出装置。 The abnormal traffic flow detection device according to claim 1.
A parameter learning unit that learns distribution parameters of a probability distribution indicating the probability of occurrence of the speed recovery distance from the travel history information for each road route.
An abnormal traffic flow detection device further comprising a threshold value calculation unit for obtaining the predetermined threshold value by inversely calculating the speed recovery distance using the learned distribution parameter and a preset probability.
前記確率分布は、下記の式で表現されるガンマ分布である
ことを特徴とする異常交通流検出装置。
ｐ（Ｄ）＝１／（Γ（ａ）ｂａ）×Ｄａ−１×ｅｘｐ（−Ｄ／ｂ）
ｐ（Ｄ）：確率
Ｄ：速度回復距離
Γ（ａ）：ガンマ関数
ａ，ｂ：分布パラメータ The abnormal traffic flow detection device according to claim 2.
An abnormal traffic flow detection device characterized in that the probability distribution is a gamma distribution expressed by the following equation.
p (D) = 1 / ( Γ (a) b a) × D a-1 × exp (-D / b)
p (D): Probability D: Velocity recovery distance Γ (a): Gamma function a, b: Distribution parameter
前記設定確率は、０．１％〜０．２％である
ことを特徴とする異常交通流検出装置。 The abnormal traffic flow detection device according to claim 2.
An abnormal traffic flow detection device characterized in that the set probability is 0.1% to 0.2%.
前記パラメータ学習部で学習する速度回復距離は、突発事象による前記走行履歴情報が除かれていることを特徴とする異常交通流検出装置。 The abnormal traffic flow detection device according to claim 3 or 4.
The speed recovery distance learned by the parameter learning unit is an abnormal traffic flow detection device characterized in that the travel history information due to a sudden event is excluded.
前記所定の渋滞流速度は、渋滞流速度と混雑流速度の境界速度であり、
前記所定の自由流速度は、混雑流速度と自由流速度との境界速度である
ことを特徴とする異常交通流検出装置。 The abnormal traffic flow detection device according to claim 1, wherein a speed range defined as a congested flow speed is provided between the congested flow speed and the free flow speed, and the predetermined congested flow speed is the congested flow speed and the congested flow speed. Is the boundary speed of
An abnormal traffic flow detecting device, wherein the predetermined free flow velocity is a boundary velocity between a congested flow velocity and a free flow velocity.
前記速度回復距離算出部が検出する車両の速度は、所定時間での平均値である
ことを特徴とする異常交通流検出装置。 The abnormal traffic flow detection device according to claim 1.
An abnormal traffic flow detection device characterized in that the speed of a vehicle detected by the speed recovery distance calculation unit is an average value in a predetermined time.
前記判定部は判定対象の車両の位置を渋滞の先頭位置とすることを特徴とする異常交通流検出装置。 The abnormal traffic flow detection device according to claim 3 or 4.
The determination unit is an abnormal traffic flow detection device characterized in that the position of the vehicle to be determined is the head position of the traffic jam.
道路を走行する車両から走行履歴情報を取得する走行履歴情報ステップと、
前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の混雑流速度に回復するまでの速度回復距離を求める速度回復距離ステップと、
前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定ステップと
を実行することを特徴とする異常交通流検出方法。 This is an abnormal traffic flow detection method executed by the control unit.
A driving history information step that acquires driving history information from a vehicle traveling on the road, and
Based on the travel history information, a point where the speed of the vehicle becomes equal to or lower than a predetermined congestion flow speed is detected, and the speed is recovered until the speed of the vehicle recovers to a predetermined congestion flow speed faster than the congestion flow speed. Speed recovery distance step to find the distance,
A method for detecting an abnormal traffic flow, which comprises executing a determination step of determining an abnormal traffic flow when the speed recovery distance is equal to or less than a predetermined threshold value.
前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離を求める速度回復距離算出部と、
前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定部と
の機能を制御部に実現させることを特徴とする異常交通流検出プログラム。 A driving history information acquisition unit that acquires driving history information from vehicles traveling on the road,
Based on the travel history information, a point where the speed of the vehicle becomes equal to or lower than a predetermined congestion flow speed is detected, and the speed is recovered until the speed of the vehicle recovers to a predetermined free flow speed faster than the congestion flow speed. The speed recovery distance calculation unit that calculates the distance,
An abnormal traffic flow detection program characterized in that the control unit realizes a function of a determination unit that determines an abnormal traffic flow when the speed recovery distance is equal to or less than a predetermined threshold value.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019054507A JP7275718B2 (en) | 2019-03-22 | 2019-03-22 | Abnormal traffic flow detection device, abnormal traffic flow detection method, and abnormal traffic flow detection program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019054507A JP7275718B2 (en) | 2019-03-22 | 2019-03-22 | Abnormal traffic flow detection device, abnormal traffic flow detection method, and abnormal traffic flow detection program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020154958A true JP2020154958A (en) | 2020-09-24 |
| JP7275718B2 JP7275718B2 (en) | 2023-05-18 |
Family
ID=72559291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019054507A Active JP7275718B2 (en) | 2019-03-22 | 2019-03-22 | Abnormal traffic flow detection device, abnormal traffic flow detection method, and abnormal traffic flow detection program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7275718B2 (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947903A (en) * | 2021-10-18 | 2022-01-18 | 沈阳世纪高通科技有限公司 | Method for calculating free flow and road congestion and buffer interval based on floating car data |
| CN114187755A (en) * | 2021-12-14 | 2022-03-15 | 上海平可行智能科技有限公司 | Vehicle formation control method |
| CN114495498A (en) * | 2022-01-20 | 2022-05-13 | 青岛海信网络科技股份有限公司 | Traffic data distribution effectiveness judging method and device |
| CN114613137A (en) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | Congestion index determination method, device, medium and equipment applied to expressway |
| CN114999181A (en) * | 2022-05-11 | 2022-09-02 | 山东高速建设管理集团有限公司 | ETC system data-based highway vehicle speed abnormity identification method |
| WO2022185922A1 (en) * | 2021-03-04 | 2022-09-09 | 日本電気株式会社 | Traffic monitoring device, traffic monitoring system, traffic monitoring method, and program |
| WO2023022136A1 (en) * | 2021-08-20 | 2023-02-23 | Nec Corporation | Method, apparatus and system for adaptively controlling traffic signals |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005285108A (en) * | 2004-03-03 | 2005-10-13 | Matsushita Electric Ind Co Ltd | Unexpected event detection method and unexpected event detection apparatus |
| JP2007232514A (en) * | 2006-02-28 | 2007-09-13 | Aisin Aw Co Ltd | Traveling road determination apparatus and storage medium |
| JP2009075981A (en) * | 2007-09-21 | 2009-04-09 | Toyota Infotechnology Center Co Ltd | Traffic information providing system, program for center side computer, retrieval program, recording medium, and traffic information providing method |
| JP2013168065A (en) * | 2012-02-16 | 2013-08-29 | Sony Corp | Information processor, terminal equipment, information processing method and condition display method |
-
2019
- 2019-03-22 JP JP2019054507A patent/JP7275718B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005285108A (en) * | 2004-03-03 | 2005-10-13 | Matsushita Electric Ind Co Ltd | Unexpected event detection method and unexpected event detection apparatus |
| JP2007232514A (en) * | 2006-02-28 | 2007-09-13 | Aisin Aw Co Ltd | Traveling road determination apparatus and storage medium |
| JP2009075981A (en) * | 2007-09-21 | 2009-04-09 | Toyota Infotechnology Center Co Ltd | Traffic information providing system, program for center side computer, retrieval program, recording medium, and traffic information providing method |
| JP2013168065A (en) * | 2012-02-16 | 2013-08-29 | Sony Corp | Information processor, terminal equipment, information processing method and condition display method |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022185922A1 (en) * | 2021-03-04 | 2022-09-09 | 日本電気株式会社 | Traffic monitoring device, traffic monitoring system, traffic monitoring method, and program |
| WO2023022136A1 (en) * | 2021-08-20 | 2023-02-23 | Nec Corporation | Method, apparatus and system for adaptively controlling traffic signals |
| CN113947903A (en) * | 2021-10-18 | 2022-01-18 | 沈阳世纪高通科技有限公司 | Method for calculating free flow and road congestion and buffer interval based on floating car data |
| CN113947903B (en) * | 2021-10-18 | 2022-09-09 | 沈阳世纪高通科技有限公司 | Method for calculating free flow and road congestion and buffer interval based on floating car data |
| CN114187755A (en) * | 2021-12-14 | 2022-03-15 | 上海平可行智能科技有限公司 | Vehicle formation control method |
| CN114495498A (en) * | 2022-01-20 | 2022-05-13 | 青岛海信网络科技股份有限公司 | Traffic data distribution effectiveness judging method and device |
| CN114495498B (en) * | 2022-01-20 | 2023-01-10 | 青岛海信网络科技股份有限公司 | Traffic data distribution effectiveness judging method and device |
| CN114613137A (en) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | Congestion index determination method, device, medium and equipment applied to expressway |
| CN114613137B (en) * | 2022-03-07 | 2023-02-21 | 同盾科技有限公司 | Congestion index determination method, device, medium and equipment applied to expressway |
| CN114999181A (en) * | 2022-05-11 | 2022-09-02 | 山东高速建设管理集团有限公司 | ETC system data-based highway vehicle speed abnormity identification method |
| CN114999181B (en) * | 2022-05-11 | 2023-12-19 | 山东高速建设管理集团有限公司 | Highway vehicle speed abnormality identification method based on ETC system data |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7275718B2 (en) | 2023-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7275718B2 (en) | Abnormal traffic flow detection device, abnormal traffic flow detection method, and abnormal traffic flow detection program | |
| US11990036B2 (en) | Driver behavior monitoring | |
| US10072932B2 (en) | Motion detection system for transportation mode analysis | |
| JP4728315B2 (en) | Traffic volume calculation device, traffic volume calculation program, and traffic volume calculation method | |
| JP5424754B2 (en) | Link travel time calculation device and program | |
| JP5842996B2 (en) | Unexpected prediction sensitivity judgment device | |
| EP3403219A1 (en) | Driver behavior monitoring | |
| CN108871357B (en) | Method for displaying accident lane of congested road section on electronic map | |
| JP6584866B2 (en) | Traffic information providing apparatus, computer program, and traffic information providing method | |
| US10720051B2 (en) | Abnormal travel detecting device, abnormal travel detecting method, storage medium storing program for same, and abnormal travel detecting system | |
| JP5907249B2 (en) | Unexpected prediction sensitivity judgment device | |
| US11721207B2 (en) | Slowdown detection | |
| US9460614B2 (en) | Method and apparatus for determining traffic status | |
| US9783101B2 (en) | Vehicle turning alarm method and vehicle turning alarm device | |
| CN103956052A (en) | Detecting method and system for road conditions | |
| KR101133222B1 (en) | System and Method for monitoring traffic and accident based on image processing | |
| US10415981B2 (en) | Anomaly estimation apparatus and display apparatus | |
| CN107886726B (en) | Method and device for detecting road occupation/parking behavior | |
| CN110610118A (en) | Traffic parameter acquisition method and device | |
| JP4572944B2 (en) | Driving support device, driving support method, and driving support program | |
| JP2019053555A (en) | Traffic volume determination system, traffic volume determination method, and traffic volume determination program | |
| JP2019053578A (en) | Traffic volume determination system, traffic volume determination method, and traffic volume determination program | |
| JP7313820B2 (en) | TRAFFIC SITUATION PREDICTION DEVICE AND TRAFFIC SITUATION PREDICTION METHOD | |
| JP6926644B2 (en) | Anomaly estimation device and display device | |
| CN113838304A (en) | Information processing apparatus, information processing system, information processing method, and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211110 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221020 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221216 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230404 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230417 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7275718 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |