JP2000057482A - 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 - Google Patents
交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体Info
- Publication number
- JP2000057482A JP2000057482A JP10224471A JP22447198A JP2000057482A JP 2000057482 A JP2000057482 A JP 2000057482A JP 10224471 A JP10224471 A JP 10224471A JP 22447198 A JP22447198 A JP 22447198A JP 2000057482 A JP2000057482 A JP 2000057482A
- Authority
- JP
- Japan
- Prior art keywords
- state machine
- finite state
- series data
- traffic condition
- time series
- 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
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
(57)【要約】
【課題】 交通状況を正確に、且つ短い処理時間で予測
する。 【解決手段】 ステップ１０１で、交通状況の予測値を
収集する。ステップ１０２で、有限状態機械を作成する
のに必要な時系列データ群を作成する。ステップ１０３
で、有限状態機械を作成する。ステップ１０４で、作成
した有限状態機械を使用して現在実測値を含む時系列デ
ータをもとに予測値を決定する。
する。 【解決手段】 ステップ１０１で、交通状況の予測値を
収集する。ステップ１０２で、有限状態機械を作成する
のに必要な時系列データ群を作成する。ステップ１０３
で、有限状態機械を作成する。ステップ１０４で、作成
した有限状態機械を使用して現在実測値を含む時系列デ
ータをもとに予測値を決定する。
Description
【０００１】
【発明の属する技術分野】本発明は、現在までの交通状
況などの実測値をもとに将来の交通状況を予測する交通
状況予測方法および装置に関する。
況などの実測値をもとに将来の交通状況を予測する交通
状況予測方法および装置に関する。
【０００２】
【従来の技術】交通状況予測の手法としては、（１）過
去のデータを蓄積していく方法、（２）現在から数ステ
ップ過去のデータのみを扱う方法がある。
去のデータを蓄積していく方法、（２）現在から数ステ
ップ過去のデータのみを扱う方法がある。
【０００３】（１）の過去のデータを蓄積していく方法
は、特定の地点の過去何年かにわたるデータを蓄積し、
このデータにより、月、曜日、時間などの影響を分析し
ていく手法である。この手法では、データを統計的な処
理などを施して特徴量を抽出し予測に使用するため、本
来のデータが持っている情報量が失われる可能性があっ
た。例えば、現在に近いデータが持っている現在の状況
を表す情報が、過去のデータとの平均などをとることに
よって失われる可能性がある。
は、特定の地点の過去何年かにわたるデータを蓄積し、
このデータにより、月、曜日、時間などの影響を分析し
ていく手法である。この手法では、データを統計的な処
理などを施して特徴量を抽出し予測に使用するため、本
来のデータが持っている情報量が失われる可能性があっ
た。例えば、現在に近いデータが持っている現在の状況
を表す情報が、過去のデータとの平均などをとることに
よって失われる可能性がある。
【０００４】（２）の現在から過去数ステップのデータ
を扱う方法は、現在から過去数ステップ前の時系列デー
タに対し、自己回帰モデルやニューラルネットワークな
どの手法でこの時系列データを外挿する曲線を定め、こ
の曲線で未来の交通量を予測する方法である。この手法
は時間的に変動の激しい要因を反映し得るが、逆に時間
的に変化しない、あるいは長期的に変動する要因を反映
できない。
を扱う方法は、現在から過去数ステップ前の時系列デー
タに対し、自己回帰モデルやニューラルネットワークな
どの手法でこの時系列データを外挿する曲線を定め、こ
の曲線で未来の交通量を予測する方法である。この手法
は時間的に変動の激しい要因を反映し得るが、逆に時間
的に変化しない、あるいは長期的に変動する要因を反映
できない。
【０００５】また、今日ではＡＴＩＳ(Advanced Traffi
c Information Service:高度交通情報サービス）など、
広範囲にわたって交通状況を実測し、これを集計、提供
するシステムが実現しつつある。このようなシステムで
は、交通状況を実測する段階では測定値は連続な実数値
であるが、これを集計、提供する段階では実数値を量子
化した離散値を用いるのが一般的である。これは、広範
囲にわたって交通状況を集計するため、実測値をそのま
ま使用したのではデータ量が膨大になってしまうからで
ある。
c Information Service:高度交通情報サービス）など、
広範囲にわたって交通状況を実測し、これを集計、提供
するシステムが実現しつつある。このようなシステムで
は、交通状況を実測する段階では測定値は連続な実数値
であるが、これを集計、提供する段階では実数値を量子
化した離散値を用いるのが一般的である。これは、広範
囲にわたって交通状況を集計するため、実測値をそのま
ま使用したのではデータ量が膨大になってしまうからで
ある。
【０００６】しかし、（１），（２）のような従来の様
々な手法では、その説明変数、言い換えると予測装置の
入力としては、そのほとんどが実数値を対象としてお
り、量子化された値に特化している予測手法は存在しな
い。
々な手法では、その説明変数、言い換えると予測装置の
入力としては、そのほとんどが実数値を対象としてお
り、量子化された値に特化している予測手法は存在しな
い。
【０００７】
【発明が解決しようとする課題】一般に交通状況は、再
現性があるといわれている。例えば、通勤ラッシュなど
による２４時間変動、曜日による変動などは、時間的に
ある周期で同じ変化をする。また、ある特定の道路で過
去に事故などが発生した状態での交通状況の変化は、そ
の道路における地理的要因などが反映されていると考え
られ、再び事故が発生した場合の交通状況予測において
有用であると考えられる。
現性があるといわれている。例えば、通勤ラッシュなど
による２４時間変動、曜日による変動などは、時間的に
ある周期で同じ変化をする。また、ある特定の道路で過
去に事故などが発生した状態での交通状況の変化は、そ
の道路における地理的要因などが反映されていると考え
られ、再び事故が発生した場合の交通状況予測において
有用であると考えられる。
【０００８】しかし、上述のように、従来の方法では過
去の時系列データをそのまま保存し、検索し利用した方
法は存在せず、（１）のように何らかの形で統計的な処
理を施し特徴量を抽出したり、（２）のように現在に非
常に近いデータのみを対象としていた。
去の時系列データをそのまま保存し、検索し利用した方
法は存在せず、（１）のように何らかの形で統計的な処
理を施し特徴量を抽出したり、（２）のように現在に非
常に近いデータのみを対象としていた。
【０００９】このため、時系列データの限定された特徴
量を使用していたため元のデータの情報が欠落するおそ
れがあり予測精度が低下する、時系列データを複雑な方
法で処理していたので予測に時間がかかる、（特に
（２）では）ある程度過去に起こった同様な現象を参考
にして予測することが困難であり予測程度が低下する、
という問題があった。
量を使用していたため元のデータの情報が欠落するおそ
れがあり予測精度が低下する、時系列データを複雑な方
法で処理していたので予測に時間がかかる、（特に
（２）では）ある程度過去に起こった同様な現象を参考
にして予測することが困難であり予測程度が低下する、
という問題があった。
【００１０】また、今日では、前述のように集計された
各地の交通状況データは量子化された離散値を使用する
のが一般的であるが、従来の手法は説明変数（入力値）
として実数値を仮定しており、離散値に特化したものは
存在しない。
各地の交通状況データは量子化された離散値を使用する
のが一般的であるが、従来の手法は説明変数（入力値）
として実数値を仮定しており、離散値に特化したものは
存在しない。
【００１１】このため、離散値を実数値のように扱うた
め、方法が複雑で処理に時間がかかる、量子化された際
の誤差などが大きく影響し、予測精度が低下する、など
の問題があった。
め、方法が複雑で処理に時間がかかる、量子化された際
の誤差などが大きく影響し、予測精度が低下する、など
の問題があった。
【００１２】本発明の目的は、正確で処理時間の短い予
測を実現する交通状況予測方法および装置を提供するこ
とにある。
測を実現する交通状況予測方法および装置を提供するこ
とにある。
【００１３】
【課題を解決するための手段】本発明の交通状況予測方
法は、交通状況関係の実測値を収集するステップと、前
記収集した実測値をもとに有限状態機械を作成するのに
必要な時系列データ群を作成するステップと、有限状態
機械を作成するステップと、前記作成された有限状態機
械を使用して現在値を含む時系列データをもとに予測値
を決定するステップを有する。
法は、交通状況関係の実測値を収集するステップと、前
記収集した実測値をもとに有限状態機械を作成するのに
必要な時系列データ群を作成するステップと、有限状態
機械を作成するステップと、前記作成された有限状態機
械を使用して現在値を含む時系列データをもとに予測値
を決定するステップを有する。
【００１４】本発明の交通状況予測装置は、交通状況の
実測値を収集し、収集された実測値をもとに有限状況機
械を作成するのに必要な時系列データ群を作成するとと
もに、現在値を含め時系列データを出力する時系列デー
タ管理手段と、前記時系列データ群を用いて有限状態機
械を作成する有限状態機械作成手段と、作成された有限
状態機械を使用して現在値データを含む時系列データを
もとに予測値を決定する予測値決定手段を有する。
実測値を収集し、収集された実測値をもとに有限状況機
械を作成するのに必要な時系列データ群を作成するとと
もに、現在値を含め時系列データを出力する時系列デー
タ管理手段と、前記時系列データ群を用いて有限状態機
械を作成する有限状態機械作成手段と、作成された有限
状態機械を使用して現在値データを含む時系列データを
もとに予測値を決定する予測値決定手段を有する。
【００１５】本発明は、離散値の時系列データを入力と
して離散値を出力する有限状態機械を使用して交通状況
を予測するものである。
して離散値を出力する有限状態機械を使用して交通状況
を予測するものである。
【００１６】有限状態機械を利用すると、離散値をその
まま使用して予測できるため、正確で、処理時間の短い
交通情報予測が可能になる。入力値を一度スムージング
して連続値に直しＡＲモデル等で方程式を決定し、出力
された連続的予測値を量子化するという方法もあるが、
無駄が多く、量子化誤差なども入ってくる。なお、入出
力とも有限な離散値である場合、その対応関係を有限状
態機械で表わすのが効率的である。
まま使用して予測できるため、正確で、処理時間の短い
交通情報予測が可能になる。入力値を一度スムージング
して連続値に直しＡＲモデル等で方程式を決定し、出力
された連続的予測値を量子化するという方法もあるが、
無駄が多く、量子化誤差なども入ってくる。なお、入出
力とも有限な離散値である場合、その対応関係を有限状
態機械で表わすのが効率的である。
【００１７】
【発明の実施の形態】次に、本発明の実施の形態につい
て図面を参照して説明する。
て図面を参照して説明する。
【００１８】図１は本発明の一実施形態の交通状況予測
方法を示すフローチャートである。
方法を示すフローチャートである。
【００１９】本実施形態では、現在からＳ分先の予測対
象道路の交通状況を予測することとする。また、本実施
形態では交通状況として、対象道路の平均速度を予測す
るものとし、実測値は、予測対象道路やその周辺道路な
どの平均速度を量子化した値であるとする。
象道路の交通状況を予測することとする。また、本実施
形態では交通状況として、対象道路の平均速度を予測す
るものとし、実測値は、予測対象道路やその周辺道路な
どの平均速度を量子化した値であるとする。
【００２０】まず、予測の説明変数となる、交通状況な
ど（天候なども含む）の実測値を測定、収集する（ステ
ップ１０１）。
ど（天候なども含む）の実測値を測定、収集する（ステ
ップ１０１）。
【００２１】次に、有限状態機械を作成するのに必要な
時系列データ群を作成する（ステップ１０２）。本実施
形態では、有限状態機械を作成する方法の例として進化
的手法を用いることとする。進化的手法に必要なトレー
ニングデータ（評価用データ）を作成する具体的な手法
の模式図を図２に示す。まず、元となる時系列データ２
００を作る。これは、実測値を先頭から時刻が新しい順
に並べた時系列データである。次に、元となる時系列デ
ータ２００の一番先頭のデータ２０１（最新のデータ）
と、Ｓ分前のデータを先頭とした長さＭの連続時系列デ
ータ２０２を取り出し、この二つを組にしたものを最新
トレーニングデータ２１０とする。ただし、Ｍは十分長
くとることとする。トレーニングデータ群２２０は、こ
のようにして作成された過去のトレーニングデータＮ個
の集合である。作成された最新トレーニングデータ２１
０をトレーニングデータ群２２０に加え、さらにトレー
ニングデータ群２２０から最も古いトレーニングデータ
を削除する。
時系列データ群を作成する（ステップ１０２）。本実施
形態では、有限状態機械を作成する方法の例として進化
的手法を用いることとする。進化的手法に必要なトレー
ニングデータ（評価用データ）を作成する具体的な手法
の模式図を図２に示す。まず、元となる時系列データ２
００を作る。これは、実測値を先頭から時刻が新しい順
に並べた時系列データである。次に、元となる時系列デ
ータ２００の一番先頭のデータ２０１（最新のデータ）
と、Ｓ分前のデータを先頭とした長さＭの連続時系列デ
ータ２０２を取り出し、この二つを組にしたものを最新
トレーニングデータ２１０とする。ただし、Ｍは十分長
くとることとする。トレーニングデータ群２２０は、こ
のようにして作成された過去のトレーニングデータＮ個
の集合である。作成された最新トレーニングデータ２１
０をトレーニングデータ群２２０に加え、さらにトレー
ニングデータ群２２０から最も古いトレーニングデータ
を削除する。
【００２２】このようにして作成された、有限状態機械
を作成するのに必要な時系列データ群を用いて、交通状
況を予測する有限状態機械を作成する（ステップ１０
３）。前述のように、本実施形態では有限状態機械を作
成する方法の例として、進化的手法を用いることとす
る。まず、交通状況を予測する有限状態機械とその遺伝
子化（コーディング）について、図３に示す。次いでス
テップ１０３の具体的な手順を図４に示す。なお、本実
施形態では、平均速度の量子化の例として、ある道路を
走行する車両の平均速度を３段階に量子化し、０，１，
２で表すものとする。
を作成するのに必要な時系列データ群を用いて、交通状
況を予測する有限状態機械を作成する（ステップ１０
３）。前述のように、本実施形態では有限状態機械を作
成する方法の例として、進化的手法を用いることとす
る。まず、交通状況を予測する有限状態機械とその遺伝
子化（コーディング）について、図３に示す。次いでス
テップ１０３の具体的な手順を図４に示す。なお、本実
施形態では、平均速度の量子化の例として、ある道路を
走行する車両の平均速度を３段階に量子化し、０，１，
２で表すものとする。
【００２３】まず、交通状況を予測する有限状態機械と
その遺伝子化（コーディング）について述べる。有限状
態機械とは、順序付けられた５項組Ｍ＝（Ｉ，Ｏ，Ｓ，
ｆ，ψ）をいう。Ｉ，Ｏはそれぞれ入力と出力、Ｓは状
態集合と呼ばれる空でない有限集合、ｆとψはそれぞれ
集合Ｓ×ＩをＳとＩに移す関数で、遷移および出力関数
と呼ばれる。本実施形態においては、交通状況を予測す
る有限状態機械として、ＩおよびＯが０，１，２である
有限状態機械を考える。例として、状態数が４の有限状
態機械の状態遷移表を３００に、状態遷移図を３１０に
示す。初期状態はＳ1 とする。状態遷移表３００の上部
はｆを表し、例えば最左上部のＳ2 は、現在Ｓ1 の状態
にいて入力値として０が与えられた場合には、次の状態
のＳ2 になることを表す。また、状態遷移表３００の下
部はψを表し、状態がそれぞれＳ 1 ，Ｓ2 ，Ｓ3 ，Ｓ4
であった場合は、それぞれ０，０，１，２が出力される
ことを示す。３００，３１０で表される有限状態機械の
場合、入力として０，０，１，２という平均速度の時系
列データが与えられたとき、３１０に示すように状態が
ｆにしたがってＳ1 →Ｓ2 →Ｓ3 →Ｓ4 と変化し、最終
状態がＳ4 になる。この結果、出力はψにしたがい、２
が出力される。このように、有限状態機械は、交通状況
の時系列データを判別し、時系列データのパターンに応
じて出力を決定することができる。このような有限状態
機械を表す遺伝子を、例えば３２０のように定義する。
これは、状態遷移表３００を左上から縦に読んでいった
ものである。３００，３１０，３２０は全く同じ有限状
態機械を表す。以下、進化的手法で有限状態機械を作成
するため、遺伝子３２０の形式で有限状態機械を表現す
ることにする。
その遺伝子化（コーディング）について述べる。有限状
態機械とは、順序付けられた５項組Ｍ＝（Ｉ，Ｏ，Ｓ，
ｆ，ψ）をいう。Ｉ，Ｏはそれぞれ入力と出力、Ｓは状
態集合と呼ばれる空でない有限集合、ｆとψはそれぞれ
集合Ｓ×ＩをＳとＩに移す関数で、遷移および出力関数
と呼ばれる。本実施形態においては、交通状況を予測す
る有限状態機械として、ＩおよびＯが０，１，２である
有限状態機械を考える。例として、状態数が４の有限状
態機械の状態遷移表を３００に、状態遷移図を３１０に
示す。初期状態はＳ1 とする。状態遷移表３００の上部
はｆを表し、例えば最左上部のＳ2 は、現在Ｓ1 の状態
にいて入力値として０が与えられた場合には、次の状態
のＳ2 になることを表す。また、状態遷移表３００の下
部はψを表し、状態がそれぞれＳ 1 ，Ｓ2 ，Ｓ3 ，Ｓ4
であった場合は、それぞれ０，０，１，２が出力される
ことを示す。３００，３１０で表される有限状態機械の
場合、入力として０，０，１，２という平均速度の時系
列データが与えられたとき、３１０に示すように状態が
ｆにしたがってＳ1 →Ｓ2 →Ｓ3 →Ｓ4 と変化し、最終
状態がＳ4 になる。この結果、出力はψにしたがい、２
が出力される。このように、有限状態機械は、交通状況
の時系列データを判別し、時系列データのパターンに応
じて出力を決定することができる。このような有限状態
機械を表す遺伝子を、例えば３２０のように定義する。
これは、状態遷移表３００を左上から縦に読んでいった
ものである。３００，３１０，３２０は全く同じ有限状
態機械を表す。以下、進化的手法で有限状態機械を作成
するため、遺伝子３２０の形式で有限状態機械を表現す
ることにする。
【００２４】次に、ステップ１０３の具体的な手順を図
４に示す。
４に示す。
【００２５】まず、３２０のような遺伝子形式の有限状
態機械をランダムにｋ個作成し、遺伝子形式の有限状態
機械集団を作る（ステップ４０１）。
態機械をランダムにｋ個作成し、遺伝子形式の有限状態
機械集団を作る（ステップ４０１）。
【００２６】次に、各々の遺伝子形式有限状態機械をト
レーニングデータ群２２０を用いて評価する（ステップ
４０２）、評価方法としては、例えば、遺伝子形式有限
状態機械にトレーニングデータの入力を与えたとき、機
械の出力がトレーニングデータの出力と一致した場合１
点を与え、これをトレーニングデータ群の数Ｎだけ繰り
返す方法などが考えられる。この場合、最高点はＮ、最
低点は０である。
レーニングデータ群２２０を用いて評価する（ステップ
４０２）、評価方法としては、例えば、遺伝子形式有限
状態機械にトレーニングデータの入力を与えたとき、機
械の出力がトレーニングデータの出力と一致した場合１
点を与え、これをトレーニングデータ群の数Ｎだけ繰り
返す方法などが考えられる。この場合、最高点はＮ、最
低点は０である。
【００２７】次に、遺伝子形式有限状態機械集団の中の
最高評価点が基準値を満たしているかを判定する（ステ
ップ４０３）。
最高評価点が基準値を満たしているかを判定する（ステ
ップ４０３）。
【００２８】満たしている場合は、遺伝子形式有限状態
機械集団の中で最高評価点を持つ有限状態機械を出力す
る（ステップ４０６）。
機械集団の中で最高評価点を持つ有限状態機械を出力す
る（ステップ４０６）。
【００２９】満たしていない場合は、ステップ４０４，
４０５を行い、再び４０２に戻る。
４０５を行い、再び４０２に戻る。
【００３０】ステップ４０４で、淘汰とは、遺伝子形式
有限状態機械集団において、点数の高い遺伝子形式有限
状態機械の数を増加させ、点数の低い遺伝子形式有限状
態機械の数を減らすことである。例えば、各遺伝子形式
有限状態機械を次世代遺伝子形式有限状態機械集団とし
て選ぶ際に、点数に比例した確率で選ぶ手法（ルーレッ
ト戦略）などがある。
有限状態機械集団において、点数の高い遺伝子形式有限
状態機械の数を増加させ、点数の低い遺伝子形式有限状
態機械の数を減らすことである。例えば、各遺伝子形式
有限状態機械を次世代遺伝子形式有限状態機械集団とし
て選ぶ際に、点数に比例した確率で選ぶ手法（ルーレッ
ト戦略）などがある。
【００３１】ステップ４０５で、突然変異とは、一つの
遺伝子形式有限状態機械において、一部をランダムに変
化させることをいう。例えば、３２０において、先頭の
Ｓ2をＳ4 に変化させる、などの操作をいう。突然変異
の方法にも、ランダムに一つの遺伝子形式有限状態機械
を選び、突然変異させる方法や、評価点数に反比例した
確率で遺伝子形式有限状態機械を選び、突然変異させる
方法などがある。
遺伝子形式有限状態機械において、一部をランダムに変
化させることをいう。例えば、３２０において、先頭の
Ｓ2をＳ4 に変化させる、などの操作をいう。突然変異
の方法にも、ランダムに一つの遺伝子形式有限状態機械
を選び、突然変異させる方法や、評価点数に反比例した
確率で遺伝子形式有限状態機械を選び、突然変異させる
方法などがある。
【００３２】以上のような方法で有限状態機械を作成す
ることで、過去に経験した交通状況時系列データとその
Ｓ分後の値を覚え込ませた有限状態機械を作成すること
ができる。
ることで、過去に経験した交通状況時系列データとその
Ｓ分後の値を覚え込ませた有限状態機械を作成すること
ができる。
【００３３】次に、作成された有限状態機械を使用し
て、現在実測値を含む時系列データを入力し、得られた
出力値を予測値とする（ステップ１０４）。現在実測値
を含む時系列データとは、元となる時系列データ２００
の先頭から、Ｍ個（トレーニングデータの入力値と同じ
長さ）の連続データ２０３を取り出した時系列データ２
３０である。
て、現在実測値を含む時系列データを入力し、得られた
出力値を予測値とする（ステップ１０４）。現在実測値
を含む時系列データとは、元となる時系列データ２００
の先頭から、Ｍ個（トレーニングデータの入力値と同じ
長さ）の連続データ２０３を取り出した時系列データ２
３０である。
【００３４】本実施形態では、交通状況として平均速度
を予測したが、この他にも密度、交通量なども考えら
れ、交通状況として何を考えるかは本実施形態に限定さ
れない。
を予測したが、この他にも密度、交通量なども考えら
れ、交通状況として何を考えるかは本実施形態に限定さ
れない。
【００３５】また、本実施形態では進化的手法におい
て、突然変異の操作を採用したが、この他に、二つの遺
伝子を半分に切って、半分入れ替える、という交叉の操
作を採用する方法なども考えられる。また、淘汰方法
も、最高点を持つ遺伝子は必ず残す方法（エリート保存
戦略）なども考えられ、進化的手法の具体的内容につい
ては本実施形態限定されない。
て、突然変異の操作を採用したが、この他に、二つの遺
伝子を半分に切って、半分入れ替える、という交叉の操
作を採用する方法なども考えられる。また、淘汰方法
も、最高点を持つ遺伝子は必ず残す方法（エリート保存
戦略）なども考えられ、進化的手法の具体的内容につい
ては本実施形態限定されない。
【００３６】さらに、本実施形態では進化的手法によっ
て有限状態機械を作成したが、この他にも、トレーニン
グデータを満たすような有限状態機械を全探索やランダ
ムサーチによって探索するなどの方法も考えられ、有限
状態機械作成方法は本実施形態に限定されない。
て有限状態機械を作成したが、この他にも、トレーニン
グデータを満たすような有限状態機械を全探索やランダ
ムサーチによって探索するなどの方法も考えられ、有限
状態機械作成方法は本実施形態に限定されない。
【００３７】また、本実施形態では、有限状態機械を作
成するに必要な時系列データ群として、トレーニングデ
ータ群を、最新のトレーニングデータから新しい順にＮ
個入れていくことで作成したが、この他に、過去にその
時系列パターンが出てくる回数を数え、出現数が多いパ
ターンを優先的にトレーニングデータ群に入れる方法な
ども考えられ、有限状態機械を作成するに必要な時系列
データ群の作成方法は本実施形態限定されない。
成するに必要な時系列データ群として、トレーニングデ
ータ群を、最新のトレーニングデータから新しい順にＮ
個入れていくことで作成したが、この他に、過去にその
時系列パターンが出てくる回数を数え、出現数が多いパ
ターンを優先的にトレーニングデータ群に入れる方法な
ども考えられ、有限状態機械を作成するに必要な時系列
データ群の作成方法は本実施形態限定されない。
【００３８】図５は本発明の一実施形態の交通状況予測
装置の構成図である。
装置の構成図である。
【００３９】本交通状況予測装置は、交通状況などの実
測値を収集し、収集された実測値をもとに有限状況機械
を作成するのに必要な時系列データ群を作成するととも
に、現在値を含む時系列データを出力する時系列データ
管理部５０１と、時系列データ群を用いて有限状態機械
を作成する有限状態機械作成部５０２と、作成された有
限状態機械と現在値を含む時系列データを用いて予測値
を決定する予測値決定部５０３で構成されている。
測値を収集し、収集された実測値をもとに有限状況機械
を作成するのに必要な時系列データ群を作成するととも
に、現在値を含む時系列データを出力する時系列データ
管理部５０１と、時系列データ群を用いて有限状態機械
を作成する有限状態機械作成部５０２と、作成された有
限状態機械と現在値を含む時系列データを用いて予測値
を決定する予測値決定部５０３で構成されている。
【００４０】図６は本発明の他の実施形態の交通状況予
測装置の構成図である。
測装置の構成図である。
【００４１】本実施形態の交通状況予測装置は入力装置
６０１と出力装置６０２と記録媒体６０３とＣＰＵ６０
４で構成されている。入力装置６０１は交通状況の実測
値を入力するモデムなどの入力装置である。出力装置６
０２は、決定された予測値を出力するプリンタ、ディス
プレイなどの出力装置である。記録媒体６０３、図５に
示した時系列データ管理部５０１と有限状態機械作成部
５０２と予測値決定部５０３の各処理からなる交通状況
予測プログラムを記録した、フロッピーディスク、ＣＤ
−ＲＯＭ、光磁気ディスク、半導体メモリなどの記録媒
体である。ＣＰＵ６０４は記録媒体６０３から交通状況
予測プログラムを読み込んで、これを実行する。
６０１と出力装置６０２と記録媒体６０３とＣＰＵ６０
４で構成されている。入力装置６０１は交通状況の実測
値を入力するモデムなどの入力装置である。出力装置６
０２は、決定された予測値を出力するプリンタ、ディス
プレイなどの出力装置である。記録媒体６０３、図５に
示した時系列データ管理部５０１と有限状態機械作成部
５０２と予測値決定部５０３の各処理からなる交通状況
予測プログラムを記録した、フロッピーディスク、ＣＤ
−ＲＯＭ、光磁気ディスク、半導体メモリなどの記録媒
体である。ＣＰＵ６０４は記録媒体６０３から交通状況
予測プログラムを読み込んで、これを実行する。
【００４２】
【発明の効果】以上説明したように、本発明は、離散値
の時系列データを入力として離散値を出力する、過去に
経験した交通状況時系列データとそのＳ分後の値を覚え
込ませた有限状況機械を利用した交通状況予測を行うこ
とにより、より正確で処理時間の短い予測が実現でき
る。
の時系列データを入力として離散値を出力する、過去に
経験した交通状況時系列データとそのＳ分後の値を覚え
込ませた有限状況機械を利用した交通状況予測を行うこ
とにより、より正確で処理時間の短い予測が実現でき
る。
【図１】本発明の一実施形態の交通状況予測方法を示す
フローチャートである。
フローチャートである。
【図２】時系列データの管理方法を示す模式図である。
【図３】有限状態機械を３種の方法で表した図である。
【図４】図１の有限状態機械を作成するステップの具体
的に示すフローチャートである。
的に示すフローチャートである。
【図５】本発明の一実施形態の交通状況予測装置の構成
図である。
図である。
【図６】本発明の一実施形態の交通状況予測装置の構成
図である。
図である。
１０１〜１０４ ステップ ２００ 元となる時系列データ ２０１ 時系列データの一番先頭のデータ ２０２ 連続時系列データ ２１０ 最新トレーニングデータ ２２０ トレーニングデータ群 ２３０ 最新実測値を含む時系列データ ３００ 状態遷移表 ３１０ 状態遷移図 ３２０ 有限状態機械を表す遺伝子 ４０１〜４０６ ステップ ５０１ 時系列データ管理部 ５０２ 有限状態機械作成部 ５０３ 予測値決定部 ６０１ 入力装置 ６０２ 出力装置 ６０３ 記録媒体 ６０４ ＣＰＵ
───────────────────────────────────────────────────── フロントページの続き (72)発明者 小川 智章 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 (72)発明者 安達 文夫 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 (72)発明者 鈴木 智 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 Ｆターム(参考） 5H180 AA01 BB15 DD01 EE02
Claims (4)
- 【請求項１】 現在までの交通状況関係の実測値に基づ
き、将来の交通状況を予測する交通状況予測方法であっ
て、 交通状況関係の実測値を収集するステップと、 前記収集した実測値をもとに有限状態機械を作成するの
に必要な時系列データ群を作成するステップと、 有限状態機械を作成するステップと、 前記作成された有限状態機械を使用して現在値を含む時
系列データをもとに予測値を決定するステップを有する
交通状況予測方法。 - 【請求項２】 前記有限状態機械を作成するステップ
が、 遺伝子形式の有限状態機械集団を作成するステップと、 各々の遺伝子形式の有限状態機械をトレーニングデータ
群を用いて評価するステップと、 遺伝子形式の有限状態機械の中の最高評価点が基準値を
満たしているかどうか判定するステップと、 最高評価点が基準点を満たしていなければ、評価点を用
いて遺伝子形式の有限状態機械を淘汰し、遺伝的操作を
加え、有限状態機械を評価するステップに戻るステップ
と、 最高評価点が基準点を満たしていれば、最高評価点を持
つ有限状態機械を出力するステップを有する、請求項１
記載の方法。 - 【請求項３】 現在までの交通状況関係の実測値に基づ
き、将来の交通状況を予測する交通状況予測装置であっ
て、 交通状況関係の実測値を収集し、収集された実測値をも
とに有限状況機械を作成するのに必要な時系列データ群
を作成するとともに、現在値を含む時系列データを出力
する時系列データ管理手段と、 前記時系列データ群を用いて有限状態機械を作成する有
限状態機械作成手段と、 作成された有限状態機械を使用して現在値データを含む
時系列データをもとに予測値を決定する予測値決定手段
を有する交通状況予測装置。 - 【請求項４】 現在までの交通状況関係の実測値に基づ
き、将来の交通状況を予測する交通情報予測プログラム
であって、 交通状況関係の実測値を収集し、収集された実測値をも
とに有限状態機械を作成するのに必要な時系列データ群
を作成するとともに、現在値を含む時系列データを出力
する時系列データ管理処理と、 前記時系列データ群を用いて有限状態機械を作成する有
限状態機械作成処理と、 作成された有限状態機械を使用して現在値データを含む
時系列データをもとに予測値を決定する予測値決定処理
をコンピュータに実行させるための交通状況予測プログ
ラムを記録した記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10224471A JP2000057482A (ja) | 1998-08-07 | 1998-08-07 | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10224471A JP2000057482A (ja) | 1998-08-07 | 1998-08-07 | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000057482A true JP2000057482A (ja) | 2000-02-25 |
Family
ID=16814325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10224471A Pending JP2000057482A (ja) | 1998-08-07 | 1998-08-07 | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2000057482A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003081558A1 (fr) * | 2002-03-27 | 2003-10-02 | Matsushita Electric Industrial Co., Ltd. | Systeme et appareil d'information routiere et procede de generation d'information routiere |
| JP2010009510A (ja) * | 2008-06-30 | 2010-01-14 | Univ Waseda | 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム |
| KR20160127896A (ko) * | 2015-04-27 | 2016-11-07 | 성균관대학교산학협력단 | 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 |
| CN107545757A (zh) * | 2016-06-24 | 2018-01-05 | 中国第汽车股份有限公司 | 基于车牌识别的城市道路流速测量装置和方法 |
| CN117806440A (zh) * | 2024-02-28 | 2024-04-02 | 苏州元脑智能科技有限公司 | 备用电池单元的状态管控方法、系统、装置、设备及介质 |
-
1998
- 1998-08-07 JP JP10224471A patent/JP2000057482A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003081558A1 (fr) * | 2002-03-27 | 2003-10-02 | Matsushita Electric Industrial Co., Ltd. | Systeme et appareil d'information routiere et procede de generation d'information routiere |
| US7747381B2 (en) | 2002-03-27 | 2010-06-29 | Panasonic Corporation | Road information provision system, road information provision apparatus, and road information generation method |
| JP2010009510A (ja) * | 2008-06-30 | 2010-01-14 | Univ Waseda | 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム |
| KR20160127896A (ko) * | 2015-04-27 | 2016-11-07 | 성균관대학교산학협력단 | 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 |
| KR101725629B1 (ko) | 2015-04-27 | 2017-04-12 | 성균관대학교산학협력단 | 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 |
| CN107545757A (zh) * | 2016-06-24 | 2018-01-05 | 中国第汽车股份有限公司 | 基于车牌识别的城市道路流速测量装置和方法 |
| CN117806440A (zh) * | 2024-02-28 | 2024-04-02 | 苏州元脑智能科技有限公司 | 备用电池单元的状态管控方法、系统、装置、设备及介质 |
| CN117806440B (zh) * | 2024-02-28 | 2024-05-17 | 苏州元脑智能科技有限公司 | 备用电池单元的状态管控方法、系统、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Sdcae: Stack denoising convolutional autoencoder model for accident risk prediction via traffic big data | |
| CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
| CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
| CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
| CN110738855B (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
| CN114596700B (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
| JP2004157814A (ja) | 決定木生成方法およびモデル構造生成装置 | |
| CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
| CN116935642A (zh) | 基于物联网的便捷出行管理方法 | |
| JP2000057482A (ja) | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 | |
| JP2004164373A (ja) | 交通渋滞情報変換方法、交通渋滞情報変換装置、交通渋滞情報変換プログラムおよびそのプログラムを記録した記録媒体 | |
| CN114331206A (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
| CN114281808B (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
| CN115271565B (zh) | 基于dea的高速公路路面养护措施评价方法、装置及设备 | |
| CN115438453B (zh) | 一种利用观测数据构建路网设施拓扑结构的方法 | |
| CN110796301A (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 | |
| CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
| CN116311892A (zh) | 一种基于拥堵传播的城市路段通行关键瓶颈识别方法 | |
| CN114781473A (zh) | 轨道交通设备状态预测方法、装置、设备及存储介质 | |
| CN114372522A (zh) | 一种基于rsf模型的交通事故持续时间影响因素分析方法 | |
| JP2000067362A (ja) | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 | |
| Yaghoubi et al. | Model-based clustering (MBC) for road data via multivariate mixture of normal distributions and factor analysis (FA) | |
| CN117975745B (zh) | 一种基于车联网的智慧交通监控系统 | |
| JP3441053B2 (ja) | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 | |
| JP7414502B2 (ja) | 情報処理装置、情報処理方法およびプログラム |