JP2000067363A - 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

Abstract

(57)【要約】 【課題】 交通状況を短かい処理で、正確に予測する。 【解決手段】 予測に使用する最新のデータを収集する
（ステップ１１１）。収集されたデータを、時系列デー
タ２０１の先頭に追加する（ステップ１１２）。次に、
最新の時系列パターンセット２２０を作成し、時系列パ
ターンテーブル２３０を更新する（ステップ１１３）。
次に、時系列データ２０１を用いて最新の時系列データ
キー２１０を作成する（ステップ１２１）。時系列パタ
ーンテーブル２３０より最も多く出現する予測値２６０
を検索する（ステップ１２２）。予測値２６０を交通状
況の予測値と決定する（ステップ１２３）。

Description

【発明の詳細な説明】

【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。

【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、デー
タが持っている本来の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。

【０００５】

【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。

【０００６】しかし、上述のように、従来の方法では
（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ため、時系列データの限定された
特徴量を使用して元のデータの情報が欠落する恐れがあ
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。

【０００７】本発明の目的は、過去の時系列データから
現在の状況に近いデータを検索することで、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。

【０００８】

【課題を解決するための手段】上記目的を達成するため
に、本発明の交通状況予測方法は、交通状況を予測する
ための最新のデータを収集するステップ、収集されたデ
ータを逐次時系列データとして蓄積するステップと、収
集された最新のデータを前記時系列データに付加して前
記時系列データを更新し、前記更新された時系列データ
の最新値を予測値とし一定時間前の時系列データを当該
時系列パターンとしたパターンセットを生成し、時系列
パターンを蓄積している時系列パターンテーブルを更新
するステップと、前記時系列パターンテーブルより、前
記作成された前記時系列データと同じパターンを持つパ
ターンセット群中のパターンセットに保持されている予
測値から交通状況の予測値を求めるステップを有する。

【０００９】また、本発明の交通状況予測装置は、交通
状況を予測するためのデータを収集するデータ収集手段
と、収集されたデータを逐次時系列データとして蓄積
し、収集された最新のデータを前記時系列データの先頭
に付加して前記時系列データを更新し、前記更新された
時系列データの最新値を予測値とし一定時間前の時系列
データを当該時系列パターンとしたパターンセットを生
成し、時系列パターンテーブルを更新する時系列データ
管理手段と、前記時系列パターンテーブルより、前記作
成された最新の時系列データと同じパターンを持つパタ
ーンセット群中のパターンセットに保持されている予測
値から交通状況の予測値を求める予測値決定手段を有す
る。

【００１０】ここで、パターンセット群中のパターンセ
ットに保持されている予測値のうち最も多く出現する予
測値を交通状況の予測値とすることもできるし、パター
ンセットに保持されている予測値の統計値（例えば平均
値）を交通状況の予測値とすることもできる。

【００１１】このように、過去に蓄積した交通状況を予
測するためのデータから、現在の状況に近い時系列デー
タを検索し、これを利用して予測することで、過去に記
録した情報を有効に利用して、任意の状況に対して精度
の良い予測が可能となる。

【００１２】

【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。

【００１３】図１は本発明の一実施形態の交通状況予測
方法のフローチャートである。本実施形態では、現在よ
りＳ分先のある道路の空間平均速度を予測する例を示
す。

【００１４】本実施形態の方法は、大きく２つの処理か
らなる。すなわちデータ更新処理１１０と予測値決定処
理１２０である。まず、データ更新処理１１０について
述べる。

【００１５】まず、予測に使用する最新のデータを収集
し、逐次時系列データとして蓄積する（ステップ１１
１）。本実施形態では、予測対象道路の最新の空間平均
速度を収集することとする。

【００１６】次に、前記収集した最新データを、保持し
てある過去の時系列データ２０１の先頭に追加する（ス
テップ１１２）。時系列データ２０１は過去のデータが
時刻順に入っているデータ列である。新規データを追加
した結果データ列が最大の長さＮ以上になると、最も古
いデータが消される。

【００１７】次に、最新の時系列パターンセット２２０
を作成し、時系列パターンテーブル２３０を更新する
（ステップ１１３）。

【００１８】時系列パターンテーブル２３０の更新（ス
テップ１１３）の模式図を図２に示す。本実施形態で
は、ステップ１１２において作成された時系列データ２
０１に対し、先頭（最新）のデータ一つ（２０３）と、
Ｓ分前のデータからＭ個の連続データ（２０４）とを組
み合わせたものを最新時系列パターンセット２２０とい
う。先頭データ部２０３はパターンセット２２０の予測
値２２２に、連続データ部２０４はパターンセット２２
０のパターン２２１になる。また、このようにして作成
されたパターンセット２２０を最新のものからＬ個保持
し、これを時系列パターンテーブル２３０とする。

【００１９】次に、ステップ１１４において、予測値決
定を行うかどうか判定し、予測値決定を行わないならば
ステップ１１１に戻り、行う場合は、予測値決定処理１
２０内のステップ１２１へと進む。

【００２０】予測値決定を行う場合は、ステップ１１２
で更新した時系列データ２０１を用いて、最新の時系列
データキー２１０を作成する（ステップ１２１）。

【００２１】時系列データキー作成の模式図を図２に示
す。ステップ１１２で作成した時系列データ２０１の、
例えば先頭からＭ個の連続データ２０２を取りだす。こ
れを最新時系列データキー２１０という。この最新時系
列データキー２１０は後述するステップ１２２におい
て、検索キー２４０として使用する。

【００２２】次に、ステップ１２１で作成した最新時系
列データキー２１０を用いて、ステップ１１３にて更新
した時系列パターンテーブル２３０の中から、最新時系
列データキー２１０にもっとも近いパターンを持つパタ
ーンセット２５０を検索する（ステップ１２２）。二つ
のパターン間の距離の定義については様々な手法が考え
られるが、例えば、パターン中の各時系列データが張る
空間に対するユークリッド距離を使用する方法などが考
えられる。

【００２３】ステップ１２２の模式図を図３に示す。時
系列パターンテーブル２３０にはＬ個のパターンセット
２３１、２３２、２３３、・・・、２３Ｌが保持されて
いる。このパターンセット２３１〜２３Ｌの中から、ス
テップ１２１で作成した最新時系列データキー２１０を
検索キー２４０とし、これにもっとも近いパターンを持
つパターンセット２５０を検索する。検索する手法は多
数あり、本実施形態に特定されるものではないが、本具
体例では一つずつ順番に全検索することとする。

【００２４】ここで、検索キー２４０と全く同じパター
ンを持つパターンセットが数多く見つかった場合を図４
に示す。この場合、パターンセット群３００のパターン
セットに保持されている予測値のうち、最も多く出現す
る予測値２６０を交通状況の予測値とする（ステップ１
２３）。

【００２５】次に、ステップ１２４において新しいデー
タが収集可能かを判定し、可能であればステップ１１１
へ、不可能であればステップ１２１へ戻る。ステップ１
１４とステップ１２４の条件判定の結果により、データ
更新処理１１０および予測値決定処理１２０は交互に実
行されることもあり、また何回か連続して一方のみが実
行されることもある。

【００２６】ところで、本実施形態では、キーおよびパ
ターンとして連続する時系列データを用いたが、この他
に不連続な時系列データを用いる場合も考えられ、キー
およびパターンの作成方法は本実施形態に限定されな
い。

【００２７】また、本実施形態では最新時系列データ２
０１として、予測対象道路の空間平均速度を用いる場合
を示したが、この他に予測対象道路の交通量や所要時間
などを用いる方法、周辺道路に関する同様な情報を用い
る方法なども考えられ、時系列データ２０１として何を
用いるかは本実施形態に限定されない。

【００２８】さらに、本実施形態では時系列パターンテ
ーブル２３０の更新において、新しいものから順にパタ
ーンセットをＬ個とってパターンテーブルとしたが、こ
の他に、パターンテーブル内に類似したパターンセット
が無い場合のみ、新たなパターンセットを追加ないしは
最も古いものと置き換える方法なども考えられ、時系列
パターンテーブル２３０の更新方法は本実施形態に限定
されない。

【００２９】また、本実施形態では、時系列パターンテ
ーブル２３０内のパターンセット２２０において、パタ
ーン２２１は予測値からＳ分前のＭ個の時系列データと
したが、パターンセットごとにＭ、Ｓを変える方法も考
えられ、Ｍ、Ｓが固定であるかどうかは本実施形態に限
定されない。

【００３０】さらに、本実施形態では二つのパターン間
の距離をユークリッド距離として定義したが、この他に
も、現在により近いデータほど重みを大きくする手法な
ども考えられ、二つのパターン間の距離の定義は本実施
形態に特定されない。

【００３１】また、本実施形態では検索キー２４０と全
く同じパターンを持つパターンセットが数多く見つかっ
た場合、パターンセット群中での最頻予測値を交通状況
の予測値とする手法を述べたが、この他にも、パターン
セット群中のパターンに保持されている予測値の平均値
を算出し、これを交通状況の予測値とする手法なども考
えられ、全く同じパターンを持つパターンセットが数多
く見つかった場合の交通状況の予測値の算出方法は本実
施形態に特定されない。

【００３２】図５を参照すると、本発明の一実施形態の
交通状況予測装置はデータ収集部４０１と時系列データ
管理部４０２と時系列パターンテーブル管理部４０３と
最新時系列データキー生成部４０４とパターンセット検
索部４０５と予測値決定部４０６で構成されている。

【００３３】交通状況を予測するための種々のデータが
データ収集部４０１にて収集される。収集されたデータ
は時系列データ管理部４０２に送られる。時系列データ
管理部４０２では、送られてきたデータを時系列データ
に付加して時系列データ２０１を更新し、これを保持す
る。保持されている時系列データ２０１は時系列パター
ンテーブル管理部４０３に送られる。時系列パターンテ
ーブル管理部４０３では、最新時系列パターンセット２
２０の作成、時系列パターンテーブル２３０の更新、お
よびその保持が行われる。また、時系列データ２０１は
最新時系列データキー生成部４０４にも送られ、最新時
系列データキー２１０が生成される。最新時系列データ
キー生成部４０４にて生成された最新時系列データキー
２１０を用いて、パターンセット検索部４０５におい
て、時系列パターンテーブル２３０より、前記作成され
た時系列データと同じパターンを持つパターンセット群
中で最も多く出現する予測値を持つパターンセットを選
択する。予測値決定部４０６は前記選択されたパターン
セットに保持されている予測値を交通状況の予測値とす
る。

【００３４】上述のような構成をとることによって、過
去の似たような状況を検索することができ、交通状況の
周期性、再現性を利用した予測が可能となる。

【００３５】図６を参照すると、本発明の他の実施形態
の交通状況予測装置は入力装置５０１と記憶装置５０２
と出力装置５０３と記録媒体５０４とデータ処理装置５
０５で構成されている。

【００３６】入力装置５０１は最新のデータを入力する
モデム等の入力装置である。記憶装置５０２は、時系列
データ２０１および時系列パターンテーブル２３０を保
持する。出力装置５０３は決定された予測値が出力され
る、ディスプレイ、プリンタ等の出力装置である。記録
媒体５０４は、図１に示す交通状況予測プログラムが記
録された、フロッピーディスク、ＣＤ−ＲＯＭ、光磁気
ディスク、半導体メモリ等の記録媒体である。データ処
理装置５０５は記録媒体５０４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ＣＰＵである。

【００３７】

【発明の効果】以上説明したように、本発明によれば、
時系列データをそのまま使用することにより情報の欠落
がなくなることによる予測精度の向上、時系列データを
処理せずそのまま記録することによる予測時間の短縮、
古い過去のデータが利用できることによる予測精度の向
上が実現できる。

【図面の簡単な説明】

【図１】本発明の一実施形態の交通状況予測方法のフロ
ーチャートである。

【図２】図１の実施形態での最新時系列データの生成お
よび時系列パターンの更新方法の模式図である。

【図３】図１の実施形態でのパターン検索方法の模式図
である。

【図４】図１の実施形態でのパターン検索方法の模式図
である。

【図５】本発明の一実施形態の交通状況予測装置のブロ
ック図である。

【図６】本発明の他の実施形態の交通状況予測装置のブ
ロック図である。

【符号の説明】

１１０ データ更新処理 １２０ 予測値決定処理 １１１〜１１４，１２１〜１２４ ステップ ２０１ 時系列データ ２０２ 時系列データ２０１における先頭から連続Ｍ
個のデータ ２０３ 時系列データ２０１における先頭データ ２０４ 時系列データ２０１におけるＳ分前のデータ
から連続Ｍ個のデータ ２１０ 最新時系列データキー ２２０ 最新時系列パターンセット ２２１ 最新時系列パターンセット２２０におけるパ
ターン ２２２ 最新時系列パターンセット２２０における予
測値 ２３０ 時系列パターンテーブル ２３１〜２３Ｌ パターン ２４０ 検索キー ２５０ パターンテーブル２３０内の検索キー２４０
に最も近いパターンを持つパターンセット ２６０ 予測値 ３００ 検索キー２４０と最も近いパターンを持つパ
ターンセット群 ３０１〜３０Ｌ パターン ４０１ データ収集部 ４０２ 時系列データ管理部 ４０３ 時系列パターンテーブル管理部 ４０４ 最新時系列データキー生成部 ４０５ パターンセット検索部 ４０６ 予測値決定部 ５０１ 入力装置 ５０２ 記憶装置 ５０３ 出力装置 ５０４ 記録媒体 ５０５ データ処理装置

───────────────────────────────────────────────────── 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 大塚 和弘 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 曽根原 登 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 BB13 BB15 EE02

Claims (9)

【特許請求の範囲】
1. 【請求項１】 現在までの交通状況に基づき、将来の交
   通状況を予測する交通状況予測方法であって、 交通状況を予測するための最新のデータを収集するステ
   ップと、 収集されたデータを逐次時系列データとして蓄積するス
   テップと、 収集された最新のデータを前記時系列データに付加して
   前記時系列データを更新し、前記更新された時系列デー
   タの最新値を予測値とし一定時間前の時系列データを当
   該時系列パターンとしたパターンセットを生成し、時系
   列パターンを蓄積している時系列パターンテーブルを更
   新するステップと、 前記時系列パターンテーブルより、前記作成された最新
   の時系列データと同じパターンを持つパターンセット群
   中のパターンセットに保持されている予測値から交通状
   況の予測値を求めるステップを有する交通状況予測方
   法。
2. 【請求項２】 前記パターンセット群中のパターンセッ
   トに保持されている予測値のうちで最も多く出現する予
   測値を交通状況の予測値とする、請求項１記載の交通情
   報予測方法。
3. 【請求項３】 前記パターンセット群中のパターンセッ
   トに保持されている各予測値の統計値を交通状況の予測
   値とする、請求項１記載の交通状況予測方法。
4. 【請求項４】 現在までの交通状況に基づき、将来の交
   通状況を予測する交通状況予測装置であって、 交通状況を予測するための種々のデータを収集するデー
   タ収集手段と、 収集されたデータを逐次時系列データとして蓄積し、収
   集された最新のデータを前記時系列データの先頭に付加
   して前記時系列データを更新し、前記更新された時系列
   データの最新値を予測値とし一定時間前の時系列データ
   を当該時系列パターンとしたパターンセットを生成し、
   時系列パターンテーブルを更新する時系列データ管理手
   段と、 前記時系列パターンテーブルより、前記作成された最新
   の時系列データと同じパターンを持つパターンセット群
   中のパターンセットに保持されている予測値から交通状
   況の予測値を求める検索・予測値決定手段を有する交通
   状況予測装置。
5. 【請求項５】 前記検索・予測値決定手段は、前記パタ
   ーンセット群中のパターンセットに保持されている予測
   値のうちで最も多く出現する予測値を交通状況の予測値
   とする、請求項４記載の交通情報予測装置。
6. 【請求項６】 前記検索・予測値決定手段は、前記パタ
   ーンセット群中のパターンセットに保持されている各予
   測値の統計値を交通状況の予測値とする、請求項４記載
   の交通状況予測装置。
7. 【請求項７】 現在までの交通状況に基づき、将来の交
   通状況を予測する交通状況予測プログラムであって、 交通状況を予測するためのデータを収集するデータ収集
   処理と、 収集されたデータを逐次時系列データとして蓄積し、収
   集された最新のデータを前記時系列データの先頭に付加
   して前記時系列データを更新し、前記更新された時系列
   データの最新値を予測値とし一定時間前の時系列データ
   を当該時系列パターンとしたパターンセットを生成し、
   時系列パターンテーブルを更新する時系列データ管理処
   理と、 前記時系列パターンテーブルより、前記作成された最新
   の時系列データと同じパターンを持つパターンセット群
   中のパターンセットに保持されている予測値から交通状
   況の予測値を求める検索・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。
8. 【請求項８】 前記検索・予測値決定処理は、前記パタ
   ーンセット群中のパターンセットに保持されている予測
   値のうちで最も多く出現する予測値を交通状況の予測値
   とする、請求項７記載の記録媒体。
9. 【請求項９】 前記検索・予測値決定処理は、前記パタ
   ーンセット群中のパターンセットに保持されている各予
   測値の統計値を交通状況の予測値とする、請求項７記載
   の記録媒体。