JP2000235562A

JP2000235562A - 非数値化要因の数量化方法、装置、および非数値化要因数量化プログラムを記録した記録媒体

Info

Publication number: JP2000235562A
Application number: JP3701899A
Authority: JP
Inventors: Hitoshi Mori; 仁士毛利; Tsutomu Horikoshi; 力堀越; Tomoaki Ogawa; 智章小川; Fumio Adachi; 文夫安達; Noboru Sonehara; 曽根原　　登
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 1999-02-16
Filing date: 1999-02-16
Publication date: 2000-08-29

Abstract

(57)【要約】【課題】非数値を要因を数量化する。【解決手段】ステップ１０１に、変換したい曜日、時
刻を測定する。ステップ１０２に、データベースから、
前記曜日、時刻をキーとする渋滞度データを全て抽出す
る。ステップ１０３に、抽出したデータの平均値を計算
し、この平均値を、曜日、時刻を変換した量とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、交通状況予測、需
要量予測などにおいて、蓄積された観測データ、実績デ
ータに基づいて非数値の要因を数量化する方法および装
置に関する。

【０００２】

【従来の技術】従来の交通量の予測方法においては、予
測対象の道路の過去の交通量などから未来の交通量を予
測していた。例えば、ニューラルネットワークによる交
通量予測方法では、測定対象の道路の現在および過去数
ステップの交通量を入力データとして、次ステップの交
通量を予測していた。

【０００３】また、旅行時間の予測、渋滞予測に関して
も、その要因としては現在および過去の旅行時間、渋滞
度など、連続した、あるいは離散的な“数値”を用いて
いた。

【０００４】

【発明が解決しようとする課題】一般に、交通状況は、
曜日、時刻、五十日など、社会的な周期、規則に大きく
影響される。例えば、通勤ラッシュによる渋滞は、２４
時間変動、曜日による変動がある。また、連休の前後、
五十日などは業務用の車が多くなり、渋滞が発生しやす
くなると言われている。すなわち、曜日などは、交通状
況を決定する重要な要因である。

【０００５】しかし、上述のように、従来の方法では数
値のみを扱っており、“日曜日”など、抽象的なシンボ
ルで表される非数値要因を利用していなかった。これ
は、従来の予測方法は数値を扱うものであり、曜日、時
刻などの抽象的なシンボルを扱うことが困難であったた
めである。

【０００６】このため、曜日、時刻などを考慮しないこ
とによる的中率の低下を招いていた。また、特徴量とし
て曜日、時刻などを直接加えると、数値を扱う予測方法
が適用できなくなる、という問題があった。

【０００７】本発明の目的は、非数値の要因を数量化す
る非数値要因数値化方法、装置、および非数値要因数量
化プログラムを記録した記録媒体を提供することにあ
る。

【０００８】

【課題を解決するための手段】本発明の非数値要因数量
化方法は、特定の状況を決定する非数値の要因を測定す
るステップと、前記測定された要因をキーとして、保存
されている、過去の前記特定の状況を表す数値量を抽出
するステップと、抽出された数値量に対して所定の演算
を行い、得られた値を前記測定された非数値の要因とす
るステップを有する。

【０００９】また、本発明の非数値要因数量化装置は、
特定の状況を決定する非数値の要因を測定する測定手段
と、該測定された要因をキーとして、保持されている、
過去の特定の状況を表す数値量を抽出する数値量抽出手
段と、抽出された数値量に対して所定の演算を行い、得
られた値を前記測定された非数値の要因とする手段を有
する。

【００１０】本発明を交通状況予測に適用した場合、曜
日、時刻などの交通状況を決定する非数値の要因を、渋
滞度データなどの交通状況を表す数値量を用いて数量化
することで、前記要因を考慮した交通状況予測が可能と
なり、もって、正確な交通状況予測を実現することがで
きる。

【００１１】

【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。

【００１２】図１は本発明の一実施形態の非数値要因数
量化方法を示すフローチャートである。

【００１３】本実施形態では、非数値要因の一例として
時刻、曜日を平均渋滞度という数値量に変換する方法を
示す。

【００１４】本実施形態の前提として、過去の渋滞度デ
ータを、曜日、時刻をキーとしてデータベースに保存し
ておく。

【００１５】まず、ステップ１０１において、変換した
い曜日、時刻を測定する。

【００１６】次に、ステップ１０２において、前記デー
タベースから、前記曜日、時刻をキーとする渋滞度デー
タを全て抽出する。

【００１７】最後に、ステップ１０３において、抽出し
たデータの平均値を計算する。この平均値を、曜日、時
刻を変換した量とする。

【００１８】以下、具体的な曜日、時刻として、“日曜
日午後６時３０分”を変換する例を示す。実際に測定さ
れている渋滞度は図２に示すように、数メートルおきの
観測点で数段化に離散化された値として観測されるもの
とする。日曜日午前６時３０分を変換する例を図３に示
す。図３のように、“日曜日午前６時３０分（２０１）
という曜日、時刻に対し、まず、２０２のように過去の
日曜日午前６時３０分の渋滞データを全て収集する。こ
れは例えば、一週間前の日曜日午前６時３０分のデー
タ、二週間前の日曜日午前６時３０分のデータ、・・・
・などである。これら過去のデータを、例えば４週間分
収集し、平均化した値が２０３であり、該当曜日、時刻
を数値に変換した例である。

【００１９】次に、実際にこれらの数値を用いてＭ分後
の渋滞度データを予測する例を示す。本実施形態では、
予測方法として、事例ベースによる予測方法を示す。図
４に、事例ベース予測方法の基本的な概念を示す。事例
ベース予測方法では、まず過去の事例をデータベース化
する。“事例”とは、過去のある“状況”Ｃ_i とその
“Ｍ分後の値”Ｖ_i の組である。このような、過去に起
こった状況とそのＭ分後の値の組を、学習期間にわたっ
て全て事例データベースに保存しておく。そして予測す
る際には、現在の“状況”Ｃ_n に対し、“似ている”状
況を持つ過去の事例を事例データベースからｋ個検索
し、それらの事例が持つＭ分後の値を平均するなどして
予測値を算出する。ここで、状況を定義する量を特徴量
と呼ぶ。また、“似ている”とは、状況間の距離、すな
わち各特徴量間のユークリッド・ノルム（二乗誤差の
和）

【００２０】

【数１】が小さいことであると定義される。例えばｋ＝１の場合
は

【００２１】

【数２】なるＣ_x を事例データベース内から検索し、これに対応
するＶ_x を予測値として出力する。

【００２２】このような事例ベースの渋滞予測方法にお
いて、従来は、状況を定義する特徴量として、予測対象
リンクの現在および過去数ステップの渋滞度データその
ものを使用していた。これは、特徴量として、時刻、曜
日を加えると、状況間の距離の定義が困難となるからで
ある。例えば、日曜日午前１１：３０と月曜日午後１：
００との間の距離を定義するのは困難である。

【００２３】しかし、本実施形態における方法により、
曜日、時刻は数値に変換されているため、曜日、時刻で
状況を定義しても容易に状況間の距離９定義が可能であ
る。例えば、ある状況が“日曜日午前１１：３０”であ
り、別の状況が“月曜日午後１：００”であった場合、
本実施形態における方法で両曜日、時刻を数値化し、前
記数値化された曜日、時刻間の二乗誤差の和を計算する
ことにより、両状況間の距離が定義できる。これによっ
て、曜日、時刻を考慮して、現在の状況Ｃ_n と事例デー
タベース内の状況Ｃ_i との距離

【００２４】

【数３】が計算でき、Ｄ_i が小さい状況を事例データベースから
検索することで、現在の状況と“似ている”状況を持つ
過去の事例を事例データベースから検索することが可能
となる。これら“似ている”状況を持つ過去の事例のＭ
分後の値を平均化するなどして、予測値を算出する。

【００２５】以上のようにして、曜日、時刻を考慮した
事例ベース予測が可能となる。

【００２６】図５に、特徴量として現在および過去５ス
テップのデータを用いて予測した場合（従来の方法）
と、本実施形態における方法により曜日、時刻を特徴量
として追加した場合の的中率の変化を示す。なお、図５
に示すグラフは、実際の渋滞度データを用いて数値実験
を行った結果である。グラフより、予測先時間が延びる
にしたがって従来の方法は的中率が極端に減少している
のに対し、本実施形態による方法により曜日、時刻を特
徴量として追加した場合の的中率は高い精度を保ってお
り、本実施形態における効果が強まっている。

【００２７】ところで、本実施形態では、曜日、時刻を
数量化する例を示したが、この他に月、五十日などを数
量化する場合も考えられ、何を数量化するかは本実施形
態に限定されない。

【００２８】また、本実施形態では、抽出したデータの
平均値を変換したとしたが、平均値に限らず他の統計値
を用いることもできる。

【００２９】また、本実施形態では、渋滞度を用いて数
量化する例を示したが、この他に交通流量、旅行時間な
どを用いて数量化する場合も考えられ、どのような交通
状況を表す数値量を用いて数量化するかは本実施形態に
限定されない。

【００３０】さらに、本実施形態では、事例ベース予測
方法を用いて予測する例を示したが、この他にニューラ
ルネットワークを用いて予測する場合も考えられ、どの
ような予測方法を用いるかは本実施形態に限定されな
い。

【００３１】図６は本発明の一実施形態の非数値要因数
量化装置のブロック図である。

【００３２】本実施形態の非数値要因数量化装置は、曜
日・時刻測定部３０１と曜日・時刻変換部３０２と渋滞
度データ保存部３０３と予測部３０４で構成されてい
る。

【００３３】過去の渋滞度データが、曜日、時刻キーと
して渋滞度データ保存部３０３に保存されている。ま
ず、変換すべき曜日、時刻が曜日・時刻測定部３０１に
て測定される。曜日・時刻測定部３０１にて測定された
曜日、時刻は、曜日・時刻変換部３０２に送られる。曜
日・時刻変換部３０２では、渋滞度データ保存部３０３
に保存されている渋滞度データから曜日・時刻測定部３
０１にて測定された曜日、時刻をキーとする渋滞度デー
タを全て抽出し、その平均値を計算して、曜日、時刻を
変換した数値量として出力する。予測部３０４は、前記
出力された数値量を用いて予測を行う。なお、予測部３
０４では、前記出力された数値量に加えて、渋滞度デー
タ保存部３０３の渋滞度データを用いる場合も考えられ
る。

【００３４】上述のような数量化方法を用いることによ
って、曜日、時刻などの抽象的なシンボルで表される交
通状況を決定する非数値の要因を数値に変換し、数値を
扱う予測方法に使用することが可能となる。

【００３５】図７は本発明の他の実施形態の非数値要因
測定装置のブロック図である。

【００３６】本実施形態の非数値要因数量化装置は、測
定装置４０１と記憶装置４０２，４０３と出力装置４０
４と記録媒体４０５とデータ処理装置４０６で構成され
ている。測定装置４０１は変換すべき曜日、時刻を測定
し、データ処理装置４０６に出力する。記憶装置４０２
には、過去の渋滞度データが、曜日、時刻キーとして保
存されている。記憶装置４０３はハードディスクであ
る。出力装置４０４は、予測結果を出力する、ディスプ
レイ、プリンタ等。記録媒体４０５は、図１に示した手
順で、測定された曜日、時刻を数値化し、さらにこの数
値量を用いて渋滞度を予測する渋滞度予測プログラムが
記録されている、ＦＤ（フロッピィ・ディスク）、ＣＤ
−ＲＯＭ、ＭＯ（光磁気ディスク）などの記録媒体であ
る。データ処理装置４０６は記録媒体４０５から渋滞度
予測プログラムを記憶装置に４０３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、
曜日、時刻などの抽象的なシンボルで表される、特定状
況を決定する非数値の要因を、特定状況を表す数量値を
用いて数量化することで数値に変換することによって、
数値を扱う各種予測方法に対して前記要因を考慮した予
測を行うことが可能となり、より精度の高い予測を実現
できる。

【図面の簡単な説明】

【図１】本発明の一実施形態の非数値化要因数量化方法
を示すフローチャートである。

【図２】渋滞度データの模式図である。

【図３】「日曜日午前６時３０分」を数値に変換する過
程を示す図である。

【図４】事例ベース予測方法の模式図である。

【図５】本実施形態による方法を利用した予測方法と従
来方法による交通渋滞予測結果を示す図である。

【図６】本発明の一実施形態を示すブロック図である。

【図７】本発明の他の実施形態を示すブロック図であ
る。

【符号の説明】

１０１〜１０３，２０１〜２０３ステップ３０１曜日・時刻測定部３０２曜日・時刻変換部３０３渋滞度データ保存部３０４予測部４０１測定装置４０２，４０３記憶装置４０４出力装置４０５記録媒体４０６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） 5B049 EE03 EE36 5H180 AA01 BB13 DD04 EE02 FF10

Claims

【特許請求の範囲】

【請求項１】特定の状況を決定する非数値の要因を測
定するステップと、前記測定された要因をキーとして、
保存されている、過去の前記特定の状況を表す数値量を
抽出するステップと、抽出された数値量に対して所定の
演算を行い、得られた値を前記測定された非数値の要因
とするステップを有する、非数値要因の数量化方法。
【請求項２】特定の状況を決定する非数値の要因を測
定する測定手段と、該測定された要因をキーとして、保
持されている、過去の前記特定の状況を表す数値量を抽
出する数値量抽出手段と、抽出された数値量に対して所
定の演算を行い、得られた値を前記測定された非数値の
要因とする手段を有する、非数値要因数量化装置。
【請求項３】特定の状況を決定する非数値の要因を決
定する手順と、前記測定された要因をキーとして、保存
されている、過去の特定の状況を表す数値量を抽出する
手順と、抽出された数値量に対して所定の演算を行い、
得られた値を前記決定された非数値の要因とする手順を
コンピュータに実行させるための非数値要因数量化プロ
グラムを記録した記録媒体。