JP2005227972A - 交通状況予測装置および方法 - Google Patents

Abstract

【課題】 将来の交通状況の変化を連続的に、且つ、高い精度で予測することのできる交通状況予測装置および方法を提供する。
【解決手段】 短期予測手段１３、中期予測手段１４、長期予測手段１５が、それぞれ異なる予測モデルを用いて、予測対象リンクにおける将来の交通状況を予測する。予測制御手段１２は、予測精度が高いものほど重みが大きくなるように、各予測手段の予測値を重み加算することによって、最終的な予測値を算出する。
【選択図】 図１

Description

本発明は、将来の交通状況を予測する技術に関する。

交通状況を予測する手法については、従来から数多くの予測モデルが提案されている。しかし、時間帯、曜日、天候、交通規制や事故、周辺の道路の交通状況など、交通に影響を与える要因は無数にあり、その全ての要因を考慮した予測モデルは存在しないのが現実である。たとえば、地点相関や現在の交通状況を用いる手法は、数分先〜数十分先の短期的将来の予測には向いているが、長期的将来の予測精度が悪いという欠点がある。また、過去の交通状況履歴を用いる手法は、長期的将来までほぼ一定の予測精度を得ることができるが、短期的将来の予測精度に関しては前者の手法にはるかに劣っている。

そこで、特許文献１では、短期的予測モデルと長期的予測モデルとを切り替えることによって、予測精度の信頼性を向上する手法が提案されている。同手法では、地点相関法により算出した予測値と統計的手法により算出した予測値とを保存しておき、Ｓ分前に保存しておいた予測値を現在の実測値と比較して、より正確な方の予測値を真の予測値として採用する。
特開２０００−７６５８２号公報

将来の交通状況の変化を予測して最短旅行時間の経路を探索する場合を考えると、例えば、出発地点から目的地点まで約１２０分を要する経路では、出発地点近辺では現在時刻付近の交通状況、中間地点では約６０分後の交通状況、目的地点では約１２０分後の将来の交通状況の予測値をそれぞれ用いる必要がある。よって、このような場合には、短期的将来から長期的将来に至る連続的な時間に対して、旅行時間や渋滞長などの予測値を連続的に算出する必要がある。

したがって、上記従来技術のように途中で手法を切り替えると、そこで予測値が不連続となるため、経路探索の精度の低下を招いてしまう。

また、どの手法により正確な予測値を得られるかは、時間帯、事象、路線の交通状況の定常性などによって時々刻々と変化する。よって、ある手法のＳ分前の予測値が正確であったとしても、現時点で正確な予測手段であるとは限らない。

しかも、従来手法では、Ｓ分前の状況によって判断しているため、交通状況の変化予測にＳ分間の適応遅れが発生してしまう。特に渋滞が立ち上がるような過渡的な交通状況変化のある時間帯では、数分の適応遅れが予測精度に大きく影響を及ぼす可能性が高い。

本発明は上記実情に鑑みてなされたものであって、その目的とするところは、将来の交通状況の変化を連続的に、且つ、高い精度で予測することのできる交通状況予測装置および方法を提供することにある。

上記目的を達成するために本発明では、以下の手段または処理によって交通状況を予測する。

本発明の交通状況予測装置は、複数の予測手段を備える。この複数の予測手段は、互いに異なる予測モデルを用いて予測対象区間（予測対象リンク）における将来の交通状況を予測する。その予測結果（予測値）は、当該区間を通過するのに要する時間（旅行時間）または当該区間（リンク）における渋滞長の形式で出力されるとよい。

ここで、複数の予測手段に、短期予測モデルを用いる短期予測手段と、中期予測モデルを用いる中期予測手段と、長期予測モデルを用いる長期予測手段とが含まれることが好ましい。短期予測モデルと中期予測モデルと長期予測モデルを組み合わせることで、短期的将来〜中期的将来〜長期的将来のそれぞれの期間における最適な（精度良い）予測結果を得ることができる。

予測手段の組み合わせとしては、これら３つの予測手段のうちのいずれか２つで構成してもよいし、４つ以上の予測手段で構成してもよい。なお、「短期」、「中期」、「長期」は各予測手段の予測特性を相対的に表すものであり、短期予測手段は中期予測手段よりも短期的な将来における予測精度が高い、長期予測手段は中期予測手段よりも長期的な将来における予測精度が高いという意味である。

本発明の交通状況予測装置は、記憶手段を備える。この記憶手段には、現在から予測対象時刻までの時間幅に対する各予測手段の予測精度の相対的な関係を表す予測特性情報が予め格納されている。記憶手段は、コンピュータのハードディスクなどの、磁気的または電気的にデジタルデータを記憶する記憶装置で構成可能である。

予測特性情報は、数分間隔など、所定の時間ごとに設定されているとよい。その間隔は、短期的将来から長期的将来にかけて一定でもよいし、変化してもよい。たとえば、予測精度の変化が大きい期間（一般には短期的将来〜中期的将来）の間隔を狭く、予測精度の変化が小さい期間の間隔を広くすれば、データ容量の削減と精度向上を両立することができるので好ましい。

予測特性情報は、路線ごと、または／および、時間帯ごとに設定されていることが好ましい。これにより、路線の属性（地域、車線数、道路幅、形状、信号数、制限速度など）に依存した予測特性や、時間帯ごとの交通事情に依存する予測特性を考慮できるので、予測精度が向上する。なお、「路線」は、単一の区間（リンク）、または、複数の連続する区間（リンク）から構成される。

本発明の交通状況予測装置は、算出手段を備える。この算出手段は、予測対象時刻についての予測結果を各予測手段から取得する一方で、記憶手段から予測対象時刻に対応する予測特性情報を取得する。このとき、予測特性情報が路線ごとに設定されているならば、予測対象区間が属する路線の予測特性情報を取得すればよいし、時間帯ごとに設定されているならば、予測対象時刻が属する時間帯の予測特性情報を取得すればよい。

そして、算出手段は、予測特性情報に基づいて予測対象時刻における予測精度が高いものほど重みが大きくなるように予測結果を重み加算することによって、予測対象時刻の交通状況を算出する。

このように本発明では、複数の予測モデルの予測結果（予測値）を重み加算により組み合わせることで最終的な予測値を算出するので、従来問題となっていた予測モデルの切り替わりによる予測値の急激な変化が生じない。よって、本発明で得られる予測値によれば、現在時刻から将来時刻までの交通状況の変化を連続的に把握することができ、最短旅行時間の経路探索を高精度に行うことができる。

また、複数の予測結果のうち予測精度が高いものほど重みを大きくしているので、交通状況予測の信頼性を向上することができる。特に、短期予測モデル、中期予測モデル、長期予測モデルのように、予測精度の高い期間が互いに異なる予測モデルを組み合わせるようにすれば、相補的作用により短期的将来から長期的将来にわたるどの期間においても非常に信頼性の高い予測を行うことができるという利点がある。

短期予測手段（短期予測モデル）にあっては、少なくとも、予測対象区間における交通状況と、この予測対象区間に予め関連付けられている関連区間（関連リンク）における交通状況との相関から、予測対象時刻の交通状況を予測するとよい。関連区間としては、予測対象区間の周囲一定範囲内に存在する区間のうち、予測対象区間の交通状況に与える影響度が強いものを選択するとよい。関連区間と予測対象区間とは直接接続していなくともよい。

このように、予測対象区間における交通状況のみならず、他の区間における交通状況を加味するようにすれば、たとえば下流側の区間からの渋滞の延伸などを予測することができる。

このとき、短期予測手段が、予測対象区間および関連区間の現在の交通状況の変化量を用いて、予測対象時刻の交通状況を予測するとさらに好ましい。単純な交通状況（旅行時間や渋滞長）でなく、その変化量を用いることにより、交通量が増えようとしているのか減ろうとしているのかの傾向を把握することができるので、予測精度が向上する。

また、短期予測手段が、事象情報に基づいて、予測対象区間と関連区間の間の相関の強さを変更するとなおよい。ここで「事象情報」とは、曜日、時刻、天候、交通規制の有無、および、交通事故の有無のうち少なくともいずれかを含む情報である。つまり、交通状況に影響を与える可能性のある環境要因をパラメータ化したものといえる。

関連リンクに同程度の渋滞が発生していても、需要集中期間かどうか、交通規制や事故があるかどうかなどの環境要因によって、その渋滞の伝播速度が異なってくる。そこで上記のように事象情報に基づき区間間の相関の強さを調整することで、さらに予測精度を高めることができる。

中期予測手段（中期予測モデル）にあっては、予測対象区間について過去に蓄積された交通状況の変化履歴の中から、同区間における一定時間前から現在までの交通状況の変化パターンに類似した類似パターンを抽出し、その抽出された類似パターンに基づいて予測対象時刻の交通状況を予測するとよい。このように過去の交通状況との相関によって予測することにより、通勤渋滞など定常性の高い要因に起因する交通状況の変動を高精度に予測できる。

また、中期予測手段が、予測対象区間について過去に蓄積された交通状況の変化履歴の中から、「同区間における一定時間前から現在までの交通状況の変化パターンに短期予測手段の予測結果を加えたもの」に類似した類似パターンを抽出し、その抽出された類似パターンに基づいて予測対象時刻の交通状況を予測するとなおよい。これにより、過去の変化パターンを参照するだけでは予測困難な渋滞の発生や解消などの急激な交通状況変化にも対応することができる。

長期予測手段（長期予測モデル）にあっては、事象情報に基づいて、現在の交通状況とは無関係に、予測対象区間の予測対象時刻における交通状況を予測することが好ましい。たとえば６時間先とか１日先といった長期的将来の交通状況は、現在の交通状況との関連が極めて低いために、短期予測モデルや中期予測モデルでは予測が困難である。その点、
定常的変動要因である事象情報に基づき予測をたてることで、長期的将来についてもある程度の予側信頼性を確保できる。

前記予測特性情報が重み加算に用いられる重み係数であることも好ましい。

また、算出手段により算出されたある時刻における交通状況と、同時刻に実測された交通状況とを比較することによって、予測特性情報を最適化する学習手段をさらに有することも好ましい。これにより、予測精度を向上することができる。

なお、本発明は、上記手段の少なくとも一部を有する交通状況予測装置として捉えることができる。また、本発明は、上記処理の少なくとも一部を含む交通状況予測方法、または、かかる方法を実現するためのプログラムとして捉えることもできる。上記手段および処理の各々は可能な限り互いに組み合わせて本発明を構成することができる。

本発明によれば、将来の交通状況の変化を連続的に、且つ、高い精度で予測することが可能となる。

以下に図面を参照して、この発明の好適な実施の形態を例示的に詳しく説明する。

（装置構成）
本発明の一実施形態に係る交通状況予測装置の機能構成を図１に示す。

交通状況予測装置１は、任意の道路区間（リンク）における将来の交通状況を予測する装置であって、図１に示すように、最新データ判定手段１０、平滑化手段１１、予測制御手段１２、短期予測手段１３、中期予測手段１４、長期予測手段１５、記憶手段１６などの機能を有する。記憶手段１６には、重み係数、道路データ、相関係数、交通状況履歴データ、事象別交通状況履歴データなどが格納されている。

この交通状況予測装置１は、ＣＰＵ（中央演算処理装置）、メモリ、ハードディスク、表示装置、入力装置、通信装置などを備えた汎用的なコンピュータシステムで構成可能である。稼働時には、ハードディスクに格納された交通状況予測プログラムがメモリに読み込まれ、ＣＰＵに実行されることで、上述した諸機能が実現される。

交通状況予測装置１から出力される予測結果（予測値）は、たとえば、カーナビゲーション装置における最短旅行時間の経路を探索する処理に利用される。典型的には、交通状況予測装置１は広域ネットワーク（インターネット）上に設けられたサーバ（センター側の装置）である。この場合、ナビゲーション装置などのユーザ端末は、広域ネットワークを通じて交通状況の予測値を受け取ることになる。交通状況予測装置１の他の態様としては、ユーザ端末上に実装される態様、ユーザ端末とセンター側のサーバとが協働する態様、複数のサーバが協働する態様などが想定される。

交通状況予測装置１は、交通情報の収集、提供を行う交通情報収集センター２、現在および将来の気象情報の提供を行う気象情報センター３、交通規制や交通事故の有無などの情報提供を行う道路管理者サーバ４などから、ネットワークを通じて種々の情報を取得可能である。

（交通状況予測処理）
次に、図２のフローチャートを参照して、交通状況予測装置１の処理を説明する。この
処理は、交通状況の予測の対象となるリンク（予測対象区間）および予測の対象となる将来の時刻（予測対象時刻）が指定された後に実行されるものである。典型的には、予測対象リンクは、ユーザ端末（ナビゲーション装置）を搭載した車両の現在位置または、移動予定経路となる。

交通情報収集センター２からは逐次最新の交通情報が提供される。提供される交通情報には、道路またはリンク単位の旅行時間、渋滞長、交通量、事故・規制の有無などが含まれる。

交通情報収集センター２から交通情報データを受信すると（ステップＳ１）、まず、最新データ判定手段１０が、受信した情報が処理済みのデータか最新のデータかを判定する（ステップＳ２）。ここで最新データと判定された場合だけ、以降の予測処理に進む。これにより無駄な処理を排除し、処理負荷の軽減を図ることができる。

ステップＳ３では、平滑化手段１１が、交通情報収集センター２から受信した情報に対して、移動平均、指数平滑、または、カルマンフィルター等の平滑化処理を施す。これにより、交通情報の短時間の細かな変動の除去、データの欠落の補間、異常値除去、ノイズ成分除去などの効果が得られる。なお、交通情報収集センター２の交通情報のデータ信頼性が十分高い場合には、この平滑化処理を省略しても構わない。

予測制御手段１２は、平滑化された交通情報データを受け取って、記憶手段１６内の一時記憶交通情報データに保存する。一時記憶交通情報データは、一定時間前（たとえば十数分〜数十分前）から現在までの交通情報データを一時的に蓄積するものである。予測制御手段１２は最新の交通情報データを保存するのと同時に、一時記憶交通情報データのなかで最も古いデータを削除する。

また、予測制御手段１２は、記憶手段１６内の道路データから、予測対象リンクを含む地域の路線情報を収集するとともに、気象情報センター３より該当地域の気象情報を、道路管理者サーバ４より事故、規制、工事などの情報を収集する（ステップＳ４）。路線情報には、リンクの接続関係、車線数、道路幅、形状、信号数、制限速度などが含まれている。気象情報には、現在の天候、将来の天候予測などが含まれている。気象情報センター３の気象情報と道路管理者サーバ４の情報に、曜日や現在時刻などの暦情報を追加したものが事象情報となる。

そして、予測制御手段１２は、短期予測手段１３に対して、一時記憶交通情報データに保存されている直近の交通情報を送信し、同時に、路線情報と事象情報も送信する。

短期予測手段１３では、受信した道路の接続関係と過去のデータに基づいて関連の強いリンク（関連リンク）を定義し、さらに路線情報、事象情報に基づいて、関連リンクにおける相関係数を設定する（ステップＳ５）。そして、短期予測モデルを用いて、予測対象リンクおよび関連リンクの交通情報と相関係数から将来の交通状況の予測値を求める（ステップＳ６）。そして、求めた予測値を予測制御手段１２に送信する。短期予測モデルの詳しい内容は後述する。

ここで、予測対象リンクで現在渋滞が発生していない場合で、予測対象時刻にも交通状況がほとんど変化しないと判定された場合には、その状況に対応する規定のフラグを予測制御手段１２に送信する。同様に、交通状況が「混雑する傾向」または「解消する傾向」と判定された場合は、それぞれの状況に対応する規定のフラグを予測制御手段１２に送信してもよい。

次に予測制御手段１２は、短期予測手段１３から受け取ったフラグに基づいて、予測対象リンクが閑散状況にあるか否か、すなわち、現在と予測対象時刻の交通状況がほとんど変化しないかどうかを判断する（ステップＳ７）。

閑散状況にある場合には、中期予測手段１４による予測処理をスキップできる。中期予測手段１４の処理を省略することにより、交通状況予測処理全体での処理時間の短縮を図ることができる。

そうでない場合は、予測制御手段１２は、中期予測手段１４に対して、一時記憶交通情報データに保存されている過去数十分程度の交通情報および短期予測手段１３の予測値を送信する。また同時に、路線情報および事象情報も送信する。

中期予測手段１４では、中期予測モデルにより交通状況を予測する。まず、一定時間前（過去数十分程度）から現在までの交通情報と短期予測手段１３の予測値とから、一定時間前から短期的将来までの交通状況の変化パターンを生成する。そして、予測対象リンクについて過去に蓄積された交通状況の履歴データ（変化履歴）の中から、前記変化パターンに類似した類似パターンを抽出し、その類似パターンに基づいて交通状況を予測する（ステップＳ８）。中期予測モデルの詳しい内容は後述する。予測値は予測制御手段１２に送信される。

中期予測手段１４から予測値が送信された場合には、予測制御手段１２は、長期予測手段１５に対して、路線情報、事象情報を送信する。

長期予測手段１５では、路線情報、事象情報に基づいて、事象別交通状況履歴データまたはそれらを確率統計的手法で分類処理したデータから、現在の事象に最も近い時点の交通状況履歴を抽出し、その交通状況履歴の中の予測対象時刻における交通状況を予測値とする。予測値は予測制御手段１２に送信される。

予測制御手段１２は、短期予測手段１３、中期予測手段１４、長期予測手段１５から予測値を得ると（ただし、中期予測手段１４の予測値が無い場合もある）、記憶手段１６から重み係数（予測特性情報）を読み出す。この重み係数は、現在から予測対象時刻までの時間幅（以下、この時間幅を「予測時間」という。）に対する各予測手段の予測精度の相対的な関係を表すものである。その一例を図３に示す。この例では、数分間隔で重み係数が設定されている。

予測精度の相対的な関係は路線、時間帯、事象などに依存して変化するため、記憶手段１６には、予め路線別、時間帯別、事象別に複数種類の重み係数が用意されている。よって、予測制御手段１２は、予測対象リンクが属する路線、現在時刻、予測対象時刻、現在の事象に基づいて、使用する重み係数を決定する（ステップＳ１０）。

続いて、予測制御手段１２は、各予測手段での予測値と重み係数の積を求め、それらの積を合算する（ステップＳ１１）。そして、この重み加算結果を予測対象リンクの予測対象時刻における交通状況の予測値として出力する。このように、本実施形態では、予測制御手段１２が本発明の算出手段に対応している。

本実施形態の交通状況予測装置１は、短期予測手段１３と中期予測手段１４と長期予測手段１５という、互いに異なる予測モデルを用いる複数の予測手段を有しており、それぞれの予測モデルは予測時間に対する予測精度が異なる。例えば、短期予測手段１３は、予測対象リンクと関連リンクの現在の交通状況の相関を用いるため、下流からの渋滞の延伸などを考慮でき、短期的な将来の予測に優れている。

各予測手段の予測時間と予測精度の関係を図４に示す。短期予測手段１３は現在に近い期間（短い予測時間）では高い予測精度をもつが、予測時間が長くなるにつれ精度が減少する。中期予測手段１４は、現在に近い期間では短期予測手段１３に劣るが、予測時間が長くなっても精度の減少が比較的緩やかである。しかし、予測時間が長くなるほど現在の交通状況との関連は低くなっていくため、長期的将来では予測精度が低下する。長期予測手段１５は、現在の交通状況とは無関係に、事象情報に基づいて交通状況を予測するので、ほとんどの予測時間に対してほぼ一定の予測精度を示す。この図４の関係を考慮しつつ数値化したものが図３の重み係数である。

この重み係数と各予測手段による予測値Ｘ^Ｓ、Ｘ^Ｍ、Ｘ^Ｌを用いて、現在時刻ｔから予測時間Ｌ後の予測対象時刻における交通状況予測値Ｘ_ｔ＋ｌは、以下のように算出できる。

上式によって算出された予測値での予測時間と予測精度の関係を図５に示す。

このように本実施形態の予測処理では、複数の予測モデルの予測結果（予測値）を重み加算により組み合わせることで最終的な予測値を算出するので、従来問題となっていた予測モデルの切り替わりによる予測値の急激な変化が生じない。

また、予測精度の高い期間が互いに異なる３つの予測モデルを組み合わせているので、相補的作用により短期的将来から中期的将来、長期的将来にわたるどの期間においても非常に信頼性の高い高精度な予測値を得ることができる。

よって、本装置で得られる予測値によれば、現在時刻から将来時刻までの交通状況の変化を連続的に把握することができ、最短旅行時間の経路探索を高精度に行うことができる。

なお、上述したように、各予測手段の予測精度の関係は常に一定というわけでなく、路線や時間帯や事象に依存して変化するものである。具体的には、路線の道路構造、制限速度、需要変化（通勤時間帯か閑散時間帯かなど）、天候、工事や事故の有無など、種々の要因が絡んでくる。別の路線や事象での各予測手段の予測時間と予測精度の関係の例を図６に示す。

その点、本実施形態では路線ごと、時間帯ごと、事象ごとに複数種類の重み係数が設定されている。これにより、路線の属性（地域、車線数、道路幅、形状、信号数、制限速度など）に依存した予測特性や、時間帯ごとの交通事情に依存する予測特性を考慮できるので、予測精度が向上する。

（重み係数の設定方法）
図７は、重み係数を設定する重み算出手段の機能構成を示している。重み算出手段５は、比較データ設定手段５０、交通状況比較手段５１、重み推定手段５２、記憶手段５３から構成される。

重み算出手段５により予測時間Ｌにおける重み係数を設定する方法を以下に述べる。

まず、比較データ設定手段５０が、記憶手段５３に蓄積されている過去の交通状況データの中から、ある時点ｔの交通状況データを抽出する。抽出されたデータは予測制御手段１２に送信される。予測制御手段１２は、通常の予測処理と同様の手順でＬ時間後の時刻ｔ＋Ｌにおける交通状況を予測する。

次に交通状況比較手段５１は、記憶手段５３内の過去の交通状況データの中から、時刻ｔ＋Ｌにおける実際の交通状況の実測値を読み出し、その実測値と上記予測値とを比較して誤差を求める。

この処理を、別の時点の交通状況データについても繰り返す。このとき、同一の路線、同一の時間帯、同一の事象という条件でデータを抽出する。

上記処理を所定数のデータに対して実行したら、重み推定手段５２は、上記処理を行った交通状況データに対して、実際の交通状況と予測された交通状況の誤差が最も小さくなる最適な重みを求める。重み推定手段５２は、最適な重みが算出されたら、その重みを記憶手段１６に記録する。

そして、上記抽出条件のうち路線、時間帯、または、事象の条件を変更して、最適な重み係数を求める。これを繰り返すことにより、路線別、時間帯別、事象別のそれぞれの重み係数を求めることができる。

以上のようにして、重み係数の最適化（学習）が行われる。つまり、本実施形態では、重み算出手段５が本発明の学習手段に対応している。

重み係数の算出は、予めオフラインで処理してもよく、更新されるデータで随時処理しても良い。また、短期・中期・長期それぞれの予測の確率分布を求め、それらを条件とする条件付確率分布を求めることにより、各手段を統合した予測分布を得る方法も有効である。

（短期予測モデル）
次に本予測装置１の短期予測手段１３の詳細を述べる。

予測対象リンクと関連リンクの交通状況の例を図８に示す。予測対象リンクＬ_０における将来の交通状況は、現在の交通状況と相関があり、さらに、下流リンクや上流リンクとの相関もある。例えば、下流リンクＬ_２で渋滞が発生した場合、つまり短時間の傾向が増加傾向である場合には、将来この渋滞が予測対象リンクＬ_０まで延伸しリンクＬ_０の交通状況に変化を及ぼす可能性が高い。

予測対象リンクおよび関連リンクの各時刻での相関の例を図９に示す。予測対象リンクと関連リンクの相関は、接続関係、両リンク間の距離、関連リンクのリンク長、関連リンクでの渋滞伝播速度などにより影響される。本予測装置１では、線形予測モデルによりリンク間の相関を計算する。具体的には、予め図９のような予測対象リンクと各関連リンクの相関を表す係数ａを設定しておき、この係数ａを用いて、現在時刻ｔから時間ｌ後の交通状況予測値Ｘ_ｔ＋ｌを以下の式で算出する。

上式では、時刻ｔにおける交通状況の変化量Δｘ_ｔを用いて交通状況予測値Ｘ_ｔ＋ｌを算出している。単純な交通状況（旅行時間や渋滞長）ｘでなく、その変化量Δｘを用いることにより、交通量が増えようとしているのか減ろうとしているのかの傾向を把握することができるので、予測精度が向上する。なお、本実施形態では時刻ｔを基準にして計算を行っているが、時刻ｔより前の時刻ｔ−ｓ（ｔ−１、ｔ−２など）における変化量Δｘ_ｔ−ｓを用いて交通状況予測値を算出してもよい。

相関を表す係数ａは、予め同一の路線、同一の事象の過去の交通状況のデータを用いて算出する。この係数算出処理も上述した重み算出処理に準ずる方法で行うことができる。この係数算出処理は、予めオフラインで処理してもよく、交通状況データが更新されるにしたがって随時処理してもよい。

また、関連リンクに同程度の渋滞が発生していても、需要集中期間かどうか、交通規制や事故があるかどうかなどの環境要因によって、その渋滞の伝播速度が異なってくるので、事象情報に基づいて予測対象リンクと関連リンクの間の相関の強さを調整することも好ましい。これにより、予測精度を高めることができる。

また、交通状況ｘは典型的には旅行時間や渋滞長であるが、この値に対して対数や逆数などのスケール変換を行ってもよい。

また、線形予測モデルの変わりにニューラルネットワーク、サポートベクターマシン等非線形な手法や、確率統計的手法を用いてもよい。

（中期予測モデル）
次に本予測装置１の中期予測手段１４の詳細を述べる。

中期予測手段１４では、予測対象リンクについて過去に蓄積された交通状況の変化履歴の中から、同リンクにおける一定時間前から現在までの交通状況の変化パターンに類似した類似パターンを検索・抽出し、その類似パターンに基づき将来の交通状況の予測値を算出する、いわゆる過去検索手法を用いる。図１０は、現在時刻ｔまでの交通状況の変化パターンの一例を示す。図１１は、履歴データに含まれる過去日Ａ，Ｂ，Ｃの交通状況の変化履歴の一例を示している。

図１２に基本的な過去検索手法による予測の例を示す。この手法では、過去ｔ−ｎから現在時刻ｔまでの交通状況の変化パターンと、履歴データ中の同一時間帯近辺の変化履歴とを比較し、同様の変化を呈する過去日のデータを検索する。図１１、図１２の例では、過去日Ａが最も類似するデータとして抽出される。過去日Ａのデータでは、時刻ｔから時刻ｔ＋ｌにかけて交通状況が微減している。したがって、過去日Ａのデータに基づき予測対象時刻ｔ＋ｌの予測値Ｘｔ＋ｌを算出すると、図１２の破線で示すような結果が得られる。

しかし、もし時刻ｔ以降の実際の交通状況が図１３に示すように増加する傾向にあった場合には、基本的手法による予測値の誤差はきわめて大きくなる。このような問題は、時刻ｔが渋滞の発生や解消の直前期にあたる場合などに起こり得る。基本的な過去検索手法ではこの種の交通状況の変動を正確に予測することは困難である。

そこで本実施形態では中期予測手段１４では、前段の短期予測手段１３で得られた予測値のうち時刻ｔ＋ｋ（ただし、ｋ≦ｌ）までの予測値を用いて、時間帯をｋだけシフトした時刻ｔ−ｎ＋ｋから時刻ｔ＋ｋまでの時間帯でデータを検索する。

短期予測手段１３では、予測対象リンクと関連リンクの交通状況の相関から短期的将来を精度よく予測可能であり、下流側からの渋滞の延伸、解消などをいちはやく捉えることができる。よって、短期予測手段１３から得られる予測値は、図１４の時刻ｔから時刻ｔ＋ｋに示されるように、増加傾向を示すことになる。

そうすると、履歴データの検索において、過去日Ｃが類似パターンとして抽出されるので、その結果、図１４のように実際の交通状況に近い予測値Ｘ_ｔ＋ｌが得られる。このように、本実施形態の手法によれば、過去の変化パターンを参照するだけでは予測困難な渋滞の発生や解消などの急激な交通状況変化にも対応することができる。

なお、上記実施形態は本発明の一具体例を例示したものにすぎない。本発明の範囲は上記実施形態に限られるものではなく、その技術思想の範囲内で種々の変形が可能である。

たとえば、予測手段で用いる予測モデルは上記実施形態で述べたもの以外でもよい。また、予測手段の数も２つ、あるいは、４つ以上でもよい。

交通状況予測装置は、センター側に設けてもよいし、ユーザ側に設けてもよい。後者の場合は、ナビゲーション装置の一機能として、あるいは、ナビゲーション装置と連携する装置として実装することが好ましい。

本発明の一実施形態に係る交通状況予測装置の機能構成を示す図である。 交通状況予測装置の処理を示すフローチャートである。 重み係数（予測特性情報）の一例を示す表である。 各予測手段の予測時間と予測精度の関係を示す図である。 交通状況予測装置で算出された予測値での予測時間と予測精度の関係を示す図である。 別の路線や事象での各予測手段の予測時間と予測精度の関係を示す図である。 重み算出手段の機能構成を示す図である。 予測対象リンクと関連リンクの交通状況の一例を示す図である。 予測対象リンクおよび関連リンクの各時刻での相関の一例を示す図である。 現在時刻までの交通状況の変化パターンの一例を示す図である。 履歴データに含まれる過去日の交通状況の変化履歴の一例を示す図である。 基本的な過去検索手法による予測の一例を示す図である。 実際の交通状況の変化の一例を示す図である。 本実施形態の過去検索手法による予測の一例を示す図である。

符号の説明

１ 交通状況予測装置
２ 交通情報収集センター
３ 気象情報センター
４ 道路管理者サーバ
５ 重み算出手段
１０ 最新データ判定手段
１１ 平滑化手段
１２ 予測制御手段
１３ 短期予測手段
１４ 中期予測手段
１５ 長期予測手段
１６ 記憶手段
５０ 比較データ設定手段
５１ 交通状況比較手段
５２ 重み推定手段
５３ 記憶手段

Claims (13)

1. 互いに異なる予測モデルを用いて予測対象区間における将来の交通状況を予測する複数の予測手段と、
   現在から予測対象時刻までの時間幅に対する前記各予測手段の予測精度の相対的な関係を表す予測特性情報を予め格納している記憶手段と、
   予測対象時刻についての予測結果を前記各予測手段から取得し、前記予測特性情報に基づいて予測対象時刻における予測精度が高いものほど重みが大きくなるように前記予測結果を重み加算することによって、前記予測対象時刻の交通状況を算出する算出手段と、
   を有する交通状況予測装置。
2. 前記複数の予測手段は、短期予測モデルを用いる短期予測手段と、中期予測モデルを用いる中期予測手段と、長期予測モデルを用いる長期予測手段とを含む請求項１記載の交通状況予測装置。
3. 前記短期予測手段は、少なくとも、予測対象区間における交通状況と、この予測対象区間に予め関連付けられている関連区間における交通状況との相関から、前記予測対象時刻の交通状況を予測する請求項２記載の交通状況予測装置。
4. 前記短期予測手段は、前記予測対象区間および前記関連区間の現在の交通状況の変化量を用いて、前記予測対象時刻の交通状況を予測する請求項３記載の交通状況予測装置。
5. 前記短期予測手段は、曜日、時刻、天候、交通規制の有無、および、交通事故の有無のうち少なくともいずれかを含む事象情報に基づいて、前記予測対象区間と前記関連区間の間の相関の強さを変更する請求項３または４記載の交通状況予測装置。
6. 前記中期予測手段は、予測対象区間について過去に蓄積された交通状況の変化履歴の中から、同区間における一定時間前から現在までの交通状況の変化パターンに類似した類似パターンを抽出し、その抽出された類似パターンに基づいて前記予測対象時刻の交通状況を予測する請求項２〜５のうちいずれか１項記載の交通状況予測装置。
7. 前記中期予測手段は、予測対象区間について過去に蓄積された交通状況の変化履歴の中から、同区間における一定時間前から現在までの交通状況の変化パターンに前記短期予測手段の予測結果を加えたもの、に類似した類似パターンを抽出し、その抽出された類似パターンに基づいて前記予測対象時刻の交通状況を予測する請求項２〜５のうちいずれか１項記載の交通状況予測装置。
8. 前記長期予測手段は、曜日、天候、交通規制の有無、および、交通事故の有無のうち少なくともいずれかを含む事象情報に基づいて、現在の交通状況とは無関係に、予測対象区間の予測対象時刻における交通状況を予測する請求項２〜７のうちいずれか１項記載の交通状況予測装置。
9. 前記予測特性情報は路線ごとに設定されており、
   前記算出手段は予測対象区間が属する路線の予測特性情報を参照する請求項１〜８のうちいずれか１項記載の交通状況予測装置。
10. 前記予測特性情報は時間帯ごとに設定されており、
    前記算出手段は予測対象時刻が属する時間帯の予測特性情報を参照する請求項１〜９のうちいずれか１項記載の交通状況予測装置。
11. 前記予測特性情報は、前記重み加算に用いられる重み係数である請求項１〜１０のうちいずれか１項記載の交通状況予測装置。
12. 前記算出手段により算出されたある時刻における交通状況と、同時刻に実測された交通状況とを比較することによって、前記予測特性情報を最適化する学習手段をさらに有する請求項１〜１１のうちいずれか１項記載の交通状況予測装置。
13. 複数の予測モデルを用いて予測対象区間における予測対象時刻の交通状況を予測するステップと、
    現在から予測対象時刻までの時間幅に対する前記各予測モデルの予測精度の相対的な関係を表す予測特性情報を予め格納している記憶手段から、前記予測対象時刻に対応する予測特性情報を取得するステップと、
    取得した予測特性情報に基づいて予測精度が高いものほど重みが大きくなるように各予測モデルによる予測結果を重み加算することによって、前記予測対象時刻の交通状況を算出するステップと、
    を含む交通状況予測方法。

Images