JP2006018435A - 交通流データ予測装置および交通流データ予測方法 - Google Patents

Abstract

【課題】 正確な交通流データを簡便に予測可能な交通流データ予測装置および交通流データ予測方法を提供すること。
【解決手段】 予測先−予測元日時データ抽出手段６は、過去データにおいて、将来の予測先日時に対して同一の日または時間属性で同一の時刻とその前後のデータと、将来の予測先日時と現在の予測元日時の時間差分だけ遡って現在の予測元日時に対して同一の日または時間属性で同一の時刻とその前後のデータを抽出する。交通流データ予測手段９は、抽出したデータを用いて予測モデルを構築し、予測先日時の交通流データを予測する。
【選択図】図１

Description

本発明は、計測器等によって収集された交通流データを用いて、任意時間先の交通流データを予測する交通量データ予測装置および交通流データ予測方法に関する。

過去データとその時刻を用いた交通流データ予測に関するものとしては、旅行時間予測に適用されている統計差分／比例手法が代表的である（例えば、非特許文献１参照）。この手法は、過去の収集・蓄積データを用いて時間軸上でその平均値を算出し、それを時刻に対するパターンとしておいて予測元時刻と予測先時刻でもってトレースし、将来の旅行時間を予測するものである。一般に、先験的な知識や道路利用形態から日または時間属性として曜日等による複数のパターンが用意される。

また、非特許文献２では、非特許文献１同様、過去データを月や曜日等の特性に基づいて分類し、平均値を求めて複数パターンを生成しておき、このパターンと予測先の曜日等の特性に基づいた修正係数法によって予測値を算出している。
「広域交通管制技術の研究報告ＩＩ」、財団法人 日本交通管理技術協会、１９９０年３月、ｐｐ．７−６，７−７ 蛭阪 隆、科学警察研究所 交通部交通規制研究室、「車両感知器データを用いた交通量変動特性の一分析」、科学警察研究所報告交通編、Ｖｏｌ．４１、Ｎｏ．２、Ｍａｒｃｈ ２００１、ｐｐ．８４−９１

ここで、交通状況は、日時や交通量等によって異なる様相を呈する。そのため、非特許文献１、２のように予め生成したパターンを用いる方法では、予測は、いずれも時刻や曜日等に類似性を仮定し、予測元あるいは予測先いずれかの日または時間属性や時刻を基準にパターンを選択、差分や比に基づいてトレースする方法となるため、予め生成したパターンが予測結果に大きく影響する。

上述した生成パターンは、各日属性の時間軸上で平均値を取るなど、単一の時刻に依存する予測方法である。しかしながら、時刻等に類似性があるとは言え、当然、他の要因によって交通流データの動向は時間的に前後することが考えられ、かつ全く同一の変動とは言えないため、この時間的なずれに起因して適切な予測結果が得られない場合がある。また、単一の時刻による場合、該当時刻データが少なくなるにつれてパターンの生成は難しくなる。

本発明は、上記従来の事情に鑑みてなされたものであって、正確な交通流データを簡便に予測可能な交通流データ予測装置および交通流データ予測方法を提供することを目的とする。

本発明の交通流データ予測装置は、計測器等によって収集された交通流データを用いて、予測元となる予測元日時から任意時間先の交通流データを予測する交通流データ予測装置であって、
日時及び日時に関する属性を含む前記交通流データから、予測先となる予測先日時と同一の時刻の交通流データである第１の過去予測先交通流データと、前記過去予測先交通流データの時刻を含む所定時間範囲の交通流データである第２の過去予測先交通流データと、前記第１の過去予測先交通流データおよび前記第２の過去予測先交通流データの時刻から、それぞれ前記予測先日時と前記予測元日時との時間差分だけ遡った同一の時刻との交通流データを第１の過去予測元交通流データおよび第２の過去予測元交通流データとして抽出するデータ抽出手段と、前記抽出された第１および第２の過去予測先交通流データと、第１および第２の過去予測元交通流データとに基づいて、予測先日時の交通流データを予測する交通流データ予測手段と、を備える。この構成により、過去データから予測先と予測元時点が同じ日時で予測先と予測元時点近傍の時間的なずれを含めたデータを得ることができ、簡易な構成で正確な交通流データの予測を行うことができる。

また、本発明の交通流データ予測装置において、前記予測先日時および前記第１の過去予測先交通流データならびに第２の過去予測先交通流データと、前記予測元日時および前記第１の過去予測元交通流データならびに前記第２の過去予測元交通流データとのうち少なくとも一方は同じ属性を有する。この構成により、予測先と予測元時点の少なくとも一方が同じ属性であるデータを用いるため、より正確な予測を行うことができる。

また、本発明の交通流データ予測装置において、前記予測先日時および前記第１の過去予測先交通流データならびに第２の過去予測先交通流データと、前記予測元日時および前記第１の過去予測元交通流データならびに前記第２の過去予測元交通流データとの両方が同じ属性を有する予測元−予測先交通流データが存在する場合、前記交通流データ予測手段による予測は、前記予測元−予測先交通流データが優先されて用いられる。この構成により、予測先と予測元時点の両方が同じ属性であるデータを優先的に用いるため、より正確な予測を行うことができる。

また、本発明の交通流データ予測装置において、前記交通流データ予測手段は、前記第１および第２の過去予測先交通流データと、第１および第２の過去予測元交通流データとを用いて予測モデルを構築し、前記予測モデルと現在の予測元日時のデータから任意時間先の予測先日時の交通流データを予測する。この構成により、過去の同一の日または時間属性と時刻前後のデータによって時間的なずれと将来の動向を含めて予測モデルを構築し、このモデルと現在の予測元日時のデータを利用して将来の交通流データを予測することができる。

また、本発明の交通流データ予測装置は、前記属性の各々に関して、複数の時刻を予測先日時として、任意時間分だけ遡った予測元日時との予測モデルを構築し、前記モデルのパラメータを記憶するパラメータ記憶手段を備える。この構成により、時間的なずれと将来の動向を含めて、各時刻の予測モデルを構築しそのパラメータを得ることができる。

また、本発明の交通流データ予測装置において、前記交通流データ予測手段は、前記記憶されたパラメータと前記予測元日時の交通流データとに基づいて前記予測先日時の交通流データの予測値を算出する。この構成により、記憶されているパラメータを参照し早く予測値を求めることができる。

本発明の交通流データ予測方法は、計測器等によって収集された交通流データを用いて、予測元となる予測元日時から任意時間先の交通流データを予測する交通流データ予測方法であって、
日時及び日時に関する属性を含む前記交通流データから、予測先となる予測先日時と同一の時刻の交通流データである第１の過去予測先交通流データと、前記過去予測先交通流データの時刻を含む所定時間範囲の交通流データである第２の過去予測先交通流データと、前記第１の過去予測先交通流データおよび前記第２の過去予測先交通流データの時刻から、それぞれ前記予測先日時と前記予測元日時との時間差分だけ遡った同一の時刻との交通流データを第１の過去予測元交通流データおよび第２の過去予測元交通流データとして抽出するステップと、
前記抽出された第１および第２の過去予測先交通流データと、第１および第２の過去予測元交通流データとに基づいて、予測先日時の交通流データを予測するステップと、
を有する。この方法により、過去データから予測先と予測元時点が同じ日時で予測先と予測元時点近傍の時間的なずれを含めたデータを得ることができ、簡易な構成で正確な交通流データの予測を行うことができる。

また、本発明の交通流データ予測方法において、前記予測先日時および前記第１の過去予測先交通流データならびに第２の過去予測先交通流データと、前記予測元日時および前記第１の過去予測元交通流データならびに前記第２の過去予測元交通流データとのうち少なくとも一方は同じ属性を有する。この方法により、予測先と予測元時点の少なくとも一方が同じ属性であるデータを用いるため、より正確な予測を行うことができる。

また、本発明の交通流データ予測方法において、前記予測先日時および前記第１の過去予測先交通流データならびに第２の過去予測先交通流データと、前記予測元日時および前記第１の過去予測元交通流データならびに前記第２の過去予測元交通流データとの両方が同じ属性を有する予測元−予測先交通流データが存在する場合、前記交通流データの予測は、前記予測元−予測先交通流データが優先されて用いられる。この方法により、予測先と予測元時点の両方が同じ属性であるデータを優先的に用いるため、より正確な予測を行うことができる。

また、本発明の交通流データ予測方法において、前記交通流データを予測するステップは、前記第１および第２の過去予測先交通流データと、第１および第２の過去予測元交通流データとを用いて予測モデルを構築するステップと、前記予測モデルと予測元日時のデータから任意時間先の予測先日時の交通流データを予測するステップとを含む。この方法により、過去の同一の日または時間属性と時刻前後のデータによって時間的なずれと将来の動向を含めて予測モデルを構築し、このモデルと現在の予測元日時のデータを利用して将来の交通流データを予測することができる。

また、本発明の交通流データ予測方法は、前記属性の各々に関して、複数の時刻を予測先日時として、任意時間分だけ遡った予測元日時との予測モデルを構築し、前記モデルのパラメータを記憶するステップを有する。この方法により、時間的なずれと将来の動向を含めて、各時刻の予測モデルを構築しそのパラメータを得ることができる。

また、本発明の交通流データ予測方法において、前記交通流データを予測するステップは、前記記憶されたパラメータと前記予測元日時の交通流データとに基づいて前記予測先日時の交通流データの予測値を算出するステップを含む。この方法により、記憶されているパラメータを参照し早く予測値を求めることができる。

また、本発明は、上記各ステップを実行させる交通流データ予測プログラムを提供する。このプログラムにより、過去データから予測先と予測元時点が同じ日時で予測先と予測元時点近傍の時間的なずれを含めたデータを得ることができ、簡易な構成で正確な交通流データの予測を行うことができる。

本発明によれば、正確な交通流データを簡便に予測可能な交通流データ予測装置および交通流データ予測方法を提供することができる。

以下、本発明の実施形態について、図面を用いて説明する。ここでは、交通流データの一例として、任意区間の旅行時間を予測するものとして説明する。

図１は、本発明の実施形態の交通流データ予測装置の概略全体構成を示す図であり、この図を用いて本実施形態にかかる交通流データ予測装置の概略的な動作を説明する。道路１上を走行車両２が走行し、交通流データを車両２に設置された走行履歴収集手段や車両感知器３といった計測手段によって計測し、処理部４では計測されたデータに基づいてその旅行時間を５分間毎例えば１１：５５〜１２：００に集計、平均値を算出し時刻ｔ＝１２：００の５分間平均旅行時間Ｔ（ｔ）として処理部４が備える交通流データベース５に蓄積しているものとする。

また、データベース５には、記録された日時と日または時間属性が備わっているものとする。ここでは、日に関する属性を用い｛平日、土曜、日曜、特殊日（祝祭日や連休）｝の４つとし、それらを曜日の関係を考慮し便宜的に｛１，２，３，４｝と番号付ける。他の属性として、事故や規制、イベント、気象データ等の入手可能な属性を用いたり、加えたりすればよい。以下では、単に属性と呼称する。個々のデータは、例えば、（年月日，時刻，属性，５分間平均旅行時間（［秒］）の形式で、・・・，（２００３／０６／２２，２３：５０，３，４９４），（２００３／０６／２２，２３：５５，３，５５５），・・・として格納される。交通流データベース５には過去の一定期間例えば１年分のデータが蓄積されているものとする。また、交通流データベース５は、集計毎に逐次更新がなされたり、または一定間隔で更新されるものでもよい。なお、この交通流データベース５は、処理部４とは別に設けられ、交通流データベース５と処理部４とをネットワーク等の通信回線を介して接続してもよい。

処理部４は、例えば、マイクロコンピュータからなり、交通流データプログラム等の所望のプログラムによって動作するプロセッサを主体に構成される。各時刻において５分間平均旅行時間の集計後に引き続いて、予測先−予測元データ抽出手段６、予測先データ抽出手段７、予測元データ抽出手段８、交通流データ予測手段９を順に実行し、旅行時間予測を行なう。または、パラメータ記憶手段１０交通流データ予測値算出手段１１を実行し、旅行時間予測を行なう。今、現在時刻すなわち現在の予測元日時ｔを例えば２００３／０６／２２（日）の２４：００とし、ここまでの５分間平均旅行時間が蓄積されていると想定、将来の予測先日時ｔ’を６時間先つまり５分間データで７２個分先の２００３／０６／２３（月）の０６：００とし、当時刻で集計される５分間平均旅行時間を予測するものとする。本実施形態では、説明のため、この予測先と予測元の時間差を便宜的に予測時間差と称する。以下、第１及び第２の実施形態の各手段の動作について詳述する。

（第１の実施形態）
以下、本発明の第１の実施形態の交通流データ予測装置および方法について説明する。本実施形態は、計測データが任意時間間隔毎の時刻つまり時点毎に集計され、データベースが逐次更新されるような場合等に好適に適用可能である。

まず、各予測時、データベース中から予測先および予測元で属性と時刻が符合する過去データを抽出する。この概念を図２に示す。図２は、予測先および予測元のデータ抽出の概念を示す図である。

現在の日時を現在予測元の日時として、予測すべき日時を将来予測先の日時とする。予測時、本実施形態では、過去の収集・蓄積済みのデータ中から、予測時間差を伴って属性と時刻が同じ過去のデータ、つまり予測時間差分隔たり属性と時刻が一致する過去予測元と過去予測先日時のデータと、その時刻を含む所定時間の範囲（以下、時刻前後という）のデータを収集する。

本実施形態では、現在予測元が２００３／０６／２２（日）２４：００、将来予測先が２００３／０６／２３（月）０６：００であり、時刻前後が±１５分である場合について説明する。なお、時刻前後の時間は、例えば、−５分〜＋２０分のように、過去方向と将来方向に同じである必要はない。

図３は、本発明の第１の実施形態の予測先−予測元データ抽出手段の処理フローを示す図である。図３に示すように、まず、全ての過去旅行時間データを処理部のデータベースから読み込み（Ｓ３０１）、蓄積しているデータを対象に、時刻の新しい方から、将来の予測先日時と同一の属性で同一の時刻とその前後の過去日時データと、予測時間差分遡って、現在の予測元日時と同一の属性で同一の時刻とその前後の過去日時データを収集する。

すなわち、将来の予測先日時と現在の予測元日時に対して、過去日時データの中で同じ予測時間差を伴う同一の時刻であって、過去予測先の属性と予測元の属性の各々が一致するデータが存在する場合、各該当日時とその前後のデータセットを収集する（Ｓ３０２、Ｓ３０３）。なお、将来の未定な属性の場合には各々のデフォルト値を用いる（例えば、事故を属性に用いるときには、そのデフォルト値として事故なし）。

具体的に、本実施形態では、今、将来の予測先は２００３／０６／２３（月）０６：００で現在の予測元は２００３／０６／２２（日）２４：００であるから、蓄積データにおいて、過去予測先０６：００の属性が平日、６時間遡った過去予測元２４：００の属性が日曜に合致し、なおかつ、前後±１５分が対象である。したがって、この場合、予測先の時刻０５：４５〜０６：１５における５分毎の時点と、各時点から６時間分遡った２３：４５〜００：１５の５分毎の時点のデータからなる、計６時点分のデータセットを抽出すればよい。

属性が一致する過去予測元の日をＤｐｏ、同じく属性が一致する過去予測先の日をＤｐｄとして、（Ｄｐｏの２３：５０の平均旅行時間データ，Ｄｐｄの０５：５０の平均旅行時間データ）、（Ｄｐｏの２３：５５の平均旅行時間データ，Ｄｐｄの０５：５５の平均旅行時間データ）、（Ｄｐｏの２４：００の平均旅行時間データ，Ｄｐｄの０６：００の平均旅行時間データ）、（Ｄｐｄの００：０５の平均旅行時間データ，Ｄｐｄの０６：０５の平均旅行時間データ）、（Ｄｐｄの００：１０の平均旅行時間データ，Ｄｐｄの０６：１０の平均旅行時間データ）、（Ｄｐｄの００：１５の平均旅行時間データ，Ｄｐｄの０６：１５の平均旅行時間データ）の６時点分データセットである。なお、この場合、予測元の時刻前後で日がまたがるため、００：００以降が予測先の日となっている。

該当データセットがあれば、処理部に該当する日時のデータセットを書き込む（Ｓ３０３）。該当しなければ次の過去つまり前日のデータへシフトし（Ｓ３０４）、これを全過去データについて繰り返す（Ｓ３０５）。

次に、データベース中から予測先で属性と時刻が符合する過去データを抽出する。図４は、本発明の第１の実施形態の予測先データ抽出手段の処理フローを示す図である。本実施形態では、今、現在予測元は２００３／０６／２２（日）２４：００、将来予測先は２００３／０６／２３（月）０６：００であり、時刻前後を±１５分とし、該当するデータを抽出する。

まず、全ての過去旅行時間データを処理部のデータベースから読み込み（Ｓ４０１）、蓄積しているデータを対象に、時刻の新しい方から、将来の予測先日時と同一の属性で同一時刻とその前後の過去日時データと、予測時間差分遡って、現在の予測元日時と同一の時刻とその前後の過去日時データを収集する。

ここでは、図３で説明した予測先−予測元日時データ抽出手段での抽出データとの重複を避けるため、過去日時データの中で同じ予測時間差を伴う同一の時刻で、現在予測元の属性と過去予測元の属性が一致せず、将来予測先の属性と過去予測先の属性が一致するデータが存在する場合、当過去の予測先および対応する予測元の各該当日時の時刻前後のデータセットを収集する（Ｓ４０２、Ｓ４０３）。

例えば、本実施形態では、将来の予測先は２００３／０６／２３（月）０６：００で、現在の予測元は２００３／０６／２２（日）２４：００であるから、蓄積データにおいて、過去予測先０６：００の属性が平日であって、６時間遡った過去予測元２４：００の属性が日曜ではなく、なおかつ、前後±１５分を対象とするから、過去予測先の時刻０５：４５〜０６：１５における５分毎の時点と、各時点から６時間分遡った２３：４５〜００：１５の５分毎の時点のデータからなる、計６時点分のデータセットを抽出すればよい。該当データセットがあれば、処理部に該当する日時データセットを書き込む。該当しなければ前日のデータへシフトし（Ｓ４０４）、これを全過去データについて繰り返す（Ｓ４０５）。

さらに、データベース中から予測元で属性と時刻が符合する過去データを抽出する。図５は、本発明の第１の実施形態における予測元データ抽出手段の処理フローを示す図である。本実施形態では、現在予測元は２００３／０６／２２（日）２４：００、将来予測先は２００３／０６／２３（月）０６：００であり、時刻前後を±１５分とし、該当するデータを抽出する。

まず、全ての過去旅行時間データを処理部のデータベースから読み込み（Ｓ５０１）、蓄積しているデータを対象に、時刻の新しい方から、現在の予測元日時に対して同一の属性で同一の時刻とその前後の過去日時データと、予測時間差分遡って、将来の予測先日時と同一の時刻とその前後の過去日時データ現在の予測元日時に対して同一の時刻とその前後のデータを収集する。ここでは、前記の抽出手段での抽出データとの重複を避けるため、過去日時データの中で同じ予測時間差を伴う同一の時刻で、将来予測先の属性と過去予測先の属性が一致せず、現在予測元の属性と過去予測元の属性が一致するデータが存在する場合、当過去の予測元および対応する予測先の各該当日時の時刻前後のデータセットを収集する（Ｓ５０２、Ｓ５０３）。

例えば、本実施形態では、将来の予測先は２００３／０６／２３（月）０６：００で、現在の予測元は２００３／０６／２２（日）２４：００であるから、蓄積データにおいて、過去予測先０６：００の属性が平日ではなく、６時間遡った過去予測元２４：００の属性が日曜であって、なおかつ、これまで同様、予測先の時刻０５：４５〜０６：１５における５分毎の時点と、各時点から６時間分遡った２３：４５〜００：１５の５分毎の時点のデータからなる、計６時点分のデータセットを抽出すればよい。該当データセットがあれば、処理部に該当する日時データセットを書き込む（Ｓ５０３）。該当しなければ前日のデータへシフトし（Ｓ５０４）、これを全過去データについて繰り返す（Ｓ５０５）。

次に、旅行時間の予測を行なう。図６は、本発明の第１の実施形態の交通流データ予測手段の処理フローを示す図である。本手段では、まず予測先−予測元日時データセット、予測先日時データセット、予測元日時データセットを処理部から読み込み、この読み込み順に保持する（Ｓ６０１）。読込順の上位側から時刻が一致する任意の時点数分、例えば、これを５時点とすると、各一致する時刻である時点前後から計６時点分取っていることから、５×６＝３０個のデータセットｐ（ｊ）＝（Ｔｐ（ｊ），Ｔ’ｐ（ｊ））（ｊ＝１，２，．．．，３０）を抽出する（Ｓ６０２）。

この抽出によって、予測先−予測元日時手段で合致されたデータが任意個数に対して十分に存在すれば、それらデータが選択され、不足している場合、予測先日時データセット、次に、予測元日時データセットと順に補充されることになる。したがって、予測の基となるデータセットの量を十分に確保することができる。

これらの過去予測元と予測先日時の旅行時間データを用い、実施形態では単純な線形モデルＴ’ｐ（ｊ）＝ａ×Ｔｐ（ｊ）＋ｂの係数ａ，ｂを最小自乗法でもって決定する（Ｓ
６０３）。この係数によるこのモデルに現在の予測元日時での旅行時間Ｔ（ｔ）を代入、予測先日時ｔ’の旅行時間Ｔ’（ｔ’）をＴ’（ｔ’）＝ａ×Ｔ（ｔ）＋ｂとして求める（Ｓ６０４）。なお、モデルは上記のモデルに限られるものではない。予測した旅行時間は処理部に格納・保存する（Ｓ６０５）。

このような第１の実施形態の交通量予測装置および交通量予測方法によれば、予測先日時等のデータパターンの時間的なずれを吸収し、さらに、予測元や予測先時点等の前後における過去や将来の変動要素を取り込んだ予測を行うことができるので、正確な交通流データを予測することができる。また、データベースが逐次更新されるような場合に適用された場合には、最新データでの予測が可能となる。

なお、ここでは便宜的に、予測先−予測元データ抽出手段、予測先データ抽出手段、予測元データ抽出手段の３つの手段を個別に動作する実施形態としているが、属性の一致条件を組合せれば３手段を結合した動作ともできる。また、過去の蓄積データ数に応じて、予測先−予測元データ抽出手段のみ、または、各手段での属性の重複に関する条件をはずして、予測先データ抽出手段あるいは予測元データ抽出手段だけを実施してもよい。

（第２の実施形態）
以下、本発明の第２の実施形態の交通流データ予測装置および方法について説明する。 本実施形態では、一定期間の蓄積したデータから予め各属性の任意時間後の予測先時刻のモデルを構築しておき、そのモデルパラメータを記憶、予測時にはこのパラメータを用いて予測値を算出する。本実施形態は、データベースが任意の時間間隔、例えば数ヶ月から１年といった比較的長期の間隔で更新されるような場合等に好適に適用可能である。なお、本実施形態では予測先日時に基づくものとして記述する。

まず、データベース中から予測先で属性と時刻が符合する過去データを抽出する。図７は、本発明の第２の実施形態のパラメータ記憶手段の処理フローを示す図である。本実施形態では、３０分後の予測値を算出するものとする。日または時間属性は、これまで同様に、｛平日、土曜、日曜、特殊日｝の４つとする。よって、４属性に関して００：００〜２４：００の５分間隔のモデルを構築する。ここでは、時刻前後を±１５分として該当するデータを抽出する。

まず、全ての過去旅行時間データを処理部のデータベースから読み込み（Ｓ７０１）、この実施形態では、蓄積しているデータを対象に時刻の新しい方から、将来の予測先と同一の属性で同一時刻とその前後の過去日時データと、予測時間差分遡って、過去日時データの中で同じ予測時間差を伴う同一の時刻で、現在の予測元日時と同一時刻とその前後のデータを収集する。すなわち、過去日時データの中で同じ予測時間差を伴う同一の時刻で、将来予測先の属性と過去予測先の属性が一致するデータが存在する場合、当過去の予測先および対応する予測元の各該当日時の時刻前後のデータセットを収集する（Ｓ７０２、Ｓ７０３）。

例えば、予測先を平日の００：００とすると、予測元は３０分前の２３：３０であるから、蓄積データにおいて、予測先００：００の属性が平日であって、前後±１５分を対象とするから、予測先の時刻２３：４５〜００：１５における５分毎の時点と、各時点から３０分遡った２３：１５〜２３：４５の５分毎の時点のデータからなる、計６時点分のデータセットを抽出すればよい。

該当データセットがあれば、処理部に該当する日時データセットを書き込む（Ｓ７０３）。該当しなければ前日のデータへシフトし（Ｓ７０４）、これを全過去データについて繰り返す（Ｓ７０５）。属性と時刻が一致する任意の時点数分、例えば、これを５時点とすると、各時点の前後から計６時点分取っていることから、５×６＝３０個のデータセットｐ（ｊ）＝（Ｔｐ（ｊ），Ｔ’ｐ（ｊ））（ｊ＝１，２，．．．，３０）を抽出する（Ｓ７０６）。

これらの予測元と予測先日時の旅行時間データを用い、実施形態では属性と時刻毎の単純な線形モデルＴ’ｐ（ｊ）＝ａ（属性，時刻）×Ｔｐ（ｊ）＋ｂ（属性，時刻）の係数ａ，ｂを最小自乗法でもって決定する（Ｓ７０７）。ここまでのＳ７０１〜７０５は、属性の条件が相違する以外、予測先データ抽出手段のＳ４０１〜４０５と同様の動作であり、条件を変更可能としておけば、呼び出して適用できる。また、Ｓ７０６、Ｓ７０７は交通流データ予測手段のＳ６０２、Ｓ６０３と同様の動作であり、適用できる。

この決定した係数を予測用パラメータとし、３０分後が平日の００：００のモデル用のものであればａ（平日，００：００），ｂ（平日，００：００）として、処理部に記憶する（Ｓ７０８）。データの集計単位から、これを００：００から２３：５５まで５分間隔で（Ｓ７０９）、属性分、繰り返す（Ｓ７１０）。よって、本実施形態では、平日、土曜、日曜、特殊日の４つ属性の００：００〜２３：５５までのそれぞれ２８８時点分、計２８８×４時点分の予測用パラメータが生成される。

なお、本実施形態では、予測元の属性は問わないこととしたが、データ量や処理部の記憶領域に応じて、予測元の属性を含めたデータセットを抽出しモデルを構築、パラメータを記憶すればよい。この場合、予測元が平日で予測先も平日、予測元が平日で予測先が土曜（例えば、予測元が金曜の２３：３０で予測先が土曜の００：００）といった、属性数と予測元と予測先の日時の時間差で発生可能な組合せ分、モデルを構築しパラメータを生成する。

次に本実施形態の予測時の処理について説明する。図８は、本発明の第２の実施形態の交通流データ予測値算出手段の処理フローを示す図である。

まず、予測先日時ｔ’の属性を求め、該当する属性の時刻の予測用パラメータａ（属性，ｔ’），ｂ（属性，ｔ’）を読み込む（Ｓ８０１）。将来の決定可能な属性は、暦等から設定し、予め処理部に記憶しておく。将来の決定不能な属性の場合には、各々のデフォルト値を用いればよい。今、予測元の日時を２００３／０６／２２（日）２３：３０とすると、３０分後は月曜つまり平日の００：００となるから、３０分後予測モデルの平日００：００のパラメータａ（平日，００：００），ｂ（平日，００：００）を読み込めばよい。予測値Ｔ’は、この予測用パラメータと、予測元日時のデータ、５分間平均旅行時間ＴｔからＴ’＝ａ（平日，００：００）×Ｔｔ＋ｂ（平日，００：００）として算出する（Ｓ８０２）。なお、第１の実施形態同様、これ以外のモデルの、種々のモデルが適用可能である。

予測した旅行時間は処理部４に格納・保存する（Ｓ８０３）。上記の各処理を各時刻や計測地点毎に順次繰り返す。

このような第２の実施形態の交通流データ予測装置および交通流データ予測方法によれば、データベースの更新間隔が比較的長期の場合等にも適用可能とすることができる。また、データが逐次更新される場合においても、短時間での処理が求められるのであれば別途パラメータを記憶し定期的に更新すれば適用できる。

以上、第１および第２の実施形態では平均旅行時間を予測対象としたが、他の交通流データ、例えば交通量や速度、占有率、占有時間、密度といったデータの場合にも同様に適用できる。なお、予測値や記憶パラメータは処理部５を通じて他装置等でアクセス可能とすればよい。また、予測パラメータ記憶後は、当パラメータと交通流データ予測値算出手段によって、別処理部でも予測値算出の動作が可能である。

本発明の交通流予測装置および交通流データ予測方法は、正確な交通流データを簡便に予測可能な効果を有し、道路交通情報提供や、交通管制における信号制御、管理または運用のシステム等に有用である。

本発明の実施形態の交通流データ予測装置の概略全体構成を示す図 予測先および予測元のデータ抽出の概念を示す図 本発明の第１の実施形態の予測先−予測元データ抽出手段の処理フローを示す図 本発明の第１の実施形態の予測先データ抽出手段の処理フローを示す図 本発明の第１の実施形態における予測元データ抽出手段の処理フローを示す図 本発明の第１の実施形態の交通流データ予測手段の処理フローを示す図 本発明の第２の実施形態のパラメータ記憶手段の処理フローを示す図 本発明の第２の実施形態の交通流データ予測値算出手段の処理フローを示す図

符号の説明

１ 道路
２ 走行車両
３ 車両感知器
４ 処理部
５ 交通流データベース
６ 予測先−予測元データ抽出手段
７ 予測先データ抽出手段
８ 予測元データ抽出手段
９ 交通流データ予測手段
１０ パラメータ記憶手段
１１ 交通流データ予測値算出手段

Claims (13)

1. 計測器等によって収集された交通流データを用いて、予測元となる予測元日時から任意時間先の交通流データを予測する交通流データ予測装置であって、
   日時及び日時に関する属性を含む前記交通流データから、予測先となる予測先日時と同一の時刻の交通流データである第１の過去予測先交通流データと、前記過去予測先交通流データの時刻を含む所定時間範囲の交通流データである第２の過去予測先交通流データと、前記第１の過去予測先交通流データおよび前記第２の過去予測先交通流データの時刻から、それぞれ前記予測先日時と前記予測元日時との時間差分だけ遡った同一の時刻との交通流データを第１の過去予測元交通流データおよび第２の過去予測元交通流データとして抽出するデータ抽出手段と、
   前記抽出された第１および第２の過去予測先交通流データと、第１および第２の過去予測元交通流データとに基づいて、予測先日時の交通流データを予測する交通流データ予測手段と、
   を備える交通流データ予測装置。
2. 前記予測先日時および前記第１の過去予測先交通流データならびに第２の過去予測先交通流データと、前記予測元日時および前記第１の過去予測元交通流データならびに前記第２の過去予測元交通流データとのうち少なくとも一方は同じ属性を有する、請求項１記載の交通流データ予測装置。
3. 前記予測先日時および前記第１の過去予測先交通流データならびに第２の過去予測先交通流データと、前記予測元日時および前記第１の過去予測元交通流データならびに前記第２の過去予測元交通流データとの両方が同じ属性を有する予測元−予測先交通流データが存在する場合、前記交通流データ予測手段による予測は、前記予測元−予測先交通流データが優先されて用いられる請求項１または２記載の交通流データ予測装置。
4. 前記交通流データ予測手段は、前記第１および第２の過去予測先交通流データと、第１および第２の過去予測元交通流データとを用いて予測モデルを構築し、前記予測モデルと現在の予測元日時のデータから任意時間先の予測先日時の交通流データを予測する請求項１ないし３のいずれか一項記載の交通流データ予測装置。
5. 前記属性の各々に関して、複数の時刻を予測先日時として、任意時間分だけ遡った予測元日時との予測モデルを構築し、前記モデルのパラメータを記憶するパラメータ記憶手段を備える請求項１ないし４のいずれか一項記載の交通流データ予測装置。
6. 前記交通流データ予測手段は、前記記憶されたパラメータと前記予測元日時の交通流データとに基づいて前記予測先日時の交通流データの予測値を算出する請求項５記載の交通流データ予測装置。
7. 計測器等によって収集された交通流データを用いて、予測元となる予測元日時から任意時間先の交通流データを予測する交通流データ予測方法であって、
   日時及び日時に関する属性を含む前記交通流データから、予測先となる予測先日時と同一の時刻の交通流データである第１の過去予測先交通流データと、前記過去予測先交通流データの時刻を含む所定時間範囲の交通流データである第２の過去予測先交通流データと、前記第１の過去予測先交通流データおよび前記第２の過去予測先交通流データの時刻から、それぞれ前記予測先日時と前記予測元日時との時間差分だけ遡った同一の時刻との交通流データを第１の過去予測元交通流データおよび第２の過去予測元交通流データとして抽出するステップと、
   前記抽出された第１および第２の過去予測先交通流データと、第１および第２の過去予測元交通流データとに基づいて、予測先日時の交通流データを予測するステップと、
   を有する交通流データ予測方法。
8. 前記予測先日時および前記第１の過去予測先交通流データならびに第２の過去予測先交通流データと、前記予測元日時および前記第１の過去予測元交通流データならびに前記第２の過去予測元交通流データとのうち少なくとも一方は同じ属性を有する、請求項７記載の交通流データ予測方法。
9. 前記予測先日時および前記第１の過去予測先交通流データならびに第２の過去予測先交通流データと、前記予測元日時および前記第１の過去予測元交通流データならびに前記第２の過去予測元交通流データとの両方が同じ属性を有する予測元−予測先交通流データが存在する場合、前記交通流データの予測は、前記予測元−予測先交通流データが優先されて用いられる請求項７または８記載の交通流データ予測方法。
10. 前記交通流データを予測するステップは、前記第１および第２の過去予測先交通流データと、第１および第２の過去予測元交通流データとを用いて予測モデルを構築するステップと、前記予測モデルと予測元日時のデータから任意時間先の予測先日時の交通流データを予測するステップとを含む請求項７ないし９のいずれか一項記載の交通流データ予測方法。
11. 前記属性の各々に関して、複数の時刻を予測先日時として、任意時間分だけ遡った予測元日時との予測モデルを構築し、前記モデルのパラメータを記憶するステップを有する請求項７ないし１０のいずれか一項記載の交通流データ予測方法。
12. 前記交通流データを予測するステップは、前記記憶されたパラメータと前記予測元日時の交通流データとに基づいて前記予測先日時の交通流データの予測値を算出するステップを含む請求項１１記載の交通流データ予測方法。
13. コンピュータに、請求項７ないし１２のいずれか一項記載の各ステップを実行させる交通流データ予測プログラム。

Images