JP2007179348A - 交通状況予測方法およびその装置ならびにプログラム - Google Patents

Abstract

【課題】道路種別に応じて適切な予測手法を選択し、特に高速道路においては突発事象の有無に関らず安定して高精度な交通状況予測を行う。
【解決手段】交通状況予測装置２０は、現在および過去の交通情報を取り込み、また、予測対象リンクごとに一以上の伝播元リンクが対応付けされ、さらに伝播元リンクごとに伝播時間と重み係数から構成される予測パラメータを生成し、先に取り込まれた交通情報と予測パラメータとを用いた予測モデルによって未来の交通状況を予測演算し、その結果を出力する。
【選択図】図１

Description

本発明は、交通情報センタから送信される現在の交通状況に基づき未来の交通状況を高精度に予測する、交通状況予測方法およびその装置ならびにプログラムに関する。

近年、交通の現況情報を提供するＶＩＣＳ (Vehicle Information and Communication System)の普及に伴い、現況情報を用いて最短時間経路探索を行う車載用ナビゲーション装置が普及している。
しかしながら、現況情報では時間の経過に伴い交通状況が大きく変化する場合に精度が著しく悪化するため、未来の交通状況を高精度に予測することがのぞまれている。

未来の交通状況を予測する既存技術の一例として、例えば、過去の交通状況データと現況情報とを参照して未来を予測する技術がある。この技術によれば、過去日と予測日の類似性をみて交通状況の近い過去日を特定し、予測対象時刻における特定された過去日の交通状況データを予測値とする（例えば、特許文献１参照）。
また、複数の交通渋滞予測方法を用い、その予測精度が高い予測方法による渋滞状況を選択出力し、高速道路や一般道路といった道路の種別や特性、あるいは予測先時間の長短にかかわらず、高い精度で将来の交通渋滞状況を予測することのできる交通渋滞予測方法も知られている（例えば、特許文献２参照）。

更に、短期予測モデル、中期予測モデル、長期予測等、複数の異なる予測モデルを用い、予測精度が高いものほど重みが大きくなるようにそれぞれの予測手段の予測値を重み加算して最終的な予測値を算出し、高い精度で予測することのできる交通状況予測装置も知られている（例えば、特許文献３参照）。
特開２００５−６３０３４号公報（段落「００１８」〜段落「００３７」、図１） 特開２００５−１４１６６１号公報（段落「０００９」〜段落「００１０」、図１） 特開２００５−２２７９７２号公報（段落「０００９」〜段落「００３１」、図１）

しかしながら、特許文献１に開示された技術によれば、ある一定期間において過去の特定日と交通状況が近い場合であっても、未来においてまで同じ特定日と交通状況が近いとは限らず、特に、高速道路においては、交通事故、交通規制、道路工事、天候といった突発事象が発生した場合に受ける影響が大きく、そのような状況において良好な精度は期待できない。
また、特許文献２に開示された技術によれば、高速道路や一般道路といった道路の種別や特性にかかわらず、高い精度で将来の交通渋滞状況を予測することができるが、将来の交通状況の変化を予測して最短の旅行時間の経路を探索する場合を考えると、途中で予測方法を切り替えた場合、そこで得られる予測値が不連続になり、結果的に経路探索の精度の低下を招くといった不都合を有する。

更に、特許文献３に開示された技術によれば、複数の予測モデルの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しているため、予測モデルの切り替わりによる予測値の急激な変化は発生しない。しかしながら、交通状況の予測は、予想対象区間（リンク）における交通状況と、この予測対象区間にあらかじめ関連付けられている関連リンクにおける交通状況との相関から算出しているが、さらに高い精度で予測値を得ることが望まれる。

本発明は、前記した諸々の事情に基づいてなされたものであり、道路種別に応じて適切な予測モデルを選択し、特に、高速道路においては突発事象の有無に関らず連続して高い精度で交通状況予測を行うことのできる、交通状況予測方法およびその装置ならびにプログラムを提供することを課題とする。

前記した課題を解決するために本発明は、例えば、高速道路にあっては、交通状況予測装置が、通信装置を介して現在および過去の交通情報を外部から取り込むステップと、予測対象リンクごとに関連する一以上の伝播元リンクが対応付けられ、前記伝播元リンクごとに伝播時間と重み係数とから成る交通状況の伝播現象を用いた予測モデルを構成する予測パラメータを生成し、記憶装置に格納するステップと、前記交通情報と前記記憶装置から読み出される予測パラメータとを用いた前記予測モデルに基づき演算装置によって未来の交通状況を予測演算し、前記通信装置を介してその予測交通情報を出力するステップと、を実行する。

また、例えば、一般道路にあっては、交通状況予測装置が、通信装置を介して外部から現在および過去の交通情報を取り込み、かつ、前記過去の交通情報を統計処理して得られる統計交通情報を取り込むステップと、現在および過去の交通情報と前記統計交通情報との類似性を定量的に示す乖離度を算出するステップと、前記乖離度と前記統計交通情報とを用い、演算装置によって未来の交通状況を予測演算し、その結果生成される予測交通情報を、前記通信装置を介して出力するステップと、を実行する。

本発明によれば、道路種別に応じて適切な予測モデルを選択し、特に、高速道路においては突発事象の有無に関らず連続して高い精度で交通状況予測を行うことができる。

図１は、本発明の実施形態にかかわる交通状況予測装置を含む交通情報システムの概略構成を示す図である。
図１に示されるように、交通情報システムは、車両１２に搭載される車載装置１３と、交通情報センタが管理運営するコンピュータ１４と、交通状況予測装置２０とから構成される。車載装置１３は、交通状況予測装置２０とは、無線基地局１１、およびネットワーク１０を介して接続される。また、交通状況予測装置２０は、交通情報センタのコンピュータ１４ともネットワーク１０を介して接続される。

交通情報センタは、ＶＩＣＳセンタなど、交通情報を提供する外部の機関であり、ここで、管理運営されるコンピュータ１４は、現在における交通情報を生成し、交通状況予測装置２０、および車載装置１３に対して配信する。
なお、交通情報は、各管理機関が管轄するエリアを単位として配信される。例えば、一般道路に関する交通情報は都道府県ごとに分割され、高速道路に関する交通情報は日本道路公団（ＪＨ）の各支社などの各管理局、首都高速道路公団、阪神高速道路公団といった公団ごとにそれぞれ分割され配信される。この交通情報を配信する単位である管理機関は、以降では、情報源と呼ばれる。

交通情報センタが配信する交通情報には、渋滞情報、旅行時間情報、事象規制情報、障害情報、駐車場情報、ＳＡ／ＰＡ情報（ＳＡ；サービスエリア、ＰＡ；パーキングエリア）、文字メッセージ情報等があり、これらの情報種別ごとに配信される。これらの交通情報には提供時刻も含まれる。配信される交通情報は、現在時刻における交通状況を表すものであるため、提供時刻として配信された交通情報を受信した時刻より少し過去の時刻が受信されることになる。
すなわち、ここで配信される交通情報は現況交通情報であり、未来の交通情報（予測交通情報）は含まれない。また、前記した交通情報のそれぞれには情報源を示すコード（情報源コード）が含まれる。また、交通情報は、基本的にはリンク単位のものであり、実際には地図上の領域を分割して得られるメッシュ領域の識別コード（メッシュコード）、リンク種別の識別コード（リンク区分）、リンクの識別コード（リンク番号）の３つのコードの組み合わせ毎に作成された時刻（現在時刻）とともに配信される。前記３つのコードの組み合わせを、以降では単にリンクという。

車載装置１３は、交通状況予測装置２０に対して、指定した時刻、およびメッシュ（またはリンク）に関する交通情報、または指定した出発地、目的地、および出発日時に関する最短経路情報のダウンロード要求を行い、交通状況予測装置２０から送信される予測交通情報または最短経路情報を受信する。また、車載装置１３は、車両１２の位置や速度等の情報（プローブ情報）を計測し、この計測情報を交通状況予測装置２０に対して送信してもよい。また、交通情報センタ（コンピュータ１４）から送信される情報を受信する機能を備えていてもよい。
そして、その受信した情報を、ディスプレイに表示される地図画面上に重畳表示し、あるいは簡易図形に変換して表示する。さらに、出発地（現在地）と目的地の間の経路探索機能及び経路誘導機能も備える。

交通状況予測装置２０は、ハードウェア的には、記憶装置と、演算装置と、入出力装置と、通信装置とから構成される（いずれも不図示）。
交通状況予測装置２０は、交通情報センタ（コンピュータ１４）から通信装置を介して現況交通情報を受信し、演算装置が記憶装置を使用して未来の交通情報（予測交通情報）を生成する。また、車載装置１３からの要求、例えば、指定した予測先時間における指定メッシュに関する予測交通情報の要求や、指定される出発日時、出発地、目的地における最短経路情報の要求に応じて、予測交通情報や最短経路情報を取得し、要求のあった車載装置１３に対して通信装置を介して配信する機能も備えている。

予測交通情報は、交通情報センタが扱う交通情報と同様に、リンク単位で扱われる。図２に、予測交通情報の配信フォーマットの一例が示されている。図２において、「情報作成時刻」は、予測交通情報が作成された時刻を表し、「予測先時間数」は、最大の予測先時間を表し、同時に予測先時間情報の繰り返し数を意味する。また、「予測先時間情報」は各予測先時間の情報を表し、「予測先時間」、「メッシュ情報数」および「メッシュ情報」となら成る。「予測先時間」は、現在または未来の時刻を表す。また、「メッシュ情報」を構成する、「メッシュコード」、「リンク情報数」、「リンク情報（リンク区分、リンク番号、渋滞度、渋滞長、旅行時間）」は、前記した「予測先時間」に関する予測交通情報を示す。「メッシュ情報数」は、データの並びにおいて「メッシュ情報」の繰返し数を表す。 なお、リンク情報に含まれる「リンク区分」は、高速道路と一般道路の区別を示す。図２に示すフォーマットに従い現況交通情報を配信する場合には、予測先時間を情報作成時刻と同じにするか現在の時刻にすればよい。

説明を図１の交通情報システムの概略構成図に戻す。本発明実施形態にかかわる交通状況予測装置２０は、データ・要求受信部２１と、情報受信・蓄積部２２と、交通状況予測部２３と、予測情報配信部２４と、経路探索部２５と、蓄積ＤＢ３０と、統計ＤＢ３１と、予測ＤＢ３２と、地図ＤＢ３３とで構成される。

データ・要求受信部２１は、車載装置１３のユーザからの要求やプローブ情報を受信し、また、交通情報センタ（コンピュータ１４）から送信される現況情報を受信する。そして、その受信内容に応じて、情報受信・蓄積部２２、および予測情報配信部２４に対して情報を振り分けて転送する。
車載装置１３のユーザからの要求には、指定した予測先時間におけるメッシュ毎の予測交通情報ダウンロード要求や最短経路情報の要求などがある。ユーザからの要求は、予測情報配信部２４に転送され、車載装置１３からのプローブ情報、および交通情報センタ（コンピュータ１４）からの現況交通情報は、情報受信・蓄積部２２に転送される。情報受信・蓄積部２２は、データ・要求受信部２１を介して転送されるプローブ情報と、現況交通情報とを蓄積ＤＢ３０に蓄積する。

蓄積ＤＢ３０は、車載装置１３から送信されてくるプローブ情報や交通情報センタ（コンピュータ１４）から送信されてくる現況交通情報が逐次格納されるデータベースであり、現在以前の前記各情報を検索するために利用される。
統計ＤＢ３１は、交通状況予測部２３において、過去に蓄積されたリンクごとの交通情報を元に、予測対象日の日種（曜日、平日／土曜／休日、五十日、天気等）に対応して作成され、ここで作成されたデータが格納されるデータベースである。例えば、交通情報としてリンク旅行時間を対象にする場合、予測対象日の日種に該当する過去の日が複数日あったとして、それらの同一時間帯に関するリンク旅行時間の平均値や中央値等の統計値がリンクの統計旅行時間に該当する。また、交通情報として渋滞長や渋滞度などのリンク渋滞情報を対象にする場合も同様に、同一時間帯に関する各データに関する平均値等の統計値がリンクの統計渋滞情報に該当する。すなわち、統計ＤＢ３１は、リンク、日種、時刻をキーに旅行時間や渋滞情報を検索するために利用される。

交通状況予測部２３による交通状況予測処理は、情報受信・蓄積部２２が交通情報センタ（コンピュータ１４）から送信されてくる現況交通情報を受信すると、それに続いて実行される。交通状況予測部２３は、蓄積ＤＢ３０に蓄積されている現在（現況）及び過去の交通情報を読み出し、さらに統計交通情報である統計ＤＢ３１に格納されたデータを読み出して、後記する交通状況予測方法に従い予測先時間（未来）の交通状況を予測する。そして、予測した交通状況に基づき、図２に示す予測交通情報を生成し、予測ＤＢ３２に出力する。交通状況予測部２３における処理の詳細については後記する。
予測ＤＢ３２は、交通状況予測部２３によって生成される予測交通情報が格納されるデータベースである。予測ＤＢ３２に含まれるデータの一例は、図２に示したとおりである。この予測ＤＢ３２は、予測情報配信部２４、および経路探索部２５によってアクセスされ、ここで必要な予測交通情報が検索され出力される。

予測情報配信部２４は、データ・要求受信部２１を介して車載装置１３のユーザからの要求（予測／経路データ要求）を受信する。受信したユーザ要求が予測交通情報のダウンロードである場合、予測情報配信部２４は、ユーザ要求に含まれる指定時刻、および指定メッシュ（または指定リンク）を入力として予測ＤＢ３２を検索し、ここで抽出された予測交通情報を所定のダウンロード用フォーマットデータに変換して車載装置１３へ送信する。
受信したユーザ要求が最短経路情報のダウンロードである場合、予測情報配信部２４は、ユーザ要求に含まれる出発地、目的地、および出発日時のデータを経路探索部２５に送信し、経路探索部２５から送信データに関する最短経路情報を受信し、受信した最短経路情報を所定のダウンロード用フォーマットデータに変換して車載装置１３へ送信する。

経路探索部２５は、予測情報配信部２４から送信される、出発地、目的地、および出発日時を元に、予測ＤＢ３２の予測交通情報と、地図ＤＢ３３に含まれるリンク情報を参照しながら最短経路探索処理を行い、求められた最短経路情報を予測情報配信部２４に送信する。前記した最短経路情報には、出発地から目的地に至るまでのリンク情報、および総旅行時間（または到着予想時刻）が含まれる。
地図ＤＢ３３には、メッシュコードごとに、そのメッシュ領域に含まれる道路を構成する各リンクのリンクデータを含んで格納されている。リンクデータは、リンク番号ごとにリンクを構成する２つのノード（開始ノード、終了ノード）の座標情報、リンクを含む道路の種別情報、リンクの長さを示すリンク長情報、リンクの制限速度を示す規制速度情報、２つのノードにそれぞれ接続するリンクのリンク番号などを含んでいる。なお、ここでは、リンクを構成する２つのノードについて開始ノードと終了ノードとを区別することで、同じ道路の上り方向と下り方向とを、それぞれ別のリンクとして管理するようにしている。また、地図データには、対応するメッシュ領域に含まれている道路以外の道路構造物の情報（例えば、名称、種別、座標情報など）も含まれている。

図３は、本発明実施形態にかかわる交通状況予測装置のうち、交通状況予測部の内部構成を機能展開して示したブロック図である。
図３に示されるように、交通状況予測部２３は、交通情報取得部２３１と、予測演算選択処理部２３２と、高速道路向け交通状況予測演算処理部２３３と、一般道路向け交通状況予測演算処理部２３４と、渋滞情報生成出力部２３５とで構成される。なお、図３に示される、蓄積ＤＢ３０、統計ＤＢ３１、予測ＤＢ３２、地図ＤＢ３３は、図２に示したそれぞれのデータベースと同様である。

交通情報取得部２３１は、交通情報センタ（コンピュータ１４）と、蓄積ＤＢ３０、あるいは統計ＤＢ３１のそれぞれから、現在および過去の交通情報を取り込み、予測演算選択処理部２３２、および高速道路向け交通状況予測演算処理部２３３、一般道路向け交通状況予測演算処理部２３４へ転送する機能を持つ。
予測演算選択処理部２３２は、現在の交通情報に含まれる情報源、およびリンク区分に関する情報を参照し、リンク区分が、高速道路、有料道路、自動車専用道路のいずれかに該当する場合に高速道路向け交通状況予測演算処理部２３３による予測演算処理を実行させ、いずれにも該当しない場合、一般道路向け交通状況予測演算処理部２３４による予測演算処理を実行させる機能を持つ。

高速道路向け交通状況予測演算処理部２３３は、予測対象リンクごとに関連する一以上の伝播元リンクが対応付けられ、その伝播元リンクごとに伝播時間と重み係数とから成る交通状況の伝播現象を用いた予測モデルを構成する予測パラメータを生成し（第２のステップ）、前記した交通情報と予測パラメータとを用いた予測モデルに基づき未来の交通状況を予測演算し、その予測交通状況を出力する（第３のステップ）機能を持つ。
このため、高速道路向け交通状況予測演算処理部２３３は、予測リンク情報ファイル３３０と、予測リンク情報生成部３３１と、類似度算出部３３２と、予測パラメータ生成部３３３と、予測パラメータ情報ファイル３３４と、予測パラメータ取得部３３５と、渋滞伝播型予測判定部３３６と、予測交通状況生成出力部３３７と、予測交通状況補正処理部３３８とで構成される。

予測リンク情報生成部３３１は、リンク属性情報を含む地図データから予測対象リンクにｎ次接続しているリンク（ｎ≧１）を検索し、ここで検索されたリンクのうち、予測対象リンクから所定距離内にあるリンク、リンク長が所定長より長いリンク、リンク種別が本線であるリンク、交通情報が提供されているリンク、の少なくとも一つに該当するリンクを伝播元リンクとして抽出し、予測リンク情報ファイル３３０に格納し、また、類似度算出部３３２へ転送する機能を持つ。
類似度算出部３３２は、予測対象リンクの交通情報と、伝播元リンクの交通情報をそれぞれに用意された伝播時間だけ過去にシフトさせた交通情報との間の類似度を算出して予測パラメータ生成部３３３へ転送する機能を持つ。

予測パラメータ生成部３３３は、類似度算出部３３２により算出された、類似度が最も高い伝播時間を伝播元リンクの伝播時間として選択し、予測対象リンクの交通情報と、選択された伝播時間に基づいて過去にシフトされた伝播元リンクの交通情報とを用い、各交通情報の誤差が最小となる重み係数および切片を算出し、予測パラメータを生成して、予測パラメータ情報ファイル３３４に格納する機能を持つ。
予測パラメータ取得部３３５は、交通状況の予測時、予測パラメータ情報ファイル３３４から、予測パラメータ生成部３３３により生成された予測パラメータを取得して渋滞伝播型予測判定部３３６へ転送する機能を持つ。

渋滞伝播型予測判定部３３６は、予測パラメータ取得部３３５を介して取り込まれる予測パラメータと過去の交通情報とから後記する渋滞伝播型予測が実行可能か否かを判定し、先に取り込まれた予測パラメータを予測交通状況生成出力部３３７へ、もしくは、後記する一般道路向け交通状況予測演算処理部２３４へ転送する機能を持つ。
予測交通状況生成出力部３３７は、１以上ある伝播元リンクのうち、旅行速度が所定の自由走行速度よりも高速であると判定されたリンクの割合が所定値を超えると判定されたときに、現在の交通情報を予測交通情報として予測交通状況補正処理部３３８へ出力する。また、旅行速度が所定の自由走行速度よりも高速であると判定されたリンクの割合が所定値以下であると判定されたときに、交通情報と予測パラメータとを用い、現在から予測対象時刻までの時間幅を示す予想先時間における予想旅行速度を求め、予想対象リンクに含まれるリンク長を予想旅行速度で除算して予想旅行時間を算出し、予測交通状況補正処理部３３８へ転送する機能を持つ。

なお、予測交通状況補正処理部３３８は、予測パラメータに含まれる重み係数と、予測先時間に応じて決定される、過去の交通情報が統計処理された統計情報と現在の交通情報における各重み係数のそれぞれによって算出される各旅行時間を加重平均処理し、予測先時間ごとの予想旅行時間を補正して予測ＤＢ３２へ格納する機能を持つ。

一方、一般道路向け交通状況予測演算処理部２３４は、過去の交通情報を統計処理して得られる統計交通情報を取り込み、現在および過去の交通情報と統計交通情報との類似性を定量的に示す乖離度を算出し、算出された乖離度と統計交通情報とを用いて未来の交通状況を予測演算し、その予測状況を出力する機能を持つ。
このため、一般道路向け交通状況予測演算処理部２３４は、統計交通情報取得部３４１と、統計型予測判定部３４２と、乖離度算出部３４３と、予測交通状況生成出力部３４４とで構成される。

統計交通情報取得部３４１は、過去の交通情報を統計処理して得られる統計交通情報を取り込み、統計型予測判定部３４２に転送する機能を持つ。
統計型予測判定部３４２は、過去の統計情報が所定割合以上有効であり、かつ、予測先時間の統計交通情報が有効であることを判定して乖離度算出部３４３による乖離度の計算を起動する機能を持つ。乖離度算出部３４３は、現在および過去の交通情報と統計交通情報との類似性を定量的に示す乖離度を算出する機能を持ち、ここで算出された乖離度に関するデータは、予測交通状況生成出力部３４４へ転送される。

予測交通状況生成出力部３４４は、乖離度算出部３４３により出力される乖離度と、統計交通情報取得部３４２を介して出力される統計交通情報とを用い、未来の交通状況を予測演算し、その結果生成される予測交通情報を出力する機能を持つ。
予測交通状況生成出力部３４４は、乖離度を閾値と比較して小と判定されたとき、現在から予測対象時刻までの時間幅を示す予測先時間に応じて補正される乖離度と統計交通情報との加算によって未来の交通状況を予測演算し、一方、乖離度を閾値と比較して大と判定されたとき、予測先時間に応じて決定される統計交通情報と現在の交通情報の各重み係数を、統計交通情報と現在の交通情報のそれぞれに乗じたものを加算して未来の交通状況を予測演算し、それぞれ予測ＤＢ３２に格納する。

なお、渋滞情報生成出力部２３５は、現在の交通情報と、高速道路向け交通状況予測演算処理部２３３、あるいは一般道路向け交通状況予測演算処理部２３４により予測演算した結果出力される交通状況とを用い、現在から予測対象時刻までの時間幅を示す各予測先時間における渋滞の程度を現在と比較して変化率として定量化し、その変化率と閾値とを比較してあらかじめ定義された渋滞傾向情報を選択出力する機能を持つ。

図４は、図１に示す交通情報システムのうち、車載装置の内部構成を示すハードウェアブロック図である。
図４に示されるように、車載装置１３は、演算処理部４０と、ディスプレイ４１と、データ記憶装置４２と、音声入出力装置４３と、入力装置４４と、車輪速センサ４５と、地磁気センサ４６と、ジャイロセンサ４７と、ＧＰＳ（Global Positioning System）受信装置４８と、車内ＬＡＮ（Local Area Network）装置４９と、ネットワーク通信装置５０と、ＦＭ多重放送受信装置５１と、ビーコン通信装置５２とから構成される。

演算処理部４０は、車載装置１３の制御中枢となるＣＰＵ（Central Processing Unit）である。演算処理部４０は、例えば、車輪速センサ４５、地磁気センサ４６、ジャイロセンサ４７や、ＧＰＳ受信装置４８から出力される情報を基に現在位置を求める。また、得られた現在位置情報に基づいて、表示に必要な地図データをデータ記憶装置４２から読み出す。また、読み出した地図データをグラフィックスに展開し、そこに現在位置を示すマーク（アイコン）を重畳してディスプレイ４１に表示する。
また、データ記憶装置４２に記憶されている地図データと統計交通情報、または交通状況予測装置２０から受信した予測交通情報、あるいは交通情報センタ（コンピュータ１４）から受信した現況交通情報とを用いて、ユーザにより設定される現在位置（出発地）と、目的地とを結ぶ最適な経路（推奨経路）を探索する。また、音声入出力装置４３やディスプレイ４１を用いてユーザに対して推奨経路を誘導案内する。

なお、後記する交通状況予測装置２０が持つ各機能は、車載装置１３の演算処理部４０で実行するようにしてもよく、その場合、車載装置１３は、交通状況予測装置２０に接続しなくてもよい代わりに、交通情報センタのコンピュータ１４と接続する必要がある。このときの接続手段は、タクシー等の業務無線、携帯電話、無線ＬＡＮなどのモバイル型無線通信、あるいは衛星通信、ＦＭ多重放送、地上ディジタル放送などの放送型無線通信が考えられる。

ディスプレイ４１は、演算処理部４０により生成されたグラフィックス情報を表示するマンマシンインタフェースであり、ＣＲＴ（Cathode Ray Tube）、または液晶ディスプレイなどで構成される。演算処理部４０とディスプレイ４１との間の信号は、ＲＧＢ信号やＮＴＳＣ（National Television Standards Committee）信号で接続するのが一般的である。
データ記憶装置４２は、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ＨＤＤ、あるいはＩＣカードのような記録媒体、およびこれら記録媒体の読み取り、あるいは書き込み装置で構成されている。これら記録媒体には、地図データや統計交通情報などの各種データが格納されている。

ところで、地図データは、メッシュコードごとに、そのメッシュ領域に含まれる道路を構成する各リンクのリンクデータを含んでいる。そして、リンクデータは、リンク番号ごとにリンクを構成する２つのノード（開始ノード、終了ノード）の座標情報、リンクを含む道路の種別情報、リンクの長さを示すリンク長情報、リンクの制限速度を示す規制速度情報、２つのノードにそれぞれ接続するリンクのリンク番号などを含んでいる。
なお、ここでは、リンクを構成する２つのノードについて、開始ノードと終了ノードとを区別することで、同じ道路の上り方向と下り方向とを、それぞれ別のリンクとして管理するようにしている。また、地図データには、対応するメッシュ領域に含まれている道路以外の道路構造物の情報（例えば、名称、種別、座標情報など）も含まれている。

音声入出力装置４３は、演算処理部４０で生成されるユーザへのメッセージを音声信号に変換して出力する。また、ユーザが発した音声を認識し、演算処理部４０にその内容を転送する処理を行う。
入力装置４４は、ユーザからの指示を取り込むマンマシンインタフェースであり、スクロールキーや縮尺変更キーなどのハードウェアスイッチ、ジョイスティック、あるいはディスプレイ４１上に実装されるタッチパネル、音声入力用のマイクなどで構成される。

車輪速センサ４５、地磁気センサ４６、ジャイロセンサ４７、そして、ＧＰＳ受信装置４８は、車載装置１３で現在位置（自車位置）を検出するために使用されるものである。
車輪速センサ４５は、車輪の円周と計測される車輪の回転数の積から走行距離を測定し、さらに対となる車輪の回転数の差から曲がった角度を計測する。また、地磁気センサ４６は、地球が保持している磁場を検知し、移動体が向いている方角を検出する。更に、ジャイロセンサ４７は、光ファイバファイロや振動ジャイロ等で構成され、移動体が回転した角度を検出するものである。
また、ＧＰＳ受信装置４８は、ＧＰＳ衛星からの信号を受信し、移動体（車両１２）とＧＰＳ衛星間の距離と距離の変化率を３基以上の衛星との間で測定することで移動体の現在位置、進行速度、および進行方位を測定する。

車内ＬＡＮ装置４９は、車載装置１３が搭載された車両１２の様々な情報、例えばドアの開閉情報、ライトの点灯状態情報、エンジンの状況や故障診断結果などを受信して監視する。また、ネットワーク通信装置５０は、車載装置１３と交通状況予測装置２０との間の情報の送受信を仲介する装置である。このネットワーク通信装置５０は、携帯電話、ＰＨＳ（Personal Handyphone System）、無線ＬＡＮ等の広域通信装置から構成される。
車載装置１３は、ネットワーク通信装置５０を介し、定期的に、あるいはユーザからの要求に応じて、交通状況予測装置２０にアクセスし、予測交通情報や最短経路情報を受信し、データ記憶装置４２に記憶させる。

なお、ＦＭ多重放送受信装置５１は、交通情報センタ（コンピュータ１４）からの現況交通情報がＦＭ放送局へ送信され、ＦＭ放送局がＦＭ多重放送信号として送信する概略交通情報（図形など）および文字情報などを受信する。
また、ビーコン通信装置５２は、交通情報センタ（コンピュータ１４）からの現況交通情報が各地域の交通管制センタへ送信され、交通管制センタが路上の通信装置であるビーコンを介して送信する詳細な現況交通情報（リンク旅行時間情報など）を受信する。

図５〜図１８は、本発明実施形態にかかわる交通状況予測装置を含む交通情報システムの動作を説明するために引用した図である。
以下、図５〜図１８を参照しながら本発明実施形態にかかわる交通状況予測装置を含む交通情報システムの動作について詳細に説明する。

図５は、交通状況予測装置２０の経路探索部２５による経路探索処理手順を説明するために引用したフローチャートである。
図５に示すフローチャートにおいて、交通状況予測装置２０は、まず、車載装置１３から、無線基地局１、ネットワーク１０、ならびに、内部のデータ・要求受信部２１、予測情報配信部２４のそれぞれを介して転送される、出発地、目的地、および出発日時に関するデータを経路探索部２５に設定する（ステップＳ５０）。このことにより、経路探索部２５は、出発地、および目的地の座標から、出発地、および目的地を含む経路探索領域に含まれる各メッシュコードを特定する。

ここで、経路探索領域に含まれる各メッシュコードを特定方法の一例について説明する。ここでは、出発地、目的地をそれぞれ含むメッシュを両端とする矩形メッシュをさらに一回り大きくとった矩形メッシュとする。例えば、出発地、目的地をそれぞれ含むメッシュを両端とする矩形メッシュがｍ×ｎメッシュであった場合、その探索領域は（ｍ＋２）×（ｎ＋２）メッシュとなる。
次に、経路探索部２５は、特定したメッシュコードに相当する地図ＤＢ３３に登録されているリンクデータを読み込む（ステップＳ５１）。続いて経路探索部２５は、特定したメッシュコード、および出発日時を基に、メッシュコードごとに出発日時以降に関する各候補リンクの予測交通情報（予測旅行時間）を、予測ＤＢ３２を検索することによって入手する（ステップＳ５２）。

経路探索部２５は、更に、先に読み込んだリンクデータを用い、後記するステップＳ５７でヒープテーブルから抽出されたリンク（以下、抽出リンクと呼ぶ）の終了ノードを開始ノードとするリンクを、最短経路を構成するリンクの候補（以下、候補リンクと呼ぶ）として選出する（ステップＳ５３）。
但し、ステップＳ５７での処理が行われていない場合、つまり、ヒープテーブルにリンクが登録されていない初期段階では、抽出リンクの終了ノードを開始ノードとするリンクを候補リンクとして選出する代わりに、出発地が存在する、あるいは出発地に近接する少なくとも１つのリンクを、候補リンクとして選出する（ステップＳ５３）。

ここで、ヒープテーブルとは、ＯＳ（Operating System）やアプリケーションソフトウェアが使用するメモリ領域をいい、ここでは、具体的に候補リンクのリンクデータを、出発地から当該候補リンクの終了ノードまでの総コスト（総旅行時間）とともに登録するためのテーブルをいう。
図６に、ヒープテーブルのデータ構造の一例が表形式で示されている。図６に示されるように、ヒープテーブルには、候補リンクごとにレコード（表の１行分に相当）が登録される。レコードは、候補リンクのリンク番号、該候補リンクのコスト（旅行時間）、終了ノードが該候補リンクの開始ノードと接続する接続元リンクのリンク番号、出発地から候補リンクまでの総コスト、および後記するステップＳ５７で抽出リンクとして設定済みか否かを示す抽出フラグの各データを登録するためのそれぞれのフィールドから構成されている。

次に、経路探索部２５は、抽出リンクの終了ノードへの予想到着時刻を算出する（ステップＳ５４）。これは、ヒープテーブルから、抽出リンクに現在設定されている候補リンクのレコードを特定し、出発時刻にこのレコードのフィールドに登録されている総コストを加算することで算出できる。それから、リンク別交通情報の中から候補リンクごとに当該候補リンクを含むレコードを特定する。そして、特定したレコードから、到着予想時刻が属する時間帯（注目時間帯）のリンク旅行時間を特定する。
経路探索部２５は、続いて、候補リンクの各々について、出発地から当該候補リンクまでの総コストを算出する。具体的には、ヒープテーブルに登録されている抽出リンクの総旅行時間に、候補リンクの注目時間帯における旅行時間を加算し、その加算結果を候補リンクの総コストとする。そして、ヒープテーブルに各候補リンクのレコードを追加する。続いて、追加した各レコードの各フィールドに、対応する候補リンクのリンク番号、候補リンクのコスト、抽出リンク（接続元リンク）のリンク番号、出発地から候補リンクまでの総コストを登録する。また、抽出フラグのフィールドには、未だ抽出リンクに設定されていないことを示す抽出フラグ「未」を登録する（ステップＳ５５）。

次に、経路探索部２５は、直前に行ったステップＳ５５の処理で、ヒープテーブルに新たに追加された候補リンクの中に、目的地、あるいは目的地に近接するリンク（以下、目的地リンクという）が存在するか否かを検索する（ステップＳ５６）。
ステップＳ５６の処理において、経路探索部２５は、目的地リンクが存在しなければ、次に、ヒープテーブルに登録されている各候補リンクのレコードを総コストの小さい順にソートし、抽出フラグのフィールドが「未」である候補リンク（以下、未抽出リンクと呼ぶ）の中で、最も上位に位置する未抽出リンクを抽出するなどして、ヒープテーブルから総コストが最小の未抽出リンクを抽出する。そして、現在の抽出リンクをこの未抽出リンクに変更し、この未抽出リンクの抽出フラグを「未」から「済」に変更する（ステップＳ５７）。そしてＳ５３の処理に戻る。

一方、ステップＳ５６の処理において、経路探索部２５は、目的地リンクがある場合、最短経路決定処理を行う。具体的には、ヒープテーブルから、目的地リンクの接続リンク（目的地リンクのレコードにおいて接続元リンク番号フィールドに登録されているリンク）を検索し、検索したリンクを最短経路が構成されるリンク（以下、構成リンクと呼ぶ）に決定する。次に、経路探索部２５は、構成リンクの接続元リンクがあるか否かを検索し、接続元リンクがあるならば、この接続元リンクを構成リンクに決定して、その接続元リンクがあるか否かをさらに検索する。
経路探索部２５は、前記した処理を、構成リンクの接続元リンクがなくなるまで、つまり、構成リンクが出発地あるいは出発地に近接するリンク（以下、出発地リンクという）になるまで繰り返すことで、最短経路を構成する各構成リンクを決定する。それから、最短経路の情報として、最短経路を構成する各構成リンクのリンクデータ、およびステップＳ５２の処理により入手した予測交通情報（予測旅行時間）を、出発時刻の情報とともに予測情報配信部２４へ転送する（ステップＳ５８）。

このように、経路探索部２５が、予測交通情報を用いた経路探索処理を実行することにより、事前に予測される渋滞を避けた最短時間経路を配信することができるようになる。
また、車載装置１３においても、前記した経路探索部２５、予測ＤＢ３２、および地図ＤＢ３３と同様の機能およびデータを備えており、交通状況予測装置２０から予測交通情報をダウンロードすることにより、あるいは、車載装置１３に備えられた統計ＤＢ３１を読み込むことにより未来の予測交通情報を取得し、前記した経路探索処理を実行することにより同様に事前に予測される渋滞を避けた最短時間経路を提供することができる。

（全体的な交通状況予測処理）
図７は、交通状況予測装置２０の交通状況予測部２３による交通状況予測処理の全体的な流れを示すフローチャートである。
図７に示すフローチャートにおいて、まず、情報受信・蓄積部２２は、交通情報センタ（コンピュータ１４）から送信されてきた現況交通情報を読み込んで交通状況予測部２３に転送する（ステップＳ７０）。続いて、交通状況予測部２３は、転送された現況交通情報に含まれる情報源コードから、交通情報の対象道路が高速道路であるか一般道路であるかの判定を行う（ステップＳ７１）。判定には、情報源ごとに高速道路であるか一般道路であるかを定めたリンク区分のデータを参照することによってなされる。ここで、高速道路とは、高速道路、有料道路、自動車専用道路のいずれかに該当する場合をいい、一般道路とはそのいずれにも該当しない道路をいう。

交通状況予測部２３は、ステップＳ７１の処理において高速道路と判定されると、高速道路向けの予測処理を実行する（ステップＳ７２）。高速道路向け予測処理の詳細については後記する。また、交通状況予測部２３は、ステップＳ７１の処理において一般道路と判定されると、一般道路向けの予測処理を実行する（ステップＳ７３）。一般道路向け予測処理の詳細については後記する。最後に、予測された交通情報を予測ＤＢ３２に格納し、予測情報配信部２４を介し、ネットワーク１０経由で車載装置１３に出力する。なお、配信される交通情報の中には、必要に応じて後記する渋滞傾向情報も含まれる（ステップＳ７４）。以上により、交通状況予測処理を終了する。
ここで、予測処理の方法を、高速道路と一般道路で別々にしているのは、その特性を考慮して予測精度を向上させるためである。例えば、統計交通情報は、一般道路では比較的精度がよい傾向があるが、高速道路では一般道路に比較して事故等の突発事象に対して大きく影響を受けることなどから精度が悪化することが多い。一方、高速道路においては、渋滞が発生しても回避するための分岐点がランプ（インターチェンジ）やジャンクションに限られるため、一般道に比べて渋滞が発生すると大きく延伸しやすい傾向がある。本発明は、この特性を考慮して高精度な交通状況予測を実現することを主旨としている。

以下、前記した高速道路向け予測処理（ステップＳ７２）、一般道路向け予測処理（ステップＳ７３）の詳細について、図８〜図１１に示すフローチャートを参照しながら説明する。
まず、高速道路向け予測処理の詳細な説明に先立ち、高速道路向け予測パラメータの生成処理について、図３に示す交通状況予測部２３（高速道路向け交通状況予測演算処理部２３３）の内部構成機能ブロック図、および図８、図９に示すフローチャートを参照しながら詳細に説明する。

（高速道路向け予測パラメータの生成）
高速道路向け予測パラメータは、蓄積ＤＢ３０に蓄積されている過去の交通情報を用いて定期的に更新されるべきものであるが、パラメータによってその更新周期は異なる。例えば、地図ＤＢ３３に格納されているリンク情報のみから生成できるリンク番号、リンク長、規制速度、伝播元リンクなどの予測リンク情報は、地図ＤＢ３３の更新時期に応じて更新すればよく、通常は、１年に１〜２回程度である。
一方、自由走行速度や予測先時間別の各種パラメータ（切片、係数、伝播時間）などの予測パラメータ情報は、過去の交通情報に応じて生成されるべきものであるから、ある程度の更新頻度が必要であり、例えば１週間に１回か１ヶ月に１回程度の更新頻度にすればよい。したがって、予測リンク情報を生成した後に、予測パラメータ情報を生成する手順となる。

はじめに予測リンク情報の生成処理について図８に示すフローチャートを参照しながら説明する。まず、予測リンク情報生成部３３１は、地図ＤＢ３３に含まれるリンク情報を読み込み、高速道路、有料道路、自動車専用道路のいずれかに該当する道路リンクを予測対象リンクとして抽出する（ステップＳ８０）。予測対象リンクを、さらに蓄積ＤＢ３０を読み込んで交通情報が提供されているリンクに絞り込んでもよい。
次に、予測リンク情報生成部３３１は、リンク情報に含まれるリンクの接続情報を用いて、予測対象リンクに１次的に接続しているリンク、および、さらに接続しているリンク（予測対象リンクのｎ次接続リンク（ｎ≧２））などを伝播元リンクの候補として順次検索していく（ステップＳ８１）。

続いて、予測リンク情報生成部３３１は、ステップＳ８１で検索された各伝播元リンク候補について伝播元リンクの条件が成立しているか否かを判定する（ステップＳ８２）。予測リンク情報生成部３３１は、条件を満足していれば（ＹＥＳ）、ステップＳ８３の処理へ進み、満足していなければステップＳ８１に戻って、別の伝播元リンクを検索する。
前記判定の条件については、例えばリンク長が短くないこと（例えば１００ｍ以上）、本線道路であること（側道、ランプ、渡り線ではないこと）、予測対象リンクから所定距離以上離れていないこと、などのうち少なくとも一つ以上を満たすことが挙げられる。伝播元リンクを、さらに蓄積ＤＢ３０を読み込んで交通情報が提供されているリンクに絞り込んでもよい。

ステップＳ８２の処理でＹＥＳと判定されると、予測リンク情報生成部３３１は、その伝播元リンク候補を伝播元リンクに設定し、類似度算出部３３２へ転送する（ステップＳ８３）。
予測リンク情報生成部３３１は、ステップＳ８０で抽出された全ての予測対象リンクに関して前記した処理が終了しているか否かを判定し（ステップＳ８４）、終了していれば（ＹＥＳ）、ステップＳ８５の処理へ進み、終了していなければ終了するまで前記したステップＳ８１〜ステップＳ８３の処理を繰り返す。予測リンク情報生成部３３１は、ステップＳ８４でＹＥＳと判定されると、予測リンク情報ファイルとして、予測対象リンクと伝播元リンクの対応関係、リンク長、規制速度などを類似度算出部３３２へ出力し、処理を終了する（ステップＳ８５）。

次に、予測パラメータ情報の生成処理に関して、図９に示すフローチャートを参照しながら説明する。
類似度算出部３３２は、まず、予測パラメータ情報を生成するのに必要な各種情報を読み込む（ステップＳ９０）。ここで読み込む情報は、予測リンク情報生成部３３１により生成される予測リンク情報ファイルと、蓄積ＤＢ３０に格納されている過去の交通情報である。過去の交通情報に必要な日数としては、例えば、最近の１週間分程度でよいが、なるべく最新のデータを対象とした方が最新の伝播の傾向をより正確に捉えることができることに留意するとよい。

そして、類似度算出部３３２において、予測対象リンクの交通情報（旅行速度）と伝播時間の分だけ過去にシフトさせた伝播元リンクの交通情報（旅行速度）の類似度を算出する（ステップＳ９１）。類似度の算出方法としては、予測対象リンクの交通情報と伝播元リンクにおける交通情報の２つのデータ間の相関係数を算出する方法と、これら２つのデータ間における２乗誤差の平均値の平方根をとるＲＭＳ(Root Mean Square)誤差とする方法等が考えられる。ここで、伝播時間は、後記するステップＳ９２の処理において、例えば、０分から１８０分まで１分刻みで逐一与えられる。
次に、類似度算出部３３２は、全ての伝播時間に関してステップＳ９１の処理が終了したか否かを判定し（ステップＳ９２）、終了した場合（ＹＥＳ）には予測パラメータ生成部３３３へ算出した類似度に関するデータを転送してステップＳ９３の処理へ進み、終了していない場合（ＮＯ）には終了するまで伝播時間を変更してステップＳ９１の処理を繰り返す。

予測パラメータ生成部３３３は、ステップＳ９２の処理でＹＥＳと判定された場合には、全ての伝播時間に関する類似度を比較することにより類似性の高い順に伝播時間をソートする。ここで、類似度の算出方法が相関係数を算出する方法を採用した場合には類似度の値が大きいほど（１に近いほど）類似性が高く、ＲＭＳ誤差を算出する方法を採用した場合には類似度の値が小さいほど（０に近いほど）類似性が高いと判定される。
次に、予測パラメータ生成部３３３は、ソートされた伝播時間を元に予測先時間ｋごとに最適な伝播時間を決定する（ステップＳ９３）。例えば、最も類似度の高い伝播時間がτ1であったとする。ここで、予測先時間ｋが前記τ1以下の場合にはτ1を予測先時間ｋにおける当該伝播元リンクの伝播時間に決定する。しかし、予測先時間ｋが前記τ1よりも大きい場合には２番目に類似度の高い伝播時間τ2と比較し、予測先時間ｋがそれ以下になるような伝播時間が見つかるまで検索を続ける。以下、このようにして決定された伝播時間だけ過去にシフトさせた伝播元リンクの交通情報を単に伝播元リンクの交通情報という。

予測パラメータ生成部３３３は、類似度算出部３３２と協働して予測対象リンクにおける全ての伝播元リンクに関してステップＳ９１〜ステップＳ９３の処理を繰り返す（Ｓ９４）。
続いて、予測パラメータ生成部３３３は、予測先時間ごとに伝播元リンクの除外処理を行う（ステップＳ９５）。この除外処理においては、決定された伝播元リンクの交通情報に関する類似度と予め設定される所定の閾値とを比較することにより、絶対的に類似性が低いと判定される伝播元リンクｑを予測に用いる伝播元リンクから除外する。すなわち、予測パラメータである予測先時間ｋにおける伝播元リンクｑの重み係数ｂq（ｋ）をゼロに設定する。更に、伝播元リンク同士の相互相関係数を算出することにより、所定の閾値を超える伝播元リンクペアが見つかった場合には、そのうちの一方を同様に除外するようにしてもよい。これは後記する予測パラメータの算出（重回帰分析）の精度を向上するための一つの手段である。

次に、予測パラメータ生成部３３３は、前記した例外処理で残った伝播元リンクの旅行速度を用いた重回帰分析を行うことにより、予測旅行時間の誤差が小さくなるように各伝播元リンクの重み係数と切片を含む予測パラメータを算出する（ステップＳ９６）。
予測パラメータ生成部３３３は、更に、前記したステップＳ９１〜Ｓ９６までの処理を全ての予測先時間について繰り返す（Ｓ９７）。また、ステップＳ９１〜ステップＳ９７までの処理を全ての予測対象リンクについて繰り返す（ステップＳ９８）。最後に、算出された予測パラメータを、予測パラメータ情報ファイル３３４に出力する（ステップＳ９９）。

予測パラメータのデータフォーマットの一例を図１２に示す。図１２に示されるように、予測パラメータは、情報源のメッシュ（情報源番号）ごとに管理され、さらに予測対象リンク（予測対象リンク番号）ごとに管理される。ここで「メッシュ情報数」は、データの並びにおいてメッシュ情報の繰返し数を意味し、予測先時間数（ｎ）は予測対象リンク情報における予測先時間の繰返し数を表す。また、「メッシュ情報サイズ」はメッシュ情報のデータサイズ（単位：バイト）を、「メッシュ内予測対象リンク数」は予測対象リンク情報の繰返し数を表す。予測対象リンクにおいては、リンク番号、リンク長、規制速度（制限速度）といったリンクの属性データが格納され、さらに、リンクへ交通状況を伝播させる近傍のリンク（以下、伝播元リンク^＃１〜^＃ｍという）に関する情報も格納される。
伝播元リンクの情報には、メッシュコード、リンク番号、リンク長、自由走行速度（交通が自由流である場合の旅行速度に相当する）が含まれる。また、予測対象リンク情報においては、さらに予測先時間^＃１〜^＃ｎ毎の各種予測パラメータ（切片ｂ_０、係数ｂ_１〜ｂ_ｍ、伝播時間τ_１〜τ_ｍ）が含まれている。ここで、予測先時間とは、予測対象とする未来の時間を意味し、例えば、５分後、１０分後、…、１８０分後等を意味する。

（高速道路向け予測処理）
次に、前記により生成された予測パラメータを用いた高速道路向け予測処理について、図３に示す交通状況予測部２３（高速道路向け交通状況予測演算処理部２３３）の内部構成機能ブロック図、および図１０に示すフローチャートを参照しながら詳細に説明する。
図１０に示すフローチャートにおいて、高速道路向け交通状況予測演算処理部２３３は、前記した予測パラメータを読み込み、また、交通情報取得部２３１は、蓄積ＤＢ３０から、現在から所定期間過去まで遡った期間の交通情報を読み込み、高速道路向け交通状況予測演算処理部２３３へ転送する（ステップＳ１００）。ここで、予測パラメータは、過去の交通情報を元に事前に作成されるものであり、交通状況予測処理の際にはメモリ上に予測パラメータ情報ファイル３３４として展開され、予測パラメータ取得部３３５は、前記したメモリ（予測パラメータ情報ファイル３３４）を参照することにより、この予測パラメータを取得し、渋滞伝播型予測判定部３３６へ転送する。

渋滞伝播型予測判定部３３６は、予測パラメータ取得部３３５を介して取得される予測パラメータと、交通情報取得部２３１を介して取得される過去の交通情報とから渋滞伝播型予測が実行可能か否かの判定を行う（ステップＳ１０１）。
具体的に、渋滞伝播型予測判定部３３６は、各伝播元リンクの伝播時間τに基づき、現在時刻ｔから伝播時間τだけ過去の時点（ｔ−τ）における伝播元リンクの交通情報を参照し、ここで、全伝播元リンクの交通情報が存在することが確認された場合、予測可能（ＹＥＳ）と判定し、予測交通状況生成出力部３３７による渋滞伝播型予測処理（ステップＳ１０２）に進む。前記以外の場合には予測不可能（ＮＯ）と判定し、後記する一般道路向け予測処理（ステップＳ７３）に進む。

ステップＳ１０１の処理でＹＥＳと判定されると、予測交通状況生成出力部３３７は、まず、交通状況が順調を維持する状況にあるか（交通状況が変化するか）否かを判定する（ステップＳ１０２）。
ここで、予測交通状況生成出力部３３７は、各伝播元リンクの伝播時間τに基づき、現在時刻ｔから伝播時間τだけ過去の時点（ｔ−τ)における伝播元リンクの交通情報を参照し、全伝播元リンクのうち旅行速度が自由走行速度よりも高速であるようなリンクが所定割合を超えた場合には、予測対象リンクの交通状況が変化しないと判定（ＮＯ）し、ステップＳ１０４の処理を実行する。一方、前記以外の場合には交通状況が必ずしも変化しないわけではない（つまり変化する）と判定（ＹＥＳ）し、ステップＳ１０３の処理を実行する。

ステップＳ１０２の処理でＹＥＳと判定されると渋滞伝播型予測処理が実行され、予測交通状況生成出力部３３７は、現在時刻以降の旅行時間を予測する（ステップＳ１０３）。
予測処理においては、先に読み込んだ予測パラメータと過去の交通情報を用い、以下の演算式（１）によって、現在時刻ｔよりｋ時間未来の予測旅行速度Ｖ（ｔ＋ｋ）を算出する。

ここで、ｂ_０は切片、ｂ_１（ｋ）は後記する重み係数ａ_ｐと同じものである。また、ｖ_ｉは伝播元リンクｉの旅行時間とリンク長より計算されるリンク旅行速度である。そして、予測対象リンクのリンク長を予測旅行速度Ｖ（ｔ＋ｋ）で除算することにより予測旅行時間を算出する。
一方、ステップＳ１０２の処理でＮＯと判定されると、予測交通状況生成出力部３３７は、交通状況が今後も現状の状態のまま維持される（変化しない）と予測し、予測先時間にかかわらず渋滞伝播型予測処理を実行することなく、現況旅行時間を予測旅行時間として設定する（ステップＳ１０４）。

次に、予測交通状況補正処理部３３８は、ステップＳ１０３またはステップＳ１０４において予測交通状況生成出力部３３７から算出された予測旅行時間を、予測先時間ｋに応じて補正する（ステップＳ１０５）。
前記した補正処理にあたり、予測旅行時間の重み係数をａ_p、現況旅行時間の重み係数をａ_r、統計旅行時間の重み係数をａ_sとしたとき、図１３に示されるように、予測先時間に応じて各重みの合計が１．０になるように予め定められ、予測交通状況補正処理部３３８が持つメモリテーブル（不図示）上に展開される。予測交通状況補正処理部３３８は、このメモリテーブルを参照し、各旅行時間を加重平均処理することにより、予測先時間ごとの予測旅行時間を補正する。

ここで、図１３におけるｋrは、前記した補正処理において現況旅行時間を利用するか否かの境界となる予測先時間であり、現況旅行時間が予測旅行時間と統計旅行時間よりも精度が劣る予測先時間を設定すればよい。
また、各旅行時間の重み係数をリンクや時間帯ごとにその精度特性に応じて機械的に決定してもよいが、このようにするとシステムが複雑になり、また交通情報センタ（コンピュータ１４）から送られてくる交通情報に含まれるノイズ成分や事故などの突発事象の影響を受けて一時的に特異な重み係数になることが考えられる。このような事態を防ぐため、経験的または総合的に重み係数を決定するようにしてもよい。また、この補正ステップ自体を省略してもよい。

説明を図１０に示すフローチャートに戻して高速道路向け予測処理について続けて説明する。予測交通状況補正処理部３３８は、予測リンクのリンク長を、前記により算出され、補正された予測旅行時間で除することによって予測旅行速度を算出し、予測ＤＢ３２に格納する。
一方、渋滞情報生成出力部２３５は、予測ＤＢ３２から読み込まれる予測旅行速度と、予め定められた渋滞度判定閾値とを比較することにより、予測旅行速度の渋滞度を決定する（ステップＳ１０６）。ここで、渋滞度は、例えば、渋滞なし（順調）、混雑（軽度の渋滞）、渋滞（重度の渋滞）の３レベルで表現される。そして、渋滞度判定閾値は、例えば、一般道路の場合には、予測旅行速度が１０ｋｍ／ｈ未満の場合に渋滞、１０ｋｍ／ｈ以上２０ｋｍ／ｈ未満の場合に混雑、２０ｋｍ／ｈ以上の場合に渋滞なしと設定され、同様に、高速道路の場合には、予測旅行速度が２０ｋｍ／ｈ未満の場合に渋滞、２０ｋｍ／ｈ以上４０ｋｍ／ｈ未満の場合に混雑、４０ｋｍ／ｈ以上の場合に渋滞なしと設定するようにすればよい。

高速道路向け交通状況予測演算処理部２３３は、全ての予測先時間ｋに関して前記した予測処理が終了しているか否かを判定し（ステップＳ１０７）、終了していなければ、予測対象リンクについてステップＳ１０１〜ステップＳ１０６の処理を繰り返し、終了していればステップＳ１０８の処理へ進む。
高速道路向け交通状況予測演算処理部２３３は、最後に、全ての予測対象リンクに関して予測処理が終了しているかどうかを判定し（ステップＳ１０８）、終了していなければ残りの予測対象リンクについてステップＳ１０１〜ステップＳ１０７の処理を繰り返す。終了していれば高速道路向け交通状況予測演算処理を終了する。

以上説明したように、交通状況予測装置２０は、比較的平易な演算にて予測が可能であるため、スーパーコンピュータなど特別な計算機を必要とすることなく全国の広域エリアを対象とすることが容易であり、かつ道路の特性や予測先時間に応じて最適な予測手法を採用しているため未来の交通状況を高精度に予測することが可能となる。そして、予測された交通情報を経路探索部２５や車載装置１３で最短経路探索におけるリンクコストとして利用することにより、近未来における渋滞状況を予め考慮した経路探索ができ、より確実に短時間で目的地に到着する経路を提供することができるようになる。

（一般道路向け予測処理）
次に、一般道路向け予測処理（図７、ステップＳ７３）の詳細について、図３に示す交通状況予測部２３（一般道路向け交通状況予測演算処理部２３４）の機能構成ブロック図、および、図１１に示すフローチャートを参照しながら説明する。

図１１に示すフローチャートにおいて、交通情報取得部２３１は、まず、現在から所定期間過去まで遡った期間の交通情報を蓄積ＤＢ３０から読み込み、さらに、統計ＤＢ３１から予測対象日に応じた統計交通情報およびリンク長と規制速度から構成されるリンク情報を取込み、一般道路向け交通状況予測演算処理部２３４へ転送する（ステップＳ１１０）。なお、一般道路向け交通状況予測演算処理部２３４では、予測対象日と統計交通情報の日種との対応関係が予め定められた情報テーブル（不図示）が統計交通情報取得部３４１のメモリ上に展開されており、統計交通情報取得部３４１は、この情報テーブルを参照して予測当日の日種を決定し、決定された日種に対応する統計交通情報を読み込み、統計型予測判定部３４２へ転送する。
統計型予測判定部３４２は、読み込んだ過去の交通情報と統計交通情報とから統計型予測が実行可能か否かの判定を行う（ステップＳ１１１）。統計型予測判定部３４２は、読み込んだ過去の交通情報のうち所定割合以上が有効であり、かつ予測先時間の統計交通情報が有効であれば、統計型予測が可能である（ＹＥＳ）と判定してステップＳ１１２の処理へ進む。前記以外の場合には予測不可能（ＮＯ）と判定し、予測処理を実行することなくステップＳ１１７の処理へ進む。

ステップＳ１１１の処理でＹＥＳと判定されると、乖離度算出部３４３は、統計型予測処理を実施するに先立ち、先に読み込んだ過去（近過去）の交通情報と、統計交通情報の乖離度を算出する（ステップＳ１１２）。
乖離度Ｄは、予測時点ｔの近過去における交通状況が統計交通情報によって表される交通状況とどの程度類似しているか、あるいはかけ離れているかを定量的に表すもので、例えば次の演算式（２）によって定義される。

ここで、ｊは近過去の時間で過去ｐ時間までを対象とする。ｄ（ｔ）は、以下の演算式（３）で表されるように、蓄積ＤＢ３０より取得される、統計旅行時刻ｔにおける過去の実績旅行速度Ｖr（ｔ）と統計旅行速度Ｖs（ｔ）との差である。

ここで、γは、ｄ（ｔ）の重み係数（正の実数）であり、ｊが大きくなるほど小さく設定される。また、ｈは予め定められるべき乗数であり、正の実数である。すなわち、演算式（２）で表される乖離度は、実績旅行速度と統計旅行速度の差ｄ（ｔ）を時間の新しさに応じて加重平均したものに相当する。
また、乖離度として、前記した演算式（２）の代わりに、以下に示す演算式（４）で表されるＤ'（ｔ）で定義してもよい。

但し、演算式（４）は、ｄ（ｔ）の実績旅行時間Ｔr（ｔ）に対する割合を時間の新しさに応じて加重平均したものに相当する。

説明を図１１のフローチャートに戻し、一般道路向け予測処理の説明を続ける。予測交通状況生成出力部３４４は、乖離度算出部３４３により算出された乖離度と、予め設定される乖離度判定閾値とを比較することにより、算出された乖離度が大か小かを判定する（ステップＳ１１３）。
ステップＳ１１３の処理で乖離度が小である（ＹＥＳ）と判定された場合、予測交通状況生成出力部３４４は、乖離度小の統計型予測処理を実行する（ステップＳ１１４）。乖離度小の統計型予測処理においては、近過去においては統計交通情報が表す交通状況に近いため近未来においても統計交通情報に傾向は類似していると予測され、例えば、乖離度Ｄ（ｔ）を用いた以下の演算式（５）によって現在時刻ｔからｋ時間未来の予測旅行速度Ｖ（ｔ＋ｋ）を算出する。

但し、αは、図１４に示されるように、予測先時間ｋに応じて変化する乖離度Ｄ（ｔ）の重み係数である。また、乖離度として、Ｄ（ｔ）の代わりに前記したＤ'（ｔ）を用いる場合の予測演算式は、例えば以下の演算式（６）のようになる。

但し、α'は、図１５に示されるように、予測先時間ｋに応じて変化する乖離度Ｄ'（ｔ）を修正するパラメータである。前記したいずれの予測演算式においても、パラメータα，α'によって予測先時間ｋがより未来になるほど予測旅行速度は統計旅行速度Ｖsに近づいていく。

一方、ステップＳ１１３の処理で乖離度が大である（ＮＯ）と判定された場合、予測交通状況生成出力部３４４は、乖離度大の統計型予測処理を実行する（ステップＳ１１５）。
乖離度大の統計型予測処理において、予測交通状況生成出力部３４４は、近過去においては統計交通情報が表す交通状況に近くないため直近の未来においては統計交通情報よりも現況交通情報に近く、より未来になると統計交通情報と傾向が類似すると予測する。この考えに基づき、予測交通状況生成出力部３４４は、以下の演算式（７）によって現在時刻ｔからｋ時間未来の予測旅行速度Ｖ（ｔ＋ｋ）を算出する。

但し、βは、図１６に例示されるような統計旅行速度Ｖsの重み係数である。これにより、予測旅行速度は、予測先時間ｋが直近であるほど現況旅行速度Ｖrに近づき、未来になるほど統計旅行速度Ｖsに近づいていく。
次に、高速道路向け予測処理と同様、渋滞情報生成出力部２３５は、ステップＳ１１４またはステップＳ１１５で算出された予測旅行速度と、予め定められた渋滞度判定閾値とを比較することにより、予測旅行速度の渋滞度を決定する。また、予測交通状況生成出力部３４４は、予測対象リンクのリンク長を予測旅行速度で除することにより予測旅行時間を算出して予測ＤＢ３２に格納する（ステップＳ１１６）。

一般道路向け交通状況予測演算処理部２３４は、全ての予測先時間ｋに関して予測処理が終了しているか否かを判定し（ステップＳ１１７）、終了していなければ、予測対象リンクについてステップＳ１１１〜ステップＳ１１６の処理を繰り返し、終了していればステップＳ１１８の処理へ進む。
一般道路向け交通状況予測演算処理部２３４は、最後に、全ての予測対象リンクに関して予測処理が終了しているか否かを判定し（ステップＳ１１８）、終了していなければ残りの予測対象リンクについてステップＳ１１１〜ステップＳ１１７の処理を繰り返す。終了していれば一般道路向け予測処理を終了する。

（渋滞傾向情報生成）
次に、交通状況予測部２３の渋滞情報生成出力部２３５が、高速道路向け交通状況予測演算処理部２３３、あるいは、一般道路向け交通状況予測演算処理部２３４により予測された交通情報を用い、予測先時間における渋滞の程度が現在に比べて悪化するか、緩和するか、あるいは変化しないことを表す渋滞傾向情報を生成し、車載装置１３に送信し表示するときの動作について説明する。
前記した渋滞傾向情報生成処理は、交通状況予測部２３で実行され、前記した交通状況予測処理結果を用い、以下の手順に従い生成され、出力される。

まず、渋滞情報生成出力部２３５は、対象リンクの予測旅行時間に含まれるランダムノイズを除去することを目的として、現在時刻ｔにおける現況旅行時間、および予測先時刻（ｔ＋１）から予測先時刻（ｔ＋ｎ）までの近未来における各予測旅行時間を用いて平滑処理を行う。ここで、平滑処理は、移動平均や指数平滑等の方法で実行すればよいが、ノイズを除去する必要がない場合には実行する必要はない。
続いて、平滑処理が実施された現況旅行時間Ｔ、および予測旅行時間Ｔpを以下の演算式（８）に適用し、予測先時間ｋ（１≦ｋ≦ｎ）に関する旅行時間変化率Ｒ（ｔ＋ｋ）を算出する。

そして、渋滞情報生成出力部２３５は、図１７に示される旅行時間変化率の条件式に基づき、渋滞傾向情報を決定する。図１７におけるε1及びε2は、予め定められる閾値であり、前者は負の実数、後者は正の実数である。
ここで生成された渋滞傾向情報は、車載装置１３からの要求に応じて、予測情報配信部２４、ネットワーク１０、無線基地局１１経由で配信される。

前記により生成された渋滞傾向情報と現況交通情報とを用いて車載装置１３のディスプレイ４１に表示する場合の画面構成の例が図１８に示されている。
図１８において、線分は、３レベル（渋滞、混雑、渋滞なし）に分けられる現況交通情報（渋滞度）を表し、アイコンは渋滞傾向情報を表している。また、図１８中、符号６０は、車載装置１３の現在位置、符号６１は現在時刻を示す。そして、符号６２〜７０は、それぞれ渋滞度と渋滞傾向情報を併用表示したものである。例えば、符号６２は渋滞緩和傾向にある「渋滞」を表し、符号６３は渋滞悪化傾向にある「渋滞」を表す。同様に、符号６４、符号６５、符号６６、符号６７のそれぞれは、渋滞緩和傾向にある「混雑」、渋滞悪化傾向にある「混雑」、渋滞緩和傾向にある「渋滞なし」、渋滞悪化傾向にある「渋滞なし」を表す。また、符号６８〜符号７０は、渋滞傾向情報のアイコンが表示されていないが、これは渋滞の度合が現在の状況と変化がない傾向を意味する。したがって、符号６８、符号６９、符号７０は、それぞれ、変化がない「渋滞」、変化がない「混雑」、変化がない「渋滞なし」であることを示す。

なお、ディスプレイ４１に表示すべき渋滞傾向情報の対象となる予測先時間については、車載装置１３の演算処理部４０で決定する。予測先時間の決定にあたっては、ユーザが入力装置４４を介して表示すべき未来の時刻を指定することによって決定すればよい。別の決定方法として、車載装置１３の現在位置からの距離と予測先時間との対応関係が予め定められており、その対応関係を用いて個々のリンクの予測先時間を決定するようにしてもよい。
このように、従来の予測交通情報に渋滞傾向情報を併用することによって、単なる３レベルの渋滞度から予測情報（渋滞傾向情報）を加味したより詳細な交通情報提供ができるようになる。例えば、経路前方のリンクが現時点において渋滞であった場合、ドライバは、その渋滞傾向が悪化するのか緩和するのかまでも知ることができる。渋滞傾向が悪化を示す場合には迂回行動の意思決定を、渋滞傾向が緩和を示す場合には経路変更せずに進むことの意思決定を、それぞれ従来に比べてしやすくなり、従って、利便性が向上する。

以上説明のように本発明は、例えば、高速道路にあっては、交通状況予測装置が、通信装置を介して現在及び過去の交通情報を外部から取り込むステップと、予測対象リンクごとに関連する一以上の伝播元リンクが対応付けられ、前記伝播元リンクごとに伝播時間と重み係数とから成る交通状況の伝播現象を用いた予測モデルを構成する予測パラメータを生成し、記憶装置に格納するステップと、前記交通情報と前記記憶装置から読み出される予測パラメータとを用いた前記予測モデルに基づき演算装置によって未来の交通状況を予測演算し、前記通信装置を介してその予測交通情報を出力するステップと、を有することを特徴とするものである。

また、一般道路にあっては、交通状況予測装置２０が、通信装置を介して外部から現在および過去の交通情報を取り込み、かつ、前記過去の交通情報を統計処理して得られる統計交通情報を取り込むステップと、現在および過去の交通情報と前記統計交通情報との類似性を定量的に示す乖離度を算出するステップと、前記乖離度と前記統計交通情報とを用い、演算装置によって未来の交通状況を予測演算し、その結果生成される予測交通情報を、通信装置を介して出力するステップと、を有することを特徴とするものである。

このことにより、本発明によれば、道路種別に応じて適切な予測モデルを選択し、特に、高速道路においては突発事象の有無に関らず連続して高い精度で交通状況予測を行うことができる。また、予測された交通情報を元に渋滞傾向を算出して現在の渋滞情報と併用することにより従来に比べて情報の詳細化が可能になる。更に、本発明によれば、予測された交通情報を経路探索や運送車両の配車配送計画などのアプリケーションが動作する装置に提供することにより、ユーザはより確実に最短時間で目的地に到達する経路を得ることができるようになる。

なお、本発明の交通状況予測装置は、専用のハードウェアにより実現される他に、その機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録し、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行するものであってもよい。なお、コンピュータ読み取り可能な記録媒体は、フレキシブルディスク、ハードディスク、光ディスク等の記録媒体の他に、インターネット等の通信媒体を介してプログラムが転送される場合のように、プログラムを動的に保持するもの、あるいは、そのときのサーバが持つ揮発性メモリのように一定時間プログラムを保持するものも含むものとする。

現在までに収集された交通情報を利用して未来の交通状況を予測する交通情報センタまたはカーナビゲーションなどの車載装置等に対して、同様に本発明を適用することができる。

本発明実施形態にかかわる交通状況予測装置を含む交通情報システムの概略構成を示す図である。 本発明実施形態にかかわる交通状況予測装置により生成される予測交通情報の配信フォーマットの一例を示す図である。 本発明実施形態にかかわる交通状況予測装置のうち、交通状況予測部の内部構成を機能展開して示したブロック図である。 図１に示す交通情報システムのうち、車載装置の内部構成を示すハードウェアブロック図である。 本発明実施形態にかかわる交通状況予測装置の予測交通情報を用いた経路探索処理の処理手順を示すフローチャートである。 本発明実施形態にかかわる交通状況予測装置の予測交通情報を用いた経路探索処理に用いるヒープテーブルのデータ構造の一例を示す図である。 本発明実施形態にかかわる交通状況予測装置の交通状況予測処理全体の処理手順を示すフローチャートである。 本発明実施形態にかかわる交通状況予測装置の高速道路向け予測リンク情報生成処理の手順を説明するために引用したフローチャートである。 本発明実施形態にかかわる交通状況予測装置の高速道路向け予測パラメータ生成処理の手順を説明するために引用したフローチャートである。 本発明実施形態にかかわる交通状況予測装置の高速道路向け予測処理の手順を説明するために引用したフローチャートである。 本発明実施形態にかかわる交通状況予測装置の一般道路向け予測処理の手順を説明するために引用したフローチャートである。 本発明実施形態にかかわる交通状況予測装置により生成される高速道路向け予測パラメータのデータフォーマットの一例を示す図である。 本発明実施形態にかかわる交通状況予測装置において用いられる、予測旅行時間を補正するための補正係数の一例である。 本発明実施形態にかかわる交通状況予測装置において用いられる、乖離度小の状況において乖離度を補正するための補正係数の一例である。 本発明実施形態にかかわる交通状況予測装置において用いられる、乖離度小の状況において統計旅行速度を補正するための補正係数の一例である。 本発明実施形態にかかわる交通状況予測装置において用いられる、乖離度大の状況において統計旅行速度を補正するための補正係数の一例である。 本発明実施形態にかかわる交通状況予測装置において用いられる、旅行時間変化率から渋滞傾向情報を判定するための条件式の一例である。 本発明実施形態にかかわる交通状況予測装置により生成される渋滞傾向情報と現況交通情報とを用いて車載装置のディスプレイに表示する場合の一例である。

符号の説明

１０ ネットワーク
１１ 無線基地局
１２ 車両
１３ 車載装置
１４ 交通情報センタ（コンピュータ）
２０ 交通状況予測装置
２１ データ・要求受信部
２２ 情報受信・蓄積部
２３ 交通状況予測部
２４ 予測情報配信部
２５ 経路探索部
３０ 蓄積ＤＢ
３１ 統計ＤＢ
３２ 予測ＤＢ

Claims (14)

1. 少なくとも、記憶装置と、演算装置と、通信装置とで構成される交通状況予測装置により、現在および過去の交通情報を用いて未来の交通状況を予測する交通状況予測方法であって、
   前記交通状況予測装置は、
   前記通信装置を介して現在および過去の交通情報を外部から取り込む第１のステップと、
   交通状況の伝播現象を用いた予測モデルを構成する予測パラメータであり、予測対象リンクごとに関連する一以上の伝播元リンクが対応付けられ、前記伝播元リンクごとに伝播時間と重み係数とから成る、交通状況の伝播現象を用いた予測モデルを構成する予測パラメータを生成し、前記記憶装置に格納する第２のステップと、
   前記交通情報と、前記記憶装置から読み出される予測パラメータとを用いた前記予測モデルに基づき前記演算装置によって未来の交通状況を予測演算し、前記通信装置を介してその予測交通情報を出力する第３のステップと、
   を有することを特徴とする交通状況予測方法。
2. 前記第２のステップは、
   リンク属性情報を含む地図データから前記予測対象リンクにｎ次接続しているリンク（ｎ≧１）を検索し、前記検索されたリンクのうち、予測対象リンクから所定距離内にあるリンク、リンク長が所定長より長いリンク、リンク種別が本線であるリンク、交通情報が提供されているリンク、の少なくとも一つに該当するリンクを前記伝播元リンクとして設定するステップを含む、
   ことを特徴とする請求項１に記載の交通状況予測方法。
3. 前記第２のステップは、
   前記予測対象リンクの交通情報と、前記伝播元リンクの交通情報をそれぞれに用意された伝播時間だけ過去にシフトさせた交通情報との間の類似度を算出し、類似度が最も高い伝播時間を前記伝播元リンクの伝播時間として決定し、前記予測対象リンクの交通情報と、前記選択された伝播時間に基づいて過去にシフトされた伝播元リンクの交通情報とを用い、前記各交通情報の誤差が最小となる前記重み係数を算出するステップを含む、
   ことを特徴とする請求項１に記載の交通状況予測方法。
4. 前記第３のステップは、
   一以上ある前記伝播元リンクのうち、旅行速度が所定の自由走行速度よりも高速であると判定されたリンクの割合が所定値を超えると判定されたときに、現在の交通情報を予測交通情報とするステップを含む、
   ことを特徴とする請求項１に記載の交通状況予測方法。
5. 前記第３のステップは、
   一以上ある前記伝播元リンクのうち、旅行速度が所定の自由走行速度よりも高速であると判定されたリンクの割合が所定値以下であると判定されたときに、前記交通情報と前記予測パラメータとを用い、現在から予測対象時刻までの時間幅を示す予想先時間における予想旅行速度を求め、前記予想対象リンクに含まれるリンク長を前記予想旅行速度で除算して予想旅行時間を算出するステップと、
   前記予測パラメータに含まれる重み係数と、前記予測先時間に応じて決定される、過去の交通情報が統計処理された統計情報と現在の交通情報の各重み係数のそれぞれによって算出される各旅行時間を加重平均処理し、予測先時間ごとの前記予想旅行時間を補正するステップと、
   を含むことを特徴とする請求項１に記載の交通情報予測方法。
6. 少なくとも、記憶装置と、演算装置と、通信装置とで構成される交通状況予測装置を用い、現在および過去の交通情報を用いて未来の交通状況を予測する交通状況予測方法であって、
   前記交通状況予測装置は、
   前記通信装置を介して外部から現在および過去の交通情報を取り込み、かつ、前記過去の交通情報を統計処理して得られる統計交通情報を取り込む第１のステップと、
   現在および過去の交通情報と前記統計交通情報との類似性を定量的に示す乖離度を算出する第２のステップと、
   前記乖離度と前記統計交通情報とを用い、前記演算装置によって未来の交通状況を予測演算し、その結果生成される予測交通情報を、前記通信装置を介して出力する第３のステップと、
   を有することを特徴とする交通状況予測方法。
7. 前記第３のステップは、
   前記乖離度を閾値と比較して小と判定されたとき、現在から予測対象時刻までの時間幅を示す予測先時間に応じて補正される前記乖離度と前記統計交通情報との演算によって未来の交通状況を予測するステップと、
   前記乖離度を閾値と比較して大と判定されたとき、前記予測先時間に応じて決定される前記統計交通情報と現在の交通情報の各重み係数と、前記統計交通情報と現在の交通情報との演算によって未来の交通状況を予測するステップと、
   を含むことを特徴とする請求項６に記載の交通状況予測方法。
8. 少なくとも、記憶装置と、演算装置と、通信装置とで構成される交通状況予測装置を用い、現在および過去の交通情報を用いて未来の交通状況を予測する交通状況予測方法であって、
   前記交通状況予測装置は、
   前記通信装置を介して外部から現在及び過去の交通情報を取り込む交通情報取得ステップと、
   交通状況の伝播現象を用いた予測モデルを構成する予測パラメータであり、予測対象リンクごとに関連する一以上の伝播元リンクが対応付けられ、前記伝播元リンクごとに伝播時間と重み係数とから成る、交通状況の伝播現象を用いた予測モデルを構成する予測パラメータを生成し、前記交通情報と、前記記憶装置から読み出される予測パラメータとを用いた前記予測モデルに基づき未来の交通状況を予測演算して出力する高速道向け交通状況予測演算処理ステップと、
   前記過去の交通情報を統計処理して得られる統計交通情報を取り込み、現在および過去の交通情報と前記統計交通情報との類似性を定量的に示す乖離度を算出し、前記乖離度と前記統計交通情報とを用い未来の交通状況を予測演算して出力する一般道路向け交通状況予測演算処理ステップと、
   前記現在の交通情報に含まれる情報源およびリンク区分に関する情報を参照し、前記リンク区分が、高速道路、有料道路、自動車専用道路のいずれかに該当する場合に前記高速道向け交通状況予測演算処理ステップを実行させ、いずれにも該当しない場合、前記一般道向け交通状況予測演算処理ステップを実行させる予測演算処理選択ステップと、
   を有することを特徴とする交通状況予測方法。
9. 現在の交通情報と前記予測演算した交通状況とを用い、現在から予測対象時刻までの時間幅を示す各予測先時間における渋滞の程度を現在と比較して変化率として定量化し、前記変化率と閾値とを比較してあらかじめ定義された渋滞傾向情報を選択出力する渋滞傾向情報生成ステップと、
   を更に有することを特徴とする請求項１、請求項６、または、請求項８のいずれか１項に記載の交通状況予測方法。
10. 現在および過去の交通情報を用いて未来の交通状況を予測する交通状況予測装置であって、
    前記現在および過去の交通情報を取り込む交通情報取得部と、
    予測対象リンクごとに関連する一以上の伝播元リンクが対応付けられ、前記伝播元リンクごとに伝播時間と重み係数とから成る、交通状況の伝播現象を用いた予測モデルを構成する予測パラメータを生成する予測パラメータ生成部と、
    前記交通情報と、前記予測パラメータとを用いた前記予測モデルに基づき未来の交通状況を予測演算し、その予測交通状況を出力する予測交通状況生成出力部と、
    を備えたことを特徴とする交通状況予測装置。
11. 現在および過去の交通情報を用いて未来の交通状況を予測する交通状況予測装置であって、
    前記現在および過去の交通情報を取り込み、更に、前記過去の交通情報を統計処理して得られる統計交通情報を取り込む交通情報取得部と、
    現在および過去の交通情報と前記統計交通情報との類似性を定量的に示す乖離度を算出する乖離度算出部と、
    前記乖離度と前記統計交通情報とを用いて未来の交通状況を予測演算し、その予測交通状況を出力する予測交通状況生成出力部と、
    を備えたことを特徴とする交通状況予測装置。
12. 現在および過去の交通情報を用いて未来の交通状況を予測する交通状況予測装置であって、
    前記現在及び過去の交通情報を取り込む交通情報取得部と、
    予測対象リンクごとに関連する一以上の伝播元リンクが対応付けられ、前記伝播元リンクごとに伝播時間と重み係数とから成る、交通状況の伝播現象を用いた予測モデルを構成する予測パラメータを生成し、前記交通情報と前記予測パラメータとを用いた前記予測モデルに基づき未来の交通状況を予測演算し、その予測交通状況を出力する、高速道路向け交通状況予測演算処理部と、
    前記過去の交通情報を統計処理して得られる統計交通情報を取り込み、現在および過去の交通情報と前記統計交通情報との類似性を定量的に示す乖離度を算出し、前記乖離度と前記統計交通情報とを用いて未来の交通状況を予測演算する一般道路向け交通状況予測演算処理部と、
    前記現在の交通情報に含まれる情報源およびリンク区分に関する情報を参照し、前記リンク区分が、高速道路、有料道路、自動車専用道路のいずれかに該当する場合に前記高速道路向け交通状況予測演算処理部による予測演算処理を実行させ、いずれにも該当しない場合、前記一般道路向け交通状況予測演算処理部による予測演算処理を実行させる予測演算選択処理部と、
    を備えたことを特徴とする交通状況予測装置。
13. 現在の交通情報と前記予測演算した交通状況とを用い、現在から予測対象時刻までの時間幅を示す各予測先時間における渋滞の程度を現在と比較して変化率として定量化し、前記変化率と閾値とを比較してあらかじめ定義された渋滞傾向情報を選択出力する渋滞情報生成出力部、
    を更に備えたことを特徴とする請求項１０から請求項１２のいずれか１項に記載の交通状況予測装置。
14. 請求項１から請求項９のいずれか１項に記載の交通状況予測方法を、コンピュータに実行させることを特徴とするプログラム。

Images