JP2009069924A - 交通状況予測装置，交通状況予測方法 - Google Patents

Abstract

【課題】
各道路区間の交通状況の相関関係に基づき交通状況を予測する。
【解決手段】
基底ベクトル生成部は、所要時間データベースに記録された過去の所要時間を対象として主成分分析を行い、複数リンクの間での相関関係を表す特徴空間を構成する基底ベクトルを生成する。射影点軌跡生成部は所要時間データベースに記録された過去の所要時間を前記特徴空間に射影した射影点軌跡を射影点データベースに記録する。特徴空間射影部は現在の所要時間を前記特徴空間に射影し、近傍射影点検索部は当該射影点の近傍にある過去の射影点を射影点データベースより検索し、射影点軌跡トレース部は、検索された近傍射影点を起点として、予測対象となる時間幅の分、過去の射影点の軌跡をトレースし、逆射影部は当該軌跡の終点を逆射影して、所要時間の予測値を算出する。
【選択図】図１

Description

本発明は、過去の交通状況から将来の交通状況の変化を予測する交通状況予測装置，交通状況予測方法に関する。

従来、道路上の交通状況を予測するために、しばしばプローブカーが用いられている。プローブカーとは、各種センサや通信装置などを含んだ車載装置を搭載し、その各種センサによって車両位置，走行速度などのデータを収集し、その収集したデータ（以下、プローブカーデータ）を所定の交通情報センタに送信する車両である。プローブカーとしては、例えばタクシー会社などの協力のもとに、タクシーなどが利用されたり、自家用車向け交通情報サービスの一環として、ユーザとの契約により、自家用車が利用されることが多い。

また特開２００４−３６２１９７号公報には、路上センサあるいはプローブカーによって計測された現在の所要時間の変化パターンについて、類似の変化パターンを過去の所要時間の履歴より検索し、交通状況の変化の予測に用いる発明が開示されている。

特開２００４−３６２１９７号公報

特許文献１による発明は、路上センサの設置区間及びプローブカーの走行区間の交通状況を予測の対象とする。しかしながら、プローブカーは全ての道路区間を常に走行しているわけではない。よって、プローブカーが走行しておらず、現在の所要時間が計測されない道路区間では、交通状況の予測を行うことが出来ない。

そこで、本発明の目的は、現在においてプローブカーが走行していない道路区間においても、周辺の道路区間において計測された現在の所要時間と、当該道路区間と周辺道路区間との所要時間の相関関係とに基づいて、交通状況を予測することにある。

本発明の交通状況予測装置は、
プローブカー及び路上センサで計測されたリンク（主要交差点間の道路区間）ごとの所要時間を、複数のリンクについて記録する所要時間データベースと、
過去に記録された複数リンクの所要時間を対象とする主成分分析により、当該リンク間における所要時間の相関を表す基底ベクトルを生成する基底ベクトル生成部と、
当該複数リンクにおける現在の所要時間を、基底ベクトル生成部で求めた基底ベクトルにより構成される特徴空間に射影した射影点を求める特徴空間射影部と、
特徴空間の内部で、過去に射影された射影点の中からを当該複数リンクの交通状況を表す射影点の近傍にある射影点を検索する近傍射影点検索部と、
検索された射影点を基点として、予測対象時間幅（現在時刻と予測対象時刻の差に相当する時間幅）の分、過去に射影された射影点を時間順に並べた点列である射影点軌跡をトレースする射影点軌跡トレース部と、
トレースされた軌跡の終点である予測射影点の座標を係数とする前記基底ベクトルの線形合成である逆射影の演算を行い、演算結果として得られた交通状況ベクトルを、当該複数リンクにおける所要時間の予測値として出力する逆射影部を備える。

本発明によれば、現在の交通状況が不明なリンクがある場合でも、特徴空間内で過去の射影点軌跡に基づいて予測射影点を求め、逆射影を行うことで、現在の所要時間が計測されなかったリンクについても未来の所要時間を予測することができる。

以下、図面を参照して本発明の実施形態について詳しく説明する。

図１は、本発明の実施形態に係る交通情報予測装置の構成の例を示した図である。所要時間データベース（以下、所要時間ＤＢ）１０１は、交通情報予測装置１に入力されたリンク毎の所要時間を記録する記憶装置である。ここでリンクは、主要交差点間の道路区間などのように、交通情報を処理する際の単位となる道路区間を意味する。リンク毎の所要時間は、図２のように道路ネットワーク上でプローブカー２０１で収集されたデータ（プローブカーデータ）並びに路上センサ２０２によって計測された路上センサデータが、通信ネットワーク２０３を介して、交通情報予測装置１を備える交通情報センタ２０４に送信される。

交通情報センタ２０４では、受信したこれらのデータを、処理装置２により該当するリンクにおける所要時間に変換し、交通情報予測装置１に入力される。この時、受信したデータがプローブカーデータであれば、そのデータに含まれるデータ収集時刻と位置情報から、図示されていない地図情報を元に、走行しているリンクの特定と位置情報に対応した地点間の通過所要時間を求めた上で、該当するリンクの所要時間を求める。また、受信したデータが路上センサデータであれば、そのデータに含まれるセンサＩＤにより路上センサが設置されているリンクを特定し、該当するリンクの所要時間を求める。そして、所定の蓄積時間間隔の間に受信されるデータを蓄積し、ある時刻の所要時間計測値として交通情報予測装置１に入力する。交通情報予測装置１に入力されたある時刻の所要時間計測値は、所要時間ＤＢ１０１に順次蓄積されると共に、現況の交通情報として特徴空間射影部１０３に入力される。

所要時間ＤＢ１０１のデータは、図３に示すように、データを収集した時刻とリンクを識別するためのリンク番号をインデックスとする所要時間テーブルである。所要時間テーブルを作成する単位、即ち、後述する交通情報の予測処理において処理単位とするリンク集合（以後、予測対象リンク集合）は、例えば、地図上の１メッシュ（１０km×１０kmなどの格子領域）に含まれるリンクとする。ここでは予測対象リンク集合に含まれるリンク数をＭとする。

図３（ａ）は、プローブカーデータを用いて生成された所要時間テーブルであり、リンク毎の所要時間として、複数のプローブカーから収集されたプローブカーデータにより求めた所要時間をリンク単位に平均値を取るなどして集約した値が格納されている。また図３（ｂ）は、プローブカーデータと路上センサデータを用いて生成された所要時間テーブルであり、リンク毎の所要時間は、図３（ａ）と同様のプローブカーデータによる所要時間と路上センサデータによる所要時間とは別個のデータとして管理される。プローブカーデータによる所要時間として、該当するリンクをプローブカーが走行していない時刻には所要時間を取得することが出来ないため、不明値を示すデータが格納される。また路上センサデータによる所要時間については、該当するリンクに路上センサが設置されていないリンクについては、不明値を示すデータが格納される。

所要時間テーブルの各行は、予測対象リンク集合における時刻インデックス毎の所要時間を要素とした交通状況ベクトルである。所要時間テーブルの行数、即ち所要時間を記録した時刻インデックスの数をＮとする。所要時間テーブルには、１週間〜１年程度のデータが蓄積される。本発明を用いた場合、通常の交通事象を予測するのであれば１週間程度の交通状況ベクトルを蓄積すればよい。しかし、連休や季節に応じて現れる特異日などについても対応するためには、そのような事象に該当するデータが必要になるため、一年間のデータが必要となる。通常の交通事象を精度良く予測するために、データの蓄積期間を例えば約１ヶ月である４週間（２８日間）とし、蓄積時間間隔を５分とすれば、１日当たりのデータ数が２８８となることから、所要時間を記録した時刻インデックス数Ｎは、２８８×２８＝８０６４となる。

なお、所要時間テーブルに記録される所要時間は、必ずしも時刻インデックスの瞬間の所要時間である必要はない。例えば、時刻インデックスを５分間隔に取る場合には、ある時刻インデックスを周期とする５分の間に計測された所要時間やその平均値を、当該時刻インデックスの所要時間として差し支えない。

基底ベクトル生成部１０２は、所要時間ＤＢ１０１に記録された所要時間テーブルを対象とする主成分分析によって、複数リンクのデータが相関をもって変化する成分と無相関に変化する成分とに分解し、相関をもって変化する成分として特徴空間の主軸ベクトルである基底ベクトルを生成する。この基底ベクトルはリンク間の相関関係を表す基準パターンであり、特徴空間の主軸ベクトルである基底ベクトル毎に対応した代表変量によって、元の所要時間データを代表させることが出来る。そして主成分分析で得られた特徴空間の性質として、処理対象となる複数リンクの任意の時刻の交通状況ベクトル（各リンクの所要時間を要素とするベクトル）は、特徴空間の１点に射影される。当該射影点を逆射影すると、元の交通状況ベクトルを近似するベクトルが得られる。すなわち、特徴空間内の射影点は、ある時刻の実際の交通状況ベクトルと対応している。

所要時間テーブルに不明値が含まれる場合であっても、主成分分析の拡張手法である「欠損値付き主成分分析（ＰＣＡＭＤ）」によって、基底ベクトルを生成することが出来る。ここでは、基底ベクトルの数をＰとし、主成分分析の性質から、Ｐ≪Ｍである。生成されたＰ個の基底ベクトルは基底データベース（以下、基底ＤＢ）１０９に格納される。ここでＰは、主成分分析で基底毎に求まる寄与率が大きい順に基底を選択し、選択した基底に対応した寄与率を加算した累積寄与率を指標として用いることにより決定するものとする。累積寄与率は基底ベクトルの数Ｐが増えるほど高くなり０〜１の間の値を取り、例えば累積寄与率が０.８以上となるようにＰの値を決める。かかる基底ベクトルは、対応する代表変量を係数とする線形合成によって、主成分分析の対象とした所要時間テーブルに含まれる任意の交通状況ベクトルを近似する性質を持つ。

また、所要時間テーブルに含まれない時刻の交通状況ベクトルであっても、主成分分析で得られた特徴空間の性質として、予測対象リンク集合の任意の時刻の交通状況ベクトルは、基底ベクトルによって張られた特徴空間の１点に射影される。この特徴空間上の点は、射影によって各基底ベクトルに対応する代表変量の値を座標値に持つ射影点である。そしてこの射影点を逆射影すると、元の所要時間テーブルに含まれない時刻の交通状況ベクトルを近似するベクトルが得られる。即ち、特徴空間内の射影点は、ある時刻の実際の交通状況ベクトルと対応している。

なお、基底ベクトルを実際の交通現象と関連付けて説明すると、基底ベクトルとは渋滞のパターンであり、複数のリンクの交通状況が空間的にどのような相関をもって変化するかを数値的に表したものである。渋滞のパターンは道路ネットワークの構造によるが、例えば、東京中心部の２０km四方のエリアに含まれるリンクを対象として主成分分析を行うと、都心の渋滞，環状線の渋滞，中心部に流入する方向の渋滞，中心部から流出する方向の渋滞など、複数の交通現象に対応する基底ベクトルが得られる。これら複数の基底ベクトルは、上位のものほど、実際によく見られるパターンに相当する。

基底ベクトル生成部１０２と射影点軌跡生成部１０４により生成される基底ベクトル及び射影点軌跡は、交通情報生成の度に毎回計算する必要は無く、予め計算しておいてもかまわない。この場合、前述の所要時間テーブルへのデータ蓄積期間に対応して、１週間〜１年程度に１回の頻度で基底ベクトル及び射影点軌跡を更新しても良い。また、定期的に更新する以外にも、道路の新設などをトリガーとして、所要時間テーブルへのデータ蓄積期間経過後に道路が新設された地図メッシュについて基底ベクトル及び射影点軌跡を更新しても良い。

特徴空間射影部１０３は、交通状況予測装置に入力された予測対象リンク集合における現在時刻ｔ_ｃの交通状況ベクトルを、基底ベクトル生成部１０２により生成された前記基底ベクトル１〜Ｐで張られた特徴空間に射影する。交通状況ベクトルに不明値が含まれている場合、即ち複数リンクの一部に所要時間が不明なリンクが存在する場合、次式の重み付け射影によって射影を行う。

ａ（ｔ_ｃ）＝ｉｎｖ（Ｑ′Ｗ′ＷＱ）Ｑ′Ｗ′Ｗｘ（ｔ_ｃ）′ …（数式１）
ここでＱは、基底ベクトル１〜Ｐを並べた行列である基底行列である。またｘ（ｔ_ｃ）が現在の交通状況ベクトルである。Ｗは重み付けの行列であり、リンクｉの所要時間が観測値として得られている場合はｉ番目の対角要素を１、リンクｉの所要時間が不明値の場合はｉ番目の対角要素を０とし、他の非対角要素は０する。これにより、観測データの重みを１に、欠損データの重みを０として扱うことで、欠損データのリンクを無視して現況のデータが観測されたリンクについて特徴空間上に射影した際に射影前のデータとの誤差が最小となるような射影点ａ（ｔ_ｃ）を求める。重み付け行列Ｗは、各時刻におけるプローブカーデータあるいは路上センサのデータの収集状況により変わるため、所要時間の予測を行う度に特徴空間射影部１０３で毎回計算される。

図１０はこの演算の具体的な作用を示した道路ネットワークの模式図であり、太い線分は渋滞しているリンクを、細い線分は空いているリンクを表す。上述のように基底ベクトルは渋滞のパターンを表しており、図１０では１３０２，１３０３，１３０４が基底ベクトルに相当する。一方、１３０１は時刻ｔ_ｃにおける実際の交通状況に相当する交通状況ベクトルであって、実線のリンクは所要時間が観測されたリンク、点線のリンクは所要時間が不明なリンクを表している。数式１の演算では、１３０１で実線で示された所要時間の観測値に基づいて、基底ベクトル（１３０２，１３０３，１３０４）の線形合成における係数ａ_１（ｔ_ｃ），ａ_２（ｔ_ｃ），…，ａ_Ｐ（ｔ_ｃ）を求める作用を持つ。図１０で、時刻ｔ_ｃにおける交通状況ベクトル（１３０１）を、基底ベクトル（１３０２，１３０３，１３０４）の線形合成で表す際の係数ａ_１（ｔ_ｃ），ａ_２（ｔ_ｃ），…，ａ_Ｐ（ｔ_ｃ）を要素としたベクトルａ（ｔ_ｃ）が特徴空間における射影点の座標ベクトルであり、このａ（ｔ_ｃ）の各要素は基底ベクトル１〜Ｐに沿った座標軸上の座標値である。

射影点軌跡生成部１０４は、特徴空間射影部１０３と同様に数式１による演算処理によって、所要時間テーブルに蓄積されている交通状況ベクトルを、基底ＤＢ１０９に格納された基底ベクトルに基づいて特徴空間に射影し、それぞれの射影点を求める。ただし、特徴空間射影部１０３の演算対象が現在時刻の交通状況ベクトルであるのに対して、射影点軌跡生成部１０４は、所要時間ＤＢ１０１の所要時間テーブルに含まれる過去の所要時間の情報である交通状況ベクトルを射影し、その時刻インデックスｔ_１〜ｔ_Ｎに対応した過去の射影点ａ（ｔ_１）〜ａ（ｔ_Ｎ）を生成して、射影点ＤＢ１０５に時刻順に記録する。この時刻順に記録された射影点を射影点軌跡とする。射影点ＤＢ１０５のデータ構造は、図４のように、所要時間テーブルに対応した時刻ｔ_１〜ｔ_Ｎと、基底ベクトル１〜Ｐをインデックスとし、それぞれの基底ベクトルに対応した係数を値とするテーブルであり、時刻ｔ_ｍにおける基底ベクトルｉの値が、射影点ａ（ｔ_ｍ）の基底ベクトルｉに対応した係数ａ_ｉ（ｔ_ｍ）となる。このテーブルを射影点テーブルとする。

射影点軌跡生成部１０４で生成された射影点を、基底ベクトル１と基底ベクトル２を座標軸とした平面上に図示すると、図５のような軌跡を描く。図５の座標面は、基底ベクトルによる特徴空間のうち、基底ベクトル１，２で張られた２次元部分空間である。射影点ａ（ｔ_１）〜ａ（ｔ_Ｎ）は、時間の経過に伴って連続的な軌跡を描く。同様にして、基底ベクトル３，４で張られた２次元部分空間においても、射影点ａ（ｔ_１）〜ａ（ｔ_Ｎ）は、時間の経過に伴って連続的な軌跡を描く。これらの軌跡は、交通現象が１日単位，１週間単位などの周期性を持つことから、射影点軌跡も周期性のある変化をする。

近傍射影点検索部１０６は、射影点ＤＢ１０５に記録された射影点ａ（ｔ_１）〜ａ（ｔ_Ｎ）の中から、現在時刻ｔ_ｃにおける射影点ａ（ｔ_ｃ）との距離が最も短い射影点を検索する。近傍射影点検索部１０６の処理を、処理フローで表すと図６（ａ）のようになる。まず、時刻ｔ_１〜ｔ_Ｎについてループ処理を繰り返し、このループ内の処理Ｓ６０１で、特徴空間射影部１０３において現在時刻ｔ_ｃの交通状況ベクトルから求めた射影点ａ（ｔ_ｃ）と、射影点ＤＢ１０５から読み出した過去の時刻ｔ_ｉの射影点ａ（ｔ_ｉ）との距離ｄ（ｔ_ｉ）を計算する。距離ｄ（ｔ_ｉ）は、ａ（ｔ_ｉ）とａ（ｔ_ｃ）との差分ベクトルのユークリッドノルムである。特徴空間内での距離が近いことは、両射影点に対応する交通状況ベクトルが類似していることを示している。このループ処理の後、処理Ｓ６０２にて距離ｄ（ｔ_１）〜ｄ（ｔ_Ｎ）をソートし、処理Ｓ６０３にてソートされた内で距離ｄが最も短い過去の射影点に対応した時刻を近傍射影点時刻ｔ_ｓ、その過去の射影点を近傍射影点ａ（ｔ_ｓ）とする。

現在時刻ｔ_ｃに対する未来の時刻ｔ_ｃ＋Δｔの交通状況を予測することは、特徴空間上の射影点が実際の交通状況と対応していることから、未来の時刻ｔ_ｃ＋Δｔの基底行列Ｑにおける射影点ａ（ｔ_ｃ＋Δｔ）を予測することにより可能である。この場合、図５に示すように射影点軌跡には周期性があることから、現在時刻ｔ_ｃの射影点ａ（ｔ_ｃ）は、近傍射影点ａ（ｔ_ｓ）と類似の軌跡をたどる傾向を示す。このため、現在時刻ｔ_ｃに対して、未来の時刻ｔ_ｃ＋Δｔの交通状況を予測する場合、射影点ａ（ｔ_ｃ）の近傍射影点ａ（ｔ_ｓ）を起点とした射影点軌跡に沿って未来の交通状況も推移することが期待できる。

そこで射影点軌跡トレース部１０７は、近傍射影点ａ（ｔ_ｓ）を起点とし、現在時刻と予測対象時刻の差に相当する時間幅である予測対象時間幅Δｔの分だけ、射影点ＤＢ１０５に記録された射影点軌跡をトレースした先の射影点ａ（ｔ_ｓ＋Δｔ）を、射影点ａ（ｔ_ｃ＋Δｔ）の予測射影点とする。例えば、射影点テーブルの時刻インデックスの間隔を５分として、予測対象時間幅Δｔを３０分とするなら、予測射影点の時刻インデックスは６つ先のｔ_（ｓ＋６）であり、予測射影点はａ（ｔ_（ｓ＋６））である。これを図示すると図７のようになる。図７は図５の一部を拡大した図であり、特徴空間射影部１０３で射影された現在時刻の射影点ａ（ｔ_ｃ）７０２に対し、近傍射影点検索部１０６では、射影点ＤＢ１０５に記録された射影点軌跡７０１上の近傍射影点ａ（ｔ_ｓ）７０３を検索する。そして射影点軌跡トレース部１０７では、近傍射影点ａ（ｔ_ｓ）７０３から時間をΔｔ進めた射影点ａ（ｔ_ｓ＋Δｔ）７０４を求め、この射影点が予測射影点となる。

逆射影部１０８において、予測交通状況ベクトルｘ（ｔ_ｃ＋Δｔ）は、ｘ（ｔ_ｃ＋Δｔ）＝ａ（ｔ_ｃ＋Δｔ）′Ｑ′という逆射影により算出される。そこで射影点ａ（ｔ_ｃ＋Δｔ）の予測射影点ａ（ｔ_ｓ＋Δｔ）を用いて、
ｘ（ｔ_ｃ＋Δｔ）≒ａ（ｔ_ｓ＋Δｔ）′Ｑ′ …（数式２）
となる。ここでＱ′は、基底行列Ｑを転置した行列であり、予測交通状況ベクトルｘ（ｔ_ｃ＋Δｔ）は予測射影点ａ（ｔ_ｓ＋Δｔ）を構成する各要素を係数とした基底ベクトルの行列Ｑの線形合成により求まる所要時間のベクトルとなる。

図１１は、図１０と同様にしてこの演算の具体的な作用を示した道路ネットワークの模式図である。数式１では図１０における線形合成の係数ａ_１（ｔ_ｃ），ａ_２（ｔ_ｃ），…，ａ_Ｐ（ｔ_ｃ）を求めていたのに対して、数式２では、図１１における線形合成の係数ａ_１（ｔ_ｃ＋Δｔ），ａ_２（ｔ_ｃ＋Δｔ），…，ａ_Ｐ（ｔ_ｃ＋Δｔ）の予測値であるａ_１（ｔ_ｓ＋Δｔ），ａ_２（ｔ_ｓ＋Δｔ），…，ａ_Ｐ（ｔ_ｓ＋Δｔ）を係数として基底ベクトル（１４０２，１４０３，１４０４）を線形合成することで、予測交通状況ベクトル（１４０１）を求めている。予測交通状況ベクトルｘ（ｔ_ｃ＋Δｔ）の各要素が、予測対象リンク集合における各リンクの所要時間の予測値である。特徴空間射影部１０３で射影した現在時刻の交通状況ベクトルｘ（ｔ_ｃ）が不明値を含む場合でも、数式２に示したとおり、予測交通状況ベクトルｘ（ｔ_ｃ＋Δｔ）は基底ベクトルの線形合成であることから不明値を含まず、予測対象リンク集合の全リンクの所要時間の予測が可能である。

以上のようにして求めた各リンクにおける所要時間の予測値は、処理装置２により交通情報に変換されて車両などに向けて、通信ネットワーク２０３を介して交通情報センタ２０４から配信される。

本実施例では、所要時間ＤＢ１０１に記録された所要時間テーブルを、曜日や天気などで分類することなく、基底ベクトル生成部１０２の主成分分析の対象としたが、所要時間テーブルを曜日や天気などで分類して主成分分析の対象としてもよい。その場合、生成される基底ベクトルは、曜日，天気に固有のものであり、射影点軌跡生成部１０４の処理も同様にして、曜日や天気による分類を行い、射影点ＤＢ１０５の射影点テーブルを曜日，天気に分けて作成し、予測対象日の曜日や天気に合わせて、基底ベクトル並びに射影点テーブルを使い分けて、特徴空間射影部１０３，近傍射影点検索部１０６，射影点軌跡トレース部１０７，逆射影部１０８の処理を行うことで、曜日や天気に固有の交通状況も予測出来るようになる。

この場合、交通情報予測装置１では、図示されていないカレンダーから曜日情報を得て、また外部から各地図メッシュに該当するエリアの気象情報を入手した上で、所要時間ＤＢ１０１，基底ＤＢ１０９，射影点ＤＢ１０５の所要時間テーブル，基底ベクトル，射影点軌跡を曜日，天気毎に分けて管理する。そして、現況の曜日と天気に基づき、これ対応する基底ベクトル，射影点軌跡を用いて所要時間の予測を行う。

次に、前述の実施例１における予測射影点の求め方を変えた実施例の変形を説明する。実施例１では、特徴点軌跡が周期的な軌跡を描くことから、現況の交通状況に対応した特徴点の近傍に有る過去の交通状況データの射影点履歴を射影点ＤＢ１０５より検索して近傍射影点を求め、検索されたこの射影点を起点として射影点軌跡をトレースして、予測射影点を求めていた。これに対して、本実施例２では、単一の近傍射影点を用いるのではなく、複数の近傍射影点を検索して複数の予測射影点を求め、その代表値に基づいて所要時間を予測する点が異なり、他は実施例１と同様である。

具体的には、図１に示す構成図の内、交通情報予測装置１の近傍射影点検索部１０６，射影点軌跡トレース部１０７の代わりに、図８の構成図に示すように近傍射影点検索部８０１では複数の近傍射影点を求め、射影点軌跡トレース部８０２では複数の近傍射影点に対応した射影点軌跡のトレース結果を求める。そして、重心演算部８０３を新たに付加し、複数の射影点軌跡のトレース結果から代表予測射影点を求める構成となっている。

近傍射影点検索部８０１では、近傍射影点検索部１０６の処理フローである図６（ａ）と同様に、図６（ｂ）に示す処理フローにおいて、処理Ｓ６０４として現在時刻の射影点ａ（ｔ_ｃ）との距離ｄ（ｔ_ｉ）の短いほうからＫ個の射影点を近傍射影点ａ（ｔ_ｓ１）〜ａ（ｔ_ｓＫ）として求め、更にこれらの近傍射影点に対応した距離データｄ（ｔ_ｓ１）〜ｄ（ｔ_ｓＫ）を求める。求めた複数の近傍射影点ａ（ｔ_ｓ１）〜ａ（ｔ_ｓＫ）は射影点軌跡トレース部８０２に送られ、距離データｄ（ｔ_ｓ１）〜ｄ（ｔ_ｓＫ）は重心演算部８０３に送られる。

ここで、近傍射影点として選ぶ射影点の個数Ｋは、例えば射影点軌跡を求めるため所要時間テーブルに交通状況ベクトルを蓄積する期間として約１ヶ月を想定し、またデータの時刻インデックスの間隔を５分としたとき、この射影点履歴の内、現在の交通状況に対応した射影点ａ（ｔ_ｃ）に対して、これと良く似た交通状況を表す射影点が一日あたり概ね２〜３個、即ちおよそ１５分間程度現れることを期待し、これの凡そ３０日分として見積もれば、Ｋは１００弱ということになる。

射影点軌跡トレース部８０２では、近傍射影点検索部８０１で検索された各近傍射影点ａ（ｔ_ｓ１）〜ａ（ｔ_ｓＫ）に対して射影点ＤＢ１０５に格納されている射影点軌跡をトレースし、射影点ＤＢ１０５より予測射影点ａ（ｔ_ｓ１＋Δｔ）〜ａ（ｔ_ｓＫ＋Δｔ）を得ることである。これを図７と同様に図示すると、図９のようになる。７０１が射影点ＤＢ１０５に記録された射影点軌跡、７０２が特徴空間射影部１０３で射影された現在時刻の交通状況に対応した射影点、９０３が近傍射影点検索部８０１で検索された複数の近傍射影点である。これらの近傍射影点から時間をΔｔ進めた予測射影点９０４に基づいて、重心演算部８０３によって代表予測射影点９０５を求める。

重心演算部８０３は、射影点軌跡トレース部８０２で得られた予測射影点ａ（ｔ_ｓ１＋Δｔ）〜ａ（ｔ_ｓＫ＋Δｔ）について、その重心を演算し、代表予測射影点ｇ（ｔ_ｓ＋Δｔ）とする。ここで、特徴空間上での現況の交通状況に対応した射影点と距離が近い、即ち現在の交通状況と類似の状態に対応した射影点ほど、その後の変化も類似していると考え、近傍射影点ａ（ｔ_ｓ１）〜ａ（ｔ_ｓＫ）の中でも、現在時刻の射影点ａ（ｔ_ｃ）に近いものほど強く重み付けをして、代表予測射影点９０５を推定する。代表予測射影点９０５を求める重心演算は次式によって行う。

ｇ（ｔ＿ｓ＋Δｔ）＝Σ（１／ｄ（ｔ＿ｓｉ））×ａ（ｔ＿ｓｉ＋Δｔ）
…（数式３）
（ただし、ｉ＝１，２，…，Ｋ）
ａ（ｔ_ｓｉ＋Δｔ），ｄ（ｔ_ｓｉ）をそれぞれ射影点軌跡トレース部８０２と近傍射影点検索部８０１から入力することで、出力として代表予測射影点ｇ（ｔ_ｃ＋Δｔ）が得られる。ここでは、距離ｄ（ｔ_ｓｉ）の反比例で重み付けした項を１次の項としているが、例えば、
ｇ（ｔ_ｓ＋Δｔ）＝Σ（１／ｄ（ｔ_ｓｉ）＾２）×ａ（ｔ_ｓｉ＋Δｔ）
…（数式４）
のように距離ｄ（ｔ_ｓｉ）の反比例で重み付けした項を２次の項とすることで、重み付けの調整が可能である。

複数の近傍射影点から射影点軌跡をトレースして得られた、かかる代表予測射影点ｇ（ｔ_ｃ＋Δｔ）に基づく所要時間の予測値は、実施例１と同様にして、逆射影部１０８により以下の数式５によって算出される。

ｘ（ｔ_ｃ＋Δｔ）≒ｇ（ｔ_ｓ＋Δｔ）′Ｑ′ …（数式５）
前述の例では近傍射影点の個数Ｋとして凡そ１００を挙げたが、代表予測射影点を求める際には、類似の射影点を重視し現況の射影点との距離が大きな射影点は重心演算部８０３において重心ｇ（ｔ_ｓ＋Δｔ）を求める際に寄与する度合いが低くなることから厳密に決める必要はない。このため、現況と良く似た交通状況を表す射影点が一日あたり概ね５，６個、即ちおよそ３０分間程度現れると見積り、Ｋを１５０に設定しても、重心ｇ（ｔ_ｓ＋Δｔ）の予測結果に大きな変化は現れず、Ｋの値に余り依存せず安定した予測結果を得ることが出来る。

以上のように、複数の近傍射影点を検索して複数の予測射影点を求め、その代表値に基づいて所要時間を予測することで、実施例１に比べ、射影するデータの欠損の有無に応じて生じる局所的な射影点軌跡の変動による影響を抑え、より精度の良い予測を行うことが可能となる。

本発明の実施形態に係る交通状況予測装置の構成図である。 本発明の実施形態に係る交通状況予測装置に入力する交通情報の収集経路を示した図である。 所要時間テーブルのデータ構造を示した図である。 射影点テーブルのデータ構造を示した図である。 過去の射影点の時間変化の軌跡を示す図である。 近傍射影点検索部における処理フローである。 現在の射影点の近傍にある過去の射影点の軌跡をトレースして予測射影点を求める例を説明する図である。 本発明の実施形態の変形に係る交通状況予測装置の機能図である。 現在の射影点の近傍にある過去の複数の射影点の軌跡をトレースして予測射影点を求める例を説明する図である。 現況の所要時間データにおける、基底と射影点の関係を説明する図である。 予測射影点と基底により交通情報を予測する例を説明する図である。

符号の説明

１ 交通情報予測装置
２ 処理装置
１０１ 所要時間ＤＢ
１０２ 基底ベクトル生成部
１０３ 特徴空間射影部
１０４ 射影点軌跡生成部
１０５ 射影点ＤＢ
１０６，８０１ 近傍射影点検索部
１０７，８０２ 射影点軌跡トレース部
１０８ 逆射影部
１０９ 基底ＤＢ
８０３ 重心演算部

Claims (6)

1. 過去の複数道路区間の所要時間を対象とした主成分分析によって基底を生成する基底生成部を備えた、交通状況を予測する交通状況予測装置であって、
   前記基底を軸とする特徴空間に現在の複数道路区間の所要時間を射影して現在の射影点を定める特徴空間射影部と、
   過去の前記複数道路区間の所要時間について前記基底により射影した射影点の点列である射影点軌跡より、前記現在の射影点の近傍にある射影点を検索する近傍射影点検索部と、
   現在時刻と予測対象時刻との時間幅の分だけ、前記現在の射影点の近傍にある射影点を起点として前記射影点軌跡を辿った射影点を求める射影点軌跡トレース部と、
   前記射影点軌跡トレース部により求めた射影点を逆射影して前記複数道路区間の所要時間の予測値を算出する逆射影部と、
   を備える交通状況予測装置。
2. 請求項１の交通状況予測装置であって、
   前記過去の複数道路区間の所要時間を射影して前記射影点軌跡を生成する射影点軌跡生成部を備えたことを特徴とする交通状況予測装置。
3. 請求項１の交通状況予測装置であって、
   複数の射影点を対象とした重心演算によって代表射影点を算出する重心演算部を備え、
   前記近傍射影点検索部は、前記現在の射影点の近傍にある複数の射影点を検索して求め、
   前記射影点軌跡トレース部は前記近傍射影点検索部により求めた複数の射影点を起点として前記射影点軌跡を辿った複数の射影点を求め、
   前記重心演算部は、当該複数の射影点から代表射影点を求め、
   前記逆射影部は当該代表射影点を逆射影して前記複数道路区間の所要時間の予測値を算出することを特徴とする交通状況予測装置。
4. 過去の複数道路区間の所要時間を対象として主成分分析によって生成した基底を用い、交通状況を予測する交通状況予測方法であって、
   前記基底を軸とする特徴空間に現在の前記複数道路区間の所要時間を射影して現在の射影点を定め、
   過去の複数道路区間の所要時間に対する射影点の点列である射影点軌跡より、前記現在の射影点の最近傍にある射影点を検索して近傍射影点とし、
   現在時刻と予測対象時刻との時間幅の分だけ、前記近傍射影点を起点として前記射影点軌跡をたどった射影点を求め、
   当該射影点を前記基底により逆射影して前記複数道路区間の所要時間の予測値を算出する交通状況予測方法。
5. 請求項４の交通状況予測方法であって、
   前記過去の複数道路区間の所要時間を前記特徴空間に射影することで、前記射影点軌跡を生成することを特徴とする交通状況予測方法。
6. 交通状況を予測する交通状況予測方法であって、
   過去の複数道路区間の所要時間を対象とした主成分分析によって基底を生成し、
   前記基底を軸とする特徴空間に現在の前記複数道路区間の所要時間を射影して現在の射影点を定め、
   過去の前記複数道路区間の所要時間を前記基底により射影した射影点の点列である射影点軌跡より、前記現在の射影点の近傍にある複数の射影点を検索して近傍射影点とし、
   現在時刻と予測対象時刻との時間幅の分だけ、前記近傍射影点を起点として前記射影点軌跡をたどった複数の射影点を求め、
   当該複数の射影点の重心を代表射影点とし、
   前記代表射影点を前記基底により逆射影して前記複数道路区間の所要時間の予測値を算出する交通状況予測方法。

Images