JP2011215979A

JP2011215979A - 旅行時間予測装置

Info

Publication number: JP2011215979A
Application number: JP2010084781A
Authority: JP
Inventors: Katsuya Shibata; 勝也柴田
Original assignee: Hitachi Automotive Systems Ltd
Current assignee: Hitachi Astemo Ltd
Priority date: 2010-04-01
Filing date: 2010-04-01
Publication date: 2011-10-27

Abstract

【課題】解決しようとする課題は、予測交通情報の作成に利用した過去の交通情報の収集期間が予測対象日時と比較して古くなるほど、道路状況の変化を無視できずに、予測交通情報の精度が悪化する点である。
【解決手段】過去の交通情報を統計処理して基底とその合成強度を求めておき、この基底を用いてリアルタイム交通情報を近似し、基底に対して得られた各近似合成強度との予め求めておいた合成強度との差分を各日種因子の持つ予測係数ごとに分配して合成強度を補正し、予測交通情報に反映させる。
【選択図】図１

Description

本発明は、特定区間の交通情報等として提供される旅行時間（所要時間）の予測装置、及びその応用システムに関する。

ＩＴＳ（Intelligent Transport Systems）の分野では、経路誘導などを目的として車両の移動にかかる旅行時間や渋滞状況等の交通情報を推定・予測する技術が知られている。この技術では、路側に設けられた赤外線センサや光ビーコンを介して収集した現況交通情報データや、車両自身をセンサとして収集したプローブ交通情報が利用されている。

特開２００５−４６６８号公報に記載された発明では、過去の交通情報から、基底成分と、基底成分から交通情報を近似する際に各基底成分に係数として係る特徴量とを求め、計算対象期間における１日毎の日種因子（曜日，祝祭日，五十日，連休，月，季節，天気等）の組み合わせ情報と特徴量から、複数の日種因子の関数として特徴量を近似する特徴量推定モデルの係数を求め、将来の或る日の日種の組み合わせ情報について特徴量推定モデルで特徴量推定値を算出し、特徴量推定値を係数として基底成分を合成して予測交通情報を提供する。この方法では、金曜日の夕方や天気のよい休日のような所定の日時の交通情報を、日種因子や時刻に基づいて予測することができる。この手法は、半日から１日以上先といった長期的レンジの予測に適している。

これに対し、直近の交通状況を予測交通情報に反映するため、特開２００５−２０８０３４号公報に記載の発明では、数時間から１日間に関する区間の統計処理した旅行時間データに対して、リアルタイム交通情報との差異に応じた比率を乗じて変形し、数十分から数時間先までを精度良く予測する手法が述べられている。また、特開２００８−１２３４７４号公報に記載の発明では、渋滞時刻の変動を考慮して区間の旅行時間データに対してリアルタイム交通情報との誤差が最小になるよう、予測パターンに一定比率を乗じて平行移動させる手法を提案している。

しかしこれらの予測手法では、短期的レンジあるいは中期的レンジの予測についても、蓄積している過去の交通情報データから作成した交通状況パターンを基にして交通状況の予測を行っている。

特開２００５−４６６８号公報特開２００５−２０８０３４号公報特開２００８−１２３４７４号公報

しかしながら、各道路の旅行時間は現実の事象から影響を受ける。例えば、交通量緩和を目的とした道路の新規開通・統合・廃止といった道路施設の変化や、ガソリン価格の変動に代表される経済状況の変化あるいは高速道路の利用料金の上限固定といった政策の施行による利用者数の変化といった事象のために交通量は増減し、これらの影響は長期間に亘る。特許文献１の手法では、予測交通情報の精度は、作成に利用した過去の交通情報の収集期間が予測対象日時と比較して古くなるほど、これらの事象による累積的な影響を無視できなくなり、予測の精度が低下してゆく恐れがある。

このような予測精度の低下は、交通情報データベースから取得する過去の交通情報の収集期間を直近の収集タイミングから一定期間（例えば１年間）として、予測交通情報データベースを逐次更新することで解決可能である。しかし、一般的に予測交通情報データベースの作成は処理時間を要するため、頻繁な更新は難しい。

上記課題を解決するために本発明による旅行時間予測装置は、特徴量抽出装置により、予め過去の交通情報について主成分分析により各リンクに対する旅行時間の推移パターンを表す基底と合成強度を算出しておき、特徴量抽出装置で算出した合成強度に対する各日種因子の影響度を算出する日種影響度演算装置と、旅行時間を予測する道路リンクに関して外部から提供されたリアルタイム交通情報を予め求めておいた基底により近似したときの合成強度を近似合成強度として算出するリアルタイム交通情報近似装置と、この近似合成強度と予め求めておいた合成強度の差分から補正パラメータを算出する予測係数補正パラメータ演算装置と、合成強度と補正パラメータから、予測対象日時の補正合成強度を算出する予測係数更新装置と、補正合成強度と予め求めておいた基底から予測交通情報を作成する予測交通情報更新装置とを備え、予め算出された基底を用いて道路のリンクにおける旅行時間を予測する。

本発明により、長期間の交通情報を対象にした交通情報の推移パターンである基底とその合成強度について、合成強度と現在の交通情報に基づく合成強度の差分による変動分を反映した補正パラメータを用いることで、任意の日時に対して旅行時間を精度良く予測することができる。

また、データ更新の対象を合成強度とすることで、予測交通情報データベース全体の更新と比べて短い処理時間で、長期変動を予測結果にフィードバックすることができる。

本発明に係る旅行時間予測装置の全体構成図である。本発明に係る旅行時間予測装置における交通情報を予測する処理を説明するフロー図である。日種情報データベース１０３の構成を示す図である。

本発明の実施形態を、図面に基づき説明する。

本発明の旅行時間予測装置は、リアルタイム交通情報を定期的に受信することを前提に構成される。このリアルタイム交通情報として、例えば日本では、交通情報センタから配信される、道路の各リンクに対応した旅行時間の情報が想定される。ここで、交差点または高速道路の入口・出口などによって区分された道路部分を、「道路リンク」または「リンク」と呼ぶ。これは道路交通情報を道路と対応付ける際の道路区間の単位であり、旅行時間を検出する最小単位でもある。

リアルタイム交通情報は、リンク毎に設置されたセンサやモニタ等の車両検知装置により測定された、リンク間の走行に要した時間を測定することにより、或いはプローブカーをデータ収集の対象リンク間で時間測定しながら走行させることにより得られる、配信時刻直前の各リンクにおける旅行時間である。

図１は、本発明に係る旅行時間予測装置の全体構成図である。図１に示すように、旅行時間予測装置はリアルタイム交通情報データベース１０１，過去交通情報データベース１０２，日種情報データベース１０３，特徴量抽出装置１０４，予測交通情報データベース１０５，日種影響度演算装置１０６，日種情報決定装置１０７，リアルタイム交通情報近似装置１０８，予測係数補正パラメータ演算装置１０９，予測係数補正パラメータデータベース１１０，予測係数更新装置１１１，予測交通情報更新装置１１２、及び交通情報送信装置１１３より構成される。

旅行時間予測装置は、記憶装置を備えたコンピュータによって実現され、旅行時間予測装置を構成する各装置の機能は、この記憶装置に記憶された所定のプログラムを実行することによって実現される。なお、記憶装置はＲＡＭ，不揮発性メモリ，ハードディスク等によって構成される。

リアルタイム交通情報データベース１０１には、交通情報センタからリアルタイム交通情報として受信した、全国の主要な道路のリンクに設けられた路上センサデータ（現況交通情報データ）に基づくリンク毎の旅行時間、あるいはプローブカーがアップリンクしてきたプローブデータに基づくリンク毎の旅行時間が格納される。また、過去交通情報データベース１０２にも、交通情報センタからリアルタイム交通情報として受信した前述のリンク毎の旅行時間が格納される。

リアルタイム交通情報データベース１０１と過去交通情報データベース１０２の差異は、格納されたリンク毎の旅行時間情報の更新周期であり、リアルタイム交通情報データベース１０１は、新たにリアルタイム交通情報を受信する毎に更新され、過去交通情報データベース１０２の情報は、例えば１ヶ月あるいは１年間といった長期の間、特徴量抽出の際に使用するために保持される。但し、いずれの交通情報データベースも１回の更新周期分の交通情報だけでなく、２〜数周期分の交通情報を蓄積してもよい。

リアルタイム交通情報データベース１０１と過去交通情報データベース１０２のいずれにも、路上センサで計測した旅行時間に基づくリンクの交通情報を受信した場合には、リンクのＩＤ情報、路上センサからの旅行時間を受信した時刻情報、リンク旅行時間、リンク長とリンク旅行時間から求められる平均通過速度、リンクの平均通過速度から換算した渋滞度、リンクを通過した車両台数等のデータが格納される。また同様に、プローブカーからの旅行時間に基づくリンクの交通情報を受信した場合には、リンクのＩＤ情報，プローブカー固有のＩＤ情報、該当リンクへの流入時刻と流出時刻，リンク旅行時間，渋滞度，平均通過速度等のデータが格納される。

日種情報データベース１０３には、少なくとも過去交通情報データベース１０２に格納された過去の交通情報の収集期間と予測対象期間におけるカレンダーの各日付に対応して日種因子を特定して、図３に示すように、各日がそれぞれの日種因子に該当するか否かを示すフラグが格納される。日種因子としては、曜日，平日／休日，祝祭日，五十日，連休初日，連休中日，連休最終日，季節等を用いても良い。また、天候などを日種因子に加えても良い。

特徴量抽出装置１０４は、過去交通情報データベース１０２に格納された過去の交通情報に関して、処理対象とする地図領域内に存在する各リンクにおける過去の交通情報を対象として主成分分析を行い、道路の各リンクにおいて相関を持って変化する交通情報の成分を該当リンクの基底を求める。ここで地図領域としては、地図を所定の大きさの矩形で区切ったメッシュなどが用いられる。

そして、主成分分析により得られた基底と、日種情報データベース１０３から得た過去交通情報の収集期間における日種因子から、日種因子と基底の関連度である予測係数を求める。

主成分分析における分析対象データの１サンプルは、過去交通情報データベース１０２に格納されている同じ収集タイミングで収集された交通情報である。ここで交通情報としては、各リンクの渋滞度，リンク旅行時間、あるいはそれぞれのリンクにおける平均通過速度を用いる。また収集タイミングとしては、１日を５分間隔など所定の時間間隔で区切るなどして定められるが、同じ収集タイミングのデータとして扱う時間帯の幅は区切った時間間隔よりも広くして、例えば１０分間の間に収集された交通情報を同じ収集タイミングのデータとして扱うなどしても良い。

特徴量抽出のため、主成分分析を行う対象とする交通情報の期間を１年あるいは１ヶ月とし、この期間の内Ｔ回の収集タイミングがあるとしたとき、ある収集タイミングｔにおけるリンクの交通情報はベクトルＺ(ｔ)で表される。そして収集タイミングが５分間隔であり、処理対象期間が１年の場合には、Ｔ＝３６５（日／年）×２４（時／日）×６０（時／分）／５（分）＝１０５１２０回となり、各メッシュ毎に交通情報のベクトルＺ(ｔ)が１０５１２０個存在することになる。このようなデータに対して主成分分析を行い、Ｎ個の基底Ｘ(１)〜Ｘ(Ｎ)を求める。主成分分析によって得られるこれらの基底は、その線形合成によって元データの任意のサンプルを近似する性質を持つ。この線形合成による近似式は、ある収集タイミングｔにおいて、
Ｚ(ｔ)≒Ｘ(１)×ａ(ｔ，１)＋Ｘ(２)×ａ(ｔ，２)＋…＋Ｘ(Ｎ)×ａ(ｔ，Ｎ)
…（式１）
となる。また、基底は任意の個数を求めることができるが、本実施例では、各基底の寄与度について上位Ｎ個の基底を用いるものとする。或いは寄与度の高い順に累積した寄与度が所定値を超えるまでの基底を用いるようにしても良い。

ここでａ(ｔ，ｐ)は、収集タイミングｔにおける基底Ｘ(１)〜Ｘ(Ｎ)の線形合成におけるｐ番目の基底の合成強度である。基底の合成強度ａ(ｔ，ｐ)は、交通情報の収集タイミングｔに関連する日種因子の組み合わせと、各日種因子におけるｐ番目の基底の結合強度（予測係数）を加算した結果で表現される。そこで、収集タイミングｔがＭ種類の日種因子に該当するか否かをそれぞれ１と０で表す二値説明変量Ｃ(ｔ，１)，Ｃ(ｔ，２)，…，Ｃ(ｔ，Ｍ)とし、各日種因子１〜Ｍのｐ番目の基底における予測係数をｂ(１，ｐ)，ｂ(２，ｐ)，…，ｂ(Ｍ，ｐ)とすると、合成強度ａ(ｔ，ｐ)は
ａ(ｔ，ｐ)＝Ｃ(ｔ，１)×ｂ(１，ｐ)＋Ｃ(ｔ，２)×ｂ(２，ｐ)＋…＋Ｃ(ｔ，Ｍ)
×ｂ(Ｍ，ｐ) …（式２）
となる。

各道路の旅行時間に対する現実の事象からの影響は、道路の新規開通・統合・廃止といった道路施設の変更目的や、政策の施行目的により交通量の増減に影響を与える道路間の相関関係は日種要因によって、その影響具合が異なってくる。例えば、通勤渋滞の緩和を目的とした道路施設の変更は平日により影響が現れ、観光／娯楽施設などの新設に伴う交通状況の変化は休日により影響を及ぼすことが予想される。また曜日に依存した道路料金の変更もまた曜日と関連した交通状況への影響を及ぼす。

そこで本実施例では、合成強度を日種因子毎の予測係数の組み合わせで表し、日種因子と基底の関連度である予測係数について日種因子毎に現れる影響を補正することで、合成強度を補正して長期変動を予測結果に反映させる。

特徴量抽出装置１０４では、日種因子と基底の関連度である予測係数の算出において、過去交通情報データベース１０２に格納された過去の交通情報を先に求めた基底を用いて復元することで各基底の合成強度ａ(ｔ，ｐ)を求める。そしてこの合成強度ａ(ｔ，ｐ)と交通情報の収集タイミングｔに関する日種因子１〜Ｍについての説明変量Ｃ(ｔ，１)，Ｃ(ｔ，２)，…，Ｃ(ｔ，Ｍ)から、ｑ番目の日種因子とｐ番目の基底の関連度である予測係数ｂ(ｑ，ｐ)を、回帰分析を用いて算出する。

予測交通情報データベース１０５は、特徴量抽出装置１０４で算出した各リンクの過去Ｔ回の収集タイミングにおける交通情報から求めたＮ個の基底Ｘ(１)，Ｘ(２)，…，Ｘ(Ｎ)と基底の合成強度ａ(１，ｐ)，…，ａ(ｔ，ｐ)、各日種因子のｐ番目の基底における予測係数ｂ(１，ｐ)，ｂ(２，ｐ)，…，ｂ(Ｍ，ｐ)を格納する。

本発明では、このようにして求めた基底と予測係数を用いて、交通情報としての旅行時間を予測する際、予測係数に対する日種因子の影響度と現況交通情報から予測係数を補正する。図２は、本発明の一実施形態における旅行時間予測装置において、この予測係数を補正して交通情報を予測する処理を表したフロー図である。

ステップ２０１では、特徴量抽出装置１０４により算出して予測交通情報データベース１０５に格納しておいた予測係数ｂ(１，ｐ)，…，ｂ(Ｍ，ｐ)を、日種影響度演算装置１０６に読み込む。ステップ２０２で、日種影響度演算装置１０６は、日種情報データベース１０３に格納された日種情報を読み込んだ後、ステップ２０１で読み込んだ予測係数ｂ(１，ｐ)，…，ｂ(Ｍ，ｐ)を用いて、収集タイミングｔにおけるｐ番目の基底の合成強度ａ(ｔ，ｐ)に対する日種因子ｍの影響度Ｅ(ｔ，ｐ，ｍ)を算出する。影響度Ｅ(ｔ，ｐ，ｍ)は、例えば特徴量抽出装置１０４にて算出した収集タイミングｔに対するｐ番目の基底の合成強度ａ(ｔ，ｐ)、収集タイミングｔがＭ種類の日種因子に該当するか否かをそれぞれ１と０で表す二値説明変量Ｃ(ｔ，１)，Ｃ(ｔ，２)，…，Ｃ(ｔ，Ｍ)、及びｐ番目の基底における日種因子１〜Ｍの予測係数ｂ(１，ｐ)，ｂ(２，ｐ)，…，ｂ(Ｍ，ｐ)を用いて
Ｅ(ｔ，ｐ，ｍ)＝ｂ(Ｍ，ｐ)×Ｃ(ｔ，Ｍ)／ａ(ｔ，ｐ) …（式３）
として、結合強度ａ(ｔ，ｐ)に対する日種因子ｍの予測係数ｂ(Ｍ，ｐ)の寄与率として求めることができる。

ステップ２０３では、リアルタイム交通情報データベース１０１に格納したリアルタイム交通情報を、基底を用いて近似した時の、基底の合成強度を得る。そこで、リアルタイム交通情報近似装置１０８で、リアルタイム交通情報データベース１０１に格納したリアルタイム交通情報を、予測交通情報データベース１０５に格納した基底を用いて近似し、各基底に対する合成強度を近似合成強度として算出する。時刻が収集タイミングｔである時のリアルタイム交通情報をＲ(ｔ)、Ｎ個の基底をＸ(１)〜Ｘ(Ｎ)とすれば、ｐ番目の基底の近似合成強度ａ′(ｔ，ｐ)は、リアルタイム交通情報をＲ(ｔ)を基底Ｘ(１)〜Ｘ(Ｎ)による特徴空間に射影することにより、
Ｒ(ｔ)＝Ｘ(１)×ａ′(ｔ，１)＋Ｘ(２)×ａ′(ｔ，２)＋…＋Ｘ(Ｎ)
×ａ′（ｔ，Ｎ） …（式４）
として求めることができる。この式４によって得られた基底の近似合成強度ａ′(ｔ，ｐ)には、交通状況の長期変動による合成強度ａ(ｔ，ｐ)の変化が反映されていると考えられる。

過去から現在への時間経過に伴う交通状況の変化を考慮すると、各リンクにおける旅行時間は、周辺道路のリンクとの接続状況の変化や交通量の増減等の要素から影響を受ける。そのため、時間経過が進むに従って、これらの要素によって旅行時間に与える影響が累積され、予測交通情報とリアルタイム交通情報との乖離が進む。このような交通状況の長期的な変動によるリアルタイム交通情報に対する予測交通情報の誤差を抑える場合、式１で求める基底Ｘ(１)〜Ｘ(Ｎ)を補正する手法と合成強度ａ(ｔ，ｐ)を補正する手法が考えられる。しかしながら、予測交通情報データベース１０５に格納された基底は、対象リンクにおいて過去の交通情報から統計処理を行って得た旅行時間の推移パターンであり、これは交通情報の処理対象期間を変えて予測交通情報データベースを作成しても、大きく変化しないことが経験的に知られている。そのため、本実施例では合成強度ａ(ｔ，ｐ)に関する補正を行う手法を採用し、補正パラメータを算出する。そして補正パラメータによる合成強度ａ(ｔ，ｐ)の補正後の合成強度ａ″(ｔ，ｐ)を、ｐ番目の基底における日種因子ｍの補正後の予測係数ｂ′(Ｍ，ｐ)を用いて求めるものとする。

そこでステップ２０４では、まず、日種情報決定装置１０７により、リアルタイム交通情報Ｒ(ｔ)を送信した計測タイミングｔの日付情報から当該日に関連する日種因子ｍを算出する。日種因子ｍの算出方法は、日種情報データベース１０３にて、過去の交通情報収集期間から日種因子を算出するために用いたアルゴリズムと同様の手法で行うことができる。そして予測係数補正パラメータ演算装置１０９において、日種情報決定装置１０７で得たリアルタイム交通情報Ｒ(ｔ)の日種因子ｍ、ステップ２０２において日種影響度演算装置１０６で算出した各日種因子の影響度Ｅ(ｔ，ｐ，ｍ)、及びステップ２０３においてリアルタイム交通情報近似装置１０８で取得した基底Ｘ(１)〜Ｘ(Ｎ)の近似合成強度ａ′(ｔ，ｐ)を用いて、ある収集タイミングｔのｐ番目の基底に対する合成強度の補正値ｇ(ｔ，ｐ)を算出する。そしてこの補正値ｇ(ｔ，ｐ)は、長期的な交通状況の変動はリンクの旅行時間に少しずつ影響が現れてくるものと考え、突発事象により発生するリンクの旅行時間の急激な変化による影響を取り除くために、近似合成強度と合成強度の残差の絶対値｜ａ′(ｔ，ｐ)−ａ(ｔ，ｐ)｜が、
α×ａ(ｔ，ｐ)≦｜ａ′(ｔ，ｐ)−ａ(ｔ，ｐ)｜≦β×ａ(ｔ，ｐ) …（式５）
を満たすか否かを調べる。ここでα，βはそれぞれ合成強度の変化の閾値を示す。近似合成強度と合成強度の残差の絶対値が式５の条件を満たしている時、ステップ２０５に示すとおり合成強度の補正値ｇ(ｔ，ｐ)をａ′(ｔ，ｐ)−ａ(ｔ，ｐ)とする。さもなければ、ステップ２１０に示すとおり、ｇ(ｔ，ｐ)を０とする。これにより、収集タイミングｔのｐ番目の基底に対する合成強度については、長期的な交通状況の変化により近似合成強度と合成強度の残差の絶対値が合成強度に対して閾値αより小さな割合となり、リアルタイム交通情報と統計データとの乖離が無視できる時、または、突発的に発生した事象による合成強度の変化の割合が閾値βを超えた急峻な変化を起こしている時に、補正量ｇ(ｔ，ｐ)が０となり、収集タイミングｔのｐ番目の基底に対する合成強度は補正されないことになる。

そしてステップ２０６では、予測係数補正パラメータ演算装置１０９にて、ステップ２０５またはステップ２１０で算出した合成強度の補正値ｇ(ｔ，ｐ)を用いて、収集タイミングｔの時刻における日種因子ｍのｐ番目の基底に対する補正パラメータｆ(ｔ，ｐ，ｍ)を算出する。収集タイミングｔにおける日種因子ｍのｐ番目の基底に対する補正パラメータｆ(ｔ，ｐ，ｍ)は、ステップ２０２で得た収集タイミングｔにおけるｐ番目の基底の結合強度に対する日種因子ｍの影響度Ｅ(ｔ，ｐ，ｍ)、及び収集タイミングｔのｐ番目の基底に対する予測係数の補正値ｇ(ｔ，ｐ)を用いて、
ｆ(ｔ，ｐ，ｍ)＝Ｅ(ｔ，ｐ，ｍ)×ｇ(ｔ，ｐ) …（式６）
から求める。

ステップ２０７では、予測係数補正パラメータ演算装置１０９にて算出した、収集タイミングｔの時刻における日種因子ｍのｐ番目の基底に対する補正パラメータｆ(ｔ，ｐ，ｍ)と、日種因子ｍのｐ番目の基底における予測係数ｂ(Ｍ，ｐ)を用いて、式６に示す日種因子ｍのｐ番目の基底における補正後の予測係数ｂ′(Ｍ，ｐ)を算出する。補正後の予測係数ｂ′(Ｍ，ｐ)は、補正前の予測係数ｂ(Ｍ，ｐ)を用いて、
ｂ′(Ｍ，ｐ)＝ｂ(Ｍ，ｐ)＋γ×ｆ(ｔ，ｐ，ｍ) …（式７）
により求められ、補正前の予測係数ｂ(Ｍ，ｐ)に収集タイミングｔにおける日種因子ｍのｐ番目の基底に対する補正パラメータｆ(ｔ，ｐ，ｍ)を加算した値として算出される。ここでγは０から１の間で変化する値であり、予測係数の残差をどの程度ｂ′(Ｍ，ｐ)に反映させるかを示すパラメータである。γ＝１の時は影響度Ｅ(ｔ，ｐ，ｍ)に応じた合成強度の残差を全てｂ′(Ｍ，ｐ)に反映させる状態に相当し、γ＝０の時は合成強度の残差を全く反映させない状態に相当する。こうして算出した補正後の予測係数ｂ′(Ｍ，ｐ)は、予測係数補正パラメータデータベース１１０に格納する。

ステップ２０８で、予測係数更新装置１１１にて、予測対象日時として指定された該当日の日種パラメータを日種情報データベース１０３を参照して求め、該当日における収集タイミングｔがＭ種類の日種因子に該当するか否かをそれぞれ１と０で表す二値説明変量Ｃ(ｔ，１)，Ｃ(ｔ，２)，…，Ｃ(ｔ，Ｍ)と予測係数補正パラメータデータベース１１０に格納した補正後の予測係数ｂ′(Ｍ，ｐ)を用いて、補正後の合成強度ａ″(ｔ，ｐ)を算出する。合成強度ａ(ｔ，ｐ)の補正後の合成強度ａ″(ｔ，ｐ)は、ｐ番目の基底における日種因子ｍの補正後の予測係数ｂ′(Ｍ，ｐ)を用いて、
ａ″(ｔ，ｐ)＝Ｃ(ｔ，１)×ｂ′(１，ｐ)＋Ｃ(ｔ，２)×ｂ′(２，ｐ)＋…
＋Ｃ(ｔ，Ｍ)×ｂ′(Ｍ，ｐ) …（式８）
として算出される。

ステップ２０９では、予測交通情報更新装置１１２にて、予測交通情報データベース１０５に格納された基底Ｘ(１)〜Ｘ(Ｎ)と、予測係数更新装置１１１で算出した補正後の合成強度ａ″(ｔ，ｐ)を用いて、補正後の予測結果Ｚ′(ｔ)を、
Ｚ′(ｔ)≒Ｘ(１)×ａ″(ｔ，１)＋Ｘ(２)×ａ″(ｔ，２)＋…＋Ｘ(Ｎ)
×ａ″（ｔ，ｎ） …（式９）
により算出し、交通情報送信装置１１３を用いて、算出した補正後の予測結果の旅行時間を予測交通情報として送信する。

１０１リアルタイム交通情報データベース
１０２過去交通情報データベース
１０３日種情報データベース
１０４特徴量抽出装置
１０５予測交通情報データベース
１０６日種影響度演算装置
１０７日種情報決定装置
１０８リアルタイム交通情報近似装置
１０９予測係数補正パラメータ演算装置
１１０予測係数補正パラメータデータベース
１１１予測係数更新装置
１１２予測交通情報更新装置
１１３交通情報送信装置

Claims

外部から提供される交通情報に基づき、過去の交通情報について主成分分析により各リンクに対する旅行時間の推移パターンを表す基底と合成強度を算出する特徴量抽出装置を備え、当該基底を用いて道路のリンクにおける旅行時間を予測する旅行時間予測装置において、
前記特徴量抽出装置で算出した前記合成強度に対する各日種因子の影響度を算出する日種影響度演算装置と、
旅行時間を予測する道路リンクに関して外部から提供されたリアルタイム交通情報を前記基底により近似したときの合成強度を近似合成強度として算出するリアルタイム交通情報近似装置と、
リアルタイム交通情報近似装置から得た前記近似合成強度と前記合成強度の差分から補正パラメータを算出する予測係数補正パラメータ演算装置と、
合成強度と前記補正パラメータから、予測対象日時の補正合成強度を算出する予測係数更新装置と、
前記予測係数更新装置で算出した補正合成強度と前記基底から予測交通情報を作成する予測交通情報更新装置と、
を備えることを特徴とする旅行時間予測装置。
請求項１に記載の旅行時間予測装置において、
外部から提供される交通情報に基づき、過去の交通情報について主成分分析により各リンクに対する旅行時間の推移パターンを表す基底と合成強度を算出する特徴量抽出装置を備え、当該基底を用いて道路のリンクにおける旅行時間を予測する旅行時間予測装置において、
日種影響度演算装置は、前記合成強度における各日種因子の予測係数とその影響度を算出し、
前記予測係数補正パラメータ演算装置は、前記近似合成強度と前記合成強度の差分と前記影響度から日種因子毎に前記予測係数毎に前記補正パラメータを算出し、
前記予測係数更新装置は、前記予測係数を前記補正パラメータにより予測対象日時の各予測係数を補正して求めた合成強度を、予測対象日時の前記補正合成強度として算出する
ことを特徴とする旅行時間予測装置。
請求項２に記載の旅行時間予測装置において、前記基底のうち寄与率の高い上位の基底を用いて予測交通情報を作成することを特徴とする旅行時間予測装置。