JP2012198839A - 交通量予測装置、交通量予測方法およびプログラム - Google Patents

Abstract

【課題】 柔軟な予測が可能な交通量予測装置を提供する。
【解決手段】 交通量予測装置１は、交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力部１０と、取得日に対応する日付タイプを時系列データに付与する日付タイプ付与部１２と、実績データ入力部１０より入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリング部１４と、時系列データを日付タイプおよびクラスタに関連付けて記憶する実績ＤＢ１６と、交通量の予測対象日の日付タイプを入力する日付タイプ入力部１８と、実績ＤＢ１６に記憶されたデータを検索して、日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる日付タイプを持つ時系列データの平均の時系列データを生成する予測時系列算出部２０と、平均の時系列データを予測される交通量の時系列データとして出力する出力部２２とを備える。
【選択図】 図１

Description

本発明は、過去の交通量の実績に基づいて交通量を予測する交通量予測装置に関する。

従来から、渋滞の発生場所を予測したり、道路の各リンクの平均旅行時間を予測するサービスが実用化されている。ここで「リンク」とは、道路を構成する単位であり、例えば、交差点と交差点を結ぶ線分によって規定される。

また、１日先などの比較的遠い将来について、交通量を予測するシステムも知られている。特許文献１では、予測対象リンクについて、蓄積された過去の交通情報から、交通情報に含まれる曜日や時刻等の時間属性毎にリンク旅行時間の平均値や最頻値などの統計情報を算出し、予測先時刻の時間属性と合致する時間属性の統計情報を予測先時刻でのリンク旅行時間として出力する。

特開２００５−１７３９９６

上記した特許文献１に記載された予測方法では、時間属性毎に統計情報が処理されるために、ひとつの時間属性に対する統計情報はひとつの値に丸められてしまい、予測内容が硬直化してしまうおそれがあった。すなわち、新しい交通情報が蓄積されても、統計情報に対する寄与が小さいため、新しい交通情報が予測に反映され難かった。

そこで本発明は、上記背景に鑑み、柔軟な予測が可能な交通量予測装置を提供することを目的とする。

本発明の交通量予測装置は、交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力部と、前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与部と、前記実績データ入力部より入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリング部と、前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶する記憶部と、交通量の予測対象日の日付タイプを入力する日付タイプ入力部と、前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出部と、前記平均の時系列データを予測される交通量の時系列データとして出力する出力部とを備える。

このように時系列データを複数のクラスタに分割し、予測対象日の日付タイプを持つ時系列データを最も多く含むクラスタ（最大クラスタ）を求めることにより、予測対象日の日付タイプにおける時系列の中の典型的な時系列データによって交通量を予測することができる。実績データが新たに入力されて、最大クラスタが変わった場合には、新しく最大クラスタを構成することになった時系列データにより交通量を予測することができる。なお、日付タイプとは、例えば、季節（春、夏、秋、冬）、曜日、天候（晴、曇、雨）等である。

本発明の交通量予測装置において、前記クラスタリング部は、前記時系列データを、所定の空間内に初期マッピングした後、前記空間内をランダムに動くエージェントにより、（１）前記エージェントが時系列データがマッピングされた位置に来たときに、所定の確率で時系列データを保持する処理、（２）前記時系列データを保持した前記エージェントが、保持した時系列データと所定の近接度を有する時系列データを、前記エージェントの周りの所定の範囲内において検出した場合に、保持していた時系列データをマッピングする処理、を繰り返し行うことにより前記時系列データを前記空間内に再マッピングし、近接する時系列データどうしを同じクラスタにクラスタリングし、前記記憶部は、前記時系列データをマッピングしたデータを記憶してもよい。

このような手法でクラスタリングを行うことにより、クラスタリング処理が収束しなくても、クラスタの暫定的な状況を得ることができる。交通量予測装置では、全国の道路を構成するリンクの時系列データという大量のデータを取り扱うので、クラスタリング処理が収束するのに長時間を要するが、本発明により、暫定的なクラスタにより交通量を予測することができる。

本発明の交通量予測装置において、前記クラスタリング部は、すでにクラスタリングされた時系列データを有する空間内に新しい時系列データを初期マッピングする場合には、前記空間内に存在する時系列データの重心位置に新しい時系列データを初期マッピングしてもよい。

このように新しい時系列データを、既存の時系列データの重心位置に初期マッピングすることにより、新しい時系列データを速やかにクラスタに分類することができる。

本発明の交通量予測装置は、前記実績データ入力部は、交通量の予測対象日が当日である場合に、予測対象時刻前までの当日の交通量の時系列データを部分時系列データとして入力し、前記算出部は、前記記憶部から前記日付タイプを持つ時系列データをマッピングしたデータを読み出し、前記部分時系列データを、読み出した時系列データの重心位置に初期マッピングした後、前記エージェントにより、前記部分時系列データを再マッピングし、前記部分時系列データが再マッピングされたクラスタに含まれる時系列データの平均の時系列データを算出してもよい。

このように予測対象時刻前の部分時系列データと近接する時系列データを有するクラスタを探し、そのクラスタの予測対象時刻以降の時系列データを用いて交通量を予測するこことにより、その日の交通量の時系列データを考慮して適切な予測を行うことができる。

本発明の交通量予測装置において、前記算出部は、初期マッピングした部分時系列データの周囲に複数のエージェントを配置してもよい。

この構成により、クラスタリングの処理（１）において、部分時系列データが保持されやすくなり、部分時系列データを速やかに再マッピングすることができる。

本発明の交通量予測方法は、交通量予測装置が、交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力ステップと、前記交通量予測装置が、前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与ステップと、前記交通量予測装置が、前記実績データ入力ステップにて入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリングステップと、前記交通量予測装置が、前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶部に記憶するステップと、前記交通量予測装置が、交通量の予測対象日の日付タイプを入力する日付タイプ入力ステップと、前記交通量予測装置が、前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出ステップと、前記交通量予測装置が、前記平均の時系列データを予測される交通量の時系列データとして出力するステップとを備える。

本発明のプログラムは、交通量を予測するためのプログラムであって、コンピュータに、交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力ステップと、前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与ステップと、前記実績データ入力ステップにて入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリングステップと、前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶部に記憶するステップと、交通量の予測対象日の日付タイプを入力する日付タイプ入力ステップと、前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出ステップと、前記平均の時系列データを予測される交通量の時系列データとして出力するステップと、を実行させるプログラム。

この構成により、本発明の交通量予測方法およびプログラムは、本発明の交通量予測装置と同様に、逐次入力される時系列データを適切に反映した交通量予測を行うことができるという効果を有する。また、本発明の交通量予測装置の各種の構成を本発明の交通量予測方法およびプログラムに適用することも可能である。

本発明によれば、逐次入力される時系列データを適切に反映した交通量予測を行うことができるという効果を有する。

実施の形態の交通量予測装置の構成を示す図である。 交通量予測装置のハードウェア構成を示す図である。 交通量の時系列データの例を示す図である。 時系列データの近接度合いの求め方について説明するための図である。 （ａ）〜（ｆ）は、クラスタリング部による処理を説明するための図である。 実績ＤＢに記憶されるデータの例を示す概念図である。 実績ＤＢに記憶される具体的なデータの例を示す図である。 部分時系列データに近接する時系列データを含むクラスタを求める例を示す図である。 交通量予測装置に実績ＤＢを蓄積する動作を示す図である。 新しい時系列データを初期マッピングする例を示す図である。 交通量予測装置が実績ＤＢに記憶された実績データを用いて交通量を予測する動作を示す図である。 交通量予測装置が実績ＤＢに記憶された実績データを用いて交通量を予測する動作を示す図である。

以下、本発明の実施の形態の交通量予測装置について図面を参照して説明する。図１は、本発明の実施の形態の交通量予測装置１の構成を示す図である。図１に示すように、交通量予測装置１は、交通量予測に必要なデータを蓄積する構成として、実績データ入力部１０と、日付タイプ付与部１２と、クラスタリング部１４と、実績データベース（以下、「実績ＤＢ」という）１６とを有している。本実施の形態では、実績データの更新は、１日１回行う。また、交通量予測装置１は、実績ＤＢ１６に記憶されたデータを用いて交通量予測を実行するための構成として、日付タイプ入力部１８と、予測時系列算出部２０と、出力部２２とを有している。

図２は、上記に説明した交通量予測装置１のハードウェア構成を示す図である。交通量予測装置１は、ＣＰＵ３０、ＲＡＭ３２、ＲＯＭ３４、通信インターフェース３８、ハードディスク４０、操作部４２、ディスプレイ４４がデータバス４６によって接続されたコンピュータによって構成される。ＣＰＵ３０が、ＲＯＭ３４に書き込まれたプログラム３６に従って演算処理を実行することにより、交通量予測装置１の機能が実現される。このようなプログラム３６は、本発明の範囲に含まれる。

次に、交通量予測装置１の各構成について詳しく説明する。実績データ入力部１０は、道路の各リンクにおける交通量の時系列データを実績データとして入力する機能を有する。また、実績データ入力部１０は、各リンクにおける１日の交通量の時系列データを入力すると共に、そのデータ取得日を示すデータを入力する。交通量としては、例えば、リンクを通過するのに要するリンク旅行時間、リンクを通過する車両の平均速度、リンク内に存在する車両の台数等を用いることができる。

図３は、交通量の時系列データの一例を示す図である。ここでは、交通量の一例としてリンクを通過する車両の平均速度を用いている。時系列データは、所定時間（例えば、３０分）単位の平均速度を求めて、それらを時系列に並べた構成を有する。

実績データ入力部１０は、交通情報センターから配信される交通情報を受信することによって入力してもよいし、プローブカーによって取得したデータを交通量の実績データとして受信して入力してもよい。

日付タイプ付与部１２は、実績データ入力部１０にて受信した交通量の時系列データに日付タイプを付与する機能を有する。本実施の形態では、日付タイプとしては、曜日と天候（晴または雨）を用いる。日付タイプ付与部１２は、図示しないカレンダー情報を参照して、取得日に対応する曜日を求める。また、天候については、該当する道路リンクがある地方の天候情報を受信することにより取得してもよいし、プローブカーを用いて時系列データを取得する場合には、プローブカーのワイパーの動作ステータスを見ることで天候データを取得してもよい。なお、日付タイプは、上記した曜日、天候に限らず、例えば、季節（春・夏・秋・冬）等を用いることができる。

クラスタリング部１４は、実績データ入力部１０にて入力された時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割する機能を有する。なお、時系列データどうしの「近接度合い」は、例えば、各時刻における交通量の乖離により、規定することができる。

図４は、２つの時系列データＶ１，Ｖ２の近接度合いの求め方について説明するための図である。２つの時系列データＶ１，Ｖ２を３０分毎に取得した２４点の平均速度データＶ１（ｔ），Ｖ２（ｔ）からなるベクトルと見て、その距離（√Σ（Ｖ１（ｔ）−
Ｖ２（ｔ））²）によって近接度合いを定義する。この距離が所定の閾値より小さくなる場合に近接度合いが大きいと判断し、所定の閾値以上の場合に近接度合いが小さいと判断する。

クラスタリング部１４は、時系列データをマッピングした空間内をランダムに移動する「エージェント」を用いて、時系列データを再マッピングすることにより、クラスタリングを行う。時系列データをマッピングした空間を、本明細書では「クラスタリング空間」という。エージェントは、クラスタリング空間内をランダムに移動し、時系列データがマッピングされた位置に来たときに、所定の確率で時系列データを保持する。そして、時系列データを保持したエージェントが、保持した時系列データと所定の近接度を有する時系列データを、エージェントの周りの所定の範囲内において検出した場合には、保持していた時系列データをマッピングする。

図５（ａ）〜図５（ｆ）は、クラスタリング部１４が行うクラスタリング処理について説明するための図である。クラスタリング部１４は、図５（ａ）に示すように、クラスタリング空間内に時系列データＤ１〜Ｄ５をランダムにマッピングする。エージェントＡがクラスタリング空間内を移動し、図５（ｂ）に示すように、時系列データＤ５の位置にくると、エージェントＡは所定の確率で時系列データＤ５を保持する。この例では、時系列データＤ５を保持したとする。なお、図５（ｂ）では、便宜上、エージェントＡを時系列データＤ５に隣接して記載しているが、実際には、エージェントＡが時系列データＤ５に一致したときに、時系列データＤ５の位置に来たと判断する。

時系列データＤ５を保持したエージェントＡは、クラスタリング空間内を移動する。本例では、時系列データＤ１と時系列データＤ５とは、所定の閾値より近接度が大きいとする。エージェントＡは、所定の範囲内に時系列データＤ１を見つけると、図５（ｃ）に示すように、時系列データＤ５をその位置にマッピングする。

続いて、エージェントＡはクラスタリング空間内を移動し、図５（ｄ）に示すように、時系列データＤ２の位置にくると、エージェントＡは所定の確率で時系列データＤ２を保持する。この例では、時系列データＤ２を保持したとする。

時系列データＤ２を保持したエージェントＡは、クラスタリング空間内を移動する。本例では、時系列データＤ１と時系列データＤ２とは、所定の閾値より近接度が大きいとする。エージェントＡは、所定の範囲内に時系列データＤ１を見つけると、図５（ｅ）に示すように、時系列データＤ２をその位置にマッピングする。

以上の動作により、時系列データＤ１、Ｄ２、Ｄ５は、互いの近傍にマッピングされる。近接するデータどうしを同じクラスタに分割することにより、図５（ｆ）に示すように、時系列データＤ１、Ｄ２、Ｄ５が同じクラスタに含まれるようにクラスタリングすることができる。

さらに、エージェントＡを用いてクラスタリングを続けることにより、時系列データＤ３、Ｄ４等も再マッピングすることができるが、上記に見たとおり、本手法によれば、クラスタリング処理の途中であっても暫定的なクラスタリング結果を得ることができる。このようなクラスタリング手法は、「アントクラスタリング」とも呼ばれる。

クラスタリング部１４は、上記したクラスタリングをリンク毎、日付タイプ毎に行なってもよいし、異なるリンク、日付タイプの時系列データを混在させた状態で行なってもよい。異なるリンク、日付タイプの時系列データのクラスタリングを同じクラスタリング空間内で行うと、リンクや日付タイプに関わらず、近接する時系列データが同じクラスタに分割されることになる。例えば、時系列データが近接していれば、東京にあるリンクの時系列データと九州にあるリンクの時系列データとが同じクラスタに分割されることもある。このように異なるリンク、日付タイプの時系列データを同じクラスタリング空間内においてクラスタリングした場合であっても、各時系列データには、リンク及び日付タイプのデータが関連付けられているので、リンク及び日付タイプに対応した時系列データを抽出することが可能である。

なお、上記の説明では、「エージェント」が時系列データを保持して運び、再マッピングをするという説明を行ったが、実際の装置においては、「エージェント」は、（例えば配列等によって）論理的に設定されたクラスタリング空間の中の所定の位置（配列の要素）を指し示す変数によって定義される。エージェントの移動方向、すなわち、当該変数が次に指し示す位置は、現在位置やこれまでに移動してきた履歴に乱数の要素を加えて計算される。そして、変数が指し示す位置に時系列データがマッピングされている場合には、所定の確率で、当該時系列データを記憶したアドレスのポインタを別の変数（以下「第２の変数」という）に代入して保持する。時系列データを保持した状態（第２の変数に値が入った状態）で、現在位置の付近に他の時系列データを発見した場合には、第２の変数に保持した時系列データと発見した時系列データとの近接度合いを比較し、所定の閾値より近接すると判定された場合には、第２の変数に記憶されたポインタを現在位置（配列の要素）に書き込み、第２の変数の値をＮＵＬＬにする。

実績ＤＢ１６は、実績データ入力部１０にて入力された時系列データを記憶する。各時系列データには、日付タイプ付与部１２にて付与された日付タイプのデータと、クラスタリング部１４での処理により分割されたクラスタのデータとが関連付けて記憶される。

図６は、実績ＤＢ１６に記憶されるデータの例を示す概念図である。図６に示すように、時系列データは、リンク毎、日付タイプ毎に分類され、リンク及び日付タイプのデータが付与されている。また、時系列データは、クラスタリング部１４によりクラスタリングされたクラスタリング空間内での位置のデータを有している。

図７は、実績ＤＢ１６に記憶される具体的なデータの例を示す図である。実績ＤＢ１６には、時系列データに、その時系列データを取得したリンク、日付タイプ、および時系列データのマッピング位置、及びクラスタのデータが関連付けられて記憶されている。

日付タイプ入力部１８は、予測対象の日付タイプを入力する機能を有する。日付タイプ入力部１８は、予測対象日の曜日と天候を入力する。なお、日付タイプ入力部１８は、予測対象日の日付の入力を受け付け、カレンダー情報を参照して予測対象日の日付から日付タイプを求めると共に、予測対象日の天気予報データから天候を求めて、入力することとしてもよい。なお、予測対象日が先で、天候の予測がつかない場合には、日付タイプとして曜日のみを用いて交通量予測を行うことも可能である。

予測時系列算出部２０は、入力された日付タイプに応じて、予測される時系列データを算出する機能を有する。具体的には、予測時系列算出部２０は、実績ＤＢ１６に記憶されたデータを検索して、入力された日付タイプと同じ日付タイプを有する時系列データを最も多く含むクラスタ（最大クラスタ）を求め、最大クラスタの中で、入力された日付タイプと同じ日付タイプを持つ時系列データの平均の時系列データを生成する。

また、予測時系列算出部２０は、予測日当日の予測対象時刻までの実績データ（以下、「部分時系列データ」という）が既知の場合には、実績データを用いて予測時系列の算出を行う。例えば、予測対象の時刻が１２：００以降である場合に、予測を行う時点でその日の０：００〜１０：００までの実際の交通量の実績データ（部分時系列データ）が得られている場合に、この部分時系列データと近接する部分時系列データを有する時系列データを用いて、１２：００以降の交通量の予測を行う。

処理の概要について説明すると、部分時系列データと対応する時間帯（例えば、部分時系列データが０：００〜１０：００のものである場合、対応する時間帯は０：００〜１０：００である）において、部分時系列データと近接する時系列データを有するクラスタを求め、そのクラスタに含まれる時系列データの平均を求める。予測時系列算出部２０は、部分時系列データに近接する時系列データを含むクラスタを求める際に、クラスタリング部１４で用いた「エージェント」を用いる。

図８は、部分時系列データに近接する時系列データを含むクラスタを求める例を示す図である。図８に示すように部分時系列データを、クラスタリング空間内にある同じリンク、日付タイプの時系列データの重心位置にマッピングする。続いて、エージェントが、クラスタリング空間内にある時系列データの部分時系列データに対応する部分の時系列データと、部分時系列データとの近接度合いに基づいて、部分時系列データをクラスタリング空間内に再マッピングする。なお、エージェントが部分時系列データを保持する可能性を高めるように、重心位置の周りに複数のエージェントを配置してもよい。これにより、部分時系列データの再マッピングが円滑に行なわれる。

エージェントにより部分時系列データが再マッピングされたら、予測時系列算出部２０は、部分時系列データがどのクラスタに再マッピングされたかを判断する。図８に示す例では、部分時系列データは、クラスタＣ２に再マッピングされている。予測時系列算出部２０は、部分時系列が再マッピングされたクラスタＣ２に含まれる全時系列データの平均を求める。

出力部２２は、予測時系列算出部２０にて算出した時系列データの平均を予測される交通量の時系列データとして出力する。

次に、本実施の形態の交通量予測装置１の動作について説明する。図９は、交通量予測装置１の実績ＤＢ１６に実績データを蓄積する動作を示す図、図１１及び図１２は交通量予測装置１が実績ＤＢ１６に記憶された実績データを用いて交通量を予測する動作を示す図である。図９，図１１，図１２は、特に示していないが、道路の複数のリンクについて実績データを蓄積し、交通量を予測する場合には、リンク毎に、図９，図１１，図１２の動作を実施する。

図９に示すように、交通量予測装置１は、道路の各リンクの交通量の時系列データを実績データとして入力する（Ｓ１０）。実績データは、例えば、一日一回、一日分の交通量の時系列データを入力する。この際、時系列データを取得した年月日のデータも入力する。次に、交通量予測装置１は、実績データに対して日付タイプを付与する（Ｓ１２）。日付タイプの一つである曜日は、カレンダー情報を参照して、年月日に対応する曜日を求める。日付タイプの一つである天候は、天候のデータを配信するサーバから天候のデータを受信することにより求める。

次に、交通量予測装置１は、入力された時系列データのクラスタリングを行う（Ｓ１４〜Ｓ１８）。まず、交通量予測装置１は、時系列データをクラスタリングを行うクラスタリング空間内に初期マッピングする（Ｓ１４）。初めてクラスタリングを行う場合には、時系列データをランダムにマッピングすればよい。すでにクラスタリングが行なわれたクラスタリング空間に追加の時系列データを入れて再度クラスタリングを行う場合には、図１０に示すように、すでに存在する時系列データの重心位置に新しい時系列データを初期マッピングする。これにより、速やかに、クラスタリング処理が進行する。

続いて、交通量予測装置１は、クラスタリング空間内にマッピングされた時系列データをエージェントにより再マッピングする（Ｓ１６）。上述したとおり、エージェントは、クラスタリング空間内をランダムに移動し、時系列データを見つけると所定の確率で保持し、近接する時系列データの付近にマッピングする動作を繰り返し行うことにより、徐々に近接する時系列どうしが近くに配置されるようになる。そして、交通量予測装置１は、クラスタリング空間内に配置された時系列データの位置関係に基づいて、近くにある時系列データどうしを同じクラスタになるようにクラスタリング空間を分割することで、クラスタリングを行う（Ｓ１８）。交通量予測装置１は、時系列データを、日付タイプと、分割されたクラスタ及びマッピング位置のデータに関連付けて、実績ＤＢ１６に記憶する（Ｓ２０）。

図１１は、入力された日付タイプに基づいて交通量を予測する動作を示すフローチャートである。ここでは、日付タイプを入力する例について説明しているが、予測対象日の年月日の入力を受付け、交通量予測装置１が年月日から日付タイプを求めて、日付タイプを入力することとしてもよい。

図１１に示すように、交通量予測装置１は、交通量の予測対象日の日付タイプを入力する（Ｓ３０）。次に、交通量予測装置１は、入力された日付タイプを持つ時系列データの最大クラスタを求める（Ｓ３２）。例えば、図６に示す例において、「月」「晴」という日付タイプを有する時系列データを含む最大クラスタは、クラスタＣ１である。続いて、交通量予測装置１は、最大クラスタに含まれる時系列データの平均を求め（Ｓ３４）、この平均を予測交通量として出力する（Ｓ３６）。

図１２は、入力された日付タイプに加え、予測対象日における予測対象時刻前の部分時系列データを用いて交通量を予測する動作を示すフローチャートである。図１２に示すように、交通量予測装置１は、交通量の予測対象日の日付タイプを入力する（Ｓ４０）。次に、交通量予測装置１の実績データ取得部は、予測対象日における予測対象時刻前の実際の交通量の時系列データ（部分時系列データ）を取得する。例えば、予測対象時刻が１２：００以降の場合に、０：００〜１０：００の部分時系列データを取得する。そして、実績データ取得部は、取得した部分時系列データを、予測時系列算出部２０に入力する（Ｓ４２）。

予測時系列算出部２０は、部分時系列データと近接する時系列データを有する時系列データを含むクラスタを求める（Ｓ４４〜Ｓ４８）。具体的には、まず、予測時系列算出部２０は、入力された部分時系列データを、クラスタリング空間に部分時系列データを初期マッピングする（Ｓ４４）。初期マッピング位置は、同じリンク、日付タイプの時系列データの重心位置である。

次に、予測時系列算出部２０は、部分時系列データをエージェントにより再マッピングする（Ｓ４６）。再マッピングを行なった後、予測時系列算出部２０は、部分時系列データを含むクラスタを特定する（Ｓ４８）。図８に示す例では、部分時系列データは、クラスタＣ２に含まれている。続いて、予測時系列データ算出部は、部分時系列データが含まれるクラスタＣ２内の時系列データの平均を求め（Ｓ５０）、この平均を予測交通量として出力する（Ｓ５２）。以上、本実施の形態の交通量予測装置１の構成および動作について説明した。

本実施の形態の交通量予測装置１は、時系列データを複数のクラスタに分割し、予測対象日の日付タイプを持つ時系列データの最大クラスタを求めることにより、予測対象日の日付タイプにおける時系列の中の典型的な時系列データによって交通量を予測することができる。

同じ日付タイプを持つ時系列データの平均をとるのではなく、最大クラスタの平均を取っているので、実績データが新たに入力されて、最大クラスタが変わった場合には、新しく最大クラスタを構成することになった時系列データにより交通量を予測することができるので、新たに入力された時系列データの傾向を適切に反映できる。

本実施の形態では、アントクラスタリングを用いて時系列データのクラスタリングを行なっているので、クラスタリング処理が収束しなくても、クラスタの暫定的な状況を得ることができる。本実施の形態では、暫定的なクラスタにより交通量を予測することができるので、全国の道路の各リンクの時系列データという大量のデータを取り扱う装置に有効である。

このように予測対象時刻前の部分系列データと近接する時系列データを有するクラスタを探し、そのクラスタの予測対象時刻以降の時系列データを用いて交通量を予測するこことにより、その日の交通量の時系列データを考慮して適切な予測を行うことができる。例えば、図８に示す例では、最大クラスタはクラスタＣ１であるが、当日の部分時系列データを用いることにより、クラスタＣ２に含まれる時系列データに基づいて交通量が予測され、当日の交通量の変化に適合した交通量の予測を行える。

本発明は、逐次入力される時系列データを適切に反映した交通量予測を行うことができるという効果を有し、交通量予測装置等として有用である。

１ 交通量予測装置
１０ 実績データ入力部
１２ 日付タイプ付与部
１４ クラスタリング部
１６ 実績データベース
１８ 日付タイプ入力部
２０ 予測時系列算出部
２２ 出力部
３０ ＣＰＵ
３２ ＲＡＭ
３４ ＲＯＭ
３６ プログラム
３８ 通信インターフェース
４０ ハードディスク
４２ 操作部
４４ ディスプレイ

Claims (7)

1. 交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力部と、
   前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与部と、
   前記実績データ入力部より入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリング部と、
   前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶する記憶部と、
   交通量の予測対象日の日付タイプを入力する日付タイプ入力部と、
   前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出部と、
   前記平均の時系列データを予測される交通量の時系列データとして出力する出力部と、
   を備える交通量予測装置。
2. 前記クラスタリング部は、前記時系列データを、所定の空間内に初期マッピングした後、前記空間内をランダムに動くエージェントにより、
   （１）前記エージェントが時系列データがマッピングされた位置に来たときに、所定の確率で時系列データを保持する処理、
   （２）前記時系列データを保持した前記エージェントが、保持した時系列データと所定の近接度を有する時系列データを、前記エージェントの周りの所定の範囲内において検出した場合に、保持していた時系列データをマッピングする処理、
   を繰り返し行うことにより前記時系列データを前記空間内に再マッピングし、近接する時系列データどうしを同じクラスタにクラスタリングし、
   前記記憶部は、前記時系列データをマッピングしたデータを記憶している請求項１に記載の交通量予測装置。
3. 前記クラスタリング部は、すでにクラスタリングされた時系列データを有する空間内に新しい時系列データを初期マッピングする場合には、前記空間内に存在する時系列データの重心位置に新しい時系列データを初期マッピングする請求項２に記載の交通量予測装置。
4. 前記実績データ入力部は、交通量の予測対象日が当日である場合に、予測対象時刻前までの当日の交通量の時系列データを部分時系列データとして入力し、
   前記算出部は、前記記憶部から前記日付タイプを持つ時系列データをマッピングしたデータを読み出し、前記部分時系列データを、読み出した時系列データの重心位置に初期マッピングした後、前記エージェントにより、前記部分時系列データを再マッピングし、前記部分時系列データが再マッピングされたクラスタに含まれる時系列データの平均の時系列データを算出する請求項２または３に記載の交通量予測装置。
5. 前記算出部は、初期マッピングした部分時系列データの周囲に複数のエージェントを配置する請求項４に記載の交通量予測装置。
6. 交通量予測装置が、交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力ステップと、
   前記交通量予測装置が、前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与ステップと、
   前記交通量予測装置が、前記実績データ入力ステップにて入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリングステップと、
   前記交通量予測装置が、前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶部に記憶するステップと、
   前記交通量予測装置が、交通量の予測対象日の日付タイプを入力する日付タイプ入力ステップと、
   前記交通量予測装置が、前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出ステップと、
   前記交通量予測装置が、前記平均の時系列データを予測される交通量の時系列データとして出力するステップと、
   を備える交通量予測方法。
7. 交通量を予測するためのプログラムであって、コンピュータに、
   交通量の時系列データとその時系列データの取得日を示すデータとを入力する実績データ入力ステップと、
   前記取得日に対応する日付タイプを前記時系列データに付与する日付タイプ付与ステップと、
   前記実績データ入力ステップにて入力された複数の時系列データを、時系列データどうしの近接度合いに基づいて複数のクラスタに分割するクラスタリングステップと、
   前記時系列データを前記日付タイプおよび前記クラスタに関連付けて記憶部に記憶するステップと、
   交通量の予測対象日の日付タイプを入力する日付タイプ入力ステップと、
   前記記憶部に記憶されたデータを検索して、前記日付タイプを持つ時系列データを最も多く含むクラスタを求め、当該クラスタに含まれる前記日付タイプを持つ時系列データの平均の時系列データを生成する算出ステップと、
   前記平均の時系列データを予測される交通量の時系列データとして出力するステップと、
   を実行させるプログラム。

Images