JP2013235326A - 交通流予測装置、交通流予測方法及び交通流予測プログラム - Google Patents
交通流予測装置、交通流予測方法及び交通流予測プログラム Download PDFInfo
- Publication number
- JP2013235326A JP2013235326A JP2012105935A JP2012105935A JP2013235326A JP 2013235326 A JP2013235326 A JP 2013235326A JP 2012105935 A JP2012105935 A JP 2012105935A JP 2012105935 A JP2012105935 A JP 2012105935A JP 2013235326 A JP2013235326 A JP 2013235326A
- Authority
- JP
- Japan
- Prior art keywords
- traffic flow
- traffic
- traffic volume
- flow simulation
- route selection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
【課題】車両の交通流を迅速にかつ高い精度で予測することができる交通流予測装置を提供する。
【解決手段】感知器が検出した車両の観測情報から交通量を推定する交通流予測装置であって、交通流シミュレーションモデルを用いて交通流シミュレーションを行った結果に基づき、観測情報に基づく交通量と交通流シミュレーションによって求めた交通量との差を最小化させるための交通量と経路選択パラメータとを求めるパラメータ調整手段と、パラメータ調整手段によって求めた交通量と経路選択パラメータを入力として交通流シミュレーションを再度実行した結果が所定の終了条件を満たすまでパラメータ調整手段による交通量と経路選択パラメータを求める処理と交通流シミュレーションの実行を繰り返す結果判定手段とを備えた。
【選択図】図1
【解決手段】感知器が検出した車両の観測情報から交通量を推定する交通流予測装置であって、交通流シミュレーションモデルを用いて交通流シミュレーションを行った結果に基づき、観測情報に基づく交通量と交通流シミュレーションによって求めた交通量との差を最小化させるための交通量と経路選択パラメータとを求めるパラメータ調整手段と、パラメータ調整手段によって求めた交通量と経路選択パラメータを入力として交通流シミュレーションを再度実行した結果が所定の終了条件を満たすまでパラメータ調整手段による交通量と経路選択パラメータを求める処理と交通流シミュレーションの実行を繰り返す結果判定手段とを備えた。
【選択図】図1
Description
本発明は、車両の交通流を予測する交通流予測装置、交通流予測方法及び交通流予測プログラムに関する。
現在から比較的長い将来にわたった交通状況を高い精度で予測することができる交通状況推定装置が知られている(例えば、特許文献1参照)。この交通状況推定装置は、交通状況計算部において、道路ネットワークデータ、道路ネットワーク上の信号データ、及びOD交通量を用いた交通流シミュレーションを行なって、交通量の計算値を計算し、将来予測処理部よって、過去の交通量の観測値と現在の交通量の観測値とに基づいて、将来の交通量の予測値を予測し、OD交通量推定部で計算値が現在の交通量の観測値及び予測値に一致するように交通状況計算部で使用するOD交通量を修正するものである。この交通状況推定装置によれば、交通流シミュレーションを実行することにより、交通状況を示す交通量を予測する際に、交通量の計算値が現在の交通量の観測値及び交通量の予測値に一致するように修正されたOD交通量を用いているので交通量を高い精度で予測することができる。
しかしながら、従来の交通流シミュレーションモデルを使用して実際の交通状態に則した交通流予測を行うためには、試行錯誤を繰り返しながらシミュレーション実行を何度も実行しなければならないため、予測処理に多大な時間を要するという問題がある。
本発明は、このような事情に鑑みてなされたもので、車両の交通流を迅速にかつ高い精度で予測することができる交通流予測装置、交通流予測方法及び交通流予測プログラムを提供することを目的とする。
本発明は、感知器が検出した車両の観測情報から交通量を推定する交通流予測装置であって、交通流シミュレーションモデルを用いて交通流シミュレーションを行った結果に基づき、前記観測情報に基づく交通量と前記交通流シミュレーションによって求めた交通量との差を最小化させるための交通量と経路選択パラメータとを求めるパラメータ調整手段と、前記パラメータ調整手段によって求めた前記交通量と前記経路選択パラメータを入力として前記交通流シミュレーションを再度実行した結果が所定の終了条件を満たすまで前記パラメータ調整手段による前記交通量と前記経路選択パラメータを求める処理と前記交通流シミュレーションの実行を繰り返す結果判定手段とを備えたことを特徴とする。
本発明は、感知器が検出した車両の観測情報から交通量を推定する交通流予測装置が行う交通流予測方法であって、交通流シミュレーションモデルを用いて交通流シミュレーションを行った結果に基づき、前記観測情報に基づく交通量と前記交通流シミュレーションによって求めた交通量との差を最小化させるための交通量と経路選択パラメータとを求めるパラメータ調整ステップと、前記パラメータ調整ステップによって求めた前記交通量と前記経路選択パラメータを入力として前記交通流シミュレーションを再度実行した結果が所定の終了条件を満たすまで前記パラメータ調整手段による前記交通量と前記経路選択パラメータを求める処理と前記交通流シミュレーションの実行を繰り返す結果判定ステップとを有することを特徴とする。
本発明は、感知器が検出した車両の観測情報から交通量を推定する交通流予測装置上のコンピュータに、交通流シミュレーションモデルを用いて交通流シミュレーションを行った結果に基づき、前記観測情報に基づく交通量と前記交通流シミュレーションによって求めた交通量との差を最小化させるための交通量と経路選択パラメータとを求めるパラメータ調整ステップと、前記パラメータ調整ステップによって求めた前記交通量と前記経路選択パラメータを入力として前記交通流シミュレーションを再度実行した結果が所定の終了条件を満たすまで前記パラメータ調整手段による前記交通量と前記経路選択パラメータを求める処理と前記交通流シミュレーションの実行を繰り返す結果判定ステップとを行わせることを特徴とする。
本発明によれば、交通流シミュレーションを必要最小限利用するのみで高精度な交通流予測が可能になるという効果が得られる。
以下、図面を参照して、本発明の一実施形態による交通流予測装置を説明する。図1は同実施形態の構成を示すブロック図である。この図において、符号1は、コンピュータ装置で構成する交通流予測装置である。符号2は、キーボードやポインティングデバイスで構成する入力部である。符号3は、ディスプレイ装置で構成する表示部である。符号4は、交通流を予測するのに必要なデータが記憶されたデータファイルである。
符号11は、データファイル4及び入力部2から交通流を予測するのに必要なデータを入力するデータ入力部である。符号12は、データ入力部11において入力したデータに基づき交通流シミュレーションを実行する交通流シミュレーション実行部である。ここで、実行する交通流シミュレーションは、公知のものを利用可能であり、例えば、特許文献1に記載の交通流シミュレーションや、交通流シミュレーションモデル(SOUND;Simulation on Urban road Network with Dynamic route choice;東京大学生産技術研究所において開発された広域道路ネットワークシミュレーションモデルである)が適用可能である。
符号13は、交通流シミュレーション実行部12における実行結果が所定の条件を満たしたか否かを判定する結果判定部である。符号14は、結果判定部15において、所定の条件を満たさなかった場合、パラメータを調整し、再度シミュレーションを実行させるパラメータ調整部である。
ここで、図3、図4を参照して、本明細書内で用いる用語について説明する。図3は、ネットワークデータの一例を示す説明図である。図3において、破線で示す対象エリア(例えば、東京都)のゾーンAからゾーンBへ移動する際に主な走行経路として、経路1、経路2、経路3があることを示している。ここで、ゾーンとは、任意に決められた区域のことであり、例えば、市町村等の行政区域に相当する。
図4は、ネットワークデータを構成するノードとリンクの一例を示す図である。図4に示すように、ネットワークデータは、ノードとリンクによって構成する。ノード(図4の●印)とは、道路の交差点のことであり、リンク(図4の矢印)とは、端部がノードで車両の進行方向が決められている道路である。ノードとリンクには、それぞれを識別する識別情報と、座標情報とからなる。ネットワークデータは、図3の破線で示す対象エリア内の全てのノードとリンクのデータによって構成するものである。
図1に示す交通流予測装置1は、1日の中の時間帯変動を考慮したOD交通量推定、および経路選択行動パラメータを推定するものである。ここで、交通流予測装置1が時間帯別車種別OD交通量を推定する処理の概要を説明する。基本の交通状態を示すデータとして、ノードとリンクから作られるネットワークデータ、車両が出発地、目的地となるODゾーンデータ、初期値としての時間帯別車種別OD交通量を入力条件とする。Oは出発地ゾーン、Dは目的地ゾーンを示す。
まず、交通流シミュレーションモデルを用いて対象時間帯の交通流シミュレーションを行う。その結果を用いて、あるリンクの各車両の車種、出発地、目的地から、リンクあたりの時間帯別車種別OD選択確率を算出する。そして、リンクあたりの時間帯別車種別OD選択確率に基づいて、交通流シミュレーションモデルから得られたリンク通過交通量と実測値のリンク通過交通量の差が最小化するリンクあたりの時間帯別車種別OD選択確率、及び経路選択行動パラメータ(ロジット感度パラメータ)を求め、時間帯別車種別OD交通量を得る。このとき、探索手法による計算を繰り返し、その解が所定の評価値に到達した場合に1回交通流シミュレーションを行い、解を評価し、交通流シミュレーションから得られたリンク通過交通量と実測値のリンク通過交通量の差を求める。
次に、交通流シミュレーションモデルについて説明する。ここでは、前述のSOUNDを例にして説明する。SOUNDは、以下の特徴を有している。
(1)渋滞現象のダイナミズムを考慮しており、過飽和の交通状況を再現できる。
(2)静・的/動的な経路選択モデルを内包しており、ITS(高度道路交通システム)における情報提供や動的経路誘導などの運用策の評価が可能である。
(3)車種などの各種の属性を付与した個別の車両を扱うので、対象車両を限定した交通運用施策の評価が可能である。
(4)リンク毎に与えた交通量一密度(Q−K)特性を用いて車両移動の計算をするマクロなモデルであり、計算負荷が小さいため、大規模なネットワークに適用可能である。
(1)渋滞現象のダイナミズムを考慮しており、過飽和の交通状況を再現できる。
(2)静・的/動的な経路選択モデルを内包しており、ITS(高度道路交通システム)における情報提供や動的経路誘導などの運用策の評価が可能である。
(3)車種などの各種の属性を付与した個別の車両を扱うので、対象車両を限定した交通運用施策の評価が可能である。
(4)リンク毎に与えた交通量一密度(Q−K)特性を用いて車両移動の計算をするマクロなモデルであり、計算負荷が小さいため、大規模なネットワークに適用可能である。
シミュレーションでは、各種の施策や交通運用策を適用した場合の、リンク交通量や速度、路線別平均旅行時間、総走行距離などの走行効率に関する指標を予測できる。対象とする交通運用策は次の通りである。
(a)道路網整備。
(b)ロードプライシングや需要分散、流入規制などのTDM政策。
(c)右折禁止や一方通行などの進行方向に関する時間帯別交通規制。
(d)信号制御パラメータの変更。
(e)イベントや災害時における一時的な通行止め、あるいは流入制限。
(f)情報提供による経路変更の促進や迂回誘導。
(a)道路網整備。
(b)ロードプライシングや需要分散、流入規制などのTDM政策。
(c)右折禁止や一方通行などの進行方向に関する時間帯別交通規制。
(d)信号制御パラメータの変更。
(e)イベントや災害時における一時的な通行止め、あるいは流入制限。
(f)情報提供による経路変更の促進や迂回誘導。
次に、シミュレーションモデルの入出力について説明する。始めに、シミュレーションエンジンについて説明する。シミュレーションエンジンは、道路ネットワークの接続情報と幾何形状、任意の分間隔で指定した時間帯別OD交通量、信号制御パラメータ等の道路条件と交通需要のもとでの交通状況を再現する。
シミュレーションは一定時間毎に逐次計算を行うピリオデイツクスキャン方式で、任意の集計時間帯毎に、リンクの右左折直進別通過交通量、リンクの右左折直進別平均旅行時間、リンク上の滞留台数、あるいは渋滞長を出力する。指定経路の平均旅行時間や総走行距離、総走行時間などの指標は、これらのリンク毎の指標を用いて算出する。
SOUNDの入力項目は、以下の(1)〜(8)に示す通りである。
(1)シミュレーション設定
シミュレーションの実行に必要な情報として、シミュレーション対象時間帯、単位スキャン時間、車両発生間隔、結果集計間隔、ネットワークの規模、パケットサイズ、経路選択行動のための情報更新間隔、乱数シード値を入力する。
(1)シミュレーション設定
シミュレーションの実行に必要な情報として、シミュレーション対象時間帯、単位スキャン時間、車両発生間隔、結果集計間隔、ネットワークの規模、パケットサイズ、経路選択行動のための情報更新間隔、乱数シード値を入力する。
(2)ネットワークデータ
主に広域シミュレーションを目的としたSOUNDでは、デジタル道路地図(DRM)ベースのネットワーク構造に対応できる。必要となる情報は、ノード位置、リンク形状・区間長、ノード・リンク接続情報、車線構成(本線車線/右左折付加車線)、通行禁止リンクペアである。
主に広域シミュレーションを目的としたSOUNDでは、デジタル道路地図(DRM)ベースのネットワーク構造に対応できる。必要となる情報は、ノード位置、リンク形状・区間長、ノード・リンク接続情報、車線構成(本線車線/右左折付加車線)、通行禁止リンクペアである。
(3)リンク交通特性パラメータ
SOUNDでは、リンクに交通特性を与えて、車両密度の管理を逐次的に行う。交通特性を決定するパラメータは、本線容量[pcu/時/車線]、自由流走行速度[km/時]、ジャム密度[pcu/km]、下流端での右左折直進別飽和交通流率[pcu/有効青1時間/車網である。
SOUNDでは、リンクに交通特性を与えて、車両密度の管理を逐次的に行う。交通特性を決定するパラメータは、本線容量[pcu/時/車線]、自由流走行速度[km/時]、ジャム密度[pcu/km]、下流端での右左折直進別飽和交通流率[pcu/有効青1時間/車網である。
(4)セントロイド(ゾーン)情報
シミュレーションでは、交通発生集中点として、ネットワーク端点および街区レベルのゾーン毎にセントロイドを設定するため、道路ネットワークとセントロイドの接続情報として、端点ノートと端点セントロイドの対応、ゾーン内、あるいはゾーン境界のリンクとゾーンセントロイドとの対応を入力する。
シミュレーションでは、交通発生集中点として、ネットワーク端点および街区レベルのゾーン毎にセントロイドを設定するため、道路ネットワークとセントロイドの接続情報として、端点ノートと端点セントロイドの対応、ゾーン内、あるいはゾーン境界のリンクとゾーンセントロイドとの対応を入力する。
(5)OD交通量
SOUNDでは任意の分単位でOD交通量を発生させる。すなわち、一定時間毎の、車種別、経路選択行動別、その他の属性別OD交通量を入力する。
SOUNDでは任意の分単位でOD交通量を発生させる。すなわち、一定時間毎の、車種別、経路選択行動別、その他の属性別OD交通量を入力する。
(6)経路選択層
SOUNDは複数の経路選択行動を指定できる。前述のOD交通量は、それぞれどの経路選択行動をとるかが設定されている。経路選択行動のパラメータとして、確率的経路選択/最小コスト経路選択、一般化コスト式(経路距離、経路旅行時間、右左折ペナルティの線形和)、ロジットの感度パラメータ(確率的経路選択の場合)を入力する。
SOUNDは複数の経路選択行動を指定できる。前述のOD交通量は、それぞれどの経路選択行動をとるかが設定されている。経路選択行動のパラメータとして、確率的経路選択/最小コスト経路選択、一般化コスト式(経路距離、経路旅行時間、右左折ペナルティの線形和)、ロジットの感度パラメータ(確率的経路選択の場合)を入力する。
(7)信号制御パラメータ
SOUNDでは、交差点に信号を設置することができる。入力情報は、信号制御機番号と設置交差点番号の対応、一連の現示ステップ、各ステップのスプリット時間である。
SOUNDでは、交差点に信号を設置することができる。入力情報は、信号制御機番号と設置交差点番号の対応、一連の現示ステップ、各ステップのスプリット時間である。
(8)交通規制データ
シミュレーションで評価する対象となる施策のうち、一時的な通行止め規制および車線規制による流入制御を、シミュレーションヘのイベントとして入力することができる。通行止め規制は、対象リンク、対象車種、および時間帯を入力し、車線規制は、対象リンク、閉鎖車線数(容量値によるコントロール)、および時間帯を入力する。
シミュレーションで評価する対象となる施策のうち、一時的な通行止め規制および車線規制による流入制御を、シミュレーションヘのイベントとして入力することができる。通行止め規制は、対象リンク、対象車種、および時間帯を入力し、車線規制は、対象リンク、閉鎖車線数(容量値によるコントロール)、および時間帯を入力する。
SOUNDの出力項目は以下の(1)、(2)に示す通りである。
(1)シミュレーション計算実行中に出力するもの
シミュレーション計算中の交通状況を確認するため、1スキャン毎のリンク上の車両位置、集計時間毎のリンク上の滞留長、集計時間毎のリンク平均旅行速度を表示部3上のイメージとして表示する。
(1)シミュレーション計算実行中に出力するもの
シミュレーション計算中の交通状況を確認するため、1スキャン毎のリンク上の車両位置、集計時間毎のリンク上の滞留長、集計時間毎のリンク平均旅行速度を表示部3上のイメージとして表示する。
(2)シミュレーション計算終了後に出力するもの
シミュレーション計算終了後は、集計時間毎に、車種別・進行方向別リンク通過交通量、進行方向別リンク平均旅行時間、リンク上の滞留台数、セントロイド上の滞留台数等の指標を出力する。
シミュレーション計算終了後は、集計時間毎に、車種別・進行方向別リンク通過交通量、進行方向別リンク平均旅行時間、リンク上の滞留台数、セントロイド上の滞留台数等の指標を出力する。
平均旅行時間はリンク毎に集計されるため、ある経路や区間の平均旅行時間は、出発時刻からリンク旅行時間をたどることで算出できる。同様に、ある経路や区間、エリアにおける総走行距離・総走行時間などの指標も、リンクの通過交通量とリンク長あるいは平均旅行時間から求めることができる。2次的に求められる指標として、経路/区間平均旅行時間、経路/区間/エリア総走行距離、経路/区間/エリア総走行時間、あるいは総遅れ時間がある。さらに、走行車両の一部をプローブ交通情報として指定することで、プローブ車両が走行したリンクおよびリンク流入時刻の履歴等のサンプル車両走行軌跡を結果として出力することができる。
なお、図1に示す交通流シミュレーション実行部12において実行するシミュレーションモデルは、SOUNDに限るものではなく、前述の出力指標が得られるシミュレーションモデルであればよい。
次に、交通流シミュレーションモデル(SOUND)における経路選択について説明する。各車両は常に目的地までの「経路誘導ネットワーク」を参照している。これは、現在走行中のリンクに対して、次に走行するリンクを選ぶ確率が与えられているものである。この確率は一定時間毎に、適切な経路選択モデルによって更新される。経路選択モデルには、必ず最短コストとなる経路を選択するものと、ロジットモデルにより確率選択するものが用意されている。ロジットモデルの選択確率はDialのアルゴリズムを利用して求める。これはあるODペアについてn本の経路があり(例えば、図3に示す例では3本)、各経路のコストが与えられるとき、その経路の選択確率を求めることができる。各車両パケットはリンクに流入した時点で、経路誘導ネットワークを参照し、次に選択するリンクを得ることで、そのリンク下流端での進行方向を決定することができる。
次に、図2を参照して、図1に示す交通流予測装置1の動作を説明する。図2は、図1に示す交通流予測装置1の動作を示すフローチャートである。まず、データ入力部11は、データファイル4から交通流を予測するのに必要なデータを入力する(ステップS1)。ここで入力するデータは以下の8種類のデータ((1)〜(8)のデータ)である。
(1)感知器情報:各リンクの時間帯別の交通量
(2)ネットワークデータ:ノードデータ、道路データ(道路線形・道路属性データ)、リンクデータ
(3)リンクパラメータ:リンク容量、ジャム密度、自由流速度、飽和交通流率
(4)交通規制情報:信号情報、車線規制情報、リンク規制情報
(5)ゾーンデータ:ゾーンを定義する情報
(6)経路選択パラメータの初期値(θ):経路選択行動モデルの感度パラメータ
(7)評価値E’のための収束判定値(Th1)
(8)評価値Eのための収束判定値(Th2)、施行回数、前回評価値E(t−1)からの改善率=前回ABS(E(t−1)−E/E
(1)感知器情報:各リンクの時間帯別の交通量
(2)ネットワークデータ:ノードデータ、道路データ(道路線形・道路属性データ)、リンクデータ
(3)リンクパラメータ:リンク容量、ジャム密度、自由流速度、飽和交通流率
(4)交通規制情報:信号情報、車線規制情報、リンク規制情報
(5)ゾーンデータ:ゾーンを定義する情報
(6)経路選択パラメータの初期値(θ):経路選択行動モデルの感度パラメータ
(7)評価値E’のための収束判定値(Th1)
(8)評価値Eのための収束判定値(Th2)、施行回数、前回評価値E(t−1)からの改善率=前回ABS(E(t−1)−E/E
次に、交通流シミュレーション実行部12は、データ入力部11において入力した入力データに基づき、交通流シミュレーションの実行する(ステップS2)ことにより、ゾーン間rsの時間帯hにおける発生交通量Qrsh、ゾーン間時間帯交通量Qrshのうち、時刻tにあるリンクkを通った車両の量Qrsh ktを得る。
次に、結果判定部15は、終了条件を満たしたか否かを判定し(ステップS3)、終了条件を満たしていれば処理を終了する。この判定は、(1)式によって得られる評価値E’がデータ入力部11において入力した収束判定値(Th1)以下であるか否かを判定することにより行う。(1)式において、^qkτ(^はqの頭に付く)は感知器情報による時間帯別交通量、qkτはシミュレーションによる時間帯別交通量である。
そして、パラメータ調整部14は、所定の条件を満たすまでOD交通量Qrshと経路選択パラメータθを調整する(ステップS5)。ここでいう所定の条件とは、(2)式が評価値Eのための収束判定値(Th2)を下回る、指定された施行回数に達する、改善率がしきい値を下回る、のいずれかの条件である。
パラメータ調整部14は、(2)式の評価値Eが前述の条件を満たすまで、OD交通量Qrshと経路選択パラメータθを増減させて調整を行う。このとき、Qrshとθとを増減させて最適化を図る手法は、公知の最適化手法を用いることが可能であるので、ここでは詳細な説明を省略する。パラメータ調整部14は、この処理によって求められた最適化されたOD交通量Qrshと経路選択パラメータθを交通流シミュレーション実行部12へ出力する。
これを受けて、交通流シミュレーション実行部12は、パラメータ調整部16から出力されたOD交通量Qrshと経路選択パラメータθの値を入力して交通流シミュレーションを実行する(ステップS2)。そして、再度結果判定部15は、(1)式によって得られる評価値E’が収束判定値(Th1)以下であるか、または所定の施行回数に達したか否かに基づいて終了条件を満たしたか否かを判定する(ステップS3)。そして、結果判定部15は、終了条件を満たしていれば処理を終了し、満たしていなければステップS4、S5の処理を繰り返し行い、ステップS3における終了条件を満たすまで処理を繰り返す。
以上説明したように、本実施形態では、現況の状況にあった交通流シミュレーションを実現するためには、観測量とシミュレーション値との誤差が最小になるようにシミュレーションパラメータ(OD交通量Qrshと経路選択パラメータθ)を求める必要がある。ここでは、リンク通過交通量に着目し、交通流シミュレーションによるリンク交通量と観測交通量の二乗誤差が最小になるようにシミュレーションパラメータを調整するようにした。これにより、従来のOD交通量推定では、評価値を得るために交通流シミュレーションを毎回実行しているため、非常に計算時間が長くなるという問題を解決することができる。また、交通流シミュレーションを利用するタイミングを初期計算時とパラメータ収束計算がある目的を達成した際の再評価値計算時のみに留めたため、必要最小限の利用回数で交通流予測が可能になる。
なお、図1における処理部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て、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、実行することにより交通流予測処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境(あるいは表示環境)を備えたWWWシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ(RAM)のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク(通信網)や電話回線等の通信回線(通信線)のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であってもよい。
車両の交通流を高精度でかつ、高速に予測することが不可欠な用途に適用できる。
1・・・交通流予測装置、2・・・入力部、3・・・表示部、4・・・データファイル、11・・・データ入力部、12・・・交通流シミュレーション実行部、13・・・結果判定部、14・・・パラメータ調整部
Claims (3)
- 感知器が検出した車両の観測情報から交通量を推定する交通流予測装置であって、
交通流シミュレーションモデルを用いて交通流シミュレーションを行った結果に基づき、前記観測情報に基づく交通量と前記交通流シミュレーションによって求めた交通量との差を最小化させるための交通量と経路選択パラメータとを求めるパラメータ調整手段と、
前記パラメータ調整手段によって求めた前記交通量と前記経路選択パラメータを入力として前記交通流シミュレーションを再度実行した結果が所定の終了条件を満たすまで前記パラメータ調整手段による前記交通量と前記経路選択パラメータを求める処理と前記交通流シミュレーションの実行を繰り返す結果判定手段と
を備えたことを特徴とする交通流予測装置。 - 感知器が検出した車両の観測情報から交通量を推定する交通流予測装置が行う交通流予測方法であって、
交通流シミュレーションモデルを用いて交通流シミュレーションを行った結果に基づき、前記観測情報に基づく交通量と前記交通流シミュレーションによって求めた交通量との差を最小化させるための交通量と経路選択パラメータとを求めるパラメータ調整ステップと、
前記パラメータ調整ステップによって求めた前記交通量と前記経路選択パラメータを入力として前記交通流シミュレーションを再度実行した結果が所定の終了条件を満たすまで前記パラメータ調整手段による前記交通量と前記経路選択パラメータを求める処理と前記交通流シミュレーションの実行を繰り返す結果判定ステップと
を有することを特徴とする交通流予測方法。 - 感知器が検出した車両の観測情報から交通量を推定する交通流予測装置上のコンピュータに、
交通流シミュレーションモデルを用いて交通流シミュレーションを行った結果に基づき、前記観測情報に基づく交通量と前記交通流シミュレーションによって求めた交通量との差を最小化させるための交通量と経路選択パラメータとを求めるパラメータ調整ステップと、
前記パラメータ調整ステップによって求めた前記交通量と前記経路選択パラメータを入力として前記交通流シミュレーションを再度実行した結果が所定の終了条件を満たすまで前記パラメータ調整手段による前記交通量と前記経路選択パラメータを求める処理と前記交通流シミュレーションの実行を繰り返す結果判定ステップと
を行わせることを特徴とする交通流予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012105935A JP2013235326A (ja) | 2012-05-07 | 2012-05-07 | 交通流予測装置、交通流予測方法及び交通流予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012105935A JP2013235326A (ja) | 2012-05-07 | 2012-05-07 | 交通流予測装置、交通流予測方法及び交通流予測プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2013235326A true JP2013235326A (ja) | 2013-11-21 |
Family
ID=49761422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012105935A Pending JP2013235326A (ja) | 2012-05-07 | 2012-05-07 | 交通流予測装置、交通流予測方法及び交通流予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2013235326A (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015018377A (ja) * | 2013-07-10 | 2015-01-29 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 推定装置、推定方法、およびプログラム |
JP5697768B1 (ja) * | 2014-01-21 | 2015-04-08 | 株式会社福山コンサルタント | 道路ネットワーク評価方法、道路ネットワーク評価装置、プログラム、並びに情報記録媒体 |
CN104657199A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于微观仿真的高速公路交通事件影响范围的预测方法 |
WO2018173933A1 (ja) * | 2017-03-23 | 2018-09-27 | 日本電気株式会社 | 情報処理装置、走行データ処理方法、車両およびプログラム記録媒体 |
JP2019102066A (ja) * | 2017-12-01 | 2019-06-24 | 日本電信電話株式会社 | 移動経路推定装置、移動経路推定方法、およびプログラム |
JP2019125261A (ja) * | 2018-01-18 | 2019-07-25 | 日本電信電話株式会社 | データ作成装置、パラメータ推定装置、経路別人数推定装置、データ作成方法、パラメータ推定方法、経路別人数推定方法及びプログラム |
JP2022009309A (ja) * | 2018-01-18 | 2022-01-14 | 日本電信電話株式会社 | パラメータ推定装置、経路別人数推定装置、パラメータ推定方法、経路別人数推定方法及びプログラム |
EP4322128A1 (en) * | 2022-08-09 | 2024-02-14 | Toyota Jidosha Kabushiki Kaisha | Traffic prediction system, traffic prediction method, and program |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005182383A (ja) * | 2003-12-18 | 2005-07-07 | Ryuichi Kitamura | Odデータ推定方法 |
-
2012
- 2012-05-07 JP JP2012105935A patent/JP2013235326A/ja active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005182383A (ja) * | 2003-12-18 | 2005-07-07 | Ryuichi Kitamura | Odデータ推定方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015018377A (ja) * | 2013-07-10 | 2015-01-29 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 推定装置、推定方法、およびプログラム |
JP5697768B1 (ja) * | 2014-01-21 | 2015-04-08 | 株式会社福山コンサルタント | 道路ネットワーク評価方法、道路ネットワーク評価装置、プログラム、並びに情報記録媒体 |
CN104657199A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于微观仿真的高速公路交通事件影响范围的预测方法 |
CN104657199B (zh) * | 2015-02-10 | 2017-09-22 | 交通运输部科学研究院 | 基于微观仿真的高速公路交通事件影响范围的预测方法 |
WO2018173933A1 (ja) * | 2017-03-23 | 2018-09-27 | 日本電気株式会社 | 情報処理装置、走行データ処理方法、車両およびプログラム記録媒体 |
JP2019102066A (ja) * | 2017-12-01 | 2019-06-24 | 日本電信電話株式会社 | 移動経路推定装置、移動経路推定方法、およびプログラム |
JP7206784B2 (ja) | 2017-12-01 | 2023-01-18 | 日本電信電話株式会社 | 移動経路推定装置、移動経路推定方法、およびプログラム |
JP2019125261A (ja) * | 2018-01-18 | 2019-07-25 | 日本電信電話株式会社 | データ作成装置、パラメータ推定装置、経路別人数推定装置、データ作成方法、パラメータ推定方法、経路別人数推定方法及びプログラム |
JP2022009309A (ja) * | 2018-01-18 | 2022-01-14 | 日本電信電話株式会社 | パラメータ推定装置、経路別人数推定装置、パラメータ推定方法、経路別人数推定方法及びプログラム |
JP7294383B2 (ja) | 2018-01-18 | 2023-06-20 | 日本電信電話株式会社 | パラメータ推定装置、経路別人数推定装置、パラメータ推定方法、経路別人数推定方法及びプログラム |
EP4322128A1 (en) * | 2022-08-09 | 2024-02-14 | Toyota Jidosha Kabushiki Kaisha | Traffic prediction system, traffic prediction method, and program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A cellular automata traffic flow model combined with a BP neural network based microscopic lane changing decision model | |
JP2013235326A (ja) | 交通流予測装置、交通流予測方法及び交通流予測プログラム | |
Chen et al. | Reliable shortest path problems in stochastic time-dependent networks | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
Ton et al. | Evaluating a data-driven approach for choice set identification using GPS bicycle route choice data from Amsterdam | |
Yuan et al. | Driving with knowledge from the physical world | |
Liu et al. | A microscopic simulation model for pedestrian-pedestrian and pedestrian-vehicle interactions at crosswalks | |
JP5898553B2 (ja) | 交通流予測装置、交通流予測方法及び交通流予測プログラム | |
Lederman et al. | Real-time traffic estimation using data expansion | |
Ben-Akiva et al. | DTA2012 Symposium: combining disaggregate route choice estimation with aggregate calibration of a dynamic traffic assignment model | |
Jang et al. | Cross-section designs for the safety performance of buffer-separated high-occupancy vehicle lanes | |
KR100772511B1 (ko) | 교통 예측을 기반으로 하는 최단 경로 검색 방법 및 그장치 | |
Moshahedi et al. | A network-wide anticipatory control of an urban network using macroscopic fundamental diagram | |
Ban et al. | Sequential modeling framework for optimal sensor placement for multiple intelligent transportation system applications | |
Xu et al. | Empowering a* algorithm with neuralized variational heuristics for fastest route recommendation | |
Lee et al. | Development of reinforcement learning-based traffic predictive route guidance algorithm under uncertain traffic environment | |
Dehkordi et al. | Including network level safety measures in eco-routing | |
JP6813527B2 (ja) | 推定装置、推定方法及びプログラム | |
Ng et al. | Development of Macroscopic Cell‐Based Logistic Lane Change Prediction Model | |
Guastella et al. | Traffic Modeling with SUMO: a Tutorial | |
Cabannes | The impact of information-aware routing on road traffic, from case studies to game-theoretical analysis and simulations | |
JP5382076B2 (ja) | 交通評価装置、コンピュータプログラム及び交通評価方法 | |
Dalfard | A new intelligence algorithm for determination of shortest path for dynamic guidance of vehicles based on service level criterion | |
Pandey | Optimal dynamic pricing for managed lanes with multiple entrances and exits | |
Janmyr et al. | Analysis of vehicle route choice during incidents |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150325 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20151125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151201 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20160405 |