JP2014035639A - 交通事故発生予報装置、方法およびプログラム - Google Patents

Abstract

【課題】予報により道路交通における事故の発生を低減させることができる交通事故発生予報装置を提供する。
【解決手段】実施形態の交通事故発生予報装置は、過去の交通データを用い所定の学習アルゴリズムで事故発生パターンを学習する事故発生パターン学習手段を備える。また、現在時刻の交通データ実測値または現在時刻以降の交通データ予測値と、事故発生パターン学習手段による学習結果とを基に、交通事故発生の傾向を定量的に出力する事故発生予報手段を備える。
【選択図】図１

Description

本発明の実施形態は、交通事故発生予報装置、方法およびプログラムに関する。

高速道路上で発生する追突事故では、渋滞により停止している車両や低速走行している車両への追突事故が高い割合を占めている。このような追突事故により複数台の車両が走行車線をふさいでしまうと、これがもとで、さらなる大渋滞の発生や後続車の追突事故の発生などの二次災害を発生させる可能性がある。このような事故を減らす施策の検討や、万が一事故が発生してしまった際の交通整理及び早急な現場復旧（事故車両の撤去）が重要となる。

例えば、都市高速道路では、交通事故に関して、統計データをベースとしたヒヤリハットマップの情報提供や、事故多発地帯における情報掲示板による注意喚起や、路側に設置されたＣＣＴＶカメラにより監視される道路交通状況に基づき事故時にその情報を管制員に通知することが行われているが、交通事故を減らすことに直接寄与するものではない。

そのため、現在（または過去）の交通データなどから対象とする路線の事故の起こりやすさを予報することにより、予め事故発生に備えてパトロールカーを待機させたりまたは事故の可能性が高い箇所を巡回させたり、情報板を用いて走行車両に対して注意を呼びかけたりすることが可能となる交通事故発生予報装置が望まれている。このような状況の下、ＶＩＣＳ（登録商標）情報や車両感知器からの出力に基づいて速度変動図を作成し、この速度変動図と受信したプローブ情報に基づいて、事故が発生する可能性が高いか否かを予測し、警報メッセージを対象車両の車載器に送る運転支援装置なども提案されてきている。

特開２０１０−３９９９２号公報

しかしながら、リアルタイムの監視結果であるプローブ情報を用いる場合、数分先の事故発生しか予測ができない。そのため、車両ごとに事故発生の警告を出すことしかできず、パトロールカーを待機や巡回させることによる事故発生回避対策などは困難である。一方、事故が発生したあとに得られた情報を統計分析した結果を用いる場合では、事故が発生した後に情報提供するものとなる。

この様な状況において、さらなる道路交通の安全性を高めるには、事故が発生する前に、事故が発生することを予報して注意喚起するなどの手法で、事故自体の発生を低減させるようにすることが有効と考えられる。

本発明が解決しようとする課題は、予報により道路交通における事故の発生を低減させることができる交通事故発生予報装置、方法およびプログラムを提供することである。

実施形態の交通事故発生予報装置は、過去の交通データを用い所定の学習アルゴリズムで事故発生パターンを学習する事故発生パターン学習手段を備える。また、現在時刻の交通データ実測値または現在時刻以降の交通データ予測値と、事故発生パターン学習手段による学習結果とを基に、交通事故発生の傾向を定量的に出力する事故発生予報手段を備える。

本発明によれば、過去の道路交通に係る情報の学習結果を基に現在の道路交通状況を分析し、事故が発生しやすい状況になっている場合に事故予報を行うので、道路交通の安全性を向上させることができる。

図１は、第１の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。 図２は、第２の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。 図３−１は、第３の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。 図３−２は、自己組織化マップの構成例を示す図である。 図３−３は、事故発生傾向を出力するための自己組織化マップの学習フェーズにおける構成図である。 図３−４は、事故発生傾向を出力するための自己組織化マップの出力フェーズにおける構成図である。 図４は、事故発生傾向を出力するための自己組織化マップの学習フェーズにおける処理の流れを説明するフローチャートである。 図５は、事故発生傾向を出力するための自己組織化マップの出力フェーズにおける処理の流れを説明するフローチャートである。 図６は、第４の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。 図７は、第５の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。 図８は、第６の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。 図９は、第７の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。 図１０は、第８の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。 図１１は、各実施形態にかかる交通事故発生予報装置に共通するハードウェア構成を示す図である。

（第１の実施形態）
はじめに、第１の実施形態としての交通事故発生予報装置について図１を用いて説明する。図１は、第１の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。

本実施形態の交通事故発生予報装置は、その主要な機能部として、交通情報管理部１、交通情報ＤＢ２、事故発生パターン学習部３、および事故発生予報部４を備える。

交通情報管理部１は、路側に設置されている交通状況を検出するセンサより、交通情報としての、時々刻々と交通状況を表わす計測結果と、管制情報としての、道路交通管制システムからの、管制員の施策入力や、事故情報、工事情報等の道路交通管制において管理されている情報とを入力とし、それらを交通情報および管制情報として交通情報ＤＢ２に蓄積するとともに管理する。交通情報ＤＢ２は、具体的には、ＨＤＤ等の記憶装置を用いて構成されるデータベースである。なお、交通情報および管制情報を交通データとも称す。

上記センサから得られる交通情報としては、例えば上記センサとして車両感知器が設置されている場合は、この交通情報は路線のある区間を代表する情報としてのデータであり、単位時間あたりの通過交通量積算値（単位時間あたりの走行車両台数；以下、交通量と記す）や、単位時間あたりの平均速度、占有率、大型車混入率などがあげられる。また、管制情報としては、事故発生時の発生フラグや、発生時刻、事故のタイプなどがあげられる。この管制情報は管制員がマンマシンインターフェースを用いて手入力したものでもよい。交通情報管理部１は、このような、交通状況を表す計測値（交通情報）と、交通管制システムが有する情報（管制情報）を入手して、交通情報ＤＢ２に蓄積し、必要に応じて、データを必要とする各部に対して必要データを交通情報ＤＢ２より抽出し、出力する機能をもつ。

事故発生パターン学習部３は、交通情報管理部１から過去の交通情報および管制情報を入手し、事故発生時の交通情報をパターンとして学習する。学習の方法としては、交通情報管理部１より入手した管制情報のなかの事故発生時情報（事故発生地点、事故発生時刻、事故タイプ）を基本に、これに対応する時間帯、路線位置（車線）の交通情報（例えば交通量、平均速度、占有率、大型車混入率等）を入手し、これらの対応を事故発生時のパターンとして学習する。学習の最も簡単な方法は、これらの組合せを保持、蓄積する方法や、これらの組合せを統計処理でクラスタリングし、類似したケースのデータを作成する方法があるが、ニューラルネットワークを利用した方法も考えられる。ニューラルネットワークを利用した方法に関しては第３の実施形態にて説明する。

事故発生予報部４は、交通情報管理部１にて入手した、予報演算時点の交通情報を、事故発生パターン学習部３にて学習された事故発生時の交通状況のパターンと比較し、類似度が高い場合に、事故となる確率が高いという予報演算結果を出力する。例えば予報演算時点の交通情報と、事故発生パターン学習部３にて学習された事故発生時のパターンのいずれかとの相関が例えば０．８以上である場合、事故発生度８０％と演算するなど、学習された事故発生時のパターンのいずれかとの相関を事故発生可能性（事故発生傾向）ととらえ、これを予報演算結果として演算する。

以上のようにして、上記相関で示される事故発生可能性を事故発生傾向として算出する。本実施形態の交通事故発生予報装置では、算出した事故発生傾向を基に、事故発生に備えてパトロールカーを待機させたりまたは事故の可能性が高い箇所を巡回させたり、情報板を用いて走行車両に対して注意を呼びかけたりすることが可能となる。

（第２の実施形態）
次に、第２の実施形態としての交通事故発生予報装置について図２を用いて説明する。図２は、第２の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。

本実施形態は、上記第１の実施形態の構成に、疎密波情報作成部５を追加した構成となっている。そのため、ここでは疎密波情報作成部５を中心に説明する。

疎密波情報作成部５は、交通情報管理部１より交通情報（例えば交通量、平均速度、占有率、大型車混入率など）を入手し、これらの情報から、渋滞時の道路交通状況として、道路上の疎密状況に関する情報（疎密波情報）を作成する部である。一般に渋滞時においては、車両密度が疎となる部分と密となる部分が交互に現われていると言われている。このように疎密が交互に現れている場合、その渋滞箇所を走行する車両は、加速および減速を繰り返しており、通常走行に比べると事故が発生しやすい状況にあると言える。よって、この渋滞時の疎密状況に関する情報を事故発生パターン学習部３と、事故発生予報部４においてさらに考慮し、予報演算に用いることで、より精度が高い事故発生の予報が可能と考えられる。

上記疎密状況に関する情報として疎密波情報を作成するには、例えば、車両感知器から得られる交通量、平均速度を用いて、密度＝交通量／平均速度の関係式から密度情報を演算し、それにより疎密波情報を取得する方法がある。また、平均速度を時系列的、空間的に観察することにより、疎密状況に関連する情報を、過去から現在にわたり場所毎に取得することも可能である。この様にして得られた疎密波情報を、事故発生パターン学習部３に入力し、事故発生時のパターンとして、事故発生時の管制情報と、交通情報と、疎密波情報とを組でパターンとして学習することで、事故発生時のパターンをさらに特徴づけることが可能となる。従って、この事故発生時のパターンを用いて事故発生予報部４にて事故発生の可能性を予測することで、より精度が高い事故発生予報が可能となる。その他については、前述の第１の実施形態と同様である。

（第３の実施形態）
次に、第３の実施形態としての交通事故発生予報装置について、図３−１〜図３−４を用いて説明する。はじめに、本実施形態の交通事故発生予報装置の構成について説明する。図３−１は、第３の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。

本実施形態の交通事故発生予報装置の基本的な構成は、第１の実施形態と同様であるが、事故発生パターン学習部３’において、自己組織化マップを利用しているところが特徴的である。自己組織化マップはニューラルネットワークの一種であり、学習フェーズと出力フェーズに処理が分けられる。学習フェーズでは対象データの相関関係などの特徴を学習する。また、出力フェーズでは学習した結果をもとにして入力ベクトルに対する特徴を出力する。また、自己組織化マップは、高次元の入力データを、教師信号などの予備知識なしにクラスタリングできるため、プロセス解析、制御、検索システム、さらには経営のための情報分析など、実社会において重要な分野への応用もされているものである。

自己組織化マップの構成は、図３−２のようになる。この図に示す自己組織化マップは、入力ベクトルｘ＝（ｘ₁，・・・，ｘ_i，・・・，ｘ_n）、入力層、および競合層、ならびに重みベクトルｗ_ｊ＝（ｗ_j1，・・・，ｗ_ji，・・・，ｗ_jn）から構成されており、また入力層の各ユニットと競合層の各ユニットは重みベクトルｗ_ｊを介して全結合されている。

また、事故発生傾向を出力するための自己組織化マップの学習フェーズにおける構成図は、図３−３のようになり、同自己組織化マップの出力フェーズにおける構成図は、図３−４のようになる。これらの図に示すように、自己組織化マップの競合層と同じユニット数で構成された事故発生度分布を作成する。そして、自己組織化マップの学習により競合層を更新する際に事故発生度分布の更新も行うようにする。

この事故発生傾向を出力するための自己組織化マップは、学習フェーズでは下記のＳＴＥＰ１１を実施後に、すべての入力ベクトルに対し、ＳＴＥＰ１２からＳＴＥＰ１５の処理を繰り返し、さらに後述の学習係数αを更新して（Ｓ１６）、ＳＴＥＰ１２からＳＴＥＰ１５の処理を所定回数繰り返し実施する。これにより高次元の入力データから相関関係を学習することで低次元化し、競合層ユニットの出力として学習後の事故発生傾向を表すことが可能となる。つまり、出力フェーズにおいてＳＴＥＰ２１〜２３を実施することで、学習後の事故発生傾向を出力するための自己組織化マップを用いて、入力ベクトルに対する事故発生度を出力することができる。

ここで、事故発生の傾向を学習するために、入力ベクトルに例えば過去の事故発生時における交通量、速度、車両密度を与える。また、一般的な渋滞時の追突事故を分析すると、交通状況が変化したとき事故発生の傾向も変化すると考えられるため、事故発生時だけでなく事故発生時よりも前（交通状況が変化した際）の交通量、速度、車両密度も含めて学習を行うようにする。なお、事故発生度を事故の起こりやすさに関する指標とし、事故発生傾向を学習する際は、事故発生時の事故発生度を例えば１や１００などのような値に設定し、事故発生時よりも前の事故発生度はそれよりも低い値で設定するものとする。そして、出力フェーズでは、この事故の起こりやすさを表す事故発生度を出力する。以下に、学習フェーズにおける処理の流れについて、図４のフローチャートを用いて説明する。

＜学習フェーズ＞
ＳＴＥＰ１１：各競合層ユニットに対する重みベクトルｗの初期化を行う（このとき各重みベクトルｗはランダマイズされる）。

ＳＴＥＰ１２：事故発生時および事故発生前（交通状況が変化した際）の例えば交通量、速度、車両密度（ここではオキュパンシと記す）などで構成する入力ベクトル集合の中から１つの入力ベクトルｘを選択し、入力層に入力する。このとき、入力ベクトルの各成分は、対応する入力層ユニットに割り当てられる。なお、各入力層ユニットには番号ｉ（ｉ＝１〜ｎ）が割り振られている。

ＳＴＥＰ１３：下式（１）により入力ベクトルとのユークリッド距離が最小となる重みベクトルを持つ競合層ユニットを決定してそれを勝者ユニットとする。また、競合層上で勝者ユニットの近傍に位置するユニット（例えば勝者ユニットの隣のユニット）を近傍ユニットとする。なお、各競合層ユニットには番号ｊ（ｊ＝１〜Ｎ；ただし、Ｎ：競合層ユニットの数）が割り振られている。

ただし、
ｃ：勝者ユニット番号
ｎ：入力層ユニットの数
ｉ：入力層ユニットの番号（１〜ｎ）
ｊ：競合層ユニットの番号（１〜Ｎ）
ｘ_i：入力ベクトルｘの成分（ｉ＝１〜ｎ）
ｗ_ji：競合層ユニットｊに対する重みベクトルｗ_ｊの成分（ｊ＝１〜Ｎ、ｉ＝１〜ｎ）

なお、式（１）における演算子（下記）は、パラメータｊを含む被演算子（ここでは式中のユークリッド距離）を最小にするｊを求める関数である。コンピュータ処理では、１〜Ｎのすべてのｊについて被演算子の値を求め、その最小値のパラメータｊがこの演算子により求めるものとなる。

ＳＴＥＰ１４：次の式（２）より勝者ユニットおよび近傍ユニットの重みベクトルｗ_ｊを更新する。その際、事故発生度分布において競合層の勝者ユニットおよび近傍ユニットと同じ位置にあるユニットについても、それらのユニットがもつ事故発生度を同様に更新する（例えば、勝者ユニットに対応する事故発生度分布のユニットの事故発生度を、１加算したものとし、その近傍のユニットの事故発生度を、１より小さい値を加算したものとする）。

ただし、
ｔ：学習回数（初期値：０）
α：学習係数（例えば、０＜α≦１）。

ＳＴＥＰ１５：すべての入力ベクトルを入力済みか判断し、すべての入力ベクトルが入力済みでない場合（Ｓ１５でＮｏ）、ＳＴＥＰ１２に戻り、ＳＴＥＰ１２からＳＴＥＰ１４までを繰り返し行う。なお、このとき、すべての入力ベクトルに対する処理が完了するまでは、学習係数αは一定とする。一方、すべての入力ベクトルについて入力済みとなった場合（Ｓ１５でＹｅｓ）、つまり、すべての入力ベクトルに対してＳＴＥＰ１２からＳＴＥＰ１４までの処理が完了すると、次のＳＴＥＰ１６に移行する。

ＳＴＥＰ１６：学習係数αの値を元の値より小さくする。なお、αをどの程度小さくするかは、下記の所定回数に応じて適宜定められる。

ＳＴＥＰ１７：上記ＳＴＥＰ１２〜ＳＴＥＰ１５の一連の処理を所定回数処理済みであるか判断する。ここで所定回数の処理が達成されていない場合（Ｓ１７でＮｏ）、ＳＴＥＰ１２に戻り、より小さいα値の下で、ＳＴＥＰ１２からＳＴＥＰ１５の処理を繰り返す。つまり、ＳＴＥＰ１２からＳＴＥＰ１５の処理を、設定された回数分繰り返す。その間、学習係数αは、学習が進むにつれて小さくなる。一方、上記ＳＴＥＰ１２〜ＳＴＥＰ１５の一連の処理について、所定回数の処理が達成されると（Ｓ１７でＹｅｓ）、学習フェーズを終了する。なお、上記所定回数は、事前に設定されているものとする。

＜出力フェーズ＞
続いて、出力フェーズにおける処理の流れについて図５のフローチャートを用いて説明する。

ＳＴＥＰ２１：事故発生の傾向を確認する時刻（予報演算時）の例えば交通量、速度、車両密度などの交通状況を示すパラメータを入力ベクトルとして、入力層に入力する。

ＳＴＥＰ２２：学習フェーズにおけるＳＴＥＰ１３と同様にして、勝者ユニットを決定する。

ＳＴＥＰ２３：事故発生度分布において、競合層の勝者ユニットと同じ位置にあるユニットが持っている、上記学習に応じて更新済みの事故発生度を、その時刻（予報演算時）における事故発生度として出力する。

本実施形態の交通事故発生予報装置では、上記ＳＴＥＰ２３で出力される事故発生度を基に事故発生予報を行う。例えば、ＳＴＥＰ２３で出力される事故発生度が、所定の閾値以上である場合に、事故発生の可能性を予報する。

なお、上記以外は実施例１または実施例２と同様である。

（第４の実施形態）
次に、第４の実施形態としての交通事故発生予報装置について図６を用いて説明する。図６は、第４の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。

本実施形態は、前述の第１の実施形態の構成に交通流シミュレーション部６を追加し、交通流シミュレーションを行った上で、交通流シミュレーション応用事故発生予報部７において将来の交通状況をも予測し、この結果から交通流シミュレーション応用事故発生予報部７が将来の事故発生予報を行うものである。なお、交通流シミュレーション応用事故発生予報部７は、事故発生予報部４としても機能する。

交通流シミュレーションに関しては、特開２００４−２５８８８９号公報等に掲載されている既存技術が採用可能であり、交通流シミュレーション部６では、過去の交通情報と管制情報とから、予報演算時点より将来の交通状況をシミュレーションし、シミュレーション結果としての交通データを出力する。そのシミュレーション結果を踏まえて、交通流シミュレーション応用事故発生予報部７が将来予報を含む事故発生傾向を出力する。

交通流シミュレーション部６は、交通情報管理部１からの交通情報（例えばある区間単位の交通量、平均速度、占有率、大型車混入率等）と管制情報（事故発生、工事情報、将来の車線制限や速度制限の見込みや、交通需要予測結果等）とを入力とし、予報演算時点より将来の、車線制限や速度制限等の影響を考慮した交通情報（例えば将来の交通量、平均速度、占有率、大型車混入率等）を予測結果（将来の交通状態の予測値）として出力するものである。交通流シミュレーションとしては、車両１台１台のレベルで予測するミクロシミュレーションなどがあるが、交通流シミュレーション部６は、最終的に交通情報管理部１の出力と同様の情報（例えばある区間単位の交通量、平均速度、占有率、大型車混入率等）として出力する。交通流シミュレーション応用事故発生予報部７では、そのパターンと事故発生パターン学習部３での学習結果のパターンとから、将来の事故発生傾向を出力する。本実施形態では、予報演算時点での事故発生予報のみならず、将来発生しうる事故についても事故発生予報を行うことが可能となる。その他については、前述の第１の実施形態と同様である。

ここでは、第１の実施形態の構成に対して交通流シミュレーション部６をさらに採用することで、将来の事故発生予報の演算を行う形を説明したが、第２の実施形態や第３の実施形態の構成に対して交通流シミュレーション部６を採用し、事故発生予報を行うことも可能である。

（第５の実施形態）
次に、第５の実施形態としての交通事故発生予報装置について図７を用いて説明する。図７は、第５の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。

本実施形態は、前述の第４の実施形態の構成において、交通情報管理部１に代えてプローブ情報応用交通情報管理部８を用いたものである。このプローブ情報応用交通情報管理部８は、交通情報管理部１に対し、入力として（特に上流側の）プローブ情報も用いる点が特徴的である。ここで言うプローブ情報とは、車両をプローブとみたて、各車両の時々刻々の車両の位置（ＧＰＳをもとにした緯度経度など）、速度、加速度（加減速情報）などの情報である。一部の車両についてのプローブ情報であっても、このプローブ情報をその入力とすることで、車両感知器のみでは取得できなかった詳細な情報が利用可能となる。

このようなプローブ情報を、事故発生パターン学習部３に入力し、事故発生時のパターンとして、事故発生時の管制情報と、交通情報と、プローブ情報とを組でパターンとして学習することで、事故発生時のパターンをさらに特徴づけることが可能となる。従って、この事故発生時のパターンを用いて事故発生予報部４にて事故発生の可能性を予測することで、より精度が高い事故発生予報が可能となる。その他の点については、第４の実施形態と同様である。

（第６の実施形態）
次に、第６の実施形態としての交通事故発生予報装置について図８を用いて説明する。図８は、第６の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。

本実施形態は、前述の第５の実施形態の構成に、第２の実施形態の疎密波情報作成部５と同様の機能をもつ疎密波情報作成部５’を追加した構成となっている。ただし、疎密波情報作成部５’では、第５の実施形態において説明した交通流シミュレーション部６にて予測演算された将来の交通情報を基に、将来の疎密波情報も作成する。疎密波情報の作成方法は、第２の実施形態における疎密波情報の作成方法と同様である。さらに交通流シミュレーション応用事故発生予報部７では、交通流シミュレーション部６にて予測演算された時点より将来の交通情報と、疎密波情報作成部５’にて演算された時点より将来の疎密波情報を用いて、将来の事故発生予報の演算を行う。その他の点は、前述の第５の実施形態と同様である。

本実施形態では疎密波情報を利用しているため、本実施形態の方が、前述の第５の実施形態よりも予報の精度が高くなる可能性がある（例えば渋滞時において、渋滞の中で加速減速が頻繁に繰り返される場合等は、本実施形態の方が事故発生予報の精度が高くなる）。

（第７の実施形態）
次に、第７の実施形態としての交通事故発生予報装置について図９を用いて説明する。図９は、第７の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。

本実施形態は、前述の第６の実施形態の構成のプローブ情報応用交通情報管理部８において、入力として外部から得られる気象の情報をさらに利用するようにしたものである。交通事故は、天候（例えば風雨や雪等）も影響していると考えられる。よって、プローブ情報応用交通情報管理部８にて気象情報を取り扱うことを可能とし、最終的に事故発生時のパターンの構成に気象情報を加味する。これによって、事故発生予報を行うことで、その精度をさらに向上させることができる。なお、上記以外の点は、前述の第６の実施形態と同様である。

（第８の実施形態）
次に、第８の実施形態としての交通事故発生予報装置について図１０を用いて説明する。図１０は、第８の実施形態の交通事故発生予報装置の機能構成を示すブロック図である。

本実施形態は、前述の第７の実施形態の構成に車線情報分析部１０を追加し、車線毎に交通情報、管制情報およびプローブ情報を分類し、車線毎の交通情報、管制情報およびプローブ情報を事故発生パターンに加味するところが特徴的である。このように情報を細かく分類し、分類した情報を、事故発生パターン学習部３に入力し、事故発生時のパターンとして、事故発生時の車線毎の交通情報と、管制情報と、プローブ情報とを組でパターンとして学習することで、事故発生時のパターンをさらに特徴づけることが可能となる。従って、この事故発生時のパターンを用いて事故発生予報部４にて事故発生の可能性を予測することで、より精度が高い事故発生予報が可能となる。その他の点については、第７の実施形態と同様である。

（その他の実施形態）
その他の実施形態としては、管制情報として、時間帯や、道路のカーブや勾配などの路線の情報を有する場合は、これらの情報も交通情報管理部１で管理し、管制情報の一部として利用し、事故発生時のパターンを構成する情報の一部として取り扱うことで、太陽の方向やサグ部など対象路線特有の影響による交通事故発生リスクの変動も考慮して事故発生の予報を行うことが可能となる。それによって、さらなる事故発生予報の精度の向上が期待できる。その他の点については、前述の諸実施形態と同様である。

以上に説明した諸実施形態の交通事故発生予報装置によれば、事故発生時のパターンを事前に学習し、学習済みの事故発生時のパターンを基に、リアルタイムに現在の道路交通状況を分析し、事故が発生しやすい状況になっている際には事故発生予報を行うことで、道路交通における安全性向上に貢献することができる。

（各実施形態に共通する交通事故発生予報装置のハードウェア構成）
ここで、図１１に、各実施形態にかかる交通事故発生予報装置に共通するハードウェア構成を示す。交通事故発生予報装置は、そのハードウェア構成として、ブートプログラム等の初期プログラムが格納されているＲＯＭ１０２と、ＯＳ（Operating System）や前述の各部の機能を実現する処理手順が記述された処理プログラムや交通情報ＤＢ２等が格納されているＨＤＤ１０３と、ＯＳおよび処理プログラムに従って前述の各部の機能を実現する処理を実行するＣＰＵ１０１と、ＣＰＵ１０１による処理に必要な種々のデータを一時的に記憶するＲＡＭ１０４と、前述の外部機器とデータの入出力を行う入出力Ｉ／Ｆ１０５と、各部を接続するバス１１０とを備えている。

なお、上記処理プログラムは、インストール可能な形式又は実行可能な形式のファイルとして、ＣＤ−ＲＯＭ、フロッピー（登録商標）ディスク（ＦＤ）、ＤＶＤ等のコンピュータ読み取り可能な記録媒体に記録されて提供されてもよいし、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 交通情報管理部
２ 交通情報ＤＢ
３ 事故発生パターン学習部
３’ 事故発生パターン学習部（自己組織化マップ）
４ 事故発生予報部
５、５’ 疎密波情報作成部
６ 交通流シミュレーション部
７ 交通流シミュレーション応用事故発生予報部
８ プローブ情報応用交通情報管理部

Claims (11)

1. 過去の交通データを用い所定の学習アルゴリズムで事故発生パターンを学習する事故発生パターン学習手段と、
   現在時刻の交通データ実測値または現在時刻以降の交通データ予測値と、前記事故発生パターン学習手段による学習結果とを基に、交通事故発生の傾向を定量的に出力する事故発生予報手段と、
   を備える交通事故発生予報装置。
2. 過去の交通データから渋滞時の疎密波情報を作成する疎密波情報作成手段をさらに備え、
   前記事故発生パターン学習手段は、過去の交通データと前記渋滞時の疎密波情報とを用い事故発生パターンを学習し、
   前記事故発生予報手段は、予報演算時点での疎密波情報も考慮して、交通事故発生の傾向を定量的に出力する、
   請求項１に記載の交通事故発生予報装置。
3. 前記所定の学習アルゴリズムとして自己組織化マップを用いる、請求項１または請求項２に記載の交通事故発生予報装置。
4. 前記自己組織化マップは、
   前記交通データが入力ベクトルとして入力される入力層と、
   前記入力ベクトルの各成分に対応したユニットからなる競合層と、
   前記入力層の各ユニットと前記競合層の各ユニットを全結合する重みベクトルと、からなり、
   前記事故発生パターン学習手段は、前記自己組織化マップと、それぞれが事故発生度を有する、前記競合層の各ユニットに対応したユニットからなる事故発生度分布とを用いて、該事故発生パターン学習手段の学習過程において、前記重みベクトルと、前記競合層の勝者ユニットに対応する前記事故発生度分布上のユニットが有する事故発生度とを更新し、
   前記事故発生予報手段は、予報演算時点における前記交通データからなる入力ベクトルに対する前記競合層の勝者ユニットに対応した前記事故発生度分布上のユニットが有する事故発生度を出力する、
   請求項３に記載の交通事故発生予報装置。
5. 交通流シミュレーションを行う交通流シミュレーション部をさらに備え、
   前記事故発生予報手段は、前記交通流シミュレーション部から出力される交通データと前記事故発生パターン学習手段による学習結果とを基に、シミュレーションされた交通状況の下での交通事故発生の傾向を定量的に出力する、請求項１から請求項４のいずれか１項に記載の交通事故発生予報装置。
6. 前記交通データを取得し管理するとともに、走行車両の車両情報をプローブ情報として取得し管理する交通情報管理手段を備え、
   前記事故発生パターン学習手段は、前記プローブ情報を含む交通データ用いて事故発生パターンを学習し、前記事故発生予報手段は、前記プローブ情報も考慮して、交通事故発生の傾向を定量的に出力する、請求項１から請求項５のいずれか１項に記載の交通事故発生予報装置。
7. 前記事故発生パターン学習手段は、気象情報も含めて事故発生パターンを学習し、前記事故発生予報手段は、前記気象情報も考慮して、交通事故発生の傾向を定量的に出力する、請求項１から請求項６のいずれか１項に記載の交通事故発生予報装置。
8. 利用する交通データを車線単位のデータとした請求項１から請求項７のいずれか１項に記載の交通事故発生予報装置。
9. 前記事故発生パターン学習手段は、時間帯および対象路線の勾配も含めて学習を行い、前記事故発生予報手段は、前記時間帯および対象路線の勾配も考慮して、交通事故発生の傾向を定量的に出力する、請求項１から請求項８のいずれか１項に記載の交通事故発生予報装置。
10. 交通事故発生予報装置で実行される方法であって、
    事故発生パターン学習手段が、過去の交通データを用い所定の学習アルゴリズムで事故発生パターンを学習する工程と、
    事故発生予報手段が、現在時刻の交通データ実測値または現在時刻以降の交通データ予測値と、前記事故発生パターン学習手段による学習結果とを基に、交通事故発生の傾向を定量的に出力する工程と
    を含む方法。
11. コンピュータを、
    過去の交通データを用い所定の学習アルゴリズムで事故発生パターンを学習する事故発生パターン学習手段、および、
    現在時刻の交通データ実測値または現在時刻以降の交通データ予測値と、前記事故発生パターン学習手段による学習結果とを基に、交通事故発生の傾向を定量的に出力する事故発生予報手段
    として機能させるためのプログラム。

Images