JP2014191765A

JP2014191765A - 渋滞予測装置

Info

Publication number: JP2014191765A
Application number: JP2013069047A
Authority: JP
Inventors: Osamu Masutani; 修増谷
Original assignee: Denso IT Laboratory Inc
Current assignee: Denso IT Laboratory Inc
Priority date: 2013-03-28
Filing date: 2013-03-28
Publication date: 2014-10-06

Abstract

【課題】マルチエージェント型の確率的探索を利用して、渋滞が発生する経路を予測することのできる渋滞予測装置を提供する。
【解決手段】渋滞予測装置１では、渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させることにより、マルチエージェント型の確率的探索を用いた経路探索を行う。そして、経路探索を行った結果、エージェントが通過することにより経路に発生するフェロモン量を検出し、フェロモン量の変化に基づいて、渋滞が発生する経路を予測する。この場合、フェロモン量が増加したときに、経路に渋滞が発生すると予測する。
【選択図】図１

Description

本発明は、マルチエージェント型の確率的探索を利用して渋滞予測を行う渋滞予測装置に関する。

従来、道路上の将来の渋滞を予測するために種々の手法が提案されている。例えば、時系列予測的な手法を採用して、車両が目的地へ行く過程における道路の渋滞予測を行う装置が提案されている（特許文献１参照）。また、交通シミュレーション的な手法を採用し、車両の通行状況に係る情報から道路の交通状況の予測を行う装置が提案されている（特許文献２参照）。また、動的交通分配の手法を採用して、交通情報が提供されないリンクを含めた全対象地域の交通量を推定し、全対象地域内の旅行時間や交通流速度等を推定する装置も提案されている（特許文献３参照）。

特開２００７−２１９９９０号公報特開２０１１−１９８１３２号公報特開２００１−１７５９８２号公報

しかしながら、従来の時系列ベースの渋滞予測では、他のリンクからの影響が考慮されないという問題があった。また、交通シミュレーション的な手法では、計算量が多くなり、ダイナミックなオンライン予測のために多大なコストがかかるという問題があった。また、動的交通分配では、走行中の車両についてリアルタイムで渋滞予測するのが困難であるという問題があった。そのため、道路上の将来の渋滞を予測するために更なる技術（新しい技術）の開発が望まれていた。

本発明は、上記の課題に鑑みてなされたもので、マルチエージェント型の確率的探索を利用して渋滞予測をすることのできる渋滞予測装置を提供することを目的とする。

本発明の渋滞予測装置は、渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させることにより、マルチエージェント型の確率的探索を用いた経路探索を行う経路探索部と、前記経路探索を行った結果、前記エージェントが通過することにより前記経路に発生するフェロモン量を検出するフェロモン検出部と、前記フェロモン量の変化に基づいて、渋滞が発生する経路を予測する渋滞予測部と、を備えている。

これにより、マルチエージェント型の確率的探索を利用して、渋滞が発生する経路を予測することができる。渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させると、コストの低い経路（旅行時間が小さい経路）ほど、多くのエージェントが通過し、フェロモン量が増加する。したがって、フェロモン量が増加した経路ほど、将来、交通集中が起きる（渋滞が発生する）可能性が高い。このようにして、マルチエージェント型の確率的探索を利用して、渋滞予測をすることができる。

また、本発明の渋滞予測装置では、前記経路探索部は、プローブカーから取得される実際の車両の交通量に応じて、前記経路に通過させるエージェントの数を決定してもよい。

これにより、プローブカーから取得される実際の車両の交通量に応じて、経路に通過させるエージェントの数を決定する。このようにして、実際の交通量を反映した渋滞予測をすることができる。

また、本発明の渋滞予測装置では、前記経路探索部は、前記経路のコストが更新されたときに、前記マルチエージェント型の確率的探索を用いた経路探索を行ってもよい。

経路のコスト（旅行時間）が変化すると、エージェントが通過する経路も変化し、フェロモン量が増加する経路も変化する。この場合、経路のコスト（旅行時間）が更新されたときに、マルチエージェント型の確率的探索を用いた経路探索が行われる。このようにして、経路のコスト（旅行時間）の変化に応じた渋滞予測をすることができる。

また、本発明の渋滞予測装置では、前記渋滞予測部は、前記フェロモン量が増加したときに、前記経路に渋滞が発生すると予測してもよい。

上記のように、渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させると、コストの低い経路（旅行時間が小さい経路）ほど、多くのエージェントが通過し、フェロモン量が増加する。したがって、フェロモン量が増加した経路ほど、将来、交通集中が起きる（渋滞が発生する）可能性が高い。このようにして、マルチエージェント型の確率的探索を利用して、渋滞予測をすることができる。

本発明の渋滞予測方法は、渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させることにより、マルチエージェント型の確率的探索を用いた経路探索を行い、前記経路探索を行った結果、前記エージェントが通過することにより前記経路に発生するフェロモン量を検出し、前記フェロモン量の変化に基づいて、渋滞が発生する経路を予測するものである。

この方法によっても、上記の装置と同様に、マルチエージェント型の確率的探索を利用して、渋滞が発生する経路を予測することができる。渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させると、コストの低い経路（旅行時間が小さい経路）ほど、多くのエージェントが通過し、フェロモン量が増加する。したがって、フェロモン量が増加した経路ほど、将来、交通集中が起きる（渋滞が発生する）可能性が高い。このようにして、マルチエージェント型の確率的探索を利用して、渋滞予測をすることができる。

本発明によれば、マルチエージェント型の確率的探索を利用して、渋滞が発生する経路を予測することができる。

本発明の実施の形態における渋滞予測装置のブロック図道路地図を複数のブロックに分割した例を示す説明図道路地図を構成するブロック内の経路図の一例を示す説明図エージェントの通過によるフェロモン増加の一例をを示す説明図本発明の実施の形態における渋滞予測装置の動作を説明するためのフロー図

以下、本発明の実施の形態の渋滞予測装置について、図面を用いて説明する。本実施の形態では、ナビゲーションシステム等に用いられる渋滞予測装置の場合を例示する。

本発明の実施の形態の渋滞予測装置の構成を、図面を参照して説明する。図１は、本実施の形態の渋滞予測装置を示すブロック図である。図１に示すように、渋滞予測装置１は、交通情報取得部２とコスト更新部３と経路探索部４とフェロモン検出部５と渋滞予測部６を備えている。渋滞予測装置１は、交通情報センター７に接続されており、交通情報取得部２は、交通情報センター７を経由して、プローブカー８から取得される交通量（実際の車両の交通量）などの交通情報を取得する。コスト更新部３は、プローブカー８から取得される交通量などの交通情報に基づいて、各経路のコスト（旅行時間）を更新する。

経路探索部４は、渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させることにより、マルチエージェント型の確率的探索を用いた経路探索を行う。ここで、マルチエージェント型の確率的探索を用いた経路探索について、図２〜４を参照して詳しく説明しておく。

図２には、道路地図を複数のブロックに分割した例が示されている。図２に示すように、道路地図２０は、複数のブロック２１に区分けされる。なお、道路地図２０の分割方法としては、図２に示されているような格子形状に限られることはなく、例えば市区町村ごとに個別のブロックを形成しても良い。

図３は、図２の道路地図を構成する一つのブロック２２を拡大したものである。ブロック２２は、例えば、隣接するブロックとの境界上に設けられたノードＡ〜Ｃ，Ｘ〜Ｚと、ブロック２２内のリンクの端点を示すノードＮ１〜Ｎ１０を有している。なお、図３において、ブロック２２内の矢印は道路（リンク）を示している。

図３において、ノードＡ〜Ｃは、当該ブロックに車両が入る際に通過するノード（転入ノード）であり、ノードＸ〜Ｚは、当該ブロックから別のブロックに車両が出る際に通過するノード（転出ノード）である。図３の例では、ノードＡ〜Ｃ，Ｘ〜Ｚを通過する道路を介して、隣接ブロックと接続されていることが示されている。これら転入ノードは、ブロックを構成する各辺ごとに定められている。すなわち、各ブロックを構成する上下左右の辺ごとに、転入ノード及び転出ノードが設けられている。図３ではブロックの左辺を転入ノードとする例が示されている。なお、ブロックの他辺を転入ノードとする例については、図３の例と同様であるため、説明を省略する。

また、図３の例では、転入ノードＡ〜Ｃ３及び転出ノードＸ〜Ｚが３つずつ設けられているが、転入ノード及び転出ノードの数はこれに限定されることはなく、ブロックをまたぐ道路の数に応じて、転入及び転出ノードを定めることができる。さらに、図３の例では、ブロックの上辺及び下辺に転出ノードが設けられていないが、ブロックの上辺あるいは下辺を通過する道路が存在する場合には、転出ノードが設けられることはもちろんである。

エージェント（図３において「ａ」で図示される）は、ブロック２２内を移動する車両を仮想的に示したものである。エージェントの各々は、複数の転入ノードからランダムに決定された転入ノードを出発点、予め定められた転出ノードを目的点として移動するとともに、ブロック内のノード間の移動は、移動確率テーブルに記憶された移動確率に従う。すなわち、あるノード（例えば、図３におけるノードＮ１）と隣接するノードが複数存在する場合（例えば、図３におけるノードＮ４，Ｎ５）、移動確率が高いノード間（例えば、ノードＮ１−Ｎ４間）を通過する確率が高くなる。

経路探索部４は、エージェントを用いた経路探索（マルチエージェント型の確率的探索）を行うことにより、各ブロック２２における、転入ノード・転出ノード間の最適経路を抽出する。すなわち、経路探索部４は、エージェントの転出ノードを固定するとともに、転入ノードをランダムに決定する。そして、ランダムに決定された転入ノードを出発点とし、ノード間の移動確率に従い、移動すべきノードを決定する。そして、移動先のノードにおいて、同様に、次に移動すべきノードを決定する。このようにして、エージェントがノード間を移動する。

なお、各エージェントの移動回数の上限値ＴＨを予め定めてもよい。起点ノードからＴＨ回の移動によっても、目的地としての転出ノードに到達しない場合は、当該エージェントによる経路移動を中止する。そして、別のエージェントを、ランダムに決定された転入ノードに配置し、同様にしてエージェントを移動させる。

フェロモン（図４において「Ｆ」で図示される）は、エージェントを用いた経路探索を行った結果、エージェントが通過した経路（リンク）に発生する。フェロモンには、エージェントを吸い寄せる効果（誘因フェロモンの効果）があり、フェロモンが多いほど、そのリンクが最短経路である確率が高い。リンクのコストが時間（旅行時間）である場合、フェロモンは、渋滞度に応じて時間変化する。このエージェントを用いた経路探索では、（実際に走行中の車両よりも先に）フェロモンの変化が起こり、フェロモンが多く発生する箇所が、将来発生するであろう渋滞箇所に対応し、フェロモンの発生量が、交通集中が予測される渋滞度と対応する。

フェロモン量は、例えば時間ｔの関数として定められ、時間ｔの経過とともに減衰する。例えば、フェロモン量は、１秒間に１割の程度で減衰する。なお、減衰させる時間は１秒間隔に限られず、また、減衰割合も１割に限られることはない。ノードＸとノードＹ間のフェロモン量τxyは、例えば次式（１）で表される。

ここで、τxy（ｔ）は、時間ｔにおけるフェロモン量、ρは減衰率であり、Δτxyは、時間ｔから時間（ｔ＋１）の間に増加するフェロモン量（後述するエージェントの通過数）である。なお、フェロモン量τxyは、上式に限られることはなく、例えば、隣接するリンクから一定割合で伝達する（伝達フェロモン）成分を含んでも良い。また、所定時間、フェロモン量が増加しない場合（Δτが所定時間ゼロの場合）には、τの値をゼロにしても良い。

リンクコストは、あるリンク（ノード間）における距離を示す重み値ηである。リンク間の距離が短い場合はηの値は小さく、リンクの距離が長い場合にはηの値が大きくなる。

また、移動確率ρは、あるノードから隣接する別ノードに移動する確率を示すものであり、移動確率ρが大きいほど、車両が通過する割合が高く、最適な走行経路であることが示される。ノードＸからノードＹに向かう移動確率ρxyは、例えば次式（２）で表すことができる。

ここで、ηxy（ｔ）は、時間ｔにおけるノードＸ・Ｙ間のリンクコスト、αは正の定数、βは負の定数である。また、上式において、Ｙは、あるノードＸと隣接するノードを示す。上式によれば、フェロモンτの値が大きい場合や、リンクコストηの値が小さい場合はノード間の移動確率が高くなり、フェロモンτの値が小さい場合や、リンクコストηの値が大きい場合はノード間の移動確率が低くなる。

経路探索部４は、最適経路を通過したエージェントがある場合には、当該エージェントが通過した経路に対応するリンクについて、前記（１）式のΔτXYの値に一定量を加算する（グローバル更新）。例えば、転入ノード「Ａ」、転出ノード「Ｘ」に対応する最適経由ノード「Ａ，Ｎ１，Ｎ４，Ｎ５，Ｎ８，Ｘ」と同じ経由ノードを通過したエージェントが存在する場合には、Δτ_A,N1、Δτ_N1,N4、Δτ_N4,N5、Δτ_N5,N8、Δτ_N8,X、の値に、それぞれ一定量を加算する。これにより、最適経路に対して多くのフェロモンが集まるので、最適経路を効率よく抽出することができる。そして、経路探索部４は、前記（２）式に基づき、各ノード間の移動確率を更新する。また、経路探索部４は、それまでの最適経路よりもコストの低い（距離が短い）経路があれば、最適経路を更新する。

この場合、経路探索部４は、プローブカー８から取得される実際の車両の交通量（車両分布）に応じて、経路に通過させるエージェントの数を決定してもよい。例えば、実際の車両の交通量に応じて、転入ノードＡ〜Ｃに配置するエージェントの数を決定する。このようにして、実際の車両分布に応じたエージェントによる探索を行うことができる。なお、経路探索部４は、すべての経路に均一に（まんべんなく）エージェントを通過させてもよいことは言うまでもない。また、経路探索部４は、経路のコストが更新されたときに、マルチエージェント型の確率的探索を用いた経路探索を行う。そのため、フェロモンは、実際の車両の渋滞度に応じて時間変化する。

フェロモン検出部５は、マルチエージェント型の経路探索を行った結果、エージェントが通過することにより経路に発生するフェロモン量を検出する。そして、渋滞予測部６は、フェロモン量の変化に基づいて、渋滞が発生する経路を予測する。より具体的には、渋滞予測部６は、フェロモン量が増加したときに、経路に渋滞が発生すると予測する。この場合、フェロモン量と渋滞度の関係は、実際の交通量データから得ることができる。例えば、多変量ＡＲモデルにより、渋滞度ｙとフェロモン量ｘの関係は、次式（３）により表される。

ここで、ａ、ｂ、εは、実際の交通量データから得られる係数であり、ユールウォーカー法などで求めることができる。なお、係数ａ、ｂ、εは、地図全域で平均してもよい。また、係数ａ、ｂ、εは、ブロック（エリア）ごとで求めてもよく、リンクごとに求めてもよい。

以上のように構成された渋滞予測装置１について、図５のフロー図を参照してその動作を説明する。

本実施の形態の渋滞予測装置１では、まず、プローブカー８から現在の交通情報（車両の位置など）を取得して（Ｓ１）、各リンクのコストを更新する（Ｓ２）。そして、各経路（リンク）にエージェントを通過させることにより、マルチエージェント型の確率的探索を用いた経路探索を行う（Ｓ３）。その後、エージェントが通過することにより各経路（リンク）に発生するフェロモン量を検出し（Ｓ４）、フェロモン量の変化に基づいて将来渋滞が発生するであろう経路（リンク）を予測する（Ｓ５）。

このような本実施の形態の渋滞予測装置１によれば、マルチエージェント型の確率的探索を利用して、渋滞が発生する経路を予測することができる。

すなわち、本実施の形態では、マルチエージェント型の確率的探索を利用して、渋滞が発生する経路を予測することができる。渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させると、コストの低い経路（旅行時間が小さい経路）ほど、多くのエージェントが通過し、フェロモン量が増加する。したがって、フェロモン量が増加した経路ほど、将来、交通集中が起きる（渋滞が発生する）可能性が高い。このようにして、マルチエージェント型の確率的探索を利用して、渋滞予測をすることができる。

このようなマルチエージェント型の確率的探索を利用した渋滞予測によれば、時系列解析では予測できないような、近接しないリンク間の渋滞発生を予測することができる。また、交通シミュレーションほどの計算量は必要としない。この場合、経路探索も兼ねているため、その分の計算量を削減することができる。さらに、動的交通分配では困難なリアルタイムの渋滞予測が可能である。

また、本実施の形態では、プローブカー８から取得される実際の車両の交通量に応じて、経路に通過させるエージェントの数を決定する。このようにして、実際の交通量を反映した渋滞予測をすることができる。

この場合、経路のコスト（旅行時間）が変化すると、エージェントが通過する経路も変化し、フェロモン量が増加する経路も変化する。本実施の形態では、経路のコスト（旅行時間）が更新されたときに、マルチエージェント型の確率的探索を用いた経路探索が行われる。このようにして、経路のコスト（旅行時間）の変化に応じた渋滞予測をすることができる。

以上、本発明の実施の形態を例示により説明したが、本発明の範囲はこれらに限定されるものではなく、請求項に記載された範囲内において目的に応じて変更・変形することが可能である。

以上のように、本発明にかかる渋滞予測装置は、マルチエージェント型の確率的探索を利用して渋滞予測をすることができるという効果を有し、ナビゲーションシステム等に用いられ、有用である。

１渋滞予測装置
２交通情報取得部
３コスト更新部
４経路探索部
５フェロモン検出部
６渋滞予測部
７交通情報センター
８プローブカー

Claims

渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させることにより、マルチエージェント型の確率的探索を用いた経路探索を行う経路探索部と、
前記経路探索を行った結果、前記エージェントが通過することにより前記経路に発生するフェロモン量を検出するフェロモン検出部と、
前記フェロモン量の変化に基づいて、渋滞が発生する経路を予測する渋滞予測部と、
を備えることを特徴とする渋滞予測装置。
前記経路探索部は、プローブカーから取得される実際の車両の交通量に応じて、前記経路に通過させるエージェントの数を決定する、請求項１に記載の渋滞予測装置。
前記経路探索部は、前記経路のコストが更新されたときに、前記マルチエージェント型の確率的探索を用いた経路探索を行う、請求項１または請求項２に記載の渋滞予測装置。
前記渋滞予測部は、前記フェロモン量が増加したときに、前記経路に渋滞が発生すると予測する、請求項１ないし請求項３のいずれかに記載の渋滞予測装置。
渋滞予測を行う経路に仮想的に車両を示すエージェントを通過させることにより、マルチエージェント型の確率的探索を用いた経路探索を行い、
前記経路探索を行った結果、前記エージェントが通過することにより前記経路に発生するフェロモン量を検出し、
前記フェロモン量の変化に基づいて、渋滞が発生する経路を予測することを特徴とする渋滞予測方法。