JP2017073027A - 運用支援システム、運用支援方法、及び、プログラム - Google Patents

Abstract

【課題】非定常的事象に対して処理が実行されている時に、処理の影響を正確に予測する。【解決手段】運用支援システム１０は、影響予測部１３、及び、表示制御部１４を含む。影響予測部１３は、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の、各地点における異なる交通状態間の関係と、交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への処理が及ぼす影響を予測する。表示制御部１４は、予測した影響が表示手段に表示されるように当該表示手段を制御する。【選択図】図１

Description

本発明は、運用支援システム、運用支援方法、及び、プログラムに関する。

道路に設置されたセンサや車両に搭載されたセンサにより収集される交通データを用いて、道路の交通状態を広範囲、かつ、時間遅れなく把握することが可能になってきている。さらに、これら収集された交通データを分析することにより、将来の交通状態を予測する技術も多数提案されている。交通状態を予測できれば、車両の移動時間を高精度に見積ることができるため、道路利用者の満足度が向上することが期待される。

このような交通状態の予測技術の一例として、特許文献１には、短期、中期、及び、長期の予測モデルを用いて、交通状態の変化を連続的、かつ、高精度に予測する技術が開示されている。特許文献１の技術では、曜日や、時間帯、天気、交通規制または交通事故の有無等の事象情報に基づいて、交通状態を予測できる。

また、特許文献２には、交通規制情報を特徴量として、比例ハザードモデルを用いて規制地点における規制継続時間を求めることにより、事故が発生した規制地点の交通状態を予測し、移動時間を見積る技術が開示されている。

また、特許文献３には、交通流模擬装置を用いて、交通管制施策を実行した時の交通流を予測する技術が開示されている。

なお、関連技術として、特許文献４には、車両の積載荷物の状態に応じて２地点間の移動に係る所要時間を予測する技術が開示されている。また、非特許文献１、及び、非特許文献２には、データの同一のパターンや規則性を持つグループごとに予測モデルを生成する、異種混合学習技術が開示されている。

特開２００５−２２７９７２号公報 特開２００６−２８５６８９号公報 特開２００２−１６３７４８号公報 特開２０１５−０７５８５９号公報

藤巻遼平、森永聡、「ビッグデータ時代の最先端データマイニング」、ＮＥＣ技報、Vol.65、No.2、2012年、p.81-85 Riki Eto, et al.、「Fully-Automatic Bayesian Piecewise Sparse Linear Models」、Proceedings of the 17th International Conference on Artificial Intelligence and Statistics (AISTATS)、2014年、p.238-246

上述の特許文献１、２に記載された技術では、交通状態に係る定常的な特徴量に基づいたモデルを用いて交通状態を予測する。このため、事故等の非定常的事象が発生した場合に、その影響を考慮して、交通状態を精度よく予測することが難しい。非定常的事象が発生した場合、交通状態に係る特徴量は、事象の深刻度や発生場所、車線封鎖のような事象に対する処理に要する時間等に依存する。このため、事象が発生した時の特徴量と過去に観測された特徴量が合致するかどうかを判定することは困難である。仮に、合致しない不適切な特徴量を用いた場合、交通状態の予測が大きく外れる可能性が高い。

また、上述の特許文献３に記載された技術でも、交通流を、交通管制シナリオに従ったシミュレーションにより予測するため、交通状態を精度よく予測することが難しい。特許文献３における交通流のシミュレーションでは、様々なパラメータ（運転者の目標速度、事故影響範囲等）が必要である。このため、パラメータごとの誤差の蓄積により、予測精度が劣化する。

さらに、特許文献１から３に記載された技術では、非定常的事象に対する処理が交通状態に及ぼす影響を提示することは開示されていない。このため、処理を行う道路管理者は、処理方法や処理時間といった処理シナリオに係る決定が、交通状態にどのような影響を及ぼすかを把握できず、処理シナリオに係る明確な意思決定ができない。

本発明の課題は、上述の課題を解決し、事故等の非定常的事象に対して車線封鎖等の処理が実行されている時に、当該処理の影響を正確に予測できる、運用支援システム、運用支援方法、及び、プログラムを提供することである。

本発明の一態様における運用支援システムは、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測する影響予測手段と、前記予測した影響が表示手段に表示されるように当該表示手段を制御する、表示制御手段と、を備える。

本発明の一態様における運用支援方法は、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測し、前記予測した影響が表示手段に表示されるように当該表示手段を制御する。

本発明の一態様におけるプログラムは、コンピュータに、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測し、前記予測した影響が表示手段に表示されるように当該表示手段を制御する、処理を実行させる。

本発明の効果は、非定常的事象に対して処理が実行されている時に、当該処理の影響を正確に予測できることである。

本発明の実施の形態における、本発明の実施の形態の特徴的な構成を示すブロック図である。 本発明の実施の形態における、運用支援システム１０の構成を示すブロック図である。 本発明の実施の形態における、コンピュータにより実現された運用支援システム１０の構成を示すブロック図である。 本発明の実施の形態における、性能劣化予測処理を示すフローチャートである。 本発明の実施の形態における、渋滞予測処理を示すフローチャートである。 本発明の実施の形態における、所要時間予測処理を示すフローチャートである。 本発明の実施の形態における、道路の例を示す図である。 本発明の実施の形態における、処理シナリオの例を示す図である。 本発明の実施の形態における、交通状態の例を示す図である。 本発明の実施の形態における、シナリオ情報の例を示す図である。 本発明の実施の形態における、予測モデルの例を示す図である。 本発明の実施の形態における、車両密度と流度の間の相関関係の例を示す図である。 本発明の実施の形態における、車両密度と速度の間の相関関係の例を示す図である。 本発明の実施の形態における、渋滞判定の例を示す図である。 本発明の実施の形態における、渋滞予測画面の例を示す図である。 本発明の実施の形態における、所要時間算出の例を示す図である。 本発明の実施の形態における、所要時間予測画面の例を示す図である。

はじめに、本発明の実施の形態における、道路、交通状態、及び、非定常的事象に対して行われる処理シナリオについて説明する。

図７は、本発明の実施の形態における、道路の例を示す図である。図７に示すように、道路上には、監視対象の地点Ｘｉ（ｉ＝１、２、…、Ｎ；Ｎは監視対象の地点の数）が定義される。

本発明の実施の形態では、図７のような道路を例として、動作を説明する。

なお、図７では、簡単化のために道路を直線道路としたが、これに限らず、道路は、信号機を含む交差点を持つ道路、複数車線の道路、自動車専用道路など、他の構造の道路でもよい。また、道路は、都市内の道路でも、都市間を結ぶ幹線道路でもよい。

また、本発明の実施の形態では、道路上の各地点の交通状態の種別として、流度、走行速度（以下、単に速度とも記載）、及び、車両密度を用いる。流度は、単位時間あたりに地点を通過する車両の台数（通過台数）を示す。速度は、地点における複数の車両の速度の平均を示す。車両密度は、各車両が地点を含む所定の区間を空間的に占有している割合（空間占有度）、または、各車両が地点を時間的に占有している割合（時間占有度）を示す。空間占有度と時間占有度は、互いに変換可能である。本発明の実施の形態では、車両密度として、空間占有度を用いた場合を例に説明する。

また、道路上で事故や緊急工事等の非定常的事象が発生すると、道路管理者等は、処理シナリオ（以下、単にシナリオとも記載）に従って、当該事象に対する処理を行う。

図８は、本発明の実施の形態における、処理シナリオの例を示す図である。図８の例では、シナリオとして、非定常的事象が発生した地点で行われる車線封鎖、事象が発生した地点から上流（進行方向手前）の地点で行われる流入量規制、及び、事象が発生した地点から上流で行われる速度規制が定義されている。

道路管理者等は、複数のシナリオの内のいずれかを選択して、非定常的事象が発生した地点、或いは、その上流地点等の周辺地点で実行し、運用支援システム１０により、その処理の影響を確認する。

次に、本発明の実施の形態の構成を説明する。

図２は、本発明の実施の形態における、運用支援システム１０の構成を示すブロック図である。図２を参照すると、運用支援システム１０は、交通状態収集部１１、シナリオ受付部１２、影響予測部１３、表示制御部１４、交通状態記憶部１５、相関関係記憶部１６、及び、予測モデル記憶部１７を含む。

交通状態収集部１１は、道路上の各地点における交通状態の測定値を収集する。ここで、交通状態収集部１１は、例えば、各地点に固定的に配置されているセンサから、所定の収集間隔で、交通状態の測定値を収集する。また、交通状態収集部１１は、道路上を走行する車両の車載端末から、各地点における交通状態の測定値を収集してもよい。収集される交通状態は、非定常的事象が発生していない時（定常時）の交通状態、及び、非定常的事象が発生し、当該事象に対する処理が実行されている時（非定常時）の交通状態を含む。

図９は、本発明の実施の形態における、交通状態の例を示す図である。図９の例では、交通状態として、各地点の流度、速度、及び、車両密度が収集されている。

シナリオ受付部１２は、道路管理者等から、シナリオ情報の入力を受け付ける。シナリオ情報は、非定常的事象に対して実行中の処理に係る情報である。

図１０は、本発明の実施の形態における、シナリオ情報の例を示す図である。

図１０の例では、シナリオ情報は、処理が実行されている地点、当該処理の内容、当該処理の開始時刻、処理時間候補を含む。処理時間候補は、想定される、処理に要する時間の候補を示す。処理時間候補は、複数指定されていてもよい。

影響予測部１３は、非定常的事象に対する処理の影響として、各地点の渋滞の発生有無や特定区間の所要時間を予測する。影響予測部１３は、性能劣化予測部１３１、交通状態予測部１３２、及び、所要時間予測部１３３を含む。

性能劣化予測部１３１は、非定常時の道路の性能の劣化を予測する。本発明の実施の形態では、道路の性能として、異なる種別の交通状態間の相関関係（車両密度と流度や速度との相関関係）、及び、相関関係から得られる、渋滞を判定するための閾値（車両密度の閾値）を用いる。以下、車両密度の閾値を、閾値密度とも記載する。性能劣化予測部１３１は、性能の劣化として、これら相関関係、及び、閾値密度の変化を予測する。

交通状態予測部１３２は、予測モデルを用いて、道路上の各地点における、将来時刻（予測対象時刻）の交通状態を予測する。

予測モデルは、各地点における交通状態から任意の地点における予測対象時刻の交通状態を予測するためのモデルである。

予測モデルは、各地点の交通状態の時系列をもとに、例えば、機械学習技術を用いて生成される。予測モデルは、非特許文献１、２に開示されている異種混合学習技術を用いて生成されてもよい。

本発明の第１の実施の形態では、予測モデルとして、数１式のような線形関数を用いる。

ここで、Ｋ_ｉ（ｔ）は、地点Ｘｉにおける、現在時刻ｔの車両密度である。また、Ｋ_{ｅｓｔ＿ｊ}（ｔ＋Ｔ）は、地点Ｘｊ（ｊ＝１、２、…、Ｎ）における、予測対象時刻ｔ＋Ｔの車両密度の予測値である。α_ｉｊは、地点Ｘｉの車両密度Ｋ_ｉ（ｔ）と地点Ｘｊの車両密度の車両密度Ｋ_ｊ（ｔ＋Ｔ）との関係性の大きさを示す係数である。

図１１は、本発明の実施の形態における、予測モデルの例を示す図である。図１１の例では、各地点について、予測対象時間０．５時間後（Ｔ＝０．５ｈ（hour））、１．０時間後（Ｔ＝１．０ｈ）、１．５時間後（Ｔ＝１．５ｈ）、２．０時間後（Ｔ＝２．０ｈ）、…の予測モデルが生成されている。

なお、予測モデルとして、数１式のような線形関数に限らず、交通状態が説明変数である任意の関数が用いられてもよい。また、同じ予測地点に対して、複数の予測モデルが生成されてもよい。この場合、これらの予測モデルは、天候や、曜日、時間帯、路面状態、周辺イベントの有無等、予測対象時刻の状況ごとに使い分けられてもよい。

交通状態予測部１３２は、さらに、予測モデルを用いて予測した交通状態と、性能劣化予測部１３１により算出された閾値密度と、を用いて、予測対象時刻の各地点における渋滞の発生有無を予測する。

所要時間予測部１３３は、交通状態予測部１３２により予測された交通状態と、性能劣化予測部１３１により生成された相関関係と、を用いて、道路上の特定区間の所要時間を予測する。

表示制御部１４は、道路管理者等へ渋滞や所要時間の予測結果を表示するように、出力デバイス１０４（以下、表示装置とも記載する）を制御する。

交通状態記憶部１５は、交通状態収集部１１により収集された、各地点の交通状態の測定値を記憶する。

相関関係記憶部１６は、各地点について、車両密度と流度や速度との相関関係、及び、相関関係から得られる閾値密度を記憶する。相関関係記憶部１６は、定常時、及び、非定常時について、相関関係、及び、閾値密度を記憶する。

予測モデル記憶部１７は、各地点について、上述の予測モデルを記憶する。

なお、運用支援システム１０は、ＣＰＵ（Central Processing Unit）とプログラムを記憶した記憶媒体を含み、プログラムにもとづく制御によって動作するコンピュータであってもよい。

図３は、本発明の実施の形態における、コンピュータにより実現された運用支援システム１０の構成を示すブロック図である。

この場合、運用支援システム１０は、ＣＰＵ１０１、ハードディスクやメモリ等の記憶デバイス１０２（記憶媒体）、キーボード等の入力デバイス１０３、ディスプレイ等の出力デバイス１０４、及び、他の装置等と通信を行う通信デバイス１０５を含む。ＣＰＵ１０１は、交通状態収集部１１、シナリオ受付部１２、影響予測部１３、及び、表示制御部１４を実現するためのプログラムを実行する。記憶デバイス１０２は、交通状態記憶部１５、相関関係記憶部１６、及び、予測モデル記憶部１７のデータを記憶する。入力デバイス１０３は、道路管理者等からのシナリオ情報の入力を行う。出力デバイス１０４は、道路管理者等へ渋滞や所要時間の予測結果の出力（表示）を行う。通信デバイス１０５は、他の装置等から交通状態を受信する。また、通信デバイス１０５が、他の装置等へ、渋滞や所要時間の予測結果を出力してもよい。

また、運用支援システム１０の各構成要素は、論理回路で実現されていてもよい。この場合、複数の構成要素が、１つの論理回路で実現されていてもよいし、それぞれ、複数の独立した論理回路で実現されていてもよい。

また、運用支援システム１０の各構成要素は、有線または無線で接続された複数の物理的な装置に分散的に配置されていてもよい。この場合、運用支援システム１０は、複数のコンピュータによる分散処理により実現されていてもよい。

また、運用支援システム１０による渋滞や所要時間の予測のサービスが、ＳａａＳ（Software as a Service）形式で、道路管理者等に提供されてもよい。

次に、本発明の実施の形態の動作について説明する。

本発明の実施の形態では、交通状態である、流度、速度、及び、車両密度を、道路上の各地点の性能に係る指標として用いる。車両密度と流度の間、及び、車両密度と速度の間には、それぞれ、相関関係があることが知られている。

図１２は、本発明の実施の形態における、車両密度と流度の間の相関関係の例を示す図である。図１２に示すように、地点Ｘｉの車両密度が閾値密度Ｋ_ＴＨ＿ｉ以下の領域であれば、車両密度の増加に伴い、流度も増加する。この領域では、車両は円滑に走行できるため、自由流領域と呼ばれる。一方、車両密度が閾値密度Ｋ_ＴＨ＿ｉを超えると、車両密度の増加に伴い、流度は低下する。この領域では、車両が滞留するため、渋滞流領域と呼ばれる。

また、図１３は、本発明の実施の形態における、車両密度と速度の間の相関関係の例を示す図である。図１３に示すように、車両密度が閾値密度Ｋ_ＴＨ＿ｉ以下の領域であれば、速度は、制限速度前後で一定である（自由流領域）。しかしながら、車両密度が閾値密度Ｋ_ＴＨ＿ｉを超えると、車両密度の増加に伴い、車両は自由に走行できなくなるため、速度は大きく低下する（渋滞流領域）。

道路上の各地点Ｘｉの性能は、このような相関関係や、相関関係から得られる閾値密度Ｋ_ＴＨ＿ｉで表すことができる。

非定常的事象に対する処理が実行されている時（非定常時）は、当該処理が行われている地点における閾値密度は、車線の封鎖や通過する車両のわき見運転等による相関関係の変化により、非定常的事象が発生していない時（定常時）より劣化する。例えば、図１２、及び、図１３に示すように、非定常時の処理が行われている地点の閾値密度Ｋ’_ＴＨ＿ｉは、定常時の閾値密度Ｋ_ＴＨ＿ｉより低下する。

本発明の実施の形態では、このような非定常時の閾値密度Ｋ’_ＴＨ＿ｉ、及び、相関関係を使って、渋滞の発生有無、及び、所要時間を精度よく予測する。

ここでは、各地点における交通状態の測定値をもとに、図１２、及び、図１３における、定常時の相関関係と閾値密度Ｋ_ＴＨ＿ｉが、予め、影響予測部１３、または、他の装置により生成され、相関関係記憶部１６に記憶されていると仮定する。

また、各地点における交通状態の測定値をもとに、図１１の予測モデルが、予め、影響予測部１３、または、他の装置により生成され、予測モデル記憶部１７に記憶されていると仮定する。

以下、運用支援システム１０における、性能劣化予測処理、渋滞予測処理、及び、所要時間予測処理を説明する。

＜性能劣化予測処理＞
はじめに、非定常時の道路の性能劣化を予測する処理である、性能劣化予測処理を説明する。

ここでは、道路管理者等が、非定常的事象が発生した地点、或いは、当該地点の周辺地点において、処理シナリオの内のいずれかを選択して、実行していると仮定する。

図４は、本発明の実施の形態における、性能劣化予測処理を示すフローチャートである。

はじめに、影響予測部１３のシナリオ受付部１２は、道路管理者等から、非定常的事象に対して実行中の処理に係るシナリオ情報の入力を受け付ける（ステップＳ１１）。

例えば、地点Ｘ１０で発生した事故に対して、図８のシナリオから選択された「シナリオ１−１：１車線封鎖」が、図７の地点Ｘ１０で実行されていると仮定する。この場合、シナリオ受付部１２は、道路管理者等から、図１０のようなシナリオ情報の入力を受け付ける。

性能劣化予測部１３１は、入力されたシナリオ情報で示される、処理を実行中の地点（以下、対象地点とも記載する）の、処理開始後の交通状態の測定値を、交通状態記憶部１５から取得する。そして、性能劣化予測部１３１は、取得した対象地点の交通状態の測定値をもとに、非定常時の相関関係（車両密度と流度の相関関係、及び、車両密度と速度の相関関係）を生成する（ステップＳ１２）。

性能劣化予測部１３１は、生成した非定常時の相関関係から、対象地点Ｘｉの非定常時の閾値密度Ｋ’_ＴＨ＿ｉを算出する（ステップＳ１３）。性能劣化予測部１３１は、生成、算出した非定常時の相関関係、及び、閾値密度Ｋ’_ＴＨ＿ｉを、地点Ｘｉと関連付けて、相関関係記憶部１６に保存する。

例えば、性能劣化予測部１３１は、図９の交通状態の測定値をもとに、地点Ｘ１０について、図１２、及び、図１３に示すような、非定常時の相関関係、閾値密度Ｋ’_ＴＨ＿ｉを、生成、算出し、相関関係記憶部１６に保存する。

なお、対象地点で渋滞が発生していない場合は、相関関係は上述の自由流領域にあるため、閾値密度を算出することができない。この場合、性能劣化予測部１３１は、交通状態の測定値から得られる最大密度で閾値密度を代替してもよい。

ステップＳ１３で算出された閾値密度は、非定常時の自由流領域の最大性能を表す。この最大性能に係る情報を、後述する渋滞予測処理、所要時間予測処理で用いることにより、非定常的事象により道路の性能が劣化しても、正確な渋滞予測、所要時間予測を実行できる。

なお、相関関係、及び、閾値密度は常に変化する可能性がある。このため、性能劣化予測部１３１は、非定常的事象が継続し、対象地点において処理が行われている間、定期的に、ステップＳ１２、Ｓ１３を実行することにより、非定常時の相関関係、閾値密度の更新を繰り返す。

また、性能劣化予測部１３１は、道路管理者等から、例えば、対象地点Ｘｉの車線閉鎖数の変更等、対象地点Ｘｉにおける処理の変更が入力された場合も、ステップＳ１２、Ｓ１３を実行することにより、非定常時の相関関係、閾値密度Ｋ’_ＴＨ＿ｉを更新する。

＜渋滞予測処理＞
次に、周辺の交通状態に基づいて各地点における渋滞の発生有無を予測する処理である、渋滞予測処理を説明する。

図５は、本発明の実施の形態における、渋滞予測処理を示すフローチャートである。

はじめに、交通状態予測部１３２は、交通状態記憶部１５の交通状態、及び、予測モデル記憶部１７の予測モデルを用いて、対象地点を含む各地点Ｘｉにおける、予測対象時刻（Ｔ時間後）の車両密度Ｋ_{ｅｓｔ＿ｉ}（ｔ＋Ｔ）を予測する（ステップＳ２１）。

ここで、交通状態予測部１３２は、対象地点における処理が影響を及ぼす可能性がある全ての地点について、車両密度を予測する。また、交通状態予測部１３２は、複数の予測対象時刻について、車両密度を予測する。

例えば、交通状態予測部１３２は、図９の交通状態に含まれる現在の交通状態の測定値、及び、図１１の予測モデルを用いて、各地点における、０．５時間後、１．０時間後、１．５時間後、２．０時間後、…の車両密度を予測する。

交通状態予測部１３２は、交通状態予測部１３２により予測された各地点の車両密度Ｋ_{ｅｓｔ＿ｉ}（ｔ＋Ｔ）を、相関関係記憶部１６に記憶された、当該地点の閾値密度（Ｋ’_ＴＨ＿ｉ、または、Ｋ_ＴＨ＿ｉ）と比較する（ステップＳ２２）。

ここで、交通状態予測部１３２は、処理を実行中の地点（対象地点）については、次のように、非定常時の閾値密度Ｋ’_ＴＨ＿ｉと定常時の閾値密度Ｋ_ＴＨ＿ｉを使い分ける。すなわち、交通状態予測部１３２は、予測対象時刻が、非定常的事象に対する処理完了予定時刻以前の場合、非定常時の閾値密度Ｋ’_ＴＨ＿ｉを用い、予測対象時刻が、非定常的事象に対する処理完了予定時刻より後の場合、定常時の閾値密度Ｋ_ＴＨ＿ｉを用いる。処理完了予定時刻は、シナリオ情報で示される処理の開始時刻に処理時間候補を加えることにより算出される。また、交通状態予測部１３２は、対象地点以外の地点については、定常時の閾値密度Ｋ_ＴＨ＿ｉを用いる。

交通状態予測部１３２は、予測された車両密度が閾値密度（Ｋ’_ＴＨ＿ｉ、または、Ｋ_ＴＨ＿ｉ）以上の場合（ステップＳ２２／Ｙ）、地点Ｘｉにおいて予測対象時刻（Ｔ時間後）に渋滞が発生すると判定する（ステップＳ２３）。また、交通状態予測部１３２は、予測された車両密度が閾値密度未満の場合（ステップＳ２２／Ｎ）、地点Ｘｉにおいて予測対象時刻（Ｔ時間後）に渋滞が発生しないと判定する（ステップＳ２４）。

なお、シナリオ情報において、処理時間候補が複数指定されている場合、交通状態予測部１３２は、複数の処理完了予定時刻の各々について、ステップＳ２２〜Ｓ２４の判定を行う。

図１４は、本発明の実施の形態における、渋滞判定の例を示す図である。

例えば、交通状態予測部１３２は、図１４に示すように、処理完了予定時刻が１．０時間後、１．５時間後、２．０時間後について、各地点における、予測対象時刻０．５時間後、１．０時間後、１．５時間後、２．０時間後、…の渋滞の発生有無を判定する。図１４において、斜線部は、非定常時の閾値密度Ｋ’_ＴＨ＿ｉを用いて渋滞の有無が判定され、斜線部以外は、定常時の閾値密度Ｋ_ＴＨ＿ｉを用いて渋滞の有無が判定されたことを示す。

表示制御部１４は、交通状態予測部１３２による渋滞の予測結果を、出力デバイス１０４（表示装置）に表示させる（ステップＳ２５）。

図１５は、本発明の実施の形態における、渋滞予測画面の例を示す図である。図１５の例では、複数の処理完了予定時刻の各々について、渋滞の長さの、予測対象時刻に対する推移が示されている。この場合、処理時間が長くなる（処理完了予定時間が遅くなる）に従って、渋滞が長くなる。

例えば、表示制御部１４は、図１４の渋滞判定結果をもとに、図１５の渋滞予測結果画面を出力デバイス１０４に表示させる。

以降、ステップＳ２１〜Ｓ２５の処理が、非定常的事象が解消し、非定常的事象に対する処理が終了するまで繰り返し実行される。

道路管理者等は、図１５の渋滞予測結果画面を参照し、非定常的事象に対する処理の処理時間を短縮するために、現場の作業者の増員や作業の効率化を行う等の意思決定を行うことができる。また、道路管理者等は、車線封鎖数を変更する等、他のシナリオによる処理を試行し、当該他の処理に対して得られた渋滞予測結果画面を参照することにより、他の処理を継続する、或いは、前の処理に戻す等の意思決定を行うことができる。

なお、上述のステップＳ２１〜Ｓ２５の渋滞予測処理は、定常時にも、繰り返し実行されてよい。この場合、交通状態予測部１３２は、全ての地点について、定常時の閾値密度を用いて、渋滞の発生有無を判定する。

＜所要時間予測処理＞
次に、道路上の特定区間の所要時間を予測する処理である、所要時間予測処理を説明する。

ここでは、所要時間を算出する区間（対象区間）の始点と終点が、予め、道路管理者等により指定されていると仮定する。所要時間を予測するための処理時間候補も、予め、道路管理者等により指定されていると仮定する。

図６は、本発明の実施の形態における、所要時間予測処理を示すフローチャートである。

はじめに、所要時間予測部１３３は、対象区間上の始点を通過地点、現在時刻を予測対象時刻に設定する（ステップＳ３１）。

所要時間予測部１３３は、ステップＳ２１で予測された車両密度の内、通過地点における予測対象時刻の車両密度を取得する（ステップＳ３２）。また、所要時間予測部１３３は、交通状態予測部１３２と同様に、予測モデルを用いて、通過地点における予測対象時刻の車両密度を予測してもよい。

所要時間予測部１３３は、取得した車両密度をもとに、通過地点における、予測対象時刻の速度を算出する（ステップＳ３３）。

ここで、所要時間予測部１３３は、相関関係記憶部１６に記憶された、通過地点における車両密度と速度の相関関係を用いて、速度を算出する。また、所要時間予測部１３３は、通過地点が処理を実行中の地点（対象地点）の場合、次のように、非定常時の相関関係と定常時の相関関係を使い分ける。すなわち、所要時間予測部１３３は、予測対象時刻が、非定常的事象の処理完了予定時間以前の場合、非定常時の相関関係を用い、予測対象時刻が非定常的事象の処理完了予定時間より後の場合、定常時の相関関係を用いて、速度を算出する。また、所要時間予測部１３３は、通過地点が対象地点以外の場合、定常時の相関関係を用いて、速度を算出する。

所要時間予測部１３３は、算出した速度を用いて、次の予測対象時刻に到達可能な地点を算出する（ステップＳ３４）。

算出した地点が対象区間の終点より手前であれば（ステップＳ３５／Ｎ）、所要時間予測部１３３は、次の予測対象時刻を新たな予測対象時刻、算出した地点を新たな通過地点に設定し（ステップＳ３６）、ステップＳ３２からの処理を繰り返す。

算出した地点が対象区間の終点以降であれば（ステップＳ３５／Ｙ）、所要時間予測部１３３は、ステップＳ３３で算出した速度を用いて、現在の通過地点と終点との間の所要時間を算出する。そして、所要時間予測部１３３は、各通過地点間の所要時間（予測対象時刻間の時間差）と、算出した現在の通過地点と終点との所要時間とを合計し、対象区間全体の総所要時間を算出する（ステップＳ３７）。

図１６は、本発明の実施の形態における、所要時間算出の例を示す図である。

例えば、対象区間の始点、終点が、地点Ｘ１３、Ｘ７であり、処理時間１．０ｈ（処理完了予定時刻１．０ｈ後）に対して所要時間を算出すると仮定する。また、隣接する地点間の距離が２５ｋｍであると仮定する。この場合、交通状態予測部１３２は、図１６に示すように、現在時刻、０．５時間後、１．０時間後、１．５時間後の通過地点と速度を算出し、総所要時間を算出する。図１６において、斜線部は、非定常時の相関関係を用いて速度が算出され、斜線部以外は、定常時の相関関係を用いて速度が算出されたことを示す。

表示制御部１４は、所要時間予測部１３３による所要時間の予測結果を、出力デバイス１０４（表示装置）に表示させる（ステップＳ３８）。

図１７は、本発明の実施の形態における、所要時間予測画面の例を示す図である。図１７の所要時間予測画面では、所要時間予測部１３３により算出された、予測対象時刻ごとの通過地点、及び、対象区間全体の総所要時間が示されている。さらに、所要時間予測画面において、通過時に渋滞の発生が予測されている地点が、強調して表示されてもよい。

例えば、表示制御部１４は、図１６の所要時間算出結果をもとに、図１７の所要時間予測画面を出力デバイス１０４に表示させる。

なお、表示制御部１４は、車載端末（カーナビゲーションシステム）や携帯端末、道路上に設置された案内板等の他の表示装置へ、所要時間の予測結果を送信し、表示させてもよい。この場合、車載端末や携帯端末は、運用支援システム１０から受信した特定区間の所要時間を考慮して、移動予定経路の所要時間を算出し、表示してもよい。

以降、ステップＳ３１〜Ｓ３８の処理が、非定常的事象が解消し、非定常的事象に対する処理が終了するまで繰り返し実行される。

なお、ステップＳ３１〜Ｓ３８の所要時間予測処理は、定常時にも、繰り返し実行されてよい。この場合、所要時間予測部１３３は、全ての通過地点について、定常時の相関関係を用いて、予測対象時刻の速度を算出する。

以上により、本発明の実施の形態の動作が完了する。

次に、本発明の実施の形態の特徴的な構成を説明する。

図１は、本発明の実施の形態の特徴的な構成を示すブロック図である。

図１を参照すると、運用支援システム１０は、影響予測部１３、及び、表示制御部１４を含む。影響予測部１３は、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への処理が及ぼす影響を予測する。予測モデルは、１以上の地点における交通状態から任意の地点における交通状態を予測するモデルである。表示制御部１４は、予測した影響が表示手段に表示されるように当該表示手段を制御する。

次に、本発明の実施の形態の効果を説明する。

本発明の実施の形態によれば、事故等の非定常的事象に対して車線封鎖等の処理が実行されている時に、処理の影響を正確に予測できる。その理由は、運用支援システム１０が、非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、予測モデルと、に基づいて、各地点における交通状態への処理が及ぼす影響（渋滞の発生有無や所要時間）を予測するためである。これにより、非定常的事象に対する処理により劣化した道路の性能を考慮して、正確に、渋滞の発生有無の判定や所要時間の算出が行われる。道路管理者等は、このような正確な渋滞予測結果や所要時間の予測結果を参照し、非定常的事象に対する処理に係る意思決定を、容易に行うことができる。また、道路を利用する利用者も、正確な所要時間の予測結果を得ることができる。

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

１０ 運用支援システム
１０１ ＣＰＵ
１０２ 記憶デバイス
１０３ 入力デバイス
１０４ 出力デバイス
１０５ 通信デバイス
１１ 交通状態収集部
１２ シナリオ受付部
１３ 影響予測部
１３１ 性能劣化予測部
１３２ 交通状態予測部
１３３ 所要時間予測部
１４ 表示制御部
１５ 交通状態記憶部
１６ 相関関係記憶部
１７ 予測モデル記憶部

Claims (8)

1. 複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測する影響予測手段と、
   前記予測した影響が表示手段に表示されるように当該表示手段を制御する、表示制御手段と、
   を備える、運用支援システム。
2. 前記影響予測手段は、前記影響として、各地点における渋滞の発生有無を予測する、
   請求項１に記載の運用支援システム。
3. 前記影響予測手段は、
   複数の予想対象時刻ごとに、各地点における前記渋滞の発生有無を予測し、
   前記予測対象時刻が前記処理の完了予定時刻以前の場合は、前記処理を実行している時の前記関係を用いて、前記渋滞の発生有無を予測し、
   前記予測対象時刻が前記処理の完了予定時刻より後の場合は、前記処理を実行していない時の前記関係を用いて、前記渋滞の発生有無を予測する、
   請求項２に記載の運用支援システム。
4. 前記影響予測手段は、前記処理の複数の完了予定時刻の各々について、各地点における前記渋滞の発生有無を予測する、
   請求項２または３に記載の運用支援システム。
5. 前記影響予測手段は、前記影響として、特定の地点間の所要時間を予測する、
   請求項１に記載の運用支援システム。
6. 前記影響予測手段は、
   複数の予想対象時刻ごとに、前記特定の地点間の通過地点、及び、当該通過地点における走行速度の算出を行うことにより、当該特定の地点間の所要時間を予測し、
   前記予測対象時刻が前記処理の完了予定時刻以前の場合は、前記処理を実行している時の前記関係を用いて、前記走行速度を算出し、
   前記予測対象時刻が前記処理の完了予定時刻より後の場合は、前記処理を実行していない時の前記関係を用いて、前記走行速度を算出する、
   請求項５に記載の運用支援システム。
7. 複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測し、
   前記予測した影響が表示手段に表示されるように当該表示手段を制御する、
   運用支援方法。
8. コンピュータに、
   複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測し、
   前記予測した影響が表示手段に表示されるように当該表示手段を制御する、
   処理を実行させるプログラム。

Images