JP2017084268A - 事故発生予報システム、および事故発生予報方法 - Google Patents

Abstract

【課題】事故の発生しやすさの学習および予報の精度をより高める。【解決手段】実施形態による事故発生予報システムは、テーブル作成処理部と、交通データ取得処理部と、予報処理部とを備える。テーブル作成処理部は、路線上の各地点において過去に計測された第１の過去交通データと、第１の過去交通データの計測地点の上流側および下流側に隣接する２地点のうち少なくとも一方の地点において第１の過去交通データと同時に計測された第２の過去交通データとを対応付けて学習を行い、事故発生予測テーブルを作成する。交通データ取得処理部は、各地点において現在計測された第１の現在交通データと、少なくとも一方の地点において第１の現在交通データと同時に計測された第２の現在交通データとを取得する。予報処理部は、事故発生予測テーブルと、第１の現在交通データおよび第２の現在交通データとを用いて、各地点における事故の発生しやすさを予報する。【選択図】図１

Description

本発明の実施形態は、事故発生予報システム、および事故発生予報方法に関する。

従来、路線上の各地点で過去に計測された交通データ（事故の発生時に計測された交通データを含む）を使用して学習を行い、当該各地点における事故の発生しやすさを予報する技術が知られている。

特開２０１４−３５６３９号公報 特開２０１０−３９９９２号公報

上記のような従来技術では、事故の発生しやすさの学習および予報の精度をより高めることが望まれている。

実施形態による事故発生予報システムは、テーブル作成処理部と、交通データ取得処理部と、予報処理部とを備える。テーブル作成処理部は、路線上の各地点において過去に計測された第１の過去交通データと、第１の過去交通データの計測地点の上流側および下流側に隣接する２地点のうち少なくとも一方の地点において第１の過去交通データと同時に計測された第２の過去交通データとを対応付けて学習を行い、学習結果に基づいて、各地点における事故の発生しやすさを表す事故発生予測テーブルを作成する。交通データ取得処理部は、各地点において現在計測された第１の現在交通データと、少なくとも一方の地点において第１の現在交通データと同時に計測された第２の現在交通データとを取得する。予報処理部は、事故発生予測テーブルと、第１の現在交通データおよび第２の現在交通データとを用いて、各地点における事故の発生しやすさを予報する。

図１は、第１実施形態による事故発生予報システムの構成を示した例示ブロック図である。 図２は、第１実施形態による事故発生予測テーブルを示した例示図である。 図３は、第１実施形態によるテーブル作成処理部が実行する処理の流れを示した例示フローチャートである。 図４は、第１実施形態において用いられる自己組織化マップの一般的な構成を示した例示図である。 図５は、第１実施形態によるテーブル作成処理部が用いる自己組織化マップの具体的構成を示した例示図である。 図６は、第１実施形態による交通データ取得処理部が実行する処理の流れを示した例示フローチャートである。 図７は、第１実施形態による予報処理部が実行する処理の流れを示した例示フローチャートである。 図８は、第１実施形態による予報処理部が用いる自己組織化マップの具体的構成を示した例示図である。 図９は、第１実施形態による学習および予報の際に３地点で計測される交通データを利用することのメリットを説明するための例示図である。 図１０は、第１実施形態による学習および予報の際に時系列の異なる２種類の交通データを利用することのメリットを説明するための例示図である。 図１１は、第２実施形態による事故発生予報システムの構成を示した例示ブロック図である。

以下、実施形態を図面に基づいて説明する。

（第１実施形態）
図１は、第１実施形態による事故発生予報システム１００の構成を示した例示ブロック図である。なお、図１の白抜き矢印Ｄは、路線Ｒ上における車両の流れ方向を示す。

事故発生予報システム１００とは、路線Ｒ上の地点Ｐ１〜Ｐ３に対応する路側センサ２０１ａ〜２０３ａにより計測される交通データを用いて、当該地点Ｐ１〜Ｐ３における交通事故の発生しやすさを予報するシステムである。なお、図１には、３地点Ｐ１〜Ｐ３に対応する３個の路側センサ２０１ａ〜２０３ａしか図示していないが、第１実施形態では、路側センサ２０１ａ〜２０３ａ以外の路側センサ（つまり地点Ｐ１〜Ｐ３以外の地点の交通データを計測する路側センサ）が設けられていてもよい。

路側センサ２０１ａ〜２０３ａは、それぞれ、路線Ｒ上の地点Ｐ１〜Ｐ３を走行する車両を検知可能なセンシングデバイスである。路側センサ２０１ａ〜２０３ａは、たとえば、路面下に設置されるループコイルや、路面を上方から監視するカメラまたは超音波センサなどで構成される。

路側センサ２０１ａ〜２０３ａによって計測された交通データは、交通データ処理部２０１ｂ〜２０３ｂによって処理される。具体的に、交通データ処理部２０１ｂ〜２０３ｂは、路側センサ２０１ａ〜２０３ａによって計測された交通データに基づいて、路線Ｒ上の地点Ｐ１〜Ｐ３を走行する車両の速度や、地点Ｐ１〜Ｐ３における交通量、車両密度、占有率（オキュパンシー）などを算出し、算出結果を事故発生予報システム１００に送信する。

ここで、第１実施形態では、事故発生予報システム１００は、過去データベース１１と、テーブル作成処理部１２と、交通データ取得処理部１３と、現在データベース１４と、予報処理部１５とを備える。

過去データベース１１は、路線Ｒ上の各地点において過去に計測された交通データ（以下、過去交通データとする）を記憶する。この過去交通データは、事故発生時に計測された交通データも含んでいる。

過去データベース１１は、路線Ｒ上の各地点において計測された過去交通データ（以下、第１の過去交通データとする）と、当該各地点の上流側および下流側に隣接する２地点において第１の過去交通データと同時に計測された過去交通データ（以下、第２の過去交通データとする）と、第１の過去交通データと同じ計測地点において第１の過去交通データの計測時より所定時間前に計測された過去交通データ（以下、第３の過去交通データとする）とを、互いに対応付けて記憶する。たとえば、図１の例では、過去データベース１１は、地点Ｐ１において計測された過去交通データを第１の過去交通データとして記憶し、地点Ｐ１の上流側および下流側に隣接する２地点Ｐ２およびＰ３において第１の過去交通データと同時に計測された過去交通データを第２の過去交通データとして記憶し、地点Ｐ１において第１の過去交通データの計測時より所定時間前に計測された過去交通データを第３の過去交通データとして記憶する。

テーブル作成処理部１２は、過去データベース１１から読み出した過去交通データに基づいて、交通データと事故の発生しやすさとの相関関係を、自己組織化マップを用いて学習し、路線Ｒ上の各地点における交通事故の発生しやすさを表す事故発生予測テーブルＴを作成する。ここで、自己組織化マップとは、プロセス解析や、制御、検索システム、さらには経営のための情報分析など、実社会における重要な分野に応用されるニューラルネットワークの一種であり、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するためのアルゴリズムである。この自己組織化マップの具体的な内容については、後で説明するため、ここでは説明を省略する。

図２は、第１実施形態による事故発生予測テーブルＴを示した例示図である。図２に示すように、事故発生予測テーブルＴは、前述した第１の過去交通データを示す数値（「対象の計測地点の値」の欄参照）と、第２の過去交通データを示す数値（「上流側計測地点の値」および「下流側計測地点の値」の欄参照）と、第３の過去交通データを示す数値（「過去の対象の計測地点の値」の欄参照）と、事故の発生しやすさを示す数値（「事故発生度」の欄参照）との対応関係を定義する。なお、図２の例では、車両の速度、交通量、および車両密度の３種類の交通データが用いられているが、第１実施形態では、事故の発生と相関が見られる交通データであれば、他の交通データが用いられてもよい。

図１に戻り、交通データ取得処理部１３は、路側センサ２０１ａ〜２０３ａによって現在計測された交通データ（以下、現在交通データとする）を取得する。交通データ取得処理部１３は、現在交通データを所定時間間隔で定期的に取得することで、常に最新の交通データを取得する。交通データ取得処理部１３は、取得した現在交通データを、現在データベース１４に保存する。

ここで、現在データベース１４は、少なくとも、交通データ取得処理部１３が取得した直近２回分の現在交通データを記憶する。これにより、現在データベース１４は、路線Ｒ上の各地点において計測された現在交通データ（以下、第１の現在交通データとする）と、当該各地点の上流側および下流側に隣接する２地点において第１の現在交通データと同時に計測された現在交通データ（以下、第２の現在交通データとする）と、第１の現在交通データと同じ計測地点において第１の現在交通データの計測時より所定時間前に計測された現在交通データ（以下、第３の現在交通データとする）とを、互いに対応付けて記憶する。たとえば、図１の例では、現在データベース１４は、交通データ取得処理部１３が今回取得した地点Ｐ１の現在交通データを第１の現在交通データとして記憶し、交通データ取得処理部１３が今回取得した２地点Ｐ２およびＰ３の現在交通データを第２の現在交通データとして記憶し、交通データ取得処理部１３が前回取得した地点Ｐ１の現在交通データを第３の現在交通データとして記憶する。

予報処理部１５は、テーブル作成処理部１２により作成された事故発生予測テーブルＴと、現在データベース１４から読み出された現在交通データとを用いて、路線Ｒ上の各地点における事故の発生しやすさを予報する。そして、予報処理部１５は、当該予報の結果を管制情報表示部３００に出力し、現在の交通状況に対応した事故の発生しやすさを管制員などに通知する。管制情報表示部３００は、たとえば、事故が発生する可能性が高い場合に警報ランプを点灯したり警報音を鳴らしたりするなどして、事故の発生しやすさを管制員などに通知する。

次に、第１実施形態による事故発生予報システム１００の動作について説明する。

まず、図３を参照して、第１実施形態によるテーブル作成処理部１２の動作について説明する。図３は、第１実施形態によるテーブル作成処理部１２が実行する処理の流れを示した例示フローチャートである。

図３に示すように、テーブル作成処理部１２は、まず、Ｓ１において、過去データベース１１から過去交通データを読み出す。ここで読み出される過去交通データは、路線Ｒ上の各地点において過去のある時点で計測された第１の過去交通データと、第１の過去交通データの計測地点の上流側および下流側に隣接する２地点において第１の過去交通データと同時に計測された第２の過去交通データと、第１の過去交通データの計測地点において第１の過去交通データの計測時より所定時間前に計測された第３の過去交通データとの組み合わせである。

また、テーブル作成処理部１２は、Ｓ２において、Ｓ１で読み出した第１の過去交通データ、第２の過去交通データ、および第３の過去交通データの組み合わせに基づいて、交通データと事故の発生しやすさとの相関関係を学習する。学習方法としては、次のような自己組織化マップを用いた方法が用いられる。

図４は、第１実施形態において用いられる自己組織化マップの一般的な構成を示した例示図である。図４に示すように、自己組織化マップとは、入力層および競合層（出力層）を備えた２層構造のニューラルネットワークである。入力層は、分析対象のデータｘ₁，…，ｘ_i，…，ｘ_nと同数のユニットを備えた平面として表される。分析対象のデータｘ₁，…，ｘ_i，…，ｘ_nの組み合わせを、入力ベクトルと呼ぶ。また、競合層は、複数のユニット１，…，ｊ，…，Ｎを備えた平面として表される。入力層の各ユニットと、競合層の各ユニットとは、入力ベクトルと同次元の重みベクトルｗ_ｊ＝（ｗ_j1，…，ｗ_ji，…，ｗ_jn）によって関連付けられている。

図５は、第１実施形態によるテーブル作成処理部１２が用いる自己組織化マップの具体的構成を示した例示図である。図５に示すように、第１実施形態では、一般的な入力層および競合層に加えて、競合層と同数のユニットを備えた事故発生度分布を表す層が設けられる。

第１実施形態では、過去データベース１１から読み出された第１の過去交通データ、第２の過去交通データ、および第３の過去交通データの組み合わせが、学習対象の入力ベクトルとして用いられる。前述したように、第１の過去交通データは、路線Ｒ上の各地点において過去のある時点で計測された３種類のデータ（車両の速度、交通量、および車両密度）により構成される。また、第２の過去交通データは、第１の過去交通データの計測地点の上流側に隣接する地点において第１の過去交通データと同時に計測された上記同様の３種類のデータと、第１の過去交通データの計測地点の下流側に隣接する地点において第１の過去交通データと同時に計測された上記同様の３種類のデータとの合計６種類のデータにより構成される。また、第３の過去交通データは、第１の過去交通データの計測地点において第１の過去交通データの計測時より所定時間前に計測された上記同様の３種類のデータにより構成される。

図５の自己組織化マップでは、まず、（１）勝者ユニットを決定し、当該勝者ユニットの重みベクトルを更新する処理が実行される。そして、（２）勝者ユニットの近傍に位置する近傍ユニットの重みベクトルを更新する処理が実行される。なお、勝者ユニットとは、入力ベクトルと最も類似する重みベクトルによって当該入力ベクトルと関連付けられる競合層上の１つのユニットである。また、重みベクトルの更新は、学習回数と、所定の学習係数とを考慮した数式を用いて行われる。なお、入力ベクトルと最も類似する重みベクトルの決定方法や、重みベクトルの更新に用いられる数式の詳細については、たとえば特開２０１４−３５６３９号公報に開示されているため、ここではこれ以上の説明を省略する。

ここで、第１実施形態では、入力ベクトルとして用いられる第１の過去交通データ、第２の過去交通データ、および第３の過去交通データの組み合わせに対応して設定される事故発生度が入力される。事故発生度とは、入力ベクトルに対応して設定される事故の発生しやすさを示す値である。たとえば、入力ベクトルの各要素が事故発生時の交通データである場合、事故発生度は、１または１００などといった値に設定される。また、入力ベクトルの各要素が事故の無い時の交通データである場合、事故発生度は、０などといった値に設定される。また、入力ベクトルの各要素が事故発生前の交通データである場合、事故発生度は、事故発生時の事故発生度（１または１００など）よりも小さい値に設定される。

第１実施形態では、上記の（１）および（２）の処理が実行された後、（３）入力された事故発生度で、競合層上の勝者ユニットおよび近傍ユニットに対応する事故発生度分布の層上のユニットの値を更新する処理が実行される。具体的に、勝者ユニットに対応するユニットの値が、入力された事故発生度によって更新され、近傍ユニットに対応するユニットの値が、入力された事故発生度よりも小さい値によって更新される。この更新処理の詳細についても、上記の特開２０１４−３５６３９号公報に開示されているため、ここではこれ以上の説明を省略する。

第１実施形態では、上記の（１）〜（３）の処理が繰り返し実行されることで、第１の過去交通データ、第２の過去交通データ、および第３の過去交通データの組み合わせと、事故発生度との相関関係が生成される。

図３に戻り、Ｓ３において、テーブル作成処理部１２は、Ｓ２における学習結果に基づいて、事故発生予測テーブルＴを作成する。すなわち、テーブル作成処理部１２は、図５に示した自己組織化マップによって得られた相関関係をテーブル化し、第１の過去交通データ、第２の過去交通データ、および第３の過去交通データの組み合わせと、事故発生度との相関関係を定義する事故発生予測テーブルＴを作成する。

次に、図６を参照して、第１実施形態による交通データ取得処理部１３の動作について説明する。図６は、第１実施形態による交通データ取得処理部１３が実行する処理の流れを示した例示フローチャートである。

図６に示すように、交通データ取得処理部１３は、まず、Ｓ１１において、路側センサ２０１ａ〜２０３ａから現在交通データを取得する。ここで取得される現在交通データは、路線Ｒ上の各地点で現在計測された第１の現在交通データと、第１の現在交通データの計測地点の上流側および下流側に隣接する２地点で第１の現在交通データと同時に計測された第２の現在交通データとの組み合わせである。後述するように、Ｓ１１の処理は、所定時間間隔で定期的に実行される。

また、交通データ取得処理部１３は、Ｓ１２において、Ｓ１１で取得した第１の現在交通データおよび第２の現在交通データの組み合わせを、現在データベース１４に保存する。前述したように、現在データベース１４は、少なくとも、交通データ取得処理部１３が取得した直近２回分の現在交通データを記憶可能に構成されている。これにより、交通データ取得処理部１３は、Ｓ１２において、今回取得した第１の現在交通データおよび第２の現在交通データの組み合わせを、前回取得した第１の現在交通データである第３の現在交通データと対応付けて保存する。

また、交通データ取得処理部１３は、Ｓ１３において、現在データベース１４から現在交通データを読み出し、予報処理部１５に出力する。ここで出力される現在交通データは、上記の第１の現在交通データ、第２の現在交通データ、および第３の現在交通データの組み合わせである。

また、交通データ取得処理部１３は、Ｓ１４において、所定時間待機する。そして、所定時間の待機が完了した場合、Ｓ１１に処理が戻る。これにより、Ｓ１１の処理が所定時間間隔で定期的に実行される。

次に、図７を参照して、第１実施形態による予報処理部１５の動作について説明する。図７は、第１実施形態による予報処理部１５が実行する処理の流れを示した例示フローチャートである。

図７に示すように、予報処理部１５は、まず、Ｓ２１において、現在交通データの入力を受け付ける。ここで受け付ける現在交通データは、上記図６のＳ１３において交通データ取得処理部１３から入力される第１の現在交通データ、第２の現在交通データ、および第３の現在交通データの組み合わせである。

また、予報処理部１５は、Ｓ２２において、上記図３のＳ３でテーブル作成処理部１２が作成した事故発生予測テーブルＴと、Ｓ２１で受け付けた現在交通データとを用いて、対象地点における事故の発生しやすさを予報する。このＳ２２における予報には、次のような自己組織化マップが用いられる。

図８は、第１実施形態による予報処理部１５が用いる自己組織化マップの具体的構成を示した例示図である。この図８の自己組織化マップも、前述した図５の自己組織化マップと同様に、入力層と、競合層と、事故発生度分布の層とを備えている。この図８の自己組織化マップにおける競合層および事故発生度分布の層は、図５の自己組織化マップによって作成されたものであり、事故発生予測テーブルＴに対応するものである。

図８の自己組織化マップでは、入力ベクトルとして、第１の現在交通データ、第２の現在交通データ、および第３の現在交通データの組み合わせが用いられる。前述したように、第１の現在交通データは、路線Ｒ上の各地点において現在計測された３種類のデータ（車両の速度、交通量、および車両密度）により構成される。また、第２の現在交通データは、第１の現在交通データの計測地点の上流側に隣接する地点において第１の現在交通データと同時に計測された上記同様の３種類のデータと、第１の現在交通データの計測地点の下流側に隣接する地点において第１の過去交通データと同時に計測された上記同様の３種類のデータとの合計６種類のデータにより構成される。また、第３の現在交通データは、第１の現在交通データの計測地点において第１の現在交通データの計測時より所定時間前に計測された上記同様の３種類のデータにより構成される。なお、図８の自己組織化マップでは、図５の自己組織化マップと異なり、入力ベクトルに対応する事故発生度を入力する必要はない。

図８の自己組織化マップでは、まず、（１１）勝者ユニットを決定する処理が実行される。そして、（１２）当該勝者ユニットに対応した事故発生度分布の層上のユニットを選択する処理が実行される。そして、（１３）選択されたユニットの値を事故発生度として出力する処理が実行される。なお、勝者ユニットの定義については、既に説明したため、ここでは説明を省略する。

ここで、前述したように、図８の自己組織化マップにおける競合層および事故発生度分布の層は、図５の自己組織化マップによって作成されたものであり、事故発生予測テーブルＴに対応するものである。したがって、図８の自己組織化マップでは、（１１）〜（１３）の処理が実行されることで、入力ベクトルとして入力される第１の現在交通データ、第２の現在交通データ、および第３の現在交通データの組み合わせに最も類似した第１の過去交通データ、第２の過去交通データ、および第３の過去交通データの組み合わせが事故発生予測テーブルＴから抽出され、当該抽出された組み合わせに対応して事故発生予測テーブルＴに登録された事故発生度が出力される。第１実施形態では、このように出力される事故発生度に基づいて、現在の交通状況における事故の発生しやすさが予報される。

図７に戻り、予報処理部１５は、Ｓ２３において、Ｓ２２での予報結果を管制情報表示部３００に出力する。これにより、現在の交通状況に対応した事故の発生しやすさが管制員などに通知される。

以上説明したように、第１実施形態によるテーブル作成処理部１２は、３種類の過去交通データ（第１の過去交通データ、第２の過去交通データ、および第３の過去交通データ）を用いて学習を行い、当該学習の結果に基づいて、路線Ｒ上の各地点における事故の発生しやすさを表す事故発生予測テーブルＴを作成する。なお、第１の過去交通データとは、路線Ｒ上の各地点において過去に計測された交通データであり、第２の過去交通データとは、第１の過去交通データの計測地点の上流側および下流側に隣接する２地点において第１の過去交通データと同時に計測された交通データであり、第３の過去交通データとは、第１の過去交通データの計測地点において第１の過去交通データの計測時より所定時間前に計測された交通データである。

また、第１実施形態による予報処理部１５は、上記の事故発生予測テーブルＴと、３種類の現在交通データ（第１の現在交通データ、第２の現在交通データ、および第３の現在交通データ）とを用いて、事故の発生しやすさを予報する。なお、第１の現在交通データとは、路線Ｒ上の各地点において現在計測された交通データであり、第２の現在交通データとは、第１の現在交通データの計測地点の上流側および下流側に隣接する２地点において第１の現在交通データと同時に計測された交通データであり、第３の現在交通データとは、第１の現在交通データの計測地点において第１の現在交通データの計測時より所定時間前に計測された交通データである。

第１実施形態では、テーブル作成処理部１２および予報処理部１５が上記のように構成されていることによって、事故の発生しやすさの学習および予報を行う基となる情報がたとえば１種類だけである場合と異なり、より多くの情報を基に、事故の発生しやすさの学習および予報を行うことができる。この結果、事故の発生しやすさの学習および予報の精度を高めることができる。

ここで、第１実施形態によって得られる効果（メリット）についてより詳細に説明する。

図９は、第１実施形態による学習および予報の際に３地点で計測される交通データを利用することのメリットを説明するための例示図である。図９（Ａ）〜（Ｅ）は、図１の３地点Ｐ１〜Ｐ３において計測される５種類の異なる交通状況（簡単化のため、車両の速度のみ）の具体例を示している。前述したように、地点Ｐ１、Ｐ２、およびＰ３における車両の速度は、それぞれ、路側センサ２０１ａ、２０２ａ、および２０３ａによって計測される。

一般的に、事故の発生要因の一つである渋滞は、車両の流れ方向の下流側から延びてくる。つまり、渋滞の最後尾は、下流側から上流側に移動する。たとえば、図９（Ａ）は、渋滞の最後尾が地点Ｐ１と地点Ｐ３との間に存在する場合の交通状況の具体例を示している。また、図９（Ｂ）は、図９（Ａ）における渋滞の最後尾が時間経過によって地点Ｐ１と地点Ｐ２との間まで延びてきた場合の交通状況の具体例を示している。

図９（Ａ）の例では、地点Ｐ１で計測される車両の速度だけを根拠にすると、地点Ｐ１で車両は渋滞に嵌っておらず、地点Ｐ１で事故が発生する可能性は比較的低いと判定できる。しかしながら、図９（Ａ）の例では、地点Ｐ３で計測される車両の速度は比較的小さいため、渋滞の最後尾が地点Ｐ１と比較的近い位置（地点Ｐ１と地点Ｐ３との間）に存在している。このような場合、図９（Ａ）のような交通状況が比較的近い未来に図９（Ｂ）のような交通状況に変化することが予想されるため、比較的近い未来に地点Ｐ１で渋滞が発生し、地点Ｐ１で事故が発生する可能性が大きくなることが予想される。このような予想は、地点Ｐ１で計測される車両の速度を根拠にするだけでは実行不可能である。そこで、第１実施形態では、地点Ｐ１〜Ｐ３の３地点で計測される車両の速度を考慮して学習および予報を行うことで、渋滞の最後尾が比較的近い位置に存在するか否かも考慮した、より精度の高い学習および予報を実現している。

また、一般的に、渋滞中には速度が比較的大きい部分と比較的小さい部分とが生じることがあり、密度で言うと粗密がある。たとえば、図９（Ｃ）は、地点Ｐ１における渋滞の度合は比較的大きいが、地点Ｐ２およびＰ３における渋滞の度合は比較的小さい交通状況の具体例を示している。また、図９（Ｄ）は、地点Ｐ１における渋滞の度合は比較的小さいが、地点Ｐ２およびＰ３における渋滞の度合は比較的大きい交通状況の具体例を示している。

図９（Ｃ）の例では、地点Ｐ１における渋滞の度合が、比較的近い未来に小さくなることが見込まれる。また、図９（Ｄ）の例では、地点Ｐ１における渋滞の度合が、比較的近い未来に大きくなることが見込まれる。しかしながら、地点Ｐ１で計測される車両の速度だけを根拠にすると、このような見込みをたてることは不可能である。そこで、第１実施形態では、地点Ｐ１の１地点だけでなく、地点Ｐ１〜Ｐ３の３地点で計測される車両の速度を考慮して学習および予報を行うことで、渋滞の疎密も考慮した、より精度の高い学習および予報を実現している。

さらに、前述した渋滞の最後尾の位置と同様に、渋滞の先頭の位置も、事故の発生しやすさに影響を与えると考えられる。図９（Ｅ）は、渋滞の先頭が地点Ｐ１とＰ３との間に存在する場合の交通状況の具体例を示している。

図９（Ｅ）の例では、地点Ｐ１で計測される車両の速度だけを根拠にすると、地点Ｐ１で車両が渋滞に嵌っており、地点Ｐ１で事故が発生する可能性は比較的高いと判定できる。しかしながら、図９（Ｅ）の例では、地点Ｐ３では渋滞は発生していないため、渋滞の先頭が地点Ｐ１と比較的近い位置に存在している。渋滞の先頭が地点Ｐ１と比較的近い位置に存在している場合と、渋滞の先頭が地点Ｐ１から比較的遠い位置に存在している場合とでは、地点Ｐ１で事故が発生する可能性は異なる。そこで、第１実施形態では、地点Ｐ１の１地点だけでなく、地点Ｐ１〜Ｐ３の３地点で計測される車両の速度を考慮して学習および予報を行うことで、渋滞の先頭の位置が比較的近い位置に存在するか否かも考慮した、より精度の高い学習および予報を実現している。

このように、第１実施形態によれば、１地点の交通状況のみならず、当該１地点に隣接する２地点の交通状況も考慮することで、渋滞などの事故の発生要因となり得る特徴をより細かくとらえることができるので、より精度の高い学習および予報を実現することができる。

図１０は、第１実施形態による学習および予報の際に時系列の異なる２種類の交通データを利用することのメリットを説明するための例示図である。時系列の異なる２種類の交通データとは、第１の過去交通データおよび第２の過去交通データ（第１の現在交通データおよび第２の現在交通データ）と、第１の過去交通データおよび第２の過去交通データの計測時より所定時間前に計測される第３の過去交通データ（第３の現在交通データ）とのことである。

一般的に、交通工学においては、車両の密度は、自由流の状態から、メタ安定状態（図１０において丸で囲んだ部分参照）に遷移し、渋滞は、メタ安定状態への遷移後に発生することが知られている。なお、自由流の状態とは、車両が自由に走行可能な状態のことを言い、メタ安定状態とは、本来なら渋滞してしまうはずの密度であっても車両が走行可能になっている状態のことを言う。

交通工学における上記の知識によれば、渋滞発生の兆候は、交通データ（車両の密度）の時間変化として表れる。そこで、第１実施形態では、ある１時点での交通データのみならず、当該１時点より所定時間前の交通データも考慮することで、交通データの時間変化に対応する渋滞発生の兆候を精度よく検出し、渋滞に起因する事故が発生する可能性を早期に予報することができる。

（第２実施形態）
次に、図１１を参照して、第２実施形態による事故発生予報システム１００ａについて説明する。この第２実施形態では、学習および予報が１つの装置（事故発生予報システム１００、図１参照）により行われる第１実施形態と異なり、学習および予報が２つの装置に分けて行われる。

すなわち、図１１に示すように、第２実施形態による事故発生予報システム１００ａは、学習を行う学習システム１０１と、予報を行う予報システム１０２とを備える。学習システム１０１と、予報システム１０２とは、互いに独立に設けられる。

学習システム１０１は、過去データベース１１およびテーブル作成処理部１２を備え、予報システム１０２は、交通データ取得処理部１３、現在データベース１４、および予報処理部１５を備える。なお、過去データベース１１、テーブル作成処理部１２、交通データ取得処理部１３、現在データベース１４、および予報処理部１５は、第１実施形態と同様であるため、ここでは説明を省略する。

第２実施形態では、学習システム１０１は、テーブル作成処理部１２が作成した事故発生予測テーブルＴを予報システム１０２に受け渡す。受け渡しの方法としては、通信を用いたオンラインでの受け渡しや、記憶媒体を用いたオフラインでの受け渡しなどが考えられる。予報システム１０２は、学習システム１０１から受け渡された事故発生予測テーブルＴと、交通データ取得処理部１３が取得した現在交通データとを用いて、路線Ｒ上の各地点における事故の発生しやすさを予報し、予報結果を管制情報表示部３００に出力する。

なお、第２実施形態のその他の構成および効果は、第１実施形態と同様である。

（変形例）
上記の第１および第２実施形態では、学習および予報を行うための方法として、自己組織化マップを用いた方法を例示した。しかしながら、学習および予報の方法としては、自己組織化マップを用いた方法以外にも、種々の方法が考えられる。たとえば、比較的簡単な方法として、事故発生時の過去交通データを保持（蓄積）して現在交通データと単純に比較する方法や、事故発生時の過去交通データの組合せを統計処理でクラスタリングし、事故発生時に類似したケースの交通データを生成する方法などが考えられる。また、他の方法として、たとえばペイジアンネットワークなどの他の多変量解析を利用した方法も考えられる。

また、上記の第１および第２実施形態では、ある計測地点と、当該ある計測地点の上流側および下流側に隣接する２つの計測地点との、合計３地点で計測された３種類の交通データの組み合わせ（第１の現在（過去）交通データと第２の現在（過去）交通データと第３の現在（過去）交通データとの組み合わせ）を基に学習および予報を行う例を示した。しかしながら、変形例として、ある計測地点と、当該ある計測地点の上流側および下流側に隣接する２つの計測地点のうちいずれか一方との、合計２地点で計測された２種類の交通データを用いて、学習および予報を行う例も考えられる。この変形例によれば、取り扱うデータの量が減るので、計算負荷を下げることができる。なお、上流側および下流側のどちら側の交通データを用いるかは、対象路線が有する全体的な特徴または局所的な特徴を考慮して決定すればよい。

また、上記の第１および第２実施形態では、ある時点で計測された交通データ（第１の現在（過去）交通データおよび第２の現在（過去）交通データ）と、当該ある時点より所定時間前に計測された交通データ（第３の現在（過去）交通データ）との、時系列の異なる２種類の交通データを基に学習および予報を行う例を示した。しかしながら、変形例として、ある時点で計測された交通データのみを基に学習および予報を行うことも考えられる。この変形例によっても、取り扱うデータの量が減るので、計算負荷を下げることができる。

また、上記の第１および第２実施形態では、学習の基となる過去交通データ（第１の過去交通データ、第２の過去交通データ、第３の過去交通データ）および予報の基となる現在交通データ（第１の現在交通データ、第２の現在交通データ、第３の現在交通データ）の例として、交通量、車両密度、占有率、および車両の速度を例示した。しかしながら、これら４種類以外の他の情報であっても、事故の発生と相関が見られる情報であれば、学習および予報の基として用いてよい。たとえば、雨天時などの天候が悪い時に事故が起こりやすいことは明確であるので、降雨の有無などの天候の好悪を示す天候情報は、事故の発生と相関が見られる。したがって、変形例としては、天候情報を、学習および予報の基として用いる例が考えられる。つまり、変形例としては、交通量、車両密度、占有率、車両の速度、および天候情報のうち１以上を、学習および予報の基として用いる例が考えられる。

以上、本発明の実施形態を説明したが、上記実施形態はあくまで一例であって、発明の範囲を限定することは意図していない。上記実施形態は、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。上記実施形態は、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。

１００、１００ａ 事故発生予報システム
１２ テーブル作成処理部
１３ 交通データ取得処理部
１５ 予報処理部

Claims (6)

1. 路線上の各地点において過去に計測された第１の過去交通データと、前記第１の過去交通データの計測地点の上流側および下流側に隣接する２地点のうち少なくとも一方の地点において前記第１の過去交通データと同時に計測された第２の過去交通データとを対応付けて学習を行い、学習結果に基づいて、前記各地点における事故の発生しやすさを表す事故発生予測テーブルを作成するテーブル作成処理部と、
   前記各地点において現在計測された第１の現在交通データと、前記少なくとも一方の地点において前記第１の現在交通データと同時に計測された第２の現在交通データとを取得する交通データ取得処理部と、
   前記事故発生予測テーブルと、前記第１の現在交通データおよび前記第２の現在交通データとを用いて、前記各地点における事故の発生しやすさを予報する予報処理部とを備える、事故発生予報システム。
2. 前記テーブル作成処理部は、前記学習として、前記第１の過去交通データおよび前記第２の過去交通データを、前記第１の過去交通データの計測地点において前記第１の過去交通データの計測時より所定時間前に計測された第３の過去交通データとさらに対応付けて学習を行い、
   前記交通データ取得処理部は、前記第１の現在交通データおよび前記第２の現在交通データを前記所定時間間隔で定期的に取得し、
   前記予報処理部は、前記事故発生予測テーブルと、今回取得された前記第１の現在交通データおよび前記第２の現在交通データと、前回取得された前記第１の現在交通データである第３の現在交通データとを用いて、前記各地点における事故の発生しやすさを予報する、請求項１に記載の事故発生予報システム。
3. 前記テーブル作成処理部は、前記第１の過去交通データおよび前記第２の過去交通データとして、交通量、車両密度、占有率、車両の速度、および天候情報のうち１以上を用いて前記学習を行い、
   前記交通データ取得処理部は、前記第１の現在交通データおよび前記第２の現在交通データとして、交通量、車両密度、占有率、車両の速度、および天候情報のうち１以上を取得する、請求項１に記載の事故発生予報システム。
4. 路線上の各地点において過去に計測された第１の過去交通データと、前記第１の過去交通データの計測地点の上流側および下流側に隣接する２地点のうち少なくとも一方の地点において前記第１の過去交通データと同時に計測された第２の過去交通データとを対応付けて学習を行い、学習結果に基づいて、前記各地点における事故の発生しやすさを表す事故発生予測テーブルを作成する作成ステップと、
   前記各地点において現在計測された第１の現在交通データと、前記少なくとも一方の地点において前記第１の現在交通データと同時に計測された第２の現在交通データとを取得する取得ステップと、
   前記事故発生予測テーブルと、前記第１の現在交通データおよび前記第２の現在交通データとを用いて、前記各地点における事故の発生しやすさを予報する予報ステップとを備える、事故発生予報方法。
5. 前記作成ステップは、前記学習として、前記第１の過去交通データおよび前記第２の過去交通データを、前記第１の過去交通データの計測地点において前記第１の過去交通データの計測時より所定時間前に計測された第３の過去交通データとさらに対応付けて学習を行うことを含み、
   前記取得ステップは、前記第１の現在交通データおよび前記第２の現在交通データを前記所定時間間隔で定期的に取得することを含み、
   前記予報ステップは、前記事故発生予測テーブルと、今回取得された前記第１の現在交通データおよび前記第２の現在交通データと、前回取得された前記第１の現在交通データである第３の現在交通データとを用いて、前記各地点における事故の発生しやすさを予報することを含む、請求項４に記載の事故発生予報方法。
6. 前記作成ステップは、前記第１の過去交通データおよび前記第２の過去交通データとして、交通量、車両密度、占有率、車両の速度、および天候情報のうち１以上を用いて前記学習を行うことを含み、
   前記取得ステップは、前記第１の現在交通データおよび前記第２の現在交通データとして、交通量、車両密度、占有率、車両の速度、および天候情報のうち１以上を取得することを含む、請求項４に記載の事故発生予報方法。