JP2018067116A - 事故予報システム、および、事故予報方法 - Google Patents

Abstract

【課題】道路交通事故の発生しやすさの予報の精度をより高めること。【解決手段】実施形態における事故予報システムは、事故予報用テーブル作成処理部と、データ取得処理部と、事故予報処理部と、を備える。事故予報用テーブル作成処理部は、道路の所定の区間について、交通データが入力ベクトルとして入力される入力層と、入力ベクトルの各ユニットに対応した複数のユニットからなる競合層と、入力層の各ユニットと競合層の各ユニットを全結合する重みベクトルと、を有する学習アルゴリズムである自己組織化マップに基づいて、事故データを含む過去交通データを用いて事故発生パターンを学習して、競合層のユニットごとに対応した、事故の発生しやすさを示す事故発生度と、事故予報時の入力ベクトルと競合層の勝者ユニットの重みベクトルとの乖離度に応じて事故発生度を調整するための調整係数と、を含む事故予報用テーブルを作成する。【選択図】図１

Description

本発明の実施形態は、事故予報システム、および、事故予報方法に関する。

近年、道路における各地点で過去に計測された交通データ（交通事故発生時に計測された交通データを含む。）を使用してコンピュータ装置による学習を行い、当該各地点における事故（交通事故）の発生しやすさ（事故発生度）を予報（予測）することが検討されている。

特開２０１４−３５６３９号公報 特開２０１０−３９９９２号公報

上記した従来技術では、道路交通事故の発生しやすさの予報の精度をより高めることが望まれている。

実施形態における事故予報システムは、事故予報用テーブル作成処理部と、データ取得処理部と、事故予報処理部と、を備える。前記事故予報用テーブル作成処理部は、道路の所定の区間について、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ユニットに対応した複数の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、を有する学習アルゴリズムである自己組織化マップに基づいて、事故データを含む過去交通データを用いて事故発生パターンを学習して、前記競合層のユニットごとに対応した、事故の発生しやすさを示す事故発生度と、事故予報時の入力ベクトルと前記競合層の勝者ユニットの重みベクトルとの乖離度に応じて前記事故発生度を調整するための調整係数と、を含む事故予報用テーブルを作成する。前記データ取得処理部は、前記区間について、交通状況を計測するセンサから現在交通データを取得する。前記事故予報処理部は、前記事故予報用テーブルを用いて、前記現在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する事故発生度を、当該入力ベクトルと前記勝者ユニットの重みベクトルの乖離度と、前記勝者ユニットに対応した前記調整係数と、を用いて調整し、当該調整した事故発生度を出力する。

図１は、実施形態における事故予報システムの構成の例を示したブロック図である。 図２は、実施形態において、道路に関して事故予報の単位となる区間と道路センサ部との関係の例を模式的に示した説明図である。 図３は、実施形態における事故予報用テーブル作成処理の流れの例を示したフローチャートである。 図４は、実施形態において用いられる事故予報用の自己組織化マップの一般的な構成の例を示した図である。 図５は、実施形態において用いられる事故予報用の自己組織化マップによる事故発生度分布の作成例の説明図である。 図６は、実施形態において用いられる事故予報用の自己組織化マップによる調整係数分布の作成例の説明図である。 図７は、実施形態における調整係数設定処理の流れを示したフローチャートである。 図８は、実施形態における調整係数の例（ｋ＝１の場合）を示した図である。 図９は、実施形態における調整係数の例（ｋ＝０．５の場合）を示した図である。 図１０は、実施形態における調整係数の例（ｋ＝０．１の場合）を示した図である。 図１１は、実施形態における事故予報用テーブルの例を示した図である。 図１２は、実施形態における事故予報処理の流れを示したフローチャートである。 図１３は、図１２に対応する説明図である。

以下、本発明の実施形態について、図面を参照して説明する。なお、以下において、「予報」とは、道路における各地点で過去に計測された交通データ（交通事故発生時に計測された交通データを含む。）に基づいて、交通事故（以下、単に「事故」ともいう。）の発生の危険性を計算／予測して事故予報として報知する意味を含むが、予測結果の報知は行わずに、単に、当該各地点における事故の発生しやすさの「予測」だけを行う場合の意味も含むものとする。

まず、図１、図２を参照して、実施形態における事故予報システム１の構成について説明する。図１は、実施形態における事故予報システム１の構成の例を示したブロック図である。図２は、実施形態において、道路に関して事故予報の単位となる区間と道路センサ部ＲＳとの関係の例を模式的に示した説明図である。なお、図２の白抜き矢印Ｙは、道路Ｒ（以下「Ｒ」の記載を省略する場合あり。）上における車両の流れ方向を示す。

図１に示す事故予報システム１は、図２に示す道路Ｒ上の区間１、２、３、・・・それぞれに対応する道路センサ部ＲＳ_１、ＲＳ_２、ＲＳ_３、・・・により計測される交通データを用いて、各区間における交通事故の発生しやすさである事故発生度を予報するシステムである。なお、図２を用いた以下の説明では、説明を簡潔にするために、区間が区間１〜３の３つであるものとする。

道路センサ部ＲＳ_１〜ＲＳ_３は、それぞれ、道路Ｒ上の区間１〜３を走行する車両を検知可能なセンサ（センシングデバイス）を含む。このセンサは、例えば、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から構成される。以下、道路センサ部ＲＳ_１〜ＲＳ_３それぞれを特に区別しないときは、道路センサ部ＲＳと総称する。

また、道路センサ部ＲＳは、交通データ処理部を含む。具体的に、交通データ処理部は、センサによって計測された交通データに基づいて、道路Ｒ上を走行する車両の交通量［台／ｈ］、平均速度［ｋｍ／ｈ］、車両密度［台／ｋｍ］、占有率（オキュパンシー）［％］などを算出し、算出結果を道路交通管制装置２に送信する。この算出と送信は、例えば、１分や５分等の時間単位で実行される。なお、道路センサ部ＲＳがセンサによる計測結果だけを道路交通管制装置２のデータ取得処理部２１１に送信し、データ取得処理部２１１が交通量等を算出するようにしてもよい。

図１に示すように、事故予報システム１は、道路交通管制装置２と、事故予報用テーブル作成装置３と、を備える。道路交通管制装置２は、例えば、一般に道路交通管制システムと呼ばれているコンピュータシステムである。なお、道路交通管制装置２は、図１では説明を簡潔にするために１台のコンピュータ装置のように示しているが、複数台のコンピュータ装置によって実現してもよい。

道路交通管制装置２は、処理部２１と、記憶部２２と、表示部２３と、入力部２４と、を備える。なお、道路交通管制装置２は、外部装置との通信のための通信部も有しているが、説明を簡潔にするために図示および説明を省略する。

処理部２１は、道路交通管制装置２の全体の動作を制御し、道路交通管制装置２が有する各種の機能を実現する。処理部２１は、例えば、ＣＰＵ（Central Processing Unit）と、ＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を備える。ＣＰＵは、道路交通管制装置２の動作を統括的に制御する。ＲＯＭは、各種プログラムやデータを記憶する記憶媒体である。ＲＡＭは、各種プログラムを一時的に記憶したり、各種データを書き換えたりするための記憶媒体である。ＣＰＵは、ＲＡＭをワークエリア（作業領域）としてＲＯＭ、記憶部２２等に格納されたプログラムを実行する。処理部２１は、データ取得処理部２１１と、事故予報処理部２１２と、受信処理部２１３と、表示制御部２１４と、を備える。

データ取得処理部２１１は、予報対象の道路の各区間について、交通状況を計測する道路センサ部ＲＳから交通データを取得する。そして、データ取得処理部２１１は、その取得した交通データを、記憶部２２の現在データベース２２１に現在交通データとして蓄積するとともに、事故予報用テーブル作成装置３の記憶部３２の過去データベース３２１に過去交通データとして蓄積するように送信する。なお、道路の車線が複数で、それぞれの車線に対応して道路センサ部ＲＳが設定されている場合、データ取得処理部２１１は、例えば、各車線の交通データを統合すればよい。また、本実施形態において、交通データのうち、例えば直近の数分間程度の交通データを現在交通データと称し、現在交通データを含む過去の長期間の交通データを過去交通データと称する。また、過去交通データは、交通事故発生時に計測された交通データも含んでいる。

事故予報処理部２１２は、記憶部２２の事故予報用テーブルデータベース２２２に記憶された事故予報用テーブルを用いて、現在交通データからなる入力ベクトルに対する競合層の勝者ユニットに対応する事故発生度を、当該入力ベクトルと勝者ユニットの重みベクトルの乖離度と、勝者ユニットに対応した調整係数と、を用いて調整し、当該調整した事故発生度を出力する（詳細は後述）。

受信処理部２１３は、事故予報用テーブル作成装置３の送信処理部３１２から受信した事故予報用テーブル（詳細は後述）を記憶部２２の事故予報用テーブルデータベース２２２に格納する。なお、受信処理部２１３は、事故予報用テーブルが複数の場合は、それぞれの識別情報とともに事故予報用テーブルデータベース２２２に格納する。

表示制御部２１４は、事故予報処理部２１２による事故の予報結果（後述する事故発生度等）を表示部２３に事故予報として表示するよう制御を行う。例えば、事故発生度が高い区間については事故が発生しやすいものとして表示部２３の警報ランプを点灯表示する等して管制員に知らせるのが好ましい。なお、事故の予報結果の表示については、例えば、０から１０までの１１段階での表示や、３段階に分けてそれぞれ色分けしての表示など、どのような方法で行ってもよい。また、道路交通管制装置２では、事故発生度が高い区間を表示する場合、例えば、併せて、音声出力手段（不図示）により警報音を鳴らす等してもよい。

記憶部２２は、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの記憶装置である。記憶部２２は、現在データベース２２１と、事故予報用テーブルデータベース２２２と、を記憶する。

現在データベース２２１は、データ取得処理部２１１が取得した直近の例えば数分間程度の交通データ（現在交通データ）を記憶する。また、現在データベース２２１では、データ取得処理部２１１にて取得された交通データを蓄積するとともに、対象道路の特性を表す道路特性データ（例えば路線長、車線数、設定速度、センサ設置位置、各計測地点の周辺情報、料金所位置等の路線の構造情報）を格納する。対象道路の特性を表す道路特性データは、事前のシステム構築時に入力しておいてもよいが、管制官等により後で修正してもよい。現在データベース２２１における現在交通データは、事故予報処理部２１２にて事故予報（予測）を行う際に利用される。

事故予報用テーブルデータベース２２２は、受信処理部２１３から受信した１つ以上の事故予報用テーブル（詳細は後述）を記憶する。

表示部２３は、例えば、事故予報処理部２１２による事故の予報結果等を、表示制御部２１４を介して受信して表示する。表示部２３は、例えば、液晶表示装置（ＬＣＤ（Liquid Crystal Display））、有機ＥＬ（Electro-Luminescence）表示装置等により実現される。

入力部２４は、道路交通管制装置２に対するユーザの操作を受け付ける。入力部２４は、例えば、キーボード、マウス等の入力装置である。

次に、事故予報用テーブル作成装置３について説明する。事故予報用テーブル作成装置３は、事故予報用テーブルを作成するためのコンピュータ装置である。事故予報用テーブル作成装置３は、処理部３１と、記憶部３２と、表示部３３と、入力部３４とを備えている。なお、事故予報用テーブル作成装置３は、外部装置との通信のための通信部も有しているが、説明を簡潔にするために図示および説明を省略する。

処理部３１は、事故予報用テーブル作成装置３の全体の動作を制御し、事故予報用テーブル作成装置３が有する各種の機能を実現する。処理部３１は、例えば、ＣＰＵと、ＲＯＭと、ＲＡＭと、を備える。ＣＰＵは、事故予報用テーブル作成装置３の動作を統括的に制御する。ＲＯＭは、各種プログラムやデータを記憶する記憶媒体である。ＲＡＭは、各種プログラムを一時的に記憶したり、各種データを書き換えたりするための記憶媒体である。ＣＰＵは、ＲＡＭをワークエリア（作業領域）としてＲＯＭ、記憶部３２等に格納されたプログラムを実行する。処理部３１は、事故予報用テーブル作成処理部３１１と、送信処理部３１２と、を備える。

事故予報用テーブル作成処理部３１１は、道路の所定の区間について、交通データが入力ベクトルとして入力される入力層と、入力ベクトルの各ユニットに対応した複数のユニットからなる競合層と、入力層の各ユニットと競合層の各ユニットを全結合する重みベクトルと、を有する学習アルゴリズムである自己組織化マップに基づいて、事故データを含む過去交通データを用いて事故発生パターンを学習して、競合層のユニットごとに対応した、事故の発生しやすさを示す事故発生度と、事故予報時の入力ベクトルと競合層の勝者ユニットの重みベクトルとの乖離度に応じて事故発生度を調整するための調整係数と、を含む事故予報用テーブルを作成する（詳細は後述）。

また、事故予報用テーブル作成処理部３１１は、競合層のユニットごとに対応した調整係数を設定する際、事故予報時に、乖離度が大きいほど事故発生度を大きく減少させるとともに、対応する競合層のユニットについて学習に用いた過去交通データにおける事故データの割合が小さいほど事故発生度を大きく減少させるように、調整係数を設定する（詳細は後述）。

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（入力データに対して理想的と考えられる出力）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と、事故予報用テーブル作成処理部３１１の具体的な処理については後述する。

送信処理部３１２は、事故予報用テーブル作成処理部３１１が作成した事故予報用テーブル（詳細は後述）を道路交通管制装置２に送信する。

記憶部３２は、ＨＤＤやＳＳＤなどの記憶装置である。記憶部３２は、過去データベース３２１、事故予報用テーブルデータベース３２２を記憶する。

過去データベース３２１は、過去交通データと、過去事故データと、道路特性データ（現在データベース２２１の道路特性データと同様。）を記憶する。過去交通データは、道路交通管制装置２のデータ取得処理部２１１から受信する現在交通データにより順次蓄積される。

過去事故データとは、対象道路において起きた過去の交通事故のデータ（事故データ）である。この過去事故データは、例えば、ユーザが事故帳票等を見ながら事故予報用テーブル作成装置３の入力部３４を用いて入力することで、記憶部３２の過去データベース３２１に格納するようにすればよい。過去事故データは、具体的には、例えば、事故に関する情報として、事故発生地点、事故発生日時、事故タイプ等を含んでいる。過去事故データは、過去数年以上の事故情報であることが好ましい。また、過去事故データは、ユーザが事故予報用テーブル作成装置３の入力部３４で入力するほか、ユーザが道路交通管制装置２の入力部２４で入力して道路交通管制装置２から事故予報用テーブル作成装置３に送信することで、記憶部３２の過去データベース３２１に格納するようにしてもよい。あるいは、他のコンピュータ装置にある過去事故データを、ＤＶＤ（Digital Versatile Disk）やＵＳＢ（Universal Serial Bus）メモリ等の情報記憶媒体を介して事故予報用テーブル作成装置３の記憶部３２の過去データベース３２１に格納するようにしてもよい。

事故予報用テーブルデータベース３２２は、事故予報用テーブル作成処理部３１１が作成した事故予報用テーブルを記憶する。

表示部３３は、各種画面を表示する。表示部３３は、例えば、液晶表示装置（ＬＣＤ）、有機ＥＬ表示装置等により実現される。

入力部３４は、事故予報用テーブル作成装置３に対するユーザの操作を受け付ける。入力部３４は、例えば、キーボード、マウス等の入力装置である。

次に、本実施形態における事故予報システム１の動作について説明する。まず、図３を参照して（他図も適宜参照。）、本実施形態における事故予報用テーブル作成処理について説明する。図３は、実施形態における事故予報用テーブル作成処理の流れの例を示したフローチャートである。

図３に示すように、事故予報用テーブル作成処理部３１１は、まず、ステップＳ１において、過去データベース３２１から過去交通データと過去事故データを読み出す。

次に、事故予報用テーブル作成処理部３１１は、ステップＳ２において、ステップＳ１で読み出した過去交通データと過去事故データに基づいて、交通データと事故の発生しやすさとの相関関係を学習し、ステップＳ３において、事故予報用テーブルを作成する。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を用いる。

図４は、本実施形態において用いられる事故予報用の自己組織化マップの一般的な構成の例を示した図である。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。ここで、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、本実施形態において用いられる事故予報用の自己組織化マップによる事故発生度分布の作成例の説明図である。図５に示すように、過去データベース３２１から読み出された過去交通データが、学習対象の入力ベクトルとして用いられる。例えば、過去交通データは、道路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（交通量、平均速度および車両密度）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、例えば特開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。

また、入力ベクトルとして用いられる過去交通データ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。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、例えば「１」（または「１００」）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、例えば「０」に設定される。また、入力ベクトルの各要素が事故発生直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」））よりも小さい値に設定される。

本実施形態では、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。

本実施形態では、上記の（１）〜（３）の処理が繰り返し実行されることで、過去交通データと事故発生度との相関関係が学習される。つまり、複数の事故発生度からなる事故発生度分布が完成する。なお、従来の自己組織化マップを用いた事故予報では、入力ベクトルに対して勝者ユニットが決まった場合に、入力ベクトルとその勝者ユニットの重みベクトルとの乖離度の大きさに関係なく、単一の事故発生度を出力していた。しかし、自己組織化マップを用いた手法であることの性質上、乖離度の大きさによって事故発生度を調整することで、事故の発生しやすさの予報の精度をより高めることができると考えられる。そこで、本実施形態では、事故発生度を調整する調整係数を導入する。

事故発生度分布が完成した後、複数の調整係数からなる調整係数分布を作成する。これについて、図６、図７を参照して説明する。図６は、本実施形態において用いられる事故予報用の自己組織化マップによる調整係数分布の作成例の説明図である。図７は、実施形態における調整係数設定処理の流れを示したフローチャートである。なお、調整係数とは、事故予報時の入力ベクトルと競合層の勝者ユニットの重みベクトルとの乖離度に応じて事故発生度を調整するための係数であり、競合層のユニットごとに対応して設定される。また、本実施形態では、調整係数は、事故予報時に事故発生度に乗算されるもので、乖離度に応じて変化する値である。

図７に示すように、事故予報用テーブル作成処理部３１１は、まず、入力ベクトル（過去交通データ）を入力層に入力する（ステップＳ１１）。次に、事故予報用テーブル作成処理部３１１は、自己組織化マップでその入力ベクトルに最も近い重みベクトルを持つ勝者ユニットを決定する（ステップＳ１２）。

次に、事故予報用テーブル作成処理部３１１は、勝者ユニットとなったユニットの学習用データ数（Ｎ）を１増加する（ステップＳ１３）。

次に、事故予報用テーブル作成処理部３１１は、その入力ベクトルが事故データであるか否かを判定し（ステップＳ１４）、Ｙｅｓの場合はステップＳ１５に進み、Ｎｏの場合はステップＳ１６に進む。

ステップＳ１５において、事故予報用テーブル作成処理部３１１は、勝者ユニットとなったユニットの事故データ数（Ｎａ）を１増加し、ステップＳ１６に進む。

ステップＳ１６において、事故予報用テーブル作成処理部３１１は、全入力ベクトルを処理したか否かを判定し、Ｙｅｓの場合はステップＳ１７に進み、Ｎｏの場合はステップＳ１１に戻る。

ステップＳ１７において、事故予報用テーブル作成処理部３１１は、１つのユニットの調整係数（γ）を設定する（詳細は後述）。次に、ステップＳ１８において、事故予報用テーブル作成処理部３１１は、全ユニットを処理したか否かを判定し、Ｙｅｓの場合は処理を終了し、Ｎｏの場合はステップＳ１７に戻る。

次に、ステップＳ１７の処理について、説明する。ここで、入力ベクトルをＶとし、対象ユニットの重みベクトルをＶｓとし、ΔＶ＝Ｖ−Ｖｓとする。｜ΔＶ｜は、ΔＶの大きさを示す。｜Ｖｓ｜は、Ｖｓの大きさを示す。ｋを任意の係数とする。

そして、γを次のように設定する。
Ｎａ≠０、かつ、｜ΔＶ｜≠０のとき、
γ＝ＭＩＮ（１，ｋ×（√（Ｎａ／Ｎ））／（｜ΔＶ｜／｜Ｖｓ｜））
つまり、γは、「１」と「ｋ×（√（Ｎａ／Ｎ））／（｜ΔＶ｜／｜Ｖｓ｜）」のうち、小さいほうの値である。

Ｎａ≠０、かつ、｜ΔＶ｜＝０のとき、γ＝１

なお、Ｎａ＝０のとき、γは、例えば、Ｎａ＝１のときと同じ値とすればよい。また、Ｎａ＝０のときは、事故発生度も０かそれに近い非常に小さな数であるので、γ＝１としてもよい。また、Ｎ＝０（学習用データがない）のときや、｜Ｖｓ｜＝０（Ｖｓのデータがない）のときなどは、便宜的に、γを０や１等の値に設定しておけばよい。

このようにして設定した調整係数の例は、図８〜図１０に示す通りである。図８は、本実施形態における調整係数の例（ｋ＝１の場合）を示した図である。図８において、例えば、Ｎａ／Ｎ＝１％の場合の調整係数は、｜ΔＶ｜／｜Ｖｓ｜（乖離度）が０．１以下では１で、また、｜ΔＶ｜／｜Ｖｓ｜が０．１超では｜ΔＶ｜／｜Ｖｓ｜が大きいほど小さくなっている。以下、Ｎａ／Ｎ＝５％、１０％、３０％、５０％、７０％、９９％のそれぞれの調整係数は、Ｎａ／Ｎが大きくなるほど、減少の度合いが小さくなっている。

また、図９は、実施形態における調整係数の例（ｋ＝０．５の場合）を示した図である。この場合、図８のｋ＝１の場合と比較して、調整係数の減少の度合いが全体的に大きい。また、図１０は、実施形態における調整係数の例（ｋ＝０．１の場合）を示した図である。この場合、図９のｋ＝０．５の場合と比較して、調整係数の減少の度合いが全体的に大きい。このように、ｋの値を任意に設定できることで、ユーザが所望の調整係数とすることができる。事故予報用テーブル作成処理部３１１は、このような調整係数を含む事故予報用テーブルを作成することができる。

図１１は、本実施形態における事故予報用テーブルの例を示した図である。事故予報用テーブルにおいては、競合層のユニットの識別情報であるユニット番号に、重みベクトル、事故発生度、調整係数の各項目が対応付けられている。なお、γ_１、γ_２、γ_３、γ_４は、それぞれ、ユニット番号１，２，３，４に対応する調整係数である。このように作成された事故予報用テーブルは、事故予報処理部２１２による事故予報処理の際に利用される。

次に、図１２、図１３を参照して、本実施形態における事故予報処理について説明する。図１２は、実施形態における事故予報処理の流れを示したフローチャートである。図１３は、図１２に対応する説明図である。

事故予報処理部２１２は、まず、入力ベクトル（現在交通データ）を入力層に入力する（ステップＳ２１）。次に、事故予報処理部２１２は、自己組織化マップでその入力ベクトルに最も近い重みベクトルを持つ勝者ユニットを決定する（ステップＳ２２。図１３の（１１））。

次に、事故予報処理部２１２は、事故予報用テーブルデータベース２２２の事故予報用テーブルを参照し、勝者ユニットに対応する事故発生度と調整係数を特定し（図１３の（１２）、（１３））、その事故発生度を、その調整係数を用いて調整する（ステップＳ２３。図１３の（１４））。例えば、事故予報処理部２１２は、事故発生度に調整係数を乗算することで、調整した事故発生度とする。

次に、事故予報処理部２１２は、ステップＳ２３で調整した事故発生度を出力する（ステップＳ２４。図１３の（１５））。その後、例えば、表示制御部２１４は、その調整された事故発生度を表示部２３に事故予報として表示するよう制御を行う。

このようにして、本実施形態の事故予報システム１によれば、学習アルゴリズムとして自己組織化マップを用いるとともに、さらに、調整係数を用いて事故発生度を調整することで、事故の発生しやすさの予報の精度をより高めることができる。具体的には、次の通りである。

上述したように、自己組織化マップを用いた手法であることの性質上、乖離度の大きさによって事故発生度を調整することで、事故の発生しやすさの予報の精度をより高めることができると考えられる。

そこで、本実施形態では、図８〜図１０に示すような調整係数によって、事故予報時に、当該乖離度が大きいほど事故発生度を大きく減少させるように、また、勝者ユニットについて学習に用いた過去交通データにおける事故データの割合が小さいほど事故発生度を大きく減少させるように、調整することによって、事故の発生しやすさの予報の精度をより高めることができるようにした。

なお、変形例として、次のようにしてもよい。図８〜図１０では、各調整係数が｜ΔＶ｜／｜Ｖｓ｜の値に応じて連続して値が変わるものとした。このほかに、例えば、調整係数を、競合層の対応するユニットについて学習に用いた過去交通データのうち当該ユニットの重みベクトルからの乖離度が最も大きい過去交通データの乖離度を境に不連続に値が変わるように設定してもよい。

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。

例えば、事故予報システム１を、道路交通管制装置２と事故予報用テーブル作成装置３からなる構成としたが、それらを一体化した単一の構成としてもよい。そうすれば、構成や処理がシンプルになるほか、リアルタイムに得られる交通データを使用して事故予報用テーブルを容易に更新できる等のメリットが生まれる。

また、図１の事故予報用テーブル作成装置３を、クラウドコンピューティング技術を利用してクラウド化させてもよい。

また、調整係数は、上述した具体的な計算例によって設定されるものに限定されず、他の計算により設定されてもよい。

１ 事故予報システム
２ 道路交通管制装置
３ 事故予報用テーブル作成装置
２１ 処理部
２２ 記憶部
２３ 表示部
２４ 入力部
２１１ データ取得処理部
２１２ 事故予報処理部
２１３ 受信処理部
２１４ 表示制御部
２２１ 現在データベース
２２２ 事故予報用テーブルデータベース
３１ 処理部
３２ 記憶部
３３ 表示部
３４ 入力部
３１１ 事故予報用テーブル作成処理部
３１２ 送信処理部
３２１ 過去データベース
３２２ 事故予報用テーブルデータベース
ＲＳ 道路センサ部

Claims (6)

1. 道路の所定の区間について、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ユニットに対応した複数の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、を有する学習アルゴリズムである自己組織化マップに基づいて、事故データを含む過去交通データを用いて事故発生パターンを学習して、前記競合層のユニットごとに対応した、事故の発生しやすさを示す事故発生度と、事故予報時の入力ベクトルと前記競合層の勝者ユニットの重みベクトルとの乖離度に応じて前記事故発生度を調整するための調整係数と、を含む事故予報用テーブルを作成する事故予報用テーブル作成処理部と、
   前記区間について、交通状況を計測するセンサから現在交通データを取得するデータ取得処理部と、
   前記事故予報用テーブルを用いて、前記現在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する事故発生度を、当該入力ベクトルと前記勝者ユニットの重みベクトルの乖離度と、前記勝者ユニットに対応した前記調整係数と、を用いて調整し、当該調整した事故発生度を出力する事故予報処理部と、
   を備える事故予報システム。
2. 前記事故予報用テーブル作成処理部は、前記競合層のユニットごとに対応した前記調整係数を設定する際、前記事故予報時に、前記乖離度が大きいほど前記事故発生度を大きく減少させるとともに、対応する前記競合層のユニットについて前記学習に用いた前記過去交通データにおける前記事故データの割合が小さいほど前記事故発生度を大きく減少させるように、前記調整係数を設定する、請求項１に記載の事故予報システム。
3. 前記調整係数は、前記事故予報時に前記事故発生度に乗算されるもので、前記乖離度に応じて変化する値であり、
   前記事故予報用テーブル作成処理部は、前記競合層のユニットごとに対応した前記調整係数を設定する際、対応する前記競合層のユニットについて前記学習に用いた前記過去交通データのうち当該ユニットの重みベクトルからの乖離度が最も大きい過去交通データの乖離度を境に不連続に値が変わるように設定する、請求項２に記載の事故予報システム。
4. 道路の所定の区間について、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ユニットに対応した複数の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、を有する学習アルゴリズムである自己組織化マップに基づいて、事故データを含む過去交通データを用いて事故発生パターンを学習して、前記競合層のユニットごとに対応した、事故の発生しやすさを示す事故発生度と、事故予報時の入力ベクトルと前記競合層の勝者ユニットの重みベクトルとの乖離度に応じて前記事故発生度を調整するための調整係数と、を含む事故予報用テーブルを作成する事故予報用テーブル作成処理ステップと、
   前記区間について、交通状況を計測するセンサから現在交通データを取得するデータ取得処理ステップと、
   前記事故予報用テーブルを用いて、前記現在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する事故発生度を、当該入力ベクトルと前記勝者ユニットの重みベクトルの乖離度と、前記勝者ユニットに対応した前記調整係数と、を用いて調整し、当該調整した事故発生度を出力する事故予報処理ステップと、
   を含む事故予報方法。
5. 前記事故予報用テーブル作成処理ステップは、前記競合層のユニットごとに対応した前記調整係数を設定する際、前記事故予報時に、前記乖離度が大きいほど前記事故発生度を大きく減少させるとともに、対応する前記競合層のユニットについて前記学習に用いた前記過去交通データにおける前記事故データの割合が小さいほど前記事故発生度を大きく減少させるように、前記調整係数を設定する、請求項４に記載の事故予報方法。
6. 前記調整係数は、前記事故予報時に前記事故発生度に乗算されるもので、前記乖離度に応じて変化する値であり、
   前記事故予報用テーブル作成処理ステップは、前記競合層のユニットごとに対応した前記調整係数を設定する際、対応する前記競合層のユニットについて前記学習に用いた前記過去交通データのうち当該ユニットの重みベクトルからの乖離度が最も大きい過去交通データの乖離度を境に不連続に値が変わるように設定する、請求項５に記載の事故予報方法。

Images