JP2018101205A - ネットワーク状態推定装置及びプログラム - Google Patents

ネットワーク状態推定装置及びプログラム Download PDF

Info

Publication number
JP2018101205A
JP2018101205A JP2016245662A JP2016245662A JP2018101205A JP 2018101205 A JP2018101205 A JP 2018101205A JP 2016245662 A JP2016245662 A JP 2016245662A JP 2016245662 A JP2016245662 A JP 2016245662A JP 2018101205 A JP2018101205 A JP 2018101205A
Authority
JP
Japan
Prior art keywords
state
node
network
observation
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2016245662A
Other languages
English (en)
Other versions
JP6743678B2 (ja
Inventor
峻 田口
Shun Taguchi
峻 田口
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Central R&D Labs Inc
Original Assignee
Toyota Central R&D Labs Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Central R&D Labs Inc filed Critical Toyota Central R&D Labs Inc
Priority to JP2016245662A priority Critical patent/JP6743678B2/ja
Publication of JP2018101205A publication Critical patent/JP2018101205A/ja
Application granted granted Critical
Publication of JP6743678B2 publication Critical patent/JP6743678B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

【課題】ネットワークの各ノードの状態を精度良く推定することができるようにする。【解決手段】状態予測部２０によって、推定対象のネットワークの各ノードについて、ノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、状態パラメータ記憶部１９に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する。観測生成部２２によって、各ノードについて、予測された次の時刻の前記ノードの状態に基づいて、観測の予測値を生成する。ノードデータ収集部１８によって、少なくとも１つのノードについての観測値を収集する。状態パラメータ更新部２４によって、観測値が収集されたノードの各々について、ノードの観測の予測値と、ノードの観測値との誤差に基づいて、ノードの状態、及びニューラルネットワークのパラメータを更新する。【選択図】図２

Description

本発明は、ネットワーク状態推定装置及びプログラムに関する。
従来より、交通情報センターからデータ受信し、平滑化処理によりノイズやデータ欠損を補間する交通状況予測装置が知られている（特許文献１）。この交通状況予測装置は、隣接するリンクとの相関係数を線形モデルとして各リンクの統計量学習と、予測を行う。
また、交通流のマクロモデル(Velocity Cell Transmission Model, CTM-v)を用いて交通流の予測を行っている技術が知られている（非特許文献１）。この技術では、さらに、逐次収集される各道路リンクの平均速度データを用いて交通流モデルのパラメータを更新することで、精度を高めている。
Daniel B. Work et al. "An ensemble kalman filtering approach to highway traffic estimation using gps enabled mobile devices". 47th IEEE Conference on Decision and Control, 2008.
特開2005-227972号公報
上記特許文献１の技術は、平滑化処理によりノイズやデータ欠損を補間しているが、データが得られない時間が長くなると、補間精度が低下し、状態を高精度に推定することができない。
また、非特許文献１の技術は、一般道などの道路ネットワークのモデル化精度が十分ではなく、予測がうまくいかなかった。
本発明は、上記の事情に鑑みてなされたもので、ネットワークの各ノードの状態を精度良く推定することができるネットワーク状態推定装置及びプログラムを提供することを目的とする。
上記の目的を達成するために第１の発明に係るネットワーク状態推定装置は、推定対象のネットワークの各ノードの状態を記憶する状態記憶手段と、前記推定対象のネットワークの各ノードについて、前記推定対象のネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段と、前記推定対象のネットワークの各ノードについて、前記状態予測手段によって予測された次の時刻の前記ノードの状態に基づいて、観測の予測値を生成する観測生成手段と、前記推定対象のネットワークの各ノードのうちの少なくとも１つのノードについての観測値を収集するノードデータ収集手段と、前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記観測生成手段によって生成された前記ノードの観測の予測値と、前記ノードの観測値との誤差に基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段と、を含んで構成されている。
第２の発明に係るプログラムは、推定対象のネットワークの各ノードの状態を記憶する状態記憶手段を含むコンピュータを、前記推定対象のネットワークの各ノードについて、前記推定対象のネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段、前記推定対象のネットワークの各ノードについて、前記状態予測手段によって予測された次の時刻の前記ノードの状態に基づいて、観測の予測値を生成する観測生成手段、前記推定対象のネットワークの各ノードのうちの少なくとも１つのノードについての観測値を収集するノードデータ収集手段、及び前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記観測生成手段によって生成された前記ノードの観測の予測値と、前記ノードの観測値との誤差に基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段として機能させるためのプログラムである。
第１の発明及び第２の発明によれば、状態予測手段によって、前記推定対象のネットワークの各ノードについて、前記推定対象のネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する。観測生成手段によって、前記推定対象のネットワークの各ノードについて、前記状態予測手段によって予測された次の時刻の前記ノードの状態に基づいて、観測の予測値を生成する。
そして、ノードデータ収集手段によって、前記推定対象のネットワークの各ノードのうちの少なくとも１つのノードについての観測値を収集する。状態パラメータ更新手段によって、前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記観測生成手段によって生成された前記ノードの観測の予測値と、前記ノードの観測値との誤差に基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する。
このように、推定対象のネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークを用いて、各ノードの次の時刻の状態を予測し、推定対象のネットワークの各ノードのうちの少なくとも１つのノードについての観測値を収集し、観測値が収集されたノードの各々について、ノードの観測の予測値と、ノードの観測値との誤差に基づいて、ノードの状態、及びニューラルネットワークのパラメータを更新することにより、ネットワークの各ノードの状態を精度良く推定することができる。
第３の発明に係るネットワーク状態推定装置は、道路ネットワークの各ノードの状態として平均速度又は所要時間を記憶する状態記憶手段と、前記道路ネットワークの各ノードについて、前記道路ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段と、前記道路ネットワークの各ノードのうちの少なくとも１つのノードについての平均速度又は所要時間の観測値を収集するノードデータ収集手段と、前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値とに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段と、を含んで構成されている。
第４の発明に係るプログラムは、道路ネットワークの各ノードの状態として平均速度又は所要時間を記憶する状態記憶手段を含むコンピュータを、前記道路ネットワークの各ノードについて、前記道路ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段、前記道路ネットワークの各ノードのうちの少なくとも１つのノードについての平均速度又は所要時間の観測値を収集するノードデータ収集手段、及び前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値とに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段として機能させるためのプログラムである。
第５の発明に係るネットワーク状態推定装置は、通信ネットワークの各ノードの状態として通信の遅延時間を記憶する状態記憶手段と、前記通信ネットワークの各ノードについて、前記通信ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段と、前記通信ネットワークの各ノードのうちの少なくとも１つのノードについての遅延時間の観測値を収集するノードデータ収集手段と、前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値とに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段と、を含んで構成されている。
第６の発明に係るプログラムは、通信ネットワークの各ノードの状態として通信の遅延時間を記憶する状態記憶手段を含むコンピュータを、前記通信ネットワークの各ノードについて、前記通信ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段、前記通信ネットワークの各ノードのうちの少なくとも１つのノードについての遅延時間の観測値を収集するノードデータ収集手段、及び前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値とに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段として機能させるためのプログラムである。
また、上記のプログラムは、記録媒体に格納して提供することも可能である。
以上説明したように、本発明のネットワーク状態推定装置及びプログラムによれば、ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークを用いて、各ノードの次の時刻の状態を予測し、推定対象のネットワークの各ノードのうちの少なくとも１つのノードについての観測値を収集し、観測値が収集されたノードの各々について、ノードの観測の予測値と、ノードの観測値とに基づいて、ノードの状態、及びニューラルネットワークのパラメータを更新することにより、ネットワークの各ノードの状態を精度良く推定することができる、という効果が得られる。
本発明の第１の実施の形態に係るネットワーク状態推定システムを示すブロック図である。 本発明の第１の実施の形態に係るネットワーク状態推定装置を示すブロック図である。 ニューラルネットワークにおける結合関係の一例を示す図である。 状態空間モデルの一例を示す図である。 本発明の第１の実施の形態に係るネットワーク状態推定装置におけるネットワーク状態推定処理ルーチンの内容を示すフローチャートである。 本発明の第２の実施の形態に係るネットワーク状態推定装置を示すブロック図である。 本発明の第２の実施の形態に係るネットワーク状態推定装置におけるネットワーク状態推定処理ルーチンの内容を示すフローチャートである。 本発明の第３の実施の形態に係るネットワーク状態推定システムを示すブロック図である。
以下、図面を参照して、本発明の実施の形態について説明する。
＜本発明の実施の形態の概要＞
本発明の実施の形態は、機械学習モデルであるニューラルネットワーク（シグモイド関数のような微分可能で上限下限がある活性化関数を用いたもの）を用いることによって、物理モデルでは表現できない複雑なノードの依存関係をモデリングすることができ、さらに予測値が発散する（極端に大きいor小さい数値が出る）ことなく高精度に予測が可能となる。また、逐次データを用いてモデルのパラメータが更新可能であり、複雑なネットワークの状態変化に追従することができる。
また、計算の上で、ノード間の依存関係とDecoupled EKFを用いることで、計算爆発することなく高速な推定が可能になっている。
［第１の実施の形態］
本発明の第１の実施の形態では、各車両に搭載された車載器からの情報に基づいて、道路ネットワークの状態を推定するネットワーク状態推定装置に本発明を適用した場合を例に説明する。
＜ネットワーク状態推定システムのシステム構成＞
図１に示すように、第１の実施の形態に係るネットワーク状態推定システム１００は、ネットワーク状態推定装置１０と、複数の基地局５０と、複数の車両に搭載された複数の車載器６０とを備え、基地局５０とネットワーク状態推定装置１０とは、インターネットなどのネットワーク７０で接続されており、基地局５０と車載器６０とは、無線通信により接続されている。
車載器６０は、例えば、ＧＰＳセンサから計測される自車位置、及び車速センサで計測される車速を逐次検出し、検出結果を、基地局５０を介して、ネットワーク状態推定装置１０へ送信する。
ネットワーク状態推定装置１０は、例えば、サーバで構成され、ネットワーク状態推定装置１０は、ＣＰＵと、ＲＡＭと、後述するネットワーク状態推定処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備え、機能的には次に示すように構成されている。図２に示すように、ネットワーク状態推定装置１０は、通信部１２と、ネットワークデータベース１４と、ニューラルネットワーク生成部１６と、ノードデータ収集部１８と、状態パラメータ記憶部１９と、状態予測部２０と、観測生成部２２と、状態パラメータ更新部２４と、状態推定結果表示部２６と、を備えている。
ネットワークデータベース１４は、各道路リンクを表す道路ネットワークデータを記憶している。
ニューラルネットワーク生成部１６は、ネットワークデータベース１４に基づいて、各道路リンクについて、道路リンク間の接続関係に応じて結合関係が制限されたニューラルネットワークであって、一時刻前の各道路リンクの状態から、当該道路リンクの状態を予測するためのニューラルネットワークを生成する。例えば、図３に示すように、接続関係がある各道路リンクの一時刻前の状態が入力される入力ノードとのみ結合関係を有し、道路リンクの状態として、道路リンクにおける車両の平均速度を予測するニューラルネットワークを生成する。なお、ニューラルネットワークのパラメータとして、適切な初期値を与えておく。
ノードデータ収集部１８は、各道路リンクの車両の車載器６０から送信された、車両位置及び車速のデータを収集し、道路ネットワークデータに基づいて、車速のデータが得られた道路リンクの各々について、当該道路リンクにおける車速の平均値を計算し、観測値とする。
状態パラメータ記憶部１９は、各道路リンクについての状態（平均速度）、及びニューラルネットワークのパラメータを記憶している。
次に、拡張カルマンフィルタにより、各道路リンクの状態を推定すると共に、ニューラルネットワークのパラメータを更新する原理について説明する。
交通流を状態空間モデルとして図４のようにモデル化し、時刻ｋの各道路リンクの平均速度を、状態空間ベクトルｘkとし、GPSプローブ車両の速度から求められる時刻ｋの各道路リンクの平均速度を観測ｙkとして、以下の式で表わす。

ただし、ｆは道路リンクの時間発展モデルを表し、ＨKは、観測モデルを表す。ｑkはシステム誤差を表し、ｒkは観測誤差を表す。
道路リンクの時間発展モデルｆをニューラルネットワークでモデル化し、そのネットワーク構造は図３のように各道路リンクに対して、直接接続している道路リンクのみをニューラルネットワークで結合しているノードとして扱う。
このモデルを以下の手順でデータ同化する。
まず、以下の式に示すように、時間発展モデルを、各ノードｉに関するモデルに分割する。

ここで、

はニューラルネットワークのパラメータであり、

は、活性化関数の一例であるシグモイド関数を表し、上限、下限が設定された関数である。
これを確率分布の平均

と分散共分散行列

を使って、以下の予測および更新を繰り返す

・・・（１）



・・・（２）


・・・（３）
上記（１）式に示すように、

は、状態

と、ニューラルネットワークのパラメータ

を含むベクトルである。
また、上記（３）式では、拡張カルマンフィルタの分散共分散行列

は、各ノードiに関する分散共分散行列

のみ扱い、道路ネットワークの接続関係がない道路リンク間に対応する要素は無視される。
これにより、交通状態の推定および予測モデルのパラメータ推定が可能となる。
ここで、学習した予測モデルと状態から好きなだけ時間発展させることで、未来の所望の交通状態を得ることができる。
以上説明した原理に従って、状態予測部２０は、ニューラルネットワーク生成部１６によって生成されたニューラルネットワークと、状態パラメータ記憶部１９に記憶された各道路リンクの状態、及びニューラルネットワークのパラメータとを用いて、各道路リンクについて、上記（１）式に従って、次の時刻の状態を予測する。
観測生成部２２は、道路ネットワークの各道路リンクについて、状態予測部２０によって予測された次の時刻の当該道路リンクの状態に基づいて、上記（２）式の右辺の第２項に従って、観測の予測値を生成する。
状態パラメータ更新部２４は、ノードデータ収集部１８によって観測値が収集された道路リンクの各々について、観測生成部２２によって生成された当該道路リンクの観測の予測値と、当該道路リンクの観測値との誤差を、上記（２）式に従って算出し、算出された誤差を用いて、上記（３）式に従って、当該道路リンクの状態、及びニューラルネットワークのパラメータを更新し、状態パラメータ記憶部１９に格納する。
また、状態パラメータ更新部２４は、ノードデータ収集部１８によって観測値が収集されなかった道路リンクの各々については、状態予測部２０によって予測された次の時刻の当該道路リンクの状態を、そのまま状態パラメータ記憶部１９に格納する。
上記のノードデータ収集部１８、状態予測部２０、観測生成部２２、及び状態パラメータ更新部２４の各処理を、各時刻について繰り返すことにより、図４に示すように、各道路リンクについて、観測値が収集された時刻では、観測値との誤差を用いて、当該道路リンクの状態、及びニューラルネットワークのパラメータが更新され、観測値が収集されなかった時刻では、状態予測部２０によって予測された次の時刻の当該道路リンクの状態で更新され、ニューラルネットワークのパラメータが更新されない。
状態推定結果表示部２６は、上記の一連の処理により繰り返し得られた各時刻の各道路リンクの状態を、状態推定結果として表示する。
＜ネットワーク状態推定システム１００の動作＞
次に、第１の実施の形態に係るネットワーク状態推定システム１００の動作について説明する。まず、ネットワーク状態推定装置１０は、ネットワークデータベース１４に基づいて、各道路リンクについて、道路リンク間の接続関係に応じて結合関係が制限されたニューラルネットワークを生成する。
そして、複数の車両に搭載された複数の車載器６０の各々によって、自車位置及び車速が逐次検出され、検出される毎に、車両位置及び車速のデータが、基地局５０を介して、ネットワーク状態推定装置１０に送信されているときに、ネットワーク状態推定装置１０において、図５に示すネットワーク状態推定処理ルーチンが実行される。
ステップＳ１００において、道路ネットワークの各道路リンクについて、状態パラメータ記憶部１９に記憶された状態及びニューラルネットワークのパラメータを用いて、上記（１）式に従って、次の時刻の状態を予測する。
ステップＳ１０２では、各道路リンクの車両の車載器６０から送信された、車両位置及び車速のデータを収集し、車速のデータが得られた道路リンクの各々について、当該道路リンクにおける車速の平均値を計算し、観測値とする。
ステップＳ１０４では、道路ネットワークの各道路リンクについて、上記ステップＳ１００で予測された次の時刻の当該道路リンクの状態に基づいて、上記（２）式の右辺の第２項に従って、観測の予測値を生成する。
また、上記ステップＳ１０２で観測値が得られた道路リンクの各々について、当該道路リンクの観測の予測値と、当該道路リンクの観測値との誤差を、上記（２）式に従って算出する。
そして、ステップＳ１０６において、上記ステップＳ１０２で観測値が得られた道路リンクの各々について、上記ステップＳ１０４で算出された誤差を用いて、上記（３）式に従って、当該道路リンクの状態、及びニューラルネットワークのパラメータを更新し、状態パラメータ記憶部１９に格納する。
また、上記ステップＳ１０２で観測値が収集されなかった道路リンクの各々については、上記ステップＳ１００で予測された次の時刻の当該道路リンクの状態を、そのまま状態パラメータ記憶部１９に格納する。
ステップＳ１０８では、処理対象時刻を、次の時刻に更新して、上記ステップＳ１００へ戻る。
上記の一連の処理により、各道路リンクのニューラルネットワークのパラメータが繰り返し更新され、また、求められた各時刻の各道路リンクの状態が、状態推定結果として表示される。
以上説明したように、第１の実施の形態に係るネットワーク状態推定システムによれば、道路ネットワークの道路リンク間の接続関係に応じて結合関係が制限されたニューラルネットワークを用いて、道路ネットワークの各道路リンクの次の時刻の状態を予測し、道路ネットワークの各道路リンクのうちの少なくとも１つの道路リンクについての観測値を収集し、観測値が収集された道路リンクの各々について、道路リンクの観測の予測値と、道路リンクの観測値との誤差に基づいて、道路リンクの状態、及びニューラルネットワークのパラメータを更新することにより、道路ネットワークの各道路リンクの状態を精度良く推定することができる。
また、一般道路の交通流のような複雑に分岐し、依存関係があるノードを持つ道路ネットワークの状態予測を、計算爆発することなく、かつ、予測値が発散することなく、高精度に行うことができる。
また、予測モデルとしてニューラルネットワークを用い、さらにデータ同化を併用することにより、高精度な状態推定が可能である。
また、機械学習モデルであるニューラルネットワークを用いることで、一般道の道路ネットワークの交通モデルという複雑なモデルを作ることなく、交通状態の推定を行いながら、リアルタイムに道路ネットワークのモデルをデータのみから学習することができる。
また、一般道路交通網のようなノード間の状態に相関関係があるような道路ネットワークにおいて、逐次観測されるスパースな各ノード情報から各ノード状態の時間変化の予測モデルを獲得する。予測モデルとして、ネットワークのトポロジーを考慮したニューラルネットワークを用いることで、複雑な交通流の予測モデルを拡張カルマンフィルタを用いて学習可能とした。
また、予測モデルにおいて予測値が発散しないように、シグモイド関数のような上限下限がバウンドされた関数を用いることにより、データ（プローブ車）がない道路リンクでも高速で精度良く平均速度が計算可能である。
［第２の実施の形態］
＜ネットワーク状態推定システムのシステム構成＞
次に、第２の実施の形態に係るネットワーク状態推定システムについて説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
第２の実施の形態では、各道路リンクの状態の推定結果に基づいて、道路リンク間の相関を求め、道路リンク間の相関に基づいて、ニューラルネットワークを再度生成する点が第１の実施の形態と異なっている。
図６に示すように、第２の実施の形態に係るネットワーク状態推定装置２１０は、通信部１２と、ネットワークデータベース１４と、ニューラルネットワーク生成部２１６と、ノードデータ収集部１８と、状態パラメータ記憶部１９と、状態予測部２０と、観測生成部２２と、状態パラメータ更新部２４と、状態推定結果表示部２６と、状態推定結果履歴蓄積部２２８と、ノード間相関計算部２３０とを備えている。
状態推定結果履歴蓄積部２２８は、状態パラメータ更新部２４によって得られた一定期間分の各時刻の各道路リンクの状態を記憶している。
ノード間相関計算部２３０は、道路リンク間の各々について、状態推定結果履歴蓄積部２２８に記憶されている一定期間分の各時刻の当該道路リンクの状態に基づいて、道路リンク間の相関の強さを計算する。
ニューラルネットワーク生成部２１６は、第１の実施の形態と同様に、ネットワークデータベース１４に基づいて、各道路リンクについて、道路リンク間の接続関係に応じて結合関係が制限されたニューラルネットワークを生成する。
ニューラルネットワーク生成部２１６は、更に、ノード間相関計算部２３０によって道路リンク間の各々について計算された相関の強さに基づいて、各道路リンクについて、道路リンク間の相関の強さに応じて結合関係が制限されたニューラルネットワークを再度生成する。例えば、道路リンク間の相関の強さが閾値以上となる各道路リンクの一時刻前の状態が入力される入力ノードとのみ結合関係を有するニューラルネットワークを生成する。なお、ニューラルネットワークのパラメータとして、適切な初期値を与えておく。
上記第１の実施の形態と同様に、道路リンク間の接続関係に応じて結合関係が制限されたニューラルネットワークを用いて、ノードデータ収集部１８、状態予測部２０、観測生成部２２、及び状態パラメータ更新部２４の各処理を、各時刻について繰り返すことにより、各道路リンクについて、各時刻の状態が推定される。
更に、道路リンク間の相関の強さに応じて結合関係が制限されたニューラルネットワークを用いて、ノードデータ収集部１８、状態予測部２０、観測生成部２２、及び状態パラメータ更新部２４の各処理を、各時刻について繰り返すことにより、各道路リンクについて、各時刻の状態が推定される。
なお、第２の実施の形態に係るネットワーク状態推定システムの他の構成は、第１の実施の形態と同様であるため、説明を省略する。
＜ネットワーク状態推定システムの動作＞
次に、第２の実施の形態に係るネットワーク状態推定システムの動作について説明する。
まず、ネットワーク状態推定装置２１０は、ネットワークデータベース１４に基づいて、各道路リンクについて、道路リンク間の接続関係に応じて結合関係が制限されたニューラルネットワークを生成する。
そして、複数の車両に搭載された複数の車載器６０の各々によって、自車位置及び車速が逐次検出され、検出される毎に、車両位置及び車速のデータが、基地局５０を介して、ネットワーク状態推定装置２１０に送信されているときに、ネットワーク状態推定装置２１０において、上記図５に示すネットワーク状態推定処理ルーチンと同様の処理ルーチンが実行される。
これにより、状態推定結果履歴蓄積部２２８には、状態パラメータ更新部２４によって得られた一定期間分の各時刻の各道路リンクの状態が記憶される。
そして、複数の車両に搭載された複数の車載器６０の各々によって、自車位置及び車速が逐次検出され、検出される毎に、車両位置及び車速のデータが、基地局５０を介して、ネットワーク状態推定装置１０に送信されているときに、ネットワーク状態推定装置１０において、図７に示すネットワーク状態推定処理ルーチンが実行される。
ステップＳ２００において、道路リンク間の各々について、状態推定結果履歴蓄積部２２８に記憶されている一定期間分の各時刻の当該道路リンクの状態に基づいて、道路リンク間の相関の強さを計算する。
ステップＳ２０２において、上記ステップＳ２００で道路リンク間の各々について計算された相関の強さに基づいて、各道路リンクについて、道路リンク間の相関の強さに応じて結合関係が制限されたニューラルネットワークを生成する。また、生成したニューラルネットワークのパラメータとして、適切な初期値を、状態パラメータ記憶部１９に格納しておく。
そして、ステップＳ２０４において、道路ネットワークの各道路リンクについて、状態パラメータ記憶部１９に記憶された状態及びニューラルネットワークのパラメータを用いて、上記（１）式に従って、次の時刻の状態を予測する。
ステップＳ２０６では、各道路リンクの車両の車載器６０から送信された、車両位置及び車速のデータを収集し、車速のデータが得られた道路リンクの各々について、当該道路リンクにおける車速の平均値を計算し、観測値とする。
ステップＳ２０８では、道路ネットワークの各道路リンクについて、上記ステップＳ２０４で予測された次の時刻の当該道路リンクの状態に基づいて、上記（２）式の右辺の第２項に従って、観測の予測値を生成する。
また、上記ステップＳ２０６で観測値が得られた道路リンクの各々について、当該道路リンクの観測の予測値と、当該道路リンクの観測値との誤差を、上記（２）式に従って算出する。
そして、ステップＳ２１０において、上記ステップＳ２０６で観測値が得られた道路リンクの各々について、上記ステップＳ２０８で算出された誤差を用いて、上記（３）式に従って、当該道路リンクの状態、及びニューラルネットワークのパラメータを更新する。
ステップＳ２１２では、対象時刻を、次の時刻に更新して、上記ステップＳ２０４へ戻る。
上記の一連の処理により、道路リンク間の相関の強さに応じて結合関係が制限された、各道路リンクのニューラルネットワークのパラメータが繰り返し更新され、また、求められた各時刻の各道路リンクの状態が、状態推定結果として表示される。
以上説明したように、第２の実施の形態に係るネットワーク状態推定システムによれば、道路ネットワークの道路リンク間の相関関係に応じて結合関係が制限されたニューラルネットワークを用いて、道路ネットワークの各道路リンクの次の時刻の状態を予測し、道路ネットワークの各道路リンクのうちの少なくとも１つの道路リンクについての観測値を収集し、観測値が収集された道路リンクの各々について、道路リンクの観測の予測値と、道路リンクの観測値との誤差に基づいて、道路リンクの状態、及びニューラルネットワークのパラメータを更新することにより、道路ネットワークの各道路リンクの状態を精度良く推定することができる。
［第３の実施の形態］
＜ネットワーク状態推定システムのシステム構成＞
次に、第３の実施の形態に係るネットワーク状態推定システムについて説明する。なお、第１の実施の形態及び第２の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
第３の実施の形態では、推定対象のネットワークを、通信ネットワークとし、通信ネットワークの各ノードの状態として、通信機器における通信の遅延時間を推定している点が第１の実施の形態と異なっている。
図８に示すように、第３の実施の形態に係るネットワーク状態推定システム３００は、ネットワーク状態推定装置３１０と、複数の通信機器３６０とを備え、通信機器３６０とネットワーク状態推定装置３１０とは、インターネットなどのネットワーク７０で接続されている。
通信機器３６０は、例えば、通信ネットワークにおけるノードに対応するものであり、通信の遅延時間を計測し、計測結果を、ネットワーク７０を介して、ネットワーク状態推定装置３１０へ送信する。
ネットワーク状態推定装置３１０は、例えば、サーバで構成され、上記第１の実施の形態と同様に、通信部１２と、ネットワークデータベース１４と、ニューラルネットワーク生成部１６と、ノードデータ収集部１８と、状態パラメータ記憶部１９と、状態予測部２０と、観測生成部２２と、状態パラメータ更新部２４と、状態推定結果表示部２６と、を備えている。
ネットワークデータベース１４は、各ノードとして通信機器を表す通信ネットワークデータを記憶している。
ニューラルネットワーク生成部１６は、ネットワークデータベース１４に基づいて、各通信機器について、通信機器間の接続関係に応じて結合関係が制限されたニューラルネットワークであって、一時刻前の各通信機器の状態から、当該通信機器の状態を予測するためのニューラルネットワークを生成する。例えば、接続関係がある各通信機器の一時刻前の状態が入力される入力ノードとのみ結合関係を有し、通信機器の状態として、通信機器における通信の遅延速度を予測するニューラルネットワークを生成する。なお、ニューラルネットワークのパラメータとして、適切な初期値を与えておく。
ノードデータ収集部１８は、各通信機器３６０から送信された、通信の遅延時間を収集し、通信機器の各々について、当該通信機器における通信の遅延時間を、そのまま観測値とする。
状態パラメータ記憶部１９は、各通信機器についての状態（遅延時間）、及びニューラルネットワークのパラメータを記憶している。
状態予測部２０は、ニューラルネットワーク生成部１６によって生成されたニューラルネットワークと、状態パラメータ記憶部１９に記憶された各通信機器の状態、及びニューラルネットワークのパラメータとを用いて、各通信機器について、上記（１）式に従って、次の時刻の状態を予測する。
観測生成部２２は、道路ネットワークの各通信機器について、状態予測部２０によって予測された次の時刻の当該通信機器の状態を、そのまま観測の予測値とする。
状態パラメータ更新部２４は、ノードデータ収集部１８によって観測値が収集された通信機器の各々について、観測生成部２２によって生成された当該通信機器の観測の予測値と、当該通信機器の観測値との誤差を、上記（２）式に従って算出し、算出された誤差を用いて、上記（３）式に従って、当該通信機器の状態、及びニューラルネットワークのパラメータを更新する。
また、状態パラメータ更新部２４は、ノードデータ収集部１８によって観測値が収集されなかった通信機器の各々については、状態予測部２０によって予測された次の時刻の当該通信機器の状態を、そのまま状態パラメータ記憶部１９に格納する。
上記のノードデータ収集部１８、状態予測部２０、観測生成部２２、及び状態パラメータ更新部２４の各処理を、各時刻について繰り返すことにより、各通信機器について、観測値が収集された時刻では、観測値との誤差を用いて、当該通信機器の状態、及びニューラルネットワークのパラメータが更新され、観測値が収集されなかった時刻では、状態予測部２０によって予測された次の時刻の当該通信機器の状態で更新され、ニューラルネットワークのパラメータが更新されない。
状態推定結果表示部２６は、上記の一連の処理により繰り返し得られた各時刻の各通信機器の状態を、状態推定結果として表示する。
なお、第３の実施の形態に係るネットワーク状態推定システムの他の構成及び作用は、第１の実施の形態と同様であるため、説明を省略する。
このように、通信ネットワークの通信機器間の接続関係に応じて結合関係が制限されたニューラルネットワークを用いて、通信ネットワークの各通信機器の次の時刻の状態を予測し、通信ネットワークの各通信機器のうちの少なくとも１つの通信機器についての観測値を収集し、観測値が収集された通信機器の各々について、通信機器の観測の予測値と、通信機器の観測値との誤差に基づいて、通信機器の状態、及びニューラルネットワークのパラメータを更新することにより、通信ネットワークの各通信機器の状態を精度良く推定することができる。
なお、上記第１の実施の形態及び第２の実施の形態では、道路リンクの状態として、車両の平均速度を推定する場合を例に説明したが、これに限定されるものではなく、例えば、道路リンクの状態として、車両が道路リンクを通過するのにかかる所要時間などを推定するようにしてもよい。
また、上記第３の実施の形態において、上記第２の実施の形態と同様に、通信ネットワークの通信機器間の相関を計算し、通信ネットワークの通信機器間の相関関係に応じて結合関係が制限されたニューラルネットワークを用いて、通信ネットワークの各通信機器の状態を推定するようにしてもよい。
また、ネットワークのノードとして、群として移動する歩行者や車両等の移動物を想定し、移動物の状態を推定するようにしてもよい。この場合、ネットワーク状態推定装置は、道路や歩道の接続関係を保持したネットワークデータベースと、歩行者や車両等の移動物をノードとし、道路や歩道の地理的制約又は移動物間の動きの相関情報に応じて結合関係を制約したニューラルネットワークを生成するニューラルネットワーク生成部と、ノードとした移動物の位置・速度の観測値を収集するノードデータ収集部と、ノードとした移動物の位置・速度を状態として、ニューラルネットワークを用いて次時刻の各ノード（移動物）の位置・速度を予測する状態予測部と、状態（各移動物の位置や速度）をそのまま観測の予測値として生成する観測生成部と、観測値が収集されたノードの各々について、ノードの観測の予測値と、ノードの観測値との誤差に基づいて、ノードの状態、及びニューラルネットワークのパラメータを更新する状態パラメータ更新部と、を備えていればよい。このように、一見ネットワークを構成していない移動物に関しても、動きの相関をネットワークとしてみることで、移動物の位置・速度などの状態量を高精度に予測することが可能となる。
また、ネットワーク状態推定装置のプログラムは、記録媒体に格納して提供することができる。
１０、２１０、３１０ ネットワーク状態推定装置
１２ 通信部
１４ ネットワークデータベース
１６、２１６ ニューラルネットワーク生成部
１８ ノードデータ収集部
１９ 状態パラメータ記憶部
２０ 状態予測部
２２ 観測生成部
２４ 状態パラメータ更新部
２６ 状態推定結果表示部
５０ 基地局
６０ 車載器
７０ ネットワーク
１００、３００ ネットワーク状態推定システム
２２８ 状態推定結果履歴蓄積部
２３０ ノード間相関計算部
３６０ 通信機器

Claims (8)

  1. 推定対象のネットワークの各ノードの状態を記憶する状態記憶手段と、
    前記推定対象のネットワークの各ノードについて、前記推定対象のネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段と、
    前記推定対象のネットワークの各ノードについて、前記状態予測手段によって予測された次の時刻の前記ノードの状態に基づいて、観測の予測値を生成する観測生成手段と、
    前記推定対象のネットワークの各ノードのうちの少なくとも１つのノードについての観測値を収集するノードデータ収集手段と、
    前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記観測生成手段によって生成された前記ノードの観測の予測値と、前記ノードの観測値との誤差に基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段と、
    を含むネットワーク状態推定装置。
  2. 前記ニューラルネットワークは、活性化関数として上限及び下限が設定された関数を用いる請求項１記載のネットワーク状態推定装置。
  3. 前記状態パラメータ更新手段は、拡張カルマンフィルタの分散共分散行列における、前記推定対象のネットワークの接続関係又は相関関係がないノード間に対応する要素を無視して、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する請求項１又は２記載のネットワーク状態推定装置。
  4. 道路ネットワークの各ノードの状態として平均速度又は所要時間を記憶する状態記憶手段と、
    前記道路ネットワークの各ノードについて、前記道路ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段と、
    前記道路ネットワークの各ノードのうちの少なくとも１つのノードについての平均速度又は所要時間の観測値を収集するノードデータ収集手段と、
    前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値とに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段と、
    を含むネットワーク状態推定装置。
  5. 通信ネットワークの各ノードの状態として通信の遅延時間を記憶する状態記憶手段と、
    前記通信ネットワークの各ノードについて、前記通信ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段と、
    前記通信ネットワークの各ノードのうちの少なくとも１つのノードについての遅延時間の観測値を収集するノードデータ収集手段と、
    前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値とに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段と、
    を含むネットワーク状態推定装置。
  6. 推定対象のネットワークの各ノードの状態を記憶する状態記憶手段を含むコンピュータを、
    前記推定対象のネットワークの各ノードについて、前記推定対象のネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段、
    前記推定対象のネットワークの各ノードについて、前記状態予測手段によって予測された次の時刻の前記ノードの状態に基づいて、観測の予測値を生成する観測生成手段、
    前記推定対象のネットワークの各ノードのうちの少なくとも１つのノードについての観測値を収集するノードデータ収集手段、及び
    前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記観測生成手段によって生成された前記ノードの観測の予測値と、前記ノードの観測値との誤差に基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段
    として機能させるためのプログラム。
  7. 道路ネットワークの各ノードの状態として平均速度又は所要時間を記憶する状態記憶手段を含むコンピュータを、
    前記道路ネットワークの各ノードについて、前記道路ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段、
    前記道路ネットワークの各ノードのうちの少なくとも１つのノードについての平均速度又は所要時間の観測値を収集するノードデータ収集手段、及び
    前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値とに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段
    として機能させるためのプログラム。
  8. 通信ネットワークの各ノードの状態として通信の遅延時間を記憶する状態記憶手段を含むコンピュータを、
    前記通信ネットワークの各ノードについて、前記通信ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、次の時刻の前記ノードの状態を予測する状態予測手段、
    前記通信ネットワークの各ノードのうちの少なくとも１つのノードについての遅延時間の観測値を収集するノードデータ収集手段、及び
    前記ノードデータ収集手段によって観測値が収集されたノードの各々について、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値とに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する状態パラメータ更新手段
    として機能させるためのプログラム。
JP2016245662A 2016-12-19 2016-12-19 ネットワーク状態推定装置及びプログラム Active JP6743678B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016245662A JP6743678B2 (ja) 2016-12-19 2016-12-19 ネットワーク状態推定装置及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016245662A JP6743678B2 (ja) 2016-12-19 2016-12-19 ネットワーク状態推定装置及びプログラム

Publications (2)

Publication Number Publication Date
JP2018101205A true JP2018101205A (ja) 2018-06-28
JP6743678B2 JP6743678B2 (ja) 2020-08-19

Family

ID=62715443

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016245662A Active JP6743678B2 (ja) 2016-12-19 2016-12-19 ネットワーク状態推定装置及びプログラム

Country Status (1)

Country Link
JP (1) JP6743678B2 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020111139A (ja) * 2019-01-10 2020-07-27 株式会社日立製作所 交通状態推定システム、及び交通状態推定方法
CN111652434A (zh) * 2020-06-02 2020-09-11 百度在线网络技术（北京）有限公司 路网数据处理方法、装置、电子设备及计算机存储介质
CN114157578A (zh) * 2021-11-24 2022-03-08 北京达佳互联信息技术有限公司 网络状态预测方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020111139A (ja) * 2019-01-10 2020-07-27 株式会社日立製作所 交通状態推定システム、及び交通状態推定方法
JP7158288B2 (ja) 2019-01-10 2022-10-21 株式会社日立製作所 交通状態推定システム、及び交通状態推定方法
CN111652434A (zh) * 2020-06-02 2020-09-11 百度在线网络技术（北京）有限公司 路网数据处理方法、装置、电子设备及计算机存储介质
CN111652434B (zh) * 2020-06-02 2023-09-29 百度在线网络技术（北京）有限公司 路网数据处理方法、装置、电子设备及计算机存储介质
CN114157578A (zh) * 2021-11-24 2022-03-08 北京达佳互联信息技术有限公司 网络状态预测方法及装置
CN114157578B (zh) * 2021-11-24 2023-10-31 北京达佳互联信息技术有限公司 网络状态预测方法及装置

Also Published As

Publication number Publication date
JP6743678B2 (ja) 2020-08-19

Similar Documents

Publication Publication Date Title
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
JP5070574B2 (ja) 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム
Xiao et al. Adaptive vehicle navigation with en route stochastic traffic information
JP6743678B2 (ja) ネットワーク状態推定装置及びプログラム
JP2012008659A (ja) データ処理装置、データ処理方法、およびプログラム
CN115330357B (zh) 智能立体车库数据管理方法、装置、设备及存储介质
Li et al. Estimating urban traffic states using iterative refinement and wardrop equilibria
KR20190134199A (ko) 교통 빅데이터 기계학습이 내장된 교통시스템 모델링방법
Abidin et al. Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models
Pascale et al. Cooperative bayesian estimation of vehicular traffic in large-scale networks
CN113537580A (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
JPWO2017033443A1 (ja) 渋滞予測システム、渋滞予測方法、及び、プログラム
US20190088116A1 (en) Predicting vehicle travel times by modeling heterogeneous influences between arterial roads
Oh et al. Effective route generation framework using quantum mechanism-based multi-directional and parallel ant colony optimization
KR102545188B1 (ko) 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치
Samaranayake et al. Learning the dependency structure of highway networks for traffic forecast
CN113784380B (zh) 一种采用图注意力网络与融合邻域的拓扑预测方法
Gratzer et al. Short-term collision estimation by stochastic predictions in multi-agent intersection traffic
CN109379058B (zh) 基于平方根容积信息一致的分布式非线性状态估计方法
Saeedmanesh et al. A real-time state estimation approach for multi-region MFD traffic systems based on extended Kalman filter
Udhan et al. Vehicle Route Planning using Dynamically Weighted Dijkstra's Algorithm with Traffic Prediction
JP6905888B2 (ja) 流量予測装置、方法、及びプログラム
Andersen et al. A Comparison of Different Approaches to Dynamic Origin-Destination Matrix Estimation in Urban Traffic
Kouvelas et al. Real-time estimation of aggregated traffic states of multi-region urban networks
Soleimany et al. Hierarchical federated learning model for traffic light management in future smart

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180502

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190523

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190611

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190813

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20200121

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200407

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20200414

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200630

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200713

R150 Certificate of patent or registration of utility model

Ref document number: 6743678

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150