JP2018180906A - Congestion prediction program, congestion prediction apparatus, and congestion prediction method - Google Patents
Congestion prediction program, congestion prediction apparatus, and congestion prediction method Download PDFInfo
- Publication number
- JP2018180906A JP2018180906A JP2017079161A JP2017079161A JP2018180906A JP 2018180906 A JP2018180906 A JP 2018180906A JP 2017079161 A JP2017079161 A JP 2017079161A JP 2017079161 A JP2017079161 A JP 2017079161A JP 2018180906 A JP2018180906 A JP 2018180906A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- parking facility
- congestion
- time zone
- history data
- 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.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
本発明は、混雑予測プログラム、混雑予測装置、及び混雑予測方法に関する。 The present invention relates to a congestion prediction program, a congestion prediction device, and a congestion prediction method.
長時間の車両の運転時に休憩するか否かを判断するため、例えば、駐車施設であるサービスエリアやパーキングエリアの混雑の度合いなどを把握することは交通安全の面で重要である。
このため、例えば、駐車施設の混雑情報について、その施設近隣の道路リンクの交通状況の動態に連動する予測を行うことが可能な施設混雑情報予測装置が提案されている（例えば、特許文献１等参照）。
In order to determine whether or not to take a break when driving a vehicle for a long time, for example, it is important from the aspect of traffic safety to grasp the degree of congestion in a service area or parking area which is a parking facility.
Therefore, for example, a facility congestion information prediction apparatus capable of performing prediction linked to the dynamics of traffic conditions of road links in the vicinity of the facility is proposed for congestion information of a parking facility (for example, Patent Document 1 etc. reference).
しかしながら、特許文献１に記載の技術では、駐車施設の近隣の道路リンクの交通状況の動態に連動させており、例えば、１時間後あるいは２時間後の駐車施設の混雑の予測が困難であるという問題がある。 However, the technology described in Patent Document 1 is linked to the dynamics of traffic conditions of road links in the vicinity of the parking facility, and it is difficult to predict, for example, congestion of the parking facility after one hour or two hours. There's a problem.
一つの側面では、駐車施設の混雑を予測できる混雑予測プログラム、混雑予測装置、及び混雑予測方法を提供することを目的とする。 In one aspect, it is an object of the present invention to provide a congestion prediction program, a congestion prediction device, and a congestion prediction method capable of predicting congestion of a parking facility.
一つの実施態様では、混雑予測プログラムは、ある車両が駐車施設に到着し得る時間帯における前記駐車施設の混雑率の予測の出力要求を受け付けると、車両の走行履歴データ群から、前記駐車施設に到着し得る時間帯に対応する時間帯に前記駐車施設に駐車した車両を抽出し、抽出した前記車両の走行履歴データに基づき、前記ある車両が前記駐車施設に到着し得る時間帯における前記駐車施設の混雑率を予測する、処理をコンピュータに実行させる。 In one embodiment, when the congestion prediction program receives an output request for prediction of the congestion rate of the parking facility in a time zone in which a certain vehicle can arrive at the parking facility, the congestion forecast program sends the parking facility data to the parking facility. The vehicle parked in the parking facility is extracted in the time zone corresponding to the time zone in which it can arrive, and the parking facility in the time zone in which the certain vehicle can arrive at the parking facility based on the travel history data of the extracted vehicle Make the computer execute processing to predict the congestion rate of
一つの側面では、駐車施設の混雑を予測できる混雑予測プログラム、混雑予測装置、及び混雑予測方法を提供することができる。 In one aspect, a congestion prediction program, a congestion prediction device, and a congestion prediction method capable of predicting congestion of a parking facility can be provided.
以下、本発明の一実施例を説明するが、本発明は、この実施例に何ら限定されるものではない。 Hereinafter, one embodiment of the present invention will be described, but the present invention is not limited to this embodiment.
図１は、本発明の混雑予測装置１００を有するシステム１０の一例を示す図である。
システム１０は、例えば、駐車施設としての高速道路のサービスエリア（以下、「ＳＡ」と称することがある。）の混雑率を混雑予測装置１００が予測し、予測したＳＡの混雑率を当該高速道路の利用者あるいは道路管理者に対して表示するものである。
FIG. 1 is a diagram showing an example of a system 10 having a congestion prediction apparatus 100 of the present invention.
In the system 10, for example, the congestion prediction device 100 predicts the congestion rate of the service area of the expressway as a parking facility (hereinafter may be referred to as "SA"), and the congestion rate of the predicted SA is the expressway It is displayed to the user or road manager of
図１に示すように、システム１０は、混雑予測装置１００と、道路に沿って設置されている情報表示装置２００と、車両４００ａ、４００ｂ、４００ｃ、・・・にそれぞれ搭載されている端末装置３００ａ、３００ｂ、３００ｃ、・・・と、を有する。 As shown in FIG. 1, the system 10 includes a congestion prediction device 100, an information display device 200 installed along a road, and a terminal device 300a mounted on vehicles 400a, 400b, 400c,. , 300b, 300c,...
端末装置３００ａ、３００ｂ、３００ｃ、・・・は、ネットワーク５００を介して混雑予測装置１００と通信可能に接続されている。また、混雑予測装置１００は、情報表示装置２００と通信可能に接続されている。
なお、端末装置３００ａ、３００ｂ、３００ｃ、・・・は、装置の構成がそれぞれ同様であることから、以下では「端末装置３００」と称してまとめて説明する。また、車両４００ａ、４００ｂ、４００ｃ、・・・は、区別する必要がないときは単に「車両」と称することもある。
The terminal devices 300a, 300b, 300c,... Are communicably connected to the congestion prediction apparatus 100 via the network 500. The congestion prediction apparatus 100 is communicably connected to the information display apparatus 200.
Since the terminal devices 300a, 300b, 300c,... Have the same configuration as each other, they will be collectively referred to as “terminal device 300” below. Also, the vehicles 400a, 400b, 400c, ... may be simply referred to as "vehicles" when it is not necessary to distinguish them.
端末装置３００は、例えば、トラックなどの商用車に搭載されているデジタルタコグラフ、乗用車に搭載されているカーナビゲーションシステムの車載装置であり、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）ユニット、速度センサなどを有する。端末装置３００は、これらの速度センサなどにより、位置データ、速度データなどを時刻データと紐付けた走行履歴データを取得し、取得した走行履歴データを混雑予測装置１００に送信する。
なお、混雑予測装置１００は、端末装置３００から走行履歴データを受信するとしたが、これに限ることなく、例えば、ＥＴＣ（Ｅｌｅｃｔｒｏｎｉｃ Ｔｏｌｌ Ｃｏｌｌｅｃｔｉｏｎ Ｓｙｓｔｅｍ、電子料金収受システム）などにより取得される走行履歴データを受信するようにしてもよい。
The terminal device 300 is, for example, a digital tachograph mounted on a commercial vehicle such as a truck, an on-vehicle device of a car navigation system mounted on a passenger car, and has a GPS (Global Positioning System) unit, a speed sensor, and the like. The terminal device 300 acquires traveling history data in which position data, velocity data, and the like are linked with time data by these speed sensors or the like, and transmits the acquired traveling history data to the congestion prediction apparatus 100.
Although the congestion prediction apparatus 100 receives the traveling history data from the terminal device 300, the present invention is not limited to this. For example, the traveling history data acquired by ETC (Electronic Toll Collection System) may be used. You may make it receive.
混雑予測装置１００は、各端末装置３００からそれぞれ送信される走行履歴データを走行履歴データ群として記憶部に格納し、格納した走行履歴データ群に基づいてＳＡの混雑率を予測する。
具体的には、混雑予測装置１００は、車両が駐車施設に到着し得る時間帯における駐車施設の混雑率の予測の出力要求を受け付けると、車両の走行履歴データ群から抽出した当該時間帯に駐車施設に駐車した車両の走行履歴データに基づき、駐車施設の混雑率を予測する。
The congestion prediction apparatus 100 stores the traveling history data transmitted from each of the terminal devices 300 as a traveling history data group in the storage unit, and predicts the congestion rate of SA based on the stored traveling history data group.
Specifically, when the congestion prediction apparatus 100 receives an output request for prediction of the congestion rate of the parking facility in a time zone in which the vehicle can arrive at the parking facility, parking is performed in the time zone extracted from the traveling history data group of the vehicle The congestion rate of the parking facility is predicted based on the traveling history data of the vehicle parked in the facility.
ここで、車両とは、例えば、乗用車や商用車などが挙げられる。
駐車施設とは、車両を駐車する駐車スペースを有する施設であり、例えば、高速道路においては、サービスエリア、パーキングエリアなどが挙げられ、国道などの一般道路においては、道の駅（登録商標）などが挙げられる。また、駐車スペースとは、白線などで駐車する位置が規定されている区画である。
駐車施設に到着し得る時間帯とは、車両の現在地から当該駐車施設までの距離と、車両の平均速度とにより算出される一定時間の範囲を意味し、範囲の長さは適宜選択することができる。
混雑率の予測の出力要求の送信元は、本実施例では各端末装置３００であるが、これに限ることなく、例えば、スマートフォンなどの携帯端末装置、パソコンなどの情報処理装置などが挙げられる。
Here, the vehicle includes, for example, a passenger car and a commercial vehicle.
A parking facility is a facility having a parking space for parking a vehicle. For example, in an expressway, a service area, a parking area, etc. may be mentioned, and in a general road such as a national road, a road station (registered trademark) etc. Can be mentioned. In addition, the parking space is a section in which a position for parking on a white line or the like is defined.
The time zone that can arrive at the parking facility means the range of a fixed time calculated by the distance from the current location of the vehicle to the parking facility and the average speed of the vehicle, and the length of the range can be selected appropriately it can.
Although the transmission source of the output request for the congestion rate prediction is each terminal device 300 in this embodiment, the present invention is not limited to this. For example, a portable terminal device such as a smart phone or an information processing device such as a personal computer may be mentioned.
地点βに存在する駐車施設の混雑率ε（β）の算出方法は、本実施例では、予測の出力要求を受け付けた時間の前後３０分間、即ち計１時間分の走行履歴データ群に基づき、次式、ε（β）＝Σ（Ｒ（β）×Ｍ（β））／（１時間×Ｎ（β））により算出する。ただし、ＳＡ３全体の駐車スペース数をＮ（β）、当該１時間分の走行履歴データ群における車両が駐車して使用されている駐車スペース数をＲ（β）、当該１時間分の走行履歴データ群における平均駐車時間（時間）をＭ（β）とする。
なお、駐車施設の混雑率の算出方法は、これに限ることなく、適宜選択することができる。例えば、駐車施設の混雑率は、当該駐車施設全体の駐車スペース数に対し、車両が駐車して使用されている駐車スペース数の割合として算出してもよい。さらに、駐車スペースが普通車と大型車に区別されている場合、駐車施設の混雑率は、走行履歴データの車種に応じて普通車と大型車に分けて算出してもよい。
In the present embodiment, the method of calculating the congestion rate ε (β) of the parking facility present at the point β is based on the traveling history data group for 30 minutes before and after the time when the output request for prediction is received, It is calculated by the following equation, ε (β) = Σ (R (β) × M (β)) / (1 hour × N (β)). However, N (β) is the number of parking spaces for the entire SA3, R (β) is the number of parking spaces used by vehicles parked in the one hour's driving history data group, and the traveling history data for the one hour Let M (β) be the average parking time (hours) in the group.
In addition, the calculation method of the congestion rate of a parking facility can be suitably selected, without restricting to this. For example, the congestion rate of the parking facility may be calculated as a ratio of the number of parking spaces in which the vehicle is parked and used to the number of parking spaces of the entire parking facility. Furthermore, when the parking space is divided into an ordinary car and a large car, the congestion rate of the parking facility may be calculated separately for the ordinary car and the large car according to the vehicle type of the traveling history data.
情報表示装置２００は、本実施例では、予測の出力要求を受け付けた地点より予測進路方向側で、当該駐車施設により所定の距離の手前に設置されている電光掲示板である。情報表示装置２００は、車両の運転者に対し、混雑予測装置１００が予測した当該駐車施設の混雑率を表示する。これにより、車両の運転者は、どこの駐車施設で休憩するかの判断がしやすくなるため、運転者の疲れによる事故を低減できる。 In the present embodiment, the information display device 200 is an electric light bulletin board installed on the side of the predicted route direction from the point at which the output request for prediction has been received by the parking facility before the predetermined distance. The information display device 200 displays, for the driver of the vehicle, the congestion rate of the parking facility predicted by the congestion prediction device 100. As a result, the driver of the vehicle can easily determine which parking facility is to take a break, thereby reducing accidents due to driver fatigue.
駐車施設の混雑率の表示方法は、本実施例では、「混雑大」、「混雑中」、及び「混雑小」の３段階で表す。
なお、駐車施設の混雑率の表示方法は、これに限ることなく、適宜選択することができる。駐車施設の混雑率の表示方法は、例えば、パーセント表示にしてもよく、空き駐車スペース数で表示してもよい。
また、本実施例では、駐車施設の混雑率は、情報表示装置２００に表示するとしたが、これに限ることなく、例えば、デジタルタコグラフやカーナビゲーションシステムの車載装置のディスプレイに表示するようにしてもよい。
In the present embodiment, the display method of the congestion rate of the parking facility is represented by three stages of "high congestion", "in congestion", and "low congestion".
In addition, the display method of the congestion rate of a parking facility can be suitably selected, without restricting to this. The display method of the congestion rate of the parking facility may be, for example, a percentage display, or may be displayed by the number of free parking spaces.
Further, in the present embodiment, the congestion rate of the parking facility is displayed on the information display device 200. However, the present invention is not limited to this. For example, it may be displayed on the display of a digital tachograph or an on-vehicle device of a car navigation system. Good.
以下、混雑予測装置１００が高速道路のＳＡの混雑率を予測する処理を例にして、図２〜図５を参照しながら具体的に説明する。 Hereinafter, the process of the congestion prediction apparatus 100 predicting the congestion rate of the expressway SA will be specifically described with reference to FIGS. 2 to 5 as an example.
図２は、ある車両の現在地である地点αを経由し、各出発地Ａ、Ｂ、Ｃから各目的地Ｃ、Ｄ、Ｅに向かう車両の流れの一例を示す説明図であり、地点αから各目的地Ｃ、Ｄ、Ｅまでの間に存在するＳＡを示している。図２中の出発地又は目的地を示す楕円状のマークの濃淡は、当該出発地又は目的地を出発地又は目的地として走行する車両数を示しており、いずれも濃度が高いと車両数が多く、濃度が低いと車両数が少ないことを示している。ＳＡを示す三角のマークの濃淡は、当該ＳＡの混雑率を示しており、濃度が高いと当該ＳＡの混雑率が高く、濃度が低いと当該ＳＡの混雑率が低いことを示している。
なお、地点αから地点βに存在するＳＡ１までの距離をＬをとすると、地点αから地点γに存在するＳＡ３までの距離は２Ｌであり、Ｌは７０ｋｍとする。
FIG. 2 is an explanatory view showing an example of the flow of a vehicle traveling from each departure place A, B, C to each destination C, D, E via the point α which is the current location of a certain vehicle, from the point α The SAs present between the destinations C, D and E are shown. The shading of the oval mark indicating the place of departure or destination in FIG. 2 indicates the number of vehicles traveling from the place of departure or destination as the place of departure or destination; Many, low concentration indicates that the number of vehicles is small. The shading of the triangular mark indicating SA indicates the congestion rate of the SA, and indicates that the congestion rate of the SA is high when the concentration is high, and the congestion rate of the SA is low when the concentration is low.
When the distance from the point α to the SA1 present at the point β is L, the distance from the point α to the SA3 present at the point γ is 2 L, and L is 70 km.
図３は、「予測する当日の走行履歴データ群」において、現在地である地点αを通過した時間ｔ０を基準としたときの車両の流れの一例を示す説明図であり、出発地Ａ、Ｂ、Ｃをそれぞれ出発した車群が刻々と移動する様子を示している。図３中、縦軸は現在地である地点αからの距離であり、進行方向を正としている。また、横軸は午前９時を基準とする時間軸である。
図３の「予測する当日の走行履歴データ群」において、午前９時に車両が地点αを通過したときに、混雑予測装置１００は、当該車両の端末装置３００から、車両がＳＡ３に到着し得る時間帯におけるＳＡ３の混雑率の予測の出力要求を受け付ける。
本実施例では、平均速度７０ｋｍ／ｈで走行する車両が地点αを通過し、予定進路上に存在するＳＡ３が１４０ｋｍ先（２Ｌ＝１４０ｋｍ）に存在するため、車両がＳＡ３に到着し得る時間は午前１１時となる。また、到着し得る時間帯としては、本実施例では、ＳＡ３に到着し得る時間の前後３０分間とし、例えば、車両がＳＡ３に到着し得る時間が午前１１時であれば、午前１０時３０分から午前１１時３０分までの時間帯とする。
FIG. 3 is an explanatory view showing an example of the flow of the vehicle based on the time t 0 when passing through the point α which is the current position in “the travel history data group of the day to be predicted”. , C show the movement of the car group that has departed each time. In FIG. 3, the vertical axis is the distance from the point α which is the current position, and the traveling direction is positive. The horizontal axis is a time axis based on 9 am.
In the "predicted day's travel history data group of Fig. 3", when the vehicle passes the point α at 9 am, the congestion prediction apparatus 100 can arrive at the SA 3 from the terminal device 300 of the vehicle. The output request for the congestion rate prediction of SA3 in the band is accepted.
In this embodiment, a vehicle traveling at an average speed of 70 km / h passes through the point α, and SA3 existing on the planned route exists 140 km ahead (2 L = 140 km), so the time when the vehicle can arrive at SA3 is It will be 11 am. Also, in this embodiment, the time zone in which the vehicle can arrive at SA3 is 30 minutes before and after, for example, 10:30 am if the time in which the vehicle can arrive at SA3 is 11 am. It is a time zone until 11:30 am.
次に、ＳＡ３の混雑率の予測の出力要求を受け付けた混雑予測装置１００は、「予測する当日より過去の走行履歴データ群」から、ＳＡ３に到着し得る時間帯に対応する時間帯にＳＡ３に駐車した車両を抽出する。
図４は、「予測する当日より過去の走行履歴データ群」において、現在地である地点αを通過した時間ｔ０を基準としたときの車両の流れの一例を示す説明図である。図４中、縦軸は現在地である地点αからの距離であり、進行方向を正としている。また、横軸は午前９時を基準とする時間軸である。
ここでは、混雑予測装置１００は、図４の「予測する当日より過去の走行履歴データ群」から、午前１０時３０分〜午前１１時３０分の時間帯でＳＡ３に駐車した車両を抽出する。
ＳＡ３に駐車した車両の抽出は、本実施例では、走行履歴データに含まれる車両の位置データに基づき、ＳＡ３の駐車スペースに一定時間駐車したか否かで判定する。
Next, the congestion prediction apparatus 100 that has received the output request for the prediction of the congestion rate of SA3 receives SA3 in the time zone corresponding to the time zone in which it can arrive at SA3, from "preceding travel history data group from the day of prediction". Extract parked vehicles.
FIG. 4 is an explanatory view showing an example of the flow of the vehicle based on the time t 0 when passing through the point α which is the current position in the “preceding day of travel history data group from the day of prediction”. In FIG. 4, the vertical axis is the distance from the point α which is the current position, and the traveling direction is positive. The horizontal axis is a time axis based on 9 am.
Here, the congestion prediction apparatus 100 extracts the vehicle parked at SA3 in the time zone from 10:30 am to 11:30 am from “the travel history data group past the day of prediction” in FIG. 4.
In the present embodiment, the extraction of the vehicle parked in SA3 is determined based on the position data of the vehicle included in the traveling history data, based on whether or not the parking space in SA3 has been parked for a certain time.
そして、混雑予測装置１００は、抽出した車両の走行履歴データに基づき、車両がＳＡ３に到着し得る時間帯におけるＳＡ３の混雑率を予測する。即ち、混雑予測装置１００は、午前１０時３０分〜午前１１時３０分の時間帯でＳＡ３に駐車した車両が、何時に何処から出発した車両であるかについて、「予測する当日より過去の走行履歴データ群」に基づき、ＳＡ３の混雑率を予測する。
図５は、「予測する当日より過去の走行履歴データ群」から、「予測する当日の走行履歴データ群」に類似した走行履歴データ群を抽出する一例を示す説明図である。
図５に示すように、混雑予測装置１００は、ＳＡ３の混雑率を予測するために、予測の出力要求を受け付ける以前の出発し得る時間帯における「予測する当日の走行履歴データ群」に類似した、同時間帯の「予測する当日より過去の走行履歴データ群」を抽出する。
また、「予測する当日の走行履歴データ群」に最も類似した、同時間帯の「予測する当日より過去の走行履歴データ群」を迅速に抽出する方法としては、例えば、走行履歴データのデータ項目の値が近いものから抽出する方法が挙げられる。データ項目は後述するが、曜日、祝日か否か、天候などが優先的に挙げられる。
Then, the congestion prediction apparatus 100 predicts the congestion rate of SA3 in a time zone in which the vehicle can arrive at SA3, based on the extracted travel history data of the vehicle. That is, as for the congestion prediction apparatus 100, the vehicle parked at SA3 in the time zone from 10:30 am to 11:30 am is a vehicle that has departed from where and at what time, "traveling in the past from the day of The congestion rate of SA3 is predicted based on the “history data group”.
FIG. 5 is an explanatory view showing an example of extracting a traveling history data group similar to “a traveling history data group on the current day to be predicted” from “a traveling history data group on the previous day to be predicted”.
As shown in FIG. 5, in order to predict the congestion rate of SA 3, the congestion prediction apparatus 100 is similar to the “predicted day's travel history data group” in the time zone where departure can be made prior to receiving the prediction output request. "Existing travel history data group from the day of prediction" of the same time zone is extracted.
In addition, as a method of quickly extracting "previous travel history data group from the current day" in the same time zone, which is most similar to "predicted current day travel history data group", for example, data items of the travel history data The method of extracting from the thing with close value of is mentioned. Although the data items will be described later, whether it is a day of the week, a holiday or not, the weather etc. are given priority.
次に、混雑予測装置１００の機能構成及びハードウェア構成について説明する。 Next, the functional configuration and hardware configuration of the congestion prediction apparatus 100 will be described.
（混雑予測装置）
＜混雑予測装置の機能構成＞
図６は、混雑予測装置１００の機能構成の一例を示す説明図である。
図６に示すように、混雑予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０と、を有する。なお、制御部１３０は、ＳＡ３の混雑率を予測するための学習済み人工知能を有する。
(Congestion forecasting device)
<Functional Configuration of Congestion Prediction Device>
FIG. 6 is an explanatory view showing an example of a functional configuration of the congestion prediction apparatus 100. As shown in FIG.
As illustrated in FIG. 6, the congestion prediction apparatus 100 includes a communication unit 110, a storage unit 120, and a control unit 130. The control unit 130 has learned artificial intelligence for predicting the congestion rate of SA3.
通信部１１０は、制御部１３０の指示に基づき、各車両に搭載される端末装置３００から走行履歴データを受信し、記憶部１２０に格納する。
また、通信部１１０は、端末装置３００から送信された、車両がＳＡ３に到着し得る時間帯におけるＳＡ３の混雑率の予測の出力要求を受け付ける。
Communication unit 110 receives traveling history data from terminal device 300 mounted on each vehicle based on an instruction from control unit 130, and stores the data in storage unit 120.
In addition, the communication unit 110 receives the output request of the congestion rate prediction of SA3 in the time zone in which the vehicle can arrive at the SA3, which is transmitted from the terminal device 300.
記憶部１２０は、走行履歴データベース（以下、「走行履歴ＤＢ」と称することもある）１２１を有する。通信部１１０が受信した走行履歴データは、走行履歴ＤＢ１２１に格納される。また、記憶部１２０は、トリップデータと、経路データと、ＳＡマスターデータと、ＳＡ利用履歴データと、を格納する。 The storage unit 120 includes a travel history database (hereinafter, may be referred to as a “travel history DB”) 121. The traveling history data received by the communication unit 110 is stored in the traveling history DB 121. In addition, the storage unit 120 stores trip data, route data, SA master data, and SA usage history data.
図７は、通信部１１０が受信する走行履歴データの一例を示す図である。
図７に示すように、走行履歴データは、本実施例では「車両ＩＤ、トリップＩＤ、位置（経度、緯度）、速度、出発日時、出発地（経度、緯度）、到着日時、目的地（経度、緯度）、移動距離、所要時間」のデータ項目を含む。
FIG. 7 is a diagram showing an example of traveling history data received by the communication unit 110. As shown in FIG.
As shown in FIG. 7, in the present embodiment, the travel history data is “vehicle ID, trip ID, position (longitude, latitude), speed, departure date, departure date, departure location (longitude, latitude), arrival date, destination location (longitude , Latitude), travel distance, and time required.
「車両ＩＤ」のデータ項目は、端末装置３００が搭載されている当該車両を識別するためのデータであり、予め設定される。
「トリップＩＤ」のデータ項目は、目的をもってある出発地からある目的地へ移動する単位であるトリップを識別するために用いられる。
「日時」及び「位置（経度、緯度）」のデータ項目は、端末装置３００に搭載されているＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）ユニットにより取得される。
「速度」のデータ項目は、ＧＰＳユニットと同期させ、端末装置３００が有する速度センサを用いて車両の車軸から取得される。
「出発日時」及び「出発地（経度、緯度）」のデータ項目は、当該トリップの出発日時及び出発地の経度緯度である。
「到着日時」及び「目的地（経度、緯度）」のデータ項目は、当該トリップの到着日時及び目的地の経度緯度である。
「移動距離」のデータ項目は、出発地から現在地までの移動距離である。
「所要時間」のデータ項目は、出発地から現在地までの所要時間である。
The data item of "vehicle ID" is data for identifying the said vehicle in which the terminal device 300 is mounted, and is preset.
The data item of "trip ID" is used to identify a trip which is a unit for moving from a certain departure place to a certain destination.
Data items of “date and time” and “position (longitude, latitude)” are acquired by a GPS (Global Positioning System) unit mounted on the terminal device 300.
The data item of "speed" is synchronized with the GPS unit and acquired from the axle of the vehicle using the speed sensor that the terminal device 300 has.
The data items of "departure date and time" and "departure location (longitude, latitude)" are the departure date and time of the trip and the longitude and latitude of the departure location.
The data items “arrival date and time” and “destination (longitude, latitude)” are the arrival date and time of the trip and the longitude and latitude of the destination.
The data item of "moving distance" is the moving distance from the departure point to the current point.
The data item of "time required" is the time required from the place of departure to the current place.
図８は、記憶部１２０に格納される走行履歴データの一例を示す図である。
図８に示すように、本実施例では図７に示した走行履歴データのデータ項目に加え、「曜日、祝日、天候」のデータ項目を含む。
走行履歴データに曜日、祝日、及び天候の少なくともいずれかのデータ項目を含むことにより、混雑予測装置１００は、例えば、予測する当日が連休初日の晴れの日の場合、走行履歴データ群から過去の連休初日の晴れの日の走行履歴データを抽出することができる。このため、混雑予測装置１００は、予測する当日の環境に類似する走行履歴データを抽出できることから、ＳＡ３の混雑率を予測する精度を向上させることができる。
FIG. 8 is a diagram showing an example of the traveling history data stored in the storage unit 120. As shown in FIG.
As shown in FIG. 8, in the present embodiment, in addition to the data items of the travel history data shown in FIG. 7, data items of “day, holiday, weather” are included.
By including data items of at least one of the day of the week, a holiday, and the weather in the traveling history data, the congestion prediction apparatus 100, for example, predicts the past from the traveling history data group when the day to be predicted is a clear day of the first day of consecutive holidays. It is possible to extract the running history data of the sunny day of the first day of the consecutive holidays. For this reason, since the congestion prediction apparatus 100 can extract traveling history data similar to the environment of the day to be predicted, the accuracy of predicting the congestion rate of SA3 can be improved.
「曜日、祝日」のデータ項目は、混雑予測装置１００が「日時」のデータを参照し、記憶部１２０の図示しない「曜日、祝日」のデータベースから取得し、端末装置３００から送信されたデータ項目に紐付けて記憶されている。
「天候」のデータ項目は、混雑予測装置１００が「日時」及び「位置（経度、緯度）」のデータを参照して、ネットワーク５００を介して各地の天気データを有するサーバ装置から取得し、端末装置３００から送信されたデータ項目に紐付けて記憶されている。
なお、本実施例では、「曜日、祝日、天候」のデータ項目を混雑予測装置１００により走行履歴データに紐付けるようにしたが、これに限ることなく、端末装置３００が「曜日、祝日、天候」のデータ項目を取得して走行履歴データに紐付けるようにしてもよい。
The data item of “day of the week, holidays” refers to the data of “date and time” with the congestion prediction apparatus 100, and is acquired from the database of “day of the week, holidays” (not shown) of the storage unit 120. It is linked to and stored.
The data item of "weather" is acquired from the server apparatus having weather data of various places via the network 500 with reference to the data of "date and time" and "position (longitude, latitude)" of the congestion prediction apparatus 100, It is stored in association with the data item transmitted from the device 300.
In the present embodiment, the data items of "day of the week, holidays, weather" are linked to the traveling history data by the congestion prediction apparatus 100, but the present invention is not limited to this. The data item of “” may be acquired and linked to the traveling history data.
図９は、記憶部１２０に格納される経路データの一例を示す図である。
図９に示すように、経路データは、本実施例では「車両ＩＤ、トリップＩＤ、リンクＩＤ（経度、緯度）、リンク入日時、リンク所要時間、リンク平均速度」のデータ項目を含む。「車両ＩＤ、トリップＩＤ」のデータ項目については、前述の「車両ＩＤ、トリップＩＤ」と同様であるため説明を省略する。
FIG. 9 is a diagram showing an example of the route data stored in the storage unit 120. As shown in FIG.
As shown in FIG. 9, the route data includes data items of "vehicle ID, trip ID, link ID (longitude, latitude), link entry date, link required time, link average speed" in this embodiment. About the data item of "vehicle ID, trip ID", since it is the same as that of "vehicle ID, trip ID" mentioned above, explanation is omitted.
「リンクＩＤ（経度、緯度）」のデータ項目は、所定の道路区間を識別するための識別子である。また、所定の道路区間とは、例えば、所定のＳＡから所定のジャンクションまでの道路区間を意味する。
「リンク入日時」のデータ項目は、車両が当該リンクＩＤに対応する道路区間に入った日時である。
「リンク所要時間」のデータ項目は、車両が当該リンクＩＤに対応する道路区間を通行した時間である。
「リンク平均速度」のデータ項目は、当該リンクＩＤに対応する道路区間を通行したときの車両の平均速度である。
The data item of "link ID (longitude, latitude)" is an identifier for identifying a predetermined road section. Further, the predetermined road section means, for example, a road section from a predetermined SA to a predetermined junction.
The data item of “link entry date and time” is the date and time when the vehicle enters the road section corresponding to the link ID.
The data item of "link required time" is the time when the vehicle travels the road section corresponding to the link ID.
The data item of “link average speed” is the average speed of the vehicle when passing through the road section corresponding to the link ID.
図１０は、記憶部１２０に格納されるＳＡマスターデータの一例を示す図である。
図１０に示すように、ＳＡマスターデータは、本実施例では「ＳＡコード、全駐車スペース数」のデータ項目を含み、駐車施設の混雑率を算出する際に用いられる。
FIG. 10 is a diagram showing an example of SA master data stored in the storage unit 120. As shown in FIG.
As shown in FIG. 10, the SA master data includes data items of “SA code, total number of parking spaces” in this embodiment, and is used when calculating the congestion rate of the parking facility.
「ＳＡコード」のデータ項目は、ＳＡを識別するための識別子である。
「全駐車スペース数」のデータ項目は、当該ＳＡコードに対応するＳＡの全駐車スペース数である。
The data item of “SA code” is an identifier for identifying the SA.
The data item of "total number of parking spaces" is the total number of parking spaces of the SA corresponding to the SA code.
図１１は、記憶部１２０に格納されるＳＡ利用履歴データの一例を示す図である。
図１１に示すように、ＳＡ利用履歴データは、本実施例では「車両ＩＤ、トリップＩＤ、ＳＡコード（経度、緯度）、入日時、出日時」のデータ項目を含む。「車両ＩＤ、トリップＩＤ、ＳＡコード」のデータ項目については、前述の「車両ＩＤ、トリップＩＤ」、及び「ＳＡコード」と同様であるため説明を省略する。
FIG. 11 is a view showing an example of SA use history data stored in the storage unit 120. As shown in FIG.
As shown in FIG. 11, the SA utilization history data includes data items of "vehicle ID, trip ID, SA code (longitude, latitude), entering date and time, leaving date" in this embodiment. The data items of “vehicle ID, trip ID, SA code” are the same as “vehicle ID, trip ID” and “SA code” described above, and therefore, the description thereof is omitted.
「入日時」のデータ項目は、当該ＳＡコードに対応するＳＡに入った日時である。
「出日時」のデータ項目は、当該ＳＡコードに対応するＳＡから出た日時である。
The data item of “entered date” is the date and time when the SA corresponding to the SA code is entered.
The data item of "date of delivery" is the date and time of departure from the SA corresponding to the SA code.
＜＜制御部＞＞
制御部１３０は、抽出部１３１と、画像生成部１３２と、算出部１３３と、学習部１３４と、推論部１３５と、を有する。なお、学習部１３４及び推論部１３５を組合せた機能を人工知能と称することがある。詳細は後述するが、本実施例では、制御部１３０は、学習済みの人工知能の画像認識機能を用いて、予測する当日の午前９時に地点αを通過した車両の出発地の分布を示す第１の画像から、ＳＡ３の混雑率の推論により予測する。
<< control section >>
The control unit 130 includes an extraction unit 131, an image generation unit 132, a calculation unit 133, a learning unit 134, and an inference unit 135. The function combining the learning unit 134 and the inference unit 135 may be referred to as artificial intelligence. Although the details will be described later, in the present embodiment, the control unit 130 uses the learned image recognition function of artificial intelligence to indicate the distribution of the departure point of the vehicle that has passed the point α at 9 am on the day of prediction. From the image of 1, it is predicted by inference of the congestion rate of SA3.
抽出部１３１は、車両の走行履歴データ群から、ＳＡ３に到着し得る時間帯に対応する時間帯にＳＡ３に駐車した車両を抽出する。 The extraction unit 131 extracts, from the travel history data group of vehicles, the vehicles parked in SA3 in the time zone corresponding to the time zone in which it can arrive at SA3.
画像生成部１３２は、予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データに基づき、車両の出発地の分布を示す第１の画像を生成する。これは、走行している車両の各端末装置３００から混雑予測装置１００に走行履歴データが格納されるまで、電波受信状態による通信速度や装置の処理速度などのばらつきにより時間がかかるためである。即ち、所定の時間間隔を空けることにより、混雑予測装置１００は、より多くの走行履歴データが集まった走行履歴データ群に基づいて第１の画像を生成できるため、ＳＡ３の混雑率を予測する精度を向上させることができる。本実施例では、所定の時間間隔を３０分間としているため、図４に示すように、混雑予測装置１００は、予測の出力要求を受け付けた午前９時から３０分間空けて遡った午前８時３０分以前の走行履歴データ群に基づき、第１の画像を生成する。 The image generation unit 132 indicates the distribution of the departure point of the vehicle based on travel history data of a time zone corresponding to a past time zone traced back by a predetermined time interval before the time when the output request for prediction is received. Generate an image of 1. This is because it takes time due to variations in the communication speed according to the radio wave reception state and the processing speed of the device until the travel history data is stored in the congestion prediction apparatus 100 from each terminal device 300 of the vehicle in which the vehicle is traveling. That is, by setting the predetermined time interval, the congestion prediction apparatus 100 can generate the first image based on the traveling history data group in which more traveling history data are collected, and therefore the accuracy of predicting the congestion rate of SA3 Can be improved. In the present embodiment, since the predetermined time interval is set to 30 minutes, as shown in FIG. 4, the congestion prediction apparatus 100 traces back 30 minutes from 9:00 am when the output request for prediction is received, and goes back to 8:30 am A first image is generated based on the travel history data group before the minute.
図１２は、出発地の分布を含む地図画像の一例を示す説明図であり、地点αを午前９時に通過した車両の出発地、目的地、及び経路を示す。図１２中の出発地又は目的地は市区町村ごとに塗りつぶされて表示されている。塗りつぶしの濃淡は、当該出発地又は目的地を出発地又は目的地として走行する車両数を示しており、いずれも濃度が高いと車両数が多く、濃度が低いと車両数が少ないことを示している。また、目的地とされた市区町村は、外周を縁取られて表示されている。経路の濃淡は、当該経路の交通量を示しており、濃度が高いと当該経路の交通量が多く、濃度が低いと当該経路の交通量が少ないことを示している。
第１の画像は、図１２の出発地の分布のみを表示したものである。
FIG. 12 is an explanatory view showing an example of a map image including the distribution of departure places, and shows the departure place, destination, and route of the vehicle that has passed the point α at 9 am. The place of departure or the destination in FIG. 12 is shown by being painted over for each city. The shading indicates the number of vehicles traveling from the departure place or destination to the departure place or destination, and indicates that the number of vehicles is high when the concentration is high and the number of vehicles is low when the concentration is low. There is. In addition, the city designated as the destination is displayed bordered on the outer periphery. The density of the route indicates the traffic volume of the route. When the concentration is high, the traffic volume of the route is high, and when the concentration is low, the traffic volume of the route is low.
The first image shows only the distribution of the departure point in FIG.
また、画像生成部１３２は、予測する当日より過去の走行履歴データ群であって、抽出部１３１が抽出した車両の走行履歴データに基づき、正時ごとに生成した第２の画像の集合である第２の画像群を、教師画像データ群として記憶部１２０に格納する。なお、正時とは、分や秒の端数のつかない時刻を意味する。 Further, the image generation unit 132 is a group of travel history data from the current day to be predicted, and is a set of second images generated at every hour based on the travel history data of the vehicle extracted by the extraction unit 131. The second image group is stored in the storage unit 120 as a teacher image data group. In addition, the time of day means a time without a fraction of minutes or seconds.
算出部１３３は、各第２の画像に対応するＳＡ３の混雑率を算出し、各第２の画像と紐付けて教師正解データ群として記憶部１２０に格納する。
なお、地点γに存在するＳＡ３の混雑率ε（γ）の算出方法としては、本実施例では、予測の出力要求を受け付けた時間の前後３０分間、即ち計１時間分の走行履歴データ群に基づき、次式、ε（γ）＝Σ（Ｒ（γ）×Ｍ（γ））／（１時間×Ｎ（γ））により算出する。ただし、ＳＡ３全体の駐車スペース数をＮ（γ）、当該１時間分の走行履歴データ群における車両が駐車して使用されている駐車スペース数をＲ（γ）、当該１時間分の走行履歴データ群における平均駐車時間（時間）をＭ（γ）とする。
また、本実施例では、上記の式により混雑率ε（γ）を算出するとしたが、これに限ることなく、例えば、各駐車スペースに車両の有無を検知できるセンサが設置されていれば、次式、ε（γ）＝ｒ（γ）／Ｎ（γ）により算出できる。ただし、センサにより検知されている車両数をｒ（γ）とする。
The calculation unit 133 calculates the congestion rate of SA3 corresponding to each second image, associates it with each second image, and stores it in the storage unit 120 as a teacher correct data group.
As a method of calculating the congestion rate ε (γ) of the SA3 present at the point γ, in this embodiment, the travel history data group for 30 minutes before and after the time when the output request for prediction is received, ie, 1 hour in total Based on the equation, ε (γ) = Σ (R (γ) × M (γ)) / (1 hour × N (γ)). However, N (γ) is the number of parking spaces for the entire SA3, R (γ) is the number of parking spaces used by vehicles parked in the one hour's driving history data group, and the traveling history data for the one hour Let M (γ) be the average parking time (hours) in the group.
In the present embodiment, the congestion rate ε (γ) is calculated by the above equation, but the present invention is not limited thereto. For example, if a sensor capable of detecting the presence or absence of a vehicle is installed in each parking space, It can be calculated by the equation, ε (γ) = r (γ) / N (γ). However, let r (γ) be the number of vehicles detected by the sensor.
また、算出部１３３は、以下のプラットフォーム処理において、予測する当日より過去の走行履歴データに基づき、各算出処理を行う。
（１）地点αに関わるデータとして、地点αにおける予測の出力要求を受け付けた時間ｔ０の前後３０分間の交通量を算出する。
（２）ＳＡ３に関わるデータとして、ＳＡ３の手前近傍における連続走行時間、ＳＡ３に駐車した車両数、ＳＡ３に駐車した車両の平均駐車時間、及びＳＡ３の混雑率を算出する。
（３）地点α〜ＳＡ３間の走行に関わるデータとして、地点α〜ＳＡ３間の交通量、及び地点α〜ＳＡ３間の平均所要時間を算出する。
（４）出発地及び目的地に関わるデータとして、地点αにおける予測の出力要求を受け付けた時間ｔ０の前後３０分間に地点αを通過する車両の出発地ゾーン情報及びゾーン別交通量、出発地〜地点α間の平均所要時間、地点α〜目的地間の平均所要時間を算出する。
In addition, in the following platform processing, the calculation unit 133 performs each calculation processing based on travel history data that is past from the day of prediction.
(1) As data related to the point α, the traffic volume for 30 minutes before and after the time t 0 when the output request for prediction at the point α is received is calculated.
(2) As data relating to SA3, the continuous travel time in the vicinity near SA3, the number of vehicles parked at SA3, the average parking time of vehicles parked at SA3, and the congestion rate of SA3 are calculated.
(3) The traffic volume between points α and SA3 and the average required time between points α and SA3 are calculated as data related to traveling between points α and SA3.
(4) As data relating to departure places and destinations, departure zone information and traffic by zone of vehicles passing through point α in 30 minutes before and after time t 0 when the output request for prediction at point α is received Calculate an average required time between the points α and α, and an average required time between the points α and the destination.
学習部１３４は、教師画像データ群と教師正解データ群との関係からディープラーニングの手法を用いて、第１の画像からＳＡ３の混雑率を推論できるように学習済み重みを得る。 The learning unit 134 obtains learned weights so that the congestion rate of SA3 can be inferred from the first image using a deep learning method from the relationship between the teacher image data group and the teacher correct data group.
推論部１３５は、学習部１３４が得た学習済み重みを用いて、生成した画像の特徴の類否を行い、予測の根拠となる過去の走行履歴データを抽出してＳＡ３の混雑率を予測する。
画像の特徴の類否は、予測する当日の走行履歴データ群に基づいて生成した第１の画像を基準として、予測する当日より過去の走行履歴データ群に基づいて正時ごとに生成した第２の画像群の第２の画像とそれぞれ比較することにより判定する。
これにより、混雑予測装置１００は、学習済みの人工知能を用いることにより、ＳＡ３の混雑率を精度良く予測することができる。
The inference unit 135 uses the learned weights obtained by the learning unit 134 to perform similarity processing of the generated image feature, extract past travel history data to be a basis for prediction, and predict the congestion rate of SA3. .
Based on the first image generated based on the current day's travel history data group to be predicted, the similarity of the image features is generated every second hour based on the past travel history data group from the current day to be predicted The determination is made by comparing each with the second image of the group of images.
Thus, the congestion prediction apparatus 100 can accurately predict the congestion rate of SA3 by using the learned artificial intelligence.
なお、本実施例では、混雑予測装置１００は、学習済みの人工知能の画像認識機能を用いてＳＡ３の混雑率を予測するようにしたが、これに限ることなく、例えば、標準偏差などの数値を用いた手法により予測するようにしてもよい。 In the present embodiment, the congestion prediction apparatus 100 predicts the congestion rate of SA3 using the learned artificial intelligence image recognition function, but the present invention is not limited to this. For example, numerical values such as standard deviation It may be predicted by a method using.
また、予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データにおける車両が、所定の時間以上の連続走行している場合がある。一般的に、連続運転時間が４時間を超えると運転者の疲れが運転に出やすい傾向があるため、連続運転時間が４時間を超えないようにしている。このため、本実施例では、３時間以上の連続走行している車両は、連続走行が４時間に達しないように、予測進路上にある近傍のＳＡ３に駐車するという前提でＳＡ３の混雑率を予測する。これにより、混雑予測装置１００は、ＳＡ３の混雑率を予測する精度が向上する。 In addition, there is a case where the vehicle in the travel history data of the time zone corresponding to the past time zone traced back by a predetermined time interval before the time when the predicted output request is received, is traveling continuously for a predetermined time or more is there. Generally, when the continuous operation time exceeds 4 hours, the driver's fatigue tends to be easy to drive, so the continuous operation time does not exceed 4 hours. For this reason, in the present embodiment, the congestion rate of SA3 is calculated on the premise that vehicles traveling continuously for three hours or more are parked on nearby SA3 on the predicted route so that continuous traveling does not reach four hours. Predict. Thereby, the congestion prediction apparatus 100 improves the accuracy of predicting the congestion rate of SA3.
ここで、本実施例では、実際の全車両数に対する端末装置３００が搭載されている車両数の比ｋが既知である。このため、図１３に示すように、端末装置３００が搭載されている車両数をｘ（γ）、ｘ（γ）のうち３時間以上の連続走行している車両数ｙ（γ）とすると、これらを１／ｋ＝Ｋ倍する。これにより、ｘ（γ）×Ｋが実際の全車両数であるＸ（γ）に近づき、ｙ（γ）×ＫがＸ（γ）のうち３時間以上の連続走行している実際の車両数Ｙ（γ）に近づく。 Here, in the present embodiment, the ratio k of the number of vehicles on which the terminal device 300 is mounted to the actual number of all vehicles is known. Therefore, as shown in FIG. 13, assuming that the number of vehicles on which the terminal device 300 is mounted is the number y (γ) of vehicles traveling continuously for 3 hours or more among x (γ) and x (γ), These are multiplied by 1 / k = K. As a result, x (γ) × K approaches the actual total number of vehicles X (γ), and y (γ) × K is the actual number of vehicles traveling continuously for 3 hours or more of X (γ). It approaches Y (γ).
＜混雑予測装置のハードウェア構成＞
図１４は、混雑予測装置１００のハードウェア構成の一例を示す説明図である。
図１４に示すように、混雑予測装置１００は以下の各部を有する。各部は、バス１８９を介してそれぞれ通信可能に接続されている。
<Hardware Configuration of Congestion Predictor>
FIG. 14 is an explanatory view showing an example of the hardware configuration of the congestion prediction apparatus 100. As shown in FIG.
As shown in FIG. 14, the congestion prediction apparatus 100 has the following units. Each unit is communicably connected via a bus 189.
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１８１は、制御部１３０の各部が行う処理を実行する。ソフトウェアを実行するプロセッサはハードウェアである。 A CPU (central processing unit) 181 executes processing performed by each unit of the control unit 130. The processor that executes the software is hardware.
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１８２は、記憶部１２０に記憶された各種プログラムが制御部１３０により実行される際に展開される作業範囲として機能する。
ＲＡＭ１８２としては、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などが挙げられる。
A RAM (Random Access Memory) 182 functions as a working range which is expanded when the various programs stored in the storage unit 120 are executed by the control unit 130.
Examples of the RAM 182 include a dynamic random access memory (DRAM) and a static random access memory (SRAM).
ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１８３は、画像データを処理する際に必要な計算処理を実行する。 A GPU (Graphics Processing Unit) 183 executes calculation processing necessary for processing image data.
ＶＲＡＭ（Ｖｉｄｅｏ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１８４は、モニタ等のディスプレイに画像を表示するために必要なデータを保持するためのメモリ領域であり、グラフィックスメモリ又はビデオメモリとも称する。ＶＲＡＭ１８４は、専用のデュアルポートのものもあれば、ＤＲＡＭやＳＲＡＭを利用したものもある。 A VRAM (Video Random Access Memory) 184 is a memory area for holding data necessary for displaying an image on a display such as a monitor, and is also referred to as graphics memory or video memory. The VRAM 184 may be a dedicated dual port one or a DRAM or SRAM.
入力装置１８５は、混雑予測装置１００に対する各種要求を受け付けることができれば特に制限はなく、適宜公知のものを用いることができ、例えば、キーボード、マウス、タッチパネル、マイクなどが挙げられる。 The input device 185 is not particularly limited as long as it can receive various requests for the congestion prediction apparatus 100, and any known device can be used as appropriate, and examples thereof include a keyboard, a mouse, a touch panel, and a microphone.
出力装置１８６は、特に制限はなく、適宜公知のものを用いることができ、例えば、ディスプレイ、スピーカーなどが挙げられる。 The output device 186 is not particularly limited, and any known device can be used as appropriate, and examples thereof include a display and a speaker.
通信インターフェイス１８７は、特に制限はなく、適宜公知のものを用いることができ、例えば、無線又は有線を用いた通信デバイスなどが挙げられる。 The communication interface 187 is not particularly limited, and any known communication interface can be used as appropriate, and examples thereof include communication devices using wireless or wired communication.
主記憶装置１８８は、混雑予測プログラムを記憶し、ＣＰＵ１８１及び／又はＧＰＵ１８３が当該プログラムを読み出して実行することにより、抽出部１３１、画像生成部１３２、算出部１３３、学習部１３４、及び推論部１３５として動作する。また、主記憶装置１８８は、混雑予測プログラムのほか、各種プログラムを制御部１３０が実行するために必要な各種プログラム、データ等を記憶する。具体的には、主記憶装置１８８は、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ／Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）、ＥＦＩ（Ｅｘｔｅｎｓｉｂｌｅ Ｆｉｒｍｗａｒｅ Ｉｎｔｅｒｆａｃｅ）等のブートプログラムなどを記憶する。
主記憶装置１８８としては、各種情報を記憶できれば特に制限はなく、目的に応じて適宜選択することができ、例えば、ソリッドステートドライブ、ハードディスクドライブなどが挙げられる。また、主記憶装置１８８は、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）ドライブ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）ドライブ、ＢＤ（Ｂｌｕ−ｒａｙ（登録商標） Ｄｉｓｃ）ドライブなどの可搬記憶装置であってもよい。さらに、主記憶装置１８８は、ネットワーク上のコンピュータ群であるクラウドの一部であってもよい。
The main storage device 188 stores a congestion prediction program, and the CPU 181 and / or the GPU 183 read out and execute the program to extract the extraction unit 131, the image generation unit 132, the calculation unit 133, the learning unit 134, and the inference unit 135. Act as. In addition to the congestion prediction program, the main storage device 188 stores various programs, data, and the like necessary for the control unit 130 to execute various programs. Specifically, the main storage device 188 stores a boot program such as a Basic Input / Output System (BIOS), an Extensible Firmware Interface (EFI), and the like.
The main storage device 188 is not particularly limited as long as various information can be stored, and can be appropriately selected according to the purpose. Examples thereof include a solid state drive and a hard disk drive. Also, the main storage device 188 may be a portable storage device such as a CD (Compact Disc) drive, a DVD (Digital Versatile Disc) drive, or a BD (Blu-ray (registered trademark) Disc) drive. Furthermore, the main storage device 188 may be part of a cloud that is a group of computers on a network.
図１５は、プラットフォーム解析処理から通知処理までの流れの一例を示すフローチャートである。混雑予測装置１００が有する人工知能が、ディープラーニングの手法によりＳＡ３の混雑率を予測するフローを、図１５に示すフローチャートにしたがって説明する。 FIG. 15 is a flowchart showing an example of the flow from platform analysis processing to notification processing. A flow in which the artificial intelligence included in the congestion prediction apparatus 100 predicts the congestion rate of SA3 by the deep learning method will be described according to the flowchart shown in FIG.
ステップＳ１０１では、算出部１３３は、プラットフォーム解析処理を行うと処理をＳ１０２に移行させる。
プラットフォーム解析処理では、予測する当日より過去の走行履歴データに基づき、全国の主要通過地点について前月までの毎正時において、以下の（１）〜（４）の処理を行う。
（１）地点αに関わるデータとして、地点αにおける予測の出力要求を受け付けた時間ｔ０の前後３０分間の交通量を算出する。
（２）ＳＡ３に関わるデータとして、ＳＡ３の手前近傍における連続走行時間、ＳＡ３に駐車した車両数、ＳＡ３に駐車した車両の平均駐車時間、及びＳＡ３の混雑率を算出する。
（３）地点α〜ＳＡ３間の走行に関わるデータとして、地点α〜ＳＡ３間の交通量、及び地点α〜ＳＡ３間の平均所要時間を算出する。
（４）出発地及び目的地に関わるデータとして、地点αにおける予測の出力要求を受け付けた時間ｔ０の前後３０分間に地点αを通過する車両の出発地ゾーン情報及びゾーン別交通量、出発地〜地点α間の平均所要時間、地点α〜目的地間の平均所要時間を算出する。
In step S101, when performing the platform analysis process, the calculation unit 133 shifts the process to S102.
In the platform analysis process, the following processes (1) to (4) are performed at every hour until the previous month with respect to major passage points across the country based on travel history data in the past from the day of prediction.
(1) As data related to the point α, the traffic volume for 30 minutes before and after the time t 0 when the output request for prediction at the point α is received is calculated.
(2) As data relating to SA3, the continuous travel time in the vicinity near SA3, the number of vehicles parked at SA3, the average parking time of vehicles parked at SA3, and the congestion rate of SA3 are calculated.
(3) The traffic volume between points α and SA3 and the average required time between points α and SA3 are calculated as data related to traveling between points α and SA3.
(4) As data relating to departure places and destinations, departure zone information and traffic by zone of vehicles passing through point α in 30 minutes before and after time t 0 when the output request for prediction at point α is received Calculate an average required time between the points α and α, and an average required time between the points α and the destination.
ステップＳ１０２では、画像生成部１３２は、画像生成処理を行うと処理をＳ１０３に移行させる。
画像生成処理では、本実施例では、予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データ群に基づき、１時間ごとに車両の出発地の分布を示す第１の画像を生成する。
また、画像生成部１３２は、抽出部１３１が抽出した車両の走行履歴データに基づき、正時ごとの、車両の出発地の分布を示す第２の画像を生成した第２の画像群を教師画像データ群として格納する。
さらに、算出部１３３は、各第２の画像に対応するＳＡ３の混雑率を算出し、各第２の画像と紐付けて教師正解データ群として記憶部１２０に記憶させる。
In step S102, when the image generation process is performed, the image generation unit 132 shifts the process to S103.
In the image generation process, in this embodiment, every hour based on the traveling history data group of the time zone corresponding to the past time zone traced back by a predetermined time interval before the time when the predicted output request is received. A first image is generated that shows the distribution of the departure point of the vehicle.
In addition, the image generation unit 132 is a teacher image of a second image group which generates a second image indicating the distribution of the departure place of the vehicle at each hour based on the travel history data of the vehicle extracted by the extraction unit 131. Store as a data group.
Furthermore, the calculation unit 133 calculates the congestion rate of SA3 corresponding to each second image, associates it with each second image, and stores it in the storage unit 120 as a teacher correct data group.
ステップＳ１０３では、学習部１３４は、学習処理を行うと処理をＳ１０４に移行させる。
学習処理では、学習部１３４は、教師画像データ群と教師正解データ群との関係からディープラーニングの手法を用いて、第１の画像からＳＡ３の混雑率を推論できるように学習済み重みを得る。
In step S103, the learning unit 134 shifts the process to S104 when the learning process is performed.
In the learning process, the learning unit 134 obtains a learned weight so that the congestion rate of SA3 can be inferred from the first image using a deep learning method from the relationship between the teacher image data group and the teacher correct data group.
ステップＳ１０４では、推論部１３５は、推論処理を行うと処理をＳ１０５に移行させる。
推論処理では、推論部１３５は、学習部１３４が得た学習済み重みを用いて、生成した画像の特徴の類否を行い、予測の根拠となる過去の走行履歴データを抽出してＳＡ３の混雑率を予測する。
In step S104, when the inference processing is performed, the inference unit 135 shifts the processing to S105.
In the inference process, the inference unit 135 uses the learned weights obtained by the learning unit 134 to perform similarity on the features of the generated image, extracts past travel history data to be the basis of prediction, and congests SA3 Predict rates.
ステップＳ１０５では、混雑予測装置１００は、情報表示装置２００に対して通知処理を行うと本処理を終了させる。
通知処理では、混雑予測装置１００は、情報表示装置２００に、予測した当該駐車施設の混雑率を送信する。情報表示装置２００は、車両の運転者に対し、図１６に示すように、混雑予測装置１００が予測した当該駐車施設の混雑率を表示する。
In step S105, the congestion prediction apparatus 100 ends the processing when the notification processing is performed on the information display apparatus 200.
In the notification process, the congestion prediction apparatus 100 transmits the predicted congestion rate of the parking facility to the information display apparatus 200. The information display device 200 displays, for the driver of the vehicle, the congestion rate of the parking facility, which is predicted by the congestion prediction device 100, as shown in FIG.
図１７は、混雑予測装置１００がＳＡ３の混雑率を予測する流れの一例を示すフローチャートである。混雑予測装置１００がＳＡ３の混雑率を予測するフローを、図１７に示すフローチャートにしたがって説明する。 FIG. 17 is a flowchart showing an example of the flow of the congestion prediction apparatus 100 predicting the congestion rate of SA3. The flow in which the congestion prediction apparatus 100 predicts the congestion rate of SA3 will be described according to the flowchart shown in FIG.
ステップＳ２０１では、混雑予測装置１００は、当該車両の端末装置３００から、車両がＳＡ３に到着し得る時間帯におけるＳＡ３の混雑率の予測の出力要求を受け付けると処理をＳ２０２に移行させる。 In step S201, when the congestion prediction apparatus 100 receives, from the terminal device 300 of the vehicle, an output request for predicting the congestion rate of SA3 in a time zone in which the vehicle can arrive at SA3, the process proceeds to S202.
ステップＳ２０２では、混雑予測装置１００は、「予測する当日より過去の走行履歴データ群」から、ＳＡ３に到着し得る時間帯に対応する時間帯にＳＡ３に駐車した車両を抽出すると処理をＳ２０３に移行させる。 In step S202, when the congestion prediction apparatus 100 extracts a vehicle parked in SA3 in a time zone corresponding to a time zone that can arrive at SA3 from the "predicted travel history data group from the day of prediction", the process proceeds to S203 Let
ステップＳ２０３では、混雑予測装置１００は、抽出した車両の走行履歴データに基づき、車両がＳＡ３に到着し得る時間帯におけるＳＡ３の混雑率を予測すると本処理を終了させる。 In step S203, the congestion prediction apparatus 100 ends this processing when it predicts the congestion rate of SA3 in a time zone in which the vehicle can arrive at SA3, based on the extracted travel history data of the vehicle.
以上説明したように、混雑予測装置は、車両が駐車施設に到着し得る時間帯における駐車施設の混雑率の予測の出力要求を受け付けると、車両の走行履歴データ群から抽出した当該時間帯に駐車施設に駐車した車両の走行履歴データに基づき、混雑率を予測できる。 As described above, when the congestion prediction apparatus receives an output request for prediction of the congestion rate of the parking facility in a time zone in which the vehicle can arrive at the parking facility, parking is performed in the time zone extracted from the traveling history data group of the vehicle The congestion rate can be predicted based on the travel history data of the vehicle parked in the facility.
なお、図１８に示すように、車両が地点αを午後９時に通過したときにＦ方面への交通量が多くなると予測された場合、図１９に示すように、車両がＳＡ５〜ＳＡ７に到着し得る時間帯におけるＳＡ５〜ＳＡ７の混雑率を表示するようにしてもよい。 As shown in FIG. 18, when it is predicted that the traffic volume to the F direction increases when the vehicle passes the point α at 9:00 pm, the vehicle arrives at SA5 to SA7 as shown in FIG. The congestion rates of SA5 to SA7 in the obtained time zone may be displayed.
以上の実施形態に関し、更に以下の付記を開示する。
（付記１）
ある車両が駐車施設に到着し得る時間帯における前記駐車施設の混雑率の予測の出力要求を受け付けると、
車両の走行履歴データ群から、前記駐車施設に到着し得る時間帯に対応する時間帯に前記駐車施設に駐車した車両を抽出し、
抽出した前記車両の走行履歴データに基づき、前記ある車両が前記駐車施設に到着し得る時間帯における前記駐車施設の混雑率を予測する、
処理をコンピュータに実行させることを特徴とする混雑予測プログラム。
（付記２）
前記予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の前記走行履歴データにおける前記車両が所定の時間以上の連続走行している場合、前記ある車両が前記駐車施設に駐車するとして前記駐車施設の混雑率を予測する付記１に記載の混雑予測プログラム。
（付記３）
前記予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の前記走行履歴データ群に基づき、所定の時間ごとに生成した前記車両の出発地の分布を示す画像の特徴の類否から、予測の根拠となる過去の前記走行履歴データを抽出する付記１に記載の混雑予測プログラム。
（付記４）
前記駐車施設の混雑率の予測結果を、予測進路上における前記駐車施設より所定の距離の手前で表示する付記１から３のいずれか一項に記載の混雑予測プログラム。
（付記５）
前記走行履歴データが、曜日、祝日及び天候の少なくともいずれかのデータを含む付記１から４のいずれか一項に記載の混雑予測プログラム。
（付記６）
ある車両が駐車施設に到着し得る時間帯における前記駐車施設の混雑率の予測の出力要求を受け付けると、
車両の走行履歴データ群から、前記駐車施設に到着し得る時間帯に対応する時間帯に前記駐車施設に駐車した車両を抽出し、
抽出した前記車両の走行履歴データに基づき、前記ある車両が前記駐車施設に到着し得る時間帯における前記駐車施設の混雑率を予測する、
処理を実行する制御部を有することを特徴とする混雑予測装置。
（付記７）
ある車両が駐車施設に到着し得る時間帯における前記駐車施設の混雑率の予測の出力要求を受け付けると、
車両の走行履歴データ群から、前記駐車施設に到着し得る時間帯に対応する時間帯に前記駐車施設に駐車した車両を抽出し、
抽出した前記車両の走行履歴データに基づき、前記ある車両が前記駐車施設に到着し得る時間帯における前記駐車施設の混雑率を予測する、
処理をコンピュータが実行することを特徴とする混雑予測方法。
Further, the following appendices will be disclosed regarding the above embodiment.
(Supplementary Note 1)
When receiving an output request for prediction of the congestion rate of the parking facility in a time zone when a certain vehicle can arrive at the parking facility,
Extracting a vehicle parked in the parking facility in a time zone corresponding to a time zone in which the vehicle can arrive at the parking facility from a travel history data group of vehicles;
Predicting a congestion rate of the parking facility in a time zone in which the certain vehicle can arrive at the parking facility based on the extracted travel history data of the vehicle;
A congestion prediction program which causes a computer to execute a process.
(Supplementary Note 2)
When the vehicle in the travel history data in a time zone corresponding to a past time zone traced back by a predetermined time interval before the time when the output request for the prediction is received, the vehicle travels continuously for a predetermined time or more, The congestion prediction program according to appendix 1, wherein the congestion rate of the parking facility is predicted as the certain vehicle parks in the parking facility.
(Supplementary Note 3)
The starting point of the vehicle generated at predetermined time intervals based on the travel history data group of a time zone corresponding to a past time zone traced back by a predetermined time interval before the time at which the prediction output request is received The congestion prediction program according to Supplementary Note 1, which extracts the past travel history data serving as a basis for prediction from the similarity of image features indicating the distribution of.
(Supplementary Note 4)
The congestion prediction program according to any one of Appendices 1 to 3, wherein the prediction result of the congestion rate of the parking facility is displayed in front of a predetermined distance from the parking facility on the predicted route.
(Supplementary Note 5)
The congestion prediction program according to any one of appendices 1 to 4, wherein the travel history data includes data of at least one of a day of the week, a holiday, and a weather.
(Supplementary Note 6)
When receiving an output request for prediction of the congestion rate of the parking facility in a time zone when a certain vehicle can arrive at the parking facility,
Extracting a vehicle parked in the parking facility in a time zone corresponding to a time zone in which the vehicle can arrive at the parking facility from a travel history data group of vehicles;
Predicting a congestion rate of the parking facility in a time zone in which the certain vehicle can arrive at the parking facility based on the extracted travel history data of the vehicle;
A congestion prediction apparatus comprising: a control unit that executes a process.
(Appendix 7)
When receiving an output request for prediction of the congestion rate of the parking facility in a time zone when a certain vehicle can arrive at the parking facility,
Extracting a vehicle parked in the parking facility in a time zone corresponding to a time zone in which the vehicle can arrive at the parking facility from a travel history data group of vehicles;
Predicting a congestion rate of the parking facility in a time zone in which the certain vehicle can arrive at the parking facility based on the extracted travel history data of the vehicle;
A congestion prediction method, characterized in that a computer executes processing.
１０ システム
１００ 混雑予測装置
１３０ 制御部
２００ 情報表示装置
３００ 端末装置
４００ 車両
DESCRIPTION OF SYMBOLS 10 system 100 congestion prediction apparatus 130 control part 200 information display apparatus 300 terminal device 400 vehicle
Claims (7)
車両の走行履歴データ群から、前記駐車施設に到着し得る時間帯に対応する時間帯に前記駐車施設に駐車した車両を抽出し、
抽出した前記車両の走行履歴データに基づき、前記ある車両が前記駐車施設に到着し得る時間帯における前記駐車施設の混雑率を予測する、
処理をコンピュータに実行させることを特徴とする混雑予測プログラム。 When receiving an output request for prediction of the congestion rate of the parking facility in a time zone when a certain vehicle can arrive at the parking facility,
Extracting a vehicle parked in the parking facility in a time zone corresponding to a time zone in which the vehicle can arrive at the parking facility from a travel history data group of vehicles;
Predicting a congestion rate of the parking facility in a time zone in which the certain vehicle can arrive at the parking facility based on the extracted travel history data of the vehicle;
A congestion prediction program which causes a computer to execute a process.
車両の走行履歴データ群から、前記駐車施設に到着し得る時間帯に対応する時間帯に前記駐車施設に駐車した車両を抽出し、
抽出した前記車両の走行履歴データに基づき、前記ある車両が前記駐車施設に到着し得る時間帯における前記駐車施設の混雑率を予測する、
処理を実行する制御部を有することを特徴とする混雑予測装置。 When receiving an output request for prediction of the congestion rate of the parking facility in a time zone when a certain vehicle can arrive at the parking facility,
Extracting a vehicle parked in the parking facility in a time zone corresponding to a time zone in which the vehicle can arrive at the parking facility from a travel history data group of vehicles;
Predicting a congestion rate of the parking facility in a time zone in which the certain vehicle can arrive at the parking facility based on the extracted travel history data of the vehicle;
A congestion prediction apparatus comprising: a control unit that executes a process.
車両の走行履歴データ群から、前記駐車施設に到着し得る時間帯に対応する時間帯に前記駐車施設に駐車した車両を抽出し、
抽出した前記車両の走行履歴データに基づき、前記ある車両が前記駐車施設に到着し得る時間帯における前記駐車施設の混雑率を予測する、
処理をコンピュータが実行することを特徴とする混雑予測方法。
When receiving an output request for prediction of the congestion rate of the parking facility in a time zone when a certain vehicle can arrive at the parking facility,
Extracting a vehicle parked in the parking facility in a time zone corresponding to a time zone in which the vehicle can arrive at the parking facility from a travel history data group of vehicles;
Predicting a congestion rate of the parking facility in a time zone in which the certain vehicle can arrive at the parking facility based on the extracted travel history data of the vehicle;
A congestion prediction method, characterized in that a computer executes processing.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017079161A JP2018180906A (en) | 2017-04-12 | 2017-04-12 | Congestion prediction program, congestion prediction apparatus, and congestion prediction method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017079161A JP2018180906A (en) | 2017-04-12 | 2017-04-12 | Congestion prediction program, congestion prediction apparatus, and congestion prediction method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2018180906A true JP2018180906A (en) | 2018-11-15 |
Family
ID=64276721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017079161A Pending JP2018180906A (en) | 2017-04-12 | 2017-04-12 | Congestion prediction program, congestion prediction apparatus, and congestion prediction method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2018180906A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019028489A (en) * | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | Prediction apparatus, prediction method, prediction program, learning data and model |
| CN112598907A (en) * | 2020-12-17 | 2021-04-02 | 东风商用车有限公司 | Congestion prediction method, device, equipment and readable storage medium |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0480899A (en) * | 1990-07-24 | 1992-03-13 | Toshiba Corp | Parking lot guiding system |
| JP2001084490A (en) * | 1999-09-13 | 2001-03-30 | Toshiba Corp | System for providing traffic information |
| JP2001093078A (en) * | 1999-09-21 | 2001-04-06 | Omron Corp | Congesting situation display system |
| JP2001307277A (en) * | 2000-04-17 | 2001-11-02 | Sumitomo Electric Ind Ltd | Traffic jam easing system |
| JP2002260187A (en) * | 2001-03-02 | 2002-09-13 | Nippon Telegraph & Telephone East Corp | Method, device, and program for predicting parking state |
| JP2006343800A (en) * | 2005-06-07 | 2006-12-21 | Nec Corp | Parking lot retrieval system, server, parking lot retrieval method and program |
| JP2010091356A (en) * | 2008-10-07 | 2010-04-22 | Kddi Corp | System, server and method for estimating position |
| JP2010287251A (en) * | 2003-08-07 | 2010-12-24 | National Institute Of Advanced Industrial Science & Technology | Traffic congestion prediction program, computer readable recording medium recording the same and traffic congestion prediction apparatus, and navigation program, computer readable storage medium recording the same and navigation apparatus |
| US20130046456A1 (en) * | 2011-08-16 | 2013-02-21 | Christopher L. Scofield | Assessing inter-modal passenger travel options |
| JP2015222537A (en) * | 2014-05-23 | 2015-12-10 | 日産自動車株式会社 | Road traffic demand prediction device and road traffic demand prediction method |
-
2017
- 2017-04-12 JP JP2017079161A patent/JP2018180906A/en active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0480899A (en) * | 1990-07-24 | 1992-03-13 | Toshiba Corp | Parking lot guiding system |
| JP2001084490A (en) * | 1999-09-13 | 2001-03-30 | Toshiba Corp | System for providing traffic information |
| JP2001093078A (en) * | 1999-09-21 | 2001-04-06 | Omron Corp | Congesting situation display system |
| JP2001307277A (en) * | 2000-04-17 | 2001-11-02 | Sumitomo Electric Ind Ltd | Traffic jam easing system |
| JP2002260187A (en) * | 2001-03-02 | 2002-09-13 | Nippon Telegraph & Telephone East Corp | Method, device, and program for predicting parking state |
| JP2010287251A (en) * | 2003-08-07 | 2010-12-24 | National Institute Of Advanced Industrial Science & Technology | Traffic congestion prediction program, computer readable recording medium recording the same and traffic congestion prediction apparatus, and navigation program, computer readable storage medium recording the same and navigation apparatus |
| JP2006343800A (en) * | 2005-06-07 | 2006-12-21 | Nec Corp | Parking lot retrieval system, server, parking lot retrieval method and program |
| JP2010091356A (en) * | 2008-10-07 | 2010-04-22 | Kddi Corp | System, server and method for estimating position |
| US20130046456A1 (en) * | 2011-08-16 | 2013-02-21 | Christopher L. Scofield | Assessing inter-modal passenger travel options |
| JP2015222537A (en) * | 2014-05-23 | 2015-12-10 | 日産自動車株式会社 | Road traffic demand prediction device and road traffic demand prediction method |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019028489A (en) * | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | Prediction apparatus, prediction method, prediction program, learning data and model |
| CN112598907A (en) * | 2020-12-17 | 2021-04-02 | 东风商用车有限公司 | Congestion prediction method, device, equipment and readable storage medium |
| CN112598907B (en) * | 2020-12-17 | 2021-12-07 | 东风商用车有限公司 | Congestion prediction method, device, equipment and readable storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11415427B2 (en) | Providing traffic warnings to a user based on return journey | |
| EP3333824B1 (en) | Automatic detection of lane closures using probe data | |
| US20200050973A1 (en) | Method and system for supervised learning of road signs | |
| US9689693B2 (en) | Systems and methods for learning and displaying customized geographical navigational options | |
| US10883850B2 (en) | Additional security information for navigation systems | |
| US10140854B2 (en) | Vehicle traffic state determination | |
| US8694242B2 (en) | Traveling information creating device, traveling information creating method and program | |
| US8706408B2 (en) | Navigation system and route search method | |
| JP2019032174A (en) | Information processing system and information processing method | |
| JP6931159B2 (en) | Traffic forecasting programs, traffic forecasting devices, and traffic forecasting methods | |
| EP4024361A1 (en) | Methods and systems for predicting road closure in a region | |
| KR101572582B1 (en) | Navigation apparatus, traffic prediction service apparatus, traffic prediction service system and its method | |
| JP6982237B2 (en) | Candidate position evaluation program, candidate position evaluation device, and candidate position evaluation method | |
| JP2018180906A (en) | Congestion prediction program, congestion prediction apparatus, and congestion prediction method | |
| US20210370933A1 (en) | Methods and systems for validating path data | |
| US20240085193A1 (en) | Automated dynamic routing unit and method thereof | |
| US11879739B2 (en) | Method, apparatus and computer program product for estimating hazard duration | |
| US20220178711A1 (en) | Methods and systems for detecting an environmental zone in a region | |
| US20230202509A1 (en) | Method, apparatus, and computer program product for real-time map-matching | |
| US20230408276A1 (en) | Methods and apparatuses for late lane change prediction and mitigation | |
| US20230194295A1 (en) | Method, apparatus and computer program product for lane level toll plaza congestion modeling | |
| US20220172616A1 (en) | Method and apparatus for verifying a road work event | |
| WO2023042186A1 (en) | Vehicle control system and electronic control device | |
| EP4012680A1 (en) | Method, apparatus and computer program product for detecting a lane closure using probe data | |
| JP2021189597A (en) | Accident prediction device and accident prediction method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200115 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201105 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201124 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210114 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210803 |