JP2019114042A - 移動対象物における所定事象の発生傾向を推定するプログラム、装置及び方法 - Google Patents
移動対象物における所定事象の発生傾向を推定するプログラム、装置及び方法 Download PDFInfo
- Publication number
- JP2019114042A JP2019114042A JP2017246840A JP2017246840A JP2019114042A JP 2019114042 A JP2019114042 A JP 2019114042A JP 2017246840 A JP2017246840 A JP 2017246840A JP 2017246840 A JP2017246840 A JP 2017246840A JP 2019114042 A JP2019114042 A JP 2019114042A
- Authority
- JP
- Japan
- Prior art keywords
- group
- data
- moving object
- position group
- predetermined event
- 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
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
複数の移動対象物それぞれの位置情報から、位置グループを生成する位置グループ生成手段と、
過去に所定事象が発生した移動対象物の位置情報に基づいて位置グループ生成手段から出力された位置グループ毎に、複数の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力し、所定事象の発生傾向を学習させる教師データ入力手段と、
推定すべき移動対象物の位置情報に基づいて位置グループ生成手段から出力された位置グループについて、複数の移動対象物の進行向きの要素群データを学習エンジンに入力し、その出力として当該位置グループにおける所定事象の発生傾向を取得する事象発生傾向推定手段と
してコンピュータを機能させることを特徴とする。
所定事象の発生とは、異なる種別となる複数の第1の移動対象物と複数の第2の移動対象物とに基づくものであり、
位置グループ生成手段は、第1の移動対象物及び第2の移動対象物の位置情報から、位置グループを生成し、
教師データ入力手段は、過去に所定事象が発生した第1の移動対象物及び第2の移動対象物の位置情報に基づいて位置グループ生成手段から出力された位置グループ毎に、複数の第1の移動対象物の進行向き及び複数の第2の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力し、
事象発生傾向推定手段は、推定すべき第1の移動対象物及び第2の移動対象物の位置情報に基づいて位置グループ生成手段から出力された位置グループについて、複数の第1の移動対象物の進行向き及び複数の第2の移動対象物の進行向きの要素群データを学習エンジンに入力する
ようにコンピュータを機能させることも好ましい。
要素群データは、移動対象物の速度を更に含む
ようにコンピュータを機能させることも好ましい。
位置グループは、要素群データを位置情報に基づいて、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)によってクラスタリングしたクラスタである
ようにコンピュータを機能させることも好ましい。
位置グループは、緯度経度に基づいて区分した地理範囲、又は、道路地図を区分した道路範囲である
ようにコンピュータを機能させることも好ましい。
教師データ入力手段は、位置グループ毎に計数した要素群データ全体の総数と各要素の代表値とを学習エンジンに入力し、
事象発生傾向推定手段は、位置グループ毎に計数した要素群データ全体の総数と各要素の代表値とを学習エンジンに入力する
ようにコンピュータを機能させることも好ましい。
代表値は、当該位置グループに含まれる要素群データの各要素の平均値、中央値、最頻値、最小値又は最大値である
ようにコンピュータを機能させることも好ましい。
位置グループ生成手段は、所定時間帯毎に、位置グループを更に区分し、
事象発生傾向推定手段は、推定すべき所定時間帯に基づく当該位置グループにおける要素群データを学習エンジンに入力し、その出力として当該所定時間帯の当該位置グループにおける所定事象の発生傾向を取得する
ようにコンピュータを機能させることも好ましい。
位置グループ生成手段は、天候状況毎に、位置グループを更に区分し、
事象発生傾向推定手段は、推定すべき天候状況に基づく当該位置グループにおける要素群データを学習エンジンに入力し、その出力として当該天候状況の当該位置グループにおける所定事象の発生傾向を取得する
ようにコンピュータを機能させることも好ましい。
複数の第1の移動対象物及び複数の第2の移動対象物それぞれから、時刻毎の位置情報を収集する位置情報収集手段と、
第1の移動対象物及び第2の移動対象物それぞれについて、位置情報の変位から移動/滞在を推定し、「移動」と推定された第1の移動対象物及び第2の移動対象物についてのみ、要素群データとして位置グループ生成手段へ出力するする推定データ選択手段と
してコンピュータを更に機能させることも好ましい。
第1の移動対象物は、車両であり、
第2の移動対象物は、人であり、
所定事象は、交通事故であり、
ことも好ましい。
複数の移動対象物それぞれの位置情報から、位置グループを生成する位置グループ生成手段と、
過去に所定事象が発生した移動対象物の位置情報に基づいて位置グループ生成手段から出力された位置グループ毎に、複数の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力し、所定事象の発生傾向を学習させる教師データ入力手段と、
推定すべき移動対象物の位置情報に基づいて位置グループ生成手段から出力された位置グループについて、複数の移動対象物の進行向きの要素群データを学習エンジンに入力し、その出力として当該位置グループにおける所定事象の発生傾向を取得する事象発生傾向推定手段と
を有することを特徴とする。
装置は、
複数の移動対象物それぞれの位置情報から、位置グループを生成する第1のステップと、
過去に所定事象が発生した移動対象物の位置情報に基づいて第1のステップによって出力された位置グループ毎に、複数の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力し、所定事象の発生傾向を学習させる第2のステップと、
推定すべき移動対象物の位置情報に基づいて第1のステップによって出力された位置グループについて、複数の移動対象物の進行向きの要素群データを学習エンジンに入力し、その出力として当該位置グループにおける所定事象の発生傾向を取得する第3のステップと
を実行することを特徴とする。
第1の移動端末:例えば車両(第1の移動対象物)に搭載
第2の移動端末:例えば人(第2の移動対象物)によって所持
推定装置1は、多数の移動端末が混在する位置グループ(地理範囲)について、所定事象の発生傾向を推定する。ここで、所定事象としては、例えば車両(第1の移動対象物)と人(第2の移動対象物)との交通事故を想定する。また、発生傾向としては、発生確率を想定する。
即ち、本発明によれば、推定装置1は、移動端末2の位置情報のみを取得して、所定事象としての交通事故の発生傾向(発生確率)を推定する。
また、他の実施形態として、移動端末2は、位置情報を、例えばVICS(登録商標、Vehicle Information and Communication System)情報やITS Connectなどの交通状況情報(渋滞や、交通規制など)と共に、推定装置1へ送信するものであってもよい。
推定装置1は、<学習段階>として、事象発生データ蓄積部120と、教師データ入力部121と、学習エンジン100とを有する。
また、推定装置1は、<推定段階>として、学習エンジン100に加えて、事象発生傾向推定部131と、位置情報収集部132と、推定データ選択部133とを有する。
これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、事象発生傾向推定方法としても理解できる。
図3は、本発明における学習段階の処理を表す第1の説明図である。
事象発生データ蓄積部120は、過去に所定事象(例えば交通事故)が発生した「位置(緯度・経度)」「第1の移動対象物の進行向き」「第2の移動対象物の進行向き」を要素とする「要素群データ」を、複数蓄積したものである。勿論、必ずしも、第1の移動端末及び第2の移動端末のように異なる種別とする必要はなく、「位置情報」「移動対象物の進行向き」のみであってもよい。
そして、事象発生データ蓄積部120の要素群データは、位置グループ生成部101と教師データ入力部121とから参照される。
位置グループ生成部101は、移動対象物(第1の移動対象物及び第2の移動対象物)の位置情報から、位置グループを生成する。
(学習段階)過去に所定事象が発生した第1の移動対象物及び第2の移動対象物の位置情報に基づいて位置グループを生成する。
(推定段階)推定すべき第1の移動対象物及び第2の移動対象物の位置情報に基づいて位置グループを生成する。
尚、学習段階の位置グループと、推定段階の位置グループとは、地理的な共通性は全くなく、各段階で独立して生成される。そのために、学習段階は、地理範囲「東京」で作成された位置グループに基づいて学習し、推定段階は、地理範囲「大阪」で作成された位置グループに基づいて事象発生傾向を推定することができる。
(生成方法1)位置に基づくクラスタリング
位置グループは、要素群データを位置情報に基づいて、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)によってクラスタリングしたクラスタであってもよい。
距離の閾値 :ε(Eps-neighborhood of a point)
対象個数の閾値:minPts(a minimum number of points)
クラスタ数kを予め設定する必要がないために、クラスタ数kが未知のデータ群を分類することができる。
データの点を、以下の3つの種類に分類する。
コア点 :半径ε以内に少なくともminPts個の隣接点を持つ点
到達可能点:半径ε以内にminPts個ほどは隣接点がないが、
半径ε以内にCore pointsを持つ点
外れ値 :半径ε以内に隣接点がない点
コア点の集まりからクラスタを作成し、到達可能点を各クラスタに割り当てる。
即ち、DBSCANは、ある空間に点集合が与えられたとき、高い密度領域にある点同士をグループとしてまとめて、低い密度領域にある点を外れ値とする。
最も簡単には、位置グループは、緯度経度に基づいて区分した地理範囲、又は、道路地図を区分した道路範囲であってもよい。
図4(a)によれば、所定範囲は、地図をタイル状に分割した地理範囲(緯度・経度)として規定される。
図4(b)によれば、所定範囲は、道路地図を区分した道路範囲として規定される。
このような地理範囲や道路範囲の単位で、位置グループを構成するものであってもよい。
教師データ入力部121は、過去に所定事象が発生した移動対象物の位置情報に基づいて位置グループ生成部101から出力された位置グループ毎に、複数の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力する。
ここで、移動対象物を、異なる種別毎に、第1の移動対象物の進行向き及び第2の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力するものであってもよい。
これによって、教師データ入力部121は、学習エンジン100に、位置グループ単位で要素群データを学習させて、所定事象の発生傾向に基づく学習モデルを構築させる。
勿論、要素群データに「速度」も含まれる場合、進行向きと共に速度も、学習エンジン100に入力される。
そして、教師データ入力部121は、学習エンジン100へ、位置グループ毎に、要素群データ全体の総数と各要素の代表値とを入力して、学習モデルを構築させる。
学習エンジン100は、学習段階と推定段階とのそれぞれから利用される。
(学習段階)学習エンジン100は、過去に所定事象(例えば交通事故)が発生した移動対象物の位置グループ単位で、要素群データ(例えば進行向きや速度、又は、それらの総数や代表値)を入力し、自ら学習モデルを構築する。
学習エンジン100は、統計的分類の機械学習アルゴリズムを有する。具体的には、例えばRandom Forestや、Support Vector Machine、Naive Bayes、K-nearest neighborのように、識別問題に用いられる一般的な機械学習アルゴリズムを用いてもよい。
所定事象の発生傾向は、学習エンジン100から出力される尤度(発生確率やスコア)である。学習段階では、所定事象が発生した要素群データのみを入力しているために、推定段階は、入力された位置グループの要素群データによって、どの程度の所定事象の発生確率であるか、を知ることができる。
図6は、本発明における推定段階の処理を表す第1の説明図である。
位置情報収集部132は、複数の移動対象物それぞれから、時刻毎の位置情報を収集する。この位置情報は、基地局測位に基づくものであってもよいし、GPS測位に基づくものであってもよい。
収集された位置情報は、推定データ選択部133へ出力される。
推定データ選択部133は、移動対象物それぞれについて、位置情報の変位から移動/滞在を推定し、「移動」と推定された移動対象物についてのみ、要素群データとして位置グループ生成部101へ出力する。
具体的には、移動対象物の時系列の位置情報に基づいて、所定時間(例えば30分)以内に、位置情報の変位が所定距離以上である場合、「移動」と判定する。また、移動対象物の速度が、所定速度以上である場合、「移動」と判定するものであってもよい。
そして、「移動」と推定された移動対象物についてのみ、要素群データとする。
事象発生傾向推定部131は、推定すべき第1の移動対象物及び第2の移動対象物の位置情報に基づいて位置グループ生成手段から出力された位置グループについて、複数の第1の移動対象物の進行向き及び複数の第2の移動対象物の進行向きの要素群データを学習エンジンに入力し、その出力として当該位置グループにおける所定事象の発生傾向を取得する。
特に、本発明によれば、学習段階と推定段階とで、地理範囲における共通性を必要とせず、第1の地理範囲で学習させた学習エンジンを用いて、第2の地理範囲で事象発生傾向を推定することができる。
120 事象発生データ蓄積部
100 学習エンジン
101 位置グループ生成部
121 教師データ入力部
131 事象発生傾向推定部
132 位置情報収集部
133 推定データ選択部
2 移動端末
Claims (13)
- 複数の移動対象物における所定事象の発生傾向を推定する装置に搭載されたコンピュータを機能させるプログラムであって、
複数の移動対象物それぞれの位置情報から、位置グループを生成する位置グループ生成手段と、
過去に所定事象が発生した移動対象物の位置情報に基づいて前記位置グループ生成手段から出力された位置グループ毎に、複数の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力し、所定事象の発生傾向を学習させる教師データ入力手段と、
推定すべき移動対象物の位置情報に基づいて前記位置グループ生成手段から出力された位置グループについて、複数の移動対象物の進行向きの要素群データを前記学習エンジンに入力し、その出力として当該位置グループにおける所定事象の発生傾向を取得する事象発生傾向推定手段と
してコンピュータを機能させることを特徴とするプログラム。 - 所定事象の発生とは、異なる種別となる複数の第1の移動対象物と複数の第2の移動対象物とに基づくものであり、
前記位置グループ生成手段は、第1の移動対象物及び第2の移動対象物の位置情報から、位置グループを生成し、
前記教師データ入力手段は、過去に所定事象が発生した第1の移動対象物及び第2の移動対象物の位置情報に基づいて前記位置グループ生成手段から出力された位置グループ毎に、複数の第1の移動対象物の進行向き及び複数の第2の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力し、
前記事象発生傾向推定手段は、推定すべき第1の移動対象物及び第2の移動対象物の位置情報に基づいて前記位置グループ生成手段から出力された位置グループについて、複数の第1の移動対象物の進行向き及び複数の第2の移動対象物の進行向きの要素群データを前記学習エンジンに入力する
ようにコンピュータを機能させることを特徴とする請求項1に記載のプログラム。 - 前記要素群データは、移動対象物の速度を更に含む
ようにコンピュータを機能させることを特徴とする請求項1又は2に記載のプログラム。 - 前記位置グループは、前記要素群データを前記位置情報に基づいて、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)によってクラスタリングしたクラスタである
ようにコンピュータを機能させることを特徴とする請求項1から3のいずれか1項に記載のプログラム。 - 前記位置グループは、緯度経度に基づいて区分した地理範囲、又は、道路地図を区分した道路範囲である
ようにコンピュータを機能させることを特徴とする請求項1から3のいずれか1項に記載のプログラム。 - 前記教師データ入力手段は、位置グループ毎に計数した要素群データ全体の総数と各要素の代表値とを前記学習エンジンに入力し、
前記事象発生傾向推定手段は、位置グループ毎に計数した前記要素群データ全体の総数と各要素の代表値とを前記学習エンジンに入力する
ようにコンピュータを機能させることを特徴とする請求項1から5のいずれか1項に記載のプログラム。 - 前記代表値は、当該位置グループに含まれる要素群データの各要素の平均値、中央値、最頻値、最小値又は最大値である
ようにコンピュータを機能させることを特徴とする請求項6に記載のプログラム。 - 前記位置グループ生成手段は、所定時間帯毎に、前記位置グループを更に区分し、
前記事象発生傾向推定手段は、推定すべき所定時間帯に基づく当該位置グループにおける要素群データを前記学習エンジンに入力し、その出力として当該所定時間帯の当該位置グループにおける所定事象の発生傾向を取得する
ようにコンピュータを機能させることを特徴とする請求項1から7のいずれか1項に記載のプログラム。 - 前記位置グループ生成手段は、天候状況毎に、前記位置グループを更に区分し、
前記事象発生傾向推定手段は、推定すべき天候状況に基づく当該位置グループにおける要素群データを前記学習エンジンに入力し、その出力として当該天候状況の当該位置グループにおける所定事象の発生傾向を取得する
ようにコンピュータを機能させることを特徴とする請求項1から8のいずれか1項に記載のプログラム。 - 複数の第1の移動対象物及び複数の第2の移動対象物それぞれから、時刻毎の位置情報を収集する位置情報収集手段と、
第1の移動対象物及び第2の移動対象物それぞれについて、位置情報の変位から移動/滞在を推定し、「移動」と推定された第1の移動対象物及び第2の移動対象物についてのみ、前記要素群データとして前記位置グループ生成手段へ出力するする推定データ選択手段と
してコンピュータを更に機能させることを特徴とする請求項1から9のいずれか1項に記載のプログラム。 - 第1の移動対象物は、車両であり、
第2の移動対象物は、人であり、
前記所定事象は、交通事故であり、
ことを特徴とする請求項1から10のいずれか1項に記載のプログラム。 - 複数の移動対象物における所定事象の発生傾向を推定する装置であって、
複数の移動対象物それぞれの位置情報から、位置グループを生成する位置グループ生成手段と、
過去に所定事象が発生した移動対象物の位置情報に基づいて前記位置グループ生成手段から出力された位置グループ毎に、複数の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力し、所定事象の発生傾向を学習させる教師データ入力手段と、
推定すべき移動対象物の位置情報に基づいて前記位置グループ生成手段から出力された位置グループについて、複数の移動対象物の進行向きの要素群データを前記学習エンジンに入力し、その出力として当該位置グループにおける所定事象の発生傾向を取得する事象発生傾向推定手段と
を有することを特徴とする装置。 - 複数の移動対象物における装置の事象発生傾向推定方法であって、
前記装置は、
複数の移動対象物それぞれの位置情報から、位置グループを生成する第1のステップと、
過去に所定事象が発生した移動対象物の位置情報に基づいて第1のステップによって出力された位置グループ毎に、複数の移動対象物の進行向きの要素群データを、教師データとして学習エンジンに入力し、所定事象の発生傾向を学習させる第2のステップと、
推定すべき移動対象物の位置情報に基づいて第1のステップによって出力された位置グループについて、複数の移動対象物の進行向きの要素群データを前記学習エンジンに入力し、その出力として当該位置グループにおける所定事象の発生傾向を取得する第3のステップと
を実行することを特徴とする装置の事象発生傾向推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017246840A JP6812337B2 (ja) | 2017-12-22 | 2017-12-22 | 移動対象物における所定事象の発生傾向を推定するプログラム、装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017246840A JP6812337B2 (ja) | 2017-12-22 | 2017-12-22 | 移動対象物における所定事象の発生傾向を推定するプログラム、装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019114042A true JP2019114042A (ja) | 2019-07-11 |
JP6812337B2 JP6812337B2 (ja) | 2021-01-13 |
Family
ID=67222640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017246840A Active JP6812337B2 (ja) | 2017-12-22 | 2017-12-22 | 移動対象物における所定事象の発生傾向を推定するプログラム、装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6812337B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021166527A1 (ja) * | 2020-02-19 | 2021-08-26 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、および記録媒体、ならびに車両到達時間推定装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002304700A (ja) * | 2001-04-06 | 2002-10-18 | Honda Motor Co Ltd | 移動体警報システム |
JP2011171876A (ja) * | 2010-02-17 | 2011-09-01 | Kddi Corp | ユーザの移動に伴って住所/居所を推定する携帯端末、サーバ、プログラム及び方法 |
JP2014035639A (ja) * | 2012-08-08 | 2014-02-24 | Toshiba Corp | 交通事故発生予報装置、方法およびプログラム |
JP2014086045A (ja) * | 2012-10-26 | 2014-05-12 | Kddi Corp | 端末の位置・方位情報に基づいてpoiを推定するサーバ、システム、プログラム及び方法 |
JP2016042369A (ja) * | 2015-11-02 | 2016-03-31 | 富士通株式会社 | 危険事例表示プログラム、危険事例表示方法、および危険事例表示装置 |
-
2017
- 2017-12-22 JP JP2017246840A patent/JP6812337B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002304700A (ja) * | 2001-04-06 | 2002-10-18 | Honda Motor Co Ltd | 移動体警報システム |
JP2011171876A (ja) * | 2010-02-17 | 2011-09-01 | Kddi Corp | ユーザの移動に伴って住所/居所を推定する携帯端末、サーバ、プログラム及び方法 |
JP2014035639A (ja) * | 2012-08-08 | 2014-02-24 | Toshiba Corp | 交通事故発生予報装置、方法およびプログラム |
JP2014086045A (ja) * | 2012-10-26 | 2014-05-12 | Kddi Corp | 端末の位置・方位情報に基づいてpoiを推定するサーバ、システム、プログラム及び方法 |
JP2016042369A (ja) * | 2015-11-02 | 2016-03-31 | 富士通株式会社 | 危険事例表示プログラム、危険事例表示方法、および危険事例表示装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021166527A1 (ja) * | 2020-02-19 | 2021-08-26 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、および記録媒体、ならびに車両到達時間推定装置 |
JP2021131731A (ja) * | 2020-02-19 | 2021-09-09 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置 |
Also Published As
Publication number | Publication date |
---|---|
JP6812337B2 (ja) | 2021-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11257377B1 (en) | System for identifying high risk parking lots | |
US11656094B1 (en) | System for driver's education | |
Dogru et al. | Traffic accident detection using random forest classifier | |
US11235777B2 (en) | Vehicle path prediction and target classification for autonomous vehicle operation | |
Faria et al. | Smart mobility: A survey | |
RU2714056C2 (ru) | Работа рассматриваемого транспортного средства с использованием прогнозирования намерений удаленных транспортных средств | |
US9805592B2 (en) | Methods of tracking pedestrian heading angle using smart phones data for pedestrian safety applications | |
US9435654B2 (en) | System and method for creating, storing, and updating local dynamic MAP database with safety attribute | |
US10120381B2 (en) | Identifying significant locations based on vehicle probe data | |
Boukerche et al. | Crowd management: The overlooked component of smart transportation systems | |
CN110738870A (zh) | 用于避免碰撞路线的系统和方法 | |
US10621449B2 (en) | Non-transitory storage medium storing image transmission program, image transmission device, and image transmission method | |
Predic et al. | Enhancing driver situational awareness through crowd intelligence | |
Sattar et al. | Recent advances on context-awareness and data/information fusion in ITS | |
Yue et al. | Evolution of road traffic congestion control: A survey from perspective of sensing, communication, and computation | |
Kaul et al. | Vanet‐TSMA: A traffic safety management approach for smart road transportation in vehicular ad hoc networks | |
US20230033672A1 (en) | Determining traffic violation hotspots | |
Agarwal et al. | Sensing and monitoring of smart transportation systems | |
Dodia et al. | EVATL: A novel framework for emergency vehicle communication with adaptive traffic lights for smart cities | |
Figueiredo et al. | Mobility sensing and V2X communication for emergency services | |
EP3073460A1 (en) | Predicting the trajectory of mobile users | |
JP6812337B2 (ja) | 移動対象物における所定事象の発生傾向を推定するプログラム、装置及び方法 | |
KR102562381B1 (ko) | 차량 호라이즌에서 오브젝트를 컨텍스트화 하기 위한 시스템 및 방법 | |
Velasco-Hernandez et al. | Intersection management systems and internet of things: A review | |
CN117178309A (zh) | 用于创建具有碰撞概率的地图的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191124 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200819 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200821 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200916 |
|
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: 20201208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201216 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6812337 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |