JP2019125260A - Data creation device, induction model learning device, induction estimation device, data creation method, induction model learning method, induction estimation method and program - Google Patents
Data creation device, induction model learning device, induction estimation device, data creation method, induction model learning method, induction estimation method and program Download PDFInfo
- Publication number
- JP2019125260A JP2019125260A JP2018006710A JP2018006710A JP2019125260A JP 2019125260 A JP2019125260 A JP 2019125260A JP 2018006710 A JP2018006710 A JP 2018006710A JP 2018006710 A JP2018006710 A JP 2018006710A JP 2019125260 A JP2019125260 A JP 2019125260A
- Authority
- JP
- Japan
- Prior art keywords
- road
- guidance
- model
- induction
- effect
- 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
本発明は、データ作成装置、誘導モデル学習装置、誘導推定装置、データ作成方法、誘導モデル学習方法、誘導推定方法及びプログラムに関する。 The present invention relates to a data creation device, a guidance model learning device, a guidance estimation device, a data creation method, a guidance model learning method, a guidance estimation method, and a program.
道路を通行する人に対して適切な誘導を行うことで、混雑を解消し、安全性を高め、移動に掛かる時間を短縮させることができる。 By providing appropriate guidance to people passing by the road, it is possible to eliminate congestion, improve safety, and reduce travel time.
センサ技術の発展により、交通量等の道路情報を容易に収集することが可能になった。このため、収集された道路情報を利用して適切な誘導を得る方法が提案されている。例えば、収集された道路情報からシミュレータのパラメータを推定し、推定したパラメータを用いたシミュレーレータで試行錯誤を行うことにより適切な誘導を推定する手法が提案されている(例えば非特許文献1参照)。 The development of sensor technology has made it possible to easily collect road information such as traffic volume. For this reason, methods have been proposed for obtaining appropriate guidance using the collected road information. For example, there has been proposed a method of estimating an appropriate guidance by estimating a parameter of a simulator from collected road information and performing trial and error with a simulator using the estimated parameter (see, for example, Non-Patent Document 1) .
しかしながら、シミュレータのパラメータの推定には、通常大量の道路情報が必要である。また、シミュレータによる試行錯誤が必要なため、適切な誘導を得るまでに多くの時間を要する場合があった。 However, estimation of simulator parameters usually requires a large amount of road information. In addition, since it is necessary to perform trial and error by a simulator, it may take a lot of time to obtain an appropriate induction.
本発明は、上記の点に鑑みてなされたもので、道路情報を用いて、効果的な誘導を推定することを目的とする。 The present invention has been made in view of the above points, and has an object to estimate effective guidance using road information.
そこで、本発明の一実施形態に係るデータ作成装置は、道路の構造を表す道路構造と、前記道路構造毎の道路状況とが取得又は作成されると、前記道路構造毎に誘導をした場合における前記道路の構造を表す誘導道路構造と、前記誘導を行わなかった場合に対する前記誘導を行った場合の効果を表す誘導効果と、前記道路構造及び前記道路状況の少なくとも一方とが含まれる道路効果データを作成するデータ作成手段、を有することを特徴とする。 Therefore, in the data creation device according to one embodiment of the present invention, when the road structure representing the structure of the road and the road condition for each road structure are acquired or generated, guidance is performed for each road structure. Road effect data including a guided road structure representing the structure of the road, a guidance effect representing an effect when the guidance is performed for the case where the guidance is not performed, and at least one of the road structure and the road condition Means for creating data.
また、本発明の一実施形態に係る誘導モデル学習装置は、道路の構造を表す道路構造と前記道路構造毎の道路状況との少なくとも一方が入力されると、誘導に関する情報を出力するモデルのパラメータを推定する誘導モデル学習装置であって、前記データ作成装置におけるデータ作成手段により作成された道路効果データを学習データとして前記モデルに入力することで出力される前記誘導に関する情報と、道路効果データに含まれる誘導効果との誤差を最小化するように前記パラメータを推定するパラメータ推定手段、を有することを特徴とする。 In addition, the guidance model learning device according to the embodiment of the present invention is a parameter of a model that outputs information related to guidance when at least one of a road structure representing a road structure and a road condition for each road structure is input. A guidance model learning device for estimating the road effect data, which is output by inputting road effect data created by data creation means in the data creation device as learning data to the model, and road effect data It is characterized by the parameter estimation means which estimates the said parameter so that the difference | error with the guidance effect contained may be minimized.
更に、本発明の一実施形態に係る誘導推定装置は、道路の構造を表す道路構造と前記道路構造毎の道路状況との少なくとも一方が入力されると、誘導に関する情報を出力するモデルにより前記誘導に関する情報を推定する誘導推定装置であって、前記誘導モデル学習装置におけるパラメータ推定手段により推定されたパラメータを設定した前記モデルに対して、前記道路構造と前記道路状況との少なくとも一方を入力することで、前記誘導に関する情報を推定する誘導推定手段、を有することを特徴とする。 Further, in the guidance estimation apparatus according to the embodiment of the present invention, the guidance is performed using a model that outputs information related to guidance when at least one of a road structure representing a road structure and a road condition for each road structure is input. A guide estimation device for estimating information on the road, and at least one of the road structure and the road condition is input to the model in which the parameter estimated by the parameter estimation means in the guide model learning device is set. , And a guidance estimation means for estimating information on the guidance.
道路情報を用いて、効果的な誘導を推定することができる。 Road information can be used to estimate effective guidance.
以下、本発明の実施の形態について図面を参照しながら説明する。本発明の実施の形態では、道路情報から誘導を推定する誘導推定装置10について説明する。なお、誘導の対象となる移動体は、道路を移動する人(歩行者等)に限られず、例えば、道路を移動する車や自動車等の任意のグラフを移動する任意の移動体であっても良い。グラフは、道路に限られず、例えば、屋内の通路等であっても良い。
Hereinafter, embodiments of the present invention will be described with reference to the drawings. In the embodiment of the present invention, a
<誘導推定装置10の機能構成>
まず、本発明の実施の形態における誘導推定装置10の機能構成について、図1を参照しながら説明する。図1は、本発明の実施の形態における誘導推定装置10の機能構成の一例を示す図である。
<Functional Configuration of
First, the functional configuration of the
図1に示すように、本発明の実施の形態における誘導推定装置10は、データ作成部110と、パラメータ推定部120と、誘導推定部130とを有する。これら各機能部は、誘導推定装置10にインストールされた1以上のプログラムがCPU(Central Processing Unit)等に実行させる処理により実現される。なお、これらの各機能部は1つのプログラムが実行する処理により実現されていても良いし、異なるプログラムがそれぞれ実行する処理により実現されていても良い。
As shown in FIG. 1, the
また、本発明の実施の形態における誘導推定装置10は、記憶部140を有する。記憶部140は、例えば、HDD(Hard Disk Drive)やSSD(Solid State Drive)等の補助記憶装置を用いて実現可能である。なお、記憶部140は、誘導推定装置10とネットワークを介して接続される記憶装置等を用いて実現されていても良い。
Further, the
データ作成部110は、シミュレーションにより、道路情報と、そのときの誘導効果に関するデータ(このデータを「道路効果データ」と表す。)を作成する。データ作成部110には、道路構造作成部111と、道路状況作成部112と、誘導道路構造作成部113と、誘導効果測定部114と、道路効果データ作成部115とが含まれる。なお、シミュレーションに用いるシミュレータとしては、任意の交通シミュレータを用いることができる。
The
道路構造作成部111は、N個の道路構造Gnの集合 The road structure creation unit 111 is a set of N road structures G n
道路構造Gnとは、例えば、道路同士の繋がり、幅、傾斜等の道路の構造を表す情報である。道路構造Gnは、実世界の道路をセンサ等で観測することで得られた情報であっても良いし、シミュレータ等により生成した情報であっても良い。道路構造Gnは、例えば、グラフで表現することができ、ノードが道路、エッジが道路同士の接続を表す。 The road structure G n is, for example, information representing the road structure such as a connection between roads, a width, and a slope. The road structure G n may be information obtained by observing a road in the real world with a sensor or the like, or may be information generated by a simulator or the like. The road structure G n can be expressed, for example, by a graph, where nodes represent roads and edges represent connections between roads.
道路状況作成部112は、各道路構造Gn毎に、Mn個のシミュレーションのパラメータを生成する。そして、道路状況作成部112は、これらのパラメータを用いてシミュレーションすることにより、Mn個の道路状況Xnmの集合
The road
道路状況Xnmとは、或る時間帯における各道路に含まれる人数、或る場所の通過人数、各道路の平均移動速度等の移動体の情報を表すものである。例えば、道路状況Xnmとして、各時刻で各道路に含まれる人数 The road condition X nm represents the information of the moving body such as the number of people included in each road in a certain time zone, the number of people passing in a certain place, and the average moving speed of each road. For example, as the road condition X nm , the number of people included in each road at each time
誘導道路構造作成部113は、各道路構造Gnで、Kn個の誘導をした場合の道路構造Gnkの集合
The guidance road
例えば、誘導策として各道路を通行止めにする場合、Gnkはk番目の道路を通行止めにしたときの道路構造、すなわち、Gnからk番目のノード(道路)と当該ノードに対応するエッジとを削除したグラフで表現される。 For example, when each road is closed as a guidance measure, G nk is a road structure when the k-th road is closed, that is, a node from G n to the k-th node (road) and an edge corresponding to the node It is expressed by the deleted graph.
誘導策としては、例えば、通行止め、道幅変更、通行人数規制、次に進むべき道路への誘導、一方通行、速度が異なるレーンを作る、通行速度を上げる・下げる、道路の追加等を用いることができる。すなわち、誘導策は、必ずしも誘導に限られず、道路構造として表現できる任意の施策を用いることができる。 As guidance measures, for example, it is possible to use stoppages, change of road width, restriction of the number of people, guidance to the next road, one way, lanes with different speeds, increase / decrease speed, addition of roads, etc. it can. That is, the guidance measure is not necessarily limited to the guidance, and any measure that can be expressed as a road structure can be used.
誘導効果測定部114は、誘導しない場合の道路構造Gnを用いてシミュレーションすることで作成した最終時刻(観測の最終時刻)の道路状況xnmTを初期値とし、誘導しない場合のシミュレーションと同じパラメータと、各誘導した場合の道路構造Gnkとを用いてシミュレーションすることにより、誘導効果snmkを測定及び作成する。
The guidance
なお、誘導しない場合の道路構造Gnを用いたシミュレーションのパラメータと、道路状況xnmTとは、道路状況作成部112により生成及び作成されたものを用いる。また、例えば、道路状況Xnmとして各時刻で各道路に含まれる人数を用いた場合、最終時刻の道路状況xnmTは、
In addition, the parameter of the simulation using road structure Gn when not guiding, and road condition xnmT use what was produced | generated and created by the road
誘導効果としては、目的地に到達するまでの平均時間の短縮時間、目的地に到達するまでの最長時間の短縮時間、目的地への到着人数等、誘導により高めたい任意の指標を用いることができる。なお、誘導効果としては、例えば、混雑度、混雑箇所の数等、誘導により減らしたい任意の指標を用いることもできるが、この場合は、その指標の値の負をとる(すなわち、−1を乗じた値を採用する)ものとする。 As an induction effect, it is possible to use any index that you want to increase by induction, such as shortening the average time to reach the destination, shortening the maximum time to reach the destination, and the number of people arriving at the destination. it can. In addition, although any index to reduce by induction, such as congestion degree and the number of crowded places, can also be used as an induction effect, in this case, the value of the index is taken negative (that is, −1 The multiplied value shall be adopted.
道路効果データ作成部115は、各道路構造Gnと、各道路状況Xnmと、各誘導効果snmkとをまとめた道路効果データ
The road effect
なお、以降では、道路構造Gnと、道路状況Xnmとが含まれる情報を「道路情報」とも表す。したがって、道路誘導データとは、道路情報と、各誘導効果snmkとをまとめたデータであるということができる。 Hereinafter, information including the road structure G n and the road condition X nm is also referred to as “road information”. Therefore, it can be said that road guidance data is data in which road information and each guidance effect s nmk are put together.
ただし、道路情報は、道路構造Gn又は道路状況Xnmのいずれか一方が含まれる情報であっても良い。 However, the road information may be information including one of the road structure G n and the road condition X nm .
道路効果データ作成部115により作成された道路効果データは、記憶部140に格納される。この道路効果データが、後述する誘導モデルのパラメータ推定に用いられる学習データである。
The road effect data created by the road effect
なお、各道路構造Gn及び各道路状況Xnmの少なくとも一方について、必ずしもデータ作成部110が作成する必要はなく、例えば、実世界をセンサ等で観測することで得られるデータが外部から入力されても良い。すなわち、道路構造作成部111は、外部から入力された各道路構造Gnを取得しても良い。同様に、道路状況作成部112は、外部から入力された道路状況Xnmを取得しても良い。
The
パラメータ推定部120は、記憶部140に格納されている道路効果データを用いて、誘導モデルのパラメータを推定する。誘導モデルとは、道路情報を入力として、誘導(又は誘導に対応する情報)を推定及び出力するモデルである。
The
パラメータ推定部120は、道路情報が与えられたときに、より適切な誘導(より効果的な誘導)を推定できるように、誘導モデルのパラメータを推定する。誘導モデルとしては、グラフ畳み込みニューラルネットワークを用いることができる。ただし、これに限られず、道路情報が与えられたときに誘導を推定及び出力することができるモデルであれば、例えば、ニューラルネットワーク、サポートベクターマシン、ガウス過程等の任意のモデルを誘導モデルとして用いることができる。
The
グラフ畳み込みニューラルネットワークの場合、例えば、以下の式1に示すようなニューラルネット層を用いることができる。 In the case of a graph convolution neural network, for example, a neural net layer as shown in the following Equation 1 can be used.
この場合、線形変換行列 In this case the linear transformation matrix
道路の通行止めの誘導を想定した場合、各道路を示すインデックスiと各誘導を示すインデックスkとが対応するため、最終隠れ層(すなわち、L層目の隠れ層)の大きさを1とし、その最終隠れ層の値 Assuming that guidance for closing roads is assumed, the index i indicating each road corresponds to the index k indicating each guidance, so the size of the final hidden layer (that is, the hidden layer of the L-th layer) is 1 and Last hidden layer value
一方で、誘導策によっては、各道路を示すインデックスiと各誘導を示すインデックスkとが対応しない場合も有り得る。この場合、道路構造Gnを表現するグラフのノードが、各誘導を示すインデックスと対応するようにグラフを構築することで対処できる。 On the other hand, depending on the guidance measure, there is a possibility that the index i indicating each road and the index k indicating each guidance do not correspond. In this case, the nodes of the graph representing the road structure G n can be dealt with by constructing the graph so as to correspond to the index indicating each guidance.
多くの道路効果データで、誘導効果snmkと相関するように出力した場合に値が高くなり、そうでない場合に値が低くなるようなものを目的関数とし、その目的関数の値をなるべく小さくするようにパラメータを推定する。例えば、誘導効果snmiをsoftmax関数により足して1(総和が1)になるように正規化したものをynmiとする。なお、各道路を示すインデックスiと各誘導を示すインデックスkとが対応するため、インデックスkをインデックスiで置き換えている。 In many road effect data, if the output is correlated with the induction effect s nmk , the value becomes high, otherwise the value becomes low as the objective function, and the value of the objective function is made as small as possible To estimate the parameters. For example, it is assumed that the inductive effect s nmi is added by the softmax function and normalized to 1 (the sum is 1) to be y nmi . In addition, since the index i which shows each road and the index k which shows each guidance respond | correspond, the index k is substituted by the index i.
ここで、誘導効果snmi(同様に、正規化したynmi)は、その値が高い程、誘導による効果が高い(すなわち、例えば、目的地に到達するまでの平均時間が短い、目的地への到着人数が多い、混雑度が低い、混雑箇所が少ない等)ものとする。そして、以下の式2に示すように、全道路効果データにおいて、ynmiと、最終隠れ層の値znmiに対してsoftmax関数をとったものとの交差エントロピーを目的関数として用いることができる。 Here, as the induction effect s nmi (also, normalized y nmi ) is higher, the induction effect is higher (ie, for example, the average time to reach the destination is shorter, to the destination) The number of arrivals of people is low, the degree of congestion is low, the number of places to be crowded is small, etc.). Then, as shown in Equation 2 below, it is possible to use, as an objective function, the cross entropy of y nmi and the value of the final hidden layer z nmi obtained by taking the softmax function in all road effect data.
パラメータ推定部120により推定されたパラメータは、記憶部140に格納される。
The parameters estimated by the
なお、誘導モデルは、道路構造Gnと道路状況Xnmとの2つの情報を用いるモデルだけでなく、例えば、道路構造Gn又は道路状況Xnmのいずれか一方の情報を用いるモデルであっても良い。 The guidance model is not only a model using two pieces of information of the road structure G n and the road condition X nm , but also a model using, for example, any one of the road structure G n and the road condition X nm Also good.
誘導推定部130は、記憶部140に格納されているパラメータを設定した誘導モデルと、道路情報とを用いて、誘導を推定する。すなわち、例えば、誘導推定部130は、道路情報に含まれる道路構造Gnと道路状況Xnmとを、当該パラメータを設定した誘導モデルに入力することで、出力znmiを得る。この出力znmiのうち、最も値が高い出力znmiに対応する誘導が最適な誘導(すなわち、その効果(誘導効果)が高いと期待される誘導)である。また、例えば、複数の誘導をランキングしたい場合には、出力の値が高い順に並び替えれば良い。
The
また、複数の誘導を組み合わせても良い。例えば、誘導モデルにより最適な誘導を得た後で、この誘導に従って道路構造を修正し、修正後の道路構造を用いて、再度、誘導モデルにより次の誘導を得ることを繰り返す。これにより、複数の誘導の組み合わせを得ることができる。 Also, multiple inductions may be combined. For example, after obtaining the optimum guidance by the guidance model, the road structure is corrected according to the guidance, and using the corrected road structure, it is repeated to obtain the next guidance by the guidance model again. Thereby, a combination of a plurality of inductions can be obtained.
なお、道路構造Gn又は道路状況Xnmのいずれか一方の情報を用いて誘導モデルのパラメータを推定した場合、道路情報に含まれる道路構造Gn又は道路状況Xnmのいずれか一方を、当該パラメータを設定した誘導モデルに入力することで、誘導を出力として得れば良い。 In the case of estimating the parameters of the induction model using one of the information of the road structure G n or road conditions X nm, either the road structure G n or road conditions X nm included in the road information, the It is sufficient to obtain the induction as an output by inputting the parameter into the induction model set.
誘導推定部130により推定された誘導は、所定の出力先に出力される。所定の出力先としては、ディスプレイ等の表示装置であっても良いし、記憶部140や外部記録媒体等であっても良いし、ネットワークを介して接続される他の装置等であっても良い。
The guidance estimated by the
なお、図1に示す例では、データ作成部110と、パラメータ推定部120と、誘導推定部130とを1台の装置(誘導推定装置10)が有する場合について説明したが、これに限られない。データ作成部110と、パラメータ推定部120と、誘導推定部130とは、複数台の装置に分散されていても良い。例えば、本発明の実施の形態は、例えば、データ作成部110を有するデータ作成装置と、パラメータ推定部120を有する誘導モデル学習装置と、誘導推定部130を有する誘導推定装置とで実現されても良い。
Although the example illustrated in FIG. 1 describes the case where one device (the guidance estimation device 10) includes the
<誘導推定装置10が実行する処理>
次に、本発明の実施の形態における誘導推定装置10が実行する処理の流れについて、図2を参照しながら説明する。図2は、本発明の実施の形態における誘導推定装置10が実行する処理の一例を示すフローチャートである。
<Process Performed by
Next, the flow of processing performed by the
ステップS101:データ作成部110は、道路効果データを作成する。すなわち、データ作成部110は、道路構造作成部111による各道路構造Gnの作成又は取得と、道路状況作成部112による各道路状況Xnmの作成又は取得と、誘導道路構造作成部113による各道路構造Gnkの作成と、誘導効果測定部114による各誘導効果snmkの作成とを行う。そして、データ作成部110は、道路効果データ作成部115による道路効果データの作成を行って、作成された道路効果データを記憶部140に格納する。
Step S101: The
ステップS102:次に、パラメータ推定部120は、記憶部140に格納されている道路効果データを用いて、誘導モデルのパラメータを推定する。すなわち、パラメータ推定部120は、道路効果データに含まれる道路情報を用いた誘導モデルの出力と、道路効果データに含まれる誘導効果との誤差を最小化させるパラメータを推定する。そして、パラメータ推定部120は、推定したパラメータを記憶部140に格納する。
Step S102: Next, the
ステップS103:次に、誘導推定部130は、記憶部140に格納されているパラメータを設定した誘導モデルと、道路情報とを用いて、誘導を推定する。
Step S103: Next, the
すなわち、例えば、誘導推定部130は、道路情報に含まれる道路構造G*と道路状況X*とを、当該パラメータを設定した誘導モデルに入力することで、出力を得る。又は、道路構造G*又は道路状況X*のいずれか一方を用いて誘導モデルのパラメータを推定した場合は、誘導推定部130は、道路情報に含まれる道路構造G*又は道路状況X*のいずれか一方を、当該パラメータを設定した誘導モデルに入力することで、出力を得る。そして、誘導推定部130は、例えば、最も高い出力値の出力に対応する誘導を最適な誘導とする。
That is, for example, the
以上により、本発明の実施の形態における誘導推定装置10は、シミュレーションにより、道路情報と、その時の誘導効果に関するデータ(道路効果データ)を作成する。そして、本発明の実施の形態における誘導推定装置10は、この道路効果データを用いて、誘導モデルのパラメータを推定する。これにより、本発明の実施の形態における誘導推定装置10では、このパラメータを設定した誘導モデルに道路情報を入力することで、最適な誘導(すなわち、効果的な誘導)を高速に推定することができるようになる。
As described above, the
<本発明の評価例>
ここで、本発明の評価例について説明する。本発明の評価を行うために、次のような実験を行った。すなわち、まず、日本の鉄道駅周辺の道路に基づいて、700個の道路構造を作成した。各道路構造において、周辺のランダムないくつかの場所から駅へ向かう歩行者と、駅からランダムないくつかの場所へ向かう歩行者との合計10万人を30分間シミュレーションした。この30分間のシミュレーションの終了時刻を開始時刻として、更に、各道路を通行止めにする誘導をした場合のシミュレーションを追加で30分間行った。
<Evaluation example of the present invention>
Here, evaluation examples of the present invention will be described. The following experiments were performed to evaluate the present invention. That is, first, 700 road structures were created based on the roads around the railway station in Japan. In each road structure, a total of 100,000 people were simulated for 30 minutes, with pedestrians going to the station from some random places in the vicinity and pedestrians going to some random places from the station. With the end time of this 30 minutes simulation as the start time, a simulation was additionally performed for 30 minutes when guiding each road to be closed.
全1時間のシミュレーションにおいて目的地に到達するまでの平均時間に−1を掛けたものを誘導効果として。700個の道路構造においてそれぞれ1つの道路状況と誘導効果とを含む道路効果データを学習データとして誘導モデルのパラメータを推定した。道路状況として、誘導をする直前1時刻の各道路に含まれる人数を用いた。 The induction effect is the average time to reach the destination multiplied by -1 in the simulation for all 1 hour. The parameters of the guidance model were estimated using, as learning data, road effect data including one road condition and one guidance effect in 700 road structures. As road conditions, the number of people included in each road at one time immediately before guidance was used.
そして、学習データとは異なる70個の道路構造の道路効果データを検証データ、学習データ及び検証データとは異なる70個の道路構造の道路効果データをテストデータとした。誘導モデルとしては、隠れ層の数が3、各隠れ層のサイズが10のグラフ畳み込みニューラルネットワークを用いて、初期値を変え5回学習し、検証データで最も交差エントロピーが低いものを採用した。一方で、本発明との比較手法として、通行止めにする道路をランダムに選択する「ランダム」と、最も人数の多い道路を選択する「最大人数」と、最も人数の多い道路へつながる道路を選択する「最大人数前」と、最も人数の多い道路からつながる道路を選択する「最大人数後」とを用いた。 Then, road effect data of 70 road structures different from learning data are used as verification data, and road effect data of 70 road structures different from learning data and verification data are used as test data. As a guidance model, using a graph convolution neural network with three hidden layers and a size of each hidden layer of 10, the initial value was changed and learned five times, and the one with the lowest cross entropy among the verification data was adopted. On the other hand, as a comparison method with the present invention, "random" randomly selecting a road to be closed, "largest number of people" selecting the largest number of roads, and selected roads leading to the largest number of roads We used "before the maximum number of people" and "after maximum number of people" who choose the road connected from the road with the largest number of people.
本発明及び各比較手法のそれぞれについて、テストデータを用いて、誘導を行わなかった場合の平均到達時間と、誘導を行った場合の平均到達時間との差を図3に示す。図3において、負の値は、誘導を行わなかった場合によりも誘導を行った場合の方が、平均到達時間が短くなったことを表している。 For each of the present invention and each comparative method, using test data, the difference between the average arrival time without induction and the average arrival time with induction is shown in FIG. In FIG. 3, a negative value indicates that the average arrival time is shorter in the case where the induction is performed than in the case where the induction is not performed.
図3に示すように、本発明により推定された誘導を行った場合、誘導を行わなかった場合と比べて、1人あたり21.9秒到達時間を短縮できたことがわかる。一方、図3に示すように、比較手法では、誘導を行った場合、誘導を行わなかった場合と比べて到達時間が長くなっている。 As shown in FIG. 3, it can be seen that when the induction estimated according to the present invention was performed, the arrival time per person was 21.9 seconds shorter than when the induction was not performed. On the other hand, as shown in FIG. 3, in the comparison method, when the induction is performed, the arrival time is longer than when the induction is not performed.
<誘導推定装置10のハードウェア構成>
最後に、本発明の実施の形態における誘導推定装置10のハードウェア構成について、図4を参照しながら説明する。図4は、本発明の実施の形態における誘導推定装置10のハードウェア構成の一例を示す図である。
<Hardware Configuration of
Finally, the hardware configuration of the
図4に示す誘導推定装置10は、入力装置201と、表示装置202と、外部I/F203と、RAM(Random Access Memory)204と、ROM(Read Only Memory)205と、CPU206と、通信I/F207と、補助記憶装置208とを有する。これら各ハードウェアは、それぞれがバスBを介して通信可能に接続されている。
The
入力装置201は、例えばキーボードやマウス、タッチパネル等であり、ユーザが各種操作を入力するのに用いられる。表示装置202は、例えばディスプレイ等であり、誘導推定装置10の処理結果を表示する。なお、誘導推定装置10は、入力装置201及び表示装置202の少なくとも一方を有していなくても良い。
The
外部I/F203は、外部装置とのインタフェースである。外部装置には、記録媒体203a等がある。誘導推定装置10は、外部I/F203を介して、記録媒体203a等の読み取りや書き込みを行うことができる。記録媒体203aには、誘導推定装置10が有する各機能を実現するプログラム等が記録されていても良い。
The external I /
記録媒体203aには、例えば、フレキシブルディスク、CD(Compact Disc)、DVD(Digital Versatile Disk)、SDメモリカード(Secure Digital memory card)、USB(Universal Serial Bus)メモリカード等がある。
Examples of the
RAM204は、プログラムやデータを一時保持する揮発性の半導体メモリである。ROM205は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリである。ROM205には、例えば、OS(Operating System)設定やネットワーク設定等が格納されている。
The
CPU206は、ROM205や補助記憶装置208等からプログラムやデータをRAM204上に読み出して処理を実行する演算装置である。
The
通信I/F207は、誘導推定装置10を通信ネットワークに接続するためのインタフェースである。誘導推定装置10が有する各機能を実現するプログラムは、通信I/F207を介して、所定のサーバ装置等から取得(ダウンロード)されても良い。
The communication I /
補助記憶装置208は、例えばHDDやSSD等であり、プログラムやデータを格納している不揮発性の記憶装置である。補助記憶装置208に格納されているプログラムやデータには、例えば、OS、当該OS上において各種機能を実現するアプリケーションプログラム、誘導推定装置10が有する各機能を実現するプログラム等がある。
The
本発明の実施の形態における誘導推定装置10は、図4に示すハードウェア構成を有することにより、上述した各種処理を実現することができる。
The
本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。 The present invention is not limited to the above specifically disclosed embodiments, and various modifications and changes are possible without departing from the scope of the claims.
10 誘導推定装置
110 データ作成部
111 道路構造作成部
112 道路状況作成部
113 誘導道路構造作成部
114 誘導効果測定部
115 道路効果データ作成部
120 パラメータ推定部
130 誘導推定部
140 記憶部
DESCRIPTION OF
Claims (9)
を有することを特徴とするデータ作成装置。 When the road structure representing the structure of the road and the road condition for each road structure are acquired or created, the guidance road structure representing the structure of the road in the case where guidance is performed for each road structure, and the guidance is performed Data creation means for creating road effect data including a guidance effect representing an effect when the guidance is performed and a road structure and / or at least one of the road conditions when no guidance is given;
A data creation apparatus characterized by having:
請求項1に記載のデータ作成装置におけるデータ作成手段により作成された道路効果データを学習データとして前記モデルに入力することで出力される前記誘導に関する情報と、道路効果データに含まれる誘導効果との誤差を最小化するように前記パラメータを推定するパラメータ推定手段、
を有することを特徴とする誘導モデル学習装置。 A guidance model learning device that estimates parameters of a model that outputs information related to guidance when at least one of a road structure representing a road structure and a road condition for each road structure is input,
Information about the said guidance output by inputting into the said model the road effect data created by the data creation means in the data creation device according to claim 1 as learning data, and the guidance effect included in the road effect data Parameter estimation means for estimating the parameters to minimize errors;
A guidance model learning device characterized by having.
前記誘導に関する情報と、前記誘導効果を所定の関数を用いて正規化した値との誤差を最小化するように前記パラメータを推定する、ことを特徴とする請求項2に記載の誘導モデル学習装置。 The parameter estimation means
The guidance model learning device according to claim 2, wherein the parameter is estimated so as to minimize an error between information on the guidance and a value obtained by normalizing the guidance effect using a predetermined function. .
請求項2又は3に記載の誘導モデル学習装置におけるパラメータ推定手段により推定されたパラメータを設定した前記モデルに対して、前記道路構造と前記道路状況との少なくとも一方を入力することで、前記誘導に関する情報を推定する誘導推定手段、
を有することを特徴とする誘導推定装置。 A guidance estimation device that estimates information related to guidance by a model that outputs information related to guidance when at least one of a road structure representing a structure of a road and road conditions for each road structure is input,
4. The guidance according to claim 2, wherein at least one of the road structure and the road condition is input to the model in which the parameter estimated by the parameter estimation unit in the guidance model learning device according to claim 2 or 3 is set. Guidance estimation means for estimating information,
A guidance estimation device characterized by having.
をコンピュータが実行することを特徴とするデータ作成方法。 When the road structure representing the structure of the road and the road condition for each road structure are acquired or created, the guidance road structure representing the structure of the road in the case where guidance is performed for each road structure, and the guidance is performed A data creating procedure for creating road effect data including a guiding effect representing an effect when the guiding is performed for no case and at least one of the road structure and the road condition;
A computer executes the data creation method.
請求項5に記載のデータ作成方法におけるデータ作成手順により作成された道路効果データを学習データとして前記モデルに入力することで出力される前記誘導に関する情報と、道路効果データに含まれる誘導効果との誤差を最小化するように前記パラメータを推定するパラメータ推定手順、
を実行することを特徴とする誘導モデル学習方法。 When at least one of a road structure representing a road structure and a road condition for each of the road structures is input, a computer that estimates parameters of a model that outputs information related to guidance,
Information regarding the said guidance output by inputting into the said model the road effect data created by the data creation procedure in the data creation method according to claim 5 as learning data, and the guidance effect included in the road effect data A parameter estimation procedure to estimate the parameters to minimize errors;
A guided model learning method characterized in that:
前記誘導に関する情報と、前記誘導効果を所定の関数を用いて正規化した値との誤差を最小化するように前記パラメータを推定する、ことを特徴とする請求項6に記載の誘導モデル学習方法。 The parameter estimation procedure is
The method according to claim 6, wherein the parameter is estimated so as to minimize an error between information on the guidance and a value obtained by normalizing the guidance effect using a predetermined function. .
請求項6又は7に記載の誘導モデル学習方法におけるパラメータ推定手順により推定されたパラメータを設定した前記モデルに対して、前記道路構造と前記道路状況との少なくとも一方を入力することで、前記誘導に関する情報を推定する誘導推定手順、
を実行することを特徴とする誘導推定方法。 When at least one of a road structure representing a road structure and a road condition for each of the road structures is input, a computer for estimating the information on the guidance with a model that outputs information on the guidance,
8. The guidance according to claim 6, wherein at least one of the road structure and the road condition is input to the model in which the parameter estimated by the parameter estimation procedure in the guidance model learning method according to claim 6 or 7 is set. Guidance estimation procedure to estimate information,
A method of estimating a lead according to claim 1.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018006710A JP6992534B2 (en) | 2018-01-18 | 2018-01-18 | Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018006710A JP6992534B2 (en) | 2018-01-18 | 2018-01-18 | Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019125260A true JP2019125260A (en) | 2019-07-25 |
JP6992534B2 JP6992534B2 (en) | 2022-01-13 |
Family
ID=67398931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018006710A Active JP6992534B2 (en) | 2018-01-18 | 2018-01-18 | Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6992534B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021081871A (en) * | 2019-11-15 | 2021-05-27 | 株式会社豊田中央研究所 | Urban structure design device and urban structure design program |
WO2024111080A1 (en) * | 2022-11-24 | 2024-05-30 | 三菱電機株式会社 | Information processing device, program, information processing system, and information processing method |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07220193A (en) * | 1994-01-28 | 1995-08-18 | Nagoya Denki Kogyo Kk | Traffic condition discriminating device |
JP2012043066A (en) * | 2010-08-16 | 2012-03-01 | Toyota Infotechnology Center Co Ltd | Transportation infrastructure improvement plan creation device and method therefor |
JP2013073492A (en) * | 2011-09-28 | 2013-04-22 | Sumitomo Electric Ind Ltd | Traffic evaluation device, computer program and traffic evaluation method |
-
2018
- 2018-01-18 JP JP2018006710A patent/JP6992534B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07220193A (en) * | 1994-01-28 | 1995-08-18 | Nagoya Denki Kogyo Kk | Traffic condition discriminating device |
JP2012043066A (en) * | 2010-08-16 | 2012-03-01 | Toyota Infotechnology Center Co Ltd | Transportation infrastructure improvement plan creation device and method therefor |
JP2013073492A (en) * | 2011-09-28 | 2013-04-22 | Sumitomo Electric Ind Ltd | Traffic evaluation device, computer program and traffic evaluation method |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021081871A (en) * | 2019-11-15 | 2021-05-27 | 株式会社豊田中央研究所 | Urban structure design device and urban structure design program |
JP7070531B2 (en) | 2019-11-15 | 2022-05-18 | 株式会社豊田中央研究所 | Urban structure design equipment and urban structure design program |
WO2024111080A1 (en) * | 2022-11-24 | 2024-05-30 | 三菱電機株式会社 | Information processing device, program, information processing system, and information processing method |
Also Published As
Publication number | Publication date |
---|---|
JP6992534B2 (en) | 2022-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2864149T3 (en) | Neural network and neural network training method | |
KR20210082210A (en) | Creating an Integrated Circuit Floor Plan Using Neural Networks | |
JP6611053B2 (en) | Subject estimation system, subject estimation method and program | |
KR102190103B1 (en) | Method of providing commercialization service of an artificial neural network | |
CN113095129B (en) | Gesture estimation model training method, gesture estimation device and electronic equipment | |
CN113906387A (en) | Digital twin operation device, digital twin operation method, program, and data structure | |
JP2022519283A (en) | 3D environmental risk identification using reinforcement learning | |
US20180173828A1 (en) | Computer-readable recording medium, simulation method and simulation apparatus | |
JP2018073360A (en) | Input parameter search device, input parameter search method, and input parameter search program | |
JP6992534B2 (en) | Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program | |
KR20200080947A (en) | Method for determining parameter sets of an artificial neural network | |
JP7052879B2 (en) | Learner estimation device, learner estimation method, risk assessment device, risk assessment method, program | |
TW202324176A (en) | A computer system, method and computer network for architectural design placement | |
KR20210060146A (en) | Method and apparatus for processing data using deep neural network model, method and apparatus for trining deep neural network model | |
JP6757280B2 (en) | Parameter output device, parameter output method and program | |
JP6649229B2 (en) | Latency prediction device, latency prediction method, and latency prediction program | |
JP2011237989A (en) | Apparatus for designing semiconductor integrated circuit, and method and program for designing the same | |
JP2023154373A (en) | Information processing apparatus | |
JP7294383B2 (en) | Parameter estimation device, route-based population estimation device, parameter estimation method, route-based population estimation method and program | |
CN112242959B (en) | Micro-service current-limiting control method, device, equipment and computer storage medium | |
JP6988504B2 (en) | Data creation device, data creation method and program | |
WO2021100109A1 (en) | Event prediction method, event prediction device, and program | |
WO2020054402A1 (en) | Neural network processing device, computer program, neural network manufacturing method, neural network data manufacturing method, neural network use device, and neural network downscaling method | |
JP6831307B2 (en) | Solution calculation device, solution calculation method and solution calculation program | |
JP7318720B2 (en) | SIMULATION DEVICE, LEARNING DEVICE, SIMULATION METHOD, AND SIMULATION PROGRAM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200207 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210202 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210622 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210820 |
|
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: 20211109 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211122 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6992534 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |