JP2020086788A - 狭域情報の推定方法、狭域情報の推定装置及びプログラム - Google Patents
狭域情報の推定方法、狭域情報の推定装置及びプログラム Download PDFInfo
- Publication number
- JP2020086788A JP2020086788A JP2018218552A JP2018218552A JP2020086788A JP 2020086788 A JP2020086788 A JP 2020086788A JP 2018218552 A JP2018218552 A JP 2018218552A JP 2018218552 A JP2018218552 A JP 2018218552A JP 2020086788 A JP2020086788 A JP 2020086788A
- Authority
- JP
- Japan
- Prior art keywords
- area information
- time
- probability
- range
- predetermined
- 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
以下、本発明の一実施形態による狭域情報の推定方法を図1〜図8を参照して説明する。図1は、本発明の一実施形態における狭域情報の推定装置の機能ブロック図である。
図1に示す推定装置10は、ある時刻における所定の範囲に含まれる移動体群の位置情報(広域情報)と移動体の挙動を示す推定モデルから、広域情報に含まれる所定の場所を利用する移動体の数(狭域情報)や、所定の区間を走行する移動体の数(狭域情報)を推定する。
推定装置10は、サーバ端末やPC(personal computer)等のコンピュータによって構成される。図示するように推定装置10は、広域情報取得部11、解析部12、狭域実績情報取得部13、モデル生成部14、推定部15、出力部16、記憶部17を備える。
解析部12は、広域情報を解析して、広域情報に含まれる移動体の経路、当該経路上の所定の区間ごとの移動体の数、移動方向を取得する。例えば、解析部12は、衛星画像を解析して、衛星画像に移った道路、道路を所定区間ごとに区切ったときの区間ごとの車両数を算出する。
推定部15は、モデル生成部14が生成したモデルに解析部12が算出した移動体の数や、狭域実績情報取得部13が取得した実績値を適用して、スポットを利用する移動体の確率を計算する。
記憶部17は、広域情報、移動体群の挙動を示すモデル、スポットの利用に関する実績値などを記憶する。
図2は、本発明の一実施形態における広域情報の一例を示す第1の図である。図3、図4は、それぞれ、本発明の一実施形態における広域情報を説明する第1の図、第2の図である。
図2に衛星画像から当該画像に写った道路、スポットを抽出した図を示す。図2のRoot1は紙面左右方向を走る道路、Root2は紙面上下方向を走る道路である。Root1について、紙面左から右へ走行する車線を上り(Up)、右から左へ走行する車線を下り(Down)とする。Root2について、紙面下から上へ走行する車線を上り(Up)、上から下へ走行する車線を下り(Down)とする。Cross1は、Root1とRoot2の交差点である。Spot1〜Spot6は、Root1とRoot2を走行する車両が立ち寄るスポット(店舗、病院や役所等の施設、駐車場など)である。Root1を所定の長さで区切った各区間を、左から順にSection1〜Section10とする。図3に示すように、各区間の長さは、例えば、Root1を走行する車両の平均速度(v1)に所定時間Δtを乗じた距離とすることができる。同様に、Root2についても、例えば、Root2を走行する車両の平均速度(v2)に所定時間Δtを乗じた距離ごとに区切ったSection1〜Section8を設ける。なお、区間の設定に用いるΔtは、例えば、数秒〜数分である。
次に単純な例を用いて、広域情報に基づいてスポットを利用する車両数を算出する方法を説明する。
図5は、本発明の一実施形態における推定モデルを説明する図である。
図5に例示する広域情報は、図2〜図4と同様にRoot1、Section1〜Section5、Spot−a、Spot−bを含む。広域情報の採取時刻を時刻tとする。時刻tにSpot−iの前を走行する車両が、Spot−iに入る確率をP(i,l,t)とする。lは、走行方向を示し、l=1は上り、l=2は下りとする。また、時刻tに道路jの区間(Section)kを、走行方向l(1:上り、2:下り)へ走行する車両の数をn(j,k,l,t)とする。
また、Spot−aおよびSpot−bの滞在時間を「2」とする。すると、Spot−aを利用する車両は、Spot−aの利用開始から時間「2」の間はSpot−bを利用することはない。つまり、Spot−aとSpot−bを利用する確率Pには排他性が存在する。
Spot−aを利用する車両数=
n(1,1,1,0)×P(a,1,2)+
n(1,2,1,0)×P(a,1,1)+
n(1,3,1,0)×P(a,1,0)+
n(1,3,2,0)×P(a,2,0)+
n(1,4,2,0)×P(a,2,1)×(1−P(b,2,0))+
n(1,5,2,0)×P(a,2,2)×(1−P(b,2,1))
Spot−bを利用する車両数=
n(1,1,1,0)×(1−P(a,1,2))×P(b,1,3)+
n(1,2,1,0)×(1−P(a,1,1))×P(b,1,2)+
n(1,3,1,0)×(1−P(a,1,0))×P(b,1,1)+
n(1,4,1,0)×P(b,1,0)+
n(1,4,2,0)×P(b,2,0)+
n(1,5,2,0)×P(b,2,1)
ここで、各スポットでの滞在時間がΔtよりも十分に長いと仮定すれば、各スポット利用に排他性が仮定できる。上記の式のようにSpot−aの利用とSpot−bの利用との間に排他性が仮定できる時間幅「2」の範囲に限定して、各スポット(Spot−a、b)を利用する車両数の推定モデルを構築することで、対象とする空間の範囲を限定しつつ、一方のスポットの推定モデルに、他のスポットの利用確率Pを組み込み、確率Pの算出を容易にすることができる。
Spot−aを利用する車両数=
n(1,1,1,0)×P(a,1,0)+
n(1,2,1,0)×P(a,1,0)+
n(1,3,1,0)×P(a,1,0)+
n(1,3,2,0)×P(a,2,0)+
n(1,4,2,0)×P(a,2,0)×(1−P(b,2,0))+
n(1,5,2,0)×P(a,2,0)×(1−P(b,2,1))
=P(a,1,0)×[n(1,1,1,0)+n(1,2,1,0)+n(1,3,1,0)]+P(a,2,0)×[n(1,3,2,0)+n(1,4,2,0)×(1−P(b,2,0))+n(1,5,2,0)×(1−P(b,2,1))]・・・(0A)
n(1,1,1,0)×(1−P(a,1,0))×P(b,1,0)+
n(1,2,1,0)×(1−P(a,1,0))×P(b,1,0)+
n(1,3,1,0)×(1−P(a,1,0))×P(b,1,0)+
n(1,4,1,0)×P(b,1,0)+
n(1,4,2,0)×P(b,2,0)+
n(1,5,2,0)×P(b,2,0)
=P(b,1,0)×[n(1,1,1,0)×(1−P(a,1,0))+
n(1,2,1,0)×(1−P(a,1,0))+n(1,3,1,0)×(1−P(a,1,0))+n(1,4,1,0)]+P(b,2,0)×[n(1,4,2,0)+n(1,5,2,0)]・・・(0B)
Spot−aを利用する車両数=
A1×[n(1,1,1,0)+n(1,2,1,0)+n(1,3,1,0)]+A2×[n(1,3,2,0)+(1−B2)[n(1,4,2,0)+n(1,5,2,0)]・・・(1)
B1×[(1−A1)×((n(1,1,1,0)+n(1,2,1,0)+n(1,3,1,0))+n(1,4,1,0)]+
B2×(n(1,4,2,0)+n(1,5,2,0))・・・(2)
モデル生成部14は、上記のような手順で推定モデルを生成する。
これまでに説明したように、図5の広域情報から、Spot−aを利用する車両数の推定モデル(式(1))、Spot−bを利用する車両数の推定モデル(式(2))が得られる。本実施形態では、推定部15が、狭域情報を示す推定モデル(式(1)、式(2))に、広域情報から得られる区間ごとの車両数、実際にSpot−aを利用した車両数の実績値などを適用して、上り方向を走行する車両がSpot−aを利用する確率A1、下り方向を走行する車両がSpot−aを利用する確率A2、上り方向を走行する車両がSpot−bを利用する確率B1、下り方向を走行する車両がSpot−bを利用する確率B2を算出する。以下に確率A1〜B2の算出手法を2つ例示する。
ある2日間の時刻tにおける確率A1、確率A2、確率B1、確率B2が等しいとみなせるとする。これは、人の行動には周期性があり、例えば、Root1を通行して向かう先で特別なイベントなどが無い限り、同じ時刻tにおける確率A1等には、大きな変動が無いとの考えに基づく。例えば、月曜日の夕方16時における確率A1と翌火曜日の夕方16時の確率A1には大きな差は無いと考える。N0をDay0の時刻tにおけるSpot−aの利用車両数、N1をDay1の時刻tにおけるSpot−aの利用車両数とする。また、Spot−bの利用車両数をSpot−aの利用数のα倍(αは所定の定数)と仮定する。すると、任意のDay0とDay1について、以下4つの式からなる式(3)が成立する。
N0=A1×ob1+A2×[ob2+(1−B2)×ob3]
αN0=B1×[(1−A1)×ob4+ob5]+B2×ob6
N1=A1×ob1´+A2×[ob2´+(1−B2)×ob3´]
αN1=B1×[(1−A1)×ob4´+ob5´]+B2×ob6´
・・・・(3)
次に上記と異なる確率A1〜B2の算出手法を説明する。算出手法1と同様に人の行動には周期性があり、日が異なっていても同じ時刻tにおける確率A1、A2、B1、B2は一定とみなせると考える。つまり、確率A1、A2、B1、B2をそれぞれ一定の確率a1、a2、b1、b2とおく。すると、ある日j(Dayj)の時刻tにおけるSpot−aの利用車両数Ni、Spot−bの利用車両数αNiは以下2つの式のように表すことができる。
Nj=a1×ob1j+a2×[ob2j+(1−b2)×ob3j]+δ1j
αNj=b1×[(1−a1)×ob4j+ob5j]+b2×ob6j+δ2j
・・・・(4)
Δj=Nj×(1+α)−[a1×ob1j+a2×(ob2j+(1−b2)×ob3j)]−[b1×((1−a1)×ob4j+ob5j)+b2×ob6j)]
・・・・(5)
ここで、
∂F/∂a1=0
∂F/∂a2=0
∂F/∂b1=0
∂F/∂b2=0・・・・(7)
また、式(6)の代わりに重みγを導入した以下の式(6´)を用いてもよい。
なお、図5の例では、スポットを2か所としたが、スポットの数は1つでも良いし、3つ以上であってもよい。
図6は、本発明の一実施形態における狭域情報の推定処理の一例を示すフローチャートである。
まず、広域情報取得部11が広域情報を取得する(ステップS11)。例えば、広域情報取得部11は、衛星画像、航空機等による航空写真などを取得する。なお、広域情報は、ある時刻における所定範囲(数十キロメートル四方)での移動体の分布が分かる情報であれば、画像に限定されない。例えば、所定範囲に存在する車両の車載器から得た信号を所定範囲の地図情報にマッピングした情報などでも良い。
図7は、本発明の一実施形態における広域情報の一例を示す第2の図である。
図7において、駅40は、鉄道の停車駅である。鉄道などの公共交通機関では、利用者数などを比較的入手しやすい。また、鉄道の運航スケジュールは予め定められている。従って、例えば、駅40で降車した利用者のうち一定の割合の利用者が駅40から車両を利用するとし、さらにそれらの車両がSection9からRoot1へ流入すると仮定する等して、式(1)等の車両の挙動を推定する推定モデルに、列車到着後から所定の時間後は鉄道利用者による車両が加わるなどのパラメータを追加して、スポットの利用確率を算出してもよい。
コンピュータ900は、CPU901、主記憶装置902、補助記憶装置903、入出力インタフェース904、通信インタフェース905を備える。
上述の推定装置10は、コンピュータ900に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置903に記憶されている。CPU901は、プログラムを補助記憶装置903から読み出して主記憶装置902に展開し、当該プログラムに従って上記処理を実行する。また、CPU901は、プログラムに従って、記憶領域を主記憶装置902に確保する。また、CPU901は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置903に確保する。なお、記憶部17は、補助記憶装置903に記憶されている。
また、推定装置10は、複数のコンピュータ900によって構成されていても良い。記憶部17は、コンピュータ900とは別体の外部記憶装置に記憶されていても良い。
例えば、上記の実施形態では、数学的な手法により推定モデルの解を算出したが、機械学習、深層学習などの手法によって、最適な解を探索してもよい。
11・・・広域情報取得部
12・・・解析部
13・・・狭域実績情報取得部
14・・・モデル生成部
15・・・推定部
16・・・出力部
17・・・記憶部
900・・・コンピュータ
901・・・CPU
902・・・主記憶装置
903・・・補助記憶装置
904・・・入出力インタフェース
905・・・通信インタフェース
Claims (10)
- 一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得するステップと、
前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得するステップと、
前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出するステップと、
を有する狭域情報の推定方法。 - 前記推定モデルを取得するステップでは、
前記範囲に含まれる移動体の経路を所定の長さごとに区切ってできた区間ごとの移動体の数について、所定の時間後に前記場所に至る移動体の数に前記場所へ進入する確率を乗じた値を、所定の範囲の前記区間について合計して、その合計した値が、前記所定の時間後に前記場所へ進入する前記移動体の数に等しいとする推定モデルを取得する、
請求項1に記載の狭域情報の推定方法。 - 前記推定モデルの前記合計した値について、さらに、所定の前記区間に接続する移動体が留まる空間から当該区間へ流入する前記移動体の推定値を加算し、当該区間から前記空間へ退出する前記移動体の推定値を減算する、
請求項2に記載の狭域情報の推定方法。 - 前記推定モデルを取得するステップにおいて、
所定の時間後に第1の前記場所に至る移動体について、該第1の場所に至る前に第2の前記場所へ進入する場合、前記第2の場所に滞在する時間については、前記第1の場所へ進入しないものとして、前記第1の場所へ進入する確率を設定する、
請求項2または請求項3に記載の狭域情報の推定方法。 - 前記推定モデルを取得するステップにおいて、
前記第2の場所に滞在する時間に応じて、合計する前記区間の範囲を設定する、
請求項4に記載の狭域情報の推定方法。 - 前記確率を算出するステップでは、
前記推定モデルのうち、前記区間に存在する移動体の数を、前記広域情報に含まれる当該区間に対応する区間の移動体の数とし、前記推定モデルに基づく前記場所へ進入する前記移動体の数を、実際に当該場所へ進入した前記移動体の数とする方程式における解を算出して、当該解を前記確率とする、
請求項2から請求項5の何れか1項に記載の狭域情報の推定方法。 - 前記推定モデルを取得するステップにおいて、
前記場所へ進入する確率は時間によらず一定であるとし、前記区間について合計した値にさらに誤差用の変数を追加した値が、前記所定の時間後に前記場所へ進入する前記移動体の数に等しいとする推定モデルを取得し、
前記確率を算出するステップでは、
前記誤差用の変数の二乗を最小にする前記確率を算出する、
請求項2から請求項6の何れか1項に記載の狭域情報の推定方法。 - 前記広域情報は、衛星画像である、
請求項1から請求項7の何れか1項に記載の狭域情報の推定方法。 - 一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得する広域情報取得部と、
前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得するモデル生成部と、
前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出する推定部と、
を備える狭域情報の推定装置。 - コンピュータを、
一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得する手段、
前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得する手段、
前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出する手段、
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018218552A JP7112318B2 (ja) | 2018-11-21 | 2018-11-21 | 狭域情報の推定方法、狭域情報の推定装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018218552A JP7112318B2 (ja) | 2018-11-21 | 2018-11-21 | 狭域情報の推定方法、狭域情報の推定装置及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020086788A true JP2020086788A (ja) | 2020-06-04 |
JP7112318B2 JP7112318B2 (ja) | 2022-08-03 |
Family
ID=70908167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018218552A Active JP7112318B2 (ja) | 2018-11-21 | 2018-11-21 | 狭域情報の推定方法、狭域情報の推定装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7112318B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010140186A (ja) * | 2008-12-10 | 2010-06-24 | Toyota Central R&D Labs Inc | 経路推定装置及び運転支援装置 |
JP2014002477A (ja) * | 2012-06-15 | 2014-01-09 | Denso Corp | 車群管理装置 |
JP2016133843A (ja) * | 2015-01-15 | 2016-07-25 | 株式会社東芝 | 交通調整支援装置、交通調整支援方法、およびコンピュータプログラム |
JP2018088108A (ja) * | 2016-11-29 | 2018-06-07 | 日本電気株式会社 | 情報処理装置、情報処理方法およびプログラム |
-
2018
- 2018-11-21 JP JP2018218552A patent/JP7112318B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010140186A (ja) * | 2008-12-10 | 2010-06-24 | Toyota Central R&D Labs Inc | 経路推定装置及び運転支援装置 |
JP2014002477A (ja) * | 2012-06-15 | 2014-01-09 | Denso Corp | 車群管理装置 |
JP2016133843A (ja) * | 2015-01-15 | 2016-07-25 | 株式会社東芝 | 交通調整支援装置、交通調整支援方法、およびコンピュータプログラム |
JP2018088108A (ja) * | 2016-11-29 | 2018-06-07 | 日本電気株式会社 | 情報処理装置、情報処理方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7112318B2 (ja) | 2022-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10430736B2 (en) | System and method for estimating a dynamic origin-destination matrix | |
US8972192B2 (en) | Estimation of actual conditions of a roadway segment by weighting roadway condition data with the quality of the roadway condition data | |
Pingel | Modeling slope as a contributor to route selection in mountainous areas | |
JP7428124B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP6675860B2 (ja) | データ処理方法およびデータ処理システム | |
Estrada et al. | Operational cost and user performance analysis of on-demand bus and taxi systems | |
Gao et al. | A data-driven approach to estimate double parking events using machine learning techniques | |
Wessel et al. | Discovering the space–time dimensions of schedule padding and delay from GTFS and real-time transit data | |
CN111380530A (zh) | 导航方法及相关产品 | |
JP2013140498A (ja) | バスプローブデータによる一般車の推定走行軌跡取得方法 | |
JP6307376B2 (ja) | 交通分析システム、交通分析プログラムおよび交通分析方法 | |
Dock et al. | Methodology to gather multimodal urban trip generation data | |
Rashidi et al. | Estimating bus dwell time: A review of the literature | |
JP6170772B2 (ja) | 情報処理システム、情報処理装置、情報処理方法および情報処理プログラム | |
Lu et al. | A parking occupancy prediction approach based on spatial and temporal analysis | |
Yu et al. | Short-term traffic flow forecasting for freeway incident-induced delay estimation | |
Kostakos | Using Bluetooth to capture passenger trips on public transport buses | |
JP2018103924A (ja) | 混雑予測装置 | |
JP7112318B2 (ja) | 狭域情報の推定方法、狭域情報の推定装置及びプログラム | |
KR20180049932A (ko) | 부동산에 대한 대중교통 편의성을 평가하는 방법, 장치 및 컴퓨터 프로그램 | |
Majumder | An Approach to Counting Vehicles from Pre-Recorded Video Using Computer Algorithms | |
JP6678476B2 (ja) | 移動経路推定装置、及び移動経路推定方法 | |
JP7425680B2 (ja) | ナビゲーション装置、及びナビゲーション方法 | |
JP4839409B2 (ja) | 旅行時間予測システムおよび旅行時間予測プログラムならびにナビゲーションシステム | |
Rahaman | Context-aware mobility analytics and trip planning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210219 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220308 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220428 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220627 |
|
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: 20220712 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220722 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7112318 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |