JP2020194361A - 交通情報生成システム、交通情報生成装置、交通情報生成方法、交通情報生成プログラム、車両感知器および交通情報表示装置 - Google Patents

Abstract

【課題】交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができるようにする。【解決手段】対象区間を設定し、その対象区間に設置された複数の車両感知器から収集した過去の車両感知器情報、および路側装置から収集したプローブ情報に基づいて、対象区間における過去の交通情報（区間旅行時間）を取得し、対象区間における過去の車両感知器情報と過去の交通情報（区間旅行時間）とを学習情報として、車両感知器から収集した最新の車両感知器情報から最新の交通情報（区間旅行時間）を予測する予測エンジンを構成する機械学習モデルの学習を実行し、最新の車両感知器情報を入力情報として、予測エンジンを実行して、出力情報として、最新の交通情報（区間旅行時間）を予測する。【選択図】図３

Description

本発明は、対象区間における最新の交通情報を生成して運転者に提示する交通情報生成システム、交通情報生成装置、交通情報生成方法、および交通情報生成プログラム、ならびに交通情報生成システムにおける車両感知器および交通情報表示装置に関するものである。

交通管制センターでは、交通渋滞の緩和、交通事故の減少および交通公害の抑制などを目的として、交通流の配分および誘導を適切に行うための交通管理が行われており、具体的には、交通情報提供や交通信号制御が行われている。このうち、交通情報提供では、道路に設置された情報板装置や、車両に搭載されたカーナビゲーション装置を用いて、最新の交通情報、例えば、区間旅行時間、すなわち、予め設定された２地点間の所要時間を運転者に提示するようにしている。

このような区間旅行時間を運転者に提示する技術として、従来、走行中の車両の車両番号を読み取る装置、いわゆるＡＶＩ（Automatic Vehicle Identification）装置を、対象区間の起点および終点に設置して、区間旅行時間を実測し、対象区間に設置された車両感知器から収集した車両感知器情報と区間旅行時間の実測値とを学習情報として機械学習モデル（ニューラルネットワークモデル）を構築して、その機械学習モデルを用いて最新の車両感知器情報から最新の区間旅行時間を予測する技術が知られている（特許文献１参照）。

特開平１０−８３４９６号公報

さて、道路網の交通状況は経年変化し、その交通状況の変化に応じて、区間旅行時間の対象区間を変更することが望ましい場合がある。しかしながら、前記従来の技術のように、ＡＶＩ装置で区間旅行時間を実測する手法では、対象区間の変更に伴って、高価なＡＶＩ装置を新たに設置する必要があり、コストが嵩むことから、対象区間を容易に変更できないという問題があった。また、公的な予算状況が厳しいなか、現行装置の更新も困難な状況となっている。

そこで、本発明は、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる交通情報生成システム、交通情報生成装置、交通情報生成方法、交通情報生成プログラム、車両感知器および交通情報表示装置を提供することを主な目的とする。また、本発明を活用することで、現行機器を撤去しても現行と同一区間の旅行時間提供を維持することも可能である。

本発明の交通情報生成システムは、対象区間における最新の交通情報を生成して運転者に提示する交通情報生成システムであって、前記対象区間に設置された複数の車両感知器と、前記最新の交通情報を生成する制御装置と、この制御装置で生成した前記最新の交通情報を運転者に提示する交通情報表示装置と、を備え、前記制御装置は、前記車両感知器から収集した過去の車両感知器情報、および路側装置から収集したプローブ情報を記憶する記憶部と、前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを有する制御部を備え、この制御部は、前記対象区間を設定する区間設定部と、前記プローブ情報に基づいて、前記区間設定部で設定した前記対象区間における過去の交通情報を取得する集計部と、前記対象区間における前記過去の車両感知器情報と前記過去の交通情報とを学習情報として、前記予測エンジンを構成する機械学習モデルの学習を実行する学習部と、前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成する予測部と、を有する構成とする。

また、本発明の交通情報生成装置は、対象区間における最新の交通情報を生成する交通情報生成装置であって、前記対象区間に設置された複数の車両感知器から収集した過去の車両感知器情報、および路側装置から収集したプローブ情報を記憶する記憶部と、前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを有する制御部を備え、この制御部は、前記対象区間を設定する区間設定部と、前記プローブ情報に基づいて、前記区間設定部で設定した前記対象区間における過去の交通情報を取得する集計部と、前記対象区間における前記過去の車両感知器情報と前記過去の交通情報とを学習情報として、前記予測エンジンを構成する機械学習モデルの学習を実行する学習部と、前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成する予測部と、を有する構成とする。

また、本発明の交通情報生成方法は、コンピュータにおいて、対象区間における最新の交通情報を生成する交通情報生成方法であって、前記対象区間を設定し、路側装置から収集したプローブ情報に基づいて、前記対象区間における過去の交通情報を取得し、前記対象区間に設置された複数の車両感知器から収集した過去の車両感知器情報を取得し、前記過去の車両感知器情報および前記過去の交通情報を学習情報として、前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを構成する機械学習モデルの学習を実行し、前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成する構成とする。

また、本発明の交通情報生成プログラムは、前記の交通情報生成方法をコンピュータに実行させるためのものとする。

また、本発明の車両感知器は、前記の交通情報生成システムにおける車両感知器とする。

また、本発明の交通情報表示装置は、前記の交通情報生成システムにおける交通情報表示装置とする。

本発明によれば、プローブ情報（走行履歴情報）には、比較的短い間隔（例えば２００ｍ）で収集された車両の情報が含まれるため、このプローブ情報に基づいて、対象区間における過去の交通情報を取得することで、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる。

本実施形態に係る交通情報生成システムの全体構成図 従来の交通情報予測の方法の概要を示す説明図 交通管理装置１で行われる交通情報予測（学習時）の概要を示す説明図 交通管理装置１で行われる交通情報予測（予測時）の概要を示す説明図 予測エンジンを構成する機械学習モデルの概要を示す説明図 交通管理装置１の概略構成を示すブロック図 第１の交通情報生成部２１で行われる処理の手順を示すフロー図 第１の交通情報生成部２１で行われる処理の手順を示すフロー図 第２の交通情報生成部２２で行われる処理の手順を示すフロー図 第２の交通情報生成部２２で行われる処理の手順を示すフロー図

前記課題を解決するためになされた第１の発明は、対象区間における最新の交通情報を生成して運転者に提示する交通情報生成システムであって、前記対象区間に設置された複数の車両感知器と、前記最新の交通情報を生成する制御装置と、この制御装置で生成した前記最新の交通情報を運転者に提示する交通情報表示装置と、を備え、前記制御装置は、前記車両感知器から収集した過去の車両感知器情報、および路側装置から収集したプローブ情報を記憶する記憶部と、前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを有する制御部を備え、この制御部は、前記対象区間を設定する区間設定部と、前記プローブ情報に基づいて、前記区間設定部で設定した前記対象区間における過去の交通情報を取得する集計部と、前記対象区間における前記過去の車両感知器情報と前記過去の交通情報とを学習情報として、前記予測エンジンを構成する機械学習モデルの学習を実行する学習部と、前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成する予測部と、を有する構成とする。

これによると、プローブ情報（走行履歴情報）には、比較的短い間隔（例えば２００ｍ）で収集された車両の情報が含まれるため、このプローブ情報に基づいて、対象区間における過去の交通情報を取得することで、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる。

また、第２の発明は、前記交通情報として、対象区間の区間旅行時間を生成する構成とする。

これによると、対象区間の区間旅行時間を運転者に提示することができる。

また、第３の発明は、前記交通情報として、対象区間の渋滞情報を生成する構成とする。

これによると、対象区間の渋滞情報を運転者に提示することができる。この場合、リンクごとの予測エンジンによりリンクの渋滞情報（例えばリンク渋滞長）を生成して、対象区間に含まれるリンクの渋滞情報を統合することで、対象区間の渋滞情報を生成するようにしてもよい。

また、第４の発明は、対象区間における最新の交通情報を生成する交通情報生成装置であって、前記対象区間に設置された複数の車両感知器から収集した過去の車両感知器情報、および路側装置から収集したプローブ情報を記憶する記憶部と、前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを有する制御部を備え、この制御部は、前記対象区間を設定する区間設定部と、前記プローブ情報に基づいて、前記区間設定部で設定した前記対象区間における過去の交通情報を取得する集計部と、前記対象区間における前記過去の車両感知器情報と前記過去の交通情報とを学習情報として、前記予測エンジンを構成する機械学習モデルの学習を実行する学習部と、前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成する予測部と、を有する構成とする。

これによると、第１の発明と同様に、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる。

また、第５の発明は、コンピュータにおいて、対象区間における最新の交通情報を生成する交通情報生成方法であって、前記対象区間を設定し、路側装置から収集したプローブ情報に基づいて、前記対象区間における過去の交通情報を取得し、前記対象区間に設置された複数の車両感知器から収集した過去の車両感知器情報を取得し、前記過去の車両感知器情報および前記過去の交通情報を学習情報として、前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを構成する機械学習モデルの学習を実行し、前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成する構成とする。

これによると、第１の発明と同様に、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる。

また、第６の発明は、前記の交通情報生成方法をコンピュータに実行させるための交通情報生成プログラムである。

これによると、第１の発明と同様に、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる。

また、第７の発明は、前記の交通情報生成システムにおける車両感知器である。

これによると、第１の発明と同様に、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる。

また、第８の発明は、前記の交通情報生成システムにおける交通情報表示装置である。

これによると、第１の発明と同様に、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる。

以下、本発明の実施の形態を、図面を参照しながら説明する。

図１は、本実施形態に係る交通情報生成システムの全体構成図である。

この交通情報生成システムは、対象区間の交通情報を生成して運転者に提示するものであり、交通管理装置１（交通情報生成装置、制御装置、コンピュータ）と、車両感知器２と、路側装置３と、交通情報表示装置４と、を備えている。

交通管理装置１は、交通管制センター内中央装置であり、車両感知器２から収集した車両感知器情報などに基づいて、交通情報を予測して、その交通情報を交通情報表示装置４に配信する。

車両感知器２は、道路に設置され、道路上の車両を感知して、道路における車両の通行状況を表す車両感知器情報（交通状況情報）を生成する。この車両感知器情報は、車両感知器２から交通管理装置１に送信される。

路側装置３は、道路に設置され、車両（プローブ車両）に搭載された車載装置からプローブ情報などの情報を収集する。この路側装置３は、光ビーコンやＩＴＳスポットや電波ビーコンなどである。

交通情報表示装置４は、交通管理装置１から提供される交通情報を運転者に提示する。この交通情報表示装置４は、道路に設置される情報板装置や、車両に搭載されるカーナビゲーション装置などである。なお、情報板装置の場合には、適宜な通信路を介して交通管理装置１から交通情報が提供される。また、カーナビゲーション装置の場合には、路側装置３からのダウンリンク情報として交通情報が車載装置に提供される。

次に、従来の交通情報予測の方法について説明する。図２は、従来の交通情報予測の方法の概要を示す説明図である。

区間旅行時間の対象区間（例えば、３ｋｍ〜１０ｋｍ）の起点および終点に、ＡＶＩ（Automatic Vehicle Identification）装置が設置されている。このＡＶＩ装置は、走行中の車両の車両番号を読み取り、ＡＶＩ装置を通過した車両に関する通過情報を取得する。このＡＶＩ装置の通過情報に基づいて、実際に車両が２台のＡＶＩ装置を通過するのに要した時間、すなわち、過去の区間旅行時間（実績値）を取得することができる。

一方、区間旅行時間の対象区間には、複数の車両感知器２が設置されている。この車両感知器２では、車両を感知し、所定の時間（５分間）ごとに車両感知器情報を出力する。

車両感知器情報は車両の走行状況を表すものであり、この車両感知器情報と区間旅行時間との間には相関関係がある。そこで、過去の車両感知器情報と過去の区間旅行時間との間の関係性に基づいて、最新の車両感知器情報から、最新の区間旅行時間（予測値）、すなわち、現在を出発時刻とした区間旅行時間を予測することができる。

しかしながら、ＡＶＩ装置は設置数が少なく、ＡＶＩ装置の設置間隔（３〜１０ｋｍ程度）が長い。このため、区間旅行時間の対象区間を、交通状況の変化に応じて変更することが望ましくなった場合には、対象区間の変更に伴って、高価なＡＶＩ装置を新たに設置する必要が生じ、コストが嵩むことから、対象区間を容易に変更することができない。

次に、交通管理装置１で行われる交通情報予測について説明する。図３，図４は、交通管理装置１で行われる交通情報予測の概要を示す説明図であり、図３は交通情報の学習時を、図４は交通情報の予測時を示す。

本実施形態では、路側装置３を用いてプローブ情報（走行履歴情報）を収集する。このプローブ情報には、時刻、位置、走行速度などの情報が含まれる。このプローブ情報から区間旅行時間を求めることができる。しかしながら、集計に時間がかかることから、プローブ情報にはリアルタイム性がなく、プローブ情報から直接求められる情報は、過去の区間旅行時間となる。

そこで、本実施形態では、まず、図３に示すように、過去（一例として平日の○月△日の８時３０分及びその５分前、１０分前）の車両感知器情報（入力情報）と過去の区間旅行時間（出力情報）とを学習情報として、機械学習モデルに対する入力情報と出力情報との関係性の学習を行い、最新の車両感知器情報から最新の区間旅行時間を予測する機械学習モデルからなる予測エンジンを構築する。そして、次に、図４に示すように、最新（例えば平日の●月▲日の８時３０分）の車両感知器情報を含む車両感知器情報を、構築された予測エンジンに入力することで、最新の区間旅行時間（予測値）が学習結果として出力される。

また、本実施形態では、別の交通情報として、対象区間の最新の渋滞情報、具体的には、最新のリンク渋滞長（リンク単位の渋滞長）を予測する予測エンジンを構築する。この場合、プローブ情報に含まれる各リンクにおける各車両の走行速度に基づいて過去のリンク渋滞長（実績値）を取得し、過去の車両感知器情報（入力情報）と過去のリンク渋滞長（出力情報）とを学習情報として機械学習モデルに対する学習を行い、最新の車両感知器情報から最新のリンク渋滞長を予測する機械学習モデルからなる予測エンジンを構築する。

また、対象区間の交通状況は、対象区間の道路に発生した事象（交通事故、路上障害物など）や規制（工事による車線規制、通行止めなど）に影響を受ける。また、対象区間の交通状況は、対象区間の気象（降雨など）に影響を受ける。そこで、本実施形態では、車両感知器情報の他に、事象規制情報や気象情報を入力情報とする機械学習モデルからなる予測エンジンを構築する。

このように本実施形態では、プローブ情報から過去の交通情報（区間旅行時間、リンク渋滞長）を取得して予測エンジンを構築するため、交通情報の対象区間の変更が必要になった場合に、制御の変更で対応することができ、ＡＶＩ装置を新たに設置するなどの設備の改変を行う必要がないため、対象区間の変更を比較的容易に行うことができる。なお、本実施形態では、対象区間を指定する管理者の操作に応じて、対象区間の設定情報を変更することで、新たな対象区間で交通情報生成の制御が行われる。

次に、交通管理装置１で構築される交通情報の予測エンジンについて説明する。図５は、予測エンジンを構成する機械学習モデルの概要を示す説明図である。

交通管理装置１は、機械学習モデル（例えば深層学習モデル）からなる予測エンジンを備えている。図５に示す例は、深層学習モデルの場合であり、多層ニューラルネットワークで構成され、入力層と中間層と出力層とを備えている。

図５（Ａ）は、旅行時間用の予測エンジンの場合であり、入力層では、最新の車両感知器情報、最新の事象規制情報、および最新の気象情報が入力され、出力層では、最新の交通情報として、最新の区間旅行時間が出力される。図５（Ｂ）は、渋滞情報用の予測エンジンの場合であり、入力層では、最新の車両感知器情報、最新の事象規制情報、および最新の気象情報が入力され、出力層では、最新の交通情報として、最新のリンク渋滞長が出力される。

なお、図５では、一例として、深層学習モデルの場合の多層ニューラルネットワークを示したが、このようなニューラルネットワークに限定されるものではなく、例えば、サポートベクターマシンや、ランダムフォレストなどの他の機械学習モデルを採用することもできる。

ところで、交通特性は、場所的な条件、すなわち、区間旅行時間の対象区間や、リンク渋滞長の対象となるリンクごとに異なる。そこで、本実施形態では、複数の対象区間に関して最新の区間旅行時間を予測する場合、学習情報を対象区間ごとに収集して、機械学習モデルからなる予測エンジンを対象区間ごとに構築して、対象区間ごとに区間旅行時間の予測を行わせる。なお、対象区間を変更する際には、変更後の対象区間で再学習を行い、予測エンジンを構築し直す。また、最新のリンク渋滞長を予測する場合、学習情報をリンクごとに収集して、予測エンジンをリンクごとに構築して、対象リンクごとにリンク渋滞長の予測を行わせる。

また、交通特性は、時間的な条件、すなわち、時間帯や曜日ごとに異なる。そこで、本実施形態では、学習情報を時間帯ごとに収集して、機械学習モデルからなる予測エンジンを時間帯ごとに構築する。そして、最新の交通情報（区間旅行時間、リンク渋滞長）を予測する際には、現在の時間帯に対応する予測エンジンを選択して交通情報の予測を行わせる。この場合、時間帯を１５分間隔で区切ると、１日分として９６個の予測エンジンを用意することになる。また、学習情報を曜日種別（例えば、平日、土曜日、休日の３つの種別）ごとに収集して、機械学習モデルからなる予測エンジンを曜日種別ごとに構築する。そして、最新の交通情報を予測する際には、当日の曜日種別に対応する予測エンジンを選択して交通情報の予測を行わせる。また、時間帯と曜日種別との両方で予測エンジンを区別するようにしてもよい。

なお、時間帯や曜日種別を番号（数値）で表すことで、時間帯や曜日種別を予測エンジンの入力情報とすることができる。具体的には、時間帯や曜日種別の番号を入力情報の１つとして機械学習モデルの学習を行い、最新の交通情報を予測する際には、現在の時間帯や曜日種別の番号を予測エンジンに入力して、現在の時間帯や曜日種別に対応する交通情報の予測を予測エンジンに行わせる。

次に、交通管理装置１の概略構成について説明する。図６は、交通管理装置１の概略構成を示すブロック図である。

交通管理装置１は、通信部１１と、制御部１２と、記憶部１３と、を備えている。

通信部１１は、車両感知器２、路側装置３、および交通情報表示装置４と通信を行う。具体的には、車両感知器２から送信される車両感知器情報を受信する。また、路側装置３から送信されるプローブ情報などを受信する。また、制御部１２で生成した交通情報（区間旅行時間、リンク渋滞長）などを交通情報表示装置４に送信する。

記憶部１３は、区間設定情報、プローブ情報、車両感知器情報、事象規制情報、気象情報、区間旅行時間、およびリンク渋滞長などを記憶する。また、記憶部１３は、学習結果情報、すなわち、機械学習モデルの学習で取得したモデルパラメータ（ニューラルネットワークパラメータ）を記憶する。また、記憶部１３は、制御部１２を構成するプロセッサで実行されるプログラムを記憶する。

ここで、区間設定情報は、管理者が指定した区間旅行時間の対象区間（起点および終点）に関する情報である。

プローブ情報（走行履歴情報）は、各車両において、道路を走行中に所定タイミングで収集した位置や走行速度などの情報である。このプローブ情報は、路側装置３においてアップリンク情報として車載装置から収集する。また、各路側装置３において、車載装置から車両ＩＤ（車両識別情報）を収集し、交通管理装置１において、各路側装置３で収集した車両ＩＤに基づいて、各車両のプローブ情報を生成するようにしてもよい。

車両感知器情報は、車両感知器２で収集された交通状況を表す情報であり、具体的には、交通量、すなわち、単位時間（例えば５分）ごとに車両感知器２の位置を通過した車両の台数や、占有率（時間占有率）、すなわち、単位時間内に車両感知器２の位置に車両が存在していた時間の割合などである。

事象規制情報は、対象区間における事象（交通事故、路上障害物など）や規制（工事による車線規制、通行止めなど）に関する情報である。

気象情報は、対象区間の気象（降雨など）に関する情報である。この気象情報は、気象情報提供サーバから取得すればよいが、管理者が当日の気象を入力するようにしてもよい。

区間旅行時間は、予め設定された２地点（起点および終点）で規定される対象区間を走行するのに要した所要時間である。

リンク渋滞長は、各リンクにおいて車両の渋滞が発生している範囲の長さ（渋滞長）である。

なお、車両感知器情報、事象規制情報、および気象情報には、過去の情報と最新の情報とがあり、過去の情報は、機械学習モデルからなる予測エンジンを構築するための学習情報（入力情報）となり、最新の情報は、予測エンジンの入力情報となる。また、区間旅行時間およびリンク渋滞長には、過去の情報（実績値）と最新の情報（予測値）とがあり、過去の情報（実績値）は、機械学習モデルからなる予測エンジンを構築するための学習情報（出力情報）となり、最新の情報（予測値）は、予測エンジンから出力情報として出力されたものである。

制御部１２は、第１の交通情報生成部２１と、第２の交通情報生成部２２と、を備えている。この制御部１２は、プロセッサで構成され、制御部１２の各部は、記憶部１３に記憶されたプログラムをプロセッサで実行することで実現される。

第１の交通情報生成部２１は、交通情報として、最新の区間旅行時間（予測値）を生成するものであり、区間設定部３１と、集計部３２と、学習部３３と、予測エンジン構築部３４と、予測部３５と、を有している。

区間設定部３１は、区間旅行時間の対象区間を設定する。この対象区間は管理者が指定することができ、管理者の指定操作に応じて対象区間が設定される。この対象区間は、起点および終点で規定される。なお、起点および終点は、例えば主要交差点の中から選択される。

集計部３２は、プローブ情報（走行履歴情報）を集計して、学習情報となる過去の区間旅行時間（実績値）を取得する。具体的には、対象区間の起点および終点を通過した各車両のプローブ情報を抽出して、その各車両のプローブ情報に含まれる起点および終点の通過時刻から、各車両の区間旅行時間を算出し、その各車両の区間旅行時間を平均化して、区間旅行時間を取得する。

学習部３３は、旅行時間用の学習情報として、過去の車両感知器情報、過去の事象規制情報、過去の気象情報、および過去の区間旅行時間を取得する。そして、その旅行時間用の学習情報を用いて、機械学習モデルに対する学習処理を実施して、学習結果情報、具体的には、旅行時間用のモデルパラメータ（ニューラルネットワークパラメータなど）を取得する。このとき、過去の車両感知器情報、過去の事象規制情報、および過去の気象情報を入力情報とし、過去の区間旅行時間を出力情報とする。

予測エンジン構築部３４は、学習部３３で取得した旅行時間用の学習結果情報、具体的にはモデルパラメータを機械学習モデルに適用して、学習結果が反映された機械学習モデルからなる旅行時間用の予測エンジンを構築する。

予測部３５は、最新の車両感知器情報、最新の事象規制情報、および最新の気象情報を入力情報として、予測エンジン構築部３４で構築された旅行時間用の予測エンジンを実行して、その予測エンジンから出力される最新の区間旅行時間（予測値）を取得する。

第２の交通情報生成部２２は、交通情報として、最新のリンク渋滞長（リンク単位の渋滞長）（予測値）を生成するものであり、集計部４１と、学習部４２と、予測エンジン構築部４３と、予測部４４と、情報加工部４５と、を有している。

なお、この第２の交通情報生成部２２では、交通情報（リンク渋滞長）を生成する単位が各リンクとなり、このリンクは、例えばＶＩＣＳ（登録商標）（道路交通情報通信システム：Vehicle Information and Communication System）により予め規定されている。

集計部４１は、プローブ情報を集計して、学習情報となる過去のリンク渋滞長（実績値）を取得する。具体的には、対象となるリンクを通過した各車両のプローブ情報を抽出して、その各車両のプローブ情報に含まれる各リンクにおける車両の走行速度に基づいて、リンク渋滞長を取得する。

学習部４２は、渋滞情報用の学習情報として、過去の車両感知器情報、過去の事象規制情報、過去の気象情報、および過去のリンク渋滞長（実績値）を取得する。そして、その渋滞情報用の学習情報を用いて、機械学習モデルに対する学習処理を実施して、学習結果情報、具体的には、渋滞情報用のモデルパラメータ（ニューラルネットワークパラメータなど）を取得する。このとき、過去の車両感知器情報、過去の事象規制情報、および過去の気象情報を入力情報とし、過去のリンク渋滞長を出力情報とする。

予測エンジン構築部４３は、学習部４２で取得した渋滞情報用の学習結果情報、具体的にはモデルパラメータを機械学習モデルに適用して、学習結果が反映された機械学習モデルからなる渋滞情報用の予測エンジンを構築する。

予測部４４は、最新の車両感知器情報、最新の事象規制情報、および最新の気象情報を入力情報として、予測エンジン構築部４３で構築された渋滞情報用の予測エンジンを実行して、その予測エンジンから出力される最新のリンク渋滞長（予測値）を取得する。

情報加工部４５は、予測部４４で取得したリンク渋滞長に基づいて、交通情報表示装置４に適合した渋滞情報を生成する。

ここで、交通情報表示装置４である情報板装置において道路図形上に渋滞区間を表示する場合には、情報加工部４５において、リンク渋滞長に基づいて渋滞区間を取得して、その情報を交通情報表示装置４に提供する。また、交通情報表示装置４であるカーナビゲーション装置での経路案内における最適経路の選択では、リンク渋滞長を交通情報表示装置４にそのまま提供する。また、交通情報表示装置４である情報板装置に対象区間の渋滞長を文字表示する場合には、情報加工部４５において、対象区間に含まれる各リンクに関するリンク渋滞長を統合して、対象区間の渋滞長を取得して、その情報を交通情報表示装置４に提供する。また、交通情報表示装置４に渋滞度（順調、混雑、渋滞の３ランク）を表示する場合には、情報加工部４５において、リンク渋滞長に基づいて渋滞度を取得して、その情報を交通情報表示装置４に提供する。

なお、本実施形態では、第１の交通情報生成部２１が、区間設定部３１、集計部３２、学習部３３、予測エンジン構築部３４、および予測部３５を有し、第２の交通情報生成部２２が、集計部４１、学習部４２、予測エンジン構築部４３、予測部４４、および情報加工部４５を有するものとしたが、運用時には、予測部３５，４４および情報加工部４５のみを稼働させる。また、予測部３５，４４および情報加工部４５を除く各部を別の情報処理装置（予測エンジン構築装置）で構成し、交通管理装置１に予測部３５，４４および情報加工部４５のみを設けて、別の情報処理装置で構築した予測エンジンを交通管理装置１に導入するようにしてもよい。

次に、交通管理装置１の第１の交通情報生成部２１における区間設定部３１、集計部３２および学習部３３で行われる処理の手順について説明する。図７は、第１の交通情報生成部２１における区間設定部３１、集計部３２および学習部３３で行われる処理の手順を示すフロー図である。

図７（Ａ）に示すように、区間設定部３１では、まず、区間旅行時間の対象区間（起点および終点）を管理者が指定する操作に応じて、対象区間に関する区間設定情報を取得する（ＳＴ１０１）。次に、その対象区間に関する区間設定情報を記憶部１３に格納する（ＳＴ１０２）。

図７（Ｂ）に示すように、集計部３２では、まず、対象区間に関係するプローブ情報を記憶部１３から収集する（ＳＴ２０１）。次に、対象区間に関係するプローブ情報を集計して、過去の区間旅行時間（実績値）を取得する（ＳＴ２０２）。次に、過去の区間旅行時間（実績値）を記憶部１３に格納する（ＳＴ２０３）。

図７（Ｃ）に示すように、学習部３３では、まず、学習処理の準備として、対象区間に関係する学習情報を記憶部１３から収集する（ＳＴ３０１）。この学習情報は、入力情報とこれに対応した出力情報とを組合せたものであり、入力情報は、過去の車両感知器情報、過去の事象規制情報、および過去の気象情報であり、出力情報は、過去の区間旅行時間である。次に、学習情報を用いて、所定の学習アルゴリズムにしたがって機械学習モデルに対する学習処理を実行する（ＳＴ３０２）。次に、学習処理で取得した学習結果情報、すなわち、モデルパラメータ（ニューラルネットワークパラメータ）を記憶部１３に格納する（ＳＴ３０３）。

次に、交通管理装置１の第１の交通情報生成部２１における予測エンジン構築部３４および予測部３５で行われる処理の手順について説明する。図８は、第１の交通情報生成部２１における予測エンジン構築部３４および予測部３５で行われる処理の手順を示すフロー図である。

図８（Ａ）に示すように、予測エンジン構築部３４では、まず、記憶部１３に記憶された学習結果情報（モデルパラメータ）を取得する（ＳＴ４０１）。次に、学習結果情報を未学習の機械学習モデルに設定して、学習結果が反映された機械学習モデルからなる予測エンジンを構築する（ＳＴ４０２）。

図８（Ｂ）に示すように、予測部３５では、まず、最新の車両感知器情報、最新の事象規制情報、および最新の気象情報を記憶部１３から取得する（ＳＴ５０１）。次に、最新の車両感知器情報、最新の事象規制情報、および最新の気象情報を、予測エンジンに入力する（ＳＴ５０２）。次に、予測エンジンから出力される最新の区間旅行時間を、記憶部１３に記憶する（ＳＴ５０３）。この記憶部１３に記憶された最新の区間旅行時間は通信部１１から交通情報表示装置４に送信される。

次に、交通管理装置１の第２の交通情報生成部２２における集計部４１および学習部４２で行われる処理の手順について説明する。図９は、第２の交通情報生成部２２における集計部４１および学習部４２で行われる処理の手順を示すフロー図である。

図９（Ａ）に示すように、集計部４１では、まず、対象リンクに関係するプローブ情報を記憶部１３から収集する（ＳＴ６０１）。次に、対象リンクに関係するプローブ情報を集計して、過去のリンク渋滞長（実績値）を取得する（ＳＴ６０２）。次に、過去のリンク渋滞長（実績値）を記憶部１３に格納する（ＳＴ６０３）。

図９（Ｂ）に示すように、学習部４２では、まず、学習処理の準備として、対象リンクに関係する学習情報を記憶部１３から収集する（ＳＴ７０１）。この学習情報は、入力情報とこれに対応した出力情報とを組合せたものであり、入力情報は、過去の車両感知器情報、過去の事象規制情報、および過去の気象情報であり、出力情報は、過去のリンク渋滞長である。次に、学習情報を用いて、所定の学習アルゴリズムにしたがって機械学習モデルに対する学習処理を実行する（ＳＴ７０２）。次に、学習処理で取得した学習結果情報、すなわち、モデルパラメータ（ニューラルネットワークパラメータ）を記憶部１３に格納する（ＳＴ７０３）。

次に、交通管理装置１の第２の交通情報生成部２２における予測エンジン構築部４３および予測部４４で行われる処理の手順について説明する。図１０は、第２の交通情報生成部２２における予測エンジン構築部４３および予測部４４で行われる処理の手順を示すフロー図である。

図１０（Ａ）に示すように、予測エンジン構築部４３では、まず、記憶部１３に記憶された学習結果情報（モデルパラメータ）を取得する（ＳＴ８０１）。次に、学習結果情報を未学習の機械学習モデルに設定して、学習結果が反映された機械学習モデルからなる予測エンジンを構築する（ＳＴ８０２）。

図１０（Ｂ）に示すように、予測部４４では、まず、最新の車両感知器情報、最新の事象規制情報、および最新の気象情報を記憶部１３から取得する（ＳＴ９０１）。次に、最新の車両感知器情報、最新の事象規制情報、および最新の気象情報を、予測エンジンに入力する（ＳＴ９０２）。次に、予測エンジンから出力される最新の区間旅行時間を、記憶部１３に記憶する（ＳＴ９０３）。この記憶部１３に記憶された最新のリンク渋滞長は通信部１１から交通情報表示装置４に送信される。

以上のように、本出願において開示する技術の例示として、実施形態を説明した。しかしながら、本開示における技術は、これに限定されず、変更、置き換え、付加、省略などを行った実施形態にも適用できる。また、上記の実施形態で説明した各構成要素を組み合わせて、新たな実施形態とすることも可能である。

本発明に係る交通情報生成システム、交通情報生成装置、交通情報生成方法、交通情報生成プログラム、車両感知器および交通情報表示装置は、交通情報の対象区間の変更が必要になった場合に、対象区間の変更を比較的容易に行うことができる効果を有し、対象区間における最新の交通情報を生成して運転者に提示する交通情報生成システム、交通情報生成装置、交通情報生成方法、および交通情報生成プログラム、ならびに交通情報生成システムにおける車両感知器および交通情報表示装置などとして有用である。

１ 交通管理装置（交通情報生成装置、制御装置、コンピュータ）
２ 車両感知器
３ 路側装置
４ 交通情報表示装置
１１ 通信部
１２ 制御部
１３ 記憶部
２１ 第１の交通情報生成部
２２ 第２の交通情報生成部
３１ 区間設定部
３２ 集計部
３３ 学習部
３４ 予測エンジン構築部
３５ 予測部
４１ 集計部
４２ 学習部
４３ 予測エンジン構築部
４４ 予測部
４５ 情報加工部

Claims (8)

1. 対象区間における最新の交通情報を生成して運転者に提示する交通情報生成システムであって、
   前記対象区間に設置された複数の車両感知器と、
   前記最新の交通情報を生成する制御装置と、
   この制御装置で生成した前記最新の交通情報を運転者に提示する交通情報表示装置と、を備え、
   前記制御装置は、
   前記車両感知器から収集した過去の車両感知器情報、および路側装置から収集したプローブ情報を記憶する記憶部と、
   前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを有する制御部を備え、
   この制御部は、
   前記対象区間を設定する区間設定部と、
   前記プローブ情報に基づいて、前記区間設定部で設定した前記対象区間における過去の交通情報を取得する集計部と、
   前記対象区間における前記過去の車両感知器情報と前記過去の交通情報とを学習情報として、前記予測エンジンを構成する機械学習モデルの学習を実行する学習部と、
   前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成する予測部と、
   を有することを特徴とする交通情報生成システム。
2. 前記交通情報として、対象区間の区間旅行時間を生成することを特徴とする請求項１に記載の交通情報生成システム。
3. 前記交通情報として、対象区間の渋滞情報を生成することを特徴とする請求項１に記載の交通情報生成システム。
4. 対象区間における最新の交通情報を生成する交通情報生成装置であって、
   前記対象区間に設置された複数の車両感知器から収集した過去の車両感知器情報、および路側装置から収集したプローブ情報を記憶する記憶部と、
   前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを有する制御部を備え、
   この制御部は、
   前記対象区間を設定する区間設定部と、
   前記プローブ情報に基づいて、前記区間設定部で設定した前記対象区間における過去の交通情報を取得する集計部と、
   前記対象区間における前記過去の車両感知器情報と前記過去の交通情報とを学習情報として、前記予測エンジンを構成する機械学習モデルの学習を実行する学習部と、
   前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成する予測部と、
   を有することを特徴とする交通情報生成装置。
5. コンピュータにおいて、対象区間における最新の交通情報を生成する交通情報生成方法であって、
   前記対象区間を設定し、
   路側装置から収集したプローブ情報に基づいて、前記対象区間における過去の交通情報を取得し、
   前記対象区間に設置された複数の車両感知器から収集した過去の車両感知器情報を取得し、
   前記過去の車両感知器情報および前記過去の交通情報を学習情報として、前記車両感知器から収集した最新の車両感知器情報から前記最新の交通情報を予測する予測エンジンを構成する機械学習モデルの学習を実行し、
   前記最新の車両感知器情報を入力情報として前記予測エンジンを実行して、出力情報として前記最新の交通情報を生成することを特徴とする交通情報生成方法。
6. 請求項５に記載の交通情報生成方法をコンピュータに実行させるための交通情報生成プログラム。
7. 請求項１から請求項３のいずれかに記載の交通情報生成システムにおける車両感知器。
8. 請求項１から請求項３のいずれかに記載の交通情報生成システムにおける交通情報表示装置。

Images