JP2021139643A - 路面状態予測方法及び路面状態予測モデルの製造方法 - Google Patents

Abstract

【課題】将来の時刻における路面状態状態を効率良く予測するとともに予測精度を向上可能な路面状態予測方法及び路面状態予測モデルの製造方法を提供する。【解決手段】車両に搭載された車載センサにより、走行時の前記車両の挙動の情報である車両情報を取得し、車両情報に基づいて得られる推定路面状態を用いて車両の地点を含む所定範囲内の路面状態を予測する路面状態予測方法であって、所定範囲内の気象情報及び残留塩分濃度に基づいて、推定路面状態が得られた時刻よりも将来の時刻の路面状態を予測するようにした。【選択図】図１

Description

本発明は、将来の時刻における路面状態を予測する路面状態予測方法及び路面状態予測モデルの製造方法に関する。

従来、将来の路面状態を予測する方法の一つとして、あらかじめ取得された推定路面状態の遷移確率を、天候情報に基づいて逐次補正をかけながら計算することにより、将来の時刻における路面状態を予測する方法が提案されている（特許文献１）。

特開２０１６−８０４５１号公報

確かに、路面状態の遷移確率や天候情報に基づいて逐次補正をかけることで、将来における路面状態の予測精度を向上させることができる。
しかしながら、逐次補正をかけるように、時系列的な解析に耐えうるほどの頻度で路面状態データを蓄積することは現実的には難しく、効率的ではない。加えて、実際の路面、特に積雪や凍結などの路面は、交通量や融雪剤散布等の管理作業等も影響するため、路面状態の予測精度が向上しにくいという問題もある。
そこで、本発明では、将来の時刻における路面状態を効率良く予測するとともに予測精度を向上可能な路面状態予測方法及び路面状態予測モデルの製造方法を提供することを目的とする。

上述の課題を解決するための路面状態予測方法の態様として、車両に搭載された車載センサにより、走行時の車両の挙動の情報である車両情報を取得し、車両情報に基づいて得られる推定路面状態を用いて車両の地点を含む所定範囲内の路面状態を予測する路面状態予測方法であって、所定範囲内の気象情報及び残留塩分濃度に基づいて、推定路面状態が得られた時刻よりも将来の時刻の路面状態を予測するようにした。
本態様によれば、将来の時刻における路面状態を効率良く予測できるとともに予測精度を向上させることができる。
また、気象情報及び残留塩分濃度に加え、所定範囲内の交通量に基づいて、推定路面状態が得られた時刻よりも将来の時刻の路面状態を予測するようにしたり、残留塩分濃度が、交通量に応じて経時的な減少速度を変化するものとしたりしても良い。
また、上記課題を解決するための路面状態予測モデルの製造方法の態様として、所定範囲内の場所を走行する車両により、車両に搭載された車載センサによって取得された走行時の車両の挙動の情報である車両情報に基づいて得られる推定路面状態を目的変数とし、推定路面状態が得られた所定範囲内の気象情報及び残留塩分濃度を説明変数としてコンピュータにより機械学習することにより、推定路面状態が推定された時刻よりも将来の時刻の路面状態を予測する予測モデルを作成するようにした。
本態様によれば、将来の時刻における路面状態を効率良く予測できるとともに予測精度を向上させることができる。

なお、上記発明の概要は、本発明の必要な特徴の全てを列挙したものではなく、特徴群を構成する個々の構成もまた発明となり得る。

路面状態予測システムの構成図である。 加速度センサの取り付けを示す図である。 路面状態推定処理部の構成及び処理概念を示す図である。 車両情報処理手段により車両情報を分類する処理を示す概念図である。 サーバーに記録される情報の一例を示す図である。 将来のある時間における路面状態を予測したときの予測結果を示す図である。 一定の期間にわたる将来の路面状態について所定の時間間隔で予測したときの予測結果の表示例を示す図である。

以下、発明の実施形態を通じて本発明を詳説するが、以下の実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態の中で説明される特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、本実施形態に係る路面状態予測システム１の構成図である。
図１に示すように、本実施形態に係る路面状態予測システム１は、路面状態を検出可能な車載センサが搭載された複数の車両Ｗｉ（ｉ＝１〜Ｎ）と、車載センサにより検出された情報等が入力されるサーバー２０と、サーバー２０に入力された情報に基づいて路面状態を予測する路面状態予測装置３０とを備える。サーバー２０及び路面状態予測装置３０は、例えば、路面状態管理センター２に設けられる。

各車両Ｗｉ（ｉ＝１〜Ｎ）は、車載センサとしての加速度センサ１１と、ＧＰＳ装置１２と、路面状態推定装置１３とを備える。なお、Ｎは、例えば、後述の路面状態予測装置３０により路面状態が予測される所定範囲を走行した車両の「のべ台数」である。
加速度センサ１１は、車両においてリム４４に組み付けられたタイヤ４０の気室４２内に設けられ、ＧＰＳ装置１２、路面状態推定装置１３は、車両における車体に設けられる。

図２に示すように、加速度センサ１１は、タイヤ４０のインナーライナー部４１のほぼ中央部に取り付けられ、走行中の路面Ｒからタイヤ４０のトレッド４３に入力する振動（タイヤ振動）を検出する。加速度センサ１１は、検出した振動を路面状態推定装置１３に出力するための図外の通信手段を備える。通信手段には、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の小出力無線通信装置が利用される。

ＧＰＳ装置１２は、図示しないＧＰＳアンテナと受信機とを備え、当該車両Ｗｉが走行中の位置情報を取得するとともに、取得した位置情報に基づいて当該車両の走行速度を算出する。

路面状態推定装置１３は、演算手段としてのＣＰＵ、記憶手段としてのＲＯＭ，ＲＡＭ、通信手段としての入出力インターフェイスを備えるコンピュータである。路面状態推定装置１３は、入出力インターフェイスとして、インターネット回線と無線により接続可能なインターネット無線通信装置と、加速度センサ１１との通信を可能にする小出力無線通信装置とを備える。路面状態推定装置１３は、ＣＰＵが記憶手段に格納されたプログラムに従って処理を実行することにより、路面状態推定装置１３を後述の各部、各手段として機能させる。

路面状態推定装置１３は、路面状態推定処理部１３０と、車両情報収集部１４とを備え、加速度センサ１１から入力されたタイヤ振動の時系列波形に基づいて、走行中の路面が、ＤＲＹ路面，ＷＥＴ路面，ＳＮＯＷ路面，ＩＣＥ路面のいずれかであるかを推定する。

図３は、路面状態推定処理部１３０の構成及び処理概念を示す図である。
図３（ａ）に示すように、路面状態推定処理部１３０は、加速度センサ１１からタイヤ振動の時系列波形を抽出する振動波形抽出手段１３１と、窓掛け手段１３２と、特徴ベクトル算出手段１３３と、記憶手段に記憶された４つの路面モデル１３４と、カーネル関数算出手段１３５と、路面状態判別手段１３６とを備え、振動波形抽出手段１３１により抽出されたタイヤ振動の時系列波形に、図３（ｂ）に示すように窓掛け手段１３２により所定の時間幅Ｔの窓関数をかけて時間窓を複数抽出し、特徴ベクトル算出手段１３３により抽出した時間窓毎の時系列波形から、それぞれ、複数の特定周波数帯域の振動レベル(ａｋ１〜ａｋｍ）を成分とした特徴ベクトルＸｋ（ａＫ１，ａｋ２，・・・，ａｋｍ）を算出し、カーネル関数算出手段１３５により算出した特徴ベクトルＸｋと予め求めておいた路面状態毎の特徴ベクトルとからカーネル関数を算出し、路面状態判別手段１３６により算出されたカーネル関数を用いた識別関数の値から路面状態がＤＲＹ路面，ＷＥＴ路面，ＳＮＯＷ路面，ＩＣＥ路面のいずれかであるかを推定する。なお、上述の路面状態毎の特徴ベクトルとは、試験車両をＤＲＹ路面，ＷＥＴ路面，ＳＮＯＷ路面，ＩＣＥ路面上でそれぞれ走行させたときの複数の特定周波数帯域の振動レベルを成分とした特徴ベクトルである。

なお、上記路面状態推定処理部１３０による路面状態の推定処理は、上記構成及び方法に限定されず、加速度センサ１１から得られたタイヤ振動の時系列波形に基づいて路面状態を推定可能なものであれば良い。

また、路面状態推定処理部１３０は、タイヤ４０内に設けても良い。この場合、路面状態推定処理部１３０により推定された路面状態を車両情報収集部１４に出力すれば良い。また、路面状態推定処理部１３０における一部の機能を分離し、加速度センサ１１で検出した加速度波形の情報をタイヤ４０内で処理するようにしても良い。例えば、加速度波形から検出される特定周波数帯域の振動レベルなどの路面状態の推定に用いる帯域値、もしくは、帯域値の演算値をタイヤ内で算出し、これを車体側に残した他部の機能により処理するように構成しても良い。

車両情報収集部１４は、路面状態推定処理部１３０で推定された路面状態（以下、推定路面状態という）と、ＧＰＳ装置１２で取得した車両の位置情報とを収集して、当該車両を識別するための車両ＩＤを付与し、当該車両の車両情報として、インターネット無線通信装置に出力する。車両情報には、車両ＩＤと車両情報の取得時刻の情報（時刻情報）も含まれる。時刻情報は、例えば、加速度の時系列波形の抽出時刻、位置情報の取得時刻、或は、車両情報をインターネット無線通信装置に出力するときの送信時刻などを用いればよい。これらの時刻は、ほぼ同時刻なので、どの時刻を時刻情報としても問題はない。車両情報収集部１４からインターネット無線通信装置に出力された車両情報は、インターネット回線を介してサーバー２０に入力される。

サーバー２０は、所謂コンピュータであって、ハードウェア資源として設けられた演算手段としてのＣＰＵ、記憶手段２０ＡとしてのＲＯＭ，ＲＡＭ、通信手段としての入出力インターフェイス等を備える。サーバー２０は、例えば、入出力インターフェイスを介してインターネット回線と接続可能に構成され、インターネット回線を通じて、前述の路面状態推定装置１３及び路面状態予測装置３０と通信可能に構成される。記憶手段２０Ａには、ＣＰＵが処理を実行することによりサーバー２０を後述の手段として機能させるプログラムが記憶される。

図４は、車両情報処理手段２１により車両情報を分類する処理を示す概念図である。
図５は、サーバー２０に記録される情報の一例を示す図である。
サーバー２０は、車両Ｗｉから入力される車両情報処理手段２１と、気象情報を取得する気象情報取得手段２２と、交通量情報を取得する交通量情報取得手段２３と、道路の管理情報を取得する道路管理情報取得手段２４とを備える。
車両情報処理手段２１は、各車両Ｗｉ（ｉ＝１〜Ｎ）から入力された車両情報を、車両情報に含まれる位置情報に基づいて分類する。

以下の説明では、一本の道路Ｒを用いて車両情報処理手段２１による処理を説明する。車両情報処理手段２１は、入力された車両情報から位置情報を取得し、取得した位置情報が、図４に示すように、一つの道路Ｒを複数の区間Ｌｉ（ｉは区間数を示す）にあらかじめ区画しておいた、いずれかの区間Ｌｉに含まれるかを判別し、区間Ｌｉ毎に車両情報を分類する。分類された車両情報は、例えば、区間Ｌｉ毎にファイルとして記憶手段２０Ａに記憶される。また、各区間Ｌｉ毎に記憶された車両情報は、時系列データとして蓄積されるように時刻順に並べて記憶され、車両情報データとして記憶手段２０Ａに記憶される。このような処理を路面状態の予測対象となる道路Ｒに対して行えば良い。

気象情報取得手段２２は、上記各区間Ｌｉに対応する気象情報、即ち、推定路面状態が得られた地点を含む所定範囲内の気象情報を取得し、取得した気象情報を各区間Ｌｉに紐づけして気象データとして記憶手段２０Ａに記憶する。気象データとは、気温（大気温度）、降雨、降雪、積雪状態（積雪深さ）、日照、風速等の項目を含む時系列データをいい、例えば、図５に示すような、気温データ、降雨データ、降雪データ、積雪深さデータ、日照データ、風速データ等として記憶手段２０Ａに記憶される。気象情報取得手段２２による気象情報の取得は、例えば、路面状態が推定された各地点から最寄りの気象観測ポイントにおいて観測されたものをインターネット上における気象情報の提供サイトから自動的に取得するようにしても良く、また、路面状態管理センター２における作業者に対し、例えば、路面状態が推定された各地点から最寄りの気象観測ポイントにおいて気象計、積雪深計などによって観測された前述の項目の数値の入力を促すようにしても良い。

交通量情報取得手段２３は、上記各区間Ｌｉに対応する交通量情報を取得し、取得した交通量情報を交通量データとして各区間Ｌｉに紐づけして記憶手段２０Ａに記憶する。交通量データは、道路に設置された交通量カウンタにより検出された車両の台数の時系列データをいう。交通量情報取得手段２３による交通量情報の取得は、例えば、交通量カウンタにより検出された車両の台数を自動的に取得するようにしても良く、また、路面状態管理センター２における作業者に対し、交通量カウンタにより検出された車両の台数の入力を促すようにしても良い。

また、交通量情報は、例えば、中央線により上り、下りのように予測対象範囲を通行する車両の進行方向が区画されている場合には、上り、下り毎に取得される。また、交通量情報は、上り、下りのように区画されていない場合には、双方向の台数の時系列データとして取得される。なお、以下の説明では、道路交通量情報を、単に交通量情報という）。

道路管理情報取得手段２４は、上記各区間Ｌｉに対応する道路管理情報を取得し、取得した道路管理情報を各区間Ｌｉに紐づけして道路管理データとして記憶手段２０Ａに記憶する。ここでいう道路管理情報とは、雪氷路面管理作業をいい、融雪剤の散布作業に関する情報が記憶される。具体的には、融雪剤の散布時間、散布場所、散布区間及び散布量、散布した融雪剤の種別が記録される。融雪剤の種別とは、例えば、湿式剤（液状）、固剤（粒子状）等で分類される。

路面状態予測装置３０は、所謂コンピュータであって、ハードウェア資源として設けられた演算手段としてのＣＰＵ、記憶手段としてのＲＯＭ，ＲＡＭ、通信手段としての入出力インターフェイス等を備える。路面状態予測装置３０は、例えば、入出力インターフェイスを介してインターネット回線と接続可能に構成され、インターネット回線を通じてサーバー２０との情報の授受がなされる。路面状態予測装置３０には、キーボードやマウス等の入力手段や、予測結果を表示するための表示手段等が接続される。
路面状態予測装置３０は、ＣＰＵが、記憶手段に格納されたプログラムを処理し、実行することにより、路面状態予測装置３０を後述の各手段、各部として機能させ、対象となる道路の路面状態を予測する。

路面状態予測装置３０は、例えば、情報読込手段３１と、情報形式統一手段３２と、予測モデル作成手段３３と、路面状態取得手段３４と、路面状態判定手段３５とを備え、推定路面状態情報、気象情報、道路交通量情報、道路管理情報に基づいて、路面状態の予測対象道路の将来の時間における路面状態を予測する。

情報読込手段３１は、サーバー２０から車両情報データ、気象データ、交通量データ、道路管理データの読み込みを実行する。
情報形式統一手段３２は、情報読込手段３１により読み込んだ各データを同一のファイル形式に統一するための処理を実行する。なお、情報形式統一手段３２は、サーバー２０において車両情報、気象情報、交通量情報、道路管理情報を記録した各ファイル形式が統一されている場合には不要である。

予測モデル作成手段３３は、車両情報データ、気象データ、交通量データ、道路管理データに基づいて、将来の路面状態を予測するための路面状態予測モデルを作成する。即ち、予測モデル作成手段３３では、現時点（予測実施時）よりも過去において実際に道路を走行した車両により推定された路面状態と、路面状態が推定されたときの気象条件、交通量、道路の管理状態に基づいて、将来の路面状態を予測するための路面状態予測モデルを作成する。

本実施形態では、予測モデル作成手段３３では、車両情報データを構成する各車両情報に含まれる推定路面状態を機械学習における目的変数とし、当該推定路面状態が推定されたときの気象情報、交通量情報、道路管理情報を機械学習における説明変数として機械学習により路面状態予測モデルを作成するものとして説明する。
本実施形態では、連続雨量、降雪量、積雪深さ、風速、交通量、融雪剤の影響に加え、路面温度、過去路面状態の影響を説明変数として、将来の路面状態がＤＲＹ路面，ＷＥＴ路面，ＩＣＥ−ＳＮＯＷ路面となる確率を算出するための路面状態予測モデルを作成する。なお、融雪剤の影響とは、道路管理情報に含まれる融雪剤の散布作業を考慮したものであり、後述のように数値として表される。また、過去路面状態の影響とは、直近で観測された路面状態が将来の路面状態に及ぼす影響の度合いを考慮したものであり、融雪剤の影響と同様に数値によって表される。

予測モデル作成手段３３は、路面温度予測モデル作成部３３Ａと、データセット作成部３３Ｂと、路面状態予測モデル作成部３３Ｃとを備える。
路面温度予測モデル作成部３３Ａは、路面状態予測モデルの作成において、路面温度を説明変数として設定するための路面温度予測モデルを作成する。路面温度予測モデル作成部３３Ａでは、予測対象範囲において計測された路面温度の実測値を目的変数とし、路面温度が計測されたときの気温、積雪深さ、交通量を説明変数とする機械学習により、路面温度を得るための機械学習モデル（以下、路面温度予測モデルという）を作成する。
即ち、予測対象範囲内の複数の地点において計測された実測値と、各地点において路面温度が計測された時刻における気温、積雪深さ、交通量とを１つのデータセットとする所謂教師付き機械学習ベースの分類アルゴリズム、例えば、ランダムフォレストを用いて、路面温度を予測するための分類器を学習させる。
路面温度の実測値は、例えば、あらかじめ道路に設けられたセンサーによって計測したもの、或いは、前述のような融雪剤の散布等の道路管理作業に伴って計測されたものを用いることができる。
このように路面温度を路面温度予測モデルによって算出することにより、推定路面状態がサーバー２０に入力された位置及び時刻に対応する路面温度が得られない場合であっても、推定路面状態がサーバー２０に入力されたときの位置及び時刻に対応する路面温度を精度良く設定することができる。
この説明変数として用いられる気温、積雪深さ、交通量は、サーバー２０に取得された気象情報、交通量情報から取得される。

データセット作成部３３Ｂは、車両情報データに含まれる各推定路面状態が得られた時刻の気象情報、交通量情報、道路管理情報を気象データ、交通量データ、道路管理データから抽出し、各推定路面状態に対して紐づけした複数のデータセットを作成する。

本実施形態では、データセット作成部３３Ｂは、路面温度、過去路面状態の影響、連続雨量、降雪量、積雪深さ、風速、交通量、融雪剤の影響等を各推定路面状態に紐づけするものとし、それらを以下のように設定する。なお、以下の推定時刻とは、車両において路面状態が推定された時刻をいう。
路面温度は、推定時刻の気温、積雪深さ、交通量を上記路面温度予測モデル作成部３３Ａにより作成された路面温度予測モデルに入力し、得られた予測値のうち尤度が最も高い数値が設定される。
過去路面状態の影響は、各推定路面状態を、乾燥（ＤＲＹ）：０、湿潤（ＷＥＴ）：２、凍結（ＳＮＯＷ−ＩＣＥ）：６のように数値化し、推定時刻から路面状態を予測する時刻までの時間をｔとして以下の式１〜式３により算出される各ダミー変数１〜３によって数値化して設定される。式１〜式３は、将来の路面状態を予測するときに、直近で観測された路面状態が将来の路面状態に及ぼす影響の度合いを数値化するためのものであり、ダミー変数１〜３が過去路面状態の影響として設定される。

ここで、Ｔｅｆｆｅｃｔは、路面状態の変化の速さを表す定数である。上記式１乃至式３は、ｔが大きくなると（観測時点がかなり前になると）すべて同じ値に近づくが、ｔが小さいと直前の路面状態に相当する数値に近い式が大きくなるという特性がある。そこで、本実施形態では、後述の他の説明変数の設定を考慮し、Ｔｅｆｆｅｃｔには、０．５ｈ（０．５時間）を設定した。
なお、本実施形態では、推定路面状態を乾燥（ＤＲＹ）：０、湿潤（ＷＥＴ）：２、凍結（ＳＮＯＷ−ＩＣＥ）：６に数値化するものとして説明したがこれに限定されず、各車両において推定される路面状態の区分に応じて、例えば、乾燥：０、半湿潤：１、湿潤：２、・・・・、凍結：６等のように数値化しても良い。
連続雨量には、降雨データにおける推定時刻から過去１時間内の最大値を設定する。
降雪量には、降雪データにおける推定時刻から過去１時間の合計値を設定する。
積雪深さは、降雪データにおける推定時刻から過去１時間の平均値を設定する。
風速には、風速データにおける推定時刻から過去１時間の平均値を設定する。
交通量には、交通量データにおける推定時刻から過去１時間の合計値を設定する。
融雪剤の影響とは、融雪剤の散布から道路上に残る塩分濃度を示す指標であって、散布からの経過時間や融雪剤の種別に応じて残留塩分濃度として算出される。
残留塩分濃度は、散布時の塩分濃度を１００とし、
融雪剤が湿式剤（液状）の場合は、Ｅｘｐ（−経過時間/６ｈ）-----（式４）
融雪剤が固剤（粒子状）の場合は、Ｅｘｐ（−経過時間/１８ｈ）---（式５）
で減少するものとして算出される。経過時間とは、融雪剤が散布された時刻から路面状態の推定を実施した時刻までの時間である。

路面状態予測モデル作成部３３Ｃでは、データセット作成部３３Ｂにおいて作成された複数のデータセットを用いて機械学習ベースの分類アルゴリズム、例えば、ランダムフォレストを用いて、路面状態を予測するための分類器を学習させ、路面状態予測モデルを作成する。なお、分類アルゴリズムは、ランダムフォレストに限定されず、例えば、ロジスティック回帰や、サポートベクターマシン等他のアルゴリズムであっても良い。好ましくは、ランダムフォレストや決定木等のツリー系のアルゴリズムを用いることにより、路面状態を予測するためのメカニズムが考察しやすいという利点がある。

路面状態取得手段３４は、路面状態予測モデル作成部３３Ｃにより作成された予測モデルに基づいて、将来の所望の時間（所定時間後という）における路面状態を予測する。
将来の路面状態を予測するための条件には、上記路面状態予測モデルの作成に使用した説明変数を用いる。即ち、所定時間後における路面温度、過去路面状態の影響、降雨データに基づいて算出される連続雨量、降雪量、積雪深さ、風速、交通量、残留塩分濃度を想定した数値を将来の路面状態を予測するための条件として設定する。

路面温度は、路面温度予測モデル作成部３３Ａにおいて作成された路面温度予測モデルに、予測実施時点の気温、積雪深さ、交通量を適用し、得られた予測値のうち尤度の最も高い数値が設定される。
過去路面状態の影響は、予測実施直前の路面状態に基づいて、上記式１〜３により算出されるダミー変数１〜３が設定される。
積雪深さ及び風速には、予測実施時点過去１時間の平均とする。
降雪量には、予測実施時点過去１時間の合計値とする。
連続雨量には、予測実施時点過去１時間の最大値とする。
交通量には、現時点までの交通量の予測実施時点過去１時間の平均とする。
残留塩分濃度は、道路管理情報に含まれる融雪剤の散布の直近の実績から予測実施時点までの時間及び種別に応じ、上記式４や式５を用いて推定された残留塩分濃度を設定する。

路面状態取得手段３４では、上記設定された所定時間後の路面温度、連続雨量、降雪量、積雪深さ、風速、交通量、残留塩分濃度を路面状態予測モデルに入力することにより、所定時間後の路面状態を示す予測値を算出する。本実施形態の予測モデルは、ランダムフォレストのアルゴリズムにより構成されているため、ＤＲＹ路面，ＷＥＴ路面，ＩＣＥ−ＳＮＯＷ路面のいずれかを示す予測値が複数算出される。

路面状態判定手段３５は、路面状態取得手段３４で得られた複数の予測値の各路面状態の出現確率を算出するとともに、最も出現回数の多い路面状態を将来の予測された予測値を路面状態として出力する。

例えば、センター２の作業者が、路面状態予測装置３０に接続された表示手段に表示された地図から入力手段を介して路面状態の予測対象となる道路（区間Ｌｉ）を選択する。
次に、情報読込手段３１により選択された区間Ｌｉに対応する車両情報データ、気象データ、交通量データ、道路管理データをサーバー２０から読み込む。
次に、情報形式統一手段３２により、読み込んだ車両情報データ、気象データ、交通量データ、道路管理データを所定のファイル形式に変換する。
次に、路面温度予測モデル作成部３３Ａにより、データセット作成部３３Ｂにおいて路面温度を設定するための路面温度予測モデルを作成する。
次に、データセット作成部３３Ｂにより、車両情報データを構成する各車両情報から推定路面状態を取得するとともに、過去１時間内の連続雨量の最大値、過去１時間の降雪量の合計値、過去１時間の積雪深さの平均値、過去１時間の風速の平均値、過去１時間の交通量の合計値、融雪剤の散布された時刻までの経過時間及び散布した融雪剤の種類に基づいて上記式４、或いは式５により算出された残留塩分濃度、推定路面状態が得られた時刻における気温、積雪深さ、交通量を路面温度予測モデルに入力することにより出力された尤度の最も高い路面温度、予測実施直前の路面状態に基づいて上記式１〜３により算出された３つのダミー変数１〜３が設定される。これらの数値の設定は、推定路面状態毎に紐付けされ、データセットとして作成する。
次に、路面状態予測モデル作成部３３Ｃにより、データセット作成部３３Ｂにおいて得られたデータセットを用いて機械学習させることにより、将来の時刻における路面状態をＤＲＹ路面，ＷＥＴ路面，ＩＣＥ−ＳＮＯＷ路面として予測するための予測モデルを作成する。
次に、予測したい将来の時刻を入力し、路面状態取得手段３４の処理により予測条件を設定する。
次に、路面状態取得手段３４に設定された予測条件を予測モデルに入力する。この結果、ＤＲＹ路面，ＷＥＴ路面，ＩＣＥ−ＳＮＯＷ路面のいずれかを示す予測値が複数算出される。
次に、路面状態判定手段３５により、得られた複数の予測値の各路面状態の出現確率を算出するとともに、最も出現回数の多い路面状態を将来の予測された予測値を路面状態として出力する。
そして、路面状態判定手段３５の処理により得られたＤＲＹ路面，ＷＥＴ路面，ＩＣＥ−ＳＮＯＷ路面の出現確立、及び最も出現回数の多い路面状態を将来の予測された予測値であるＤＲＹ路面，ＷＥＴ路面，ＩＣＥ−ＳＮＯＷ路面のいずれかを、表示手段に表示することにより、作業者に将来の路面状態を報知すれば良い。

図６は、将来のある時間における路面状態を予測したときの予測結果を示す図である。図７は、一定の期間にわたる将来の路面状態について所定の時間間隔で予測したときの予測結果の表示例を示す図である。上述の路面状態予測装置３０によれば、図６に示す路面温度、ダミー変数１〜３、連続雨量、風速、降雪量、積雪深さ、交通量、残留塩分濃度等の数値を、予測モデル作成手段３３において作成された路面状態推定モデルに入力することにより、特定のある時間における路面状態を、ＤＲＹとなる可能性、ＷＥＴとなる可能性、ＩＣＥ−ＳＮＯＷとなる可能性について確率的に予測することができる。
そして、図７に示すように、将来の一定期間にわたる路面状態を所定時間間隔で予測し、表示することにより、将来の路面状態の変化を把握しやすくすることができる。
これにより、例えば、路面状態の管理において必要とされる融雪剤の在庫量の管理や、除雪作業計画が立て易くなる。

以上説明したように、車両に搭載された車載センサにより、走行時の前記車両の挙動の情報である車両情報を取得し、車両情報に基づいて得られる推定路面状態を用いて車両の地点を含む所定範囲内の路面状態を予測する路面状態予測方法であって、所定範囲内の気象情報及び残留塩分濃度に基づいて、推定路面状態が得られた時刻よりも将来の時刻の路面状態を予測するにより、予測精度を向上させることができる。
また、気象情報及び残留塩分濃度に加え、所定範囲内の交通量に基づいて、推定路面状態が得られた時刻よりも将来の時刻の路面状態を予測することにより、将来の時刻における路面状態の予測精度をより高めることができる。
さらに、残留塩分濃度を交通量に応じて経時的な減少速度が変化するように設定することにより、将来の時刻における路面状態の予測精度をより高めることができる。
また、上述したように、路面状態予測モデルの製造において、所定範囲内の場所を走行する車両により、車両に搭載された車載センサによって取得された走行時の車両の挙動の情報である車両情報に基づいて得られる推定路面状態を目的変数とし、推定路面状態が得られた所定範囲内の気象情報及び残留塩分濃度を説明変数としてコンピュータにより機械学習することにより、予測モデルを作成することにより、将来の時刻における路面状態の予測効率を向上させることができ、路面状態の予測精度も高めることができる。

なお、路面状態予測モデルの作成において使用する説明変数は、上記項目に限定されず、さらに降雨量を加えるなど、過去の自然条件、交通量や路面状態に基づいて、利用できる情報を適宜選択的に利用しても良い。

１ 路面状態予測システム、２ 路面状態管理センター、
１１ 加速度センサ、１３ 路面状態推定装置、１４ 車両情報収集部、
２０ サーバー、２０Ａ 記憶手段、２１ 車両情報処理手段、
２２ 気象情報取得手段、２３ 交通量情報取得手段、２４ 道路管理情報取得手段、
３０ 路面状態予測装置、３１ 情報読込手段、３２ 情報形式統一手段、
３３ 予測モデル作成手段、３３Ａ 路面温度予測モデル作成部、
３３Ｂ データセット作成部、３３Ｃ 路面状態予測モデル作成部、
３４ 路面状態取得手段、３５ 路面状態判定手段、
４０ タイヤ、４１ インナーライナー部、４２ タイヤ気室、４３ トレッド、
１３０ 路面状態推定処理部、１３１ 振動波形抽出手段、１３２ 窓掛け手段、
１３３ 特徴ベクトル算出手段、１３４ 路面モデル、１３５ カーネル関数算出手段、
１３６ 路面状態判別手段。

Claims (4)

1. 車両に搭載された車載センサにより、走行時の前記車両の挙動の情報である車両情報を取得し、前記車両情報に基づいて得られる推定路面状態を用いて前記車両の地点を含む所定範囲内の路面状態を予測する路面状態予測方法であって、
   前記所定範囲内の気象情報及び残留塩分濃度に基づいて、前記推定路面状態が得られた時刻よりも将来の時刻の路面状態を予測することを特徴とする路面状態予測方法。
2. 前記気象情報及び残留塩分濃度に加え、
   前記所定範囲内の交通量に基づいて、
   前記推定路面状態が得られた時刻よりも将来の時刻の路面状態を予測することを特徴とする請求項１に記載の路面状態予測方法。
3. 前記残留塩分濃度は、前記交通量に応じて経時的な減少速度を変化するものとしたことを特徴とする請求項１又は請求項２に記載の路面状態予測方法。
4. 所定範囲内の場所を走行する車両により、車両に搭載された車載センサによって取得された走行時の車両の挙動の情報である車両情報に基づいて得られる推定路面状態を目的変数とし、
   前記推定路面状態が得られた前記所定範囲内の気象情報及び残留塩分濃度を説明変数としてコンピュータにより機械学習することにより、前記推定路面状態が推定された時刻よりも将来の時刻の路面状態を予測する予測モデルを作成する路面状態予測モデルの製造方法。
   

Images