JP2022087906A - 交通状況予測装置、および、交通状況予測方法 - Google Patents

Abstract

【課題】道路における車両の速度と渋滞度を高精度に予測する。
【解決手段】実施形態の交通状況予測装置は、車両が走行する道路について、過去の所定時点より前の過去交通状況データを入力データとし、前記所定時点より後の車両の速度データと渋滞度データを出力データとする教師データに基づいて機械学習を行うことによって学習モデルを生成する学習処理部と、前記道路について、道路情報収集端末によって収集された現在交通状況データを取得する取得部と、前記現在交通状況データを入力データとし、前記学習モデルに基づいて、出力データとして、将来の車両の速度データ、および、渋滞度データの少なくとも一方を取得する予測処理部と、を備える。
【選択図】図３

Description

本発明の実施形態は、交通状況予測装置、および、交通状況予測方法に関する。

従来から、道路を走行する車両の運転者は、走行予定の経路の交通状況を知りたいと考えている。そこで、例えば、交通管制センタ等において、過去交通状況データを教師データとして機械学習を行って学習モデルを生成し、その学習モデルを用いて将来の交通状況を予測する技術がある。この技術によれば、将来の車両の速度や渋滞度などの交通状況を予測することができる。

特表２００９－５２９１８６号公報 特開２０１９－９６２８０号公報 国際公開第２０１７／０３３２１５号 国際公開第２０１７／０３３４４３号 特許第３２４０５０５号公報 特許第４１１５３７３号公報

しかしながら、上述の従来技術では、将来の車両の速度と渋滞度を予測する場合、速度と渋滞度のそれぞれについて、別々の学習モデルを独立に生成して予測を行っていたので、両者の予測結果に不整合が起きることがあった。つまり、速度と渋滞度の予測精度の点で改善の余地があった。

そこで、本実施形態の課題は、道路における車両の速度と渋滞度を高精度に予測可能な交通状況予測装置、および、交通状況予測方法を提供することである。

実施形態の交通状況予測装置は、車両が走行する道路について、過去の所定時点より前の過去交通状況データを入力データとし、前記所定時点より後の車両の速度データと渋滞度データを出力データとする教師データに基づいて機械学習を行うことによって学習モデルを生成する学習処理部と、前記道路について、道路情報収集端末によって収集された現在交通状況データを取得する取得部と、前記現在交通状況データを入力データとし、前記学習モデルに基づいて、出力データとして、将来の車両の速度データ、および、渋滞度データの少なくとも一方を取得する予測処理部と、を備える。

図１は、第１実施形態における道路を模式的に示す図である。 図２は、第１実施形態の交通状況予測システムの全体構成図である。 図３は、第１実施形態の交通状況予測装置の機能構成図である。 図４は、第１実施形態における将来の複数時点の渋滞度等の例を示す模式図である。 図５は、第１実施形態における合流のある道路を模式的に示す図である。 図６は、第１実施形態の交通状況予測装置による学習処理の概要を模式的に示す図である。 図７は、第１実施形態における速度の予測値と実績値、および、渋滞度の予測値と実績値の例を示すグラフである。 図８は、第１実施形態における３０分後の渋滞度の予測値と実績値の例を示すグラフである。 図９は、第１実施形態における５区分の渋滞度の判定処理を示すフローチャートである。 図１０は、第１実施形態における渋滞度の区分数を変更する処理を示すフローチャートである。 図１１は、第２実施形態における交通状況予測装置による処理を示すフローチャート等である。 図１２は、第３実施形態における交通状況予測装置による処理を示すフローチャート等である。 図１３は、第４実施形態における交通状況予測装置による処理を示すフローチャート等である。 図１４は、第５実施形態における交通状況予測装置による処理を示すフローチャート等である。

以下、図面を参照しながら、本発明の第１実施形態～第５実施形態の交通状況予測システムについて説明する。

（第１実施形態）
図１は、第１実施形態における道路を模式的に示す図である。車両Ｃが走行する道路Ｒは、例えば、高速道路である。道路Ｒは、管理単位として、区間１，２，３，・・・に分割されている。各区間ごとに、車両感知器２（詳細は後述）が設置されている。なお、以下では、道路Ｒの符号を省略して「道路」と表記する場合がある。

次に、図２を参照して、第１実施形態の交通状況予測システムＳの全体構成について説明する。
図２は、第１実施形態の交通状況予測システムＳの全体構成図である。交通状況予測システムＳは、交通状況予測装置１と、車両感知器２（道路情報収集端末）と、道路交通管制システム３と、気象データ管理装置４と、イベントデータ管理装置５と、を備える。

車両感知器２（図１参照）は、高速道路の区間ごとに路側に設置され、交通量［台／ｈ］、平均速度［ｋｍ／ｈ］、車両密度［台／ｋｍ］、占有率（オキュパンシー）［％］などの情報（交通状況データ）を収集する感知器である。車両感知器２は、収集した交通状況データを道路交通管制システム３に送信する。

なお、交通状況データを収集する装置は、ほかに、道路を走行する車両の乗員により携帯される携帯端末（スマートフォン等）や、車両の車載装置などであってもよい。

道路交通管制システム３は、管制対象の道路の実際の交通状況の監視や管理を総合的に行うコンピュータシステムであり、車両感知器２から受信した交通状況データを交通状況予測装置１に送信する。

気象データ管理装置４は、各種センサ等によって収集した気象データ（例えば、気温データ、湿度データ、晴れ／曇り／雨／雪等のデータ）を管理するコンピュータシステムであり、気象データを交通状況予測装置１に送信する。

イベントデータ管理装置５は、道路の交通状況に影響するイベント（例えば、展覧会、コンサート等）データを管理するコンピュータシステムであり、イベントデータを交通状況予測装置１に送信する。

次に、図３を参照して、第１実施形態の交通状況予測装置１の機能構成について説明する。
図３は、第１実施形態の交通状況予測装置１の機能構成図である。交通状況予測装置１は、コンピュータ装置であり、処理部１１と、記憶部１２と、入力部１３と、表示部１４と、通信部１５と、を備える。

なお、本実施形態では、交通状況予測装置１について、説明を簡潔にするために、１台のコンピュータ装置によって構成されているものとして説明するが、これに限定されない。交通状況予測装置１は、例えば、複数のコンピュータ装置によって実現されてもよいし、あるいは、クラウドサーバによって実現されてもよい。

記憶部１２は、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの記憶装置であり、各種情報を記憶する。記憶部１２は、例えば、道路データ１２１と、交通状況データ１２２と、気象データ１２３と、イベントデータ１２４と、教師データ１２５と、学習モデル１２６と、予測結果１２７と、を記憶する。

道路データ１２１は、道路に関する情報であり、例えば、区間の識別情報や長さ（区間長）や最大収容車両数等、車線数、インターチェンジ、パーキングエリアの場所等の情報である。

交通状況データ１２２は、道路交通管制システム３から取得した、車両感知器２によって収集された交通量［台／ｈ］、平均速度［ｋｍ／ｈ］、車両密度［台／ｋｍ］、占有率（オキュパンシー）［％］などの情報である。なお、以下では、学習モデル１２６の生成に使用する過去の交通状況データを過去交通状況データと称し、交通状況の予測に使用する現在（直近を含む。）の交通状況データを現在交通状況データと称する。

気象データ１２３は、気象データ管理装置４から取得した気象データである。

イベントデータ１２４は、イベントデータ管理装置５から取得したイベントデータである。

教師データ１２５は、学習モデル１２６を生成するための入力データと出力データの正解データ（実績値）である。例えば、入力データが、過去の所定時点より前の過去交通状況データで、出力データが、前記所定時点より後の車両の速度データと渋滞度データである。

渋滞度データは、渋滞度を所定の区分数に分けて表したデータである。例えば、区分数が２の場合、「渋滞」と「非渋滞」である。また、例えば、区分数が３の場合、「渋滞」、「混雑」、「自由流」である。また、区分数は、これらに限定されず、５、１０などであってもよい。また、例えば、過去交通状況データに関して区分数「２」で渋滞度データを表す場合、例えば、平均速度２０ｋｍ／ｈ未満の場合に「渋滞」とし、平均速度２０ｋｍ／ｈ以上の場合に「非渋滞」とすればよい。

学習モデル１２６は、学習処理部１１２によって生成されるモデルである（詳細は後述）。

予測結果１２７は、予測処理部１１３による交通状況の予測の結果である（詳細は後述）。

処理部１１は、例えば、ＣＰＵ（Central Processing Unit）と、ＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を備える。ＣＰＵは、交通状況予測装置１の動作を統括的に制御する。ＲＯＭは、各種プログラムやデータを記憶する記憶媒体である。ＲＡＭは、各種プログラムを一時的に記憶したり、各種データを書き換えたりするための記憶媒体である。そして、ＣＰＵは、ＲＡＭをワークエリア（作業領域）としてＲＯＭ、記憶部１２等に格納されたプログラムを実行する。

処理部１１は、機能構成として、取得部１１１と、学習処理部１１２と、予測処理部１１３と、算出部１１４と、表示制御部１１５と、送信制御部１１６と、を備える。

取得部１１１は、外部装置から各種情報を取得する。例えば、取得部１１１は、道路交通管制システム３から、車両感知器２によって収集された現在交通状況データを取得する。また、取得部１１１は、気象データ管理装置４から、現在の気象データを取得する。また、取得部１１１は、イベントデータ管理装置５から、イベントデータを取得する。

学習処理部１１２は、道路について、過去の所定時点より前の過去交通状況データを入力データとし、所定時点より後の車両の速度データと渋滞度データを出力データとする教師データに基づいて機械学習を行うことによって学習モデル１２６を生成する。学習処理部１１２は、例えば、区間ごとに学習モデル１２６を生成する。学習処理部１１２は、学習モデル１２６を生成する際に、さらに過去気象データや過去イベントデータを用いてもよい。

予測処理部１１３は、現在交通状況データを入力データとし、学習モデル１２６に基づいて、出力データとして、将来の車両の速度データ、および、渋滞度データの少なくとも一方を取得する。以下では、主に、速度データ、および、渋滞度データの両方を取得する場合について説明する。例えば、予測処理部１１３は、区間ごとに学習モデル１２６に基づいて速度データ、および、渋滞度データを生成する。

算出部１１４は、区間ごとに、区間長を速度データの値で除算することで当該区間の走行時間（以下、「所要時間」とも称する。）を算出する。また、算出部１１４は、各区間の渋滞度データを用いて渋滞の長さを算出する（詳細は後述）。なお、予測対象時刻は、現在でもよいし、ほかに、例えば、３０分先、６０分先、１２０分先などであってもよい。

表示制御部１１５は、各種情報を表示部１４に表示させる。

送信制御部１１６は、各種情報を外部装置に送信する。例えば、送信制御部１１６は、予測処理部１１３による予測結果１２７を道路交通管制システム３や道路を走行中の車両や道路の路側に設置されている情報板等に送信して表示させる。

入力部１３は、交通状況予測装置１に対するユーザの操作を受け付ける入力装置であり、例えば、キーボード、マウス等である。

表示部１４は、液晶表示装置（ＬＣＤ（Liquid Crystal Display））、有機ＥＬ（Electro-Luminescence）表示装置等により実現される。

通信部１５は、外部装置との通信を行うための通信インタフェースである。

各装置の構成の説明を以上で終了し、以下、交通状況予測装置１による処理等について説明する。まず、図４を参照して、交通状況予測装置１によって予測される渋滞度、所要時間、速度の情報の活用例について説明する。

図４は、第１実施形態における将来の複数時点の渋滞度等の例を示す模式図である。渋滞度を表示させる場合は、例えば、道路Ｒに対して渋滞区間表示Ｍを重複表示させればよい。また、所要時間を表示させる場合は、例えば、道路Ｒに対して経路Ｔを重複表示するとともに、その経路Ｔの所要時間を数字で表示させればよい。また、速度を表示させる場合は、例えば、横軸が時間、縦軸が速度のグラフで表示させればよい。

そして、例えば、３０分先、６０分先、１２０分先の渋滞度、所要時間、速度の情報を、走行中の車両や道路の路側に設置されている情報板等に送信して表示させることで、運転者はこれらの情報を見て運転計画等に有効に活用することができる。

次に、図５、図６を参照して、学習モデル１２６に関する学習や予測のより好適な方法について説明する。
図５は、第１実施形態における合流のある道路を模式的に示す図である。
図６は、第１実施形態の交通状況予測装置１による学習処理の概要を模式的に示す図である。

学習と予測は区間ごとに行うことができるが、その際、その区間だけでなくその上流区間や下流区間のデータも併せて使うことが好ましい。特に、例えば、合流区間についてはそのようにして学習と予測を行うことが精度向上の点で好ましい。

図５に示すように、区間１１～１４のうち、区間１２には区間１５からの車両が合流する。この場合、区間１２は、渋滞が発生しやすい、いわゆるボトルネック区間となる。つまり、区間１２では、車両数が最大収容車両数に近づきやすく、ある程度近づくと渋滞が発生し、区間１２に収まらない車両が隣接する上流区間である区間１３にはみ出ることで、渋滞が上流に伝搬する。なお、ボトルネック区間となるのは、合流区間のほかに、一般道との出入口を含む区間や織込み区間などがある。

ここで、図６に示す学習ネットワークは、学習モデル１２６を生成するためのもので、例えば、時系列データを扱うニューラルネットワークの一種であるＬＳＴＭ（Long Short-Term Memory）のネットワークである。

ＬＳＴＭのネットワークを用いて、例えば、基準時刻をｔ_０とし、５分単位で５分後（ｔ_１）から２時間後（ｔ_２４）までの速度と渋滞度を予測することを考える。その場合、着目区間、上流区間、下流区間について、基準時刻より前の２時間分（ｔ_－２３～ｔ_－１）の交通状況データ（交通量、速度、占有率）を用意する。

また、学習過程で最適化する損失関数Ｌの例は、以下の式（１）である。
Ｌ＝α×Ｌ_ｖｅｃ（ｖ，ｖ’）＋（１‐α）×Ｌ_ＣＧ（ＣＧ，ＣＧ’） ・・・式（１）
ここで、αは重み付けのための係数である。Ｌ_ｖｅｃ（ｖ，ｖ’）は、速度の損失関数である。Ｌ_ＣＧ（ＣＧ，ＣＧ’）は、渋滞度の損失関数である。

そして、２つの損失関数の重みの係数の和が１になるように設定されている。したがって、αを変化させることで、学習の過程で渋滞度と速度の重みづけを柔軟に変化させることができる。

また、渋滞度が例えば３区分であるとすると、渋滞度は速度よりも粗いことになる。したがって、従来技術で、速度と渋滞度のそれぞれについて、別々の学習モデルを独立に生成して予測を行うと、両者の予測結果に不整合が起きることがあった。しかし、本実施形態では、上述の式（１）のように両者を単一の学習モデル１２６で扱うことで、そのような不整合を回避することができる。

また、予測処理部１１３は、着目区間だけでなく上流区間と下流区間のデータも用いて、例えば、以下のようにして、渋滞度を予測する。
（１）着目区間であるボトルネック区間、１つ上流の区間、１つ下流の区間のデータを用いて着目区間の渋滞度を算出する。
（２）着目区間が渋滞であった場合、その１つ上流の区間を着目区間とし、（１）と同様に渋滞度を算出する。

この（２）を繰り返した後、算出部１１４は、すべての渋滞区間の区間長を加算することで、渋滞の長さを算出できる。

次に、図７を参照して、速度の予測値と実績値、および、渋滞度の予測値と実績値の例について説明する。
図７は、第１実施形態における速度の予測値と実績値、および、渋滞度の予測値と実績値の例を示すグラフである。

図７（ａ）において、ある区間について、線Ｌ１１は速度の予測値を示し、線Ｌ１２は速度の正解（実績値）を示す。線Ｌ１１と線Ｌ１２はほぼ重複しており、予測精度が高いことがわかる。

また、図７（ｂ）は、図７（ａ）を縦方向に拡大した図である。線Ｌ２１は速度の予測値を示し、線Ｌ２２は速度の正解（実績値）を示す。速度の正解の線Ｌ２２は、丸印を付けた４か所で局所的に大きな値となっている。

図７（ｃ）は、図７（ａ）（ｂ）に対応し、線Ｌ３１は渋滞度の予測値を示し、線Ｌ３２は渋滞度の正解（実績値）を示す。渋滞度は、Ｃ１～Ｃ５の５区分（Ｃ５が渋滞度最大）である。線Ｌ３１と線Ｌ３２は、図７（ｂ）の丸印を付けた４か所で局所的に一致していないが、概ね一致していることがわかる。つまり、予測精度が高いことがわかる。

次に、図８を参照して、渋滞度の予測値と実績値の経時的変化について説明する。図６では、直前の２時間の交通状況データを用いて、直後の２時間先の速度と渋滞度を予測する手法について説明した。そして、現在時刻が５分経過すると、２時間の範囲がそれぞれ５分分ずれていくこととなる（（１）→（３））。

図８は、第１実施形態における３０分後の渋滞度の予測値と実績値の例を示すグラフである。線Ｇ１は渋滞度の予測値を示し、線Ｇ２は渋滞度の正解（実績値）を示す。線Ｇ１と線Ｇ２は概ね重複しており、予測精度が高いことがわかる。

なお、従来技術では、例えば、５分後についての予測精度は高い場合もがあったが、３０分後についての予測精度は低かった。

次に、図９を参照して、交通状況予測装置１による渋滞度の判定処理の例について説明する。図９は、第１実施形態における５区分の渋滞度の判定処理を示すフローチャートである。渋滞度は、道路の交通状況を粗く判定した結果であり、区間ごとに、車両の速度をもとに決められる。また、以下の判定は、学習時は学習処理部１１２が実行し、予測時は予測処理部１１３が実行する。

速度の閾値であるα_１～α_４は、α_１＞α_２＞α_３＞α_４となるような値が予め設定される。
そして、ステップＳ１において、速度Ｖ≧α_１を満たせば（Ｙｅｓ）、渋滞度Ｃ１（渋滞度最小）と判定する。
ステップＳ１でＮｏの場合、ステップＳ２において、速度Ｖ≧α_２を満たせば（Ｙｅｓ）、渋滞度Ｃ２と判定する。

ステップＳ２でＮｏの場合、ステップＳ３において、速度Ｖ≧α_３を満たせば（Ｙｅｓ）、渋滞度Ｃ３と判定する。
ステップＳ３でＮｏの場合、ステップＳ４において、速度Ｖ≧α_４を満たせば（Ｙｅｓ）、渋滞度Ｃ４と判定する。

ステップＳ４でＮｏの場合、渋滞度Ｃ５（渋滞度最大）と判定する。
このようにして、速度に基づいて渋滞度を決定できる。

次に、図１０を参照して、交通状況予測装置１による渋滞度の区分数を変更する処理について説明する。
図１０は、第１実施形態における渋滞度の区分数を変更する処理を示すフローチャートである。

ステップＳ１０１において、予測処理部１１３は、現在交通状況データを入力し、学習モデル１２６に基づいて、速度を予測する。

次に、ステップＳ１０２において、予測処理部１１３は、現在交通状況データを入力し、学習モデル１２６に基づいて、渋滞度を予測する（図９参照）。

次に、ステップＳ１０３において、予測処理部１１３は、渋滞度予測の区分数を変更するか否かを判定し、Ｙｅｓの場合はステップＳ１０４に進み、Ｎｏの場合はステップＳ１０５に進む。

ステップＳ１０４において、予測処理部１１３は、速度閾値（図９のα_ｎ）を変更して再度、渋滞度予測を行う。例えば、ステップＳ１０１で５区分の渋滞度予測を行っていて、ステップＳ１０４で３区分の渋滞度予測を行う場合、３区分の渋滞度予測用の速度閾値を用いて渋滞度予測を行う。

ステップＳ１０５において、予測処理部１１３は、渋滞度予測結果を出力する。例えば、渋滞度予測結果を予測結果１２７に保存する。

このようにして、渋滞度の区分数を変える場合、新たな区分数の渋滞度予測用の速度閾値を用いることで、容易に、渋滞度予測の区分数を変更できる。つまり、単一の学習モデル１２６から、複数定義の渋滞度を出力することが可能となる。これにより、例えば、情報提供したい相手によって渋滞度の定義を変えたい場合などに有用である。

このように、第１実施形態によれば、単一の学習モデル１２６に基づいて、車両の速度と渋滞度を高精度に予測可能な交通状況予測装置１を実現できる。具体的には、上述の式（１）のような、速度の損失関数と渋滞度の損失関数の重みづけを可変とした単一の損失関数を用いて、車両の速度と渋滞度を高精度に予測可能な学習モデル１２６を生成できる。

また、単一の学習モデル１２６を用いることで、速度と渋滞度の予測結果に不整合が起きる事態を回避できる。

また、予測した速度や渋滞度に基づいて、区間ごとの所要時間や、渋滞の長さなどを高精度に算出することができる。

また、学習や予測に気象データ１２３やイベントデータ１２４を用いれば、さらに高精度な予測を実現できる。

（第２実施形態）
次に、第２実施形態について説明する。第１実施形態と同様の事項については、説明を適宜省略する。第２実施形態では、道路について出発地（起点）から目的地（終点）までの経路の所要時間（走行時間）の算出等について説明する。

算出部１１４（図３）は、道路の区間ごとに区間長を速度データの値で除算することで当該区間の所要時間を算出し、出発地から目的地までのすべての区間についての所要時間を加算することで、出発地から目的地までの所要時間を算出する。

図１１は、第２実施形態における交通状況予測装置１による処理を示すフローチャート等である。
ステップＳ１１において、処理部１１は、出発地、目的地、出発日時の情報の入力を受け付ける。

次に、ステップＳ１２において、予測処理部１１３は、道路データ１２１等を用いて、出発地から目的地までの１つ以上の経路候補（例えば、図１１（ｂ）の経路１、２）を抽出する。

次に、ステップＳ１３において、予測処理部１１３は、経路候補における区間である関連区間を抽出する。

次に、ステップＳ１４において、予測処理部１１３は、区間ごとに、現在交通状況データを入力し、学習モデル１２６に基づいて、車両の速度データを取得（予測）する。

次に、ステップＳ１５において、算出部１１４は、区間ごとに区間長を速度データの値で除算することで当該区間の所要時間を算出し、出発地から目的地までのすべての区間についての所要時間を加算することで、出発地から目的地までの所要時間を算出する。

次に、ステップＳ１６において、処理部１１は、経路候補毎の所要時間を出力する。例えば、送信制御部１１６は、経路候補毎の所要時間を、道路交通管制システム３や道路を走行中の車両や道路の路側に設置されている情報板等に送信して表示させる。

このようにして、第２実施形態の交通状況予測装置１によれば、経路候補毎の所要時間を算出し、道路を走行する車両の運転者等にその経路や所要時間の情報を開示することができる。これにより、運転者は、走行予定の経路の所要時間を知ることができ、運転計画等に活用できる。

（第３実施形態）
次に、第３実施形態について説明する。第２実施形態と同様の事項については、説明を適宜省略する。第３実施形態は、第２実施形態と比較して、複数の時間帯の所要時間を算出する点で、異なっている。

予測処理部１１３は、道路の区間ごとに、現在交通状況データを入力データとし、学習モデル１２６に基づいて、出力データとして、将来の複数の時点の車両の速度データを取得する。
また、算出部１１４は、将来の複数の時点の車両の速度データを用いて、複数の走行開始日時について、それぞれの所要時間を算出する。

図１２は、第３実施形態における交通状況予測装置１による処理を示すフローチャート等である。ステップＳ１１～Ｓ１３は、図１１（ａ）の場合と同様である。

ステップＳ１３の後、ステップＳ１４において、予測処理部１１３は、複数の時間帯について、区間ごとに、現在交通状況データを入力し、学習モデル１２６に基づいて、車両の速度データを取得（予測）する。

次に、ステップＳ１５において、算出部１１４は、区間ごとに区間長を速度データの値で除算することで当該区間の所要時間を算出し、出発地から目的地までのすべての区間についての所要時間を加算することで、出発地から目的地までの所要時間を算出する。

次に、ステップＳ４１において、処理部１１は、時間帯毎（例えば、３０分先、１時間先、２時間先）の所要時間を出力する。例えば、送信制御部１１６は、時間帯毎の所要時間を、道路交通管制システム３や道路を走行中の車両や道路の路側に設置されている情報板等に送信して表示させる。

このようにして、第３実施形態の交通状況予測装置１によれば、時間帯毎の所要時間を算出し、道路を走行する車両の運転者等にその経路や時間帯毎の所要時間の情報を開示することができる。これにより、運転者は、走行予定の経路を、いつの時間帯に通過するのがよいかを的確に判断でき、便利である。

また、各運転者が渋滞の時間帯を避けて車両走行することにより、渋滞の解消を促進する効果もある。

（第４実施形態）
次に、第４実施形態について説明する。第２実施形態と同様の事項については、説明を適宜省略する。第４実施形態は、第２実施形態と比較して、車種別の走行コストを算出する点で、異なっている。

算出部１１４は、所定の車種の車両について、道路の区間ごとに速度データと車種の燃費コスト情報に基づいて当該区間の走行コストを算出し、出発地から目的地までのすべての区間についての走行コストを加算することで、出発地から目的地までの走行コストを算出する。なお、車種毎の燃費コスト情報は、例えば、車両メーカが保有している燃費コスト関数情報であり、他のコンピュータ装置から受け取ってもよいし、あるいは、予め記憶部１２に保存しておいてもよい。

図１３は、第４実施形態における交通状況予測装置１による処理を示すフローチャート等である。ステップＳ１１～Ｓ１５は、図１１（ａ）の場合と同様である。

ステップＳ１５の後、ステップＳ２１において、算出部１１４は、所定の車種の車両について、道路の区間ごとに速度データと車種の燃費コスト情報に基づいて当該区間の走行コストを算出し、出発地から目的地までのすべての区間についての走行コストを加算することで、出発地から目的地までの走行コストを算出する。この走行コスト算出を、すべての経路候補（例えば経路１、２）について行う。また、送信制御部１１６は、各経路候補の走行コストを、例えば、道路を走行中の車両に送信して表示させる。

このようにして、第４実施形態の交通状況予測装置１によれば、各経路候補の走行コストを算出し、道路を走行する車両の運転者に開示することができる。例えば、車種によって燃費が一番いい速度は異なるので、経路１、２のうち、経路１のほうが走行コストの安い車種もあれば、経路２のほうが走行コストの安い車種もありえる。したがって、運転者は、例えば、自車両の車種に応じた走行コストによって経路選択を行うことができ、便利である。また、運転者は、例えば、所要時間の短さと走行コストの安さのどちらを優先するのかを自由に選択することができる。

なお、車両の残存燃料量も加味し、目的地まで走行するのに燃料が足りない場合は、ＳＡの利用を促す表示を車両に行わせるようにしてもよい。

（第５実施形態）
次に、第５実施形態について説明する。第２実施形態と同様の事項については、説明を適宜省略する。第５実施形態は、第２実施形態と比較して、迂回路を経路に含む点で、異なっている。

算出部１１４は、出発地から目的地までの間に速度データの値が所定閾値以下の渋滞区間があった場合、渋滞区間の代わりに一般道を所定速度で走行したものとして走行時間を算出する。

図１４は、第５実施形態における交通状況予測装置１による処理を示すフローチャート等である。ステップＳ１１、Ｓ１２は、図１１（ａ）の場合と同様である。ステップＳ１２の後、ステップＳ１３において、予測処理部１１３は、関連区間として、経路候補における区間に加えて、一般道を抽出する。

次に、ステップＳ１４において、予測処理部１１３は、区間ごとに、現在交通状況データを入力し、学習モデル１２６に基づいて、車両の速度データを取得（予測）する。

次に、ステップＳ１５において、算出部１１４は、区間ごとに区間長を速度データの値で除算することで当該区間の所要時間を算出し、出発地から目的地までのすべての区間についての所要時間を加算することで、出発地から目的地までの所要時間を算出する。その際、算出部１１４は、出発地から目的地までの間に速度データの値が所定閾値以下の渋滞区間（図１４（ｂ）の色付けした区間）があった場合、渋滞区間の代わりに一般道を所定速度で走行したものとして走行時間を算出する。以下、この一般道を含む経路を回避経路と称する。

次に、ステップＳ１６において、処理部１１は、回避経路の所要時間を出力する。例えば、送信制御部１１６は、回避経路の所要時間を、道路交通管制システム３や道路を走行中の車両や道路の路側に設置されている情報板等に送信して表示させる。

このようにして、第５実施形態の交通状況予測装置１によれば、回避経路の所要時間を算出し、道路を走行する車両の運転者等にその回避経路や所要時間の情報を開示することができる。これにより、運転者は、一般道の利用も選択肢に入れた上で走行経路を決定でき、便利である。

また、車両を一般道に誘導することで、高速道路の渋滞の解消を促進する効果もある。

本実施形態の交通状況予測装置１のＣＰＵで実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録して提供するように構成してもよい。

さらに、当該プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、本実施形態で実行される当該プログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

以上、本発明の実施形態を説明したが、上記実施形態はあくまで例であって、発明の範囲を限定することは意図していない。上記実施形態は、様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。上記実施形態は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

例えば、対象となる道路は、高速道路に限定されず、一般道等の他の道路であってもよい。

また、上述の第１実施形態～第５実施形態は、それらのうちの２つ以上を組み合わせて実施してもよい。

１…交通状況予測装置、２…車両感知器、３…道路交通管制システム、４…気象データ管理装置、５…イベントデータ管理装置、１１…処理部、１２…記憶部、１３…入力部、１４…表示部、１５…通信部、１１１…取得部、１１２…学習処理部、１１３…予測処理部、１１４…算出部、１１５…表示制御部、１１６…送信制御部、１２１…道路データ、１２２…交通状況データ、１２３…気象データ、１２４…イベントデータ、１２５…教師データ、１２６…学習モデル、１２７…予測結果、Ｓ…交通状況予測システム

Claims (7)

1. 車両が走行する道路について、過去の所定時点より前の過去交通状況データを入力データとし、前記所定時点より後の車両の速度データと渋滞度データを出力データとする教師データに基づいて機械学習を行うことによって学習モデルを生成する学習処理部と、
   前記道路について、道路情報収集端末によって収集された現在交通状況データを取得する取得部と、
   前記現在交通状況データを入力データとし、前記学習モデルに基づいて、出力データとして、将来の車両の速度データ、および、渋滞度データの少なくとも一方を取得する予測処理部と、を備える交通状況予測装置。
2. 車両が走行する道路を分割した区間ごとに、過去の所定時点より前の過去交通状況データを入力データとし、前記所定時点より後の車両の速度データと渋滞度データを出力データとする教師データに基づいて機械学習を行うことによって学習モデルを生成する学習処理部と、
   前記道路の前記区間ごとに、道路情報収集端末によって収集された現在交通状況データを取得する取得部と、
   前記道路の前記区間ごとに、前記現在交通状況データを入力データとし、前記学習モデルに基づいて、出力データとして、将来の車両の速度データを取得する予測処理部と、
   前記道路の前記区間ごとに区間長を前記速度データの値で除算することで当該区間の走行時間を算出し、所定の起点から所定の終点までのすべての前記区間についての前記走行時間を加算することで、前記起点から前記終点までの走行時間を算出する算出部と、を備える交通状況予測装置。
3. 前記予測処理部は、前記道路の前記区間ごとに、前記現在交通状況データを入力データとし、前記学習モデルに基づいて、出力データとして、将来の複数の時点の車両の速度データを取得し、
   前記算出部は、前記将来の複数の時点の車両の速度データを用いて、複数の走行開始日時について、それぞれの前記起点から前記終点までの前記走行時間を算出する、請求項２に記載の交通状況予測装置。
4. 前記算出部は、さらに、所定の車種の車両について、前記道路の前記区間ごとに前記速度データと前記車種の燃費コスト情報に基づいて当該区間の走行コストを算出し、前記起点から前記終点までのすべての前記区間についての前記走行コストを加算することで、前記起点から前記終点までの走行コストを算出する、請求項２に記載の交通状況予測装置。
5. 前記道路は高速道路であって、
   前記算出部は、前記起点から前記終点までの間に前記速度データの値が所定閾値以下の渋滞区間があった場合、前記渋滞区間の代わりに一般道を所定速度で走行したものとして前記起点から前記終点までの前記走行時間を算出する、請求項２に記載の交通状況予測装置。
6. 車両が走行する道路について、過去の所定時点より前の過去交通状況データを入力データとし、前記所定時点より後の車両の速度データと渋滞度データを出力データとする教師データに基づいて機械学習を行うことによって学習モデルを生成する学習処理ステップと、
   前記道路について、道路情報収集端末によって収集された現在交通状況データを取得する取得ステップと、
   前記現在交通状況データを入力データとし、前記学習モデルに基づいて、出力データとして、将来の車両の速度データ、および、渋滞度データの少なくとも一方を取得する予測処理ステップと、を備える交通状況予測方法。
7. 車両が走行する道路を分割した区間ごとに、過去の所定時点より前の過去交通状況データを入力データとし、前記所定時点より後の車両の速度データと渋滞度データを出力データとする教師データに基づいて機械学習を行うことによって学習モデルを生成する学習処理ステップと、
   前記道路の前記区間ごとに、道路情報収集端末によって収集された現在交通状況データを取得する取得ステップと、
   前記道路の前記区間ごとに、前記現在交通状況データを入力データとし、前記学習モデルに基づいて、出力データとして、将来の車両の速度データを取得する予測処理ステップと、
   前記道路の前記区間ごとに区間長を前記速度データの値で除算することで当該区間の走行時間を算出し、所定の起点から所定の終点までのすべての前記区間についての前記走行時間を加算することで、前記起点から前記終点までの走行時間を算出する算出ステップと、を備える交通状況予測方法。

Images