JP2022087906A - 交通状況予測装置、および、交通状況予測方法 - Google Patents
交通状況予測装置、および、交通状況予測方法 Download PDFInfo
- Publication number
- JP2022087906A JP2022087906A JP2020200040A JP2020200040A JP2022087906A JP 2022087906 A JP2022087906 A JP 2022087906A JP 2020200040 A JP2020200040 A JP 2020200040A JP 2020200040 A JP2020200040 A JP 2020200040A JP 2022087906 A JP2022087906 A JP 2022087906A
- Authority
- JP
- Japan
- Prior art keywords
- data
- road
- traffic condition
- vehicle
- section
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 21
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000000446 fuel Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000013523 data management Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
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
【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。
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。
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。
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。
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。
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。
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t0とし、5分単位で5分後(t1)から2時間後(t24)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×Lvec(v,v’)+(1‐α)×LCG(CG,CG’) ・・・式(1)
ここで、αは重み付けのための係数である。Lvec(v,v’)は、速度の損失関数である。LCG(CG,CG’)は、渋滞度の損失関数である。
L=α×Lvec(v,v’)+(1‐α)×LCG(CG,CG’) ・・・式(1)
ここで、αは重み付けのための係数である。Lvec(v,v’)は、速度の損失関数である。LCG(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。
(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α1~α4は、α1>α2>α3>α4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≧α1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≧α2を満たせば(Yes)、渋滞度C2と判定する。
そして、ステップS1において、速度V≧α1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≧α2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≧α3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≧α4を満たせば(Yes)、渋滞度C4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≧α4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。
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。
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αn)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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。
- 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020200040A JP2022087906A (ja) | 2020-12-02 | 2020-12-02 | 交通状況予測装置、および、交通状況予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020200040A JP2022087906A (ja) | 2020-12-02 | 2020-12-02 | 交通状況予測装置、および、交通状況予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022087906A true JP2022087906A (ja) | 2022-06-14 |
Family
ID=81982258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020200040A Pending JP2022087906A (ja) | 2020-12-02 | 2020-12-02 | 交通状況予測装置、および、交通状況予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022087906A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7262690B1 (ja) * | 2023-03-09 | 2023-04-21 | 株式会社インターネットイニシアティブ | 渋滞予測装置および渋滞予測方法 |
-
2020
- 2020-12-02 JP JP2020200040A patent/JP2022087906A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7262690B1 (ja) * | 2023-03-09 | 2023-04-21 | 株式会社インターネットイニシアティブ | 渋滞予測装置および渋滞予測方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | The impact of autonomous vehicles on urban traffic network capacity: an experimental analysis by microscopic traffic simulation | |
US10883850B2 (en) | Additional security information for navigation systems | |
US7706964B2 (en) | Inferring road speeds for context-sensitive routing | |
US20190347739A1 (en) | Risk Based Automotive Insurance Rating System | |
JP4491472B2 (ja) | 交通情報システム | |
US8126641B2 (en) | Route planning with contingencies | |
JP6397827B2 (ja) | 地図データ更新装置 | |
JP5895926B2 (ja) | 移動案内装置及び移動案内方法 | |
JP6063237B2 (ja) | 渋滞予測装置、渋滞予測システム、渋滞予測方法、及び、プログラム | |
US11022457B2 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
JP2016513805A (ja) | 車両ルート指定および交通管理のための車線レベル車両ナビゲーション | |
KR20140128063A (ko) | 교통 상황 예측 시스템 | |
US10982969B2 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
WO2019016931A1 (ja) | 表示制御装置および表示制御方法 | |
WO2018001444A9 (en) | System and method for creation and delivery of personalized traffic and route information | |
JPH11144182A (ja) | 交通流シミュレーションシステム | |
JP2019028526A (ja) | 混雑予測装置 | |
US10950123B2 (en) | Traffic control system, traffic information output device, traffic control method, and recording medium | |
JP2021189734A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
US11430330B2 (en) | Method for predicting travel time using spatio-temporal model and apparatus thereof | |
KR20070061015A (ko) | 교통 예측을 기반으로 하는 최단 경로 검색 방법 및 그장치 | |
JP2022087906A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
CN109945883B (zh) | 一种信息处理方法、装置及电子设备 | |
Abou-Senna | Congestion pricing strategies to investigate the potential of route diversion on toll facilities using en-route guidance | |
WO2010113552A1 (ja) | エキスパートルート生成サーバ及びナビゲーション装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231018 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240327 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240402 |