JP2022131552A - 交通状況予測装置、交通状況予測方法及びプログラム - Google Patents

交通状況予測装置、交通状況予測方法及びプログラム Download PDF

Info

Publication number
JP2022131552A
JP2022131552A JP2021030555A JP2021030555A JP2022131552A JP 2022131552 A JP2022131552 A JP 2022131552A JP 2021030555 A JP2021030555 A JP 2021030555A JP 2021030555 A JP2021030555 A JP 2021030555A JP 2022131552 A JP2022131552 A JP 2022131552A
Authority
JP
Japan
Prior art keywords
road
traffic
prediction
data
prediction target
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
Application number
JP2021030555A
Other languages
English (en)
Other versions
JP7217896B2 (ja
Inventor
勲 上石
Isao Ueishi
一樹 中村
Kazuki Nakamura
直樹 阿部
Naoki Abe
仁 仲条
Hitoshi Nakajo
真護 前田
Shingo Maeda
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KCS KK
National Research Institute for Earth Science and Disaster Prevention (NIED)
Original Assignee
KCS KK
National Research Institute for Earth Science and Disaster Prevention (NIED)
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KCS KK, National Research Institute for Earth Science and Disaster Prevention (NIED) filed Critical KCS KK
Priority to JP2021030555A priority Critical patent/JP7217896B2/ja
Publication of JP2022131552A publication Critical patent/JP2022131552A/ja
Application granted granted Critical
Publication of JP7217896B2 publication Critical patent/JP7217896B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

【課題】交通状況に影響を与える事象が発生した場合において、交通状況を容易に予測することを可能にする。【解決手段】予測部１５は、道路の特性に関する道路特性データと道路の交通状況に影響を与える事象に関する事象データとを説明変数とし、道路の交通状況に関する交通状況値を目的変数とした統計処理により算出した相関式と、予測対象道路の道路特性データと、予測対象時間の事象データとに基づいて、予測対象時間における予測対象道路の交通状況値を予測する。【選択図】図１

Description

本開示は、交通状況予測装置、交通状況予測方法及びプログラムに関する。
道路の交通状況を予測する交通予測の分野では、降雪や積雪などの気象事象のような交通状況に影響を与える事象を考慮した交通状況の予測が注目されている。
特許文献１には、所定の位置における交通量の観測値などに基づいて作成した地域・時期特性モデルに対して、交通量を予測する位置、時期、及び、気象事象などの変動要因に関するデータを入力することで交通量を予測し、その交通量に基づいて、混雑度など交通状況を予測するシミュレーションシステムが開示されている。
また、特許文献２には、気象事象のような交通状況に影響を与える事象を示す事象情報と、道路を走行する複数の車両から収集した位置情報及び速度情報などを含む走行情報とに基づいて、道路を構成する複数の道路リンクのそれぞれにおける車両の走行状態を予測する道路交通状況予測装置が開示されている。
特開平５－２５０５９４号公報 特開２０１６－７５９９８号公報
交通工学の分野では、車両の速度、交通量及び交通密度の３つの交通指標の相互関係が理論的に定式化されている。このため、例えば、車両の速度は、他の２つの交通指標である交通量及び交通密度を実測又は予測した値を、交通量と交通密度との関係を示すＱＶ曲線の式に代入することで予測することができる。
特許文献１及び２に記載の技術は、上記の交通指標の相互関係を用いて交通状況を予測するものであるため、交通量又は速度情報のような時間と共に動的に変化する交通指標を予測又は実測することで取得する必要がある。このため、特に降雪又は積雪のような事象が発生した場合などでは、交通状況を予測するために必要なデータを取得するのは容易ではなく、交通状況の予測が難しいという問題がある。また、ＱＶ曲線を道路リンクごとに求める必要があるため、必要なデータを取得できたとしても、交通状況の予測は容易ではない。
本開示の目的は、交通状況に影響を与える事象が発生した場合において、交通状況を容易に予測することが可能な交通状況予測装置、交通状況予測方法及びプログラムを提供することにある。
本開示の一態様に従う交通状況予測装置は、道路の交通状況を予測する交通状況予測装置であって、道路の特性に関する道路特性データと道路の交通状況に影響を与える事象に関する事象データとを説明変数とし、道路の交通状況に関する交通状況値を目的変数とした統計処理により算出した相関式と、予測対象道路の前記道路特性データと、予測対象時間の前記事象データとに基づいて、前記予測対象時間における前記予測対象道路の前記交通状況値を予測する予測部を、有する。
本発明によれば、交通状況に影響を与える事象が発生した場合において、交通状況を容易に予測することが可能になる。
本開示の一実施形態に係る交通状況予測装置を示す図である。 本開示の一実施形態に係る交通状況予測装置のハードウェア構成の一例を示す図である。 本開示の一実施形態に係る交通状況予測装置の動作の一例を説明するためのフローチャートである。 交通状況予測情報の一例を示す図である。 道路影響パラメータのｐ値などを示す図である。 降雪時速度差の算定値と実測値との相関関係を示す図である。 降雪時速度差の誤差の頻度を示す図である。
以下、本開示の実施形態について図面を参照して説明する。
図１は、本開示の一実施形態に係る交通状況予測装置を示す図である。図１に示す交通状況予測装置１は、ユーザ端末２と、交通データ管理サーバ３と、気象データ管理サーバ４とに接続される。
交通状況予測装置１は、交通データ管理サーバ３及び気象データ管理サーバ４を利用して道路の交通状況を予測し、その予測結果を示す交通状況予測情報をユーザ端末２に出力する装置である。なお、交通状況予測装置１は、ユーザ端末２、交通データ管理サーバ３及び気象データ管理サーバ４とインターネットなどの通信ネットワーク（図示せず）を介して相互に接続されてもよい。
ユーザ端末２は、交通状況予測装置１からの交通状況予測情報を利用するユーザ（実務者）にて使用される情報端末である。ユーザ端末２は、交通状況予測装置１から交通状況予測情報を受け付け、その交通状況予測情報に応じた処理を行う。例えば、ユーザ端末２は、交通状況予測情報を表示する処理を行う。また、ユーザ端末２は、交通状況予測装置１に対して種々の要求を送信してもよい。要求には、例えば、交通状況予測情報の取得を要求する取得要求などがある。取得要求には、交通状況を予測する地理的及び時間的な範囲を含んでもよい。
なお、ユーザ端末２は、交通状況予測情報を受け付けるための専用の情報端末でもよいし、ＰＣ（Personal Computer）、スマートホン及びタブレット端末などの汎用の情報端末でもよい。また、ユーザのＩＤなどを用いて情報端末を交通状況予測装置１にログインさせることで、ログインしている間、その情報端末をユーザ端末２としてもよい。
交通データ管理サーバ３は、道路及び交通に関する交通データを管理する管理装置である。交通データは、道路に関する道路データと、道路を走行する車両から得られたプローブデータとを含む。なお、道路データとしては、例えば、国土交通省が主体となって実施している全国道路・街路交通情勢調査の結果などを使用することができる。プローブデータとしては、例えば、民間団体が取得したデータを使用することができる。また、交通データ管理サーバ３は、道路データを管理するサーバと、プローブデータを管理するサーバのように複数の装置で構成されてもよい。
気象データ管理サーバ４は、道路の交通状況に影響を与える事象に関する事象データとして、気象事象に関する気象データを管理する管理装置である。本実施形態では、気象事象は降雪及び積雪であり、気象データは、降雪量、積雪重量及び積雪深の少なくとも１つを地域ごとに示す。降雪量、積雪重量及び積雪深は、時間帯別に予測されたものでもよい。なお、気象データは事象データの一例であり、事象データは気象データに限るものではなく、気象データは降雪量、積雪重量及び積雪深を示すものに限らない。例えば、気象データは、降水量、降雨量及び風量などを示すものでもよい。
交通状況予測装置１は、図１に示すように、予測対象設定部１１と、交通データ取得部１２と、データベース構築部１３と、気象データ取得部１４と、予測部１５と、出力部１６とを有する。
予測対象設定部１１は、道路の交通状況を予測する予測対象地域に含まれる道路交通網を、交通状況を予測する予測対象ネットワークとして設定する。例えば、予測対象設定部１１は、予め用意されたデジタル道路地図から、予測対象地域に含まれる道路交通網を予測対象ネットワークとして抽出して設定する。予測対象ネットワークは、交差点のような複数の道路が接続する結節点などの点を示すノードと、ノード間の道路区画を示すリンクである道路リンクとで表現される。つまり、道路は複数の道路リンクから構成される。
交通データ取得部１２は、交通データ管理サーバ３から、予測対象ネットワークに含まれる道路である予測対象道路に関する道路データと、予測対象道路を走行した車両から得られたプローブデータとを交通データとして取得する。
データベース構築部１３は、交通データ取得部１２が取得した交通データを整理して、予測対象道路の交通状況を予測するためのデータを集めた予測基礎データベースを構築する。予測基礎データベースは、具体的には、道路リンクごとに、その道路リンクの特性を示す道路特性データを有する。
道路特性データは、例えば、項目として、道路リンクにおける車両が通行する通行部の特性、道路リンクにおける車両が走行する走行環境、及び、道路リンクを走行した車両の走行時の状態を含む。
通行部の特性は、例えば、道路リンクの通行部の幅である車道幅員と、道路リンク全体の道路延長に対する所定の規格に適合した部分の道路延長の割合である道路改良率とを含む。所定の規格は、例えば、道路構造令の規定などで定義される。
走行環境は、例えば、道路リンクにおける単位道路延長当たりの交差点の数である交差点密度と、道路リンクの沿道状況別延長のうち最も長い沿道状況である代表沿道状況と、道路リンクの道路延長に対するバスの運行区画の延長の割合であるバス路線延長率とを含む。
走行時の状態は、晴天時に走行した車両の旅行速度である晴天時旅行速度を含む。道路リンクを走行した車両が複数ある場合、それらの車両の旅行速度の統計値（例えば、平均値）を晴天時旅行速度としてもよい。晴天時旅行速度は、時間帯別に規定されてもよい。また、例えば、曇天であっても降水量が０であれば晴天として扱ってもよい。なお、晴天時旅行速度は、過去に検出されたプローブデータから算出されるため、交通量などの交通指標とは異なり、道路の交通状況の予測時に動的に変化するものではない。
気象データ取得部１４は、気象データ管理サーバ４から、道路の交通状況を予測する予測条件に合う気象データを取得する。予測条件は、道路の交通状況を予測する予測対象地域及び予測対象時間を含む。
予測部１５は、データベース構築部１３にて構築された予測基礎データベースと、気象データ取得部１４にて取得された気象データとに基づいて、予想対象時間における予想対象道路の交通状況値を予測した交通状況予測値を算出する。具体的には、予測部１５は、道路特性データと気象データとを説明変数とし、交通状況値を目的変数（被説明変数）とした統計処理により算出した相関式を用いて、交通状況予測値を算出する。
本実施形態では、交通状況値は、降雪時及び降雪時の車両の旅行速度と晴天時旅行速度との差である降雪速度差であり、統計処理は、重回帰分析である。
相関式は、予測部１５にて算出されてもよい。具体的には、交通状況に影響を与える要因は、単一ではないため、予測部１５は交通データと過去の気象データとに基づく複数のパラメータ（項目）を説明変数とした重回帰分析を行い、それらのパラメータから、交通状況予測値である降雪速度差に影響を与えるパラメータを道路影響パラメータとして特定するとともに、その道路影響パラメータの係数を求めることで、相関式を算出する。
ここでは、相関式は、以下の式（１）で表されるとする。
Ｙ＝０．２５８Ｘ１＋１．５２６Ｘ２－０．０３８Ｘ３＋０．１５８Ｘ４＋０．４６７Ｘ５－０．０６９Ｘ６－４．２０８Ｘ７－０．５４１Ｘ８・・・（１）
相関式（１）において、Ｙは降雪速度差、Ｘ１～Ｘ８は道路影響パラメータであり、具体的には、Ｘ１は車道幅員、Ｘ２は道路改良率、Ｘ３は交差点密度、Ｘ４は代表沿道状況、Ｘ５はバス路線延長率、Ｘ６は対象時間晴天時旅行速度、Ｘ７は時間帯別降雪量、Ｘ８は時間帯別積雪深を示す。なお、Ｘ４はダミー変数であり、代表沿道状況が「ＤＩＤ（Densely Inhabited District：人口集中地区）」及び「その他市街部」の場合、１であり、それ以外の場合、０である。
なお、予測部１５は、予測結果と実測値とに基づいて、相関式の検証及び再導出などを定期的に行うことが好ましい。
出力部１６は、予測部１５の予測結果である交通状況予測値を示す交通状況予測情報をユーザ端末２に出力して、交通状況予測情報をユーザ端末２に表示する。
図２は、交通状況予測装置１のハードウェア構成の一例を示す図である。図２に示すように交通状況予測装置１は、記録装置２１、プロセッサ２２、メインメモリ２３、通信装置２４、入力装置２５及び表示装置２６を有し、それらがバス２７を介して接続されている。
記録装置２１は、書き込み及び読み出しが可能にデータを記録する装置であり、プロセッサ２２の動作を規定するためのプログラム、デジタル道路地図、及び、データベース構築部１３にて構築された予測基礎データベースなどの種々の情報を記録する。プロセッサ２２は、記録装置２１に記録されたプログラムをメインメモリ２３に読み出し、メインメモリ２３を利用してプログラムに応じた処理を実行することで、図１に示した交通状況予測装置１の各部１１～１６を実現する。
通信装置２４は、ユーザ端末２、交通データ管理サーバ３及び気象データ管理サーバ４などの外部装置と通信可能に接続し、外部装置との間で情報の送受信を行う。入力装置２５は、交通状況予測装置１の管理者などから種々の情報が入力される装置である。受信又は入力された情報は、例えば、プロセッサ２２の処理に利用される。表示装置２６は、種々の情報を表示する装置である。
図３は、交通状況予測装置１の動作の一例を説明するためのフローチャートである。
先ず、予測対象設定部１１は、交通状況予測装置１の管理者から又はユーザ端末２を介してユーザから、予測対象地域を示す予測対象地域情報を受け付ける（ステップＳ３０１）。予測対象設定部１１は、予測対象地域情報に基づいて、デジタル道路地図から予測対象地域に含まれる道路交通網を予測対象ネットワークとして抽出して設定する（ステップＳ３０２）。
その後、交通データ取得部１２は、交通データ管理サーバ３から、予測対象ネットワークに含まれる予測対象道路に関する道路データ及びプローブデータを取得する（ステップＳ３０３）。
データベース構築部１３は、交通データ取得部１２にて取得された道路データ及びプローブデータを整理して予測基礎データベースを構築して保存する（ステップＳ３０４）。例えば、データベース構築部１３は、道路データから、予測対象道路を構成する道路リンクごとに、その道路リンクの特定を示す道路特性データを抽出する。また、データベース構築部１３は、予測対象道路を構成する道路リンクごとに、その道路リンク走行した車両から得られたプローブデータから時間帯別の晴天時旅行速度である時間帯別晴天時旅行速度を算出する。そして、データベース構築部１３は、道路リンクごとに、道路特性データと時間帯別晴天時旅行速度とを示す予測基礎データベースを構築する。
そして、気象データ取得部１４は、気象データ管理サーバ４から、道路の交通状況を予測する予測条件に合う気象データを取得する（ステップＳ３０５）。ここでは、気象データ取得部１４は、予測対象地域における、予測時間範囲に含まれる時間帯別の降雪量及び積雪深である時間帯別降雪量及び時間帯別積雪深を気象データとして取得する。
そして、予測部１５は、予測基礎データベース及び気象データに基づいて、予測対象ネットワーク内の道路リンクごと、及び、予測時間範囲に含まれる時間帯ごとに、予測基礎データベースの道路特性データ及び時間帯別晴天時旅行速度と、気象データである時間帯別降雪量及び時間帯別積雪深とを、上述した相関式（１）に代入することで、各道理リンクの交通状況予測値として降雪時速度差を算出する（ステップＳ３０６）。
出力部１６は、予測部１５の予測結果である降雪時速度差を示す交通状況予測情報をユーザ端末２に出力し（ステップＳ３０７）、処理を終了する。交通状況予測情報を出力するタイミングは、例えば、ユーザ端末から取得要求を受け付けたタイミングなどである。また、出力部１６は、取得要求に含まれる地理的及び時間的な範囲に含まれる降雪時速度差を交通状況予測情報として出力してもよい。なお、ユーザ端末２は、交通状況予測情報を受け付けると、例えば、その交通状況予測情報を表示する。
図４は、交通状況予測情報の一例を示す図である。図４に示す交通状況予測情報４０は、予想対象道路を構成する複数の道路リンク４１を含む地図情報であり、各道路リンク４１がその道路リンクの降雪時速度差に応じた色で色分けされている。これにより、ユーザは直感的に降雪時速度差が大きい道路を判別することが可能になる。
なお、図４の例は単なる一例であって、交通状況予測情報はこの例に限らない。例えば、交通状況予測情報は、ユーザが指定した出発地から目的地までの所要時間のような降雪時速度差に基づいて算出される値を含んでもよい。また、交通状況予測情報は、降雪時速度差に基づいて判別した交通流量のボトルネックとなる箇所などを示してもよい。また、交通状況予測情報は、積雪深のような気象データを、メッシュなどを用いて地図情報に重畳してもよい。
図５は、相関式（１）で使用される道路影響パラメータＸ１～Ｘ８の係数、標準偏差、ｐ値及びｔ値を示す図である。道路影響パラメータＸ１～Ｘ８は、ある地域での実際のデータを教師データ（サンプル数Ｎ：８５３６８）として用いて最小二乗法による重回帰分析を実行することで推定したものである。図５に示されたように道路影響パラメータＸ１～Ｘ８の全てにおいて、１％有意水準で統計的に有意であり、相関式（１）の重相関係数Ｒは０．６０７（重決定計数Ｒ２：０．３６８）であった。
図６は、相関式（１）を用いて過去の気象データから予測した降雪時速度差である算定値と、実際に測定した降雪時速度差である実測値との相関関係を示す図であり、横軸を実績値、縦軸を算定値とした散布図を示している。図６に示されたように算定値と実測値とは相関が強く、その相関係数は０．５１０である。
図７は、実測値に対する算定値の誤差の頻度を示す図である。図７に示すように、誤差が１０ｋｍ／ｈ未満の場合が７６％、１０ｋｍ／ｈ以上２０ｋｍ／ｈ未満の場合が１９％、２０ｋｍ／ｈ以上の場合が５％である。つまり、誤差が１０ｋｍ／ｈ未満の場合が８割程度である。
したがって、図５～図７で示されたように相関式（１）を用いて道路特性データ及び気象データから交通状況を予測することが可能である。
以上説明したように本実施形態によれば、予測部１５は、道路の特性に関する道路特性データと道路の交通状況に影響を与える事象に関する事象データとを説明変数とし、道路の交通状況に関する交通状況値を目的変数とした統計処理により算出した相関式と、予測対象道路の道路特性データと、予測対象時間の事象データとに基づいて、予測対象時間における予測対象道路の交通状況値を予測する。したがって、車両の速度、交通量及び交通密度のような動的に変化する交通指標を用いずに、交通状況に関する交通状況値を予測することが可能となるため、交通状況に影響を与える事象が発生した場合において、交通状況を容易に予測することが可能になる。
特に本実施形態では、相関式（１）を用いて降雪及び積雪時の交通状況を容易に予測することができる。
また、本実施形態では、道路データと気象データとに基づいて相関式が算出されるため、データが蓄積されるほど予想精度を向上させることが可能になる。
上述した本開示の実施形態は、本開示の説明のための例示であり、本開示の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本開示の範囲を逸脱することなしに、他の様々な態様で本開示を実施することができる。
１：交通状況予測装置 ２：ユーザ端末 ３：交通データ管理サーバ ４：気象データ管理サーバ １１：予測対象設定部 １２：交通データ取得部 １３：データベース構築部 １４：気象データ取得部 １５：予測部 １６：出力部

Claims (11)

  1. 道路の交通状況を予測する交通状況予測装置であって、
    道路の特性に関する道路特性データと道路の交通状況に影響を与える事象に関する事象データとを説明変数とし、道路の交通状況に関する交通状況値を目的変数とした統計処理により算出した相関式と、予測対象道路の前記道路特性データと、予測対象時間の前記事象データとに基づいて、前記予測対象時間における前記予測対象道路の前記交通状況値を予測する予測部を、有する交通状況予測装置。
  2. 道路に関する道路データと前記道路を走行した車両から得られたプローブデータとを取得する交通データ取得部と、
    前記事象データを取得する事象データ取得部と、を有し、
    前記予測部は、前記道路データ、前記プローブデータ及び前記事象データに応じた複数の前記説明変数を設定して前記統計処理を行うことで前記相関式を算出する、請求項１に記載の交通状況予測装置。
  3. 前記統計処理は、重回帰分析である、請求項１又は２に記載の交通状況予測装置。
  4. 前記事象データは、降雪量、積雪重量及び積雪深の少なくとも１つを含む、請求項１乃至３の何れか一項に記載の交通状況予測装置。
  5. 前記交通状況値は、前記道路を通行する車両の晴天時の旅行速度の平均値との速度差である、請求項４に記載の交通状況予測装置。
  6. 前記道路特性データは、前記道路における車両が通行する通行部の特性、前記道路における車両が走行する走行環境、及び、前記道路を走行した車両の当該走行時の状態を含む、請求項５に記載の交通状況予測装置。
  7. 前記通行部の特性は、車道幅員と、道路改良率とを含み、
    前記走行環境は、交差点密度と、代表沿道状況と、バス路線延長率とを含み、
    前記走行時の状態は、前記車両の晴天時の旅行速度の平均値である晴天時旅行速度を含む、請求項６に記載の交通状況予測装置。
  8. Ｘ１を前記車道幅員、Ｘ２を前記道路改良率、Ｘ３を前記交差点密度、Ｘ４を前記代表沿道状況、Ｘ５を前記バス路線延長率、Ｘ６は晴天時旅行速度、Ｘ７を降雪量、Ｘ８を積雪深、Ｙを前記速度差とすると、前記相関式は、
    Ｙ＝０．２５８Ｘ１＋１．５２６Ｘ２－０．０３８Ｘ３＋０．１５８Ｘ４＋０．４６７Ｘ５－０．０６９Ｘ６－４．２０８Ｘ７－０．５４１Ｘ８
    で表される、請求項７に記載の交通状況予測装置。
  9. 前記予測部は、前記予測対象道路に含まれる道路リンクごとに前記速度差を予測し、
    各道路リンクが当該道理リンクの前記速度差に応じた色で色分けされた地図情報を表示する出力部をさらに有する請求項５乃至８のいずれか一項に記載の交通状況予測装置。
  10. 交通状況を予測する交通状況予測装置による交通状況予測方法であって、
    道路の特性に関する道路特性データと道路の交通状況に影響を与える事象に関する事象データとを説明変数とし、道路の交通状況に関する交通状況値を目的変数とした統計処理により算出した相関式と、予測対象道路の前記道路特性データと、予測対象時間の前記事象データとに基づいて、前記予測対象時間における前記予測対象道路の前記交通状況値を予測する、交通状況予測方法。
  11. コンピュータに、
    道路の特性に関する道路特性データと道路の交通状況に影響を与える事象に関する事象データとを説明変数とし、道路の交通状況に関する交通状況値を目的変数とした統計処理により算出した相関式と、予測対象道路の前記道路特性データと、予測対象時間の前記事象データとに基づいて、前記予測対象時間における前記予測対象道路の前記交通状況値を予測する手順を実行させるためのプログラム。

JP2021030555A 2021-02-26 2021-02-26 交通状況予測装置、交通状況予測方法及びプログラム Active JP7217896B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021030555A JP7217896B2 (ja) 2021-02-26 2021-02-26 交通状況予測装置、交通状況予測方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021030555A JP7217896B2 (ja) 2021-02-26 2021-02-26 交通状況予測装置、交通状況予測方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2022131552A true JP2022131552A (ja) 2022-09-07
JP7217896B2 JP7217896B2 (ja) 2023-02-06

Family

ID=83153044

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021030555A Active JP7217896B2 (ja) 2021-02-26 2021-02-26 交通状況予測装置、交通状況予測方法及びプログラム

Country Status (1)

Country Link
JP (1) JP7217896B2 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011185814A (ja) * 2010-03-10 2011-09-22 Nomura Research Institute Ltd 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
JP2019057310A (ja) * 2018-11-26 2019-04-11 シャープ株式会社 情報処理装置及び情報処理方法
WO2019215801A1 (ja) * 2018-05-07 2019-11-14 日本電気株式会社 料金制御システム、料金制御装置、料金制御方法、及びコンピュータ読み取り可能な記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011185814A (ja) * 2010-03-10 2011-09-22 Nomura Research Institute Ltd 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
WO2019215801A1 (ja) * 2018-05-07 2019-11-14 日本電気株式会社 料金制御システム、料金制御装置、料金制御方法、及びコンピュータ読み取り可能な記録媒体
JP2019057310A (ja) * 2018-11-26 2019-04-11 シャープ株式会社 情報処理装置及び情報処理方法

Also Published As

Publication number Publication date
JP7217896B2 (ja) 2023-02-06

Similar Documents

Publication Publication Date Title
JP5374067B2 (ja) 交通状態シミュレーション装置及びプログラム
US9599488B2 (en) Method and apparatus for providing navigational guidance using the states of traffic signal
AU2010238762C1 (en) Predicting expected road traffic conditions based on historical and current data
Chan et al. A neural network approach for traffic prediction and routing with missing data imputation for intelligent transportation system
US7908076B2 (en) Representative road traffic flow information based on historical data
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
Sun et al. Travel time estimation based on piecewise truncated quadratic speed trajectory
Duret et al. Traffic state estimation based on Eulerian and Lagrangian observations in a mesoscopic modeling framework
Stipancic et al. Measuring and visualizing space–time congestion patterns in an urban road network using large-scale smartphone-collected GPS data
Jamous et al. Assessing travel time reliability implications due to roadworks on private vehicles and public transport services in urban road networks
Caceres et al. Estimating freeway route travel time distributions with consideration to time‐of‐day, inclement weather, and traffic incidents
Tahmasseby Traffic data: Bluetooth sensors vs. crowdsourcing—A comparative study to calculate travel time reliability in calgary, alberta, canada
KR20190140770A (ko) 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치
JP7217896B2 (ja) 交通状況予測装置、交通状況予測方法及びプログラム
Yang et al. Modeling dynamic vehicle navigation in a self-organizing, peer-to-peer, distributed traffic information system
Kwon et al. Modelling of winter road surface temperature (RST)—A GIS-based approach
US9341484B2 (en) Navigation server and navigation system
JP3355887B2 (ja) 旅行時間予測方法および旅行時間予測装置
Zhu et al. Analyzing the impact of a planned transit-oriented development on mode share and traffic conditions
Ozbay et al. Estimation of economic impact of VMS route guidance using microsimulation
Yang et al. Evaluation of information applications of a self‐organizing distributed traffic information system for a large‐scale real‐world traffic network
Stipancic et al. Measuring Congestion Using Large-Scale Smartphone-Collected GPS Data in an Urban Road Network
Wang et al. A geostatistical investigation into the effective spatiotemporal coverage of road weather information systems in Alberta, Canada
Abedini A Machine-Learning Framework for Clustering and Calibration of Roadway Performance Models with Application in the Large-Scale Traffic Assignment
Nagy Distributed Systems and Algorithms in Smart Cities

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210303

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220419

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220609

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20220705

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221004

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20221004

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20221004

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20221024

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20221025

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: 20230104

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230117

R150 Certificate of patent or registration of utility model

Ref document number: 7217896

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150