JP2022136885A - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

情報処理装置、情報処理方法、および情報処理プログラム Download PDF

Info

Publication number
JP2022136885A
JP2022136885A JP2021036700A JP2021036700A JP2022136885A JP 2022136885 A JP2022136885 A JP 2022136885A JP 2021036700 A JP2021036700 A JP 2021036700A JP 2021036700 A JP2021036700 A JP 2021036700A JP 2022136885 A JP2022136885 A JP 2022136885A
Authority
JP
Japan
Prior art keywords
unit
prediction
congestion
speed
cluster
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
Application number
JP2021036700A
Other languages
English (en)
Inventor
貴史 小磯
Takashi Koiso
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.)
Toshiba Corp
Toshiba Infrastructure Systems and Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Infrastructure Systems and Solutions Corp
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 Toshiba Corp, Toshiba Infrastructure Systems and Solutions Corp filed Critical Toshiba Corp
Priority to JP2021036700A priority Critical patent/JP2022136885A/ja
Publication of JP2022136885A publication Critical patent/JP2022136885A/ja
Pending legal-status Critical Current

Links

Images

Abstract

【課題】高精度に経路の予測指数を予測する。【解決手段】収集部２４Ａは、経路を複数の区間に分割した前記区間を移動する移動体の速度データを収集する。速度分布予測部２４Ｂは、収集された速度データに基づいて速度分布を予測する。予測指数予測部２４Ｃは、前記速度分布に基づいて前記経路の予測指数を予測する。【選択図】図１

Description

本発明の実施形態は、情報処理装置、情報処理方法、および情報処理プログラムに関する。
車両などの移動体が移動する経路の予測を行う技術が知られている。例えば、経路の予測を行う技術として、経路の渋滞予測を行う技術が知られている。例えば、過去の計測データを移動平均等で単純集計した推移をグラフ化して提供するシステム、年末年始などの特定の期間を１つの推移グラフで提供するシステム、インクリメンタルに直近の将来の速度変化を予測するシステム、などが開示されている。また、渋滞速度と平均速度を地図上の区分毎にあらかじめ対応付けて記憶し、区分ごとに渋滞速度を出力する技術が開示されている。
特開２０１７－９７８９０号公報 特開２００４－２７２４０８号公報
しかし、従来技術では、高精度に経路の予測指数を予測することは困難であった。
実施形態の情報処理装置は、経路を複数の区間に分割した前記区間を移動する移動体の速度データを収集し、収集された速度データに基づいて速度分布を予測し、前記速度分布に基づいて前記経路の予測指数を予測する、制御部を備える。
第１の実施形態の情報処理装置の模式図。 トラフィックカウンタの説明図。 計測データの説明図。 渋滞予想指数の予測の説明図。 渋滞予想指数の予測の説明図。 渋滞予想指数の予測の説明図。 渋滞予測指数の模式図。 情報処理の流れのフローチャート。 第２の実施形態の情報処理装置の模式図。 渋滞速度上限の予測の説明図。 渋滞速度上限の予測の説明図。 渋滞速度上限の予測の説明図。 渋滞速度上限の予測の説明図。 渋滞速度上限の予測の説明図。 渋滞速度上限の予測の説明図。 情報処理の流れのフローチャート。 渋滞速度上限予測処理のフローチャート。 クラスタリングのフローチャート。 第３の実施形態の情報処理装置の模式図。 予測器の学習の説明図。 検索条件の説明図。 検索結果の表示画面の模式図。 情報処理の流れのフローチャート。 第４の実施形態の情報処理装置の模式図。 区間類似度マップの模式図。 情報処理の流れのフローチャート。 ハードウェア構成図。
以下に添付図面を参照して、本実施形態の情報処理装置、情報処理方法、および情報処理プログラムを詳細に説明する。なお、本実施形態において、機能などが共通する部分については、同じ符号を付与し、詳細な説明を省略する。
（第１の実施形態）
図１は、本実施形態の情報処理装置１０Ａの一例を示す模式図である。
情報処理装置１０Ａは、情報処理装置１０の一例である。情報処理装置１０は、経路を移動する移動体の渋滞予測を行う装置である。
移動体とは、移動可能な物である。移動体は、例えば、車両（自動二輪車、自動四輪車、自転車）、台車、ロボット、船舶、飛翔体（飛行機、無人航空機（ＵＡＶ：Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ）、ドローンなど）、などである。本実施形態では、移動体が、車両である場合を想定して説明する。
経路とは、移動体が移動する路である。経路は、移動体が移動可能な路であればよい。本実施形態では、経路が、道路である形態を一例として説明する。また、本実施形態では、移動体が経路を移動することを、車両が道路を走行する、と称して説明する場合がある。
情報処理装置１０Ａは、記憶部２０と、通信部２２と、入力部２３と、制御部２４と、表示部２９と、を備える。記憶部２０、通信部２２、入力部２３、制御部２４、および表示部２９は、通信可能に接続されている。
記憶部２０は、各種のデータを記憶する。記憶部２０は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等である。なお、記憶部２０は、情報処理装置１０Ａの外部に設けられた記憶装置であってもよい。また、記憶部２０は、記憶媒体であってもよい。具体的には、記憶媒体は、プログラムや各種情報を、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネットなどを介してダウンロードして記憶または一時記憶したものであってもよい。また、記憶部２０を、複数の記憶媒体から構成してもよい。
本実施形態では、記憶部２０は、トラフィックカウンタデータを記憶する。トラフィックカウンタデータとは、道路上に設置されたトラフィックカウンタから得られるデータである。
図２は、道路Ｒ上に設置されたトラフィックカウンタ２８の説明図である。図２には、道路Ｒとして、高速道路を一例として示す。道路Ｒ上には、所定間隔ごとにトラフィックカウンタ２８が設置されている。所定間隔は、例えば、数１００ｍであるが、これに限定されない。トラフィックカウンタ２８は、道路Ｒを走行する車両Ｃの交通量、速度、および道路占有率、の少なくとも２つを計測する。残りの１つの値は、トラフィックカウンタ２８間の距離と、計測された２つの値と、を用いて数式で求められる。
このため、トラフィックカウンタ２８によって、道路Ｒの各区間Ｐの各々ごとの計測データが得られる。区間Ｐは、車両Ｃの走行する道路を予め定められた距離ごとに分割した各区間を意味する。例えば、１つの区間Ｐには、少なくとも１以上のトラフィックカウンタ２８が含まれるように、調整すればよい。
図３は、計測データの一例の説明図である。図３中、“Ｐ－００１－００１－Ｆ”、“Ｐ－００１－００１－Ｂ”、“Ｐ－００１－００２－Ｆ”は、区間Ｐの識別情報の一例である。図３中、Ｑは車両Ｃの交通量、Ｖは車両Ｃの速度、Ｑｃｃは車両Ｃの道路占有率を表す。車両Ｃの速度は、詳細には、区間Ｐにおける、同じ方向に走行する車両Ｃの平均速度を意味する。なお、道路Ｒの１つの走行方向に対して車線が複数ある場合には、トラフィックカウンタ２８は、複数車線を１つとして、１つの走行方向ごとに計測データを計測すればよい。
トラフィックカウンタ２８によって、複数の区間Ｐの各々毎に、日時ごとの計測データが得られる。すなわち、トラフィックカウンタ２８によって、複数の区間Ｐの各々ごとに、日時ごとの、車両Ｃの平均速度である速度データを含む計測データが得られる。同一の区間Ｐについて、同一の日時に複数の車両Ｃが存在する場合には、該区間Ｐにおける、これらの複数の車両Ｃの移動平均速度が、該区間Ｐの該日時の速度データとして得られることとなる。なお、図３には、計測間隔が１分間隔である形態を一例として示す。しかし、１日において複数のタイミングの各々で計測データが計測されればよく、計測間隔は、１分間隔に限定されない。
図１に戻り説明を続ける。通信部２２は、ネットワークなどの公知の通信網を介して、外部の情報処理装置やトラフィックカウンタ２８などと通信する。本実施形態では、通信部２２は、複数のトラフィックカウンタ２８の各々で時刻ごとに順次計測される計測データを、これらの複数のトラフィックカウンタ２８の各々から逐次受信し、記憶部２０へ記憶する。このため、記憶部２０には、複数の区間Ｐの各々ごとに、日時ごとの最新のトラフィックカウンタデータが順次記憶されていく。すなわち、記憶部２０には、複数の区間Ｐの各々ごとに、複数の日の各々の時刻ごとの、速度の速度データ、交通量の交通量データ、および道路占有率の道路占有率データを含む、計測データが、トラフィックカウンタデータとして記憶される。
入力部２３は、ユーザによる各種の操作を受付ける。入力部２３は、例えば、キーボード、マウス、ポインティングデバイス、マイクロフォン、などである。
表示部２９は、各種の情報を表示する。表示部２９は、例えば、ディスプレイ、投影装置、などである。なお、表示部２９と入力部２３とを一体的に構成し、タッチパネルとして構成してもよい。
なお、記憶部２０および制御部２４の少なくとも一方を、ネットワークおよび通信部２２を介して接続されたサーバ装置などの外部の情報処理装置に搭載した構成としてもよい。また、制御部２４に含まれる後述する機能部の少なくとも１つを、ネットワークおよび通信部２２を介して制御部２４に接続された、サーバ装置などの外部の情報処理装置に搭載してもよい。
次に、制御部２４について詳細に説明する。制御部２４は、情報処理装置１０Ａにおいて各種の情報処理を実行する。
制御部２４は、収集部２４Ａと、速度分布予測部２４Ｂと、予測指数予測部２４Ｃと、表示制御部２４Ｄと、を備える。
収集部２４Ａ、速度分布予測部２４Ｂ、予測指数予測部２４Ｃ、および表示制御部２４Ｄの少なくとも１つは、例えば、１または複数のプロセッサにより実現される。例えば、上記各部は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。
収集部２４Ａは、区間Ｐを走行する移動体の一例である車両Ｃの速度データを収集する。本実施形態では、収集部２４Ａは、複数の区間Ｐの各々の、道路Ｒを走行する車両Ｃの、複数の日の各々ごとの時刻ごとの速度データを収集する。収集部２４Ａは、記憶部２０に記憶されているトラフィックカウンタデータを読み取ることで、複数の区間Ｐの各々ごとに、日時ごとの速度データを収集する。
なお、収集部２４Ａは、設定期間における１または複数の日の各々の時刻ごとの速度データを、区間Ｐごとに収集してもよい。設定期間は、時系列に連続する１または複数の日からなる期間であればよい。例えば、設定期間は、１週間、２週間、などの期間であるが、これらに限定されない。以下では、設定期間が、時系列に連続する複数の日から構成される形態を一例として説明する。
速度分布予測部２４Ｂは、収集部２４Ａで収集された速度データに基づいて、速度分布を予測する。詳細には、本実施形態では、速度分布予測部２４Ｂは、収集部２４Ａで収集された速度データに基づいて、複数の区間Ｐの各々ごとに、時刻ごとの速度データの速度分布を予測する。
予測指数予測部２４Ｃは、複数の区間Ｐの各々ごとの速度分布に基づいて、経路の一例である道路Ｒの予測指数を予測する。道路Ｒの予測指数とは、道路Ｒに関する予測の指数を表す。本実施形態では、道路Ｒの予測指数が、道路Ｒを移動する車両Ｃの渋滞の予測指数である形態を説明する。以下では、渋滞の予測指数を、渋滞予測指数と称して説明する。すなわち、本実施形態では、予測指数予測部２４Ｃは、渋滞予測指数を予測する。また、本実施形態では、速度分布に基づいて、設定期間より後の予測期間の予測指数を予測する。予測期間は、設定期間より後の期間であればよく、１日または複数の日を含む期間である。本実施形態では、予測指数予測部２４Ｃは、設定日より後の予測日の予測指数を予測する形態を一例として説明する。本実施形態では、予測指数予測部２４Ｃは、複数の区間Ｐの各々ごとの速度分布に基づいて時刻ごとの渋滞確率を算出し、算出した渋滞確率を、予測日の予測指数である渋滞予測指数として予測する。
予測日とは、ある特定の設定日より後の日である。設定日は、計測データが得られている日であればよい。設定日は、過去の特定の日であってもよいし、計測データが得られている最新の日（例えば、本日）であってもよい。予測日は、設定日より１または数日後の日であればよい。設定日および予測日は、ユーザによる入力部２３の操作指示などによって、適宜変更可能としてもよい。
図を用いて詳細に説明する。
図４Ａ～図４Ｃは、渋滞予想指数の予測の説明図である。
図４Ａは、ある区間Ｐの、設定期間の複数の日の各々ごとの、速度データの収集結果３０の一例を示す図である。収集部２４Ａは、複数の日の各々ごとの時刻ごとの速度データを、複数の区間Ｐの各々ごとに収集する。このため、例えば、ある区間Ｐにおける、複数の日の各々における時刻に対する速度データの推移は、例えば、図４Ａに示されるものとなる。図４Ａにおける複数の波形の各々が、互いに異なる日の各々の速度データの推移を表す。
図４Ｂは、図４Ａに示すある区間Ｐの速度データから得られる、特定の時刻の速度分布３２の一例を示す模式図である。図４Ｂには、特定の時刻として、２０時を一例として示す。すなわち、ある区間Ｐにおける２０時の時点の速度分布３２は、図４Ｂに示すものとなる。
速度分布予測部２４Ｂは、複数の区間Ｐの各々ごとに、各区間Ｐの速度データの収集結果３０から、時刻ごとの速度分布３２を予測する。このため、速度分布予測部２４Ｂは、複数の区間Ｐの各々ごとに、一日の時刻ごとの、図４Ｂに示すような速度分布３２を予測する。速度分布予測部２４Ｂは、例えば、混合ガウスモデル等の多峰性の分布によって、速度分布３２を予測すればよい。すなわち、速度分布３２は、区間Ｐごとに、どの時刻でどのくらいの速度が頻度として高いかを予測した予測結果である。
予測指数予測部２４Ｃは、複数の区間Ｐの各々ごとの時刻ごとの速度分布３２に基づいて、時刻ごとの渋滞確率３４を算出する。渋滞確率３４とは、渋滞の生じる確率である。
例えば、予測指数予測部２４Ｃは、渋滞とみなす渋滞速度を予め設定する。渋滞速度は、例えば、２０ｋｍ／ｈなどであるが、これに限定されない。渋滞速度は、何らかの検知すべき状態を表す速度の一例である。予測指数予測部２４Ｃは、速度分布３２における、渋滞速度を下回る確率である渋滞確率３４を予測する。
例えば、ある区間Ｐについて、２０時の時点の速度分布３２として、図４Ｂに示す速度分布３２が予測された場合を想定する。この場合、予測指数予測部２４Ｃは、速度分布３２における渋滞速度である２０ｋｍ／ｈ未満を占める割合を、予測日における、該区間Ｐの２０時の時点の渋滞確率３４として算出する。例えば、予測指数予測部２４Ｃは、速度分布３２の全体の積分値における、渋滞速度である２０ｋｍ／ｈを下回る領域の積分値の割合を算出することで、渋滞確率３４を算出する。
すなわち、図４Ｃに示す例の場合、予測指数予測部２４Ｃは、ある区間Ｐの時刻２０時に、設定期間の複数の日の内、渋滞速度未満の速度データが収集された日が何日間あったかを表す割合を、該区間Ｐの２０時の渋滞確率３４として算出する。
他の時刻の各々についても同様にして、予測指数予測部２４Ｃは、渋滞確率３４を算出する。また、予測指数予測部２４Ｃは、他の区間Ｐの各々についても同様にして、時刻ごとの渋滞確率３４を算出する。このようにして、予測指数予測部２４Ｃは、複数の区間Ｐの各々ごとに、時刻ごとの渋滞確率３４を算出する。
そして、本実施形態の予測指数予測部２４Ｃでは、複数の区間Ｐの各々ごとに算出した、時刻ごとの渋滞確率３４が、将来の日に渡って共通するものとして扱う。すなわち、予測指数予測部２４Ｃは、複数の区間Ｐの各々ごとに算出した、時刻ごとの渋滞確率３４が、設定日より後の予測日においても共通するものとして扱う。
このため、予測指数予測部２４Ｃは、複数の区間Ｐの各々ごとの速度分布３２に基づいて算出した時刻ごとの渋滞確率３４を、複数の区間Ｐの各々ごとの、予測日の時刻ごとの渋滞予測指数３６として予測する。
図５は、ある区間Ｐにおける、予測日の時刻ごとの渋滞予測指数３６の一例の模式図である。上記処理を行うことで、予測指数予測部２４Ｃは、複数の区間Ｐの各々ごとに、予測日における時刻ごとの渋滞予測指数３６を予測する。
図１に戻り説明を続ける。表示制御部２４Ｄは、予測指数予測部２４Ｃによる予測結果である渋滞予測指数３６を、表示部２９へ表示する。例えば、表示制御部２４Ｄは、図５に示す渋滞予測指数３６を含む表示画面５０を、表示部２９へ表示する。図５には、各時刻に対応する渋滞予測指数３６を、下１桁を四捨五入して０～１００％の１１段階の指標値として可視化した例を示す。なお、渋滞予測指数３６の表し方は、１１段階の値に限定されない。
このため、表示部２９には、複数の区間Ｐの各々ごとに、予測日における時刻ごとの渋滞予測指数３６が表示される。
なお、図５には、１つの区間Ｐの予測日の渋滞予測指数３６を含む表示画面５０を一例として示す。しかし、表示制御部２４Ｄは、複数の区間Ｐの各々の、予測日の渋滞予測指数３６を含む表示画面５０を、表示部２９へ表示してもよい。また、表示制御部２４Ｄは、ユーザによる入力部２３の操作指示によって入力された区間Ｐの渋滞予測指数３６を、表示部２９へ表示してもよい。
次に、本実施形態の情報処理装置１０Ａの制御部２４で実行する情報処理の流れの一例を説明する。
図６は、本実施形態の情報処理装置１０Ａが実行する情報処理の流れの一例を示すフローチャートである。
収集部２４Ａが、複数の区間Ｐの各々ごとに、設定期間の複数の日の各々ごとの時刻ごとの速度データを収集する（ステップＳ１００）。
速度分布予測部２４Ｂは、ステップＳ１００で収集された速度データに基づいて、複数の区間Ｐの各々ごとに、時刻ごとの速度分布３２を予測する（ステップＳ１０２）。
予測指数予測部２４Ｃは、ステップＳ１０２で予測された、複数の区間Ｐの各々ごとの時刻ごとの速度分布３２に基づいて、時刻ごとの渋滞確率３４を算出する。そして、予測指数予測部２４Ｃは、算出した渋滞確率３４を、予測日の時刻ごとの渋滞予測指数３として予測する（ステップＳ１０４）。
表示制御部２４Ｄは、ステップＳ１０４で予測された渋滞予測指数３６を表示部２９へ表示する。そして、本ルーチンを終了する。
以上説明したように、本実施形態の情報処理装置１０Ａの制御部２４は、収集部２４Ａと、速度分布予測部２４Ｂと、予測指数予測部２４Ｃと、を備える。収集部２４Ａは、道路Ｒなどの経路を複数の区間Ｐに分割した、区間Ｐを移動する車両Ｃなどの移動体の速度データを収集する。速度分布予測部２４Ｂは、収集された速度データに基づいて、速度分布３２を予測する。予測指数予測部２４Ｃは、速度分布３２に基づいて、経路の予測指数を予測する。
このように、本実施形態の情報処理装置１０Ａは、速度データが計測されている区間Ｐについて、速度分布３２を予測する。そして、情報処理装置１０Ａでは、速度分布３２の予測結果が将来の日に渡って共通するものとして、速度分布３２から、経路の予測指数を予測する。
従って、本実施形態の情報処理装置１０Ａでは、高精度に経路の予測指数を予測することができる。
また、本実施形態の情報処理装置１０Ａは、速度分布３２に基づいて予測した渋滞確率３４を、予測日の予測指数である渋滞予測指数３６として予測する。そして、本実施形態の情報処理装置１０Ａでは、渋滞予測指数３６を表示部２９へ表示する。このため、本実施形態の情報処理装置１０Ａでは、上記効果に加えて、渋滞の生じやすい時間帯を容易に確認可能に提供することができる。
また、本実施形態の情報処理装置１０Ａによれば、設定日から１日後または複数日後の予測日の渋滞予測指数３６を予測することができる。このため、ユーザは、本実施形態の情報処理装置１０Ａを用いることで、特定の予測日の旅行計画や、混雑時間帯を避けた道路Ｒの利用などを、容易且つ良好に検討することが可能となる。
（第２の実施形態）
本実施形態では、速度データをクラスタリングすることで、渋滞予測指数３６を予測する形態を説明する。
図７は、本実施形態の情報処理装置１０Ｂの一例を示す模式図である。情報処理装置１０Ｂは、情報処理装置１０の一例である。
情報処理装置１０Ｂは、記憶部２０と、通信部２２と、入力部２３と、制御部２５と、表示部２９と、を備える。記憶部２０、通信部２２、入力部２３、制御部２５、および表示部２９は、通信可能に接続されている。本実施形態の情報処理装置１０Ｂは、制御部２４に替えて制御部２５を備えた点以外は、上記実施形態の情報処理装置１０Ａと同様の構成である。
制御部２５は、情報処理装置１０Ｂにおいて各種の情報処理を実行する。
制御部２５は、収集部２５Ａと、速度分布予測部２５Ｂと、予測指数予測部２５Ｃと、表示制御部２５Ｄと、上限予測部２５Ｅと、特定部２５Ｆと、クラスタリング部２５Ｇと、を備える。
収集部２５Ａ、速度分布予測部２５Ｂ、予測指数予測部２５Ｃ、表示制御部２５Ｄ、上限予測部２５Ｅ、特定部２５Ｆ、および、クラスタリング部２５Ｇの少なくとも１つは、例えば、１または複数のプロセッサにより実現される。例えば、上記各部は、ＣＰＵなどのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣなどのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。
収集部２５Ａは、複数の区間Ｐの各々ごとに、複数の日の各々ごとの時刻ごとの速度データを収集する。収集部２５Ａは、収集部２５Ａと同様に、記憶部２０に記憶されているトラフィックカウンタデータを読み取ることで、複数の区間Ｐの各々ごとに、測定済の複数の日の各々における、時刻ごとの速度データを収集する。なお、本実施形態では、収集部２５Ａは、設定期間における複数の日の各々毎の時刻ごとの速度データを、区間Ｐごとに収集する。設定期間の定義は、上述したため、記載を省略する。
上限予測部２５Ｅは、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに収集された、時刻ごとの速度データからなる群を、情報量基準が最適なクラスタ数にクラスタリングする。そして、上限予測部２５Ｅは、該クラスタ数に応じた渋滞速度上限を、区間Ｐごとに予測する。
詳細には、上限予測部２５Ｅは、収集部２５Ａで収集された、設定期間の複数の日の各々ごとの時刻ごとの速度データを、時刻に拘わらず１つの群として扱い、指定クラスタ数のクラスタに分類する。そして、上限予測部２５Ｅは、公知の方法で、該指定クラスタ数のクラスタに分類したときの情報量基準を算出する。上限予測部２５Ｅは、指定クラスタ数を変更し、指定クラスタ数の変更ごとに、指定クラスタ数のクラスタへのクラスタリングおよび情報量基準の算出の一連の処理を繰り返し実行する。
そして、上限予測部２５Ｅは、情報量基準が最適な指定クラスタ数を、クラスタ数として決定する。さらに、上限予測部２５Ｅは、速度データの群を、決定したクラスタ数にクラスタリングする。また、上限予測部２５Ｅは、決定したクラスタ数に応じた渋滞速度上限を予測する。
上限予測部２５Ｅは、これらの一連の処理を、複数の区間Ｐの各々ごとに実行する。このため、上限予測部２５Ｅは、複数の区間Ｐの各々ごとに、情報量基準が最適なクラスタ数、および、渋滞速度上限を予測する。また、上限予測部２５Ｅは、複数の区間Ｐの各々ごとに、設定期間の複数の日の各々の速度データの群を、決定した最適なクラスタ数にクラスタリングし、クラスタラベルを付与する。
図を用いて詳細に説明する。図８Ａ～図８Ｃは、渋滞速度上限の予測の説明図である。図８Ａ～図８Ｃには、情報量基準が最適なクラスタ数が１であった場合の一例を示す。
図８Ａは、ある区間Ｐの、設定期間の複数の日の各々ごとの、速度データの収集結果３０の一例を示す図である。収集部２５Ａは、複数の日の各々ごとの時刻ごとの速度データを、複数の区間Ｐの各々ごとに収集する。このため、例えば、ある区間Ｐにおける、複数の日の各々における時刻に対する速度データの推移は、例えば、図８Ａに示されるものとなる。
図８Ｂは、図８Ａに示す、ある区間Ｐの速度データから得られる、特定の時刻の速度分布３２の一例を示す模式図である。図８Ｂには、特定の時刻が、２０時であった場合を一例として示す。このため、ある区間Ｐにおける、速度データの収集結果３０から得られる２０時の時点の速度分布３２は、図８Ｂに示すものとなる。
上限予測部２５Ｅは、まず、初期条件として、初期渋滞速度上限を設定する。初期渋滞速度上限には、例えば、対応する区間Ｐの道路Ｒの制限時速をやや下回る速度を設定すればよい。例えば、高速道路である道路Ｒの制限時速が５０ｋｍ／ｈであった場合を想定する。この場合、上限予測部２５Ｅは、例えば、５０ｋｍ／ｈをやや下回る速度である４８ｋｍ／ｈを、初期渋滞速度上限として設定する。例えば、上限予測部２５Ｅは、対応する区間Ｐの道路Ｒの制限時速の０．９倍の速度を、該区間Ｐの初期渋滞速度上限として設定すればよい。
なお、上限予測部２５Ｅは、区間Ｐごとに、区間Ｐの制限時速に応じた初期渋滞速度上限を設定してもよいし、複数の区間Ｐに共通する初期渋滞速度上限を設定してもよい。複数の区間Ｐに共通する初期渋滞速度上限を設定する場合には、複数の区間Ｐからなる道路Ｒにおける、最も低い制限速度をやや下回る速度を、これらの複数の区間Ｐの各々の初期渋滞速度上限として設定してもよい。
そして、上限予測部２５Ｅは、収集部２５Ａで収集された速度データを、区間Ｐごとに、時刻に拘わらず１つの群として扱う。そして、上限予測部２５Ｅは、区間Ｐごとに、速度データの群を、クラスタ数自動決定可能なクラスタリング手法を用いて、最適なクラスタリング数にクラスタリングし、各クラスタに属する群を決める。
クラスタ数自動決定には、例えば、混合ガウスモデルを用いればよい。例えば、上限予測部２５Ｅは、混合ガウスモデルを用いて、各クラスタの代表ベクトルと所属群との距離を尤度とし、各分布のパラメータ数および群を変数として定める。そして、上限予測部２５Ｅは、これらの尤度および変数を用いたベイズ情報量規準などにより、クラスタ数（ｋ）を決定すればよい。ｋは、クラスタ数を表す数値であり、１以上の整数である。
すなわち、上限予測部２５Ｅは、クラスタ数の上限を予め定め、指定クラスタ数を１から該上限まで１ずつ変化させ、各指定クラスタ数の各々ごとに、指定クラスタ数のクラスタへの分類および情報量基準の算出を繰り返し実行する。そして、上限予測部２５Ｅは、情報量基準が最適な指定クラスタ数を、クラスタ数として決定する。さらに、上限予測部２５Ｅは、決定したクラスタ数に応じた渋滞速度上限を予測する。
図８Ｂに示すように、速度分布３２のピークが１つである場合、決定されるクラスタ数は、“１”となる。すなわち、ｋ＝１となる。上限予測部２５Ｅは、収集された速度データの群が、全て初期渋滞速度上限以上である場合、その区間Ｐでは渋滞が生じていないものとし、初期渋滞速度上限を、渋滞速度上限として予測する。
図８Ｃは、渋滞速度上限の予測の説明図である。例えば、図８Ｂにおいて、初期渋滞速度上限が４８．０ｋｍ／ｈであった場合を想定する。また、図８Ｂおよび図８Ｃに示すように、収集された速度データの群が、全て、４８．０ｋｍ／ｈ以上であった場合を想定する。この場合、上限予測部２５Ｅは、その区間Ｐでは渋滞が生じていないものし、初期渋滞速度上限である４８．０ｋｍ／ｈを、渋滞速度上限として予測する。
なお、上限予測部２５Ｅによって決定されたクラスタ数が“１”であり、且つ、収集された速度データの群の全てが初期渋滞速度上限未満である場合がある。この場合、上限予測部２５Ｅは、安定した非渋滞速度での推移期間がないものとして、無限大の速度を渋滞速度上限として予測すればよい。
なお、上限予測部２５Ｅは、収集された速度データの全てに対して、初期渋滞速度上限を下回る速度データの群が１％以上含まれる場合に、無限大の速度を渋滞速度上限として予測してもよい。また、収集された速度データの全てに対して、初期渋滞速度上限を下回る速度データの群が１％未満含まれる場合には、初期渋滞速度上限を渋滞速度上限として予測してもよい。なお、この“１％”との数値は、ユーザによる入力部２３の操作指示などに応じて、適宜変更可能としてもよい。
図９Ａ～図９Ｃは、渋滞速度上限の予測の説明図である。図９Ａ～図９Ｃには、情報量基準が最適なクラスタ数が２以上である場合の一例を示す。
図９Ａは、ある区間Ｐの、設定期間の複数の日の各々ごとの、速度データの収集結果３０の一例を示す図である。収集部２５Ａは、複数の日の各々ごとの時刻ごとの速度データを、複数の区間Ｐの各々ごとに収集する。このため、例えば、ある区間Ｐにおける、複数の日の各々における時刻に対する速度データの推移は、例えば、図９Ａに示されるものとなる。
図９Ｂは、図９Ａに示すある区間Ｐの速度データから得られる、特定の時刻の速度分布３２の一例を示す模式図である。図９Ｂには、特定の時刻が２０時である場合を一例として示す。例えば、ある区間Ｐにおける、速度データの収集結果３０から得られる２０時の時点の速度分布３２は、図９Ｂに示すものとなる。
上限予測部２５Ｅは、上記と同様に、初期条件として、初期渋滞速度上限を設定する。例えば、上限予測部２５Ｅは、道路Ｒの制限時速をやや下回る速度である４８ｋｍ／ｈを、初期渋滞速度上限として設定した場合を想定して説明する。
そして、上限予測部２５Ｅは、収集部２５Ａで収集された速度データを、区間Ｐごとに、時刻に拘わらず１つの群として扱う。そして、上限予測部２５Ｅは、区間Ｐごとに、速度データの群を、クラスタ数自動決定可能なクラスタリング手法を用いて、最適なクラスタリング数にクラスタリングし、各クラスタに属する速度データの群を決める。クラスタ数自動決定は、上記と同様である。
図９Ｂに示すように、速度分布３２のピークが複数である場合、決定されるクラスタ数もまた、複数となる。すなわち、ｋ＞１となる。この場合、上限予測部２５Ｅは、該クラスタ数にクラスタリングされた複数のクラスタの各々ごとに、クラスタに属する速度データの群の速度の傾きＡｉを算出する。傾きＡｉは、下記式（１）によって表される。
Ａｉ＝（最大速度－最低速度）／クラスタに属する速度データの数 式（１）
式（１）中、Ａｉは、速度の傾きを表し、ｉは、クラスタ数ｋを表す。ｉは、１以上の整数である。
そして、上限予測部２５Ｅは、最も大きい傾きＡｉのクラスタに属する速度データの内の最大速度を、渋滞速度上限として予測する。
例えば、図９Ｃに示すように、クラスタａ１，ａ２，ａ３の３つのクラスタの内、速度の傾きＡｉが最大ＳＭであるクラスタａ２に属する速度データの内の、最大速度が、６３．０ｋｍ／ｈであった場合を想定する。この場合、上限予測部２５Ｅは、６３．０ｋｍ／ｈを、渋滞速度上限として予測する。
そして、上限予測部２５Ｅは、これらの情報処理を、複数の区間Ｐの各々ごとに実行する。このため、上限予測部２５Ｅは、複数の区間Ｐの各々ごとに、情報量基準が最適なクラスタ数、および、渋滞速度上限を予測する。また、上限予測部２５Ｅは、複数の区間Ｐの各々ごとに、各区間Ｐの速度データの群を、予測したクラスタ数のクラスタにクラスタリングする。また、上限予測部２５Ｅは、各クラスタに、クラスタラベルを付与する。
図７に戻り説明を続ける。特定部２５Ｆは、複数の区間Ｐの各々ごとに、渋滞速度上限未満の速度データを少なくとも１つ含むクラスタに属する速度データの群を、渋滞速度である渋滞速度データの群として特定する。
特定部２５Ｆは、上限予測部２５Ｅでクラスタリングされた複数のクラスタの内、上限予測部２５Ｅで予測された渋滞速度上限未満の速度データを少なくとも１つ含むクラスタを特定する。そして、特定部２５Ｆは、特定したクラスタに属する速度データを、渋滞速度データの群として特定する。
すなわち、特定部２５Ｆは、設定期間の複数の日の各々の時刻ごとの速度データの内の、上限予測部２５Ｅで予測された渋滞速度上限未満の速度データを、渋滞速度の渋滞速度データ群として、区間Ｐの各々ごとに収集する。
また、特定部２５Ｆは、上限予測部２５Ｅで予測された渋滞速度上限以上の速度データについては、渋滞していない速度、すなわち、自由流で推移した速度データの群として、以降の処理対象から外す。そして、特定部２５Ｆは、自由流で推移した速度データの群については、区間Ｐの各々ごとに、上限予測部２５Ｅでクラスタリングされたクラスタごとに、該クラスタのクラスタラベルに対応付けて、記憶部２０へ記憶しておけばよい。
そして、特定部２５Ｆは、複数の区間Ｐの各々ごとに特定した、渋滞速度データの群を、クラスタリング部２５Ｇへ出力する。すなわち、特定部２５Ｆは、収集された速度データから、渋滞速度上限未満の速度データの群を選別し、クラスタリング部２５Ｇへ出力する。
クラスタリング部２５Ｇは、複数の区間Ｐの各々ごとに、渋滞速度データの群を構成する複数の速度データを、情報量基準の最適なクラスタ数の複数の渋滞クラスタにクラスタリングする。そして、クラスタリング部２５Ｇは、渋滞クラスタに渋滞クラスタラベルを付与する。
詳細には、まず、クラスタリング部２５Ｇは、特定部２５Ｆから、複数の区間Ｐの各々ごとの渋滞速度データの群を受付ける。そして、クラスタリング部２５Ｇは、特定部２５Ｆから受付けた渋滞速度データの群を、情報量基準が最適なクラスタ数にクラスタリングする。すなわち、クラスタリング部２５Ｇは、設定期間の複数の日の各々の時刻ごとの渋滞速度データの群を、複数の区間Ｐの各々ごとに、日時に拘わらず１つの群として扱う。そして、クラスタリング部２５Ｇは、上限予測部２５Ｅと同様に、クラスタ数自動決定可能なクラスタリング手法を用いて、渋滞速度データの群を、情報量基準が最適なクラスタ数の複数の渋滞クラスタにクラスタリングする。そして、クラスタリング部２５Ｇは、渋滞クラスタにクラスタラベルとして渋滞クラスタラベルを付与する。
すなわち、上限予測部２５Ｅおよび特定部２５Ｆ並びにクラスタリング部２５Ｇの処理によって、複数の区間Ｐの各々について、設定期間の複数の日の各々ごとに収集された速度データが、１または複数の非渋滞のクラスタと、１または複数の渋滞クラスタと、にクラスタリングされる。また、これらのクラスタにクラスタラベルを付与することで、複数の区間Ｐの各々ごとに、速度データが計測された計測年月日ごとのクラスタラベルが付与された状態となる。
なお、本実施形態では、非渋滞の速度データのみが属するクラスタを、非渋滞クラスタと称して説明する場合がある。また、上述したように、渋滞クラスタに属する速度データは、渋滞速度データを少なくとも１つ含む速度データの群である。また、本実施形態では、渋滞クラスタおよび非渋滞クラスタを総称して説明する場合には、単に、クラスタ、と称して説明する。また、非渋滞クラスタのクラスタラベルと、渋滞クラスタの渋滞クラスタラベルと、総称して説明する場合には、単に、クラスタラベルと称して説明する場合がある。
クラスタリング部２５Ｇは、渋滞クラスタおよび渋滞クラスタラベルを、速度分布予測部２５Ｂへ出力する。
速度分布予測部２５Ｂは、クラスタリング部２５Ｇから受付けた渋滞クラスタに属する速度データに基づいて、複数の区間Ｐの各々ごとに、時刻ごとの速度データの速度分布３２を予測する。すなわち、本実施形態では、速度分布予測部２５Ｂは、複数の区間Ｐの各々ごとに、渋滞クラスタごとの速度分布３２を予測する。
なお、速度分布予測部２５Ｂは、非渋滞クラスタおよび渋滞クラスタの各々に属する速度データに基づいて、クラスタごとに速度分布３２を予測してもよい。本実施形態では、速度分布予測部２５Ｂは、非渋滞クラスタについては処理から外し、渋滞クラスタに基づいて、クラスタごとに速度分布３２を予測する形態を一例として説明する。
本実施形態では、速度分布予測部２５Ｂは、上限予測部２５Ｅから非渋滞クラスタを受付ける。速度分布予測部２５Ｂは受付けた非渋滞クラスタに属する速度データを用いて、クラスタごとに、速度データの速度分布３２を予測する。
速度分布予測部２５Ｂは、クラスタリング部２５Ｇから受付けた渋滞クラスタを用いて、複数の区間Ｐの各々ごとに、クラスタごとに速度分布３２を予測する。速度分布予測部２５Ｂは、速度分布予測部２４Ｂと同様の方法を用いて、クラスタごとの速度分布３２を予測すればよい。
このため、速度分布予測部２５Ｂは、速度分布予測部２４Ｂと同様にして、複数の区間Ｐの各々について、クラスタごとに、各時刻に対応する速度データの速度分布３２を予測することができる。詳細には、速度分布予測部２５Ｂは、非渋滞クラスタと、渋滞クラスタと、の各々ごとに、各クラスタに属する速度データの時刻ごとの速度分布３２を予測すればよい。
予測指数予測部２５Ｃは、上記実施形態の予測指数予測部２４Ｃと同様にして、複数の区間Ｐの各々について、クラスタごとに、予測日の渋滞予測指数３６を予測する。
詳細には、予測指数予測部２５Ｃは、複数の区間Ｐの各々のクラスタごとに予測された速度分布３２を、速度分布予測部２５Ｂから受付ける。そして、予測指数予測部２５Ｃは、複数の区間Ｐの各々のクラスタの各々ごとに、予測指数予測部２４Ｃと同様にして、時刻ごとの渋滞確率３４を算出すればよい。そして、予測指数予測部２５Ｃは、算出した時刻ごとの渋滞確率３４を、予測日における、クラスタの各々の時刻ごとの渋滞予測指数３６として予測すればよい。
表示制御部２５Ｄは、予測指数予測部２５Ｃによる予測結果である渋滞予測指数３６を、表示部２９へ表示する。このため、表示部２９には、予測日における、ある区間Ｐの時刻ごとの渋滞予測指数３６が、クラスタごとに表示される。
すなわち、本実施形態の情報処理装置１０Ｂによれば、クラスタ別に各時刻の渋滞予測指数３６を算出することができる。また、クラスタ別の各時刻の渋滞予測指数３６を表示部２９へ表示することで、クラスタの各々ごとに、各時刻の渋滞予測指数３６を可視化して提供することができる。
なお、各区間Ｐの各々に属するクラスタの各々には、クラスタに含まれる複数の速度データの内のセンターベクトルが、代表ベクトルとして与えられる。このため、表示制御部２５Ｄは、各区間Ｐの各々に属するクラスタの各々の代表ベクトルのうち、例えば、１日の速度平均が最も低い代表ベクトルを、“その区間Ｐで最も効率の悪いパターン“として表示部２９へ表示してもよい。
また、予測指数予測部２５Ｃは、１日の速度平均が最も低いクラスタの占める割合を、各区間Ｐにおける渋滞の発生頻度として算出してもよい。そして、表示制御部２５Ｄは、複数の区間Ｐの各々ごとの渋滞の発生頻度の算出結果を、表示部２９へ更に表示してもよい。
次に、本実施形態の情報処理装置１０Ｂの制御部２５で実行する情報処理の流れの一例を説明する。
図１０は、本実施形態の情報処理装置１０Ｂが実行する情報処理の流れの一例を示すフローチャートである。
収集部２５Ａは、複数の区間Ｐの各々の設定期間の複数の日の各々ごとに、時刻ごとの速度データを収集する（ステップＳ２００）。
上限予測部２５Ｅは、ステップＳ２００で収集された設定期間の複数の日の各々ごとに、時刻ごとの速度データを情報量基準が最適なクラスタ数にクラスタリングするとともに、クラスタ数に応じた渋滞速度上限を予測する（ステップＳ２０２）。
図１１は、ステップＳ２０２の渋滞速度上限予測処理のフローチャートである。
上限予測部２５Ｅは、ステップＳ２００で複数の区間Ｐの各々ごとに収集された、設定期間の複数の日の各々ごとの時刻ごとの速度データを、指定クラスタ数のクラスタに分類する（ステップＳ３００）。
次に、上限予測部２５Ｅは、該指定クラスタ数のクラスタに分類したときの情報量基準を公知の方法で算出する（ステップＳ３０２）。
そして、上限予測部２５Ｅは、指定クラスタ数を変更し、指定クラスタ数を変更するごとに、ステップＳ３００およびステップＳ３０２の一連の処理を実行する。
そして、上限予測部２５Ｅは、ステップＳ３００～ステップＳ３０２の一連の処理の繰り返しによって算出された情報量基準の内、最適な情報量基準の指定クラスタ数を、クラスタ数として決定する（ステップＳ３０４）。
次に、上限予測部２５Ｅは、ステップＳ３０４で決定したクラスタ数に応じた渋滞速度上限を予測する（ステップＳ３０６）。
ステップＳ３０４およびステップＳ３０６の処理によって、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに、クラスタ数と、クラスタ数に応じた渋滞速度上限と、が予測される。
そして、上限予測部２５Ｅは、ステップＳ２００で複数の区間Ｐの各々ごとに収集された、時刻ごとの速度データの群を、ステップＳ３０４で決定したクラスタ数のクラスタにクラスタリングする（ステップＳ３０８）。また、このとき、上限予測部２５Ｅは、各クラスタの各々に、クラスタラベルを付与する。そして、本ルーチンを終了する。
図１０に戻り説明を続ける。ステップＳ２０２、すなわち、図１１に示す処理を実行することで、上限予測部２５Ｅは、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに、渋滞速度上限を予測する。また、上限予測部２５Ｅは、ステップＳ２００で収集した速度データを、複数の区間Ｐの各々の、設定期間の１または複数の各々ごとに、ステップＳ２０２で決定したクラスタ数のクラスタにクラスタリングするとともに、クラスタラベルを付与する。
次に、特定部２５Ｆが、ステップＳ２００で収集された速度データの内の、渋滞速度データを特定する（ステップＳ２０４）。特定部２５Ｆは、ステップＳ２０２でクラスタリングされた複数のクラスタの内、ステップＳ０２で予測された渋滞速度上限未満の速度データを少なくとも１つ含むクラスタを特定する。そして、特定部２５Ｆは、特定したクラスタに属する速度データを、渋滞速度データの群として特定する。
クラスタリング部２５Ｇは、ステップＳ２０４で特定された渋滞速度データの群を、渋滞クラスタへクラスタリングする（ステップＳ２０６）。
図１２は、ステップＳ２０６の渋滞クラスタへのクラスタリングの処理のフローチャートである。
クラスタリング部２５Ｇは、ステップＳ２０４で、設定期間の複数の日の各々ごとに特定された、時刻ごとの渋滞速度データの群を、指定クラスタ数のクラスタに分類する（ステップＳ４００）。
次に、クラスタリング部２５Ｇは、該指定クラスタ数のクラスタに分類したときの情報量基準を公知の方法で算出する（ステップＳ４０２）。
そして、クラスタリング部２５Ｇは、指定クラスタ数を変更し、指定クラスタ数を変更するごとに、ステップＳ４００およびステップＳ４０２の一連の処理を実行する。
そして、クラスタリング部２５Ｇは、ステップＳ４００～ステップＳ４０２の一連の処理の繰り返しによって算出された情報量基準の内、最適な情報量基準の指定クラスタ数を、クラスタ数として決定する（ステップＳ４０４）。
そして、クラスタリング部２５Ｇは、ステップＳ２０４で特定された、渋滞速度データの群を、ステップＳ４０４で決定したクラスタ数の渋滞クラスタにクラスタリングする（ステップＳ４０６）。また、このとき、クラスタリング部２５Ｇは、各渋滞クラスタの各々に、渋滞クラスタラベルを付与する。そして、本ルーチンを終了する。
図１０に戻り説明を続ける。ステップＳ２０２～ステップＳ２０６の処理によって、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに収集された速度データが、１または複数の非渋滞のクラスタと、１または複数の渋滞クラスタと、にクラスタリングされる。また、これらのクラスタにクラスタラベルを付与することで、複数の区間Ｐの各々ごとに、速度データの計測年月日ごとのクラスタラベルが付与された状態となる。
次に、速度分布予測部２５Ｂは、ステップＳ２０６でクラスタリングされた渋滞クラスタに属する速度データに基づいて、複数の区間Ｐの各々ごとに、クラスタごとに時刻ごとの速度データの速度分布３２を予測する（ステップＳ２０８）。
予測指数予測部２５Ｃは、ステップＳ２０８で予測された速度分布３２を用いて、複数の区間Ｐの各々のクラスタごとに、予測日の渋滞予測指数３６を予測する（ステップＳ２１０）。
表示制御部２５Ｄは、ステップＳ２１０で予測された渋滞予測指数３６を、表示部２９へ表示する（ステップＳ２１２）。このため、表示部２９には、予測日における、ある区間Ｐの時刻ごとの渋滞予測指数３６が、クラスタごとに表示される。そして、本ルーチンを終了する。
以上説明したように、本実施形態では、上限予測部２５Ｅが、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに収集された、時刻ごとの速度データからなる群を、情報量基準が最適なクラスタ数にクラスタリングするとともに、該クラスタ数に応じた渋滞速度上限を予測する。特定部２５Ｆは、複数の区間Ｐの各々ごとに、予測された渋滞速度上限未満の速度データを少なくとも１つ含むクラスタに属する速度データの群を、渋滞速度である渋滞速度データの群として特定する。クラスタリング部２５Ｇは、複数の区間Ｐの各々の、渋滞速度データの群を構成する複数の速度データを、情報量基準の最適なクラスタ数の複数の渋滞クラスタにクラスタリングする。速度分布予測部２５Ｂは、渋滞クラスタに属する速度データに基づいて、クラスタごとに時刻ごとの速度データの速度分布３２を予測する。
このため、予測指数予測部２５Ｃは、複数の区間Ｐの各々のクラスタごとに、予測日の時刻ごとの渋滞予測指数３６を予測する。
ここで、渋滞予測対象の複数の区間Ｐには、速度低下が一定期間持続した後に解消されるなどの、特定のパターンを繰り返す区間Ｐが含まれる場合がある。また、複数の区間Ｐには、速度低下が全く生じない区間Ｐも含まれる。このように、複数の区間Ｐには、特定の渋滞傾向を示す区間Ｐが含まれる場合がある。
上記第１の実施形態では、複数の区間Ｐの各々の渋滞傾向は区別せずに、渋滞がある時間帯と渋滞の無い時間帯とを混合して、各時刻の速度データの速度分布３２を計算する場合を一例として示す。しかし、道路Ｒの渋滞管理を行う際には、渋滞傾向に応じた視点で渋滞分析がなされる場合がある。例えば、「ある区間Ｐにおいて、渋滞が激しい場合にはどのような速度推移となるか」などの渋滞分析がなされる場合がある。
そこで、本実施形態の情報処理装置１０Ｂでは、複数の区間Ｐの各々について、収集された設定期間の複数の日の各々ごとに、時刻ごとの速度データに基づいて、時刻の各々に対応する速度データからなる群を、情報量基準が最適なクラスタ数にクラスタリングする。このため、本実施形態の情報処理装置１０Ｂでは、複数の区間Ｐの各々において、ある程度の頻度で発生する渋滞に渋滞傾向のパターンがあると仮定し、渋滞傾向に応じて速度データを複数のクラスタにクラスタリングすることができる。言い換えると、本実施形態の情報処理装置１０Ｂでは、複数の区間Ｐの各々の速度データを、区間Ｐごとに統一的に類似する速度推移を表すグループごとのクラスタにクラスタリングする。そして、情報処理装置１０Ｂでは、クラスタに属する速度データごとに、渋滞予測指数３６を予測する。このため、本実施形態の情報処理装置１０Ｂでは、複数の区間Ｐの各々の、速度推移などの渋滞傾向のパターンごとに、渋滞予測指数３６を予測することができる。
従って、本実施形態の情報処理装置１０Ｂでは、上記実施形態の効果に加えて、更に高精度に渋滞予測を行うことができる。
（第３の実施形態）
本実施形態では、渋滞クラスタラベルを出力する予測器を学習し、渋滞予測指数３６の予測に用いる形態を説明する。
図１３は、本実施形態の情報処理装置１０Ｃの一例を示す模式図である。情報処理装置１０Ｃは、情報処理装置１０の一例である。
情報処理装置１０Ｃは、記憶部２０と、通信部２２と、入力部２３と、制御部２６と、表示部２９と、を備える。記憶部２０、通信部２２、入力部２３、制御部２６、および表示部２９は、通信可能に接続されている。本実施形態の情報処理装置１０Ｃは、制御部２４に替えて制御部２６を備えた点以外は、上記実施形態の情報処理装置１０Ａと同様の構成である。
制御部２６は、情報処理装置１０Ｃにおいて各種の情報処理を実行する。
制御部２６は、収集部２５Ａと、速度分布予測部２５Ｂと、予測指数予測部２５Ｃと、表示制御部２６Ｄと、上限予測部２５Ｅと、特定部２５Ｆと、クラスタリング部２５Ｇと、学習部２６Ｈと、ラベル出力部２６Ｉと、クラスタ別予測指数予測部２６Ｊと、受付部２６Ｋと、検索部２６Ｌと、を備える。
収集部２５Ａ、速度分布予測部２５Ｂ、予測指数予測部２５Ｃ、表示制御部２５Ｄ、上限予測部２５Ｅ、特定部２５Ｆ、クラスタリング部２５Ｇ、学習部２６Ｈ、ラベル出力部２６Ｉ、クラスタ別予測指数予測部２６Ｊ、受付部２６Ｋ、および、検索部２６Ｌの少なくとも１つは、例えば、１または複数のプロセッサにより実現される。例えば、上記各部は、ＣＰＵなどのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣなどのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。
収集部２５Ａ、速度分布予測部２５Ｂ、予測指数予測部２５Ｃ、上限予測部２５Ｅ、特定部２５Ｆ、およびクラスタリング部２５Ｇは、上記第２の実施形態と同様である。
学習部２６Ｈは、予測器を学習する。予測器は、設定日以前の第３測定期間の複数の日の各々の時刻ごとの速度データを入力とし、設定日より後の日である予測日に属する渋滞クラスタラベルを出力するための、学習モデルである。第３測定期間の定義は後述する。
図１４は、予測器の学習の一例の説明図である。
学習部２６Ｈは、複数の区間Ｐの各々ごとに、特定日以前の第１測定期間に含まれる複数の日の各々についてクラスタリング部２５Ｇで導出された、複数の渋滞クラスタの各々に属する渋滞速度データの群を、説明変数として用いる。すなわち、学習部２６Ｈは、第１測定期間の速度データを用いて、クラスタリング部２５Ｇで導出された渋滞速度データの群を、予測器の学習時の入力データとして用いる。
特定日は、計測データが得られている日の内の、何れかの日であればよい。図１４には、２０１５年４月１日～２０１７年４月７日までの計測データが得られている場合を一例として示す。また、図１４には、特定日が、２０１５年４月８日～２０１７年３月３０日、の各々の日である場合を一例として示す。
第１測定期間は、特定日以前の期間であり、計測データが得られている期間である。図１４には、特定日の前日から１週間前の日までの１週間の期間を、第１測定期間として示す。具体的には、特定日である２０１５年４月８日の第１測定期間が、２０１５年４月１日～２０１５年４月７日の７日間である場合を一例として示す。同様に、他の特定日についても、特定日の前日から１週間前の日までの１週間の期間を、第１測定期間として示す。
また、図１４には、複数の区間Ｐの各々の、第１測定期間の渋滞速度データの群を示す。図１４中、Ｐ－ＮＰ－ＮＬ－Ｂは、区間Ｐの各々の識別情報の一例である。ＮＰおよびＮＬは、それぞれ、００１～９９９の何れかの整数である。学習部２６Ｈは、収集部２５Ａから、各区間Ｐの各々の、第１測定期間の速度データを取得すればよい。
また、学習部２６Ｈは、特定日より後の第２測定日の渋滞クラスタラベルを、学習時の目的変数として用いる。第２測定日は、特定日からＮ日後（Ｎは１以上の整数）の日である。すなわち、学習部２６Ｈは、第２測定日の速度データを用いてクラスタリング部２５Ｇで導出された、１または複数の渋滞クラスタの各々の渋滞クラスタラベルを、学習時の予測器の出力データとして用いる。言い換えると、学習部２６Ｈは、第２測定日の渋滞クラスタラベルを、目的変数として用いる。
そして、学習部２６Ｈは、これらの説明変数および目的変数を用いて、区間Ｐごとに、第２測定日の予測器を学習する。言い換えると、学習部２６Ｈは、複数の区間Ｐの各々ごとに、特定日からＮ日後の各々の日に対応する、予測器を学習する。
予測器の学習には、例えば、ランダムフォレストなどのカテゴリカルデータを説明変数および目的変数として学習可能な、アルゴリズムを用いればよい。
図１４には、特定日である２０１５年４月８日～２０１７年３月３０日の各々に対応する、該特定日からＮ日後の第２測定日として、２０１５年４月９日～２０１７年３月３１日の各々を示す。
また、図１４には、識別情報が“Ｐ－００３－０１０－Ｂ”である区間Ｐの、特定日から１日後の渋滞クラスタラベルを、目的変数とした例を示す。また、図１４には、識別情報が該“Ｐ－００３－０１０－Ｂ”以外である区間Ｐの各々の、特定日より前の１週間の第１測定期間の渋滞速度データを、説明変数とした場合を、一例として示す。
このように、学習部２６Ｈは、複数の区間Ｐの各々ごとに、互いに異なる複数の特定日の各々ごとの予測器を学習する。このため、学習部２６Ｈは、複数の区間Ｐの各々ごとに、特定日からＮ日後の各々の渋滞クラスタラベルを出力するための、複数の予測器を学習することができる。
例えば、特定日として、２０１５年４月８日～２０１７年３月３０日の各々を設定する場合を想定する。この場合、学習部２６Ｈは、２０１５年４月１日～２０１７年３月３１日の２年分の速度データを用いて、特定日の各々の次の日の各々（２０１５年４月９日～２０１７年３月３１の各々）の渋滞クラスタラベルを出力する、複数の予測器を学習することができる。すなわち、学習部２６Ｈは、この場合、設定日から１日後～２年後の各々の予測日に属する渋滞クラスタラベルを出力するための予測器を、複数の区間Ｐの各々ごとに学習することができる。
図１３に戻り説明を続ける。ラベル出力部２６Ｉは、学習部２６Ｈで学習された予測器を用いて、設定日より後の複数の日の各々である予測日に属する渋滞クラスタラベルを出力する。
まず、ラベル出力部２６Ｉは、複数の区間Ｐの各々ごとに、対応する予測器を特定する。すなわち、ラベル出力部２６Ｉは、複数の区間Ｐの各々ごとの、特定日からＮ日後の各々に対応する予測器を、設定日より後の複数の日の各々である予測日の各々に対応する予測器として特定する。
そして、ラベル出力部２６Ｉは、特定した予測器の各々へ、対応する区間Ｐにおける、設定日以前の第３測定期間に含まれる複数の日の各々の時刻ごとの速度データを入力する。設定日は、上述したように、予測により前の日であり、例えば、過去の特定の日や、計測データが得られている最新の日（例えば、本日）などである。第３測定期間とは、設定日以前の日であって、計測データが得られている期間の日である。例えば、第３測定期間は、設定日以前の１週間などであるが、これに限定されない。
例えば、設定日が、２０１７年４月８日であった場合を想定する。この場合、ラベル出力部２６Ｉは、第３測定期間である２０１７年４月１日～２０１７年４月７日に含まれる各々の日の時刻ごとの速度データを、予測器へ入力する。ラベル出力部２６Ｉは、収集部２５Ａから速度データを取得すればよい。
複数の区間Ｐの各々ごとに、設定日からＮ日後の各々に対応する予測器へ、第３測定期間の時刻ごとの速度データを入力することで、各々の予測器から、設定日よりＮ日後の各々の日である予測日の各々に属する、渋滞クラスタラベルが出力される。
例えば、設定日が、２０１７年４月８日であった場合を想定する。また、特定日よりＮ日後の渋滞クラスタラベルを出力する予測器として、１日後～３１日後の各々の予測器が区間Ｐごとに学習された場合を想定する。この場合、ラベル出力部２６Ｉは、第３測定期間である２０１７年４月１日～２０１７年４月７日に含まれる各々の日の時刻ごとの速度データを、１日後～３１日後の各々に対応する予測器へ入力する。この処理により、ラベル出力部２６Ｉは、２０１７年４月９日～２０１７年５月８日までの１ヵ月間の各々の日を予測日とした、各予測日の渋滞クラスタラベルを出力することができる。
このように、ラベル出力部２６Ｉは、予測器を用いることで、複数の区間Ｐの各々ごとに、設定日からＮ日後の各々である予測日の各々に属する渋滞クラスタラベルを出力する。
クラスタ別予測指数予測部２６Ｊは、ラベル出力部２６Ｉから出力された渋滞クラスタラベルによって識別される渋滞クラスタに属する渋滞予測指数３６を、予測日の各々の、渋滞クラスタごとの渋滞予測指数３６として予測する。
すなわち、クラスタ別予測指数予測部２６Ｊは、ラベル出力部２６Ｉから出力された渋滞クラスタラベルと、予測指数予測部２５Ｃから受付けた、クラスタごとの渋滞予測指数３６と、を用いて、予測日の渋滞予測指数３６をクラスタごとに予測する。
詳細には、クラスタ別予測指数予測部２６Ｊは、ラベル出力部２６Ｉから、Ｎ日後の予測日の各々ごとに出力された渋滞クラスタラベルによって識別されるクラスタを、予測指数予測部２５Ｃから受付けたクラスタから特定する。そして、クラスタ別予測指数予測部２６Ｊは、特定したクラスタに属する渋滞予測指数３６を、対応するＮ日後の予測日の、渋滞クラスタごとの渋滞予測指数３６として予測する。
受付部２６Ｋは、区間Ｐ、予測日、検索対象時間帯、渋滞予測指数３６の範囲、の少なくとも１つを含む検索条件を受付ける。例えば、ユーザは、入力部２３を操作することで、渋滞予測を希望する区間Ｐ、渋滞予測を希望する検索対象年月日である予測日、渋滞予測を希望する時間帯である検索対象時間帯、および、渋滞予測指数３６の範囲、の少なくとも１つを入力する。ユーザによるこれらの入力部２３の操作によって、受付部２６Ｋは、区間Ｐ、予測日、検索対象時間帯、渋滞予測指数３６の範囲、の少なくとも１つを含む検索条件を受付ける。
検索部２６Ｌは、クラスタ別予測指数予測部２６Ｊによって予測された、予測日の渋滞クラスタごとの渋滞予測指数３６に基づいて、受付けた検索条件に一致する、区間Ｐ、渋滞クラスタ、該渋滞クラスタの属する時間帯、および該時間帯の渋滞予測指数３６、の少なくとも１つを検索する。
表示制御部２６Ｄは、クラスタ別予測指数予測部２６Ｊで予測された、複数の区間Ｐの各々の渋滞クラスタごとの渋滞予測指数３６、および、検索部２６Ｌの検索結果、の少なくとも一方を、表示部２９へ表示する。
図１５Ａは、検索条件４０の一例の説明図である。図１５Ｂは、検索結果の表示画面４２の一例の模式図である。
例えば、受付部２６Ｋが、道路Ｒである高速道路の出入口である“空港中央”から“大井南”までの区間Ｐ、２０２１年１月１１日～２０２１年１月１５日の各々の予測日、および、渋滞予測指数３０％以下、を、検索条件４０として受付けた場合を想定する。
この場合、例えば、表示制御部２６Ｄは、例えば、図１５Ｂに示す検索結果の表示画面４２を表示部２９へ表示する。表示画面４２には、例えば、“空港中央”から“大井南”までの区間Ｐでは、予測日である２０２１年１月１１日～２０２１年１月１５日の各々の日の時間帯４２Ａの渋滞予測指数３６が３０％以下であることが表示される。また、時間帯４２Ｂについては、渋滞予測指数３６が３０％を超えることが表示される。
次に、本実施形態の情報処理装置１０Ｃの制御部２６で実行する情報処理の流れの一例を説明する。
図１６は、本実施形態の情報処理装置１０Ｃが実行する情報処理の流れの一例を示すフローチャートである。
情報処理装置１０Ｃでは、第２の実施形態の情報処理装置１０ＢにおけるステップＳ２００～ステップＳ２０６（図１０参照）と同様にして、ステップＳ５００～ステップＳ５０６の処理を実行する。
詳細には、収集部２５Ａは、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに、時刻ごとの速度データを収集する（ステップＳ５００）。上限予測部２５Ｅは、ステップＳ５００で収集された設定期間の複数の日の各々ごとに、時刻ごとの速度データを情報量基準が最適なクラスタ数にクラスタリングするとともに、クラスタ数に応じた渋滞速度上限を予測する（ステップＳ５０２）。
次に、特定部２５Ｆが、ステップＳ５００で収集された速度データの内、渋滞速度データの群を特定する（ステップＳ５０４）クラスタリング部２５Ｇは、ステップＳ５０４で特定された渋滞速度データの群を、渋滞クラスタへクラスタリングする（ステップＳ５０６）。
ステップＳ５０２～ステップＳ５０６の処理によって、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに収集された速度データが、１または複数の非渋滞のクラスタと、１または複数の渋滞クラスタと、にクラスタリングされる。また、これらのクラスタにクラスタラベルを付与することで、複数の区間Ｐの各々ごとに、速度データの計測年月日ごとのクラスタラベルが付与された状態となる。
次に、学習部２６Ｈが、予測器を学習する（ステップＳ５０８）。学習部２６Ｈは、ステップＳ５０６でクラスタリングされた渋滞クラスタの渋滞クラスタラベルを用いて、予測器を学習する。
ラベル出力部２６Ｉは、ステップＳ５０８で学習された予測器へ、設定日以前の第３測定期間に含まれる複数の日の各々の時刻ごとの速度データを入力する。そして、ラベル出力部２６Ｉは、設定日よりＮ日後の各々の日である予測日の各々に対応する予測器からの出力として、区間Ｐごとに、予測日の各々に属する渋滞クラスタラベルを出力する（ステップＳ５１０）。
一方、速度分布予測部２５Ｂは、ステップＳ５０６でクラスタリングされた渋滞クラスタに属する速度データに基づいて、複数の区間Ｐの各々ごとに、クラスタごとに時刻ごとの速度データの速度分布３２を予測する（ステップＳ５１２）。
予測指数予測部２５Ｃは、ステップＳ５１２で予測された速度分布３２を用いて、複数の区間Ｐの各々のクラスタごとに、予測日の渋滞予測指数３６を予測する（ステップＳ５１４）。
クラスタ別予測指数予測部２６Ｊは、ステップＳ５１０で出力された渋滞クラスタラベルによって識別される、渋滞クラスタに属する渋滞予測指数３６を、ステップＳ５１４で予測されたクラスタごとの渋滞予測指数３６から特定する。そして、クラスタ別予測指数予測部２６Ｊは、特定した渋滞予測指数３６を、予測日の各々の、渋滞クラスタごとの渋滞予測指数３６として予測する（ステップＳ５１６）。
次に、受付部２６Ｋが、検索条件を入力部２３から受付けたか否かを判断する（ステップＳ５１８）。ステップＳ５１８で否定判断すると（ステップＳ５１８：Ｎｏ）、ステップＳ５２０へ進む。
ステップＳ５２０では、表示制御部２６Ｄが、ステップＳ５１６で予測された、複数の区間Ｐの各々の渋滞クラスタごとの渋滞予測指数３６を表示部２９へ表示する（ステップＳ５２０）。そして、本ルーチンを終了する。
一方、ステップＳ５１８で肯定判断すると（ステップＳ５１８：Ｙｅｓ）、ステップＳ５２２へ進む。ステップＳ５２２では、検索部２６Ｌが、ステップＳ５２２で受付けた検索条件に一致する、区間Ｐ、渋滞クラスタ、該渋滞クラスタが属する時間帯、および該時間帯の渋滞予測指数３６、の少なくとも１つを検索する（ステップＳ５２２）。表示制御部２６Ｄは、ステップＳ５２２の検索結果を表示部２９へ表示する（ステップＳ５２４）。そして、本ルーチンを終了する。
以上説明したように、本実施形態の情報処理装置１０Ｃでは、学習部２６Ｈが、複数の区間Ｐの各々ごとに、特定日以前の第１測定期間について導出された、複数の渋滞クラスタの各々に属する渋滞速度データの群を入力とし、特定日より後の第２測定日の渋滞クラスタラベルを出力として、予測器を学習する。ラベル出力部２６Ｉは、複数の区間Ｐの各々ごとに、設定日以前の第３測定期間の時刻ごとの速度データを予測器へ入力し、予測器の出力として、設定日より後の日である予測日に属する渋滞クラスタラベルを出力する。クラスタ別予測指数予測部２６Ｊは、出力された渋滞クラスタラベルによって識別される渋滞クラスタに属する渋滞予測指数を、予測日の渋滞クラスタごとの渋滞予測指数として予測する。
このように、本実施形態の情報処理装置１０Ｃでは、学習された予測器を用いることで、複数の区間Ｐの各々ごとに、予測日の渋滞クラスタラベルを予測する。このため、本実施形態の情報処理装置１０Ｃでは、設定日からＮ日後の各々、例えば、設定日から１日後から３１日後などの１ヵ月分の各々の予測日に属する、渋滞クラスタラベルを予測することができる。
このため、本実施形態の情報処理装置１０Ｃでは、複数の区間Ｐの各々ごとに、設定日より後の複数の予測日の各々の渋滞予測指数３６を、容易に予測することが出来る。
従って、本実施形態の情報処理装置１０Ｃでは、上記実施形態の効果に加えて、更に高精度に渋滞予測を行うことができる。
また、本実施形態の情報処理装置１０Ｃでは、検索部２６Ｌが、受付けた検索条件に一致する、区間Ｐ、渋滞クラスタ、該渋滞クラスタが属する時間帯、および該時間帯の渋滞予測指数３６、の少なくとも１つを検索する。そして、表示制御部２６Ｄは、検索結果を表示部２９へ表示する。
渋滞クラスタラベルを付与された渋滞クラスタの各々に属する速度データによって、各時刻の速度分布３２が構成される。このため、検索部２６Ｌは、速度分布３２を用いて、検索条件に一致する、区間Ｐ、渋滞クラスタ、該渋滞クラスタが属する時間帯、および該時間帯の渋滞予測指数３６、の少なくとも１つを検索することができる。そして、表示制御部２６Ｄが検索結果を表示部２９へ表示することで、予測日の渋滞予測指数３６を容易に可視化してユーザに提供することができる。
すなわち、本実施形態の情報処理装置１０Ｃによれば、学習部２６Ｈで、複数の区間Ｐの各々の将来の一定期間の予測日の各々の渋滞クラスタラベルを予測する。そして、情報処理装置１０Ｃでは、将来の予測日の各時刻の渋滞予測指数３６を予測することができる。その上で、情報処理装置１０Ｃでは、検索対象とする区間Ｐ、検索対象日、渋滞予測指数３６の検索範囲（例えば、１０％未満、８０％以上など）、などを検索条件として設定し、該検索条件に一致する区間Ｐの時間帯を検索し、表示部２９へ表示することができる。このため、上述したように、表示部２９には、例えば、図１５Ｂに示す検索結果の表示画面４２が表示される。
従って、本実施形態の情報処理装置１０Ｃでは、上記実施形態の効果に加えて、更に、ユーザの所望する検索条件に応じた渋滞予測結果を提供することが可能となる。
（第４の実施形態）
本実施形態では、クラスタリング部２５Ｇで渋滞クラスタラベルの群間の類似度に基づいて、区間Ｐごとの類似度を算出する形態を説明する。
図１７は、本実施形態の情報処理装置１０Ｄの一例を示す模式図である。情報処理装置１０Ｄは、情報処理装置１０の一例である。
情報処理装置１０Ｄは、記憶部２０と、通信部２２と、入力部２３と、制御部２７と、表示部２９と、を備える。記憶部２０、通信部２２、入力部２３、制御部２７、および表示部２９は、通信可能に接続されている。本実施形態の情報処理装置１０Ｄは、制御部２４に替えて制御部２７を備えた点以外は、上記実施形態の情報処理装置１０Ａと同様の構成である。
制御部２７は、情報処理装置１０Ｄにおいて各種の情報処理を実行する。
制御部２７は、上限予測部２５Ｅと、特定部２５Ｆと、クラスタリング部２５Ｇと、区間類似度算出部２７Ｍと、生成部２７Ｎと、表示制御部２７Ｄと、を備える。
収集部２５Ａ、上限予測部２５Ｅ、特定部２５Ｆ、クラスタリング部２５Ｇ、区間類似度算出部２７Ｍ、および表示制御部２７Ｄの少なくとも１つは、例えば、１または複数のプロセッサにより実現される。例えば、上記各部は、ＣＰＵなどのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣなどのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。
収集部２５Ａ、上限予測部２５Ｅ、特定部２５Ｆ、およびクラスタリング部２５Ｇは、上記第２の実施形態と同様である。なお、図示は省略するが、情報処理装置１０Ｄは、第２の実施形態と同様に、速度分布予測部２５Ｂ、予測指数予測部２５Ｃ、および表示制御部２５Ｄを更に備えた構成であってもよい。
区間類似度算出部２７Ｍは、複数の区間Ｐの各々ごとに、渋滞クラスタの渋滞クラスタラベルの群を特定する。そして、区間類似度算出部２７Ｍは、特定した渋滞クラスタラベルの群間の類似度を用いて、設定期間の複数の日の各々ごとに、区間Ｐの間の区間類似度を算出する。
例えば、区間類似度算出部２７Ｍは、複数の区間Ｐの各々ごとに、クラスタリング部２５Ｇで生成された渋滞クラスタラベルの群によって表される特徴を特定する。特徴は、例えば、渋滞クラスタラベルの系列などによって表される。
そして、区間類似度算出部２７Ｍは、特定した渋滞クラスタラベルの群によって表される特徴間の類似度を用いて、設定期間の複数の各々ごとに、区間Ｐの間の類似度を算出する。
詳細には、まず、区間類似度算出部２７Ｍは、対象とする複数の区間Ｐの各々の渋滞クラスタラベルの系列について、総当りで非類似度を計算する。なお、クラスタリングによって付与された渋滞クラスタラベルは、カテゴリカルであり、ラベルの値に大小関係などは存在しない。このため、区間類似度算出部２７Ｍは、比較対象の複数の区間Ｐの各々に属する渋滞クラスタラベルの系列から、区間Ｐの間の類似度を算出する。
類似度の算出には、相互の区間Ｐの渋滞クラスタラベルのマッチングの割合のみで、類似度を定義可能な、Ａｄｊｕｓｔｅｄ Ｒａｎｄ Ｉｎｄｅｘや、Ｎｏｒｍａｌｉｚｅｄ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎを適用すればよい。
生成部２７Ｎは、類似度が閾値以上の区間Ｐの群ごとに、区間Ｐを互いに異なる表示形態で表した区間類似度マップを生成する。
まず、生成部２７Ｎは、類似度の算出に用いられたＡｄｊｕｓｔｅｄ Ｒａｎｄ Ｉｎｄｅｘや、Ｎｏｒｍａｌｉｚｅｄ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎを用いて、区間Ｐ間の類似度を、渋滞クラスタラベルの系列のパターンが近いほど値が０（ゼロ）になる、非類似度ベクトルに変換する。
そして、生成部２７Ｎは、区間Ｐ間ごとに算出した非類似ベクトルを、区間Ｐ間の距離などに変換する。距離には、例えば、コサイン類似度などを用いればよい。
そしてさらに、生成部２７Ｎは、変換した距離の行列を入力として、非計量ＭＤＳを適用し、低次元空間での各区間Ｐの渋滞クラスタラベルの類似性に従って、類似度が高いほど相対的に近接するように付置される空間に変換する。
そして、生成部２７Ｎは、予め設定したグループ数になるまでＭＤＳ（多次元尺度法：Ｍｕｌｔｉ－Ｄｉｍｅｎｓｉｏｎａｌ Ｓｃａｌｉｎｇ）で構成された空間において、区間ネットワークのパスが全結合されている状態から、部分ネットワークが該グループ数になるまで、長いパスから順に切断して類似グループを構成する。
これらの処理により、生成部２７Ｎは、複数の区間Ｐを、類似度が閾値以上の区間Ｐの群ごとに分類する。
そして、生成部２７Ｎは、類似度が閾値以上の区間Ｐの群ごとに、区間Ｐの各々を互いに異なる表示形態で表した区間類似度マップを生成する。
表示制御部２７Ｄは、生成部２７Ｎで生成された区間類似度マップを表示部２９へ表示する。
図１８は、区間類似度マップ４４の一例を示す模式図である。このように、類似する区間Ｐごとに異なる色などの表示形態で区間Ｐを表した、区間類似度マップ４４が表示部２９へ表示される。
次に、本実施形態の情報処理装置１０Ｄの制御部２７で実行する情報処理の流れの一例を説明する。
図１９は、本実施形態の情報処理装置１０Ｄが実行する情報処理の流れの一例を示すフローチャートである。
情報処理装置１０Ｄでは、第２の実施形態の情報処理装置１０ＢにおけるステップＳ２００～ステップＳ２０６（図１０参照）と同様にして、ステップＳ６００～ステップＳ６０６の処理を実行する。
詳細には、収集部２５Ａは、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに、時刻ごとの速度データを収集する（ステップＳ６００）。上限予測部２５Ｅは、ステップＳ６００で収集された設定期間の複数の日の各々ごとに、時刻ごとの速度データを情報量基準が最適なクラスタ数にクラスタリングするとともに、クラスタ数に応じた渋滞速度上限を予測する（ステップＳ６０２）。
次に、特定部２５Ｆが、ステップＳ６００で収集された速度データの内、渋滞速度データの群を特定する（ステップＳ６０４）。クラスタリング部２５Ｇは、ステップＳ６０４で特定された渋滞速度データの群を、渋滞クラスタへクラスタリングする（ステップＳ６０６）。
ステップＳ６０２～ステップＳ６０６の処理によって、複数の区間Ｐの各々の、設定期間の複数の日の各々ごとに収集された速度データが、１または複数の非渋滞のクラスタと、１または複数の渋滞クラスタと、にクラスタリングされる。また、これらのクラスタにクラスタラベルを付与することで、複数の区間Ｐの各々ごとに、速度データの計測年月日ごとのクラスタラベルが付与された状態となる。
次に、区間類似度算出部２７Ｍが、区間Ｐの間の類似度を算出する（ステップＳ６０８）。次に、生成部２７Ｎが、ステップＳ６０８で算出された類似度を用いて、区間類似度マップ４４を生成する（ステップＳ６１０）。
表示制御部２７Ｄは、ステップＳ６１０で生成された区間類似度マップ４４を、表示部２９へ表示する（ステップＳ６１２）。そして、本ルーチンを終了する。
以上説明したように、本実施形態の情報処理装置１０Ｄでは、複数の区間Ｐの各々に属する渋滞クラスタラベルの群間の類似度を用いて、区間類似度マップ４４を生成し、表示部２９へ表示する。
このため、本実施形態の情報処理装置１０Ｄでは、上記実施形態の効果に加えて、渋滞する時間帯が類似する区間Ｐのグループを可視化して提供することができる。
次に、上記実施形態の情報処理装置１０のハードウェア構成の一例を説明する。
図２０は、上記実施形態の情報処理装置１０Ａ～情報処理装置１０Ｄの各々である情報処理装置１０の、ハードウェア構成図の一例である。
上記実施形態の情報処理装置１０は、ＣＰＵ８６などの制御装置と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）８８やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９０やＨＤＤ（ハードディスクドライブ）９２などの記憶装置と、各種機器とのインターフェースであるＩ／Ｆ部８２と、出力情報などの各種情報を出力する出力部８０と、ユーザによる操作を受付ける入力部９４と、各部を接続するバス９６とを備えており、通常のコンピュータを利用したハードウェア構成となっている。
上記実施形態の情報処理装置１０では、ＣＰＵ８６が、ＲＯＭ８８からプログラムをＲＡＭ９０上に読み出して実行することにより、上記各部がコンピュータ上で実現される。
なお、上記実施形態の情報処理装置１０で実行される上記各処理を実行するためのプログラムは、ＨＤＤ９２に記憶されていてもよい。また、上記実施形態の情報処理装置１０で実行される上記各処理を実行するためのプログラムは、ＲＯＭ８８に予め組み込まれて提供されていてもよい。
また、上記実施形態の情報処理装置１０で実行される上記処理を実行するためのプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ、ＣＤ－Ｒ、メモリカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されてコンピュータプログラムプロダクトとして提供されるようにしてもよい。また、上記実施形態の情報処理装置１０で実行される上記処理を実行するためのプログラムを、インターネットなど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してもよい。また、上記実施形態の情報処理装置１０で実行される上記処理を実行するためのプログラムを、インターネットなどのネットワーク経由で提供または配布するようにしてもよい。
なお、上記には、本発明の実施形態を説明したが、上記実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の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。この実施形態やその変形は、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。
１０、１０Ａ、１０Ｂ、１０Ｃ、１０Ｄ 情報処理装置
２４Ａ、２５Ａ 収集部
２４Ｂ 速度分布予測部
２４Ｃ、２５Ｃ 予測指数予測部
２４Ｄ、２５Ｄ、２６Ｄ、２７Ｄ 表示制御部
２５Ｅ 上限予測部
２５Ｆ 特定部
２５Ｇ クラスタリング部
２６Ｈ 学習部
２６Ｉ ラベル出力部
２６Ｊ クラスタ別予測指数予測部
２６Ｋ 受付部
２６Ｌ 検索部
２７Ｍ 区間類似度算出部
２７Ｎ 生成部
２９ 表示部

Claims (16)

  1. 経路を複数の区間に分割した前記区間を移動する移動体の速度データを収集し、収集された速度データに基づいて速度分布を予測し、前記速度分布に基づいて前記経路の予測指数を予測する、制御部、を備えた情報処理装置。
  2. 前記制御部は、
    前記区間を移動する前記移動体の速度データを収集する収集部と、
    収集された速度データに基づいて前記速度分布を予測する速度分布予測部と、
    前記速度分布に基づいて前記予測指数を予測する予測指数予測部と、
    を備える、
    請求項１に記載の情報処理装置。
  3. 前記収集部は、
    複数の日の各々ごとの時刻ごとの速度データを収集し、
    前記速度分布予測部は、
    時刻ごとの速度データの前記速度分布を予測する、
    請求項２に記載の情報処理装置。
  4. 前記予測指数予測部は、
    前記速度分布に基づいて、設定期間より後の予測期間の前記予測指数を予測する、
    請求項２または請求項３に記載の情報処理装置。
  5. 前記予測指数予測部は、
    前記速度分布に基づいて、設定日より後の予測日の前記予測指数を予測する、
    請求項４に記載の情報処理装置。
  6. 前記予測指数予測部は、
    複数の前記区間の各々ごとの前記速度分布に基づいて時刻ごとの渋滞確率を算出し、前記渋滞確率を、前記予測日の前記予測指数として予測する、
    請求項５に記載の情報処理装置。
  7. 前記制御部は、
    複数の前記区間の各々の、前記設定期間の１または複数の日の各々ごとに収集された、時刻ごとの速度データからなる群を、情報量基準が最適なクラスタ数にクラスタリングするとともに、該クラスタ数に応じた渋滞速度上限を予測する上限予測部と、
    複数の前記区間の各々ごとに、前記渋滞速度上限未満の速度データを少なくとも１つ含むクラスタに属する速度データの群を、渋滞速度である渋滞速度データの群として特定する特定部と、
    複数の前記区間の各々の、前記渋滞速度データの群を構成する複数の速度データを、情報量基準の最適なクラスタ数の複数の渋滞クラスタにクラスタリングするクラスタリング部と、
    を備え、
    前記速度分布予測部は、
    前記渋滞クラスタに属する速度データに基づいて、クラスタごとに時刻ごとの速度データの前記速度分布を予測する、
    請求項５に記載の情報処理装置。
  8. 複数の前記区間の各々ごとに、特定日以前の第１測定期間について導出された、複数の前記渋滞クラスタの各々に属する前記渋滞速度データの群を入力とし、前記特定日より後の第２測定日の前記渋滞クラスタの渋滞クラスタラベルを出力として、予測器を学習する学習部と、
    複数の前記区間の各々ごとに、対応する前記予測器へ前記設定日以前の第３測定期間の時刻ごとの速度データを入力し、前記予測器の出力として、前記設定日より後の日である前記予測日に属する前記渋滞クラスタラベルを出力するラベル出力部と、
    出力された前記渋滞クラスタラベルによって識別される前記渋滞クラスタに属する前記予測指数を、前記予測日の前記渋滞クラスタごとの前記予測指数として予測する、クラスタ別予測指数予測部と、
    を備える、
    請求項７に記載の情報処理装置。
  9. 前記区間、前記予測日、検索対象時間帯、前記予測指数の範囲、の少なくとも１つを含む検索条件を受付ける受付部と、
    前記クラスタ別予測指数予測部によって予測された前記予測日の前記渋滞クラスタごとの前記予測指数に基づいて、受付けた検索条件に一致する、前記区間、前記渋滞クラスタ、該渋滞クラスタの属する時間帯、および該時間帯の前記予測指数、の少なくとも１つを検索する検索部と、
    検索結果を表示部に表示する表示制御部と、
    を備える請求項８に記載の情報処理装置。
  10. 複数の前記区間の各々ごとに、前記渋滞クラスタの前記渋滞クラスタラベルの群を特定し、特定した前記渋滞クラスタラベルの群間の類似度を用いて、前記区間の間の類似度を算出する区間類似度算出部と、
    前記類似度が閾値以上の前記区間の群ごとに、前記区間の各々を互いに異なる表示形態で表した区間類似度マップを生成する生成部と、
    前記区間類似度マップを表示部に表示する表示制御部と、
    を備える
    請求項８に記載の情報処理装置。
  11. 前記経路は、道路である、請求項１～請求項１０の何れか１項に記載の情報処理装置。
  12. 前記移動体は、車両である、請求項１～請求項１１の何れか１項に記載の情報処理装置。
  13. 前記予測指数予測部は、前記経路の渋滞予測指数を、前記予測指数として予測する、請求項２～請求項１０の何れか１項に記載の情報処理装置。
  14. 経路を複数の区間に分割した前記区間を移動する移動体の速度データを収集し、収集された速度データに基づいて速度分布を予測し、前記速度分布に基づいて前記経路の予測指数を予測する制御部と、
    前記予測指数を表示部に表示する表示制御部と、
    を備える情報処理装置。
  15. コンピュータにより実行される情報処理方法であって、
    経路を複数の区間に分割した前記区間を移動する移動体の速度データを収集し、
    収集された速度データに基づいて速度分布を予測し、
    前記速度分布に基づいて前記経路の予測指数を予測する、
    情報処理方法。
  16. 経路を複数の区間に分割した前記区間を移動する移動体の速度データを収集するステップと、
    収集された速度データに基づいて速度分布を予測するステップと、
    前記速度分布に基づいて前記経路の予測指数を予測するステップと、
    をコンピュータに実行させるための情報処理プログラム。
JP2021036700A 2021-03-08 2021-03-08 情報処理装置、情報処理方法、および情報処理プログラム Pending JP2022136885A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021036700A JP2022136885A (ja) 2021-03-08 2021-03-08 情報処理装置、情報処理方法、および情報処理プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021036700A JP2022136885A (ja) 2021-03-08 2021-03-08 情報処理装置、情報処理方法、および情報処理プログラム

Publications (1)

Publication Number Publication Date
JP2022136885A true JP2022136885A (ja) 2022-09-21

Family

ID=83312129

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021036700A Pending JP2022136885A (ja) 2021-03-08 2021-03-08 情報処理装置、情報処理方法、および情報処理プログラム

Country Status (1)

Country Link
JP (1) JP2022136885A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011502248A (ja) * 2007-10-26 2011-01-20 トムトム インターナショナル ベスローテン フエンノートシャップ 位置決定データを処理する方法
JP2012252377A (ja) * 2011-05-31 2012-12-20 Nec Corp 交通情報生成システム、交通情報生成方法及びプログラム
JP2013218512A (ja) * 2012-04-09 2013-10-24 Mitsubishi Electric Corp データ処理装置及びデータ処理方法及びプログラム
JP2014507656A (ja) * 2011-02-03 2014-03-27 トムトム デベロップメント ジャーマニー ゲーエムベーハー 渋滞関連区分データの生成
JP2020101908A (ja) * 2018-12-20 2020-07-02 株式会社東芝 交通状況予測装置、および交通状況予測方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011502248A (ja) * 2007-10-26 2011-01-20 トムトム インターナショナル ベスローテン フエンノートシャップ 位置決定データを処理する方法
JP2014507656A (ja) * 2011-02-03 2014-03-27 トムトム デベロップメント ジャーマニー ゲーエムベーハー 渋滞関連区分データの生成
JP2012252377A (ja) * 2011-05-31 2012-12-20 Nec Corp 交通情報生成システム、交通情報生成方法及びプログラム
JP2013218512A (ja) * 2012-04-09 2013-10-24 Mitsubishi Electric Corp データ処理装置及びデータ処理方法及びプログラム
JP2020101908A (ja) * 2018-12-20 2020-07-02 株式会社東芝 交通状況予測装置、および交通状況予測方法

Cited By (1)

* Cited by examiner, † Cited by third party
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
Zhang et al. A framework for passengers demand prediction and recommendation
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
CN105091890B (zh) 用于推荐候选路径的方法和装置
JP4978692B2 (ja) マップマッチングシステム、マップマッチング方法およびプログラム
US9349150B2 (en) System and method for multi-task learning for prediction of demand on a system
CN111539454B (zh) 一种基于元学习的车辆轨迹聚类方法及系统
CN115790636B (zh) 基于大数据的无人驾驶零售车巡航路径规划方法及装置
JP7292355B2 (ja) 車両整列情報を特定する方法及び装置、電子機器、路側機器、クラウド制御プラットフォーム、記憶媒体並びにコンピュータプログラム製品
Zhu et al. Inferring taxi status using gps trajectories
CN106940929B (zh) 交通数据预测方法及装置
Priambodo et al. Predicting traffic flow propagation based on congestion at neighbouring roads using hidden Markov model
JP2022136885A (ja) 情報処理装置、情報処理方法、および情報処理プログラム
CN114299742A (zh) 一种高速公路的限速信息动态识别与更新推荐方法
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
Wang et al. Dynamic traffic prediction based on traffic flow mining
Widhalm et al. Robust road link speed estimates for sparse or missing probe vehicle data
JP2006011572A (ja) 交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法
Raj et al. Evaluation of perception and nonperception based approaches for modeling urban road level of service
CN115206102A (zh) 确定交通路径的方法、装置、电子设备和介质
Ngo et al. Life-long learning system of driving behaviors from vehicle data streams
Xu et al. An improved algorithm for clustering uncertain traffic data streams based on Hadoop platform
Woo et al. Data-driven prediction methodology of origin–destination demand in large network for real-time service
Elnekave et al. Predicting future locations using clusters' centroids
Wen et al. Vehicle Trajectory Clustering and Anomaly Detection at Freeway Off-Ramp Based on Driving Behavior Similarity
Elnekave et al. Discovering regular groups of mobile objects using incremental clustering

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230214

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231012

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231017

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231130

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240123

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240220

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240416