JP2023043006A - 予測装置、予測方法及び予測プログラム - Google Patents

Abstract

【課題】メカニズムが明確であり、かつ計算コストが低コストな方法で交通量の予測を行う予測装置、予測方法及び予測プログラムを提供する。【解決手段】予測装置１０は、計算部１３１と、予測部１３３と、を有する。計算部１３１は、地図に表される地点をノードとし、地点間の連結をリンクとするベイジアンネットワークを基に、地点ごとの交通量の確率分布を計算する。予測部１３３は、確率分布を基に地点間の交通量を予測する。【選択図】図２

Description

本発明は、予測装置、予測方法及び予測プログラムに関する。

ＣＰＳ（Cyber Physical Systems）では、現実世界を計測した情報からサイバー空間上で何をどのように予測するかが重要となる。例えば、カメラ等センサを用いて人流及び交通流を計測、予測することにより、地域の周遊性を向上させたり、交通渋滞の解消に寄与することが期待できる。

従来の一般的な交通量の予測方法としては、深層学習といった方法が用いられる。

また、道路網のある地点から発生し、一定のルートを通って他の地点で消滅する起終点交通量を求めるための技術であって、出発リンクに設定した交通量を各分岐で分配し、シミュレーションを行った得られた各リンクの通過交通量を基に、ベイズ推定を用いて各リンクの発生交通量を推定する技術が知られている（例えば、特許文献１を参照）。

特開２００２－０４９９８４号公報

しかしながら、従来の技術では、メカニズムが明確であり、かつ計算コストが低コストな方法で交通量の予測を行うことが困難な場合があるという問題がある。

例えば、深層学習による予測方法では、結果に至るメカニズムが明確でなく、また、予測精度を確保するためには計算コストが高くなってしまうという課題がある。また、特許文献１に記載されているシミュレーションによって原理を解析する方法は、交通量を推定する際の演算の一部にベイズ推定を用いているが、交通量を推定する際のベイズ推定の用い方としてより効果的な用い方が考えられる。

本発明は、上記に鑑みてなされたものであって、メカニズムが明確であり、かつ計算コストが低コストな方法で交通量の予測を行うことができる予測装置、予測方法及び予測プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る予測装置は、計算部と、予測部と、を有する。計算部は、地点であるノードと、ノード間を連結するリンクとを含む地図データを有向グラフと見なして構成したベイジアンネットワークを基に、地点ごとの交通量の確率分布を計算する。予測部は、確率分布を基に地点間の交通量を予測する。

本発明によれば、メカニズムが明確であり、かつ計算コストが低コストな方法で交通量の予測を行うことができる。

図１は、実施形態に係るモデルについて説明する図である。 図２は、実施形態に係る予測装置の構成例を示すブロック図である。 図３は、実施形態に係る確率分布の合成方法を説明する図である。 図４は、実施形態に係る確率分布の更新方法を説明する図である。 図５は、実施形態に係る予測処理の流れを示すフローチャートである。 図６は、実施形態に係る更新処理の流れを示すフローチャートである。

以下、添付図面を参照して、本願の開示する予測装置、予測方法及び予測プログラムの実施形態を詳細に説明する。なお、以下に示す実施形態により本発明が限定されるものではない。

まず、図１を用いて、実施形態で用いられるモデルについて説明する。図１は、実施形態に係るモデルについて説明する図である。実施形態の予測装置は、図１で説明するモデルを用いて交通量の予測を行うことができる。

図１には、Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇをノードとする有向グラフが示されている。ダイナミックマップを含むデジタル地図は、分岐ごとの地点をノードとして表現し、各地点からの前後の地点への連結をリンクとして表現したデータとして構成されている。この地図データの表現はすなわち有向グラフであるため、地図データを有向グラフとみなしている。

有向グラフは、人流及び交通流のネットワークモデルに見立てることができる。人流及び交通流は、道路のつながりによって相関を持ち、かつ地点や連結ごとに信号機、店舗といったの分岐及び滞留に影響を与える因子を持つ。

このため、実施形態では、有向グラフをベイジアンネットワークとして扱い、交通量を予測するためのモデルを作成する。これにより、少ない情報量から高速に人流及び交通流を予測するモデルが得られる。

実施形態において、地点はベイジアンネットワークにおけるノードに相当する。また、地点間の連結はベイジアンネットワークにおけるリンクに相当する。

ここで、ベイジアンネットワークは、複数の事象のそれぞれをノードとし、事象間の因果関係の有無をノード間のリンクにより表現した非巡回有向グラフである。例えば、ベイジアンネットワークにおける各ノードには、対応する事象に応じた確率分布が与えられる。これにより、リンクごとの確率（条件付き確率）が計算可能になる。

なお、以降の説明において、交通は、車両のような移動体だけでなく、歩行者等の移動（人流）を含む概念であるものとする。また、移動体及び人のような、交通を発生させる主体を交通主体と呼ぶ。

予測装置は、モデルを使い、各ノードにおける交通主体の移動頻度等を計測した計測結果から、各ノードの交通量を算出する。さらに、予測装置は、計測結果から、交通主体が各ノードを移動する確率を推定する（図１の（１）、（２）、（３）、（４））。

ここで、予測装置は、各ノードの依存関係（リンク）から、交通主体がノードＤからノードＦに移動する確率を計算する（図１の（５））。

そして、予測装置は、計算結果から、施設（ノードＦ）に入る交通量を予測することができる。

なお、予測装置は、全てのノード及びリンクについて交通量及び確率を計算する必要はない。例えば、予測装置は、カメラ等により最新の情報を取得可能な地点に対応するノードについて交通量を計算し、また、当該ノードに関連するリンクについて確率を計算する。

図２を用いて、予測装置の構成及び処理を詳細に説明する。図２は、実施形態に係る予測装置の構成例を示すブロック図である。

例えば、図２に示す予測装置１０は、地図に表される道路上の各地点における、交通量に関する観測結果を取得する。例えば、観測結果は、ある地点において観測を実行した回数と、移動した交通主体が見られた回数の組み合わせである。

図２は、実施形態に係る予測装置の構成を示す機能ブロック図である。図２に示すように、予測装置１０は、インタフェース部１１、記憶部１２及び制御部１３を有する。

インタフェース部１１は、予測装置１０を他の装置と接続するためのインタフェースである。予測装置１０は、インタフェース部１１を介して、他の装置とのデータのやり取りを行うことができる。

例えば、予測装置１０はサーバであり、道路を監視するシステムと接続され、当該システムからインタフェース部１１を介して観測結果を受け取る。

そして、予測装置１０は、予測した交通量を、道路に設置された信号機を制御するための装置へ送信する。これにより、交通量に応じた信号機の制御が可能になる。

例えば、信号機を制御するための装置は、予測結果を基に、交通量の多い地点では交通主体の信号待ちの時間を短くし、交通量の少ない地点では交通主体の信号待ちの時間を長くすることで、全体の交通量を平準化することができる。

予測装置１０の記憶部１２及び制御部１３は、例えばＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、フラッシュメモリ、入出力ポート等を有するコンピュータや各種の回路により実現される。

記憶部１２は、ＲＡＭやフラッシュメモリに対応する。ＲＡＭやフラッシュメモリは、モデル情報１２１及び各種プログラムの情報等を記憶することができる。

また、コンピュータのＣＰＵは、例えばＲＯＭに記憶されたプログラムを読み出して実行することによって、制御部１３の計算部１３１、合成部１３２、予測部１３３及び更新部１３４として機能する。

なお、予測装置１０は、有線や無線のネットワークで接続された他のコンピュータや可搬型記録媒体を介して上記したプログラムや各種情報を取得することとしてもよい。

ここで、モデル情報１２１は、交通量を予測するためのモデルのパラメータ等である。例えば、モデルが確率分布（確率密度関数）で表される場合、モデル情報１２１は確率分布を特定するためのパラメータである。

計算部１３１は、地点であるノードと、ノード間を連結するリンクとを含む地図データを有向グラフと見なして構成したベイジアンネットワークを基に、地点ごとの交通量の確率分布を計算する。

例えば、計算部１３１は、複数の地点の確率分布としてベータ分布を計算する。なお、計算部１３１が計算する確率分布は、ベータ分布に限られず、ベータ分布以外の確率分布であってもよい。

ここで、計算部１３１は、ベイズ推定により確率分布を計算する。このため、計算部１３１の計算結果には、予測がどの程度確からしいかの情報（確信度、確率密度）が含まれる。

その結果、計算部１３１によれば、ＡＩ及び分析者は、どの程度計算結果を信じて判断及び行動を行うかを決められるため、より柔軟なシステムが構築できる。

また、計算部１３１の計算結果は、計測結果から確率伝播を行うことでノードの交通量を確率論的に計算したものであるということができる。一方で、確信度とともに確率分布を伝播させることで、ノード間の交通量を確信度とともに予測することができる。

そこで、合成部１３２は、計算部１３１によって計算された複数の地点の確率分布を近似的に合成した合成分布を得る。

例えば、合成部１３２は、ベータ分布の各パラメータの相乗平均又は調和平均を用いて合成分布を得る。これにより、計算コストが低コストかつ直感的に理解可能な合成分布を得ることができる。

ここで、計算部１３１は、ノードＡの確率θとノードＢの確率φについて、（１）式及び（２）式のように確率分布を計算したものとする。

Ｎ、ｎ、Ｍ、ｍは観測結果を表すいずれも０以上の整数である。例えば、Ｎ及びｎは、ノードＡにおいてＮ回の観測を試みた結果、交通主体の移動がｎ回だけ観測されたことを意味する。Ｍ、ｍについても同様である。

つまり、交通主体の移動頻度が多いノードほど、ベータ分布のパラメータの第１項（例えば、（１）式のｎ＋α）は大きくなり、第２項（例えば、（１）式のＮ－ｎ＋β）は小さくなる。

なお、α及びβは、初期設定又は学習によって決まるパラメータである。ここでは、α及びβをハイパーパラメータと呼ぶ。

合成部１３２は、（３）式のように確率分布を近似的に合成し、合成分布Ｐ（θ，φ）を得る。

図３は、実施形態に係る確率分布の合成方法を説明する図である。図３の確率分布２０１はノードＡの確率分布であり、（１）式に相当する。また、確率分布２０２はノードＢの確率分布であり、（１）式に相当する。

なお、確率分布２０１及び確率分布２０２は、ＣＰＴ（Conditional Probability Table）で表されたものであってもよい。

確率分布２０３は、合成分布であり、（３）式に相当する。ここで、確率分布２０１の最尤推定確率は０．３である。また、確率分布２０２の最尤推定確率は０．６である。そして、確率分布２０３の最尤推定確率は、０．６×０．３＝０．１８となる。

このように、確率分布２０３は、最尤推定確率がノードＡの最尤推定確率とノードＡの最尤推定確率の積であり、ノードＡとノードＢの中間の確信度と分散を持つベータ分布ということができる。

また、確率分布２０３は、ノードＡに対応する地点と、ノードＢに対応する地点との間の交通量を予測するための確率分布である。

予測部１３３は、確率分布を基に地点間の交通量を予測する。特に、予測部１３３は、合成分布を基に地点間の交通量を予測する。

確率分布を厳密に合成すると、次元数が増加し、直感的には理解しにくいものとなる。一方で、実施形態のように合成分布を近似することで、直感的な交通量の予測結果を提供することが可能になる。

更新部１３４は、計算部１３１によって計算された確率分布の第１のパラメータと交通量の観測値から得られた第２のパラメータとの重み付き和により、確率分布を更新する。

更新部１３４は、モデルの予測結果と実際の観測結果との差分を基にモデルを更新することで、経年変化に対応し、モデルを最新のものへ素早く高応答に更新することができる。

ここで、ノードＡの更新前の確率分布、すなわち事前分布が（４）式で表されるものとする。

一方で、ノードＡの観測結果に基づく確率分布、すなわち事後分布は（５）式で表されるものとする。

このとき、更新部１３４は（６）式によりハイパーパラメータを更新する。

ａは学習ゲインであり、（６）式の右辺の第１項の重みである。更新部１３４は、（７）式の損失関数Ｌｏｓｓ（θ）を基に、（８）式のように学習ゲインａを計算する。

このように、更新部１３４は、確率分布による予測値と観測値との誤差の絶対値に比例し、確率分布の確信度と観測値の確信度の比に反比例する損失関数が大きいほど小さくなる重みを第１のパラメータに掛けた値と、第２のパラメータとの和により確率分布を更新する。

なお、第１のパラメータは、例えば（６）式の右辺第１項の［］内に相当する。また、第２のパラメータは、例えば（６）式の右辺第２項に相当する。

これにより、損失関数が小さい場合、すなわち予測誤差が小さい場合に学習による影響を小さくすること（学習揮発）ができる。

図４は、実施形態に係る確率分布の更新方法を説明する図である。図４に示すように、事前分布３０１と観測分布４０１との間には、予測誤差（モデルと観測結果のギャップ）が生じる。なお、観測分布４０１は、観測値から推定される確率分布である。

事後分布３０２ａは、学習揮発を行うことなく事前分布３０１を更新したものである（例えば、学習ゲインａ＝１）。事後分布３０２ｂは、学習揮発を行った上で事前分布３０１を更新したものである（例えば、学習ゲインａ＜１）。

このように、学習揮発を行うことで、予測結果が実際の観測結果により近付くようにモデルの更新を行うことができる。

なお、更新部１３４は、例えば（８）式の学習ゲインａが閾値（例えば０．１）以上の場合にモデルの更新を行うようにしてもよい。

図５を用いて、予測装置１０による予測処理の流れを説明する。図５は、実施形態に係る予測処理の流れを示すフローチャートである。

図５に示すように、まず、予測装置１０は、ベイズ推定によりノードごとの確率分布を計算する（ステップＳ１０１）。

次に、予測装置１０は、２つのノードの確率分布を近似的に合成する（ステップＳ１０２）。例えば、予測装置１０は（３）式により確率分布を合成する。

そして、予測装置１０は、合成によって得られた確率分布からノード間の交通量を予測する（ステップＳ１０３）。

図６を用いて、予測装置１０による更新処理の流れを説明する。図６は、実施形態に係る更新処理の流れを示すフローチャートである。

図６に示すように、まず、予測装置１０は、事前分布（更新前のモデル）と事後分布（観測結果）との間の差分を計算する（ステップＳ２０１）。例えば、差分は（７）式の損失関数により表される。

そして、予測装置１０は、差分が大きいほど事前分布の影響が小さくなるようにモデルを更新する（ステップＳ２０２）。例えば、予測装置１０は（８）式の学習ゲインを用いて、（６）式のようにモデルのハイパーパラメータを更新する。

上述してきたように、実施形態に係る予測装置１０は、計算部１３１と、予測部１３３と、を有する。計算部１３１は、地点であるノードと、ノード間を連結するリンクとを含む地図データを有向グラフと見なして構成したベイジアンネットワークを基に、地点ごとの交通量の確率分布を計算する。予測部１３３は、確率分布を基に地点間の交通量を予測する。

このように、予測装置１０は、ベイジアンネットワークを使った手法により交通量を予測する。その結果、実施形態によれば、メカニズムが明確であり、かつ計算コストが低コストな方法で交通量の予測を行うことができる。

また、深層学習等により交通量を予測する方法が知られている。一方で、そのような予測方法においては、結果に至るメカニズムが明確ではなく、交通に関する問題に対して、予測結果に基づいた対症療法的な処置しか行えず、根本的な解決に至らない場合も考えられる。

これに対し、実施形態の予測方法は、交通量の予測に至るメカニズムが明確であるため、交通に関する問題の根本的な解決を支援することができる。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細及び代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲及びその均等物によって定義される総括的な発明の概念の精神又は範囲から逸脱することなく、様々な変更が可能である。

１０ 予測装置
１１ インタフェース部
１２ 記憶部
１３ 制御部
１２１ モデル情報
１３１ 計算部
１３２ 合成部
１３３ 予測部
１３４ 更新部
２０１、２０２、２０３ 確率分布
３０１ 事前分布
３０２ａ、３０２ｂ 事後分布
４０１ 観測分布

Claims (7)

1. 地点であるノードと、ノード間を連結するリンクとを含む地図データを有向グラフと見なして構成したベイジアンネットワークを基に、地点ごとの交通量の確率分布を計算する計算部と、
   前記確率分布を基に地点間の交通量を予測する予測部と、
   を有することを特徴とする予測装置。
2. 前記計算部によって計算された複数の地点の確率分布を近似的に合成した合成分布を得る合成部をさらに有し、
   前記予測部は、前記合成分布を基に地点間の交通量を予測することを特徴とする請求項１に記載の予測装置。
3. 前記計算部は、前記複数の地点の確率分布としてベータ分布を計算し、
   前記合成部は、ベータ分布の各パラメータの相乗平均又は調和平均を用いて合成分布を得ることを特徴とする請求項２に記載の予測装置。
4. 前記計算部によって計算された確率分布の第１のパラメータと交通量の観測値から得られた第２のパラメータとの重み付き和により、前記確率分布を更新する更新部をさらに有することを特徴とする請求項１から３のいずれか１項に記載の予測装置。
5. 前記更新部は、前記確率分布による予測値と観測値との誤差の絶対値に比例し、前記確率分布の確信度と前記観測値の確信度の比に反比例する損失関数が大きいほど小さくなる重みを前記第１のパラメータに掛けた値と、前記第２のパラメータとの和により前記確率分布を更新することを特徴とする請求項４に記載の予測装置。
6. 予測装置によって実行される予測方法であって、
   地点であるノードと、ノード間を連結するリンクとを含む地図データを有向グラフと見なして構成したベイジアンネットワークを基に、地点ごとの交通量の確率分布を計算する計算工程と、
   前記確率分布を基に地点間の交通量を予測する予測工程と、
   を含むことを特徴とする予測方法。
7. コンピュータに、
   地点であるノードと、ノード間を連結するリンクとを含む地図データを有向グラフと見なして構成したベイジアンネットワークを基に、地点ごとの交通量の確率分布を計算する計算ステップと、
   前記確率分布を基に地点間の交通量を予測する予測ステップと、
   を実行させることを特徴とする予測プログラム。

Images