JP2023092971A - 交通状況予測装置、および、交通状況予測方法 - Google Patents

Abstract

【課題】道路の複数の区間の将来の交通状況を簡潔な処理で予測する。【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を分割した複数の区間を交通状況データの類似性に基づいて群化した群ごとに、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過去交通状況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予測モデルを生成し、その場合に、群内の複数の区間について、渋滞のボトルネックになる可能性の高い区間ほど重く重み付けして、前記予測モデルを生成する学習処理部と、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、前記区間ごとに、前記現在交通状況データを入力データとし、当該区間が属する群に対応付けられた前記予測モデルに基づいて、出力データとして、将来の交通状況データを取得する予測処理部と、を備える。【選択図】図８

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に対して、走行予定の経路の交通状況として渋滞情報の提供が行われている。渋滞情報については、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予測モデルを生成し、その予測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、将来の交通状況（例えば、車両速度、渋滞度など）を予測することができる。また、将来の交通状況を予測することで、交通状況を良好に保つために適切な施策を実行することができる。

国際公開第２０１７／０３３４４３号 特許第３２４０５０５号公報 特許第４１１５３７３号公報 特開２０２０－１３５２３１号公報 特開２０１８－１４７０３７号公報 特許第６２３５２６６号公報

上述の従来技術では、将来の交通状況を予測する場合に、一般に、道路の区間ごとに別々の予測モデルを独立に生成して予測を行っている。しかしながら、この手法では、交通状況の予測範囲を広域に拡大する場合など、多くの区間の将来の交通状況を予測する場合に、大規模な計算が必要となってしまい、学習や予測を実現するための物理コストや時間コストが大きくなってしまうという問題があった。

そこで、本実施形態の課題は、道路の複数の区間の将来の交通状況を簡潔な処理で予測することができる交通状況予測装置、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を分割した複数の区間を交通状況データの類似性に基づいて群化した群ごとに、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過去交通状況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予測モデルを生成し、その場合に、群内の複数の区間について、渋滞のボトルネックになる可能性の高い区間ほど重く重み付けして、前記予測モデルを生成する学習処理部と、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、前記区間ごとに、前記現在交通状況データを入力データとし、当該区間が属する群に対応付けられた前記予測モデルに基づいて、出力データとして、将来の交通状況データ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実施形態における合流のある道路を模式的に示す図である。 図５は、第１実施形態における道路の区間ごとの速度の経時変化の例を示すグラフである。 図６は、第１実施形態において、道路の区間の群化の例を模式的に示す図である。 図７は、第１実施形態における学習時の各区間の重み付けの説明図である。 図８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９は、第１実施形態における将来の複数時点の道路の渋滞度等の表示例を模式的に示す図である。 図１０は、第１実施形態における交通状況予測装置による学習処理を示すフローチャート等である。 図１１は、第１実施形態における交通状況予測装置による予測処理を示すフローチャート等である。 図１２は、第２実施形態における着目区間と周辺区間の組み合わせを示す図である。 図１３は、第２実施形態における着目区間と周辺区間の組み合わせの使い方の説明図である。 図１４は、第２実施形態において起点を所定の出発時刻に出発した場合の終点への到着時刻の算出の説明図である。

以下、図面を参照しながら、本発明の交通状況予測装置、および、交通状況予測方法の実施形態（第１実施形態、第２実施形態）について説明する。

まず、図１を参照して、第１実施形態における道路Ｒについて説明する。
図１は、第１実施形態における道路Ｒ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。また、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（hour）］、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。また、道路交通管制システム３は、交通状況予測装置１に、将来の交通状況の予測の指示を与える（詳細は後述）。

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、第１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、予測モデル１２６と、予測結果１２７と、を記憶する。

道路データ１２１は、道路の構造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、予測モデル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、予測モデル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過去交通状況データである。

予測モデル１２６は、学習処理部１１２によって生成されるモデルである。予測モデル１２６は、複数の区間を交通状況データの類似性に基づいて群化（グループ化）した群（グループ）ごとに生成される。予測モデル１２６の詳細については後述する。

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。

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、区間ごとに、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、複数の道路の複数の区間を、交通状況データの類似性に基づいて群化し、例えば、区間と群とを対応付けた対応テーブルで群化に関する情報を管理する。また、学習処理部１１２は、群ごとに、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、所定時点より後の過去交通状況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予測モデル１２６を生成する。その場合に、例えば、学習処理部１１２は、群内の複数の区間について、渋滞のボトルネックになる可能性の高い区間ほど重く重み付けして、予測モデル１２６を生成する（詳細は図７を用いて後述）。

また、例えば、学習処理部１１２は、着目区間とその周辺区間の教師データに基づいて機械学習を行うことによって予測モデル１２６を生成する（詳細は図８を用いて後述）。

また、学習処理部１１２は、予測モデル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などを用いてもよい。

予測処理部１１３は、区間ごとに、現在交通状況データを入力データとし、当該区間が属する群に対応付けられた予測モデル１２６に基づいて、出力データとして、将来の交通状況データを取得する。

例えば、予測処理部１１３は、着目区間ごとに、着目区間とのその周辺区間の現在交通状況データを入力データとし、着目区間が属する群に対応付けられた予測モデルと周辺区間が属する群に対応付けられたに基づいて、出力データとして、将来の交通状況データを取得する。

算出部１１４は、例えば、区間ごとに、将来の交通状況データに基づいて、渋滞の長さ、渋滞の損失時間、走行時間、渋滞量等を算出する。

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。

以上で各装置の構成の説明を終了し、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、予測モデル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４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。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（周辺区間）や下流区間（周辺区間）のデータも併せて使うことが好ましい。特に、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４に示すように、道路上に区間＃１１～＃１４が設けられ、区間＃１２は区間＃１５からの車両が合流する区間とする。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（インターチェンジ)を含む区間などがある。

次に、図５を参照して、区間の群化について説明する。
図５は、第１実施形態における道路の区間ごとの速度の経時変化の例を示すグラフである。図５において、（ａ）～（ｄ）は、それぞれ、別々の区間に関する速度の経時変化を示すグラフである。

（ａ）のグラフと（ｂ）のグラフは概形が類似している。また、（ｃ）のグラフと（ｄ）のグラフは概形が類似している。したがって、（ａ）の区間と（ｂ）の区間を同一の群とし、（ｃ）の区間と（ｄ）の区間を同一の群とする。具体的には、クラスタリングと呼ばれる手法によってこのような分類を行うことができる。

そして、同一の群に属する区間の交通状況データは互いに類似しているため、共通の予測モデル１２６を学習によって作成し、予測のときに用いる。これにより、区間ごとに別々の予測モデルを用いる従来技術と比べて、処理量を大幅に削減することができる。この効果は、予測対象の区間数が多くなればなるほど顕著になる。

次に、図６を参照して、道路の区間の群化の例について説明する。
図６は、第１実施形態において、道路の区間の群化の例を模式的に示す図である。図６の右側は、一方向に車両が移動する路線の例である。ここでは、区間１～区間１５を示し、区間３と区間８は複数路線の合流地点である。これらの区間１～区間１５についてクラスタリングを行ったところ、群１～群３に分類されたものとする。この例では、群１は８区間、群２は２区間、群３は５区間から構成される。これらの３つの群毎に共通で使用できる予測モデル１２６を作成する。

従来技術では、区間数が多くなると、大規模な計算が必要となってしまい、学習や予測を実現するための物理コストや時間コストが大きくなってしまうという問題があった。一方、第１実施形態の手法によれば、区間数が多くても、区間を群化することで、学習や予測の精度を従来技術と同等に維持しつつ、物理コストや時間コストを有意に小さくすることができる。

次に、図７を参照して、学習時の各区間の重み付けについて説明する。また、図６も併せて参照する。
図７は、第１実施形態における学習時の各区間の重み付けの説明図である。図７において、横軸は、学習時（予測モデル１２６作成時）の予測エラー（予測と実際との相違）件数を示す。例えば、群２には２つの区間が存在する。これらの区間２および区間３の予測エラー合計件数が、区間数２個分の群の標準エラー件数以下となるように設定した場合、区間２と区間３のエラー数が均等になるとは限らず、一方はエラー少、他方はエラー多のような不均衡が発生することがある。しかし、区間３は図６で示すように合流地点であり、渋滞が発生しやすい区間であることから、区間３の予測精度が悪くなることは好ましくない。

このため、各群の中で予測精度を確保したい区間の順列を作成する。図７では、各群で、上の区間ほど予測精度を確保したい度合いが高い。この場合、例えば、各区間の渋滞の発生頻度を集計し、その発生頻度の大小によって、順番を決めてもよい。特に、区間３と区間８は渋滞が発生やすい合流区間であることから、これらの精度確保が他の区間より優先されるよう、学習時の損失関数に、各区間の重み係数を設定する。このようにして、学習処理部１１２は、群内の複数の区間について、渋滞のボトルネックになる可能性の高い区間ほど重く重み付けして、予測モデル１２６を生成する。

次に、図８を参照して、学習処理の概要について説明する。
図８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。予測モデル１２６は各群ごとに学習して生成される。予測モデル１２６は、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）の予測ネットワークである。

ここでは、群１の予測ネットワークと群３の予測ネットワークが用いられる。また、左上に示した５つの区間のうち、区間ｄ１、ｂ０は群１に属し、区間ｕ１、ｕ２、ｕ３は群２に属する。

例えば、区間ｂ０の予測を行う際には、ｂ０の過去交通状況データを入力とし、一定時間（例えば５分）毎の未来の予測値（例えば渋滞度）に相当するラベルを出力する。また、ｂ０の予測にはその周辺区間ｄ１、ｕ１、ｕ２、ｕ３の情報も有用なので入力として加えるような拡張を行う。つまり、学習処理部１１２は、着目区間とその周辺区間の教師データに基づいて機械学習を行うことによって予測モデル１２６を生成する。

ここでは、基準時刻をｔ_０とし、例えば、５分単位で５分後から２時間後までの区間渋滞度を予測する。その場合、着目区間と周辺区間について、基準時刻より前の２時間分の交通状況データ（交通量、速度、占有率）を用意する。そして、各予測モデルにおいて、所定の損失関数を用いて学習を行う。

なお、従来技術では、例えば、３０の区間があれば、予測モデルも３０あった。一方、第１実施形態では、例えば、３０の区間を４、５程度の群に分類すれば、予測モデル１２６も４、５程度になって処理が軽くなり、かつ、１つあたりの予測モデル１２６に対する学習データが多くなるというメリットもある。

また、１つの群に属する複数の区間に関して、予測モデル１２６は共通のものを用いるが、区間ごとの学習や予測を行う際に、その区間に固有の情報を反映するための調整器（調整用ソフトウェア）を併せて用いてもよい。

また、他の区間ｄ１、ｕ１、ｕ２、ｕ３の予測についても、同様に、周辺区間データと組み合わせて行う。

次に、図９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９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１０を参照して、交通状況予測装置１による学習処理について説明する。
図１０は、第１実施形態における交通状況予測装置１による学習処理を示すフローチャート等である。
まず、ステップＳ１１において、学習処理部１１２は、ユーザによる入力部１３を用いた指示等に基づいて、学習対象の道路を選択する。

次に、ステップＳ１２において、学習処理部１１２は、学習対象の道路における複数の区間ごとの交通状況データを、交通状況データの類似性に基づいて群化する（図６）。

次に、ステップＳ１３において、学習処理部１１２は、群ごとの予測モデル１２６を学習する。つまり、学習処理部１１２は、群ごとに、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、所定時点より後の過去交通状況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、予測モデル１２６を生成する。このようにして、群ごとの予測モデル１２６を生成することができる。

その場合に、例えば、学習処理部１１２は、群内の複数の区間について、渋滞のボトルネックになる可能性の高い区間ほど重く重み付けして、予測モデル１２６を生成する（図７）。また、例えば、学習処理部１１２は、着目区間とその周辺区間の教師データに基づいて機械学習を行うことによって予測モデル１２６を生成する（図８）。

次に、図１１を参照して、交通状況予測装置１による予測処理について説明する。
図１１は、第１実施形態における交通状況予測装置１による予測処理を示すフローチャート等である。
まず、ステップＳ２１において、予測処理部１１３は、ユーザによる入力部１３を用いた指示等に基づいて、予測対象の道路を選択する。

次に、ステップＳ２２～Ｓ２４において、予測処理部１１３は、区間ごとの処理を行う。
ステップＳ２３において、予測処理部１１３は、対象の区間について、現在交通状況データを入力データとし、当該区間が属する群に対応付けられた予測モデル１２６に基づいて、出力データとして、将来の交通状況データを取得する。また、予測処理部１１３は、例えば、着目区間ごとに、着目区間とのその周辺区間の現在交通状況データを入力データとし、着目区間が属する群に対応付けられた予測モデルと周辺区間が属する群に対応付けられたに基づいて、出力データとして、将来の交通状況データを取得する。

ステップＳ２２～Ｓ２４の後、ステップＳ２５において、算出部１１４は、予測対象道路の指標値を算出し、出力（例えば道路交通管制システム３に送信）する。例えば、算出部１１４は、区間ごとに将来の交通状況データに基づいて、指標値として、渋滞長、渋滞の損失時間、走行時間、渋滞量等を算出し、出力する。

このように、第１実施形態の交通状況予測装置１によれば、道路の複数の区間を群化しておき、群ごとに予測モデル１２６を対応させて学習し、各区間について、属する群に対応する予測モデル１２６を用いて将来の交通状況を予測する。これにより、道路の複数の区間の将来の交通状況を簡潔な処理で予測することができる。

また、群内の複数の区間について、渋滞のボトルネックになる可能性の高い区間ほど重く重み付けして、予測モデル１２６を生成する（図７）。これにより、予測結果の精度を向上させることができる。

また、着目区間とその周辺区間の教師データに基づいて機械学習を行うことによって予測モデル１２６を生成する（図８）。これにより、予測結果の精度を向上させることができる。

（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、機械学習を行って予測モデル１２６を生成する際に用いる周辺区間の組み合わせを複数使う。

図１２は、第２実施形態における着目区間と周辺区間の組み合わせを示す図である。
ここで、着目区間としては、例えば、渋滞のボトルネックになりやすい合流区間などを選ぶ。選び方としては、例えば、道路の形状から判断してもよいし、あるいは、過去の渋滞履歴によって判断してもよい。そして、着目区間と組み合わせる周辺区間として、６つの組合せＡ～Ｆを考える。区間（３）が着目区間である。

次に、図１３は、第２実施形態における着目区間と周辺区間の組み合わせの使い方の説明図である。（ａ）は、各区間をグラフ構造で表したものである。また、（ｂ）は、区間同士の影響度を重み係数で示した行列である。重み係数については、最も影響の強い場合を１、影響がない場合を０とし、０～１の実係数で影響の大きさを表現する。

このような行列を、予測時間（５分先から１２０分先）ごとに作成する。このような行列が予測時間の長さによって変化しない場合は、１つの行列を取得する。しかし、その影響が予測時間の長さによって変化する場合は、予測時間ごとに使う行列を異ならせる。

例えば、（ｃ）に示すように、予測時間が短い場合は組合せＡに対応する行列を使い、予測時間が中程度の場合は組合せＢ、Ｃに対応する行列を使い、予測時間が長い場合は組合せＦに対応する行列を使う。予測時間が短い場合は、使う周辺区間の範囲を大きくすると、かえってノイズ相当の情報が増えることとなり、予測精度は劣化する傾向にあるので、周辺区間の範囲を小さくするのがよい。つまり、この場合の行列については、距離が長い区間については、重み成分が０に近くなり、その影響を極力抑えるような行列が学習により取得される。

一方、予測時間が長い場合は、より遠い区間の情報まで参照するのが好ましく、遠い区間でも重み成分が０でないような学習結果が得られる。また、状況によっては、時間帯ごとに、着目区間に影響する周辺区間の組み合わせが異なる場合もある。その場合、例えば、上流区間を重視する、下流区間を重視する、などの条件に応じて、重み係数を獲得するような仕組みとする。そして、これらの時間毎の重み係数行列を獲得することにより、予測時間に応じて最適な周辺区間の組み合わせを獲得して、予測精度を向上させることができる。

このようにして、学習処理部１１２は、基準時刻から予測時刻までの時間長を示す予測時間ごとに、周辺区間を構成する個別の区間ごとに重み付けして機械学習を行うことによって予測モデル１２６を生成する。

次に、図１４は、第２実施形態において起点を所定の出発時刻に出発した場合の終点への到着時刻の算出の説明図である。
（ａ）に示す広域の道路ネットワーク内で、予め通行経路を指定するなどの条件を設定する。ここでは、（１）（２）（３）の異なる路線を設定する。

次に、（ｂ）に示すように、対応する３つの路線の通行区間を抽出する。同じ模様の区画は同じ群に属することを示す。また、矢印の方向は車両の進む方向を示す。路線の変更に伴ってどの区間からどの区間へ移動するかは区間地図の対応関係からわかる。区間毎に５分から１２０分先までの予測結果が得られるが、この区間毎の予測情報は、少数の群ネットワークから取得できる。

したがって、（ｃ）に示すように、（１）（２）（３）の経路に相当する区間の予測結果を編集することにより、この経路全体の１２０分先の予測結果まで把握可能となる。この仕組みによれば、任意の経路についてＴｉｍｅ－Ｓｐａｃｅ関係のわかる情報が得られるため、例えば、直近で大きな渋滞が発生するなど、所要時間の増加リスクが見込まれる場合に情報提供できる。

このようにして、算出部１１４は、将来の交通状況データに基づいて、道路における所定の起点を所定の出発時刻に出発した場合の所定の終点への到着時刻を算出する。

このように、第２実施形態によれば、予測時間の長さによって着目区間に組み合わせる周辺区間を異ならせる（図１３）。これにより、予測精度をさらに向上させることができる。

また、将来の交通状況データ（予測結果）に基づいて、所定の起点を所定の出発時刻に出発した場合の所定の終点への到着時刻を算出することができる（図１４）。

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。

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…予測モデル、１２７…予測結果、Ｓ…交通状況予測システム

Claims (5)

1. 車両が走行する道路を分割した複数の区間を交通状況データの類似性に基づいて群化した群ごとに、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過去交通状況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予測モデルを生成し、その場合に、群内の複数の区間について、渋滞のボトルネックになる可能性の高い区間ほど重く重み付けして、前記予測モデルを生成する学習処理部と、
   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、
   前記区間ごとに、前記現在交通状況データを入力データとし、当該区間が属する群に対応付けられた前記予測モデルに基づいて、出力データとして、将来の交通状況データを取得する予測処理部と、
   を備える交通状況予測装置。
2. 前記学習処理部は、着目区間とその周辺区間の前記教師データに基づいて前記機械学習を行うことによって前記予測モデルを生成し、
   前記予測処理部は、着目区間ごとに、前記着目区間とのその周辺区間の前記現在交通状況データを入力データとし、前記着目区間が属する群に対応付けられた前記予測モデルと前記周辺区間が属する群に対応付けられた前記予測モデルに基づいて、出力データとして、将来の交通状況データを取得する、
   請求項１に記載の交通状況予測装置。
3. 前記学習処理部は、基準時刻から予測時刻までの時間長を示す予測時間ごとに、前記周辺区間を構成する個別の区間ごとに重み付けして前記機械学習を行うことによって前記予測モデルを生成する、
   請求項２に記載の交通状況予測装置。
4. 前記将来の交通状況データに基づいて、前記道路における所定の起点を所定の出発時刻に出発した場合の所定の終点への到着時刻を算出する算出部を、
   さらに備える請求項１に記載の交通状況予測装置。
5. 車両が走行する道路を分割した複数の区間を交通状況データの類似性に基づいて群化した群ごとに、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過去交通状況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予測モデルを生成し、その場合に、群内の複数の区間について、渋滞のボトルネックになる可能性の高い区間ほど重く重み付けして、前記予測モデルを生成する学習処理ステップと、
   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、
   前記区間ごとに、前記現在交通状況データを入力データとし、当該区間が属する群に対応付けられた前記予測モデルに基づいて、出力データとして、将来の交通状況データを取得する予測処理ステップと、を含む交通状況予測方法。
   
   

Images