JP2024521538A - 交通予測のための分散マルチタスク機械学習 - Google Patents

Abstract

道路の交通を予測するための、分散機械学習に基づく交通予測方法が提供される。この場合、分散機械学習に基づく交通予測方法は、グローバルマルチタスク交通モデルを学習サーバによって学習エージェントに配信して、交通モデルをローカルに訓練することと、ローカルに訓練された交通モデルを学習エージェントによって学習サーバにアップロードすることと、学習エージェントから取得した、ローカルに訓練された交通モデルパラメータを使用して、学習サーバによってグローバルマルチタスク交通モデルを更新することと、十分訓練されたグローバルマルチタスク交通モデルを使用して、学習サーバによって時間依存グローバル交通地図を生成することと、道路を走行中の車両に時間依存グローバル交通地図を配信することと、運転計画に基づいて時間依存グローバル交通地図を使用して、車両による走行時間が最も短い最適走行ルートを計算することとを含む。

Description

本発明は、概して車両交通システムのための機械学習に関し、より具体的には車両交通予測のための分散マルチタスク機械学習の方法および装置、ならびにルート計画へのその適用に関する。

コネクテッド車両および自律車両の急速な増加に伴い、インテリジェント交通システムがスマートシティにますます重要になっている。従来の車両とは異なり、コネクテッド車両および自律車両ははるかにインテリジェントである。さまざまな車両データおよび交通データを収集できるだけでなく、高度なアルゴリズムを実行して自身のモビリティをガイドすることもできる。これに加えて、はるかに多くの交通データが交通インフラストラクチャのデータコレクタおよびモバイル機器によって収集されている。たとえば、カリフォルニア州交通局の性能測定システム（ＰｅＭＳ）は、州内に数十万台のデータコレクタを設置してさまざまな交通データを収集している。各データコレクタは５分ごとに交通データを収集する。さらに、スマートフォンなどのモバイル機器も交通データを収集し、クラウドソース情報を提供することができる。その結果、膨大な量の交通データが利用可能である。運転安全性、走行時間、エネルギ効率、大気汚染削減などを改善するためには、車両インテリジェンスおよび豊富な交通データを活用することが極めて重要である。

しかしながら、インテリジェント交通の実現は非常に難しい問題である。物理的な道路は複雑な道路網を形成している。最も重要なことは、ある場所の渋滞などの交通状況が他の場所の交通状況に伝わり、影響を与える可能性があることである。さらに、交通事故および運転者の行動などの予期せぬ事象により、交通状況がさらに動的で不確実になる可能性がある。したがって、どのように交通を正確に予測し、その予測をルート計画に適用するかは、困難であるが、ルート計画はおそらく車両で最も人気のある用途であるため、要求が厳しい。しかし、既存の技術を組み合わせてもこの問題を解決することはできない。

既存のルート計画方法がある。しかしながら、クラウドソーシング情報に依存する既存のルート計画方法は、誤解を招くような決定を下す可能性がある。たとえば、１台の車両が１００台のモバイル機器を搭載している場合、クラウドソーシングに基づくルート計画方法では、車両が１００台あるとみなされる場合があり、結果として交通密度がはるかに高くなってしまう。その結果、対応する道路が渋滞しているとみなされる場合がある。これに加えて、既存のルート計画方法は、予測を行わずに現在の交通情報に基づいてルート計画を行う。しかしながら、車両交通システムは非常に動的なシステムである。交通状況は時々刻々と変化する。したがって、最適ルート計画を行うためには、インテリジェント交通予測方法が必要である。インテリジェント交通予測方法は、機械学習技術に大きく依存する。

機械学習技術は、車両モビリティ管理に適用されている。たとえば、自律運転車両では、さまざまなタイプのセンサを利用してデータを収集し、さまざまな機械学習アルゴリズムを使用してデータを学習および分析して車両の動きを制御および誘導する。コネクテッド車両では、機械学習技術をクラウドなどのインフラストラクチャで使用して集中学習を実現することができ、したがって車両モビリティを遠隔制御することができる。

ルートを計画するためには、予測技術は短時間予測、中時間予測および長時間予測を行うことが可能でなければならない。しかしながら、自律車両における車載学習およびクラウドでの集中学習は、ルート計画には実用的でない。第一に、機械学習アルゴリズムは、大量の異なるデータタイプを用いて訓練する必要がある。車両は自身の視界内のシーンしか見ることができず、建物および他の車両などの物体に遮られた物は、たとえ物体が車両の近くにあっても見ることができないので、車両は限られたデータしか収集できない。限られたデータは、瞬時の動き計画のために瞬時のローカル交通を訓練および予測することができる。しかしながら、瞬時の予測は、より長時間のルート計画を行うのには適していない。第二に、クラウドは、機械学習アルゴリズムを訓練するのに十分な量のデータを収集する可能性を秘めているが、いくつもの課題が存在する。すなわち、１）クラウドまたは集中学習は通信に依存するが、通信帯域幅が限られているので、車両などのデータコレクタがすべてのデータをクラウドに送信することは非現実的であり、２）機械学習アルゴリズムはデータコレクタのプライバシーおよび運転者の個人情報を学習できるので、データプライバシーポリシーによってデータコレクタがデータをクラウドに転送できない場合があり、３）セキュリティポリシーによってデータコレクタが自身のデータをクラウドまたは集中サーバに送信できない場合もあり、たとえば、セキュリティ攻撃者がデータを傍受し、運転者の位置を特定して危険な行動を取る場合がある。

効率的な交通には、効率的な道路利用が必要である。そうするためには、ルート計画アルゴリズムは、交通渋滞を最小化し走行時間を短縮するための最適ルート計画を行わなければならない。そのために、交通予測技術が効率的な交通に極めて重要となる。上述のように、従来の集中学習および台頭しつつある車載学習は、実現可能な交通予測を行うことができない。既存のルート計画方法は、交通予測を行わないため、最適ルートを計画することができない。したがって、インテリジェント交通のための最適ルート計画を実行するための、正確で実用的な車両交通予測メカニズムを提供することが望ましい。

したがって、正確な車両交通予測の方法と、予測された交通を使用することで最適ルートを計画するルート計画方法とを提供することが必要である。

いくつかの実施形態の１つの目的は、市街地道路および高速道路の両方の短時間、中時間および長時間交通を正確に予測することができる、分散機械学習に基づく車両交通予測方法を提供することである。これに加えて、いくつかの実施形態の別の目的は、正確な交通予測を使用することで、交通渋滞および走行時間を最小化する車両の最適ルート計画を行うことである。

いくつかの実施形態は、車両交通データは交通インフラストラクチャのデータコレクタおよび車両によって広く収集されている、という認識に基づいている。車両交通を最適化するために利用可能なデータをどのように活用するかが、取り組むべき課題となる。通信帯域幅の制限、プライバシー保護、およびセキュリティなどの事実により、すべてのデータを中央サーバに転送して集中データ分析および交通予測を行うことは非現実的である。一方、個々のデータコレクタの限られた量のデータでは、機械学習アルゴリズムを訓練し、都市または州の大規模な交通予測を行うことは実現不可能である。なぜなら、あるデータコレクタは他の場所の交通状況を知らないからである。たとえば、車両は、車両がまだ走行していない場所の交通を予測することはできない。したがって、従来の機械学習アプローチは、最適ルート計画のための交通予測を行うのに適していない。

そのために、本発明のいくつかの実施形態は、連合学習などの分散機械学習技術を利用して、正確な交通予測のためのロバストな交通モデルを構築する。ここで、ＩＥＥＥ ＤＳＲＣ／ＷＡＶＥ路側機（ＲＳＵ）および／または３ＧＰＰ(登録商標) Ｃ－Ｖ２Ｘ ｅＮｏｄｅＢおよび／またはリモートサーバなどのインフラストラクチャデバイスが学習サーバとして機能し、データコレクタが学習エージェントとして機能する。学習サーバは、データコレクタのセット間の分散学習を調整する。まず、学習サーバは、１回目の分散訓練のために、ニューラルネットワークなどの交通モデルを設計してデータコレクタのセットに配信する。次に、各データコレクタは、自身のデータを他のデータコレクタおよび学習サーバと共有することなく当該データを使用することで、受信した交通モデルを独立して訓練する。訓練プロセスがある程度繰り返された後、各データコレクタは、訓練された交通モデルを学習サーバに送信し、学習サーバは次に、すべてのデータコレクタから受信した交通モデルを集約して共通のグローバル交通モデルを生成する。モデルの集約が完了すると、学習サーバは、２回目の訓練プロセスのために、集約された交通モデルをデータコレクタに再配信する。この訓練および集約のプロセスは、ロバストな交通モデルが構築されるまで継続される。

車両環境では、ある場所の交通状況が他の場所に伝わり、他の場所の交通状況に影響を与える可能性があるため、データコレクタが異なる幾何学的場所に分散していても、データコレクタ間で収集された交通データは相関している場合がある、ということを認識しなければならない。したがって、ある場所で収集されたデータは、他の場所で収集されたデータにも影響を与える可能性がある。これに加えて、異なる場所の交通パターンは異なる可能性がある。たとえば、交差点の交通パターンは高速道路の交通パターンとは異なる。

そのために、分散データコレクタによって訓練される、異なるが相関している交通モデルを有することが望ましい。そのために、いくつかの実施形態は、マルチタスク分散学習技術が、ルート計画のための大規模な交通を予測するのに適している、という認識に基づいている。したがって、学習サーバは、より近いデータコレクタの交通モデルはより密接な関係を有するように、データコレクタに配信される、異なるが相関している交通モデルを設計する。ニューラルネットワークに基づく交通モデルを例にとると、より近いデータコレクタは、いくつかの重みパラメータを共有し得る。しかしながら、互いに遠く離れたデータコレクタのニューラルネットワークモデルは、パラメータを共有しない。

いくつかの実施形態は、データコレクタは異なる場所に分散しているので位置情報を反映する、という認識に基づいている。位置要因の他にも、たとえば、時間、天候、道路状況および特別なイベントなど、交通環境に影響を与え得る要因がある。同じ場所でも、異なる時間、異なる天候などによって交通状況は変化する。ラッシュアワーの交通状況は、オフアワーの交通状況とは大きく異なる。雪の日の交通状況は、晴れた日の交通状況とは大きく異なる。

そのために、データコレクタが、時間、天候などに基づいて自身のデータを異なるクラスタに分割することが望ましい。したがって、学習サーバは一連の規則を定義し、データコレクタに規則を配信してデータコレクタのデータをクラスタ化する。その結果、データコレクタは、異なるデータクラスタを使用することで異なる交通モデルを訓練する。データコレクタは、データコレクタが適切なデータを有していない交通モデルは訓練しない。したがって、データコレクタは、訓練された交通モデルのみを学習サーバに送信する。

したがって、学習サーバは、場所、時間、天候などを含む情報を考慮して、ローカルに訓練された交通モデルを集約することによって、共通のグローバル交通モデルを構築する。

本発明のいくつかの実施形態によれば、道路の交通を予測するための、分散機械学習に基づく交通予測方法が提供され得る。この場合、分散機械学習に基づく交通予測方法は、道路の交通を予測するための、コンピュータで実現される分散機械学習に基づく交通予測方法であり得る。上記方法は、グローバルマルチタスク交通モデルを学習サーバによって学習エージェントに配信して、上記交通モデルをローカルに訓練することと、ローカルに訓練されたグローバルマルチタスク交通モデルを上記学習サーバにアップロードすることとを含み得、上記ローカルに訓練されたグローバルマルチタスク交通モデルは上記学習エージェントによって訓練されており、上記方法はさらに、上記学習エージェントからアップロードされた、上記ローカルに訓練されたグローバルマルチタスク交通モデルを使用して、上記学習サーバによって上記グローバルマルチタスク交通モデルを更新することと、更新された上記グローバルマルチタスク交通モデルを使用して、上記学習サーバによって時間依存グローバル交通地図を生成することと、上記道路を走行中の車両の各々に上記時間依存グローバル交通地図を配信することとを含み得る。

さらに、本発明のいくつかの実施形態によれば、ローカルに訓練された交通モデルを学習サーバに提供するためのローカル交通予測エージェントが提供され得る。上記ローカル交通予測エージェントは、少なくとも１つのメモリおよび少なくとも１つのプロセッサを含むデバイスに格納されたローカル交通予測エージェントと呼ばれ得るハードウェアデバイスまたはソフトウェアであってもよい。上記ローカル交通予測エージェントは、道路網上に配置されたセンサからローカル交通データを収集するように構成されたインターフェイスを含み得、上記インターフェイスは、通信ネットワークを介して上記学習サーバからマルチタスク交通モデルおよびデータクラスタ規則を取得するように構成され、上記ローカル交通予測エージェントはさらに、上記ローカル交通データ、上記データクラスタ規則および訓練された交通モデル、交通予測ニューラルネットワークを格納するように構成されたメモリと、プロセッサとを含み得、上記プロセッサは、上記メモリに関連して、上記データクラスタ規則に基づいて上記ローカル交通データを使用して、上記交通予測ニューラルネットワークをローカルに訓練して、上記交通予測ニューラルネットワークの取得された上記マルチタスク交通モデルを更新し、更新された、ローカルに訓練された上記マルチタスク交通モデルを、上記通信ネットワークを使用して上記インターフェイスを介して上記学習サーバにアップロードするように構成されている。

そしてさらに、本発明のいくつかの実施形態は、道路網を走行中の車両に交通予測を提供するための、分散機械学習に基づく交通予測システムを提供し得る。上記システムは、上記のような少なくとも１つのローカル交通予測エージェントと、上記のような少なくとも１つの学習サーバと、上記少なくとも１つのローカル交通予測エージェントおよび上記少なくとも１つの学習サーバと、少なくとも１つの路側機と、上記道路網を走行中の車両とを接続するように構成された通信ネットワークとを含み得る。

上記少なくとも１つのローカル交通予測エージェントは、道路網上に配置されたセンサからローカル交通データを収集するように構成されたインターフェイスを含み得、上記インターフェイスは、通信ネットワークを介して上記学習サーバからマルチタスク交通モデルおよびデータクラスタ規則を取得するように構成され、上記少なくとも１つのローカル交通予測エージェントはさらに、上記ローカル交通データ、上記データクラスタ規則および訓練された交通モデル、交通予測ニューラルネットワークを格納するように構成されたメモリと、プロセッサとを含み得、上記プロセッサは、上記メモリに関連して、上記データクラスタ規則に基づいて上記ローカル交通データを使用して、上記交通予測ニューラルネットワークをローカルに訓練して、上記交通予測ニューラルネットワークの取得された上記マルチタスク交通モデルを更新し、更新された、ローカルに訓練された上記マルチタスク交通モデルを、上記通信ネットワークを使用して上記インターフェイスを介して上記学習サーバにアップロードするように構成されている。

上記少なくとも１つの学習サーバは、通信ネットワークを介して上記のローカル交通予測エージェントから交通予測ニューラルネットワークの訓練されたマルチタスクパラメータを取得するように構成されたトランシーバを含み得、上記ローカル交通予測エージェントは上記道路網上の位置に配置され、上記少なくとも１つの学習サーバはさらに、交通データ、グローバル時間依存地図、交通予測ニューラルネットワーク、訓練されたマルチタスク交通モデル、および道路網の地図を格納するように構成されたメモリと、１つ以上のプロセッサとを含み得、上記プロセッサは、上記メモリに関連して、上記訓練されたマルチタスクパラメータを使用して、上記交通予測ニューラルネットワークを更新するステップと、上記訓練されたマルチタスク交通モデルに基づいて、更新されたグローバル時間依存交通地図を生成するステップと、上記更新されたグローバル時間依存交通地図を、上記道路網を走行中の上記車両に配信するステップと、データクラスタ化規則を上記ローカル交通予測エージェントに配信するステップとを実行するように構成されている。

上記システムは、訓練されたパラメータを入力インターフェイスを介して学習エージェントから取得することによって、学習サーバにおいて交通予測ニューラルネットワークのモデルパラメータ（学習されたモデル）を更新するように構成された入力インターフェイスを含み得、各学習エージェントは上記道路網上の位置に配置され、各学習エージェントは、配置された位置で交通データ（パターン）を収集することによってマルチタスク交通モデルを訓練し、十分訓練された上記マルチタスク交通モデルに基づいてグローバル時間依存交通地図を生成し、上記道路網を走行中の車両による運転計画を決定し、上記運転計画および上記グローバル時間依存地図に基づいて、車両による走行時間が最も短い最適ルートを計算するように構成されている。

いくつかの実施形態は、車両環境における各用途は異なる要件を有する、という認識に基づいている。したがって、用途ごとに異なる技術を開発しなければならない。ルート計画には、短時間予測、中時間予測および長時間予測を含む、異なる時間ホライズンを有する大規模な交通予測が必要である。

したがって、本発明のいくつかの実施形態は、短時間予測または中時間予測または長時間予測の各々について交通が時間領域においてマルチホライズンで予測されるような、マルチホライズン交通予測を提供する。予測時間ホライズンは、複数の予測期間からなる。たとえば、短時間ホライズンは５個の予測期間からなってもよく、中時間ホライズンは２０個の予測期間を含んでもよく、長時間ホライズンは５０個の予測期間からなってもよく、ここで予測期間はΔｔ時間間隔を表し、たとえばΔｔ＝５分の場合、交通は５分ごとに予測される。その結果、短時間ホライズンにおいて交通は５回予測され、中時間ホライズンにおいて交通は２０回予測され、長時間ホライズンにおいて交通は５０回予測される。時間ホライズンが長いほど多くの交通予測が提供されるが、時間ホライズンが短いほど交通予測の精度が高くなる。

いくつかの実施形態は、ルート計画は、走行時間およびエネルギ消費などの判断基準に基づいて、移動する最適ルートを現実の道路網で見つけることである、という認識に基づいている。

したがって、本発明のいくつかの実施形態は、エネルギ消費および運転快適性などの他のメトリクスでさえも最適化することができるように、ルート計画問題を、走行時間を最小化する最適化問題として定式化する。現実の道路地図は時間依存グラフに変換され、当該グラフにおいて、頂点は、任意の２つの隣接する道路サブセグメントの交差点または接続点であり、辺は、２つの隣接する頂点を接続する道路サブセグメントである。各辺の上に少なくともデータコレクタがある。道路構造および距離に基づいて構築される従来の交通グラフとは異なり、辺は複数の道路セグメントからなる場合があり、最も重要なことは、辺の長さは辺の上の走行時間であることである。その結果、交通状況が変わると、辺の長さも変わり、したがってグラフの形状も変化する。

いくつかの実施形態は、車両環境には不確実性がある、という認識に基づいている。したがって、交通事故などの予期せぬ事象に対応できるように交通モデルを訓練しなければならない。データコレクタがあらゆるタイプの予期せぬ事象を把握することは非現実的である。しかしながら、車両は、道路を走行する際にこれらの事象を把握することができる。

したがって、ルート計画モデルおよび交通予測モデルは、互いにやり取りしてリアルタイムの交通モデルを強化することができる。

ここで開示されている実施形態を添付の図面を参照してさらに説明する。図面は必ずしも正確な縮尺ではなく、代わりに、ここで開示されている実施形態の原理を示すにあたり全体的に強調が加えられている。

本発明のいくつかの実施形態に係る、インテリジェント車両交通システムを示す図である。 本発明のいくつかの実施形態に係る、各データコレクタのデータをクラスタに分割するために使用されるデータクラスタ化方法の一例を示す図である。 本発明のいくつかの実施形態に係る、分散マルチタスク学習技術を用いた交通予測アーキテクチャを示す図である。 本発明のいくつかの実施形態に係る、６個の予測期間を有する予測時間ホライズンを示す図である。 本発明の実施形態に係る、通信ネットワーク（複数の通信ネットワーク）を介して分散データコレクタ（学習エージェント）に接続された学習サーバを含む交通予測アーキテクチャの一例を示す概略図である。 本発明のいくつかの実施形態に係る、出発地点ｖ１から目的地点ｖ１２までのルートを計画するための時間依存グラフを示す図である。 本発明のいくつかの実施形態に係る、時間依存グラフの例示的な辺および走行時間計算を示す図であり、走行時間は時間依存グラフの辺の長さを表す。 本発明のいくつかの実施形態に係る、車両が１つの予測期間内に道路セグメントを通ることができるような、時間依存グラフの辺の短い道路セグメントについての走行時間計算を示す図である。 本発明のいくつかの実施形態に係る、車両が道路セグメントを通るのに複数の予測期間を必要とするような、時間依存グラフの辺の長い道路セグメントについての走行時間計算を示す図である。 本発明のいくつかの実施形態に係る、インテリジェント交通システムの構成要素間の機能ブロックおよびやり取りを示す図である。 本発明のいくつかの実施形態に係る、交通速度予測のためのマルチタスク連合学習アルゴリズムを示す図である。 本発明のいくつかの実施形態に係る、時間依存グラフに基づく最適ルート計画のための修正されたＡ^＊アルゴリズムを示す図である。 本発明のいくつかの実施形態に係る、修正されたＡ^＊アルゴリズムによって使用される最適ルート計算アルゴリズムの図である。

実施形態の説明

以下の説明は、具体例としての実施形態のみを提供し、開示の範囲、適用可能性、または構成を限定することを意図していない。むしろ、具体例としての実施形態の以下の説明は、具体例としての１つ以上の実施形態の実現を可能にする説明を当業者に提供するであろう。添付の請求項に記載されている開示された主題の精神および範囲から逸脱することなく要素の機能および構成に対してなされ得る各種変更が意図されている。

具体的な詳細事項は、上記説明において、実施形態の十分な理解を得るために与えられている。しかしながら、これらの具体的な詳細事項がなくても実施形態を実行できることを、当業者は理解できる。たとえば、開示された主題におけるシステム、プロセス、および他の要素は、実施形態を不必要な詳細で不明瞭にしないために、ブロック図の形態で構成要素として示される場合もある。他の例では、実施形態を不明瞭にしないよう、周知のプロセス、構造、および技術は、不必要な詳細事項を伴わずに示されることがある。さらに、各種図面における同様の参照番号および名称は同様の要素を示す。

また、個々の実施形態は、フローチャート、フロー図、データフロー図、構造図、またはブロック図として示されるプロセスとして説明される場合がある。フローチャートは動作を逐次プロセスとして説明する場合があるが、動作の多くは並列にまたは同時に実行することができる。加えて、動作の順序は並べ替えてもよい。プロセスは、その動作が完了したときに終了されてもよいが、論じられていないかまたは図に含まれていない追加のステップを有する場合がある。さらに、具体的に記載されている何らかのプロセスにおけるすべての動作がすべての実施形態に起こり得る訳ではない。プロセスは、方法、関数、手順、サブルーチン、サブプログラムなどに対応し得る。プロセスが関数に対応する場合、関数の終了は、呼び出し関数または主関数に関数を戻すことに対応し得る。

さらに、開示されている主題の実施形態は、少なくとも一部が、手作業または自動のいずれかで実現されてもよい。手作業または自動の実現は、マシン、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、またはその任意の組み合わせを通じて、実行されてもよく、または、少なくとも支援されてもよい。ソフトウェア、ファームウェア、ミドルウェアまたはマイクロコードで実現される場合、必要なタスクを実行するためのプログラムコードまたはコードセグメントは、マシン読取可能媒体に格納されてもよい。プロセッサ（複数のプロセッサ）が必要なタスクを実行してもよい。

インテリジェント交通システム（ＩＴＳ）の開発を促進するためには、交通の流れおよび交通速度などの交通状況の正確な予測を有することが不可欠である。これは、そのような知識が、交通渋滞を緩和し、燃料効率を高め、大気汚染を軽減するために運転者が効果的な走行決定を下すのに役立ち得るからである。これらの有望な利点により、交通予測は、ＩＴＳの達成目標である高度な走行者情報システム、高度な交通管理システム、および市販車両の運行において、重要な役割を果たすことができる。

上記の利点をすべて享受するために、交通予測は、データコレクタおよびモバイル機器によって収集されたリアルタイムおよび過去の交通データおよび観測結果を処理しなければならない。たとえば、誘導ループは、経時的なインダクタンス変化を読み取ることによって走行速度を測定することができ、そのようなデータは交通速度予測に使用することができる。これに加えて、モバイル機器（たとえば、車載の全地球測位システムおよび電話）の幅広い利用により、一般の人々からモビリティデータをクラウドソーシングすることが可能であるため、かつてないほどの交通データ収集がさらに容易になっている。台頭しつつあるこのようなビッグデータは、データの利用可能性をカバレッジおよび忠実度の面で大幅に増大させることができ、データ駆動型の交通予測を著しく増強することができる。交通予測に関する先行技術は、主に２つのカテゴリーに分けることができる。第１のカテゴリーは、自己回帰和分移動平均（ＡＲＩＭＡ）モデルおよびカルマンフィルタリングモデルなどのパラメトリックアプローチを用いることに着目している。たとえば朝夕のラッシュアワーに繰り返し発生する交通渋滞などの規則的な変化のみを示す交通に対処する場合は、パラメトリックアプローチは有望な予測結果を達成することができる。しかしながら、道路交通は確率的かつ非線形的な性質があるため、パラメトリックアプローチを用いた交通予測は、特に突然の交通では実際の値から逸脱する可能性がある。そこで、パラメトリックアプローチによって行われるように交通データを数学モデルに当てはめる代わりに、代替方法では、機械学習（ＭＬ）に基づく方法を用いるノンパラメトリックアプローチを使用している。たとえば、積層オートエンコーダモデルを用いて、予測のための全体的な交通の流れの特徴を学習することができる。長短記憶（ＬＳＴＭ）リカレントニューラルネットワーク（ＲＮＮ）を用いて、データコレクタならびにその上流および下流のデータコレクタによって収集されたデータに基づいて、交通の流れ、速度および占有率を予測することができる。ＲＮＮの使用とともに、畳み込みニューラルネットワーク（ＣＮＮ）も利用して、基礎となる道路網内の潜在的な交通進化パターンを把握することができる。

先行技術は、高度な深層学習モデルを交通予測に使用することに着目しているが、それらはすべて、シングルタスク学習（ＳＴＬ）モデルで交通変化を検討している。実際には、天候の変化、道路状況の変化（道路工事および事故など）、ならびに特別なイベント（たとえばサッカーの試合およびコンサート）によって、道路上の交通パターンは異なる状況下で大きく異なり得る。そのため、ＳＴＬモデルを使用しても、このような多様で複雑な交通状況を把握することはできない。さらに、データコレクタおよびモバイルにおいて利用可能なオンチップメモリが限られているため、ローカル訓練データは極めて不十分な場合があり、有望な予測性能を達成することができない。これに加えて、先行技術は、データコレクタによって収集されたデータは、他のデータコレクタ、または、その上流および下流のデータコレクタからデータにアクセスするデータコレクタのような集中ユニットと共有できることを前提としている。しかしながら、収集されたデータには、カメラで撮影された自動車のナンバープレートおよび携帯電話利用者の履歴軌跡といった個人情報が含まれていることがある。この場合、データコレクタ間で交通データを直接共有すると、プライバシー問題を引き起こす可能性がある。一方、通信コストも大きな懸念事項の１つである。

図１は、本発明のいくつかの実施形態に係る、インテリジェント車両交通システム１００およびその構成要素、ならびに当該システムの構成要素間のやり取りを示す。交通システム１００は、道路網１０５、分散データコレクタ１１０、学習サーバ１１５および車両１２０を含む。分散データコレクタ１１０は、ローカル交通予測エージェント（または学習エージェント）１１０と呼ばれることがある。データコレクタ１１０は学習エージェントであり、道路網１０５内に展開される。道路網１０５は、道路、路側機、エッジコンピューティングデバイスなどからなる。車両１２０は道路網１０５の道路を走行する。学習サーバ１１５は遠隔地または道路沿いに位置し得る。学習サーバ１１５は、交通モデル、データクラスタ化規則を設計／更新し、訓練された交通モデルおよび交通予測を集約する。学習サーバ１１５は、データクラスタ化規則をデータコレクタ１１０に配信して、通信ネットワーク１１２を介して各データコレクタのデータを異なるクラスタに分割する。通信ネットワーク１１２は、有線ネットワークであっても無線ネットワークであってもよく、分散データコレクタ１１０と学習サーバ１１５との間、学習サーバ１１５と車両１２０との間、分散データコレクタ１１０と道路網１０５との間、道路網１０５と車両１２０との間、またはそれらの組み合わせのうちのいずれか／すべてを接続するように構成されている。さらに、通信ネットワーク１１２は、第４世代コアネットワーク、または第５世代コアネットワーク、または第５世代以降のコアネットワークであってもよく、道路もしくは歩行者通路に沿って配置されている路側機（ＲＳＵ／ＤＳＲＣ（専用狭域通信）トランシーバ）（図示せず）、または／およびエッジコンピューティングシステム（図示せず）に接続してもよい。いくつかの例では、路側機は、道路を走行中の車両を監視するために道路に配置されたカメラ、または歩行者を監視する交差点に配置されたカメラを含み得る。

学習サーバ１１５はまた、交通モデルを分散訓練のためにデータコレクタ１１０に配信する。各データクラスタは交通モデルを訓練するために使用され、たとえばラッシュアワーのデータはラッシュアワーの交通モデルを訓練するために使用される。データコレクタは、自身のローカルデータを使用して交通モデルを訓練し、ローカルに訓練された交通モデルを学習サーバに送信して共通のグローバル交通モデルを構築する。学習サーバ１１５は、最終的な交通モデルを交通予測のためにデータコレクタ１１０に配信する。各データコレクタは、当該データコレクタが位置している道路セグメントの交通を予測する。データコレクタは自身の交通予測を学習サーバに送信し、学習サーバは次に、すべての交通予測を組み合わせて、ルート計画のためのグローバル交通予測を構築する。グローバル交通予測は、ルート計画のために車両１２０に配信される。車両１２０は、計画ルートを走行する際、交通事故などの情報を学習サーバに提供することができる。次に、学習サーバ１１５は、データコレクタを調整して交通モデルを更新することができる。
マルチホライズン交通速度予測

不十分なローカル訓練データに取り組み、データプライバシーを保護するために、本発明のいくつかの実施形態は、分散機械学習技術を適用して問題（１）を解く。さまざまな分散機械学習技術があり、本発明のいくつかの実施形態は、分散機械学習アプローチを説明するための例として連合学習（ＦＬ）を使用する。データコレクタによって収集された交通データは、強い空間－時間依存性を有し得る。収集された交通データに存在する異なる交通状況を把握するために、マルチタスクＦＬモデルが提供され、当該モデルでは、交通状況ごとに異なる学習モデルが設計され、たとえば、ラッシュアワーのモデルはオフアワーのモデルとは異なる。さらに、これらの学習モデルは相関している場合があり、たとえば、オフアワーの交通はラッシュアワーの交通に影響を与える可能性がある。

マルチタスク学習を容易にするために、各クラスタが学習モデルに対応するように訓練データは異なるクラスタに分割され、たとえば、ラッシュアワーのデータはラッシュアワーのモデルを訓練するために使用される。たとえば、オフアワーのデータはラッシュアワーの交通モデルを訓練するのに望ましくなく、ローカルな交通データは高速道路の交通モデルを訓練するのに適していない、などのさまざまな理由で、データクラスタ化は重要である。データのクラスタ化にはさまざまな方法がある。図２は、交通予測のためのデータクラスタ化方法２００を示し、ここで、位置情報はデータコレクタ１１０の位置に反映される。異なるデータコレクタは異なる場所に位置している。データコレクタのデータ２１０は、夏データ２２０と冬データ２３０とに分けられる。このレベルのデータのクラスタ化は、天候を反映する。夏データおよび冬データの各々は、週末データ２４０と平日データ２５０とに分けられる。このレベルのデータクラスタ化は、曜日を反映する。週末データ２４０および平日データ２５０の各々は、ラッシュアワーデータ２６０とオフアワーデータ２７０とにさらに分けられる。

問題（２）を解くために、マルチタスクＦＬアルゴリズムは反復更新スキームを使用する。図７は、本発明のいくつかの実施形態に係る、交通速度予測のためのマルチタスク連合学習アルゴリズムを示す。

次に、グローバルモデルパラメータは、次回の学習のためにデータコレクタに送信される。各回の学習の後に次回の学習が行われ、各クラスタｍについての全損失関数Ｆｍ（ｗｍ）が十分小さくなるまで、同じプロセスが各回において学習サーバとデータコレクタとの間で繰り返される。

図３Ａは、本発明のいくつかの実施形態に係る、分散マルチタスク学習技術を用いた交通予測アーキテクチャ３００を示し、ここで、インフラストラクチャデバイスが学習サーバ１１５として機能して、学習エージェントとして機能するデータコレクタ１１０のセットを調整する。図３Ａでは、Ｎ個のデータコレクタがあり、データコレクタ１は料金所であり、データコレクタ２はループ検出器であり、データコレクタＮはカメラである。学習サーバ１１５は、各交通モデルが特定のタスクを対象とするようにＭ個の交通モデル３１０を設計し、たとえば、ラッシュアワー交通用のモデルおよびオフアワー交通用の別の交通モデル、都市交通用のモデルおよび高速道路交通用の別のモデルを設計する。したがって、ある場所の交通が他の場所の交通に影響を与える可能性があり、ある時間の交通が別の時間の交通に影響を与える可能性があるため、これらの交通モデルは異なるが相関している。したがって、学習サーバ１１５は、データをＭ個のクラスタ３３０に分割するデータクラスタ化規則３２０を定義する。次に、学習サーバ１１５は、規則３２０および交通モデル３１０をデータコレクタ１１０に配信する。これに対応して、各データコレクタ１１０は、自身のデータをＭ個のクラスタ３３０に分割する。データクラスタの一部は空である可能性がある。その場合、データコレクタは、対応する交通モデルを訓練しない。図３Ａでは、データコレクタ１はすべてのデータクラスタを有しており、データコレクタ２はクラスタ－Ｍデータを有しておらず、データコレクタＮはクラスタ－１データを有していない。その結果、データコレクタ１はすべての交通モデルを訓練し、データコレクタ２は交通モデルＭを訓練せず、データコレクタＮは交通モデル１を訓練しない。自身のデータをクラスタ化した後、各データコレクタ１１０は１回目の分散訓練を開始する。各データコレクタ１１０は、自身のデータを他のデータコレクタおよび学習サーバと共有することなく当該データを使用することで、受信した交通モデルを独立して訓練する。訓練がある程度繰り返された後、各データコレクタは、ローカルに訓練された交通モデル３４０を学習サーバに送信し、学習サーバは次に、すべてのデータコレクタから受信した交通モデルを集約して共通のグローバル交通モデル３５０を生成する。モデルの集約が完了すると、学習サーバ１１５は、２回目の訓練のために、集約された交通モデル３５０をデータコレクタに再配信する。この訓練および集約のプロセスは、ロバストな交通モデルが構築されるまで継続される。最終的な交通モデルが構築されると、学習サーバ１１５は当該モデルを交通予測のためにデータコレクタ１１０に配信する。予測される交通は用途に応じて異なり、速度、交通の流れ、特定の車両の数などであり得る。ルート計画用途では、交通速度が予測される。最後に、データコレクタは、自身のローカル交通予測３６０を学習サーバに送信してグローバル交通予測モデル、すなわち時間依存グラフを構築し、これは次にルート計画のために車両１２０に配信される。

交通予測は、予測時間ホライズンおよび予測期間という２つのパラメータによって特徴付けられる。予測時間ホライズンは、交通が予測される最も遠く離れた時間を表し、予測期間は、予測時間ホライズン内で交通が予測される頻度を示す。予測期間は予測時間ホライズンを構成する。図３Ｂは、本発明のいくつかの実施形態に係る、６個の予測期間３８０からなる予測時間ホライズン３７０の一例を示す。時間ホライズンが長いほど多くの交通予測が提供されるが、時間ホライズンが短いほど交通予測の精度が高くなる。なぜなら、予測時間ホライズンが長くなると、さらに将来のさらに長い一続きの交通を予測する必要があるからである。このように予測時間ホライズンを拡大すると、必然的に予測性能が低下する。

図３Ｃは、本発明のいくつかの実施形態に係る、通信ネットワーク（複数の通信ネットワーク）１１２を介して分散データコレクタ（学習エージェント）１１０に接続された学習サーバ１１５を含む交通予測アーキテクチャ３００の一例を示す概略図である。

学習サーバ１１５は、分散機械学習に基づく交通予測サーバと呼ばれることがある。学習サーバ１１５は、道路網を走行中の車両１２０に、交通予測に関する地図情報を提供するように構成されている。学習サーバ１１５は、１つ以上のプロセッサ１２１と、メモリ１４０と、交通予測ニューラルネットワーク１３２、交通データクラスタ規則１３４、グローバル時間依存地図１３５、訓練されたマルチタスク交通モデル１３６、道路網のグローバル地図１３７を格納するように構成されたメモリユニット／ストレージ２００と、通信ネットワーク１１２を介して学習エージェント１１０と通信し、交通予測ニューラルネットワーク１３２のモデルパラメータを更新するように構成された入力インターフェイス（またはトランシーバ）１５０とを含み得る。訓練されたマルチタスク交通モデル１３６は、図３Ａに示される交通モデル３１０であってもよい。

学習サーバ１１５は、学習エージェント１１０によって訓練済みの、訓練されたマルチタスク交通モデル１７３の訓練されたパラメータを、入力インターフェイス１５０および通信ネットワーク１１２を介して取得することによって、交通予測ニューラルネットワーク１３２のパラメータを更新するように構成されている。この更新処理は、予め定められた経過期間毎に反復して継続される。

この場合、学習エージェント１１０の各々は、道路網１０５上の位置に配置され、配置された位置で交通データ（車両の交通パターン）を収集して交通データをクラスタ化することによってマルチタスク交通モデル１７４をローカルに訓練するように構成されている。さらに、学習サーバ１１５は、更新された、訓練されたマルチタスク交通モデル１３６に基づいてグローバル時間依存交通地図１３５を生成し、グローバル時間依存交通地図１３５を車両１２０に配信し、車両１２０は次に、図８Ａおよび図８Ｂに示される修正されたＡ^＊アルゴリズムとグローバル時間依存交通地図１３５とを使用することで、自身の運転計画に基づいて最適ルートを決定する。最適ルートとは、車両の現在地から目的地までの走行時間が最も短い道路網１０５上の運転ルートである。

学習エージェント１１０の各々は、通信ネットワーク１１２を介して学習サーバ１１５とのデータ通信を実行するように構成されたインターフェイス／トランシーバ１５１を含み得る。各学習エージェント１１０はさらに、１つ以上のプロセッサ１６０と、交通データ１７１、交通予測ニューラルネットワーク１７３、訓練されたマルチタスク交通モデル１７４、道路網のローカル地図１７５、およびローカル時間依存地図１７２を格納するメモリユニット／ストレージ１７０に接続されたメモリ１８０とを含む。

いくつかの例では、命令／プログラムを格納するメモリ／メモリユニット／ストレージに関連して１つ以上のプロセッサを含む１つ以上のハードウェアを使用することで道路の交通を予測するための、コンピュータで実現される分散機械学習に基づく交通予測方法が提供され得、上記命令／プログラムは、上記１つ以上のプロセッサにステップを実行させる。上記ステップは、グローバルマルチタスク交通モデル１３６を学習サーバ１１５によって通信ネットワーク１１２を介して学習エージェント１１０に配信するステップを含み得る。学習エージェント１１０の各々は、道路サブセグメント１９０、エッジコンピューティングデバイス１８５、および道路を走行中の車両１２０から取得したデータ信号に基づいて、交通モデル１３６（３１０）をローカルに訓練するように構成されている。上記ステップはさらに、学習エージェント１１０によって訓練済みの、ローカルに訓練された交通モデル１７３を学習エージェント１１０から学習サーバ１１５にアップロード／取得するステップと、訓練されたマルチタスク交通モデル１７４のローカルに訓練された交通モデルパラメータを使用して、学習サーバ１１５によってグローバルマルチタスク交通モデル１３６を更新するステップとを含む。上記ステップはさらに、十分訓練されたグローバルマルチタスク交通モデル１３６を使用して、学習サーバ１１５によって時間依存グローバル交通地図１３５を生成するステップと、道路を走行中の車両１２０の各々に時間依存グローバル交通地図１３５を配信するステップと、車両１２０の各々の運転計画に基づいて、時間依存グローバル交通地図１３５を使用して、車両１２０の各々による走行時間が最も短い最適走行ルートを計算するステップとを含む。
予測走行時間に基づく最適ルート計画

道路網上の交通速度は時間によって変化し、たとえば、一般にラッシュアワーの交通速度はオフアワーの交通速度よりも低い。したがって、物理的な道路網および予測交通速度を使用することで、交通地図を時間依存グラフとしてモデル化することができる。時間依存グラフを構築するために、学習サーバは、交通データコレクタからのマルチホライズン速度予測を使用し、各道路サブセグメントの交通がそのサブセグメントのみに位置する固有のデータコレクタによって予測されるように道路セグメントを複数のサブセグメントに分割する。次に、道路網は時間依存グラフＧ＝（Ｖ，ε，Ｗ）としてモデル化され、ここで、頂点の集合Ｖは、任意の２つの隣接する道路サブセグメントの交差点および接続点を含み、これにより、辺の集合εは、２つの隣接する頂点を接続する道路サブセグメントであり、Ｗは重みの集合である。辺ｅ∈εについて、重みｗｅ（ｔ）∈Ｗは、道路サブセグメントの長さと予測速度との比として計算される、時間ｔにおける辺ｅの上の走行時間としてモデル化される。たとえば、道路網１０５内の道路サブセグメント１９０は、１つの道路上の道路区間、または複数の道路上の複数の接続された道路区間であってもよい。各辺に関連付けられた重みが一定値である静的グラフとは異なり、グラフＧ内の対応物は、各道路サブセグメントを通る時間的に変化する速度、たとえば図５Ｃに示されるような区分線形速度に起因して、時間的に変化する変数である。道路地図および距離に基づいて構築される静的グラフとは異なり、頂点を動的に選択できるので、任意の２つの頂点の間に少なくともデータコレクタがある限り、頂点は道路網内の固定点ではない。したがって、時間依存グラフの辺は、複数の道路セグメントからなってもよい。最も重要なことは、辺の長さは物理的距離ではなく、辺の上の走行時間であることである。その結果、交通状況が変わると、辺の長さも変わり、たとえば、同じ辺の長さでも、オフアワー時よりもラッシュアワー時の方がはるかに長い場合がある。最後に、学習サーバは、時間依存グラフをルート計画のためにその通信カバレッジ内の車両に配信する。

図４は、本発明のいくつかの実施形態に係る、時間依存グラフ４００の一例を示す。この場合、頂点４１０はｖ_１，ｖ_２などで表され、任意の２つの頂点の間にデータコレクタ４２０があり、各辺４３０の長さはｗ_ｘ，ｙ（ｔ_ｘ）４４０で示され、ｘは開始頂点を示し、ｙは終了頂点を示し、時間ｔ_ｘは車両が頂点ｘを出発する時間を示す。この図では、車両は、頂点ｖ_１を出発して頂点ｖ_１２に向かう。頂点ｖ_１から頂点ｖ_１２までのさまざまなルートがあることがわかる。ルート計画は、走行時間が最小のルートを見つけることである。この図では、ルート４５０が最小走行時間ルートを表しており、当該ルートでは、車両は時間ｔ_１にｖ_１を出発して時間ｔ_３にｖ_３に到着し、時間ｔ_３にｖ_３を出発して時間ｔ_７にｖ_７に到着し、時間ｔ_７にｖ_７を出発して時間ｔ_１０にｖ_１０に到着し、最後に時間ｔ_１０にｖ_１０を出発して時間ｔ_１２に目的地ｖ_１２に到着する。データコレクタｃ_１，３はｖ_１からｖ_３への辺に位置しており、データコレクタｃ_３，７はｖ_３からｖ_７への辺に位置しており、データコレクタｃ_７，１０はｖ_７からｖ_１０への辺に位置しており、データコレクタｃ_{１０，１２}はｖ_１０からｖ_１２への辺に位置している。

図８Ａは、本発明のいくつかの実施形態に係る、時間依存グラフに基づく最適ルート計画のための修正されたＡ^＊アルゴリズムを示し、図８Ｂは、本発明のいくつかの実施形態に係る、修正されたＡ^＊アルゴリズムによって使用される最適ルート計算アルゴリズムである。修正されたＡ^＊アルゴリズムは、走行時間が最も短い最適ルートを見つけるように構成されている。探索アルゴリズムにおいて、到着時間ｇ_ｖおよびヒューリスティック全走行時間ｌ_ｖ，ｖ∈Ｖは、ｇ_ｓ＝ｔ_ｓおよびｌ_ｓ＝ｇ_ｓ＋ｈ_ｄ（ｇ_ｓ）である出発点ｓを除いて、最初に無限大に設定される。ヒューリスティック全走行時間は、到着時間と目的地までのヒューリスティック走行時間ｈ_ｄとの和と定義される。目的地までのヒューリスティック走行時間ｈ_ｄは、目的地までのユークリッド距離と最高速度との比として計算される。次に、修正されたＡ^＊アルゴリズムにおける探索プロセスは、出発点ｓから開始し、ｓと隣接する道路サブセグメントを有する隣接頂点まで拡張される。これらの隣接頂点について、直近に割り当てられた到着時間と出発点ｓからのルートを採用したときの到着時間とを比較することによって、到着時間ｇが更新される。一方、それらのヒューリスティック全走行時間ｌも更新される。次に、付近の頂点の中でヒューリスティック全走行時間が最も短い頂点が選択されて探索プロセスが継続される。同じ処理が繰り返される。最後に、目的地点ｄに到着すると探索プロセスは停止し、最適ルート選択およびその走行時間推定値を返す。

時間依存グラフに基づくルート計画の鍵は、ルートの長さ、すなわちルート上の走行時間を計算することである。現在の交通状況を使用してルートを計画する既存のルート計画方法とは異なり、本発明の実施形態は交通予測を使用して最適ルート計画を行う。時間依存グラフ４００の辺について、対応するデータコレクタは、Δｔ期間ごとに交通速度を予測する。したがって、辺の長さ、すなわち走行時間は、交通予測を使用して動的に計算される。その結果、時間が変わると時間依存グラフの辺の長さが変化し、したがってグラフの形状も変わり、これは、ルート上の走行時間も時間とともに変わることを示している。

道路セグメント上の走行時間を計算するさまざまな方法がある。図５Ａ、図５Ｂおよび図５Ｃは、本発明のいくつかの実施形態に係る、予測された区分線形交通速度関数を使用することで走行時間を計算する方法を示す。図５Ａは、時間依存グラフ４００の辺ｅ ５００を示し、この辺の開始頂点はｖ_ｓ ５１０であり、この辺の終了頂点はｖ_ｅ ５２０である。辺ｅは２つの道路セグメントＲ_１ ５３０およびＲ_２ ５４０からなる。これら２つの道路セグメントは、道路セグメントＲ_１およびＲ_２の両方の交通速度を予測するデータコレクタ５５０によって接続されている。道路セグメントＲ_１は、車両が１つのΔｔ期間未満でＲ_１を通過できるように短く、その物理的距離はＤ_１ ５６０である。道路セグメントＲ_２は、車両がＲ２を通過するのに２つ以上のΔｔ期間、たとえば７個のΔｔ期間を必要とするように長く、その物理的距離はＤ_２ ５７０である。車両が時間ｔ_ｓに頂点ｖ_ｓに到着し、１つの予測期間Δｔ内にＲ_１を通過すると仮定する。時間ｔ_ｓにおける予測交通速度はｓ_０である。したがって、道路セグメントＲ_１上の走行時間はＤ_１／ｓ_０である。その結果、車両は、時間ｔ_ｃ＝ｔ_ｓ＋Ｄ_１／ｓ_０にデータコレクタ５５０に到着する。したがって、時間依存グラフの辺εの長さｗ_{ｖｓ，ｖｅ}（ｔ_ｓ）５８０は、ｗ_{ｖｓ，ｖｅ}（ｔ_ｓ）＝ｗ_ｖｓ，ｃ（ｔ_ｓ）＋ｗ_ｃ，ｖｅ（ｔ_ｃ）と計算することができ、図５Ｂに示すようにｗ_ｖｓ，ｃ（ｔ_ｓ）＝Ｄ_１／ｓ_０である。ｗ_ｃ，ｖｅ（ｔ_ｃ）の計算は図５Ｃに示されており、ここで、車両は時間ｔ_ｃにデータコレクタに到着する。時間ｔ_ｃは予測期間内にあると仮定する。長さｗ_ｃ，ｖｅ（ｔ_ｃ）は区分速度関数を使用して計算され、ここで、ｓ_１は時間ｔ_ｃにおける予測速度であり、車両は最初の予測期間ではαΔｔ時間だけ移動し（０＜α＜１である）、ｓ_２は時間ｔ_ｃ＋αΔｔにおける予測速度であり、ｓ_３は時間ｔ_ｃ＋（α＋１）Δｔにおける予測速度であり、ｓ_４は時間ｔ＋（α＋２）Δｔにおける予測速度であり、ｓ_５は時間ｔ＋（α＋３）Δｔにおける予測速度であり、ｓ_６は時間ｔ＋（α＋４）Δｔにおける予測速度であり、最後にｓ_７は時間ｔ＋（α＋５）Δｔにおける予測速度であり、車両は最後の予測期間ではβΔｔのみ移動する（０＜β＜１である）。したがって、道路セグメントＲ_２上の走行時間ｗ_ｃ，ｖｅ（ｔ_ｃ）は、（α＋５＋β）Δｔに等しい。したがって、第１の予測期間における走行距離はｄ_１＝αΔｔ^＊ｓ_１であり、第２の予測期間における走行距離はｄ_２＝Δｔ^＊ｓ_２であり、第３の予測期間における走行距離はｄ_３＝Δｔ^＊ｓ_３であり、第４の予測期間における走行距離はｄ_４＝Δｔ^＊ｓ_４であり、第５の予測期間における走行距離はｄ_５＝Δｔ^＊ｓ_５であり、第６の予測期間における走行距離はｄ_６＝Δｔ^＊ｓ_６であり、最終予測期間における走行距離はｄ_７＝βΔｔ^＊ｓ_７である。これらの距離の合計は、道路セグメントＲ２の物理的距離に等しく、すなわちｄ_１＋ｄ_２＋ｄ_３＋ｄ_４＋ｄ_５＋ｄ_６＋ｄ_７＝Ｄ_２である。最後に、辺εの長さｗ_{ｖｓ，ｖｅ}（ｔ_ｓ）＝Ｄ_１／ｓ_０＋ｄ_１／ｓ_１＋ｄ_２／ｓ_２＋ｄ_３／ｓ_３＋ｄ_４／ｓ_４＋ｄ_５／ｓ_５＋ｄ_６／ｓ_６＋ｄ_７／ｓ_７＝Ｄ_１／ｓ_０＋（α＋５＋β）Δｔである。

図６は、本発明のいくつかの実施形態に係る、図１に示されるインテリジェント交通システム１００の構成要素間の機能ブロックおよびやり取りを示す。ここで、各データコレクタ１１０はローカルデータベース６００を有し、学習サーバ１１５は、交通モデル、およびデータをクラスタ化する対応規則を設計する（６０５）。次に、学習サーバは、データクラスタ化規則および交通モデルをデータコレクタに配信し、複数回の分散訓練を調整する（６１０）。規則および交通モデルを受信すると、各データコレクタは、図２に示すように、自身のローカルデータをクラスタ化し、自身のローカルデータを使用して交通モデルを訓練する（６１５）。分散訓練が完了した後、学習サーバは、ローカルに訓練された交通モデルを集約することでグローバル交通モデルを構築する（６２０）。次に、学習サーバは、グローバル交通モデルをデータコレクタに配信し（６２５）、データコレクタはローカル交通予測を行う（６３０）。ローカル交通予測は学習サーバに送信される（６３５）。学習サーバは、道路網１０５およびデータコレクタからの交通予測を使用することで時間依存グラフを構築し、当該時間依存グラフをルート計画のために車両１２０に配信する（６４０）。車両は、時間依存グラフを使用することで、走行時間が最小となるように自身のルートを計画する（６４５）。車両は、計画ルートを走行して、最小の走行時間で目的地に到着する（６５０）。車両が自身の計画ルートを走行する際、新しい道路工事および交通事故などの予期せぬ事象が発生する可能性がある。観測された事象が計画走行時間との不一致を引き起こす場合、車両はこれらの事象を学習サーバにフィードバックして交通予測を更新することができる（６５５）。

本開示の上記実施形態は、数多くのやり方のうちのいずれかで実現することができる。たとえば、これらの実施形態は、ハードウェア、ソフトウェア、またはその組み合わせを用いて実現してもよい。請求項において、請求項要素を修飾するために「第１」、「第２」等の順序を表す用語を使用する場合、それ自体が、ある請求項要素の、別の請求項要素に対する優先、先行、または順序を暗示しているのではなく、実行する方法の動作の時間的順序を暗示しているのでもなく、請求項要素を区別するために、特定の名称を有するある請求項要素を、同一の名称を有する（が順序を表す用語を使用する）別の要素から区別するためのラベルとして用いているに過ぎない。

本開示をいくつかの好ましい実施形態を参照して説明してきたが、その他さまざまな適合化および修正が本開示の精神および範囲内で実施できることが理解されねばならない。したがって、本開示の真の精神および範囲に含まれるこのような変形および修正をすべてカバーすることが添付の請求項の局面である。

また、本開示の実施形態は方法またはコンピュータで実現される方法として具体化されてもよく、その一例が提供されている。この方法の一部として実行される動作の順序は任意の適切なやり方で決定されてもよい。したがって、実施形態は、例示されている順序と異なる順序で動作が実行されるように構成されてもよく、これは、いくつかの動作を、例示の実施形態では一連の動作として示されているが、同時に実行することを含み得る。

Claims (21)

1. 道路の交通を予測するための、コンピュータで実現される分散機械学習に基づく交通予測方法であって、
   グローバルマルチタスク交通モデルを学習サーバによって学習エージェントに配信して、前記交通モデルをローカルに訓練することと、
   ローカルに訓練されたグローバルマルチタスク交通モデルを前記学習サーバにアップロードすることとを備え、前記ローカルに訓練されたグローバルマルチタスク交通モデルは前記学習エージェントによって訓練されており、前記方法はさらに、
   前記学習エージェントからアップロードされた、前記ローカルに訓練されたグローバルマルチタスク交通モデルを使用して、前記学習サーバによって前記グローバルマルチタスク交通モデルを更新することと、
   更新された前記グローバルマルチタスク交通モデルを使用して、前記学習サーバによって時間依存グローバル交通地図を生成することと、
   前記道路を走行中の車両の各々に前記時間依存グローバル交通地図を配信することとを備える、コンピュータで実現される分散機械学習に基づく交通予測方法。
2. 学習サーバは、前記グローバルマルチタスク交通モデルを交通予測ニューラルネットワークの形態で設計し、学習サーバは路側機またはｅＮｏｄｅＢまたはクラウドとすることができる、請求項１に記載の方法。
3. 分散した学習エージェントが各自のローカルデータを使用することで前記グローバルマルチタスク交通モデルを訓練し、前記学習エージェントはインフラストラクチャのデータコレクタとすることができ、各データコレクタは道路網上に位置しており、配置された位置で交通データを収集するように構成されている、請求項１に記載の方法。
4. 前記学習サーバは、データクラスタ規則を設計し、データクラスタ規則を前記学習エージェントに配信するように構成されている、請求項１に記載の方法。
5. 各学習エージェントは、配信された規則を使用して自身のローカルデータをクラスタ化するように構成されている、請求項４に記載の方法。
6. 前記分散マルチタスク機械学習は複数回実行され、各回において、前記学習サーバは更新された前記交通モデルを前記学習エージェントに配信し、各学習エージェントは、自身のローカルデータを使用して、受信した前記交通モデルを複数回反復して訓練し、各学習エージェントは、ローカルに訓練された交通モデルを前記学習サーバ上にアップロードし、前記学習は前記交通モデルが十分訓練されるまで継続される、請求項１に記載の方法。
7. 
8. 前記学習サーバおよび学習エージェントは前記時間依存グローバル交通地図を協調して構築し、前記時間依存グローバル交通地図は時間依存グラフとしてモデル化され、前記時間依存グラフの各辺は、前記グラフの２つの頂点を接続する道路セグメント上の予測された方向を示す走行時間である、請求項１に記載の方法。
9. 前記学習サーバは、十分訓練されたグローバル交通モデルを走行時間予測のために学習エージェントに配信し、各学習エージェントは、グローバル交通モデルおよび自身のローカルデータを使用して交通速度を予測することによって道路セグメント上の走行時間を計算し、前記交通速度予測は、短時間交通速度、中時間交通速度、および長時間交通速度を予測することによるマルチホライズンである、請求項８に記載の方法。
10. 
11. 前記道路網は、地図サーバに格納された地図を変換することによって生成され、前記地図は、都市のような大規模な幾何学的領域をカバーするように提供される、請求項１に記載の方法。
12. 前記時間依存グラフの頂点は、２つの隣接する道路セグメントの交差点または接続点に対応する頂点を含み、前記時間依存グラフの辺は、隣接する前記頂点を接続する前記道路セグメントである、請求項１１に記載の方法。
13. 前記道路網は、十分訓練された前記交通予測ニューラルネットワークに基づいて時間依存グラフに変換される、請求項１１に記載の方法。
14. 運転計画は、現在地、目的地、時間、日付、前記道路網上の経由地、またはそれらの組み合わせの少なくとも一部を含む、請求項１に記載の方法。
15. 各学習エージェントは、異なる交通タスクに対応する交通予測ニューラルネットワークを訓練する、請求項１に記載の方法。
16. 辺は、少なくとも１つの学習エージェントを含むように構成されている、請求項１２に記載の方法。
17. 前記時間依存グラフの辺の上の走行時間は、予測時間間隔Δｔに基づく区分交通速度予測を使用することで計算される、請求項８に記載の方法。
18. 前記分散機械学習は連合学習（ＦＬ）技術によって実現可能である、請求項１に記載の方法。
19. ローカルに訓練された交通モデルを学習サーバに提供するためのローカル交通予測エージェントであって、
    道路網上に配置されたセンサからローカル交通データを収集するように構成されたインターフェイスを備え、前記インターフェイスは、通信ネットワークを介して前記学習サーバからマルチタスク交通モデルおよびデータクラスタ規則を取得するように構成され、前記ローカル交通予測エージェントはさらに、
    前記ローカル交通データ、前記データクラスタ規則および訓練された交通モデル、交通予測ニューラルネットワークを格納するように構成されたメモリと、
    プロセッサとを備え、前記プロセッサは、前記メモリに関連して、
    前記データクラスタ規則に基づいて前記ローカル交通データを使用して、前記交通予測ニューラルネットワークをローカルに訓練して、前記交通予測ニューラルネットワークの取得された前記マルチタスク交通モデルを更新し、
    更新された、ローカルに訓練された前記マルチタスク交通モデルを、前記通信ネットワークを使用して前記インターフェイスを介して前記学習サーバにアップロードするように構成されている、ローカル交通予測エージェント。
20. 道路網を走行中の車両に交通予測を提供するための学習サーバであって、
    通信ネットワークを介して請求項１９に記載のローカル交通予測エージェントから交通予測ニューラルネットワークの訓練されたマルチタスクパラメータを取得するように構成されたトランシーバを備え、前記ローカル交通予測エージェントは前記道路網上の位置に配置され、前記学習サーバはさらに、
    交通データ、グローバル時間依存地図、交通予測ニューラルネットワーク、訓練されたマルチタスク交通モデル、および道路網の地図を格納するように構成されたメモリと、
    １つ以上のプロセッサとを備え、前記プロセッサは、前記メモリに関連して、
    前記訓練されたマルチタスクパラメータを使用して、前記交通予測ニューラルネットワークを更新するステップと、
    前記訓練されたマルチタスク交通モデルに基づいて、更新されたグローバル時間依存交通地図を生成するステップと、
    前記更新されたグローバル時間依存交通地図を、前記道路網を走行中の前記車両に配信するステップと、
    データクラスタ化規則を前記ローカル交通予測エージェントに配信するステップとを実行するように構成されている、学習サーバ。
21. 道路網を走行中の車両に交通予測を提供するための、分散機械学習に基づく交通予測システムであって、
    請求項１９に記載の少なくとも１つのローカル交通予測エージェントと、
    請求項２０に記載の少なくとも１つの学習サーバと、
    前記少なくとも１つのローカル交通予測エージェントおよび前記少なくとも１つの学習サーバと、少なくとも１つの路側機と、前記道路網を走行中の車両とを接続するように構成された通信ネットワークとを備える、分散機械学習に基づく交通予測システム。