JP2938293B2 - 空気汚染度予測装置 - Google Patents
空気汚染度予測装置Info
- Publication number
- JP2938293B2 JP2938293B2 JP35957992A JP35957992A JP2938293B2 JP 2938293 B2 JP2938293 B2 JP 2938293B2 JP 35957992 A JP35957992 A JP 35957992A JP 35957992 A JP35957992 A JP 35957992A JP 2938293 B2 JP2938293 B2 JP 2938293B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- degree
- network
- layer
- air pollution
- 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.)
- Expired - Fee Related
Links
Landscapes
- Ventilation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、トンネル等の内部を適
切なタイミングで換気するためにリカレント型ネットワ
ークを利用して空気の汚染度を予測する空気汚染度予測
装置に関する。
切なタイミングで換気するためにリカレント型ネットワ
ークを利用して空気の汚染度を予測する空気汚染度予測
装置に関する。
【０００２】
【従来の技術】トンネル内の換気制御は、視界の確保に
よる安全性の向上、ドライバーにとっての快適性の向上
等の観点から極めて重要な問題となっている。この換気
制御方式としては、従来より種々の方式が提供されてお
り、フィードバック制御、評価関数を導入したレギュレ
ータ制御、予測制御、ファジィ理論応用制御等が試みら
れている。
よる安全性の向上、ドライバーにとっての快適性の向上
等の観点から極めて重要な問題となっている。この換気
制御方式としては、従来より種々の方式が提供されてお
り、フィードバック制御、評価関数を導入したレギュレ
ータ制御、予測制御、ファジィ理論応用制御等が試みら
れている。
【０００３】
【発明が解決しようとする課題】ここで、道路トンネル
換気系は、一般に非線形性が強く遅れ要素の大きい分布
定数系である。このため、空気の汚染度を示す代表的な
指標である煙霧透過率（以下、ＶＩ値という）には過去
の長い時間の状況が影響しており、これを数式モデルに
よって表すことができず、制御の結果であるＶＩ値を予
測してその範囲の妥当性を確認することは困難であると
いう問題があった。
換気系は、一般に非線形性が強く遅れ要素の大きい分布
定数系である。このため、空気の汚染度を示す代表的な
指標である煙霧透過率（以下、ＶＩ値という）には過去
の長い時間の状況が影響しており、これを数式モデルに
よって表すことができず、制御の結果であるＶＩ値を予
測してその範囲の妥当性を確認することは困難であると
いう問題があった。
【０００４】本発明は上記問題点を解決するためになさ
れたもので、その目的とするところは、ＶＩ値を始めと
する空気汚染度の予測を精度良く行い、状況に応じた適
切な換気を可能とする空気汚染度予測装置を提供するこ
とにある。
れたもので、その目的とするところは、ＶＩ値を始めと
する空気汚染度の予測を精度良く行い、状況に応じた適
切な換気を可能とする空気汚染度予測装置を提供するこ
とにある。
【０００５】
【課題を解決するための手段】上記目的を達成するた
め、本発明は、リカレント型ネットワークが時間的順序
関係を学習できる性質に着目してなされたものである。
すなわち、第１の発明は、空気汚染度を計測する手段
と、空気汚染度に影響する状況値を計測する手段と、前
記汚染度及び状況値を実績値として記憶する手段と、入
力層、中間層、文脈層及び出力層からなる単一のリカレ
ント型ネットワークと、経時的に記憶された前記実績値
との間の誤差が小さくなるようにリカレント型ネットワ
ークを用いて経時的にネットワークの重みを修正するこ
とにより前記状況値と汚染度との関係を学習する手段
と、既に学習させた前記状況値と汚染度との関係に基づ
き、リカレント型ネットワークを用いて任意の時間にお
ける汚染度を予測する手段とを備えたものである。
め、本発明は、リカレント型ネットワークが時間的順序
関係を学習できる性質に着目してなされたものである。
すなわち、第１の発明は、空気汚染度を計測する手段
と、空気汚染度に影響する状況値を計測する手段と、前
記汚染度及び状況値を実績値として記憶する手段と、入
力層、中間層、文脈層及び出力層からなる単一のリカレ
ント型ネットワークと、経時的に記憶された前記実績値
との間の誤差が小さくなるようにリカレント型ネットワ
ークを用いて経時的にネットワークの重みを修正するこ
とにより前記状況値と汚染度との関係を学習する手段
と、既に学習させた前記状況値と汚染度との関係に基づ
き、リカレント型ネットワークを用いて任意の時間にお
ける汚染度を予測する手段とを備えたものである。
【０００６】第２の発明は、空気汚染度を計測する手段
と、空気汚染度に影響する状況値を計測する手段と、前
記汚染度及び状況値を実績値として記憶する手段と、入
力層、中間層、文脈層及び出力層からなり、かつ、空気
汚染度に影響する条件別に設けた複数のリカレント型ネ
ットワークと、経時的に記憶された前記実績値との間の
誤差が小さくなるように前記条件に応じて選択されたリ
カレント型ネットワークを用いて経時的にネットワーク
の重みを修正することにより前記状況値と汚染度との関
係を学習する手段と、既に学習させた前記状況値と汚染
度との関係に基づき、前記条件に応じて選択されたリカ
レント型ネットワークを用いて任意の時間における汚染
度を予測する手段とを備えたものである。
と、空気汚染度に影響する状況値を計測する手段と、前
記汚染度及び状況値を実績値として記憶する手段と、入
力層、中間層、文脈層及び出力層からなり、かつ、空気
汚染度に影響する条件別に設けた複数のリカレント型ネ
ットワークと、経時的に記憶された前記実績値との間の
誤差が小さくなるように前記条件に応じて選択されたリ
カレント型ネットワークを用いて経時的にネットワーク
の重みを修正することにより前記状況値と汚染度との関
係を学習する手段と、既に学習させた前記状況値と汚染
度との関係に基づき、前記条件に応じて選択されたリカ
レント型ネットワークを用いて任意の時間における汚染
度を予測する手段とを備えたものである。
【０００７】
【作用】トンネル等の内部空気の汚染には、風速や車両
通行台数など、様々な過去の要因が関係しており、この
関係を学習させるために、本発明ではリカレント型ネッ
トワークを用いこととした。
通行台数など、様々な過去の要因が関係しており、この
関係を学習させるために、本発明ではリカレント型ネッ
トワークを用いこととした。
【０００８】リカレント型ネットワークは、入力層、一
つ以上の中間層、出力層からなる階層構造のほかに、文
脈層を有するネットワークである。この文脈層には過去
の経歴が保持されているため、時間的な順序関係を学習
することができる。リカレント型ネットワークには幾つ
かの種類があるが、代表的なのはElmanのネットワーク
であり、これは中間層が１層で、文脈層のユニット数が
中間層のユニット数に等しく、文脈層から中間層への結
合を有するネットワークである。
つ以上の中間層、出力層からなる階層構造のほかに、文
脈層を有するネットワークである。この文脈層には過去
の経歴が保持されているため、時間的な順序関係を学習
することができる。リカレント型ネットワークには幾つ
かの種類があるが、代表的なのはElmanのネットワーク
であり、これは中間層が１層で、文脈層のユニット数が
中間層のユニット数に等しく、文脈層から中間層への結
合を有するネットワークである。
【０００９】本発明における時間的な順序関係の学習は
次のようにして行う。まず、時間ｔ＝１，２，……，Ｔ
において、空気汚染度に影響する状況値として風速Ｗ
(ｔ)、車両の通行台数Ｃ(ｔ)が、また、空気汚染度を表
す指標としてＶＩ値Ｖ(ｔ)が各々実績値として記憶され
ているものとする。 文脈層の値を０に設定する。ｔ＝１として風速Ｗ(１)
及び通行台数Ｃ(１)を入力層に入力し、出力値を得る。
実績のＶＩ値Ｖ(１)との間の誤差を小さくするように、
逆伝搬法を用いて出力層から入力層に向い逆方向にたど
りながらネットワークの重みの修正を行う。
次のようにして行う。まず、時間ｔ＝１，２，……，Ｔ
において、空気汚染度に影響する状況値として風速Ｗ
(ｔ)、車両の通行台数Ｃ(ｔ)が、また、空気汚染度を表
す指標としてＶＩ値Ｖ(ｔ)が各々実績値として記憶され
ているものとする。 文脈層の値を０に設定する。ｔ＝１として風速Ｗ(１)
及び通行台数Ｃ(１)を入力層に入力し、出力値を得る。
実績のＶＩ値Ｖ(１)との間の誤差を小さくするように、
逆伝搬法を用いて出力層から入力層に向い逆方向にたど
りながらネットワークの重みの修正を行う。
【００１０】上記における中間層の値を文脈層にコ
ピーしておき、ｔ＝２として風速Ｗ(２)及び通行台数Ｃ
(２)を入力層に入力し、出力値を得る。実績のＶＩ値Ｖ
(２)との間の誤差を小さくするように、逆伝搬法を用い
てネットワークの重みの修正を行う。 上記と同様にｔ＝３，４，……，Ｔと順次繰り返
し、逆伝搬法を用いてネットワークの重みの修正を行
う。
ピーしておき、ｔ＝２として風速Ｗ(２)及び通行台数Ｃ
(２)を入力層に入力し、出力値を得る。実績のＶＩ値Ｖ
(２)との間の誤差を小さくするように、逆伝搬法を用い
てネットワークの重みの修正を行う。 上記と同様にｔ＝３，４，……，Ｔと順次繰り返
し、逆伝搬法を用いてネットワークの重みの修正を行
う。
【００１１】全体の誤差が所定の値よりも小さいか否
かを判断し、小さければそこで学習を終了するが、そう
でないときにはに戻り、学習を継続する。 学習が終了した時点では、ネットワークに学習させた
風速、通行台数、ＶＩ値の時間的関係が記憶されてい
る。
かを判断し、小さければそこで学習を終了するが、そう
でないときにはに戻り、学習を継続する。 学習が終了した時点では、ネットワークに学習させた
風速、通行台数、ＶＩ値の時間的関係が記憶されてい
る。
【００１２】従って、ｔ＝ｎにおけるＶＩ値Ｖ(ｎ)を求
めるには、次の手順により行う。 Ａ）文脈層の値を０に設定する。ｔ＝１として風速Ｗ
(１)及び通行台数Ｃ(１)を入力層に入力する。 Ｂ）上記Ａ）における中間層の値を文脈層にコピーして
おき、ｔ＝２として風速Ｗ(２)及び通行台数Ｃ(２)を入
力層に入力する。 Ｃ）同様にして、ｔ＝３，４，……，Ｔと順次繰り返す
と、ｔ＝ｎにおける出力値はＶ(ｎ)であり、任意の時刻
ｎにおけるＶＩ予測値Ｖ(ｎ)が求められる。
めるには、次の手順により行う。 Ａ）文脈層の値を０に設定する。ｔ＝１として風速Ｗ
(１)及び通行台数Ｃ(１)を入力層に入力する。 Ｂ）上記Ａ）における中間層の値を文脈層にコピーして
おき、ｔ＝２として風速Ｗ(２)及び通行台数Ｃ(２)を入
力層に入力する。 Ｃ）同様にして、ｔ＝３，４，……，Ｔと順次繰り返す
と、ｔ＝ｎにおける出力値はＶ(ｎ)であり、任意の時刻
ｎにおけるＶＩ予測値Ｖ(ｎ)が求められる。
【００１３】本発明では、前述のごとくリカレント型ネ
ットワークに状況値と空気汚染度との関係を学習させて
いる。第１及び第２の発明において、汚染度を予測する
ときには、学習させたのとまったく同じ状況になること
はないが、ニューラルネットは汎化能力を有しており、
学習した状況に類似していれば近い汚染度を予測するこ
とができる。特に、請求項２に記載した第２の発明で
は、複数のリカレント型ネットワークに条件別に学習さ
せているので、予測時にはそのときの条件に応じて最も
適したネットワークを選択してその値を出力値として採
用することにより、予測精度を一層高めることができ
る。
ットワークに状況値と空気汚染度との関係を学習させて
いる。第１及び第２の発明において、汚染度を予測する
ときには、学習させたのとまったく同じ状況になること
はないが、ニューラルネットは汎化能力を有しており、
学習した状況に類似していれば近い汚染度を予測するこ
とができる。特に、請求項２に記載した第２の発明で
は、複数のリカレント型ネットワークに条件別に学習さ
せているので、予測時にはそのときの条件に応じて最も
適したネットワークを選択してその値を出力値として採
用することにより、予測精度を一層高めることができ
る。
【００１４】
【実施例】以下、図に沿って本発明の実施例を説明す
る。まず、図１は第１の発明の実施例の装置構成を示す
もので、ネットワークを１個としたものである。図１に
おいて、トンネル内の空気汚染度を表す指標としてのＶ
Ｉ値を計測するＶＩ値計測手段１と、空気汚染度に影響
する状況値としての車両の通行量を計測する通行台数計
測手段２と、同じくトンネル内の風速を計測する風速計
測手段３とを用いて、トンネル内の空気汚染度及びそれ
に影響する状況値を経時的に計測しておく。これらの収
集データは、実績値として実績記憶手段４に記憶してお
く。
る。まず、図１は第１の発明の実施例の装置構成を示す
もので、ネットワークを１個としたものである。図１に
おいて、トンネル内の空気汚染度を表す指標としてのＶ
Ｉ値を計測するＶＩ値計測手段１と、空気汚染度に影響
する状況値としての車両の通行量を計測する通行台数計
測手段２と、同じくトンネル内の風速を計測する風速計
測手段３とを用いて、トンネル内の空気汚染度及びそれ
に影響する状況値を経時的に計測しておく。これらの収
集データは、実績値として実績記憶手段４に記憶してお
く。
【００１５】学習手段５は、後に詳述するように、学習
ネットワーク６Ａに、上記実績値を用いて通行台数、風
速及びＶＩ値の関係をＶＩ値の誤差が十分に小さくなる
まで学習させる。予測手段７は、既に学習が終了した予
測ネットワーク６Ｂを用いて、次回のＶＩ値の予測を行
い、空気汚染度を示すＶＩ予測値８を得る。ここで、予
測ネットワーク６Ｂの内容は、学習ネットワーク６Ａか
ら一定時間ごとにコピーされるものであるため、実質的
に両者の内容は同一であり、単一のネットワークと言う
ことができる。但し、学習の結果、間違ったデータが記
憶されている可能性もあるので、予測ネットワーク６Ｂ
にコピーする前に人間がチェックするようにしても良
い。
ネットワーク６Ａに、上記実績値を用いて通行台数、風
速及びＶＩ値の関係をＶＩ値の誤差が十分に小さくなる
まで学習させる。予測手段７は、既に学習が終了した予
測ネットワーク６Ｂを用いて、次回のＶＩ値の予測を行
い、空気汚染度を示すＶＩ予測値８を得る。ここで、予
測ネットワーク６Ｂの内容は、学習ネットワーク６Ａか
ら一定時間ごとにコピーされるものであるため、実質的
に両者の内容は同一であり、単一のネットワークと言う
ことができる。但し、学習の結果、間違ったデータが記
憶されている可能性もあるので、予測ネットワーク６Ｂ
にコピーする前に人間がチェックするようにしても良
い。
【００１６】次に、図２は第２の発明の実施例の装置構
成を示している。この実施例は、ネットワークに学習さ
せる実績値を、昼で晴、昼で雨、夜の３種類に区分し、
これらの時間や天候の異なる条件について各々別のネッ
トワークに学習させるものである。図示するようにこの
実施例では、図１の実施例と異なり、空気の汚染度を表
す指標としてＶＩ値ではなく、ＣＯ値（一酸化炭素濃
度）を用いているが、他の指標を用いたり、あるいは他
の指標、例えばＶＩ値等を併用することも可能である。
成を示している。この実施例は、ネットワークに学習さ
せる実績値を、昼で晴、昼で雨、夜の３種類に区分し、
これらの時間や天候の異なる条件について各々別のネッ
トワークに学習させるものである。図示するようにこの
実施例では、図１の実施例と異なり、空気の汚染度を表
す指標としてＶＩ値ではなく、ＣＯ値（一酸化炭素濃
度）を用いているが、他の指標を用いたり、あるいは他
の指標、例えばＶＩ値等を併用することも可能である。
【００１７】状況値としては通行台数予測手段１２によ
り予測した通行台数、気圧計測手段１３により計測した
気圧が用いられており、これらとＣＯ値計測手段１１に
より計測される上記ＣＯ値とが実績値として実績記憶手
段１４に記憶される。なお、上記状況値についても他の
種類の値を用いることができる。
り予測した通行台数、気圧計測手段１３により計測した
気圧が用いられており、これらとＣＯ値計測手段１１に
より計測される上記ＣＯ値とが実績値として実績記憶手
段１４に記憶される。なお、上記状況値についても他の
種類の値を用いることができる。
【００１８】学習手段１５は、実績値の条件に応じた学
習ネットワークを１６１Ａ，１６２Ａ，１６３Ａの中か
ら学習ネットワーク選択手段１９により選択し、予測手
段１７では、予測ネットワーク１６１Ｂ，１６２Ｂ，１
６３Ｂの中から現在の時間や天候の条件に最も良く合っ
たものを予測ネットワーク選択手段２０により選択して
その出力値を空気汚染度を示すＣＯ予測値１８とする。
予測ネットワーク１６１Ｂ，１６２Ｂ，１６３Ｂの内容
が、学習ネットワーク１６１Ａ，１６２Ａ，１６３Ａを
各々一定時間ごとにコピーしたものであるのは図１の実
施例と同様である。
習ネットワークを１６１Ａ，１６２Ａ，１６３Ａの中か
ら学習ネットワーク選択手段１９により選択し、予測手
段１７では、予測ネットワーク１６１Ｂ，１６２Ｂ，１
６３Ｂの中から現在の時間や天候の条件に最も良く合っ
たものを予測ネットワーク選択手段２０により選択して
その出力値を空気汚染度を示すＣＯ予測値１８とする。
予測ネットワーク１６１Ｂ，１６２Ｂ，１６３Ｂの内容
が、学習ネットワーク１６１Ａ，１６２Ａ，１６３Ａを
各々一定時間ごとにコピーしたものであるのは図１の実
施例と同様である。
【００１９】上記各実施例に用いられるリカレント型ネ
ットワークの概略的な構成を図３に示す。このネットワ
ークは、入力層３１、中間層３２、出力層３３からなる
階層構造の他に、文脈層３４を有している。中間層３２
は１層であり、文脈層３４のユニット数（ニューロン
数）は中間層３２のユニット数に等しく、文脈層３４か
ら中間層３２への結合が存在する。ここでは、中間層３
２が１層の場合を示しているが２層以上であっても差し
支えなく、これに応じて文脈層３４も２層以上になって
も良い。
ットワークの概略的な構成を図３に示す。このネットワ
ークは、入力層３１、中間層３２、出力層３３からなる
階層構造の他に、文脈層３４を有している。中間層３２
は１層であり、文脈層３４のユニット数（ニューロン
数）は中間層３２のユニット数に等しく、文脈層３４か
ら中間層３２への結合が存在する。ここでは、中間層３
２が１層の場合を示しているが２層以上であっても差し
支えなく、これに応じて文脈層３４も２層以上になって
も良い。
【００２０】このリカレント型ネットワークの具体的な
構成を図４に示す。入力層３１には、現在通行中の大型
車台数、Δｔ後に通行が予測される大型車台数、車道風
速、自然風速、ジェットファン運転台数、集塵機運転
率、現在のＶＩ値が入力されるため、計７ユニットを持
つ。この入力層３１に接続される中間層３２は計１０ユ
ニットを持ち、文脈層３４も同じく計１０ユニットを持
つ。中間層３２に接続される出力層３３は、Δｔ後のＶ
Ｉ予測値に対応する１ユニットのみを有する。
構成を図４に示す。入力層３１には、現在通行中の大型
車台数、Δｔ後に通行が予測される大型車台数、車道風
速、自然風速、ジェットファン運転台数、集塵機運転
率、現在のＶＩ値が入力されるため、計７ユニットを持
つ。この入力層３１に接続される中間層３２は計１０ユ
ニットを持ち、文脈層３４も同じく計１０ユニットを持
つ。中間層３２に接続される出力層３３は、Δｔ後のＶ
Ｉ予測値に対応する１ユニットのみを有する。
【００２１】上記リカレント型ネットワークによる学習
のフローチャートを図５に示す。時間ｔ＝１，２，…
…，Ｔまでの、大型車台数Ｌ(ｔ)、車道風速Ｗｒ(ｔ)、
自然風速Ｗｎ(ｔ)、ジェットファン運転台数Ｊ(ｔ)、集
塵機運転率Ｄ(ｔ)、ＶＩ値Ｖ(ｔ)、及び、時間ｔ＝Ｔ＋
１における大型車台数Ｌ(Ｔ＋１)、ＶＩ値Ｖ(Ｔ＋１)が
実績値として記憶されているものとする。ここでは、時
間の単位（時間間隔Δｔ）を５分とする。
のフローチャートを図５に示す。時間ｔ＝１，２，…
…，Ｔまでの、大型車台数Ｌ(ｔ)、車道風速Ｗｒ(ｔ)、
自然風速Ｗｎ(ｔ)、ジェットファン運転台数Ｊ(ｔ)、集
塵機運転率Ｄ(ｔ)、ＶＩ値Ｖ(ｔ)、及び、時間ｔ＝Ｔ＋
１における大型車台数Ｌ(Ｔ＋１)、ＶＩ値Ｖ(Ｔ＋１)が
実績値として記憶されているものとする。ここでは、時
間の単位（時間間隔Δｔ）を５分とする。
【００２２】図５において、文脈層３４の値を０に設定
し、ｔ＝１とする（Ｓ１）。次に、大型車台数Ｌ(ｔ)，
Ｌ(ｔ＋１)、車道風速Ｗｒ(ｔ)、自然風速Ｗｎ(ｔ)、ジ
ェットファン運転台数Ｊ(ｔ)、集塵機運転率Ｄ(ｔ)、Ｖ
Ｉ値Ｖ(ｔ)を入力層３１に入力し、出力層３３から出力
値を得る。実績値であるＶＩ値Ｖ(ｔ＋１)との間の出力
誤差が小さくなるように逆伝搬法を用いてネットワーク
の重みの修正を行う（Ｓ２）。
し、ｔ＝１とする（Ｓ１）。次に、大型車台数Ｌ(ｔ)，
Ｌ(ｔ＋１)、車道風速Ｗｒ(ｔ)、自然風速Ｗｎ(ｔ)、ジ
ェットファン運転台数Ｊ(ｔ)、集塵機運転率Ｄ(ｔ)、Ｖ
Ｉ値Ｖ(ｔ)を入力層３１に入力し、出力層３３から出力
値を得る。実績値であるＶＩ値Ｖ(ｔ＋１)との間の出力
誤差が小さくなるように逆伝搬法を用いてネットワーク
の重みの修正を行う（Ｓ２）。
【００２３】次いで、上記ステップＳ２における中間層
３２の値を文脈層３４にコピーする（Ｓ３）。上記処理
をｔ＝Ｔになるまで繰返す。すなわち、ｔ＝Ｔとなった
ら次のステップＳ５へ移行し、そうでなければｔを１増
やしてステップＳ２へ戻る（Ｓ４）。全体の誤差の評価
値が所定の値よりも小さいか否かを判断し、小さければ
そこで学習を終了する。そうでなければステップＳ１に
戻り、学習を継続する（Ｓ５）。
３２の値を文脈層３４にコピーする（Ｓ３）。上記処理
をｔ＝Ｔになるまで繰返す。すなわち、ｔ＝Ｔとなった
ら次のステップＳ５へ移行し、そうでなければｔを１増
やしてステップＳ２へ戻る（Ｓ４）。全体の誤差の評価
値が所定の値よりも小さいか否かを判断し、小さければ
そこで学習を終了する。そうでなければステップＳ１に
戻り、学習を継続する（Ｓ５）。
【００２４】こうして学習が終了した時点では、学習ネ
ットワークに学習させた風速、大型車通行台数、ＶＩ値
の時間的関係が記憶されている。
ットワークに学習させた風速、大型車通行台数、ＶＩ値
の時間的関係が記憶されている。
【００２５】次に、上記リカレント型ネットワークによ
るＶＩ値予測のフローチャートを図６に示す。時間ｔ＝
１，２，……，ｎまでの、大型車台数Ｌ(ｔ)、車道風速
Ｗｒ(ｔ)、自然風速Ｗｎ(ｔ)、ジェットファン運転台数
Ｊ(ｔ)、集塵機運転率Ｄ(ｔ)、ＶＩ値Ｖ(ｔ)が実績値と
して記憶されており、かつ、時間ｔ＝ｎ＋１における大
型車台数Ｌ(ｎ＋１)が予測値として判明しているものと
する。
るＶＩ値予測のフローチャートを図６に示す。時間ｔ＝
１，２，……，ｎまでの、大型車台数Ｌ(ｔ)、車道風速
Ｗｒ(ｔ)、自然風速Ｗｎ(ｔ)、ジェットファン運転台数
Ｊ(ｔ)、集塵機運転率Ｄ(ｔ)、ＶＩ値Ｖ(ｔ)が実績値と
して記憶されており、かつ、時間ｔ＝ｎ＋１における大
型車台数Ｌ(ｎ＋１)が予測値として判明しているものと
する。
【００２６】図６において、文脈層３４の値を０に設定
し、ｔ＝１とする（Ｓ１１）。次に、大型車台数Ｌ
(ｔ)，Ｌ(ｔ＋１)、車道風速Ｗｒ(ｔ)、自然風速Ｗｎ
(ｔ)、ジェットファン運転台数Ｊ(ｔ)、集塵機運転率Ｄ
(ｔ)、ＶＩ値Ｖ(ｔ)を入力層３１に入力し、出力層３３
から出力値を得る（Ｓ１２）。
し、ｔ＝１とする（Ｓ１１）。次に、大型車台数Ｌ
(ｔ)，Ｌ(ｔ＋１)、車道風速Ｗｒ(ｔ)、自然風速Ｗｎ
(ｔ)、ジェットファン運転台数Ｊ(ｔ)、集塵機運転率Ｄ
(ｔ)、ＶＩ値Ｖ(ｔ)を入力層３１に入力し、出力層３３
から出力値を得る（Ｓ１２）。
【００２７】次いで、上記ステップＳ１２における中間
層３２の値を文脈層３４にコピーする（Ｓ１３）。上記
処理をｔ＝ｎになるまで繰返す。すなわち、ｔ＝ｎとな
ったら次のステップＳ１５へ移行し、そうでなければｔ
を１増やしてステップＳ１２へ戻る（Ｓ１４）。この時
の出力値が、任意の時間ｔ＝ｎにおける空気汚染度とし
てのＶＩ予測値Ｖ(ｎ＋１)となる（Ｓ１５）。
層３２の値を文脈層３４にコピーする（Ｓ１３）。上記
処理をｔ＝ｎになるまで繰返す。すなわち、ｔ＝ｎとな
ったら次のステップＳ１５へ移行し、そうでなければｔ
を１増やしてステップＳ１２へ戻る（Ｓ１４）。この時
の出力値が、任意の時間ｔ＝ｎにおける空気汚染度とし
てのＶＩ予測値Ｖ(ｎ＋１)となる（Ｓ１５）。
【００２８】次に、ｔ＝ｎ＋１で予測を行う場合には、
ｔ＝ｎにおけるネットワークの状態を保存しておくこと
により、ｔ＝１からｎまでの繰返し計算を省略すること
ができ、ステップＳ１２から直ちにステップＳ１５へ移
行することによって連続的にＶＩ値を予測することが可
能である。
ｔ＝ｎにおけるネットワークの状態を保存しておくこと
により、ｔ＝１からｎまでの繰返し計算を省略すること
ができ、ステップＳ１２から直ちにステップＳ１５へ移
行することによって連続的にＶＩ値を予測することが可
能である。
【００２９】
【発明の効果】以上のように第１または第２の発明は、
リカレント型ネットワークを用いて空気汚染度とこれに
影響する状況値との経時的な関係を学習させ、その学習
結果により任意の時間の空気汚染度を予測するものであ
る。
リカレント型ネットワークを用いて空気汚染度とこれに
影響する状況値との経時的な関係を学習させ、その学習
結果により任意の時間の空気汚染度を予測するものであ
る。
【００３０】このため、実績のＶＩ値等に過去の時間の
影響が現われている場合でもそれらを反映させた高精度
な汚染度の予測が可能であり、トンネル等の内部の換気
を一層適切かつ効率的に行うことができる。また、本発
明は、状況値の種類が特に限定されるものではないか
ら、トンネル内空気の汚染度予測ばかりでなく、定期的
な換気が必要とされる各種設備内の汚染度予測に適用可
能である。
影響が現われている場合でもそれらを反映させた高精度
な汚染度の予測が可能であり、トンネル等の内部の換気
を一層適切かつ効率的に行うことができる。また、本発
明は、状況値の種類が特に限定されるものではないか
ら、トンネル内空気の汚染度予測ばかりでなく、定期的
な換気が必要とされる各種設備内の汚染度予測に適用可
能である。
【００３１】特に、第２の発明では、時間や天候等の条
件に応じた学習及び予測により、予測精度を一層向上さ
せることができる。
件に応じた学習及び予測により、予測精度を一層向上さ
せることができる。
【図１】第１の発明の実施例の構成を示すブロック図で
ある。
ある。
【図２】第２の発明の実施例の構成を示すブロック図で
ある。
ある。
【図３】各実施例に用いられるリカレント型ネットワー
クの概略的な構成を示す図である。
クの概略的な構成を示す図である。
【図４】各実施例に用いられるリカレント型ネットワー
クの具体的な構成を示す図である。
クの具体的な構成を示す図である。
【図５】各実施例のリカレント型ネットワークによる学
習のフローチャートである。
習のフローチャートである。
【図６】各実施例のリカレント型ネットワークによる予
測のフローチャートである。
測のフローチャートである。
１ ＶＩ値計測手段 ２ 通行台数計測手段 ３ 風速計測手段 ４，１４ 実績記憶手段 ５，１５ 学習手段 ６Ａ，１６１Ａ，１６２Ａ，１６３Ａ 学習ネットワー
ク ６Ｂ，１６１Ｂ，１６２Ｂ，１６３Ｂ 予測ネットワー
ク ７，１７ 予測手段 ８ ＶＩ予測値 １１ ＣＯ値計測手段 １２ 通行台数予測手段 １３ 気圧計測手段 １８ ＣＯ予測値 １９ 学習ネットワーク選択手段 ２０ 予測ネットワーク選択手段 ３１ 入力層 ３２ 中間層 ３３ 出力層 ３４ 文脈層
ク ６Ｂ，１６１Ｂ，１６２Ｂ，１６３Ｂ 予測ネットワー
ク ７，１７ 予測手段 ８ ＶＩ予測値 １１ ＣＯ値計測手段 １２ 通行台数予測手段 １３ 気圧計測手段 １８ ＣＯ予測値 １９ 学習ネットワーク選択手段 ２０ 予測ネットワーク選択手段 ３１ 入力層 ３２ 中間層 ３３ 出力層 ３４ 文脈層
───────────────────────────────────────────────────── フロントページの続き (72)発明者 新貝 和照 神奈川県川崎市川崎区田辺新田１番１号 富士電機株式会社内 (72)発明者 小野 和夫 神奈川県川崎市川崎区田辺新田１番１号 富士電機株式会社内 (58)調査した分野(Int.Cl.6，ＤＢ名) E21F 1/00
Claims (2)
- 【請求項１】 空気汚染度を計測する手段と、空気汚染
度に影響する状況値を計測する手段と、前記汚染度及び
状況値を実績値として記憶する手段と、入力層、中間
層、文脈層及び出力層からなる単一のリカレント型ネッ
トワークと、経時的に記憶された前記実績値との間の誤
差が小さくなるようにリカレント型ネットワークを用い
て経時的にネットワークの重みを修正することにより前
記状況値と汚染度との関係を学習する手段と、既に学習
させた前記状況値と汚染度との関係に基づき、リカレン
ト型ネットワークを用いて任意の時間における汚染度を
予測する手段とを備えたことを特徴とする空気汚染度予
測装置。 - 【請求項２】 空気汚染度を計測する手段と、空気汚染
度に影響する状況値を計測する手段と、前記汚染度及び
状況値を実績値として記憶する手段と、入力層、中間
層、文脈層及び出力層からなり、かつ、空気汚染度に影
響する条件別に設けた複数のリカレント型ネットワーク
と、経時的に記憶された前記実績値との間の誤差が小さ
くなるように前記条件に応じて選択されたリカレント型
ネットワークを用いて経時的にネットワークの重みを修
正することにより前記状況値と汚染度との関係を学習す
る手段と、既に学習させた前記状況値と汚染度との関係
に基づき、前記条件に応じて選択されたリカレント型ネ
ットワークを用いて任意の時間における汚染度を予測す
る手段とを備えたことを特徴とする空気汚染度予測装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP35957992A JP2938293B2 (ja) | 1992-12-25 | 1992-12-25 | 空気汚染度予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP35957992A JP2938293B2 (ja) | 1992-12-25 | 1992-12-25 | 空気汚染度予測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06193400A JPH06193400A (ja) | 1994-07-12 |
| JP2938293B2 true JP2938293B2 (ja) | 1999-08-23 |
Family
ID=18465220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP35957992A Expired - Fee Related JP2938293B2 (ja) | 1992-12-25 | 1992-12-25 | 空気汚染度予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2938293B2 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3324434B2 (ja) * | 1997-03-26 | 2002-09-17 | 株式会社エフ・エフ・シー | 換気制御装置 |
| US6975975B2 (en) * | 1999-09-21 | 2005-12-13 | Fasca Ted S | Emissions management and policy making system |
| JP4389496B2 (ja) * | 2003-06-20 | 2009-12-24 | パナソニック株式会社 | 空気清浄機 |
| KR100924913B1 (ko) * | 2007-10-09 | 2009-11-03 | 재단법인대구경북과학기술원 | 센서 데이터 처리 방법 및 시스템 |
-
1992
- 1992-12-25 JP JP35957992A patent/JP2938293B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06193400A (ja) | 1994-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112242060B (zh) | 交通流量预测方法及装置、计算机设备及可读存储介质 | |
| Li et al. | Traffic flow prediction with vehicle trajectories | |
| CN111709549A (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
| JP7310718B2 (ja) | 路上障害物検知装置、路上障害物検知方法、及び路上障害物検知プログラム | |
| US20230140289A1 (en) | Traffic accident prediction systems and methods | |
| CN114333361B (zh) | 一种信号灯配时方法及装置 | |
| CN115457764B (zh) | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 | |
| JP7451303B2 (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| JP2938293B2 (ja) | 空気汚染度予測装置 | |
| Taylor et al. | Data mining for vehicle telemetry | |
| CN116453343A (zh) | 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统 | |
| CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
| CN109934496B (zh) | 区域间通行影响确定方法、装置、设备和介质 | |
| CN114548572A (zh) | 城市路网交通状态的预测方法、装置、设备及介质 | |
| CN113947250A (zh) | 一种基于有限数据资源的城市细粒度流量预测方法及系统 | |
| JP3152858B2 (ja) | 交通流予測装置 | |
| JPH076290A (ja) | 交通流予測装置 | |
| JIN et al. | Variable Speed Limit Control Strategy for Freeway Tunnels Based on a Multi-Objective Deep Reinforcement Learning Framework with Safety Perception | |
| CN110675630A (zh) | 一种联网车最小覆盖率确定方法 | |
| CN111061966B (zh) | 基于强化学习算法的失踪目标搜索方法 | |
| Lim et al. | Long Term Traffic Prediction in Highway Using Parallel CNN | |
| US20240135805A1 (en) | Apparatus for Predicting Traffic Flow on New Road and Method Thereof | |
| JPH06203292A (ja) | 交通情報提供方法 | |
| CN111369795B (zh) | 一种车流量统计方法、装置、设备及存储介质 | |
| WO2023067726A1 (ja) | 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19990601 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080611 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090611 Year of fee payment: 10 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090611 Year of fee payment: 10 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100611 Year of fee payment: 11 |
|
| LAPS | Cancellation because of no payment of annual fees |