JP3099934B2 - 走行所要時間予測装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は例えば高速道路等の自動
車専用道路に対する交通管制システムに係わり、特に、
特定の測定対象区間の走行所要時間を予測する走行所要
時間予測装置に関する。

【０００２】

【従来の技術】都市部の高速道路では、交通量の増加に
起因する交通渋滞が頻繁に発生し、走行所要時間が大き
く変動する。この高速道路を走行中の運転手に、例えば
特定のインターチエンジ相互間や特定の都市相互間等の
予め設定された代表的な区間の所要時間の予測値をその
時々に応じて提供することは、利用者に対するサービス
向上とともに、高速道路を円滑に運用する上で重要なこ
とである。

【０００３】所要時間を求める一つの方法として、測定
対象区間の両端において走行車両の番号を画像認識し
て、この測定対象区間を実際に走行した各車両の実際の
所要時間を測定するＡＶＩシステムが実用化されてい
る。

【０００４】また、他の方法として、測定対象区間を例
えば数百メートル毎の複数の単位区間に分割して、各単
位区間に車両感知器を設置して、車両感知器で車速度を
測定する。そして、測定された速度から該当単位区間に
おける所要時間を算出する。そして、走行による時間の
経過を考慮して各単位区間の所要時間を合計して測定対
象区間の所要時間を算出するタイムスライス合計手法が
実用化されている。

【０００５】なお、現在、高速道路において実際に各運
転者にラジオ等の無線手段にて提供されている所要時間
の予測値はこの手法で求めた値である。さらに、該当測
定対象区間に対して、実際の試験車両を走行させて所要
時間を測定する手法が考えられる。また、交通流の数式
モデルを構築することにより所要時間の予測値を正確に
計算する方法も提案されている。

【０００６】

【発明が解決しようとする課題】しかしながら、上述し
た先の３つの方法は、いずれも、所要時間が得られるの
は走行車両が測定対象区間の終端に到達した時である。
したがって、実際に高速道路を走行している運転手にと
っては、この所要時間を何時間後に目的地に到達するか
の目安とすることができない。

【０００７】すなわち、現在走行中の運転手に提供され
ている所要時間予測値は、上述したように、各単位区間
における所要時間を車速を用いて算出し、単純に総合計
したものである。したがって、各々の単位区間における
交通状況が時間経過してもあまり変化しない場合、例え
ば測定対象区間の全区間に亘って車両の流れが順調な場
合等には、所要時間を高精度で予測することが可能であ
る。

【０００８】しかし、実際には、各単位区間の交通状況
は時間の経過と共に変動するために予測誤差が大きくな
る。特に朝夕のラッシュ時等、渋滞が発生したり解消し
たりする場合には、予測誤差は著しく大きくなる。

【０００９】次に、交通流の数式モデルを構築すること
により所要時間予測値を計算する手法においては、交通
流を高精度でモデル化することは非常に困難である。例
えば、道路における勾配，カーブ，車線数，インターチ
ェンジ数，又は高速道路に対する流入車両数，流出車両
数等の定量的に表現できものは比較的容易にモデル化が
可能であるが、渋滞発生時における運転手の心理状況等
の定性的な要因は容易にモデル化できない。

【００１０】また、たとえモデル化できたとしても、モ
デルの構築後にパラメータを決定する指針も明確ではな
い。また、これ等のパラメータは、経年変化や、車線の
増加等に応じて随時更新する必要がある。これらの理由
により、この交通流の数式モデル化手法においては、実
用に耐え得る予測精度が得られなかった。

【００１１】本発明はこのような事情に鑑みてなされた
ものであり、混合構造形ニューラルネットワークを用い
ることによって、現在の交通状況のデータから現在以降
の状況を推測して、測定対象区間における所要時間を高
い精度で予測でき、かつ実績値に基づいて自動的に学習
でき、高い精度を維持管理するための手間がほとんど不
要であり、常に高い予測精度を維持できる走行所要時間
予測装置を提供することを目的とする。

【００１２】

【課題を解決するための手段】上記課題を解消するため
に請求項１の発明は、自動車道路における予め設定され
た測定対象区間を自動車が走行するに要する所要時間を
予測する走行所要時間予測装置において、複数の単位区
間に分割された測定対象区間の各単位区間に配設され、
各単位区間の単位時間当たりの通過車両数及び通過車両
の速度を順次検出してオキュパンシとして出力する複数
の車両感知器と、各車両感知器から順次出力される各オ
キュパンシが入力され、測定対象区間に対する所要時間
予測値を順次出力する予測用混合構造形ニューラルネッ
トワークと、各車両感知器から順次出力される各オキュ
パンシを記憶保持するオキュパンシ保存手段と、オキュ
パンシ保存手段にて記憶保持された各オキュパンシが入
力され、測定対象区間に対する各学習用所要時間予測値
を出力する学習用混合構造形ニューラルネットワーク
と、測定対象区間の両端に設けられ、この測定対象区間
を走行する各車両毎の実際の走行所要時間を順次測定す
るＡＶＩシステムと、ＡＶＩシステムにて順次測定され
る各所要時間実績値を記憶保持する所要時間実績値保存
手段と、所要時間実績値保存手段にて記憶保持された各
所要時間実績値と学習用混合構造形ニューラルネットワ
ークから出力された各学習用所要時間予測値とを比較対
照して各混合構造形ニューラルネットワークの各重み係
数を修正する重み係数学習手段とを備えている。

【００１３】また。請求項２の発明においては、複数の
単位区間に分割された測定対象区間の各単位区間に配設
され、各単位区間の通過車両の速度を検出する複数の車
両感知器と、各車両感知器にて順次検出される各速度か
ら各区間所要時間を算出して出力する区間所要時間算出
手段と、区間所要時間算出手段から順次出力される各区
間所要時間が入力され、測定対象区間に対する所要時間
予測値を順次出力する予測用混合構造形ニューラルネッ
トワークと、区間所要時間算出手段から順次出力される
各区間所要時間を記憶保持する区間所要時間保存手段
と、区間所要時間保存手段にて記憶保持された各区間所
要時間が入力され、測定対象区間に対する各学習用所要
時間予測値を出力する学習用混合構造形ニューラルネッ
トワークと、測定対象区間の両端に設けられ、この測定
対象区間を走行する各車両毎の実際の走行所要時間を順
次測定するＡＶＩシステムと、ＡＶＩシステムにて順次
測定される各所要時間実績値を記憶保持する所要時間実
績値保存手段と、所要時間実績値保存手段にて記憶保持
された各所要時間実績値と学習用混合構造形ニューラル
ネットワークから出力された各学習用所要時間予測値と
を比較対照して各混合構造形ニューラルネットワークの
各重み係数を修正する重み係数学習手段とを備えてい
る。

【００１４】さらに、請求項３の発明の装置は、上述し
た請求項１の発明と請求項２の発明を組合わせたもので
ある。すなわち、予測用混合構造形ニューラルネットワ
ークは、区間所要時間算出手段から順次出力される各区
間所要時間及び各車両感知器から順次出力される各オキ
ュパンシを入力し、測定対象区間に対する所要時間予測
値を順次出力する。また、学習用混合構造形ニューラル
ネットワークは、区間所要時間保存手段にて記憶保持さ
れた各区間所要時間及びオキュパンシ保存手段にて記憶
保持された各オキュパンシを入力し、測定対象区間に対
する各学習用所要時間予測値を出力する。そして、所要
時間実績値保存手段にて記憶保持された各所要時間実績
値と学習用混合構造形ニューラルネットワークから出力
された各学習用所要時間予測値とを比較対照して各混合
構造形ニューラルネットワークの各重み係数を修正する
重み係数学習手段とを備えている。

【００１５】また、請求項４においては、上述した請求
項１乃至請求項３の各発明において、重み係数学習手段
にて得られる所要時間実績値と学習用所要時間予測値と
の間の誤差量が予め定められた許容値以下に低下すると
予測用混合構造形ニューラルネットワークから所要時間
予測値を外部へ出力することを許可する予測開始判断手
段を備えたものである。

【００１６】また、請求項５においては、各混合構造形
ニューラルネットワークは、複数の入力層と複数の出力
層と複数の中間層とを有し、少なくとも任意の中間層の
出力データが自己又は他の中間層の入力データとして帰
還される形のニューラルネットワークを採用している。

【００１７】

【作用】このように構成された走行所要時間予測装置に
おいては、測定対象区間の両端にこの測定対象区間を走
行する各車両の実際の走行所要時間（所要時間実績値）
を測定するＡＶＩシステムが設けられている。さらに、
この測定対象区間は複数の単位区間に分割されており、
各単位区間にそれぞれ車両感知器が配設されている。各
車両感知器は、該当単位区間を通過する車両の単位時間
当りの通行車両数及び各車両の速度を検出してオキュパ
ンシとして出力する。

【００１８】本発明においては、該当測定対照区間にお
ける所要時間を予測する手段として、混合構造形ニュー
ラネットワークを採用している。次に、この混合構造形
ニューラネットワークの特徴を説明する。

【００１９】従来のニューラルネットワークは、図９に
示すように、データの流れが入力層→中間層→出力層と
いうように一方向にのみ流れる階層形ニューラルネット
ワークである。したがって、このような構成の階層形ニ
ューラルネットワークは、瞬時，瞬時の入出力データ相
互間の写像関係を表しているに過ぎず、過去の入力デー
タが現在の出力データに影響を及ぼす事はない。

【００２０】しかしながら、道路の交通流のように時系
列的に変化する対象を取扱う場合においては、出力層か
ら出力される現在の出力データは入力層に入力されてい
る現在の入力データ以外にも、過去に入力された入力デ
ータに影響される。したがって、ニューラルネットワー
ク自身が時系列情報を認識できることが必要となる。

【００２１】よって、本発明では図３に示すような混合
構造形ニューラルネットワークを用いている。混合構造
形ニューラルネットワークでは、図９に示す従来の階層
形ニューラルネットワークの構造に加え、中間層の各素
子間が相互に結合されていることに特徴がある。すなわ
ち、ある中間層素子の１周期前の値が、自己又は他の中
間層素子の入力側に帰還されている。このことにより、
ニューラルネットワーク自身が経過時間に対する動特性
を有することになり、時系列的な変化の認識が可能とな
り、出力データは過去の入力データも考慮した値とな
る。

【００２２】また、一般に、ニューラルネットワークに
おいては、各入力層，各中間層，各出力層相互間を関連
づける各重み係数を学習によって最適値に制御して出力
データの精度を向上させる。重み係数を学習させる場合
には、ニューラルネットワークの出力データと入力デー
タに対する実績値とを比較対照して重み係数を補正する
のが一般的である。

【００２３】しかし、走行所要時間予測装置のように、
入力データ値と出力データ値とが時間的関係を有してい
る場合は、現在の実績値は過去の入力データ値に対応し
た値である。逆にいえば、現在の入力データ値に対する
実績値は一定時間経過した後でないと得られない。

【００２４】よって、この発明においては、予測用混合
構成形ニューラルネットワークに順次入力される入力デ
ータを一定期間記憶保持する保存手段及び予測用混合構
成形ニューラルネットワークと同一構成の学習用混合構
成形ニューラルネットワークとを設けている。また、Ａ
ＶＩシステムで順次測定される所要時間実績値を一定期
間記憶保持する所要時間実績値保存手段を設けている。

【００２５】この結果、学習用混合構成形ニューラルネ
ットワークから順次出力される所要時間予測値に対応す
る実績値として、所要時間実績値保存手段から順次出力
される所要時間実績値を用いることが可能である。

【００２６】すなわち、学習用混合構成形ニューラルネ
ットワークから順次出力される所要時間予測値が所要時
間実績値保存部から順次出力される所要時間実績値に一
致するように各混合構成形ニューラルネットワークの重
み係数が修正されれはよい。

【００２７】本発明は上述した基本測定原理を有しいる
が、一般的に、ニューラルネットワークにおいては、ど
のような種類のデータを入力データとして採用するか
が、出力データの精度を大きく左右する。また、採用す
るデータ数が過度に多いと、演算処理時間が増大すると
ともに、装置自体が大型化する。よって、どの種類のデ
ータを採用するかは効率的に精度のよい出力データを得
るためには重要な項目である。

【００２８】そこで、本発明の請求項１〜請求項３にお
いては、所要時間予測値を出力する予測用混合構成形ニ
ューラルネットワークに対する入力データとして、各単
位区間に配設された各車両感知器から得られる該当単位
区間に対する車両交通に関する各種データのうちうちど
のデータを採用するかを特定している。

【００２９】すなわち、請求項１においては、各単位区
間の単位時間当たりの通過車両数及び通過車両の速度か
らなるオキュパンシが入力され、請求項２においては、
前記オキュパンシのうちの速度から得られる該当単位区
間を車両が通過する場合の所要時間が入力される。さら
に、請求項３においては、オキュパンシ及び所要時間が
入力される。

【００３０】また、前述したように、ニューラルネット
ワークにおいては、十分学習されていない状態で出力さ
れた出力データの信頼性は低いので、請求項４に示すよ
うに、重み係数学習手段にて得られる所要時間実績値と
学習用所要時間予測値との間の誤差量が予め定められた
許容値以下に低下した時点で、予測用混合構造形ニュー
ラルネットワークから所要時間予測値が外部へ出力され
る。

【００３１】

【実施例】以下本発明の一実施例を図面を用いて説明す
る。図２に示すように、高速道路で代表される自動車道
路上に、都市相互区間等の測定対照区間１が設定されて
いる。そして、この測定対照区間１の両端１ａ，１ｂ位
置には通過車両の車両番号等を読取る一対のカメラ２
ａ，２ｂが配設されている。各カメラ２ａ，２ｂで読取
られた各車両画像は画像処理装置２ｃへ入力される。こ
の画像処理部２ｃは各カメラ２ａ，２ｂで読取られた車
両画像から各車両の車両番号（登録番号）を読取って、
この測定対照区間１を通過した各車両の実際の所要時
間、すなわち各所要時間実績値Ｔａを算出する。よっ
て、この一対のカメラ２ａ，２ｂ及び画像処理装置２ｃ
はＡＶＩシステム２を構成する。

【００３２】また、測定対照区間１は例えばＮ個の単位
区間３に分割されており、各単位区間３は例えば１００
ｍ〜５００ｍの等しい距離Ｌ_S を有している。各単位区
間３の開始位置に車両感知器４が配設されている。各車
両感知器４は、自己の単位区間３を通過する車両の単位
時間当りの通過車両数Ｎと各車両の速度Ｖをオキュパン
シＯｑとして出力する。なお、速度Ｖはそのときの平均
速度である。

【００３３】なお、ＡＶＩシステム２及び各車両感知器
４は、例えば１分等の規定周期Ｔ_S経過する毎に、その
時刻における所要時間実績値Ｔａ及びオキュパンシＯｑ
を出力いる。

【００３４】図１は、高速道路の交通管制システムに組
込まれた走行所要時間予測装置の概略構成を示すブロッ
ク図である。各単位区間３に配設された各車両感知器４
から規定周期Ｔ_S で出力される各オキュパンシＯｑは予
測用混合構造形ニューラルネットワーク５へ入力される
とともにオキュパンシ保存部６へ入力される。

【００３５】予測用混合構造形ニューラルネットワーク
５は、例えば図３に示すように、ｍ個の入力素子７ａか
らなる入力層と、ｓ個の中間素子７ｂからなる中間層
と、ｎ個の出力素子７ｃからなる出力層ｓとで構成され
ている。そして、各入力素子７ａと各中間素子７ｂとは
重み係数ａikで接続され、各中間素子７ｂと各出力素子
７ｂとは重み係数ｃijで接続されている。さらに、特定
の中間素子７ｂの出力と自己又は他の中間素子７ｂの入
力とは別の重み係数ｂjrで接続されている。

【００３６】予測用混合構造形ニューラルネットワーク
５の出力層の一つの出力素子７ｃから順次出力される前
記距離Ｌ₀ を有する測定対象区間１を車両が走行する場
合における所要時間予測値Ｔｅは次の予測開始判断部８
を介して外部へ出力される。

【００３７】前記オキュパンシ保存部６は、車両感知器
４から規定周期Ｔ_S で順次出力されるオキュパンシＯｑ
を一定時間記憶保持した後、このオキュパンシＯｑ1 を
次の学習用混合構造形ニューラルネットワーク９へ入力
させる。この学習用混合構造形ニューラルネットワーク
９は、前述した予測用混合構造形ニューラルネットワー
ク５と同一構成を有しており、入力層の各入力素子７ａ
に対して記憶保持された各オキュパンシＯｑ1 が入力さ
れる。そして、出力層の一つの出力素子７ａから学習用
所要時間予測値Ｔｇが順次出力される。順次出力される
学習用所要時間予測値Ｔｇは次の混合構造形ニューラル
ネットワーク学習部１０へ入力される。

【００３８】したがって、この学習用混合構造形ニュー
ラルネットワーク９から順次出力される学習用所要時間
予測値Ｔｇは、出力されるタイミングは異なるが、予測
用混合構造形ニューラルネットワーク５から出力される
所要時間予測値Ｔｅと同一値である。

【００３９】また、ＡＶＩシスステム２から規定周期Ｔ
_S で出力される所要時間実績値Ｔａは次の所要時間実績
値保持部１１へ入力される。所要時間実績値保持部１１
は所要時間実績値Ｔａを一定時間記憶保持した後、この
所要時間実績値Ｔａ1 を次の混合構造形ニューラルネッ
トワーク学習部１０へ入力する。

【００４０】前記オキュパンシ保存部６及び所要時間実
績値保持部１１は、混合構造形ニューラルネットワーク
学習部１０へ入力される所要時間実績値Ｔａ1 と学習用
所要時間予測値Ｔｇとの対応を取るために設けられてい
る。

【００４１】混合構造形ニューラルネットワーク学習部
１０は所要時間実績値Ｔａ1 を教師データとして、この
所要時間実績値Ｔａ1 に学習用所要時間予測値Ｔｇが一
致するように、各混合構成形ニューラルネットワーク
５，９の各重み係数ａik，ｃij，ｂjrに対する各修正量
Δａpq，Δｃpq，Δｂpqを算出して重み係数更新部１２
へ送出する。重み係数更新部１２は入力さた各修正量Δ
ａpq，Δｃpq，Δｂpqを用いて前記各混合構成形ニュー
ラルネットワーク５，９の各重み係数ａik，ｃij，ｂjr
を修正する。

【００４２】さらに、混合構造形ニューラルネットワー
ク学習部１０は、学習用所要時間予測値Ｔｇの所要時間
実績値Ｔａ1 からの誤差量εＴｅを算出して予測開始判
定部８へ送出する。予測開始判定部８は、誤差量εＴｅ
が予め設定された許容値以下に低下すると、予測用混合
構造形ニューラルネットワーク５から規定周期Ｔ₀ で順
次出力される所要時間予測値Ｔｅ1 を正規の予測値とし
て外部へ出力する。

【００４３】次に、予測用混合構造形ニューラルネット
ワーク５，学習用混合構造形ニューラルネットワーク
９，混合構成形ニューラルネットワーク学習部１０及び
重み係数更新部１２の具体的動作を式を用いて詳細に説
明する。

【００４４】先ず、図３に示す混合構造形ニューラルネ
ットワーク５，９において、各変数及び記号を下記のよ
うに定義する。 ｍ ：入力層の入力素子７ａの素子数 ｓ ：中間層の中間素子７ｂの素子数 ｎ ：出力層の出力素子７ｃの素子数 Ｕi(t) ：第ｉ入力素子７ａへの入力（ｉ＝１〜ｍ） Ｉi(t) ：第ｉ入力素子７ａからの出力（ｉ＝１〜
ｍ） ＮetＨj(t)：第ｊ中間素子７ｂへの入力（ｊ＝１〜ｓ） Ｈj(t) ：第ｊ中間素子７ｂからの出力（ｊ＝１〜
ｓ） ＮetＯi(t)：第ｉ出力素子７ｃへの入力（ｉ＝１〜ｎ） Ｘi(t) ：第ｉ出力素子７ｃからの出力（ｉ＝１〜
ｎ） ａjk ：第ｋ入力素子７ａ出力端から第ｊ中間素子
７ｂ入力端への重み係数 ｂjr ：第ｒ中間素子７ｂ出力端から第ｊ中間素子
７ｂ入力端への重み係数（リカレントループの結合重み
係数） ｃij ：第ｊ中間素子７ｂ出力端から第ｉ出力素子
７ｃ入力端への重み係数 ｆＨ（・）：中間層における入出力変換関数 ｆＯ（・）：出力層における入出力変換関数 図１の実施例装置においては、入力Ｕi(t)が各車両感知
器４からのオキュパンシＯｑに対応し、出力Ｘi(t)が所
要時間予測値Ｔｅに対応している。

【００４５】このように各変数が定義された混合構造形
ニューラルネットワーク５，９において、入力層を構成
する各入力素子７ａは外部からの入力を受けて、(1) 式
により活性値（出力値）Ｉk(t)を決定する。

【００４６】 Ｉk(t)＝Ｕk(t) （ｋ＝１〜ｍ） …(1) また、中間層を構成する各中間素子７ｂは、各入力素子
７ａからのデータとリカレント結合を通して入ってくる
１周期Ｔ₀ 前の中間素子７ｂからのデータとの総和を入
力ＮetＨj(t)として受け取り、新しい活性値（出力値）
Ｈj(t)を決定する。

【００４７】

【数１】

【００４８】但し、(3) 式におけるｆＨ（・）は中間素
子７ｂにおける入出力関数を表す。この入出力関数とし
ては、通常、シグモイド状（Ｓ字形）の関数が使用され
る。また、出力層を構成する各出力素子７ｃは、各中間
素子７ｂ出力の総和を入力ＮetＯi(t)として受け取り、
新しい活性値（出力値）Ｏi(t)を (4)(5) 式で決定し、
これを混合構造形ニューラルネットワーク５，９全体の
出力Ｘi(t)とする。

【００４９】

【数２】

【００５０】但し、(5) 式におけるｆＯ（・）は出力素
子７ｃにおける入出力関数を表す。このように、各素子
を入力層，中間層，出力層に分解して、各層毎に同期的
に活性値（出力値）を決定することにより、ニューラル
ネットワーク全体の入出力関係は、(6) 式のように表す
ことができる。

【００５１】

【数３】

【００５２】実施例装置においては、この出力値Ｘi(t)
の一つが所要時間予測値Ｔｅ又は学習用所要時間予測値
Ｔｇとなる。重み係数更新部１２は、混合構造形ニュー
ラルネットワーク学習部１０から出力される前記混形構
造形ニューラルネットワーク５，９の重み係数ａpq，ｂ
jr，ｃpqに対する修正量Δａpq，Δｂjr，Δｃpqを用い
て、(7)(8)(9) 式により重み係数を更新する。

【００５３】 ａpq(t+1) ＝ａpq(t) ＋Δａpq(t) …(7) ｂpq(t+1) ＝ｂpq(t) ＋Δｂpq(t) …(8) ｃpq(t+1) ＝ｃpq(t) ＋Δｃpq(t) …(9) さらに、混合構造形ニューラルネットワーク学習部１０
は、図４に示す流れ図に従って前述した各修正量Δａp
q，Δｂjr，Δｃpqを算出する。

【００５４】図４の流れ図を説明する前に、新たに下記
の各変数を定義する、 Ｅ ：誤差評価関数 Ｖi(t)：第ｉ出力素子７ｃからの出力に対する教師デー
タ（所要時間実績値Ｔａ1 ） Δａpq：重み係数ａpqの修正量 Δｂpq：重み係数ｂpqの修正量 Δｃpq：重み係数ｃpqの修正量 ε ：重み係数学習パラメータ α ：重み係数学習パラメータ δpj ：クロネッカのデルタ なお、教師データＶi(t)は上述したようにＡＶＩシステ
ム２からの所要時間実績値Ｔａ1 に対応している。そし
て、各重み係数の修正量Δａpq(t) ，Δｂpq(t) ，Δｃ
pq(t) は次式のように計算される。

【００５５】

【数４】 但し、式(10)(11)(12)におけるΔ_s ａpq(k) ，Δ_s ｂpq
(k) ，Δ_s ｃpq(k) は、ｋ番目のサンプルデータを用い
て(13)(14)(15)式を用いて計算する。

【００５６】

【数５】

【００５７】

【数６】

【００５８】

【数７】

【００５９】図４に示す学習処理の流れ図において、Ｐ
１にて、時刻ｔ＝０〜Ｔmax における教師データＶi(0)
〜Ｖi(Tmax) （所要時間実績値Ｔａ1 ）を所要時間実績
値保存部１１から取り込む。時刻ｔを０に初期設定する
（ｔ＝０）。

【００６０】次に、時刻ｔにおける教師データＶi(t)に
対する学習用混合構成形ニューラルネットワーク９から
のネットワーク出力Ｘi(t)の計算（特定）を行う（Ｐ
３）。誤差評価関数Ｅのネットワーク出力に関する勾配
を算出する（Ｐ４）。さらに、誤差評価関数Ｅの各重み
関数ａjk，ｂjr，ｃijに関する各勾配を(17)，(19)，(2
1)を用いて算出する（Ｐ５）。Ｐ６にて、時刻ｔを更新
する（ｔ＝ｔ＋１）。

【００６１】Ｐ７にて、時刻ｔが学習データのサンプル
数で定まる最大時刻Ｔmax に達していないことを確認す
ると、Ｐ３へ戻り、再度、教師データＶi(t)に対するネ
ットワーク出力Ｘi(t)の計算を行う。

【００６２】Ｐ７にて、時刻ｔが最大時刻Ｔmax に達す
ると、Ｐ８へ進み、各重み関数ａjk，ｂjr，ｃijに対す
る修正量Δａjk，Δｂjr，Δｃijを(10)(11)(12)式で算
出する。そして、この修正量Δａjk，Δｂjr，Δｃijに
基づいて(7)(8)(9) 式を用いて各混合構成形ニューラル
ネットワーク５，９の各重み関数ａjk，ｂjr，ｃijを更
新（修正）する。

【００６３】次に、各重み関数ａjk，ｂjr，ｃijの修正
タイミングを図５に示すタイムチャを用いて説明する。
重み係数の更新周期は、例えば１［ｈ（時間）］とす
る。図５の時刻（１）にて重み係数の更新後、学習を開
始し、時刻（２）にて重み係数を更新する。その際に用
いる学習用データは、図５に示すように、時刻（１）よ
り２［ｈ（時間）］前から６［ｈ（時間）］前までの４
時間分とする。

【００６４】これは、ＡＶＩシステム２により得られる
最新の所要時間実績値Ｔａが、２［ｈ］前に測定対象区
間１の開始端１ａをスタートした車両の所要時間に対応
するからである。

【００６５】また、学習用データの長さ（図４における
Ｔmax に相当する）は４［ｈ（時間）］分としている。
なお、重み係数が更新された直後の予測演算では、係数
更新前の中間層の各中間素子７ｂの出力が意味を持たな
くなるため、中間層出力をゼロクリアし、例えば１［ｈ
（時間）］程度前の予測演算からやり直すことにより現
時点での予測値を計算する。それ以外の場合には、前回
の中間層出力をそのまま用いれば良い。

【００６６】以上説明したように動作する図１に示す走
行所要時間予測装置においては以下に示す各特徴を有す
る。 （１） 所要時間予測値Ｔｅを得るために、混合構造形
ニューラルネットワーク５を用いている。よって、ネッ
トワーク自身が時系列的な変化を認識できるため、特に
渋滞の発生・解消時における所要時間の予測精度が向上
する。

【００６７】図６は、予め定められた測定対象区間１を
車両が通過する場合におけるＡＶＩシステム２で測定し
た実際の所要時間（所要時間実績値）Ｔａと、実施例装
置で予測された所要時間予測値Ｔｅと、従来のタイムス
ライス方式の単純起算による所要時間予測値Ｔｉとの比
較を示す図である。

【００６８】従来装置においては、午前と午後のラッシ
ュ時間帯に所要時間実績値Ｔａに対して大きく掛け離れ
た所要時間予測値Ｔｉが生じるのに対して、実施例装置
においては、所要時間予測値Ｔｅは所要時間実績値Ｔａ
とほぼ近似して、従来の予測装置に比較して、格段に予
測精度が向上していることが理解できる。

【００６９】（２） また、従来用いられていた交通流
の数式モデルの代りに混合構造形ニューラルネットワー
ク５，９を用いることにより、モデル構築やパラメータ
決定等の困難な作業が不要となる。

【００７０】（３） 実際の計測データ（所要時間実績
値Ｔａ）を用いてニューラルネットワーク５，８の学習
を逐次行っているため、路線や経済状態等の経年変化に
対応し、継続的にモデル精度の向上を図ることができ
る。すなわち、常時高い予測精度を確保できる。

【００７１】（４） 予測開始判断部８を設け、教師デ
ータ（所要時間実績値Ｔａ）と算出された所要時間予測
値Ｔｇ（Ｔｅ）との誤差が許容値以下に低下すると、こ
の所要時間予測値Ｔｅを正しい予測値として外部に出力
している。よって、この走行所要時間予測装置の信頼性
をより一層向上できる。

【００７２】（５） 混合構造形ニューラルネットワー
クにおける中間層の入力に中間層の出力をフィードバッ
クすることにより、ネットワークの負荷を低減できる。
これは、出力フィードバックがない場合には、ネットワ
ークは所要時間そのものを計算する必要があるのに対
し、出力フィードバックがある場合には、フィードバッ
クを除いた部分では前回出力値に対する偏差を計算すれ
ばよいからである。また、シミュレーションによる結果
では、出力フィードバックにより学習初期段階において
誤差の減少速度が大きくなる効果が確認されている。

【００７３】図７は本発明の他の実施例に係わる走行所
要時間予測装置の概略構成を示すブロック図である。図
１に示す実施例装置と同一部分には同一符号が付してあ
る。よって、重複する部分の詳細説明は省略されてい
る。

【００７４】この実施例装置においては、車両感知器４
には区間所要時間算出部１３が接続されている。この区
間所要時間算出部１３は車両感知器４が検出する該当単
位区間３を通過する車両の平均速度Ｖ及び該当単位区間
３の区間長Ｌ_S より、各車両絵が該当単位区間３を通過
する所要時間Ｔb を算出する。

【００７５】この区間所要時間算出部１３から規定周期
Ｔ_S で出力される各所要時間Ｔb は予測用混合構造形ニ
ューラルネットワーク５の入力層の各入力素子７ａへ入
力される。しかして、この予測用混合構造形ニューラル
ネットワーク５は順次入力される各所要時間Ｔb に基づ
いて所要時間予測値Ｔｅを順次出力する。

【００７６】また、区間所要時間算出部１３から規定周
期Ｔ_S で出力される各所要時間Ｔbは区間所要時間保存
部１４にて一定時間記憶保持された後、学習用混合構成
形ニューラルネットワーク９へ入力される。この学習用
混合構成形ニューラルネットワーク９は入力される各所
要時間Ｔb1に基づいて学習用所要時間予測値Ｔｇを次の
混合構成形ニューラルネットワーク学習部１０へ送出す
る。

【００７７】このように構成された走行所要時間予測装
置においても、予測用混合構造形ニューラルネットワー
ク５は正常に所要時間予測値Ｔｅを出力し、各混合構造
形ニューラルネットワーク５，９の各重み係数は混合構
成形ニューラルネットワーク学習部１０及び重み係数更
新部１２にて最適値に更新される。したがって、図１に
示した実施例装置とほぼ同様の効果を得ることかでき
る。

【００７８】図８は本発明のさらに別の実施例に係わる
走行所要時間予測装置の概略構成を示すブロック図であ
る。図１及び図７にに示す実施例装置と同一部分には同
一符号が付してある。よって、重複する部分の詳細説明
は省略されている。

【００７９】この実施例装置においては、図１に示した
実施例装置に図７に示した実施例装置における区間所要
時間算出部１３及び区間所要時間保存部１４か付加され
ている。

【００８０】すなわち、車両感知器４から出力されるオ
キュパンシＯｑは直接予測用混合構成形ニューラルネッ
トワーク５ａに入力されると共に、オキュパンシ保存部
６を介して学習用混合構成形ニューラルネットワーク９
ａへ入力される。

【００８１】さらに、車両感知器４から出力されるオキ
ュパンシＯｑの速度Ｖは区間所要時間算出部１３へ入力
される。区間所要時間算出部１３は、速度Ｖを該当単位
区間の区間所要時間Ｔｂへ変換して、前記予測用混合構
成形ニューラルネットワーク５ａへ送出するとともに、
区間所要時間保持部１４を介して学習用混合構成形ニュ
ーラルネットワーク９ａへ送出する。

【００８２】予測用混合構成形ニューラルネットワーク
５ａの入力層の各入力素子７ａには前記各オキュパンシ
Ｏｑ又は区間所要時間Ｔｂが入力される。そして、この
予測用混合構成形ニューラルネットワーク５ａは、オキ
ュパンシＯｑと区間所要時間Ｔｂとの２種類の入力デー
タに基づいて出力層の一つの出力素子７ｃから一つの所
要時間予測値Ｔｅを出力する。

【００８３】この予測用混合構成形ニューラルネットワ
ーク５ａと同一構成の学習用混合構成形ニューラルネッ
トワーク９ａにおいても、２種類の入力データに基づい
て一つの学習用所要時間予測値Ｔｇを出力する。

【００８４】また、混合構成形ニューラルネットワーク
学習部１０は先の実施例装置と同様に、教師データ（所
要時間実績値Ｔａ1 ）と学習用所要時間予測値Ｔｇに基
づいて各混合構成形ニューラルネットワーク５ａ，９ａ
の重み係数を修正する。

【００８５】よって、前述した図１及び図７の実施例装
置とほぼ同様の効果を得ることができる。また、図１及
び図７の実施例装置に比較して、所要時間を予測する予
測用混合構造形ニューラルネツトワーク５ａ，９ａに対
する入力データの種類数を増加しているので、それぞれ
を個別に入力とした場合の中間的な予測が可能になる。
オキュパンシＯｑを入力とした場合と区間所要時間Ｔｂ
を入力とした場合では、対象路線の形状や位置、あるい
は時間帯等に応じて予測精度の優劣が異なるため、その
双方を用いることにより、予測誤差のばらつきを小さく
することができる。

【００８６】

【発明の効果】以上説明したように本発明の走行所要時
間予測装置においては以下の効果を奏することができ
る。 （１） 所要時間を予測するニューラルネットワークと
して、階層形ニューラルネットワークではなく、混合構
造形ニューラルネットワークを用いている。よって、ネ
ットワーク自身が時系列データを認識できる効果があ
り、道路交通における所要時間予測のように現在時点の
状況のみならず過去の時点の状況も関係する時系列変化
を伴う予測を高精度で行うことができる。

【００８７】（２） ニューラルネットワークの各重み
係数を学習機能でもって自動的に修正可能としている。
したがって、従来装置で採用したモデル構築やパラメー
タ設定が不要になり、路線や経済状態の経年変化にも対
応でき、常に高い予測精度を維持できる、 （３） 混合構造形ニューラルネットワークの入力とし
てオキュパンシを用いることにより、少ない入力数で多
くの情報量を与えることが可能となる。よって、混合構
造形ニューラルネットワークの構成を簡素化でき、計算
時間を短縮できる。これは、オキュパンシが交通量／車
速に比例しており、両者の変化に対応するからである。

【００８８】（４） 混合構造形ニューラルネットワー
クの入力として各単位区間の区間所要時間を用いること
により、各単位区間の長さによる重み付けが可能とな
る。これは、区間所要時間が区間長／車速により計算さ
れるからである。 （５） 混合構造形ニューラルネットワークの入力とし
てオキュパンシ及び区間所要時間を用いている。その結
果、より緻密な所要時間予測が可能である。

【図面の簡単な説明】

【図１】 本発明の一実施例に係わる走行所要時間予測
装置の概略構成を示すブロック図

【図２】 同実施例装置が適用された自動車道路の概念
図

【図３】 同実施例装置に組込まれた混合構造形ニュー
ラルネットワークの一般的な構成図

【図４】 同実施例装置における混合構造形ニューラル
ネットワークの各重み係数を修正する学習処理を示す流
れ図

【図５】 同実施例装置における重み係数更新のタイム
チャート

【図６】 同実施例装置で得られた予測値と実績値と従
来装置の予測値との対比図

【図７】 本発明の他の実施例に係わる走行所要時間予
測装置の概略構成を示すブロック図

【図８】 本発明のさらに別の実施例に係わる走行所要
時間予測装置の概略構成を示すブロック図

【図９】 階層形ニューニラルネットワークの一般的な
構成図

【符号の説明】

１…測定対象区間、２…ＡＶＩシステム、３…単位区
間、４…車両感知器、５．５ａ…予測用混合構造形ニュ
ーラルネットワーク、６…オキュパンシ保存部、７ａ…
入力素子，７ｂ…中間素子、７ｃ…出力素子、８…予測
開始判断部、９，９ａ…学習用混合構造型ニューラルネ
ットワーク、１０…混合構造形ニューラルネットワーク
学習部、１１…所要時間実績値保存部、１２…重み係数
更新部、１３…区間所要時間算出部、１４…区間所要時
間保存部

Claims (5)

(57)【特許請求の範囲】
1. 【請求項１】 自動車道路における予め設定された測定
   対象区間を自動車が走行するに要する所要時間を予測す
   る走行所要時間予測装置において、 複数の単位区間に分割された前記測定対象区間の各単位
   区間に配設され、各単位区間の単位時間当たりの通過車
   両数及び通過車両の速度を順次検出してオキュパンシと
   して出力する複数の車両感知器と、 この各車両感知器から順次出力される各オキュパンシが
   入力され、前記測定対象区間に対する所要時間予測値を
   順次出力する予測用混合構造形ニューラルネットワーク
   と、 前記各車両感知器から順次出力される各オキュパンシを
   記憶保持するオキュパンシ保存手段と、 このオキュパンシ保存手段にて記憶保持された各オキュ
   パンシが入力され、前記測定対象区間に対する各学習用
   所要時間予測値を出力する学習用混合構造形ニューラル
   ネットワークと、 前記測定対象区間の両端に設けられ、この測定対象区間
   を走行する各車両毎の実際の走行所要時間を順次測定す
   るＡＶＩシステムと、 このＡＶＩシステムにて順次測定される各所要時間実績
   値を記憶保持する所要時間実績値保存手段と、 この所要時間実績値保存手段にて記憶保持された各所要
   時間実績値と前記学習用混合構造形ニューラルネットワ
   ークから出力された各学習用所要時間予測値とを比較対
   照して前記各混合構造形ニューラルネットワークの各重
   み係数を修正する重み係数学習手段とを備えた走行所要
   時間予測装置。
2. 【請求項２】 自動車道路における予め設定された測定
   対象区間を自動車が走行するに要する所要時間を予測す
   る走行所要時間予測装置において、 複数の単位区間に分割された前記測定対象区間の各単位
   区間に配設され、各単位区間の通過車両の速度を検出す
   る複数の車両感知器と、 この各車両感知器にて順次検出される各速度から各区間
   所要時間を算出して出力する区間所要時間算出手段と、 この区間所要時間算出手段から順次出力される各区間所
   要時間が入力され、前記測定対象区間に対する所要時間
   予測値を順次出力する予測用混合構造形ニューラルネッ
   トワークと、 前記区間所要時間算出手段から順次出力される各区間所
   要時間を記憶保持する区間所要時間保存手段と、 この区間所要時間保存手段にて記憶保持された各区間所
   要時間が入力され、前記測定対象区間に対する各学習用
   所要時間予測値を出力する学習用混合構造形ニューラル
   ネットワークと、 前記測定対象区間の両端に設けられ、この測定対象区間
   を走行する各車両毎の実際の走行所要時間を順次測定す
   るＡＶＩシステムと、 このＡＶＩシステムにて順次測定される各所要時間実績
   値を記憶保持する所要時間実績値保存手段と、 この所要時間実績値保存手段にて記憶保持された各所要
   時間実績値と前記学習用混合構造形ニューラルネットワ
   ークから出力された各学習用所要時間予測値とを比較対
   照して前記各混合構造形ニューラルネットワークの各重
   み係数を修正する重み係数学習手段とを備えた走行所要
   時間予測装置。
3. 【請求項３】 自動車道路における予め設定された測定
   対象区間を自動車が走行するに要する所要時間を予測す
   る走行所要時間予測装置において、 複数の単位区間に分割された前記測定対象区間の各単位
   区間に配設され、各単位区間の単位時間当たりの通過車
   両数及び通過車両の速度を順次検出してオキュパンシと
   して出力する複数の車両感知器と、 この各車両感知器から出力される各オキュパンシのうち
   の各速度から各区間所要時間を算出して出力する区間所
   要時間算出手段と、 この区間所要時間算出手段から順次出力される各区間所
   要時間及び前記各車両感知器から順次出力される各オキ
   ュパンシが入力され、前記測定対象区間に対する所要時
   間予測値を順次出力する予測用混合構造形ニューラルネ
   ットワークと、 前記各車両感知器から順次出力される各オキュパンシを
   記憶保持するオキュパンシ保存手段と、 前記区間所要時間算出手段から順次出力される各区間所
   要時間を記憶保持する区間所要時間保存手段と、 この区間所要時間保存手段にて記憶保持された各区間所
   要時間及び前記オキュパンシ保存手段にて記憶保持され
   た各オキュパンシが入力され、前記測定対象区間に対す
   る各学習用所要時間予測値を出力する学習用混合構造形
   ニューラルネットワークと、 前記測定対象区間の両端に設けられ、この測定対象区間
   を走行する各車両毎の実際の走行所要時間を順次測定す
   るＡＶＩシステムと、 このＡＶＩシステムにて順次測定される各所要時間実績
   値を記憶保持する所要時間実績値保存手段と、 この所要時間実績値保存手段にて記憶保持された各所要
   時間実績値と前記学習用混合構造形ニューラルネットワ
   ークから出力された各学習用所要時間予測値とを比較対
   照して前記各混合構造形ニューラルネットワークの各重
   み係数を修正する重み係数学習手段とを備えた走行所要
   時間予測装置。
4. 【請求項４】 前記重み係数学習手段にて得られる所要
   時間実績値と学習用所要時間予測値との間の誤差量が予
   め定められた許容値以下に低下すると前記予測用混合構
   造形ニューラルネットワークから所要時間予測値を外部
   へ出力することを許可する予測開始判断手段を備えたこ
   とを特徴とする請求項１乃至請求項３のいずれか１項記
   載の走行所要時間予測装置。
5. 【請求項５】 前記各混合構造形ニューラルネットワー
   クは、複数の入力層と複数の出力層と複数の中間層とを
   有し、少なくとも任意の中間層の出力データが自己又は
   他の中間層の入力データとして帰還されることを特徴と
   する請求項１乃至請求項４のいずれか１項記載の走行所
   要時間予測装置。