JP3157953B2 - 交通流予測装置 - Google Patents
交通流予測装置Info
- Publication number
- JP3157953B2 JP3157953B2 JP14944293A JP14944293A JP3157953B2 JP 3157953 B2 JP3157953 B2 JP 3157953B2 JP 14944293 A JP14944293 A JP 14944293A JP 14944293 A JP14944293 A JP 14944293A JP 3157953 B2 JP3157953 B2 JP 3157953B2
- Authority
- JP
- Japan
- Prior art keywords
- section
- traffic
- traffic density
- neural network
- calculating means
- 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
- Traffic Control Systems (AREA)
Description
【０００１】
【産業上の利用分野】本発明は例えば高速道路で用いら
れる交通流予測装置に係わり、とりわけ交通流を精度良
く予測することができる交通流予測装置に関する。
れる交通流予測装置に係わり、とりわけ交通流を精度良
く予測することができる交通流予測装置に関する。
【０００２】
【従来の技術】高速道路における交通管制システムにお
いては、通行車両のドライバーに対して、渋滞が予想
される区域、予想される渋滞長、今後渋滞が広がる
傾向にあるのかそれとも解消する傾向にあるのか、渋
滞解消までに要する時間、どの程度の速度で通行する
ことが可能なのか、ある地点からある地点までの走行
所要時間、などの各種予測情報をきめ細かく提供すると
ともに、ラッシュ時にランプ閉鎖を行なうなど、交通流
量予測値に基づいて交通管制の適正化を図ることが要求
されている。
いては、通行車両のドライバーに対して、渋滞が予想
される区域、予想される渋滞長、今後渋滞が広がる
傾向にあるのかそれとも解消する傾向にあるのか、渋
滞解消までに要する時間、どの程度の速度で通行する
ことが可能なのか、ある地点からある地点までの走行
所要時間、などの各種予測情報をきめ細かく提供すると
ともに、ラッシュ時にランプ閉鎖を行なうなど、交通流
量予測値に基づいて交通管制の適正化を図ることが要求
されている。
【０００３】従来、高速道路上の通行車両の流れ（交通
流）の予測方法としては以下のような方法が提案されて
いる。まず高速道路の交通流には、大きく分けて、自由
走行状態（渋滞の無い状態）、および渋滞走行状態の２
種類の状態がある。このうち、渋滞時の交通流をうまく
予測できるかがポイントとなる。この渋滞時を含む交通
流を比較的簡単なモデルでうまく予測できるものとして
従来から提案されている方法が、状態方程式モデル（交
通密度を状態変数にとった微分形の方程式）である。
流）の予測方法としては以下のような方法が提案されて
いる。まず高速道路の交通流には、大きく分けて、自由
走行状態（渋滞の無い状態）、および渋滞走行状態の２
種類の状態がある。このうち、渋滞時の交通流をうまく
予測できるかがポイントとなる。この渋滞時を含む交通
流を比較的簡単なモデルでうまく予測できるものとして
従来から提案されている方法が、状態方程式モデル（交
通密度を状態変数にとった微分形の方程式）である。
【０００４】高速道路を図４のように複数のセクション
に分割したとき、セクションｉの交通密度ｋi の時間変
動を考える。交通流を検討する際、速度、交通量を左右
する基本的なファクタが交通密度となる。
に分割したとき、セクションｉの交通密度ｋi の時間変
動を考える。交通流を検討する際、速度、交通量を左右
する基本的なファクタが交通密度となる。
【０００５】Δｔ［min ］間における交通密度ｋ
i （ｔ）の変化量Δｋi （ｔ）［台／ｍ］は、（ａ）Δ
ｔの間にセクションｉに流入する車両台数［台］と、
（ｂ）Δｔの間にセクションｉから流出する車両台数
［台］との差をセクションｉの長さで割ったものとな
る。
i （ｔ）の変化量Δｋi （ｔ）［台／ｍ］は、（ａ）Δ
ｔの間にセクションｉに流入する車両台数［台］と、
（ｂ）Δｔの間にセクションｉから流出する車両台数
［台］との差をセクションｉの長さで割ったものとな
る。
【０００６】一般に、あるセクションに流入する交通量
［台／min ］は、上流側セクションの交通密度［台／
ｍ］と上流側セクションの空間平均速度［ｍ／min ］と
の積で表されることから、次式が導かれる。
［台／min ］は、上流側セクションの交通密度［台／
ｍ］と上流側セクションの空間平均速度［ｍ／min ］と
の積で表されることから、次式が導かれる。
【０００７】基本式（セクションｉの上流端の合流、下
流端の分岐が無い場合） Δｋi (t) ＝（Δｔ／Ｌi ） ・（ＱＩＮi-1,i −ＱＵＵＴi,i+1 ） （１） ＱＩＮi-1,i ＝Ｃi-1,i （ｋi (t))・ｋi-1 (t) ・Ｖi-1 （ｋi-1 (t)）・（1000/60) （２） ＱＯＵＴi,i+1 ＝Ｃi,i+1 （ｋi+1 (t))・ｋi (t) ・Ｖi （ｋi (t))・（1000/60) （３） （１）〜（３）式において、ｋi （ｔ）はセクションｉ
の交通密度［台／ｍ］、Δｋi （ｔ）はセクションｉの
交通密度のΔｔ［min ］間の変化量［台／ｍ］、ＱＩＮ
i-1,i はセクションｉ−１からセクションｉへの流入交
通量［台／min］、ＱＯＵＴi,i+1 はセクションｉから
セクションｉ＋１への流出交通量［台／min ］、Ｌi は
セクションｉの長さ［ｍ］、Ｖi （ｋi （ｔ））はセク
ションｉにおける空間平均速度［km／ｈ］でｋi （ｔ）
の関数として与えられる。
流端の分岐が無い場合） Δｋi (t) ＝（Δｔ／Ｌi ） ・（ＱＩＮi-1,i −ＱＵＵＴi,i+1 ） （１） ＱＩＮi-1,i ＝Ｃi-1,i （ｋi (t))・ｋi-1 (t) ・Ｖi-1 （ｋi-1 (t)）・（1000/60) （２） ＱＯＵＴi,i+1 ＝Ｃi,i+1 （ｋi+1 (t))・ｋi (t) ・Ｖi （ｋi (t))・（1000/60) （３） （１）〜（３）式において、ｋi （ｔ）はセクションｉ
の交通密度［台／ｍ］、Δｋi （ｔ）はセクションｉの
交通密度のΔｔ［min ］間の変化量［台／ｍ］、ＱＩＮ
i-1,i はセクションｉ−１からセクションｉへの流入交
通量［台／min］、ＱＯＵＴi,i+1 はセクションｉから
セクションｉ＋１への流出交通量［台／min ］、Ｌi は
セクションｉの長さ［ｍ］、Ｖi （ｋi （ｔ））はセク
ションｉにおける空間平均速度［km／ｈ］でｋi （ｔ）
の関数として与えられる。
【０００８】（１）式の第１項が上記（ａ）に、第２項
が上記（ｂ）に相当する。Ｃi-1,iはセクションｉ−１
からセクションｉへの流出量が抑えられる働きを持つ流
出係数であり、この係数を導入することにより交通渋滞
が上流側に広がっていく遡上現象を間接的に表現するこ
とが可能となる。流出係数Ｃi-1,i は経験的に次のよう
な形で与えられる。
が上記（ｂ）に相当する。Ｃi-1,iはセクションｉ−１
からセクションｉへの流出量が抑えられる働きを持つ流
出係数であり、この係数を導入することにより交通渋滞
が上流側に広がっていく遡上現象を間接的に表現するこ
とが可能となる。流出係数Ｃi-1,i は経験的に次のよう
な形で与えられる。
【０００９】・０≦ｋi （ｔ）≦Ｋcrのとき（Ｋcrは臨
界密度［台／ｍ］、例えばＫcr＝０．０８［台／
ｍ］）、 Ｃi-1,i （ｋi (t))＝１ （４） ・Ｋcr＜ｋi （ｔ）のとき、 Ｃi-1,i （ｋi (t))＝（Ｌi-1 ／Ｌmax)・ｅｐｘ［−α ・｛（ｋi (t) ／Ｋcr）−１｝2 ］ （５） （５）式において、αは経験的に与えられるパラメータ
（α＝０．４８）であり、Ｌmax は最大区間長［ｍ］で
ある。
界密度［台／ｍ］、例えばＫcr＝０．０８［台／
ｍ］）、 Ｃi-1,i （ｋi (t))＝１ （４） ・Ｋcr＜ｋi （ｔ）のとき、 Ｃi-1,i （ｋi (t))＝（Ｌi-1 ／Ｌmax)・ｅｐｘ［−α ・｛（ｋi (t) ／Ｋcr）−１｝2 ］ （５） （５）式において、αは経験的に与えられるパラメータ
（α＝０．４８）であり、Ｌmax は最大区間長［ｍ］で
ある。
【００１０】（２）、（３）式は、セクションｉ−１か
らセクションｉへの流出を考えた場合、下流側セクショ
ンｉの区間密度ｋi （ｔ）が臨界密度Ｋcr以下であれ
ば、上流側セクションの交通量がそのまま流出するが、
ｋi （ｔ）がＫcrを越えると、その越えた程度に応じて
流出量が抑えられることを意味する。また上流側セクシ
ョンｉ−１の区間長Ｌi-1 が短いほど、その影響が上流
側セクション全体に早く拡がるので、流出量が抑えられ
るということである。なお、区間長は対象道路網中の最
大区間長Ｌmax で割ることによって標準化してある。
らセクションｉへの流出を考えた場合、下流側セクショ
ンｉの区間密度ｋi （ｔ）が臨界密度Ｋcr以下であれ
ば、上流側セクションの交通量がそのまま流出するが、
ｋi （ｔ）がＫcrを越えると、その越えた程度に応じて
流出量が抑えられることを意味する。また上流側セクシ
ョンｉ−１の区間長Ｌi-1 が短いほど、その影響が上流
側セクション全体に早く拡がるので、流出量が抑えられ
るということである。なお、区間長は対象道路網中の最
大区間長Ｌmax で割ることによって標準化してある。
【００１１】上述の差分方程式を解く場合、Δｔ［min
］は区間長最小値Ｌmin ［ｍ］×１０-3程度とすると
適合度が良くなることが確かめられている。
］は区間長最小値Ｌmin ［ｍ］×１０-3程度とすると
適合度が良くなることが確かめられている。
【００１２】また、交通密度〜速度曲線Ｖi （ｋ
i （ｔ））については、例えば次式を採用する。
i （ｔ））については、例えば次式を採用する。
【００１３】・０≦ｋi （ｔ）≦Ｋcrのとき（Ｋcrは臨
界密度［台／ｍ］）、 Ｖi （ｋi (t))＝９１．０・｛１−５・ｋi (t)} （６） ・Ｋcr＜ｋi （ｔ）のとき、 Ｖi （ｋi (t))＝１６４．５・ｅｘｐ｛−１３．８・ｋi (t)} （７） （６）、（７）式において各係数の値は、仮の値であり
対象となる道路によって異なる。
界密度［台／ｍ］）、 Ｖi （ｋi (t))＝９１．０・｛１−５・ｋi (t)} （６） ・Ｋcr＜ｋi （ｔ）のとき、 Ｖi （ｋi (t))＝１６４．５・ｅｘｐ｛−１３．８・ｋi (t)} （７） （６）、（７）式において各係数の値は、仮の値であり
対象となる道路によって異なる。
【００１４】セクションｉの下流端にオフランプが接続
している場合 図５に示すようにセクションｉの下流端にオフランプが
接続している場合には、前述の基本式（１）〜（３）式
のうち、（３）式は次のように変更される。
している場合 図５に示すようにセクションｉの下流端にオフランプが
接続している場合には、前述の基本式（１）〜（３）式
のうち、（３）式は次のように変更される。
【００１５】 ＱＯＵＴi,i+1 ＝Ｐi,i+1 ・Ｃi,i+1 （ｋi+1 (t))・ｋi (t) ・Ｖi （ｋi (t))・（1000/60)＋（１−Ｐi,i+1 ） ・ｋi (t) ・Ｖi （ｋi (t))・（1000/60) （８） ここでＰi,i+1 はセクションｉからオフランプへ流出せ
ず、セクションｉ＋１へ推移する車両の割合を示してお
り、推移確率と呼ばれる係数である。
ず、セクションｉ＋１へ推移する車両の割合を示してお
り、推移確率と呼ばれる係数である。
【００１６】（８）式の第１項はセクションｉからセク
ションｉ＋１への流出交通量［台／min ］、第２項はセ
クションｉからオフランプへの流出を表している。
ションｉ＋１への流出交通量［台／min ］、第２項はセ
クションｉからオフランプへの流出を表している。
【００１７】セクションｉの下流端が本線の分流点の場
合 セクションｉの下流端が本線の分流点の場合には、前述
の基本式（１）〜（３）式のうち、（３）式は次のよう
に変更される。
合 セクションｉの下流端が本線の分流点の場合には、前述
の基本式（１）〜（３）式のうち、（３）式は次のよう
に変更される。
【００１８】 なお（９）式において、Ｐi,j はセクションｉからセク
ションｊへ流出する割
ションｊへ流出する割
【００１９】セクションｉの上流端にオンランプが接続
している場合 図６に示すようにセクションｉの上流端にオンランプが
接続している場合には、前述の基本式（１）〜（３）式
のうち、（２）式は次のように変更される。
している場合 図６に示すようにセクションｉの上流端にオンランプが
接続している場合には、前述の基本式（１）〜（３）式
のうち、（２）式は次のように変更される。
【００２０】ＱＩＮi-1,i ＝Ｕr,i (t) ＋Ｃi-1,i （ｋi (t))・Ｐi-1,i ・ｋi-1 (t) ・Ｖi-1 （ｋi-1 (t))・（1000/60) （10） ここで、Ｕr,i （ｔ）はオンランプｒからセクションｉ
への流入交通量［台／min ］であり、 Ｕr,i (t) ＝（オンランプｒからの需要交通量） ・Ｃr,i （ｋi (t)) （11） によって与えるものとしている。
への流入交通量［台／min ］であり、 Ｕr,i (t) ＝（オンランプｒからの需要交通量） ・Ｃr,i （ｋi (t)) （11） によって与えるものとしている。
【００２１】セクションｉの上流端が本線の合流点の場
合 セクションｉの上流端が本線の合流点の場合には、前述
の基本式（１）〜（３）式のうち、（２）式は次のよう
に変更される。
合 セクションｉの上流端が本線の合流点の場合には、前述
の基本式（１）〜（３）式のうち、（２）式は次のよう
に変更される。
【００２２】 例えば、図７に示すような簡易路線形状を考えると、上
述の状態方程式モデルは、図８に示すフローチャートに
よって交通密度予測値を予測演算できる。すなわち、
（１）式を用いて流入交通量ＱＩＮi-1,i と流出交通量
ＱＯＵＴi,i+1 から交通密度変化量Δｋi （ｔ）を求め
た後、時刻ｔ＋Δｔにおける交通密度ｋi（ｔ＋Δｔ）
を求める。
述の状態方程式モデルは、図８に示すフローチャートに
よって交通密度予測値を予測演算できる。すなわち、
（１）式を用いて流入交通量ＱＩＮi-1,i と流出交通量
ＱＯＵＴi,i+1 から交通密度変化量Δｋi （ｔ）を求め
た後、時刻ｔ＋Δｔにおける交通密度ｋi（ｔ＋Δｔ）
を求める。
【００２３】
【発明が解決しようとする課題】ところで上述のように
従来の状態方程式モデルにおいては、交通密度〜速度曲
線Ｖi （ｋi （ｔ））の式（６）、（７）において、下
流側のセクションの交通密度ｋi+1 （ｔ）の影響を考慮
していないために、このままでは、高速道路に見られる
交通渋滞の下流側から上流側への遡上現象を表すことが
できない。そこで（２）、（３）式に示すようにセクシ
ョンｉ−１からセクションｉへの流出量が抑えられる働
きを持つ流出係数Ｃi-1,i を導入することにより流入交
通量および流出交通量を表しているが、この流出係数の
モデルを経験的に定めなければならない。またこの流出
係数の経験値を定めることはむずかしく、これが従来の
交通流予測方法では充分な予測精度が得られない主な要
因となっている。
従来の状態方程式モデルにおいては、交通密度〜速度曲
線Ｖi （ｋi （ｔ））の式（６）、（７）において、下
流側のセクションの交通密度ｋi+1 （ｔ）の影響を考慮
していないために、このままでは、高速道路に見られる
交通渋滞の下流側から上流側への遡上現象を表すことが
できない。そこで（２）、（３）式に示すようにセクシ
ョンｉ−１からセクションｉへの流出量が抑えられる働
きを持つ流出係数Ｃi-1,i を導入することにより流入交
通量および流出交通量を表しているが、この流出係数の
モデルを経験的に定めなければならない。またこの流出
係数の経験値を定めることはむずかしく、これが従来の
交通流予測方法では充分な予測精度が得られない主な要
因となっている。
【００２４】本発明は、このような点を考慮してなされ
たものであり、流出係数を定めることなく、精度良く交
通流予測を行なうことができる交通流予測装置を提供す
ることを目的とする。
たものであり、流出係数を定めることなく、精度良く交
通流予測を行なうことができる交通流予測装置を提供す
ることを目的とする。
【００２５】
【課題が解決するための手段】請求項１記載の発明は、
道路上の各セクションに設置され通過する車両の検知を
行なう車両感知器と、車両感知器からの信号により交通
量を演算する交通量演算手段と、車両感知器と交通量演
算手段からの信号によりオキュパンシを求めるオキュパ
ンシ演算手段と、交通量演算手段およびオキュパンシ演
算手段からの信号により空間平均速度を求める空間平均
速度演算手段と、オキュパンシ演算手段からの信号によ
り交通密度を求める交通密度演算手段と、あるセクショ
ンの交通密度と当該セクションより１つ下流側のセクシ
ョンの交通密度とを入力信号とし、当該セクションの空
間平均速度予測値を出力信号とする第１ニューラルネッ
トワークと、当該セクションの交通密度実績値と、当該
セクションより１つ下流側のセクションの交通密度実績
値と、当該セクションの交通密度実績値、および当該セ
クションより１つ下流側のセクションの交通密度実績値
を第１ニューラルットワークの入力として得られる出力
と、当該セクションの空間平均速度実績値とを一組の学
習用データとして第１ニューラルネットワーク内の重み
係数の学習を行なう第１ニューラルネットワーク学習手
段と、第１ニューラルネットワークにより求めた空間平
均速度予測値に基づいて交通密度予測値を求める交通流
予測手段と、を備えたことを特徴とする交通流予測装置
である。
道路上の各セクションに設置され通過する車両の検知を
行なう車両感知器と、車両感知器からの信号により交通
量を演算する交通量演算手段と、車両感知器と交通量演
算手段からの信号によりオキュパンシを求めるオキュパ
ンシ演算手段と、交通量演算手段およびオキュパンシ演
算手段からの信号により空間平均速度を求める空間平均
速度演算手段と、オキュパンシ演算手段からの信号によ
り交通密度を求める交通密度演算手段と、あるセクショ
ンの交通密度と当該セクションより１つ下流側のセクシ
ョンの交通密度とを入力信号とし、当該セクションの空
間平均速度予測値を出力信号とする第１ニューラルネッ
トワークと、当該セクションの交通密度実績値と、当該
セクションより１つ下流側のセクションの交通密度実績
値と、当該セクションの交通密度実績値、および当該セ
クションより１つ下流側のセクションの交通密度実績値
を第１ニューラルットワークの入力として得られる出力
と、当該セクションの空間平均速度実績値とを一組の学
習用データとして第１ニューラルネットワーク内の重み
係数の学習を行なう第１ニューラルネットワーク学習手
段と、第１ニューラルネットワークにより求めた空間平
均速度予測値に基づいて交通密度予測値を求める交通流
予測手段と、を備えたことを特徴とする交通流予測装置
である。
【００２６】請求項２記載の発明は、道路上の各セクシ
ョンに設置され通過する車両の検知を行なう車両感知器
と、車両感知器からの信号により交通量を演算する交通
量演算手段と、車両感知器と交通量演算手段からの信号
によりオキュパンシを求めるオキュパンシ演算手段と、
交通量演算手段およびオキュパンシ演算手段からの信号
により空間平均速度を求める空間平均速度演算手段と、
オキュパンシ演算手段からの信号により交通密度を求め
る交通密度演算手段と、あるセクションの交通密度と当
該セクションより１つ上流側のセクションの交通密度と
当該セクションより１つ下流側のセクションの交通密度
とを入力信号とし、当該セクションの空間平均速度予測
値を出力信号とする第２ニューラルネットワークと、当
該セクションの交通密度実績値と、当該セクションより
１つ上流側のセクションの交通密度実績値と、当該セク
ションより１つ下流側のセクションの交通密度実績値
と、当該セクションの交通密度実績値、当該セクション
より１つ上流側のセクションの交通密度実績値、および
当該セクションより１つ下流側のセクションの交通密度
実績値を第２ニューラルットワークの入力として得られ
る出力と、当該セクションの空間平均速度実績値とを一
組の学習用データとして第２ニューラルネットワーク内
の重み係数の学習を行なう第２ニューラルネットワーク
学習手段と、第２ニューラルネットワークにより求めた
空間平均速度予測値に基づいて交通密度予測値を求める
交通流予測手段と、を備えたことを特徴とする交通流予
測装置である。
ョンに設置され通過する車両の検知を行なう車両感知器
と、車両感知器からの信号により交通量を演算する交通
量演算手段と、車両感知器と交通量演算手段からの信号
によりオキュパンシを求めるオキュパンシ演算手段と、
交通量演算手段およびオキュパンシ演算手段からの信号
により空間平均速度を求める空間平均速度演算手段と、
オキュパンシ演算手段からの信号により交通密度を求め
る交通密度演算手段と、あるセクションの交通密度と当
該セクションより１つ上流側のセクションの交通密度と
当該セクションより１つ下流側のセクションの交通密度
とを入力信号とし、当該セクションの空間平均速度予測
値を出力信号とする第２ニューラルネットワークと、当
該セクションの交通密度実績値と、当該セクションより
１つ上流側のセクションの交通密度実績値と、当該セク
ションより１つ下流側のセクションの交通密度実績値
と、当該セクションの交通密度実績値、当該セクション
より１つ上流側のセクションの交通密度実績値、および
当該セクションより１つ下流側のセクションの交通密度
実績値を第２ニューラルットワークの入力として得られ
る出力と、当該セクションの空間平均速度実績値とを一
組の学習用データとして第２ニューラルネットワーク内
の重み係数の学習を行なう第２ニューラルネットワーク
学習手段と、第２ニューラルネットワークにより求めた
空間平均速度予測値に基づいて交通密度予測値を求める
交通流予測手段と、を備えたことを特徴とする交通流予
測装置である。
【００２７】
【作用】請求項１記載の発明によれば、交通演算手段に
よって各セクションの交通密度および空間平均速度が求
められ、第１ニューラルネットワークにおいて、あるセ
クションの交通密度と、１つ下流側のセクションの交通
密度とから当該セクションの空間平均速度予測値が求め
られる。第１ニューラルネットワーク学習手段は、当該
セクションの交通密度実績値と１つ下流側のセクション
の交通密度実績値とを入力信号とし、当該セクションの
空間平均速度実績値を出力信号とする学習用データによ
り第１ニューラルネットワークの学習を行なう。交通流
予測手段において、第１ニューラルネットワークにより
求めた空間平均速度予測値に基づいて交通密度予測値を
求める。
よって各セクションの交通密度および空間平均速度が求
められ、第１ニューラルネットワークにおいて、あるセ
クションの交通密度と、１つ下流側のセクションの交通
密度とから当該セクションの空間平均速度予測値が求め
られる。第１ニューラルネットワーク学習手段は、当該
セクションの交通密度実績値と１つ下流側のセクション
の交通密度実績値とを入力信号とし、当該セクションの
空間平均速度実績値を出力信号とする学習用データによ
り第１ニューラルネットワークの学習を行なう。交通流
予測手段において、第１ニューラルネットワークにより
求めた空間平均速度予測値に基づいて交通密度予測値を
求める。
【００２８】請求項２記載の発明によれば、交通演算手
段によって各セクションの交通密度および空間平均速度
が求められ、第２ニューラルネットワークにおいて、あ
るセクションの交通密度と、１つ上流側のセクションの
交通密度と、１つ下流側のセクションの交通密度とから
当該セクションの空間平均速度予測値が求められる。第
２ニューラルネットワーク学習手段は当該セクションの
交通密度実績値と１つ上流側のセクションの交通密度実
績値と１つ下流側のセクションの交通密度実績値とを入
力信号とし、当該セクションの空間平均速度実績値を出
力信号とする学習用データにより第２ニューラルネット
ワークの学習を行なう。交通流予測手段において、第２
ニューラルネットワークにより求めた空間平均速度予測
値に基づいて交通密度予測値を求める。
段によって各セクションの交通密度および空間平均速度
が求められ、第２ニューラルネットワークにおいて、あ
るセクションの交通密度と、１つ上流側のセクションの
交通密度と、１つ下流側のセクションの交通密度とから
当該セクションの空間平均速度予測値が求められる。第
２ニューラルネットワーク学習手段は当該セクションの
交通密度実績値と１つ上流側のセクションの交通密度実
績値と１つ下流側のセクションの交通密度実績値とを入
力信号とし、当該セクションの空間平均速度実績値を出
力信号とする学習用データにより第２ニューラルネット
ワークの学習を行なう。交通流予測手段において、第２
ニューラルネットワークにより求めた空間平均速度予測
値に基づいて交通密度予測値を求める。
【００２９】
【実施例】以下、図面を参照して本発明の実施例につい
て説明する。図１乃至図３は本発明による交通流予測装
置の一実施例を示す図である。
て説明する。図１乃至図３は本発明による交通流予測装
置の一実施例を示す図である。
【００３０】図１は、本発明の一実施例を示す機能ブロ
ック図である。図１において、交通流予測装置は、道路
上の各セクションに設置され通過する車両の検知を行な
う車両感知器１と、車両感知器１からの信号により交通
量を演算する交通量演算手段２と、車両感知器１と交通
量演算手段２からの信号によりオキュパンシを求めるオ
キュパンシ演算手段３と、交通量演算手段２およびオキ
ュパンシ演算手段３からの信号により空間平均速度を求
める空間平均速度演算手段４と、オキュパンシ演算手段
３からの信号により交通密度を求める交通密度演算手段
５とを備えている。そして空間平均速度演算手段４およ
び交通密度演算手段５により、道路上の各セクションの
空間平均速度および交通密度が演算される。また、これ
らの演算結果をもとに、交通流予測手段６、ニューラル
ネットワーク７およびニューラルネットワーク学習手段
８により、各セクションの空間平均速度および交通密度
の予測値が得られるようになっている。
ック図である。図１において、交通流予測装置は、道路
上の各セクションに設置され通過する車両の検知を行な
う車両感知器１と、車両感知器１からの信号により交通
量を演算する交通量演算手段２と、車両感知器１と交通
量演算手段２からの信号によりオキュパンシを求めるオ
キュパンシ演算手段３と、交通量演算手段２およびオキ
ュパンシ演算手段３からの信号により空間平均速度を求
める空間平均速度演算手段４と、オキュパンシ演算手段
３からの信号により交通密度を求める交通密度演算手段
５とを備えている。そして空間平均速度演算手段４およ
び交通密度演算手段５により、道路上の各セクションの
空間平均速度および交通密度が演算される。また、これ
らの演算結果をもとに、交通流予測手段６、ニューラル
ネットワーク７およびニューラルネットワーク学習手段
８により、各セクションの空間平均速度および交通密度
の予測値が得られるようになっている。
【００３１】次にこのような構成からなる本実施例の作
用を説明する。車両感知器１の出力をもとに、交通量演
算手段２により各セクションの交通量［台／min ］が演
算され、同様にオキュパンシ演算手段３により各セクシ
ョンのオキュパンシ［％］が演算される。そして、これ
らの演算結果をもとに、空間平均速度演算手段４では、 に従って、各セクションの空間平均速度［km／ｈ］が演
算される。
用を説明する。車両感知器１の出力をもとに、交通量演
算手段２により各セクションの交通量［台／min ］が演
算され、同様にオキュパンシ演算手段３により各セクシ
ョンのオキュパンシ［％］が演算される。そして、これ
らの演算結果をもとに、空間平均速度演算手段４では、 に従って、各セクションの空間平均速度［km／ｈ］が演
算される。
【００３２】また交通密度演算手段５においては、 に従って、各セクションの交通密度［台／ｍ］が演算さ
れる。
れる。
【００３３】さらに交通流予測手段６およびニューラル
ネットワーク７では、（１４）式で得られた各セクショ
ンの交通密度ｋi （ｔ）［台／ｍ］を初期条件として、
今後の各セクションｉ（ｉ＝１〜ｎ）おける空間平均速
度Ｖi ［km／ｈ］の推移、 Ｖi (t) ，Ｖi （t+Δｔ），Ｖi （t+２・Δｔ），……
… （ｉ＝１〜ｎ） および、交通密度ｋi の推移、 ｋi （t+Δｔ），ｋi （t+２・Δｔ），ｋi （t+３・Δ
ｔ），……… （ｉ＝１〜ｎ） が予測される。
ネットワーク７では、（１４）式で得られた各セクショ
ンの交通密度ｋi （ｔ）［台／ｍ］を初期条件として、
今後の各セクションｉ（ｉ＝１〜ｎ）おける空間平均速
度Ｖi ［km／ｈ］の推移、 Ｖi (t) ，Ｖi （t+Δｔ），Ｖi （t+２・Δｔ），……
… （ｉ＝１〜ｎ） および、交通密度ｋi の推移、 ｋi （t+Δｔ），ｋi （t+２・Δｔ），ｋi （t+３・Δ
ｔ），……… （ｉ＝１〜ｎ） が予測される。
【００３４】図２に交通流予測手段６およびニューラル
ネットワーク７で行なわれる演算処理フローチャートを
示す。図２は従来の図８に相当するものであるが、下記
の点で図８のフローチャートと異なる。
ネットワーク７で行なわれる演算処理フローチャートを
示す。図２は従来の図８に相当するものであるが、下記
の点で図８のフローチャートと異なる。
【００３５】すなわち、図２に示すフローチャートでは
セクションｉ−１からセクションｉへの流出量が抑えら
れる働きを持つ流出係数Ｃi-1,i を用いておらず、また
各セクションの空間平均速度Ｖi の予測に際しては、従
来の（６）、（７）式のような当該セクションの交通密
度のみの関数としたモデル式を用いることなく、ニュー
ラルネットワーク７により求める。
セクションｉ−１からセクションｉへの流出量が抑えら
れる働きを持つ流出係数Ｃi-1,i を用いておらず、また
各セクションの空間平均速度Ｖi の予測に際しては、従
来の（６）、（７）式のような当該セクションの交通密
度のみの関数としたモデル式を用いることなく、ニュー
ラルネットワーク７により求める。
【００３６】また図３は図２の太線部の演算の際用いる
ニューラルネットワーク７の構造の例を示している。
ニューラルネットワーク７の構造の例を示している。
【００３７】まずニューラルネットワーク７の作用を以
下に説明する。
下に説明する。
【００３８】中間層の出力Ｙj は次式にて演算される。 Ｙj ＝Ｆj （ＵYj） （ｊ＝１，２，…，Ｎ） （Ｎ．１）
【００３９】 ここで、 Ｙj ：図３の中間層の第ｊ素子の出力 Ｗji：図３の入力層の第ｉ素子と中間層の第ｊ素子との
間の重み係数 Ｘi ：図３の入力層の第ｉ素子の出力（入力層は入力と
出力とが同じ） Ｆ：各素子の入出力特性を表す関数 である。
間の重み係数 Ｘi ：図３の入力層の第ｉ素子の出力（入力層は入力と
出力とが同じ） Ｆ：各素子の入出力特性を表す関数 である。
【００４０】次に、出力層の出力Ｚを次式により演算す
る。
る。
【００４１】 ここで、 Ｚk ：出力層の第ｋ素子の出力 Ｗkj：中間層第ｊ素子と出力層第ｊ素子との間の重み係
数 である。
数 である。
【００４２】また、関数Ｆとしては、例えば次式に示す
シグモイド関数を採用する。
シグモイド関数を採用する。
【００４３】 Ｆ（Ｕ）＝１／（１＋ｅ-u）−０．５ （Ｎ．５） 上記（Ｎ．１）〜（Ｎ．５）式の演算が図３のニューラ
ルネットワーク７の内部で行なわれる。
ルネットワーク７の内部で行なわれる。
【００４４】さらにニューラルネットワーク学習手段８
では、図３に示すニューラルネットワーク７の内部の重
み係数Ｗkj，Ｗjiの学習が行なわれるが、学習方法とし
ては以下に示すバック・プロパゲーション法（ＢＰ法）
が用いられる。
では、図３に示すニューラルネットワーク７の内部の重
み係数Ｗkj，Ｗjiの学習が行なわれるが、学習方法とし
ては以下に示すバック・プロパゲーション法（ＢＰ法）
が用いられる。
【００４５】まず、教師信号Ｖk と信号Ｚk との誤差関
数を（Ｎ．６）式で定義する。
数を（Ｎ．６）式で定義する。
【００４６】 バックプロパゲーションとは、この誤差関数が最小値に
近づくように重み係数を修正していく手法であり、重み
係数の修正量ΔＷkj，ΔＷjiは次式で演算される。
近づくように重み係数を修正していく手法であり、重み
係数の修正量ΔＷkj，ΔＷjiは次式で演算される。
【００４７】
【数１】 上式において、εは１回に行なう修正の大きさを決める
パラメータである。（Ｎ．７）式および（Ｎ．８）式の
偏微分項を展開して整理すると、重み係数の修正量は次
のように表される。
パラメータである。（Ｎ．７）式および（Ｎ．８）式の
偏微分項を展開して整理すると、重み係数の修正量は次
のように表される。
【００４８】
【数２】 また、学習の際の収束の安定化および収束速度の向上を
図るために、（Ｎ．９）式、（Ｎ．１０）式の代わりに
次式を採用する方法も有効である。
図るために、（Ｎ．９）式、（Ｎ．１０）式の代わりに
次式を採用する方法も有効である。
【００４９】 ΔＷkj(m) ＝−ε・λk ・Ｙj ＋α・ΔＷkj(m-1) （Ｎ．13） ΔＷji(m) ＝−ε・μj ・Ｘi ＋α・ΔＷji(m-1) （Ｎ．14） （０＜α＜１） ここでαは学習を安定させるためのパラメータであり、
ｍは学習の回数を表す。
ｍは学習の回数を表す。
【００５０】次に（Ｎ．９）〜（Ｎ．１２）式の導出方
法について説明する。
法について説明する。
【００５１】
【数３】
【００５２】
【数４】 となる。
【００５３】以上が、図１に示すニューラルネットワー
ク７およびニューラルネットワーク学習手段８の内部の
処理内容である。
ク７およびニューラルネットワーク学習手段８の内部の
処理内容である。
【００５４】本発明では、図２の太線部の演算におい
て、あるセクションｉの空間平均速度の予測値Ｖ
i （τ）をニューラルネットワーク７により求める。こ
の場合、図３のニューラルネットワーク７の入力信号と
して、 Ｘ1 ＝セクションｉの交通密度ｋi （τ） （15） Ｘ2 ＝セクションｉの１つ下流側セクションｉ＋１ の交通密度ｋi+1 （τ） （16） を採用し、ニューラルネットワークの出力信号として、 Ｚ1 ＝セクションｉの空間平均速度予測値Ｖi （τ） （17） を（Ｎ．１）式〜（Ｎ．５）式により計算する。
て、あるセクションｉの空間平均速度の予測値Ｖ
i （τ）をニューラルネットワーク７により求める。こ
の場合、図３のニューラルネットワーク７の入力信号と
して、 Ｘ1 ＝セクションｉの交通密度ｋi （τ） （15） Ｘ2 ＝セクションｉの１つ下流側セクションｉ＋１ の交通密度ｋi+1 （τ） （16） を採用し、ニューラルネットワークの出力信号として、 Ｚ1 ＝セクションｉの空間平均速度予測値Ｖi （τ） （17） を（Ｎ．１）式〜（Ｎ．５）式により計算する。
【００５５】そして、ニューラルネットワーク学習手段
８では、 Ｘ1 ＝交通密度演算手段５の出力として得られるある 時刻ｔにおけるセクションｉの交通密度実績値 （18） Ｘ2 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ＋１の交通密度実績値 （19） Ｚ1 ＝(18)、（19）式のＸ1 ，Ｘ2 をニューラルネットワーク の入力信号としたときのニューラルネットワーク出力 （20） Ｖ1 ＝空間平均速度演算手段４の出力として得られるある 時刻ｔにおけるセクションｉの空間平均速度実績値 （21） を一組の学習用データとし、前述の（Ｎ．９）式〜
（Ｎ．１４）式に従って、ニューラルネットワーク内の
重み係数の学習を行なう。この場合Ｖ1 がＺ1 に対する
教師信号となる。そして各セクションについて、各時刻
毎に上述の（１８）〜（２１）式の学習用データの組を
作成し、学習を行なっていく。
８では、 Ｘ1 ＝交通密度演算手段５の出力として得られるある 時刻ｔにおけるセクションｉの交通密度実績値 （18） Ｘ2 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ＋１の交通密度実績値 （19） Ｚ1 ＝(18)、（19）式のＸ1 ，Ｘ2 をニューラルネットワーク の入力信号としたときのニューラルネットワーク出力 （20） Ｖ1 ＝空間平均速度演算手段４の出力として得られるある 時刻ｔにおけるセクションｉの空間平均速度実績値 （21） を一組の学習用データとし、前述の（Ｎ．９）式〜
（Ｎ．１４）式に従って、ニューラルネットワーク内の
重み係数の学習を行なう。この場合Ｖ1 がＺ1 に対する
教師信号となる。そして各セクションについて、各時刻
毎に上述の（１８）〜（２１）式の学習用データの組を
作成し、学習を行なっていく。
【００５６】このようにして、ニューラルネットワーク
７において、セクションｉの交通密度ｋi （τ）とセク
ションｉの１つ下流側のセクションｉ＋１の交通密度ｋ
i+1（τ）を入力信号として、セクションｉの空間平均
速度予測値Ｖi （τ）を求める。
７において、セクションｉの交通密度ｋi （τ）とセク
ションｉの１つ下流側のセクションｉ＋１の交通密度ｋ
i+1（τ）を入力信号として、セクションｉの空間平均
速度予測値Ｖi （τ）を求める。
【００５７】次に交通流予測手段６において、ニューラ
ルネットワーク７で求めた空間平均速度予測値Ｖ
i （τ）に基づいて、交通密度予測値ｋi （τ＋Δｔ）
を求める（図２参照）。
ルネットワーク７で求めた空間平均速度予測値Ｖ
i （τ）に基づいて、交通密度予測値ｋi （τ＋Δｔ）
を求める（図２参照）。
【００５８】すなわち、図２に示すように、まず各セク
ションにオンランプより流入する交通量Ｕr,i （τ）が Ｕr,i （τ）＝Ｐi-1,i ・ｋi-1 （τ）・Ｖi-1 （10′） により求められる。
ションにオンランプより流入する交通量Ｕr,i （τ）が Ｕr,i （τ）＝Ｐi-1,i ・ｋi-1 （τ）・Ｖi-1 （10′） により求められる。
【００５９】次に各セクション間の推移確率Ｐi-1,i が
設定される。
設定される。
【００６０】その後、流入交通量ＱＩＮi-1,i と流出交
通量ＱＯＵＴi,i+1 が、 ＱＩＮi-1,i ＝ｋi-1 （τ）・Ｖi-1 （τ）×(1000/60) （２′） ＱＯＵＴi,i+1 ＝ｋi （τ）・Ｖi （τ）×(1000/60) （３′） により求められる。
通量ＱＯＵＴi,i+1 が、 ＱＩＮi-1,i ＝ｋi-1 （τ）・Ｖi-1 （τ）×(1000/60) （２′） ＱＯＵＴi,i+1 ＝ｋi （τ）・Ｖi （τ）×(1000/60) （３′） により求められる。
【００６１】次に（１）式を用いて、流入交通量ＱＩＮ
i-1,i と流出交通量ＱＯＵＴi,i+1から交通密度変化量
Δｋi （ｔ）が求められる。続いて、時刻τ＋Δτにお
ける交通密度予測値ｋi （τ＋Δτ）が求められる。
i-1,i と流出交通量ＱＯＵＴi,i+1から交通密度変化量
Δｋi （ｔ）が求められる。続いて、時刻τ＋Δτにお
ける交通密度予測値ｋi （τ＋Δτ）が求められる。
【００６２】以上説明したように、本実施例によれば、
あるセクションの空間平均速度を、当該セクションの交
通密度と当該セクション下流側の交通密度との両者を考
慮して予測しているために、交通密度を予測する際、従
来経験的に定めていたセクション間の流出係数といった
考え方が不要となる。このため交通密度の予測精度が向
上する。また、空間平均速度の予測を行なう際に、従来
のような予め定められた関数式ではなくニューラルネッ
トワークのモデルを用いているので、実際に計測される
データを用いて、逐次学習を行なっていくことにより、
継続的にモデル精度の向上を図ることができる。
あるセクションの空間平均速度を、当該セクションの交
通密度と当該セクション下流側の交通密度との両者を考
慮して予測しているために、交通密度を予測する際、従
来経験的に定めていたセクション間の流出係数といった
考え方が不要となる。このため交通密度の予測精度が向
上する。また、空間平均速度の予測を行なう際に、従来
のような予め定められた関数式ではなくニューラルネッ
トワークのモデルを用いているので、実際に計測される
データを用いて、逐次学習を行なっていくことにより、
継続的にモデル精度の向上を図ることができる。
【００６３】なお、上記実施例においては、あるセクシ
ョンの空間平均速度を予測する際に、当該セクションの
交通密度と当該セクション下流側の交通密度とを考慮し
ていたが、当該セクション上流側の交通密度を更に取り
入れてもよい。この場合は、図２に示す太線部の演算に
おいて、あるセクションｉの空間平均速度Ｖi （τ）を
ニューラルネットワークにより求める際、ニューラルネ
ットワーク７の入力信号として、 Ｘ1 ＝セクションｉの交通密度ｋi （τ） （15） Ｘ2 ＝セクションｉの下流側セクションｉ＋１ の交通密度ｋi+1 （τ） （16） Ｘ3 ＝セクションｉの上流側セクションｉ−１ の交通密度ｋi-1 （τ） （16A) が採用される。
ョンの空間平均速度を予測する際に、当該セクションの
交通密度と当該セクション下流側の交通密度とを考慮し
ていたが、当該セクション上流側の交通密度を更に取り
入れてもよい。この場合は、図２に示す太線部の演算に
おいて、あるセクションｉの空間平均速度Ｖi （τ）を
ニューラルネットワークにより求める際、ニューラルネ
ットワーク７の入力信号として、 Ｘ1 ＝セクションｉの交通密度ｋi （τ） （15） Ｘ2 ＝セクションｉの下流側セクションｉ＋１ の交通密度ｋi+1 （τ） （16） Ｘ3 ＝セクションｉの上流側セクションｉ−１ の交通密度ｋi-1 （τ） （16A) が採用される。
【００６４】またニューラルネットワークの出力信号と
して、 Ｚ1 ＝セクションｉの空間平均速度Ｖi （τ） （17A) が（Ｎ．１）式〜（Ｎ．５）式により求められる。
して、 Ｚ1 ＝セクションｉの空間平均速度Ｖi （τ） （17A) が（Ｎ．１）式〜（Ｎ．５）式により求められる。
【００６５】そして、ニューラルネットワーク学習手段
８では、 Ｘ1 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉの交通密度実績値 （18） Ｘ2 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ＋１の交通密度実績値 （19） Ｘ3 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ−１の交通密度実績値 （19A) Ｚ1 ＝(18)、(19)、(19A）式のＸ1 ，Ｘ2 ，Ｘ3 をニュー ラルネットワークの入力信号としたときのニューラ ルネットワーク出力 （20A) Ｖ1 ＝空間平均速度演算手段４の出力として得られるある 時刻ｔにおけるセクションｉの空間平均速度実績値 （21） を一組の学習用データ（Ｖ1 がＺ1 に対する教師信号と
なる）とし、前述の（Ｎ．９）式〜（Ｎ．１４）式に従
って、ニューラルネットワーク内の重み係数の学習を行
なっていく。
８では、 Ｘ1 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉの交通密度実績値 （18） Ｘ2 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ＋１の交通密度実績値 （19） Ｘ3 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ−１の交通密度実績値 （19A) Ｚ1 ＝(18)、(19)、(19A）式のＸ1 ，Ｘ2 ，Ｘ3 をニュー ラルネットワークの入力信号としたときのニューラ ルネットワーク出力 （20A) Ｖ1 ＝空間平均速度演算手段４の出力として得られるある 時刻ｔにおけるセクションｉの空間平均速度実績値 （21） を一組の学習用データ（Ｖ1 がＺ1 に対する教師信号と
なる）とし、前述の（Ｎ．９）式〜（Ｎ．１４）式に従
って、ニューラルネットワーク内の重み係数の学習を行
なっていく。
【００６６】さらに上記実施例においては、図３に示す
ニューラルネットワーク７を各セクションに共通のもの
として取り扱っているが、オンランプ、オフランプ、分
岐、合流の有無さらには道路幅、車線数など路線形状が
他と異なる部分のセクションおよびその近傍のセクショ
ンに関しては、そのセクション専用のニューラルネット
ワーク７を設けてもよい。
ニューラルネットワーク７を各セクションに共通のもの
として取り扱っているが、オンランプ、オフランプ、分
岐、合流の有無さらには道路幅、車線数など路線形状が
他と異なる部分のセクションおよびその近傍のセクショ
ンに関しては、そのセクション専用のニューラルネット
ワーク７を設けてもよい。
【００６７】
【発明の効果】以上説明したように本発明によれば、ま
ず道路上のあるセクションの空間平均速度の予測値を、
当該セクションおよびその隣接するセクションの交通密
度に基づいてニューラルネットワークにより求め、次に
この空間平均速度から交通流予測手段により交通密度予
測値を求めるので、従来予測誤差の原因となっていた流
出係数を用いる必要がない。このため交通渋滞が下流側
から上流側へ伝播する場合であっても交通密度を高精度
で予測することができる。また、空間平均速度を予測す
るニューラルネットワーク内の重み係数を交通密度およ
び空間平均速度の実績値を用いて学習しているので、ニ
ューラルネットワーク内で実情に沿した予測モデルを構
築することができる。
ず道路上のあるセクションの空間平均速度の予測値を、
当該セクションおよびその隣接するセクションの交通密
度に基づいてニューラルネットワークにより求め、次に
この空間平均速度から交通流予測手段により交通密度予
測値を求めるので、従来予測誤差の原因となっていた流
出係数を用いる必要がない。このため交通渋滞が下流側
から上流側へ伝播する場合であっても交通密度を高精度
で予測することができる。また、空間平均速度を予測す
るニューラルネットワーク内の重み係数を交通密度およ
び空間平均速度の実績値を用いて学習しているので、ニ
ューラルネットワーク内で実情に沿した予測モデルを構
築することができる。
【図１】本発明の機能構成を示すブロック図。
【図２】交通流予測手段およびニューラルネットワーク
における演算フローチャート。
における演算フローチャート。
【図３】ニューラルネットワークの一般的な構成図。
【図４】高速道路をセクション分割した模式図。
【図５】セクションｉの下流端にオフランプが接続して
いる場合の高速道路の模式図。
いる場合の高速道路の模式図。
【図６】セクションｉの上流端にオンランプが接続して
いる場合の高速道路の模式図。
いる場合の高速道路の模式図。
【図７】高速道路の簡易路線図。
【図８】従来の状態方程式モデルに基づく交通流予測演
算フローチャート。
算フローチャート。
１ 車両感知器 ２ 交通量演算手段 ３ オキュパンシ演算手段 ４ 空間平均速度演算手段 ５ 交通密度演算手段 ６ 交通流予測手段 ７ ニューラルネットワーク ８ ニューラルネットワーク学習手段
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G08G 1/00 G06F 15/18 G08G 1/065
Claims (2)
- 【請求項１】道路上の各セクションに設置され通過する
車両の検知を行なう車両感知器と、 車両感知器からの信号により交通量を演算する交通量演
算手段と、 車両感知器と交通量演算手段からの信号によりオキュパ
ンシを求めるオキュパンシ演算手段と、 交通量演算手段およびオキュパンシ演算手段からの信号
により空間平均速度を求める空間平均速度演算手段と、 オキュパンシ演算手段からの信号により交通密度を求め
る交通密度演算手段と、 あるセクションの交通密度と当該セクションより１つ下
流側のセクションの交通密度とを入力信号とし、当該セ
クションの空間平均速度予測値を出力信号とする第１ニ
ューラルネットワークと、 当該セクションの交通密度実績値と、当該セクションよ
り１つ下流側のセクションの交通密度実績値と、当該セ
クションの交通密度実績値、および当該セクションより
１つ下流側のセクションの交通密度実績値を第１ニュー
ラルットワークの入力として得られる出力と、当該セク
ションの空間平均速度実績値とを一組の学習用データと
して第１ニューラルネットワーク内の重み係数の学習を
行なう第１ニューラルネットワーク学習手段と、 第１ニューラルネットワークにより求めた空間平均速度
予測値に基づいて交通密度予測値を求める交通流予測手
段と、 を備えたことを特徴とする交通流予測装置。 - 【請求項２】道路上の各セクションに設置され通過する
車両の検知を行なう車両感知器と、 車両感知器からの信号により交通量を演算する交通量演
算手段と、 車両感知器と交通量演算手段からの信号によりオキュパ
ンシを求めるオキュパンシ演算手段と、 交通量演算手段およびオキュパンシ演算手段からの信号
により空間平均速度を求める空間平均速度演算手段と、 オキュパンシ演算手段からの信号により交通密度を求め
る交通密度演算手段と、 あるセクションの交通密度と当該セクションより１つ上
流側のセクションの交通密度と当該セクションより１つ
下流側のセクションの交通密度とを入力信号とし、当該
セクションの空間平均速度予測値を出力信号とする第２
ニューラルネットワークと、 当該セクションの交通密度実績値と、当該セクションよ
り１つ上流側のセクションの交通密度実績値と、当該セ
クションより１つ下流側のセクションの交通密度実績値
と、当該セクションの交通密度実績値、当該セクション
より１つ上流側のセクションの交通密度実績値、および
当該セクションより１つ下流側のセクションの交通密度
実績値を第２ニューラルットワークの入力として得られ
る出力と、当該セクションの空間平均速度実績値とを一
組の学習用データとして第２ニューラルネットワーク内
の重み係数の学習を行なう第２ニューラルネットワーク
学習手段と、 第２ニューラルネットワークにより求めた空間平均速度
予測値に基づいて交通密度予測値を求める交通流予測手
段と、 を備えたことを特徴とする交通流予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14944293A JP3157953B2 (ja) | 1993-06-21 | 1993-06-21 | 交通流予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14944293A JP3157953B2 (ja) | 1993-06-21 | 1993-06-21 | 交通流予測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH076290A JPH076290A (ja) | 1995-01-10 |
| JP3157953B2 true JP3157953B2 (ja) | 2001-04-23 |
Family
ID=15475211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP14944293A Expired - Fee Related JP3157953B2 (ja) | 1993-06-21 | 1993-06-21 | 交通流予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3157953B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3508265B2 (ja) * | 1995-01-31 | 2004-03-22 | マツダ株式会社 | 走行環境の判断方法及び判断装置 |
| JP3559425B2 (ja) * | 1997-05-23 | 2004-09-02 | 株式会社豊田中央研究所 | 運転指向推定装置 |
| KR20010028048A (ko) * | 1999-09-17 | 2001-04-06 | 박종섭 | 고속 데이터 전송을 위한 티씨이 자원 할당 방식 |
| JP4729411B2 (ja) * | 2006-02-20 | 2011-07-20 | 株式会社デンソーアイティーラボラトリ | 渋滞予測情報生成装置、渋滞予測情報生成方法、及び経路探索システム |
| RU2496143C1 (ru) * | 2012-02-09 | 2013-10-20 | Игорь Юрьевич Мацур | Способ автоматического контроля парковки транспортных средств |
| CN105788249B (zh) * | 2014-12-16 | 2018-09-28 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
-
1993
- 1993-06-21 JP JP14944293A patent/JP3157953B2/ja not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
| CN102693633B (zh) * | 2012-06-07 | 2014-03-12 | 浙江大学 | 一种短时交通流加权组合预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH076290A (ja) | 1995-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0670066B1 (en) | Prediction method of traffic parameters | |
| US6470262B2 (en) | Method for traffic situation determination on the basis of reporting vehicle data for a traffic network with traffic-controlled network nodes | |
| JP3520330B2 (ja) | 交通流模擬装置による交通流予測制御システム | |
| JP3212241B2 (ja) | 交通流予測装置 | |
| JPH05250594A (ja) | 道路交通シミュレーションシステム | |
| CN113762578A (zh) | 流量预测模型的训练方法、装置和电子设备 | |
| JP3157953B2 (ja) | 交通流予測装置 | |
| JPH0877485A (ja) | 走行所要時間予測装置 | |
| KR102199369B1 (ko) | 도로 교통 혼잡도 예측 및 모의 방법 | |
| JPH11328571A (ja) | 交通路網上の交通状況を求める方法及び装置 | |
| KR100772511B1 (ko) | 교통 예측을 기반으로 하는 최단 경로 검색 방법 및 그장치 | |
| JP2007219633A (ja) | 旅行時間予測装置及び方法 | |
| Parzani et al. | Second-order model and capacity drop at merge | |
| JP4276931B2 (ja) | Ｏｄデータ推定方法 | |
| JP3160438B2 (ja) | 交通流予測装置 | |
| US20230206754A1 (en) | Method for predicting a passage time of an intersection in consideration of irregular rotation and signal waiting, and device using the same | |
| Suzuki et al. | Dynamic estimation of origin-destination travel time and flow on a long freeway corridor: Neural Kalman filter | |
| JP3152858B2 (ja) | 交通流予測装置 | |
| JP3914923B2 (ja) | 道路リンク旅行時間推計方法、道路リンク旅行時間推計装置、プログラム、および、記録媒体 | |
| JP2007122359A (ja) | 交通情報処理装置及び交通情報処理方法 | |
| JP3337202B2 (ja) | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 | |
| JP3975004B2 (ja) | 交通流データ予測装置および交通流データ予測方法 | |
| JPH10134295A (ja) | 道路交通状況における渋滞識別方法 | |
| JP2001006090A (ja) | 交通流量管理方法 | |
| JP4074084B2 (ja) | 交通流シミュレーション装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |