JP3192877B2 - 突発事象検出方法と突発事象検出装置 - Google Patents
突発事象検出方法と突発事象検出装置Info
- Publication number
- JP3192877B2 JP3192877B2 JP15774394A JP15774394A JP3192877B2 JP 3192877 B2 JP3192877 B2 JP 3192877B2 JP 15774394 A JP15774394 A JP 15774394A JP 15774394 A JP15774394 A JP 15774394A JP 3192877 B2 JP3192877 B2 JP 3192877B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- rule
- traffic
- event
- judgment
- 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、道路交通分野、計測制
御分野に係り、特に走行車両の故障や事故による緊急停
車時の運転者および同乗者の安全確保、災害防止、また
は道路交通の制御や管理，運用に利用する突発事象検出
方法に関する。
御分野に係り、特に走行車両の故障や事故による緊急停
車時の運転者および同乗者の安全確保、災害防止、また
は道路交通の制御や管理，運用に利用する突発事象検出
方法に関する。
【０００２】
【従来の技術】従来、突発事象検出方法に関連する技術
として、特開平 3−118696号には、画像を用いて移動車
両の座標データから異常走行を判定する検出装置があ
る。この装置では、車両を追跡し所定距離移動するまで
に収集したデータから異常走行を判定する。
として、特開平 3−118696号には、画像を用いて移動車
両の座標データから異常走行を判定する検出装置があ
る。この装置では、車両を追跡し所定距離移動するまで
に収集したデータから異常走行を判定する。
【０００３】また、交通流データを用いるものとして
は、一般に閾値による手続き的な判定論理が用いられ
る。複数の条件比較が行われ全ての条件が成立したとき
に突発事象検出と判断される。類似技術として、特開平
3−209599号があり、この検出装置では、設定した閾値
の範囲外に交通状態量があるか否かにより異常を検出し
ていた。この場合、交通状態量データから所定時間後の
閾値を予測し、この閾値と状態量との比較によって判定
を行う。
は、一般に閾値による手続き的な判定論理が用いられ
る。複数の条件比較が行われ全ての条件が成立したとき
に突発事象検出と判断される。類似技術として、特開平
3−209599号があり、この検出装置では、設定した閾値
の範囲外に交通状態量があるか否かにより異常を検出し
ていた。この場合、交通状態量データから所定時間後の
閾値を予測し、この閾値と状態量との比較によって判定
を行う。
【０００４】実データを用いて判断または診断の手段を
構築する方法には、特開平 2−297074号に見られるよう
にニューラルネットワークによる診断方法がある。この
診断方法は脳の情報処理を人工的に模倣したもので、細
胞モデルを多層および網状に組み合わせて診断に用いる
構造を構成し、本構造を実際の測定値と学習法則により
諸設備の異常の有無を判定するよう学習し、これにより
原因を推定するものである。
構築する方法には、特開平 2−297074号に見られるよう
にニューラルネットワークによる診断方法がある。この
診断方法は脳の情報処理を人工的に模倣したもので、細
胞モデルを多層および網状に組み合わせて診断に用いる
構造を構成し、本構造を実際の測定値と学習法則により
諸設備の異常の有無を判定するよう学習し、これにより
原因を推定するものである。
【０００５】
【発明が解決しようとする課題】従来の突発事象検出方
法は、移動車両を追跡しこのデータによって判定を行う
場合、渋滞末尾における停車や渋滞中の低速での前進・
停車の繰り返しと故障や事故時の状況間との相違判断が
難しい。
法は、移動車両を追跡しこのデータによって判定を行う
場合、渋滞末尾における停車や渋滞中の低速での前進・
停車の繰り返しと故障や事故時の状況間との相違判断が
難しい。
【０００６】よって、隣接車線や区間といった周辺の交
通状況を含めて判定する必要がある。交通状況は、道路
の幅員や曲率，車線数等の道路形状や、時間帯や周辺環
境を含む道路の社会的役割に依存する。
通状況を含めて判定する必要がある。交通状況は、道路
の幅員や曲率，車線数等の道路形状や、時間帯や周辺環
境を含む道路の社会的役割に依存する。
【０００７】このため、突発事象の発生時，速度または
交通量、他に大きな変化が現れる場合あるいは複合的に
現れる場合もある。さらに、判定に用いる論理や閾値は
感知器などの設置位置にも影響される。
交通量、他に大きな変化が現れる場合あるいは複合的に
現れる場合もある。さらに、判定に用いる論理や閾値は
感知器などの設置位置にも影響される。
【０００８】一般に、判定論理や定量的な閾値は机上で
の事前検討にて設定されるが、対象への依存性から論理
や値のギャップを生じる可能性が大きく、実データ収集
後の修正作業を要する場合が多い。
の事前検討にて設定されるが、対象への依存性から論理
や値のギャップを生じる可能性が大きく、実データ収集
後の修正作業を要する場合が多い。
【０００９】この修正作業は、従来では担当者による多
数の収集データ解析に係っており、判定論理の抽出は多
大な労力を要する。このため、論理より閾値を主な修正
対象とするが、修正幅は小さく最適な設定は難しくな
る。予測による動的な閾値設定は、予測手法の精度に左
右されるため実対象に関する再現性の高い手法を構築す
る必要がある。これは、結果的に妥当な閾値を導く予測
手法の設定に帰着し同様の問題を抱える。
数の収集データ解析に係っており、判定論理の抽出は多
大な労力を要する。このため、論理より閾値を主な修正
対象とするが、修正幅は小さく最適な設定は難しくな
る。予測による動的な閾値設定は、予測手法の精度に左
右されるため実対象に関する再現性の高い手法を構築す
る必要がある。これは、結果的に妥当な閾値を導く予測
手法の設定に帰着し同様の問題を抱える。
【００１０】一方、ニューラルネットワークを用いた場
合、実データによる調整，学習が必須であり、未調整の
まま実対象に適用できない。実データが存在しないなら
ば模擬データによる調整方法が考えられるが、机上検討
や一致度の高い模擬プログラムの構築、多数かつ妥当な
データを要することになる。
合、実データによる調整，学習が必須であり、未調整の
まま実対象に適用できない。実データが存在しないなら
ば模擬データによる調整方法が考えられるが、机上検討
や一致度の高い模擬プログラムの構築、多数かつ妥当な
データを要することになる。
【００１１】ただし、何れの場合も調整後の構造がブラ
ックボックス化してしまうため、突発事象の検出・判断
に至った定性的な合理化が難しく、安全性の点で好まし
くない。
ックボックス化してしまうため、突発事象の検出・判断
に至った定性的な合理化が難しく、安全性の点で好まし
くない。
【００１２】本発明は人間の定性的な判断に近い条件、
ルールを扱い、判断手段を構築することができる優れた
突発事象検出方法とその装置を提供することを目的とす
る。
ルールを扱い、判断手段を構築することができる優れた
突発事象検出方法とその装置を提供することを目的とす
る。
【００１３】
【課題を解決するための手段】本発明の突発事象検出方
法は、検出対象道路の状態をセンサで観察して交通流デ
ータを収集し、これらに基づいて前記検出対象道路上で
突発的に発生した事象を検知するに際し、交通流データ
に基づくデータと各データに対する定量的またはあいま
い性をもつ定性的な基準値とを比較する記述の論理積と
突発事象発生の有無の結論、または前記記述の論理和と
突発事象の発生の有無の結論、あるいはこの論理積と論
理和の複合による組み合わせと突発事象の発生の推論の
結論からなるルールを記述し、前記ルールの集合によっ
て構成した複数の判定ルール群を用意し、この判定ルー
ル群の内の、任意のルール群の条件に前記各データを用
い、前記突発事象の推定評価値に基づいて選択した前記
任意のルール群による推論処理によって突発事象の発生
有無を統合判断することを特徴とする。
法は、検出対象道路の状態をセンサで観察して交通流デ
ータを収集し、これらに基づいて前記検出対象道路上で
突発的に発生した事象を検知するに際し、交通流データ
に基づくデータと各データに対する定量的またはあいま
い性をもつ定性的な基準値とを比較する記述の論理積と
突発事象発生の有無の結論、または前記記述の論理和と
突発事象の発生の有無の結論、あるいはこの論理積と論
理和の複合による組み合わせと突発事象の発生の推論の
結論からなるルールを記述し、前記ルールの集合によっ
て構成した複数の判定ルール群を用意し、この判定ルー
ル群の内の、任意のルール群の条件に前記各データを用
い、前記突発事象の推定評価値に基づいて選択した前記
任意のルール群による推論処理によって突発事象の発生
有無を統合判断することを特徴とする。
【００１４】
【作用】この構成によると、定量的のみならず定性的な
値を用いた人間の判断に類似した表現と組み合わせによ
り判定ルール群を構成し、また、異なるデータや判定条
件の組み合わせによる複数のルール群候補を予め構成し
対象に応じて考え得る判定論理を用意、選択した一つの
ルール群を適用し判定処理を行ない、突発事象の発生有
無を判断する。
値を用いた人間の判断に類似した表現と組み合わせによ
り判定ルール群を構成し、また、異なるデータや判定条
件の組み合わせによる複数のルール群候補を予め構成し
対象に応じて考え得る判定論理を用意、選択した一つの
ルール群を適用し判定処理を行ない、突発事象の発生有
無を判断する。
【００１５】
【実施例】以下、本発明の突発事象検出装置を図１〜図
７に基づいて説明する。本発明の突発事象検出装置は図
１に示すように構成されている。
７に基づいて説明する。本発明の突発事象検出装置は図
１に示すように構成されている。
【００１６】制御部１はマイクロプロセッサから構成さ
れており、内蔵のメモリ（図示せず）から実行プログラ
ムをロードし処理を行う。この制御部１には入出力装置
８と複数台の画像処理装置４が接続されている。
れており、内蔵のメモリ（図示せず）から実行プログラ
ムをロードし処理を行う。この制御部１には入出力装置
８と複数台の画像処理装置４が接続されている。
【００１７】２は検出対象の道路、３は走行車両を模式
化したものである。画像処理装置４は、数１００メート
ル間隔で道路２に設置される。各画像処理装置４は、一
定の走査時間で個々の通過車両有無，速度，時間を計測
し送信する。
化したものである。画像処理装置４は、数１００メート
ル間隔で道路２に設置される。各画像処理装置４は、一
定の走査時間で個々の通過車両有無，速度，時間を計測
し送信する。
【００１８】制御部１は、実行管理部５と判断手段６と
判定ルール群７および調整手段１０とで構成されてい
る。実行管理部５は、制御部１の各手段に対する制御手
段である。判断手段６は、実行管理部５に格納されたデ
ータに対して判定する。判定ルール群７は、判断手段６
のルール格納部の位置付けである。調整手段１０は、判
定ルール群７に対する調整手段である。
判定ルール群７および調整手段１０とで構成されてい
る。実行管理部５は、制御部１の各手段に対する制御手
段である。判断手段６は、実行管理部５に格納されたデ
ータに対して判定する。判定ルール群７は、判断手段６
のルール格納部の位置付けである。調整手段１０は、判
定ルール群７に対する調整手段である。
【００１９】次に動作に基づいて全体構成をさらに詳し
く説明する。実行管理部５は、画像処理装置４が計測し
たデータ（すなわち個々の通過車両有無，速度，時間）
と、このデータから集計した各車線または全車線におけ
る１分間交通量，１分間平均速度，１分間占有率と、上
記データを加工した二次的データ（すなわち地点間，時
点間，車線間差の交通量，平均速度，占有率）と、時刻
を格納する。また、実行管理部５は、各走査時間毎に、
１通過車両の速度が規定値以下および今回と前回の走査
時間の間で一定の速度差以上の減少を計測すると、走行
から停車への過渡状態にあるとして判断手段６を起動す
る。
く説明する。実行管理部５は、画像処理装置４が計測し
たデータ（すなわち個々の通過車両有無，速度，時間）
と、このデータから集計した各車線または全車線におけ
る１分間交通量，１分間平均速度，１分間占有率と、上
記データを加工した二次的データ（すなわち地点間，時
点間，車線間差の交通量，平均速度，占有率）と、時刻
を格納する。また、実行管理部５は、各走査時間毎に、
１通過車両の速度が規定値以下および今回と前回の走査
時間の間で一定の速度差以上の減少を計測すると、走行
から停車への過渡状態にあるとして判断手段６を起動す
る。
【００２０】なお、画像処理装置４の代わりに車両感知
器を設置した場合には、計測・集計データはほぼ同じで
あるが、例えば、１分程度の一定周期で判断手段６を起
動する。
器を設置した場合には、計測・集計データはほぼ同じで
あるが、例えば、１分程度の一定周期で判断手段６を起
動する。
【００２１】起動された判断手段６は、判定ルール群７
を用いて判定処理を行う。初期起動時には、判断手段６
は判定ルール群７から判定に用いるルールを読み込む。
判断手段６は、この判定結果を実行管理部５と入出力装
置８に出力し、判断手段６が“ 突発事象の可能性あり
”と判断すると、オペレータ９に入出力装置８から警
報を出力する。
を用いて判定処理を行う。初期起動時には、判断手段６
は判定ルール群７から判定に用いるルールを読み込む。
判断手段６は、この判定結果を実行管理部５と入出力装
置８に出力し、判断手段６が“ 突発事象の可能性あり
”と判断すると、オペレータ９に入出力装置８から警
報を出力する。
【００２２】また、実行管理部５では、判断手段６から
の判定結果と入出力装置８からオペレータ９によって入
力された実際の突発事象の発生地点，車線，時刻などの
過去の実データを逐次格納する。実行管理部５は任意の
タイミングで調整手段１０を起動し、調整手段１０は過
去データを用いて判定ルール群７を調整する。
の判定結果と入出力装置８からオペレータ９によって入
力された実際の突発事象の発生地点，車線，時刻などの
過去の実データを逐次格納する。実行管理部５は任意の
タイミングで調整手段１０を起動し、調整手段１０は過
去データを用いて判定ルール群７を調整する。
【００２３】制御部１の各部の構成を具体的に説明す
る。判断手段６は、判定ルール群７の中の予め設定した
複数のルール群候補から１つを選択し、この推論処理に
よって統合判定を行う。但し、初期時のルール群は任意
に選択され、稼働後は調整手段１０によって選択され
る。初期時に選択されたルール群は、下記（表１）の各
判定条件を用いた８ルールから構成する。
る。判断手段６は、判定ルール群７の中の予め設定した
複数のルール群候補から１つを選択し、この推論処理に
よって統合判定を行う。但し、初期時のルール群は任意
に選択され、稼働後は調整手段１０によって選択され
る。初期時に選択されたルール群は、下記（表１）の各
判定条件を用いた８ルールから構成する。
【００２４】
【表１】
【００２５】ここで、 ΔＶt ： 各車線の１分間平均速度を用いた１分前との
速度の差で、次のように表せる。
速度の差で、次のように表せる。
【００２６】ΔＶt ＝（ Ｖ(t-1) − Ｖ(t) ）， ｔ
は時点である。 ΔＶp ： 各車線の１分間平均速度を用いた上流地点と
の速度の差で、次のように表せる。
は時点である。 ΔＶp ： 各車線の１分間平均速度を用いた上流地点と
の速度の差で、次のように表せる。
【００２７】ΔＶp ＝（ Ｖ(p-1) − Ｖ(p) ），ｐは
任意地点の任意車線 （ｐ−１）は１地点上流側 ΔＱt ： 各車線の１分間交通量を用いた１分前との交
通量の差で、次のように表せる。
任意地点の任意車線 （ｐ−１）は１地点上流側 ΔＱt ： 各車線の１分間交通量を用いた１分前との交
通量の差で、次のように表せる。
【００２８】ΔＱt ＝（ Ｑ(t-1) − Ｑ(t) ） ΔＱl ： 各車線の１分間交通量を用いた隣接車線との
交通量の差の絶対値で、次のように表せる。
交通量の差の絶対値で、次のように表せる。
【００２９】ΔＱl ＝（ Ｑ(l±1) − Ｑ(l) ) ，ｌ
は任意地点の任意車線 （ｌ±１）は隣接車線 本実施例では、画像処理装置４の設置地点を挟み隣接の
同地点との２等分点間の区間における各車線が判定対象
となる。上流側地点がないなどデータが存在しないとき
は、そのルールは適用しない。その他のルール群は、類
似のルールだが異なる判定条件やそれらの組み合わせに
よって構成する。
は任意地点の任意車線 （ｌ±１）は隣接車線 本実施例では、画像処理装置４の設置地点を挟み隣接の
同地点との２等分点間の区間における各車線が判定対象
となる。上流側地点がないなどデータが存在しないとき
は、そのルールは適用しない。その他のルール群は、類
似のルールだが異なる判定条件やそれらの組み合わせに
よって構成する。
【００３０】例えば、上記の判定条件で用いる４つのデ
ータΔＶt ，ΔＶp ，ΔＱt ，ΔＱ l における「大き
い」または「小さい」の２定性値によって、４データの
条件組み合わせを生成し、突発事象の「可能性あり」ま
たは「可能性なし」の結論を割当て、ルールを構成す
る。
ータΔＶt ，ΔＶp ，ΔＱt ，ΔＱ l における「大き
い」または「小さい」の２定性値によって、４データの
条件組み合わせを生成し、突発事象の「可能性あり」ま
たは「可能性なし」の結論を割当て、ルールを構成す
る。
【００３１】この場合、例えば、『ｉｆΔＶt が大き
い、かつΔＶp が小さい、かつΔＱt が大きい、かつΔ
Ｑlが小さいｔｈｅｎ突発事象の可能性あり』といった
ルールでルール群を構成することになる。判定ルール群
７はこれらの考え得るルール群候補で構成する。
い、かつΔＶp が小さい、かつΔＱt が大きい、かつΔ
Ｑlが小さいｔｈｅｎ突発事象の可能性あり』といった
ルールでルール群を構成することになる。判定ルール群
７はこれらの考え得るルール群候補で構成する。
【００３２】上記のルール群を用いた判断手段６におけ
る判定処理の動作について図２を用いて説明する。本実
施例でのルール条件の「大きい」「小さい」といった定
性値はファジィ集合とする。ファジィ集合を規定するメ
ンバシップ関数は初期時に任意に設定しておく。図３は
ΔＶt の定性的な基準値を表すファジィ集合とメンバシ
ップ関数の特性図である。他のΔＶp ，ΔＱt ，ΔＱl
は同様に設定する。図３に示す本関数にてデータから各
判定条件の適合度［０，１］を求める。
る判定処理の動作について図２を用いて説明する。本実
施例でのルール条件の「大きい」「小さい」といった定
性値はファジィ集合とする。ファジィ集合を規定するメ
ンバシップ関数は初期時に任意に設定しておく。図３は
ΔＶt の定性的な基準値を表すファジィ集合とメンバシ
ップ関数の特性図である。他のΔＶp ，ΔＱt ，ΔＱl
は同様に設定する。図３に示す本関数にてデータから各
判定条件の適合度［０，１］を求める。
【００３３】判断手段６は、（ステップ２１）でΔＶ
t ，ΔＶp ，ΔＱt ，ΔＱl の各データを読み込み、
（ステップ２２）では、メンバシップ関数により各判定
条件の適合度を導く。例えば、ルール１の条件「ΔＶt
が大きい」の適合度を求める。この適合度を用いて（ス
テップ２３）（ステップ２４）では、個々ルールに対し
て以下のような演算を行ない、結論である突発事象の可
能性の適合度を導く。実施例では、各ルールにルール自
体の適合度と内部保持値を所有させ、これらを含めた以
下のような演算によって推論を行う。
t ，ΔＶp ，ΔＱt ，ΔＱl の各データを読み込み、
（ステップ２２）では、メンバシップ関数により各判定
条件の適合度を導く。例えば、ルール１の条件「ΔＶt
が大きい」の適合度を求める。この適合度を用いて（ス
テップ２３）（ステップ２４）では、個々ルールに対し
て以下のような演算を行ない、結論である突発事象の可
能性の適合度を導く。実施例では、各ルールにルール自
体の適合度と内部保持値を所有させ、これらを含めた以
下のような演算によって推論を行う。
【００３４】
【数１】
【００３５】
【数２】
【００３６】
【数３】
【００３７】
【数４】
【００３８】Ｘi は１ルールのｉｆ部にある条件の適合
度（本例では前述の各ルールは１条件で構成するためｉ
＝１）、Ｉはｉｆ部の適合度、Ｗはルール適合度、Ｏは
ルールのｉｆ部からｔｈｅｎ部への適合度、Ｐは内部保
持値、Ｙは結論のルール推論結果である。ＷとＰの初期
値は各々1.0 ，0.0 とする。
度（本例では前述の各ルールは１条件で構成するためｉ
＝１）、Ｉはｉｆ部の適合度、Ｗはルール適合度、Ｏは
ルールのｉｆ部からｔｈｅｎ部への適合度、Ｐは内部保
持値、Ｙは結論のルール推論結果である。ＷとＰの初期
値は各々1.0 ，0.0 とする。
【００３９】個々ルールの演算後、（ステップ２５）
（ステップ２６）では、１つの結論の適合度、ここでは
突発事象の可能性有無に対する適合度を導く。例えば
「突発事象の可能性あり」は同じ結論をｔｈｅｎ部に持
つルール推論結果の以下統合による。
（ステップ２６）では、１つの結論の適合度、ここでは
突発事象の可能性有無に対する適合度を導く。例えば
「突発事象の可能性あり」は同じ結論をｔｈｅｎ部に持
つルール推論結果の以下統合による。
【００４０】
【数５】
【００４１】Ｙj はＹを結論に持つルールｊの推論結果
である適合度を示す。（ステップ２７）では、上記（数
式５）の演算で得られた「突発事象の可能性あり」と
「突発事象の可能性なし」の適合度を比較し、適合度の
大きい結論を判定結果として採用して判断する。この判
定結果が「可能性あり」の場合には、（ステップ２８）
（ステップ２９）で入出力装置８に警報を出力し、推論
結果は入出力装置８と実行管理部５に出力する。
である適合度を示す。（ステップ２７）では、上記（数
式５）の演算で得られた「突発事象の可能性あり」と
「突発事象の可能性なし」の適合度を比較し、適合度の
大きい結論を判定結果として採用して判断する。この判
定結果が「可能性あり」の場合には、（ステップ２８）
（ステップ２９）で入出力装置８に警報を出力し、推論
結果は入出力装置８と実行管理部５に出力する。
【００４２】本実施例の突発事象検出装置の稼働後、実
行管理部５は定期的にまたは一定数のデータを収集した
任意時点で調整手段１０を起動する。この調整手段１０
の動作について説明する。
行管理部５は定期的にまたは一定数のデータを収集した
任意時点で調整手段１０を起動する。この調整手段１０
の動作について説明する。
【００４３】実行管理部５に収集したデータの調整は、
基準値の修正または再設定、判定ルール群の評価または
再選択、ルール調整と順次行う。図４は本実施例の調整
手段１０における基準値修正の処理動作流れ図である。
基準値の修正または再設定、判定ルール群の評価または
再選択、ルール調整と順次行う。図４は本実施例の調整
手段１０における基準値修正の処理動作流れ図である。
【００４４】まず、基準値の修正の流れについて図４を
用いて説明する。基準値の修正は実データの統計的処理
によるが、本実施例における定性的な基準値は以下の方
法により修正する。本実施例では、各条件はファジィ集
合で構成されていることから本集合の修正となる。（ス
テップ４１）では、調整用の過去の一定期間の実突発事
象の発生有無のデータとその時の個々の判定条件に用い
る値を読み込み、ステップ４２）では、これらが形成す
る多次元空間をファジィ集合数に対応する複数の領域に
分割しデータ群を形成する。
用いて説明する。基準値の修正は実データの統計的処理
によるが、本実施例における定性的な基準値は以下の方
法により修正する。本実施例では、各条件はファジィ集
合で構成されていることから本集合の修正となる。（ス
テップ４１）では、調整用の過去の一定期間の実突発事
象の発生有無のデータとその時の個々の判定条件に用い
る値を読み込み、ステップ４２）では、これらが形成す
る多次元空間をファジィ集合数に対応する複数の領域に
分割しデータ群を形成する。
【００４５】ここでは、群形成の手法として学習ベクト
ル量子化手法（ＬＶＱ： LearningVector Quantization
）を用いる。データの分布情報に応じて分割できれば
他の手法でも良い。（ステップ４３）では、複数領域に
分割後、形成したデータ群の中で個々のデータの平均ポ
テンシャルを計算する。２つのデータ間のポテンシャル
Ｕはデータ間の距離ｒの関数による。データは［０，
１］に規格化する。
ル量子化手法（ＬＶＱ： LearningVector Quantization
）を用いる。データの分布情報に応じて分割できれば
他の手法でも良い。（ステップ４３）では、複数領域に
分割後、形成したデータ群の中で個々のデータの平均ポ
テンシャルを計算する。２つのデータ間のポテンシャル
Ｕはデータ間の距離ｒの関数による。データは［０，
１］に規格化する。
【００４６】
【数６】
【００４７】１つのデータｉの平均ポテンシャルは所属
するデータ群におけるデータｊとのポテンシャルＵi,j
の平均値とする。
するデータ群におけるデータｊとのポテンシャルＵi,j
の平均値とする。
【００４８】
【数７】
【００４９】（ステップ４４）では、（数式６）（数式
７）の計算後、各領域のデータ群の個々データの平均ポ
テンシャル分布形状を各次元に投影し、任意に「大き
い」「小さい」といったファジィ集合としてラベル付け
し、メンバシップ関数に置換する。本実施例では、各次
元の両端の分布を除き、各領域の平均ポテンシャル値が
最大のデータを頂点とし、隣接する平均ポテンシャル値
が最大のデータを端点とする三角型メンバシップ関数に
置換する。各次元の両端では最も端のデータを頂点とす
るが、以降のデータの分布は不明のため各端点側に開い
た台形状となる。これにより、（ステップ４５）では、
各判定条件の新たなファジィ集合とメンバシップ関数を
再設定し、判定ルール群７に書き込む。但し、本実施例
では、上記設定した関数が定性的に妥当ではない場合を
考慮し、入出力装置８からのオペレータ９による変更ま
たは設定が可能とする。
７）の計算後、各領域のデータ群の個々データの平均ポ
テンシャル分布形状を各次元に投影し、任意に「大き
い」「小さい」といったファジィ集合としてラベル付け
し、メンバシップ関数に置換する。本実施例では、各次
元の両端の分布を除き、各領域の平均ポテンシャル値が
最大のデータを頂点とし、隣接する平均ポテンシャル値
が最大のデータを端点とする三角型メンバシップ関数に
置換する。各次元の両端では最も端のデータを頂点とす
るが、以降のデータの分布は不明のため各端点側に開い
た台形状となる。これにより、（ステップ４５）では、
各判定条件の新たなファジィ集合とメンバシップ関数を
再設定し、判定ルール群７に書き込む。但し、本実施例
では、上記設定した関数が定性的に妥当ではない場合を
考慮し、入出力装置８からのオペレータ９による変更ま
たは設定が可能とする。
【００５０】以上の概念を図５に示す。図５は調整手段
１０における基準値修正時の処理概念を示す特性図であ
り、ΔＶt と実突発事象の発生有無（有が1.0 ，無が0.
0 ）による２次元空間を対象にした２つのファジィ集合
とそのメンバシップ関数（５１〜５２）への置換例であ
る（他のデータの次元空間とデータ群によるポテンシャ
ル分布形状は記述していない）。定量的な基準値を扱う
場合はメンバシップ関数を［０，１］ではなく、｛０，
１｝の値を取るように定義すればよい。この場合、例え
ばメンバシップ関数の頂点の座標間の中点を閾値とすれ
ば領域を形成できる。
１０における基準値修正時の処理概念を示す特性図であ
り、ΔＶt と実突発事象の発生有無（有が1.0 ，無が0.
0 ）による２次元空間を対象にした２つのファジィ集合
とそのメンバシップ関数（５１〜５２）への置換例であ
る（他のデータの次元空間とデータ群によるポテンシャ
ル分布形状は記述していない）。定量的な基準値を扱う
場合はメンバシップ関数を［０，１］ではなく、｛０，
１｝の値を取るように定義すればよい。この場合、例え
ばメンバシップ関数の頂点の座標間の中点を閾値とすれ
ば領域を形成できる。
【００５１】次に、調整手段１０は判定ルール群７の評
価，選択を行う。図６は本実施例の調整手段１０におけ
る判定ルール群の評価、選択の処理動作の流れ図であ
る。図６を用いて説明する。（ステップ６１）では、過
去の一定期間における個々の判定条件に用いる値と実際
の突発事象データを読み込み、（ステップ６２）では、
これらを調整用データとして判断手段６での判定処理を
行ない全判定結果を得る。（ステップ６３）では、この
結果から（数式８）により評価値Ｅを導く。ここでは、
全判定結果の認識率をＲ（％）、誤認識率をＭ（％）の
線形加重和をＥとする。
価，選択を行う。図６は本実施例の調整手段１０におけ
る判定ルール群の評価、選択の処理動作の流れ図であ
る。図６を用いて説明する。（ステップ６１）では、過
去の一定期間における個々の判定条件に用いる値と実際
の突発事象データを読み込み、（ステップ６２）では、
これらを調整用データとして判断手段６での判定処理を
行ない全判定結果を得る。（ステップ６３）では、この
結果から（数式８）により評価値Ｅを導く。ここでは、
全判定結果の認識率をＲ（％）、誤認識率をＭ（％）の
線形加重和をＥとする。
【００５２】
【数８】
【００５３】認識率Ｒは突発事象と判断した結果と実際
の突発事象との一致した場合数を実際の突発事象数で除
した百分率であり、全て一致したとき１００％である。
誤認識率Ｍは突発事象と判断した結果の中で突発事象で
はなかった場合の数を実際の突発事象数で除した百分率
である。この評価を全ルール群について行う（ステップ
６４）。（ステップ６５）では、各々の条件で最も認識
率が大きくかつ誤認識率の小さくなるルール群、つま
り、Ｅが０により近いルール群を選択する。例えば、本
実施例の判断手段６で用いたものと同一の８ルールによ
るルール群が選択される。
の突発事象との一致した場合数を実際の突発事象数で除
した百分率であり、全て一致したとき１００％である。
誤認識率Ｍは突発事象と判断した結果の中で突発事象で
はなかった場合の数を実際の突発事象数で除した百分率
である。この評価を全ルール群について行う（ステップ
６４）。（ステップ６５）では、各々の条件で最も認識
率が大きくかつ誤認識率の小さくなるルール群、つま
り、Ｅが０により近いルール群を選択する。例えば、本
実施例の判断手段６で用いたものと同一の８ルールによ
るルール群が選択される。
【００５４】ルール群の選択後、ルール群中のルールを
調整する。図７は本実施例の調整手段１０における判定
ルール群７の調整処理の流れ図である。図７において、
判定ルール群７の調整は、個々ルールの適合度Ｗと内部
保持値Ｐによって行われる。まず（ステップ７１）で
は、この調整に用いる過去の一定期間における個々の判
定条件に用いる値と実際の突発事象データを読み込む。
（ステップ７２）では、これらを調整用データとして、
各データの組について判断手段６での判定処理を行な
い、推論結果を得る。（ステップ７３）では、その結果
と正しい突発事象有無の判定結果との出力誤差を用い
て、ルール適合度を調整する。この調整はヘッブ則また
は誤差逆伝播学習法と同様の方法による。本実施例で
は、発生有無の両推論結果に関与した推論経路上のルー
ルを対象に（数式９）（数式１０）調整を行う。
調整する。図７は本実施例の調整手段１０における判定
ルール群７の調整処理の流れ図である。図７において、
判定ルール群７の調整は、個々ルールの適合度Ｗと内部
保持値Ｐによって行われる。まず（ステップ７１）で
は、この調整に用いる過去の一定期間における個々の判
定条件に用いる値と実際の突発事象データを読み込む。
（ステップ７２）では、これらを調整用データとして、
各データの組について判断手段６での判定処理を行な
い、推論結果を得る。（ステップ７３）では、その結果
と正しい突発事象有無の判定結果との出力誤差を用い
て、ルール適合度を調整する。この調整はヘッブ則また
は誤差逆伝播学習法と同様の方法による。本実施例で
は、発生有無の両推論結果に関与した推論経路上のルー
ルを対象に（数式９）（数式１０）調整を行う。
【００５５】
【数９】
【００５６】
【数１０】
【００５７】ここで、Ｗ′は新たなルール適合度、ｃは
修正定数、ｅは推論結果としての値を出力したルールに
おける誤差である。実際の突発事象が起こっている場
合、「可能性あり」の正解は1.0 、「可能性なし」の正
解は0.0 、起こっていない場合の前者は0.0 、後者は1.
0 である。この正解と判定処理時の推論結果の適合度を
用いて誤差を算出し、ルールを調整する。１ルールが複
数の推論経路上にあった場合には、誤差の平均をとる
（本実施例では「可能性あり」「可能性なし」の同経路
上にある場合があり、このとき誤差の平均を取る）。以
上の調整を、全データの組に関して誤差が一定基準内に
収束するまたは一定回数まで行う（ステップ７４）。
修正定数、ｅは推論結果としての値を出力したルールに
おける誤差である。実際の突発事象が起こっている場
合、「可能性あり」の正解は1.0 、「可能性なし」の正
解は0.0 、起こっていない場合の前者は0.0 、後者は1.
0 である。この正解と判定処理時の推論結果の適合度を
用いて誤差を算出し、ルールを調整する。１ルールが複
数の推論経路上にあった場合には、誤差の平均をとる
（本実施例では「可能性あり」「可能性なし」の同経路
上にある場合があり、このとき誤差の平均を取る）。以
上の調整を、全データの組に関して誤差が一定基準内に
収束するまたは一定回数まで行う（ステップ７４）。
【００５８】内部保持値は常に１の適合度をもつ事象属
性を仮定してＩを１とし、上式のｆのＩについての偏微
分をＰについてとすれば、同様の方法で調整できる（ス
テップ７５〜７７）。
性を仮定してＩを１とし、上式のｆのＩについての偏微
分をＰについてとすれば、同様の方法で調整できる（ス
テップ７５〜７７）。
【００５９】また、本実施例では、ファジィ集合である
基準値も１条件１結論のルールと記述し構成すれば、同
様の方法で調整できる。以上の過程を任意回数繰り返す
（ステップ７８）。調整時、認識率Ｒと誤認識率Ｍによ
る評価値Ｅの変動を監視し、Ｅの値が最も小さい場合の
ＷとＰを採用、ルール群に書き込む（ステップ７９）。
基準値も１条件１結論のルールと記述し構成すれば、同
様の方法で調整できる。以上の過程を任意回数繰り返す
（ステップ７８）。調整時、認識率Ｒと誤認識率Ｍによ
る評価値Ｅの変動を監視し、Ｅの値が最も小さい場合の
ＷとＰを採用、ルール群に書き込む（ステップ７９）。
【００６０】なお、上記の例では、調整手段１０で評価
値Ｅが最小のルール群７を選択してから当該ルール群中
のルールを調整したが、全ルール群のルールについて同
様に調整し、その後に評価値Ｅが最小のルール群を選択
する処理順序でもよい。
値Ｅが最小のルール群７を選択してから当該ルール群中
のルールを調整したが、全ルール群のルールについて同
様に調整し、その後に評価値Ｅが最小のルール群を選択
する処理順序でもよい。
【００６１】本実施例において、過去の実データによる
調整手段１０の実行はオンライン、マルチプロセスで行
ない、定期的または実突発事象データの蓄積に応じて実
行管理部５が自動的に、あるいは入出力装置８からのオ
ペレータ９の任意指令により実行する。
調整手段１０の実行はオンライン、マルチプロセスで行
ない、定期的または実突発事象データの蓄積に応じて実
行管理部５が自動的に、あるいは入出力装置８からのオ
ペレータ９の任意指令により実行する。
【００６２】これ以外に、図１を模擬する構成を別に構
築し、実データを用いてオフラインで調整し、判定ルー
ル群７を任意のタイミングで入れ換えることも可能であ
る。
築し、実データを用いてオフラインで調整し、判定ルー
ル群７を任意のタイミングで入れ換えることも可能であ
る。
【００６３】
【発明の効果】以上のように本発明によると、検出対象
道路の状態をセンサで観察して交通流データを収集し、
これらに基づいて前記検出対象道路上で突発的に発生し
た事象を検知するに際し、交通流データに基づくデータ
と各データに対する定量的またはあいまい性をもつ定性
的な基準値とを比較する記述の論理積と突発事象発生の
有無の結論、または前記記述の論理和と突発事象の発生
の有無の結論、あるいはこの論理積と論理和の複合によ
る組み合わせと突発事象の発生の推論の結論からなるル
ールを記述し、前記ルールの集合によって構成した複数
の判定ルール群を用意し、この判定ルール群の内の、任
意のルール群の条件に前記各データを用い、前記突発事
象の推定評価値に基づいて選択した前記任意のルール群
による推論処理によって突発事象の発生有無を統合判断
するため、検出対象における突発事象の発生または未発
生時における事象のデータに対する影響や推移、条件の
有効性、判定過程を合理化できる。
道路の状態をセンサで観察して交通流データを収集し、
これらに基づいて前記検出対象道路上で突発的に発生し
た事象を検知するに際し、交通流データに基づくデータ
と各データに対する定量的またはあいまい性をもつ定性
的な基準値とを比較する記述の論理積と突発事象発生の
有無の結論、または前記記述の論理和と突発事象の発生
の有無の結論、あるいはこの論理積と論理和の複合によ
る組み合わせと突発事象の発生の推論の結論からなるル
ールを記述し、前記ルールの集合によって構成した複数
の判定ルール群を用意し、この判定ルール群の内の、任
意のルール群の条件に前記各データを用い、前記突発事
象の推定評価値に基づいて選択した前記任意のルール群
による推論処理によって突発事象の発生有無を統合判断
するため、検出対象における突発事象の発生または未発
生時における事象のデータに対する影響や推移、条件の
有効性、判定過程を合理化できる。
【００６４】また、複数のルール群候補を適用でき、デ
ータの存在しない机上における事前検討で１つに絞り込
む必要がなく、初期構築時や事後修正、改造の対応を軽
減できる。
ータの存在しない机上における事前検討で１つに絞り込
む必要がなく、初期構築時や事後修正、改造の対応を軽
減できる。
【００６５】条件やルールは一種の判定に要するデータ
または個々の知識の集合体として構成することから、ル
ールやルール群の追加も容易である。類似の交通状況を
もつ対象のルール群があるような場合、これらを再利用
し組み込むことが可能となり、蓄積した資産として有効
に活用できる。
または個々の知識の集合体として構成することから、ル
ールやルール群の追加も容易である。類似の交通状況を
もつ対象のルール群があるような場合、これらを再利用
し組み込むことが可能となり、蓄積した資産として有効
に活用できる。
【図１】本実施例の全体構成図である。
【図２】判断手段における判定処理のフロー図である。
【図３】ある定性的な基準値を表すファジィ集合とメン
バシップ関数の説明図である。
バシップ関数の説明図である。
【図４】調整手段における基準値修正の処理動作フロー
図である。
図である。
【図５】調整手段における基準値修正時の処理概念図で
ある。
ある。
【図６】調整手段での判定ルール群の評価、選択の処理
フロー図である。
フロー図である。
【図７】調整手段での判定ルール調整の処理フロー図で
ある。
ある。
１ 制御部 ２ 道路 ３ 走行車両 ４ 画像処理装置 ５ 実行管理部 ６ 判断手段 ７ 判定ルール群 ８ 入出力装置 ９ オペレータ １０ 調整手段
───────────────────────────────────────────────────── 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 9/44
Claims (3)
- 【請求項１】 検出対象道路の状態をセンサで観察して
交通流データを収集し、これらに基づいて前記検出対象
道路上で突発的に発生した事象を検知するに際し、交通
流データに基づくデータと各データに対する定量的また
はあいまい性をもつ定性的な基準値とを比較する記述の
論理積と突発事象発生の有無の結論、または前記記述の
論理和と突発事象の発生の有無の結論、あるいはこの論
理積と論理和の複合による組み合わせと突発事象の発生
の推論の結論からなるルールを記述し、前記ルールの集
合によって構成した複数の判定ルール群を用意し、この
判定ルール群の内の、任意のルール群の条件に前記各デ
ータを用い、前記突発事象の推定評価値に基づいて選択
した前記任意のルール群による推論処理によって突発事
象の発生有無を統合判断する突発事象検出方法。 - 【請求項２】 検出対象道路に設置した車両感知器また
は画像処理装置によって車両の速度，交通量，占有率の
交通流データを計測し、これらに基づいて故障や事故に
よる車両停止といった突発的に発生した事象を検知する
突発事象検出装置であって、突発事象の判定に適用する
個々の条件を速度や交通量，占有率の絶対値によるデー
タまたは速度や交通量，占有率の空間的，時系列的変化
のデータである地点間，時点間，車線間の差あるいは経
過時間の任意のデータと予め設定した各データに対する
定量的またはあいまい性をもつ定性的な基準値との比較
によって構成し、統合的な判定条件を個々条件の論理積
または論理和、あるいは左記の複合による組み合わせと
組み合わせの成否結果として突発事象発生の有無を推論
することを記述したｉｆ条件ｔｈｅｎ結論形式のルール
によって構成し、前記ルールの集合によって構成した複
数の異なる判定ルール群の内の任意の一つのルール群に
前記突発事象の判定に適用する個々の条件を速度や交通
量、占有率の絶対値によるデータまたは速度や交通量，
占有率の空間的，時系列的変化のデータである地点間，
時点間，車線間の差あるいは経過時間の任意のデータと
予め設定した各データを当てはめ、推論処理によって突
発事象の発生有無を統合判断する制御部を設けた突発事
象検出装置。 - 【請求項３】 検出対象道路に設置した車両感知器また
は画像処理装置によって車両の速度，交通量，占有率の
交通流データを計測し、これらに基づいて故 障や事故に
よる車両停止といった突発的に発生した事象を検知する
突発事象検出装置であって、突発事象の判定に適用する
個々の条件を速度や交通量，占有率の絶対値によるデー
タまたは速度や交通量，占有率の空間的，時系列的変化
のデータである地点間，時点間，車線間の差あるいは経
過時間の任意のデータと予め設定した各データに対する
定量的またはあいまい性をもつ定性的な基準値との比較
によって構成し、統合的な判定条件を個々条件の論理積
または論理和、あるいは左記の複合による組み合わせと
組み合わせの成否結果として突発事象発生の有無を推論
することを記述したｉｆ条件ｔｈｅｎ結論形式の断片的
ルールによって構成し、前記ルールの集合によって構成
した複数の異なる判定ルール群の内の任意の一つのルー
ル群中のルールの条件と前記データとのマッチングを行
ない突発事象の発生有無を判断する制御部を設け、かつ
前記制御部を、実際の交通流データと判定結果および突
発事象有無の実データを用いて、適用する判定ルール群
を選択し、各データに対する定量的またはあいまい性を
もつ定性的な基準値もしくは選択された判定ルール群中
の判定ルールを調整し、突発事象を判断する手段を実対
象に適合させるように構成した突発事象検出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15774394A JP3192877B2 (ja) | 1994-07-11 | 1994-07-11 | 突発事象検出方法と突発事象検出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15774394A JP3192877B2 (ja) | 1994-07-11 | 1994-07-11 | 突発事象検出方法と突発事象検出装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0822592A JPH0822592A (ja) | 1996-01-23 |
| JP3192877B2 true JP3192877B2 (ja) | 2001-07-30 |
Family
ID=15656386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP15774394A Expired - Fee Related JP3192877B2 (ja) | 1994-07-11 | 1994-07-11 | 突発事象検出方法と突発事象検出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3192877B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3446077B2 (ja) * | 1999-02-19 | 2003-09-16 | 株式会社日立製作所 | 車両感知器情報処理方法及び装置 |
| JP3753014B2 (ja) * | 2001-05-11 | 2006-03-08 | 住友電気工業株式会社 | 交通流の異常検知装置及び方法 |
| JP2007058751A (ja) * | 2005-08-26 | 2007-03-08 | Fujitsu Ten Ltd | 物体判別装置、物体判別方法および物体判別プログラム |
-
1994
- 1994-07-11 JP JP15774394A patent/JP3192877B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0822592A (ja) | 1996-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Physics informed deep learning for traffic state estimation | |
| Zhu et al. | Safety analysis of freeway on-ramp merging with the presence of autonomous vehicles | |
| Zhang et al. | An improved k-nearest neighbor model for short-term traffic flow prediction | |
| Dia et al. | Development and evaluation of neural network freeway incident detection models using field data | |
| CN108492555A (zh) | 一种城市路网交通状态评价方法及装置 | |
| CN109782730A (zh) | 用于自主系统性能和评级的方法和装置 | |
| US20090177602A1 (en) | Systems and methods for detecting unsafe conditions | |
| CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
| JP2001084479A (ja) | 交通流データ予測装置及び交通流データ予測方法 | |
| Wah et al. | Removal of masking effect for damage detection of structures | |
| CN112650825A (zh) | 异常接驾行为的确定方法、装置、存储介质及电子设备 | |
| CN111126713A (zh) | 基于卡口数据的时空热点预测方法、装置及控制器 | |
| Thomas | Multi-state and multi-sensor incident detection systems for arterial streets | |
| JP3192877B2 (ja) | 突発事象検出方法と突発事象検出装置 | |
| CN114707719A (zh) | 一种针对危险区域的人员行为预测方法 | |
| Ziesche et al. | Anomaly detection and classification to enable self-explainability of autonomous systems | |
| US20220292521A1 (en) | Computer-Assisted Method for Generating Training Data for a Neural Network for Predicting a Concentration of Pollutants | |
| Azevedo et al. | Using extreme value theory for the prediction of head-on collisions during passing maneuvres | |
| Wang et al. | Intelligent condition monitoring of railway catenary systems: A bayesian network approach | |
| JP3904629B2 (ja) | 旅行時間予測装置及び旅行時間予測方法 | |
| JP2002099319A (ja) | プラント診断装置 | |
| Courage et al. | Operating parameters for main-line sensors in freeway surveillance systems | |
| Torkashvand et al. | An extended dynamic probabilistic risk approach based on a surrogate safety measure for rear-end collisions on two-lane roads | |
| Hammit et al. | Radar-vision algorithms to process the trajectory-level driving data in the SHRP2 Naturalistic Driving Study | |
| Timotheou et al. | Moving horizon fault-tolerant traffic state estimation for the cell transmission model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |