JP3753423B2

JP3753423B2 - Traveling time prediction apparatus and method

Info

Publication number: JP3753423B2
Application number: JP2002071686A
Authority: JP
Inventors: 義和大場; 秀樹上野; 雅夫桑原
Original assignee: Toshiba Corp; Foundation for the Promotion of Industrial Science
Current assignee: Toshiba Corp; Foundation for the Promotion of Industrial Science
Priority date: 2002-03-15
Filing date: 2002-03-15
Publication date: 2006-03-08
Anticipated expiration: 2022-03-15
Also published as: JP2003272084A

Description

【０００１】
【発明の属する技術分野】
本発明は道路交通システムに関し、特に、対象道路の複数地点間の走行所要時間の予測値を作成する装置と方法に関するものである。
【０００２】
【従来の技術】
従来、道路上のある地点から他のある地点までを走行する時間である走行所要時間に関する情報は、道路に設置されている車両感知器を利用して測定した走行車両速度を用いて、単位区間の走行所要時間を算出し、この算出した各単位区間の走行所要時間を合計して対象路線の走行所要時間が求められる。
【０００３】
この他に、対象区間の両端において走行車両のナンバを画像認識することによりこの対象区間を実際に走行した各車両の実際の走行所要時間を測定するＡＶＩシステムが実用化されている。
【０００４】
しかしながら上記の方法はセンサが設置されていない路線では、走行所要時間情報が得られない。また、センサによっては、路線上に密に設置されていないと利用価値がある走行所要時間情報が得られない場合があった。
【０００５】
一方、高速道路においては、料金所から得られる情報を基に走行所要時間情報を演算する方法が研究されている。しかしながら、この方法に関しては、現時点では、“現在どれくらいの走行所要時間がかかっているか"という実績値を演算し、これをもとに走行所要時間情報を作成している。したがって、走行所要時間情報提供時点以降の将来の道路状況の変化を考慮しておらず、本来、走行所要時間情報として理想的である“今後、目的地点まで走行するために必要な走行所要時間"と比較すると精度が落ちる場合があった。
【０００６】
更に、料金収受システムが設置されている有料道路などで、料金所の通過時刻がわかる場合は、この通過時刻より実績走行所要時間を演算し、これをもとに走行所要時間パターンを作成し、類似パターン検索により走行所要時間を予測する方法等が提案されている。この方法を用いることで、過去のパターンより、将来どのようなパターン変化をするかを考慮し、予測を行うことができる。しかしながら、予測精度が過去の蓄積データに依存してしまうという課題があった。
【０００７】
交通量測定センサ等により、当日の交通状況を反映した各地点の累積交通量データのグラフを作成し、そのグラフの現在時点の傾きをそのまま直線で延長して予測した累積交通量データを用いて、各地点間の累積交通量と走行所要時間との関係から、走行所要時間を予測する。このように、二段階で予測する方法では、先に予測した累積交通量データの予測精度により、走行時間の予測結果が左右される。
【０００８】
【発明が解決しようとする課題】
したがって、本発明は、これらの課題を解決するために、当日の対象道路の複数地点における、現時点までの時系列的な累積交通量データから、予測当日の交通状況の変化も考慮して、精度が向上した将来の累積交通量の予測を行い、しいては、走行所要時間の予測精度の向上を図った、走行所要時間予測装置を提供することを目的とするものである。
【０００９】
【課題を解決するための手段】
本発明の走行所要時間予測装置は、車両が走行する対象道路上の複数の地点において、その各地点を時間経過と共に通過する車両数の累積である累積交通量データをそれぞれ測定する手段と、これらの累積交通量データを測定する手段により得られた前記各地点の現時点までの累積交通量データから、前記各地点それぞれにおける将来の時点における累積交通量データを予測する手段と、この累積交通量データを予測する手段により得られた前記複数地点のいずれか２地点における将来の累積交通量データにおいて、累積数が一致する２つの時点の時間差を、将来の前記２地点間の走行に要する時間として予測する手段とを具備し、前記将来の累積交通量データを予測する手段は、前記複数地点のうち累積交通量を予測しようとする対象の地点における現時点までの累積交通量データに基づいてパラメータを決定した自己回帰モデルを使用して、当該地点の将来の時点における累積交通量データを予測することを特徴とするものである。
【００１０】
さらに、上記本発明の走行所要時間予測装置においては、前記将来の累積交通量を予測する手段が、前記複数地点のうち累積交通量を予測しようとする対象の地点を含む少なくも２地点における現時点までの累積交通量データに基づいてパラメータを決定した自己回帰モデルを使用して、当該地点の将来の時点における累積交通量データを予測する手段であることを特徴とするものである。
【００１１】
さらに、上記本発明の走行所要時間予測装置においては、前記将来の累積交通量データを予測する手段が、前記複数地点のうち累積交通量を予測しようとする対象の地点を含む少なくも２地点における現時点までの累積交通量データと、さらに当該地点と前記累積交通量データを対象とした他の地点との間の走行所要時間データとに基づいてパラメータを決定した自己回帰モデルを使用して、当該地点の将来の時点における累積交通量データを予測する手段であることを特徴とするものである。
【００１２】
また、本発明の走行所要時間予測装置は、車両が走行する対象道路上の複数の地点において、その各地点を時間経過と共に通過する車両数の累積である累積交通量データをそれぞれ測定する手段と、これらの累積交通量データを測定する手段により得られた前記各地点の現時点までの累積交通量データから、前記各地点それぞれにおける将来の時点における累積交通量データを予測する手段と、この累積交通量データを予測する手段により得られた前記複数地点のいずれか２地点における将来の累積交通量データにおいて、累積数が一致する２つの時点の時間差を、将来の前記２地点間の走行に要する時間として予測する手段とを具備し、前記将来の累積交通量データを予測する手段は、前記複数地点のうち累積交通量を予測しようとする地点における現時点までの累積交通量データに基づいてパラメータを決定した多項式近似モデルを使用して、当該地点の将来の時点における累積交通量データを予測することを特徴とするものである。
【００１３】
また、本発明の走行所要時間予測装置は、車両が走行する対象道路上の複数の地点において、その各地点を時間経過と共に通過する車両数の累積である累積交通量データをそれぞれ測定する手段と、これらの累積交通量データを測定する手段により得られた前記各地点の現時点までの累積交通量データから、前記各地点それぞれにおける将来の時点における累積交通量データを予測する手段と、この累積交通量データを予測する手段により得られた前記複数地点のいずれか２地点における将来の累積交通量データにおいて、累積数が一致する２つの時点の時間差を、将来の前記２地点間の走行に要する時間として予測する手段とを具備し、前記将来の累積交通量データを予測する手段は、前記複数地点のうち累積交通量を予測しようとする地点における現時点までの累積交通量データに、所定の時間経過毎に重み係数を学習するニューラルネットワークを使用して、最新の重み係数を基に当該地点の将来の時点における累積交通量データを予測することを特徴とするものである。
【００１４】
さらに、上記本発明の走行所要時間予測装置においては、前記各地点における累積交通量データをそれぞれ測定する手段が、有料道路の料金収受システムのデータを使用して、各出入口料金所を通過する車両の出入り及び対象通行方向を判別し、その出入口料金所の地点それぞれにおける通過交通量を算出、積算して累積交通量データとすることを特徴とするものである。
【００１５】
本発明の走行所要時間予測方法は、車両が走行する対象道路上の複数の地点において、その各地点を時間経過と共に通過する車両数の累積である累積交通量データをそれぞれ測定するステップと、これらの累積交通量データを測定するステップにより得られた前記各地点の現時点までの累積交通量データから、前記各地点それぞれにおける将来の時点における累積交通量データを予測するステップと、この累積交通量データを予測するステップにより得られた前記複数地点のいずれか２地点における将来の累積交通量データにおいて、累積数が一致する２つの時点の時間差を、将来の前記２地点間の走行に要する時間として予測するステップとを具備し、前記将来の累積交通量データを予測するステップは、前記複数地点のうち累積交通量を予測しようとする地点における現時点までの累積交通量データ及び走行所要時間データに基づいてパラメータを決定した自己回帰モデルを使用して、当該地点の将来の時点における累積交通量データを予測することを特徴とする方法である。
【００１６】
また、本発明の走行所要時間予測方法は、車両が走行する対象道路上の複数の地点において、その各地点を時間経過と共に通過する車両数の累積である累積交通量データをそれぞれ測定するステップと、これらの累積交通量データを測定するステップにより得られた前記各地点の現時点までの累積交通量データから、前記各地点それぞれにおける将来の時点における累積交通量データを予測するステップと、この累積交通量データを予測するステップにより得られた前記複数地点のいずれか２地点における将来の累積交通量データにおいて、累積数が一致する２つの時点の時間差を、将来の前記２地点間の走行に要する時間として予測するステップとを具備し、前記将来の累積交通量データを予測するステップは、前記複数地点のうち累積交通量を予測しようとする地点における現時点までの累積交通量データに基づいてパラメータを決定した多項式近似モデルを使用して、当該地点の将来の時点における累積交通量データを予測することを特徴とする方法である。
【００１７】
また、本発明の走行所要時間予測方法は、車両が走行する対象道路上の複数の地点において、その各地点を時間経過と共に通過する車両数の累積である累積交通量データをそれぞれ測定するステップと、これらの累積交通量データを測定するステップにより得られた前記各地点の現時点までの累積交通量データから、前記各地点それぞれにおける将来の時点における累積交通量データを予測するステップと、この累積交通量データを予測するステップにより得られた前記複数地点のいずれか２地点における将来の累積交通量データにおいて、累積数が一致する２つの時点の時間差を、将来の前記２地点間の走行に要する時間として予測するステップとを具備し、前記将来の累積交通量データを予測するステップは、前記複数地点のうち累積交通量を予測しようとする地点における現時点までの累積交通量データに、所定の時間経過毎に重み係数を学習するニューラルネットワークを使用して、最新の重み係数を基に当該地点の将来の時点における累積交通量データを予測することを特徴とする方法である。
【００１８】
さらに、上記本発明の走行所要時間予測方法においては、前記各地点における累積交通量データをそれぞれ測定するステップが、有料道路の料金収受システムのデータを使用して、各出入口料金所を通過する車両の出入り及び対象通行方向を判別し、その出入口料金所の地点それぞれにおける通過交通量を算出、積算して累積交通量データとすることを特徴とする方法である。
【００１９】
【発明の実施の形態】
以下に本発明の実施の形態について、図面を参照して詳細に説明する。
【００２０】
図１は、本発明の走行所要時間予測装置の全体構成を示すブロック図であり、図２は累積交通量の推移と走行所要時間予測の概念を示す図である。
【００２１】
本発明の走行所要時間予測装置は、図１（ｂ）に示す対象道路１５上の複数の地点、例えば地点Ａ、Ｂ、Ｃにそれぞれ設置した交通量測定センサ１６ａ〜１６ｃから交通量データを得る累積交通量測定手段１１と、この累積交通量に基いて前記複数の地点又は料金所のそれぞれにおける現時点以降の将来の累積交通量を予測する累積交通量予測手段１２と、この予測した累積交通量データから前記複数の地点又は料金所間の将来の走行所要時間を予測する走行所要時間予測手段１３とにより構成されている。
【００２２】
累積交通量測定手段１１は、各地点Ａ、Ｂ、Ｃを所定の単位時間内に通過する車両の台数を計測する車両感知器等であり、そのデータは所定時間にわたって累積され、保持して次の累積交通量予測手段１２へ出力する。
【００２３】
また、料金収受システムが設置されている有料道路に於いては、料金所を通過する車両の料金収受システムデータを利用できる場合、このデータから、センサによる計測に替えて各料金所の交通量、走行所要時間等のデータを得ることが可能で、累積交通量測定手段１１はこれ等のデータを取得して、次の累積交通量予測手段１２へ出力する。
【００２４】
次に累積交通量予測手段１２は、先ず、累積交通量測定手段が現在時刻ｔまでに収集した累積交通量データから、図２に示す横軸に経過時刻を、縦軸に累積交通量を採ったグラフで、例えば同図の“現在時刻ｔ"の左側部分のデータ２１ａ、２２ａのように、当日の各地点における現時点までの累積交通量の推移性状を解析する。すなわち、各地点の現時点までの累積交通量を時系列モデルと見なし、そのモデルのパラメータを決定する。次に、決定したパラメータを用いて、“現在時刻ｔ"の右側部分にある将来の累積交通量データ２１ｂ、２２ｂをそのモデルから予測する。
【００２５】
最後に、走行所要時間予測手段１３は、予測した将来の累積交通量データ２１ｂ、２２ｂを用いて、同図の“現在時刻ｔ"の右側に示すように、各地点の将来の累積交通量のグラフにおいて、下流地点の累積交通量データ２２ｂが上流地点の累積交通量２４と等しくなる下流地点の累積交通量２３になるのに要する時間２５、すなわち、時刻軸と平行な直線が各地点の累積交通量グラフと交わる線分の長さで表わされる時間Ｔｐを、その地点間の走行所要時間として予測する。
【００２６】
図３は、本発明の第１の実施形態を示すブロック図であり、図４は自己回帰モデルを使用した本実施形態の累積交通量予測の模式図である。
【００２７】
第１の実施形態は、図３のブロック図に示すように、対象道路の複数の地点に設置される車両感知器等の累積交通量を測定する手段１１と、この測定手段の出力を時間の経過と共に累積して交通量データとして磁気ドラムやハードディスク等に蓄積する手段１４と、この蓄積された各地点毎の交通量データを読み出して、この各地点毎の累積交通量の性状を時系列変化する自己回帰モデルとして、自己回帰モデルパラメータを決定する自己回帰モデルパラメータ決定手段３７と、この決定された自己回帰モデルから現在時刻ｔ以降の将来の累積交通量を予測する手段３２と、この予測した累積交通量から、前記複数地点間の走行所要時間を予測する手段１３とから構成される。
【００２８】
この実施形態の自己回帰モデルパラメータ決定手段３７は、時系列変化をする累積交通量Ｑａを自己回帰モデルとしてそのパラメータを決定するものである。この自己回帰モデルは、一般的に、以下に示す式１の形式で表される。
【数１】

この自己回帰モデルは、１時点将来の測定値ｙ（ｋ＋Δｋ）を、過去の複数の時点ｋ、ｋ−Δｋ、ｋ−２Δｋ...における測定値ｙ（ｋ）、ｙ（ｋ−Δｋ）、ｙ（k-２Δｋ）...の線形結合として表わすもので、自己回帰モデルのパラメータａ_ｎを自己回帰モデルパラメータ決定手段３７で決定する。なお、このパラメータａ_ｎの決定方法にはいくつかの手法があるが、例えば、最も簡単な最少二乗アルゴリズムを利用する方法や、逆行列の演算を要せずオンラインでの演算が可能な逐次最少２乗アルゴリズム等が一般的に知られており、これで決定できる（文献「信号解析とシステム同定」、中溝高好著、コロナ社刊）。
【００２９】
ここで、複数の地点で測定した累積交通量データの各地点毎にこの自己回帰モデルを設定して、着目地点毎の自己回帰パラメータａ_ｎ、ｂ_ｎ、ｃ_ｎ・・・・を先に述べたようにして決定する。
【００３０】
次に、自己回帰モデルによる累積交通量予測手段３２において、このパラメータａ_ｎ（ｂ_ｎ、ｃ_ｎ）の決定された自己回帰モデルにより、式１を用いて現在時刻ｔ以降の将来の累積交通量データを、次の式２のように、時系列ｋをΔｔ、２Δｔ、３Δｔ・・・と増加させて予測する。
【数２】

すなわち、図４に模式的に示すように、例えば、地点ａの予測時点（ｔ＋Δｔ）より以前の３時点の累積交通量Ｑａ（ｔ）、Ｑａ（ｔ−Δｔ）、Ｑａ（ｔ−２Δｔ）から、式２を用いてＱａ（ｔ＋Δｔ）を予測する。次の時点（ｔ＋２Δｔ）での予測は、先のＱａ（ｔ＋Δｔ）を含む３時点の累積交通量を用いて算出する。順次これを繰り返して将来の累積交通量を予測する。さらに、他の地点についても同様に累積交通量を予測する。
【００３１】
続いて、走行所要時間予測手段１３により、予測した将来の累積交通量データを基に、図２のように時刻と累積交通量の関係を示すことができる。ところで、この累積交通量を示す図２のグラフに於いて、走行所要時間Ｔｓ２６は、時刻（ｔ−Ｔｓ）に上流地点ａから下流地点ｂの間に存在する車両数Ｎｃ台２７の全てが下流地点ｂを通過するまでに要する時間で、この区間を通過するのに要する走行所要時間を示している。
【００３２】
この累積交通量と走行所要時間の関係を用いて、現在時刻ｔの上流地点ａの累積交通量データ点から下流地点ｂの累積交通量データ点へ時刻軸に平行な線分Ｔｐを、２つの地点間の走行所要時間２５として予測することができる。すなわち、予測した累積交通量データで上流地点の時刻ｔの累積交通量と下流地点の予測累積交通量が等しくなる時刻ｔ'を読み取り、Ｔｐ＝ｔ'−ｔをその地点間の走行所要時間の予測値とする。
【００３３】
本発明の第１の実施形態によれば、過去の日に蓄積したパターンに因らず、当日測定した累積交通量データの現在時刻ｔの数時点前までの測定に遡って、これ等のデータを利用した予測をするので、現在時点以降の累積交通量の予測精度が高く、しいては走行所要時間の予測も精度が高くなり、信頼性の高い走行所要時間の予測値が提供できる。
【００３４】
図５は本発明の走行所要時間予測装置の第２の実施形態の構成を示すブロック図である。この実施形態では、第１の実施形態における累積交通量の予測精度をさらに高めるために、自己回帰モデルを設定するデータの構成を拡大したものである。
【００３５】
第２の実施形態は、第１の実施形態と同様に、対象道路の複数の地点に設置される車両感知器等の累積交通量測定手段１１と、この測定手段の出力を時間の経過と共に累積して各地点の交通量データとして磁気ドラムやハードディスク等に蓄積する手段１４と、この蓄積された各地点毎の交通量データを読み出して、第１の実施形態とは異なり、累積交通量を予測しようとする地点、例えば、地点ａの累積交通量Ｑａと当該地点以外の地点、例えば地点ｂ、ｃの累積交通量Ｑｂ，Ｑｃとによる自己回帰モデルを設定し、この累積交通量の予測を各地点毎に設定して、当該地点以外の地点の累積交通量の性状も含めた時系列変数と見なす自己回帰モデルパラメータを決定する手段５７と、この決定された自己回帰モデルから現在時刻ｔ以降の各地点毎の将来の累積交通量を予測する手段５２と、この予測した累積交通量から前記複数地点の間を走行するのに要する時間を予測する手段１３とから構成される。
【００３６】
この実施形態で適用する予測しようとする地点以外の地点のデータも用いた自己回帰モデルは、以下に示す式３の形式で表される。
【数３】

この自己回帰モデルは、１時点将来の当該地点ａの累積交通量Ｑａ（ｔ＋Δｔ）を、現在及び過去の時点ｔ、ｔ−Δｔ、ｔ−２Δｔ.....の測定値Ｑａ（ｔ）、Ｑａ（ｔ−Δｔ）、Ｑａ（ｔ−２Δｔ）....．と当該地点以外の地点の例えば地点ｂ及びｃの測定値Ｑｂ，Ｑｃの線形結合として表わすもので、自己回帰モデルのパラメータａ_ｎ、ｂ_ｎ、ｃ_ｎを自己回帰モデルパラメータ決定手段５７で決定する。なお、このパラメータの決定方法は、前述の第１の実施形態と同様に、例えば、最少二乗アルゴリズムや、逐次最少２乗アルゴリズム等で決定できる。
【００３７】
次に、自己回帰モデルによる累積交通量予測手段５２では、このパラメータの決定された自己回帰モデルにより、第1の実施形態と同様に、式３の時刻変化分Δｔを逐次２Δｔ、３Δｔ・・・・と増加させて、現在時刻ｔ以降の等が地点毎の将来の時刻の累積交通量を順次予測する。さらに、当該地点を前記の各地点全てに設定して、各地点の累積交通量データを予測する。
【００３８】
続いて、予測した将来の累積交通量データを基に、第１の実施形態と同様に走行所要時間予測手段１３により、図２に示す累積交通量と走行所要時間の関係を用いて、現在時刻ｔの上流地点の累積交通量データ点から時刻軸に平行な線分Ｔｐとして、２つの地点間の走行所要時間の予測をする。
【００３９】
本発明の第２の実施形態によれば、上流及び下流の他の地点の累積交通量も参照する自己回帰モデルで、各地点毎の累積交通量を予測するので、当該地点以外の状況の波及を加味した予測となって、累積交通量をより高い精度で予測ができる。また、当該地点以外の地点での交通量が事前に参照され、予測の時間的ずれが補正されて、走行所要時間の予測の精度が向上する。
【００４０】
図６は本発明の第３の実施形態の構成を示すブロック図である。
【００４１】
第３の実施形態では、対象道路の複数の地点に設置される車両感知器等の累積交通量測定手段１１と、この交通量測定手段の出力を時間の経過と共に累積して交通量データとして磁気ドラムやハードディスク等に蓄積する手段１４と、車両感知器により測定した走行車両速度から算出して、走行所要時間を測定する走行所要時間測定手段６５と、この所要時間測定手段の出力を時間の経過と共に走行所要時間データとして磁気ドラムやハードディスク等に蓄積する手段６６と、この蓄積された交通量データと走行所要時間データとを読み出して、累積交通量を予測しようとする地点、例えば、地点ａの累積交通量データＱａ及び当該地点以外の例えば地点ｂ、ｃの累積交通量Ｑｂ，Ｑｃと、さらに、これ等の地点間、例えば地点間ａｂの走行所要時間Ｔｒとを用いる改良型自己回帰モデルとして、このモデルのパラメータを決定する手段６７と、この決定された改良型自己回帰モデルから現在時刻ｔ以降の将来の累積交通量を予測する手段６２と、この予測した累積交通量から前記複数地点の間を走行するのに要する時間を予測する手段１３とから構成される。なお、走行所要時間測定手段６５は、ＡＶＩシステム等により走行所要時間を得るものでもよい。
【００４２】
この第３の実施形態では、累積交通量を予測しようとする地点とそれ以外の地点の交通量データ及びこの地点間の走行所要時間データを用いた改良型自己回帰モデルを適用する。改良型自己回帰モデルは、以下に示す式４の形式で表される。
【数４】

この改良型自己回帰モデルは、１時点将来の累積交通量を予測しようとする地点ａの累積交通量Ｑａ（ｔ＋Δｔ）を、現在及び過去の複数の時点ｔ、ｔ−Δｔ、ｔ−２Δｔ.....の測定値Ｑａ（ｔ）、Ｑａ（ｔ−Δｔ）、Ｑａ（ｔ−２Δｔ）....．と当該地点以外の地点ｂ及びｃの測定値Ｑｂ，Ｑｃと、これ等の地点間の走行所要時間Ｔｒ（ｔ）、Ｔｒ（ｔ−Δｔ）、Ｔｒ（ｔ−２Δｔ）....．との線形結合として表わすもので、改良型自己回帰モデルのパラメータａ_ｎ、ｂ_ｎ、ｃ_ｎ、.....ｒ_ｎを改良型自己回帰モデルパラメータ決定手段６７で決定する。なお、このパラメータの決定方法も、前述の第１及び第２の実施形態と同様に、例えば、最少二乗アルゴリズムや、逐次最少２乗アルゴリズム等で決定できる。
【００４３】
次に、改良型自己回帰モデルによる累積交通量予測手段６２では、このパラメータの決定された改良型自己回帰モデルにより、式４の時刻変化分Δｔを逐次２Δｔ、３Δｔ・・・・と増加させて、現在時刻ｔ以降の各地点毎の将来の時刻の累積交通量を順次予測する。
【００４４】
続いて、この予測した将来の各地点の累積交通量データを基に、前述の実施形態と同様に走行所要時間予測手段１３により、図２に示す累積交通量と走行所要時間の関係を用いて、現在時刻ｔの上流地点の累積交通量と下流地点の予測累積交通量が等しくなる時刻ｔ'を読み取り、Ｔｐ＝ｔ'−ｔをその地点間の走行所要時間とする予測をする。
【００４５】
本発明の第３の実施形態によれば、走行所要時間も含むめて適用した改良型自己回帰モデルにより、走行所要時間が加味されて累積交通量を予測するので、その予測精度がより高めらる。予測精度が高められた累積交通量データを基に予測する走行所要時間の予測精度も向上が図れる。
【００４６】
図７は、本発明の第４の実施形態の構成を示すブロック図である。この実施形態では、各地点の累積交通量の予測に、多項式近似モデルを適用するものである。
【００４７】
第４の実施形態は、対象道路の複数の地点に設置される車両感知器等の累積交通量測定手段１１と、この測定手段の出力を時間の経過と共に累積して交通量データとして磁気ドラムやハードディスク等に蓄積する手段１４と、この蓄積された交通量データを読み出して、累積交通量を多項式近似モデルとして、その多項式近似パラメータを決定する手段７７と、この決定されたパラメータの多項式近似モデルから現在時刻以降の将来の累積交通量データを予測する手段７２と、この予測した累積交通量データから前記複数地点の間を走行するのに要する時間を予測する手段１３とから構成される。
【００４８】
この実施形態では、先ず、累積交通量測定手段１１と累積交通量蓄積手段１４により当日の現在時刻ｔまでの累積交通量データを、第１の実施形態と同様に蓄積する。次に、第４の実施形態では、この蓄積されたデータを基に時系列関数として多項式近似を適用し、現在時点以降の累積交通量データを多項式近似モデルにより予測する。
【００４９】
多項式近似モデルは、一般的に以下に示す式５の形式で表される。
【数５】

つまり、この多項式近似モデルは、累積交通量ｙを時刻ｘのｎ次多項式として近似するもので、多項式近似モデルのパラメータｇ_ｎを多項式近似モデルパラメータ決定手段７７で決定する。このパラメータの決定方法にはいくつかの手法があるが、自己回帰モデルパラメータの決定と同様に、最少２乗アルゴリズムや逐次最少２乗アルゴリズムにより決定できる。なお、多項式近似モデルの次数は、対象道路の累積交通量の変化状況と当日の参照する過去交通量データにより予め設定される。
【００５０】
次に、多項式近似モデルによる累積交通量予測手段７２では、このパラメータの決定された多項式近似モデルにより、式５の時刻ｔ値を少しづつ増加させて、現在時刻ｔ以降の将来の累積交通量データを予測する。
【００５１】
続いて、走行所要時間予測手段１３により、予測した将来の累積交通量データを基に、第１乃至第３の実施形態と同様に図２に示す時刻と累積交通量の関係を用いて、現在時刻ｔの上流地点の累積交通量データ点から時刻軸に平行な下流地点の累積交通量データ点までの線分Ｔｐとして、２つの地点間の走行所要時間の予測をする。
【００５２】
本発明の第４の実施形態によれば、当日の累積交通量が複雑な変化をする場合においても、多項式次数を高くすることにより、累積交通量の変化に対する多項式近似モデルの近似性を高くすることができて、高い予測精度が得られる可能性がある。また、パラメータを決定すれば、予測時点の時刻データのみで予測ができる利点がある。
【００５３】
図８は、本発明の第５の実施形態の構成を示すブロック図であり、図９は、本実施形態で行うニューラルネットワークの学習の概念を示す図である。この実施形態は、各地点の累積交通量の予測に、ニューラルネットワークを適用するものである。
【００５４】
この実施形態は、対象道路の複数の地点に設置される車両感知器等の累積交通量測定手段１１と、この測定手段の出力を時間の経過と共に累積して交通量データとして磁気ドラムやハードディスク等に蓄積する手段１４と、この蓄積された交通量データを読み出して、重み係数を学習していくニューラルネットワーク学習手段８８と、この学習後の重み係数８７を採用したニューラルネットワークを用いて累積交通量を予測する手段８２と、この予測した累積交通量から前記複数地点の間を走行するのに要する時間を予測する手段１３とから構成される。
【００５５】
この実施形態では、前述の実施形態と同様に、交通量測定手段１１から出力される交通量データを、累積交通量蓄積手段１４により過去及び現在時刻の累積交通量データとして蓄積する。、この蓄積された累積交通量データをニューラルネットワーク学習手段８８が読み出して、これを時系列データとして所定の時間経過毎に、ニューラルネットワークの重み係数を学習する。すなわち、ニューラルネットワークの学習の概念を示す図９（ａ）のように、この学習では、現在時刻ｔに対し、時刻（ｔ−ｎΔｔ）・・・・時刻（ｔ−２Δｔ）、時刻（ｔ−Δｔ）での累積交通量Ｑａ（ｔ−ｎΔｔ）・・・・Ｑａ（ｔ−２Δｔ）、Ｑａ（ｔ−Δｔ）を入力とし、時刻（ｔ）の累積交通量Ｑａ（ｔ）を教師信号としてその誤差を基に重み係数をニューラルネットワークが学習する。
【００５６】
具体的なニューラルネットワークの学習方法としては、この誤差を基に、誤差逆伝搬法等により重み係数を変更していく方法があり（文献「ニューラルネットワーク情報処理」、麻生英樹著、産業図書刊）、これにより過去の時刻（ｔ−ｍΔｔ）以降から蓄積した累積交通量データを用いて、時刻（ｔ−ｋΔｔ）毎に繰り返し重み係数の学習が現在時刻ｔに至るまで行われ、最新の重み係数が決定される。
【００５７】
次に、累積交通量予測手段８２においては、同図（ｂ）のように、学習後の重み係数を用いたニューラルネットワークに、現在時刻（ｔ）までの累積交通量データＱａ（ｔ）を入力とし、演算されたニューラルネットワークの出力を現在時点以降の時刻（ｔ＋Δｔ）の累積交通量として予測する。さらに、この予測値をニューラルネットワークに用いて、入力を少しずらして時刻（ｔ＋２Δｔ）の累積交通量の予測値が演算可能で、順次これを繰り返して、将来の累積交通量の予測ができる。
【００５８】
最後に、この予測した将来の累積交通量データを基に、前述の実施形態と同様に走行所要時間予測手段１３により、図２に示す累積交通量と走行所要時間の関係を用いて、現在時刻ｔの上流地点の累積交通量データ点から時刻軸に平行な線分Ｔｐとして、２つの地点間の走行所要時間の予測をする。
【００５９】
本発明の第５の実施形態によれば、累積交通量の変化をニューラルネットワークの学習で当日の様態を捉えて、将来の累積交通量を学習後のニューラルネットワークにより予測するので、当日の交通量の性状がより反映されて、累積交通量の予測が高い精度でできる。さらに、これに基く走行所要時間の予測においてもより高い予測精度が得られる。
【００６０】
図１０は本発明の第６の実施形態の構成を示すブロック図である。
【００６１】
第６の実施形態は、有料道路等の課金のための料金収受システムが設けられている場合に実施される実施形態で、対象道路に必ずしも車両感知センサが設置されていなくて走行所要時間の予測が行える。
【００６２】
図１０に示すように、この実施形態は、料金収受システムデータ取得手段１１０と、料金収受システムデータ蓄積手段１１１と、累積交通量データ作成手段１０１と、累積交通量データ蓄積手段１０４と、走行所要時間データ作成手段１０５と、走行所要時間データ蓄積手段１０６とを備える。さらに、この蓄積された２つのデータから将来の累積交通量データを予測する対象モデルとして適用する第１乃至第５の実施形態で示した何れかの手法、例えば、改良型自己回帰モデルパラメータ決定手段１０７と、改良型自己回帰モデルによる累積交通量予測手段１０２と、走行所要時間予測手段１０３と、走行所要時間予測補正手段１０９とにより構成されている。
【００６３】
この実施形態では、累積交通量データ及び、走行所要時間データを有料道路の料金収受システムのデータを利用する。つまり、対象の有料道路の料金所を車両が通過するときに、通行料金を支払う料金収受システムで採用されている通行券には、通常、出入口料金所名（またはＩＤ）、出入口料金所通過時刻、車種等が記録されて、出口で回収される。出口料金所にて料金支払いをする時点に、この通行券に記録されたデータを取得して、例えば、出入口料金所の通過をカウントすれば、出入口（地点）の通過交通量を得ることができ、また、入口料金所通過時刻から出口料金所通過時刻までの時間を求めることで料金所（地点）間の走行所要時間が得られる。
【００６４】
料金収受システムデータ取得手段１１０は、車両が料金所で通行料金を清算するときに、この通行券に記録されたデータを全て読み込んだり、ＥＴＣからのデータを読み込む等の方法で、磁気ドラムやハードディスク等により構成される料金収受システムデータ蓄積手段１１１に蓄積保存する。
【００６５】
この蓄積された料金収受システムデータから所定の時間毎に、走行所要時間データ作成手段１０５が、各料金所（地点）間の走行所要時間を算出し、走行所要時間データとして、ハードディスク等の大容量のデータ保存装置で構成される走行所要時間データ蓄積手段１０６で蓄積する。なお、算出にあっては、同じ地点間でも個々の車両、運転者などの特性による分散があるので、単純平均値や移動平均値などの統計的処理を行うことは言うまでもない。
【００６６】
同様に、蓄積された料金収受システムデータから所定の時間毎に、累積交通量データ作成手段１０１が、出入口料金所（地点）通過交通量を算出、積算して累積交通量データとして、同じく大容量のデータ保存装置で構成される累積交通量データ蓄積手段１０４で蓄積する。
【００６７】
なお、料金所が対象道路の上り下りの区別無く徴収する形態である場合は、入口料金所データを参照して上り下りを判別して対象通行方向の交通量を演算・算出する。また、料金徴収方法に関連して料金収受システムから上り下りが判別できない場合には、最下流端の出口料金所の流出交通量と料金所間の走行所要時間により、擬似的に各料金所累積交通量を演算・算出して（電気学会；道路交通研究会資料ＲＴＡ−０１−１４「擬似累積交通量を用いた所要時間予測モデル」）、これを各料金所における累積交通量データとして累積交通量データ蓄積手段１０４で蓄積する。
【００６８】
この蓄積された各料金所（地点）の累積交通量及び走行所要時間のデータを読み出して、累積交通量の予測モデルに、例えば、改良型自己回帰モデルを使用して、改良型自己回帰モデルパラメータ決定手段１０７が、所定の時間間隔で、各料金所（地点）における将来の累積交通量の予測を行う改良型自己回帰モデルのパラメータを決定する。
【００６９】
次いで、改良型自己回帰モデルによる累積交通量予測手段１０２は、各料金所について決定したこのパラメータを用いて、各料金所での現時点以降の累積交通量を予測する。
【００７０】
さらに、走行所要時間予測手段１０３が、累積交通量予測手段１０２で予測した各料金所の累積交通量により、前述の実施形態と同様に図２による、現時点の上流料金所（地点）の累積交通量と同じ値の下流料金所（地点）の累積交通量データから、その時刻を抽出し、走行所要時間予測値とする。
【００７１】
さらに、走行所要時間予測補正手段１０９が、走行所要時間予測手段１０３から出力された予測値に対し、走行所要時間の時間的推移を考慮して予め設定した変化分の最大限界値Δｔ_ｌｉｍを超えて、あり得ない走行所要時間の出力をした場合に、走行所要時間Ｔｐ（ｔ+Δｔ）をＴｐ（ｔ）−Δｔ_ｌｉｍ≦Ｔｐ（ｔ＋Δｔ）≧Ｔｐ（ｔ）＋Δｔ_ｌｉｍになるように補正して、出力する。
【００７２】
なお、この第６の実施形態の説明では、累積交通量の予測モデルとして、改良型自己回帰モデルを例に説明したが、料金収受システムデータ蓄積手段１１１に蓄積できるデータの内容に応じて、これ以外の既述の第１乃至第５の実施形態で使用した予測の何れのモデルでも、同様に適用ができて、将来の累積交通量データの予測精度を高めた予測ができることは言うまでもない。
【００７３】
本発明の第６の実施形態によれば、有料道路の料金収受システムデータが利用できる場合に、この料金収受システムのデータから当日の現在時刻までの累積交通量を算出できて、これ等から将来の累積交通量が高い予測精度で予測できる。この精度の高い累積交通量の予測により、走行所要時間も高い精度で予測することができる。また、この場合には、対象道路に交通量を測定するセンサを必ず設けることなく、累積交通量および走行所要時間の予測が行える利点もある。また、料金所の形態と料金収受システムデータ内容により累積交通量が算出できないときには、最下流料金所の流出交通量と各料金所間の走行所要時間とにより擬似の累積交通量を予測算出し、これによる走行所要時間の予測をすることもできる。
【００７４】
【発明の効果】
以上説明したように、本発明によれば、当日の対象道路の複数地点における、現時点までの時系列的な累積交通量データから、予測当日の交通量状況の変化を考慮して、予測精度の高い予測モデルを適用するので予測精度が向上した当日の将来の累積交通量の予測ができる。しいては、当日の走行所要時間の予測精度の向上を図った、走行所要時間が予測可能である走行所要時間予測装置及びその方法を提供することができる。
【図面の簡単な説明】
【図１】本発明の走行所要時間予測装置の全体構成を示すブロック図。
【図２】累積交通量の推移と走行所要時間予測の概念を示す図。
【図３】本発明の走行所要時間予測装置の第１の実施形態の構成を示すブロック図。
【図４】本発明の第１の実施形態の自己回帰モデルによる累積交通量予測の模式図。
【図５】本発明の第２の実施形態の構成を示すブロック図。
【図６】本発明の第３の実施形態の構成を示すブロック図。
【図７】本発明の第４の実施形態の構成を示すブロック図。
【図８】本発明の第５の実施形態の構成を示すブロック図。
【図９】第３の実施形態で行うニューラルネットワークの学習の概念を示す図。
【図１０】本発明の第６の実施形態の構成を示すブロック図。
【符号の説明】
１１・・・累積交通量測定手段、
１２・・・累積交通量予測手段、
１３・・・走行所要時間予測手段、
１４・・・累積交通量データ蓄積手段、
１５・・・対象道路、
１６・・・車両感知器（センサ）、
２１ａ・・・上流地点の累積交通量の過去の測定値、
２１ｂ・・・上流地点の累積交通量の将来の予測値、
２２ａ・・・下流地点の累積交通量の過去の測定値、
２２ｂ・・・下流地点の累積交通量の将来の予測値、
２３・・・下流地点の将来の累積交通量が上流地点の時刻ｔにおける累積交通量に一致する時刻、
２４・・・上流地点の時刻ｔの累積交通量、
２５・・・時刻ｔに予測された下流地点までの走行所要時間、
２６・・・時刻ｔにおける上流地点から下流地点までの走行所要時間Ｔｓ、
２７・・・時刻ｔ−Ｔｓに上流地点と下流地点との間に存在した車両台数、
３２・・・自己回帰モデルによる累積交通量予測手段、
３７・・・自己回帰モデルパラメータ決定手段、
５２・・・複数地点データを用いた自己回帰モデルによる累積交通量予測手段、５７・・・複数地点データを用いた自己回帰モデルパラメータ決定手段、
６２・・・改良型自己回帰モデルによる累積交通量予測手段、
６５・・・走行所要時間測定手段、
６６・・・走行所要時間蓄積手段、
６７・・・改良型自己回帰モデルパラメータ決定手段、
７２・・・多項式近似モデルによる累積交通量予測手段、
７７・・・多項式近似モデルパラメータ決定手段、
８２・・・ニューラルネットワークによる累積交通量予測手段、
８７・・・ニューラルネットワークの重み、
８８・・・ニューラルネットワーク学習手段、
１１０・・・料金収受システムデータ取得手段、
１０１・・・累積交通量データ作成手段、
１０２・・・改良型自己回帰モデルによる累積交通量予測手段、
１０３・・・走行時間予測手段、
１０４・・・累積交通量データ蓄積手段、
１０５・・・走行所要時間データ作成手段、
１０６・・・走行所要時間データ蓄積手段、
１０７・・・改良型自己回帰モデルパラメータ決定手段、
１０９・・・走行所要時間予測補正手段、
１１１・・・料金収受システムデータ蓄積手段。[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a road traffic system, and more particularly to an apparatus and method for creating a predicted value of travel time between a plurality of points on a target road.
[0002]
[Prior art]
Conventionally, information related to travel time, which is the time required to travel from one point on the road to another point, is based on the traveling vehicle speed measured using a vehicle detector installed on the road. The travel time required for the target route is obtained by adding the travel time required for each unit section.
[0003]
In addition, an AVI system that measures the actual travel time of each vehicle that actually traveled in the target section by recognizing the number of the traveling vehicle at both ends of the target section has been put into practical use.
[0004]
However, in the above method, travel time information cannot be obtained on a route where no sensor is installed. In addition, depending on the sensor, there is a case where travel time information having utility value cannot be obtained unless it is densely installed on the route.
[0005]
On the other hand, on a highway, a method for calculating travel time information based on information obtained from a toll gate has been studied. However, with respect to this method, at present, the actual value “how much travel time is currently required” is calculated, and travel time information is created based on this. Therefore, it does not take into account future changes in road conditions since the travel time information was provided, and is essentially ideal as travel time information, “travel time required to travel to the destination in the future” In some cases, the accuracy dropped.
[0006]
Furthermore, if you know the passage time of a toll gate on a toll road where a toll collection system is installed, calculate the actual travel time from this passage time, create a travel time pattern based on this, A method for predicting the required travel time by searching for similar patterns has been proposed. By using this method, it is possible to perform prediction in consideration of what kind of pattern change will occur in the future from past patterns. However, there is a problem that the prediction accuracy depends on past accumulated data.
[0007]
Using a traffic measurement sensor, etc., create a graph of cumulative traffic data at each point that reflects the traffic conditions of the day, and use the cumulative traffic data that is predicted by extending the current slope of the graph as a straight line. The travel time is predicted from the relationship between the accumulated traffic volume between the points and the travel time. In this way, in the two-step prediction method, the prediction result of the travel time depends on the prediction accuracy of the accumulated traffic volume data previously predicted.
[0008]
[Problems to be solved by the invention]
Therefore, in order to solve these problems, the present invention takes into account changes in traffic conditions on the predicted day from time-series accumulated traffic volume data at a plurality of points on the target road on the current day. It is an object of the present invention to provide a travel time prediction device that predicts the future accumulated traffic volume that has improved, and thus improves the prediction accuracy of travel time.
[0009]
[Means for Solving the Problems]
  The travel time prediction apparatus according to the present invention is configured to calculate each point at a plurality of points on a target road on which the vehicle travels.Over timepassCumulative traffic data, which is the cumulative number of vehiclesTheRespectivelyThe means to measure and theseMeasure cumulative traffic dataFrom the accumulated traffic volume data up to the present time of each point obtained by means,SaidEach pointRespectivelyFuture inAt the timeA means of predicting cumulative traffic data and thisCumulative traffic dataMeans to predictObtained byThe multiple pointsAny two pointsFuture inIn the cumulative traffic data, the time difference between two points in time when the cumulative numbers match is calculated as the future 2Time required to travel between pointsAsMeans to predict andEquipped with, Cumulative traffic volume in the futuredataMeans for predicting cumulative traffic volume among the plurality of pointsSubjectCumulative traffic volume data up to the current pointBased on parameters determinedUsing an autoregressive model, the future of the pointAt the timeIt is characterized by predicting cumulative traffic volume data.
[0010]
  Furthermore, in the travel time prediction device of the present invention,Means for predicting future cumulative traffic volumeBut, Trying to predict the cumulative traffic volume among the multiple pointsSubjectpointAt least two locations includingCumulative traffic data to dateBased on the parameters determinedUsing an autoregressive model, the future of the pointAt the timePredict cumulative traffic dataIs a meansIt is characterized by this.
[0011]
  Furthermore, in the travel time prediction device of the present invention,Future cumulative traffic volumedataTo predictBut, Trying to predict the cumulative traffic volume among the multiple pointsSubjectpointAt least two locations includingCumulative traffic volume data to date,furtherThe pointOthers targeting the cumulative traffic dataTravel time data to and fromBased on the parameters determinedUsing an autoregressive model, the future of the pointAt the timePredict cumulative traffic dataIs a meansIt is characterized by this.
[0012]
  In addition, the present inventionThe travel time prediction device calculates each point at a plurality of points on the target road on which the vehicle travels.Over timepassCumulative traffic data, which is the cumulative number of vehiclesTheRespectivelyThe means to measure and theseMeasure cumulative traffic dataFrom the accumulated traffic volume data up to the present time of each point obtained by meansThe aboveEach pointRespectivelyFuture inAt the timeA means of predicting cumulative traffic data and thisCumulative traffic dataMeans to predictObtained byThe multiple pointsAny two pointsFuture inIn the cumulative traffic data, the time difference between two points in time when the cumulative numbers match is calculated as the future 2Time required to travel between pointsAsMeans to predict andEquipped withThe aboveFutureCumulative trafficdataThe means for predicting the cumulative traffic volume data up to the present time at the point where the cumulative traffic volume is to be predicted from among the plurality of points.Based on parameters determinedUsing a polynomial approximation model,At the timeIt is characterized by predicting cumulative traffic volume data.
[0013]
  In addition, the present inventionThe travel time prediction device calculates each point at a plurality of points on the target road on which the vehicle travels.Over timepassCumulative traffic data, which is the cumulative number of vehiclesTheRespectivelyThe means to measure and theseMeasure cumulative traffic dataFrom the accumulated traffic volume data up to the present time of each point obtained by meansThe aboveEach pointRespectivelyFuture inAt the timeA means of predicting cumulative traffic data and thisCumulative traffic dataMeans to predictObtained byThe multiple pointsAny two pointsFuture inIn the cumulative traffic data, the time difference between two points in time when the cumulative numbers match is calculated as the future 2Time required to travel between pointsAsMeans to predict andEquipped with, Cumulative traffic volume in the futuredataThe means for predicting the cumulative traffic volume data up to the present time at the point where the cumulative traffic volume is to be predicted from among the plurality of points., Learn the weighting factor for every predetermined timeUsing a neural networkBased on the latest weighting factorThe future of the pointAt the timeIt is characterized by predicting cumulative traffic volume data.
[0014]
  Furthermore, in the travel time prediction device of the present invention,Each pointCumulative traffic data inTheRespectivelyMeans to measureBut, Using toll road toll collection data,Determine the entry / exit of vehicles passing through each entrance / exit toll gate and the target direction of traffic, and calculate and accumulate the passing traffic volume at each point of the entrance / exit toll gate to obtain cumulative traffic volume data.It is characterized by this.
[0015]
  The travel time prediction method according to the present invention includes a plurality of points on a target road on which a vehicle travels.Over timepassCumulative traffic data, which is the cumulative number of vehiclesTheRespectivelySteps to measure and theseMeasure cumulative traffic dataFrom the accumulated traffic volume data up to the present point of each point obtained by the stepThe aboveEach pointRespectivelyFuture inAt the timePredicting cumulative traffic data, and thisCumulative traffic dataStep to predictObtained byThe multiple pointsAny two pointsFuture inIn the cumulative traffic data, the time difference between two points in time when the cumulative numbers match is calculated as the future 2Time required to travel between pointsAsTo predict andEquipped with, Cumulative traffic volume in the futuredataThe step of predicting the cumulative traffic volume data up to the present time at the point where the cumulative traffic volume is to be predicted among the plurality of points.And travel time dataInBased on parameters determinedUsing an autoregressive model,At the timePredicting cumulative traffic dataIs the method.
[0016]
  Moreover, the travel time prediction method according to the present invention provides a method for predicting each point at a plurality of points on a target road on which the vehicle travels.Over timepassCumulative traffic data, which is the cumulative number of vehiclesTheRespectivelySteps to measure and theseMeasure cumulative traffic dataFrom the accumulated traffic volume data up to the present point of each point obtained by the stepThe aboveEach pointRespectivelyFuture inAt the timePredicting cumulative traffic data, and thisCumulative traffic dataStep to predictObtained byThe multiple pointsAny two pointsFuture inIn the cumulative traffic data, the time difference between two points in time when the cumulative numbers match is calculated as the future 2Time required to travel between pointsAsTo predict andEquipped with, Cumulative traffic volume in the futuredataPredicting the cumulative traffic volume data up to the present time at the point where the cumulative traffic volume is to be predicted among the plurality of points.Based on parameters determinedUsing a polynomial approximation model,At the timePredicting cumulative traffic dataIs the method.
[0017]
  Moreover, the travel time prediction method according to the present invention provides a method for predicting each point at a plurality of points on a target road on which the vehicle travels.Over timepassCumulative traffic data, which is the cumulative number of vehiclesTheRespectivelySteps to measure and theseMeasure cumulative traffic dataFrom the accumulated traffic volume data up to the present point of each point obtained by the stepThe aboveEach pointRespectivelyFuture inAt the timePredicting cumulative traffic data, and thisCumulative traffic dataStep to predictObtained byThe multiple pointsAny two pointsFuture inIn the cumulative traffic data, the time difference between two points in time when the cumulative numbers match is calculated as the future 2Time required to travel between pointsAsTo predict andEquipped with, Cumulative traffic volume in the futuredataPredicting the cumulative traffic volume data up to the present time at the point where the cumulative traffic volume is to be predicted among the plurality of points., Learn the weighting factor for every predetermined timeUsing a neural networkBased on the latest weighting factorThe future of the pointAt the timePredicting cumulative traffic dataIs the method.
[0018]
  Furthermore, in the travel time prediction method of the present invention,Each pointCumulative traffic data inTheRespectivelyStep to measureBut, Using toll road toll collection data,Determine the entry / exit of vehicles passing through each entry / exit toll gate and the target direction of traffic, and calculate and accumulate the passing traffic volume at each entrance / exit toll gate point to obtain cumulative traffic data.Characterized byIs the method.
[0019]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
[0020]
FIG. 1 is a block diagram showing the overall configuration of a travel time prediction apparatus according to the present invention, and FIG. 2 is a diagram showing the transition of accumulated traffic and the concept of travel time prediction.
[0021]
The travel time prediction apparatus according to the present invention obtains traffic volume data from traffic volume measuring sensors 16a to 16c installed at a plurality of points on the target road 15, for example, points A, B and C shown in FIG. Cumulative traffic measuring means 11, cumulative traffic predicting means 12 for predicting future cumulative traffic after each of the plurality of points or tollgates based on the cumulative traffic, and the predicted cumulative traffic The travel time prediction means 13 predicts a future travel time between the plurality of points or tollgates from the data.
[0022]
The accumulated traffic measuring means 11 is a vehicle detector or the like that measures the number of vehicles passing through the points A, B, and C within a predetermined unit time, and the data is accumulated and retained over a predetermined time. To the accumulated traffic volume prediction means 12.
[0023]
In addition, on toll roads where toll collection systems are installed, if the toll collection system data of vehicles passing through the toll gate can be used, the traffic volume of each toll gate from this data instead of the measurement by the sensor, Data such as travel time can be obtained, and the accumulated traffic measuring means 11 acquires these data and outputs them to the next accumulated traffic volume predicting means 12.
[0024]
Next, the cumulative traffic volume predicting means 12 first takes the elapsed time on the horizontal axis and the cumulative traffic volume on the vertical axis shown in FIG. 2 from the cumulative traffic data collected up to the current time t by the cumulative traffic measuring means. For example, like the data 21a and 22a on the left side of the "current time t" in the figure, the transit characteristics of the accumulated traffic volume at each point on the current day are analyzed. That is, the accumulated traffic volume at each point up to the present time is regarded as a time series model, and parameters of the model are determined. Next, using the determined parameters, future

cumulative traffic data

21b and 22b in the right part of “current time t” are predicted from the model.
[0025]
Finally, the travel time prediction means 13 uses the estimated future accumulated

traffic volume data

21b and 22b, as shown on the right side of “current time t” in FIG. In the graph, a time 25 required for the accumulated traffic volume data 22b at the downstream point to become the accumulated traffic volume 23 at the downstream point equal to the accumulated traffic volume 24 at the upstream point, that is, a straight line parallel to the time axis is accumulated at each point. The time Tp represented by the length of the line segment intersecting with the traffic volume graph is predicted as the required travel time between the points.
[0026]
FIG. 3 is a block diagram showing a first embodiment of the present invention, and FIG. 4 is a schematic diagram of cumulative traffic volume prediction of the present embodiment using an autoregressive model.
[0027]
In the first embodiment, as shown in the block diagram of FIG. 3, the means 11 for measuring cumulative traffic such as vehicle detectors installed at a plurality of points on the target road and the output of this measuring means are A means 14 for accumulating traffic data as magnetic data, a hard disk or the like as time passes, and reading the accumulated traffic data at each point, and changing the characteristics of the cumulative traffic at each point in time series As an autoregressive model, autoregressive model parameter determining means 37 for determining autoregressive model parameters, means 32 for predicting future cumulative traffic after the current time t from the determined autoregressive model, and this prediction And means 13 for predicting the required travel time between the plurality of points from the accumulated traffic volume.
[0028]
The autoregressive model parameter determining means 37 of this embodiment determines the parameter using the accumulated traffic volume Qa that changes in time series as an autoregressive model. This autoregressive model is generally expressed in the form of Equation 1 shown below.
[Expression 1]

In this autoregressive model, a measurement value y (k + Δk) at one time point is converted into measurement values y (k), y (k−Δk) at a plurality of past time points k, k−Δk, k−2Δk. This is expressed as a linear combination of y (k−2Δk)._nIs determined by the autoregressive model parameter determining means 37. This parameter a_nThere are several methods for determining the number of methods. For example, the method using the simplest least squares algorithm or the sequential least squares algorithm that can be operated online without the need for inverse matrix operations is generally used. It is known and can be determined by this (document "Signal Analysis and System Identification", Takami Nakamizo, Corona).
[0029]
Here, the autoregressive model is set for each point of the accumulated traffic data measured at a plurality of points, and the autoregressive parameter a for each point of interest is set._n, B_n, C_n····· Determine as described above.
[0030]
Next, in the cumulative traffic volume prediction means 32 based on the autoregressive model, this parameter a_n(B_n, C_n), The future cumulative traffic data after the current time t is increased by Δt, 2Δt, 3Δt... Let them predict.
[Expression 2]

That is, as schematically shown in FIG. 4, for example, from cumulative traffic volumes Qa (t), Qa (t−Δt), and Qa (t−2Δt) at three time points before the predicted time point (t + Δt) of the point a. , Qa (t + Δt) is predicted using Equation 2. The prediction at the next time point (t + 2Δt) is calculated using the cumulative traffic volume at three time points including the previous Qa (t + Δt). Sequentially repeat this to predict future cumulative traffic. Furthermore, the cumulative traffic volume is similarly predicted for other points.
[0031]
Subsequently, the travel time prediction means 13 can show the relationship between the time and the accumulated traffic volume as shown in FIG. 2 based on the predicted future accumulated traffic volume data. By the way, in the graph of FIG. 2 showing the accumulated traffic volume, the travel required time Ts26 is that all the Nc vehicles 27 existing between the upstream point a and the downstream point b at the time (t-Ts) are downstream. The time required to pass through the point b is the time required for traveling through this section.
[0032]
Using the relationship between the accumulated traffic volume and the required travel time, two line segments Tp parallel to the time axis are obtained from the accumulated traffic data point at the upstream point a at the current time t to the accumulated traffic data point at the downstream point b. It can be predicted as the required travel time 25 between points. That is, the time t ′ at which the accumulated traffic volume at the time point t at the upstream point is equal to the predicted cumulative traffic volume at the downstream point is read from the predicted accumulated traffic data, and Tp = t′−t is calculated as the travel time between the points. Estimated value.
[0033]
According to the first embodiment of the present invention, these data are traced back to the measurement up to several points before the current time t of the accumulated traffic data measured on the current day, regardless of the patterns accumulated on the past days. Therefore, the prediction accuracy of the accumulated traffic volume after the current time point is high, and the prediction of the required travel time is also highly accurate, so that the predicted value of the required travel time can be provided with high reliability.
[0034]
FIG. 5 is a block diagram showing the configuration of the second embodiment of the required travel time prediction apparatus of the present invention. In this embodiment, in order to further improve the prediction accuracy of the accumulated traffic volume in the first embodiment, the configuration of data for setting the autoregressive model is expanded.
[0035]
In the second embodiment, as in the first embodiment, cumulative traffic measuring means 11 such as vehicle detectors installed at a plurality of points on the target road, and the output of this measuring means are accumulated over time. Then, the means 14 for accumulating the traffic data at each point on a magnetic drum, a hard disk or the like, and the accumulated traffic data at each point are read to predict the accumulated traffic unlike the first embodiment. Set an auto-regression model based on the cumulative traffic volume Qa at the point to be tried, for example, the point a and the cumulative traffic volumes Qb and Qc at points other than the point, for example, the points b and c. Means 57 for determining autoregressive model parameters that are set for each point and regarded as time series variables including the characteristics of the accumulated traffic volume at points other than the point, and from the determined autoregressive model on and after the current time t each A means 52 for predicting the future cumulative traffic volume for each point, and a means 13 for predicting the time required from the cumulative traffic volume that the prediction for traveling between said plurality of points.
[0036]
An autoregressive model using data of points other than the point to be predicted applied in this embodiment is expressed in the form of Equation 3 shown below.
[Equation 3]

This autoregressive model is based on the cumulative traffic volume Qa (t + Δt) of the point a in the future at one time point, the measured values Qa (t) at the current and past time points t, t−Δt, t−2Δt. Qa (t−Δt), Qa (t−2Δt)... And a linear combination of the measured values Qb and Qc of points other than the point, for example, points b and c, and the parameter a of the autoregressive model_n, B_n, C_nIs determined by the autoregressive model parameter determining means 57. Note that this parameter determination method can be determined by, for example, a least square algorithm, a sequential least square algorithm, or the like, as in the first embodiment described above.
[0037]
Next, in the cumulative traffic volume predicting means 52 based on the autoregressive model, by using the autoregressive model in which this parameter is determined, the time change Δt of the expression 3 is sequentially 2Δt, 3Δt..., As in the first embodiment. The cumulative traffic volume at the future time for each point is sequentially predicted, for example, after the current time t. Furthermore, the said point is set to all the said points, and the accumulated traffic volume data of each point are estimated.
[0038]
Subsequently, based on the predicted future traffic data, the travel time prediction means 13 uses the relationship between the cumulative traffic and the travel time shown in FIG. The travel time required between the two points is predicted as a line segment Tp parallel to the time axis from the accumulated traffic data point at the upstream point of t.
[0039]
According to the second embodiment of the present invention, since the accumulated traffic volume at each point is predicted by an autoregressive model that also refers to the accumulated traffic volume at other points upstream and downstream, it is possible to spread the situation other than that point. Therefore, the accumulated traffic volume can be predicted with higher accuracy. In addition, the traffic volume at a point other than the point is referred to in advance, the prediction time lag is corrected, and the prediction accuracy of the required travel time is improved.
[0040]
FIG. 6 is a block diagram showing the configuration of the third exemplary embodiment of the present invention.
[0041]
In the third embodiment, the accumulated traffic volume measuring means 11 such as vehicle detectors installed at a plurality of points on the target road, and the output of the traffic volume measuring means are accumulated with the passage of time as magnetic data as traffic volume data. A means 14 for accumulating in a drum, a hard disk or the like, a traveling time measuring means 65 for measuring a traveling time calculated from a traveling vehicle speed measured by a vehicle sensor, and an output of the required time measuring means for the elapsed time At the same time, means 66 for accumulating travel time data in a magnetic drum, a hard disk or the like, and reading the accumulated traffic volume data and travel time data, for example, a point where the accumulated traffic volume is to be predicted, Cumulative traffic volume data Qa and cumulative traffic volume Qb, Qc at points b and c other than the relevant point, and travel between these points, for example, ab between points Means 67 for determining the parameters of this model as an improved autoregressive model using the time required Tr, and means 62 for predicting future cumulative traffic after the current time t from the determined improved autoregressive model And means 13 for predicting the time required to travel between the plurality of points from the predicted accumulated traffic. The travel time measuring means 65 may obtain travel time by an AVI system or the like.
[0042]
In the third embodiment, an improved autoregressive model using the traffic volume data at a point where the cumulative traffic volume is to be predicted and other points and the travel time data between these points is applied. The improved autoregressive model is expressed in the form of Equation 4 shown below.
[Expression 4]

In this improved autoregressive model, the cumulative traffic volume Qa (t + Δt) of the point a for which one-time future cumulative traffic volume is to be predicted is calculated as a plurality of current and past time points t, t−Δt, t−2Δt. Measured values Qa (t), Qa (t−Δt), Qa (t−2Δt),. And measured values Qb and Qc of points b and c other than the point, and travel times Tr (t), Tr (t−Δt), Tr (t−2Δt),. The parameter a of the improved autoregressive model_n, B_n, C_n, ..... r_nIs determined by the improved autoregressive model parameter determining means 67. Note that this parameter determination method can also be determined by, for example, a least square algorithm, a sequential least square algorithm, or the like, as in the first and second embodiments described above.
[0043]
Next, the accumulated traffic volume predicting means 62 based on the improved autoregressive model sequentially increases the time change Δt of Equation 4 to 2Δt, 3Δt,... By the improved autoregressive model with this parameter determined. The cumulative traffic volume at the future time for each point after the current time t is sequentially predicted.
[0044]
Subsequently, on the basis of the predicted cumulative traffic data at each future point, the travel time prediction means 13 uses the relationship between the cumulative traffic volume and the travel time shown in FIG. Then, the time t ′ at which the cumulative traffic volume at the upstream point at the current time t and the predicted cumulative traffic volume at the downstream point are equal is read, and Tp = t′−t is predicted as the travel time between the points.
[0045]
According to the third embodiment of the present invention, since the travel time is taken into account and the accumulated traffic volume is predicted by the improved autoregressive model applied including the travel time, the prediction accuracy can be further improved. The It is also possible to improve the prediction accuracy of the required travel time that is predicted based on the accumulated traffic volume data with an increased prediction accuracy.
[0046]
FIG. 7 is a block diagram showing the configuration of the fourth exemplary embodiment of the present invention. In this embodiment, a polynomial approximation model is applied to the prediction of the accumulated traffic volume at each point.
[0047]
In the fourth embodiment, cumulative traffic measuring means 11 such as vehicle detectors installed at a plurality of points on the target road, and the output of this measuring means are accumulated with the passage of time as a magnetic data such as a magnetic drum From means 14 for accumulating in a hard disk or the like, means 77 for reading out the accumulated traffic volume data, using the accumulated traffic volume as a polynomial approximation model, determining its polynomial approximation parameter, and a polynomial approximation model of this determined parameter It comprises means 72 for predicting future cumulative traffic data after the current time, and means 13 for predicting the time required to travel between the plurality of points from the predicted cumulative traffic data.
[0048]
In this embodiment, first, accumulated traffic volume data up to the current time t of the day is accumulated by the accumulated traffic volume measuring means 11 and the accumulated traffic volume accumulating means 14 as in the first embodiment. Next, in the fourth embodiment, polynomial approximation is applied as a time series function based on the accumulated data, and cumulative traffic data after the current time is predicted by a polynomial approximation model.
[0049]
The polynomial approximation model is generally expressed in the form of Equation 5 shown below.
[Equation 5]

In other words, this polynomial approximation model approximates the accumulated traffic y as an n-th order polynomial at time x._nIs determined by the polynomial approximation model parameter determining means 77. Although there are several methods for determining this parameter, it can be determined by a least square algorithm or a sequential least square algorithm in the same manner as the determination of autoregressive model parameters. Note that the order of the polynomial approximation model is set in advance based on the change in the accumulated traffic volume of the target road and the past traffic volume data referred to on the current day.
[0050]
Next, the cumulative traffic volume predicting means 72 based on the polynomial approximation model gradually increases the time t value of Formula 5 by the polynomial approximation model with this parameter determined, and future cumulative traffic volume data after the current time t. Predict.
[0051]
Subsequently, the travel time prediction means 13 uses the relationship between the time and accumulated traffic shown in FIG. 2 as in the first to third embodiments, based on the predicted accumulated future traffic data. The travel time required between the two points is predicted as a line segment Tp from the cumulative traffic data point at the upstream point at time t to the cumulative traffic data point at the downstream point parallel to the time axis.
[0052]
According to the fourth embodiment of the present invention, even when the cumulative traffic volume on the day changes in a complicated manner, the polynomial approximation model is increased to increase the approximation of the polynomial approximation model to the cumulative traffic volume change. And high prediction accuracy may be obtained. Further, if the parameters are determined, there is an advantage that the prediction can be performed only with the time data at the prediction time point.
[0053]
FIG. 8 is a block diagram showing the configuration of the fifth embodiment of the present invention, and FIG. 9 is a diagram showing the concept of neural network learning performed in this embodiment. In this embodiment, a neural network is applied to predict the cumulative traffic volume at each point.
[0054]
In this embodiment, the accumulated traffic volume measuring means 11 such as a vehicle detector installed at a plurality of points on the target road, and the output of the measuring means are accumulated with the passage of time as a traffic volume data such as a magnetic drum or a hard disk. The accumulated traffic volume using the neural network learning means 88 that reads the accumulated traffic volume data, learns the weighting coefficient, and learns the weighting coefficient. , And means 13 for predicting the time required to travel between the plurality of points based on the predicted accumulated traffic volume.
[0055]
In this embodiment, the traffic volume data output from the traffic volume measuring unit 11 is accumulated as the accumulated traffic volume data of the past and the current time by the accumulated traffic volume accumulating unit 14 as in the above-described embodiment. The accumulated traffic volume data is read out by the neural network learning means 88, and this is used as time series data to learn the weighting coefficient of the neural network every predetermined time. That is, as shown in FIG. 9A showing the concept of neural network learning, in this learning, time (t−nΔt)... Time (t−2Δt), time (t−t−) with respect to the current time t. Cumulative traffic volume at Δt) Qa (t−nΔt)... Qa (t−2Δt) and Qa (t−Δt) as inputs, and cumulative traffic volume at time (t) Qa (t) as a teacher signal The neural network learns the weighting coefficient based on the error.
[0056]
As a specific neural network learning method, based on this error, there is a method of changing the weighting coefficient by the error back-propagation method etc. (literature "Neural Network Information Processing", Hideki Aso, published by Sangyo Tosho) Thus, using the accumulated traffic volume data accumulated from the past time (t−mΔt), the weighting factor is repeatedly learned at each time (t−kΔt) until the current time t, and the latest weighting factor is obtained. Is determined.
[0057]
Next, the cumulative traffic volume predicting means 82 inputs the cumulative traffic volume data Qa (t) up to the current time (t) to the neural network using the learned weighting coefficient as shown in FIG. And the calculated output of the neural network is predicted as the accumulated traffic volume at the time (t + Δt) after the current time point. Further, by using this predicted value for the neural network, the predicted value of the accumulated traffic volume at time (t + 2Δt) can be calculated by slightly shifting the input, and this can be repeated sequentially to predict the future accumulated traffic volume.
[0058]
Finally, based on the predicted future accumulated traffic volume data, the travel time estimation means 13 uses the relationship between the accumulated traffic volume and the travel time shown in FIG. The travel time required between the two points is predicted as a line segment Tp parallel to the time axis from the accumulated traffic data point at the upstream point of t.
[0059]
According to the fifth embodiment of the present invention, the change in the accumulated traffic volume is captured by the neural network learning to capture the state of the day, and the future accumulated traffic volume is predicted by the learned neural network. Therefore, the accumulated traffic volume can be predicted with high accuracy. Furthermore, higher prediction accuracy can be obtained in the estimation of the required travel time based on this.
[0060]
FIG. 10 is a block diagram showing the configuration of the sixth exemplary embodiment of the present invention.
[0061]
The sixth embodiment is an embodiment that is implemented when a toll collection system for charging a toll road or the like is provided. The vehicle detection sensor is not necessarily installed on the target road, and the required travel time is predicted. Can be done.
[0062]
As shown in FIG. 10, this embodiment includes a toll collection system data acquisition unit 110, a toll collection system data storage unit 111, a cumulative traffic data creation unit 101, a cumulative traffic data storage unit 104, and a travel requirement. Time data creation means 105 and travel time data storage means 106 are provided. Further, any of the methods shown in the first to fifth embodiments applied as a target model for predicting future accumulated traffic volume data from the two accumulated data, for example, improved autoregressive model parameter determining means 107, a cumulative traffic volume prediction means 102 based on an improved autoregressive model, a required travel time prediction means 103, and a required travel time prediction correction means 109.
[0063]
In this embodiment, accumulated traffic volume data and travel time data are used for toll road toll collection data. In other words, when a vehicle passes the toll gate on the target toll road, the toll ticket adopted in the toll collection system that pays the toll is usually the entrance toll gate name (or ID), the entrance toll gate passing time. The vehicle type is recorded and collected at the exit. When you pay the fare at the exit toll gate, you can obtain the traffic volume at the entrance / exit (point) by acquiring the data recorded in this toll ticket and, for example, counting the passage at the entrance / exit toll gate Also, by obtaining the time from the entrance toll gate passage time to the exit toll gate passage time, the required travel time between toll gates (points) can be obtained.
[0064]
Toll collection system data acquisition means 110 reads all the data recorded in this toll ticket or reads data from the ETC when the vehicle settles the toll at the toll booth. Are stored in the fee collection system data storage means 111 configured by the above.
[0065]
The required travel time data creation means 105 calculates the required travel time between each toll booth (point) from the accumulated toll collection system data every predetermined time, and the travel required time data has a large capacity such as a hard disk. The required travel time data storage means 106 constituted by the data storage device of FIG. In the calculation, it is needless to say that statistical processing such as a simple average value or a moving average value is performed because there is a dispersion due to the characteristics of individual vehicles, drivers, etc. even between the same points.
[0066]
Similarly, the accumulated traffic volume data creation means 101 calculates and accumulates the traffic volume passing through the entrance / exit toll gate (point) every predetermined time from the accumulated toll collection system data, and the accumulated traffic volume data is similarly large capacity. Is accumulated by the accumulated traffic data accumulating means 104 constituted by the data storage device.
[0067]
Note that when the toll gate collects without distinction between the ups and downs of the target road, the traffic volume in the target traffic direction is calculated and calculated by discriminating the up and down by referring to the entrance toll gate data. In addition, if it is not possible to discriminate from the toll collection system in relation to the toll collection method, each toll gate will be accumulated in a simulated manner based on the amount of traffic flowing out of the exit toll gate at the downstream end and the required travel time between toll gates. Calculate and calculate the traffic volume (The Institute of Electrical Engineers of Japan; Road Traffic Research Group material RTA-01-14 “Time required prediction model using pseudo cumulative traffic volume”) and use this as cumulative traffic data at each tollgate. Accumulated by the quantity data accumulating means 104.
[0068]
The accumulated traffic volume and travel time data of each accumulated tollgate (point) is read out, and an improved autoregressive model parameter is used by using, for example, an improved autoregressive model as a cumulative traffic volume prediction model. The determining means 107 determines parameters of an improved autoregressive model that predicts future accumulated traffic volume at each tollgate (point) at predetermined time intervals.
[0069]
Next, the cumulative traffic volume predicting means 102 based on the improved autoregressive model predicts the cumulative traffic volume at and after each current toll station using this parameter determined for each toll gate.
[0070]
Further, according to the accumulated traffic volume of each toll booth predicted by the accumulated traffic volume forecasting means 102 by the travel time prediction unit 103, the accumulated traffic of the current upstream toll booth (point) according to FIG. The time is extracted from the accumulated traffic volume data of the downstream toll booth (point) that has the same value as the amount, and is used as the estimated travel time.
[0071]
Further, the travel required time prediction correcting means 109 makes a maximum limit value Δt of a change set in advance with respect to the predicted value output from the travel required time predicting means 103 in consideration of the temporal transition of the travel required time._limWhen the travel required time that is not possible is output, the travel required time Tp (t + Δt) is set to Tp (t) −Δt._lim≦ Tp (t + Δt) ≧ Tp (t) + Δt_limCorrect the output so that
[0072]
In the description of the sixth embodiment, the improved autoregressive model has been described as an example of the cumulative traffic volume prediction model. However, depending on the contents of data that can be stored in the toll collection system data storage unit 111, Needless to say, any of the prediction models used in the first to fifth embodiments other than those described above can be applied in the same manner, and prediction with improved prediction accuracy of future accumulated traffic volume data can be performed.
[0073]
According to the sixth embodiment of the present invention, when toll road toll collection system data can be used, the cumulative traffic volume from the toll collection system data to the current time of the day can be calculated, and from these, the future Can be predicted with high prediction accuracy. With this highly accurate prediction of cumulative traffic volume, the required travel time can be predicted with high accuracy. In this case, there is also an advantage that the accumulated traffic volume and the required travel time can be predicted without necessarily providing a sensor for measuring the traffic volume on the target road. In addition, when the accumulated traffic volume cannot be calculated according to the form of the toll gate and the toll collection system data, the simulated accumulated traffic volume is predicted and calculated based on the outflow traffic volume at the most downstream toll gate and the travel time between each toll gate, Thus, the required travel time can be predicted.
[0074]
【The invention's effect】
As described above, according to the present invention, the prediction accuracy can be improved in consideration of the change in the traffic situation on the current day from the time-series cumulative traffic volume data up to the present time at a plurality of points on the target road on the current day. Since a high prediction model is applied, it is possible to predict the future accumulated traffic volume on the day when the prediction accuracy is improved. Therefore, it is possible to provide a travel required time predicting apparatus and a method thereof capable of predicting the travel required time and improving the prediction accuracy of the travel required time of the day.
[Brief description of the drawings]
FIG. 1 is a block diagram showing the overall configuration of a travel time prediction apparatus according to the present invention.
FIG. 2 is a diagram showing a concept of transition of accumulated traffic volume and travel time prediction.
FIG. 3 is a block diagram showing a configuration of a first embodiment of a travel time prediction apparatus according to the present invention.
FIG. 4 is a schematic diagram of cumulative traffic volume prediction using an autoregressive model according to the first embodiment of the present invention.
FIG. 5 is a block diagram showing a configuration of a second exemplary embodiment of the present invention.
FIG. 6 is a block diagram showing a configuration of a third embodiment of the present invention.
FIG. 7 is a block diagram showing the configuration of a fourth embodiment of the present invention.
FIG. 8 is a block diagram showing a configuration of a fifth embodiment of the present invention.
FIG. 9 is a diagram showing a concept of learning of a neural network performed in the third embodiment.
FIG. 10 is a block diagram showing a configuration of a sixth embodiment of the present invention.
[Explanation of symbols]
11: Cumulative traffic measurement means,
12 ... Cumulative traffic prediction means,
13: Traveling time prediction means,
14: Cumulative traffic data storage means,
15 ... Target road,
16: Vehicle detector (sensor),
21a... Past measurement of accumulated traffic volume at upstream points,
21b: Future predicted value of accumulated traffic volume at upstream points,
22a... Past measurement of cumulative traffic volume at downstream points,
22b: Future predicted value of cumulative traffic volume at downstream points,
23: Time when the future cumulative traffic volume at the downstream point matches the cumulative traffic volume at the upstream point at time t,
24: Cumulative traffic volume at time t at upstream point,
25: Travel time required to the downstream point predicted at time t,
26: Traveling time Ts from the upstream point to the downstream point at time t,
27: Number of vehicles existing between the upstream point and the downstream point at time t-Ts,
32 ... Cumulative traffic prediction means by autoregressive model,
37 ... Autoregressive model parameter determining means,
52... Cumulative traffic volume predicting means based on autoregressive model using multiple point data, 57... Autoregressive model parameter determining means using multiple point data,
62 ... Cumulative traffic prediction means by improved autoregressive model,
65 ... travel time measuring means,
66 ... Traveling time accumulating means,
67... Improved autoregressive model parameter determining means,
72 ... Cumulative traffic prediction means by polynomial approximation model,
77... Polynomial approximation model parameter determining means,
82 ... Cumulative traffic prediction means by neural network,
87: weight of the neural network,
88... Neural network learning means,
110 ... toll collection system data acquisition means,
101 ... Cumulative traffic data creation means,
102: Cumulative traffic prediction means based on an improved autoregressive model,
103 ... travel time prediction means,
104: Cumulative traffic data storage means,
105: Traveling time data creation means,
106: Traveling time data storage means,
107 ... Improved autoregressive model parameter determination means,
109 ... Traveling time prediction correction means,
111: Toll collection system data storage means.

Claims

A plurality of points on the road on which the vehicle is traveling, means for measuring the accumulated traffic data is the cumulative number of vehicles passing through the respective points over time, respectively,
These cumulative traffic accumulated traffic data of the data up to now obtained the each point by means for measuring and means for predicting the cumulative traffic data at a future time in the each of the point,
In the future cumulative traffic data at any two of the plurality of points obtained by the means for predicting the cumulative traffic data, the time difference between the two points in time when the cumulative number is the same is calculated as the future travel between the two points. and means for predicting a time required for,
The means for predicting future cumulative traffic data uses an autoregressive model in which parameters are determined based on cumulative traffic data up to the present time at a target point where cumulative traffic is to be predicted among the plurality of points. A travel time predicting device for predicting cumulative traffic volume data at a future time point of the point .

The means for predicting future cumulative traffic data determines parameters based on cumulative traffic data up to the present time at least two points including a target point for which cumulative traffic is to be predicted among the plurality of points . The travel time prediction apparatus according to claim 1, wherein the travel time prediction apparatus is a means for predicting cumulative traffic volume data at a future time point of the point using an autoregressive model.

Said means for predicting the cumulative traffic data for the future, the cumulative traffic data up to the present time in the least two points including the point of interest to be predicted cumulative traffic of the plurality of points, further with the point using an autoregressive model to determine the parameters on the basis of the travel duration data between the other points intended for the cumulative traffic data, means for predicting the cumulative traffic data at a future time of the point The travel time prediction apparatus according to claim 1 , wherein

A plurality of points on the road on which the vehicle is traveling, means for measuring the accumulated traffic data is the cumulative number of vehicles passing through the respective points over time, respectively,
These cumulative traffic accumulated traffic data of the data up to now obtained the each point by means for measuring and means for predicting the cumulative traffic data at a future time in the each of the point,
In the future cumulative traffic data at any two of the plurality of points obtained by the means for predicting the cumulative traffic data, the time difference between the two points in time when the cumulative number is the same is calculated as the future travel between the two points. and means for predicting a time required for,
The means for predicting future cumulative traffic data uses a polynomial approximation model in which parameters are determined based on cumulative traffic data up to the present time at a point where cumulative traffic is to be predicted among the plurality of points. A travel time prediction device for predicting cumulative traffic data at a future time point of the point .

A plurality of points on the road on which the vehicle is traveling, means for measuring the accumulated traffic data is the cumulative number of vehicles passing through the respective points over time, respectively,
These cumulative traffic accumulated traffic data of the data up to now obtained the each point by means for measuring and means for predicting the cumulative traffic data at a future time in the each of the point,
In the future cumulative traffic data at any two of the plurality of points obtained by the means for predicting the cumulative traffic data, the time difference between the two points in time when the cumulative number is the same is calculated as the future travel between the two points. and means for predicting a time required for,
The means for predicting the future cumulative traffic data is a neural network that learns a weighting factor every predetermined time for cumulative traffic data up to the present time at a point where the cumulative traffic is to be predicted among the plurality of points. The travel time estimation apparatus according to claim 1, wherein cumulative traffic volume data at a future time point of the point is predicted based on the latest weight coefficient .

Means for measuring the accumulated traffic volume data at each point,
Using data from toll collection system of the toll road, to determine the output-containing and target traffic direction of the vehicle passing through each entrance tollgate, calculate the passing traffic at each point of the entrance tollgate, the accumulated and integrated 6. The travel time prediction apparatus according to claim 1, wherein the travel time prediction apparatus is traffic volume data .

Measuring each of cumulative traffic data , which is the cumulative number of vehicles passing through each of the points as time passes , at a plurality of points on the target road on which the vehicle travels;
These cumulative traffic accumulated traffic data of the data up to now obtained the each point by measuring the, and predicting the cumulative traffic data at a future time in the each of the point,
In future cumulative traffic data in any two points of the plurality of points obtained by predicting the cumulative traffic data, the time difference between two time points the number of accumulated matches, traveling between the future of the two points comprising the steps of predicting a time required for,
Step autoregressive model to determine the parameters based on the accumulated traffic data and travel duration data to date at the point to be predicted cumulative traffic of the plurality of points to predict the accumulated traffic data of the future A method for predicting the required travel time, wherein cumulative traffic volume data at a future time point of the point is predicted using.

Measuring each of cumulative traffic data , which is the cumulative number of vehicles passing through each of the points as time passes , at a plurality of points on the target road on which the vehicle travels;
These cumulative traffic accumulated traffic data of the data up to now obtained the each point by measuring the, and predicting the cumulative traffic data at a future time in the each of the point,
In future cumulative traffic data in any two points of the plurality of points obtained by predicting the cumulative traffic data, the time difference between two time points the number of accumulated matches, traveling between the future of the two points comprising the steps of predicting a time required for,
The step of predicting future cumulative traffic data uses a polynomial approximation model in which parameters are determined based on cumulative traffic data up to the present time at a point where cumulative traffic is to be predicted among the plurality of points. A travel time prediction method characterized by predicting cumulative traffic data at a future time point of the point .

Measuring each of cumulative traffic data , which is the cumulative number of vehicles passing through each of the points as time passes , at a plurality of points on the target road on which the vehicle travels;
These cumulative traffic accumulated traffic data of the data up to now obtained the each point by measuring the, and predicting the cumulative traffic data at a future time in the each of the point,
In future cumulative traffic data in any two points of the plurality of points obtained by predicting the cumulative traffic data, the time difference between two time points the number of accumulated matches, traveling between the future of the two points comprising the steps of predicting a time required for,
Step, the the accumulated traffic data to date at the point to be predicted cumulative traffic volume among the plurality of points, a neural network to learn the weighting factor for each passage of a predetermined time period to predict the accumulated traffic data of the future And a cumulative travel volume data at a future time point of the point is predicted based on the latest weighting coefficient .

The step of measuring the accumulated traffic data at each point,
Using toll collection system data on toll roads, determine the entry / exit of vehicles passing through each entrance / exit toll gate and the target direction of traffic, and calculate the traffic volume at each point of the entrance / exit toll gate and add up the accumulated traffic. The travel time prediction method according to any one of claims 7, 8, and 9, characterized in that it is quantity data .