JP3792172B2 - Travel time prediction method, apparatus and program - Google Patents
Travel time prediction method, apparatus and program Download PDFInfo
- Publication number
- JP3792172B2 JP3792172B2 JP2002106791A JP2002106791A JP3792172B2 JP 3792172 B2 JP3792172 B2 JP 3792172B2 JP 2002106791 A JP2002106791 A JP 2002106791A JP 2002106791 A JP2002106791 A JP 2002106791A JP 3792172 B2 JP3792172 B2 JP 3792172B2
- Authority
- JP
- Japan
- Prior art keywords
- travel time
- road section
- section
- road
- time
- 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 - Lifetime
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、道路ネットワーク上で収集された各道路区間の旅行時間実績データを記憶した旅行時間データベースを用いて、道路区間の将来の旅行時間を予測する方法、装置及びプログラムに関するものである。
【０００２】
【従来の技術】
最近の交通需要の増大と、インターネット、携帯電話などの情報伝達媒体の普及に伴い、交通情報提供に対するニーズが高まっている。交通情報のうち、走行車両が道路区間を走行するのに要する時間（旅行時間という）の情報は、交通渋滞の把握、目的地に到達する最短経路や迂回経路の算出、などに必要である。
交通計測を行って収集された旅行時間実績データは、旅行時間データベースに蓄積されている。
【０００３】
【発明が解決しようとする課題】
渋滞予測のためには、将来の旅行時間を予測する必要がある。最短経路や迂回経路などの算出にも、現在の旅行時間よりも、将来の旅行時間を予測して用いるほうが精度の点で好ましい。
そこで将来の旅行時間を予測する必要がある。従来、予測したい道路区間における現在までの旅行時間の時間推移パターンを延長して将来の旅行時間を予測する手法（統計差分方式）がとられているが、予測誤差が多い。
【０００４】
そこで、発明者は、道路区間の旅行時間実績データに基づいて、同じパターンを持つ時間を見付け、その先の旅行時間実績データを参照することに着目した。さらに、渋滞が発生すると、上流（車両の走行方向上流をいう）につながる道路区間に渋滞が派生していくので、予測したい道路区間だけでなく、予測したい道路区間とつながりのある１又は複数の道路区間を対象として処理することが好ましいと考えた。
【０００５】
本発明は、道路ネットワーク上で収集された各道路区間の旅行時間実績データを記憶した旅行時間データベースを用いて、精度のよい予測を行うことができる旅行時間予測方法、装置及びプログラムを提供することを目的とする。
【０００６】
【課題を解決するための手段】
本発明の旅行時間予測方法は、道路区間がボトルネック区間であるかどうかの判定を、過去の旅行時間実績データに基づいて、請求項１記載の (A) 〜 (E) の手順で行い、予測したい道路区間及び予測したい道路区間とつながりがあって下流に該当する１又は複数の道路区間のうち、ボトルネック区間までの範囲の一部あるいは全部を、予測に用いる道路区間として選定し、予測に用いる道路区間における現在までの旅行時間の時間推移に類似した旅行時間パターンを持つ時間範囲を、過去の旅行時間実績データに基づいて決定し、当該決定した時間範囲の先の旅行時間実績データを参照することにより、予測したい道路区間の先の旅行時間を予測する方法である（請求項１）。
【０００７】
前記の方法によれば、予測に用いる道路区間として、予測したい道路区間及び予測したい道路区間とつながりのある１又は複数の道路区間を選定する。これは、渋滞が発生すると、その道路区間につながる道路区間に渋滞が派生していくので、予測したい道路区間だけでなく、予測したい道路区間とつながりのある１又は複数の道路区間を対象として処理することが好ましいと考えたからである。
予測に用いる道路区間における現在までの旅行時間の時間推移に類似した旅行時間パターンを持つ時間範囲を、過去の旅行時間実績データに基づいて決定する。決定する時間範囲は、現在時刻を含む直前の時間範囲となることもあり、現在時刻を含まない過去の時間範囲となることもある。
【０００８】
当該決定した時間範囲の先の旅行時間実績データを参照することにより、予測したい道路区間の先の旅行時間を予測する。
このように、予測したい道路区間だけでなく、予測したい道路区間とつながりのある１又は複数の道路区間を対象としてパターンマッチングをとることで、より精度のよい予測を行うことができる。
前記予測に用いる道路区間の範囲は、予測したい道路区間及びその下流（車両の走行方向下流をいう。以下同じ）の道路区間に限定している。渋滞は、上流につながる道路区間に派生していくので、予測したい道路区間の旅行時間の時間推移は、そこから下流の道路区間の旅行時間の時間推移と深い関連がある。したがって、予測に用いる道路区間の範囲として、下流の道路区間を選択する。
【０００９】
前記予測に用いる道路区間の範囲を、予測したい道路区間からその下流に存在する、ボトルネック区間までの範囲の一部あるいは全部に限定する。「ボトルネック区間」とは、実績上、ボトルネックになりやすい区間をいう。ボトルネックとは、当該区間が渋滞し、その下流の区間が渋滞していない状態をいう。ボトルネック区間の下流は、渋滞していないので、予測したい道路区間の旅行時間は、ボトルネック区間の下流の区間の影響を受け難いと考えられる。そこで、予測に用いる道路区間の範囲を、予測したい道路区間からその下流に存在する、ボトルネック区間までの範囲に限定したのである。
【００１０】
「ボトルネック区間」の判定は、統計処理による必要があるので、過去の旅行時間実績データに基づいて、請求項１記載の(A)〜(E)の手順で行う。
当該道路区間の渋滞判定は、下流の道路区間から続く渋滞の始まりを検出できるように緩やかに、当該道路区間の下流の道路区間の渋滞判定は、当該道路区間への渋滞が波及する状態を検出するため厳しく行うとよい（請求項２）。これは、下流の道路区間から当該道路区間へ渋滞が波及してくるという事実に着目したためである。
【００１３】
さらに本発明の旅行時間予測装置は、前記請求項１又は請求項２に記載の旅行時間予測方法を実施するものである（請求項３）。
本発明の旅行時間予測プログラムは、前記請求項１又は請求項２に記載の旅行時間予測方法をコンピュータに実行させるものである（請求項４）。
【００１４】
【発明の実施の形態】
以下、本発明の実施の形態を、添付図面を参照しながら詳細に説明する。
図１は、本発明の旅行時間予測方法を実施するための旅行時間予測装置の概略図である。旅行時間予測装置は、コンピュータなどを含む処理装置１と、旅行時間実績データなどを記憶する記憶装置２と、管轄道路の各地点に設置された車両感知器からの信号を取り入れるためのインターフェイス３と、表示装置、キーボードなどの入出力装置４を備えている。
【００１５】
処理装置１で行う各処理機能の全部又は一部は、記憶装置２に記録されたプログラムをコンピュータが実行することにより実現される。
図２は、本発明の旅行時間予測方法を順に説明するためのブロック図である。
処理装置１は、旅行時間のデータを収集している（１）。
ここで旅行時間データの求め方をいくつか説明する。
処理装置１は、車両感知器の感知信号に基づいて交通量ｑ（単位時間（例えば５分間）あたりの車両の通過台数）を算出する。車両感知器は道路区間ごとに設置されているので、交通量ｑも道路区間ごとに求められる。
【００１６】
さらに処理装置１は、占有時間Ｏ（単位時間（例えば５分間）内に、各車両ｋが車両感知器を横切った時間ｔkの総和Σｔk）を検知する。
処理装置１は、交通量ｑ、占有時間Ｏ、及び平均車長（一定値とする）Ｉを用いて、式Ｖ＝Ｉ・ｑ／Ｏにより車両の平均速度Ｖを計算し、これと道路区間の長さＬを用いて、式Ｔ＝Ｌ／Ｖにより旅行時間Ｔを計算する。
なお、道路区間に路上ビーコンが設置されていて、車載装置との双方向通信により車両が識別できるときは、同一車両が道路区間の端を通過した時刻と道路区間の他の端を通過した時刻とから、道路区間を走行するのに要した旅行時間を求めることもできる。単位時間（例えば５分間）内に複数の車両を同定できたならば、各車両の旅行時間の平均をとる。
【００１７】
以上の他に、カメラの計測画像から車両のプレートナンバーをマッチングして車両を同定し、同一車両が道路区間の端を通過した時刻と道路区間の他の端を通過した時刻とから、道路区間を走行するのに要した時間Ｔを求めるようにしてもよい。この場合も、単位時間（例えば５分間）内に複数の車両を同定できたときは、各車両の旅行時間の平均をとる。
以上のようにして求めた複数種類の旅行時間について、重み付き平均値をとって、これを旅行時間としてもよい。重みとしては、経験上定めた値を採用すればよい。
【００１８】
処理装置１は、旅行時間のデータを時間ごと、道路区間ごとに記憶装置２に蓄積する（２）。
次に処理装置１は、予測したい道路区間について、以下の処理により旅行時間の予測を行う。
管轄道路の中から予測したい道路区間を指定する（３）。その下流の道路区間を特定し、記憶装置２から旅行時間データを読み出す（４）。これにより、特定された各下流の道路区間について、単位時間（例えば５分間）ごとの時系列データが得られる。
【００１９】
次に処理装置１は、時系列データのばらつきを排除するため、データの平滑化を行う。
まず、時系列データに対して離散コサイン変換をして複数の周波数成分に分解する。分解された周波数成分のうち、周波数の高い部分は除去する。残った周波数の低い成分だけを用いて離散コサイン逆変換をして、ばらつきの影響が排除された時系列データを作成する。
【００２０】
なお、前記離散コサイン変換に代えて、フーリエ変換やウェーブレット変換を採用してもよい。また、移動平均、指数平滑等の他の平滑化手法を用いてもよい。
次に、旅行時間の二値化を行う(６)。平滑化した旅行時間の一日の最大値、最小値を求め、係数α（０．５＜α＜１）を用いて、
しきい値L＝α×最大値＋（１−α）×最小値
しきい値S＝（１−α）×最大値＋α×最小値
のように、しきい値L＞しきい値Sとなる二種類のしきい値を作成する。しきい値L,Sのいずれかを用いて旅行時間がしきい値を上回れば１（渋滞）、しきい値以下であれば０（非渋滞）とする。
【００２１】
次に旅行時間予測に用いる区間の下流に存在するボトルネック区間を特定する(７)。このボトルネック区間特定処理は、後に詳細フローチャート（図３）を用いて説明する。
ボトルネック区間が特定されると、旅行時間予測に用いる区間を決定する(８)。この旅行時間予測に用いる区間は、予測したい道路区間からボトルネック区間までの区間とする。予測したい道路区間及びボトルネック区間を含む。
【００２２】
次に、予測したい道路区間の当日の現在までの旅行時間データを読み出す(９)。ステップ（４）において既に読み出しているならば、その読み出した旅行時間データを用いる。このとき、旅行時間データに平滑化処理を行ってもよい。
予測したい道路区間の現在までの旅行時間の時間推移パターンと、予測に用いる道路区間の旅行時間データの実績時間推移パターンの類似度を調べ(１０)、予測したい道路区間の将来の旅行時間予測値を求める(１１)。そして、求めた旅行時間予測値を出力して、一連の処理を終える。
【００２３】
ここでボトルネック区間特定処理を詳しく説明する。
図３、図４は、ボトルネック区間特定処理を説明するためのフローチャートである。この処理では、過去の時刻ｔ0から時刻ｔ1までの時間帯でボトルネック区間の特定を行う。処理は、予測したい道路区間とその直ぐ下流の道路区間から始め、道路区間を１つずつ下流の方へずらしていく。
まず、処理の「対象区間」を、予測したい道路区間とし（ステップＳ１）、対象区間の直ぐ下流の区間を「下流区間」という（ステップＳ２）。下流区間が管轄外区間でなければ（ステップＳ３）、時刻パラメータｔをｔ0とおく（ステップＳ４）。対象区間のボトルネック指数を0とおく（ステップＳ５）。
【００２４】
時刻ｔでの対象区間の旅行時間を記憶装置２から読み出し（このとき平滑化を加えてもよい）、その旅行時間をしきい値Sで二値化して渋滞していたかどうか判定する（ステップＳ６）。しきい値Sを使う理由は、後述する。
対象区間が渋滞していなければ、時刻パラメータｔを１つ増やして（ステップＳ１２）、次の時刻で渋滞判定をする。
渋滞であれば、下流区間の旅行時間を記憶装置２から読み出し（このとき平滑化を加えてもよい）、その旅行時間をしきい値Lで二値化して渋滞していたかどうか判定する（ステップＳ８）。しきい値Lを使う理由は、後述する。
【００２５】
下流区間が渋滞していなければ、対象区間のボトルネック指数に１を加算し（ステップＳ１０）、渋滞していれば、対象区間のボトルネック指数に−１を加算する（ステップＳ１１）。
図解すると、図５のようになる。図５(a)のように、対象区間が渋滞していて、下流区間が非渋滞の場合、当該対象区間は、ボトルネック区間である可能性が高いので、ボトルネック指数に１を加算する。図５(b)のように、対象区間が渋滞していて、下流区間も渋滞している場合、当該対象区間は、ボトルネック区間である可能性が低いので、ボトルネック指数に−１を加算する。
【００２６】
なお、対象区間が非渋滞の場合は、下流区間の渋滞、非渋滞にかかわらず、ボトルネック指数はそのままとする。
対象区間と下流区間とで渋滞判定のしきい値を変えているのは、次の理由による。対象区間については、なるべくステップＳ８以下の判定に持ち込みたいため、小規模な渋滞も「渋滞」と判定する。下流区間については、上流の対象区間に影響を与えない小規模な渋滞は「非渋滞」と判定し、上流の対象区間に影響を与える比較的大規模な渋滞のみ「渋滞」と判定する。
【００２７】
次にフローチャートのステップＳ１２（図４参照）に進み、時刻パラメータｔを１つ増やして、次の時刻での渋滞判定を、前記と同様にして行う。
ステップＳ６からステップＳ１２まで繰り返すことによって、当該対象区間が時刻Ｔ0から時刻Ｔ1までの間でボトルネックになった実績、をボトルネック指数で評価することができる。ボトルネック指数が高ければ、当該対象区間はボトルネックになりやすい区間、すなわちボトルネック区間といえる。
【００２８】
そこでステップＳ１４で、ボトルネック指数が一定値以上かどうか調べ、一定値以上ならば、当該対象区間をボトルネック区間と特定する（ステップＳ１６）。
当該対象区間のボトルネック指数が一定値に満たない場合、対象区間を１つ下流の方へずらして（ステップＳ１５）、ステップＳ２に戻り、当該１つずらした対象区間とその下流にある下流区間のペアに対して、ボトルネック指数を加算していく。時刻Ｔ1まで到達すると、ボトルネック指数を評価し、ボトルネック区間かどうかの判定を行う。
【００２９】
このような判定を、ボトルネック区間が特定されるまで行う。なお、ボトルネック区間が1つ決まれば、処理ループを抜ける。
管轄区域の端まで到達しても、ボトルネック区間が特定できない場合は、管轄区域内の最下流の区間をボトルネック区間とみなす（ステップＳ３→ステップＳ１６）。
次に、旅行時間の時間推移パターンの類似性を調べて将来の旅行時間予測値を求める処理を、図６を用いて詳しく説明する。
【００３０】
図６(a)は、予測したい道路区間１からボトルネック区間Ｎ（Ｎは１以上の整数）までの一連の、予測に用いる区間を示している。
図６(b)は、予測に用いる区間の当日の現在までの旅行時間データを示す。Ｔは旅行時間、添え字は道路区間を示し、括弧内の数字は時刻に対応している。ｉは現在時刻を示す。
図６(c)は、予測に用いる区間の過去の旅行時間の実績データを示している。Ｔ′は旅行時間、括弧内の数字は時刻に対応しているが、数字ｊ等は必ずしも現在時刻と限らない。
【００３１】
いま道路区間１の現在時刻ｉからｐ期だけ先の時刻の旅行時間を予測することを想定する。
図６(b)のＴ1(i)から過去に遡るｍ期分の（図６では３期分を示している）データ、Ｔ2(i) から過去に遡るｍ期分のデータ、・・、ＴN(i) から過去に遡るｍ期分のデータをとる。とったデータは、Ｎ×ｍ次元のベクトルを構成する。このベクトルをＶiと書く。
【００３２】
次に図６(c)のＴ′1(j)から過去に遡るｍ期分の（図６では３期分を示している）データ、Ｔ′2(j) から過去に遡るｍ期分のデータ、・・、Ｔ′N(j) から過去に遡るｍ期分のデータをとる。とったデータは、Ｎ×ｍ次元のベクトルを構成する。このベクトルをＷjと書く。
これらのベクトルＶiとＷjとの距離ｄijを測定する。ここで、距離ｄijは、二乗平均を用いて、
ｄij＝SQRTΣ｛［Ｔk(i)−Ｔ′k(j)］2＋［Ｔk(i-1)−Ｔ′k(j-1)］2＋・・＋［Ｔk(i-m+1)−Ｔ′k(j-m+1)］2｝（総和Σはk=1からNまで）
と定義できる。二乗平均でなく絶対値を用いてもよい。
ｄij＝（１／ｍＮ）Σ｛｜Ｔk(i)−Ｔ′k(j)｜＋｜Ｔk(i-1)−Ｔ′k(j-1)｜＋・・＋｜Ｔk(i-m+1)−Ｔ′k(j-m+1)｝｜｝（総和Σはk=1からNまで）
さらに、図６(c)においてｊを上又は下に1つずらして、Ｎ×ｍ次元のベクトルを求め、ベクトルＶiとＷj+1との距離ｄi,j+1を測定する。さらに距離ｄi,j+2、距離ｄi,j-1等を測定していく。
【００３３】
このようにして、ベクトル同士の距離ｄijを、ｊをある範囲で動かしながら求めていき、ベクトルＶiからもっとも距離の短いベクトルＷを特定する。このもっとも距離の短いベクトルがＷjであったとする。この場合、旅行時間の時間推移パターンがもっとも類似していると判断する。
ベクトルＷjを構成する区間１の旅行時間の中で、時刻ｊからｐを足した旅行時間Ｔ′1(j+p)を予測する区間１の旅行時間とする。
【００３４】
以上の例では、予測に用いる区間の旅行時間の実績データの中から、ｍ期分のデータとして３期分のデータを類似判断に用いたが、ｍ＝３に限定されるものではない。ｍは１以上の整数ならば、どのような数を採用してもよい。
また、ベクトルＶiからもっとも距離の短いベクトルＷを1つ特定していたが、１つに限らず、複数のベクトルＷを特定して、それぞれのベクトルＷから旅行時間Ｔ′1(j+p)を予測し、それらの平均をとることとすれば、突発的な変動を吸収した、より精度のよい旅行時間の予測ができる。
【００３５】
また、予測に用いる区間の旅行時間の実績データを採る範囲は、いろいろ考えられる。例えば、あまり古い実績データを用いると誤差が大きくなることがあるので、当日から遡った一定日数の実績データに限定することが好ましい。さらに、当日と同じ曜日の実績データに限定する、現在時刻の属する時間帯と同じ実績データに限定する、当日と同じ天気の日の実績データに限定する、当日に催事があれば同じ催事があった日の実績データに限定する、といったことが考えられる。 なお、旅行時間予測に用いる区間の旅行時間の実績データをいくつかの類型に分けて保存しておいてもよい。
【００３６】
以上で、本発明の実施の形態を説明したが、本発明の実施は、前記の形態に限定されるものではなく、本発明の範囲内で種々の変更を施すことができる。
【００３７】
【発明の効果】
以上のように本発明によれば、予測したい道路区間だけでなく、予測したい道路区間とつながりのある１又は複数の道路区間を対象として、旅行時間の時間推移のパターンマッチングをとることで、精度のよい予測を行うことができる。したがって、予測した旅行時間を、渋滞予測や、最短経路や迂回経路などの算出に活用することができる。
【図面の簡単な説明】
【図１】本発明の旅行時間予測方法を実施するための旅行時間予測装置の概略図である。
【図２】本発明の旅行時間予測方法の流れを説明するためのブロック図である。
【図３】ボトルネック区間特定処理を説明するためのフローチャートである。
【図４】ボトルネック区間特定処理を説明するためのフローチャートである（図３の続き）。
【図５】ボトルネック区間判定の基準を説明するための図解図である。
【図６】旅行時間の時間推移パターンの類似性を調べて将来の旅行時間を予測する処理を説明するための図である。
【符号の説明】
１ 処理装置
２ 記憶装置
３ インターフェイス
４ 入出力装置[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a method, an apparatus, and a program for predicting a future travel time of a road section using a travel time database storing travel time performance data collected for each road section on a road network.
[0002]
[Prior art]
With the recent increase in traffic demand and the spread of information transmission media such as the Internet and mobile phones, there is an increasing need for traffic information provision. Of the traffic information, information on the time required for the traveling vehicle to travel on the road section (referred to as travel time) is necessary for grasping traffic congestion, calculating the shortest route or detour route to reach the destination, and the like.
Travel time result data collected by measuring traffic is stored in a travel time database.
[0003]
[Problems to be solved by the invention]
In order to predict traffic congestion, it is necessary to predict the future travel time. In calculating the shortest route and the detour route, it is preferable in terms of accuracy to predict and use the future travel time rather than the current travel time.
Therefore, it is necessary to predict the future travel time. Conventionally, a method (statistic difference method) for predicting a future travel time by extending a time transition pattern of a travel time up to the present in a road section to be predicted has been used, but there are many prediction errors.
[0004]
Therefore, the inventor paid attention to finding a time having the same pattern based on the travel time record data of the road section and referring to the travel time record data ahead. Furthermore, when a traffic jam occurs, the traffic jam is derived from a road section that leads to the upstream (which means the upstream in the direction of travel of the vehicle). We thought it preferable to process the road section.
[0005]
The present invention provides a travel time prediction method, apparatus, and program capable of performing accurate prediction using a travel time database storing travel time performance data of each road section collected on a road network. With the goal.
[0006]
[Means for Solving the Problems]
According to the travel time prediction method of the present invention, whether or not a road section is a bottleneck section is determined based on past travel time performance data according to the procedures (A) to (E) according to
[0007]
According to the above method, the road section to be predicted and one or a plurality of road sections connected to the road section to be predicted are selected as road sections to be used for prediction. This is because when a traffic jam occurs, the traffic jam is derived from the road segment connected to the road segment, so that not only the road segment to be predicted but also one or more road segments connected to the road segment to be predicted are processed. This is because it was considered preferable to do this.
A time range having a travel time pattern similar to the time transition of the travel time up to the present in the road section used for prediction is determined based on past travel time record data. The time range to be determined may be a time range immediately before including the current time, or may be a past time range not including the current time.
[0008]
The travel time ahead of the road section to be predicted is predicted by referring to the travel time record data ahead of the determined time range.
In this way, more accurate prediction can be performed by taking pattern matching not only for the road section to be predicted but also for one or a plurality of road sections connected to the road section to be predicted.
The range of the road section used for the prediction is limited to the road section to be predicted and the road section downstream of the road section (referred to as downstream in the vehicle traveling direction; the same applies hereinafter) . Since the traffic congestion is derived from the road section leading to the upstream, the time transition of the travel time of the road section to be predicted is closely related to the time transition of the travel time of the road section downstream from there. Therefore, the downstream road section is selected as the range of the road section used for prediction.
[0009]
The scope of the road section to be used for the prediction are present in the downstream from the predicted want road section, limited to a part or all of the range up to the bottleneck section. A “bottleneck section” refers to a section that is likely to become a bottleneck in actual results. A bottleneck is a state where the section is congested and the downstream section is not congested. Since the downstream of the bottleneck section is not congested, it is considered that the travel time of the road section to be predicted is hardly affected by the section downstream of the bottleneck section. Therefore, the range of the road section used for prediction is limited to the range from the road section to be predicted to the bottleneck section existing downstream thereof.
[0010]
Determination of "bottleneck section", it is necessary according to the statistical processing, based on the past travel time performance data, intends row in the procedure of
The congestion judgment of the road section is gentle so that the start of the traffic jam that continues from the downstream road section can be detected, and the traffic congestion judgment of the road section downstream of the road section detects the state where the traffic congestion to the road section is spread. Therefore, it is advisable to do so strictly (claim 2 ). This is because attention has been paid to the fact that traffic congestion spreads from the downstream road section to the road section.
[0013]
Furthermore, the travel time prediction apparatus of the present invention implements the travel time prediction method according to
A travel time prediction program according to the present invention causes a computer to execute the travel time prediction method according to
[0014]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
FIG. 1 is a schematic diagram of a travel time prediction apparatus for implementing the travel time prediction method of the present invention. The travel time prediction device includes a
[0015]
All or part of each processing function performed by the
FIG. 2 is a block diagram for sequentially explaining the travel time prediction method of the present invention.
The
Here are some explanations on how to obtain travel time data.
The
[0016]
Further, the
The
When a road beacon is installed in the road section and the vehicle can be identified by two-way communication with the in-vehicle device, the time when the same vehicle passes the end of the road section and the time when the other end of the road section passes Therefore, the travel time required to travel on the road section can be obtained. If a plurality of vehicles can be identified within a unit time (for example, 5 minutes), the travel time of each vehicle is averaged.
[0017]
In addition to the above, the vehicle number is identified by matching the vehicle plate number from the measurement image of the camera. From the time when the same vehicle passes the end of the road section and the time when the other end of the road section passes, the road section You may make it obtain | require the time T required to drive | work. Also in this case, when a plurality of vehicles can be identified within a unit time (for example, 5 minutes), the average travel time of each vehicle is taken.
For the plurality of types of travel times obtained as described above, a weighted average value may be taken and used as travel time. As a weight, a value determined based on experience may be adopted.
[0018]
The
Next, the
A road section to be predicted is designated from among the jurisdiction roads (3). The downstream road section is specified, and travel time data is read from the storage device 2 (4). Thereby, time-series data for each unit time (for example, 5 minutes) is obtained for each identified downstream road section.
[0019]
Next, the
First, discrete cosine transform is performed on time series data to decompose it into a plurality of frequency components. Among the decomposed frequency components, the high frequency part is removed. Discrete cosine inverse transform is performed using only the remaining low frequency components, and time series data in which the influence of variation is eliminated is created.
[0020]
In place of the discrete cosine transform, Fourier transform or wavelet transform may be employed. Further, other smoothing methods such as moving average and exponential smoothing may be used.
Next, the travel time is binarized (6). Find the maximum and minimum daily smoothed travel time and use the coefficient α (0.5 <α <1)
Threshold value L = threshold value S such that threshold value L = α × maximum value + (1−α) × minimum value threshold value S = (1−α) × maximum value + α × minimum value. Create two types of thresholds. If either of the threshold values L and S is used and the travel time exceeds the threshold value, 1 (congestion) is set, and if the travel time is less than the threshold value, 0 (non-congestion) is set.
[0021]
Next, the bottleneck section existing downstream of the section used for travel time prediction is specified (7). This bottleneck section specifying process will be described later using a detailed flowchart (FIG. 3).
When the bottleneck section is specified, the section used for the travel time prediction is determined (8). The section used for the travel time prediction is a section from the road section to be predicted to the bottleneck section. Includes road sections and bottleneck sections to be predicted.
[0022]
Next, the travel time data up to the present day of the road section to be predicted is read (9). If already read out in step (4), the read travel time data is used. At this time, the travel time data may be smoothed.
Investigate the similarity between the time transition pattern of the travel time of the road section to be predicted and the actual time transition pattern of the travel time data of the road section used for prediction (10), and predict the future travel time of the road section to be predicted (11). Then, the calculated travel time predicted value is output, and a series of processing is finished.
[0023]
Here, the bottleneck section specifying process will be described in detail.
3 and 4 are flowcharts for explaining the bottleneck section specifying process. In this process, the bottleneck section is specified in the time period from the past time t0 to time t1. The process starts with the road section to be predicted and the road section immediately downstream of the road section, and shifts the road sections one by one downstream.
First, the “target section” of the process is set as a road section to be predicted (step S1), and a section immediately downstream of the target section is referred to as a “downstream section” (step S2). If the downstream section is not a non-jurisdictional section (step S3), the time parameter t is set to t0 (step S4). The bottleneck index of the target section is set to 0 (step S5).
[0024]
The travel time of the target section at time t is read from the storage device 2 (smoothing may be added at this time), and the travel time is binarized with a threshold value S to determine whether or not there is traffic (step S6). ). The reason for using the threshold value S will be described later.
If the target section is not congested, the time parameter t is increased by one (step S12), and the traffic jam is determined at the next time.
If it is a traffic jam, the travel time of the downstream section is read from the storage device 2 (smoothing may be added at this time), and the travel time is binarized by a threshold value L to determine whether the traffic jam has occurred (step) S8). The reason for using the threshold value L will be described later.
[0025]
If the downstream section is not congested, 1 is added to the bottleneck index of the target section (step S10), and if it is congested, -1 is added to the bottleneck index of the target section (step S11).
When illustrated, it is as shown in FIG. As shown in FIG. 5A, when the target section is congested and the downstream section is non-congested, the target section is likely to be a bottleneck section, so 1 is added to the bottleneck index. When the target section is congested and the downstream section is congested as shown in FIG. 5B, the target section is unlikely to be a bottleneck section, so −1 is added to the bottleneck index. To do.
[0026]
If the target section is non-congested, the bottleneck index remains the same regardless of whether the downstream section is congested or non-congested.
The reason for changing the threshold value for determining the traffic jam between the target section and the downstream section is as follows. As for the target section, since it is desired to bring it into the determination in step S8 and subsequent steps as much as possible, a small-scale traffic jam is also determined as a “traffic jam”. For the downstream section, a small-scale traffic jam that does not affect the upstream target section is determined as “non-jamming”, and only a relatively large traffic jam that affects the upstream target section is determined as “traffic jam”.
[0027]
Next, the process proceeds to step S12 (see FIG. 4) of the flowchart, and the time parameter t is increased by one, and the traffic jam determination at the next time is performed in the same manner as described above.
By repeating from step S6 to step S12, it is possible to evaluate the performance of the target section as a bottleneck between time T0 and time T1 using the bottleneck index. If the bottleneck index is high, it can be said that the target section is a section that is likely to become a bottleneck, that is, a bottleneck section.
[0028]
In step S14, it is checked whether the bottleneck index is equal to or greater than a certain value. If the bottleneck index is equal to or greater than the certain value, the target section is identified as the bottleneck section (step S16).
If the bottleneck index of the target section is less than a certain value, the target section is shifted by one downstream (step S15), the process returns to step S2, and the target section shifted by one and the downstream section downstream thereof The bottleneck index is added to each pair. When the time T1 is reached, the bottleneck index is evaluated to determine whether the bottleneck section is reached.
[0029]
Such a determination is performed until the bottleneck section is specified. If one bottleneck section is determined, the process loop is exited.
If the bottleneck section cannot be specified even when reaching the end of the jurisdiction, the most downstream section in the jurisdiction is regarded as the bottleneck section (step S3 → step S16).
Next, a process for determining the future travel time predicted value by examining the similarity of the time transition pattern of the travel time will be described in detail with reference to FIG.
[0030]
FIG. 6A shows a series of sections used for prediction from a
FIG. 6B shows travel time data up to the present day of the section used for prediction. T is the travel time, the subscript indicates the road section, and the numbers in parentheses correspond to the time. i indicates the current time.
FIG.6 (c) has shown the performance data of the past travel time of the area used for a prediction. T ′ corresponds to the travel time, and the numbers in parentheses correspond to the time, but the numbers j and the like are not necessarily the current time.
[0031]
Assume that the travel time of the time ahead of the current period i of the
Data for m periods going back to the past from T 1 (i) in Fig. 6 (b) (showing 3 periods in Fig. 6), data for m periods going back to the past from T 2 (i), ... , Data for m periods going back to the past from T N (i). The taken data constitutes an N × m-dimensional vector. This vector is written as Vi.
[0032]
Next, data for m periods going back to the past from T ' 1 (j) in Fig. 6 (c) (3 periods are shown in Fig. 6), data for m periods going back to the past from T' 2 (j) Data ... Data for m periods going back to the past from T ' N (j). The taken data constitutes an N × m-dimensional vector. This vector is written as Wj.
The distance dij between these vectors Vi and Wj is measured. Here, the distance dij is calculated using the mean square.
dij = SQRTΣ {[Tk (i ) -T'k (j)] 2 + [T k (i-1) -T'k (j-1)] 2 + ·· + [Tk (i-m + 1 ) −T′k (j−m + 1)] 2 } (total Σ is from k = 1 to N)
Can be defined. An absolute value may be used instead of the mean square.
dij = (1 / mN) Σ {| Tk (i) −T ′ k (j) | + | T k (i−1) −T′k (j−1) | + ·· + | Tk (i− m + 1) −T′k (j−m + 1)} |} (total Σ is k = 1 to N)
Further, in FIG. 6C, j is shifted up or down by one to obtain an N × m-dimensional vector, and the distance di, j + 1 between the vector Vi and Wj + 1 is measured. Further, the distance di, j + 2, the distance di, j-1 and the like are measured.
[0033]
In this way, the distance dij between the vectors is obtained while moving j within a certain range, and the vector W having the shortest distance is specified from the vector Vi. It is assumed that this shortest vector is Wj. In this case, it is determined that the time transition patterns of travel time are most similar.
Of the travel times of
[0034]
In the above example, the data for the three periods is used for the similarity determination as the data for the m period out of the actual travel time data of the section used for the prediction, but is not limited to m = 3. Any number may be adopted as long as m is an integer of 1 or more.
Further, one vector W having the shortest distance from the vector Vi is specified. However, the number of vectors W is not limited to one, and the travel time T′1 (j + p) is determined from each vector W. And taking an average of them, it is possible to predict a travel time with higher accuracy that absorbs sudden fluctuations.
[0035]
Moreover, the range which takes the performance data of the travel time of the area used for prediction can be considered variously. For example, since error may become large when using old record data, it is preferable to limit the record data to a certain number of days going back from the current day. Furthermore, it is limited to the actual data on the same day of the week as the current day, limited to the same actual data as the time zone to which the current time belongs, limited to the actual data on the day of the same weather as the current day, For example, it may be limited to the performance data of the day. In addition, you may divide and save the performance data of the travel time of the area used for travel time prediction in several types.
[0036]
Although the embodiments of the present invention have been described above, the embodiments of the present invention are not limited to the above-described embodiments, and various modifications can be made within the scope of the present invention.
[0037]
【The invention's effect】
As described above, according to the present invention, not only a road section to be predicted but also one or a plurality of road sections connected to the road section to be predicted is used to perform pattern matching of time transition of travel time, A good prediction can be made. Therefore, the predicted travel time can be used for traffic jam prediction, calculation of the shortest route, detour route, and the like.
[Brief description of the drawings]
FIG. 1 is a schematic diagram of a travel time prediction apparatus for implementing a travel time prediction method of the present invention.
FIG. 2 is a block diagram for explaining a flow of a travel time prediction method according to the present invention.
FIG. 3 is a flowchart for explaining bottleneck section specifying processing;
FIG. 4 is a flowchart for explaining bottleneck section specifying processing (continuation of FIG. 3).
FIG. 5 is an illustrative view for explaining a criterion for determining a bottleneck section;
FIG. 6 is a diagram for explaining a process of predicting a future travel time by examining the similarity of time transition patterns of travel time.
[Explanation of symbols]
1
Claims (4)
道路区間がボトルネック区間であるかどうかの判定を、過去の旅行時間実績データに基づいて、次の (A) 〜 (E) の手順で行い、
予測したい道路区間及び予測したい道路区間とつながりがあって下流に該当する１又は複数の道路区間のうち、ボトルネック区間までの範囲の一部あるいは全部を、予測に用いる道路区間として選定し、
予測に用いる道路区間における現在までの旅行時間の時間推移に類似した旅行時間パターンを持つ時間範囲を、当該予測に用いる道路区間の過去の旅行時間実績データに基づいて決定し、当該決定した時間範囲の先の旅行時間実績データを参照することにより、予測したい道路区間の先の旅行時間を予測することを特徴とする旅行時間予測方法。
(A) 過去の一定時間範囲の中の時間単位ごとに、当該道路区間が渋滞したかどうか、当該道路区間の下流の道路区間が渋滞したかどうか調べる、
(B) 当該道路区間が渋滞し、かつ、当該道路区間の下流の道路区間が渋滞していなかった場合、判定指数を増やす、
(C) 当該道路区間が渋滞し、かつ、当該道路区間の下流の道路区間が渋滞していた場合、判定指数を減らす、
(D) 当該道路区間が渋滞していなければ判定指数はそのままとする、
(E) 判定指数をしきい値と比較し、しきい値を超えた場合に、当該道路区間をボトルネック区間とする。 A method for predicting the future travel time of a road section using a travel time database storing travel time performance data of each road section collected on a road network,
Determine whether the road section is a bottleneck section based on the past travel time performance data, following the steps (A) to (E)
Select one or more road sections that are connected to the road section that you want to predict and the road section that you want to predict and fall downstream, and select part or all of the range up to the bottleneck section as the road section used for prediction,
A time range having a travel time pattern similar to the time transition of the travel time up to the present in the road section used for prediction is determined based on the past travel time actual data of the road section used for the prediction, and the determined time range A travel time prediction method characterized by predicting a travel time ahead of a road section to be predicted by referring to past travel time performance data.
(A) Check whether the road section is congested and whether the road section downstream of the road section is congested for each time unit in the past fixed time range,
(B) If the road section is congested and the road section downstream of the road section is not congested, increase the judgment index.
(C) If the road section is congested and the road section downstream of the road section is congested, reduce the judgment index.
(D) If the road section is not congested, the judgment index is left as it is.
(E) The judgment index is compared with a threshold value, and when the threshold value is exceeded, the road section is set as a bottleneck section.
前記請求項１又は請求項２記載の旅行時間予測方法を実施することを特徴とする旅行時間予測装置。A device that predicts the future travel time of a road section using a travel time database that stores travel time performance data collected for each road section on the road network,
3. A travel time prediction apparatus that implements the travel time prediction method according to claim 1 or 2 .
前記請求項１又は請求項２記載の旅行時間予測方法をコンピュータに実行させることを特徴とする旅行時間予測プログラム。A program for predicting the future travel time of a road section using a travel time database storing travel time actual data of each road section collected on the road network,
A travel time prediction program that causes a computer to execute the travel time prediction method according to claim 1 or 2 .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002106791A JP3792172B2 (en) | 2002-04-09 | 2002-04-09 | Travel time prediction method, apparatus and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002106791A JP3792172B2 (en) | 2002-04-09 | 2002-04-09 | Travel time prediction method, apparatus and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003303390A JP2003303390A (en) | 2003-10-24 |
| JP3792172B2 true JP3792172B2 (en) | 2006-07-05 |
Family
ID=29391008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002106791A Expired - Lifetime JP3792172B2 (en) | 2002-04-09 | 2002-04-09 | Travel time prediction method, apparatus and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3792172B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10415981B2 (en) | 2016-07-25 | 2019-09-17 | Denso Corporation | Anomaly estimation apparatus and display apparatus |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060064233A1 (en) * | 2003-01-22 | 2006-03-23 | Matsushita Electric Industrial Co., Ltd. | Traffic information providing system, a traffic information expressing method and device |
| JP4295130B2 (en) * | 2004-02-24 | 2009-07-15 | 株式会社日立製作所 | Traffic information system |
| JP4534635B2 (en) * | 2004-07-07 | 2010-09-01 | 富士ゼロックス株式会社 | Organization analysis evaluation apparatus, organization analysis evaluation method, and computer program |
| JP4815241B2 (en) * | 2006-03-23 | 2011-11-16 | 富士通株式会社 | Traffic condition prediction program and traffic condition prediction method |
| JP4982143B2 (en) * | 2006-09-27 | 2012-07-25 | クラリオン株式会社 | Traffic situation prediction device |
| JP4932524B2 (en) | 2006-10-20 | 2012-05-16 | 日本電気株式会社 | Travel time prediction apparatus, travel time prediction method, traffic information providing system and program |
| JP6042050B2 (en) * | 2010-11-18 | 2016-12-14 | 株式会社デンソーアイティーラボラトリ | Operating load prediction system, apparatus, method and program |
| JP5768526B2 (en) * | 2011-06-23 | 2015-08-26 | 株式会社デンソー | Traffic jam prediction device and traffic jam forecast data |
| JP2013057544A (en) * | 2011-09-07 | 2013-03-28 | I-Transport Lab Co Ltd | Traffic situation route guide device, route guide method, and route guide program |
| US20150348410A1 (en) * | 2014-05-30 | 2015-12-03 | Lg Cns Co., Ltd. | Method and apparatus for estimating time to arrival of transportation |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3355887B2 (en) * | 1995-09-08 | 2002-12-09 | 住友電気工業株式会社 | Travel time prediction method and travel time prediction device |
| JP3526422B2 (en) * | 1999-10-28 | 2004-05-17 | 株式会社東芝 | Travel time information calculation system |
| JP2001304891A (en) * | 2000-04-27 | 2001-10-31 | Toshiba Corp | Predicting system for road traffic state, on-vehicle navigation system, and predicting method for road state |
| JP2002260142A (en) * | 2001-02-26 | 2002-09-13 | Sumitomo Electric Ind Ltd | Predicting method for traveling time |
| JP2002298281A (en) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | Traffic volume prediction device, traffic volume prediction method, traffic information center and onboard navigation system |
-
2002
- 2002-04-09 JP JP2002106791A patent/JP3792172B2/en not_active Expired - Lifetime
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10415981B2 (en) | 2016-07-25 | 2019-09-17 | Denso Corporation | Anomaly estimation apparatus and display apparatus |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003303390A (en) | 2003-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9053632B2 (en) | Real-time traffic prediction and/or estimation using GPS data with low sampling rates | |
| JP3792172B2 (en) | Travel time prediction method, apparatus and program | |
| Ma et al. | Density-based outlier detection by local outlier factor on largescale traffic data | |
| Mazaré et al. | Trade-offs between inductive loops and GPS probe vehicles for travel time estimation: A Mobile Century case study | |
| CN111145544B (en) | Travel time and route prediction method based on congestion spreading dissipation model | |
| US11195412B2 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
| JP5017437B2 (en) | TRAVEL TIME ESTIMATION METHOD, TRAVEL TIME ESTIMATION DEVICE, TRAVEL TIME ESTIMATION PROGRAM IMPLEMENTING THE METHOD AND MEDIUM CONTAINING THE PROGRAM, TRAVEL TIME PREDICTION METHOD, TRAVEL TIME PREDICTION DEVICE, TRAVEL TIME PREDICTION PROGRAM INCLUDING THE METHOD, AND ITS PROGRAM Stored media | |
| CN112669599A (en) | Model based on time sequence analysis and residual error matching | |
| CN108091132A (en) | A kind of traffic flow forecasting method and device | |
| CN113379099B (en) | Machine learning and copula model-based highway traffic flow self-adaptive prediction method | |
| JP2001084479A (en) | Method and device for forecasting traffic flow data | |
| WO2024067210A1 (en) | Traffic state determination method and apparatus, and device | |
| CN105868870A (en) | Urban expressway travel time estimation method and device based on data fusion | |
| CN106940929B (en) | Traffic data prediction method and device | |
| Chen et al. | Practical travel time prediction algorithms based on neural network and data fusion for urban expressway | |
| CN116597642A (en) | Traffic jam condition prediction method and system | |
| JP4240309B2 (en) | Travel time providing method, apparatus and program | |
| JP4415278B2 (en) | Traffic flow behavior estimation system at intersections | |
| CN110264725B (en) | Method and device for determining road section flow | |
| JP3933127B2 (en) | Travel time prediction method, apparatus and program | |
| JP4598798B2 (en) | TRAVEL TIME ESTIMATION METHOD, TRAVEL TIME ESTIMATION DEVICE, TRAVEL TIME ESTIMATION PROGRAM MOUNTING THE METHOD AND RECORDING MEDIUM CONTAINING THE PROGRAM, TRAVEL TIME PREDICTION METHOD, TRAVEL TIME PREDICTION DEVICE, TRAVEL TIME PREDICTION PROGRAM MOUNTING THE METHOD, AND ITS PROGRAM Recording medium | |
| JP2004118735A (en) | Traffic situation estimation device and od traffic volume correction device | |
| CN116434564A (en) | Speed prediction method, apparatus, and storage medium | |
| JP4235913B2 (en) | Travel time prediction method, apparatus and program | |
| JP3337202B2 (en) | Traffic condition prediction method and device, and recording medium recording traffic condition prediction program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050601 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050705 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050831 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20051206 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051226 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20060112 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060328 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060404 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 3792172 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090414 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100414 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110414 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120414 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130414 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130414 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140414 Year of fee payment: 8 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |