JP3904629B2 - 旅行時間予測装置及び旅行時間予測方法 - Google Patents
旅行時間予測装置及び旅行時間予測方法 Download PDFInfo
- Publication number
- JP3904629B2 JP3904629B2 JP10609796A JP10609796A JP3904629B2 JP 3904629 B2 JP3904629 B2 JP 3904629B2 JP 10609796 A JP10609796 A JP 10609796A JP 10609796 A JP10609796 A JP 10609796A JP 3904629 B2 JP3904629 B2 JP 3904629B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- time
- travel time
- prediction
- travel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、道路交通の制御・管理情報として利用され、あるいは運転者に情報提供される、走行車両の旅行時間、つまり、所定区間の走行に要する時間、について予測する旅行時間予測装置及びその旅行時間予測方法に関し、特に、様々な対象区間に広く適用できるようにしたものである。
【０００２】
【従来の技術】
走行車両の旅行時間の予測は、道路上に設置されたＡＶＩ（Automatic Vehicle Identification system : 車両認識装置）や車両感知器を用いて走行車両のデータを収集し、それを基に所定区間の通過時刻や所要時間が推定される。
【０００３】
ＡＶＩで検出したデータを用いて走行車両などの旅行時間を予測する方法としては、文献「広域交通管制技術の研究報告II」（財団法人日本交通管理技術協会, p.7-6〜p.7-8,平成２年３月）や特公平３−１９１００に示されているように、旅行時間やその統計パターンを記憶するデータベースを構築して予測に用いる方法がある。この方法では、対象区間の旅行時間に関するデータを、例えば週や月日、さらには午前や午後といった時間帯等に基づいて、条件分けしてデータベース上に統計的に整理し、予測時には、条件が一致するデータベース中の旅行時間のデータを用いて、そのデータと現在までの実際の旅行時間との比や差分等を演算処理することにより予測値を算出する。
【０００４】
一方、感知器データのみを使う予測方法は、同上文献「広域交通管制技術の研究報告II」（財団法人日本交通管理技術協会, p.7-1〜p.7-5,p.7-8,平成２年３月）に示されている。この方法では、道路上に数１００ｍ〜数ｋｍの間隔で設置した感知器より得られる走行車両の過去の時系列データから、今後走行する感知器を含む各小区間における所要時間を自己回帰モデルで予測し、これを区間ごとに繰り返して、予測対象区間分の旅行時間を加算し、予測値としている。
【０００５】
また、交通状況があまり変化しないことを前提として、現在、つまり予測時点において既知である各区間速度または旅行時間を、そのまま予測値とする方法がある。この場合、予測対象区間分の旅行時間（速度で予測したときは、区間距離と予測時点の速度とから求めた区間毎の旅行時間）を加算し、最終的な予測値を算出する（この方法は、次の文献中に「現在旅行時間予測手法」として示されている）。
【０００６】
また、文献「ニューラルネットワーク応用旅行時間予測システム」（電気学会研究会資料道路交通研究会、RTA-95-1〜12、社団法人電気学会、p.87〜95、1995年３月１６日）には、感知器データと、旅行時間の予測値に対応するＡＶＩデータとの関係を、ニューラルネットワークや他のモデルを用いて構築する方法が示されている。この方法では、過去における感知器データと旅行時間との時系列的な関係をモデルにより構築し、これに現在の感知器データを当てはめて予測を行なう。
【０００７】
【発明が解決しようとする課題】
しかし、これらの予測方法は、それぞれ、問題点を抱えている。
【０００８】
ＡＶＩで検出したデータを用いて走行車両などの旅行時間を予測する方法は、予測対象区間ごとの特性に合わせた詳細なデータベースを構築する必要があり、そのために入念な解析を必要とする。また、このデータベースは静的なものであるため、道路や周辺状況の経年変化を考慮すると定期的に再構築する必要が発生する。
【０００９】
また、感知器データのみを使って旅行時間を予測する方法は、個々の感知器データや区間データを予測時点以前の時系列データを用いて予測しているため、各データの過去の傾向に影響されやすく、誤差拡大の可能性がある。
【００１０】
また、現在旅行時間予測手法は、現時点に類似する状況が今後も続くとの前提に立っているが、実際の車両が各区間を走行するときの所要時間には時間差があるから、全ての区間で現時点と類似の状況になるとは言えず、区間距離の増大に伴って、誤差が大きくなるという問題点がある。
【００１１】
また、感知器データ及びＡＶＩデータの両方を用い、この時系列的な関係をニューラルネットワークや他のモデルを使って構築する予測方法では、モデル作成に使用するデータと予測時点のデータとの間の十分な関係がなければ良い精度のモデルを得ることが難しい。また、ニューラルネットワークでは、構築後のモデル解析が複雑になるという問題点もある。
【００１２】
また、実際の予測対象区間は、感知器のみが設置されていたり、ＡＶＩのみが設置されていたり、あるいは、その両者が設置されていたりして、利用できるデータが対象区間によりまちまちである。そのため、これらの予測方法を、こうした対象区間に共通的に適応させることはできず、対象ごとに個別の対応が必要になるという難点がある。
【００１３】
本発明は、こうした従来の問題点を解決するものであり、予想対象区間に広く適用して、旅行時間を的確に予測することができる旅行時間予測方法及び旅行時間予測装置を提供することを目的としている。
【００１４】
【課題を解決するための手段】
そこで、本発明の旅行時間予測方法では、道路上に車両感知器とＡＶＩとが設置されていれば、車両感知器で計測した走行車両の速度などのデータとＡＶＩで測定した走行車両の旅行時間とをデータとして、また、道路上に車両感知器だけが設置されていれば、車両感知器で計測した走行車両の速度などのデータとこの速度などから推定した走行車両の旅行時間とをデータとして、また、道路上にＡＶＩだけが設置されていれば、ＡＶＩで測定した走行車両の旅行時間をデータとして、データベースを構築し、このデータベースの中から、予測時点の状況に類似する時点のデータを近傍データセットとして収集し、この近傍データセットのデータを用いて、車両感知器で計測した速度などのデータを入力したときに、旅行時間の実測値または推定値が出力される予測モデルを作成し、また、ＡＶＩのデータしか利用できないときは、ＡＶＩで測定した旅行時間を、その時系列の中で最新のデータを除いて入力したときに、その最新の旅行時間のデータが出力される予測モデルを作成し、この予測モデルに、予測時点の車両感知器で計測した速度などのデータまたは予測時点までのＡＶＩで測定した旅行時間の時系列データを当てはめて予測時点の旅行時間を予測している。
【００１５】
また、本発明の旅行時間予測装置では、道路上の車両感知器とＡＶＩとからデータが得られるときには、車両感知器で計測した走行車両の速度などのデータとＡＶＩで測定した走行車両の旅行時間とをデータとして、また、道路上の車両感知器だけからデータが得られるときには、車両感知器で計測した走行車両の速度などのデータとこの速度などから推定した走行車両の旅行時間とをデータとして、また、道路上のＡＶＩだけからデータが得られるときには、ＡＶＩで測定した走行車両の旅行時間の時系列データをデータとして、データベースを構築するデータベース構築手段と、このデータベースの中から、予測時点の状況に類似する複数の時点のデータを近傍データセットとして収集する近傍データ収集手段と、この近傍データセットのデータを用いて、車両感知器で計測した速度などのデータを入力したときに、旅行時間の実測値または推定値が出力される予測モデル、あるいは、ＡＶＩで測定した旅行時間の時系列データを、その時系列の中の最新のデータを除いて入力したときに、その最新の旅行時間のデータが出力される予測モデルを作成するモデル構築手段と、この予測モデルに予測時点の車両感知器で計測した速度などのデータまたは予測時点までのＡＶＩで測定した旅行時間の時系列データを当てはめて予測時点の旅行時間を予測する予測手段とを設けている。
【００１６】
そのため、この旅行時間予測方法及び予測装置は、各種の計測手段が設置されいる予測対象区間に広く適用することができる。
【００１７】
構築するデータベースは１つでよく、事前の詳細な分類や整理、データベースの定期的再構築の必要はなく、測定可能なデータとそれに対応する旅行時間とを順次積み重ねていくだけで足りる。
【００１８】
また、予測時に、その時点の状況に類似するデータを動的に収集する構成であるため、事前に詳細に分類、整理する場合に比較して、より的確に適切なデータを抽出することができ、また、各時点でデータを重複して有効に利用することができる。
【００１９】
また、動的に収集した近傍データセットを用いて予測モデルを構築する構成であるため、状況に応じたモデルを柔軟に構築することができる。また、データ種別が相違するだけで、基本構成を同じくするモデルを構築することにより、枠組みとしての統一が可能となる。
【００２０】
また、過去の良く似た状況下での予測モデルを適用して予測を行なうため、過去の事例に基づいた的確な予測が可能となる。
【００２１】
このように、本発明の旅行時間予測方法では、計測、収集できるデータが違う場合であっても、過去のデータを有効に利用しながら、計測、収集できるデータに応じた的確なモデルを構築することによって、同じような方法で旅行時間を予測することができる。また、本発明の旅行時間予測装置は、こうした予測方法の実施を可能にする。
【００２２】
【発明の実施の形態】
本発明の請求項１に記載の発明は、道路上に設置された計測手段の計測する走行車両のデータを基に、道路上の予測対象区間を走行する車両の旅行時間を予測する旅行時間予測方法において、各時点ごとに計測手段によって計測された計測データと、各時点に対応する旅行時間の実測値または計測データから算出した旅行時間の推定値を表す旅行時間データとをデータベースとして記憶し、旅行時間の予測に使用できるデータとして前記計測手段から予測時点の計測データが得られる場合に、このデータベースの中から、前記計測手段によって計測された計測データの空間分布が予測時点の前記空間分布と類似する複数の時点の計測データ及び旅行時間データを近傍データセットとして収集し、旅行時間の予測に使用できるデータとして予測時点までの旅行時間の実測値の時系列データのみが得られる場合に、前記データベースの中から、過去の時点までの旅行時間データの時系列分布が予測時点までの前記時系列分布と類似する複数の過去の時点までの旅行時間の時系列データと当該過去の時点の旅行時間データとを近傍データセットとして収集し、近傍データセットのデータを用いて、計測手段の計測した計測データまたは旅行時間の時系列データを入力とし、旅行時間データを出力とする予測モデルを作成し、この予測モデルに予測時点の計測手段の計測した計測データまたは予測時点までの旅行時間の時系列データを当てはめて旅行時間を予測するようにしたものであり、予測対象区間に設置された計測手段の種類が色々であっても、その計測手段で得られるデータの種類に応じたデータベースを構築して、予測モデルを作成することにより、予測対象区間に広く適用できる予測方法を実現することができる。
【００２６】
請求項２に記載の発明は、近傍データセットを収集するために、データベースに記憶された各時点の前記計測データの空間分布と、予測時点の計測手段によって計測された計測データの空間分布とのマッチングを取るようにしたものであり、この空間分布の類似する時点のデータだけを予測モデル作成のための近傍データセットとして利用する。
【００２７】
請求項３に記載の発明は、近傍データセットを収集するために、予測時点までの所定数の旅行時間の実測値の時系列データと、データベースに記憶された旅行時間の実測値または推定値の時系列データとのマッチングを取るようにしたものであり、この方法により、対象区間にＡＶＩだけが設置されているときのデータベースから近傍データセットの収集を行なう。
【００３０】
請求項４に記載の発明は、道路上に設置された計測手段の計測する走行車両のデータを基に、道路上の予測対象区間を走行する車両の旅行時間を予測する旅行時間予測装置において、計測手段から入力する計測データを基に、各時点ごとの前記計測データと、各時点に対応する旅行時間の実測値または計測データから算出した旅行時間の推定値を表す旅行時間データとを含むデータベースを作成するデータベース構築手段と、旅行時間の予測に使用できるデータとして前記計測手段から予測時点の計測データが得られる場合に、このデータベースの中から、前記計測手段によって計測された計測データの空間分布が予測時点の前記空間分布と類似する複数の時点の計測データ及び旅行時間データを近傍データセットとして収集し、旅行時間の予測に使用できるデータとして予測時点までの旅行時間の実測値の時系列データのみが得られる場合に、前記データベースの中から、過去の時点までの旅行時間データの時系列分布が予測時点までの前記時系列分布と類似する複数の過去の時点までの旅行時間の時系列データと当該過去の時点の旅行時間データとを近傍データセットとして収集する近傍データ収集手段と、この近傍データセットのデータを用いて、計測手段の計測した計測データまたは旅行時間の時系列データを入力とし、旅行時間データを出力とする予測モデルを作成するモデル構築手段と、この予測モデルに予測時点の計測手段の計測した計測データまたは予測時点までの旅行時間の時系列データを当てはめて旅行時間を予測する予測手段とを設けたものであり、計測手段で得られるデータの種類に応じたデータベースや予測モデルを作成することにより、各種の計測手段が設置されている予測対象区間に広く適用することができる。
【００３６】
以下、本発明の実施の形態について、図面を用いて説明する。
【００３７】
実施形態の旅行時間予測装置は、図１に示すように、車両２が走行する道路１上に数１００ｍ〜数ｋｍ程度の間隔で設置された車両感知器３と、撮像機を用いたＡＶＩ４と、旅行時間の予測などの処理を行なうマイクロコンピュータで構成された処理部５と、処理部５の作成したデータベースを格納するメモリ10及び11と、予測結果を表示するモニタ12とを備えており、処理部５内には、感知器データやＡＶＩデータなどをデータとするデータベースを構築し、それを逐次更新するデータベース構築手段６と、構築されたデータベースの中から予測しようとする状況と類似する状況のデータセットを収集する近傍データ収集手段７と、収集されたデータセットを用いて予測モデルを動的に構築するモデル構築手段８と、構築された予測モデルを用いて旅行時間を予測する予測手段９とを具備している。また、データベース構築手段６の構築したデータベースはメモリ10に格納され、近傍データ収集手段７の収集したデータセットはメモリ11に格納される。
【００３８】
この処理部５では、処理部内に存在するメモリに格納されたプログラムが、車両感知器３やＡＶＩ４からの計測値に基づき処理を実行する。
【００３９】
この実施形態では、図１において、車両が道路１上を左手から右手へ一方向に走行する場合を考慮する。つまり、左手側が上流、右手側が下流となる。車両感知器３としては、交通量、占有率または速度等の交通流データを計測できるものが作られているが、ここでは、車両感知器３は、全て速度を扱うものとし、速度の値を直接的または間接的に計測可能であるものとする。
【００４０】
また、個々の車両感知器ｉ（ｉ＝１，２，…，ｎ）には、その設置位置等に基づいて、予測対象区間距離Ｄを分割した小区間Ｄiを割り当てる。ここで
Ｄ＝Ｄ1＋Ｄ2＋ … ＋Ｄn
である。
【００４１】
ＡＶＩの撮像機４は、複数の小区間を含んで設置され、この設置点の上流側を出発点、下流側を終着点とし、２点間を予測対象区間とする。任意時刻に出発点側の撮像機が走行車両のナンバープレートを撮影した画像と、ある時間経過して終着点側の撮像機が走行車両のナンバープレートを撮影した画像とを照合して、車両ナンバーが一致した場合に、その撮影時刻の時刻差からその車両の旅行時間を導出し、その旅行時間と設置点間の距離Ｄとから旅行速度を導出する。ＡＶＩは撮像器以外を用いるものでもよい。
【００４２】
今、図１において、車両２が上流から下流に向かって走行し、各車両感知器設置地点での速度が車両感知器３により、また、予測対象区間の旅行時間がＡＶＩ４により計測されているとする。
【００４３】
処理部５のデータベース構築手段６は、車両感知器３及びＡＶＩ４から順次送られてくるデータを５分毎に処理し、データベースを構築してメモリ10に格納する。図４は、データベース構築手段６が構築するデータベースの一例を帳票形式で示したものである。
【００４４】
図４において、交通流データは、年、月、日、時間の欄に記載した日時の５分間に、各車両感知器３が計測した複数の走行車両の速度を平均した値（５分間平均速度Ｖi）であり、また、実旅行時間は、その５分間に予測対象区間の出発点を出発した複数の車両の旅行時間をＡＶＩ４で計測し、それらの旅行時間を平均した値である。
【００４５】
なお、予測対象区間にＡＶＩが設置されていなかったり、ＡＶＩの故障などのために実旅行時間のデータが得られない場合には、データベース構築手段６が、車両感知器３のデータから算出した５分間平均速度Ｖiを用いて旅行時間を推定する。図４の推定旅行時間は、このような場合に備えてデータベース構築手段６が推定した旅行時間を示している。
【００４６】
ここで、この推定旅行時間の求め方について説明する。図３は、推定旅行時間算出における概念を説明する図であり、縦軸に距離を取り、横軸に時刻を取ったときの走行車両の走行軌跡を示している。この走行軌跡の傾きが各小区間及び各時点の速度に当たる。
【００４７】
まず、感知器１に割り当てられている小区間１を感知器１の時間１２：００〜１２：０５における５分間平均速度で走行するものとして、小区間１の距離Ｄ1をこの平均速度で除算し、小区間１の推定旅行時間を算出する。この推定旅行時間が平均データの時間間隔（この例で言えば５分）以内であれば、この算出値が小区間１の推定旅行時間となる。逆に５分より大きければ、平均速度が切り替わってもまだこの小区間１を走行していることになる。この場合、ここまでの推定旅行時間を５分とし、さらに、小区間１の残りの距離を、小区間１の次の５分間平均速度（感知器１の時間１２：０５〜１２：１０における５分間平均速度）で走行するものとして、推定旅行時間を算出する。算出した時間（ｔ1）が５分より小さく、小区間１の残りの距離が０であれば、小区間１で算出した推定旅行時間の総和（５分＋ｔ1）がこの小区間１の推定旅行時間となる。
【００４８】
次に、小区間２の推定旅行時間を算出する。小区間１の推定旅行時間が（５分＋ｔ1）である場合には、小区間２を感知器２の時間１２：０５〜１２：１０における５分間平均速度で走行するものとして、小区間２の距離Ｄ2をこの平均速度で除算し、小区間２の推定旅行時間を算出する。この推定旅行時間が（５分−ｔ1）以内であれば、この算出値が小区間２の推定旅行時間となる。図３のように、推定旅行時間が（５分−ｔ1）より大きければ、これまでの推定旅行時間を（５分−ｔ1）とし、小区間２の残りの距離を小区間２の次の５分間平均速度（感知器２の時間１２：１０〜１２：１５における５分間平均速度）で走行するものとして、推定旅行時間を算出する。算出した時間（ｔ2）が５分より小さく、小区間２の残りの距離が０であれば、小区間２で算出した推定旅行時間の総和（５分−ｔ1＋ｔ2）が小区間２の推定旅行時間となる。逆にｔ2が５分より大きければ、このときの推定旅行時間を５分とし、さらに、小区間２の残りの距離を、小区間２の次の５分間平均速度（感知器２の時間１２：１５〜１２：２０における５分間平均速度）で走行するものとして、推定旅行時間を算出する。こうした操作を繰り返して、小区間２の残りの距離が０になれば、それまでに小区間２で算出した推定旅行時間を加算し、それを小区間２の推定旅行時間とする。
【００４９】
このようにして、予測対象区間の全ての小区間における推定旅行時間を算出した後、各小区間について求めた推定旅行時間を加算して予測対象区間の推定旅行時間とする。図３の場合、小区間１から小区間５までの推定旅行時間は３３分となる。
【００５０】
なお、図４のデータベースにおいて、−１という表記は、データが未算出であることを表している。−１となるケースは、感知器がないため交通流データがない場合や、ＡＶＩ未設置で旅行時間が計測されない場合、または、ＡＶＩは既設であるが出発点で確認された車両が終着点に未到着でＡＶＩによる旅行時間がないような場合などが該当する。
【００５１】
処理部５の近傍データ収集手段７は、メモリ10に格納された全データベースの中から、予測時点の状況と類似するデータを幾つか選び、近傍データベースとしてメモリ11に格納する。例えば、現時点での旅行時間を予測するのであれば、現在の各感知器１〜ｎのデータから得られる５分間平均速度に類似する交通流データを有している日時のデータを選択して近傍データベースを構築する。
【００５２】
モデル構築手段８は、近傍データベースを用いて、例えば、各小区間の５分間平均速度から予測旅行時間を算出するモデルを作成する。
【００５３】
予測手段９は、このモデルに現在の各小区間の５分間平均速度を当てはめて予測旅行時間を算出する。
【００５４】
以下、処理部５の各手段の動作を詳細に説明する。
【００５５】
データベース構築手段６は、図２に示す手順で動作を行なう。
【００５６】
ステップ201：データベース構築手段６は、まず、車両感知器３やＡＶＩ４の各時点のデータを読み込み、
ステップ202：ＡＶＩ４から実旅行時間のデータが得られたときは、それを全データベースの該当箇所へ書き込み、
ステップ203：感知器データから算出した５分間平均速度を全データベースの該当箇所へ書き込む。
【００５７】
ステップ204：実旅行時間が−１であって、推定旅行時間が算出されていない過去の時点のデータがあるかどうかを探し、ある場合には、
ステップ205：上流側の小区間から順に走行軌跡を追跡して、小区間の推定旅行時間を算出する。
【００５８】
ステップ206：小区間の推定旅行時間を算出した後、その小区間の推定旅行時間が正常かどうかをチェックし、
ステップ210：正常でない場合は、全対象区間の推定旅行時間に未算出値（−１）を設定する。
【００５９】
ステップ207：小区間の推定旅行時間が正常であるときは、全小区間について推定旅行時間の算出が済んだかどうかをチェックし、済んでいなければ、
ステップ209：次の小区間の推定旅行時間を求めるためにＡ（ステップ205）にジャンプする。
【００６０】
ステップ208：全小区間についての推定旅行時間の算出が済んだときは、各小区間の推定旅行時間Ｔ'i(ｉ＝１，２，…，ｎ )の総和
Ｔ'＝Ｔ'1＋Ｔ'2＋…＋Ｔ’n
を算出し、
ステップ211：全データベースへ書き込む。
【００６１】
ステップ212：その他に、推定旅行時間の算出が未試行且つ未算出であるデータが無いかどうかを調べ、ある場合にはＡにジャンプしてステップ205以降の手順を繰り返す。無ければ処理を終了する。
【００６２】
なお、データベース構築手段の構築する全データベースは、図１に示す装置構成や予測対象区間の感知器等の設置状況あるいは使用データに応じて適宜変更される。対象区間に感知器のみが設置されている場合は、交通流データのうち平均速度と推定旅行時間とを格納し、また、ＡＶＩのみが設置されている場合は、日時に対応させて実旅行時間のデータを格納する。また、これらのデータは、一定期間分、例えば過去２年間分を格納する。
【００６３】
また、実旅行時間が未算出（−１）であるときは、車両が終着点側に到着していないため旅行時間が得られない場合であり、また、推定旅行時間が未算出（−１）であるときは、同様に、走行軌跡を追跡しても終着点側に到着していない場合である。その他、感知器が故障等のために計測不能である場合には、異なる値、例えばｎｕｌｌを記入することにより、データベース上でその旨が分かるようにすれば良い。
【００６４】
次に、近傍データ収集手段７は、図５に示す手順で動作を行なう。
【００６５】
ステップ501：近傍データ収集手段７は、まず、全データベースからデータを読み込み、
ステップ502：過去の全データを対象に、次の距離算出の処理を適用する。
【００６６】
ステップ503：処理の対象は必要なデータが揃っている過去時点のデータであり、
ステップ504：必要なデータが揃っている過去時点のデータについては、予測時点データとの距離を計算する。
【００６７】
ステップ505：必要なデータが揃っていない過去時点のデータについては、距離として未算出値（−１）を設定する。
【００６８】
この実施形態では、予測対象区間に感知器とＡＶＩとが配置されているが、この場合には、速度とＡＶＩで計測される実旅行時間（つまり過去における正しい予測旅行時間）とが必要なデータとなる。予測対象区間に配置されているのが感知器のみの場合には、速度と推定旅行時間とが必要なデータとなる。このように形態に応じたデータが揃っているならば、以下の処理を適用して近傍データを収集する。
【００６９】
データが近傍データであるかどうかは、同一時点における予測対象区間の交通流データを成分とするベクトルを想定し、比較対象のベクトルとのベクトル間の距離が大きいか小さいかによって判断する。具体的には、まず、同一時点でのｎ個の交通流データを対象とする場合に、ｎ次元のデータ空間を考え、この空間において、近傍を判断するデータ（ここでは予測時点ｔでの速度データＶ（ｔ））のｎ次元空間での分布を基準ベクトルとして、これと過去時点のデータがｎ次元空間に分布して成るベクトルとの間のユークリッド距離Ｄxを算出する。このベクトル間の距離算出は、いま、予測時点の基準ベクトルを（Ｘ1（ｔ），Ｘ2（ｔ），…，Ｘn（ｔ））、過去時点ｔ−ｋ（ｋ＝１，２，３，…）のベクトルを（Ｘ1（ｔ−ｋ），Ｘ2（ｔ−ｋ），…，Ｘn（ｔ−ｋ））とすると、次の演算によって行なう。
【００７０】
Ｄx＝√（Σ（Ｘi（ｔ）−Ｘi（ｔ−ｋ））2
（Σはｉ＝１からｎまで加算）
交通流データとしてｎ個の速度データを用いる場合には、Ｘi＝Ｖi（ｉ＝１，２，…，ｎ）である。対象に速度以外のデータを含めるならば、必要に応じてデータの正規化等を行い、これらを加えた次元上で同様にベクトル間の距離を算出すれば良い。
【００７１】
また、対象には、過去数時点のデータを含めるなど、広がりを持たせることもできる。あるいは、他の近傍判断の方法でもよい。
【００７２】
ステップ506：この距離算出を、全データベース中のすべての過去の時点ｔ−ｋ（ｋ＝１，２，３，…）のデータについて行なった後、
ステップ507：距離が未算出値以外のデータを対象に、この距離が小さく且つ時刻上近いもの順にソートする。ソート時に、一定の距離以内等の条件を加えて収集しても良い。
【００７３】
ステップ508：ソート後、上位の任意個数（例えば５０個）の各時点データを近傍データセットとして収集し、メモリ11に格納する。
【００７４】
メモリ11に格納する近傍データセットは、近傍判断の距離算出に用いたデータと、このデータに対して予測値として対応する旅行時間（実旅行時間または推定旅行時間）である。この実施形態のように、車両感知器とＡＶＩとのデータが得られる場合には、距離計算に使用した過去時点の既知の速度データと、この時点データに対して予測値として対応する同じく既知の実旅行時間との組をメモリに格納する。また、車両感知器のデータしか得られない場合は、距離計算に使用した過去時点の速度データと、この時点データに対して予測値として対応する推定旅行時間との組を格納する。
【００７５】
また、道路上に感知器が設置されておらず、ＡＶＩのみのデータしか得られない場合には、過去における今までの時系列の実旅行時間データを対象として、近傍データセットを収集すれば良い。例えば、現時点を含めた過去１２時点（１時間）分のデータを基準とし、過去の実旅行時間の時系列データから、時点を順次ずらしながら、連続する１２時点分のデータを取り、これらの対象データと基準データとの距離を算出する。そして、同様にソートし、上位の任意個数の対象データにおける距離算出に用いたデータと予測値として対応する実旅行時間との組からなるデータセットを収集する。
【００７６】
次に、モデル構築手段８の動作を図６のフローチャートを用いて説明する。
【００７７】
ステップ601：モデル構築手段８は、まず、近傍データベースのデータセットを読み込み、
ステップ602：データセットの近傍データ収集に使用した次元のデータを入力すると、これに対応する予測旅行時間が出力される予測モデルを構築する。
【００７８】
ここでは、任意個数（例えば５０個）の近傍データセットから、最小自乗法によって予測旅行時間Ｔ”を出力する次の線形モデルを構築する。
【００７９】
Ｔ”＝Ａ1Ｘ1＋Ａ2Ｘ2＋…＋ＡnＸn＋Ｂ
ここで、Ａn（ｉ＝１，２，…，ｎ）及びＢは最小自乗法によって決定されるパラメータであり、Ｘi（ｉ＝１，２，…，ｎ）は入力データである。この実施形態では入力データは速度データであり、Ｘi＝Ｖiとなる。
【００８０】
また、対象区間に感知器のみが存在する場合は、感知器データと推定旅行時間との近傍データセットを用いて、また、ＡＶＩのみが存在する場合は、過去の時系列の実旅行時間と予測値に対応する実旅行時間との近傍データセットを用いて予測モデルを構築すれば良い。線形モデル以外の予測モデルであってもよい。
【００８１】
ステップ603：構築した予測モデルは処理部５のメモリに保存する。
【００８２】
次に、予測手段９は、図７に示す手順で、旅行時間を予測する。
【００８３】
ステップ701：予測手段９は、全データベースからデータを読み込み、
ステップ702：処理部のメモリから予測モデルのパラメータを読み込む。
【００８４】
ステップ703：前述の予測モデルにおいて、Ｘi（ｉ＝１，２，…，ｎ）に予測時点でのデータ（この実施形態ではＸi＝Ｖi（ｔ））を代入し、予測値である旅行時間Ｔ"（ｔ）を算出する。
【００８５】
ステップ704：予測結果は、処理部５を通じて、各時点でモニタ12に出力される。
【００８６】
この旅行時間予測装置は、以上の動作を各時点毎に繰り返す。つまり、予測の各時点において、データを逐次、全データベースに蓄積し、その中から近傍のデータセットを収集して近傍データベースに格納し、このデータセットより動的にモデルを構築し、これに現時点でのデータを当てはめて旅行時間を予測する。従って、全データベースは過去の一定時点数分のデータを更新しながら蓄積し、近傍データベースは処理時点毎に新たに収集、構築される。
【００８７】
また、この実施形態では、感知器の交通流データとして速度データだけを用いたが、全データベースや近傍データベース、近傍データ収集やモデル構築等に、感知器から得られる交通量や占有率等の他のデータを含めても良い。
【００８８】
【発明の効果】
以上の説明から明らかなように、本発明の旅行時間予測装置及び予測方法は、対象区間から得られるデータが様々であっても、同一の装置により、また、同様の方法により予測旅行時間を算出することができ、予測対象区間に広く適用することが可能である。
【００８９】
また、この旅行時間予測装置は、道路上から得られるデータによってデータベースの自動更新が行われるため、最新の道路事情を踏まえた旅行時間の予測が可能であり、また、データベースのメンテナンスも容易である。
【００９０】
また、この旅行時間予測装置は、道路上から得られる各種のデータを使用して旅行時間を予測することができ、使用データへの依存度が小さい。そのため、道路に設置されている既存のデータ収集装置を有効に活用することができる。また、この旅行時間予測装置が感知器だけ設置されている道路での旅行時間を予測しているとき、この道路に、ＡＶＩが追加設置された場合でも、この旅行時間予測装置は、ＡＶＩのデータを取り込んで、柔軟に対応することができる。また、ＡＶＩの設置区間では、ＡＶＩの故障時等の代替手段としても機能することができる。
【図面の簡単な説明】
【図１】本発明の旅行時間予測装置の１実施形態を示す全体構成図、
【図２】前記旅行時間予測装置のデータベース構築手段の動作を示す処理フロー、
【図３】前記旅行時間予測装置における推定旅行時間算出の概念を示す摸式図、
【図４】前記旅行時間予測装置における全データベースの構造を帳票化した摸式図、
【図５】前記旅行時間予測装置の近傍データ収集手段の動作を示す処理フロー、
【図６】前記旅行時間予測装置のモデル構築手段の動作を示す処理フロー、
【図７】前記旅行時間予測装置の予測手段の動作を示す処理フローである。
【符号の説明】
１ 道路
２ 走行車両
３ 車両感知器
４ ＡＶＩ
５ 処理部
６ データベース構築手段
７ 近傍データ収集手段
８ モデル構築手段
９ 予測手段
10 全データベース
11 近傍データベース
12 モニタ
【発明の属する技術分野】
本発明は、道路交通の制御・管理情報として利用され、あるいは運転者に情報提供される、走行車両の旅行時間、つまり、所定区間の走行に要する時間、について予測する旅行時間予測装置及びその旅行時間予測方法に関し、特に、様々な対象区間に広く適用できるようにしたものである。
【０００２】
【従来の技術】
走行車両の旅行時間の予測は、道路上に設置されたＡＶＩ（Automatic Vehicle Identification system : 車両認識装置）や車両感知器を用いて走行車両のデータを収集し、それを基に所定区間の通過時刻や所要時間が推定される。
【０００３】
ＡＶＩで検出したデータを用いて走行車両などの旅行時間を予測する方法としては、文献「広域交通管制技術の研究報告II」（財団法人日本交通管理技術協会, p.7-6〜p.7-8,平成２年３月）や特公平３−１９１００に示されているように、旅行時間やその統計パターンを記憶するデータベースを構築して予測に用いる方法がある。この方法では、対象区間の旅行時間に関するデータを、例えば週や月日、さらには午前や午後といった時間帯等に基づいて、条件分けしてデータベース上に統計的に整理し、予測時には、条件が一致するデータベース中の旅行時間のデータを用いて、そのデータと現在までの実際の旅行時間との比や差分等を演算処理することにより予測値を算出する。
【０００４】
一方、感知器データのみを使う予測方法は、同上文献「広域交通管制技術の研究報告II」（財団法人日本交通管理技術協会, p.7-1〜p.7-5,p.7-8,平成２年３月）に示されている。この方法では、道路上に数１００ｍ〜数ｋｍの間隔で設置した感知器より得られる走行車両の過去の時系列データから、今後走行する感知器を含む各小区間における所要時間を自己回帰モデルで予測し、これを区間ごとに繰り返して、予測対象区間分の旅行時間を加算し、予測値としている。
【０００５】
また、交通状況があまり変化しないことを前提として、現在、つまり予測時点において既知である各区間速度または旅行時間を、そのまま予測値とする方法がある。この場合、予測対象区間分の旅行時間（速度で予測したときは、区間距離と予測時点の速度とから求めた区間毎の旅行時間）を加算し、最終的な予測値を算出する（この方法は、次の文献中に「現在旅行時間予測手法」として示されている）。
【０００６】
また、文献「ニューラルネットワーク応用旅行時間予測システム」（電気学会研究会資料道路交通研究会、RTA-95-1〜12、社団法人電気学会、p.87〜95、1995年３月１６日）には、感知器データと、旅行時間の予測値に対応するＡＶＩデータとの関係を、ニューラルネットワークや他のモデルを用いて構築する方法が示されている。この方法では、過去における感知器データと旅行時間との時系列的な関係をモデルにより構築し、これに現在の感知器データを当てはめて予測を行なう。
【０００７】
【発明が解決しようとする課題】
しかし、これらの予測方法は、それぞれ、問題点を抱えている。
【０００８】
ＡＶＩで検出したデータを用いて走行車両などの旅行時間を予測する方法は、予測対象区間ごとの特性に合わせた詳細なデータベースを構築する必要があり、そのために入念な解析を必要とする。また、このデータベースは静的なものであるため、道路や周辺状況の経年変化を考慮すると定期的に再構築する必要が発生する。
【０００９】
また、感知器データのみを使って旅行時間を予測する方法は、個々の感知器データや区間データを予測時点以前の時系列データを用いて予測しているため、各データの過去の傾向に影響されやすく、誤差拡大の可能性がある。
【００１０】
また、現在旅行時間予測手法は、現時点に類似する状況が今後も続くとの前提に立っているが、実際の車両が各区間を走行するときの所要時間には時間差があるから、全ての区間で現時点と類似の状況になるとは言えず、区間距離の増大に伴って、誤差が大きくなるという問題点がある。
【００１１】
また、感知器データ及びＡＶＩデータの両方を用い、この時系列的な関係をニューラルネットワークや他のモデルを使って構築する予測方法では、モデル作成に使用するデータと予測時点のデータとの間の十分な関係がなければ良い精度のモデルを得ることが難しい。また、ニューラルネットワークでは、構築後のモデル解析が複雑になるという問題点もある。
【００１２】
また、実際の予測対象区間は、感知器のみが設置されていたり、ＡＶＩのみが設置されていたり、あるいは、その両者が設置されていたりして、利用できるデータが対象区間によりまちまちである。そのため、これらの予測方法を、こうした対象区間に共通的に適応させることはできず、対象ごとに個別の対応が必要になるという難点がある。
【００１３】
本発明は、こうした従来の問題点を解決するものであり、予想対象区間に広く適用して、旅行時間を的確に予測することができる旅行時間予測方法及び旅行時間予測装置を提供することを目的としている。
【００１４】
【課題を解決するための手段】
そこで、本発明の旅行時間予測方法では、道路上に車両感知器とＡＶＩとが設置されていれば、車両感知器で計測した走行車両の速度などのデータとＡＶＩで測定した走行車両の旅行時間とをデータとして、また、道路上に車両感知器だけが設置されていれば、車両感知器で計測した走行車両の速度などのデータとこの速度などから推定した走行車両の旅行時間とをデータとして、また、道路上にＡＶＩだけが設置されていれば、ＡＶＩで測定した走行車両の旅行時間をデータとして、データベースを構築し、このデータベースの中から、予測時点の状況に類似する時点のデータを近傍データセットとして収集し、この近傍データセットのデータを用いて、車両感知器で計測した速度などのデータを入力したときに、旅行時間の実測値または推定値が出力される予測モデルを作成し、また、ＡＶＩのデータしか利用できないときは、ＡＶＩで測定した旅行時間を、その時系列の中で最新のデータを除いて入力したときに、その最新の旅行時間のデータが出力される予測モデルを作成し、この予測モデルに、予測時点の車両感知器で計測した速度などのデータまたは予測時点までのＡＶＩで測定した旅行時間の時系列データを当てはめて予測時点の旅行時間を予測している。
【００１５】
また、本発明の旅行時間予測装置では、道路上の車両感知器とＡＶＩとからデータが得られるときには、車両感知器で計測した走行車両の速度などのデータとＡＶＩで測定した走行車両の旅行時間とをデータとして、また、道路上の車両感知器だけからデータが得られるときには、車両感知器で計測した走行車両の速度などのデータとこの速度などから推定した走行車両の旅行時間とをデータとして、また、道路上のＡＶＩだけからデータが得られるときには、ＡＶＩで測定した走行車両の旅行時間の時系列データをデータとして、データベースを構築するデータベース構築手段と、このデータベースの中から、予測時点の状況に類似する複数の時点のデータを近傍データセットとして収集する近傍データ収集手段と、この近傍データセットのデータを用いて、車両感知器で計測した速度などのデータを入力したときに、旅行時間の実測値または推定値が出力される予測モデル、あるいは、ＡＶＩで測定した旅行時間の時系列データを、その時系列の中の最新のデータを除いて入力したときに、その最新の旅行時間のデータが出力される予測モデルを作成するモデル構築手段と、この予測モデルに予測時点の車両感知器で計測した速度などのデータまたは予測時点までのＡＶＩで測定した旅行時間の時系列データを当てはめて予測時点の旅行時間を予測する予測手段とを設けている。
【００１６】
そのため、この旅行時間予測方法及び予測装置は、各種の計測手段が設置されいる予測対象区間に広く適用することができる。
【００１７】
構築するデータベースは１つでよく、事前の詳細な分類や整理、データベースの定期的再構築の必要はなく、測定可能なデータとそれに対応する旅行時間とを順次積み重ねていくだけで足りる。
【００１８】
また、予測時に、その時点の状況に類似するデータを動的に収集する構成であるため、事前に詳細に分類、整理する場合に比較して、より的確に適切なデータを抽出することができ、また、各時点でデータを重複して有効に利用することができる。
【００１９】
また、動的に収集した近傍データセットを用いて予測モデルを構築する構成であるため、状況に応じたモデルを柔軟に構築することができる。また、データ種別が相違するだけで、基本構成を同じくするモデルを構築することにより、枠組みとしての統一が可能となる。
【００２０】
また、過去の良く似た状況下での予測モデルを適用して予測を行なうため、過去の事例に基づいた的確な予測が可能となる。
【００２１】
このように、本発明の旅行時間予測方法では、計測、収集できるデータが違う場合であっても、過去のデータを有効に利用しながら、計測、収集できるデータに応じた的確なモデルを構築することによって、同じような方法で旅行時間を予測することができる。また、本発明の旅行時間予測装置は、こうした予測方法の実施を可能にする。
【００２２】
【発明の実施の形態】
本発明の請求項１に記載の発明は、道路上に設置された計測手段の計測する走行車両のデータを基に、道路上の予測対象区間を走行する車両の旅行時間を予測する旅行時間予測方法において、各時点ごとに計測手段によって計測された計測データと、各時点に対応する旅行時間の実測値または計測データから算出した旅行時間の推定値を表す旅行時間データとをデータベースとして記憶し、旅行時間の予測に使用できるデータとして前記計測手段から予測時点の計測データが得られる場合に、このデータベースの中から、前記計測手段によって計測された計測データの空間分布が予測時点の前記空間分布と類似する複数の時点の計測データ及び旅行時間データを近傍データセットとして収集し、旅行時間の予測に使用できるデータとして予測時点までの旅行時間の実測値の時系列データのみが得られる場合に、前記データベースの中から、過去の時点までの旅行時間データの時系列分布が予測時点までの前記時系列分布と類似する複数の過去の時点までの旅行時間の時系列データと当該過去の時点の旅行時間データとを近傍データセットとして収集し、近傍データセットのデータを用いて、計測手段の計測した計測データまたは旅行時間の時系列データを入力とし、旅行時間データを出力とする予測モデルを作成し、この予測モデルに予測時点の計測手段の計測した計測データまたは予測時点までの旅行時間の時系列データを当てはめて旅行時間を予測するようにしたものであり、予測対象区間に設置された計測手段の種類が色々であっても、その計測手段で得られるデータの種類に応じたデータベースを構築して、予測モデルを作成することにより、予測対象区間に広く適用できる予測方法を実現することができる。
【００２６】
請求項２に記載の発明は、近傍データセットを収集するために、データベースに記憶された各時点の前記計測データの空間分布と、予測時点の計測手段によって計測された計測データの空間分布とのマッチングを取るようにしたものであり、この空間分布の類似する時点のデータだけを予測モデル作成のための近傍データセットとして利用する。
【００２７】
請求項３に記載の発明は、近傍データセットを収集するために、予測時点までの所定数の旅行時間の実測値の時系列データと、データベースに記憶された旅行時間の実測値または推定値の時系列データとのマッチングを取るようにしたものであり、この方法により、対象区間にＡＶＩだけが設置されているときのデータベースから近傍データセットの収集を行なう。
【００３０】
請求項４に記載の発明は、道路上に設置された計測手段の計測する走行車両のデータを基に、道路上の予測対象区間を走行する車両の旅行時間を予測する旅行時間予測装置において、計測手段から入力する計測データを基に、各時点ごとの前記計測データと、各時点に対応する旅行時間の実測値または計測データから算出した旅行時間の推定値を表す旅行時間データとを含むデータベースを作成するデータベース構築手段と、旅行時間の予測に使用できるデータとして前記計測手段から予測時点の計測データが得られる場合に、このデータベースの中から、前記計測手段によって計測された計測データの空間分布が予測時点の前記空間分布と類似する複数の時点の計測データ及び旅行時間データを近傍データセットとして収集し、旅行時間の予測に使用できるデータとして予測時点までの旅行時間の実測値の時系列データのみが得られる場合に、前記データベースの中から、過去の時点までの旅行時間データの時系列分布が予測時点までの前記時系列分布と類似する複数の過去の時点までの旅行時間の時系列データと当該過去の時点の旅行時間データとを近傍データセットとして収集する近傍データ収集手段と、この近傍データセットのデータを用いて、計測手段の計測した計測データまたは旅行時間の時系列データを入力とし、旅行時間データを出力とする予測モデルを作成するモデル構築手段と、この予測モデルに予測時点の計測手段の計測した計測データまたは予測時点までの旅行時間の時系列データを当てはめて旅行時間を予測する予測手段とを設けたものであり、計測手段で得られるデータの種類に応じたデータベースや予測モデルを作成することにより、各種の計測手段が設置されている予測対象区間に広く適用することができる。
【００３６】
以下、本発明の実施の形態について、図面を用いて説明する。
【００３７】
実施形態の旅行時間予測装置は、図１に示すように、車両２が走行する道路１上に数１００ｍ〜数ｋｍ程度の間隔で設置された車両感知器３と、撮像機を用いたＡＶＩ４と、旅行時間の予測などの処理を行なうマイクロコンピュータで構成された処理部５と、処理部５の作成したデータベースを格納するメモリ10及び11と、予測結果を表示するモニタ12とを備えており、処理部５内には、感知器データやＡＶＩデータなどをデータとするデータベースを構築し、それを逐次更新するデータベース構築手段６と、構築されたデータベースの中から予測しようとする状況と類似する状況のデータセットを収集する近傍データ収集手段７と、収集されたデータセットを用いて予測モデルを動的に構築するモデル構築手段８と、構築された予測モデルを用いて旅行時間を予測する予測手段９とを具備している。また、データベース構築手段６の構築したデータベースはメモリ10に格納され、近傍データ収集手段７の収集したデータセットはメモリ11に格納される。
【００３８】
この処理部５では、処理部内に存在するメモリに格納されたプログラムが、車両感知器３やＡＶＩ４からの計測値に基づき処理を実行する。
【００３９】
この実施形態では、図１において、車両が道路１上を左手から右手へ一方向に走行する場合を考慮する。つまり、左手側が上流、右手側が下流となる。車両感知器３としては、交通量、占有率または速度等の交通流データを計測できるものが作られているが、ここでは、車両感知器３は、全て速度を扱うものとし、速度の値を直接的または間接的に計測可能であるものとする。
【００４０】
また、個々の車両感知器ｉ（ｉ＝１，２，…，ｎ）には、その設置位置等に基づいて、予測対象区間距離Ｄを分割した小区間Ｄiを割り当てる。ここで
Ｄ＝Ｄ1＋Ｄ2＋ … ＋Ｄn
である。
【００４１】
ＡＶＩの撮像機４は、複数の小区間を含んで設置され、この設置点の上流側を出発点、下流側を終着点とし、２点間を予測対象区間とする。任意時刻に出発点側の撮像機が走行車両のナンバープレートを撮影した画像と、ある時間経過して終着点側の撮像機が走行車両のナンバープレートを撮影した画像とを照合して、車両ナンバーが一致した場合に、その撮影時刻の時刻差からその車両の旅行時間を導出し、その旅行時間と設置点間の距離Ｄとから旅行速度を導出する。ＡＶＩは撮像器以外を用いるものでもよい。
【００４２】
今、図１において、車両２が上流から下流に向かって走行し、各車両感知器設置地点での速度が車両感知器３により、また、予測対象区間の旅行時間がＡＶＩ４により計測されているとする。
【００４３】
処理部５のデータベース構築手段６は、車両感知器３及びＡＶＩ４から順次送られてくるデータを５分毎に処理し、データベースを構築してメモリ10に格納する。図４は、データベース構築手段６が構築するデータベースの一例を帳票形式で示したものである。
【００４４】
図４において、交通流データは、年、月、日、時間の欄に記載した日時の５分間に、各車両感知器３が計測した複数の走行車両の速度を平均した値（５分間平均速度Ｖi）であり、また、実旅行時間は、その５分間に予測対象区間の出発点を出発した複数の車両の旅行時間をＡＶＩ４で計測し、それらの旅行時間を平均した値である。
【００４５】
なお、予測対象区間にＡＶＩが設置されていなかったり、ＡＶＩの故障などのために実旅行時間のデータが得られない場合には、データベース構築手段６が、車両感知器３のデータから算出した５分間平均速度Ｖiを用いて旅行時間を推定する。図４の推定旅行時間は、このような場合に備えてデータベース構築手段６が推定した旅行時間を示している。
【００４６】
ここで、この推定旅行時間の求め方について説明する。図３は、推定旅行時間算出における概念を説明する図であり、縦軸に距離を取り、横軸に時刻を取ったときの走行車両の走行軌跡を示している。この走行軌跡の傾きが各小区間及び各時点の速度に当たる。
【００４７】
まず、感知器１に割り当てられている小区間１を感知器１の時間１２：００〜１２：０５における５分間平均速度で走行するものとして、小区間１の距離Ｄ1をこの平均速度で除算し、小区間１の推定旅行時間を算出する。この推定旅行時間が平均データの時間間隔（この例で言えば５分）以内であれば、この算出値が小区間１の推定旅行時間となる。逆に５分より大きければ、平均速度が切り替わってもまだこの小区間１を走行していることになる。この場合、ここまでの推定旅行時間を５分とし、さらに、小区間１の残りの距離を、小区間１の次の５分間平均速度（感知器１の時間１２：０５〜１２：１０における５分間平均速度）で走行するものとして、推定旅行時間を算出する。算出した時間（ｔ1）が５分より小さく、小区間１の残りの距離が０であれば、小区間１で算出した推定旅行時間の総和（５分＋ｔ1）がこの小区間１の推定旅行時間となる。
【００４８】
次に、小区間２の推定旅行時間を算出する。小区間１の推定旅行時間が（５分＋ｔ1）である場合には、小区間２を感知器２の時間１２：０５〜１２：１０における５分間平均速度で走行するものとして、小区間２の距離Ｄ2をこの平均速度で除算し、小区間２の推定旅行時間を算出する。この推定旅行時間が（５分−ｔ1）以内であれば、この算出値が小区間２の推定旅行時間となる。図３のように、推定旅行時間が（５分−ｔ1）より大きければ、これまでの推定旅行時間を（５分−ｔ1）とし、小区間２の残りの距離を小区間２の次の５分間平均速度（感知器２の時間１２：１０〜１２：１５における５分間平均速度）で走行するものとして、推定旅行時間を算出する。算出した時間（ｔ2）が５分より小さく、小区間２の残りの距離が０であれば、小区間２で算出した推定旅行時間の総和（５分−ｔ1＋ｔ2）が小区間２の推定旅行時間となる。逆にｔ2が５分より大きければ、このときの推定旅行時間を５分とし、さらに、小区間２の残りの距離を、小区間２の次の５分間平均速度（感知器２の時間１２：１５〜１２：２０における５分間平均速度）で走行するものとして、推定旅行時間を算出する。こうした操作を繰り返して、小区間２の残りの距離が０になれば、それまでに小区間２で算出した推定旅行時間を加算し、それを小区間２の推定旅行時間とする。
【００４９】
このようにして、予測対象区間の全ての小区間における推定旅行時間を算出した後、各小区間について求めた推定旅行時間を加算して予測対象区間の推定旅行時間とする。図３の場合、小区間１から小区間５までの推定旅行時間は３３分となる。
【００５０】
なお、図４のデータベースにおいて、−１という表記は、データが未算出であることを表している。−１となるケースは、感知器がないため交通流データがない場合や、ＡＶＩ未設置で旅行時間が計測されない場合、または、ＡＶＩは既設であるが出発点で確認された車両が終着点に未到着でＡＶＩによる旅行時間がないような場合などが該当する。
【００５１】
処理部５の近傍データ収集手段７は、メモリ10に格納された全データベースの中から、予測時点の状況と類似するデータを幾つか選び、近傍データベースとしてメモリ11に格納する。例えば、現時点での旅行時間を予測するのであれば、現在の各感知器１〜ｎのデータから得られる５分間平均速度に類似する交通流データを有している日時のデータを選択して近傍データベースを構築する。
【００５２】
モデル構築手段８は、近傍データベースを用いて、例えば、各小区間の５分間平均速度から予測旅行時間を算出するモデルを作成する。
【００５３】
予測手段９は、このモデルに現在の各小区間の５分間平均速度を当てはめて予測旅行時間を算出する。
【００５４】
以下、処理部５の各手段の動作を詳細に説明する。
【００５５】
データベース構築手段６は、図２に示す手順で動作を行なう。
【００５６】
ステップ201：データベース構築手段６は、まず、車両感知器３やＡＶＩ４の各時点のデータを読み込み、
ステップ202：ＡＶＩ４から実旅行時間のデータが得られたときは、それを全データベースの該当箇所へ書き込み、
ステップ203：感知器データから算出した５分間平均速度を全データベースの該当箇所へ書き込む。
【００５７】
ステップ204：実旅行時間が−１であって、推定旅行時間が算出されていない過去の時点のデータがあるかどうかを探し、ある場合には、
ステップ205：上流側の小区間から順に走行軌跡を追跡して、小区間の推定旅行時間を算出する。
【００５８】
ステップ206：小区間の推定旅行時間を算出した後、その小区間の推定旅行時間が正常かどうかをチェックし、
ステップ210：正常でない場合は、全対象区間の推定旅行時間に未算出値（−１）を設定する。
【００５９】
ステップ207：小区間の推定旅行時間が正常であるときは、全小区間について推定旅行時間の算出が済んだかどうかをチェックし、済んでいなければ、
ステップ209：次の小区間の推定旅行時間を求めるためにＡ（ステップ205）にジャンプする。
【００６０】
ステップ208：全小区間についての推定旅行時間の算出が済んだときは、各小区間の推定旅行時間Ｔ'i(ｉ＝１，２，…，ｎ )の総和
Ｔ'＝Ｔ'1＋Ｔ'2＋…＋Ｔ’n
を算出し、
ステップ211：全データベースへ書き込む。
【００６１】
ステップ212：その他に、推定旅行時間の算出が未試行且つ未算出であるデータが無いかどうかを調べ、ある場合にはＡにジャンプしてステップ205以降の手順を繰り返す。無ければ処理を終了する。
【００６２】
なお、データベース構築手段の構築する全データベースは、図１に示す装置構成や予測対象区間の感知器等の設置状況あるいは使用データに応じて適宜変更される。対象区間に感知器のみが設置されている場合は、交通流データのうち平均速度と推定旅行時間とを格納し、また、ＡＶＩのみが設置されている場合は、日時に対応させて実旅行時間のデータを格納する。また、これらのデータは、一定期間分、例えば過去２年間分を格納する。
【００６３】
また、実旅行時間が未算出（−１）であるときは、車両が終着点側に到着していないため旅行時間が得られない場合であり、また、推定旅行時間が未算出（−１）であるときは、同様に、走行軌跡を追跡しても終着点側に到着していない場合である。その他、感知器が故障等のために計測不能である場合には、異なる値、例えばｎｕｌｌを記入することにより、データベース上でその旨が分かるようにすれば良い。
【００６４】
次に、近傍データ収集手段７は、図５に示す手順で動作を行なう。
【００６５】
ステップ501：近傍データ収集手段７は、まず、全データベースからデータを読み込み、
ステップ502：過去の全データを対象に、次の距離算出の処理を適用する。
【００６６】
ステップ503：処理の対象は必要なデータが揃っている過去時点のデータであり、
ステップ504：必要なデータが揃っている過去時点のデータについては、予測時点データとの距離を計算する。
【００６７】
ステップ505：必要なデータが揃っていない過去時点のデータについては、距離として未算出値（−１）を設定する。
【００６８】
この実施形態では、予測対象区間に感知器とＡＶＩとが配置されているが、この場合には、速度とＡＶＩで計測される実旅行時間（つまり過去における正しい予測旅行時間）とが必要なデータとなる。予測対象区間に配置されているのが感知器のみの場合には、速度と推定旅行時間とが必要なデータとなる。このように形態に応じたデータが揃っているならば、以下の処理を適用して近傍データを収集する。
【００６９】
データが近傍データであるかどうかは、同一時点における予測対象区間の交通流データを成分とするベクトルを想定し、比較対象のベクトルとのベクトル間の距離が大きいか小さいかによって判断する。具体的には、まず、同一時点でのｎ個の交通流データを対象とする場合に、ｎ次元のデータ空間を考え、この空間において、近傍を判断するデータ（ここでは予測時点ｔでの速度データＶ（ｔ））のｎ次元空間での分布を基準ベクトルとして、これと過去時点のデータがｎ次元空間に分布して成るベクトルとの間のユークリッド距離Ｄxを算出する。このベクトル間の距離算出は、いま、予測時点の基準ベクトルを（Ｘ1（ｔ），Ｘ2（ｔ），…，Ｘn（ｔ））、過去時点ｔ−ｋ（ｋ＝１，２，３，…）のベクトルを（Ｘ1（ｔ−ｋ），Ｘ2（ｔ−ｋ），…，Ｘn（ｔ−ｋ））とすると、次の演算によって行なう。
【００７０】
Ｄx＝√（Σ（Ｘi（ｔ）−Ｘi（ｔ−ｋ））2
（Σはｉ＝１からｎまで加算）
交通流データとしてｎ個の速度データを用いる場合には、Ｘi＝Ｖi（ｉ＝１，２，…，ｎ）である。対象に速度以外のデータを含めるならば、必要に応じてデータの正規化等を行い、これらを加えた次元上で同様にベクトル間の距離を算出すれば良い。
【００７１】
また、対象には、過去数時点のデータを含めるなど、広がりを持たせることもできる。あるいは、他の近傍判断の方法でもよい。
【００７２】
ステップ506：この距離算出を、全データベース中のすべての過去の時点ｔ−ｋ（ｋ＝１，２，３，…）のデータについて行なった後、
ステップ507：距離が未算出値以外のデータを対象に、この距離が小さく且つ時刻上近いもの順にソートする。ソート時に、一定の距離以内等の条件を加えて収集しても良い。
【００７３】
ステップ508：ソート後、上位の任意個数（例えば５０個）の各時点データを近傍データセットとして収集し、メモリ11に格納する。
【００７４】
メモリ11に格納する近傍データセットは、近傍判断の距離算出に用いたデータと、このデータに対して予測値として対応する旅行時間（実旅行時間または推定旅行時間）である。この実施形態のように、車両感知器とＡＶＩとのデータが得られる場合には、距離計算に使用した過去時点の既知の速度データと、この時点データに対して予測値として対応する同じく既知の実旅行時間との組をメモリに格納する。また、車両感知器のデータしか得られない場合は、距離計算に使用した過去時点の速度データと、この時点データに対して予測値として対応する推定旅行時間との組を格納する。
【００７５】
また、道路上に感知器が設置されておらず、ＡＶＩのみのデータしか得られない場合には、過去における今までの時系列の実旅行時間データを対象として、近傍データセットを収集すれば良い。例えば、現時点を含めた過去１２時点（１時間）分のデータを基準とし、過去の実旅行時間の時系列データから、時点を順次ずらしながら、連続する１２時点分のデータを取り、これらの対象データと基準データとの距離を算出する。そして、同様にソートし、上位の任意個数の対象データにおける距離算出に用いたデータと予測値として対応する実旅行時間との組からなるデータセットを収集する。
【００７６】
次に、モデル構築手段８の動作を図６のフローチャートを用いて説明する。
【００７７】
ステップ601：モデル構築手段８は、まず、近傍データベースのデータセットを読み込み、
ステップ602：データセットの近傍データ収集に使用した次元のデータを入力すると、これに対応する予測旅行時間が出力される予測モデルを構築する。
【００７８】
ここでは、任意個数（例えば５０個）の近傍データセットから、最小自乗法によって予測旅行時間Ｔ”を出力する次の線形モデルを構築する。
【００７９】
Ｔ”＝Ａ1Ｘ1＋Ａ2Ｘ2＋…＋ＡnＸn＋Ｂ
ここで、Ａn（ｉ＝１，２，…，ｎ）及びＢは最小自乗法によって決定されるパラメータであり、Ｘi（ｉ＝１，２，…，ｎ）は入力データである。この実施形態では入力データは速度データであり、Ｘi＝Ｖiとなる。
【００８０】
また、対象区間に感知器のみが存在する場合は、感知器データと推定旅行時間との近傍データセットを用いて、また、ＡＶＩのみが存在する場合は、過去の時系列の実旅行時間と予測値に対応する実旅行時間との近傍データセットを用いて予測モデルを構築すれば良い。線形モデル以外の予測モデルであってもよい。
【００８１】
ステップ603：構築した予測モデルは処理部５のメモリに保存する。
【００８２】
次に、予測手段９は、図７に示す手順で、旅行時間を予測する。
【００８３】
ステップ701：予測手段９は、全データベースからデータを読み込み、
ステップ702：処理部のメモリから予測モデルのパラメータを読み込む。
【００８４】
ステップ703：前述の予測モデルにおいて、Ｘi（ｉ＝１，２，…，ｎ）に予測時点でのデータ（この実施形態ではＸi＝Ｖi（ｔ））を代入し、予測値である旅行時間Ｔ"（ｔ）を算出する。
【００８５】
ステップ704：予測結果は、処理部５を通じて、各時点でモニタ12に出力される。
【００８６】
この旅行時間予測装置は、以上の動作を各時点毎に繰り返す。つまり、予測の各時点において、データを逐次、全データベースに蓄積し、その中から近傍のデータセットを収集して近傍データベースに格納し、このデータセットより動的にモデルを構築し、これに現時点でのデータを当てはめて旅行時間を予測する。従って、全データベースは過去の一定時点数分のデータを更新しながら蓄積し、近傍データベースは処理時点毎に新たに収集、構築される。
【００８７】
また、この実施形態では、感知器の交通流データとして速度データだけを用いたが、全データベースや近傍データベース、近傍データ収集やモデル構築等に、感知器から得られる交通量や占有率等の他のデータを含めても良い。
【００８８】
【発明の効果】
以上の説明から明らかなように、本発明の旅行時間予測装置及び予測方法は、対象区間から得られるデータが様々であっても、同一の装置により、また、同様の方法により予測旅行時間を算出することができ、予測対象区間に広く適用することが可能である。
【００８９】
また、この旅行時間予測装置は、道路上から得られるデータによってデータベースの自動更新が行われるため、最新の道路事情を踏まえた旅行時間の予測が可能であり、また、データベースのメンテナンスも容易である。
【００９０】
また、この旅行時間予測装置は、道路上から得られる各種のデータを使用して旅行時間を予測することができ、使用データへの依存度が小さい。そのため、道路に設置されている既存のデータ収集装置を有効に活用することができる。また、この旅行時間予測装置が感知器だけ設置されている道路での旅行時間を予測しているとき、この道路に、ＡＶＩが追加設置された場合でも、この旅行時間予測装置は、ＡＶＩのデータを取り込んで、柔軟に対応することができる。また、ＡＶＩの設置区間では、ＡＶＩの故障時等の代替手段としても機能することができる。
【図面の簡単な説明】
【図１】本発明の旅行時間予測装置の１実施形態を示す全体構成図、
【図２】前記旅行時間予測装置のデータベース構築手段の動作を示す処理フロー、
【図３】前記旅行時間予測装置における推定旅行時間算出の概念を示す摸式図、
【図４】前記旅行時間予測装置における全データベースの構造を帳票化した摸式図、
【図５】前記旅行時間予測装置の近傍データ収集手段の動作を示す処理フロー、
【図６】前記旅行時間予測装置のモデル構築手段の動作を示す処理フロー、
【図７】前記旅行時間予測装置の予測手段の動作を示す処理フローである。
【符号の説明】
１ 道路
２ 走行車両
３ 車両感知器
４ ＡＶＩ
５ 処理部
６ データベース構築手段
７ 近傍データ収集手段
８ モデル構築手段
９ 予測手段
10 全データベース
11 近傍データベース
12 モニタ
Claims (4)
- 道路上に設置された計測手段の計測する走行車両のデータを基に、道路上の予測対象区間を走行する車両の旅行時間を予測する旅行時間予測方法において、
各時点ごとに前記計測手段によって計測された計測データと、各時点に対応する旅行時間の実測値または前記計測データから算出した旅行時間の推定値を表す旅行時間データとをデータベースとして記憶し、
旅行時間の予測に使用できるデータとして前記計測手段から予測時点の計測データが得られる場合に、前記データベースの中から、前記計測手段によって計測された計測データの空間分布が予測時点の前記空間分布と類似する複数の時点の計測データ及び旅行時間データを近傍データセットとして収集し、旅行時間の予測に使用できるデータとして予測時点までの旅行時間の実測値の時系列データのみが得られる場合に、前記データベースの中から、過去の時点までの旅行時間データの時系列分布が予測時点までの前記時系列分布と類似する複数の過去の時点までの旅行時間の時系列データと当該過去の時点の旅行時間データとを近傍データセットとして収集し、
前記近傍データセットのデータを用いて、前記計測手段の計測した計測データまたは前記旅行時間の時系列データを入力とし、前記旅行時間データを出力とする予測モデルを作成し、
前記予測モデルに予測時点の計測手段の計測した計測データまたは予測時点までの旅行時間の時系列データを当てはめて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。 - 前記近傍データセットを収集するために、前記データベースに記憶された各時点の前記計測データの空間分布と、予測時点の計測手段によって計測された計測データの空間分布とのマッチングを取ることを特徴とする請求項１に記載の旅行時間予測方法。
- 前記近傍データセットを収集するために、予測時点までの所定数の前記旅行時間の実測値の時系列データと、前記データベースに記憶された前記旅行時間の実測値または推定値の時系列データとのマッチングを取ることを特徴とする請求項１に記載の旅行時間予測方法。
- 道路上に設置された計測手段の計測する走行車両のデータを基に、道路上の予測対象区間を走行する車両の旅行時間を予測する旅行時間予測装置において、
前記計測手段から入力する計測データを基に、各時点ごとの前記計測データと、各時点に対応する旅行時間の実測値または前記計測データから算出した旅行時間の推定値を表す旅行時間データとを含むデータベースを作成するデータベース構築手段と、
旅行時間の予測に使用できるデータとして前記計測手段から予測時点の計測データが得られる場合に、前記データベースの中から、前記計測手段によって計測された計測データの空間分布が予測時点の前記空間分布と類似する複数の時点の計測データ及び旅行時間データを近傍データセットとして収集し、旅行時間の予測に使用できるデータとして予測時点までの旅行時間の実測値の時系列データのみが得られる場合に、前記データベースの中から、過去の時点までの旅行時間データの時系列分布が予測時点までの前記時系列分布と類似する複数の過去の時点までの旅行時間の時系列データと当該過去の時点の旅行時間データとを近傍データセットとして収集する近傍データ収集手段と、
前記近傍データセットのデータを用いて、前記計測手段の計測した計測データまたは前記旅行時間の時系列データを入力とし、前記旅行時間データを出力とする予測モデルを作成するモデル構築手段と、
前記予測モデルに予測時点の計測手段の計測した計測データまたは予測時点までの旅行時間の時系列データを当てはめて旅行時間を予測する予測手段と
を備えることを特徴とする旅行時間予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10609796A JP3904629B2 (ja) | 1996-04-01 | 1996-04-01 | 旅行時間予測装置及び旅行時間予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10609796A JP3904629B2 (ja) | 1996-04-01 | 1996-04-01 | 旅行時間予測装置及び旅行時間予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09270091A JPH09270091A (ja) | 1997-10-14 |
| JP3904629B2 true JP3904629B2 (ja) | 2007-04-11 |
Family
ID=14425037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10609796A Expired - Fee Related JP3904629B2 (ja) | 1996-04-01 | 1996-04-01 | 旅行時間予測装置及び旅行時間予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3904629B2 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000011290A (ja) * | 1998-06-22 | 2000-01-14 | Hitachi Ltd | 旅行時間・渋滞情報推定方法及び装置 |
| JP3446077B2 (ja) * | 1999-02-19 | 2003-09-16 | 株式会社日立製作所 | 車両感知器情報処理方法及び装置 |
| JP2001195682A (ja) * | 2000-01-13 | 2001-07-19 | Nippon Telegr & Teleph Corp <Ntt> | 動的交通流制御システム |
| JP4706031B2 (ja) * | 2003-08-07 | 2011-06-22 | 独立行政法人産業技術総合研究所 | 混雑状況予測プログラム、混雑状況予測プログラムを記録したコンピュータ読み取り可能な記録媒体および混雑状況予測装置、ならびにナビゲーションプログラム、ナビゲーションプログラムを記録したコンピュータ読み取り可能な記録媒体およびナビゲーション装置 |
| JP4910905B2 (ja) * | 2007-06-25 | 2012-04-04 | 住友電気工業株式会社 | 旅行時間提供装置及び方法、コンピュータプログラム |
| JP5994375B2 (ja) * | 2012-05-09 | 2016-09-21 | 住友電気工業株式会社 | 旅行時間算出装置及び方法、コンピュータプログラム |
| JP6986584B2 (ja) * | 2020-02-19 | 2021-12-22 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置 |
-
1996
- 1996-04-01 JP JP10609796A patent/JP3904629B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH09270091A (ja) | 1997-10-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spiliopoulou et al. | Macroscopic traffic flow model calibration using different optimization algorithms | |
| Nocera et al. | Assessing carbon emissions from road transport through traffic flow estimators | |
| Van Lint | Reliable real-time framework for short-term freeway travel time prediction | |
| Elhenawy et al. | Dynamic travel time prediction using data clustering and genetic programming | |
| CN104169990A (zh) | 用于提供关于空闲停车位的驻车信息的方法 | |
| Olayode et al. | Prediction and modeling of traffic flow of human-driven vehicles at a signalized road intersection using artificial neural network model: A South African road transportation system scenario | |
| CN101187943A (zh) | 自动更新系统、自动更新方法及其程序 | |
| KR20200023697A (ko) | 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체 | |
| CN115331425B (zh) | 一种交通预警方法、装置和系统 | |
| JP2020135231A (ja) | 交通需要予測装置及び交通需要予測システム | |
| Rostami Nasab et al. | Estimation of origin–destination matrices using link counts and partial path data | |
| JP2001084479A (ja) | 交通流データ予測装置及び交通流データ予測方法 | |
| JP3904629B2 (ja) | 旅行時間予測装置及び旅行時間予測方法 | |
| CN113053106B (zh) | 基于多传感器信息融合的交通状态估计方法和装置 | |
| CN114638428A (zh) | 一种交通路况预测方法、装置及车辆 | |
| Petelin et al. | Models for forecasting the traffic flow within the city of Ljubljana | |
| Klosa et al. | Short-term traffic flow forecast using regression analysis and graph convolutional neural networks | |
| CN117875015A (zh) | 基于混合整数线性规划的高速公路检测器优化布设方法 | |
| Ehmke et al. | Floating car data based analysis of urban travel times for the provision of traffic quality | |
| Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
| Shen et al. | Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report | |
| Provoost et al. | Short term prediction of parking area states using real time data and machine learning techniques | |
| JP3975004B2 (ja) | 交通流データ予測装置および交通流データ予測方法 | |
| Briani et al. | Inverting the fundamental diagram and forecasting boundary conditions: How machine learning can improve macroscopic models for traffic flow | |
| CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040924 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20041019 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041220 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20050517 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050719 |
|
| A911 | Transfer of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20050818 |
|
| A912 | Removal of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20050909 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061211 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070110 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |