JP5838879B2 - Prediction system - Google Patents

Prediction system Download PDF

Info

Publication number
JP5838879B2
JP5838879B2 JP2012065585A JP2012065585A JP5838879B2 JP 5838879 B2 JP5838879 B2 JP 5838879B2 JP 2012065585 A JP2012065585 A JP 2012065585A JP 2012065585 A JP2012065585 A JP 2012065585A JP 5838879 B2 JP5838879 B2 JP 5838879B2
Authority
JP
Japan
Prior art keywords
time
designated
spatiotemporal
pedestrian
learning
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
Application number
JP2012065585A
Other languages
Japanese (ja)
Other versions
JP2013196601A (en
Inventor
笹木 美樹男
美樹男 笹木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Denso Corp
Original Assignee
Denso Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Denso Corp filed Critical Denso Corp
Priority to JP2012065585A priority Critical patent/JP5838879B2/en
Publication of JP2013196601A publication Critical patent/JP2013196601A/en
Application granted granted Critical
Publication of JP5838879B2 publication Critical patent/JP5838879B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、移動体が出現する可能性を予測する予測システムに関する。   The present invention relates to a prediction system that predicts the possibility of a mobile object appearing.

従来、危険予知に関する技術開発の対象は運転者から見て数秒以内の事象を予測するものであり、自車の動きはほぼ運動方程式に従うと仮定するものが大半であった(例えば、特許文献1を参照)。   Conventionally, the object of technology development related to risk prediction is to predict an event within a few seconds from the driver's perspective, and most of the assumptions are that the movement of the vehicle substantially follows the equation of motion (for example, Patent Document 1). See).

特開2009−217692号公報JP 2009-276992 A

しかし、特許文献1に記載の技術では、運転者から見て数秒以内という条件下で対象物となる車両や歩行者の動きを予測するため、センシング性能は高精度であることが前提となっている。ところが、現状の車外環境認識技術は高速走行であるほど認識率が劣化し、遠方や隠れのある対象物ではさらに認識は困難となる。したがって車両単独では、数秒以内であっても死角から出現する歩行者や隠れ・不鮮明のある画像内の歩行者、数百メートル以上先の歩行者、さらには交差点の右左折を介した先の交通事象に関しては全く対処不能であるという問題があった。   However, the technique described in Patent Document 1 is based on the assumption that the sensing performance is highly accurate in order to predict the movement of the target vehicle or pedestrian under the condition of within a few seconds when viewed from the driver. Yes. However, with the current outside-vehicle environment recognition technology, the recognition rate deteriorates as the vehicle travels at a higher speed, and the recognition becomes more difficult for objects that are far away or hidden. Therefore, with a vehicle alone, pedestrians appearing from the blind spot even within a few seconds, pedestrians in hidden or unclear images, pedestrians several hundred meters or more away, and further traffic through a right or left turn at an intersection There was a problem that the event could not be handled at all.

本発明は、こうした問題に鑑みてなされたものであり、移動体の出現に対して十分な余裕を持って対処することを可能とする技術を提供することを目的とする。   The present invention has been made in view of these problems, and an object of the present invention is to provide a technique that can deal with the appearance of a moving object with a sufficient margin.

上記目的を達成するためになされた第1発明と第2発明の予測システムでは、取得手段が、過去において移動体が移動した移動経路の位置を示す移動経路位置と、移動経路位置に移動体が存在した時間とが対応付けられた時空間軌道を示す時空間軌道データ、および移動体の属性を示す移動体属性データが、複数の移動体毎に記憶された移動体データベースを用いて学習した学習結果を取得し、予測手段が、時間と位置とを示す時空間が指定された場合に、指定された時空間を指定時空間とし、取得手段により取得された学習結果に基づいて、指定時空間において移動体が出現する可能性を予測する。
さらに、第1発明と第2発明の予測システムでは、移動体は人間であり、学習結果は、人間の存在と属性に関する確信度が時間と場所に回帰すると仮定した回帰分析により学習した結果であり、予測手段は、車両が走行を予定している経路である走行予定経路の少なくとも一部を指定時空間点とし、指定時空間点において人間が出現する可能性として確信度を算出し、予測手段は、走行予定経路のうち指定時空間点として指定された部分を含む予め設定された時空間範囲内の複数の時空間点で確信度を算出し、危険度算出手段が複数の時空間点で算出された確信度の総和を危険度として算出する。
そして、第1発明の予測システムでは、取得手段は、時空間範囲内において学習対象となる移動体の数が少ない場合には、時空間範囲の時間帯において、その他の時間帯よりも高い時間密度でサンプリングすることによって、回帰分析の状態行列を低次元化することで学習し、この結果を学習結果として取得する。
また、第2発明の予測システムでは、取得手段は、時空間範囲内において学習対象となる歩行者の数が少ない場合には、歩行者の移動パターンが時空間範囲と類似する他のエリアでのデータを移動体データベースから抽出して、抽出したデータを用いて学習し、この結果を学習結果として取得する。
In the prediction system of the first invention and the second invention made to achieve the above object, the acquisition means includes a movement path position indicating the position of the movement path in which the moving body has moved in the past, and the moving body at the movement path position. Learning in which spatiotemporal trajectory data indicating the spatiotemporal trajectory associated with the existing time and mobile object attribute data indicating the attributes of the mobile object are learned using a mobile object database stored for each of the plurality of mobile objects When a space-time indicating the time and position is specified when the prediction means acquires the result, the specified time-space is designated as the specified time-space, and the specified time-space is determined based on the learning result acquired by the acquisition means. Predict the possibility that a moving object will appear at
Further, in the prediction systems of the first and second inventions, the moving object is a human, and the learning result is a result of learning by regression analysis assuming that the certainty about human existence and attributes returns to time and place. The predicting means calculates at least a part of the planned travel route that is a route on which the vehicle is scheduled to travel, calculates a certainty factor as a possibility that a person appears at the specified spatiotemporal point, Calculates the certainty factor at a plurality of spatio-temporal points within a preset spatio-temporal range including the portion designated as the designated spatio-temporal point in the scheduled travel route, The sum of the calculated certainty levels is calculated as the risk level.
In the prediction system according to the first aspect of the present invention, when the number of moving objects to be learned is small in the spatiotemporal range, the acquisition means has a higher time density in the time zone in the spatiotemporal range than in other time zones. By performing sampling, learning is performed by reducing the state matrix of the regression analysis, and this result is acquired as a learning result.
In the prediction system according to the second aspect of the present invention, when the number of pedestrians to be learned is small in the spatio-temporal range, the acquisition means is in other areas where the pedestrian movement pattern is similar to the spatio-temporal range. Data is extracted from the mobile database, learning is performed using the extracted data, and the result is acquired as a learning result.

このように構成された予測システムでは、過去における移動体の時空間軌道データを学習して、指定された時間と位置において移動体が出現する可能性を予測する。このため、時間と位置が指定されれば、予測システムの使用者は、時間と位置が指定された時点で、指定された時間および位置において移動体が出現する可能性を知ることができ、移動体の出現に対して十分な余裕を持って対処することができる。   The prediction system configured as described above learns the spatio-temporal trajectory data of the moving body in the past, and predicts the possibility of the moving body appearing at the specified time and position. Therefore, if the time and position are specified, the user of the prediction system can know the possibility that a moving object will appear at the specified time and position when the time and position are specified. Can deal with the appearance of the body with sufficient margin.

危険予知システム1の構成を示すブロック図である。It is a block diagram which shows the structure of the danger prediction system. 危険予知処理の前半部分を示すフローチャートである。It is a flowchart which shows the first half part of a danger prediction process. 危険予知処理の後半部分を示すフローチャートである。It is a flowchart which shows the latter half part of a danger prediction process. 出現予測の処理の全体概要を示す図である。It is a figure which shows the whole outline | summary of the process of appearance prediction. 矩形状の密度関数を用いたサンプリングを示す図である。It is a figure which shows the sampling using a rectangular density function. 任意形状の密度関数を用いたサンプリングを示す図である。It is a figure which shows the sampling using the density function of arbitrary shapes. 類似エリアの利用方法を示す図である。It is a figure which shows the usage method of a similar area. 時空間軌道の予測方法を示す図である。It is a figure which shows the prediction method of a spatiotemporal orbit.

以下に本発明の実施形態について図面とともに説明する。
[1. 概要]
本発明が適用された危険予知システム1は、過去の人の流れデータを学習し、予定する走行経路上の日時場所において遭遇する歩行者の数および属性を予測することにより、衝突回避のための危険予知を行うシステムである。
Embodiments of the present invention will be described below with reference to the drawings.
[1. Overview]
The danger prediction system 1 to which the present invention is applied learns past human flow data, and predicts the number and attributes of pedestrians encountered at a date and time place on a planned driving route. This is a system for predicting danger.

[1−1. 特徴]
(1)人の存在と属性に関する確信度が時間と場所に回帰すると仮定して人の流れデータを学習し、走行経路上でいつどこに人が出現するかを予測する。
[1-1. Feature]
(1) Learning human flow data on the assumption that the certainty about the existence and attributes of a person returns to time and place, and predicting when and where the person will appear on the travel route.

(2)走行経路上の或る時空間範囲(危険範囲と呼ぶ)で人の確信度の総和をとることにより危険度を算出する。この危険範囲は(年齢、性別、交通手段)で構成するクラスに応じて変化させる。   (2) The degree of danger is calculated by taking the sum of the certainty levels of people in a certain space-time range (called the danger range) on the travel route. This danger range is changed according to the class composed of (age, sex, means of transportation).

(3)或るエリアで学習対象となる人の数が少ない場合、走行予定時間を中心としてサンプルする時刻を可変にすることで状態行列を低次元化し、予測計算を円滑に行う。
(4)或るエリアで学習対象となる人の数が少ない場合、異なるエリアであってもエリア内の人数の時間変化パターンが歩行者属性(目的、職業、年齢、性別)の個々について似ている場合は学習データとして使用する。
(3) When the number of persons to be learned in a certain area is small, the state matrix is reduced in order by changing the sampling time around the scheduled travel time, and the prediction calculation is performed smoothly.
(4) When the number of people to be studied in a certain area is small, the time variation pattern of the number of people in the area is similar for each pedestrian attribute (purpose, occupation, age, sex) even in different areas If it is, use it as learning data.

[1−2. 具体的用途]
走行予定経路上で歩行者と遭遇する可能性を予測し、運転者に警報を発する運転支援装置に応用する。
[1-2. Specific use]
The present invention is applied to a driving support device that predicts the possibility of encountering a pedestrian on a planned travel route and issues a warning to the driver.

[2. システム構成]
本発明が適用された危険予知システム1は、図1に示すように、データベース部10と学習部20と条件設定部30と予測部40を備える。
[2. System configuration]
The risk prediction system 1 to which the present invention is applied includes a database unit 10, a learning unit 20, a condition setting unit 30, and a prediction unit 40, as shown in FIG.

データベース部10は、カーナビゲーション装置11と、人流れデータベース12と、検索インターフェース13と、時空間軌道データ抽出・加工部14を備える。
カーナビゲーション装置11は、車両の現在位置を検出する位置検出器(不図示)と、地図データや各種の情報を記憶可能なデータ記憶装置(不図示)と、ユーザからの各種指示を入力するための操作スイッチ(不図示)と、地図表示画面やTV画面等の各種表示を行うための表示装置(不図示)を備える。そしてカーナビゲーション装置11は、位置検出器の検出結果に基づき車両の現在位置を算出し、データ記憶装置から読み込んだ現在位置付近の地図等を表示装置に表示する地図表示機能を備える。またカーナビゲーション装置11は、操作スイッチの操作に従って目的地を特定し、現在位置から目的地までの最適な走行予定経路を自動的に求める経路計算を行って経路案内を行う経路案内機能を備える。
The database unit 10 includes a car navigation device 11, a human flow database 12, a search interface 13, and a spatiotemporal trajectory data extraction / processing unit 14.
The car navigation device 11 inputs a position detector (not shown) that detects the current position of the vehicle, a data storage device (not shown) that can store map data and various information, and various instructions from the user. Operating switch (not shown) and a display device (not shown) for performing various displays such as a map display screen and a TV screen. The car navigation device 11 has a map display function for calculating the current position of the vehicle based on the detection result of the position detector and displaying a map and the like near the current position read from the data storage device on the display device. In addition, the car navigation device 11 includes a route guidance function that performs route guidance by specifying a destination according to the operation of the operation switch, and performing route calculation that automatically obtains the optimum planned travel route from the current position to the destination.

人流れデータベース12は、人の流れデータを記憶するデータベースである。人の流れデータとは、公的調査で得られた「識別番号、日時、位置、性別、年齢、住所、職業、目的、交通手段」を1分間隔で時空間内挿した時系列データである。これは、1998年東京を皮切りに全国主要都市に拡大され、近年では海外にも展開されている。現在、東京大学空間情報科学研究センターでは、この人の流れデータのデータベースを提供しており、例えば1998年の東京圏では約72万人、2001年の中京圏では約26万人を対象として公的に調査されたパーソントリップデータ(以下、PTデータという)が、東大の提供する「Web API」によって検索できる。   The human flow database 12 is a database that stores human flow data. Human flow data is time-series data that is obtained by public survey and interpolated in space and time at intervals of 1 minute from “identification number, date / time, location, gender, age, address, occupation, purpose, and means of transportation”. . This was expanded to major cities nationwide, starting with Tokyo in 1998, and in recent years has also been expanded overseas. Currently, the Center for Spatial Information Science at the University of Tokyo provides a database of human flow data. For example, about 720,000 people in the Tokyo area in 1998 and about 260,000 people in the Chukyo area in 2001 are publicly available. The personal trip data (hereinafter referred to as PT data) that has been surveyed can be searched by the “Web API” provided by the University of Tokyo.

検索インターフェース13は、指定条件に合致した人の流れデータを人流れデータベース12から抽出するためのインターフェースである。
時空間軌道データ抽出・加工部14は、人の流れデータを人流れデータベース12から抽出し、抽出した人の流れデータを加工することにより、状態行列(後述)と歩行者属性の確信度行列(後述)を作成する。
The search interface 13 is an interface for extracting from the human flow database 12 the human flow data that matches the specified condition.
The spatio-temporal trajectory data extraction / processing unit 14 extracts human flow data from the human flow database 12 and processes the extracted human flow data, thereby obtaining a state matrix (described later) and a pedestrian attribute certainty matrix ( Create later.

学習部20は、データ学習部21と、予測特性データベース22と、予測特性制御部23を備える。
データ学習部21は、データベース部10で作成された状態行列と確信度行列を用いた学習により、予測特性を示す予測関数を作成する。
The learning unit 20 includes a data learning unit 21, a prediction characteristic database 22, and a prediction characteristic control unit 23.
The data learning unit 21 creates a prediction function indicating prediction characteristics by learning using the state matrix and the certainty factor matrix created by the database unit 10.

予測特性データベース22は、既存の予測関数を記憶する。
予測特性制御部23は、データ学習部21で作成された予測関数か、予測特性データベース22に記憶された予測関数の何れかを、歩行者確信度の算出に用いる予測関数として選択する。
The prediction characteristic database 22 stores an existing prediction function.
The prediction characteristic control unit 23 selects either the prediction function created by the data learning unit 21 or the prediction function stored in the prediction characteristic database 22 as a prediction function used for calculating the pedestrian certainty factor.

条件設定部30は、予測条件設定部31と、走行予定軌道マッピング部32を備える。
予測条件設定部31は、カーナビゲーション装置11を通じて走行予定経路を通過位置と時間で設定する。
The condition setting unit 30 includes a prediction condition setting unit 31 and a scheduled traveling track mapping unit 32.
The prediction condition setting unit 31 sets the scheduled travel route through the car navigation device 11 by the passing position and time.

走行予定軌道マッピング部32は、走行予定経路上に代表点QI(I=1,2,・・・・,IQ)を設定する。
予測部40は、歩行者経路推定部41と、歩行者確信度算出部42と、時空間距離計算部43と、危険度算出部44と、報知部45を備える。
The planned travel path mapping unit 32 sets a representative point Q I (I = 1, 2,..., IQ ) on the planned travel route.
The prediction unit 40 includes a pedestrian route estimation unit 41, a pedestrian certainty calculation unit 42, a spatiotemporal distance calculation unit 43, a risk calculation unit 44, and a notification unit 45.

歩行者経路推定部41は、走行予定経路上の個々の代表点QIを通過しうる歩行者の経路を設定する。
歩行者確信度算出部42は、走行予定軌道マッピング部32で設定された個々の代表点QIについて、歩行者経路推定部41で設定された全て経路についての歩行者確信度を算出する。
The pedestrian route estimation unit 41 sets a pedestrian route that can pass through each representative point Q I on the planned travel route.
The pedestrian certainty calculating unit 42 calculates the pedestrian certainty for all the routes set by the pedestrian route estimating unit 41 for each representative point Q I set by the planned traveling trajectory mapping unit 32.

時空間距離計算部43は、歩行者と走行予定経路との時空間距離を算出する。
危険度算出部44は、歩行者確信度算出部42で算出された歩行者確信度と、時空間距離計算部43で算出された時空間距離と、カーナビゲーション装置11からの各種情報とに基づいて、危険度を算出する。
The spatiotemporal distance calculation unit 43 calculates a spatiotemporal distance between the pedestrian and the planned travel route.
The risk degree calculating unit 44 is based on the pedestrian certainty degree calculated by the pedestrian certainty degree calculating unit 42, the spatiotemporal distance calculated by the spatiotemporal distance calculating unit 43, and various information from the car navigation device 11. To calculate the risk level.

報知部45は、危険度算出部44で算出された危険度を運転者に報知する。
[3.危険予知処理]
次に、危険予知システム1が実行する危険予知処理の手順の概略を説明する。
The notification unit 45 notifies the driver of the risk level calculated by the risk level calculation unit 44.
[3. Risk prediction process]
Next, an outline of the procedure of the danger prediction process executed by the danger prediction system 1 will be described.

この危険予知処理が実行されると、危険予知システム1は、図2および図3に示すように、まずS10にて、カーナビゲーション装置11を通じて走行予定経路を通過位置と時間で設定する。その後S20にて、既存の予測関数を用いるか否かを判断する。ここで、既存の予測関数を用いる場合には(S20:YES)、S30にて、既存の予測関数を予測特性データベース22からロードして、S100に移行する。一方、既存の予測関数を用いない場合には(S20:NO)、S40にて、走行予定経路に応じた時空間範囲の人の流れデータを人流れデータベース12から抽出する。   When this danger prediction process is executed, as shown in FIGS. 2 and 3, the danger prediction system 1 first sets a scheduled travel route through the car navigation device 11 by the passing position and time in S10. Thereafter, in S20, it is determined whether or not an existing prediction function is used. If an existing prediction function is used (S20: YES), the existing prediction function is loaded from the prediction characteristic database 22 in S30, and the process proceeds to S100. On the other hand, when the existing prediction function is not used (S20: NO), the human flow data in the spatiotemporal range corresponding to the planned travel route is extracted from the human flow database 12 in S40.

そしてS50にて、S40で抽出したデータが学習データ量として十分であるか否かを判断する。ここで、学習データ量として十分である場合には(S50:YES)、S90に移行する。   In S50, it is determined whether or not the data extracted in S40 is sufficient as the learning data amount. If the amount of learning data is sufficient (S50: YES), the process proceeds to S90.

一方、学習データ量として十分でない場合には(S50:NO)、S60にて、類似エリアのデータを使うか否かを判断する。ここで、類似エリアのデータを使う場合には(S60:YES)、S70にて、類似エリアにおける人の流れデータを人流れデータベース12から取得し、S90に移行する。一方、類似エリアのデータを使わない場合には(S60:NO)、S80にて、状態行列の時間軸を低次元化して、S90に移行する。   On the other hand, if the amount of learning data is not sufficient (S50: NO), it is determined in S60 whether to use data in a similar area. Here, when the data of the similar area is used (S60: YES), the flow data of the person in the similar area is acquired from the flow database 12 in S70, and the process proceeds to S90. On the other hand, when the data of the similar area is not used (S60: NO), the time axis of the state matrix is reduced in dimension in S80, and the process proceeds to S90.

そしてS90に移行すると、人の流れデータを学習し、予測関数を作成し、S100に移行する。そしてS100に移行すると、走行予定経路上に代表点QI(I=1,2,・・・・,IQ)を設定する。その後S110にて、I=0とし、さらにS120にて、I=I+1とする。 And if it transfers to S90, a human flow data will be learned, a prediction function will be created, and it will transfer to S100. In S100, a representative point Q I (I = 1, 2,..., I Q ) is set on the planned travel route. Thereafter, in S110, I = 0, and in S120, I = I + 1.

その後S130にて、学習データ中に歩行者情報(年齢、性別、職業、目的など)があるか否かを判断する。ここで、学習データ中に歩行者情報がない場合には(S130:NO)、S150に移行する。一方、学習データ中に歩行者情報がある場合には(S130:YES)、S140にて、歩行者情報を導入して使えるようにし、S150に移行する。   Thereafter, in S130, it is determined whether or not there is pedestrian information (age, sex, occupation, purpose, etc.) in the learning data. Here, when there is no pedestrian information in learning data (S130: NO), it transfers to S150. On the other hand, if there is pedestrian information in the learning data (S130: YES), the pedestrian information is introduced and used in S140, and the process proceeds to S150.

そしてS150に移行すると、歩行者の道路情報があるか否かを判断する。ここで、歩行者の道路情報がある場合には(S150:YES)、S160にて、代表点QIに接続するNI本の道路を選択し、各道路に沿ってMI分の歩行範囲でRI個の時空間点を(性別、年齢、交通手段)で構成するクラスに応じて設定して、S180に移行する。一方、歩行者の道路情報がない場合には(S150:NO)、S170にて、経路上の動きベクトルを算出し、8方向の経路を仮定して、S180に移行する。 In S150, it is determined whether or not there is pedestrian road information. Here, when there is road information pedestrian (S150: YES), in S160, select N I present roads that connect to the representative point Q I, walking range of M I component along each road Then, R 1 spatio-temporal points are set according to the class composed of (sex, age, means of transportation), and the process proceeds to S180. On the other hand, if there is no road information of the pedestrian (S150: NO), a motion vector on the route is calculated in S170, and an eight-direction route is assumed and the process proceeds to S180.

そしてS180に移行すると、クラス番号jc=0とし、さらにS190にて、jc=jc+1とする。
その後S200にて、S160またはS170で設定したクラス番号jcに対応するRI個の時空間点について、以下のように歩行者属性に基づく4つのカテゴリ(A),(B),(C),(D)に関する計算を行う。
In S180, the class number j c = 0 is set, and in S190, j c = j c +1 is set.
At subsequent S200, 4 categories based on R I number of space-time point corresponding to the class number j c set in S160 or S170, the pedestrian attributes as follows (A), (B), (C) , (D) is calculated.

(A)性別・年齢別に確信度の総和を算出する。
(B)目的別に確信度の総和をとる。
(C)職業別に確信度の総和をとる。
(A) Calculate the sum of certainty levels by gender and age.
(B) Sum of certainty factors for each purpose.
(C) Sum of certainty by occupation.

(D)交通手段別(歩行、自転車)に確信度の総和をとる。
そしてS210にて、全てのクラスについて歩行者確信度を算出したか否かを判断する。ここで、全てのクラスについて歩行者確信度を算出していない場合には(S210:NO)、S190に移行して、上述の処理を繰り返す。一方、全てのクラスについて歩行者確信度を算出した場合には(S210:YES)、S220にて、QIにおける全クラスの積算値を上記(A),(B),(C),(D)のカテゴリについて算出する。また、それらを合計して全カテゴリに関する和を求め、これをQIにおける全歩行者確信度CIとする。
(D) Sum of certainty factors for each means of transportation (walking, bicycle).
In S210, it is determined whether or not the pedestrian certainty has been calculated for all classes. Here, when the pedestrian certainty has not been calculated for all classes (S210: NO), the process proceeds to S190 and the above process is repeated. On the other hand, when calculating the pedestrian confidence for all classes (S210: YES), in S220, the integrated value of all the classes in the Q I (A), (B ), (C), (D ) Category. Moreover, they are summed to obtain a sum for all categories, and this is defined as the total pedestrian certainty C I in Q I.

その後S230にて、IがIQ未満であるか否かを判断する。ここで、IがIQ未満である場合には(S230:YES)、S120に移行して、上述の処理を繰り返す。一方、IがIQ以上である場合には(S230:NO)、S240にて、走行経路上のCIを単純危険度(もっとも簡単に算出できる危険度)とみなしてその変化の度合いと極大値から上位IR個の危険箇所を抽出する。 At subsequent S230, I is equal to or less than I Q. Here, if I is less than I Q (S230: YES), the process proceeds to S120, and the above processing is repeated. On the other hand, if I is equal to or higher than I Q (S230: NO), C I on the travel route is regarded as a simple risk (the risk that can be calculated most easily) in S240, and the degree of change and the maximum extracting the upper I R-number of the hazard from the value.

さらにS250にて、上記IR個の危険箇所についてCI値と、S220で算出したカテゴリ別の歩行者確信度、道路、交通施設に関する情報、周囲や地理環境の情報、自車速度、車両情報、過去の歩行者軌道との時空間距離を総合的に判断した複合危険度を算出する。 In addition at S250, and the C I value for the above I R-number of the dangerous place, another pedestrian confidence category calculated in S220, road, information about the transportation facilities, information of the surrounding and geographical environment, vehicle speed, vehicle information Then, the composite risk degree is calculated by comprehensively determining the spatiotemporal distance from the past pedestrian trajectory.

そしてS260にて、出現予定時刻、場所、出現する歩行者のプロファイルおよび危険度を報知して、危険予知処理を終了する。
[4. 出現予測]
危険予知システム1は、図4に示すように、人の流れデータを時空間軌道として解釈し、データベースの構築、学習、予測という3段階で歩行者の出現予測を行う。以下にその詳細を説明する。
Then, in S260, the expected appearance time, place, profile of the appearing pedestrian and the degree of danger are notified, and the danger prediction process is terminated.
[4. Appearance prediction]
As shown in FIG. 4, the danger prediction system 1 interprets human flow data as a spatiotemporal trajectory, and predicts the appearance of pedestrians in three stages: database construction, learning, and prediction. Details will be described below.

[4−1. PTデータベースの構築と学習]
[4−1−1. 対象エリアの選択]
予測対象とするエリアを選択する。まず基準点の位置座標を経度と緯度で表し、それを中心とする例えば1km四方をターゲットエリアとする。
[4-1. Construction and learning of PT database]
[4-1-1. Select target area]
Select the area to be predicted. First, the position coordinates of the reference point are represented by longitude and latitude, and for example, a 1 km square centered on it is defined as a target area.

[4−1−2. サンプル時刻の設定]
まず、上記ターゲットエリアにおける人のID(以下、PIDという)をPTデータベースから検索する。検索対象となるPTデータベースは、2001年に中京圏26万人を対象として調査された01CHUである。いま、日時に2001年10月1日を設定し、例えば1時間毎のターゲットエリア内のPIDリストを作成する。これにより、1日におけるエリア内の歩行者数の時間変化がわかる。例えば通勤通学時のサンプル時刻として午前8時を選ぶ。
[4-1-2. Sample time setting]
First, a person ID in the target area (hereinafter referred to as PID) is searched from the PT database. The PT database to be searched is 01CHU surveyed in 2001 for 260,000 people in the Chukyo area. Now, October 1, 2001 is set as the date and time, and for example, a PID list in the target area every hour is created. Thereby, the time change of the number of pedestrians in the area in one day is known. For example, 8:00 am is selected as the sample time when commuting to school.

[4−1−3. PTデータの検索]
上記PIDリストには8時0分にエリア内に存在した人(のうち、01CHUの調査に参加した人)K人のPIDが記載されているので、これをもとに全ての人について8時から23時59分までの移動経路を1分間隔のPTデータの時系列として検索し、K個の時空間軌道のファイルを得る。ここには、移動経路のみならず、各人の属性(年齢、性別、職業、目的)が記載されている。
[4-1-3. Search PT data]
The PID list contains the PIDs of K people who were present in the area at 8:00:00 (among those who participated in the 01CHU survey). To 23:59 as a time series of PT data at intervals of 1 minute, and K space-time trajectory files are obtained. Here, not only the travel route but also the attributes of each person (age, gender, occupation, purpose) are described.

[4−1−4. 状態に関する計測行列の作成]
上記のK個の時空間軌道ファイルから経度緯度の時系列を1行としてK行の行列を作成することができる。このとき、行方向は時間を表し、T列の経度情報とT列の緯度情報を1行に並べる。したがって、この状態行列Xのサイズは(K×2T)となる。今回、計算負荷低減のため2分毎に時間軸の代表点をとり、その位置データと1分後の位置データとの平均をとることで、T=480とした。
[4-1-4. Creation of state measurement matrix]
From the above K space-time orbit files, a matrix of K rows can be created with a time series of longitude and latitude as one row. At this time, the row direction represents time, and the longitude information in the T column and the latitude information in the T column are arranged in one row. Therefore, the size of this state matrix X is (K × 2T). This time, T = 480 was obtained by taking a representative point on the time axis every 2 minutes to reduce the calculation load and taking the average of the position data and the position data after 1 minute.

[4−1−5. 確信度行列の作成]
PTデータに含まれる歩行者属性は年齢、性別、職業、目的で合計70次元とする(01CHUの場合)。この歩行者属性が歩行者の確信度を構成すると仮定し、その確信度が時間と位置を説明変数として推定されるというモデルを考える。すなわち、確信度行列Y(K×L)は一般的にY=f(X)と表現され、特にfを線形回帰で表現すればY=XBと表現できる。ただし、Bは線形回帰係数で構成される行列であり、サイズは(2T×L)となる。ただし、L=70であり、学習時の確信度の値は0か1のいずれかである。
[4-1-5. Create confidence matrix]
The pedestrian attributes included in the PT data are 70 dimensions in total by age, gender, occupation, and purpose (in the case of 01 CHU). Assuming that this pedestrian attribute constitutes a pedestrian's certainty, consider a model in which the certainty is estimated using time and position as explanatory variables. That is, the certainty matrix Y (K × L) is generally expressed as Y = f (X), and in particular, if f is expressed by linear regression, it can be expressed as Y = XB. However, B is a matrix composed of linear regression coefficients, and the size is (2T × L). However, L = 70, and the value of confidence during learning is either 0 or 1.

[4−1−6. 回帰係数行列の推定]
多変量線形回帰分析におけるよく知られた手法により、回帰係数行列Bを最小2乗推定で求めると、B=(XTX)-1TYとなる。このBがPTデータの学習によって得られた、歩行者時空間分布の予測特性となる。
[4-1-6. Estimation of regression coefficient matrix]
When a regression coefficient matrix B is obtained by least square estimation by a well-known method in multivariate linear regression analysis, B = (X T X) −1 X T Y. This B becomes the prediction characteristic of the pedestrian spatio-temporal distribution obtained by learning PT data.

[4−1−7. 状態行列の低次元化]
上記の状態行列Xの行サイズKがK<2Tである場合、すなわち時空間軌道のデータ数Kが十分に獲得できない場合は、最小2乗推定における共分散行列S=XTX(サイズは2T×2T)に対して逆行列S-1がランクの問題で順当に計算できなくなる。この場合の対処には以下の方法が考えられる。
[4-1-7. State matrix reduction]
When the row size K of the state matrix X is K <2T, that is, when the number K of spatiotemporal orbital data cannot be obtained sufficiently, the covariance matrix S = X T X (size is 2T in the least square estimation) For (× 2T), the inverse matrix S −1 cannot be calculated properly due to the rank problem. The following methods can be considered for coping with this case.

(方法1)…Xの列サイズ(2T)を十分に下げる。すなわち、学習対象とする時刻の数を少なくする。
(方法2)…「笹木, “人の時空間分布を予報するシステム - 実現可能性の検討 - “, 信学技報ITS2010-76 (2011-03).」で示した方法と同様に、観測状態に主成分分析を施し、上位K個の主成分で構成される固有空間で最小2乗推定を行う。
(Method 1): The row size (2T) of X is sufficiently lowered. That is, the number of times to be learned is reduced.
(Method 2): “Ogiki,“ System for predicting the spatio-temporal distribution of humans-Examination of feasibility-“, IEICE Technical Report ITS2010-76 (2011-03).” Principal component analysis is performed on the state, and least square estimation is performed in the eigenspace composed of the top K principal components.

(方法3)…共分散行列S=XTXに微小な対角成分を付加することで正則化する。
上記の(方法2)と(方法3)は既知の方法であるので割愛し、以下、(方法1)に関する提案を述べる。
(Method 3): Regularization is performed by adding a small diagonal component to the covariance matrix S = X T X.
Since the above (Method 2) and (Method 3) are known methods, they will be omitted, and the proposal regarding (Method 1) will be described below.

(A)「学習対象とする時間帯を走行予定経路の時間帯のみにする」
上記ではT=480とし、2分間隔で16時間分の位置データ(経度および緯度の中心位置からの差分値)を学習することを想定した(図5を参照)。しかし、Sを正則にするためのデータ数の最小値Kmin=2Tに対応する960人分のデータを或る時刻に1km四方のエリアで収集することは、よほどの密集地(例えば新宿や渋谷など)でない限り困難である。
(A) “Let the time zone to be learned be only the time zone of the planned driving route”
In the above, it was assumed that T = 480, and position data for 16 hours (difference value from the center position of longitude and latitude) was learned at 2-minute intervals (see FIG. 5). However, collecting data for 960 people corresponding to the minimum number of data K min = 2T for regularizing S in a 1 km square area at a certain time is very dense (for example, Shinjuku or Shibuya) It is difficult unless it is).

そこで、本来必要な自車の走行予定時間に相当する時間範囲でのみ学習すれば、学習データ数は最小で済む。例えば2時間で通過するエリアでは2分間隔で120人分の時空間軌道データが収集できればよい。このとき、T=60なのでSのサイズは120×120となり、正則になることが可能である(図6を参照)。   Therefore, if learning is performed only in the time range corresponding to the required traveling time of the own vehicle, the number of learning data is minimized. For example, in an area passing in 2 hours, it is only necessary to collect space-time orbit data for 120 people at intervals of 2 minutes. At this time, since T = 60, the size of S is 120 × 120, which can be regular (see FIG. 6).

一方、この収集する時間間隔MDをMD=2よりも大きくすると、それだけ予測における時間分解能が低下するため、危険予知の観点ではあまり好ましくない。また、通過する時間が小さければ正則化可能な範囲で無制限にデータ数を下げてよいかというとそうではない。本来、PTデータベースを最大限に有効活用するには、走行時間帯以外の人の動きも学習した上で予測するべきである。   On the other hand, if the time interval MD to be collected is larger than MD = 2, the time resolution in the prediction is reduced accordingly, so that it is not preferable from the viewpoint of danger prediction. In addition, if the passing time is small, it is not so that the number of data can be reduced indefinitely within a range that can be regularized. Originally, in order to make the most effective use of the PT database, it should be predicted after learning the movements of people outside the driving time zone.

すなわち、ある時刻の人の流れにはそれを含む24時間全ての各人の位置情報が関与していると考えるほうがより精度が高い予測を得られる可能性がある。そこで、次の方法(B)に至る。   That is, there is a possibility that a more accurate prediction can be obtained if it is considered that the position information of each person for 24 hours including that is involved in the flow of the person at a certain time. Therefore, the following method (B) is reached.

(B)「学習対象とする時刻を走行予定経路の時間帯を中心に可変密度で選択する」
走行時間帯におけるデータを高い時間密度(理想的には1分間隔)でサンプルし、その他の時間帯では低い時間密度でサンプルすることにより、(A)よりも広い時間範囲の軌道データを学習することができる(図5を参照)。ただし、走行時間帯のサンプル時刻数と走行時間帯以外のサンプル時刻数の配分(サンプリングの密度関数)は設計者の知見に基づいて任意に設定できる(図6を参照)。
(B) “Selecting the time to be learned as a variable density centered on the time zone of the planned travel route”
The trajectory data in a wider time range than (A) is learned by sampling the data in the traveling time zone at a high time density (ideally at an interval of 1 minute) and sampling at a low time density in other time zones. (See FIG. 5). However, the number of sample times in the travel time zone and the distribution of the sample time numbers other than the travel time zone (sampling density function) can be arbitrarily set based on the knowledge of the designer (see FIG. 6).

正則化のための制約条件は、全体のサンプル数Tに対してKmin=2T以上の人数の軌道データを学習することである。例えば、なるべく多くの人が大きな移動を行っている時刻あるいはその移動の前後の変化点となる時刻(駅の待ち時間など)についてサンプル時刻数を増やし、ある箇所に(学校やオフィスなど)長時間滞留する箇所ではサンプル密度を下げるといった方策が考えられる。 The restriction condition for regularization is to learn the trajectory data of the number of people equal to or greater than K min = 2T with respect to the total number of samples T. For example, increase the number of sample times at the time when a large number of people are moving as much as possible, or the time that becomes a change point before and after the movement (station waiting time, etc.), and at a certain point (school or office) for a long time A measure such as lowering the sample density is conceivable at the location where it stays.

(C)「複数のサンプルパターンで得た学習結果を統合する」
これは、(B)で設定したサンプル時刻のパターンを複数個定義し、各パターンで学習した結果を多変量線形回帰分析の線形性により合成するというものである。これにより、異なる移動パターンを持つ集団を異なるサンプルパターンで学習し、個々の学習結果を重ね合わせることが可能になるため、(B)よりもさらに柔軟な適応化ができると考えられる。
(C) “Integrating learning results obtained from multiple sample patterns”
In this method, a plurality of sample time patterns set in (B) are defined, and the learning result of each pattern is synthesized by the linearity of multivariate linear regression analysis. As a result, groups having different movement patterns can be learned with different sample patterns, and individual learning results can be superimposed, so that it is considered that adaptation can be made more flexible than in (B).

以上、(A),(B),(C)の何れを選択するかは個々の予測ケースに応じて経験的に決める。
[4−1−8. 類似エリアの利用]
対象とするエリアAのPTデータが少ない場合、上記のように状態行列の次元を低次元化する方法もあるが、類似エリアA’のデータで代用することも考えられる。類似エリアであるかどうかの判定は、エリア内の歩行者属性ごとの集計人数の時間変化パターンが対象エリアと類似しているかどうかを時系列相関の値と平均値の近さで判定する。AとA’はその道路構造と集客施設の配置において差異があると考えられるが、主要な道路リンク(駅から学校までの道、銀行までの道、病院までの道など)についてエリア中心から集客施設までの距離の差が或るしきい値以下の場合のみAとA’を対応付け、A’のリンク上に時刻t’に存在する人の流れの進度r(0以上1以下)をAの道路リンク上の進度rに対応させ、その位置座標x(r)において時刻t’に歩行者が存在したという擬似データを生成することで擬似的な学習データとする(図7を参照)。
As described above, which of (A), (B), and (C) is selected is determined empirically according to each prediction case.
[4-1-8. Use of similar areas]
When there is little PT data in the target area A, there is a method of reducing the dimension of the state matrix as described above, but it is also conceivable to substitute the data of the similar area A ′. Whether the area is a similar area is determined based on the closeness of the time-series correlation value and the average value whether the temporal change pattern of the total number of persons for each pedestrian attribute in the area is similar to the target area. A and A 'are considered to be different in the road structure and the location of customer-collecting facilities, but the main road links (from the station to the school, to the bank, to the hospital, etc.) attract customers from the center of the area. A and A ′ are associated only when the difference in distance to the facility is a certain threshold value or less, and the progress r (0 to 1) of the flow of people existing at time t ′ on the link of A ′ is The pseudo-learning data is generated by generating pseudo data indicating that a pedestrian exists at time t ′ at the position coordinate x (r) corresponding to the progress r on the road link (see FIG. 7).

[4−2. 歩行者確信度の予測]
[4−2−1. 自車走行経路の設定]
自車の走行経路は、上記の対象エリアからあまり外れない範囲で自由に設定できる。
[4-2. Prediction of pedestrian confidence]
[4-2-1. Setting the driving route]
The travel route of the host vehicle can be freely set within a range that does not deviate much from the target area.

[4−2−2. 歩行者経路のモデル化]
上記の自車走行経路上の個々の代表点を通過しうる歩行者の経路を設定し、その全ての経路について歩行者確信度の総和を取る。歩行者の移動経路をこのようなモデルで設定すると、道路構造や地理条件がない場合でも大まかに危険範囲内の確信度を算出できる。
[4-2-2. Pedestrian route modeling]
A route of a pedestrian that can pass through each representative point on the traveling route of the vehicle is set, and a total sum of pedestrian certainty is taken for all the routes. When the pedestrian's movement route is set using such a model, the certainty factor within the danger range can be roughly calculated even when there is no road structure or geographical condition.

[4−2−3. 歩行者確信度の算出]
上記の70次元の属性について個々の属性で規定される歩行者がどの程度の確信度で想定経路を通過したかは、回帰係数行列Bの線形性に基づき、走行予定経路上の上記代表点について設定した状態ベクトルXsにBの部分行列Bsを作用させることで求められる。また、全ての属性についてその総和をとれば、或る代表点において遭遇する歩行者の全確信度(ただし、相対値)を確率的な出現頻度として算出できる。これが、最も簡単な危険度の予測値(単純危険度)となる。
[4-2-3. Calculation of pedestrian confidence]
Based on the linearity of the regression coefficient matrix B, the degree of certainty that the pedestrian defined by each attribute for the 70-dimensional attribute passes through the assumed route is based on the linearity of the regression coefficient matrix B. It is obtained by applying a B partial matrix Bs to the set state vector Xs. If the sum of all attributes is taken, the total certainty (however, relative value) of a pedestrian encountered at a certain representative point can be calculated as a probabilistic appearance frequency. This is the simplest risk prediction value (simple risk).

[4−2−4. 歩行者属性に応じた危険範囲の適応化]
代表点を中心とする上記の有限個の歩行者経路モデルは歩行者属性を用いることで動的かつ適応的に生成できる。例えば、年齢が20歳以上25歳までは歩行速度5.0km/h、70歳以上は2.5km/hといったように、年齢によって平均歩行速度に差異を設けることにより、同じ時間範囲に対する危険範囲は2倍程度変わってくる。
[4-2-4. Adaptation of danger range according to pedestrian attributes]
The finite number of pedestrian route models centered on the representative points can be generated dynamically and adaptively by using pedestrian attributes. For example, by setting a difference in average walking speed according to age, such as walking speed 5.0 km / h for ages 20 to 25 and 2.5 km / h for ages 70 and over, the risk range for the same time range. Will change about twice.

[4−3. 危険度の算出]
[4−3−1. 単純危険度]
歩行者出現頻度が高いほど危険度が高いとする危険度を単純危険度と呼ぶことにする。しかし、単純危険度では、次のような場合の危険度を正しく表現できない。
[4-3. Risk calculation]
[4-3-1. Simple risk]
The risk level that the risk level is higher as the pedestrian appearance frequency is higher is referred to as a simple risk level. However, the simple risk cannot correctly represent the risk in the following cases.

・歩行者が非常に少ないエリアで想定外の飛び出しがある場合
・車道との距離は近いが、ガードレールや歩道橋、地下道、あるいはビルなどの建造物の内部、車道から見て壁やフェンスの向こう側、違うフロアなどに歩行者がいる場合
・車道が高速道路などのように歩行者が侵入できない構造になっている場合
・横断歩道や信号機などの交通施設が充実している場合
そこで、次の危険度を考える。
・ When there is an unexpected jump out in an area where there are very few pedestrians ・ Distance is close to the roadway, but inside a guardrail, pedestrian bridge, underground passage, or building such as a building, or beyond the wall or fence as seen from the roadway When there are pedestrians on different floors, etc. ・ When the roadway is structured so that pedestrians cannot enter, such as highways, etc. ・ When transportation facilities such as pedestrian crossings and traffic lights are enriched Think about the degree.

[4−3−2. 認知と回避に注目した危険度]
例えば走行予定経路周辺で歩行者の出現頻度が非常に0に近い少数の場合、運転者が想定しないような歩行者出現がなされる場合がある。この“想定外”を認知困難と解釈すれば、それは以下の要因に起因する。
[4-3-2. Risk level focusing on cognition and avoidance]
For example, when the appearance frequency of pedestrians is very close to 0 around the planned travel route, pedestrians may appear that the driver does not assume. If this “unexpected” is interpreted as cognitive difficulty, it is caused by the following factors.

(A)想定困難な統計的出現特性
(a1)出現統計を運転者が全く知らない場合
(a2)出現統計そのものがモデリング不可能で乱数に近い場合
例えば住宅街などでは、歩行者の出現箇所が特定困難であり、要注意である。
(A) Statistical appearance characteristics that are difficult to imagine
(A1) When the driver does not know the appearance statistics at all
(A2) When the appearance statistics themselves cannot be modeled and is close to a random number For example, in a residential area or the like, it is difficult to specify the appearance location of a pedestrian, and caution is required.

(B)認知困難な周囲環境(死角からの飛び出し、隠れからの出現など)
(C)認知困難あるいは予想困難な歩行者挙動
すなわち、認知困難という状況を生み出すのは、「認知対象側(歩行者など)」と「認知する側(運転者)」の両方が作用した結果と考えられる。しかし、実際はこれらの認知困難の大半が運転者側のヒューマンエラーであるとして処理されるため、危険予知に関する研究の多くがヒューマンエラーの検出を主たるテーマとしてきた。ところが、実際上は仮に運転者が完璧であったとしても回避できない状況が存在する。例えば直前の子供の飛び出しなどがそれに相当する。
(B) Ambient environment that is difficult to recognize (such as jumping out from blind spots, appearance from hiding)
(C) Pedestrian behavior that is difficult or difficult to recognize In other words, the situation of cognitive difficulty is the result of both the “recognition target side (pedestrian etc.)” and the “recognition side (driver)” acting. Conceivable. However, since most of these cognitive difficulties are actually treated as human error on the driver's side, much research on risk prediction has been focused on human error detection. However, there are actually situations that cannot be avoided even if the driver is perfect. For example, the child jumping out just before corresponds to that.

そこで、歩行者、車載装置、運転者という3つの視点で認知と回避の可能性を表すと次のような項目が定義できる。
R:歩行者の車両に対する認知可能性
A:歩行者が車両を回避できる可能性(車両の認知は完全に行われていると仮定)
R:車載装置の歩行者に対する認知可能性
A:車両が歩行者を回避できる可能性(歩行者の認知は完全に行われていると仮定)
R:運転者の歩行者に対する認知可能性
A:運転者が歩行者を回避できる可能性(歩行者の認知は完全に行われていると仮定)
これらの各要因を確率値とみなし、0から1の間の値で表現すると、例えば下式(1)により、認知可能性と回避可能性に注目した危険度を最小値0、最大値100として算出できる。ここで、wX(X=P,V,D) は荷重係数である。
Therefore, the following items can be defined by expressing the possibility of recognition and avoidance from the three viewpoints of a pedestrian, an in-vehicle device, and a driver.
P R : Pedestrian's perception of the vehicle P A : Pedestrian can avoid the vehicle (assuming that the vehicle is fully recognized)
V R : Possibility of in-vehicle device recognition for pedestrians V A : Possibility that the vehicle can avoid pedestrians (assuming that pedestrians are fully recognized)
D R : Driver's perception of pedestrians D A : Driver's possibility of avoiding pedestrians (assuming that pedestrians are fully recognized)
When each of these factors is regarded as a probability value and expressed as a value between 0 and 1, for example, the following formula (1) is used to set the risk degree focusing on the recognition possibility and avoidance possibility to the minimum value 0 and the maximum value 100. It can be calculated. Here, w X (X = P, V, D) is a load coefficient.

これを、RA−PVD危険度と呼ぶことにする。RA−PVD危険度は単純危険度Rとマージして複合危険度を構成する。最も簡単な例として、下式(2)を複合危険度とすることが考えられる。   This is called RA-PVD risk. The RA-PVD risk is merged with the simple risk R to form a composite risk. As the simplest example, it is conceivable that the following formula (2) is set as a composite risk.

all = R + RRA-PVD ・・・(2)
以下、RA−PVD危険度を変化させる要因を列挙し、簡単に説明する。
[4−3−3. 車両要因]
(1)自車速度
一般に、車両の速度が高速であるほど上記のP,V,Dに起因する認知可能性と回避可能性は低くなり、RA−PVD危険度は増大する。
R all = R + R RA-PVD (2)
Hereinafter, factors that change the RA-PVD risk are listed and briefly described.
[4-3-3. Vehicle factor]
(1) Self-vehicle speed Generally, the higher the speed of the vehicle, the lower the possibility of recognition and avoidance due to the above P, V and D, and the RA-PVD risk increases.

(2)車両の形状・大きさ・重量
車両の大きさや重量は衝突断面積と運動エネルギーの観点から、建造物の破壊や人体の損傷の度合いに影響するとともに、RA−PVD危険度を変化させる。その他、以下の項目も類似の傾向がある。
(2) Vehicle shape / size / weight The vehicle size / weight affects the degree of destruction of buildings and human damage and changes the risk of RA-PVD from the viewpoint of cross-sectional area and kinetic energy. . In addition, the following items tend to be similar.

・車体形状、タイヤの大きさ
・車両構造上の死角(後方、測方、他)
(3)その他
以下の項目は特に回避可能性に影響を与える。
-Body shape, tire size-Blind spot on vehicle structure (rear, measurement, etc.)
(3) Others The following items particularly affect the avoidability.

・整備不良、違法改造、故障、装備不良(チェーン他)
[4−3−4. 道路環境要因]
[4−3−4−1. 道路要因]
(1)道路幅
人の流れが大きい場所では一般に道路幅が広く、歩道やガードレール、信号機なども整備されているケースが多い。そのようなエリアでは見通しもよく、認知困難性に基づく事故発生の確率は比較的低い。ただし、人の流れが大きい道路は集客性の高い施設(駅、学校、病院など)への収束路でもあるので、それに至る支流で道幅の狭い道路、見通しの悪い交差点などは認知困難な歩行者出現が起こる可能性がある。したがって、道路幅が大きいと単純危険度は大きくなる傾向にあるが、道路幅が小さいとRA−PVD危険度を増大させると考えられる。
・ Improper maintenance, illegal modification, breakdown, equipment failure (chain etc.)
[4-3-4. Road environmental factors]
[4-3-4-1. Road factor]
(1) Road width In places where there is a large flow of people, the road is generally wide and there are many sidewalks, guardrails, traffic lights, etc. In such areas, the outlook is good and the probability of an accident based on cognitive difficulty is relatively low. However, roads with a large flow of people are also converging roads to facilities with high customer attraction (stations, schools, hospitals, etc.), so pedestrians who have difficulty in recognizing narrow roads with narrow branches, intersections with poor visibility, etc. Appearance can occur. Therefore, although the simple risk tends to increase when the road width is large, it is considered that the RA-PVD risk increases when the road width is small.

一方、車両側から見ると走行経路上の分岐道路の幅は車両制御や認知判断に影響を与えるため、これもRA−PVD危険度に影響を与える。
また、等価的に実効的な道路幅を狭める要因として、障害物、駐車車両、対向車、街路樹、交通標識などが上げられる。
On the other hand, when viewed from the vehicle side, the width of the branch road on the travel route affects vehicle control and cognitive judgment, which also affects the RA-PVD risk.
In addition, obstacles, parked vehicles, oncoming vehicles, street trees, traffic signs, and the like can be cited as factors that narrow the equivalent effective road width.

(2)路面状況
路面状況が悪いと、認知、回避の両面に悪影響を与えるため、RA−PVD危険度は増大する。雪道、雨、凍結、台風、がけ崩れ、増水、冠水などに起因した、「滑りやすい」、「見通しがきかない」、「運転困難」などの状況がそれに相当する。
(2) Road surface condition A bad road surface condition adversely affects both recognition and avoidance, and therefore the RA-PVD risk increases. The situations such as “slippery”, “not visible”, “driving difficulty” caused by snowy roads, rain, freezing, typhoon, landslide, flooding, flooding, etc. correspond to this.

(3)交差点形状
勾配が大きいほどRA−PVD危険度は増大すると考えられる。
分岐数が大きいほどRA−PVD危険度は増大すると考えられる。
(3) Intersection shape RA-PVD risk is considered to increase as the gradient increases.
The RA-PVD risk is considered to increase as the number of branches increases.

(4)その他
曲率、道路標示の有無、側溝の有無、路肩幅員などが要因としてあげられる。
[4−3−4−2. 交通施設]
次のような交通施設がある場合は、歩行者と走行経路との時空間距離が小さくても、複合危険度を小さく設定できる。
(4) Others The factors include curvature, road markings, gutters, and shoulder width.
[4-3-4-2. Transportation facilities]
When there is the following traffic facility, the combined risk can be set small even if the spatio-temporal distance between the pedestrian and the travel route is small.

(1)信号機
信号機がない場合、歩行者側の横断判断に委ねられるが、この場合、単純に考えれば、出現頻度が高いほど事故発生確率は高いはずである。ところが、運転者側がある程度の認知判断能力を有する場合が大半であるので、出現頻度が高くても大抵の場合は衝突が回避される。出現頻度が高いことが逆に運転者側の注意を喚起するというしくみも作動する。すなわち、単純危険度の増大がRA−PVD危険度を減少させるケースとなる。
(1) Traffic light When there is no traffic light, it is left to the pedestrian side crossing judgment. In this case, if it thinks simply, the probability of occurrence of an accident should be higher as the appearance frequency is higher. However, in most cases, the driver side has a certain degree of recognition judgment ability, so that even if the appearance frequency is high, a collision is avoided in most cases. On the contrary, the mechanism that alerts the driver's side that the appearance frequency is high also operates. That is, an increase in the simple risk level is a case where the RA-PVD risk level is decreased.

(2)ガードレール
回避可能性は上がるが、認知可能性は低下する。一般的には前者の効果が大きく、総合的にはRA−PVD危険度は下がると見られる。ただし、車両速度や道路幅、車両の大きさおよびヒューマンエラーによって危険度は増大する。
(2) Guardrail The possibility of avoidance increases, but the recognition possibility decreases. In general, the former effect is large, and it is considered that the RA-PVD risk is lowered overall. However, the degree of danger increases depending on the vehicle speed, road width, vehicle size, and human error.

(3)歩道
歩道がない場合よりはあるほうがRA−PVD危険度は小さくなる。
(4)歩道橋
ほぼ危険度は0に近くなる。
(3) Sidewalk RA-PVD risk is lower when there is no sidewalk than when there is no sidewalk.
(4) Pedestrian bridge The risk is almost zero.

(5)横断歩道
横断歩道がない場合よりはあるほうがRA−PVD危険度は小さくなる。
(6)地下道
ほぼ危険度は0に近くなる。
(5) Pedestrian crossing RA-PVD risk is lower when there is no pedestrian crossing.
(6) Underpass The risk is almost zero.

(7)その他
標識、ミラー、遮断機の有無あるいは不良状態が危険度に影響する。
[4−3−5. 交通状況要因]
交通量、渋滞、車線内の位置関係、救急車両の有無、不当な追い越し、ふらつき、大型車両による死角や二輪車による死角からの出現、蛇行運転、取り締まりの有無、信号のタイミングなどが危険度に影響を与えると考えられる。
(7) Others The presence or absence of signs, mirrors, breakers, or defective conditions affect the risk level.
[4-3-5. Traffic condition factors]
Traffic volume, traffic jam, positional relationship in lane, presence / absence of ambulance, unreasonable overtaking, wobble, blind spot by large vehicle or appearance from blind spot by two-wheeled vehicle, meandering operation, presence / absence of crackdown, signal timing, etc. affect the risk level It is thought to give.

[4−3−6. 地理的要因]
建物、山、川、街路樹、起伏、海岸、湖岸、平地、田園、住宅街、観光地、城、官公庁、会社、工場、駅、港、公園、病院、学校、スクールゾーン、商店街、銀行、ショッピングセンター、都市構造などをキーワードとして認知可能性、回避可能性、人の流れなどに影響を与え、危険度を変化させると考えられる。
[4-3-6. Geographic factors]
Building, mountain, river, roadside tree, undulation, coast, lake shore, flatland, countryside, residential area, tourist destination, castle, government office, company, factory, station, port, park, hospital, school, school zone, shopping street, bank It is considered that the risk level is changed by affecting the possibility of recognizing, avoiding, and the flow of people using keywords such as shopping center and urban structure.

[4−3−7. 地理的要因]
(1)出現形態
これは上述の「人の流れ」で扱われているので省略する。
[4-3-7. Geographic factors]
(1) Appearance form Since this is dealt with in the above-mentioned "flow of people", it is omitted.

(2)挙動・行動
人の動き、歩行速度、動作、違法性、飛び出し、ふらつき、不注意、行動特性(特に児童や不審者など予想がつきにくい者)などをキーワードとして危険度に影響を与える。
(2) Behavior / Behavior The risk is affected by keywords such as human movement, walking speed, movement, illegality, popping out, wandering, carelessness, behavioral characteristics (especially children and suspicious persons who are difficult to predict). .

(3)集団としての特性
通学団、通勤集団、都市部の回遊行動、デモ、パレード、行列、イベントへの集結、デパートや駅への入出の群れなどをキーワードとして危険度に影響を与える。
(3) Characteristic as a group It affects the risk level by using keywords such as school groups, commuting groups, urban excursions, demonstrations, parades, queues, gatherings at events, and flocks at department stores and stations.

(4)個人の属性(プロファイル)
歩行者の特徴を記述する属性情報として、年齢、性別、住所、職業、目的、交通手段、視力、聴力、体格、性格、趣味などがあげられる。これらはいずれも危険度に影響を与えるが、プライバシーに比較的影響の少ない範囲で収集可能な属性はすでに上述したようにPTデータに記載されている{年齢、性別、住所、職業、目的、交通手段}である。これらはすでに上記で扱っているので割愛する。
(4) Individual attributes (profile)
Attribute information describing the characteristics of pedestrians includes age, gender, address, occupation, purpose, means of transportation, visual acuity, hearing, physique, personality, hobbies and the like. All of these affect the risk, but the attributes that can be collected within a relatively small range of privacy are already described in the PT data as described above {age, gender, address, occupation, purpose, traffic Means}. These are already covered above and will be omitted.

[4−3−8. 車室内の人的要因]
(1)運転者
運転者のヒューマンエラーに関してはすでに多くの研究業績があるので本実施形態では直接扱わない。危険度に関連するキーワードは、高齢者、情報不足、安全確認不履行、運転技量、無免許、ミラー確認不履行、挙動の違法性、飲酒運転、体調不良、睡眠不足、精神状態、あせり、急ぎ、思い込み、アクセル・ハンドル・ブレーキの誤操作、などである。さらに、上述の歩行者要因で述べたのと同様の個人属性(プロファイル)も影響する。
[4-3-8. Human factors in the passenger compartment]
(1) Driver The human error of the driver is not dealt with directly in this embodiment because there are already many research achievements. Keywords related to risk are elderly, lack of information, failure to confirm safety, driving skill, unlicensed, failure to confirm mirror, illegal behavior, drunk driving, poor physical condition, lack of sleep, mental state, temper, rush, assumption , Accidental operation of the accelerator, steering wheel and brake. Furthermore, the same personal attribute (profile) as described in the above pedestrian factor also affects.

(2)搭乗者
子供、高齢者、シートベルト、などが危険度に関連するキーワードとなる。さらに、上述の歩行者要因で述べたのと同様の個人属性(プロファイル)も影響する。
(2) Passenger Children, elderly people, seat belts, etc. are keywords related to the risk level. Furthermore, the same personal attribute (profile) as described in the above pedestrian factor also affects.

[4−4. 軌道の予測への応用]
上述の[4−1−6. 回帰係数行列の推定]で得られた回帰係数行列Bを走行予定経路のみならず対象エリアの全域にわたって適用すれば、状態行列Xの列サイズ2Tの半分に割り当てられたT個のサンプル時刻について、70次元の歩行者確信度ベクトルの空間分布が得られる。この段階では個々の確信度ベクトルは複数の歩行者を複合して表しているため、個々の歩行者の時空間軌道を再現することはできていない。しかし、ある時空間範囲(例えば上述の走行経路周辺の危険範囲)内の歩行者確信度ベクトルc(70×1)について「20代、女性、買い物目的、会社員」といった歩行者クラスを表す70次元の確信度ベクトルcqとの内積で表される評価関数p=cTqを用いて各時刻のpが極大値を取る位置座標を連結し、時空間的に連続な点列が抽出できれば、それは「20代、女性、買い物目的、会社員」である歩行者の時空間軌道の候補とすることができる(図8を参照)。
[4-4. Application to orbit prediction]
[4-1-6. If the regression coefficient matrix B obtained in [Estimation of regression coefficient matrix] is applied not only to the planned traveling route but also to the entire target area, T sample times assigned to half the column size 2T of the state matrix X A spatial distribution of a 70-dimensional pedestrian certainty vector is obtained. At this stage, since the individual confidence vectors represent a plurality of pedestrians in combination, the spatiotemporal trajectory of each pedestrian cannot be reproduced. However, 70 representing a pedestrian class such as “20s, women, shopping purpose, office worker” for a pedestrian certainty vector c (70 × 1) within a certain spatiotemporal range (for example, the danger range around the above-described travel route). Using the evaluation function p = c T c q expressed by the inner product with the dimensional certainty factor vector c q , the position coordinates at which p at each time takes the maximum value are connected, and a sequence of points that are continuous in time and space is extracted. If possible, it can be a candidate for a spatiotemporal trajectory of a pedestrian who is “20s, woman, shopping purpose, office worker” (see FIG. 8).

[5. 効果]
本実施形態の危険予知システム1では、過去において歩行者が移動した移動経路の位置を示す移動経路位置と、移動経路位置に歩行者が存在した時間とが対応付けられた時空間軌道を示す時空間軌道データ、および歩行者の属性を示す歩行者属性データが、複数の歩行者毎に記憶された人流れデータベース12を用いて学習した学習結果を取得し(S40,S90)、走行予定経路上の代表点QI(I=1,2,・・・・,IQ)と通過時間が指定された場合に、学習結果に基づいて、代表点QIにおいて歩行者が出現する可能性を示す全歩行者確信度CIを予測する(S100〜S220)。
[5. effect]
In the danger prediction system 1 of the present embodiment, a time-space trajectory in which a movement path position indicating the position of a movement path where a pedestrian has moved in the past and a time when the pedestrian is present at the movement path position is correlated. Spatial trajectory data and pedestrian attribute data indicating pedestrian attributes acquire learning results learned using the human flow database 12 stored for each of a plurality of pedestrians (S40, S90), and on the planned travel route When a representative point Q I (I = 1, 2,..., I Q ) and a passing time are designated, the possibility of a pedestrian appearing at the representative point Q I is shown based on the learning result. The total pedestrian certainty C I is predicted (S100 to S220).

このように構成された危険予知システム1では、過去における歩行者の時空間軌道データを学習して、指定された時間と位置において歩行者が出現する可能性を予測する。このため、時間と位置が指定されれば、危険予知システム1の使用者は、時間と位置が指定された時点で、指定された時間および位置において歩行者が出現する可能性を知ることができ、歩行者の出現に対して十分な余裕を持って対処することができる。   The danger prediction system 1 configured as described above learns the pedestrian's spatio-temporal trajectory data in the past, and predicts the possibility of a pedestrian appearing at a specified time and position. For this reason, if time and a position are designated, the user of the danger prediction system 1 can know the possibility that a pedestrian will appear at the designated time and position when the time and position are designated. It is possible to cope with the appearance of pedestrians with a sufficient margin.

また危険予知システム1は、歩行者属性が歩行者の確信度を構成すると仮定し、その確信度が時間と位置を説明変数として推定されるというモデルにより学習し、代表点QIにおける全歩行者確信度CIを算出する。このため運転者は、走行予定経路上において歩行者が出現する可能性を、代表点QIが指定された時点で知ることができ、車両走行中において、歩行者の出現に対して十分な余裕を持って対処することができる。 Further, the risk prediction system 1 assumes that the pedestrian attribute constitutes a pedestrian's certainty, learns by a model in which the certainty is estimated using time and position as explanatory variables, and all pedestrians at the representative point Q I. The certainty factor C I is calculated. For this reason, the driver can know the possibility of a pedestrian appearing on the planned travel route at the time when the representative point Q I is designated. Can be dealt with.

また危険予知システム1は、代表点QIに接続するNI本の道路を選択し、各道路に沿ってMI分の歩行範囲でRI個の時空間点で確信度を算出し(S200)、RI個の時空間点での確信度の総和を単純危険度として算出する(S220)。これにより、走行予定経路上の代表点QIだけではなく、走行予定経路周辺における歩行者の存在を考慮して、歩行者が出現する可能性を予測することができる。 The risk prediction system 1 selects N I present roads that connect to the representative point Q I, it calculates the confidence in R I-number of space-time point in the walking range of M I component along each road (S200 ), The sum of the certainty factors at the R I spatio-temporal points is calculated as a simple risk (S220). Thereby, not only the representative point Q I on the planned travel route, but also the presence of pedestrians around the planned travel route can be considered, and the possibility of appearance of pedestrians can be predicted.

そして危険予知システム1は、性別、年齢、および交通手段で構成するクラスに応じたMI分の歩行範囲でRI個の時空間点を設定する(S160)。これにより、単純危険度を算出するために用いられる、走行予定経路周辺の範囲を、歩行者の性別、年齢、および交通手段に応じて適切に設定することができる。 The risk prediction system 1, gender, age, and the walking range of M I fraction corresponding to the class composed of transportation R I number of time to set the spatial points (S160). Thereby, the range around the planned travel route used for calculating the simple risk can be appropriately set according to the gender, age, and transportation means of the pedestrian.

また危険予知システム1は、抽出したデータが学習データ量として十分でない場合には(S50:NO)、走行時間帯において、その他の時間帯よりも高い時間密度でサンプリングすることによって、回帰分析の状態行列を低次元化することで学習する(S80)か、エリア内の歩行者属性ごとの集計人数の時間変化パターンが類似している他のエリアでのデータを人流れデータベース12から抽出して、抽出したデータを用いて学習する(S70)。これにより、学習データが十分でない場合であっても予測を行うことが可能となる。   In addition, when the extracted data is not sufficient as the learning data amount (S50: NO), the risk prediction system 1 performs the regression analysis by sampling at a higher time density than the other time zones in the running time zone. Learning by lowering the matrix (S80) or extracting data from other areas where the time variation pattern of the total number of people for each pedestrian attribute in the area is similar from the human flow database 12, Learning is performed using the extracted data (S70). This makes it possible to perform prediction even when the learning data is not sufficient.

以上説明した実施形態において、危険予知システム1は本発明における予測システム、人流れデータベース12は本発明における移動体データベース、S10〜S90の処理は本発明における取得手段、S100〜S220の処理は本発明における予測手段、S220の処理は本発明における危険度算出手段である。   In the embodiment described above, the danger prediction system 1 is the prediction system in the present invention, the human flow database 12 is the mobile database in the present invention, the processes in S10 to S90 are the acquisition means in the present invention, and the processes in S100 to S220 are in the present invention. The predicting means in step S220 is a risk degree calculating means in the present invention.

以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、本発明の技術的範囲に属する限り種々の形態を採ることができる。   As mentioned above, although one Embodiment of this invention was described, this invention is not limited to the said embodiment, As long as it belongs to the technical scope of this invention, a various form can be taken.

1…危険予知システム、10…データベース部、11…カーナビゲーション装置、12…人流れデータベース、13…検索インターフェース、14…時空間軌道データ抽出・加工部、20…学習部、21…データ学習部、22…予測特性データベース、23…予測特性制御部、30…条件設定部、31…予測条件設定部、32…走行予定軌道マッピング部、40…予測部、41…歩行者経路推定部、42…歩行者確信度算出部、43…時空間距離計算部、44…危険度算出部、45…報知部   DESCRIPTION OF SYMBOLS 1 ... Danger prediction system, 10 ... Database part, 11 ... Car navigation apparatus, 12 ... Human flow database, 13 ... Search interface, 14 ... Spatio-temporal orbit data extraction and processing part, 20 ... Learning part, 21 ... Data learning part, DESCRIPTION OF SYMBOLS 22 ... Prediction characteristic database, 23 ... Prediction characteristic control part, 30 ... Condition setting part, 31 ... Prediction condition setting part, 32 ... Planned travel path mapping part, 40 ... Prediction part, 41 ... Pedestrian route estimation part, 42 ... Walking Person reliability calculation unit, 43 ... spatiotemporal distance calculation unit, 44 ... risk level calculation unit, 45 ... notification unit

Claims (3)

過去において移動体が移動した移動経路の位置を示す移動経路位置と、前記移動経路位置に前記移動体が存在した時間とが対応付けられた時空間軌道を示す時空間軌道データ、および前記移動体の属性を示す移動体属性データが、複数の前記移動体毎に記憶された移動体データベース(12)を用いて学習した学習結果を取得する取得手段(S10〜S90)と、
時間と位置とを示す時空間点が指定された場合に、指定された前記時空間点を指定時空間点とし、前記取得手段により取得された学習結果に基づいて、前記指定時空間点において前記移動体が出現する可能性を予測する予測手段(S100〜S220)とを備え、
前記移動体は人間であり、
前記学習結果は、
前記人間の存在と属性に関する確信度が時間と場所に回帰すると仮定した回帰分析により学習した結果であり、
前記予測手段は、車両が走行を予定している経路である走行予定経路の少なくとも一部を前記指定時空間点とし、前記指定時空間点において前記人間が出現する可能性として前記確信度を算出し、
前記予測手段は、前記走行予定経路のうち前記指定時空間点として指定された部分を含む予め設定された時空間範囲内の複数の前記時空間点で前記確信度を算出し、
前記複数の前記時空間点で算出された前記確信度の総和を危険度として算出する危険度算出手段(S220)を備え、
前記取得手段は、
前記時空間範囲内において学習対象となる前記移動体の数が少ない場合には、前記時空間範囲の時間帯において、その他の時間帯よりも高い時間密度でサンプリングすることによって、前記回帰分析の状態行列を低次元化することで学習し、この結果を前記学習結果として取得する
ことを特徴とする予測システム(1)。
Spatio-temporal trajectory data indicating a spatio-temporal trajectory in which a movement path position indicating a position of a movement path in which the moving body has moved in the past and a time when the moving body existed at the movement path position are associated with each other, and the moving body Acquisition means (S10 to S90) for acquiring the learning result obtained by using the moving object database (12) in which the moving object attribute data indicating the attribute of the moving object is stored for each of the plurality of moving objects;
When a spatiotemporal point indicating time and position is designated, the designated spatiotemporal point is designated as a designated spatiotemporal point, and based on the learning result obtained by the obtaining means, the designated spatiotemporal point Prediction means (S100 to S220) for predicting the possibility of appearance of a moving object ,
The moving body is a human;
The learning result is
It is the result of learning by regression analysis assuming that the certainty about the human presence and attributes regresses to time and place,
The predicting means calculates at least a part of a planned travel route, which is a route on which the vehicle is scheduled to travel, as the designated time-space point, and calculates the certainty factor as a possibility that the person appears at the designated time-space point. And
The predicting means calculates the certainty factor at a plurality of the spatiotemporal points within a preset spatiotemporal range including a portion designated as the designated spatiotemporal point in the planned travel route,
A risk degree calculation means (S220) for calculating a sum of the certainty degrees calculated at the plurality of spatio-temporal points as a risk level;
The acquisition means includes
When the number of moving objects to be learned in the spatiotemporal range is small, the regression analysis state is obtained by sampling at a higher time density than the other time zones in the time zone of the spatiotemporal range. A prediction system (1) , wherein learning is performed by lowering a matrix and the result is acquired as the learning result .
過去において移動体が移動した移動経路の位置を示す移動経路位置と、前記移動経路位置に前記移動体が存在した時間とが対応付けられた時空間軌道を示す時空間軌道データ、および前記移動体の属性を示す移動体属性データが、複数の前記移動体毎に記憶された移動体データベース(12)を用いて学習した学習結果を取得する取得手段(S10〜S90)と、
時間と位置とを示す時空間点が指定された場合に、指定された前記時空間点を指定時空間点とし、前記取得手段により取得された学習結果に基づいて、前記指定時空間点において前記移動体が出現する可能性を予測する予測手段(S100〜S220)とを備え、
前記移動体は人間であり、
前記学習結果は、
前記人間の存在と属性に関する確信度が時間と場所に回帰すると仮定した回帰分析により学習した結果であり、
前記予測手段は、車両が走行を予定している経路である走行予定経路の少なくとも一部を前記指定時空間点とし、前記指定時空間点において前記人間が出現する可能性として前記確信度を算出し、
前記予測手段は、前記走行予定経路のうち前記指定時空間点として指定された部分を含む予め設定された時空間範囲内の複数の前記時空間点で前記確信度を算出し、
前記複数の前記時空間点で算出された前記確信度の総和を危険度として算出する危険度算出手段(S220)を備え、
前記取得手段は、
前記時空間範囲内において学習対象となる歩行者の数が少ない場合には、前記歩行者の移動パターンが前記時空間範囲と類似する他のエリアでのデータを前記移動体データベースから抽出して、抽出したデータを用いて学習し、この結果を前記学習結果として取得する
ことを特徴とする予測システム。
Spatio-temporal trajectory data indicating a spatio-temporal trajectory in which a movement path position indicating a position of a movement path in which the moving body has moved in the past and a time when the moving body existed at the movement path position are associated with each other, and the moving body Acquisition means (S10 to S90) for acquiring the learning result obtained by using the moving object database (12) in which the moving object attribute data indicating the attribute of the moving object is stored for each of the plurality of moving objects;
When a spatiotemporal point indicating time and position is designated, the designated spatiotemporal point is designated as a designated spatiotemporal point, and based on the learning result obtained by the obtaining means, the designated spatiotemporal point Prediction means (S100 to S220) for predicting the possibility of appearance of a moving object,
The moving body is a human;
The learning result is
It is the result of learning by regression analysis assuming that the certainty about the human presence and attributes regresses to time and place,
The predicting means calculates at least a part of a planned travel route, which is a route on which the vehicle is scheduled to travel, as the designated time-space point, and calculates the certainty factor as a possibility that the person appears at the designated time-space point. And
The predicting means calculates the certainty factor at a plurality of the spatiotemporal points within a preset spatiotemporal range including a portion designated as the designated spatiotemporal point in the planned travel route,
A risk degree calculation means (S220) for calculating a sum of the certainty degrees calculated at the plurality of spatio-temporal points as a risk level;
The acquisition means includes
When the number of pedestrians to be learned in the spatio-temporal range is small, the movement pattern of the pedestrian is extracted from the mobile object database data in other areas similar to the spatio-temporal range, forecasting system that is characterized in that by using the extracted data learned, to obtain this result as the learning result.
前記予測手段は、
性別、年齢、および交通手段で構成するクラスに応じて前記時空間範囲を変化させる
ことを特徴とする請求項1または請求項2に記載の予測システム。
The prediction means includes
The prediction system according to claim 1 or 2 , wherein the spatiotemporal range is changed in accordance with a class constituted by sex, age, and means of transportation.
JP2012065585A 2012-03-22 2012-03-22 Prediction system Expired - Fee Related JP5838879B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012065585A JP5838879B2 (en) 2012-03-22 2012-03-22 Prediction system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012065585A JP5838879B2 (en) 2012-03-22 2012-03-22 Prediction system

Publications (2)

Publication Number Publication Date
JP2013196601A JP2013196601A (en) 2013-09-30
JP5838879B2 true JP5838879B2 (en) 2016-01-06

Family

ID=49395406

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012065585A Expired - Fee Related JP5838879B2 (en) 2012-03-22 2012-03-22 Prediction system

Country Status (1)

Country Link
JP (1) JP5838879B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101785823B1 (en) * 2016-01-31 2017-10-16 광운대학교 산학협력단 Apparatus and method for risk prediction using big-data
US10604070B2 (en) 2016-11-09 2020-03-31 Samsung Electronics Co., Ltd. Method and apparatus for informing pedestrian and occupant of vehicle of each other's approach

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2942251B1 (en) * 2014-05-08 2017-04-05 Volvo Car Corporation Method for providing an object prediction representation
JP6293652B2 (en) 2014-12-26 2018-03-14 本田技研工業株式会社 State prediction system
CN107010086B (en) * 2017-03-29 2018-07-10 宁夏凯速德科技有限公司 High ferro line security control method and system
JP6917878B2 (en) 2017-12-18 2021-08-11 日立Astemo株式会社 Mobile behavior prediction device
JP6988504B2 (en) * 2018-01-18 2022-01-05 日本電信電話株式会社 Data creation device, data creation method and program
JP7294383B2 (en) * 2018-01-18 2023-06-20 日本電信電話株式会社 Parameter estimation device, route-based population estimation device, parameter estimation method, route-based population estimation method and program
JP2019149855A (en) 2018-02-26 2019-09-05 日本電気株式会社 Information processor
US10795362B2 (en) 2018-08-20 2020-10-06 Waymo Llc Detecting and responding to processions for autonomous vehicles
JP7195588B2 (en) * 2018-10-25 2022-12-26 国立研究開発法人宇宙航空研究開発機構 Prediction device, prediction method, and prediction program
DE112019006409T5 (en) 2018-12-27 2021-09-16 Honda Motor Co., Ltd. Path determination method
CN112215423B (en) * 2020-10-13 2023-06-06 西安交通大学 Pedestrian track prediction method and system based on trend guidance and sparse interaction
CN114241765B (en) * 2021-12-15 2023-01-03 重庆中信科信息技术有限公司 Space-time logic-based method and device for analyzing traffic violation of directional lane and storage medium

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003318792A (en) * 2002-04-26 2003-11-07 Matsushita Electric Ind Co Ltd Apparatus for estimating arrival wave direction, and receiver provided with the same
US7095336B2 (en) * 2003-09-23 2006-08-22 Optimus Corporation System and method for providing pedestrian alerts
JP4569383B2 (en) * 2005-05-23 2010-10-27 株式会社エクォス・リサーチ In-vehicle device
JP4942567B2 (en) * 2007-07-03 2012-05-30 株式会社エヌ・ティ・ティ・ドコモ Risk level notification system, server device, and level of risk notification method
JP5447371B2 (en) * 2008-04-15 2014-03-19 日本電気株式会社 Mobile object warning device, mobile object warning method, and mobile object warning program

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101785823B1 (en) * 2016-01-31 2017-10-16 광운대학교 산학협력단 Apparatus and method for risk prediction using big-data
US10604070B2 (en) 2016-11-09 2020-03-31 Samsung Electronics Co., Ltd. Method and apparatus for informing pedestrian and occupant of vehicle of each other's approach

Also Published As

Publication number Publication date
JP2013196601A (en) 2013-09-30

Similar Documents

Publication Publication Date Title
JP5838879B2 (en) Prediction system
US11216004B2 (en) Map automation—lane classification
Rankavat et al. Pedestrians risk perception of traffic crash and built environment features–Delhi, India
CN109641589B (en) Route planning for autonomous vehicles
US9355063B2 (en) Parking lot detection using probe data
JP5246248B2 (en) Prediction device
US20170323568A1 (en) Risk prediction device and driving support system
US20190094858A1 (en) Parking Location Prediction
CN110068343A (en) Building and the behavior layer for updating Multi-layer road network high-definition digital map
CN107305131A (en) Navigation optimization centered on node
CN110851741A (en) Taxi passenger carrying hot spot identification recommendation algorithm
Patnaik et al. Divisive Analysis (DIANA) of hierarchical clustering and GPS data for level of service criteria of urban streets
CN102003965A (en) Method of operating a navigation system to provide route guidance
CN102003964A (en) Method of operating a navigation system to provide route guidance
Jabbari et al. The pedestrian network concept: A systematic literature review
Apardian et al. An analysis of pedestrian crashes using a spatial count data model
Lian et al. Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency
US20210270629A1 (en) Method and apparatus for selecting a path to a destination
Ogungbire et al. Exploring the effect of mountainous terrain on weather-related crashes
JP6272198B2 (en) Movable region data generation system and traffic behavior estimation device
Bomberg et al. Incorporating user based perspective of livability projects in SF-CHAMP mode choice models
Iwanski et al. A computational model for predicting the location of crime attractors on a road network
Lee et al. Generating Route-Level Mutually Exclusive Service Areas: Comparative Study of Alternative Methods
US11473928B2 (en) System and method for generating origin-independent access maps
Chae Simulation of Pedestrian-vehicle Interactions at Roundabouts.

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140616

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20150224

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20150225

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150409

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: 20151013

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20151026

R151 Written notification of patent or utility model registration

Ref document number: 5838879

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

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

LAPS Cancellation because of no payment of annual fees