JP6247754B2 - 駐車場探し開始特定のために車両の測定データを処理する方法 - Google Patents

Description

本発明は、駐車場探し開始特定のために車両の測定データを処理する方法に関する。

空き駐車場に関する駐車情報は、例えば、駐車場を探している車両の道案内のためのナビゲーション機器及び／又は駐車案内システムに利用される。昨今の都市内交通システムは、単純な原理に従って動く。駐車場の数と車両の出入りとが分かっているときには、これらから利用可能な空き駐車場を容易に特定することができる。目的地に至る道路（Ｚｕｆａｈｒｔｓｓｔｒａｓｓｅ）の適切な表示と駐車場情報の随時の更新により、空き駐車場に車両を案内することができる。この結果、原理的な制約から、パーキングエリアが明確に定められなければならないことと、車両の入庫と出庫が常に正確に管理されていなければならないことという制限が生じる。そのために、例えば遮断機やその他のアクセス管理システムといった構造物的な対策が必要になる。

この制限があるために、僅かな数の空き駐車場にしか案内ができない。構造物により必要な対策を講じることにすると、通常は、パーキング・ビルや柵で囲まれたパーキングエリアしか、駐車案内システムに取り入れられない。ところが、数がはるかに多い道路脇の駐車場や、柵で囲まれていない駐車場は考慮されない。オープンスペースの駐車状況が到底分からないからでる。単に自治体や交通管理センターが特定エリアに関する情報を提供しているに留まる。

空き駐車場を探すにあたっては、とりわけ街中でしかも人工密集地域でそれぞれの家並みに沿って駐車場が見つけ出せることが望ましい。これについては、特許文献１より、駐車場を見つけ出す車両、例えば、定期運行バスやタクシー等の公の近距離交通の車両等を使用し、これらの車両が駐車場を識別するためのセンサを少なくとも一つ備えるものが公知である。センサ技術は、光学的及び／又は非光学的なセンサによるものとすることができる。

さらに、コミュニティをベースとした利用も公知であり、この場合、車両のユーザは、駐車場をいつ離れるかについての情報をアプリに入力する。この情報が、他のサービスユーザに提供される。この場合の欠点は、利用可能な駐車場に関する情報の有用性が、単にユーザから提供されるぐらいのものにしかならない点にある。

上記の代替的ないずれの場合においても問題があり、それは、個々の駐車場の空きに関する情報が短寿命であること、つまり、駐車場情報が役立ちそうな、駐車場を探している往来が多い地域では、空き駐車場は、通常は瞬く間に埋まってしまうということである。

独国特許出願第１０２０１２２０１４７２．１号で本出願人はさらに、空き駐車場に関する駐車情報を提供する方法を述べている。この方法では、利用可能な空き駐車場について算出された情報から、履歴データを有する知識データベースが作成される。この履歴データには、家並みに面した所定の通り及び／又は所定の時間ないし期間についてそれぞれ空き駐車場に関する統計データが含まれる。所定の時点における一又は二以上の選択された家並みに関して通交中の車両により算出された最新の情報と履歴データとから、選択された家並みに関する予想され得る空き駐車場の確率分布が算出される。確率分布は、選択された家並みにおける空き駐車場に関する駐車情報を表す。確率分布の精度は、いわゆる入庫率λ_ｐの知見に特に依存する。入庫率は、λ_ｐ（ｔ）＝（１−Ｐ_ｎ）λ（ｔ）の式で計算され、ここで、λ（ｔ）は照会率を表す。この照会率は、駐車セグメント−つまり、入庫プロセスを希望している観察対象領域に対し、時間（つまり単位時間）当たりに駐車場を照会する回数を示すものである。Ｐ_ｎは、空き駐車場の確率を示す。

入庫率l_ｐが正確に分かっていればいるほど、それに伴い、より正確に空き駐車場に関する確率を特定することができる。

独国特許出願公開第１０２００９０２８０２４号明細書

Ｅ． Ａｌｐａｙｄｉｎ， Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ （Ａｄａｐｔｉｖｅ Ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）， Ｔｈｅ ＭＩＴ Ｐｒｅｓｓ， ２００４． Ｃ． Ｍ． Ｂｉｓｈｏｐ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ （Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｓｔａｔｉｓｔｉｃｓ）， Ｓｐｒｉｎｇｅｒ−Ｖｅｒｌａｇ Ｎｅｗ Ｙｏｒｋ， Ｉｎｃ．， Ｓｅｃａｕｃｕｓ， ＮＪ， ＵＳＡ， ２００６． Ｇ． Ｆｉｓｃｈｅｒ， Ｌｉｎｅａｒｅ Ａｌｇｅｂｒａ， Ｖｉｅｗｅｇ−Ｓｔｕｄｉｕｍ： Ｇｒｕｎｄｋｕｒｓ Ｍａｔｈｅｍａｔｉｋ， Ｖｉｅｗｅｇ， ２００５

本発明の課題は、本出願人の方法により、入庫率を特定する精度を向上するために、自動的に駐車場探しの開始を算出できる方法を提供することにある。

この課題は、請求項１の特徴部に係る方法及び請求項１６の特徴部に係るコンピュータプログラム製品により解決される。有利な実施形態は、従属請求項に示されている。

本発明は、駐車場探し開始特定のために車両の測定データを処理する方法を実現する。以下に述べる方法は、オンボード（ｏｎｂｏａｒｄ）、つまり駐車場を探している車両内か、オフボード（ｏｆｆｂｏａｒｄ）、つまり走行データが送信されてくる中央計算機によって実施することができる。さらに、提案の方法は、オンライン（ｏｎｌｉｎｅ）、つまり走行中にリアルタイムか、オフライン（ｏｆｆｌｉｎｅ）、つまり走行後に事後的に計算を実行できるようにする。

第一のステップでは、所定数の走行データベクトルが取得（Ｅｒｆａｓｓｅｎ ｅｉｎｅｒ Ａｎｚａｈｌ ａｎ Ｆａｈｒｔｄａｔｅｎｖｅｋｔｏｒｅｎ）される。ここで、走行データベクトルのそれぞれは、速度、位置データ、並びに速度と位置データを取得する時点に関する情報を有する。この所定数の走行データベクトルの取得は、秒の単位（例えば毎秒、あるいは５秒おきあるいは、１０秒おきに）で所定の時間間隔（以下、サンプリング率とも称する。）で行われる。従って、走行データベクトルは、一定の時間順序に従う。位置データは、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）データにより代用されていてもよい。位置データは、車両のＧＰＳモジュールにより算出することができる。速度は、車両の速度センサからか或いは連続した二回の測定の時点と位置データから選択的に算出可能とされている。

次のステップでは、走行データベクトルを取得するそれぞれの時点で特徴ベクトルが算出される。このとき、現在及び時間的に遡った（時間的に前の）走行データベクトルの情報が処理される。特徴ベクトルは、特徴成分として、少なくとも一つの速度情報と経路情報とを含んでいる。これにより、車両走行の推移が考慮される。このステップでは、新たに取得された走行データベクトルのそれぞれに関する特徴値が新たに計算され、一つの特徴ベクトルにまとめられる。従って、各（測定ないし取得）時点で特徴ベクトルが計算される。その際に、現在及び時間的に前の複数の走行データベクトルが参照される。

次のステップでは、各特徴ベクトルのクラス分類が行われる。ここでは、特徴ベクトルのそれぞれが、二つのトラフィックカテゴリーの一方に対応付けられる。第一のトラフィックカテゴリーは、目的地行き車両走行と呼ばれ、この場合には、ドライバーは駐車場を探さない。それに対して、第二のトラフィックカテゴリーは、駐車場探し車両走行と呼ばれ、この場合には、ドライバーは駐車場を探す。トラフィックカテゴリーを決める際には、一つの確率が計算される。その確率とは、特徴ベクトルをいかなる確率により第一のトラフィックカテゴリーに対応付けるべきか、それとも、第二のトラフィックカテゴリーに対応付けるべきかを示すものである。このステップでは、生成された特徴ベクトルは、個別に着目され、二つのトラフィッククラスに関して、つまり、第一のトラフィックカテゴリーにより代表される目的地行き車両走行と第二のトラフィックカテゴリーにより代表される駐車場探し車両走行とにクラス分類される。このステップが終わると、それぞれの特徴ベクトルに対し、どの確率で特徴ベクトルが駐車場探し車両走行に属し、どの確率で特徴ベクトルが目的地行き車両走行に属するかを示す一つの確率が与えられる。

最後に、特徴ベクトルの算出されたトラフィックカテゴリーの時間的推移によるセグメンテーションが行われる。ここでは、特徴ベクトルの特定されたトラフィックカテゴリーに応じて、スタートから走行データベクトルの最後の取得までの走行が二つのセグメントに分割され、一方のセグメントから他方のセグメントへ移行するところが駐車場探しの開始を表す。セグメンテーションの課題は、特徴ベクトルのクラス分類の時間的推移を分析（）することにより、駐車場探しの開始の目印となるような走行データベクトルを算出することにある。セグメンテーションの結果、走行は、トラフィックカテゴリーに対応して二つのセグメントに分割され、これが、駐車場探し車両走行の多さ（Ｉｎｔｅｎｓｉｔａｅｔ）と局在性（Ｌｏｋａｌｉｓｉｅｒｕｎｇ）に関する所望の情報を計算するための基礎になる。

駐車場探しの開始が分かっていれば、利用可能な近場の駐車場の確率をより正確に計算するのにこれを利用することができる。そのために、例えば、本出願人による独国特許出願第１０２０１２２０１４７２．１号における冒頭に述べた方法を用いることができる。さらに、駐車場探し開始の知見は、個々の通りや区画における駐車状況を評価するために都市計画担当者が利用できる。

処理すべきデータ量をできるだけ少なく保つために、走行データベクトルの予備フィルタ処理を行うことが適切かもしれない。そうすれば、走行データベクトルの速度に関する情報が第一の閾値より大きいか、第二の閾値より小さいかしたときは、駐車場探し開始特定の際に走行データベクトルを考慮に入れないままにできる。これにより、例えば、郊外における車両のドライブ走行と停車状態は無視できる。第一の閾値は、例えば、５０ｋｍ／ｈと１００ｋｍ／ｈの間にすることができ、特には８０ｋｍ／ｈである。第二の閾値は、例えば、２ｋｍ／ｈと８ｋｍ／ｈの間にすることができ、特には４ｋｍ／ｈである。

他の発展形態においては、それぞれの特徴ベクトルを算出するために、予め設定された区間を表す特徴ウィンドウ内の走行データベクトルが処理される。ここで、特徴ウィンドウは、現在の位置ないし測定から、第一の位置ないし測定（移動してきた区間上で上記予め設定された区間よりかは戻ったところにある。）までの複数の走行データベクトルをまとめて包囲している。したがって、一つの特徴ウィンドウ内の走行データベクトルの数は、サンプリング率と速度に依存して変化し得る。特徴ウィンドウの大きさが例えば１ｋｍであるとすると、一定のサンプリング率が想定される限り、平均速度が大きくなるにつれて、速度がより小さいときに比べると、直近のキロメートルにおいて含まれている特徴ウィンドウ内走行データベクトルが少なくなる。

他の発展形態において、特徴ベクトルは、特徴成分として、速度情報及び経路情報に加えて、一又は二以上の以下の特徴成分を含む：
−移動してきた区間の円形度に関する情報。
円形度は、駐車場を探している車両によく見られる行動パターンを考慮するもので、そのパターンの走行区間は、（例えば街区を巡ることにより）よく円形状に運転経路（Ｗｅｇｆｕｅｈｒｕｎｇ）が選択されることを表している。ここで、基準量は、各走行データベクトルの位置データから得られるそれまでに取得された経路点の重心から現在位置までの距離である。
−移動してきた区間のＰＣＡ円形度に関する情報。
この場合、運転経路の円形度を特定するために、補助手段としていわゆるＰＣＡ（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）（主成分分析）が利用される。特徴ウィンドウの二次元的な複数の位置ベクトルに対してＰＣＡを利用することで、個々の経路点の分散が最大となる互いに直行する軸を表す二つの主成分（Ｈａｕｐｔｋｏｍｐｏｎｅｎｔ）の他に、全分散における軸の寄与に関する相対的な値が得られる。
−方向転換に関する情報。
駐車場を探している車両は度々曲がる。現在位置及び過去にたどった位置に基づいて、各走行データベクトルに関して、走行方向を角度（方位に対応した０°乃至３５９°）の形で算定することができる。走行過程（Ｆａｈｒｔｖｅｒｌａｕｆ）における方向転換に関して有力な値を計算するために、全ての方向転換に関する算術平均値を求めてもよい。これは、規格化された値により行われることが好ましい。
−目的地非効率性に関する情報。
この特徴は、走行の目的地に関連した運転経路の非効率性を算定する。走行中には、走行データに基づいて目的地を特定することができないので、この特徴は、走行が終わった後、全ての走行データベクトルが既知となった後から、求めることができる。発見された駐車場の場所を表す最後の走行データベクトルの位置を目的地位置として仮定する。この特徴成分は、走行が完了した後からオフラインで行われる方法の場合にのみ利用することができる。

速度情報は、一実施形態によれば、各特徴ベクトルを算出するために考慮された走行データベクトルの中間速度の中心値及び／又は算術平均とすることができる。

経路情報は、一実施形態によれば、経路非効率性とすることができる。これは、二つの走行データベクトルの位置の間の最短区間に照らした、実際に走行が行われた区間の比によって、走行が行われた区間がいかに非効率であるかを示すものである。上記運転経路の非効率性は、ドライバーにより選択され、走行したルートが、走行目的地に近づいていくことに照らして、いかに非効率であるかを示す特徴である。これは、クラス分類子（Ｋｌａｓｓｉｆｉｋａｔｏｒ）（トラフィッククラス）の特色を考慮する。というのも、目的地行き車両走行に属する車両は、到達しようとしている目的地にできるだけ早く且つ効率的な道で近付けるよう模索する一方で、駐車場を探している車両は、その目的地に殆ど到達してしまい、駐車場を探しながらぐるぐる回っているからである。

このとき、複数の走行データベクトルの処理された集合に関して最大であるような経路非効率性を、経路情報として一つの特徴ベクトルについての経路非効率性として処理するようしてもよい。

他の発展形態において、各特徴ベクトルのクラス分類のために、特徴ベクトルは正規化される。異なる特徴成分（略して、特徴）は、別々の数値領域を有する。数値的により高い数値領域の特徴成分が、数値的により低い数値領域の特徴成分に対して支配的にならないようにし且つ特徴値を比較可能なものにするために、特徴は正規化される。これは、大きい数値領域の特徴も、小さい数値領域の特徴も、同じ数値領域を形成するという効果がある。

正規化された特徴成分を計算するために、当業者に周知のｚ正規化（ｚ−Ｎｏｒｍａｌｉｓｉｅｒｕｎｇ）を用いることができ、この正規化では、各特徴成分に対して平均値と標準偏差とが算出され、これらを用いて特徴成分が変換される。

さらに、特には主成分分析（ＰＣＡ）を用いることにより、ベクトルの正射影（Ｖｅｋｔｏｒｐｒｏｊｅｋｔｉｏｎ）により特徴成分を圧縮することが目的に適っている。主成分分析は、特徴を圧縮するための教師なし方法（ｕｎｕｅｂｅｒｗａｃｈｔｅ Ｍｅｔｈｏｄｅ）である。この方法が求める目標は、特徴空間における主軸を見つけ、その主軸上においては、その上に射影された特徴ベクトルの分散が最大になるようにすることである。

かくして、クラス分類子の確率の計算は、ベイズの定理を用いて行うことができる。ベイズの定理は、例えば非特許文献１や非特許文献２から当業者に周知である。

他の発展形態においては、駐車場探しの開始は、第二のトラフィックカテゴリーへの、第一のトラフィックカテゴリーの正の移行により定義されており、第二のトラフィックカテゴリーに割り当てられている走行データベクトルが駐車場探しの開始を表す。これとは逆の、第一のトラフィックカテゴリーへの、第二のトラフィックカテゴリーの移行の場合には、負の移行となる。理想的な場合には、一度の走行で、多くて一回の正の移行が現れる。とはいえ、実際には、一度の走行中に複数の正の移行が現れ得る。駐車場探しの開始は、そのときには、以下のように代替的に算出することができる。

第一の代替例では、後続の走行データベクトルのクラス分類の結果が、常に第二のクラス分類子を有している間は、時間的にみて、第二のクラス分類子への、第一のクラス分類子の最後の正の移行が駐車場探しの開始として選択される。負の移行があると、駐車場探しの開始の目印としていた走行データベクトルは破棄され、その結果、この時点を境に、以降は取得されたサーチ開始はもはや存在していないことになる。

第二の代替例では、後続の走行データベクトルのクラス分類の結果が、所定の走行区間に関して常に第二のトラフィックカテゴリーを有している間は、時間的にみて、第二のクラス分類子への、第一のクラス分類子の最後の正の移行が駐車場探しの開始として選択される。このセグメンテーションの代替例は、距離判定基準によって第一の代替例を拡張するものである。この場合、算出された走行データベクトルは、負の移行があると直ちに遺却されるのではなく、負の移行の後にもしばらくの区間は保持される。この区間内でさらなる正の移行が見つかれば、負の移行は無視され、前に算出された走行データベクトルが保持される。正の移行が見つからない場合には、駐車場探しの開始を印した以前の走行データベクトルは、負の移行後の区間の最後において遺却される。

第三の代替例において、駐車場探しの開始は、移動してきた区間に亘る確率の変化の積分に基づいて算出される。この第三の代替例では、特徴ベクトルが駐車場探し車両走行を表しているかどうかのはっきりとした識別がサーチ開始を算出するのに利用されるだけでなく、その識別がなされたときの確実性も利用される。サーチ開始が存在しないときに、新しい走行データベクトルを用いて正の移行が把握されると、移動してきた区間に亘るいわゆる事後確率の変化の積分が連続的に計算される。積分計算の結果が負になると、それまでに算出された走行データベクトルは破棄される。

本発明は、さらに、コンピュータプログラム製品をもたらし、当該コンピュータプログラム製品は、デジタル計算機又は計算機システムの内部メモリに、例えば、車両の計算機や中央計算機に直接的にロードされることができ、さらにソフトウェアコード部分を備え、これらを用いることで、製品が計算機又は計算機システム上で走るときに、先の請求項に係るステップが実行される。

本発明は、以下に、図面の実施形態に基づいてより詳細に述べられる。

時間的に連続して生成された走行データベクトルを概略的に示す図である。 本発明によるプロセスの概略的なフロー図である。 取得された走行データベクトルに適用される特徴ウィンドウの概略図である。 経路非効率性を説明するための図である。 円形度を説明するための図である。 円形度を説明するための図である。 ＰＣＡ円形度を説明するための図である。 ＰＣＡ円形度を説明するための図である。 平均的な方向転換を説明するための図である。 プロセスの枠内で実行される処理データの平滑化を概略的に示す図である。 訓練行列の表を示す図である。 特徴ベクトルのクラス分類のための確率を算出するためのヒストグラム、クラス分類の密度及び結果として生じる判断境界線を示す図である。 特徴ベクトルのクラス分類のための確率を算出するためのヒストグラム、クラス分類の密度及び結果として生じる判断境界線を示す図である。 特徴ベクトルのクラス分類のための確率を算出するためのヒストグラム、クラス分類の密度及び結果として生じる判断境界線を示す図である。 セグメンテーションを実行するための異なる代替例を示す図である。 セグメンテーションを実行するための異なる代替例を示す図である。 セグメンテーションを実行するための異なる代替例を示す図である。

以下に詳述され且つ提案される方法によれば、実行された駐車場探しに関する情報、例えば、駐車場を探し出すまでに実質的に経過した時間や、駐車場を探している間に移動した道のり（区間）や、或いは駐車場が探された場所や地域といった情報を特定するために、ドライブに占める駐車場探しの部分を特定することができる。本方法は、そこから、特にドライブにおける駐車場探しの開始を特定することができる。

本方法は、車内（つまりオンボード）の計算ユニットを用いて、或いは車外（つまりオフボード）の中央計算ユニットを用いて実施することができる。本方法の出発点として、車両走行の走行データベクトルｘ_ｉ（ｉ＝１…Ｎ）と称するものが生成される。走行データベクトルｘ_ｉは、例えば、予め決められた測定時点において車両によって求められ、複数のステップで順次処理される。本方法がオフボードで実施される場合は、走行データベクトルｘ_ｉは、好ましくは実時間で通信インターフェースを介して中央計算機に送信される。

一つの走行は、可算集合（ａｂｚａｅｈｌｂａｒｅ Ｍｅｎｇｅ）のＮ個走行データベクトル［ｘ_１；ｘ_２；…；ｘ_Ｎ］によって表現され、そのときには、
ｘ_ｉ＝［ｔ_ｉ，ｖ_ｉ，ｐ_ｉ］ （３．１）
である。これが、図１に例示されている。走行データベクトルｘ_ｉ（３．１式）は、当該走行データベクトルを取得する時点ｔ_ｉでの速度ｖ_ｉとＧＰＳ位置ｐ_ｉに関する情報からその都度構成される。走行データベクトルは、ｔ_ｉ＜ｔ_ｉ＋１であることから、決まった時間的な順序に従って続けて発生する。ＧＰＳ位置ｐ_ｉは、車両内に組み込まれた或いは車両に後付けされたナビゲーションシステムによって把握することができる。速度は、例えば車両のセンサによって把握され、車両内では通常は計算ユニット内やデータバス上で使えるようになっている。

車両操縦者（Ｆａｈｒｚｅｕｇｌｅｎｋｅｒ）は、駐車場を探す決断を、走行中に一回しか行わないものと仮定する。時として、或る地域でドライバーが探索を開始し、しばらくしてそこをあきらめて他の地域でまた再開するということが起こり得る。この場合には、駐車場探しを最後に決断した時点を真のサーチ開始と仮定する。さらに、いずれの走行も道路脇の公共の駐車場で終わることを仮定する。

これらの仮定により、いずれの走行にも、その時点を境に駐車場が探索されるという、真の時点τ_ｐａｒｋがまさに一つだけ存在することになる。駐車場探しを決断した直後に駐車場が見つかれば、τ_ｐａｒｋ≒τ_ｅｎｄｅである。この時点を基に、走行タイプｃ_ｉ（トラフィックカテゴリー或いはトラフィッククラスと称する。）の種類に応じて一つの走行を二つのセグメントに分割することができる。この場合、走行開始以降の第一のセグメントは、常に“目的地行き車両走行”ＺＶと称するものを表し、他方、第二のセグメントは、“駐車場探し車両走行”ＰＳＶと称するものに対応する。ドライバーが走行の出発点τ_{ｓｔａｒｔ}から駐車場が探索されるエリアに向けて走行している走行部分が目的地行き車両走行ＺＶと呼ばれる。目的地行き車両走行ＺＶの間は、ドライバーは駐車場を探さない。

それぞれのトラフィッククラスへの走行データベクトルの割り当て（対応付け）は、クラスラベルｃ_ｉを使って行われる。一つの走行の走行データベクトルに関して以下が成り立つ。
ｃ_ｉ＝０；ｉ＝１；…；ｉ_{ｐａｒｋ−１}のとき→目的地行き車両走行
ｃ_ｉ＝１；ｉ＝ｉ_ｐａｒｋ；…；Ｎのとき→駐車場探し車両走行 （３．２）

ｉ_ｐａｒｋは、第一の指標であり、この指標から後は、走行データベクトルｘ_ｉは駐車場探し車両走行に属し、故に第一の指標は駐車場探しの開始を表す。上記真の時点τ_ｐａｒｋ及びそれに対応する一走行におけるサーチ開始位置は、ｘ_{ｉ＿ｐａｒｋ}におけるｔ_{ｉ＿ｐａｒｋ}とｐ_{ｉ＿ｐａｒｋ}により近似的に求めることができる。

ｉ_ｐａｒｋと走行データベクトルｘ_{ｉｐａｒｋ}；…；ｘ_Ｎが既知であれば、サーチ期間τ_ｐａｒｋとサーチ区間Ｓ_ｐａｒｋとは、以下のように近似することができる。

ここで、δ（．，．）は、地表における二つのＧＰＳ位置の距離をメートル単位で表すものである。これに代えて、距離関数を用いてもよい。この距離関数は、二点間の最短経路を正しいナビゲーション地図に関して計算するものである。

駐車場探しの位置は、サーチ区間のＧＰＳ位置や道路上位置のマップマッチングによって直接的に或いはサーチ区間のサーチ重心及び平均サーチ半径と称するところの情報によって間接的に示すことができる。この値の計算の基礎となるのがｉ_ｐａｒｋである。ｉ_ｐａｒｋの算出とそれに伴う駐車場探しの開始とが、以下に詳説する方法の目的とするものである。

図２は、本発明による方法の工程を流れ図で示している。

始めに、任意選択的な予備フィルタリング（ステップＳ１）を通じて重要でない走行データベクトルが取り除かれる。次に、既知の走行データベクトルを基に特徴ベクトルが生成され（ステップＳ２）、任意選択的に平滑化される（ステップＳ３）。クラス分類（ステップＳ４）では、それぞれの特徴ベクトルに対して、トラフィッククラスである駐車場探し車両走行のクラスに所属するクラス所属性に関する確率が計算される。それに続くセグメンテーション（ステップＳ５）では、クラス分類の推移が分析され、走行における算出されたサーチ開始時点により、最終的なクラスラベルｃ_ｉが決定される。走行の終わりには、算出された結果が了解できるものかどうかが任意選択的に評価される（ステップＳ６）。

以下に、これらのステップを詳述する。

設定された評価基準によるとサーチ開始の算出に何の寄与もしないような走行データベクトルｘ_ｉは、予備フィルタリングのステップＳ１において識別され、除外される。除外というのは、ここでの前後関係においては、該当する走行データベクトルｘ_ｉが、次のステップ、つまり特徴の抽出における後続処理には引き渡されないことを意味する。こういったものには、例えば市街交通外でのドライブ走行や停車状態が挙げられる。

道路脇の駐車場は、典型的には市街交通において探索される。市街地域の道路で許された速度の上限は８０ｋｍ／ｈである。しかも、速度がより大きくなると、もはや駐車場探し車両走行に関係するはずがなくなることから、例えば、ｖ_ｉ＞８０ｋｍ／ｈである走行データベクトルｘ_ｉは除外される。この境界値は、もっと低く選択されても、もっと高く選択されてもよい。

車両が停車状態（例えば、信号待ち或いは渋滞）にある間は、速度における変化も、位置における変化もないことが見いだされるはずである。それ故、停車状態の間の記録された走行データベクトルｘ_ｉは、タイムスタンプに至るまで同じ情報を含む。停車状態に関する情報は、後続のいずれのステップにも重要でないので、例えば、ｖ_ｉ＜４ｋｍ／ｈの走行データベクトルｘ_ｉは除外される。この閾値は、入庫プロセス（速度が典型的には０〜４ｋｍ／ｈになる。）も把握されないような基準で選択されている。

これに続くステップＳ２では、特徴の抽出が行われる。駐車場を探している車両を識別するのに、低い平均速度、頻繁な曲折行動及び街区の巡回走行に着目することができる。走行に関するこれらの特徴についての情報を解明するには、目下の速度及び位置に関する情報を持つ個々の走行データベクトルでは十分ではなく、走行データベクトルの経緯を考慮しなければならない。

個々の走行データの信号値の推移は、本箇所で提示される特徴抽出の基礎になるものを形作る。その場合、新たに登場する個々の走行データベクトルに関する特徴値が新たに計算され、一つの特徴ベクトルｍにまとめられる。それぞれの時点ｔ_ｉでは、以下の特徴成分を有する特徴ベクトルが計算される。

ここで、特徴成分（以下、「特徴」ともいう。）としては、中間速度と経路非効率性が考慮されれば十分である。さらに他の特徴成分を考慮することによって、駐車場探し開始特定の精度をさらに向上させることができるが、精度は若干向上するに留まる。様々な特徴を計算するために、現在の走行データベクトル並びに時間的に遡った走行データベクトルが参照される。特徴を計算するために考慮すべき走行データベクトルは、図３に詳しく示されている特徴ウィンドウＭＦ_ｉに基づいて特定される。

特徴ウィンドウＭＦ_ｉの大きさｌ_ｆは、後にした道のり（移動してきた距離）に基づいている。これは、作成される特徴の多くが運転経路の経緯を分析するものだからである。経過した時間によって特徴ウィンドウを決めるとすると、特徴ウィンドウＭＦ_ｉ内の区間部分の長さが速度次第で変化することになるであろうし、また、区間部分の最低長さが保証されない状態となるであろう。走行過程における計算された特徴を互いに比較できるようにするためには、このことが必要となるにもかかわらずである。

特徴ウィンドウＭＦ_ｉは、現在位置ｘ_ｉの走行データベクトルから、移動してきた区間においてｌ_ｆよりかは戻ったところにある最初の走行データベクトルまでをまとめて内包する。従って、特徴ウィンドウ内の走行データベクトルの数は、サンプリング率と速度に応じて変わり得る。特徴ウィンドウの大きさが例えば１ｋｍだとすると、サンプリング率が一定であることを前提とする限りにおいて、平均速度がより高くなると、平均速度がより低いときに比べて、直近のキロメートルでは、より少ない走行データベクトルが特徴ウィンドウ内に含まれていることになる。計算された特徴ベクトルｍ_ｉ間の比較を保証するために、特徴ベクトルｍ_ｉは、走行を始めてから、移動した距離がｌ_ｆを超えてはじめて計算することができる。

これ以降の記述の流れに関しては、ｘ_ｉに固定されている特徴ウィンドウ内の走行データベクトルは、ｘ_ｆ１；ｘ_ｆ２；…；ｘ_ｆＭで示す。ここで、ｘ_ｆ１は最も古く、そしてｘ_ｆＭは最も若い走行データベクトルに対応する。これにより、ｘ_ｉ＝ｘ_ｆＭが成り立つ。

以下に、走行データから計算される特徴（特徴成分）について個別に詳述する。

中間速度
中間速度ｖの計算については、特徴ウィンドウ内の全ての速度値に関する算術平均を取るのではなく、その中心値（ｍｅｄｉａｎ）を取る。その理由は、異常値に対するそのロバスト性にある。

走行データベクトルの予備フィルタリング（ステップＳ１）の方法ステップにより、この値は、走行状態における中間速度を与える。

経路非効率性
運転経路の非効率性ηは、ドライバーにより選択されて走行されたルートが、走行目的地に接近するという観点において、いかに非効率であるかを示す特徴である。この着想は、トラフィッククラスの特徴に由来するものである。というのも、目的地行き車両走行に属する車両は、到達しようとしている目的地にできるだけ早く且つ効率的な系路で近付けるよう模索する一方で、駐車場を探している車両は、その目的地に殆ど到達してしまい、駐車場を探す際に巡回するものだからである。

出発地点ｐ_１と終点ｐ_Ｋを持つ経路点［ｐ_１；ｐ_２；…；ｐ_Ｋ］を通る区間が与えられると、この特徴を計算するための基礎となるものを形作る二つの区間量を計算することができる。これが、図４に明示されている。

ｓ_ｄは、ｐ_１とｐ_Ｋの間の最短距離であり、本明細書中では直線距離が用いられる。ｓ_ｚは、ｐ_１とｐ_Ｋの間の移動してきた距離（道のり）を表す。これは、ｐ_１からｐ_Ｋに向かう選び取られた運転経路の長さに該当する。ｓ_ｚ≧ｓ_ｄが成り立つ。これら二つの距離の相互の比は、選択されたルートが、終点へと直行するルート（効率的）を意味するのか、それとも回り道（非効率的）を意味するのかについての情報を与える。運転経路の非効率性に関する値は、以下の式により計算することができる。

走行した距離ｓ_ｚは、個々の経路点の間の部分距離を全て足し合わせたものによって近似される。指標ｋは、集合［ｐ_１；…；ｐ_Ｋ］内のどの経路点を非効率性の計算のための出発位置として利用すべきかを与える。η_Ｋ→０の値は、効率的な運転経路になる一方、η_Ｋ→１は、非効率的な運転経路を意味する。

上記特徴を計算するには、特徴ウィンドウ［ｐ_ｆ１；ｐ_ｆ２；…；ｐ_ｆＭ］の経路点を利用できる。上記特徴を計算する際に目指すのは、現在位置ｐ_ｆＭと特徴ウィンドウ内の他の全ての位置との間の最高の非効率性を算出することである。すなわち、

このようにすると、複数の連続する特徴ウィンドウの道のりの経緯に含まれている周回やＵターンが同じようにして特徴値になる。

円形度
駐車場を探している車両における典型的な行動パターンは、円形状に運転経路を選び取る（例えば、街区の巡回走行）様相を呈するため、この特徴を使って意図的に特徴ウィンドウ内の区間の円形度κを取得する。その場合、経路点の重心ｐ_ｆまでの現在位置ｐ_Ｍの距離ｓ_ｍが基準量である。ｓ_ｍ≒ｌ_ｆ／２となれば、直線的な道のりに由来するはずである（図５）。この距離が小さくなるほど、運転経路は円形に近くなる（図６）。

区間の重心は、特徴ウィンドウ内の個々の位置成分についての算術平均によって算定される。すなわち、

円形度に関する値は、計算により以下のようになる。

ここで、重心と現在位置との間の隔たりは、特徴ウィンドウの実効サイズにより規格化され、０と１の間の値が得られるようになっている。κ→０に対しては直線的な運転経路が、また、κ→１に対しては円形状の運転経路が得られるように、規格化された項がさらに１から引かれる。

ＰＣＡ円形度
運転経路の円形度を決める他のやり方としては、補助手段としてＰＣＡ（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ（主成分分析）。これは、例えば非特許文献１に記載されている。）を用いることである。このＰＣＡを特徴ウィンドウの二次元的な複数の位置ベクトルに適用すると、二つの主成分（主成分は、個々の経路点の分散が最も大きくなるような互いに直交する軸を表す。）の他に、軸の全分散における寄与に関してλ_１とλ_２により記述される相対的な値が得られる。λ_１は、分散が最大となる軸の相対的な分散の寄与に対応し、故にλ_１≧λ_２となる。

調べられた区間が真っ直ぐな線上に延びると、経路点の全ての分散は、第一の主成分によって記述される軸上にのみ分布する（図７）。第二の主成分の軸には、全分散のほんの僅かな寄与しか振り分けられない。経路点が完全に円形の運転経路を描くならば、全分散における第二の主成分の寄与も上昇し、λ_１≒λ_２となる（図８）。

ＰＣＡ円形度ρを計算するために、特徴ウィンドウ内の位置情報にＰＣＡが適用される。次に、得られた結果のスカラー量λ_１及びλ_２から指数が求められる。すなわち、

λ_１≧λ_２の条件により、この値ρは０と１の間を変動し、ρ_ｆ→０は直線的な運転経路を意味し、ρ_ｆ→１は円形状の運転経路を意味する。

方向転換
駐車場を探している車両は、頻繁に曲がる。現在位置及び一つ戻ったところの位置に基づいて、それぞれの走行データベクトルｘ_ｉに対して走行方向Φｉを角度（方位に対応して０°〜３５９°）で計算することができる。Φを用いることで、方向転換に関する値Δ_Φを、二つの経路点の間の移動距離ｓ_ｄで規格化して計算することができる。すなわち、

走行過程における方向転換に関して有力な値を計算するために、算術平均値、

が、特徴ウィンドウ内における全ての規格化された方向転換、

（以下、本明細書中、文字上の〜の記号は、文字の右肩に記載する場合もある。）

について求められる。すなわち、

図９は、走行方向φ_ｉ−１及びφ_ｉを、対応する位置ｐ_ｉ−１及びｐ_１において示すとともに、それらによる以下の差を示す。

目的地非効率性
この特徴は、走行の目的地に関連した運転経路の非効率性を算定する。走行中は、走行データを基にして目的地を特定できないので、この特徴は、走行が終わってから、走行データベクトルが全て既知となった後で（つまりオフラインで）はじめて定めることができる。目的地位置として、最後の走行データベクトルの位置ｐ_Ｎが採用される。この位置は、見つけられた駐車場の場所を示すものである。

目的地に関する運転経路の非効率性ζは、各走行データベクトルに対して以下のように算定される（式３．７参照）。すなわち、

例えば、周回走行では走行の出発点と終点とが近くに存在するようなことが起こり得るので、走行の開始時には既に最大限の目的地非効率性が存在してしまう。これは、次のようにして回避することができる。すなわち、目的地から最も遠く離れた経路点、

を、目的地位置から算出し、ｉ＜ｉ_ｄの特徴値をゼロに設定する。すなわち、

任意選択的な平滑化のステップ（ステップＳ３）では、走行の特徴ベクトルが平滑化される。平滑化の目的は、或る特定の区間部分における複数の特徴ベクトルを、平滑化された一つの特徴ベクトルにまとめることにある。このようにすることで、もはや個々の経路点は処理されず、区間部分が処理される。平滑化された特徴ベクトルの生成は、平滑化ウィンドウＧＭＦ内に存在する複数の特徴ベクトルｍ_ｉをまとめることにより行われる。平滑化ウィンドウＧＭＦは、移動区間に対してまたスライドされ、重なり合うことができる。このことが図１１に示されている。

それぞれの平滑化ウィンドウＧＭＦの長さは、ｌ_ｇｆによって決められている。ウィンドウは、一つの区間部分の第一の特徴ベクトルｍ_ｇ１につながれている。区間部分の最後にある特徴ベクトルｍ_ｇＲは、移動区間に対してｍ_ｇ１からｌ_ｇｆよりかは少ない距離離れて後に続く最後の特徴ベクトルである。平滑化ウィンドウＧＭＦ内の特徴ベクトルｍ_ｉの数は、特徴ウィンドウＭＦ_ｉ内の走行データベクトルｘ_ｉの数と同じように変わり得る。平滑化ウィンドウＭＧＦを重ねるために、現在の平滑化ウィンドウＭＧＦ内の所定区間ｌ_ｇｒを超えたら新たな平滑化ウィンドウＭＧＦをその場所に設けてもよい。このステップの複雑さを制限するために、二よりも多い平滑化ウィンドウが同時に重なることのないように以下のようにする。

平滑化ウィンドウＭＧＦ内の特徴ベクトルによって生成された平滑化特徴ベクトルのそれぞれは、長さｌ_ｇｒの区間部分を特徴付け、それは、包含されている第一の特徴ベクトルの位置に始まり、次の平滑化ウィンドウの第一の特徴ベクトルの位置で終わる。一つの走行の一番最後の平滑化特徴ベクトルの対応区間部分は、長さがもっと短かったり、もっと長かったりし得る。

このようにすることで、平滑化される特徴ベクトルにより代表される全ての走行区間部分が分離されていることが保証され、このとき、平滑化ウィンドウは、相互に必ずしも分離していなくてもよい。これにより、或る所定の区間部分を特徴付ける平滑化された特徴ベクトルｍ_ｇを計算する際に、後続の区間部分の特徴ベクトルも影響を与え得る。これを避けるために、ｌ_ｇｆ＝ｌ_ｇｒを選択してもよい。

平滑化ウィンドウ内のＲ個の特徴ベクトル［ｍ_ｇ１；…；ｍ_ｇＲ］から、平滑化された特徴ベクトルの個々の成分が以下のようにして算定される。すなわち、

（以下、本明細書中、文字上の∧の記号は、文字の右肩に記載する場合もある。）

中間速度は、全ての特徴ベクトルの中間速度の中心値に対応し、その一方で、全ての他の特徴について最大値が算出される。

平滑化ウィンドウ内の特徴ベクトルに関して、トラフィッククラスへの所属に関するラベルｃがさらに分かっている場合、平滑化された値における対応するラベルについて、全てのラベルの中心値が算出される。これは、つまり駐車場探し車両走行に対する票数が同じときに採決される多数決に相当する。ｌ_ｇｆ＝ｌ_ｇｒ＝０の特殊な場合には、平滑化は効果がない。つまり、平滑化された特徴ベクトルは、そのときには、もともとの特徴ベクトルに対応する。

クラス分類のステップ（ステップＳ４）では、生成された特徴ベクトルが個々に着目され、目的地行き車両走行Ｚと駐車場探し車両走行Ｐのトラフィッククラスに関するクラス分類がなされる。このステップの終了時には、個々の特徴ベクトルｍ_ｉに対して確率ｐ（Ｐ│ｍ_ｉ）が存在し、この値が、いかなる確率で特徴ベクトルが駐車場探し車両走行に属するかを与える。

この確率を計算するために、特徴ベクトルは先ず正規化され、圧縮され、最後にクラス分類される。これらの部分ステップには、個々の部分ステップに関するパラメータを学習できるように、特徴ベクトルの形態の訓練データが必要である。本方法では、教師なし学習方法が用いられる。従って、個々の特徴ベクトルのクラス所属性は、真のラベルｃの形で既知とされていなければならない。これは、各時点でトラフィッククラスが分かっているような学習目的で行われるテスト走行を採用することにより可能になる。

訓練データは、ＮｘＫ行列Ｔの形で与えられ、図１１に参照されるように、各行は特徴を表し、各列は特徴ベクトルについてのものである。図１１は、訓練行列Ｔを示す。行列の行が、異なる特徴についてのものである一方で、列は、一つの特徴ベクトル内におけるそれら特徴の具現化したものを示している。特徴ベクトルのクラス所属性に対応して、Ｔ内の訓練データは、二つの行列Ｔ_ＺとＴ_Ｐとに分けることができる。

特徴が違うと、数値領域が異なる。数値的により高い数値領域の特徴が、数値的により低い数値領域の特徴に対して支配的とならないよう、そして特徴値を比較可能とするために、特徴は、正規化される。これにより、大きな数値領域の特徴も、小さな数値領域の特徴も同じ数値領域に形成される効果が得られる。

正規化された特徴値を計算するために、当業者に周知のｚ正規化（ｚ−Ｎｏｒｍａｌｉｓｉｅｒｕｎｇ）が用いられる。この場合、Ｔにおける訓練データに基づいて、個々の特徴ｍ_ｎのそれぞれに対して平均値μ_ｎと標準偏差σ_ｎとが算出される。

正規化された訓練行列Ｔ^〜の項目ｍ^〜を計算するために、訓練行列の各項目が、計算されたパラメータを用いて変換される。すなわち、

結果として得られたものの一つの列は、こうして正規化された一つの特徴ベクトルｍ^〜を含むことになる。

失われる情報を最小限にしつつ、特徴ベクトル内の特徴成分を圧縮することが特徴圧縮の考え方である。この場合、ｍ^〜における特徴の数は、Ｎから１≦Ｄ＜Ｎに圧縮される。そのため、ベクトルの正射影、すなわち、

が実行される。
圧縮された特徴ベクトルｍ^∧は、ＮｘＤ変換行列Ｗを用いて算定される。すなわち、

特徴圧縮を行うために好適に用いられる技術は、Ｎ→Ｄの圧縮を行う主成分分析（ＰＣＡ）である。ＰＣＡは、特徴圧縮のための教師なしの方法である。この方法が目的とするところは、特徴空間内の主軸を見つけることであり、その主軸上においては、当該主軸上に射影された特徴ベクトルの分散が最大になるようにすることである。

変換行列の算定の基礎になるのは、σ_ｉ；ｊの項からなる訓練行列ＴのＮｘＮ共分散行列Σである。ここで、σ_ｉ；ｊは、

である。次に、共分散行列の固有値と固有ベクトルが、非特許文献３等に記載されているようにして算定される。固有ベクトルｗ_ｉは、特徴空間内の軸を表す一方、固有値λ_ｉは、得られた固有ベクトル上に射影された特徴ベクトルの全分散における相対的な寄与を示す。ｗ_１は、最大固有値λ_１を有する固有ベクトルに対応する一方、ｗ_Ｎは、最小固有値λ_Ｎを有する固有ベクトルを表す。固有ベクトルが分かっていれば、変換された特徴の次元である任意の１≦Ｄ＜Ｎを選択することができる。変換行列のＤ行は、こうして、第一のＤ個の固有ベクトル［ｗ_１；…；ｗ_Ｄ］で埋められる。

圧縮された特徴空間内での特徴ベクトルの変換は、以下の式が適用される。

ここで、μは、個々の特徴の平均値［μ_１；…；μ_Ｎ］を有する平均値ベクトルを表す。特徴ベクトルが、先行する正規化によって既に平均値から解放された状態（μ＝０）にあるときには、式３．２１における規定に基づいて変換を行うこともできる。

クラス分類により、（圧縮された）特徴ベクトルのそれぞれには、一つの確率が割り当てられる。この確率に基づいて、特徴ベクトルのクラス所属性ｃについて言うことが可能となる。ここで、ｃ_Ｚは、“目的地行き車両走行”のクラスに属することを示し、他方、ｃ_Ｐは、“駐車場探し車両走行”に属することを表す。

駐車場探し車両走行のトラフィッククラスに属する特徴ベクトルの確率（事後確率とも称される。）を計算するために、例えば非特許文献１ないし２に記載されている周知のベイズの定理が適用される。

ｐ（ｍ^∧｜ｃ）は、一つの特徴ベクトルに関して、その特徴ベクトルがクラスｃに属する確率を示すクラス別の密度関数である。ｐ（ｃ）は、事前確率としての意味があり、クラスｃが発生する確率を表す。最後に、ｐ（ｍ^∧）は、クラスにより識別することなく一つの特徴ベクトルが現れる確率を与える。その確率は、対応するクラスが発生する確率を掛け合わせてクラス別確率を全て足し合わせることにより計算することができる。

事後確率を計算するために必要な密度関数ないし確率は、ＴないしＴ_Ｚ及びＴ_Ｐにおける訓練データに基づいて推定することができる。

クラス別の密度関数を推定できるように、異なるクラス内の特徴ベクトルの個々の成分が正規分布していることを仮定している。この仮定のもとに、平均値μと共分散行列Σのパラメータによって定義されている正規分布の密度関数に基づいてｐ（ｍ^∧｜ｃ）に関する値を算定することができる。

μは、正規化ステップにおける平均値に応じて算定され、Σは、ＰＣＡの共分散行列に応じて算定される。クラス別の密度関数のパラメータを計算するためのデータの基礎として、クラスにより分けられたＴ_Ｚ及びＴ_Ｐにおける訓練データが用いられる。したがって、以下のようになる。

クラスが異なる事前確率を見積もるために、訓練データにおける特徴ベクトルの数が用いられる。Ｎは、ここでＴ内の特徴ベクトルの数を示し、Ｎ_Ｚ及びＮ_Ｐは、クラス別の訓練行列Ｔ_Ｚ及びＴ_Ｐにおける特徴ベクトルの数を示す。

事後確率を用いることで、かくして特徴ベクトルのクラス分類について記述することができる。それは、以下の式によるからである。

用いられたクラス分類子（Ｋｌａｓｓｉｆｉｋａｔｏｒ）は、最大事後クラス分類子（Ｍａｘｉｍｕｍ−ａ−ｐｏｓｔｅｒｉｏｒｉ−Ｋｌａｓｓｉｆｉｋａｔｏｒ）というものである。つまり、事後確率が最大となるように特徴ベクトルがクラス分類される。すなわち、

クラス分類の結果は、特徴ベクトルの枠を超えて、もともとの走行データベクトルにも有効である。

特徴空間における識別関数（Ｅｎｔｓｃｈｅｉｄｕｎｇｓｆｕｎｋｔｉｏｎ）の推移は、特徴空間内の点のうち、決定境界（Ｅｎｔｓｃｈｅｉｄｕｎｇｓｇｒｅｎｚｅ）上にあるような点の集合Ｍにより印される。すなわち、

ここに提示されたパラメータによるクラス分類により出来上がる識別関数の振る舞いは、異なる共分散行列の選択により二次である。

決定境界の位置は、事前確率により左右される。すなわち、一つのクラスの事前確率が小さくなればなるほど、当該クラスの方に向かって決定境界がどんどんずれていく。したがって、各クラスの特徴ベクトルの数を調整することで、クラス分類の結果が左右され得る。

図１２乃至１４は、一次元の特徴空間においてクラス別の訓練データを用いて決定境界の決め方を説明するものである。Ｔ_Ｚ内の特徴ベクトルにより構成された図示の要素は符号１０，１２，１４で示され、他方、符号１１，１３，１５が付された要素は、Ｔ_Ｐ内の特徴ベクトルにより構成されたものである。決定境界は、図１４中ＧＲにより示されている。

セグメンテーションの課題は、特徴ベクトルのクラス分類の時間的推移を分析することにより、駐車場探しの開始の目印となるような走行データベクトルを算出することにある。セグメンテーションの結果、トラフィッククラスに対応する二つのセグメントに走行が分割されることになり、これが、駐車場探し車両走行の多さと局在性に対する所望の情報を計算するための土台を形成する。

クラス分類結果ｃ_ＭＡＰの時間的推移に着目すると、クラス分類結果におけるｃ_Ｚ→ｃ_Ｐの移行が、駐車場探しの開始を表すと考えられる。このような移行は、正の移行と称され、他方、逆の場合のｃ_Ｐ→ｃ_Ｚは、負の移行と称される。

理想的な場合、正の移行は、一回の走行においてせいぜい一回現れる程度である。もっとも、実際（図１５乃至１７参照）は、一回の走行中に何度も正の移行が現れ得ることを示している。

全走行中に一度も正の移行が存在しないときには、最後の走行データベクトルが駐車場探しの開始として採用される。これにより、駐車探し区間と駐車探し期間に関する値＞０が算定できることが保証される。

以下に、図１５乃至１７に基づいて三つの方法を述べる。これらの方法は、いずれの時点に対しても、クラス分類結果の正の移行となるたかだか一つの走行データベクトルｘ_＋を駐車場探しの開始として算出する。走行データベクトルｘ_＿は、クラス分類結果の負の移行となる走行データベクトルを表す。

簡易セグメンテーション法と称されるもの（図１５）は、後続の走行データベクトルのクラス分類結果が一定のｃ_ｐに留まる限り、（時間的に）最後の正の移行に決めることにするものである。負の移行を経てしまうと、ｘ_＋は破棄され、その結果、この時点以降は検出されたサーチ開始はもはや存在しないこととなる。このことは、この方法がｃ＝ｃ_Ｚの時点では常に駐車場探し車両走行を把握しないことを意味する。

距離判定基準を用いたセグメンテーション（図１６）は、上記簡易セグメンテーション法を距離判定基準によって拡張する。この方法では、ｘ_＋に関して算出された走行データベクトルは、負の移行があると直ちに遺却されるのではなく、負の移行の後にもしばらくの区間ｌ_ｓは維持される。この区間内で次の正の移行が見つかれば、負の移行は無視され、ｘ_＋が保持される。正の移行が見つからない場合には、負の移行後の上記区間の最後においてｘ_＋は遺却される。ｌ_ｓ＝０であるときは、セグメンテーション法は、簡易セグメンテーションと同じ結果に至る。

図１７に示された積分評価基準を用いたセグメンテーションは、特徴ベクトルのクラス分類ｃ_ＭＡＰのための情報に加えて、事後確率ｐ（ｃ_ｐ｜ｍ^∧）をも用いる。したがって、サーチ開始を算出するのに一つの特徴ベクトルが駐車場探し車両走行を表しているかどうかのはっきりとした識別が利用されるだけでなく、識別がなされたときの確実性も利用される。

サーチ開始が存在しないときに、新しい走行データベクトルｘ_＋により正の移行が検出されると、次に負の移行ｘ₋が見い出されるまで、ｘ_＋からｘ₋まで移動してきた区間に亘る事後確率の変化の積分Ｉ_＋が連続的に計算される。

ここで、ｃ＝ｃ_Ｐについては正の値が、ｃ＝ｃ_Ｚについては負の値が得られるように、事後確率から０．５が引かれている。これらの決定境界は、図１５乃至１７においてはＥＧＲを用いて示されている。専ら負の値で推移する区間に亘ってこの事後確率の修正値を積分すると、負の項が得られる。加えて、この減算項は、クラス分類結果が異なるがクラス分類の確実性は同じ状態で推移する区間が、絶対値では同じ積分値を与えることを確実にする。

後続のｃ＝ｃ_Ｚでクラス分類された走行データベクトルについては、Ｉ₋＞Ｉ_＋となるか、新たに正の移行が見いだされるまで、連続的に負の積分値Ｉ₋が計算される。Ｉ₋＞Ｉ_＋になると、現在のサーチ開始は遺却され、他方、新たな正の移行時には、Ｉ_＋＝Ｉ_＋＋Ｉ₋により単に正の積分が新たに計算されるだけである。

このことは、駐車場探し車両走行の振る舞いを見せた区間部分に続く目的地行き車両走行の振る舞いが十分に強くなると、サーチ開始を修正できることを意味する。その一方で、積分評価基準は、ちょっとした目的地行き車両走行の振る舞いが、より長い区間に亘っては、現在のサーチ開始を帳消しにすることはできないことを担保する。

事後確率の推移は、解析的に計算可能な関数には従わず、しかも数値が連続的に変化しないので、一区間部分についての式３．３２における積分は、位置［ｐ_１；ｐ_２；…；ｐ_Ｎ］とその位置に対応する事後確率［ｐ_ａｐ１；ｐ_ａｐ２；…；ｐ_ａｐＮ］によって書き表すことで数値的に近似される必要がある。すなわち、

セグメンテーションステップは、駐車場探しの開始についての結果を与える。この結果は、必ずしも真実に対応しているわけではない。それは、この結果がクラス分類の結果の上に成り立つからで、そのクラス分類はというと、これもまた訓練データを用いて作成された確率的なモデルに基づくものである。

任意選択的な了解ステップ（ステップＳ６）では、セグメンテーションの結果が判定され、要すれば破棄される。これは、このステップが、駐車場探しに関連した走行を判断しないままにする可能性を残しておくことを意味する。セグメンテーションの結果を知らせないでおく評価基準は、例えば、理解し難い長い駐車場探し区間である。ほぼ全ての走行が駐車場探しにあてられることは、想定された走行の過程からすると納得し難いように思われる。駐車場探しが、ひょっとすると障害で比較的長くかかっている可能性があるので、この評価基準は、目的地行き車両走行において移動してきた区間と駐車場探し車両走行において移動してきた区間とに基づいて衡量される。駐車場探しを開始してから目的地までに移動してきた距離ｓ_ｐが、走行開始からサーチ開始までに移動してきた距離ｓ_ｚの半分よりも大きいときには、結果は了解できないものと仮定する。すなわち、

ｘ_ｉ 走行データベクトル（ｉ＝１…Ｎ）
ｃ_ｉ クラスラベル／トラフィッククラス
ｉ 測定番号
Ｎ 数
ｍ_ｉ 特徴ベクトル
ｃ_Ｚ 第一のクラス分類子
ｃ_Ｐ 第二のクラス分類子
ｐ 確率
τ_Ｐａｒｋ これ以降駐車場が探索される時点
ＺＶ 目的地行き車両走行
ＰＳＶ 駐車場探し車両走行
ＭＦ_ｉ 特徴ウィンドウ
ｌ_ｆ 特徴ウィンドウの大きさ
ＧＭＦ 平滑化ウィンドウ
ｌ_ｇｆ 平滑化ウィンドウの長さ
ＥＧＲ 決定境界
ＧＲ 決定境界

Claims (16)

1. 駐車場探し開始特定のために車両の測定データを処理する方法であって、
   ａ）速度（ｖ_ｉ）、位置データ（ｐ_ｉ）並びに速度（ｖ_ｉ）及び位置データ（ｐ_ｉ）の取得時点（ｔ_ｉ）に関する情報をそれぞれが有している所定数（Ｎ）の走行データベクトル（ｘ_ｉ）を取得し、
   ｂ）現在及び時間的に前の複数の走行データベクトル（ｘ_ｉ）の情報を処理し、当該走行データベクトル（ｘ_ｉ）を取得するそれぞれの時点（ｔ_ｉ）における、特徴成分として少なくとも一つの速度情報と経路情報を有する特徴ベクトル（ｍ_ｉ）の算出を行い、
   ｃ）前記特徴ベクトル（ｍ_ｉ）のそれぞれを、車両のドライブ走行を代表する第一のトラフィックカテゴリー（ｃ_Ｚ）に割り当てるか、あるいは、駐車場探し車両走行を代表する第二のトラフィックカテゴリー（ｃ_Ｐ）に割り当て、その際に、いかなる確率で前記特徴ベクトルを前記第一又は前記第二のトラフィックカテゴリー（ｃ_Ｚ，ｃ_Ｐ）に割り当てるべきかを定める確率（ｐ（Ｐ│ｍ_ｉ））を算出して、各特徴ベクトル（ｍ_ｉ）をクラス分類し、
   ｄ）前記特徴ベクトル（ｍ_ｉ）の算出された前記トラフィックカテゴリー（ｃ_Ｚ，ｃ_Ｐ）の時間的推移によるセグメンテーションを行い、前記特徴ベクトル（ｍ_ｉ）の特定された前記トラフィックカテゴリー（ｃ_Ｚ，ｃ_Ｐ）に応じてスタートから走行データベクトルを最後に取得するまでの走行を二つのセグメントに分割し、一方のセグメントから他方のセグメントへ移行するところが駐車場探しの開始を示すステップを有する方法。
2. 請求項１に記載の方法において、
   走行データベクトル（ｘ_ｉ）の速度（ｖ_ｉ）に関する情報が第一の閾値より大きいか第二の閾値より小さいときには、駐車場探し開始特定の際に走行データベクトル（ｘ_ｉ）を考慮しないでおくことを特徴とする方法。
3. 請求項１または２に記載の方法において、
   それぞれの特徴ベクトル（ｍ_ｉ）を算出するために、予め設定された区間を表す特徴ウィンドウ（ｌ_ｆ）内の前記走行データベクトル（ｘ_ｉ）が処理され、
   前記特徴ウィンドウ（ｌ_ｆ）は、現在の測定から、移動してきた区間上において前記予め設定された区間よりかは戻ったところにある第一の測定までの前記走行データベクトル（ｘ_ｉ）をまとめて内包することを特徴とする方法。
4. 請求項１乃至３のいずれか一項に記載の方法において、
   前記特徴ベクトル（ｍ_ｉ）は、特徴成分として、前記速度情報及び前記経路情報に加えて、以下の前記特徴成分、
   移動してきた区間の円形度についての情報、
   移動してきた区間のＰＣＡ円形度についての情報、
   方向転換についての情報、
   目的地非効率性についての情報、
   の一又は二以上を含むことを特徴とする方法。
5. 請求項１乃至４のいずれか一項に記載の方法において、
   前記速度情報は、各特徴ベクトル（ｍ_ｉ）を算出するために考慮された前記走行データベクトル（ｘ_ｉ）の中間速度の中心値及び／又は算術平均であることを特徴とする方法。
6. 請求項１乃至５のいずれか一項に記載の方法において、
   前記経路情報は、経路非効率性とされ、当該経路非効率性は、二つの走行データベクトル（ｘ_ｉ）の位置の間の最短距離に対する実際に走行が行われた距離の比により、前記実際に走行が行われた区間がいかに非効率であるかを示すことを特徴とする方法。
7. 請求項１乃至６のいずれか一項に記載の方法において、
   経路情報として一つの特徴ベクトル（ｍ_ｉ）に関する経路非効率性が処理され、当該経路非効率性が、複数の走行データベクトル（ｘ_ｉ）の、処理された集合について最大であることを特徴とする方法。
8. 請求項１乃至７のいずれか一項に記載の方法において、
   各特徴ベクトル（ｍ_ｉ）のクラス分類のために、前記特徴ベクトル（ｍ_ｉ）が正規化されることを特徴とする方法。
9. 請求項８に記載の方法において、
   正規化された特徴成分を計算するために、ｚ正規化が用いられ、当該ｚ正規化では、各特徴成分に対して平均値と標準偏差とが算出され、これらを用いて特徴成分が変換されることを特徴とする方法。
10. 請求項９に記載の方法において、
    前記特徴成分がベクトルの正射影により減らされ、とりわけ主成分分析を用いることにより減らされることを特徴とする方法。
11. 請求項１乃至１０のいずれか一項に記載の方法において、
    クラス分類子の確率の計算は、ベイズの定理により行われることを特徴とする方法。
12. 請求項１乃至１１のいずれか一項に記載の方法において、
    前記駐車場探しの開始は、前記第一のトラフィックカテゴリー（ｃ_Ｚ）の前記第二のトラフィックカテゴリー（ｃ_Ｐ）への正の移行により定められており、
    前記第二のトラフィックカテゴリー（ｃ_Ｐ）に割り当てられている前記走行データベクトル（ｘ_ｉ）が前記駐車場探しの開始を表すことを特徴とする方法。
13. 請求項１２に記載の方法において、
    後続の前記走行データベクトル（ｘ_ｉ）のクラス分類の結果が常に前記第二のトラフィックカテゴリー（ｃ_Ｐ）を含む限り、駐車場探しの開始として、前記第一のトラフィックカテゴリー（ｃ_Ｚ）の、前記第二のトラフィックカテゴリー（ｃ_Ｐ）への時間的に最後の正の移行が選択されることを特徴とする方法。
14. 請求項１２に記載の方法において、
    予め設定された走行区間（ｌ_ｓ）についての後続の前記走行データベクトル（ｘ_ｉ）のクラス分類の結果が常に前記第二のトラフィックカテゴリー（ｃ_Ｐ）を含んでいる限り、駐車場探しの開始として、前記第一のトラフィックカテゴリー（ｃ_Ｚ）の、前記第二のトラフィックカテゴリー（ｃ_Ｐ）への時間的に最後の正の移行が選択されることを特徴とする方法。
15. 請求項１２に記載の方法において、
    前記駐車場探しの開始は、前記移動してきた区間にわたる前記確率の推移の積分により算出されることを特徴とする方法。
16. デジタル計算機の内部メモリに直接ロードされることができ且つソフトウェアコード部分を備え、これらを用いることにより、当該製品が計算機上で走るときに請求項１乃至１５のいずれか一項に記載の方法が実行されるコンピュータプログラム製品。