JP6743678B2 - ネットワーク状態推定装置及びプログラム - Google Patents
ネットワーク状態推定装置及びプログラム Download PDFInfo
- Publication number
- JP6743678B2 JP6743678B2 JP2016245662A JP2016245662A JP6743678B2 JP 6743678 B2 JP6743678 B2 JP 6743678B2 JP 2016245662 A JP2016245662 A JP 2016245662A JP 2016245662 A JP2016245662 A JP 2016245662A JP 6743678 B2 JP6743678 B2 JP 6743678B2
- Authority
- JP
- Japan
- Prior art keywords
- state
- node
- network
- time
- neural network
- 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.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
Description
本発明の実施の形態は、機械学習モデルであるニューラルネットワーク(シグモイド関数のような微分可能で上限下限がある活性化関数を用いたもの)を用いることによって、物理モデルでは表現できない複雑なノードの依存関係をモデリングすることができ、さらに予測値が発散する(極端に大きいor小さい数値が出る)ことなく高精度に予測が可能となる。また、逐次データを用いてモデルのパラメータが更新可能であり、複雑なネットワークの状態変化に追従することができる。
本発明の第1の実施の形態では、各車両に搭載された車載器からの情報に基づいて、道路ネットワークの状態を推定するネットワーク状態推定装置に本発明を適用した場合を例に説明する。
図1に示すように、第1の実施の形態に係るネットワーク状態推定システム100は、ネットワーク状態推定装置10と、複数の基地局50と、複数の車両に搭載された複数の車載器60とを備え、基地局50とネットワーク状態推定装置10とは、インターネットなどのネットワーク70で接続されており、基地局50と車載器60とは、無線通信により接続されている。
ただし、fは道路リンクの時間発展モデルを表し、HKは、観測モデルを表す。qkはシステム誤差を表し、rkは観測誤差を表す。
はニューラルネットワークのパラメータであり、
は、活性化関数の一例であるシグモイド関数を表し、上限、下限が設定された関数である。
と分散共分散行列
を使って、以下の予測および更新を繰り返す
・・・(1)
・・・(2)
・・・(3)
は、状態
と、ニューラルネットワークのパラメータ
を含むベクトルである。
は、各ノードiに関する分散共分散行列
のみ扱い、道路ネットワークの接続関係がない道路リンク間に対応する要素は無視される。
次に、第1の実施の形態に係るネットワーク状態推定システム100の動作について説明する。まず、ネットワーク状態推定装置10は、ネットワークデータベース14に基づいて、各道路リンクについて、道路リンク間の接続関係に応じて結合関係が制限されたニューラルネットワークを生成する。
<ネットワーク状態推定システムのシステム構成>
次に、第2の実施の形態に係るネットワーク状態推定システムについて説明する。なお、第1の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
次に、第2の実施の形態に係るネットワーク状態推定システムの動作について説明する。
<ネットワーク状態推定システムのシステム構成>
次に、第3の実施の形態に係るネットワーク状態推定システムについて説明する。なお、第1の実施の形態及び第2の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
12 通信部
14 ネットワークデータベース
16、216 ニューラルネットワーク生成部
18 ノードデータ収集部
19 状態パラメータ記憶部
20 状態予測部
22 観測生成部
24 状態パラメータ更新部
26 状態推定結果表示部
50 基地局
60 車載器
70 ネットワーク
100、300 ネットワーク状態推定システム
228 状態推定結果履歴蓄積部
230 ノード間相関計算部
360 通信機器
Claims (8)
- 推定対象のネットワークの各ノードの状態を記憶する状態記憶手段と、
前記推定対象のネットワークの各ノードについて、前記推定対象のネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、処理対象時刻の次の時刻の前記ノードの状態を予測する状態予測手段と、
前記推定対象のネットワークの各ノードについて、前記状態予測手段によって予測された次の時刻の前記ノードの状態に基づいて、観測の予測値を生成する観測生成手段と、
前記推定対象のネットワークの各ノードのうちの少なくとも1つのノードについての観測値を収集するノードデータ収集手段と、
前記ノードデータ収集手段によって観測値が収集されたノードの各々についての、前記観測生成手段によって生成された前記ノードの観測の予測値と、前記ノードの観測値との誤差を表すベクトル、及び行列Kに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新する状態パラメータ更新手段と、
を含み、
前記処理対象時刻を次の時刻に更新して、前記状態予測手段による予測と、前記ノードデータ収集手段による収集と、前記状態パラメータ更新手段による更新とを繰り返す
ネットワーク状態推定装置であって、
前記状態パラメータ更新手段は、以下の式に従って、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新するネットワーク状態推定装置。
ただし、
は、時刻kのノードiの状態、及び前記ニューラルネットワークのパラメータを含む更新後のベクトルであり、
は、予測された時刻kの前記ノードiの状態、及び前記ニューラルネットワークのパラメータを含むベクトルであり、y i,k は、時刻kの前記ノードiの前記観測値であり、H’i, K は、時刻kにおける、前記ノードiの状態を、前記ノードiの前記観測値に変換するための観測モデルを表し、K k は、時刻kにおける前記行列Kを表す。 - 前記ニューラルネットワークは、活性化関数として上限及び下限が設定された関数を用いる請求項1記載のネットワーク状態推定装置。
- 前記状態パラメータ更新手段は、拡張カルマンフィルタの分散共分散行列における、前記推定対象のネットワークの接続関係又は相関関係がないノード間に対応する要素を無視して、前記ノードの状態、及び前記ニューラルネットワークのパラメータを更新する請求項1又は2記載のネットワーク状態推定装置。
- 道路ネットワークの各ノードの状態として平均速度又は所要時間を記憶する状態記憶手段と、
前記道路ネットワークの各ノードについて、前記道路ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、処理対象時刻の次の時刻の前記ノードの状態を予測する状態予測手段と、
前記道路ネットワークの各ノードのうちの少なくとも1つのノードについての平均速度又は所要時間の観測値を収集するノードデータ収集手段と、
前記ノードデータ収集手段によって観測値が収集されたノードの各々についての、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値との誤差を表すベクトル、及び行列Kに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新する状態パラメータ更新手段と、
を含み、
前記処理対象時刻を次の時刻に更新して、前記状態予測手段による予測と、前記ノードデータ収集手段による収集と、前記状態パラメータ更新手段による更新とを繰り返す
ネットワーク状態推定装置であって、
前記状態パラメータ更新手段は、以下の式に従って、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新するネットワーク状態推定装置。
ただし、
は、時刻kのノードiの状態、及び前記ニューラルネットワークのパラメータを含む更新後のベクトルであり、
は、予測された時刻kの前記ノードiの状態、及び前記ニューラルネットワークのパラメータを含むベクトルであり、y i,k は、時刻kの前記ノードiの前記観測値であり、H’i, K は、時刻kにおける、前記ノードiの状態を、前記ノードiの前記観測値に変換するための観測モデルを表し、K k は、時刻kにおける前記行列Kを表す。 - 通信ネットワークの各ノードの状態として通信の遅延時間を記憶する状態記憶手段と、
前記通信ネットワークの各ノードについて、前記通信ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、処理対象時刻の次の時刻の前記ノードの状態を予測する状態予測手段と、
前記通信ネットワークの各ノードのうちの少なくとも1つのノードについての遅延時間の観測値を収集するノードデータ収集手段と、
前記ノードデータ収集手段によって観測値が収集されたノードの各々についての、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値との誤差を表すベクトル、及び行列Kに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新する状態パラメータ更新手段と、
を含み、
前記処理対象時刻を次の時刻に更新して、前記状態予測手段による予測と、前記ノードデータ収集手段による収集と、前記状態パラメータ更新手段による更新とを繰り返す
ネットワーク状態推定装置。 - 推定対象のネットワークの各ノードの状態を記憶する状態記憶手段を含むコンピュータを、
前記推定対象のネットワークの各ノードについて、前記推定対象のネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、処理対象時刻の次の時刻の前記ノードの状態を予測する状態予測手段、
前記推定対象のネットワークの各ノードについて、前記状態予測手段によって予測された次の時刻の前記ノードの状態に基づいて、観測の予測値を生成する観測生成手段、
前記推定対象のネットワークの各ノードのうちの少なくとも1つのノードについての観測値を収集するノードデータ収集手段、及び
前記ノードデータ収集手段によって観測値が収集されたノードの各々についての、前記観測生成手段によって生成された前記ノードの観測の予測値と、前記ノードの観測値との誤差を表すベクトル、及び行列Kに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新する状態パラメータ更新手段
として機能させるためのプログラムであって、
前記処理対象時刻を次の時刻に更新して、前記状態予測手段による予測と、前記ノードデータ収集手段による収集と、前記状態パラメータ更新手段による更新とを繰り返す
プログラムであって、
前記状態パラメータ更新手段は、以下の式に従って、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新するプログラム。
ただし、
は、時刻kのノードiの状態、及び前記ニューラルネットワークのパラメータを含む更新後のベクトルであり、
は、予測された時刻kの前記ノードiの状態、及び前記ニューラルネットワークのパラメータを含むベクトルであり、y i,k は、時刻kの前記ノードiの前記観測値であり、H’i, K は、時刻kにおける、前記ノードiの状態を、前記ノードiの前記観測値に変換するための観測モデルを表し、K k は、時刻kにおける前記行列Kを表す。 - 道路ネットワークの各ノードの状態として平均速度又は所要時間を記憶する状態記憶手段を含むコンピュータを、
前記道路ネットワークの各ノードについて、前記道路ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、処理対象時刻の次の時刻の前記ノードの状態を予測する状態予測手段、
前記道路ネットワークの各ノードのうちの少なくとも1つのノードについての平均速度又は所要時間の観測値を収集するノードデータ収集手段、及び
前記ノードデータ収集手段によって観測値が収集されたノードの各々についての、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値との誤差を表すベクトル、及び行列Kに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新する状態パラメータ更新手段
として機能させるためのプログラムであって、
前記処理対象時刻を次の時刻に更新して、前記状態予測手段による予測と、前記ノードデータ収集手段による収集と、前記状態パラメータ更新手段による更新とを繰り返す
プログラムであって、
前記状態パラメータ更新手段は、以下の式に従って、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新するプログラム。
ただし、
は、時刻kのノードiの状態、及び前記ニューラルネットワークのパラメータを含む更新後のベクトルであり、
は、予測された時刻kの前記ノードiの状態、及び前記ニューラルネットワークのパラメータを含むベクトルであり、y i,k は、時刻kの前記ノードiの前記観測値であり、H’i, K は、時刻kにおける、前記ノードiの状態を、前記ノードiの前記観測値に変換するための観測モデルを表し、K k は、時刻kにおける前記行列Kを表す。 - 通信ネットワークの各ノードの状態として通信の遅延時間を記憶する状態記憶手段を含むコンピュータを、
前記通信ネットワークの各ノードについて、前記通信ネットワークのノード間の接続関係又は相関関係に応じて結合関係が制限されたニューラルネットワークと、前記状態記憶手段に記憶された状態とを用いて、処理対象時刻の次の時刻の前記ノードの状態を予測する状態予測手段、
前記通信ネットワークの各ノードのうちの少なくとも1つのノードについての遅延時間の観測値を収集するノードデータ収集手段、及び
前記ノードデータ収集手段によって観測値が収集されたノードの各々についての、前記状態予測手段によって予測された次の時刻の前記ノードの状態と、前記ノードの観測値との誤差を表すベクトル、及び行列Kに基づいて、前記ノードの状態、及び前記ニューラルネットワークのパラメータを含むベクトルを更新する状態パラメータ更新手段
として機能させるためのプログラムであって、
前記処理対象時刻を次の時刻に更新して、前記状態予測手段による予測と、前記ノードデータ収集手段による収集と、前記状態パラメータ更新手段による更新とを繰り返す
プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016245662A JP6743678B2 (ja) | 2016-12-19 | 2016-12-19 | ネットワーク状態推定装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016245662A JP6743678B2 (ja) | 2016-12-19 | 2016-12-19 | ネットワーク状態推定装置及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018101205A JP2018101205A (ja) | 2018-06-28 |
JP6743678B2 true JP6743678B2 (ja) | 2020-08-19 |
Family
ID=62715443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016245662A Active JP6743678B2 (ja) | 2016-12-19 | 2016-12-19 | ネットワーク状態推定装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6743678B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7158288B2 (ja) * | 2019-01-10 | 2022-10-21 | 株式会社日立製作所 | 交通状態推定システム、及び交通状態推定方法 |
CN111652434B (zh) * | 2020-06-02 | 2023-09-29 | 百度在线网络技术(北京)有限公司 | 路网数据处理方法、装置、电子设备及计算机存储介质 |
CN114157578B (zh) * | 2021-11-24 | 2023-10-31 | 北京达佳互联信息技术有限公司 | 网络状态预测方法及装置 |
-
2016
- 2016-12-19 JP JP2016245662A patent/JP6743678B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018101205A (ja) | 2018-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
US8755991B2 (en) | Method and structure for vehicular traffic prediction with link interactions and missing real-time data | |
WO2012066951A1 (ja) | データ処理装置、データ処理方法、およびプログラム | |
JP6743678B2 (ja) | ネットワーク状態推定装置及びプログラム | |
JP2012008659A (ja) | データ処理装置、データ処理方法、およびプログラム | |
JP5070574B2 (ja) | 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム | |
CN115330357B (zh) | 智能立体车库数据管理方法、装置、设备及存储介质 | |
Abidin et al. | Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models | |
Akabane et al. | Modeling and prediction of vehicle routes based on hidden markov model | |
CN115884895A (zh) | 用于预报电动车辆车队的车辆电池的剩余使用寿命的方法 | |
CN113537580A (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
JPWO2017033443A1 (ja) | 渋滞予測システム、渋滞予測方法、及び、プログラム | |
CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
Samaranayake et al. | Learning the dependency structure of highway networks for traffic forecast | |
CN113784380B (zh) | 一种采用图注意力网络与融合邻域的拓扑预测方法 | |
Andersen et al. | A comparison of different approaches to dynamic origin-destination matrix estimation in urban traffic | |
KR102545188B1 (ko) | 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치 | |
Gratzer et al. | Short-term collision estimation by stochastic predictions in multi-agent intersection traffic | |
Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
Udhan et al. | Vehicle Route Planning using Dynamically Weighted Dijkstra's Algorithm with Traffic Prediction | |
Saeedmanesh et al. | A real-time state estimation approach for multi-region MFD traffic systems based on extended Kalman filter | |
CN109379058B (zh) | 基于平方根容积信息一致的分布式非线性状态估计方法 | |
JP6926978B2 (ja) | パラメータ推定装置、トリップ予測装置、方法、及びプログラム | |
JP6905888B2 (ja) | 流量予測装置、方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180502 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190523 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190611 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190813 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200121 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200407 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20200414 |
|
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: 20200630 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200713 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6743678 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |