JP6885063B2 - 情報処理装置、情報処理システム、及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理システム、及びプログラムに関する。

従来、高速道路等の道路の対象区間の通過にかかる時間である所要時間を予測することが行われている。このような予測により得られる所要時間の予測値は、例えばドライバへ通知されることによって、交通に関する有用な情報として活用される。そして、近年において所要時間の予測に関する種々の技術が提案されている。

例えば、特許文献１には、現時点までの所要時間の実績値を用いて、走行所要時間の変化率を利用する等の方法によって所要時間を予測する技術が開示されている。

また、特許文献２には、過去のある１日の一定時間帯における交通量の推移の実績と当日の交通量の推移の実績とをパターンマッチングすることにより当日の将来の交通量の推移を予測することによって所要時間を予測する技術が開示されている。

また、非特許文献１には、対象区間における交通量である交通密度と所要時間の予測値である予測所要時間との関係を規定するモデルとして米国道路局が開発したＢＰＲ関数を用いて所要時間を予測する技術が開示されている。

特開２００４−１１８７００号公報 特開２００５−１３５２８２号公報

吉岡伸也他、「一般道路における旅行時間データの収集及び処理方法に関する検討」、土木計画学研究・講演集 Ｖｏｌ．４０ ＣＤ−ＲＯＭ、２００９年発行

ところで、従来の所要時間の予測では、予測精度を十分に確保することが困難となる場合がある。例えば、特許文献１及び特許文献２に開示する技術では、走行所要時間又は交通量等の交通に関する実測値の現時点までの推移に応じて所要時間の予測が行われるので、１日の中で時間経過に伴って予測を繰り返すリアルタイムな予測についての予測結果は交通に関する実測値の過去の推移に依存しやすい。ここで、車線規制等の車両の通行に制限を与えるイベントの発生に起因する渋滞では、イベントの発生によらずに自然に発生する渋滞である自然渋滞と比較して所要時間が急峻に変化しやすい。ゆえに、イベントの発生に起因する渋滞が生じた場合において、リアルタイムな予測について実際の所要時間の変化に対する応答性が低下し得る。また、特許文献３に開示する技術では、交通に関する実測値の過去の推移を利用することなく所要時間の予測を行うことができるが、渋滞が生じた場合において予測精度を十分に確保することが困難となり得る。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、道路の対象区間についての所要時間の予測精度を向上させることが可能な、新規かつ改良された情報処理装置、情報処理システム、及びプログラムを提供することにある。

上記課題を解決するために、本発明のある観点によれば、道路の対象区間において車両の通行に制限を与えるイベントの発生を示す情報を取得する取得部と、前記対象区間における交通量に相当する交通密度と前記対象区間の通過にかかる時間の予測値に相当する予測所要時間との関係を規定するモデルに含まれるパラメータを、学習によって前記イベントと対応させて決定する決定部と、前記対象区間において前記イベントが発生しているときに、前記イベントと対応する前記パラメータを適用した前記モデルと前記交通密度を用いて前記予測所要時間を算出する予測部と、を備える、情報処理装置が提供される。

前記モデルは、前記交通密度が閾値以下である場合における前記交通密度と前記予測所要時間との関係を規定する自由流モデル及び前記交通密度が前記閾値を超える場合における前記交通密度と前記予測所要時間との関係を規定する渋滞流モデルを含み、前記予測部は、前記交通密度が前記閾値以下である場合、前記モデルとして前記自由流モデルを用いて前記予測所要時間を算出し、前記交通密度が前記閾値を超える場合、前記モデルとして前記渋滞流モデルを用いて前記予測所要時間を算出してもよい。

前記自由流モデルでは、前記予測所要時間は前記交通密度の増加とともに指数関数的に増加するように規定され、前記渋滞流モデルでは、前記予測所要時間は前記交通密度に比例して増加するように規定されてもよい。

前記決定部は、複数の前記対象区間の各々について、前記学習によって前記パラメータを前記イベントと対応させて決定し、前記予測部は、一の前記対象区間において前記イベントが発生しているときに、当該一の前記対象区間について前記学習が未完了である場合、他の前記対象区間についての前記イベントと対応する前記パラメータを適用した前記モデルを用いて当該一の前記対象区間についての前記予測所要時間を算出してもよい。

前記決定部は、前記学習によって前記パラメータを複数の前記イベントと対応させて決定し、前記予測部は、前記対象区間において当該複数の前記イベントが発生しているときに、当該複数の前記イベントと対応する前記パラメータを適用した前記モデルを用いて前記予測所要時間を算出してもよい。

前記イベントは、前記対象区間における通行可能な車線数の変更を含んでもよい。

前記イベントは、前記対象区間における制限速度の変更を含んでもよい。

前記予測部は、前記対象区間の通過にかかった時間の実績値に相当する実績所要時間に基づいて、前記交通密度を算出する交通密度算出部を備えてもよい。

前記決定部は、前記対象区間において前記イベントが発生していた期間における前記実績所要時間及び前記交通密度に基づく前記学習によって、前記パラメータを前記イベントと対応させて決定してもよい。

また、上記課題を解決するために、本発明の別の観点によれば、情報処理装置と、道路の対象区間の上流端及び下流端の各地点における車両の通過をそれぞれ検出する複数の車両検出装置と、前記対象区間において前記車両の通行に制限を与えるイベントの発生を検出するイベント検出装置と、を含む情報処理システムにおいて、前記情報処理装置は、前記イベントの発生を示す情報を前記イベント検出装置から取得する取得部と、前記対象区間における交通量に相当する交通密度と前記対象区間の通過にかかる時間の予測値に相当する予測所要時間との関係を規定するモデルに含まれるパラメータを、前記複数の車両検出装置による検出結果に基づく学習によって前記イベントと対応させて決定する決定部と、前記対象区間において前記イベントが発生しているときに、前記イベントと対応する前記パラメータを適用した前記モデルと、前記複数の車両検出装置による検出結果に基づいて算出した前記交通密度とを用いて前記予測所要時間を算出する予測部と、を備える、情報処理システムが提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、道路の対象区間において車両の通行に制限を与えるイベントの発生を示す情報を取得する取得部と、前記対象区間における交通量に相当する交通密度と前記対象区間の通過にかかる時間の予測値に相当する予測所要時間との関係を規定するモデルに含まれるパラメータを、学習によって前記イベントと対応させて決定する決定部と、前記対象区間において前記イベントが発生しているときに、前記イベントと対応する前記パラメータを適用した前記モデルと前記交通密度を用いて前記予測所要時間を算出する予測部と、として機能させるためのプログラムが提供される。

以上説明したように本発明によれば、道路の対象区間についての所要時間の予測精度を向上させることができる。

本発明の実施形態に係る所要時間予測システムの概略構成の一例を示すブロック図である。 同実施形態に係る車両検出装置の配置の一例を示す模式図である。 同実施形態に係る車両検出装置が行う車両検出処理の流れの一例を示すフローチャートである。 同実施形態に係る所要時間予測装置の機能構成の一例を示すブロック図である。 自由流モデルにおける交通密度と予測所要時間との関係の一例を示す説明図である。 渋滞流モデルにおける交通密度と予測所要時間との関係の一例を示す説明図である。 同実施形態に係るパラメータ記憶部に記憶される情報のデータ形式の一例を示す説明図である。 統合パラメータの算出の一例について説明するための説明図である。 同実施形態に係る所要時間予測装置の車両情報生成部が行う車両情報の生成及び記憶処理の流れの一例を示すフローチャートである。 同実施形態に係る所要時間予測装置の通信部が行うイベント情報の記憶処理の流れの一例を示すフローチャートである。 同実施形態に係る所要時間予測装置の予測部が行う所要時間の予測処理の流れの一例を示すフローチャートである。 同実施形態に係る予測部の実績所要時間算出部が行う実績所要時間の算出処理の流れの一例を示すフローチャートである。 同実施形態に係る予測部の交通密度算出部が行う交通密度の算出処理の流れの一例を示すフローチャートである。 同実施形態に係る予測部の予測所要時間算出部が行う予測所要時間の算出処理の流れの一例を示すフローチャートである。 同実施形態に係る所要時間予測装置の決定部が行うパラメータの決定処理の流れの一例を示すフローチャートである。 同実施形態に係る所要時間予測装置の決定部が行うキロ当たり自由旅行時間の算出処理の流れの一例を示すフローチャートである。 同実施形態に係る所要時間予測装置の決定部が行う自由流最大交通密度の算出処理の流れの一例を示すフローチャートである。 同実施形態に係る所要時間予測装置の決定部が行う他のパラメータの算出処理の流れの一例を示すフローチャートである。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．所要時間予測システムの概略＞
まず、図１〜図３を参照して、本発明の実施形態に係る所要時間予測システム１の概略構成について説明する。図１は、本実施形態に係る所要時間予測システム１の概略構成の一例を示すブロック図である。図２は、本実施形態に係る車両検出装置２０ａ，２０ｂ，２０ｃ，２０ｄの配置の一例を示す模式図である。

所要時間予測システム１は、本発明に係る情報処理システムに相当する。所要時間予測システム１は、例えば、図１に示したように、所要時間予測装置１０と、車両検出装置２０ａ，２０ｂ，２０ｃ，２０ｄと、イベント検出装置３０と、を含む。所要時間予測装置１０は、車両検出装置２０ａ，２０ｂ，２０ｃ，２０ｄ及びイベント検出装置３０の各々と有線又は無線の通信ネットワークＮ１を介して相互に通信可能である。なお、車両検出装置２０ａ，２０ｂ，２０ｃ，２０ｄの各々を、特に区別しない場合には、単に車両検出装置２０とも称する。また、車両検出装置２０の数は、２以上であればよく、図１に示した数に特に限定されない。

複数の車両検出装置２０は、道路の対象区間の上流端及び下流端の各地点における車両の通過をそれぞれ検出する。本明細書において、対象区間との用語は、所要時間の予測の対象となる区間を意味する。車両検出装置２０は、例えば、対象区間の上流端の地点である始点及び対象区間の下流端の地点である終点にそれぞれ各１つ設置される。

ここで、所要時間の予測の対象となる道路は、複数の対象区間に区分けされ得る。具体的には、図２に示したように、複数の連続する区間Ｌ００１，Ｌ００２，Ｌ００３がそれぞれ対象区間として適用され得る。例えば、区間Ｌ００１，Ｌ００２，Ｌ００３は、この順に車両の流れに沿って配置され得る。区間Ｌ００１，Ｌ００２，Ｌ００３には、対象区間の識別情報である区間ＩＤとしてそれぞれＬ００１，Ｌ００２，Ｌ００３が割り当てられ得る。

車両検出装置２０ａ，２０ｂ，２０ｃ，２０ｄは、具体的には、図２に示したように、区間Ｌ００１の始点である地点Ｐ００１、区間Ｌ００１の終点かつ区間Ｌ００２の始点である地点Ｐ００２、区間Ｌ００２の終点かつ区間Ｌ００３の始点である地点Ｐ００３、及び区間Ｌ００３の終点である地点Ｐ００４にそれぞれ設置される。地点Ｐ００１，Ｐ００２，Ｐ００３，Ｐ００４には、地点の識別情報である地点ＩＤとしてそれぞれＰ００１，Ｐ００２，Ｐ００３，Ｐ００４が割り当てられ得る。互いに隣接する対象区間は連続せずに間隔を空けて設けられてもよく、その場合、上流側の区間の終点と下流側の区間の始点は一致しない。

車両検出装置２０は、設置された地点における車両の通過をそれぞれ検出する。例えば、車両検出装置２０は、設置された地点を通過した車両の識別情報である車両ＩＤを検出する。車両検出装置２０は、車両と通信を行うことによって車両ＩＤを検出してもよく、車両のナンバープレートを撮像し得られた画像に画像処理を施すことによって車両ＩＤを検出してもよい。また、車両検出装置２０は、当該車両検出装置２０の識別情報である装置ＩＤを記憶し得る。車両検出装置２０ａ，２０ｂ，２０ｃ，２０ｄには、装置ＩＤとしてそれぞれＴ００１，Ｔ００２，Ｔ００３，Ｔ００４が割り当てられ得る。

また、車両検出装置２０は、設置された地点を車両が通過した場合に、車両の通過の検出結果を所要時間予測装置１０へ送信する。例えば、車両検出装置２０は、車両の通過が検出された日時である検出日時、記憶する装置ＩＤ及び検出された車両の車両ＩＤを示す情報を検出結果として所要時間予測装置１０へ送信する。

具体的には、２０１６年５月５日１２時３４分５６秒に車両ＩＤとしてＹ０１２３を検出した場合、車両検出装置２０ａは、検出結果として「検出日時＝２０１６／０５／０５ １２：３４：５６；装置ＩＤ＝Ｔ００１；車両ＩＤ＝Ｙ０１２３」といった情報を所要時間予測装置１０へ送信し得る。

ここで、図３を参照して、本実施形態に係る車両検出装置２０が行う車両検出処理の流れについて説明する。図３は、本実施形態に係る車両検出装置２０が行う車両検出処理の流れの一例を示すフローチャートである。図３に示したように、車両検出装置２０は、設置された地点を車両が通過したか否かを判定する（ステップＳ２０１）。設置された地点を車両が通過したと判定されなかった場合（ステップＳ２０１／ＮＯ）、ステップＳ２０１の判定処理が繰り返される。一方、設置された地点を車両が通過したと判定された場合（ステップＳ２０１／ＹＥＳ）、車両検出装置２０は、検出した車両の車両ＩＤを取得する（ステップＳ２０３）。そして、車両検出装置２０は、検出日時、装置ＩＤ及び車両ＩＤを示す検出結果を所要時間予測装置１０へ送信し（ステップＳ２０５）、図３に示した処理は終了する。

イベント検出装置３０は、対象区間において車両の通行に制限を与えるイベントの発生を検出する。また、イベント検出装置３０は、発生したイベントに関する情報であるイベント情報を所要時間予測装置１０へ送信する。本明細書において、イベントとの用語は、対象区間において車両の通行に制限を与える事象を意味する。例えば、イベントは、対象区間における通行可能な車線数の変更を含む。また、イベントは、対象区間における制限速度の変更を含んでもよい。

例えば、イベント検出装置３０は、発生したイベントの種別であるイベント種別、イベントが発生した区間及びイベントの発生の開始日時を示す情報をイベント情報として所要時間予測装置１０へ送信する。

具体的には、２０１６年５月５日１２時１２分００秒に区間Ｌ００１においてイベントとしての１車線規制の発生が開始した場合、イベント検出装置３０は、イベント情報として「イベント種別＝１車線規制；区間ＩＤ＝Ｌ００１；開始日時＝２０１６／０５／０５ １２：１２：００」といった情報を所要時間予測装置１０へ送信し得る。

また、イベント検出装置３０は、イベントの発生が終了した場合、イベント情報としてイベントの発生の終了日時を追加した情報を所要時間予測装置１０へ送信する。

具体的には、２０１６年５月５日１３時３３分００秒に区間Ｌ００１において１車線規制の発生が終了した場合、イベント検出装置３０は、イベント情報として「イベント種別＝１車線規制；区間ＩＤ＝Ｌ００１；開始日時＝２０１６／０５／０５ １２：１２：００；終了日時＝２０１６／０５／０５ １３：３３：００」といった情報を所要時間予測装置１０へ送信し得る。

所要時間予測装置１０は、本発明に係る情報処理装置に相当する。所要時間予測装置１０は、演算処理装置であるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＣＰＵが使用するプログラムや演算パラメータ等を記憶するＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＰＵの実行において適宜変化するパラメータ等を一時記憶するＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を備える。

所要時間予測装置１０は、対象区間の通過にかかる時間である所要時間の予測を行う。具体的には、所要時間予測装置１０は、対象区間における交通量に相当する交通密度と所要時間の予測値に相当する予測所要時間との関係を規定するモデルを用いて予測所要時間を算出する。例えば、所要時間予測装置１０は、車両検出装置２０及びイベント検出装置３０から受信した情報を利用して予測所要時間を算出する。また、所要時間予測装置１０は、算出した予測所要時間をドライバが利用する公共施設又はドライバの車両へ送信する。それにより、予測所要時間が、ドライバへ通知されることによって、交通に関する有用な情報として活用される。

本実施形態に係る所要時間予測装置１０は、モデルに含まれるパラメータを学習によってイベントと対応させて決定し、対象区間においてイベントが発生しているときにイベントと対応するパラメータを適用したモデルを用いて予測所要時間を算出する。それにより、道路の対象区間についての所要時間の予測精度を向上させることができる。このような所要時間予測装置１０については、次節にて詳細に説明する。

＜２．所要時間予測装置＞
続いて、図４〜図１８を参照して、本実施形態に係る所要時間予測装置１０について説明する。

［２−１．機能構成］
まず、図４〜図８を参照して、本実施形態に係る所要時間予測装置１０の機能構成について説明する。図４は、本実施形態に係る所要時間予測装置１０の機能構成の一例を示すブロック図である。

所要時間予測装置１０は、例えば、図４に示したように、通信部１１０と、記憶部１２０と、車両情報生成部１３０と、予測部１４０と、決定部１５０と、を備える。

（通信部）
通信部１１０は、所要時間予測装置１０の外部の装置と通信する。例えば、通信部１１０は、車両検出装置２０から送信される車両の通過の検出結果を受信し、車両情報生成部１３０へ出力する。また、通信部１１０は、イベント検出装置３０から送信されるイベント情報を受信し、記憶部１２０に記憶させる。このように、通信部１１０は、イベントの発生を示す情報を取得する本発明に係る取得部に相当する。また、通信部１１０は、予測部１４０により算出される予測所要時間を示す情報をドライバが利用する公共施設又はドライバの車両へ送信してもよい。

（記憶部）
記憶部１２０は、所要時間予測装置１０が行う各種処理のために参照されるデータを記憶する。記憶部１２０は、例えば、図４に示したように、区間情報記憶部１２１と、車両情報記憶部１２２と、イベント情報記憶部１２３と、実績所要時間記憶部１２４と、交通密度記憶部１２５と、パラメータ記憶部１２６と、を備える。

区間情報記憶部１２１は、道路の対象区間に関する情報である区間情報を記憶する。区間情報は、車両情報生成部１３０が行う車両情報の生成及び記憶処理に用いられる。

例えば、区間情報記憶部１２１は、各対象区間の始点又は終点の地点について、地点ＩＤ、地点の名称である地点名、道路の基準地点からの距離を示すキロポスト及び設置されている車両検出装置２０の装置ＩＤを示す情報を区間情報として記憶する。

具体的には、区間情報記憶部１２１は、地点Ｐ００１について、区間情報として「地点ＩＤ＝Ｐ００１；地点名＝Ａ、下り；キロポスト＝０．００；装置ＩＤ＝Ｔ００１」といった情報を記憶し得る。また、区間情報記憶部１２１は、地点Ｐ００２について、区間情報として「地点ＩＤ＝Ｐ００２；地点名＝Ｂ、下り；キロポスト＝１０．００；装置ＩＤ＝Ｔ００２」といった情報を記憶し得る。

また、区間情報記憶部１２１は、各対象区間について、区間ＩＤ、区間の名称である区間名、始点の地点ＩＤである始点ＩＤ、終点の地点ＩＤである終点ＩＤ及び車線数を示す情報を区間情報として記憶する。

具体的には、区間情報記憶部１２１は、区間Ｌ００１について、区間情報として「区間ＩＤ＝Ｌ００１；区間名＝Ａ〜Ｂ（下り）；始点ＩＤ＝Ｐ００１、終点ＩＤ＝Ｐ００２；車線数＝２」といった情報を記憶し得る。

車両情報記憶部１２２は、車両の各地点についての通過日時を示す情報である車両情報を記憶する。車両情報は、予測部１４０が行う所要時間の予測処理及び決定部１５０が行うパラメータの決定処理に用いられる。車両情報は、車両情報生成部１３０によって生成される。車両情報の詳細については、車両情報生成部１３０の説明にて後述する。

イベント情報記憶部１２３は、イベント情報を記憶する。イベント情報は、予測部１４０が行う所要時間の予測処理及び決定部１５０が行うパラメータの決定処理に用いられる。イベント情報は、通信部１１０によって取得される。通信部１１０は、例えば、設定時間（例えば、１分）間隔でイベント検出装置３０からイベント情報を受信し、イベント情報記憶部１２３に記憶させる。

実績所要時間記憶部１２４は、対象区間の通過にかかった時間の実績値に相当する実績所要時間に関する情報を記憶する。実績所要時間に関する情報は、予測部１４０が行う所要時間の予測処理及び決定部１５０が行うパラメータの決定処理に用いられる。実績所要時間に関する情報は、予測部１４０の実績所要時間算出部１４１によって生成される。実績所要時間に関する情報の詳細については、実績所要時間算出部１４１の説明にて後述する。

交通密度記憶部１２５は、対象区間における交通量に相当する交通密度を示す情報を記憶する。交通密度を示す情報は、予測部１４０が行う所要時間の予測処理及び決定部１５０が行うパラメータの決定処理に用いられる。交通密度を示す情報は、予測部１４０の交通密度算出部１４２によって生成される。交通密度を示す情報の詳細については、交通密度算出部１４２の説明にて後述する。

パラメータ記憶部１２６は、交通密度と予測所要時間との関係を規定するモデルに含まれるパラメータを記憶する。モデルは、予測部１４０が行う所要時間の予測処理に用いられる。モデルに含まれるパラメータは、決定部１５０が行うパラメータの決定処理によって決定される。

例えば、モデルは自由流モデル及び渋滞流モデルを含み、パラメータ記憶部１２６は各モデルについてパラメータを記憶する。

自由流モデルは、交通密度が閾値としての自由流最大交通密度以下である場合における交通密度と予測所要時間との関係を規定する。自由流最大交通密度は、交通密度と予測所要時間との関係が自由流モデル又は後述する渋滞流モデルのいずれにより規定される関係に近いかを判定するための指標である。自由流モデルは、例えば、米国道路局が開発したＢＰＲ関数であり、以下の式（１）によって表される。

式（１）において、Ｔ１、Ｑ、Ｌ、Ｔ０、Ｃ、α及びβは、それぞれ予測所要時間、交通密度、対象区間の距離、キロ当たり自由旅行時間、自由流最大交通密度、傾きと称されるパラメータ及び曲率と称されるパラメータを示す。キロ当たり自由旅行時間は、交通密度が０である場合における予測所要時間に相当する。図５では、式（１）によって表される自由流モデルにおける交通密度と予測所要時間との関係の一例が示されている。自由流モデルでは、例えば、予測所要時間は交通密度の増加とともに指数関数的に増加するように規定される。パラメータ記憶部１２６は、自由流モデルに含まれるパラメータとして、キロ当たり自由旅行時間Ｔ０、自由流最大交通密度Ｃ、傾きα及び曲率βを記憶する。

渋滞流モデルは、交通密度が閾値としての自由流最大交通密度を超える場合における交通密度と予測所要時間との関係を規定する。渋滞流モデルは、例えば、交通密度と予測所要時間との関係を直線近似した関数であり、以下の式（２）によって表される。

式（２）において、Ｔ１、Ｑ、Ｌ、ａ及びｂは、それぞれ予測所要時間、交通密度、対象区間の距離、傾きと称されるパラメータ及び切片と称されるパラメータを示す。図６では、式（２）によって表される渋滞流モデルにおける交通密度と予測所要時間との関係の一例が示されている。渋滞流モデルでは、例えば、予測所要時間は交通密度に比例して増加するように規定される。パラメータ記憶部１２６は、渋滞流モデルに含まれるパラメータとして、傾きａ及び切片ｂを記憶する。

本実施形態に係る所要時間予測装置１０では、決定部１５０は、パラメータを学習によってイベントと対応させて決定し、パラメータ記憶部１２６は、イベントと対応させてパラメータを記憶する。パラメータ記憶部１２６は、対象区間又は車線数と対応させてパラメータを記憶してもよい。また、パラメータ記憶部１２６は、複数のイベントと対応させてパラメータを記憶してもよい。

図７は、パラメータ記憶部１２６に記憶される情報のデータ形式の一例を示す説明図である。パラメータ記憶部１２６は、例えば、図７に示したように、決定木の形式で情報を記憶する。図７において、角丸矩形によって分岐条件であるノードが示されており、矩形によってリーフが示されている。なお、図７では、分岐の一部が省略されて示されている。

ノードの配置は、例えば、所要時間へ与える影響の大きいノードほど分岐の上流側に位置するように構成される。具体的には、図７に示した決定木は、まずイベントとしての交通規制について分岐し、次に車線数について分岐し、次に交通規制以外のイベントについて分岐し、対象区間について分岐する。交通規制は、通行止め又は１車線規制等の対象区間における通行可能な車線数の変更と、５０キロ制限等の対象区間における通行可能な車線数の変更とを含む。また、交通規制以外のイベントは、交通規制と比較して所要時間へ与える影響が小さく、例えば、横風、霧、雪又は雨等の環境に関する事象を含む。各リーフは、具体的には、自由流モデルのキロ当たり自由旅行時間Ｔ０、自由流最大交通密度Ｃ、傾きα及び曲率β並びに渋滞流モデルの傾きａ及び切片ｂである。

なお、パラメータ記憶部１２６に記憶される情報のデータ形式は、決定木の形式に特に限定されず、他の形式であってもよい。例えば、データ形式として、イベント、対象区間及び車線と、ラメータとが各行について紐付けられたテーブルの形式が適用されてもよい。

（車両情報生成部）
車両情報生成部１３０は、通信部１１０が車両検出装置２０による検出結果を受信した場合に、区間情報記憶部１２１から区間情報を取得し、車両検出装置２０による検出結果及び区間情報に基づいて車両情報を生成し、車両情報記憶部１２２に記憶させる。

例えば、車両情報生成部１３０は、車両の通過が検出された検出日時、車両の通過を検出した車両検出装置２０が設置されている地点の地点ＩＤ及び検出された車両の車両ＩＤを示す情報を車両情報として生成する。

具体的には、車両情報生成部１３０は、車両検出装置２０による検出結果として「検出日時＝２０１６／０５／０５ １２：３４：５６；装置ＩＤ＝Ｔ００１；車両ＩＤ＝Ｙ０１２３」といった情報が受信された場合、車両情報として「検出日時＝２０１６／０５／０５ １２：３４：５６；地点ＩＤ＝Ｐ００１；車両ＩＤ＝Ｙ０１２３」といった情報を生成し、車両情報記憶部１２２に記憶させ得る。また、車両情報生成部１３０は、車両検出装置２０による検出結果として「検出日時＝２０１６／０５／０５ １３：２０：００；装置ＩＤ＝Ｔ００２；車両ＩＤ＝Ｙ０１２３」といった情報が受信された場合、車両情報として「検出日時＝２０１６／０５／０５ １３：２０：００；地点ＩＤ＝Ｐ００２；車両ＩＤ＝Ｙ０１２３」といった情報を生成し、車両情報記憶部１２２に記憶させ得る。

（予測部）
予測部１４０は、所要時間の予測処理を実行する。例えば、予測部１４０は、設定時間（例えば、１分）間隔で、複数の対象区間の各々について所要時間の予測処理を実行する。なお、以下では、理解を容易にするために、対象区間としての区間Ｌ００１についての所要時間の予測処理について主に説明する。予測部１４０は、例えば、図４に示したように、実績所要時間算出部１４１と、交通密度算出部１４２と、予測所要時間算出部１４３と、を備える。

実績所要時間算出部１４１は、実績所要時間の算出処理を実行する。実績所要時間は、交通密度算出部１４２による交通密度の算出処理に用いられる。

例えば、実績所要時間算出部１４１は、現時刻（例えば、２０１６年５月５日１３時２０分）から設定時間（例えば、５分）前の時刻までの間に区間Ｌ００１の終点である地点Ｐ００２を通過した車両の各々について実績所要時間を算出する。具体的には、実績所要時間算出部１４１は、現時刻から設定時間前の時刻までの間に地点Ｐ００２を通過した各車両について、地点Ｐ００２及び区間Ｌ００１の始点である地点Ｐ００１についての車両情報を車両情報記憶部１２２から抽出し、抽出した車両情報に基づいて実績所要時間を算出する。

より具体的には、車両ＩＤとしてＹ０１００を割り当てられた車両が現時刻から設定時間前の時刻までの間に地点Ｐ００２を通過した場合、実績所要時間算出部１４１は、車両情報として「検出日時＝２０１６／０５／０５ １３：１９：５９；地点ＩＤ＝Ｐ００２；車両ＩＤ＝Ｙ０１００」及び「検出日時＝２０１６／０５／０５ １２：３３：３３；地点ＩＤ＝Ｐ００１；車両ＩＤ＝Ｙ０１００」といった情報を抽出し得る。また、車両ＩＤとしてＹ０１２３を割り当てられた車両が現時刻から設定時間前の時刻までの間に地点Ｐ００２を通過した場合、実績所要時間算出部１４１は、車両情報として「検出日時＝２０１６／０５／０５ １３：２０：００；地点ＩＤ＝Ｐ００２；車両ＩＤ＝Ｙ０１２３」及び「検出日時＝２０１６／０５／０５ １２：３４：５６；地点ＩＤ＝Ｐ００１；車両ＩＤ＝Ｙ０１２３」といった情報を抽出し得る。

また、実績所要時間算出部１４１は、各車両について実績所要時間を算出し、例えば、区間ＩＤ、車両ＩＤ、始点についての検出日時である始点検出日時、終点についての検出日時である終点検出日時及び実績所要時間を示す情報を実績所要時間記憶部１２４に記憶させる。

具体的には、実績所要時間算出部１４１は、このような情報として「区間ＩＤ＝Ｌ００１；車両ＩＤ＝Ｙ０１００；始点検出日時＝２０１６／０５／０５ １２：３３：３３；終点検出日時＝２０１６／０５／０５ １３：１９：５９；実績所要時間＝４６分２６秒」及び「区間ＩＤ＝Ｌ００１；車両ＩＤ＝Ｙ０１２３；始点検出日時＝２０１６／０５／０５ １２：３４：５６；終点検出日時＝２０１６／０５／０５ １３：２０：００；実績所要時間＝４５分０４秒」といった情報を実績所要時間記憶部１２４に記憶させ得る。

また、実績所要時間算出部１４１は、実績所要時間の代表値を算出する。実績所要時間の代表値は、実績所要時間のうち比較的頻度が高い値である。

例えば、実績所要時間算出部１４１は、算出した実績所要時間を複数の階級に区分けしてヒストグラムを作成し、頻度が最も高い階級の中央値を実績所要時間の代表値として算出する。実績所要時間算出部１４１は、スタージェスの公式を用いて階級数を決定してもよく、その場合、実績所要時間のうちの最小値と最大値との差を階級数で除して得られる値を各階級の時間幅として決定してもよい。また、実績所要時間算出部１４１は、算出した実績所要時間のうち過剰に大きな値等の異常値、昇順に並べた場合の上位の一部又は下位の一部を利用せずにヒストグラムを作成してもよい。

具体的には、頻度が最も高い階級が４６．０分から４７．４分までの時間幅の階級である場合、実績所要時間算出部１４１は、実績所要時間の代表値として４６．７分を算出し得る。

また、実績所要時間算出部１４１は、例えば、区間ＩＤ、実績所要時間の算出対象の車両が地点Ｐ００１を通過した時間のうち最も早い時刻である代表始点検出日時、実績所要時間の算出対象の車両が地点Ｐ００２を通過した時間のうち最も遅い時刻である代表終点検出日時及び実績所要時間の代表値を示す情報を実績所要時間記憶部１２４に記憶させる。

具体的には、実績所要時間算出部１４１は、このような情報として「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０５ １２：３３：１８；代表終点検出日時＝２０１６／０５／０５ １３：２０：００；実績所要時間の代表値＝４６．７分」といった情報を実績所要時間記憶部１２４に記憶させ得る。

交通密度算出部１４２は、交通密度の算出処理を実行する。交通密度は、予測所要時間算出部１４３による予測所要時間の算出処理に用いられる。交通密度算出部１４２は、実績所要時間に基づいて、交通密度を算出する。

例えば、交通密度算出部１４２は、現時刻（例えば、２０１６年５月５日１３時２０分）から実績所要時間の代表値（例えば、４６．７分）だけ前の時刻までの間に区間Ｌ００１の始点である地点Ｐ００１を通過した車両の数を区間Ｌ００１の距離で除して得られる値を交通密度として算出する。具体的には、交通密度算出部１４２は、現時刻から実績所要時間の代表値だけ前の時刻までの間に地点Ｐ００１を通過した各車両についての車両情報を車両情報記憶部１２２から抽出し、抽出した車両情報に基づいて交通密度を算出し得る。なお、交通密度算出部１４２は、区間情報記憶部１２１に記憶された地点Ｐ００１及びＰ００２のキロポストを示す情報に基づいて、区間Ｌ００１の距離として１０．００［ｋｍ］を算出し得る。

より具体的には、交通密度算出部１４２は、２０１６年５月５日１２時３３分１８秒から２０１６年５月５日１３時２０分００秒までの間の日時を始点検出日時として有する車両情報を９８７個抽出した場合、交通密度として９８．７［台／ｋｍ］を算出し得る。

また、交通密度算出部１４２は、例えば、区間ＩＤ、抽出された車両情報の始点検出日時のうち最も早い時刻である代表始点検出日時及び交通密度を示す情報を交通密度記憶部１２５に記憶させる。

具体的には、交通密度算出部１４２は、このような情報として「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０５ １２：３３：２０；交通密度＝９８．７」といった情報を交通密度記憶部１２５に記憶させ得る。

予測所要時間算出部１４３は、予測所要時間の算出処理を実行する。また、予測所要時間算出部１４３は、算出した予測所要時間を示す情報を通信部１１０へ出力する。

予測所要時間算出部１４３は、交通密度と予測所要時間との関係を規定するモデルを用いて予測所要時間を算出する。

例えば、予測所要時間算出部１４３は、交通密度が自由流最大交通密度以下である場合、モデルとして式（１）により表される自由流モデルを用いて予測所要時間を算出する。また、予測所要時間算出部１４３は、交通密度が自由流最大交通密度を超える場合、モデルとして式（２）により表される渋滞流モデルを用いて予測所要時間を算出する。

予測所要時間算出部１４３は、対象区間においてイベントが発生しているときに、当該イベントと対応するパラメータを適用したモデルを用いて予測所要時間を算出する。予測所要時間算出部１４３は、イベント情報記憶部１２３から対象区間において発生しているイベントを示す情報を取得し得る。また、予測所要時間算出部１４３は、パラメータ記憶部１２６からイベントと対応するパラメータを取得し得る。

予測所要時間算出部１４３は、例えば、図７に示した決定木を用いて、現在発生しているイベントの種別、対象区間の車線数及び対象区間の区間ＩＤに適合するように条件の分岐を辿り、到達したリーフであるパラメータを取得する。それにより、予測所要時間算出部１４３は、現在発生しているイベントと対応するパラメータを取得することができる。

具体的には、予測所要時間算出部１４３は、対象区間としての区間Ｌ００１においてイベントとして１車線規制が現在発生していることを示すイベント情報を取得した場合、１車線規制と対応するパラメータをパラメータ記憶部１２６から取得し得る。その場合、予測所要時間算出部１４３は、例えば、イベント種別、車線数及び区間ＩＤが１車線規制、２及びＬ００１である条件に適合するリーフであるパラメータをパラメータ記憶部１２６から取得する。具体的には、予測所要時間算出部１４３は、自由流モデル及び渋滞流モデルのパラメータとしてそれぞれ「キロ当たり自由旅行時間Ｔ０＝０．６６分；自由流最大交通密度Ｃ＝３４．５；傾きα＝０．５；曲率β＝３．０」及び「傾きａ＝０．０５０；切片ｂ＝−０．７３」といった情報を取得し得る。その場合、予測所要時間算出部１４３は、交通密度（＝９８．７）が自由流最大交通密度Ｃ（＝３４．５）を超えているので、渋滞流モデルを用いて予測所要時間を算出する。具体的には、予測所要時間算出部１４３は、取得した渋滞流モデルのパラメータ、区間Ｌ００１の距離及び交通密度を式（２）に代入することによって、予測所要時間として４２分０３秒を算出する。

このように、予測所要時間算出部１４３は、具体的には、対象区間においてイベントが発生しているときに、イベントと対応するパラメータを適用したモデル及び複数の車両検出装置２０による検出結果を用いて予測所要時間を算出する。なお、予測所要時間算出部１４３は、より具体的には、対象区間においてイベントが発生しているときに、イベントと対応するパラメータとして後述する統合パラメータを用いて予測所要時間を算出する。

また、予測所要時間算出部１４３は、対象区間において複数のイベントが発生しているときに、当該複数のイベントと対応するパラメータを適用したモデルを用いて予測所要時間を算出してもよい。パラメータ記憶部１２６には、図７に示したように、複数のイベントと対応させてパラメータが記憶され得る。よって、予測所要時間算出部１４３は、複数のイベントが発生しているときに、当該複数のイベントと対応するパラメータを取得することができる。

また、予測所要時間算出部１４３は、一の対象区間においてイベントが発生しているときに、当該一の対象区間について学習が未完了である場合、他の対象区間についてのイベントと対応するパラメータを適用したモデルを用いて当該一の対象区間についての予測所要時間を算出してもよい。対象区間について学習が未完了であり、パラメータが決定されていない場合、最下層のノードからリーフに到達できない。そのような場合には、最下層のノードから分岐する他の対象区間に対応するリーフであるパラメータに基づいて予測所要時間の算出に適用するパラメータを取得してもよい。例えば、最下層のノードから分岐する他の対象区間に対応するリーフであるパラメータの平均値を予測所要時間の算出に適用するパラメータとして取得してもよい。よって、予測所要時間算出部１４３は、対象区間について学習が未完了である場合、他の対象区間についてのイベントと対応するパラメータを取得することができる。なお、予測所要時間算出部１４３は、最下層のノードからリーフに到達できない場合に、最も多くの条件が適合するように条件の分岐を辿った場合に到達し得るリーフであるパラメータを予測所要時間の算出に適用するパラメータとして取得してもよい。

（決定部）
決定部１５０は、パラメータの決定処理を実行する。具体的には、決定部１５０は、設定時間（例えば、１日又は１週間）間隔で、複数の対象区間の各々についてパラメータの決定処理を実行する。なお、以下では、理解を容易にするために、対象区間としての区間Ｌ００１についてのパラメータの決定処理について主に説明する。

決定部１５０は、交通密度と予測所要時間との関係を規定するモデルに含まれるパラメータを、学習によってイベントと対応させて決定する。具体的には、決定部１５０は、複数の対象区間の各々について、学習によってパラメータをイベントと対応させて決定する。決定部１５０は、学習によってパラメータを対象区間又は車線数と対応させて決定してもよい。また、決定部１５０は、学習によってパラメータを複数のイベントと対応させて決定してもよい。決定されたパラメータは、例えば、図７に示したデータ形式でパラメータ記憶部１２６により記憶される。

決定部１５０は、例えば、イベント情報の取得処理、キロ当たり自由旅行時間の算出処理、自由流最大交通密度の算出処理及び他のパラメータの算出処理を実行することによって、パラメータを決定する。以下、このようなパラメータの決定処理の一例について説明する。

イベント情報の取得処理では、決定部１５０は、設定時間に対応する直近の期間である対象期間（例えば、前日又は前週）についてのイベント情報をイベント情報記憶部１２３から取得する。例えば、決定部１５０は、対象区間において対象期間内に発生したイベントのイベント種別、イベントが発生した区間、イベントの発生の開始日時及びイベントの発生の終了日時を示す情報をイベント情報として取得する。

具体的には、対象期間が前日としての２０１６年５月４日である場合、決定部１５０は、イベント情報として「イベント種別＝１車線規制；区間ＩＤ＝Ｌ００１；開始日時＝２０１６／０５／０４ １２：１２：００；終了日時＝２０１６／０５／０４ １３：３３：００」といった情報を取得し得る。

キロ当たり自由旅行時間の算出処理では、決定部１５０は、対象区間において対象期間内でイベントが発生していない期間における実績所要時間を示す情報を実績所要時間記憶部１２４から抽出し、抽出した情報に基づいてキロ当たり自由旅行時間を算出する。

例えば、決定部１５０は、対象区間において対象期間内でイベントが発生していない期間に含まれる終点検出日時と紐付けられる実績所要時間を示す情報を抽出する。また、決定部１５０は、抽出した情報についての実績所要時間を複数の階級に区分けしてヒストグラムを作成し、頻度が最も高い階級の中央値を区間Ｌ００１の距離で除して得られる値をキロ当たり自由旅行時間として算出する。決定部１５０は、スタージェスの公式を用いて階級数を決定してもよく、その場合、実績所要時間のうちの最小値と最大値との差を階級数で除して得られる値を各階級の時間幅として決定してもよい。また、決定部１５０は、抽出した実績所要時間のうち過剰に大きな値等の異常値、昇順に並べた場合の上位の一部又は下位の一部を利用せずにヒストグラムを作成してもよい。

具体的には、６．１分から６．３分まで、６．３分から６．５分まで、６．５分から６．７分まで、及び６．７分から６．９分までの時間幅の階級の頻度がそれぞれ４３３、９７３、１２６５及び１０９１である場合、頻度が最も高い階級は６．５分から６．７分までの時間幅の階級となる。その場合、決定部１５０は、当該階級の中央値としての６．６分を区間Ｌ００１の距離としての１０．００［ｋｍ］で除して得られる０．６６分（＝４０秒）をキロ当たり自由旅行時間として算出し得る。

また、決定部１５０は、算出したキロ当たり自由旅行時間を示す情報を対象区間と対応させてパラメータ記憶部１２６に記憶させてもよい。例えば、決定部１５０は、キロ当たり自由旅行時間を算出した日時である算出日時及びキロ当たり自由旅行時間を示す情報を、パラメータ記憶部１２６における決定木の対象区間の分岐で区間Ｌ００１へ分岐する経路のリーフとして記憶させてもよい。

具体的には、決定部１５０は、このような情報として「算出日時＝２０１６／５／５ ２：００：００；キロ当たり自由旅行時間＝０．６６分」といった情報をパラメータ記憶部１２６に記憶させ得る。

自由流最大交通密度の算出処理では、決定部１５０は、渋滞が発生しているか否かの判定における指標としての渋滞判定所要時間を算出し、渋滞判定所要時間以下である実績所要時間の代表値を示す情報を実績所要時間記憶部１２４から抽出し、抽出した情報に基づいて自由流最大交通密度を算出する。渋滞との用語には様々な定義が存在し得るので、定義に応じて渋滞判定所要時間は適宜算出され得る。例えば、所要時間が渋滞判定所要時間以下である場合に、渋滞が発生していないと判定することができる。

例えば、決定部１５０は、キロ当たり自由旅行時間を渋滞判定遅延割合だけ増加させて得られる値に対象区間の距離を乗じて得られる値を渋滞判定所要時間として算出する。渋滞判定遅延割合は、渋滞との用語の定義等に応じて適宜設定され、例えば、５０％に設定され得る。

具体的には、決定部１５０は、区間Ｌ００１のキロ当たり自由旅行時間としての０．６６分を５０％増加させて得られる値に区間Ｌ００１の距離としての１０．００［ｋｍ］を乗じて得られる９．９分（＝９分５４秒）を渋滞判定所要時間として算出し得る。

また、決定部１５０は、対象区間において対象期間内で対象イベントが発生している期間における渋滞判定所要時間以下である実績所要時間の代表値を示す情報を実績所要時間記憶部１２４から抽出する。対象イベントは、パラメータの算出対象のイベントである。対象イベントは、複数のイベントの組み合わせでもよい。また、決定部１５０は、複数の対象イベントについてパラメータの算出処理を実行してもよい。その場合、決定部１５０は、各対象イベントについて自由流最大交通密度の算出処理及び他のパラメータの算出処理を実行する。

例えば、決定部１５０は、対象区間において対象期間内で対象イベントが発生している期間に含まれる代表始点検出日時と紐付けられ渋滞判定所要時間以下である実績所要時間の代表値を示す情報を抽出する。

具体的には、対象期間が前日としての２０１６年５月４日である場合、決定部１５０は、このような情報として「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０４ ０：００：２４；実績所要時間の代表値＝６．６分」、「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０４ ０：０１：５４；実績所要時間の代表値＝７．１分」及び「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０４ ２３：５９：２４；実績所要時間の代表値＝６．６分」といった情報を区間Ｌ００１において発生した対象イベントについて抽出し得る。なお、抽出される情報に代表終点検出日時を示す情報が含まれていてもよい。

また、決定部１５０は、抽出された実績所要時間の代表値を示す情報と対応する交通密度を示す情報を交通密度記憶部１２５から抽出する。例えば、決定部１５０は、対象区間において対象期間内で対象イベントが発生している期間に含まれる代表始点検出日時と紐付けられる交通密度を示す情報のうち、抽出された実績所要時間の代表値を示す情報を用いて算出された交通密度を示す情報を交通密度記憶部１２５から抽出する。

具体的には、決定部１５０は、このような情報として「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０４ ０：００：００；交通密度＝９．２」、「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０４ ０：０１：００；交通密度＝９．０」、「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０４ ２３：５９：００；交通密度＝９．４」及び「区間ＩＤ＝Ｌ００１；代表始点検出日時＝２０１６／０５／０４ ９：３０：００；交通密度＝４７．０」といった情報を区間Ｌ００１において発生した対象イベントについて抽出し得る。

また、決定部１５０は、抽出した交通密度を示す情報に基づいて自由流最大交通密度を算出する。例えば、決定部１５０は、抽出した情報が示す交通密度の最大値に係数（例えば、０．９）を乗じて得られる値を自由流最大交通密度として算出する。

具体的には、決定部１５０は、交通密度の最大値としての４７．０に０．９を乗じて得られる４２．３を区間Ｌ００１についての対象イベントと対応する自由流最大交通密度として算出し得る。

また、決定部１５０は、算出した自由流最大交通密度を示す情報を対象区間及びイベントと対応させてパラメータ記憶部１２６に記憶させてもよい。例えば、決定部１５０は、自由流最大交通密度を算出した日時である算出日時及び自由流最大交通密度を示す情報を、パラメータ記憶部１２６における決定木のイベントの分岐で対象イベントへ分岐し、対象区間の分岐で区間Ｌ００１へ分岐する経路のリーフとして記憶させてもよい。

具体的には、決定部１５０は、このような情報として「算出日時＝２０１６／５／５ ２：００：００；自由流最大交通密度＝４２．３」といった情報をパラメータ記憶部１２６に記憶させ得る。

他のパラメータの算出処理では、決定部１５０は、対象区間についての対象イベントと対応する自由流モデルの傾きα及び曲率β並びに渋滞流モデルの傾きａ及び切片ｂを算出する。

例えば、決定部１５０は、対象期間内で対象イベントが発生している期間について、自由流最大交通密度以下の交通密度及び当該交通密度と対応する実績所要時間の代表値をそれぞれ交通密度記憶部１２５及び実績所要時間記憶部１２４から抽出し、抽出した情報に基づいて自由流モデルの傾きα及び曲率βを算出する。

具体的には、決定部１５０は、対象区間において対象期間内で対象イベントが発生している期間に含まれる代表始点検出日時と紐付けられ自由流最大交通密度以下の交通密度を示す情報を交通密度記憶部１２５から抽出する。また、決定部１５０は、対象区間において対象期間内で対象イベントが発生している期間に含まれる代表始点検出日時と紐付けられる渋滞判定所要時間以下である実績所要時間の代表値を示す情報のうち、抽出された交通密度を示す情報の各々について代表始点検出日時が最も近い情報を実績所要時間記憶部１２４から抽出する。また、決定部１５０は、式（１）により表される自由流モデルによって規定される交通密度と予測所要時間との関係が、抽出された情報における交通密度と実績所要時間の代表値との対応関係に近づくように傾きα及び曲率βを算出する。

具体的には、決定部１５０は、交通密度及び当該交通密度と対応する実績所要時間の代表値のペアとして「交通密度＝３．０；実績所要時間の代表値＝６．６分」、「交通密度＝３８．４；実績所要時間の代表値＝９．０分」、「交通密度＝３９．０；実績所要時間の代表値＝９．５分」及び「交通密度＝３９．２；実績所要時間の代表値＝９．６分」といった情報を抽出し、傾きα及び曲率βとしてそれぞれ０．５０及び３．０を算出し得る。

また、決定部１５０は、算出した傾きα及び曲率βを示す情報を対象区間及びイベントと対応させてパラメータ記憶部１２６に記憶させてもよい。例えば、決定部１５０は、各パラメータを算出した日時である算出日時、傾きα及び曲率βを示す情報を、パラメータ記憶部１２６における決定木のイベントの分岐で対象イベントへ分岐し、対象区間の分岐で区間Ｌ００１へ分岐する経路のリーフとして記憶させてもよい。

具体的には、決定部１５０は、このような情報として「算出日時＝２０１６／５／５ ２：００：００；傾きα＝０．５０；曲率β＝３．０」といった情報をパラメータ記憶部１２６に記憶させ得る。

なお、決定部１５０は、抽出した交通密度及び当該交通密度と対応する実績所要時間の代表値のペアの数が基準数（例えば、１０）未満である場合には、自由流モデルによる予測精度の低下を抑制するために、傾きα及び曲率βを算出しなくてもよい。

また、決定部１５０は、対象期間内で対象イベントが発生している期間について、自由流最大交通密度を超える交通密度及び当該交通密度と対応する実績所要時間の代表値をそれぞれ交通密度記憶部１２５及び実績所要時間記憶部１２４から抽出し、抽出した情報に基づいて渋滞流モデルの傾きａ及び切片ｂを算出する。

具体的には、決定部１５０は、対象区間において対象期間内で対象イベントが発生している期間に含まれる代表始点検出日時と紐付けられ自由流最大交通密度を超える交通密度を示す情報を交通密度記憶部１２５から抽出する。また、決定部１５０は、対象区間において対象期間内で対象イベントが発生している期間に含まれる代表始点検出日時と紐付けられる渋滞判定所要時間を超える実績所要時間の代表値を示す情報のうち、抽出された交通密度を示す情報の各々について代表始点検出日時が最も近い情報を実績所要時間記憶部１２４から抽出する。また、決定部１５０は、式（２）により表される渋滞流モデルによって規定される交通密度と予測所要時間との関係が、抽出された情報における交通密度と実績所要時間の代表値との対応関係に近づくように傾きａ及び切片ｂを算出する。

具体的には、決定部１５０は、交通密度及び当該交通密度と対応する実績所要時間の代表値のペアとして「交通密度＝４７．７；実績所要時間の代表値＝１２．３分」及び「交通密度＝４５．６；実績所要時間の代表値＝１１．１分」といった情報を抽出し、傾きａ及び切片ｂとしてそれぞれ０．０５０及び−０．７３を算出し得る。

また、決定部１５０は、算出した傾きａ及び切片ｂを示す情報を対象区間及びイベントと対応させてパラメータ記憶部１２６に記憶させてもよい。例えば、決定部１５０は、各パラメータを算出した日時である算出日時、傾きａ及び切片ｂを示す情報を、パラメータ記憶部１２６における決定木のイベントの分岐で対象イベントへ分岐し、対象区間の分岐で区間Ｌ００１へ分岐する経路のリーフとして記憶させてもよい。

具体的には、決定部１５０は、このような情報として「算出日時＝２０１６／５／５ ２：００：００；傾きａ＝０．０５０；切片ｂ＝−０．７３」といった情報をパラメータ記憶部１２６に記憶させ得る。

なお、決定部１５０は、抽出した交通密度及び当該交通密度と対応する実績所要時間の代表値のペアの数が基準数（例えば、１０）未満である場合には、渋滞流モデルによる予測精度の低下を抑制するために、傾きａ及び切片ｂを算出しなくてもよい。

決定部１５０は、上述したパラメータの算出処理によって算出したパラメータに基づいて、対象区間についての対象イベントと対応するパラメータを決定する。

決定部１５０は、上述した処理を設定時間間隔で繰り返すことにより、各算出日時についてのパラメータをパラメータ記憶部１２６へ記憶させ得る。決定部１５０は、例えば、直近の所定の数の算出日時についてのパラメータを平均化することにより得られる統合パラメータを所要時間の予測処理に用いられるパラメータとして決定する。

具体的には、決定部１５０は、図８に示したように、各リーフに記憶された２０１６年５月５日から２０１６年４月２９日までの算出日時についてのパラメータを平均化することにより得られる統合パラメータを所要時間の予測処理に用いられるパラメータとして決定し得る。より具体的には、決定部１５０は、２０１６年５月５日から２０１６年４月２９日までの算出日時についてのキロ当たり自由旅行時間Ｔ０、自由流最大交通密度Ｃ、傾きα、曲率β、傾きａ及び切片ｂをそれぞれ平均化することにより、平均化されたキロ当たり自由旅行時間Ｔ０、自由流最大交通密度Ｃ、傾きα、曲率β、傾きａ及び切片ｂを含む統合パラメータを決定し得る。

このように、決定部１５０は、対象区間においてイベントが発生していた期間における実績所要時間及び交通密度に基づく学習によって、パラメータをイベントと対応させて決定する。

［２−２．動作］
続いて、図９〜図１８を参照して、本実施形態に係る所要時間予測装置１０が行う処理の流れについて説明する。

図９は、本実施形態に係る所要時間予測装置１０の車両情報生成部１３０が行う車両情報の生成及び記憶処理の流れの一例を示すフローチャートである。

図９に示したように、車両情報生成部１３０は、まず、通信部１１０が車両検出装置２０による検出結果を受信したか否かを判定する（ステップＳ３０１）。通信部１１０が車両検出装置２０による検出結果を受信したと判定されなかった場合（ステップＳ３０１／ＮＯ）、ステップＳ３０１の判定処理が繰り返される。一方、通信部１１０が車両検出装置２０による検出結果を受信したと判定された場合（ステップＳ３０１／ＹＥＳ）、車両情報生成部１３０は、区間情報記憶部１２１から区間情報を取得する（ステップＳ３０３）。次に、車両情報生成部１３０は、検出日時、地点ＩＤ及び車両ＩＤを示す車両情報を生成する（ステップＳ３０５）。次に、車両情報生成部１３０は、生成した車両情報を車両情報記憶部１２２に記憶させ（ステップＳ３０７）、図９に示した処理は終了する。

図１０は、本実施形態に係る所要時間予測装置１０の通信部１１０が行うイベント情報の記憶処理の流れの一例を示すフローチャートである。

図１０に示したように、通信部１１０は、まず、設定時間（例えば、１分）が経過したか否かを判定する（ステップＳ４０１）。設定時間が経過したと判定されなかった場合（ステップＳ４０１／ＮＯ）、ステップＳ４０１の判定処理が繰り返される。一方、設定時間が経過したと判定された場合（ステップＳ４０１／ＹＥＳ）、通信部１１０は、イベント検出装置３０からイベント種別、イベントが発生した区間及びイベントの発生の開始日時を示すイベント情報を取得する（ステップＳ４０３）。なお、当該イベント情報には、イベントの発生の終了日時を示す情報が含まれ得る。次に、通信部１１０は、取得したイベント情報をイベント情報記憶部１２３に記憶させ（ステップＳ４０５）、図１０に示した処理は終了する。

図１１は、本実施形態に係る所要時間予測装置１０の予測部１４０が行う所要時間の予測処理の流れの一例を示すフローチャートである。

図１１に示したように、予測部１４０は、まず、設定時間（例えば、１分）が経過したか否かを判定する（ステップＳ５０１）。設定時間が経過したと判定されなかった場合（ステップＳ５０１／ＮＯ）、ステップＳ５０１の判定処理が繰り返される。一方、設定時間が経過したと判定された場合（ステップＳ５０１／ＹＥＳ）、予測部１４０の実績所要時間算出部１４１は、実績所要時間の算出処理を実行する（ステップＳ５１０）。次に、予測部１４０の交通密度算出部１４２は、交通密度の算出処理を実行する（ステップＳ５２０）。次に、予測部１４０の予測所要時間算出部１４３は、予測所要時間の算出処理を実行する（ステップＳ５３０）。ステップＳ５１０、Ｓ５２０及びＳ５３０の処理は、例えば、複数の対象区間のうちの一の対象区間について実行され得る。

そして、予測部１４０は、全ての対象区間について予測所要時間の算出が終了したか否かを判定する（ステップＳ５０３）。全ての対象区間について予測所要時間の算出が終了したと判定されなかった場合（ステップＳ５０３／ＮＯ）、ステップＳ５１０の処理へ戻り、予測所要時間の算出が未完了の対象区間についてステップＳ５１０、Ｓ５２０及びＳ５３０の処理が行われる。一方、全ての対象区間について予測所要時間の算出が終了したと判定された場合（ステップＳ５０３／ＹＥＳ）、図１１に示した処理は終了する。

図１２は、本実施形態に係る予測部１４０の実績所要時間算出部１４１が行う実績所要時間の算出処理の流れの一例を示すフローチャートである。なお、図１２に示した実績所要時間の算出処理は、図１１におけるステップＳ５１０の処理に相当する。

図１２に示したように、実績所要時間算出部１４１は、まず、現時刻から設定時間（例えば、５分）前の時刻までの間に対象区間の終点を通過した各車両について、対象区間の終点及び始点についての車両情報を車両情報記憶部１２２から抽出する（ステップＳ５１１）。次に、実績所要時間算出部１４１は、抽出した車両情報に基づいて各車両について実績所要時間を算出する（ステップＳ５１３）。次に、実績所要時間算出部１４１は、算出した各車両についての実績所要時間を示す情報を実績所要時間記憶部１２４に記憶させる（ステップＳ５１５）。

そして、実績所要時間算出部１４１は、算出した実績所要時間に基づいて実績所要時間の代表値を算出する（ステップＳ５１７）。次に、実績所要時間算出部１４１は、算出した実績所要時間の代表値を示す情報を実績所要時間記憶部１２４に記憶させ（ステップＳ５１９）、図１２に示した処理は終了する。

図１３は、本実施形態に係る予測部１４０の交通密度算出部１４２が行う交通密度の算出処理の流れの一例を示すフローチャートである。なお、図１３に示した交通密度の算出処理は、図１１におけるステップＳ５２０の処理に相当する。

図１３に示したように、交通密度算出部１４２は、まず、現時刻から実績所要時間の代表値だけ前の時刻までの間に対象区間の始点を通過した各車両についての車両情報を車両情報記憶部１２２から抽出する（ステップＳ５２１）。次に、交通密度算出部１４２は、抽出した車両情報に基づいて交通密度を算出する（ステップＳ５２３）。次に、交通密度算出部１４２は、交通密度を示す情報を交通密度記憶部１２５に記憶させ（ステップＳ５２５）、図１３に示した処理は終了する。

図１４は、本実施形態に係る予測部１４０の予測所要時間算出部１４３が行う予測所要時間の算出処理の流れの一例を示すフローチャートである。なお、図１４に示した予測所要時間の算出処理は、図１１におけるステップＳ５３０の処理に相当する。

図１４に示したように、予測所要時間算出部１４３は、まず、イベント情報記憶部１２３から対象区間において発生しているイベントを示す情報を取得する（ステップＳ５３１）。次に、予測所要時間算出部１４３は、パラメータ記憶部１２６からイベントと対応するパラメータを取得する（ステップＳ５３３）。次に、予測所要時間算出部１４３は、イベントと対応するパラメータを適用したモデルを用いて予測所要時間を算出し（ステップＳ５３５）、図１４に示した処理は終了する。

このように、予測所要時間算出部１４３は、対象区間においてイベントが発生しているときに、イベントと対応するパラメータを適用したモデルを用いて予測所要時間を算出することができる。なお、対象区間においてイベントが発生していないときには、予測所要時間算出部１４３は、ステップＳ５３３において、イベントが発生していない場合にモデルに適用され得るパラメータを取得し得る。

図１５は、本実施形態に係る所要時間予測装置１０の決定部１５０が行うパラメータの決定処理の流れの一例を示すフローチャートである。

図１５に示したように、決定部１５０は、まず、設定時間（例えば、１日又は１週間）が経過したか否かを判定する（ステップＳ６０１）。設定時間が経過したと判定されなかった場合（ステップＳ６０１／ＮＯ）、ステップＳ６０１の判定処理が繰り返される。一方、設定時間が経過したと判定された場合（ステップＳ６０１／ＹＥＳ）、決定部１５０は、設定時間に対応する直近の期間である対象期間（例えば、前日又は前週）についてのイベント情報をイベント情報記憶部１２３から取得する（ステップＳ６０３）。次に、決定部１５０は、キロ当たり自由旅行時間の算出処理を実行する（ステップＳ６１０）。次に、決定部１５０は、自由流最大交通密度の算出処理を実行する（ステップＳ６２０）。次に、決定部１５０は、他のパラメータの算出処理を実行する（ステップＳ６３０）。次に、決定部１５０は、算出したパラメータに基づいて、対象区間についての対象イベントと対応するパラメータを決定する（ステップＳ６０５）。ステップＳ６０３、Ｓ６１０、Ｓ６２０、Ｓ６３０及びＳ６０５の処理は、例えば、複数の対象区間のうちの一の対象区間について実行され得る。

そして、決定部１５０は、全ての対象区間についてパラメータの決定が終了したか否かを判定する（ステップＳ６０７）。全ての対象区間についてパラメータの決定が終了したと判定されなかった場合（ステップＳ６０７／ＮＯ）、ステップＳ６０３の処理へ戻り、パラメータの決定が未完了の対象区間についてステップＳ６０３、Ｓ６１０、Ｓ６２０、Ｓ６３０及びＳ６０５の処理が行われる。一方、全ての対象区間についてパラメータの決定が終了したと判定された場合（ステップＳ６０７／ＹＥＳ）、図１５に示した処理は終了する。

図１６は、本実施形態に係る所要時間予測装置１０の決定部１５０が行うキロ当たり自由旅行時間の算出処理の流れの一例を示すフローチャートである。なお、図１６に示したキロ当たり自由旅行時間の算出処理は、図１５におけるステップＳ６１０の処理に相当する。

図１６に示したように、決定部１５０は、まず、対象区間において対象期間内でイベントが発生していない期間における実績所要時間を示す情報を実績所要時間記憶部１２４から抽出する（ステップＳ６１１）。次に、決定部１５０は、抽出した情報に基づいてキロ当たり自由旅行時間を算出する（ステップＳ６１３）。次に、決定部１５０は、算出したキロ当たり自由旅行時間を示す情報をパラメータ記憶部１２６に記憶させ（ステップＳ６１５）、図１６に示した処理は終了する。

図１７は、本実施形態に係る所要時間予測装置１０の決定部１５０が行う自由流最大交通密度の算出処理の流れの一例を示すフローチャートである。なお、図１７に示した自由流最大交通密度の算出処理は、図１５におけるステップＳ６２０の処理に相当する。

図１７に示したように、決定部１５０は、まず、渋滞が発生しているか否かの判定における指標としての渋滞判定所要時間を算出する（ステップＳ６２１）。次に、決定部１５０は、対象区間において対象期間内で対象イベントが発生している期間における渋滞判定所要時間以下である実績所要時間の代表値を示す情報を実績所要時間記憶部１２４から抽出する（ステップＳ６２３）。次に、決定部１５０は、抽出された実績所要時間の代表値を示す情報と対応する交通密度を示す情報を交通密度記憶部１２５から抽出する（ステップＳ６２５）。

そして、決定部１５０は、抽出した交通密度を示す情報に基づいて自由流最大交通密度を算出する（ステップＳ６２７）。次に、決定部１５０は、算出した自由流最大交通密度を示す情報をパラメータ記憶部１２６に記憶させ（ステップＳ６２９）、図１７に示した処理は終了する。

図１８は、本実施形態に係る所要時間予測装置１０の決定部１５０が行う他のパラメータの算出処理の流れの一例を示すフローチャートである。なお、図１８に示した他のパラメータの算出処理は、図１５におけるステップＳ６３０の処理に相当する。

図１８に示したように、決定部１５０は、まず、対象期間内で対象イベントが発生している期間について、自由流最大交通密度以下の交通密度及び当該交通密度と対応する実績所要時間の代表値をそれぞれ交通密度記憶部１２５及び実績所要時間記憶部１２４から抽出する（ステップＳ６３１）。次に、決定部１５０は、抽出した情報に基づいて自由流モデルのパラメータである傾きα及び曲率βを算出する（ステップＳ６３２）。次に、決定部１５０は、算出した自由流モデルのパラメータである傾きα及び曲率βをパラメータ記憶部１２６に記憶させる（ステップＳ６３３）。

そして、決定部１５０は、対象期間内で対象イベントが発生している期間について、自由流最大交通密度を超える交通密度及び当該交通密度と対応する実績所要時間の代表値をそれぞれ交通密度記憶部１２５及び実績所要時間記憶部１２４から抽出する（ステップＳ６３４）。次に、決定部１５０は、抽出した情報に基づいて渋滞流モデルのパラメータである傾きａ及び切片ｂを算出する（ステップＳ６３５）。次に、決定部１５０は、算出した渋滞流モデルのパラメータである傾きａ及び切片ｂをパラメータ記憶部１２６に記憶させ（ステップＳ６３６）、図１８に示した処理は終了する。

＜３．効果＞
以上説明したように、本実施形態によれば、決定部１５０は、交通密度と予測所要時間との関係を規定するモデルに含まれるパラメータを、学習によってイベントと対応させて決定する。また、予測部１４０の予測所要時間算出部１４３は、対象区間においてイベントが発生しているときに、当該イベントと対応するパラメータを適用したモデルを用いて予測所要時間を算出する。それにより、交通に関する実測値の過去の推移を利用することなく、１日の中で時間経過に伴って予測を繰り返すリアルタイムな予測をイベントの発生に応じて適切に行うことができる。ゆえに、所要時間が比較的急峻に変化しやすいイベントの発生に起因する渋滞が生じた場合であっても、リアルタイムな予測について実際の所要時間の変化に対する応答性を向上させることができる。よって、道路の対象区間についての所要時間の予測精度を向上させることができる。

また、予測部１４０の予測所要時間算出部１４３は、例えば、交通密度が自由流最大交通密度以下である場合、自由流モデルを用いて予測所要時間を算出し、交通密度が自由流最大交通密度を超える場合、渋滞流モデルを用いて予測所要時間を算出する。それにより、交通密度に応じて適切に所要時間を予測ことができる。ゆえに、道路の対象区間についての所要時間の予測精度をより効果的に向上させることができる。

また、自由流モデルでは、例えば、予測所要時間は交通密度の増加とともに指数関数的に増加するように規定され、渋滞流モデルでは、例えば、予測所要時間は交通密度に比例して増加するように規定される。それにより、自由流モデル及び渋滞流モデルによって、交通密度と予測所要時間との関係を交通密度に応じて適切に表現することができる。

また、予測部１４０の予測所要時間算出部１４３は、一の対象区間においてイベントが発生しているときに、当該一の対象区間について学習が未完了である場合、他の対象区間についてのイベントと対応するパラメータを適用したモデルを用いて当該一の対象区間についての予測所要時間を算出してもよい。それにより、一の対象区間において過去に発生していないイベントが発生した場合であっても、他の対象区間についての当該イベントと対応するパラメータを利用することによって、所要時間の予測を精度良く行うことができる。ここで、所要時間予測装置１０は、予測所要時間の算出結果の公共施設又は車両等の表示装置への表示を制御してもよい。所要時間予測装置１０は、上述したように学習が未完了であり他の対象区間についての当該イベントと対応するパラメータを利用して予測所要時間を算出した場合、算出結果は学習が未完了な対象区間についての所要時間の予測による結果であることをドライバ等により判別可能とするために、算出結果の表示を学習が完了している対象区間についての算出結果の表示と異ならせてもよい。例えば、所要時間予測装置１０は、このような場合、算出結果の表示色を学習が完了している対象区間についての算出結果の表示色と異ならせる、あるいは何らかの注釈を付与する等の表示制御を行ってもよい。

また、パラメータ記憶部１２６に記憶される情報のデータ形式として、例えば、決定木の形式が適用されてもよい。その場合、ノードの配置は、例えば、所要時間へ与える影響の大きいノードほど分岐の上流側に位置するように構成される。それにより、予測部１４０の予測所要時間算出部１４３は、一の対象区間においてイベントが発生しているときに、当該一の対象区間について学習が未完了である場合、他の対象区間についての当該イベントと対応するパラメータのうち当該一の対象区間と共通する事象（例えば車線数）と対応するパラメータを優先して適用したモデルを用いて当該一の対象区間についての予測所要時間を算出することができる。ゆえに、一の対象区間において過去に発生していないイベントが発生した場合であっても、例えば車線数が同一の他の対象区間についての当該イベントと対応するパラメータを利用することによって、所要時間の予測をより精度良く行うことができる。

また、予測部１４０の予測所要時間算出部１４３は、対象区間において複数のイベントが発生しているときに、当該複数のイベントと対応するパラメータを適用したモデルを用いて予測所要時間を算出してもよい。それにより、対象区間において複数のイベントが発生した場合であっても、当該複数のイベントの組み合わせに応じて所要時間の予測を精度良く行うことができる。

＜４．むすび＞
以上説明したように、本発明に係る情報処理装置は、交通密度と予測所要時間との関係を規定するモデルに含まれるパラメータを学習によってイベントと対応させて決定する決定部と、対象区間において発生しているイベントが発生しているときに当該イベントと対応するパラメータを適用したモデルを用いて予測所要時間を算出する予測部とを備える。それにより、交通に関する実測値の過去の推移を利用することなく、１日の中で時間経過に伴って予測を繰り返すリアルタイムな予測をイベントの発生に応じて適切に行うことができる。ゆえに、所要時間が比較的急峻に変化しやすいイベントの発生に起因する渋滞が生じた場合であっても、リアルタイムな予測について実際の所要時間の変化に対する応答性を向上させることができる。よって、道路の対象区間についての所要時間の予測精度を向上させることができる。

なお、本明細書において説明した各装置による一連の制御処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。ソフトウェアを構成するプログラムは、例えば、各装置の内部又は外部に設けられる記憶媒体（非一時的な媒体：ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｍｅｄｉａ）に予め格納される。そして、各プログラムは、例えば、実行時にＲＡＭに読み込まれ、ＣＰＵなどのプロセッサにより実行される。各プログラムを実行するプロセッサは、単数であっても複数であってもよい。

具体的には、上述のような本実施形態に係る所要時間予測装置１０の各機能を実現するためのコンピュータプログラムを作製し、ＰＣ等に実装することが可能である。本実施形態に係る所要時間予測装置１０は、コンピュータに相当し得る。また、このようなコンピュータプログラムが格納された、コンピュータで読み取り可能な記録媒体も提供することができる。記録媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記録媒体を用いずに、例えばネットワークを介して配信されてもよい。また、本実施形態に係る所要時間予測装置１０の各機能は複数のコンピュータにより分割されてもよく、その場合、当該複数のコンピュータが有する各機能は、上記のコンピュータプログラムにより実現され得る。

また、本明細書においてフローチャートを用いて説明した処理は、必ずしもフローチャートに示された順序で実行されなくてもよい。いくつかの処理ステップは、並列的に実行されてもよい。また、追加的な処理ステップが採用されてもよく、一部の処理ステップが省略されてもよい。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明は係る例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例又は応用例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

１ 所要時間予測システム
１０ 所要時間予測装置
２０ 車両検出装置
３０ イベント検出装置
１１０ 通信部
１２０ 記憶部
１２１ 区間情報記憶部
１２２ 車両情報記憶部
１２３ イベント情報記憶部
１２４ 実績所要時間記憶部
１２５ 交通密度記憶部
１２６ パラメータ記憶部
１３０ 車両情報生成部
１４０ 予測部
１４１ 実績所要時間算出部
１４２ 交通密度算出部
１４３ 予測所要時間算出部
１５０ 決定部

Claims (11)

1. 道路の対象区間において車両の通行に制限を与えるイベントの発生を示す情報を取得する取得部と、
   前記対象区間における交通量に相当する交通密度と前記対象区間の通過にかかる時間の予測値に相当する予測所要時間との関係を規定するモデルに含まれるパラメータを、学習によって前記イベントと対応させて決定する決定部と、
   前記対象区間において発生している前記イベントが発生しているときに、前記イベントと対応する前記パラメータを適用した前記モデルと前記交通密度を用いて前記予測所要時間を算出する予測部と、
   を備える、
   情報処理装置。
2. 前記モデルは、前記交通密度が閾値以下である場合における前記交通密度と前記予測所要時間との関係を規定する自由流モデル及び前記交通密度が前記閾値を超える場合における前記交通密度と前記予測所要時間との関係を規定する渋滞流モデルを含み、
   前記予測部は、前記交通密度が前記閾値以下である場合、前記モデルとして前記自由流モデルを用いて前記予測所要時間を算出し、前記交通密度が前記閾値を超える場合、前記モデルとして前記渋滞流モデルを用いて前記予測所要時間を算出する、
   請求項１に記載の情報処理装置。
3. 前記自由流モデルでは、前記予測所要時間は前記交通密度の増加とともに指数関数的に増加するように規定され、
   前記渋滞流モデルでは、前記予測所要時間は前記交通密度に比例して増加するように規定される、
   請求項２に記載の情報処理装置。
4. 前記決定部は、複数の前記対象区間の各々について、前記学習によって前記パラメータを前記イベントと対応させて決定し、
   前記予測部は、一の前記対象区間において前記イベントが発生しているときに、当該一の前記対象区間について前記学習が未完了である場合、他の前記対象区間についての前記イベントと対応する前記パラメータを適用した前記モデルを用いて当該一の前記対象区間についての前記予測所要時間を算出する、
   請求項１〜３のいずれか一項に記載の情報処理装置。
5. 前記決定部は、前記学習によって前記パラメータを複数の前記イベントと対応させて決定し、
   前記予測部は、前記対象区間において当該複数の前記イベントが発生しているときに、当該複数の前記イベントと対応する前記パラメータを適用した前記モデルを用いて前記予測所要時間を算出する、
   請求項１〜４のいずれか一項に記載の情報処理装置。
6. 前記イベントは、前記対象区間における通行可能な車線数の変更を含む、請求項１〜５のいずれか一項に記載の情報処理装置。
7. 前記イベントは、前記対象区間における制限速度の変更を含む、請求項１〜６のいずれか一項に記載の情報処理装置。
8. 前記予測部は、前記対象区間の通過にかかった時間の実績値に相当する実績所要時間に基づいて、前記交通密度を算出する交通密度算出部を備える、請求項１〜７のいずれか一項に記載の情報処理装置。
9. 前記決定部は、前記対象区間において前記イベントが発生していた期間における前記実績所要時間及び前記交通密度に基づく前記学習によって、前記パラメータを前記イベントと対応させて決定する、請求項８に記載の情報処理装置。
10. 情報処理装置と、
    道路の対象区間の上流端及び下流端の各地点における車両の通過をそれぞれ検出する複数の車両検出装置と、
    前記対象区間において前記車両の通行に制限を与えるイベントの発生を検出するイベント検出装置と、
    を含む情報処理システムにおいて、
    前記情報処理装置は、
    前記イベントの発生を示す情報を前記イベント検出装置から取得する取得部と、
    前記対象区間における交通量に相当する交通密度と前記対象区間の通過にかかる時間の予測値に相当する予測所要時間との関係を規定するモデルに含まれるパラメータを、前記複数の車両検出装置による検出結果に基づく学習によって前記イベントと対応させて決定する決定部と、
    前記対象区間において前記イベントが発生しているときに、前記イベントと対応する前記パラメータを適用した前記モデルと、前記複数の車両検出装置による検出結果に基づいて算出した前記交通密度とを用いて前記予測所要時間を算出する予測部と、
    を備える、
    情報処理システム。
11. コンピュータを、
    道路の対象区間において車両の通行に制限を与えるイベントの発生を示す情報を取得する取得部と、
    前記対象区間における交通量に相当する交通密度と前記対象区間の通過にかかる時間の予測値に相当する予測所要時間との関係を規定するモデルに含まれるパラメータを、学習によって前記イベントと対応させて決定する決定部と、
    前記対象区間において前記イベントが発生しているときに、前記イベントと対応する前記パラメータを適用した前記モデルと前記交通密度を用いて前記予測所要時間を算出する予測部と、
    として機能させるためのプログラム。
    

Images