JP7086725B2

JP7086725B2 - 渋滞予測装置、および、渋滞予測方法

Info

Publication number: JP7086725B2
Application number: JP2018104394A
Authority: JP
Inventors: 泰浩青木; 美彦鈴木; 俊雄佐藤
Original assignee: Toshiba Corp; Toshiba Infrastructure Systems and Solutions Corp
Current assignee: Toshiba Corp; Toshiba Infrastructure Systems and Solutions Corp
Priority date: 2018-05-31
Filing date: 2018-05-31
Publication date: 2022-06-20
Anticipated expiration: 2038-05-31
Also published as: JP2019211814A

Description

本発明の実施形態は、渋滞予測装置、および、渋滞予測方法に関する。

従来から、例えば、道路交通管制センタは、道路の区間ごとに渋滞予測を行っている。その場合、道路交通管制センタは、例えば、道路に設置された車両検出器（トラフィックカウンタ）によって道路の区間ごとの車両台数等を認識し、その車両台数等に基いて渋滞を予測する。

特開２０１３－２５７６６７号公報特開２００２－３１２８９０号公報特開２０１７－１９４８５９号公報特開２０１７－１４２０７９号公報特許第５３８８９２４号公報特許第５９０１８３８号公報特開２０１７－７３０２７号公報

しかしながら、上述の従来技術では、車両検出器によって認識できる情報は多くないので、渋滞予測の精度に関して改善の余地がある。また、近年、道路に設置されている固定カメラや車載カメラによって道路画像を撮影する場面が多くなってきている。

そこで、本発明の実施形態の課題は、道路画像に基いて道路の区間ごとの渋滞を予測することである。

実施形態における渋滞予測装置は、道路の区間ごとに車両検出器および固定カメラの少なくともいずれかが設置されている道路の渋滞を予測する渋滞予測装置であって、前記車両検出器によって検出された第１の車両台数情報と第１の車両平均速度情報を取得するとともに、前記道路に設置された固定カメラによって撮影された道路画像を取得する取得部と、前記道路画像に基いて第２の車両台数情報と第２の車両平均速度情報を算出する算出部と、前記第１の車両台数情報、前記第１の車両平均速度情報、前記第２の車両台数情報、および、前記第２の車両平均速度情報に基いて、前記道路の区間ごとの渋滞を予測する渋滞予測部と、を備える。前記固定カメラは、前記道路上を走行する車両を斜め上方から撮影する位置に設置されており、前記算出部は、前記道路画像を座標変換して俯瞰画像にすることによって車間距離情報を算出し、前記渋滞予測部は、前記車間距離情報も併せて用いて、前記道路の区間ごとの渋滞を予測する。

図１は、第１実施形態の渋滞予測システムの構成を示す図である。図２は、第１実施形態の渋滞予測装置の構成を示す図である。図３は、第１実施形態の道路を模式的に示す図である。図４は、第１実施形態の車両情報の構成を示す図である。図５は、第１実施形態の渋滞予測装置による道路画像処理を示すフローチャートである。図６は、第１実施形態の渋滞予測装置による渋滞予測処理を示すフローチャートである。図７は、図６のステップＳ１４の処理の詳細を表す決定木を示す図である。図８（ａ）は、第２実施形態における道路画像の例を示す図である。図８（ｂ）は、図８（ａ）の道路画像を座標変換して作成した俯瞰画像を示す図である。図９（ａ）は、車両密度が大きい車両群の最後尾車両とその後ろの車両との車間距離が小さい場合に渋滞が起きやすいことを示す模式図である。図９（ｂ）は、車両密度が大きい車両群の最後尾車両とその後ろの車両との車間距離が大きい場合に渋滞が起きにくいことを示す模式図である。図１０は、第２実施形態における車両速度と交通量との関係を示すグラフである。図１１は、第２実施形態の渋滞予測装置による道路画像処理を示すフローチャートである。図１２（ａ）は、第３実施形態における道路画像の例を示す図である。図１２（ｂ）は、図１２（ａ）の道路画像における車両Ｃ２１の部分を拡大した様子を示す図である。図１３は、第４実施形態における交通量と車両密度の関係を示すグラフである。図１４は、第５実施形態の渋滞予測装置の構成を示す図である。図１５は、第５実施形態の渋滞予測装置による渋滞予測処理を示すフローチャートである。図１６は、第６実施形態における車載カメラによる道路画像を示す図である。図１７は、第６実施形態の渋滞予測装置による道路画像処理を示すフローチャートである。図１８は、第６実施形態の渋滞予測装置による渋滞予測処理を示すフローチャートである。

以下、本発明の実施形態（第１実施形態～第６実施形態）について、図面に基いて説明する。なお、第２実施形態以降において、それまでの実施形態と同様の事項については、説明を適宜省略する。

（第１実施形態）
図１は、第１実施形態の渋滞予測システム１の構成を示す図である。図１に示すように、渋滞予測システム１は、固定カメラ２と、車両検出器３（トラフィックカウンタ）と、渋滞予測装置４と、を備える。なお、第１実施形態では、道路（例えば高速道路）の区間ごとに、車両検出器および固定カメラの少なくともいずれかが設置されているものとする。渋滞予測装置４は、そのような道路の渋滞（例えば車両平均速度が２０ｋｍ／ｈ以下の状態）を予測する（詳細は後述）。なお、以下では、「車両平均速度」を「車両速度」と称する場合がある。

固定カメラ２は、道路上を走行する車両Ｃを撮影する撮影装置である。固定カメラ２は、例えば、ＣＣＴＶ（Closed Circuit Television）カメラである。固定カメラ２は、例えば道路から７ｍ程度の高さの位置に設置され、道路上を走行する車両Ｃを斜め上方から撮影する。固定カメラ２は、車両Ｃを撮影した撮影画像を、渋滞予測装置４に送信する。

車両検出器３は、道路上を走行する車両Ｃの台数（車両台数）と速度（車両速度）を計測する。車両検出器３は、計測した車両台数と車両速度を渋滞予測装置４に送信する。

渋滞予測装置４は、渋滞予測処理等を実行する電子計算機である。渋滞予測装置４は、固定カメラ２および車両検出器３と、電気的に接続されている。

図２は、第１実施形態の渋滞予測装置４の構成を示す図である。渋滞予測装置４は、記憶部４１と、入力部４２と、表示部４３と、通信部４４と、処理部４５と、を備える。

記憶部４１は、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの記憶装置である。記憶部４１は、道路情報、車両情報、処理部４５の動作プログラム等を記憶する。道路情報は、道路に関する各種情報であり、例えば、道路の区間の位置、固定カメラ２の位置、車両検出器３の位置等の情報を含む。車両情報については、図４の説明とともに後述する。

入力部４２は、渋滞予測装置４に対するユーザによる操作を受け付ける入力装置である。入力部４２は、例えば、キーボード、マウス等である。

表示部４３は、液晶表示装置（ＬＣＤ（Liquid Crystal Display））、有機ＥＬ（Electro-Luminescence）表示装置等により実現される表示手段であり、各種情報を表示する。通信部４４は、通信インタフェースである。

処理部４５は、渋滞予測装置４の全体の動作を制御し、渋滞予測装置４が有する各種の機能を実現する。処理部４５は、例えば、ＣＰＵ（Central Processing Unit）と、ＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を備える。ＣＰＵは、渋滞予測装置４の動作を統括的に制御する。ＲＯＭは、各種プログラムやデータを記憶する記憶媒体である。ＲＡＭは、各種プログラムを一時的に記憶したり、各種データを書き換えたりするための記憶媒体である。ＣＰＵは、ＲＡＭをワークエリア（作業領域）としてＲＯＭ、記憶部４１等に格納されたプログラムを実行する。処理部４５は、取得部４５１と、算出部４５２と、渋滞予測部４５３と、ブレーキランプ検出部４５４と、を備える。なお、ブレーキランプ検出部４５４については第３実施形態で説明する。

取得部４５１は、車両検出器３によって検出された第１の車両台数情報と第１の車両平均速度情報を取得する。また、取得部４５１は、道路に設置された固定カメラ２によって撮影された道路画像を取得する。

算出部４５２は、取得部４５１によって取得された道路画像に基いて、第２の車両台数情報と第２の車両平均速度情報を算出する。

渋滞予測部４５３は、第１の車両台数情報、第１の車両平均速度情報、第２の車両台数情報、および、第２の車両平均速度情報に基いて、道路の区間ごとの渋滞（例えば５分後、１０分後等の渋滞）を予測する（詳細は後述）。

図３は、第１実施形態の道路を模式的に示す図である。図３に示す道路は、３車線を有しており、また、管理単位として車両の進行方向に区間＃１～＃６に分割されている。

このような図３の道路に関する車両情報は、図４に示す通りである。
図４は、第１実施形態の車両情報の構成を示す図である。車両情報は、項目として、区間（＃１～＃６）、時間（例えば、１６：００、１６：０５、１６：１０、・・・）、車両検出器データ（第１の車両台数（第１の車両台数情報）、第１の車両速度（第１の車両平均速度情報））、固定カメラデータ（第２の車両台数（第２の車両台数情報）、第２の車両速度（第２の車両平均速度情報））を備えている。

車両検出器データは、取得部４５１が車両検出器３から取得したデータ（またはそのデータに基いて算出したデータ）である。なお、車両検出器３がない区間があればその区間に対応する車両検出器データはない。

ここで、図５は、第１実施形態の渋滞予測装置４による道路画像処理を示すフローチャートである。まず、取得部４５１は、道路に設置された固定カメラ２によって撮影された道路画像を取得する（ステップＳ１）。

次に、算出部４５２は、ステップＳ１で取得された道路画像に基いて、車両を検出する（ステップＳ２）。具体的には、算出部４５２は、道路画像中の移動物体ごとにパターンマッチングを行って、車両／非車両の判別を行う。

次に、算出部４５２は、ステップＳ２で検出した車両の情報に基いて、第２の車両台数と第２の車両速度を算出する（ステップＳ３）。

次に、算出部４５２は、ステップＳ３で算出した第２の車両台数と第２の車両速度を、記憶部４１の車両情報（図４）に記憶する（ステップＳ４）。なお、固定カメラ２がない区間があればその区間に対応する固定カメラデータ（第２の車両台数と第２の車両速度）はない。

次に、図６を参照して、渋滞予測処理について説明する。
図６は、第１実施形態の渋滞予測装置４による渋滞予測処理を示すフローチャートである。

ステップＳ１１において、渋滞予測部４５３は、渋滞予測のタイミングか否かを判定し、Ｙｅｓの場合はステップＳ１２に進み、Ｎｏの場合はステップＳ１１に戻る。渋滞予測のタイミングは、例えば、５分ごとであればよい。

ステップＳ１２において、渋滞予測部４５３は、記憶部４１の車両情報（図４）から車両検出器データ（第１の車両台数、第１の車両速度）を取得する。

次に、ステップＳ１３において、渋滞予測部４５３は、記憶部４１の車両情報（図４）から固定カメラデータ（第２の車両台数、第２の車両速度）を取得する。

次に、ステップＳ１４において、渋滞予測部４５３は、道路の区間ごとに渋滞を予測する。以下、この渋滞予測について詳述する。

まず、交通工学の観点から、道路には交通容量があり、車両台数が交通容量を超えてしまうと、道路上に車両が密に存在することとなり、渋滞が発生しやすくなる。また、渋滞が一旦発生すると、渋滞は後方に伝搬しやすい。したがって、渋滞予測対象の区間について、その区間とその上流のいくつかの区間の車両台数や車両速度の情報に基いて、渋滞を予測することができる。また、渋滞の解消についても、同様に、後方に伝搬しやすい。

また、ある区間について、車両台数の情報として第１の車両台数と第２の車両台数の両方がある場合は、統計処理や学習モデルに基いて一方または両方の情報を使えばよい。また、ある区間について、車両速度の情報として第１の車両速度と第２の車両速度の両方がある場合は、統計処理や学習モデルに基いて一方または両方の情報を使えばよい。

ここで、図７は、図６のステップＳ１４の処理の詳細を表す決定木を示す図である。この決定木は、例えば、図４の車両情報等に基いて、事前に、各情報をクラスタリングし、渋滞予測誤りのコストを最小とするような識別器を設計することで実現することができる。

図７の決定木のノードＮ１～Ｎ１３において、上段の数値（例えばノードＮ１における「0.014」）は誤り率（渋滞／（渋滞＋非渋滞））で、下段（例えばノードＮ１における「100％」）はそのクラスの確率（そのクラスに辿り着くまでの判定条件を満たす確率）である。

また、この決定木では、渋滞予測対象の区間は区間＃１である。また、区間＃１～＃６（図３）の情報を用いてこの決定木は作成されている。まず、ノードＮ１では、区間＃１の１つ上流である区間＃２の０分前の車両速度Ｖが３４[ｋｍ／ｈ]以上か否かを判定し、Ｙｅｓの場合はノードＮ２に進み、Ｎｏの場合はノードＮ３に進む。

ノードＮ２では、区間＃２の０分前の交通量Ｑが１７[台／分]以上か否かを判定し、Ｙｅｓの場合はノードＮ４に進み、Ｎｏの場合はノードＮ９に進む。

ノードＮ３では、区間＃２の２５分前の交通量Ｑが３４８[台／分]未満か否かを判定し、Ｙｅｓの場合はノードＮ５に進み、Ｎｏの場合はノードＮ１３に進む。

ノードＮ４では、区間＃２の２５分前の交通量Ｑが３９９[台／分]未満か否かを判定し、Ｙｅｓの場合はノードＮ７に進み、Ｎｏの場合はノードＮ８に進む。

ノードＮ５では、時刻が０８：３８以降か否かを判定し、Ｙｅｓの場合はノードＮ６に進み、Ｎｏの場合はノードＮ１２に進む。

ノードＮ６では、区間＃１の０分前の車両速度Ｖが４２[ｋｍ／ｈ]以上か否かを判定し、Ｙｅｓの場合はノードＮ１０に進み、Ｎｏの場合はノードＮ１１に進む。

そして、例えば、誤り率の閾値を「0.6」とすれば、ノードＮ７～Ｎ１３のうちノードＮ１３だけが「渋滞」と予測されることになる。このようにして、決定木を用いれば、少ない判定条件（分岐）での渋滞予測が可能となる。なお、誤り率の閾値は、渋滞予測と実際の渋滞発生状況を比較して適宜変更することができる。

なお、図７の決定木では、判定条件に用いられている区間は区間＃１と区間＃２だけであるが、これは、区間＃３～＃６の状態よりも、区間＃１と区間＃２の状態のほうが、将来の区間＃１の渋滞状況に強く関係することを示している。

図６に戻って、ステップＳ１４の後、渋滞予測部４５３は、渋滞予測結果を出力する（ステップＳ１５）。例えば、渋滞予測部４５３は、渋滞予測結果を表示部４３に表示する。ステップＳ１５の後、ステップＳ１１に戻る。

このように、第１実施形態の渋滞予測装置４によれば、道路画像に基いて道路の区間ごとの渋滞を予測することができる。例えば、車両検出器データと固定カメラデータの両方がある区間については、その両方を用いて図７のような決定木を作成することができるので、車両検出器データだけで決定木を作成する場合よりも、高精度に渋滞を予測できる。

また、車両検出器３がなくて車両検出器データがない区間であっても、固定カメラ２があって固定カメラデータがあれば、その固定カメラデータを用いて渋滞を予測できる。

（第２実施形態）
次に、第２実施形態について説明する。第２実施形態は、第１実施形態と比較して、固定カメラ２による撮影画像から車間距離（車間距離の平均値。以下同様）を算出し、渋滞予測にその車間距離も用いる点で異なる。

図８（ａ）は、第２実施形態における道路画像の例を示す図である。図８（ｂ）は、図８（ａ）の道路画像を座標変換して作成した俯瞰画像を示す図である。具体的には、図８（ａ）の道路画像には車両Ｃ１～Ｃ５が映っている。算出部４５２は、この道路画像を公知の手法で座標変換して俯瞰画像（図８（ｂ））にすることによって車間距離（車間距離情報）を算出する。そして、渋滞予測部４５３は、この車間距離も併せて用いて、道路の区間ごとの渋滞を予測する。

以下、図９を参照して、車間距離を渋滞予測に用いる原理について説明する。
図９（ａ）は、車両密度が大きい車両群の最後尾車両とその後ろの車両との車間距離が小さい場合に渋滞が起きやすいことを示す模式図である。図９（ｂ）は、車両密度が大きい車両群の最後尾車両とその後ろの車両との車間距離が大きい場合に渋滞が起きにくいことを示す模式図である。

図９（ａ）に示すように、車両密度が大きい車両群である車両Ｃ１１～Ｃ１３の最後尾車両Ｃ１３とその後ろの車両Ｃ１４との車間距離が小さい場合（時刻ｔ）、車両Ｃ１４は車両Ｃ１３にさらに接近すると速度を落とすことになる（時刻ｔ＋１）。そうなると、車両Ｃ１４の後方の車両Ｃ１５、Ｃ１６も速度を落とすことになり、渋滞が発生する（時刻ｔ＋２～ｔ＋４）。そして、この渋滞は後方に伝搬する。

一方、図９（ｂ）に示すように、車両密度が大きい車両群である車両Ｃ１１～Ｃ１３の最後尾車両Ｃ１３とその後ろの車両Ｃ１４との車間距離が大きい場合（時刻ｔ）、車両Ｃ１４は車両Ｃ１３に少し接近しても速度を落とす必要はない（時刻ｔ＋１、ｔ＋２）。したがって、車両Ｃ１４の後方の車両Ｃ１５、Ｃ１６も速度を落とす必要はなく、渋滞が発生しない（時刻ｔ＋２～ｔ＋４）。

つまり、交通工学の観点から、車両密度や車両速度だけでなく、車両間隔も渋滞発生要因の一つであることがわかる。したがって、渋滞予測に車間距離も用いることが有効である。ここで、図１０は、第２実施形態における車両速度Ｖ[ｋｍ／ｈ]と交通量Ｑ[台／分]との関係を示すグラフである。図１０からわかるように、交通量Ｑが６００～１０００[台／分]程度の場合に、車間距離等が原因となって渋滞（領域Ｒ１）と非渋滞（領域Ｒ２）の２つの相が混在していることがわかる。

図１１は、第２実施形態の渋滞予測装置４（図２）による道路画像処理を示すフローチャートである。まず、取得部４５１は、道路に設置された固定カメラ２によって撮影された道路画像を取得する（ステップＳ２１）。

次に、算出部４５２は、ステップＳ２１で取得された道路画像に基いて、車両を検出する（ステップＳ２２）。具体的には、算出部４５２は、道路画像中の移動物体ごとにパターンマッチングを行って、車両／非車両の判別を行う。

次に、算出部４５２は、ステップＳ２２で検出された車両について、固定カメラ２の幾何パラメータ（外部パラメータ）等に基いて、座標変換を行う（ステップＳ２３）。これにより、元の道路画像では固定カメラ２の画角によって隣り合う２つの車両が重なっていて１つの車両と認識してしまう場合でも、その２つの車両を分離して２台の車両として正しく認識できる可能性が大幅に高くなる。

次に、算出部４５２は、ステップＳ２３で座標変換した車両の情報に基いて、第２の車両台数、第２の車両速度、車間距離を算出する（ステップＳ２４）。

次に、算出部４５２は、ステップＳ２４で算出した第２の車両台数、第２の車両速度、車間距離を、記憶部４１の車両情報に記憶する（ステップＳ２５）。なお、固定カメラ２がない区間があればその区間に対応する固定カメラデータ（第２の車両台数と第２の車両速度、車間距離）はない。

このように、道路画像に基いて検出した車両を座標変換してから第２の車両台数、第２の車両速度、車間距離を算出することで、渋滞予測の高精度化に寄与することができる。なお、渋滞予測の処理については、第１実施形態における図６のフローチャートと比較して、固定カメラデータとして車間距離が加えられる以外は同様であるので、説明を省略する。

また、一般的に、車両検出器３では車両台数はわかっても車両の種類（四輪車／二輪車等）や大きさがわからないので、正確な車間距離の情報は算出できない。一方、この第２実施形態では、固定カメラデータとして正確な車間距離の情報を使用することができるので、より高精度な渋滞予測を実現できる。

（第３実施形態）
次に、第３実施形態について説明する。第３実施形態は、第１実施形態と比較して、固定カメラ２による撮影画像から車両のブレーキランプの点灯を検出し、渋滞予測にそのブレーキランプの点灯の情報も用いる点で異なる。

図１２（ａ）は、第３実施形態における道路画像の例を示す図である。図１２（ｂ）は、図１２（ａ）の道路画像における車両Ｃ２１の部分を拡大した様子を示す図である。ブレーキランプ検出部４５４は、道路画像に基いて車両のブレーキランプの点灯を検出する。

具体的には、例えば、ブレーキランプ検出部４５４は、道路画像に基いて、車両検出を行った後、車両の後部におけるブレーキランプの点灯を検出する。その際、例えば、道路画像がカラーの場合は、色情報によってブレーキランプの点灯を検出する。また、例えば、道路画像が白黒の場合は、車両の後部の左右に形は不定であるが周辺の輝度とのコントラストが所定値よりも大きい部分があればブレーキランプの点灯と判定する。なお、方向指示器の点滅とブレーキランプの点灯とを区別するためには、例えば、所定時間以上光っていたか否かを判定すればよい。

そして、渋滞予測部４５３は、ブレーキランプの点灯の情報も併せて用いて、道路の区間ごとの渋滞を予測する。例えば、渋滞が発生してその渋滞が後方に伝搬する場合、ブレーキランプの点灯も後方に伝搬する。また、第２実施形態で説明したように、渋滞発生と車間距離には関係があり、ブレーキランプを点灯させている車両が存在するということは、その車両は減速をしているということであるので、車間距離に変動が起きやすく、渋滞が起きやすい状況であると言える。つまり、車両のブレーキ状況を併せて用いることで、より高精度な渋滞予測を行うことができる。なお、渋滞予測の処理については、第１実施形態における図６のフローチャートと比較して、固定カメラデータとしてブレーキランプの点灯の情報が加えられる以外は同様であるので、説明を省略する。

（第４実施形態）
次に、第４実施形態について説明する。第４実施形態は、第１実施形態と比較して、局所的な渋滞原因（工事や事故等による車線規制）があることを推定する点で異なる。

図１３は、第４実施形態における交通量Ｑ[台／分]と車両密度Ｋ[台／ｋｍ]の関係を示すグラフである。渋滞発生要因としては、例えば、上述のように交通量（車両台数）が交通容量を超過したことが考えられるが、これに限定されず、工事や事故等による車線規制も考えられる。例えば、片側３車線で、通常の交通容量が図１３のＱ１であった場合、１車線が工事や事故等で使用できず２車線となってしまうと、交通容量は図１３のＱ２まで低下したと考えることができる。したがって、その場合は、交通量（車両台数）がその交通容量Ｑ２を超過した場合に渋滞が起きやすく、また、渋滞が起きたときには、車両密度が局所的に高い区間があることになる。

そこで、渋滞予測部４５３は、第１の車両台数、第１の車両速度、第２の車両台数、および、第２の車両速度に基いて、それぞれの区間の車両密度を推定し、車両密度が局所的に高い区間があった場合、当該区間に局所的な渋滞原因があると推定する。なお、車両密度が局所的に高い区間がある場合とは、例えば、１つの区間だけ、その前後の区間に比べて車両密度が２倍以上になっている場合である。また、ほかに、車両密度が局所的に高い区間がある場合とは、例えば、特定区間で事故が起きて車両通行に支障をきたし、その特定区間の車両密度が高く、その１つ下流の区間の車両密度が極端に低くなっている場合である。

このように、第４実施形態によれば、工事や事故等による車線規制に起因する局所的な渋滞原因を推定することができるので、より高精度な渋滞予測を行うことができる。

（第５実施形態）
次に、第５実施形態について説明する。第５実施形態は、第１実施形態と比較して、車両検出器データと固定カメラデータで学習して、固定カメラデータのみで渋滞予測する点で異なる。

図１４は、第５実施形態の渋滞予測装置４の構成を示す図である。第５実施形態では、道路において車両検出器３および固定カメラ２が設置されている区間の渋滞を予測することを前提とする。処理部４５は、取得部４５１、算出部４５２、渋滞予測部４５３、および、作成部４５５を備える。取得部４５１と算出部４５２は第１実施形態の場合と同様である。

作成部４５５は、第１の車両台数、第１の車両速度、第２の車両台数、および、第２の車両速度に基いて、渋滞予測モデルを作成する。例えば、作成部４５５は、第１の車両台数と第２の車両台数を適宜比較し、同じである場合と異なる場合を区別し、別に用意した正解データも併せて用いて学習することで、渋滞予測モデルを作成することができる。同様に、例えば、作成部４５５は、第１の車両速度と第２の車両速度を適宜比較し、同じである場合と異なる場合を区別し、別に用意した正解データも併せて用いて学習することで、渋滞予測モデルを作成することができる。

そして、渋滞予測部４５３は、作成部４５５によって作成された渋滞予測モデル、および、算出部４５２によって新たに算出された第２の車両台数と第２の車両速度に基いて渋滞を予測する。

図１５は、第５実施形態の渋滞予測装置４による渋滞予測処理を示すフローチャートである。ステップＳ３１において、作成部４５５は、記憶部４１の車両情報（図４）から車両検出器データ（第１の車両台数、第１の車両速度）を取得する。

次に、ステップＳ３２において、作成部４５５は、記憶部４１の車両情報（図４）から固定カメラデータ（第２の車両台数、第２の車両速度）を取得する。

次に、ステップＳ３３において、作成部４５５は、第１の車両台数、第１の車両速度、第２の車両台数、および、第２の車両速度に基いて、渋滞予測モデルを作成する。

次に、ステップＳ３４において、渋滞予測部４５３は、渋滞予測のタイミングか否かを判定し、Ｙｅｓの場合はステップＳ３５に進み、Ｎｏの場合はステップＳ３４に戻る。

ステップＳ３５において、渋滞予測部４５３は、ステップＳ３３で作成された渋滞予測モデルと、新たな固定カメラデータ（第２の車両台数、第２の車両速度）に基いて、道路の区間ごとに渋滞を予測する。

次に、渋滞予測部４５３は、渋滞予測結果を出力する（ステップＳ３６）。ステップＳ３６の後、ステップＳ３４に戻る。

このように、第５実施形態の渋滞予測装置４によれば、車両検出器データと固定カメラデータで学習して渋滞予測モデルを作成し、その渋滞予測モデルと新たな固定カメラデータに基いて渋滞予測することができる。これにより、渋滞予測モデルを作成した後は、車両検出器データを使用しないで渋滞を予測できる。

（第６実施形態）
次に、第６実施形態について説明する。第６実施形態は、第１実施形態と比較して、車両検出器データと車載カメラデータで学習して、車載カメラデータのみで渋滞予測する点で異なる。

図１６は、第６実施形態における車載カメラによる道路画像を示す図である。上述のように、渋滞予測には車間距離の情報も用いることが有効である。そして、車間距離の情報は、固定カメラ２による撮影画像だけでなく、道路を走行する車両の車載カメラによる道路画像からも取得することができる。

渋滞予測装置４の構成は図１４（第５実施形態）と同様である。取得部４５１は、道路の区間ごとに設置された車両検出器３によって検出された第１の車両台数と第１の車両速度を取得するとともに、車両に搭載された車載カメラによって撮影された道路画像を取得する。

算出部４５２は、取得部４５１によって取得された道路画像に基いて、第３の車両台数と第３の車両速度と車間距離とを算出する。この算出の手法は公知である。

作成部４５５は、第１の車両台数、第１の車両速度、第３の車両台数、第３の車両速度、および、車間距離に基いて、渋滞予測モデルを作成する。なお、別に用意した正解データを併せて用いてもよい。

そして、渋滞予測部４５３は、作成部４５５によって作成された渋滞予測モデル、および、算出部４５２によって新たに算出された第３の車両台数と第３の車両速度と車間距離とに基いて、道路の区間ごとの渋滞を予測する。

図１７は、第６実施形態の渋滞予測装置４による道路画像処理を示すフローチャートである。まず、取得部４５１は、車両に搭載された車載カメラによって撮影された道路画像を取得する（ステップＳ４１）。

次に、算出部４５２は、ステップＳ４１で取得された道路画像に基いて、車両を検出する（ステップＳ４２）。具体的には、算出部４５２は、道路画像中の移動物体ごとにパターンマッチングを行って、車両／非車両の判別を行う。

次に、算出部４５２は、ステップＳ４２で検出した車両の情報に基いて、第３の車両台数、第３の車両速度、車間距離を算出する（ステップＳ４３）。

次に、算出部４５２は、ステップＳ４３で算出した第３の車両台数、第３の車両速度、車間距離を、記憶部４１の車両情報に記憶する（ステップＳ４４）。

図１８は、第６実施形態の渋滞予測装置４による渋滞予測処理を示すフローチャートである。ステップＳ５１において、作成部４５５は、記憶部４１の車両情報（図４）から車両検出器データ（第１の車両台数、第１の車両速度）を取得する。

次に、ステップＳ５２において、作成部４５５は、記憶部４１の車両情報から車載カメラデータ（第３の車両台数、第３の車両速度、車間距離）を取得する。

次に、ステップＳ５３において、作成部４５５は、第１の車両台数、第１の車両速度、第３の車両台数、第３の車両速度、および、車間距離に基いて、渋滞予測モデルを作成する。

次に、ステップＳ５４において、渋滞予測部４５３は、渋滞予測のタイミングか否かを判定し、Ｙｅｓの場合はステップＳ５５に進み、Ｎｏの場合はステップＳ５４に戻る。

ステップＳ５５において、渋滞予測部４５３は、ステップＳ５３で作成された渋滞予測モデルと、新たな車載カメラデータ（第３の車両台数、第３の車両速度、および、車間距離）に基いて、道路の区間ごとに渋滞を予測する。

次に、渋滞予測部４５３は、渋滞予測結果を出力する（ステップＳ５６）。ステップＳ５６の後、ステップＳ５４に戻る。

このように、第６実施形態の渋滞予測装置４によれば、車両検出器データと車載カメラデータで学習して渋滞予測モデルを作成し、その渋滞予測モデルと新たな車載カメラデータに基いて渋滞予測することができる。これにより、渋滞予測モデルを作成した後は、車両検出器データを使用しないで渋滞を予測できる。

以上、本発明の実施形態を説明したが、上記実施形態はあくまで例であって、発明の範囲を限定することは意図していない。上記実施形態は、様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。上記実施形態は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

例えば、上述の実施形態では、渋滞予測に用いるアルゴリズムの例として決定木を挙げたが、これに限定されず、ＲａｎｄｏｍＦｏｒｅｓｔ等の別のものであってもよい。また、渋滞予測に、天候等の他種の情報を併せて用いてもよい。また、渋滞予測の対象の道路は、高速道路に限定されず、一般道等の他の道路であってもよい。

また、車両検出器データと固定カメラデータと車載カメラデータで学習して渋滞予測モデルを作成して、その渋滞予測モデルと新たな固定カメラデータと新たな車載カメラデータで渋滞予測を行ってもよい。

１…渋滞予測システム、２…固定カメラ、３…車両検出器、４…渋滞予測装置、４１…記憶部、４２…入力部、４３…表示部、４４…通信部、４５…処理部、４５１…取得部、４５２…算出部、４５３…渋滞予測部、４５４…ブレーキランプ検出部、４５５…作成部４５５

Claims

道路の区間ごとに車両検出器および固定カメラの少なくともいずれかが設置されている道路の渋滞を予測する渋滞予測装置であって、
前記車両検出器によって検出された第１の車両台数情報と第１の車両平均速度情報を取得するとともに、前記道路に設置された固定カメラによって撮影された道路画像を取得する取得部と、
前記道路画像に基いて第２の車両台数情報と第２の車両平均速度情報を算出する算出部と、
前記第１の車両台数情報、前記第１の車両平均速度情報、前記第２の車両台数情報、および、前記第２の車両平均速度情報に基いて、前記道路の区間ごとの渋滞を予測する渋滞予測部と、
を備え、
前記固定カメラは、前記道路上を走行する車両を斜め上方から撮影する位置に設置されており、
前記算出部は、前記道路画像を座標変換して俯瞰画像にすることによって車間距離情報を算出し、
前記渋滞予測部は、前記車間距離情報も併せて用いて、前記道路の区間ごとの渋滞を予測する、渋滞予測装置。
前記道路画像に基いて車両のブレーキランプの点灯を検出するブレーキランプ検出部を、さらに備え、
前記渋滞予測部は、前記ブレーキランプの点灯の情報も併せて用いて、前記道路の区間ごとの渋滞を予測する、
請求項１に記載の渋滞予測装置。
前記渋滞予測部は、前記第１の車両台数情報、前記第１の車両平均速度情報、前記第２の車両台数情報、および、前記第２の車両平均速度情報に基いて、それぞれの前記区間の車両密度を推定し、前記車両密度が局所的に高い前記区間があった場合、当該区間に局所的な渋滞原因があると推定する、
請求項１に記載の渋滞予測装置。
道路の区間ごとに車両検出器および固定カメラの少なくともいずれかが設置されている道路の渋滞を予測する渋滞予測装置による渋滞予測方法であって、
前記車両検出器によって検出された第１の車両台数情報と第１の車両平均速度情報を取得するとともに、前記道路に設置された固定カメラによって撮影された道路画像を取得する取得ステップと、
前記道路画像に基いて第２の車両台数情報と第２の車両平均速度情報を算出する算出ステップと、
前記第１の車両台数情報、前記第１の車両平均速度情報、前記第２の車両台数情報、および、前記第２の車両平均速度情報に基いて、前記道路の区間ごとの渋滞を予測する渋滞予測ステップと、
を備え、
前記固定カメラは、前記道路上を走行する車両を斜め上方から撮影する位置に設置されており、
前記算出ステップは、前記道路画像を座標変換して俯瞰画像にすることによって車間距離情報を算出し、
前記渋滞予測ステップは、前記車間距離情報も併せて用いて、前記道路の区間ごとの渋滞を予測する、渋滞予測方法。
前記道路画像に基いて車両のブレーキランプの点灯を検出するブレーキランプ検出ステップを、さらに備え、
前記渋滞予測ステップは、前記ブレーキランプの点灯の情報も併せて用いて、前記道路の区間ごとの渋滞を予測する、
請求項４に記載の渋滞予測方法。
前記渋滞予測ステップは、前記第１の車両台数情報、前記第１の車両平均速度情報、前記第２の車両台数情報、および、前記第２の車両平均速度情報に基いて、それぞれの前記区間の車両密度を推定し、前記車両密度が局所的に高い前記区間があった場合、当該区間に局所的な渋滞原因があると推定する、
請求項４に記載の渋滞予測方法。