JP7172491B2 - 交通流予測装置、交通流予測方法及びプログラム - Google Patents

交通流予測装置、交通流予測方法及びプログラム Download PDF

Info

Publication number
JP7172491B2
JP7172491B2 JP2018216584A JP2018216584A JP7172491B2 JP 7172491 B2 JP7172491 B2 JP 7172491B2 JP 2018216584 A JP2018216584 A JP 2018216584A JP 2018216584 A JP2018216584 A JP 2018216584A JP 7172491 B2 JP7172491 B2 JP 7172491B2
Authority
JP
Japan
Prior art keywords
vehicle
traffic
speed
traffic density
prediction
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
Application number
JP2018216584A
Other languages
English (en)
Other versions
JP2020086647A (ja
Inventor
正樹 松平
正博 林
淳基 増田
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.)
Oki Electric Industry Co Ltd
Original Assignee
Oki Electric Industry Co Ltd
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 Oki Electric Industry Co Ltd filed Critical Oki Electric Industry Co Ltd
Priority to JP2018216584A priority Critical patent/JP7172491B2/ja
Publication of JP2020086647A publication Critical patent/JP2020086647A/ja
Application granted granted Critical
Publication of JP7172491B2 publication Critical patent/JP7172491B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Description

本発明は、交通流予測装置、交通流予測方法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、トラフィックカウンタと呼ばれる車両検知器によって取得される、交通量や速度、車種等のデータ(いわゆるトラカンデータ)、又は、走行する車両に備えられたセンサから得られる、車両の走行軌跡情報等を含むデータ(いわゆるプローブデータ)のいずれかを基に、所要時間を予測する技術が提案されている。
例えば、以下の特許文献1には、道路上に任意間隔で設置した計測手段の計測する交通流データや旅行時間データを用いて、予測対象地点または区間の予測先時点における交通流データを予測する交通流データ予測装置及び交通流データ予測方法が開示されている。
また、例えば、以下の特許文献2には、ニューラルネットワークを用いて、予測対象範囲及び予測対象地点より下流の交通量、速度等の情報を入力情報として、旅行時間の傾向を予測する交通流予測装置が開示されている。
特開2001-084479号公報 特開平09-062979号公報
しかしながら、特許文献1及び特許文献2に開示された技術は、道路上に設置された複数の車両検知器間を予測単位としている。そのため、詳細な予測をするためには、車両検知器を増設し、車両検知器間の距離を短くする必要がある。
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、より詳細な交通流の予測を可能とする、交通流予測装置、交通流予測方法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、道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得する検知器情報取得部と、前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得する車載器情報取得部と、前記検知器情報及び前記車載器情報に基づいて学習された、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する交通流予測部と、を備える、交通流予測装置が提供される。
前記交通流予測部は、交通流の予測対象地点から前記検知器情報に含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、前記交通密度と速度との関係式、及び、前記交通密度予測パターンと次時刻の交通密度との関係に基づいて、前記道路における交通流を予測してもよい。
前記検知器情報及び前記車載器情報に基づいて、前記交通密度と速度との関係式、及び前記交通密度予測パターンと次時刻の交通密度との関係を学習する学習部、を更に備えてよい。
前記学習部は、前記検知器情報のうち、前記検知器情報に含まれる速度が第1閾値以下である情報に基づいて、前記交通密度を算出し、前記交通密度と速度との関係式を学習してもよい。
前記交通流予測部は、交通流の予測対象地点から前記検知器情報に含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、前記学習部は、前記検知器情報に含まれる速度に応じて定められる範囲を、予測対象地点から上流に向かって、前記検知器情報に含まれる速度で所定の時間だけ走行したときの位置から、前記予測対象地点から下流に向かって、所定の速度で所定の時間だけ走行したときの位置に所定の距離だけ延長した地点までの範囲として、前記交通密度予測パターンと次時刻の交通密度との関係を学習してもよい。
前記交通密度と速度との関係式は、下記式(1)で表されるものであってよい。
V=a×exp(-b×K) 式(1)
ここで、Vは、平均速度(km/h)であり、Kは、交通密度(台/km)であり、a及びbは、交通密度・速度関係式パラメータである。
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、道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得することと、前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得することと、前記検知器情報及び前記車載器情報に基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測することと、を備える、交通流予測方法が提供される。
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、道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得する検知器情報取得部、前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得する車載器情報取得部、及び、前記検知器情報及び前記車載器情報に基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する交通流予測部、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、より詳細な交通流の予測が可能となる。
本発明の一実施形態に係る交通流予測装置の構成の一例を示すブロック図である。 同実施形態に係る交通流予測装置が適用されうる交通流予測システムを説明するための説明図である。 検知器情報の一例を示す説明図である。 車載器情報の一例を示す説明図である。 同実施形態に係る交通流予測装置が適用されうる交通流予測システムの一例を示すブロック図である。 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。 交通密度と速度との関係の一例を示す模式図である。 交通密度・速度関係式パラメータの一例を示す模式図である。 交通密度の算出方法を説明するための説明図である。 交通密度予測パターンの一例を示す図である。 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。 交通流図の一例を示す説明図である。 同実施形態に係る交通流予測装置により得られた交通流図の一例を示す図である。 ハードウェア構成の一例を示すブロック図である。
以下に添付図面を参照しながら、本発明の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.背景>
まず、本発明者らが本発明に至った経緯を説明する。例えば、100m単位で速度データを取得しているプローブデータを用いて、ある時刻tから1分後の交通密度を予測する場合、車両が60km/hの速度で走行しているとき、予測対象地点から1km上流側以内の交通量が、予測地点の交通密度に影響を与えることになる。また、車両が30km/hの速度で走行しているとき、予測対象地点から500m上流側以内の交通量が、予測地点の交通密度に影響を与えることになる。しかし、先に挙げた特許文献1に開示された技術は、交通密度の予測対象の時刻までに、予測対象の位置の上流から予測対象の位置に流入する交通量と、予測対象の位置の下流側から伝搬してくる渋滞波が特定されていない。そのため、予測対象の時刻における予測対象の位置の交通密度に影響を及ぼす範囲が考慮されておらず、予測精度に改善の余地があった。
また、先に挙げた特許文献2に開示された技術も、予測対象範囲内の交通量や占有率をニューラルネットワークの入力としており、予測対象の時刻における予測対象の位置の交通密度に影響を及ぼす範囲から得られるデータで学習していないため、予測精度に改善の余地があった。
本発明者らは、予測対象の時刻における予測対象の位置の交通密度に影響を及ぼす範囲を考慮したデータを機械学習、及び、交通流の予測処理に適用することに想到し、本発明に係る交通流予測装置を発明するに至った。以下に、本実施形態に係る交通流予測装置を詳細に説明する。
<2.交通流予測装置10の構成>
まず、図1~図5を参照して、本発明の第1の実施形態に係る交通流予測装置の一例を説明する。図1は、本発明の一実施形態に係る交通流予測装置の構成の一例を示すブロック図である。図2は、本実施形態に係る交通流予測装置が適用されうる交通流予測システムを説明するための説明図である。図3は、検知器情報の一例を示す説明図である。図4は、車載器情報の一例を示す説明図である。図5は、本実施形態に係る交通流予測装置が適用されうる交通流予測システムの一例を示すブロック図である。
まず、本実施形態に係る交通流予測装置10の構成を説明する。交通流予測装置10は、図1に示したように、取得部110と、交通流予測部120と、学習部130と、記憶部140と、通信部150と、を備える。
取得部110は、交通流の予測に用いられる各種情報を外部装置から取得する。取得部110は、トラカンデータ取得部111と、プローブデータ取得部113と、を備える。
トラカンデータ取得部111は、図2に模式的に示したように、道路上に設置された複数の車両検知器20から、トラカンデータを取得する。トラカンデータは、車両検知器20によって取得されたデータであり、例えば、設定された周期、すなわち時間幅毎の車両検知器を通過した車両の台数(交通量)、車両速度、又は車種等のデータを含む。トラカンデータは、トラカンデータを取得した車両検知器に紐づけられている。トラカンデータは、図3に示したように、データが取得された日時、車両検知器が設置されている道路を特定するコードである路線コード、車両検知器のIDであるトラカンID、車両検知器を通過する車両の平均速度、及び交通量を含む。例えば、図3に示したトラカンデータでは、1分間隔で平均速度と交通量が算出されている。データNo.1は、2018年3月26日16時9分に取得された、路線コードがA123の道路に設置されたトラカンIDが446の車両検知器の情報である。データNo.1では、16時9分までの1分間にトラカンID446の車両検知器を通過した車両の平均速度は96.3km/hであり、交通量は29台であったことを示している。なお、トラカンデータは、図3に示したデータに限られず、車両検知器20によって取得可能な種々のデータが含まれうる。
トラカンデータ取得部111は、本発明に係る検知器情報取得部の一例であり、トラカンデータは、検知器情報の一例である。よって、トラカンデータ取得部111は、上述したように、道路の複数の地点のそれぞれに設置された車両検知器20によって、所定の時間間隔で取得され、車両検知器20が設置された地点を通過する車両の台数情報と、車両の速度と、を少なくとも含む検知器情報を、車両検知器20から取得する。
プローブデータ取得部113は、道路上に設置された複数のプローブデータ収集システム30から、プローブデータを取得する。プローブデータは、時刻、設定された時間幅と地点幅から算出された平均速度、路線コード、又はキロポスト(距離標)を含むデータである。プローブデータは、図4に示したように、日時、路線コード、車両の進行方向、車両の速度、キロポスト(車両位置)、データ収集日時を含む。車両の一方の進行方向を「1」とし、当該進行方向に対向する方向を「0」としてもよい。なお、プローブデータは、図4に示したデータに限られず、プローブデータ収集システム30によって取得可能な種々のデータが含まれうる。
プローブデータ取得部113は、本発明に係る車載器情報取得部の一例であり、プローブデータは、車載器情報の一例である。よって、プローブデータ取得部113は、上述したように、道路を走行する車両に載せられた車載器から、道路を走行する車両の位置情報と、道路を走行する車両の速度とを少なくとも含む車載器情報を取得する。
プローブデータ取得部113は、プローブデータ収集システム30から取得した、位置センサを有する車載器を載せた車両のGPS(Global Positioning System)等による緯度及び経度のような位置情報に基づいて、車両の位置を道路にマップマッチングし、当該車両の位置を当該道路の路線コードとキロポストに変換してもよい。また、プローブデータ取得部113は、車両の速度などの走行履歴データを、所定の時間間隔(プローブ時間幅)と地点幅で、車両の平均速度を算出してもよい。例えば、プローブデータ取得部113は、プローブ時間幅を1分とし、地点幅を100mとして、車両の平均速度を算出してもよい。なお、マップマッチングには、公知のマップマッチング技術を適用することができ、例えば、特開2004-177364号に開示されている位置算出方法を適用してもよい。
交通流予測部120は、トラカンデータ及びプローブデータに基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、道路における交通流を予測する。交通流予測部120には、種々の機械学習アルゴリズムを適用することが可能である。交通流予測部120には、例えば、ニューラルネットワーク、又はディープラーニング等の機械学習アルゴリズムが適用されてもよい。
また、交通流予測部120は、交通流の予測対象地点からトラカンデータに含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、交通密度と速度との関係式、及び、交通密度予測パターンと次時刻の交通密度との関係に基づいて、道路における交通流を予測してもよい。
学習部130は、トラカンデータ及びプローブデータに基づいて、交通密度と速度との関係式、及び交通密度予測パターンと次時刻の交通密度との関係を学習する。学習部130は、交通密度・速度関係式パラメータ学習部131と、交通密度予測パターン学習部133とを有する。
交通密度・速度関係式パラメータ学習部131は、トラカンデータ及びプローブデータに基づいて、道路上の所定の地点の交通密度と、当該地点を通過する車両の速度との関係式のパラメータを学習する。交通密度・速度関係式パラメータ学習部131は、トラカンデータ取得部111から、平均速度が所定の閾値である混雑流判定速度以下のデータに基づいて、交通密度を算出し、交通密度と速度との関係式を学習してもよい。
交通密度予測パターン学習部133は、対象の路線について、交通密度のパターンと、次時刻の交通密度の関係を学習する。交通密度予測パターン学習部133は、トラカンデータに含まれる速度に応じて定められる範囲を、予測対象地点から上流に向かって、トラカンデータに含まれる速度で所定の時間だけ走行したときの位置から、予測対象地点から下流に向かって、所定の速度で所定の時間だけ走行したときの位置に所定の距離だけ延長した地点までの範囲として、前記交通密度予測パターンと次時刻の交通密度との関係を学習してもよい。
記憶部140は、交通流予測装置10の動作のためのプログラム及びデータを記憶する。記憶部140には、交通流予測装置10が、各種の処理を実施する際に利用する各種のプログラムやデータベース等が適宜記録されている。記憶部140には、例えば、取得部110、交通流予測部120、又は学習部130がそれぞれの処理を行う際に、保存する必要が生じた様々な処理の途中経過等が適宜記録されてもよい。記憶部140は、マスタデータ記憶部141、トラカンデータ記憶部143、プローブデータ記憶部145、交通密度・速度関係式パラメータ記憶部147、及び交通密度予測パターン記憶部149を有する。
マスタデータ記憶部141は、各車両検知器に割り振られたIDであるトラカンID、各道路に割り振られている路線コード、車両検知器設置位置、及び車両検知器の有効範囲の対応等が記憶されている。トラカンデータ記憶部143は、トラカンデータ取得部111によって取得されたトラカンデータを記憶する。プローブデータ記憶部145は、プローブデータ取得部113によって取得されたプローブデータを記憶する。交通密度・速度関係式パラメータ記憶部147は、交通密度・速度関係式パラメータ学習部131にて学習された交通密度・速度関係式パラメータを記憶する。交通密度予測パターン記憶部149は、交通密度予測パターン学習部133にて学習された交通密度予測パターンを記憶する。
通信部150は、車両検知器20、及びプローブデータ収集システム30と通信する機能を有する。通信部150は、例えば、車両検知器20によって取得されたトラカンデータ、及びプローブデータ収集システム30によって取得されたプローブデータを受信することができる。
交通流予測装置10は、図5に示したように、車両検知器20、及びプローブデータ収集システム30と、ネットワーク40を介して接続されて用いられる。以下に、交通流予測装置10が適用されうる車両検知器20、及びプローブデータ収集システム30について説明する。
車両検知器20は、道路に所定の間隔で埋設されており、所定の時間間隔(時間幅)における車両検知器20上を通過する車両に関する情報をトラカンデータとして取得する。車両検知器20毎にトラカンID、路線コード、設置位置が割り振られている。
車両検知器20は、所定の時間幅の平均速度と交通量を取得する。車両検知器20は、トラカンデータをネットワーク40を介してトラカンデータ取得部111に送信する。
プローブデータ収集システム30は、車両の走行履歴データを取得する。プローブデータ収集システム30は、車載器31及びアンテナ32を有している。車載器31は、車載器31を載せた車両の走行履歴データを蓄積し、車両がアンテナ32の信号授受範囲に入ったときに、直前に通過したアンテナ以降の当該走行履歴データをアンテナ32に送信する。アンテナ32は、受信した走行履歴データをネットワーク40を介してプローブデータ取得部113に送信する。
ここまで、交通流予測装置10、並びに交通流予測装置10が適用されうる車両検知器20及びプローブデータ収集システム30を説明した。
<3.交通流予測装置10の動作>
続いて、交通流予測装置10の動作を図6~図14を参照して説明する。図6は、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図7Aは、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図7Bは、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図7Cは、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図8は、交通密度と速度との関係の一例を示す模式図である。図9は、交通密度・速度関係式パラメータの一例を示す模式図である。図10は、交通密度の算出方法を説明するための説明図である。図11は、交通密度予測パターンの一例を示す図である。図12は、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図13は、交通流図の一例を示す説明図である。図14は、本実施形態に係る交通流予測装置により得られた交通流図の一例を示す図である。
図6に示したように、交通流予測装置10は、学習部130によって学習処理を行い(S100)、学習結果を利用して予測処理を行う(S200)。以下に、学習処理、及び予測処理について詳細に説明する。
[3.1.学習処理(S100)]
(3.1.1.交通密度と速度の関係式のパラメータ学習(S110))
まず、学習処理(S100)について説明する。学習部130に備えられる交通密度・速度関係式パラメータ学習部131は、予め設定された学習処理開始日時(例えば、毎日2:00)に、対象とする路線に設置された複数の車両検知器20について、それぞれの車両検知器20の設置位置における交通密度と速度の関係式のパラメータを学習する(S110)。詳細には、図7Bに示したように、トラカンデータ取得部111は、予め設定した学習期間(例えば、過去30日)のトラカンデータを取得する。このとき、交通密度・速度関係式パラメータ学習部131は、トラカンデータ取得部111から、平均速度が所定の閾値である混雑流判定速度以下のデータを全て取得する(S111)。混雑流判定速度は、ユーザによって設定されるものであり、例えば、55km/h以下とすることができる。
続いて、トラカンデータ取得部111によって取得されたトラカンデータについて、平均速度が所定の閾値である重度渋滞判定速度以下であるデータの数が、所定のデータ数(判定閾値)以上であるか否かを判定する(S113)。重度渋滞判定速度以下の平均速度であるトラカンデータの数が、所定のデータ数以上である場合(S113/YES)、交通密度・速度関係式パラメータ学習部131が取得した全てのトラカンデータから、トラカンデータNo.ごとの交通密度を算出する(S115)。例えば、交通密度・速度関係式パラメータ学習部131は、重度渋滞判定速度を20km/hとし、判定閾値を5としてもよい。そして、交通密度・速度関係式パラメータ学習部131は、取得したトラカンデータから平均速度が20km/h以下のデータ数を算出し、データ数が5件以上である場合、トラカンデータNo.ごとの交通密度を算出する。交通密度は、以下の式(101)に基づいて算出される。
K=60×Q/V ・・・式(101)
ここで、Kは、交通密度(台/km)であり、Qは、交通量(台/min)であり、Vは、平均速度(km/h)である。
なお、重度渋滞判定速度、及び判定閾値は、ユーザによって設定されてもよいし、機械学習によって、重度渋滞判定速度及び判定閾値と、交通流予測装置10による予測結果との関係が学習され、学習結果に応じて高精度の交通流予測結果が得られるように設定されてもよい。
続いて、交通密度・速度関係式パラメータ学習部131は、交通密度と速度の関係式を算出し、交通密度・速度関係式パラメータ記憶部147に記憶する(S117)。詳細には、交通密度・速度関係式パラメータ学習部131は、交通密度Kを横軸とし、平均速度Vを縦軸とした平面に、算出された交通密度と平均速度をプロットする。交通密度・速度関係式パラメータ学習部131は、プロットされたデータに対し、例えば、図8に示したように、以下の式(102)で近似し、最も良い近似となる近似式のパラメータを学習する。
V=a×exp(-b×K) ・・・式(102)
ここで、Vは、平均速度(km/h)であり、Kは、交通密度(台/km)であり、a及びbは、交通密度・速度関係式パラメータである。
ここで、近似の良し悪しは、近似曲線と各トラカンデータとの平均二乗誤差等の方法で評価する。また、交通密度・速度関係式パラメータa及びbは、以下の式(103)又は式(104)のような近似式を用いて算出されても良い。
V=a×log(b/K) ・・・式(103)
V=a×(1-b/K) ・・・式(104)
学習された交通密度・速度関係式パラメータa及びbは、図9に示したように、トラカンIDと対応付けて交通密度・速度関係式パラメータ記憶部147に記憶される。
交通密度・速度関係式パラメータ学習部131は、対象とする車両検知器20の全てについてS111~S117の処理が行われたか否かを判定する(S119)。対象とする車両検知器20の全てについてS111~S117の処理が行われたと判定された場合(S119/YES)、交通密度と速度の関係式の学習処理を終了する。対象とする車両検知器20の全てについてS111~S117の処理が行われたと判定されなかった場合(S119/NO)、交通密度・速度関係式パラメータ学習部131は、S111~S117の処理が行われていない車両検知器に対して、S111以降の処理を行う。
S113において、重度渋滞判定速度以下の平均速度であるトラカンデータの数が、所定のデータ数未満である場合(S113/NO)、交通密度・速度関係式パラメータ学習部131は、交通密度と速度の関係式のパラメータを算出せずに、当該車両検知器20についての処理を終了し、他の車両検知器20に対してS111以降の処理を行う。
(3.1.2.時刻tにおける交通密度のパターンと、時刻t+1における交通密度との関係の学習(S160))
S110の交通密度と速度の関係式の学習処理の後、交通密度予測パターン学習部133は、時刻tにおける交通密度のパターンと、所定の時間幅だけ時間が経過した時刻t+1における交通密度との関係を学習する(S160)。以下に、S160の詳細を図7Cを参照して説明する。
交通密度予測パターン学習部133は、プローブデータをプローブデータ記憶部145から取得する(S161)。交通密度予測パターン学習部133が取得するプローブデータは、予め設定された学習期間(例えば、前日1日)における対象路線のデータである。
次に、交通密度予測パターン学習部133は、交通密度・速度関係式パラメータ記憶部147から対象路線の交通密度・速度の関係式のパラメータを取得する(S163)。
続いて、交通密度予測パターン学習部133は、取得したプローブデータについて、各時刻及び各キロポストにおける平均速度が、混雑流判定速度以下であるか否かを判定する(S165)。平均速度が混雑流判定速度以下である場合(S165/YES)、交通密度予測パターン学習部133は、交通密度・速度の関係式により、プローブデータが有する平均速度から交通密度を算出する(S167)。交通密度予測パターン学習部133は、図10に模式的に示したように、交通密度・速度の関係式により、プローブデータの平均速度Vに対応した交通密度K1を算出する。平均速度が混雑流判定速度超である場合(S165/NO)、交通密度予測パターン学習部133は、トラカンデータ記憶部143から、対象の時刻における対象のキロポストより上流側の最も近い位置の車両検知器20のトラカンデータを取得し、トラカンデータの交通量と、プローブデータの平均速度から、交通密度を算出する(S168)。S165の判定処理を行い、判定結果に応じて交通密度の算出方法を変更することで、より高い精度で、時刻tにおける交通密度のパターンと、所定の時間幅だけ時間が経過した時刻t+1における交通密度との関係を学習することが可能となる。
その後、交通密度予測パターン学習部133は、全ての時刻、キロポストについて交通密度を算出したか否かを判定する(S169)。交通密度予測パターン学習部133は、全ての時刻、キロポストについて交通密度を算出したと判定した場合(S169/YES)、時刻t+1における地点Pの交通密度を提示するために利用される距離範囲を算出する。まず、地点Pから上流側のパターン範囲を算出する(S171)。具体的には、対象の地点Pから上流に向かって、平均速度で道路を走行したと仮定した場合に、設定した時間幅に達するまでに走行したときに到達したキロポストを算出する。上記の算出により、例えば、図11では、地点P-10から地点P-1を上流側のパターン範囲としている。なお、上流側キロポストは、例えば上限を予め設定されてもよく、具体的には、対象地点Pから上流側1kmを上流側パターン範囲としてもよい。
一方、交通密度予測パターン学習部133は、全ての時刻、キロポストについて交通密度を算出したと判定しなかった場合(S169/NO)、S165~S169の処理が全ての時刻、キロポストについて行われるまで繰り返される。
次いで、地点Pから下流側のパターン範囲を算出する(S173)。例えば、交通密度の疎密状態が伝搬する速度である渋滞波伝搬速度を設定しておき、渋滞波伝搬速度で、所定の時間Tだけ走行したと仮定した場合の距離を算出し、算出された距離に許容距離を加算した距離に相当する下流側のキロポストを算出する。渋滞波伝搬速度は、例えば、18km/hとしてよく、許容距離を例えば、200mとしてよい。上記の算出により、例えば、図11では、地点P+1から地点P+5を下流側のパターン範囲としている。なお、渋滞波伝搬速度は、ユーザによって設定されてもよいし、機械学習によって、渋滞波伝搬速度と、交通流予測装置10による予測結果との関係が学習され、学習結果に応じて高精度の交通流予測結果が得られるように設定されてもよい。
続いて、交通密度予測パターン学習部133は、図11に示したように、時刻tにおける、地点P-10から地点P+5までの交通密度で表される交通密度パターンと、地点Pの時刻t+1における交通密度を交通密度予測パターン記憶部149に記憶する(S175)。
その後、交通密度予測パターン学習部133は、全ての時刻、キロポストについて、時刻tにおける交通密度のパターンと次時刻t+1における交通密度の関係を記憶したか否かを判定する(S177)。交通密度予測パターン学習部133は、全ての時刻、キロポストについて時刻tにおける交通密度のパターンと次時刻t+1における交通密度の関係を記憶したと判定した場合(S177/YES)、時刻tにおける交通密度のパターンと次時刻t+1における交通密度の関係の学習処理を終了する。交通密度予測パターン学習部133が、全ての時刻、キロポストについて時刻tにおける交通密度のパターンと次時刻t+1における交通密度の関係を記憶したと判定しなかった場合(S177/NO)、S171以降の処理が全ての時刻、キロポストについて行われるまで繰り返される。
図11に示したように、記憶された交通密度予測パターンには、時刻tにおける地点P-10~地点P+5までの交通密度と、時刻t+1における地点Pの交通密度が示されている。交通密度予測パターン記憶部149は、図11に示したような、交通密度予測パターン学習部133によって学習された交通密度予測パターンを記憶する。ここまで、学習部130による学習処理の流れを説明した。
[3.2.予測処理(S200)]
続いて、図12を参照して、交通流予測部120による交通流予測処理の流れを説明する。
交通流予測部120は、学習処理の後に交通流の予測処理を行う(図6、S200)。交通流予測部120は、設定された予測間隔(例えば1分間隔)で、各路線の交通流を予測する。
まず、交通流予測部120は、トラカンデータ記憶部143から、設定した時刻以降、かつ、対象の路線の車両検知器に関するトラカンデータを取得する(S201)。
続いて、交通流予測部120は、プローブデータ記憶部145から、設定した時刻以降、かつ、対象の路線のプローブデータを取得する(S203)。交通流予測部120は、図13に示したように、取得したプローブデータを基に、横軸をキロポストとし、縦軸を時刻として、車両の平均速度を濃淡で示した交通流図を作成する。図13において、濃い色で示された領域は、平均速度が遅い領域であり、薄い色で示された領域ほど平均速度が速いことを示している。図13に示した交通流図において、白色の部分は、データの欠測、又はプローブデータが取得されていない領域である。例えば、キロポストが469.00であり、時刻が20:32の座標に示された白色の領域は、プローブデータが取得されなかったことを示す。また、20:48以降の白色の領域は、まだプローブデータが取得されていないことを示している。なお、図13に示したように、最新のプローブデータの時刻は、平均速度が遅い領域における各キロポストで異なっている。これは、プローブデータ収集システム30の車載器31がアンテナ32を通過するまでに時間を要するため、アンテナ32から上流側に離れたキロポストのデータがプローブデータ取得部113によって取得されるまでに時間を要するためである。
続いて、交通流予測部120は、予測対象の時刻及びキロポストを設定し(S205)、設定された予測対象の時刻及びキロポストにおけるプローブデータが取得されたか否かを判定する(S207)。予測対象の時刻及びキロポストにおけるプローブデータがない場合(S207/YES)、交通流予測部120は、対象の時刻の直前の時刻において、交通密度パターン取得範囲を算出する(S209)。交通密度パターン取得範囲は、S171及びS173と同様にして算出される。
次いで、交通流予測部120は、S209にて算出された交通密度パターン取得範囲において、対象時刻の交通密度パターンに最も類似した交通密度予測パターンを、交通密度予測パターン記憶部149から取得する(S211)。取得された交通密度予測パターンにおける次時刻の交通密度を、予測対象の時刻及びキロポストにおける交通密度とする(S213)。なお、類似の程度の判断は、交通流予測部120が取得した、予測対象の時刻における交通密度パターンと、交通密度予測パターン記憶部149に記憶された交通密度予測パターンとを、平均二乗誤差等の方法で評価する。
一方、S207において、予測対象の時刻及びキロポストにおけるプローブデータがある場合(S207/NO)、S205及びS207を順次繰り返す。
S213において、予測対象の時刻及びキロポストにおける交通密度が設定された後、交通流予測部120は、交通密度と速度の関係式に設定された交通密度を代入し、予測対象の時刻及びキロポストにおける車両の速度を算出する(S215)。次いで、交通流予測部120は、算出された速度が混雑流判定速度より大きいか否かを判定する(S217)。算出された速度が混雑流判定速度より大きい場合(S217/YES)、対象のキロポストより上流で最も近く、混雑流判定速度より大きい速度を有するキロポストにおける速度を、予測対象の時刻及びキロポストにおける車両の速度とする(S219)。一方、算出された速度が混雑流判定速度以下の場合(S217/NO)、算出された速度を、予測対象の時刻及びキロポストにおける車両の速度とする(S220)。S217の判定処理を行い、判定結果に応じて、車両の速度として用いるデータを変更することで、より高い精度で、交通流の予測を行うことが可能となる。
交通流予測部120は、全ての時刻、キロポストについて、速度を算出したか否かを判定する(S211)。交通流予測部120は、全ての時刻、キロポストについて速度を算出したと判定した場合(S211/YES)、予測処理を終了する。交通流予測部120は、全ての時刻、キロポストについて速度を算出したと判定しなかった場合(S211/NO)、S205以降の処理が全ての時刻、キロポストについて行われるまで繰り返される。
図14に、交通流予測部120によって予測された速度を用いて作成された交通流図を示す。図14に示すように、交通流予測部120は、時刻とともに、速度が小さい領域の末尾、言い換えると渋滞領域の末尾が前方に移動し、渋滞区間が短くなると予測していることがわかる。
本実施形態によれば、トラカンデータから交通密度・速度の関係式のパラメータを学習し、プローブデータの平均速度から交通密度を算出して時刻tにおける交通密度パターンと時刻t+1における交通密度の関係を学習し、学習された交通密度・速度の関係式のパラメータ、及び時刻tにおける交通密度パターンと時刻t+1における交通密度の関係に基づいて、最新のトラカンデータとプローブデータから次時刻の地点幅の交通密度及び速度を予測することによって、より詳細に交通流を予測することが可能となる。
<4.変形例>
以上、本発明の実施形態を説明した。以下では、本発明の実施形態の変形例を説明する。なお、以下に説明する変形例は、本発明の実施形態で説明した構成に代えて適用されてもよいし、本発明の実施形態で説明した構成に対して追加的に適用されてもよい。
本発明の実施形態では、交通流予測装置に学習部が備えられており、当該学習部によって、交通密度・速度の関係式のパラメータ、及び時刻tにおける交通密度パターンと時刻t+1における交通密度の関係が学習される。しかしながら、学習部は、交通流予測装置に備えられなくてもよい。交通密度・速度の関係式のパラメータ、及び時刻tにおける交通密度パターンと時刻t+1における交通密度の関係は、別途備えられた学習装置によって学習されてもよい。この場合、交通流予測装置は、交通密度・速度の関係式のパラメータ、及び時刻tにおける交通密度パターンと時刻t+1における交通密度の関係を受信して、記憶部に記憶してもよい。そして、交通流予測部は、交通密度・速度の関係式のパラメータ、及び時刻tにおける交通密度パターンと時刻t+1における交通密度の関係を記憶部から取得して、交通流の予測に用いてもよい。
<5.ハードウェア構成>
以上、本発明の実施形態について説明した。上述した精神状態判定、接続端末選定、映像処理及び音声処理などの情報処理は、ソフトウェアと、以下に説明する端末100のハードウェアとの協働により実現される。
図15は、本発明に係る交通流予測装置のハードウェア構成の一例を示したブロック図である。本発明に係る交通流予測装置は、CPU(Central Processing Unit)901、ROM(Read Only Memory)902、RAM(Random Access Memory)903、ホストバス904、ブリッジ905、外部バス906、インタフェース907、入力装置908、表示装置909、音声出力装置910、ストレージ装置(HDD)911、ドライブ912、及び接続ポート913とを備える。
CPU901は、演算処理装置及び制御装置として機能し、各種プログラムに従って交通流予測装置10の動作全般を制御する。また、CPU901は、マイクロプロセッサであってもよい。ROM902は、CPU901が使用するプログラムや演算パラメータ等を記憶する。RAM903は、CPU901の実行において使用するプログラムや、そ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。これらはCPUバスなどから構成されるホストバス904により相互に接続されている。CPU901、ROM902及びRAM903とソフトウェアとの協働により、取得部110、交通流予測部120、及び学習部130の機能が実現されうる。
ホストバス904は、ブリッジ905を介して、PCI(Peripheral Component Interconnect/Interface)バスなどの外部バス906に接続されている。なお、必ずしもホストバス904、ブリッジ905及び外部バス906を分離構成する必要はなく、1つのバスにこれらの機能を実装してもよい。
入力装置908は、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、センサ、スイッチ及びレバーなどの入力手段と、当該入力手段による入力に基づいて入力信号を生成し、CPU901に出力する入力制御回路などから構成されうる。
表示装置909は、例えば、CRT(Cathode Ray Tube)ディスプレイ装置、液晶ディスプレイ(LCD)装置、プロジェクター装置、OLED(Organic Light Emitting Diode)装置及びランプなどの表示装置を含む。音声出力装置910は、スピーカ及びヘッドホンなどの音声出力装置を含む。
ストレージ装置911は、本発明に係る交通流予測装置の記憶部の一例として構成されたデータ記憶用の装置である。ストレージ装置911は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置及び記憶媒体に記録されたデータを削除する削除装置などを含んでもよい。ストレージ装置911は、例えば、HDD(Hard Disk Drive)やSSD(Solid Strage Drive)、あるいは同等の機能を有するメモリ等で構成される。このストレージ装置911は、ストレージを駆動し、CPU901が実行するプログラムや各種データを記憶する。
ドライブ912は、記憶媒体用リーダライタである。ドライブ912は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記憶媒体に記録されている情報を読み出して、RAM903またはストレージ装置911に出力する。また、ドライブ912は、リムーバブル記憶媒体に情報を書き込むこともできる。
接続ポート913は、例えば、ネットワークに接続するための通信デバイス等で構成された通信インタフェースである。また、接続ポート913は、無線LAN(Local Area Network)対応端末であっても、有線による通信を行うワイヤー端末であってもよい。
<6.むすび>
以上説明したように、本発明の実施形態によれば、より詳細な交通流の予測が可能となる。
なお、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、本発明はかか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、各種の変更例または修正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。
例えば、本明細書の交通流予測装置の処理における各ステップは、必ずしも流れ図に記載された順序に沿って時系列に処理する必要はない。例えば、交通流予測装置の処理における各ステップは、流れ図として記載した順序と異なる順序で処理されても、並列的に処理されてもよい。
さらに、交通流予測装置に内蔵されるCPU、ROM及びRAMなどのハードウェアに、上述した交通流予測装置の各構成と同等の機能を発揮させるためのコンピュータプログラムも作成可能である。また、当該コンピュータプログラムを記憶させた記憶媒体も提供される。
10 交通流予測装置
20 車両検知器
30 プローブデータ収集システム
31 車載器
32 アンテナ
40 ネットワーク
100 端末
110 取得部
111 トラカンデータ取得部
113 プローブデータ取得部
120 交通流予測部
130 学習部
131 交通密度・速度関係式パラメータ学習部
133 交通密度予測パターン学習部
140 記憶部
141 マスタデータ記憶部
143 トラカンデータ記憶部
145 プローブデータ記憶部
147 交通密度・速度関係式パラメータ記憶部
149 交通密度予測パターン記憶部
150 通信部

Claims (8)

  1. 道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得する検知器情報取得部と、
    前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得する車載器情報取得部と、
    前記検知器情報及び前記車載器情報に基づいて学習された、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する交通流予測部と、を備える、交通流予測装置。
  2. 前記交通流予測部は、交通流の予測対象地点から前記検知器情報に含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、前記交通密度と速度との関係式、及び、前記交通密度予測パターンと次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する、請求項1に記載の交通流予測装置。
  3. 前記検知器情報及び前記車載器情報に基づいて、前記交通密度と速度との関係式、及び前記交通密度予測パターンと次時刻の交通密度との関係を学習する学習部、を更に備える、請求項2に記載の交通流予測装置。
  4. 前記学習部は、前記検知器情報のうち、前記検知器情報に含まれる速度が第1閾値以下である情報に基づいて、前記交通密度を算出し、前記交通密度と速度との関係式を学習する、請求項3に記載の交通流予測装置。
  5. 前記交通流予測部は、交通流の予測対象地点から前記検知器情報に含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、
    前記学習部は、前記検知器情報に含まれる速度に応じて定められる範囲を、予測対象地点から上流に向かって、前記検知器情報に含まれる速度で所定の時間だけ走行したときの位置から、前記予測対象地点から下流に向かって、所定の速度で所定の時間だけ走行したときの位置に所定の距離だけ延長した地点までの範囲として、前記交通密度予測パターンと次時刻の交通密度との関係を学習する、請求項3又は4に記載の交通流予測装置。
  6. 前記交通密度と速度との関係式は、下記式(1)で表される、請求項1~5のいずれか1項に記載の交通流予測装置。
    V=a×exp(-b×K) 式(1)
    ここで、Vは、平均速度(km/h)であり、Kは、交通密度(台/km)であり、a及びbは、交通密度・速度関係式パラメータである。
  7. 道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得することと、
    前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得することと、
    前記検知器情報及び前記車載器情報に基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測することと、を備える、交通流予測方法。
  8. コンピュータを、
    道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得する検知器情報取得部、
    前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得する車載器情報取得部、及び、
    前記検知器情報及び前記車載器情報に基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する交通流予測部、として機能させるための、プログラム。
JP2018216584A 2018-11-19 2018-11-19 交通流予測装置、交通流予測方法及びプログラム Active JP7172491B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018216584A JP7172491B2 (ja) 2018-11-19 2018-11-19 交通流予測装置、交通流予測方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018216584A JP7172491B2 (ja) 2018-11-19 2018-11-19 交通流予測装置、交通流予測方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2020086647A JP2020086647A (ja) 2020-06-04
JP7172491B2 true JP7172491B2 (ja) 2022-11-16

Family

ID=70908101

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018216584A Active JP7172491B2 (ja) 2018-11-19 2018-11-19 交通流予測装置、交通流予測方法及びプログラム

Country Status (1)

Country Link
JP (1) JP7172491B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115394083B (zh) * 2022-08-29 2023-06-06 合肥工业大学 一种基于深度学习的高速公路交通拥堵预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011209818A (ja) 2010-03-29 2011-10-20 Denso It Laboratory Inc 交通量予測装置、交通量予測方法およびプログラム
WO2014188586A1 (ja) 2013-05-24 2014-11-27 株式会社日立製作所 交通量推定システム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3212241B2 (ja) * 1995-08-25 2001-09-25 株式会社東芝 交通流予測装置
JP2001084479A (ja) * 1999-09-14 2001-03-30 Matsushita Electric Ind Co Ltd 交通流データ予測装置及び交通流データ予測方法
JP6426674B2 (ja) * 2016-09-29 2018-11-21 株式会社東芝 道路交通状況推定システム、および、道路交通状況推定方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011209818A (ja) 2010-03-29 2011-10-20 Denso It Laboratory Inc 交通量予測装置、交通量予測方法およびプログラム
WO2014188586A1 (ja) 2013-05-24 2014-11-27 株式会社日立製作所 交通量推定システム

Also Published As

Publication number Publication date
JP2020086647A (ja) 2020-06-04

Similar Documents

Publication Publication Date Title
EP2255347B1 (en) Travel pattern information obtaining device, travel pattern information obtaining method, travel pattern information obtaining program and computer readable medium
US7627414B2 (en) Road map management system
US10642268B2 (en) Method and apparatus for generating automatic driving strategy
US11276302B2 (en) Traffic monitoring apparatus and method of using the same
CN102800207B (zh) 交通信号检测系统和方法
US20120029800A1 (en) Providing cost information associated with intersections
JP5115542B2 (ja) 交通情報算出装置、交通システム及びコンピュータプログラム
JP5907249B2 (ja) 不慮予測感度判定装置
CN109637127B (zh) 一种信号灯近似时长的确定方法及系统
US9747801B2 (en) Method and device for determining surroundings
JP7172491B2 (ja) 交通流予測装置、交通流予測方法及びプログラム
JP4572944B2 (ja) 運転支援装置、運転支援方法および運転支援プログラム
JP2014106675A (ja) 所要時間算出装置及び所要時間算出方法
US20210116931A1 (en) Travelling support system, travelling support method and program therefor
CN110827561B (zh) 一种基于车辆的道路路况信息预报系统及方法
US20220219699A1 (en) On-board apparatus, driving assistance method, and driving assistance system
US11315425B2 (en) History information storage apparatus, route calculation method, and influence range distribution system
JP4957612B2 (ja) 走行パターン情報取得装置、走行パターン情報取得方法および走行パターン情報取得プログラム
US20090105936A1 (en) Route guidance apparatus, route guidance method, route guidance program and computer-readable recording medium
JP7424394B2 (ja) 車両監視システム、車両監視方法、及び車両監視装置
JP2006023886A (ja) 交通情報システム
JP7245797B2 (ja) 電子制御装置、選択方法
KR100478180B1 (ko) 차량속도 검출방법 및 그 장치
JP2024143006A (ja) 情報処理装置、情報処理方法およびプログラム
CN118609368A (zh) 一种基于全息感知的隧道交通智能管控方法、设备及介质

Legal Events

Date Code Title Description
RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20190327

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190328

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210810

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220609

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220621

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220713

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: 20221004

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221017

R150 Certificate of patent or registration of utility model

Ref document number: 7172491

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150