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

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。
   

Images