JP7228151B2 - 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル - Google Patents
渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル Download PDFInfo
- Publication number
- JP7228151B2 JP7228151B2 JP2018057472A JP2018057472A JP7228151B2 JP 7228151 B2 JP7228151 B2 JP 7228151B2 JP 2018057472 A JP2018057472 A JP 2018057472A JP 2018057472 A JP2018057472 A JP 2018057472A JP 7228151 B2 JP7228151 B2 JP 7228151B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- traffic
- road
- congestion
- 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
Links
- 238000000034 method Methods 0.000 title claims description 10
- 238000005070 sampling Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデルに関する。
従来より、渋滞情報を提供するサービスが知られている。これに関連し、特許文献１には、複数の地点の各々に関して、当該地点を含む領域内で録音された音声の特徴を示す情報に対応する表示を、当該地点に関する情報と関連付けて表示画面に表示させる技術が開示されている。
特に、特許文献１には、録音蓄積サーバから受信される、各々の録音データおよびメタデータに基づいて、音特徴情報を特定することが記載されている。例えば、まず、録音データの波形から例えばパワー、スペクトル包絡形状、ゼロ交差率、ピッチ、相関係数、メル周波数ケプストラム係数、または、音源方位などの特徴量を特定する。そして、特定した特徴量に対して、例えば分類木、確率モデル、ロジスティック回帰、サポートベクトルマシン、または、ニューラルネットワークなどの識別器を適用することにより、音特徴情報を特定することが記載されている（（１－１－３－３．特徴情報特定部３０２）を参照。）。
さらに、特許文献１には、地域内の交通量、および、地域に含まれる道路ごとの交通量を同一の画面において参照することができ、効率的に参照することができることや、地図画面に表示されている道路の渋滞状況をユーザは推測することができることが記載されている（（３－２－１－３．交通量の表示）を参照。）。
しかしながら、特許文献１には、音特徴情報に基づいてニューラルネットワークなどの識別器を適用することが記載されているものの、実際の車両の交通情報に基づいて渋滞の予測をしていないので、高い精度で渋滞を予測できない場合がある。
本発明は、上記の点に鑑みてなされたものであり、より高い精度の渋滞情報を提供することができる渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデルを提供することを目的の一つとする。
上記の課題を解決するため、本発明の一態様の渋滞予測システムは、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力する入力部と、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成する第１の学習部と、前記入力部に、予測対象情報としての交通情報が入力された場合に、前記学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する第１の渋滞予測部とを備える。
本発明の一態様の渋滞予測方法は、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力し、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成し、予測対象情報としての交通情報が入力された場合に、前記学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する。
本発明の一態様の学習装置は、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力する入力部と、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成する学習部と、を備える。
本発明の一態様のプログラムは、コンピュータに、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力させ、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成させる。
本発明の一態様の予測装置は、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力する入力部と、予測対象情報としての交通情報が入力された場合に、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する予測部とを備える。
本発明の一態様のプログラムは、コンピュータに、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力させ、予測対象情報としての交通情報が入力された場合に、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算させる。
本発明の一態様の学習済みモデルは、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報と、前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞の発生を予測するための変数が機械学習され、予測対象情報としての交通情報が入力された場合に、機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算するよう、コンピュータを機能させる。
本発明の一態様によれば、より高い精度の渋滞情報を提供することができる。
以下、本発明を適用した渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデルを、図面を参照して説明する。
（実施形態の概要）
実施形態の渋滞予測システムは、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力し、当該交通情報と道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、所定期間以内（目先）に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成する。そして、渋滞予測システムは、予測対象情報としての交通情報が入力された場合に、第１の学習済みモデルにおける機械学習済の変数に基づいて、道路において基準時点から所定期間が経過する第１の時点（目先）に渋滞が発生するか否かを表す予測情報を演算する。そして、渋滞予測システムは、例えば、渋滞情報を提供する渋滞情報提供システムに、目先の予測情報を出力することで、リアルタイムで目先の予測情報を車両の運転者などに提供することができる。基準時点は、例えば、予測対象情報としての交通情報が入力された時点である。基準時点は、ユーザにより指定された時点であってよい。また、所定時間は、例えば、ユーザにより指定された期間であるが、これに限定されず、固定期間であってよい。
実施形態の渋滞予測システムは、道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力し、当該交通情報と道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、所定期間以内（目先）に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成する。そして、渋滞予測システムは、予測対象情報としての交通情報が入力された場合に、第１の学習済みモデルにおける機械学習済の変数に基づいて、道路において基準時点から所定期間が経過する第１の時点（目先）に渋滞が発生するか否かを表す予測情報を演算する。そして、渋滞予測システムは、例えば、渋滞情報を提供する渋滞情報提供システムに、目先の予測情報を出力することで、リアルタイムで目先の予測情報を車両の運転者などに提供することができる。基準時点は、例えば、予測対象情報としての交通情報が入力された時点である。基準時点は、ユーザにより指定された時点であってよい。また、所定時間は、例えば、ユーザにより指定された期間であるが、これに限定されず、固定期間であってよい。
さらに、実施形態の渋滞予測システムは、日付、月、時間、曜日、または祝日といった第２の時点（将来）の属性情報、および第２の時点において渋滞が発生したか否かを表す情報を入力し、入力された属性情報を教師データとして、任意の時刻において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された第２の学習済みモデルを生成する。そして、渋滞予測システムは、予測対象情報としての将来の属性情報が入力された場合に、道路の地点にて渋滞が発生するか否かを予測するための変数に基づいて、基準時点から所定期間よりも長い期間が経過する第２の時点（将来）に渋滞が発生するか否かを予測してよい。これにより、渋滞予測システム１は、目先の渋滞予測情報と、目先の渋滞よりも先の将来の渋滞予測情報とを出力することができる。目先（第１の時点）の渋滞とは、例えば、現時点から一時間後に発生する渋滞であり、目先の渋滞よりも先（第２の時点、将来）の渋滞とは、例えば、現時現から数ヶ月後に発生する渋滞である。以下、第１の時点の渋滞を「目先の渋滞」と記載し、第2の時点の渋滞を「将来の渋滞」と記載する。
（渋滞予測システム１の構成例）
図１は、実施形態の渋滞予測システム１の一構成例を示すブロック図である。渋滞予測システム１は、例えば、渋滞予測部１００と、情報収集部２００と、情報提示装置３００とを備える。渋滞予測システム１は、渋滞予測部１００と情報収集部２００とが、ネットワークＮＷに接続されている。ネットワークＮＷに接続される各装置は、ＮＩＣ（Network Interface Card）や無線通信モジュールなどの通信インターフェースを備えている（図１では不図示）。ネットワークＮＷは、例えば、無線基地局、Ｗｉ－Ｆｉアクセスポイント、通信回線、プロバイダ、インターネットなどを含む。なお、本実施形態は、情報収集部２００と情報提示装置３００は別体の情報提供システムであるが、これに限定されず、一つの装置で構成してよい。
図１は、実施形態の渋滞予測システム１の一構成例を示すブロック図である。渋滞予測システム１は、例えば、渋滞予測部１００と、情報収集部２００と、情報提示装置３００とを備える。渋滞予測システム１は、渋滞予測部１００と情報収集部２００とが、ネットワークＮＷに接続されている。ネットワークＮＷに接続される各装置は、ＮＩＣ（Network Interface Card）や無線通信モジュールなどの通信インターフェースを備えている（図１では不図示）。ネットワークＮＷは、例えば、無線基地局、Ｗｉ－Ｆｉアクセスポイント、通信回線、プロバイダ、インターネットなどを含む。なお、本実施形態は、情報収集部２００と情報提示装置３００は別体の情報提供システムであるが、これに限定されず、一つの装置で構成してよい。
（情報収集部２００の説明）
情報収集部２００は、例えば、渋滞予測部１００が渋滞を予測するために必要な情報を収集するサーバ装置である。情報収集部２００は、収集した情報を蓄積するため、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory），ＲＯＭ（Read Only Memory），またはＲＡＭ（Random Access Memory）等により実現される。情報収集部２００は、各種のセンサシステムやサーバ装置とネットワークを介して接続される。情報収集部２００は、ネットワークを介して、例えば定期的に、渋滞予測部１００が渋滞を予測するために必要な情報を取得する。
情報収集部２００は、例えば、渋滞予測部１００が渋滞を予測するために必要な情報を収集するサーバ装置である。情報収集部２００は、収集した情報を蓄積するため、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory），ＲＯＭ（Read Only Memory），またはＲＡＭ（Random Access Memory）等により実現される。情報収集部２００は、各種のセンサシステムやサーバ装置とネットワークを介して接続される。情報収集部２００は、ネットワークを介して、例えば定期的に、渋滞予測部１００が渋滞を予測するために必要な情報を取得する。
図２は、情報収集部２００により情報を収集することを説明するための図である。情報収集部２００は多数の車両センサＳから各種のネットワークを介して交通情報を収集してよく、あるいは情報提供装置３００を介して交通情報を収集してもよい。車両センサＳは、例えば、速度センサ、カメラなどの車両Ｍの挙動を検出するセンサである。
複数の車両センサＳは、例えば、１００メートルごとや１キロメートルといった所定間隔ごとに設けられてよい。また、一定の間隔ごとに限らず、それぞれ任意の箇所に設けられてもよい。複数の車両センサＳのそれぞれは、例えば、自身が検出した情報に識別情報を付加して、情報収集部２００に送信してよい。車両センサＳが検出した情報には、例えば、車両センサＳの設置個所に紐付させるための情報が付加される。
情報取集部２００は、多数の車両センサＳから収集した情報に基づく道路上における車両の交通状況を表す情報として、例えば、交通量、車両の速度、車長に関する情報を取得する。さらに、情報収集部２００は、車両センサＳから収集した情報に基づいて、道路上における車両の車長が基準値よりも長い大型車両の交通状況に関する情報も取得する。基準値は、例えば、普通自動車の上限車長である。さらに、情報収集部２００は、多数の車両センサＳから収集した情報に基づいて、道路を走行する全車両のうち、車両の車長が基準値よりも長い大型車両が占める割合を演算する。
情報収集部２００は、交通量、速度、車長、車長が基準値よりも長い大型車両の交通量、および大型車両が占める割合を含む交通状況に関する情報を、道路における地点および時刻に対応付けて蓄積する。なお、情報収集部２００は、道路におけるカーブ路の曲率や、坂道における勾配などの構造及び地理的情報や、車両の加速または減速に関する情報を収集してよい。
情報収集部２００は、さらに、目先の渋滞を予測する場合に、入力情報として、道路Ｒに近い場所における降水量、風強、気温、または日照時間の少なくとも一つを含む天候情報を取得する。なお、情報収集部２００は、日照時間を取得しているが、これに限定されず、目先の渋滞予測に必要な日照に関する情報を取得すればよく、例えば、日の出時刻や日没時間などの情報を取得して良い。情報収集部２００は、例えば、天候情報を提供している情報提供装置３００から天候情報を取得する。さらに、情報収集部２００は、将来の渋滞を予測する場合に、日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む将来の属性情報を取得する。情報収集部２００は、取得した交通情報、天候情報、および属性情報を、渋滞予測部１００に提供する。
情報収集部２００は、第２の時点における天候情報を、入力情報として取得して良い。すなわち、情報収集部２００は、第２の時点における未来の予報情報としての天候情報を取得して良い。
（渋滞予測部１００の説明）
図１に戻る。渋滞予測部１００は、将来渋滞予測部１１０と、目先渋滞予測部１２０とを備える。将来渋滞予測部１１０および目先渋滞予測部１２０は、ＣＰＵ（Central Processing Unit）などのプロセッサが記憶部（不図示）に記憶されているプログラムを実行することによって機能するソフトウェア機能部である。また、将来渋滞予測部１１０および目先渋滞予測部１２０は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェア機能部であってよい。
図１に戻る。渋滞予測部１００は、将来渋滞予測部１１０と、目先渋滞予測部１２０とを備える。将来渋滞予測部１１０および目先渋滞予測部１２０は、ＣＰＵ（Central Processing Unit）などのプロセッサが記憶部（不図示）に記憶されているプログラムを実行することによって機能するソフトウェア機能部である。また、将来渋滞予測部１１０および目先渋滞予測部１２０は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェア機能部であってよい。
渋滞予測部１００は、情報収集部２００から属性情報を入力する入力部として機能する。将来渋滞予測部１１０は、入力された将来の属性情報に基づいて、将来において道路の地点にて渋滞が発生するか否かを表す予測情報を演算する。将来渋滞予測情報とは、属性情報に基づいて将来に渋滞が発生するか否かを表す情報である。
将来渋滞予測部１１０は、属性情報の入力に対して、将来に渋滞予測情報を演算するニューラルネットワークを利用した学習済みモデルに従って演算を行う。
渋滞予測部１００は、情報収集部２００から交通情報および天候情報を入力する入力部として機能する。目先渋滞予測部１２０は、入力された交通情報に基づいて、道路において目先の渋滞予測情報を演算する。
目先渋滞予測部１２０は、交通情報および天候情報の入力に対してランダムフォレストを利用した目先の渋滞予測をするための学習済みモデルに従って演算を行う。なお、目先渋滞予測部１２０は、ランダムフォレストを利用したが、これに限定されず、ディープラーニングなどの機械学習により生成した学習済みモデルに従って演算してよい。
渋滞予測部１００は、将来渋滞予測部１１０により予測された将来の渋滞予測情報と、目先渋滞予測部１２０により予測された目先の渋滞予測情報とを出力する出力部として機能する。
図３は、将来渋滞予測部１１０＃および目先渋滞予測部１２０＃における学習処理を説明するための図である。渋滞予測システム１は、学習処理部４００を備える。学習処理部４００は、ＣＰＵなどのプロセッサの処理によって、情報収集部２００により収集された情報に基づいて教師データ４００ａを生成する。学習処理部４００は、例えば、複数の車両センサＳにより検出された車速が所定値以下である場合、当該複数の車両センサＳにおいて渋滞が発生したと判定する。学習処理部４００は、判定結果と車両センサＳにより検出された情報をセットにした教師データ４００ａを生成する。
学習処理部４００は、複数の車両センサＳにより検出された複数の車両の速度が所定値以下である場合に、当該複数の車両センサＳが設置された地点において渋滞が発生したと判定してよい。さらに、学習処理部４００は、車両センサＳにより、連続して通過する複数の車両の速度が所定値以下である場合に、当該車両センサＳが設置された地点において渋滞が発生したと判定してよい。
学習処理部４００は、交通情報と道路において目先に渋滞が発生したか否かを示す情報とを教師データとして、渋滞予測部１００に供給することで、目先に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成する。
将来渋滞予測部１１０＃は、学習済みモデルとして生成されていない状態において、教師データとして、将来の属性情報と、将来の渋滞の有無とが対応付けられた情報を入力し、学習処理を行うことで、将来の渋滞予測をする第２の学習済みモデルとして生成される。すなわち、第２の渋滞予測部１１０＃は、教師データとして将来の属性情報を入力した場合に、基準時点から所定期間よりも長い期間が経過する第２の時点において道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された第２の学習済みモデルとして生成される。そして、第２の学習済みモデルとしての将来渋滞予測部１１０＃は、第２の時刻において道路の地点にて渋滞が発生するか否かを予測するための変数に基づいて、渋滞が発生するか否かを予測する。
目先渋滞予測部１２０は、学習済みモデルとして生成されていない状態において、教師データとして、交通情報および天候情報と目先での渋滞の有無とが対応付けられた情報を入力し、学習処理を行うことで、第１の学習済みモデルとして生成される。すなわち、目先渋滞予測部１２０は、交通情報と道路において基準時点から所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、基準時点から所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルとして生成される。そして、第１の学習済みモデルとしての目先渋滞予測部１２０は、予測対象情報としての交通情報が入力された場合に、第１の学習済みモデルにおける機械学習済の変数に基づいて、道路において基準時点から所定期間以内に渋滞が発生するか否かを表す予測情報を演算する。
図４は、将来渋滞予測部１１０におけるニューラルネットワーク１１０Ａを説明するための図である。ニューラルネットワーク１１０Ａには、将来の渋滞の有無が付加された属性情報が、教師データとして多数供給される。ニューラルネットワーク１１０Ａは、例えば、入力、中間、出力の3層からなるニューラルネットワーク（パーセプトロン）や、畳み込みニューラルネットワーク（Convolutional Neural Network；CNN)や、LSTM（Long short-term memory）により実現される。図４における「○」は、ニューロンを表す。
ニューラルネットワーク１１０Ａは、例えば、９４個の入力ニューロン（入力層）と、第１の中間層としての６０個の全結合ニューロンと、第２の中間層としての６０個の全結合ニューロンと、第３の中間層としての全結合ニューロンと、出力ニューロン（出力層）を含む。第１の中間層および第２の中間層としての全結合ニューロンの活性化関数は、例えばＴａｎｈである。第３の中間層としての全結合ニューロンの個数は、例えば、将来の渋滞予測対象となる地点としてのキロポストの数である。第３の中間層としての全結合ユニットの活性化関数は、例えばＳｉｇｍｏｉｄである。また、ニューラルネットワーク１１０Ａにおいて、誤差関数は、例えばバイナリ交差エントロピーであり、勾配降下アルゴリズムは、例えばＡｄａｍである。
ニューラルネットワーク１１０Ａにおいて、中間層は、それぞれ、例えば、入力された教師データにフィルタリング（乗算処理）を行い、フィルタリング後のデータにバイアス値を加算する。ニューラルネットワーク１１０Ａは、データを入力し、中間層によりフィルタ係数に基づくフィルタ処理を行って、出力層により処理済のデータを出力する。フィルタ部は、学習結果としてのフィルタ係数が設定される。ニューラルネットワーク１１０Ａは、教師データに付加された将来の渋滞の有無を出力するようにフィルタ係数が設定されることで、将来の渋滞予測モデルとして構築される。
なお、将来における渋滞予測モデルのための学習手法は、ニューラルネットワーク１１０Ａのパラメータの設定であってもよく、その他の機械学習手法でもよい。
図５は、目先渋滞予測部１２０におけるランダムフォレスト１２０Ａを説明するための図である。目先渋滞予測部１２０は、交通情報および天候情報と目先の渋滞の有無とが対応付けられた教師データを複数のグループに分割し、グループに含まれる教師データＡ，Ｂ，Ｃ，Ｄ，…のそれぞれを用いて、決定木Ａ，Ｂ，Ｃ，Ｄ，…をそれぞれ生成する。この結果、目先渋滞予測部１２０は、複数の決定木Ａ，Ｂ，Ｃ，Ｄ，…を含むランダムフォレスト１２０Ａを構築する。決定木の数は、例えば、４０本である。
各決定木は、教師データの交通情報および天候情報が入力された場合に、教師データの目先の渋滞の有無を出力するように生成された、目先の渋滞予測をするための学習済みモデルである。すなわち、各決定木は、交通情報および天候情報を表す説明変数の組み合わせで、目先の渋滞が発生するか否かを算出する学習済みモデルである。換言すれば、各決定木は、教師データとして交通情報Ｄ１および天候情報Ｄ２と目先の渋滞の有無Ｄ３とを用いて学習することで、予測対象情報として交通情報Ｄ１および天候情報Ｄ２が入力されたことに対して、目先の渋滞の有無Ｄ３を出力するように、説明変数が調整される。
渋滞予測部１００は、目先の渋滞予測を行う場合、情報収集部２００から、予測対象として、交通情報および天候情報を受け取る。渋滞予測部１００は、目先の渋滞予測をしたい地点としての注目点（基準地点）を車両が走行したことにより検出された第１検出値と、基準地点から車両進行方向における複数の地点を車両が走行したことにより検出された第２検出値と、基準地点から車両進行方向と反対方向における複数の地点を車両が走行したことにより検出された第３検出値とを含む入力情報を取得する。
具体的に、渋滞予測部１００は、図２に示すように、注目点（ｐ）における車両センサＳにより検出された交通情報（第１検出値）、注目点から車両進行方向に並んだ７個の車両センサＳ（ｐ＋１）～Ｓ（ｐ＋７）により検出された交通情報（第２検出値）、および注目点から車両進行方向とは反対方向に並んだ７個の車両センサＳ（ｐ－１）～Ｓ（ｐ－７）により検出された交通情報（第３検出値）、を取得する。
目先渋滞予測部１２０は、取得した交通情報を、各決定木Ａ，Ｂ，Ｃ，Ｄ，…に入力する。各決定木Ａ，Ｂ，Ｃ，Ｄ，…は、それぞれ、入力された交通情報に対し、注目点において目先の渋滞が発生するか否かを表す予測結果Ａ，Ｂ，Ｃ，Ｄ，…を出力する。目先渋滞予測部１２０は、予測結果Ａ，Ｂ，Ｃ，Ｄ，…の多数決を行うことで、複数の予測結果を統合する。目先渋滞予測部１２０は、統合された目先の渋滞の予測結果を出力する。
（実施形態の効果）
以上説明したように、実施形態の渋滞予測システム１によれば、交通情報に基づいて、道路において所定期間以内に渋滞が発生するか否かを表す目先の渋滞の予測情報を演算する。具体的に、渋滞予測システム１によれば、ランダムフォレストを利用した学習済みモデルに従って目先の渋滞の有無の演算を行う。これにより、渋滞予測システム１によれば、単にニューラルネットワークを用いて目先の渋滞の予測を行うよりも、より高い精度の渋滞情報を提供することができる。
以上説明したように、実施形態の渋滞予測システム１によれば、交通情報に基づいて、道路において所定期間以内に渋滞が発生するか否かを表す目先の渋滞の予測情報を演算する。具体的に、渋滞予測システム１によれば、ランダムフォレストを利用した学習済みモデルに従って目先の渋滞の有無の演算を行う。これにより、渋滞予測システム１によれば、単にニューラルネットワークを用いて目先の渋滞の予測を行うよりも、より高い精度の渋滞情報を提供することができる。
また、渋滞予測システム１によれば、基準地点を車両が走行したことにより検出された第１検出値と、基準地点から車両進行方向における複数の地点を車両が走行したことにより検出された第２検出値と、基準地点から車両進行方向と反対方向における複数の地点を車両が走行したことにより検出された第３検出値とを含む情報を入力情報として、目先の渋滞の有無を予測するので、一つの地点の情報に基づいて目先の渋滞の有無を予測するよりも、より高い精度の渋滞情報を提供することができる。
さらに、渋滞予測システム１によれば、道路上における車長に関する値や、道路上における車長が基準値よりも長い大型車両の交通量に関する値や、道路を走行する全車両のうち、大型車両が占める割合に関する値に基づいて、目先の渋滞の有無を予測するので、大型車が走行することに起因する目先の渋滞を予測することができる。
さらに、渋滞予測システム１によれば、道路における降水量、風強、気温、または日射前の少なくとも一つを含む天候情報に基づいて目先の渋滞の有無を予測するので、天候に起因する目先の渋滞を予測することができる。
さらに、渋滞予測システム１によれば、日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む将来の属性情報に基づいて注目点における将来の渋滞有無を予測するので、注目点における目先の渋滞有無に加えて、将来の渋滞有無を表す情報を提供することができる。この結果、渋滞予測システム１によれば、渋滞情報提供サービスの利便性を高くすることができる。
なお、上述の渋滞予測部１００、情報収集部２００、情報提供装置３００の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより渋滞予測部１００、情報収集部２００、情報提供装置３００としての処理を行ってもよい。ここで、「記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行する」とは、コンピュータシステムにプログラムをインストールすることを含む。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、インターネットやＷＡＮ、ＬＡＮ、専用回線等の通信回線を含むネットワークを介して接続された複数のコンピュータ装置を含んでもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このように、プログラムを記憶した記録媒体は、ＣＤ－ＲＯＭ等の非一過性の記録媒体であってもよい。また、記録媒体には、当該プログラムを配信するために配信サーバからアクセス可能な内部または外部に設けられた記録媒体も含まれる。配信サーバの記録媒体に記憶されるプログラムのコードは、端末装置で実行可能な形式のプログラムのコードと異なるものでもよい。すなわち、配信サーバからダウンロードされて端末装置で実行可能な形でインストールができるものであれば、配信サーバで記憶される形式は問わない。なお、プログラムを複数に分割し、それぞれ異なるタイミングでダウンロードした後に端末装置で合体される構成や、分割されたプログラムのそれぞれを配信する配信サーバが異なっていてもよい。さらに「コンピュータ読み取り可能な記録媒体」とは、ネットワークを介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、上述した機能の一部を実現するためのものであってもよい。さらに、上述した機能をコンピュータシステムに既に記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
また、上述した実施形態における渋滞予測部１００、情報収集部２００、情報提供装置３００の一部、または全部を、ＬＳＩ（Large Scale Integration）等の集積回路として実現してもよい。渋滞予測部１００、情報収集部２００、情報提供装置３００の各機能部は個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。
（学習済みモデルの具体例）
図６は、学習済みモデルの具体例を説明するためのブロック図である。渋滞予測部１０００は、例えば、ＣＰＵ１１００と、メモリ１２００とを備える。メモリには、上述した将来渋滞予測部１１０を実現するための将来渋滞予測用学習済みモデル１２００ａと、上述した目先渋滞予測部１２０を実現するための目先渋滞予測用学習済みモデル１２００ｂとが記憶される。すなわち、将来渋滞予測用学習済みモデル１２００ａおよび目先渋滞予測用学習済みモデル１２００ｂは、情報の入力から結果の出力までの演算を行うプログラムと、当該演算に用いられる重み付け係数（パラメータ、変数）の組合せであり、プログラムおよび重み付け係数（パラメータ、変数）の組み合わせが、メモリ１２００に記憶される。重み付け係数（パラメータ、変数）は、上述したように教師データにより機械学習により最適化された結果である。
図６は、学習済みモデルの具体例を説明するためのブロック図である。渋滞予測部１０００は、例えば、ＣＰＵ１１００と、メモリ１２００とを備える。メモリには、上述した将来渋滞予測部１１０を実現するための将来渋滞予測用学習済みモデル１２００ａと、上述した目先渋滞予測部１２０を実現するための目先渋滞予測用学習済みモデル１２００ｂとが記憶される。すなわち、将来渋滞予測用学習済みモデル１２００ａおよび目先渋滞予測用学習済みモデル１２００ｂは、情報の入力から結果の出力までの演算を行うプログラムと、当該演算に用いられる重み付け係数（パラメータ、変数）の組合せであり、プログラムおよび重み付け係数（パラメータ、変数）の組み合わせが、メモリ１２００に記憶される。重み付け係数（パラメータ、変数）は、上述したように教師データにより機械学習により最適化された結果である。
将来渋滞予測用学習済みモデル１２００ａおよび目先渋滞予測用学習済みモデル１２００ｂは、ＣＰＵ１１００およびメモリ１２００を備えるコンピュータにて用いられる。具体的には、コンピュータのＣＰＵ１１００が、メモリ１２００に記憶された学習済みモデル１２００ａおよび目先渋滞予測用学習済みモデル１２００ｂからの指令に従って、予測対象としての入力情報に対し、学習済の重み付け係数（パラメータ、変数）等に基づく演算を行い、予測結果を出力するように動作する。
以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。また、本発明の一態様は、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。また、上記各実施形態や変形例に記載された要素であり、同様の効果を奏する要素同士を置換した構成も含まれる。
（付記）
以上の記載から本発明の複数の態様は例えば以下のように把握される。
以上の記載から本発明の複数の態様は例えば以下のように把握される。
（１）道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力する入力部と、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成する第１の学習部と、
前記入力部に、予測対象情報としての交通情報が入力された場合に、前記学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する第１の渋滞予測部と
を備える、渋滞予測システム。
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成する第１の学習部と、
前記入力部に、予測対象情報としての交通情報が入力された場合に、前記学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する第１の渋滞予測部と
を備える、渋滞予測システム。
（２）前記道路に設置されたセンサのそれぞれが前記道路の所定間隔ごとに設けられ、前記センサのそれぞれが前記交通情報を検出して、前記入力部に供給する、
（１）に記載の渋滞予測システム。
（１）に記載の渋滞予測システム。
（３）前記交通情報は、前記道路における基準地点を車両が走行したことにより前記基準地点に対応する前記センサにより検出された第１検出値と、前記基準地点から車両進行方向における複数の地点を車両が走行したことにより、当該複数の地点に対応する前記センサにより検出された第２検出値と、前記基準地点から車両進行方向と反対方向における複数の地点を車両が走行したことにより、当該複数の地点に対応する前記センサにより検出された第３検出値とを含む、
（１）または（２）に記載の渋滞予測システム。
（１）または（２）に記載の渋滞予測システム。
（４）前記交通情報は、道路上における車長が基準値よりも長い大型車両の交通量に関する値である、
（１）から（３）のうちいずれか１項に記載の渋滞予測システム。
（１）から（３）のうちいずれか１項に記載の渋滞予測システム。
（５）前記交通情報は、道路を走行する全車両のうち、車長が基準値よりも長い大型車両が占める割合に関する値である、
（４）に記載の渋滞予測システム。
（４）に記載の渋滞予測システム。
（６）前記入力部は、前記入力情報として、前記道路における降水量、風強、気温、または日射前の少なくとも一つを含む天候情報を取得し、
前記第１の学習部は、前記天候情報と前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記変数が機械学習された前記第１の学習済みモデルを生成し、
前記第１の渋滞予測部は、予測対象情報としての前記交通情報および前記天候情報が入力された場合に、前記変数に基づいて、前記予測情報を演算する、
（１）から（５）のうちいずれか１項に記載の渋滞予測システム。
前記第１の学習部は、前記天候情報と前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記変数が機械学習された前記第１の学習済みモデルを生成し、
前記第１の渋滞予測部は、予測対象情報としての前記交通情報および前記天候情報が入力された場合に、前記変数に基づいて、前記予測情報を演算する、
（１）から（５）のうちいずれか１項に記載の渋滞予測システム。
（７）前記入力部は、日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む第２の時点の属性情報を入力し、
前記学習部は、前記入力部により入力された前記属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された第２の学習済みモデルを生成する第２の学習部と、
前記入力部に、予測対象情報としての属性情報が入力された場合に、前記基準時点から前記所定期間よりも長い期間が経過する前記第２の時点において前記道路の地点にて渋滞が発生するか否かを予測するための変数に基づいて、渋滞が発生するか否かを予測する第２の渋滞予測部と、を更に備え、
前記第１の渋滞予測部により予測された予測情報と、前記第２の渋滞予測部により予測された予測情報とを出力する、
（１）から（６）のうちいずれか１項に記載の渋滞予測システム。
前記学習部は、前記入力部により入力された前記属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された第２の学習済みモデルを生成する第２の学習部と、
前記入力部に、予測対象情報としての属性情報が入力された場合に、前記基準時点から前記所定期間よりも長い期間が経過する前記第２の時点において前記道路の地点にて渋滞が発生するか否かを予測するための変数に基づいて、渋滞が発生するか否かを予測する第２の渋滞予測部と、を更に備え、
前記第１の渋滞予測部により予測された予測情報と、前記第２の渋滞予測部により予測された予測情報とを出力する、
（１）から（６）のうちいずれか１項に記載の渋滞予測システム。
（８）前記第２の渋滞予測部は、前記属性情報の入力に対して前記予測情報を演算するニューラルネットを利用した学習済みモデルに従って演算を行い、
前記第１の渋滞予測部は、前記入力情報の入力に対して前記予測情報を演算するランダムフォレストを利用した学習済みモデルに従って演算を行う、
（７）に記載の渋滞予測システム。
前記第１の渋滞予測部は、前記入力情報の入力に対して前記予測情報を演算するランダムフォレストを利用した学習済みモデルに従って演算を行う、
（７）に記載の渋滞予測システム。
（９）道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力し、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成し、
予測対象情報としての交通情報が入力された場合に、前記学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する、
渋滞予測方法。
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成し、
予測対象情報としての交通情報が入力された場合に、前記学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する、
渋滞予測方法。
（１０）道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力する入力部と、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成する学習部と、
を備える、学習装置。
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成する学習部と、
を備える、学習装置。
（１１）コンピュータに、
道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力させ、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成させる、
プログラム。
道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力させ、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルを生成させる、
プログラム。
（１２）道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力する入力部と、
予測対象情報としての交通情報が入力された場合に、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する予測部と
を備える、予測装置。
予測対象情報としての交通情報が入力された場合に、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する予測部と
を備える、予測装置。
（１３）コンピュータに、
道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力させ、
予測対象情報としての交通情報が入力された場合に、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算させる
プログラム。
道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力させ、
予測対象情報としての交通情報が入力された場合に、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算させる
プログラム。
（１４）道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報と、前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞の発生を予測するための変数が機械学習され、
予測対象情報としての交通情報が入力された場合に、機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算するよう、
コンピュータを機能させるための学習済みモデル。
予測対象情報としての交通情報が入力された場合に、機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算するよう、
コンピュータを機能させるための学習済みモデル。
１００…渋滞予測部（予測装置）、１１０…将来渋滞予測部（学習済みモデル）、１１０Ａ…ニューラルネットワーク（プログラムおよび変数）、１２０…目先渋滞予測部（学習済みモデル）、１２０Ａ…ランダムフォレスト（プログラムおよび変数）、２００…情報収集部、３００…情報提供装置、４００…学習処理部（学習部、学習装置）
Claims (12)
- 道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力する入力部と、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成する第１の学習部と、
前記入力部に、予測対象情報としての前記交通情報が入力された場合に、前記第１の学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す予測情報を演算する第１の渋滞予測部と、を備え、
前記入力部は、日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む第２の時点の属性情報を入力し、
前記学習部は、前記入力部により入力された前記属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された第２の学習済みモデルを生成する第２の学習部と、
前記入力部に、予測対象情報としての前記属性情報が入力された場合に、前記基準時点から前記所定期間よりも長い期間が経過する前記第２の時点において前記道路の地点にて渋滞が発生するか否かを予測するための変数に基づいて、渋滞が発生するか否かを表す予測情報を演算する第２の渋滞予測部と、を更に備え、
前記第１の渋滞予測部により予測された予測情報と、前記第２の渋滞予測部により予測された予測情報とを出力する、
渋滞予測システム。 - 前記第２の渋滞予測部は、前記属性情報の入力に対して前記予測情報を演算するニューラルネットを利用した学習済みモデルに従って演算を行い、
前記第１の渋滞予測部は、前記入力情報の入力に対して前記予測情報を演算するランダムフォレストを利用した学習済みモデルに従って演算を行う、
請求項１に記載の渋滞予測システム。 - 前記道路に設置されたセンサのそれぞれが前記道路の所定間隔ごとに設けられ、前記センサのそれぞれが前記交通情報を検出して、前記入力部に供給する、
請求項１または２に記載の渋滞予測システム。 - 前記交通情報は、前記道路における基準地点を車両が走行したことにより前記基準地点に対応するセンサにより検出された第１検出値と、前記基準地点から車両進行方向における複数の地点を車両が走行したことにより、当該複数の地点に対応する前記センサにより検出された第２検出値と、前記基準地点から車両進行方向と反対方向における複数の地点を車両が走行したことにより、当該複数の地点に対応する前記センサにより検出された第３検出値とを含む、
請求項１から３のうちいずれか１項に記載の渋滞予測システム。 - 前記交通情報は、道路上における車長が基準値よりも長い大型車両の交通量に関する値である、
請求項１から４のうちいずれか１項に記載の渋滞予測システム。 - 前記交通情報は、道路を走行する全車両のうち、車長が基準値よりも長い大型車両が占める割合に関する値である、
請求項５に記載の渋滞予測システム。 - 道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力し、日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む第２の時点の属性情報を入力し、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成し、入力された前記属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された第２の学習済みモデルを生成し、
予測対象情報としての前記交通情報が入力された場合に、前記第１の学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す第１の予測情報を演算し、予測対象情報としての前記属性情報が入力された場合に、前記第２の学習済みモデルにおける機械学習済の変数に基づいて、前記基準時点から前記所定期間よりも長い期間が経過する前記第２の時点において前記道路の地点にて渋滞が発生するか否かを予測するための変数に基づいて、渋滞が発生するか否かを表す第２の予測情報を演算し、
前記第１の予測情報と、前記第２の予測情報とを出力する、
渋滞予測方法。 - 道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力し、日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む属性情報を入力する入力部と、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成し、前記入力部により入力された前記属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された第２の学習済みモデルを生成する学習部と、
を備える、学習装置。 - コンピュータに、
道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力させ、
前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された第１の学習済みモデルを生成させ、
日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む属性情報を入力させ、
前記属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された第２の学習済みモデルを生成させる、
プログラム。 - 道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の速度、交通量および車長を示す交通情報を、入力情報として入力し、日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む属性情報を入力する入力部と、
予測対象情報としての前記交通情報が入力された場合に、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す第１の予測情報を演算し、予測対象情報としての前記属性情報が入力された場合に、前記属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、渋滞が発生するか否かを表す第２の予測情報を演算する予測部と、を備え、
前記第１の予測情報と、前記第２の予測情報とを出力する、
予測装置。 - コンピュータに、
道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報を、入力情報として入力させ、
予測対象情報としての前記交通情報が入力された場合に、前記交通情報と前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデルにおける機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す第１の予測情報を演算させ、
日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む第２の時点の属性情報を入力させ、
予測対象情報としての前記属性情報が入力された場合に、前記属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習された学習済みモデにおける機械学習済の変数に基づいて、渋滞が発生するか否かを表す第２の予測情報を演算させ、
前記第１の予測情報と、前記第２の予測情報とを出力させる、
プログラム。 - 道路における複数の地点のそれぞれにおけるサンプリング時刻ごとの前記道路を走行した車両の交通量、速度および車長を示す交通情報と、前記道路において所定期間以内に渋滞が発生したか否かを示す情報とを教師データとして、前記所定期間以内に渋滞の発生を予測するための変数が機械学習され、予測対象情報としての前記交通情報が入力された場合に、機械学習済の変数に基づいて、前記道路において基準時点から前記所定期間が経過する第１の時点に渋滞が発生するか否かを表す第１の予測情報を出力させ、
日付、月、時間、曜日、または祝日か否かのうち少なくとも一つを含む第２の時点の属性情報を教師データとして、前記所定期間よりも長い期間内において前記道路の地点にて渋滞が発生するか否かを予測するための変数が機械学習され、予測対象情報としての前記属性情報が入力された場合に、前記基準時点から前記所定期間よりも長い期間が経過する前記第２の時点において前記道路の地点にて渋滞が発生するか否かを予測するための変数に基づいて、渋滞が発生するか否かを表す第２の予測情報を出力させるよう、コンピュータを機能させるための学習済みモデル。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018057472A JP7228151B2 (ja) | 2018-03-26 | 2018-03-26 | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018057472A JP7228151B2 (ja) | 2018-03-26 | 2018-03-26 | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019169028A JP2019169028A (ja) | 2019-10-03 |
| JP7228151B2 true JP7228151B2 (ja) | 2023-02-24 |
Family
ID=68107439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018057472A Active JP7228151B2 (ja) | 2018-03-26 | 2018-03-26 | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7228151B2 (ja) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113038382B (zh) * | 2019-12-09 | 2024-05-03 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
| CN111080018B (zh) * | 2019-12-20 | 2024-02-20 | 南京航空航天大学 | 一种基于道路交通环境的智能网联汽车车速预测方法 |
| CN111028511B (zh) * | 2019-12-25 | 2021-10-15 | 亚信科技（中国）有限公司 | 一种交通拥堵预警方法及装置 |
| CN111292525B (zh) * | 2019-12-30 | 2023-01-13 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
| JP7388242B2 (ja) * | 2020-03-03 | 2023-11-29 | オムロン株式会社 | 道路状況予測用重みパラメータ設定装置、道路状況予測用重みパラメータ設定方法、および、道路状況予測用重みパラメータ設定プログラム |
| CN113222239B (zh) * | 2021-05-08 | 2022-07-01 | 浙江科技学院 | 基于CNN-LSTM-At神经网络的短时交通流量预测方法 |
| CN113393705B (zh) * | 2021-05-31 | 2022-07-15 | 云南思码蔻科技有限公司 | 基于隧道或道路内车辆留存数量的路况管理系统 |
| CN113450569A (zh) * | 2021-06-30 | 2021-09-28 | 阿波罗智联(北京)科技有限公司 | 确定路口状态的方法、装置、电子设备和存储介质 |
| CN113706862B (zh) * | 2021-08-04 | 2023-05-12 | 兆边(上海)科技有限公司 | 一种考虑路网容量约束的分布式主动均衡管控方法 |
| CN115115082B (zh) * | 2021-12-30 | 2024-06-14 | 南通大学 | 一种基于联邦学习的长距离高速公路交通流量预测方法 |
| JP2023102189A (ja) * | 2022-01-11 | 2023-07-24 | トヨタ自動車株式会社 | 機械学習方法、機械学習モデル、及び渋滞予測装置 |
| CN115063968B (zh) * | 2022-03-08 | 2024-06-21 | 阿里云计算有限公司 | 道路拥堵预测方法、装置、电子设备、介质及程序产品 |
| CN115376308B (zh) * | 2022-05-26 | 2024-06-04 | 南京工程学院 | 一种汽车行驶时间的预测方法 |
| CN115294770B (zh) * | 2022-08-03 | 2024-08-20 | 航天宏图信息技术股份有限公司 | 一种雨天交通拥堵指数的预测方法和装置 |
| CN115620524B (zh) * | 2022-12-15 | 2023-03-28 | 中南大学 | 一种交通拥堵预测方法、系统、设备及存储介质 |
| CN116246460A (zh) * | 2022-12-27 | 2023-06-09 | 北京百度网讯科技有限公司 | 路段通行时长的确定方法、装置、电子设备和介质 |
| CN118015842B (zh) * | 2024-04-09 | 2024-06-14 | 经智信息科技(山东)有限公司 | 一种基于图像处理的交通拥堵预测方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000163685A (ja) | 1998-11-30 | 2000-06-16 | Fuji Electric Co Ltd | 交通流監視システム |
| JP2001256485A (ja) | 2000-03-14 | 2001-09-21 | Hitachi Ltd | 車種判別システム |
| JP2011113547A (ja) | 2009-11-30 | 2011-06-09 | Sumitomo Electric Ind Ltd | 交通情報推定装置、交通情報推定のためのコンピュータプログラム、及び交通情報推定方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04370900A (ja) * | 1991-06-19 | 1992-12-24 | Nissin Electric Co Ltd | 交通流計測装置 |
| JPH06208696A (ja) * | 1993-01-08 | 1994-07-26 | Nippon Signal Co Ltd:The | 超音波式車種判別装置 |
| JP3152858B2 (ja) * | 1995-03-09 | 2001-04-03 | 株式会社東芝 | 交通流予測装置 |
-
2018
- 2018-03-26 JP JP2018057472A patent/JP7228151B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000163685A (ja) | 1998-11-30 | 2000-06-16 | Fuji Electric Co Ltd | 交通流監視システム |
| JP2001256485A (ja) | 2000-03-14 | 2001-09-21 | Hitachi Ltd | 車種判別システム |
| JP2011113547A (ja) | 2009-11-30 | 2011-06-09 | Sumitomo Electric Ind Ltd | 交通情報推定装置、交通情報推定のためのコンピュータプログラム、及び交通情報推定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019169028A (ja) | 2019-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7228151B2 (ja) | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル | |
| US10989544B2 (en) | Utilizing artificial neural networks to evaluate routes based on generated route tiles | |
| Zhang et al. | A gradient boosting method to improve travel time prediction | |
| US11719753B2 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information | |
| EP3940631A1 (en) | Learning device, deduction device, data generation device, learning method, and learning program | |
| Schoen et al. | A machine learning model for average fuel consumption in heavy vehicles | |
| US20210182993A1 (en) | Targeted traffic campaign management system | |
| US20150186792A1 (en) | System and method for multi-task learning for prediction of demand on a system | |
| CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
| WO2016096226A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
| JP2020502713A (ja) | 車両のためのカスタマイズされた安全速度の決定 | |
| US20180247178A1 (en) | Display control device, display control method, and program | |
| WO2021050152A1 (en) | Systems and methods for predicting fuel consumption efficiency | |
| CN109643472A (zh) | 用于平衡车辆中的基于传感器的数据和信号的处理的系统和方法 | |
| KR102416711B1 (ko) | 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법 | |
| US20170243518A1 (en) | Information Presentation Apparatus and Method, and Computer Program Product | |
| US20200286106A1 (en) | Optimization of on-demand transportation systems | |
| US10820166B1 (en) | Systems and methods for obtaining location intelligence | |
| US12055400B2 (en) | Systems and methods for generating calm or quiet routes | |
| JP7451303B2 (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
| CN111862583B (zh) | 一种车流量预测方法及装置 | |
| WO2022025244A1 (ja) | 車両事故予測システム、車両事故予測方法、車両事故予測プログラム、及び、学習済みモデル生成システム | |
| Holmgren et al. | Regression-based evaluation of bicycle flow trend estimates | |
| US20220397408A1 (en) | Content Delivery In Real-Time Guided Navigation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180507 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201215 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211124 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211130 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220124 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220628 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220810 |
|
| 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: 20230104 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230202 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7228151 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |