JP7251048B2 - 渋滞予測装置 - Google Patents

Description

本発明は、渋滞予測装置、渋滞予測方法、渋滞予測プログラム、及び事象予測装置に関する。

従来より、道路の渋滞を予測する種々の方法が提案されている。例えば、特許文献１に記載の渋滞予測装置では、地図上に一定の区画に区切られた領域（以下、「メッシュ領域」という）を設定して、道路を走行中の車両からアップロードされる位置情報、時刻情報、走行速度等のデータに基づいて、メッシュ領域毎に現在走行中の車両の流動性を算出している。これにより、ユーザーが目的地を設定することなく、簡便で精度の高いメッシュ領域毎の渋滞予測情報の提供を可能としている。

特開２０１７－１２６１２３号公報

しかしながら、渋滞の予測には改善の余地があり、さらに精度が高い渋滞の予測が要望されていた。ところで、渋滞の予測は、ごく近い未来の予測であるため、渋滞の予測以外にも、近い未来に生じうる事象の予測は、渋滞の予測と同様のアプローチで解決できると考えられる。特に、近い未来に生じうる事象の予測は、それが正しいか否かが所定時間経過後に分かるため、その予測が正しいか否かを逐次検証すれば、予測の精度を向上できると考えられる。

本発明は、この問題を解決するためになされたものであり、予測の検証を行うことで、予測精度を高めることができる、渋滞予測装置、渋滞予測方法、渋滞予測プログラム、及び予測装置を提供することを目的とする。

本開示に係る渋滞予測装置は、少なくとも一つの地区の道路において、道路の進行方向に沿って所定間隔をおいて配置される複数のセンサから時刻ｔ及び時刻ｔ＋ｎにおいてそれぞれ取得されたデータを受け取り、前記各データに基いて車両の通過台数に関する前記時刻ｔにおける第１情報、及び前記時刻ｔ＋ｎにおける第２情報を算出する道路情報算出部と、前記第１情報から、前記時刻ｔ+ｎに予想される前記車両の通過台数に関連する予測情報を、算出するための学習を行った学習済みの第１学習器と、時刻ｔ＋ｎにおいて、前記第２情報と、前記予測情報とを比較し、所定の基準に適合しているか否かを判定する判定部と、前記判定部が、前記所定の基準に適合していると判定した場合には、所定の条件下で、前記第１情報と前記第２情報とを追加学習データとして、前記第１学習器を学習するための学習データに加えて、前記第１学習器の再学習を行う、再学習部と、を備え、前記第１学習器は、第１時刻の前記複数のセンサからのデータに基づく前記通過台数に関する情報と、前記第１時刻よりも未来の第２時刻の前記複数のセンサからのデータに基づく前記通過台数に関する情報と、を含む学習データにより学習されている。

この構成によれば、予測情報が、所定時間経過後に正しかったかどうか確認できるため、予測が正しかった場合には、予測に用いた第１情報及び実際の結果である第２情報を用いて第１学習器を再学習するようにしている。したがって、第１学習器の学習を効率的に行うことができる。

上記渋滞予測装置において、前記再学習部は、前記追加学習データが加えられた前記学習データにより前記第１学習器と同一構成の学習器を学習した、仮学習器を生成し、前記第１学習器と前記仮学習器との比較を行った結果、前記仮学習器が前記第１学習器よりも所定の基準に基づく精度が高い場合には、前記仮学習器により前記第１学習器を更新することができる。

この構成によれば、次の効果を得ることができる。上記のような予測が正しかった場合の第１情報及び第２情報を用いても、第１学習器の精度が高くならない場合もある。これに対応するために、予測が正しかった場合の情報を加えた学習データで学習させた仮学習器と、現在の第１学習器とを対比し、仮学習器の方が精度が高い場合にのみ、第１学習器の更新を行うようにしている。したがって、学習器の精度を確実に高めることができる。

上記渋滞予測装置においては、所定の時期ごとに作成された学習データによって学習された複数の前記第１学習器を備えており、前記各第１学習器は、それぞれ、生成された前記学習データの時期に用いられるように構成することができる。

この構成によれば、第１学習器を学習する学習データが、所定の時期ごと、例えば、平日、休日、朝昼等の時間帯、月、季節等ごとに作成され、各学習データごとに学習された複数の第１学習器を有し、各第１学習器が対応する所定の時期に用いられる。渋滞の発生は、上記のような時期ごとに異なる傾向にあるため、時期ごとの学習データで学習された第１学習器を用いれば、渋滞の予測の精度を高めることができる。

上記渋滞予測装置においては、前記追加学習データを入力とし、当該追加学習データを用いて学習された前記仮学習器が、前記更新に用いられたか否かを出力とする学習データにより、学習を行い、前記追加学習データを入力したとき、当該追加学習データを用いて学習された前記仮学習器が、前記更新に用いられたか否かを出力する、学習済みの第２学習器をさらに備えることができ、前記再学習部は、前記判定部により前記所定の基準に適合していると判定した前記第１情報と前記第２情報が、前記追加学習データとして適合しているか否かを前記第２学習器に判断させ、当該第２学習器が適合と判断した前記追加学習データを用いた学習データにより、前記仮学習器を生成するように構成することができる。

この構成によれば、予測が正しかったすべての追加学習データで再学習を行うのではなく、再学習に適した追加学習データであるか否かを第２学習器で判断し、再学習に適した追加学習データのみを用いて第１学習器の再学習するようにしている。したがって、再学習の回数を減らすとともに、効率的な再学習を行うことができる。よって、学習の負荷を低減することができる。

上記渋滞予測装置においては、所定の時期ごとに作成された学習データによって学習された複数の前記第２学習器を備えており、前記各第２学習器は、それぞれ、生成された前記学習データの時期に用いられるように構成することができる。

上記渋滞予測装置においては、前記第２情報に基づいて、前記各センサが配置された道路での渋滞の発生状況を算出する渋滞情報算出部をさらに備えることができる。

上記渋滞予測装置において、前記各学習器は、例えば、ニューラルネットワークによって構成することができる。

本開示に係る渋滞予測方法は、少なくとも一つの地区の道路において、道路の進行方向に沿って所定間隔をおいて配置される複数のセンサから時刻ｔにおいて取得されたデータを受け取り、前記データに基いて車両の通過台数に関する第１情報を算出するステップと、時刻ｔにおいて、前記第１情報から、時刻ｔ+ｎに予想される前記車両の通過台数に関する予測情報を算出するための学習を行った学習済みの第１学習器を準備するステップと、前記複数のセンサから時刻ｔ+ｎにおいて取得されたデータを受け取り、前記データに基いて車両の通過台数に関する第２情報を算出するステップと、前記第２情報と、前記予測情報とを比較し、所定の基準に適合しているか否かを判定するステップと、前記所定の基準に適合していると判定した場合には、所定の条件下で、前記第１情報と前記第２情報とを前記第１学習器を再学習するための学習データに加える、ステップと、を備えている。

本開示に係る渋滞予測プログラムは、コンピュータに、少なくとも一つの地区の道路において、道路の進行方向に沿って所定間隔をおいて配置される複数のセンサから時刻ｔにおいて取得されたデータを受け取り、前記データに基いて車両の通過台数に関する第１情報を算出するステップと、時刻ｔにおいて、前記第１情報から、時刻ｔ+ｎに予想される前記車両の通過台数に関する予測情報を算出するための学習を行った学習済みの第１学習器を準備するステップと、前記複数のセンサから時刻ｔ+ｎにおいて取得されたデータを受け取り、前記データに基いて車両の通過台数に関する第２情報を算出するステップと、前記第２情報と、前記予測情報とを比較し、所定の基準に適合しているか否かを判定するステップと、前記所定の基準に適合していると判定した場合には、所定の条件下で、前記第１情報と前記第２情報とを前記第１学習器を再学習するための学習データに加える、ステップと、を備えている。

本開示に係る予測装置は、所定の情報を取得する情報取得部を備え、前記事項に基づいて所定の事象が生じ得るシステムに用いられる、予測装置であって、時刻ｔにおいて、前記各情報取得部から取得される前記事項に関する第１情報から、時刻ｔ+ｎにおいて、前記システムで生じ得る前記事象に関する予測情報を算出するための学習を行った学習済みの第１学習器と、時刻ｔ＋ｎにおいて、前記システムで生じた前記事象に関する第２情報と、前記予測情報とを比較し、所定の基準に適合しているか否かを判定する判定部と、前記判定部が、前記所定の基準に適合していると判定した場合には、所定の条件下で、前記第１情報と前記第２情報とを追加学習データとして、前記第１学習器を再学習するための学習データに加えて、前記第１学習器の再学習を行う、再学習部と、を備えている。

本発明によれば、予測の検証を行うことで、予測精度を高めることができる。

本発明の第１実施形態に係る渋滞予測装置の概要を示すブロック図である。 センサが配置された道路の概略図である。 各センサからの検知データにより生成された道路情報である。 車両占有率と通過台数から渋滞の発生を判断する方法の一例を示すグラフである。 図１の渋滞予測装置のハードウエア構成を示すブロック図である。 道路情報の予測を示す図である。 図１の渋滞予測装置で用いられるニューラルネットワークの一例を示す図である。 図１の渋滞予測装置の学習器の学習の一例を示す図である。 図１の渋滞予測装置における学習器の更新の処理手順の一例を例示するフローチャートである。 第２実施形態に係る渋滞予測装置の機能構成を示すブロック図である。 図１０の渋滞予測装置の学習器の学習の一例を示す図である。 図１０の渋滞予測装置における学習器の更新の処理手順の一例を例示するフローチャートである。 本発明の予測装置の概要を示すブロック図である。 図１３の予測装置における学習器の更新の処理手順の一例を例示するフローチャートである。 本発明の券売機故障予測装置の概要を示すブロック図である。 図１５の券売機故障予測装置の学習器の学習の一例を示す図である。 図１５の券売機故障予測装置における学習器の更新の処理手順の一例を例示するフローチャートである。

＜Ａ．第１実施形態＞
以下、本発明に係る渋滞予測装置、渋滞予測方法、及び渋滞予測プログラムの第１実施形態について、図面を参照しつつ説明する。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。

＜１．適用例＞
以下、本実施形態に係る渋滞予測装置について、説明する。この渋滞予測装置は、車両監視システムに設けられるものであり、図１に示すように、道路に設置される複数のセンサ１と、これらセンサ１と通信回線１００を介して接続される渋滞予測装置２と、を備えている。まず、センサ１について説明する。センサ１は、高速道路などの道路に沿って所定間隔おきに設置される。例えば、図２に示すように、道路１０の進行方向に沿って、所定間隔おき（例えば、５００ｍ毎）に複数のセンサ１１～１３が設置されている。これらのセンサ１１～１３は、通過する自動車の台数を検知する。その他、自動車の速度、自動車の高さ、車種などを検知するようにしてもよく、このような検知を車線ごとに行うこともできる。すなわち、道路を通行する自動車に関する種々のデータを取得する。以下、これらのセンサで直接検知されたデータを検知データと称することとする。そして、この検知データが、本発明における「センサで取得されたデータ」に相当する。

そして、このような検知データに基づいて、渋滞を予測するための情報を、渋滞予測装置２において作成する。そのような情報は、種々のものを挙げることができるが、本実施形態では、一例として、所定時間内の自動車の通過台数及び車両占有率を用いる。ここで、通過台数は、各センサ１で検知された、走行する自動車の台数を所定時間おきに求めたものである。一方、車両占有率とは、通過台数を元に算出することができ、所定時間における、自動車が通過した時間の割合である。例えば５分間において、あるセンサ１１～１３で検出された、自動車が通過している時間の合計が３０秒である場合には、車両占有率は１０％となる。これら車両の通過台数及び車両占有率が、本発明に係る第１情報または第２情報に相当する。そして、以下では、これらの情報を道路情報と称することとする。

したがって、ある道路に配置されているセンサ１１～１３からは、図３のような道路情報が取得される。図３の例では、所定間隔をおいた３つの地点Ａ～Ｃにセンサ１１～１３が配置され、各センサ１１～１３から所定時間ごとに車両の通過台数及び車両占有率が出力される。また、図３の例では、出力された道路情報の一部が示されているが、現在時刻をｔとし、それより５分前から１分ごとの情報が示されている。

そして、このような自動車の通過台数と車両占有率から渋滞の発生を判定する。渋滞の判定方法としては種々の方法があるが、例えば、図４に示すように、車両占有率が所定値Ｓ以上であり、且つ（Ａ＊車両占有率＞通過台数）を充足すれば、そのセンサが設置されている地点で渋滞が発生していると判定する。Ｓ，Ａはセンサの場所、道路の場所、日時、季節、などから適宜決定されるパラメータである。このように、各センサ１から得られる車両の通過台数及び車両占有率が分かれば、渋滞の発生を判定することができる。

なお、本実施形態で対象とするセンサ１は、一つの地区の道路だけではなく、同様の情報を取得可能なセンサ１が配置された複数の地区の道路も対象となる。

そして、図１に示すように、本実施形態に係る渋滞予測装置２は、センサ１で取得された検知データから道路情報を算出する道路情報算出部２１１と、この道路情報算出部２１１から出力された道路情報により、所定時間経過後の道路情報を予測する予測部２１２と、予測部２１２によって予測された道路情報から判定された渋滞情報を表示する表示装置２６と、を備えている。また、予測部２１２は、予測のための学習を行う学習済み学習器２１３を備えている。

ところで、この渋滞予測装置２では、所定時間経過後の未来を予測するため、その予測が正しかったか、誤っていたかは、所定時間経過後に判明する。したがって、本実施形態に係る渋滞予測装置２は、所定時間経過後に、予測が正しかったと判明した場合に、その情報を用いて、予測部２１２の学習器２１３の再学習を行う。そのため、この渋滞予測装置２は、予測された道路情報（予測情報）が正しかったか否かを判定する判定部２１４と、この判定部２１４により正しいと判定された道路情報を用いて学習器２１３を再学習するための再学習部２１５とを、さらに備えている。

再学習部２１５は、正しい予測が行われたときの道路情報、例えば、時刻ｔにおいて各センサ１で検知された検知データから算出された現実の道路情報を入力値とし、時刻ｔ＋ｎにおいて各センサ１で検知された検知データから算出された現実の道路情報を出力値としたデータを追加データとして学習データに追加し、現学習器２１３と同一構成の学習器（換言すると、現学習器２１３のコピー）を学習させる。こうして学習された学習済み学習器２１３を仮学習器２１６とする。なお、誤った予測が行われた場合には、仮学習器は生成しない。

そして、再学習部２１５では、仮学習器２１６と現学習器２１３とを比較し、仮学習器２１６の方が、現学習器２１３よりも精度が高いものであると判断した場合には、現学習器２１３の学習結果データを仮学習器の学習結果データに置き換える。すなわち、学習器２１３の更新を行う。現学習器２１３と仮学習器２１６の精度の判断は、種々の方法で行うことができるが、例えば、適当な入力値と出力値を有するサンプルデータを用いて予測を行わせることができる。サンプルデータとは、例えば、過去に収集したデータに基づく道路情報である入力値と、その後（時間ｎ経過後）に実際に測定されたデータに基づく道路情報である出力値を有するものとすることができる。そして、サンプルデータの入力値を各学習器２１３，２１６に入力し、いずれが精度の高い予測、つまりサンプルデータの出力値に近い出力を行うかで判断することができる。

すなわち、本実施形態の渋滞予測装置においては、過去の道路情報から未来の道路情報を予測するために学習された学習器を用い、現在の道路情報から予測した未来の道路情報が正解であったことが確認された場合には、現在の道路情報と、予測が正しかった未来の道路情報（実際の未来の道路情報）とを追加学習データとして準備する。そして、現在の学習器と同一構成の学習器を、追加学習データを用いて学習させた仮学習器を生成し、この仮学習器が、現在の学習器の精度を上回れば、現在の学習器を仮学習器に置き換えるように構成されている。また、このような学習器の学習は、時間の経過とともに変化するデータに適用することができる。この点は、後述する。

＜２．構成例＞
＜２－１．ハードウエア構成＞
次に、本実施形態に係る渋滞予測装置、及びこれが含まれる車両監視システムのハードウエア構成について説明する。

＜２－１－１．センサ＞
センサ１は、特には限定されないが、上述した検知データを取得できるものであればよく、赤外線センサなど各種のセンサを用いることができる。

＜２－１－２．渋滞予測装置＞
図５は、本実施形態に係る渋滞予測装置を示す機能ブロック図である。図５に示すように、本実施形態に係る渋滞予測装置２は、制御部２１、記憶部２２、通信インタフェース２３、入力装置２４、出力装置２５、表示装置２６、外部インタフェース２７、及びドライブ２８が電気的に接続されたコンピュータである。なお、図１では、通信インタフェース及び外部インタフェースをそれぞれ、「通信Ｉ／Ｆ」及び「外部Ｉ／Ｆ」と記載している。

制御部２１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、情報処理に応じて各構成要素の制御を行う。記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置であり、制御部２１で実行される渋滞予測プログラム２２１、センサ１から送信される検知データ２２２、検知データから算出された道路情報２２３、学習済みの学習器に関する情報を示す学習結果データ２２４、学習器を学習させるための学習データ２２５等を記憶する。また、予測された道路情報、渋滞予測なども記憶部２２に記憶することができる。

渋滞予測プログラム２２１は、センサ１から得られる検知データ２２２を元に、各センサ１が配置されている地点での渋滞の予測を行うものである。また、学習結果データ２２４は、学習済みの学習器の設定を行うためのデータである。詳細は後述する。

通信インタフェース２３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。例えば、センサ１と接続したり、あるいは渋滞の状況や渋滞の予測を外部に送信するために用いられる。入力装置１４は、例えば、マウス、キーボード等の入力を行うための装置である。出力装置１５は、例えば、スピーカ等の出力を行うための装置である。表示装置２６は、ディスプレイ等で構成することができ、例えば、渋滞の状況、渋滞の予測結果などを表示することができる。外部インタフェース２７は、ＵＳＢ（Universal Serial Bus）ポート等であり、外部装置と接続するためのインタフェースである。

ドライブ２８は、例えば、ＣＤ（Compact Disk）ドライブ、ＤＶＤ（Digital Versatile Disk）ドライブ等であり、記憶媒体９１に記憶されたプログラムを読み込むための装置である。ドライブ１７の種類は、記憶媒体９１の種類に応じて適宜選択されてよい。上記記憶部２２に記憶される各種のデータ２２１～２２５の少なくとも一つは、この記憶媒体９１に記憶されていてもよい。また、検知データ２２２、道路情報２２３は、制御部２１のＲＡＭに記憶させることもできる。

記憶媒体９１は、コンピュータその他装置、機械等が記録されたプログラム等の情報を読み取り可能なように、このプログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。渋滞予測装置２は、この記憶媒体９１から、上記各種のデータ２２１～２２５を取得してもよい。

ここで、図５では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。

なお、渋滞予測装置２の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のプロセッサを含んでもよい。渋滞予測装置２は、複数台の情報処理装置で構成されてもよい。また、渋滞予測装置２は、提供されるサービス専用に設計された情報処理装置の他、汎用のデスクトップＰＣ（Personal Computer）、タブレットＰＣ等が用いられてもよい。

＜２－２．渋滞予測装置の機能的構成＞
次に、図１及び図５を参照しつつ、本実施形態に係る渋滞予測装置２の機能構成の一例を説明する。

＜２－２－１．概略構成＞
図５に示すように、渋滞予測装置２の制御部２１は、記憶部２２に記憶された渋滞予測プログラム２２１をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開された渋滞予測プログラム２２１をＣＰＵにより解釈及び実行して、各構成要素を制御する。これによって、図１に示すように、本実施形態に係る渋滞予測装置２は、道路情報算出部２１１、予測部２１２、判定部２１４、及び再学習部２１５を備えるコンピュータとして機能する。

＜２－２－２．道路情報算出部＞
道路情報算出部２１１は、センサ１で検知された検知データ２２２を取得し、上述した通過台数及び車両占有率等の道路情報を算出する。また、これら道路情報から上述した渋滞状況を算出する。すなわち、図３に示すように、通過台数及び車両占有率から、各センサ１が配置されている地点に渋滞が発生しているか否かを算出し、表示装置２６に表示したり、通信Ｉ／Ｆ２３を介して外部に送信したりする。

＜２－２－３．予測部＞
予測部２１２では、所定時間経過後の道路情報を予測するために学習した学習器２１３を備えており、その学習器２１３の入力として、各センサ１における道路情報を入力とする。そして、学習器２１３の演算処理により、当該学習器２１３から、所定時間経過後の各センサ１における予測の道路情報を出力として得る。入力及び出力は、例えば、図６のようにすることができる。図６に示すように、この例では、現在時刻ｔとして、時刻ｔ、その１分前の時刻ｔ－１、２分前の時刻ｔ－２での複数地点Ａ～Ｃのセンサ１における道路情報を入力とし、現在時刻からｎ分後の時刻ｔ＋ｎでの複数地点Ａ～Ｃのセンサ１における道路情報を出力とする。そして、予測部２１２では、出力された道路情報を道路情報算出部２１１に送り、各センサ１が配置されている各地点に渋滞が発生しているか否かを算出する。その結果は、上述したように表示装置２１９に表示したり、外部に送信したりする。

このような予測を行う学習器２１３は、ニューラルネットワークで構成されている。具体的には、図７に示すような、いわゆる深層学習に用いられる多層構造のニューラルネットワークであり、入力から順に、入力層７１、中間層（隠れ層）７２、及び出力層７３を備えている。

図７では、ニューラルネットワーク７は１層の中間層７２を備えており、入力層７１の出力が中間層７２の入力となり、中間層７２の出力が出力層７３の入力となっている。ただし、中間層７２の数は１層に限られなくてもよく、ニューラルネットワーク７は、中間層７２を２層以上備えてもよい。

各層７１～７３は、１又は複数のニューロンを備えている。例えば、入力層７１のニューロンの数は、各道路情報の数に応じて設定することができる。中間層７２のニューロンの数は実施の形態に応じて適宜設定することができる。また、出力層７３も、出力する道路情報に応じて設定することができる。

隣接する層のニューロン同士は適宜結合され、各結合には重み（結合荷重）が設定されている。図７の例では、各ニューロンは、隣接する層の全てのニューロンと結合されているが、ニューロンの結合は、このような例に限定されなくてもよく、実施の形態に応じて適宜設定されてよい。

各ニューロンには閾値が設定されており、基本的には、各入力と各重みとの積の和が閾値を超えているか否かによって各ニューロンの出力が決定される。渋滞予測装置２は、このようなニューラルネットワーク７の入力層７１に上記道路情報を入力することで、出力層７３から所定時間経過後の道路情報を得る。

なお、このようなニューラルネットワーク７の構成（例えば、ニューラルネットワーク７の層数、各層におけるニューロンの個数、ニューロン同士の結合関係、各ニューロンの伝達関数）、各ニューロン間の結合の重み、及び各ニューロンの閾値を示す情報は、学習結果データ２２４に含まれている。渋滞予測装置２は、学習結果データ２２４を参照して、学習済みの学習器の設定を行う。また、この学習器２１３は、例えば、ある時刻（第１時刻）の道路情報を入力とし、それよりも未来の時刻（第２時刻）の道路情報を出力とする学習データ２２５によって、誤差逆伝播法などによって、学習されている。

また、この学習器２１３では、各地点の現在時刻、及び２つの過去の時刻での道路情報を入力とし、未来の１つの時刻における道路情報を出力としている。しかし、これは一例であり、入力に使うセンサの数及び時刻の数は、特には限定されず、適宜設定が可能である。同様に、予測する道路情報の時刻の数、センサの数についても、適宜設定が可能である。すなわち、複数の未来の時刻において道路情報を予測することもできる。また、一つの道路の道路情報の予測だけではなく、複数の地区の道路の道路情報をまとめて予測するようにしてもよい。

＜２－２－４．判定部＞
判定部２１４は、予測部２１２で行われた予測が正しいか否かを判定する。予測された道路情報は、時間の経過により正しかったか否かが分かる。そこで、判定部２１４では、道路情報算出部２１１から逐次、実際の道路情報を受け取り、予測部２１２で予測された道路情報が正しいか否かを判定する。そして、予測部２１２での予測が正しい場合には、その予測を行ったときの入力、及び実際の出力は、学習器２１３のさらなる学習のための追加学習データとして利用価値があると判断する。一方、予測が外れた場合には、その予測を行ったときの入力、及び実際の出力は、使用しない。なお、予測が正しかったか否かの判定については、所定の基準を適宜、設定しておくことができる。例えば、すべての地点での通過台数と車両占有率の完全一致を基準とすることもできるし、完全一致から多少の誤差範囲内であることを基準とすることもできる。

＜２－２－５．再学習部＞
判定部２１４で、予測が正しいと判断されたとき、その予測を行ったときの入力、及び実際の出力は、追加学習データとして、再学習部２１５に送られる。図８に示すように、再学習部２１５では、追加学習データ２２５１を現在の学習データ２２５に加えて、学習器２１３と同じ学習結果データ２２４で構成された学習器（換言すると、学習器２１３のコピー）の学習を行い、仮学習器２１６を生成する。この仮学習器２１６の生成によって得られた学習結果データを仮学習結果データ２２４１と称することとする。そして、再学習部２１５は、この仮学習器２１６と現在の学習器（現学習器）２１３とのいずれの精度が高いかを判断する。

判断の方法は特には限定されないが、例えば、上述したようなサンプルデータを用い、そのサンプルデータの入力値に対してよりサンプルデータの出力値に近い出力を行った学習器を新たな学習器として採用する。例えば、仮学習器２１６の方が高い精度であった場合には、仮学習結果データを予測部２１２に送り、現在の学習結果データ２２４を更新する。現在の学習器２１３の方が高い精度であった場合には、学習結果データ２２４の更新は行わない。

＜２－３．渋滞予測装置の動作＞
次に、図９を参照しつつ、渋滞予測装置２の動作例を説明する。図９は、渋滞予測装置２における学習器の更新の処理手順の一例を例示するフローチャートである。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

まず、センサ１で検知された検知データ２２２は、逐次、渋滞予測装置２の道路情報算出部２１１に入力され、ここで道路情報が算出される（ステップＳ１０１）。算出された道路情報は、表示装置２１９で表示されるとともに、予測部２１２に入力され、ここで所定時間後の道路情報を予測する（ステップＳ１０２）。また、予測された道路情報も表示装置で表示される。そして、判定部２１４では、所定時間経過後に実際の道路情報と比較し、予測された道路情報が正しかった否かの判断が行われる（ステップＳ１０３）。このとき、予測が誤っていた場合には、再学習は行わない（ステップＳ１０３のＮＯ）。一方、予測が正しい場合には（ステップＳ１０３のＹＥＳ）、再学習を行う。すなわち、正しい予測を行った入力と実際の出力とを追加学習データ２２５１とし、現在の学習データ２２５に追加して学習器２１３と同じ学習結果データで構成された学習器を学習し、仮学習器２１６を生成する（ステップＳ１０４）。そして、この仮学習器２１６と現在の学習器２１３とを比較し（ステップＳ１０５）、仮学習器２１６の方が精度が高い場合には（ステップＳ１０５のＹＥＳ）、仮学習器２１６の仮学習結果データ２２４１を、新たな学習結果データ２２４として、学習器２１３の更新を行う（ステップＳ１０６）。一方、現在の学習器２１３の方が精度が高ければ（ステップＳ１０５のＮＯ）、仮学習器２１６を廃棄し、学習器の更新は行わない。

＜３．特徴＞
以上のように、本実施形態によれば、予測の対象となる道路情報が、所定時間経過後に予測が正しかったかどうか確認できる事項であるため、予測が正しかった場合には、その道路情報を用いて学習器２１３を再学習するようにしている。したがって、学習器２１３の学習を効率的に行うことができる。但し、そのような道路情報を用いても学習器２１３の精度が高くならない場合もあるので、予測が正しかった道路情報を加えた学習データで学習させた仮学習器２１６の精度が、現在の学習器２１３よりも高いかどうかを判断し、仮学習器２１６の方が精度が高い場合にのみ、学習器２１３の更新を行っている。したがって、学習器２１３の精度を確実に高めることができる。

＜Ｂ．第２実施形態＞
上記第１実施形態では、判定部２１４によって予測部２１２の予測が正しいと判定された道路情報は、すべて再学習部２１５で検討が行われているが、これに限定されるものではなく、予測が正しいとされたすべての道路情報を用いて再学習部２１５で検討しなくてもよい。本実施形態では、この点について説明する。但し、本実施形態と第１実施形態とで、構成が同じ部分については説明を省略し、相違点を中心に説明を行う。

図１０は、第２実施形態に係る渋滞予測装置２のブロック図である。この渋滞予測装置２では、第１実施形態の機能構成に加え、判定部２１４で予測が正しいと判断された道路情報、つまり追加学習データ２２５１を受け取る学習データ選別部２１７が設けられている。この学習データ選別部２１７は、ニューラルネットワークで構成された学習器２１８を有している。ここでは、予測部２１２の学習器２１３と区別するため、予測部２１２の学習器を第１学習器２１３、学習データ選別部２１７の学習器を第２学習器２１８と称することとする。そして、この学習データ選別部２１７では、予測が正しいと判断された追加学習データ２２５１が、適切なものであるか、つまり第１学習器２１３の更新に寄与するものであるかが判断される。

学習データ選別部２１７の第２学習器２１８は、再学習部２１５に送られた予測の正しかった追加学習データ２２５１を入力とし、その追加学習データ２２５１が第１学習器２１３の更新に用いるべきであるか否かを出力とする。そのために、図１１に示すように、第２学習器２１８の学習が行われる。同図に示すように、第２学習器２１８の学習データ２２８１は、上記実施形態で説明した再学習用の追加学習データ、つまり予測が正しかった追加学習データ２２５１を入力とし、その追加学習データ２２５１が第１学習器２１３の更新に用いられたか否か（例えば、用いられた場合を１とし、用いられなかった場合を０とする）を出力とするものである。したがって、仮学習器２１６の生成が行われ、その精度の確認が行われるたびに、その確認結果が、追加学習データ２２８１として第２学習器２１８の学習データに加えられ、第２学習器２１８の学習が行われる。

次に、図１２を参照しつつ、本渋滞予測装置２の動作例を説明する。図１２は、この渋滞予測装置における第１学習器の更新の処理手順の一例を例示するフローチャートである。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

まず、センサ１で検知された検知データ２２２は、逐次、渋滞予測装置２の道路情報算出部２１１に入力され、ここで道路情報が算出される（ステップＳ２０１）。算出された道路情報は、表示装置２１９で表示されるとともに、予測部２１２に入力され、ここで所定時間後の道路情報を予測する（ステップＳ２０２）。また、予測された道路情報も表示装置２１９で表示される。そして、判定部２１４では、所定時間経過後に実際の道路情報と比較し、予測された道路情報が正しかった否かの判断が行われる（ステップＳ２０３）。このとき、予測が誤っていた場合には、再学習は行わない（ステップＳ２０３のＮＯ）。一方、予測が正しい場合には（ステップＳ２０３のＹＥＳ）、正しい予測を行った入力と実際の出力とを追加学習データとし、この追加学習データを第１学習器２１３の再学習用に使用するか否かを学習データ選別部２１７によって判断する（ステップＳ２０４）。

そして、学習データ選別部２１７が、追加学習データとして使用しないと判断した場合には（ステップＳ２０４のＹＥＳ）、再学習は行わない（ステップＳ２０４のＮＯ）。一方、追加学習データとして使用すると判断した場合には（ステップＳ２０４のＹＥＳ）、再学習を行う。すなわち、現在の学習データ２２５に追加学習データを加えて第１学習器２１３を学習し、仮学習器２１６を生成する（ステップＳ２０５）。そして、この仮学習器２１６と現在の学習器２１３とを比較し（ステップＳ２０６）、仮学習器２１６の方が精度が高い場合には（ステップＳ２０６のＹＥＳ）、その結果を用いて、第２学習器２１８を学習させる（ステップＳ２０７）。

すなわち、図１１で説明したとおり、追加学習データ２２５１を入力、第１学習器２１３の更新に用いられた否かを出力とする、第２学習器２１８用の追加学習データ２２８１を作成し、これを第２学習器２１８用の学習データに加えて、第２学習器２１８の学習を行う。これと並行して、仮学習器２１６の仮学習結果データ２２４１を、新たな学習結果データ２２４として、第１学習器２１３の更新を行う（ステップＳ２０８）。一方、現在の学習器２１３の方が精度が高ければ（ステップＳ２０６のＮＯ）、ステップＳ２０７と同様に、第２学習器２１８の学習を行う（ステップＳ２０９）。また、仮学習器２１６を廃棄し、第１学習器２１３の更新は行わない。

以上のように、本実施形態によれば、予測が正しかったすべての追加学習データ２２５１で再学習を行うのではなく、再学習に適した追加学習データ２２５１であるか否かを学習データ選別部２１７で判断し、再学習に適した追加学習データ２２８１のみを用いて再学習するようにしている。したがって、再学習の回数を減らすとともに、効率的な再学習を行うことができる。よって、学習の負荷を低減することができる。

なお、上記第１及び第２実施形態では、渋滞予測装置２内に道路情報算出部２１１を設け、センサ１から送信された検知データを元に道路情報を算出しているが、これに限定されない。すなわち、センサ１に付随する装置、または他の外部装置で道路情報を算出し、これを渋滞予測装置２の予測部２１２に入力することができる。

上記各実施形態において、予測部２１２の入力は、道路情報であったが、これに限定されるものではない。すなわち、センサ１の検知データを入力としたり、検知データを元に算出した上記道路情報以外の各種のデータとすることもできる。これらのデータは、すべて車両の台数に関連するものとして、本発明の第１情報となり得る。

同様に、予測部２１２の出力も上記のように道路情報とするのでなく、渋滞の発生状況とすることもできる。これらの出力は、渋滞の発生状況も含め、車両の台数に関連するものとして、本発明の予測情報となり得る。本発明の第２情報も同様である。

また、第２学習器２１８も同様であり、最終的に、予測が正しかった追加学習データが、再学習に適しているか否かが出力されればよいため、必ずしも追加学習データ２２５１でなくてもよく、種々の入力が可能である。例えば、追加学習データ２２５１のうちの予測に用いられた道路情報のみでもよい。同様に、出力も、再学習に適しているか否かが分かればよいため、これを示す他の指標等でもよい。

第１学習器２１３の学習データ、学習結果データは１種類ではなく、予測を行う時期によって、複数設けることもできる。例えば、通勤時間などの特別な時間、休日、祝日、連休などの特別な日については別途学習器を準備しておくことができる。すなわち、時間帯ごと、日ごと、月ごと、季節ごとなどの時期ごとに第１学習器２１３をそれぞれ準備し、その時期ごとに第１学習器２１３を入れ替えて用いることができる。この点は、第２学習器２１８についても同様である。この場合、追加学習データもこれに合わせて準備することができる。

その一方で、第１学習器２１３の精度を高めるため、できるだけバリエーションを有する学習データや追加学習データを準備することもできる。例えば、上記のような通勤時間の違うデータ、曜日の異なるデータ、季節の異なるデータなど、種々のデータを混在させておくこともできる。

また、予測が正しくないことが続く場合には、入力すべき道路情報を変えることができる。例えば、入力すべき道路情報の量を増やす（対象となるセンサの数、時刻の数を増やす）などの方策を採ることができる。これに伴い、追加学習データも変更することができる。

一方、予測が当たっている場合が続いていても、入力すべき道路情報や追加学習データを適宜変更したり、追加の数を増すなどすることもできる。

＜Ｃ．変形例＞
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。

＜１＞
上記実施形態では、渋滞予測装置２について説明したが、渋滞の予測は、ごく近い未来の予測であるため、渋滞の予測以外にも、近い未来に生じうる事象の予測は、渋滞の予測と同様のアプローチで解決できると考えられる。すなわち、近い未来に生じうる事象の予測は、それが正しいか否かは所定時間経過後に分かるため、その予測が正しいか否かの結果を用いて学習器を再学習させれば、予測の精度を向上できると考えられる。なお、近い将来がどの程度近いものであるかについては、適用されるアプリケーションの出力タイミング、つまりどの程度早く出力しなければならないか、などによって設定され得る。

以下、上記渋滞予測装置と同様の機能構成を有する汎用的な予測装置について説明する。図１３には、予測装置の機能構成を示すブロック図が示されている。図１３に示す予測装置３と、上記実施形態に係る渋滞予測装置２との相違点は、道路情報算出部２１１のように予測部の入力用の情報の生成を行う機能構成を有していない点である。但し、予測の種類によっては、そのような機能構成を有してもよいし、それを外部に設けてもよい。また、ハードウエア構成も、渋滞予測装置２と概ね同じであり、主たる相違点は、記憶部２２に記憶されるプログラムや学習データ等である。したがって、機能構成とハードウエア構成の詳細な説明は省略する。

この予測装置３においては、予測部３１１の学習器３１５の入力として、外部の情報取得部８から情報を取得する。情報取得部８は、各種センサや、情報を記憶する記憶部などで構成され、各種センサで取得される情報、情報取得部８が設けられた装置で生じる事項、その装置の状態などの基礎情報を取得する。記憶部は、例えば、情報取得部８が設けられた装置の状態を示す稼働ログなどを記憶するＨＤＤ，ＳＳＤなどの記憶装置である。そして、このような基礎情報に基づいて、各情報取得部８自体に生じ得る未来の事象、各情報取得部８が設けられたシステムに生じ得る未来の事象、各情報取得部８を利用している外部のシステムに生じ得る未来の事象などを予測する。なお、予測するのは、事象の内容、生じた時期などである。

次に、この予測装置３の処理について、図１４も参照しつつ説明する。図１４に示すように、まず、各情報取得部８よって取得された情報を通信回線１００を通じて、予測装置３の予測部３１１に入力し、所定の未来の事象を予測する（ステップＳ３０１）。予測された事象は、表示装置３１６に表示したり、外部に送信してもよい。情報取得部８は、取得された情報のほか、生じた事象に関する事象情報も予測装置３に送信する。このとき、事象情報を送信するのは、基礎情報を送信する情報取得部８と同じでもよいし、それとは別の事象情報を専用で取得する情報取得部８や他の構成であってもよい。

そして、判定部３１２は、所定時間経過後に情報取得部８から得た事象情報と、予測部３１１によって予測された事象とを比較し、予測部３１１の予測が正しいか否かを判定する（ステップＳ３０２）。そして、予測部３１１の予測が所定基準で正しいと判断された場合には（ステップＳ３０２のＹＥＳ）、予測のために用いられた基礎情報と、実際に生じた事象情報とを追加学習データとして、再学習部３１３に送信する。一方、予測された事象が正しくない場合には、再学習は行われない（ステップＳ３０２のＮＯ）。そして、再学習部３１３では、上記実施形態と同様に、追加学習データを加えた学習データにより学習された仮学習器３１４を生成する（ステップＳ３０３）。続いて、仮学習器３１４と現学習器３１５の精度の比較を行い、仮学習器３１４の精度が高ければ（ステップＳ３０４のＹＥＳ）、学習器３１５の更新を行う（ステップＳ３０５）。一方、現学習器３１５の精度が高ければ（ステップＳ３０４のＹＥＳ）、学習器３１５の更新は行わない。

このような予測装置３も、上記渋滞予測装置２と同様のアプローチで学習器の再学習を行うため、精度の高い予測が可能となる。なお、上記第２実施形態のように、学習データ選別部を設け、学習の効率化を図ることもできる。

＜２＞
上記の予測装置は汎用性があり、近い未来に生じうる事象を予測するものには適宜適用することができる。一例として、この予測装置３を券売機故障予測装置に適用した例について、図１５～図１７を参照しつつ説明する。

この券売機故障予測装置４は、券売機の故障を予測するものである。駅などに設置されている券売機は、機械部品、電子部品が数多く組み込まれ、これが日々繰り返し使用されるため、メンテナンスが不可欠である。ところが、メンテナンスを定期的に行っていたとしても、故障することもあり、その場合には、緊急の対応が必要となるため、作業員を常時待機させておく必要がある。これに対して、券売機の故障の時期を予測できれば、作業員の配置を予め行うことができ、急な故障にもスムーズに対応することができる。

この券売機故障予測装置４は、複数の券売機９の稼働ログやエラーログと、実際に発生した故障の記録とを学習データとして学習器を学習させ、故障の予測を行うものである。図１５は、この券売機故障予測装置の機能構成を示すブロック図である。図１５に示すように、この券売機故障予測装置４の機能構成は、図１に示す渋滞予測装置２と概ね同じである。相違点は、上記予測装置２で説明したのと同じである。また、ハードウエア構成についても同様である。

図１５に示すように、この券売機故障予測装置４は、各券売機９と通信回線を通じて接続されており、各券売機９から稼働ログやエラーログを受信する。この稼働ログ及びエラーログは、各券売機９のセンサで取得されたり、各券売機９の記憶部で記憶されるものであり、以下、券売機情報と称することとする。なお、券売機情報は、稼働ログやエラーログに限定されるものではなく、故障の予測に利用可能な各種のデータとすることができる。

予測部４１１は、これらの券売機情報から、各券売機９で、いつ故障が生じるかを予測する。この予測のため、予測部４１１の学習器４１５は、図１６に示すように学習される。すなわち、券売機情報が入力となり、各券売機９の故障の時期が出力となる学習データ４２５により、学習を行い、学習結果データ４２４１を生成する。そして、学習器４１５は、この学習結果データ４２４１に基づいて、各券売機９の故障時期の予測を行う。

次に、この券売機故障予測装置４の処理について、図１７も参照しつつ説明する。図１７に示すように、まず、各券売機９よって取得された券売機情報を通信回線１００を通じて、券売機故障予測装置４の予測部４１１に入力し、各券売機９の故障の時期を予測する（ステップＳ４０１）。予測された故障の時期は、表示装置３１６に表示したり、外部に送信してもよい。各券売機９は、券売機情報のほか、実際に故障が生じた場合にも予測装置４に送信する。そして、判定部４１２は、いずれかの券売機９において故障が生じた場合には、その時期と、予測部４１１で予測された時期とを対比し、予測が所定基準（例えば、完全一致、あるいは所定の誤差範囲内を許容）で正しいか否かを判定する（ステップＳ４０２）。そして、予測部４１１の予測が所定基準で正しいと判断された場合には（ステップＳ４０２のＹＥＳ）、予測のために用いられた券売機情報と、実際に生じた故障の時期に関する情報とを追加学習データ４１５１として、再学習部４１３に送信する。一方、予測された故障の時期が正しくない場合には、再学習は行われない（ステップＳ４０２のＮＯ）。そして、再学習部４１３では、上記実施形態と同様に、追加学習データ４１５１を加えた学習データにより学習された仮学習器４１４を生成する（ステップＳ４０３）。続いて、仮学習器４１４と現学習器４１５の精度の比較を行い、仮学習器３１４の精度が高ければ（ステップＳ４０４のＹＥＳ）、学習器４１５の更新を行う（ステップＳ４０５）。一方、現学習器４１５の精度が高ければ（ステップＳ４０４のＹＥＳ）、学習器４１５の更新は行わない。

このような券売機故障予測装置４も、上記渋滞予測装置と同様のアプローチで学習器の再学習を行うため、精度の高い予測が可能となる。なお、上記第２実施形態のように、学習データ選別部を設け、学習の効率化を図ることもできる。

＜３＞
上記の各例では、ニューラルネットワーク７として、多層構造を有する一般的な順伝播型ニューラルネットワークを用いている。しかしながら、各ニューラルネットワーク７の種類は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、各ニューラルネットワーク７は、入力層７１及び中間層７２を畳み込み層及びプーリング層として利用する畳み込みニューラルネットワークであってもよい。また、例えば、各ニューラルネットワーク７は、中間層７２から入力層７１等のように出力側から入力側に再帰する結合を有する再帰型ニューラルネットワークであってもよい。なお、各ニューラルネットワーク７の層数、各層におけるニューロンの個数、ニューロン同士の結合関係、及び各ニューロンの伝達関数は、実施の形態に応じて適宜決定されてよい。

＜４＞
上記各学習器の種類は、特には限定されず、ニューラルネットワーク以外に、例えば、サポートベクターマシン、自己組織化マップ、又は強化学習により学習を行う学習器とすることができる。

２１１ 道路情報算出部（渋滞情報算出部）
２１４ 判定部
２１３ 第１学習器
２１５ 再学習部
２１８ 第２学習器

Claims (9)

1. 少なくとも一つの地区の道路において、道路の進行方向に沿って所定間隔をおいて配置される複数のセンサから時刻ｔ及び時刻ｔ＋ｎにおいてそれぞれ取得されたデータを受け取り、前記各データに基いて車両の通過台数及び所定時間における車両が通過した時間の割合である車両占有率を含む道路情報に関する前記時刻ｔにおける第１情報、及び前記時刻ｔ＋ｎにおける第２情報を算出する道路情報算出部と、
   前記第１情報から、前記時刻ｔ+ｎに予想される前記道路情報に関する予測情報を、算出するための学習を行った学習済みの第１学習器と、
   時刻ｔ＋ｎにおいて、前記第２情報と、前記予測情報とを比較し、所定の基準に適合しているか否かを判定する判定部と、
   前記判定部が、前記所定の基準に適合し前記予測情報が正しいと判定した場合には、所定の条件下で、前記第１情報と前記第２情報とを追加学習データとして、前記第１学習器を学習するための学習データに加えて、前記第１学習器の再学習を行う、再学習部と、
   を備え、
   前記第１学習器は、第１時刻の前記複数のセンサからのデータに基づく前記通過台数に関する情報と、前記第１時刻よりも未来の第２時刻の前記複数のセンサからのデータに基づく前記通過台数に関する情報と、を含む学習データにより学習されており、
   前記再学習部は、
   前記追加学習データが加えられた前記学習データにより前記第１学習器と同一構成の学習器を学習した、仮学習器を生成し、
   前記第１学習器と前記仮学習器との比較を行った結果、前記仮学習器が前記第１学習器よりも所定の基準に基づく精度が高い場合には、前記仮学習器により前記第１学習器を更新する、
   渋滞予測装置。
2. 所定の時期ごとに作成された学習データによって学習された複数の前記第１学習器を備えており、前記各第１学習器は、それぞれ、生成された前記学習データの時期に用いられるように構成されている、請求項１に記載の渋滞予測装置。
3. 前記追加学習データを入力とし、当該追加学習データを用いて学習された前記仮学習器が、前記更新に用いられたか否かを出力とする学習データにより、学習を行い、前記追加学習データを入力したとき、当該追加学習データを用いて学習された前記仮学習器が、前記更新に用いられたか否かを出力する、学習済みの第２学習器をさらに備え、
   前記再学習部は、前記判定部により前記所定の基準に適合していると判定した前記第１情報と前記第２情報が、前記追加学習データとして適合しているか否かを前記第２学習器に判断させ、当該第２学習器が適合と判断した前記追加学習データを用いた学習データにより、前記仮学習器を生成する、請求項１または２に記載の渋滞予測装置。
4. 所定の時期ごとに作成された学習データによって学習された複数の前記第２学習器を備えており、前記各第２学習器は、それぞれ、生成された前記学習データの時期に用いられるように構成されている、請求項３に記載の渋滞予測装置。
5. 前記予測情報に基づいて、前記各センサが配置された道路での渋滞の発生状況を算出する渋滞情報算出部をさらに備えている、請求項１から４のいずれかに記載の渋滞予測装置。
6. 前記各学習器は、ニューラルネットワークによって構成される、請求項１から５のいずれかに記載の渋滞予測装置。
7. コンピュータにより、少なくとも一つの地区の道路において、道路の進行方向に沿って所定間隔をおいて配置される複数のセンサから時刻ｔにおいて取得されたデータを受け取り、前記データに基いて車両の通過台数及び所定時間における車両が通過した時間の割合である車両占有率を含む道路情報に関する第１情報を算出するステップと、
   前記コンピュータにより、時刻ｔにおいて、前記第１情報から、時刻ｔ+ｎに予想される前記道路情報に関する予測情報を算出するための学習を行った学習済みの第１学習器を準備するステップと、
   前記コンピュータにより、前記複数のセンサから時刻ｔ+ｎにおいて取得されたデータを受け取り、前記データに基いて前記道路情報に関する第２情報を算出するステップと、
   前記コンピュータにより、前記第２情報と、前記予測情報とを比較し、所定の基準に適合しているか否かを判定するステップと、
   前記コンピュータにより、前記所定の基準に適合し前記予測情報が正しいと判定した場合には、所定の条件下で、前記第１情報と前記第２情報とを追加学習データとして、前記第１学習器を学習するための学習データに加える、ステップと、
   前記コンピュータにより、前記追加学習データが加えられた前記学習データを用いて、前記第１学習器の再学習を行うステップと、
   を備え、
   前記第１学習器は、第１時刻の前記複数のセンサからのデータに基づく前記通過台数に関する情報と、前記第１時刻よりも未来の第２時刻の前記複数のセンサからのデータに基づく前記通過台数に関する情報と、を含む学習データにより学習されており、
   前記再学習を行うステップにおいて前記コンピュータは、
   前記追加学習データが加えられた前記学習データにより前記第１学習器と同一構成の学習器を学習した、仮学習器を生成し、
   前記第１学習器と前記仮学習器との比較を行った結果、前記仮学習器が前記第１学習器よりも所定の基準に基づく精度が高い場合には、前記仮学習器により前記第１学習器を更新する、
   渋滞予測方法。
8. コンピュータに、
   少なくとも一つの地区の道路において、道路の進行方向に沿って所定間隔をおいて配置される複数のセンサから時刻ｔにおいて取得されたデータを受け取り、前記データに基いて車両の通過台数及び所定時間における車両が通過した時間の割合である車両占有率を含む道路情報に関する第１情報を算出するステップと、
   時刻ｔにおいて、前記第１情報から、時刻ｔ+ｎに予想される前記車両の通過台数に関する予測情報を算出するための学習を行った学習済みの第１学習器を準備するステップと、
   前記複数のセンサから時刻ｔ+ｎにおいて取得されたデータを受け取り、前記データに基いて前記道路情報に関する第２情報を算出するステップと、
   前記第２情報と、前記予測情報とを比較し、所定の基準に適合しているか否かを判定するステップと、
   前記所定の基準に適合し前記予測情報が正しいと判定した場合には、所定の条件下で、前記第１情報と前記第２情報とを追加学習データとして、前記第１学習器を学習するための学習データに加える、ステップと、
   前記追加学習データが加えられた前記学習データを用いて、前記第１学習器の再学習を行うステップと、
   を実行させ、
   前記第１学習器は、第１時刻の前記複数のセンサからのデータに基づく前記通過台数に関する情報と、前記第１時刻よりも未来の第２時刻の前記複数のセンサからのデータに基づく前記通過台数に関する情報と、を含む学習データにより学習されており、
   前記再学習を行うステップにおいて前記コンピュータに、
   前記追加学習データが加えられた前記学習データにより前記第１学習器と同一構成の学習器を学習した、仮学習器を生成させ、
   前記第１学習器と前記仮学習器との比較を行った結果、前記仮学習器が前記第１学習器よりも所定の基準に基づく精度が高い場合には、前記仮学習器により前記第１学習器を更新させる、
   渋滞予測プログラム。
9. 所定の情報を取得する情報取得部を備え、所定の事項に基づいて所定の事象が生じ得るシステムに用いられる、予測装置であって、
   時刻ｔにおいて、前記情報取得部から取得される前記事項に関する第１情報から、時刻ｔ+ｎにおいて、前記システムで生じ得る前記事象に関する予測情報を算出するための学習を行った学習済みの第１学習器と、
   時刻ｔ＋ｎにおいて、前記システムで生じた前記事象に関する第２情報と、前記予測情報とを比較し、所定の基準に適合しているか否かを判定する判定部と、
   前記判定部が、前記所定の基準に適合し前記予測情報が正しいと判定した場合には、所定の条件下で、前記第１情報と前記第２情報とを追加学習データとして、前記第１学習器を学習するための学習データに加えて、前記第１学習器の再学習を行う、再学習部と、
   を備え、
   前記第１学習器は、第１時刻の前記所定の情報に基づく前記事項に関する情報と、前記第１時刻よりも未来の第２時刻の前記所定の情報に基づく前記事項に関する情報と、を含む学習データにより学習されており、
   前記再学習部は、
   前記追加学習データが加えられた前記学習データにより前記第１学習器と同一構成の学習器を学習した、仮学習器を生成し、
   前記第１学習器と前記仮学習器との比較を行った結果、前記仮学習器が前記第１学習器よりも所定の基準に基づく精度が高い場合には、前記仮学習器により前記第１学習器を更新する、
   予測装置。
   

Images