JP7264262B2 - 異常検知システム、異常検知装置、異常検知方法及びプログラム - Google Patents

異常検知システム、異常検知装置、異常検知方法及びプログラム Download PDF

Info

Publication number
JP7264262B2
JP7264262B2 JP2021545060A JP2021545060A JP7264262B2 JP 7264262 B2 JP7264262 B2 JP 7264262B2 JP 2021545060 A JP2021545060 A JP 2021545060A JP 2021545060 A JP2021545060 A JP 2021545060A JP 7264262 B2 JP7264262 B2 JP 7264262B2
Authority
JP
Japan
Prior art keywords
group
data
anomaly detection
feature amount
groups
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
JP2021545060A
Other languages
English (en)
Other versions
JPWO2021048989A1 (ja
Inventor
貴史 原田
慶太 長谷川
知暁 鷲尾
嘉人 大嶋
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.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Publication of JPWO2021048989A1 publication Critical patent/JPWO2021048989A1/ja
Application granted granted Critical
Publication of JP7264262B2 publication Critical patent/JP7264262B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096827—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed onboard

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Description

本発明は、異常検知システム、異常検知装置、異常検知方法及びプログラムに関する。
近年、特定の地理空間や特定の地点で各種センサにより測定されたセンサ値（例えば、位置情報や降水量、速度情報等）を示すデータの利活用が行われている。このようなデータを利活用するサービスでは、虚偽の情報（例えば、虚偽の位置情報や虚偽の降水量、虚偽の速度情報等）を示すデータをシステムに混入させることによってサービスを妨害する攻撃（False Data Injection攻撃）の脅威が高まっている。このため、False Data Injection攻撃によって混入された虚偽の情報を示すデータを異常として検知する技術が提案されている。
例えば、個々の移動体で測定されたセンサ値を示すデータから特徴量を計算した上で、これらの特徴量を用いて虚偽の情報を示すデータが混入しているか否かをルールベースで判定することで、虚偽の情報を示すデータを異常として検知する技術が提案されている（非特許文献１参照）。
Placzek, B. and Bernas, M. (2016). Detection of malicious data in vehicular ad hoc networks for traffic signal control applications. In International Conference on Computer Networks, pages 72-82. Springer.
しかしながら、非特許文献１に記載されている技術では、分析の対象車両一台一台について分析を行っており、対象車両の増加に伴って計算コストが増大する。
本発明の実施形態は、上記の点に鑑みてなされたもので、異常なデータを効率的に検知することを目的とする。
上記目的を達成するため、本発明の実施形態に係る異常検知システムは、地理空間内で測定されたデータの集合を、予め決められた複数の部分地理空間を表す複数のグループに分割する分割手段と、グループ毎に、前記グループに含まれるデータを用いて、前記グループの特徴量を算出する算出手段と、前記複数のグループそれぞれの特徴量を用いて、前記複数のグループの中に、異常なデータが含まれる可能性があるグループが存在するか否かを判定する判定手段と、を有することを特徴とする。
異常なデータを効率的に検知することができる。
本実施形態に係る異常検知システムの全体構成の一例を示す図である。 道路ＤＢに格納されている道路データの一例を示す図である。 測定ＤＢに格納されている測定データの一例を示す図である。 モデルＤＢに格納されているモデルデータの一例を示す図である。 コンピュータのハードウェア構成の一例を示す図である。 本実施形態に係る学習処理の一例を示すフローチャートである。 本実施形態に係る異常検知処理の一例を示すフローチャートである。
以下、本発明の実施の形態（以降、「本実施形態」とも表す。）について説明する。本実施形態では、各種センサやこれらのセンサを備える端末等から収集されたデータ（以降、「測定データ」とも表す。）の集合の中に異常なデータ（以降、「異常データ」とも表す。）が含まれるか否かを効率的に検知することが可能な異常検知システム１について説明する。異常データとは虚偽の情報を示すデータのことであり、例えば、実際にセンサにより測定されたデータではない人為的なデータやセンサにより測定されたセンサ値を改変したデータ等のことである。すなわち、異常データとは、虚偽のセンサ値（例えば、虚偽の位置情報、虚偽の降水量、虚偽の速度情報、虚偽の温度情報等）を示すデータのことである。
ここで、本実施形態に係る異常検知システム１は、測定データの集合を任意の複数のグループに分割した上で、グループ毎に、当該グループに含まれる測定データの簡易な統計量から算出された特徴量を用いた異常検知を行うことで、異常データが含まれるグループが存在するか否かを判定する。そして、本実施形態に係る異常検知システム１は、異常データが含まれるグループが存在すると判定された場合は、当該グループに含まれる各測定データに対してより詳細な異常検知（例えば、上記の非特許文献１に記載された技術による異常検知）を行うことで、異常データを特定する。これにより、本実施形態に係る異常検知システム１では、例えば、全ての測定データに対して詳細な異常検知（例えば、上記の非特許文献１に記載された技術による異常検知）を行う場合と比べて、異常データを効率的に（つまり、少ない計算量で）検知することが可能となる。
以降では、一例として、地理空間内を移動する移動体（例えば、自動車や二輪車等の車両、歩行者等）に対して最適な経路決定を支援するサービスを提供することを想定し、各移動体が備えるセンサから収集された測定データの集合を異常検知の対象とする場合について説明する。したがって、測定データ（異常データも含む。）には、位置情報と時刻情報とが少なくとも含まれるものとする。ただし、これは一例であって、本実施形態に係る異常検知システム１は、任意の測定データの集合の中から異常データを効率的に検知することが可能である。
＜全体構成＞
まず、本実施形態に係る異常検知システム１の全体構成について、図１を参照しながら説明する。図１は、本実施形態に係る異常検知システム１の全体構成の一例を示す図である。
図１に示すように、本実施形態に係る異常検知システム１には、異常検知サーバ１０と、データベースサーバ２０と、アプリケーションサーバ３０と、複数のセンサ端末４０とが含まれ、通信ネットワークＮを介して通信可能に接続されている。通信ネットワークＮには、例えば、インターネットやＬＡＮ（Local Area Network）、センサネットワーク、携帯電話網等が含まれる。
センサ端末４０は、移動体（車両、歩行者等）が備えるセンサ等である。センサ端末４０は、例えば、所定の時間間隔毎に位置情報を少なくとも測定した上で、当該センサ端末４０を識別する識別情報（例えば、センサ番号等）と測定された位置情報と当該位置情報が測定された時刻を示す時刻情報とが含まれる測定データをデータベースサーバ２０に送信する。
なお、センサ端末４０としては、例えば、車載器、スマートフォン、タブレット端末、ウェアラブルデバイス等が挙げられる。
データベースサーバ２０は、各種データが格納されるＤＢ（データベース）を有するサーバである。ここで、データベースサーバ２０は、道路ＤＢ２０１と、測定ＤＢ２０２と、モデルＤＢ２０３とを有する。これら各ＤＢは、例えば、データベースサーバ２０の補助記憶装置等を用いて実現可能である。
道路ＤＢ２０１は、道路データが格納されているデータベースである。道路データとは、道路ネットワークを構成するリンクを表すデータのことである。道路ＤＢ２０１に格納されている道路データの詳細については後述する。
測定ＤＢ２０２は、測定データが格納されているデータベースである。測定ＤＢ２０２に格納されている測定データの詳細については後述する。
モデルＤＢ２０３は、モデルデータが格納されているデータベースである。モデルデータとは、測定データのグループに異常データが含まれるか否かを判定するためのモデルを表すデータのことである。モデルＤＢ２０３に格納されているモデルデータの詳細については後述する。
アプリケーションサーバ３０は、移動体に対して最適な経路決定を支援するサービス（以降、「経路決定支援サービス」とも表す。）を提供するサーバである。ここで、アプリケーションサーバ３０は、サービス提供部３０１を有する。サービス提供部３０１は、例えば、アプリケーションサーバ３０にインストールされた１以上のプログラムがプロセッサ等に実行させる処理により実現される。
サービス提供部３０１は、各移動体に対して経路決定支援サービスを提供する。経路決定サービスとは、例えば、平均旅行時間を移動体に対して提供するサービス等である。各移動体（又は当該移動体の運転手等）は、平均旅行時間を知ることによって最適な経路の判断を行うことが可能となる。
なお、平均旅行時間とは単位距離（例えば、１ｋｍ）の移動に要する時間の平均のことであり、測定ＤＢ２０２に格納されている測定データの時刻情報及び位置情報（又は、時刻情報及び位置情報から算出した速度情報）から算出される。したがって、例えば、False Data Injection攻撃によって測定データの集合の中に異常データが混入された場合、誤った平均旅行時間が算出されることなり、経路決定支援サービスの品質が低下する恐れがある。
異常検知サーバ１０は、測定ＤＢ２０２に格納されている測定データ（つまり、これらの測定データの集合）の中に異常データが含まれているか否かを検知するサーバである。すなわち、異常検知サーバ１０は、測定データの集合の中に含まれている異常データを異常として検知する。ここで、異常検知サーバ１０は、特徴量算出部１０１と、グループ異常検知部１０２と、学習部１０３と、詳細異常検知部１０４とを有する。これら各機能部は、例えば、異常検知サーバ１０にインストールされた１以上のプログラムがプロセッサ等に実行させる処理により実現される。
特徴量算出部１０１は、測定データのグループ毎に、当該グループに含まれる測定データの統計量から所定の特徴量を算出する。
グループ異常検知部１０２は、測定データのグループ毎に、特徴量算出部１０１により算出された特徴量を用いた異常検知を行う。すなわち、グループ異常検知部１０２は、異常データが含まれる可能性があるグループを異常として検知する。このとき、グループ異常検知部１０２は、異常検知手法に応じて、モデルＤＢ２０３に格納されているモデルデータも用いて異常検知を行う。なお、上述したように、測定データの集合は任意の複数のグループに分割されるが、この分割の粒度としては、例えば、サービス（本実施形態では経路決定支援サービス）に用いられている分割の粒度とすることが考えられる。例えば、分割の粒度をリンク単位とすることや、複数のリンクで構成される経路（ルート）単位とすること等が考えられる。
学習部１０３は、グループ毎に、グループ異常検知部１０２による異常検知を行う際に用いられるモデルデータを作成する。
詳細異常検知部１０４は、グループ異常検知部１０２により異常が検知されたグループが存在する場合、当該グループに含まれる各測定データに対してより詳細な異常検知（例えば、上記の非特許文献１に記載された技術による異常検知）を行う。
なお、図１に示す異常検知システム１の構成は一例であって、他の構成であってもよい。例えば、データベースサーバ２０が有する各ＤＢのうちの一部又は全部のＤＢを、異常検知サーバ１０若しくはアプリケーションサーバ３０又はその両方が有していてもよい。また、例えば、異常検知サーバ１０とアプリケーションサーバ３０とが一体で構成されていてもよい。
＜各ＤＢに格納されているデータ＞
ここで、道路ＤＢ２０１に格納されている道路データについて、図２を参照しながら説明する。図２は、道路ＤＢ２０１に格納されている道路データの一例を示す図である。
図２に示すように、道路ＤＢ２０１には１以上の道路データが格納されており、各道路データには、「リンク番号」、「始点」、「中点」及び「終点」等が含まれる。
リンク番号は、リンクを識別する識別情報である。なお、リンクとは道路ネットワークの構成要素の１つであり、例えば、ノード間を繋ぐ道路を表す直線又は曲線のことである。また、ノードとは道路ネットワークの構成要素の１つであり、例えば、特定の地点（例えば、交差点や曲がり角等）を表す座標のことである。
始点は、リンクの始点を表す座標である。中点は、リンクの中点を表す座標である。終点は、終点を表す座標である。なお、リンクが表す道路の進行方向は、始点から終点に向かう方向によって表される。
このように、道路ＤＢ２０１には１以上の道路データが格納されており、各道路データには、リンク番号毎に、当該リンク番号のリンクに関する各種情報が含まれている。なお、各道路データには、上述した情報以外にも、例えば、「道路種別」、「道路幅」、「車線数」、「勾配」、「曲率半径」等の情報が含まれていてもよい。道路種別とはリンクが表す道路の種別のことであり、例えば、高速道路や一般道等の道路の種別を表す情報のことである。また、道路幅とは、リンクが表す道路の幅のことである。車線数とは、リンクが表す道路の車線数のことである。勾配とは、リンクが表す道路の勾配のことである。曲率半径とは、リンクが表す道路の曲率半径のことである。
次に、測定ＤＢ２０２に格納されている測定データについて、図３を参照しながら説明する。図３は、測定ＤＢ２０２に格納されている測定データの一例を示す図である。
図３に示すように、測定ＤＢ２０２には１以上の測定データが格納されており、各測定データには、「センサ番号」、「時刻情報」及び「位置情報」等が含まれる。
センサ番号は、当該測定データを送信したセンサ端末４０を識別する識別情報である。時刻情報は、当該センサ端末４０が位置情報を測定した時刻を表す情報である。位置情報は、当該センサ端末４０が測定した位置（つまり、当該センサ端末４０の位置）を示す情報である。
このように、測定ＤＢ２０２には１以上の測定データが格納されており、各測定データには、センサ端末４０で測定されたセンサ値（例えば、位置情報等）の情報が含まれている。なお、各測定データには、上述した情報以外にも、センサ端末４０で測定される種々のセンサ値（例えば、温度や湿度等）が含まれていてもよいし、これらのセンサ値から算出される情報（例えば、センサ端末４０を有する移動体が属するリンクのリンク番号、当該移動体の旅行速度等）が含まれていてもよい。また、これらのセンサ値から算出される情報は、センサ端末４０で算出されてもよいし、データベースサーバ２０で算出されてもよい。なお、旅行速度は「移動速度」等と称されてもよい。
次に、モデルＤＢ２０３に格納されているモデルデータについて、図４を参照しながら説明する。図４は、モデルＤＢ２０３に格納されているモデルデータの一例を示す図である。
図４に示すように、モデルＤＢ２０３には１以上のモデルデータが格納されており、各モデルデータには、「グループ番号」及び「モデル情報」等が含まれる。
グループ番号は、測定データの集合が分割されるグループを識別する識別情報である。ここで、上述したように、測定データの集合は任意の複数のグループに分割することが可能であるが、本実施形態では、測定データの集合を地理空間的な観点で分割するものとする。具体的には、本実施形態では、各リンクのそれぞれを１つのグループとして、測定データに含まれる位置情報が属するリンクによって測定データの集合を各グループに分割するものとする（つまり、グループ分割の粒度として、リンクの分割粒度を採用するものとする。）。したがって、本実施形態では、グループ番号とはリンク番号のことである。
ただし、上記のグループ分割は一例であって、例えば、地理空間を任意の領域（例えば、矩形領域や多角形領域等）に分割した上で、位置情報が属する領域によって測定データの集合を各グループに分割してもよいし、ボロノイ分割や道路分岐毎の分割等によって測定データの集合を各グループに分割してもよい。
モデル情報は、グループ番号に対応するグループに属する測定データに異常データが含まれるか否かを検知するためのモデルを表す情報である。このようなモデル情報は、学習用の測定データを用いて、グループ毎に、学習部１０３により算出される。ここで、モデル情報がどのような情報であるかは、グループ異常検知部１０２が用いる異常検知手法によって異なる。
例えば、グループ異常検知部１０２がＯｎｅ Ｃｌａｓｓ ＳＶＭ（Support Vector Machine）によって異常検知を行う場合には、学習用の測定データとして正常データを用いて、これらの正常データが表す情報（例えば、各時刻の平均旅行速度と各時刻の車両密度）をモデル情報とする。なお、正常データとは異常データでない測定データのことである。また、各時刻の平均旅行速度とは、当該リンクに属する移動体の各時刻における旅行速度の平均のことである。各時刻の車両密度とは、当該リンクの各時刻における移動体の密度のことである。
なお、本実施形態では、学習用の測定データとして異常データをほとんど得ることができないものとして、Ｏｎｅ Ｃｌａｓｓ ＳＶＭにより異常検知を行うものとするが、学習用の測定データとして異常データを正常データと同様に得ることができる場合にはＳＶＭ（Support Vector Machine）により異常検知を行ってもよい。
ただし、グループ異常検知部１０２がモデル情報を必要としない手法により異常検知を行う場合には、モデル情報は不要である。この場合、データベースサーバ２０はモデルＤＢ２０３を有していなくてもよい（したがって、この場合、異常検知サーバ１０は学習部１０３を有していなくてもよい。）。
このように、モデルＤＢ２０３には１以上のモデルデータが格納されており、各モデルデータには、グループ毎に、当該グループに対する異常検知を行うためのモデル情報が含まれている。なお、各モデルデータには、上述した情報以外にも、当該グループの範囲を特定するための情報（例えば、各グループが多角形領域で表される場合はその頂点座標等）が含まれていてもよい。
また、モデルデータには複数のモデル情報が含まれていてもよい。複数のモデル情報がモデルデータに含まれる場合、例えば、これら複数のモデル情報の各々を用いて、異常検知をそれぞれ行って、その異常検知結果の多数決等によって最終的な異常検知結果が得られてもよい。
＜ハードウェア構成＞
次に、本実施形態に係る異常検知システム１に含まれる異常検知サーバ１０、データベースサーバ２０及びアプリケーションサーバ３０のハードウェア構成について説明する。異常検知サーバ１０、データベースサーバ２０及びアプリケーションサーバ３０は、例えば、図５に示すコンピュータ５００のハードウェア構成を有する。図５は、コンピュータ５００のハードウェア構成の一例を示す図である。
図５に示すコンピュータ５００は、入力装置５０１と、表示装置５０２と、外部Ｉ／Ｆ５０３と、ＲＡＭ（Random Access Memory）５０４と、ＲＯＭ（Read Only Memory）５０５と、プロセッサ５０６と、通信Ｉ／Ｆ５０７と、補助記憶装置５０８とを有する。これら各ハードウェアは、バス５０９により相互に通信可能に接続されている。
入力装置５０１は、例えば、キーボードやマウス、タッチパネル、各種操作ボタン等である。表示装置５０２は、例えば、ディスプレイ等である。なお、コンピュータ５００は、入力装置５０１及び表示装置５０２のうちの少なくとも一方を有していなくてもよい。
外部Ｉ／Ｆ５０３は、記録媒体５０３ａ等の外部装置とのインタフェースである。記録媒体５０３ａとしては、例えば、ＣＤ、ＤＶＤ、ＳＤメモリカード、ＵＳＢメモリ等が挙げられる。
ＲＡＭ５０４は、プログラムやデータを一時保持する揮発性の半導体メモリである。ＲＯＭ５０５は、各種プログラムやデータを格納している不揮発性の半導体メモリである。プロセッサ５０６は、例えば、ＣＰＵ（Central Processing Unit）等の各種演算装置である。
通信Ｉ／Ｆ５０７は、コンピュータ５００を通信ネットワークＮに接続するためのインタフェースである。補助記憶装置５０８は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の各種記憶装置である。
本実施形態に係る異常検知サーバ１０、データベースサーバ２０及びアプリケーションサーバ３０は、図５に示すコンピュータ５００のハードウェア構成を有することにより、後述する各種処理を実現することができる。なお、図５に示すハードウェア構成は一例であって、コンピュータ５００は、他のハードウェア構成を有していてもよい。例えば、コンピュータ５００は、複数の補助記憶装置５０８を有していてもよいし、複数のプロセッサ５０６を有していてもよい。
＜処理の詳細＞
次に、本実施形態に係る異常検知システム１に含まれる異常検知サーバ１０が実行する処理の詳細について説明する。
≪学習処理≫
まず、グループ毎のモデル情報を作成する学習処理について、図６を参照しながら説明する。図６は、本実施形態に係る学習処理の一例を示すフローチャートである。この学習処理は、後述する異常検知処理の前に予め実行される。なお、以降では、測定ＤＢ２０２には学習用の測定データが格納されているものとする。ただし、上述したように、グループ異常検知部１０２がモデル情報を必要としない手法により異常検知を行う場合には、この学習処理は実行されない。
まず、学習部１０３は、異常検知に用いるグループを決定する（ステップＳ１０１）。上述したように、本実施形態では、各リンクのそれぞれを、異常検知に用いるグループとして決定する。すなわち、学習部１０３は、道路ＤＢ２０１から道路データを取得した上で、これらの道路データのそれぞれが表すリンクをグループとして決定する。なお、このとき、学習部１０３は、これらのグループのグループ番号も決定する。
次に、学習部１０３は、学習用の測定データを測定ＤＢ２０２から取得する（ステップＳ１０２）。上述したように、本実施形態では、Ｏｎｅ Ｃｌａｓｓ ＳＶＭにより異常検知を行うことを想定し、学習用の測定データには教師データが対応付けられていないものとする。また、これらの学習用の測定データのほとんど（又は全て）が正常データであるものとする。なお、簡単のため、以降では、学習用の測定データを単に「学習用データ」とも表す。
次に、学習部１０３は、上記のステップＳ１０１で決定したグループ単位で学習用データを分割した上で、グループ毎に、当該グループに属する学習用データからモデル情報を算出する（ステップＳ１０３）。そして、学習部１０３は、グループ番号とモデル情報とが含まれるモデルデータをモデルＤＢ２０３に格納する。上述したように、学習部１０３は、グループ毎に、当該グループに含まれる学習用データから、或る特定の情報（例えば、各時刻の平均旅行速度と各時刻の車両密度）を算出することで、これらの情報をモデル情報として算出する。以降では、モデル情報は、各時刻の平均旅行速度と各時刻の車両密度であるものとする。
ここで、或るグループの各時刻の平均旅行速度は、当該グループに含まれる各学習用データに対応する旅行速度の各時刻における総和を、当該グループに含まれる学習用データの個数でそれぞれ割ることで算出される。なお、学習用データに対応する旅行速度とは、当該学習用データに旅行速度が含まれる場合は当該旅行速度であり、当該学習用データに旅行速度が含まれない場合は同一センサ番号の各学習用データに含まれる位置情報及び時刻情報から算出される旅行速度である。
また、或るグループの各時刻の車両密度は、当該グループに含まれる各学習用データに対応する旅行速度の各時刻における総和を、当該グループに対応するリンクの距離でそれぞれ割ることで算出される。
以上により、本実施形態に係る異常検知システム１は、グループ毎のモデル情報を表すモデルデータを学習用データから作成し、モデルＤＢ２０３に格納することができる。後述するように、異常検知処理では、これらのモデルデータを用いて、グループ単位で異常検知が行われる。
≪異常検知処理≫
次に、測定データの集合の中に異常データが含まれるか否かを検知する異常検知処理について、図７を参照しながら説明する。図７は、本実施形態に係る異常検知処理の一例を示すフローチャートである。
まず、特徴量算出部１０１は、異常検知の対象とする測定データとして、或る特定の時刻（例えば、現在時刻）を示す時刻情報が含まれる測定データを測定ＤＢ２０２から取得する（ステップＳ２０１）。
次に、特徴量算出部１０１は、上記のステップＳ２０１で取得された測定データを、予め決定されたグループ（つまり、図６のステップＳ１０１で決定されたグループ）に分割する。そして、特徴量算出部１０１は、グループ毎に、当該グループに含まれる測定データの統計量から所定の特徴量を算出する（ステップＳ２０２）。これにより、グループ毎に特徴量が算出される。ここで、グループに含まれる測定データの統計量は、特徴量の種類に応じた統計量が用いられるが、例えば、グループに属する測定データの個数、旅行速度の総和、旅行時間の総和等の簡易な統計量が用いられる。なお、特徴量の詳細については後述する。
次に、グループ異常検知部１０２は、グループ毎に、上記のステップＳ２０２で算出された特徴量と、モデルＤＢ２０３に格納されているモデルデータとを用いて、当該グループが異常であるか否か（つまり、当該グループに異常データが含まれている可能性があるか否か）を判定する（ステップＳ２０３）。ここで、グループ異常検知部１０２は、例えば、グループ毎に、当該グループの特徴量と当該グループのモデル情報とを用いて、Ｏｎｅ Ｃｌａｓｓ ＳＶＭにより異常検知を行うことで、当該グループが異常であるか否かを判定する。このとき、グループ異常検知部１０２は、当該グループの全ての特徴量を用いて異常検知を行ってもよいし、一部の特徴量を用いて段階的に異常検知を行ってもよい。
なお、例えば、移動体の交通状況は時間や天候、季節等といった様々な要因で変化し得るため、正常領域（つまり、モデル情報によって表される領域）を適切に表現することが困難な場合がある。このため、例えば、交通状況に影響する要因毎に正常領域への寄与率を算出し、これらの寄与率の組み合わせを用いて正常領域が定義されてもよい。すなわち、グループ異常検知部１０２は、各モデル情報を用いた異常検知の結果を、各要因の寄与率を用いて補正してもよい。
次に、グループ異常検知部１０２は、上記のステップＳ２０３で異常なグループ（つまり、異常と判定されたグループ）が存在するか否かを判定する（ステップＳ２０４）。
上記のステップＳ２０４で異常なグループが存在すると判定されなかった場合、異常検知サーバ１０は、異常検知処理を終了する。一方で、上記のステップＳ２０４で異常なグループが存在すると判定された場合、詳細異常検知部１０４は、異常と判定されたグループに含まれる各測定データに対してより詳細な異常検知を行う（ステップＳ２０５）。より詳細な異常検知としては、例えば、上記の非特許文献１に記載された技術による異常検知でもよいし、その他の従来技術による異常検知でもよい。又は、例えば、異常と判定されたグループに含まれる測定データのうちの近傍の測定データ同士を比較する等して異常検知を行ってもよい。
以上により、本実施形態に係る異常検知システム１は、グループ単位で異常検知を行った上で、この異常検知により異常が検知された場合に、異常が検知されたグループに属する各測定データに対してより詳細な異常検知を行う。これにより、本実施形態に係る異常検知システム１では、例えば、全ての測定データに対して詳細な異常検知を行う場合と比べて、異常データを効率的に検知することが可能となる。なお、図７に示す異常検知処理は、例えば、予め決められた期間を経過するまで、所定の時間毎（例えば、単位時間毎）に繰り返し実行される。
＜特徴量＞
ここで、図７のステップＳ２０２で算出される特徴量の詳細について説明する。特徴量算出部１０１は、図７のステップＳ２０１で取得された測定データ（つまり、或る特定の時刻を示す時刻情報が含まれる測定データ）を用いて、例えば、以下の（１）～（３）のいずれかに示す特徴量を算出する。
（１）知識ベース特徴量
地理空間上を移動する移動体の集団が持つ基本的な特徴量として、グループ毎の平均旅行速度とグループ毎の車両密度とを用いることができる。これは、平均旅行速度や車両密度は道路幅や車線数、勾配、曲率半径等の道路の物理的な特性に強く影響されるため、道路の構造が変化しない限り大きく変化しないためである。すなわち、平均旅行速度と車両密度とは、道路の物理的な特性が変化しなければ、例えば、時間的な経過等によっては大きく変化しないためである。
特徴量算出部１０１は、以下のＳｔｅｐ１－１～Ｓｔｅｐ１－３により、グループ（つまり、リンク）毎に、平均旅行速度と車両密度とを特徴量として算出する。
Ｓｔｅｐ１－１：特徴量算出部１０１は、グループ毎に、当該グループに含まれる測定データの個数（これを「第１の統計量」とも表す。）を算出する。また、特徴量算出部１０１は、グループ毎に、当該グループに対応するリンクの距離（これを「第２の統計量」とも表す。）を算出する。
Ｓｔｅｐ１－２：特徴量算出部１０１は、グループ毎に、当該グループに含まれる各測定データに対応する旅行速度の総和（これを「第３の統計量」とも表す。）を算出した上で、第３の統計量を第１の統計量で割ることで、平均旅行速度を算出する。なお、測定データに対応する旅行速度とは、当該測定データに旅行速度が含まれる場合は当該旅行速度であり、当該測定データに旅行速度が含まれない場合は同一センサ番号の過去の測定データに含まれる位置情報及び時刻情報から算出される旅行速度である。
Ｓｔｅｐ１－３：特徴量算出部１０１は、グループ毎に、第３の統計量を第２の統計量で割ることで、車両密度を算出する。
なお、上記のＳｔｅｐ１－２ではグループに含まれる各測定データに対応する旅行速度の総和を第３の統計量としたが、これに限られず、例えば、移動体の移動に伴って計算可能な値（例えば、移動体がリンクに進入してからの経過時間（つまり、リンク内での移動体の旅行時間）等）を第３の統計量としてもよい。
（２）時間的特徴量
上記の（１）で算出した平均旅行速度は、例えば、時間帯や季節、曜日、天候等に応じて動的に変化することが一般的である。例えば、休日の日中の交通量は平日の日中の交通量よりも多いことが一般的であるため、平均旅行速度は低下する。また、例えば、高速道路では、朝や夕方において通勤に伴う交通量が増加する一方で、早朝や深夜では交通量が減少するため、朝や夕方は平均旅行速度が低下する一方で、早朝や深夜では平均旅行速度が増加する。このことは、車両密度についても同様である。
このように平均旅行速度や車両密度は様々な要因で動的に変化し得るが、特に大きな要因は時間である。そこで、時間的な要因の影響が少ない特徴量として、平均旅行速度の差分値及び車両密度の差分値と、平均旅行速度の時間変化率及び車両密度の時間変化率とを用いることができる。これらの特徴量を用いることで、時間的な要因による誤検知（例えば、正常な測定データを異常データと検知してしまう事態等）の発生を低下させることができる。
特徴量算出部１０１は、以下のＳｔｅｐ２－１～Ｓｔｅｐ２－４により、グループ（つまり、リンク）毎に、平均旅行速度の差分値及び車両密度の差分値と、平均旅行速度の時間変化率及び車両密度の時間変化率とを特徴量として算出する。
Ｓｔｅｐ２－１：特徴量算出部１０１は、上記の（１）と同様に、グループ毎に、平均旅行速度と車両密度とを算出する。
Ｓｔｅｐ２－２：特徴量算出部１０１は、グループ毎に、モデルＤＢ２０３に格納されているモデルデータからモデル情報を取得する。
Ｓｔｅｐ２－３：特徴量算出部１０１は、グループ毎に、上記のＳｔｅｐ２－１で算出した平均旅行速度と、モデル情報に含まれる平均旅行速度との差分を計算して、その差分値を、当該グループの平均旅行速度の差分値とする。同様に、特徴量算出部１０１は、グループ毎に、上記のＳｔｅｐ２－１で算出した車両密度と、モデル情報に含まれる車両密度との差分を計算して、その差分値を、当該グループの車両密度の差分値とする。ここで、平常時の車両密度や平均旅行速度はモデル情報として事前に観測又はシミュレーション等により得られているものとする。
Ｓｔｅｐ２－４：特徴量算出部１０１は、前回算出された平均旅行速度と上記のＳｔｅｐ２－１で算出した平均旅行速度との変化率を、平均旅行速度の時間変化率とする。同様に、特徴量算出部１０１は、前回算出された車両密度と上記のＳｔｅｐ２－１で算出した車両密度との変化率を、車両密度の時間変化率とする。なお、前回算出した平均旅行速度及び車両密度とは、図７に示す異常検知処理が繰り返し実行される中で、１つ前に実行された異常検知処理のステップＳ２０２で算出された平均旅行速度及び車両密度のことである。
なお、上記の（１）と同様に、第３の統計量は、例えば、移動体の移動に伴って計算可能な値であってもよい。
（３）空間的特徴量
一般的に、近傍に存在するリンク同士では車両密度の時間変動は高い相関性を持って現れることが知れている。一方で、近傍のリンクであっても、リンクの交通容量（つまり、例えば、単位時間あたりに或る道路断面を通過可能な最大車両数）の違いや他のリンクへの接続性によっては、相関性が低いリンクも存在する。このような空間的な相関性は複数の要因によって生じ得るが、リンク同士の相関性は時間的な経過によっては変化しない。
そこで、平均旅行速度及び車両密度のそれぞれに対して閾値を設定することで、平均旅行速度と車両密度とで表される平面を４つの領域に分割し、グループ毎に、４つの領域で相関係数を算出した上で、これらの相関係数の累積値を特徴量として用いることができる。上記の閾値はグループ毎に任意に設定することが可能であるが、平均旅行速度に対する閾値としては、例えば、首都高速道路の渋滞の条件である「２０ｋｍ／ｈ」等と設定することが考えられ、また、車両密度に対する閾値としては、前記条件の速度の際の当該道路の平均的な車両密度を設定することが考えられる。
なお、平均旅行速度が閾値未満かつ車両密度が閾値以上の領域は渋滞相を、平均旅行速度が閾値以上かつ車両密度が閾値未満の領域は自由流相を、渋滞相及び自由流相以外の領域は渋滞相と自由流相との間の遷移状態をそれぞれ表す。したがって、上記の４つの領域のそれぞれを「第１の状態」～「第４の状態」とも表す。
特徴量算出部１０１は、以下のＳｔｅｐ３－１～Ｓｔｅｐ３－４により、グループ（本実施形態では一例としてリンク）毎に、相関係数の累積値を特徴として算出する。
Ｓｔｅｐ３－１：特徴量算出部１０１は、上記の（１）と同様に、グループ毎に、平均旅行速度と車両密度とを算出する。
Ｓｔｅｐ３－２：特徴量算出部１０１は、グループ毎に、上記のＳｔｅｐ３－１で算出した平均旅行速度及び車両密度を用いて、当該グループが第１の状態～第４の状態のいずれであるかを判定する。ただし、４つの状態とすることは一例であって、更に多い状態が定義されてもよいし、また、離散的な状態でなくてもよい。
Ｓｔｅｐ３－３：特徴量算出部１０１は、例えば車両密度に関して各グループ間の相関係数を算出する。これにより、例えば、グループｋとグループｊとの車両密度に関する相関係数ｒｋｊが算出される。
Ｓｔｅｐ３－４：特徴量算出部１０１は、グループ毎に、当該グループと他のグループとの相関係数の累積値（統計量）を特徴量とする。すなわち、例えば、グループｋの特徴量を算出する場合は、特徴量算出部１０１は、全てのｊに対してｒｋｊの累積値を算出して特徴量とする。なお、このとき、特徴量算出部１０１は、グループｋとグループｊとの状態が同じであればｒｋｊを加算、そうでなければ減算（つまり、－ｒｋｊを加算）して累積値を算出してもよい。
なお、上記では平均旅行速度を用いたが、平均旅行時間等の交通の流速を表す任意の特徴量が用いられてもよい。また、上記では車両密度を用いたが、交通量等の流量を表す任意の特徴量が用いられてもよい。
本発明は、具体的に開示された上記の実施形態に限定されるものではなく、請求の範囲の記載から逸脱することなく、種々の変形や変更等が可能である。
１ 異常検知システム
１０ 異常検知サーバ
２０ データベースサーバ
３０ アプリケーションサーバ
４０ センサ端末
１０１ 特徴量算出部
１０２ グループ異常検知部
１０３ 学習部
１０４ 詳細異常検知部
２０１ 道路ＤＢ
２０２ 測定ＤＢ
２０３ モデルＤＢ
３０１ サービス提供部

Claims (8)

  1. 地理空間内で測定されたデータの集合を、予め決められた複数の部分地理空間を表す複数のグループに分割する分割手段と、
    グループ毎に、前記グループに含まれるデータを用いて、前記グループの特徴量を算出する算出手段と、
    前記複数のグループそれぞれの特徴量を用いて、前記複数のグループの中に、異常なデータが含まれる可能性があるグループが存在するか否かを判定する判定手段と、
    を有することを特徴とする異常検知システム。
  2. 前記データは、移動体の位置情報を所定の時間毎に測定したデータであり、
    前記算出手段は、
    前記グループに含まれるデータによって表される交通の流速と、前記グループが表す部分地理空間における交通の流量とを前記特徴量として算出する、ことを特徴とする請求項１に記載の異常検知システム。
  3. 前記算出手段は、
    前記流速の時間変化及び前記流量の時間変化と、前記流速の平常時との差分及び前記流量の平常時との差分との少なくとも一方を前記特徴量として算出する、ことを特徴とする請求項２に記載の異常検知システム。
  4. 前記算出手段は、
    前記流量又は前記流速に関する前記グループ間の相関値を用いて前記特徴量を算出する、ことを特徴とする請求項２に記載の異常検知システム。
  5. 前記分割手段は、
    前記データを利用したサービスにより設定されている複数の領域を前記複数の部分地理空間として、前記集合を前記複数のグループに分割する、ことを特徴とする請求項１乃至４の何れか一項に記載の異常検知システム。
  6. 地理空間内で測定されたデータの集合を、予め決められた複数の部分地理空間を表す複数のグループに分割する分割手段と、
    グループ毎に、前記グループに含まれるデータを用いて、前記グループの特徴量を算出する算出手段と、
    前記複数のグループそれぞれの特徴量を用いて、前記複数のグループの中に、異常なデータが含まれるグループが存在するか否かを判定する判定手段と、
    を有することを特徴とする異常検知装置。
  7. 地理空間内で測定されたデータの集合を、予め決められた複数の部分地理空間を表す複数のグループに分割する分割手順と、
    グループ毎に、前記グループに含まれるデータを用いて、前記グループの特徴量を算出する算出手順と、
    前記複数のグループそれぞれの特徴量を用いて、前記複数のグループの中に、異常なデータが含まれる可能性があるグループが存在するか否かを判定する判定手順と、
    をコンピュータが実行することを特徴とする異常検知方法。
  8. コンピュータを、請求項１乃至５の何れか一項に記載の異常検知システムにおける各手段として機能させるためのプログラム。
JP2021545060A 2019-09-12 2019-09-12 異常検知システム、異常検知装置、異常検知方法及びプログラム Active JP7264262B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/035980 WO2021048989A1 (ja) 2019-09-12 2019-09-12 異常検知システム、異常検知装置、異常検知方法及びプログラム

Publications (2)

Publication Number Publication Date
JPWO2021048989A1 JPWO2021048989A1 (ja) 2021-03-18
JP7264262B2 true JP7264262B2 (ja) 2023-04-25

Family

ID=74866316

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021545060A Active JP7264262B2 (ja) 2019-09-12 2019-09-12 異常検知システム、異常検知装置、異常検知方法及びプログラム

Country Status (3)

Country Link
US (1) US20220301422A1 (ja)
JP (1) JP7264262B2 (ja)
WO (1) WO2021048989A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180159879A1 (en) 2016-12-06 2018-06-07 General Electric Company Systems and methods for cyber-attack detection at sample speed

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7355528B2 (en) * 2003-10-16 2008-04-08 Hitachi, Ltd. Traffic information providing system and car navigation system
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US7899611B2 (en) * 2006-03-03 2011-03-01 Inrix, Inc. Detecting anomalous road traffic conditions
US8718928B2 (en) * 2008-04-23 2014-05-06 Verizon Patent And Licensing Inc. Traffic monitoring systems and methods
US9518837B2 (en) * 2014-12-02 2016-12-13 Here Global B.V. Monitoring and visualizing traffic surprises
JP6229981B2 (ja) * 2014-12-26 2017-11-15 パナソニックＩｐマネジメント株式会社 車両感知器異常検知装置、交通状況分析装置、車両感知器異常検知システム、交通状況分析システムおよびプログラム
US10347122B2 (en) * 2016-07-12 2019-07-09 Denson Corporation Road condition monitoring system
US11222532B2 (en) * 2016-07-13 2022-01-11 Nec Corporation Traffic control support system, traffic control support method, and program recording medium
US10415981B2 (en) * 2016-07-25 2019-09-17 Denso Corporation Anomaly estimation apparatus and display apparatus
US10127812B2 (en) * 2016-08-29 2018-11-13 Allstate Insurance Company Electrical data processing system for monitoring or affecting movement of a vehicle using a traffic device
US10515543B2 (en) * 2016-08-29 2019-12-24 Allstate Insurance Company Electrical data processing system for determining status of traffic device and vehicle movement
JP7031594B2 (ja) * 2016-09-08 2022-03-08 日本電気株式会社 異常検出装置、異常検出方法、及びプログラム
US10102744B2 (en) * 2016-09-27 2018-10-16 International Business Machines Corporation Predictive traffic management using virtual lanes
EP3557354B1 (en) * 2016-12-14 2023-03-01 Omron Corporation Control device, control program, and control method
US10967862B2 (en) * 2017-11-07 2021-04-06 Uatc, Llc Road anomaly detection for autonomous vehicle
CN110050300B (zh) * 2017-11-13 2021-08-17 北京嘀嘀无限科技发展有限公司 交通拥堵监控系统和方法
GB201802366D0 (en) * 2018-02-14 2018-03-28 Tom Tom Traffic B V Methods and systems for generating taffic volumn or traffic density data
US10936461B2 (en) * 2018-12-21 2021-03-02 Upstream Security, Ltd. System and method for sequence-based anomaly detection and security enforcement for connected vehicles
JP7247592B2 (ja) * 2019-01-16 2023-03-29 株式会社デンソー 異常検出装置、異常検出プログラム、異常検出方法及び異常検出システム
US20200233060A1 (en) * 2019-01-17 2020-07-23 Denso International America, Inc. Sensor data anomaly detection system and method for a vehicle
US11106209B2 (en) * 2019-02-11 2021-08-31 Toyota Jidosha Kabushiki Kaisha Anomaly mapping by vehicular micro clouds
WO2020203352A1 (ja) * 2019-03-29 2020-10-08 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 異常検知方法及び異常検知装置
US11335187B2 (en) * 2019-06-20 2022-05-17 Here Global B.V. Dynamic privacy-sensitive operating modes
US11380198B2 (en) * 2019-09-11 2022-07-05 Toyota Motor Engineering & Manufacturing North America, Inc. Managing anomalies and anomaly-affected entities

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180159879A1 (en) 2016-12-06 2018-06-07 General Electric Company Systems and methods for cyber-attack detection at sample speed

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
原田 貴史，膨大な数の自律型モビリティのための基盤の高信頼化に関する検討，情報処理学会 研究報告 コンピュータセキュリティ（ＣＳＥＣ） ２０１８-ＣＳＥＣ-０８０ ，日本，情報処理学会，2018年02月26日，pages 1-7

Also Published As

Publication number Publication date
WO2021048989A1 (ja) 2021-03-18
JPWO2021048989A1 (ja) 2021-03-18
US20220301422A1 (en) 2022-09-22

Similar Documents

Publication Publication Date Title
Geroliminis et al. Identification and analysis of queue spillovers in city street networks
US20210020036A1 (en) Predicting short-term traffic flow congestion on urban motorway networks
JP7219234B2 (ja) モバイル・オブジェクトの管理方法、システム、コンピュータ・プログラム
US10147315B2 (en) Method and apparatus for determining split lane traffic conditions utilizing both multimedia data and probe data
CN104331422A (zh) 一种路段类型推测方法
US20180033296A1 (en) Method and apparatus for evaluating traffic approaching a junction at a lane level
CN111475250B (zh) 一种云环境下的网络优化方法和装置
Luo et al. Grouped travel time estimation in signalized arterials using point-to-point detectors
JP2016152039A (ja) データ出力方法、データ出力プログラムおよびデータ出力装置
Lan et al. A new framework for traffic anomaly detection
CN102867415A (zh) 基于视频检测技术的道路拥堵判别方法
CN113724497A (zh) 一种目标道路实时交通流量预测方法和装置
Gloudemans et al. Interstate-24 motion: Closing the loop on smart mobility
US20160153787A1 (en) Method and system for division of road network
CN111739293A (zh) 一种数据融合方法及装置
JP7264262B2 (ja) 異常検知システム、異常検知装置、異常検知方法及びプログラム
Li et al. Spatial-temporal similarity for trajectories with location noise and sporadic sampling
Tabibiazar et al. Kernel-based modeling and optimization for density estimation in transportation systems using floating car data
Qi et al. Recurrent and non-recurrent bottleneck analysis based on traffic state rank distribution
CN110264725A (zh) 路段流量的确定方法及装置
CN106887138B (zh) 一种堵车蔓延态势侦测方法与系统
CN110619254A (zh) 一种基于视差图的目标跟踪方法、装置及终端
EP3852081A1 (en) Vehicle-mounted control device
CN110889963B (zh) 一种道路监控方法、装置及存储介质
CN112036630A (zh) 一种公路路面降雨量分布估计方法、存储介质及计算设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220201

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230227

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: 20230314

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230327

R150 Certificate of patent or registration of utility model

Ref document number: 7264262

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150