JP7275718B2

JP7275718B2 - 異常交通流検出装置、異常交通流検出方法、及び異常交通流検出プログラム

Info

Publication number: JP7275718B2
Application number: JP2019054507A
Authority: JP
Inventors: 淳基増田; 正樹松平
Original assignee: Oki Electric Industry Co Ltd
Current assignee: Oki Electric Industry Co Ltd
Priority date: 2019-03-22
Filing date: 2019-03-22
Publication date: 2023-05-18
Anticipated expiration: 2039-03-22
Also published as: JP2020154958A

Description

本発明は、異常交通流検出装置、異常交通流検出方法、及び異常交通流検出プログラムに関し、例えば、高速道路において、突発事象の発生による渋滞を検出する異常交通流検出装置に関する。

高速道路では、トラフィックカウンタ（センサ）が所定距離（例えば、約１０ｋｍ）毎に設置されており、管制センタは、自然渋滞や事故等による異常渋滞の存在を検出している。また、事故等の突発事象が発生したとき、管制センタに電話等で連絡が行われる。このとき、管制センタは、トラフィックカウンタを用いて、渋滞した道路区間を把握し、把握した道路区間までパトロールカーを走行させるようにしている。そして、パトロールカーは、トラフィックカウンタ間（約１０ｋｍ）の側道を走行することにより、事故地点を確認することができる。

特許文献1には、車両検知器によって観測される交通量に基づいて変化する交通流状態を判定する方法が開示されている。また、特許文献２には、車両の存在する位置及び時刻を含むプローブ情報から、ある区間における車両の速度推移と、前記区間における過去の速度推移との相関値を、予め定められた閾値と比較することによって、異常交通流を判定する方法が開示されている。

特開２００７－０２６３００号公報（段落０００９，００１０）特開２００６－１９００６６号公報（段落０００８）

ところで、管制センタは、パトロールカーをトラフィックカウンタ間を走行させることなく、事前に、事故地点を把握できることが好ましい。
この点、特許文献１に開示されている技術も、車両検知器を道路区間ごとに設置したものである。このため、特許文献１に開示されている技術も、道路において渋滞が発生した際に、その渋滞がどの道路区間で発生したか特定可能である。しかしながら、その渋滞が自然渋滞か事故等による異常渋滞（異常交通流）なのかまでは、判定することができない。

また、特許文献２に開示されている技術は、評価対象地点を指定せず、任意の地点において、自然渋滞と異常渋滞とを過去データとの速度推移誤差の２乗和計算により判定している。このため、特許文献２に開示されている技術は、交通量の大小によって、異なる大きさの渋滞を異常渋滞（異常交通流）であると誤検知してしまう問題があった。また、特許文献２に開示されている技術は、検知性能に大きく影響を与える閾値の設定を手動で決定する必要もある。

本発明は、このような問題点を解決するためになされたものであり、自然渋滞と異常交通流とを区別することができる異常交通流検出装置、異常交通流検出方法、及び異常交通流検出プログラムを提供することを目的とする。

前記目的を達成するために、本発明の異常交通流検出装置は、道路（特に、片側複数車線の高速道路）を走行する車両から走行履歴情報を取得する走行履歴情報取得部（２）と、前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離を求める速度回復距離算出部（３）と、前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定部（７）とを有することを特徴とする。なお、括弧内の符号や文字は、実施形態において付した符号等であって、本発明を限定するものではない。

本発明によれば、自然渋滞と異常交通流とを区別することができる。

本発明の第１実施形態である異常交通流検出システムの構成図である。プローブデータの一例を示す表である。自然渋滞と交通異常渋滞とを表現した速度分布を示す図である。自然渋滞での速度変化を示す図である。交通異常渋滞での速度変化を示す図である。イベントデータの一例を示す表である。プローブデータを用いて、渋滞の評価値としての速度回復距離を求める方法を説明するフローチャートである。速度回復距離テーブルの一例を示す図である。速度回復距離の学習処理を説明するためのフローチャートである。速度回復距離と、その速度回復距離の発生確率との関係を示した図である。学習した分布パラメータの一例を示す図である。プローブデータと速度回復距離、学習パラメータから異常交通流を検出する方法を説明するためのフローチャートである。

以下、図面を参照して、本発明の実施の形態（以下、「本実施形態」と称する）につき詳細に説明する。なお、各図は、本発明を十分に理解できる程度に、概略的に示してあるに過ぎない。また、各図において、共通する構成要素や同様な構成要素については、同一の符号を付し、それらの重複する説明を省略する。

（第１実施形態）
（構成の説明）
図１は、本発明の実施形態である異常交通流検出システムの構成図である。
異常交通流検出システムＳは、道路上に設置された複数のプローブデータ収集器１と、管制センタ内の異常交通流検出装置１００とを備え、ネットワークを介して通信可能に接続されている。道路は、片側複数車線の高速道路を想定し、道路上には、電子料金収受システムＥＴＣ（Electronic Toll Collection System）２．０に対応した車載器を搭載した車両Ｖが走行するものとする。ＥＴＣ２．０用車載器は、例えば、時刻、ＧＰＳ（global positioning system）測位位置（緯度・経度）、時刻及び測位位置から演算した車速とを含む走行履歴データ等を逐次格納し、プローブデータ収集器１に一括送信するように構成されている。プローブデータ収集器１は、車載器から走行履歴データ等をプローブデータとして収集するものである。なお、プローブデータ収集器１は、例えば、８ｋｍ毎に設置されている。

異常交通流検出装置１００は、走行履歴情報取得部２、速度回復距離算出部３、速度回復距離記憶部４、パラメータ学習部５、閾値演算部６、判定部７を有したサーバである。異常交通流検出装置１００は、制御部（ＣＰＵ（Central Processing Unit））や記憶部を有し、制御部が異常交通流検出プログラムを実行することにより、走行履歴情報取得部２、速度回復距離算出部３、パラメータ学習部５、閾値演算部６、判定部７としての機能を実現する。

走行履歴情報取得部２は、プローブデータ収集部１から取得した走行履歴データのＧＰＳ測位位置と地図情報とを関連付けて、高速道路の路線コードと、起点からの距離（キロポストともいう。）を求める。さらに、プローブデータ記憶部２１は、予め設定した時間幅（例えば、１分）及び区間幅（例えば、１００ｍ）ごとに、車両Ｖの車速を平均し、例えば、路線コード、時刻、起点からの距離、平均速度を蓄積する。

走行履歴情報取得部２は、プローブデータ記憶部２１とイベントデータ記憶部２２とを有する。プローブデータ記憶部２１は、プローブデータ収集器１から取得したプローブデータを蓄積し、イベントデータ記憶部２２は、過去に道路上で発生した事象（例えば、事故や、荷物の落下）を蓄積している。イベントデータは、管制センタにおいて入力する事象データであり、例えば、事故や路上障害物、故障車を表す事象コードを、日時及び起点からの距離に関連づけたものである。

図２は、プローブデータの一例を示す表である。
プローブデータは、行方向に「日時」、「路線コード」、「方向」、「平均速度」、基点からの「距離」の項目が列挙されたものである。例えば、プローブデータ２００は、日時「2018/4/29 15:29」、路線コード「１２３４」、方向「１」（上り又は下りを示す。）において、起点からの距離「５３．４」ｋｍの地点に平均速度「７４」ｋｍで走行している車両と、起点からの距離「５３．５」ｋｍの地点に平均速度「８４」ｋｍで走行している車両と、起点からの距離「５３．６」ｋｍの地点に平均速度「７０」ｋｍで走行している車両とが列方向に記録されている。

図３は、自然渋滞と交通異常渋滞とを表現した速度分布を示す図である。

自然渋滞（交通集中渋滞）は、登り坂、トンネルの入り口、合流地点など速度低下が慢性的に発生する地点に、交通容量以上の交通量が流入することによって発生する。渋滞の原因となる場所が固定され、渋滞の先頭位置は変化しない。このため、速度低下は交通量の上昇とともに徐々に進行方向に対して後方に伝播し、渋滞が伸びることになる。

一方、交通異常渋滞は、交通事故や路上障害物などの事象が発生要因である。交通異常渋滞は、事象による走行車線の封鎖もしくは、交通規制の影響によって車線が一部遮断され、通行可能な交通量が大きく低下することによって発生する。
図３の速度分布は、自然渋滞が起点から距離４８２ｋｍ付近で時刻１０時３０分～１３時に発生しており、事故が距離４７７ｋｍ付近で時刻９時３０分に発生し、その交通異常渋滞が距離４７７ｋｍ付近で時刻９時３０分～１０時２０分に発生していることを示している。なお、この事故は、距離４７７ｋｍ付近で時刻７時４０分～９時３０分まで発生した自然渋滞が原因であると考えられる。なお、イベントデータには、時刻９時１８分～１０時３分まで距離４７７ｋｍ～４７７．８０ｋｍにかけて車線規制（追越車線）が記録されている。

また、自然渋滞は、先頭車両の速度が４０～５５ｋｍ／ｈであり、速度２０～４０ｋｍ／ｈの車両が続いている。一方、交通異常渋滞は、先頭車両の速度が４０～５５ｋｍ／ｈであり、速度２０～４０ｋｍ／ｈの車両を介して、速度０～２０ｋｍ／ｈの渋滞車両が起点から距離４８７ｋｍ付近まで継続している。ここで、速度０ｋｍ／ｈ～４０ｋｍ／ｈの速度域を「渋滞流速度」と定義し、速度４０～５５ｋｍ／ｈの速度域を「混雑流速度」と定義し、速度５５ｋｍ／ｈ以上の速度域を「自由流速度」と定義する。つまり、「流」の意義は、車両群の状態ではなく、動きや速度の変化を表すところにある。

次に、速度変化パターンの指標として、渋滞時の速度回復距離Ｄを定義する。この速度回復距離Ｄは、低速車列の先頭付近において、低速状態から高速状態になるまでに要する距離のことである。

図４は、自然渋滞での速度変化を示す図であり、図５は、交通異常渋滞での速度変化を示す図である。縦軸は、車両Ｖ（図１）の速度ｋｍ／ｈであり、横軸は、起点からの距離ｋｍである。起点からの距離は、１００ｍメッシュの速度を線形補完している。速度回復距離Ｄ１，Ｄ２は、渋滞の定義速度である４０ｋｍ／ｈの地点と速度が回復したと考えられる５５ｋｍ／ｈの地点までの距離としている。なお、渋滞流速度と混雑流速度との境界速度４０ｋｍ／ｈと、混雑流速度の上限速度５５ｋｍ／ｈとを１点鎖線で示している。

発明者は、図５の交通異常渋滞の速度回復距離Ｄ２の方が図４の自然渋滞の速度回復距離Ｄ１よりも短いことを発見した。つまり、自然渋滞では、どこが先頭車両か分からない程度に、徐々に車両速度が回復していく。一方、片側複数車線の高速道路では、事故車までは渋滞状態でも、その先では、先頭車両Ｖは、事故車線がガラ空き状態であると認識し、加速することができるので、自然渋滞よりも速度回復距離が短くなる。これにより、速度回復距離Ｄが所定の閾値Ｄ_ＴＨ（図１０）よりも短ければ、判定部７（図１）が事故等による交通異常渋滞であると判定することができる。

なお、前記したように、プローブデータ収集器１は、例えば、８ｋｍ毎に設置されている。時速８０ｋｍ／ｈで走行する先頭車両が次のプローブデータ収集器１に到達するまで、最大６分掛かる。つまり、先頭車両が有する走行履歴情報が、管制センタに届くまで、最大６分の時間遅れが生じる。

図６は、イベントデータの一例を示す表である。
イベントデータは、行方向に、「日時」、「路線コード」、「方向」、「事象コード」、「始点キロポスト」、「終点キロポスト」の項目を列挙するものである。イベントデータ２１０は、例えば、路線コード「１２３４」、方向「１」、始点キロポスト「５３．０」ｋｍ、終点キロポスト「５２．６」ｋｍの地点において、日時「2018/4/29 14:48」、「2018/4/29 14:50」、「2018/4/29 14:51」に、事象コード「１００」の事象が発生したことが、行方向に記録されたものである。なお、始点キロポスト「５３．０」ｋｍ、終点キロポスト「５２．６」ｋｍは、路線の起点から「５３．０」ｋｍ、路線の起点から「５２．６」ｋｍの地点を意味する。

ここで、図１の説明に戻る。速度回復距離算出部３は、路線毎に、時空間的な速度変化から自然渋滞の交通流と異常交通流とを区別する特徴量（例えば、速度回復距離Ｄ、特に、渋滞時の先頭車両での速度回復距離Ｄ）を算出する機能部である。具体的には、速度回復距離算出部３は、プローブデータ記憶部２１に格納されている走行履歴情報に基づいて、車両Ｖの速度が所定の渋滞流速度以下となる地点を検出し、車両Ｖの速度が渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離Ｄを算出する。ここで、所定の渋滞流速度は、渋滞流速度と混雑流速度の境界速度（４０ｋｍ／ｈ）であり、所定の混雑流速度は、混雑流速度と自由流速度との境界速度（５５ｋｍ／ｈ）である。速度回復距離記憶部４は、プローブデータと、速度回復距離算出部３で算出した速度回復距離Ｄを含む速度回復距離リスト２２０（図８）を格納する。

パラメータ学習部５は、走行履歴情報から、速度回復距離の発生確率を示す確率分布の分布パラメータを道路の路線毎に学習する機能手段である。速度回復距離と該速度回復距離の発生確率との関係式は、例えば、ガンマ分布、対数正規分布、ワイブル分布がある。パラメータ学習部５は、学習した分布パラメータを分布パラメータ記憶部５２に記憶する。

閾値演算部６は、学習した分布パラメータと予め設定された設定確率ｐ（例えば、ｐ＝０．１３５％）とを用いて、速度回復距離Ｄを逆演算することにより、前記した所定の閾値Ｄ_ＴＨを求めるものである。これにより、閾値Ｄ_ＴＨが自動で求められる。例えば、山道の上り坂でも距離が長いと速度の回復が遅く、距離が短いと速くなるので、路線毎に速度回復距離の閾値Ｄ_ＴＨが異なる。閾値演算部６は、学習により、路線毎に異なる閾値Ｄ_ＴＨを求めることができる。また、交通異常流か否かの判定を確率的に正しくしたいので、パラメータ学習部５は、ガンマ分布等の確率分布を用いて学習している。

判定部７は、異常交通流判定部７１と突発事象発生位置特定部７２とを有している。異常交通流判定部７１は、速度回復距離Ｄが所定の閾値Ｄ_ＴＨ以下である場合、異常交通流と判定するものである。突発事象発生位置特定部７２は、異常交通流と判定された路線の事故点（混雑流速度と自由流速度との境界速度の地点）を特定する。

（動作の説明）

図７は、プローブデータを用いて、渋滞の評価値としての速度回復距離を求める方法を説明するフローチャートである。
まず、速度回復距離算出部３は、プローブデータをプローブデータ記憶部２１から取得する（Ｓ１）。
Ｓ１の後、速度回復距離算出部３は、取得したプローブデータについて、起点からの各々の距離及び各時刻について、予め設定した範囲の速度推移（例えば、上流５００ｍ、下流５００ｍ）のデータを抽出する（Ｓ２）。

速度回復距離算出部３は、Ｓ２で抽出した速度推移の分布データについて、対象地点から設定した距離上流までの平均速度が設定した渋滞流速度（例えば、０ｋｍ／ｈ～４０ｋｍ／ｈ）の範囲内であって、対象地点から設定した距離下流までの平均速度が自由流速度（例えば、５５ｋｍ／ｈ以上）の範囲内であるか否か判定する（Ｓ３）。上流の平均速度が渋滞流速度、且つ、下流の平均速度が自由流速度でないとき（Ｓ３でＮｏ）、速度回復距離算出部３は、処理をＳ２に戻し、新たな速度推移データを抽出する。

一方、上流の平均速度が渋滞流速度であって、下流の平均速度が自由流速度であるとき（Ｓ３でＹｅｓ）、速度回復距離算出部３は、車両群が渋滞流速度（例えば、０ｋｍ／ｈ～４０ｋｍ／ｈ）から自由流速度（例えば、５５ｋｍ／ｈ以上）まで速度回復に要した距離を算出する（Ｓ４）。具体的には、速度推移データの中から、渋滞流速度（例えば、０ｋｍ／ｈ～４０ｋｍ／ｈ）と混雑流速度（例えば、４０ｋｍ／ｈ～５５ｋｍ／ｈ）との境界（４０ｋｍ／ｈ）で走行する地点と、混雑流速度（例えば、４０ｋｍ／ｈ～５５ｋｍ／ｈ）と自由流速度（例えば、５５ｋｍ／ｈ以上）との境界（５５ｋｍ／ｈ）で走行する地点との距離差を、例えば、線形補間を用いることにより連続値として算出する。

さらに、速度回復距離算出部３は、前記２つの地点の距離差（速度４０ｋｍ／ｈで走行している地点と、速度５５ｋｍ／ｈで走行している地点との距離差）から渋滞先頭における速度回復に要した距離（速度回復距離Ｄ）を算出する（Ｓ４）。そして、速度回復距離算出部３は、算出された速度回復距離Ｄをプローブデータ記憶部２１に蓄積したプローブデータの各日時（時刻）、起点からの各距離と関連付けて速度回復距離記憶部４に格納する。

そして、速度回復距離算出部３は、全ての時刻、地点の処理を終了したか否か判定する（Ｓ５）。全ての地点を処理していなければ（Ｓ５でＮｏ）、処理をＳ２に戻し、新たな速度推移データを抽出する。一方、全ての地点を処理していれば（Ｓ５でＹｅｓ）、このルーチンを終了する。

図８は、速度回復距離テーブルの一例を示す図である。
速度回復距離テーブルは、行方向に、「日時」、「路線コード」、「方向」、起点からの「距離」、「速度回復距離」の項目が列挙されたものである。
速度回復距離リスト２２０は、例えば、路線コード「１２３４」、方向「１」（上り又は下りを示す。）、起点からの距離「６２．３」ｋｍの地点において、日時「2018/4/29 17:29」の速度回復距離「０．４２５」ｋｍ、日時「2018/4/29 17:30」の速度回復距離「０．４９６」ｋｍ、日時「2018/4/29 17:31」の速度回復距離「０．４０４」ｋｍが列方向に格納されている。なお、速度回復距離テーブル２２０は、速度回復距離記憶部４（図１）に格納されている。

図９は、速度回復距離の学習処理を説明するためのフローチャートである。
まず、パラメータ学習部５（図１）は、プローブデータ記憶部２１から、予め設定した学習期間（例えば、前日１日）、かつ、対象の路線のプローブデータをプローブデータ記憶部２１から取得し、イベントデータをイベントデータ記憶部２２から取得し、速度回復距離を速度回復距離記憶部４から取得する（Ｓ１１）。

Ｓ１１の処理後、パラメータ学習部５は、取得したプローブデータ（走行履歴情報）の各時刻と、起点からの各距離とに関連付けられた速度回復距離について、イベントデータから得られる突発事象範囲外の速度回復距離を抽出する（Ｓ１２）。なお、この突発事象範囲外の速度回復距離は、予め設定した時刻方向のマージン（例えば、５分）と距離方向のマージン（例えば、５００ｍ）とを加算した範囲外における速度回復距離とする。この処理によりパラメータ学習部５は、自然渋滞の速度回復距離を学習することができる。

Ｓ１２の処理後、パラメータ学習部５は、Ｓ１１で抽出した速度回復距離と該速度回復距離の発生確率（頻度）の関係を下記の式で表現されるガンマ分布でフィッティングし、分布パラメータａ，ｂを算出する（Ｓ１３）。ここで、分布パラメータａ，ｂの推定方法は、最尤推定などの方法を用いてパラメータを決定する。Ｓ１３の処理後、パラメータ学習部５は、学習した分布パラメータａ，ｂを路線コードと関連付けて分布パラメータ記憶部５２に記憶し（Ｓ１４）、このルーチンを終了する。
ｐ（Ｄ）＝１／（Γ（ａ）ｂ^ａ）×Ｄ^ａ－１×ｅｘｐ（－Ｄ／ｂ）
ｐ（Ｄ）：確率
Ｄ：速度回復距離
Γ（ａ）：ガンマ関数
ａ，ｂ：分布パラメータ
なお、分布パラメータａは、分布形状を規定し、分布パラメータｂは、スケールを規定する。

図１０は、速度回復距離Ｄと、その速度回復距離Ｄの発生確率ｐとの関係を示した図である。
分布形状は、左右対称な正規分布（不図示）に比較して、確率ｐの最大値ｐ_ＭＡＸを示す速度回復距離から左側の方が右側よりも狭くなっている。このような左右非対称な分布は、前記したガンマ分布に限らず、下記の式で表現される対数正規分布やワイブル分布でも構わない。
ｐ（Ｄ）＝１／（（√２π）ｂＤ）×ｅｘｐ（－（（ｌｎ（Ｄ）－ａ）^２）／（２ｂ^２））
ｐ（Ｄ）＝ａ／ｂ×（Ｄ／ｂ）^ａ－１×ｅｘｐ（－（Ｄ／ｂ）^ａ）
また、図１０には、速度回復距離Ｄの発生確率ｐの閾値として、正規分布の３σに相当する確率ｐ＝０．１３５％を破線の直線で示している。

図１１は、学習した分布パラメータの一例を示す図である。
分布パラメータテーブル２３０は、行方向に項目「路線コード」、分布パラメータ「ａ」、分布パラメータ「ｂ」が列挙されたテーブルである。分布パラメータテーブル２３０は、例えば、路線コード「１２３４」の分布パラメータがａ＝「４．０２２」，ｂ＝「０．９７４」であることを示している。なお、分布パラメータテーブル２３０は、分布パラメータ記憶部５２に記憶されている。

図１２は、プローブデータと速度回復距離Ｄ、学習パラメータａ，ｂから異常交通流を検出する方法を説明するためのフローチャートである。
このルーチンは、事故発生を認識したときに実行される。なお、プローブデータは、予め設定した周期（例えば、1分周期）で取得されている。

異常交通流判定部７１は、プローブデータ記憶部２１から、設定した時刻（例えば、１時間前）以降から現時刻までのプローブデータをプローブデータ記憶部２１から取得し、そのプローブデータに関連付けられた速度回復距離Ｄを速度回復距離記憶部４から取得する（Ｓ２１）。

Ｓ２１の処理後、異常交通流判定部７１は、分布パラメータ記憶部５２から速度回復距離Ｄの分布パラメータａ，ｂを取得し（Ｓ２２）、取得した分布パラメータａ，ｂから累積分布の逆関数式を算出する（Ｓ２３）。

Ｓ２３の処理後、異常交通流判定部７１は、プローブデータから連続したＮ分（例えば、Ｎ＝２分）の速度回復距離Ｄを取得し、速度回復距離Ｄの平均値を算出する（Ｓ２４）。この複数検知により、誤検知を防止することができる。

Ｓ２４の処理後、異常交通流判定部７１は、学習した分布パラメータａ，ｂから算出した累積分布の逆関数式と、予め設定した確率ｐ（例えば、ｐ＝０．１％～０．２％、好ましくはｐ＝０．１３５％）から速度回復距離Ｄの閾値Ｄ_ＴＨを算出する（Ｓ２５）。結果的に、異常交通流判定部７１は、分布パラメータａ，ｂを用いて、分布確率ｐの極めて小さい閾値ｐ（例えば、ｐ＝０．１３５％）となる速度回復距離Ｄの閾値Ｄ_ＴＨを逆演算することになる。この処理により、自然渋滞の速度回復距離Ｄの事象が排除され、異常交通流判定部７１は、事故等による交通異常の事象を捉えることができる。

Ｓ２５の処理後、異常交通流判定部７１は、Ｓ２４で算出した速度回復距離Ｄの平均値が閾値Ｄ_ＴＨ以下であるか否か判定する（Ｓ２６）。速度回復距離Ｄの平均値が閾値Ｄ_ＴＨを超えていたとき（Ｓ２６でＮｏ）、異常交通流判定部７１は、このルーチンを終了し、予め設定した周期（例えば、1分周期）後に、再実行する。

一方、速度回復距離Ｄの平均値が閾値Ｄ_ＴＨ以下であれば（Ｓ２６でＹｅｓ）、異常交通流判定部７１は、異常交通流と判定する。そして、異常交通流判定部７１は、異常交通流と判定したＮ分（例えば、２分）の地点について、予め設定した範囲の空間的な速度推移（例えば、上流１ｋｍ、下流５００ｍ）のデータを抽出し（Ｓ２７）、Ｎ分の平均速度分布を算出する。

Ｓ２７の処理後、突発事象発生位置特定部７２（図１）は、前記速度推移内の各速度（Ｎ分の平均速度）について、設定した渋滞流速度（例えば、０ｋｍ／ｈ～４０ｋｍ／ｈ）から混雑流速度（例えば、４０ｋｍ／ｈ～５５ｋｍ／ｈ）まで変化する地点（基点からの距離）を特定し、特定された地点を突発事象発生地点とし（Ｓ２８）、このルーチンが終了する。これにより、高速道路を管理する管制センタは、所定の道路区間の側道をパトロールカーを走行させることなく、事故地点を特定することができる。

（効果の説明）
以上説明したように、本実施形態の異常交通流検出システムＳ（図１）のプローブデータ収集器１は、各車両Ｖに搭載した車載器（例えば、ＥＴＣ２．０用車載器）から、その車両Ｖの走行履歴データ（時刻、ＧＰＳの測位位置、車速）を収集し、異常交通流検出装置１００のプローブデータ記憶部２１に格納している。

事故発生を認識したとき、異常交通流検出装置１００は、プローブデータ（走行履歴情報）を用いて、渋滞流速度（例えば、０ｋｍ／ｈ～４０ｋｍ／ｈ）と混雑流速度（例えば、４０ｋｍ／ｈ～５５ｋｍ／ｈ）との境界速度（４０ｋｍ／ｈ）で走行している地点と、混雑流速度と自由流速度との境界速度（５５ｋｍ／ｈ）とで走行している地点との距離差から渋滞先頭における渋滞回復に要する距離（速度回復距離Ｄ）を算出する（Ｓ４（図７））。

異常交通流検出装置１００は、Ｓ４で算出した速度回復距離ＤがＳ２５で算出した所定の閾値Ｄ_ＴＨよりも小さいときに、異常交通流と判定する（Ｓ２６）。これらの処理で、異常交通流検出装置１００は、交通量変化や路線ごとの特性に対して安定的に異常交通流を検出することができる。

（変形例）
本発明は前記した実施形態に限定されるものではなく、例えば、以下のような種々の変形が可能である。

（１）前記実施形態の図３では、交通異常渋滞も自然渋滞も、先頭車両の位置（起点からの距離）は、時刻に対して変化していなかった。ここで、渋滞が途切れたときに加速することを考える。このときの速度変化は、交通異常渋滞と同様に速度回復距離が短くなる。そのため、異常交通流検出装置１００は、渋滞が途切れたときの加速車両を誤検知してしまう可能性がある。しかしながら、渋滞が途切れたときの加速車両は、時刻に対して位置が変化する特徴を有しているので、この条件を付加することによって、誤検知を排除することができる。

（２）また、前記実施形態は片側複数車線を想定しているが、片側単車線の道路であっても、崖崩れや路側に停車した事故車等の存在により、車両の通行は可能だが徐行が必要な状態が発生している場合に、異常交通流として検知することができる。

１プローブデータ収集器
２走行履歴情報取得部
３速度回復距離算出部
４速度回復距離記憶部
５パラメータ学習部
６閾値演算部
７判定部
７１異常交通流判定部
７２突発事象発生位置特定部
１００異常交通流検出装置
２００プローブデータ（走行履歴情報）

Claims

道路を走行する車両から走行履歴情報を取得する走行履歴情報取得部と、
前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離を求める速度回復距離算出部と、
前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定部と
を有することを特徴とする異常交通流検出装置。
道路を走行する車両から走行履歴情報を取得する走行履歴情報取得部と、
前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離を求める速度回復距離算出部と、
渋滞の先頭位置での前記速度回復距離が自然渋滞の前記速度回復距離よりも短い場合、異常交通流と判定する判定部と
を有することを特徴とする異常交通流検出装置。
道路を走行する車両から走行履歴情報を取得する走行履歴情報取得部と、
渋滞流速度と自由流速度との中間速度を混雑流速度と定義したとき、前記走行履歴情報に基づいて、前記車両の速度が前記渋滞流速度と前記混雑流速度の境界速度以下となる地点を検出し、当該車両の速度が前記混雑流速度と前記自由流速度との境界速度に回復するまでの速度回復距離を求める速度回復距離算出部と、
前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定部と
を有することを特徴とする異常交通流検出装置。
請求項１に記載の異常交通流検出装置であって、
前記速度回復距離算出部が検出する車両の速度は、所定時間での平均値である
ことを特徴とする異常交通流検出装置。
請求項１に記載の異常交通流検出装置であって、
前記走行履歴情報から前記速度回復距離の発生確率を示す確率分布の分布パラメータを道路の路線毎に学習するパラメータ学習部と、
学習した分布パラメータと予め設定された設定確率とを用いて、速度回復距離を逆演算することにより、前記所定の閾値を求める閾値演算部と
をさらに備えることを特徴とする異常交通流検出装置。
請求項５に記載の異常交通流検出装置であって、
前記確率分布は、下記の式で表現されるガンマ分布である
ことを特徴とする異常交通流検出装置。

ｐ（Ｄ）＝１／（Γ（ａ）ｂ^ａ）×Ｄ^ａ－１×ｅｘｐ（－Ｄ／ｂ）
ｐ（Ｄ）：確率
Ｄ：速度回復距離
Γ（ａ）：ガンマ関数
ａ，ｂ：分布パラメータ
請求項５に記載の異常交通流検出装置であって、
前記設定確率は、０．１％～０．２％である
ことを特徴とする異常交通流検出装置。
請求項６又は請求項７に記載の異常交通流検出装置であって、
前記パラメータ学習部で学習する速度回復距離は、突発事象による前記走行履歴情報が除かれていることを特徴とする異常交通流検出装置。
請求項６又は請求項７に記載の異常交通流検出装置であって、
前記判定部は判定対象の車両の位置を渋滞の先頭位置とすることを特徴とする異常交通流検出装置。
制御部が実行する異常交通流検出方法であって、
道路を走行する車両から走行履歴情報を取得する走行履歴情報ステップと、
前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の混雑流速度に回復するまでの速度回復距離を求める速度回復距離ステップと、
前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定ステップと
を実行することを特徴とする異常交通流検出方法。
道路を走行する車両から走行履歴情報を取得する走行履歴情報取得部と、
前記走行履歴情報に基づいて、前記車両の速度が所定の渋滞流速度以下となる地点を検出し、当該車両の速度が当該渋滞流速度よりも速い所定の自由流速度に回復するまでの速度回復距離を求める速度回復距離算出部と、
前記速度回復距離が所定の閾値以下である場合、異常交通流と判定する判定部と
の機能を制御部に実現させることを特徴とする異常交通流検出プログラム。