JP7296572B2 - 交通信号制御システム、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法 - Google Patents

交通信号制御システム、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法 Download PDF

Info

Publication number
JP7296572B2
JP7296572B2 JP2019026839A JP2019026839A JP7296572B2 JP 7296572 B2 JP7296572 B2 JP 7296572B2 JP 2019026839 A JP2019026839 A JP 2019026839A JP 2019026839 A JP2019026839 A JP 2019026839A JP 7296572 B2 JP7296572 B2 JP 7296572B2
Authority
JP
Japan
Prior art keywords
control
traffic
information
signal control
traffic signal
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
JP2019026839A
Other languages
English (en)
Other versions
JP2020135315A (ja
Inventor
浩一郎 岩岡
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.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
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 Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Priority to JP2019026839A priority Critical patent/JP7296572B2/ja
Publication of JP2020135315A publication Critical patent/JP2020135315A/ja
Application granted granted Critical
Publication of JP7296572B2 publication Critical patent/JP7296572B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Description

本発明は、対象となる制御エリアに設置された信号機を制御する交通信号制御システム、交通信号制御装置および交通信号制御方法と、交通信号制御システムにおける情報収集装置および信号制御機と、交通信号制御装置に実装される制御エンジンを構築する制御エンジン構築装置および制御エンジン構築方法に関するものである。
交通管理システムでは、円滑な交通流の確保、交通安全の確保、交通公害の抑制などを目的として、対象とする道路網の交通状況に基づいて、交差点に設置された信号機を制御する交通信号制御が行われている。この交通信号制御では、道路に設置された車両感知器で収集した情報などに基づいて、サブエリア構成を決定し、また、信号制御パラメータ（サイクル長、オフセット、スプリット）を生成するようにしている。
このような交通信号制御では、信号制御方式としてパターン制御やＭＯＤＥＲＡＴＯ（Management by Origin-Destination Related Adaptation for Traffic Optimization）制御が採用されているが、車両感知器整備の制約からパターン制御を適用している交差点も多数存在する。このパターン制御を適用するためには、熟練技術者による交通状況の類型化および類型化した交通状況毎の最適制御パラメータ値設計を実施する必要がある。しかし、近年の熟練技術者減少のため、交通状況の経年変化に応じた制御設計見直し（交通状況類型化、最適制御パラメータ設計）が遅滞し、現在の交通状況と制御設計との間に不整合が生じて渋滞発生している箇所が多くある。
そこで、機械学習を用いた交通状況推計と汎用制御パラメータを用いて、熟練技術者がいなくても制御設計の見直しを可能とする手法が考えられる。このような機械学習を交通管理に応用した技術として、従来、機械学習モデル（ニューラルネットワーク）を用いて、入力情報としての交通量から、出力情報として将来の交通量や信号現示の設計情報を取得する技術が知られている（特許文献１，２参照）。
特開平７－６２９２号公報 特開平８－１２４０８５号公報
しかしながら、前記従来の技術では、交通需要の変化を予測したり、専門家がその経験と技術に基づいて行っていた現示設計を装置に行わせたりすることができるが、機械学習モデルを用いて信号制御パラメータを最適化するものではなく、現在の交通状況に対応する最適な信号制御パラメータを求めることができないという問題があった。
そこで、本発明は、県内数交差点しかない重度の渋滞が発生するクリティカルな交差点以外の大多数の交差点群に対して、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる交通信号制御システム、情報収集装置、信号制御機、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法を提供することを主な目的とする。
本発明の交通信号制御システムは、対象となる制御エリアに設置された信号機を制御する交通信号制御システムであって、対象となる制御エリアの最新の交通状況情報を収集する情報収集装置と、この情報収集装置で収集した前記交通状況情報に基づいて信号制御情報を生成する交通信号制御装置と、この交通信号制御装置から取得した前記信号制御情報に基づいて前記信号機を制御する信号制御機と、を備え、前記交通信号制御装置は、前記交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、この制御エンジンが、類型化された制御エリアのタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものである構成とする。
また、本発明の情報収集装置は、前記交通信号制御システムにおける情報収集装置とする。
また、本発明の信号制御機は、前記交通信号制御システムにおける信号制御機とする。
また、本発明の交通信号制御装置は、対象となる制御エリアに設置された信号機を制御するための信号制御情報を生成して信号制御機に送信する交通信号制御装置であって、情報収集装置で収集した最新の交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、この制御エンジンは、類型化された制御エリアのタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものである構成とする。
また、本発明の制御エンジン構築装置は、交通信号制御装置に実装される制御エンジンを構築する制御エンジン構築装置であって、最新の交通状況情報を入力することで信号制御情報を出力する機械学習モデルからなる前記制御エンジンを構築する制御部を備え、この制御部は、類型化された制御エリアのタイプごとに前記機械学習モデルに対する学習処理を実行して、制御エリアのタイプごとの複数の制御エンジンを構築する構成とする。
また、本発明の交通信号制御方法は、対象となる制御エリアに設置された信号機を制御する交通信号制御方法であって、交通信号制御装置において、対象となる制御エリアの最新の交通状況情報を情報収集装置から取得し、機械学習モデルからなる制御エンジンに対して前記交通状況情報を入力して、前記制御エンジンから出力される信号制御情報を取得し、前記制御エンジンが、類型化された制御エリアのタイプごとに予め構築された複数の前記制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものである構成とする。
また、本発明の制御エンジン構築方法は、交通信号制御装置に実装され、最新の交通状況情報を入力することで信号制御情報を出力する制御エンジンを構築する制御エンジン構築方法であって、情報処理装置において、前記制御エンジンを構成する機械学習モデルに対する学習処理を、類型化された制御エリアのタイプごとに実行して、制御エリアのタイプごとの複数の前記制御エンジンを構築する構成とする。
本発明によれば、予め制御エリアの特徴に応じて類型化されたタイプごとに制御エンジンを構築し、対象とする制御エリアのタイプに該当する機械学習モデルを選択して、信号制御を実行する。これにより、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる。特に、対象となる制御エリアごとに現場の交通状況を学習情報として収集するなどして、対象となる制御エリアごとに機械学習を行う必要がないため、人手を掛けずに、制御エリアの特徴に適した制御を行うことができる制御エンジンを構築することができる。
第１実施形態に係る交通信号制御システムの全体構成図 交通管理装置３で構築される制御エンジンを構成する機械学習モデルの概要を示す説明図 制御エリアの類型化の概要を示す説明図 制御エリアのネットワーク構造に関する類型化の一例を示す説明図 交差点の現示構成に関する類型化の一例を示す説明図 制御エリアの類型化の一例を示す説明図 交通管理装置３の概略構成を示すブロック図 学習処理部２１で行われる処理の手順を示すフロー図 学習処理部２１で行われる処理の概要を示す説明図 学習処理において誤差を算出する要領を示す説明図 学習処理部２１で行われる強化学習処理の手順を示すフロー図 制御エンジン構築部２２および信号制御情報生成部２３で行われる処理の手順を示すフロー図 第２実施形態に係る学習処理部２１で行われる処理の概要を示す説明図
前記課題を解決するためになされた第１の発明は、対象となる制御エリアに設置された信号機を制御する交通信号制御システムであって、対象となる制御エリアの最新の交通状況情報を収集する情報収集装置と、この情報収集装置で収集した前記交通状況情報に基づいて信号制御情報を生成する交通信号制御装置と、この交通信号制御装置から取得した前記信号制御情報に基づいて前記信号機を制御する信号制御機と、を備え、前記交通信号制御装置は、前記交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、この制御エンジンが、類型化された制御エリアのタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものである構成とする。
これによると、予め制御エリアの特徴に応じて類型化されたタイプごとに制御エンジンを構築し、対象とする制御エリアのタイプに該当する機械学習モデルを選択して、信号制御を実行する。これにより、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる。特に、対象となる制御エリアごとに現場の交通状況を学習情報として収集するなどして、対象となる制御エリアごとに機械学習を行う必要がないため、人手を掛けずに、制御エリアの特徴に適した制御を行うことができる制御エンジンを構築することができる。
また、第２の発明は、前記制御エンジンは、制御エリアのネットワーク構造に基づいて類型化されたタイプごとに構築されている構成とする。
これによると、制御エリアのネットワーク構造に基づく類型化により、制御エリアを適切に類型化することができる。
また、第３の発明は、前記ネットワーク構造は、交差点数、リンク構成、車線数、および重要交差点位置の少なくともいずれかを含む構成とする。
これによると、交差点数、リンク構成、車線数、および重要交差点位置に基づく類型化により、制御エリアを適切に類型化することができる。
また、第４の発明は、前記制御エンジンは、制御エリアに含まれる交差点の現示構成に基づいて類型化されたタイプごとに構築されている構成とする。
これによると、制御エリアに含まれる交差点の現示構成に基づく類型化により、制御エリアを適切に類型化することができる。
また、第５の発明は、前記制御エンジンは、制御エリアの交通状況に基づいて類型化されたタイプごとに構築されている構成とする。
これによると、制御エリアの交通状況に基づく類型化により、制御エリアを適切に類型化することができる。
また、第６の発明は、前記制御エンジンは、共通のサイクル長で運用される複数の交差点を含むサブエリア単位で類型化されたタイプごとに構築されている構成とする。
これによると、信号制御の最小単位となるサブエリア単位の類型化により、制御エリアを適切に類型化することができる。
また、第７の発明は、前記交通信号制御システムにおける情報収集装置である。
これによると、第１の発明と同様に、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる。
また、第８の発明は、前記交通信号制御システムにおける信号制御機である。
これによると、第１の発明と同様に、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる。
また、第９の発明は、対象となる制御エリアに設置された信号機を制御するための信号制御情報を生成して信号制御機に送信する交通信号制御装置であって、情報収集装置で収集した最新の交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、この制御エンジンは、類型化された制御エリアのタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものである構成とする。
これによると、第１の発明と同様に、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる。
また、第１０の発明は、交通信号制御装置に実装される制御エンジンを構築する制御エンジン構築装置であって、最新の交通状況情報を入力することで信号制御情報を出力する機械学習モデルからなる前記制御エンジンを構築する制御部を備え、この制御部は、類型化された制御エリアのタイプごとに前記機械学習モデルに対する学習処理を実行して、制御エリアのタイプごとの複数の制御エンジンを構築する構成とする。
これによると、第１の発明と同様に、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる。
また、第１１の発明は、前記制御部は、交通流シミュレータを用いたシミュレーションにより、制御エリア内の混雑状況を表す指標値を取得して、その指標値を誤差とした学習処理を実行して、その誤差が最小化するように、前記機械学習モデルのパラメータを調整する構成とする。
これによると、混雑を緩和するような適切な信号制御パラメータを生成できる制御エンジンを構築することができる。
また、第１２の発明は、前記指標値は、行列台数、渋滞長、遅れ時間、および停止回数の少なくともいずれかを含む構成とする。
これによると、より一層適切な学習処理を行うことができる。
また、第１３の発明は、前記制御部は、前記交通状況情報を微小変動させながら、前記指標値を取得するシミュレーションと、前記指標値を誤差とした学習処理とを、所定回数繰り返す強化学習処理を実行する構成とする。
これによると、制御エリアの特徴に適したより一層適切な制御を行うことができる制御エンジンを構築することができる。
また、第１４の発明は、前記制御部は、所定の信号制御方式を実行するように設定された交通流シミュレータを用いて、交通状況情報を入力情報としたシミュレーションを実行して、出力情報として信号制御情報を取得し、前記交通状況情報および前記信号制御情報を学習情報として、前記機械学習モデルに対する学習処理を実行する構成とする。
これによると、所定の信号制御方式を学習した機械学習モデルにより、所定の信号制御方式を模擬した信号制御を行うことができる。
また、第１５の発明は、対象となる制御エリアに設置された信号機を制御する交通信号制御方法であって、交通信号制御装置において、対象となる制御エリアの最新の交通状況情報を情報収集装置から取得し、機械学習モデルからなる制御エンジンに対して前記交通状況情報を入力して、前記制御エンジンから出力される信号制御情報を取得し、前記制御エンジンが、類型化された制御エリアのタイプごとに予め構築された複数の前記制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものである構成とする。
これによると、第１の発明と同様に、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる。
また、第１６の発明は、交通信号制御装置に実装され、最新の交通状況情報を入力することで信号制御情報を出力する制御エンジンを構築する制御エンジン構築方法であって、情報処理装置において、前記制御エンジンを構成する機械学習モデルに対する学習処理を、類型化された制御エリアのタイプごとに実行して、制御エリアのタイプごとの複数の前記制御エンジンを構築する構成とする。
これによると、第１の発明と同様に、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる。
以下、本発明の実施の形態を、図面を参照しながら説明する。
（第１実施形態）
図１は、第１実施形態に係る交通信号制御システムの全体構成図である。
この交通信号制御システム（交通管制システム）は、制御エリアに設置された信号機を制御するものであり、車両感知器１（情報収集装置）と、信号制御機２と、交通管理装置３（交通信号制御装置、情報処理装置）と、を備えている。
車両感知器１は、例えば超音波式車両感知器および光学式車両感知器（光ビーコン）などであり、道路上の車両を感知して、道路における車両の通行状況を表す車両感知器情報（交通状況情報）を生成する。この車両感知器情報は、車両感知器１から交通管理装置３に送信される。
信号制御機２は、交通管理装置３から送信される信号制御パラメータ（信号制御情報）に基づいて、信号機（信号灯器）の動作を制御する。
交通管理装置３は、交通管制センターの中央装置であり、車両感知器１から送信される車両感知器情報に基づいて、信号制御パラメータ（信号制御情報）を生成して、その信号制御パラメータを信号制御機２に送信する。
なお、本実施形態では、交通管理装置３において、車両感知器情報を用いて信号制御を行うようにしたが、道路上に設置されたＩＴＳスポット、光ビーコン、および電波ビーコン（情報収集装置）および携帯電話網などの通信網により、走行中の車両に搭載された車載機から収集されるプローブ情報（交通状況情報）を用いて、信号制御を行うようにしてもよい。
次に、交通管理装置３で構築される制御エンジンについて説明する。図２は、制御エンジンを構成する機械学習モデルの概要を示す説明図である。
交通管理装置３は、機械学習モデル（例えば深層学習モデル）からなる制御エンジンを備えている。図２に示す例は、深層学習モデルの場合であり、多層ニューラルネットワークで構成され、入力層と中間層と出力層とを備えている。入力層では、交通状況情報Ｃ1...ＣN（各リンクの交通量）が入力され、出力層では、信号制御パラメータＰ1...ＰN（各交差点の信号制御パラメータ）が出力される。
本実施形態では、制御エリアの特徴に応じて制御エリアを類型化し、その制御エリアのタイプ（類型）ごとに、機械学習モデルに対する学習処理を実施して、制御エリアの特徴に適合した機械学習モデルを備えた制御エンジンを、制御エリアのタイプごとに構築する。そして、運用時には、対象となる制御エリアのタイプに該当する機械学習モデルを備えた制御エンジンを呼び出して、その制御エンジンにより信号制御を実行する。
次に、制御エリアの類型化について説明する。図３は、制御エリアの類型化の概要を示す説明図である。
本実施形態では、制御エリアを類型化する。また、信号制御の制御単位、特に、共通のサイクル長を有する交差点で構成されるサブエリアを、類型化の最小単位となる制御エリアとする。
また、本実施形態では、制御エリアのネットワーク構造、具体的には、交差点数、リンク構成、車線数、および重要交差点位置に基づいて制御エリアを類型化する。また、制御エリアに含まれる交差点の現示構成に基づいて制御エリアを類型化する。また、制御エリアの交通状況に基づいて制御エリアを類型化する。
次に、制御エリアのネットワーク構造に関する類型化について説明する。図４は、制御エリアのネットワーク構造に関する類型化の一例を示す説明図である。
本実施形態では、制御エリア（サブエリア）のネットワーク構造、具体的には、交差点数、リンク構成、車線数、および重要交差点位置に基づいて、制御エリアを類型化する。制御エリアのネットワーク構造（交差点数、リンク構成、車線数、および重要交差点位置）は、交差点の信号制御パラメータ（オフセットなど）に影響を及ぼし、制御エリアのネットワーク構造に基づいて制御エリアを類型化することで、制御エリアに適した信号制御が可能になる。
ネットワーク構造に関する類型化では、制御エリアの交差点数、リンク構成（リンク長）、車線数、重要交差点位置の各項目で指標を設定して、その指標に基づいて制御エリアを類型化する。
交差点数に関する類型化では、交差点数（１～５）、すなわち、制御エリアに含まれる交差点の数そのものを指標とし、交差点数に応じて、制御エリアを類型化する。
リンク構成に関する類型化では、リンク長（交差点間距離）に関するしきい値を指標とし、リンク長の大きさに応じて、複数のレベル、例えば、「短」、「中」、「長」の３つのレベルに分類して、そのリンク長のレベルに基づいて、制御エリアを類型化する。例えば、第１のしきい値（例えば２００［ｍ］）および第２のしきい値（例えば４００［ｍ］）を設定し、この第１のしきい値および第２のしきい値に基づいて、リンク長を「短」、「中」、「長」の３つのレベルに分類する。具体的には、例えば、０＜リンク長＜２００の場合は「短」、２００≦リンク長＜４００の場合は「中」、４００≦リンク長の場合は「長」となる。
車線数に関する類型化では、幹線側リンクの車線数と交差側リンクの車線数との組合せを指標とし、制御エリアを類型化する。なお、幹線側リンクの車線数が２で、交差側リンクの車線数が１の場合、「２１」と表記する。
重要交差点位置に関する類型化では、制御エリア内の重要交差点の位置を指標として、制御エリアを類型化する。制御エリア（サブエリア）には複数の交差点が含まれるが、このうちの１つが重要交差点に設定される。また、制御エリア内の最も西側の交差点を基準にして、制御エリア内の各交差点に１から順に番号を付与し、この交差点の番号により重要交差点の位置を表す。なお、この重要交差点では、交差側リンクにも車両感知器１を設置して交差点の負荷を監視する。
なお、本実施形態では、制御エリアのリンク構成に関する類型化において、３つの交差点を含む制御エリアの場合に、２本のリンクの長さを指標としたが、隣接するサブエリアとの間でオフセットに関する制御を連携させるため、隣接するサブエリアの交差点との間のリンクをリンク構成に含めるようにしてもよい。この場合、３つの交差点を含む制御エリアでは、制御エリア内の２本のリンクとサブエリア間の１本のリンクとの合計３本のリンクに関するリンク構成で類型化を行う。
図４に示す例は、３つの交差点を有する制御エリアの場合である。Ａ－１，Ａ－２，Ａ－３に示す形態は、リンク構成が「短短」、すなわち、２つのリンクが共に短リンク（交差点間距離が所定値未満となる場合）である。また、Ａ－１に示す形態は、重要交差点位置が「２」、すなわち、２番の交差点が重要交差点である。Ａ－２に示す形態は、重要交差点位置が「３」、すなわち、３番の交差点が重要交差点である。Ａ－３に示す形態は、重要交差点位置が「１」、すなわち、１番の交差点が重要交差点である。また、Ｂ－１に示す形態は、リンク構成が「短長」、すなわち、下り方向最下流のリンクが短リンクであり、他方が長リンク（交差点間距離が所定値以上となる場合）である。Ｂ－２に示す形態は、リンク構成が「長短」、すなわち、下り方向最下流のリンクが長リンクであり、他方が短リンクである。また、Ｃ－１に示す形態は、リンク構成が「長長」、すなわち、２つのリンクが共に長リンクである。
なお、図４に示す例では、ネットワーク構造の１要素である交差点数が３の場合を示しているが、これ以外の交差点数の場合も当然ある。また、図４に示す例では、ネットワーク構造の２つの要素としてリンク構成および重要交差点位置を示しているが、ネットワーク構造には、この他に、車線数がある。また、図４に示す例では、「短」および「長」のリンク長を示しているが、リンク長を「短」、「中」、「長」の３つのレベルにレベル分けする。
次に、交差点の現示構成に関する類型化について説明する。図５は、現示構成に関する類型化の一例を示す説明図である。
本実施形態では、制御エリアに含まれる交差点の現示構成に基づいて、制御エリアを類型化する。交差点の現示構成は、スプリットなどの信号制御パラメータと直接関係するため、交差点の現示構成に基づいて制御エリアを類型化することで、制御エリアに適した信号制御が可能になる。
対象となる現示構成には、２現示、３現示、４現示、セパレート式（４現示）などがある。図５（Ａ）に示す２現示は、最も一般的な現示であり、幹線側および交差側に交互に通行権を与える。図５（Ｂ）に示す３現示は、幹線側に右折専用現示を有する。図５（Ｃ）に示す４現示は、幹線側および交差側の双方に右折専用現示を有する。図５（Ｄ）に示すセパレート式（４現示）は、直進および左折を右折と別現示にしたものである。
次に、交通状況に関する類型化について説明する。
本実施形態では、制御エリアの交通状況、具体的には、リンクの最大交通量（１日のうちで最大となる単位時間あたりの交通量）に基づいて、制御エリアを類型化する。特に、最大交通量をレベル分けする指標としてしきい値を設定し、そのしきい値に基づいて、複数のレベル、例えば、「大」、「中」、「小」の３つのレベルに分類して、そのレベルに基づいて制御エリアを類型化する。
このとき、幹線側リンクの交通量の他に、交差側リンクの交通量も考慮するとよい。また、幹線側リンクと交差側リンクとでは、交通状況に関する類型化の基準を変えるようにするとよい。この場合、幹線側リンクと交差側リンクとをそれぞれ「大」、「中」、「小」の３つのレベルに分類すると、合計で３×３の９通りにレベル分けされる。
例えば、幹線側リンクでは、第１のしきい値（例えば１００［台／１５分］）および第２のしきい値（例えば２００［台／１５分］）を設定し、この第１のしきい値および第２のしきい値に基づいて、最大交通量を大中小の３つのレベルに分類する。具体的には、最大交通量＜１００の場合は「小」、１００≦最大交通量＜２００の場合は「中」、２００≦最大交通量の場合は「大」となる。一方、交差側リンクでは、第１のしきい値（例えば７０［台／１５分］）および第２のしきい値（例えば１４０［台／１５分］）を設定し、この第１のしきい値および第２のしきい値に基づいて、最大交通量を３つのレベルに分類する。具体的には、最大交通量＜７０の場合は「小」、７０≦最大交通量＜１４０の場合は「中」、１４０≦最大交通量の場合は「大」となる。
なお、最大交通量は、１車線当りの交通量とすればよい。また、最大交通量は、交通信号制御の制御サイクルの時間（例えば１５分）単位、あるいはその整数分の１の時間（例えば５分）単位の交通量とすればよい。また、例えば、幹線側リンクが「大」で、交差側リンクが「小」である場合には、「大小」と表記し、幹線側リンクが「中」で、交差側リンクが「小」である場合には、「中小」と表記する。
次に、制御エリアの類型化の一例について説明する。図６は、制御エリアの類型化の一例を示す説明図である。
図６に示す例は、３つの交差点を含む制御エリアの場合であり、ネットワーク構造のリンク構成および重要交差点位置と、現示構成とに基づいて、制御エリアを類型化している。この場合、リンク構成と重要交差点位置と現示構成との組み合わせの数、すなわち、リンク構成（リンク長の組み合わせ）の数と重要交差点位置の数と現示構成の数とを掛け合わせた数だけタイプ（類型）が存在する。
なお、現示構成の「２２２」は、３つの交差点がともに２現示であることを表し、「２２３」は、３つの交差点のうちの１番および２番の交差点が２現示であり、３番の交差点が３現示であることを表し、「Ｓ４Ｓ４Ｓ４」は、３つの交差点がともにセパレート式（４現示）であることを表す。
また、類型化の項目には、ネットワーク構造のリンク構成および重要交差点位置ならびに現示構成の他に、ネットワーク構造の車線数および交通状況の項目があるが、図６に示す例では、これらの項目に関する類型化を省略している。
次に、交通管理装置３の概略構成について説明する。図７は、交通管理装置３の概略構成を示すブロック図である。
交通管理装置３は、通信部１１と、制御部１２と、記憶部１３と、を備えている。
通信部１１は、車両感知器１および信号制御機２と通信を行い、車両感知器１から送信される車両感知器情報を受信し、また、信号制御パラメータ（信号制御情報）を信号制御機２に送信する。
記憶部１３は、ネットワーク構造情報、信号制御設定情報、交通状況情報、学習結果情報、車両感知器情報、信号制御パラメータ（信号制御情報）などを記憶する。また、記憶部１３は、制御部１２を構成するプロセッサで実行されるプログラムを記憶する。
ここで、ネットワーク構造情報は、制御エリア（サブエリア）のネットワーク構造に関する情報、具体的には、制御エリアの交差点数、リンク構成、車線数、および重要交差点位置などである。このネットワーク構造情報は、制御エリアを類型化するために用いられる。
信号制御設定情報は、信号制御に関する設定情報、具体的には、制御エリアの各交差点の現示構成などである。この信号制御設定情報は、制御エリアを類型化するために用いられる。
交通状況情報は、制御エリアのタイプごとに設定される交通状況情報、具体的には、制御エリアに含まれる各リンクの交通量に関する情報である。この交通状況情報は、機械学習モデルの学習処理に用いられる。
学習結果情報は、機械学習モデルに対する制御エリアのタイプごとの学習処理で取得した学習結果に関する情報、具体的には、制御エリアのタイプごとのモデルパラメータ（ニューラルネットワークパラメータ）である。このモデルパラメータを機械学習モデルに適用することで、制御エリアのタイプに対応した機械学習モデルからなる制御エンジンを構築することができる。
車両感知器情報は、車両感知器１で収集された交通状況を表す情報であり、具体的には、交通量、すなわち、単位時間（例えば５分）ごとに車両感知器１の位置を通過した車両の台数や、占有率（時間占有率）、すなわち、単位時間内に車両感知器１の位置に車両が存在していた時間の割合などである。
信号制御パラメータ（信号制御情報）は、信号機における交通信号の表示タイミングを決定する要素となる情報であり、具体的には、サイクル長、スプリット、およびオフセットである。
制御部１２は、学習処理部２１と、制御エンジン構築部２２と、信号制御情報生成部２３と、を備えている。この制御部１２は、プロセッサで構成され、制御部１２の各部は、記憶部１３に記憶されたプログラムをプロセッサで実行することで実現される。
学習処理部２１は、まず、学習用の交通状況情報を制御エリアのタイプごとに設定する（交通状況設定処理）。そして、その交通状況情報を用いて、制御エリアのタイプごとに機械学習モデルに対する学習処理を実施して、学習結果として、制御エリアのタイプごとのモデルパラメータ（ニューラルネットワークパラメータ）を取得する。
制御エンジン構築部２２は、学習処理部２１で取得したモデルパラメータを機械学習モデルに適用して、学習結果が反映された機械学習モデルからなる制御エンジンを構築する。本実施形態では、制御エリアのタイプごとのモデルパラメータの中から、対象となる制御エリアのタイプに該当するモデルパラメータを選択して、そのモデルパラメータを用いて、対象となる制御エリアのタイプに対応する制御エンジンを構築する。
なお、交通管理装置３では、対象となる制御エリア（サブエリア）が複数ある場合には、対象となる制御エリアごとの機械学習モデルを有する制御エンジンを構築する。
信号制御情報生成部２３は、最新の車両感知器情報を入力情報として、制御エンジン構築部２２で構築された制御エンジンを実行して、制御エンジンから出力される信号制御パラメータ（信号制御情報）を取得する。
なお、本実施形態では、交通管理装置３に、学習処理部２１と制御エンジン構築部２２と信号制御情報生成部２３とを設けたが、運用時には、信号制御情報生成部２３のみを稼働させる。また、信号制御情報生成部２３を除く各部を別の情報処理装置で構成し、交通管理装置３に信号制御情報生成部２３のみを設けて、別の情報処理装置で構築した制御エンジンを交通管理装置３に導入するようにしてもよい。
次に、学習処理部２１で行われる処理の手順について説明する。図８は、学習処理部２１で行われる処理の手順を示すフロー図である。
学習処理部２１では、制御エリアのタイプごとに学習処理を実施して、学習結果として、制御エリアのタイプごとのモデルパラメータ（ニューラルネットワークパラメータ）を取得する。
具体的には、まず、タイプ（類型）の番号ｉを初期化する（ｉ＝１）（ＳＴ１０１）。
次に、番号ｉのタイプに関する学習処理の準備として、番号ｉのタイプに関する学習情報を設定する（ＳＴ１０２）。この処理では、ネットワーク構造情報および信号制御設定情報を記憶部１３から取得して、これらの情報に基づいて、番号ｉのタイプに関する学習情報を生成する。
次に、番号ｉのタイプに関する学習処理を実施する（ＳＴ１０３）。この学習処理では、番号ｉのタイプに関する学習情報を用いて、機械学習モデルに対する学習処理を実行して、学習結果として、モデルパラメータ（ニューラルネットワークパラメータ）を取得する。このモデルパラメータを機械学習モデルに適用することで、番号ｉのタイプに関する機械学習モデルからなる制御エンジンを構築することができる。
次に、タイプの番号ｉが最終番号Ｎより小さい（ｉ＜Ｎ）、すなわち、全てのタイプに関する処理が終了していない場合には（ＳＴ１０４でＹｅｓ）、タイプの番号ｉをインクリメントして（ｉ＝ｉ＋１）（ＳＴ１０５）、ＳＴ１０２に戻り、次の番号ｉのタイプに関する処理に進む。このような処理が、タイプの番号ｉが最終番号Ｎより小さくない、すなわち、全てのタイプに関する処理が終了するまで（ＳＴ１０４でＮｏ）、繰り返される。
次に、学習処理部２１で行われる処理の概要について説明する。図９は、学習処理部２１で行われる処理の概要を示す説明図である。図１０は、学習処理において誤差を算出する要領を示す説明図である。
学習処理部２１では、まず、学習用の交通状況情報を制御エリアのタイプごとに設定する（交通状況設定処理）。この処理では、幹線側リンクの交通量の最大値および交差側リンクの交通量の最大値をそれぞれ設定して、０から最大値までの範囲で、幹線側リンクの交通量を段階的に複数設定するとともに、交差側リンクの交通量を段階的に複数設定して、その複数段階の幹線側リンクの交通量と複数段階の交差側リンクの交通量とを組み合わせたものを学習情報とする。これにより、想定される交通状況の範囲内で機械学習モデルを適切に動作させることができる。
具体的には、まず、幹線側リンクの最大交通量ＭＣ、および交差側リンクの最大交通量ＳＣをそれぞれ設定する。次に、幹線側リンクに関して、０から最大交通量ＭＣまでの範囲内を等間隔に分割して、Ｍ＋１段階（Ｍ＝２０程度）の交通量ｍｃｍ（ｍ＝１～Ｍ）を設定する。また、交差側リンクに関して、０から最大交通量ＳＣまでの範囲内を等間隔に分割して、Ｋ＋１段階（Ｍ＝１５程度）の交通量ｓｃｋ（ｋ＝０～Ｋ）を設定する。そして、幹線側リンクの交通量ｍｃｍ（ｍ＝１～Ｍ）と交差側リンクの交通量ｓｃｋ（ｋ＝０～Ｋ）との組合せＣｍｋ（ｍ＝１～Ｍ，ｋ＝０～Ｋ）の各々が、一つの交通状況を表している。
次に、学習処理部２１では、交通流シミュレータを用いたシミュレーションにより、制御エリアの混雑状況を表す指標値を取得し、この指標値を誤差として、機械学習モデルに対して、誤差逆伝播法による学習処理を実施する。
ここで、誤差逆伝播法は、機械学習モデル（ニューラルネットワーク）の学習によく用いられる学習アルゴリズムであり、機械学習モデルの出力の誤差（誤差関数）を最小化するように、モデルパラメータ（ニューラルネットワークパラメータ）を調整する。
また、誤差逆伝播法における誤差は、機械学習の進み具合を評価する指標となるものであり、通常は、機械学習モデルの理想的な出力値との差分を誤差として、値が小さくなるようにモデルパラメータを調整するが、本実施形態では、機械学習モデルの出力値を交通流シミュレータに入力することで得られる指標値を誤差として学習処理を実施する。この指標値は、具体的には、行列台数、渋滞長、遅れ時間（停止時間）、および停止回数のいずれか一つ、もしくはその複数を組み合わせたものとする。
すなわち、交通流シミュレータでは、交通状況設定処理で設定した交通状況情報と、機械学習モデルから出力される信号制御パラメータとを入力情報としてシミュレーションを行い、指標値（行列台数など）を取得する。機械学習モデルでは、機械学習モデルのモデルパラメータを調整することで、出力される信号制御パラメータが変化し、機械学習モデルから出力される信号制御パラメータを交通流シミュレータに入力して指標値を取得する処理を繰り返して、指標値が最小化するように、機械学習モデルのモデルパラメータを調整する。
また、誤差としての指標値は、制御エリアのリンク単位で求める。具体的には、図１０に示すように、交差点に接続された各リンクの流入車線及び流出車線に関して誤差値を算出し、その誤差値の合計値を、対象となる交差点に関する誤差値とする。また、制御エリアに含まれる各交差点に関する誤差値の合計値を、制御エリアに関する誤差値とする。
また、本実施形態では、強化学習処理を行うことができる。この強化学習処理では、初期の交通状況情報から交通状況情報Ｃｍｋ（ｍ＝１～Ｍ，ｋ＝０～Ｋ）、すなわち、幹線側リンクの交通量ｍｃｍ（ｍ＝１～Ｍ）と交差側リンクの交通量ｓｃｋ（ｋ＝０～Ｋ）とを微小変動させながら、学習処理を繰り返し実施してモデルパラメータを調整する。
具体的には、発生頻度が正規分布を表す乱数（正規乱数）を－αから＋αの範囲で発生させて、その乱数により、前回の交通量に対して－αから＋αの範囲で微小変動させて、新たな交通量を取得する。
また、学習処理では、交通流シミュレータを用いて、交通状況情報（交通量）を入力情報としてシミュレーションを行い、制御エリアの混雑状況を表す指標値（行列台数など）を取得する。そして、その指標値を誤差として誤差逆伝播法により機械学習モデルに対して学習処理を実施し、誤差が所定値を下回るように、モデルパラメータを調整する。そして、再度、交通状況情報を微小変動させて、前記の処理を繰り返す。この処理を所定回数繰り返し実施する。
次に、学習処理部２１で行われる強化学習処理の手順について説明する。図１１は、学習処理部２１で行われる強化学習処理の手順を示すフロー図である。なお、このフローは、１つのタイプの処理を示しており、各タイプの処理が繰り返し行われる（図８参照）。
学習処理部２１では、まず、実施回数ｔを初期化する（ｔ＝１）（ＳＴ２０１）。
次に、幹線側リンクの交通量ｍｃｍおよび交差側リンクの交通量ｓｃｋを微小変動する（ＳＴ２０２）。
次に、微小変動した幹線側リンクの交通量ｍｃｍおよび交差側リンクの交通量ｓｃｋを用いて、図９に示す、交通流シミュレータを利用した誤差逆伝播法による学習処理を実施する（ＳＴ２０３）。
次に、実施回数ｔが試行回数Ｔに達していない場合には（ｔ＜Ｔ）（ＳＴ２０４でＹｅｓ）、実施回数ｔをインクリメントして（ｔ＝ｔ＋１）（ＳＴ２０５）、ＳＴ１０１に戻る。このような処理が、実施回数ｔが試行回数Ｔ（例えばＴ＝５，０００程度）に達するまで（ＳＴ２０４でＮｏ）、繰り返される。
次に、制御エンジン構築部２２および信号制御情報生成部２３で行われる処理の手順について説明する。図１２は、制御エンジン構築部２２および信号制御情報生成部２３で行われる処理の手順を示すフロー図である。
制御エンジン構築部２２では、図１２（Ａ）に示すように、まず、記憶部１３に記憶された制御エリアのタイプごとのモデルパラメータ（学習結果情報）の中から、対象とする制御エリアのタイプに該当するモデルパラメータを選択して取得する（ＳＴ３０１）。そして、モデルパラメータを未学習の機械学習モデルに設定して、学習結果が反映された機械学習モデルを有する制御エンジンを構築する（ＳＴ３０２）。
なお、対象とする制御エリアのタイプは管理者が判断し、対象とする制御エリアのタイプを指定する操作を管理者が交通管理装置３に対して行う。
信号制御情報生成部２３では、図１２（Ｂ）に示すように、最新の車両感知器情報を記憶部１３から取得する（ＳＴ４０１）。次に、車両感知器情報に対応する制御エリアのタイプに該当する制御エンジンに車両感知器情報を入力する（ＳＴ４０３）。次に、制御エンジンから出力される信号制御パラメータを、記憶部１３に蓄積するとともに、信号制御機２に送信する（ＳＴ４０４）。
なお、交通管理装置３では、対象となる制御エリアを複数有する場合もある。この場合、対象となる制御エリアごとに制御エンジン、すなわち、対象となる制御エリアのタイプに対応する学習情報で学習が行われた機械学習モデルからなる制御エンジンが交通管理装置３に構築され、最新の車両感知器情報（交通状況情報）が入力されると、その車両感知器１が設置された制御エリアに対応する制御エンジンにより、信号制御パラメータを生成する制御が行われる。
（第２実施形態）
次に、第２実施形態について説明する。なお、ここで特に言及しない点は前記の実施形態と同様である。図１３は、第２実施形態に係る学習処理部２１で行われる処理の概要を示す説明図である。
第１実施形態では、混雑状況を表す指標値（行列台数など）を誤差として混雑を緩和するような制御を行うようにしたが、本実施形態では、ＭＯＤＥＲＡＴＯ制御やパターン制御などの一般的な信号制御方式を学習した制御エンジン（機械学習モデル）を構築することにより、所定の信号制御方式を模擬した信号制御を行う。本実施形態の意義は、一般的な制御方式を模擬することで、制御パラメータ算出の説明性を担保していると考えられることである。
本実施形態では、第１実施形態と同様に、入力の学習情報として交通状況情報を生成する。すなわち、まず、幹線側リンクの最大交通量ＭＣ、および交差側リンクの最大交通量ＳＣをそれぞれ設定する。次に、幹線側リンクに関して、０から最大交通量ＭＣまでの範囲内を等間隔に分割して、Ｍ＋１段階（Ｍ＝２０程度）の交通量ｍｃｍ（ｍ＝１～Ｍ）を設定する。また、交差側リンクに関して、０から最大交通量ＳＣまでの範囲内を等間隔に分割して、Ｋ＋１段階（Ｍ＝１５程度）の交通量ｓｃｋ（ｋ＝０～Ｋ）を設定する。そして、幹線側リンクの交通量ｍｃｍ（ｍ＝１～Ｍ）と交差側リンクの交通量ｓｃｋ（ｋ＝０～Ｋ）との組合せＣｍｋ（ｍ＝１～Ｍ，ｋ＝０～Ｋ）の各々を、一つずつ交通状況の学習情報とする。
また、本実施形態では、模擬する所定の信号制御方式を具備した交通流シミュレータを用いて、出力の学習情報として信号制御パラメータを生成する。このシミュレーションでは、交通状況情報Ｃｍｋ（ｍ＝１～Ｍ，ｋ＝０～Ｋ）の一つずつが、シミュレーションの一つのシナリオとなり、交通状況情報を入力情報としてシミュレーションを実行することにより、所定の信号制御方式による制御結果としての信号制御パラメータが蓄積され、入力情報である交通状況情報と出力情報である信号制御パラメータとの組み合わせたものが学習情報となる。また、交通流シミュレータでは、機械学習モデルで模擬する信号制御方式に対応した設定値が、予め熟練技術者により交通状況情報の全てに対応するように決定されて、その設定値が交通流シミュレータに設定される。
また、本実施形態では、第１実施形態と同様に、誤差逆伝播法により学習処理が行われる。この学習処理では、交通状況情報を入力することで交通流シミュレータで生成した理想的な信号制御パラメータと、同じく交通状況情報を入力することで機械学習モデルで生成した信号制御パラメータとの差分（絶対値もしくは二乗値）を誤差として、その誤差を最小化するように、機械学習モデルのモデルパラメータを調整する。
なお、制御エリアの規模などに応じて、学習情報が不足する場合があるが、このような場合には、第１実施形態と同様に、交通状況情報としての交通量を微小変動させて、交通状況情報と信号制御パラメータとの組合せを多数生成して、機械学習モデルに対して強化学習を行うようにしてもよい。
以上のように、本出願において開示する技術の例示として、実施形態を説明した。しかしながら、本開示における技術は、これに限定されず、変更、置き換え、付加、省略などを行った実施形態にも適用できる。また、上記の実施形態で説明した各構成要素を組み合わせて、新たな実施形態とすることも可能である。
本発明に係る交通信号制御システム、情報収集装置、信号制御機、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法は、熟練技術者がいなくとも、交通状況の変化に対応した信号制御パラメータの最適化をリアルタイムに行うことができる効果を有し、対象となる制御エリアに設置された信号機を制御する交通信号制御システム、交通信号制御装置および交通信号制御方法と、交通信号制御システムにおける情報収集装置および信号制御機と、交通信号制御装置に実装される制御エンジンを構築する制御エンジン構築装置および制御エンジン構築方法などとして有用である。
１ 車両感知器（情報収集装置）
２ 信号制御機
３ 交通管理装置（交通信号制御装置、情報処理装置）
１１ 通信部
１２ 制御部
１３ 記憶部
２１ 学習処理部
２２ 制御エンジン構築部
２３ 信号制御情報生成部

Claims (12)

  1. 対象となる制御エリアに設置された信号機を制御する交通信号制御システムであって、対象となる制御エリアの最新の交通状況情報を収集する情報収集装置と、
    この情報収集装置で収集した前記交通状況情報に基づいて信号制御情報を生成する交通信号制御装置と、
    この交通信号制御装置から取得した前記信号制御情報に基づいて前記信号機を制御する信号制御機と、
    を備え、
    前記交通信号制御装置は、
    前記交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、
    この制御エンジンが、制御エリアのネットワーク構造に基づいて類型化されたタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものであり、
    前記ネットワーク構造は、
    交差点数、リンク構成、車線数、および重要交差点位置のうち少なくとも２つを含むことを特徴とする交通信号制御システム。
  2. 対象となる制御エリアに設置された信号機を制御する交通信号制御システムであって、
    対象となる制御エリアの最新の交通状況情報を収集する情報収集装置と、
    この情報収集装置で収集した前記交通状況情報に基づいて信号制御情報を生成する交通信号制御装置と、
    この交通信号制御装置から取得した前記信号制御情報に基づいて前記信号機を制御する信号制御機と、
    を備え、
    前記交通信号制御装置は、
    前記交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、
    この制御エンジンが、類型化された制御エリアのタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものであり、
    前記制御エンジンは、
    制御エリアに含まれる交差点の現示構成に基づいて類型化されたタイプごとに構築されていることを特徴とする交通信号制御システム。
  3. 対象となる制御エリアに設置された信号機を制御する交通信号制御システムであって、
    対象となる制御エリアの最新の交通状況情報を収集する情報収集装置と、
    この情報収集装置で収集した前記交通状況情報に基づいて信号制御情報を生成する交通信号制御装置と、
    この交通信号制御装置から取得した前記信号制御情報に基づいて前記信号機を制御する信号制御機と、
    を備え、
    前記交通信号制御装置は、
    前記交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、
    この制御エンジンが、類型化された制御エリアのタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものであり、
    前記制御エンジンは、
    制御エリアの交通状況に基づいて類型化されたタイプごとに構築されていることを特徴とする交通信号制御システム。
  4. 対象となる制御エリアに設置された信号機を制御する交通信号制御システムであって、対象となる制御エリアの最新の交通状況情報を収集する情報収集装置と、
    この情報収集装置で収集した前記交通状況情報に基づいて信号制御情報を生成する交通信号制御装置と、
    この交通信号制御装置から取得した前記信号制御情報に基づいて前記信号機を制御する信号制御機と、
    を備え、
    前記交通信号制御装置は、
    前記交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、
    この制御エンジンが、類型化された制御エリアのタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものであり、
    前記制御エンジンは、
    共通のサイクル長で運用される複数の交差点を含むサブエリア単位で類型化されたタイプごとに構築されていることを特徴とする交通信号制御システム。
  5. 対象となる制御エリアに設置された信号機を制御するための信号制御情報を生成して信号制御機に送信する交通信号制御装置であって、
    情報収集装置で収集した最新の交通状況情報を入力することで前記信号制御情報を出力する機械学習モデルからなる制御エンジンを有し、
    この制御エンジンは、
    類型化された制御エリアのネットワーク構造に基づいて類型化されたタイプごとに予め構築された複数の制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものであり、
    前記ネットワーク構造は、
    交差点数、リンク構成、車線数、および重要交差点位置のうち少なくとも２つを含むことを特徴とする交通信号制御装置。
  6. 交通信号制御装置に実装される制御エンジンを構築する制御エンジン構築装置であって、
    最新の交通状況情報を入力することで信号制御情報を出力する機械学習モデルからなる前記制御エンジンを構築する制御部を備え、
    この制御部は、
    制御エリアのネットワーク構造に基づいて類型化されたタイプごとに前記機械学習モデルに対する学習処理を実行して、制御エリアのタイプごとの複数の制御エンジンを構築し、
    前記ネットワーク構造は、
    交差点数、リンク構成、車線数、および重要交差点位置のうち少なくとも２つを含むことを特徴とする制御エンジン構築装置。
  7. 前記制御部は、
    交通量シミュレータによって、
    前記最新の交通状況情報および前記信号制御情報を入力してシミュレーションを行い、制御エリア内の混雑雑状況を表す指標値が出力され、
    前記機械学習モデルに対して、
    前記指標値を誤差とした誤差逆伝播法による学習処理を実施し、誤差が所定値を下回るように、モデルパラメータを調整することを特徴とする請求項６に記載の制御エンジン構築装置。
  8. 前記指標値は、 行列台数、渋滞長、遅れ時間、および停止回数の少なくともいずれかを含むことを特徴とする請求項７に記載の制御エンジン構築装置。
  9. 前記制御部は、前記交通状況情報を微小変動させながら、前記指標値を取得するシミュレーションと、
    前記指標値を誤差とした学習処理とを、所定回数繰り返す強化学習処理を実行することを特徴とする請求項７に記載の制御エンジン構築装置。
  10. 前記制御部は、所定の信号制御方式を実行するように設定された交通流シミュレータを用いて、交通状況情報を入力情報としたシミュレーションを実行して、出力情報として信号制御情報を取得し、
    前記交通状況情報および前記信号制御情報を学習情報として、前記機械学習モデルに対する学習処理を実行することを特徴とする請求項６に記載の制御エンジン構築装置。
  11. 対象となる制御エリアに設置された信号機を制御する交通信号制御方法であって、
    交通信号制御装置において、
    対象となる制御エリアの最新の交通状況情報を情報収集装置から取得し、
    機械学習モデルからなる制御エンジンに対して前記交通状況情報を入力して、前記制御エンジンから出力される信号制御情報を取得し、
    前記制御エンジンが、制御エリアのネットワーク構造に基づいて類型化されたタイプごとに予め構築された複数の前記制御エンジンの中から、対象となる制御エリアのタイプに基づいて選択されたものであり、
    前記ネットワーク構造は、
    交差点数、リンク構成、車線数、および重要交差点位置のうち少なくとも２つを含むことを特徴とする交通信号制御方法。
  12. 交通信号制御装置に実装され、最新の交通状況情報を入力することで信号制御情報を出力する制御エンジンを構築する制御エンジン構築方法であって、
    情報処理装置において、
    前記制御エンジンを構成する機械学習モデルに対する学習処理を、制御エリアのネットワーク構造に基づいて類型化されたタイプごとに実行して、制御エリアのタイプごとの複数の前記制御エンジンを構築し、
    前記ネットワーク構造は、
    交差点数、リンク構成、車線数、および重要交差点位置のうち少なくとも２つを含むことを特徴とする制御エンジン構築方法。
JP2019026839A 2019-02-18 2019-02-18 交通信号制御システム、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法 Active JP7296572B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019026839A JP7296572B2 (ja) 2019-02-18 2019-02-18 交通信号制御システム、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019026839A JP7296572B2 (ja) 2019-02-18 2019-02-18 交通信号制御システム、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法

Publications (2)

Publication Number Publication Date
JP2020135315A JP2020135315A (ja) 2020-08-31
JP7296572B2 true JP7296572B2 (ja) 2023-06-23

Family

ID=72263164

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019026839A Active JP7296572B2 (ja) 2019-02-18 2019-02-18 交通信号制御システム、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法

Country Status (1)

Country Link
JP (1) JP7296572B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240153379A1 (en) * 2021-03-04 2024-05-09 Nec Corporation Signal control apparatus, signal control method and program
CN114333301B (zh) * 2021-12-06 2023-09-26 北京东土正创科技有限公司 交通信号的控制优化方法、系统及交通信号优化设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6131589B2 (ja) 2012-12-12 2017-05-24 富士電機株式会社 ショーケースの制御装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2533719B2 (ja) * 1992-10-16 1996-09-11 名古屋電機工業株式会社 交通状況検出方法
JPH08124085A (ja) * 1994-10-20 1996-05-17 Toshiba Corp 現示設計装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6131589B2 (ja) 2012-12-12 2017-05-24 富士電機株式会社 ショーケースの制御装置

Also Published As

Publication number Publication date
JP2020135315A (ja) 2020-08-31

Similar Documents

Publication Publication Date Title
Jin et al. A group-based traffic signal control with adaptive learning ability
CN113643528B (zh) 信号灯控制方法、模型训练方法、系统、装置及存储介质
KR102329826B1 (ko) 인공지능 기반 교통신호 제어 장치 및 방법
CN110570672B (zh) 一种基于图神经网络的区域交通信号灯控制方法
JP7296561B2 (ja) 情報処理装置、交通信号制御システムおよび交通信号制御方法
JP7296572B2 (ja) 交通信号制御システム、交通信号制御装置、制御エンジン構築装置、交通信号制御方法および制御エンジン構築方法
Dai et al. Neural network based online traffic signal controller design with reinforcement training
CN111429737A (zh) 一种基于agent的城市区域边界控制方法及系统
JP3509906B2 (ja) 道路交通信号制御適正化装置、およびそれを用いた道路交通流管制システム
Zhang et al. Multi-objective deep reinforcement learning approach for adaptive traffic signal control system with concurrent optimization of safety, efficiency, and decarbonization at intersections
Fujimoto et al. Ad hoc distributed simulations
WO2022258943A1 (en) Traffic control system
JP7296567B2 (ja) 交通信号制御装置、交通信号制御システムおよび交通信号制御方法
Lidbe et al. Comparative assessment of arterial operations under conventional time-of-day and adaptive traffic signal control.
CN116071939A (zh) 一种交通信号控制模型的建立方法及控制方法
JP2023062682A (ja) 強化学習を使用した協調型車線割り当てのためのシステム及び方法
Thamilselvam et al. Coordinated intelligent traffic lights using Uppaal Stratego
Yadav et al. Traffic signal timings optimization based on genetic algorithm and gradient descent
Balaji et al. Distributed multi-agent type-2 fuzzy architecture for urban traffic signal control
Shahriar et al. Intersection traffic efficiency enhancement using deep reinforcement learning and V2X communications
Wu et al. The development of taiwan arterial traffic‐adaptive signal control system and its field test: A taiwan experience
Agarwal et al. Dynamic traffic signal control for heterogeneous traffic conditions using max pressure and reinforcement learning
Płaczek A hierarchical cellular automaton model of distributed traffic signal control
JP6793358B2 (ja) 交通信号制御システム、交通管理装置および交通信号制御方法
Sayers et al. Traffic control system optimisation: a multiobjective approach

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220216

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221214

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: 20230307

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: 20230516

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230602

R151 Written notification of patent or utility model registration

Ref document number: 7296572

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151