JP7346125B2

JP7346125B2 - 交通予測システム、交通予測装置、および、交通予測方法

Info

Publication number: JP7346125B2
Application number: JP2019135071A
Authority: JP
Inventors: 智秀若江; 義和大場; 浩輔成瀬; 剛教村野
Original assignee: Toshiba Corp; Toshiba Infrastructure Systems and Solutions Corp
Current assignee: Toshiba Corp; Toshiba Infrastructure Systems and Solutions Corp
Priority date: 2019-07-23
Filing date: 2019-07-23
Publication date: 2023-09-19
Anticipated expiration: 2039-07-23
Also published as: JP2021018697A

Description

本発明の実施形態は、交通予測システム、交通予測装置、および、交通予測方法に関する。

従来から、高速道路等の道路について、所定の入口からの車両流入量を予測する技術がある。例えば、車両流入量に関する過去の統計情報に基づいて、曜日、時間帯などの要素から、将来の車両流入量を予測することができる。

特許第５５２３８８６号公報

大口敬、"渋滞のメカニズムおよび渋滞対策の全体像"、[online]、２０１０年１０月２０日、ＩＴＳタスクフォース、[令和１年７月２日検索]、インターネット＜ＵＲＬ：https://www.kantei.go.jp/jp/singi/it2/its/dai2/siryou2.pdf＞ "ＮＥＸＣＯ東日本とＮＴＴドコモ、東京湾アクアラインにおいて「ＡＩ渋滞予知」による渋滞予測実証実験を開始"、[online]、２０１７年１１月３０日、ＮＴＴＤＯＣＯＭＯ、[令和１年７月２日検索]、インターネット＜ＵＲＬ：https://www.nttdocomo.co.jp/info/news_release/2017/11/30_01.html＞

しかしながら、上述の従来技術は、予測精度の面で改善の余地がある。

そこで、本実施形態の課題は、道路への所定の入口からの車両流入量を高精度に予測することができる交通予測システム、交通予測装置、および、交通予測方法を提供することである。

実施形態における交通予測装置は、道路における車両の交通情報を収集する交通情報収集装置から交通情報を取得する取得部と、所定タイミングにおける道路への所定の入口からの車両流入量を予測する予測モデルを作成する際に、交通情報に基づいて、少なくとも、入口の周辺の所定の複数の出口からの所定タイミングより過去の車両流出量を用いて、予測モデルを作成する作成部と、将来の予測対象タイミングにおける入口からの車両流入量を予測する際に、予測モデルと、交通情報から得られる複数の出口からの予測対象タイミングより過去の車両流出量と、に基づいて、入口からの車両流入量を予測する予測部と、を備える。

図１は、第１実施形態における交通予測システムの全体構成図である。図２は、第１実施形態における車両流入量予測装置の機能構成を示すブロック図である。図３は、第１実施形態における車両流入量予測装置による学習処理を示すフローチャートである。図４は、第１実施形態における車両流入量予測装置による予測処理を示すフローチャートである。図５は、第１実施形態における学習処理と予測処理の具体例を説明するための図である。図６は、第３実施形態における車両流入量予測装置の機能構成を示すブロック図である。

以下、図面を参照しながら、本発明の実施形態（第１実施形態～第３実施形態）の交通予測システムについて説明する。実施形態では、道路として高速道路の場合を例にとって説明する。

まず、実施形態の交通予測システムの意義の理解を容易にするために、従来技術の課題等について詳述する。道路を管理する事業者にとって、道路の交通渋滞を高精度に予測することは重要である。ここで、交通渋滞の定義の一つに「交通容量上のボトルネックにその地点の交通容量を超える交通需要が流入しようとするときに、ボトルネックを先頭にして、その上流区間に生じる車両列（渋滞車列）における交通状態」というものがある。そして、高速道路においては、交通需要の流入は、高速道路の入口からの車両の流入と考えることができる。したがって、例えば、高速道路における渋滞予測の精度向上のためには、入口からの車両流入量を精度よく予測することが重要な要素の１つと考えられる。

そこで、従来技術として、例えば、自己回帰モデル（移動平均自己回帰（ＡＲＭＡ）モデルなど）によって、高速道路の入口からの車両流入量を予測する手法がある。しかし、自己回帰モデルの場合、基本的には説明変数は目的変数（＝車両流入量）の過去の値のみを使う統計モデルであるため、車両流入量の変動に影響を与えるその他の要素（例えば天候など）を反映しないモデルとなっている。したがって、その他の要素が過去の傾向と異なっていると、予測値と実際の真値が乖離してしまうという問題がある。

また、その他の従来技術として、例えば、携帯電話ネットワークの仕組みを利用して作成されるリアルタイム人口統計と、道路の過去の渋滞実績や規制情報等とを用いて、帰宅時間帯の渋滞を予測する手法がある。具体的には、例えば、リアルタイム人口統計により把握した当日の人出に基づいて、数時間先までの高速道路の所要時間と交通需要の推移を３０分単位で予測する。しかし、この手法では、携帯電話ネットワークを利用するため、車を利用しない人口も含んでいることで精度が悪化する可能性が考えられる。また、携帯電話ネットワークの運用事業者に依存したシステム構成となるため、その運用事業者を利用しているユーザ数が減少すると精度の悪化が懸念される。

そこで、本実施形態では、上述の問題を解消し、道路への所定の入口からの車両流入量を高精度に予測することができる手法について説明する。

（第１実施形態）
図１は、第１実施形態における交通予測システムＳの全体構成図である。また、図１の左上の領域Ｄには、高速道路Ｒ、住居地域Ａ１、集客施設Ａ２を含む模式的な地図が表されている。高速道路Ｒは、所定の進行方向（矢印）の車線Ｒ１と、その逆の進行方向（矢印）の車線Ｒ２と、から構成される。集客施設Ａ２は、高速道路Ｒの交通状況に影響を与えるほど多くの車両を収容できる施設であり、例えば、大規模テーマパーク、複合商業施設等である。

ここでは、住居地域Ａ１の多くの住人（以下、「乗員」ともいう。）が車Ｃで集客施設Ａ２に行くことを想定する。その場合、まず、車Ｃは住居地域Ａ１から高速道路Ｒの車線Ｒ１を走行して出口を経由して集客施設Ａ２に到着する。その後、乗員が集客施設Ａ２で過ごしてから、車Ｃは集客施設Ａ２から走行して入口を経由して高速道路Ｒの車線Ｒ２に入って住居地域Ａ１に到着する。

また、例えば、集客施設Ａ２の営業時間が朝の所定時刻から夜の所定時刻までと定まっているとすると、朝の所定時間帯に出口を通過する車両の数（車両流出量）と、夜の所定時間帯に入口を通過する車両の数（車両流入量）には、ある程度の相関があると考えられる。そこで、その相関に着目して、出口からの車両流出量を用いて、入口からの車両流入量を高精度に予測する。以下、具体的に説明する。

交通予測システムＳは、交通管制装置２と、車両流入量予測装置３（交通予測装置）と、交通状況予測装置４と、を備える。交通管制装置２は、道路における車両の交通情報を収集する交通情報収集装置の一例である。交通管制装置２は、出口に備えられた路側センサ１ａからのセンサ情報（交通量［台／ｈ］、平均速度［ｋｍ／ｈ］、車両密度（交通密度）［台／ｋｍ］、占有率（オキュパンシー）［％］など。以下同様）や、入口に備えられた路側センサ１ｂからのセンサ情報を、有線または無線で受信する。以下、路側センサ１ａと路側センサ１ｂを特に区別しないときは「路側センサ１」と称する。路側センサ１は、例えば、車両感知器である。

次に、車両流入量予測装置３について説明する。
図２は、第１実施形態における車両流入量予測装置３の機能構成を示すブロック図である。車両流入量予測装置３は、コンピュータ装置であり、処理部３１と、記憶部３２と、入力部３３と、表示部３４と、通信部３５と、を備える。

処理部３１は、例えば、ＭＰＵ（Micro Processing Unit）と、ＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を備える。

ＭＰＵは、車両流入量予測装置３の動作を統括的に制御する。ＲＯＭは、各種プログラムやデータを記憶する記憶媒体である。ＲＡＭは、各種プログラムを一時的に記憶したり、各種データを書き換えたりするための記憶媒体である。

そして、ＭＰＵは、ＲＡＭをワークエリア（作業領域）としてＲＯＭ、記憶部３２等に格納されたプログラムを実行する。処理部３１の詳細については後述する。

記憶部３２は、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの記憶装置である。記憶部３２は、道路情報、交通情報、予測モデル等を記憶する。

道路情報は、高速道路に関する情報であり、例えば、区間、車線数、インターチェンジ、パーキングエリアの場所等の情報である。

交通情報は、路側センサ１から取得したセンサ情報を含む交通に関する情報である。ここで、交通に関する情報は、路側センサ１で収集する情報のみに限定するものではなく、車側からの情報(プローブ情報など)を含んでいてもよい。また、予測モデルについては後述する。

入力部３３は、車両流入量予測装置３に対するユーザの操作を受け付ける入力装置であり、例えば、キーボード、マウス等である。

表示部３４は、液晶表示装置（ＬＣＤ（Liquid Crystal Display））、有機ＥＬ（Electro-Luminescence）表示装置等により実現される。

通信部３５は、外部装置（交通管制装置２、交通状況予測装置４等）と通信するための通信インタフェースである。

処理部３１は、取得部３１１と、作成部３１２と、予測部３１３と、出力制御部３１４と、を備える。

取得部３１１は、交通管制装置２からセンサ情報（交通情報）を取得する。例えば、取得部３１１は、センサ情報に基づいて、１分間単位や５分間単位で、交通量の積算値や速度値の平均値データの作成等を実行する。なお、取得部３１１は、取得したセンサ情報のうち、異常値等の特異データ（エラーデータ）を除去するようにしてもよい。

作成部３１２は、所定タイミングにおける入口からの車両流入量を予測する予測モデルを作成する。その際に、作成部３１２は、交通情報に基づいて、少なくとも、入口の周辺の所定の出口からの所定タイミングより過去の車両流出量を用いて、予測モデルを作成する。

例えば、作成部３１２は、予測モデルを作成する際に、所定タイミングの入口からの車両流入量の実績値を目的変数とし、出口からの所定タイミングより過去の車両流出量、および、所定タイミングより過去の入口についての所定の交通情報（例えば、車両流入量、平均速度、交通密度など）を説明変数として用いて、予測モデルを作成する（詳細は図５を用いて後述）。

より具体的には、例えば、作成部３１２は、記憶部３２から予測モデルの作成に必要な各種情報を抽出し、機械学習等により、予測モデルを作成する。機械学習は、与えられたデータをもとに何らかの基準（例えば予測値と真値との絶対誤差など）に基づいて、望ましい出力が得られるように予測モデルのパラメータを調整するプロセスである。例えば、ニューラルネットワーク、深層学習、ランダムフォレスト、ＳＶＭ（サポートベクターマシン）などの手法を用いる。

予測部３１３は、将来の予測対象タイミングにおける入口からの車両流入量を予測する。その際に、予測部３１３は、少なくとも、予測モデルと、交通情報から得られる出口からの予測対象タイミングより過去の車両流出量と、に基づいて、入口からの車両流入量を予測する。

より好ましくは、予測部３１３は、例えば、予測モデルと、出口からの予測対象タイミングより過去の車両流出量、および、予測対象タイミングより過去の入口についての所定の交通情報（車両流入量等）に基づいて、入口からの車両流入量を予測する。これは、過去の入口の車両流入量を用いる従来手法に対して、さらに過去の出口の車両流出量を追加で用いることで予測精度を向上できる、という考え方に基づく。予測部３１３の詳細については、図５を用いて後述する。

出力制御部３１４は、所定の情報を出力する。例えば、出力制御部３１４は、予測部３１３によって予測された車両流入量を、データベースやＡＰＩ（Application Program Interface）を介して交通状況予測装置４に出力する。また、出力制御部３１４は、予測された車両流入量を表示部３４に表示（出力値表示、グラフ表示等）させる制御を行う。

図１に戻って、交通状況予測装置４は、車両流入量予測装置３から受信した車両流入量の情報を用いて、渋滞予測等を行い、交通状況予測情報を作成する。そして、交通状況予測装置４は、その交通状況予測情報を道路利用者Ｍ１や道路利用予定者Ｍ２に通知する。通知は、道路利用者Ｍ１に対しては、例えば、道路上に設置されたＬＥＤ（Light Emitting Diode）表示版等に表示することによって行う。また、道路利用予定者Ｍ２に対しては、例えば、道路利用予定者Ｍ２が所持する携帯電話等に送信して表示させることで行う。そうすると、道路利用者Ｍ１や道路利用予定者Ｍ２は、交通状況予測情報を知り、活用することができる。また、交通状況予測装置４は、交通状況予測情報を、交通状況を解析する担当者のＰＣ（Personal Computer）に通知してもよい。

図３は、第１実施形態における車両流入量予測装置３による学習処理を示すフローチャートである。まず、ステップＳ１において、取得部３１１は、交通管制装置２からセンサ情報（交通情報）を取得する。

次に、ステップＳ２において、作成部３１２は、交通情報に基づいて、少なくとも、入口の周辺の所定の出口からの所定タイミングより過去の車両流出量を用いて、所定タイミングにおける入口からの車両流入量を予測する予測モデルを作成する。

次に、ステップＳ３において、作成部３１２は、ステップＳ２で作成した予測モデルを記憶部３２に保存する。

なお、予測モデルを作成する場合、入口毎に最適化された予測モデルを作成してもよいし、あるいは、傾向が類似している複数の入口について共通の予測モデルを作成してもよい。

図４は、第１実施形態における車両流入量予測装置３による予測処理を示すフローチャートである。まず、ステップＳ１１において、取得部３１１は、交通管制装置２からセンサ情報（交通情報）を取得する。

次に、ステップＳ１２において、予測部３１３は、記憶部３２から予測モデルを読み出す。

次に、ステップＳ１３において、予測部３１３は、将来の予測対象タイミングにおける入口からの車両流入量を予測する。その際に、予測部３１３は、予測モデルと、交通情報から得られる出口からの予測対象タイミングより過去の車両流出量と、に基づいて、入口からの車両流入量を予測する。

次に、ステップＳ１４において、出力制御部３１４は、ステップＳ１３で予測した車両流入量を交通状況予測装置４に出力する。

次に、図５を参照して、学習処理と予測処理の具体例について説明する。図５は、第１実施形態における学習処理と予測処理の具体例を説明するための図である。

図５（ａ）に示すように、学習時に与えるデータ（説明変数）は、例えば、過去のあるｔ１時点の車両流入量の実績値を目的変数とした場合、以下の（１）～（６）の６つである。
（１）ｔ１時点の時刻
（２）ｔ１時点のカレンダー情報（日付、曜日、祝祭日など）
（３）（ｔ１－２４Ｈ（hour））時点（ｔ１時点の２４時間前）の車両流入量
（４）（ｔ１－２４Ｈ）時点の平均速度
（５）（ｔ１－２４Ｈ）時点の交通密度
（６）予測したい入口の周辺の出口における、（ｔ１－６Ｈ）時点までの車両流出量の積算値

（３）については、例えば、ｔ１時点を１８時とすると、前日の１８時の車両流入量である。また、（６）については、例えば、ｔ１時点を１８時とすると、当日の０時から１２時までの車両流出量の積算値である。

この目的変数と説明変数の組み合わせとなるようなデータをできる限り大量に準備し、この対の関係を機械学習により学習させる。つまり、ｔ１時点の車両流入量（予測値）と目的変数であるｔ１時点の車両流入量（実績値）の誤差を確認し、誤差が小さくなるように予測モデル内のパラメータを学習する。

ここで、２４時間前、６時間前までとしたのは一例であり、どの程度の過去の情報を用いて、どの程度先の予測を行うかは、運用したいシステムの要件や求められる予測精度や入口と出口の相関関係等に従うものであり、この限りではない。

また、同じ種類のデータであっても、利用する時間帯を変えて複数の過去データを与えてもよい。例えば、２４時間前の車両流入量に加えて、１時間前の車両流入量と、２時間前の車両流入量を説明変数に加えてもよい。また、車両内の情報（プローブ情報等）を追加してもよい。さらに、例えば、平均速度や交通密度については、路側センサ１で計測されないケース等では、説明変数から外しても予測は可能である。

また、図５（ｂ）に示すように、予測時に与えるデータは、例えば、将来のあるｔ２時点の車両流入量を予測したい場合、以下の（１１）～（１６）の６つである。
（１１）ｔ２時点の時刻
（１２）ｔ２時点のカレンダー情報（日付、曜日、祝祭日など）
（１３）（ｔ２－２４Ｈ）時点の車両流入量
（１４）（ｔ２－２４Ｈ）時点の平均速度
（１５）（ｔ２－２４Ｈ）時点の交通密度
（１６）予測したい入口の周辺の出口における、（ｔ２－６Ｈ）時点までの車両流出量の積算値

（１３）については、例えば、ｔ２時点を１８時とすると、前日の１８時の車両流入量である。また、（１６）については、例えば、ｔ２時点を１８時とすると、当日の０時から１２時までの車両流出量の積算値である。

運用時の予測モデルに対して、（１１）～（１６）のデータを与えることで、ｔ２時点の車両流入量（予測値）を算出することができる。

このように、第１実施形態によれば、車両流入量予測装置３において、道路への所定の入口からの車両流入量を予測する場合に、学習時と予測時の両方に、予測モデルに対して所定の出口からの車両流出量を適用することで、入口からの車両流入量を高精度に予測することができる。

また、より好ましくは、上述したように、予測モデルに対して、出口からの車両流出量だけでなく、入口からの車両流入量も合わせて適用することで、さらに予測精度を向上させることができる。

そして、入口からの車両流入量を高精度に予測できることで、例えば、交通状況予測装置４における交通流シミュレータへの入力として、高精度な車両流入量を与えることで、より正確な渋滞予測が可能となる。また、その渋滞予測の結果を道路利用者や道路利用予定者に通知することで、ルートの変更やスケジュールの変更を促し、渋滞の緩和や回避を実現することができる。

（第２実施形態）
次に、第２実施形態について説明する。第１実施形態と同様の事項については、説明を適宜省略する。一般に、大型車（トラック、トレーラなど）は、業務として所定のルートを走行するものであり、私用のために集客施設Ａ２（図１）に行く可能性は低い。そこで、大型車を対象とした第１の予測モデルと、非大型車を対象とした第２の予測モデルと、をそれぞれ作成することで、さらに予測の精度を向上させることができる。

その場合、まず、車両流入量予測装置３の記憶部３２に蓄積させる交通情報として、大型車の交通情報と非大型車の交通情報を区別して蓄積する。なお、道路を走行する車両が大型車か非大型車かの識別は、例えば、超音波センサによる車両検出や、車両を撮影した画像の解析や、ＥＴＣ（Electronic Toll Collection System）情報の分析等により、実現できる。

そして、作成部３１２は、予測モデルを作成する際に、大型車を対象とした第１の予測モデルと、非大型車を対象とした第２の予測モデルと、をそれぞれ作成する。

また、予測部３１３は、第１の予測モデルに基づいて大型車の車両流入量を予測するとともに、第２の予測モデルに基づいて非大型車の車両流入量を予測する。そして、予測部３１３は、それらの大型車の車両流入量の予測結果と非大型車の車両流入量の予測結果を加算することで、入口からの車両流入量を予測する。

このようにして、第２実施形態によれば、大型車と非大型車で予測モデルを別々に作成し、大型車と非大型車のそれぞれの車両流入量を別々に予測してから加算することで、予測精度をさらに向上することができる。

（第３実施形態）
次に、第３実施形態について説明する。第１実施形態と同様の事項については、説明を適宜省略する。図６は、第３実施形態における車両流入量予測装置３の機能構成を示すブロック図である。第３実施形態では、予測モデルの作成や予測モデルによる予測のときに使用する情報として、外部装置５からの外部情報を追加する。

外部情報とは、例えば、入口の周辺の宿泊施設（ホテルなど）の稼働情報、予約情報（予測対象日に近い日の予約情報など）や、入口の周辺の天候情報や、入口の周辺のイベント情報（コンサート、祭りなどの情報）や、入口の周辺の大型施設（物流拠点、ショッピングモール、工場など）の営業情報（営業時間、稼働施設などの情報）などである。そういった外部情報は、入口からの車両流入量に影響を与えると考えられる。外部装置５は、例えば、外部情報を収集、管理するサーバである。

そこで、例えば、取得部３１１は、外部装置５から、入口の周辺の宿泊施設の稼働情報と予約情報を取得する。そして、作成部３１２は、さらに稼働情報も用いて、予測モデルを作成する。また、予測部３１３は、さらに予約情報も用いて、入口からの車両流入量を予測する。

また、例えば、取得部３１１は、外部装置５から、入口の周辺の天候情報を取得する。そして、作成部３１２は、さらに過去の天候情報も用いて、予測モデルを作成する。また、予測部３１３は、さらに将来の天候情報（例えば予測対象日の天候情報）も用いて、入口からの車両流入量を予測する。

また、例えば、取得部３１１は、外部装置５から、入口の周辺のイベント情報を取得する。そして、作成部３１２は、さらに過去のイベント情報も用いて、予測モデルを作成する。また、予測部３１３は、さらに将来のイベント情報（例えば予測対象日のイベント情報）も用いて、入口からの車両流入量を予測する。

また、例えば、取得部３１１は、外部装置５から、入口の周辺の大型施設の営業情報を取得する。そして、作成部３１２は、さらに過去の営業情報も用いて、予測モデルを作成する。また、予測部３１３は、さらに将来の営業情報（例えば予測対象日の営業情報）も用いて、入口からの車両流入量を予測する。

このようにして、第３実施形態によれば、予測モデルの作成や予測モデルによる予測のときに外部情報も併せて用いることで、外部環境の変化に対応し、入口からの車両流出量の予測精度をさらに向上することができる。

例えば、集客施設Ａ２（図１）が大規模テーマパークであり、その近隣の宿泊施設に一定数以上の宿泊予定者がいる場合、その宿泊予定者はその宿泊日には帰宅のために高速道路を走行することはないと考えられる。また、例えば、集客施設Ａ２で花火が予定されているときに、雨や強風により花火が中止になると、入口からの車両流出量に影響を与える（例えば、集客施設Ａ２への来訪者数が減少する、集客施設Ａ２からの退場時刻が早くなるなど）と考えられる。

また、例えば、入口の周辺で有名人によるコンサートなどのイベントがあると、入口からの車両流出量に影響を与えると考えられる。また、例えば、入口の周辺のショッピングモールが臨時で休業となると、入口からの車両流出量に影響を与えると考えられる。そういった事情を考慮することで、入口からの車両流出量の予測精度をさらに向上することができる。

以上、本発明の実施形態を説明したが、上記実施形態はあくまで例であって、発明の範囲を限定することは意図していない。上記実施形態は、様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。上記実施形態は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

例えば、対象となる道路は、高速道路に限定されず、一般道等の他の道路であってもよい。

また、図１では、図示や説明を簡潔にするために住居地域Ａ１や集客施設Ａ２が１つずつであるものとしたが、１つに限定されず、それぞれ、複数であってもよい。また、住居地域Ａ１や集客施設Ａ２は例であって、それらの代わりとして、例えば、車の出入りが多い、配送センター、市場、空港などであってもよい。

また、車両流入量予測装置３は、路側センサ１からのセンサ情報を、交通管制装置２を経由せずに直接受信するようにしてもよい。ただし、交通管制装置２を経由したほうが、車両流入量予測装置３において路側センサ１と接続するための通信設備を省略でき、構造やコストの面で有利である。

また、実施形態では、車両流入量を予測する対象の入口に対し、車両流出量の情報を用いる出口を１つとしたが、これに限定されず、複数であってもよい。また、複数の出口から計算対象とする１つ以上の出口を選択する場合、例えば、入口からの車両流入量と出口からの車両流出量の相関に基づいてユーザが選択してもよいし、あるいは、車両流入量予測装置３が深層学習によって選択したりランダムフォレスト実行時に説明変数の寄与度によって選択したりしてもよい。

また、第３実施形態に関し、外部情報は、上述の例に限定されず、例えば、路面状態（乾燥、湿潤、水膜、積雪、凍結等）などの他の情報であってもよい。

１…路側センサ、２…交通管制装置、３…車両流入量予測装置、４…交通状況予測装置、５…外部装置、３１…処理部、３２…記憶部、３３…入力部、３４…表示部、３５…通信部、３１１…取得部、３１２…作成部、３１３…予測部、３１４…出力制御部、Ｓ…交通予測システム

Claims

道路における車両の交通情報を収集する交通情報収集装置と、前記道路への所定の入口からの車両流入量を予測する交通予測装置と、を備える交通予測システムであって、
前記交通予測装置は、
前記交通情報収集装置から前記交通情報を取得する取得部と、
所定タイミングにおける前記入口からの車両流入量を予測する予測モデルを作成する際に、前記交通情報に基づいて、少なくとも、前記入口の周辺の所定の複数の出口からの前記所定タイミングより過去の車両流出量を用いて、前記予測モデルを作成する作成部と、
将来の予測対象タイミングにおける前記入口からの車両流入量を予測する際に、前記予測モデルと、前記交通情報から得られる前記複数の出口からの前記予測対象タイミングより過去の車両流出量と、に基づいて、前記入口からの前記車両流入量を予測する予測部と、を備える交通予測システム。
道路における車両の交通情報を収集する交通情報収集装置から前記交通情報を取得する取得部と、
所定タイミングにおける前記道路への所定の入口からの車両流入量を予測する予測モデルを作成する際に、前記交通情報に基づいて、少なくとも、前記入口の周辺の所定の複数の出口からの前記所定タイミングより過去の車両流出量を用いて、前記予測モデルを作成する作成部と、
将来の予測対象タイミングにおける前記入口からの車両流入量を予測する際に、前記予測モデルと、前記交通情報から得られる前記複数の出口からの前記予測対象タイミングより過去の車両流出量と、に基づいて、前記入口からの前記車両流入量を予測する予測部と、を備える交通予測装置。
前記作成部は、前記予測モデルを作成する際に、前記所定タイミングの前記入口からの車両流入量の実績値を目的変数とし、前記複数の出口からの前記所定タイミングより過去の車両流出量、および、前記所定タイミングより過去の前記入口についての所定の交通情報を説明変数として用いて、前記予測モデルを作成し、
前記予測部は、前記予測モデルと、前記複数の出口からの前記予測対象タイミングより過去の車両流出量、および、前記予測対象タイミングより過去の前記入口についての前記所定の交通情報に基づいて、前記入口からの前記車両流入量を予測する、請求項２に記載の交通予測装置。
前記作成部は、前記予測モデルを作成する際に、大型車を対象とした第１の予測モデルと、非大型車を対象とした第２の予測モデルと、をそれぞれ作成し、
前記予測部は、前記第１の予測モデルに基づいて予測した大型車の車両流入量と、前記第２の予測モデルに基づいて予測した非大型車の車両流入量と、を加算して前記入口からの前記車両流入量を予測する、請求項２に記載の交通予測装置。
前記取得部は、外部装置から、前記入口の周辺の宿泊施設の稼働情報と予約情報を取得し、
前記作成部は、さらに前記稼働情報も用いて、前記予測モデルを作成し、
前記予測部は、さらに前記予約情報も用いて、前記入口からの前記車両流入量を予測する請求項２に記載の交通予測装置。
前記取得部は、外部装置から、前記入口の周辺の天候情報を取得し、
前記作成部は、さらに過去の前記天候情報も用いて、前記予測モデルを作成し、
前記予測部は、さらに将来の前記天候情報も用いて、前記入口からの前記車両流入量を予測する請求項２に記載の交通予測装置。
前記取得部は、外部装置から、前記入口の周辺のイベント情報を取得し、
前記作成部は、さらに過去の前記イベント情報も用いて、前記予測モデルを作成し、
前記予測部は、さらに将来の前記イベント情報も用いて、前記入口からの前記車両流入量を予測する請求項２に記載の交通予測装置。
前記取得部は、外部装置から、前記入口の周辺の大型施設の営業情報を取得し、
前記作成部は、さらに過去の前記営業情報も用いて、前記予測モデルを作成し、
前記予測部は、さらに将来の前記営業情報も用いて、前記入口からの前記車両流入量を予測する請求項２に記載の交通予測装置。
取得部が、道路における車両の交通情報を収集する交通情報収集装置から前記交通情報を取得する取得ステップと、
作成部が、所定タイミングにおける前記道路への所定の入口からの車両流入量を予測する予測モデルを作成する際に、前記交通情報に基づいて、少なくとも、前記入口の周辺の所定の複数の出口からの前記所定タイミングより過去の車両流出量を用いて、前記予測モデルを作成する作成ステップと、
予測部が、将来の予測対象タイミングにおける前記入口からの車両流入量を予測する際に、前記予測モデルと、前記交通情報から得られる前記複数の出口からの前記予測対象タイミングより過去の車両流出量と、に基づいて、前記入口からの前記車両流入量を予測する予測ステップと、を含む交通予測方法。