JP7453296B2 - パターンマッチングを利用して道路渋滞伝播を予測する方法、コンピュータ装置、およびコンピュータプログラム - Google Patents

Description

以下の説明は、道路の渋滞を予測する技術に関する。

道路渋滞の発生とこれによる渋滞の伝播は、全世界のほとんどの大都市が抱えている交通問題の１つである。

このような交通渋滞は、反復的に発生する混雑（ｒｅｃｕｒｒｅｎｔ ｃｏｎｇｅｓｔｉｏｎ）と、事故や気象の悪化、集会などのアクシデント情報によって非反復的に発生する混雑（ｎｏｎ－ｒｅｃｕｒｒｅｎｔ ｃｏｎｇｅｓｔｉｏｎ）とに大別される。

特定の道路の交通渋滞時点を予測する方式は、道路の収容可能な車両台数を基準とするのが一般的である。道路の収容可能な車両台数が定められており、収容可能な車両台数が限界に達した場合に該当の道路に渋滞状況が発生するようになるが、該当の道路の渋滞到達時点から車両の走行速度が急激に低下する。

反復的な道路の渋滞到達時点は統計的に予測が可能であり、これを活用して交通渋滞状況や時点予測が可能となる。

ある研究では、地域間の非正常的なトラフィック（交通）の流れの頻繁な伝播ツリーを探索するためのＳＴＯ（ｓｐａｔｉｏ－ｔｅｍｐｏｒａｌ ｏｕｔｌｉｅｒｓ）ツリーアルゴリズムと、頻繁な下位ツリーアルゴリズムを提案している。他の研究では、交通混雑と伝播パターンを探索するための視覚的インタフェースを提案しており、さらに他の研究では、Ｐｒｏ－Ｇｒａｐｈｓと呼ばれる伝播グラフの形態で反復的な渋滞伝播パターンを確率化して未来に対する渋滞伝播を予測している。

既存の研究では、過去に頻繁に繰り返された渋滞伝播の痕跡（形跡）を識別することに焦点を置いている。

しかし、交通事故のように非反復的に発生する交通混雑は、いつどこで起こるか予測することが不可能であるため、混雑状況に対応する渋滞伝播予測モデルの生成に困難をきたしている。

学習過程（ｔｒａｉｎｉｎｇ）を経る必要なく、パターンマッチング（ｐａｔｔｅｒｎ ｍａｔｃｈｉｎｇ）によってリアルタイムで道路渋滞伝播パターンを予測する。

アクシデント道路の現在の速度パターンと類似する過去の速度パターンを識別した後、過去の速度パターンに基づいて周辺道路の渋滞伝播状況を予測する。

コンピュータ装置で実行される渋滞伝播予測方法であって、前記コンピュータ装置は、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサを含み、前記渋滞伝播予測方法は、前記少なくとも１つのプロセッサにより、パターンマッチング（ｐａｔｔｅｒｎ ｍａｔｃｈｉｎｇ）を利用して、アクシデント道路に対してアクシデント時点の最近の速度パターンと類似する少なくとも１つの過去の速度パターンを探索する段階、および前記少なくとも１つのプロセッサにより、前記過去の速度パターンと対応する時点に対して、前記アクシデント道路に進入可能な少なくとも１つの周辺道路の過去の速度パターンから前記アクシデント道路による渋滞伝播パターンを予測する段階を含む、渋滞伝播予測方法を提供する。

一側面によると、前記探索する段階は、前記アクシデント道路に対して、前記アクシデント時点を基準に前記パターンマッチングのための第１時間範囲を設定する段階、および前記第１時間範囲に該当するデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索する段階を含んでよい。

他の側面によると、前記設定する段階は、前記アクシデント道路に対して、アクシデント状況が発生したアクシデント発生時点とアクシデント状況が報告されたアクシデント報告時点のうちの少なくとも１つに基づいて前記第１時間範囲を設定してよい。

また他の側面によると、前記設定する段階は、前記アクシデント道路に対して、アクシデント状況が報告されたアクシデント報告時点以前の一定時間の速度時系列データを利用して前記アクシデント状況が発生したアクシデント発生時点を予測する段階、および前記アクシデント発生時点を含む時間範囲として前記第１時間範囲を設定する段階を含んでよい。

また他の側面によると、前記設定する段階は、前記アクシデント道路の車両の移動量による混雑度に基づいて前記第１時間範囲を設定してよい。

また他の側面によると、前記探索する段階は、ＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）を利用したデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索してよい。

また他の側面によると、前記予測する段階は、前記アクシデント道路の過去の速度パターンと対応する前記周辺道路の過去の速度パターンから前記周辺道路の未来渋滞状況を予測してよい。

また他の側面によると、前記予測する段階は、道路間の渋滞伝播が予想される時間範囲である第２時間範囲を設定する段階、前記アクシデント道路の過去の速度パターンと対応する前記周辺道路の過去の速度パターンから前記第２時間範囲以内の渋滞状況を確認する段階、前記アクシデント道路の過去の速度パターンに対して前記周辺道路の渋滞状況をパターン化した行列を生成する段階、および前記行列に基づいて、前記アクシデント道路の最近の速度パターンに対する前記周辺道路の未来渋滞状況を予測する段階を含んでよい。

また他の側面によると、前記生成する段階は、前記アクシデント道路の過去の速度パターンに対して複数の行列が生成される場合、前記複数の行列に対して投票（ｖｏｔｉｎｇ）を行い、投票結果に基づいて最終行列を導き出す段階を含んでよい。

さらに他の側面によると、前記設定する段階は、前記アクシデント道路に対して、アクシデント状況が発生したアクシデント発生時点とアクシデント状況が報告されたアクシデント報告時点のうちの少なくとも１つに基づいて前記第２時間範囲を設定するが、前記周辺道路または前記アクシデント道路の車両の移動量による混雑度に基づいて前記第２時間範囲を設定してよい。

前記渋滞伝播予測方法を前記コンピュータ装置に実行させるためにコンピュータ読み取り可能な記録媒体に記録される、コンピュータプログラムを提供する。

コンピュータ装置であって、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサを含み、前記少なくとも１つのプロセッサは、パターンマッチングを利用して、アクシデント道路に対してアクシデント時点の最近の速度パターンと類似する少なくとも１つの過去の速度パターンを探索する過程、および前記過去の速度パターンと対応する時点に対して、前記アクシデント道路に進入可能な少なくとも１つの周辺道路の過去の速度パターンから前記アクシデント道路による渋滞伝播パターンを予測する過程を処理する、コンピュータ装置を提供する。

本発明の実施形態によると、パターンマッチングを利用してアクシデント道路の渋滞が伝播する周辺道路を予測することにより、経路探索時に最適な迂回道路を案内することができる。

本発明の実施形態によると、アクシデント時点を基準に、時間の経過にともなって明確性を増すアクシデント道路の速度パターンに基づいて渋滞伝播の予測性能を高めることができる。

本発明の実施形態によると、パターンマッチングを基盤とした予測モデルの場合、学習過程を必要としないため、渋滞伝播の予測にかかるリソースや時間を節約することができ、道路ネットワークに対するパターンマッチングによってリアルタイムで道路渋滞伝播を予測することができる。

本発明の一実施形態における、ネットワーク環境の例を示した図である。 本発明の一実施形態における、コンピュータ装置の例を示したブロック図である。 本発明の一実施形態における、道路ネットワークの一例を示した図である。 本発明の一実施形態における、コンピュータ装置が実行することのできる方法の例を示したフローチャートである。 本発明の一実施形態における、事故発生時点を把握する過程を説明するための例示図である。 本発明の一実施形態における、パターンマッチングに必要な時間範囲を設定する過程を説明するための例示図である。 本発明の一実施形態における、最近の速度パターンと類似する過去の速度パターンをパターンマッチングによって探索する過程を説明するための例示図である。 本発明の一実施形態における、最近の速度パターンと類似する過去の速度パターンをパターンマッチングによって探索する過程を説明するための例示図である。 本発明の一実施形態における、最近の速度パターンと類似する過去の速度パターンをパターンマッチングによって探索する過程を説明するための例示図である。 本発明の一実施形態における、渋滞伝播が予想される時間範囲を設定する過程を説明するための例示図である。 本発明の一実施形態における、事故道路を基準とした周辺道路に対する渋滞状況を予測する過程を説明するための例示図である。 本発明の一実施形態における、事故道路を基準とした周辺道路に対する渋滞状況を予測する過程を説明するための例示図である。

以下、本発明の実施形態について、添付の図面を参照しながら詳しく説明する。

本発明の実施形態は、道路渋滞を予測する技術に関する。

本明細書で具体的に開示される事項を含む実施形態は、パターンマッチングを利用してアクシデント道路の渋滞が伝播する周辺道路を予測し、これによって適切な状況で最適な迂回道路を決定することができる。

本発明の実施形態に係る渋滞伝播予測装置は、少なくとも１つのコンピュータ装置によって実現されてよく、本発明の実施形態に係る渋滞伝播予測方法は、渋滞伝播予測装置に含まれる少なくとも１つのコンピュータ装置によって実行されてよい。このとき、コンピュータ装置においては、本発明の一実施形態に係るコンピュータプログラムがインストールされて実行されてよく、コンピュータ装置は、実行されたコンピュータプログラムの制御にしたがって本発明の実施形態に係る渋滞伝播予測方法を実行してよい。上述したコンピュータプログラムは、コンピュータ装置と結合して渋滞伝播予測方法をコンピュータに実行させるためにコンピュータ読み取り可能な記録媒体に記録されてよい。

図１は、本発明の一実施形態における、ネットワーク環境の例を示した図である。図１のネットワーク環境は、複数の電子機器１１０、１２０、１３０、１４０、複数のサーバ１５０、１６０、およびネットワーク１７０を含む例を示している。このような図１は、発明の説明のための一例に過ぎず、電子機器の数やサーバの数が図１のように限定されることはない。また、図１のネットワーク環境は、本実施形態に適用可能な環境の一例を説明したものに過ぎず、本実施形態に適用可能な環境が図１のネットワーク環境に限定されることはない。

複数の電子機器１１０、１２０、１３０、１４０は、コンピュータ装置によって実現される固定端末や移動端末であってよい。複数の電子機器１１０、１２０、１３０、１４０の例としては、スマートフォン、携帯電話、ナビゲーション、ＰＣ（ｐｅｒｓｏｎａｌ ｃｏｍｐｕｔｅｒ）、ノート型ＰＣ、デジタル放送用端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）、タブレットなどがある。一例として、図１では、電子機器１１０の例としてスマートフォンを示しているが、本発明の実施形態において、電子機器１１０は、実質的に無線または有線通信方式を利用し、ネットワーク１７０を介して他の電子機器１２０、１３０、１４０および／またはサーバ１５０、１６０と通信することができる多様な物理的なコンピュータ装置のうちの１つを意味してよい。

通信方式が限定されることはなく、ネットワーク１７０が含むことのできる通信網（一例として、移動通信網、有線インターネット、無線インターネット、放送網）を利用する通信方式だけではなく、機器間の近距離無線通信が含まれてもよい。例えば、ネットワーク１７０は、ＰＡＮ（ｐｅｒｓｏｎａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＣＡＮ（ｃａｍｐｕｓ ａｒｅａ ｎｅｔｗｏｒｋ）、ＭＡＮ（ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、ＷＡＮ（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、ＢＢＮ（ｂｒｏａｄｂａｎｄ ｎｅｔｗｏｒｋ）、インターネットなどのネットワークのうちの１つ以上の任意のネットワークを含んでよい。さらに、ネットワーク１７０は、バスネットワーク、スターネットワーク、リングネットワーク、メッシュネットワーク、スター－バスネットワーク、ツリーまたは階層的ネットワークなどを含むネットワークトポロジのうちの任意の１つ以上を含んでもよいが、これらに限定されることはない。

サーバ１５０、１６０それぞれは、複数の電子機器１１０、１２０、１３０、１４０とネットワーク１７０を介して通信して命令、コード、ファイル、コンテンツ、サービスなどを提供する１つ以上のコンピュータ装置によって実現されてよい。例えば、サーバ１５０は、ネットワーク１７０を介して接続した複数の電子機器１１０、１２０、１３０、１４０にサービス（一例として、ナビゲーションサービスなど）を提供するシステムであってよい。

図２は、本発明の一実施形態における、コンピュータ装置の例を示したブロック図である。上述した複数の電子機器１１０、１２０、１３０、１４０それぞれやサーバ１５０、１６０それぞれは、図２に示したコンピュータ装置２００によって実現されてよい。

このようなコンピュータ装置２００は、図２に示すように、メモリ２１０、プロセッサ２２０、通信インタフェース２３０、および入力／出力インタフェース２４０を含んでよい。メモリ２１０は、コンピュータ読み取り可能な記録媒体であって、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、およびディスクドライブのような永続的大容量記録装置を含んでよい。ここで、ＲＯＭやディスクドライブのような永続的大容量記録装置は、メモリ２１０とは区分される別の永続的記録装置としてコンピュータ装置２００に含まれてもよい。また、メモリ２１０には、オペレーティングシステムと、少なくとも１つのプログラムコードが記録されてよい。このようなソフトウェア構成要素は、メモリ２１０とは別のコンピュータ読み取り可能な記録媒体からメモリ２１０にロードされてよい。このような別のコンピュータ読み取り可能な記録媒体は、フロッピー（登録商標）ドライブ、ディスク、テープ、ＤＶＤ／ＣＤ－ＲＯＭドライブ、メモリカードなどのコンピュータ読み取り可能な記録媒体を含んでよい。他の実施形態において、ソフトウェア構成要素は、コンピュータ読み取り可能な記録媒体ではない通信インタフェース２３０を通じてメモリ２１０にロードされてもよい。例えば、ソフトウェア構成要素は、ネットワーク１７０を介して受信されるファイルによってインストールされるコンピュータプログラムに基づいてコンピュータ装置２００のメモリ２１０にロードされてよい。

プロセッサ２２０は、基本的な算術、ロジック、および入出力演算を実行することにより、コンピュータプログラムの命令を処理するように構成されてよい。命令は、メモリ２１０または通信インタフェース２３０によって、プロセッサ２２０に提供されてよい。例えば、プロセッサ２２０は、メモリ２１０のような記録装置に記録されたプログラムコードにしたがって受信される命令を実行するように構成されてよい。

通信インタフェース２３０は、ネットワーク１７０を介してコンピュータ装置２００が他の装置（一例として、上述した記録装置）と互いに通信するための機能を提供してよい。一例として、コンピュータ装置２００のプロセッサ２２０がメモリ２１０のような記録装置に記録されたプログラムコードにしたがって生成した要求や命令、データ、ファイルなどが、通信インタフェース２３０の制御にしたがってネットワーク１７０を介して他の装置に伝達されてよい。これとは逆に、他の装置からの信号や命令、データ、ファイルなどが、ネットワーク１７０を経てコンピュータ装置２００の通信インタフェース２３０を通じてコンピュータ装置２００に受信されてよい。通信インタフェース２３０を通じて受信された信号や命令、データなどは、プロセッサ２２０やメモリ２１０に伝達されてよく、ファイルなどは、コンピュータ装置２００がさらに含むことのできる記録媒体（上述した永続的記録装置）に記録されてよい。

入力／出力インタフェース２４０は、入力／出力装置２５０とのインタフェースのための手段であってよい。例えば、入力装置は、マイク、キーボード、またはマウスなどの装置を、出力装置は、ディスプレイ、スピーカのような装置を含んでよい。他の例として、入力／出力インタフェース２４０は、タッチスクリーンのように入力と出力のための機能が１つに統合された装置とのインタフェースのための手段であってもよい。入力／出力装置２５０は、コンピュータ装置２００と１つの装置で構成されてもよい。

また、他の実施形態において、コンピュータ装置２００は、図２の構成要素よりも少ないか多くの構成要素を含んでもよい。しかし、大部分の従来技術的な構成要素を明確に図に示す必要はない。例えば、コンピュータ装置２００は、上述した入力／出力装置２５０のうちの少なくとも一部を含むように実現されてもよいし、トランシーバ、データベースなどのような他の構成要素をさらに含んでもよい。

以下では、パターンマッチングを利用して道路渋滞伝播を予測する方法および装置の具体的な実施形態について説明する。

図３は、本発明の一実施形態における、道路ネットワークの一例を示した図である。

道路上の非反復的な混雑に含まれる主な外部的要因として交通事故、集会、道路工事などが挙げられるが、他の要因とは異なり、交通事故はいつどこで発生するか予測ができないため、混雑が発生した道路に進入する周辺道路の交通量と速度に大きな影響を及ぼす。

図３を参照すると、Ａ道路で交通事故による渋滞が発生した場合、時間の経過にともなってＡ道路に進入する周辺道路のうちの少なくとも一部の道路にも渋滞が拡がり、交通渋滞の伝播（Ｔｒａｆｆｉｃ Ｃｏｎｇｅｓｔｉｏｎ Ｐｒｏｐａｇａｔｉｏｎ）が発生する。

例えば、ナビゲーションサービスが、Ｉ、Ｆ、Ｄ、Ａ道路を含む経路を案内したと仮定する。時間の経過にともなってＡ道路の渋滞がＤ道路とＦ道路に伝播した場合、既存の経路を維持しようとすれば、該当の経路を走行する使用者の移動時間には大幅な遅延が発生する。

ナビゲーションサービスが、渋滞伝播が発生する道路を予測することができれば、交通渋滞の伝播が予想されるＤ道路とＦ道路を迂回する最適経路（例えば、Ｉ、Ｈ、Ｇ、Ａ道路を含む経路など）を使用者に案内することができる。

本実施形態では、アクシデント状況で交通混雑が発生する場合、学習過程を経る必要なく、パターンマッチングによってリアルタイムで渋滞伝播パターンを予測することができる分析技術を提案する。

以下では、非反復的な混雑の要因となる代表的なアクシデント状況として交通事故を例示しながら、これについて具体的に説明する。

本実施形態は、学習過程を経る必要なく、パターンマッチングによってアクシデント状況にリアルタイムで対応することができる。パターンマッチングは、現在のパターンと類似する過去のパターンを識別し、識別された過去のパターンに基づいて近い未来のパターンが進んでいくと仮定する方法論である。

本実施形態では、パターンマッチングによってアクシデント道路で観測された現在の速度パターンと類似する過去の速度パターンを識別し、これに基づいて周辺道路の渋滞伝播状況を予測する。

図４は、本発明の一実施形態における、コンピュータ装置が実行することのできる方法の例を示したフローチャートである。

本実施形態に係るコンピュータ装置２００は、クライアントを対象に、クライアント上にインストールされた専用アプリケーションやコンピュータ装置２００と関連するウェブ／モバイルサイトへの接続によってナビゲーションサービスを提供してよい。コンピュータ装置２００には、コンピュータで実現された渋滞伝播予測装置が構成されてよい。

コンピュータ装置２００のプロセッサ２２０は、図４に係る渋滞伝播予測方法を実行するための構成要素で実現されてよい。実施形態によって、プロセッサ２２０の構成要素は、選択的にプロセッサ２２０に含まれても除外されてもよい。また、実施形態によって、プロセッサ２２０の構成要素は、プロセッサ２２０の機能の表現のために分離されても併合されてもよい。

このようなプロセッサ２２０およびプロセッサ２２０の構成要素は、図４の渋滞伝播予測方法に含まれる段階４１０～４５０を実行するようにコンピュータ装置２００を制御してよい。例えば、プロセッサ２２０およびプロセッサ２２０の構成要素は、メモリ２１０が含むオペレーティングシステムのコードと、少なくとも１つのプログラムのコードとによる命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行するように実現されてよい。

ここで、プロセッサ２２０の構成要素は、コンピュータ装置２００に記録されたプログラムコードが提供する命令にしたがってプロセッサ２２０によって実行される、互いに異なる機能（ｄｉｆｆｅｒｅｎｔ ｆｕｎｃｔｉｏｎｓ）の表現であってよい。

プロセッサ２２０は、コンピュータ装置２００の制御と関連する命令がロードされたメモリ２１０から必要な命令を読み取ってよい。この場合、前記読み取られた命令は、プロセッサ２２０が以下で説明する段階４１０～４５０を実行するように制御するための命令を含んでよい。

以下で説明する段階４１０～４５０は、図４に示したものとは異なる順序で実行されてもよいし、段階４１０～４５０のうちの一部が省略されたり追加の過程がさらに含まれたりしてもよい。

図４を参照すると、段階４１０で、プロセッサ２２０は、事故道路の事故報告時点に基づいて事故発生時点を把握してよい。プロセッサ２２０は、コンピュータ装置２００と連動可能なシステムやプラットフォームなどを利用して道路上の車両の実際の走行速度から速度時系列データを取得して維持および管理してよい。また、プロセッサ２２０は、コンピュータ装置２００と連動可能なシステムやプラットフォームなどを利用して道路上の事故などのようなアクシデント情報の報告を受けてよい。

事故が報告された時点ｔ_ｒｐｔは必然的であり、事故が実際に発生した時点ｔ_ａ以後に位置する。渋滞伝播は、事故道路で事故が発生した時点ｔ_ａから始まるため、事故報告時点ｔ_ｒｐｔの他に事故発生時点ｔ_ａを把握することも重要となる。事故報告時点ｔ_ｒｐｔに関する情報とは異なり、事故発生時点ｔ_ａに関する情報は存在しないため、ナビゲーションサービスから得ることのできる速度データを利用しながら事故報告時点ｔ_ｒｐｔより以前の、予想される事故発生時点ｔ_ａを探知する。

事故道路ｅ_ｏに対する事故が時点ｔ_ｒｐｔに報告されたと仮定しよう。一例として、プロセッサ２２０は、時点ｔ_ｒｐｔ以前の一定時間（例えば、２時間）以内に事前に定められた条件Ｃ１、Ｃ２、Ｃ３を連続的に満たす最初の時点が事故発生時点ｔ_ａであると定義してよい。

例えば、図５を参照すると、１つ目の条件（Ｃ１）は、５分単位の速度指数移動平均線（ＥＭＡ）が事故報告時点ｔ_ｒｐｔ以前の２時間内の平均速度よりも低い場合を意味する。２つ目の条件（Ｃ２）は、５分単位の速度指数移動平均線（ＥＭＡ）が３０分単位の速度指数移動平均線（ＥＭＡ）よりも低い場合を意味する。（Ｃ１）と（Ｃ２）は、速度の短期的趨勢が長期的趨勢よりも低くなる趨勢変化に対する条件である。これにより、急激な速度の趨勢変化を感知することができる。３つ目の条件（Ｃ３）は、急激な速度低下状況に関するものである。速度が以前の１０分間の標準偏差範囲よりも下落すれば速度の急激な低下が生じたと判断し、事故によって発生する急激な速度低下として反映する。上述した３つの条件（Ｃ１）、（Ｃ２）、（Ｃ３）を１０分間にわたって連続的に満たす地点を事故発生時点ｔ_ａと見なす。

再び図４を参照すると、段階４２０で、プロセッサ２２０は、事故報告時点ｔ_ｒｐｔと事故発生時点ｔ_ａのうちの少なくとも１つを基準に、パターンマッチングのための第１時間範囲を設定してよい。第１時間範囲は、パターンマッチング区間を示す時間範囲、すなわち、タイムウィンドウ（ｔｉｍｅ ｗｉｎｄｏｗ）を意味する。一例として、プロセッサ２２０は、事故発生時点ｔ_ａは考慮せずに事故報告時点ｔ_ｒｐｔだけを考慮しながら、事故報告時点ｔ_ｒｐｔを基準とした以前の一定時間（例えば、２時間）を第１時間範囲として設定してよい。他の例として、プロセッサ２２０は、事故報告時点ｔ_ｒｐｔを基準とした以前の一定時間（例えば、２時間）を第１時間範囲として設定するものの、事故発生時点ｔ_ａを含む時間範囲を第１時間範囲として設定してよい。言い換えれば、プロセッサ２２０は、事故発生時点ｔ_ａと事故報告時点ｔ_ｒｐｔを含む時間を第１時間範囲として設定してよい。

事故発生時の最近の速度パターンを過去の速度パターンと比べるためには、パターンの長さである第１時間範囲の合理的な設定が必要となる。以下では、第１時間範囲をＳＷ（Ｓｅａｒｃｈｉｎｇ Ｗｉｎｄｏｗ：探索ウィンドウ）と称する。ＳＷは数式（２）で設定されてよい。

ここで、ＰＴ（ｐｒｅｖｉｏｕｓ ｔｉｍｅ）は、事故発生時点ｔ_ａからどのくらい遠い過去までを探索するかを決定するハイパーパラメータ（ｈｙｐｅｒ－ｐａｒａｍｅｔｅｒ）である。図６を参照すると、プロセッサ２２０は、事故以前の状況まで分析範囲に追加するためにＰＴをＳＷに含ませて事故以前の正常な交通状況まで反映することにより、より明確な事故状況を代弁することができる。

ＳＷは、ナビゲーションサービス運営者によって設定されてよい。一例として、事故道路の普段の混雑度を基準とし、車両の移動量が多い混雑道路であるほど短く設定してよい。ＳＷは、サービスの対象に応じて決定されるハイパーパラメータであり、道路の特性などを考慮した実験による最適値が設定されてよい。

ＳＷは、時間の経過にともなって単位時間周期ごとにアップデートされてよく、これに基づいてリアルタイム状況を反映してよい。

再び図４を参照すると、段階４３０で、プロセッサ２２０は、事故道路の第１時間範囲であるＳＷに該当する最近の速度パターンに対して、該当の道路の速度時系列データから類似の過去の速度パターンを探索してよい。言い換えれば、プロセッサ２２０は、事故道路に対して、ＳＷ内の最近の速度パターンと類似する過去の速度パターンを探索してよい。

プロセッサ２２０は、比較しようとするパターン長さであるＳＷを設定した後、同一道路に対して過去の一定期間の速度データに対して探索を実行してよい。一例として、プロセッサ２２０は、事故道路の速度時系列データのＳＷ範囲内に存在する最近の速度パターンとすべての過去の速度パターンとの類似度をＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）によって算出し、類似度を基準にして上位Ｎ個の過去の速度パターンを抽出してよい。

ＤＴＷは、２つの時系列データの類似度を測定する指標を意味し、プロセッサ２２０は、ＤＴＷによって時系列データの曲線類似性まで考慮しながらデータ同士のパターン類似度を分析してよい。

例えば、図７を参照すると、長さがｎである時系列データ（７１）Ｘ＝｛ｘ_１、ｘ_２、・・・、ｘ_ｎ｝と長さがｍである時系列データ（７２）Ｙ＝｛ｙ_１、ｙ_２、・・・、ｙ_ｍ｝があるとするとき、ＸとＹの元素（シーケンス）の距離を示すｎ×ｍ行列、すなわち、ＤＴＷ行列７００を生成することができる。ＤＴＷ行列７００の（ｉ、ｊ）要素は、ｘ_ｉとｙ_ｉの距離値を示す。ＤＴＷ行列７００の（１、１）から（ｎ、ｍ）まで到逹する経路のうち、ＤＴＷ行列７００の元素が合算される距離が最も短い経路をワーピング経路（Ｗａｒｐｉｎｇ ｐａｔｈ）７１０とする。このとき、ワーピング経路７１０として定義される経路の距離の和がＤＴＷ距離となり、この値が小さいほど２つの時系列データ７１、７２の類似性が高いと言える。

図８に示すように、プロセッサ２２０は、事故道路の速度時系列データ８００において、すべての過去の速度パターンに対してＳＷ単位８０１でＤＴＷ距離を求め、ＤＴＷ距離が短い順に並べることにより、最近の速度パターンと類似する順に過去の速度パターンを並べることができる。このとき、プロセッサ２２０は、過去の速度パターンの間に時間上重複しないＮ個の独立的なパターンを類似パターン候補（ｐａｔｔｅｒｎ ｃａｎｄｉｄａｔｅ）として抽出してよい。

図９を参照すると、プロセッサ２２０は、事故道路の速度時系列データに対して図８を参照しながら説明したＤＴＷ距離を基盤とするパターンマッチングを利用して、最近の速度パターン９１０と類似するＮ個の過去の速度パターン９２０を探索する。

再び図４を参照すると、段階４４０で、プロセッサ２２０は、事故道路を基準に、少なくとも１つの周辺道路への渋滞伝播が予想される第２時間範囲を設定してよい。第２時間範囲は、事故道路の渋滞が周辺道路に伝播すると予想される時間範囲であり、ＰＷ（Ｐｒｏｐａｇａｔｉｏｎ Ｗｉｎｄｏｗ：伝播ウィンドウ）と称する。ＰＷは数式（３）によって設定されてよい。

プロセッサ２２０は、事故発生時点ｔ_ａと事故報告時点ｔ_ｒｐｔのうちの少なくとも１つを基準に、周辺道路への渋滞伝播予想時間範囲であるＰＷを設定してよい。図１０を参照すると、Ｆは、事故道路の事故報告時点ｔ_ｒｐｔから事故道路の渋滞をどのくらい遠い未来のナビゲーションサービスの使用者まで伝達するかを示すハイパーパラメータである。一例として、プロセッサ２２０は、事故道路の事故報告時点ｔ_ｒｐｔを基準とした以後の一定時間（例えば、２時間）を第２時間範囲として設定してよい。他の例として、プロセッサ２２０は、事故道路の事故発生時点ｔ_ａを基準とした以後の一定時間（例えば、３時間）を第２時間範囲として設定してよい。ＰＷの開始時点に事故発生時点ｔ_ａを反映する理由は、事故道路を基準に、ｋ－ホップの周辺道路の渋滞が事故発生時点ｔ_ａから始まる可能性があるという点を反映することにある。

ＰＷもＳＷと同じように、ナビゲーションサービスの運営者によって設定されてよく、事故道路や周辺道路の普段の混雑度を基準に、車両の移動量が多い混雑道路であるほど短く設定されてよい。実施形態によっては、道路の特性などを考慮した実験による最適値がＰＷとして設定されてよい。

再び図４を参照すると、段階４５０で、プロセッサ２２０は、事故道路を基準に、ｋ－ホップの周辺道路に対して、事故道路の過去の速度パターンと対応する周辺道路の過去の速度パターンのうちで第２時間範囲（ＰＷ）に該当する過去の速度パターンを利用して渋滞伝播パターンを予測してよい。

プロセッサ２２０は、事故道路の最近の速度パターンと類似する過去の速度パターンに対して、事故道路を基準に、ｋ－ホップまで存在するすべての周辺道路の渋滞状況を確認してよい。事故道路に対して段階４３０で探索された過去の速度パターンと対応する時点の周辺道路の速度データとしてＰＷ範囲の速度パターンを分析することにより、周辺道路の渋滞状況を確認することができる。例えば、周辺道路の渋滞状況は、数式（４）のように定義されてよい。

周辺道路それぞれに対して、ＰＷ範囲内で道路の最大速度が制限速度ｆｆ（ｅ）に対して０．７水準未満に下落する場合、ＰＷ範囲内に渋滞が発生したと判断する。

図１１を参照すると、プロセッサ２２０は、数式（４）の条件を事故道路のＮ個の過去の速度パターン９２０に該当する時点に含まれるｋ－ホップ内のすべての周辺道路の速度パターン１１３０に適用することで、過去の速度パターン９２０それぞれに対する周辺道路の渋滞状況を求めてよい。プロセッサ２２０は、事故道路のＮ個の過去の速度パターン９２０に対して周辺道路の渋滞状況をパターン化してＮ個の伝播行列（ｐｒｏｐａｇａｔｉｏｎ ｍａｔｒｉｘ）１１４０を生成する。ここで、伝播行列１１４０は、事故道路からｋ－ホップまで連結する周辺道路のそれぞれの経路に対して各合の渋滞状況を示す行列である。

プロセッサ２２０は、Ｎ個の伝播行列１１４０に基づいて、事故道路の最近の速度パターンに対して周辺道路の渋滞伝播パターンを予測する。例えば、図１２を参照すると、Ｎ個の伝播行列１１４０が与えられた状態で各元素に対する投票（ｖｏｔｉｎｇ）を行い、投票の結果に基づいて１つの予測値である予測伝播行列（Ｐｒｅｄｉｃｔｅｄ Ｐｒｏｐａｇａｔｉｏｎ Ｍａｔｒｉｘ）１２５０を導き出してよい。

プロセッサ２２０は、予測伝播行列１２５０に基づいて、事故道路に対する周辺道路のＰＷ範囲内の過去の速度パターンから事故道路による周辺道路の渋滞伝播パターンを予測する。

したがって、プロセッサ２２０は、事故道路の最近の速度パターンと類似する過去の速度パターンを識別し、過去の速度パターンに対応する周辺道路の過去の渋滞パターンから未来の渋滞伝播状況を予測することができる。プロセッサ２２０は、時間の経過にともなって単位時間を周期としながら過程４１０～４５０を繰り返すことにより、事故道路のリアルタイム状況を反映して渋滞伝播状況を予測することができる。

本発明の実施形態によると、非反復的な混雑状況が発生したアクシデント道路の渋滞が伝播するパターンを予測することができる。本実施形態は、事故の影響によって渋滞が発生する流入道路を予測することにより、経路探索時に該当の道路を迂回した経路を案内することができる。

また、本発明の実施形態によると、単位時間を周期としてＳＷをアップデートして渋滞伝播状況を予測することにより、リアルタイムで状況に対応することができる。事故が報告される時点を基準とした時間の経過にともなって明確性を増す事故道路の速度パターンを利用することにより、渋滞伝播に対する予測力を高めることができる。

さらに、本発明の実施形態によると、道路の渋滞伝播を予測するためにパターンマッチングを利用することにより、機械学習やディープラーニングなどで必要とする学習過程を省略することができ、道路ネットワークだけに対してパターンマッチングを適用することで渋滞伝播状況を予測することができる。学習過程を必要としないため、渋滞伝播の予測にかかるリソースや時間などを節約することができる。

上述した装置は、ハードウェア構成要素、ソフトウェア構成要素、および／またはハードウェア構成要素とソフトウェア構成要素との組み合わせによって実現されてよい。例えば、実施形態で説明された装置および構成要素は、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ、マイクロコンピュータ、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサ、または命令を実行して応答することができる様々な装置のように、１つ以上の汎用コンピュータまたは特殊目的コンピュータを利用して実現されてよい。処理装置は、オペレーティングシステム（ＯＳ）およびＯＳ上で実行される１つ以上のソフトウェアアプリケーションを実行してよい。また、処理装置は、ソフトウェアの実行に応答し、データにアクセスし、データを記録、操作、処理、および生成してもよい。理解の便宜のために、１つの処理装置が使用されるとして説明される場合もあるが、当業者であれば、処理装置が複数個の処理要素および／または複数種類の処理要素を含んでもよいことが理解できるであろう。例えば、処理装置は、複数個のプロセッサまたは１つのプロセッサおよび１つのコントローラを含んでよい。また、並列プロセッサのような、他の処理構成も可能である。

ソフトウェアは、コンピュータプログラム、コード、命令、またはこれらのうちの１つ以上の組み合わせを含んでもよく、思うままに動作するように処理装置を構成したり、独立的または集合的に処理装置に命令したりしてよい。ソフトウェアおよび／またはデータは、処理装置に基づいて解釈されたり、処理装置に命令またはデータを提供したりするために、いかなる種類の機械、コンポーネント、物理装置、コンピュータ記録媒体または装置に具現化されてよい。ソフトウェアは、ネットワークによって接続されたコンピュータシステム上に分散され、分散された状態で記録されても実行されてもよい。ソフトウェアおよびデータは、１つ以上のコンピュータ読み取り可能な記録媒体に記録されてよい。

実施形態に係る方法は、多様なコンピュータ手段によって実行可能なプログラム命令の形態で実現されてコンピュータ読み取り可能な媒体に記録されてよい。ここで、媒体は、コンピュータ実行可能なプログラムを継続して記録するものであっても、実行またはダウンロードのために一時記録するものであってもよい。また、媒体は、単一または複数のハードウェアが結合した形態の多様な記録手段または格納手段であってよく、あるコンピュータシステムに直接接続する媒体に限定されることはなく、ネットワーク上に分散して存在するものであってもよい。媒体の例としては、ハードディスク、フロッピー（登録商標）ディスク、および磁気テープのような磁気媒体、ＣＤ－ＲＯＭおよびＤＶＤのような光媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような光磁気媒体、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどを含み、プログラム命令が記録されるように構成されたものであってよい。また、媒体の他の例として、アプリケーションを配布するアプリケーションストアやその他の多様なソフトウェアを供給または配布するサイト、サーバなどで管理する記録媒体または格納媒体が挙げられる。

以上のように、実施形態を、限定された実施形態および図面に基づいて説明したが、当業者であれば、上述した記載から多様な修正および変形が可能であろう。例えば、説明された技術が、説明された方法とは異なる順序で実行されたり、かつ／あるいは、説明されたシステム、構造、装置、回路などの構成要素が、説明された方法とは異なる形態で結合されたりまたは組み合わされたり、他の構成要素または均等物によって対置されたり置換されたとしても、適切な結果を達成することができる。

したがって、異なる実施形態であっても、特許請求の範囲と均等なものであれば、添付される特許請求の範囲に属する。

１１０、１２０、１３０、１４０：電子機器
１５０、１６０：サーバ
１７０：ネットワーク

Claims (20)

1. コンピュータ装置で実行される渋滞伝播予測方法であって、
   前記コンピュータ装置は、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサを含み、
   前記渋滞伝播予測方法は、
   前記少なくとも１つのプロセッサにより、パターンマッチング（ｐａｔｔｅｒｎ ｍａｔｃｈｉｎｇ）を利用して、アクシデント道路に対してアクシデント時点の最近の速度パターンと類似する少なくとも１つの過去の速度パターンを探索する段階、
   前記少なくとも１つのプロセッサにより、探索された前記アクシデント道路の前記過去の速度パターンと対応する時点に対して、前記アクシデント道路に進入可能な少なくとも１つの周辺道路の過去の速度パターンを探索する段階、および
   探索された前記周辺道路の過去の速度パターンから前記アクシデント道路による渋滞伝播パターンを予測する段階、を含み、
   前記予測する段階は、
   道路間の渋滞伝播が予想される時間範囲である第２時間範囲を設定する段階、および
   探索された前記周辺道路の過去の速度パターンから前記第２時間範囲以内の前記周辺道路の渋滞状況を確認し、前記周辺道路の渋滞状況を利用して前記渋滞伝播パターンを予測する段階、を含む、
   渋滞伝播予測方法。
2. 前記探索する段階は、
   前記アクシデント道路に対して、前記アクシデント時点を基準に前記パターンマッチングのための第１時間範囲を設定する段階、および
   前記第１時間範囲に該当するデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索する段階
   を含む、請求項１に記載の渋滞伝播予測方法。
3. 前記設定する段階は、
   前記アクシデント道路に対して、アクシデント状況が発生したアクシデント発生時点とアクシデント状況が報告されたアクシデント報告時点のうちの少なくとも１つに基づいて前記第１時間範囲を設定すること
   を特徴とする、請求項２に記載の渋滞伝播予測方法。
4. コンピュータ装置で実行される渋滞伝播予測方法であって、
   前記コンピュータ装置は、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサを含み、
   前記渋滞伝播予測方法は、
   前記少なくとも１つのプロセッサにより、パターンマッチング（ｐａｔｔｅｒｎ ｍａｔｃｈｉｎｇ）を利用して、アクシデント道路に対してアクシデント時点の最近の速度パターンと類似する少なくとも１つの過去の速度パターンを探索する段階、および
   前記少なくとも１つのプロセッサにより、前記過去の速度パターンと対応する時点に対して、前記アクシデント道路に進入可能な少なくとも１つの周辺道路の過去の速度パターンから前記アクシデント道路による渋滞伝播パターンを予測する段階、を含み、
   前記探索する段階は、
   前記アクシデント道路に対して、前記アクシデント時点を基準に前記パターンマッチングのための第１時間範囲を設定する段階、および
   前記第１時間範囲に該当するデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索する段階、を含み、
   前記設定する段階は、
   前記アクシデント道路に対して、アクシデント状況が報告されたアクシデント報告時点以前の一定時間の速度時系列データを利用して前記アクシデント状況が発生したアクシデント発生時点を推測する段階、および
   前記アクシデント発生時点を含む時間範囲として前記第１時間範囲を設定する段階、を含み、
   前記予測する段階は、
   探索された前記アクシデント道路の過去の速度パターンに対応する前記周辺道路の過去の速度パターンを識別し、識別された前記周辺道路の過去の速度パターンに基づいて前記周辺道路の未来渋滞状況を予測することを含む、
   渋滞伝播予測方法。
5. コンピュータ装置で実行される渋滞伝播予測方法であって、
   前記コンピュータ装置は、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサを含み、
   前記渋滞伝播予測方法は、
   前記少なくとも１つのプロセッサにより、パターンマッチング（ｐａｔｔｅｒｎ ｍａｔｃｈｉｎｇ）を利用して、アクシデント道路に対してアクシデント時点の最近の速度パターンと類似する少なくとも１つの過去の速度パターンを探索する段階、および
   前記少なくとも１つのプロセッサにより、前記過去の速度パターンと対応する時点に対して、前記アクシデント道路に進入可能な少なくとも１つの周辺道路の過去の速度パターンから前記アクシデント道路による渋滞伝播パターンを予測する段階、を含み、
   前記探索する段階は、
   前記アクシデント道路に対して、前記アクシデント時点を基準に前記パターンマッチングのための第１時間範囲を設定する段階、および
   前記第１時間範囲に該当するデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索する段階、を含み、
   前記設定する段階は、
   前記アクシデント道路のアクシデント発生前後の車両の移動量による混雑度に基づいて前記第１時間範囲を設定することを含み、
   前記予測する段階は、
   探索された前記アクシデント道路の過去の速度パターンに対応する前記周辺道路の過去の速度パターンを識別し、識別された前記周辺道路の過去の速度パターンに基づいて前記周辺道路の未来渋滞状況を予測することを含む、
   渋滞伝播予測方法。
6. 前記探索する段階は、
   前記アクシデント道路の速度時系列データとして、ＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）を利用したデータ同士のパターン類似度に基づいて前記アクシデント道路の過去の速度パターンを探索すること
   を特徴とする、請求項１に記載の渋滞伝播予測方法。
7. 前記予測する段階は、
   パターンマッチングによって前記アクシデント道路の現在の速度パターンと類似する過去の速度パターンを識別し、前記アクシデント道路の識別された過去の速度パターンに対応する前記周辺道路の過去の速度パターンを識別し、識別された前記周辺道路の過去の速度パターンに基づいて前記周辺道路の未来渋滞状況を予測すること
   を特徴とする、請求項１に記載の渋滞伝播予測方法。
8. 前記予測する段階は、
   前記アクシデント道路の過去の速度パターンに対して前記周辺道路の渋滞状況をパターン化した行列を生成する段階、および
   前記行列に基づいて、前記アクシデント道路の最近の速度パターンに対する前記周辺道路の未来渋滞状況を予測する段階
   を含む、請求項１に記載の渋滞伝播予測方法。
9. 前記生成する段階は、
   前記アクシデント道路の過去の速度パターンに対して複数の行列が生成される場合、前記複数の行列に対して投票（ｖｏｔｉｎｇ）を行い、投票結果に基づいて最終行列を導き出す段階
   を含む、請求項８に記載の渋滞伝播予測方法。
10. 前記設定する段階は、
    前記アクシデント道路に対して、アクシデント状況が発生したアクシデント発生時点とアクシデント状況が報告されたアクシデント報告時点のうちの少なくとも１つに基づいて前記第２時間範囲を設定するか、
    前記周辺道路または前記アクシデント道路のアクシデント発生後の車両の移動量による混雑度に基づいて前記第２時間範囲を設定すること
    を特徴とする、請求項８に記載の渋滞伝播予測方法。
11. コンピュータプログラムであって、該プログラムがコンピュータ装置によって実行されると、前記コンピュータ装置に、請求項１～１０のうちのいずれか一項に記載の渋滞伝播予測方法を実行させる、コンピュータプログラム。
12. コンピュータ装置であって、
    メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサ
    を含み、
    前記少なくとも１つのプロセッサは、
    パターンマッチングを利用して、アクシデント道路に対してアクシデント時点の最近の速度パターンと類似する少なくとも１つの過去の速度パターンを探索する過程、
    探索された前記アクシデント道路の前記過去の速度パターンと対応する時点に対して、前記アクシデント道路に進入可能な少なくとも１つの周辺道路の過去の速度パターンを探索する過程、および
    探索された前記周辺道路の過去の速度パターンから前記アクシデント道路による渋滞伝播パターンを予測する過程、を処理し、
    前記少なくとも１つのプロセッサは、前記予測する過程において、
    道路間の渋滞伝播が予想される時間範囲である第２時間範囲を設定し、
    探索された前記周辺道路の過去の速度パターンから前記第２時間範囲以内の前記周辺道路の渋滞状況を確認し、前記周辺道路の渋滞状況を利用して前記渋滞伝播パターンを予測する、
    コンピュータ装置。
13. 前記少なくとも１つのプロセッサは、
    前記アクシデント道路に対して、前記アクシデント時点を基準に前記パターンマッチングのための第１時間範囲を設定し、
    前記第１時間範囲に該当するデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索すること
    を特徴とする、請求項１２に記載のコンピュータ装置。
14. 前記少なくとも１つのプロセッサは、
    前記アクシデント道路に対して、アクシデント状況が発生したアクシデント発生時点とアクシデント状況が報告されたアクシデント報告時点のうちの少なくとも１つに基づいて前記第１時間範囲を設定すること
    を特徴とする、請求項１３に記載のコンピュータ装置。
15. コンピュータ装置であって、
    メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサ
    を含み、
    前記少なくとも１つのプロセッサは、
    パターンマッチングを利用して、アクシデント道路に対してアクシデント時点の最近の速度パターンと類似する少なくとも１つの過去の速度パターンを探索する過程、および
    前記過去の速度パターンと対応する時点に対して、前記アクシデント道路に進入可能な少なくとも１つの周辺道路の過去の速度パターンから前記アクシデント道路による渋滞伝播パターンを予測する過程、を処理し、
    前記少なくとも１つのプロセッサは、前記探索する過程において、
    前記アクシデント道路に対して、前記アクシデント時点を基準に前記パターンマッチングのための第１時間範囲を設定し、
    前記第１時間範囲に該当するデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索し、
    前記少なくとも１つのプロセッサは、前記設定する過程において、
    前記アクシデント道路に対して、アクシデント状況が報告されたアクシデント報告時点以前の一定時間の速度時系列データを利用して前記アクシデント状況が発生したアクシデント発生時点を推測し、
    前記アクシデント発生時点を含む時間範囲として前記第１時間範囲を設定し、
    前記少なくとも１つのプロセッサは、前記予測する過程において、
    探索された前記アクシデント道路の過去の速度パターンに対応する前記周辺道路の過去の速度パターンを識別し、識別された前記周辺道路の過去の速度パターンに基づいて前記周辺道路の未来渋滞状況を予測することを特徴とする、
    コンピュータ装置。
16. コンピュータ装置であって、
    メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサ
    を含み、
    前記少なくとも１つのプロセッサは、
    パターンマッチングを利用して、アクシデント道路に対してアクシデント時点の最近の速度パターンと類似する少なくとも１つの過去の速度パターンを探索する過程、および
    前記過去の速度パターンと対応する時点に対して、前記アクシデント道路に進入可能な少なくとも１つの周辺道路の過去の速度パターンから前記アクシデント道路による渋滞伝播パターンを予測する過程、を処理し、
    前記少なくとも１つのプロセッサは、前記探索する過程において、
    前記アクシデント道路に対して、前記アクシデント時点を基準に前記パターンマッチングのための第１時間範囲を設定し、
    前記第１時間範囲に該当するデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索し、
    前記少なくとも１つのプロセッサは、前記設定する過程において、
    前記アクシデント道路のアクシデント発生前後の車両の移動量による混雑度に基づいて前記第１時間範囲を設定し、
    前記少なくとも１つのプロセッサは、前記予測する過程において、
    探索された前記アクシデント道路の過去の速度パターンに対応する前記周辺道路の過去の速度パターンを識別し、識別された前記周辺道路の過去の速度パターンに基づいて前記周辺道路の未来渋滞状況を予測することを特徴とする、
    コンピュータ装置。
17. 前記少なくとも１つのプロセッサは、
    ＤＴＷを利用したデータ同士のパターン類似度に基づいて、前記アクシデント道路の速度時系列データから前記アクシデント道路の過去の速度パターンを探索すること
    を特徴とする、請求項１２に記載のコンピュータ装置。
18. 前記少なくとも１つのプロセッサは、
    パターンマッチングによって前記アクシデント道路の現在の速度パターンと類似する過去の速度パターンを識別し、前記アクシデント道路の識別された過去の速度パターンに対応する前記周辺道路の過去の速度パターンを識別し、識別された前記周辺道路の過去の速度パターンに基づいて前記周辺道路の未来渋滞状況を予測すること
    を特徴とする、請求項１２に記載のコンピュータ装置。
19. 前記少なくとも１つのプロセッサは、
    前記アクシデント道路の過去の速度パターンに対して前記周辺道路の渋滞状況をパターン化した行列を生成し、
    前記行列に基づいて、前記アクシデント道路の最近の速度パターンに対する前記周辺道路の未来渋滞状況を予測すること
    を特徴とする、請求項１２に記載のコンピュータ装置。
20. 前記少なくとも１つのプロセッサは、
    前記アクシデント道路の過去の速度パターンに対して複数の行列が生成される場合、前記複数の行列に対して投票（ｖｏｔｉｎｇ）を行い、投票結果に基づいて最終行列を導き出すこと
    を特徴とする、請求項１９に記載のコンピュータ装置。

Images