JP7490150B2

JP7490150B2 - 自動列車運転支援装置、自動列車運転支援システムおよび自動列車運転支援方法

Info

Publication number: JP7490150B2
Application number: JP2023559312A
Authority: JP
Inventors: 寛徳橘; 翔太島吉; 健詞上田; 雅通高木; 春菜石塚
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2021-11-11
Filing date: 2021-11-11
Publication date: 2024-05-24
Anticipated expiration: 2041-11-11
Also published as: WO2023084701A1; JPWO2023084701A1

Description

本開示は、自動列車運転装置を支援する自動列車運転支援装置、自動列車運転支援システムおよび自動列車運転支援方法に関する。

列車は、通常、予め指定されたダイヤ通りに駅に到着して出発するが、混雑などの要因によって停車時間が規定された時間を超過し、出発遅延につながる場合がある。また、１つの列車が遅延すると、後続の列車が遅延した列車に急接近し、後続の列車が急減速または急停車するおそれがあり、１つの列車の遅延が他の列車の運行に波及するおそれがある。そのため、列車を効率的に運行するため、列車の将来の位置を予測することが行われている。例えば、特許文献１には、駅における列車の停車時間あるいは走行時間を、過去の停車時間の実績値データを基にした統計処理によって予測する技術が開示されている。

特開２０１０－２２１８３９号公報

一般的に、列車の各車両の混雑状況は各車両で均一ではなく、旅客が出発または目的とする駅の階段、改札などに近い車両が混雑することが予想される。しかしながら、上記従来の技術によれば、車両ごとの混雑の違いを考慮していない。そのため、階段、改札などの近くに停車する車両への旅客の乗降に偏りがある場合、当該車両への乗降時間が予測した駅の停車時間を超過してしまうおそれがある、という問題があった。

本開示は、上記に鑑みてなされたものであって、列車の将来の運行状況の予測精度を向上可能な自動列車運転支援装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本開示の自動列車運転支援装置は、列車の機器データを収集するデータ収集装置から、列車の運行および列車の各車両の乗車率を含む運行データを取得するデータ抽出部と、運行データを用いて、列車が第１の駅から第２の駅まで走行する走行時間、列車が第１の駅または第２の駅に停車する停車時間、走行時間における列車の各車両の乗車率についての情報、および停車時間における列車の各車両の旅客の乗降中の乗車率の変動を示す情報を含む駅間単位の運行データを特徴量として抽出する特徴量抽出部と、特徴量を用いて予測モデルを構築し、予測モデルと現在の特徴量とを用いて、列車の将来の位置を含む列車の将来の運行状況を予測する運行予測部と、を備えることを特徴とする。

本開示の自動列車運転支援装置は、列車の将来の運行状況の予測精度を向上させることができる、という効果を奏する。

実施の形態１に係る自動列車運転支援装置の構成例を示すブロック図実施の形態１に係る自動列車運転支援装置の動作を示すフローチャート実施の形態１に係る自動列車運転支援装置が搭載される列車で収集される機器データと特徴量との関係を示す図実施の形態１に係る自動列車運転支援装置の特徴量抽出部が特徴量を抽出する際の対象となる乗降中の乗車率変動の例を示す第１の図実施の形態１に係る自動列車運転支援装置の特徴量抽出部が特徴量を抽出する際の対象となる乗降中の乗車率変動の例を示す第２の図実施の形態１に係る自動列車運転支援装置の運行時系列データ作成部で作成される運行時系列データの例を示す図実施の形態１に係る自動列車運転支援装置を実現する処理回路をプロセッサおよびメモリで実現する場合の処理回路の構成の一例を示す図実施の形態１に係る自動列車運転支援装置を実現する処理回路を専用のハードウェアで構成する場合の処理回路の構成の一例を示す図実施の形態２に係る自動列車運転支援装置の設置例を示す第１の図実施の形態２に係る自動列車運転支援装置の設置例を示す第２の図実施の形態２に係る第１の自動列車運転支援装置の動作を示すフローチャート実施の形態２に係る第２の自動列車運転支援装置の動作を示すフローチャート実施の形態３に係る自動列車運転支援装置の設置例を示す第１の図実施の形態３に係る自動列車運転支援装置の設置例を示す第２の図実施の形態４に係る自動列車運転支援装置の設置例を示す第１の図実施の形態４に係る自動列車運転支援装置の設置例を示す第２の図実施の形態５に係る自動列車運転支援装置の設置例を示す第１の図実施の形態５に係る自動列車運転支援装置の設置例を示す第２の図実施の形態６に係る自動列車運転支援装置の設置例を示す第１の図実施の形態６に係る自動列車運転支援装置の設置例を示す第２の図

以下に、本開示の実施の形態に係る自動列車運転支援装置、自動列車運転支援システムおよび自動列車運転支援方法を図面に基づいて詳細に説明する。

実施の形態１．
図１は、実施の形態１に係る自動列車運転支援装置３０の構成例を示すブロック図である。図１に示すように、本実施の形態では、自動列車運転支援装置３０が列車１０に搭載される場合について説明する。なお、図１では記載を簡潔にしているが、実際には列車１０は複数の車両から構成されているものとする。以降の実施の形態についても同様とする。列車１０は、自動列車運転支援装置３０の他に、データ収集装置２０および自動列車運転装置４０を搭載している。

データ収集装置２０は、列車１０の機器データを収集する車上装置である。具体的には、データ収集装置２０は、列車１０に搭載される図示しない車載機器から、列車１０の運行状況、車載機器の動作状態、車載機器で計測された計測値などの機器データを収集する。機器データとは、例えば、列車１０の加速度、速度、ドア開閉情報、走行位置情報、各車両の乗車率などであるが、これらに限定されない。データ収集装置２０は、機器データを、秒単位、または数百ミリ秒単位、または数十ミリ秒単位で収集する。データ収集装置２０は、機器データデータベース２１を備え、収集した機器データを機器データデータベース２１に格納する。

自動列車運転支援装置３０は、データ収集装置２０の機器データデータベース２１から、列車１０の運行および列車１０の各車両の乗車率を含む運行データを取得する。自動列車運転支援装置３０は、取得した運行データから特徴量を抽出し、特徴量を用いて機械学習を行い、列車１０の将来の位置を含む列車１０の将来の運行状況を予測する。

自動列車運転装置４０は、自動列車運転支援装置３０で予測された列車１０の将来の位置を含む列車１０の将来の運行状況に基づいて、列車１０の自動運転を行う。自動列車運転装置４０は、例えば、ＡＴＯ（Automatic Train Operation）である。

自動列車運転支援装置３０の構成および動作について詳細に説明する。図１に示すように、自動列車運転支援装置３０は、データ抽出部３１と、運行乗車率データベース３２と、特徴量抽出部３３と、特徴量データベース３４と、運行時系列データ作成部３５と、運行予測部３６と、を備える。図２は、実施の形態１に係る自動列車運転支援装置３０の動作を示すフローチャートである。

データ抽出部３１は、列車１０の機器データを収集するデータ収集装置２０が備える機器データデータベース２１から、列車１０の運行および列車１０の各車両の乗車率を含む運行データを取得する（ステップＳ１）。データ抽出部３１は、取得した運行データを運行乗車率データベース３２に格納（ステップＳ２）、すなわち記憶させる。なお、データ抽出部３１は、データ収集装置２０での機器データの収集周期が短い周期であることから、自動列車運転支援装置３０での演算負荷などを考慮して、データ収集装置２０での機器データの収集周期よりも長い間隔で運行データを取得してもよい。

運行乗車率データベース３２は、データ抽出部３１で抽出された運行データを格納するデータベースである。

特徴量抽出部３３は、運行乗車率データベース３２に格納されている運行データを用いて、列車１０が第１の駅から第２の駅まで走行する走行時間、および列車１０が第１の駅または第２の駅に停車する停車時間を含む１駅単位、すなわち駅間単位の運行データを特徴量として抽出する（ステップＳ３）。特徴量抽出部３３は、抽出した特徴量を特徴量データベース３４に格納（ステップＳ４）、すなわち記憶させる。

特徴量データベース３４は、特徴量抽出部３３で抽出された特徴量を格納するデータベースである。

データ抽出部３１がデータ収集装置２０の機器データデータベース２１から抽出する機器データである運行データ、および特徴量抽出部３３で抽出された特徴量の関係について説明する。図３は、実施の形態１に係る自動列車運転支援装置３０が搭載される列車１０で収集される機器データと特徴量との関係を示す図である。図３において、左上の表は、データ抽出部３１がデータ収集装置２０の機器データデータベース２１から運行データとして抽出した、すなわち運行、乗車率についての機器データの例を示している。図３の左上の表に示すように、ここでは機器データのデータ記録周期は１秒である。なお、図３の例では、列車１０が６両編成であることを想定している。

図３において、右上の表は、特徴量抽出部３３が抽出した駅間単位の運行データである特徴量の例を示している。図３の右上の表において、図３の下部のグラフの走行中乗車率に対応する部分には実際の乗車率が記載され、図３の下部のグラフの乗降中乗車率変動に対応する部分には乗車率の変動を示す標準偏差などが記載されている。なお、図３の右上の表において、図３の下部のグラフの乗降中乗車率変動に対応する部分について、乗車率の変動を示す標準偏差に替えて実際の乗車率を記載してもよいし、乗車率の変動を示す標準偏差および実際の乗車率を併記してもよい。

図３において、下部のグラフは、機器データを時系列にプロットしたときのイメージを示している。図３の下部のグラフは３駅間の機器データの推移を示している。図３に示すように、特徴量抽出部３３は、運行乗車率に関する機器データを１駅間単位の運行データ、すなわち特徴量に変換している。特徴量抽出部３３は、機器データが走行中のデータか駅停車中のデータかについて、機器データに含まれる列車１０の加速度、速度、ドア開閉情報、走行位置情報などを用いることで判断することができる。なお、図３の例では、１駅間単位の特徴量として、ある駅での停車時間および次駅までの走行時間としているが、手前の駅からある駅までの走行時間およびある駅での停車時間としてもよい。

１駅単位、すなわち駅間単位の特徴量には、出発時刻、曜日、駅停車時間、駅ＩＤ（IDentifier）、行先情報、各車両の乗降中の乗車率変動、各車両の走行中の乗車率平均などが含まれる。列車１０の運行が遅延している場合は走行時分が乱れる場合もあるため、駅間走行時分を特徴量に含めてもよい。走行中の乗車率は、車両の重量で計測しているような場合、計測した値にブレが発生する場合があるため、特徴量としての走行中の乗車率は平均値を使用している。列車１０が運行している路線で分岐線が無い場合、行先情報を運転方向に置き換えてもよい。特徴量抽出部３３は、これらの特徴量を同様に扱うのではなく、各特徴量の重要度を求めるなどして、特徴量を絞り込んでもよい。乗降中の乗車率変動とは、列車１０のドアが開いている際の、旅客の乗り降りに伴う乗車率の変化度合を表す指標であり、乗り降りの激しさに起因する遅延時間、停車時間超過、乗車率などの予測に有効である。

図４は、実施の形態１に係る自動列車運転支援装置３０の特徴量抽出部３３が特徴量を抽出する際の対象となる乗降中の乗車率変動の例を示す第１の図である。図５は、実施の形態１に係る自動列車運転支援装置３０の特徴量抽出部３３が特徴量を抽出する際の対象となる乗降中の乗車率変動の例を示す第２の図である。図４は乗降旅客数が少ない場合を示し、図５は乗降旅客数が多い場合を示している。本実施の形態では、データ収集装置２０が列車１０の車両の重量などを基に乗車率のデータを取得しているため、車両ごとの乗車率のデータを取得することが可能である。また、データ収集装置２０が乗車率のデータを秒単位、または数百ミリ秒単位、または数十ミリ秒単位の短い間隔で取得しているため、旅客の乗り降りに伴う細かな乗車率の変動を取得することができる。

例えば、乗車率のばらつき度合を表す乗車率変動として、図４および図５に示す標準偏差の値の大きさは、旅客の乗降度合の大きさを表す指標として使用できる。乗降中の乗車率変動として、図４および図５に示す平均は、乗降中の車両の混雑度合を表している。乗降中の乗車率変動として、図４および図５に示す最大は、旅客の乗り降り前後の乗車率の最大値を表している。乗降中の乗車率変動として、図４および図５に示す最小は、旅客が車両から降りた時点の乗車率を表している。乗降中の乗車率変動において最大／最小は、乗降度合が大きいほど差が大きくなり、乗降中の乗車率変動の平均とも離れた値になる。図４および図５の例では、混雑度合は大きく変わらないが、旅客の乗降度合が大きく変わることを表しており、このような違いを定量的に表すためには、乗車率変動の特徴量が有効である。乗り降りが最も激しい車両が停車時間超過に影響を及ぼすため、自動列車運転支援装置３０は、乗降中の乗車率変動として、図４および図５に示す標準偏差が最も大きい車両の値のみを使用して、特徴量の抽出、列車１０の将来の運行状況の予測などを行ってもよい。

その他、特徴量には、ドア開時の乗車率と乗車率変動の最小値との差分、ドア閉時の乗車率と乗車率変動の最小値との差分、降車にかかった時間であるドア開から乗車率変動の最小値までの時間、乗車にかかった時間である乗車率変動の最小値からドア閉時の乗車率に達するまでの時間などを用いてもよい。また、特徴量には、到着時刻、遅延時間、月日、曜日、天候またはワイパー動作有無、休日の並び、ドア開閉時刻、ドア開閉時間、ドア開閉回数、次駅ＩＤ、運行番号、列車番号、車両種別、イベントの有無、イベントの規模などの情報を追加してもよい。休日の並びとは、例えば、休日から見て何日後または何日前か、または何連休の情報である。車両種別とは、例えば、トイレの有無、女性専用車両などである。イベントの情報については、イベント会場はあるがイベントが無い日の旅客の利用が少ないが駅などに有効な特徴量になる。急行など、各駅停車以外の列車１０が走行している路線の場合、各駅停車、急行などを示す列車種別の情報を特徴量に追加してもよい。これらの情報を用いることで、自動列車運転支援装置３０は、より詳細な予測モデルを構築することも可能になる。特徴量の次元数が多すぎる場合、特徴量抽出部３３は、特徴量の重要度を求めるなどして、予測に有用な特徴量のみを使用してもよい。

このように、運行データに含まれる列車１０の各車両の乗車率には、列車１０の車両ごとに、列車１０が駅停車中で旅客が乗降中の乗車率、および列車１０が走行中の乗車率が含まれる。特徴量抽出部３３は、列車１０が駅停車中の旅客の乗降時間における乗車率の変動を示す、最大乗車率、最小乗車率、平均乗車率、および旅客が乗降中の乗車率の標準偏差のうち少なくとも１つを含む特徴量を抽出する。なお、特徴量抽出部３３は、駅ＩＤを含めて特徴量を抽出してもよいし、駅ＩＤを外して駅ＩＤごと、すなわち駅ごとに同じ項目による特徴量を抽出するようにしてもよい。

運行時系列データ作成部３５は、特徴量データベース３４に格納されている２以上の異なる駅間の特徴量を時系列に組み合わせて運行時系列データを作成する（ステップＳ５）。すなわち、運行時系列データ作成部３５は、特徴量抽出部３３で抽出されて特徴量データベース３４に格納されている特徴量を、時系列を考慮した特徴量に変換する。

図６は、実施の形態１に係る自動列車運転支援装置３０の運行時系列データ作成部３５で作成される運行時系列データの例を示す図である。図６に示すように予測対象列車の現在の状態を表す特徴量がある場合、運行時系列データ作成部３５が１駅前の特徴量、２駅前の特徴量など過去の状態の特徴量を追加した運行時系列データを作成することで、後述する運行予測部３６は、時系列を考慮した予測を行うことができる。過去の状態が特徴量に追加されることで混雑の増加傾向、減少傾向などが分かるため、運行予測部３６における将来の乗車率の予測、混雑に起因する停車時間超過、遅延時間などの予測に有用である。過去の特徴量については、１駅前の特徴量、２駅前の特徴量などの特徴量をそのまま用いてもよいが、特徴量によっては現在の特徴量との差分値、例えば、時間経過に伴う変化量などを用いてもよい。例えば、現在の乗車率が６０％で１駅前の特徴量で示される乗車率が５０％の場合、増加した乗車率が１０％という情報に置き換えることもできる。なお、行先情報など、現在の状態と過去の状態とで値が変わらないものについては、過去の特徴量としての追加は不要である。

なお、運行時系列データ作成部３５は、図６の例では予測対象列車の現在の特徴量に１駅前の特徴量、および２駅前の特徴量を追加していたが、追加する過去の状態の特徴量はこれに限定されない。運行時系列データ作成部３５は、予測対象列車の現在の特徴量に追加する過去の状態の特徴量について、１駅前の特徴量のみでもよいし、３駅前より過去の特徴量を追加してもよい。このように、運行時系列データ作成部３５は、予測対象の列車１０の現在の特徴量に、規定された数の直近の駅間についての特徴量を組み合わせて運行時系列データを作成してもよい。なお、自動列車運転支援装置３０は、運行時系列データ作成部３５を備えず、運行予測部３６が特徴量データベース３４から直接特徴量を取得して後述するような動作を行うことも可能である。

運行予測部３６は、特徴量を用いて機械学習を行って予測モデルを構築する。具体的には、運行予測部３６は、運行時系列データ作成部３５で作成された運行時系列データを説明変数とし、列車１０の将来の運行状況を目的変数として機械学習を行って予測モデルを構築する（ステップＳ６）。運行予測部３６は、構築した予測モデルと現在の特徴量とを用いて、列車１０の将来の位置を含む列車１０の将来の運行状況を予測する（ステップＳ７）。

本実施の形態において、運行予測部３６は、機械学習アルゴリズムのなかでも教師あり学習を用いた回帰によって、駅間単位の運行データである説明変数と将来の運行状況である目的変数とを紐づけて学習し、予測モデルを構築する。運行予測部３６は、列車１０の運用時は予め学習しておいた予測モデルに現在のデータ、すなわち現在の特徴量を入力することで、列車１０の将来、例えば、数駅先の運行状況として、遅延時間、駅停車時間、乗車率などを予測する。運行予測部３６は、列車１０に含まれる車両のうち乗降時間が最も長い車両、または最も降車する旅客が多い車両、または最も乗車する旅客が多い車両、または標準偏差が最も大きい車両の特徴量を用いて、当該車両を含む列車１０の将来の運行状況を予測してもよい。運行予測部３６は、予測した列車１０の将来の運行状況を、列車１０に搭載される自動列車運転装置４０に出力する（ステップＳ８）。

つづいて、実施の形態１に係る自動列車運転支援装置３０のハードウェア構成について説明する。自動列車運転支援装置３０において、運行乗車率データベース３２、および特徴量データベース３４はメモリである。データ抽出部３１、特徴量抽出部３３、運行時系列データ作成部３５、および運行予測部３６は処理回路により実現される。処理回路は、プログラムを格納するメモリ、およびメモリに格納されるプログラムを実行するプロセッサであってもよいし、専用のハードウェアであってもよい。処理回路は制御回路とも呼ばれる。

図７は、実施の形態１に係る自動列車運転支援装置３０を実現する処理回路をプロセッサ９１およびメモリ９２で実現する場合の処理回路９０の構成の一例を示す図である。図７に示す処理回路９０は制御回路であり、プロセッサ９１およびメモリ９２を備える。処理回路９０がプロセッサ９１およびメモリ９２で構成される場合、処理回路９０の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアまたはファームウェアはプログラムとして記述され、メモリ９２に格納される。処理回路９０では、メモリ９２に記憶されたプログラムをプロセッサ９１が読み出して実行することにより、各機能を実現する。すなわち、処理回路９０は、自動列車運転支援装置３０の処理が結果的に実行されることになるプログラムを格納するためのメモリ９２を備える。このプログラムは、処理回路９０により実現される各機能を自動列車運転支援装置３０に実行させるためのプログラムであるともいえる。このプログラムは、プログラムが記憶された記憶媒体により提供されてもよいし、通信媒体など他の手段により提供されてもよい。

上記プログラムは、データ抽出部３１が、列車１０の機器データを収集するデータ収集装置２０から、列車１０の運行および列車１０の各車両の乗車率を含む運行データを取得する第１のステップと、特徴量抽出部３３が、運行データを用いて、列車１０が第１の駅から第２の駅まで走行する走行時間、および列車１０が第１の駅または第２の駅に停車する停車時間を含む駅間単位の運行データを特徴量として抽出する第２のステップと、運行予測部３６が、特徴量を用いて機械学習を行って予測モデルを構築する第３のステップと、運行予測部３６が、予測モデルと現在の特徴量とを用いて、列車１０の将来の位置を含む列車１０の将来の運行状況を予測する第４のステップと、を自動列車運転支援装置３０に実行させるプログラムであるとも言える。

ここで、プロセッサ９１は、例えば、ＣＰＵ（Central Processing Unit）、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、またはＤＳＰ（Digital Signal Processor）などである。また、メモリ９２は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（登録商標）（Electrically EPROM）などの、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、またはＤＶＤ（Digital Versatile Disc）などが該当する。

図８は、実施の形態１に係る自動列車運転支援装置３０を実現する処理回路を専用のハードウェアで構成する場合の処理回路９３の構成の一例を示す図である。図８に示す処理回路９３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、またはこれらを組み合わせたものが該当する。処理回路９３については、一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現するようにしてもよい。このように、処理回路９３は、専用のハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述の各機能を実現することができる。

以上説明したように、本実施の形態によれば、自動列車運転支援装置３０は、列車１０の機器データを収集している車上装置であるデータ収集装置２０から、列車１０の運行、各車両の乗車率のデータを運行データとして抽出し、駅間単位の時系列の特徴量に変換することで、機械学習を用いた列車１０の将来の運行状況を予測する。これにより、自動列車運転支援装置３０は、列車１０の将来の遅延、混雑などを事前に把握できるため、自動列車運転装置４０による列車１０の運行の効率化を支援することができる。

自動列車運転支援装置３０は、列車１０の機器データを用いて混雑に伴う各車両の乗り降りの激しさを抽出するため旅客の状況を詳細に抽出でき、各車両の乗り降りの状況を考慮しない場合と比較して、機械学習を用いた予測精度を向上させることができる。例えば、自動列車運転支援装置３０は、各車両の乗車率が同程度の複数の列車１０があった場合でも、各車両の旅客の乗降度合、すなわち各車両の標準偏差が異なるときには、将来の遅延として異なる遅延時間を予測することができる。自動列車運転支援装置３０は、列車１０の将来の運行状況の予測精度を向上させることができる。

また、自動列車運転支援装置３０が列車１０の将来の運行状況を予測することで、自動列車運転装置４０は、列車１０の数駅先での停車時間超過などによる出発遅延を防止するため、当該駅に早めに到着することが可能な走行パターンの生成、当該駅で乗り降りが少ない車両への旅客の誘導などに活用することができる。また、自動列車運転支援装置３０が列車１０の将来の運行状況として数駅先までを予測することで、自動列車運転装置４０は、仮に自動列車運転支援装置３０で予測までに時間がかかって直近の遅延に対応できない場合でも、数駅先までの間で遅延を回復する対応を行うことができる。

実施の形態２．
実施の形態１では、自動列車運転支援装置３０が列車１０に搭載される場合について説明した。実施の形態２では、自動列車運転支援装置が列車の外部に設置される場合として、運行管理装置に設置される場合について説明する。なお、実施の形態１と同様の構成については同じ符号を付与し、詳細な説明については省略する。

図９は、実施の形態２に係る自動列車運転支援装置３０ａの設置例を示す第１の図である。図９に示すように、自動列車運転支援装置３０ａは運行管理装置６０ａに設置される。運行管理装置６０ａには、自動列車運転支援装置３０ａの他に、通信部６１、列車順序取得部６２、およびデータ収集装置６３が設置されている。列車１０ａは、通信部１１、および自動列車運転装置４０を搭載している。

列車１０ａにおいて、通信部１１は、運行管理装置６０ａの通信部６１との間で通信を行う。具体的には、通信部１１は、運行管理装置６０ａの通信部６１から、自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況を取得し、自動列車運転装置４０に出力する。また、通信部１１は、列車１０ａに搭載される図示しない車載機器から取得した機器データを、運行管理装置６０ａの通信部６１に出力する。なお、通信部１１は、各車載機器から直接機器データを取得してもよいし、各車載機器から機器データを収集する図示しない車上装置から各車載機器の機器データを取得してもよい。

運行管理装置６０ａは、複数の列車１０ａと無線通信を行い、複数の列車１０ａの運行を管理する。運行管理装置６０ａは、図９の例では列車１０ａが２つであるが、３つ以上の列車１０ａと無線通信を行い、３つ以上の列車１０ａの運行を管理することが可能である。

運行管理装置６０ａにおいて、通信部６１は、列車１０ａの通信部１１との間で通信を行う。具体的には、通信部６１は、列車１０ａの通信部１１から、列車１０ａに搭載される図示しない車載機器からの機器データを取得し、データ収集装置６３に出力する。また、通信部６１は、自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況を、列車１０ａの通信部１１に出力する。通信部６１および列車１０ａの通信部１１は無線通信によって通信を行うが、無線通信の通信方式については特に限定されない。

データ収集装置６３は、通信部６１を介して、列車１０ａの機器データを収集する。データ収集装置６３は、機器データデータベース６４を備え、収集した機器データを機器データデータベース６４に格納する。データ収集装置６３は、実施の形態１のデータ収集装置２０と異なり、複数の列車１０ａの機器データを収集する。なお、データ収集装置６３が各列車１０ａから収集する機器データの内容は、実施の形態１のデータ収集装置２０が列車１０の車載機器から収集する機器データの内容と同様である。

列車順序取得部６２は、データ収集装置６３の機器データデータベース６４に格納されている複数の列車１０ａの運行の順序の情報を取得する。一般的に運行管理装置６０ａは各列車１０ａの運行ダイヤを管理しているため、列車順序取得部６２は、運行管理装置６０ａの図示しないデータベースなどから、複数の列車１０ａの運行の順序の情報を取得することができる。

自動列車運転支援装置３０ａは、図１に示す実施の形態１の自動列車運転支援装置３０に対して、データ抽出部３１および運行予測部３６を、データ抽出部３１ａおよび運行予測部３６ａに置き換えたものである。

データ抽出部３１ａは、運行管理装置６０ａに設置されたデータ収集装置６３が備える機器データデータベース６４から複数の列車１０ａの運行データを取得する。また、データ抽出部３１ａは、列車順序取得部６２から、複数の列車１０ａの運行の順序の情報を取得する。データ抽出部３１ａは、取得した運行データおよび複数の列車１０ａの運行の順序の情報を運行乗車率データベース３２に格納、すなわち記憶させる。なお、自動列車運転支援装置３０ａが複数の列車１０ａの将来の運行状況を予測する際、先行列車、後続列車など各列車１０ａの前後の配置を考慮しない場合、データ抽出部３１ａは、列車順序取得部６２からの複数の列車１０ａの運行の順序の情報を取得しなくてもよい。

運行予測部３６ａは、運行時系列データ作成部３５で作成された運行時系列データを説明変数とし、列車１０ａの将来の運行状況を目的変数として機械学習を行って予測モデルを構築する。運行予測部３６ａは、構築した予測モデルと現在の特徴量とを用いて、列車１０ａの将来の位置を含む列車１０ａの将来の運行状況を予測する。運行予測部３６ａは、予測した列車１０ａの将来の運行状況を、通信部６１を介して列車１０ａに出力する。このとき、運行予測部３６ａは、複数の列車１０ａを対象にして、各列車１０ａの将来の運行状況を予測する。運行予測部３６ａは、例えば、ある予測対象列車の先行列車について次駅の出発が遅延すると予測した場合、予測対象列車についても次駅の到着または出発が遅延すると予測することができる。このような将来の運行状況を取得した予測対象列車の列車１０ａに搭載される自動列車運転装置４０は、次駅までの走行について、走行速度を下げて定刻よりも到着時刻が遅くなるような走行パターンにすることも可能である。これにより、予測対象列車の自動列車運転装置４０は、無駄なエネルギーを消費せずに列車１０ａを走行させることができる。

なお、特徴量抽出部３３、および運行時系列データ作成部３５は、複数の列車１０ａの各々について実施の形態１と同様の動作を行ってもよいし、複数の列車１０ａの運行データを扱うことができることから、実施の形態１で説明した特徴量に加えて予測対象列車の先行列車の運行データを特徴量に追加してもよい。列車１０ａが遅延する場合には、旅客の乗降時間に起因する遅延の他、先行列車の遅延が後続列車に波及するような遅延もある。そのため、先行列車の情報は遅延の予測に有用である。このように、特徴量抽出部３３は、予測対象列車の第１の特徴量に予測対象列車の先行列車の第２の特徴量を追加したものを特徴量として抽出してもよい。また、運行時系列データ作成部３５は、特徴量抽出部３３で抽出された予測対象列車の第１の特徴量および先行列車の第２の特徴量からなる特徴量を用いて、運行時系列データを作成してもよい。

運行予測部３６ａは、複数の列車１０ａを対象にして各列車１０ａの将来の運行状況を予測する場合、予測対象列車について将来の運行状況を予測する際、予測対象列車の特徴量に先行列車の特徴量が追加されたものを特徴量として用いてもよいし、先行列車など他の列車１０について予測した将来の運行状況の結果を用いてもよいし、両方を用いてもよい。

自動列車運転支援装置３０ａの動作について、複数の列車１０ａを予測対象にする点で実施の形態１の自動列車運転支援装置３０と異なるが、動作の流れ自体は図２のフローチャートに示す実施の形態１の自動列車運転支援装置３０の動作の流れと同様である。

ここで、運行管理装置６０ａの通信部６１と列車１０ａの通信部１１との間の無線通信において遅延が発生し、無線通信がリアルタイムに行われない場合を想定する。この場合、運行管理装置６０ａに設置される自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況が列車１０ａの自動列車運転装置４０に届くまでに時間がかかり、自動列車運転装置４０において列車１０ａの将来の運行状況を有効に利用できないことも考えられる。そのため、運行管理装置６０ａの通信部６１と列車１０ａの通信部１１との間の無線通信がリアルタイムに行われないことが予め把握できている場合、運行管理装置で予測モデルの構築までを行い、構築された予測モデルを用いて列車で予測を行うようにしてもよい。

図１０は、実施の形態２に係る自動列車運転支援装置３０ｂの設置例を示す第２の図である。図１０に示すように、自動列車運転支援装置３０ｂは運行管理装置６０ｂに設置される。運行管理装置６０ｂには、自動列車運転支援装置３０ｂの他に、通信部６１、列車順序取得部６２、およびデータ収集装置６３が設置されている。列車１０ｃは、通信部１１、自動列車運転支援装置３０ｃ、および自動列車運転装置４０を搭載している。なお、運行管理装置６０ｂの自動列車運転支援装置３０ｂ、および列車１０ｃの自動列車運転支援装置３０ｃによって、自動列車運転支援システム７０を構成している。

自動列車運転支援装置３０ｂは、図９に示す自動列車運転支援装置３０ａに対して、運行予測部３６ａを学習部３７に置き換えたものである。学習部３７は、運行予測部３６ａの動作のうち、機械学習を行って予測モデルを構築するまでの動作を行う。学習部３７は、特徴量を用いて機械学習を行って予測モデルを構築する。具体的には、学習部３７は、運行時系列データを説明変数とし、列車１０ｃの将来の運行状況を目的変数として機械学習を行って予測モデルを構築する。学習部３７は、機械学習によって構築した予測モデルを、運行管理装置６０ｂの通信部６１、および列車１０ｃの通信部１１を介して、自動列車運転支援装置３０ｃに出力する。なお、学習部３７は、自動列車運転支援装置３０ｃの予測部３８で使用可能な予測モデルを構築することとする。

自動列車運転支援装置３０ｃは、図１に示す自動列車運転支援装置３０に対して、運行予測部３６を予測部３８に置き換えたものである。予測部３８は、運行予測部３６の動作のうち、構築された予測モデルと現在の特徴量とを用いて、列車１０ｃの将来の位置を含む列車１０ｃの将来の運行状況を予測する。なお、列車１０ｃは、図１に示す実施の形態１の列車１０と同様、データ収集装置２０を搭載していてもよい。

以降の説明において、自動列車運転支援装置３０ｂを第１の自動列車運転支援装置と称することがある。自動列車運転支援装置３０ｂにおいて、データ抽出部３１ａを第１のデータ抽出部と称し、運行乗車率データベース３２を第１の運行乗車率データベースと称し、特徴量抽出部３３を第１の特徴量抽出部と称し、特徴量データベース３４を第１の特徴量データベースと称し、運行時系列データ作成部３５を第１の運行時系列データ作成部と称することがある。また、自動列車運転支援装置３０ｃを第２の自動列車運転支援装置と称することがある。自動列車運転支援装置３０ｃにおいて、データ抽出部３１を第２のデータ抽出部と称し、運行乗車率データベース３２を第２の運行乗車率データベースと称し、特徴量抽出部３３を第２の特徴量抽出部と称し、特徴量データベース３４を第２の特徴量データベースと称し、運行時系列データ作成部３５を第２の運行時系列データ作成部と称することがある。

図１０のような構成にすることで、自動列車運転支援装置３０ｃは、列車１０ｃでのリアルタイムな運行予測が可能となる。また、膨大なデータを扱う学習は運行管理装置６０ｂで行われるため、列車１０ｃは、自動列車運転支援装置３０ｃとして高スペックな機器を搭載しなくてもよい。

図１１は、実施の形態２に係る第１の自動列車運転支援装置の動作を示すフローチャートである。第１の自動列車運転支援装置である自動列車運転支援装置３０ｂにおいて、データ抽出部３１ａは、データ収集装置６３が備える機器データデータベース６４から複数の列車１０ｃの運行データを取得し、列車順序取得部６２から、複数の列車１０ｃの運行の順序の情報を取得する（ステップＳ１１）。データ抽出部３１ａは、取得した運行データおよび複数の列車１０ｃの運行の順序の情報を運行乗車率データベース３２に格納（ステップＳ１２）、すなわち記憶させる。図１１に示すフローチャートにおいて、ステップＳ１３からステップＳ１５までの動作は、図２に示すフローチャートのステップＳ３からステップＳ５までの動作と同様である。学習部３７は、運行時系列データを説明変数とし、列車１０ｃの将来の運行状況を目的変数として機械学習を行って予測モデルを構築する（ステップＳ１６）。学習部３７は、機械学習によって構築した予測モデルを、運行管理装置６０ｂの通信部６１、および列車１０ｃの通信部１１を介して、第２の自動列車運転支援装置である自動列車運転支援装置３０ｃに出力する（ステップＳ１７）。

図１２は、実施の形態２に係る第２の自動列車運転支援装置の動作を示すフローチャートである。図１２に示すフローチャートにおいて、ステップＳ２１からステップＳ２５までの動作は、図２に示すフローチャートのステップＳ１からステップＳ５までの動作と同様である。第２の自動列車運転支援装置である自動列車運転支援装置３０ｃは、第１の自動列車運転支援装置である自動列車運転支援装置３０ｂから予測モデルを取得する（ステップＳ２６）。図１２に示すフローチャートにおいて、ステップＳ２７およびステップＳ２８の動作は、図２に示すフローチャートのステップＳ７およびステップＳ８の動作と同様である。自動列車運転支援装置３０ｃが自動列車運転支援装置３０ｂから予測モデルを取得するステップＳ２６の順序については、図１２のパターンに限定されず、ステップＳ２１より前の段階で取得していてもよい。

なお、自動列車運転支援装置３０ａ，３０ｂ，３０ｃは、実施の形態１の自動列車運転支援装置３０と同様、運行時系列データ作成部３５を備えず、運行予測部３６ａまたは学習部３７または予測部３８が特徴量データベース３４から直接特徴量を取得して前述のような動作を行うことも可能である。以降の実施の形態についても同様である。

自動列車運転支援装置３０ａのハードウェア構成について説明する。自動列車運転支援装置３０ａにおいて、運行乗車率データベース３２、および特徴量データベース３４はメモリである。データ抽出部３１ａ、特徴量抽出部３３、運行時系列データ作成部３５、および運行予測部３６ａは処理回路により実現される。処理回路は、プログラムを格納するメモリ、およびメモリに格納されるプログラムを実行するプロセッサであってもよいし、専用のハードウェアであってもよい。

自動列車運転支援装置３０ｂのハードウェア構成について説明する。自動列車運転支援装置３０ｂにおいて、運行乗車率データベース３２、および特徴量データベース３４はメモリである。データ抽出部３１ａ、特徴量抽出部３３、運行時系列データ作成部３５、および学習部３７は処理回路により実現される。処理回路は、プログラムを格納するメモリ、およびメモリに格納されるプログラムを実行するプロセッサであってもよいし、専用のハードウェアであってもよい。

自動列車運転支援装置３０ｃのハードウェア構成について説明する。自動列車運転支援装置３０ｃにおいて、運行乗車率データベース３２、および特徴量データベース３４はメモリである。データ抽出部３１、特徴量抽出部３３、運行時系列データ作成部３５、および予測部３８は処理回路により実現される。処理回路は、プログラムを格納するメモリ、およびメモリに格納されるプログラムを実行するプロセッサであってもよいし、専用のハードウェアであってもよい。

以上説明したように、本実施の形態によれば、自動列車運転支援装置３０ａは、運行管理装置６０ａにおいて膨大なデータを扱う機械学習および予測を行う。これにより、列車１０ａは、実施の形態１の列車１０と比較して、膨大なデータを扱う機械学習および予測を行わないので、高スペックな機器を必要としない。また、自動列車運転支援装置３０ａは、予測対象列車の予測の際に先行列車のデータを特徴量に追加することで、実施の形態１の自動列車運転支援装置３０と比較して、予測精度を向上させることができる。また、自動列車運転支援装置３０ａが複数の列車１０ａの予測を行うため、ある先行列車において遅延、駅停車時間の超過などが予測された場合、このような予測の情報を取得した後続列車の自動列車運転装置４０は、先行列車に近づきすぎないよう、低速で省エネな走行パターンを生成するなど、走行を適切に制御することで、駅間での急減速、機外停止などを未然に防ぐことができる。

また、運行管理装置６０ｂと列車１０ｃとの間でリアルタイムな無線通信ができない場合、自動列車運転支援装置３０ｂが運行管理装置６０ｂにおいて膨大なデータを扱う機械学習を行い、自動列車運転支援装置３０ｃが列車１０ｃで予測を行う。この場合でも、列車１０ｃは、実施の形態１の列車１０と比較して、膨大なデータを扱う機械学習を行わないので、高スペックな機器を必要としない。なお、図１０のような構成、すなわち列車１０ｃで予測を行う場合では、先行列車の特徴量を予測に使用することはできない。そのため、先行列車の特徴量を予測に使用する場合は、予測までを運行管理装置６０ａで行う図９のような構成にする必要がある。

なお、本実施の形態では、運行管理装置６０ａの通信部６１と列車１０ａの通信部１１との間の無線通信において遅延が発生し、無線通信がリアルタイムに行われない場合に、自動列車運転支援装置３０ｂ，３０ｃからなる自動列車運転支援システム７０を用いるようにしたが、自動列車運転支援システム７０の用途はこれに限定されない。例えば、列車１０ｃの運行中に運行管理装置６０ｂと列車１０ｃとの間で機器データなどの送受信を行わない場合、列車１０ｃの運行終了後、運行管理装置６０ｂと列車１０ｃとの間で、記憶媒体を介して機器データ、予測モデルなどのデータのやりとりを行ってもよいし、有線通信によって機器データ、予測モデルなどのデータのやりとりを行ってもよい。以降の実施の形態についても同様とする。

実施の形態３．
実施の形態１では、自動列車運転支援装置３０が列車１０に搭載される場合について説明した。実施の形態３では、自動列車運転支援装置が列車の外部に設置される場合として、クラウドに設置される場合について説明する。クラウドとは、インターネット上でサービスの提供が受けられる利用形態のことであり、クラウドサーバなどと表記してもよい。本実施の形態ではクラウドと表記し、以降の実施の形態についても同様とする。なお、実施の形態１および実施の形態２と同様の構成については同じ符号を付与し、詳細な説明については省略する。

図１３は、実施の形態３に係る自動列車運転支援装置３０ａの設置例を示す第１の図である。図１３に示すように、自動列車運転支援装置３０ａはクラウド５０ａに設置される。クラウド５０ａには、自動列車運転支援装置３０ａの他に、通信部５１、列車順序取得部５２、およびデータ収集装置５３が設置されている。

列車１０ａにおいて、通信部１１は、クラウド５０ａの通信部５１との間で通信を行う。具体的には、通信部１１は、クラウド５０ａの通信部５１から、自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況を取得し、自動列車運転装置４０に出力する。また、通信部１１は、列車１０ａに搭載される図示しない車載機器から取得した機器データを、クラウド５０ａの通信部５１に出力する。

クラウド５０ａは、複数の列車１０ａと無線通信を行う。クラウド５０ａは、図１３の例では列車１０ａが２つであるが、３つ以上の列車１０ａと無線通信を行うことが可能である。

クラウド５０ａにおいて、通信部５１は、列車１０ａの通信部１１との間で通信を行う。具体的には、通信部５１は、列車１０ａの通信部１１から、列車１０ａに搭載される図示しない車載機器からの機器データを取得し、データ収集装置５３に出力する。また、通信部５１は、自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況を、列車１０ａの通信部１１に出力する。通信部５１および列車１０ａの通信部１１は無線通信によって通信を行うが、無線通信の通信方式については特に限定されない。

データ収集装置５３は、通信部５１を介して、列車１０ａの機器データを収集する。データ収集装置５３は、機器データデータベース５４を備え、収集した機器データを機器データデータベース５４に格納する。データ収集装置５３は、実施の形態２のデータ収集装置６３と同様の機能を有する。

列車順序取得部５２は、データ収集装置５３の機器データデータベース５４に格納されている複数の列車１０ａの運行の順序の情報を取得する。列車順序取得部５２は、例えば、列車１０ａの運行ダイヤを管理する図示しない運行管理装置などから、複数の列車１０ａの運行の順序の情報を取得することができる。

自動列車運転支援装置３０ａは、図９に示す実施の形態２の自動列車運転支援装置３０ａと同様の構成であり、図９に示す実施の形態２の自動列車運転支援装置３０ａと同様の機能を有する。そのため、詳細な説明については省略する。ただし、データ抽出部３１ａは、クラウド５０ａに設置されたデータ収集装置５３が備える機器データデータベース５４から複数の列車１０ａの運行データを取得する。また、データ抽出部３１ａは、列車順序取得部５２から、複数の列車１０ａの運行の順序の情報を取得する。また、運行予測部３６ａは、予測した列車１０ａの将来の運行状況を、通信部５１を介して列車１０ａに出力する。

ここで、実施の形態２の場合と同様、クラウド５０ａの通信部５１と列車１０ａの通信部１１との間の無線通信において遅延が発生し、無線通信がリアルタイムに行われない場合を想定する。この場合、クラウド５０ａに設置される自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況が列車１０ａの自動列車運転装置４０に届くまでに時間がかかり、自動列車運転装置４０において列車１０ａの将来の運行状況を有効に利用できないことも考えられる。そのため、クラウド５０ａの通信部５１と列車１０ａの通信部１１との間の無線通信がリアルタイムに行われないことが予め把握できている場合、クラウドで予測モデルの構築までを行い、構築された予測モデルを用いて列車で予測を行うようにしてもよい。

図１４は、実施の形態３に係る自動列車運転支援装置３０ｂの設置例を示す第２の図である。図１４に示すように、自動列車運転支援装置３０ｂはクラウド５０ｂに設置される。クラウド５０ｂには、自動列車運転支援装置３０ｂの他に、通信部５１、列車順序取得部５２、およびデータ収集装置５３が設置されている。列車１０ｃは、通信部１１、自動列車運転支援装置３０ｃ、および自動列車運転装置４０を搭載している。なお、クラウド５０ｂの自動列車運転支援装置３０ｂ、および列車１０ｃの自動列車運転支援装置３０ｃによって、自動列車運転支援システム７０を構成している。

自動列車運転支援装置３０ｂは、図１０に示す実施の形態２の自動列車運転支援装置３０ｂと同様の構成であり、図１０に示す実施の形態２の自動列車運転支援装置３０ｂと同様の機能を有する。そのため、詳細な説明については省略する。同様に、自動列車運転支援装置３０ｃは、図１０に示す実施の形態２の自動列車運転支援装置３０ｃと同様の構成であり、図１０に示す実施の形態２の自動列車運転支援装置３０ｃと同様の機能を有する。そのため、詳細な説明については省略する。

以上説明したように、本実施の形態によれば、自動列車運転支援装置３０ａは、クラウド５０ａにおいて膨大なデータを扱う機械学習および予測を行う。これにより、実施の形態２のときと同様の効果を得ることができる。

実施の形態４．
実施の形態２では自動列車運転支援装置３０ａが運行管理装置６０ａに設置され、実施の形態３では自動列車運転支援装置３０ａがクラウド５０ａに設置される場合について説明した。実施の形態４では、運行管理装置およびクラウドの両方を用いて、自動列車運転支援装置３０ａが運行管理装置に設置され、データ収集装置５３がクラウドに設置される場合について説明する。なお、実施の形態１から実施の形態３までと同様の構成については同じ符号を付与し、詳細な説明については省略する。

図１５は、実施の形態４に係る自動列車運転支援装置３０ａの設置例を示す第１の図である。図１５に示すように、自動列車運転支援装置３０ａは運行管理装置６０ｄに設置される。運行管理装置６０ｄには、自動列車運転支援装置３０ａの他に、通信部６１、および列車順序取得部６２が設置されている。また、クラウド５０ｄには、通信部５１，およびデータ収集装置５３が設置される。列車１０ａは、通信部１１、および自動列車運転装置４０を搭載している。

列車１０ａは、クラウド５０ｄおよび運行管理装置６０ｄの両方と無線通信を行う。具体的には、列車１０ａの通信部１１は、運行管理装置６０ｄの通信部６１から、自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況を取得し、自動列車運転装置４０に出力する。また、通信部１１は、列車１０ａに搭載される図示しない車載機器から取得した機器データを、クラウド５０ｄの通信部５１に出力する。

クラウド５０ｄにおいて、通信部５１は、列車１０ａの通信部１１との間で通信を行う。具体的には、通信部５１は、列車１０ａの通信部１１から、列車１０ａに搭載される図示しない車載機器からの機器データを取得し、データ収集装置５３に出力する。通信部５１および列車１０ａの通信部１１は無線通信によって通信を行うが、無線通信の通信方式については特に限定されない。クラウド５０ｄにおいて、データ収集装置５３の構成および動作は前述の通りである。

運行管理装置６０ｄにおいて、通信部６１は、列車１０ａの通信部１１との間で通信を行う。具体的には、通信部６１は、自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況を、列車１０ａの通信部１１に出力する。通信部６１および列車１０ａの通信部１１は無線通信によって通信を行うが、無線通信の通信方式については特に限定されない。運行管理装置６０ｄにおいて、自動列車運転支援装置３０ａおよび列車順序取得部６２の構成および動作は前述の通りである。

ここで、実施の形態２および実施の形態３の場合と同様、クラウド５０ｄの通信部５１および運行管理装置６０ｄの通信部６１と列車１０ａの通信部１１との間の無線通信において遅延が発生し、無線通信がリアルタイムに行われない場合を想定する。この場合、運行管理装置６０ｄに設置される自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ａの将来の運行状況が列車１０ａの自動列車運転装置４０に届くまでに時間がかかり、自動列車運転装置４０において列車１０ａの将来の運行状況を有効に利用できないことも考えられる。そのため、クラウド５０ｄの通信部５１および運行管理装置６０ｄの通信部６１と列車１０ａの通信部１１との間の無線通信がリアルタイムに行われないことが予め把握できている場合、運行管理装置で予測モデルの構築までを行い、構築された予測モデルを用いて列車で予測を行うようにしてもよい。

図１６は、実施の形態４に係る自動列車運転支援装置３０ｂの設置例を示す第２の図である。図１６に示すように、自動列車運転支援装置３０ｂは運行管理装置６０ｅに設置される。運行管理装置６０ｅには、自動列車運転支援装置３０ｂの他に、通信部６１、および列車順序取得部６２が設置されている。列車１０ｃは、通信部１１、自動列車運転支援装置３０ｃ、および自動列車運転装置４０を搭載している。なお、運行管理装置６０ｅの自動列車運転支援装置３０ｂ、および列車１０ｃの自動列車運転支援装置３０ｃによって、自動列車運転支援システム７０を構成している。

以上説明したように、本実施の形態によれば、自動列車運転支援装置３０ａは、運行管理装置６０ｅにおいて膨大なデータを扱う機械学習および予測を行う。これにより、実施の形態２のときと同様の効果を得ることができる。

実施の形態５．
実施の形態５では、実施の形態２において運行管理装置６０ａに設置されていたデータ収集装置６３が、データ収集装置２０として列車に搭載される場合について説明する。なお、実施の形態１から実施の形態４までと同様の構成については同じ符号を付与し、詳細な説明については省略する。

図１７は、実施の形態５に係る自動列車運転支援装置３０ａの設置例を示す第１の図である。図１７に示すように、自動列車運転支援装置３０ａは運行管理装置６０ｆに設置される。運行管理装置６０ｆには、自動列車運転支援装置３０ａの他に、通信部６１、および列車順序取得部６２が設置されている。列車１０ｆは、通信部１１、データ収集装置２０、および自動列車運転装置４０を搭載している。自動列車運転支援装置３０ａにおいて、データ抽出部３１ａは、列車１０ｆに搭載されたデータ収集装置２０から通信部６１を介して運行データを取得する。

実施の形態５では、列車１０ｆの通信部１１は、列車１０ｆに搭載される図示しない車載機器から取得した機器データのうち、自動列車運転支援装置３０ａで使用される、すなわち自動列車運転支援装置３０ａの学習および予測に使用される機器データのみを運行管理装置６０ｆに出力する。これにより、通信部１１は、実施の形態２の場合と比較して、運行管理装置６０ｆへ送信するデータ量を削減でき、通信効率を向上させることができる。その他の構成の動作は前述の通りである。

ここで、実施の形態２の場合と同様、運行管理装置６０ｆの通信部６１と列車１０ｆの通信部１１との間の無線通信において遅延が発生し、無線通信がリアルタイムに行われない場合を想定する。この場合、運行管理装置６０ｆに設置される自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ｆの将来の運行状況が列車１０ｆの自動列車運転装置４０に届くまでに時間がかかり、自動列車運転装置４０において列車１０ｆの将来の運行状況を有効に利用できないことも考えられる。そのため、運行管理装置６０ｆの通信部６１と列車１０ｆの通信部１１との間の無線通信がリアルタイムに行われないことが予め把握できている場合、運行管理装置で予測モデルの構築までを行い、構築された予測モデルを用いて列車で予測を行うようにしてもよい。

図１８は、実施の形態５に係る自動列車運転支援装置３０ｂの設置例を示す第２の図である。図１８に示すように、自動列車運転支援装置３０ｂは運行管理装置６０ｇに設置される。運行管理装置６０ｇには、自動列車運転支援装置３０ｂの他に、通信部６１、および列車順序取得部６２が設置されている。列車１０ｇは、通信部１１、データ収集装置２０、自動列車運転支援装置３０ｃ、および自動列車運転装置４０を搭載している。なお、運行管理装置６０ｇの自動列車運転支援装置３０ｂ、および列車１０ｇの自動列車運転支援装置３０ｃによって、自動列車運転支援システム７０を構成している。

以上説明したように、本実施の形態によれば、自動列車運転支援装置３０ａは、運行管理装置６０ｆにおいて膨大なデータを扱う機械学習および予測を行う。また、運行管理装置６０ｇと列車１０ｇとの間でリアルタイムな無線通信ができない場合、自動列車運転支援装置３０ｂが運行管理装置６０ｇにおいて膨大なデータを扱う機械学習を行い、自動列車運転支援装置３０ｃが列車１０ｇで予測を行う。これにより、実施の形態２のときと同様の効果を得ることができる。また、本実施の形態では、列車１０ｆから運行管理装置６０ｆへ送信するデータ量を削減でき、列車１０ｇから運行管理装置６０ｇへ送信するデータ量を削減できる。これにより、通信部１１は、実施の形態２の場合と比較して、通信効率を向上させることができる。

実施の形態６．
実施の形態６では、実施の形態３においてクラウド５０ａに設置されていたデータ収集装置５３が、データ収集装置２０として列車に搭載される場合について説明する。なお、実施の形態１から実施の形態５までと同様の構成については同じ符号を付与し、詳細な説明については省略する。

図１９は、実施の形態６に係る自動列車運転支援装置３０ａの設置例を示す第１の図である。図１９に示すように、自動列車運転支援装置３０ａはクラウド５０ｆに設置される。クラウド５０ｆには、自動列車運転支援装置３０ａの他に、通信部５１、および列車順序取得部５２が設置されている。列車１０ｆは、通信部１１、データ収集装置２０、および自動列車運転装置４０を搭載している。自動列車運転支援装置３０ａにおいて、データ抽出部３１ａは、列車１０ｆに搭載されたデータ収集装置２０から通信部５１を介して運行データを取得する。

実施の形態６では、列車１０ｆの通信部１１は、列車１０ｆに搭載される図示しない車載機器から取得した機器データのうち、自動列車運転支援装置３０ａで使用される、すなわち自動列車運転支援装置３０ａの学習および予測に使用される機器データのみをクラウド５０ｆに出力する。これにより、通信部１１は、実施の形態３の場合と比較して、クラウド５０ｆへ送信するデータ量を削減でき、通信効率を向上させることができる。その他の構成の動作は前述の通りである。

ここで、実施の形態３の場合と同様、クラウド５０ｆの通信部５１と列車１０ｆの通信部１１との間の無線通信において遅延が発生し、無線通信がリアルタイムに行われない場合を想定する。この場合、クラウド５０ｆに設置される自動列車運転支援装置３０ａの運行予測部３６ａで予測された列車１０ｆの将来の運行状況が列車１０ｆの自動列車運転装置４０に届くまでに時間がかかり、自動列車運転装置４０において列車１０ｆの将来の運行状況を有効に利用できないことも考えられる。そのため、クラウド５０ｆの通信部５１と列車１０ｆの通信部１１との間の無線通信がリアルタイムに行われないことが予め把握できている場合、クラウドで予測モデルの構築までを行い、構築された予測モデルを用いて列車で予測を行うようにしてもよい。

図２０は、実施の形態６に係る自動列車運転支援装置３０ｂの設置例を示す第２の図である。図２０に示すように、自動列車運転支援装置３０ｂはクラウド５０ｇに設置される。クラウド５０ｇには、自動列車運転支援装置３０ｂの他に、通信部５１、および列車順序取得部５２が設置されている。列車１０ｇは、通信部１１、データ収集装置２０、自動列車運転支援装置３０ｃ、および自動列車運転装置４０を搭載している。なお、クラウド５０ｇの自動列車運転支援装置３０ｂ、および列車１０ｇの自動列車運転支援装置３０ｃによって、自動列車運転支援システム７０を構成している。

自動列車運転支援装置３０ｂは、図１４に示す実施の形態３の自動列車運転支援装置３０ｂと同様の構成であり、図１４に示す実施の形態３の自動列車運転支援装置３０ｂと同様の機能を有する。そのため、詳細な説明については省略する。同様に、自動列車運転支援装置３０ｃは、図１４に示す実施の形態３の自動列車運転支援装置３０ｃと同様の構成であり、図１４に示す実施の形態３の自動列車運転支援装置３０ｃと同様の機能を有する。そのため、詳細な説明については省略する。

以上説明したように、本実施の形態によれば、自動列車運転支援装置３０ａは、クラウド５０ｆにおいて膨大なデータを扱う機械学習および予測を行う。また、クラウド５０ｇと列車１０ｇとの間でリアルタイムな無線通信ができない場合、自動列車運転支援装置３０ｂがクラウド５０ｇにおいて膨大なデータを扱う機械学習を行い、自動列車運転支援装置３０ｃが列車１０ｇで予測を行う。これにより、実施の形態３のときと同様の効果を得ることができる。また、本実施の形態では、列車１０ｆからクラウド５０ｆへ送信するデータ量を削減でき、列車１０ｇからクラウド５０ｇへ送信するデータ量を削減できる。これにより、通信部１１は、実施の形態３の場合と比較して、通信効率を向上させることができる。

以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１０，１０ａ，１０ｃ，１０ｆ，１０ｇ列車、１１，５１，６１通信部、２０，５３，６３データ収集装置、２１，５４，６４機器データデータベース、３０，３０ａ，３０ｂ，３０ｃ自動列車運転支援装置、３１，３１ａデータ抽出部、３２運行乗車率データベース、３３特徴量抽出部、３４特徴量データベース、３５運行時系列データ作成部、３６，３６ａ運行予測部、３７学習部、３８予測部、４０自動列車運転装置、５０ａ，５０ｂ，５０ｄ，５０ｆ，５０ｇクラウド、５２，６２列車順序取得部、６０ａ，６０ｂ，６０ｄ，６０ｅ，６０ｆ，６０ｇ運行管理装置、７０自動列車運転支援システム。

Claims

列車の機器データを収集するデータ収集装置から、前記列車の運行および前記列車の各車両の乗車率を含む運行データを取得するデータ抽出部と、
前記運行データを用いて、前記列車が第１の駅から第２の駅まで走行する走行時間、前記列車が前記第１の駅または前記第２の駅に停車する停車時間、前記走行時間における前記列車の各車両の乗車率についての情報、および前記停車時間における前記列車の各車両の旅客の乗降中の乗車率の変動を示す情報を含む駅間単位の運行データを特徴量として抽出する特徴量抽出部と、
前記特徴量を用いて予測モデルを構築し、前記予測モデルと現在の特徴量とを用いて、前記列車の将来の位置を含む前記列車の将来の運行状況を予測する運行予測部と、
を備えることを特徴とする自動列車運転支援装置。
２以上の異なる駅間の前記特徴量を時系列に組み合わせて運行時系列データを作成する運行時系列データ作成部、
を備え、
前記運行予測部は、前記運行時系列データを説明変数とし、前記列車の将来の運行状況を目的変数として機械学習を行って予測モデルを構築する、
ことを特徴とする請求項１に記載の自動列車運転支援装置。
前記運行時系列データ作成部は、予測対象の前記列車の現在の特徴量に、規定された数の直近の駅間についての特徴量を組み合わせて前記運行時系列データを作成する、
ことを特徴とする請求項２に記載の自動列車運転支援装置。
前記運行データに含まれる前記列車の各車両の乗車率には、前記列車の車両ごとに、前記列車が駅停車中で前記旅客が乗降中の乗車率、および前記列車が走行中の乗車率が含まれ、
前記特徴量抽出部は、前記停車時間における前記列車の各車両の前記旅客の乗降中の乗車率の変動を示す情報として、前記列車が駅停車中の前記旅客の乗降時間における前記乗車率の変動を示す、最大乗車率、最小乗車率、平均乗車率、および前記旅客が乗降中の乗車率の標準偏差のうち少なくとも１つを含む特徴量を抽出する、
ことを特徴とする請求項１から３のいずれか１つに記載の自動列車運転支援装置。
前記運行予測部は、前記列車に含まれる車両のうち前記乗降時間が最も長い車両、または最も降車する旅客が多い車両、または最も乗車する旅客が多い車両、または前記標準偏差が最も大きい車両の特徴量を用いて、当該車両を含む前記列車の将来の運行状況を予測する、
ことを特徴とする請求項４に記載の自動列車運転支援装置。
前記運行予測部は、予測した前記列車の将来の運行状況を、前記列車に搭載される自動列車運転装置に出力する、
ことを特徴とする請求項１から５のいずれか１つに記載の自動列車運転支援装置。
前記列車に搭載される、
ことを特徴とする請求項１から６のいずれか１つに記載の自動列車運転支援装置。
前記列車の運行を管理する運行管理装置またはクラウドに設置される、
ことを特徴とする請求項１から６のいずれか１つに記載の自動列車運転支援装置。
前記運行管理装置または前記クラウドは複数の前記列車と無線通信を行い、
前記データ抽出部は、前記運行管理装置または前記クラウドに設置された前記データ収集装置から複数の前記列車の前記運行データを取得する、
ことを特徴とする請求項８に記載の自動列車運転支援装置。
前記データ抽出部は、前記列車に搭載された前記データ収集装置から通信部を介して前記運行データを取得する、
ことを特徴とする請求項８に記載の自動列車運転支援装置。
前記運行予測部は、複数の列車を対象にして、各列車の将来の運行状況を予測する、
ことを特徴とする請求項８から１０のいずれか１つに記載の自動列車運転支援装置。
前記特徴量抽出部は、予測対象列車の第１の特徴量に前記予測対象列車の先行列車の第２の特徴量を追加したものを前記特徴量として抽出する、
ことを特徴とする請求項８から１１のいずれか１つに記載の自動列車運転支援装置。
列車の運行を管理する運行管理装置またはクラウドに設置される第１の自動列車運転支援装置と、
前記列車に搭載される第２の自動列車運転支援装置と、
を備え、
前記第１の自動列車運転支援装置は、
前記列車の機器データを収集するデータ収集装置から、前記列車の運行および前記列車の各車両の乗車率を含む運行データを取得する第１のデータ抽出部と、
前記運行データを用いて、前記列車が第１の駅から第２の駅まで走行する走行時間、前記列車が前記第１の駅または前記第２の駅に停車する停車時間、前記走行時間における前記列車の各車両の乗車率についての情報、および前記停車時間における前記列車の各車両の旅客の乗降中の乗車率の変動を示す情報を含む駅間単位の運行データを特徴量として抽出する第１の特徴量抽出部と、
前記特徴量を用いて予測モデルを構築する学習部と、
を備え、
前記第２の自動列車運転支援装置は、
前記列車の機器データを収集するデータ収集装置から、前記列車の運行および前記列車の各車両の乗車率を含む運行データを取得する第２のデータ抽出部と、
前記運行データを用いて、前記列車が第１の駅から第２の駅まで走行する走行時間、および前記列車が前記第１の駅または前記第２の駅に停車する停車時間を含む駅間単位の運行データを特徴量として抽出する第２の特徴量抽出部と、
前記予測モデルと現在の特徴量とを用いて、前記列車の将来の位置を含む前記列車の将来の運行状況を予測する予測部と、
を備えることを特徴とする自動列車運転支援システム。
前記第１の自動列車運転支援装置は、
２以上の異なる駅間の前記特徴量を時系列に組み合わせて運行時系列データを作成する第１の運行時系列データ作成部、
を備え、
前記学習部は、前記運行時系列データを説明変数とし、前記列車の将来の運行状況を目的変数として機械学習を行って予測モデルを構築する、
ことを特徴とする請求項１３に記載の自動列車運転支援システム。
前記第１の運行時系列データ作成部は、予測対象の前記列車の現在の特徴量に、規定された数の直近の駅間についての特徴量を組み合わせて前記運行時系列データを作成する、
ことを特徴とする請求項１４に記載の自動列車運転支援システム。
前記運行データに含まれる前記列車の各車両の乗車率には、前記列車の車両ごとに、前記列車が駅停車中で前記旅客が乗降中の乗車率、および前記列車が走行中の乗車率が含まれ、
前記第１の特徴量抽出部および前記第２の特徴量抽出部は、前記停車時間における前記列車の各車両の前記旅客の乗降中の乗車率の変動を示す情報として、前記列車が駅停車中の前記旅客の乗降時間における前記乗車率の変動を示す、最大乗車率、最小乗車率、平均乗車率、および前記旅客が乗降中の乗車率の標準偏差のうち少なくとも１つを含む特徴量を抽出する、
ことを特徴とする請求項１３から１５のいずれか１つに記載の自動列車運転支援システム。
前記予測部は、前記列車に含まれる車両のうち前記乗降時間が最も長い車両、または最も降車する旅客が多い車両、または最も乗車する旅客が多い車両、または前記標準偏差が最も大きい車両の特徴量を用いて、当該車両を含む前記列車の将来の運行状況を予測する、
ことを特徴とする請求項１６に記載の自動列車運転支援システム。
前記予測部は、予測した前記列車の将来の運行状況を、前記列車に搭載される自動列車運転装置に出力する、
ことを特徴とする請求項１３から１７のいずれか１つに記載の自動列車運転支援システム。
データ抽出部が、列車の機器データを収集するデータ収集装置から、前記列車の運行および前記列車の各車両の乗車率を含む運行データを取得する第１のステップと、
特徴量抽出部が、前記運行データを用いて、前記列車が第１の駅から第２の駅まで走行する走行時間、前記列車が前記第１の駅または前記第２の駅に停車する停車時間、前記走行時間における前記列車の各車両の乗車率についての情報、および前記停車時間における前記列車の各車両の旅客の乗降中の乗車率の変動を示す情報を含む駅間単位の運行データを特徴量として抽出する第２のステップと、
運行予測部が、前記特徴量を用いて予測モデルを構築する第３のステップと、
前記運行予測部が、前記予測モデルと現在の特徴量とを用いて、前記列車の将来の位置を含む前記列車の将来の運行状況を予測する第４のステップと、
を含むことを特徴とする自動列車運転支援方法。