JPH06348992A - 道路情報表示装置 - Google Patents
道路情報表示装置Info
- Publication number
- JPH06348992A JPH06348992A JP16522093A JP16522093A JPH06348992A JP H06348992 A JPH06348992 A JP H06348992A JP 16522093 A JP16522093 A JP 16522093A JP 16522093 A JP16522093 A JP 16522093A JP H06348992 A JPH06348992 A JP H06348992A
- Authority
- JP
- Japan
- Prior art keywords
- data
- road information
- traffic information
- time
- traffic
- 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.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
(57)【要約】
【目的】 渋滞状況等の変化予測を得て旅行時間計算に
おける渋滞状況等の変化による計算誤差を少なくし、付
加価値の高い道路情報を得る。 【構成】 道路情報収集システム２は道路上の各種セン
サ１によって収集した道路情報を内部加工し、加工した
データを道路情報表示システム３及び道路情報解析シス
テム４に配付する。道路情報解析システム４は道路情報
収集システム２から配付されたデータをデータ蓄積装置
５に蓄積するとともに、当該データとデータ蓄積装置５
に蓄積されたデータとを基にニューラルネットの手法で
予測データを作成し、この予測データを道路情報表示シ
ステム３に配付する。道路情報表示システム３は道路情
報収集システム２から配付されたデータ及び道路情報解
析システム４から配付された予測データから、現在及び
将来の道路状況や旅行時間等を算出し、これらを道路上
の各種表示／放送設備６から表示／放送する。
おける渋滞状況等の変化による計算誤差を少なくし、付
加価値の高い道路情報を得る。 【構成】 道路情報収集システム２は道路上の各種セン
サ１によって収集した道路情報を内部加工し、加工した
データを道路情報表示システム３及び道路情報解析シス
テム４に配付する。道路情報解析システム４は道路情報
収集システム２から配付されたデータをデータ蓄積装置
５に蓄積するとともに、当該データとデータ蓄積装置５
に蓄積されたデータとを基にニューラルネットの手法で
予測データを作成し、この予測データを道路情報表示シ
ステム３に配付する。道路情報表示システム３は道路情
報収集システム２から配付されたデータ及び道路情報解
析システム４から配付された予測データから、現在及び
将来の道路状況や旅行時間等を算出し、これらを道路上
の各種表示／放送設備６から表示／放送する。
Description
【０００１】
【産業上の利用分野】本発明は道路情報表示装置に関
し、特に高速道路等の渋滞情報の提供が重要な場合の道
路情報表示方式に関する。
し、特に高速道路等の渋滞情報の提供が重要な場合の道
路情報表示方式に関する。
【０００２】
【従来の技術】従来、この種の道路情報表示方式におい
ては、センサ等によって検知された現在の高速道路の渋
滞情報等を示す現状値のみを表示し、現在の道路情報を
提供している。
ては、センサ等によって検知された現在の高速道路の渋
滞情報等を示す現状値のみを表示し、現在の道路情報を
提供している。
【０００３】また、旅行時間の計算においても現状値を
単純に加算したものであり、時間経過による状況変化が
考慮に入れられていないため、長い区間の旅行時間その
ものの精度を期待することができない。
単純に加算したものであり、時間経過による状況変化が
考慮に入れられていないため、長い区間の旅行時間その
ものの精度を期待することができない。
【０００４】
【発明が解決しようとする課題】上述した従来の道路情
報表示方式では、将来的な渋滞予測が基本的に不可能で
あるため、運転者に対して渋滞状況の変化予測を提供す
ることができないという問題がある。
報表示方式では、将来的な渋滞予測が基本的に不可能で
あるため、運転者に対して渋滞状況の変化予測を提供す
ることができないという問題がある。
【０００５】また、旅行時間を計算する場合にも現在の
渋滞状況のみを考慮して計算を行っているため、特に長
い区間の旅行時間を計算する場合、渋滞状況等の変化に
よって計算の誤差が大きくなるという問題がある。
渋滞状況のみを考慮して計算を行っているため、特に長
い区間の旅行時間を計算する場合、渋滞状況等の変化に
よって計算の誤差が大きくなるという問題がある。
【０００６】そこで、本発明の目的は上記問題点を解消
し、渋滞状況等の変化予測を得ることができ、旅行時間
計算における渋滞状況等の変化による計算誤差を少なく
して付加価値の高い道路情報を得ることができる道路情
報表示装置を提供することにある。
し、渋滞状況等の変化予測を得ることができ、旅行時間
計算における渋滞状況等の変化による計算誤差を少なく
して付加価値の高い道路情報を得ることができる道路情
報表示装置を提供することにある。
【０００７】
【課題を解決するための手段】本発明による道路情報表
示装置は、道路上の走行車両の走行状態を示す道路情報
を収集する収集手段と、この収集した道路情報を蓄積す
る蓄積手段と、前記収集手段によって収集された現時点
の道路情報と前記蓄積手段に蓄積された現時点以前の道
路情報とを基に所定時間後の道路情報を予測する予測手
段と、その予測された前記所定時間後の道路情報を通知
する手段とを備えている。
示装置は、道路上の走行車両の走行状態を示す道路情報
を収集する収集手段と、この収集した道路情報を蓄積す
る蓄積手段と、前記収集手段によって収集された現時点
の道路情報と前記蓄積手段に蓄積された現時点以前の道
路情報とを基に所定時間後の道路情報を予測する予測手
段と、その予測された前記所定時間後の道路情報を通知
する手段とを備えている。
【０００８】
【実施例】次に、本発明の一実施例について図面を参照
して説明する。
して説明する。
【０００９】図１は本発明の一実施例の構成を示すブロ
ック図である。図において、道路情報収集システム２は
道路上の各種センサ１によって道路上の走行車両の数や
速度、及び密度等のデータを収集する。
ック図である。図において、道路情報収集システム２は
道路上の各種センサ１によって道路上の走行車両の数や
速度、及び密度等のデータを収集する。
【００１０】道路情報収集システム２はこれらデータを
内部加工し、加工したデータを予め設定されたフォーマ
ットで道路情報表示システム３及び道路情報解析システ
ム４に夫々配付する。
内部加工し、加工したデータを予め設定されたフォーマ
ットで道路情報表示システム３及び道路情報解析システ
ム４に夫々配付する。
【００１１】道路情報解析システム４は道路情報収集シ
ステム２から配付されたデータをデータ蓄積装置５に蓄
積するとともに、当該データとデータ蓄積装置５に蓄積
されたデータとを基にニューラルネットの手法で渋滞状
況等の将来予測を行う。道路情報解析システム４は予測
したデータを道路情報表示システム３に配付する。
ステム２から配付されたデータをデータ蓄積装置５に蓄
積するとともに、当該データとデータ蓄積装置５に蓄積
されたデータとを基にニューラルネットの手法で渋滞状
況等の将来予測を行う。道路情報解析システム４は予測
したデータを道路情報表示システム３に配付する。
【００１２】このニューラルネットの手法は過去におい
て蓄積されたデータパターンと現在のデータパターンと
を比較することによって、将来発生する事象を予測する
手法である。また、このニューラルネットの手法は過去
における蓄積データが十分であれば、かなり精度良く将
来予測を行うことができる。
て蓄積されたデータパターンと現在のデータパターンと
を比較することによって、将来発生する事象を予測する
手法である。また、このニューラルネットの手法は過去
における蓄積データが十分であれば、かなり精度良く将
来予測を行うことができる。
【００１３】道路情報解析システム４においては道路情
報収集システム２からの配付データのデータ蓄積装置５
への蓄積と、当該データとデータ蓄積装置５に蓄積され
たデータとに基づいた将来予測とを同時に行うことが可
能である。よって、将来予測を行えば行うほど予測精度
の向上が期待できる。
報収集システム２からの配付データのデータ蓄積装置５
への蓄積と、当該データとデータ蓄積装置５に蓄積され
たデータとに基づいた将来予測とを同時に行うことが可
能である。よって、将来予測を行えば行うほど予測精度
の向上が期待できる。
【００１４】さらに、道路情報解析システム４では道路
情報収集システム２から今回配付されたデータを前回デ
ータが配付されたときに予測した値と比較することで、
データ予測精度の評価をも行う。
情報収集システム２から今回配付されたデータを前回デ
ータが配付されたときに予測した値と比較することで、
データ予測精度の評価をも行う。
【００１５】道路情報表示システム３は道路情報収集シ
ステム２から配付されたデータ（現在の道路状況）及び
道路情報解析システム４から配付されたデータ（将来の
道路状況予測）から、現在及び将来の道路状況や旅行時
間等を算出し、これらを道路上の各種表示／放送設備６
から表示／放送して走行車両の運転者に通知する。
ステム２から配付されたデータ（現在の道路状況）及び
道路情報解析システム４から配付されたデータ（将来の
道路状況予測）から、現在及び将来の道路状況や旅行時
間等を算出し、これらを道路上の各種表示／放送設備６
から表示／放送して走行車両の運転者に通知する。
【００１６】図２は図１の道路情報解析システム４の構
成を示すブロック図である。図において、道路情報解析
システム４はリアルタイム処理部４０とバッチ処理部４
６とから構成されている。
成を示すブロック図である。図において、道路情報解析
システム４はリアルタイム処理部４０とバッチ処理部４
６とから構成されている。
【００１７】リアルタイム処理部４０は常時動作してお
り、データ受信部４１を介して道路情報収集システム２
からの配付データを受取ると、当該配付データをニュー
ラルネット本体４３に送出するとともに、当該配付デー
タをデータ書込み部４５を介してデータ蓄積装置５に書
込む。
り、データ受信部４１を介して道路情報収集システム２
からの配付データを受取ると、当該配付データをニュー
ラルネット本体４３に送出するとともに、当該配付デー
タをデータ書込み部４５を介してデータ蓄積装置５に書
込む。
【００１８】ここで、道路情報収集システム２からの配
付データとしては複数地点における現時点の速度や交通
量が入力され、データ蓄積装置５から読出した蓄積デー
タとしては近い過去におけるデータが入力される。
付データとしては複数地点における現時点の速度や交通
量が入力され、データ蓄積装置５から読出した蓄積デー
タとしては近い過去におけるデータが入力される。
【００１９】ニューラルネット本体４３はデータ受信部
４１から送られてきた道路情報収集システム２からの配
付データと、データ読出し部４２がデータ蓄積装置５か
ら読出した蓄積データとを基に予測データを作成する。
４１から送られてきた道路情報収集システム２からの配
付データと、データ読出し部４２がデータ蓄積装置５か
ら読出した蓄積データとを基に予測データを作成する。
【００２０】例えば、リアルタイム処理部４０はデータ
受信部４１を介して道路情報収集システム２から速度デ
ータＶMNを受信すると、この速度データＶMNの受信と同
時にデータ読出し部４２を用いてデータ蓄積装置５から
過去の速度データＶ-LN を読出す。
受信部４１を介して道路情報収集システム２から速度デ
ータＶMNを受信すると、この速度データＶMNの受信と同
時にデータ読出し部４２を用いてデータ蓄積装置５から
過去の速度データＶ-LN を読出す。
【００２１】ここで、速度データＶMNは時刻Ｍの地点Ｎ
における通過車両の平均速度であり、速度データＶ-LN
は過去の時刻Ｌの地点Ｎにおける通過車両の平均速度で
ある。尚、現在を０とすると、過去の時刻Ｌは負の値で
表される。
における通過車両の平均速度であり、速度データＶ-LN
は過去の時刻Ｌの地点Ｎにおける通過車両の平均速度で
ある。尚、現在を０とすると、過去の時刻Ｌは負の値で
表される。
【００２２】リアルタイム処理部４０はこれら速度デー
タＶMNと過去の速度データＶ-LN とからニューラルネッ
ト本体４３を用いて将来の速度データＶPNを予測して道
路情報表示システム３に配付する。このとき、道路情報
収集システム２からの速度データＶMNはデータ書込み部
４５を介してデータ蓄積装置５に書込まれる。
タＶMNと過去の速度データＶ-LN とからニューラルネッ
ト本体４３を用いて将来の速度データＶPNを予測して道
路情報表示システム３に配付する。このとき、道路情報
収集システム２からの速度データＶMNはデータ書込み部
４５を介してデータ蓄積装置５に書込まれる。
【００２３】一方、バッチ処理部４６は定期的に起動さ
れ、データ読出し部４８を介してデータ蓄積装置５から
読出した遠い過去のデータを含む蓄積データを基にニュ
ーラルネット精度向上部４７でバックプロパゲーション
を行い、新しいニューラルネットウェイト（重み）値
（予測パラメータ）を作成する。
れ、データ読出し部４８を介してデータ蓄積装置５から
読出した遠い過去のデータを含む蓄積データを基にニュ
ーラルネット精度向上部４７でバックプロパゲーション
を行い、新しいニューラルネットウェイト（重み）値
（予測パラメータ）を作成する。
【００２４】バッチ処理部４６はこの新しいニューラル
ネットウェイト値をリアルタイム処理部４０のニューラ
ルネット本体４３に通知し、ニューラルネット本体４３
で作成される予測データの精度を向上させる。
ネットウェイト値をリアルタイム処理部４０のニューラ
ルネット本体４３に通知し、ニューラルネット本体４３
で作成される予測データの精度を向上させる。
【００２５】図３は図２のニューラルネット本体４３の
構成例を示す図である。図において、ニューラルネット
本体４３はノード１−１〜１−５，２−１〜２−５，３
−１〜３−５，４−１〜４−５からなり、５つの入力デ
ータ〜で５つの出力データ〜を得ることができ
る。
構成例を示す図である。図において、ニューラルネット
本体４３はノード１−１〜１−５，２−１〜２−５，３
−１〜３−５，４−１〜４−５からなり、５つの入力デ
ータ〜で５つの出力データ〜を得ることができ
る。
【００２６】図４は図３の入力データ〜の規格化の
一例を示す図である。図において、入力データ〜は
速度データを０〜１の間に規格化したものであり、この
規格化の方法はシグモイド関数による。
一例を示す図である。図において、入力データ〜は
速度データを０〜１の間に規格化したものであり、この
規格化の方法はシグモイド関数による。
【００２７】この入力データ〜としては具体的に、 入力データ＝時刻Ｔ分、地点Ｎキロポストにおける平
均速度を規格化したもの 入力データ＝時刻（Ｔ−５）分、地点Ｎキロポストに
おける平均速度を規格化したもの 入力データ＝時刻（Ｔ−１０）分、地点Ｎキロポスト
における平均速度を規格化したもの 入力データ＝時刻Ｔ分、地点（Ｎ＋２）キロポストに
おける平均速度を規格化したもの 入力データ＝時刻（Ｔ−１０）分、地点（Ｎ−２）キ
ロポストにおける平均速度を規格化したものを考えるこ
とができる。
均速度を規格化したもの 入力データ＝時刻（Ｔ−５）分、地点Ｎキロポストに
おける平均速度を規格化したもの 入力データ＝時刻（Ｔ−１０）分、地点Ｎキロポスト
における平均速度を規格化したもの 入力データ＝時刻Ｔ分、地点（Ｎ＋２）キロポストに
おける平均速度を規格化したもの 入力データ＝時刻（Ｔ−１０）分、地点（Ｎ−２）キ
ロポストにおける平均速度を規格化したものを考えるこ
とができる。
【００２８】図５は時刻Ｔ付近、地点Ｎキロポスト付近
の平均速度の一例を示す図である。図において、地点
（Ｎ−２）キロポストでは時刻（Ｔ−１０）分の平均速
度が８０ｋｍ／ｈ、時刻（Ｔ−５）分の平均速度が７０
ｋｍ／ｈ、時刻Ｔ分の平均速度が６０ｋｍ／ｈであるこ
とを示している。
の平均速度の一例を示す図である。図において、地点
（Ｎ−２）キロポストでは時刻（Ｔ−１０）分の平均速
度が８０ｋｍ／ｈ、時刻（Ｔ−５）分の平均速度が７０
ｋｍ／ｈ、時刻Ｔ分の平均速度が６０ｋｍ／ｈであるこ
とを示している。
【００２９】また、地点Ｎキロポストでは時刻（Ｔ−１
０）分の平均速度が７０ｋｍ／ｈ、時刻（Ｔ−５）分の
平均速度が６０ｋｍ／ｈ、時刻Ｔ分の平均速度が５０ｋ
ｍ／ｈであることを示している。
０）分の平均速度が７０ｋｍ／ｈ、時刻（Ｔ−５）分の
平均速度が６０ｋｍ／ｈ、時刻Ｔ分の平均速度が５０ｋ
ｍ／ｈであることを示している。
【００３０】さらに、地点（Ｎ＋２）キロポストでは時
刻（Ｔ−１０）分の平均速度が５０ｋｍ／ｈ、時刻（Ｔ
−５）分の平均速度が５０ｋｍ／ｈ、時刻Ｔ分の平均速
度が５０ｋｍ／ｈであることを示している。
刻（Ｔ−１０）分の平均速度が５０ｋｍ／ｈ、時刻（Ｔ
−５）分の平均速度が５０ｋｍ／ｈ、時刻Ｔ分の平均速
度が５０ｋｍ／ｈであることを示している。
【００３１】これら図３〜図５を用いてニューラルネッ
ト本体４３の処理動作の一例について説明する。
ト本体４３の処理動作の一例について説明する。
【００３２】時刻Ｔ付近、地点Ｎキロポスト付近の平均
速度が図５に示すような値のとき、入力データ〜は
夫々、入力データ＝０．５、入力データ＝０．６、
入力データ＝０．７、入力データ＝０．５、入力デ
ータ＝０．６となる。
速度が図５に示すような値のとき、入力データ〜は
夫々、入力データ＝０．５、入力データ＝０．６、
入力データ＝０．７、入力データ＝０．５、入力デ
ータ＝０．６となる。
【００３３】これら入力データ〜が入力されるノー
ド１−１〜１−５の値は夫々、ノード１−１＝０．５、
ノード１−２＝０．６、ノード１−３＝０．７、ノード
１−４＝０．５、ノード１−５＝０．６となる。
ド１−１〜１−５の値は夫々、ノード１−１＝０．５、
ノード１−２＝０．６、ノード１−３＝０．７、ノード
１−４＝０．５、ノード１−５＝０．６となる。
【００３４】次に、ノード２−１〜２−５の値を求める
が、その場合の計算式は、 ノード２−ｉ＝（ノード１−１）×Ｗ2i1 ＋（ノード１
−２）×Ｗ2i2＋（ノード１−３）×Ｗ2i3 ＋（ノード
１−４）×Ｗ2i4＋（ノード１−５）×Ｗ2i5 となる。この場合、ｉ＝１，２，３，４，５である。ま
た、Ｗ2i1 〜Ｗ2i5 はニューラルネットウェイト値（予
測パラメータ）であり、このニューラルネットウェイト
値を変えることによって予測値が変わることとなる。
が、その場合の計算式は、 ノード２−ｉ＝（ノード１−１）×Ｗ2i1 ＋（ノード１
−２）×Ｗ2i2＋（ノード１−３）×Ｗ2i3 ＋（ノード
１−４）×Ｗ2i4＋（ノード１−５）×Ｗ2i5 となる。この場合、ｉ＝１，２，３，４，５である。ま
た、Ｗ2i1 〜Ｗ2i5 はニューラルネットウェイト値（予
測パラメータ）であり、このニューラルネットウェイト
値を変えることによって予測値が変わることとなる。
【００３５】この場合、Ｗ2i1 ＋Ｗ2i2 ＋Ｗ2i3 ＋Ｗ2i
4 ＋Ｗ2i5 ＝１の条件を満たせば、ノード２−１〜２−
５各々の値も０〜１の間となる。上記の計算式及び条件
をノード３−１〜３−５，４−１〜４−５に適用するこ
とで、ノード４−１〜４−５の出力データ〜から予
測値を得ることができる。
4 ＋Ｗ2i5 ＝１の条件を満たせば、ノード２−１〜２−
５各々の値も０〜１の間となる。上記の計算式及び条件
をノード３−１〜３−５，４−１〜４−５に適用するこ
とで、ノード４−１〜４−５の出力データ〜から予
測値を得ることができる。
【００３６】ノード１−２〜１−２−５，３−１〜３−
５，４−１〜４−５各々におけるニューラルネットウェ
イト値を全て決めることで、５つの予測値を得ることが
できる。
５，４−１〜４−５各々におけるニューラルネットウェ
イト値を全て決めることで、５つの予測値を得ることが
できる。
【００３７】ここで、ノード４−３の出力データを時
刻（Ｔ＋５）分、地点Ｎの予測速度データとした場合、
出力データ＝０．５３であったとすると、図４のシグ
モイド関数によって逆換算することで、約５３ｋｍ／ｈ
という予測平均速度を得ることができる。
刻（Ｔ＋５）分、地点Ｎの予測速度データとした場合、
出力データ＝０．５３であったとすると、図４のシグ
モイド関数によって逆換算することで、約５３ｋｍ／ｈ
という予測平均速度を得ることができる。
【００３８】上述した如く、ノード４−１〜４−５の出
力データ〜から予測値を得ることができるが、予測
値の精度を向上させるために重要となるのはニューラル
ネットウェイト値（Ｗ値）である。
力データ〜から予測値を得ることができるが、予測
値の精度を向上させるために重要となるのはニューラル
ネットウェイト値（Ｗ値）である。
【００３９】このニューラルネットウェイト値を過去に
蓄えられた実データから帰納的に求めることで、予測値
の精度を向上させることができる。具体的には、５つの
入力と１つの出力の組を多数用意し、これによってニュ
ーラルネット本体４３をトレーニングすることで最適な
ニューラルネットウェイト値を算出する。この処理をバ
ックプロパゲーションという。
蓄えられた実データから帰納的に求めることで、予測値
の精度を向上させることができる。具体的には、５つの
入力と１つの出力の組を多数用意し、これによってニュ
ーラルネット本体４３をトレーニングすることで最適な
ニューラルネットウェイト値を算出する。この処理をバ
ックプロパゲーションという。
【００４０】上記の構成を拡張し、道路全域からデータ
を収集して処理することで、道路全域にわたって平均速
度や渋滞状況等の変化予測を得ることができる。よっ
て、その変化予測を用いることで旅行時間計算における
渋滞状況等の変化による計算誤差を少なくし、付加価値
の高い道路情報を得ることができる。
を収集して処理することで、道路全域にわたって平均速
度や渋滞状況等の変化予測を得ることができる。よっ
て、その変化予測を用いることで旅行時間計算における
渋滞状況等の変化による計算誤差を少なくし、付加価値
の高い道路情報を得ることができる。
【００４１】このように、各種センサ１及び道路情報収
集システム２を用いて収集した現時点の道路上の走行車
両の走行状態を示す道路情報と、データ蓄積装置５に蓄
積された現時点以前の道路情報とを基に道路情報解析シ
ステム４でニューラルネットの手法で所定時間後の道路
情報を予測し、この道路情報を道路情報表示システム３
及び各種表示／放送設備６を用いて表示／放送すること
によって、渋滞状況等の変化予測を得ることができ、旅
行時間計算における渋滞状況等の変化による計算誤差を
少なくして付加価値の高い道路情報を得ることができ
る。
集システム２を用いて収集した現時点の道路上の走行車
両の走行状態を示す道路情報と、データ蓄積装置５に蓄
積された現時点以前の道路情報とを基に道路情報解析シ
ステム４でニューラルネットの手法で所定時間後の道路
情報を予測し、この道路情報を道路情報表示システム３
及び各種表示／放送設備６を用いて表示／放送すること
によって、渋滞状況等の変化予測を得ることができ、旅
行時間計算における渋滞状況等の変化による計算誤差を
少なくして付加価値の高い道路情報を得ることができ
る。
【００４２】
【発明の効果】以上説明したように本発明によれば、道
路上の走行車両の走行状態を示す道路情報を収集し、こ
の収集された現時点の道路情報と蓄積された現時点以前
の道路情報とを基に所定時間後の道路情報を予測し、そ
の予測した所定時間後の道路情報を表示することによっ
て、渋滞状況等の変化予測を得ることができ、旅行時間
計算における渋滞状況等の変化による計算誤差を少なく
して付加価値の高い道路情報を得ることができるという
効果がある。
路上の走行車両の走行状態を示す道路情報を収集し、こ
の収集された現時点の道路情報と蓄積された現時点以前
の道路情報とを基に所定時間後の道路情報を予測し、そ
の予測した所定時間後の道路情報を表示することによっ
て、渋滞状況等の変化予測を得ることができ、旅行時間
計算における渋滞状況等の変化による計算誤差を少なく
して付加価値の高い道路情報を得ることができるという
効果がある。
【図１】本発明の一実施例の構成を示すブロック図であ
る。
る。
【図２】図１の道路情報解析システムの構成を示すブロ
ック図である。
ック図である。
【図３】図２のニューラルネット本体の構成例を示す図
である。
である。
【図４】図３の入力データ〜の規格化の一例を示す
図である。
図である。
【図５】時刻Ｔ付近、地点Ｎキロポスト付近の平均速度
の一例を示す図である。
の一例を示す図である。
１ 各種センサ ２ 道路情報収集システム ３ 道路情報表示システム ４ 道路情報解析システム ５ データ蓄積装置 ６ 各種表示／放送設備 ４０ リアルタイム処理部 ４３ ニューラルネット本体 ４６ バッチ処理部 ４７ ニューラルネット精度向上部
Claims (2)
- 【請求項１】 道路上の走行車両の走行状態を示す道路
情報を収集する収集手段と、この収集した道路情報を蓄
積する蓄積手段と、前記収集手段によって収集された現
時点の道路情報と前記蓄積手段に蓄積された現時点以前
の道路情報とを基に所定時間後の道路情報を予測する予
測手段と、その予測された前記所定時間後の道路情報を
通知する手段とを有することを特徴とする道路情報表示
装置。 - 【請求項２】 前記予測手段は、ニューラルネットを用
いて前記所定時間後の道路情報を予測するよう構成した
ことを特徴とする請求項１記載の道路情報表示装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16522093A JPH06348992A (ja) | 1993-06-10 | 1993-06-10 | 道路情報表示装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16522093A JPH06348992A (ja) | 1993-06-10 | 1993-06-10 | 道路情報表示装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06348992A true JPH06348992A (ja) | 1994-12-22 |
Family
ID=15808139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP16522093A Pending JPH06348992A (ja) | 1993-06-10 | 1993-06-10 | 道路情報表示装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06348992A (ja) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0415800A (ja) * | 1990-05-01 | 1992-01-21 | Nagoya Denki Kogyo Kk | 駐車状況測定方法 |
| JPH0451399A (ja) * | 1990-06-20 | 1992-02-19 | Hitachi Ltd | 交通管制方式 |
-
1993
- 1993-06-10 JP JP16522093A patent/JPH06348992A/ja active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0415800A (ja) * | 1990-05-01 | 1992-01-21 | Nagoya Denki Kogyo Kk | 駐車状況測定方法 |
| JPH0451399A (ja) * | 1990-06-20 | 1992-02-19 | Hitachi Ltd | 交通管制方式 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A shockwave profile model for traffic flow on congested urban arterials | |
| JP5374067B2 (ja) | 交通状態シミュレーション装置及びプログラム | |
| Abdel-Aty et al. | Crash risk assessment using intelligent transportation systems data and real-time intervention strategies to improve safety on freeways | |
| EP0670066B1 (en) | Prediction method of traffic parameters | |
| US9111442B2 (en) | Estimating incident duration | |
| Duret et al. | Traffic state estimation based on Eulerian and Lagrangian observations in a mesoscopic modeling framework | |
| Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
| CN107832866A (zh) | 一种流量预测方法及装置、存储介质、终端 | |
| Polson et al. | Bayesian analysis of traffic flow on interstate I-55: The LWR model | |
| Moonam et al. | Utilizing data mining techniques to predict expected freeway travel time from experienced travel time | |
| Liang et al. | City traffic prediction based on real-time traffic information for intelligent transport systems | |
| CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
| Padiath et al. | Prediction of traffic density for congestion analysis under Indian traffic conditions | |
| Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
| Vanajakshi | Estimation and prediction of travel time from loop detector data for intelligent transportation systems applications | |
| JP4313457B2 (ja) | 移動時間予測システム、プログラム記録媒体、移動時間予測方法、情報提供装置、および情報入手装置 | |
| Li et al. | A comparative study on data segregation for mesoscopic energy modeling | |
| Moreira-Matias et al. | Concept neurons–handling drift issues for real-time industrial data mining | |
| KR20190140770A (ko) | 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치 | |
| Kabir et al. | Time-Series fuel consumption prediction assessing delay impacts on energy using vehicular trajectory | |
| Horváth et al. | Real-time queue length estimation applying shockwave theory at urban signalized intersections | |
| JPH06348992A (ja) | 道路情報表示装置 | |
| Sheu | Erratum: A stochastic modeling approach to real-time prediction of queue overflows | |
| Samal et al. | Speedpro: A predictive multi-model approach for urban traffic speed estimation | |
| KR100532145B1 (ko) | 교통정보 제공장치에서의 원시자료 수집 제공 장치 |