JPH07220193A - 交通状況判別装置 - Google Patents
交通状況判別装置Info
- Publication number
- JPH07220193A JPH07220193A JP6026318A JP2631894A JPH07220193A JP H07220193 A JPH07220193 A JP H07220193A JP 6026318 A JP6026318 A JP 6026318A JP 2631894 A JP2631894 A JP 2631894A JP H07220193 A JPH07220193 A JP H07220193A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- traffic
- learning
- parking
- offset
- 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】 簡易な構成の２種類のニューラルネットワー
クを用いて、システムの休止期間を極力最小に抑えるこ
とで、交通環境の変化にも正確なる交通状況を判別し得
るものである。 【構成】 入力データと教師データとにより重み係数と
オフセットとを算定する学習用ニューラルネットワーク
７と、該学習用ニューラルネットワークの重み係数とオ
フセットとを入力し交通状況の判別を行う実行用ニュー
ラルネットワーク８とを具備した交通状況判別装置であ
る。
クを用いて、システムの休止期間を極力最小に抑えるこ
とで、交通環境の変化にも正確なる交通状況を判別し得
るものである。 【構成】 入力データと教師データとにより重み係数と
オフセットとを算定する学習用ニューラルネットワーク
７と、該学習用ニューラルネットワークの重み係数とオ
フセットとを入力し交通状況の判別を行う実行用ニュー
ラルネットワーク８とを具備した交通状況判別装置であ
る。
Description
【０００１】
【産業上の利用分野】本発明は、ニューラルネットワー
クの手法を用い、高速道路のサービスエリアやパーキン
グエリアの駐車状況、一般道路や高速道路の渋滞状況等
を判別する装置であって、交通環境の変化（例えば、交
通量の増加）によって判定基準の更新が必要となる交通
系の監視に適した交通状況判別装置に関する。
クの手法を用い、高速道路のサービスエリアやパーキン
グエリアの駐車状況、一般道路や高速道路の渋滞状況等
を判別する装置であって、交通環境の変化（例えば、交
通量の増加）によって判定基準の更新が必要となる交通
系の監視に適した交通状況判別装置に関する。
【０００２】
【従来の技術】従来におけるニューラルネットワークの
手法を用い交通状況（駐車状況）を測定する装置として
は、本出願人会社が既に出願した特開平４−１５８００
号公報に記載した技術がある。以下、この駐車状況測定
装置を図２と共に説明する。
手法を用い交通状況（駐車状況）を測定する装置として
は、本出願人会社が既に出願した特開平４−１５８００
号公報に記載した技術がある。以下、この駐車状況測定
装置を図２と共に説明する。
【０００３】図２（ａ）において、１は駐車場であり、
駐車ブロック１1 〜１n が設けられている。２は駐車状
況を測定する測定装置、３はテレビカメラにより撮影さ
れた映像信号を画像処理し駐車ブロックの代表エリアの
駐車率を測定する代表エリア駐車状況測定装置である。
４，５は同じく画像処理により入車率と出車率を測定す
る測定装置である。
駐車ブロック１1 〜１n が設けられている。２は駐車状
況を測定する測定装置、３はテレビカメラにより撮影さ
れた映像信号を画像処理し駐車ブロックの代表エリアの
駐車率を測定する代表エリア駐車状況測定装置である。
４，５は同じく画像処理により入車率と出車率を測定す
る測定装置である。
【０００４】図２（ｂ）は前記した駐車状況測定装置の
概要を示し、２１は情報処理部、２２は表示部である。
前記情報処理部２１におけるＩは入力層、Ｈは中間層、
Ｏは出力層であり、入力層Ｉ、中間層Ｈ、出力層Ｏは、
Ｉ1 〜Ｉ4 ，Ｈ1 〜Ｈ4 ，Ｏ1 〜Ｏ3 のニューロンから
なるニューラルネットワークを構成しており、各々のニ
ューロンは非線形的な応答により情報を伝達する。
概要を示し、２１は情報処理部、２２は表示部である。
前記情報処理部２１におけるＩは入力層、Ｈは中間層、
Ｏは出力層であり、入力層Ｉ、中間層Ｈ、出力層Ｏは、
Ｉ1 〜Ｉ4 ，Ｈ1 〜Ｈ4 ，Ｏ1 〜Ｏ3 のニューロンから
なるニューラルネットワークを構成しており、各々のニ
ューロンは非線形的な応答により情報を伝達する。
【０００５】出力層Ｏには正解事象Ｔ1 〜Ｔ3 が供給さ
れ、バックプロパゲーション法（逆伝播学習法）によ
り、矢印Ａに示すように信号の伝播とは逆に進行して、
中間層Ｈから出力層Ｏへの結合重み係数Ｗjkと入力層Ｉ
から中間層Ｈへの結合重み係数Ｗijを、教師データ（正
解事象）Ｔ1 〜Ｔ3 が入力される毎に、出力Ｏ1 〜Ｏ3
との誤差が最小となるように修正される。
れ、バックプロパゲーション法（逆伝播学習法）によ
り、矢印Ａに示すように信号の伝播とは逆に進行して、
中間層Ｈから出力層Ｏへの結合重み係数Ｗjkと入力層Ｉ
から中間層Ｈへの結合重み係数Ｗijを、教師データ（正
解事象）Ｔ1 〜Ｔ3 が入力される毎に、出力Ｏ1 〜Ｏ3
との誤差が最小となるように修正される。
【０００６】２２１は「満車」表示器、２２２は「混
雑」表示器、２２３は「空有」表示器にして、「満車」
「混雑」「空有」の信号は、図示しない駐車場の入路手
前に設置される大型の表示装置に伝送され同様の表示が
実行される。
雑」表示器、２２３は「空有」表示器にして、「満車」
「混雑」「空有」の信号は、図示しない駐車場の入路手
前に設置される大型の表示装置に伝送され同様の表示が
実行される。
【０００７】次に、前記教師データとの誤差が最小とな
るための学習方法を図３、図４と共に説明する。入力層
Ｉ、中間層Ｈ、出力層Ｏに用いられるニューロンの応答
特性ｆ(X) は、図３に示すように非線形シグモイド関数
が用いられている。 ｆ(X) ＝−１／｛１＋ｅｘｐ（−２Ｘ／ｕ0 ）｝ (1) (1) 式のｕ0 は、シグモイド関数の傾きを決定する正の
パラメータである。
るための学習方法を図３、図４と共に説明する。入力層
Ｉ、中間層Ｈ、出力層Ｏに用いられるニューロンの応答
特性ｆ(X) は、図３に示すように非線形シグモイド関数
が用いられている。 ｆ(X) ＝−１／｛１＋ｅｘｐ（−２Ｘ／ｕ0 ）｝ (1) (1) 式のｕ0 は、シグモイド関数の傾きを決定する正の
パラメータである。
【０００８】次に、ニューラルネットワークの学習につ
いて図４と共に説明する。前記した(1) 式をＸについて
微分すると、次式が得られる。 ｆ′(X) ＝２・ｆ(X) ・｛１−ｆ(X) ｝／ｕ0 (2) 各層の出力Ｉi ，Ｈj ，Ｏk は以下のように表される。
いて図４と共に説明する。前記した(1) 式をＸについて
微分すると、次式が得られる。 ｆ′(X) ＝２・ｆ(X) ・｛１−ｆ(X) ｝／ｕ0 (2) 各層の出力Ｉi ，Ｈj ，Ｏk は以下のように表される。
【数１】 ただし、θj は中間層Ｈのニューロンのオフセット、γ
k は出力層Ｏのニューロンのオフセットである。
k は出力層Ｏのニューロンのオフセットである。
【０００９】また、出力層Ｏの出力Ｏknにおける教師信
号Ｔk との誤差ｅk （＝Ｔk −Ｏkn）とすると、この平
均２乗誤差Ｅk は次式によって表される。 Ｅk ＝１／２・（Ｔk −Ｏkn）2 (5) この平均２乗誤差Ｅk が最小となる状態が最適な学習状
態で、繰り返し学習することにより、このＥk を最小化
する。この平均２乗誤差Ｅk が最小となるように結合重
み係数、オフセットを修正することがニューラルネット
ワークにおける学習行為である。
号Ｔk との誤差ｅk （＝Ｔk −Ｏkn）とすると、この平
均２乗誤差Ｅk は次式によって表される。 Ｅk ＝１／２・（Ｔk −Ｏkn）2 (5) この平均２乗誤差Ｅk が最小となる状態が最適な学習状
態で、繰り返し学習することにより、このＥk を最小化
する。この平均２乗誤差Ｅk が最小となるように結合重
み係数、オフセットを修正することがニューラルネット
ワークにおける学習行為である。
【００１０】次に、前記した構成に基づいて動作を説明
する。始めに、日曜日を含む数日間にわたり教師データ
となる駐車状況が実測され、代表エリア駐車状況測定装
置３と入車率測定装置４および出車率測定装置５からの
測定データの入力に対して得られた出力Ｏに対する正解
事象Ｔとして出力層Ｏに入力され、その誤差を最小とす
る学習モードが実行される。
する。始めに、日曜日を含む数日間にわたり教師データ
となる駐車状況が実測され、代表エリア駐車状況測定装
置３と入車率測定装置４および出車率測定装置５からの
測定データの入力に対して得られた出力Ｏに対する正解
事象Ｔとして出力層Ｏに入力され、その誤差を最小とす
る学習モードが実行される。
【００１１】そして、駐車状況判別に関する目標とする
正解率が得られるようになったことを確認した後、情報
処理部２１のニューラルネットワークにおいて実際の駐
車状況を判別し、この情報処理部２１よりの出力によっ
て表示器２２１〜２２３で「満車」「混雑」「空有」の
表示を行うものである。
正解率が得られるようになったことを確認した後、情報
処理部２１のニューラルネットワークにおいて実際の駐
車状況を判別し、この情報処理部２１よりの出力によっ
て表示器２２１〜２２３で「満車」「混雑」「空有」の
表示を行うものである。
【００１２】
【発明が解決しようとする課題】ところで、結合重み係
数Ｗij，Ｗjkやオフセットθi ，γk は限られた範囲に
おいて得られた教師データに基づく不変の数値であるた
め、交通環境が変化した場合には、その都度システムを
休止して学習モードを実行しなければならないといった
不都合があった。
数Ｗij，Ｗjkやオフセットθi ，γk は限られた範囲に
おいて得られた教師データに基づく不変の数値であるた
め、交通環境が変化した場合には、その都度システムを
休止して学習モードを実行しなければならないといった
不都合があった。
【００１３】すなわち、サービスエリアやパーキングエ
リアを利用する車両台数が相対的に増えたことによって
通過率を補正する場合や、新しいサービスエリアができ
車両の利用傾向に変化が生じた場合および通年に渡る駐
車傾向や天候等によって大きな差が有り、それにより生
じる誤差を縮小するために定期的に実測する場合など
に、結合重み係数を修正しなければならない。
リアを利用する車両台数が相対的に増えたことによって
通過率を補正する場合や、新しいサービスエリアができ
車両の利用傾向に変化が生じた場合および通年に渡る駐
車傾向や天候等によって大きな差が有り、それにより生
じる誤差を縮小するために定期的に実測する場合など
に、結合重み係数を修正しなければならない。
【００１４】本発明は前記した問題点を解決せんとする
もので、その目的とするところは、簡易な構成の２種類
のニューラルネットワークを用いて、システムの休止期
間を極力最小に抑えることで、交通環境の変化にも正確
なる交通状況を判別し得る交通状況判別装置を提供せん
とするにある。
もので、その目的とするところは、簡易な構成の２種類
のニューラルネットワークを用いて、システムの休止期
間を極力最小に抑えることで、交通環境の変化にも正確
なる交通状況を判別し得る交通状況判別装置を提供せん
とするにある。
【００１５】
【課題を解決するための手段】本発明の交通状況判別装
置は前記した目的を達成せんとするもので、その手段
は、入力データと教師データとにより重み係数とオフセ
ットとを算定する学習用ニューラルネットワークと、該
学習用ニューラルネットワークの重み係数とオフセット
とを入力し交通状況の判別を行う実行用ニューラルネッ
トワークとを具備したものである。
置は前記した目的を達成せんとするもので、その手段
は、入力データと教師データとにより重み係数とオフセ
ットとを算定する学習用ニューラルネットワークと、該
学習用ニューラルネットワークの重み係数とオフセット
とを入力し交通状況の判別を行う実行用ニューラルネッ
トワークとを具備したものである。
【００１６】
【作用】前記した如く構成した本発明の交通状況判別装
置は、学習用ニューラルネットワークにより実行モード
とは並行に学習モードを実行させ重み係数とオフセット
とを求め、該学習モードの学習結果を確認の後、それら
を実行モードを行うニューラルネットワークの重み係数
とオフセットのメモリテーブルに転送して現用の重み係
数とオフセットの更新を瞬時に行い、更新した重み係数
とオフセットにより休止期間を設けることなく実行モー
ドを実行するものである。
置は、学習用ニューラルネットワークにより実行モード
とは並行に学習モードを実行させ重み係数とオフセット
とを求め、該学習モードの学習結果を確認の後、それら
を実行モードを行うニューラルネットワークの重み係数
とオフセットのメモリテーブルに転送して現用の重み係
数とオフセットの更新を瞬時に行い、更新した重み係数
とオフセットにより休止期間を設けることなく実行モー
ドを実行するものである。
【００１７】
【実施例】以下、本発明に係る交通状況判別装置の実施
例を図１と共に説明する。６１，６２は駐車場への入路
と出路に設置され、通過する車両を検出する位置センサ
と、該位置センサの検出信号により車両を撮像するテレ
ビカメラと、該カメラによって撮影された映像を処理す
る画像処理装置とからなる通過率測定装置にして、単位
時間の最大通過台数（実測値の平均に安全率を掛けた台
数）に対する通過台数の比（通過率）を出力する。
例を図１と共に説明する。６１，６２は駐車場への入路
と出路に設置され、通過する車両を検出する位置センサ
と、該位置センサの検出信号により車両を撮像するテレ
ビカメラと、該カメラによって撮影された映像を処理す
る画像処理装置とからなる通過率測定装置にして、単位
時間の最大通過台数（実測値の平均に安全率を掛けた台
数）に対する通過台数の比（通過率）を出力する。
【００１８】６３，６４は駐車場における照明柱等の上
方に設置された代表エリアを監視するテレビカメラと画
像処理装置とから構成した駐車率測定装置にして、本実
施例にあっては２ヵ所の代表エリアを監視するものであ
り、該代表エリアの駐車台数に対する単位時間当たりの
駐車率を出力する。
方に設置された代表エリアを監視するテレビカメラと画
像処理装置とから構成した駐車率測定装置にして、本実
施例にあっては２ヵ所の代表エリアを監視するものであ
り、該代表エリアの駐車台数に対する単位時間当たりの
駐車率を出力する。
【００１９】７は前記通過率測定装置６１，６２および
駐車率測定装置６３，６４からの信号が入力される実行
用ニューラルネットワークにして、入力層７１、中間層
７２、出力層７３および後述する教師用ニューラルネッ
トワーク８よりのデータをメモリするメモリ部７４とよ
り構成されている。
駐車率測定装置６３，６４からの信号が入力される実行
用ニューラルネットワークにして、入力層７１、中間層
７２、出力層７３および後述する教師用ニューラルネッ
トワーク８よりのデータをメモリするメモリ部７４とよ
り構成されている。
【００２０】８は前記実行用ニューラルネットワーク７
と同様に通過率測定装置６１，６２および駐車率測定装
置６３，６４からの信号が入力される学習用ニューラル
ネットワークにして、入力層８１、中間層８２、出力層
８３と、該出力層８３よりの信号と教師データとを比較
する誤差判定部８４および学習を行ったデータをメモリ
するメモリ部８５および該メモリ部８５でメモリしたデ
ータを転送するデータ転送部８６とより構成されてい
る。
と同様に通過率測定装置６１，６２および駐車率測定装
置６３，６４からの信号が入力される学習用ニューラル
ネットワークにして、入力層８１、中間層８２、出力層
８３と、該出力層８３よりの信号と教師データとを比較
する誤差判定部８４および学習を行ったデータをメモリ
するメモリ部８５および該メモリ部８５でメモリしたデ
ータを転送するデータ転送部８６とより構成されてい
る。
【００２１】９は前記実行用ニューラルネットワーク７
における出力層７３よりの信号を数値表示する表示器９
１，９２および９３を備えると共に、数値の最大の出力
を判別し判別結果を「満車」か「混雑」あるいは「空
有」の信号として出力する。
における出力層７３よりの信号を数値表示する表示器９
１，９２および９３を備えると共に、数値の最大の出力
を判別し判別結果を「満車」か「混雑」あるいは「空
有」の信号として出力する。
【００２２】次に、前記した構成に基づいて動作を説明
する。学習動作を行うときは、通過率測定装置６１，６
２の通過率と、駐車率測定装置６３，６４の駐車率およ
び正解事象によりバックプロパゲーション法を用いて学
習する手法は従来例と同様なので説明は省略する。
する。学習動作を行うときは、通過率測定装置６１，６
２の通過率と、駐車率測定装置６３，６４の駐車率およ
び正解事象によりバックプロパゲーション法を用いて学
習する手法は従来例と同様なので説明は省略する。
【００２３】そして、学習動作の終了したニューラルネ
ットワーク７に対して、測定した単位時間当たりの通過
台数と代表エリアの駐車台数を計数加算し、最大通過台
数との比により求めた通過率と駐車台数との比により求
めた駐車率とを入力することにより、駐車場全体の駐車
率を算出し、出力Ｏ1 ，Ｏ2 またはＯ3 として満車状
況、混雑状況および空車状況が出力され、駐車状況判別
部９で出力値の最も大きな値を判定し、表示器９１〜９
３で該当する「満車」か「混雑」あるいは「空有」の表
示を行うと共に、その信号を駐車場の手前に設置された
図示しない大型の表示装置に出力し、同じく「満車」か
「混雑」か「空有」の表示を行う。
ットワーク７に対して、測定した単位時間当たりの通過
台数と代表エリアの駐車台数を計数加算し、最大通過台
数との比により求めた通過率と駐車台数との比により求
めた駐車率とを入力することにより、駐車場全体の駐車
率を算出し、出力Ｏ1 ，Ｏ2 またはＯ3 として満車状
況、混雑状況および空車状況が出力され、駐車状況判別
部９で出力値の最も大きな値を判定し、表示器９１〜９
３で該当する「満車」か「混雑」あるいは「空有」の表
示を行うと共に、その信号を駐車場の手前に設置された
図示しない大型の表示装置に出力し、同じく「満車」か
「混雑」か「空有」の表示を行う。
【００２４】前記した動作は、従来例と同様に駐車場の
駐車状況を判別して表示を行うまでの説明であるが、本
実施例にあっては、学習用ニューラルネットワーク８に
も通過率測定装置６１，６２の通過率と、駐車率測定装
置６３，６４の駐車率が入力されている。そして、必要
時に教師データを学習用ニューラルネットワーク８に入
力して、該ニューラルネットワーク８において学習を行
う。
駐車状況を判別して表示を行うまでの説明であるが、本
実施例にあっては、学習用ニューラルネットワーク８に
も通過率測定装置６１，６２の通過率と、駐車率測定装
置６３，６４の駐車率が入力されている。そして、必要
時に教師データを学習用ニューラルネットワーク８に入
力して、該ニューラルネットワーク８において学習を行
う。
【００２５】この学習において誤差判定部８４が誤差の
収束（データが一定期間変更しないことなど）を確認す
ると、そのデータはメモリ部８５にメモリされると共に
データ転送部８６より重み係数とオフセットを、動作中
の実行用ニューラルネットワーク７のメモリ部７４に転
送する。
収束（データが一定期間変更しないことなど）を確認す
ると、そのデータはメモリ部８５にメモリされると共に
データ転送部８６より重み係数とオフセットを、動作中
の実行用ニューラルネットワーク７のメモリ部７４に転
送する。
【００２６】実行用ニューラルネットワーク７はメモリ
部７４にメモリされたデータによって古いデータを瞬時
に更新し、この更新したデータをもって測定を継続す
る。従って、交通環境が変化した場合にも、正確な測定
が可能となり表示を正確に行える。また、前記転送指示
は、正解率向上の十分な検証を行った後、手動操作また
は自動操作によって実行してもよい。
部７４にメモリされたデータによって古いデータを瞬時
に更新し、この更新したデータをもって測定を継続す
る。従って、交通環境が変化した場合にも、正確な測定
が可能となり表示を正確に行える。また、前記転送指示
は、正解率向上の十分な検証を行った後、手動操作また
は自動操作によって実行してもよい。
【００２７】また、駐車率と相関の高い駐車場入路に進
入する車両の速度を測定し、その比率（例えば、５０Km
/h−0.0 、０Km/h−1.0 ）を実行用と学習用のニューラ
ルネットワークの入力層に入力することにより、駐車場
の判別精度を一層向上させてもよい。
入する車両の速度を測定し、その比率（例えば、５０Km
/h−0.0 、０Km/h−1.0 ）を実行用と学習用のニューラ
ルネットワークの入力層に入力することにより、駐車場
の判別精度を一層向上させてもよい。
【００２８】さらに、本発明の上記の駐車状況の判別に
限らず、種々の交通状況判別に応用できるものである。
例えば、道路を走行する単位時間当たりの通過台数（交
通量）と車両の速度等から道路の渋滞度を判別する場合
は、各々のニューラルネットワークの入力層に通過率と
速度比とを入力し、ランク分けした渋滞度の信号を実行
用ニューラルネットワークの出力層から出力する。
限らず、種々の交通状況判別に応用できるものである。
例えば、道路を走行する単位時間当たりの通過台数（交
通量）と車両の速度等から道路の渋滞度を判別する場合
は、各々のニューラルネットワークの入力層に通過率と
速度比とを入力し、ランク分けした渋滞度の信号を実行
用ニューラルネットワークの出力層から出力する。
【００２９】この場合においても、時間、曜日、月毎に
交通量の占める車種が変動するため、実施例のように適
宜学習用ニューラルネットワークに教師信号を入力して
学習を行い、適切な重み係数とオフセットによって渋滞
状況の正しい判別を実行する必要がある。
交通量の占める車種が変動するため、実施例のように適
宜学習用ニューラルネットワークに教師信号を入力して
学習を行い、適切な重み係数とオフセットによって渋滞
状況の正しい判別を実行する必要がある。
【００３０】また、本発明の交通状況判別装置は、交通
信号機の点灯時間制御にも応用することが可能である。
例えば、青信号時に信号交差点手前の直進車線と右折車
線を通過する車両の通過率（端子時間当たりの最大通過
台数との比）と、それ以前の特定区間における車両の占
有比率をニューラルネットワークの入力層に入力し、出
力層から青信号と矢印信号に関する点灯パターンに対応
した信号を出力する。
信号機の点灯時間制御にも応用することが可能である。
例えば、青信号時に信号交差点手前の直進車線と右折車
線を通過する車両の通過率（端子時間当たりの最大通過
台数との比）と、それ以前の特定区間における車両の占
有比率をニューラルネットワークの入力層に入力し、出
力層から青信号と矢印信号に関する点灯パターンに対応
した信号を出力する。
【００３１】これによって、占有率が高くても右折車が
少ない場合には、青時間の点灯時間が長く矢印信号の点
灯時間の短い点灯パターンに対応した信号を出力層から
出力させることで信号待ちによる渋滞を回避する。さら
に、交差する道路においても同様な制御を実行し、両道
路の最適な点灯周期を決定する。
少ない場合には、青時間の点灯時間が長く矢印信号の点
灯時間の短い点灯パターンに対応した信号を出力層から
出力させることで信号待ちによる渋滞を回避する。さら
に、交差する道路においても同様な制御を実行し、両道
路の最適な点灯周期を決定する。
【００３２】この場合においても、道路状況の変化によ
る交通環境や曜日等による時間的要因や路面凍結等の天
候的要因などによって教師信号を更新する必要があり、
それを学習用ニューラルネットワークで学習させ、その
変化に対応できる適切な重み係数とオフセットによって
正しい制御を行うことが大切である。
る交通環境や曜日等による時間的要因や路面凍結等の天
候的要因などによって教師信号を更新する必要があり、
それを学習用ニューラルネットワークで学習させ、その
変化に対応できる適切な重み係数とオフセットによって
正しい制御を行うことが大切である。
【００３３】なお、前記した実施例においては、入力層
に入力するパラメータとして交通量、車速、占有率の場
合について説明したが、車間や車種および天候条件な
ど、その交通状況の判別の目的に応じた情報を利用する
ことができる。
に入力するパラメータとして交通量、車速、占有率の場
合について説明したが、車間や車種および天候条件な
ど、その交通状況の判別の目的に応じた情報を利用する
ことができる。
【００３４】
【発明の効果】本発明は前記したように、学習用ニュー
ラルネットワークにより実行モードとは並行に学習モー
ドを実行させ重み係数とオフセットのデータを求め、こ
のデータにより実行用ニューラルネットワークのデータ
を更新し、この新しいデータに基づいて交通状況の判別
を行うようにしたので、システムの休止期間を極力最小
に抑えることができ、交通環境の変化にも正確なる交通
状況を判別し得る等の効果を有するものである。
ラルネットワークにより実行モードとは並行に学習モー
ドを実行させ重み係数とオフセットのデータを求め、こ
のデータにより実行用ニューラルネットワークのデータ
を更新し、この新しいデータに基づいて交通状況の判別
を行うようにしたので、システムの休止期間を極力最小
に抑えることができ、交通環境の変化にも正確なる交通
状況を判別し得る等の効果を有するものである。
【図１】本発明に係る交通状況判別装置の概要を示すブ
ロック図である。
ロック図である。
【図２】（ａ）は駐車場に応用した場合における駐車場
全体の平面図、（ｂ）は従来の駐車状況測定装置の概要
を示すブロック図である。
全体の平面図、（ｂ）は従来の駐車状況測定装置の概要
を示すブロック図である。
【図３】ニューロンの応答特性を示す説明図である。
【図４】ニューラルネットワークの構成を示す説明図で
ある。
ある。
６１，６２ 通過率測定装置 ６３，６４ 駐車率測定装置 ７ 実行用ニューラルネットワーク ７４ メモリ部 ８ 学習用ニューラルネットワーク ８４ 誤差判定部 ８５ メモリ部 ８６ データ転送部
─────────────────────────────────────────────────────
【手続補正書】
【提出日】平成６年３月１８日
【手続補正１】
【補正対象書類名】明細書
【補正対象項目名】０００８
【補正方法】変更
【補正内容】
【０００８】次に、ニューラルネットワークの学習につ
いて図４と共に説明する。前記した（１）式をＸについ
て微分すると、次式が得られる。 ｆ′（Ｘ）＝２・ｆ（Ｘ）・｛１−ｆ（Ｘ）｝／ｕｏ （２） 各層の出力Ｉｉ，Ｈｊ，Ｏｋは以下のように表される。
いて図４と共に説明する。前記した（１）式をＸについ
て微分すると、次式が得られる。 ｆ′（Ｘ）＝２・ｆ（Ｘ）・｛１−ｆ（Ｘ）｝／ｕｏ （２） 各層の出力Ｉｉ，Ｈｊ，Ｏｋは以下のように表される。
【数１】 ただし、θｊは中間層Ｈのニューロンのオフセット、γ
ｋは出力層Ｏのニューロンのオフセットである。
ｋは出力層Ｏのニューロンのオフセットである。
【手続補正２】
【補正対象書類名】明細書
【補正対象項目名】００２９
【補正方法】変更
【補正内容】
【００２９】この場合においても、時間、曜日、月毎に
交通量に占める車種が変動するため、実施例のように適
宜学習用ニューラルネットワークに教師信号を入力して
学習を行い、適切な重み係数とオフセットによって渋滞
状況の正しい判別を実行する必要がある。
交通量に占める車種が変動するため、実施例のように適
宜学習用ニューラルネットワークに教師信号を入力して
学習を行い、適切な重み係数とオフセットによって渋滞
状況の正しい判別を実行する必要がある。
【手続補正３】
【補正対象書類名】明細書
【補正対象項目名】００３０
【補正方法】変更
【補正内容】
【００３０】また、本発明の交通状況判別装置は、交通
信号機の点灯時間制御にも応用することが可能である。
例えば、青信号時に信号交差点手前の直進車線と右折車
線を通過する車両の通過率（単位時間当たりの最大通過
台数との比）と、それ以前の特定区間における車両の占
有比率をニューラルネットワークの入力層に入力し、出
力層から青信号と矢印信号に関する点灯パターンに対応
した信号を出力する。
信号機の点灯時間制御にも応用することが可能である。
例えば、青信号時に信号交差点手前の直進車線と右折車
線を通過する車両の通過率（単位時間当たりの最大通過
台数との比）と、それ以前の特定区間における車両の占
有比率をニューラルネットワークの入力層に入力し、出
力層から青信号と矢印信号に関する点灯パターンに対応
した信号を出力する。
【手続補正４】
【補正対象書類名】明細書
【補正対象項目名】００３１
【補正方法】変更
【補正内容】
【００３１】これによって、占有率が高くても右折車が
少ない場合には、青信号の点灯時間が長く矢印信号の点
灯時間の短い点灯パターンに対応した信号を出力層から
出力させることで信号待ちによる渋滞を回避する。さら
に、交差する道路においても同様な制御を実行し、両道
路の最適な点灯周期を決定する。
少ない場合には、青信号の点灯時間が長く矢印信号の点
灯時間の短い点灯パターンに対応した信号を出力層から
出力させることで信号待ちによる渋滞を回避する。さら
に、交差する道路においても同様な制御を実行し、両道
路の最適な点灯周期を決定する。
Claims (1)
- 【請求項１】 ニューラルネットワークの手法を用いて
駐車場の駐車状況や車両の渋滞状況等の交通状況の判別
を行う交通状況判別装置であって、入力データと教師デ
ータとにより重み係数とオフセットとを算定する学習用
ニューラルネットワークと、該学習用ニューラルネット
ワークの重み係数とオフセットとを入力し交通状況の判
別を行う実行用ニューラルネットワークとを具備したこ
とを特徴とする交通状況判別装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6026318A JPH07220193A (ja) | 1994-01-28 | 1994-01-28 | 交通状況判別装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6026318A JPH07220193A (ja) | 1994-01-28 | 1994-01-28 | 交通状況判別装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07220193A true JPH07220193A (ja) | 1995-08-18 |
Family
ID=12190049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6026318A Pending JPH07220193A (ja) | 1994-01-28 | 1994-01-28 | 交通状況判別装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07220193A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007280407A (ja) * | 2007-05-01 | 2007-10-25 | Sumitomo Electric Ind Ltd | 交通端末装置および事故検出システム |
| JP2008027024A (ja) * | 2006-07-19 | 2008-02-07 | Sumitomo Electric Ind Ltd | 信号制御システム、信号制御装置、及び、交通信号制御機 |
| CN101901547A (zh) * | 2010-07-21 | 2010-12-01 | 浙江工业大学 | 一种可变车道自适应控制方法 |
| JP2016099834A (ja) * | 2014-11-21 | 2016-05-30 | 学校法人 芝浦工業大学 | 交通状況情報提供装置、交通状況情報提供方法、交通状況情報提供プログラム、記憶媒体 |
| WO2018122804A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种非等距时空划分的道路交通异常检测方法 |
| JP2019125260A (ja) * | 2018-01-18 | 2019-07-25 | 日本電信電話株式会社 | データ作成装置、誘導モデル学習装置、誘導推定装置、データ作成方法、誘導モデル学習方法、誘導推定方法及びプログラム |
| CN111476345A (zh) * | 2019-01-23 | 2020-07-31 | 丰田自动车株式会社 | 机器学习装置 |
| CN114743379A (zh) * | 2022-06-13 | 2022-07-12 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
-
1994
- 1994-01-28 JP JP6026318A patent/JPH07220193A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008027024A (ja) * | 2006-07-19 | 2008-02-07 | Sumitomo Electric Ind Ltd | 信号制御システム、信号制御装置、及び、交通信号制御機 |
| JP2007280407A (ja) * | 2007-05-01 | 2007-10-25 | Sumitomo Electric Ind Ltd | 交通端末装置および事故検出システム |
| CN101901547A (zh) * | 2010-07-21 | 2010-12-01 | 浙江工业大学 | 一种可变车道自适应控制方法 |
| JP2016099834A (ja) * | 2014-11-21 | 2016-05-30 | 学校法人 芝浦工業大学 | 交通状況情報提供装置、交通状況情報提供方法、交通状況情報提供プログラム、記憶媒体 |
| WO2018122804A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种非等距时空划分的道路交通异常检测方法 |
| JP2019125260A (ja) * | 2018-01-18 | 2019-07-25 | 日本電信電話株式会社 | データ作成装置、誘導モデル学習装置、誘導推定装置、データ作成方法、誘導モデル学習方法、誘導推定方法及びプログラム |
| CN111476345A (zh) * | 2019-01-23 | 2020-07-31 | 丰田自动车株式会社 | 机器学习装置 |
| CN114743379A (zh) * | 2022-06-13 | 2022-07-12 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5424787B2 (ja) | 軸重計測装置、軸重計測装置の計測精度確認システムおよび軸重計測装置の計測精度確認方法 | |
| JP5234691B2 (ja) | ナビゲーション装置、プローブ情報送信方法、プログラム及び交通情報作成装置 | |
| JP2004534331A (ja) | スマート駐車場助言装置 | |
| KR20090030666A (ko) | 고속주행차량 자동 계중 시스템 | |
| KR102166283B1 (ko) | 교통 신호기 제어 장치 | |
| JP7444613B2 (ja) | 道路管理システム、道路管理方法、及びプログラム | |
| JPH07220193A (ja) | 交通状況判別装置 | |
| JP3099934B2 (ja) | 走行所要時間予測装置 | |
| JP2002163748A (ja) | 交通流模擬装置による交通流予測制御システム | |
| CN110349420A (zh) | 一种基于数据分析的智能路况管理系统 | |
| KR20070115100A (ko) | 주행 차량 자동 계중 시스템 | |
| KR100794591B1 (ko) | 차량정보 자동계측시스템 | |
| JPH07254099A (ja) | 道路交通における突発事象検出装置 | |
| JPH08279093A (ja) | 交通流計測装置 | |
| JP2000182187A (ja) | 駐車状況測定方法およびその装置 | |
| JP2533719B2 (ja) | 交通状況検出方法 | |
| KR102316700B1 (ko) | 이륜차 전용 무인단속시스템 | |
| JP4030354B2 (ja) | 突発事象検出装置 | |
| JPH06150188A (ja) | 車両撮影装置 | |
| JP2000259976A (ja) | 流入ランプ制御装置および流入ランプ制御方法 | |
| JPH076290A (ja) | 交通流予測装置 | |
| JPH05290292A (ja) | 突発事象自動検出装置 | |
| JPH0251800A (ja) | 交通渋滞状況検出方式 | |
| JP3426123B2 (ja) | 違反車両解析装置 | |
| JPH0991593A (ja) | 駐車場案内方法 |