JPH0798794A - 交通流予測装置 - Google Patents

Abstract

(57)【要約】 【目的】本発明は、１つのセクション及びその下流側セ
クションの交通密度をも要素として取り入れて、より高
精度に交通流を予測する。 【構成】車両感知器(1) の感知データに基づいて各セク
ションｉの空間平均速度等の各実績値を求め、１つのセ
クション及びその下流側セクションの各交通密度とに基
づいて混合結合形ニューラルネットワーク(7) により１
つのセクションの空間平均速度の予測値を求め、交通密
度の実績値や混合結合形ニューラルネットワーク(7) に
より求められた空間平均速度の予測値に基づいて各セク
ションｉにおける空間平均密度等の推移を予測する。こ
の場合、１つ及び下流側の各セクションの交通密度等に
基づいて混合結合形ニューラルネットワーク(7) 内の重
み係数の学習を行う。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、例えば高速道路におけ
る交通管制システムに係わり、特にニューラルネットワ
ークを用いて通行車両の流れ、つまり交通流を予測する
交通流予測装置に関する。

【０００２】

【従来の技術】高速道路における交通管制システムは、
通行車両のドライバーに対して、 ・渋滞が予想される区域 ・予想される渋滞長 ・今後渋滞が広がる傾向にあるのか、それとも解消する
傾向にあるのか。

【０００３】・渋滞解消までに要する時間 ・どの程度の速度で通行する事が可能なのか。 ・ある地点からある地点までの走行所要時間などの各種
予測情報をきめ細かく提供するとともに、 ・ラッシュ時対応のランプ閉鎖など交通予測に基く交通
管制の適正化を行なうことが要求されている。

【０００４】従来、高速道路上における交通流の予測方
法としては以下のような方法が提案されている。高速道
路の交通流は、大きく分けて、 ・自由走行状態（渋滞の無い状態） ・渋滞走行状態 の２種類の状態があり、特に渋滞時の交通流をうまく表
現することがポイントとなる。

【０００５】この渋滞時を含む交通流を比較的簡単なモ
デルでうまく表現するものとして従来から提案されてい
る方法は、状態方程式モデル（交通密度を状態変数にと
った微分形の方程式）である。

【０００６】高速道路１を図６のように各セクションに
分割したとき、セクションｉの交通密度ｋi の時間変動
を考える。なお、交通流においては、速度、交通量を左
右する基本的なファクタが交通密度となる。

【０００７】Δｔ［ｍｉｎ］間におけるｋi(t)の変化量
Δｋi(t)［台／ｍ］は、（イ）Δｔの間にセクションｉ
に流入する車両台数［台］と（ロ）Δｔの間にセクショ
ンｉから流出する車両台数［台］との差をセクションｉ
の長さＬｉで割ったものとなる。

【０００８】一般に、あるセクションに流入する交通量
［台／ｍｉｎ］は、上流側セクションの交通密度［台／
ｍ］と上流側セクションの空間平均速度［ｍ／ｍｉｎ］
との積で表されることから、次式が導かれる。以下、各
条件別に説明する。 (a) 基本式（セクションｉの上流端の合流、下流端の分
岐が無い場合） △ｋi(t)＝（Δｔ／Ｌｉ）・（ＱINi-1,i −ＱOUTi,i+1 …(1) ＱINi-1,i ＝Ｃi-1,i （ｋi(t)） ・ｋi-1(t)・Ｖi-（ｋi-1(t)）・1000／60） …(2) ＱOUTi,i+1＝Ｃi,i+1 （ｋi+1(t)） ・ｋi(t)・Ｖi （ｋi(t)）・1000／60） …(3) ここで、ｋi(t)はセクションｉの交通密度［台／ｍ］、
Δｋi(t)はセクションｉの交通密度のΔｔ[min] 間の変
化量［台／ｍ］、ＱINi-1,i はセクションｉ−１からセ
クションｉへの流入交通量［台／ｍｉｎ］、ＱOUTi,i+1
はセクションｉからセクションｉ＋１への流出交通量
［台／ｍｉｎ］、Ｌｉはセクションｉの長さ［ｍ］、Ｖ
i （ｋi(t)）はセクションｉにおける空間平均速度［ｋ
ｍ／ｈ］でｋi(t)の関数として与えられる。

【０００９】ここで式(1) の第１項が上記（イ）に、第
２項が上記（ロ）に相当する。Ｃi-1,i はセクションｉ
−１からセクションｉへの流出量が抑えられる働きを持
つ流出係数であり、この係数を導入する事により交通渋
滞が上流側に広がっていく遡上現象を間接的に表現する
ことが可能となる。流出係数Ｃi-1,i は経験的に次のよ
うな形で与えられる。

【００１０】・０≦ｋi(t)≦Ｋcrのとき（Ｋcrは臨界密
度［台／ｍ］、例えばＫcr＝0.08［台／ｍ］， Ｃi-1,i （ｋi(t)）＝１ …(4) ・Ｋcr＜ｋi(t)のとき Ｃi-1,i （ｋi(t)）＝（Ｌi-1 ／Ｌmax) ・exp[−α・｛（ｋi(t ／Ｋcr）−１｝² ] …(5) ここで、αは経験的に与えられるパラメータ（α＝０．
４８）であり、Ｌmax は最大区間長［ｍ］である。

【００１１】上記式(2) 及び(3) は、セクションｉ−１
からセクションｉへの流出を考えた場合、下流側セクシ
ョンｉの区間密度ｋi(t)が臨界密度Ｋcr以下であれば、
上流側セクションの交通量がそのまま流出するが、ｋi
(t)がＫcrを越えると、その越えた程度に応じて流出量
が抑えられる事を意味する。

【００１２】又、上流側セクションｉ−１の区間長Ｌi-
1 が短いほど、その影響が上流側セクション全体に早く
拡がるので、流出量が抑えられるということである。な
お、区間長は対象道路網中の最大区間長Ｌmax で割る事
によって標準化してある。

【００１３】上述の差分方程式を解く場合、Δｔ［ｍｉ
ｎ］は区間長最小値Ｌmin ［ｍ］×１０^-3程度とすると
適合度が良くなる事が確かめられている。又、交通密度
〜速度曲線Ｖi （ｋi(t)）については、例えば次式を採
用する。

【００１４】・０≦ｋi(t)≦Ｋcrのとき（Ｋcrは臨界密
度［台／ｍ］、 Ｖi （ｋi(t)）＝９１．０・｛１−５・ｋi(t)｝ …(6) ・Ｋcr＜ｋi(t)のとき Ｖi （ｋi(t)）＝１６４．５・exp ｛１３．８・ｋi(t)｝ …(7) なお、各係数の値は、仮の値であり対象となる道路によ
って異なる。 (b) セクションｉの下流端にオフランプが接続している
場合 図７のようにセクションｉの下流端にオフランプが接続
している場合には、前述の基本式(1) 〜(3) のうち、式
(3) を次のように変更する。

【００１５】 ＱOUTi,i+1＝Ｐi,i+1 ・Ｃi,i+1 （ｋi+1(t)) ・ｋi(t) ・Ｖi （ｋi(t)）・（1000／60） ＋（１−Ｐi,i+1 ）・ｋi(t) ・Ｖi （ｋi(t)）・（1000／60） …(8) ここでＰi,i+1 はセクションｉからオフランプへ流出せ
ず、セクションｉ＋１へ推移する車両の割合を示してお
り、推移確率と呼ばれる係数である。式(8) の第１項は
セクションｉからセクションｉ＋１への流出交通量［台
／ｍｉｎ］、第２項はセクションｉからオフランプへの
流出を表している。 (c) セクションｉの下流端の本線の分流点の場合 セクションｉの下流端が本線の分流点の場合には、前述
の基本式(1) 〜(3) のうち、式(3) を次のように変更す
る。

【００１６】

【数１】 なお、Ｐi,j はセクションｉからセクションｊへ流出す
る割合を示す推移確率であり

【００１７】

【数２】 を満足するものとする。 (d) セクションｉの上流端にオンランプが接続している
場合 図８のようにセクションｉの上流端にオンランプが接続
している場合には、前述の基本式(1) 〜(3) のうち、式
(2) を次のように変更する。

【００１８】 ＱINi-1,i ＝Ｕr,i (t) ＋Ｃi-1,i （ｋi(t)） ・Ｐi-1,i （ｋi-1(t)・Ｖi-1 （ｋi-1(t)) ・（1000／60） …(10) ここで、Ｕr,i(t)はオンランプｒからセクションｉへの
流入交通量［台／ｍｉｎ］であり、 Ｕr,i (t) ＝（オンランプｒからの需要交通量）・Ｃr,i （ｋi(t)） …（11） (e) セクションｉの上流端が本線の合流点の場合 セクションｉの上流端が本線の合流点の場合には、前述
の基本式(1) 〜(3) のうち、式(2) を次のように変更す
る。

【００１９】

【数３】

【００２０】例えば、図９に示すような簡易路線形状に
適用すると、上記状態方程式モデルは、図１０に示す予
測フローに従って予測演算するものとなる。すなわち、
ステップ＃１において定数データを読み込み、ステップ
＃２にて初期時刻ｔ＝ｔo を設定し、次のステップ＃３
において各セクションｉ(= 1〜n)の交通密度の初期値ｋ
i(to) を設定する。

【００２１】次にステップ＃４において上記基本式(6)
及び(7) に従って各セクションｉの空間平均速度Ｖｉ
（ｋi(t)) を求め、次のステップ＃５において上記基本
式(4)及び(5) に従って流出係数Ｃi-1, i( ｋi(t)) (i=
2〜n)を求める。

【００２２】次にステップ＃６において各セクションｉ
にオンランプにより流入する交通量Ｕr,i(t)を求め、次
のステップ＃７において各セクションｉ間の推移確率Ｐ
i-1,i を設定し、次のステップ＃８において流入交通量
ＱINf-i,i 、流出交通量ＱOUTi,i+1(i=1〜n)を求める。

【００２３】そうして、ステップ＃９において時刻ｔ〜
ｔ＋Δｔ間における交通密度変化量Δｋi(t)(i=1〜n)を
式(1) に従って求め、ステップ＃10において時刻ｔにお
ける途中結果を出力する。

【００２４】次にステップ＃11において時刻ｔ＋Δｔに
おける交通密度ｋi(t+Δt)を求め、次のステップ＃12に
おいて交通密度 ｋi(t+Δt)＝ｋi(t)＋Δｋi(t) を求める。

【００２５】このような状態方程式モデルによる予測演
算を実現するには、図１１に示すようなニューラルネッ
トワークが用いられている。ここで、入力信号Ｕ1(t)〜
Ｕm として各セクションｉの交通密度ｋi(t)を入力し、
時刻ｔにおけるセクションｉの空間平均速度実績値Ｖｉ
(t) を教師信号として入力し、入力層、中間層、出力層
というように一方向にのみ流れてニューラルネットワー
クとしての出力Ｘｉ(t) 、つまりセクションｉの空間平
均速度Ｖｉ(t) を得ている。

【００２６】

【発明が解決しようとする課題】しかしながら、従来の
状態方程式モデルにおいては、上記式(6) 、(7) に示さ
れる交通密度〜速度特性Ｖi （ｋi(t)）において、下流
側の交通密度ｋi+1(t)の影響を考慮していないために、
このままでは、高速道路に見られる交通渋滞の下流側か
ら上流側への遡上現象が表せない。

【００２７】このため、式(2) 及び(3) などに見られる
セクションｉ−１からセクションｉへの流出量が抑えら
れる働きを持つ流出係数Ｃi-1,i を導入する事により交
通渋滞を表現しようとしているが、この流出係数のモデ
ルを経験的に定めなければならない。

【００２８】そして、これが交通管制システム向けの交
通流予測方法としては充分な精度が得られない主な要因
となっている。又、上記ニューラルネットワークでは、
信号の流れが入力層→中間層→出力層というように一方
向にのみ流れる構成なので、瞬時瞬時の入出力間の写像
関係を表しているに過ぎず、過去の入力信号が現在の出
力信号に影響を及ぼす事はない。

【００２９】従って、道路の交通流のように時系列的に
変化する対象を取り扱う際には、ニューラルネットワー
ク自身が時系列を確認できる事が必要となる。そこで、
本発明では、交通密度から車速（空間平均速度）を得る
際に、そのセクションの交通密度のみならず下流側の隣
接セクションの交通密度をも要素として取り入れる事に
より、より高精度に交通流を予測できる交通流予測装置
を提供することを目的とする。

【００３０】

【課題を解決するための手段】請求項１によれば、道路
上を複数に分割した各セクションごとに設けられた各車
両感知器と、これら車両感知器の感知データに基づいて
各セクションにおける空間平均速度及び交通密度の各実
績値を求める実績値演算手段と、１つのセクションの交
通密度とこのセクションに対する少なくとも下流側セク
ションの交通密度とに基づいて所定のセクションにおけ
る空間平均速度の予測値を求める混合結合形ニューラル
ネットワークと、実績値演算手段により求められた１つ
のセクションにおける交通密度及び空間平均速度の各実
績値、下流側セクションにおける各交通密度の実績値、
及び混合結合形ニューラルネットワークにより求められ
る空間平均速度の予測値に基づいて混合結合形ニューラ
ルネットワーク内の重み係数の学習を行う学習手段と、
実績値演算手段により求められた交通密度の実績値、及
び混合結合形ニューラルネットワークにより求められた
空間平均速度の予測値に基づいて各セクションにおける
空間平均密度及び交通密度の推移を予測する交通流予測
手段と、を備えて上記目的を達成しようとする交通流予
測装置である。

【００３１】請求項２によれば、混合結合形ニューラル
ネットワークは、１つのセクションの交通密度とこのセ
クションに対する下流側セクションの交通密度、及び１
つのセクションに対する上流側セクションの交通密度と
に基づいて１つのセクションにおける空間平均速度の予
測値を求める機能を有している。

【００３２】請求項３によれば、学習手段は、１つのセ
クションにおける空間平均密度及び交通密度の各実績
値、この１つのセクションに対する上流及び下流側セク
ションにおける各交通密度の実績値、及びこれら実績値
を入力したときの混合結合形ニューラルネットワークに
より求められる空間平均速度の予測値に基づいて混合結
合形ニューラルネットワーク内の重み係数の学習を行う
機能を有している。

【００３３】請求項４によれば、道路上を複数に分割し
た各セクションごとに設けられた各車両感知器と、これ
ら車両感知器の感知データに基づいて各セクションにお
ける交通量、オキュパシン及び空間平均速度の各実績値
を求める実績値演算手段と、これら交通量、オキュパシ
ン及び空間平均速度の各実績値に基づいて指定された各
地点間における走行所要時間の予測値を求める混合結合
形ニューラルネットワークと、実績値演算手段により求
められたセクションにおける交通量、オキュパシン及び
空間平均速度の各実績値、及び混合結合形ニューラルネ
ットワークにより求められる走行所要時間の予測値に基
づいて混合結合型ニューラルネットワーク内の重み係数
の学習を行う学習手段と、を備えて上記目的を達成しよ
うとする交通流予測装置である。

【００３４】

【作用】請求項１によれば、道路上を複数に分割した各
セクションごとに設けられた各車両感知器の感知データ
に基づいて実績値演算手段により各セクションの空間平
均速度及び交通密度の各実績値を求める。

【００３５】この後、１つのセクションの交通密度とこ
のセクションに対する下流側セクションの交通密度とに
基づいて混合結合形ニューラルネットワークにより所定
のセクションにおける空間平均速度の予測値を求める。

【００３６】そして、上記交通密度の実績値、及び混合
結合形ニューラルネットワークにより求められた空間平
均速度の予測値に基づいて交通流予測手段により各セク
ションにおける空間平均密度及び交通密度の推移を予測
する。

【００３７】この場合、１つのセクションにおける交通
密度及び空間平均速度の各実績値、下流側セクションに
おける各交通密度の実績値、及び混合結合形ニューラル
ネットワークにより求められる空間平均速度の予測値に
基づいて学習手段により混合結合形ニューラルネットワ
ーク内の重み係数の学習が行われる。

【００３８】請求項２によれば、混合結合形ニューラル
ネットワークは、１つのセクションの交通密度とこのセ
クションに対する下流側セクションの交通密度とに加え
て１つのセクションに対する上流側セクションの交通密
度に基づいて１つのセクションにおける空間平均速度の
予測値を求める。

【００３９】請求項３によれば、混合結合形ニューラル
ネットワークにおいて上記の如く下流側セクションにお
ける交通密度の実績値を加えて空間平均速度の予測値を
求める場合、学習手段は、下流側セクションの交通密度
の実績値、及び混合結合形ニューラルネットワークによ
り求められる空間平均速度の予測値を加えて混合結合形
ニューラルネットワーク内の重み係数の学習を行う。

【００４０】請求項４によれば、道路上を複数に分割し
た各セクションごとに設けられた各車両感知器の感知デ
ータに基づいて実績値演算手段により各セクションにお
ける交通量、オキュパシン及び空間平均速度の各実績値
を求め、これら交通量、オキュパシン及び空間平均速度
の各実績値に基づいて混合結合形ニューラルネットワー
クにより指定された各地点間における走行所要時間の予
測値を求める。

【００４１】この場合、セクションにおける交通量、オ
キュパシン及び空間平均速度の各実績値、及び混合結合
形ニューラルネットワークにより求められる走行所要時
間の予測値に基づいて学習手段により混合結合型ニュー
ラルネットワーク内の重み係数の学習が行われる。

【００４２】

【実施例】

(1) 以下に、本発明の第１の実施例について説明する。
図１は、本発明の一実施例を示す機能構成ブロック図で
ある。車両感知器１は道路上の各セクションｉに設置さ
れている。又、図示しないが高速道路の各オンランプに
は、その流入交通量を検出するためにトラフィックカウ
ンタが設けられている。

【００４３】交通量演算手段２は、車両感知器１の出力
をもとに、各セクションｉの交通量［台／ｍｉｎ］を求
める機能を有するものであり、オキュパンシ演算手段３
は各セクションｉのオキュパンシ［％］、つまり通行車
両が車両感知器１を占有している時間的な割合を演算し
て求める機能を有している。

【００４４】空間平均速度演算手段４は、 （空間平均速度［ｋｍ／ｈ］） ＝{(平均車長 [m/台])×（交通量 [台/min])} ／{(オキュパンシ[%])/100[%]} × 60[min/h]／1000[m/km] …(13) に従って、各セクションの空間平均速度［ｋｍ／ｈ］を
演算する機能を有している。

【００４５】交通密度演算手段５は、 （交通密度［台／ｍ］） ＝{(オキュパンシ[%])/100[%]}／（平均車長［m/台］） …(14) に従って、各セクションの交通密度［台／ｍ］が演算さ
れる。

【００４６】交通流予測手段６は、式(14)で得られたか
各セクションの交通密度ｋi(t)［台／ｍ］を初期条件と
して、今後の各セクションｉ（ｉ＝１〜ｎ）における空
間平均速度Ｖi ［ｋｍ／ｈ］の推移、 Ｖi(t)，Ｖi(t+Δt)，Ｖi(t+2 ・Δt)，… 及び、交通密度ｋi の推定、（ｉ＝１〜ｎ） ｋi(t+Δt)，Ｋi (t+2・Δt)，ｋi (t+3・Δt)，… を予測する機能を有している。

【００４７】ところで、図２は交通流予測手段６の内部
で行われる演算処理フローャートを表している。このう
ち、図３は図２の太線部の演算で用いる混合結合形ニュ
ーラルネットワーク７の構造を示している。この混合結
合形ニューラルネットワーク７は、入力信号として、 Ｕ₁ ＝セクションｉの交通密度ｋi(t) Ｕ₂ ＝セクションｉの下流側セクションｉ＋１の交通密
度ｋi+1(t) を採用し、混合結合形ニューラルネットワークの出力信
号として、 Ｘ₁ ＝セクションｉの空間平均速度Ｖi(t) を得る機能を有している。

【００４８】つまり、混合結合形ニューラルネットワー
ク７は、セクションｉの交通密度とこのセクションｉに
対する下流側セクションｉ−１の交通密度とに基づいて
セクションｉにおける空間平均速度の予測値を求める機
能を有している。

【００４９】この混合結合形ニューラルネットワーク７
は、中間層の各素子間が相互に結合されている。つまり
ある中間層素子の１ステップ前の値が、自分自身あるい
は他の中間素子の入力側にフィードバックされている。
このことにより、ニューラルネットワーク自身が動特性
を有する事になり、時系列的な変化を認識できるものと
なる。

【００５０】なお、混合結合形ニューラルネットワーク
７の名称は、この構造が階層形ニューラルネットワーク
と相互結合形ニューラルネットワークとの混合結合とな
っているところにある。

【００５１】このような混合結合形ニューラルネットワ
ーク７内の結合重み係数の学習方法は、次のようにして
導かれる。先ず、混合結合形ニューラルネットワーク７
の説明における主な変数を下記のように定義する。

【００５２】ｔ：時間 ｍ：入力層の素子数 ｓ：中間層の素子数 ｎ：出力層の素子数 Ｕi(t)：入力層第ｉ素子への入力（ｉ＝１〜ｍ） Ｉi(t)：入力層第ｉ素子からの出力（ｉ＝１〜ｍ） ＮetHj(t) ：中間層第ｊ素子のへの入力（ｊ＝１〜ｓ） Ｈj(t)：中間層第ｊ素子からの出力（ｊ＝１〜ｓ） NetOi(t)：出力層第ｉ層への入力（ｉ＝１〜ｎ） Ｘi(t)：出力層第ｉ層からの出力（ｉ＝１〜ｎ） ａjk：入力層第ｋ素子出力端から中間層第ｊ素子入力端
への結合重み係数 ｂkj：中間層第ｒ素子出力端から中間層第ｊ素子入力端
への結合重み係数（ｂjrはリカレントループの結合重み
を表す。） ｃij：中間層第ｊ素子出力端から出力層第ｉ素子入力端
への結合重み係数 ｆH(・）：中間層における入出力変換関数 ｆO(・）：出力層における入出力変換関数 Ｅ：誤差評価関数 Ｖi(t)：出力層第ｉ素子からの出力に対する教師信号 Δａik：重み係数ａjkの修正量 Δｂjr：重み係数ｂirの修正量 Δｃij：重み係数ｃikの修正量 ε：重み係数学習パラメータ α：重み係数学習パラメータ δpj：クロネッカのデルタ 以上の変数定義のもとに、混合結合形ニューラルネット
ワーク７における各層の入出力は次のようになる。 (a) 入力層への入力：Ｕi(t) （ｉ＝１〜ｍ） (b) 入力層からの出力：Ｉi(t)＝Ｕi(t) （ｉ＝１〜
ｍ） (c) 中間層への入力：ＮetHj(t) （ｊ＝１〜ｓ） 中間層からの出力：Ｈj(t) （ｊ＝１〜ｓ） ただし、

【００５３】

【数４】

【００５４】ａjk：入力層第ｋ素子出力端から中間層第
ｊ素子入力端への結合重み係数 ｂjr：中間層第ｒ素子出力端から中間層第ｊ素子入力端
への結合重み係数（ｂjrはリカレントループの結合重み
を表す。） (d) 出力層への入力：ＮetOi(t) （ｉ＝１〜ｎ）

【００５５】

【数５】 ｃij：中間層第ｊ素子出力端から出力層第ｉ素子入力端
への結合重み係数 (e) 出力層からの出力：Ｘi(t) （ｉ＝１〜ｎ）

【００５６】

【数６】 ここで、結合重み係数の学習の基準となる誤差評価関数
Ｅを

【００５７】

【数７】 とすると、結合重み係数学習の基本式は、 ａpq(t+ Δt)＝ａpt(t) ＋Δａpt(t) …（Ｘ．６） ｂpq(t+ Δt)＝ｂpt(t) ＋Δｂpt(t) …（Ｘ．７） ｃpq(t+ Δt)＝ｃpt(t) ＋Δｃpt(t) …（Ｘ．８） となる。上式中の各重み係数修正量は、

【００５８】

【数８】

【００５９】なお、各式の第２項は、収束の安定化を図
るための項である。通常、ε＝０．１，α＝０．９に設
定する場合が多い。で与えられる。上式を実際に計算す
る際には、誤差評価関数Ｅの重み係数ｃpq，ｂpq，ａpq
に関する勾配

【００６０】

【数９】 が必要となるが、これは次のようにして導出される。

【００６１】

【数１０】 次に

【００６２】

【数１１】 このうち、

【００６３】

【数１２】 を考慮すると、

【００６４】

【数１３】 となる。なお、δpjはクロネッカのデルタを示してい
る。

【００６５】

【数１４】 をｂpqで偏微分すると、Ｈr(t-Δt)自身もｂpqの関数で
あるため、偏微分の第１項としては、

【００６６】

【数１５】 が導出される。また、偏微分の第２項は、

【００６７】

【数１６】

【００６８】なおｊ＝ｐ以外のとき、上式は０となる。
また、ｊ＝ｐであっても、ｒ＝ｑ以外のとき、上式は０
となる。次に

【００６９】

【数１７】 このうち、

【００７０】

【数１８】 を考慮すると、

【００７１】

【数１９】 となる。

【００７２】以上説明した混合構造形ニューラルネット
ワーク７の結合重み係数の学習方法を混合結合形ニュー
ラルネットワーク７の出力値演算を含めて整理すると以
下のようなステップになる。 ［ステップ０］時間ｔにおける演算開始。 ［ステップ１］入力層の出力を演算する。

【００７３】Ｉi(t)＝Ｕi(t) （ｉ＝１〜ｍ） ［ステップ２］中間層への入力を演算する。

【００７４】

【数２０】 ［ステップ３］中間層からの出力を演算する。

【００７５】 Ｈj(t)＝ｆH(ＮetHj(t) ） （ｊ＝１〜ｓ） ［ステップ４］出力層への入力を演算する。

【００７６】

【数２１】 ［ステップ５］出力層からの出力を演算する。

【００７７】 Ｘi(t)＝ｆO(ＮetOi(t) ） （ｉ＝１〜ｎ） ［ステップ６］学習を行うときは、［ステップ７］へ。

【００７８】学習を行わないときは、時間ｔにおける演
算終了（リターン）。 ［ステップ７］誤差評価関数Ｅの出力に関する勾配を演
算する。

【００７９】

【数２２】 ［ステップ８］

【００８０】

【数２３】 ［ステップ９］重み係数ｃpqの修正量Δｃpqを求める。

【００８１】

【数２４】 ［ステップ１０］

【００８２】

【数２５】 ［ステップ１１］

【００８３】

【数２６】 ［ステップ１２］重み係数ｂpqの修正量Δｂpqを求め
る。

【００８４】

【数２７】

【００８５】ただし、 Δｂpq(0) ＝０ （ｐ＝１〜ｓ，ｑ＝１〜ｓ） とする。 ［ステップ１３］

【００８６】

【数２８】 ［ステップ１４］

【００８７】

【数２９】 ［ステップ１５］重み係数ａpqの修正量Δａpqを求め
る。

【００８８】

【数３０】 ［ステップ１６］重み係数ｃpqの更新を行う。

【００８９】ｃpq (t+Δt)＝ｃpq(t) ＋Δｃpq(t) （ｐ
＝１〜ｎ，ｑ＝１〜ｓ） ［ステップ１７］重み係数ｂpqの更新を行う。

【００９０】ｂpq (t+Δt)＝ｂpq(t) ＋Δｂpq(t) （ｐ
＝１〜ｓ，ｑ＝１〜ｓ） ［ステップ１８］重み係数ａpqの更新を行う。

【００９１】ａpq (t+Δt)＝ａpq(t) ＋Δａpq(t) （ｐ
＝１〜ｓ，ｑ＝１〜ｓ） ［ステップ１９］時間ｔにおける演算終了（リター
ン）。

【００９２】以上、混合結合形ニューラルネットワーク
７について結合重み係数の学習方法である。そして、こ
の混合結合形ニューラルネットワーク学習手段８では、 Ｕ₁ ＝交通密度演算手段５の出力として得られるある時
刻ｔにおけるセクションｉの交通密度実績値 Ｕ₂ ＝交通密度演算手段５の出力として得られるある時
刻ｔにおけるセクションｉ＋１の交通密度実績値 Ｘ₁ ＝式（１８），（１９）式のＵ₁ ，Ｕ₂ をニューラ
ルネットワークの入力信号としたときのニューラルネッ
トワーク出力 Ｖ₁ ＝空間平均速度演算手段４の出力として得られるあ
る時刻ｔにおけるセクションｉの空間平均速度実績値 を一組の学習用データ（Ｖ₁ がＸ₁ に対する教師信号と
なる）とし、前述の［ステップ７］〜［ステップ１８］
に従って、混合結合形ニューラルネットワーク７内の重
み係数の学習を行なう機能を有している。つまり各セク
ション毎、各時刻毎に上記式(18)〜(21)の学習用データ
の組を作成し、学習を行うものとなっている。

【００９３】次に上記の如く構成された装置の作用につ
いて説明する。車両感知器１の出力をもとに、交通量演
算手段２は各セクションの交通量［台／ｍｉｎ］を求
め、オキュパンシ演算手段３は各セクションのオキュパ
ンシ［％］が演算し求める。これらの演算結果をもと
に、空間平均速度演算手段４は、上記式(13)を演算し
て、各セクションの空間平均速度［ｋｍ／ｈ］を求め
る。

【００９４】又、交通密度演算手段５は、上記式(14)を
演算して、各セクションの交通密度［台／ｍ］を求め
る。そして、交通流予測手段６は、式(14)で得られた各
セクションの交通密度ｋi(t)［台／ｍ］を初期条件とし
て、今後の各セクションｉ（ｉ＝１〜ｎ）における空間
平均速度Ｖi ［ｋｍ／ｈ］の推移、 Ｖi(t)，Ｖi(t+Δt)，Ｖi(t+2 ・Δt)，… （ｉ＝１〜ｎ） 及び、交通密度ｋi の推移、 ｋi(t+Δt)，Ｋi (t+2・Δt)，ｋi(t+3 ・Δt)，… （ｉ＝１〜ｎ） を予測する。

【００９５】図２はこの交通流予測手段６の内部で行わ
れる演算フローチャートを示している。すなわち、ステ
ップ＃20において定数データを読み込み、ステップ＃21
にて初期時刻を設定（τ＝現在時刻ｔ）し、次のステッ
プ＃22において交通密度演算手段５の演算結果による各
セクションｉ(= 1〜n)の交通密度の現在値ｋi(τ) を設
定する。

【００９６】次にステップ＃23において混合結合形ニュ
ーラルネットワーク７により各セクションｉの空間平均
速度Ｖｉ（τ) （ｉ＝１〜ｎ）を求める。すなわち、混
合結合形ニューラルネットワーク７は、入力信号とし
て、 Ｕ₁ ＝セクションｉの交通密度ｋi(t) Ｕ₂ ＝セクションｉの下流側セクションｉ＋１の交通密
度ｋi+1(t) を採用し、上記式（Ｘ．１）〜（Ｘ．４Ｄ）を演算して
出力信号として、 Ｘ₁ ＝セクションｉの空間平均速度Ｖi(t) を得る。

【００９７】次にステップ＃24において各セクションｉ
にオンランプより流入する交通量Ｕr, i（τ) を求め、
次のステップ＃25において各セクションｉ間の推移確率
Ｐi-1,i を設定する。

【００９８】次にステップ＃26において流入交通量ＱIN
i-1,i 、流出交通量ＱOUTi,i+1(i=1〜n)を求める。そう
して、ステップ＃27において時刻τ〜τ＋Δｔ間におけ
る交通密度変化量Δｋi(τ)(i= 1〜n)を求め、ステップ
＃28において時刻τにおける途中結果を出力する。

【００９９】次にステップ＃29において時刻τ＋Δτに
おける交通密度ｋi(τ＋Δt)を求め、次のステップ＃30
において交通密度 ｋi(τ＋Δt)＝ｋi(τ) ＋Δｋi(τ) を求める。

【０１００】又、混合結合形ニューラルネットワーク学
習手段８は、 Ｕ₁ ＝交通密度演算手段５の出力として得られるある時
刻ｔにおけるセクションｉの交通密度実績値 Ｕ₂ ＝交通密度演算手段５の出力として得られるある時
刻ｔにおけるセクションｉ＋１の交通密度実績値 Ｘ₁ ＝上記のＵ₁ ，Ｕ₂ をニューラルネットワークの入
力信号としたときのニューラルネットワーク出力 Ｖ₁ ＝空間平均速度演算手段４の出力として得られるあ
る時刻ｔにおけるセクションｉの空間平均速度実績値 を一組の学習用データ（Ｖ₁ がＸ₁ に対する教師信号と
なる）とし、前述の［ステップ７］〜［ステップ１８］
に従って、混合結合形ニューラルネットワーク内の重み
係数を学習する。

【０１０１】このように上記第１の実施例によれば、あ
るセクションの空間平均速度（車速）を予測する際に、
当該セクションの交通密度と当該セクション下流側の交
通密度との両者を考慮して予測しているので、従来経験
的に定めていたセクション間の流出係数といった考え方
が不要となり、予測精度が向上する。

【０１０２】又、この予測を行う際に、混合結合形ニュ
ーラルネットワーク７を使用したモデルを用いているの
で、実際に計測されるデータを用いて、逐次学習を行っ
ていくことにより、継続的にモデル精度の向上を図る事
が出来る。

【０１０３】又、ニューラルネットワークの構造とし
て、混合結合形ニューラルネットワーク７を用いている
ので、ニューラルネットワーク自身が時系列データを認
識でき、交通流のような時系列変化を伴う対象プロセス
の予測を高精度で行う事が出来る。

【０１０４】さらに、空間平均速度（車速）の予測精度
を向上するので、渋滞長（ある定められた時速以下で走
行せざるを得ない領域の長さ）の予測精度が向上し、そ
のうえ、ある地点からある地点までの走行所要時間（旅
行時間）の予測精度が向上する。 (2) 次に本発明の第２の実施例について説明する。

【０１０５】上記第１の実施例では、あるセクションの
空間平均速度（車速）を予測する際に、当該セクション
の交通密度と当該セクション下流側の交通密度との両者
を考慮しているが、当該セクション上流側の交通密度を
取り入れてもよい。

【０１０６】この場合には、あるセクションｉの空間平
均速度Ｖi(t)を混合結合形ニューラルネットワーク７に
より求める際、その入力信号として、 Ｕ₁ ＝セクションｉの交通密度ｋi(t) Ｕ₂ ＝セクションｉの下流側セクションｉ＋１の交通密
度ｋi+1(t) を採用し、上記式（Ｘ．１）〜（Ｘ．５）を演算してニ
ューラルネットワークの出力信号として、 Ｘ₁ ＝セクションｉの空間平均速度Ｖi(t) を得る機能を有するものとなる。

【０１０７】一方、ニューラルネットワーク学習手段８
は、 Ｕ₁ ＝交通密度演算手段５の出力として得られるある時
刻ｔにおけるセクションｉの交通密度実績値 Ｕ₂ ＝交通密度演算手段５の出力として得られるある時
刻ｔにおけるセクションｉ＋１の交通密度実績値 Ｕ₃ ＝交通密度演算手段５の出力として得られるある時
刻ｔにおけるセクションｉ−１の交通密度実績値 Ｘ₁ ＝Ｕ₁ ，Ｕ₂ ，Ｕ₃ をニューラルネットワークの入
力信号としたときのニューラルネットワーク出力 Ｖ₁ ＝図１の空間平均速度演算手段４の出力として得ら
れるある時刻ｔにおけるセクションｉの空間平均速度実
績値 を一組の学習用データ（Ｖ₁ がＸ₁ に対する教師信号と
なる）とし、前述の式（Ｘ．９）〜（Ｘ．１４）に従っ
て、ニューラルネットワーク内の重み係数の学習を行う
機能を有するものとなる。なお、各セクション毎に、各
時刻毎に上述の式(18)〜(21)の学習用データの組を作成
し、学習を行うものである。

【０１０８】このように上記第２の実施例によれば、上
記第１の実施例と同様の効果を奏することができる。 (3) 次に本発明の第３の実施例について説明する。

【０１０９】図４は交通流予測装置の構成図である。な
お、図１と同一部分には同一符号を付してその詳しい説
明は省略する。混合結合形ニューラルネットワーク１０
は、交通量、オキュパシン及び空間平均速度の各実績値
に基いて指定された各地点間における走行所要時間の予
測値を求める機能を有している。

【０１１０】又、混合結合形ニューラルネットワーク学
習手段１１は、高速道路上に主要ポイントにおける交通
量、オキュパシン及び空間平均速度の各実績値、及び混
合結合形ニューラルネットワーク１０により求められる
走行所要時間の予測値に基づいて混合結合形ニューラル
ネットワーク１０内の重み係数の学習を行う機能を有し
ている。

【０１１１】かかる構成とすることにより、ある地点か
らある地点（２地点間の）までの走行所要時間（旅行時
間）を直接、混合結合形ニューラルネットワーク１０に
予測させることが可能である。

【０１１２】このとき混合結合形ニューラルネットワー
ク１０の学習に必要な教師信号は、旅行時間の実績値と
いう事になるが、これを得るための手段としては、 ・通行車両のプレートナンバの画像認識により、通行車
両のオンランプからの流入時とオフランプからの脱出時
の時刻検出を行い、２地点間の旅行時間実績値を得る方
法。

【０１１３】・実際に、定時間毎に試験車両を走行させ
る事により各地点間の旅行時間を計測する方法。などを
用いればよい。

【０１１４】又、本発明は、図３の混合結合形ニューラ
ルネットワークを各セクションに共通のものとして取り
扱っているところを、オンランプ、オフランプ、分岐、
合流の有無さらには道路幅、車線数など路線形状が他と
異なる部分のセクションおよびその近傍のセクションに
関し、その領域専用の混合結合形ニューラルネットワー
クを設けてもよい。例えば、図５のような路線形状の場
合、 (a) 領域Ａ専用の混合結合形ニューラルネットワーク (b) 領域Ｂ専用の混合結合形ニューラルネットワーク (c) 領域Ｃ専用の混合結合形ニューラルネットワーク (d) 領域Ｄ専用の混合結合形ニューラルネットワーク (e) 領域Ａ，Ｂ，Ｃ，Ｄ以外に共通の混合結合形ニュー
ラルネットワーク というように区別してもよい。

【０１１５】このように混合結合形ニューラルネットワ
ークモデルを道路上の路線形状の変化に応じて複数設け
る事により、オンランプ、オフランプ、分岐、合流の有
無さらには道路幅、車線数など各種条件の差異にも対応
した交通流予測を行う事が可能となる。なお、本発明
は、上記各実施例に限定されるものでなくその要旨を変
更しない範囲で変形してもよい。

【０１１６】

【発明の効果】以上詳記したように本発明によれば、交
通密度から空間平均速度を得る際に、そのセクションの
交通密度のみならず下流側の隣接セクションの交通密度
をも要素として取り入れることにより、より高精度に交
通流を予測できる交通流予測装置を提供できる。

【図面の簡単な説明】

【図１】本発明に係わる交通流予測装置の第１の実施例
を示す構成図。

【図２】同装置における交通流予測フローチャート。

【図３】同装置における階層形ニューラルネットワーク
の構成図。

【図４】本発明に係わる交通流予測装置の第３の実施例
を示す構成図。

【図５】本発明を適用した路線形状の一例を示す図。

【図６】高速道路をセクション分割した模式図。

【図７】１つのセクションの下流側にオフランプが接続
されている場合の高速道路の模式図。

【図８】１つのセクションの上流側にオンランプが接続
されている場合の高速道路の模式図。

【図９】高速道路の簡易路線図。

【図１０】従来の状態方程式モデルに基づく交通流予測
演算フローチャート。

【図１１】従来の階層形ニューラルネットワークの構成
図。

【符号の説明】

１…車両感知器、２…交通量演算手段、３…オキュパシ
ン演算手段、４…空間平均速度演算手段、５…交通密度
演算手段、６…交通流予測手段、７…混合結合形ニュー
ラルネットワーク、８…混合結合形ニューラルネットワ
ーク学習手段。

Claims (4)

【特許請求の範囲】
1. 【請求項１】 道路上を複数に分割した各セクションご
   とに設けられた各車両感知器と、 これら車両感知器の感知データに基づいて前記各セクシ
   ョンにおける空間平均速度及び交通密度の各実績値を求
   める実績値演算手段と、 １つのセクションの交通密度とこのセクションに対する
   少なくとも下流側セクションの交通密度とに基づいて前
   記所定のセクションにおける空間平均速度の予測値を求
   める混合結合形ニューラルネットワークと、 前記実績値演算手段により求められた前記１つのセクシ
   ョンにおける交通密度及び空間平均速度の各実績値、前
   記下流側セクションにおける各交通密度の実績値、及び
   前記混合結合形ニューラルネットワークにより求められ
   る空間平均速度の予測値に基づいて前記混合結合形ニュ
   ーラルネットワーク内の重み係数の学習を行う学習手段
   と、 前記実績値演算手段により求められた前記交通密度の実
   績値、及び前記混合結合形ニューラルネットワークによ
   り求められた空間平均速度の予測値に基づいて前記各セ
   クションにおける空間平均密度及び交通密度の推移を予
   測する交通流予測手段と、を具備したことを特徴とする
   交通流予測装置。
2. 【請求項２】 混合結合形ニューラルネットワークは、
   １つのセクションの交通密度とこのセクションに対する
   下流側セクションの交通密度、及び前記１つのセクショ
   ンに対する上流側セクションの交通密度とに基づいて前
   記１つのセクションにおける空間平均速度の予測値を求
   める機能を有することを特徴とする請求項１記載の交通
   流予測装置。
3. 【請求項３】 学習手段は、１つのセクションにおける
   空間平均密度及び交通密度の各実績値、このセクション
   に対する上流及び下流側セクションにおける各交通密度
   の実績値、及びこれら実績値を入力したときの混合結合
   形ニューラルネットワークにより求められる空間平均速
   度の予測値に基づいて前記混合結合形ニューラルネット
   ワーク内の重み係数の学習を行う機能を有することを特
   徴とする請求項１記載の交通流予測装置。
4. 【請求項４】 道路上を複数に分割した各セクションご
   とに設けられた各車両感知器と、 これら車両感知器の感知データに基づいて前記各セクシ
   ョンにおける交通量、オキュパシン及び空間平均速度の
   各実績値を求める実績値演算手段と、 これら交通量、オキュパシン及び空間平均速度の各実績
   値に基づいて指定された各地点間における走行所要時間
   の予測値を求める混合結合形ニューラルネットワーク
   と、 前記実績値演算手段により求められた前記セクションに
   おける交通量、オキュパシン及び空間平均速度の各実績
   値、及び前記混合結合形ニューラルネットワークにより
   求められる走行所要時間の予測値に基づいて前記混合結
   合型ニューラルネットワーク内の重み係数の学習を行う
   学習手段と、を具備したことを特徴とする交通流予測装
   置。