JPH09190422A - 交通状況予測装置 - Google Patents
交通状況予測装置Info
- Publication number
- JPH09190422A JPH09190422A JP304496A JP304496A JPH09190422A JP H09190422 A JPH09190422 A JP H09190422A JP 304496 A JP304496 A JP 304496A JP 304496 A JP304496 A JP 304496A JP H09190422 A JPH09190422 A JP H09190422A
- Authority
- JP
- Japan
- Prior art keywords
- traffic information
- error
- neural network
- traffic
- time
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 230000005856 abnormality Effects 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 15
- 239000013643 reference control Substances 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 たとえ事故や渋滞等の異常発生時でも、現在
の交通状況から近い将来の交通状況を精度良く予測す
る。 【解決手段】 道路１における規定位置２を通過する車
両の通行情報ＶM を検出する通行情報検出器３と、入力
層９に通行情報ＶM が入力されると出力層８から規定時
間ＴS 経過後の規定位置２における予測通行情報Ｖ01を
出力するニューラルネットワーク４と、実測通行情報Ｖ
-Mと予測通行情報Ｖ01とに基づいてニューラルネットワ
ーク４を学習させるネットワーク学習部１０とを設けて
いる。そして、実測通行情報と予測通行情報との間の誤
差通行情報ＶE を算出し、算出された誤差通行情報ＶE
が判定基準ＶS を越えると、ネットワーク学習部１０の
動作を停止する。さらに、算出される誤差通行情報ＶE
の統計的な低下傾向に応じて判定基準ＶS を順次低下さ
せる。
の交通状況から近い将来の交通状況を精度良く予測す
る。 【解決手段】 道路１における規定位置２を通過する車
両の通行情報ＶM を検出する通行情報検出器３と、入力
層９に通行情報ＶM が入力されると出力層８から規定時
間ＴS 経過後の規定位置２における予測通行情報Ｖ01を
出力するニューラルネットワーク４と、実測通行情報Ｖ
-Mと予測通行情報Ｖ01とに基づいてニューラルネットワ
ーク４を学習させるネットワーク学習部１０とを設けて
いる。そして、実測通行情報と予測通行情報との間の誤
差通行情報ＶE を算出し、算出された誤差通行情報ＶE
が判定基準ＶS を越えると、ネットワーク学習部１０の
動作を停止する。さらに、算出される誤差通行情報ＶE
の統計的な低下傾向に応じて判定基準ＶS を順次低下さ
せる。
Description
【０００１】
【発明の属する技術分野】本発明は、交通監視システム
に係わり、特に、ニューラルネットワークを用いて道路
のある規定位置における現在の交通状況から数分乃至数
十分後における交通状況を予測する交通状況予測装置に
関する。
に係わり、特に、ニューラルネットワークを用いて道路
のある規定位置における現在の交通状況から数分乃至数
十分後における交通状況を予測する交通状況予測装置に
関する。
【０００２】
【従来の技術】幹線道路や高速道路等の主に自動車のみ
が通行する道路の交通状況を監視する交通監視システム
においては、監視対象の道路上の各位置に通行情検出器
を配設し、各位置における車両の平均速度Ｖ，単位時間
当りの交通量Ｑ，単位距離当りの車両の占有率を示すオ
キュパンシＯcc等の通行情報を検出する。そして、交通
管制センタ等で各位置の通行情報を収集して、現在時点
における渋滞，事故等の発生状況を監視する。
が通行する道路の交通状況を監視する交通監視システム
においては、監視対象の道路上の各位置に通行情検出器
を配設し、各位置における車両の平均速度Ｖ，単位時間
当りの交通量Ｑ，単位距離当りの車両の占有率を示すオ
キュパンシＯcc等の通行情報を検出する。そして、交通
管制センタ等で各位置の通行情報を収集して、現在時点
における渋滞，事故等の発生状況を監視する。
【０００３】また、交通監視システムにおいては、上述
した現在の交通状況のみならず、この現在の交通状況か
ら近い将来に発生するであろう渋滞を予測して運転者に
警告したり、現在発生している渋滞の解消を予測して運
転者に告知することが要望されている。さらに、現在の
交通状況から近い将来における平均速度等を予測して、
これに基づいて目的地までの所要時間を算出して運転者
に告知することが要望されている。
した現在の交通状況のみならず、この現在の交通状況か
ら近い将来に発生するであろう渋滞を予測して運転者に
警告したり、現在発生している渋滞の解消を予測して運
転者に告知することが要望されている。さらに、現在の
交通状況から近い将来における平均速度等を予測して、
これに基づいて目的地までの所要時間を算出して運転者
に告知することが要望されている。
【０００４】一般に、現在の交通状況から将来の交通状
況を解析的に求めるのは困難であるので、ニューラルネ
ットワーク手法を用いて予測している。すなわち、一般
のニューラルネットワークは、入力層と中間層と出力層
と重み係数とで構成されている。そして、現在の交通状
況から規定時間先の交通状況を予測する場合は、入力層
に現在の交通状況を入力し、出力層から将来の予測交通
状況を取出す。そして、実際に規定時間経過した時点に
おける実際の実測交通状況と先に予測した予測交通状況
とが一致するように前記各重み係数を修正していくネッ
トワーク学習部が設けられている。
況を解析的に求めるのは困難であるので、ニューラルネ
ットワーク手法を用いて予測している。すなわち、一般
のニューラルネットワークは、入力層と中間層と出力層
と重み係数とで構成されている。そして、現在の交通状
況から規定時間先の交通状況を予測する場合は、入力層
に現在の交通状況を入力し、出力層から将来の予測交通
状況を取出す。そして、実際に規定時間経過した時点に
おける実際の実測交通状況と先に予測した予測交通状況
とが一致するように前記各重み係数を修正していくネッ
トワーク学習部が設けられている。
【０００５】したがって、このニューラルネットワーク
を長期間稼働させると、学習効果が働き、各重み係数が
最適値に収束して、実測交通状況にほぼ近似した予測交
通状況が得られる。
を長期間稼働させると、学習効果が働き、各重み係数が
最適値に収束して、実測交通状況にほぼ近似した予測交
通状況が得られる。
【０００６】
【発明が解決しようとする課題】しかしながら、上述し
たニューラルネットワーク手法を用いて将来の交通状況
を予測する交通状況予測装置においても、まだ改良すべ
き次のような課題があった。
たニューラルネットワーク手法を用いて将来の交通状況
を予測する交通状況予測装置においても、まだ改良すべ
き次のような課題があった。
【０００７】すなわち、事故や大きな渋滞が発生せず
に、各車両が道路上を通常状態で走行している場合は、
ニューラルネットワークを長期に亘って稼働すると、高
い精度の予測交通状況が得られる。
に、各車両が道路上を通常状態で走行している場合は、
ニューラルネットワークを長期に亘って稼働すると、高
い精度の予測交通状況が得られる。
【０００８】しかし、事故や渋滞等の突発事象が発生す
ると、実測交通状況と予測交通状況とが極端に離れる場
合がある。しかし、このような特殊な条件下において
も、ネットワーク学習部が、実測交通状況と予測交通状
況とを一致させる方向に各重み係数を補正していく。こ
の補正の方向は、往々にして、各車両が通常状態で走行
している場合における補正の方向と逆行する。そして、
突発事象が解消されると、同一重み係数が再度反対方向
に補正される。
ると、実測交通状況と予測交通状況とが極端に離れる場
合がある。しかし、このような特殊な条件下において
も、ネットワーク学習部が、実測交通状況と予測交通状
況とを一致させる方向に各重み係数を補正していく。こ
の補正の方向は、往々にして、各車両が通常状態で走行
している場合における補正の方向と逆行する。そして、
突発事象が解消されると、同一重み係数が再度反対方向
に補正される。
【０００９】したがって、事故や渋滞等の突発事象が存
在する限り、一定精度以上の予測交通状況が得られない
問題が生じる。また、事故や渋滞等の突発事象は継続し
て発生することはないので、これらの事象が発生した状
態におけるニューラルネットワークの学習ができない。
したがって、事故や渋滞等の突発事象の発生条件下で、
近い将来の交通状況を予測できなかった。
在する限り、一定精度以上の予測交通状況が得られない
問題が生じる。また、事故や渋滞等の突発事象は継続し
て発生することはないので、これらの事象が発生した状
態におけるニューラルネットワークの学習ができない。
したがって、事故や渋滞等の突発事象の発生条件下で、
近い将来の交通状況を予測できなかった。
【００１０】本発明はこのような事情に鑑みてなされた
ものであり、ニューラルネットワークから出力された予
測通行情報と実測通行情報との誤差通行情報が判定基準
を越えると学習動作を停止させることによって、異常な
情報でニューラルネットワークが学習されることが未然
に防止され、精度の高い予測通行情報を得ることができ
る交通状況予測装置を提供することを目的とする。
ものであり、ニューラルネットワークから出力された予
測通行情報と実測通行情報との誤差通行情報が判定基準
を越えると学習動作を停止させることによって、異常な
情報でニューラルネットワークが学習されることが未然
に防止され、精度の高い予測通行情報を得ることができ
る交通状況予測装置を提供することを目的とする。
【００１１】また、本発明は、上記目的に加えて、通常
時と異常時とを区別して学習させることによって、通常
時のみならず異常時においても、近い将来の交通状況を
予測できる交通状況予測装置を提供することを目的とす
る。
時と異常時とを区別して学習させることによって、通常
時のみならず異常時においても、近い将来の交通状況を
予測できる交通状況予測装置を提供することを目的とす
る。
【００１２】
【課題を解決するための手段】上記課題を解消するため
に本発明の請求項１の交通状況予測装置においては、道
路における規定位置を通過する車両の通行情報を検出す
る通行情報検出器と、入力層と中間層と出力層と重み係
数とで構成され、入力層に通行情報検出器で検出された
通行情報が入力されると、出力層から規定時間経過後の
規定位置における予測通行情報を出力するニューラルネ
ットワークと、通行情報検出器で規定時間経過後に検出
された実測通行情報とニューラルネットワークから出力
された予測通行情報とに基づいてニューラルネットワー
ク内の重み係数を修正するネットワーク学習部と、実測
通行情報と予測通行情報との間の誤差通行情報を算出す
る誤差通行情報算出部と、この誤差通行情報算出部で算
出された誤差通行情報が判定基準を越えると、ネットワ
ーク学習部の動作を停止させるネットワーク学習停止手
段と、誤差通行情報算出部で算出される誤差通行情報の
統計的な低下傾向に応じて判定基準を順次低下させる判
定基準制御手段とを備えている。
に本発明の請求項１の交通状況予測装置においては、道
路における規定位置を通過する車両の通行情報を検出す
る通行情報検出器と、入力層と中間層と出力層と重み係
数とで構成され、入力層に通行情報検出器で検出された
通行情報が入力されると、出力層から規定時間経過後の
規定位置における予測通行情報を出力するニューラルネ
ットワークと、通行情報検出器で規定時間経過後に検出
された実測通行情報とニューラルネットワークから出力
された予測通行情報とに基づいてニューラルネットワー
ク内の重み係数を修正するネットワーク学習部と、実測
通行情報と予測通行情報との間の誤差通行情報を算出す
る誤差通行情報算出部と、この誤差通行情報算出部で算
出された誤差通行情報が判定基準を越えると、ネットワ
ーク学習部の動作を停止させるネットワーク学習停止手
段と、誤差通行情報算出部で算出される誤差通行情報の
統計的な低下傾向に応じて判定基準を順次低下させる判
定基準制御手段とを備えている。
【００１３】また、請求項２においては、上述した発明
の交通状況予測装置に対して、さらに、入力層と中間層
と出力層と重み係数とで構成され、入力層に通行情報検
出器で検出された通行情報が入力されると、出力層から
規定時間経過後の規定位置における異常時予測通行情報
を出力する異常時ニューラルネットワークと、通行情報
検出器で規定時間経過後に検出された実測通行情報と異
常時ニューラルネットワークから出力された異常時予測
通行情報とに基づいて異常時ニューラルネットワーク内
の重み係数を修正する異常時ネットワーク学習部と、誤
差通行情報算出部で算出された誤差通行情報が前記判定
基準以下のとき、異常時ネットワーク学習部の動作を停
止させるとともに、算出された誤差通行情報が判定基準
を越えると、前記異常時ネットワーク学習部を動作させ
る異常時ネットワーク学習制御手段とを付加したもので
ある。
の交通状況予測装置に対して、さらに、入力層と中間層
と出力層と重み係数とで構成され、入力層に通行情報検
出器で検出された通行情報が入力されると、出力層から
規定時間経過後の規定位置における異常時予測通行情報
を出力する異常時ニューラルネットワークと、通行情報
検出器で規定時間経過後に検出された実測通行情報と異
常時ニューラルネットワークから出力された異常時予測
通行情報とに基づいて異常時ニューラルネットワーク内
の重み係数を修正する異常時ネットワーク学習部と、誤
差通行情報算出部で算出された誤差通行情報が前記判定
基準以下のとき、異常時ネットワーク学習部の動作を停
止させるとともに、算出された誤差通行情報が判定基準
を越えると、前記異常時ネットワーク学習部を動作させ
る異常時ネットワーク学習制御手段とを付加したもので
ある。
【００１４】請求項３においては、請求項２の交通状況
予測装置に対して、さらに、誤差通行情報算出部で算出
される誤差通行情報が判定基準以下のときニューラルネ
ットワークから出力される予測通行情報を出力し、算出
される誤差通行情報が判定基準を越えるとき異常時ニュ
ーラルネットワークから出力される異常時予測通行情報
を出力する予測通行情報選択手段を付加している。
予測装置に対して、さらに、誤差通行情報算出部で算出
される誤差通行情報が判定基準以下のときニューラルネ
ットワークから出力される予測通行情報を出力し、算出
される誤差通行情報が判定基準を越えるとき異常時ニュ
ーラルネットワークから出力される異常時予測通行情報
を出力する予測通行情報選択手段を付加している。
【００１５】さらに、請求項４においては、上記各交通
状況予測装置に対して、誤差通行情報算出部で算出され
る誤差通行情報が判定基準を最初に越え、かつ判定基準
を所定以上越えたときに事故発生と判定する事故発生検
出手段を付加している。
状況予測装置に対して、誤差通行情報算出部で算出され
る誤差通行情報が判定基準を最初に越え、かつ判定基準
を所定以上越えたときに事故発生と判定する事故発生検
出手段を付加している。
【００１６】このように構成された請求項１の交通状況
予測装置においては、ニューラルネットワークは、道路
の規定位置における現在の車両の通行情報から規定時間
経過後の該当規定位置における予測通行情報を出力す
る。ネットワーク学習部において規定時間経過後に該当
規定位置で検出された実測通行情報と予測通行情報とに
基づいてニューラルネットワークの各重み計数が修正さ
れる。
予測装置においては、ニューラルネットワークは、道路
の規定位置における現在の車両の通行情報から規定時間
経過後の該当規定位置における予測通行情報を出力す
る。ネットワーク学習部において規定時間経過後に該当
規定位置で検出された実測通行情報と予測通行情報とに
基づいてニューラルネットワークの各重み計数が修正さ
れる。
【００１７】そして、本願においては、予測通行情報と
実測通行情報との間の誤差通行情報が判定基準を越える
と前記学習を停止している。この判定基準は誤差通行情
報が統計的に小さくなると小さくなる。
実測通行情報との間の誤差通行情報が判定基準を越える
と前記学習を停止している。この判定基準は誤差通行情
報が統計的に小さくなると小さくなる。
【００１８】したがって、このニューラルネットワーク
の稼働期間がある程度長期になると、通常の状態におい
ては、誤差通行情報が判定基準を越えることはほとんど
ない。そして、判定基準を越えると、事故や渋滞等の異
常発生時とみなすことが可能である。この異常発生時に
ネットワーク学習を停止することによって、適切でない
情報でニューラルネットワークの各重み計数が修正され
ることはないので、ニューラルネットワークの予測精度
をより一層向上できる。
の稼働期間がある程度長期になると、通常の状態におい
ては、誤差通行情報が判定基準を越えることはほとんど
ない。そして、判定基準を越えると、事故や渋滞等の異
常発生時とみなすことが可能である。この異常発生時に
ネットワーク学習を停止することによって、適切でない
情報でニューラルネットワークの各重み計数が修正され
ることはないので、ニューラルネットワークの予測精度
をより一層向上できる。
【００１９】請求項２の交通状況予測装置においては、
上述した通常時用のニューラルネットワークの他に異常
時ニューラルネットワーク及び異常時ネットワーク学習
部を設けている。そして、誤差通行情報が判定基準を越
える条件下における実測通行情報と異常時予測通行情報
とに基づいて異常時ニューラルネットワークの各重み計
数が修正される。
上述した通常時用のニューラルネットワークの他に異常
時ニューラルネットワーク及び異常時ネットワーク学習
部を設けている。そして、誤差通行情報が判定基準を越
える条件下における実測通行情報と異常時予測通行情報
とに基づいて異常時ニューラルネットワークの各重み計
数が修正される。
【００２０】よって、通常時のみならず異常時において
も、近い将来の交通状況が精度良く予測できる。請求項
３においては、誤差通行情報が判定基準以下のときは通
常のニューラルネットワークから出力された予測通行情
報が出力され、誤差通行情報が判定基準を越えたときは
異常時ニューラルネットワークから出力された異常予測
通行情報が出力される。したがって、監視員は通常．異
常を判断する必要がない。
も、近い将来の交通状況が精度良く予測できる。請求項
３においては、誤差通行情報が判定基準以下のときは通
常のニューラルネットワークから出力された予測通行情
報が出力され、誤差通行情報が判定基準を越えたときは
異常時ニューラルネットワークから出力された異常予測
通行情報が出力される。したがって、監視員は通常．異
常を判断する必要がない。
【００２１】さらに、請求項４においては、この交通状
況予測装置を用いて規定位置の規定時間経過後の通行情
報を継続して予測している過程において、事故が発生す
ると誤差通行情報が突然判定基準を大きく越える。した
がって、誤差通行情報が判定基準を最初に越え、かつ所
定以上越えた時点で事故発生と判断している。
況予測装置を用いて規定位置の規定時間経過後の通行情
報を継続して予測している過程において、事故が発生す
ると誤差通行情報が突然判定基準を大きく越える。した
がって、誤差通行情報が判定基準を最初に越え、かつ所
定以上越えた時点で事故発生と判断している。
【００２２】
【発明の実施の形態】以下本発明の一実施形態を図面を
用いて説明する。図１は実施形態に係わる交通状況予測
装置の概略構成を示すブロック図である。
用いて説明する。図１は実施形態に係わる交通状況予測
装置の概略構成を示すブロック図である。
【００２３】幹線道路や高速道路等における自動車専用
の道路１上に設定された規定位置２に通行情報検出器と
しての速度検出器３が配設されている。なお、説明を簡
単にするために、速度検出器３はこの道路１を矢印で示
す一方向に走行する車両の通行情報としての速度ＶM
（ｋｍ／ｈ）を１秒等の予め定められた一定周期Ｔ0 毎
に測定する。
の道路１上に設定された規定位置２に通行情報検出器と
しての速度検出器３が配設されている。なお、説明を簡
単にするために、速度検出器３はこの道路１を矢印で示
す一方向に走行する車両の通行情報としての速度ＶM
（ｋｍ／ｈ）を１秒等の予め定められた一定周期Ｔ0 毎
に測定する。
【００２４】具体的には、図２に示すように、速度検出
器３は、前記規定位置２及びこの規定位置２を中心に前
後に例えば１００〜５００ｍの微小距離ΔＬだけ離れた
位置の合計３箇所に配設された速度検出器３ａ，３ｂ，
３ｃからなり、前記速度ＶM（ｋｍ／ｈ）は各速度検出
器３ａ，３ｂ，３ｃから得られる各速度ＶM1，ＶM2，Ｖ
M3の総称である。なお、各車両相互間の速度偏差を抑制
するために、測定された速度ＶM （ＶM1，ＶM2，ＶM3）
は各該当位置を例えば２０秒間に通過する各車両の移動
平均速度である。なお、２０秒間に通過する車両がない
場合は一つ前の２０秒間のデータを採用する。
器３は、前記規定位置２及びこの規定位置２を中心に前
後に例えば１００〜５００ｍの微小距離ΔＬだけ離れた
位置の合計３箇所に配設された速度検出器３ａ，３ｂ，
３ｃからなり、前記速度ＶM（ｋｍ／ｈ）は各速度検出
器３ａ，３ｂ，３ｃから得られる各速度ＶM1，ＶM2，Ｖ
M3の総称である。なお、各車両相互間の速度偏差を抑制
するために、測定された速度ＶM （ＶM1，ＶM2，ＶM3）
は各該当位置を例えば２０秒間に通過する各車両の移動
平均速度である。なお、２０秒間に通過する車両がない
場合は一つ前の２０秒間のデータを採用する。
【００２５】図１において、速度検出器３で一定周期Ｔ
0 毎に検出された速度ＶM （ＶM1，ＶM2，ＶM3）は、通
常時ニューラルネットワーク４，異常時ニューラルネッ
トワーク５へ順次入力される。また、速度検出器３で順
次検出された速度ＶM は、実測速度Ｖ-Mとして誤差算出
部９，通常時ネットワーク学習部１０及び異常時ネット
ワーク学習部１１へ印加される。
0 毎に検出された速度ＶM （ＶM1，ＶM2，ＶM3）は、通
常時ニューラルネットワーク４，異常時ニューラルネッ
トワーク５へ順次入力される。また、速度検出器３で順
次検出された速度ＶM は、実測速度Ｖ-Mとして誤差算出
部９，通常時ネットワーク学習部１０及び異常時ネット
ワーク学習部１１へ印加される。
【００２６】通常時ニューラルネットワーク４は、例え
ば図３に示すように、３つの入力点６ａ，６ｂ，６ｃか
らなる入力層６と、３つの中間点７ａ，７ｂ，７ｃから
なる中間層７と、３つの出力点８ａ，８ｂ，８ｃからな
る出力層８と、各入力点６ａ，６ｂ，６ｃと各中間点７
ａ，７ｂ，７ｃとを接続する各重み係数Ｗijと、各中間
点７ａ，７ｂ，７ｃと各出力点８ａ，８ｂ，８ｃとを接
続する各重み係数Ｙjkとで構成されている。
ば図３に示すように、３つの入力点６ａ，６ｂ，６ｃか
らなる入力層６と、３つの中間点７ａ，７ｂ，７ｃから
なる中間層７と、３つの出力点８ａ，８ｂ，８ｃからな
る出力層８と、各入力点６ａ，６ｂ，６ｃと各中間点７
ａ，７ｂ，７ｃとを接続する各重み係数Ｗijと、各中間
点７ａ，７ｂ，７ｃと各出力点８ａ，８ｂ，８ｃとを接
続する各重み係数Ｙjkとで構成されている。
【００２７】そして、入力層６の各入力点６ａ，６ｂ，
６ｃに対して、一定周期Ｔ0 毎に検出された規定位置２
の各速度ＶM1，ＶM2，ＶM3が入力される。そして、出力
層８の中間の出力点８ｂから例えば１５分等の規定時間
ＴS 経過後の該当規定位置２における通常時予測速度Ｖ
01を一定周期Ｔ0 毎に出力する。
６ｃに対して、一定周期Ｔ0 毎に検出された規定位置２
の各速度ＶM1，ＶM2，ＶM3が入力される。そして、出力
層８の中間の出力点８ｂから例えば１５分等の規定時間
ＴS 経過後の該当規定位置２における通常時予測速度Ｖ
01を一定周期Ｔ0 毎に出力する。
【００２８】異常時ニューラルネットワーク５は前記通
常時ニューラルネットワーク４と同一構成を有してい
る。そして、入力層６の各入力点６ａ，６ｂ，６ｃに対
して、検出された規定位置２の各速度ＶM1，ＶM2，ＶM3
が一定周期Ｔ0 毎に入力される。そして、出力層８の中
間の出力点８ｂから例えば１５分等の規定時間Ｔ経過後
の該当規定位置２における異常時予測速度Ｖ02を一定周
期Ｔ0 毎に出力する。
常時ニューラルネットワーク４と同一構成を有してい
る。そして、入力層６の各入力点６ａ，６ｂ，６ｃに対
して、検出された規定位置２の各速度ＶM1，ＶM2，ＶM3
が一定周期Ｔ0 毎に入力される。そして、出力層８の中
間の出力点８ｂから例えば１５分等の規定時間Ｔ経過後
の該当規定位置２における異常時予測速度Ｖ02を一定周
期Ｔ0 毎に出力する。
【００２９】通常時ニューラルネットワーク４から一定
周期Ｔ0 毎に出力される通常時予測速度Ｖ01は予測値選
択部１２へ入力されると共に、遅延処理部１３へ入力さ
れる。遅延処理部１３は、一定周期Ｔ0 毎に入力される
通常時予測速度Ｖ01を１５分の規定時間ＴS だけ遅延さ
せた後に、誤差算出部９及び通常時ネットワーク学習部
１０へ送出する。
周期Ｔ0 毎に出力される通常時予測速度Ｖ01は予測値選
択部１２へ入力されると共に、遅延処理部１３へ入力さ
れる。遅延処理部１３は、一定周期Ｔ0 毎に入力される
通常時予測速度Ｖ01を１５分の規定時間ＴS だけ遅延さ
せた後に、誤差算出部９及び通常時ネットワーク学習部
１０へ送出する。
【００３０】誤差算出部９は、規定時間ＴS だけ遅延さ
れた通常時予測速度Ｖ01が入力されると、この時点で速
度検出器３から出力されている速度ＶM を、前記通常時
予測速度Ｖ01に対する実測速度Ｖ-Mとして取込む。具体
的には、図２における中央位置の速度計３ｂの速度ＶM2
を実測速度Ｖ-Mとする。そして、誤差算出部９は、通常
時予測速度Ｖ01と実測速度Ｖ-Mとの誤差速度ＶE を算出
する。
れた通常時予測速度Ｖ01が入力されると、この時点で速
度検出器３から出力されている速度ＶM を、前記通常時
予測速度Ｖ01に対する実測速度Ｖ-Mとして取込む。具体
的には、図２における中央位置の速度計３ｂの速度ＶM2
を実測速度Ｖ-Mとする。そして、誤差算出部９は、通常
時予測速度Ｖ01と実測速度Ｖ-Mとの誤差速度ＶE を算出
する。
【００３１】ＶE ＝Ｖ-M−Ｖ01 誤差算出部９は算出した誤差速度ＶE を比較部１４，判
定基準制御部１５及び突発事象発生検出部１６へ送出す
る。
定基準制御部１５及び突発事象発生検出部１６へ送出す
る。
【００３２】一方、異常時ニューラルネットワーク５か
ら一定周期Ｔ0 毎に出力された異常時予測速度Ｖ02は予
測値選択部１２へ入力されると共に、遅延処理部１７へ
入力される。遅延処理部１７は、入力された異常時予測
速度Ｖ02を１５分の規定時間ＴS だけ遅延させた後に、
異常時ネットワーク学習部１１へ送出する。
ら一定周期Ｔ0 毎に出力された異常時予測速度Ｖ02は予
測値選択部１２へ入力されると共に、遅延処理部１７へ
入力される。遅延処理部１７は、入力された異常時予測
速度Ｖ02を１５分の規定時間ＴS だけ遅延させた後に、
異常時ネットワーク学習部１１へ送出する。
【００３３】比較部１４は、誤差算出部９で算出された
誤差速度ＶE と判定基準制御部１５から出力された判定
基準ＶS とを比較して、誤差速度ＶE が判定基準ＶS 以
下の場合は通常時ネットワーク学習部１０を動作させ、
誤差速度ＶE が判定基準ＶSを越えると通常時ネットワ
ーク学習部１０の動作を停止させる。
誤差速度ＶE と判定基準制御部１５から出力された判定
基準ＶS とを比較して、誤差速度ＶE が判定基準ＶS 以
下の場合は通常時ネットワーク学習部１０を動作させ、
誤差速度ＶE が判定基準ＶSを越えると通常時ネットワ
ーク学習部１０の動作を停止させる。
【００３４】また、比較部１４は、誤差速度ＶE が判定
基準ＶS を越えると異常時ネットワーク学習部１１を動
作させ、誤差速度ＶE が判定基準ＶS 以下の場合は、異
常時ネットワーク学習部１０の動作を停止させる。した
がって、通常時ネットワーク学習部１０と異常時ネット
ワーク学習部１１とが同時に動作状態になることはな
い。
基準ＶS を越えると異常時ネットワーク学習部１１を動
作させ、誤差速度ＶE が判定基準ＶS 以下の場合は、異
常時ネットワーク学習部１０の動作を停止させる。した
がって、通常時ネットワーク学習部１０と異常時ネット
ワーク学習部１１とが同時に動作状態になることはな
い。
【００３５】通常時ネットワーク学習部１０は、自己が
比較部１４にて動作状態に制御されている期間、遅延処
理部１３で規定時間ＴS だけ遅延された通常時予測速度
Ｖ01と速度検出器３から出力された現在時点での速度Ｖ
M で示される実測速度Ｖ-Mとに基づいて通常時ニューラ
ルネットワーク４を学習させる。具体的には、通常時予
測速度Ｖ01が実測速度Ｖ-Mに近ずくように、通常時ニュ
ーラルネットワーク４の各重み係数Ｗij，Ｙjkを修正す
る。
比較部１４にて動作状態に制御されている期間、遅延処
理部１３で規定時間ＴS だけ遅延された通常時予測速度
Ｖ01と速度検出器３から出力された現在時点での速度Ｖ
M で示される実測速度Ｖ-Mとに基づいて通常時ニューラ
ルネットワーク４を学習させる。具体的には、通常時予
測速度Ｖ01が実測速度Ｖ-Mに近ずくように、通常時ニュ
ーラルネットワーク４の各重み係数Ｗij，Ｙjkを修正す
る。
【００３６】一方、異常時ネットワーク学習部１１は、
自己が比較部１４にて動作状態に制御されている期間、
遅延処理部１７で規定時間ＴS だけ遅延された異常時予
測速度Ｖ02と速度検出器３から出力された実測速度Ｖ-M
とに基づいて異常時ニューラルネットワーク５を学習さ
せる。具体的には、異常時予測速度Ｖ02が実測速度Ｖ-M
に近ずくように、異常時ニューラルネットワーク５の各
重み係数Ｗij，Ｙjkを修正する。
自己が比較部１４にて動作状態に制御されている期間、
遅延処理部１７で規定時間ＴS だけ遅延された異常時予
測速度Ｖ02と速度検出器３から出力された実測速度Ｖ-M
とに基づいて異常時ニューラルネットワーク５を学習さ
せる。具体的には、異常時予測速度Ｖ02が実測速度Ｖ-M
に近ずくように、異常時ニューラルネットワーク５の各
重み係数Ｗij，Ｙjkを修正する。
【００３７】次に、判定基準制御部１５の動作を説明す
る。この判定基準制御部１５には、この交通状況予測装
置の稼働開始時から現在時点までの速度検出器３から一
定周期Ｔ0 毎に出力される速度ＶM の出力回数（サンプ
ル回数）Ｎを計数するカウンタ１８が接続されている。
る。この判定基準制御部１５には、この交通状況予測装
置の稼働開始時から現在時点までの速度検出器３から一
定周期Ｔ0 毎に出力される速度ＶM の出力回数（サンプ
ル回数）Ｎを計数するカウンタ１８が接続されている。
【００３８】そして、誤差算出部９から一定周期Ｔ0 で
順次出力される誤差速度ＶE の例えば１００個等の所定
個数の移動平均値ＶE meanを算出し、この移動平均値Ｖ
E meanに対して前記カウンタ１８からの出力回数（サン
プル回数）Ｎの逆数に依存する補正係数を乗算して、判
定基準ＶS を算出する。
順次出力される誤差速度ＶE の例えば１００個等の所定
個数の移動平均値ＶE meanを算出し、この移動平均値Ｖ
E meanに対して前記カウンタ１８からの出力回数（サン
プル回数）Ｎの逆数に依存する補正係数を乗算して、判
定基準ＶS を算出する。
【００３９】この交通状況予測装置の稼働開始直後にお
いては、各ニューラルネットワーク４．５は全く学習さ
れていないので、誤差速度ＶE が非常に大きく、長期間
稼働すると、学習効果が現れて、誤差速度ＶE が統計的
に低減する。したがって、判定基準ＶS は稼働開始直後
においては大きく、誤差速度ＶE の低下傾向に応じて低
下する。
いては、各ニューラルネットワーク４．５は全く学習さ
れていないので、誤差速度ＶE が非常に大きく、長期間
稼働すると、学習効果が現れて、誤差速度ＶE が統計的
に低減する。したがって、判定基準ＶS は稼働開始直後
においては大きく、誤差速度ＶE の低下傾向に応じて低
下する。
【００４０】判定基準制御部１５は判定基準ＶS を前記
比較部１４及び突発事象発生検出部１６へ送出する。予
測値選択部１２は、誤差速度ＶE が判定基準ＶS 以下の
場合は、通常時ニューラルネットワーク４から出力され
た通常時予測速度Ｖ01をこの交通状況予測装置の予測速
度Ｖ0 として出力し、誤差速度ＶE が判定基準ＶS を越
える場合は、異常時ニューラルネットワーク５から出力
された異常時予測速度Ｖ02をこの交通状況予測装置の予
測速度Ｖ0 として出力する。
比較部１４及び突発事象発生検出部１６へ送出する。予
測値選択部１２は、誤差速度ＶE が判定基準ＶS 以下の
場合は、通常時ニューラルネットワーク４から出力され
た通常時予測速度Ｖ01をこの交通状況予測装置の予測速
度Ｖ0 として出力し、誤差速度ＶE が判定基準ＶS を越
える場合は、異常時ニューラルネットワーク５から出力
された異常時予測速度Ｖ02をこの交通状況予測装置の予
測速度Ｖ0 として出力する。
【００４１】また、突発事象発生検出部１６は、誤差算
出部９から出力された誤差速度ＶEが判定基準ＶS を最
初に越え、かつ判定基準ＶS を所定値以上越えた場合に
事故発生と判断して事故発生信号を出力する。
出部９から出力された誤差速度ＶEが判定基準ＶS を最
初に越え、かつ判定基準ＶS を所定値以上越えた場合に
事故発生と判断して事故発生信号を出力する。
【００４２】次に、このように構成された交通状況予測
装置の動作を図４に示すデータ図を用いて説明する。こ
のデータ図においては、説明を簡単にするために、速度
検出器２で１回から２４回まで合計２４回速度ＶM （Ｖ
M1，ＶM2，ＶM3）を測定し、該当する各速度ＶM に対し
て同一規定位置２における規定時間ＴS 経過後の通常時
予測速度Ｖ01，異常時予測速度Ｖ02、及び実測速度Ｖ-M
を求めている。さらに、通常時予測速度Ｖ01と実測速度
Ｖ-Mとの誤差速度ＶE を求めている。また、誤差速度Ｖ
E と判定基準ＶS との比較を実施している。
装置の動作を図４に示すデータ図を用いて説明する。こ
のデータ図においては、説明を簡単にするために、速度
検出器２で１回から２４回まで合計２４回速度ＶM （Ｖ
M1，ＶM2，ＶM3）を測定し、該当する各速度ＶM に対し
て同一規定位置２における規定時間ＴS 経過後の通常時
予測速度Ｖ01，異常時予測速度Ｖ02、及び実測速度Ｖ-M
を求めている。さらに、通常時予測速度Ｖ01と実測速度
Ｖ-Mとの誤差速度ＶE を求めている。また、誤差速度Ｖ
E と判定基準ＶS との比較を実施している。
【００４３】そして、このデータ図でも理解できるよう
に、測定回数Ｎが１から１１回までの測定領域におい
て、判定基準ＶS は測定回数Ｎが少ない場合は大きい値
を有する。そして、測定回数Ｎが増加して、学習効果が
現れ、誤差速度ＶE が小さくなると、判定基準ＶS も小
さくなる。このＮ＝１〜Ｎ＝１１の測定領域において
は、誤差速度ＶE が判定基準ＶS を越えることはないの
で、通常時ネットワーク学習部１０のみが動作し、通常
時ニューラルネットワーク４の各重み係数Ｗij，Ｙjkが
最適値に修正され、通常時予測速度Ｖ01の予測精度が向
上する。
に、測定回数Ｎが１から１１回までの測定領域におい
て、判定基準ＶS は測定回数Ｎが少ない場合は大きい値
を有する。そして、測定回数Ｎが増加して、学習効果が
現れ、誤差速度ＶE が小さくなると、判定基準ＶS も小
さくなる。このＮ＝１〜Ｎ＝１１の測定領域において
は、誤差速度ＶE が判定基準ＶS を越えることはないの
で、通常時ネットワーク学習部１０のみが動作し、通常
時ニューラルネットワーク４の各重み係数Ｗij，Ｙjkが
最適値に修正され、通常時予測速度Ｖ01の予測精度が向
上する。
【００４４】この測定期間は、通常時ニューラルネット
ワーク４の通常時予測速度Ｖ01が選択されて外部に出力
される。測定回数Ｎが増加して、Ｎ＝１２において、突
然、誤差速度ＶE （＝３２ｋｍ／ｈ）が小さな値に収斂
している判定基準ＶS （＝１２ｋｍ／ｈ）を最初に越
え、かつ所定以上越えると、突発事象発生検出部１６か
ら事故発生信号が出力される。したがって、監視員は、
突発事象発生を即座に把握できる。
ワーク４の通常時予測速度Ｖ01が選択されて外部に出力
される。測定回数Ｎが増加して、Ｎ＝１２において、突
然、誤差速度ＶE （＝３２ｋｍ／ｈ）が小さな値に収斂
している判定基準ＶS （＝１２ｋｍ／ｈ）を最初に越
え、かつ所定以上越えると、突発事象発生検出部１６か
ら事故発生信号が出力される。したがって、監視員は、
突発事象発生を即座に把握できる。
【００４５】そして、測定回数Ｎ＝１３からＮ＝１８ま
では誤差速度ＶE が判定基準ＶS を越えるので、異常時
ネットワーク学習部１１のみが動作し、異常時ニューラ
ルネットワーク５の各重み係数Ｗij，Ｙjkが最適値に修
正され、異常時予測速度Ｖ02の予測精度が向上する。
では誤差速度ＶE が判定基準ＶS を越えるので、異常時
ネットワーク学習部１１のみが動作し、異常時ニューラ
ルネットワーク５の各重み係数Ｗij，Ｙjkが最適値に修
正され、異常時予測速度Ｖ02の予測精度が向上する。
【００４６】この測定期間は、例えば渋滞等の異常発生
期間と判断され、異常時ニューラルネットワーク５の異
常時予測速度Ｖ02が選択されて外部へ出力される。な
お、この測定期間においては判定基準ＶS は変化しな
い。
期間と判断され、異常時ニューラルネットワーク５の異
常時予測速度Ｖ02が選択されて外部へ出力される。な
お、この測定期間においては判定基準ＶS は変化しな
い。
【００４７】さらに、測定回数Ｎ＝１９からＮ＝２４ま
では誤差速度ＶE が判定基準ＶS 以下に低下するので、
渋滞は解除されたと判断して、通常時ネットワーク学習
部１０のみが動作し、通常時ニューラルネットワーク４
の各重み係数Ｗij，Ｙjkが最適値に修正され、通常時予
測速度Ｖ02の予測精度が向上する。
では誤差速度ＶE が判定基準ＶS 以下に低下するので、
渋滞は解除されたと判断して、通常時ネットワーク学習
部１０のみが動作し、通常時ニューラルネットワーク４
の各重み係数Ｗij，Ｙjkが最適値に修正され、通常時予
測速度Ｖ02の予測精度が向上する。
【００４８】この測定期間は、通常時ニューラルネット
ワーク４の通常時予測速度Ｖ01が選択されて外部に出力
される。なお、この測定期間において、判定基準ＶS は
低減する。
ワーク４の通常時予測速度Ｖ01が選択されて外部に出力
される。なお、この測定期間において、判定基準ＶS は
低減する。
【００４９】このように構成された交通状況予測装置に
おいては、事故や渋滞等の異常が発生していない通常時
において規定時間経過後の速度を予測する通常時ニュー
ラルネットワーク４と、事故や渋滞等の異常発生時にお
いて規定時間経過後の速度を予測する異常時ニューラル
ネットワーク５とを個別に設けて、かつニューラルネッ
トワーク４，５を学習するネットワーク学習部１０，１
１もそれぞれ個別に設けている。そして、通常時と異常
時とを区別して、それぞれ別々にネットワーク学習部１
０，１１を動作させている。
おいては、事故や渋滞等の異常が発生していない通常時
において規定時間経過後の速度を予測する通常時ニュー
ラルネットワーク４と、事故や渋滞等の異常発生時にお
いて規定時間経過後の速度を予測する異常時ニューラル
ネットワーク５とを個別に設けて、かつニューラルネッ
トワーク４，５を学習するネットワーク学習部１０，１
１もそれぞれ個別に設けている。そして、通常時と異常
時とを区別して、それぞれ別々にネットワーク学習部１
０，１１を動作させている。
【００５０】したがって、各ニューラルネットワーク
４，５は、異なる条件下で得られた情報（速度）で学習
されることはないので、各ニューラルネットワーク４，
５から得られる各予測通行情報の予測精度を大幅に向上
できる。
４，５は、異なる条件下で得られた情報（速度）で学習
されることはないので、各ニューラルネットワーク４，
５から得られる各予測通行情報の予測精度を大幅に向上
できる。
【００５１】さらに、異常時ネットワーク学習部１１を
用いて異常発生期間のデータのみで異常時ニューラルネ
ットワーク５を学習させている。したがって、たとえ、
常時発生していない渋滞や事故の状態の期間において
も、精度の高い予測が可能となる。
用いて異常発生期間のデータのみで異常時ニューラルネ
ットワーク５を学習させている。したがって、たとえ、
常時発生していない渋滞や事故の状態の期間において
も、精度の高い予測が可能となる。
【００５２】したがって、道路上に任意に設定された規
定位置２における任意に設定された規定時間ＴS 経過後
の速度Ｖ0 が精度良く予測できるので、例えば「××地
点で○○分後に渋滞が発生する」との予測を立てて、該
当規定位置２の手前位置を走行中の運転者に告知するこ
とが可能である。さらに、「この先渋滞が××ｋｍ伸び
る」等の情報を予測可能である。
定位置２における任意に設定された規定時間ＴS 経過後
の速度Ｖ0 が精度良く予測できるので、例えば「××地
点で○○分後に渋滞が発生する」との予測を立てて、該
当規定位置２の手前位置を走行中の運転者に告知するこ
とが可能である。さらに、「この先渋滞が××ｋｍ伸び
る」等の情報を予測可能である。
【００５３】また、逆に、「××地点で発生している渋
滞は○○分後に解消する」との予測を立てて、該当規定
位置を走行中の運転者に告知することが可能である。さ
らに、これらを応用して、目的地までの所要時間を予測
することも可能である。
滞は○○分後に解消する」との予測を立てて、該当規定
位置を走行中の運転者に告知することが可能である。さ
らに、これらを応用して、目的地までの所要時間を予測
することも可能である。
【００５４】なお、本発明は上述した実施形態に限定さ
れるものではない。実施形態の速度検出器３において
は、図２に示すように、中心位置を挟んで微小距離ΔＬ
離れた３つの位置の速度ＶM1，ＶM2，ＶM3を検出してい
る。しかし、例えば同一位置において、微小時間Δｔだ
けずらせた３つの時刻の各速度ＶM1，ＶM2，ＶM3を検出
しても良い。なお、この場合の規定時間ＴS は中央の時
間からの時間に設定される。
れるものではない。実施形態の速度検出器３において
は、図２に示すように、中心位置を挟んで微小距離ΔＬ
離れた３つの位置の速度ＶM1，ＶM2，ＶM3を検出してい
る。しかし、例えば同一位置において、微小時間Δｔだ
けずらせた３つの時刻の各速度ＶM1，ＶM2，ＶM3を検出
しても良い。なお、この場合の規定時間ＴS は中央の時
間からの時間に設定される。
【００５５】さらに、実施形態においては、規定位置２
で検出する通行情報は車両の速度Ｖを採用したが、例え
ば交通量ＱやオキュパンシＯccであっても良い。また、
予測通行情報も速度に限定されるものではなく、交通量
ＱやオキュパンシＯccであっても良い。
で検出する通行情報は車両の速度Ｖを採用したが、例え
ば交通量ＱやオキュパンシＯccであっても良い。また、
予測通行情報も速度に限定されるものではなく、交通量
ＱやオキュパンシＯccであっても良い。
【００５６】
【発明の効果】以上説明したように本発明の交通状況予
測装置においては、ニューラルネットワークから出力さ
れた予測通行情報と実測通行情報との誤差通行情報が判
定基準を越えると学習動作を停止している。したがっ
て、異常な情報でニューラルネットワークが学習される
ことが未然に防止され、精度の高い予測通行情報を得る
ことができる。
測装置においては、ニューラルネットワークから出力さ
れた予測通行情報と実測通行情報との誤差通行情報が判
定基準を越えると学習動作を停止している。したがっ
て、異常な情報でニューラルネットワークが学習される
ことが未然に防止され、精度の高い予測通行情報を得る
ことができる。
【００５７】また、通常時ニューラルネットワークと異
常時ニューラルネットワークとを個別に設け、それぞれ
通常時又は異常時においてそれぞれ専用のネットワーク
学習部で学習させている。したがって、通常時のみなら
ず事故や渋滞等の異常時においても、近い将来の交通状
況を精度良く予測できる。
常時ニューラルネットワークとを個別に設け、それぞれ
通常時又は異常時においてそれぞれ専用のネットワーク
学習部で学習させている。したがって、通常時のみなら
ず事故や渋滞等の異常時においても、近い将来の交通状
況を精度良く予測できる。
【図１】 本発明の一実施形態に係わる交通状況予測装
置の概略構成を示すブロック図
置の概略構成を示すブロック図
【図２】 同交通状況予測装置における速度検出器の詳
細構成図
細構成図
【図３】 同交通状況予測装置におけるニューラルネッ
トワークの詳細構成図
トワークの詳細構成図
【図４】 同交通状況予測装置のニューラルネットワー
クに入力される各データの状態を示すデータ図
クに入力される各データの状態を示すデータ図
１…道路、２…規定位置、３…速度検出器、４…通常時
ニューラルネットワーク、５…異常時ニューラルネット
ワーク、６…入力層、７…中間層、８…出力層、９…誤
差算出部、１０…通常時ネットワーク学習部、１１…異
常時ネットワーク学習部、１２…予測値選択部、１３，
１７…遅延処理部、１４…比較部、１５…判定基準制御
部、１６…突発事象発生検出部、１８…カウンタ
ニューラルネットワーク、５…異常時ニューラルネット
ワーク、６…入力層、７…中間層、８…出力層、９…誤
差算出部、１０…通常時ネットワーク学習部、１１…異
常時ネットワーク学習部、１２…予測値選択部、１３，
１７…遅延処理部、１４…比較部、１５…判定基準制御
部、１６…突発事象発生検出部、１８…カウンタ
Claims (4)
- 【請求項１】 道路における規定位置を通過する車両の
通行情報を検出する通行情報検出器と、 入力層と中間層と出力層と重み係数とで構成され、前記
入力層に前記通行情報検出器で検出された通行情報が入
力されると、前記出力層から規定時間経過後の前記規定
位置における予測通行情報を出力するニューラルネット
ワークと、 前記通行情報検出器で前記規定時間経過後に検出された
実測通行情報と前記ニューラルネットワークから出力さ
れた予測通行情報とに基づいて前記ニューラルネットワ
ーク内の重み係数を修正するネットワーク学習部と、 前記実測通行情報と前記予測通行情報との間の誤差通行
情報を算出する誤差通行情報算出部と、 この誤差通行情報算出部で算出された誤差通行情報が判
定基準を越えると、前記ネットワーク学習部の動作を停
止させるネットワーク学習停止手段と、 前記誤差通行情報算出部で算出される誤差通行情報の統
計的な低下傾向に応じて前記判定基準を順次低下させる
判定基準制御手段とを備えた交通状況予測装置。 - 【請求項２】 入力層と中間層と出力層と重み係数とで
構成され、前記入力層に前記通行情報検出器で検出され
た通行情報が入力されると、前記出力層から規定時間経
過後の前記規定位置における異常時予測通行情報を出力
する異常時ニューラルネットワークと、 前記通行情報検出器で前記規定時間経過後に検出された
実測通行情報と前記異常時ニューラルネットワークから
出力された異常時予測通行情報とに基づいて前記異常時
ニューラルネットワーク内の重み係数を修正する異常時
ネットワーク学習部と、 前記誤差通行情報算出部で算出された誤差通行情報が前
記判定基準以下のとき、前記異常時ネットワーク学習部
の動作を停止させるとともに、前記算出された誤差通行
情報が前記判定基準を越えると、前記異常時ネットワー
ク学習部を動作させる異常時ネットワーク学習制御手段
とを備えた請求項１記載の交通状況予測装置。 - 【請求項３】 前記誤差通行情報算出部で算出される誤
差通行情報が前記判定基準以下のとき前記ニューラルネ
ットワークから出力される予測通行情報を出力し、前記
算出される誤差通行情報が前記判定基準を越えるとき前
記異常時ニューラルネットワークから出力される異常時
予測通行情報を出力する予測通行情報選択手段を備えた
請求項２記載の交通状況予測装置。 - 【請求項４】 前記誤差通行情報算出部で算出される誤
差通行情報が前記判定基準を最初に越え、かつ前記判定
基準を所定以上越えたときに事故発生と判定する事故発
生検出手段を備えた請求項１乃至３のいずれか一項記載
の交通状況予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP304496A JP3305940B2 (ja) | 1996-01-11 | 1996-01-11 | 交通状況予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP304496A JP3305940B2 (ja) | 1996-01-11 | 1996-01-11 | 交通状況予測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09190422A true JPH09190422A (ja) | 1997-07-22 |
| JP3305940B2 JP3305940B2 (ja) | 2002-07-24 |
Family
ID=11546322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP304496A Expired - Fee Related JP3305940B2 (ja) | 1996-01-11 | 1996-01-11 | 交通状況予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3305940B2 (ja) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999034318A1 (de) * | 1997-12-24 | 1999-07-08 | Peter Grohse | Sende- und empfangseinheit zum bezahlen von autobahngebühren |
| WO2000007113A1 (en) * | 1998-07-31 | 2000-02-10 | Cet Technologies Pte Ltd. | Automatic freeway incident detection system using artificial neural networks and genetic algorithms |
| CN102737508A (zh) * | 2012-06-19 | 2012-10-17 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
| CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
| CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
| CN102945601A (zh) * | 2012-11-28 | 2013-02-27 | 东南大学 | 基于偏最小二乘法的交通事件持续时间预测方法 |
| CN104408907A (zh) * | 2014-10-31 | 2015-03-11 | 重庆大学 | 具有在线优化能力的高速公路交通事件持续时间预测方法 |
| JP2016162202A (ja) * | 2015-03-02 | 2016-09-05 | アイシン・エィ・ダブリュ株式会社 | 案内システム、案内方法、及び案内プログラム |
| WO2017037881A1 (ja) * | 2015-09-02 | 2017-03-09 | 株式会社日立製作所 | オンライン予測システムおよび方法 |
| CN110231820A (zh) * | 2019-05-31 | 2019-09-13 | 辽宁工业大学 | 一种基于物联网的车辆行驶控制方法 |
| JP2020113212A (ja) * | 2019-01-16 | 2020-07-27 | 株式会社デンソー | 異常検出装置、異常検出プログラム、異常検出方法、異常検出システム及び車載器 |
| CN113077625A (zh) * | 2021-03-24 | 2021-07-06 | 合肥工业大学 | 一种道路交通事故形态预测方法 |
| CN114863680A (zh) * | 2022-04-27 | 2022-08-05 | 腾讯科技（深圳）有限公司 | 预测处理方法、装置、计算机设备及存储介质 |
-
1996
- 1996-01-11 JP JP304496A patent/JP3305940B2/ja not_active Expired - Fee Related
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999034318A1 (de) * | 1997-12-24 | 1999-07-08 | Peter Grohse | Sende- und empfangseinheit zum bezahlen von autobahngebühren |
| WO1999034317A1 (de) * | 1997-12-24 | 1999-07-08 | Peter Grohse | Sende- und empfangseinheit zum bezahlen von autobahngebühren |
| WO2000007113A1 (en) * | 1998-07-31 | 2000-02-10 | Cet Technologies Pte Ltd. | Automatic freeway incident detection system using artificial neural networks and genetic algorithms |
| CN102737508A (zh) * | 2012-06-19 | 2012-10-17 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
| CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
| CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
| CN102945601A (zh) * | 2012-11-28 | 2013-02-27 | 东南大学 | 基于偏最小二乘法的交通事件持续时间预测方法 |
| CN104408907A (zh) * | 2014-10-31 | 2015-03-11 | 重庆大学 | 具有在线优化能力的高速公路交通事件持续时间预测方法 |
| JP2016162202A (ja) * | 2015-03-02 | 2016-09-05 | アイシン・エィ・ダブリュ株式会社 | 案内システム、案内方法、及び案内プログラム |
| WO2017037881A1 (ja) * | 2015-09-02 | 2017-03-09 | 株式会社日立製作所 | オンライン予測システムおよび方法 |
| JPWO2017037881A1 (ja) * | 2015-09-02 | 2018-03-15 | 株式会社日立製作所 | オンライン予測システムおよび方法 |
| JP2020113212A (ja) * | 2019-01-16 | 2020-07-27 | 株式会社デンソー | 異常検出装置、異常検出プログラム、異常検出方法、異常検出システム及び車載器 |
| CN110231820A (zh) * | 2019-05-31 | 2019-09-13 | 辽宁工业大学 | 一种基于物联网的车辆行驶控制方法 |
| CN110231820B (zh) * | 2019-05-31 | 2022-08-05 | 江苏亿科达科技发展有限公司 | 一种基于物联网的车辆行驶控制方法 |
| CN113077625A (zh) * | 2021-03-24 | 2021-07-06 | 合肥工业大学 | 一种道路交通事故形态预测方法 |
| CN113077625B (zh) * | 2021-03-24 | 2022-03-15 | 合肥工业大学 | 一种道路交通事故形态预测方法 |
| CN114863680A (zh) * | 2022-04-27 | 2022-08-05 | 腾讯科技（深圳）有限公司 | 预测处理方法、装置、计算机设备及存储介质 |
| CN114863680B (zh) * | 2022-04-27 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 预测处理方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3305940B2 (ja) | 2002-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH09190422A (ja) | 交通状況予測装置 | |
| Wu et al. | Identification of oversaturated intersections using high-resolution traffic signal data | |
| JP4858380B2 (ja) | 交通パラメータ算出システム、算出方法及びコンピュータプログラム | |
| US20210029510A1 (en) | Information processing method and information processing system | |
| WO1994011839A1 (en) | Prediction method of traffic parameters | |
| JP2010061435A (ja) | 感知器異常検出システム | |
| EP0771447B1 (en) | Detection and prediction of traffic disturbances | |
| WO1991013418A1 (en) | Traffic flow monitor apparatus | |
| JP3854881B2 (ja) | 渋滞回避支援装置 | |
| JPH03209599A (ja) | 異常交通流の検出装置 | |
| JP4030354B2 (ja) | 突発事象検出装置 | |
| JPH08340607A (ja) | 電気車両の運転支援システム | |
| JPH07254099A (ja) | 道路交通における突発事象検出装置 | |
| CN116189428A (zh) | 一种道路运行风险防控设备故障自动隔离系统及方法 | |
| JP4126700B2 (ja) | 走行所要時間予測装置及び走行所要時間予測方法 | |
| KR20180126238A (ko) | 도로상의 추돌 예측 및 경고 방법 | |
| JP3607330B2 (ja) | 感知器データを用いる渋滞計測方法 | |
| JP3212868B2 (ja) | 交通状況監視装置 | |
| JPH05290292A (ja) | 突発事象自動検出装置 | |
| JP2001067596A (ja) | 交通安全支援装置及び交通安全支援システム | |
| JPH1021489A (ja) | 道路案内方法およびシステム | |
| JP2781606B2 (ja) | 踏切定時間制御装置 | |
| JPH02230499A (ja) | 交通流計測装置 | |
| KR101734206B1 (ko) | 고속축중기 차량정보 감지 방법 | |
| JPH10134295A (ja) | 道路交通状況における渋滞識別方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |