JPH09212788A - 所要時間予測装置 - Google Patents

Abstract

(57)【要約】 （修正有） 【課題】 高精度の所要時間予測を可能にし、さらに渋
滞状況や、所要時間最短路線を選定する機能を有する装
置を提供。 【解決手段】 車両感知器によって空間平均速度を感知
し、他方、セクション各々における所要時間を演算して
保存し、特定車両追尾手段により得られる所要時間実測
値を保存する。次いで、予測用階層形ニューラルネット
ワークによって所要時間予測値を得、保存しているセク
ション所要時間データを学習用階層形ニューラルネット
ワークに与えて所要時間予測値を得る。重み係数更新手
段により、重み係数を更新する。また、階層形ニューラ
ルネットワーク学習手段が所要時間予測値、および所要
時間実測値を用いて重み係数の修正量を計算し、階層形
ニューラルネットワーク学習手段より得られる所要時間
予測誤差に基づき予測開始タイミング判断手段が予測を
開始するタイミングを判断する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、高速道路における
交通管制システムに係わり、とくに対象となる路線区間
の所要時間予測を行う装置に関する。

【０００２】

【従来の技術】都市部の高速道路では、交通量の増加に
よる交通渋滞が頻繁に発生し、走行所要時間が大きく変
動する状況にある。そのため、走行車両のドライバか
ら、代表的な路線区間の所要時間情報を事前に提供して
欲しい、というニーズが高まっている。

【０００３】所要時間を求める方法としては、路線区間
の両端において走行車両のナンバプレートを読み取って
ナンバを画像認識する方法や、路線区間を分割した際の
各セクションにおける所要時間を、走行による時間の経
過を考慮して合計する方法がある。そして、前者はＡＶ
Ｉシステムと称する特定車両追尾手段であり、後者はタ
イムスライスによる合計と呼ばれている。その他にも、
試験車両を走行させることによる方法等が考えられる
が、これらはいずれも結果を待たねばならず、所要時間
が得られるのは走行車両が路線区間の終端に到達した時
点である。

【０００４】そして現在、高速道路においてドライバに
提供されている所要時間の予測値は、対象路線区間を数
百メートル毎にセクション分割した上で、車両感知器か
ら得られる空間平均速度より各セクションの所要時間を
算出し、単純に総計したものである。

【０００５】これに対し、交通流の数式モデルを構築す
ることにより所要時間の予測値を正確に計算する方法も
提案されている。

【０００６】また、学習能力を有し、かつ時系列データ
の予測に適している混合構造形ニューラルネットワーク
を使用し、オキュパンシや、セクション所要時間等の交
通状況データと所要時間との間の関係を、ＡＶＩデータ
を教師信号として学習させ、これを用いて所要時間の予
測を行う方法も提案されている。

【０００７】

【発明が解決しようとする課題】現在ドライバに提供さ
れている所要時間予測値は、上述の通り、各セクション
における所要時間を空間平均速度を用いて算出し、単純
に総計したものである。したがって、各々のセクション
における交通状況が、時間が経過してもあまり変化しな
い場合、例えば全路線区間で車両の流れが順調な場合等
には、所要時間を高精度で予測することが可能である。
しかし、実際には、各セクションの交通状況が時間の経
過と共に変動するため、予測誤差が大きくなる。とくに
朝夕のラッシュ時等、渋滞が発生したり解消したりする
場合には、予測誤差は著しく大きくなる。

【０００８】次に、交通流の数式モデルを構築すること
により、所要時間予測値を計算する方法を検討する。現
在のところ交通流を高精度でモデル化することは困難で
ある上に、モデルの構築後にパラメータを決定する指針
も明確ではない。また、これらのパラメータは、経年変
化とか車線の増加等に応じて随時更新する必要がある。
これらの理由により、この方法でも実用に耐え得る予測
精度が得られなかった。

【０００９】他方、混合構造形ニューラルネットワーク
を使用する方法がある。これは、学習の精度が向上する
ことにより、混合構造形ニューラルネットワークにより
交通状況−所要時間の関係が精度よく表現でき、また時
間による影響を考慮したものとして表現できるため、精
度の良い予測が可能である。

【００１０】しかし、現時点ではＡＶＩシステムが設置
されている路線も少なく、混合構造形ニューラルネット
ワーク演算の負荷が多大であるため、実際に適用できる
ケースが少ない。 （発明の目的）本発明は上記問題点に鑑みてなされたも
ので、高精度の所要時間予測を可能にし、さらに所要時
間の予測値から渋滞状況を判断する機能や、所要時間最
短路線を選定する機能を有する所要時間予測装置を提供
することを目的とする。

【００１１】

【課題を解決するための手段】現在提案されている予測
手法では実用に耐え得る予測精度が得られない理由とし
て、上述のように、交通状況の過渡的な推移を考慮にい
れていない点や、数式モデルのパラメータ決定指針が不
明確な点、および経年変化に対応するのが困難な点等が
挙げられる。

【００１２】これらの問題点を解決するために、混合構
造形ニューラルネットワークを使用した方法が提案され
ている。しかし、ＡＶＩシステムがまだ普及しておら
ず、ＡＶＩデータを利用できないということと、演算的
な負荷の大きさとが問題となっている。

【００１３】本発明では、混合構造形ニューラルネット
ワークの機能とほぼ同等の機能を有し、演算負荷の低い
階層形ニューラルネットワークを使用し、ＡＶＩシステ
ムのない路線に対しては、所要時間実測値演算アルゴリ
ズムを用いることにより、これらの問題を解決する。

【００１４】また、所要時間予測値と対象区間長とから
得られる路線区間の空間平均速度に着目し、渋滞状況を
判断する機能、または所要時間最短路線を選定する機能
を付加する。

【００１５】上記目的を達成するための手段として、本
発明における第１の所要時間予測装置は、（ａ）路線区
間内に複数設置された車両感知器、（ｂ）車両感知器よ
り得られる空間平均速度を用いて、対象路線区間を分割
した際の各セクションにおける所要時間を演算するセク
ション所要時間演算手段、（ｃ）セクション所要時間演
算手段より得られるセクション所要時間を保存するセク
ション所要時間保存手段、（ｄ）路線区間両端に設置さ
れた特定車両追尾手段、（ｅ）特定車両追尾手段より得
られる所要時間実測値を保存する所要時間実測値保存手
段、（ｆ）セクション所要時間演算手段より得られるセ
クション所要時間を入力とし、重み係数を用いて所要時
間予測値を出力する予測用階層形ニューラルネットワー
ク、（ｇ）セクション所要時間保存手段より得られるセ
クション所要時間データを入力とし、重み係数を用いて
所要時間予測値を出力する学習用階層形ニューラルネッ
トワーク、（ｈ）予測用階層形ニューラルネットワーク
および学習用階層形ニューラルネットワークの双方で用
いる前記重み係数を更新する重み係数更新手段、（ｉ）
学習用階層形ニューラルネットワークより出力される所
要時間予測値、および所要時間実績値保存手段より得ら
れる所要時間実測値を用いてこれらの所要時間の誤差を
得、これに基づいて前記重み係数の修正量を計算する階
層形ニューラルネットワーク学習手段、（ｊ）階層形ニ
ューラルネットワーク学習手段より得られる所要時間の
誤差に基づき、予測を開始するタイミングを判断する予
測開始タイミング判断手段、をそなえている。

【００１６】また、本発明における第２の所要時間予測
装置は、（ａ）路線区間内に複数設置された車両感知
器、（ｂ）車両感知器より得られるセクション空間平均
速度を用いて、対象路線区間を分割した際の各セクショ
ンにおける所要時間を演算するセクション所要時間演算
手段、（ｃ）セクション所要時間演算手段より得られる
セクション所要時間を保存するセクション所要時間保存
手段、（ｄ’）セクション所要時間保存手段において保
存されているセクション所要時間より、走行による時間
の経過を考慮し、所要時間実績値演算値を演算する所要
時間実績値演算手段、（ｅ’）所要時間実績値演算手段
より得られる所要時間実績値を保存する所要時間実績値
保存手段、（ｆ）セクション所要時間演算手段より得ら
れるセクション所要時間を入力とし、重み係数を用いて
所要時間予測値を出力する予測用階層形ニューラルネッ
トワーク、（ｇ）セクション所要時間保存手段より得ら
れるセクション所要時間データを入力とし、重み係数を
用いて所要時間予測値を出力する学習用階層形ニューラ
ルネットワーク、（ｈ）予測用階層形ニューラルネット
ワークおよび学習用階層形ニューラルネットワークの双
方で用いる前記重み係数を更新する重み係数更新手段、
（ｉ）学習用階層形ニューラルネットワークより出力さ
れる所要時間予測値、および所要時間実績値保存手段よ
り得られる所要時間実測値を用いてこれらの所要時間の
誤差を得、これに基づいて前記重み係数の修正量を計算
する階層形ニューラルネットワーク学習手段、（ｊ）階
層形ニューラルネットワーク学習手段より得られる所要
時間の誤差に基づき、予測を開始するタイミングを判断
する予測開始タイミング判断手段、をそなえている。

【００１７】また、本発明における第３の所要時間予測
装置は、（ａ）路線区間内に複数設置された車両感知
器、（ｂ）車両感知器より得られるセクション空間平均
速度を用いて、対象路線区間を分割した際の各セクショ
ンにおける所要時間を演算するセクション所要時間演算
手段、（ｃ）セクション所要時間演算手段より得られる
セクション所要時間を保存するセクション所要時間保存
手段、（ｄ”）セクション空間平均速度保存手段より得
られるセクション空間平均速度から、セクション間の行
き過ぎを考慮し、より厳密な所要時間実績値を演算する
所要時間実績値演算手段、（ｅ”）所要時間実績値演算
手段より得られる所要時間実績値を保存する所要時間実
績値保存手段、（ｆ）セクション所要時間演算手段より
得られるセクション所要時間を入力とし、重み係数を用
いて所要時間予測値を出力する予測用階層形ニューラル
ネットワーク、（ｇ）セクション所要時間保存手段より
得られるセクション所要時間データを入力とし、重み係
数を用いて所要時間予測値を出力する学習用階層形ニュ
ーラルネットワーク、（ｈ）予測用階層形ニューラルネ
ットワークおよび学習用階層形ニューラルネットワーク
の双方で用いる前記重み係数を更新する重み係数更新手
段、（ｉ）学習用階層形ニューラルネットワークより出
力される所要時間予測値、および所要時間実績値保存手
段より得られる所要時間実測値を用いてこれらの所要時
間の誤差を得、これに基づいて前記重み係数の修正量を
計算する階層形ニューラルネットワーク学習手段、をそ
なえている。

【００１８】また、本発明における第４の所要時間予測
装置は、予測の対象となる各路線に第１の所要時間予測
装置を設置し、さらに、（ｋ）各路線の所要時間予測装
置より得られる所要時間予測値を比較する所要時間予測
値比較手段、（ｌ）所要時間予測値比較手段の結果よ
り、所要時間最短路線を選定する、所要時間最短路線選
定手段、をそなえている。

【００１９】また、本発明における第５の所要時間予測
装置は、予測の対象となる各路線に第２の所要時間予測
装置を設置し、さらに、（ｋ）各路線の所要時間予測装
置より得られる所要時間予測値を比較する所要時間予測
値比較手段、（ｌ）所要時間予測値比較手段の結果よ
り、所要時間最短路線を選定する、所要時間最短路線選
定手段、をそなえている。

【００２０】また、本発明における第６の所要時間予測
装置は、予測の対象となる各路線に第３の所要時間予測
装置を設置し、さらに、（ｋ）各路線の所要時間予測装
置より得られる所要時間予測値を比較する所要時間予測
値比較手段、（ｌ）所要時間予測値比較手段の結果よ
り、所要時間最短路線を選定する、所要時間最短路線選
定手段、をそなえている。

【００２１】また、本発明における第７の所要時間予測
装置は、第１の所要時間予測装置に、さらに、（ｍ）所
要時間予測装置より得られる所要時間予測値と路線区間
長より路線区間の空間平均速度予測値を演算する路線区
間空間平均速度予測値演算手段、（ｎ）路線区間空間平
均速度予測値演算手段より得られる路線区間空間平均速
度予測値としきい値により予測渋滞度を判定する予測渋
滞度判定手段、をそなえている。

【００２２】また、本発明における第８の所要時間予測
装置は、第２の所要時間予測装置に、さらに、（ｍ）所
要時間予測装置より得られる所要時間予測値と路線区間
長より路線区間の空間平均速度予測値を演算する路線区
間空間平均速度予測値演算手段、（ｎ）路線区間空間平
均速度予測値演算手段より得られる路線区間空間平均速
度予測値としきい値により予測渋滞度を判定する予測渋
滞度判定手段、をそなえている。

【００２３】また、本発明における第９の所要時間予測
装置は、第３の所要時間予測装置に、さらに、（ｍ）所
要時間予測装置より得られる所要時間予測値と路線区間
長より路線区間の空間平均速度予測値を演算する路線区
間空間平均速度予測値演算手段、（ｎ）路線区間空間平
均速度予測値演算手段より得られる路線区間空間平均速
度予測値としきい値により予測渋滞度を判定する予測渋
滞度判定手段、をそなえている。

【００２４】また、本発明における第１０の所要時間予
測装置は、予測の対象となる各路線に第７の所要時間予
測装置を設置し、さらに、（ｏ）各路線の所要時間予測
装置より得られる予測渋滞度を比較する予測渋滞度比較
手段、（ｐ）予測渋滞度比較手段の結果より、各路線の
中から最も渋滞している路線および最も渋滞していない
路線を選定する予測渋滞度選定手段、をそなえている。

【００２５】また、本発明における第１１の所要時間予
測装置は、予測の対象となる各路線に第８の所要時間予
測装置を設置し、さらに、（ｑ）各路線の所要時間予測
装置より得られる予測渋滞度を比較する予測渋滞度比較
手段、（ｒ）予測渋滞度比較手段の結果より、各路線の
中から最も渋滞している路線および最も渋滞していない
路線を選定する予測渋滞度選定手段、をそなえている。

【００２６】また、本発明における第１２の所要時間予
測装置は、予測の対象となる各路線に第９の所要時間予
測装置を設置し、さらに、（ｑ）各路線の所要時間予測
装置より得られる予測渋滞度を比較する予測渋滞度比較
手段、（ｒ）予測渋滞度比較手段の結果より、各路線の
中から最も渋滞している路線および最も渋滞していない
路線を選定する予測渋滞度選定手段、をそなえている。

【００２７】次に、上記各手段の作用について説明す
る。

【００２８】本発明の第１の所要時間予測装置に関し
て、 （ａ）車両感知器は、走行車両の交通量、セクション空
間平均速度、およびオキュパンシを測定するものであ
る。

【００２９】（ｂ）特定車両追尾手段（ＡＶＩシステ
ム）は、走行車両のナンバを画像認識することにより所
要時間の実測値を測定するものである。

【００３０】（ｃ）セクション所要時間演算手段は、
（ａ）車両感知器よりセクション空間平均速度データを
得て、設定されたセクション長を用いて、セクション所
要時間を演算する手段である。

【００３１】（ｄ）セクション所要時間保存手段は、
（ｃ）セクション所要時間演算手段より、セクション所
要時間を受け取り、設定された時間に相当する分を保存
する手段である。

【００３２】（ｅ）所要時間実績値保存手段は、（ｂ）
特定車両追尾手段より所要時間実績値を受け取り、設定
された時間に相当する分を保存する手段である。

【００３３】（ｆ）予測用階層形ネットワークは、
（ｄ）セクション所要時間保存手段よりセクション所要
時間データを受け取り、（ｈ）重み計数更新手段により
更新された重み係数を用いて階層形ニューラルネットワ
ークにより所要時間予測値を計算するものである。

【００３４】（ｇ）学習用階層形ネットワークは、
（ｄ）セクション所要時間保存手段より過去のセクショ
ン所要時間を受け取り、（ｈ）重み計数更新手段により
更新された重み係数を用いて階層形ニューラルネットワ
ークにより所要時間予測値を計算する手段である。この
（ｇ）学習用階層形ネットワークは、上記（ｆ）予測用
階層形ネットワークと同じ構造をしている。ポイント
は、過去のセクション所要時間データを用いて所要時間
を予測しているため、対応する所要時間実績値が既に
（ｅ）所要時間実績値保存手段の中に保存されている点
にある。

【００３５】ここで、上記（ｆ），（ｇ）両ネットワー
クにおいて用いる階層形ニューラルネットワークについ
て説明する。階層形ニューラルネットワークは、図１０
に示すように、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をとっている。こ
こで、図１０の階層形ニューラルネットワークにおける
信号の流れについて説明する。

【００３６】以下の記号は、次の通りである。

【００３７】 ｍ ：入力層の素子数 ｓ ：中間層の素子数 ｎ ：出力層の素子数 Ｕk (t) ：入力層第ｋ素子への入力（ｋ＝１〜ｍ） Ｉk (t) ：入力層第ｋ素子からの出力（ｋ＝１〜ｍ） ＮetＨj (t) ：中間層第ｊ素子への入力（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素子への入力（ｊ＝１〜ｎ） Ｘi (t) ：中間層第ｉ素子からの出力（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 ｂij ：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 本発明では、入力Ｕi (t) がセクション所要時間保存手
段からの各セクションのセクション所要時間データ、出
力Ｘi (t) が所要時間予測値に対応している。 ・入力ユニット 外部からの入力を受けて、次式により活性値ｋ(t) を決
定する。

【００３８】 ｋ(t) ＝Ｕｋ(t) （ｋ＝１〜ｍ） …（Ｘ．１） ・中間ユニット 入力ユニットからの信号の総和を入力ＮetＨj (t) とし
て受け取り、新しい活性値Ｈj (t) を決定する。

【００３９】

【数１】 （注：ＵO (t) ＝−１（しきい値）） Ｈj (t) ＝ｆＨ（ＮetＨj (t) ） （ｊ＝１〜ｓ） …（Ｘ．３） ただし、式（Ｘ．３）におけるｆＨ（・）は、中間ユニ
ットにおける入出力関数を表す。入出力関数としては、
通常、シグモイド状（Ｓ字形）の関数が使用される。 ・出力ユニット 中間ユニットからの出力の総和を入力ＮetＯi (t) とし
て受け取り、新しい活性値Ｏi (t) を決定し、これをニ
ューラルネットワーク全体の出力Ｘi (t) とする。

【００４０】

【数２】 （注：ＵO (t) ＝−１（しきい値）） Ｘi (t) ＝Ｏi (t) ＝ｆＯ（ＮetＯi (t))（ｉ＝１〜ｎ）…（Ｘ．５） ただし、式（Ｘ．５）におけるｆＯ（・）は出力ユニッ
トにおける入出力関数を表す。

【００４１】このように、ユニットを層に分離し、層ご
とに同期的に活性値を決定することにより、ニューラル
ネットワーク全体の入出力関係は、次式のように表すこ
とができる。

【００４２】

【数３】 （ｈ）重み計数更新手段は、（ｉ）階層形ニューラルネ
ットワーク学習手段よりニューラルネットワークの重み
係数ａpq，ｂpqの修正量Δａpq，Δｂpqを受け取り、次
式により重み係数を更新する手段である。

【００４３】 ａpq(t+1) ＝ａpq(t) ＋Δａpq(t) …（Ｘ．７） ｂpq(t+1) ＝ｂpq(t) ＋Δｂpq(t) …（Ｘ．８） （ｉ）階層形ニューラルネットワーク学習手段は、
（ｅ）所要時間実績値保存手段より過去の所要時間実績
値、（ｇ）学習用階層形ニューラルネットワークよりそ
れに対応する所要時間予測値を受け取り、所要時間実績
値を教師信号として、（ｇ）学習用階層形ニューラルネ
ットワークの学習を行い、重み係数の修正値を計算する
手段である。この重み係数を計算する手段における処理
フローを図１１に示す。

【００４４】ここで、図１１における処理について説明
することとし、新たに以下の記号を定義する。

【００４５】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 Δａpq ：重み係数ａpqの修正量 Δｂpq ：重み係数ｂpq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 この重み係数を計算する手段では、Ｖi (t) はＡＶＩシ
ステムからの所要時間実績値に対応している。

【００４６】この重み係数を計算する手段において、結
合重み係数の修正量Δａpq(t) 、Δｂpq(t) は次式のよ
うに計算される。

【００４７】 Δａpq(t) ＝Δs ａpq(t) ＋α・Δａpq(t-1) …（Ｘ．９） Δｂpq(t) ＝Δs ｂpq(t) ＋α・Δｂpq(t-1) …（Ｘ．10） ただし、式（Ｘ．９）、（Ｘ．10）におけるΔs ａpq
(k) 、 Δs ｂpq(k) は、ｋ番目のサンプルデータを用
いて以下のように計算する。

【００４８】

【数４】 ここで、誤差評価関数Ｅは、ネットワーク出力Ｘi (t)
および教師信号Ｖi (t) を用いて、

【００４９】

【数５】 と計算される。このとき

【００５０】

【数６】 は、以下のように計算される。

【００５１】

【数７】

【００５２】

【数８】

【００５３】

【数９】 となる。

【００５４】（ｊ）予測開始タイミング判断手段は、
（ｉ）階層形ニューラルネットワークより所要時間の誤
差を受け取り、この誤差が設定された値よりも小さくな
ったならば、（ｆ）予測用階層形ニューラルネットワー
クより受け取った所要時間予測値を出力する手段であ
る。

【００５５】また、本発明の第２の所要時間予測装置
は、（ａ），（ｃ），（ｄ），（ｆ），（ｇ），
（ｈ），（ｉ），（ｊ）に関しては、第１の所要時間予
測装置と同様の作用であるが、（ｂ’）所要時間実績値
演算手段，（ｅ’）所要時間実績値保存手段には、以下
のような作用がある。

【００５６】（ｂ’）所要時間実績値演算手段は、セク
ション所要時間保存手段より得られるセクション所要時
間より、図６に示すように時間の経過を考慮し、所要時
間実績値の演算値を演算する手段である。ここで、図６
の演算の流れを説明する。

【００５７】以下の記号は、次の通りである。

【００５８】Ｔ ：所要時間実績値 Ｉ ：セクションナンバ ｔ ：時間 ＳＴ(I,t) ：時間ｔのセクションＩのセクション所要時
間 Ｒ ：全セクション数 Δt ：サンプル周期 ［ステップＳ１］各変数の初期化を行う。

【００５９】Ｔ＝０， Ｉ＝０， ｔ＝０ ［ステップＳ２］所要時間Ｔに、セクションＩ（時間
ｔ）のセクション所要時間ＳＴを加算する。

【００６０】Ｔ＝Ｔ＋ＳＴ（Ｉ，ｔ） ［ステップＳ３］全セクションのセクション所要時間を
加算し終えたかチェックする。

【００６１】加算し終えた場合、所要時間実績値演算処
理を終了する。

【００６２】まだの場合は［ステップＳ４］へ。 ［ステップＳ４］現在演算中の所要時間実績値Ｔの値
が、演算過程の時間ｔにΔｔを加算したものより大きく
なっていないかをチェックする。大きくない場合は、
［ステップＳ５］へ。

【００６３】大きい場合は、以下の演算で、演算過程の
時間を進める。

【００６４】ｔ＝ｔ＋ｉｎｔ｛（Ｔ−ｔ）／５｝×５ （注：ここで、ｉｎｔは小数点以下切り捨てで整数値変
換する関数。） ［ステップＳ５］セクションＩを１進める。

【００６５】Ｉ＝Ｉ＋１ ［ステップＳ６］［ステップＳ２］へ進む。

【００６６】以上、ステップ［Ｓ１］〜［Ｓ６］まで
が、図６に示す（ｂ’）所要時間実績値演算手段の動作
を示す流れである。

【００６７】（ｅ’）所要時間実績値保存手段は、
（ｂ’）所要時間実績値演算手段より得られる所要時間
実績値の演算値を保存する手段である。

【００６８】図７は、セクション所要時間より所要時間
実績値を、本発明の手法によって演算した演算例を示す
図表である。

【００６９】この図表では、縦軸に時刻を取り、横軸に
各セクションを取っている。そして、ある時刻、例えば
０：００における各セクションの通過所要時間は、２，
４，６，３，２，２，１分づつである。この各時間を総
計する手法が従来の所要時間計算法である。しかし、こ
れは、特定車両がセクション１から以下のセクションを
順次通過していく場合の所要時間とはまったく異なるも
のである。

【００７０】本発明では、特定車両の走行を中心にした
見方を取り、次のように計算する。いま時刻０：００で
あるとし、セクション１にいる車両がセクション７まで
通過するとする。この車両がセクション１を通過するに
は２分を要し、さらにセクション２を通過するには４分
を要する。したがって、当該車両がセクション３に達し
たときはセクション１を走り始めてから６分が経過して
０：０６になっている。したがって、セクション３の通
過所要時間を知るには、図７の図表の０：０５のセクシ
ョン３を見る必要がある。これが５分である。したがっ
て、当該車両が次のセクション４に入るときには０：１
１となっている。そこで、０：１０のセクション４を見
ると４分である。このようにして特定車両の各セクショ
ン通過時間を求めていき、それらを積算すると全セクシ
ョンを通過するための通過所要時間が求められる。この
図表７の場合は、２＋４＋５＋４＋４＋６＋６＝３１
（分）となる。

【００７１】つまり、図７における太線で囲った枠が上
記特定車両が走ったときの交通の流れである。したがっ
て、この図表に示された範囲でいえば、上記特定車両は
比較的悪い流れの中をセクション１からセクション７ま
で走行した訳である。

【００７２】これに対して、例えば０：１５とか０：２
０頃にセクション１を走り始めた車両は、より短時間で
全セクションを通過することができる。

【００７３】また、本発明の第３の所要時間予測装置
は、（ａ），（ｂ），（ｃ），（ｄ），（ｆ），
（ｇ），（ｈ），（ｉ），（ｊ）に関しては、第１の所
要時間予測装置と同様の作用であるが、（ｄ”）所要時
間実績値演算手段，（ｅ”）所要時間実績値保存手段に
は、以下のような異なる作用がある。

【００７４】まず（ｄ”）所要時間実績値演算手段は、
（ｋ）セクション空間平均速度保存手段より得られる路
線区間の空間平均速度より、図８のフローチャートのア
ルゴリズムで所要時間実績値の演算値を、厳密に求める
手段である。ここで、図８の演算の流れを説明する。

【００７５】以下の記号は、次の通りである。

【００７６】Ｉ ：セクションナンバ Ｊ ：時刻に関するカウンタ Ｋ ：繰返し回数 Ｌ（Ｉ） ：セクションＩのセクション長（演算中はＬ
（Ｉ）の値は変化する。） ＲＬ（Ｉ）：セクションＩのセクション長からΔｔ間に
セクションＩを進んだ距離を引いた距離 Ｖ（Ｉ，Ｊ×Δｔ）：（初期時刻＋Ｊ×Δｔ）における
セクションＩのセクション空間平均速度 Δｔ ：サンプル周期 ＳＴ（Ｉ）：セクションＩのセクション所要時間 Ｔ ：所要時間実績値 ［ステップＳ１１］以下のように、各変数の初期値を設
定する。

【００７７】Ｊ＝０ Ｉ＝１ ＳＴ”（Ｉ）＝０ Ｌ（Ｉ）＝セクションＩのセクション長 ［ステップＳ１２］繰返し回数Ｋの初期化を行う。

【００７８】Ｋ＝０ ［ステップＳ１３］Δｔ間に進んだ後のセクションＩの
残りの距離ＲＬ（Ｉ）を演算する。

【００７９】 ＲＬ（Ｉ）＝Ｌ（Ｉ）−Δｔ×Ｖ（Ｉ，Ｊ×Δｔ） ［ステップＳ１４］セクションＩの残りの距離ＲＬ
（Ｉ）が０より大きいかを調べる。

【００８０】大きくない場合は、セクションＩは走行し
終わったとみなし、［ステップＳ１５］に進む。

【００８１】大きい場合は、セクションＩを走行し終わ
っていないとみなし、以下の演算を行い、［ステップＳ
１３］へ戻る。

【００８２】Ｌ（Ｉ）＝ＲＬ（Ｉ） Ｋ＝Ｋ＋１ Ｊ＝Ｊ＋１ ［ステップＳ１５］セクションＩ走行終了間際の状態の
演算を行い、この結果を考慮しセクションＩの所要時間
Ｔ（Ｉ）を演算する。

【００８３】 ＳＴ’（Ｉ）＝Ｌ（Ｉ）／Ｖ（Ｉ，Ｊ×Δｔ） （Ｔ’（Ｉ）＜Δｔ） ＳＴ（Ｉ）＝Ｋ×Δｔ＋ＳＴ’（Ｉ）＋ＳＴ”（Ｉ） ここで、ＳＴ’（Ｉ），ＳＴ”（Ｉ）は、 ＳＴ’（Ｉ）：セクションＩ走行終了間際の時間 ＳＴ”（Ｉ）：前セクションからの行き過ぎ量を考慮し
た時間 である。 ［ステップＳ１６］以下のように、全セクションの所要
時間の演算が終了したかのチェック（Ｉ＝セクション
数）を行う。

【００８４】全セクションを終了していなければ、［ス
テップＳ１７］へ進む。

【００８５】全セクションを終了していれば、以下の演
算にて全セクションの所要時間を合計し、対象路線区間
の所要時間を演算し、終了する。

【００８６】

【数１０】 ［ステップＳ１７］セクションＩ＋１におけるセクショ
ンＩの行き過ぎを考慮した行き過ぎた時間ＳＴ”（Ｉ＋
１）を演算する。

【００８７】ＳＴ”（Ｉ＋１）＝Δｔ−ＳＴ’（Ｉ） また、セクションＩ＋１におけるセクションＩの行き過
ぎを考慮したセクションＩ＋１の残りの距離ＲＬ（Ｉ＋
１）を演算する。

【００８８】ＲＬ（Ｉ＋１）＝Ｌ（Ｉ＋１）−ＳＴ”
（Ｉ＋１）×Ｖ（Ｉ＋１，Ｊ×Δｔ） ［ステップＳ１８］セクションＩの行き過ぎを考慮する
際に、セクションＩ＋１を通過しているか否かのチェッ
クをする。

【００８９】ＲＬ（Ｉ＋１）＞０が満足されていれば、
セクションＩ＋１を通過していないとみなし、［ステッ
プＳ２２］へ進む。

【００９０】ＲＬ（Ｉ＋１）＞０が満足されていなけれ
ば、セクションＩ＋１を通過するとみなし、［ステップ
Ｓ１９］以降の作業を行う。 ［ステップＳ１９］残り時間ＳＴ”（Ｉ＋１）での走行
距離Ｌ１を演算する。

【００９１】 Ｌ１＝ＳＴ”（Ｉ＋１）×Ｖ（Ｉ＋１，Ｊ×Δｔ） ［ステップＳ２０］次セクションを越えるかどうかのチ
ェックを行う。

【００９２】Ｌ１＞Ｌ（Ｉ＋１）を満足していれば、次
セクションを越えていないと判断し、以下の演算を行
い、［ステップＳ２２］へ進む。

【００９３】ＲＬ（Ｉ＋１）＝Ｌ（Ｉ＋１）−ＳＴ”
（Ｉ＋１）×Ｖ（Ｉ＋１，Ｊ×Δｔ） Ｌ１＞Ｌ（Ｉ＋１）を満足しなければ、次セクションを
越えていると判断し、［ステップＳ２１］へ進む。 ［ステップＳ２１］次セクションＩ＋１を越えた場合の
演算を行う。

【００９４】まず、始めにＩを更新する。

【００９５】Ｉ＝Ｉ＋１次に、次セクション（Ｉを更新
したので、以下次セクションはＩとなる）の走行時間を
求める。

【００９６】 ＳＴ’（Ｉ）＝Ｌ（Ｉ）／Ｖ（Ｉ，Ｊ×Δｔ） 次に、以下の演算式で残り時間を求め、［ステップＳ１
９］へ進む。

【００９７】 ＳＴ”（Ｉ＋１）＝ＳＴ”（Ｉ）−ＳＴ’（Ｉ） ［ステップＳ２２］以下のように、各変数を更新する。

【００９８】Ｌ（Ｉ＋１）＝ＲＬ（Ｉ＋１） Ｊ＝Ｊ＋１ Ｉ＝Ｉ＋１ ［ステップＳ２３］［ステップＳ１２］へ進む。

【００９９】以上、［ステップＳ１１］〜［ステップＳ
２３］までが、図８に示す（ｂ”）所要時間実績値演算
手段の流れである。図９に、次セクション（Ｉ＋１）の
行き過ぎがない場合のセクションＩの所要時間の演算例
を示す。

【０１００】（ｅ”）所要時間実績値保存手段は、
（ｂ”）所要時間実績値演算手段より得られる所要時間
実績値の演算値を保存する手段である。

【０１０１】また、本発明の第４の所要時間予測装置
は、（ａ），（ｂ），（ｃ），（ｄ），（ｅ），
（ｆ），（ｇ），（ｈ），（ｉ），（ｊ）に関しては、
第１の所要時間予測装置と同様であり、これを対象とな
る複数の路線に設置することにより各路線の所要時間を
予測し、（ｋ）所要時間予測値比較手段，（ｌ）所要時
間最短路線選定手段により、所要時間最短路線を選定す
るものである。具体的には、（ｋ），（ｌ）には、以下
のような作用がある。

【０１０２】まず（ｋ）所要時間予測値比較手段は、各
路線の所要時間予測装置より得られる所要時間予測値を
比較し、その結果を出力する手段である。

【０１０３】次に（ｌ）所要時間最短路線選定手段は、
（ｋ）所要時間予測値比較手段より得られる所要時間予
測値の比較結果に基づき、所要時間が最短である路線を
選定する手段である。

【０１０４】また、本発明の第５の所要時間予測装置
は、（ａ），（ｂ），（ｃ），（ｄ’），（ｅ’），
（ｆ），（ｇ），（ｈ），（ｉ），（ｊ）に関しては、
第２の所要時間予測装置と同様であり、これを対象とな
る複数の路線に設置することにより各路線の所要時間を
予測し、（ｋ）所要時間予測値比較手段，（ｌ）所要時
間最短路線選定手段により、所要時間最短路線を選定す
るものである。（ｋ），（ｌ）は、第４の所要時間予測
装置と同様である。

【０１０５】本発明の第５の所要時間予測装置は、以上
の作用を持つ。

【０１０６】また、本発明の第６の所要時間予測装置
は、（ａ），（ｂ”），（ｃ），（ｄ），（ｅ”），
（ｆ），（ｇ），（ｈ），（ｉ），（ｊ），（ｋ）に関
しては、第３の所要時間予測装置と同様であり、これを
対象となる複数の路線に設置することにより各路線の所
要時間を予測し、（ｋ）所要時間予測値比較手段，
（ｌ）所要時間最短路線選定手段により、所要時間最短
路線を選定するものである。具体的には、（ｋ），
（ｌ）には、以下のような作用がある。

【０１０７】（ｋ）所要時間予測値比較手段は、各路線
の所要時間予測装置より得られる所要時間予測値を比較
し、その結果を出力する手段である。

【０１０８】（ｌ）所要時間最短路線選定手段は、
（ｋ）より得られる所要時間予測値の比較結果に基づ
き、所要時間が最短である路線を選定する手段である。

【０１０９】また、本発明の第７の所要時間予測装置
は、（ａ），（ｂ），（ｃ），（ｄ），（ｅ），
（ｆ），（ｇ），（ｈ），（ｉ），（ｊ）に関しては、
第１の所要時間予測装置と同様であり、（ｍ）路線区間
空間平均速度予測値演算手段，（ｎ）予測渋滞度判定手
段により、予測渋滞度の判定をするものである。具体的
には、（ｍ），（ｎ）には、以下のような作用がある。

【０１１０】（ｍ）路線区間空間平均速度予測値演算手
段は、所要時間予測装置より得られる所要時間予測値と
設定値である路線区間長より、路線区間の空間平均速度
予測値を演算する手段である。

【０１１１】（ｎ）予測渋滞度判定手段は、（ｍ）路線
区間空間平均速度予測値演算手段より得られる路線区間
の空間平均速度予測値を使用し、あるしきい値を設定し
て、予測渋滞度を判定する手段である。その具体的な例
としては、 Ｖｐ：空間平均速度 α ：渋滞判定しきい値 β ：混雑判定しきい値 とすると、 ０≦Ｖｐ≦α の場合、渋滞 α≦Ｖｐ≦β の場合、混雑 β≦Ｖｐ の場合、自由流 のように、予測渋滞度判定を行う。

【０１１２】また、本発明の第８の所要時間予測装置
は、（ａ），（ｂ’），（ｃ），（ｄ），（ｅ’），
（ｆ），（ｇ），（ｈ），（ｉ），（ｊ）に関しては、
第２の所要時間予測装置と同様であり、（ｍ）路線区間
空間平均速度予測値演算手段，（ｎ）予測渋滞度判定手
段により、予測渋滞度の判定をするものである。
（ｍ），（ｎ）は、第７の所要時間予測装置と同様であ
る。

【０１１３】また、本発明の第９の所要時間予測装置
は、（ａ），（ｂ），（ｃ），（ｄ”），（ｅ”），
（ｆ），（ｇ），（ｈ），（ｉ），（ｊ），（ｋ）に関
しては、第３の所要時間予測装置と同様であり、（ｍ）
路線区間空間平均速度予測値演算手段，（ｎ）予測渋滞
度判定手段により、予測渋滞度の判定をするものであ
る。具体的には、（ｍ），（ｎ）には、以下のような作
用がある。

【０１１４】（ｍ）路線区間空間平均速度予測値演算手
段は、所要時間予測装置より得られる所要時間予測値と
設定値である路線区間長より、路線区間の空間平均速度
予測値を演算する手段である。

【０１１５】（ｎ）予測渋滞度判定手段は、（ｍ）より
得られる路線区間の空間平均速度予測値を使用し、ある
しきい値を設定して、予測渋滞度を判定する手段であ
る。

【０１１６】また、本発明の第１０の所要時間予測装置
は、（ａ），（ｂ），（ｃ），（ｄ），（ｅ），
（ｆ），（ｇ），（ｈ），（ｉ），（ｊ），（ｋ），
（ｌ）に関しては、第７の所要時間予測装置と同様であ
り、これを対象となる複数の路線に設置することにより
各路線の渋滞度を予測し、（ｍ）予測渋滞度比較手段，
（ｎ）予測渋滞度選定手段により、最も予測渋滞度の高
い路線および最も予測渋滞度の低い路線を選定するもの
である。具体的には、（ｍ），（ｎ）には、以下のよう
な作用がある。

【０１１７】（ｍ）予測渋滞度比較手段は、各路線の所
要時間予測装置より得られる予測渋滞度を比較し、その
結果を出力する手段である。

【０１１８】（ｎ）予測渋滞度選定手段は、（ｍ）予測
渋滞度比較手段より得られる予測渋滞度の比較結果に基
づき、予測渋滞度が最も低い路線および予測渋滞度が最
も高い路線を選定する手段である。

【０１１９】また、本発明の第１１の所要時間予測装置
は、（ａ），（ｂ），（ｃ），（ｄ’），（ｅ’），
（ｆ），（ｇ），（ｈ），（ｉ），（ｊ），（ｋ），
（ｌ），（ｍ），（ｎ）に関しては、第８の所要時間予
測装置と同様であり、これを対象となる複数の路線に設
置することにより各路線の渋滞度を予測し、（ｑ）予測
渋滞度比較手段，（ｒ）予測渋滞度選定手段により、最
も予測渋滞度の高い路線および最も予測渋滞度の低い路
線を選定するものである。具体的には、（ｑ），（ｒ）
には、以下のような作用がある。

【０１２０】（ｑ）予測渋滞度比較手段は、各路線の所
要時間予測装置より得られる予測渋滞度を比較し、その
結果を出力する手段である。

【０１２１】（ｒ）予測渋滞度選定手段は、（ｑ）予測
渋滞度比較手段より得られる予測渋滞度の比較結果に基
づき、予測渋滞度が最も低い路線および予測渋滞度が最
も高い路線を選定する手段である。

【０１２２】また、本発明の第１２の所要時間予測装置
は、（ａ），（ｂ），（ｃ），（ｄ），（ｄ”），
（ｅ”），（ｆ），（ｇ），（ｈ），（ｉ），（ｊ），
（ｋ），（ｌ），（ｍ），（ｎ）に関しては、第９の所
要時間予測装置と同様であり、これを対象となる複数の
路線に設置することにより各路線の渋滞度を予測し、
（ｑ）予測渋滞度比較手段，（ｒ）予測渋滞度選定手段
により、最も予測渋滞度の高い路線および最も予測渋滞
度の低い路線を選定するものである。具体的には、
（ｑ），（ｒ）には、以下のような作用がある。

【０１２３】（ｑ）予測渋滞度比較手段は、各路線の所
要時間予測装置より得られる予測渋滞度を比較し、その
結果を出力する手段である。

【０１２４】（ｒ）予測渋滞度選定手段は、（ｎ）予測
渋滞度比較手段より得られる予測渋滞度の比較結果に基
づき、予測渋滞度が最も低い路線および予測渋滞度が最
も高い路線を選定する手段である。

【０１２５】以上、本発明の技術手段の作用について説
明した。

【０１２６】

【発明の実施の形態】図１は、本発明における所要時間
予測装置の第１の実施形態を示す機能的ブロック線図で
ある。車両感知器１（道路上の各セクションに設置され
ている）、ＡＶＩシステム２（対象区間両端に設置され
ている）、セクション所要時間演算手段３、セクション
所要時間保存手段４、所要時間実績値保存手段５、予測
用階層形ニューラルネットワーク６、重み係数更新手段
７、学習用階層形ニューラルネットワーク８、階層形ニ
ューラルネットワーク学習手段９、予測開始タイミング
判断手段１０により構成される。 （第１の実施形態の作用）次に、本発明における所要時
間予測装置の第１の実施形態の作用について説明する。

【０１２７】まず、車両感知器１で測定されたセクショ
ン空間平均速度を用いて、セクション所要時間演算手段
３によりセクション所要時間を演算し、セクション所要
時間保存手段４に格納する。同様に、特定車両追尾手段
としてのＡＶＩシステム２で所要時間実績値を測定し、
所要時間実績値保存手段５に格納する。

【０１２８】予測用階層形ニューラルネットワーク６で
は、セクション所要時間演算手段３により得られる最新
のセクション所要時間データを入力とし、重み係数更新
手段７により更新された重み係数を用いて、所要時間予
測値を計算する。この際に用いられる重み係数は、階層
形ニューラルネットワーク学習手段９により計算された
重み係数修正量を用いて更新される。

【０１２９】階層形ニューラルネットワーク学習手段９
では、所要時間実績値保存手段５に格納された所要時間
実績値を教師信号とし、セクション所要時間保存手段４
に格納されたセクション所要時間データを入力とする学
習用階層形ニューラルネットワーク７の出力と比較する
ことにより学習を行い、重み係数修正量を計算する。こ
の修正量は、重み係数更新手段７に渡され、重み係数が
更新される。

【０１３０】また、予測開始タイミング判断手段１０で
は、予測用階層形ニューラルネットワーク７の出力を予
測値として用いるのが妥当かどうかを判断する。具体的
には、オンライン当初は予測演算をＯＦＦにしておき、
学習演算で重み係数の更新を行う。そして、階層形ニュ
ーラルネットワーク学習手段９における所要時間予測誤
差（学習用階層形ニューラルネットワーク８の出力と、
所要時間実績値保存手段５における実績値の偏差）が設
定された範囲内に収まったならば、予測開始タイミング
判断手段１０により予測演算をＯＮにする。

【０１３１】この第１の実施形態の作用における重み更
新は、サンプル毎（例えば５分毎）に行うこととし、学
習に使用するセクション所要時間データ、および所要時
間実績値データは、ｎサンプル前（例えば１サンプル５
分の場合、１２サンプル前だと、６０分前のデータを使
用して学習を行うことになる）のデータを使用すること
とする。 （第１の実施形態の効果）以上説明したように、第１の
実施形態では、 （１）階層形ニューラルネットワークを用いることによ
り、交通状況を階層形ニューラルネットワークが学習す
ることにより、渋滞の発生・解消時における所要時間の
予測精度が向上する。

【０１３２】（２）従来用いられていた交通流の数式モ
デルの代わりに、階層形ニューラルネットワークを用い
ることにより、モデル構築やパラメータ決定等の困難な
作業が不要となる。

【０１３３】（３）実際の計測データを用いたニューラ
ルネットワークの学習を逐次行っているため、路線や経
済状態等の経年変化に対応し、継続的にモデル精度の向
上を図ることができる。

【０１３４】（４）混合構造形ニューラルネットワーク
より、演算負荷の低い階層形ニューラルネットワークを
使用したことで計算機の負荷が低くなり、実装できない
ケースが減少した。という効果を有する。 （第２の実施形態の構成）図２は、本発明における所要
時間予測装置の第２の実施形態を示す機能的ブロック線
図である。車両感知器１（道路上の各セクションに設置
されている）、所要時間実績値演算手段１１、セクショ
ン所要時間演算手段３、セクション所要時間保存手段
４、所要時間実績値保存手段５ａ、予測用階層形ニュー
ラルネットワーク６、重み係数更新手段７、学習用階層
形ニューラルネットワーク８、階層形ニューラルネット
ワーク学習手段９、および予測開始タイミング判断手段
１０により構成される。 （第２の実施形態の作用）次に、本発明における第２の
所要時間予測装置の一実施形態の作用について説明す
る。

【０１３５】まず、車両感知器１で測定されたセクショ
ン空間平均速度を用いて、セクション所要時間演算手段
３によってセクション所要時間を演算し、セクション所
要時間保存手段４に格納する。セクション所要時間保存
手段より得られるセクション所要時間より、所要時間実
績値演算手段１１で所要時間実績値を演算し、所要時間
実績値保存手段５ａに格納する。

【０１３６】図６は、所要時間実績値演算手段１１の演
算例である。予測用階層形ニューラルネットワーク６で
は、セクション所要時間演算手段３により得られる最新
のセクション所要時間データを入力とし、重み係数更新
手段７により更新された重み係数を用いて、所要時間予
測値を計算する。この際に用いられる重み係数は、階層
形ニューラルネットワーク学習手段９により計算された
重み係数修正量を用いて更新される。階層形ニューラル
ネットワーク学習手段９では、所要時間実績値保存手段
５ａに格納された所要時間実績値を教師信号とし、セク
ション所要時間保存手段４に格納されたセクション所要
時間データを入力とする学習用階層形ニューラルネット
ワーク８の出力と比較することにより学習を行い、重み
係数修正量を計算する。

【０１３７】この修正量は、重み係数更新手段７に渡さ
れ、重み係数が更新される。また、予測開始タイミング
判断手段１０では、予測用階層形ニューラルネットワー
ク８の出力を予測値として用いるのが妥当かどうかを判
断する。具体的には、オンライン当初は予測演算はＯＦ
Ｆにしておき、学習演算で重み係数の更新を行う。そし
て、階層形ニューラルネットワーク学習手段９における
所要時間予測誤差（学習用階層形ニューラルネットワー
ク８の出力と、所要時間実績値保存手段５ａにおける実
績値の偏差）が設定された範囲内に収まったならば、予
測開始タイミング判断手段１０により予測演算をＯＮに
する。

【０１３８】この第１の実施形態の作用における重み更
新は、サンプル毎（例えば５分毎）に行うこととし、学
習に使用するセクション所要時間データ、および所要時
間実績値データは、ｎサンプル前（例えば１サンプル５
分の場合、１２サンプル前だと、６０分前のデータを使
用して学習を行うことになる）のデータを使用すること
とする。 （第２の実施形態の効果）以上説明したように、第２の
実施形態では、先に説明した第１の実施形態の効果
（１）ないし（４）に加え、 （５）所要時間実績値を演算する手段を設けたことか
ら、ＡＶＩシステムがない路線にも適応が可能である、
という効果を有する。 （第３の実施形態の構成）図３は、本発明における所要
時間予測装置の第３の実施形態を示す機能的ブロック線
図である。この実施形態では、車両感知器１（道路上の
各セクションに設置されている）、セクション空間平均
速度保存手段１２、所要時間実績値演算手段１１ａ、セ
クション所要時間演算手段３、セクション所要時間保存
手段４、所要時間実績値保存手段５ｂ、予測用階層形ニ
ューラルネットワーク６、重み係数更新手段７、学習用
階層形ニューラルネットワーク８、階層形ニューラルネ
ットワーク学習手段９、および予測開始タイミング判断
手段１０により構成されている。 （第３の実施形態の作用）次に、本発明における所要時
間予測装置の第３の実施形態の作用について説明する。

【０１３９】まず、車両感知器１で測定されたセクショ
ン空間平均速度を用いて、セクション所要時間演算手段
３によってセクション所要時間を演算し、セクション所
要時間保存手段４に格納する。この時、同時に車両感知
器１で測定されたセクション空間平均速度を、セクショ
ン空間平均速度保存手段１２に保存する。また、車両感
知器１で測定されたセクション空間平均速度を保存して
いるセクション空間平均速度保存手段１２より得られる
セクション空間平均速度を用いて、所要時間実績値演算
手段１１ａでセクション間の行き過ぎを考慮した所要時
間実績値を演算し、所要時間実績値保存手段５ｂに格納
する。

【０１４０】予測用階層形ニューラルネットワーク６で
は、セクション所要時間演算手段３により得られる最新
のセクション所要時間データを入力とし、重み係数更新
手段７により更新された重み係数を用いて、所要時間予
測値を計算する。この際に用いられる重み係数は、階層
形ニューラルネットワーク学習手段９により計算された
重み係数修正量を用いて更新される。階層形ニューラル
ネットワーク学習手段９では、所要時間実績値保存手段
５ｂに格納された所要時間実績値を教師信号とし、セク
ション所要時間保存手段４に格納されたセクション所要
時間データを入力とする学習用階層形ニューラルネット
ワーク７の出力と比較することにより学習を行い、重み
係数修正量を計算する。この修正量は、重み係数更新手
段７に渡され、重み係数が更新される。

【０１４１】また、予測開始タイミング判断手段１０で
は、予測用階層形ニューラルネットワーク７の出力を予
測値として用いるのが妥当かどうかを判断する。具体的
には、オンライン当初は予測演算はＯＦＦにしておき、
学習演算で重み係数の更新を行う。そして、階層形ニュ
ーラルネットワーク学習手段９における所要時間予測誤
差（学習用階層形ニューラルネットワーク８の出力と、
所要時間実績値保存手段５ｂにおける実績値の偏差）が
設定された範囲内に収まったならば、予測開始タイミン
グ判断手段１０により予測演算をＯＮにする。

【０１４２】この第２の実施形態の作用における重み更
新は、サンプル毎（例えば５分毎）に行うこととし、学
習に使用するセクション所要時間データ、および所要時
間実績値データは、ｎサンプル前（例えば１サンプル５
分の場合、１２サンプル前だと、６０分前のデータを使
用して学習を行うことになる）のデータを使用すること
とする。 （第３の実施形態の効果）以上説明したように、第３の
実施形態では、先に説明した第２の実施形態の効果
（１）ないし（５）に加え、 （６）セクション間の行き過ぎを考慮してセクション空
間平均速度より所要時間実績値を演算しているため、よ
り厳密な所要時間を算出できる、という効果を有する。 （第４の実施形態の構成）図４は、本発明における所要
時間予測装置の第４の実施形態を示す機能的ブロック線
図である。この実施形態では、路線１〜ｎ用所要時間予
測装置１３−１〜ｎ（本発明の第１の所要時間予測装置
であり、対象となる各路線に設置されている）、所要時
間予測値比較手段１４、所要時間最短路線選定手段１５
により構成される。 （第４の実施形態の作用）次に、本発明における所要時
間予測装置の第４の実施形態の作用について説明する。

【０１４３】まず、各路線に設置された路線１〜ｎ用所
要時間予測装置１３〜１〜ｎにより、各路線の所要時間
予測値を求める。次に、所要時間予測値比較手段１４に
より、求められた各路線の所要時間の比較を行う。最後
に、所要時間比較の結果から、所要時間最短路線選定手
段１５により、所要時間最短路線を選定する。 （第４の実施形態の効果）以上説明したように、第４の
実施形態では、先に説明した第１の実施形態の効果
（１）ないし（４）に加え、 （５）複数の路線の中から、所要時間予測値が最短のも
のを選定し、情報として提供できる。という効果を有す
る。 （第５の実施形態の構成）本発明における所要時間予測
装置の第５の実施形態を示す。

【０１４４】基本的な構成は、第４の実施形態の構成と
同様であり、路線１〜ｎ用所要時間予測装置１３〜１〜
ｎ（本発明の第１の所要時間予測装置であり、対象とな
る各路線に設置されている）の代わりに、路線１〜ｎ用
所要時間予測装置１３ａ−１〜ｎ（本発明の第２の所要
時間予測装置であり、対象となる各路線に設置されてい
る）により構成される。 （第５の実施形態の作用）次に、本発明における所要時
間予測装置の第５の実施形態の作用について説明する。

【０１４５】まず、各路線に設置された路線１〜ｎ用所
要時間予測装置１３ａ−１〜ｎにより、各路線の所要時
間予測値を求める。次に、所要時間予測値比較手段１４
により、求められた各路線の所要時間の比較を行う。最
後に、所要時間比較の結果から、所要時間最短路線選定
手段１５により、所要時間最短路線を選定する。 （第５の実施形態の効果）以上説明したように、第５の
実施形態では、先に説明した第２の実施形態の効果
（１）ないし（５）に加え、 （６）複数の路線の中から、所要時間予測値が最短のも
のを選定し、情報として提供できる。という効果を有す
る。 （第６の実施形態の構成）本発明における所要時間予測
装置の第６の実施形態を示す。

【０１４６】基本的な構成は、第４の実施形態の構成と
同様であり、路線１〜ｎ用所要時間予測装置１３−１〜
ｎ（本発明の第１の所要時間予測装置であり、対象とな
る各路線に設置されている）の代わりに、路線１〜ｎ用
所要時間予測装置１３ｂ−１〜ｎ（本発明の第３の所要
時間予測装置であり、対象となる各路線に設置されてい
る）により構成される。 （第６の実施形態の作用）次に、本発明における所要時
間予測装置の第６の実施形態の作用について説明する。

【０１４７】まず、各路線に設置された路線１〜ｎ用所
要時間予測装置１３ｂ−１〜ｎにより、各路線の所要時
間予測値を求める。次に、所要時間予測値比較手段１４
により、求められた各路線の所要時間の比較を行う。最
後に、所要時間比較の結果から、所要時間最短路線選定
手段１５により、所要時間最短路線を選定する。 （第６の実施形態の効果）以上説明したように、本発明
の第６の実施形態では、先に説明した第３の実施形態の
効果（１）ないし（６）に加え、 （７）複数の路線の中から、所要時間予測値が最短のも
のを選定し、情報として提供できる。という効果を有す
る。 （第７の実施形態の構成）図５は、本発明における所要
時間予測装置の第７の実施形態を示す機能的ブロック線
図である。この第７の実施形態では、所要時間予測装置
１３（本発明の第１の所要時間予測装置で、対象となる
路線に設置されている）、路線区間空間平均速度予測値
演算手段１６、予測渋滞度判定手段１７により構成され
る。 （第７の実施形態の作用）次に本発明における所要時間
予測装置の第７の実施形態の作用について説明する。

【０１４８】まず、対象路線に設置された所要時間予測
装置１３により、対象路線の所要時間予測値を求める。

【０１４９】次に、路線区間空間平均速度予測値演算手
段１６により、路線区間の空間平均速度予測値の演算を
行う。最後に、路線区間の空間平均速度予測値を基に、
設定パラメータを用いて予測渋滞度判定手段１７により
予測渋滞度の判定を行う。例えば［課題を解決するため
の手段］（作用）の節に上述したような方法で、予測渋
滞度を判定する。 （第７の実施形態の効果）以上説明したように、第７の
実施形態では、先に説明した第１の実施形態の効果
（１）ないし（４）に加え、 （５）所要時間予測値から対象路線区間の空間平均速度
を演算し、これを解析することにより、対象路線の渋滞
度が予測できる。という効果を有する。 （第８の実施形態の構成）本発明における所要時間予測
装置の第８の実施形態の構成もほぼ図５に示す通りであ
る。この第８の実施形態では、所要時間予測装置１３ａ
（本発明の第２の所要時間予測装置で、対象となる路線
に設置されている）、路線区間空間平均速度予測値演算
手段１６、予測渋滞度判定手段１７により構成される。 （第８の実施形態の作用）次に、本発明における所要時
間予測装置の第８の実施形態の作用について説明する。

【０１５０】まず、対象路線に設置された所要時間予測
装置１３ａにより、対象路線の所要時間予測値を求め
る。次に、路線区間空間平均速度予測値演算手段１６に
より、路線区間の空間平均速度予測値の演算を行う。最
後に、路線区間の空間平均速度予測値を基に、設定パラ
メータを用いて予測渋滞度判定手段１７により予測渋滞
度の判定を行う。例えば［課題を解決するための手段］
（作用）の節に記述したような方法で、予測渋滞度を判
定する。 （第８の実施形態の効果）以上説明したように、本発明
の第８の実施形態では、先に説明した第２の実施形態の
効果（１）ないし（５）に加え、 （６）所要時間予測値から対象路線区間の空間平均速度
を演算し、これを解析することにより、対象路線の渋滞
度が予測できる。という効果を有する。 （第９の実施形態の構成）本発明における所要時間予測
装置の第９の実施形態の構成もまた、ほぼ図５に示す通
りである。この第９の実施形態では、所要時間予測装置
１３ｂ（本発明の第３の所要時間予測装置で、対象とな
る路線に設置されている）、路線区間空間平均速度予測
値演算手段１６、予測渋滞度判定手段１７により構成さ
れる。 （第９の実施形態の作用）次に本発明の第９の実施形態
の作用について説明する。

【０１５１】まず、対象路線に設置された所要時間予測
装置１３ｂにより、対象路線の所要時間予測値を求め
る。次に、路線区間空間平均速度予測値演算手段１６に
より、路線区間の空間平均速度予測値の演算を行う。

【０１５２】最後に、路線区間の空間平均速度予測値を
基に、設定パラメータを用いて予測渋滞度判定手段１７
により予測渋滞度の判定を行う。例えば［課題を解決す
るための手段］（作用）の節に記述したような方法で、
予測渋滞度を判定する。 （第９の実施形態の効果）以上説明したように、第９の
実施形態では、先に説明した第３の実施形態の効果
（１）ないし（６）に加え、 （７）所要時間予測値から対象路線の空間平均速度を演
算し、これを解析することにより、対象路線の渋滞度が
予測できる。という効果を有する。 （第１０の実施形態の構成）図１２は、本発明における
所要時間予測装置の第１０の実施形態を示す機能的ブロ
ック線図である。この実施形態では、路線１〜ｎ用所要
時間予測装置１３ｃ−１〜ｎ（本発明の第７の所要時間
予測装置であり、対象となる各路線に設置されてい
る）、予測渋滞度比較手段１８、予測渋滞度選定手段１
９により構成される。 （第１０の実施形態の作用）次に本発明の所要時間予測
装置の第１０の実施形態について説明する。

【０１５３】まず、予測渋滞度比較手段１８により、求
められた各路線の予測渋滞度の比較を行う。最後に、所
要時間比較の結果から、予測渋滞度選定手段１５によ
り、最も予測渋滞度の高い路線および最も予測渋滞度の
低い路線を選定する。 （第１０の実施形態の効果）以上説明したように、本発
明の第１０の実施形態では、先に説明した第７の実施形
態の効果（１）ないし（４）に加え、 （５）複数の路線の中から、最も予測渋滞度の高い路線
および最も予測渋滞度の低い路線を選定し、情報として
提供できる。という効果を有する。 （第１１の実施形態の構成）本発明における所要時間予
測装置の第１１の実施形態も、ほぼ図１２に示す通りで
ある。

【０１５４】基本的な構成は、第１０の実施形態の構成
と同様であり、路線１〜ｎ用所要時間予測装置１３ｃ−
１〜ｎ（本発明の第７の所要時間予測装置であり、対象
となる各路線に設置されている）の代わりに、路線１〜
ｎ用所要時間予測装置１３ｄ−１〜ｎ（本発明の第８の
所要時間予測装置であり、対象となる各路線に設置され
ている）、により構成される。 （第１１の実施形態の作用）次に本発明の第１１の実施
形態の作用について説明する。

【０１５５】まず、各路線に設置された路線１〜ｎ用所
要時間予測装置１３ｄ−１〜ｎにより、各路線の予測渋
滞度を求める。次に、予測渋滞度比較手段１８により、
求められた各路線の予測渋滞度の比較を行う。最後に、
所要時間比較の結果から、予測渋滞度選定手段１５によ
り、最も予測渋滞度の高い路線および最も予測渋滞度の
低い路線を選定する。 （第１１の実施形態の効果）以上説明したように、第１
１の実施形態では、先に説明した第８の実施形態の効果
（１）ないし（６）に加え、 （７）複数の路線の中から、最も予測渋滞度の高い路線
および最も予測渋滞度の低い路線を選定し、情報として
提供できる。という効果を有する。 （第１２の実施形態の構成）本発明における所要時間予
測装置の第１２の実施形態を示す。

【０１５６】基本的な構成は、第１０の実施形態の構成
と同様であり、路線１〜ｎ用所要時間予測装置１３ｃ−
１〜ｎ（本発明の第７の所要時間予測装置であり、対象
となる各路線に設置されている）、の代わりに、路線１
〜ｎ用所要時間予測装置１３ｅ−１〜ｎ（本発明の第９
の所要時間予測装置であり、対象となる各路線に設置さ
れている）、により構成される。 （第１２の実施形態の作用）次に本発明の第１２の実施
形態の作用について説明する。

【０１５７】まず、各路線に設置された路線１〜ｎ用所
要時間予測装置１３ｅ−１〜ｎにより、各路線の予測渋
滞度を求める。次に、予測渋滞度比較手段１８により、
求められた各路線の予測渋滞度の比較を行う。最後に、
所要時間比較の結果から、予測渋滞度選定手段１５によ
り、最も予測渋滞度の高い路線および最も予測渋滞度の
低い路線を選定する。 （第１２の実施形態の効果）以上説明したように、本発
明の第１２の実施形態では、先に説明した第９の実施形
態の効果（１）ないし（７）に加え、（８）複数の路線
の中から、最も予測渋滞度の高い路線および最も予測渋
滞度の低い路線を選定し、情報として提供できる。とい
う効果を有する。 （他の実施形態）上記実施形態においては、所要時間実
績値をＡＶＩシステムにより計測したり、セクション所
要時間や、セクション空間平均速度より演算し、ニュー
ラルネットワークの教師信号としていたが、これらが不
可能な区間の場合には次のようにして所要時間実績値を
得れば良い。

【０１５８】・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測定する。

【０１５９】

【発明の効果】以上説明したように、本発明には以下の
効果がある。

【０１６０】（イ）混合構造形ニューラルネットワーク
ではなく、階層形ニューラルネットワークを用いている
ため、ニューラルネットワーク自体の演算にかかる演算
負荷が低く、演算能力の低い計算機にも搭載可能である
（第１ないし第９の実施形態に対応する）。

【０１６１】（ロ）学習機能を有するニューラルネット
ワークを採用することにより、モデル構築やパラメータ
設定が不要になり、路線や経済状態の経年変化にも対応
できる（第１ないし第９の実施形態に対応する）。

【０１６２】（ハ）セクション所要時間から所要時間実
績値を演算する手段を設けたことから、ＡＶＩシステム
がない路線においてもニューラルネットワークの教師信
号である所要時間実績値が得られるため、適応できる路
線が多くなった（第２、５、８の実施形態に対応す
る）。

【０１６３】（ニ）セクション間の行き過ぎを考慮し
て、セクション空間平均速度より所要時間実績値を演算
しているため、より厳密な所要時間を算出し、ニューラ
ルネットワークの教師信号として利用できる（第３、６
および９の実施形態に対応する）。

【０１６４】（ホ）複数の路線に所要時間予測値を設置
し、所要時間予測値が最短のものを選定することによ
り、所要時間最短路線の予測情報を得ることができる
（第３、４および５の実施形態に対応する）。

【０１６５】（ヘ）対象路線に設置されている所要時間
予測装置から得られる所要時間予測値から、対象路線区
間の空間平均速度を演算し、これを解析することによ
り、対象路線の渋滞度が予測できる。

【０１６６】（ト）対象路線に設置されている所要時間
予測装置から得られる予測渋滞度を用いて、対象路線の
中から最も予測渋滞度の高い路線および最も予測渋滞度
の低い路線を選定し、情報として提供できる。

【図面の簡単な説明】

【図１】本発明における第１の所要時間予測装置の一実
施形態を示す機能的ブロック線図。

【図２】本発明における第２の所要時間予測装置の一実
施形態を示す機能的ブロック線図。

【図３】本発明における第３の所要時間予測装置の一実
施形態を示す機能的ブロック線図。

【図４】本発明における第４の所要時間予測装置の一実
施形態を示す機能的ブロック線図。

【図５】本発明における第７の所要時間予測装置の一実
施形態を示す機能的ブロック線図。

【図６】セクション所要時間より、所要時間実績値を演
算する動作のフローチャート。

【図７】セクション所要時間より所要時間実績値を演算
した演算例を示す図表。

【図８】区間平均速度より、所要時間実績値を演算する
動作のフローチャート。

【図９】次セクションの通過がない場合のセクションＩ
の所要時間の演算例。

【図１０】階層形ニューラルネットワークの一般的な構
成図。

【図１１】階層形ニューラルネットワークの学習方法の
フローチャート。

【図１２】本発明の所要時間予測装置の第１０の実施形
態を示す機能的ブロック線図。

【符号の説明】

１ 車両感知器 ２ ＡＶＩシステム ３ セクション所要時間演算手段 ４ セクション所要時間保存手段 ５ 所要時間実績値保存手段 ５ａ 所要時間実績値保存手段 ５ｂ 所要時間実績値保存手段 ６ 予測用階層形ニューラルネットワーク ７ 重み係数更新手段 ８ 学習用階層形ニューラルネットワーク ９ 階層形ニューラルネットワーク学習手段 １０ 予測開始タイミング判断手段 １１ 所要時間実績値演算手段 １１ａ 所要時間実績値演算手段 １２ 空間平均速度保存手段 １３ 所要時間予測装置 １３−１〜ｎ 路線１〜ｎ用所要時間予測装置 １４ 所要時間予測値比較手段 １５ 所要時間最短路線選定手段 １６ 路線区間空間平均速度予測値演算手段 １７ 予測渋滞度判定手段 １８ 予測渋滞度比較手段 １９ 予測渋滞度選定手段

Claims (12)

【特許請求の範囲】
1. 【請求項１】（ａ）対象とする路線区間内に複数設置さ
   れた車両感知器と、 （ｂ）前記車両感知器より得られる空間平均速度を用い
   て、前記路線区間を分割した際のセクションの各々にお
   ける所要時間を演算するセクション所要時間演算手段
   と、 （ｃ）前記セクション所要時間演算手段より得られるセ
   クション所要時間を保存するセクション所要時間保存手
   段と、 （ｄ）前記路線区間の両端に設置された特定車両追尾手
   段と、 （ｅ）前記特定車両追尾手段より得られる所要時間実測
   値を保存する所要時間実測値保存手段と、 （ｆ）前記セクション所要時間演算手段より得られるセ
   クション所要時間を入力とし、重み係数を用いて所要時
   間予測値を出力する予測用階層形ニューラルネットワー
   クと、 （ｇ）前記セクション所要時間保存手段より得られるセ
   クション所要時間データを入力とし、重み係数を用いて
   所要時間予測値を出力する学習用階層形ニューラルネッ
   トワークと、 （ｈ）前記予測用階層形ニューラルネットワークおよび
   前記学習用階層形ニューラルネットワークの双方で用い
   る前記重み係数を更新する重み係数更新手段と、 （ｉ）前記学習用階層形ニューラルネットワークより出
   力される所要時間予測値、および前記所要時間実績値保
   存手段より得られる所要時間実測値を用いてこれらの所
   要時間の誤差を得、これに基づいて前記重み係数の修正
   量を計算する階層形ニューラルネットワーク学習手段
   と、 （ｊ）前記階層形ニューラルネットワーク学習手段より
   得られる所要時間の誤差に基づき、予測を開始するタイ
   ミングを判断する予測開始タイミング判断手段と、 をそなえた所要時間予測装置。
2. 【請求項２】（ａ）対象とする路線区間内に複数設置さ
   れた車両感知器と、 （ｂ）前記車両感知器より得られるセクション空間平均
   速度を用いて、前記路線区間を分割した際のセクション
   の各々における所要時間を演算するセクション所要時間
   演算手段と、 （ｃ）前記セクション所要時間演算手段より得られるセ
   クション所要時間を保存するセクション所要時間保存手
   段と、 （ｄ’）前記セクション所要時間保存手段において保存
   されているセクション所要時間より、走行による時間の
   経過を考慮し、所要時間実績値演算値を演算する所要時
   間実績値演算手段と、 （ｅ’）前記所要時間実績値演算手段より得られる所要
   時間実績値を保存する所要時間実績値保存手段と、 （ｆ）前記セクション所要時間演算手段より得られるセ
   クション所要時間を入力とし、重み係数を用いて所要時
   間予測値を出力する予測用階層形ニューラルネットワー
   クと、 （ｇ）前記セクション所要時間保存手段より得られるセ
   クション所要時間データを入力とし、重み係数を用いて
   所要時間予測値を出力する学習用階層形ニューラルネッ
   トワークと、 （ｈ）前記予測用階層形ニューラルネットワークおよび
   学習用階層形ニューラルネットワークの双方で用いる前
   記重み係数を更新する重み係数更新手段と、 （ｉ）前記学習用階層形ニューラルネットワークより出
   力される所要時間予測値、および前記所要時間実績値保
   存手段より得られる所要時間実測値を用いてこれらの所
   要時間の誤差を得、これに基づいて前記重み係数の修正
   量を計算する階層形ニューラルネットワーク学習手段
   と、 （ｊ）前記階層形ニューラルネットワーク学習手段より
   得られる所要時間予測誤差に基づき、予測を開始するタ
   イミングを判断する予測開始タイミング判断手段と、 をそなえた所要時間予測装置。
3. 【請求項３】（ａ）路線区間内に複数設置された車両感
   知器と、 （ｂ）前記車両感知器より得られるセクション空間平均
   速度を用いて、対象路線区間を分割した際の各セクショ
   ンにおける所要時間を演算するセクション所要時間演算
   手段と、 （ｃ）前記セクション所要時間演算手段によるセクショ
   ン所要時間を保存するセクション所要時間保存手段と、 （ｄ）前記車両感知器より得られるセクション空間平均
   速度を保存するセクション空間平均速度保存手段と、 （ｄ”）前記セクション空間平均速度保存手段より得ら
   れるセクション空間平均速度から、前記セクション相互
   間の行き過ぎを考慮し、より厳密な所要時間実績値を演
   算する所要時間実績値演算手段と、 （ｅ”）前記所要時間実績値演算手段より得られる所要
   時間実績値を保存する所要時間実績値保存手段と、 （ｆ）前記セクション所要時間演算手段より得られるセ
   クション所要時間を入力とし、所要時間予測値を出力す
   る予測用階層形ニューラルネットワークと、 （ｇ）前記セクション所要時間保存手段より得られるセ
   クション所要時間データを入力とし、重み係数を用いて
   所要時間予測値を出力する学習用階層形ニューラルネッ
   トワークと、 （ｈ）前記予測用階層形ニューラルネットワークおよび
   前記学習用階層形ニューラルネットワークの双方で用い
   る前記重み係数を更新する重み係数更新手段と、 （ｉ）前記学習用階層形ニューラルネットワークより出
   力される所要時間予測値、および前記所要時間実績値保
   存手段による所要時間実測値を用いてこれらの所要時間
   の誤差を得、これに基づいて前記重み係数の修正量を計
   算する階層形ニューラルネットワーク学習手段と、 （ｊ）前記階層形ニューラルネットワーク学習手段より
   得られる所要時間の誤差に基づき、予測を開始するタイ
   ミングを判断する予測開始タイミング判断手段と、 をそなえた所要時間予測装置。
4. 【請求項４】請求項１記載の所要時間予測装置におい
   て、 （ｋ）各路線の所要時間予測装置による所要時間予測値
   を比較する所要時間予測値比較手段と、 （ｌ）前記所要時間予測値比較手段の結果より、所要時
   間最短路線を選定する、所要時間最短路線選定手段と、 をさらにそなえた所要時間予測装置。
5. 【請求項５】請求項２記載の所要時間予測装置におい
   て、 （ｋ）各路線の所要時間予測装置による所要時間予測値
   を比較する所要時間予測値比較手段と、 （ｌ）前記所要時間予測値比較手段の結果より、所要時
   間最短路線を選定する、所要時間最短路線選定手段と、 をさらにそなえた所要時間予測装置。
6. 【請求項６】請求項３記載の所要時間予測装置におい
   て、 （ｋ）各路線の所要時間予測装置による所要時間予測値
   を比較する所要時間予測値比較手段と、 （ｌ）前記所要時間予測値比較手段の結果より、所要時
   間最短路線を選定する、所要時間最短路線選定手段と、 をさらにそなえた所要時間予測装置。
7. 【請求項７】請求項１記載の所要時間予測装置におい
   て、 （ｍ）前記所要時間予測値と路線区間長とにより前記路
   線区間の空間平均速度予測値を演算する路線区間空間平
   均速度予測値演算手段と、 （ｎ）前記路線区間空間平均速度予測値演算手段による
   路線区間空間平均速度予測値としきい値とにより予測渋
   滞度を判定する予測渋滞度判定手段と、 をさらにそなえた所要時間予測装置。
8. 【請求項８】請求項２記載の所要時間予測装置におい
   て、 （ｍ）前記所要時間予測値と路線区間長とにより前記路
   線区間の空間平均速度予測値を演算する路線区間空間平
   均速度予測値演算手段と、 （ｎ）前記路線区間空間平均速度予測値演算手段による
   路線区間空間平均速度予測値としきい値とにより予測渋
   滞度を判定する予測渋滞度判定手段と、 をさらにそなえた所要時間予測装置。
9. 【請求項９】請求項３記載の所要時間予測装置におい
   て、 （ｍ）前記所要時間予測値と路線区間長とにより前記路
   線区間の空間平均速度予測値を演算する路線区間空間平
   均速度予測値演算手段と、 （ｎ）前記路線区間空間平均速度予測値演算手段による
   路線区間空間平均速度予測値としきい値とにより予測渋
   滞度を判定する予測渋滞度判定手段と、 をさらにそなえた所要時間予測装置。
10. 【請求項１０】請求項７記載の所要時間予測装置におい
    て、 （ｏ）各路線の所要時間予測装置による予測渋滞度を比
    較する予測渋滞度比較手段と、 （ｐ）前記予測渋滞度比較手段の結果より、各路線の中
    から最も渋滞している路線および最も渋滞していない路
    線を選定する、予測渋滞度選定手段と、 をさらにそなえた所要時間予測装置。
11. 【請求項１１】請求項８記載の所要時間予測装置におい
    て、 （ｑ）各路線の予測渋滞度を比較する予測渋滞度比較手
    段と、 （ｒ）前記予測渋滞度比較手段の結果より、各路線の中
    から最も渋滞している路線および最も渋滞していない路
    線を選定する、予測渋滞度選定手段と、 をさらにそなえた所要時間予測装置。
12. 【請求項１２】請求項９記載の所要時間予測装置におい
    て、 （ｑ）各路線の予測渋滞度を比較する予測渋滞度比較手
    段と、 （ｒ）前記予測渋滞度比較手段の結果より、各路線の中
    から最も渋滞している路線および最も渋滞していない路
    線を選定する、予測渋滞度選定手段と、 をさらにそなえた所要時間予測装置。