JPH10312497A

JPH10312497A - 交通状況予測装置

Info

Publication number: JPH10312497A
Application number: JP12249497A
Authority: JP
Inventors: Yoshikazu Oba; 場義和大
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1997-05-13
Filing date: 1997-05-13
Publication date: 1998-11-24

Abstract

(57)【要約】（修正有）【課題】交通量、交通密度、車速などの交通状況を、
高精度に予測し得る交通状況予測装置を提供する。【解決手段】対象となる閉区間に分割形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器
１、交通密度データの保存手段２、交通量データの保存
手段３、予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度を入力とし、重み
係数を用いて予測対象区間の交通量予測値を出力する予
測ニューラルネットワーク４、前記交通密度保存手段か
ら得られる過去の交通密度を入力とし、予測対象区間の
学習用交通量予測値を出力する学習用ニューラルネット
ワーク５、当学習用交通量予測値、および交通量保存手
段より得られる交通量実績値を用いて前記重み係数の修
正量を計算し、重み係数を更新する重み係数学習手段
６、をそなえる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、交通状況予測シス
テムに係わり、特に高速道路におけるある特定の区間の
交通状況（交通量、交通密度（オキュパンシ）、車速）
の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、走行所要時間や渋滞情報
等の交通情報の価値が高まってきている。そのため、走
行車両のドライバに対してより正確な交通情報を提供す
るためには、これらの交通情報の基になる交通量、交通
密度、車速などの交通状況情報を精度良く予測すること
が必要となってくる。

【０００３】交通状況を予測する方法で一般的なものと
しては、Ｉ／Ｏ法（インプット／アウトプット法）が挙
げられる。この方法は、基本交通流演算と交通容量チェ
ックとを用いるものである。ここで、交通流とは、交通
の流れを言い、交通容量とは、ある区間の道路を通れる
最大の交通量をいう。そして、対象となる道路を小区間
に分割し、まず下流側の交通容量を考えずに、上流側か
ら順次流入流出演算を行う。ここで、交通容量を考慮に
入れていないため、車の流れ過ぎが発生する個所があ
る。

【０００４】これにつき、Ｑ−Ｋ曲線という交通量と交
通密度の特性曲線とを使用し、下流側から順次上流側に
戻す形で行う補正計算によって、ある交通容量チェック
を行う。これらの作業を、対象とする範囲における全て
の区間で実施し、交通状況を予測する。

【０００５】また、この他に、物理モデルを使用するも
のや、統計的に予測する手法などがある。

【０００６】

【発明が解決しようとする課題】現在、交通状況の予測
においては、一般には上記Ｉ／Ｏ法によるが、Ｉ／Ｏ法
の補正計算で使用するＱ−Ｋ曲線は、広範囲に分布して
いるにも関わらず、１本の曲線で近似して使用している
ため、交通状況予測に誤差を生じる原因とされている。

【０００７】また、物理モデルや統計的な予測において
は、渋滞の発生および解消のプロセス解析が確立されて
いないため、頻繁な渋滞の発生・解消時の予測精度向上
は困難である。〔発明の目的〕本発明は、上記の点を考慮してなされた
もので、交通量、交通密度、車速などの交通状況を、高
精度に予測し得る交通状況予測装置を提供することを目
的とする。

【０００８】

【課題を解決するための手段】上記問題点を解決するた
めに、本発明では、予測対象となる区間の上流と下流の
交通状況（渋滞状況等）と、対象区間の交通状況との関
係に着目して、上流と下流の物理的な状況を基に予測を
行う。このように物理的な状況から予測を行うことによ
り、時系列的な要素を考える必要が無くなり、都市部の
高速道路など渋滞が頻繁に発生するところでも対応が可
能となる。また、予測対象となる区間の上流および下流
の交通状況と、対象区間の交通状況との関係をニューラ
ルネットワークまたは多項式予測モデルで表すことによ
り、誤差の原因の一つとされているＱ−Ｋ曲線を使用す
る必要がない。

【０００９】上記目的を達成するための手段として、本
発明に係る第１の交通状況予測装置は、（ａ）対象となる閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｄ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度を入力とし、重
み係数を用いて予測対象区間の交通量予測値を出力する
予測ニューラルネットワーク（ｅ１）予測対象位置の上流または下流の、任意の数
の前記交通密度保存手段から得られる過去の交通密度を
入力とし、前記重み係数を用いて予測対象区間の学習用
交通量予測値を出力する学習用ニューラルネットワーク（ｆ１）学習用ニューラルネットワークより出力され
る学習用交通量予測値、および前記交通量保存手段より
得られる交通量実績値を用いて前記重み係数の修正量を
計算し、該重み係数を更新する重み係数学習手段をそなえている。

【００１０】また、本発明に係る第２の交通状況予測装
置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｄ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度を入力とし、重
み係数を用いて予測対象区間の交通密度予測値を出力す
る予測ニューラルネットワーク（ｅ２）予測対象位置の上流または下流の、任意の数
の前記交通密度保存手段から得られる過去の交通密度を
入力とし、前記重み係数を用いて予測対象区間の学習用
交通密度予測値を出力する学習用ニューラルネットワー
ク（ｆ２）学習用ニューラルネットワークより出力され
る学習用交通密度予測値を用いて前記重み係数の修正量
を計算し、該重み係数を更新する重み係数学習手段をそなえている。

【００１１】また、本発明に係る第３の交通状況予測装
置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｄ３）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度を入力とし、重
み係数を用いて予測対象区間の車速予測値を出力する予
測ニューラルネットワーク（ｅ３）予測対象位置の上流または下流の、任意の数
の前記交通密度保存手段から得られる過去の交通密度を
入力とし、前記重み係数を用いて予測対象区間の学習用
車速予測値を出力する学習用ニューラルネットワーク（ｆ３）学習用ニューラルネットワークより出力され
る学習用車速予測値および前記車速保存手段より得られ
る車速実測値を用いて前記重み係数の修正量を計算し、
該重み係数を更新する重み係数学習手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段をそなえている。

【００１２】また、本発明に係る第４の交通状況予測装
置は、（ａ）対象とする閉区間の分割により形成された複数の
小区間の各々に設置され、走行車両の交通量、空間平均
速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｄ４）予測対象位置の上流または下流の、任意の車
両感知器から得られる交通量を入力とし、重み係数を用
いて予測対象区間の交通量予測値を出力する予測ニュー
ラルネットワーク（ｅ４）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、前記重み係数を用いて予測対象区間の学習用交通
量予測値を出力する学習用ニューラルネットワーク（ｆ４）学習用ニューラルネットワークより出力され
る学習用交通量予測値および前記交通量保存手段より得
られる交通量実績値を用いて前記重み係数の修正量を計
算し、該重み係数を更新する重み係数学習手段をそなえている。

【００１３】また、本発明に係る第５の交通状況予測装
置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｄ５）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる交通量を入力とし、重み係数
を用いて予測対象区間の交通密度予測値を出力する予測
ニューラルネットワーク（ｅ５）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、前記重み係数を用いて予測対象区間の学習用交通
密度予測値を出力する学習用ニューラルネットワーク（ｆ５）学習用ニューラルネットワークより出力され
る学習用交通密度予測値、および前記交通密度保存手段
より得られる交通密度実績値を用いて前記重み係数の修
正量を計算し、該重み係数を更新する重み係数学習手段をそなえている。

【００１４】また、本発明に係る第６の交通状況予測装
置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｄ６）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる交通量を入力とし、重み係数
を用いて予測対象区間の車速予測値を出力する予測ニュ
ーラルネットワーク（ｅ６）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、前記重み係数を用いて予測対象区間の学習用車速
予測値を出力する学習用ニューラルネットワーク（ｆ６）学習用ニューラルネットワークより出力され
る学習用車速予測値および前記車速保存手段より得られ
る車速実績値を用いて前記重み係数の修正量を計算し、
該重み係数を更新する重み係数学習手段をそなえている。

【００１５】また、本発明に係る第７の交通状況予測装
置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する前記車速保存手段（ｄ７）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる車速を入力とし、重み係数を
用いて予測対象区間の交通量予測値を出力する予測ニュ
ーラルネットワーク（ｅ７）予測対象位置の上流または下流の、任意の数
の前記車速保存手段から得られる過去の車速を入力と
し、前記重み係数を用いて予測対象区間の学習用交通量
予測値を出力する学習用ニューラルネットワーク（ｆ７）学習用ニューラルネットワークより出力され
る学習用交通量予測値および前記交通量保存手段より得
られる交通量実績値を用いて前記重み係数の修正量を計
算し、該重み係数を更新する重み係数学習手段をそなえている。

【００１６】また、本発明に係る第８の交通状況予測装
置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる車速データを保存
する前記車速保存手段（ｄ８）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる車速を入力とし、重み係数を
用いて予測対象区間の交通密度予測値を出力する予測ニ
ューラルネットワーク（ｅ８）予測対象位置の上流または下流の、任意の数
の前記車速保存手段から得られる過去の車速を入力と
し、前記重み係数を用いて予測対象区間の学習用交通密
度予測値を出力する学習用ニューラルネットワーク（ｆ８）学習用ニューラルネットワークより出力され
る学習用交通量予測値、および前記交通量保存手段より
得られる交通量実績値を用いて重み係数の補正量を計算
し、該重み係数を更新する重み係数学習手段をそなえている。

【００１７】また、本発明に係る第９の交通状況予測装
置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｄ９）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速を入力とし、重み係
数を用いて予測対象区間の車速予測値を出力する学習用
ニューラルネットワーク（ｅ９）予測対象位置の上流または下流の、任意の数
の前記車速保存手段から得られる過去の車速を入力と
し、前記重み係数を用いて予測対象区間の学習用車速予
測値を出力する学習用ニューラルネットワーク（ｆ９）学習用ニューラルネットワークより出力され
る学習用車速予測値、および前記車速保存手段より得ら
れる車速実績値を用いて前記重み係数の修正量を計算
し、該重み係数を更新する重み係数学習手段をそなえている。

【００１８】また、本発明に係る第１０の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｈ）前記車両感知器より得られる交通密度データ、
交通量データ、車速データを保存する交通データ保存手
段（ｉ）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度データ、交通量デ
ータ、車速データを入力とし、重み係数を用いて予測対
象区間の交通密度予測値、交通量予測値、車速予測値を
出力する予測ニューラルネットワーク（ｊ）予測対象位置の上流または下流の、任意の数の
交通データ保存手段から得られる過去の交通密度デー
タ、交通量データ、車速データを入力とし、重み係数を
用いて予測対象区間の学習用交通密度予測値、学習用交
通量予測値、学習用車速予測値を出力する学習用ニュー
ラルネットワーク（ｋ）学習用ニューラルネットワークより出力される
学習用交通密度予測値、学習用交通量予測値、学習用車
速予測値、および前記車両感知器より得られる交通密度
実績値、交通量実測値、車速実測値を用いて前記重み係
数の修正量を計算し、該重み係数を更新する重み係数学
習手段をそなえている。

【００１９】また、本発明に係る第１１の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｌ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の交通量予測値を出力する交通量予測モデル（ｍ１）前記交通量保存手段から得られる交通量実績
値、および前記交通密度保存手段より得られる交通密度
実績値を用いて多項式予測モデルのパラメータの修正量
を計算し、パラメータを更新するパラメータ更新手段をそなえている。

【００２０】また、本発明に係る第１２の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｎ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の交通密度予測値を出力する交通密度予測モデル（ｏ１）前記交通密度保存手段より得られる交通密度
実績値を用いて多項式予測モデルのパラメータの修正量
を計算し、パラメータを更新するパラメータ更新手段をそなえている。

【００２１】また、本発明に係る第１３の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｐ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の車速予測値を出力する車速予測モデル（ｑ１）前記交通密度保存手段から得られる交通密度
実績値、および車速保存手段より得られる車速実績値を
用いて多項式予測モデルのパラメータの修正量を計算
し、パラメータを更新するパラメータ更新手段をそなえている。

【００２２】また、本発明に係る第１４の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｌ２）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通量の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通量予測値を出力する交通量予測モデル（ｍ２）前記交通量保存手段から得られる交通量実績
値を用いて多項式予測モデルのパラメータの修正量を計
算し、パラメータを更新するパラメータ更新手段をそなえている。

【００２３】また、本発明に係る第１５の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｎ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の交通密度予測値を出力する交通密度予測モデル（ｏ２）前記交通量保存手段から得られる交通量実績
値、および前記交通密度保存手段より得られる交通密度
実績値を用いて多項式予測モデルのパラメータの修正量
を計算し、パラメータを更新するパラメータ更新手段をそなえている。

【００２４】また、本発明に係る第１６の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の車速予測値を出力する車速予測モデル（ｑ２）前記交通量保存手段から得られる交通量実績
値、および前記車速保存手段より得られる車速実績値を
用いて多項式予測モデルのパラメータの修正量を計算
し、パラメータを更新するパラメータ更新手段をそなえている。

【００２５】また、本発明に係る第１７の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｌ３）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通量予測値を出力する交通量予測モデル（ｍ３）前記車速保存手段から得られる車速実績値、
および前記交通量保存手段より得られる交通量実績値を
用いて多項式予測モデルのパラメータの修正量を計算
し、パラメータを更新するパラメータ更新手段をそなえている。

【００２６】また、本発明に係る第１８の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｎ３）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通密度予測値を出力する交通密度予測モデル（ｏ３）前記車速保存手段から得られる車速実績値、
および前記交通密度保存手段より得られる交通密度実績
値を用いて多項式予測モデルのパラメータの修正量を計
算し、パラメータを更新するパラメータ更新手段をそなえている。

【００２７】また、本発明に係る第１９の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ３）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の車速予測値を出力する車速予測モデル（ｑ３）前記車速保存手段より得られる車速実績値を
用いて多項式予測モデルのパラメータの修正量を計算
し、パラメータを更新するパラメータ更新手段をそなえている。

【００２８】また、本発明に係る第２０の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通データを保存
する交通量保存手段（ｌ４）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の交通密度予測値を出力する交通密度予測モデル（ｒ）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度を入力とし、交通
密度予測モデルのパラメータを出力する予測ニューラル
ネットワーク（ｓ）予測対象位置の上流または下流の、任意の数の
前記交通密度保存手段から得られる過去の交通密度を入
力とし、学習用の交通密度予測モデルのパラメータを出
力する学習用ニューラルネットワーク（ｔ）学習用ニューラルネットワークより出力される
学習用交通密度予測モデルのパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用交通密
度予測モデルのパラメータを用いて前記重み係数の修正
量を計算し、該重み係数を更新する重み係数学習手段（ｕ）前記交通密度保存手段より得られる交通密度実
績値および前記前記交通量保存手段より得られる交通量
実績値を受け取り、学習用ニューラルネットワークの学
習に使用される教師信号用の交通密度予測モデルパラメ
ータを出力する教師信号用パラメータ作成手段をそなえている。

【００２９】また、本発明に係る第２１の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｎ４）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の交通密度予測値を出力する交通密度予測モデル（ｖ）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度を入力とし、交通
密度予測モデルのパラメータを出力する予測ニューラル
ネットワーク（ｗ）予測対象位置の上流または下流の、任意の数の
前記交通密度保存手段から得られる過去の交通密度を入
力とし、学習用の交通密度予測モデルのパラメータを出
力する学習用ニューラルネットワーク（ｘ）学習用ニューラルネットワークより出力される
学習用交通密度予測モデルパラメータ、および教師信号
用パラメータ作成手段より得られる教師信号用交通密度
予測モデルパラメータを用いて前記重み係数の修正量を
計算し、該重み係数を更新する重み係数学習手段（ｙ）前記交通密度保存手段より得られる交通密度実
績値を受け取り、学習用ニューラルネットワークの学習
に使用される教師信号用の交通密度予測モデルパラメー
タを出力する教師信号用パラメータ作成手段をそなえている。

【００３０】また、本発明に係る第２２の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ４）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の車速量予測値を出力する車速予測モデル（ｚ）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度を入力とし、車速
予測モデルのパラメータを出力する予測ニューラルネッ
トワーク（ａａ）予測対象位置の上流または下流の、任意の数
の前記交通密度保存手段から得られる過去の交通密度を
入力とし、学習用の車速予測モデルのパラメータを出力
する学習用ニューラルネットワーク（ａｂ）学習用ニューラルネットワークより出力され
る学習用車速予測モデルのパラメータ、および教師信号
用パラメータ作成手段より得られる教師信号用車速予測
モデルパラメータを用いて前記重み係数の修正量を計算
し、該重み係数を更新する重み係数学習手段（ａｃ）前記交通密度保存手段より得られる交通密度
実績値、および前記車速保存手段より得られる車速実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の車速予測モデルパラメータを出
力する教師信号用パラメータ作成手段をそなえている。

【００３１】また、本発明に係る第２３の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通データを保存
する交通量保存手段（ｌ５）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の交通量予測値を出力する交通量予測モデル（ｒ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量を入力とし、交通
量予測モデルのパラメータを出力する予測ニューラルネ
ットワーク（ｓ１）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、学習用の交通量予測モデルのパラメータを出力す
る学習用ニューラルネットワーク（ｔ１）学習用ニューラルネットワークより出力され
る学習用交通量予測モデルのパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用交通量
予測モデルパラメータを用いて前記重み係数の修正量を
計算し、該重み係数を更新する重み係数学習手段（ｕ１）前記交通量保存手段より得られる交通量実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の交通量予測モデルパラメータを
出力する教師信号用パラメータ作成手段をそなえている。

【００３２】また、本発明に係る第２４の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｎ５）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の交通密度予測値を出力する交通密度予測モデル（ｖ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量を入力とし、交通
密度予測モデルのパラメータを出力する予測ニューラル
ネットワーク（ｗ１）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、学習用の交通密度予測モデルのパラメータを出力
する学習用ニューラルネットワーク（ｘ１）前記交通量保存手段より得られる交通量実績
値、および前記交通密度保存手段より得られる交通密度
実績値を受け取り、学習用ニューラルネットワークの学
習に使用される教師信号用の交通密度予測モデルパラメ
ータを出力する教師信号用パラメータ作成手段（ｙ１）学習用ニューラルネットワークより出力され
る学習用交通密度予測モデルパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用交通密
度予測モデルパラメータを用いて前記重み係数の修正量
を計算し、該重み係数を更新する重み係数学習手段をそなえている。

【００３３】また、本発明に係る第２５の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ５）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の車速予測値を出力する車速予測モデル（ｚ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量を入力とし、車速
予測モデルのパラメータを出力する予測ニューラルネッ
トワーク（ａａ１）予測対象位置の上流または下流の、任意の
数の前記交通量保存手段から得られる過去の交通量を入
力とし、学習用の車速予測モデルのパラメータを出力す
る学習用ニューラルネットワーク（ａｂ１）学習用ニューラルネットワークより出力さ
れる学習用車速予測モデルパラメータ、および教師信号
用パラメータ作成手段より得られる教師信号用車速予測
モデルパラメータを用いて前記重み係数の修正量を計算
し、該重み係数を更新する重み係数学習手段（ａｃ１）前記交通量保存手段より得られる交通量実
績値、および前記車速保存手段より得られる車速実績値
を受け取り、学習用ニューラルネットワークの学習に使
用される教師信号用の車速予測モデルパラメータを出力
する教師信号用パラメータ作成手段をそなえている。

【００３４】また、本発明に係る第２６の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｌ６）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通量予測値を出力する交通量予測モデル（ｒ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速を入力とし、交通量
予測モデルのパラメータを出力する予測ニューラルネッ
トワーク（ｓ２）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の車速を入力と
し、学習用の交通量予測モデルのパラメータを出力する
学習用ニューラルネットワーク（ｔ２）学習用ニューラルネットワークより出力され
る学習用交通量予測モデルパラメータ、および教師信号
用パラメータ作成手段より得られる教師信号用交通量予
測モデルパラメータを用いて前記重み係数の修正量を計
算し、該重み係数を更新する重み係数学習手段（ｕ２）前記車速保存手段より得られる交通量実績
値、および前記交通量保存手段より得られる交通量実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の交通量予測モデルパラメータを
出力する教師信号用パラメータ作成手段をそなえている。

【００３５】また、本発明に係る第２７の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる交通データを保存
する車速保存手段（ｎ６）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通密度予測値を出力する交通密度予測モデル（ｖ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速を入力とし、交通密
度予測モデルのパラメータを出力する予測ニューラルネ
ットワーク（ｗ２）予測対象位置の上流または下流の、任意の数
の前記車速保存手段から得られる過去の車速を入力と
し、学習用の交通密度予測モデルのパラメータを出力す
る学習用ニューラルネットワーク（ｘ２）学習用ニューラルネットワークより出力され
る学習用交通密度予測モデルパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用交通密
度予測モデルパラメータを用いて前記重み係数の修正量
を計算し、該重み係数を更新する重み係数学習手段（ｙ２）前記車速保存手段より得られる車速実績値、
および前記交通密度保存手段より得られる交通密度実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の交通密度予測モデルパラメータ
を出力する教師信号用パラメータ作成手段をそなえている。

【００３６】また、本発明に係る第２８の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ６）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の車速予測値を出力する車速予測モデル（ｚ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速を入力とし、車速予
測モデルのパラメータを出力する予測ニューラルネット
ワーク（ａａ２）予測対象位置の上流または下流の、任意の
数の前記車速保存手段から得られる過去の車速を入力と
し、学習用の車速予測モデルのパラメータを出力する学
習用ニューラルネットワーク（ａｂ２）学習用ニューラルネットワークより出力さ
れる学習用車速予測モデルのパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用車速予
測モデルパラメータを用いて前記重み係数の修正量を計
算し、該重み係数を更新する重み係数学習手段（ａｃ２）前記車速保存手段より得られる車速実績値
を受け取り、学習用ニューラルネットワークの学習に使
用される教師信号用の車速予測モデルパラメータを出力
する教師信号用パラメータ作成手段をそなえている。

【００３７】また、本発明に係る第２９の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｈ）前記車両感知器より得られる交通密度データ、
交通量データ、車速データを保存する交通データ保存手
段（ａｄ）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量・交通密度・車速
の関数から構成される多項式予測モデルで、重み係数を
用いて予測対象区間の交通量予測値・交通密度予測値・
車速予測値を出力する交通状況予測モデル（ａｅ）交通データ保存手段より得られる交通量実績
値・交通密度実績値・車速実績値を用いて、多項式予測
モデルのパラメータの修正量を計算し、パラメータを更
新するパラメータ更新手段をそなえている。

【００３８】また、本発明に係る第３０の交通状況予測
装置は、（ａ）対象とする閉区間の分割により形成された複数
の小区間の各々に設置され、走行車両の交通量、空間平
均速度、および交通密度を測定する複数の車両感知器（ｈ）前記車両感知器より得られる交通密度データ、
交通量データ、車速データを保存する交通データ保存手
段（ａｄ１）予測対象位置の上流または下流の、任意の
数の前記車両感知器から得られる交通量・交通密度・車
速の関数により構成される多項式予測モデルで、重み係
数を用いて予測対象区間の交通量予測値・交通密度予測
値・車速予測値を出力する交通状況予測モデル（ａｆ）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量・交通密度・車速
を入力とし、交通状況予測モデルのパラメータを出力す
る予測ニューラルネットワーク（ａｇ）予測対象位置の上流または下流の、任意の数
の交通データ保存手段から得られる過去の交通量・交通
密度・車速を入力とし、学習用の交通状況予測モデルの
パラメータを出力する学習用ニューラルネットワーク（ａｈ）前記学習用ニューラルネットワークより出力
される学習用交通状況予測モデルパラメータ、および教
師信号用パラメータ作成手段より得られる教師信号用車
速予測モデルパラメータを用いて前記重み係数の修正量
を計算し、該重み係数を更新する重み係数学習手段（ａｉ）交通データ保存手段より得られる交通量・交
通密度・車速実績値を受け取り、学習用ニューラルネッ
トワークの学習に使用される教師信号用の交通状況予測
モデルパラメータを出力する教師信号用パラメータ作成
手段をそなえている。

【００３９】

【発明の実施の形態】次に、上記各手段の作用について
説明する。本発明の第１実施例の交通状況予測装置に関
して、（ａ）車両感知器は、走行車両の交通量、空間平均速
度、および交通密度を測定するものである。（ｂ）は、
（ａ）前記車両感知器より交通密度データを受け取り、
交通密度データを保存する手段である。（ｃ）は、
（ａ）前記車両感知器より交通量データを受け取り、交
通量データを保存する手段である。（ｄ１）は、前記車
両感知器より交通密度を受け取り、（ｆ１）により更新
された重み係数を用いてニューラルネットワークにより
予測対象区間の交通量予測値を演算するものである。
（ｅ１）は、（ｂ１）より過去の交通密度を受け取り、
（ｆ１）により更新された前記重み係数を用いてニュー
ラルネットワークにより予測対象区間の学習用交通量予
測値を演算するものである。このニューラルネットワー
クは、上記（ｄ１）と同じ構造をしており、（ｄ１）で
は過去の情報が利用できないが、（ｅ１）では過去の情
報が利用できるため、それを使用して学習用の予測値を
演算することが可能である。

【００４０】ここで、上記手段（ｄ１），（ｅ１）にお
いて用いるニューラルネットワークについて説明する。
ニューラルネットワークには、一般的に階層形と相互結
合形のものがあるが、ここでは階層形に関して説明す
る。

【００４１】図３１に示すように、階層形ニューラルネ
ットワークは、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を採っている。図
３１の階層形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。

【００４２】以下の記号は、次の通りである。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（ｉ＝１〜ｎ）Ｘｉ（ｔ）：出力層第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、（ｄ１）においては、入力Ｕｉ（ｔ）が車
両感知器からの各セクションの交通密度データ、出力Ｘ
ｉ（ｔ）が交通量予測値に対応しており、（ｅ１）にお
いては、入力Ｕｉ（ｔ）が交通密度保存手段からの各セ
クションの交通密度データ、出力Ｘｉ（ｔ）が学習用交
通量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。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。

【００４３】

【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。

【００４４】

【数２】（注：Ｈｏ（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。

【００４５】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。

【００４６】

【数３】（ｆ１）は、（ｃ）より過去の交通量実績値、（ｅ１）
よりそれに対応する学習用交通量予測値を受け取り、交
通量実績値を教師信号として、ニューラルネットワーク
の学習を行って重み係数の修正値を計算し、（ｄ１），
（ｅ１）のニューラルネットワークの重み係数を更新す
る手段である。

【００４７】図３２に、本発明に用いる階層形ニューラ
ルネットワークにおける処理フローを示す。ここで、図
３２における処理内容について説明する。そして、新た
に以下の記号を定義する。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ｃｐｑ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本発明の階層形ニューラルネットワークでは、Ｖｉ
（ｔ）は交通量保存手段からの交通量実績値に対応して
おり、前述の階層形ニューラルネットワークにおいて
は、入力Ｕｉ（ｔ）が交通密度保存手段からの各セクシ
ョンの交通密度データ、出力Ｘｉ（ｔ）が学習用交通量
予測値に対応している。

【００４８】本発明の階層形ニューラルネットワークに
おいて、結合重み係数の修正量Δａｐｑ（ｔ），Δｂｐ
ｑ（ｔ）は、次式のように計算される。 Δａｐｑ（ｔ）＝Δｓａｐｑ（ｔ）＋α・Δａｐｑ（ｔ・１） …（X.9) Δｂｐｑ（ｔ）＝Δｓｂｐｑ（ｔ）＋α・Δｂｐｑ（ｔ・１） …(X.10) ただし、式（Ｘ．９），（Ｘ．１０）におけるΔｓａｐ
ｑ（ｋ），Δｓｂｐｑ（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。

【００４９】

【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、

【００５０】

【数５】

【００５１】

【数６】

【００５２】

【数７】となる。

【００５３】以上の計算の結果、Δａｐｑ（ｔ），Δｂ
ｐｑ（ｔ）を求めた後に、次式によりニューラルネット
ワークの重み係数ａｐｑ，ｂｐｑの更新を行う。ａｐｑ（ｔ＋１）＝ａｐｑ（ｔ）＋Δａｐｑ（ｔ） …（X.7) ｂｐｑ（ｔ＋１）＝ｂｐｑ（ｔ）＋Δｂｐｑ（ｔ） …（X.8) 第１実施例の交通状況予測装置は、以上の作用を持つ。

【００５４】また、本発明の第２実施例の交通状況予測
装置は、（ａ），（ｂ）に関しては、第１実施例の交通
状況予測装置と同様であり、（ｄ２），（ｅ２），（ｆ
２）に関しては、以下の作用がある。

【００５５】（ｄ２）は、車両感知器より交通密度を受
け取り、（ｆ２）により更新された重み係数を用いて、
ニューラルネットワークにより予測対象区間の交通密度
予測値を演算するものである。

【００５６】（ｅ２）は、（ｂ）より過去の交通密度を
受け取り、（ｆ２）により更新された前記重み係数を用
いて、ニューラルネットワークにより予測対象区間の学
習用交通密度予測値を演算するものである。このニュー
ラルネットワークは、上記（ｄ２）と同じ構造をしてお
り、（ｄ２）では過去の情報が利用できないが、（ｅ
２）では過去の情報が利用できるため、それを使用して
学習用の予測値を演算することが可能である。

【００５７】（ｆ２）は、（ｂ）より過去の交通密度実
績値、（ｅ２）よりそれに対応する学習用交通密度予測
値を受け取り、交通密度実績値を教師信号として、ニュ
ーラルネットワークの学習を行って重み係数の修正値を
計算し、（ｄ２），（ｅ２）のニューラルネットワーク
の重み係数を更新する手段である。

【００５８】第２実施例の交通状況予測装置は、以上の
作用を持つ。

【００５９】また、本発明の第３の交通状況予測装置
は、（ａ），（ｂ）に関しては、第１実施例の交通状況
予測装置と同様であり、（ｄ３），（ｅ３），（ｆ
３），（ｇ）に関しては、以下の作用がある。

【００６０】（ｄ３）は、車両感知器より交通密度を受
け取り、（ｆ３）により更新された重み係数を用いて、
ニューラルネットワークにより予測対象区間の車速予測
値を演算するものである。

【００６１】（ｅ３）は、（ｂ）より過去の交通密度を
受け取り、（ｆ３）により更新された前記重み係数を用
いて、ニューラルネットワークにより予測対象区間の学
習用車速予測値を演算するものである。このニューラル
ネットワークは、上記（ｄ３）と同じ構造をしており、
（ｄ３）では過去の情報が利用できないが、（ｅ３）で
は過去の情報が利用できるため、それを使用して学習用
の予測値を演算することが可能である。

【００６２】（ｆ３）は、（ｂ）より過去の車速実績
値、（ｅ３）よりそれに対応する学習用車速予測値を受
け取り、車速実績値を教師信号として、ニューラルネッ
トワークの学習を行って重み係数の修正値を計算し、
（ｄ３），（ｅ３）のニューラルネットワークの重み係
数を更新する手段である。

【００６３】（ｇ）は、（ａ）車両感知器より車速デー
タを受け取り、車速データを保存する手段である。

【００６４】本発明の第３の交通状況予測装置は、以上
の作用を持つ。

【００６５】また、本発明の第４の交通状況予測装置
は、（ａ），（ｃ）に関しては、第１実施例の交通状況
予測装置と同様であり、（ｄ４），（ｅ４），（ｆ４）
に関しては、以下の作用がある。

【００６６】（ｄ４）は、車両感知器より交通量を受け
取り、（ｆ４）により更新された重み係数を用いて、ニ
ューラルネットワークにより予測対象区間の交通量予測
値を演算するものである。

【００６７】（ｅ４）は、（ｃ）より過去の交通量を受
け取り、（ｆ４）により更新された前記重み係数を用い
て、ニューラルネットワークにより予測対象区間の学習
用交通量予測値を演算するものである。このニューラル
ネットワークは、上記（ｄ４）と同じ構造をしており、
（ｄ４）では過去の情報が利用できないが、（ｅ４）で
は過去の情報が利用できるため、それを使用して学習用
の予測値を演算することが可能である。

【００６８】（ｆ４）は、（ｃ）より過去の交通量実績
値、（ｅ４）よりそれに対応する学習用交通量予測値を
受け取り、交通量実績値を教師信号として、ニューラル
ネットワークの学習を行って重み係数の修正値を計算
し、（ｄ４），（ｅ４）のニューラルネットワークの重
み係数を更新する手段である。

【００６９】本発明の第４の交通状況予測装置は、以上
の作用を持つ。

【００７０】また、本発明の第５の交通状況予測装置
は、（ａ），（ｂ），（ｃ）に関しては、第１実施例の
交通状況予測装置と同様であり、（ｄ５），（ｅ５），
（ｆ５）に関しては、以下の作用がある。

【００７１】（ｄ５）は、車両感知器より交通量を受け
取り、（ｆ５）により更新された重み係数を用いて、ニ
ューラルネットワークにより予測対象区間の交通密度予
測値を演算するものである。

【００７２】（ｅ５）は、（ｃ）より過去の交通量を受
け取り、（ｆ５）により更新された前記重み係数を用い
て、ニューラルネットワークにより予測対象区間の学習
用交通密度予測値を演算するものである。このニューラ
ルネットワークは、上記（ｄ５）と同じ構造をしてお
り、（ｄ５）では過去の情報が利用できないが、（ｅ
５）では過去の情報が利用できるため、それを使用して
学習用の予測値を演算することが可能である。

【００７３】（ｆ５）は、（ｂ）より過去の交通密度実
績値、（ｅ５）よりそれに対応する学習用交通密度予測
値を受け取り、交通密度実績値を教師信号として、ニュ
ーラルネットワークの学習を行って重み係数の修正値を
計算し、（ｄ５），（ｅ５）のニューラルネットワーク
の重み係数を更新する手段である。

【００７４】第５実施例の交通状況予測装置は、以上の
作用を持つ。

【００７５】また、本発明の第６実施例の交通状況予測
装置は、（ａ），（ｃ）に関しては、第１実施例の交通
状況予測装置と同様であり、（ｇ）に関しては第３実施
例の交通状況予測装置と同様であり、（ｄ６），（ｅ
６），（ｆ６）に関しては、以下の作用がある。

【００７６】（ｄ６）は、車両感知器より交通量を受け
取り、（ｊ″）により更新された重み係数を用いて、ニ
ューラルネットワークにより予測対象区間の車速予測値
を演算するものである。

【００７７】（ｅ６）は、（ｃ）より過去の交通量を受
け取り、（ｆ６）により更新された前記重み係数を用い
て、ニューラルネットワークにより予測対象区間の学習
用車速予測値を演算するものである。このニューラルネ
ットワークは、上記（ｈ″）と同じ構造をしており、
（ｄ６）では過去の情報が利用できないが、（ｅ６）で
は過去の情報が利用できるため、それを使用して学習用
の予測値を演算することが可能である。

【００７８】（ｆ６）は、（ｇ）より過去の車速実績
値、（ｅ６）よりそれに対応する学習用車速予測値を受
け取り、車速実績値を教師信号として、ニューラルネッ
トワークの学習を行って重み係数の修正値を計算し、
（ｄ６），（ｅ６）のニューラルネットワークの重み係
数を更新する手段である。

【００７９】本発明の第６の交通状況予測装置は、以上
の作用を持つ。

【００８０】また、本発明の第７の交通状況予測装置
は、（ａ），（ｃ）に関しては、第１実施例の交通状況
予測装置と同様であり、（ｇ）に関しては第３実施例の
交通状況予測装置と同様であり、（ｄ７），（ｅ７），
（ｆ７）に関しては、以下の作用がある。

【００８１】（ｄ７）は、車両感知器より車速を受け取
り、（ｆ７）により更新された重み係数を用いて、ニュ
ーラルネットワークにより予測対象区間の交通量予測値
を演算するものである。

【００８２】（ｅ７）は、（ｇ）より過去の車速を受け
取り、（ｆ７）により更新された前記重み係数を用い
て、ニューラルネットワークにより予測対象区間の学習
用交通量予測値を演算するものである。このニューラル
ネットワークは、上記（ｄ７）と同じ構造をしており、
（ｄ７）では過去の情報が利用できないが、（ｅ７）で
は過去の情報が利用できるため、それを使用して学習用
の予測値を演算することが可能である。

【００８３】（ｆ７）は、（ｃ）より過去の交通量実績
値、（ｅ７）よりそれに対応する学習用交通量予測値を
受け取り、交通量実績値を教師信号として、ニューラル
ネットワークの学習を行って重み係数の修正値を計算
し、（ｄ７），（ｅ７）のニューラルネットワークの重
み係数を更新する手段である。

【００８４】第７実施例の交通状況予測装置は、以上の
作用を持つ。

【００８５】また、本発明の第８実施例の交通状況予測
装置は、（ａ），（ｂ）に関しては、第１実施例の交通
状況予測装置と同様であり、（ｇ）に関しては第３実施
例の交通状況予測装置と同様であり、（ｄ８），（ｅ
８），（ｆ８）に関しては、以下の作用がある。

【００８６】（ｄ８）は、車両感知器より車速を受け取
り、（ｆ８）により更新された重み係数を用いて、ニュ
ーラルネットワークにより予測対象区間の交通密度予測
値を演算するものである。

【００８７】（ｅ８）は、（ｇ）より過去の車速を受け
取り、（ｆ８）により更新された前記重み係数を用い
て、ニューラルネットワークにより予測対象区間の学習
用交通密度予測値を演算するものである。このニューラ
ルネットワークは、上記（ｄ８）と同じ構造をしてお
り、（ｄ８）では過去の情報が利用できないが、（ｅ
８）では過去の情報が利用できるため、それを使用して
学習用の予測値を演算することが可能である。

【００８８】（ｆ８）は、（ｂ）より過去の交通密度実
績値、（ｅ８′）よりそれに対応する学習用交通密度予
測値を受け取り、交通密度実績値を教師信号として、ニ
ューラルネットワークの学習を行って重み係数の修正値
を計算し、（ｄ８），（ｅ８）のニューラルネットワー
クの重み係数を更新する手段である。

【００８９】第８実施例の交通状況予測装置は、以上の
作用を持つ。

【００９０】また、本発明の第９実施例の交通状況予測
装置は、（ａ）に関しては第１実施例の交通状況予測装
置と同様であり、（ｇ）に関しては第３実施例の交通状
況予測装置と同様であり、（ｄ９ｋ″），（ｅ９
ｌ″），（ｆ９ｍ″）に関しては、以下の作用がある。

【００９１】（ｄ９′）は、車両感知器より車速を受け
取り、（ｆ９）により更新された重み係数を用いて、ニ
ューラルネットワークにより予測対象区間の車速予測値
を演算するものである。

【００９２】（ｅ９）は、（ｇ）より過去の車速を受け
取り、（ｆ９）により更新された前記重み係数を用い
て、ニューラルネットワークにより予測対象区間の学習
用車速予測値を演算するものである。このニューラルネ
ットワークは、上記（ｄ９）と同じ構造をしており、
（ｄ９）では過去の情報が利用できないが、（ｅ９）で
は過去の情報が利用できるため、それを使用して学習用
の予測値を演算することが可能である。

【００９３】（ｆ９）は、（ｇ）より過去の車速実績
値、（ｅ９）よりそれに対応する学習用車速予測値を受
け取り、車速実績値を教師信号として、ニューラルネッ
トワークの学習を行って重み係数の修正値を計算し、
（ｄ９），（ｅ９）のニューラルネットワークの重み係
数を更新する手段である。

【００９４】第９実施例の交通状況予測装置は、以上の
作用を持つ。

【００９５】また、本発明の第１０実施例の交通状況予
測装置は、（ａ）に関しては、第１実施例の交通状況予
測装置と同様であり、（ｈ），（ｉ），（ｊ），（ｋ）
に関しては、以下の作用がある。

【００９６】（ｈ）は、（ａ）車両感知器より交通デー
タ（交通量・交通密度・車速データ）を受け取り、交通
データ（交通量・交通密度・車速データ）を保存する手
段である。

【００９７】（ｉ）は、車両感知器より交通データを受
け取り、（ｋ）により更新された重み係数を用いて、ニ
ューラルネットワークにより予測対象区間の交通量予測
値、交通密度予測値、車速予測値を演算するものであ
る。

【００９８】（ｊ）は、（ｇ）より過去の車速を受け取
り、（ｋ）により更新された重み係数を用いて、ニュー
ラルネットワークにより予測対象区間の学習用交通量予
測値、学習用交通密度予測値、学習用車速予測値を演算
するものである。このニューラルネットワークは、上記
（ｏ）と同じ構造をしており、（ｉ）では過去の情報が
利用できないが、（ｊ）では過去の情報が利用できるた
め、それを使用して学習用の予測値を演算することが可
能である。

【００９９】（ｋ）は、（ｂ）より過去の交通データ実
績値、（ｊ）よりそれに対応する学習用交通量予測値、
学習用交通密度予測値、学習用車速予測値を受け取り、
交通データ実績値を教師信号として、ニューラルネット
ワークの学習を行って重み係数の修正値を計算し、
（ｉ），（ｊ）のニューラルネットワークの重み係数を
更新する手段である。

【０１００】第１０実施例の交通状況予測装置は、以上
の作用を持つ。

【０１０１】また、本発明の第１１実施例の交通状況予
測装置は、（ａ），（ｂ），（ｃ）に関しては、第１実
施例の交通状況予測装置と同様であり、（ｌ１），（ｍ
１）に関しては、以下の作用がある。

【０１０２】（ｌ１）は、車両感知器より交通密度を受
け取り、（ｍ１）により更新されたパラメータを用い
て、多項式予測モデルにより重み係数を用いて予測対象
区間の交通量予測値を演算するものである。

【０１０３】ここで、上記手段（ｌ１）において用いる
多項式予測モデルについて説明する。この多項式モデル
は、予測対象区間の近辺（上流区間数区間および下流区
間数区間）の交通データ（ここでは交通密度データ）の
関数の多項式で表されるもので、一例として以下のよう
な構造のものがある。Ｙｋ＝α１Ｆ（Ｘ１）＋α２Ｆ（Ｘ２）＋… ＋αｋＦ（Ｘｋ）＋…＋αｎＦ（Ｘｎ） …(X.17) ｋ：予測対象区間の区間番号Ｙｋ：交通データ予測値（ここでは交通量予測値） αｉ（ｉ＝１〜ｎ）：パラメータＸｉ（ｉ＝１〜ｎ）：予測対象区間近辺の交通データ（ここでは、上流区間数区間および下流区間数区間の交通密度）Ｆ（*) ：予測対象区間近辺の交通データＸｉの関数。

【０１０４】例えばＦ（Ｘ）＝Ｘ等。

【０１０５】（ｍ１）は、（ｂ）より過去の交通密度実
績値、および（ｃ）より過去の交通量実績値を受け取
り、最小２乗法などの手法を使用してパラメータ修正値
を演算し、多項式予測モデルのパラメータを更新する手
段である。上記手段（ｍ１）の簡単な例としては、連立
方程式の解を求める以下のようなものがある。

【０１０６】ここで、予測モデルが（Ｘ．１７）の構成
で、Ｆ（Ｘ）＝Ｘの場合を考える。この場合、パラメー
タ数がｎであるので、ｎ組の過去の実績値を使用し、以
下のような連立方程式を作成して解を求め、この解をパ
ラメータとして更新を行う。

【０１０７】

【数８】Ｙａｃｋ（ｔｌ）（ｉ＝１〜ｎ）：時刻ｔｉ、区間ｋの
交通データ実績値（ここでは、交通量実績値）Ｘａｃ（ｔｌ）（ｉ＝１〜ｎ，ｌ＝１〜ｎ）：時刻ｔ
ｌ、区間ｉの予測対象区間近辺の交通データ実績値（こ
こでは、上流区間数区間および下流区間数区間交通密
度）第１１実施例の交通状況予測装置は、以上の作用を持
つ。

【０１０８】また、本発明の第１２実施例の交通状況予
測装置は、（ａ），（ｂ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｎ１），（ｏ１）に関
しては、以下の作用がある。

【０１０９】（ｎ１）は、車両感知器より交通密度を受
け取り、（ｏ１）により更新されたパラメータを用い
て、多項式予測モデルにより予測対象区間の交通密度予
測値を演算するものである。

【０１１０】（ｏ１）は、（ｂ）より過去の交通密度実
績値を受け取り、最小２乗法などの手法を使用してパラ
メータ修正値を演算し、多項式予測モデルのパラメータ
を更新する手段てある。

【０１１１】第１２実施例の交通状況予測装置は、以上
の作用を持つ。

【０１１２】また、本発明の第１３実施例の交通状況予
測装置は、（ａ），（ｂ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｇ）に関しては本発明
の第３の交通状況予測装置と同様であり、（ｐ１），
（ｑ１）に関しては、以下の作用がある。

【０１１３】（ｐ１）は、車両感知器より交通密度を受
け取り、（ｑ１）により更新されたパラメータを用い
て、多項式予測モデルにより予測対象区間の車速予測値
を演算するものである。

【０１１４】（ｑ１）は、（ｂ）より過去の交通密度実
績値を受け取り、最小２乗法などの手法を使用してパラ
メータ修正値を演算し、多項式予測モデルのパラメータ
を更新する手段である。

【０１１５】第１３実施例の交通状況予測装置は、以上
の作用を持つ。

【０１１６】また、本発明の第１４実施例の交通状況予
測装置は、（ａ），（ｃ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｌ２），（ｍ２）に関
しては、以下の作用がある。

【０１１７】（ｌ２）は、車両感知器より交通量を受け
取り、（ｍ２）により更新されたパラメータを用いて、
多項式予測モデルにより予測対象区間の交通量予測値を
演算するものである。

【０１１８】（ｍ２）は、（ｃ）より過去の交通量実績
値を受け取り、最小２乗法などの手法を使用してパラメ
ータ修正値を演算し、多項式予測モデルのパラメータを
更新する手段である。

【０１１９】第１４実施例の交通状況予測装置は、以上
の作用を持つ。

【０１２０】また、本発明の第１５実施例の交通状況予
測装置は、（ａ），（ｂ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｎ２），（ｏ２）に関
しては、以下の作用がある。

【０１２１】（ｎ２）は、車両感知器より交通量を受け
取り、（ｏ２）により更新されたパラメータを用いて、
多項式予測モデルにより予測対象区間の交通密度予測値
を演算するものである。

【０１２２】（ｏ２）は、（ｂ）より過去の交通密度実
績値、（ｃ）より過去の交通量実績値を受け取り、最小
２乗法などの手法を使用してパラメータ修正値を演算
し、多項式予測モデルのパラメータを更新する手段であ
る。

【０１２３】第１５実施例の交通状況予測装置は、以上
の作用を持つ。

【０１２４】また、本発明の第１６実施例の交通状況予
測装置は、（ａ），（ｃ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｇ）に関しては、本発
明の第３の交通状況予測装置、（ｐ２），（ｑ２）に関
しては、以下の作用がある。

【０１２５】（ｐ２）は、車両感知器より交通量を受け
取り、（ｑ２）により更新されたパラメータを用いて、
多項式予測モデルにより予測対象区間の車速予測値を演
算するものである。

【０１２６】（ｑ２）は、（ｃ）より過去の交通量実績
値、および（ｇ）より過去の車速実績値を受け取り、最
小２乗法などの手法を使用してパラメータ修正値を演算
し、多項式予測モデルのパラメータを更新する手段であ
る。

【０１２７】第１６実施例の交通状況予測装置は、以上
の作用を持つ。

【０１２８】また、本発明の第１７実施例の交通状況予
測装置は、（ａ），（ｃ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｇ）に関しては、第３
実施例の交通状況予測装置と同様であり、（ｌ３），
（ｍ３）に関しては、以下の作用がある。

【０１２９】（ｌ３）は、車両感知器より車速を受け取
り、（ｍ３）により更新されたパラメータを用いて、多
項式予測モデルにより予測対象区間の交通量予測値を演
算するものである。

【０１３０】（ｍ３）は、（ｂ）より過去の交通量実績
値、および（ｇ）より過去の車速実績値を受け取り、最
小２乗法などの手法を使用してパラメータ修正値を演算
し、多項式予測モデルのパラメータを更新する手段であ
る。

【０１３１】第１７実施例の交通状況予測装置は、以上
の作用を持つ。

【０１３２】また、本発明の第１８実施例の交通状況予
測装置は、（ａ），（ｂ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｇ）に関しては、第３
実施例の交通状況予測装置と同様であり、（ｎ３），
（ｏ３）に関しては、以下の作用がある。

【０１３３】（ｎ３）は、車両感知器より車速を受け取
り、（ｏ３）により更新されたパラメータを用いて、多
項式予測モデルにより予測対象区間の交通密度予測値を
演算するものである。

【０１３４】（ｏ３）は、（ｂ）より過去の交通密度実
績値、および（ｇ）より過去の車速実績値を受け取り、
最小２乗法などの手法を使用してパラメータ修正値を演
算し、多項式予測モデルのパラメータを更新する手段で
ある。

【０１３５】第１８実施例の交通状況予測装置は、以上
の作用を持つ。

【０１３６】また、本発明の第１９実施例の交通状況予
測装置は、（ａ）に関しては、第１実施例の交通状況予
測装置と同様であり、（ｇ）に関しては、第３実施例の
交通状況予測装置と同様であり、（ｐ３），（ｑ３）に
関しては、以下の作用がある。

【０１３７】（ｐ３）は、車両感知器より車速を受け取
り、（ｑ３）により更新されたパラメータを用いて、多
項式予測モデルにより予測対象区間の車速予測値を演算
するものである。

【０１３８】（ｑ３）は、（ｇ）より過去の車速実績値
を受け取り、最小２乗法などの手法を使用してパラメー
タ修正値を演算し、多項式予測モデルのパラメータを更
新する手段である。

【０１３９】第１９実施例の交通状況予測装置は、以上
の作用を持つ。

【０１４０】また、本発明の第２０実施例の交通状況予
測装置は、（ａ），（ｂ），（ｃ）に関しては、第１実
施例の交通状況予測装置と同様であり、（ｌ４），
（ｒ），（ｓ），（ｔ），（ｕ）に関しては、以下の作
用がある。

【０１４１】（ｌ４）は車両感知器より交通密度、およ
び（ｒ）の出力であるパラメータを受け取り、多項式予
測モデルにより予測対象区間の交通量予測値を演算する
ものである。

【０１４２】（ｒ）は、車両感知器より交通密度を受け
取り、（ｔ）により更新された重み係数を用いて、ニュ
ーラルネットワークにより（ｌ４）の多項式予測モデル
のパラメータを演算するものである。

【０１４３】ここで（ｒ）の例として、（ｌ４）の予測
モデルに（Ｘ．１７）のモデルを使用した場合、（ｒ）
のニューラルネットワークの構成は図３３のものとな
る。

【０１４４】（ｓ）は、（ｂ）より過去の交通密度を受
け取り、（ｔ）により更新された重み係数を用いて、ニ
ューラルネットワークにより学習用の多項式予測モデル
パラメータを演算するものである。このニューラルネッ
トワークは、上記（ｒ）と同じ構造をしており、（ｒ）
では過去の情報が利用できないが、（ｓ）では過去の情
報が利用できるため、それを使用して学習用の多項式予
測モデルパラメータを演算することが可能である。

【０１４５】（ｔ）は、（ｓ）よりそれに対応する学習
用多項式予測モデルパラメータ、（ｕ）より教師信号用
多項式予測モデルパラメータを受け取り、ニューラルネ
ットワークの学習を行って重み係数の修正値を計算し、
（ｒ），（ｓ）のニューラルネットワークの重み係数を
更新する手段である。

【０１４６】（ｕ）は、（ｂ）より過去の交通密度実績
値、（ｃ）より過去の交通量実績値を受け取り、（ｔ）
の重み係数更新に使用する教師信号用多項式予測モデル
パラメータを演算する手段である。

【０１４７】第２０実施例の交通状況予測装置は、以上
の作用を持つ。

【０１４８】また、本発明の第２１実施例の交通状況予
測装置は、（ａ），（ｂ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｎ４），（ｖ），
（ｗ），（ｘ），（ｙ）に関しては、以下の作用があ
る。

【０１４９】（ｎ４）は、車両感知器より交通密度、お
よび（ｖ）の出力であるパラメータを受け取り、多項式
予測モデルにより予測対象区間の交通密度予測値を演算
するものである。

【０１５０】（ｖ）は、車両感知器より交通密度を受け
取り、（ｘ）により更新された重み係数を用いて、ニュ
ーラルネットワークにより（ｎ４）の多項式予測モデル
のパラメータを演算するものである。

【０１５１】（ｗ）は、（ｂ）より過去の交通密度を受
け取り、（ｘ）により更新された重み係数を用いて、ニ
ューラルネットワークにより学習用の多項式予測モデル
パラメータを演算するものである。このニューラルネッ
トワークは、上記（ｖ）と同じ構造をしており、（ｖ）
では過去の情報が利用できないが、（ｗ）では過去の情
報が利用できるため、それを使用して学習用の多項式予
測モデルパラメータを演算することが可能である。

【０１５２】（ｘ）は、（ｗ）よりそれに対応する学習
用多項式予測モデルパラメータ、（ｙ）より教師信号用
多項式予測モデルパラメータを受け取り、ニューラルネ
ットワークの学習を行って重み係数の修正値を計算し、
（ｖ），（ｗ）のニューラルネットワークの重み係数を
更新する手段である。

【０１５３】（ｙ）は、（ｂ）より過去の交通密度実績
値を受け取り、（ｘ）の重み係数更新に使用する教師信
号用多項式予測モデルパラメータを演算する手段であ
る。

【０１５４】第２１実施例の交通状況予測装置は、以上
の作用を持つ。

【０１５５】また、本発明の第２２実施例の交通状況予
測装置は、（ａ），（ｂ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｇ）に関しては、本発
明の第３の交通状況予測装置と同様であり、（ｐ４），
（ｚ），（ａａ），（ａｂ），（ａｃ）に関しては、以
下の作用がある。

【０１５６】（ｐ４）は、車両感知器より交通密度、お
よび（ｚ）の出力であるパラメータを受け取り、多項式
予測モデルにより予測対象区間の車速予測値を演算する
ものである。

【０１５７】（ｚ）は、車両感知器より交通密度を受け
取り、（ａｂ）により更新された重み係数を用いて、ニ
ューラルネットワークにより（ｐ４）の多項式予測モデ
ルのパラメータを演算するものである。

【０１５８】（ａａ）は、（ｂ）より過去の交通密度を
受け取り、（ａｂ）により更新された重み係数を用い
て、ニューラルネットワークにより学習用の多項式予測
モデルパラメータを演算するものである。このニューラ
ルネットワークは、上記（ｚ）と同じ構造をしており、
（ｚ）では過去の情報が利用できないが、（ａａ）では
過去の情報が利用できるため、それを使用して学習用の
多項式予測モデルパラメータを演算することが可能であ
る。

【０１５９】（ａｂ）は、（ａａ）よりそれに対応する
学習用多項式予測モデルパラメータ、（ａｃ）より教師
信号用多項式予測モデルパラメータを受け取り、ニュー
ラルネットワークの学習を行って重み係数の修正値を計
算し、（ｚ），（ａａ）のニューラルネットワークの重
み係数を更新する手段である。

【０１６０】（ａｃ）は、（ｂ）より過去の交通密度実
績値、（ｇ）より過去の車速実績値を受け取り、（ａ
ｂ）の重み係数更新に使用する教師信号用多項式予測モ
デルパラメータを演算する手段である。

【０１６１】第２２実施例の交通状況予測装置は、以上
の作用を持つ。

【０１６２】また、本発明の第２３実施例の交通状況予
測装置は、（ａ），（ｃ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｌ５），（ｒ１），
（ｓ１），（ｔ１），（ｕ１）に関しては、以下の作用
がある。

【０１６３】（ｌ５）は、車両感知器より交通量、およ
び（ｒ１）の出力であるパラメータを受け取り、多項式
予測モデルにより予測対象区間の交通量予測値を演算す
るものである。

【０１６４】（ｒ１）は、車両感知器より交通量を受け
取り、（ｔ１）により更新された重み係数を用いて、ニ
ューラルネットワークにより（ｌ５）の多項式予測モデ
ルのパラメータを演算するものである。

【０１６５】（ｓ１）は、（ｃ）より過去の交通量を受
け取り、（ｔ１）により更新された重み係数を用いて、
ニューラルネットワークにより学習用の多項式予測モデ
ルパラメータを演算するものである。このニューラルネ
ットワークは、上記（ｒ１）と同じ構造をしており、
（ｒ１）では過去の情報が利用できないが、（ｓ１）で
は過去の情報が利用できるため、それを使用して学習用
の多項式予測モデルパラメータを演算することが可能で
ある。

【０１６６】（ｔ１）は、（ｓ１）よりそれに対応する
学習用多項式予測モデルパラメータ、（ｕ１）より教師
信号用多項式予測モデルパラメータを受け取り、ニュー
ラルネットワークの学習を行って重み係数の修正値を計
算し、（ｒ１），（ｓ１）のニューラルネットワークの
重み係数を更新する手段である。

【０１６７】（ｕ１）は、（ｃ）より過去の交通量実績
値を受け取り、（ｔ１）の重み係数更新に使用する教師
信号用多項式予測モデルパラメータを演算する手段であ
る。

【０１６８】第２３実施例の交通状況予測装置は、以上
の作用を持つ。

【０１６９】また、本発明の第２４実施例の交通状況予
測装置は、（ａ），（ｂ），（ｃ）に関しては、第１実
施例の交通状況予測装置と同様であり、（ｎ５），（ｖ
１），（ｗ１），（ｘ１），（ｙ１）に関しては、以下
の作用がある。

【０１７０】（ｎ５）は、車両感知器より交通量、およ
び（ｖ１）の出力であるパラメータを受け取り、多項式
予測モデルにより予測対象区間の交通密度予測値を演算
するものである。

【０１７１】（ｖ１）は、車両感知器より交通量を受け
取り、（ｘ１）により更新された重み係数を用いて、ニ
ューラルネットワークにより（ｎ５）の多項式予測モデ
ルのパラメータを演算するものである。

【０１７２】（ｗ１）は、（ｃ）より過去の交通量実績
値を受け取り、（ｘ１）により更新された重み係数を用
いて、ニューラルネットワークにより学習用の多項式予
測モデルパラメータを演算するものである。このニュー
ラルネットワークは、上記（ｖ１）と同じ構造をしてお
り、（ｖ１）では過去の情報が利用できないが、（ｗ
１）では過去の情報が利用できるため、それを使用して
学習用の多項式予測モデルパラメータを演算することが
可能である。

【０１７３】（ｘ１）は、（ｗ１）よりそれに対応する
学習用多項式予測モデルパラメータ、（ｙ１）より教師
信号用多項式予測モデルパラメータを受け取り、ニュー
ラルネットワークの学習を行って重み係数の修正値を計
算し、（ｖ１），（ｗ１）のニューラルネットワークの
重み係数を更新する手段である。

【０１７４】（ｙ１）は、（ｃ）より過去の交通量実績
値を受け取り、（ｘ１）の重み係数更新に使用する教師
信号用多項式予測モデルパラメータを演算する手段であ
る。

【０１７５】第２４実施例の交通状況予測装置は、以上
の作用を持つ。

【０１７６】また、本発明の第２５実施例の交通状況予
測装置は、（ａ），（ｃ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｇ）に関しては、第３
実施例の交通状況予測装置と同様であり、（ｐ５），
（ｚ１），（ａａ１），（ａｂ１），（ａｃ１）に関し
ては、以下の作用がある。

【０１７７】（ｐ５）は、車両感知器より交通量、およ
び（ｚ１）の出力であるパラメータを受け取り、多項式
予測モデルにより予測対象区間の車速予測値を演算する
ものである。

【０１７８】（ｚ１）は、車両感知器より交通量を受け
取り、（ａｂ１）により更新された重み係数を用いて、
ニューラルネットワークにより（ｐ５）の多項式予測モ
デルのパラメータを演算するものである。

【０１７９】（ａａ１）は、（ｃ）より過去の交通量を
受け取り、（ａｂ１）により更新された重み係数を用い
て、ニューラルネットワークにより学習用の多項式予測
モデルパラメータを演算するものである。このニューラ
ルネットワークは、上記（ｚ１）と同じ構造をしてお
り、（ｚ１）では過去の情報が利用できないが、（ａａ
１）では過去の情報が利用できるため、それを使用して
学習用の多項式予測モデルパラメータを演算することが
可能である。

【０１８０】（ａｂ１）は、（ａａ１）よりそれに対応
する学習用多項式予測モデルパラメータ、（ａｃ１）よ
り教師信号用多項式予測モデルパラメータを受け取り、
ニューラルネットワークの学習を行って重み係数の修正
値を計算し、（ｚ１），（ａａ１）のニューラルネット
ワークの重み係数を更新する手段である。

【０１８１】（ａｃ１）は、（ｃ）より過去の交通量実
績値、（ｇ）より過去の車速実績値を受け取り、（ａｂ
１）の重み係数更新に使用する教師信号用多項式予測モ
デルパラメータを演算する手段である。

【０１８２】第２５実施例の交通状況予測装置は、以上
の作用を持つ。

【０１８３】また、本発明の第２６実施例の交通状況予
測装置は、（ａ），（ｃ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｇ）に関しては、第３
実施例の交通状況予測装置と同様であり、（ｌ６），
（ｚ２），（ｓ２），（ｔ２），（ｕ２）に関しては、
以下の作用がある。

【０１８４】（ｌ６）は、車両感知器より車速、および
（ｒ２）の出力であるパラメータを受け取り、多項式予
測モデルにより予測対象区間の交通量予測値を演算する
ものである。

【０１８５】（ｒ２）は、車両感知器より車速を受け取
り、（ｔ２）により更新された重み係数を用いて、ニュ
ーラルネットワークにより（ｌ６）の多項式予測モデル
のパラメータを演算するものである。

【０１８６】（ｓ２）は、（ｇ）より過去の車速を受け
取り、（ｔ２）により更新された重み係数を用いて、ニ
ューラルネットワークにより学習用の多項式予測モデル
パラメータを演算するものである。このニューラルネッ
トワークは、上記（ｒ２）と同じ構造をしており、（ｒ
２）では過去の情報が利用できないが、（ｓ２）では過
去の情報が利用できるため、それを使用して学習用の多
項式予測モデルパラメータを演算することが可能であ
る。

【０１８７】（ｔ２）は、（ｓ２）よりそれに対応する
学習用多項式予測モデルパラメータ、（ｕ２）より教師
信号用多項式予測モデルパラメータを受け取り、ニュー
ラルネットワークの学習を行って重み係数の修正値を計
算し、（ｒ２），（ｓ２）のニューラルネットワークの
重み係数を更新する手段である。

【０１８８】（ｕ２）は、（ｇ）より過去の車速、
（ｃ）より過去の交通量実績値を受け取り、（ｔ２）の
重み係数更新に使用する教師信号用多項式予測モデルパ
ラメータを演算する手段である。

【０１８９】第２６実施例の交通状況予測装置は、以上
の作用を持つ。

【０１９０】また、本発明の第２７実施例の交通状況予
測装置は、（ａ）、（ｂ）に関しては、第１実施例の交
通状況予測装置と同様であり、（ｇ）に関しては、第３
実施例の交通状況予測装置と同様であり、（ｎ６）、
（ｖ２）、（ｗ２）、（ｘ２）、（ｙ２）に関しては、
以下の作用がある。

【０１９１】（ｎ６）は車両感知器より車速、および
（ｖ２）の出力であるパラメータを受け取り、多項式予
測モデルにより予測対象区間の交通密度予測値を演算す
るものである。

【０１９２】（ｖ２）は、車両感知器より車速を受け取
り、（ｘ２）により更新された重み係数を用いて、ニュ
ーラルネットワークにより（ｎ６）の多項式予測モデル
のパラメータを演算するものである。

【０１９３】（ｗ２）は、（ｇ）より過去の車速を受け
取り、（ｘ２）により更新された重み係数を用いて、ニ
ューラルネットワークにより学習用の多項式予測モデル
パラメータを演算するものである。このニューラルネッ
トワークは、上記（ｖ２）と同じ構造をしており、（ｖ
２）では過去の情報が利用できないが、（ｗ２）では過
去の情報が利用できるため、それを使用して学習用の多
項式予測モデルパラメータを演算することが可能であ
る。

【０１９４】（ｘ２）は、（ｗ２）よりそれに対応する
学習用多項式予測モデルパラメータ、（ｙ２）より教師
信号用多項式予測モデルパラメータを受け取り、ニュー
ラルネットワークの学習を行って重み係数の修正値を計
算し、（ｖ２）、（ｗ２）のニューラルネットワークの
重み係数を更新する手段である。

【０１９５】（ｙ２）は、（ｇ）より過去の車速実績値
を受け取り、（ｘ２）の重み係数更新に使用する教師信
号用多項式予測モデルパラメータを演算する手段であ
る。

【０１９６】第２７実施例の交通状況予測装置は、以上
の作用を持つ。

【０１９７】また、本発明の第２８実施例の交通状況予
測装置は、（ａ）に関しては、第１実施例の交通状況予
測装置と同様であり、（ｇ）に関しては、第３実施例の
交通状況予測装置と同様であり、（ｐ６）、（ｚ２）、
（ａａ２）、（ａｂ２）、（ａｃ２）に関しては、以下
の作用がある。

【０１９８】（ｐ６）は、車両感知器より車速、および
（ｚ２）の出力であるパラメータを受け取り、多項式予
測モデルにより予測対象区間の車速予測値を演算するも
のである。

【０１９９】（ｚ２）は、車両感知器より車速を受け取
り、（ａｂ２）により更新された重み係数を用いて、ニ
ューラルネットワークにより（ｐ６）の多項式予測モデ
ルパラメータを演算するものである。

【０２００】（ａａ２）は、（ｇ）より過去の車速実績
値を受け取り、（ａｂ２）により更新された重み係数を
用いて、ニューラルネットワークにより学習用の多項式
予測モデルパラメータを演算するものである。このニュ
ーラルネットワークは、上記（ｚ２）と同じ構造をして
おり、（ｚ２）では過去の情報が利用できないが、（ａ
ａ２）では過去の情報が利用できるため、それを使用し
て学習用の多項式予測モデルパラメータを演算すること
が可能である。

【０２０１】（ａｂ２）は、（ａａ２）よりそれに対応
する学習用多項式予測モデルパラメータ、（ａｃ２）よ
り教師信号用多項式予測モデルパラメータを受け取り、
ニューラルネットワークの学習を行って重み係数の修正
値を計算し、（ｚ２）、（ａａ２）のニューラルネット
ワークの重み係数を更新する手段である。

【０２０２】（ａｃ２）は、（ｇ）より過去の車速実績
値を受け取り、（ａｂ２）の重み係数更新に使用する教
師信号用多項式予測モデルパラメータを演算する手段で
ある。

【０２０３】第２８実施例の交通状況予測装置は、以上
の作用を持つ。

【０２０４】また、本発明の第２９実施例の交通状況予
測装置は、（ａ）に関しては、第１実施例の交通状況予
測装置と同様であり、（ｈ）に関しては、第１０実施例
の交通状況予測装置と同様であり、（ａｄ）、（ａｅ）
に関しては、以下の作用がある。

【０２０５】（ａｄ）は、車両感知器より交通量・交通
密度・車速を受け取り、（ａｅ）により更新されたパラ
メータを用いて、多項式予測モデルにより予測対象区間
の交通量予測値・交通密度予測値・車速予測値を演算す
るものである。

【０２０６】（ａｅ）は、（ｈ）より過去の交通量実績
値・交通密度実績値・車速実績値を受け取り、最小２乗
法などの手法を使用してパラメータ修正値を演算し、多
項式予測モデルのパラメータを更新する手段である。

【０２０７】第２９実施例の交通状況予測装置は、以上
の作用を持つ。

【０２０８】また、本発明の第３０実施例の交通状況予
測装置は、（ａ）に関しては、第１実施例の交通状況予
測装置と同様であり、（ｈ）に関しては、第１０実施例
の交通状況予測装置と同様であり、（ａｄ１）、（ａ
ｆ）、（ａｇ）、（ａｈ）、（ａｉ）に関しては、以下
の作用がある。

【０２０９】（ａｄ１）は、車両感知器より交通量・交
通密度・車速、および（ａｆ）の出力であるパラメータ
を受け取り、多項式予測モデルにより予測対象区間の交
通量予測値・交通密度予測値・車速予測値を演算するも
のである。

【０２１０】（ａｆ）は、車両感知器より車速を受け取
り、（ａｈ）により更新された重み係数を用いて、ニュ
ーラルネットワークにより（ａｄ１）の多項式予測モデ
ルのパラメータを演算するものである。

【０２１１】（ａｇ）は、（ｇ）より過去の車速実測値
を受け取り、（ａｈ）により更新された重み係数を用い
て、ニューラルネットワークにより学習用の多項式予測
モデルパラメータを演算するものである。このニューラ
ルネットワークは、上記（ａｆ）と同じ構造をしてお
り、（ａｆ）では過去の情報が利用できないが、（ａ
ｇ）では過去の情報が利用できるため、それを使用して
学習用の多項式予測モデルパラメータを演算することが
可能である。

【０２１２】（ａｈ）は、（ａｇ）よりそれに対応する
多項式予測モデルパラメータ、（ａｉ）より教師信号用
多項式予測モデルパラメータを受け取り、ニューラルネ
ットワークの学習を行って重み係数の修正値を計算し、
（ａｆ）、（ａｇ）のニューラルネットワークの重み係
数を更新する手段である。

【０２１３】（ａｉ）は、（ｇ）より過去の車速実績値
を受け取り、（ａｈ）の重み係数更新に使用する教師信
号用多項式予測モデルパラメータを演算する手段であ
る。

【０２１４】第３０実施例の交通状況予測装置は、以上
の作用を持つ。

【０２１５】

【実施例】以下に、本発明による交通状況予測装置の主
立った実施例としての、第１実施例、第１０実施例、第
１１実施例および第２０実施例について説明する。（第１実施例の構成）図１は、本発明の第１実施例を示
す機能ブロック線図を表している。この装置は、車両感
知器１（道路上の各区間に設置されている）、交通密度
保存手段２（各車両感知器に対応して設置されてい
る）、交通量保存手段３（予測対象区間の車両感知器に
対応し設置されている）、ニューラルネットワーク４、
学習用ニューラルネットワーク５、重み係数学習手段６
により構成される。

【０２１６】（第１実施例の作用）次に、本発明の第１
実施例の作用について説明する。まず、車両感知器１で
測定された交通密度を交通密度保存手段２に、車両感知
器１で測定された交通量を交通量保存手段３に格納す
る。ニューラルネットワーク４では、車両感知器１より
得られる最新の交通密度を入力とし、重み係数更新手段
６により更新された重み係数を用いて、交通量予測値を
計算する。重み係数更新手段６では交通量保存手段３に
格納された交通量実績値を教師信号とし、これに対応す
る交通密度保存手段に格納された交通密度実績値を入力
とする学習用ニューラルネットワーク５の出力と比較す
ることにより、学習を行い重み係数を更新する。

【０２１７】この第１実施例の作用における重み係数の
更新は、オンラインで行うこととし、学習に使用する実
績値データおよび学習用交通量予測値演算データは、過
去のｎサンプル分（例えば１サンプル５分の場合、１サ
ンプルから１２サンプル前までのデータを使用する場
合、６０分前までのデータを使用して学習を行うことと
なる）のデータを使用することとなる（このデータは、
連続しなければならないとは限らない）。

【０２１８】（第１実施例の効果）以上説明したよう
に、第１実施例では、（１）予測の対象となる区間の近辺（対象区間を含む上
流区間数区間および下流区間数区間）の交通密度データ
を基に予測値を演算することで、予測対象区間近辺の渋
滞状況を考慮した予測値の計算が可能である。（２）実際の計測データを用いて、ニューラルネットワ
ークの学習を行っているため、路線の経済状態等の経年
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。という効果を有する。

【０２１９】（第１０実施例の構成）図１０は、本発明
の第１０実施例を示す機能ブロック線図である。この装
置は、車両感知器１（道路上の各区間に設置されてい
る）、交通データ保存手段８（各車両感知器に対応して
設置されている）、ニューラルネットワーク９、学習用
ニューラルネットワーク１０、重み係数学習手段１１に
より構成される。

【０２２０】（第１０実施例の作用）次に、本発明の第
１０実施例の作用について説明する。まず、車両感知器
１で測定された交通量・交通密度車速を交通データ保存
手段８に格納する。ニューラルネットワーク９では、車
両感知器１より得られる最新の交通量・交通密度・車速
を入力とし、重み係数更新手段１１により更新された重
み係数を用いて、交通量予測値・交通密度予測値・車速
予測値を計算する。重み係数更新手段１１では、交通デ
ータ保存手段８に格納された交通量実績値・交通密度実
績値・車速実測値を教師信号とし、これに対応する交通
データ保存手段に格納された交通量実績値・交通密度実
績値・車速実績値を入力とする学習用ニューラルネット
ワーク１０の出力と比較することにより、学習を行い重
み係数を更新する。

【０２２１】この第１０実施例の作用における重み係数
の更新はオンラインで行うこととし、学習に使用する実
績値データおよび学習用交通量予測値演算データは、過
去のｎサンプル分（例えば１サンプル５分の場合、１サ
ンプルから１２サンプル前までのデータを使用する場
合、６０分前までのデータを使用して学習を行うことと
なる）のデータを使用することとなる（このデータは、
連続しなければならないとは限らない）。

【０２２２】（第１０実施例の効果）以上説明したよう
に、第１０実施例では、先に説明した第１実施例の効果
に加え、（３）一度に交通量予測値・交通密度予測値・車速予測
値の演算が可能である。（４）交通量・交通密度・車速を基に予測を行うため、
より交通状況を反映した予測値の演算が可能である。という効果を有する。

【０２２３】（第１１実施例の構成）図１１は、本発明
の第１１実施例を示す機能ブロック線図である。この装
置は、車両感知器１（道路上の各区間に設置されてい
る）、交通密度保存手段２（各車両感知器に対応して設
置されている）、交通量保存手段３（予測対象区間の車
両感知器に対応し設置されている）、交通量予測モデル
１２、パラメータ更新手段１に３より構成される。

【０２２４】（第１１実施例の作用）次に、本発明の第
１１実施例の作用について説明する。まず、車両感知器
１で測定された交通密度を交通密度保存手段２に、車両
感知器１で測定された交通量を交通量保存手段３に格納
する。交通量予測モデル１２では車両感知器１より得ら
れる最新の交通密度を基に、パラメータ更新手段１３に
より更新されたパラメータを用いて、交通量予測値を計
算する。パラメータ更新手段１３では、交通量保存手段
３に格納された交通量実績値、およびこれに対応する交
通密度保存手段に格納された交通密度実績値を用いて新
しいパラメータを演算し、パラメータ更新を行う。

【０２２５】この第１１実施例の作用におけるパラメー
タ更新はオンラインで行うこととし、パラメータ更新に
使用する実績値データは、過去のｎサンプル分（例えば
１サンプル５分の場合、１サンプルから１２サンプル前
までのデータを使用する場合、６０分前までのデータを
使用して学習を行うこととなる）のデータを使用するこ
ととなる（このデータは、連続しなければならないとは
限らない）。

【０２２６】（第１１実施例の効果）以上説明したよう
に、第１１実施例では、（５）予測モデルに単純な計算式を使用できるため演算
が速い。（６）パラメータ更新により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。という効果を有する。

【０２２７】（第２０実施例の構成）図２０は、本発明
の第２０実施例を示す機能ブロック線図である。この装
置は、車両感知器１（道路上の各区間に設置されてい
る）、交通密度保存手段２（各車両感知器に対応して設
置されている）、交通量保存手段３（予測対象区間の車
両感知器に対応し設置されている）、交通量予測モデル
１２ｃ、ニューラルネットワーク１８、学習用ニューラ
ルネットワーク１９、重み係数学習手段２０、教師信号
用パラメータ作成手段２１により構成される。

【０２２８】（第２０実施例の作用）次に、本発明の第
２０実施例の作用について説明する。まず、車両感知器
１で測定された交通密度を交通密度保存手段２に、車両
感知器１で測定された交通量を交通量保存手段３に格納
する。

【０２２９】ニューラルネットワーク１８では、車両感
知器１より得られる最新の交通密度を基に、重み係数更
新手段２０により更新された重み係数を用いて、新しい
パラメータを演算する。交通量予測モデル１２ｃでは車
両感知器１より得られる最新の交通密度を基に、ニュー
ラルネットワーク１８により求められたパラメータを用
いて、交通量予測値を計算する。教師信号用パラメータ
作成手段２１では、交通量保存手段３に格納された交通
量実績値を教師信号とし、これに対応する交通密度保存
手段に格納された交通密度実績値を用いて、教師信号用
のパラメータを演算する。学習用ニューラルネットワー
ク１９では教師信号用パラメータ作成手段２１にて用い
た交通密度実績値を使用して、学習用のパラメータを演
算する。重み係数更新手段２０では、教師信号用パラメ
ータ作成手段２１にて作成したパラメータを教師信号と
し、学習用ニューラルネットワークより得られる学習用
パラメータと比較することにより学習を行い、ニューラ
ルネットワーク１８および学習用ニューラルネットワー
ク１９の重み係数を更新する。

【０２３０】この第２０実施例の作用における重み係数
の更新はオンラインで行うこととし、学習に使用する実
績値データおよび学習用パラメータ演算データは、過去
のｎサンプル分（例えば１サンプル５分の場合、１サン
プルから１２サンプル前までのデータを使用する場合、
６０分前までのデータを使用して学習を行うこととな
る）のデータを使用することとなる（このデータは、連
続しなければならないとは限らない）。

【０２３１】（第２０実施例の効果）以上説明したよう
に、第２０実施例では、先に説明した第１実施例の効
果、第１１実施例の効果中の（６）の効果に加え、（７）多項式予測モデルのパラメータをニューラルネッ
トワークにより求めることで、ニューラルネットワーク
の学習能力、非線形近似能力を使用しながら、より直感
的に把握しやすいモデルの実現を可能とした。という効果を有する。

【０２３２】（他の実施例）第１実施例において、ニュ
ーラルネットワーク、学習用ニューラルネットワークの
出力を、それぞれ交通密度予測値、学習用交通密度予測
値にすることにより、図２に示される第２実施例の交通
状況予測装置となる。

【０２３３】また、第１実施例において、ニューラルネ
ットワーク、学習用ニューラルネットワークの出力を、
それぞれ車速予測値、学習用車速予測値にすることによ
り、図３に示される第３実施例の交通状況予測装置とな
る。

【０２３４】また、第１実施例において、ニューラルネ
ットワーク、学習用ニューラルネットワークの入力を交
通量にすることにより、図４に示される第４実施例の交
通状況予測装置となる。

【０２３５】また、第１実施例において、ニューラルネ
ットワーク、学習用ニューラルネットワークの入力を交
通量に、出力をそれぞれ交通密度予測値、学習用交通密
度予測値にすることにより、図５に示される第５実施例
の交通状況予測装置となる。

【０２３６】また、第１実施例において、ニューラルネ
ットワーク、学習用ニューラルネットワークの入力を交
通量に、出力をそれぞれ車速予測値、学習用車速予測値
にすることにより、図６に示される第６実施例の交通状
況予測装置となる。

【０２３７】また、第１実施例において、ニューラルネ
ットワーク、学習用ニューラルネットワークの入力を車
速に、出力をそれぞれ交通量予測値、学習用交通量予測
値にすることにより、図７に示される第７実施例の交通
状況予測装置となる。

【０２３８】また、第１実施例において、ニューラルネ
ットワーク、学習用ニューラルネットワークの入力を車
速に、出力をそれぞれ交通密度予測値、学習用交通密度
予測値にすることにより、図８に示される第８実施例の
交通状況予測装置となる。

【０２３９】また、第１実施例において、ニューラルネ
ットワーク、学習用ニューラルネットワークの入力を車
速に、出力をそれぞれ車速予測値、学習用車速予測値に
することにより、図９に示される第９実施例の交通状況
予測装置となる。

【０２４０】また、第１１実施例において、交通量予測
モデルを交通密度予測モデルとすることにより、図１２
に示される第１２実施例の交通状況予測装置となる。

【０２４１】また、第１１実施例において、交通量予測
モデルを車速予測モデルとすることにより、図１３に示
される第１３実施例の交通状況予測装置となる。

【０２４２】また、第１１実施例において、交通量予測
モデルに使用するデータを交通量にすることにより、図
１４に示される第１４実施例の交通状況予測装置とな
る。

【０２４３】また、第１１実施例において、交通量予測
モデルを交通密度予測モデルに、交通密度予測モデルに
使用するデータを交通量にすることにより、図１５に示
される第１５実施例の交通状況予測装置となる。

【０２４４】また、第１１実施例において、交通量予測
モデルを車速予測モデルに、車速予測モデルに使用する
データを交通量にすることにより、図１６に示される第
１６実施例の交通状況予測装置となる。

【０２４５】また、第１１実施例において、交通量予測
モデルに使用するデータを車速にすることにより、図１
７に示される第１７実施例の交通状況予測装置となる。

【０２４６】また、第１１実施例において、交通量予測
モデルを交通密度予測モデルに、交通密度予測モデルに
使用するデータを車速にすることにより、図１８に示さ
れる第１８実施例の交通状況予測装置となる。

【０２４７】また、第１１実施例において、交通量予測
モデルを車速予測モデルに、車速予測モデルに使用する
データを車速にすることにより、図１９に示される第１
９実施例の交通状況予測装置となる。

【０２４８】また、第２０実施例において、交通量予測
モデルを交通密度予測モデルとすることにより、図２１
に示される第２１実施例の交通状況予測装置となる。

【０２４９】また、第２０実施例において、交通量予測
モデルを車速予測モデルとすることにより、図２２に示
される第２２実施例の交通状況予測装置となる。

【０２５０】また、第２０実施例において、交通量予測
モデルに使用するデータを交通量にすることにより、図
２３に示される第２３実施例の交通状況予測装置とな
る。

【０２５１】また、第２０実施例において、交通量予測
モデルを交通密度予測モデルに、交通密度予測モデルに
使用するデータを交通量にすることにより、図２４に示
される第２４実施例の交通状況予測装置となる。

【０２５２】また、第２０実施例において、交通量予測
モデルを車速予測モデルに、車速予測モデルに使用する
データを交通量にすることにより、図２５に示される第
２５実施例の交通状況予測装置となる。

【０２５３】また、第２０実施例において、交通量予測
モデルに使用するデータを車速にすることにより、図２
６に示される第２６実施例の交通状況予測装置となる。

【０２５４】また、第２０実施例において、交通量予測
モデルを交通密度予測モデルに、交通密度予測モデルに
使用するデータを車速にすることにより、図２７に示さ
れる第２７実施例の交通状況予測装置となる。

【０２５５】また、第２０実施例において、交通量予測
モデルを車速予測モデルに、車速予測モデルに使用する
データを車速にすることにより、図２８に示される第２
８実施例の交通状況予測装置となる。

【０２５６】また、第１０実施例において、ニューラル
ネットワーク、学習用ニューラルネットワーク、重み係
数更新手段を、交通状況予測モデル、パラメータ更新手
段に置き換えることで、図２９に示される第２９実施例
の交通状況予測装置となる。

【０２５７】また、第１０実施例において、ニューラル
ネットワーク、学習用ニューラルネットワーク、重み係
数更新手段、交通状況予測モデル、ニューラルネットワ
ーク、学習用ニューラルネットワーク、重み係数更新手
段、教師信号用パラメータ作成手段に置き換えること
で、図３０に示される第３０実施例の交通状況予測装置
となる。

【０２５８】

【発明の効果】以上説明したように、本発明によれば、
予測の対象となる区間の近辺（対象区間を含む上流区間
数区間および下流区間数区間）の交通密度データを基に
予測値を演算することで、予測対象区間近辺の渋滞状況
を考慮した予測値の計算が可能である。

【図面の簡単な説明】

【図１】本発明の第１実施例を示す機能ブロック線図。

【図２】本発明の第２実施例を示す機能ブロック線図。

【図３】本発明の第３実施例を示す機能ブロック線図。

【図４】本発明の第４実施例を示す機能ブロック線図。

【図５】本発明の第５実施例を示す機能ブロック線図。

【図６】本発明の第６実施例を示す機能ブロック線図。

【図７】本発明の第７実施例を示す機能ブロック線図。

【図８】本発明の第８実施例を示す機能ブロック線図。

【図９】本発明の第９実施例を示す機能ブロック線図。

【図１０】本発明の第１０実施例を示す機能ブロック線
図。

【図１１】本発明の第１１実施例を示す機能ブロック線
図。

【図１２】本発明の第１２実施例を示す機能ブロック線
図。

【図１３】本発明の第１３実施例を示す機能ブロック線
図。

【図１４】本発明の第１４実施例を示す機能ブロック線
図。

【図１５】本発明の第１５実施例を示す機能ブロック線
図。

【図１６】本発明の第１６実施例を示す機能ブロック線
図。

【図１７】本発明の第１７実施例を示す機能ブロック線
図。

【図１８】本発明の第１８実施例を示す機能ブロック線
図。

【図１９】本発明の第１９実施例を示す機能ブロック線
図。

【図２０】本発明の第２０実施例を示す機能ブロック線
図。

【図２１】本発明の第２１実施例を示す機能ブロック線
図。

【図２２】本発明の第２２実施例を示す機能ブロック線
図。

【図２３】本発明の第２３実施例を示す機能ブロック線
図。

【図２４】本発明の第２４実施例を示す機能ブロック線
図。

【図２５】本発明の第２５実施例を示す機能ブロック線
図。

【図２６】本発明の第２６実施例を示す機能ブロック線
図。

【図２７】本発明の第２７実施例を示す機能ブロック線
図。

【図２８】本発明の第２８実施例を示す機能ブロック線
図。

【図２９】本発明の第２９実施例を示す機能ブロック線
図。

【図３０】本発明の第３０実施例を示す機能ブロック線
図。

【図３１】階層形ニューラルネットワークの概念図。

【図３２】階層形ニューラルネットワークの学習フロー
図。

【符号の説明】

１車両感知器２交通密度保存手段３交通量保存手段４，４ａ，４ｂ，４ｃ，４ｄ，４ｅ，４ｆ，４ｇ，４
ｈ，９予測ニューラルネットワーク（予測値演算用）５，５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆ，５ｇ，５
ｈ，１０学習用ニューラルネットワーク（予測値演算
用ニューラルネットワーク学習用）６，６ａ，６ｂ，６ｃ，６ｄ，６ｅ，６ｆ，６ｇ，６
ｈ，１１重み係数学習手段（予測値演算用ニューラル
ネットワーク学習用）７車速保存手段８交通データ保存手段１２，１２ａ，１２ｂ，１２ｃ，１２ｄ，１２ｅ交通
量予測モデル１３，１３ａ，１３ｂ，１５，１５ａ，１５ｂ，１７，
１７ａ，１７ｂ，３１パラメータ更新手段１４，１４ａ，１４ｂ，１４ｃ，１４ｄ，１４ｅ交通
密度予測モデル１６，１６ａ，１６ｂ，１６ｃ，１６ｄ，１６ｅ車速
予測モデル１８，１８ａ，１８ｂ，２２，２２ａ，２２ｂ，２６，
２６ａ，２６ｂ，３２予測ニューラルネットワーク（パ
ラメータ演算用）１９，１９ａ，１９ｂ，２３，２３ａ，２３ｂ，２７，
２７ａ，２７ｂ，３３学習用ニューラルネットワーク
（パラメータ演算用ニューラルネットワーク学習用）２０，２０ａ，２０ｂ，２４，２４ａ，２４ｂ，２８，
２８ａ，２８ｂ，３４重み係数学習手段（パラメータ演
算用ニューラルネットワーク学習用）２１，２１ａ，２１ｂ，２５，２５ａ，２５ｂ，２９，
２９ａ，２９ｂ教師信号用パラメータ作成手段３０，３０ａ交通状況予測モデル

Claims

【特許請求の範囲】

【請求項１】（ａ）対象となる閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｄ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度を入力とし、重
み係数を用いて予測対象区間の交通量予測値を出力する
予測ニューラルネットワーク（ｅ１）予測対象位置の上流または下流の、任意の数
の前記交通密度保存手段から得られる過去の交通密度を
入力とし、前記重み係数を用いて予測対象区間の学習用
交通量予測値を出力する学習用ニューラルネットワーク（ｆ１）学習用ニューラルネットワークより出力され
る学習用交通量予測値、および交通量保存手段より得ら
れる交通量実績値を用いて前記重み係数の修正量を計算
し、該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項２】（ａ）対象とする閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｄ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度を入力とし、重
み係数を用いて予測対象区間の交通密度予測値を出力す
る予測ニューラルネットワーク（ｅ２）予測対象位置の上流または下流の、任意の数
の前記交通密度保存手段から得られる過去の交通密度を
入力とし、前記重み係数を用いて予測対象区間の学習用
交通密度予測値を出力する学習用ニューラルネットワー
ク（ｆ２）学習用ニューラルネットワークより出力され
る学習用交通密度予測値を用いて前記重み係数の修正量
を計算し、該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項３】（ａ）対象とする閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｄ３）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度を入力とし、重
み係数を用いて予測対象区間の車速予測値を出力する予
測ニューラルネットワーク（ｅ３）予測対象位置の上流または下流の、任意の数
の前記交通密度保存手段から得られる過去の交通密度を
入力とし、前記重み係数を用いて予測対象区間の学習用
車速予測値を出力する学習用ニューラルネットワーク（ｆ３）学習用ニューラルネットワークより出力され
る学習用車速予測値および前記車速保存手段より得られ
る車速実測値を用いて前記重み係数の修正量を計算し、
該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項４】（ａ）対象とする閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｄ４）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる交通量を入力とし、重み係数
を用いて予測対象区間の交通量予測値を出力する予測ニ
ューラルネットワーク（ｅ４）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、前記重み係数を用いて予測対象区間の学習用交通
量予測値を出力する学習用ニューラルネットワーク（ｆ４）学習用ニューラルネットワークより出力され
る学習用交通量予測値および前記交通量保存手段より得
られる交通量実績値を用いて前記重み係数の修正量を計
算し、該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項５】（ａ）対象とする閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｄ５）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる交通量を入力とし、重み係数
を用いて予測対象区間の交通密度予測値を出力する予測
ニューラルネットワーク（ｅ５）予測対象位置の上流または下流の、任意の数
の交通量保存手段から得られる過去の交通量を入力と
し、前記重み係数を用いて予測対象区間の学習用交通密
度予測値を出力する学習用ニューラルネットワーク（ｆ５）学習用ニューラルネットワークより出力され
る学習用交通密度予測値、および前記交通密度保存手段
より得られる交通密度実績値を用いて前記重み係数の修
正量を計算し、該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項６】（ａ）対象とする閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｄ６）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる交通量を入力とし、重み係数
を用いて予測対象区間の車速予測値を出力する予測ニュ
ーラルネットワーク（ｅ６）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、前記重み係数を用いて予測対象区間の学習用車速
予測値を出力する学習用ニューラルネットワーク（ｆ６）学習用ニューラルネットワークより出力され
る学習用車速予測値および前記車速保存手段より得られ
る車速実績値を用いて前記重み係数の修正量を計算し、
該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項７】（ａ）対象とする閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｄ７）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる車速を入力とし、重み係数を
用いて予測対象区間の交通量予測値を出力する予測ニュ
ーラルネットワーク（ｅ７）予測対象位置の上流または下流の、任意の数
の前記車速保存手段から得られる過去の車速を入力と
し、前記重み係数を用いて予測対象区間の学習用交通量
予測値を出力する学習用ニューラルネットワーク（ｆ７）学習用ニューラルネットワークより出力され
る学習用交通量予測値および交通量保存手段より得られ
る交通量実績値を用いて前記重み係数の修正量を計算
し、該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項８】（ａ）対象とする閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｄ８）予測対象位置の上流または下流の、任意の前
記車両感知器から得られる車速を入力とし、重み係数を
用いて予測対象区間の交通密度予測値を出力する予測ニ
ューラルネットワーク（ｅ８）予測対象位置の上流または下流の、任意の数
の前記車速保存手段から得られる過去の車速を入力と
し、前記重み係数を用いて予測対象区間の学習用交通密
度予測値を出力する学習用ニューラルネットワーク（ｆ８）学習用ニューラルネットワークより出力され
る学習用交通量予測値、および交通量保存手段より得ら
れる交通量実績値を用いて重み係数の補正量を計算し、
該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項９】（ａ）対象とする閉区間の分割により形
成された複数の小区間の各々に設置され、走行車両の交
通量、空間平均速度、および交通密度を測定する複数の
車両感知器（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｄ９）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速を入力とし、重み係
数を用いて予測対象区間の車速予測値を出力する学習用
ニューラルネットワーク（ｅ９）予測対象位置の上流または下流の、任意の数
の前記車速保存手段から得られる過去の車速を入力と
し、前記重み係数を用いて予測対象区間の学習用車速予
測値を出力する学習用ニューラルネットワーク（ｆ９）学習用ニューラルネットワークより出力され
る学習用車速予測値、および前記車速保存手段より得ら
れる車速実績値を用いて前記重み係数の修正量を計算
し、該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項１０】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｈ）前記車両感知器より得られる交通密度データ、
交通量データ、車速データを保存する交通データ保存手
段（ｉ）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度データ、交通量デ
ータ、車速データを入力とし、重み係数を用いて予測対
象区間の交通密度予測値、交通量予測値、車速予測値を
出力する予測ニューラルネットワーク（ｊ）予測対象位置の上流または下流の、任意の数の
交通データ保存手段から得られる過去の交通密度デー
タ、交通量データ、車速データを入力とし、前記重み係
数を用いて予測対象区間の学習用交通密度予測値、学習
用交通量予測値、学習用車速予測値を出力する学習用ニ
ューラルネットワーク（ｋ）学習用ニューラルネットワークより出力される
学習用交通密度予測値、学習用交通量予測値、学習用車
速予測値、および前記車両感知器より得られる交通密度
実績値、交通量実測値、車速実測値を用いて前記重み係
数の修正量を計算し、該重み係数を更新する重み係数学
習手段をそなえた交通状況予測装置。
【請求項１１】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｌ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の交通量予測値を出力する交通量予測モデル（ｍ１）交通量保存手段から得られる交通量実績値、
および前記交通密度保存手段より得られる交通密度実績
値を用いて多項式予測モデルのパラメータの修正量を計
算し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項１２】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｎ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の交通密度予測値を出力する交通密度予測モデル（ｏ１）前記交通密度保存手段より得られる交通密度
実績値を用いて多項式予測モデルのパラメータの修正量
を計算し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項１３】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｐ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の車速予測値を出力する車速予測モデル（ｑ１）前記交通密度保存手段から得られる交通密度
実績値、および車速保存手段より得られる車速実績値を
用いて多項式予測モデルのパラメータの修正量を計算
し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項１４】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｌ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の交通量予測値を出力する交通量予測モデル（ｍ２）前記交通量保存手段から得られる交通量実績
値を用いて多項式予測モデルのパラメータの修正量を計
算し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項１５】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｎ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の交通密度予測値を出力する交通密度予測モデル（ｏ２）前記交通量保存手段から得られる交通量実績
値、および前記交通密度保存手段より得られる交通密度
実績値を用いて多項式予測モデルのパラメータの修正量
を計算し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項１６】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の車速予測値を出力する車速予測モデル（ｑ２）前記交通量保存手段から得られる交通量実績
値、および前記車速保存手段より得られる車速実績値を
用いて多項式予測モデルのパラメータの修正量を計算
し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項１７】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｌ３）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通量予測値を出力する交通量予測モデル（ｍ３）前記車速保存手段から得られる車速実績値、
および前記交通量保存手段より得られる交通量実績値を
用いて多項式予測モデルのパラメータの修正量を計算
し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項１８】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｎ３）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通密度予測値を出力する交通密度予測モデル（ｏ３）前記車速保存手段から得られる車速実績値、
および前記交通密度保存手段より得られる交通密度実績
値を用いて多項式予測モデルのパラメータの修正量を計
算し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項１９】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ３）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の車速予測値を出力する車速予測モデル（ｑ３）前記車速保存手段より得られる車速実績値を
用いて多項式予測モデルのパラメータの修正量を計算
し、パラメータを更新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項２０】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通データを保存
する交通量保存手段（ｌ４）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の交通密度予測値を出力する交通密度予測モデル（ｒ）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度を入力とし、交通
密度予測モデルのパラメータを出力する予測ニューラル
ネットワーク（ｓ）予測対象位置の上流または下流の、任意の数の
前記交通密度保存手段から得られる過去の交通密度を入
力とし、学習用の交通密度予測モデルのパラメータを出
力する学習用ニューラルネットワーク（ｔ）学習用ニューラルネットワークより出力される
学習用交通密度予測モデルのパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用交通密
度予測モデルのパラメータを用いて前記重み係数の修正
量を計算し、該重み係数を更新する重み係数学習手段（ｕ）前記交通密度保存手段より得られる交通密度実
績値および前記交通量保存手段より得られる交通量実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の交通密度予測モデルパラメータ
を出力する教師信号用パラメータ作成手段をそなえた交通状況予測装置。
【請求項２１】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｎ４）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の交通密度予測値を出力する交通密度予測モデル（ｖ）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度を入力とし、交通
密度予測モデルのパラメータを出力する予測ニューラル
ネットワーク（ｗ）予測対象位置の上流または下流の、任意の数の
前記交通密度保存手段から得られる過去の交通密度を入
力とし、学習用の交通密度予測モデルのパラメータを出
力する学習用ニューラルネットワーク（ｘ）学習用ニューラルネットワークより出力される
学習用交通密度予測モデルパラメータ、および教師信号
用パラメータ作成手段より得られる教師信号用交通密度
予測モデルパラメータを用いて前記重み係数の修正量を
計算し、該重み係数を更新する重み係数学習手段（ｙ）前記交通密度保存手段より得られる交通密度実
績値を受け取り、学習用ニューラルネットワークの学習
に使用される教師信号用の交通密度予測モデルパラメー
タを出力する教師信号用パラメータ作成手段をそなえた交通状況予測装置。
【請求項２２】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ４）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通密度の関数から構成
される多項式予測モデルで、重み係数を用いて予測対象
区間の車速量予測値を出力する車速予測モデル（ｚ）予測対象位置の上流または下流の、任意の数の
前記車両感知器から得られる交通密度を入力とし、車速
予測モデルのパラメータを出力する予測ニューラルネッ
トワーク（ａａ）予測対象位置の上流または下流の、任意の数
の前記交通密度保存手段から得られる過去の交通密度を
入力とし、学習用の車速予測モデルのパラメータを出力
する学習用ニューラルネットワーク（ａｂ）学習用ニューラルネットワークより出力され
る学習用車速予測モデルのパラメータ、および教師信号
用パラメータ作成手段より得られる教師信号用車速予測
モデルパラメータを用いて前記重み係数の修正量を計算
し、該重み係数を更新する重み係数学習手段（ａｃ）前記交通密度保存手段より得られる交通密度
実績値、および前記車速保存手段より得られる車速実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の車速予測モデルパラメータを出
力する教師信号用パラメータ作成手段をそなえた交通状況予測装置。
【請求項２３】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｃ）前記車両感知器より得られる交通データを保存
する交通量保存手段（ｌ５）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の交通量予測値を出力する交通量予測モデル（ｒ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量を入力とし、交通
量予測モデルのパラメータを出力する予測ニューラルネ
ットワーク（ｓ１）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、学習用の交通量予測モデルのパラメータを出力す
る学習用ニューラルネットワーク（ｔ１）学習用ニューラルネットワークより出力され
る学習用交通量予測モデルのパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用交通量
予測モデルパラメータを用いて前記重み係数の修正量を
計算し、該重み係数を更新する重み係数学習手段（ｕ１）前記交通量保存手段より得られる交通量実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の交通量予測モデルパラメータを
出力する教師信号用パラメータ作成手段をそなえた交通状況予測装置。
【請求項２４】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｎ５）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の交通密度予測値を出力する交通密度予測モデル（ｖ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量を入力とし、交通
密度予測モデルのパラメータを出力する予測ニューラル
ネットワーク（ｗ１）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の交通量を入力
とし、学習用の交通密度予測モデルのパラメータを出力
する学習用ニューラルネットワーク（ｘ１）前記交通量保存手段より得られる交通量実績
値、および前記交通密度保存手段より得られる交通密度
実績値を受け取り、学習用ニューラルネットワークの学
習に使用される教師信号用の交通密度予測モデルパラメ
ータを出力する教師信号用パラメータ作成手段（ｙ１）学習用ニューラルネットワークより出力され
る学習用交通密度予測モデルパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用交通密
度予測モデルパラメータを用いて前記重み係数の修正量
を計算し、該重み係数を更新する重み係数学習手段をそなえた交通状況予測装置。
【請求項２５】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ５）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量の関数から構成さ
れる多項式予測モデルで、重み係数を用いて予測対象区
間の車速予測値を出力する車速予測モデル（ｚ１）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量を入力とし、車速
予測モデルのパラメータを出力する予測ニューラルネッ
トワーク（ａａ１）予測対象位置の上流または下流の、任意の
数の前記交通量保存手段から得られる過去の交通量を入
力とし、学習用の車速予測モデルのパラメータを出力す
る学習用ニューラルネットワーク（ａｂ１）学習用ニューラルネットワークより出力さ
れる学習用車速予測モデルパラメータ、および教師信号
用パラメータ作成手段より得られる教師信号用車速予測
モデルパラメータを用いて前記重み係数の修正量を計算
し、該重み係数を更新する重み係数学習手段（ａｃ１）前記交通量保存手段より得られる交通量実
績値、および前記車速保存手段より得られる車速実績値
を受け取り、学習用ニューラルネットワークの学習に使
用される教師信号用の車速予測モデルパラメータを出力
する教師信号用パラメータ作成手段をそなえた交通状況予測装置。
【請求項２６】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｃ）前記車両感知器より得られる交通量データを保
存する交通量保存手段（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｌ６）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通量予測値を出力する交通量予測モデル（ｒ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速を入力とし、交通量
予測モデルのパラメータを出力する予測ニューラルネッ
トワーク（ｓ２）予測対象位置の上流または下流の、任意の数
の前記交通量保存手段から得られる過去の車速を入力と
し、学習用の交通量予測モデルのパラメータを出力する
学習用ニューラルネットワーク（ｔ２）学習用ニューラルネットワークより出力され
る学習用交通量予測モデルパラメータ、および教師信号
用パラメータ作成手段より得られる教師信号用交通量予
測モデルパラメータを用いて前記重み係数の修正量を計
算し、該重み係数を更新する重み係数学習手段（ｕ２）前記車速保存手段より得られる交通量実績
値、および前記交通量保存手段より得られる交通量実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の交通量予測モデルパラメータを
出力する教師信号用パラメータ作成手段をそなえた交通状況予測装置。
【請求項２７】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｂ）前記車両感知器より得られる交通密度データを
保存する交通密度保存手段（ｇ）前記車両感知器より得られる交通データを保存
する車速保存手段（ｎ６）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の交通密度予測値を出力する交通密度予測モデル（ｖ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速を入力とし、交通密
度予測モデルのパラメータを出力する予測ニューラルネ
ットワーク（ｗ２）予測対象位置の上流または下流の、任意の数
の前記車速保存手段から得られる過去の車速を入力と
し、学習用の交通密度予測モデルのパラメータを出力す
る学習用ニューラルネットワーク（ｘ２）学習用ニューラルネットワークより出力され
る学習用交通密度予測モデルパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用交通密
度予測モデルパラメータを用いて前記重み係数の修正量
を計算し、該重み係数を更新する重み係数学習手段（ｙ２）前記車速保存手段より得られる車速実績値、
および前記交通密度保存手段より得られる交通密度実績
値を受け取り、学習用ニューラルネットワークの学習に
使用される教師信号用の交通密度予測モデルパラメータ
を出力する教師信号用パラメータ作成手段をそなえた交通状況予測装置。
【請求項２８】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｇ）前記車両感知器より得られる車速データを保存
する車速保存手段（ｐ６）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速の関数から構成され
る多項式予測モデルで、重み係数を用いて予測対象区間
の車速予測値を出力する車速予測モデル（ｚ２）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる車速を入力とし、車速予
測モデルのパラメータを出力する予測ニューラルネット
ワーク（ａａ２）予測対象位置の上流または下流の、任意の
数の前記車速保存手段から得られる過去の車速を入力と
し、学習用の車速予測モデルのパラメータを出力する学
習用ニューラルネットワーク（ａｂ２）学習用ニューラルネットワークより出力さ
れる学習用車速予測モデルのパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用車速予
測モデルパラメータを用いて前記重み係数の修正量を計
算し、該重み係数を更新する重み係数学習手段（ａｃ２）前記車速保存手段より得られる車速実績値
を受け取り、学習用ニューラルネットワークの学習に使
用される教師信号用の車速予測モデルパラメータを出力
する教師信号用パラメータ作成手段をそなえた交通状況予測装置。
【請求項２９】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｈ）前記車両感知器より得られる交通密度データ、
交通量データ、車速データを保存する交通データ保存手
段（ａｄ）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量・交通密度・車速
の関数から構成される多項式予測モデルで、重み係数を
用いて予測対象区間の交通量予測値・交通密度予測値・
車速予測値を出力する交通状況予測モデル（ａｅ）交通データ保存手段より得られる交通量実績
値・交通密度実績値・車速実績値を用いて、多項式予測
モデルのパラメータの修正量を計算し、パラメータを更
新するパラメータ更新手段をそなえた交通状況予測装置。
【請求項３０】（ａ）対象とする閉区間の分割により
形成された複数の小区間の各々に設置され、走行車両の
交通量、空間平均速度、および交通密度を測定する複数
の車両感知器（ｈ）前記車両感知器より得られる交通密度データ、
交通量データ、車速データを保存する交通データ保存手
段（ａｄ１）予測対象位置の上流または下流の、任意の
数の前記車両感知器から得られる交通量・交通密度・車
速の関数により構成される多項式予測モデルで、重み係
数を用いて予測対象区間の交通量予測値・交通密度予測
値・車速予測値を出力する交通状況予測モデル（ａｆ）予測対象位置の上流または下流の、任意の数
の前記車両感知器から得られる交通量・交通密度・車速
を入力とし、交通状況予測モデルのパラメータを出力す
る予測ニューラルネットワーク（ａｇ）予測対象位置の上流または下流の、任意の数
の交通データ保存手段から得られる過去の交通量・交通
密度・車速を入力とし、学習用の交通状況予測モデルの
パラメータを出力する学習用ニューラルネットワーク（ａｈ）学習用ニューラルネットワークより出力され
る学習用交通状況予測モデルパラメータ、および教師信
号用パラメータ作成手段より得られる教師信号用車速予
測モデルパラメータを用いて前記重み係数の修正量を計
算し、該重み係数を更新する重み係数学習手段（ａｉ）交通データ保存手段より得られる交通量・交
通密度・車速実績値を受け取り、学習用ニューラルネッ
トワークの学習に使用される教師信号用の交通状況予測
モデルパラメータを出力する教師信号用パラメータ作成
手段をそなえた交通状況予測装置。