WO2012081209A1 - 渋滞予測方法 - Google Patents

渋滞予測方法 Download PDF

Info

Publication number
WO2012081209A1
WO2012081209A1 PCT/JP2011/006880 JP2011006880W WO2012081209A1 WO 2012081209 A1 WO2012081209 A1 WO 2012081209A1 JP 2011006880 W JP2011006880 W JP 2011006880W WO 2012081209 A1 WO2012081209 A1 WO 2012081209A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
inter
distribution
traffic jam
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2011/006880
Other languages
English (en)
French (fr)
Inventor
越膳　孝方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honda Motor Co Ltd
Original Assignee
Honda Motor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Priority to CN201180059124.1A priority Critical patent/CN103262135B/zh
Priority to BR112013014962A priority patent/BR112013014962A2/pt
Priority to JP2012548637A priority patent/JP5555778B2/ja
Priority to US13/991,609 priority patent/US8731809B2/en
Publication of WO2012081209A1 publication Critical patent/WO2012081209A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]

Definitions

  • the present invention relates to a traffic jam prediction method, and more specifically to a method for traffic jam prediction from the acceleration of the host vehicle and the inter-vehicle distance from other vehicles.
  • Patent Document 1 the vehicle density of other vehicles existing within a predetermined distance in front and behind the host vehicle is calculated from the detection result of the radar device, and the running state of the host vehicle is determined to be congested using the vehicle density. It is described that it is determined whether or not it can be a cause of occurrence.
  • an object of the present invention is to provide a traffic jam prediction method capable of appropriately improving the traffic jam prediction accuracy and useful for avoiding or eliminating the traffic jam.
  • the present invention includes a step of detecting an acceleration of the host vehicle, a step of calculating a power spectrum corresponding to the frequency from a frequency analysis of the detected acceleration, a single regression line of the power spectrum is calculated, and the unit in a predetermined frequency range is calculated. Calculating the maximum value of the change in the slope of the regression line as the maximum value of the slope, detecting the inter-vehicle distance between the host vehicle and the preceding vehicle, and using the distribution estimation method based on the detected inter-vehicle distance, Estimating the vehicle distribution from the correlation between the minimum covariance value and the slope maximum value, estimating the vehicle group distribution from the estimated inter-vehicle distance distribution, A traffic jam prediction method including a step of performing traffic jam prediction based on the method.
  • the traffic jam prediction is performed based on the vehicle group distribution estimated from the correlation between the maximum slope value obtained from the acceleration spectrum of the host vehicle and the minimum covariance value obtained from the inter-vehicle distance density.
  • the accuracy can be improved.
  • the step of performing the traffic jam prediction includes identifying a region where the vehicle group variation is large and a region where the vehicle group variation is small in the vehicle group distribution, and determining whether there is a boundary region between the two regions. Including.
  • the presence / absence of a boundary region (transition region) of a vehicle group change is used as a criterion for predicting traffic jams in real time, so that traffic jams are timely and effective before traffic jams occur and proceed. Prediction becomes possible.
  • the boundary region corresponds to a critical region between a free flow region where the possibility of congestion is low and a mixed flow region where braking and acceleration of the vehicle are mixed.
  • the critical area as a judgment criterion (boundary calculation) for traffic jam prediction
  • real-time traffic jam prediction that is useful not only for traffic jam avoidance but also for traffic jam resolution is possible.
  • FIG. 7B shows the boundary calculation for patterning the critical region.
  • the step of estimating the forward vehicle group distribution includes creating a correlation map between the logarithm of the minimum covariance value and the logarithm of the slope maximum value.
  • a correlation map between the logarithm of the minimum value of the covariance value of the inter-vehicle distance and the logarithm of the slope maximum value of the acceleration spectrum can be obtained in real time, so that a critical region that occurs in offline (statistical) prediction Since the time delay in the vicinity can be minimized, the prediction accuracy can be improved.
  • real-time processing is possible because the phase transition property of traffic flow is taken into account, and prediction accuracy is improved compared to offline prediction.
  • FIG. 4 shows an acceleration spectrum according to one embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a probability density distribution according to an embodiment of the present invention.
  • FIG. 6 is a diagram schematically showing a covariance value ⁇ k according to an embodiment of the present invention. It is an image (concept) figure of the correlation map of inclination maximum value and covariance minimum value according to one Example of this invention. It is a figure which shows the relationship between traffic density and traffic volume.
  • 6 is a correlation map between the logarithm of the minimum covariance value for the inter-vehicle distance distribution and the logarithm of the slope maximum value for the acceleration spectrum according to one embodiment of the present invention.
  • 4 is a flowchart of traffic jam prediction according to an embodiment of the present invention.
  • FIG. 1 is a block diagram showing a configuration of a traffic jam prediction device 10 for carrying out a traffic jam prediction method according to an embodiment of the present invention.
  • the traffic jam prediction device 10 is mounted on a vehicle.
  • the traffic jam prediction device 10 can be mounted on a vehicle as one device or as part of another device.
  • the traffic jam prediction device 10 includes a vehicle speed sensor 11, a radar device 12, a navigation device 13, a processing device 14, a switch 15, various actuators 16, a speaker 17, a display 18, and a communication device 19.
  • the processing device 14 may be incorporated in the navigation device 13.
  • the speaker 17 and the display 18 may use corresponding functions provided in the navigation device 13.
  • the vehicle speed sensor 11 detects the acceleration of the host vehicle and sends a detection signal to the processing device 14.
  • the radar device 12 divides a predetermined detection target region set around the host vehicle into a plurality of angle regions, and transmits an electromagnetic wave such as an infrared laser or millimeter wave while scanning each angle region. .
  • the radar device 12 receives a reflection signal (electromagnetic wave) from an object in the detection target region and sends the reflection signal to the processing device 14.
  • the navigation device 13 receives a positioning signal such as a GPS signal, and calculates the current position of the host vehicle from the positioning signal.
  • the navigation device 13 can also calculate the current position of the host vehicle from the acceleration and yaw rate detected by the vehicle speed sensor 11 and the yaw rate sensor (not shown) using autonomous navigation.
  • the navigation device 13 includes map data and has a function of outputting the current position of the host vehicle, route information to a destination, traffic jam information, and the like on a map to be displayed.
  • the processing device 14 includes a frequency analysis unit 31, a single regression line calculation unit 32, a large slope calculation unit 33, a reflection point detection unit 34, another vehicle detection unit 35, an inter-vehicle distance detection unit 36, an inter-vehicle distance distribution estimation unit 37, A minimum variance calculation unit 38, a correlation map creation unit 40, a traffic jam prediction unit 41, a travel control unit 42, a notification control unit 43, and a communication control unit 44 are provided.
  • the function of each block is realized by a computer (CPU) included in the processing device 14. Details of the function of each block will be described later.
  • the processing device 14 has, for example, an A / D conversion circuit that converts an input analog signal into a digital signal, a central processing unit (CPU) that performs various arithmetic processing, and a CPU that stores data when performing arithmetic operations. It includes a RAM to be used, a ROM for storing programs to be executed by the CPU and data to be used (including tables and maps), an output circuit for outputting a drive signal for the speaker 17, a display signal for the display 18, and the like.
  • CPU central processing unit
  • the switch 15 outputs various signals related to the traveling control of the host vehicle to the processing device 14.
  • the various signals include, for example, accelerator pedal and brake pedal operation (position) signals, various signals related to automatic travel control (ACC) (control start, control stop, target vehicle speed, inter-vehicle distance, and the like).
  • ACC automatic travel control
  • the various actuators 16 are used as a general term for a plurality of actuators, and include, for example, a throttle actuator, a brake actuator, a steering actuator, and the like.
  • the communication device 19 communicates with another vehicle or a server device (not shown) or a relay station (not shown) by wireless communication under the control of the communication control unit 44, and the traffic jam prediction result output from the traffic jam prediction unit 41 Position information is transmitted in association with each other, or correspondence information between a traffic jam prediction result and position information is received from another vehicle or the like. The acquired information is sent to the notification control unit 43 or the travel control unit 42 via the communication control unit 44.
  • the frequency analysis unit 31 performs frequency analysis on the acceleration of the host vehicle detected by the vehicle speed sensor 11 and calculates a power spectrum.
  • FIG. 2 shows examples of power spectra in two different traveling states (a) and (b). In FIG. 2, acceleration spectra 51 and 53 corresponding to frequencies are illustrated as power spectra.
  • the single regression line calculation unit 32 performs a single regression analysis on the obtained power spectrum and calculates a single regression line.
  • the straight lines indicated by reference numerals 52 and 54 are simple regression lines obtained for the acceleration spectra 51 and 53, respectively.
  • the slope maximum value calculation unit 33 calculates the slope maximum value from the obtained single regression line.
  • the inclinations ⁇ 1 and ⁇ 2 at (a) and (b) are obtained.
  • , etc.) obtained from the difference ⁇ is obtained.
  • the obtained maximum value is stored in a memory (RAM or the like) in the processing device 14 as a tilt maximum value.
  • the reflection point detector 34 detects the position of the reflection point (object) from the reflection signal detected by the radar device 12.
  • the other vehicle detection unit 35 is based on the position information of the reflection points output from the reflection point detection unit 34, and at least one or more vehicles present in the vicinity of the host vehicle from the distance between adjacent reflection points, the distribution state of the reflection points, and the like. Detect other vehicles.
  • the inter-vehicle distance detection unit 36 detects the inter-vehicle distance between the host vehicle and the other vehicle from the other vehicle information detected by the reflection point detection unit 34, and outputs the result together with the detected number of other vehicles.
  • the inter-vehicle distance distribution estimation unit 37 estimates the inter-vehicle distance distribution from the information on the inter-vehicle distance and the number of vehicles output from the inter-vehicle distance detection unit 36.
  • the inter-vehicle distance distribution estimation will be described with reference to FIG. FIG. 3 shows a probability density distribution.
  • a Gaussian distribution Apply probability density distribution.
  • the vehicle group can be regarded as a distribution obtained by linearly combining two Gaussian distributions. That is, as shown in FIG. 3, a probability function P (X) representing the entire distribution can be obtained as the sum (superposition) of the probability functions P1 (X) and P2 (X) representing the two Gaussian distributions. .
  • ⁇ k is an expected value (average value) and represents a position having the highest density.
  • ⁇ k is a covariance value (matrix), and represents distortion of the distribution, that is, how the density decreases in which direction away from the expected value.
  • ⁇ k is a mixing coefficient (mixing ratio) of the Gaussian distribution, and represents a ratio (0 ⁇ ⁇ k ⁇ 1) of how much each Gaussian distribution contributes.
  • the mixing coefficient ⁇ k can be regarded as one probability.
  • the covariance minimum value calculation unit 38 performs calculation using variational Bayes or the like in order to obtain a parameter (covariance) that maximizes the likelihood function obtained from the above-described P (X), for example.
  • a covariance value ⁇ k is calculated for each Gaussian distribution.
  • the covariance minimum value calculation unit 38 then calculates the minimum value of the plurality of covariance values ⁇ k obtained for each Gaussian distribution P (X).
  • Figure 4 is a diagram schematically representing the covariance value sigma k.
  • the graph 56 representing the covariance value ⁇ k is a sharp graph at delta ( ⁇ ) 0, and there is no fluctuation of the vehicle group, that is, the vehicle is in a traveling state in which the inter-vehicle distance is substantially constant. It suggests.
  • FIG. 4B two graphs are obtained: a graph 57 having a peak at ⁇ 1 in a region where delta ( ⁇ ) is negative and a graph 58 having a peak at ⁇ 2 in a positive region.
  • Both the graphs 57 and 58 have a predetermined fluctuation range ( ⁇ ), which indicates that there are fluctuations in the vehicle group, in other words, that there are a plurality of sets of cars having different inter-vehicle distances.
  • ⁇ the minimum value of the covariance value sigma k is approximately zero (0) (a), the a ⁇ 1 the smaller the (b).
  • FIG. 5 is an image (concept) diagram of a correlation map between the maximum slope value and the minimum covariance value.
  • the horizontal (X) axis is the covariance minimum value X
  • the vertical (Y) axis is the slope maximum value Y
  • the correlation of the variables (X, Y) is mapped.
  • Two areas indicated by reference numerals 59 and 60 are shown, and there is a boundary area 61 where these two areas overlap.
  • the region 59 corresponds to a state where the covariance minimum value is relatively small and the variation of the vehicle group is small, in other words, a state where the inter-vehicle distance is relatively constant.
  • the region 60 corresponds to a state where the covariance minimum value is relatively large and the variation of the vehicle group is large, in other words, a state where there are a plurality of sets of vehicles having different inter-vehicle distances.
  • the boundary region 61 is a region where the variation of the vehicle group changes from a small state to a large state, and the present invention is characterized in that the state of the vehicle group corresponding to the boundary region 61 is quantitatively found and a traffic jam is predicted. There is.
  • FIG. 6 is a diagram showing the relationship between traffic density and traffic volume.
  • the horizontal (X) axis of the graph is a traffic density that means the number of vehicles existing within a predetermined distance from the host vehicle. The reciprocal of this traffic density corresponds to the inter-vehicle distance.
  • the vertical (Y) axis is a traffic volume that means the number of vehicles passing through a predetermined position. It can be understood that FIG. 6 represents a traffic flow that means the flow of a vehicle.
  • the traffic flow illustrated in FIG. 6 can be roughly divided into four states (areas).
  • the first is a free flow state in which the possibility of traffic congestion is low, and here, it is possible to ensure a certain level of acceleration and inter-vehicle distance.
  • the second is a mixed flow state in which the braking state and the acceleration state of the vehicle are mixed.
  • This mixed flow state is the state before the transition to the congestion flow, and the degree of freedom of driving by the driver is reduced, and the traffic flow is reduced and the traffic density is increased (reduction of the inter-vehicle distance). It is in a state where the probability of transition is high.
  • the third is a traffic flow state indicating a traffic jam.
  • the fourth is a critical region which is a transition state that exists during the transition from the free flow state to the mixed flow state.
  • This region is a state in which the traffic volume and the traffic density are higher than those in the free stream, and a transition is made to a mixed stream due to a decrease in the traffic volume and an increase in the traffic density (a reduction in the inter-vehicle distance).
  • the critical region is sometimes called metastable flow or metastable flow.
  • the region 59 in FIG. 5 includes the free flow and critical region in FIG. 6, and the region 60 in FIG. 5 includes the mixed flow and congestion flow states in FIG. 6.
  • the boundary region in FIG. 5 is a boundary state including both the critical region and the mixed flow state in FIG. 6 and is referred to as a critical region boundary as shown in FIG.
  • the purpose of the present invention is to quantitatively grasp the critical region including the boundary of the critical region and to prevent the occurrence of traffic congestion by suppressing the transition to the mixed flow state.
  • FIG. 7 is a diagram showing a correlation map between the logarithm of the minimum covariance value for the inter-vehicle distance distribution and the logarithm of the maximum slope value for the acceleration spectrum.
  • FIG. 7A is a simplified drawing of the traffic flow map of FIG. 6, and
  • FIG. 7B shows a correlation map between the logarithm of the covariance minimum value and the logarithm of the slope maximum value.
  • the logarithm of the covariance minimum value and the logarithm of the slope maximum value in (b) is the difference between the slope maximum value calculated by the slope maximum value calculation unit 33 and the covariance minimum value calculated by the covariance minimum value calculation unit 38. Calculated as a logarithmic value.
  • FIG. 7B depicts the parameterization of the phase transition state in the critical region by a single vehicle.
  • the region indicated by reference numeral 62 includes the critical region (a), and the region indicated by reference numeral 63 includes the state of the mixed flow (a).
  • the line indicated by the reference numeral 64 is a critical line, and means a critical point where there is a high possibility that traffic congestion will occur if the critical line is exceeded.
  • the boundary region 65 between the regions 62 and 63 corresponds to the boundary of the critical region immediately before the criticality 64.
  • the correlation map illustrated in FIG. 7B is stored in a memory (RAM or the like) in the processing device 14.
  • the traffic jam prediction unit 41 in FIG. 1 determines whether or not the boundary state of the critical region exists in the correlation map created by the correlation map creation unit 40, and if so, to prevent the transition to traffic jam Then, a control signal including a traffic jam prediction result is sent to the travel control unit 42, the notification control unit 43, and the communication control unit 44. As a result, it is possible to execute various controls, which will be described later, to prevent the transition to the mixed flow illustrated in FIG. 7, and as a result, it is possible to predict traffic jams that are useful not only for traffic jam avoidance but also for eliminating traffic jams. .
  • the traffic jam prediction unit 41 outputs the traffic jam prediction result to the navigation device 13. Based on the traffic jam prediction result received from the traffic jam prediction unit 41 and the traffic jam prediction result predicted by the other vehicle output from the communication control unit 41, the navigation device 13 performs route search for the host vehicle to avoid the traffic jam, Route guidance can be performed.
  • the travel control unit 42 includes a traffic jam prediction result output from the traffic jam prediction unit 41, a traffic jam generation prediction result predicted from another vehicle output from the communication control unit 44, various signals output from the switch 15, and a vehicle speed sensor. 11 is controlled by controlling various actuators based on the detection result of the acceleration of the host vehicle output from No. 11 and the detection result of the inter-vehicle distance output from the inter-vehicle distance detection unit 36. That is, for example, the traveling control unit 42 starts or stops execution of automatic traveling control (ACC) according to a signal output from the switch 15, and sets or changes the target vehicle speed and the target inter-vehicle distance in ACC.
  • ACC automatic traveling control
  • the notification control unit 43 performs notification control by the display unit 18 and the speaker 17 based on the traffic jam prediction result output from the traffic jam prediction unit 41 and the traffic jam generation prediction result predicted from another vehicle output from the communication control unit 44. Do it.
  • the notification control unit 43 transmits a control signal for causing the display 18 to display “Decelerate and take the distance between the vehicles” or the like and to transmit the sound from the speaker 17 by voice.
  • FIG. 8 is a flowchart of traffic jam prediction according to one embodiment of the present invention. The details of each step are as described above.
  • step S10 the vehicle speed sensor 11 detects the acceleration of the host vehicle.
  • step S11 an inter-vehicle distance from vehicles around the own vehicle is detected based on an output signal from the radar device 12 (blocks 34 to 36 in FIG. 1).
  • step S12 acceleration spectrum single regression maximization is performed. Specifically, the above-described inclination maximum value is calculated (blocks 31 to 33 in FIG. 1).
  • the covariance value is specified. Specifically, the above-described minimum covariance is calculated (blocks 37 and 38 in FIG. 1).
  • step S14 the critical region is modeled. Specifically, a correlation map as illustrated in FIG. 7B is created (block 40 in FIG. 1).
  • step S15 it is determined whether or not a critical region (and its boundary) exists. The critical region is a critical region illustrated in FIGS. 6 and 7A described above. If this determination is No, the process returns to steps S12 and S13 and the subsequent flow is repeated. If the determination is Yes, a traffic jam is predicted in the next step S16 (block 41 in FIG. 1). In step S17, various controls are performed according to the traffic jam prediction result (blocks 42 to 44 in FIG. 1).
  • Traffic jam prediction device 14 Processing device 51, 53 Acceleration (power) spectrum 52, 54 Simple regression line 56, 57, 58 Covariance

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

　自車両の加速度を検出するステップと、検出した加速度の周波数分析から周波数に対応するパワースペクトルを算出するステップと、パワースペクトルの単回帰直線を演算し、所定周波数範囲での当該単回帰直線の傾きの変化量の極大値を傾き極大値として算出するステップと、自車両と先行車両との車間距離を検出するステップと、検出した車間距離から分布推定法を用いて、車間距離分布を推定するステップと、推定された車間距離分布から共分散値の最小値を算出するステップと、共分散値の最小値と傾き極大値との相関関係から前方の車群分布を推定するステップと、車群分布に基づきリアルタイム渋滞予測をおこなうステップと、を含む渋滞予測方法である。

Description

渋滞予測方法
　本発明は、渋滞予測方法に関し、より具体的には、自車両の加速度と他の車両との車間距離とから渋滞予測をおこなう方法に関する。
　従来から、車両用運転支援装置において渋滞予測方法が提案されている。例えば、特許文献１には、レーダ装置による検出結果から自車両の前方及び後方の所定距離内に存在する他車両の車両密度を算出し、その車両密度を用いて自車両の走行状態が渋滞の発生原因になり得るか否かを判定することが記載されている。
特開２００９－２８６２７４号公報
　しかし、特許文献１を含む従来の方法では、車両密度を用いた渋滞予測の判定精度が必ずしも高いとは言えず、渋滞の回避あるいは解消のためにはさらなる改善の余地がある。
　したがって、本発明の目的は、渋滞の予測精度を適切に向上させて渋滞の回避あるいは解消のために役立たせることが可能な渋滞予測方法を提供することである。
　本発明は、自車両の加速度を検出するステップと、検出した加速度の周波数分析から周波数に対応するパワースペクトルを算出するステップと、パワースペクトルの単回帰直線を演算し、所定周波数範囲での当該単回帰直線の傾きの変化量の極大値を傾き極大値として算出するステップと、自車両と先行車両との車間距離を検出するステップと、検出した車間距離から分布推定法を用いて、車間距離分布を推定するステップと、推定された車間距離分布から共分散の最小値を算出するステップと、共分散の最小値と傾き極大値との相関関係から車群分布を推定するステップと、車群分布に基づき渋滞予測をおこなうステップと、を含む渋滞予測方法である。
　本発明によれば、自車両の加速度スペクトルから得られる傾き極大値と車間距離密度から得られる共分散の最小値との相関関係から推定される車群分布に基づき渋滞予測をおこなうので、渋滞予測精度を向上させることが可能になる。
　本発明の一形態によると、渋滞予測をおこなうステップは、車群分布において車群変動が大きい領域と車群変動が小さい領域を特定し、当該２つの領域の境界領域の有無を判定することを含む。
　本発明の一形態によれば、車群変動の境界領域（遷移領域）の有無をリアルタイムでの渋滞予測の判定基準にすることにより、渋滞が発生、進行する前にタイムリーで効果的な渋滞予測が可能となる。
　本発明の一形態によると、境界領域は、渋滞が発生する可能性の低い自由流領域と車両の制動および加速が混合する混合流領域との間の臨界領域に相当する。
　本発明の一形態によれば、臨界領域を渋滞予測の判定基準（境界計算）に用いることにより、渋滞回避のみならず渋滞解消に役立つリアルタイムな渋滞予測が可能となる。なお、図７（ｂ）が、臨界領域をパターン化するための境界計算を示している。
　本発明の一形態によると、前方の車群分布を推定するステップは、共分散値の最小値の対数と傾き極大値の対数との相関マップを作成することを含む。
　本発明の一形態によれば、車間距離の共分散値の最小値の対数と加速度スペクトルの傾き極大値の対数との相関マップをリアルタイムで求められることにより、オフライン（統計）予測において生ずる臨界領域付近での時間遅れを最小化できるため、予測精度を向上させることができる。言い換えれば、本発明の一形態によれば、交通流のもつ相転移性を考慮するためリアルタイムでの処理が可能となり、オフライン予測に比べて予測精度が高まる。
本発明の一実施例に従う、渋滞予測装置の構成を示す図である。 本発明の一実施例に従う、加速度スペクトルを示す図である。 本発明の一実施例に従う、確率密度分布を示す図である。 本発明の一実施例に従う、共分散値Σｋを模式的に表わした図である。 本発明の一実施例に従う、傾き極大値と共分散最小値との相関マップのイメージ（概念）図である。 交通密度と交通量の関係を示す図である。 本発明の一実施例に従う、車間距離分布についての共分散最小値の対数と加速度スペクトルについての傾き極大値の対数との相関マップである。 本発明の一実施例に従う、渋滞予測のフローチャートである。
　図面を参照しながら本発明の実施の形態を説明する。図１は、本発明の一実施形態に従う、渋滞予測方法を実施するための渋滞予測装置１０の構成を示すブロック図である。渋滞予測装置１０は車両に搭載される。渋滞予測装置１０は、１つの装置としてあるいは他の装置の一部として車両に搭載することができる。
　渋滞予測装置１０は、車速センサ１１、レーダ装置１２、ナビゲーション装置１３、処理装置１４、スイッチ１５、各種アクチュエータ１６、スピーカー１７、表示器１８、および通信装置１９を備える形で構成される。なお、処理装置１４は、ナビゲーション装置１３の中に組み込んでもよい。また、スピーカー１７および表示器１８は、ナビゲーション装置１３が備える該当機能を利用してもよい。
　車速センサ１１は、自車両の加速度を検出し、その検出信号を処理装置１４へ送る。レーダ装置１２は、自車両の周辺に設定される所定の検出対象領域を複数の角度領域に分割し、各角度領域を走査（スキャン）しながら赤外光レーザやミリ波等の電磁波を発信する。レーダ装置１２は、検出対象領域における物体からの反射信号（電磁波）を受信し、その反射信号を処理装置１４へ送る。
　ナビゲーション装置１３は、ＧＰＳ信号等の測位信号を受信して、その測位信号から自車両の現在位置を算出する。また、ナビゲーション装置１３は、車速センサ１１およびヨーレートセンサ（図示なし）等が検出した加速度およびヨーレートから自律航法を用いて自車両の現在位置を算出することもできる。ナビゲーション装置１３は、地図データを備え、表示する地図上に自車両の現在位置、目的地までの経路情報や渋滞情報等を出力する機能を有する。
　処理装置１４は、周波数分析部３１、単回帰直線算出部３２、傾き大値算出部３３、反射点検出部３４、他車両検出部３５、車間距離検出部３６、車間距離分布推定部３７、共分散最小値算出部３８、相関マップ作成部４０、渋滞予測部４１、走行制御部４２、報知制御部４３、および通信制御部４４を備える。各ブロックの機能は、処理装置１４が有するコンピュータ（ＣＰＵ）によって実現される。各ブロックの機能の詳細は後述する。
　処理装置１４は、ハードウエア構成として、例えば、入力アナログ信号をデジタル信号に変換するＡ／Ｄ変換回路、各種演算処理を行う中央演算処理装置（ＣＰＵ）、ＣＰＵが演算に際してデータを記憶するのに使用するＲＡＭ、ＣＰＵが実行するプログラムおよび用いるデータ（テーブル、マップを含む）を記憶するＲＯＭ、スピーカー１７に対する駆動信号および表示器１８に対する表示信号などを出力する出力回路等を備えている。
　スイッチ１５は、自車両の走行制御に係る各種信号を処理装置１４へ出力する。各種信号には、例えばアクセルペダルやブレーキペダルの操作（位置）信号、自動走行制御（ＡＣＣ）に係る各種信号（制御開始、制御停止、目標車速、車間距離等）などが含まれる。
　各種アクチュエータ１６は、複数のアクチュエータの総称として用いており、例えばスロットルアクチュエータ、ブレーキアクチュエータ、ステアリングアクチュエータ等が含まれる。
　表示器１８は、ＬＣＤ等のディスプレイを含み、タッチパネル機能を有するディスプレイとすることができる。表示装置１６は、音声出力部および音声入力部を備える構成でもよい。表示器１８は、報知制御部４３からの制御信号に応じて、所定の警報情報を表示したり、所定の警告灯を点滅ないし点灯させることによって、運転者に報知する。スピーカー１７は、報知制御部４３からの制御信号に応じて所定の警報音や音声を出力することによって、運転者に報知する。
　通信装置１９は、通信制御部４４による制御下で、無線通信によって他車両あるいはサーバ装置（図示なし）や中継局（図示なし）と通信を行い、渋滞予測部４１から出力される渋滞予測結果と位置情報を対応付けて送信したり、他車両等から渋滞予測結果と位置情報との対応情報を受信する。取得された情報は、通信制御部４４を介して報知制御部４３あるいは走行制御部４２に送られる。
　次に処理装置１４の各ブロックの機能について説明する。周波数分析部３１は、車速センサ１１が検出した自車両の加速度について周波数分析を行い、パワースペクトルを算出する。図２に２つの異なる走行状態（ａ）、（ｂ）におけるパワースペクトルの例を示す。図２では、パワースペクトルとして周波数に対応した加速度スペクトル５１、５３が例示されている。
　単回帰直線算出部３２は、得られたパワースペクトルに対して単回帰分析をおこない単回帰直線を算出する。図２の例では、符号５２、５４で指示される直線がそれぞれ加速度スペクトル５１、５３に対して得られる単回帰直線である。
　傾き極大値算出部３３は、得られた単回帰直線から傾き極大値を算出する。図２の例では、最初に単回帰直線５２、５４の傾きを算出する。すなわち、図２において、所定の周波数範囲Ｙ（例えば、数秒から数分の時間範囲に対応する周波数範囲、０～０．５Ｈｚ等）でのスペクトル値の変化Ｘに基づき傾きα（＝Ｙ／Ｘ）を算出する。図２では（ａ）と（ｂ）での傾きα１、α２が得られる。
　次に、得られた傾きαの差分、すなわち所定の時間間隔での傾きαｋとαｋ－１との差分Δα（＝αｋ―αｋ－１）を算出する。得られた差分Δαの時間変化、あるいは差分Δαから得られるパラメータ（例えば、２乗値（Δα）２、絶対値｜Δα｜等）の時間変化の極大値を求める。得られた極大値を傾き極大値として処理装置１４内のメモリ（ＲＡＭ等）に格納する。
　反射点検出部３４は、レーダ装置１２が検出した反射信号から反射点（物体）の位置を検出する。他車両検出部３５は、反射点検出部３４から出力される反射点の位置情報に基づき、隣り合う反射点間の距離、反射点の分布状態等から自車両の周辺に存在する少なくとも１台以上の他車両を検出する。車間距離検出部３６は、反射点検出部３４が検出した他車両情報から自車両と他車両との間の車間距離を検出し、その結果を他車両の検出台数と共に出力する。
　車間距離分布推定部３７は、車間距離検出部３６から出力される車間距離と車両台数の情報から車間距離分布を推定する。図３を参照しながら車間距離分布推定について説明する。図３は確率密度分布を示す図である。
　車間距離と車両台数の情報から前方での車群、すなわち車間距離が比較的緻密な車の集合が観測できる場合、変分ベイズなどの分布推定法を用いて各車群に対してガウス分布（確率密度分布）を適用する。例えば２つの車群があるとした場合は、車群を２つのガウス分布を線形結合した分布として捉えることができる。すなわち、図３に示すように、この２つのガウス分布を表わす確率関数Ｐ１（Ｘ）、Ｐ２（Ｘ）の和（重ね合わせ）として全体の分布を表す確率関数Ｐ（Ｘ）を得ることができる。
　ガウス分布（確率関数）をＮ（Ｘ｜μ、Σ）で表すと、図３に例示されるような複数のガウス分布の重ね合わせは、次式で得ることができる。
Figure JPOXMLDOC01-appb-M000001
 ここで、μｋは期待値（平均値）であって密度が最も高い位置を表す。Σｋは共分散値（行列）であって、分布のゆがみ、すなわち期待値からどの方向に離れると密度がどのように減るかを表す。πｋはガウス分布の混合係数（混合比）であって、各ガウス分布がどれだけ寄与しているかの割合（０≦πｋ≦１）を表す。混合係数πｋは１つの確率として捉えることができる。
　共分散最小値算出部３８は、例えば上記したＰ（Ｘ）から得られる尤度関数が最大となるパラメータ（共分散）を求めるために変分ベイズ等を用いて計算をおこなう。ガウス分布Ｐ（Ｘ）が図３で例示されるような複数のガウス分布の重ね合わせとして得られる場合は、個々のガウス分布に対して共分散値Σｋを算出する。
　共分散最小値算出部３８は、次に各ガウス分布Ｐ（Ｘ）に対して得られた複数の共分散値Σｋの最小値を算出する。図４は共分散値Σｋを模式的に表わした図である。図４（ａ）では、共分散値Σｋを表わすグラフ５６がデルタ（δ）０においてシャープなグラフとなっており、車群の変動が無い、すなわち車間距離がほぼ一定の走行状態にあることを示唆している。一方、図４（ｂ）では、デルタ（δ）が負の領域のδ１でピークを持つグラフ５７と正の領域のδ２でピークを持つグラフ５８の２つのグラフが得られている。グラフ５７、５８ともに所定の変動幅（δ）を有しており、車群の変動が有る、言い換えれば車間距離が異なる車の集合が複数存在することを示唆している。図４において、共分散値Σｋの最小値は（ａ）ではほぼゼロ（０）、（ｂ）では小さいほうのδ１となる。
　図１の相関マップ作成部４０は、傾き極大値算出部３３により算出された傾き極大値と、共分散最小値算出部３８によって算出された共分散最小値との相関マップを作成する。図５は、傾き極大値と共分散最小値との相関マップのイメージ（概念）図である。図５では、横（Ｘ）軸を共分散最小値Ｘとし、縦（Ｙ）軸を傾き極大値Ｙとして、変数（Ｘ、Ｙ）の相関をマッピングしている。符号５９と６０で指示される２つの領域が示されており、この２つの領域が重なっている境界領域６１が存在している。領域５９は比較的共分散最小値が小さく、車群の変動が小さい状態、言い換えれば車間距離が比較的一定しているような状態に相当する。逆に領域６０は比較的共分散最小値が大きく、車群の変動が大きい状態、言い換えれば車間距離が異なる車の集合が複数存在する状態に相当する。境界領域６１は、車群の変動が小さい状態から大きい状態へ遷移する領域であり、本発明はこの境界領域６１に相当する車群の状態を定量的に見出して、渋滞予測をおこなうところに特徴がある。
　ここで図６を参照しながら、図５に例示した各領域についてさらに説明する。図６は、交通密度と交通量の関係を示す図である。グラフの横（Ｘ）軸は、自車両から所定距離内に存在する車両の台数を意味する交通密度である。この交通密度の逆数が車間距離に相当する。縦（Ｙ）軸は所定位置を通過する車両数を意味する交通量である。図６は、いわば車両の流れを意味する交通流を表わしていると捉える事ができる。
　図６で例示される交通流は、大きく４つの状態（領域）に区分けできる。１つめは、渋滞が発生する可能性が低い自由流の状態であって、ここでは一定以上の車の加速度および車間距離が確保可能である。２つめは車両の制動状態と加速状態が混合する混合流の状態である。この混合流の状態は、渋滞流に移行する前の状態であって、運転者による運転の自由度が低下して、交通流の低下と交通密度の増大（車間距離の縮小）によって渋滞流へと移行する確率が高い状態である。３つめは渋滞を示す渋滞流の状態である。４つめは自由流の状態から混合流の状態へ移行する間に存在する遷移状態である臨界領域である。この領域は、自由流に比べて交通量および交通密度が高い状態であって、交通量の低下と交通密度の増大（車間距離の縮小）によって混合流へと移行する状態である。なお、臨界領域は、準安定流、メタ安定流と呼ばれることもある。
　図５と図６との関係から、図５の領域５９は図６の自由流および臨界領域を含むことになり、図５の領域６０は図６の混合流および渋滞流の状態を含むことになる。したがって、図５の境界領域は図６の臨界領域と混合流の状態との双方を含む境界状態であり、ここでは図６に示すように臨界領域の境界と呼ぶ。本発明ではこの臨界領域の境界を含む臨界領域を定量的に把握して、混合流の状態への移行を抑制して渋滞の発生を防ぐことが狙いである。
　図７を参照しながら臨界領域の定量化について説明する。図７は、車間距離分布についての共分散最小値の対数と加速度スペクトルについての傾き極大値の対数との相関マップを示す図である。図７の（ａ）は図６の交通流マップを簡略化して描いた図であり、（ｂ）は共分散最小値の対数と傾き極大値の対数との相関マップを示す。（ｂ）の共分散最小値の対数と傾き極大値の対数は、傾き極大値算出部３３により算出された傾き極大値と、共分散最小値算出部３８によって算出された共分散最小値との対数値として算出される。図７（ｂ）は、単車両による臨界領域における相転移状態のパラメータ化を描写したものである。
　図７（ｂ）において、符号６２で指示される領域は（ａ）の臨界領域を含み、符号６３で指示される領域は（ａ）の混合流の状態を含む。符号６４で指示される線は臨界線であり、これを越えて混合流の状態へ移行すると渋滞に至ってしまう可能性が高い臨界点を意味する。領域６２、６３の境界領域６５は臨界６４直前の臨界領域の境界に相当する。図７（ｂ）に例示される相関マップは処理装置１４内のメモリ（ＲＡＭ等）に格納される。
　図１の渋滞予測部４１は、相関マップ作成部４０によって作成された相関マップにおいて、臨界領域の境界の状態が存在するか否かを判定し、存在する場合に渋滞への移行を阻止すべく、走行制御部４２、報知制御部４３、および通信制御部４４に渋滞予測結果を含む制御信号を送る。これにより、後述する各種制御を実行して、図７に例示される混合流への移行を未然に阻止することが可能となり、その結果渋滞回避のみならず渋滞解消に役立つ渋滞予測が可能となる。
　また、渋滞予測部４１は、渋滞予測結果をナビゲーション装置１３に出力する。ナビゲーション装置１３は、渋滞予測部４１から受信した渋滞予測結果と、通信制御部４１から出力される他車両において予測された渋滞予測結果とに基づき、渋滞を回避するように自車両の経路探索や経路誘導を行うことができる。
　走行制御部４２は、渋滞予測部４１から出力される渋滞予測結果と通信制御部４４から出力される他車両において予測された渋滞発生予測結果と、スイッチ１５から出力される各種信号と、車速センサ１１から出力される自車両の加速度の検出結果と、車間距離検出部３６から出力される車間距離の検出結果とに基づき、各種アクチュエータを制御することにより、自車両の走行を制御する。すなわち、例えば走行制御部４２は、スイッチ１５から出力される信号に応じて自動走行制御（ＡＣＣ）の実行を開始または停止したり、ＡＣＣでの目標車速や目標車間距離の設定や変更を行う。
　報知制御部４３は、渋滞予測部４１から出力される渋滞予測結果と通信制御部４４から出力される他車両において予測された渋滞発生予測結果とに基づき、表示器１８およびスピーカー１７による報知制御をおこなう。報知制御部４３は、例えば、「減速して車間距離を取ること」等を表示器１８に表示させたり、スピーカー１７から音声で伝えたりするための制御信号を送る。
　図８は、本発明の一実施例に従う、渋滞予測のフローチャートである。なお、各ステップの詳細は既に説明した通りである。ステップＳ１０において、車速センサ１１によって自車両の加速度を検出する。並行して、ステップＳ１１において、レーダ装置１２からの出力信号に基づき自車両の周辺の車両との車間距離を検出する（図１のブロック３４～３６）。ステップＳ１２において、加速度スペクトル単回帰極大化をおこなう。具体的には、上述した傾き極大値を算出する（図１のブロック３１～３３）。並行して、ステップＳ１３において、共分散値特異化をおこなう。具体的には、上述した共分散最小値を算出する（図１のブロック３７、３８）。
　ステップＳ１４において、臨界領域のモデリングをおこなう。具体的には、上述した図７（ｂ）で例示されるような相関マップを作成する（図１のブロック４０）。ステップＳ１５において、臨界領域（とその境界）が存在するか否かを判定する。臨界領域とは、上述した図６、図７（ａ）に例示される臨界領域である。この判定がＮｏの場合は、ステップＳ１２、Ｓ１３に戻り以降のフローを繰り返す。判定がＹｅｓの場合、次のステップＳ１６において渋滞予測をおこなう（図１のブロック４１）。ステップＳ１７において、その渋滞予測結果に応じて各種制御をおこなう（図１のブロック４２～４４）。
　以上、本発明の実施の形態について説明したが、本発明はこのような実施形態に限定されることはなく、本発明の趣旨を逸脱しない範囲において改変して用いることができる。
１０　渋滞予測装置
１４　処理装置
５１、５３　加速度（パワー）スペクトル
５２、５４　単回帰直線
５６、５７、５８　共分散

Claims (4)

  1. 　自車両の加速度を検出するステップと、
    　検出した加速度の周波数分析から周波数に対応するパワースペクトルを算出するステップと、
    　算出したパワースペクトルの単回帰直線を演算し、所定周波数範囲での当該単回帰直線の傾きの変化量の極大値を傾き極大値として算出するステップと、
    　自車両と先行車両との車間距離を検出するステップと、
    　検出した車間距離から分布推定法を用いて、車間距離分布を推定するステップと、
    　推定された車間距離分布から共分散の最小値を算出するステップと、
    　前記共分散の最小値と前記傾き極大値との相関関係から前方の車群分布を推定するステップと、
    　前記車群分布に基づきリアルタイム渋滞予測をおこなうステップと、
    　を含む渋滞予測方法。
  2. 　前記渋滞予測をおこなうステップは、前記車群分布において車群変動が大きい領域と車群変動が小さい領域を特定し、当該２つの領域の境界領域の有無を判定することを含む、請求項１に記載の渋滞予測方法。
  3. 　前記境界領域は、渋滞が発生する可能性の低い自由流領域と車両の制動および加速が混合する混合流領域との間の臨界領域に相当する、請求項２に記載の渋滞予測方法。
  4. 前記車群分布を推定するステップは、前記共分散値の最小値の対数と前記傾き極大値の対数との相関マップを作成することを含む、請求項１～３のいずれかに記載の渋滞予測方法。
PCT/JP2011/006880 2010-12-15 2011-12-09 渋滞予測方法 Ceased WO2012081209A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201180059124.1A CN103262135B (zh) 2010-12-15 2011-12-09 堵车预测方法
BR112013014962A BR112013014962A2 (pt) 2010-12-15 2011-12-09 dispositivo e método de previsão de congestionamento de tráfego
JP2012548637A JP5555778B2 (ja) 2010-12-15 2011-12-09 渋滞予測方法
US13/991,609 US8731809B2 (en) 2010-12-15 2011-12-09 Traffic congestion prediction method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010-278754 2010-12-15
JP2010278754 2010-12-15

Publications (1)

Publication Number Publication Date
WO2012081209A1 true WO2012081209A1 (ja) 2012-06-21

Family

ID=46244328

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/006880 Ceased WO2012081209A1 (ja) 2010-12-15 2011-12-09 渋滞予測方法

Country Status (5)

Country Link
US (1) US8731809B2 (ja)
JP (1) JP5555778B2 (ja)
CN (1) CN103262135B (ja)
BR (1) BR112013014962A2 (ja)
WO (1) WO2012081209A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012128612A (ja) * 2010-12-15 2012-07-05 Honda Motor Co Ltd 運転支援方法
CN103065466A (zh) * 2012-11-19 2013-04-24 北京世纪高通科技有限公司 一种交通异常状况的检测方法和装置
CN104937647A (zh) * 2013-03-08 2015-09-23 本田技研工业株式会社 交通拥堵预兆检测方法、程序及交通拥堵预兆检测装置
JP2017041020A (ja) * 2015-08-18 2017-02-23 富士通株式会社 走行区間評価方法、走行区間評価プログラム、及び走行区間評価装置
JP2017068688A (ja) * 2015-09-30 2017-04-06 株式会社東芝 車間距離検出装置、車間距離検出方法、およびプログラム

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8606512B1 (en) 2007-05-10 2013-12-10 Allstate Insurance Company Route risk mitigation
US10096038B2 (en) 2007-05-10 2018-10-09 Allstate Insurance Company Road segment safety rating system
US10157422B2 (en) 2007-05-10 2018-12-18 Allstate Insurance Company Road segment safety rating
US9932033B2 (en) 2007-05-10 2018-04-03 Allstate Insurance Company Route risk mitigation
JP5667944B2 (ja) * 2011-08-11 2015-02-12 本田技研工業株式会社 サーバ側渋滞解消走行支援方法
JP5909401B2 (ja) * 2012-04-04 2016-04-26 本田技研工業株式会社 渋滞予測方法
US9582999B2 (en) * 2013-10-31 2017-02-28 Here Global B.V. Traffic volume estimation
US10096067B1 (en) 2014-01-24 2018-10-09 Allstate Insurance Company Reward system related to a vehicle-to-vehicle communication system
US9355423B1 (en) 2014-01-24 2016-05-31 Allstate Insurance Company Reward system related to a vehicle-to-vehicle communication system
US9390451B1 (en) 2014-01-24 2016-07-12 Allstate Insurance Company Insurance system related to a vehicle-to-vehicle communication system
US10803525B1 (en) 2014-02-19 2020-10-13 Allstate Insurance Company Determining a property of an insurance policy based on the autonomous features of a vehicle
US10796369B1 (en) 2014-02-19 2020-10-06 Allstate Insurance Company Determining a property of an insurance policy based on the level of autonomy of a vehicle
US10783587B1 (en) 2014-02-19 2020-09-22 Allstate Insurance Company Determining a driver score based on the driver's response to autonomous features of a vehicle
US9940676B1 (en) 2014-02-19 2018-04-10 Allstate Insurance Company Insurance system for analysis of autonomous driving
US10783586B1 (en) * 2014-02-19 2020-09-22 Allstate Insurance Company Determining a property of an insurance policy based on the density of vehicles
WO2015178195A1 (ja) * 2014-05-20 2015-11-26 本田技研工業株式会社 運転特性評価方法、プログラムおよび運転特性評価装置
US9556792B2 (en) 2014-10-17 2017-01-31 Kohler, Co. Dual compressor turbocharger
US10378549B2 (en) 2014-10-17 2019-08-13 Kohler Co. Dual compressor turbocharger
TWI543896B (zh) 2015-08-26 2016-08-01 財團法人工業技術研究院 通訊裝置、通訊系統與其相關之通訊方法
US9483938B1 (en) 2015-08-28 2016-11-01 International Business Machines Corporation Diagnostic system, method, and recording medium for signalized transportation networks
US10269075B2 (en) 2016-02-02 2019-04-23 Allstate Insurance Company Subjective route risk mapping and mitigation
US10319221B2 (en) 2016-11-04 2019-06-11 Ford Global Technologies, Llc Systems and methods for vehicular application of detected traffic flow
CN111583639B (zh) * 2020-04-30 2021-05-14 山东交通学院 一种道路交通拥堵预警方法及系统
CN113256973B (zh) * 2021-05-11 2022-03-25 青岛海信网络科技股份有限公司 一种高峰开始时间预测方法、装置、设备及介质
CN113920727B (zh) * 2021-10-08 2023-11-07 温州大学 一种由施工引发道路拥堵的预测方法及系统
CN119479317B (zh) * 2025-01-15 2025-03-25 云南省交通科学研究院有限公司 一种道路交通异常状态监测分析方法、系统、终端及介质
CN120274217B (zh) * 2025-03-25 2026-02-24 国家石油天然气管网集团有限公司 管道风险监测系统和方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002190090A (ja) * 2000-10-13 2002-07-05 Sumitomo Electric Ind Ltd 交通流の異常検知装置及び方法（スペクトル）
JP2002342872A (ja) * 2001-05-11 2002-11-29 Sumitomo Electric Ind Ltd 交通流の異常検知装置及び方法
JP2009262862A (ja) * 2008-04-28 2009-11-12 Toyota Motor Corp 走行制御装置及び走行制御方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4075026B2 (ja) * 1998-12-03 2008-04-16 マツダ株式会社 車両の障害物警報装置
JP3363393B2 (ja) * 1998-12-21 2003-01-08 千住金属工業株式会社 鉛フリーはんだ合金
JP4342535B2 (ja) * 2006-07-10 2009-10-14 トヨタ自動車株式会社 渋滞度作成方法、渋滞度作成装置
JP2009286274A (ja) 2008-05-29 2009-12-10 Toyota Motor Corp 車両用運転支援装置
CN101739820B (zh) * 2009-11-19 2012-09-26 北京世纪高通科技有限公司 路况预测的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002190090A (ja) * 2000-10-13 2002-07-05 Sumitomo Electric Ind Ltd 交通流の異常検知装置及び方法（スペクトル）
JP2002342872A (ja) * 2001-05-11 2002-11-29 Sumitomo Electric Ind Ltd 交通流の異常検知装置及び方法
JP2009262862A (ja) * 2008-04-28 2009-11-12 Toyota Motor Corp 走行制御装置及び走行制御方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012128612A (ja) * 2010-12-15 2012-07-05 Honda Motor Co Ltd 運転支援方法
CN103065466A (zh) * 2012-11-19 2013-04-24 北京世纪高通科技有限公司 一种交通异常状况的检测方法和装置
CN103065466B (zh) * 2012-11-19 2015-01-21 北京世纪高通科技有限公司 一种交通异常状况的检测方法和装置
CN104937647A (zh) * 2013-03-08 2015-09-23 本田技研工业株式会社 交通拥堵预兆检测方法、程序及交通拥堵预兆检测装置
US9646492B2 (en) 2013-03-08 2017-05-09 Honda Motor Co., Ltd. Congestion sign detection method, program, and congestion sign detection device
CN104937647B (zh) * 2013-03-08 2017-07-25 本田技研工业株式会社 交通拥堵预兆检测方法及交通拥堵预兆检测装置
JP2017041020A (ja) * 2015-08-18 2017-02-23 富士通株式会社 走行区間評価方法、走行区間評価プログラム、及び走行区間評価装置
JP2017068688A (ja) * 2015-09-30 2017-04-06 株式会社東芝 車間距離検出装置、車間距離検出方法、およびプログラム

Also Published As

Publication number Publication date
US8731809B2 (en) 2014-05-20
US20130261944A1 (en) 2013-10-03
CN103262135A (zh) 2013-08-21
CN103262135B (zh) 2015-02-25
JPWO2012081209A1 (ja) 2014-05-22
JP5555778B2 (ja) 2014-07-23
BR112013014962A2 (pt) 2016-09-13

Similar Documents

Publication Publication Date Title
JP5555778B2 (ja) 渋滞予測方法
JP5511984B2 (ja) 車両の走行支援装置
JP5481557B2 (ja) 渋滞予測方法
JP5460869B2 (ja) 渋滞予測装置
JP5462945B2 (ja) 渋滞予測表示方法
JP5667944B2 (ja) サーバ側渋滞解消走行支援方法
JP5501209B2 (ja) 車両の走行支援装置
JP5627531B2 (ja) 運転支援装置
JP6350149B2 (ja) 合流支援システム
JP2013215067A (ja) 電動車両走行支援システム
JP5909144B2 (ja) 車群解消システム
JP5570961B2 (ja) 渋滞予兆表示方法
JP2011118723A (ja) 車両の衝突を回避するための装置
JP2013105379A (ja) サーバ側渋滞解消走行支援方法
JP5450365B2 (ja) 走行支援システム
JP5104242B2 (ja) 情報提供装置、情報提供システム、コンピュータプログラム及び情報提供方法
JP5909401B2 (ja) 渋滞予測方法
JP2013104815A (ja) ナビゲーション装置
JP5501208B2 (ja) 運転支援方法
EP4716935A1 (en) Information management device, information management method, and program

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11849240

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 13991609

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2012548637

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 11849240

Country of ref document: EP

Kind code of ref document: A1

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112013014962

Country of ref document: BR

ENP Entry into the national phase

Ref document number: 112013014962

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20130614