WO2014024264A1 - 交通量予測装置および方法 - Google Patents

交通量予測装置および方法 Download PDF

Info

Publication number
WO2014024264A1
WO2014024264A1 PCT/JP2012/070142 JP2012070142W WO2014024264A1 WO 2014024264 A1 WO2014024264 A1 WO 2014024264A1 JP 2012070142 W JP2012070142 W JP 2012070142W WO 2014024264 A1 WO2014024264 A1 WO 2014024264A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic volume
traffic
intersections
main
route
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/JP2012/070142
Other languages
English (en)
French (fr)
Inventor
智昭 蛭田
加藤　学
奥出　真理子
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to US14/419,512 priority Critical patent/US9240124B2/en
Priority to JP2014529188A priority patent/JP5941987B2/ja
Priority to PCT/JP2012/070142 priority patent/WO2014024264A1/ja
Publication of WO2014024264A1 publication Critical patent/WO2014024264A1/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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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]
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Definitions

  • the present invention relates to a traffic volume predicting apparatus, and more particularly to a traffic volume predicting apparatus that predicts a traffic volume between two points using a collected vehicle travel history.
  • a route selection model In order to predict traffic demand, a route selection model is required.
  • the route selection model assumes that the driver behaves based on a reasonable selection rule that selects the most desirable route from the set of available routes from the origin to the destination. This model calculates the selection probability of each route using factors such as distance and distance. The traffic volume on the route is predicted using the selection probability of each route.
  • a route set In order to create this route selection model, a route set must be prepared in advance.
  • Patent Document 1 describes a technique that uses probe data to create a route set of a route selection model. Since the probe data can specify the travel route of the vehicle, a route set can be easily created. Further, the route set is all the routes traveled by the probe car from the departure point to the destination.
  • the driver selects a route from the departure point to the destination, the driver selects a route that is considered most desirable from the route set in the driver's head.
  • the travel route of the probe data only represents the selected result, and the route set is insufficient. That is, with the technique described in Non-Patent Document 1, a route other than the route from the starting point of the probe data to the destination cannot be included in the route set. For this reason, it is not possible to obtain the traffic volume of a route having no running record.
  • the traffic volume prediction device of the present invention is a simple network creation device that creates a simple network that connects main intersections with high travel frequency extracted from the travel trajectory of collected probe data;
  • a model creation device that determines the utility between major intersections from the data and obtains the selection probability at each major intersection from this utility, and predicts traffic demand by allocating traffic according to this selection probability to the route between major intersections
  • a traffic volume distribution device is provided for the traffic volume of each target route candidate.
  • the network between the main intersections on the simple network can be combined according to the selection probability, it is possible to predict the traffic volume of the route having no running record.
  • FIG. 3 is a diagram showing a data format of a storage device 120.
  • FIG. It is an example of a simple network created by the simple network creation device. It is a figure which shows the processing flow of the simple network creation apparatus. It is a figure which shows the processing flow of the model production apparatus. It is a figure which shows the data format of OD traffic information. It is a figure which shows the data format of event information. It is a figure which shows the processing flow of the traffic volume estimation apparatus. It is a figure which shows the data format of the traffic volume of a virtual link unit. It is a figure which shows the data format of the traffic volume of a road link unit.
  • FIG. 1 shows the overall configuration of a traffic demand prediction system according to an embodiment of the present invention.
  • the traffic demand prediction system 100 in FIG. 1 includes a receiving device 110, a storage device 120, a simple network creation device 130, a model creation device 140, an input device 150, a traffic volume prediction device 160, and an output device 170.
  • the receiving device 110, the simple network creation device 130, the model creation device 140, the input device 150, and the traffic volume prediction device 160 are executed by a microprocessor (not shown) mounted on the traffic demand prediction system 100, a RAM, a ROM, or the like.
  • Software is not shown
  • the receiving device 110 receives probe data transmitted from a probe center that collects and manages traveling information from the vehicle, and stores the probe data in the storage device 120.
  • the probe data includes vehicle identification ID (hereinafter referred to as vehicle ID), position information composed of start / end node IDs for identifying roads on which the vehicle has traveled in units of links (segments), and time at which the vehicle traveled on the link. Information, travel time information that is the time required for passing the link, and travel distance information that is the distance traveled by the link.
  • the vehicle receives the vehicle ID, the position information of the traveling position of the vehicle, the time information that is the time when the vehicle was traveling, and the travel time information after the start of traveling via the communication device such as a mobile phone or a wireless device.
  • a vehicle that provides such travel information is called a probe car.
  • the road on which the vehicle has traveled is specified using position information and time information from the travel information collected from the probe car and map information mounted on the probe center.
  • the probe data received by the receiving device 110 is data processed at the probe center.
  • the storage device 120 is composed of a storage device such as a hard disk or a flash memory, and stores probe data, simple network data, and selected model data.
  • the probe data is data input from the receiving device 110.
  • the simple network data is data input from the simple network creation device 130.
  • the selected model data is data input from the model creation device 140.
  • the format of probe data received by the receiving device 110 is shown in FIG.
  • the probe data includes a vehicle ID (21) for identifying the vehicle from which the probe data has been collected, a road start point node ID (22) and an end point node ID (23) for identifying the road from which the probe data has been collected, Is an inflow time (24) which is the time when the vehicle enters the road, a travel time (25) when the vehicle passes the road, and a travel distance (26).
  • the simple network creation device 130 uses the probe data stored in the storage device 120 to extract major intersections and creates a simple network connecting the major intersections.
  • the created simple network data is stored in the storage device 120. Details of the simple network creation device 130 will be described later.
  • the model creation device 140 calculates the utility function of each major intersection using the probe data and simple network data stored in the storage device 120.
  • the utility function generally has a preference relationship that favors the other of the two selection targets over one of the selection targets, and is equivalent to a magnitude relationship based on the value of the function that represents the utility (or value) of these selection targets.
  • the function represents the relationship between the factors such as the time and distance between the main intersections and the utility between the main intersections.
  • the created utility function data is stored in the storage device 120 as selected model data. Details of the model creation device 140 will be described later.
  • the input device 150 receives from the user or an external center the starting point and destination of the traffic estimation target, the traffic from the starting point to the destination (hereinafter referred to as OD traffic), and event information assumed between the starting point and the destination. Enter.
  • the traffic demand prediction system 100 is used to predict a change in traffic volume when a certain event occurs. As the conditions for the prediction, the input device 150 inputs the target area of the departure point and the destination, OD traffic volume, and assumed event information. The input information is provided to the traffic volume prediction device 160. Details of the input device 150 will be described later.
  • the traffic volume prediction device 160 predicts the traffic volume at the time of the event occurrence using the conditions input from the input device 150, the simple network data of the storage device 120, and the selected model data. The predicted traffic volume is provided to the output device 170. Details of the traffic volume prediction device 160 will be described later.
  • the output device 170 outputs the predicted traffic volume of the traffic volume prediction device 160 to the user or an external center. Details of the output device 170 will be described later.
  • the data format of various data stored in the storage device 120 is shown in FIG.
  • the storage device 120 stores probe data (a), simple network data (b), selection model data (c), and OD data (d).
  • the data format of the probe data (a) is the same as the format of the probe data received by the receiving apparatus 110 (FIG. 2).
  • the simple network data (b) includes, for each combination of the departure point (b1) and the destination (b2), the node ID (b3) of the main intersection serving as the start point, the node ID (b4) of the main intersection serving as the end point, and the main intersection
  • the simple network data (b) is created by the simple network creation device 130.
  • the selection model data (c) is data representing the parameters in the route selection model and their reliability, and is created by the model creation device 140.
  • the selection model data (c) includes common data that does not depend on the departure place and the destination, and data for each departure place and the destination.
  • the common data that does not depend on the starting point and the destination is the common parameter (c1) that expresses the route selection model representing the route selection behavior for various combinations of the starting point and the destination, and the common trust that is the reliability of the parameter.
  • Degree (c2) For each combination of the departure place and the destination, the data of the departure place and the destination are the departure area ID (c3) that is the area ID of the departure place, the destination area ID (c4) that is the area ID of the destination, and the route.
  • an individual parameter (c5) that is an individual parameter in the selection model
  • an individual reliability (c6) that is the reliability of the individual parameter.
  • a plurality of model parameters created by the model creation device 140 for each combination of starting point and destination, a plurality of values are generally set as common parameters (c1) and individual parameters (c5). Have. Therefore, there are a plurality of common parameters (c2) and individual parameters (c5) as parameters of the route selection model.
  • the parameter reliability is an index indicating how reliable the parameter is, and corresponds to the parameter on a one-to-one basis.
  • the individual parameter (c5) includes a time parameter (c7) and a distance parameter (c8)
  • the individual reliability (c6) is , Time parameter reliability (c9) and distance parameter reliability (c10).
  • the OD data (d) stores information on the starting point and destination of traffic demand prediction.
  • the OD data (d) is composed of an area ID (d1) for identifying an area where a departure place or a destination is defined, and a node ID list (d2) included in the area.
  • the node ID list (d2) of the administrative unit serving as the departure point or destination for example, Hitachi City
  • the OD data (d) is created in advance at the time of server shipment, or is created at regular time intervals.
  • FIG. 4 shows an example of a simple network.
  • the sizes of the departure point (41) and the destination (42) vary depending on the purpose of traffic demand prediction. For example, when it is desired to predict traffic demand at the municipal level, the starting point and destination are in units of municipalities such as Hitachi City and Mito City. In the following, the starting point and the destination are defined by a map mesh.
  • the probe data traveling from the departure point (41) to the destination (42) is extracted from the storage device 120, and the main intersection (44) among the intersections with a large traffic volume based on the traveling history (43) of the extracted probe data. To extract.
  • a simple network representing a section where the probe car actually traveled from the starting point (41) to the destination (42) can be created.
  • this virtual link is not necessarily a road that actually exists, but is a line segment that connects the main intersections that exist at both ends of the road (43) that has actually run.
  • the simple network creation device 130 processes the probe data (a) accumulated in the storage device 120 at a regular cycle such as one month or one year. Each step will be described in detail below.
  • step S510 processing for repeating the processing from step S520 to S540 is started for all combinations of area IDs stored in the OD data (d) of the storage device 120.
  • one of the area IDs stored as the OD data (d) in the storage information 120 is set as the departure place, and the area ID of this departure place among the area IDs stored as the OD data (d).
  • One of the other area IDs is the destination.
  • n areas are defined in the OD data (d) of the storage device 120, the total number of combinations of the area IDs of the departure point and the destination is n ⁇ (n ⁇ 1).
  • the following loop processing is performed for all combinations of the departure area and destination area IDs thus obtained.
  • step S520 probe data traveling from the departure point to the destination determined in step S510 is extracted from the probe data (a) in the storage device 110. If there is no probe data traveling from the target departure point to the destination, the subsequent main intersection extraction step S530 and network creation step S540 are substantially skipped, but the processing of FIG. In the flow, this process flow is simplified.
  • step S530 the main intersection is extracted using the probe data extracted in step S520.
  • the main intersection is a high frequency of probe car travel, a lot of traffic flowing into the intersection, and the traffic flowing in is widely distributed over multiple roads connected to the intersection. It means an intersection that is not concentrated and flowing out.
  • the degree of branching of the traffic flowing into each intersection is calculated using the probe data extracted in step S520.
  • a quantitative index representing the degree of branching is defined as the degree of branching. An intersection with a large branching degree indicates that the probe car that has flowed into the intersection is likely to branch to various roads at the intersection.
  • This branching degree is created for each node that flows into the intersection.
  • the degree of branching is defined as the number of inflows divided by the maximum number of outflows. For example, consider a case where an intersection flows in from node ID “001” and flows out to node IDs “002”, “003”, and “004”. The number of vehicles flowing into the intersection from the node ID “001” is 100, the number of vehicles flowing out to the node “002” is 50, the number of vehicles flowing out to the node “003” is 30, and the vehicle flows out to the node “004”. The number of vehicles is 20.
  • the branching degree is 2.0 (100/50).
  • the degree of branching is 1.0 (100 / 100).
  • the degree of branching at an intersection can be evaluated by the degree of branching.
  • This branching degree is created for each inflow node of each intersection node.
  • a combination of an intersection node and an inflow node that is equal to or greater than the threshold is defined as a main intersection by using a preset branching degree threshold.
  • step S540 probe data traveling between the main intersections extracted in step S530 is extracted from the probe data extracted in step S520.
  • Probe data traveling between major intersections is extracted, and virtual links are created between major intersections.
  • the number of probe cars traveling between the main intersections (b5), the average travel time (b6) to the destination and the average travel distance (b7) obtained from the probe data for each virtual link The value is written into the simple network data (b) of the storage device 120. Further, the departure area ID and the destination area ID determined in step S510 are written as the departure area ID (b1) and the destination area ID (b2), respectively, and the main intersection (starting main intersection) serving as the starting point of the virtual link is written.
  • the node ID is the start node ID (b3)
  • the node ID of the main intersection (end point main intersection) that is the end point of the virtual link is the end node ID (b4)
  • the list of node IDs between the main intersections obtained from the probe data is the node list As (b8), the simple network data (b) of the storage device 120 is written.
  • the node list (b8) includes the node IDs of all the nodes that have passed between the main intersections in the probe data that has passed between the start point main intersection and the end point main intersection of the virtual link.
  • step S550 it is determined whether or not the processing has been completed for all combinations of the departure point and the destination, and the processing flow ends when the processing is completed. If the processing has not been completed for all combinations of departure points and destinations, the loop processing returning to step S510 is continued.
  • the model creation device 140 performs processing for generating parameters describing the route selection model using the probe data (a) and the simple network data (b) in the storage device 120.
  • the vehicle When there are a plurality of virtual links connected to the main intersection as a starting point, the vehicle obtains the utility of each virtual link from the characteristics of the virtual link, and selects the virtual link based on this utility and travels Assume that An expression that associates the characteristics and utility of a virtual link is a utility function.
  • This utility function is an evaluation function for determining the probability of selecting a virtual link, which means that the driver (vehicle) is evaluating the degree of attractiveness that the driver feels for the route between the virtual links. The virtual link selection probability is high.
  • the characteristics of the virtual link are the average travel time (b6) and the average travel distance (b7) of the simple network data (b) in the storage device 120.
  • the starting point node ID of the starting point main intersection is “i”
  • the end point node ID of the end point main intersection of the virtual link connected to the starting point main intersection node ID “i” is “j”.
  • the utility of the virtual link “ij” defined by the start node ID “i” and the end node ID “j” is “Vij”.
  • the average travel time (b6) of the virtual link “ij” is “Tij” and the average travel distance (b7) of the virtual link “ij” is “Lij”.
  • the travel time parameter in the utility function is “ ⁇ tij” and the travel distance parameter in the utility function is “ ⁇ lij”
  • the utility function is defined by (Equation 1).
  • Vij ⁇ tij ⁇ Tij + ⁇ lij ⁇ Lij (Formula 1)
  • This utility function is preset by the system manufacturer or user. For this reason, in addition to (Equation 1), characteristics such as expenses due to tolls and road widths may be considered.
  • the model creation device 140 estimates the parameters of the utility function and stores the estimated results in the selection model data (c) of the storage device 120 as the parameters of the route selection model.
  • the parameters of the selection model are created for each combination of the departure area and the destination area. That is, if the departure area and the destination area are determined, there is one parameter.
  • the parameters are estimated for each combination of the departure area and the destination area in steps S610 to S680. However, depending on the combination of the departure area and the destination area, the number of probe data samples is small, so the parameter reliability may be low. For this reason, a common parameter is estimated using all the probe data without depending on the combination of the departure area and the destination area. This common parameter is used instead when the reliability of the parameters of the departure area and the destination area is low. This process is step S690.
  • step S610 a process of repeating the processes from step S620 to S670 is started for all combinations of area IDs stored in the OD data (d) of the storage device 120.
  • step S510 one of the area IDs in the OD data (d) of the stored information 120 is set as the departure point, and one of the plurality of area IDs other than the area ID of the departure point is set as the destination.
  • a combination of the departure area ID and the destination area ID is determined. If n area IDs are defined in the OD data (d) of the storage device 120, the total number of combinations is n ⁇ (n ⁇ 1).
  • step S620 simple network data corresponding to the departure area ID and destination area ID determined in step S610 is extracted from the simple network data (b) in the storage device 120.
  • step S630 the process of step S640 is repeated for all start point node IDs (d3) of the simple network data (b) extracted in step S620.
  • step S640 the simple network data (b) including the start node ID (d3) to be processed in the loop processing in step S630 is extracted, and the extracted data is set in the utility function expression defined in (Expression 1). To create a utility function.
  • step S650 it is determined whether or not the process has been completed for all the start point node IDs. If the process is completed, the process proceeds to step S660. If the process has not been completed for all start point node IDs, the process returns to step S630.
  • step S660 a likelihood function is created using the utility function created in step S640.
  • One likelihood function is created for every combination of area IDs in step S610.
  • the traveling number (b5) of the probe cars of the virtual link “ij” is “nij”
  • the likelihood function Li of the start node ID “i” is connected to the main intersection node “i” as shown in (Equation 2). Expressed as the sum for all major intersection nodes “j”.
  • Li ⁇ (nij ⁇ log (Pij)) (Formula 2) This “Pij” is the probability of selecting the virtual link “ij”, and is obtained as in (Expression 3) using the utility “Vij” in (Expression 1).
  • the likelihood function “Lod” for each combination of area IDs is expressed as (Equation 4) in which all the likelihoods of the main intersection node “i” between the departure point and the destination are obtained.
  • step S670 the parameters “ ⁇ tij” and “ ⁇ lij” in (Expression 1) are estimated so that the likelihood function Lod created in step S660 is maximized.
  • an existing maximum likelihood estimation method is used.
  • the parameter obtained by the maximum likelihood estimation is stored in a location corresponding to the combination of area IDs in step S610 of the selection model data (c) of the storage device 120.
  • the travel time parameter “ ⁇ tij” is the time parameter (c7) of the selection model data (c) of the storage device 120
  • the distance parameter is “ ⁇ lij” is the distance of the selection model data (c) of the storage device 120.
  • the calculated reliability is stored in the individual reliability (c6) of the selection model data (c) in the storage device 120.
  • step S680 it is determined whether or not the process has been completed for all combinations of area IDs stored in the OD data (d) of the storage device 120. If the process is completed, the process proceeds to step S690. If the process has not been completed for all combinations of area IDs, the process returns to step S610.
  • step S690 parameters that do not depend on the combination of area IDs are estimated. Specifically, the parameters are estimated using the existing maximum likelihood estimation method so that the sum of the likelihood function “Lod” for each combination of area IDs is maximized, thereby obtaining each combination of area IDs. A parameter based on a common likelihood that is not a parameter is obtained. The estimated parameter is stored in the common parameter (c1). Similarly, the reliability of this parameter is obtained in the same manner as in the case of the individual reliability, and stored in the shared reliability (c2).
  • the input device 150 receives OD traffic volume information and event information that are traffic volume estimation targets. Input is performed from a user or an external server.
  • the data format of the OD traffic information input to the input device 150 is shown in FIG.
  • the OD traffic information includes departure area ID (71), which is an area ID for specifying a departure place, destination area ID (72), which is an area ID for specifying a destination, as departure point and destination information. It is composed of the traffic volume (73) traveling from the destination to the destination.
  • the data format of event information input from the input device 150 is shown in FIG.
  • the event information includes an event name (81) for identifying the event, an event occurrence position (82), and an influence after the event occurrence (83).
  • An example of the event name (81) is “construction”.
  • the event occurrence position (82) describes a node ID where the event occurs and a start node ID and an end node ID that identify the road. When an event extends over a plurality of nodes, a plurality of node IDs are described.
  • the influence (83) after the occurrence of an event represents a change in the traffic situation at the event occurrence location when the event occurs. For example, when construction is performed, the passing time is doubled on the construction target road.
  • the event name (81) of the event information is “construction”
  • the event occurrence position (82) is the start node ID and the end node ID
  • the influence (83) after the event occurrence in the work section is “Twice the transit time” is described.
  • the event name (81) is “road pricing”
  • the event occurrence location (82) is the start node ID and end node ID of the road pricing target road
  • data such as “billing 1000 yen” is input as event information.
  • the traffic volume prediction device 160 uses the simple network data (b) and selection model data (c) stored in the storage device 120, the OD traffic volume information and the event information input via the input device 150, and the road after the occurrence of the event. Predict traffic volume.
  • a processing flow of the traffic volume prediction device 160 will be described with reference to FIG.
  • the traffic volume prediction device 160 performs processing based on OD traffic volume information and event information input from the input device 150.
  • step S910 the simplified network data (b) corresponding to the combination of the departure area ID (71) and the destination area ID (72) in the OD traffic information from the input device 150 is acquired from the storage device 120.
  • step S920 the parameter of the selected model data (c) corresponding to the combination of the departure area ID (71) and the destination area ID (72) in the OD traffic information from the input device 150 is acquired from the storage device 120.
  • the individual parameter (c5) for each departure area ID (c3) and destination area ID (c4) is acquired.
  • the individual reliability (c6) of the individual parameter (c5) is lower than a preset threshold, the common parameter (c1) is acquired.
  • step S930 using the event information from the input device 150, for each main intersection node included in the simple network represented by the simple network data (b) acquired in step S910, a virtual connected to the main intersection node.
  • the event information is “construction”
  • the event occurrence position is the road from the start node ID “001” to the end node ID “002”.
  • a virtual link including both the start node ID “001” and the end node ID “002” in the node list (b8) of the simple network data (b) extracted here is searched.
  • the selection probability of each virtual link is calculated without reflecting the double effect of the required time, which is the influence of the event information.
  • each selection probability is calculated by reflecting the influence of the required time that is the influence of the event information.
  • the utility of each virtual link is first calculated by (Equation 1).
  • the selection probability of each virtual link is calculated for all virtual links of the simple network data between the departure point and the destination using (Equation 3).
  • step S940 loop processing for repeating the processing from step S950 to step S960 is started for the traffic volume (73) set by the OD traffic volume information from the input device 150. For example, when the traffic volume is 100, the processing from step S950 to step S960 is repeated 100 times. In this process, a simulation is performed to run a vehicle for the traffic volume on the simple network, and the traffic volume is obtained for each virtual link. This vehicle running simulation is assumed to run while selecting a virtual link according to the selection probability obtained in step S930.
  • step S950 it is determined whether or not the vehicle simulating traveling in step S940 has arrived at the destination area.
  • the vehicle to be processed is regarded as having arrived at the destination area from the departure area, and the process proceeds to step S970.
  • step S960 If it has not arrived at the destination area (S950: No), the process proceeds to step S960.
  • step S960 a virtual link connected to the main intersection node of the simple network to which the vehicle currently reaches is extracted, and the virtual link on which the vehicle travels is selected using the selection probability obtained in step S930.
  • the virtual link is selected at random according to the selection probability.
  • the position of the vehicle being simulated is advanced to the main intersection node at the end point of the selected virtual link. At this time, the number of vehicles traveling for each virtual link is stored in a temporary storage device.
  • step S970 it is determined whether or not the processing for the traffic volume between the set ODs has been completed. If the processing has been completed, the process proceeds to step S970. If the processing for the OD traffic volume has not been completed, the process returns to step S940.
  • step S980 the traffic information of each virtual link of the simple network stored in the temporary storage device in step S960 is acquired and provided to the output device 170. Also, the traffic volume of the virtual link is converted into the traffic volume of the actual road link corresponding to the virtual link. Specifically, using the node list (b8) of the simple network data (b) in the storage device 120, the traffic volume of the virtual link is converted into the corresponding road link as it is. However, when the virtual link and the road link sequence between them do not correspond one-to-one, the travel frequencies of a plurality of road link sequences corresponding to the virtual link are stored, and each road link is calculated by weighted average of the travel frequencies. Assign traffic to the columns. After the conversion, traffic volume information in units of road links is output to the output device 170.
  • the input device 170 transmits the traffic volume in units of virtual links and the traffic volume in units of road links input from the traffic volume prediction device 160 to an external server or an in-vehicle terminal.
  • FIG. 10 shows a traffic volume data format in units of virtual links.
  • the virtual link traffic volume includes a departure area ID (101) that is an area ID for identifying a departure place, a destination area ID (102) that is an area ID for identifying a destination, and a traffic volume for each virtual link.
  • the traffic volume for each virtual link is composed of the start point main intersection node ID (103), the end point main intersection node ID (104) of the virtual link, and the traffic volume (105) of the virtual link.
  • Fig. 11 shows the traffic volume data format for each road link.
  • the road link traffic volume includes a departure area ID (111), a destination area ID (112), and a traffic volume for each road link.
  • the traffic volume for each road link includes a start node ID (113), an end node ID (114), and a road link traffic volume (115).
  • the traffic demand prediction system of the present invention obtains a main intersection on the travel history of the probe car, creates a simple network connecting the main intersections, obtains a selection probability at each main intersection from the utility, and obtains a main intersection on the simple network. Since the traffic volume can be distributed to the links of the simple network according to the selection probability by combining the networks between them according to the selection probability, even the traffic volume of the route that does not actually have a continuous running track is predicted on the probe data it can.

Landscapes

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

Description

交通量予測装置および方法
　本発明は、交通量予測装置に関し、特に収集した車両の走行履歴を用いて２地点間の交通量を予測する交通量予測装置に関する。
　交通需要を予測するためには、経路選択モデルが必要である。経路選択モデルとは、ドライバが出発地から目的地までの利用可能な経路集合の中から、最も望ましい経路を選択するという合理的な選択ルールに基づいて行動することを仮定し、経路の所要時間や距離などの要因を使って、各経路の選択確率を求めるモデルである。この各経路の選択確率を使って経路上の交通量を予測する。この経路選択モデルを作るためには、経路集合を予め用意しなければならない。
　特許文献１には、経路選択モデルの経路集合を作成するために、プローブデータを使う技術が記載されている。プローブデータは車両の走行経路を特定できるため、経路集合を容易に作成することができる。さらに経路集合は、出発地から目的地までプローブカーが走行した全ての経路としている。
「プローブカーデータを利用した経路選択行動に関するモデル分析」、土木計画学研究論文集、Ｎｏ２1(２)、２００４年９月。
　ドライバは、出発地から目的地までの経路を選択する際に、ドライバの頭の中にある経路集合の中から最も望ましいと考えた経路を選択している。プローブデータの走行経路は、選択した結果を表しているにすぎず、経路集合は不十分である。つまり非特許文献１に記載の技術では、プローブデータの出発地から目的地までの経路以外の経路を経路集合に含めることはできない。このため走行実績のない経路の交通量を求めることができない。
　本発明の交通量予測装置は、上記のような課題を解決するため、収集したプローブデータの走行軌跡から抽出した走行頻度の高い主要交差点を結ぶ簡易ネットワークを作る簡易ネットワーク作成装置と、走行軌跡のデータから主要交差点間の効用を決定し、この効用から各主要交差点における選択確率を求めるモデル作成装置と、主要交差点間の経路に対してこの選択確率に応じて交通量を配分して交通需要予測対象とする各経路候補の交通量とする交通量配分装置を備える。
　本発明によれば、簡易ネットワーク上の主要交差点間のネットワークを選択確率に応じて組み合わせることができるため、走行実績のない経路の交通量でも予測できる。
本発明に係る交通需要予測システムの全体構成を示すブロック図である。 プローブデータのデータフォーマットを示す図である。 記憶装置１２０のデータフォーマットを示す図である。 簡易ネットワーク作成装置１３０で作成される簡易ネットワークの例である。 簡易ネットワーク作成装置１３０の処理フローを示す図である。 モデル作成装置１４０の処理フローを示す図である。 ＯＤ交通量情報のデータフォーマットを示す図である。 イベント情報のデータフォーマットを示す図である。 交通量予測装置１６０の処理フローを示す図である。 仮想リンク単位の交通量のデータフォーマットを示す図である。 道路リンク単位の交通量のデータフォーマットを示す図である。
　本発明を用いた交通需要予測システムの実施の形態について、図面を参照して説明する。
　本発明の実施の形態に係る交通需要予測システムの全体構成を図１に示す。図１の交通需要予測システム１００は、受信装置１１０、記憶装置１２０、簡易ネットワーク作成装置１３０、モデル作成装置１４０、入力装置１５０、交通量予測装置１６０、出力装置１７０で構成される。これら受信装置１１０、簡易ネットワーク作成装置１３０、モデル作成装置１４０、入力装置１５０、交通量予測装置１６０は、交通需要予測システム１００に搭載されている不図示のマイクロプロセッサや、ＲＡＭ、ＲＯＭなどによって実行されるソフトウェアである。
　受信装置１１０は、車両から走行情報を収集し管理するプローブセンタが送信するプローブデータを受信し、記憶装置１２０へ格納する。プローブデータは、車両の識別ＩＤ（以下、車両ＩＤ）、車両が走行した道路をリンク（セグメント）単位で識別する始点・終点ノードＩＤで構成された位置情報、車両がリンクを走行していた時刻情報、リンクの通過に要した所要時間である旅行時間情報、そしてリンクを走行した距離となる走行距離情報などで構成される。車両は、携帯電話や無線装置などの通信機器を介して、車両ＩＤ，車両の走行位置の位置情報とその位置を走行していた時刻である時刻情報、走行を開始してからの旅行時間情報と走行距離情報をプローブセンタにアップリンクする。このような走行情報を提供する車両はプローブカーと呼ばれている。プローブセンタでは、プローブカーから収集した走行情報から位置情報と時刻情報と、プローブセンタに搭載している地図情報を使って、車両が走行した道路を特定する。受信装置１１０で受信するプローブデータは、プローブセンタで処理されたデータである。
　記憶装置１２０は、ハードディスク、フラッシュメモリ等の記憶装置で構成され、プローブデータ、簡易ネットワークデータ、選択モデルデータを記憶している。プローブデータは受信装置１１０から入力されるデータである。簡易ネットワークデータは、簡易ネットワーク作成装置１３０から入力されるデータである。選択モデルデータは、モデル作成装置１４０から入力されるデータである。
　受信装置１１０で受信するプローブデータのフォーマットを図２に示す。プローブデータは、プローブデータを収集した車両を識別するための車両ＩＤ（２１）、プローブデータが収集された道路を識別するための道路の始点ノードＩＤ（２２）と終点ノードＩＤ（２３）、車両がその道路へ進入した時刻である流入時刻（２４）、車両が道路を通過した時の旅行時間（２５）と走行距離（２６）で構成される。
　簡易ネットワーク作成装置１３０は、記憶装置１２０のプローブデータを使って、主要交差点を抽出し、主要交差点を結んだ簡易ネットワークを作成する。作成した簡易ネットワークデータは、記憶装置１２０へ格納する。簡易ネットワーク作成装置１３０の詳細は後述する。
　モデル作成装置１４０は、記憶装置１２０のプローブデータと簡易ネットワークデータを使って、各主要交差点の効用関数を計算する。効用関数とは、一般に、任意の２つの選択対象について、一方の選択対象よりも他方を好む選好関係が、これらの選択対象の効用（または価値）を表す関数の値による大小関係と同値となるような関数であり、ここでは主要交差点間の時間、距離などの要因と主要交差点間の効用の関係を表す関数である。作成した効用関数のデータは、選択モデルデータとして、記憶装置１２０へ格納する。モデル作成装置１４０の詳細は後述する。
　入力装置１５０は、ユーザーや外部センタから、交通量推定対象の出発地と目的地、出発地から目的地までの交通量（以下、ＯＤ交通量）、出発地から目的地間で想定するイベント情報を入力する。交通需要予測システム１００は、あるイベント発生時の交通量の変化を予測するために利用される。その予測の条件として、出発地と目的地の対象エリア、ＯＤ交通量、想定するイベント情報を入力装置１５０で入力する。入力された情報は、交通量予測装置１６０に提供する。入力装置１５０の詳細は後述する。
　交通量予測装置１６０は、入力装置１５０から入力された条件と、記憶装置１２０の簡易ネットワークデータと選択モデルデータを使って、イベント発生時の交通量を予測する。予測した交通量は出力装置１７０に提供する。交通量予測装置１６０の詳細は後述する。
　出力装置１７０は、ユーザーや外部のセンタに対して、交通量予測装置１６０の予測交通量を出力する。出力装置１７０の詳細は後述する。
　次に、記憶装置１２０の詳細を説明する。記憶装置１２０に格納される各種データのデータフォーマットを図３に示す。記憶装置１２０には、プローブデータ（ａ）、簡易ネットワークデータ（ｂ）、選択モデルデータ（ｃ）、ＯＤデータ（ｄ）が格納される。プローブデータ（ａ）のデータフォーマットは、受信装置１１０で受信したプローブデータのフォーマット（図２）と同じである。
　簡易ネットワークデータ（ｂ）は、出発地（ｂ１）と目的地（ｂ２）の組合せ毎に、始点となる主要交差点のノードＩＤ（ｂ３）、終点となる主要交差点のノードＩＤ（ｂ４）、主要交差点間を通過したプローブカーの台数（ｂ５）、主要交差点間を通過して目的地に到着するまでの平均旅行時間（ｂ６）と平均走行距離（ｂ７）、主要交差点間に含まれるノードＩＤのリスト（ｂ８）で構成される。簡易ネットワークデータ（ｂ）は、簡易ネットワーク作成装置１３０で作成される。
　選択モデルデータ（ｃ）は、経路選択モデルにおけるパラメータとその信頼度を現すデータであり、モデル作成装置１４０で作成される。選択モデルデータ（ｃ）は、出発地と目的地に依存しない共通のデータと、出発地と目的地毎のデータで構成される。出発地と目的地に依存しない共通のデータは、様々な出発地と目的地の組合せについて経路の選択行動を表す経路選択モデルを表現する共通パラメータ（ｃ１）とそのパラメータの信頼度である共通信頼度（ｃ２）で構成される。出発地と目的地毎のデータは、出発地と目的地の組合せ毎に、その出発地のエリアＩＤである出発エリアＩＤ（ｃ３）と目的地のエリアＩＤである目的エリアＩＤ（ｃ４）、経路選択モデルにおける個別のパラメータである個別パラメータ（ｃ５）とその個別パラメータの信頼度である個別信頼度（ｃ６）で構成される。出発地と目的地の組合せ毎に、モデル作成装置１４０で作成されるモデルのパラメータは複数個ある場合は、それぞれに共通する共通パラメータ（ｃ１）と個別パラメータ（ｃ５）として、一般に複数の値を持つ。このため経路選択モデルのパラメータも共通パラメータ（ｃ２）と個別パラメータ（ｃ５）が複数存在する。またパラメータの信頼度は、パラメータがどの程度信頼できるかを表す指標であり、パラメータと１対１で対応する。
　経路選択モデルのパラメータ（ｃ１、ｃ５）が時間と距離である場合、例えば、個別パラメータ（ｃ５）としては、時間パラメータ（ｃ７）、距離パラメータ（ｃ８）で構成され、個別信頼度（ｃ６）は、時間パラメータの信頼度（ｃ９）と距離パラメータの信頼度（ｃ１０）で構成される。
　ＯＤデータ（ｄ）は、交通需要予測の出発地と目的地に関する情報を格納している。ＯＤデータ（ｄ）は、出発地又は目的地が定義されたエリアを識別するエリアＩＤ（ｄ１）と、そのエリアに含まれるノードＩＤリスト（ｄ２）で構成される。例えば、市町村レベルのような行政単位のエリア間での交通需要を予測したい場合、出発地及び目的地のエリアは、「日立市」、「水戸市」などの市町村単位のような行政単位で定義される。この時出発地又は目的地となる行政単位、例えば日立市のノードＩＤリスト（ｄ２）は、その行政単位である日立市の範囲中に存在するノードＩＤからなるリストである。これらのデータは、モデル作成装置１４０で作成される。ＯＤデータ（ｄ）は、サーバー出荷時に予め作成されるか又は定期的な時間間隔で作成されるものとする。
　次に、簡易ネットワーク作成装置１３０の詳細を説明する。図４に簡易ネットワークの例を示す。出発地（４１）、目的地（４２）の大きさは交通需要予測の目的によって異なる。例えば、市町村レベルの交通需要を予測したい場合、出発地及び目的地は、日立市、水戸市などといった市町村単位になる。以下では、出発地及び目的地は地図のメッシュで定義する。記憶装置１２０から出発地（４１）から目的地（４２）まで走行するプローブデータを抽出し、抽出したプローブデータの走行履歴（４３）を元に交通量の多い交差点の中から主要交差点（４４）を抽出する。
　次に、プローブカーが実際走った区間に存在する主要交差点（４４）同士を結び、走行区間の（主要交差点を始点・終点とする）リンクに対応した仮想リンク（４５）を作成することで、出発地（４１）から目的地（４２）までのプローブカーが実際走った区間を表す簡易ネットワークを作成できる。なお、この仮想リンクは実際に存在する道路であるとは限らず、実際に走った道路（４３）の両端に存在する主要交差点を結んだ線分となる。
　次に、簡易ネットワーク作成装置１３０の処理フローを図５に従って説明する。簡易ネットワーク作成装置１３０では、記憶装置１２０に蓄積したプローブデータ（ａ）を１ヶ月、１年などの定期的な周期で処理する。以下それぞれのステップについて詳細に説明する。
　ステップＳ５１０では、記憶装置１２０のＯＤデータ（ｄ）に記憶されているエリアＩＤの全組合せについて、ステップＳ５２０からＳ５４０までの処理を繰り返す処理が開始される。ここでは、記憶情報１２０にＯＤデータ（ｄ）として記憶されているエリアＩＤの中の１つを出発地とし、ＯＤデータ（ｄ）として記憶されているエリアＩＤの内、この出発地のエリアＩＤ以外のエリアＩＤの１つを目的地とする。これにより、記憶装置１２０のＯＤデータ（ｄ）で、エリアがｎ個定義されている場合、出発地と目的地のエリアＩＤの全組合せ数はｎ×（ｎ－１）になる。こうして求められる出発地と目的地のエリアＩＤの全組合せについて、以下のループ処理が行われる。
　ステップＳ５２０では、ステップＳ５１０で決定した出発地から目的地までを走行するプローブデータを記憶装置１１０のプローブデータ（ａ）から抽出する。仮に、対象となる出発地から目的地までを走行したプローブデータが存在しない場合、続く主要交差点抽出ステップＳ５３０とネットワーク作成ステップＳ５４０の処理は実質的にスキップされることになるが、図５の処理フローでは、この処理の流れを簡略化して表している。
　ステップＳ５３０では、ステップＳ５２０で抽出したプローブデータを使って、主要交差点を抽出する。主要交差点とは、プローブカーの走行頻度が高く、交差点に流入する交通量が多く、かつ、流入した交通量がその交差点に接続している複数の道路へ広く分散していて、特定の道路に集中して流出していないような交差点を意味する。このような主要交差点を求める処理では、ステップＳ５２０で抽出したプローブデータを使って、各交差点に流入した交通量の分岐の度合いを計算する。この分岐の度合いを表す定量的な指標を分岐度と定義する。分岐度の大きな交差点は、交差点に流入したプローブカーがその交差点で様々な道路へと分岐しやすいことを表している。
　この分岐度は、交差点に流入するノード毎に作成される。分岐度は、最大の流出台数で流入台数を割った値と定義する。例えば交差点がノードＩＤ「００１」から流入し、ノードＩＤ「００２」、「００３」、「００４」に流出するケースを考える。ノードＩＤ「００１」から交差点に流入する車両台数が１００台とし、ノード「００２」へ流出する車両台数を５０台、ノード「００３」へ流出する車両台数を３０台、ノード「００４」へ流出する車両台数を２０台とする。ここで最大の流出台数はノード「００２」で５０台であるから、分岐度は２．０（１００／５０）となる。逆に、交差点で車両が分岐していないケースでは、ノードＩＤ「００２」への流出台数を１００台、他のノードＩＤへの流出台数を０台と仮定すると、分岐度は１．０（１００／１００）となる。
　以上のように、交差点の分岐の度合いを分岐度で評価することができる。この分岐度は、各交差点ノードの流入ノード単位で作成する。予め設定した分岐度の閾値を使って、閾値以上である交差点ノードと流入ノードの組合せを主要交差点と定義する。
　ステップＳ５４０では、ステップＳ５２０で抽出したプローブデータから、ステップＳ５３０で抽出した主要交差点間を走行するプローブデータを抽出する。主要交差点間を走行するプローブデータを抽出し、主要交差点間に仮想リンクを作成する。仮想リンク作成後、各仮想リンク毎にプローブデータから求めた、主要交差点間を走行するプローブカーの台数（ｂ５）、目的地までの平均旅行時間（ｂ６）の値と平均走行距離（ｂ７）の値を記憶装置１２０の簡易ネットワークデータ（ｂ）に書き込む。また、ステップＳ５１０で決定した出発地のエリアＩＤと目的地のエリアＩＤをそれぞれ出発エリアＩＤ（ｂ１）と目的エリアＩＤ（ｂ２）として書き込み、仮想リンクの始点となる主要交差点（始点主要交差点）のノードＩＤを始点ノードＩＤ（ｂ３）、仮想リンクの終点となる主要交差点（終点主要交差点）のノードＩＤを終点ノードＩＤ（ｂ４）、プローブデータから求めた主要交差点間のノードＩＤのリストをノードリスト（ｂ８）として、記憶装置１２０の簡易ネットワークデータ（ｂ）に書き込む。このノードリスト（ｂ８）には、仮想リンクの始点主要交差点から終点主要交差点の間を通過したプローブデータにおける、その主要交差点間で通過した全てのノードのノードＩＤが含まれる。
　ステップＳ５５０では、全ての出発地と目的地の組合せについて処理を完了したか否かを判定し、処理を完了した場合は処理フローが終了する。全ての出発地と目的地の組合せについて処理を完了していない場合は、ステップＳ５１０へ戻るループ処理を続ける。
　次に、モデル作成装置１４０の処理フローを図６に従って説明する。モデル作成装置１４０は、簡易ネットワーク作成装置１３０の処理終了後に、記憶装置１２０のプローブデータ（ａ）と簡易ネットワークデータ（ｂ）を使って、経路選択モデルを記述するパラメータを生成する処理を行う。
　車両は、始点となる主要交差点に接続している仮想リンクが複数ある場合、仮想リンクの持つ特性からそれぞれの仮想リンクの効用を求め、この効用に基づいて仮想リンクを選択して走行していると仮定する。仮想リンクの持つ特性と効用を関連付けた式が効用関数である。この効用関数は、仮想リンクの選択確率を求めるための評価関数であり、ドライバ（車両）が仮想リンク間の経路に対して感じる魅力度を評価していることになり、感じる魅力度が高いと仮想リンクの選択確率が高いことなる。
　仮想リンクの特性は記憶装置１２０の簡易ネットワークデータ（ｂ）の平均旅行時間（ｂ６）と平均走行距離（ｂ７）とする。このとき、始点主要交差点の始点ノードＩＤを「ｉ」、始点主要交差点ノードＩＤ「ｉ」に接続している仮想リンクの終点主要交差点の終点ノードＩＤを「ｊ」とする。始点ノードＩＤ「ｉ」と終点ノードＩＤ「ｊ」で定義された仮想リンク「ｉｊ」の効用を「Ｖｉｊ」とする。また、仮想リンク「ｉｊ」の平均旅行時間（ｂ６）を「Ｔｉｊ」、仮想リンク「ｉｊ」の平均走行距離（ｂ７）を「Ｌｉｊ」とする。さらに、効用関数における旅行時間のパラメータを「θｔｉｊ」、効用関数における走行距離のパラメータを「θｌｉｊ」とすると、効用関数は（式１）で定義される。
　　Ｖｉｊ　＝　θｔｉｊ×Ｔｉｊ＋θｌｉｊ×Ｌｉｊ　　…（式１）
　この効用関数はシステム製作者又はユーザーが予め設定する。このため、（式１）以外にも、通行料金などによる費用や道幅などの特性を考慮しても構わない。
　モデル作成装置１４０では、効用関数のパラメータを推定し、推定した結果を経路選択モデルのパラメータとして記憶装置１２０の選択モデルデータ（ｃ）に格納する。また選択モデルのパラメータは出発エリアと目的エリアの組合せ毎に作成する。つまり、出発エリアと目的エリアが決まれば、パラメータは１種類である。この出発エリアと目的エリアの組合せ毎にパラメータを推定するのがステップＳ６１０からＳ６８０である。しかし、出発エリアと目的エリアの組合せによっては、プローブデータのサンプル数が少ないため、パラメータの信頼性が低い可能性もある。このため、出発エリアと目的エリアの組合せに依存せずに、全てのプローブデータを使って、共通のパラメータを推定する。この共通パラメータは、出発エリアと目的エリアのパラメータの信頼度が低い時に、代わりに利用する。この処理がステップＳ６９０である。
　以下、モデル作成装置１４０の処理フローのステップについて詳細に説明する。
　ステップＳ６１０では、記憶装置１２０のＯＤデータ（ｄ）に記憶されているエリアＩＤの全組合せについて、ステップＳ６２０からＳ６７０までの処理を繰り返す処理が開始される。ここではステップＳ５１０と同様に、記憶情報１２０のＯＤデータ（ｄ）のエリアＩＤの中から１つを出発地、出発地のエリアＩＤ以外の複数のエリアＩＤの中から１つを目的地として、出発エリアＩＤと目的エリアＩＤの組合せを決定する。記憶装置１２０のＯＤデータ（ｄ）で、エリアＩＤがｎ個定義されているとすると、全組合せ数はｎ×（ｎ－１）になる。
　ステップＳ６２０では、記憶装置１２０の簡易ネットワークデータ（ｂ）から、ステップＳ６１０で決定した出発エリアＩＤと目的エリアＩＤに対応する簡易ネットワークデータを抽出する。
　ステップＳ６３０では、ステップＳ６２０で抽出した簡易ネットワークデータ（ｂ）の全ての始点ノードＩＤ（ｄ３）について、ステップＳ６４０の処理を繰り返す。
　ステップＳ６４０では、ステップＳ６３０のループ処理で処理対象としている始点ノードＩＤ（ｄ３）を含む簡易ネットワークデータ（ｂ）を抽出し、（式１）で定義した効用関数の式に抽出したデータを設定することで効用関数を作成する。
　ステップＳ６５０では、全ての始点ノードＩＤについて処理を完了したか否かを判定し、処理を完了した場合はステップＳ６６０へ進む。全ての始点ノードＩＤについて処理を完了していない場合は、ステップＳ６３０へ戻る。
　ステップＳ６６０では、ステップＳ６４０で作成した効用関数を使って、尤度関数を作成する。尤度関数は、ステップＳ６１０のエリアＩＤの全組合せ毎に１つ作成される。仮想リンク「ｉｊ」のプローブカーの走行台数（ｂ５）を「ｎｉｊ」すると、始点ノードＩＤ「ｉ」の尤度関数Ｌｉは、（式２）のように主要交差点ノード「ｉ」に接続している全ての主要交差点ノード「ｊ」に関する和として表される。
　　Ｌｉ＝Σ（ｎｉｊ×ｌｏｇ（Ｐｉｊ））　　…（式２）
この「Ｐｉｊ」は、仮想リンク「ｉｊ」を選択する確率であり、（式１）における効用「Ｖｉｊ」を用いて（式３）のように求められる。
　　Ｐｉｊ＝ｅｘｐ（Ｖｉｊ）／Σｅｘｐ（Ｖｉｊ）　　…（式３）
ここでｅｘｐ（）は指数関数を表している。
　さらにエリアＩＤの組合せ毎の尤度関数「Ｌｏｄ」は、出発地と目的地間の主要交差点ノード「ｉ」の尤度の全ての和を求めた（式４）のように表される。
　　Ｌｏｄ＝ΣＬｉ　　…（式４）
　ステップＳ６７０では、ステップＳ６６０で作成した尤度関数Ｌｏｄが最大になるように（式１）のパラメータ「θｔｉｊ」と「θｌｉｊ」を推定する。この時の推定方法は、既存の最尤推定法を利用する。次に、最尤推定によって求められたパラメータは、記憶装置１２０の選択モデルデータ（ｃ）のステップＳ６１０のエリアＩＤの組合せに該当する箇所に格納される。具体的には、旅行時間のパラメータ「θｔｉｊ」を記憶装置１２０の選択モデルデータ（ｃ）の時間パラメータ（ｃ７）、距離のパラメータを「θｌｉｊ」を記憶装置１２０の選択モデルデータ（ｃ）の距離パラメータ（ｃ８）に格納する。
　また推定したパラメータの信頼度を求める。この信頼度は、最尤推定法により算出される統計的な信頼を表すｔ値でもよいし、パラメータを推定する際に使用したプローブカーの台数（Ｎｉ＝Σｎｉｊ）でもよい。計算した信頼度は、記憶装置１２０の選択モデルデータ（ｃ）の個別信頼度（ｃ６）へ格納する。
　ステップＳ６８０では、記憶装置１２０のＯＤデータ（ｄ）に記憶されているエリアＩＤの全組合せについて処理を完了したか否かを判定し、処理を完了した場合はステップＳ６９０へ進む。エリアＩＤの全組合せについて処理を完了していない場合は、ステップＳ６１０へ戻る。
　ステップＳ６９０では、エリアＩＤの組合せに依存しないパラメータを推定する。具体的には、エリアＩＤの組合せ毎の尤度関数「Ｌｏｄ」の総和が最大になるように、既存の最尤推定法を使ってパラメータを推定することで、エリアＩＤの組合せ毎に求めたパラメータではない共通の尤度に基づくパラメータを求める。推定したパラメータは、共通パラメータ（ｃ１）に格納する。また同様にこのパラメータの信頼度を個別信頼度の場合と同様にして求め、共有信頼度（ｃ２）に格納する。
　これにより、出発地と目的地の組合せ毎にパラメータを求めることで、地域差を反映したパラメータを求めることができるため、経路選択モデルの精度が上がる。その一方で、このようなパラメータの推定には多くのプローブデータが必要になることから、プローブデータのサンプル数が少ない場合は、エリアＩＤの組合せ毎の尤度関数「Ｌｏｄ」の総和が最大になるように全てのプローブデータを使ってエリアＩＤの組合せに依存しないパラメータを求め、精度の低下を防いでいる。
　次に、入力装置１５０の詳細を説明する。入力装置１５０には、交通量推定対象のＯＤ交通量情報、イベント情報が入力される。入力は、ユーザー又は外部サーバーから行われる。入力装置１５０に入力されるＯＤ交通量情報のデータフォーマットを図７に示す。ＯＤ交通量情報は、出発地と目的地の情報として、出発地を特定するエリアＩＤである出発エリアＩＤ（７１）、目的地を特定するエリアＩＤである目的エリアＩＤ（７２）、また出発地から目的地まで移動する交通量（７３）で構成される。
　入力装置１５０から入力されるイベント情報のデータフォーマットを図８に示す。イベント情報は、イベントを識別するイベント名称（８１）、イベントの発生位置（８２）、イベント発生後の影響（８３）で構成される。イベント名称（８１）としては、例えば「工事」がある。イベントの発生位置（８２）とは、イベントが発生するノードＩＤや道路を特定する始点ノードＩＤと終点ノードＩＤが記載されている。イベントが複数のノードにまたがる場合は、複数のノードＩＤが記載されている。イベントの発生後の影響（８３）とは、イベントが発生した時の、そのイベント発生位置の交通状況の変化を表している。例えば、工事をした時、その工事対象道路では、通過時間は２倍になるとする。このとき、イベント情報のイベント名称（８１）には「工事」が、イベントの発生位置（８２）には始点ノードＩＤと終点ノードＩＤが、工事区間のイベント発生後の影響（８３）には、「通過時間２倍」が記載される。また、道路通過時に課金するロードプライシングを実行する場合は、イベントの名称（８１）として「ロードプライシング」、イベントの発生位置（８２）には、ロードプライシング対象道路の始点ノードＩＤと終点ノードＩＤ、イベント発生後の影響（８３）は「課金１０００円」といったデータがイベント情報として入力される。
　次に、交通量予測装置１６０の詳細を説明する。交通量予測装置１６０は、記憶装置１２０の簡易ネットワークデータ（ｂ）と選択モデルデータ（ｃ）、入力装置１５０を介して入力されるＯＤ交通量情報、イベント情報を使って、イベント発生後の道路の交通量を予測する。交通量予測装置１６０の処理フローを図９に従って説明する。交通量予測装置１６０は、入力装置１５０から入力されたＯＤ交通量情報とイベント情報に基づき処理を行う。
　まずステップＳ９１０では、入力装置１５０からのＯＤ交通量情報における出発エリアＩＤ（７１）、目的エリアＩＤ（７２）の組合せに対応する簡易ネットワークデータ（ｂ）を記憶装置１２０から取得する。ステップＳ９２０では、入力装置１５０からのＯＤ交通量情報における出発エリアＩＤ（７１）、目的エリアＩＤ（７２）の組合せに対応する選択モデルデータ（ｃ）のパラメータを記憶装置１２０から取得する。この時出発エリアＩＤ（ｃ３）と目的エリアＩＤ（ｃ４）毎の個別パラメータ（ｃ５）を取得する。しかし、個別パラメータ（ｃ５）の個別信頼度（ｃ６）が予め設定した閾値よりも低い場合は、共通パラメータ（ｃ１）を取得する。
　ステップＳ９３０では、入力装置１５０からのイベント情報を使って、ステップＳ９１０で取得した簡易ネットワークデータ（ｂ）で表現される簡易ネットワークに含まれる主要交差点ノード毎に、主要交差点ノードに接続している仮想リンクの選択確率を計算する。前述の例のようにイベント情報が「工事」であり、イベントの発生位置が始点ノードＩＤ「００１」から終点ノードＩＤ「００２」までの道路で、このイベントが発生した結果、始点ノードＩＤ「００１」から終点ノードＩＤ「００２」までの所要時間が２倍になるとする。ここで抽出した簡易ネットワークデータ（ｂ）のノードリスト（ｂ８）に始点ノードＩＤ「００１」と終点ノードＩＤ「００２」の両方を含む仮想リンクを検索する。イベントの位置を含む仮想リンクがない場合は、イベント情報の影響である所要時間２倍の影響を反映せずに、各仮想リンクの選択確率を計算する。
　またノードリスト（ｂ８）にイベントの発生位置を含むような仮想リンクがある場合は、イベント情報の影響である所要時間２倍の影響を反映して、各選択確率を計算する。具体的には、まず（式１）で各仮想リンクの効用を計算する。このとき、仮想リンクがノードリスト（ｂ８）にイベントの発生位置を含む場合は、旅行時間「Ｔｉｊ」を２倍にすることで、イベントによる影響を反映する。その後、各仮想リンクについて求めた効用から（式３）を使って、出発地と目的地間の簡易ネットワークデータの全ての仮想リンクについて、各仮想リンクの選択確率を計算する。
　ステップＳ９４０では、入力装置１５０からのＯＤ交通量情報で設定された交通量（７３）について、ステップＳ９５０からステップＳ９６０までの処理を繰り返すループ処理が開始される。例えば、交通量が１００台の場合、ステップＳ９５０からステップＳ９６０までの処理を１００回繰り返す。この処理は、交通量分の車両を簡易ネットワーク上に走らせるシミュレーションを行って、仮想リンク毎に交通量を求める。この車両の走行シミュレーションは、ステップＳ９３０で求めた選択確率に従って仮想リンクを選択しながら走行するものとする。
　ステップＳ９５０では、ステップＳ９４０で走行をシミュレーションする車両が目的地エリアに到着したか否かを判定する。目的地エリアに到着した場合（Ｓ９５０：Ｙｅｓ）、処理対象の車両は出発地エリアから目的地エリアに到着したとみなし、ステップＳ９７０へ進む。
　目的地エリアに到着していない場合（Ｓ９５０：Ｎｏ）、ステップＳ９６０へ進む。
　ステップＳ９６０では、車両が現在到達している簡易ネットワークの主要交差点ノードに接続している仮想リンクを抽出し、ステップＳ９３０で求めた選択確率を使って、車両が進行する仮想リンクを選択する。仮想リンクは、選択確率に従ってランダムに選択するものとする。そしてシミュレーションしている車両の位置を選択した仮想リンクの終点の主要交差点ノードに進ませる。この時仮想リンク毎に走行した車両台数を一時記憶装置に記憶しておく。
　ステップＳ９７０では、設定されたＯＤ間の交通量分の処理を完了したか否かを判定し、処理を完了した場合はステップＳ９７０へ進む。ＯＤ交通量分の処理を完了していない場合は、ステップＳ９４０へ戻る。
　ステップＳ９８０では、ステップＳ９６０で一時記憶装置に記憶しておいた簡易ネットワークの各仮想リンクの交通量の情報を取得し、出力装置１７０へ提供する。また仮想リンクの交通量を仮想リンクに対応する実際の道路リンクの交通量に変換する。具体的には、記憶装置１２０の簡易ネットワークデータ（ｂ）のノードリスト（ｂ８）を使って、仮想リンクの交通量をそのまま対応する道路リンクに変換する。ただし、仮想リンクとその間の道路リンク列が１対１に対応しない場合には、仮想リンクに対応する複数の道路リンク列の走行頻度を記憶しておき、その走行頻度の重み付け平均で各道路リンク列に交通量を割り当てる。変換後、道路リンク単位の交通量の情報を出力装置１７０へ出力する。
　次に、出力装置１７０の詳細を説明する。入力装置１７０には、交通量予測装置１６０から入力される仮想リンク単位の交通量と道路リンク単位の交通量を外部サーバーや車載端末に送信する。仮想リンク単位の交通量のデータフォーマットを図１０に示す。仮想リンク交通量は、出発地を識別するエリアＩＤである出発エリアＩＤ（１０１）と目的地を識別するエリアＩＤの目的エリアＩＤ（１０２）と仮想リンク毎の交通量で構成される。仮想リンク毎の交通量は、仮想リンクの始点主要交差点ノードＩＤ（１０３）と終点主要交差点ノードＩＤ（１０４）とその仮想リンクの交通量（１０５）で構成される。
　道路リンク単位の交通量のデータフォーマットを図１１に示す。道路リンク交通量は、出発エリアＩＤ（１１１）と目的エリアＩＤ（１１２）と道路リンク毎の交通量で構成される。道路リンク毎の交通量は、始点ノードＩＤ（１１３）と終点ノードＩＤ（１１４）と道路リンクの交通量（１１５）で構成される。
　以上で説明した各実施の形態によれば、次の作用効果を奏する。
　本発明の交通需要予測システムは、プローブカーの走行履歴上で主要交差点を求め、この主要交差点を結ぶ簡易ネットワークを作り、各主要交差点における選択確率を効用から求め、この簡易ネットワークの上の主要交差点間のネットワークを選択確率に応じて組合せ、選択確率に応じて、簡易ネットワークのリンクに交通量を分配することができるため、プローブデータ上では実際に連続した走行実績のない経路の交通量でも予測できる。
　１００　　交通需要予測システム
　１１０　　受信装置
　１２０　　記憶装置
　１３０　　簡易ネットワーク作成装置
　１４０　　モデル作成装置
　１５０　　入力装置
　１６０　　交通量予測装置
　１７０　　出力装置

Claims (8)

  1. 　予め収集した車両の走行軌跡データを使って地点間の交通量を予測する交通量予測装置であって、
    　走行軌跡データにおける走行経路上の交差点の内、走行軌跡の通過数に対する最大分岐数の割合に基づいて主要交差点を抽出して各主要交差点を結んだ簡易ネットワークを作るネットワーク作成装置と、
    　前記主要交差点間の特性値からこの主要交差点間の経路の効用を求め、前記効用を使って各主要交差点における選択確率を評価する経路選択モデルのパラメータを推定するモデル作成装置と、
    　推定された経路選択モデルのパラメータを用いて、主要交差点間の経路を選択する選択確率を求め、この選択確率に応じて交通需要を予測する際の交通量を経路に配分する交通量配分装置を、備えることを特徴とする交通量予測装置。
  2. 前記モデル作成装置は、前記簡易ネットワーク上の主要交差点とこれに接続する複数の主要交差点間の経路の特性値として、走行軌跡データから求めた前記主要交差点間の走行時間または走行距離の少なくとも１つを用いることを特徴とする請求項１に記載の交通量予測装置。
  3. 前記交通量配分装置は、出発地から目的地までの想定される交通量分の車両を、前記簡易ネットワーク上に主要交差点の選択確率に従ってランダムに走行させるシミュレーションを行い、主要交差点間を走行した車両台数を当該主要交差点間又は道路間の予測交通量とすることを特徴とする請求項１に記載の交通量予測装置。
  4. 前記交通量予測装置は、イベントの発生場所と前記発生場所の交通への影響を含む情報を取得し、
    前記交通量配分装置は、複数の主要交差点間の内、前記イベントの発生場所を通過する経路に対応する主要交差点間について、前記交通への影響を前記効用関数に適用して複数の主要交差点間の選択確率を更新し、当該更新された選択確率を用いて交通量を配分することを特徴とする請求項３に記載の交通量予測装置。
  5. 　記憶装置に予め収集した車両の走行軌跡データを使って地点間の交通量を予測する交通量予測方法であって、
    　前記走行軌跡データから、走行軌跡データにおける走行経路上の交差点の内、走行軌跡の通過数に対する最大分岐数の割合に基づいて主要交差点を抽出し、各主要交差点を結んだ簡易ネットワークを作るネットワーク作成処理と、
    　前記前記走行軌跡データに基づく前記主要交差点間の特性値から当該主要交差点間の経路の効用を求め、前記効用を使って各主要交差点における選択確率を評価する経路選択モデルのパラメータを推定するモデル作成処理と、
    　モデル作成処理により推定された経路選択モデルのパラメータを用いて、主要交差点間の経路を選択する選択確率を求め、この選択確率に応じて交通需要を予測する際の交通量を経路に配分する交通量配分処理を、行うことを特徴とする交通量予測方法。
  6. 前記モデル作成処理は、前記簡易ネットワーク上の主要交差点とこれに接続する複数の主要交差点間の経路の特性値として、走行軌跡データから求めた前記主要交差点間の走行時間または走行距離の少なくとも１つを用いることを特徴とする請求項５に記載の交通量予測方法。
  7. 前記交通量配分処理は、出発地から目的地までの想定される交通量分の車両を、前記簡易ネットワーク上に主要交差点の選択確率に従ってランダムに走行させるシミュレーションを行い、主要交差点間を走行した車両台数を当該主要交差点間又は道路間の予測交通量とすることを特徴とする請求項５に記載の交通量予測方法。
  8. 前記交通量予測方法において、イベントの発生場所と前記発生場所の交通への影響を含む情報を取得し、
    前記交通量配分処理は、複数の主要交差点間の内、前記イベントの発生場所を通過する経路に対応する主要交差点間について、前記交通への影響を前記効用関数に適用して複数の主要交差点間の選択確率を更新し、当該更新された選択確率を用いて交通量を配分することを特徴とする請求項７に記載の交通量予測方法。
PCT/JP2012/070142 2012-08-08 2012-08-08 交通量予測装置および方法 Ceased WO2014024264A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US14/419,512 US9240124B2 (en) 2012-08-08 2012-08-08 Traffic-volume prediction device and method
JP2014529188A JP5941987B2 (ja) 2012-08-08 2012-08-08 交通量予測装置および方法
PCT/JP2012/070142 WO2014024264A1 (ja) 2012-08-08 2012-08-08 交通量予測装置および方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2012/070142 WO2014024264A1 (ja) 2012-08-08 2012-08-08 交通量予測装置および方法

Publications (1)

Publication Number Publication Date
WO2014024264A1 true WO2014024264A1 (ja) 2014-02-13

Family

ID=50067548

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/070142 Ceased WO2014024264A1 (ja) 2012-08-08 2012-08-08 交通量予測装置および方法

Country Status (3)

Country Link
US (1) US9240124B2 (ja)
JP (1) JP5941987B2 (ja)
WO (1) WO2014024264A1 (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105575113A (zh) * 2015-12-14 2016-05-11 清华大学 一种交通运行状态感知方法
CN108364463A (zh) * 2018-01-30 2018-08-03 重庆交通大学 一种交通流量的预测方法和系统
CN109615865A (zh) * 2019-01-10 2019-04-12 北京工业大学 一种基于od数据增量迭代式估计路段交通流量的方法
JP2020519989A (ja) * 2017-07-28 2020-07-02 ベイジン センスタイム テクノロジー デベロップメント カンパニー， リミテッド ターゲット識別方法、装置、記憶媒体および電子機器
JP2020112910A (ja) * 2019-01-09 2020-07-27 住友電気工業株式会社 移動トレンド検知システム、サーバコンピュータ、方法、及びコンピュータプログラム
JP2020123351A (ja) * 2019-01-30 2020-08-13 株式会社ストラドビジョンＳｔｒａｄｖｉｓｉｏｎ，Ｉｎｃ． 自律走行車両を学習、テスティング及び検証をするために仮想走行環境に対するドメイン適応された交通シナリオを生成するための方法及び装置
JP2023037534A (ja) * 2021-09-03 2023-03-15 国立大学法人神戸大学 処理装置、及び、交通ネットワークデータの製造方法
JP2023043006A (ja) * 2021-09-15 2023-03-28 株式会社デンソーテン 予測装置、予測方法及び予測プログラム
WO2024042691A1 (ja) * 2022-08-25 2024-02-29 日本電信電話株式会社 交通量推定装置、交通量推定方法および交通量推定プログラム
JP2024073144A (ja) * 2022-11-17 2024-05-29 三菱重工機械システム株式会社 交通管理装置、交通管理システム、および交通管理方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108137045B (zh) * 2015-10-16 2021-07-06 日立汽车系统株式会社 车辆控制系统、车辆控制装置
CN105741549B (zh) * 2016-04-18 2017-12-05 北京航空航天大学 一种基于空间copula理论的交通流量预测方法
US10401187B2 (en) * 2016-07-15 2019-09-03 Here Global B.V. Method, apparatus and computer program product for a navigation system user interface
US10209083B2 (en) * 2017-06-09 2019-02-19 Here Global B.V. Method and apparatus for providing node-based map matching
CN107862868B (zh) * 2017-11-09 2019-08-20 泰华智慧产业集团股份有限公司 一种基于大数据进行车辆轨迹预测的方法
CN110335466B (zh) * 2019-07-11 2021-01-26 青岛海信网络科技股份有限公司 交通流量预测方法和设备
US20210364305A1 (en) * 2020-05-19 2021-11-25 Gm Cruise Holdings Llc Routing autonomous vehicles based on lane-level performance
CN112634612B (zh) * 2020-12-15 2022-09-27 北京百度网讯科技有限公司 路口流量分析方法、装置、电子设备及存储介质
CN113240902B (zh) * 2021-03-25 2022-06-07 同济大学 一种基于抽样车辆轨迹数据的信控路网路径流量估计方法
CN113920722B (zh) * 2021-09-23 2023-04-14 摩拜(北京)信息技术有限公司 路口通行状态获取方法、装置、电子设备及存储介质
CN114495492B (zh) * 2021-12-31 2023-05-23 中国科学院软件研究所 一种基于图神经网络的交通流预测方法
CN114626247B (zh) * 2022-03-28 2024-05-24 中铁第六勘察设计院集团有限公司 一种可验证的基于极大似然法的旅游交通od预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003272083A (ja) * 2002-03-15 2003-09-26 Natl Inst For Land & Infrastructure Management Mlit Ｏｄ交通量修正システム
JP2007128121A (ja) * 2005-11-01 2007-05-24 Tadataka Iida ゾーン別発生・集中交通量とｏｄ交通量の高精度推定方法
JP2007187514A (ja) * 2006-01-12 2007-07-26 Honda Motor Co Ltd ナビサーバおよびナビ装置
JP2010191890A (ja) * 2009-02-20 2010-09-02 Tadataka Iida セントロイドを用いた大ゾーン間ｏｄ交通量逆推定方法及びプログラム

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4497748B2 (ja) * 2001-04-27 2010-07-07 パイオニア株式会社 ナビゲーション装置、ナビゲーションシステム用のサーバ装置、目的地推定処理プログラムおよび目的地推定処理プログラムを記録した記録媒体
EP2275962A1 (en) * 2001-06-22 2011-01-19 Caliper Corporation Traffic data management and simulation system
CN1330937C (zh) * 2001-08-06 2007-08-08 松下电器产业株式会社 信息提供方法
US7221287B2 (en) * 2002-03-05 2007-05-22 Triangle Software Llc Three-dimensional traffic report
US7565155B2 (en) * 2002-04-10 2009-07-21 Networks In Motion Method and system for dynamic estimation and predictive route generation
AU2003259357B2 (en) * 2002-08-29 2009-08-13 Inrix Uk Limited Apparatus and method for providing traffic information
US7233861B2 (en) * 2003-12-08 2007-06-19 General Motors Corporation Prediction of vehicle operator destinations
JP4211706B2 (ja) * 2004-07-28 2009-01-21 株式会社日立製作所 交通情報提供装置
GB0420095D0 (en) * 2004-09-10 2004-10-13 Cotares Ltd Apparatus for and method of predicting a future behaviour of an object
JP4175312B2 (ja) * 2004-09-17 2008-11-05 株式会社日立製作所 交通情報予測装置
US7835859B2 (en) * 2004-10-29 2010-11-16 Aol Inc. Determining a route to a destination based on partially completed route
US7831384B2 (en) * 2004-10-29 2010-11-09 Aol Inc. Determining a route to destination based on partially completed route
DE102005041066A1 (de) * 2005-08-30 2007-03-15 Siemens Ag Verfahren und Vorrichtung zur automatischen Generierung von Verkehrsmanagement-Strategien
JP4606333B2 (ja) * 2005-09-20 2011-01-05 富士通株式会社 ルーティング制御方法
US20070150174A1 (en) * 2005-12-08 2007-06-28 Seymour Shafer B Predictive navigation
US8700296B2 (en) * 2006-03-03 2014-04-15 Inrix, Inc. Dynamic prediction of road traffic conditions
US7813870B2 (en) * 2006-03-03 2010-10-12 Inrix, Inc. Dynamic time series prediction of future traffic conditions
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US8126641B2 (en) * 2006-06-30 2012-02-28 Microsoft Corporation Route planning with contingencies
US7908076B2 (en) * 2006-08-18 2011-03-15 Inrix, Inc. Representative road traffic flow information based on historical data
WO2008041480A1 (en) * 2006-09-28 2008-04-10 Panasonic Corporation Device and method for predicting destination
JP5159115B2 (ja) 2007-01-30 2013-03-06 キヤノン株式会社 画像処理装置及び画像処理方法
WO2008136193A1 (ja) * 2007-05-02 2008-11-13 Panasonic Corporation 移動先予測装置、移動先予測方法及びナビゲーション装置
US20090088965A1 (en) * 2007-10-02 2009-04-02 International Business Machines Corporation Enhancement for navigation systems for using weather information when predicting a quickest travel path
US20090105940A1 (en) * 2007-10-23 2009-04-23 Destinator Technologies, Inc. Route calculation based on traffic events
WO2010048146A1 (en) * 2008-10-20 2010-04-29 Carnegie Mellon University System, method and device for predicting navigational decision-making behavior
US8200425B2 (en) * 2008-12-31 2012-06-12 Sap Ag Route prediction using network history
US8392116B2 (en) * 2010-03-24 2013-03-05 Sap Ag Navigation device and method for predicting the destination of a trip
US20120179363A1 (en) * 2011-01-06 2012-07-12 Toyota Motor Engineering & Manufacturing North America, Inc. Route calculation and guidance with consideration of safety
US8412445B2 (en) * 2011-02-18 2013-04-02 Honda Motor Co., Ltd Predictive routing system and method
US20130103300A1 (en) * 2011-10-25 2013-04-25 Nokia Corporation Method and apparatus for predicting a travel time and destination before traveling
US9111443B2 (en) * 2011-11-29 2015-08-18 International Business Machines Corporation Heavy vehicle traffic flow optimization
US8688290B2 (en) * 2011-12-27 2014-04-01 Toyota Motor Enginerring & Manufacturing North America, Inc. Predictive destination entry for a navigation system
ITTO20111243A1 (it) * 2011-12-30 2013-07-01 Magneti Marelli Spa Sistema e procedimento per la stima del percorso stradale piu'probabile per un veicolo in marcia
US8768616B2 (en) * 2012-01-09 2014-07-01 Ford Global Technologies, Llc Adaptive method for trip prediction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003272083A (ja) * 2002-03-15 2003-09-26 Natl Inst For Land & Infrastructure Management Mlit Ｏｄ交通量修正システム
JP2007128121A (ja) * 2005-11-01 2007-05-24 Tadataka Iida ゾーン別発生・集中交通量とｏｄ交通量の高精度推定方法
JP2007187514A (ja) * 2006-01-12 2007-07-26 Honda Motor Co Ltd ナビサーバおよびナビ装置
JP2010191890A (ja) * 2009-02-20 2010-09-02 Tadataka Iida セントロイドを用いた大ゾーン間ｏｄ交通量逆推定方法及びプログラム

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105575113A (zh) * 2015-12-14 2016-05-11 清华大学 一种交通运行状态感知方法
US11200682B2 (en) 2017-07-28 2021-12-14 Beijing Sensetime Technology Development Co., Ltd. Target recognition method and apparatus, storage medium, and electronic device
JP2020519989A (ja) * 2017-07-28 2020-07-02 ベイジン センスタイム テクノロジー デベロップメント カンパニー， リミテッド ターゲット識別方法、装置、記憶媒体および電子機器
CN108364463A (zh) * 2018-01-30 2018-08-03 重庆交通大学 一种交通流量的预测方法和系统
JP2020112910A (ja) * 2019-01-09 2020-07-27 住友電気工業株式会社 移動トレンド検知システム、サーバコンピュータ、方法、及びコンピュータプログラム
JP7275582B2 (ja) 2019-01-09 2023-05-18 住友電気工業株式会社 移動トレンド検知システム、サーバコンピュータ、方法、及びコンピュータプログラム
CN109615865A (zh) * 2019-01-10 2019-04-12 北京工业大学 一种基于od数据增量迭代式估计路段交通流量的方法
JP2020123351A (ja) * 2019-01-30 2020-08-13 株式会社ストラドビジョンＳｔｒａｄｖｉｓｉｏｎ，Ｉｎｃ． 自律走行車両を学習、テスティング及び検証をするために仮想走行環境に対するドメイン適応された交通シナリオを生成するための方法及び装置
JP2023037534A (ja) * 2021-09-03 2023-03-15 国立大学法人神戸大学 処理装置、及び、交通ネットワークデータの製造方法
JP2023043006A (ja) * 2021-09-15 2023-03-28 株式会社デンソーテン 予測装置、予測方法及び予測プログラム
JP7795314B2 (ja) 2021-09-15 2026-01-07 株式会社デンソーテン 予測装置、予測方法及び予測プログラム
WO2024042691A1 (ja) * 2022-08-25 2024-02-29 日本電信電話株式会社 交通量推定装置、交通量推定方法および交通量推定プログラム
JP2024073144A (ja) * 2022-11-17 2024-05-29 三菱重工機械システム株式会社 交通管理装置、交通管理システム、および交通管理方法
JP7814288B2 (ja) 2022-11-17 2026-02-16 三菱重工機械システム株式会社 交通管理装置、交通管理システム、および交通管理方法

Also Published As

Publication number Publication date
JP5941987B2 (ja) 2016-06-29
JPWO2014024264A1 (ja) 2016-07-21
US20150179064A1 (en) 2015-06-25
US9240124B2 (en) 2016-01-19

Similar Documents

Publication Publication Date Title
JP5941987B2 (ja) 交通量予測装置および方法
Dandl et al. Microsimulation of an autonomous taxi-system in Munich
WO2022222632A1 (zh) 交通仿真方法、装置、计算机设备和存储介质
JP5615312B2 (ja) 渋滞予測方法及び渋滞予測装置
Smith et al. A SUMO based evaluation of road incidents' impact on traffic congestion level in smart cities
CN114413923B (zh) 一种行驶路线推荐方法、装置、存储介质及系统
CN104197948A (zh) 一种基于交通信息预测的导航系统及导航方法
JP2014115877A (ja) 渋滞予測装置、渋滞予測システム、渋滞予測方法、及び、プログラム
KR20130005035A (ko) 클라우드 컴퓨팅 방식의 네비게이션 시스템 및 그 운용방법
JP2019028526A (ja) 混雑予測装置
WO2014203391A1 (ja) 交通行動推定システム、交通システム
RU2664034C1 (ru) Способ и система создания информации о трафике, которая будет использована в картографическом приложении, выполняемом на электронном устройстве
KR101728447B1 (ko) 차량의 예측 교통량을 이용한 차량경로 탐색 장치 및 그 방법
JP5768526B2 (ja) 渋滞予測装置および渋滞予測データ
JP4506663B2 (ja) 交通状況予測装置、方法及びプログラム、経路探索システム並びに交通状況提供システム
Estrada et al. Experimental evaluation of real-time information services in transit systems from the perspective of users
Hou et al. Towards efficient vacant taxis cruising guidance
JP5459837B2 (ja) 緊急車両支援装置、緊急車両支援システム及び緊急車両支援方法
CN111854777A (zh) 导航路线行驶时间的更新方法、导航方法、系统及车辆
CN111862657B (zh) 一种确定路况信息的方法及装置
Sharmeen et al. Developing a generic methodology for traffic impact assessment of a mixed land use in Dhaka city
Tsai et al. An IoT based parking recommendation system considering distance and parking lot flow
Herbert et al. Route guidance: State of the art vs. state of the practice
CN103021166B (zh) 交通气象信息处理的方法和装置
Sharma et al. Capacity analysis of Bhopal BRTS using empirical and simulation model

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: 12882580

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2014529188

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 14419512

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12882580

Country of ref document: EP

Kind code of ref document: A1