WO2014091982A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2014091982A1
WO2014091982A1 PCT/JP2013/082574 JP2013082574W WO2014091982A1 WO 2014091982 A1 WO2014091982 A1 WO 2014091982A1 JP 2013082574 W JP2013082574 W JP 2013082574W WO 2014091982 A1 WO2014091982 A1 WO 2014091982A1
Authority
WO
WIPO (PCT)
Prior art keywords
edge
probe
vehicle
speed
traffic jam
Prior art date
Application number
PCT/JP2013/082574
Other languages
English (en)
French (fr)
Inventor
力 米森
Original Assignee
株式会社エヌ・ティ・ティ・データ
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 株式会社エヌ・ティ・ティ・データ filed Critical 株式会社エヌ・ティ・ティ・データ
Priority to CN201380042158.9A priority Critical patent/CN104520912B/zh
Publication of WO2014091982A1 publication Critical patent/WO2014091982A1/ja
Priority to IN1587DEN2015 priority patent/IN2015DN01587A/en

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
    • G08G1/0108—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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G09B29/006—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes
    • G09B29/007—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes using computer methods
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/10—Map spot or coordinate position indicators; Map reading aids

Definitions

  • the present invention relates to a traffic jam prediction device, a traffic jam prediction system, a traffic jam prediction method, and a program.
  • Traffic jam prediction information is used as information for traffic congestion avoidance on the driver side, and as information for city planning and traffic system control on the road manager side.
  • VICS Vehicle Information and Communication System
  • Patent Document 1 is a technology that generates a traffic jam prediction model based on statistical information such as past traffic jams, and predicts traffic jam based on the model.
  • the technique proposed in Patent Document 2 calculates the traffic volume from the starting point to the arrival point of the vehicle (hereinafter referred to as OD traffic volume), and predicts the traffic jam by the traffic jam prediction simulation based on the calculated OD traffic volume.
  • Patent Document 1 and Patent Document 2 require information from sensors installed on the road in order to predict traffic congestion on the road. Therefore, traffic congestion cannot be predicted for roads where sensors are not installed. That is, the road where the sensor is installed is only about a few percent of the total road extension distance in Japan, and traffic congestion cannot be predicted on most roads.
  • the present invention has been made to solve the above-described problem, and is a traffic jam prediction device, a traffic jam prediction system, a traffic jam prediction method, and a program capable of predicting a traffic jam on a road using only probe information.
  • the purpose is to provide.
  • a traffic jam prediction apparatus includes: Receiving means for receiving probe information including date and time, and position information and traveling direction of the probe vehicle at the date and time;
  • Map data storage means for storing map data indicating a road network including a node corresponding to an intersection on the map and an edge corresponding to a road section sandwiched between two adjacent nodes;
  • a speed function storage means for storing a speed function indicating a relationship between the number of probe vehicles traveling on the edge and an average speed according to the number;
  • Edge identifying means for identifying an edge on which the probe vehicle travels based on the probe information received by the receiving means and the map data stored in the map data storage means;
  • Travel prediction means for predicting an edge on which the probe vehicle travels after a lapse of a predetermined time based on the edge traveled by the probe vehicle identified by the edge identifying means and the speed function; Based on the speed function, the average speed of the probe vehicle after the predetermined time elapses is obtained for each edge, and after the pre
  • agent vehicle number calculating means for obtaining the number of agent vehicles to be introduced based on an expansion speed function that is the speed function using a preset expansion coefficient in order to determine the number of agent vehicles that are virtual vehicles.
  • Agent vehicle introduction means for introducing agent vehicles corresponding to the number of introductions obtained by the agent vehicle number calculation means to an arbitrary edge; Further comprising The travel prediction means predicts an edge on which the agent vehicle travels after a predetermined time elapses based on the edge traveled by the agent vehicle introduced by the agent vehicle introduction means and the extended speed function, The traffic congestion degree estimating means obtains the average speed of the agent vehicle after the predetermined time elapses for each edge based on the extended speed function, and calculates the average speed of the agent vehicle for each obtained edge and the legal speed of the edge Based on the above, the congestion degree after the predetermined time has passed is estimated for each edge, You may do it.
  • the apparatus further comprises a traffic volume fluctuation storage means for storing traffic volume fluctuation information indicating the traffic volume fluctuation over time at the edge for each edge,
  • the agent vehicle introduction means increases or decreases the number of agent vehicles introduced to the edge with the passage of time so as to reproduce the traffic fluctuation. You may do it.
  • the node corresponding to the intersection is associated with a branching rate indicating which edge the vehicle that has entered the node proceeds to among the edges connected to the node.
  • the travel prediction means identifies the edge that is the destination of the vehicle that has entered the node based on the branching rate, and performs the prediction. You may do it.
  • a traffic jam prediction system provides: A traffic jam prediction device according to a first aspect of the present invention; A terminal device mounted on the probe vehicle; A traffic jam prediction system with The terminal device Position detecting means for detecting a current position of the probe vehicle; Probe vehicle information detection means for detecting a traveling direction and a traveling speed at the current position of the probe vehicle; Probing information including position information for identifying the current position of the detected probe vehicle, a traveling direction and a traveling speed of the probe vehicle at the detected current position, and a date and time when the current position is detected is generated. Probe information generating means; Communication means for transmitting the probe information generated by the probe information generation means to the traffic jam prediction device; Comprising It is characterized by that.
  • the traffic jam prediction method includes: A receiving step for receiving probe information including date and time, and position information and traveling direction of the probe vehicle at the date and time; A probe vehicle based on map data indicating a road network including a node corresponding to an intersection on a map and an edge corresponding to a road section sandwiched between two adjacent nodes, and the received probe information An edge identification step for identifying an edge on which the vehicle travels; Based on the edge traveled by the probe vehicle identified in the edge identifying step, and the speed function indicating the relationship between the number of probe vehicles traveling the edge and the average speed corresponding to the number, the probe vehicle is A travel prediction step for predicting an edge that travels after a lapse of time; Based on the speed function, the average speed of the probe vehicle after the predetermined time elapses is obtained for each edge, and after the predetermined time elapses based on the obtained average speed of the probe vehicle for each edge and the legal speed of the edge A congestion degree estimation step for estimating
  • a program provides: Computer Receiving means for receiving probe information including date and time, and position information and traveling direction of the probe vehicle at the date and time;
  • Map data storage means for storing map data indicating a road network including a node corresponding to an intersection on the map and an edge corresponding to a road section sandwiched between two adjacent nodes;
  • a speed function storage means for storing a speed function indicating a relationship between the number of probe vehicles traveling on the edge and an average speed according to the number of the probe vehicles;
  • An edge specifying means for specifying an edge on which the probe vehicle travels based on the probe information received by the receiving means and the map data stored in the map data storage means;
  • Travel predicting means for predicting an edge on which the probe vehicle travels after a predetermined time elapses based on the edge traveled by the probe vehicle identified by the edge identifying means and the speed function; Based on the speed function, the average speed of the probe vehicle after the predetermined time elapses is obtained for each edge, and
  • FIG. 2 is a functional block diagram illustrating a configuration of a terminal device in the first embodiment. It is a functional block diagram which shows the structure of the traffic congestion prediction apparatus in Embodiment 1. It is a functional block diagram which shows the structure of the memory
  • FIG. It is a figure which shows the example of the prediction driving
  • FIG. It is a figure for demonstrating the map data in Embodiment 1.
  • FIG. It is a figure which shows the example of the edge attribute information table in Embodiment 1.
  • FIG. It is a figure which shows the example of the 1st node attribute information table in Embodiment 1.
  • FIG. It is a figure which shows the example of the 2nd node attribute information table in Embodiment 1.
  • FIG. It is a figure which shows the example of the 2nd node attribute information table in Embodiment 1.
  • FIG. It is the figure which represented the speed function in Embodiment 1 on the coordinate. It is a figure which shows the example of the parameter table in Embodiment 1.
  • FIG. It is a figure which shows the example of the prediction driving
  • FIG. It is a figure for demonstrating the map data in Embodiment 1.
  • FIG. 6 is a diagram for explaining a method of estimating parameters ⁇ and ⁇ in Embodiment 1.
  • FIG. 6 is a diagram for explaining a method of estimating parameters ⁇ and ⁇ in Embodiment 1.
  • FIG. 6 is a figure which shows the example of the traffic volume change according to weekday / holiday in Embodiment 1.
  • FIG. It is a figure for demonstrating the process of the agent vehicle derivation
  • FIG. FIG. 6 is a diagram for explaining processing of a simulation execution unit in the first embodiment.
  • FIG. It is a figure which shows the flowchart of the probe information transmission process in a terminal device in Embodiment 1.
  • FIG. It is a figure which shows the flowchart of the traffic jam prediction process in the traffic jam prediction apparatus in Embodiment 1.
  • FIG. It is a figure which shows the correspondence of legal speed and the number of probe samples.
  • the traffic jam prediction system 1 includes a terminal device 100 and a traffic jam prediction device 200 which are respectively mounted on a plurality of probe vehicles P. Each terminal device 100 and the traffic jam prediction device 200 are connected to be communicable with each other via a network NW such as the Internet.
  • NW such as the Internet
  • FIG. 2 is a functional block diagram illustrating an example of the configuration of the terminal device 100.
  • the terminal device 100 includes a storage unit 101, a position detection unit 102, a vehicle information detection unit 103, a probe information generation unit 104, a communication unit 105, and a control unit 106.
  • the terminal device 100 performs a process of detecting the current position of the probe vehicle P and transmitting probe information D1 including position information indicating the detected current position to the traffic jam prediction apparatus 200.
  • the terminal device 100 may be an in-vehicle terminal such as a car navigation system having a position detection function such as GPS (Global Positioning System).
  • the terminal device 100 may be a general-purpose terminal device having a position detection function, for example, a smartphone, a mobile phone, a PC (Personal Computer), or the like.
  • the terminal device 100 may be configured by a combination of an in-vehicle device and a general-purpose terminal device.
  • the storage unit 101 includes a ROM (Read Only Memory), a RAM (Random Access Memory), a nonvolatile memory, and the like.
  • the storage unit 101 functions as a working area of a CPU (Central Processing Unit) included in the control unit 106, a program area that stores various programs such as operation programs executed by the CPU, a data area that stores various data, and the like.
  • a CPU Central Processing Unit
  • the position detection unit 102 is composed of, for example, a GPS module and detects the current position of the probe vehicle P. Specifically, the position detection unit 102 detects the absolute current position (for example, latitude and longitude) of the probe vehicle P based on the GPS signal received by the GPS antenna of the GPS module.
  • the vehicle information detection unit 103 includes various sensors such as a gyro sensor and a vehicle speed sensor.
  • the gyro sensor detects the angular velocity of the probe vehicle P under the control of the control unit 106. Then, the gyro sensor calculates the amount of change in the traveling direction that is the direction of the traveling direction of the probe vehicle P. Further, the vehicle speed sensor calculates a speed of the probe vehicle P by detecting a pulse signal (vehicle speed signal) output according to the rotation of the wheel under the control of the control unit 106.
  • a pulse signal vehicle speed signal
  • the probe information generation unit 104 generates probe information D1 including the date and time, the current position and speed of the probe vehicle P, the traveling direction, and the vehicle ID of the probe vehicle.
  • the probe information generation unit 104 transmits the generated probe information D1 to the traffic jam prediction device 200 via the communication unit 105.
  • the vehicle ID is used by the traffic jam prediction device 200 to identify the probe vehicle.
  • the communication unit 105 transmits and receives various data such as the probe information D1 to and from the traffic jam prediction device 200.
  • the control unit 106 includes, for example, a CPU.
  • the control unit 106 functions as the determination unit 106a illustrated in FIG. 2 by executing the operation program stored in the program area using the RAM of the storage unit 101 as a work memory.
  • the control unit 106 controls each functional unit of the terminal device 100 and executes processing such as probe information transmission processing.
  • the determination unit 106a determines whether or not a detection timing for detecting the current position, traveling direction, and speed of the probe vehicle P has arrived.
  • the detection timing may be a fixed period, an instruction from a traffic jam prediction device, a traffic jam, or the like.
  • the terminal device 100 of the probe vehicle P is configured to periodically acquire the current position of the probe vehicle P at the same timing.
  • the traffic jam prediction apparatus 200 includes a communication unit 201, a storage unit 202, and a control unit 203, as shown in FIG.
  • the traffic jam prediction device 200 predicts traffic jam based on the probe information D1 transmitted from the terminal device 100 mounted on each probe vehicle P.
  • the communication unit 201 transmits / receives various data including the probe information D1 to / from each terminal device 100 connected via the network NW.
  • the storage unit 202 includes a ROM, a RAM, a nonvolatile memory, and the like.
  • the storage unit 202 functions as each of the storage units 202a to 202f shown in FIG.
  • the traveling history storage unit 202a accumulates a traveling history Tb1 that is generated based on the probe information D1 of each probe vehicle P that is periodically transmitted from the terminal device 100. As shown in FIG. 6, the travel history Tb1 is associated with the date and time, whether or not it is a weekday, the speed of the probe vehicle P at the date and time, the travel edge, and the travel lane (up / down). It is.
  • the predicted travel history storage unit 202b accumulates a predicted travel history Tb2 that is a travel history of the probe vehicle P (or an agent vehicle A described later) predicted in the traffic jam prediction process described later.
  • FIG. 7 is a diagram showing an example of the predicted travel history Tb2 of the probe vehicle PC00001.
  • the predicted travel history Tb2 indicates a predicted future travel history of the probe vehicle P (or an agent vehicle A described later).
  • the map data storage unit 202c stores the map data.
  • This map data shows the modeled road network. As shown in FIG. 8, this road network includes nodes associated with intersections of map information and edges associated with road sections sandwiched between two adjacent intersections (nodes). .
  • nodes associated with intersections of map information
  • edges associated with road sections sandwiched between two adjacent intersections (nodes).
  • nodes In the example of FIG. 8, E00001 and the like indicate edges, and N00001 and the like indicate nodes.
  • FIG. 9 is a diagram illustrating an example of an edge attribute information table Tb3 which is edge attribute information.
  • the edge attribute information table Tb3 includes, for each edge, an edge identification number, identification numbers of nodes at both ends of the edge, an edge length of the edge, and an up / down lane of the edge (hereinafter also referred to as an edge lane). It is a table in which another legal speed Vmax is associated. The legal speed Vmax of the edge is set based on the actual legal speed Vmax of the up / down lane.
  • FIG. 10 shows a first node attribute information table Tb4, and FIG. 11 shows a second node attribute information table Tb5.
  • the first node attribute information table Tb4 is a table in which coordinates (for example, latitude and longitude) for specifying the position of the node are associated with the identification number of the node.
  • the second node attribute information table Tb5 includes the edge connection information at the node, the branching rate at the node, the presence / absence of a traffic light, and the traffic light as shown in FIG. 11A. It is a table in which a set of the cycle length and effective blue time is associated.
  • FIG. 11B is a diagram in which a portion surrounded by a dotted line frame W1 is extracted from the second node attribute information table Tb5 shown in FIG. 11A.
  • the edge connection information is information indicating a connection relation of edges in a node (a combination of an upstream edge with respect to a node and a connection destination edge that is a downstream edge). For example, referring to FIG. 11A, the edge E00001 is associated with the node N00001 as the upstream edge. Edge E00001, which is the upstream edge, is associated with edge E00002, edge E00010, and edge E00011 as connection destination edges.
  • the branching rate at the node is the probability that the probe vehicle P traveling on the upstream edge will proceed from the node serving as the branching point to a specific edge. This branching rate is set for each time zone on weekdays and holidays. This branching rate is used to control the traveling of the probe vehicle P or the like in the traffic jam prediction process described later.
  • the cycle length is the time that the signal display of the traffic signal makes a round (generally, after the traffic light switches to red, Is the time until the color changes to red).
  • Effective green time means the time during which a vehicle can enter an intersection.
  • the signal attribute information is set based on the setting information (actual cycle length and effective blue time) of the traffic light. This signal attribute information is used to control the traveling of the probe vehicle P or the like in a traffic jam prediction process described later.
  • the speed function storage unit 202d stores a speed function represented by the following equation (1).
  • the speed function storage unit 202d in the present embodiment stores a speed function for each edge lane. This speed function is used in the traffic jam prediction process.
  • Va indicates the average speed of the probe vehicle P traveling in the edge lane.
  • Vmax indicates a legal speed in the edge lane.
  • n indicates the number of probe vehicles P traveling in the edge lane.
  • d indicates the edge length of the edge.
  • This speed function indicates the relationship between the average speed Va of the probe vehicle P traveling in the edge lane and the number n of probe vehicles P traveling in the edge lane.
  • roads are congested as probe vehicles increase, and it is known that the average speed decreases as the number of probes increases. More specifically, when the number of vehicles traveling on the road is small, the average speed does not decrease much even if the number increases. However, when the number exceeds a certain number, the average speed decreases rapidly as the number increases. However, it is known that the speed does not decrease much even if the number of vehicles increases in a low-speed traveling state.
  • the curve shown in FIG. 12 represents on the coordinates the relationship between the number of units represented by Equation (1) and the average speed.
  • the average speed Va decreases rapidly when the number of probe vehicles P traveling in the edge lane exceeds a predetermined allowable amount (traffic capacity).
  • a predetermined allowable amount traffic capacity
  • the speed function storage unit 202d stores the parameter table Tb6 of FIG. 13 in addition to the speed function.
  • the parameter table Tb6 is a table in which a pair of speed function parameters ⁇ and ⁇ is associated with each edge up / down lane.
  • the average speed storage unit 202e stores the average speed information table Tb7 of FIG.
  • the average speed information table Tb7 is a table in which the average speed for each time slot for each weekday / holiday is associated with each edge of the up / down lane of the edge.
  • the congestion level storage unit 202f stores the congestion level table Tb8 of FIG.
  • the congestion degree table Tb8 is a table in which the simulation date and time of each edge and the congestion degree are associated with each other.
  • control unit 203 includes a travel history generation unit 203a, a parameter estimation unit 203b, a branch rate estimation unit 203c, an average speed estimation unit 203d, a determination unit 203e, and a traffic jam prediction processing unit 203f. Provide as a function.
  • the travel history generation unit 203a generates a travel history Tb1 of the probe vehicle P specified by the vehicle ID included in the probe information D1 transmitted from each terminal device 100. Specifically, the travel history generation unit 203a sets the date and time included in the probe information D1 in the “date and time” column and the “speed” column of the travel history Tb1 for the probe vehicle P specified by the vehicle ID, respectively. Store. In addition, the travel history generation unit 203a determines whether or not it is a weekday based on the date and time included in the probe information D1, and if it is determined to be a weekday, “0” is displayed in the “weekday / holiday” column as a holiday. If it is determined that there is, “1” is stored in the “weekday / holiday” column.
  • the travel history generation unit 203a executes map matching (identifying a route (road) that has moved on the road network from the position data) based on the current position and the traveling direction included in the probe information D1. .
  • map matching identifying a route (road) that has moved on the road network from the position data
  • the edge where the probe vehicle P travels and the lane (up / down) of the edge are specified.
  • the travel history generation unit 203a stores the identified edge identification number in the “running edge” column.
  • the travel history generation unit 203a stores “0” in the “travel lane (up / down)” column when the identified travel lane is up, and when the identified travel lane is down, “1” is stored in the “traveling lane (up / down)” column.
  • the travel history generation unit 203a generates a travel history Tb1 for each probe vehicle based on the probe information D by the above-described method (see FIG. 6). With this travel history Tb1, the travel route of each probe vehicle P can be specified.
  • the parameter estimation unit 203b estimates the parameters ⁇ and ⁇ for each up / down lane of each edge based on the travel history Tb1 accumulated in the travel history storage unit 202a.
  • Parameter ⁇ is the slope of the curve (value indicating the rate of decrease in speed when the average speed decreases sharply as the number of vehicles increases), and parameter ⁇ is the phase (number of units where the average speed begins to decrease rapidly as the number of vehicles increases) Represents a value).
  • the parameter estimation unit 203b updates the parameter of the parameter table Tb6 stored in the speed function storage unit 202d with the estimated parameter.
  • the parameter estimation unit 203b specifies a plurality of probe vehicles P that have traveled in the edge lane for each up / down lane of each edge based on the travel history Tb1. Then, the parameter estimation unit 203b extracts the traveling speeds of the specified plurality of probe vehicles P. And the parameter estimation part 203b calculates
  • the parameter estimation unit 203b expresses the number n, the average speed Va, the edge length d of the edge, and the legal speed Vmax of the edge lane for each up / down lane of each edge by Expression (1). Substitute into the velocity function. Then, the parameter estimation unit 203b estimates the parameters ⁇ and ⁇ for each up / down lane of each edge by the least square method.
  • FIG. 16A and FIG. 16B are diagrams for explaining a method for estimating parameters ⁇ and ⁇ , taking an ascending lane of edge E00015 as an example.
  • FIG. 16A is a diagram illustrating an example in which the traveling speed of the probe vehicle P that has traveled in the ascending lane of the edge E00015 is extracted for each detection date and time from a plurality of traveling histories Tb1.
  • FIG. 16B is a diagram illustrating an example of the average speed Va and the number of traveling vehicles n of the probe vehicle P that travels on the up lane of the edge E00015, which is obtained for each detection date and time.
  • the average speed Va15T1 of the probe vehicle P that has traveled on the up lane of the edge E00015 at the detection date T1 is an average value of the speeds V1-1, V3-1, and V9-1.
  • the number of probe vehicles P that traveled on the up lane of the edge E00015 at the detection date and time T1 is three.
  • the edge lane to be estimated is an up lane of the edge E00015.
  • the parameter estimation unit 203b acquires the edge length L15 and the legal speed Vmax15-0 corresponding to the upstream lane of the edge E00015 from the edge attribute information table Tb3 (illustrated in FIG. 9) stored in the map data storage unit 202c.
  • the parameter estimation unit 203b uses the acquired edge length L15, legal speed Vmax15-0, the average speed Va of the probe vehicle P that has traveled on the up lane of the edge E00015 determined for each detection date and time, and the number of vehicles n, Substituting for each function Va. Then, the parameter estimation unit 203b obtains the parameters ⁇ 15-0 and ⁇ 15-0 of the upstream lane of the edge E00015 by the least square method.
  • the branching rate estimation unit 203c estimates the branching rate. Then, the branch rate estimation unit 203c updates the branch rate of the second node attribute information table Tb5 with the estimated value.
  • the branching rate estimation unit 203c first extracts all histories that the probe vehicle P has traveled the upstream edge E00001 of the node N00001 from the travel history Tb1.
  • the branching rate estimation unit 203c classifies the extracted history for each time zone for each weekday / holiday, and calculates the rate at which the probe vehicle P has advanced to the edge E00002 via the node N00001.
  • the average speed estimation unit 203d estimates the average speed for each time zone for each weekday / holiday for each up / down lane of each edge based on the travel history Tb1. Then, the average speed estimation unit 203d updates the average speed information table Tb7 shown in FIG.
  • the average speed estimator 203d extracts all histories of traveling on the up lane of the edge E00001 on the weekday at 0:00 from the traveling histories Tb1 of the plurality of probe vehicles P.
  • the average speed estimation unit 203d estimates the average speed by calculating the average of the traveling speeds of the plurality of probe vehicles P in all the extracted histories.
  • the determination unit 203e performs various determinations. Specifically, the determination unit 203e determines whether or not the probe information D1 is received from each terminal device 100, determines the parameters ⁇ and ⁇ , the branch rate and the average speed, determines the timing, or congestion for traffic congestion prediction Predictive simulation execution instruction is determined. Note that the estimated timings of the parameters ⁇ and ⁇ , the branching rate, and the average speed may be, for example, a fixed period, an instruction from the user, a timing when a predetermined amount of history is added to the travel history Tb1, and the like. This estimation timing may be different or the same.
  • the various units necessary for traffic jam prediction (the second node attribute information table including the travel history Tb1, the branching rate, and the signal attribute information) based on the probe information D1 transmitted from each terminal device 100 by each unit of the control unit 203. Tb5, average speed table Tb7, etc.) are generated. Since the generated various tables are updated at every predetermined estimation timing, the traffic jam prediction device 200 stores the latest history information and the like. Based on the above, the traffic jam prediction processing unit 203f of the traffic jam prediction device 200 performs various processes for traffic jam prediction described below.
  • the traffic jam prediction processing unit 203f includes an agent vehicle number calculation unit 203f1, a difference calculation unit 203f2, an agent vehicle lead-in / out unit 203f3, a simulation execution unit 203f4, and a traffic jam degree estimation unit 203f5.
  • the traffic jam prediction processing unit 203f executes traffic jam prediction processing by each of these units, and predicts the degree of traffic jam by the up / down lane of each edge.
  • the traffic jam prediction processing unit 203f starts the traffic jam prediction processing based on the execution instruction of the traffic jam prediction simulation from the user.
  • the execution instruction includes a simulation start time and end time, a weekday or holiday, and a prediction area for performing traffic jam prediction specified by the user.
  • the traffic jam prediction processing unit 203f calculates a simulation period based on the start time and the end time.
  • the traffic jam prediction processing unit 203f predicts the travel positions of the probe vehicle P and an agent vehicle A (to be described later) at predetermined prediction intervals within the simulation period.
  • the prediction interval means an interval for predicting the traveling position between the probe vehicle P and the agent vehicle A in the traffic jam prediction simulation. For example, when the traveling position is predicted every 5 seconds, the prediction interval is 5 seconds.
  • the default value of the traffic jam prediction device 200 is used as the value of the prediction interval.
  • the user directly gives an execution instruction to the traffic jam prediction device 200 or gives a remote instruction from the terminal device 100 in the probe vehicle P.
  • the agent vehicle number calculation unit 203f1 introduces an agent to be introduced at the start time of the traffic jam prediction simulation for each up / down lane of each edge based on a speed function (hereinafter referred to as an extended speed function) represented by the following equation (2).
  • the number of vehicles A is calculated.
  • the agent vehicle A is a virtual vehicle that is introduced to supplement a vehicle other than the probe vehicle that travels on an actual road (hereinafter referred to as a non-probe vehicle). This agent vehicle A is used to reproduce the actual traffic volume when the number of probe vehicles P traveling on an actual road is small.
  • the extended speed function in (2) is an extension of the speed function in (1) in order to consider the agent vehicle A, and the probe vehicle P and the agent vehicle A traveling in the edge lane in the prediction area.
  • the relationship between the total number and the average speed Va of the probe vehicle P and the agent vehicle A traveling in the edge lane is shown.
  • the agent vehicle A and the probe vehicle P are collectively referred to as a vehicle hereinafter.
  • n ′ is the total number of probe vehicles P and agent vehicles A traveling in the edge lane (hereinafter also simply referred to as total number n ′).
  • the enlargement factor m is a preset value. This extended speed function is stored in the speed function storage unit 202d for each edge lane.
  • the agent vehicle number calculation unit 203f1 acquires the legal speed Vmax and the edge length of the edge lane from the edge attribute information table Tb3, and the parameters ⁇ and ⁇ of the edge lane from the parameter table Tb6.
  • the agent vehicle number calculation unit 203f1 specifies the speeds of the plurality of probe vehicles P traveling in the edge lane in the prediction area at the simulation start time based on the travel histories Tb1 of the plurality of probe vehicles P. And the agent vehicle number calculation part 203f1 calculates
  • the agent vehicle number calculation unit 203f1 obtains the total number n ′ in the edge lane by substituting those values into Expression (2).
  • the agent vehicle number calculation unit 203f1 obtains the number of agent vehicles A in the edge lane by substituting m, which is a preset value, and the number n of the plurality of probe vehicles P traveling in the edge lane.
  • the agent vehicle number calculation unit 203f1 first calculates the number of agent vehicles A at the simulation start time for each up / down lane of each edge included in the prediction area. Thereafter, the sum is taken to determine the number na of agent vehicles in the prediction area.
  • the difference calculation unit 203f2 obtains the traffic fluctuation (FIG. 17) for each weekday / holiday for each up / down lane of each edge based on the average speed information table Tb7.
  • This traffic change is a reproduction of the change in traffic over time based on the probe information D.
  • the difference calculation processing by the difference calculation unit 203f2 will be described by taking the ascending lane of the edge E00001 as an example.
  • the vertical axis in FIG. 17 indicates the number of vehicles traveling on the edge (traffic volume), and the horizontal axis indicates the time zone.
  • the difference calculation unit 203f2 uses the edge attribute information table Tb3, the parameter table Tb6, and the average speed information table Tb7, the legal speed Vmax1-0 of the upstream lane of the edge E00001, the edge length L1, and the parameters ⁇ 1-0 and ⁇ 1-. 0 and the average speed Va10xx (average speed for each time zone for each weekday / holiday) are acquired. Then, the difference calculation unit 203f2 substitutes the acquired value for the expansion speed function of Expression (2). Then, the difference calculation unit 203f2 estimates the total number n ′ of the probe vehicles P and the agent vehicles A traveling on the ascending lane of the edge E00001, for each time zone for each weekday / holiday. Using this, traffic volume fluctuations are obtained by weekday / holiday or by time of day.
  • the difference calculation unit 203f2 reviews the number of agent vehicles na introduced at the simulation start time for each predetermined adjustment interval based on the obtained traffic volume fluctuation. Specifically, the difference calculation unit 203f2 compares the total number n ′ at the start time of the simulation with the total number at the adjustment time at the predetermined adjustment time, and calculates the difference ⁇ n ′ in the traffic volume. calculate.
  • the difference calculation unit 203f2 compares the total number n ′ at 9:00 on weekdays with the total number at 10 o'clock on weekdays when the first adjustment time is 10:00 on weekdays (that is, between 9:00 and 10:00 on weekdays). By comparing the traffic volumes), the difference ⁇ n ′ is calculated. And the difference calculation part 203f2 calculates
  • the agent vehicle lead-in / out unit 203f3 1) introduces the agent vehicle A into the prediction area at the simulation start time, and 2) determines the number of agent vehicles A introduced at each adjustment interval during the simulation period. Make adjustments.
  • the agent vehicle deriving / input unit 203f3 arbitrarily sets the number na of the agent vehicles A in the prediction area obtained by the agent vehicle number calculation unit 203f1 to a plurality of edges in the prediction area at the simulation start time.
  • the agent vehicle deriving / introducing unit 203f3 determines that the number of vehicles at the adjustment time at the adjustment time corresponds to the area difference obtained by the difference calculation unit 203f2 at the adjustment time. Increase / decrease the number na of agent vehicles to adjust the traffic volume.
  • FIG. 18 shows an example in the prediction area.
  • the prediction area includes a plurality of edges and a plurality of nodes. Further, the white rectangle in the figure is the probe vehicle P and the black rectangle is the agent vehicle A.
  • the 18 is an example in which the total number of agent vehicles A in the prediction area is 60. That is, it is a diagram illustrating an example after the agent vehicle lead-in / out unit 203f3 has introduced the number na of agent vehicles A in the prediction area as 60 at the simulation start time.
  • the agent vehicle lead-in / out unit 203f3 for example, randomly selects the agent vehicle A and deletes them. For example, in FIG. 18, the selected agent vehicle A is circled and displayed.
  • the agent vehicle A reproduces the traffic change over time based on the probe information D1.
  • the simulation execution unit 203f4 executes a traffic jam prediction simulation for traffic jam prediction in accordance with an execution instruction from the user of the terminal device 100 or the traffic jam prediction device 200.
  • the simulation execution unit 203f4 performs traveling prediction of the agent vehicle introduced at the simulation start time by the agent vehicle deriving / input unit 203f3 and the probe vehicle at the same time. Specifically, the simulation execution unit 203f4 selects the probe vehicle P at the simulation start time at every predetermined prediction interval (for example, every 5 seconds by default) based on the expansion speed function, the branching rate, and the signal attribute information.
  • the travel prediction for example, speed, edge, up / down lane, etc.
  • the travel prediction for example, speed, edge, up / down lane, etc.
  • the speed of each agent vehicle A at the simulation start time is set based on the average speed information table Tb7. For example, referring to FIG. 14, when the simulation start time is 2:00 am on weekdays, the traveling speed of agent vehicle A introduced into the upstream lane of edge E00001 is speed Va1002.
  • the extended speed function is used to obtain the traveling speeds of the probe vehicle P and the agent vehicle A during the simulation period.
  • the simulation execution unit 203f4 controls the traveling of the probe vehicle P and the agent vehicle A according to the traveling speed obtained from the extended speed function.
  • the simulation execution unit 203f4 obtains the number of vehicles traveling for each up / down lane of each edge each time the traveling prediction of the probe vehicle P and the agent vehicle A is performed. By substituting the obtained number of vehicles into the extended speed function, the average speed for each up / down lane of each edge is estimated. Then, the simulation execution unit 203f4 controls the traveling of the probe vehicle P and the agent vehicle A according to the estimated average speed.
  • the branching rate is used for probabilistically determining the next advancing edge when the probe vehicle P or the agent vehicle A approaches a node.
  • the simulation execution unit 203f4 controls the travel destinations of the probe vehicle P and the agent vehicle A according to the branching rate.
  • the signal attribute information is used to control the traveling of the probe vehicle P and the agent vehicle A during the simulation period.
  • the simulation execution unit 203f4 controls each traffic light according to the signal attribute information. For example, it is assumed that the probe vehicle P or the agent vehicle A reaches a node. In this case, when the corresponding traffic light is red, the simulation execution unit 203f4 stops the probe vehicle P or the agent vehicle A immediately before the node until the traffic light turns blue.
  • the predicted travel history (prediction date / time, weekday / holiday distinction, speed, travel edge, travel lane) is predicted. This is added to the predicted travel history Tb2 stored in the travel history storage unit 202b.
  • the simulation start time is 9:00 on weekdays and the prediction interval is 5 seconds.
  • the travel position of the probe vehicle P (PC00001) at 9:00 on weekdays is the position shown in FIG. 18, and the travel position several minutes after the travel prediction is performed for each prediction interval is the position shown in FIG. .
  • the predicted travel history Tb2 generated at each prediction interval is the predicted travel history Tb2 illustrated in FIG.
  • the predicted travel route of the probe vehicle P (PC00001) is node N00001> edge E00011 upstream lane> node N00003> edge E00005 upstream lane> node N00004> edge E000016 downstream lane> node N00006> edge E00009 upstream lane. I understand that.
  • the congestion degree estimation unit 203f5 determines the congestion degree CJ defined by the following equation (3) based on the predicted travel history Tb2 generated by the simulation execution unit 203f4 as the up / down lane of each edge. Calculate separately. Thereby, the future congestion degree is estimated.
  • the congestion degree estimation unit 203f5 extracts a history regarding the edge lane from the predicted traveling history Tb2. The extracted history is classified for each predicted date and time, and an average speed for each predicted date and time is obtained. Then, the congestion degree estimation unit 203f5 substitutes the obtained average speed Va and the legal speed Vmax acquired from the edge attribute information table Tb3 into the equation (3). Thereby, the congestion degree CJ of the target edge lane is calculated for each prediction date and time.
  • the traffic congestion level estimation unit 203f5 generates a traffic congestion level table Tb8 in which the calculated traffic congestion level CJ is associated with the predicted date and time (FIG. 15).
  • the traffic congestion level estimation unit 203f5 stores the generated traffic congestion level table Tb8 in the traffic congestion level storage unit 202f.
  • the prediction date and time Ts0 in the figure is the date and time of the simulation start time, and Ts1 to Ts7 are the date and time updated with the time of the prediction interval.
  • the congestion level is displayed in various display formats processed based on the congestion level table Tb8. For example, it is conceivable to display a color corresponding to the degree of traffic jam CJ (red is busy, etc.) superimposed on the traffic jam edge shown in FIG. Further, it may be displayed to the user in the table format of FIG.
  • FIG. 20 is a diagram illustrating a flowchart of probe information transmission processing in the terminal device 100.
  • FIG. 21 is a diagram illustrating a flowchart of the traffic jam prediction process in the traffic jam prediction device 200.
  • the determination unit 106a of the terminal device 100 determines whether or not the detection timing for detecting the current position, traveling direction, and speed of the probe vehicle P on which the device itself is mounted has been reached (step S101). If the determination unit 106a determines that the detection timing has not yet arrived (step S101; NO), the processing of step S101 is repeated, and the detection timing is awaited.
  • the position detection unit 102 detects the current position of the probe vehicle P (step S102).
  • the vehicle information detection unit 103 detects the traveling direction and speed of the probe vehicle P (step S103).
  • the probe information generation unit 104 generates probe information D1 including the current position, speed, traveling direction, detection date and time, and vehicle ID of the probe vehicle P (step S104).
  • the probe information generation unit 104 transmits the generated probe information D1 to the traffic jam prediction device 200 via the communication unit 105 (step S105). And a process returns to the process of step S101 and repeats the above-mentioned process.
  • the travel history generation unit 203a of the traffic jam prediction device 200 generates a travel history Tb1 based on the received probe information D1.
  • This traffic jam prediction process is started with an execution instruction from the user of the terminal device 100 or the traffic jam prediction device 200 as a trigger. Specifically, the traffic jam prediction process is triggered by receiving information necessary for the traffic jam prediction process such as the simulation start time and end time, weekday or holiday designation, and prediction area included in the execution instruction from the user. Be started.
  • the traffic jam prediction device 200 uses default intervals as the values of the prediction interval and the adjustment interval. Note that the values of the prediction interval and the adjustment interval may be specified by the user and included in the execution instruction. When receiving the execution instruction, the traffic jam prediction device 200 performs the following traffic jam prediction processing in order.
  • the agent vehicle number calculation unit 203f1 calculates the number na of agent vehicles A at the simulation start time in the prediction area (step S303). Specifically, the agent vehicle number calculation unit 203f1 calculates the number of agent vehicles A for each up / down lane of each edge in the prediction area based on the expansion speed function, and then calculates the total sum of the numbers of the agent vehicles A. Is calculated.
  • the agent vehicle derivation / input unit 203f3 performs derivation / introduction of the agent vehicle (step S302). Specifically, the agent vehicle deriving / inserting unit 203f3 arbitrarily introduces the number na of agent vehicles A in the prediction area at the simulation start time to a plurality of edges in the prediction area.
  • the simulation execution unit 203f4 performs travel prediction (step S303). Specifically, the simulation execution unit 203f4 performs traveling prediction of the agent vehicle introduced at the simulation start time and the probe vehicle at the same time based on the expansion speed function, the branching rate, and the signal attribute information. Next, the simulation execution unit 203f4 stores the predicted travel history (predicted date / time, weekday / holiday distinction, speed, edge, travel lane) in the predicted travel history Tb2 stored in the predicted travel history storage unit 202b. It adds (step S304).
  • the predicted travel history predicted date / time, weekday / holiday distinction, speed, edge, travel lane
  • the traffic jam level estimation unit 203f5 calculates the traffic jam level (step S305). Specifically, the congestion degree estimation unit 203f5 calculates the congestion degree CJ defined by Expression (3) for each up / down lane of each edge based on the predicted travel history Tb2 generated by the simulation execution unit 203f4. To do. Next, the traffic congestion level estimation unit 203f5 generates a traffic congestion level table Tb8 in which the calculated traffic congestion level CJ is associated with the predicted date and time, and stores the generated traffic congestion level table Tb8 in the traffic congestion level storage unit 202f (step S306). .
  • control unit 203 determines whether it is an end time (step S307). That is, the control unit 203 determines whether or not it is within the simulation period. Here, if it is not the end time (step S307; No), the difference calculation unit 203f2 determines whether it is the adjustment timing (step S308). Specifically, the difference calculation unit 203f2 calculates the adjustment time based on the start time and the adjustment interval, and determines whether or not the adjustment timing is reached.
  • step S308 when it is not adjustment timing (step S308; No), the time for prediction interval is updated (step S309), and driving
  • step S308 Yes
  • processing steps S310 to S313 for reviewing the number of agent vehicles na introduced at the simulation start time is sequentially performed.
  • the difference calculation unit 203f2 obtains the traffic fluctuation (see FIG. 17) for each weekday / holiday for each up / down lane of each edge based on the average speed information table Tb7 (step S310).
  • the difference calculation unit 203f2 obtains a difference according to the traffic volume fluctuation (step S311). Specifically, the difference calculation unit 203f2 compares the total number n ′ of the probe vehicles P and the agent vehicles A at the start time of the simulation with the total number at the adjustment time in the obtained traffic volume variation. The difference ⁇ n ′ is calculated. Next, the difference calculation unit 203f2 calculates the area difference of the prediction area by adding the difference ⁇ n ′ calculated for each edge lane in the prediction area (step S312).
  • the difference calculation unit 203f2 determines whether or not the calculated area difference is 0 (step S313). That is, it is determined whether there is an area difference.
  • the area difference is 0 (step S313; Yes)
  • the travel prediction is performed without adjusting the number of the agent vehicles A (step) S303).
  • step S313 the agent vehicle deriving / introducing unit 203f3 derives / induces the number of agent vehicles A in the prediction area according to the area difference (step S302).
  • step S302 when the traffic volume decreases at the adjustment time (when the area difference is a negative value), agent vehicles A corresponding to the number of absolute values of the area difference are deleted from the predicted area.
  • agent vehicles A corresponding to the number of absolute values of the area difference are introduced into the prediction area. In this way, the traffic volume fluctuation obtained based on the probe information D is reproduced by increasing or decreasing the number of agent vehicles A at every adjustment interval.
  • the traffic jam prediction device 200 adjusts the number of agent vehicles at each adjustment interval while predicting the travel of the probe vehicle and the agent vehicle in the prediction area at each prediction interval (loop of steps S303 to S309) ( Steps S308, 310 to S313) When the end time is reached (Step S307; No), the traffic jam prediction process ends.
  • the traffic jam prediction process will be described using a specific example.
  • a user who is in the probe vehicle P gives a simulation execution instruction to the traffic jam prediction device 200 via the terminal device 100.
  • the user designates a prediction area, designates a weekday start time at 9:00 and an end time at 12:00.
  • the default prediction interval is 5 seconds and the adjustment interval is 1 hour.
  • the traffic jam prediction device 200 introduces the agent vehicle at 9 o'clock into the prediction area after starting the traffic jam prediction process with the execution instruction as a trigger (steps S301 and S302). Then, the traffic jam prediction device 200 obtains the average speed, branching rate, and signal attribute information obtained by using the extended speed function for the probe vehicle P and the agent vehicle A in the prediction area at intervals of 5 seconds until 10:00 which is the first adjustment time. Based on the control, the running prediction is performed. Then, the predicted travel history and the degree of congestion are accumulated at intervals of 5 seconds (a loop of steps S303 to S309).
  • an area difference which is the difference between the traffic volume at 9 o'clock on weekdays and 10 o'clock on weekdays in the prediction area, is obtained based on fluctuations in traffic on weekdays, and the area difference is not zero.
  • the number of agent vehicles is increased / decreased according to the positive / negative of the area difference (steps S308, 310 to S313).
  • the time 11:55:55, 5 seconds before 12:00 on weekdays, which is the end time, is not the end time (step S307; No) and is not the adjustment timing (step S308; No), so the time is updated.
  • the end time is 12:00 on weekdays (step S309).
  • the traffic jam prediction process is terminated. In this way, between 9 o'clock and 12 o'clock on weekdays, traffic jams are predicted at intervals of 5 seconds with the adjustment times of 10:00 and 11:00.
  • the probe vehicle P and the agent vehicle A can be run to predict traffic congestion. Therefore, it is possible to increase the simulation coverage because it is possible to predict the traffic jam in the area where the sensor is not installed while reducing the man-hours and cost for installing the sensor.
  • the agent vehicle A is introduced at the traffic jam prediction simulation start time.
  • a vehicle that cannot obtain the probe information D1 that is, a vehicle (non-probe vehicle) other than the probe vehicle traveling on the actual road can be supplemented with the virtual vehicle. Therefore, it is possible to predict a traffic jam even on a road where the probe vehicle P is not traveling or a road where the number of probe vehicles P is small.
  • the agent vehicle A is introduced in the prediction area so that there is no difference from the traffic fluctuation at every adjustment interval of the simulation.
  • This traffic volume fluctuation is estimated based on the probe information D1 transmitted from the terminal device 100 of the probe vehicle P. For this reason, it is possible to correct the difference in traffic caused by the passage of time by increasing or decreasing the number of agent vehicles. Therefore, traffic volume fluctuations can be reproduced by adjusting the number of agent vehicles A, so that the accuracy of traffic jam prediction can be improved.
  • the predicted travel history Tb2 of the probe vehicle P and the agent vehicle A is generated and stored. By doing so, it is possible to reproduce the simulation results, which can be used for signal control systems and city planning.
  • the traveling speed when the number of vehicles (probe vehicle P and agent vehicle A) traveling in the edge lane exceeds the allowable amount (traffic capacity), the traveling speed rapidly decreases as the extended speed function used in the simulation. It was defined by a function having the following characteristics. By doing so, it is possible to perform speed control in accordance with actual road characteristics in the simulation.
  • the branching rate is set for each time zone according to weekdays / holidays. This branching rate is obtained based on the probe information D1. By doing so, it is possible to perform a traffic jam prediction simulation according to the actual vehicle flow.
  • the present invention is not limited to this, and traffic jam prediction may be performed using only the probe vehicle.
  • the processing of steps S301, 302, 308, and 310 to 313 can be omitted, so that the load on the traffic jam prediction apparatus 200 can be reduced.
  • the speed function is used instead of the extended speed function for the travel prediction.
  • Modification 1 In the traffic jam prediction process in the above-described embodiment, the traffic jam degree CJ and the traffic jam degree table are generated every time the travel prediction is performed (steps S305 and S306). Instead, in the first modification, the congestion degree CJ and the congestion degree table are generated after the end time is reached. As a result, the processing load can be reduced as compared with the case where the congestion degree CJ and the congestion degree table are generated each time the travel is predicted.
  • a set of parameters ⁇ and ⁇ is associated with each up / down lane of each edge.
  • a set of edge lanes having similar attributes for example, legal speed Vmax and probe sample number SP
  • a set of parameters ⁇ and ⁇ is associated with this group.
  • the probe sample number SP means the number of probe information D1 that is the basis of the travel history Tb1. For example, when there are 100 pieces of probe information D1 regarding an edge lane, the number of probe samples SP of the edge lane is 100.
  • a plurality of groups (G1 to G12) are prepared for each legal speed and the number of probe samples. Further, each of the plurality of groups is associated with a set of parameters ⁇ and ⁇ . For example, the same parameter associated with G2 is used for all edges belonging to G2 in the figure. In this way, the storage capacity can be reduced as compared with the present embodiment in which the set of parameters ⁇ and ⁇ is associated with the up / down lane of each edge.
  • the traffic volume fluctuation shown in FIG. 17 may be corrected according to an external factor that causes the traffic volume fluctuation.
  • an external factor for example, a weighting factor may be prepared in advance according to a plurality of weathers, and in the case of bad weather, the traffic amount may be reduced by multiplying the traffic amount of each time zone by a weight of 0.8. .
  • the user includes an external factor in the start instruction, and the agent vehicle deriving / inputting unit 203f3 adjusts the number of agent vehicles so as to reproduce the traffic fluctuation corrected according to the external factor in the traffic jam prediction process. Increase or decrease at intervals. As a result, more realistic traffic jam prediction is possible, so the accuracy of traffic jam prediction can be improved.
  • the traffic jam prediction device 200 performs the map matching, but the present invention is not limited to this.
  • map matching may be executed on each terminal device 100 side.
  • information on the edge lane in which the probe vehicle P travels specified by map matching may be transmitted to the traffic jam prediction device 200. By doing so, it is possible to distribute the load concentrated on the traffic jam prediction device 200 to each terminal device 100.
  • the legal speed Vmax for each up / down lane of each edge is set based on the actual legal speed Vmax, but is not limited thereto. For example, it may be estimated based on the travel history Tb1. Specifically, a plurality of speeds in the up lane of one edge are extracted from the travel histories Tb1 of the plurality of probe vehicles P. Then, among the plurality of extracted speeds, the speed having the highest appearance frequency is set as the legal speed that is set in the upstream lane of the edge. Further, instead of setting the legal speed Vmax for each up / down lane, the average of the legal speed Vmax of the up lane and the down lane of the same edge may be set as the legal speed Vmax of the edge.
  • the advancing direction and traveling speed of the probe vehicle P were detected with a sensor etc., it is not limited to this, For example, it is based on the positional information on the probe vehicle P, and its detection date. Based on this, it may be configured to estimate them.
  • the program to be executed is a computer-readable recording such as a flexible disk, a CD-ROM (Compact Disc Read-Only Memory), a DVD (Digital Versatile Disc), and an MO (Magneto-Optical Disc).
  • the above-described processing may be executed by storing and distributing in a medium and installing the program.
  • the program may be stored in a disk device or the like included in a predetermined server device on a communication network such as the Internet, and may be acquired by being superimposed on a carrier wave, for example.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Educational Technology (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ecology (AREA)
  • Traffic Control Systems (AREA)
  • Instructional Devices (AREA)

Abstract

　プローブ車両Ｐに搭載されている端末装置（１００）は、ネットワークＮＷを介して、プローブ情報を渋滞予測装置（２００）に送信する。渋滞予測装置（２００）は、受信したプローブ情報と地図データとに基づいて、プローブ車両Ｐが走行するエッジ車線を特定する。渋滞予測装置（２００）は、特定したプローブ車両Ｐが走行するエッジ車線と、エッジ車線ごとに定められている速度関数と、に基づいて、プローブ車両Ｐの走行を予測する。渋滞予測装置（２００）は、その予測結果に基づいて、エッジ車線ごとに渋滞度を推定する。

Description

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
　本発明は、渋滞予測装置、渋滞予測システム、渋滞予測方法、及び、プログラムに関する。
　交通渋滞予測情報は、ドライバー側においては渋滞回避などのための情報として、道路管理者側においては都市計画の立案、交通システムの制御などのための情報として活用されている。
　交通渋滞の予測技術として、道路に設置したセンサから通行量を取得するＶＩＣＳ（登録商標）（Vehicle Information and Communication System）を用いた予測技術が知られている（例えば、特許文献１と２）。
　特許文献１で提案されている技術は、過去の渋滞量などの統計情報などに基づいて、渋滞予測モデルを生成し、そのモデルに基づいて、渋滞を予測する技術である。また、特許文献２で提案されている技術は、車両の出発点から到着点までの交通量（以下、ＯＤ交通量という）を求め、求めたＯＤ交通量に基づく渋滞予測シミュレーションにより渋滞を予測する技術である。
特開２００８－２８２１６１号公報 特開２００９－２５９１５８号公報
　特許文献１と特許文献２で提案されている方法では、いずれも、道路の交通渋滞を予測するために、道路に設置したセンサからの情報を必要とする。そのため、センサが設置されていない道路については、交通渋滞を予測することができない。すなわち、センサが設置されている道路は、日本の全道路延長距離の数％程度に過ぎないことから、大部分の道路においては交通渋滞を予測することができない。
　本発明は、上記の課題を解決するためになされたものであり、プローブ情報のみを用いて道路の交通渋滞を予測することが可能な渋滞予測装置、渋滞予測システム、渋滞予測方法、及び、プログラムを提供することを目的とする。
　上記目的を達成するために、本発明の第１の観点に係る渋滞予測装置は、
　日時と、その日時におけるプローブ車両の位置情報と進行方向と、を含むプローブ情報を受信する受信手段と、
　地図上の交差点に対応するノードと、隣接する２つのノードに挟まれた道路区間に対応するエッジと、を含む道路ネットワークを示す地図データを記憶する地図データ記憶手段と、
　前記エッジを走行するプローブ車両の台数と該台数に応じた平均速度との関係を示す速度関数を記憶する速度関数記憶手段と、
　前記受信手段が受信したプローブ情報と、前記地図データ記憶手段が記憶する地図データと、に基づいて、プローブ車両が走行するエッジを特定するエッジ特定手段と、
　前記エッジ特定手段により特定したプローブ車両が走行するエッジと、前記速度関数と、に基づいて、前記プローブ車両が、所定時間経過後に走行するエッジを予測する走行予測手段と、
　前記速度関数に基づいて、前記所定時間経過後におけるプローブ車両の平均速度をエッジごとに求め、求めたエッジごとのプローブ車両の平均速度と該エッジの法定速度とに基づいて、前記所定時間経過後における道路の渋滞度合を示す渋滞度をエッジごとに推定する渋滞度推定手段と、
　を備えることを特徴とする。
　なお、仮想車両であるエージェント車両の導入台数を決定するために予め設定された拡大係数を用いた前記速度関数である拡張速度関数に基づいて、前記エージェント車両の導入台数を求めるエージェント車両数算出手段と、
　前記エージェント車両数算出手段により求めた導入台数分のエージェント車両を任意のエッジに導入するエージェント車両導入手段と、
　をさらに備え、
　前記走行予測手段は、前記エージェント車両導入手段により導入したエージェント車両が走行するエッジと、前記拡張速度関数と、に基づいて、前記エージェント車両が、所定時間経過後に走行するエッジを予測し、
　前記渋滞度推定手段は、前記拡張速度関数に基づいて、前記所定時間経過後におけるエージェント車両の平均速度をエッジごとに求め、求めたエッジごとのエージェント車両の平均速度と、該エッジの法定速度とに基づいて、前記所定時間経過後における前記渋滞度をエッジごとに推定する、
　ようにしてもよい。
　また、前記エッジにおける経時的な交通量の変動を示す交通量変動の情報を、前記エッジごとに記憶する交通量変動記憶手段をさらに備え、
　前記エージェント車両導入手段は、前記エッジに導入したエージェント車両の台数を、前記交通量変動を再現するように時間経過に伴って増減する、
　ようにしてもよい。
　また、前記交差点に対応するノードには、該ノードに進入した車両が、該ノードに複数接続されるエッジのうちいずれのエッジに進行するかを示す分岐率が対応付けられており、
　前記走行予測手段は、前記分岐率に基づいて、ノードに進入した車両の進行先となるエッジを特定して、前記予測を行う、
　ようにしてもよい。
　上記目的を達成するために、本発明の第２の観点に係る渋滞予測システムは、
　本発明の第１の観点に係る渋滞予測装置と、
　プローブ車両に搭載される端末装置と、
　を備えた渋滞予測システムであって、
　前記端末装置は、
　前記プローブ車両の現在位置を検出する位置検出手段と、
　前記プローブ車両の前記現在位置における進行方向と走行速度を検出するプローブ車両情報検出手段と、
　前記検出されたプローブ車両の現在位置を特定する位置情報と、前記検出された前記現在位置におけるプローブ車両の進行方向と走行速度と、前記現在位置を検出した日時と、を含むプローブ情報を生成するプローブ情報生成手段と、
　前記プローブ情報生成手段により生成されたプローブ情報を前記渋滞予測装置に送信する通信手段と、
　を備える、
　ことを特徴とする。
　上記目的を達成するために、本発明の第３の観点に係る渋滞予測方法は、
　日時と、その日時におけるプローブ車両の位置情報と進行方向と、を含むプローブ情報を受信する受信ステップと、
　地図上の交差点に対応するノードと、隣接する２つのノードに挟まれた道路区間に対応するエッジと、を含む道路ネットワークを示す地図データと、前記受信したプローブ情報と、に基づいて、プローブ車両が走行するエッジを特定するエッジ特定ステップと、
　前記エッジ特定ステップにおいて特定したプローブ車両が走行するエッジと、エッジを走行するプローブ車両の台数と該台数に応じた平均速度との関係を示す速度関数と、に基づいて、前記プローブ車両が、所定時間経過後に走行するエッジを予測する走行予測ステップと、
　前記速度関数に基づいて、前記所定時間経過後におけるプローブ車両の平均速度をエッジごとに求め、求めたエッジごとのプローブ車両の平均速度と該エッジの法定速度とに基づいて、前記所定時間経過後における道路の渋滞度合を示す渋滞度をエッジごとに推定する渋滞度推定ステップと、
　を含む、
　ことを特徴とする。
　上記目的を達成するために、本発明の第４の観点に係るプログラムは、
　コンピュータを、
　日時と、その日時におけるプローブ車両の位置情報と進行方向と、を含むプローブ情報を受信する受信手段、
　地図上の交差点に対応するノードと、隣接する２つのノードに挟まれた道路区間に対応するエッジと、を含む道路ネットワークを示す地図データを格納する地図データ記憶手段、
　前記エッジを走行するプローブ車両の台数と該台数に応じた平均速度との関係を示す速度関数を記憶する速度関数記憶手段、
　前記受信手段が受信したプローブ情報と、前記地図データ記憶手段が記憶する地図データと、に基づいて、プローブ車両が走行するエッジを特定するエッジ特定手段、
　前記エッジ特定手段により特定したプローブ車両が走行するエッジと、前記速度関数と、に基づいて、前記プローブ車両が、所定時間経過後に走行するエッジを予測する走行予測手段、
　前記速度関数に基づいて、前記所定時間経過後におけるプローブ車両の平均速度をエッジごとに求め、求めたエッジごとのプローブ車両の平均速度と該エッジの法定速度とに基づいて、前記所定時間経過後における道路の渋滞度合を示す渋滞度をエッジごとに推定する渋滞度推定手段、
　として機能させる、
　ことを特徴とする。
　本発明によれば、プローブ情報のみを用いて道路の交通渋滞を予測することが可能となる。
実施形態１における、渋滞予測システムの構成を示すブロック図である。 実施形態１における、端末装置の構成を示す機能ブロック図である。 実施形態１における、渋滞予測装置の構成を示す機能ブロック図である。 実施形態１における、渋滞予測装置の記憶部の構成を示す機能ブロック図である。 実施形態１における、渋滞予測装置の制御部の構成を示す機能ブロック図である。 実施形態１における、渋滞予測処理部の構成を示す機能ブロック図である。 実施形態１における、走行履歴の例を示す図である。 実施形態１における、予測走行履歴の例を示す図である。 実施形態１における、地図データを説明するための図である。 実施形態１における、エッジ属性情報テーブルの例を示す図である。 実施形態１における、第１ノード属性情報テーブルの例を示す図である。 実施形態１における、第２ノード属性情報テーブルの例を示す図である。 実施形態１における、第２ノード属性情報テーブルの例を示す図である。 実施形態１における速度関数を、座標上に表した図である。 実施形態１における、パラメータテーブルの例を示す図である。 実施形態１における、平均速度情報テーブルの例を示す図である。 実施形態１における、渋滞度テーブルの例を示す図である。 実施形態１における、パラメータαとβの推定方法を説明するための図である。 実施形態１における、パラメータαとβの推定方法を説明するための図である。 実施形態１における、平日／休日別の交通量変動の例を示す図である。 実施形態１における、エージェント車両導出入部の処理を説明するための図である。 実施形態１における、シミュレーション実行部の処理を説明するための図である。 実施形態１における、端末装置でのプローブ情報送信処理のフローチャートを示す図である。 実施形態１における、渋滞予測装置での渋滞予測処理のフローチャートを示す図である。 法定速度とプローブサンプル数の対応関係を示す図である。
（実施形態１）
　添付図面を参照しながら本実施形態について説明する。
　図１を参照して、本実施形態における渋滞予測システム１の構成を説明する。渋滞予測システム１は、複数のプローブ車両Ｐにそれぞれ搭載された端末装置１００と、渋滞予測装置２００とから構成される。各端末装置１００と渋滞予測装置２００との間は、インターネットなどのネットワークＮＷを介して相互に通信可能に接続される。
　図２は、端末装置１００の構成の例を示す機能ブロック図である。
　端末装置１００は、図２に示すように、記憶部１０１と、位置検出部１０２と、車両情報検出部１０３と、プローブ情報生成部１０４と、通信部１０５と、制御部１０６と、を備える。端末装置１００は、プローブ車両Ｐの現在位置を検出し、検出した現在位置を示す位置情報などを含むプローブ情報Ｄ１を渋滞予測装置２００へ送信する処理を行う。
　端末装置１００は、ＧＰＳ（Global Positioning System）などの位置検出機能を備えたカーナビゲーションシステムなどの車載端末であってもよい。または、端末装置１００は、位置検出機能などを備えた汎用的な端末装置、例えば、スマートフォン、携帯電話、ＰＣ（Personal Computer）などであってもよい。また、例えば、車載装置と汎用的な端末装置との組み合わせにより、端末装置１００を構成してもよい。
　記憶部１０１は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、不揮発性メモリなどから構成される。記憶部１０１は、制御部１０６が備えるＣＰＵ（Central Processing Unit）のワーキングエリア、ＣＰＵが実行する動作プログラムなど各種プログラムを格納するプログラムエリア、各種データを格納するデータエリアなどとして機能する。
　位置検出部１０２は、例えば、ＧＰＳモジュールなどで構成されており、プローブ車両Ｐの現在位置を検出する。具体的には、位置検出部１０２は、ＧＰＳモジュールのＧＰＳアンテナにより受信したＧＰＳ信号に基づいて、プローブ車両Ｐの絶対的な現在位置（例えば、緯度と経度）を検出する。
　車両情報検出部１０３は、ジャイロセンサ、車速センサなどの各種センサなどで構成される。ジャイロセンサは、制御部１０６の制御の下、プローブ車両Ｐの角速度を検出する。そして、ジャイロセンサは、プローブ車両Ｐの進行方向の方位である進行方位の変化量を算出する。また、車速センサは制御部１０６の制御の下、車輪の回転に応じて出力されるパルス信号（車速信号）を検出して、プローブ車両Ｐの速度を算出する。
　プローブ情報生成部１０４は、日時とプローブ車両Ｐの現在位置と速度と進行方位とプローブ車両の車両ＩＤとを含むプローブ情報Ｄ１を生成する。プローブ情報生成部１０４は、生成したプローブ情報Ｄ１を、通信部１０５を介して渋滞予測装置２００へ送信する。車両ＩＤは、渋滞予測装置２００がプローブ車両を特定するのに用いられる。
　通信部１０５は、渋滞予測装置２００との間で、プローブ情報Ｄ１など各種データの送受信を行う。
　制御部１０６は、例えば、ＣＰＵなどから構成される。制御部１０６は、記憶部１０１のＲＡＭをワークメモリとして、プログラムエリアに格納されている動作プログラムを実行することで、図２に示す判定部１０６ａとして機能する。また、制御部１０６は、端末装置１００の各機能部を制御し、プローブ情報送信処理などの処理を実行する。
　判定部１０６ａは、プローブ車両Ｐの現在位置、進行方向、速度を検出する検出タイミングが到来したか否かを判定する。ここで、検出タイミングとして、定周期、渋滞予測装置からの指示、渋滞時などが考えられる。本実施形態においては、プローブ車両Ｐの端末装置１００は、それぞれ同じタイミングでプローブ車両Ｐの現在位置などを定期的に取得するように構成されているものとする。
　次に、図３乃至図５を参照して、本実施形態における渋滞予測装置２００の構成について説明する。
　渋滞予測装置２００は、図３に示すように、通信部２０１と、記憶部２０２と、制御部２０３と、を備える。渋滞予測装置２００は、各プローブ車両Ｐに搭載された端末装置１００から送信されるプローブ情報Ｄ１に基づいて、渋滞を予測する。
　通信部２０１は、ネットワークＮＷを介して接続されている各端末装置１００との間で、プローブ情報Ｄ１を含む各種データの送受信を行う。
　記憶部２０２は、ＲＯＭ、ＲＡＭ、不揮発性メモリなどから構成される。この記憶部２０２は、図４に示す各記憶部２０２ａ乃至２０２ｆとして機能する。
　走行履歴記憶部２０２ａは、定期的に端末装置１００から送信される各プローブ車両Ｐのプローブ情報Ｄ１に基づいて生成される走行履歴Ｔｂ１を蓄積する。この走行履歴Ｔｂ１は、図６に示すように、日時と、平日か否かと、その日時におけるプローブ車両Ｐの速度と、走行エッジと、走行車線（上り／下り）と、が対応付けられたものである。
　図４に戻り、予測走行履歴記憶部２０２ｂは、後述する渋滞予測処理において予測したプローブ車両Ｐ（又は、後述するエージェント車両Ａ）の走行履歴である予測走行履歴Ｔｂ２を蓄積する。
　図７は、プローブ車両ＰＣ００００１の予測走行履歴Ｔｂ２の例を示す図である。この予測走行履歴Ｔｂ２は、プローブ車両Ｐ（又は後述するエージェント車両Ａ）の予測される将来の走行の履歴を示す。
　図４に戻り、地図データ記憶部２０２ｃは、地図データを記憶する。この地図データは、モデル化した道路ネットワークを示すものである。この道路ネットワークは、図８に示すように、地図情報の交差点に対応付けられたノードと、隣接する２つの交差点（ノード）に挟まれた道路区間に対応付けられたエッジと、で構成される。図８の例では、Ｅ００００１などはエッジを示し、Ｎ００００１などはノードを示している。
　また、各エッジと各ノードには、属性情報が付加される。
　図９は、エッジの属性情報であるエッジ属性情報テーブルＴｂ３の例を示す図である。エッジ属性情報テーブルＴｂ３は、エッジ毎に、エッジの識別番号と、そのエッジの両端のノードの識別番号と、そのエッジのエッジ長と、そのエッジの上り／下り車線（以下、エッジ車線ともいう）別の法定速度Ｖｍａｘと、が対応付けられたテーブルである。
　なお、このエッジの法定速度Ｖｍａｘは、上り／下り車線の実際の法定速度Ｖｍａｘに基づいて設定される。
　また、ノードの属性情報として、図１０は第１ノード属性情報テーブルＴｂ４を、図１１は第２ノード属性情報テーブルＴｂ５を、それぞれ示す。
　第１ノード属性情報テーブルＴｂ４は、ノードの識別番号にそのノードの位置を特定するための座標（例えば、緯度と経度）が対応付けられたテーブルである。
　また、第２ノード属性情報テーブルＴｂ５は、図１１Ａに示すように、ノードの識別番号に、そのノードにおけるエッジ接続情報と、そのノードにおける分岐率と、信号機の有無と、信号機が有る場合にはそのサイクル長と有効青時間との組と、が対応付けられたテーブルである。ここで、図１１Ｂは、図１１Ａに示す第２ノード属性情報テーブルＴｂ５において、点線枠Ｗ１で囲まれた部分を抜き出した図である。
　エッジ接続情報は、ノードにおけるエッジの接続関係（ノードに対する上流エッジと、下流エッジである接続先エッジの組み合わせ）を示す情報である。例えば、図１１Ａを参照すると、エッジＥ００００１が上流エッジとしてノードＮ００００１に対応付けられている。上流エッジであるエッジＥ００００１には、接続先エッジとしてエッジＥ００００２とエッジＥ０００１０とエッジＥ０００１１とが対応付けられている。
　ノードにおける分岐率は、上流エッジを走行するプローブ車両Ｐが分岐点となるノードから特定のエッジに進行する確率である。この分岐率は、平日と休日の各時間帯ごとに設定される。
　この分岐率は、後述する渋滞予測処理においてプローブ車両Ｐなどの走行を制御するために使用される。
　例えば、図１１Ａと図１１Ｂを参照して、エッジＥ００００１を走行するプローブ車両ＰがノードＮ００００１に進入した場合を想定する。この場合、渋滞予測シミュレーションにおける予測日時が平日の午前９時台であれば、そのプローブ車両ＰをエッジＥ００００２へ進行させる確率（分岐率）は０．６０となる。
　信号機の有無の欄には、信号機が設置されている場合には、”１”が格納され、信号機が設置されていない場合には、”０”が格納される。
　サイクル長と有効青時間（以下、まとめて信号属性情報ともいう）のうち、サイクル長は、信号機の信号現示が一巡する時間（一般的には、信号機が赤に切り替わってからまた次に信号機が赤に切り替わる迄の時間）を意味する。有効青時間は、車両が交差点に進入可能な時間を意味する。信号属性情報は、信号機の設定情報（実際のサイクル長と有効青時間）に基づいて設定される。
　この信号属性情報は、後述する渋滞予測処理においてプローブ車両Ｐなどの走行を制御するために使用される。
　図４に戻り、速度関数記憶部２０２ｄは、下記の式（１）で示される速度関数を記憶する。本実施形態における速度関数記憶部２０２ｄは、エッジ車線別に速度関数を記憶する。この速度関数は、渋滞予測処理で用いられる。
Figure JPOXMLDOC01-appb-M000001
 　ここで、Ｖａは、エッジ車線を走行するプローブ車両Ｐの平均速度を示す。Ｖｍａｘは、そのエッジ車線における法定速度を示す。ｎは、そのエッジ車線を走行するプローブ車両Ｐの台数を示す。ｄは、そのエッジのエッジ長を示す。
　この速度関数は、エッジ車線を走行するプローブ車両Ｐの平均速度Ｖａと、そのエッジ車線を走行するプローブ車両Ｐの台数ｎとの関係を示すものである。一般にプローブ車両の増加に伴い道路が混雑することから、プローブ台数が増加すると平均速度は低下することが知られている。より具体的には、道路を走行する車両の台数が少数の場合には台数が増加しても平均速度はあまり低下しないが、ある一定台数以上になると台数の増加に伴い平均速度は急激に低下し、低速走行の状態となると車両の台数が増加しても速度はあまり低下しないことが知られている。図１２に示す曲線は、式（１）で示される台数と平均速度の関係を座標上に表したものである。この曲線から、平均速度Ｖａは、エッジ車線を走行するプローブ車両Ｐの台数が所定の許容量（交通容量）を超えると、急激に低下することがわかる。このような、一般に知られている台数と速度との関係に沿った特徴を有する関数であれば、速度関数として用いることが可能である。
　また、速度関数記憶部２０２ｄは、速度関数以外に、図１３のパラメータテーブルＴｂ６を記憶する。パラメータテーブルＴｂ６は、エッジの上り／下り車線別に速度関数のパラメータαとβとの組が対応付けられたテーブルである。
　図４に戻り、平均速度記憶部２０２ｅは、図１４の平均速度情報テーブルＴｂ７を格納する。平均速度情報テーブルＴｂ７は、エッジの上り／下り車線別に、平日／休日別の各時間帯ごとの平均速度が対応付けられたテーブルである。
　渋滞度記憶部２０２ｆは、図１５の渋滞度テーブルＴｂ８を格納する。渋滞度テーブルＴｂ８は、各エッジにおけるシミュレーションの予測日時と、渋滞度と、を対応付けたテーブルである。
　図３に戻り、制御部２０３は、図５Ａに示すように、走行履歴生成部２０３ａ、パラメータ推定部２０３ｂ、分岐率推定部２０３ｃ、平均速度推定部２０３ｄ、判定部２０３ｅ及び渋滞予測処理部２０３ｆを機能として備える。
　走行履歴生成部２０３ａは、各端末装置１００から送信されるプローブ情報Ｄ１に含まれる車両ＩＤで特定されるプローブ車両Ｐの走行履歴Ｔｂ１を生成する。
　具体的には、走行履歴生成部２０３ａは、車両ＩＤで特定されるプローブ車両Ｐについて、走行履歴Ｔｂ１の「日時」欄と「速度」欄に、プローブ情報Ｄ１に含まれる日時と速度とをそれぞれ格納する。
　また、走行履歴生成部２０３ａは、プローブ情報Ｄ１に含まれる日時に基づいて平日か否かを判定し、平日であると判定した場合は、「平日／休日」欄に”０”を、休日であると判定した場合には、「平日／休日」欄に”１”を格納する。
　また、走行履歴生成部２０３ａは、プローブ情報Ｄ１に含まれる現在位置と進行方位とに基づいて、マップマッチング（位置データから道路ネットワーク上の移動した経路（道路）を特定することを）を実行する。このマップマッチングにより、そのプローブ車両Ｐが走行するエッジとそのエッジの車線（上り／下り）とを特定する。そして、走行履歴生成部２０３ａは、特定したエッジの識別番号を、「走行エッジ」欄に格納する。また、走行履歴生成部２０３ａは、特定した走行車線が上りである場合は、「走行車線（上り／下り）」欄に、”０”を格納し、特定した走行車線が下りである場合は、「走行車線（上り／下り）」欄に、”１”を格納する。
　走行履歴生成部２０３ａは、上述の手法により、プローブ情報Ｄに基づいて、プローブ車両毎の走行履歴Ｔｂ１を生成する（図６参照）。
　この走行履歴Ｔｂ１により、各プローブ車両Ｐの走行経路を特定することが可能となる。
　次に、パラメータ推定部２０３ｂは、走行履歴記憶部２０２ａに蓄積されている走行履歴Ｔｂ１に基づいて、各エッジの上り／下り車線別に、パラメータαとβを推定する。なおパラメータαは曲線の傾き（車両の台数が増加すると平均速度が急激に低下する際の、速度低下率を示す値）、パラメータβは位相（車両増加にともない平均速度が急激に低下し始める台数を示す値）を表している。そして、パラメータ推定部２０３ｂは、速度関数記憶部２０２ｄに格納されているパラメータテーブルＴｂ６のパラメータを、推定したパラメータで更新する。
　具体的には、パラメータ推定部２０３ｂは、走行履歴Ｔｂ１に基づいて、各エッジの上り／下り車線別に、そのエッジ車線を走行したプローブ車両Ｐを複数特定する。そして、パラメータ推定部２０３ｂは、特定した複数のプローブ車両Ｐの走行速度を抽出する。そして、パラメータ推定部２０３ｂは、複数のプローブ車両Ｐの台数ｎと、抽出した走行速度の平均速度Ｖａを求める。
　そして、パラメータ推定部２０３ｂは、各エッジの上り／下り車線別に、台数ｎと平均速度Ｖａと、そのエッジのエッジ長ｄと、そのエッジ車線の法定速度Ｖｍａｘを、式（１）で表現される速度関数に代入する。そして、パラメータ推定部２０３ｂは、最小二乗法により、各エッジの上り／下り車線別にパラメータαとβを推定する。
　図１６Ａと図１６Ｂは、エッジＥ０００１５の上り車線を例に、パラメータαとβの推定方法を説明するための図である。図１６Ａは、複数の走行履歴Ｔｂ１から、エッジＥ０００１５の上り車線を走行したプローブ車両Ｐの走行速度を検出日時ごとに抽出した例を示す図である。図１６Ｂは、検出日時ごとに求めた、エッジＥ０００１５の上り車線を走行したプローブ車両Ｐの平均速度Ｖａと走行台数ｎの例を示す図である。
　例えば、図１６Ａと図１６Ｂを参照すると、検出日時Ｔ１にエッジＥ０００１５の上り車線を走行したプローブ車両Ｐの平均速度Ｖａ１５Ｔ１は、速度Ｖ１－１とＶ３－１とＶ９－１の平均値である。その検出日時Ｔ１にエッジＥ０００１５の上り車線を走行したプローブ車両Ｐの台数は３台である。ここで、推定対象のエッジ車線がエッジＥ０００１５の上り車線である場合を想定する。パラメータ推定部２０３ｂは、地図データ記憶部２０２ｃに格納されているエッジ属性情報テーブルＴｂ３（図９に例示）からエッジＥ０００１５の上り車線に対応するエッジ長Ｌ１５と法定速度Ｖｍａｘ１５－０を取得する。
　そして、パラメータ推定部２０３ｂは、取得したエッジ長Ｌ１５と法定速度Ｖｍａｘ１５－０と、検出日時ごとに求めたエッジＥ０００１５の上り車線を走行したプローブ車両Ｐの平均速度Ｖａと走行台数ｎとを、速度関数Ｖａにそれぞれ代入する。そして、パラメータ推定部２０３ｂは、最小二乗法により、エッジＥ０００１５の上り車線のパラメータα１５－０とβ１５－０を求める。
　図５Ａに戻り、分岐率推定部２０３ｃは、分岐率を推定する。そして、分岐率推定部２０３ｃは、推定した値で、第２ノード属性情報テーブルＴｂ５の分岐率をそれぞれ更新する。
　例えば、図１１Ａを参照して、ノードＮ００００１の上流エッジＥ００００１からエッジＥ００００２への分岐率を推定する場合を想定する。この場合、分岐率推定部２０３ｃは、まず、走行履歴Ｔｂ１から、プローブ車両ＰがノードＮ００００１の上流エッジＥ００００１を走行した履歴を全て抽出する。分岐率推定部２０３ｃは、抽出した履歴を平日／休日別の各時間帯ごとに分類し、そのうちでプローブ車両ＰがノードＮ００００１を介してエッジＥ００００２へ進行した割合を算出する。
　例えば、抽出された履歴のうち、検出日時が平日の午前９時台に該当する履歴が１０００件であったとする。その１０００件の履歴のうち、ノードＮ００００１を介してエッジＥ００００２へ進行した履歴が６００件である場合には、平日の午前９時台における、ノードＮ００００１に接続する上流エッジＥ００００１からエッジＥ００００２へ進行する割合（分岐率）は、０．６０となる（図１１Ｂ参照）。
　図５Ａに戻り、平均速度推定部２０３ｄは、走行履歴Ｔｂ１に基づいて、各エッジの上り／下り車線別に平日／休日別の各時間帯ごとの平均速度を推定する。そして、平均速度推定部２０３ｄは、図１４に示す平均速度情報テーブルＴｂ７を更新する。
　例えば、エッジＥ００００１の上り車線における平日０時台の平均速度を推定する場合を想定する。平均速度推定部２０３ｄは、複数のプローブ車両Ｐの走行履歴Ｔｂ１から、平日の０時台にエッジＥ００００１の上り車線を走行した履歴を全て抽出する。平均速度推定部２０３ｄは、抽出した全ての履歴における複数のプローブ車両Ｐの走行速度の平均を算出することで、平均速度を推定する。
　図５Ａに戻り、判定部２０３ｅは、様々な判定を行う。
　具体的には、判定部２０３ｅは、各端末装置１００からのプローブ情報Ｄ１を受信したか否かを判定、パラメータαとβ、分岐率及び平均速度を推定するタイミング判定又は渋滞予測のための渋滞予測シミュレーションの実行指示判定などを行う。
　なお、パラメータαとβ、分岐率及び平均速度の推定タイミングは、例えば、定周期、ユーザからの指示、所定量の履歴が走行履歴Ｔｂ１に追加されたタイミングなど考えられる。この推定タイミングは、異なっていても同じであってもよい。
　このように制御部２０３の各部によって、各端末装置１００から送信されるプローブ情報Ｄ１に基づき、渋滞予測に必要な各種テーブル（走行履歴Ｔｂ１、分岐率や信号属性情報を含む第２ノード属性情報テーブルＴｂ５、平均速度テーブルＴｂ７など）が生成される。そして、この生成された各種テーブルは、所定の推定タイミング毎に更新されるので最新の履歴情報等を渋滞予測装置２００は記憶する。
　以上を前提に、渋滞予測装置２００の渋滞予測処理部２０３ｆは、以下で説明する渋滞予測のための様々な処理を行う。
　渋滞予測処理部２０３ｆは、図５Ｂに示すように、エージェント車両数算出部２０３ｆ１、差分算出部２０３ｆ２、エージェント車両導出入部２０３ｆ３、シミュレーション実行部２０３ｆ４、渋滞度推定部２０３ｆ５で構成される。渋滞予測処理部２０３ｆは、これら各部により渋滞予測処理を実行し、各エッジの上り／下り車線別の渋滞度を予測する。
　また、渋滞予測処理部２０３ｆは、ユーザからの渋滞予測シミュレーションの実行指示に基づいて、渋滞予測処理を開始する。この実行指示には、ユーザが指定した、シミュレーションの開始時刻と終了時刻、平日又は休日、渋滞予測を行う予測エリアを含む。渋滞予測処理部２０３ｆは、開始時刻と終了時刻に基づきシミュレーション期間を算出する。また、渋滞予測処理部２０３ｆは、このシミュレーション期間内において所定の予測間隔毎にプローブ車両Ｐと後述するエージェント車両Ａとの走行位置を予測する。
　ここで、予測間隔は、渋滞予測シミュレーションにおいてプローブ車両Ｐとエージェント車両Ａとの走行位置を予測する間隔を意味する。例えば、５秒ごとに走行位置を予測する場合、予測間隔は５秒となる。
　この実施形態では、予測間隔の値は渋滞予測装置２００が有するデフォルトの値を用いるようにする。また、ユーザは、実行指示を渋滞予測装置２００に直接指示するか、又はプローブ車両Ｐ内の端末装置１００から遠隔指示する。
　エージェント車両数算出部２０３ｆ１は、下記の式（２）で示される速度関数（以下、拡張速度関数という）に基づいて、各エッジの上り／下り車線別に、渋滞予測シミュレーションの開始時刻に導入するエージェント車両Ａの台数を算出する。ここで、エージェント車両Ａは、実際の道路上を走行するプローブ車両以外の車両（以下、非プローブ車両という）を補完するために導入される仮想車両である。このエージェント車両Ａは、実際の道路上を走行するプローブ車両Ｐの台数が少ない場合に、実際の交通量を再現するために用いられる。
　また、（２）の拡張速度関数は、エージェント車両Ａを考慮するために上記（１）の速度関数を拡張したものであり、予測エリア内のエッジ車線を走行するプローブ車両Ｐ及びエージェント車両Ａの総台数と、そのエッジ車線を走行するプローブ車両Ｐ及びエージェント車両Ａの平均速度Ｖａとの関係を示す。
　なお、エージェント車両Ａとプローブ車両Ｐとをまとめて以下、単に車両という場合もある。
Figure JPOXMLDOC01-appb-M000002
　ここで、ｍは拡大係数である。ｎ’は、エッジ車線を走行するプローブ車両Ｐとエージェント車両Ａの総台数（以下、単に総台数ｎ’ともいう）である。総台数ｎ’は拡大係数ｍとｎ（プローブ車両の台数）の積、つまり、ｎ’＝ｍｎである。拡大係数ｍは、予め設定された値である。この拡張速度関数は、エッジ車線毎に速度関数記憶部２０２ｄに記憶される。
　より具体的には、エージェント車両数算出部２０３ｆ１は、エッジ属性情報テーブルＴｂ３からエッジ車線の法定速度Ｖｍａｘとエッジ長を、パラメータテーブルＴｂ６からそのエッジ車線のパラメータαとβを、それぞれ取得する。
　次に、エージェント車両数算出部２０３ｆ１は、複数のプローブ車両Ｐの走行履歴Ｔｂ１に基づいて、シミュレーションの開始時刻において予測エリア内のエッジ車線を走行する複数のプローブ車両Ｐの速度を特定する。そして、エージェント車両数算出部２０３ｆ１は、特定した複数の速度からそのエッジ車線の平均速度Ｖａを求める。
　次に、エージェント車両数算出部２０３ｆ１は、式（２）にそれらの値を代入することでエッジ車線における総台数ｎ’を求める。
　エージェント車両数算出部２０３ｆ１は、求めた総台数ｎ’からエージェント車両Ａの台数を算出する。具体的には、エージェント車両Ａの台数＝総台数ｎ’－プローブ車両Ｐの台数ｎで求められ、かつ上述のようにｎ’＝ｍｎである。このため、エージェント車両Ａの台数＝ｍｎ－ｎ＝（ｍ－１）ｎとなる。エージェント車両数算出部２０３ｆ１は、予め設定された値であるｍと、エッジ車線を走行する複数のプローブ車両Ｐの台数ｎと、を代入して、エッジ車線のエージェント車両Ａの台数を求める。
　このようにして、エージェント車両数算出部２０３ｆ１は、まず、シミュレーション開始時刻のエージェント車両Ａの台数を、予測エリアに含まれる各エッジの上り／下り車線別に算出する。その後、総和をとって予測エリアのエージェント車両の台数ｎａを求める。
　差分算出部２０３ｆ２は、平均速度情報テーブルＴｂ７に基づいて、各エッジの上り／下り車線別に平日／休日別の交通量変動（図１７）を求める。この交通量変動は、プローブ情報Ｄに基づいて交通量の経時的な変動を再現したものである。
　ここで、図１７を参照して、エッジＥ００００１の上り車線を例に、差分算出部２０３ｆ２による差分算出処理について説明する。図１７の縦軸はエッジ上を走行する車の台数（交通量）、横軸は時間帯を示す。
　差分算出部２０３ｆ２は、エッジ属性情報テーブルＴｂ３と、パラメータテーブルＴｂ６と、平均速度情報テーブルＴｂ７とから、エッジＥ００００１の上り車線の法定速度Ｖｍａｘ１－０とエッジ長Ｌ１と、パラメータα１－０とβ１－０と、エッジＥ００００１の上り車線の平均速度Ｖａ１０ｘｘ（平日／休日別の各時間帯ごとの平均速度）をそれぞれ取得する。
　そして、差分算出部２０３ｆ２は、式（２）の拡張速度関数に取得した値をそれぞれ代入する。そして、差分算出部２０３ｆ２は、エッジＥ００００１の上り車線を走行するプローブ車両Ｐとエージェント車両Ａの総台数ｎ’を、平日／休日別の各時間帯ごとに推定する。これを用いて、平日／休日別や、時間帯別の交通量変動を求める。
　そして、差分算出部２０３ｆ２は、求めた交通量変動に基づいて、所定の調整間隔毎にシミュレーション開始時刻において導入したエージェント車両台数ｎａの見直しを行う。
　具体的には、差分算出部２０３ｆ２は、所定の調整時刻になると、シミュレーションの開始時時刻の総台数ｎ’と、その調整時刻の総台数と、を比較して交通量の差分△ｎ’を算出する。
　例えば、シミュレーションの開始時刻が平日９時であって所定の調整間隔が渋滞予測装置２００にデフォルトで設定された１時間である場合を想定する。この場合、差分算出部２０３ｆ２は、最初の調整時刻である平日１０時になると、平日９時の総台数ｎ’と平日１０時の総台数とを比較して（すなわち、平日９時と１０時の交通量同士を比較して）、差分△ｎ’を算出する。
　そして、差分算出部２０３ｆ２は、予測エリア内のエッジ車線ごとに算出した差分△ｎ’（交通変動量）を足して、予測エリアのエリア差分を求める。
　図５Ｂに戻り、エージェント車両導出入部２０３ｆ３は、１）シミュレーションの開始時刻に予測エリア内にエージェント車両Ａの導入を行い、２）シミュレーション期間中の調整間隔毎に、導入したエージェント車両Ａの台数の調整を行う。
　上記１）について、具体的には、エージェント車両導出入部２０３ｆ３は、エージェント車両数算出部２０３ｆ１により求めた予測エリアのエージェント車両Ａの台数ｎａをシミュレーションの開始時刻に予測エリア内の複数のエッジに任意に導入する。
　上記２）について、具体的には、エージェント車両導出入部２０３ｆ３は、調整時刻になると差分算出部２０３ｆ２により求めたエリア差分に応じて、調整時刻における車の台数が、図１７の対応する調整時刻における交通量となるようにエージェント車両の台数ｎａを増減して調整する。
　ここで、上記１）及び２）について、図１８を参照しながら具体例により説明する。図１８は、予測エリア内の例を示している。予測エリアは、複数のエッジと複数のノードとを含む。また、図中の白抜き長方形はプローブ車両Ｐ、黒塗りつぶし長方形はエージェント車両Ａである。
　図１８の例は、予測エリア内のエージェント車両Ａの台数の合計が６０台である場合の例である。すなわち、エージェント車両導出入部２０３ｆ３が、シミュレーションの開始時刻で予測エリアのエージェント車両Ａの台数ｎａを６０台として導入した後の例を示す図である。
　ここで、調整時刻において予測エリアのエリア差分が”－５”の場合、すなわち交通量変動により交通量が減って開始時刻と調整時刻とでのエリア差分が”－５”台の場合を想定する。この場合、エージェント車両導出入部２０３ｆ３は、例えば、ランダムにエージェント車両Aを選択し、それらを消去する。たとえば、図１８では、選択されたエージェント車両Aを丸で囲んで表示している。
　このようして、調整間隔毎にエージェント車両Ａの台数を交通量変動に合うように増減することで、エージェント車両Ａにより、プローブ情報Ｄ１に基づく経時的な交通量変動を再現する。
　図５Ｂに戻り、シミュレーション実行部２０３ｆ４は、端末装置１００又は渋滞予測装置２００のユーザからの実行指示に従って、渋滞予測のための渋滞予測シミュレーションを実行する。
　シミュレーション実行部２０３ｆ４は、エージェント車両導出入部２０３ｆ３によりシミュレーションの開始時刻において導入されたエージェント車両、及び同時刻のプローブ車両の走行予測を行う。
　具体的には、シミュレーション実行部２０３ｆ４は、拡張速度関数と分岐率と信号属性情報とに基づいて、所定の予測間隔毎に（例えば、デフォルトの５秒毎に）シミュレーション開始時刻のプローブ車両Ｐとエージェント車両Ａの走行予測（例えば、速度、エッジ、上り／下り車線などを）を終了時刻になるまで繰り返し実行する。
　なお、シミュレーション開始時刻における各エージェント車両Ａの速度は、平均速度情報テーブルＴｂ７に基づいて設定される。例えば、図１４を参照して、シミュレーション開始時刻が平日午前２時である場合、エッジＥ００００１の上り車線に導入されたエージェント車両Ａの走行速度は速度Ｖａ１００２となる。
　拡張速度関数は、シミュレーション期間中の、プローブ車両Ｐとエージェント車両Ａの走行速度を求めるために利用される。シミュレーション実行部２０３ｆ４は、拡張速度関数により求めた走行速度に従って、プローブ車両Ｐとエージェント車両Ａの走行を制御する。
　具体的には、シミュレーション実行部２０３ｆ４は、プローブ車両Ｐとエージェント車両Ａの走行予測を行う度に、各エッジの上り／下り車線別に走行する車両台数を求める。求めた車両台数を拡張速度関数に代入することで、各エッジの上り／下り車線別の平均速度を推定する。そして、シミュレーション実行部２０３ｆ４は、推定した平均速度に従って、プローブ車両Ｐとエージェント車両Ａの走行を制御する。
　分岐率は、プローブ車両Ｐ又はエージェント車両Ａがノードに差し掛かった時に、次に進行するエッジを確率的に決定するために利用される。シミュレーション実行部２０３ｆ４は、分岐率に従って、プローブ車両Ｐとエージェント車両Ａの進行先を制御する。
　信号属性情報は、シミュレーション期間中の、プローブ車両Ｐとエージェント車両Ａの走行を制御するために利用される。シミュレーション実行部２０３ｆ４は、信号属性情報に従って、各信号機を制御する。例えば、プローブ車両Ｐ又はエージェント車両Ａがノードに差し掛かった場合を想定する。この場合、対応する信号機が赤の場合には、シミュレーション実行部２０３ｆ４は、その信号機が青に変わる迄、そのプローブ車両Ｐ又はエージェント車両Ａをノードの直前で停止させる。
　また、シミュレーション実行部２０３ｆ４は、プローブ車両Ｐとエージェント車両Ａの走行予測を行うたびに、その予測した走行の履歴（予測日時、平日／休日の別、速度、走行エッジ、走行車線）を、予測走行履歴記憶部２０２ｂに格納されている予測走行履歴Ｔｂ２に追加する。
　例えば、シミュレーション開始時刻が平日９時で予測間隔が５秒であったとする。平日９時におけるプローブ車両Ｐ（ＰＣ００００１）の走行位置が図１８に示す位置であり、予測間隔毎に走行予測を行った後の数分後の走行位置が図１９に示す位置であると仮定する。この場合、予測間隔毎に生成された予測走行履歴Ｔｂ２が、図７に例示する予測走行履歴Ｔｂ２であると仮定する。この場合、プローブ車両Ｐ（ＰＣ００００１）の予測される走行ルートは、ノードＮ００００１＞エッジＥ０００１１上り車線＞ノードＮ００００３＞エッジＥ００００５上り車線＞ノードＮ００００４＞エッジＥ０００１６下り車線＞ノードＮ００００６＞エッジＥ００００９上り車線であることが分かる。
　図５Ｂに戻り、渋滞度推定部２０３ｆ５は、シミュレーション実行部２０３ｆ４により生成された予測走行履歴Ｔｂ２に基づいて、下記の式（３）により定義される渋滞度ＣＪを、各エッジの上り／下り車線別に算出する。これにより、将来の渋滞度を推定する。
Figure JPOXMLDOC01-appb-M000003
　具体的には、渋滞度推定部２０３ｆ５は、予測走行履歴Ｔｂ２からエッジ車線に関する履歴を抽出する。抽出した履歴を予測日時ごとに分類し、予測日時ごとの平均速度を求める。そして、渋滞度推定部２０３ｆ５は、求めた平均速度Ｖａと、エッジ属性情報テーブルＴｂ３から取得した法定速度Ｖｍａｘと、を式（３）に代入する。これにより、対象エッジ車線の渋滞度ＣＪを予測日時ごとに算出する。
　そして、渋滞度推定部２０３ｆ５は、算出した渋滞度ＣＪと予測日時とを対応付けた渋滞度テーブルＴｂ８を生成する（図１５）。渋滞度推定部２０３ｆ５は、生成した渋滞度テーブルＴｂ８を渋滞度記憶部２０２ｆに格納する。図中の予測日時Ｔｓ０は、シミュレーション開始時刻の日時であり、Ｔｓ１乃至Ｔｓ７は予測間隔の時間でそれぞれ更新した日時である。
　また、ユーザに対しては、渋滞度テーブルＴｂ８に基づいて加工した様々な表示形式で渋滞度を表示するようにする。例えば、渋滞度ＣＪの度合いに応じた色（赤が渋滞中など）を図１９に示す渋滞中のエッジに重畳して表示することなどが考えられる。また、図１５のテーブル形式でユーザに表示してもよい。
　次に、図２０及び図２１を参照して、端末装置１００と渋滞予測装置２００それぞれの処理について説明する。図２０は、端末装置１００でのプローブ情報送信処理のフローチャートを示す図である。図２１は、渋滞予測装置２００での渋滞予測処理のフローチャートを示す図である。
　まず、図２０のこのプローブ情報送信処理を説明する。この処理は、端末装置１００の電源がＯＮされたことをトリガとして開始される。
　まず、端末装置１００の判定部１０６ａは、自装置を搭載するプローブ車両Ｐの現在位置、進行方向、速度を検出する検出タイミングが到来したか否かを判定する（ステップＳ１０１）。判定部１０６ａにより、検出タイミングがまだ到来してないと判定された場合には（ステップＳ１０１；ＮＯ）、ステップＳ１０１の処理を繰り返し、検出タイミングの到来を待つ。
　一方、判定部１０６ａにより、検出タイミングが到来したと判定された場合（ステップＳ１０１；ＹＥＳ）、位置検出部１０２は、プローブ車両Ｐの現在位置を検出する（ステップＳ１０２）。次に、車両情報検出部１０３は、プローブ車両Ｐの進行方向と速度を検出する（ステップＳ１０３）。
　そして、プローブ情報生成部１０４は、プローブ車両Ｐの現在位置と速度と進行方位と検出日時、及び車両ＩＤを含むプローブ情報Ｄ１を生成する（ステップＳ１０４）。プローブ情報生成部１０４は、生成したプローブ情報Ｄ１を、通信部１０５を介して渋滞予測装置２００へ送信する（ステップＳ１０５）。そして、処理はステップＳ１０１の処理に戻り、前述の処理を繰り返す。
　一方、渋滞予測装置２００の走行履歴生成部２０３ａは、受信したプローブ情報Ｄ１に基づいて、走行履歴Ｔｂ１を生成する。
　次に、図２１を参照して、渋滞予測処理を説明する。この渋滞予測処理は、端末装置１００又は渋滞予測装置２００のユーザからの実行指示をトリガとして開始される。具体的には、渋滞予測処理は、ユーザからの実行指示に含まれるシミュレーションの開始時刻と終了時刻、平日又は休日指定、予測エリアなど渋滞予測処理を行うにあたって必要な情報を受け付けたことをトリガとして開始される。
　また、渋滞予測装置２００は、予測間隔と調整間隔の値はデフォルトで設定された間隔を用いる。なお、予測間隔と調整間隔の値は、ユーザが指定して実行指示に含めてもよい。
　渋滞予測装置２００は、実行指示を受け付けると、以下の渋滞予測処理を順に行う。
　まず、エージェント車両数算出部２０３ｆ１は、予測エリアにおけるシミュレーション開始時刻のエージェント車両Ａの台数ｎａを算出する（ステップＳ３０３）。具体的には、エージェント車両数算出部２０３ｆ１は、拡張速度関数に基づいて、予測エリア内の各エッジの上り／下り車線別に、エージェント車両Ａの台数を算出後に、それらの総和をとって上記ｎａを算出する。
　次に、エージェント車両導出入部２０３ｆ３は、エージェント車両の導出入を行う（ステップＳ３０２）。具体的には、エージェント車両導出入部２０３ｆ３は、シミュレーション開始時刻の予測エリアのエージェント車両Ａの台数ｎａを、予測エリアの複数のエッジに任意に導入する。
　次に、シミュレーション実行部２０３ｆ４は、走行予測を行う（ステップＳ３０３）。具体的には、シミュレーション実行部２０３ｆ４は、シミュレーション開始時刻に導入したエージェント車両と同時刻のプローブ車両とを、拡張速度関数と分岐率と信号属性情報とに基づいて走行予測を行う。
　次に、シミュレーション実行部２０３ｆ４は、その予測した走行の履歴（予測日時、平日／休日の別、速度、エッジ、走行車線）を、予測走行履歴記憶部２０２ｂに格納されている予測走行履歴Ｔｂ２に追加する（ステップＳ３０４）。　
　次に、渋滞度推定部２０３ｆ５は、渋滞度を算出する（ステップＳ３０５）。具体的には、渋滞度推定部２０３ｆ５は、シミュレーション実行部２０３ｆ４により生成された予測走行履歴Ｔｂ２に基づいて、式（３）により定義される渋滞度ＣＪを、各エッジの上り／下り車線別に算出する。
　次に、渋滞度推定部２０３ｆ５は、算出した渋滞度ＣＪをその予測日時と対応付けた渋滞度テーブルＴｂ８を生成し、生成した渋滞度テーブルＴｂ８を渋滞度記憶部２０２ｆに格納する（ステップＳ３０６）。
　次に、制御部２０３は、終了時刻か否か判定する（ステップＳ３０７）。すなわち、制御部２０３は、シミュレーション期間内か否か判定する。
　ここで、終了時刻でなければ（ステップＳ３０７；Ｎｏ）、差分算出部２０３ｆ２は、調整タイミングか否か判定する（ステップＳ３０８）。具体的には、差分算出部２０３ｆ２は、開始時刻と調整間隔に基づき調整時刻を算出して調整タイミングか否か判定する。
　ここで、調整タイミングでない場合（ステップＳ３０８；Ｎｏ）、予測間隔分の時間を更新して（ステップＳ３０９）、走行予測を行う（ステップＳ３０３）。
　このようにして、開始時刻と終了時刻の間のシミュレーション期間内であれば調整タイミングになるまで予測間隔毎にプローブ車両Ｐとエージェント車両Ａの走行予測を繰り返して、予測間隔毎の履歴と渋滞度を蓄積していく（ステップＳ３０３乃至Ｓ３０９のループ）。
　そして、調整タイミングになると（ステップＳ３０８；Ｙｅｓ）、シミュレーション開始時刻において導入したエージェント車両台数ｎａの見直しを行うための処理（ステップＳ３１０乃至Ｓ３１３）を順に行う。
　具体的には、差分算出部２０３ｆ２は、平均速度情報テーブルＴｂ７に基づいて、各エッジの上り／下り車線別に平日／休日別の交通量変動（図１７参照）を求める（ステップＳ３１０）。
　次に、差分算出部２０３ｆ２は、交通量変動に従って、差分を求める（ステップＳ３１１）。具体的には、差分算出部２０３ｆ２は、シミュレーションの開始時時刻のプローブ車両Ｐとエージェント車両Ａの総台数ｎ’と、求めた交通量変動における調整時刻の総台数と、を比較して交通量の差分△ｎ’を算出する。
　次に、差分算出部２０３ｆ２は、予測エリア内のエッジ車線ごとに算出した差分△ｎ’を足して、予測エリアのエリア差分を求める（ステップＳ３１２）。
　次に、差分算出部２０３ｆ２は、算出したエリア差分は０か否か判定する（ステップＳ３１３）。すなわち、エリア差分があるか否か判定する。ここで、エリア差分が０の場合（ステップＳ３１３；Ｙｅｓ）、開始時刻と調整時刻とで予測エリアの交通量変動がないので、エージェント車両Ａの台数の調整は行わずに走行予測を行う（ステップＳ３０３）。
　一方、エリア差分が０でない場合（ステップＳ３１３；Ｎｏ）、エージェント車両導出入部２０３ｆ３は、そのエリア差分に応じて予測エリア内のエージェント車両Ａの台数の導出入を行う（ステップＳ３０２）。このとき、調整時刻において交通量が減った場合（エリア差分が負の値の場合）、エリア差分の絶対値の台数分のエージェント車両Ａを予測エリア内から削除する。一方、調整時刻において交通量が増えた場合（エリア差分が正の値の場合）、エリア差分の絶対値の台数分のエージェント車両Ａを予測エリア内に導入する。このようにして、調整間隔毎に、エージェント車両Ａの台数を増減してプローブ情報Ｄに基づいて求めた交通量変動を再現するようにする。
　そして、渋滞予測装置２００は、予測間隔毎に予測エリア内のプローブ車両とエージェント車両の走行予測を行いつつ（ステップＳ３０３乃至Ｓ３０９のループ）、調整間隔毎にエージェント車両の台数の調整を行って（ステップＳ３０８、３１０乃至Ｓ３１３）、終了時刻になると（ステップＳ３０７；Ｎｏ）、渋滞予測処理を終了する。
　以下、渋滞予測処理を具体例により説明する。
　一例として、プローブ車両Ｐに乗車中のユーザが端末装置１００を介して渋滞予測装置２００にシミュレーションの実行指示を行った場面を想定する。そして、ユーザが予測エリアを指定して、かつ平日の開始時刻を９時、終了時刻を１２時に指定したとする。また、デフォルトの予測間隔は５秒、調整間隔は１時間であるとする。
　渋滞予測装置２００は、実行指示をトリガとして渋滞予測処理を開始後、９時の時点でのエージェント車両を予測エリア内に導入する（ステップＳ３０１及び３０２）。そして、渋滞予測装置２００は、最初の調整時刻である１０時になるまで、５秒間隔で予測エリア内のプローブ車両Ｐとエージェント車両Ａを拡張速度関数で求めた平均速度、分岐率及び信号属性情報に基づいて制御して、走行予測を行う。そして、５秒間隔で予測走行履歴と渋滞度とが蓄積されていく（ステップＳ３０３乃至Ｓ３０９のループ）。
　そして、最初の調整時刻である１０時になると、平日の交通量変動に基づいて、予測エリアにおける平日９時と平日１０時の交通量の差分であるエリア差分を求めて、そのエリア差分が０でない場合は、そのエリア差分の正負に応じてエージェント車両の台数を増減する（ステップＳ３０８、３１０乃至Ｓ３１３）。
　同様に、次の調整時刻である１１時になるまで上記ループを繰り返して、１１時になると、平日１０時と平日１１時の交通量の差分であるエリア差分を求めて、そのエリア差分の正負に応じて、平日１０時の時点におけるエージェント車両の台数が平日１１時の交通量になるように台数を増減する（ステップＳ３０８、３１０乃至Ｓ３１３）。
　そして、終了時刻である平日１２時の５秒前の時刻１１時５５分５５秒においては、終了時刻ではなく（ステップＳ３０７；Ｎｏ）かつ調整タイミングでもないので（ステップＳ３０８；Ｎｏ）、時間を更新して終了時刻である平日１２時となる（ステップＳ３０９）。そして、平日１２時において、走行予測等を行った後（ステップＳ３０３乃至３０６）、終了時刻なので（ステップＳ３０７；Ｙｅｓ）、渋滞予測処理を終了する。このようにして、平日の９時から１２時までの間において、１０時及び１１時を調整時刻として、５秒間隔で渋滞予測を行う。
　以上に説明したように、本実施形態における渋滞予測処理では、この処理を行うための前提となる情報は、端末装置１００から送信されるプローブ情報Ｄ１に基づいて求められる。すなわち、道路に設置したセンサからの情報を用いていない。このため、センサが設置されていない道路についても、プローブ情報Ｄ１さえ得られればプローブ車両Ｐ及びエージェント車両Ａを走行させて渋滞予測することができる。従って、センサ設置の工数やコストを削減しつつ、センサ未設置のエリアについても渋滞予測することができるのでシミュレーションのカバー率をあげることができる。
　また、本実施形態の渋滞予測処理では、渋滞予測シミュレーション開始時刻にエージェント車両Ａを導入した。こうすることで、プローブ情報Ｄ１を得られない車両、つまり、実際の道路上を走行するプローブ車両以外の車両（非プローブ車両）を仮想車両で補完することができる。従って、プローブ車両Ｐが走行していない道路、あるいはプローブ車両Ｐの台数が少ない道路であっても交通渋滞を予測することができる。
　また、本実施形態の渋滞予測処理では、シミュレーションの調整間隔毎に交通量変動との差分がなくなるように、予測エリア内にエージェント車両Ａを導入するようにした。この交通量変動は、プローブ車両Ｐの端末装置１００から送信されたプローブ情報Ｄ１に基づいて推定したものである。このため、時間経過により生じる交通量のずれをエージェント車両の増減により補正することができる。従って、エージェント車両Ａの台数を調整することで交通量変動を再現することができるので、渋滞予測の精度を高めることができる。
　また、本実施形態によれば、プローブ車両Ｐとエージェント車両Ａの予測走行履歴Ｔｂ２を生成し、それを記憶した。こうすることで、シミュレーションの結果を再現することが可能となり、信号制御システムや都市計画などに活用することができる。
　また、本実施形態によれば、シミュレーションで用いる拡張速度関数を、エッジ車線を走行する車両（プローブ車両Ｐとエージェント車両Ａ）の台数が許容量（交通容量）を超えると走行速度が急激に低下する特徴を有する関数で定義した。こうすることで、シミュレーションにおいて、実際の道路の特性に則した速度制御を行うことができる。
　また、本実施形態によれば、分岐率を、平日／休日別の各時間帯ごとに設定した。この分岐率は、プローブ情報Ｄ１に基づいて求めたものである。こうすることで、実際の車両の流れに則した渋滞予測シミュレーションを行うことができる。
　なお、上述した図２１の渋滞予測処理では、エージェント車両を導入する場合を例にとって説明したが、これに限定される訳ではなく、プローブ車両のみで渋滞予測を行ってもよい。この場合、ステップＳ３０１、３０２、３０８及び３１０乃至３１３の処理を省くことができるので、渋滞予測装置２００に負荷を軽減することができる。なお、走行予測にあたっては、拡張速度関数ではなく速度関数を用いる。
　以上で本実施形態の説明を終了するが、渋滞予測システム１の具体的な構成や渋滞予測処理の内容が上述の実施形態で説明したものに限られないことはもちろんである。例えば、本実施形態を以下のようにすることが考えられる。
　（変形例１）
　上述した本実施形態における渋滞予測処理では、走行予測を行う都度、渋滞度ＣＪと渋滞度テーブルを生成するようにした（ステップＳ３０５及びＳ３０６）。
　これに代えて、変形例１では、終了時刻になった後に渋滞度ＣＪと渋滞度テーブルを生成するようにする。これにより、走行予測の都度、渋滞度ＣＪと渋滞度テーブルを生成する場合に比べて処理負荷を軽減することができる。
（変形例２）
　次に、図２２を参照して、変形例２について説明する。
　上述した本実施形態では、各エッジの上り／下り車線別にパラメータαとβとの組が対応付けられていた。変形例２では、同じような属性（例えば、法定速度Ｖｍａｘとプローブサンプル数ＳＰ）をもつエッジ車線の集合を１つのグループにして、このグループに対してパラメータαとβとの組を対応付ける。これは、例えば、法定速度Ｖｍａｘとプローブサンプル数ＳＰが類似するエッジ車線同士は、同じような交通容量を有すると考えられるからである。ここで、プローブサンプル数ＳＰは、走行履歴Ｔｂ１の元となったプローブ情報Ｄ１の数を意味する。例えば、あるエッジ車線に関するプローブ情報Ｄ１が１００件ある場合は、そのエッジ車線のプローブサンプル数ＳＰは１００となる。
　具体的には、図２２に示すように、法定速度とプローブサンプル数ごとに複数のグループ（Ｇ１乃至Ｇ１２）を用意しておく。また、これら複数のグループは、それぞれパラメータαとβとの組が対応付けられる。例えば、図中Ｇ２内に属すエッジについては、全てＧ２に対応付けられる同じパラメータが用いられる。
　このようにすることで、各エッジの上り／下り車線別にパラメータαとβとの組が対応付けられていた本実施形態と比べると記憶容量を削減することができる。
（変形例３）
　また、交通量は種々の外的要因（例えば、天候、イベント、大型連休など）により変動する。そこで、この交通量の変動をもたらす外的要因に応じて、図１７に示した交通量変動を補正してもよい。例えば、複数の天候に応じて重みの係数を予め用意しておき、悪天候の場合は０．８の重みを各時間帯の交通量に乗算して全体的に交通量を下げることなどが考えられる。
　そして、ユーザは、開始指示に外的要因も含めるようにし、渋滞予測処理においてエージェント車両導出入部２０３ｆ３は、外的要因に応じて補正された交通量変動を再現するようにエージェント車両の台数を調整間隔毎に増減する。これにより、より現実に即した渋滞予測が可能になるので、渋滞予測の精度を向上することができる。
　なお、上述した実施形態においては、マップマッチングを渋滞予測装置２００が行うようにしたが、これに限られない。例えば、各端末装置１００側でマップマッチングを実行してもよい。この場合、マップマッチングにより特定した、プローブ車両Ｐが走行するエッジ車線の情報を、渋滞予測装置２００へ送信するようにすればよい。こうすることで、渋滞予測装置２００に集中した負荷を、各端末装置１００に分散させることが可能となる。
　また、上述した本実施形態では、各エッジの上り／下り車線別の法定速度Ｖｍａｘは、実際の法定速度Ｖｍａｘに基づいて設定されるようにしたが、これに限られない。例えば、走行履歴Ｔｂ１に基づいて推定してもよい。具体的には、複数のプローブ車両Ｐの走行履歴Ｔｂ１から、１つのエッジの上り車線における複数の速度を抽出する。そして、抽出した複数の速度のうち、出現頻度が最も高い速度をそのエッジの上り車線に設定する法定速度にする。
　また、上り／下り車線別に法定速度Ｖｍａｘを設定せずに、同じエッジの上り車線と下り車線の法定速度Ｖｍａｘの平均を、そのエッジの法定速度Ｖｍａｘにしてもよい。
　また、上記実施形態において、プローブ車両Ｐの進行方向と走行速度を、センサなどで検出すると説明したが、これに限定されるものではなく、例えば、プローブ車両Ｐの位置情報とその検出日時とに基づいて、それらを推定するように構成してもよい。
　また、上記実施形態において、実行されるプログラムは、フレキシブルディスク、ＣＤ－ＲＯＭ（Compact Disc Read-Only Memory）、ＤＶＤ（Digital Versatile Disc）、ＭＯ（Magneto-Optical Disc）等のコンピュータで読み取り可能な記録媒体に格納して配布し、そのプログラムをインストールすることにより、上述の処理を実行することとしてもよい。
　また、プログラムをインターネット等の通信ネットワーク上の所定のサーバ装置が有するディスク装置等に格納しておき、例えば、搬送波に重畳させて、取得等するようにしてもよい。
　以上、本発明の好ましい実施形態について説明したが、本発明は係る特定の実施形態に限定されるものではなく、本発明には、特許請求の範囲に記載された発明とその均等の範囲が含まれる。
　本発明は、２０１２年１２月１１日に出願された日本国特許出願２０１２－２７０３４１号に基づく。本明細書中に日本国特許出願２０１２－２７０３４１号の明細書、特許請求の範囲、図面全体を参照として取り込むものとする。
　１　　　　　　渋滞予測システム
　　ＮＷ　　　　　ネットワーク
　　Ｐ　　　　　　プローブ車両
　　１００　　　　端末装置
　　　１０１　　　　記憶部
　　　１０２　　　　位置検出部
　　　１０３　　　　車両情報検出部
　　　１０４　　　　プローブ情報生成部
　　　１０５　　　　通信部
　　　１０６　　　　制御部
　　　　１０６ａ　　　判定部
　　２００　　　　渋滞予測装置
　　　２０１　　　　通信部
　　　２０２　　　　記憶部
　　　　２０２ａ　　　走行履歴記憶部
　　　　２０２ｂ　　　予測走行履歴記憶部
　　　　２０２ｃ　　　地図データ記憶部
　　　　２０２ｄ　　　速度関数記憶部
　　　　２０２ｅ　　　平均速度記憶部
　　　　２０２ｆ　　　渋滞度記憶部
　　　２０３　　　　制御部
　　　　２０３ａ　　　走行履歴生成部
　　　　２０３ｂ　　　パラメータ推定部
　　　　２０３ｃ　　　分岐率推定部
　　　　２０３ｄ　　　平均速度推定部
　　　　２０３ｅ　　　判定部
　　　　２０３ｆ　　　渋滞予測処理部
　　　　　２０３ｆ１　　エージェント車両数算出部
　　　　　２０３ｆ２　　差分算出部
　　　　　２０３ｆ３　　エージェント車両導出入部
　　　　　２０３ｆ４　　シミュレーション実行部
　　　　　２０３ｆ５　　渋滞度推定部
　　Ｔｂ１　　　　走行履歴
　　Ｔｂ２　　　　予測走行履歴
　　Ｔｂ３　　　　エッジ属性情報テーブル
　　Ｔｂ４　　　　第１ノード属性情報テーブル
　　Ｔｂ５　　　　第２ノード属性情報テーブル
　　Ｔｂ６　　　　パラメータテーブル
　　Ｔｂ７　　　　平均速度情報テーブル
　　Ｔｂ８　　　　渋滞度テーブル

Claims (7)

  1. 　日時と、その日時におけるプローブ車両の位置情報と進行方向と、を含むプローブ情報を受信する受信手段と、
    　地図上の交差点に対応するノードと、隣接する２つのノードに挟まれた道路区間に対応するエッジと、を含む道路ネットワークを示す地図データを記憶する地図データ記憶手段と、
    　前記エッジを走行するプローブ車両の台数と該台数に応じた平均速度との関係を示す速度関数を記憶する速度関数記憶手段と、
    　前記受信手段が受信したプローブ情報と、前記地図データ記憶手段が記憶する地図データと、に基づいて、プローブ車両が走行するエッジを特定するエッジ特定手段と、
    　前記エッジ特定手段により特定したプローブ車両が走行するエッジと、前記速度関数と、に基づいて、前記プローブ車両が、所定時間経過後に走行するエッジを予測する走行予測手段と、
    　前記速度関数に基づいて、前記所定時間経過後におけるプローブ車両の平均速度をエッジごとに求め、求めたエッジごとのプローブ車両の平均速度と該エッジの法定速度とに基づいて、前記所定時間経過後における道路の渋滞度合を示す渋滞度をエッジごとに推定する渋滞度推定手段と、
    　を備えることを特徴とする渋滞予測装置。
  2. 　仮想車両であるエージェント車両の導入台数を決定するために予め設定された拡大係数を用いた前記速度関数である拡張速度関数に基づいて、前記エージェント車両の導入台数を求めるエージェント車両数算出手段と、
    　前記エージェント車両数算出手段により求めた導入台数分のエージェント車両を任意のエッジに導入するエージェント車両導入手段と、
    　をさらに備え、
    　前記走行予測手段は、前記エージェント車両導入手段により導入したエージェント車両が走行するエッジと、前記拡張速度関数と、に基づいて、前記エージェント車両が、所定時間経過後に走行するエッジを予測し、
    　前記渋滞度推定手段は、前記拡張速度関数に基づいて、前記所定時間経過後におけるエージェント車両の平均速度をエッジごとに求め、求めたエッジごとのエージェント車両の平均速度と、該エッジの法定速度とに基づいて、前記所定時間経過後における前記渋滞度をエッジごとに推定する、
    　ことを特徴とする請求項１に記載の渋滞予測装置。
  3. 　前記エッジにおける経時的な交通量の変動を示す交通量変動の情報を、前記エッジごとに記憶する交通量変動記憶手段をさらに備え、
    　前記エージェント車両導入手段は、前記エッジに導入したエージェント車両の台数を、前記交通量変動を再現するように時間経過に伴って増減する、
    　ことを特徴とする請求項２に記載の渋滞予測装置。
  4. 　前記交差点に対応するノードには、該ノードに進入した車両が、該ノードに複数接続されるエッジのうちいずれのエッジに進行するかを示す分岐率が対応付けられており、
    　前記走行予測手段は、前記分岐率に基づいて、ノードに進入した車両の進行先となるエッジを特定して、前記予測を行う、
    　ことを特徴とする請求項１乃至３のいずれか一項に記載の渋滞予測装置。
  5. 　請求項１乃至４のいずれか一項に記載の渋滞予測装置と、
    　前記プローブ車両に搭載される端末装置と、
    　を備えた渋滞予測システムであって、
    　前記端末装置は、
    　前記プローブ車両の現在位置を検出する位置検出手段と、
    　前記プローブ車両の前記現在位置における進行方向と走行速度を検出するプローブ車両情報検出手段と、
    　前記検出されたプローブ車両の現在位置を特定する位置情報と、前記検出された前記現在位置におけるプローブ車両の進行方向と走行速度と、前記現在位置を検出した日時と、を含むプローブ情報を生成するプローブ情報生成手段と、
    　前記プローブ情報生成手段により生成されたプローブ情報を前記渋滞予測装置に送信する通信手段と、
    　を備える、
    　ことを特徴とする渋滞予測システム。
  6. 　日時と、その日時におけるプローブ車両の位置情報と進行方向と、を含むプローブ情報を受信する受信ステップと、
    　地図上の交差点に対応するノードと、隣接する２つのノードに挟まれた道路区間に対応するエッジと、を含む道路ネットワークを示す地図データと、前記受信したプローブ情報と、に基づいて、プローブ車両が走行するエッジを特定するエッジ特定ステップと、
    　前記エッジ特定ステップにおいて特定したプローブ車両が走行するエッジと、エッジを走行するプローブ車両の台数と該台数に応じた平均速度との関係を示す速度関数と、に基づいて、前記プローブ車両が、所定時間経過後に走行するエッジを予測する走行予測ステップと、
    　前記速度関数に基づいて、前記所定時間経過後におけるプローブ車両の平均速度をエッジごとに求め、求めたエッジごとのプローブ車両の平均速度と該エッジの法定速度とに基づいて、前記所定時間経過後における道路の渋滞度合を示す渋滞度をエッジごとに推定する渋滞度推定ステップと、
    　を含む、
    　ことを特徴とする渋滞予測方法。
  7. 　コンピュータを、
    　日時と、その日時におけるプローブ車両の位置情報と進行方向と、を含むプローブ情報を受信する受信手段、
    　地図上の交差点に対応するノードと、隣接する２つのノードに挟まれた道路区間に対応するエッジと、を含む道路ネットワークを示す地図データを格納する地図データ記憶手段、
    　前記エッジを走行するプローブ車両の台数と該台数に応じた平均速度との関係を示す速度関数を記憶する速度関数記憶手段、
    　前記受信手段が受信したプローブ情報と、前記地図データ記憶手段が記憶する地図データと、に基づいて、プローブ車両が走行するエッジを特定するエッジ特定手段、
    　前記エッジ特定手段により特定したプローブ車両が走行するエッジと、前記速度関数と、に基づいて、前記プローブ車両が、所定時間経過後に走行するエッジを予測する走行予測手段、
    　前記速度関数に基づいて、前記所定時間経過後におけるプローブ車両の平均速度をエッジごとに求め、求めたエッジごとのプローブ車両の平均速度と該エッジの法定速度とに基づいて、前記所定時間経過後における道路の渋滞度合を示す渋滞度をエッジごとに推定する渋滞度推定手段、
    　として機能させるためのプログラム。
PCT/JP2013/082574 2012-12-11 2013-12-04 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 WO2014091982A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201380042158.9A CN104520912B (zh) 2012-12-11 2013-12-04 堵塞预测装置、堵塞预测系统、堵塞预测方法和程序
IN1587DEN2015 IN2015DN01587A (ja) 2012-12-11 2015-02-25

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2012-270341 2012-12-11
JP2012270341A JP6063237B2 (ja) 2012-12-11 2012-12-11 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

Publications (1)

Publication Number Publication Date
WO2014091982A1 true WO2014091982A1 (ja) 2014-06-19

Family

ID=50934274

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/082574 WO2014091982A1 (ja) 2012-12-11 2013-12-04 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

Country Status (4)

Country Link
JP (1) JP6063237B2 (ja)
CN (1) CN104520912B (ja)
IN (1) IN2015DN01587A (ja)
WO (1) WO2014091982A1 (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9569960B2 (en) 2015-02-24 2017-02-14 Here Global B.V. Method and apparatus for providing traffic jam detection and prediction
US9958283B2 (en) 2016-05-25 2018-05-01 Here Global B.V. Determining speed information
US10131361B2 (en) 2016-05-25 2018-11-20 Here Global B.V. Determining speed information
WO2019085807A1 (zh) * 2017-11-01 2019-05-09 腾讯科技（深圳）有限公司 一种路况信息获取方法及其设备、存储介质
US10354526B2 (en) 2016-12-01 2019-07-16 Here Global B.V. Determining lane specific speed information
US10393534B2 (en) 2016-05-25 2019-08-27 Here Global B.V. Determining speed information
CN111695845A (zh) * 2019-03-15 2020-09-22 北京京东尚科信息技术有限公司 确定拥堵区域的方法、装置、电子设备及可读介质

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5984155B2 (ja) 2014-09-26 2016-09-06 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 情報処理装置、プログラム、及び、情報処理方法
KR102274402B1 (ko) * 2014-10-28 2021-07-07 현대엠엔소프트 주식회사 실시간 교통정보 제공장치 및 방법
JP6137239B2 (ja) * 2015-06-30 2017-05-31 株式会社ケー・シー・エス 道路地図情報を用いた道路車線情報の取得方法
JP6633372B2 (ja) * 2015-12-01 2020-01-22 株式会社エヌ・ティ・ティ・データ 経路探索装置及び経路探索方法
CN105469599B (zh) * 2015-12-01 2017-12-15 上海交通大学 车辆轨迹跟踪和车辆行为预测方法
CN105551241B (zh) * 2015-12-09 2018-02-02 中兴软创科技股份有限公司 一种基于fcd及ep多源数据的实时拥堵分析方法
JP7119365B2 (ja) * 2017-12-18 2022-08-17 株式会社豊田中央研究所 運転行動データ生成装置、運転行動データベース
CN108871357B (zh) * 2018-04-20 2021-09-07 长安大学 一种在电子地图上显示拥堵路段的事故车道的方法
JP7084211B2 (ja) * 2018-06-06 2022-06-14 日立Astemo株式会社 車両用制御装置
CN108898790A (zh) * 2018-09-07 2018-11-27 广东华诚电力设计有限公司 一种电力基站项目后监控系统
CN110260874A (zh) * 2019-06-19 2019-09-20 广州交投机电工程有限公司 一种信息发布与反馈方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000057483A (ja) * 1998-08-07 2000-02-25 Nippon Telegr & Teleph Corp <Ntt> 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
JP2002230680A (ja) * 2001-01-30 2002-08-16 Toyota Motor Corp 交通流解析システム及び交通流解析方法並びに経路探索方法及び経路探索装置
JP2006285567A (ja) * 2005-03-31 2006-10-19 Hitachi Ltd プローブ交通情報のデータ処理システム、プローブ交通情報のデータ処理装置、およびプローブ交通情報のデータ処理方法
JP2007133828A (ja) * 2005-11-14 2007-05-31 Hitachi Ltd 交通情報生成装置、乗り物位置情報特定方法および乗り物位置情報特定プログラム
JP2010033331A (ja) * 2008-07-29 2010-02-12 Sumitomo Electric System Solutions Co Ltd 交通情報生成装置、コンピュータプログラム、及び交通情報の生成方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP4982143B2 (ja) * 2006-09-27 2012-07-25 クラリオン株式会社 交通状況予測装置
CN102968901B (zh) * 2012-11-30 2014-11-26 青岛海信网络科技股份有限公司 获取区域拥堵信息的方法及区域拥堵分析装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000057483A (ja) * 1998-08-07 2000-02-25 Nippon Telegr & Teleph Corp <Ntt> 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
JP2002230680A (ja) * 2001-01-30 2002-08-16 Toyota Motor Corp 交通流解析システム及び交通流解析方法並びに経路探索方法及び経路探索装置
JP2006285567A (ja) * 2005-03-31 2006-10-19 Hitachi Ltd プローブ交通情報のデータ処理システム、プローブ交通情報のデータ処理装置、およびプローブ交通情報のデータ処理方法
JP2007133828A (ja) * 2005-11-14 2007-05-31 Hitachi Ltd 交通情報生成装置、乗り物位置情報特定方法および乗り物位置情報特定プログラム
JP2010033331A (ja) * 2008-07-29 2010-02-12 Sumitomo Electric System Solutions Co Ltd 交通情報生成装置、コンピュータプログラム、及び交通情報の生成方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9569960B2 (en) 2015-02-24 2017-02-14 Here Global B.V. Method and apparatus for providing traffic jam detection and prediction
US9958283B2 (en) 2016-05-25 2018-05-01 Here Global B.V. Determining speed information
US10131361B2 (en) 2016-05-25 2018-11-20 Here Global B.V. Determining speed information
US10393534B2 (en) 2016-05-25 2019-08-27 Here Global B.V. Determining speed information
US10354526B2 (en) 2016-12-01 2019-07-16 Here Global B.V. Determining lane specific speed information
WO2019085807A1 (zh) * 2017-11-01 2019-05-09 腾讯科技（深圳）有限公司 一种路况信息获取方法及其设备、存储介质
CN111695845A (zh) * 2019-03-15 2020-09-22 北京京东尚科信息技术有限公司 确定拥堵区域的方法、装置、电子设备及可读介质

Also Published As

Publication number Publication date
JP2014115877A (ja) 2014-06-26
IN2015DN01587A (ja) 2015-07-03
JP6063237B2 (ja) 2017-01-18
CN104520912B (zh) 2016-08-31
CN104520912A (zh) 2015-04-15

Similar Documents

Publication Publication Date Title
WO2014091982A1 (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
US8364387B2 (en) Route search device and information control server
EP2806411B1 (en) Driving model generation device, driving model generation method, driving evaluation device, driving evaluation method, and driving support system
US7783416B2 (en) Navigation server
WO2015166876A1 (ja) 交通信号制御装置、交通信号制御方法、及びコンピュータプログラム
EP2466259A2 (en) Method and apparatus for route searching
EP3203187A1 (en) Navigation system and center device
JP6927209B2 (ja) 信号制御装置、交通制御システム、信号制御方法およびコンピュータプログラム
KR20150033686A (ko) 우회 경로들의 생성
JP2009259158A (ja) 交通状態シミュレーション装置及びプログラム
JP2015156171A (ja) 旅行時間データ調製装置、旅行時間データ調製方法およびプログラム
JP2011085431A (ja) 走行特性データ生成装置，車載装置及び車載情報システム
JP2015076077A (ja) 交通量推定システム、端末装置、交通量推定方法および交通量推定プログラム
JP2010020462A (ja) 渋滞判定装置、渋滞判定方法及びコンピュータプログラム
JP4502766B2 (ja) 経路探索装置
US11238735B2 (en) Parking lot information management system, parking lot guidance system, parking lot information management program, and parking lot guidance program
JP2011248542A (ja) 走行支援方法、走行支援装置及び走行支援プログラム
US8983758B2 (en) Traffic information management device, traffic information management method, and traffic information management program
JP4934711B2 (ja) 経路探索装置
JP6135448B2 (ja) 情報提供システム、情報提供方法、及び情報提供プログラム
KR101728447B1 (ko) 차량의 예측 교통량을 이용한 차량경로 탐색 장치 및 그 방법
JP5872222B2 (ja) 走行パターン予測装置
JP5184613B2 (ja) ナビサーバ、ナビ装置およびナビシステム
JP6319010B2 (ja) プローブ情報収集装置、及びプローブ情報収集方法
JP5818971B2 (ja) 探索装置、探索管理装置、端末装置及び算出方法

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: 13862465

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13862465

Country of ref document: EP

Kind code of ref document: A1