WO2017033443A1 - 渋滞予測システム、渋滞予測方法、及び、記録媒体 - Google Patents

渋滞予測システム、渋滞予測方法、及び、記録媒体 Download PDF

Info

Publication number
WO2017033443A1
WO2017033443A1 PCT/JP2016/003778 JP2016003778W WO2017033443A1 WO 2017033443 A1 WO2017033443 A1 WO 2017033443A1 JP 2016003778 W JP2016003778 W JP 2016003778W WO 2017033443 A1 WO2017033443 A1 WO 2017033443A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic
target point
prediction
traffic state
state
Prior art date
Application number
PCT/JP2016/003778
Other languages
English (en)
French (fr)
Inventor
優太 芦田
到 西岡
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2017536610A priority Critical patent/JP6777082B2/ja
Publication of WO2017033443A1 publication Critical patent/WO2017033443A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled

Definitions

  • the present invention relates to a traffic jam prediction system, a traffic jam prediction method, and a recording medium.
  • Traffic jam prediction information is useful information for both road users and road managers, and the need for traffic congestion prediction is increasing in order to utilize traffic systems with high efficiency or to enhance road management duties. Yes.
  • Patent Document 1 An example of such a technology for predicting traffic congestion is disclosed in Patent Document 1.
  • a traffic state is collected from vehicle probe data, and a Bayesian network in which the collected traffic state is combined with other information such as date / time and presence / absence of an event is constructed. And a system calculates
  • Patent Document 2 an example of another technique for predicting traffic congestion is disclosed in Patent Document 2.
  • the parameters of the relational expression between the number of vehicles and the traveling speed are estimated using the average speed of the vehicles in each section of the road and the number of vehicle probes forming the population of the average speed. Then, the traffic jam prediction device inputs the current traffic information to the relational expression, thereby estimating the movable speed of each section and calculating the travel time of each section.
  • the traffic jam prediction device predicts the traffic jam level by obtaining the number of vehicles and speed existing in each section in the prediction target time based on the calculated travel time and the planned travel route information of each vehicle.
  • Non-Patent Document 1 discloses a technique for improving the accuracy of speed prediction by regression analysis by constructing a spatiotemporal correlation template.
  • Patent Document 3 discloses a traffic accident occurrence prediction device that learns accident occurrence patterns using past traffic data and obtains an accident occurrence tendency with respect to traffic data at the current time.
  • Non-Patent Document 2 and Non-Patent Document 3 disclose heterogeneous mixed learning techniques for generating a prediction model for each group having the same pattern and regularity of data.
  • Non-Patent Document 4 discloses a method for generating a model representing the relationship between vehicle flow and speed and vehicle density.
  • the traffic jam is predicted by calculating the simultaneous probability of the current traffic state and surrounding information and the traffic jam degree at each point. For this reason, when predicting the degree of congestion in a certain situation, it is difficult to predict the congestion if there is no learning data in which the congestion has occurred in the same situation in the past. Therefore, the technique of Patent Document 1 cannot predict traffic jams other than traffic jams that occur regularly.
  • An object of the present invention is to provide a traffic jam prediction system, a traffic jam prediction method, and a recording medium that can solve the above-described problems and can predict traffic jams with high accuracy.
  • the traffic jam prediction system of the present invention uses a prediction formula for predicting a traffic state at a target point from a traffic state at one or more points, a traffic state prediction unit that predicts a traffic state at a target time at the target point, and the target Whether traffic occurs at the target time at the target point based on the traffic determination information indicating the relationship between the traffic state of the point and the traffic state and the predicted traffic state at the target time at the target point And a traffic jam judging means for judging whether or not.
  • the traffic jam prediction method of the present invention predicts the traffic state at the target time at the target point using a prediction formula for predicting the traffic state at the target point from the traffic state of one or more points, Based on the traffic jam determination information indicating the relationship with the traffic jam state and the predicted traffic status at the target time at the target point, it is determined whether a traffic jam occurs at the target time at the target point.
  • the computer-readable recording medium of the present invention predicts the traffic state at the target time at the target point using a prediction formula that predicts the traffic state at the target point from the traffic state at one or more points. Based on the traffic determination information indicating the relationship between the traffic state of the target point and the traffic state and the predicted traffic state of the target time at the target point, traffic congestion occurs at the target time at the target point.
  • a program for determining whether or not to execute the process is stored.
  • the effect of the present invention is that traffic jams can be predicted with high accuracy.
  • the occurrence of traffic congestion is predicted using the traffic state (the state relating to the movement of the vehicle) in a plurality of positions and sections on the road network as a monitoring target.
  • the traffic state the state relating to the movement of the vehicle
  • the position or section on the road network is referred to as a “point” to be monitored.
  • FIG. 2 is a block diagram showing the configuration of the traffic jam prediction system 10 in the embodiment of the present invention.
  • the traffic jam prediction system 10 includes an information collection unit 11, a learning DB (database) 13, a prediction DB 14, a predictor management unit 15, a diagram management unit 16, a traffic state prediction unit 17, and a traffic jam determination unit 18. And an information providing unit 19.
  • the information collection unit 11 collects traffic conditions and surrounding information at each monitored point.
  • the traffic state for example, vehicle speed, the number of passing vehicles per unit time (fluidity), vehicle density, and the like are used.
  • the surrounding information for example, the time zone when the traffic state is collected, a calendar attribute indicating a day of the week, a holiday, the end of the month, the presence or absence of an accident or an event at each point or its surroundings, the weather, and the like are used.
  • the learning DB 13 stores the traffic state and surrounding information at each point collected during a predetermined learning period as learning data.
  • the prediction DB 14 stores traffic conditions and surrounding information at each point collected in a new period as prediction data.
  • the predictor management unit 15 includes a prediction formula learning unit 151, a prediction formula storage unit 152, and a traffic pattern storage unit 153.
  • the prediction formula learning unit 151 learns (generates) a traffic state predictor (hereinafter also referred to as a prediction formula) for each traffic pattern using the learning data stored in the learning DB 13 for each point to be monitored. )
  • the prediction formula predicts a traffic state at a prediction target point (hereinafter also referred to as a target point) at a future prediction target time (hereinafter also referred to as a target point) from a traffic state at one or more points at a certain time. It is an expression.
  • a prediction formula for predicting the vehicle density is generated as a prediction formula for the traffic state.
  • the prediction formula learning unit 151 may generate a prediction formula using a heterogeneous mixed learning technique disclosed in Non-Patent Documents 2 and 3, for example.
  • the prediction formula learning unit 151 may generate a general time series model such as a linear regression model, an autoregressive model, or an autoregressive moving average model as a prediction formula.
  • the traffic pattern is a combination of surrounding information values that affect the traffic conditions at each point.
  • FIG. 7 is a diagram showing an example of a traffic pattern in the embodiment of the present invention.
  • a traffic pattern is generated for each point. For example, at the point “X1”, if the calendar attribute is “weekdays”, the time zone is “10:00 am to 12:00”, and the weather is “sunny”. , The traffic pattern is classified as “P11”.
  • the traffic pattern may include traffic conditions such as the vehicle speed and the number of passing vehicles at each point of the current time or past time in addition to the surrounding information.
  • the prediction formula storage unit 152 stores the prediction formula of each point generated by the prediction formula learning unit 151.
  • the traffic pattern storage unit 153 stores a traffic pattern at each point.
  • the diagram management unit 16 includes a diagram learning unit 161 (also referred to as a traffic jam determination information learning unit) and a diagram storage unit 162.
  • the diagram learning unit 161 learns (generates) a fundamental diagram for each traffic pattern using the learning data stored in the learning DB 13 for each point to be monitored.
  • FIG. 9 and FIG. 10 are diagrams showing examples of fundamental diagrams in the embodiment of the present invention.
  • the fundamental diagram is an expression method used for traffic flow analysis, and is a diagram (graph) showing the relationship between vehicle density and traffic flow (vehicle speed and number of passing vehicles) at a certain point on the road network.
  • the fundamental diagram is used to determine whether the traffic state at each point is a traffic jam state.
  • the fundamental diagram is an embodiment of the traffic jam determination information of the present invention.
  • Fig. 9 shows the relationship between vehicle density and the number of vehicles passing through.
  • the number of passing vehicles increases almost linearly.
  • the number of passing vehicles reaches the upper limit, and then decreases. This means that if the number of vehicles in a section of the road exceeds a certain value, the number of vehicles that can pass through that section will decrease or become constant, and the traffic flow will stay, that is, it will transition to a traffic jam flow. Show.
  • Fig. 10 shows the relationship between vehicle density and speed. In this case as well, the speed increases as the vehicle density increases, but when the vehicle density exceeds a certain value, the speed rapidly decreases and the traffic flow changes to a traffic jam flow.
  • the fundamental diagram changes not only due to the physical structure of the road, but also due to changes in the road surface condition due to the weather and the driving characteristics of the vehicle group flowing into the road, that is, the behavior of the driver. Therefore, a fundamental diagram is generated by learning for each traffic pattern at each point.
  • the diagram storage unit 162 stores the fundamental diagram generated by the diagram learning unit 161.
  • the traffic state prediction unit 17 uses the prediction formula stored in the prediction formula storage unit 152 and the prediction data stored in the prediction DB 14, and the traffic state (vehicle density) at the prediction target point at the prediction target time. Predict.
  • the traffic jam determination unit 18 Based on the fundamental diagram stored in the diagram storage unit 162 and the traffic state (vehicle density) calculated by the traffic state prediction unit 17, the traffic jam determination unit 18 generates a traffic jam at the prediction target time at the prediction target point. Determine whether it occurs.
  • the information providing unit 19 provides (outputs) a traffic jam determination result (whether or not a traffic jam has occurred) by the traffic jam determination unit 18 to a user or the like.
  • the information providing unit 19 may provide (output) the traffic state predicted by the traffic state prediction unit 17 in addition to the traffic jam determination result.
  • the traffic jam prediction system 10 may be a computer that includes a CPU (Central Processing Unit) and a storage medium that stores a program, and that operates by control based on the program.
  • a CPU Central Processing Unit
  • a storage medium that stores a program, and that operates by control based on the program.
  • FIG. 3 is a block diagram showing a configuration of the traffic jam prediction system 10 realized by a computer according to the embodiment of the present invention.
  • the traffic jam prediction system 10 includes a CPU 101, a storage device 102 (storage medium) such as a hard disk and a memory, an input / output device 103 such as a keyboard and a display, and a communication device 104 that communicates with other devices.
  • the CPU 101 executes a program for realizing the information collection unit 11, the prediction formula learning unit 151, the diagram learning unit 161, the traffic state prediction unit 17, the traffic jam determination unit 18, and the information providing unit 19.
  • the storage device 102 stores data of the learning DB 13, the prediction DB 14, the prediction formula storage unit 152, the traffic pattern storage unit 153, and the diagram storage unit 162.
  • the input / output device 103 inputs a prediction target time, a prediction target point, a traffic pattern from a user, etc., and outputs a traffic jam determination result to the user.
  • the communication device 104 receives traffic conditions and surrounding information from other devices. Further, the communication device 104 may receive a prediction target time, a prediction target point, and a traffic pattern from another device or the like, and may transmit a traffic jam determination result to another device or the like.
  • each component of the traffic jam prediction system 10 may be realized by a logic circuit.
  • a plurality of components may be realized by one logic circuit, or may be realized by a plurality of independent logic circuits.
  • each component of the traffic jam prediction system 10 may be distributed in a plurality of physical devices connected by wire or wirelessly.
  • the traffic jam prediction system 10 may be realized by distributed processing by a plurality of computers.
  • services such as traffic jam prediction by the traffic jam prediction system 10 may be provided to the user in the SaaS (Software as a Service) format.
  • SaaS Software as a Service
  • the generation method of the prediction formula used by the prediction formula learning unit 151 can learn the traffic pattern simultaneously with the learning of the prediction formula, as in the heterogeneous mixed learning technique disclosed in Non-Patent Documents 2 and 3. Assume that
  • FIG. 4 is a flowchart showing the learning process in the embodiment of the present invention.
  • the information collection unit 11 collects the traffic state and the surrounding information at each monitored point in a predetermined learning period, for example, at predetermined time intervals (step S11).
  • the information collection unit 11 stores the collected traffic state and surrounding information in the learning DB 13 as learning data.
  • the information collecting unit 11 collects the traffic state based on the value of a traffic counter installed at each point and the vehicle probe data transmitted from the terminal mounted on the vehicle. Moreover, the information collection part 11 collects peripheral information, such as a time zone and a calendar attribute, for example based on the time which collected the traffic state. In addition, the information collection unit 11 may, for example, detect the presence or absence of an accident or event, the weather, etc. at the time when the traffic state is collected from a server device or the like that provides information such as the presence or absence of an accident or event around each point and the weather. Gather surrounding information.
  • the information collection unit 11 may collect the traffic state and surrounding information collected and stored in another system from the other system. Moreover, the information collection part 11 may collect a traffic state and surrounding information from a user etc.
  • FIG. 6 is a diagram showing an example of learning data in the embodiment of the present invention.
  • the vehicle speed, the number of passing vehicles, and the vehicle density at each point are collected as the traffic state.
  • the presence / absence of an accident, weather, time zone, and calendar attributes are collected as peripheral information.
  • the information collection unit 11 stores the learning data as shown in FIG. 6 in the learning DB 13.
  • the prediction formula learning unit 151 of the predictor management unit 15 predicts the traffic pattern and the traffic state (vehicle density) for each traffic pattern based on the learning data for each point to be monitored. Is learned (generated) (step S12).
  • the prediction formula learning unit 151 stores the learned traffic pattern in the traffic pattern storage unit 153.
  • the prediction formula learning unit 151 stores the learned prediction formula for each traffic pattern in the prediction formula storage unit 152.
  • the prediction formula learning unit 151 uses a heterogeneous mixed learning technique to learn a traffic pattern that increases the prediction accuracy at the same time as the prediction formula.
  • the prediction formula learning unit 151 acquires a traffic pattern stored in advance by the user or the like in the traffic pattern storage unit 153, and acquires learning data for each acquired traffic pattern. It may be used to learn a prediction formula.
  • time series model generation method such as a linear regression model, an autoregressive model, or an autoregressive moving average model
  • a prediction formula generation method for each traffic pattern defined by the user, These time series models are learned as prediction formulas.
  • the prediction formula learning unit 151 learns a prediction formula like Formula 1 for each traffic pattern for each point.
  • the prediction formula learning unit 151 determines parameters a ij, k , b ij, k , c ij, k for the traffic pattern k at each point xj.
  • FIG. 8 is a diagram showing a generation example of a prediction formula in the embodiment of the present invention.
  • the prediction formula learning unit 151 uses the heterogeneous mixed learning technique to learn a traffic pattern as shown in FIG. 7 for each point, and learns a prediction formula for each traffic pattern as shown in FIG.
  • the diagram learning unit 161 of the diagram management unit 16 learns (generates) a fundamental diagram for each traffic pattern based on the learning data for each point to be monitored (step S13).
  • the diagram learning unit 161 stores the generated fundamental diagram in the diagram storage unit 162.
  • the diagram learning unit 161 generates a fundamental diagram by the method disclosed in Non-Patent Document 4, for example, and specifies a vehicle density threshold value TH for determining transition to a traffic jam flow.
  • the diagram learning unit 161 assumes a function form such as a hyperbolic tangent function, and determines the parameters of the function by fitting learning data to the function.
  • the diagram learning unit 161 generates a fundamental diagram as shown in FIG. 9 or FIG. 10 for each traffic pattern shown in FIG.
  • the information collection unit 11 collects the traffic state and surrounding information at each point to be monitored in a new period, for example, at a predetermined time interval as in step S11 described above, and stores it in the prediction DB 14. Assume that you are saving.
  • FIG. 11 is a diagram showing an example of prediction data in the embodiment of the present invention.
  • prediction data as shown in FIG. 11 is stored in the prediction DB 14.
  • FIG. 5 is a flowchart showing a prediction process in the embodiment of the present invention.
  • the information collection unit 11 receives an input of a prediction target point and a prediction target time as a traffic jam prediction request from a user or the like (step S21).
  • the information collection unit 11 receives the prediction target point “X1” and the prediction target time “2015/08/03 12:00” at the time “2015/08/03 10:00”.
  • the traffic state prediction unit 17 predicts the traffic state (vehicle density) at the prediction target point at the prediction target time using the prediction formula and the prediction data (step S22).
  • the traffic state prediction unit 17 specifies the traffic pattern corresponding to the combination of the peripheral information of the prediction target time at the prediction target point.
  • the traffic state prediction unit 17 may acquire the peripheral information of the prediction target time at the prediction target point as a prediction condition from a user or the like, or may acquire from other devices.
  • the traffic state prediction unit 17 may input the presence / absence of an accident and the weather in the peripheral information from the user or the like.
  • the traffic state prediction unit 17 may acquire the presence or absence of an event from a server device or the like that provides information such as an event schedule around each point.
  • the traffic state prediction part 17 predicts the traffic state (vehicle density) of the prediction target time in a prediction target point using the prediction formula corresponding to the specified traffic pattern.
  • the traffic congestion determination unit 18 determines whether or not a traffic jam occurs at the prediction target time at the prediction target point (Ste S23).
  • the traffic state (vehicle density) of the prediction target point at the prediction target time is larger than the threshold value TH of the fundamental diagram corresponding to the specified traffic pattern of the prediction target point, the traffic congestion determination unit 18 It is determined that it has occurred.
  • the congestion determination unit 18 determines that “congestion has occurred”. To do.
  • the information providing unit 19 provides (outputs) a traffic jam determination result (whether or not a traffic jam has occurred) by the traffic jam determination unit 18 to the user or the like (step S24).
  • FIG. 12 is a diagram showing an example of a traffic jam determination result screen in the embodiment of the present invention.
  • the presence / absence of traffic jam at the prediction target time at the prediction target point, the predicted value of the traffic state (vehicle density), and the peripheral information used for the prediction are shown.
  • the information providing unit 19 provides (outputs) a traffic jam determination result screen as shown in FIG.
  • the information provision part 19 may notify a traffic jam determination result also to the terminal device of other users other than the user who input the traffic jam prediction request.
  • the traffic jam prediction system 10 performs steps S22 to S24 for one or more arbitrary points among a plurality of points, thereby determining traffic jams for the arbitrary points, thereby performing wide-range traffic jam prediction. Good.
  • the traffic jam prediction system 10 updates the traffic jam prediction result after T time by repeatedly executing steps S22 to S24 for any of a plurality of points, not only when a traffic jam prediction request is input. May be.
  • the traffic jam prediction system 10 predicts the vehicle density as the traffic state of the prediction target point.
  • the traffic jam prediction system 10 may predict other traffic states other than the vehicle density as long as it can determine whether or not the traffic jam occurs using the traffic jam determination information (fundamental diagram). For example, in a specific traffic pattern, in a fundamental diagram showing the relationship between the number of vehicles passing through and the vehicle density, it is possible to determine whether traffic congestion will occur based on the number of vehicles passing with the same accuracy as when using the vehicle density. Can be judged.
  • the prediction formula learning unit 151 generates a prediction formula for predicting the number of passing vehicles at each point, and the traffic congestion determining unit 18 is based on the number of passing vehicles calculated by the prediction formula and the fundamental diagram. Determine if traffic jams occur.
  • the traffic jam prediction system 10 uses a fundamental diagram as traffic jam judgment information.
  • the present invention is not limited to this, and if it is possible to determine whether or not there is a traffic jam from the traffic state calculated by the prediction formula, the traffic jam prediction system 10 indicates a determination threshold related to the vehicle density for each traffic pattern at each point, for example.
  • Other types of traffic jam determination information such as a table may be used.
  • FIG. 1 is a block diagram showing a characteristic configuration of an embodiment of the present invention.
  • the traffic jam prediction system 10 includes a traffic state prediction unit 17 and a traffic jam determination unit 18.
  • the traffic state prediction unit 17 predicts the traffic state at the prediction target time at the prediction target point using a prediction formula for predicting the traffic state at the prediction target point from the traffic state of one or more points.
  • the traffic jam determination unit 18 uses the traffic jam determination information indicating the relationship between the traffic state of the prediction target point and the traffic jam state, and the traffic state at the prediction target time at the predicted prediction target point to predict at the prediction target point. Determine if traffic jams occur at the time.
  • traffic congestion can be predicted with high accuracy.
  • the reason is that the traffic jam prediction system 10 predicts the traffic state at the prediction target time at the prediction target point using the prediction formula, and based on the traffic congestion determination information and the predicted traffic state, the prediction target point. This is for determining whether or not a traffic jam occurs at the prediction target time.
  • the traffic jam prediction system 10 generates a prediction formula and traffic jam determination information for each traffic pattern, which is a combination of peripheral information that affects traffic conditions, and a prediction formula corresponding to the peripheral information at the prediction target time, and The presence or absence of traffic jam is determined using the traffic jam determination information. Therefore, the presence or absence of traffic jam can be determined with higher accuracy.
  • Traffic jam prediction system 101 CPU 102 Storage Device 103 Input / Output Device 104 Communication Device 11 Information Collecting Unit 13 Learning DB 14 DB for prediction DESCRIPTION OF SYMBOLS 15 Predictor management part 151 Prediction formula learning part 152 Prediction formula storage part 153 Traffic pattern storage part 16 Diagram management part 161 Diagram learning part 162 Diagram storage part 17 Traffic state prediction part 18 Congestion judgment part 19 Information provision part

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

渋滞の発生有無を高い精度で予測する。　渋滞予測システム１０は、交通状態予測部１７、及び、渋滞判定部１８を含む。交通状態予測部１７は、１以上の地点の交通状態から予測対象地点における交通状態を予測する予測式を用いて、予測対象地点における予測対象時刻の交通状態を予測する。渋滞判定部１８は、予測対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、予測した予測対象地点における予測対象時刻の交通状態と、をもとに、予測対象地点において予測対象時刻に渋滞が発生するかどうかを判定する。

Description

渋滞予測システム、渋滞予測方法、及び、記録媒体
　本発明は、渋滞予測システム、渋滞予測方法、及び、記録媒体に関する。
　交通渋滞の予測情報は、道路利用者、道路管理者の双方にとって有用な情報であり、交通システムを高い効率で活用する、あるいは、道路管理業務を高度化するために、その必要性が高まっている。
　このような、交通渋滞を予測する技術の一例が、特許文献１に開示されている。特許文献１のシステムでは、車両プローブデータから交通状態を収集し、収集した交通状態と、日時やイベントの有無等の他の情報とを組み合わせたベイジアンネットワークを構築する。そして、システムは、これら交通状態や他の情報と、特定の渋滞度とが同時に発生する結合確率を学習によって求め、プローブデータから渋滞度を予測する。
　また、交通渋滞を予測する他の技術の例が、特許文献２に開示されている。特許文献２の渋滞予測装置では、道路の各区間における車両の平均速度と、平均速度の母集団を形成した車両プローブ数を用いて、車両数と走行速度の関係式のパラメータを推定する。そして、渋滞予測装置は、現在の交通情報を関係式に入力することで、各区間の移動可能速度を推定し、各区間の移動時間を算出する。渋滞予測装置は、算出した移動時間と、各車両の予定走行経路情報に基づいて、予測対象時間において各区間に存在する車両数、速度を求めることにより、渋滞度を予測する。
　なお、関連技術として、非特許文献１には、時空間相関テンプレートを構築することにより、回帰分析による速度予測の精度を高める技術が開示されている。特許文献３には、過去の交通データを用いて事故発生パターンを学習し、現在時刻の交通データに対する事故発生傾向を求める、交通事故発生予報装置が開示されている。非特許文献２、及び、非特許文献３には、データの同一のパターンや規則性を持つグループ毎に予測モデルを生成する、異種混合学習技術が開示されている。非特許文献４には、車両流や速度と車両密度との関係を表すモデルを生成する方法が開示されている。
米国特許第７８１３８７０号明細書 国際公開第２０１４／０９１９８２号 特開２０１４－０３５６３９号公報
Min Wanli、Laura Wynter、「Real-time road traffic prediction with spatio-temporal correlations」、Transportation Research Part C: Emerging Technologies Volume 19 Issue 4、2011年8月、p.606-616 藤巻遼平、森永聡、「ビッグデータ時代の最先端データマイニング」、ＮＥＣ技報、Vol.65、No.2、2012年、p.81-85 Riki Eto, et al.、「Fully-Automatic Bayesian Piecewise Sparse Linear Models」、Proceedings of the 17th International Conference on Artificial Intelligence and Statistics (AISTATS), 2014年、p.238-246 Masako Bando, et al.、「Phenomenological study of dynamical model of traffic flow」、Journal de Physique I、5.11、1995年、p.1389-1399
　上述の特許文献１の技術では、現在の交通状態や周辺情報と、各地点の渋滞度との同時確率を計算することにより渋滞を予測する。このため、ある状況における渋滞度を予測する場合、過去の同じ状況において渋滞が発生した学習データが無いと、渋滞予測が困難である。したがって、特許文献１の技術では、定期的に発生するような渋滞以外の渋滞を、高精度に予測できない。
　また、特許文献２の技術では、各車両について精度の高い予定走行経路が得られるとは限らない。このため、各区間に存在する車両数、速度を求めるときに、走行経路の誤差に起因する予測誤差が増幅される可能性がある。したがって、特許文献２の技術でも、高精度で渋滞を予測することができない。
　本発明の目的は、上述の課題を解決し、高い精度で渋滞を予測できる、渋滞予測システム、渋滞予測方法、及び、記録媒体を提供することである。
　本発明の渋滞予測システムは、１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測する交通状態予測手段と、前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、渋滞判定手段と、を備える。
　本発明の渋滞予測方法は、１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する。
　本発明のコンピュータが読み取り可能な記録媒体は、コンピュータに、１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、処理を実行させるプログラムを格納する。
　本発明の効果は、高い精度で渋滞を予測できることである。
本発明の実施の形態の特徴的な構成を示すブロック図である。 本発明の実施の形態における、渋滞予測システム１０の構成を示すブロック図である。 本発明の実施の形態における、コンピュータにより実現された渋滞予測システム１０の構成を示すブロック図である。 本発明の実施の形態における、学習処理を示すフローチャートである。 本発明の実施の形態における、予測処理を示すフローチャートである。 本発明の実施の形態における、学習用データの例を示す図である。 本発明の実施の形態における、交通パターンの例を示す図である。 本発明の実施の形態における、予測式の生成例を示す図である。 本発明の実施の形態における、ファンダメンタルダイアグラムの例を示す図である。 本発明の実施の形態における、ファンダメンタルダイアグラムの他の例を示す図である。 本発明の実施の形態における、予測用データの例を示す図である。 本発明の実施の形態における、渋滞判定結果画面の例を示す図である。
　はじめに、本発明の実施の形態の構成を説明する。
　本発明の実施の形態では、道路網上の複数の位置や区間における、交通状態（車両の移動に係る状態）を監視対象として用いて、渋滞の発生有無の予測を行う。以下、道路網上の位置や区間を、監視対象の「地点」と呼ぶ。
　図２は、本発明の実施の形態における、渋滞予測システム１０の構成を示すブロック図である。図２を参照すると、渋滞予測システム１０は、情報収集部１１、学習用ＤＢ（データベース）１３、予測用ＤＢ１４、予測器管理部１５、ダイアグラム管理部１６、交通状態予測部１７、渋滞判定部１８、及び、情報提供部１９を含む。
　情報収集部１１は、監視対象の各地点における、交通状態、及び、周辺情報を収集する。ここで、交通状態としては、例えば、車両速度や、単位時間あたりの通過台数（流度）、車両密度等、が用いられる。また、周辺情報としては、例えば、交通状態を収集したときの時間帯や、曜日、祝日、月末等を示すカレンダ属性、各地点やその周辺における事故やイベントの有無、天候等が用いられる。
　学習用ＤＢ１３は、所定の学習期間に収集された、各地点における、交通状態、及び、周辺情報を、学習用データとして格納する。
　予測用ＤＢ１４は、新たな期間に収集された、各地点における、交通状態、及び、周辺情報を、予測用データとして格納する。
　予測器管理部１５は、予測式学習部１５１、予測式格納部１５２、及び、交通パターン格納部１５３を含む。
　予測式学習部１５１は、監視対象の各地点について、学習用ＤＢ１３に格納された学習用データを用いて、交通パターン毎に、交通状態予測器（以下、予測式とも記載する）を学習（生成）する。予測式は、ある時刻の１以上の地点における交通状態から、将来の予測対象時刻（以下、対象時刻とも記載する）の予測対象地点（以下、対象地点とも記載する）における交通状態を予測するための式である。本発明の実施の形態では、交通状態の予測式として、車両密度を予測する予測式を生成する。
　予測式学習部１５１は、例えば、非特許文献２、３に開示されている異種混合学習技術を用いて、予測式を生成してもよい。また、予測式学習部１５１は、線形回帰モデルや、自己回帰モデル、自己回帰移動平均モデル等、一般的な時系列モデルを予測式として生成してもよい。
　また、交通パターンは、各地点の交通状態に影響を与える、周辺情報の値の組み合わせである。
　図７は、本発明の実施の形態における、交通パターンの例を示す図である。図７の例では、地点毎に交通パターンが生成され、例えば、地点「Ｘ１」では、カレンダ属性：「平日」、時間帯：「午前１０時～１２時」、天候：「晴れ」であれば、交通パターン「Ｐ１１」に分類されることを示している。
　なお、交通パターンに、周辺情報に加えて、現在時刻、あるいは、過去時刻の各地点の車両速度や通過台数等の交通状態が含まれていてもよい。
　予測式格納部１５２は、予測式学習部１５１により生成された、各地点の予測式を格納する。
　交通パターン格納部１５３は、各地点の交通パターンを格納する。
　ダイアグラム管理部１６は、ダイアグラム学習部１６１（または、渋滞判定情報学習部とも記載する）、及び、ダイアグラム格納部１６２を含む。
　ダイアグラム学習部１６１は、監視対象の各地点について、学習用ＤＢ１３に格納された学習用データを用いて、交通パターン毎に、ファンダメンタルダイアグラムを学習（生成）する。
　図９、及び、図１０は、本発明の実施の形態における、ファンダメンタルダイアグラムの例を示す図である。
　ファンダメンタルダイアグラムは、交通流の解析に用いられる表現方法であり、道路網上のある地点における、車両密度と交通流（車両速度や通過台数）との関係を示すダイアグラム（グラフ）である。ファンダメンタルダイアグラムは、各地点の交通状態が渋滞状態であるかどうかの判定に用いられる。ファンダメンタルダイアグラムは、本発明の渋滞判定情報の一実施形態である。
　図９のファンダメンタルダイアグラムは、車両密度と通過台数との関係を示す。この場合、車両密度の増加に伴い、通過台数もほぼ線形に増加するが、車両密度がある値を超えると通過台数が上限に達し、その後は、減少する。これは、道路のある区間に存在する車両台数が一定値を超えると、その区間を通過可能な車両台数が減少、または、一定となり、交通流が滞留する、すなわち、渋滞流に遷移することを示している。
　図１０のファンダメンタルダイアグラムは、車両密度と速度との関係を示す。この場合も、車両密度の増加に伴い、速度も増加するが、車両密度がある値を超えると、速度が急激に減少し、交通流が渋滞流に遷移する。
　ファンダメンタルダイアグラムは、道路の物理的構造だけでなく、天候による路面状態の変化や、道路に流入する車両群の運転特性、すなわち、ドライバーの挙動によっても変化する。そのため、ファンダメンタルダイアグラムは、各地点の交通パターン毎に、学習によって生成される。
　ダイアグラム格納部１６２は、ダイアグラム学習部１６１により生成されたファンダメンタルダイアグラムを格納する。
　交通状態予測部１７は、予測式格納部１５２に格納された予測式と、予測用ＤＢ１４に格納された予測用データと、を用いて、予測対象時刻における予測対象地点の交通状態（車両密度）を予測する。
　渋滞判定部１８は、ダイアグラム格納部１６２に格納されたファンダメンタルダイアグラムと、交通状態予測部１７によって算出された交通状態（車両密度）と、をもとに、予測対象地点において予測対象時刻に渋滞が発生するかどうかを判定する。
　情報提供部１９は、渋滞判定部１８による渋滞判定結果（渋滞の発生有無）を、ユーザ等に提供（出力）する。情報提供部１９は、渋滞判定結果に加えて、交通状態予測部１７により予測された交通状態を提供（出力）してもよい。
　なお、渋滞予測システム１０は、ＣＰＵ（Central Processing Unit）とプログラムを記憶した記憶媒体を含み、プログラムにもとづく制御によって動作するコンピュータであってもよい。
　図３は、本発明の実施の形態における、コンピュータにより実現された渋滞予測システム１０の構成を示すブロック図である。
　この場合、渋滞予測システム１０は、ＣＰＵ１０１、ハードディスクやメモリ等の記憶デバイス１０２（記憶媒体）、キーボード、ディスプレイ等の入出力デバイス１０３、及び、他の装置等と通信を行う通信デバイス１０４を含む。ＣＰＵ１０１は、情報収集部１１、予測式学習部１５１、ダイアグラム学習部１６１、交通状態予測部１７、渋滞判定部１８、及び、情報提供部１９を実現するためのプログラムを実行する。記憶デバイス１０２は、学習用ＤＢ１３、予測用ＤＢ１４、予測式格納部１５２、交通パターン格納部１５３、及び、ダイアグラム格納部１６２のデータを記憶する。入出力デバイス１０３は、ユーザ等からの予測対象時刻や予測対象地点、交通パターンの入力、及び、ユーザ等への渋滞判定結果の出力を行う。通信デバイス１０４は、他の装置等から交通状態や周辺情報を受信する。また、通信デバイス１０４は、他の装置等から予測対象時刻や予測対象地点、交通パターンを受信し、他の装置等へ渋滞判定結果を送信してもよい。
　また、渋滞予測システム１０の各構成要素は、論理回路で実現されていてもよい。この場合、複数の構成要素が、１つの論理回路で実現されていてもよいし、それぞれ、複数の独立した論理回路で実現されていてもよい。
　また、渋滞予測システム１０の各構成要素は、有線または無線で接続された複数の物理的な装置に分散的に配置されていてもよい。この場合、渋滞予測システム１０は、複数のコンピュータによる分散処理により実現されていてもよい。
　また、渋滞予測システム１０による渋滞予測等のサービスが、ＳａａＳ（Software as a Service）形式で、ユーザに提供されてもよい。
　次に、本発明の実施の形態の動作について説明する。
　＜学習処理＞
　はじめに、本発明の学習処理について、説明する。
　ここでは、予測式学習部１５１により用いられる予測式の生成方式が、非特許文献２、３に開示されている異種混合学習技術のように、予測式の学習と同時に交通パターンを学習可能であると仮定する。
　図４は、本発明の実施の形態における、学習処理を示すフローチャートである。
　情報収集部１１は、所定の学習期間において、監視対象の各地点における、交通状態、及び、周辺情報を、例えば、所定の時間間隔で収集する（ステップＳ１１）。情報収集部１１は、収集した交通状態、及び、周辺情報を、学習データとして、学習用ＤＢ１３に保存する。
　ここで、情報収集部１１は、例えば、各地点に設置されているトラフィックカウンタの値や、車両に搭載されている端末から送信される車両プローブデータをもとに、交通状態を収集する。また、情報収集部１１は、例えば、交通状態を収集した時刻をもとに、時間帯やカレンダ属性等の周辺情報を収集する。また、情報収集部１１は、例えば、各地点の周辺の事故やイベントの有無、天候等の情報を提供するサーバ装置等から、交通状態を収集した時刻における、事故やイベントの有無、天候等の周辺情報を収集する。
　なお、情報収集部１１は、他のシステムにおいて収集、格納された交通状態や周辺情報を、当該他のシステムから収集してもよい。また、情報収集部１１は、ユーザ等から、交通状態や周辺情報を収集してもよい。
　図６は、本発明の実施の形態における、学習用データの例を示す図である。図６の例では、交通状態として、各地点の車両速度、通過台数、及び、車両密度が収集されている。また、周辺情報として、事故の有無、天候、時間帯、カレンダ属性が収集されている。
　例えば、情報収集部１１は、図６のような学習用データを、学習用ＤＢ１３に保存する。
　次に、予測器管理部１５の予測式学習部１５１は、監視対象の各地点について、学習用データをもとに、交通パターン、及び、交通パターン毎の交通状態（車両密度）を予測するための予測式を学習（生成）する（ステップＳ１２）。予測式学習部１５１は、学習した交通パターンを、交通パターン格納部１５３に格納する。また、予測式学習部１５１は、学習した交通パターン毎の予測式を、予測式格納部１５２に格納する。
　例えば、予測式学習部１５１は、異種混合学習技術を用いて、予測精度が高くなるような交通パターンを、予測式と同時に学習する。
　なお、交通パターンがユーザ等により定義可能な場合、予測式学習部１５１は、交通パターン格納部１５３にユーザ等により予め格納された交通パターンを取得し、取得した交通パターン毎に、学習用データを用いて、予測式を学習してもよい。
　例えば、予測式の生成方式として、線形回帰モデルや、自己回帰モデル、自己回帰移動平均モデル等、一般的な時系列モデルの生成方式が用いられる場合、ユーザ等により定義された交通パターン毎に、これらの時系列モデルが、予測式として学習される。
　予測式学習部１５１は、例えば、各地点について、交通パターン毎に、数１式のような予測式を学習する。
Figure JPOXMLDOC01-appb-M000001
 　ここで、　
Ｖｉ（ｔ）、Ｎｉ（ｔ）、ρｉ（ｔ）は、それぞれ、時刻ｔにおける、地点ｘｉ（ｉ＝１、２、…、Ｍ；Ｍは監視対象の地点の数）の車両速度、通過台数、車両密度である。また、ρ'ｊ，ｋ（ｔ＋Ｔ）は、地点ｘｊ（j＝１、２、…、Ｍ）における交通パターンｋ（k＝１、２、…、Ｌj；Ｌjは、地点ｘｊの交通パターンの数）に対する、時刻ｔ＋Ｔの車両密度の予測値である。予測式学習部１５１は、各地点ｘｊの交通パターンｋについて、パラメータａｉｊ，k、ｂｉｊ，k、ｃｉｊ，kを決定する。
　図８は、本発明の実施の形態における、予測式の生成例を示す図である。
　例えば、予測式学習部１５１は、異種混合学習技術を用いて、各地点について、図７のような交通パターンを学習するとともに、図８のように、交通パターン毎の予測式を学習する。
　次に、ダイアグラム管理部１６のダイアグラム学習部１６１は、監視対象の各地点について、学習用データをもとに、交通パターン毎に、ファンダメンタルダイアグラムを学習（生成）する（ステップＳ１３）。ダイアグラム学習部１６１は、生成したファンダメンタルダイアグラムを、ダイアグラム格納部１６２に格納する。
　ここで、ダイアグラム学習部１６１は、例えば、非特許文献４に開示されている手法により、ファンダメンタルダイアグラムを生成し、渋滞流への遷移を判定するための車両密度の閾値ＴＨを特定する。この場合、ダイアグラム学習部１６１は、ハイパボリックタンジェント関数のような関数形を仮定し、当該関数に、学習用データをフィッティングさせることにより、当該関数のパラメータを決定する。
　例えば、ダイアグラム学習部１６１は、各地点について、図７の交通パターン毎に、図９、または、図１０のようなファンダメンタルダイアグラムを生成し、閾値ＴＨを特定する。
　＜予測処理＞
　次に、本発明の予測処理について、説明する。
　ここでは、上述の学習処理より、図７のような交通パターンに対して、図８のような予測式、及び、図９のようなファンダメンタルダイアグラムが生成されていると仮定する。また、予測式としては、２時間後（Ｔ＝２）の交通状態を予測する予測式が生成されていると仮定する。
　また、情報収集部１１が、新たな期間において、監視対象の各地点における交通状態、及び、周辺情報を、上述のステップＳ１１と同様に、例えば、所定の時間間隔で収集し、予測用ＤＢ１４に保存していると仮定する。
　図１１は、本発明の実施の形態における、予測用データの例を示す図である。例えば、予測用ＤＢ１４には、図１１のような予測用データが保存されている。
　図５は、本発明の実施の形態における、予測処理を示すフローチャートである。
　情報収集部１１は、ユーザ等から、渋滞予測要求として、予測対象地点、及び、予測対象時刻の入力を受け付ける（ステップＳ２１）。
　例えば、情報収集部１１は、時刻「2015/08/03 10:00」に、予測対象地点「Ｘ１」、予測対象時刻「2015/08/03 12:00」を受け付ける。
　次に、交通状態予測部１７は、予測式と予測用データとを用いて、予測対象時刻における予測対象地点の交通状態（車両密度）を予測する（ステップＳ２２）。ここで、交通状態予測部１７は、予測対象地点における予測対象時刻の周辺情報の組み合わせに対応する交通パターンを特定する。交通状態予測部１７は、予測対象地点における予測対象時刻の周辺情報を、ユーザ等から予測条件として取得してもよいし、他の装置から取得してもよい。例えば、交通状態予測部１７は、周辺情報の内の事故の有無や天候を、ユーザ等から入力させてもよい。また、交通状態予測部１７は、イベントの有無を、各地点の周辺のイベント予定等の情報を提供するサーバ装置等から取得してもよい。そして、交通状態予測部１７は、特定した交通パターンに対応する予測式を用いて、予測対象地点における予測対象時刻の交通状態（車両密度）を予測する。
　例えば、ユーザ等から、予測対象地点「Ｘ１」、予測対象時刻「2015/08/03 12:00」に係る予測条件として、「事故の有無：なし」、「天候：晴れ」が指定されている場合、交通パターンは、図７の交通パターンの内の「Ｐ１１」に対応する。したがって、交通状態予測部１７は、図８の、地点「Ｘ１」、交通パターン「Ｐ１１」に対応する予測式「ρ'Ｘ１，Ｐ１１（ｔ＋Ｔ）＝…」を用いて、予測対象地点「Ｘ１」における、予測対象時刻「2015/08/03 12:00」の交通状態（車両密度）の予測値を算出する。
　渋滞判定部１８は、交通状態予測部１７によって算出された交通状態（車両密度）と、ファンダメンタルダイアグラムと、をもとに、予測対象地点において予測対象時刻に渋滞が発生するかどうかを判定する（ステップＳ２３）。ここで、渋滞判定部１８は、例えば、予測対象時刻における予測対象地点の交通状態（車両密度）が、予測対象地点の、特定した交通パターンに対応するファンダメンタルダイアグラムの閾値ＴＨより大きい場合、「渋滞発生」と判定する。
　例えば、交通状態（車両密度）の予測値ρ'Ｘ１，Ｐ１１（ｔ＋Ｔ）が、図９のファンダメンタルダイアグラムで示される閾値ＴＨＸ１，Ｐ１１より大きい場合、渋滞判定部１８は、「渋滞発生」と判定する。
　情報提供部１９は、渋滞判定部１８による渋滞判定結果（渋滞の発生有無）を、ユーザ等に提供（出力）する（ステップＳ２４）。
　図１２は、本発明の実施の形態における、渋滞判定結果画面の例を示す図である。図１２の例では、渋滞判定結果画面において、予測対象地点における予測対象時刻の渋滞の発生有無、交通状態（車両密度）の予測値、及び、予測に用いた周辺情報が示されている。
　例えば、情報提供部１９は、図１２のような渋滞判定結果画面を提供（出力）する。
　なお、情報提供部１９は、渋滞予測要求を入力したユーザ以外の、他のユーザの端末装置等にも、渋滞判定結果を通知してよい。
　また、渋滞予測システム１０は、複数地点の内の１以上の任意の地点についてステップＳ２２～Ｓ２４を実行することにより、当該任意の地点に対する渋滞を判定することで、広範囲の渋滞予測を行ってもよい。また、渋滞予測システム１０は、渋滞予測要求が入力された場合に限らず、複数地点の内の任意の地点について、ステップＳ２２～Ｓ２４を繰り返し実行することで、Ｔ時間後の渋滞予測結果を更新してもよい。
　以上により、本発明の実施の形態の動作が完了する。
　なお、本発明の実施の形態では、渋滞予測システム１０は、予測対象地点の交通状態として車両密度を予測した。しかしながら、これに限らず、渋滞予測システム１０は、渋滞判定情報（ファンダメンタルダイアグラム）を用いて渋滞が発生するかどうかを判定できれば、車両密度以外の他の交通状態を予測してもよい。例えば、特定の交通パターンでは、通過台数と車両密度との関係を示したファンダメンタルダイアグラムにおいて、車両密度を用いた場合と同程度の精度で、通過台数をもとに、渋滞が発生するかどうかを判定できる。この場合、予測式学習部１５１は、各地点の通過台数を予測する予測式を生成し、渋滞判定部１８は、当該予測式により算出された通過台数と、ファンダメンタルダイアグラムと、をもとに、渋滞が発生するかどうかを判定する。
　また、本発明の実施の形態では、渋滞予測システム１０は、渋滞判定情報としてファンダメンタルダイアグラムを用いた。しかしながら、これに限らず、予測式により算出された交通状態から渋滞が発生するかどうかを判定できれば、渋滞予測システム１０は、例えば、各地点の交通パターン毎の、車両密度に係る判定閾値を示すテーブル等、他の形式の渋滞判定情報を用いてもよい。
　次に、本発明の実施の形態の特徴的な構成を説明する。図１は、本発明の実施の形態の特徴的な構成を示すブロック図である。
　図１を参照すると、渋滞予測システム１０は、交通状態予測部１７、及び、渋滞判定部１８を含む。交通状態予測部１７は、１以上の地点の交通状態から予測対象地点における交通状態を予測する予測式を用いて、予測対象地点における予測対象時刻の交通状態を予測する。渋滞判定部１８は、予測対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、予測した予測対象地点における予測対象時刻の交通状態と、をもとに、予測対象地点において予測対象時刻に渋滞が発生するかどうかを判定する。
　次に、本発明の実施の形態の効果を説明する。
　本発明の実施の形態によれば、高い精度で渋滞を予測できる。その理由は、渋滞予測システム１０が、予測式を用いて、予測対象地点における予測対象時刻の交通状態を予測し、渋滞判定情報と、予測した交通状態と、をもとに、当該予測対象地点において当該予測対象時刻に渋滞が発生するかどうかを判定するためである。
　これにより、予測式により表される、空間的、時間的な交通状態間の相関関係を用いて、予測対象地点における予測対象時刻の交通状態を、空間的、時間的に高精度で予測できる。したがって、過去の同じ状況において渋滞が発生していなくても、予測した交通状態をもとに、渋滞の有無を、空間的、時間的に高精度に判定できる。
　また、渋滞予測システム１０は、予測式、及び、渋滞判定情報を、交通状態に影響する周辺情報の組み合わせである、交通パターン毎に生成し、予測対象時刻の周辺情報に対応する予測式、及び、渋滞判定情報を用いて、渋滞の有無を判定する。したがって、渋滞の有無を、より高精度に判定できる。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１５年８月２７日に出願された日本出願特願２０１５－１６７３９７を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　１０　　渋滞予測システム
　１０１　　ＣＰＵ
　１０２　　記憶デバイス
　１０３　　入出力デバイス
　１０４　　通信デバイス
　１１　　情報収集部
　１３　　学習用ＤＢ
　１４　　予測用ＤＢ
　１５　　予測器管理部
　１５１　　予測式学習部
　１５２　　予測式格納部
　１５３　　交通パターン格納部
　１６　　ダイアグラム管理部
　１６１　　ダイアグラム学習部
　１６２　　ダイアグラム格納部
　１７　　交通状態予測部
　１８　　渋滞判定部
　１９　　情報提供部

Claims (10)

  1. 　１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測する交通状態予測手段と、
    　前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、渋滞判定手段と、
    　を備えた、渋滞予測システム。
  2. 　前記対象地点の予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    　前記交通状態予測手段は、前記対象地点の周辺情報の組み合わせに対応する予測式を用いて、交通状態を予測し、
    　前記渋滞判定手段は、前記対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    　請求項１に記載の渋滞予測システム。
  3. 　さらに、前記１以上の地点の交通状態、及び、前記対象地点における交通状態の時系列をもとに、当該１以上の地点の交通状態から当該対象地点における交通状態を予測する予測式を生成する、予測式学習手段、を備える、
    　請求項１または２に記載の渋滞予測システム。
  4. 　さらに、前記対象地点における交通状態の時系列をもとに、前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報を生成する、渋滞判定情報学習手段、を備える、
    　請求項１乃至３のいずれかに記載の渋滞予測システム。
  5. 　１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、
    　前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、
    　渋滞予測方法。
  6. 　前記対象地点の予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    　前記対象地点における前記対象時刻の交通状態を予測する場合、当該対象地点の周辺情報の組み合わせに対応する予測式を用いて、交通状態を予測し、
    　前記対象地点において前記対象時刻に渋滞が発生するかどうかを判定する場合、当該対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    　請求項５に記載の渋滞予測方法。
  7. 　さらに、前記１以上の地点の交通状態、及び、前記対象地点における交通状態の時系列をもとに、当該１以上の地点の交通状態から当該対象地点における交通状態を予測する予測式を生成する、
    　請求項５または６に記載の渋滞予測方法。
  8. 　さらに、前記対象地点における交通状態の時系列をもとに、前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報を生成する、
    　請求項５乃至７のいずれかに記載の渋滞予測方法。
  9. 　コンピュータに、
    　１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、
    　前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、
    　処理を実行させるプログラムを格納する、コンピュータが読み取り可能な記録媒体。
  10. 　前記対象地点の予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    　前記対象地点における前記対象時刻の交通状態を予測する場合、当該対象地点の周辺情報の組み合わせに対応する予測式を用いて、交通状態を予測し、
    　前記対象地点において前記対象時刻に渋滞が発生するかどうかを判定する場合、当該対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    　処理を実行させる、請求項９に記載のプログラムを格納する、コンピュータが読み取り可能な記録媒体。
PCT/JP2016/003778 2015-08-27 2016-08-18 渋滞予測システム、渋滞予測方法、及び、記録媒体 WO2017033443A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017536610A JP6777082B2 (ja) 2015-08-27 2016-08-18 渋滞予測システム、渋滞予測方法、及び、プログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015-167397 2015-08-27
JP2015167397 2015-08-27

Publications (1)

Publication Number Publication Date
WO2017033443A1 true WO2017033443A1 (ja) 2017-03-02

Family

ID=58100429

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/003778 WO2017033443A1 (ja) 2015-08-27 2016-08-18 渋滞予測システム、渋滞予測方法、及び、記録媒体

Country Status (2)

Country Link
JP (1) JP6777082B2 (ja)
WO (1) WO2017033443A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087509A (zh) * 2018-09-04 2018-12-25 重庆交通大学 一种路网交通运行状态预测方法
JP2019125251A (ja) * 2018-01-18 2019-07-25 ヤフー株式会社 情報処理装置、データ構造、情報処理方法、およびプログラム
KR102254767B1 (ko) * 2020-11-19 2021-05-24 한국건설기술연구원 차량 영상인식 기반 교통량 조사 장치 및 방법
CN113706863A (zh) * 2021-08-05 2021-11-26 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
US11904854B2 (en) 2020-03-30 2024-02-20 Toyota Research Institute, Inc. Systems and methods for modeling pedestrian activity

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008059181A (ja) * 2006-08-30 2008-03-13 Toshiba Corp 道路交通管制訓練装置及び道路交通管制訓練システム
JP2014191765A (ja) * 2013-03-28 2014-10-06 Denso It Laboratory Inc 渋滞予測装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004348598A (ja) * 2003-05-23 2004-12-09 Aisin Aw Co Ltd 渋滞推定システム
JP2005352615A (ja) * 2004-06-09 2005-12-22 Hitachi Ltd プローブカーを用いた交通量管理エリアの交通量制御システム及びプローブカー情報収集配信センタ

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008059181A (ja) * 2006-08-30 2008-03-13 Toshiba Corp 道路交通管制訓練装置及び道路交通管制訓練システム
JP2014191765A (ja) * 2013-03-28 2014-10-06 Denso It Laboratory Inc 渋滞予測装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019125251A (ja) * 2018-01-18 2019-07-25 ヤフー株式会社 情報処理装置、データ構造、情報処理方法、およびプログラム
CN109087509A (zh) * 2018-09-04 2018-12-25 重庆交通大学 一种路网交通运行状态预测方法
US11904854B2 (en) 2020-03-30 2024-02-20 Toyota Research Institute, Inc. Systems and methods for modeling pedestrian activity
KR102254767B1 (ko) * 2020-11-19 2021-05-24 한국건설기술연구원 차량 영상인식 기반 교통량 조사 장치 및 방법
CN113706863A (zh) * 2021-08-05 2021-11-26 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
CN113706863B (zh) * 2021-08-05 2022-08-02 青岛海信网络科技股份有限公司 一种道路交通状态预测方法

Also Published As

Publication number Publication date
JPWO2017033443A1 (ja) 2018-07-05
JP6777082B2 (ja) 2020-10-28

Similar Documents

Publication Publication Date Title
WO2017033443A1 (ja) 渋滞予測システム、渋滞予測方法、及び、記録媒体
Chen et al. Sensing data supported traffic flow prediction via denoising schemes and ANN: A comparison
Chen et al. Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach
Lin et al. Road traffic speed prediction: A probabilistic model fusing multi-source data
Yildirimoglu et al. Experienced travel time prediction for congested freeways
Khattak et al. Operational performance evaluation of adaptive traffic control systems: A Bayesian modeling approach using real-world GPS and private sector PROBE data
Hu et al. Arterial offset optimization using archived high-resolution traffic signal data
CN107610464A (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
Kuemper et al. Valid. IoT: A framework for sensor data quality analysis and interpolation
JP2015125775A (ja) システムでの需要の予測のためのマルチタスク学習システムおよび方法
US11748326B2 (en) Data flow control device and data flow control method
CN112185124B (zh) 一种全路网交通状态预测方法及装置
Vlahogianni Enhancing predictions in signalized arterials with information on short-term traffic flow dynamics
Zhu et al. Pova: Traffic light sensing with probe vehicles
Ali et al. Mobile crowd sensing based dynamic traffic efficiency framework for urban traffic congestion control
JP2012050241A (ja) 需要予測システム及び需要予測方法
Philip et al. Urban arterial travel time prediction using support vector regression
Fournier et al. Extending Event-Driven Architecture for Proactive Systems.
JP2017084268A (ja) 事故発生予報システム、および事故発生予報方法
Vlahogianni et al. Statistical characteristics of transitional queue conditions in signalized arterials
Vu et al. Bus running time prediction using a statistical pattern recognition technique
JP2019095895A (ja) 人流量予測装置、方法、及びプログラム
Oka et al. Spatial feature-based prioritization for transmission of point cloud data in 3D-image sensor networks
Trihinas et al. ATMoN: Adapting the" Temporality" in Large-Scale Dynamic Networks
Friso et al. Scalable data-driven short-term traffic prediction

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: 16838794

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017536610

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16838794

Country of ref document: EP

Kind code of ref document: A1