WO2018083833A1 - 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法 - Google Patents

旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法 Download PDF

Info

Publication number
WO2018083833A1
WO2018083833A1 PCT/JP2017/022242 JP2017022242W WO2018083833A1 WO 2018083833 A1 WO2018083833 A1 WO 2018083833A1 JP 2017022242 W JP2017022242 W JP 2017022242W WO 2018083833 A1 WO2018083833 A1 WO 2018083833A1
Authority
WO
WIPO (PCT)
Prior art keywords
travel
time
travel time
data
past
Prior art date
Application number
PCT/JP2017/022242
Other languages
English (en)
French (fr)
Inventor
西村茂樹
Original Assignee
住友電気工業株式会社
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 住友電気工業株式会社 filed Critical 住友電気工業株式会社
Publication of WO2018083833A1 publication Critical patent/WO2018083833A1/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 travel time prediction program, a travel time prediction device, and a travel time prediction method.
  • This application claims priority based on Japanese Patent Application No. 2016-215969 filed on Nov. 4, 2016, and uses all the contents described in the Japanese application.
  • Patent Document 1 discloses the following configuration. That is, the travel time information calculation system uses the travel time calculation means for calculating and saving the travel time from the tollgate data collected from each tollgate, and the travel time stored by the travel time calculation means. A similar pattern is searched from the required travel time patterns stored by the pattern creating means based on the required travel time stored by the travel time calculating means and the pattern creating means for creating and storing the required time pattern. Time predicting means for predicting the required travel time and travel time information creating means for creating travel required time information from the predicted travel required time predicted by the time predicting means are provided.
  • Patent Document 2 discloses the following method. That is, the travel time prediction method includes the following procedures (a) to (e).
  • (A) Collect actual travel time data up to the current time of the day of the road section where the travel time is to be predicted.
  • (B) For the road section, a plurality of travel time statistical data collected in the past on the day of the same traffic condition as that day is acquired.
  • (C) From the travel time statistical data acquired in (b), a plurality of travel time statistical data similar in time variation tendency to the travel time actual measurement data are selected.
  • D Excludes data far from the distribution from the data after the current time of the plurality of travel time statistical data selected in (c).
  • a travel time prediction program is a travel time prediction program used in a travel time prediction apparatus, and includes a computer that is used to calculate a target date of a road section, a vehicle travel time, and an event end time and scale.
  • An acquisition unit that acquires at least one of the target day driving data indicating at least one, and a plurality of past driving data indicating at least one of a past vehicle travel time and an event end time and scale of the road section;
  • a selection unit that selects one or more past travel data similar to the target day travel data acquired by the acquisition unit from the plurality of past travel data acquired by the acquisition unit; and the selection The target date after the target date travel data based on the travel time indicated by the past travel data selected by the section Prediction unit for predicting a travel time, a program to function as a.
  • the travel time prediction device includes target day travel data indicating at least one of a target date of a road section, a travel time of a vehicle, and an end time and a scale of an event, and past data of the road section. From the plurality of past travel data acquired by the acquisition unit, the acquisition unit for acquiring the travel time of the vehicle, and a plurality of past travel data indicating at least one of the end time and scale of the event, Based on a selection unit that selects one or a plurality of the past travel data similar to the target day travel data acquired by the acquisition unit, and a travel time indicated by the past travel data selected by the selection unit, A prediction unit that predicts a travel time of the target day after the target day running data.
  • the travel time prediction method is a travel time prediction method in a travel time prediction device, and includes at least one of a target date of a road section, a vehicle travel time, and an event end time and scale.
  • the target day travel data Predicting the travel time of the target date later.
  • One aspect of the present disclosure can be realized as a semiconductor integrated circuit that realizes part or all of the travel time prediction device, or can be realized as a system including the travel time prediction device.
  • FIG. 1 is a diagram showing a configuration of a travel time prediction apparatus according to an embodiment of the present invention.
  • FIG. 2 is a diagram for explaining a data acquisition method related to an event by the travel time prediction apparatus according to the embodiment of the present invention.
  • FIG. 3 is a flowchart defining an operation procedure when the travel time prediction apparatus according to the embodiment of the present invention predicts travel time.
  • FIG. 4 is a diagram illustrating an example of a time transition of the travel time of the target day travel data and the travel time of the past travel data.
  • FIG. 5 is a diagram showing the number distribution of travel time Tk (j) of past travel data when the threshold value is fixed.
  • FIG. 6 is a diagram showing the number distribution of travel time Tk (j) of past travel data when the threshold value is a variable.
  • FIG. 7 is a diagram illustrating an example of the travel time of the target day travel data and the travel time of the selected past travel data.
  • FIG. 8 is a diagram illustrating another example of the travel time of the target day travel data and the travel time of the selected past travel data.
  • FIG. 9 is a diagram for explaining an example of a method for obtaining travel time prediction data.
  • the present disclosure has been made in order to solve the above-described problems, and an object of the present disclosure is to provide a travel time prediction program and a travel time prediction apparatus capable of predicting travel time more accurately reflecting changes in traffic volume. And providing a travel time prediction method.
  • a travel time predicting program is a travel time predicting program used in a travel time predicting apparatus, and the computer is used for a target date of a road section, a travel time of a vehicle, and an event.
  • Target day running data indicating at least one of the end time and scale, and a plurality of past running data indicating at least one of the past travel time of the road section and the end time and scale of the event in the road section.
  • An acquisition unit to acquire, and a selection for selecting one or more past travel data similar to the target day travel data acquired by the acquisition unit from the plurality of past travel data acquired by the acquisition unit
  • the target day running data based on the travel time indicated by the past running data selected by the selection unit.
  • the event end time and scale are the same or similar, and the travel time and time variation of the target day travel data
  • the acquisition unit calculates at least one of the end time and the scale based on probe information indicating the position and time of the vehicle.
  • the configuration using the probe information allows the contents of the event to be determined in accordance with the actual traffic situation. For example, even when an event with an indefinite end time and scale is held. Simple past driving data can be extracted.
  • the road section is a section passing through an area including a parking lot near the event point.
  • the acquisition unit calculates at least one of the end time and the scale based on probe information indicating a position and time of a vehicle, and the acquisition unit selects a parking lot near an event point.
  • the end time is calculated based on the generation time
  • the scale is calculated based on the generated number.
  • the travel time prediction device includes a target day running data indicating at least one of a target date of a road section, a travel time of a vehicle, and an end time and a scale of an event, An acquisition unit that acquires a plurality of past travel data indicating at least one of a vehicle travel time and an event end time and scale in the past of the road section, and the plurality of past travels acquired by the acquisition unit A selection unit that selects one or a plurality of the past travel data similar to the target day travel data acquired by the acquisition unit from the data, and a travel time indicated by the past travel data selected by the selection unit And a predicting unit that predicts a travel time of the target day after the target day running data.
  • the event end time and scale are the same or similar, and the travel time and time variation of the target day travel data
  • a travel time predicting method is a travel time predicting method in a travel time predicting apparatus, which includes a target date of a road section, a travel time of a vehicle, an end time and a scale of an event. Obtaining at least one of the target day running data indicating at least one of the past, and a plurality of past running data indicating at least one of the past travel time of the road section and the end time and scale of the event; Based on the travel time indicated by the selected past travel data, the step of selecting one or a plurality of the past travel data similar to the acquired target day travel data from the acquired past travel data, Predicting a travel time of the target day after the target day running data.
  • the event end time and scale are the same or similar, and the travel time and time variation of the target day travel data
  • FIG. 1 is a diagram showing a configuration of a travel time prediction apparatus according to an embodiment of the present invention.
  • travel time prediction apparatus 101 includes acquisition unit 11, storage unit 12, selection unit 13, prediction unit 14, and processing unit 15.
  • the acquisition unit 11 includes target day travel data indicating at least one of the target date of the target road section L, the travel time of the vehicle, the end time and the scale of the event, and the vehicle of the past day of the road section L. Travel time, and a plurality of past travel data indicating at least one of the end time and scale of the event. For example, the acquisition unit 11 calculates the end time and scale of the event based on probe information indicating the position and time of the vehicle.
  • the acquisition unit 11 receives probe information from an in-vehicle device (not shown), for example.
  • the in-vehicle device has a function as a computer for generating probe information and a communication function.
  • the in-vehicle device creates probe information including information acquired by traveling of the probe vehicle on which it is mounted, and transmits the created probe information to a central device (not shown) via a wireless communication line such as a mobile phone line.
  • the probe information collection cycle is, for example, several seconds.
  • the in-vehicle device transmits the collected probe information to the central device according to the transmission cycle.
  • This transmission cycle may be the same as the collection cycle, or may be set longer than the collection cycle such as 1 minute, and probe information at a plurality of times may be collectively transmitted from the in-vehicle device.
  • the acquisition unit 11 receives the probe information from the central device, for example, via a network.
  • Probe information is information including the traveling position of the probe vehicle, that is, the current position, the passage time of the traveling position, and the identification information of the probe vehicle, that is, the vehicle ID.
  • the in-vehicle device has a GPS (Global Positioning System) function, and the position of the probe vehicle is calculated based on the GPS signal received by the GPS receiver included in the in-vehicle device. Moreover, the in-vehicle device has a clock function, and can acquire time information regarding the passing time of each position.
  • GPS Global Positioning System
  • the acquisition unit 11 obtains the time at which the probe vehicle passes through one end of the road section L and the time at which the other end of the road section L passes from the probe information of the probe vehicle that has traveled along the road section L. And the acquisition part 11 calculates
  • FIG. 2 is a diagram for explaining a data acquisition method related to an event by the travel time prediction apparatus according to the embodiment of the present invention.
  • the acquisition unit 11 acquires data on the event as follows based on the probe information of the probe vehicle that has traveled on the road section L.
  • the acquisition unit 11 captures part or all of the road section L near the venue (hereinafter referred to as the “event venue”) C, for example, near the event location, that is, the parking lot near the event venue C.
  • Probe information of the probe vehicle that has traveled on the road section L passing through the region A is extracted.
  • the acquisition unit 11 extracts probe information (hereinafter also referred to as “exit probe information”) of a vehicle that starts from the area A, not a vehicle that flows into the area A.
  • the acquisition unit 11 calculates an end time based on the occurrence time and calculates a scale based on the number of occurrences when a predetermined number or more of probe information of vehicles departing from the area A as a starting point occurs within a predetermined time. To do.
  • the acquisition unit 11 calculates the time when the exit probe information is extracted for the first time in the latest predetermined time, for example, 5 minutes, for the first time as the event determination threshold, and the exit probe extracted at the predetermined time.
  • the number of information is calculated as the scale of the event.
  • the acquisition unit 11 sets the event determination threshold based on the number of exit probe information extracted on each of a plurality of days on which the event was held in the same road section L in the past. Specifically, the acquisition unit 11 sets the minimum value of the number of exit probe information on the plurality of days, the 90th percentile value, or the like as the event determination threshold value.
  • the acquisition unit 11 saves travel time, event end time and travel data of the scale in the storage unit 12 for each road section and for each time zone.
  • the acquisition unit 11 sets the end time and scale of the event in the travel data of the road section unrelated to the event site C as invalid values such as ⁇ 1.
  • the acquisition unit 11 is not limited to the road section L in the vicinity of the event venue C as described above as the road section related to the event hall C, but for example, the end time and scale of the event for the road section affected by the event May be calculated and included in the corresponding travel data.
  • the acquisition unit 11 is not limited to the configuration for acquiring the travel time and the end time and scale of the event using the probe information.
  • the measurement unit described in paragraphs [0017] to [0019] of Patent Document 2 is used. May be used to obtain the travel time and end time and scale of the event.
  • the acquisition unit 11 may perform numerical processing such as averaging the travel times of a plurality of vehicles, for example, using the method described in paragraphs [0017] to [0019] of Patent Document 2.
  • the travel time prediction apparatus 101 includes a computer, and an arithmetic processing unit such as a CPU in the computer reads and executes a program including a part or all of each step of the following flowchart from a memory (not shown).
  • This program can be installed externally. This program is distributed in a state stored in a recording medium.
  • FIG. 3 is a flowchart defining an operation procedure when the travel time prediction apparatus according to the embodiment of the present invention predicts travel time.
  • the selection unit 13 selects one or a plurality of past travel data similar to the target day travel data acquired by the acquisition unit 11 from the plurality of past travel data acquired by the acquisition unit 11.
  • the prediction unit 14 predicts the travel time of the target day after the target day travel data based on the travel time indicated by the past travel data selected by the selection unit 13.
  • the selection unit 13 receives designation of a road section L to be predicted from among the jurisdiction roads. This designation may be performed from the outside of the travel time prediction apparatus 101, or the travel time prediction apparatus 101 may perform autonomously.
  • the designated road section is a road section L passing through the area A including the event venue C, and the event is held on the target day.
  • the selection unit 13 reads target day travel data, which is travel data collected on the target day, from the storage unit 12. As a result, for the designated road section L, time series data up to the current time, for example, every 5 minutes, is obtained (step S2).
  • the selection unit 13 acquires the information and confirms the event (Step S3).
  • the selection unit 13 satisfies the same date, day of the week, weather, and the like as the target day (hereinafter, (Referred to also as “comparison date”), and the past travel data every five minutes, for example, every five minutes is extracted from the storage unit 12 (step S6).
  • traffic conditions conditions that affect travel time and its distribution, such as date, day of the week, and weather.
  • the travel time and its distribution are considered to be similar unless a sudden event such as an accident, road construction or abnormal weather occurs on that day. For this reason, the travel time can be predicted with high accuracy by the configuration that extracts the travel data on the same day under the traffic conditions.
  • the selection unit 13 adds the content of the event to the past travel data extraction condition, that is, the traffic condition. Thereby, it is possible to set the extraction condition appropriately only in the time zone in which the traffic volume is affected by the end of the event (step S5).
  • the selection unit 13 searches for a comparison date having the same or similar end time and scale of the event and satisfying other traffic conditions such as the same month, day, and weather as the target date, and the time of the comparison date
  • the belt for example, past travel data every 5 minutes is extracted from the storage unit 12 (step S6).
  • the selection unit 13 selects one or a plurality of past travel data having similar target date travel data and time fluctuation tendency, that is, a pattern or a trend, from the extracted past travel data (step S7). This selection method will be described later.
  • the selection unit 13 pays attention to the time after the current time of the selected past travel data (hereinafter also referred to as future time), and excludes a data portion far from the average tendency at the future time. This is to exclude past traveling data on the comparison date when an unexpected value such as an accident, road construction, or abnormal weather occurs on the comparison date and an abnormal value appears in the travel time. This exclusion process will also be described later.
  • the selection unit 13 outputs the past travel data after the exclusion to the prediction unit 14 (step S8).
  • the prediction unit 14 calculates data representing the travel time of each past travel data (hereinafter also referred to as representative data) based on each past travel data received from the selection unit 13.
  • the prediction unit 14 sets, for example, a simple average value of travel time of each past travel data as representative data, a weighted average value as representative data, or a median value as representative data (step S9).
  • the prediction unit 14 calculates, for example, a difference or ratio between the travel time at the current time of the target day travel data with respect to the travel time at the current time of the representative data, and based on the calculated difference or ratio, the target date The travel time of the future time is calculated (step S10).
  • the travel time on the target day is T0 (j).
  • the subscript “0” represents the target date.
  • the travel time of the comparison date is Tk (j).
  • k 1,. . . , N.
  • N is an integer of 2 or more, and is the total number of past travel data extracted by the selection unit 13.
  • FIG. 4 is a diagram showing an example of a time transition of the travel time of the target day travel data and the travel time of the past travel data.
  • FIG. 4 shows the travel time T0 (j) of the target day travel data and the travel times T1 (j), T2 (j),. . . , TN (j).
  • T0 (j) the travel time of the target day travel data
  • T1 (j) the travel times of the target day travel data
  • T2 (j) the travel times of the target day travel data
  • the travel time T0 (j) of the target day travel data and the travel times T1 (j), T2 (j),. . . , TN (j) uses smoothed data.
  • the smoothed data fluctuations can be suppressed.
  • the smoothing method it is preferable to use data averaged over a past range of time including the time zone.
  • the reason for taking the average over the time in the past range is that the travel time T0 (j) of the target day traveling data can only be collected in the past, so that the average over the future time cannot be taken.
  • Exponential smoothing is a method of performing smoothing by weighting and adding current data and previous data.
  • the previous data is also the data that dragged the past history because the previous data is weighted.
  • G (k) ⁇ [(T0 (j) ⁇ T0 (j ⁇ 1)) ⁇ (Tk (j) ⁇ Tk (j ⁇ 1))] 2 ⁇ 1/2
  • H (k) ⁇ F (k) + ⁇ G (k)
  • One or a plurality of travel times Tk (j) of past travel data in which the value of the evaluation function as described above (hereinafter also referred to as an evaluation value) is smaller than a threshold value are selected.
  • Past driving data larger than the threshold is excluded.
  • FIG. 5 is a diagram showing the number distribution of travel time Tk (j) of past travel data when the threshold value is fixed.
  • the horizontal axis represents the evaluation value
  • the vertical axis represents the number.
  • the selection unit 13 selects a travel time Tk (j) of past travel data that is smaller than the threshold value.
  • FIG. 6 is a diagram showing the number distribution of travel time Tk (j) of past travel data when the threshold value is a variable. 6 is the same as FIG.
  • a value ra obtained by multiplying an evaluation value a of the travel time Tk (j) of past travel data having the smallest evaluation value by a constant r is used as a threshold value.
  • M be the number of travel times Tk (j) of the selected past travel data.
  • M is an integer of 1 or more.
  • FIG. 7 is a diagram illustrating an example of the travel time of the target day travel data and the travel time of the selected past travel data.
  • the horizontal axis indicates time
  • the vertical axis indicates travel time.
  • FIG. 7 shows the travel time T1 (j) of the past travel data selected as having a similar pattern or trend to the travel time T0 (j) of the target day travel data and the travel time T0 (j) of the target day travel data. This is a graph depicting T2 (j),..., TM (j).
  • FIG. 8 is a diagram showing another example of the travel time of the target day travel data and the travel time of the selected past travel data.
  • the horizontal axis indicates time
  • the vertical axis indicates travel time.
  • FIG. 8 shows the travel time T1 (j) of the past travel data selected as having the same pattern or trend as the travel time T0 (j) of the target day travel data and the travel time T0 (j) of the target day travel data.
  • This is a graph depicting T2 (j),..., TM (j).
  • smoothed data is used for travel times T1 (j), T2 (j), etc. of past travel data.
  • the smoothed data fluctuations can be suppressed.
  • a moving average is a method of performing smoothing by weighting and adding the current data and a certain number of data before and after the data. Since past travel data is data that has already been acquired and accumulated over all times, data of future times can be included in calculating the average.
  • processing based on values after the current time is performed on the selected past travel data.
  • an average of travel times T1 (j), T2 (j),..., TM (j) of the selected past travel data is calculated at a future time.
  • this average travel time is drawn in bold lines as the average past travel time Tm (j).
  • the average past travel time Tm (j) is drawn with a bold line.
  • the travel time Tk (j) in the time zone j is excluded because the distance is away from the average past travel time Tm (j).
  • the deviation value Z (k, j) is less than 30 or 70 or more, for example, the travel time Tk (j) in the time zone j is excluded.
  • the data far from the average trend is thought to be based on sudden events such as accidents, road construction and abnormal weather. For this reason, the prediction accuracy of travel time can be improved by excluding the above travel time.
  • Tmd (j) be the average past travel time for each travel time not excluded.
  • the average past travel time Tmd (j) is more accurate than the average past travel time Tm (j) because data far from the average tendency is excluded.
  • travel time prediction data This extended travel time data is referred to as “travel time prediction data”.
  • FIG. 9 is a diagram for explaining an example of a method for obtaining travel time prediction data.
  • the horizontal axis represents time
  • the vertical axis represents travel time
  • the broken line graph represents travel time prediction data.
  • the travel time prediction data indicates that the difference ⁇ T between the current value T0 (0) of the travel time of the target day travel data and the current value Tmd (0) of the average past travel time is the average past travel time. It is obtained by adding to Tmd (j).
  • the travel time prediction data is not limited to the method using the difference ⁇ T.
  • a ratio ⁇ R between the current value T0 of the travel time of the target day travel data and the current value Tmd (0) of the average past travel time is averaged. You may obtain
  • the travel time predicting apparatus 101 obtains the end time and scale of the event from the probe information, and the end time and scale of the event is the same or similar from among a plurality of travel data collected in the past.
  • a plurality of pieces of data having a similar time fluctuation tendency to the travel time of the target day travel data are selected, and the travel time after the current time is predicted based on the selected past travel data.
  • the travel time predicting apparatus 101 can grasp such an event, and predicts the travel time more accurately reflecting the change in traffic volume according to the end time of the event and the size of the number of spectators. It becomes possible.
  • the prediction unit 14 is configured to predict the travel time after the current time on the target day, but the present invention is not limited to this.
  • the prediction unit 14 may be configured to predict a travel time later than the time corresponding to the target day running data, and the start of the prediction range may be, for example, after a predetermined time has elapsed from the current time of the target day. .
  • the prediction range may be a part of the time zone of the target date after the current time.
  • the travel time prediction apparatus according to the embodiment of the present invention is not limited to the configuration in which the data processing range is one day, but may be configured so that the data processing range extends beyond the day.
  • the range of “target date” is not limited to one day
  • the range of “past” is not limited to one day.
  • the travel time prediction apparatus 101 sets the data acquisition range and the prediction range as the next day or a range spanning the current day and the next day. Further, for example, when the current time is immediately after the day changes, the travel time prediction apparatus 101 sets the data acquisition range to the previous day or the range spanning the current day and the previous day.
  • the selection unit 13 collects the end time and scale of the event and extracts past travel data based on the information.
  • the selection unit 13 may be configured to collect any one of the end time and the scale of the event and extract past traveling data based on the collected information.
  • the travel time prediction device extracts past travel data having the same or similar end time and scale of the event from a plurality of past travel data, and in the extracted past travel data
  • a plurality of pieces of past travel data having similar time fluctuation trends to the travel time of the target day travel data are selected.
  • the travel time prediction apparatus 101 may be configured to perform the processes of steps S6 and S7 shown in FIG. 3 in parallel. That is, the travel time predicting apparatus 101 has the same or similar end date and scale of the target day travel data and the event from among the plurality of past travel data in the storage unit 12, and the travel time and time of the target day travel data. Any configuration may be used as long as a plurality of past traveling data having similar fluctuation trends are selected.
  • the selection unit 13 is configured such that the use range of past travel data used for similarity determination with the target day travel data starts from a time based on the current time.
  • the use range of the past travel data may start from a time that is far away from the current time, and a portion with a similar tendency of time fluctuation of data can be used regardless of the time.
  • the acquisition unit 11 is configured to acquire the end time and scale of the event based on the probe information, but is not limited thereto.
  • the configuration may be such that the user can input the end time and scale of the event into the travel time prediction apparatus 101.
  • the acquisition unit 11 obtains at least one of the target date of the road section L, the travel time of the vehicle, and the end time and scale of the event.
  • the target day travel data to be shown and a plurality of past travel data indicating at least one of the travel time of the vehicle and the end time and scale of the event in the past in the road section L are acquired.
  • the selection unit 13 selects one or a plurality of past travel data similar to the target day travel data acquired by the acquisition unit 11 from the plurality of past travel data acquired by the acquisition unit 11.
  • the prediction unit 14 predicts the travel time of the target day after the target day travel data based on the travel time indicated by the past travel data selected by the selection unit 13.
  • the event end time and scale are the same or similar, and the travel time and time variation of the target day travel data
  • the travel time prediction apparatus can predict travel time more accurately reflecting changes in traffic volume.
  • the acquisition unit 11 calculates at least one of the end time and the scale of the event based on the probe information indicating the position and time of the vehicle.
  • the configuration using the probe information allows the contents of the event to be determined in accordance with the actual traffic situation. For example, even when an event with an indefinite end time and scale is held. Simple past driving data can be extracted.
  • the road section L is a section that passes through the area A including the parking lot near the event point.
  • the acquisition unit 11 calculates at least one of the end time and the scale of the event based on the probe information indicating the position and time of the vehicle.
  • the acquisition unit 11 calculates the end time based on the occurrence time and calculates the scale based on the number of occurrences when a predetermined number or more of the probe information of the vehicle starting from the area A is generated within the predetermined time. To do.
  • [Appendix 1] The target date of the road section, the travel time of the vehicle, the target day running data indicating at least one of the end time and scale of the event, the past travel time of the vehicle of the road section, the end time of the event, and An acquisition unit that acquires a plurality of past travel data indicating at least one of the scales; A selection unit that selects one or more past travel data similar to the target day travel data acquired by the acquisition unit from the plurality of past travel data acquired by the acquisition unit; A prediction unit that predicts the travel time of the target date after the target day travel data based on the travel time indicated by the past travel data selected by the selection unit; The acquisition unit acquires the past travel data on a day having the same traffic conditions as the target day, The selection unit is a travel time prediction device that selects one or a plurality of the past travel data whose time fluctuation tendency is similar to the target day travel data.

Abstract

旅行時間予測装置において用いられる旅行時間予測プログラムであって、コンピュータを、道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する取得部と、前記取得部によって取得された前記複数の過去走行データの中から、前記取得部によって取得された前記対象日走行データに類似する１または複数の前記過去走行データを選択する選択部と、前記選択部によって選択された前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測する予測部、として機能させるためのプログラムである。

Description

旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法
　本発明は、旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法に関する。
　この出願は、２０１６年１１月４日に出願された日本出願特願２０１６－２１５９６９号を基礎とする優先権を主張し、前記日本出願に記載されたすべての記載内容を援用するものである。
　交通計測により収集した過去の旅行時間のデータを用いて、将来の旅行時間を予測する方法が提案されている。このような方法の一例として、たとえば、特開２００１－１２６１８０号公報（特許文献１）には、以下のような構成が開示されている。すなわち、走行所要時間情報演算システムは、各料金所から収集する料金所データから走行所要時間を演算し保存する走行時間演算手段と、この走行時間演算手段で保存された走行所要時間を用いて走行所要時間パターンを作成し蓄積するパターン作成手段と、前記走行時間演算手段で保存された走行所要時間をもとに、パターン作成手段で蓄積された走行所要時間パターンの中から類似パターンを検索して走行所要時間を予測する時間予測手段と、この時間予測手段で予測された走行所要時間予測値から走行所要時間情報を作成する走行時間情報作成手段とを備える。
　また、特開２００５－１９６２３８号公報（特許文献２）には、以下のような方法が開示されている。すなわち、旅行時間予測方法は、次の（ａ）から（ｅ）までの手順を含む。（ａ）旅行時間を予測しようとする道路区間の、当日の現在時刻までの旅行時間実測データを収集する。（ｂ）前記道路区間について、当日と同じ交通条件の日の、過去に収集された複数の旅行時間統計データを取得する。（ｃ）前記（ｂ）で取得された旅行時間統計データの中から、前記旅行時間実測データと時間変動傾向の類似した旅行時間統計データを複数選択する。（ｄ）前記（ｃ）で選択された複数の旅行時間統計データの、現在時刻以後のデータに対して、分布からかけ離れたデータを除外する。（ｅ）前記除外されなかった残りの現在時刻以後の旅行時間統計データに基づき、それらのデータを代表するデータ列を作成し、当日の現在時刻の旅行時間実測データとの差または比に基づいて、現在時刻以後の旅行時間予測データを求める。
特開２００１－１２６１８０号公報 特開２００５－１９６２３８号公報
　（１）本開示の旅行時間予測プログラムは、旅行時間予測装置において用いられる旅行時間予測プログラムであって、コンピュータを、道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する取得部と、前記取得部によって取得された前記複数の過去走行データの中から、前記取得部によって取得された前記対象日走行データに類似する１または複数の前記過去走行データを選択する選択部と、前記選択部によって選択された前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測する予測部、として機能させるためのプログラムである。
　（５）本開示の旅行時間予測装置は、道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する取得部と、前記取得部によって取得された前記複数の過去走行データの中から、前記取得部によって取得された前記対象日走行データに類似する１または複数の前記過去走行データを選択する選択部と、前記選択部によって選択された前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測する予測部とを備える。
　（６）本開示の旅行時間予測方法は、旅行時間予測装置における旅行時間予測方法であって、道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得するステップと、取得した前記複数の過去走行データの中から、取得した前記対象日走行データに類似する１または複数の前記過去走行データを選択するステップと、選択した前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測するステップとを含む。
　本開示の一態様は、旅行時間予測装置の一部または全部を実現する半導体集積回路として実現され得たり、旅行時間予測装置を含むシステムとして実現され得る。
図１は、本発明の実施の形態に係る旅行時間予測装置の構成を示す図である。 図２は、本発明の実施の形態に係る旅行時間予測装置による催事に関するデータの取得方法を説明するための図である。 図３は、本発明の実施の形態に係る旅行時間予測装置が旅行時間を予測する際の動作手順を定めたフローチャートである。 図４は、対象日走行データの旅行時間および過去走行データの旅行時間の時間推移の一例を示す図である。 図５は、しきい値を固定した場合の過去走行データの旅行時間Ｔｋ（ｊ）の個数分布を示す図である。 図６は、しきい値を変数とした場合の過去走行データの旅行時間Ｔｋ（ｊ）の個数分布を示す図である。 図７は、対象日走行データの旅行時間および選択された過去走行データの旅行時間の一例を示す図である。 図８は、対象日走行データの旅行時間および選択された過去走行データの旅行時間の他の例を示す図である。 図９は、旅行時間予測データを求める方法の一例を説明するための図である
　最近の交通需要の増大、ならびにインターネットおよび携帯電話などの情報伝達媒体の普及に伴い、交通情報の提供に対するニーズが高まっている。交通情報のうち、走行車両が道路区間を走行するのに要する時間である旅行時間の情報は、交通渋滞の把握、ならびに目的地に到達する最短経路および迂回経路の算出等に有用である。
　特に、ある道路区間に注目して、当日の将来時刻の旅行時間を予測することが重要である。将来時刻の旅行時間を予測できれば、渋滞などが予測できるので、当該道路区間を避けた目的地までの経路を探索して車両に通知したり、車両に迂回指示を出したりすることができるため、未然に交通渋滞を回避することができる。
　［本開示が解決しようとする課題］
　旅行時間の予測を行う場合、スポーツの試合およびコンサート等の催事が対象の道路区間付近において開催されている状況では、催事による交通量の増減についても考慮する必要がある。
　特許文献１および２に記載の技術を超えて、交通量の増減を的確に反映した予測を行う技術が望まれる。
　本開示は、上述の課題を解決するためになされたもので、その目的は、交通量の変化をより的確に反映した旅行時間の予測を行うことが可能な旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法を提供することである。
　［本開示の効果］
　本開示によれば、交通量の変化をより的確に反映した旅行時間の予測を行うことができる。
　［本願発明の実施形態の説明］
　最初に、本発明の実施形態の内容を列記して説明する。
　（１）本発明の実施の形態に係る旅行時間予測プログラムは、旅行時間予測装置において用いられる旅行時間予測プログラムであって、コンピュータを、道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する取得部と、前記取得部によって取得された前記複数の過去走行データの中から、前記取得部によって取得された前記対象日走行データに類似する１または複数の前記過去走行データを選択する選択部と、前記選択部によって選択された前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測する予測部、として機能させるためのプログラムである。
　このように、走行データに催事の終了時刻および規模を含め、複数の過去走行データの中から、催事の終了時刻および規模が同じかまたは類似し、かつ、対象日走行データの旅行時間と時間変動傾向の類似した過去走行データを複数選択し、選択した過去走行データに基づいて旅行時間を予測する構成により、催事の開催による交通量の増大を把握することが可能となり、催事の内容に応じた旅行時間の予測を行うことが可能となる。また、催事の有無の情報のみを用いる構成と比べて、交通量の変化をより的確に反映した旅行時間の予測を行うことが可能となる。したがって、交通量の変化をより的確に反映した旅行時間の予測を行うことができる。
　（２）好ましくは、前記取得部は、車両の位置および時刻を示すプローブ情報に基づいて前記終了時刻および前記規模の少なくともいずれか一方を算出する。
　このように、プローブ情報を用いる構成により、催事の内容を実際の交通状況に即して判断することができるため、たとえば終了時刻および規模が不定な催事が開催される場合であっても、適切な過去走行データを抽出することができる。
　（３）好ましくは、前記道路区間は、催事地点付近の駐車場を含む領域を通る区間である。
　このような構成により、催事の内容を反映するのに適した道路区間において、催事の内容に応じた走行データの抽出を行うことができる。
　（４）好ましくは、前記取得部は、車両の位置および時刻を示すプローブ情報に基づいて前記終了時刻および前記規模の少なくともいずれか一方を算出し、前記取得部は、催事地点付近の駐車場を含む領域内を始点として出発する車両の前記プローブ情報が所定時間以内に所定数以上発生した場合、発生時刻に基づいて前記終了時刻を算出し、発生台数に基づいて前記規模を算出する。
　このような構成により、プローブ情報を用いた催事の内容をより正確に算出することができる。
　（５）本発明の実施の形態に係る旅行時間予測装置は、道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する取得部と、前記取得部によって取得された前記複数の過去走行データの中から、前記取得部によって取得された前記対象日走行データに類似する１または複数の前記過去走行データを選択する選択部と、前記選択部によって選択された前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測する予測部とを備える。
　このように、走行データに催事の終了時刻および規模を含め、複数の過去走行データの中から、催事の終了時刻および規模が同じかまたは類似し、かつ、対象日走行データの旅行時間と時間変動傾向の類似した過去走行データを複数選択し、選択した過去走行データに基づいて旅行時間を予測する構成により、催事の開催による交通量の増大を把握することが可能となり、催事の内容に応じた旅行時間の予測を行うことが可能となる。また、催事の有無の情報のみを用いる構成と比べて、交通量の変化をより的確に反映した旅行時間の予測を行うことが可能となる。したがって、交通量の変化をより的確に反映した旅行時間の予測を行うことができる。
　（６）本発明の実施の形態に係る旅行時間予測方法は、旅行時間予測装置における旅行時間予測方法であって、道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得するステップと、取得した前記複数の過去走行データの中から、取得した前記対象日走行データに類似する１または複数の前記過去走行データを選択するステップと、選択した前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測するステップとを含む。
　このように、走行データに催事の終了時刻および規模を含め、複数の過去走行データの中から、催事の終了時刻および規模が同じかまたは類似し、かつ、対象日走行データの旅行時間と時間変動傾向の類似した過去走行データを複数選択し、選択した過去走行データに基づいて旅行時間を予測する構成により、催事の開催による交通量の増大を把握することが可能となり、催事の内容に応じた旅行時間の予測を行うことが可能となる。また、催事の有無の情報のみを用いる構成と比べて、交通量の変化をより的確に反映した旅行時間の予測を行うことが可能となる。したがって、交通量の変化をより的確に反映した旅行時間の予測を行うことができる。
　以下、本発明の実施の形態について図面を用いて説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰り返さない。また、以下に記載する実施の形態の少なくとも一部を任意に組み合わせてもよい。
　図１は、本発明の実施の形態に係る旅行時間予測装置の構成を示す図である。
　図１を参照して、旅行時間予測装置１０１は、取得部１１と、記憶部１２と、選択部１３と、予測部１４と、処理部１５とを備える。
　取得部１１は、対象の道路区間Ｌの対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、道路区間Ｌの過去の日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する。たとえば、取得部１１は、車両の位置および時刻を示すプローブ情報に基づいて催事の終了時刻および規模を算出する。
　より詳細には、取得部１１は、たとえば、図示しない車載装置からプローブ情報を受信する。
　車載装置は、プローブ情報を生成するコンピュータとしての機能および通信機能を備えている。車載装置は、自己を搭載したプローブ車両の走行により取得した情報を含むプローブ情報を作成し、作成したプローブ情報を、携帯電話回線等の無線通信回線を介して図示しない中央装置へ送信する。
　プローブ情報の収集周期は、たとえば数秒である。車載装置は、収集したプローブ情報を送信周期に従って中央装置へ送信する。この送信周期は、収集周期と同じであってもよいし、１分など収集周期よりも長く設定して複数の時刻のプローブ情報をまとめて車載装置から送信してもよい。プローブ情報が中央装置によって収集される場合、取得部１１は、中央装置からたとえばネットワーク経由でプローブ情報を受信する。
　プローブ情報は、プローブ車両の走行位置すなわち現在位置、当該走行位置の通過時刻、およびプローブ車両の識別情報すなわち車両ＩＤ等を含む情報である。
　車載装置はＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）機能を有しており、プローブ車両の位置は、車載装置が備えるＧＰＳ受信機によって受信したＧＰＳ信号に基づいて算出される。また、車載装置は、時計機能を有しており、各位置の通過時刻に関する時刻情報を取得可能である。
　取得部１１は、道路区間Ｌを走行したプローブ車両のプローブ情報から、プローブ車両が道路区間Ｌの一端を通過した時刻、および道路区間Ｌの他端を通過した時刻を求める。そして、取得部１１は、求めた各時刻から、道路区間Ｌを走行するのに要した時間である旅行時間を求める。
　図２は、本発明の実施の形態に係る旅行時間予測装置による催事に関するデータの取得方法を説明するための図である。
　図２を参照して、取得部１１は、道路区間Ｌを走行したプローブ車両のプローブ情報に基づいて、以下のように催事に関するデータを取得する。
　より詳細には、取得部１１は、催事が開催される会場（以下、催事会場とも称する。）Ｃ付近の道路区間Ｌ、たとえば催事地点付近すなわち催事会場Ｃ付近の駐車場の一部または全部を含む領域Ａを通る道路区間Ｌを走行したプローブ車両のプローブ情報を抽出する。具体的には、取得部１１は、領域Ａへ流入する車両ではなく、領域Ａ内を始点として出発する車両のプローブ情報（以下、退出プローブ情報とも称する。）を抽出する。
　たとえば、取得部１１は、領域Ａ内を始点として出発する車両のプローブ情報が所定時間以内に所定数以上発生した場合、発生時刻に基づいて終了時刻を算出し、発生台数に基づいて規模を算出する。
　より詳細には、取得部１１は、直近の所定時間、たとえば５分間において初めて退出プローブ情報が催事判定閾値以上抽出される時刻を催事の終了時刻として算出し、当該所定時間において抽出された退出プローブ情報の数を催事の規模として算出する。
　ここで、取得部１１は、同じ道路区間Ｌにおいて過去に催事が開催された複数の日にそれぞれ抽出された退出プローブ情報の数に基づいて、催事判定閾値を設定する。具体的には、取得部１１は、上記複数の日における退出プローブ情報の数の最小値、または９０パーセンタイル値等を催事判定閾値として設定する。
　取得部１１は、旅行時間、ならびに催事の終了時刻および規模の走行データを、道路区間ごとかつ時間帯ごとに記憶部１２に保存する。ここで、取得部１１は、たとえば、催事会場Ｃと無関係の道路区間の走行データにおける催事の終了時刻および規模を、―１等の無効値とする。
　なお、取得部１１は、催事会場Ｃと関係のある道路区間として、上記のような催事会場Ｃ付近の道路区間Ｌに限らず、たとえば、催事によって影響を受ける道路区間について催事の終了時刻および規模を算出し、対応の走行データに含めてもよい。
　また、取得部１１は、プローブ情報を用いて旅行時間、ならびに催事の終了時刻および規模を取得する構成に限らず、たとえば特許文献２の段落［００１７］～［００１９］に記載されている計測手段を用いて、旅行時間、ならびに催事の終了時刻および規模を取得してもよい。
　また、取得部１１は、たとえば特許文献２の段落［００１７］～［００１９］に記載されている方法を用いて、複数の車両の旅行時間について平均化等の数値処理を行ってもよい。
　［動作の流れ］
　旅行時間予測装置１０１は、コンピュータを備え、当該コンピュータにおけるＣＰＵ等の演算処理部は、以下のフローチャートの各ステップの一部または全部を含むプログラムを図示しないメモリから読み出して実行する。このプログラムは、外部からインストールすることができる。このプログラムは、記録媒体に格納された状態で流通する。
　図３は、本発明の実施の形態に係る旅行時間予測装置が旅行時間を予測する際の動作手順を定めたフローチャートである。
　選択部１３は、取得部１１によって取得された複数の過去走行データの中から、取得部１１によって取得された対象日走行データに類似する１または複数の過去走行データを選択する。
　予測部１４は、選択部１３によって選択された過去走行データの示す旅行時間に基づいて、対象日走行データ以降の対象日の旅行時間を予測する。
　具体的には、図３を参照して、まず、選択部１３は、管轄道路の中から予測すべき道路区間Ｌの指定を受け付ける。この指定は、旅行時間予測装置１０１の外部から行われてもよいし、旅行時間予測装置１０１が自律的に行ってもよい。ここでは、指定された道路区間が、催事会場Ｃを含む領域Ａを通る道路区間Ｌであり、対象日に催事が開催されるとする。
　次に、選択部１３は、対象日に収集された走行データである対象日走行データを記憶部１２から読み出す。これにより、指定された道路区間Ｌについて、現在時刻に至るまでの時間帯、たとえば５分間ごとの時系列データが得られる（ステップＳ２）。
　次に、選択部１３は、読み出した対象日走行データに催事の終了時刻および規模が含まれている場合、これらの情報を取得し、催事の開催を確認する（ステップＳ３）。
　次に、選択部１３は、現在時刻が催事の終了時刻から所定時間以内、たとえば６時間以内でない場合（ステップＳ４でＮＯ）、対象日と同じ月日、曜日および天候などを満たす日（以下、比較日とも称する。）を検索し、比較日の時間帯、たとえば５分間ごとの過去走行データを記憶部１２から抽出する（ステップＳ６）。
　ここで、月日、曜日および天候など、旅行時間およびその分布に影響を与える条件を「交通条件」と称する。
　交通条件が同じ日であれば、当該日に事故、道路工事および異常気象などの突発的な事象が起こらなかった限り、旅行時間およびその分布が類似すると考えられる。このため、交通条件の同じ日の走行データを抽出する構成により、旅行時間を精度良く予測することができる。
　たとえば、「１月１日」という特異な日の旅行時間を予想したい場合、経験上、「月日」が交通条件の最大の要素となるので、去年の１月１日、一昨年の１月１日といった過去走行データを抽出する。また、対象日が「雨の金曜日」であることに注目するならば、前回雨であった金曜日、前々回雨であった金曜日などの過去走行データを抽出する。
　一方、選択部１３は、現在時刻が催事の終了時刻から所定時間以内、たとえば６時間以内である場合（ステップＳ４でＹＥＳ）、過去走行データの抽出条件すなわち交通条件に催事の内容を追加する。これにより、催事の終了によって交通量が影響を受ける時間帯に限定して適切に抽出条件を設定することができる（ステップＳ５）。
　そして、選択部１３は、催事の終了時刻および規模が同じかまたは類似し、かつ対象日と同じ月日、曜日および天候等の他の交通条件を満たす比較日を検索し、当該比較日の時間帯、たとえば５分間ごとの過去走行データを記憶部１２から抽出する（ステップＳ６）。
　次に、選択部１３は、抽出した過去走行データの中から、対象日走行データと時間変動の傾向すなわちパターンまたはトレンドの類似する過去走行データを１または複数選択する（ステップＳ７）。この選択方法は後述する。
　次に、選択部１３は、選択した過去走行データの現在時刻以降の時刻（以下、将来時刻とも称する。）に注目し、将来時刻において、平均的傾向からかけ離れたデータ部分を除外する。これは、比較日に事故、道路工事および異常気象などの突発的な事象が起こって旅行時間に異常値が現れた場合に、当該比較日の過去走行データを除外するためである。この除外処理も後述する。選択部１３は、除外後の過去走行データを予測部１４へ出力する（ステップＳ８）。
　次に、予測部１４は、選択部１３から受けた各過去走行データに基づいて、各過去走行データの旅行時間を代表するデータ（以下、代表データとも称する。）を算出する。予測部１４は、たとえば、各過去走行データの旅行時間の、単純平均値を代表データとするか、重み付け平均値を代表データとするか、または中央値を代表データとする（ステップＳ９）。
　次に、予測部１４は、たとえば、代表データの現在時刻の旅行時間に対する、対象日走行データの現在時刻の旅行時間との差または比を算出し、算出した差または比に基づいて、対象日の将来時刻の旅行時間を算出する（ステップＳ１０）。
　次に、図３に示すフローチャートに示す処理の内容を、具体例をあげて詳しく説明する。
　対象日の旅行時間をＴ０（ｊ）とする。添え字“０”は対象日であることを表す。また、比較日の旅行時間をＴｋ（ｊ）とする。
　たとえば、添え字ｋが“１”であれば交通条件が同じである前日を表し、添え字ｋが“２”であれば交通条件が同じである前々日を表す。ｋ＝１，．．．，Ｎである。ここで、Ｎは２以上の整数であり、選択部１３によって抽出された過去走行データの総数である。
　また、括弧内の“ｊ”は時間帯を表す。たとえば、現在の時間帯ならばｊ＝０、１つ前の時間帯ならばｊ＝－１、２つ前の時間帯ならばｊ＝－２、１つ先の時間帯ならばｊ＝１、２つ先の時間帯ならばｊ＝２である。
　図４は、対象日走行データの旅行時間および過去走行データの旅行時間の時間推移の一例を示す図である。
　図４は、対象日走行データの旅行時間Ｔ０（ｊ）と、選択部１３によって抽出された過去走行データの旅行時間Ｔ１（ｊ），Ｔ２（ｊ），．．．，ＴＮ（ｊ）とを描いたグラフである。図４では、現在時刻および現在時刻以前の時間帯ｊ＝０，－１，－２，・・・のデータのみを描いている。
　ここで、たとえば、対象日走行データの旅行時間Ｔ０（ｊ）および過去走行データの旅行時間Ｔ１（ｊ），Ｔ２（ｊ），．．．，ＴＮ（ｊ）は、平滑化されたデータを用いる。平滑化されたデータを用いることにより、変動を抑えることができる。
　平滑化方法として、当該時間帯を含む過去の範囲の時刻にわたって平均がとられたデータを用いることが好ましい。過去の範囲の時刻にわたって平均をとるのは、対象日走行データの旅行時間Ｔ０（ｊ）は過去のデータしか収集できないので、将来の時刻にわたって平均をとることができないからである。
　平滑化として、たとえば、指数平滑を採用する。指数平滑とは、今回のデータと前回のデータとを重み付けして加算することにより平滑化する方法である。前回のデータも、前々回のデータの重みがかかっているので、過去の履歴を引きずったデータとなる。
　次に、対象日走行データの旅行時間Ｔ０（ｊ）と、時間変動の傾向すなわちパターンまたはトレンドの類似する過去走行データの旅行時間Ｔ１（ｊ），Ｔ２（ｊ），．．．を選択する。この類似するかどうかの判定には、過去走行データの旅行時間Ｔｋ（ｊ）ごとに、以下のような距離についての評価関数Ｆ（ｋ）を作成する。ｋは、１からＮまでのいずれかの整数である。
Ｆ（ｋ）＝｛Σ［Ｔ０（ｊ）－Ｔｋ（ｊ）］2｝1/2
　ここで、総和Σは、現在時刻ｊ＝０から、過去に遡った所定の時刻、たとえば対象日の始まりまたは早朝の時刻までの総和である。旅行時間Ｔｋ（ｊ）ごとのＦ（ｋ）がそれぞれ小さいほど、Ｔ０（ｊ）とＴｋ（ｊ）との距離が短く、時間変動の傾向すなわちパターンまたはトレンドが類似する。
　また、他の評価関数として、傾きについての評価関数Ｇ（ｋ）を採用してもよい。
Ｇ（ｋ）＝｛Σ［（Ｔ０（ｊ）－Ｔ０（ｊ－１））－（Ｔｋ（ｊ）－Ｔｋ（ｊ－１））］2｝1/2
　ここで、総和Σは、現在時刻ｊ＝０から、過去に遡った所定の時刻までの総和である。Ｇ（ｋ）が小さいほどＴ０（ｊ）の傾きとＴｋ（ｊ）の傾きとが近いので、時間変動の傾向すなわちパターンまたはトレンドが類似する。
　また、評価関数Ｆ（ｋ）とＧ（ｋ）との線形和Ｈ（ｋ）を評価関数としてもよい。
Ｈ（ｋ）＝αＦ（ｋ）＋βＧ（ｋ）
　以上のような評価関数の値（以下、評価値とも称する。）がしきい値よりも小さい過去走行データの旅行時間Ｔｋ（ｊ）を、１または複数選択する。しきい値よりも大きい過去走行データは除外する。
　図５は、しきい値を固定した場合の過去走行データの旅行時間Ｔｋ（ｊ）の個数分布を示す図である。
　図５に示すグラフにおいて、横軸は評価値を示し、縦軸は個数を示す。選択部１３は、しきい値よりも小さい過去走行データの旅行時間Ｔｋ（ｊ）を選択する。
　図６は、しきい値を変数とした場合の過去走行データの旅行時間Ｔｋ（ｊ）の個数分布を示す図である。図６の見方は図５と同様である。
　図６に示す例では、最も評価値の小さい過去走行データの旅行時間Ｔｋ（ｊ）の評価値ａに定数ｒを乗算した値ｒａをしきい値としている。
　このようにして、対象日走行データとパターンまたはトレンドの類似する１または複数の過去走行データが選択される。選択された過去走行データの旅行時間Ｔｋ（ｊ）の個数をＭとする。Ｍは、１以上の整数である。
　図７は、対象日走行データの旅行時間および選択された過去走行データの旅行時間の一例を示す図である。図７に示すグラフにおいて、横軸は時刻を示し、縦軸は旅行時間を示す。
　図７は、対象日走行データの旅行時間Ｔ０（ｊ）と、対象日走行データの旅行時間Ｔ０（ｊ）とパターンまたはトレンドが類似するとして選択された過去走行データの旅行時間Ｔ１（ｊ），Ｔ２（ｊ），・・，ＴＭ（ｊ）とを描いたグラフである。
　図８は、対象日走行データの旅行時間および選択された過去走行データの旅行時間の他の例を示す図である。図８に示すグラフにおいて、横軸は時刻を示し、縦軸は旅行時間を示す。
　図８は、対象日走行データの旅行時間Ｔ０（ｊ）と、対象日走行データの旅行時間Ｔ０（ｊ）とパターンまたはトレンドが類似するとして選択された過去走行データの旅行時間Ｔ１（ｊ），Ｔ２（ｊ），・・，ＴＭ（ｊ）とを描いたグラフである。図８では、現在時刻および現在時刻以降の時間帯ｊ＝０，１，２，・・・のデータを主に描いている。
　ここで、たとえば、過去走行データの旅行時間Ｔ１（ｊ），Ｔ２（ｊ）等は、平滑化されたデータを用いる。平滑化されたデータを用いることにより、変動を抑えることができる。
　平滑化方法として、当該時間帯を含む前後の範囲の時刻にわたって平均をとることが望ましく、たとえば移動平均を算出する。移動平均とは、今回のデータと当該データの前後一定数のデータとを重み付けして加算することにより平滑化する方法である。過去走行データは、すでに全時刻にわたって取得され蓄積されているデータであるので、平均を算出するにあたって、将来時刻のデータも含めることができる。
　次に、選択された過去走行データに対して、一例として、現在時刻以降の値に基づいた処理を行う。
　まず、将来時刻において、選択された過去走行データの旅行時間Ｔ１（ｊ），Ｔ２（ｊ），・・，ＴＭ（ｊ）の平均を算出する。図８では、この平均をとった旅行時間を平均過去旅行時間Ｔｍ（ｊ）として太線で描いている。図７に示す例でも、平均過去旅行時間Ｔｍ（ｊ）が太線で描かれている。
　この平均過去旅行時間Ｔｍ（ｊ）から大きく離れた過去走行データの旅行時間を予測に用いると予測精度の低下につながるので、平均過去旅行時間Ｔｍ（ｊ）から大きく離れた部分を除外する。そこで、以下のような、時間帯ｊにおける偏差値Ｙ（ｋ，ｊ）を導入する。
Ｙ（ｋ，ｊ）＝｛［Ｔｋ（ｊ）－Ｔｍ（ｊ）］2／Ｎ｝1/2
　この偏差値Ｙ（ｋ，ｊ）がしきい値以上の場合、平均過去旅行時間Ｔｍ（ｊ）から距離が離れているとして、当該時間帯ｊの旅行時間Ｔｋ（ｊ）を除外する。
　なお、平均過去旅行時間Ｔｍ（ｊ）を求める際に得られる標準偏差を含む、次のような偏差値Ｚ（ｋ，ｊ）を用いてもよい。
Ｚ（ｋ，ｊ）＝５０＋１０［Ｔｋ（ｊ）－Ｔｍ（ｊ）］／（標準偏差）
　この偏差値Ｚ（ｋ，ｊ）が、たとえば３０未満または７０以上の場合、当該時間帯ｊの旅行時間Ｔｋ（ｊ）を除外する。
　平均的傾向からかけ離れたデータは、事故、道路工事および異常気象などの突発的な事象に基づくものと考えられる。このため、上記のような旅行時間を除外することにより、旅行時間の予測精度を向上させることができる。
　具体的には、図８に示す例では、旅行時間Ｔ４（２）およびＴ４（３）などの平均過去旅行時間Ｔｍ（ｊ）から離れたデータが除外される。
　除外処理が完了すると、除外されなかった各過去走行データの旅行時間の平均を算出する。この除外されなかった各旅行時間についての平均過去旅行時間をＴｍｄ（ｊ）とする。この平均過去旅行時間Ｔｍｄ（ｊ）は、平均的傾向からかけ離れたデータが除外されていることから、平均過去旅行時間Ｔｍ（ｊ）よりもさらに精度がよくなっている。
　次に、この精度のよい平均過去旅行時間Ｔｍｄ（ｊ）を用いて、対象日走行データの旅行時間Ｔ０（ｊ）を、将来時刻に向かって延長する。この延長された旅行時間のデータを「旅行時間予測データ」と称する。
　図９は、旅行時間予測データを求める方法の一例を説明するための図である。図９において、横軸は時刻を示し、縦軸は旅行時間を示し、破線のグラフは旅行時間予測データを示す。
　図９を参照して、旅行時間予測データは、対象日走行データの旅行時間の現在値Ｔ０（０）と、平均過去旅行時間の現在値Ｔｍｄ（０）との差ΔＴを、平均過去旅行時間Ｔｍｄ（ｊ）に加えることにより求まる。
　なお、旅行時間予測データは、差ΔＴを用いる方法に限らず、たとえば、対象日走行データの旅行時間の現在値Ｔ０と、平均過去旅行時間の現在値Ｔｍｄ（０）との比ΔＲを、平均過去旅行時間Ｔｍｄ（ｊ）に乗算することにより求めてもよい。
　以上のように、旅行時間予測装置１０１では、プローブ情報から催事の終了時刻および規模を求め、過去に収集された複数の走行データの中から、催事の終了時刻および規模が同じかまたは類似し、かつ、対象日走行データの旅行時間と時間変動傾向の類似したデータを複数選択し、選択した過去走行データに基づいて、現在時刻以後の旅行時間を予測する。
　ここで、催事が開催されると、たとえば退出者の車両が周辺の道路へ合流するために短時間で交通量が増大する。旅行時間予測装置１０１では、このような事象を把握することが可能となり、催事の終了時刻、および観客数等の規模に応じて、交通量の変化をより的確に反映した旅行時間の予測を行うことが可能となる。
　なお、本発明の実施の形態に係る旅行時間予測装置では、予測部１４は、対象日の現在時刻以降の旅行時間を予測する構成であるとしたが、これに限定するものではない。予測部１４は、対象日走行データに対応する時刻より後の旅行時間を予測する構成であればよく、予測範囲の始期は、たとえば、対象日の現在時刻から所定時間経過後であってもよい。また、予測範囲は、現在時刻より後の対象日の時間帯の一部であってもよい。
　また、本発明の実施の形態に係る旅行時間予測装置は、データ処理の範囲が１日である構成に限らず、データ処理の範囲が日を超えてまたがる構成であってもよい。すなわち、「対象日」の範囲は１日に限らず、また、「過去」の範囲は１日に限らない。具体的には、たとえば、旅行時間予測装置１０１は、現在時刻が日の変わる直前である場合、データの取得範囲および予測範囲を翌日とするか、または当日および翌日にまたがる範囲とする。また、たとえば、旅行時間予測装置１０１は、現在時刻が日の変わった直後である場合、データの取得範囲を前日とするか、または当日および前日にまたがる範囲とする。
　また、本発明の実施の形態に係る旅行時間予測装置では、選択部１３は、催事の終了時刻および規模を収集し、これらの情報に基づいて過去走行データを抽出する構成であるとしたが、これに限定するものではない。選択部１３は、催事の終了時刻および規模のいずれか一方を収集し、収集した情報に基づいて過去走行データを抽出する構成であってもよい。
　また、本発明の実施の形態に係る旅行時間予測装置は、複数の過去走行データの中から、催事の終了時刻および規模が同じかまたは類似する過去走行データを抽出し、抽出した過去走行データにおいて、対象日走行データの旅行時間と時間変動傾向の類似した過去走行データを複数選択する構成であるとしたが、これに限定するものではない。旅行時間予測装置１０１は、図３に示すステップＳ６およびＳ７の処理を並行して行う構成であってもよい。すなわち、旅行時間予測装置１０１は、記憶部１２における複数の過去走行データの中から、対象日走行データと催事の終了時刻および規模が同じかまたは類似し、かつ対象日走行データの旅行時間と時間変動傾向の類似した過去走行データを複数選択する構成であればよい。
　また、本発明の実施の形態に係る旅行時間予測装置では、選択部１３は、対象日走行データとの類否判断に用いる過去走行データの使用範囲を、現在時刻に基づく時刻を始期とする構成であるとしたが、これに限定するものではない。過去走行データの使用範囲は、現在時刻と大きく離れた時刻を始期としてもよく、時刻に関わらず、データの時間変動の傾向が類似する部分を用いることが可能である。
　また、本発明の実施の形態に係る旅行時間予測装置では、取得部１１は、プローブ情報に基づいて催事の終了時刻および規模を取得する構成であるとしたが、これに限定するものではない。たとえば、ユーザが催事の終了時刻および規模を旅行時間予測装置１０１に入力可能な構成であってもよい。
　ところで、旅行時間の予測を行う場合、スポーツの試合およびコンサート等の催事が対象の道路区間付近において開催されている状況では、催事による交通量の増減についても考慮する必要がある。
　これに対して、本発明の実施の形態に係る旅行時間予測装置では、取得部１１は、道路区間Ｌの対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、道路区間Ｌの過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する。選択部１３は、取得部１１によって取得された複数の過去走行データの中から、取得部１１によって取得された対象日走行データに類似する１または複数の過去走行データを選択する。そして、予測部１４は、選択部１３によって選択された過去走行データの示す旅行時間に基づいて、対象日走行データより後の対象日の旅行時間を予測する。
　このように、走行データに催事の終了時刻および規模を含め、複数の過去走行データの中から、催事の終了時刻および規模が同じかまたは類似し、かつ、対象日走行データの旅行時間と時間変動傾向の類似した過去走行データを複数選択し、選択した過去走行データに基づいて旅行時間を予測する構成により、催事の開催による交通量の増大を把握することが可能となり、催事の内容に応じた旅行時間の予測を行うことが可能となる。また、催事の有無の情報のみを用いる構成と比べて、交通量の変化をより的確に反映した旅行時間の予測を行うことが可能となる。
　したがって、本発明の実施の形態に係る旅行時間予測装置では、交通量の変化をより的確に反映した旅行時間の予測を行うことができる。
　また、本発明の実施の形態に係る旅行時間予測装置では、取得部１１は、車両の位置および時刻を示すプローブ情報に基づいて催事の終了時刻および規模の少なくともいずれか一方を算出する。
　このように、プローブ情報を用いる構成により、催事の内容を実際の交通状況に即して判断することができるため、たとえば終了時刻および規模が不定な催事が開催される場合であっても、適切な過去走行データを抽出することができる。
　また、本発明の実施の形態に係る旅行時間予測装置では、道路区間Ｌは、催事地点付近の駐車場を含む領域Ａを通る区間である。
　このような構成により、催事の内容を反映するのに適した道路区間において、催事の内容に応じた走行データの抽出を行うことができる。
　また、本発明の実施の形態に係る旅行時間予測装置では、取得部１１は、車両の位置および時刻を示すプローブ情報に基づいて催事の終了時刻および規模の少なくともいずれか一方を算出する。そして、取得部１１は、領域Ａ内を始点として出発する車両のプローブ情報が所定時間以内に所定数以上発生した場合、発生時刻に基づいて終了時刻を算出し、発生台数に基づいて規模を算出する。
　このような構成により、プローブ情報を用いた催事の内容をより正確に算出することができる。
　上記実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記説明ではなく請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　以上の説明は、以下に付記する特徴を含む。
　［付記１］
　道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する取得部と、
　前記取得部によって取得された前記複数の過去走行データの中から、前記取得部によって取得された前記対象日走行データに類似する１または複数の前記過去走行データを選択する選択部と、
　前記選択部によって選択された前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測する予測部とを備え、
　前記取得部は、前記対象日と同じ交通条件の日の前記過去走行データを取得し、
　前記選択部は、前記対象日走行データと時間変動の傾向が類似する１または複数の前記過去走行データを選択する、旅行時間予測装置。
　１１　取得部
　１２　記憶部
　１３　選択部
　１４　予測部
　１５　処理部
　１０１　旅行時間予測装置
　Ａ　領域
　Ｃ　催事会場
　Ｌ　道路区間
 
 

Claims (6)

  1. 　旅行時間予測装置において用いられる旅行時間予測プログラムであって、
    　コンピュータを、
    　道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する取得部と、
    　前記取得部によって取得された前記複数の過去走行データの中から、前記取得部によって取得された前記対象日走行データに類似する１または複数の前記過去走行データを選択する選択部と、
    　前記選択部によって選択された前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測する予測部、
    として機能させるための、旅行時間予測プログラム。
  2. 　前記取得部は、車両の位置および時刻を示すプローブ情報に基づいて前記終了時刻および前記規模の少なくともいずれか一方を算出する、請求項１に記載の旅行時間予測プログラム。
  3. 　前記道路区間は、催事地点付近の駐車場を含む領域を通る区間である、請求項１または請求項２に記載の旅行時間予測プログラム。
  4. 　前記取得部は、車両の位置および時刻を示すプローブ情報に基づいて前記終了時刻および前記規模の少なくともいずれか一方を算出し、
    　前記取得部は、催事地点付近の駐車場を含む領域内を始点として出発する車両の前記プローブ情報が所定時間以内に所定数以上発生した場合、発生時刻に基づいて前記終了時刻を算出し、発生台数に基づいて前記規模を算出する、請求項１から請求項３のいずれか１項に記載の旅行時間予測プログラム。
  5. 　道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得する取得部と、
    　前記取得部によって取得された前記複数の過去走行データの中から、前記取得部によって取得された前記対象日走行データに類似する１または複数の前記過去走行データを選択する選択部と、
    　前記選択部によって選択された前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測する予測部とを備える、旅行時間予測装置。
  6. 　旅行時間予測装置における旅行時間予測方法であって、
    　道路区間の対象日の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す対象日走行データと、前記道路区間の過去の、車両の旅行時間、ならびに催事の終了時刻および規模の少なくともいずれか一方を示す複数の過去走行データとを取得するステップと、
    　取得した前記複数の過去走行データの中から、取得した前記対象日走行データに類似する１または複数の前記過去走行データを選択するステップと、
    　選択した前記過去走行データの示す旅行時間に基づいて、前記対象日走行データより後の前記対象日の旅行時間を予測するステップとを含む、旅行時間予測方法。
     
PCT/JP2017/022242 2016-11-04 2017-06-16 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法 WO2018083833A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016215969 2016-11-04
JP2016-215969 2016-11-04

Publications (1)

Publication Number Publication Date
WO2018083833A1 true WO2018083833A1 (ja) 2018-05-11

Family

ID=62075978

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/022242 WO2018083833A1 (ja) 2016-11-04 2017-06-16 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法

Country Status (1)

Country Link
WO (1) WO2018083833A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003337990A (ja) * 2002-05-20 2003-11-28 Nippon Telegr & Teleph Corp <Ntt> 交通渋滞予測方法、交通渋滞予測装置、交通渋滞予測プログラム及びそのプログラムを記録した記録媒体
JP2005196238A (ja) * 2003-12-26 2005-07-21 Sumitomo Electric Ind Ltd 旅行時間予測方法、装置及びプログラム
JP2006011747A (ja) * 2004-06-24 2006-01-12 Sumitomo Electric Ind Ltd 旅行時間予測方法、装置及びプログラム
JP2006079544A (ja) * 2004-09-13 2006-03-23 Sumitomo Electric Ind Ltd 旅行時間提供方法、装置及びプログラム
JP2014153864A (ja) * 2013-02-07 2014-08-25 Sumitomo Electric Ind Ltd 旅行時間予測装置及び経路探索システム
JP2016143387A (ja) * 2015-02-05 2016-08-08 富士通株式会社 駐車位置決定プログラム、情報処理装置、および誘導方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003337990A (ja) * 2002-05-20 2003-11-28 Nippon Telegr & Teleph Corp <Ntt> 交通渋滞予測方法、交通渋滞予測装置、交通渋滞予測プログラム及びそのプログラムを記録した記録媒体
JP2005196238A (ja) * 2003-12-26 2005-07-21 Sumitomo Electric Ind Ltd 旅行時間予測方法、装置及びプログラム
JP2006011747A (ja) * 2004-06-24 2006-01-12 Sumitomo Electric Ind Ltd 旅行時間予測方法、装置及びプログラム
JP2006079544A (ja) * 2004-09-13 2006-03-23 Sumitomo Electric Ind Ltd 旅行時間提供方法、装置及びプログラム
JP2014153864A (ja) * 2013-02-07 2014-08-25 Sumitomo Electric Ind Ltd 旅行時間予測装置及び経路探索システム
JP2016143387A (ja) * 2015-02-05 2016-08-08 富士通株式会社 駐車位置決定プログラム、情報処理装置、および誘導方法

Similar Documents

Publication Publication Date Title
EP3519774B1 (en) Methods and systems for generating parking related data
CN108604407B (zh) 用于生成预期行进速度的方法及系统
JP6063237B2 (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
US8180557B2 (en) Traffic state predicting apparatus
EP2255349B1 (en) Driving support device, driving support method, and driving support program
JP5350703B2 (ja) 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
WO2019087595A1 (ja) 移動体分布状況予測装置及び移動体分布状況予測方法
JP2010107442A (ja) ナビゲーション装置及び経路案内方法
JP6803205B2 (ja) 対象経路を含む移動位置範囲群に基づき通行量を推定する装置、プログラム及び方法
JP2004287724A (ja) 交通情報送信方法、交通情報送信システム及び装置
JP4814141B2 (ja) 迂回ルート抽出装置及び方法
JP4240309B2 (ja) 旅行時間提供方法、装置及びプログラム
JP2008250454A (ja) リンク旅行時間の算出装置
JP3933127B2 (ja) 旅行時間予測方法、装置及びプログラム
WO2018083833A1 (ja) 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法
JP2010205089A (ja) 道路交通情報作成装置および道路交通情報作成方法
JP4134842B2 (ja) 交通情報予測装置、交通情報予測方法及びプログラム
JP2018073322A (ja) 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法
JP7275582B2 (ja) 移動トレンド検知システム、サーバコンピュータ、方法、及びコンピュータプログラム
JP4235913B2 (ja) 旅行時間予測方法、装置及びプログラム
JP4366587B2 (ja) 車両経路検証システム
JP2012190416A (ja) 交通量推定装置、コンピュータプログラム及び交通量推定方法
JP2018014043A (ja) 旅行時間の補完装置、補完方法、コンピュータプログラム及び記録媒体
JP2006285689A (ja) 交通状況予測装置、方法及びプログラム
JP6096573B2 (ja) 混雑度予測装置、混雑度予測方法及びプログラム

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: 17867139

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: 17867139

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP