WO2023175957A1 - 交通管理装置、交通管理システム、交通管理方法及び記録媒体 - Google Patents

交通管理装置、交通管理システム、交通管理方法及び記録媒体 Download PDF

Info

Publication number
WO2023175957A1
WO2023175957A1 PCT/JP2022/012795 JP2022012795W WO2023175957A1 WO 2023175957 A1 WO2023175957 A1 WO 2023175957A1 JP 2022012795 W JP2022012795 W JP 2022012795W WO 2023175957 A1 WO2023175957 A1 WO 2023175957A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
exhaust gas
amount
traffic management
target vehicle
Prior art date
Application number
PCT/JP2022/012795
Other languages
English (en)
French (fr)
Inventor
航生 小林
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 PCT/JP2022/012795 priority Critical patent/WO2023175957A1/ja
Publication of WO2023175957A1 publication Critical patent/WO2023175957A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions

Definitions

  • the present invention relates to a traffic management device, a traffic management system, a traffic management method, and a recording medium.
  • Patent Document 1 describes a technique for calculating the amount of carbon dioxide emissions (carbon dioxide emissions) Z2 that is additionally emitted due to traffic congestion.
  • Patent Document 2 describes that a CO 2 emission estimation model is constructed based on the following concept.
  • stomach. Outputs CO2 emissions through emission intensity by travel speed.
  • the travel speed is set at 18 km/h in urban areas and 28 km/h in non-urban areas (the average travel speed during congested periods on general prefectural roads), regardless of the degree of congestion, and CO 2 emissions are estimated. do.
  • Patent Document 3 describes a technology for estimating traffic volume.
  • Non-Patent Document 1 includes a description of a technique for estimating carbon dioxide emissions.
  • An example of an object of the present invention is to provide a traffic management device, a traffic management system, a traffic management method, and a recording medium that solve the problem of reducing the amount of exhaust gas.
  • Estimating means for estimating the amount of exhaust gas of a vehicle comprising determining means for determining a toll for a target vehicle to pass through a predetermined road section using the estimated amount of exhaust gas.
  • a traffic management device including a generation device that generates information for estimating the amount of exhaust gas of the vehicle.
  • the computer is Estimate the amount of vehicle exhaust gas
  • a traffic management method includes determining a toll for a target vehicle to travel through a predetermined road section using the estimated exhaust gas amount.
  • a recording medium that stores a program for determining a toll for a target vehicle to pass through a predetermined road section using the estimated amount of exhaust gas.
  • FIG. 1 is a diagram showing an overview of a traffic management system according to Embodiment 1 of the present invention. It is a diagram showing an overview of traffic management processing according to Embodiment 1 of the present invention. It is a diagram seen from above the road R at time T1.
  • 1 is a diagram illustrating an example of the physical configuration of a generation device according to Embodiment 1 of the present invention.
  • FIG. 1 is a diagram showing an example of a physical configuration of a traffic management device according to Embodiment 1 of the present invention.
  • 7 is a flowchart illustrating an example of generation processing according to Embodiment 1 of the present invention.
  • 3 is a flowchart illustrating a detailed example of traffic management processing according to the first embodiment.
  • FIG. 5 is a flowchart illustrating a detailed example of estimation processing according to the first embodiment.
  • 7 is a flowchart illustrating a detailed example of analysis processing according to the first embodiment.
  • 7 is a diagram illustrating an example of the results of analysis performed by the analysis model according to the first embodiment using images included in image information PI_i at time T1 and time T2 and image information PI_i at time T1 and time T2 as input data.
  • FIG. FIG. 3 is a diagram showing an example of an analysis result according to the first embodiment.
  • FIG. 3 is a diagram illustrating an example of estimation results for each region according to the first embodiment.
  • FIG. 3 is a diagram showing an example of estimation results for the entire road according to the first embodiment.
  • FIG. 7 is a flowchart illustrating an example of traffic management processing according to Embodiment 2 of the present invention.
  • 7 is a flowchart illustrating a detailed example of estimation processing according to the second embodiment.
  • 7 is a flowchart illustrating a detailed example of analysis processing according to the second embodiment.
  • 12 is a diagram illustrating an example of the results of analysis performed by the analysis model according to the second embodiment using images included in image information PI_i at time T1 and time T2 and image information PI_i at time T1 and time T2 as input data.
  • FIG. 7 is a diagram illustrating an example of vehicle type data according to the second embodiment.
  • FIG. 7 is a diagram showing an example of an analysis result according to Embodiment 2.
  • FIG. It is a figure showing an example of composition of a traffic management system concerning Embodiment 3 of the present invention. It is a figure which shows an example of the functional structure of the traffic management apparatus based on Embodiment 3 of this invention.
  • 7 is a flowchart illustrating an example of traffic management processing according to Embodiment 3 of the present invention.
  • FIG. 1 is a diagram showing an overview of a traffic management system 100 according to Embodiment 1 of the present invention.
  • the traffic management system 100 includes a generation device 101 and a traffic management device 102.
  • the generation device 101 generates information for estimating the amount of exhaust gas of a vehicle.
  • the traffic management device 102 includes an estimation section 103 and a determination section 104.
  • the estimation unit 103 estimates the amount of exhaust gas of the vehicle.
  • the determining unit 104 determines a toll for the target vehicle to travel through a predetermined road section using the estimated amount of exhaust gas.
  • FIG. 2 is a diagram showing an overview of traffic management processing according to this embodiment.
  • the estimation unit 103 estimates the amount of exhaust gas of the vehicle (step S101).
  • the determining unit 104 determines a toll for the target vehicle to travel through a predetermined road section using the estimated amount of exhaust gas (step S102).
  • FIG. 3 is a diagram of the road R seen from above at time T1.
  • Road R is a road that continues from entrance gate G1 to exit gate G2.
  • the figure shows an example in which a plurality of vehicles C are traveling on a road. Note that the number of vehicles C may be one or more.
  • Road R corresponds to a road section of road R.
  • the road R includes a plurality of target areas P_i set for each section along the traffic direction of the road R.
  • the target areas P_1 to P_M according to the present embodiment are virtual areas obtained by dividing the entire road R from the entrance gate G1 to the exit gate G2 into M pieces without any gaps.
  • i is an integer greater than or equal to 1 and less than or equal to M.
  • M is an integer of 2 or more. The same applies to the following.
  • the number of target areas P may be one.
  • One or more target areas P may be set as part of the road R.
  • the plurality of target areas P may be set on the road R at intervals.
  • the traffic management system 100 includes a plurality of generation devices 101_1 to 101_M associated with target areas P_1 to P_M, respectively, a traffic management device 102, an ID acquisition device 105a, and a payment system.
  • a device 105b is provided.
  • the generation devices 101_1 to 101_M, the ID acquisition device 105a, and the payment device 105b are facilities attached to the road R.
  • the network N is a communication network constructed by wire, wireless, or a combination thereof.
  • each of the generation devices 101_1 to 101_M and the traffic management device 102 can exchange information with each other.
  • the ID acquisition device 105a and the traffic management device 102 can exchange information with each other.
  • the payment device 105b and the traffic management device 102 can exchange information with each other.
  • the generation device 101_i photographs the target area P_i.
  • the generation device 101_i generates image information PI_i including an image of the target area P_i in response to photographing. That is, the image information PI_i is information obtained in response to photographing the road R.
  • the image information PI_i includes the one or more vehicles C.
  • the image information PI_i further includes the shooting time.
  • the generation device 101_i continuously transmits the image information PI_i to the traffic management device 102 via the network N in real time.
  • generation device 101 corresponds to any one of the generation devices 101_1 to 101_M (ie, generation device 101_i).
  • the number of target regions P may be one as described above, and in this case, the number of generation devices 101 may also be one.
  • the ID acquisition device 105a is a device for detecting a vehicle C entering the road R.
  • the ID acquisition device 105a is installed at the entrance gate G1.
  • the ID acquisition device 105a wirelessly communicates with an on-vehicle device (not shown) mounted on the vehicle C.
  • the on-vehicle device is, for example, a device that constitutes an ETC (Electronic Toll Collection System) together with the ID acquisition device 105a, the payment device 105b, and the like.
  • ETC Electronic Toll Collection System
  • the ID acquisition device 105a detects the vehicle C entering the road R using communication with the on-vehicle device, and acquires a vehicle ID (Identifier) from the on-vehicle device. Vehicle ID is information for identifying vehicle C. ID acquisition device 105a transmits the vehicle ID to traffic management device 102 via network N.
  • the payment device 105b is a device for detecting a vehicle C leaving the road R and for paying a toll for traveling on the road R using the detected vehicle C as a target vehicle.
  • the payment device 105b is installed at the exit gate G2.
  • the payment device 105b communicates with the vehicle C and the traffic management device 102 when the vehicle C leaves the road R. Then, the settlement device 105b settles the toll of the target vehicle according to the toll determined by the traffic management device 102.
  • the traffic management device 102 determines the toll for the target vehicle to travel on the road R, with the vehicle C passing through the exit gate G2 where the payment device 105b is provided as the target vehicle.
  • the estimation unit 103 acquires image information PI_i from each of the generation devices 101_i via the network N.
  • the estimation unit 103 estimates the amount of exhaust gas of the vehicle C using the image information PI_i acquired from the generation device 101_i. That is, the image information PI_1 to PI_M according to the present embodiment is an example of information for estimating the amount of exhaust gas of the vehicle C.
  • the information for estimating the amount of exhaust gas of vehicle C is not limited to image information, and may include, for example, the concentration of exhaust gas in target area P (e.g., gas of a specific component contained in exhaust gas such as carbon dioxide). It may also be sensor information that includes.
  • each of the generation devices 101_i is preferably provided with a sensor that measures the concentration of exhaust gas in the target area and generates sensor information including the concentration of exhaust gas.
  • the estimation unit 103 preferably acquires sensor information from each of the generation devices 101_i via the network N, and estimates the amount of exhaust gas of the vehicle C using the sensor information.
  • the amount of exhaust gas from the vehicle C is, for example, the amount of carbon dioxide (CO 2 ) emitted from the vehicle C traveling on the road R. Note that the amount of exhaust gas is not limited to the amount of carbon dioxide (CO 2 ).
  • the amount of exhaust gas may be, for example, the total amount of exhaust gas from vehicle C, or the amount of a specific component of the exhaust gas from vehicle C.
  • a greenhouse gas is suitable as the specific component gas.
  • CO2 is an example of a greenhouse gas.
  • the determining unit 104 determines the toll for the target vehicle to travel on the road R using the amount of exhaust gas estimated by the estimating unit 103.
  • the target vehicle is the vehicle C for which the determining unit 104 determines the traffic volume.
  • the determining unit 104 transmits the toll of the target vehicle to the payment device 105b via the network N.
  • the settlement device 105b settles the toll when the vehicle C exits the road R. Therefore, the target vehicle is the vehicle C that passes through the exit gate G2 where the payment device 105b is provided. That is, in this embodiment, each of the vehicles C passing through the road R becomes a target vehicle when passing through the exit gate G2.
  • the traffic management system 100 is physically composed of a generation device 101_i and a traffic management device 102 that are connected via a network N.
  • Each of the generation device 101_i and the traffic management device 102 is composed of a single physically different device.
  • the generation device 101_i and the traffic management device 102 may be physically configured as a single device, and in this case, the generation device 101_i and the traffic management device 102 connect to an internal bus, which will be described later, instead of the network N. 1010. Further, one or both of the generation device 101_i and the traffic management device 102 may be configured from a plurality of devices physically connected via an appropriate communication line such as the network N.
  • the generation device 101_i is physically, for example, a photographing device such as a camera. As shown in FIG. 4, the generation device 101_i includes a bus 1010, a processor 1020, a memory 1030, a storage device 1040, a network interface 1050, a sensor 1060, and an optical system 1070.
  • the bus 1010 is a data transmission path through which the processor 1020, memory 1030, storage device 1040, network interface 1050, and sensor 1060 exchange data with each other.
  • the method of connecting the processors 1020 and the like to each other is not limited to bus connection.
  • the processor 1020 is a processor implemented by a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or the like.
  • the memory 1030 is a main storage device implemented by RAM (Random Access Memory) or the like.
  • the storage device 1040 is an auxiliary storage device realized by a HDD (Hard Disk Drive), an SSD (Solid State Drive), a memory card, a ROM (Read Only Memory), or the like.
  • the storage device 1040 stores program modules for realizing the functional units of the generation device 101.
  • the processor 1020 reads each of these program modules into the memory 1030 and executes them, the functions corresponding to the program modules are realized.
  • the network interface 1050 is an interface for connecting the generation device 101 to the network N.
  • the sensor 1060 is an image sensor that converts an image into an electrical signal.
  • Optical system 1070 is a lens or the like used with sensor 1060.
  • the traffic management device 102 is physically, for example, a general-purpose computer. As shown in FIG. 5, the traffic management device 102 has a bus 1010, a processor 1020, a memory 1030, a storage device 1040, and a network interface 1050 similar to those of the generation device 101. Traffic management device 102 further includes an input interface 1080 and an output interface 1090.
  • the input interface 1080 is an interface for the user to input information, and includes, for example, a touch panel, a keyboard, a mouse, etc.
  • the output interface 1090 is an interface for presenting information to the user, and includes, for example, a liquid crystal panel, an organic EL (Electro-Luminescence) panel, or the like.
  • Each of the ID acquisition device 105a and the payment device 105b has a communication interface for communicating with an on-vehicle device (not shown) in addition to the physical configuration of the traffic management device 102, for example. Equipped with.
  • FIG. 6 is a flowchart illustrating an example of the generation process according to this embodiment.
  • the generation process is a process of generating information for estimating the amount of exhaust gas of a vehicle.
  • Each of the generation devices 101_1 to 101_M repeatedly executes generation processing during operation.
  • the generating device 101_i After photographing the target region P_i, the generating device 101_i generates image information PI_i including an image of the target region P_i in accordance with the photographing (step S201). The generation device 101_i transmits the image information PI_i generated in step S201 to the traffic management device 102 via the network N (step S202). The generation device 101_i executes step S201 again.
  • Each of the generation devices 101_1 to 101_M repeatedly executes such generation processing.
  • the generation devices 101_1 to 101_M continuously transmit image information PI_1 to PI_M including images of the target areas P_1 to P_M associated with each other to the traffic management device 102 in real time.
  • FIG. 7 is a flowchart showing a detailed example of traffic management processing according to this embodiment.
  • the traffic management device 102 repeatedly executes traffic management processing during operation.
  • Road R is typically a toll road.
  • the road R may be a road that is normally free to travel on.
  • the traffic management device 102 may start traffic management processing in response to a user's instruction, for example, when the amount of exhaust gas on the road R exceeds a threshold value. Furthermore, the traffic management device 102 may terminate the traffic management process in response to a user's instruction.
  • the estimation unit 103 estimates the amount of exhaust gas of the vehicle using the image information PI_1 to PI_M (step S101).
  • FIG. 8 is a flowchart showing a detailed example of the estimation process (step S101).
  • the estimation unit 103 acquires image information PI_1 to PI_M from each of the generation devices 101_1 to 101_M via the network N (step S101a). The estimation unit 103 holds the acquired image information PI_1 to PI_M.
  • the estimation unit 103 analyzes the image information PI_1 to PI_M acquired in step S101 (step S101b).
  • FIG. 9 is a flowchart showing a detailed example of the analysis process (step S101b) according to the present embodiment.
  • the estimation unit 103 repeats steps S101b_2 to S101b_4 for each of the image information PI_1 to PI_M acquired in step S101a (step S101b_1; loop A).
  • the estimation unit 103 analyzes the image information PI_i, and when the image information PI_i includes one or more vehicles C, assigns a vehicle ID to each of the one or more vehicles C according to the vehicle ID acquired from the ID acquisition device 105a. (Step S101b_2).
  • step S101b_2 The details of step S101b_2 will be explained using an example in which the target area P_i at time T2 is analyzed using an analysis model that has been learned by machine learning.
  • the analysis model is a model for analyzing image information PI_i.
  • Time T2 is the time after time T1.
  • Time T2 is, for example, the time when the generation device 101_i most recently captured an image.
  • Time T1 is, for example, the time when the generation device 101_i took an image immediately before time T2.
  • time T1 is not limited to immediately before time T2, and may be any time when the generation device 101_i performs imaging before time T2.
  • the estimation unit 103 inputs the image information PI_i at time T2 and the image information PI_i at time T1 into the analysis model.
  • Image information PI_i at time T2 is image information PI_i that includes shooting time T2.
  • the image information PI_i at time T1 is image information PI_i including the shooting time T1.
  • the analysis model outputs the vehicle ID of each vehicle C included in the image information PI_i when one or more vehicles C are included in the image information PI_i at time T2.
  • the input data to the analysis model during learning is a plurality of image information obtained by photographing the road R.
  • the plurality of pieces of image information are typically image information of frames that are continuous or at predetermined time intervals in a moving image.
  • analytical models perform supervised learning using training data.
  • the teacher data includes, for example, information that identifies each of the vehicles C included in the plurality of image information as the correct answer.
  • FIG. 10 is a diagram showing an example of the results of an analysis performed by an analysis model using the images included in the image information PI_i at times T1 and T2 and the image information PI_i at times T1 and T2 as input data.
  • the vehicle C included in the image information PI_i at time T2 is shown by a solid line
  • the vehicle C included in the image information PI_i at time T1 is shown by a dotted line.
  • image information PI_i at time T1 includes vehicles C1 and C2 and a part of vehicle C3.
  • the vehicle IDs of the vehicles C1 to C3 are sequentially specified as "001,” “002,” and "003.”
  • the analysis model uses, for example, the vehicle number included in the image to determine whether or not the vehicle C is common in the image information PI_i at time T1 and time T2 (commonality of vehicles C).
  • the analytical model determines that the vehicle C located at the lower part of the figure is common in the images of the image information PI_i at time T1 and time T2. It is also assumed that the analytical model determines that the vehicle C located at the top of the figure is common. That is, assume that the analytical model determines that the image information PI_i at time T2 includes the vehicle C1 and parts of the vehicles C2 and C4.
  • the analytical model is based on the assumption that the vehicles C1 and C2 included in the image information PI_i at time T2 are the same vehicles as the vehicles C1 and C2 included in the image information PI_i at time T1. Assign IDs “001” and “002”.
  • the estimation unit 103 assigns, for example, the vehicle ID "004" assigned to the vehicle C4 in the analysis of the other image information PI_i+1 at time T1 to the vehicle C4 included in the image information PI_i at time T2.
  • the analytical model assigns the same vehicle ID to common vehicles C.
  • the image information PI_M associated with the target area P_M including the gate G1 includes the vehicle C that newly entered the road R from the gate G1. Therefore, the estimation unit 103 can link the vehicle C that has newly entered the road R and the vehicle ID acquired from the ID acquisition device 105a using the image information PI_M.
  • the estimating unit 103 associates the vehicle C that has newly entered the road R with the vehicle ID based on the photographing time included in the image information PI_M and the time when the ID acquisition device 105a acquires the vehicle ID.
  • the vehicle C entering the road R is identified using the vehicle ID acquired by the ID acquisition device 105a while traveling on the road R.
  • estimation unit 103 may determine the commonality of the vehicles C using various known image processing techniques, such as using image feature amounts.
  • the estimation unit 103 generates the analysis result 107 based on the result of the process in step S101b_2 (step S101b_3).
  • FIG. 11 is a diagram showing an example of the analysis result 107.
  • the analysis result 107 is information that associates the area ID, time, and vehicle ID.
  • the region ID is information for identifying the target region P_i corresponding to the image information PI_i that is the target of analysis.
  • the time is the shooting time included in the image information PI_i that is the target of analysis.
  • the vehicle ID is the vehicle ID assigned in step S101b_2 using the image information PI_i that is the target of analysis.
  • the analysis result 107 shown in the figure includes the result of analysis based on the image information PI_i at the above-mentioned time T1 and time T2.
  • the estimation unit 103 holds the analysis result 107 generated in step S101b_3 (step S101b_4). After the estimation unit 103 executes steps S101b_2 to S101b_4 for each of the image information PI_1 to PI_M, the estimation unit 103 returns to the estimation process (step S101).
  • the estimation unit 103 estimates the amount of exhaust gas of the vehicle C on the road R using the analysis result 107 (step S101c).
  • the estimation unit 103 estimates the amount of exhaust gas of each vehicle C in each of the target regions P_1 to P_M and the amount of exhaust gas of each vehicle C on the entire road using the estimation model.
  • the estimation model is a model for estimating the amount of exhaust gas.
  • Information input to the estimation model is the analysis result 107.
  • the estimation model according to this embodiment is a model that assumes that the amount of exhaust gas per unit time changes depending on the speed of the vehicle C.
  • the amount of exhaust gas per unit time (emission coefficient) depending on the speed may be determined as appropriate, but for example, it may be determined based on the average amount of exhaust gas at each speed of a vehicle group consisting of various vehicles C. Ru.
  • the vehicle group may be composed of multiple types of vehicles C (details will be described later). Further, the composition ratio of each type of vehicles C constituting the vehicle group may be the same as the composition ratio of each type of vehicles C constituting the vehicle group traveling on the road R.
  • the emission factor may be a value obtained experimentally based on a sensor attached to the vehicle C (e.g., a flow rate sensor, a CO 2 sensor), or may be determined based on a value published in a catalog of the vehicle C. It may be a value.
  • a sensor attached to the vehicle C e.g., a flow rate sensor, a CO 2 sensor
  • estimation models include models expressed by equations (1) to (3).
  • the exhaust gas amount H is the exhaust gas amount for each vehicle on the entire road R.
  • the exhaust gas amount Gi is the exhaust gas amount of the vehicle C in the target area P_i. In other words, the exhaust gas amount Gi is the exhaust gas amount for each region of the vehicle C.
  • K(Vi) is the emission factor.
  • the emission coefficient according to the present embodiment is the amount of exhaust gas per unit time of the vehicle C depending on the speed.
  • Vi is the speed of the vehicle.
  • TLi is the length of time that the vehicle C exists in the target area P_i. TLi can be determined as the time difference from the time when the vehicle C enters the target area P_i to the time when the vehicle C leaves the target area P_i.
  • RLi is the length of the target area P_i along the traffic direction of the road R.
  • the estimation unit 103 uses equations (2) and (3) to obtain the exhaust gas amount Gi of the vehicle C in each of the target areas P_1 to P_M.
  • the estimation unit 103 generates estimation results 108 for each region including the exhaust gas amount Gi.
  • FIG. 12 is a diagram showing an example of the estimation results 108 for each region.
  • the estimation result 108 is information that associates the region ID, time, vehicle ID, and exhaust gas amount by region.
  • the region ID is information for identifying the target region P_i where the vehicle C identified using the vehicle ID associated with the region ID appears.
  • the time is the time when the vehicle C left the target area P_i.
  • the exhaust gas amount by area is the exhaust gas amount Gi of the vehicle C in the target area P_i.
  • FIG. 12 includes an example of the region-by-region estimation results 108 generated when the vehicle C3 exits the target region P_i.
  • the estimation unit 103 obtains the exhaust gas amount H of the vehicle C using equation (1).
  • the time when the vehicle C leaves the road R is, for example, when the vehicle C passes through the exit gate G2, when the vehicle C leaves the target area M, or when the vehicle C leaves the target area M.
  • the estimation unit 103 generates an estimation result 108 for the entire road including the exhaust gas amount H of the vehicle C (target vehicle) exiting the road R.
  • FIG. 13 is a diagram showing an example of the estimation result 109 for the entire road.
  • the estimation result 109 is information that associates the time, the vehicle ID, and the exhaust gas amount H for each vehicle on the entire road R.
  • the time is the time when the vehicle C identified using the vehicle ID associated with this leaves the road R.
  • the exhaust gas amount by vehicle on the entire road R is the exhaust gas amount H on the entire road R of the vehicle C identified using the vehicle ID associated with this.
  • the figure includes an example of the estimation result 109 for the entire road when the vehicle C3 with the vehicle ID "003" exits the road R at time TX.
  • the estimation unit 103 holds the estimation results 108 and 109 generated in step S101c (step S101d), and returns to the traffic management process.
  • the determining unit 104 determines whether there is a target vehicle (S103).
  • the target vehicle is vehicle C passing through exit gate G2.
  • the payment device 105b wirelessly communicates with an onboard device (not shown) of the vehicle C. Using this communication, the payment device 105b detects the target vehicle and acquires the vehicle ID of the target vehicle from the onboard device.
  • the payment device 105b When the payment device 105b detects the target vehicle, it transmits a determination instruction for determining the toll to the traffic management device 102 via the network N.
  • the determination instruction includes the vehicle ID of the target vehicle that the payment device 105b acquired from the onboard device.
  • step S103 determines that there is no target vehicle (step S103; No).
  • the estimation unit 103 executes step S101 again.
  • the determination unit 104 determines that there is a target vehicle (step S103; Yes). In this case, the determining unit 104 acquires the estimation result 109 for the entire road related to the vehicle ID from the estimating unit 103 in accordance with the vehicle ID included in the determination instruction.
  • the determining unit 104 determines the toll for the target vehicle to travel on the road R based on the estimation result 109 for the entire road (step S102).
  • the determination unit 104 acquires the exhaust gas amount of the target vehicle on the entire road R based on the estimation result 109 for the entire road and the vehicle ID included in the determination instruction.
  • the determining unit 104 determines the toll of the target vehicle according to a predetermined first determination rule.
  • the determining unit 104 generates toll information including the determined toll.
  • the fee information may further include the vehicle ID of the target vehicle.
  • the first determination rule is a rule for determining the toll.
  • the first decision rule determines the relationship between the exhaust gas amount H of the target vehicle on the entire road R and the toll using calculation formulas, tables, and the like.
  • the first decision rule establishes, for example, a relationship in which the larger the exhaust gas amount H of the target vehicle on the entire road R, the higher the toll. According to such a first determination rule, the determining unit 104 determines the toll for the target vehicle such that the larger the amount of exhaust gas on the road R, the higher the toll.
  • the first decision rule includes a certain reference exhaust gas amount.
  • the determining unit 104 sets a high toll for the target vehicle when the exhaust gas amount Gi of the target vehicle is greater than the reference exhaust gas amount. Further, the determining unit 104 sets the toll for the target vehicle at a low price when the exhaust gas amount Gi of the target vehicle is smaller than the reference exhaust gas amount.
  • the reference exhaust gas amount may be a fixed value or a variable value.
  • the reference exhaust gas amount may be, for example, a standard value for a certain region, a set target value, or the like.
  • the determining unit 104 transmits the fee information to the payment device 105b via the network N (step S104).
  • the estimation unit 103 executes step S101 again.
  • the payment device 105b acquires the fee information transmitted in step S104 from the determination unit 104 via the network N.
  • the payment device 105b wirelessly communicates with an onboard device (not shown) of the target vehicle, and performs toll payment processing for the target vehicle according to the toll information.
  • Embodiment 1 of the present invention has been described so far.
  • the traffic management device 102 includes an estimation section 103 and a determination section 104.
  • Estimating unit 103 estimates the amount of exhaust gas of the vehicle.
  • the determining unit 104 determines the toll for the target vehicle to travel on the road R using the estimated amount of exhaust gas.
  • the estimation unit 103 estimates the amount of exhaust gas of the target vehicle on the road R.
  • the amount of exhaust gas of the target vehicle can be used to determine the toll for the target vehicle to pass through the predetermined target area P. For example, by making the toll for a target vehicle with a low exhaust gas volume lower than that for a target vehicle with a high exhaust gas volume, users of the target vehicle can be motivated to reduce their exhaust gas volume. . Therefore, it becomes possible to reduce the amount of exhaust gas.
  • the determining unit 104 determines the toll for the target vehicle on the road R on which the exhaust gas amount of the target vehicle is estimated.
  • the determining unit 104 determines the toll for the target vehicle such that the higher the estimated amount of exhaust gas, the higher the amount.
  • Modification 1 In the first embodiment, the case where the generation devices 101_1 to 101_M are photographing devices such as cameras has been described as an example. In Modification 1, an example will be described in which the generation devices 101_1 to 101_M are in-vehicle devices mounted on a vehicle C. Note that in this modification as well, the number of generation devices 101 may be one.
  • the generation devices 101_1 to 101_M generate vehicle information CI_1 to CI_M of the vehicle C in which each of the generation devices 101_1 to 101_M is mounted, instead of the image information PI_1 to PI_M according to the first embodiment.
  • Each of the generation devices 101_1 to 101_M transmits the generated vehicle information to the traffic management device 102 via the network N.
  • the network N may include wireless road-to-vehicle communication, vehicle-to-vehicle communication, and the like.
  • the vehicle information includes, for example, at least one of a vehicle number and a vehicle ID.
  • the vehicle information may further include one or more of vehicle type, combustion type, exhaust gas amount, speed of vehicle C, accelerator opening (acceleration), and the like.
  • the generation device 101_i may be physically configured similarly to the traffic management device 102.
  • the estimation unit 103 uses vehicle information CI_1 to CI_M instead of image information PI_1 to PI_M according to the first embodiment, and executes the same analysis process (step S101_b) as in the first embodiment. That is, the estimation unit 103 according to the present modification estimates exhaust gas on the road R using vehicle information regarding each of the one or more vehicles C generated by an on-vehicle device mounted on each of the one or more vehicles C. Estimate the amount.
  • step S101B_2 may not be executed.
  • the estimation unit 103 can generate the same analysis result 107 as in the first embodiment by executing the analysis process (step S101_b) using the vehicle information CI_1 to CI_M. Therefore, the estimation unit 103 can use the analysis result 107 to generate estimation results 108 and 109 similar to those in the first embodiment. Therefore, the toll can be determined in the same manner as in the first embodiment.
  • the generation devices 101_1 to 101_M may include the same imaging device as in Embodiment 1 and the above-mentioned in-vehicle device. Additionally, as described above, a sensor may be included. That is, the estimation unit 103 may estimate the amount of exhaust gas using at least one of the carbon dioxide concentration on the road R, an image, and vehicle information acquired from the vehicle.
  • the carbon dioxide concentration on the road R is, for example, the carbon dioxide concentration in each of the target regions P.
  • Modification 2 In the first embodiment, an example has been described in which the determination unit 104 determines the toll of the target vehicle on the road R on which the exhaust gas amount of the target vehicle is estimated.
  • the determining unit 104 may determine the toll of the target vehicle on another road (not shown) on which the target vehicle travels after passing through the road R on which the exhaust gas amount of the target vehicle is estimated.
  • the road that the target vehicle passes after passing through road R is, for example, a road that connects to road R.
  • the types of vehicles classified according to the configuration of the drive energy used by the vehicle C will be explained as an example.
  • the types of vehicles in this case are, for example, electric cars, fuel cell cars (also called hydrogen cars), hybrid cars, and engine (internal combustion engine) cars.
  • An electric vehicle is a vehicle that charges a storage battery mounted on the vehicle from the outside and uses the electric power of the storage battery as driving energy.
  • a fuel cell vehicle is a vehicle that uses electric power generated using externally supplied hydrogen as driving energy.
  • a hybrid car is a vehicle that uses both fuel and electricity as driving energy.
  • Engine (internal combustion engine) automobiles are automobiles that use only fuel such as gasoline or diesel oil as driving energy.
  • FIG. 14 is a diagram showing the configuration of a traffic management system 200 according to Embodiment 2 of the present invention.
  • the traffic management system 200 includes a traffic management device 202 instead of the traffic management device 102 according to the first embodiment.
  • the traffic management device 202 includes an estimation section 203 instead of the estimation section 103 according to the first embodiment. Except for these points, the traffic management system 200 may be configured in the same manner as the traffic management system 100 according to the first embodiment.
  • the estimation unit 203 acquires image information PI_i from each of the generation devices 101_i via the network N, as in the first embodiment.
  • the estimation unit 203 estimates the amount of exhaust gas on the road R using the image information PI_i acquired from the generation device 101_i.
  • the traffic management system 200 may be physically configured similarly to the traffic management system 100 according to the first embodiment.
  • the generation process according to this embodiment may be the same as that in the first embodiment.
  • FIG. 15 is a flowchart illustrating an example of traffic management processing according to the second embodiment.
  • the traffic management device 202 repeatedly executes traffic management processing during operation.
  • the traffic management process according to the present embodiment includes an estimation process (step S201) that replaces the estimation process (step S101) according to the first embodiment. Except for this point, the traffic management process according to the present embodiment may be the same as that in the first embodiment.
  • FIG. 16 is a flowchart showing a detailed example of the estimation process (step S201).
  • the estimation process (step S201) includes steps S201b to S201c instead of steps S101b to S101c according to the first embodiment. Except for this point, the estimation process (step S201) according to the present embodiment may be the same as that in the first embodiment.
  • FIG. 17 is a flowchart showing a detailed example of the analysis process (step S201b).
  • the estimation unit 103 repeats steps S201b_2 to S201b_5 for each of the image information PI_1 to PI_M acquired in step S101a (step S201b_1; loop B).
  • the estimation unit 203 analyzes the image information PI_i, and similarly to the first embodiment, when the image information PI_i includes one or more vehicles C, the estimation unit 203 analyzes the one or more vehicles C according to the vehicle ID acquired from the ID acquisition device 105a. A vehicle ID is assigned to each of C. The estimation unit 203 further specifies the vehicle type (step S201b_2). That is, the estimation unit 203 estimates the type of vehicle based on the image information PI_i.
  • the estimating unit 203 may acquire vehicle information as described in Modification 1, and in this case, the estimation unit 203 estimates the type of vehicle using at least one of the vehicle type, combustion type, and exhaust gas amount. Good too.
  • the analysis model according to the present embodiment differs from the analysis model according to the first embodiment in that it outputs the vehicle type in addition to the vehicle ID.
  • the analysis model when the analysis model according to the present embodiment inputs the image information PI_i at time T2 and time T1, it outputs information that associates the vehicle ID and vehicle type of each vehicle C included in the image information PI_i.
  • the input data during learning of the analytical model according to this embodiment may be the same as in the first embodiment.
  • the training data during learning includes, for example, information identifying each of the vehicles C included in the plurality of image information, as well as each vehicle type of the vehicle C as the correct answer.
  • FIG. 18 is a diagram corresponding to FIG. 10. That is, FIG. 18 shows an example of the results of analysis performed by the analysis model according to the present embodiment using the images included in the image information PI_i at times T1 and T2 and the image information PI_i at times T1 and T2 as input data. It is a diagram.
  • image information PI_i at time T1 includes vehicles C1 and C2 and a part of vehicle C3.
  • the vehicle IDs and vehicle types of vehicles C1 to C3 are identified as "001 and vehicle type A,” “002 and vehicle type B,” and "003 and vehicle type C,” in order. .
  • the analysis model determines the commonality of vehicles C, similar to the first embodiment. As a result, as in the first embodiment, it is assumed that the analytical model determines that the image information PI_i at time T2 includes the vehicle C1 and parts of the vehicles C2 and C4.
  • the analytical model is based on the assumption that the vehicles C1 and C2 included in the image information PI_i at time T2 are the same vehicles as the vehicles C1 and C2 included in the image information PI_i at time T1. Assign an ID. Further, for the vehicles C1 and C2 included in the image information PI_i at time T1, the vehicle types "vehicle type A" and “vehicle type B" obtained based on the image information PI_i at time T1 are specified, respectively.
  • the estimating unit 203 assigns, for example, the vehicle ID "004" assigned to the vehicle C4 in the analysis of the other image information PI_i+1 at time T1 to the vehicle C4 included in the image information PI_i at time T2. Further, in the example shown in the figure, the estimating unit 203 specifies the vehicle type of vehicle C with vehicle ID "004" as "vehicle type D" according to the output of the analysis model.
  • estimation unit 203 may identify the vehicle type using various known image processing techniques such as pattern matching.
  • the estimating unit 203 identifies the vehicle type for each vehicle C based on the vehicle type identified in step S201b_2 (step S201b_3).
  • Vehicle type data 210 is data that associates vehicle types with vehicle types.
  • FIG. 19 is a diagram showing an example of vehicle type data 210.
  • the method for identifying the type of vehicle is not limited to this.
  • the above analysis model may output the type of vehicle instead of the type of vehicle.
  • the analysis model in this case receives the image information PI_i at times T1 and T2 as input, and outputs information that associates the vehicle ID of each vehicle C included in the image information PI_i with the type of vehicle.
  • the input data to the analytical model during learning may be the same as the input data during learning of the analytical model.
  • the training data may include the type of vehicle instead of the type of vehicle.
  • the estimation unit 203 generates the analysis result 207 based on the results of the processing in steps S201b_2 and S201b_3 (step S201b_4).
  • FIG. 20 is a diagram showing an example of the analysis result 207.
  • the analysis result 207 is information that associates the area ID, time, vehicle ID, and vehicle type.
  • the vehicle type is the vehicle type specified in step S101b_3 for the vehicle C identified using the vehicle ID associated with this.
  • the analysis result 207 shown in the figure includes the result of analysis based on the image information PI_i at the above-mentioned time T1 and time T2.
  • the estimation unit 203 holds the analysis result 207 generated in step S201b_4 (step S201b_5). After the estimation unit 203 executes steps S201b_2 to S201b_5 for each of the image information PI_1 to PI_M, the estimation unit 203 returns to the estimation process (step S201).
  • estimation unit 103 may identify the vehicle type using various known image processing techniques such as pattern matching.
  • the estimation unit 203 estimates the amount of exhaust gas of the vehicle C on the road R using the analysis result 207 (step S201c).
  • the estimating unit 203 uses an estimation model for estimating the exhaust gas amount to estimate the exhaust gas amount of each vehicle C in each of the target regions P_1 to P_M and each vehicle on the entire road R.
  • the exhaust gas amount H of C is estimated.
  • Information input to the estimation model is the analysis result 207.
  • the estimation model used by the estimation unit 203 is different from that in the first embodiment.
  • the estimation model according to this embodiment will be explained.
  • the estimation model according to this embodiment includes a model for each type of vehicle.
  • the estimation model is a model that assumes that the amount of exhaust gas per unit time of each vehicle C is constant for each type of vehicle. That is, the model for each type of vehicle according to the present embodiment expresses the amount of exhaust gas per unit time using a constant determined for each type of vehicle.
  • the amount of exhaust gas per unit time (emission coefficient) for each type of vehicle may be determined as appropriate, and is determined, for example, based on the amount of exhaust gas when each type of vehicle C runs at a predetermined speed.
  • the predetermined speed may be determined as appropriate, and is, for example, the average traveling speed on the road R.
  • the emission factor may be a value obtained experimentally based on a sensor attached to the vehicle C (e.g., a flow rate sensor, a CO 2 sensor), or may be determined based on a value published in a catalog of the vehicle C. It may be a value.
  • estimation models include the model expressed by the above equation (1) and the following equation (4).
  • K(Mi) is the emission factor.
  • the emission coefficient according to this embodiment is the amount of exhaust gas per unit time for each type of vehicle.
  • Mi is the type of vehicle.
  • the estimation unit 203 uses equation (4) to obtain the exhaust gas amount Gi of the vehicle C in each of the target areas P_1 to P_M.
  • the estimation unit 203 generates estimation results 108 for each area (see FIG. 12) similar to the first embodiment.
  • the estimation unit 203 calculates the exhaust gas of the vehicle C using equation (1). Obtain the quantity H.
  • the estimation unit 203 generates an estimation result 109 for the entire road similar to that in the first embodiment.
  • step S101d onwards is the same as in Embodiment 1, so the explanation will be omitted.
  • Embodiment 2 of the present invention has been described so far.
  • the estimation unit 203 estimates the amount of exhaust gas on the road R using the type of vehicle C passing on the road R.
  • the amount of exhaust gas on road R can be estimated more accurately. Therefore, the user of the target vehicle can be more strongly motivated to reduce the amount of exhaust gas. Therefore, it becomes possible to further reduce the amount of exhaust gas.
  • Modification 3 In the second embodiment, the case where the types of vehicles are an electric vehicle, a fuel cell vehicle (also referred to as a hydrogen vehicle), a hybrid vehicle, and an engine (internal combustion engine) vehicle has been described as an example. However, the type of vehicle is not limited to this.
  • the types of vehicles classified according to the configuration of drive energy may be further subdivided, and the plurality of vehicle types exemplified here may be combined into one.
  • engine vehicles may be further subdivided into gasoline cars, diesel cars, and the like.
  • electric vehicles and fuel cell vehicles may be combined into one category as vehicles whose driving energy is electric power only.
  • the criteria for classifying vehicle types is not limited to the configuration of drive energy.
  • the type of vehicle may be, for example, a car model.
  • the estimation model according to this modification is similar to the estimation model according to the second embodiment in that it includes a plurality of models for each vehicle type.
  • the estimation model according to this modification expresses the amount of exhaust gas per unit time (emission coefficient) for each vehicle type as a function using the driving state as a variable.
  • the function that defines the emission factor is, for example, a function that represents the average CO 2 emissions of vehicle C by vehicle type, and is based on an experiment based on the sensors (e.g., flow rate sensor, CO 2 sensor) attached to vehicle C. It may be determined based on the value published in the catalog of vehicle C, etc.
  • estimation models include the model expressed by the above equation (1) and the following equation (5).
  • K(X, Y) is the emission factor.
  • the emission coefficient according to this modification is the amount of exhaust gas per unit time for each vehicle type.
  • K(X, Y) includes vehicle type X and driving state Y as variables. Therefore, this emission coefficient is the amount of exhaust gas per unit time of the vehicle C when the vehicle type is X and the driving state is Y.
  • K(X, Y) is a function determined for each vehicle type X, as described above, and uses the driving state Y including the driving speed, acceleration, idling stop state, and loading amount as a variable.
  • RSi represents the driving state.
  • RSi is a vector quantity whose components include one or more values such as, for example, traveling speed, acceleration, idling stop state, and load capacity.
  • the idling stop state indicates whether or not idling stop is being performed for the stopped vehicle C.
  • the value of the idling stop state may be set to a predetermined value, for example, in association with whether the vehicle is idling or not. Specifically, for example, idling may be set to "1", and not idling may be set to "0".
  • the driving state may be acquired by the estimation unit 203 in the analysis process (step S201b), for example.
  • the estimating unit 203 acquires some or all of the traveling speed, acceleration, idling stop state, and load amount based on the analysis of the image information PI_i.
  • the estimation unit 203 obtains each of the traveling speed and acceleration based on the change in the position of the vehicle C and the time difference included in the plurality of image information PI_i including different shooting times.
  • the estimation unit 203 obtains the idling stop state based on the result of comparing the vibration of the vehicle C with a predetermined threshold. For example, when the vibration of the vehicle C is equal to or greater than a threshold value, the estimation unit 203 determines that the idling stop is not performed. If the vibration of the vehicle C is less than the threshold value, the estimating unit 203 determines that the vehicle C is idling-stopped.
  • the estimation unit 203 obtains the load amount based on the amount of sinking of the vehicle C.
  • the estimation unit 203 calculates the amount of sinking of the vehicle C based on the vehicle height of the vehicle C obtained by analyzing the image information PI_i that is the analysis target, and the standard vehicle height of the same vehicle type as the vehicle C. It may also be obtained by comparing.
  • the vehicle information may include one or more of the following: traveling speed, acceleration, idling stop state, and load capacity.
  • the on-vehicle device can generate vehicle information including the load amount obtained using the weight sensor.
  • the estimating unit 203 may acquire the traveling speed, acceleration, idling stop state, and load amount based on the analysis of vehicle information.
  • the estimation unit 203 estimates the amount of exhaust gas on the road R using the driving state of the vehicle C passing on the road R.
  • the amount of exhaust gas on road R can be estimated more accurately. Therefore, the user of the target vehicle can be more strongly motivated to reduce the amount of exhaust gas. Therefore, it becomes possible to further reduce the amount of exhaust gas.
  • Embodiments 1 and 2 have been described using an example in which the toll is paid when passing through the exit gate G2, that is, a case in which the toll is paid in arrears after passing through the road R. However, tolls may be paid in advance. In this embodiment, an example will be described in which payment is made when passing through the entrance gate G2.
  • FIG. 21 is a diagram showing the configuration of a traffic management system 300 according to Embodiment 3 of the present invention.
  • the traffic management system 300 includes a plurality of generation devices 101_1 to 101_M similar to the first embodiment. Furthermore, the traffic management system 300 includes a traffic management device 302 that replaces the traffic management device 102 according to the first embodiment. Furthermore, the traffic management system 300 includes a payment device 305a and another payment device 305b.
  • the payment device 305a and the payment device 305b are equipment attached to the road R.
  • the payment device 305a is installed at the entrance gate G1.
  • the payment device 305b is installed at the exit gate G2.
  • Each of the payment device 305a and the payment device 305b is mutually connected to the traffic management device 302 via the network N. Therefore, the payment device 305a and the traffic management device 302 can exchange information with each other. The payment device 305b and the traffic management device 302 can send and receive information to and from each other.
  • the settlement device 305a is a device for detecting a vehicle C entering the road R and for settling the toll for traveling on the road R using the detected vehicle C as a target vehicle.
  • the payment device 305a wirelessly communicates with an on-vehicle device (not shown) mounted on the vehicle C.
  • the onboard device is, for example, a device that constitutes an ETC together with payment devices 305a, 305b, and the like.
  • the payment device 305a detects the vehicle C entering the road R using communication with the on-vehicle device, and acquires the vehicle ID from the on-vehicle device.
  • the payment device 305a transmits a first determination instruction including the vehicle ID of the target vehicle obtained from the on-vehicle device to the traffic management device 102 via the network N.
  • the payment device 305a obtains the toll of the target vehicle from the traffic management device 302 in response to the first determination instruction.
  • the settlement device 305a settles the toll of the target vehicle according to the toll determined by the traffic management device 302.
  • the payment device 305b is a device that detects a vehicle C leaving the road R and discounts the toll by treating the detected vehicle C as a target vehicle.
  • the toll is discounted by refunding at least a portion of the toll paid in advance.
  • the method of discounting the toll is not limited to this, and may be performed by issuing a coupon ticket, issuing a discount ticket that can be used the next time the vehicle travels on the road R, or the like.
  • the payment device 305b wirelessly communicates with an on-vehicle device (not shown) mounted on the vehicle C, similarly to the payment device 305a.
  • the payment device 305b uses communication with the on-vehicle device to detect the vehicle C that has entered the road R, and acquires the vehicle ID from the on-vehicle device.
  • the payment device 305b transmits a second determination instruction including the vehicle ID of the target vehicle acquired from the onboard device to the traffic management device 102 via the network N.
  • the payment device 305b obtains the toll for the target vehicle from the traffic management device 302 in response to the second determination instruction.
  • the settlement device 305b settles the toll of the target vehicle according to the toll determined by the traffic management device 302.
  • the traffic management device 302 determines the toll for the target vehicle to travel on the road R, with the vehicle C passing through the entrance gate G1 where the payment device 305a is installed as the target vehicle. Furthermore, the traffic management device 302 determines the toll for the target vehicle to travel on the road R, with the target vehicle being the vehicle C passing through the exit gate G2 where the payment device 305b is provided.
  • FIG. 22 is a diagram showing the functional configuration of the traffic management device 302 according to this embodiment.
  • the traffic management device 302 includes an estimating section 103 similar to that of the first embodiment, and a determining section 304 that replaces the determining section 104 according to the first embodiment.
  • the estimation unit 103 estimates the amount of exhaust gas of the target vehicle on the road R, similarly to the first embodiment. Furthermore, the estimation unit 103 estimates the amount of exhaust gas in the target region P of one or more vehicles C passing on the road R before the target vehicle.
  • the determining unit 304 determines the toll for the target vehicle to travel on the road R using the amount of exhaust gas estimated by the estimating unit 103.
  • the settlement device 305a settles the toll when the vehicle C enters the road R. Therefore, the target vehicle is the vehicle C that passes through the entrance gate G1 where the payment device 305a is provided. That is, in this embodiment, a vehicle entering road R is the target vehicle.
  • the settlement device 305b settles the toll refund when the vehicle C exits the road R. Therefore, the target vehicle is also the vehicle C that passes through the exit gate G2 where the payment device 305b is provided. That is, in this embodiment, each vehicle C passing through the road R becomes a target vehicle even when passing through the exit gate G2.
  • the traffic management device 302 may be physically configured similarly to the traffic management device 102 according to the first embodiment.
  • Each of the payment devices 305a and 305b may be physically configured similarly to the payment device 105b according to the first embodiment.
  • the generation process according to this embodiment may be the same as that in the first embodiment.
  • FIG. 23 is a flowchart illustrating an example of traffic management processing according to this embodiment.
  • the traffic management device 302 repeatedly executes traffic management processing during operation.
  • the estimation unit 103 executes step S101 similar to the first embodiment.
  • the determining unit 304 determines whether there is a target vehicle (S303). As described above, the target vehicles are the vehicle passing through the entrance gate G1 and the vehicle C passing through the exit gate G2.
  • the determination unit 304 determines that there is no target vehicle (step S303; No). In this case, the estimation unit 103 executes step S101 again.
  • the determination unit 304 determines that there is a target vehicle (step S303; Yes). The determining unit 304 determines whether the acquired determination instruction is the first determination instruction (step S305).
  • step S305; Yes the determination unit 304 determines the toll for the target vehicle to travel on the road R based on the region-specific estimation results 108 (step S305; Yes). S302a).
  • the determining unit 304 acquires the amount of exhaust gas of the vehicle C on the entire current road R based on the estimation result 108 for each region.
  • the current exhaust gas amount of vehicles C on the entire road R is the total amount of exhaust gas of vehicles C traveling on road R.
  • the determining unit 304 adds up the exhaust gas amounts for each region included in the region-based estimation results 108 that include the current time (or a time within a predetermined range from the current time), thereby determining the current amount of exhaust gas. Obtain the amount of exhaust gas from vehicle C on the entire road.
  • the determining unit 304 determines the toll for the target vehicle according to a predetermined second determination rule.
  • the determining unit 304 generates toll information including the determined toll.
  • the fee information may further include the vehicle ID of the target vehicle.
  • the second determination rule is a rule for determining the toll.
  • the second decision rule determines the relationship between the amount of exhaust gas and the toll for the entire current road R using calculation formulas, tables, and the like.
  • the second decision rule defines, for example, a relationship in which the larger the amount of exhaust gas from vehicle C on the entire current road R, the higher the toll. According to such a second determination rule, the determining unit 104 determines the toll for the target vehicle such that the larger the amount of exhaust gas on the road R, the higher the toll.
  • the target vehicle is vehicle C that is about to enter road R.
  • the determining unit 304 determines the toll for this target vehicle based on the amount of exhaust gas of the vehicle C that is already traveling on the road R. That is, the determining unit 304 determines the toll of the target vehicle using the amount of exhaust gas on the road R of one or more vehicles passing on the road R before the target vehicle.
  • the determining unit 304 transmits the fee information to each of the payment device 305a and the payment device 305b via the network N (step S304a).
  • the estimation unit 103 executes step S101 again.
  • the payment device 305a acquires fee information from the determination unit 304 via the network N.
  • the payment device 305a wirelessly communicates with an onboard device (not shown) of the target vehicle, and performs toll payment processing for the target vehicle according to the toll information.
  • the determination unit 304 determines that the instruction is not the first determination instruction (step S305; No). If it is determined that the instruction is not the first determination instruction (step S305; No), the determination unit 304 refers to the estimation result 109 for the entire road and determines the vehicle ID included in the second determination instruction, that is, the vehicle ID of the target vehicle. The exhaust gas amount H for the entire road R is obtained. The determining unit 304 determines the toll for the target vehicle according to the same first determination rule as in Embodiment 1 (step S302b).
  • step S302b the determining unit 304 generates toll information including the determined toll.
  • the fee information may further include the vehicle ID of the target vehicle.
  • the determining unit 304 transmits the fee information to the payment device 305b via the network N (step S304b).
  • the estimation unit 103 executes step S101 again.
  • the payment device 305b acquires the fee information transmitted in each of step S304a and step S304b.
  • the toll included in the toll information transmitted in step S304a for the same target vehicle is referred to as "toll M1.”
  • the toll included in the toll information transmitted in step S304b is referred to as "toll M2.”
  • the settlement device 305b determines the difference as the refund amount.
  • the settlement device 305b settles the refund of the toll of the target vehicle according to the determined refund amount.
  • the determining unit 304 determines the toll of the target vehicle, further using the amount of exhaust gas of the target vehicle on the road R.
  • the toll M1 is a toll determined based on the amount of exhaust gas on the road R of the vehicle C that travels on the road R before the target vehicle.
  • the toll M2 is a toll determined based on the result of the target vehicle actually traveling on the road R.
  • Embodiment 3 of the present invention has been described so far.
  • the estimation unit 103 estimates the amount of exhaust gas on the road R of one or more vehicles C passing on the road R before the target vehicle.
  • the toll for the target vehicle to travel on the road R can be determined using the amount of exhaust gas of the vehicle that travels on the road R before the target vehicle. Therefore, the user of the target vehicle can be motivated to travel on the road R where the amount of exhaust gas is small. At measurement points where the amount of exhaust gas is small, the vehicle C can generally pass smoothly, and the amount of exhaust gas from the vehicle C is often reduced. Therefore, it becomes possible to reduce the amount of exhaust gas.
  • the estimation unit 103 further estimates the amount of exhaust gas of the target vehicle in the road section.
  • the determining unit 304 uses both the exhaust gas amount on the road R of one or more vehicles C passing on the road R before the target vehicle and the exhaust gas amount of the target vehicle on the road R to determine the toll of the target vehicle. Determine.
  • processing is performed to discount at least a portion of the determined toll based on the amount of exhaust gas of the target vehicle on the road R.
  • the user of the target vehicle can be motivated to reduce the amount of exhaust gas. Therefore, it becomes possible to reduce the amount of exhaust gas.
  • Modification 5 In the third embodiment, an example has been described in which the determining unit 304 performs processing for discounting the determined toll based on the amount of exhaust gas of the target vehicle on the road R.
  • the determining unit 304 may perform processing for discounting the determined toll based on at least one of the amount of exhaust gas of the target vehicle on the road R and the driving information indicating the driving state of the target vehicle on the road R. .
  • the running state includes the running speed, acceleration, idling stop state, load capacity, etc.
  • the traveling information may include some or all of the traveling speed, acceleration, idling stop state, load capacity, and the like.
  • the driving state can be acquired based on one or both of the image information PI_i and the vehicle information.
  • This modification also provides the same effects as the third embodiment.
  • the determining unit 104, 304 may further use absorber information regarding carbon dioxide absorbers (CO 2 absorbers) around the road section to determine the toll for the target vehicle.
  • CO 2 absorber is a plant such as a tree, a coating or a member that has a function of absorbing CO 2 , and such a coating or member is provided, for example, on the wall of a building.
  • Information regarding the CO 2 absorber includes, for example, the location where the CO 2 absorber is installed, the number and area of the CO 2 absorber installed, a value indicating the ability of the installed CO 2 absorber to absorb CO 2 , etc. Contains at least one of the following.
  • the determining units 104 and 304 may obtain the absorbent information from an external device via the network N, for example.
  • the determining unit 104, 304 further uses the absorber information to adjust the toll determined using the amount of exhaust gas on the road.
  • adjustment methods include reducing tolls on road R where the amount of CO2 absorbers is higher than the standard value, and increasing tolls on road sections where the amount of CO2 absorbers is lower than the standard value.
  • the user of the target vehicle can be motivated to travel on the road R where the CO 2 absorber absorbs a large amount of CO 2 . Therefore, it becomes possible to reduce the amount of exhaust gas.
  • the estimating means estimates the amount of exhaust gas in the road section of one or more vehicles passing through the road section before the target vehicle.
  • the traffic management device described in . 3 The estimating means further estimates the amount of exhaust gas of the target vehicle in the road section,
  • the determining means uses both the exhaust gas amount in the road section of one or more vehicles passing through the road section before the target vehicle and the exhaust gas amount of the target vehicle in the road section. Determine the said toll of Supplementary Note 2.
  • the determining means further uses information regarding carbon dioxide absorbers around the road section to determine the toll for the target vehicle.
  • Supplementary Note 1. The estimating means estimates the amount of exhaust gas of the target vehicle in the road section.
  • Supplementary note 5. The determining means determines the toll for the target vehicle in the road section where the exhaust gas amount of the target vehicle is estimated.
  • the determining means determines the toll of the target vehicle on another road section that the target vehicle passes after passing through the road section where the exhaust gas amount of the target vehicle is estimated.
  • the estimating means estimates the exhaust gas amount using at least one of the carbon dioxide concentration of the road section, an image, and vehicle information acquired from the vehicle. From 4.
  • the traffic management device according to any one of. 9.
  • the determining means further determines at least one of the determined toll based on at least one of an exhaust gas amount of the target vehicle in the road section and driving information indicating a driving state of the target vehicle in the road section. Perform processing to partially discount Additional Note 1. From 8.
  • the traffic management device according to any one of. 10.
  • Supplementary Note 1. determines the toll fee for the target vehicle such that the higher the estimated exhaust gas amount, the higher the toll fee. From 9.
  • the traffic management device according to any one of. 11. Additional note 1. From 10.
  • a traffic management device according to any one of A traffic management system comprising: a generation device that generates information for estimating the amount of exhaust gas of the vehicle. 12.
  • the computer is Estimate the amount of vehicle exhaust gas, A traffic management method comprising determining a toll for a target vehicle to pass through a predetermined road section using the estimated exhaust gas amount.
  • a recording medium storing a program for determining a toll for a target vehicle to pass through a predetermined road section using the estimated exhaust gas amount.
  • 11. to the computer Estimate the amount of vehicle exhaust gas, A program for determining a toll for a target vehicle to pass through a predetermined road section using the estimated exhaust gas amount.

Landscapes

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

Abstract

交通管理装置（１０２）は、推定部（１０３）と、決定部（１０４）とを備える。推定部（１０３）は、車両の排気ガス量を推定する。決定部（１０４）は、推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定する。

Description

交通管理装置、交通管理システム、交通管理方法及び記録媒体
　本発明は、交通管理装置、交通管理システム、交通管理方法及び記録媒体に関する。
　特許文献１には、渋滞により余計に排出される二酸化炭素の排出量（二酸化炭素排出量）Ｚ２を算出する技術に関する記載がある。
　特許文献２には、ＣＯ２排出量推計モデルが次の考え方で構築される旨の記載がある。
　ア．センサス区間については、３６５日全時間帯、計８７６０時間の交通量を推計し、各時間帯においてＱＶ式を用いて旅行速度別走行台キロを推計する。なお、Ｑ－Ｖ式について、道路種類別、車線数別、市街地・非市街地別、信号密度別、渋滞・非渋滞別に、道路交通センサスデータを基に設定される旨の記載がある。
　イ．旅行速度別排出原単位を介してＣＯ２排出量を出力する。
　ウ．市町村道路については、旅行速度は混雑度によらず、市街地で１８ｋｍ／ｈ、非市街地で２８ｋｍ／ｈ（一般都道府県道の混雑時平均旅行速度の値）と設定し、ＣＯ２排出量を推計する。
　特許文献３には、交通量を推定する技術に関する記載がある。
　非特許文献１には、二酸化炭素排出量を推計する技術に関する記載がある。
国際公開第２０２０／０６５９７２号 特開２００７－３２８７６９号公報 特開２０１８－０５５４５５号公報
石坂哲宏、他３名、「自動車交通におけるＣＯ２排出量の推計方法の整理とその適用」、［online］、［令和３年１２月２０日検索］、インターネット＜ＵＲＬ：http://library.jsce.or.jp/jsce/open/00039/200906_no39/pdf/35.pdf＞
　しかしながら、特許文献１，２及び非特許文献１に記載の技術を用いて、二酸化炭素排出量を推計することができたとしても、排気ガス量を削減することは困難である。特許文献３に記載の技術を用いて、交通量を推定することができたとしても、排気ガス量を削減することは困難である。
　本発明の目的の一例は、上述した課題を鑑み、排気ガス量を削減することを解決する交通管理装置、交通管理システム、交通管理方法及び記録媒体を提供することにある。
　本発明の一態様によれば、
　車両の排気ガス量を推定する推定手段と、
　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定する決定手段とを備える
　交通管理装置が提供される。
　本発明の一態様によれば、
　上記の交通管理装置と、
　前記車両の排気ガス量を推定するための情報を生成する生成装置とを備える
　交通管理システムが提供される。
　本発明の一態様によれば、
　コンピュータが、
　車両の排気ガス量を推定し、
　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定することを含む
　交通管理方法が提供される。
　本発明の一態様によれば、
　コンピュータに、
　車両の排気ガス量を推定し、
　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定することを実行させるためのプログラムが記録された記録媒体が提供される。
　本発明によれば、排気ガス量を削減することが可能になる。
本発明の実施形態１に係る交通管理システムの概要を示す図である。 本発明の実施形態１に係る交通管理処理の概要を示す図である 時刻Ｔ１における道路Ｒを上方から見た図である。 本発明の実施形態１に係る生成装置の物理的な構成の一例を示す図である。 本発明の実施形態１に係る交通管理装置の物理的な構成の一例を示す図である。 本発明の実施形態１に係る生成処理の一例を示すフローチャートである。 実施形態１に係る交通管理処理の詳細な一例を示すフローチャートである。 実施形態１に係る推定処理の詳細な一例を示すフローチャートである。 実施形態１に係る分析処理の詳細な一例を示すフローチャートである。 時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる画像と、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉをインプットデータとして、実施形態１に係る分析モデルが分析した結果の一例を示す図である。 実施形態１に係る分析結果の一例を示す図である。 実施形態１に係る領域別の推定結果の一例を示す図である。 実施形態１に係る道路全体の推定結果の一例を示す図である。 本発明の実施形態２に係る交通管理システムの構成の一例を示す図である。 本発明の実施形態２に係る交通管理処理の一例を示すフローチャートである。 実施形態２に係る推定処理の詳細な一例を示すフローチャートである。 実施形態２に係る分析処理の詳細な一例を示すフローチャートである。 時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる画像と、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉをインプットデータとして、実施形態２に係る分析モデルが分析した結果の一例を示す図である。 実施形態２に係る車種データの一例を示す図である。 実施形態２に係る分析結果の一例を示す図である。 本発明の実施形態３に係る交通管理システムの構成の一例を示す図である。 本発明の実施の形態３に係る交通管理装置の機能的な構成の一例を示す図である。 本発明の実施形態３に係る交通管理処理の一例を示すフローチャートである。
　以下、本発明の一実施の形態について、図面を用いて説明する。なお、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。
＜＜実施形態１＞＞
（交通管理システム１００の概要）
　図１は、本発明の実施形態１に係る交通管理システム１００の概要を示す図である。交通管理システム１００は、生成装置１０１と、交通管理装置１０２とを備える。
　生成装置１０１は、車両の排気ガス量を推定するための情報を生成する。
　交通管理装置１０２は、推定部１０３と、決定部１０４とを備える。
　推定部１０３は、車両の排気ガス量を推定する。決定部１０４は、推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定する。
　（交通管理処理の概要）
　図２は、本実施形態に係る交通管理処理の概要を示す図である。
　推定部１０３は、車両の排気ガス量を推定する（ステップＳ１０１）。
　決定部１０４は、推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定する（ステップＳ１０２）。
　本実施形態によれば、排気ガス量を削減することが可能になる。
　以下、実施形態１に係る交通管理システム１００の詳細例を説明する。
＜実施形態１の詳細＞
　図３は、時刻Ｔ１における道路Ｒを上方から見た図である。道路Ｒは、入口ゲートＧ１から出口ゲートＧ２まで続く道路である。同図では複数の車両Ｃが道路を通行している例を示す。なお、車両Ｃは、１以上であればよい。
　道路Ｒは、道路Ｒの道路区間に相当する。道路Ｒは、道路Ｒの通行方向に沿った区間ごとに設定される複数の対象領域Ｐ＿ｉを含む。本実施形態に係る対象領域Ｐ＿１～Ｐ＿Ｍは、入口ゲートＧ１から出口ゲートＧ２までの道路Ｒ全体を隙間なくＭ個に分割した仮想的な領域である。
　ここで、ｉは、１以上Ｍ以下の整数である。Ｍは、２以上の整数である。これらは、以下においても同様である。
　なお、対象領域Ｐは、１つであってもよい。１つ又は複数の対象領域Ｐは、道路Ｒの一部に設定されてもよい。複数の対象領域Ｐは、道路Ｒに間隔を空けて設定されてもよい。
　交通管理システム１００は詳細には、同図に示すように、対象領域Ｐ＿１～Ｐ＿Ｍのそれぞれに対応付けられた複数の生成装置１０１＿１～１０１＿Ｍと、交通管理装置１０２と、ＩＤ取得装置１０５ａと、精算装置１０５ｂとを備える。生成装置１０１＿１～１０１＿Ｍと、ＩＤ取得装置１０５ａと、精算装置１０５ｂとは、道路Ｒに付設される設備である。
　生成装置１０１＿１～１０１＿ＭとＩＤ取得装置１０５ａと精算装置１０５ｂとの各々は、ネットワークＮを介して交通管理装置１０２と互いに接続されている。ネットワークＮは、有線、無線又はこれらを組み合わせて構築される通信ネットワークである。
　そのため、生成装置１０１＿１～１０１＿Ｍの各々と交通管理装置１０２とは、互いに情報を送受信することができる。ＩＤ取得装置１０５ａと交通管理装置１０２とは、互いに情報を送受信することができる。精算装置１０５ｂと交通管理装置１０２とは、互いに情報を送受信することができる。
　生成装置１０１＿ｉは、対象領域Ｐ＿ｉを撮影する。生成装置１０１＿ｉは、撮影に応じて、対象領域Ｐ＿ｉの画像を含む画像情報ＰＩ＿ｉを生成する。すなわち、画像情報ＰＩ＿ｉは、道路Ｒの撮影に応じて得られる情報である。道路Ｒを通行する１以上の車両Ｃがある場合、画像情報ＰＩ＿ｉは、１以上の車両Ｃを含む。
　本実施形態に係る画像情報ＰＩ＿ｉは、撮影時刻をさらに含む。
　生成装置１０１＿ｉは、ネットワークＮを介して画像情報ＰＩ＿ｉを交通管理装置１０２へリアルタイムで継続的に送信する。
　上述の「生成装置１０１」（図１参照）は、生成装置１０１＿１～１０１＿Ｍのうちのいずれか１つ（すなわち、生成装置１０１＿ｉ）に相当する。なお、対象領域Ｐは上述の通り１つであってもよく、この場合、生成装置１０１も１つでよい。
　ＩＤ取得装置１０５ａは、道路Ｒに入る車両Ｃを検出するための装置である。ＩＤ取得装置１０５ａは、入口ゲートＧ１に設置されている。
　ＩＤ取得装置１０５ａは、車両Ｃに搭載された車載器（図示せず）と無線で通信する。車載器は、例えば、ＩＤ取得装置１０５ａ、精算装置１０５ｂなどとともにＥＴＣ（Ｅｌｅｃｔｒｏｎｉｃ　Ｔｏｌｌ　Ｃｏｌｌｅｃｔｉｏｎ　Ｓｙｓｔｅｍ）を構成する装置である。
　ＩＤ取得装置１０５ａは、車載器との通信を用いて、道路Ｒに入った車両Ｃを検出するとともに、当該車載器から車両ＩＤ（Ｉｄｅｎｔｉｆｉｅｒ）を取得する。車両ＩＤは、車両Ｃを識別するための情報である。ＩＤ取得装置１０５ａは、車両ＩＤを交通管理装置１０２へネットワークＮを介して送信する。
　精算装置１０５ｂは、道路Ｒから出る車両Ｃを検出するとともに、検出した車両Ｃを対象車両として、道路Ｒを通行するための通行料を精算するための装置である。
　本実施形態では、精算装置１０５ｂは、出口ゲートＧ２に設置されている。精算装置１０５ｂは、車両Ｃが道路Ｒから出るときに、当該車両Ｃ及び交通管理装置１０２と通信する。そして、精算装置１０５ｂは、交通管理装置１０２が決定した通行料に従って、対象車両の通行料の精算を行う。
　交通管理装置１０２は、精算装置１０５ｂが設けられた出口ゲートＧ２を通過する車両Ｃを対象車両として、対象車両が道路Ｒを通行するための通行料を決定する。
　推定部１０３は、ネットワークＮを介して生成装置１０１＿ｉのそれぞれから画像情報ＰＩ＿ｉを取得する。推定部１０３は、生成装置１０１＿ｉから取得した画像情報ＰＩ＿ｉを用いて、車両Ｃの排気ガス量を推定する。すなわち、本実施形態に係る画像情報ＰＩ＿１～ＰＩ＿Ｍは、車両Ｃの排気ガス量を推定するための情報の一例である。
　なお、車両Ｃの排気ガス量を推定するための情報は、画像情報に限られず、例えば、対象領域Ｐの排気ガス（例えば、二酸化炭素などの排気ガスに含まれる特定成分のガス）の濃度を含むセンサ情報であってもよい。この場合、生成装置１０１＿ｉの各々は、対象領域の排気ガスの濃度を計測するセンサを備え排気ガスの濃度を含むセンサ情報を生成するとよい。推定部１０３は、ネットワークＮを介して生成装置１０１＿ｉのそれぞれからセンサ情報を取得し、それらのセンサ情報を用いて、車両Ｃの排気ガス量を推定するとよい。
　車両Ｃの排気ガス量は、例えば、道路Ｒを通行する車両Ｃから排出される二酸化炭素（ＣＯ２）の量である。なお、排気ガス量は、二酸化炭素（ＣＯ２）の量に限られない。排気ガス量は、例えば、車両Ｃからの排気ガスの全体量であってもよく、車両Ｃからの排気ガスのうちの特定成分のガスの量であってもよい。特定成分のガスとしては、温室効果ガスが好適である。ＣＯ２は温室効果ガスの一例である。
　決定部１０４は、推定部１０３が推定した排気ガス量を用いて、対象車両が道路Ｒを通行するための通行料を決定する。対象車両は、決定部１０４が通行量を決定する対象となる車両Ｃである。決定部１０４は、対象車両の通行料をネットワークＮを介して精算装置１０５ｂへ送信する。
　本実施形態では、上述の通り、精算装置１０５ｂは、車両Ｃが道路Ｒから出るときに通行料を精算する。そのため、対象車両は、精算装置１０５ｂが設けられた出口ゲートＧ２を通過する車両Ｃである。すなわち、本実施形態では、道路Ｒを通行する車両Ｃの各々が、出口ゲートＧ２を通過するときに、対象車両となる。
（交通管理システム１００の物理的構成）
　交通管理システム１００は、物理的に、ネットワークＮを介して接続された生成装置１０１＿ｉ及び交通管理装置１０２から構成される。生成装置１０１＿ｉと交通管理装置１０２との各々は、物理的に異なる単一の装置から構成される。
　なお、生成装置１０１＿ｉと交通管理装置１０２とは物理的に単一の装置から構成されてもよく、この場合、生成装置１０１＿ｉと交通管理装置１０２とはネットワークＮの代わりに、後述する内部のバス１０１０を用いて接続される。また、生成装置１０１＿ｉと交通管理装置１０２との一方又は両方は、物理的に、ネットワークＮなどの適宜の通信回線を介して接続された複数の装置から構成されてもよい。
（生成装置１０１＿ｉの物理的構成）
　生成装置１０１＿ｉは、物理的には例えば、カメラなどの撮影装置である。生成装置１０１＿ｉは、図４に示すように、バス１０１０、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、ネットワークインタフェース１０５０、センサ１０６０及び光学系１０７０を有する。
　バス１０１０は、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、ネットワークインタフェース１０５０、センサ１０６０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０２０などを互いに接続する方法は、バス接続に限定されない。
　プロセッサ１０２０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）やＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）などで実現されるプロセッサである。
　メモリ１０３０は、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などで実現される主記憶装置である。
　ストレージデバイス１０４０は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）、メモリカード、又はＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）などで実現される補助記憶装置である。ストレージデバイス１０４０は、生成装置１０１の機能部を実現するためのプログラムモジュールを記憶している。プロセッサ１０２０がこれら各プログラムモジュールをメモリ１０３０に読み込んで実行することで、そのプログラムモジュールに対応する機能が実現される。
　ネットワークインタフェース１０５０は、生成装置１０１をネットワークＮに接続するためのインタフェースである。
　センサ１０６０は、画像を電気信号に変換するイメージセンサである。光学系１０７０は、センサ１０６０とともに用いられるレンズなどである。
（交通管理装置１０２の物理的構成）
　交通管理装置１０２は、物理的には例えば、汎用のコンピュータである。交通管理装置１０２は、図５に示すように、生成装置１０１と同様のバス１０１０、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０及びネットワークインタフェース１０５０を有する。交通管理装置１０２は、さらに、入力インタフェース１０８０と出力インタフェース１０９０とを有する。
　入力インタフェース１０８０は、ユーザが情報を入力するためのインタフェースであり、例えば、タッチパネル、キーボード、マウスなどから構成される。出力インタフェース１０９０は、ユーザに情報を提示するためのインタフェースであり、例えば、液晶パネル、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）パネルなどから構成される。
　ＩＤ取得装置１０５ａと精算装置１０５ｂとの各々は、交通管理装置１０２は、物理的には例えば、交通管理装置１０２が備える構成に加えて、車載器（図示せず）と通信するための通信インタフェースを備える。
（交通管理システム１００の動作）
　ここから、交通管理システム１００の動作について、図を参照して説明する。
（実施形態１に係る生成処理）
　図６は、本実施形態に係る生成処理の一例を示すフローチャートである。生成処理は、車両の排気ガス量を推定するための情報を生成する処理である。生成装置１０１＿１～１０１＿Ｍの各々は、稼働中に生成処理を繰り返し実行する。
　生成装置１０１＿ｉは、対象領域Ｐ＿ｉを撮影すると、その撮影に応じて対象領域Ｐ＿ｉの画像を含む画像情報ＰＩ＿ｉを生成する（ステップＳ２０１）。生成装置１０１＿ｉは、ステップＳ２０１にて生成した画像情報ＰＩ＿ｉを、ネットワークＮを介して交通管理装置１０２へ送信する（ステップＳ２０２）。生成装置１０１＿ｉは、再びステップＳ２０１を実行する。
　生成装置１０１＿１～１０１＿Ｍの各々は、このような生成処理を繰り返し実行する。その結果、生成装置１０１＿１～１０１＿Ｍは、それぞれに対応付けられた対象領域Ｐ＿１～Ｐ＿Ｍの画像を含む画像情報ＰＩ＿１～ＰＩ＿Ｍを継続的にリアルタイムで交通管理装置１０２へ送信する。
（実施形態１に係る交通管理処理）
　図７は、本実施形態に係る交通管理処理の詳細な一例を示すフローチャートである。交通管理装置１０２は、稼働中に交通管理処理を繰り返し実行する。
　道路Ｒは、典型的には有料道路である。しかし、道路Ｒは、通常は無料で通行できる道路であってもよい。この場合、例えば、道路Ｒの排気ガス量が閾値を超えた場合などのユーザの指示に応じて、交通管理装置１０２は、交通管理処理を開始してもよい。また、ユーザの指示に応じて、交通管理装置１０２は、交通管理処理を終了してもよい。
　推定部１０３は、画像情報ＰＩ＿１～ＰＩ＿Ｍを用いて、車両の排気ガス量を推定する（ステップＳ１０１）。
　図８は、推定処理（ステップＳ１０１）の詳細な一例を示すフローチャートである。
　推定部１０３は、生成装置１０１＿１～１０１＿ＭのそれぞれからネットワークＮを介して画像情報ＰＩ＿１～ＰＩ＿Ｍを取得する（ステップＳ１０１ａ）。推定部１０３は、取得した画像情報ＰＩ＿１～ＰＩ＿Ｍを保持する。
　推定部１０３は、ステップＳ１０１にて取得された画像情報ＰＩ＿１～ＰＩ＿Ｍを分析する（ステップＳ１０１ｂ）。
　図９は、本実施形態に係る分析処理（ステップＳ１０１ｂ）の詳細な一例を示すフローチャートである。
　推定部１０３は、ステップＳ１０１ａにて取得された画像情報ＰＩ＿１～ＰＩ＿Ｍの各々について、ステップＳ１０１ｂ＿２～Ｓ１０１ｂ＿４を繰り返す（ステップＳ１０１ｂ＿１；ループＡ）。
　推定部１０３は、画像情報ＰＩ＿ｉを分析し、画像情報ＰＩ＿ｉに１以上の車両Ｃが含まれる場合に、ＩＤ取得装置１０５ａから取得する車両ＩＤに従って、当該１以上の車両Ｃの各々に車両ＩＤを付与する（ステップＳ１０１ｂ＿２）。
　ステップＳ１０１ｂ＿２の詳細について、時刻Ｔ２の対象領域Ｐ＿ｉを、機械学習によって学習済みの分析モデルを用いて分析する場合を例に説明する。分析モデルは、画像情報ＰＩ＿ｉを分析するためのモデルである。
　時刻Ｔ２は、時刻Ｔ１の後の時刻である。時刻Ｔ２は、例えば、生成装置１０１＿ｉが直近の撮影を行った時刻である。時刻Ｔ１は、例えば時刻Ｔ２の直前に、生成装置１０１＿ｉが撮影を行った時刻である。
　なお、時刻Ｔ１は、時刻Ｔ２の直前に限られず、時刻Ｔ２よりも前に、生成装置１０１＿ｉが撮影を行った時刻であればよい。
　推定部１０３は、時刻Ｔ２の画像情報ＰＩ＿ｉと、時刻Ｔ１の画像情報ＰＩ＿ｉとを分析モデルに入力する。時刻Ｔ２の画像情報ＰＩ＿ｉは、撮影時刻Ｔ２を含む画像情報ＰＩ＿ｉである。時刻Ｔ１の画像情報ＰＩ＿ｉは、撮影時刻Ｔ１を含む画像情報ＰＩ＿ｉである。
　これらの入力に応じて、分析モデルは、時刻Ｔ２の画像情報ＰＩ＿ｉに１以上の車両Ｃが含まれる場合に、画像情報ＰＩ＿ｉに含まれる車両Ｃの各々の車両ＩＤを出力する。
　学習時の分析モデルへのインプットデータは、道路Ｒを撮影することによって得られる複数の画像情報である。複数の画像情報は、典型的には、動画像において連続する或いは予め定められた時間間隔のフレームの画像情報である。機械学習において、分析モデルは、教師データを用いた教師あり学習を行う。教師データは、例えば、複数の画像情報に含まれる車両Ｃの各々を識別する情報を正解として含む。
　図１０は、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる画像と、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉをインプットデータとして分析モデルが分析した結果の一例を示す図である。同図では、時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる車両Ｃを実線で示し、時刻Ｔ１の画像情報ＰＩ＿ｉに含まれる車両Ｃを点線で示している。
　同図の例では、時刻Ｔ１の画像情報ＰＩ＿ｉは、車両Ｃ１，Ｃ２と車両Ｃ３の一部とを含む。時刻Ｔ１の画像情報ＰＩ＿ｉの分析の結果、車両Ｃ１～Ｃ３それぞれの車両ＩＤは、順に、「００１」、「００２」、「００３」と特定されている。
　分析モデルは、例えば画像に含まれる車両ナンバを用いて、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉにおいて、車両Ｃが共通であるか否か（車両Ｃの共通性）を判定する。
　その結果、分析モデルは、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉの画像において、同図の下方に位置する車両Ｃが共通である判定したとする。また、分析モデルは、同図の上方に位置する車両Ｃが共通である判定したとする。すなわち、分析モデルは、時刻Ｔ２の画像情報ＰＩ＿ｉに、車両Ｃ１と車両Ｃ２，Ｃ４の一部とが含まれていると判定したとする。
　このような場合、同図に示すように、分析モデルは、時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる車両Ｃ１，Ｃ２には、時刻Ｔ１の画像情報ＰＩ＿ｉに含まれる車両Ｃ１，Ｃ２のそれぞれと同じ車両ＩＤ「００１」、「００２」を付与する。推定部１０３は、時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる車両Ｃ４には、例えば、時刻Ｔ１の他の画像情報ＰＩ＿ｉ＋１の分析において車両Ｃ４に付与された車両ＩＤ「００４」を付与する。
　このように、分析モデルは、共通の車両Ｃには同じ車両ＩＤを付与する。
　ここで、ゲートＧ１を含む対象領域Ｐ＿Ｍに対応付けられた画像情報ＰＩ＿Ｍには、ゲートＧ１から新たに道路Ｒに入った車両Ｃが含まれる。そのため、推定部１０３は、画像情報ＰＩ＿Ｍを用いて、新たに道路Ｒに入った車両Ｃと、ＩＤ取得装置１０５ａから取得した車両ＩＤとを紐付けることができる。
　例えば、推定部１０３は、画像情報ＰＩ＿Ｍに含まれる撮影時刻と、ＩＤ取得装置１０５ａが車両ＩＤを取得した時刻とに基づいて、新たに道路Ｒに入った車両Ｃと車両ＩＤとを紐付ける。
　その結果、道路Ｒに入った車両Ｃは、道路Ｒを通行する間、ＩＤ取得装置１０５ａが取得した車両ＩＤを用いて識別される。
　なお、推定部１０３は、画像の特徴量を用いるなど公知の種々の画像処理技術を用いて車両Ｃの共通性を判定してもよい。
　図９を再び参照する。
　推定部１０３は、ステップＳ１０１ｂ＿２での処理の結果に基づいて、分析結果１０７を生成する（ステップＳ１０１ｂ＿３）。
　図１１は、分析結果１０７の一例を示す図である。分析結果１０７は、領域ＩＤ、時刻及び車両ＩＤを関連付ける情報である。
　領域ＩＤは、分析の対象である画像情報ＰＩ＿ｉに対応する対象領域Ｐ＿ｉを識別するための情報である。時刻は、分析の対象である画像情報ＰＩ＿ｉに含まれる撮影時刻である。
　車両ＩＤは、分析の対象である画像情報ＰＩ＿ｉを用いて、ステップＳ１０１ｂ＿２にて付与された車両ＩＤである。
　同図に示す分析結果１０７は、上述の時刻Ｔ１及び時刻Ｔ２における画像情報ＰＩ＿ｉを基に分析を行った結果を含む。
　図９を再び参照する。
　推定部１０３は、ステップＳ１０１ｂ＿３にて生成した分析結果１０７を保持する（ステップＳ１０１ｂ＿４）。推定部１０３は、画像情報ＰＩ＿１～ＰＩ＿Ｍの各々について、ステップＳ１０１ｂ＿２～Ｓ１０１ｂ＿４を実行すると、推定処理（ステップＳ１０１）に戻る。
　図８を再び参照する。
　推定部１０３は、分析結果１０７を用いて、道路Ｒにおける車両Ｃの排気ガス量を推定する（ステップＳ１０１ｃ）。
　詳細には例えば、推定部１０３は、推定モデルを用いて、対象領域Ｐ＿１～Ｐ＿Ｍの各々における各車両Ｃの排気ガス量と、道路全体における各車両Ｃの排気ガス量とを推定する。推定モデルは、排気ガス量を推定するためのモデルである。推定モデルへ入力する情報は、分析結果１０７である。
（推定モデルの例１）
　本実施形態に係る推定モデルは、車両Ｃの速度に応じて単位時間当たりの排気ガス量が変化すると仮定したモデルである。
　速度に応じた単位時間当たりの排気ガス量（排出係数）は、適宜定められてよいが、例えば、種々の車両Ｃから構成される車両群の各速度における排気ガス量の平均に基づいて決定される。車両群は、複数の種類（詳細後述）の車両Ｃから構成されてもよい。また、車両群を構成する車両Ｃの種類別の構成比は、道路Ｒを通行する車両群を構成する車両Ｃの種類別の構成比と同じであってもよい。
　排出係数は、車両Ｃに取り付けたセンサ（例えば、流量センサ、ＣＯ２センサ）に基づいて実験的に得られる値であってもよく、車両Ｃのカタログに掲載された値などに基づいて決定される値であってもよい。
　このような推定モデルの例として、式（１）～式（３）により表されるモデルを挙げることができる。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
  
　ここで、排気ガス量Ｈは、道路Ｒの全体における車両別排気ガス量である。
　排気ガス量Ｇｉは、対象領域Ｐ＿ｉにおける車両Ｃの排気ガス量である。言い換えると、排気ガス量Ｇｉは、車両Ｃの領域別の排気ガス量である。
　Ｋ（Ｖｉ）は、排出係数である。本実施形態に係る排出係数は、上述の通り、速度に応じた車両Ｃの単位時間当たりの排気ガス量である。
　Ｖｉは、車両の速度である。
　ＴＬｉは、車両Ｃが対象領域Ｐ＿ｉに存在する時間長さである。ＴＬｉは、車両Ｃが対象領域Ｐ＿ｉに入った時刻から、車両Ｃが対象領域Ｐ＿ｉを出る時刻までの時間差として求めることができる。
　ＲＬｉは、道路Ｒの通行方向に沿った対象領域Ｐ＿ｉの長さである。
　推定部１０３は、車両Ｃが対象領域Ｐ＿ｉから出たときに、式（２）及び（３）を用いて、対象領域Ｐ＿１～Ｐ＿Ｍの各々における車両Ｃの各々の排気ガス量Ｇｉを取得する。推定部１０３は、排気ガス量Ｇｉを含む領域別の推定結果１０８を生成する。
　図１２は、領域別の推定結果１０８の一例を示す図である。推定結果１０８は、領域ＩＤ、時刻、車両ＩＤ及び領域別の排気ガス量を関連付ける情報である。
　領域ＩＤは、これに関連付けられた車両ＩＤを用いて識別される車両Ｃが出た対象領域Ｐ＿ｉを識別するための情報である。時刻は、車両Ｃが対象領域Ｐ＿ｉから出た時刻である。領域別の排気ガス量は、対象領域Ｐ＿ｉにおける車両Ｃの排気ガス量Ｇｉである。
　図１０の例では、車両Ｃ３は、時刻Ｔ２に対象領域Ｐ＿ｉに存在しないため、時刻Ｔ１に対象領域Ｐ＿ｉから出ている。図１２は、車両Ｃ３が対象領域Ｐ＿ｉを出たときに生成される領域別の推定結果１０８の例を含む。
　また、推定部１０３は、例えば車両Ｃが道路Ｒを出るときに、式（１）を用いて、当該車両Ｃの排気ガス量Ｈを取得する。車両Ｃが道路Ｒを出るときとは、例えば、車両Ｃが出口ゲートＧ２を通過するとき、対象領域Ｍから出るとき、対象領域Ｍから出たときなどである。
　推定部１０３は、道路Ｒを出る車両Ｃ（対象車両）の排気ガス量Ｈを含む道路全体の推定結果１０８を生成する。
　図１３は、道路全体の推定結果１０９の一例を示す図である。推定結果１０９は、時刻、車両ＩＤ及び道路Ｒの全体における車両別排気ガス量Ｈを関連付ける情報である。
　時刻は、これに関連付けられた車両ＩＤを用いて識別される車両Ｃが道路Ｒから出る時刻である。道路Ｒの全体における車両別排気ガス量は、これに関連付けられた車両ＩＤを用いて識別される車両Ｃの、道路Ｒの全体における排気ガス量Ｈである。
　同図は、車両ＩＤ「００３」の車両Ｃ３が時刻ＴＸに道路Ｒを出た場合の道路全体の推定結果１０９の例を含む。
　図８を再び参照する。
　推定部１０３は、ステップＳ１０１ｃにて生成した推定結果１０８，１０９を保持し（ステップＳ１０１ｄ）、交通管理処理に戻る。
　図７を再び参照する。
　決定部１０４は、対象車両があるか否かを判定する（Ｓ１０３）。対象車両は、出口ゲートＧ２を通過する車両Ｃである。
　詳細には例えば、精算装置１０５ｂは、車両Ｃが出口ゲートＧ２を通過するときに、当該車両Ｃの車載器（図示せず）と無線で通信を行う。この通信を用いて、精算装置１０５ｂは、対象車両を検出するとともに、対象車両の車両ＩＤを車載器から取得する。
　精算装置１０５ｂは、対象車両を検出すると、通行料を決定させるための決定指示を交通管理装置１０２へネットワークＮを介して送信する。決定指示は、精算装置１０５ｂが車載器から取得した対象車両の車両ＩＤを含む。
　精算装置１０５ｂから決定指示を取得しない場合、決定部１０４は、対象車両がないと判定する（ステップＳ１０３；Ｎｏ）。推定部１０３は、ステップＳ１０１を再び実行する。
　精算装置１０５ｂから決定指示を取得した場合、決定部１０４は、対象車両があると判定する（ステップＳ１０３；Ｙｅｓ）。この場合、決定部１０４は、決定指示に含まれる車両ＩＤに従って、当該車両ＩＤに関する道路全体の推定結果１０９を推定部１０３から取得する。
　決定部１０４は、道路全体の推定結果１０９に基づいて、対象車両が道路Ｒを通行するための通行料を決定する（ステップＳ１０２）。
　詳細には例えば、決定部１０４は、道路全体の推定結果１０９と、決定指示に含まれる車両ＩＤとに基づいて、道路Ｒの全体における対象車両の排気ガス量を取得する。決定部１０４は、予め定められた第１の決定規則に従って、対象車両の通行料を決定する。決定部１０４は、決定した通行料を含む料金情報を生成する。料金情報は、対象車両の車両ＩＤをさらに含むとよい。
　第１の決定規則は、通行料を決定するための規則である。第１の決定規則は、計算式、表などを用いて、道路Ｒの全体における対象車両の排気ガス量Ｈと通行料との関係を定める。
　第１の決定規則は、例えば、道路Ｒの全体における対象車両の排気ガス量Ｈが多いほど、通行料が高くなる関係を定める。このような第１の決定規則に従って、決定部１０４は、道路Ｒにおける排気ガス量が多いほど、金額が高くなるように対象車両の通行料を決定する。
　詳細には例えば、第１の決定規則は、ある基準となる排気ガス量を含む。決定部１０４は、対象車両の排気ガス量Ｇｉが当該基準となる排気ガス量よりも多い場合に、対象車両の通行料を高く設定する。また、決定部１０４は、対象車両の排気ガス量Ｇｉが当該基準となる排気ガス量よりも少ない場合に、対象車両の通行料を安く設定する。基準となる排気ガス量は、固定の値でもよく、可変の値であってもよい。基準となる排気ガス量は、例えば、ある地域の標準となる値、設定されている目標値などでもよい。
　決定部１０４は、料金情報を精算装置１０５ｂへネットワークＮを介して送信する（ステップＳ１０４）。推定部１０３は、ステップＳ１０１を再び実行する。
　精算装置１０５ｂは、ステップＳ１０４にて送信された料金情報を、ネットワークＮを介して決定部１０４から取得する。精算装置１０５ｂは、対象車両の車載器（図示せず）と無線で通信し、料金情報に従って、対象車両の通行料の精算処理を行う。
　これまで、本発明の実施形態１について説明した。
　本実施形態によれば、交通管理装置１０２は、推定部１０３と、決定部１０４とを備える。推定部１０３は、車両の排気ガス量を推定する。決定部１０４は、推定された排気ガス量を用いて、対象車両が道路Ｒを通行するための通行料を決定する。
　これにより、排気ガス量を少なくするように対象車両の利用者を動機づけることができる。従って、排気ガス量を削減することが可能になる。
　推定部１０３は、道路Ｒにおける対象車両の排気ガス量を推定する。
　これにより、対象車両の排気ガス量を用いて、対象車両が所定の対象領域Ｐを通行するための通行料を決定することができる。例えば、排気ガス量が少ない対象車両の通行料を、排気ガス量が多い対象車両の通行料よりも安くすることで、排気ガス量を少なくするように対象車両の利用者を動機づけることができる。従って、排気ガス量を削減することが可能になる。
　決定部１０４は、対象車両の排気ガス量が推定された道路Ｒにおける対象車両の通行料を決定する。
　これにより、排気ガス量を少なくするように対象車両の利用者を動機づけることができる。従って、排気ガス量を削減することが可能になる。
　決定部１０４は、推定された排気ガス量が多いほど、金額が高くなるように対象車両の通行料を決定する。
　これにより、排気ガス量を少なくするように対象車両の利用者を動機づけることができる。従って、排気ガス量を削減することが可能になる。
（変形例１）
　実施形態１では、生成装置１０１＿１～１０１＿Ｍがカメラなどの撮影装置である場合を例に説明した。変形例１では、生成装置１０１＿１～１０１＿Ｍは、車両Ｃに搭載される車載装置である例を説明する。なお、本変形例においても、生成装置１０１は、１つであってもよい。
　本変形例に係る生成装置１０１＿１～１０１＿Ｍは、実施形態１に係る画像情報ＰＩ＿１～ＰＩ＿Ｍの代わりに、生成装置１０１＿１～１０１＿Ｍのそれぞれが搭載されている車両Ｃの車両情報ＣＩ＿１～ＣＩ＿Ｍを生成する。生成装置１０１＿１～１０１＿Ｍの各々は、生成した車両情報をネットワークＮを介して交通管理装置１０２へ送信する。ネットワークＮは、無線を用いた路車間通信、車車間通信などを含んでもよい。
　車両情報は、例えば、車両ナンバと車両ＩＤとの少なくとも１つを含む。車両情報は、車種、燃焼の種類、排気ガス量、車両Ｃの速度、アクセル開度（加速度）などの１つ又は複数をさらに含んでもよい。
　生成装置１０１＿ｉは、物理的には、交通管理装置１０２と同様に構成されるとよい。
　本変形例では、推定部１０３は、実施形態１に係る画像情報ＰＩ＿１～ＰＩ＿Ｍの代わりに、車両情報ＣＩ＿１～ＣＩ＿Ｍを用いて、実施形態１と同様の分析処理（ステップＳ１０１＿ｂ）を実行する。すなわち、本変形例に係る推定部１０３は、１以上の車両Ｃの各々に搭載された車載装置にて生成される当該１以上の車両Ｃの各々に関する車両情報を用いて、道路Ｒにおける排気ガス量を推定する。
　ただし、車両情報が車両ＩＤを含む場合、車両情報が車両ナンバを含み、その車両ナンバが車両ＩＤとして用いられる場合などには、ステップＳ１０１Ｂ＿２は、実行されなくてもよい。
　そして、推定部１０３は、車両情報ＣＩ＿１～ＣＩ＿Ｍを用いて分析処理（ステップＳ１０１＿ｂ）を実行することで、実施形態１と同様の分析結果１０７を生成することができる。そのため、推定部１０３は、分析結果１０７を用いて、実施形態１と同様の推定結果１０８，１０９を生成することができる。従って、実施形態１と同様に通行料を決定することができる。
　なお、生成装置１０１＿１～１０１＿Ｍは、実施形態１と同様の撮影装置と、上述の車載装置とを含んでもよい。また、上述したように、センサを含んでもよい。すなわち、推定部１０３は、道路Ｒにおける二酸化炭素濃度、画像、車両から取得した車両情報の少なくともいずれか１つを用いて、排気ガス量を推定すればよい。道路Ｒにおける二酸化炭素濃度は、例えば、対象領域Ｐの各々における二酸化炭素濃度である。
　本変形例によれば、実施形態１と同様の効果を奏する。
（変形例２）
　実施形態１では、決定部１０４が、対象車両の排気ガス量が推定された道路Ｒにおける対象車両の通行料を決定する例を説明した。決定部１０４が、対象車両の排気ガス量が推定された道路Ｒを通行した後に、当該対象車両が通行する他の道路（図示せず）における対象車両の通行料を決定してもよい。対象車両が道路Ｒを通行した後に通行する道路は、例えば、道路Ｒに接続する道路である。
　これによっても、排気ガス量を少なくするように対象車両の利用者を動機づけることができる。従って、排気ガス量を削減することが可能になる。
＜＜実施形態２＞＞
　実施形態２では、車両の種別をさらに用いて、車両Ｃの排気ガス量を推定する例を説明する。
　本実施形態では、車両Ｃで利用される駆動エネルギーの構成に従って分類される車両の種類を例に説明する。この場合の車両の種類は、例えば、電気自動車、燃料電池自動車（水素自動車とも言われる。）、ハイブリッドカー、エンジン（内燃機関）自動車である。
　電気自動車は、自動車に搭載された蓄電池に外部から充電し、その蓄電池の電力を駆動エネルギーとして利用する自動車である。燃料電池自動車は、外部から供給される水素を利用して発電した電力を駆動エネルギーとして利用する自動車である。
　ハイブリッドカーは、燃料と電力との両方を駆動エネルギーとして利用する自動車である。エンジン（内燃機関）自動車は、ガソリン、軽油等の燃料のみを駆動エネルギーとして利用する自動車である。
　本実施形態では、説明を簡明にするため、実施形態１と重複する説明は適宜省略する。
　図１４は、本発明の実施形態２に係る交通管理システム２００の構成を示す図である。交通管理システム２００は、実施形態１に係る交通管理装置１０２の代わりに、交通管理装置２０２を備える。交通管理装置２０２は、実施形態１に係る推定部１０３の代わりに、推定部２０３を備える。これらを除いて、交通管理システム２００は、実施形態１に係る交通管理システム１００と同様に構成さえるとよい。
　推定部２０３は、実施形態１と同様に、ネットワークＮを介して生成装置１０１＿ｉのそれぞれから画像情報ＰＩ＿ｉを取得する。推定部２０３は、生成装置１０１＿ｉから取得した画像情報ＰＩ＿ｉを用いて、道路Ｒにおける排気ガス量を推定する。
　交通管理システム２００は、物理的には、実施形態１に係る交通管理システム１００と同様に構成されるとよい。
（交通管理システム２００の動作）
　ここから、交通管理システム２００の動作について、図を参照して説明する。
　本実施形態に係る生成処理は、実施形態１と同様でよい。
　図１５は、本実施形態２に係る交通管理処理の一例を示すフローチャートである。交通管理装置２０２は、稼働中に交通管理処理を繰り返し実行する。本実施形態に係る交通管理処理は、実施形態１に係る推定処理（ステップＳ１０１）の代わる推定処理（ステップＳ２０１）を含む。この点を除いて、本実施形態に係る交通管理処理は、実施形態１と同様でよい。
　図１６は、推定処理（ステップＳ２０１）の詳細な一例を示すフローチャートである。推定処理（ステップＳ２０１）は、実施形態１に係るステップＳ１０１ｂ～Ｓ１０１ｃに代わるステップＳ２０１ｂ～Ｓ２０１ｃを含む。この点を除いて、本実施形態に係る推定処理（ステップＳ２０１）は、実施形態１と同様でよい。
　図１７は、分析処理（ステップＳ２０１ｂ）の詳細な一例を示すフローチャートである。
　推定部１０３は、ステップＳ１０１ａにて取得された画像情報ＰＩ＿１～ＰＩ＿Ｍの各々について、ステップＳ２０１ｂ＿２～Ｓ２０１ｂ＿５を繰り返す（ステップＳ２０１ｂ＿１；ループＢ）。
　推定部２０３は、画像情報ＰＩ＿ｉを分析し、実施形態１と同様に、画像情報ＰＩ＿ｉに１以上の車両Ｃが含まれる場合に、ＩＤ取得装置１０５ａから取得する車両ＩＤに従って、当該１以上の車両Ｃの各々に車両ＩＤを付与する。推定部２０３は、さらに、その車種を特定する（ステップＳ２０１ｂ＿２）。すなわち、推定部２０３は、画像情報ＰＩ＿ｉに基づいて、車両の種別を推定する。
　なお、推定部２０３は、変形例１で説明したように車両情報を取得してもよく、この場合、車種、燃焼の種類、排気ガス量の少なくとも１つを用いて車両の種別を推定してもよい。
　本実施形態に係る分析モデルは、車両ＩＤに加えて、車種を出力する点で実施形態１に係る分析モデルと異なる。
　すなわち、本実施形態に係る分析モデルは、時刻Ｔ２及び時刻Ｔ１の画像情報ＰＩ＿ｉを入力すると、画像情報ＰＩ＿ｉに含まれる車両Ｃの各々の車両ＩＤと車種とを関連付けた情報を出力する。
　本実施形態に係る分析モデルの学習時のインプットデータは、実施形態１と同様でよい。本実施形態に係る分析モデルでは、学習時の教師データが、例えば、複数の画像情報に含まれる車両Ｃの各々を識別する情報に加えて、当該車両Ｃの各々の車種を正解として含む。
　図１８は、図１０に相当する図である。すなわち、図１８は、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる画像と、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉをインプットデータとして、本実施形態に係る分析モデルが分析した結果の一例を示す図である。
　同図の例では、時刻Ｔ１の画像情報ＰＩ＿ｉは、車両Ｃ１，Ｃ２と車両Ｃ３の一部とを含む。時刻Ｔ１の画像情報ＰＩ＿ｉの分析の結果、車両Ｃ１～Ｃ３それぞれの車両ＩＤ及び車種は、順に、「００１及び車種Ａ」、「００２及び車種Ｂ」、「００３及び車種Ｃ」と特定されている。
　分析モデルは、実施形態１と同様に、車両Ｃの共通性を判定する。その結果、実施形態１と同様に、分析モデルは、時刻Ｔ２の画像情報ＰＩ＿ｉに、車両Ｃ１と車両Ｃ２，Ｃ４の一部とが含まれていると判定したとする。
　このような場合、同図に示すように、分析モデルは、時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる車両Ｃ１，Ｃ２には、時刻Ｔ１の画像情報ＰＩ＿ｉに含まれる車両Ｃ１，Ｃ２のそれぞれと同じ車両ＩＤを付与する。また、時刻Ｔ１の画像情報ＰＩ＿ｉに含まれる車両Ｃ１，Ｃ２には、それぞれ、時刻Ｔ１の画像情報ＰＩ＿ｉに基づいて得られた車種「車種Ａ」、「車種Ｂ」を特定する。
　推定部２０３は、時刻Ｔ２の画像情報ＰＩ＿ｉに含まれる車両Ｃ４には、例えば、時刻Ｔ１の他の画像情報ＰＩ＿ｉ＋１の分析において車両Ｃ４に付与された車両ＩＤ「００４」を付与する。また、同図の例では、推定部２０３は、分析モデルの出力に従って、車両ＩＤ「００４」の車両Ｃの車種を「車種Ｄ」と特定している。
　なお、推定部２０３は、パターンマッチングなどの公知の種々の画像処理技術を用いて車種を特定してもよい。
　図１７を再び参照する。
　推定部２０３は、ステップＳ２０１ｂ＿２にて特定された車種に基づいて、車両Ｃの各々について、車両の種類を特定する（ステップＳ２０１ｂ＿３）。
　詳細には、推定部２０３は、予め保持する車種データ２１０を用いて、車両の種類を特定する。車種データ２１０は、車種と車両の種類とを対応付けるデータである。図１９は、車種データ２１０の一例を示す図である。
　なお、車両の種類を特定する方法は、これに限られない。上述の分析モデルは、車種の代わりに、車両の種類を出力してもよい。
　この場合の分析モデルは、時刻Ｔ１及び時刻Ｔ２の画像情報ＰＩ＿ｉを入力として、画像情報ＰＩ＿ｉに含まれる車両Ｃの各々の車両ＩＤと車両の種類とを関連付けた情報を出力する。学習時の分析モデルへのインプットデータは、分析モデルの学習時のインプットデータと同様でよい。教師データは、車種の代わりに、車両の種類を含むとよい。
　図１７を再び参照する。
　推定部２０３は、ステップＳ２０１ｂ＿２及びＳ２０１ｂ＿３での処理の結果に基づいて、分析結果２０７を生成する（ステップＳ２０１ｂ＿４）。
　図２０は、分析結果２０７の一例を示す図である。分析結果２０７は、領域ＩＤ、時刻、車両ＩＤ、車両の種類を関連付ける情報である。
　車両の種類は、これに関連付けられた車両ＩＤを用いて識別される車両Ｃについて、ステップＳ１０１ｂ＿３にて特定された車両の種類である。
　同図に示す分析結果２０７は、上述の時刻Ｔ１及び時刻Ｔ２における画像情報ＰＩ＿ｉを基に分析を行った結果を含む。
　図１７を再び参照する。
　推定部２０３は、ステップＳ２０１ｂ＿４にて生成した分析結果２０７を保持する（ステップＳ２０１ｂ＿５）。推定部２０３は、画像情報ＰＩ＿１～ＰＩ＿Ｍの各々について、ステップＳ２０１ｂ＿２～Ｓ２０１ｂ＿５を実行すると、推定処理（ステップＳ２０１）に戻る。
　なお、推定部１０３は、パターンマッチングなどの公知の種々の画像処理技術を用いて車種を特定してもよい。
　図１６を再び参照する。
　推定部２０３は、分析結果２０７を用いて、道路Ｒにおける車両Ｃの排気ガス量を推定する（ステップＳ２０１ｃ）。
　推定部２０３は、実施形態１と同様に、排気ガス量を推定するための推定モデルを用いて、対象領域Ｐ＿１～Ｐ＿Ｍの各々における各車両Ｃの排気ガス量と、道路Ｒの全体における各車両Ｃの排気ガス量Ｈとを推定する。推定モデルへ入力する情報は、分析結果２０７である。
　本実施形態では、推定部２０３が用いる推定モデルが実施形態１とは異なる。本実施形態に係る推定モデルについて説明する。
（推定モデルの例２）
　本実施形態に係る推定モデルは、車両の種類ごとのモデルを含む。推定モデルは、各車両Ｃの単位時間当たりの排気ガス量が車両の種類ごとに一定であると仮定したモデルである。すなわち、本実施形態に係る車両の種類ごとのモデルは、単位時間当たりの排気ガス量を、車両の種類ごとに定められた定数で表す。
　車両の種類ごとの単位時間当たりの排気ガス量（排出係数）は、適宜定められてよいが、例えば、各種類の車両Ｃが所定速度で走行した時の排気ガス量に基づいて決定される。所定速度は、適宜定められてよいが、例えば、道路Ｒの平均的な走行速度である。排出係数は、車両Ｃに取り付けたセンサ（例えば、流量センサ、ＣＯ２センサ）に基づいて実験的に得られる値であってもよく、車両Ｃのカタログに掲載された値などに基づいて決定される値であってもよい。
　このような推定モデルの例として、上述の式（１）及び以下の式（４）により表されるモデルを挙げることができる。
Figure JPOXMLDOC01-appb-M000004
　Ｋ（Ｍｉ）は、排出係数である。本実施形態に係る排出係数は、車両の種類ごとの単位時間当たりの排気ガス量である。
　Ｍｉは、車両の種類である。
　推定部２０３は、車両Ｃが対象領域Ｐ＿ｉから出たときに、式（４）を用いて、対象領域Ｐ＿１～Ｐ＿Ｍの各々における車両Ｃの各々の排気ガス量Ｇｉを取得する。推定部２０３は、実施形態１と同様の領域別の推定結果１０８（図１２参照）を生成する。
　また、推定部２０３は、実施形態１と同様に、車両Ｃが対象領域Ｍを出たとき、すなわち車両Ｃが道路Ｒを出るときに、式（１）を用いて、当該車両Ｃの排気ガス量Ｈを取得する。推定部２０３は、実施形態１と同様の道路全体の推定結果１０９を生成する。
　ステップＳ１０１ｄ以降の処理は、実施形態１と同様であるので、説明を省略する。
　これまで、本発明の実施形態２について説明した。
　本実施形態によれば、推定部２０３は、道路Ｒを通行する車両Ｃの種類を用いて、道路Ｒにおける排気ガス量を推定する。
　これにより、道路Ｒにおける排気ガス量をより正確に推定することができる。そのため、排気ガス量を少なくするように対象車両の利用者を、より強く動機づけることができる。従って、排気ガス量をより一層削減することが可能になる。
（変形例３）
　実施形態２では、車両の種類が、電気自動車、燃料電池自動車（水素自動車とも言われる。）、ハイブリッドカー、エンジン（内燃機関）自動車である場合を例に説明した。しかし、車両の種類は、これに限られない。
　駆動エネルギーの構成によって分類される車両の種類は、さらに細分化されてもよく、ここで例示した複数の車両の種類が１つにまとめられてもよい。例えば、エンジン自動車は、ガソリンカー、ディーゼルカー等にさらに細分化されてもよい。また例えば、電気自動車と燃料電池自動車とは、駆動エネルギーが電力のみである自動車として１つの分類にまとめられてもよい。さらに、車両の種類を分類する基準は、駆動エネルギーの構成に限られない。車両の種類は、例えば、車種であってもよい。
　これによっても、実施形態２と同様の効果を奏する。
（変形例４：推定モデルの例３）
　本変形例に係る推定モデルは、車両タイプごとの複数のモデルを含む点では実施形態２に係る推定モデルと同様である。本変形例に係る推定モデルは、車両タイプごとの単位時間当たりの排気ガス量（排出係数）を、走行状態を変数とする関数で表す。
　排出係数を規定する関数は、例えば、車両タイプ別の平均的な車両ＣのＣＯ２排出量を表す関数であり、車両Ｃに取り付けたセンサ（例えば、流量センサ、ＣＯ２センサ）に基づいて実験的に決定されてもよく、車両Ｃのカタログに掲載された値などに基づいて決定されてもよい。
　このような推定モデルの例として、上述の式（１）及び以下の式（５）により表されるモデルを挙げることができる。
Figure JPOXMLDOC01-appb-M000005
　Ｋ（Ｘ，Ｙ）は、排出係数である。本変形例に係る排出係数は、上述の通り、車両タイプごとの単位時間当たりの排気ガス量である。
　Ｋ（Ｘ，Ｙ）は、車両タイプがＸと走行状態Ｙとを変数として含む。そのため、この排出係数は、車両タイプがＸ、走行状態がＹである場合の車両Ｃの単位時間当たりの排気ガス量である。本実施形態では、Ｋ（Ｘ，Ｙ）は、上述の通り、車両タイプＸごとに決定された関数であり、走行速度、加速度、アイドリングストップ状態及び積載量を含む走行状態Ｙを変数とする。
　ＲＳｉは、走行状態を表す。ＲＳｉは、例えば、走行速度、加速度、アイドリングストップ状態、積載量などの１つ以上の値を成分とするベクトル量である。
　アイドリングストップ状態は、停止している車両Ｃについて、アイドリングストップをしているか否かを示す。アイドリングストップ状態の値には、例えば、アイドリングしているか否かに対応付けて予め定めた値が設定されるとよい。具体的には例えば、アイドリングしていることは「１」とし、アイドリングしていないことは「０」とされるとよい。
　走行状態については、例えば分析処理（ステップＳ２０１ｂ）にて推定部２０３が取得するとよい。例えば、ステップＳ２０１ｂ＿２において、推定部２０３が画像情報ＰＩ＿ｉの分析に基づいて、走行速度、加速度、アイドリングストップ状態及び積載量の一部又は全部を取得する。
　例えば、推定部２０３は、走行速度、加速度の各々を、異なる撮影時刻を含む複数の画像情報ＰＩ＿ｉに含まれる車両Ｃの位置の変化と時間差とに基づいて取得する。
　例えば、推定部２０３は、アイドリングストップ状態を、車両Ｃの振動と予め定められた閾値とを比較した結果に基づいて取得する。例えば、推定部２０３は、車両Ｃの振動が閾値以上である場合、アイドリングストップをしていないと判定する。推定部２０３は、車両Ｃの振動が閾値未満である場合、アイドリングストップをしていると判定される。
　例えば、推定部２０３は、積載量を、車両Ｃの沈み込み量に基づいて取得する。推定部２０３は、車両Ｃの沈み込み量を、分析の対象である画像情報ＰＩ＿ｉの分析を用いて得られる当該車両Ｃの車高と、当該車両Ｃと同じ車種の車両の標準的な車高とを比較することで取得してもよい。
　また例えば、車両情報は、走行速度、加速度、アイドリングストップ状態、積載量の１つ以上を含んでもよい。車両Ｃが重量センサを備える場合、車載装置は、重量センサを用いて取得された積載量を含む車両情報を生成することができる。
　このような場合、ステップＳ２０１ｂ＿２において、推定部２０３は、車両情報の分析に基づいて、走行速度、加速度、アイドリングストップ状態及び積載量を取得してもよい。
　本実施形態によれば、推定部２０３は、道路Ｒを通行する車両Ｃの走行状態を用いて、道路Ｒにおける排気ガス量を推定する。
　これにより、道路Ｒにおける排気ガス量をより正確に推定することができる。そのため、排気ガス量を少なくするように対象車両の利用者を、より強く動機づけることができる。従って、排気ガス量をより一層削減することが可能になる。
＜＜実施形態３＞＞
　実施形態１及び２では、出口ゲートＧ２を通過する際に精算する例、すなわち道路Ｒを通行した後に通行料を支払う後払いの場合を例に説明した。しかし、通行料は前払いであってもよい。本実施形態では、入口ゲートＧ２を通過する際に精算する例を説明する。
　図２１は、本発明の実施形態３に係る交通管理システム３００の構成を示す図である。交通管理システム３００は、実施形態１と同様の複数の生成装置１０１＿１～１０１＿Ｍを備える。また、交通管理システム３００は、実施形態１に係る交通管理装置１０２に代わる交通管理装置３０２を備える。さらに、交通管理システム３００は、精算装置３０５ａと、別の精算装置３０５ｂとを備える。
　精算装置３０５ａと精算装置３０５ｂとは、道路Ｒに付設される設備である。精算装置３０５ａは、入口ゲートＧ１に設置される。精算装置３０５ｂは、出口ゲートＧ２に設置される。
　精算装置３０５ａと精算装置３０５ｂとの各々は、ネットワークＮを介して交通管理装置３０２と互いに接続されている。そのため、精算装置３０５ａと交通管理装置３０２とは、互いに情報を送受信することができる。精算装置３０５ｂと交通管理装置３０２とは、互いに情報を送受信することができる。
　精算装置３０５ａは、道路Ｒに入る車両Ｃを検出するとともに、検出した車両Ｃを対象車両として、道路Ｒを通行するための通行料を精算するための装置である。
　精算装置３０５ａは、車両Ｃに搭載された車載器（図示せず）と無線で通信する。車載器は、例えば、精算装置３０５ａ，３０５ｂなどとともにＥＴＣを構成する装置である。
　精算装置３０５ａは、車載器との通信を用いて、道路Ｒに入った車両Ｃを検出するとともに、当該車載器から車両ＩＤを取得する。精算装置３０５ａは、車載器から取得した対象車両の車両ＩＤを含む第１の決定指示を交通管理装置１０２へネットワークＮを介して送信する。精算装置３０５ａは、第１の決定指示に応じて、交通管理装置３０２から対象車両の通行料を取得する。精算装置３０５ａは、交通管理装置３０２が決定した通行料に従って、対象車両の通行料の精算を行う。
　精算装置３０５ｂは、道路Ｒから出る車両Ｃを検出するとともに、検出した車両Ｃを対象車両として、通行料を割り引くための装置である。本実施形態では、前払いで支払われた通行料の少なくとも一部を払い戻すことで、通行料を割り引く例を説明する。通行料を割り引く方法は、これに限らず、クーポン券を発行すること、当該道路Ｒを次回走行するときに使える割引券を発行することなどで行われてもよい。
　精算装置３０５ｂは、精算装置３０５ａと同様に、車両Ｃに搭載された車載器（図示せず）と無線で通信する。
　精算装置３０５ｂは、車載器との通信を用いて、道路Ｒに入った車両Ｃを検出するとともに、当該車載器から車両ＩＤを取得する。精算装置３０５ｂは、車載器から取得した対象車両の車両ＩＤを含む第２の決定指示を交通管理装置１０２へネットワークＮを介して送信する。精算装置３０５ｂは、第２の決定指示に応じて、交通管理装置３０２から対象車両の通行料を取得する。精算装置３０５ｂは、交通管理装置３０２が決定した通行料に従って、対象車両の通行料の精算を行う。
　交通管理装置３０２は、精算装置３０５ａが設けられた入口ゲートＧ１を通過する車両Ｃを対象車両として、対象車両が道路Ｒを通行するための通行料を決定する。また、交通管理装置３０２は、精算装置３０５ｂが設けられた出口ゲートＧ２を通過する車両Ｃを対象車両として、対象車両が道路Ｒを通行するための通行料を決定する。
　図２２は、本実施の形態に係る交通管理装置３０２の機能的な構成を示す図である。交通管理装置３０２は、実施形態１と同様の推定部１０３と、実施形態１に係る決定部１０４に代わる決定部３０４とを備える。
　推定部１０３は、実施形態１と同様に、道路Ｒにおける対象車両の排気ガス量を推定する。また、推定部１０３は、対象車両より前に道路Ｒを通行する１以上の車両Ｃの対象領域Ｐにおける排気ガス量を推定する。
　決定部３０４は、推定部１０３が推定した排気ガス量を用いて、対象車両が道路Ｒを通行するための通行料を決定する。
　本実施形態では、上述の通り、精算装置３０５ａは、車両Ｃが道路Ｒへ入るときに通行料を精算する。そのため、対象車両は、精算装置３０５ａが設けられた入口ゲートＧ１を通過する車両Ｃである。すなわち、本実施形態では、道路Ｒに入る車両が対象車両となる。
　また上述の通り、精算装置３０５ｂは、車両Ｃが道路Ｒから出るときに通行料の払い戻しの精算をする。そのため、対象車両は、精算装置３０５ｂが設けられた出口ゲートＧ２を通過する車両Ｃでもある。すなわち、本実施形態では、道路Ｒを通行する車両Ｃの各々が、出口ゲートＧ２を通過するときにも、対象車両となる。
（交通管理システム３００の物理的構成）
　交通管理装置３０２は、物理的には、実施形態１に係る交通管理装置１０２と同様に構成されるとよい。精算装置３０５ａ，３０５ｂの各々は、物理的には、実施形態１に係る精算装置１０５ｂと同様に構成されるとよい。
（交通管理システム３００の動作）
　ここから、交通管理システム３００の動作について、図を参照して説明する。
　本実施形態に係る生成処理は、実施形態１と同様でよい。
　図２３は、本実施形態に係る交通管理処理の一例を示すフローチャートである。交通管理装置３０２は、稼働中に交通管理処理を繰り返し実行する。
　推定部１０３は、実施形態１と同様のステップＳ１０１を実行する。
　決定部３０４は、対象車両があるか否かを判定する（Ｓ３０３）。対象車両は、上述の通り、入口ゲートＧ１を通過する車両及び出口ゲートＧ２を通過する車両Ｃである。
　第１の決定指示と第２の決定指示とのいずれも取得しない場合、決定部３０４は、対象車両がないと判定する（ステップＳ３０３；Ｎｏ）。この場合、推定部１０３は、ステップＳ１０１を再び実行する。
　第１の決定指示と第２の決定指示とのいずれかを取得した場合、決定部３０４は、対象車両があると判定する（ステップＳ３０３；Ｙｅｓ）。決定部３０４は、取得した決定指示が第１の決定指示であるか否かを判定する（ステップＳ３０５）。
（第１の開始指示を取得した場合の決定処理）
　第１の決定指示であると判定した場合（ステップＳ３０５；Ｙｅｓ）、決定部３０４は、領域別の推定結果１０８に基づいて、対象車両が道路Ｒを通行するための通行料を決定する（ステップＳ３０２ａ）。
　詳細には例えば、決定部３０４は、領域別の推定結果１０８に基づいて、現在の道路Ｒの全体における車両Ｃの排気ガス量を取得する。現在の道路Ｒの全体における車両Ｃの排気ガス量とは、道路Ｒを通行中の車両Ｃの排気ガス量の合計である。例えば、決定部３０４は、現在の時刻（或いは、現在の時刻から予め定められた範囲の時刻）を含む領域別の推定結果１０８に含まれる領域別の排気ガス量を足し合わせることで、現在の道路全体における車両Ｃの排気ガス量を取得する。
　決定部３０４は、予め定められた第２の決定規則に従って、対象車両の通行料を決定する。決定部３０４は、決定した通行料を含む料金情報を生成する。料金情報は、対象車両の車両ＩＤをさらに含むとよい。
　第２の決定規則は、通行料を決定するための規則である。第２の決定規則は、計算式、表などを用いて、現在の道路Ｒの全体における排気ガス量と通行料との関係を定める。
　第２の決定規則は、例えば、現在の道路Ｒの全体における車両Ｃの排気ガス量が多いほど、通行料が高くなる関係を定める。このような第２の決定規則に従って、決定部１０４は、道路Ｒにおける排気ガス量が多いほど、金額が高くなるように対象車両の通行料を決定する。
　対象車両は、道路Ｒに入ろうとしている車両Ｃである。決定部３０４は、この対象車両の通行料を、既に道路Ｒを通行している車両Ｃの排気ガス量に基づいて決定する。すなわち、決定部３０４は、対象車両より前に道路Ｒを通行する１以上の車両の道路Ｒにおける排気ガス量を用いて、対象車両の通行料を決定する。
　決定部３０４は、料金情報を精算装置３０５ａと精算装置３０５ｂとの各々へネットワークＮを介して、料金情報を送信する（ステップＳ３０４ａ）。推定部１０３は、ステップＳ１０１を再び実行する。
　精算装置３０５ａは、ネットワークＮを介して決定部３０４から料金情報を取得する。精算装置３０５ａは、対象車両の車載器（図示せず）と無線で通信し、料金情報に従って、対象車両の通行料の精算処理を行う。
（第２の開始指示を取得した場合の決定処理）
　第１の決定指示でないと判定した場合（ステップＳ３０５；Ｎｏ）、決定部３０４は、道路全体の推定結果１０９を参照して、第２の決定指示に含まれる車両ＩＤ、すなわち対象車両の車両ＩＤの道路Ｒの全体における排気ガス量Ｈを取得する。決定部３０４は、実施形態１と同様の第１の決定規則に従って、対象車両の通行料を決定する（ステップＳ３０２ｂ）。
　ステップＳ３０２ｂにおいて、決定部３０４は、決定した通行料を含む料金情報を生成する。料金情報は、対象車両の車両ＩＤをさらに含むとよい。
　決定部３０４は、料金情報を精算装置３０５ｂへネットワークＮを介して送信する（ステップＳ３０４ｂ）。推定部１０３は、ステップＳ１０１を再び実行する。
　精算装置３０５ｂは、ステップＳ３０４ａ及びステップＳ３０４ｂの各々で送信された料金情報を取得する。同じ対象車両（すなわち、車両ＩＤが同じ対象車両）について、ステップＳ３０４ａにて送信された料金情報に含まれる通行料を、「通行料Ｍ１」とする。ステップＳ３０４ｂにて送信された料金情報に含まれる通行料を、「通行料Ｍ２」とする。
　精算装置３０５ｂは、通行料Ｍ１が通行料Ｍ２よりも大きい場合に、その差額を払い戻し金額として決定する。精算装置３０５ｂは、決定した払い戻し金額に従って、対象車両の通行料の払い戻しの精算を行う。
　すなわち、本実施形態に係る決定部３０４は、対象車両の道路Ｒにおける排気ガス量をさらに用いて、対象車両の通行料を決定する。
　通行料Ｍ１は、上述の通り、対象車両よりも前に道路Ｒを通行する車両Ｃの道路Ｒにおける排気ガス量に基づいて決定された通行料である。通行料Ｍ２は、対象車両が実際に道路Ｒを通行した結果に基づいて決定された通行料である。払い戻しを行うことで、少ない排気ガス量で道路Ｒを通行したと推定される対象車両に払い戻しの精算を行うことができる。そのため、排気ガス量を少なくするように対象車両の利用者を動機づけることができる。
　これまで、本発明の実施形態３について説明した。
　本実施形態によれば、推定部１０３は、対象車両より前に道路Ｒを通行する１以上の車両Ｃの道路Ｒにおける排気ガス量を推定する。
　これにより、対象車両より前に道路Ｒを通行する車両の排気ガス量を用いて、対象車両が道路Ｒを通行するための通行料を決定することができる。そのため、排気ガス量が少ない道路Ｒを通行するように、対象車両の利用者を動機づけることができる。排気ガス量が少ない測定地点では、一般的に、車両Ｃの通行が円滑であり、当該車両Ｃからの排気ガス量は少なくすることが多い。従って、排気ガス量を削減することが可能になる。
　本実施形態によれば、推定部１０３は、道路区間における対象車両の排気ガス量をさらに推定する。決定部３０４は、対象車両より前に道路Ｒを通行する１以上の車両Ｃの道路Ｒにおける排気ガス量と、道路Ｒにおける対象車両の排気ガス量との両者を用いて、対象車両の通行料を決定する。
　これにより、対象車両より前に道路Ｒを通行する車両の排気ガス量を用いて通行料を決定することで、排気ガス量が少ない道路Ｒを通行するように、対象車両の利用者を動機づけることができる。また、対象車両が排気ガス量が比較的多い道路Ｒを通行する場合であっても、対象車両の排気ガス量を用いて通行料を決定することで、対象車両が排気ガス量を少なくするように対象車両の利用者を動機づけることができる。従って、排気ガス量を削減することが可能になる。
　本実施形態によれば、道路Ｒにおける対象車両の排気ガス量に基づいて、決定した通行料の少なくとも一部を割り引くための処理を行う。
　これにより、上述の通り、排気ガス量を少なくするように対象車両の利用者を動機づけることができる。従って、排気ガス量を削減することが可能になる。
（変形例５）
　実施形態３では、決定部３０４が、対象車両の道路Ｒにおける排気ガス量に基づいて、決定した通行料を割り引くための処理を行う例を説明した。決定部３０４は、対象車両の道路Ｒにおける排気ガス量と、道路Ｒにおける対象車両の走行状態を示す走行情報との少なくとも１つに基づいて、決定した通行料を割り引くための処理を行えばよい。
　走行状態は、上述の通り、走行速度、加速度、アイドリングストップ状態、積載量などである。走行情報は、走行速度、加速度、アイドリングストップ状態、積載量などの一部又は全部を含むとよい。
　変形例４において説明したように、走行状態は、画像情報ＰＩ＿ｉと車両情報との一方又は両方に基づいて取得することができる。
　本変形例によっても、実施形態３と同様の効果を奏する。
（変形例６）
　決定部１０４，３０４は、道路区間の周辺における二酸化炭素吸収体（ＣＯ２吸収体）に関する吸収体情報をさらに用いて、対象車両の通行料を決定してもよい。ＣＯ２吸収体は、樹木等の植物、ＣＯ２を吸収する機能を備えた塗装及び部材等であり、このような塗装や部材は例えば建造物の壁面に設けられる。ＣＯ２吸収体に関する情報は、例えば、ＣＯ２吸収体が設置される位置、ＣＯ２吸収体が設置される数や面積、設置されたＣＯ２吸収体がＣＯ２を吸収する能力を示す値等の少なくとも１つを含む。決定部１０４，３０４は、例えば、外部の装置からネットワークＮを介して吸収体情報を取得するとよい。
　決定部１０４，３０４は、例えば、吸収体情報をさらに用いて、道路における排気ガス量を用いて決定される通行料を調整する。調整の方法の例としては、ＣＯ２吸収体の量が基準値よりも多い道路Ｒでは通行料を安くすること、ＣＯ２吸収体の量が基準値よりも少ない道路区間では通行料を高くすることなどがある。
　本変形例によれば、ＣＯ２吸収体が多くのＣＯ２を吸収する道路Ｒを通行するように対象車両の利用者を動機づけることができる。従って、排気ガス量を削減することが可能になる。
　以上、図面を参照して本発明の実施の形態及び変形例について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。
　また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、実施の形態の各々で実行される工程の実行順序は、その記載の順番に制限されない。実施の形態の各々では、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の実施の形態及び変形例は、内容が相反しない範囲で組み合わせることができる。
　上記の実施の形態の一部または全部は、以下の付記のようにも記載されうるが、以下に限られない。
１．
　車両の排気ガス量を推定する推定手段と、
　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定する決定手段とを備える
　交通管理装置。
２．
　前記推定手段は、前記対象車両より前に前記道路区間を通行する１以上の車両の前記道路区間における排気ガス量推定する
　付記１．に記載の交通管理装置。
３．
　前記推定手段は、前記道路区間における前記対象車両の排気ガス量をさらに推定し、
　前記決定手段は、前記対象車両より前に前記道路区間を通行する１以上の車両の前記道路区間における排気ガス量と前記道路区間における前記対象車両の排気ガス量の両者を用いて、前記対象車両の前記通行料を決定する
　付記２．に記載の交通管理装置。
４．
　前記決定手段は、前記道路区間の周辺における二酸化炭素吸収体に関する情報をさらに用いて、前記対象車両の前記通行料を決定する
　付記３．に記載の交通管理装置。
５．
　前記推定手段は、前記道路区間における前記対象車両の排気ガス量を推定する
　付記１．に記載の交通管理装置。
６．
　前記決定手段は、前記対象車両の排気ガス量が推定された前記道路区間における前記対象車両の前記通行料を決定する
　付記５．に記載の交通管理装置。
７．
　前記決定手段は、前記対象車両の排気ガス量が推定された前記道路区間を通行した後に前記対象車両が通行する他の道路区間における前記対象車両の前記通行料を決定する
　付記５．に記載の交通管理装置。
８．
　前記推定手段は、前記道路区間の二酸化炭素濃度、画像 、車両から取得した車両情報 の少なくともいずれか１つを用いて、前記排気ガス量を推定する
　付記１．から４．のいずれか１つに記載の交通管理装置。
９．
　前記決定手段は、さらに、前記道路区間における前記対象車両の排気ガス量と、前記道路区間における前記対象車両の走行状態を示す走行情報との少なくとも１つに基づいて、前記決定した通行料の少なくとも一部を割り引くための処理を行う
　付記１．から８．のいずれか１つに記載の交通管理装置。
１０．
　前記決定手段は、前記推定された排気ガス量が多いほど、金額が高くなるように前記対象車両の前記通行料を決定する
　付記１．から９．のいずれか１つに記載の交通管理装置。
１１．
　付記１．から１０．のいずれか１つに記載の交通管理装置と、
　前記車両の排気ガス量を推定するための情報を生成する生成装置とを備える
　交通管理システム。
１２．
　コンピュータが、
　車両の排気ガス量を推定し、
　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定することを含む
　交通管理方法。
１３．
　コンピュータに、
　車両の排気ガス量を推定し、
　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定することを実行させるためのプログラムが記録された記録媒体。 
１１．
　コンピュータに、
　車両の排気ガス量を推定し、
　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定することを実行させるためのプログラム。 
１００，２００，３００　交通管理システム
１０１　生成装置
１０２，２０２，３０２　交通管理装置
１０３，２０３　推定部
１０４，３０４　決定部
１０５ａ　ＩＤ取得装置
１０５ｂ，３０５ａ，３０５ｂ　精算装置
１０７，２０７　分析結果
１０８，１０９，２０８　推定結果
２１０　車種データ
Ｇ１　入口ゲート
Ｇ２　出口ゲート

Claims (13)

  1. 　車両の排気ガス量を推定する推定手段と、
    　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定する決定手段とを備える
    　交通管理装置。
  2. 　前記推定手段は、前記対象車両より前に前記道路区間を通行する１以上の車両の前記道路区間における排気ガス量を推定する
    　請求項１に記載の交通管理装置。
  3. 　前記推定手段は、前記道路区間における前記対象車両の排気ガス量をさらに推定し、
    前記決定手段は、前記対象車両より前に前記道路区間を通行する１以上の車両の前記道路区間における排気ガス量と前記道路区間における前記対象車両の排気ガス量の両者を用いて、前記対象車両の前記通行料を決定する
    　請求項２に記載の交通管理装置。
  4. 　前記決定手段は、前記道路区間の周辺における二酸化炭素吸収体に関する情報をさらに用いて、前記対象車両の前記通行料を決定する
    　請求項３に記載の交通管理装置。
  5. 　前記推定手段は、前記道路区間における前記対象車両の排気ガス量を推定する
    　請求項１に記載の交通管理装置。
  6. 　前記決定手段は、前記対象車両の排気ガス量が推定された前記道路区間における前記対象車両の前記通行料を決定する
    　請求項５に記載の交通管理装置。
  7. 　前記決定手段は、前記対象車両の排気ガス量が推定された前記道路区間を通行した後に前記対象車両が通行する他の道路区間における前記対象車両の前記通行料を決定する
    　請求項５に記載の交通管理装置。
  8. 　前記推定手段は、前記道路区間の二酸化炭素濃度、画像、車両から取得した車両情報の少なくともいずれか１つを用いて、前記排気ガス量を推定する
    　請求項１から７のいずれか１項に記載の交通管理装置。
  9. 　前記決定手段は、さらに、前記道路区間における前記対象車両の排気ガス量と、前記道路区間における前記対象車両の走行状態を示す走行情報との少なくとも１つに基づいて、前記決定した通行料の少なくとも一部を割り引くための処理を行う
    　請求項１から８のいずれか１項に記載の交通管理装置。
  10. 　前記決定手段は、前記推定された排気ガス量が多いほど金額が高くなるように、前記対象車両の前記通行料を決定する
    　請求項１から９のいずれか１項に記載の交通管理装置。
  11. 　請求項１から１０のいずれか１項に記載の交通管理装置と、
    　前記車両の排気ガス量を推定するための情報を生成する生成装置とを備える
    　交通管理システム。
  12. 　コンピュータが、
    　車両の排気ガス量を推定し、
    　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定することを含む
    　交通管理方法。
  13. 　コンピュータに、
    　車両の排気ガス量を推定し、
    　前記推定された排気ガス量を用いて、対象車両が所定の道路区間を通行するための通行料を決定することを実行させるためのプログラムが記録された記録媒体。
PCT/JP2022/012795 2022-03-18 2022-03-18 交通管理装置、交通管理システム、交通管理方法及び記録媒体 WO2023175957A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/012795 WO2023175957A1 (ja) 2022-03-18 2022-03-18 交通管理装置、交通管理システム、交通管理方法及び記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/012795 WO2023175957A1 (ja) 2022-03-18 2022-03-18 交通管理装置、交通管理システム、交通管理方法及び記録媒体

Publications (1)

Publication Number Publication Date
WO2023175957A1 true WO2023175957A1 (ja) 2023-09-21

Family

ID=88022993

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/012795 WO2023175957A1 (ja) 2022-03-18 2022-03-18 交通管理装置、交通管理システム、交通管理方法及び記録媒体

Country Status (1)

Country Link
WO (1) WO2023175957A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000172892A (ja) * 1998-12-08 2000-06-23 Omron Corp 車両料金算出システム
JP2004234356A (ja) * 2003-01-30 2004-08-19 Mitsubishi Heavy Ind Ltd 課金システム
JP2009199442A (ja) * 2008-02-22 2009-09-03 Mitsubishi Heavy Ind Ltd 自動車運転課金システム、その車載装置及び自動車運転課金方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000172892A (ja) * 1998-12-08 2000-06-23 Omron Corp 車両料金算出システム
JP2004234356A (ja) * 2003-01-30 2004-08-19 Mitsubishi Heavy Ind Ltd 課金システム
JP2009199442A (ja) * 2008-02-22 2009-09-03 Mitsubishi Heavy Ind Ltd 自動車運転課金システム、その車載装置及び自動車運転課金方法

Similar Documents

Publication Publication Date Title
Coelho et al. Effect of roundabout operations on pollutant emissions
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
Hobbs Traffic planning and engineering: Pergamon international library of science, technology, engineering and social studies
Peeta et al. Behavior-based analysis of freeway car–truck interactions and related mitigation strategies
Yao et al. Hybrid operations of human driving vehicles and automated vehicles with data-driven agent-based simulation
Milenković et al. Methodology for determining ecological benefits of advanced tolling systems
CN106355884A (zh) 一种基于车型分类的高速公路车辆引导系统及方法
Singh et al. Dealing with multicollinearity problem in analysis of side friction characteristics under urban heterogeneous traffic conditions
Kunytska et al. The sustainable and smart mobility strategy: Country comparative overview
He et al. Introducing electrified vehicle dynamics in traffic simulation
Lu et al. Characterizing CO2 and NOx emission of vehicles crossing toll stations in highway
Kumar et al. Moving Vehicles Detection and Tracking on Highways and Transportation System for Smart Cities
Chiguma Analysis of side friction impacts on urban roads: Case study Dar-es-Salaam
Botshekan et al. Smartphone-enabled road condition monitoring: From accelerations to road roughness and excess energy dissipation
Adamec et al. Modelling of traffic load by the datafromsky system in the smart city concept
WO2023175957A1 (ja) 交通管理装置、交通管理システム、交通管理方法及び記録媒体
Salihu et al. Effect of road slope on driving cycle parameters of urban roads
Arnesen et al. A forward Markov model for predicting bicycle speed
He et al. Drivers’ lane change maneuver and speed behavior in freeway work zones
Alhariqi et al. Impact of vehicle arrangement in mixed autonomy traffic on emissions
WO2023175955A1 (ja) 交通制御装置、交通制御システム、交通制御方法及び記録媒体
Mahmod Using co-operative vehicle-infrastructure systems to reduce traffic emissions and improve air quality at signalized urban intersections
Zhao et al. Traffic assignment in urban transportation network problem with emission constraints in China: a cooperative game theory
Piao et al. Estimating road surface condition using crowdsourcing
Bahmankhah et al. Assessing the overtaking lateral distance between motor vehicles and bicycles-influence on energy consumption and road safety

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: 22932227

Country of ref document: EP

Kind code of ref document: A1