JP2001084479A - Method and device for forecasting traffic flow data - Google Patents
Method and device for forecasting traffic flow dataInfo
- Publication number
- JP2001084479A JP2001084479A JP26107999A JP26107999A JP2001084479A JP 2001084479 A JP2001084479 A JP 2001084479A JP 26107999 A JP26107999 A JP 26107999A JP 26107999 A JP26107999 A JP 26107999A JP 2001084479 A JP2001084479 A JP 2001084479A
- Authority
- JP
- Japan
- Prior art keywords
- time
- data
- prediction
- traffic flow
- flow data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、道路交通情報の提
供や交通管制における信号制御、管理または運用に利用
するための交通流データを予測する装置、及び交通流デ
ータの予測方法に関し、特に、交通流データの的確な予
測を可能にしたものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a device for predicting traffic flow data for use in providing traffic information and controlling, managing or operating signals in traffic control, and a method for predicting traffic flow data. It enables accurate prediction of traffic flow data.
【０００２】[0002]
【従来の技術】交通流データの予測に関する従来技術に
は、特開平11-160454号公報に示すように、時系列信号
に対して自己回帰モデルやカルマンフィルターを用いた
り、特開平9-128678号公報に示すように、時間変化に対
して三角関数式を適用することにより、予測地点におけ
る予測対象データの時間的な継続性や変化傾向に基づい
て、その数学的モデルを用いて予測するものがある。2. Description of the Related Art As described in Japanese Patent Application Laid-Open No. H11-160454, prior art relating to prediction of traffic flow data uses an autoregressive model or a Kalman filter for a time-series signal. As shown in the gazette, by applying a trigonometric function equation to a time change, it is possible to make a prediction using a mathematical model based on the temporal continuity and change tendency of the prediction target data at the prediction point. is there.
【０００３】また、特開平10-312497号公報では、道路
の複数区間に設置したセンサデータより得られる速度や
交通密度を入力して、ニューラルネットワークを用いて
交通状況を予測し、特開平8-235483号公報では、データ
の伝播を考慮し、センサ間でのデータの類似性を用いて
時間的にシフトさせたりする方法により、交通流のデー
タを予測している。In Japanese Patent Application Laid-Open No. 10-312497, a traffic condition is predicted using a neural network by inputting speed and traffic density obtained from sensor data installed in a plurality of sections of a road. In Japanese Patent No. 235483, traffic flow data is predicted by a method of temporally shifting using the similarity of data between sensors in consideration of data propagation.
【０００４】一方、特開平5-287997号公報や、特開平6-
20188号公報では、過去の時間帯の交通量を用いて予め
求めたパターンや、決定論的時系列モデルから、交通量
の予測を行なっている。On the other hand, Japanese Patent Application Laid-Open Nos.
In Japanese Patent Application Publication No. 20188, traffic volume is predicted from a pattern obtained in advance using traffic volume in the past time zone and a deterministic time series model.
【０００５】なお、この明細書では、その時までのデー
タを用いて予測処理が行われる時点を「予測元時点」と
云うことにする。例えば、車両感知器から送られて来る
データに基づいて、５分ごとに交通流を予測する場合、
予測を行う５分ごとの各時点が「予測元時点」となる。
また、その予測元時点において予測しようとしている将
来の時点を「予測先時点」と云うことにする。予測元時
点において１０分後の交通流を予測する場合には、１０
分後の時点が「予測先時点」となる。[0005] In this specification, a point in time when the prediction process is performed using the data up to that point is referred to as a "prediction source point". For example, when predicting the traffic flow every 5 minutes based on the data sent from the vehicle sensor,
Each time point at which the prediction is performed every 5 minutes is a “prediction source time point”.
Further, a future time point to be predicted at the prediction source time point is referred to as a “prediction destination time point”. If the traffic flow after 10 minutes is predicted at the time of the prediction source, 10
The time point after the minute is the “predicted destination time point”.
【０００６】[0006]
【発明が解決しようとする課題】しかし、予測対象地点
または区間の予測元時点におけるデータの時間的継続性
や変動に基づいて交通流を予測する場合には、予測元時
点に時間的に近い時点データに影響される。従って、最
新データを処理して予測しなければならないため、予測
結果が得られるまでに大きな時間遅れを伴う可能性があ
る。また、時間的に近いデータが常に一致する状況を示
すとは限らない。However, when a traffic flow is predicted on the basis of the temporal continuity or fluctuation of data at the prediction source point of the prediction target point or section, a point in time that is temporally closer to the prediction source point is used. Affected by data. Therefore, since the latest data must be processed and predicted, there is a possibility that a large time delay may occur before a prediction result is obtained. In addition, data that is close in time does not always indicate a state of coincidence.
【０００７】また、隣接する地点や区間の空間的なデー
タを含めて予測を行う場合は、下流側等の近隣の影響を
考慮できるが、予測元時点でのデータを用いて交通流を
予測する従来の方法では、使用データが時系列的に側近
のデータだけであり、近隣の影響を十分に反映させるこ
とができない。[0007] When prediction is performed including spatial data of adjacent points and sections, the influence of the neighborhood such as the downstream side can be considered, but the traffic flow is predicted using the data at the time of the prediction. According to the conventional method, the data used is only the data in the neighborhood in time series, and the influence of the neighborhood cannot be sufficiently reflected.
【０００８】また、モデルに対してニューラルネットワ
ークを適用する場合には、学習が必要となり、かつ、経
年変化等の時系列的変動に伴ってモデルを逐次あるいは
定期的に更新する必要がある。また、ニューラルネット
ワークは構築後のモデル解析が複雑という問題もある。
ニューラルネットワークを含めて、時系列的な関係をモ
デルで構築する場合には、データ間に十分な関係がない
と良い精度のモデルを得ることは難しい。Further, when a neural network is applied to a model, learning is required, and the model needs to be updated successively or periodically according to time-series fluctuations such as secular change. Also, the neural network has a problem that the model analysis after construction is complicated.
When constructing a time-series relationship using a model including a neural network, it is difficult to obtain a model with good accuracy unless there is a sufficient relationship between data.
【０００９】一方、過去のデータから予め求めたパター
ンを用いて交通流を予測する場合には、予測対象の特性
に合わせた詳細なパターンを準備、構築する必要があ
り、そのために入念な解析を必要とする。加えて、この
パターンは静的なものであるため、道路や周辺状況の経
年変化を考慮すると定期的に再構築する必要性が発生す
る。On the other hand, when predicting a traffic flow using a pattern obtained in advance from past data, it is necessary to prepare and construct a detailed pattern that matches the characteristics of the prediction target. I need. In addition, since this pattern is static, it needs to be rebuilt periodically in consideration of aging of roads and surrounding conditions.
【００１０】また、予め求めたパターンではなく、記憶
した予測対象の時系列データと決定論的時系列モデルと
を用いて予測する場合には、過去の類似状況のデータを
活用できるが、利用しているのは予測対象のデータだけ
であり、交通状況に影響を及ぼす隣接区間のデータを取
り込んでいない。In the case where prediction is performed using stored time-series data of a prediction object and a deterministic time-series model instead of a pattern obtained in advance, data of a similar situation in the past can be used. Only the data to be predicted is included, and data for adjacent sections that affect traffic conditions are not taken in.
【００１１】本発明は、こうした従来の問題点を解決す
るものであり、過去の交通流データや近隣の交通流デー
タを有効に活用して、より的確に交通流データを予測す
ることができる交通流データ予測装置と、交通流データ
予測方法とを提供することを目的としている。The present invention is to solve such a conventional problem, and it is possible to more accurately predict traffic flow data by effectively utilizing past traffic flow data and neighboring traffic flow data. It is an object to provide a flow data prediction device and a traffic flow data prediction method.
【００１２】[0012]
【課題を解決するための手段】すなわち、本発明の交通
流データ予測装置は、道路上に任意間隔で設置した計測
手段の計測する交通流データや旅行時間データを用い
て、予測対象地点または区間の予測先時点における交通
流データを予測する交通流データ予測装置であって、予
測処理を行う予測元時点における予測対象区間の交通流
データと、予測元時点の交通流データの時系列または空
間分布状況に近似する分布状況を示す過去時点の交通流
データと、この過去時点より、予測対象区間の予測元時
点と予測先時点との時間差だけ経過した予測時点数先過
去時点を含む旅行時間データとから、予測対象区間の交
通流における平均車長、車頭距離速度係数、密度、旅行
速度、交通量、占有時間及び占有率の少なくとも１つを
推定または予測する処理部を備えている。That is, the traffic flow data prediction apparatus of the present invention uses a traffic flow data or travel time data measured by a measuring means installed at an arbitrary interval on a road to predict a target point or section. A traffic flow data prediction device for predicting traffic flow data at a prediction destination time point, wherein a traffic flow data of a prediction target section at a prediction source time point for performing prediction processing, and a time series or spatial distribution of the traffic flow data at the prediction source time point Traffic flow data at a past time indicating a distribution situation similar to the situation, and travel time data including a number of past time points at which the predicted time has elapsed from the past time by the time difference between the prediction source time and the prediction destination time of the prediction target section. From the above, at least one of average vehicle length, headway distance speed coefficient, density, travel speed, traffic volume, occupation time and occupancy in the traffic flow of the prediction target section is estimated or predicted. And it includes a processing section.
【００１３】また、本発明の交通流データ予測方法は、
道路上に任意間隔で設置した計測手段の計測する交通流
データや旅行時間データを用いて、予測対象地点または
区間の予測先時点における交通流データを予測する交通
流データ予測方法であって、予測処理を行う予測元時点
における予測対象区間の交通流データと、予測元時点の
交通流データの時系列または空間分布状況に近似する分
布状況を示す過去時点の交通流データと、この過去時点
より、予測対象区間の予測元時点と予測先時点との時間
差だけ経過した予測時点数先過去時点を含む旅行時間デ
ータとから、予測対象区間の交通流における平均車長、
車頭距離速度係数、密度、旅行速度、交通量、占有時間
及び占有率の少なくとも１つを推定または予測する。Further, the traffic flow data prediction method of the present invention comprises:
A traffic flow data prediction method for predicting traffic flow data at a prediction destination point of a prediction target point or section using traffic flow data and travel time data measured by a measurement means installed at arbitrary intervals on a road, comprising: The traffic flow data of the prediction target section at the prediction source time point at which the processing is performed, the traffic flow data of the past time point indicating the distribution state approximating the time series or the spatial distribution state of the traffic flow data at the prediction source time point, From the travel time data including the number of past prediction times and the past past times corresponding to the time difference between the prediction source time and the prediction destination time of the prediction target section, the average vehicle length in the traffic flow of the prediction target section,
Estimate or predict at least one of headway distance speed coefficient, density, travel speed, traffic volume, occupancy time and occupancy.
【００１４】この構成により、予測元時点での複数の区
間の交通状況に類似する過去の交通状況のデータを有効
に利用して、推定や予測を行うことができる。According to this configuration, estimation and prediction can be performed by effectively utilizing past traffic condition data similar to the traffic conditions of a plurality of sections at the time of the prediction source.
【００１５】[0015]
【発明の実施の形態】図１は、本発明の実施形態におけ
る交通流データ予測装置の全体構成を示している。ここ
では、走行車両２が、道路１を、図の左手から右手へ一
方向に走行する場合のみを考慮する。つまり、左手側が
上流、右手側が下流となる。道路１には、交通流データ
の計測手段である車両感知器３と、旅行時間の計測手段
として撮像機を備えたＡＶＩ４とが設置されている。FIG. 1 shows the overall configuration of a traffic flow data prediction device according to an embodiment of the present invention. Here, only the case where the traveling vehicle 2 travels on the road 1 in one direction from the left hand to the right hand in the figure is considered. That is, the left hand side is upstream, and the right hand side is downstream. On the road 1, a vehicle sensor 3 which is a means for measuring traffic flow data, and an AVI 4 having an image pickup device as a means for measuring travel time are installed.
【００１６】車両感知器３は、実際には道路上に数１０
０ｍ〜数ｋｍ程度の間隔で設置され、交通量及び占有率
の交通流データが計測可能である。ここでは、１つの感
知器は設置位置に一対一に対応し、個々の感知器ｉ（ｉ
＝１，２，…，ｊ，…，ｎ）には、設置位置等に基づい
て隣接地点との距離を分配した区間距離Ｄｉが割り当て
られているものとする。これを小区間とする。よって、
感知器と小区間の番号とは一致する。The vehicle detector 3 is actually located on the road by several tens.
It is installed at intervals of about 0 m to several km, and can measure traffic flow data of traffic volume and occupancy. Here, one sensor corresponds one-to-one to the installation position, and each sensor i (i
= 1, 2,..., J,..., N) are assigned section distances Di in which the distance to an adjacent point is distributed based on the installation position or the like. This is a small section. Therefore,
The number of the sensor and the subsection match.
【００１７】撮像機は上記の複数小区間を含んで設置
し、この設置点の上流側を出発点、下流側を終着点とす
る。出発点側の撮像機が走行車両のナンバープレートを
任意時刻に撮影したとき、終着点側の撮像機が撮影した
ナンバープレート及び時刻履歴と照合して、ナンバプレ
ートが一致したときの出発点・終着点間の時刻差から旅
行時間を導出する。ＡＶＩではなく、光学式車両感知器
等による場合も、同様に対象区間を設定しその区間の旅
行時間を導出すればよく、速度型感知器等の速度を計測
できる場合には、その走行軌跡による推定旅行時間を用
いてもよい。The image pickup device is installed including the above-mentioned plurality of small sections, and the upstream side of this installation point is defined as a starting point, and the downstream side is defined as an end point. When the imaging device at the starting point captures the license plate of the traveling vehicle at an arbitrary time, it is compared with the license plate and time history captured by the imaging device at the ending point, and the starting point and ending point when the number plate matches The travel time is derived from the time difference between the points. In the case of using an optical vehicle sensor or the like instead of the AVI, it is sufficient to similarly set a target section and derive the travel time of that section. If the speed of a speed type sensor or the like can be measured, the travel path is used. The estimated travel time may be used.
【００１８】計測手段のデータから推定予測等の処理を
行う処理部５は、マイクロコンピュータで構成され、処
理部内に存在するメモリ（不図示）に格納されたプログ
ラムに従って車両感知器３及びＡＶＩ４からの計測値に
基づき処理が実行される。この処理部５は、機能ブロッ
クとして、予測元時点に近似する過去時点の交通流デー
タ及び旅行時間データを収集する近似データ収集手段６
と、集められた過去時点のデータから平均車長を推定す
る平均車長推定手段７と、過去のデータから、車両の密
度と平均車頭距離との関係を規定する速度係数を推定す
る密度・車頭距離速度係数推定手段８と、旅行速度を予
測する旅行速度予測手段９と、交通量を予測する交通量
予測手段10と、占有時間及び占有率を予測する占有時間
・占有率予測手段11とを具備し、また、処理部５での推
定予測結果等を表示するモニタ12を備えている。A processing section 5 for performing processing such as estimation prediction from data of the measuring means is constituted by a microcomputer, and receives a signal from the vehicle sensor 3 and the AVI 4 in accordance with a program stored in a memory (not shown) existing in the processing section. Processing is performed based on the measured values. The processing unit 5 includes, as a functional block, an approximate data collection unit 6 that collects traffic flow data and travel time data at a past time approximate to the prediction source time.
Average vehicle length estimating means 7 for estimating the average vehicle length from the collected data at the past time point; and density / vehicle head for estimating the speed coefficient defining the relationship between the vehicle density and the average headway distance from the past data. Distance speed coefficient estimating means 8, travel speed estimating means 9 for estimating travel speed, traffic volume estimating means 10 for estimating traffic volume, and occupancy time / occupancy rate estimating means 11 for estimating occupancy time and occupancy rate. And a monitor 12 for displaying the results of estimation and prediction in the processing unit 5.
【００１９】図１の大まかな動作を説明する。車両が上
流から下流に向かって走行すると、各車両感知器設置地
点での交通量（単位時間に通過する車両台数）と占有時
間（道路上を車両が占有している時間）とが車両感知器
３により、また、対象区間の旅行時間がＡＶＩ４により
計測され、処理部５のメモリに蓄積される。The general operation of FIG. 1 will be described. When a vehicle travels from upstream to downstream, the traffic volume (the number of vehicles passing per unit time) and the occupation time (the time the vehicle occupies the road) at each vehicle sensor installation point are determined by the vehicle sensor. 3 and the travel time of the target section is measured by the AVI 4 and stored in the memory of the processing unit 5.
【００２０】この実施形態では、処理部５が５分毎に処
理を実行し、車両感知器３やＡＶＩ４の計測値が５分毎
に処理部５に集められる。車両感知器３からは、各地点
ｉにおける各時点間交通量（ここでは５分間交通量）Ｑ
ｉ及び５分間占有時間Ｏｉの各交通流データが処理部５
に送られ、ＡＶＩ４からは、過去時点間に出発点から走
行を開始したときの過去のその任意時点間における平均
旅行時間（出発旅行時間）Ｔのデータが処理部５に送ら
れ、処理部５は、これらのデータを順次蓄積する。この
旅行時間データの平均旅行時間は実旅行時間である。In this embodiment, the processing unit 5 executes the process every 5 minutes, and the measurement values of the vehicle detector 3 and the AVI 4 are collected in the processing unit 5 every 5 minutes. From the vehicle detector 3, the traffic volume at each point i at each point (in this case, the traffic volume for 5 minutes) Q
i and the traffic flow data of the occupancy time Oi for 5 minutes are
From the AVI 4, the data of the average travel time (departure travel time) T in the past when the vehicle started traveling from the departure point during the past and between the arbitrary points in the past is sent to the processing unit 5, Accumulates these data sequentially. The average travel time of this travel time data is the actual travel time.
【００２１】ここで、ｔ−１からｔ時点までの５分間に
計測されたデータは、ｔ時点のデータとする。但し、旅
行時間データは、区間の走行時間に依存した過去時点の
データである。Here, the data measured for 5 minutes from t-1 to t is data at t. However, the travel time data is data at a past point depending on the travel time of the section.
【００２２】処理部５は、これらのデータを用い、近似
データ収集手段６、平均車長推定手段７、密度・車頭距
離速度係数推定手段８、旅行速度及び旅行時間予測手段
９、交通量予測手段10、並びに占有時間・占有率予測手
段11を順に実行し、近似データ収集、平均車長推定、車
頭距離速度係数推定、旅行速度予測、交通量予測、占有
時間及び占有率予測を行う。The processing unit 5 uses these data to obtain an approximate data collecting means 6, an average vehicle length estimating means 7, a density / headway distance speed coefficient estimating means 8, a traveling speed and traveling time estimating means 9, a traffic amount estimating means. 10 and the occupancy time / occupancy rate prediction means 11 are sequentially executed to perform approximate data collection, average vehicle length estimation, headway distance speed coefficient estimation, travel speed prediction, traffic volume prediction, occupancy time and occupancy rate prediction.
【００２３】以下では、予測元時点をｔとし、ｔ時点ま
でのデータが蓄積されているとして、ｔ＋Δｔ（例えば
Δｔ＝２）時点のｊ地点または小区間での平均車長と車
頭距離速度係数の推定と、旅行速度、交通量、占有時間
及び占有率を予測する場合について説明する。このΔｔ
は、予測元時点ｔから予測先時点（ｔ＋Δｔ）までの時
間差（時点数）を表しており、「予測時点数」と呼ぶこ
とにする。また、ｊ地点または小区間を「予測対象区
間」とする。In the following, it is assumed that the prediction source time point is t, and that data up to the time point t is accumulated, and that the average vehicle length and headway distance speed coefficient at the point j or a small section at the time point t + Δt (for example, Δt = 2) are assumed. Estimation and a case of estimating travel speed, traffic volume, occupancy time and occupancy will be described. This Δt
Represents the time difference (number of times) from the prediction source time t to the prediction destination time (t + Δt), and will be referred to as “predicted number of times”. In addition, the j point or the small section is referred to as a “prediction target section”.
【００２４】以下、各手段について説明する。なお、こ
こでは、過去のデータに基づいて測定されていない値を
導くことを「推定」、将来の値を導くことを「予測」と
している。Hereinafter, each means will be described. Here, deriving a value that has not been measured based on past data is referred to as “estimation”, and deriving a future value is referred to as “prediction”.
【００２５】各予測元時点では、はじめに、予測時点に
おける時間的・空間的な交通流データの分布に類似して
いる過去時点のデータ（近似データ）を収集する。図２
は、この処理を行う近似データ収集手段５の処理フロー
を示している。At each prediction source time point, data at a past time point (approximate data) similar to the temporal and spatial distribution of traffic flow data at the prediction time point is first collected. FIG.
Shows a processing flow of the approximate data collecting means 5 for performing this processing.
【００２６】ステップ201：まず、過去の交通流データ
と旅行時間データとを処理部より読み込む。Step 201: First, the past traffic flow data and travel time data are read from the processing unit.
【００２７】ステップ202：交通流データには、異なる
次元の交通量及び占有時間のデータが混在しているた
め、データの正規化を行う。Step 202: Since traffic flow data includes data of traffic volume and occupation time of different dimensions, data normalization is performed.
【００２８】ステップ203：正規化した過去の全データ
を対象に、次の距離算出の処理を適用して、予測元時点
に近似する過去の交通状況を探索し、近似する過去時点
のデータを収集する。Step 203: The next distance calculation process is applied to all the normalized past data to search for a past traffic situation that is close to the prediction source time point, and data for the past time point that is close is collected. I do.
【００２９】探索の対象は、必要なデータが揃っている
過去時点のデータである。実施形態の交通流データ予測
装置では、感知器３及びＡＶＩ４から得られる、５分間
交通量と５分間占有時間と、この５分間の時点のＡＶＩ
４による出発旅行時間とが必要なデータとなる。これら
のデータが揃っている時点に対し、以下の処理を適用し
て近似データを収集する。The search target is data at a past time when necessary data is available. In the traffic flow data prediction device of the embodiment, the traffic volume for 5 minutes, the occupation time for 5 minutes, and the AVI at the time point of 5 minutes obtained from the sensor 3 and the AVI 4
4 is the required data. Approximate data is collected by applying the following processing to the time when these data are available.
【００３０】同一時点における全対象区間（つまり、旅
行時間測定区間内）の交通流データを成分とするベクト
ルを想定し、予測元時点のベクトルと、各過去時点のベ
クトルとの間の距離により近似データを判定する。Assuming a vector having traffic flow data of all target sections (ie, within the travel time measurement section) at the same time point as components, the distance between the vector at the prediction source time point and the vector at each past time point is approximated. Determine the data.
【００３１】具体的には、まず、予測元時点及び各過去
時点の交通流データを表すベクトル空間として、同一時
点のｍ個の交通流データを対象とするｍ次元のデータ空
間を考える。More specifically, first, as a vector space representing the traffic flow data at the prediction source time point and each past time point, an m-dimensional data space covering m pieces of traffic flow data at the same time point is considered.
【００３２】対象によっては、過去数時点を含めるなど
時間的広がりを持たせても良い。例えば、予測元時点及
び過去１時点のそれぞれのｍ個の交通流データを対象と
すると、２×ｍ次元のデータ空間となる。Some objects may have a temporal spread, for example, including the past several time points. For example, if m traffic flow data at each of the prediction source time point and the past one time point is targeted, a 2 × m-dimensional data space is obtained.
【００３３】そして、予測元時点ｔでの交通流データＸ
（ｔ）のｍ次元空間における分布を、近似を判断するた
めの基準ベクトルとする。Then, the traffic flow data X at the prediction source time point t
The distribution of (t) in the m-dimensional space is used as a reference vector for determining the approximation.
【００３４】次に、この基準ベクトルと、過去時点の同
次元のデータ分布によるベクトルとの間のユークリッド
距離ｄを算出する。このベクトル間の距離算出は、今、
予測元時点の基準ベクトルを（Ｘ1(t)，Ｘ2(t)，…，Ｘ
m(t)）、過去時点ｔ−ｋ（ｋ＝１，２，３，…）のベク
トルを（Ｘ1(t-k)，Ｘ2(t-k)，…，Ｘm(t-k)）とすると
き、次の演算で行うことができる。 ｄ（ｋ）＝√｛Σ（Ｘi(t）−Ｘi(t-k)）2｝ （Σはｉ＝１からｍまで加算）Next, the Euclidean distance d between the reference vector and the vector based on the same-dimensional data distribution at the past time point is calculated. The calculation of the distance between the vectors is now
The reference vector at the time of prediction is expressed as (X1 (t), X2 (t),..., X
m (t)) and the vector at the past time point tk (k = 1, 2, 3,...) is (X1 (tk), X2 (tk),. Can be done with d (k) = {(Xi (t) −Xi (tk)) 2 } (Σ is added from i = 1 to m)
【００３５】この実施形態では、交通流データとしてｎ
個の感知器の５分間交通量と５分間占有時間とを用いて
いるため、ＸにはＱとＯとが該当し、ｍ＝２ｎとなる。
必要なデータがない場合は、距離を未算出値とする。In this embodiment, n is used as traffic flow data.
Since the 5-minute traffic volume and the 5-minute occupation time of the individual sensors are used, X corresponds to Q and O, and m = 2n.
If there is no necessary data, the distance is set as an uncalculated value.
【００３６】ステップ204：以上の距離算出を過去の蓄
積時点ｔ−ｋ（ｋ＝１，２，３，…）のデータの全てに
ついて行う。Step 204: The above distance calculation is performed for all the data at the past accumulation time points tk (k = 1, 2, 3,...).
【００３７】ステップ205：全対象の過去時点のデータ
との距離を算出した後、距離が未算出値以外のデータを
対象に、この距離が小さい順、また、距離が同じ場合に
は、時刻が予測元時点に近い順にソートする。ソート時
に、一定の距離以内の時点だけに限る旨の条件を加えて
も良い。Step 205: After calculating the distances of all the objects from the data at the past point, the distances of the data other than the uncalculated values are set in ascending order of the distances. Sort in ascending order of the prediction source time. At the time of sorting, a condition may be added that limits only to a point within a certain distance.
【００３８】ステップ206：ソート後、上位の任意個数
ｐ個（例えば５０個）の各時点データに基づいて近似デ
ータセットを収集し、処理部５に格納する。格納する近
似データセットは、ｐ個に含まれた過去時点（ｔ−ｋ）
の近似判断に使用した既知データと、この過去時点（ｔ
−ｋ）より予測時点数Δｔだけ経過した過去時点（ｔ−
ｋ＋Δｔ）を含む既知旅行時間データとから成る。Step 206: After sorting, an approximate data set is collected based on an arbitrary number p (for example, 50) of upper-order time data and stored in the processing unit 5. The approximate data set to be stored is the past time point (tk) included in p pieces.
And the past data (t)
-K) past time (t-
k + Δt).
【００３９】この実施形態の場合では、過去時点（ｔ−
ｋ）の距離計算に使用した次元、つまり、交通量Ｑ及び
占有時間Ｏのデータと、その過去時点（ｔ−ｋ）の旅行
時間走行軌跡が（ｔ−ｋ＋Δｔ）時点においてｊ地点を
通過するものとして、（ｔ−ｋ）時点の出発旅行時間Ｔ
とを組にして、ｐ個の近似データセットを収集する。こ
うして、予測元時点での交通状況に類似する過去データ
を抽出し、推定や予測に適用する。In the case of this embodiment, the past time (t−
k) The dimensions used in the distance calculation, that is, the data of the traffic volume Q and the occupation time O, and the travel time travel locus of the past time (tk) passing through the j point at the time (tk + Δt) The departure travel time T at (tk)
Are collected, and p approximate data sets are collected. In this way, past data similar to the traffic situation at the time of the prediction source is extracted and applied to estimation and prediction.
【００４０】図３には、平均車長推定手段７の動作フロ
ーを示している。FIG. 3 shows an operation flow of the average vehicle length estimating means 7.
【００４１】ステップ301：まず、処理部５に格納され
ている近似データセットを読み込み、 ステップ302：処理部５に格納されている、予め設定さ
れた各感知器割り当ての小区間距離（本例では処理部内
に格納されているものとする）を読み込み、 ステップ303：さらに、処理部５に格納されている感知
器の統一感知領域の値Ｒ［ｍ］（本例では予め処理部に
設定してあるものとする）を読み込む。Step 301: First, an approximate data set stored in the processing unit 5 is read. Step 302: A preset small section distance stored in the processing unit 5 and assigned to each sensor (in this example, Step 303: Further, the value R [m] of the unified sensing area of the sensor stored in the processing unit 5 (in this example, the value is set in advance in the processing unit). Is assumed).
【００４２】次に、この近似データセット、小区間距離
及び感知器の統一感知領域の値を用いて平均車長を推定
する。これをさらに詳しく説明する。Next, the average vehicle length is estimated using the approximate data set, the small section distance, and the value of the unified sensing area of the sensor. This will be described in more detail.
【００４３】車両の速度Ｖ［ｍ／秒］は、車両１台当た
りの平均車長をＬ［ｍ］、感知器の感知領域の統一値を
Ｒ［ｍ］（本例では、例えば十分小さいとき０として設
定してあるものとする）、交通量をＱ［台／５分］、占
有時間をＯ［秒］、Ｌ’＝Ｌ＋Ｒとして、 Ｖi＝Ｑi・（Ｌi＋Ｒ）／Ｏi＝Ｑi・Ｌ'i／Ｏi となる。ここで、ｉは小区間番号を表す。なお、本来、
速度には時間平均速度と空間平均速度とがあり、区別す
る必要があるが、速度の分散が０の場合にはそれらの速
度が等しいこと、また、本例では平均旅行時間を用いて
おり、そのため、同一計測時点での全車両の走行軌跡は
同じもの、即ち、速度は同じと見なすことができること
から、上記の２つの速度を等価として、単に速度と表記
して同一に扱うことにする。よって、距離Ｄi［ｍ］の
小区間の旅行時間Ｔi［秒］は、 Ｔi＝Ｄi／Ｖi＝（１／Ｌ'i）（Ｄi・Ｏi／Ｑi） となり、全区間の旅行時間Ｔは、小区間ｉの旅行時間の
総和に等しいから、下式によって導くことができる。 Ｔ＝ΣＴi＝Σ（１／Ｌ'i）（Ｄi・Ｏi／Ｑi） （Σはｉについて加算）The vehicle speed V [m / sec] is represented by L [m] as the average vehicle length per vehicle, and R [m] as the unified value of the sensing area of the sensor (in this example, for example, when it is sufficiently small). 0), the traffic volume is Q [vehicle / 5 minutes], the occupancy time is O [seconds], and L '= L + R, Vi = Qi. (Li + R) /Oi=Qi.L' i / Oi. Here, i represents a small section number. In addition, originally,
The speed has a time-average speed and a space-average speed, and it is necessary to distinguish between them. When the variance of the speed is 0, the speeds are equal, and in this example, the average travel time is used. Therefore, the traveling trajectories of all vehicles at the same measurement time point can be regarded as the same, that is, the speeds can be regarded as the same, so that the above two speeds are equivalent and simply referred to as speed to be treated the same. Therefore, the travel time Ti [sec] of the small section of the distance Di [m] is as follows: Ti = Di / Vi = (1 / L'i) (Di · Oi / Qi), and the travel time T of all sections is small. Since it is equal to the sum of the travel times in the section i, it can be derived by the following equation. T = ΣTi = Σ (1 / L′ i) (Di · Oi / Qi) (Σ is added for i)
【００４４】ここで、平均車長Ｌiを全区間で等しいと
してＬとすると、Ｌ'i＝Ｌ＋Ｒを定数と見なせるので、
これを単にＬ'＝Ｌ＋Ｒとすると、 Ｔ＝（１／Ｌ'）Σ（Ｄi・Ｏi／Ｑi） （Σはｉについて加算） と置ける。よって、上式を、 ａ＝１／Ｌ' Ｘ＝Σ（Ｄi・Ｏi／Ｑi） （Σはｉについて加算） として Ｔ＝ａ・Ｘ とすれば、各々の区間距離Ｄiと感知器データＱi，Ｏi
とを用いてＸが得られ、また、近似データセットと小区
間距離によりＴの値が得られるから、代数的方法あるい
は最小自乗法でａを推定でき、その逆数から平均車長は Ｌ＝（１／ａ）−Ｒ として求められる。Here, assuming that the average vehicle length Li is equal in all sections and is L, since L'i = L + R can be regarded as a constant,
If this is simply L ′ = L + R, then T = (1 / L ′) Σ (Di · Oi / Qi) (Σ is added for i). Therefore, assuming that T = a · X where a = 1 / L ′ X = Σ (Di · Oi / Qi) (Σ is added for i), the section distance Di and the sensor data Qi, Oi
, And the value of T is obtained from the approximate data set and the small section distance, so that a can be estimated by an algebraic method or a least square method, and the average vehicle length is L = ( 1 / a) -R.
【００４５】そこで、こうした手順に従って、 ステップ304：近似データセットの交通流データと小区
間距離とから、読み込んだｐ個分のＸ（ｐ）を、 Ｘ（ｐ）＝Σ（Ｄi・Ｏi(p)／Ｑi(p)） （Σはｉについて加算） により算出し、 ステップ305：全近似データセットｐ個分のＸ（ｐ）の
算出が終了すると、 ステップ306：全近似データセットの過去の出発旅行時
間Ｔ（ｐ）とＸ（ｐ）とから、最小自乗法でＴ（ｐ）＝
ａ・Ｘ（ｐ）のａを算出し、 ステップ307：Ｌ＝（１／ａ）−Ｒから平均車長Ｌを算
出し、 ステップ308：算出した平均車長Ｌを処理部５に格納す
る。Therefore, in accordance with such a procedure, Step 304: From the traffic flow data of the approximate data set and the small section distance, the read X (p) of p pieces are calculated as follows: X (p) = Σ (Di · Oi (p ) / Qi (p)) (Σ is added for i). Step 305: When the calculation of X (p) for all p approximated data sets is completed, Step 306: Past departure of all approximated data sets From the travel time T (p) and X (p), T (p) =
a × X (p) is calculated, Step 307: Average vehicle length L is calculated from L = (1 / a) −R, and Step 308: The calculated average vehicle length L is stored in the processing unit 5.
【００４６】こうして、予測元時点に類似する過去の交
通状況下での平均車長を、区間の走行状況に合わせて推
定することが可能となる。In this way, it is possible to estimate the average vehicle length under past traffic conditions similar to the prediction source time point in accordance with the running conditions of the section.
【００４７】次に、平均車長推定後、密度・車頭距離速
度係数推定手段８は、密度と平均車頭距離との関係を規
定する速度係数（車頭距離速度係数）を推定する。Next, after estimating the average vehicle length, the density / headway distance speed coefficient estimating means 8 estimates a speed coefficient (vehicle headway speed coefficient) that defines the relationship between the density and the average headway distance.
【００４８】図４及び図５は、密度・車頭距離速度係数
推定手段８の異なる処理フローを示している。図４は主
に過去の交通量データに基づいて同係数を求める処理フ
ローであり、図５は主に過去の占有時間データに基づい
て同係数を求める処理フローである。図４の場合、 ステップ401：収集したｐ個の近似データセットと、こ
の近似データセットに含まれるｐ個の近似時点より予測
時点数（Δｔ）先の過去時点における５分間交通量デー
タＱ'j（ｐ）を処理部より読み込み、 ステップ402：感知器の感知領域Ｒを読み込み、 ステップ403：推定平均車長Ｌを処理部より読み込み、 ステップ404：停止時の車間距離ＳＰを処理部より読み
込む。FIGS. 4 and 5 show different processing flows of the density / headway distance speed coefficient estimating means 8. FIG. 4 is a processing flow for obtaining the same coefficient mainly based on past traffic volume data, and FIG. 5 is a processing flow for mainly obtaining the same coefficient based on past occupation time data. In the case of FIG. 4, step 401: collected p approximate data sets, and 5-minute traffic data Q'j at a past time point which is the predicted number of times (Δt) ahead of the p approximate time points included in the approximate data set. (P) is read from the processing unit. Step 402: The sensing area R of the sensor is read. Step 403: The estimated average vehicle length L is read from the processing unit. Step 404: The inter-vehicle distance SP at the time of stop is read from the processing unit.
【００４９】次に、これらのデータから車頭距離速度係
数を算出する。その方法を以下に示す。Next, a headway speed coefficient is calculated from these data. The method is described below.
【００５０】予測対象区間ｊの任意時点の５分間交通量
をＱj［台／５分］、５分間占有時間をＯj［秒］とする
と、旅行速度Ｖj［ｍ／秒］は前述同様に、推定平均車
長Ｌ［ｍ］、感知領域Ｒ［ｍ］、Ｌ'＝Ｌ＋Ｒを用い
て、 Ｖj＝Ｑj・Ｌ'／Ｏj となる。If the 5-minute traffic volume at any point in the prediction target section j is Qj [vehicle / 5 minutes] and the 5-minute occupancy time is Oj [seconds], the travel speed Vj [m / second] is estimated as described above. Using the average vehicle length L [m], the sensing area R [m], and L '= L + R, Vj = Qj.L' / Oj.
【００５１】一方、交通量Ｑ、密度Ｋ［台／ｍ］、速度
Ｖ［ｍ／秒］の関係は、１秒あたりの交通量（５分間交
通量Ｑを３００秒で割れば良い）をＳ［台／秒］とする
と、次の関係として示される。 Ｓ＝Ｋ・Ｖ Ｋ＝１／（（Ｌ＋ＳＰ）＋Ｃ・Ｖ）On the other hand, the relationship between the traffic volume Q, the density K [vehicle / m], and the speed V [m / sec] is obtained by dividing the traffic volume per second (the traffic volume Q for 5 minutes by 300 seconds) by S If [unit / second] is set, the following relationship is shown. S = K · V K = 1 / ((L + SP) + C · V)
【００５２】ここで、ＳＰは停止時の車間距離［ｍ］
で、（Ｌ＋ＳＰ）は車の先頭間の距離である車頭距離
［ｍ］となる。Ｃが車頭距離速度係数であり、ここで
は、Ｖとの間を一次式の関係と置いている。この場合、
Ｃは車頭時間［秒］に相当する。よって、ＳＰを仮定す
れば、推定平均車長Ｌ、近似データセットの過去近似時
点における予測対象区間の５分間交通量データＱと５分
間占有時間データＯ、そして、近似データセットの過去
近似時点より予測時点数先の過去時点における予測対象
区間の５分間交通量データＱ’から、Ｃを導くことがで
きる。Here, SP is an inter-vehicle distance at stop [m].
Where (L + SP) is the headway distance [m] which is the distance between the heads of the cars. C is a headway distance speed coefficient, and here is a linear relation with V. in this case,
C corresponds to the headway time [sec]. Therefore, assuming SP, the estimated average vehicle length L, the 5-minute traffic data Q and the 5-minute occupancy time data O in the prediction target section at the past approximation time of the approximate data set, and the past approximation time of the approximate data set C can be derived from the 5-minute traffic volume data Q 'of the prediction target section at the past time point a number of times before the prediction time point.
【００５３】具体的には、車頭距離をＬ"＝Ｌ＋ＳＰと
おいて、上の２式から導かれる Ｖ−Ｓ・Ｌ"＝Ｃ（Ｖ・Ｓ） の関係を基盤に、交通量予測に関するＣを算出する。Specifically, assuming that the headway distance is L "= L + SP, and C based on the relationship of VSL" = C (VS) derived from the above two equations, calculate.
【００５４】なお、ここでは、ＳＰを統一の値（例え
ば、便宜的に０）として予め処理部に設定してあるもの
とする。よって、ここでの推定係数をＣｑとして、区間
ｊの同係数をＣqjと表記すると、上記の方法に基づき、
次の処理により求めることができる。Here, it is assumed that SP is set in advance in the processing unit as a unified value (for example, 0 for convenience). Therefore, if the estimated coefficient here is expressed as Cq and the same coefficient in section j is expressed as Cqj, based on the above method,
It can be obtained by the following processing.
【００５５】ステップ405：読み込んだ任意個数、例え
ば５０個の近似データセットの過去近似時点における予
測対象区間ｊの予測旅行速度を、 Ｖ'j（ｐ）＝Ｑj（ｐ）・Ｌ'／Ｏj（ｐ） （ここで、Ｌ'＝Ｌ＋Ｒ） により算出し、 ステップ406：近似データセットの過去近似時点より予
測時点数先の過去時点における予測対象区間ｊの１秒間
交通量Ｓ'j（ｐ）を、 Ｓ'j（ｐ）＝Ｑ'j（ｐ）／３００ により算出し、 ステップ407：ステップ405、ステップ406の結果に基づ
いて、 Ｘ（ｐ）＝Ｖ'j（ｐ）・Ｓ'j（ｐ） を算出し、 ステップ408：ステップ405、ステップ406の結果に基づ
いて、 Ｙ（ｐ）＝Ｖ'j（ｐ）−Ｓ'j（ｐ）・Ｌ" （ここで、Ｌ"＝Ｌ＋ＳＰ） を算出し、 ステップ409：近似データセットのｐ個分の算出処理が
終了すると、 ステップ410：ステップ407のＸ（ｐ）及びステップ408
のＹ（ｐ）により、 Ｙ（ｐ）＝Ｃqj・Ｘ（ｐ） とし、最小自乗法により車頭距離速度係数Ｃqjを算出し
て、 ステップ411：算出した車頭距離速度係数Ｃqjを処理部
に保存する。Step 405: The predicted travel speed of the prediction target section j at the past approximation time of the arbitrary number of read data, for example, 50 approximate data sets, is calculated as follows: V′j (p) = Qj (p) · L ′ / Oj ( p) (where L ′ = L + R). Step 406: The traffic volume S′j (p) for one second of the prediction target section j at the past time point which is a number of prediction time points ahead of the past approximation time point of the approximate data set is calculated. , S'j (p) = Q'j (p) / 300. Step 407: Based on the results of steps 405 and 406, X (p) = V'j (p) .S'j ( p) is calculated. Step 408: Y (p) = V'j (p) -S'j (p) .L "(where L" = L + SP) based on the results of step 405 and step 406. Step 409: When the calculation processing for p approximate data sets is completed, Step 410: Step 407 X (p) and step 408
Y (p), Y (p) = Cqj · X (p), and the headway distance speed coefficient Cqj is calculated by the least square method. Step 411: The calculated headway distance speed coefficient Cqj is stored in the processing unit. .
【００５６】ここで、ステップ405のＬは、過去近似時
点での予測時点数先を含む旅行時間データから推定され
た平均車長であり、よって、Ｖ'j（ｐ）は、過去近似時
点より予測時点数先の過去時点における予測旅行速度と
なる。Here, L in step 405 is the average vehicle length estimated from the travel time data including the number of predicted time points at the past approximation time point, and V′j (p) is therefore smaller than the past approximation time point. It is the predicted travel speed at the past time point which is several prediction time points ahead.
【００５７】ステップ406のＳ'j（ｐ）は、同じく過去
近似時点より予測時点数先の過去時点における交通流デ
ータＱ'の１秒あたりの交通量であり、よって、Ｃqj
は、感知領域と車間距離とを定数と見なすと、近似デー
タセットにおける、推定平均車長、過去の予測旅行速
度、過去の予測時点数先時点における実計測交通量の間
に存在する密度用の推定係数となる。S′j (p) in step 406 is the traffic volume per second of the traffic flow data Q ′ at the past time point which is the number of prediction time points ahead of the past approximation time point.
Assuming that the sensing area and the inter-vehicle distance are constants, the approximated data set contains the estimated average vehicle length, the past predicted travel speed, the number of past predicted It is an estimation coefficient.
【００５８】こうして、車頭距離速度係数が、実際に計
測された類似交通状況下における交通流データと、同様
のデータから区間の走行状況に合わせて推定された平均
車長とから導出される。In this way, the headway speed coefficient is derived from the actually measured traffic flow data under similar traffic conditions and the average vehicle length estimated from the similar data according to the running conditions of the section.
【００５９】次に、図５により、主に過去の占有時間デ
ータから車頭距離速度係数Ｃｏを導く手順について説明
する。Next, a procedure for deriving the headway distance speed coefficient Co mainly from the past occupation time data will be described with reference to FIG.
【００６０】ステップ501：収集したｐ個の近似データ
セットと、この近似データセットに含まれるｐ個の過去
近似時点より予測時点数（Δｔ）先の過去時点における
５分間占有時間データＯ'j（ｐ）を処理部より読み込
み、 ステップ502：感知器の感知領域Ｒを読み込み、 ステップ503：推定平均車長Ｌを処理部より読み込む。Step 501: The collected p approximate data sets and the 5-minute occupancy time data O'j () at the past time point (Δt) ahead of the p past approximate time points included in the approximate data set are predicted. Step 502: Reading the sensing area R of the sensor, Step 503: Reading the estimated average vehicle length L from the processing unit.
【００６１】ステップ504：停止時の車間距離ＳＰを処
理部より読み込む。Step 504: The inter-vehicle distance SP when stopped is read from the processing unit.
【００６２】ここで、次の関係に基づいて車頭距離速度
係数Ｃを推定する。前述同様、１秒あたりの交通量Ｓ
［台／秒］、密度Ｋ［台／ｍ］、速度Ｖ［ｍ／秒］、交
通量Ｑ［台／５分］、平均車長Ｌ［ｍ］、占有時間Ｏ
［秒］等の関係は、次のようになる。 Ｓ＝Ｋ・Ｖ Ｋ＝１／（（Ｌ＋ＳＰ）＋Ｃ・Ｖ） Ｖ＝Ｑ・Ｌ'／ＯHere, the headway distance speed coefficient C is estimated based on the following relationship. Traffic volume per second S as described above
[Vehicles / sec], density K [vehicles / m], speed V [m / sec], traffic volume Q [vehicles / 5 min], average vehicle length L [m], occupancy time O
The relationship such as [seconds] is as follows. S = K · V K = 1 / ((L + SP) + C · V) V = Q · L ′ / O
【００６３】これらの関係から、占有時間について整理
すると、１秒あたりの占有時間Ｐは、以下のように求め
ることができる。 Ｐ＝Ｌ'／（Ｌ"＋Ｃ・Ｖ） ここで、Ｌ'＝Ｌ＋Ｒ、Ｌ"＝Ｌ＋ＳＰである。Based on these relations, when the occupation time is arranged, the occupation time P per second can be obtained as follows. P = L '/ (L "+ CV) Here, L' = L + R and L" = L + SP.
【００６４】これらから、占有時間等と車頭距離速度係
数との関係は以下のようになる。 Ｌ'−Ｐ・Ｌ"＝Ｃ（Ｖ・Ｐ）From these, the relationship between the occupation time and the like and the headway distance speed coefficient is as follows. L′−P · L ″ = C (V · P)
【００６５】よって、予測対象区間ｊでの車頭距離速度
係数ＣをＣojと表記して、以下の処理により算出する。Accordingly, the headway distance speed coefficient C in the prediction target section j is represented by Coj, and is calculated by the following processing.
【００６６】ステップ505：読み込んだ任意個数、例え
ば５０個の近似データセットの過去近似時点における予
測対象区間ｊの予測旅行速度を、 Ｖ'j（ｐ）＝Ｑj（ｐ）・Ｌ'／Ｏj（ｐ） （ここで、Ｌ'＝Ｌ＋Ｒ） により算出し、 ステップ506：近似データセットの過去近似時点より予
測時点数先の過去時点における予測対象区間ｊの１秒間
占有時間Ｐ'j（ｐ）を、 Ｐ'j（ｐ）＝Ｏ'j（ｐ）／３００ により算出し、 ステップ507：ステップ505、ステップ506の結果に基づ
いて、 Ｘ（ｐ）＝Ｖ'j（ｐ）・ Ｐ'j（ｐ） を算出し、 ステップ508：ステップ505、ステップ506の結果に基づ
いて、 Ｙ（ｐ）＝Ｌ'−Ｐ'j（ｐ）・ Ｌ" （ここで、Ｌ"＝Ｌ＋ＳＰ） を算出し、 ステップ509：近似データセットのｐ個分の算出処理が
終了すると、 ステップ510：ステップ507のＸ（ｐ）及びステップ508
のＹ（ｐ）により、 Ｙ（ｐ）＝Ｃoj・Ｘ（ｐ） とし、最小自乗法により車頭距離速度係数Ｃojを算出し
て、 ステップ511：算出した車頭距離速度係数Ｃojを処理部
に保存する。Step 505: The predicted travel speed of the prediction target section j at the time of past approximation of an arbitrary number of read data, for example, 50 approximate data sets, is calculated as follows: V′j (p) = Qj (p) · L ′ / Oj ( p) (where L ′ = L + R). Step 506: The occupation time P′j (p) of one second in the prediction target section j at the past time point that is a number of prediction times ahead of the past approximation time point of the approximate data set is calculated. , P'j (p) = O'j (p) / 300. Step 507: Based on the results of Step 505 and Step 506, X (p) = V'j (p) .P'j ( Step 508: Based on the results of Step 505 and Step 506, calculate Y (p) = L'-P'j (p) .L "(where L" = L + SP), Step 509: When the calculation processing for p approximate data sets is completed, (P) and 508
Y (p) is set as Y (p) = Coj · X (p), and the headway distance speed coefficient Coj is calculated by the least square method. Step 511: The calculated headway distance speed coefficient Coj is stored in the processing unit. .
【００６７】Ｃｏは、感知領域と車間距離とを定数と見
なして、近似データセットにおける、推定平均車長、過
去の予測旅行速度、過去の予測先時点における実計測占
有時間の間に存在する密度用の推定係数となる。Co is the constant existing between the sensing area and the inter-vehicle distance, and the density existing between the estimated average vehicle length, the past predicted travel speed, and the actual measurement occupation time at the past predicted destination time in the approximate data set. It is an estimation coefficient for
【００６８】次に、旅行速度予測手段９は、予測対象区
間の予測旅行速度を算出する。図６はこの手順を示して
いる。Next, the travel speed prediction means 9 calculates the predicted travel speed of the prediction target section. FIG. 6 shows this procedure.
【００６９】ステップ601：まず、推定平均車長Ｌを処
理部より読み込み、 ステップ602：感知領域Ｒを読み込み、 ステップ603：予測対象区間ｊの予測元時点ｔでの近似
距離計算時と同次元のデータ、つまり、交通量Ｑj
（ｔ）と占有時間Ｏj（ｔ）とを読み込む。Step 601: First, the estimated average vehicle length L is read from the processing unit. Step 602: The sensing area R is read. Step 603: The same dimension as that at the time of calculating the approximate distance at the prediction source time point t of the prediction target section j is calculated. Data, that is, traffic volume Qj
(T) and the occupation time Oj (t) are read.
【００７０】ステップ604：次に、これらの小区間距離
Ｄｊ［ｍ］、推定平均車長Ｌ［ｍ］、感知領域Ｒ
［ｍ］、Ｌ'＝Ｌ＋Ｒ、予測対象区間及び予測元時点の
交通量Ｑj（ｔ）［台／５分］、予測対象区間及び予測
元時点の占有時間Ｏj（ｔ）［秒］から、前述同様の式 Ｖ"j＝Ｑj（ｔ）・Ｌ'／Ｏj（ｔ） により予測旅行速度Ｖ"jの算出を行う。Step 604: Next, these small section distance Dj [m], estimated average vehicle length L [m], sensing area R
[M], L '= L + R, the traffic volume Qj (t) [vehicle / 5 min] at the prediction target section and the prediction source time, and the occupation time Oj (t) [second] at the prediction target section and the prediction source time. The predicted travel speed V "j is calculated by the same equation V" j = Qj (t) .L '/ Oj (t).
【００７１】ステップ605：算出した予測旅行速度を処
理部に保存する。Step 605: The calculated predicted travel speed is stored in the processing section.
【００７２】こうして、類似の交通状況下の推定平均車
長と予測元時点での交通流データとから、将来の走行状
況に対する旅行速度を得ることができる。In this way, the travel speed for the future driving situation can be obtained from the estimated average vehicle length under similar traffic conditions and the traffic flow data at the time of prediction.
【００７３】この後、交通量予測手段10は、図７に示す
手順により、交通量の予測を行う。 ステップ701：推定平均車長Ｌを処理部から読み込み、 ステップ702：車間距離ＳＰを読み込み、 ステップ703：過去近似時点より予測時点数先の過去時
点における予測対象区間の交通量から求めた推定車頭距
離速度係数Ｃqjを読み込み、 ステップ704：同区間の予測旅行時間Ｖ"jを読み込む。After that, the traffic prediction means 10 predicts the traffic according to the procedure shown in FIG. Step 701: Estimated average vehicle length L is read from the processing unit. Step 702: Inter-vehicle distance SP is read. Step 703: Estimated headway distance obtained from the traffic volume of the prediction target section at the past point several prediction points ahead of the past approximation point. The speed coefficient Cqj is read in. Step 704: The predicted travel time V "j in the same section is read.
【００７４】これらの値を用いて、予測交通量を算出す
る。前述のとおり、１秒あたりの交通量Ｓ、密度Ｋ、旅
行速度Ｖ、平均車長Ｌ、車間距離ＳＰ、車頭距離Ｌ"＝
Ｌ＋ＳＰ、車頭距離速度係数Ｃの間の関係は、次の２式
として示される。 Ｓ＝Ｋ・Ｖ Ｋ＝１／（Ｌ"＋Ｃ・Ｖ）The estimated traffic volume is calculated using these values. As described above, the traffic volume S per second, the density K, the travel speed V, the average vehicle length L, the following distance SP, and the headway distance L "=
The relationship between L + SP and headway speed coefficient C is expressed as the following two equations. S = KV K = 1 / (L "+ CV)
【００７５】ステップ705：そこで、予測対象区間ｊの
予測元時点より予測時点数先の時点（予測先時点）にお
ける１秒間交通量Ｓ"は、上式を変形し、推定予測した
各値から、 Ｓ"j＝Ｖ"j／（Ｌ"＋Ｃqj・Ｖ"j） として導き、 ステップ706：また、５分間予測交通量Ｑ"は、 Ｑ"j＝３００・Ｓ"j として求め、 ステップ707：予測した交通量は処理部に格納・保存す
る。Step 705: Then, the traffic volume S "for one second at the time point (the prediction destination time point) ahead of the prediction source time point by the prediction time point from the prediction source time point of the prediction target section j is obtained by modifying the above expression and calculating the estimated value. S ”j = V” j / (L ”+ Cqj · V” j) Step 706: Also, the 5-minute predicted traffic volume Q ”is obtained as Q” j = 300 · S ”j, and Step 707: prediction The traffic volume is stored and saved in the processing unit.
【００７６】ステップ708：予測値は、図１の処理部５
を通じて、各時点でモニタ12に出力される。Step 708: The predicted value is stored in the processing unit 5 in FIG.
Is output to the monitor 12 at each time.
【００７７】こうして、類似の交通状況下の交通流や旅
行時間データ、これらから推定予測したデータや係数に
基づき、将来の走行状況に対する交通量が得られる。In this way, the traffic volume for the future driving situation can be obtained based on the traffic flow and travel time data under similar traffic conditions, and the data and coefficients estimated and predicted from them.
【００７８】次に、占有時間・占有率予測手段11は、図
８に示す手順で占有時間及び占有率を予測する。Next, the occupancy time / occupancy rate prediction means 11 predicts the occupancy time and the occupancy rate according to the procedure shown in FIG.
【００７９】ステップ801：推定平均車長Ｌを処理部か
ら読み込み、 ステップ802：感知領域Ｒを読み込み、 ステップ803：車間距離ＳＰを読み込み、 ステップ804：過去近似時点より予測時点数先の過去時
点における予測対象区間の占有時間から求めた推定車頭
距離速度係数Ｃojを読み込み、 ステップ805：予測旅行速度Ｖ"jを読み込む。Step 801: Read the estimated average vehicle length L from the processing unit, Step 802: Read the sensing area R, Step 803: Read the inter-vehicle distance SP, Step 804: At the past time that is a number of prediction times ahead of the past approximation time The estimated headway distance speed coefficient Coj obtained from the occupation time of the prediction target section is read. Step 805: The predicted travel speed V "j is read.
【００８０】これらの値を用いて、予測占有時間と占有
率を算出する。Using these values, the predicted occupation time and occupancy are calculated.
【００８１】前述のとおり、１秒あたりの交通量Ｓ［台
／秒］、密度Ｋ［台／ｍ］、速度Ｖ［ｍ／秒］の関係
と、速度と、交通量Ｑ［台／５分］、平均車長Ｌ
［ｍ］、占有時間Ｏ［秒］等による関係、 Ｓ＝Ｋ・Ｖ Ｖ＝Ｑ・Ｌ'／Ｏ を用い、占有時間について整理すると、１秒あたりの占
有時間Ｐは、以下のように求めることができる。 Ｐ＝Ｌ'／（Ｌ"＋Ｃ・Ｖ） ここで、Ｌ'＝Ｌ＋Ｒ、Ｌ"＝Ｌ＋ＳＰである。As described above, the relationship between the traffic volume S [vehicles / second], the density K [vehicle / m], and the speed V [m / sec] per second, the speed, and the traffic volume Q [vehicle / 5 minutes] ], Average vehicle length L
[M], occupation time O [seconds], etc., and occupation time is arranged using S = KVV = QL '/ O. Occupation time P per second is obtained as follows. be able to. P = L '/ (L "+ CV) Here, L' = L + R and L" = L + SP.
【００８２】ステップ806：そこで、予測対象区間ｊの
予測先時点における５分間占有時間Ｏ"は、予測した各
値から、 Ｏ"j＝３００・Ｌ'／（Ｌ"＋Ｃoj・Ｖ"j） により導き、 ステップ807：５分間予測占有率Ｏp"［％］は、 Ｏp"j＝Ｏ"j・１００／３００ として求め、 ステップ808：予測した占有時間と占有率は処理部に格
納・保存し、 ステップ809：予測値は、図１の処理部５を通じて、各
時点でモニタ12に出力される。Step 806: Then, the occupancy time O "for 5 minutes at the prediction destination time point of the prediction target section j is calculated from the predicted values as follows: O" j = 300.L '/ (L "+ Coj.V" j) Step 807: The 5-minute predicted occupancy Op "[%] is obtained as Op" j = O "j · 100/300. Step 808: The predicted occupation time and occupancy are stored and stored in the processing unit. Step 809: The predicted value is output to the monitor 12 at each time through the processing unit 5 of FIG.
【００８３】こうして、類似の交通状況下の交通流や旅
行時間データ、これらから推定予測したデータや係数に
基づき、将来の走行状況に対する占有時間及び占有率が
得られる。In this manner, the occupation time and the occupancy for the future driving situation can be obtained based on the traffic flow and travel time data under similar traffic conditions, and the data and coefficients estimated and predicted from them.
【００８４】また、上記例以外に、速度Ｖ［ｍ／秒］、
５分間交通量Ｑ［台／５分］、５分間占有時間Ｏ
［秒］、平均車長Ｌ［ｍ］、感知領域Ｒ［ｍ］、Ｌ'＝
Ｌ＋Ｒの関係は、これまで同様、次式 Ｖ＝Ｑ・Ｌ'／Ｏ にて表されることから、５分間占有時間Ｏ"は、予測交
通量Ｑ"と予測旅行速度Ｖ"から以下のようにも導かれ、 Ｏ"j＝Ｑ"j・Ｌ'／Ｖ"j ５分間予測占有率Ｏp"［％］は、 Ｏp"j＝Ｏ"j・１００／３００ として求められる。同様に、車頭距離速度係数等を用い
て先に予測占有時間Ｏ"を求め、その後に予測交通量Ｑ"
を求める場合には、下式 Ｑ"j＝Ｖ"j・Ｏ"j／Ｌ' により導出することもできる。In addition to the above examples, the speed V [m / sec],
5 minutes traffic volume Q [vehicle / 5 minutes], 5 minutes occupancy time O
[Sec], average vehicle length L [m], sensing area R [m], L '=
Since the relation of L + R is expressed by the following equation V = Q · L ′ / O as before, the occupancy time O ″ for 5 minutes is calculated from the predicted traffic volume Q ″ and the predicted travel speed V ″ as follows. O "j = Q" j.L '/ V "j The 5-minute predicted occupancy Op" [%] is obtained as Op "j = O" j.100 / 300. First, the estimated occupancy time O "is obtained using the distance speed coefficient or the like, and then the estimated traffic volume Q"
Can be derived by the following equation: Q "j = V" j.O "j / L '.
【００８５】予測時、上記処理を各時点毎に順次繰り返
す。つまり、予測の各時点において、近似データを収集
し、平均車長と車頭距離速度係数または密度を推定、さ
らに、旅行速度及び旅行時間、交通量、占有時間及び占
有率を予測する。At the time of prediction, the above processing is sequentially repeated for each time point. That is, at each time point of the prediction, the approximate data is collected, the average vehicle length and the headway distance speed coefficient or density are estimated, and the travel speed and travel time, traffic volume, occupation time and occupancy are predicted.
【００８６】[0086]
【発明の効果】以上の説明から明らかなように、本発明
によれば、現在の道路交通システムにおける既存設備を
有効に活用し、平均車長や交通量等をより的確に推定予
測する装置を構築できる。新規展開の場合でも既知装置
の組み合わせによって構成できることから、設備等の初
期投資面でも比較的安価に実現することができる。As is apparent from the above description, according to the present invention, there is provided an apparatus for effectively utilizing existing facilities in a current road traffic system to more accurately estimate and predict an average vehicle length, a traffic volume, and the like. Can be built. Even in the case of a new development, since it can be constituted by a combination of known devices, it can be realized at relatively low cost in terms of initial investment of equipment and the like.
【００８７】また、旅行時間という走行状態を直接反映
した値の下で平均車長、車頭距離速度係数、密度、予測
旅行速度、予測交通量、予測占有時間・占有率の各値を
総合的に合致させて算出できるため、推定予測データの
信頼性向上を図ることができ、また、それらの値を一連
のリアルタイム処理で得られるため、道路の運用・管理
者等に対して有用な情報を迅速に提供することが可能に
なり、推定予測した値を制御等に適用することを可能に
する。Further, the values of the average vehicle length, headway distance speed coefficient, density, predicted travel speed, predicted traffic volume, predicted occupancy time and occupancy are comprehensively calculated under a value directly reflecting the travel state of travel time. It is possible to improve the reliability of the estimated prediction data because it can be calculated by matching, and since these values can be obtained by a series of real-time processing, it is possible to quickly provide useful information to road operation and managers etc. And it is possible to apply the estimated and predicted value to control and the like.
【図１】本発明の実施形態における交通流データ予測装
置の全体構成図、FIG. 1 is an overall configuration diagram of a traffic flow data prediction device according to an embodiment of the present invention;
【図２】近似データ収集手段の処理フロー、FIG. 2 is a processing flow of an approximate data collecting unit;
【図３】平均車長推定手段の処理フロー、FIG. 3 is a processing flow of an average vehicle length estimating means;
【図４】密度・車頭距離速度係数推定手段の第１の処理
フロー、FIG. 4 is a first processing flow of density / headway distance / speed coefficient estimating means;
【図５】密度・車頭距離速度係数推定手段の第２の処理
フロー、FIG. 5 is a second processing flow of the density / headway distance speed coefficient estimating means,
【図６】旅行速度予測手段の処理フロー、FIG. 6 is a processing flow of travel speed prediction means;
【図７】交通量予測手段の処理フロー、FIG. 7 is a processing flow of traffic volume prediction means;
【図８】占有時間・占有率予測手段の処理フローであ
る。FIG. 8 is a processing flow of an occupancy time / occupancy rate prediction unit.
１ 道路 ２ 走行車両 ３ 車両感知器 ４ ＡＶＩ ５ 処理部 ６ 近似データ収集手段 ７ 平均車長推定手段 ８ 密度・車頭距離速度係数推定手段 ９ 旅行速度予測手段 10 交通量予測手段 11 占有時間・占有率予測手段 12 モニタ DESCRIPTION OF SYMBOLS 1 Road 2 Running vehicle 3 Vehicle detector 4 AVI 5 Processing part 6 Approximate data collection means 7 Average vehicle length estimation means 8 Density / headway distance speed coefficient estimation means 9 Travel speed prediction means 10 Traffic volume prediction means 11 Occupation time / occupancy Forecasting means 12 Monitor
Claims (14)
計測する交通流データや旅行時間データを用いて、予測
対象地点または区間の予測先時点における交通流データ
を予測する交通流データ予測装置であって、 予測処理を行う予測元時点における予測対象区間の交通
流データと、 前記予測元時点の交通流データの時系列または空間分布
状況に近似する分布状況を示す過去時点の交通流データ
と、 前記過去時点より、予測対象区間の前記予測元時点と予
測先時点との時間差だけ経過した予測時点数先過去時点
を含む旅行時間データとから、予測対象区間の交通流に
おける平均車長、車頭距離速度係数、密度、旅行速度、
交通量、占有時間及び占有率の少なくとも１つを推定ま
たは予測する処理部を備えることを特徴とする交通流デ
ータ予測装置。1. A traffic flow data prediction device that predicts traffic flow data at a prediction target point or section at a prediction destination time point using traffic flow data and travel time data measured by measurement means installed at arbitrary intervals on a road. And the traffic flow data of the prediction target section at the prediction source time point at which the prediction process is performed, and the traffic flow data of the past time point indicating the distribution status approximating the time series or the spatial distribution status of the traffic flow data at the prediction source time. , From the past time, the travel time data including the number of past time points before and after the number of prediction points that have elapsed by the time difference between the prediction source time point and the prediction destination time point of the prediction target section, the average vehicle length, headway in the traffic flow of the prediction target section Distance speed factor, density, travel speed,
A traffic flow data prediction device comprising a processing unit for estimating or predicting at least one of a traffic volume, an occupation time, and an occupancy rate.
ータを、前記予測元時点の交通流データの時系列または
空間分布状況とのマッチングにより探索し、前記過去時
点の交通流データと前記予測時点数先過去時点を含む旅
行時間データとから成る複数の近似データセットを動的
に収集する近似データ収集手段を備えることを特徴とす
る請求項１に記載の交通流データ予測装置。2. The processing unit searches the traffic flow data at the past time by matching the traffic flow data at the past time with the time series or spatial distribution state of the traffic flow data at the prediction source time, and searches the traffic flow data at the past time and the traffic flow data at the past time. 2. The traffic flow data prediction device according to claim 1, further comprising an approximate data collection unit that dynamically collects a plurality of approximate data sets including travel time data including a number of predicted time points and past time points.
ットの交通量データ、占有時間データ及び旅行時間デー
タと、予測対象区間の距離と、速度、平均車長、交通量
及び占有率の間の関係と、速度、区間距離及び旅行時間
の間の関係とに基づいて、推定平均車長を算出する平均
車長推定手段を備えることを特徴とする請求項１または
２に記載の交通流データ予測装置。3. The processing unit according to claim 1, wherein the traffic data, the occupancy time data, and the travel time data of the plurality of approximate data sets, the distance, the speed, the average vehicle length, the traffic volume, and the occupancy of the section to be predicted are included. 3. The traffic flow data according to claim 1, further comprising: an average vehicle length estimating unit that calculates an estimated average vehicle length based on the relationship between the vehicle speed and the travel distance. Prediction device.
記近似データセットの交通量データ及び占有時間データ
と、前記予測時点数先過去時点の交通量データとから、
前記過去時点の予測旅行速度を算出し、さらに、交通
量、密度及び速度の間の関係に基づいて、密度及び平均
車頭距離の関係を規定する車頭距離速度係数を推定する
密度・車頭距離速度係数推定手段を備えることを特徴と
する請求項１、２または３に記載の交通流データ予測装
置。4. The processing unit, based on the estimated average vehicle length, the traffic volume data and the occupation time data of the approximate data set, and the traffic volume data of the past time points ahead of the predicted time point,
A density / headway distance speed coefficient for calculating the predicted travel speed at the past time point and further estimating a headway distance speed coefficient defining the relationship between the density and the average headway distance based on the relationship between traffic volume, density and speed. 4. The traffic flow data prediction device according to claim 1, further comprising an estimation unit.
測元時点の交通流データの交通量データ及び占有時間デ
ータとから、速度、平均車長、交通量及び占有率の間の
関係に基づいて、予測旅行速度を算出する旅行速度予測
手段を備えることを特徴とする請求項１、２または３に
記載の交通流データ予測装置。5. The processing unit, based on the estimated average vehicle length and the traffic volume data and the occupation time data of the traffic flow data at the time of the prediction source, a relationship between a speed, an average vehicle length, a traffic volume and an occupancy rate. 4. The traffic flow data prediction device according to claim 1, further comprising a travel speed prediction unit that calculates a predicted travel speed based on the travel speed.
定された前記車頭距離速度係数と、前記予測旅行速度と
から、交通量、密度及び速度の間の関係に基づいて、予
測交通量を算出する交通量予測手段を備えることを特徴
とする請求項１、２、３、４または５に記載の交通流デ
ータ予測装置。6. The predicted traffic based on a relationship between traffic volume, density, and speed based on the estimated average vehicle length, the estimated headway distance speed coefficient, and the predicted travel speed. 6. The traffic flow data prediction device according to claim 1, further comprising a traffic volume prediction means for calculating a volume.
記予測旅行速度と、前記予測交通量とから、速度、平均
車長、交通量及び占有時間の間の関係、または、密度及
び占有時間の間の関係に基づいて、予測占有時間及び予
測占有率を算出する占有時間・占有率予測手段を備える
ことを特徴とする請求項１、２、３、４、５または６に
記載の交通流データ予測装置。7. The processing unit, based on the estimated average vehicle length, the predicted travel speed, and the predicted traffic volume, a relationship between a speed, an average vehicle length, a traffic volume, and an occupation time; 7. The occupancy time / occupancy rate prediction means for calculating a predicted occupancy time and a predicted occupancy rate based on a relationship between occupancy times, according to claim 1, 2, 3, 4, 5, or 6. Traffic flow data prediction device.
計測する交通流データや旅行時間データを用いて、予測
対象地点または区間の予測先時点における交通流データ
を予測する交通流データ予測方法であって、 予測処理を行う予測元時点における予測対象区間の交通
流データと、 前記予測元時点の交通流データの時系列または空間分布
状況に近似する分布状況を示す過去時点の交通流データ
と、 前記過去時点より、予測対象区間の前記予測元時点と予
測先時点との時間差だけ経過した予測時点数先過去時点
を含む旅行時間データとから、予測対象区間の交通流に
おける平均車長、車頭距離速度係数、密度、旅行速度、
交通量、占有時間及び占有率の少なくとも１つを推定ま
たは予測することを特徴とする交通流データ予測方法。8. A traffic flow data prediction method for predicting traffic flow data at a prediction target point or section at a prediction destination time point using traffic flow data and travel time data measured by a measuring means installed at arbitrary intervals on a road. And the traffic flow data of the prediction target section at the prediction source time point at which the prediction process is performed, and the traffic flow data of the past time point indicating the distribution status approximating the time series or the spatial distribution status of the traffic flow data at the prediction source time. , From the past time, the travel time data including the number of past time points before and after the number of prediction points that have elapsed by the time difference between the prediction source time point and the prediction destination time point of the prediction target section, the average vehicle length, headway in the traffic flow of the prediction target section Distance speed factor, density, travel speed,
A traffic flow data prediction method characterized by estimating or predicting at least one of a traffic volume, an occupation time, and an occupancy rate.
測元時点の交通流データの時系列または空間分布状況と
のマッチングにより探索し、前記過去時点の交通流デー
タと前記予測時点数先過去時点を含む旅行時間データと
から成る複数の近似データセットを動的に収集する工程
を含むことを特徴とする請求項８に記載の交通流データ
予測方法。9. The traffic flow data at the past time point is searched for by matching with the time series or spatial distribution state of the traffic flow data at the prediction source time point. The traffic flow data prediction method according to claim 8, further comprising a step of dynamically collecting a plurality of approximate data sets each including travel time data including a time point.
データ、占有時間データ及び旅行時間データと、予測対
象区間の距離と、速度、平均車長、交通量及び占有率の
間の関係と、速度、区間距離及び旅行時間の間の関係と
に基づいて、推定平均車長を算出する工程を含むことを
特徴とする請求項８または９に記載の交通流データ予測
方法。10. A relationship between traffic volume data, occupancy time data, and travel time data of the plurality of approximate data sets, a distance, a speed, an average vehicle length, a traffic volume, and an occupancy rate of a prediction target section, and a speed. 10. The traffic flow data prediction method according to claim 8, further comprising a step of calculating an estimated average vehicle length based on a relationship between a section distance and a travel time.
セットの交通量データ及び占有時間データと、前記予測
時点数先過去時点の交通量データとから、前記過去時点
の予測旅行速度を算出し、さらに、交通量、密度及び速
度の間の関係に基づいて、密度及び平均車頭距離の関係
を規定する車頭距離速度係数を推定する工程を含むこと
を特徴とする請求項８、９または１０に記載の交通流デ
ータ予測方法。11. The predicted travel speed at the past time point is calculated from the estimated average vehicle length, the traffic volume data and the occupation time data of the approximate data set, and the traffic volume data at the past time point past the predicted time point. 11. The method according to claim 8, further comprising the step of estimating a headway distance speed coefficient defining a relationship between the density and the average headway distance based on the relationship between the traffic volume, the density and the speed. The described traffic flow data prediction method.
通流データの交通量データ及び占有時間データとから、
速度、平均車長、交通量及び占有率の間の関係に基づい
て、予測旅行速度を算出する工程を含むことを特徴とす
る請求項８、９または１０に記載の交通流データ予測方
法。12. Based on the estimated average vehicle length, the traffic volume data and the occupation time data of the traffic flow data at the time of the prediction source,
11. The traffic flow data prediction method according to claim 8, 9, or 10, further comprising a step of calculating a predicted travel speed based on a relationship among speed, average vehicle length, traffic volume, and occupancy.
車頭距離速度係数と、前記予測旅行速度とから、交通
量、密度及び速度の間の関係に基づいて、予測交通量を
算出する工程を含むことを特徴とする請求項８、９、１
０、１１または１２に記載の交通流データ予測方法。13. A step of calculating a predicted traffic volume from the estimated average vehicle length, the estimated headway distance speed coefficient, and the predicted travel speed based on a relationship between traffic volume, density, and speed. 10. The method according to claim 8, wherein
13. The traffic flow data prediction method according to 0, 11, or 12.
度と、前記予測交通量とから、速度、平均車長、交通量
及び占有時間の間の関係、または、密度及び占有時間の
間の関係に基づいて、予測占有時間及び予測占有率を算
出する工程を含むことを特徴とする請求項８、９、１
０、１１、１２または１３に記載の交通流データ予測方
法。14. The relationship between speed, average vehicle length, traffic volume and occupancy time, or density and occupancy time, from the estimated average vehicle length, the predicted travel speed and the predicted traffic volume. 10. The method according to claim 8, further comprising calculating a predicted occupation time and a predicted occupancy based on the relationship.
13. The traffic flow data prediction method according to 0, 11, 12 or 13.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP26107999A JP2001084479A (en) | 1999-09-14 | 1999-09-14 | Method and device for forecasting traffic flow data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP26107999A JP2001084479A (en) | 1999-09-14 | 1999-09-14 | Method and device for forecasting traffic flow data |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2001084479A true JP2001084479A (en) | 2001-03-30 |
Family
ID=17356800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP26107999A Withdrawn JP2001084479A (en) | 1999-09-14 | 1999-09-14 | Method and device for forecasting traffic flow data |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2001084479A (en) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100446015C (en) * | 2005-06-03 | 2008-12-24 | 同济大学 | Method and system in use for menstruating traffic movement on ground road network |
| CN101826257A (en) * | 2010-03-29 | 2010-09-08 | 北京市公安局公安交通管理局 | Method for detecting motor way travel condition in real time |
| CN102509456A (en) * | 2011-11-21 | 2012-06-20 | 青岛海信网络科技股份有限公司 | Saturation flow determination method and device |
| CN102800197A (en) * | 2012-02-27 | 2012-11-28 | 东南大学 | Preprocessing method of road section dynamic traffic stream essential data of urban road |
| CN103956052A (en) * | 2014-05-13 | 2014-07-30 | 紫光捷通科技股份有限公司 | Detecting method and system for road conditions |
| CN103971516A (en) * | 2014-05-13 | 2014-08-06 | 紫光捷通科技股份有限公司 | Traffic data preprocessing method and road condition detection method |
| CN104821080A (en) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | Intelligent vehicle traveling speed and time predication method based on macro city traffic flow |
| JP2015184967A (en) * | 2014-03-25 | 2015-10-22 | トヨタ自動車株式会社 | Moving velocity prediction device and moving velocity prediction method |
| CN105046953A (en) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | Short-time traffic-flow combination prediction method |
| CN105513350A (en) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | Time-phased multi-parameter short-term traffic flow prediction method based on time-space characteristics |
| CN106683405A (en) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | Road traffic state evaluation method based on road traffic flow density |
| CN108364463A (en) * | 2018-01-30 | 2018-08-03 | 重庆交通大学 | A kind of prediction technique and system of the magnitude of traffic flow |
| CN109598933A (en) * | 2018-12-10 | 2019-04-09 | 南京邮电大学 | It is a kind of based on the k of data-driven adjacent to the traffic flow forecasting method of non parametric regression |
| CN110299005A (en) * | 2019-06-10 | 2019-10-01 | 浙江大学 | A kind of city large-scale road network traffic speed prediction technique based on Deep integrating study |
| CN110930693A (en) * | 2019-11-04 | 2020-03-27 | 清华大学 | Online short-term traffic flow prediction method for road section |
| JP2020086647A (en) * | 2018-11-19 | 2020-06-04 | 沖電気工業株式会社 | Traffic flow prediction device, traffic flow prediction method, and program |
| CN111833596A (en) * | 2019-11-19 | 2020-10-27 | 东南大学 | Day-by-day road section flow prediction method considering decision inertia of travelers |
| CN111932869A (en) * | 2020-06-25 | 2020-11-13 | 厦门迅优通信科技有限公司 | Three-parameter analysis method based on traffic flow particle characteristics |
| CN113390429A (en) * | 2020-10-28 | 2021-09-14 | 腾讯科技（深圳）有限公司 | Navigation method and device |
| CN113538908A (en) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | Road condition partition system based on combined characteristic parameters |
| CN113538907A (en) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | Traffic flow classification-based driving time estimation system |
| CN114283590A (en) * | 2021-09-02 | 2022-04-05 | 青岛海信网络科技股份有限公司 | Traffic flow peak prediction method and device and electronic equipment |
| CN115457764A (en) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | Road section traffic density estimation method, device and medium based on vehicle track data |
-
1999
- 1999-09-14 JP JP26107999A patent/JP2001084479A/en not_active Withdrawn
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100446015C (en) * | 2005-06-03 | 2008-12-24 | 同济大学 | Method and system in use for menstruating traffic movement on ground road network |
| CN101826257A (en) * | 2010-03-29 | 2010-09-08 | 北京市公安局公安交通管理局 | Method for detecting motor way travel condition in real time |
| CN101826257B (en) * | 2010-03-29 | 2012-09-19 | 北京市公安局公安交通管理局 | Method for detecting motor way travel condition in real time |
| CN102509456A (en) * | 2011-11-21 | 2012-06-20 | 青岛海信网络科技股份有限公司 | Saturation flow determination method and device |
| CN102800197A (en) * | 2012-02-27 | 2012-11-28 | 东南大学 | Preprocessing method of road section dynamic traffic stream essential data of urban road |
| CN102800197B (en) * | 2012-02-27 | 2014-07-16 | 东南大学 | Preprocessing method of road section dynamic traffic stream essential data of urban road |
| JP2015184967A (en) * | 2014-03-25 | 2015-10-22 | トヨタ自動車株式会社 | Moving velocity prediction device and moving velocity prediction method |
| CN103971516B (en) * | 2014-05-13 | 2016-04-20 | 紫光捷通科技股份有限公司 | Traffic data preprocess method and road conditions detection method |
| CN103971516A (en) * | 2014-05-13 | 2014-08-06 | 紫光捷通科技股份有限公司 | Traffic data preprocessing method and road condition detection method |
| CN103956052B (en) * | 2014-05-13 | 2016-08-24 | 紫光捷通科技股份有限公司 | The detection method of a kind of highway condition and system |
| CN103956052A (en) * | 2014-05-13 | 2014-07-30 | 紫光捷通科技股份有限公司 | Detecting method and system for road conditions |
| CN104821080A (en) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | Intelligent vehicle traveling speed and time predication method based on macro city traffic flow |
| CN105046953A (en) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | Short-time traffic-flow combination prediction method |
| CN105513350A (en) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | Time-phased multi-parameter short-term traffic flow prediction method based on time-space characteristics |
| CN106683405A (en) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | Road traffic state evaluation method based on road traffic flow density |
| CN108364463A (en) * | 2018-01-30 | 2018-08-03 | 重庆交通大学 | A kind of prediction technique and system of the magnitude of traffic flow |
| JP2020086647A (en) * | 2018-11-19 | 2020-06-04 | 沖電気工業株式会社 | Traffic flow prediction device, traffic flow prediction method, and program |
| CN109598933A (en) * | 2018-12-10 | 2019-04-09 | 南京邮电大学 | It is a kind of based on the k of data-driven adjacent to the traffic flow forecasting method of non parametric regression |
| CN110299005A (en) * | 2019-06-10 | 2019-10-01 | 浙江大学 | A kind of city large-scale road network traffic speed prediction technique based on Deep integrating study |
| CN110299005B (en) * | 2019-06-10 | 2020-11-17 | 浙江大学 | Urban large-scale road network traffic speed prediction method based on deep ensemble learning |
| CN110930693A (en) * | 2019-11-04 | 2020-03-27 | 清华大学 | Online short-term traffic flow prediction method for road section |
| CN111833596A (en) * | 2019-11-19 | 2020-10-27 | 东南大学 | Day-by-day road section flow prediction method considering decision inertia of travelers |
| CN111932869A (en) * | 2020-06-25 | 2020-11-13 | 厦门迅优通信科技有限公司 | Three-parameter analysis method based on traffic flow particle characteristics |
| CN113390429B (en) * | 2020-10-28 | 2024-01-26 | 腾讯科技（深圳）有限公司 | Navigation method and device |
| CN113390429A (en) * | 2020-10-28 | 2021-09-14 | 腾讯科技（深圳）有限公司 | Navigation method and device |
| CN113538908A (en) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | Road condition partition system based on combined characteristic parameters |
| CN113538907B (en) * | 2021-07-09 | 2022-05-03 | 大连海事大学 | Traffic flow classification-based driving time estimation system |
| CN113538908B (en) * | 2021-07-09 | 2022-05-17 | 大连海事大学 | Road condition partition system based on combined characteristic parameters |
| CN113538907A (en) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | Traffic flow classification-based driving time estimation system |
| CN114283590A (en) * | 2021-09-02 | 2022-04-05 | 青岛海信网络科技股份有限公司 | Traffic flow peak prediction method and device and electronic equipment |
| CN115457764A (en) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | Road section traffic density estimation method, device and medium based on vehicle track data |
| CN115457764B (en) * | 2022-08-24 | 2023-07-18 | 华南理工大学 | Road section traffic density estimation method, device and medium based on vehicle track data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2001084479A (en) | Method and device for forecasting traffic flow data | |
| US9437108B2 (en) | Estimation of actual conditions of a roadway segment by weighting roadway condition data with the quality of the roadway condition data | |
| CN115331425B (en) | Traffic early warning method, device and system | |
| Lim et al. | Data fusion algorithm improves travel time predictions | |
| CN111126713B (en) | Space-time hot spot prediction method and device based on bayonet data and controller | |
| Moghaddam et al. | Quantifying measurement error in arterial travel times measured by bluetooth detectors | |
| Aljamal et al. | Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data | |
| JP7111151B2 (en) | Information processing device, road analysis method, and program | |
| Byon et al. | Bunching and headway adherence approach to public transport with GPS | |
| Oskarbski et al. | Estimating the average speed of public transport vehicles based on traffic control system data | |
| JP2007011596A (en) | Apparatus and method for estimating and predicting route trip time | |
| Alrukaibi et al. | Real-time travel time estimation in partial network coverage: A case study in Kuwait City | |
| CN117251722A (en) | Intelligent traffic management system based on big data | |
| JP2005234656A (en) | Delay time estimating device, method, system and program | |
| JP3932383B2 (en) | Traveling time prediction device | |
| JP3904629B2 (en) | Travel time prediction apparatus and travel time prediction method | |
| JP6678476B2 (en) | Travel route estimation device and travel route estimation method | |
| KR20160137300A (en) | State prediction method and apparatus for railway system components based on historic data clustering | |
| KR101526590B1 (en) | Method for Calculating Proportion of Realtime and Speed information | |
| JP3975004B2 (en) | Traffic flow data prediction apparatus and traffic flow data prediction method | |
| Lucas et al. | Online travel time estimation without vehicle identification | |
| Ma et al. | A new online travel time estimation approach using distorted automatic vehicle identification data | |
| JP2000322682A (en) | System, device and method for predicting traffic flow | |
| KR100532145B1 (en) | Apparatus for collecting and providing raw data in traffic information providing apparatus | |
| JP3526422B2 (en) | Travel time information calculation system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060911 |
|
| A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20080722 |