JP2007140745A - 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法 - Google Patents

Abstract

【課題】リンク内の任意の地点における渋滞を予測するとともに、道路の渋滞を高精度に予測することができる渋滞予測システムを提供する。
【解決手段】道路を走行する車両から得られる軌跡情報を用いて当該道路の渋滞を予測するシステム。渋滞を予測したい地点の１又は複数の情報であって、渋滞に影響を及ぼし得る環境情報を入力する入力手段３２と、前記渋滞を予測したい地点に対応して予め作成された、前記環境情報と、前記軌跡情報から得られる渋滞の程度との関係を表わす式を用いて、前記入力された環境情報に基づいて当該地点の渋滞を予測する渋滞予測手段３８とを備えている。
【選択図】 図１

Description

本発明は渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法に関する。さらに詳しくは、道路を走行する車両から得られる軌跡情報を用いて当該道路の渋滞を予測するシステム及び方法、並びに前記渋滞の要因を推測するシステム及び方法に関する。

交通整理や道路網の交通需要予測等に活用したり、できるだけ短時間で目的地に到達することができる最適な走行ルートを選定したりするために、道路の渋滞を予測することが行われている。

例えば、特許文献１には、予測対象区間の周辺の区間の旅行時間を予測のために用いることによって、前記予測対象区間の周辺における交通状況の急変に良好に対応した旅行時間の予測を行うことができる、旅行時間予測方法及び装置が記載されている。

この特許文献１記載の方法では、複数の区間で構成された経路上の任意の区間である予測対象区間を旅行するのに要する旅行時間が予測され、予測対象区間の区間長を当該予測対象区間の旅行時間で割った旅行速度と、前記予測対象区間の周辺の予測基礎区間の区間長を当該予測基礎区間の旅行時間で割った旅行速度との関係式を求めるステップと、求められた関係式に基づいて予測対象区間の所定時間先の旅行時間の予測値を求めるステップとを含んでいる。

また、特許文献１には、ニューラルネットワークを用いて前記関係式を求める態様についても記載されている。

特開平９−７３５９５号公報

しかしながら、特許文献１記載の方法では、主要な交差点に相当する点同士を結んだリンク単位での渋滞を予測することはできるが、リンク内における特定の地点単位での渋滞を予測することができない。すなわち、当該リンク内での車両の平均速度しか予測することができず、リンク内のどの箇所から渋滞しているのか、といった詳細な渋滞情報を得ることができない。

さらに、特許文献１記載の方法は、車両の位置と当該車両の速度に関するデータにのみ基づいて道路の渋滞を予測するものであり、渋滞の発生に影響を及ぼす種々の要因（天候や時間帯等が渋滞の要因として考えられる）を考慮しておらず、予測の精度が充分でない場合があった。

本発明は、このような事情に鑑みてなされたものであり、リンク内の任意の地点における渋滞を予測するとともに、道路の渋滞を高精度に予測することができる渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法を提供することを目的としている。

本発明の渋滞予測システムは、道路を走行する車両から得られる軌跡情報を用いて当該道路の渋滞を予測するシステムであって、
渋滞を予測したい地点の１又は複数の情報であって、渋滞に影響を及ぼし得る環境情報を入力する入力手段と、
前記渋滞を予測したい地点に対応して予め作成された、前記環境情報と、前記軌跡情報から得られる渋滞の程度との関係を表わす式を用いて、前記入力された環境情報に基づいて当該地点の渋滞を予測する渋滞予測手段と
を備えたことを特徴としている。

本発明の渋滞予測システムは、渋滞に影響を及ぼし得る環境情報と渋滞の程度との関係を表わす式を予め作成しておき、この式を用いて渋滞を予測したい地点の渋滞を予測しており、渋滞に直接影響を及ぼすパラメータを用いて渋滞を予測していることから、高精度な渋滞予測を行うことができる。また、前記関係を表わす式は、リンク単位ではなく当該リンク内の所定の複数の地点に対応してそれぞれ作成されているので、詳細な渋滞情報を得ることができる。

なお、本明細書において、「環境情報」とは、渋滞に影響を及ぼし得る、例えば天候、曜日（平日であるか否か）、時間帯（朝、昼、夕、夜、早朝、深夜等）、予測したい地点周辺で開催されているイベントの有無、工事規制の有無等の種々の情報のことであり、過去の統計や経験則等により選定することができる。また、「渋滞の程度」とは、車両速度（例えば、４０ｋｍ／ｈ）で表現されるものと、この車両速度を複数の区分に分け、各区分を定量的に区分けするために当該区分に付与された数値（１、２・・・ｎ等）で表現されるものの両方を含む概念である。

前記渋滞予測システムは、前記軌跡情報に基づいて、前記渋滞を予測したい地点の環境情報及び渋滞に関する情報を抽出する抽出手段と、
抽出された環境情報及び渋滞に関する情報に基づいて、ニューラルネットワークを用いて前記式の係数を算出する学習手段とを備えることができる。実際の交通渋滞の発生モデルは、あいまいな不確かさをもつ線形又は非線形の不特定モデルになり得ると考えられるが、ニューラルネットワークの場合、モデルを特定することができなくとも、線形、非線形を問わず対応することができる。

本発明の渋滞要因推定システムは、道路渋滞の要因を推定するシステムであって、
道路を走行する車両から得られる軌跡情報に基づいて、渋滞要因を推定したい地点の環境情報及び渋滞に関する情報を抽出する抽出手段と、
抽出された環境情報及び渋滞に関する情報に基づいてニューラルネットワークの重み係数を算出する学習手段と、
前記ニューラルネットワークの重み係数を用いて前記地点の渋滞要因を推定する要因推定手段と
を備えたことを特徴としている。

本発明の渋滞要因推定システムでは、渋滞要因を推定したい地点の環境情報及び渋滞に関する情報に基づいてニューラルネットワークの重み係数を算出しており、渋滞に直接影響を及ぼすパラメータを用いて前記重み係数を算出し、当該重み係数を用いて前記地点の渋滞要因を推定していることから、高精度に渋滞要因を推定することができる。また、前記ニューラルネットワークは、リンク単位ではなく当該リンク内の所定の複数の地点に対応してそれぞれ形成されているので、詳細な渋滞情報を得ることができる。なお、本明細書において、「渋滞に関する情報」とは、前記「渋滞の程度」と同様に、車両速度（例えば、４０ｋｍ／ｈ）で表現される情報と、この車両速度を複数の区分に分け、各区分を定量的に区分けするために当該区分に付与された数値（１、２・・・ｎ等）で表現される情報の両方を含む概念である。

また、本発明の渋滞予測方法は、道路を走行する車両から得られる軌跡情報を用いて当該道路の渋滞を予測する方法であって、
渋滞を予測したい地点の１又は複数の情報であって、渋滞に影響を及ぼし得る環境情報を入力するステップと、
前記渋滞を予測したい地点に対応して予め作成された、前記環境情報と、前記軌跡情報から得られる渋滞の程度との関係を表わす式を用いて、前記入力された環境情報に基づいて当該地点の渋滞を予測するステップと
を含むことを特徴としている。

本発明の渋滞予測方法は、渋滞に影響を及ぼし得る環境情報と渋滞の程度との関係を表わす式を予め作成しておき、この式を用いて渋滞を予測したい地点の渋滞を予測しており、渋滞に直接影響を及ぼすパラメータを用いて渋滞を予測していることから、高精度な渋滞予測を行うことができる。また、前記関係を表わす式は、リンク単位ではなく当該リンク内の所定の複数の地点に対応してそれぞれ作成されているので、詳細な渋滞情報を得ることができる。

さらに、本発明の渋滞要因推定方法は、道路渋滞の要因を推定する方法であって、
道路を走行する車両から得られる軌跡情報に基づいて、渋滞要因を推定したい地点の環境情報及び渋滞に関する情報を抽出するステップと、
抽出された環境情報及び渋滞に関する情報に基づいてニューラルネットワークの重み係数を算出するステップと、
前記ニューラルネットワークの重み係数を用いて前記地点の渋滞要因を推定するステップと
を含むことを特徴としている。

本発明の渋滞要因推定方法では、渋滞要因を推定したい地点の環境情報及び渋滞に関する情報に基づいてニューラルネットワークの重み係数を算出しており、渋滞に直接影響を及ぼすパラメータを用いて前記重み係数を算出し当該重み係数を用いて前記地点の渋滞要因を推定していることから、高精度に渋滞要因を推定することができる。また、前記ニューラルネットワークは、リンク単位ではなく当該リンク内の所定の複数の地点に対応してそれぞれ形成されているので、詳細な渋滞情報を得ることができる。

本発明の渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法によれば、リンク内の任意の地点における渋滞を予測するとともに、道路の渋滞を高精度に予測することができる。

以下、添付図面を参照しつつ、本発明の渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法の実施の形態を詳細に説明する。

図１は、本発明の一実施の形態に係る渋滞予測システムのブロック構成図である。この実施の形態は、車両の走行軌跡情報（データ）を取得、蓄積するとともに、この蓄積されたデータを基地局１０に送信する車載装置１と、前記基地局１０から専用線又はインターネット２０を介して送信されるデータを受信するとともに、このデータを用いて渋滞の予測や渋滞要因の推定を行うセンター装置３０とで主に構成されている。

前記車載装置１は、車両の方位を計測する方位センサ２、車両速度を計測する車速センサ３、車両位置を測位するＧＰＳ処理部４、これらのセンサで計測したデータ等を走行軌跡情報として記憶する記憶部５、この記憶部５に記憶されている走行軌跡情報を基地局１０に送信する送信部６、及びかかる送信等の処理を制御する制御部７を有している。本実施の形態では、送信部６は携帯電話機で構成されており、前記車両速度データ等の車両の走行軌跡情報を携帯基地局１０に送信する。車両の走行軌跡情報としては、図２に示されるように、例えば計測時点の時刻（年月日時分秒）、車両の位置（経度、緯度及び高度）、車両速度、方位（例えば、北を０度として時計廻りの角度で表記することができる）、車種（大型車又は小型車。例えば、大型車を「１」とし、小型車を「２」とする））等を挙げることができる。また、走行軌跡情報は、例えば１秒毎に蓄積され、蓄積された走行軌跡情報の携帯基地局１０への送信は、３時間おき、２４時間おき等定期的に行ってもよいし、また不定期に行ってもよい。なお、「車両位置」のデータは、本実施の形態では、緯度経度で表示された座標データであるが、必ずしも緯度経度に限られるものではなく、地図の基準点からのＸ方向の距離とＹ方向の距離でもよく、また地図の基準点からの距離と角度であってもよい。

車載装置１を搭載する車両、すなわちプローブカーとしては、バスやタクシー等、一定の区域又は区間を定期的に走行しているものを選定するのが好ましい。また、サンプリング期間としては、季節により渋滞の程度が異なる場合を考慮すると、１年以上とするのが好ましいが、海水浴場やスキー場等特定の季節に交通量が増大する施設や場所等が周辺にない場合は、１〜６ヶ月程度とすることもできる。

センター装置３０は、複数の車載装置１からのデータを受信する受信部３１、渋滞に影響を及ぼし得る環境情報を入力する入力手段である入力部３２、前記受信部３１で受信されたデータ及び前記入力部３２から入力された環境情報等を記憶する記憶部３３、並びに後述するリンクマッチング処理部３４、抽出部３５、外部情報取得部３６、学習部３７、渋滞予測部３８、渋滞要因推定部３９、表示部４０及びデータベース４１を有している。

本発明では、車両の走行により得られる車両位置や車両速度等の走行軌跡情報（データ）とともに、前記入力部３２から入力されるか、又は外部情報取得部３５により取得される環境情報を用いて、渋滞の予測や渋滞要因の推定が行われる。環境情報としては、例えば天候（晴れ、小雨、大雨、雪等）、曜日（平日であるか否か）、時間帯（朝、昼、夕、夜、早朝、深夜等）、予測したい地点周辺で開催されているコンサート、スポーツの試合、博覧会、見本市、お祭り等のイベントの有無、工事規制の有無等を挙げることができ、過去の統計や経験則等により選定することができる。これらのうち、イベントの有無や工事規制の有無は、例えば予めセンターにおいて入力部３２から入力されるが、その際、前記イベントや交通規制の影響が及ぶ区域又は地点を設定しておく。また、天候については、定期的に気象情報をデータベース４１に取り込み、外部情報取得部３６により当該データベース４１から、予測したい地点が含まれるエリアの天候に関する情報を取得するようにすることができる。

［リンクマッチング］
本実施の形態では、車両の走行道路を判定するために、道路を走行する車両位置を測位して、当該測位された位置を前記記億部３３に記憶されている道路地図データ上のリンク（道路区間に対応し、当該道路区間の両端点の位置と、道路の走行方向により規定される、方向付きの線分のことである）にマッチングさせる手法（以下、リンクマッチング法ともいう）がとられており、さらにこのリンクマッチング法で得られたリンク（以下、整合リンクともいう）に車両位置を対応付けている。この整合リンクについての整合リンクデータは、道路の走行方向のデータと、リンク両端点の座標データとを含んでいる。

すなわち、前記道路地図データには、リンクを表す座標とリンク同士の接続情報とが含まれており、また前記リンクマッチング処理部３４は、車載装置１から送られてきた走行軌跡情報と前記道路地図データのリンク情報に基づいて車両が走行しているリンク、すなわち整合リンクを特定するリンクマッチング手段と、測位した車両位置を整合リンク上に対応付けるリンク対応付け手段とを有している。そして、リンクマッチング手段は、車載装置１から送られてくる車両位置に基づいて、車両が走行した軌跡を道路地図データ上のリンクにマッチさせて、整合リンクを特定する。リンクマッチング手段は、この整合リンク両端点の車両の通過時刻を推定して、その両端点の通過時刻のデータを、整合リンクデータに含めて、前記リンク対応付け手段に供給する。

リンク対応付け手段は、前記車載装置１からの車両位置データを取得するとともに、前記リンクマッチング手段からの整合リンクデータを取得する。

図３は、車載装置から取得された整合リンクＬ１を地図上に示した図である。取得された整合リンクデータには、前述したように車両の両端点通過時刻が付属しているので、この両端点通過時刻も図３に示されている。

さらに、リンク対応付け手段は、当該車両位置データの中から、データ検出時刻（車両位置データには、当該車両位置データが検出された時点の時刻が含まれている）をサーチして、整合リンクの両端点通過時刻の範囲に入るものを抽出する。

抽出された車両位置データを図３において三角印でプロットしている。車両位置データの検出時刻は、図３の三角印の側（そば）に示している。

図３の例でいえば、リンクＬ１の始点の通過時刻は８時１０分２５秒であり、退出時刻は８時１２分００秒であるから、この時間内に検出された車両位置データを抽出する。抽出された車両位置データは、８時１０分３６秒のものから８時１１分５８秒のものまで６つある。

リンク対応付け手段は、各車両位置から整合リンクに垂線を下ろし、その垂線と整合リンクとの交点の座標を算出する。これにより、測位された車両の位置を整合リンク上の点に対応付ける。

ただし、図３に示す８時１１分５８秒の車両位置データのように、車両位置から整合リンクに垂線を下ろすと、整合リンクの線分上に交わらず、その延長線に交わる場合がある。このときは、整合リンクの最も近い端点に対応させる。

なお、整合リンクの最も近い端点に対応させるべき車両位置が複数あるときは、当該リンク端点の通過時刻に最も近い時刻の車両位置を、当該リンク端点に対応させる。

図４は、整合リンク端点に対応させるべき車両位置が複数ある場合の取扱いを説明するリンク地図である。リンクＬ１とリンクＬ２とが交差点で直角に交差している。リンクＬ１の始点の通過時刻は８時９分００秒、退出時刻は８時１０分２５秒であり、リンクＬ２の始点の通過時刻は８時１０分２５秒、退出時刻は８時１２分００秒であるとする。車両位置をａからｊで表している。車両位置ａからｆの測位時刻は、８時９分００秒から８時１０分２５秒までであり、これらの車両位置はリンクＬ１に対応する。車両位置ｇからｊの測位時刻は、８時１０分２５秒から８時１２分００秒までであり、これらの車両位置はリンクＬ２に対応する。

図４において破線で囲まれた車両位置ｅ、ｆは、整合リンクＬ１に垂線を下ろしても、リンクの線分上に交わらず、延長線に交わるものを示している。また、図４において破線で囲まれた車両位置ｇは、整合リンクＬ２に垂線を下ろしても、リンクの線分上に交わらず、延長線に交わるものを示している。

このように、車両位置ｅ、ｆ、ｇは３つともリンクＬ１、Ｌ２の端点に対応する。この場合、車両位置ｅ、ｆ、ｇのうち、その測位時刻が当該端点の通過時刻に最も近い車両位置（例えば、車両位置ｆ）を当該端点に対応させる。当該端点に対応されなかった車両位置データは、この処理では使用しない。このようにして、検出された車両の位置を整合リンク上の点に対応付けることができる。

前記リンクマッチング及び整合リンクへの車両位置の対応付けは、プローブカーに搭載された車載装置１からの走行軌跡情報が前記記憶部３３に記憶されるとすぐに実行される。そして、補正された走行軌跡情報が作成され、この補正された走行軌跡情報が前記記憶部３３にオリジナルの走行軌跡情報とは別に記憶される。また、前記対応付けとともに、車両位置のグルーピングが行われる。具体的には、例えば図５においてＡで示される地点を中心として半径１０ｍの範囲内のリンク上に対応付けられる車両位置ａ１、ａ２、ａ３は、地点Ａに属する走行軌跡情報としてグルーピングされ、この地点Ａの渋滞予測を行う際に利用される。

また、本実施の形態では、リンク上の複数の地点に対応して、予め環境情報と渋滞の程度との関係を表す関係式を作成しているが、この複数の地点は、例えば図６に示されるようにして選定することができる。すなわち、道路の交差点Ｃを起点として、当該交差点Ｃから２０ｍ毎に前記地点を設定することができる。渋滞予測の対象とされる前記地点は、緯度、経度及び向き（車両の進行方向）で特定することができる。

［環境情報の抽出］
渋滞を予測したい地点に対応する、前記環境情報と渋滞の程度との関係を表わす式をニューラルネットワークを利用して作成するに際し、任意地点の走行軌跡情報に基づいて、システムが保有している環境情報から、当該任意地点に係る環境情報をニューラルネットワークへの入力信号用として抽出する。この抽出は前記抽出部３５にて行われる。前述したように、イベントの有無や天候といった環境情報は、リンク上の地点と関連付けられて記憶部３３に記憶されているが、例えば図５においてＡで示される地点の渋滞を予測する場合、当該Ａ地点に関連付けて記憶されている環境情報が抽出される。

前記環境情報は、例えば次の表１に示されるように、曜日、イベントの有無、天候、時間帯等をそれぞれ正数化（＞０）して分類されている。

［ニューラルネットワークの学習］
本実施の形態では、つぎの理由により、ニューラルネットワークとして１出力―ｎ入力の１階層型のものを使用している。すなわち、渋滞予測だけに着目すると多階層のニューラルネットワークも採用することができ、またその方があらゆる環境変化に的確に対応することができるため望ましいと考えられるが、一方、重み係数を用いて渋滞要因を推測する場合、多階層では当該重み係数が複雑に関連し合って要因の抽出が難しくなるからである。ニューラルネットワークの学習は、前記センター装置３０の学習部３７により行われる。

抽出された入力信号をＸｉ、重み係数をＡｉとすると、出力（車両速度）Ｙは次の式（１）により表される。
Ｙ＝ΣＡｉ×Ｘｉ・・・・・・（１）
教師信号は、入力の条件群に対応する実速度（ｋｍ／ｈ）とし、また重み係数Ａｉの初期値は全て同一の固定値（ａ）＞０から開始する。

［学習済みニューラルネットワークによる渋滞予測］
学習済みのニューラルネットワークを利用することで、以降は予測したい地点の環境情報群を入力するだけで、前記渋滞予測部３８により当該地点における推定速度が出力され、渋滞の予測を行うことができる。この場合に、推定速度の値そのものを前記センター装置３０の表示部４０に表示することもできるが、一定の閾値（例えば、ｍ＝１０ｋｍ／ｈ）を設定しておき、出力値（推定速度）≦ｍとなった場合に「渋滞」と判定（予測）することもできる。さらには、複数の閾値を設定し、例えば「大渋滞」（推定速度≦５ｋｍ／ｈ）、「中渋滞」（５ｋｍ／ｈ＜推定速度≦１０ｋｍ／ｈ）、「小渋滞」（１０ｋｍ／ｈ＜推定速度≦１５ｋｍ／ｈ）等と判定することもできる。また、渋滞の程度に応じて、表示部４０により表示される地図画面上において当該地点の色を変えるようにしてもよく、こうすることで視覚的に分かり易い渋滞予測を行うことができる。

渋滞予測の方法は、例えばつぎのようにして行うことができる。例えば図７に示されるような地図画面において、渋滞を予測したい地点（複数地点でも可）をクリックすることで、当該地点の走行軌跡情報及び環境情報が前記抽出部３５により抽出され、さらに抽出された情報が前記学習部３７においてニューラルネットワークにより学習される。この学習が完了すると、表示部４０には環境情報の入力画面が表示され、この入力画面において渋滞を予測したい地点の環境情報を入力した後に実行ボタンをクリックすることで、学習済みのニューラルネットワークを利用して前記地点の渋滞の程度が車両速度（地図における地点を示すシンボルの側に表示される）又は所定の色（地図における地点を示すシンボルが着色される）で表示されるようにすることができる。そして、再度、渋滞を予測したい地点をクリックすることで、後述する渋滞推定要因を表示した画面を表示するようにすることができる。

このように、本実施の形態では、渋滞に影響を及ぼし得る環境情報と渋滞の程度との関係を表わす式をニューラルネットワークで作成し、この式を用いて渋滞を予測したい地点の渋滞を予測しており、渋滞に直接影響を及ぼすパラメータを用いて渋滞を予測していることから、高精度な渋滞予測を行うことができる。また、前記関係を表わす式は、リンク単位ではなく当該リンク内の所定の複数の地点に対応してそれぞれ作成されているので、詳細な渋滞情報を得ることができる。

［渋滞要因の推測］
学習済みのニューラルネットワークの重み係数から、任意の地点の渋滞要因が抽出され、当該地点における渋滞の要因が前記渋滞要因推定部３９にて推測される。ただし、抽出できる条件としては、重み係数に後述する条件を満たす「ばらつき」がある場合に限られる。換言すれば、集合から突出している重み係数が抽出されるように条件が設定されている。
以下、表２を参照しつつ、渋滞要因の推測手法について説明をする。

表２は７つの地点について、渋滞要因の推測を行っている。まず、各地点に対応するニューラルネットワークの重み係数Ａ１〜Ａ５について、平均値μと標準偏差σを計算する（ステップ１）。

次に、標準偏差閾値（ｋ）を定め、ステップ１で求めた標準偏差σが、σ＞ｋとなった場合に、重み係数Ａ１〜Ａ５に「ばらつき」がある（渋滞要因に特徴がある）と判断し、次のステップに進む。前記σ＞ｋの条件を満たさなかった場合は、渋滞要因に特徴がないものとして終了するか、又は重み係数の初期値を変更して再度処理を繰り返す（ステップ２）。表２の例では、標準偏差閾値ｋを１としている。

ついで、重み係数の集合について、以下の条件を満たすものを抽出する（ステップ３）。
Ａｉ≧μ＋σ＞０
Ａｉ≦μ−σ＜０
なお、前記条件を満たす重み係数が複数存在する場合は、重み係数の絶対値が大きい順に上位ｎ位（例えば、ｎ＝３）まで抽出する。上位の重み係数に係る環境情報ほど、渋滞の要因として大きいものとする。

ステップ３において、前記条件を満たす重み係数が存在しない場合は、重み係数のうち絶対値が最も大きいものを抽出し、当該絶対値が最大の重み係数に係る環境情報を渋滞の最重要要因とする（ステップ４）。

表２において、Ｎｏ．１で示される地点は、標準偏差σ（＝０．５４５８９３７６）が標準偏差閾値ｋ（＝１）よりも小さいので、渋滞要因に特徴がないものとしてシステムが終了している。また、Ｎｏ．２で示される地点は、標準偏差σ（＝２．０７４３６７３７）が標準偏差閾値ｋ（＝１）よりも大きいので、ステップ２を通過し、ついでステップ３において、５つの重み係数Ａ１〜Ａ５のうちＡ５が、Ａ５（＝４．２）≧μ＋σ（＝３．８１４３６７３７）＞０を満たすことから抽出される。Ｎｏ．３及びＮｏ．５で示される地点では、ステップ３において２つの重み係数が抽出されているが、いずれの場合も絶対値の大きいＡ５に係る環境情報が渋滞要因として大きいものとされる。また、Ｎｏ．６で示される地点は、重み係数Ａ１（＝０．１）がＡ１≦μ−σ（＝０．６３６１８３８７）の条件を満たすものの、Ａ１は正の値であり、Ａ１＜０という条件を満たさないので、抽出されない。さらに、Ｎｏ．７で示される地点は、ステップ３において、前記条件（Ａｉ≧μ＋σ＞０又はＡｉ≦μ−σ＜０）を満たす重み係数が存在しないので、重み係数のうち絶対値が最も大きいＡ２を抽出し、当該Ａ２に係る環境情報を渋滞の最重要要因としている。

このように、本実施の形態では、渋滞に直接影響を及ぼすパラメータを用いてニューラルネットワークの重み係数を算出し、当該重み係数を用いて前記地点の渋滞要因を推定していることから、高精度に渋滞要因を推定することができる。また、前記ニューラルネットワークは、リンク単位ではなく当該リンク内の所定の複数の地点に対応してそれぞれ形成されているので、詳細な渋滞情報を得ることができる。

そして、本発明によれば、道路管理者又は道路利用者に対して、リンク内の所定の地点における任意の渋滞予測及び渋滞時の解消予測についての情報を提供することができる。例えば、国道○○号線北行きの市役所前付近では、雨が降ると渋滞する可能性がある、夕方になると渋滞する可能性がある、現在は渋滞しているが雨がやめば解消する可能性がある、現在は渋滞しているがコンサート（イベント）が完了すれば解消する可能性がある、といった各種の情報を提供することができる。

なお、本実施の形態では、１階層型のニューラルネットワークを用いて環境情報と渋滞の程度との関係式を求めているが、本発明はこれに限定されるものではなく、多階層のニューラルネットワークを用いることもでき、またニューラルネットワーク以外に、例えば最小二乗法等により、環境情報と渋滞の程度との関係式を求めることもできる。また、本実施の形態では、渋滞の程度として車両速度を採用しているが、渋滞度、すなわち車両速度を複数の区分に分け、各区分を定量的に区分けするために当該区分に数値（１、２・・・ｎ等）を付与したもの等を採用することもできる。

本発明の渋滞予測システムの一実施の形態のブロック構成図である。 走行軌跡情報のフォーマットの一例を示す図である。 車載装置から取得された整合リンクを、車両の位置とともに示した図である。 整合リンク端点に対応させるべき車両位置が複数ある場合の取扱いを説明するためのリンク図である。 複数の車両位置とそれらを代表するリンク上の地点の関係を説明する図である。 渋滞予測可能なリンク上の複数の地点を示す図である。 本発明の渋滞予測システムの利用例を説明する図である。

符号の説明

１ 車載装置
２ 方位センサ
３ 車速センサ
１０ 携帯基地局
２０ インターネット
３０ センター装置
３２ 入力部
３３ 記憶部
３４ リンクマッチング処理部
３５ 抽出部
３７ 学習部
３８ 渋滞予測部
３９ 渋滞要因推定部

Claims (5)

1. 道路を走行する車両から得られる軌跡情報を用いて当該道路の渋滞を予測するシステムであって、
   渋滞を予測したい地点の１又は複数の情報であって、渋滞に影響を及ぼし得る環境情報を入力する入力手段と、
   前記渋滞を予測したい地点に対応して予め作成された、前記環境情報と、前記軌跡情報から得られる渋滞の程度との関係を表わす式を用いて、前記入力された環境情報に基づいて当該地点の渋滞を予測する渋滞予測手段と
   を備えたことを特徴とする渋滞予測システム。
2. 前記軌跡情報に基づいて、前記渋滞を予測したい地点の環境情報及び渋滞に関する情報を抽出する抽出手段と、
   抽出された環境情報及び渋滞に関する情報に基づいて、ニューラルネットワークを用いて前記式の係数を算出する学習手段と
   を備えた請求項１に記載の渋滞予測システム。
3. 道路渋滞の要因を推定するシステムであって、
   道路を走行する車両から得られる軌跡情報に基づいて、渋滞要因を推定したい地点の環境情報及び渋滞に関する情報を抽出する抽出手段と、
   抽出された環境情報及び渋滞に関する情報に基づいてニューラルネットワークの重み係数を算出する学習手段と、
   前記ニューラルネットワークの重み係数を用いて前記地点の渋滞要因を推定する要因推定手段と
   を備えたことを特徴とする渋滞要因推定システム。
4. 道路を走行する車両から得られる軌跡情報を用いて当該道路の渋滞を予測する方法であって、
   渋滞を予測したい地点の１又は複数の情報であって、渋滞に影響を及ぼし得る環境情報を入力するステップと、
   前記渋滞を予測したい地点に対応して予め作成された、前記環境情報と、前記軌跡情報から得られる渋滞の程度との関係を表わす式を用いて、前記入力された環境情報に基づいて当該地点の渋滞を予測するステップと
   を含むことを特徴とする渋滞予測方法。
5. 道路渋滞の要因を推定する方法であって、
   道路を走行する車両から得られる軌跡情報に基づいて、渋滞要因を推定したい地点の環境情報及び渋滞に関する情報を抽出するステップと、
   抽出された環境情報及び渋滞に関する情報に基づいてニューラルネットワークの重み係数を算出するステップと、
   前記ニューラルネットワークの重み係数を用いて前記地点の渋滞要因を推定するステップと
   を含むことを特徴とする渋滞要因推定方法。
   

Images