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
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 Download PDFInfo
- Publication number
- JP2007140745A JP2007140745A JP2005331494A JP2005331494A JP2007140745A JP 2007140745 A JP2007140745 A JP 2007140745A JP 2005331494 A JP2005331494 A JP 2005331494A JP 2005331494 A JP2005331494 A JP 2005331494A JP 2007140745 A JP2007140745 A JP 2007140745A
- Authority
- JP
- Japan
- Prior art keywords
- traffic
- information
- traffic congestion
- traffic jam
- point
- 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.)
- Pending
Links
Images
Landscapes
- Instructional Devices (AREA)
- Traffic Control Systems (AREA)
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
【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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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)
- 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005331494A JP2007140745A (ja) | 2005-11-16 | 2005-11-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005331494A JP2007140745A (ja) | 2005-11-16 | 2005-11-16 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2007140745A true JP2007140745A (ja) | 2007-06-07 |
Family
ID=38203541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005331494A Pending JP2007140745A (ja) | 2005-11-16 | 2005-11-16 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2007140745A (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697250B (zh) * | 2009-11-05 | 2011-02-09 | 东南大学 | 城市公交车辆路段行程时间改进预测方法 |
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
WO2018177421A1 (zh) * | 2017-03-30 | 2018-10-04 | 杭州海康威视数字技术股份有限公司 | 一种预测车辆出现地点的方法及装置 |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
JP2019527871A (ja) * | 2017-06-13 | 2019-10-03 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | 到着予定時刻を決定するシステム及び方法 |
CN111613052A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种交通状况确定方法、装置、电子设备及存储介质 |
CN112950926A (zh) * | 2019-12-10 | 2021-06-11 | 宁波中国科学院信息技术应用研究院 | 一种基于大数据和深度学习的城市主干道路速度预测方法 |
CN113034894A (zh) * | 2021-02-04 | 2021-06-25 | 招商新智科技有限公司 | 一种etc门架***、高速公路路段封闭预警方法及装置 |
WO2023228260A1 (ja) * | 2022-05-23 | 2023-11-30 | 日本電信電話株式会社 | 情報処理装置、情報処理プログラム、及び情報処理方法 |
CN117275236A (zh) * | 2023-10-11 | 2023-12-22 | 宁波宁工交通工程设计咨询有限公司 | 基于多目标识别的交通拥堵管理方法及*** |
CN117392852A (zh) * | 2023-12-11 | 2024-01-12 | 大作(江苏)云科技有限公司 | 一种面向大数据分析的云计算资源调度优化*** |
-
2005
- 2005-11-16 JP JP2005331494A patent/JP2007140745A/ja active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697250B (zh) * | 2009-11-05 | 2011-02-09 | 东南大学 | 城市公交车辆路段行程时间改进预测方法 |
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
WO2018177421A1 (zh) * | 2017-03-30 | 2018-10-04 | 杭州海康威视数字技术股份有限公司 | 一种预测车辆出现地点的方法及装置 |
JP2019527871A (ja) * | 2017-06-13 | 2019-10-03 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | 到着予定時刻を決定するシステム及び方法 |
US10989548B2 (en) | 2017-06-13 | 2021-04-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining estimated time of arrival |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN111613052B (zh) * | 2019-02-25 | 2022-03-04 | 北京嘀嘀无限科技发展有限公司 | 一种交通状况确定方法、装置、电子设备及存储介质 |
CN111613052A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种交通状况确定方法、装置、电子设备及存储介质 |
CN112950926A (zh) * | 2019-12-10 | 2021-06-11 | 宁波中国科学院信息技术应用研究院 | 一种基于大数据和深度学习的城市主干道路速度预测方法 |
CN113034894A (zh) * | 2021-02-04 | 2021-06-25 | 招商新智科技有限公司 | 一种etc门架***、高速公路路段封闭预警方法及装置 |
WO2023228260A1 (ja) * | 2022-05-23 | 2023-11-30 | 日本電信電話株式会社 | 情報処理装置、情報処理プログラム、及び情報処理方法 |
CN117275236A (zh) * | 2023-10-11 | 2023-12-22 | 宁波宁工交通工程设计咨询有限公司 | 基于多目标识别的交通拥堵管理方法及*** |
CN117275236B (zh) * | 2023-10-11 | 2024-04-05 | 宁波宁工交通工程设计咨询有限公司 | 基于多目标识别的交通拥堵管理方法及*** |
CN117392852A (zh) * | 2023-12-11 | 2024-01-12 | 大作(江苏)云科技有限公司 | 一种面向大数据分析的云计算资源调度优化*** |
CN117392852B (zh) * | 2023-12-11 | 2024-05-03 | 深圳鹏智瑞数字营销有限公司 | 一种面向大数据分析的云计算资源调度优化*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2007140745A (ja) | 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 | |
JP5374067B2 (ja) | 交通状態シミュレーション装置及びプログラム | |
US8694242B2 (en) | Traveling information creating device, traveling information creating method and program | |
JP4591395B2 (ja) | ナビゲーションシステム | |
US10446022B2 (en) | Reversible lane active direction detection based on GNSS probe data | |
US11244177B2 (en) | Methods and systems for roadwork zone identification | |
US8706408B2 (en) | Navigation system and route search method | |
EP3683549B1 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
JP6727868B2 (ja) | 経路案内装置、経路案内システム、経路案内方法及び経路案内プログラム | |
JP2005259116A (ja) | 交通情報算出装置、交通情報算出方法、交通情報表示方法および交通情報表示装置 | |
US20190145794A1 (en) | System and Method for Predicting Hyper-Local Conditions and Optimizing Navigation Performance | |
EP3745087B1 (en) | Method, apparatus, and computer program product for determining lane level vehicle speed profiles | |
US11237007B2 (en) | Dangerous lane strands | |
CN105144261A (zh) | 行驶环境评价***、行驶环境评价方法、驾驶支援装置以及行驶环境的显示装置 | |
EP3686865B1 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
EP2610782A1 (en) | Method for planning the route of a vehicle | |
EP3821388A1 (en) | Method, apparatus, and computer program product for evaluating public transportation use | |
CN106133802A (zh) | 用于推定行驶速度的装置和方法 | |
US20220207995A1 (en) | Origination destination route analytics of road lanes | |
US11341845B2 (en) | Methods and systems for roadwork zone identification | |
JP2014066655A (ja) | 経路探索装置及び経路探索方法 | |
JP2020004209A (ja) | 情報処理システム、情報処理プログラムおよび情報処理方法 | |
JP2020004225A (ja) | 情報処理システム、情報処理プログラムおよび情報処理方法 | |
JP3753804B2 (ja) | 地図情報表示制御装置 | |
US20230196915A1 (en) | Method, apparatus, and computer program product for determining lane closures along a road |