JP2020086647A - Traffic flow prediction device, traffic flow prediction method, and program - Google Patents

Traffic flow prediction device, traffic flow prediction method, and program Download PDF

Info

Publication number
JP2020086647A
JP2020086647A JP2018216584A JP2018216584A JP2020086647A JP 2020086647 A JP2020086647 A JP 2020086647A JP 2018216584 A JP2018216584 A JP 2018216584A JP 2018216584 A JP2018216584 A JP 2018216584A JP 2020086647 A JP2020086647 A JP 2020086647A
Authority
JP
Japan
Prior art keywords
vehicle
traffic
speed
traffic density
traffic flow
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.)
Granted
Application number
JP2018216584A
Other languages
Japanese (ja)
Other versions
JP7172491B2 (en
Inventor
松平　正樹
Masaki Matsudaira
正樹 松平
林　正博
Masahiro Hayashi
正博 林
淳基 増田
Junki Masuda
淳基 増田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Oki Electric Industry Co Ltd
Original Assignee
Oki Electric Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Oki Electric Industry Co Ltd filed Critical Oki Electric Industry Co Ltd
Priority to JP2018216584A priority Critical patent/JP7172491B2/en
Publication of JP2020086647A publication Critical patent/JP2020086647A/en
Application granted granted Critical
Publication of JP7172491B2 publication Critical patent/JP7172491B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

To provide a traffic flow prediction device, traffic flow prediction method, and program for minutely predicting a traffic flow.SOLUTION: A traffic flow prediction device comprises: a detector information acquisition section for acquiring detector information, from vehicle detectors, which is acquired at predetermined time interval by the vehicle detectors respectively arranged at multiple points on a road and which includes at least vehicle number information on vehicles passing the points where the vehicle detectors are arranged and speeds of the vehicles; an on-vehicle unit information acquisition section for acquiring on-vehicle unit information which includes at least position information on vehicles traveling on the road and speeds of the vehicles traveling on the road from on-vehicle units mounted on the vehicles traveling on the road; and a traffic flow prediction section for predicting a traffic flow on the road based on a relational expression between a traffic density and speeds and relation between a traffic density and a traffic density at a succeeding time, that are learned based on the detector information and the on-vehicle unit information.SELECTED DRAWING: Figure 1

Description

本発明は、交通流予測装置、交通流予測方法及びプログラムに関する。 The present invention relates to a traffic flow prediction device, a traffic flow prediction method, and a program.

従来、高速道路等の道路の対象区間の通過にかかる時間である所要時間を予測することが行われている。このような予測により得られる所要時間の予測値は、例えばドライバへ通知されることによって、交通に関する有用な情報として活用される。そして、近年において所要時間の予測に関する種々の技術が提案されている。 Conventionally, it has been performed to predict a required time that is a time required to pass a target section of a road such as an expressway. The predicted value of the required time obtained by such prediction is utilized as useful information regarding traffic by notifying the driver, for example. In recent years, various techniques regarding prediction of required time have been proposed.

例えば、トラフィックカウンタと呼ばれる車両検知器によって取得される、交通量や速度、車種等のデータ（いわゆるトラカンデータ）、又は、走行する車両に備えられたセンサから得られる、車両の走行軌跡情報等を含むデータ（いわゆるプローブデータ）のいずれかを基に、所要時間を予測する技術が提案されている。 For example, data such as traffic volume, speed, or vehicle type (so-called tractor data) acquired by a vehicle detector called a traffic counter, or traveling locus information of the vehicle obtained from a sensor provided in a traveling vehicle is used. A technique for predicting the required time based on any of the included data (so-called probe data) has been proposed.

例えば、以下の特許文献１には、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及び交通流データ予測方法が開示されている。 For example, in Patent Document 1 below, traffic flow data and travel time data measured by measuring means installed at arbitrary intervals on a road are used to predict traffic flow data at a prediction destination time point of a prediction target point or section. A traffic flow data prediction device and a traffic flow data prediction method are disclosed.

また、例えば、以下の特許文献２には、ニューラルネットワークを用いて、予測対象範囲及び予測対象地点より下流の交通量、速度等の情報を入力情報として、旅行時間の傾向を予測する交通流予測装置が開示されている。 In addition, for example, in Patent Document 2 below, a traffic flow prediction that predicts a tendency of travel time by using a neural network and information such as traffic volume and speed downstream from a prediction target range and a prediction target point as input information A device is disclosed.

特開２００１−０８４４７９号公報JP, 2001-084479, A 特開平０９−０６２９７９号公報JP, 09-062979, A

しかしながら、特許文献１及び特許文献２に開示された技術は、道路上に設置された複数の車両検知器間を予測単位としている。そのため、詳細な予測をするためには、車両検知器を増設し、車両検知器間の距離を短くする必要がある。 However, the techniques disclosed in Patent Document 1 and Patent Document 2 use a prediction unit between a plurality of vehicle detectors installed on a road. Therefore, in order to make a detailed prediction, it is necessary to add vehicle detectors and shorten the distance between vehicle detectors.

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、より詳細な交通流の予測を可能とする、交通流予測装置、交通流予測方法及びプログラムを提供することにある。 Therefore, the present invention has been made in view of the above problems, and an object of the present invention is to provide a traffic flow prediction device, a traffic flow prediction method, and a program that enable more detailed traffic flow prediction. To provide.

上記課題を解決するために、本発明のある観点によれば、道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得する検知器情報取得部と、前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得する車載器情報取得部と、前記検知器情報及び前記車載器情報に基づいて学習された、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する交通流予測部と、を備える、交通流予測装置が提供される。 In order to solve the above problems, according to an aspect of the present invention, a vehicle detector installed at each of a plurality of points on a road is acquired at predetermined time intervals, and the point where the vehicle detector is installed. From the vehicle detector mounted on a vehicle traveling on the road, and a detector information acquisition unit that obtains detector information including at least the number of vehicles passing through and the speed of the vehicle from the vehicle detector. An on-vehicle device information acquisition unit that acquires on-vehicle device information including at least position information of a vehicle traveling on the road and speed of a vehicle traveling on the road, and learning based on the detector information and the on-vehicle device information. The traffic flow prediction device, comprising: a traffic flow prediction unit that predicts a traffic flow on the road based on the relational expression between the traffic density and the speed, and the relationship between the traffic density and the traffic density at the next time. Provided.

前記交通流予測部は、交通流の予測対象地点から前記車載器情報に含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、前記交通密度と速度との関係式、及び、前記交通密度予測パターンと次時刻の交通密度との関係に基づいて、前記道路における交通流を予測してもよい。 The traffic flow prediction unit is a traffic density prediction pattern, which is a pattern of traffic density in a range defined according to the speed included in the vehicle-mounted device information from a traffic flow prediction target point, and a relational expression between the traffic density and speed, The traffic flow on the road may be predicted based on the relationship between the traffic density prediction pattern and the traffic density at the next time.

前記検知器情報及び前記車載器情報に基づいて、前記交通密度と速度との関係式、及び前記交通密度予測パターンと次時刻の交通密度との関係を学習する学習部、を更に備えてよい。 A learning unit that learns the relational expression between the traffic density and the speed and the relationship between the traffic density prediction pattern and the traffic density at the next time based on the detector information and the vehicle-mounted device information may be further provided.

前記学習部は、前記検知器情報のうち、前記検知器情報に含まれる速度が第１閾値以下である情報に基づいて、前記交通密度を算出し、前記交通密度と速度との関係式を学習してもよい。 Of the detector information, the learning unit calculates the traffic density based on information in which the speed included in the detector information is a first threshold value or less, and learns a relational expression between the traffic density and the speed. You may.

前記交通流予測部は、交通流の予測対象地点から前記車載器情報に含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、前記学習部は、前記車載器情報に含まれる速度に応じて定められる範囲を、予測対象地点から上流に向かって、前記車載器情報に含まれる速度で所定の時間だけ走行したときの位置から、前記予測対象地点から下流に向かって、所定の速度で所定の時間だけ走行したときの位置に所定の距離だけ延長した地点までの範囲として、前記交通密度予測パターンと次時刻の交通密度との関係を学習してもよい。 The traffic flow prediction unit, the traffic density prediction pattern is a pattern of the traffic density of a range determined according to the speed included in the vehicle-mounted device information from the traffic flow prediction target point, the learning unit, in the vehicle-mounted device information A range determined according to the speed included, upstream from the prediction target point, from the position when traveling for a predetermined time at the speed included in the vehicle-mounted device information, from the prediction target point to the downstream, The relationship between the traffic density prediction pattern and the traffic density at the next time may be learned as a range up to a point extended by a predetermined distance to a position when traveling at a predetermined speed for a predetermined time.

前記交通密度と速度との関係式は、下記式（１）で表されるものであってよい。
Ｖ＝ａ×ｅｘｐ（−ｂ×Ｋ） 式（１）
ここで、Ｖは、平均速度（ｋｍ／ｈ）であり、Ｋは、交通密度（台／ｋｍ）であり、ａ及びｂは、交通密度・速度関係式パラメータである。 The relational expression between the traffic density and the speed may be represented by the following expression (1).
V=a×exp(−b×K) Formula (1)
Here, V is an average speed (km/h), K is a traffic density (vehicle/km), and a and b are traffic density/speed relational expression parameters.

また、上記課題を解決するために、本発明の別の観点によれば、道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得することと、前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得することと、前記検知器情報及び前記車載器情報に基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測することと、を備える、交通流予測方法が提供される。 In order to solve the above-mentioned problems, according to another aspect of the present invention, the vehicle detectors installed at each of a plurality of points on the road are acquired at predetermined time intervals, and the vehicle detectors are installed. Number information of vehicles passing through the point, and the detector information including at least the speed of the vehicle, from the vehicle detector, and from the vehicle-mounted device mounted on the vehicle traveling on the road, Acquiring vehicle-mounted device information including at least position information of the vehicle traveling on the road and speed of the vehicle traveling on the road, and traffic density and speed based on the detector information and the vehicle-mounted device information. And predicting a traffic flow on the road based on the relationship between the traffic density and the traffic density at the next time.

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得する検知器情報取得部、前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得する車載器情報取得部、及び、前記検知器情報及び前記車載器情報に基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する交通流予測部、として機能させるための、プログラムが提供される。 Further, in order to solve the above-mentioned problems, according to another aspect of the present invention, a computer detects a vehicle by a vehicle detector installed at each of a plurality of points on a road at a predetermined time interval. Detector information acquisition unit that acquires detector information including at least information on the number of vehicles passing through the point where the detector is installed and the speed of the vehicle from the vehicle detector, and put it on a vehicle traveling on the road. The vehicle-mounted device information acquisition unit that acquires the vehicle-mounted device information including at least the position information of the vehicle traveling on the road and the speed of the vehicle traveling on the road from the mounted vehicle-mounted device, and the detector information and the vehicle-mounted device. Based on equipment information, based on the relational expression between traffic density and speed, and the relationship between traffic density and traffic density at the next time, for functioning as a traffic flow prediction unit that predicts traffic flow on the road, The program is provided.

以上説明したように本発明によれば、より詳細な交通流の予測が可能となる。 As described above, according to the present invention, more detailed traffic flow prediction is possible.

本発明の一実施形態に係る交通流予測装置の構成の一例を示すブロック図である。It is a block diagram showing an example of composition of a traffic flow prediction device concerning one embodiment of the present invention. 同実施形態に係る交通流予測装置が適用されうる交通流予測システムを説明するための説明図である。It is explanatory drawing for demonstrating the traffic flow prediction system to which the traffic flow prediction apparatus which concerns on the same embodiment can be applied. 検知器情報の一例を示す説明図である。It is explanatory drawing which shows an example of detector information. 車載器情報の一例を示す説明図である。It is explanatory drawing which shows an example of onboard equipment information. 同実施形態に係る交通流予測装置が適用されうる交通流予測システムの一例を示すブロック図である。FIG. 3 is a block diagram showing an example of a traffic flow prediction system to which the traffic flow prediction device according to the embodiment can be applied. 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。It is a flow chart which shows an example of the flow of operation of the traffic flow prediction device concerning the embodiment. 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。It is a flowchart which shows an example of the flow of operation|movement of the traffic flow prediction apparatus which concerns on the same embodiment. 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。It is a flowchart which shows an example of the flow of operation|movement of the traffic flow prediction apparatus which concerns on the same embodiment. 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。It is a flow chart which shows an example of the flow of operation of the traffic flow prediction device concerning the embodiment. 交通密度と速度との関係の一例を示す模式図である。It is a schematic diagram which shows an example of the relationship between traffic density and speed. 交通密度・速度関係式パラメータの一例を示す模式図である。It is a schematic diagram which shows an example of a traffic density/speed relational expression parameter. 交通密度の算出方法を説明するための説明図である。It is explanatory drawing for demonstrating the calculation method of traffic density. 交通密度予測パターンの一例を示す図である。It is a figure which shows an example of a traffic density prediction pattern. 同実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。It is a flowchart which shows an example of the flow of operation|movement of the traffic flow prediction apparatus which concerns on the same embodiment. 交通流図の一例を示す説明図である。It is explanatory drawing which shows an example of a traffic flow chart. 同実施形態に係る交通流予測装置により得られた交通流図の一例を示す図である。It is a figure which shows an example of the traffic flow chart obtained by the traffic flow prediction apparatus which concerns on the same embodiment. ハードウェア構成の一例を示すブロック図である。It is a block diagram showing an example of hardware constitutions.

以下に添付図面を参照しながら、本発明の実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。 Embodiments of the present invention will be described in detail below with reference to the accompanying drawings. In the present specification and the drawings, constituent elements having substantially the same functional configuration are designated by the same reference numerals, and a duplicate description will be omitted.

＜１．背景＞
まず、本発明者らが本発明に至った経緯を説明する。例えば、１００ｍ単位で速度データを取得しているプローブデータを用いて、ある時刻ｔから１分後の交通密度を予測する場合、車両が６０ｋｍ／ｈの速度で走行しているとき、予測対象地点から１ｋｍ上流側以内の交通量が、予測地点の交通密度に影響を与えることになる。また、車両が３０ｋｍ／ｈの速度で走行しているとき、予測対象地点から５００ｍ上流側以内の交通量が、予測地点の交通密度に影響を与えることになる。しかし、先に挙げた特許文献１に開示された技術は、交通密度の予測対象の時刻までに、予測対象の位置の上流から予測対象の位置に流入する交通量と、予測対象の位置の下流側から伝搬してくる渋滞波が特定されていない。そのため、予測対象の時刻における予測対象の位置の交通密度に影響を及ぼす範囲が考慮されておらず、予測精度に改善の余地があった。 <1. Background>
First, the process by which the present inventors arrived at the present invention will be described. For example, in the case of predicting the traffic density one minute after a certain time t using probe data that acquires speed data in units of 100 m, when the vehicle is traveling at a speed of 60 km/h, the prediction target point The traffic volume within 1km upstream will affect the traffic density at the prediction point. Further, when the vehicle is traveling at a speed of 30 km/h, the traffic volume within 500 m upstream from the prediction target point will affect the traffic density at the prediction point. However, the technique disclosed in the above-mentioned Patent Document 1 has the traffic volume flowing from the upstream of the position of the prediction target to the position of the prediction target and the downstream of the position of the prediction target by the time of the prediction target of the traffic density. Congestion waves propagating from the side have not been identified. Therefore, the range that affects the traffic density of the position of the prediction target at the time of the prediction target is not considered, and there is room for improvement in the prediction accuracy.

また、先に挙げた特許文献２に開示された技術も、予測対象範囲内の交通量や占有率をニューラルネットワークの入力としており、予測対象の時刻における予測対象の位置の交通密度に影響を及ぼす範囲から得られるデータで学習していないため、予測精度に改善の余地があった。 In addition, the technology disclosed in the above-mentioned Patent Document 2 also inputs the traffic volume and the occupation rate within the prediction target range to the neural network, and affects the traffic density at the position of the prediction target at the time of the prediction target. There was room for improvement in the prediction accuracy because the data obtained from the range was not used for learning.

本発明者らは、予測対象の時刻における予測対象の位置の交通密度に影響を及ぼす範囲を考慮したデータを機械学習、及び、交通流の予測処理に適用することに想到し、本発明に係る交通流予測装置を発明するに至った。以下に、本実施形態に係る交通流予測装置を詳細に説明する。 The present inventors have come to the idea of applying data in consideration of a range that affects the traffic density at the position of the prediction target at the time of the prediction target to machine learning and traffic flow prediction processing. Invented a traffic flow prediction device. The traffic flow prediction apparatus according to this embodiment will be described in detail below.

＜２．交通流予測装置１０の構成＞
まず、図１〜図５を参照して、本発明の第１の実施形態に係る交通流予測装置の一例を説明する。図１は、本発明の一実施形態に係る交通流予測装置の構成の一例を示すブロック図である。図２は、本実施形態に係る交通流予測装置が適用されうる交通流予測システムを説明するための説明図である。図３は、検知器情報の一例を示す説明図である。図４は、車載器情報の一例を示す説明図である。図５は、本実施形態に係る交通流予測装置が適用されうる交通流予測システムの一例を示すブロック図である。 <2. Configuration of Traffic Flow Prediction Device 10>
First, an example of the traffic flow prediction apparatus according to the first embodiment of the present invention will be described with reference to FIGS. FIG. 1 is a block diagram showing an example of the configuration of a traffic flow prediction device according to an embodiment of the present invention. FIG. 2 is an explanatory diagram for explaining a traffic flow prediction system to which the traffic flow prediction device according to the present embodiment can be applied. FIG. 3 is an explanatory diagram showing an example of detector information. FIG. 4 is an explanatory diagram showing an example of vehicle-mounted device information. FIG. 5 is a block diagram showing an example of a traffic flow prediction system to which the traffic flow prediction device according to this embodiment can be applied.

まず、本実施形態に係る交通流予測装置１０の構成を説明する。交通流予測装置１０は、図１に示したように、取得部１１０と、交通流予測部１２０と、学習部１３０と、記憶部１４０と、通信部１５０と、を備える。 First, the configuration of the traffic flow prediction device 10 according to the present embodiment will be described. As illustrated in FIG. 1, the traffic flow prediction device 10 includes an acquisition unit 110, a traffic flow prediction unit 120, a learning unit 130, a storage unit 140, and a communication unit 150.

取得部１１０は、交通流の予測に用いられる各種情報を外部装置から取得する。取得部１１０は、トラカンデータ取得部１１１と、プローブデータ取得部１１３と、を備える。 The acquisition unit 110 acquires various types of information used for traffic flow prediction from an external device. The acquisition unit 110 includes a tractor data acquisition unit 111 and a probe data acquisition unit 113.

トラカンデータ取得部１１１は、図２に模式的に示したように、道路上に設置された複数の車両検知器２０から、トラカンデータを取得する。トラカンデータは、車両検知器２０によって取得されたデータであり、例えば、設定された周期、すなわち時間幅毎の車両検知器を通過した車両の台数（交通量）、車両速度、又は車種等のデータを含む。トラカンデータは、トラカンデータを取得した車両検知器に紐づけられている。トラカンデータは、図３に示したように、データが取得された日時、車両検知器が設置されている道路を特定するコードである路線コード、車両検知器のＩＤであるトラカンＩＤ、車両検知器を通過する車両の平均速度、及び交通量を含む。例えば、図３に示したトラカンデータでは、１分間隔で平均速度と交通量が算出されている。データＮｏ．１は、２０１８年３月２６日１６時９分に取得された、路線コードがＡ１２３の道路に設置されたトラカンＩＤが４４６の車両検知器の情報である。データＮｏ．１では、１６時９分までの１分間にトラカンＩＤ４４６の車両検知器を通過した車両の平均速度は９６．３ｋｍ／ｈであり、交通量は２９台であったことを示している。なお、トラカンデータは、図３に示したデータに限られず、車両検知器２０によって取得可能な種々のデータが含まれうる。 The tractor data acquisition unit 111 acquires tractor data from a plurality of vehicle detectors 20 installed on the road, as schematically shown in FIG. The tractor data is data acquired by the vehicle detector 20, and, for example, data such as the number of vehicles (traffic volume), vehicle speed, or vehicle type that has passed through the vehicle detector for each set period, that is, for each time width. including. The tractor data is associated with the vehicle detector that acquired the tractor data. As shown in FIG. 3, the tractor data includes the date and time when the data was acquired, the route code that is a code that identifies the road on which the vehicle detector is installed, the tractor ID that is the ID of the vehicle detector, and the vehicle detector. Including the average speed of vehicles passing through and traffic volume. For example, in the tracan data shown in FIG. 3, the average speed and the traffic volume are calculated at 1-minute intervals. Data No. 1 is the information of the vehicle detector with the tractor ID 446 installed on the road with the route code A123, which was acquired at 16:9 on March 26, 2018. Data No. In No. 1, the average speed of the vehicles passing through the vehicle detector of Tracan ID 446 in 1 minute until 16:9 is 96.3 km/h, and the traffic volume is 29 vehicles. Note that the tractor data is not limited to the data shown in FIG. 3 and may include various data that can be acquired by the vehicle detector 20.

トラカンデータ取得部１１１は、本発明に係る検知器情報取得部の一例であり、トラカンデータは、検知器情報の一例である。よって、トラカンデータ取得部１１１は、上述したように、道路の複数の地点のそれぞれに設置された車両検知器２０によって、所定の時間間隔で取得され、車両検知器２０が設置された地点を通過する車両の台数情報と、車両の速度と、を少なくとも含む検知器情報を、車両検知器２０から取得する。 The tractor data acquisition unit 111 is an example of the detector information acquisition unit according to the present invention, and the tractor data is an example of detector information. Therefore, as described above, the tractor data acquisition unit 111 is acquired at predetermined time intervals by the vehicle detectors 20 installed at each of a plurality of points on the road, and passes through the points where the vehicle detectors 20 are installed. The detector information including at least the number-of-vehicles information and the vehicle speed to be acquired is acquired from the vehicle detector 20.

プローブデータ取得部１１３は、道路上に設置された複数のプローブデータ収集システム３０から、プローブデータを取得する。プローブデータは、時刻、設定された時間幅と地点幅から算出された平均速度、路線コード、又はキロポスト（距離標）を含むデータである。プローブデータは、図４に示したように、日時、路線コード、車両の進行方向、車両の速度、キロポスト（車両位置）、データ収集日時を含む。車両の一方の進行方向を「１」とし、当該進行方向に対向する方向を「０」としてもよい。なお、プローブデータは、図４に示したデータに限られず、プローブデータ収集システム３０によって取得可能な種々のデータが含まれうる。 The probe data acquisition unit 113 acquires probe data from a plurality of probe data collection systems 30 installed on the road. The probe data is data including time, an average speed calculated from a set time width and a point width, a route code, or a kilometer post (distance mark). As shown in FIG. 4, the probe data includes date and time, route code, vehicle traveling direction, vehicle speed, kilometer post (vehicle position), and data collection date and time. One traveling direction of the vehicle may be "1" and a direction opposite to the traveling direction may be "0". The probe data is not limited to the data shown in FIG. 4 and may include various data that can be acquired by the probe data collection system 30.

プローブデータ取得部１１３は、本発明に係る車載器情報取得部の一例であり、プローブデータは、車載器情報の一例である。よって、プローブデータ取得部１１３は、上述したように、道路を走行する車両に載せられた車載器から、道路を走行する車両の位置情報と、道路を走行する車両の速度とを少なくとも含む車載器情報を取得する。 The probe data acquisition unit 113 is an example of the vehicle-mounted device information acquisition unit according to the present invention, and the probe data is an example of the vehicle-mounted device information. Therefore, as described above, the probe data acquisition unit 113 includes, from the vehicle-mounted device mounted on the vehicle traveling on the road, the vehicle-mounted device including at least the positional information of the vehicle traveling on the road and the speed of the vehicle traveling on the road. Get information.

プローブデータ取得部１１３は、プローブデータ収集システム３０から取得した、位置センサを有する車載器を載せた車両のＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）等による緯度及び経度のような位置情報に基づいて、車両の位置を道路にマップマッチングし、当該車両の位置を当該道路の路線コードとキロポストに変換してもよい。また、プローブデータ取得部１１３は、車両の速度などの走行履歴データを、所定の時間間隔（プローブ時間幅）と地点幅で、車両の平均速度を算出してもよい。例えば、プローブデータ取得部１１３は、プローブ時間幅を１分とし、地点幅を１００ｍとして、車両の平均速度を算出してもよい。なお、マップマッチングには、公知のマップマッチング技術を適用することができ、例えば、特開２００４−１７７３６４号に開示されている位置算出方法を適用してもよい。 The probe data acquisition unit 113 acquires the position of the vehicle based on position information such as latitude and longitude obtained from the probe data acquisition system 30 by a GPS (Global Positioning System) or the like of the vehicle on which the vehicle-mounted device having the position sensor is mounted. May be map-matched with a road, and the position of the vehicle may be converted into a route code of the road and a kilometer post. In addition, the probe data acquisition unit 113 may calculate the average speed of the vehicle from the travel history data such as the speed of the vehicle at a predetermined time interval (probe time width) and point width. For example, the probe data acquisition unit 113 may calculate the average speed of the vehicle by setting the probe time width to 1 minute and the spot width to 100 m. Note that a known map matching technique can be applied to the map matching, and for example, the position calculation method disclosed in Japanese Patent Laid-Open No. 2004-177364 may be applied.

交通流予測部１２０は、トラカンデータ及びプローブデータに基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、道路における交通流を予測する。交通流予測部１２０には、種々の機械学習アルゴリズムを適用することが可能である。交通流予測部１２０には、例えば、ニューラルネットワーク、又はディープラーニング等の機械学習アルゴリズムが適用されてもよい。 The traffic flow prediction unit 120 predicts the traffic flow on the road based on the relational expression between the traffic density and the speed and the relationship between the traffic density and the traffic density at the next time, based on the tractor data and the probe data. Various machine learning algorithms can be applied to the traffic flow prediction unit 120. For example, a neural network or a machine learning algorithm such as deep learning may be applied to the traffic flow prediction unit 120.

また、交通流予測部１２０は、交通流の予測対象地点からトラカンデータに含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、交通密度と速度との関係式、及び、交通密度予測パターンと次時刻の交通密度との関係に基づいて、道路における交通流を予測してもよい。 In addition, the traffic flow prediction unit 120 sets a traffic density prediction pattern to a pattern of traffic density in a range defined from the traffic flow prediction target point according to the speed included in the traffic data, and a relational expression between the traffic density and the speed, and The traffic flow on the road may be predicted based on the relationship between the traffic density prediction pattern and the traffic density at the next time.

学習部１３０は、トラカンデータ及びプローブデータに基づいて、交通密度と速度との関係式、及び交通密度予測パターンと次時刻の交通密度との関係を学習する。学習部１３０は、交通密度・速度関係式パラメータ学習部１３１と、交通密度予測パターン学習部１３３とを有する。 The learning unit 130 learns the relational expression between the traffic density and the speed and the relation between the traffic density prediction pattern and the traffic density at the next time based on the tractor data and the probe data. The learning unit 130 includes a traffic density/speed relational expression parameter learning unit 131 and a traffic density prediction pattern learning unit 133.

交通密度・速度関係式パラメータ学習部１３１は、トラカンデータ及びプローブデータに基づいて、道路上の所定の地点の交通密度と、当該地点を通過する車両の速度との関係式のパラメータを学習する。交通密度・速度関係式パラメータ学習部１３１は、トラカンデータ取得部１１１から、平均速度が所定の閾値である混雑流判定速度以下のデータに基づいて、交通密度を算出し、交通密度と速度との関係式を学習してもよい。 The traffic density/speed relational expression parameter learning unit 131 learns the parameters of the relational expression between the traffic density at a predetermined point on the road and the speed of the vehicle passing through the point, based on the tractor data and the probe data. The traffic density/speed relational expression parameter learning unit 131 calculates the traffic density based on the data equal to or less than the congestion flow determination speed whose average speed is a predetermined threshold value from the trachan data acquisition unit 111, and calculates the traffic density and the speed. You may learn the relational expression.

交通密度予測パターン学習部１３３は、対象の路線について、交通密度のパターンと、次時刻の交通密度の関係を学習する。交通密度予測パターン学習部１３３は、トラカンデータに含まれる速度に応じて定められる範囲を、予測対象地点から上流に向かって、トラカンデータに含まれる速度で所定の時間だけ走行したときの位置から、予測対象地点から下流に向かって、所定の速度で所定の時間だけ走行したときの位置に所定の距離だけ延長した地点までの範囲として、前記交通密度予測パターンと次時刻の交通密度との関係を学習してもよい。 The traffic density prediction pattern learning unit 133 learns the relationship between the traffic density pattern and the traffic density at the next time for the target route. The traffic density prediction pattern learning unit 133, from the position when traveling for a predetermined time at the speed included in the tractor data, in the range defined according to the speed included in the tractor data, from the prediction target point to the upstream, From the prediction target point to the downstream, as a range up to a point extended by a predetermined distance to the position when traveling at a predetermined speed for a predetermined time, the relationship between the traffic density prediction pattern and the next time traffic density You may learn.

記憶部１４０は、交通流予測装置１０の動作のためのプログラム及びデータを記憶する。記憶部１４０には、交通流予測装置１０が、各種の処理を実施する際に利用する各種のプログラムやデータベース等が適宜記録されている。記憶部１４０には、例えば、取得部１１０、交通流予測部１２０、又は学習部１３０がそれぞれの処理を行う際に、保存する必要が生じた様々な処理の途中経過等が適宜記録されてもよい。記憶部１４０は、マスタデータ記憶部１４１、トラカンデータ記憶部１４３、プローブデータ記憶部１４５、交通密度・速度関係式パラメータ記憶部１４７、及び交通密度予測パターン記憶部１４９を有する。 The storage unit 140 stores programs and data for the operation of the traffic flow prediction device 10. In the storage unit 140, various programs, databases, and the like used by the traffic flow prediction device 10 when performing various processes are appropriately recorded. The storage unit 140 may appropriately record, for example, the progress of various processes that need to be saved when the acquisition unit 110, the traffic flow prediction unit 120, or the learning unit 130 performs each process. Good. The storage unit 140 includes a master data storage unit 141, a tractor data storage unit 143, a probe data storage unit 145, a traffic density/speed relational expression parameter storage unit 147, and a traffic density prediction pattern storage unit 149.

マスタデータ記憶部１４１は、各車両検知器に割り振られたＩＤであるトラカンＩＤ、各道路に割り振られている路線コード、車両検知器設置位置、及び車両検知器の有効範囲の対応等が記憶されている。トラカンデータ記憶部１４３は、トラカンデータ取得部１１１によって取得されたトラカンデータを記憶する。プローブデータ記憶部１４５は、プローブデータ取得部１１３によって取得されたプローブデータを記憶する。交通密度・速度関係式パラメータ記憶部１４７は、交通密度・速度関係式パラメータ学習部１３１にて学習された交通密度・速度関係式パラメータを記憶する。交通密度予測パターン記憶部１４９は、交通密度予測パターン学習部１３３にて学習された交通密度予測パターンを記憶する。 The master data storage unit 141 stores the correspondence between the tractor ID, which is the ID assigned to each vehicle detector, the route code assigned to each road, the vehicle detector installation position, the effective range of the vehicle detector, and the like. ing. The tractor data storage unit 143 stores the tractor data acquired by the tractor data acquisition unit 111. The probe data storage unit 145 stores the probe data acquired by the probe data acquisition unit 113. The traffic density/speed relational expression parameter storage unit 147 stores the traffic density/speed relational expression parameters learned by the traffic density/speed relational expression parameter learning unit 131. The traffic density prediction pattern storage unit 149 stores the traffic density prediction pattern learned by the traffic density prediction pattern learning unit 133.

通信部１５０は、車両検知器２０、及びプローブデータ収集システム３０と通信する機能を有する。通信部１５０は、例えば、車両検知器２０によって取得されたトラカンデータ、及びプローブデータ収集システム３０によって取得されたプローブデータを受信することができる。 The communication unit 150 has a function of communicating with the vehicle detector 20 and the probe data collection system 30. The communication unit 150 can receive, for example, the tractor data acquired by the vehicle detector 20 and the probe data acquired by the probe data collection system 30.

交通流予測装置１０は、図５に示したように、車両検知器２０、及びプローブデータ収集システム３０と、ネットワーク４０を介して接続されて用いられる。以下に、交通流予測装置１０が適用されうる車両検知器２０、及びプローブデータ収集システム３０について説明する。 As shown in FIG. 5, the traffic flow prediction device 10 is used by being connected to a vehicle detector 20 and a probe data collection system 30 via a network 40. Below, the vehicle detector 20 and the probe data collection system 30 to which the traffic flow prediction apparatus 10 can be applied will be described.

車両検知器２０は、道路に所定の間隔で埋設されており、所定の時間間隔（時間幅）における車両検知器２０上を通過する車両に関する情報をトラカンデータとして取得する。車両検知器２０毎にトラカンＩＤ、路線コード、設置位置が割り振られている。 The vehicle detector 20 is embedded in a road at a predetermined interval, and acquires information about a vehicle passing over the vehicle detector 20 at a predetermined time interval (time width) as tractor data. A tractor ID, a route code, and an installation position are assigned to each vehicle detector 20.

車両検知器２０は、所定の時間幅の平均速度と交通量を取得する。車両検知器２０は、トラカンデータをネットワーク４０を介してトラカンデータ取得部１１１に送信する。 The vehicle detector 20 acquires the average speed and the traffic volume in a predetermined time width. The vehicle detector 20 transmits the tractor data to the tractor data acquisition unit 111 via the network 40.

プローブデータ収集システム３０は、車両の走行履歴データを取得する。プローブデータ収集システム３０は、車載器３１及びアンテナ３２を有している。車載器３１は、車載器３１を載せた車両の走行履歴データを蓄積し、車両がアンテナ３２の信号授受範囲に入ったときに、直前に通過したアンテナ以降の当該走行履歴データをアンテナ３２に送信する。アンテナ３２は、受信した走行履歴データをネットワーク４０を介してプローブデータ取得部１１３に送信する。 The probe data collection system 30 acquires traveling history data of the vehicle. The probe data collection system 30 has a vehicle-mounted device 31 and an antenna 32. The vehicle-mounted device 31 stores the traveling history data of the vehicle on which the vehicle-mounted device 31 is mounted, and when the vehicle enters the signal transmission/reception range of the antenna 32, transmits the traveling history data after the antenna that has just passed to the antenna 32. To do. The antenna 32 transmits the received travel history data to the probe data acquisition unit 113 via the network 40.

ここまで、交通流予測装置１０、並びに交通流予測装置１０が適用されうる車両検知器２０及びプローブデータ収集システム３０を説明した。 Up to this point, the traffic flow prediction apparatus 10 and the vehicle detector 20 and the probe data collection system 30 to which the traffic flow prediction apparatus 10 can be applied have been described.

＜３．交通流予測装置１０の動作＞
続いて、交通流予測装置１０の動作を図６〜図１４を参照して説明する。図６は、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図７Ａは、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図７Ｂは、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図７Ｃは、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図８は、交通密度と速度との関係の一例を示す模式図である。図９は、交通密度・速度関係式パラメータの一例を示す模式図である。図１０は、交通密度の算出方法を説明するための説明図である。図１１は、交通密度予測パターンの一例を示す図である。図１２は、本実施形態に係る交通流予測装置の動作の流れの一例を示す流れ図である。図１３は、交通流図の一例を示す説明図である。図１４は、本実施形態に係る交通流予測装置により得られた交通流図の一例を示す図である。 <3. Operation of traffic flow prediction device 10>
Next, the operation of the traffic flow prediction device 10 will be described with reference to FIGS. FIG. 6 is a flow chart showing an example of the operation flow of the traffic flow prediction apparatus according to this embodiment. FIG. 7A is a flowchart showing an example of the operation flow of the traffic flow prediction apparatus according to this embodiment. FIG. 7B is a flowchart showing an example of the operation flow of the traffic flow prediction apparatus according to this embodiment. FIG. 7C is a flowchart showing an example of the operation flow of the traffic flow prediction apparatus according to this embodiment. FIG. 8 is a schematic diagram showing an example of the relationship between traffic density and speed. FIG. 9 is a schematic diagram showing an example of traffic density/speed relational expression parameters. FIG. 10 is an explanatory diagram for explaining a method of calculating traffic density. FIG. 11 is a diagram showing an example of a traffic density prediction pattern. FIG. 12 is a flow chart showing an example of the operation flow of the traffic flow prediction apparatus according to this embodiment. FIG. 13 is an explanatory diagram showing an example of a traffic flow chart. FIG. 14 is a diagram showing an example of a traffic flow chart obtained by the traffic flow prediction apparatus according to this embodiment.

図６に示したように、交通流予測装置１０は、学習部１３０によって学習処理を行い（Ｓ１００）、学習結果を利用して予測処理を行う（Ｓ２００）。以下に、学習処理、及び予測処理について詳細に説明する。 As illustrated in FIG. 6, the traffic flow prediction device 10 performs a learning process by the learning unit 130 (S100), and performs a prediction process using the learning result (S200). The learning process and the prediction process will be described in detail below.

［３．１．学習処理（Ｓ１００）］
（３．１．１．交通密度と速度の関係式のパラメータ学習（Ｓ１１０））
まず、学習処理（Ｓ１００）について説明する。学習部１３０に備えられる交通密度・速度関係式パラメータ学習部１３１は、予め設定された学習処理開始日時（例えば、毎日２：００）に、対象とする路線に設置された複数の車両検知器２０について、それぞれの車両検知器２０の設置位置における交通密度と速度の関係式のパラメータを学習する（Ｓ１１０）。詳細には、図７Ｂに示したように、トラカンデータ取得部１１１は、予め設定した学習期間（例えば、過去３０日）のトラカンデータを取得する。このとき、交通密度・速度関係式パラメータ学習部１３１は、トラカンデータ取得部１１１から、平均速度が所定の閾値である混雑流判定速度以下のデータを全て取得する（Ｓ１１１）。混雑流判定速度は、ユーザによって設定されるものであり、例えば、５５ｋｍ／ｈ以下とすることができる。 [3.1. Learning process (S100)]
(3.1.1. Parameter learning of relational expression of traffic density and speed (S110))
First, the learning process (S100) will be described. The traffic density/speed relational expression parameter learning unit 131 included in the learning unit 130 includes a plurality of vehicle detectors 20 installed on a target route at a preset learning process start date and time (for example, 2:00 every day). For, the parameters of the relational expression of the traffic density and the speed at the installation position of each vehicle detector 20 are learned (S110). In detail, as shown in FIG. 7B, the tractor data acquisition unit 111 acquires tractor data for a preset learning period (for example, the past 30 days). At this time, the traffic density/speed relational expression parameter learning unit 131 acquires all the data whose average speed is equal to or lower than the congestion flow determination speed, which is a predetermined threshold value, from the trachan data acquisition unit 111 (S111). The congestion flow determination speed is set by the user, and can be set to 55 km/h or less, for example.

続いて、トラカンデータ取得部１１１によって取得されたトラカンデータについて、平均速度が所定の閾値である重度渋滞判定速度以下であるデータの数が、所定のデータ数（判定閾値）以上であるか否かを判定する（Ｓ１１３）。重度渋滞判定速度以下の平均速度であるトラカンデータの数が、所定のデータ数以上である場合（Ｓ１１３／ＹＥＳ）、交通密度・速度関係式パラメータ学習部１３１が取得した全てのトラカンデータから、トラカンデータＮｏ．ごとの交通密度を算出する（Ｓ１１５）。例えば、交通密度・速度関係式パラメータ学習部１３１は、重度渋滞判定速度を２０ｋｍ／ｈとし、判定閾値を５としてもよい。そして、交通密度・速度関係式パラメータ学習部１３１は、取得したトラカンデータから平均速度が２０ｋｍ／ｈ以下のデータ数を算出し、データ数が５件以上である場合、トラカンデータＮｏ．ごとの交通密度を算出する。交通密度は、以下の式（１０１）に基づいて算出される。 Next, regarding the trachan data acquired by the trachan data acquisition unit 111, whether or not the number of data whose average speed is equal to or lower than the severe traffic congestion judgment speed which is a predetermined threshold is equal to or larger than a predetermined data number (judgment threshold). Is determined (S113). When the number of tractor data having an average speed equal to or lower than the severe traffic congestion determination speed is equal to or higher than a predetermined number of data (S113/YES), the tractor data is acquired from all the tractor data acquired by the traffic density/speed relational expression parameter learning unit 131. Data No. The traffic density for each is calculated (S115). For example, the traffic density/speed relational expression parameter learning unit 131 may set the severe traffic congestion determination speed to 20 km/h and the determination threshold value to 5. Then, the traffic density/speed relational expression parameter learning unit 131 calculates the number of data items having an average speed of 20 km/h or less from the acquired tractor data, and when the number of data items is 5 or more, the tractor data No. Calculate the traffic density for each. The traffic density is calculated based on the following equation (101).

Ｋ＝６０×Ｑ／Ｖ ・・・式（１０１）
ここで、Ｋは、交通密度（台／ｋｍ）であり、Ｑは、交通量（台／ｍｉｎ）であり、Ｖは、平均速度（ｋｍ／ｈ）である。 K=60×Q/V Equation (101)
Here, K is a traffic density (vehicle/km), Q is a traffic volume (vehicle/min), and V is an average speed (km/h).

なお、重度渋滞判定速度、及び判定閾値は、ユーザによって設定されてもよいし、機械学習によって、重度渋滞判定速度及び判定閾値と、交通流予測装置１０による予測結果との関係が学習され、学習結果に応じて高精度の交通流予測結果が得られるように設定されてもよい。 The heavy traffic congestion determination speed and the determination threshold value may be set by the user, or the relationship between the heavy traffic congestion determination speed and the determination threshold value and the prediction result by the traffic flow prediction device 10 is learned by machine learning. It may be set such that a highly accurate traffic flow prediction result is obtained according to the result.

続いて、交通密度・速度関係式パラメータ学習部１３１は、交通密度と速度の関係式を算出し、交通密度・速度関係式パラメータ記憶部１４７に記憶する（Ｓ１１７）。詳細には、交通密度・速度関係式パラメータ学習部１３１は、交通密度Ｋを横軸とし、平均速度Ｖを縦軸とした平面に、算出された交通密度と平均速度をプロットする。交通密度・速度関係式パラメータ学習部１３１は、プロットされたデータに対し、例えば、図８に示したように、以下の式（１０２）で近似し、最も良い近似となる近似式のパラメータを学習する。 Subsequently, the traffic density/speed relational expression parameter learning unit 131 calculates a relational expression between the traffic density and speed, and stores it in the traffic density/speed relational expression parameter storage unit 147 (S117). Specifically, the traffic density/speed relational expression parameter learning unit 131 plots the calculated traffic density and average speed on a plane in which the horizontal axis is the traffic density K and the vertical axis is the average speed V. The traffic density/speed relational expression parameter learning unit 131 approximates the plotted data by the following expression (102), for example, as shown in FIG. 8, and learns the parameter of the approximate expression that is the best approximation. To do.

Ｖ＝ａ×ｅｘｐ（−ｂ×Ｋ） ・・・式（１０２）
ここで、Ｖは、平均速度（ｋｍ／ｈ）であり、Ｋは、交通密度（台／ｋｍ）であり、ａ及びｂは、交通密度・速度関係式パラメータである。 V=a*exp(-b*K)... Formula (102)
Here, V is an average speed (km/h), K is a traffic density (vehicle/km), and a and b are traffic density/speed relational expression parameters.

ここで、近似の良し悪しは、近似曲線と各トラカンデータとの平均二乗誤差等の方法で評価する。また、交通密度・速度関係式パラメータａ及びｂは、以下の式（１０３）又は式（１０４）のような近似式を用いて算出されても良い。 Here, the quality of the approximation is evaluated by a method such as a mean square error between the approximation curve and each tractor data. The traffic density/speed relational expression parameters a and b may be calculated using an approximate expression such as the following expression (103) or expression (104).

Ｖ＝ａ×ｌｏｇ（ｂ／Ｋ） ・・・式（１０３）
Ｖ＝ａ×（１−ｂ／Ｋ） ・・・式（１０４） V=a×log(b/K)... Formula (103)
V=a*(1-b/K)... Formula (104)

学習された交通密度・速度関係式パラメータａ及びｂは、図９に示したように、トラカンＩＤと対応付けて交通密度・速度関係式パラメータ記憶部１４７に記憶される。 The learned traffic density/speed relational expression parameters a and b are stored in the traffic density/speed relational expression parameter storage unit 147 in association with the tractor ID, as shown in FIG.

交通密度・速度関係式パラメータ学習部１３１は、対象とする車両検知器２０の全てについてＳ１１１〜Ｓ１１７の処理が行われたか否かを判定する（Ｓ１１９）。対象とする車両検知器２０の全てについてＳ１１１〜Ｓ１１７の処理が行われたと判定された場合（Ｓ１１９／ＹＥＳ）、交通密度と速度の関係式の学習処理を終了する。対象とする車両検知器２０の全てについてＳ１１１〜Ｓ１１７の処理が行われたと判定されなかった場合（Ｓ１１９／ＮＯ）、交通密度・速度関係式パラメータ学習部１３１は、Ｓ１１１〜Ｓ１１７の処理が行われていない車両検知器に対して、Ｓ１１１以降の処理を行う。 The traffic density/speed relational expression parameter learning unit 131 determines whether or not the processes of S111 to S117 have been performed for all the target vehicle detectors 20 (S119). When it is determined that the processes of S111 to S117 have been performed for all the target vehicle detectors 20 (S119/YES), the learning process of the relational expression of the traffic density and the speed ends. When it is not determined that the processing of S111 to S117 has been performed for all the target vehicle detectors 20 (S119/NO), the traffic density/speed relational expression parameter learning unit 131 performs the processing of S111 to S117. The process from S111 is performed on the vehicle detector that is not installed.

Ｓ１１３において、重度渋滞判定速度以下の平均速度であるトラカンデータの数が、所定のデータ数未満である場合（Ｓ１１３／ＮＯ）、交通密度・速度関係式パラメータ学習部１３１は、交通密度と速度の関係式のパラメータを算出せずに、当該車両検知器２０についての処理を終了し、他の車両検知器２０に対してＳ１１１以降の処理を行う。 In S113, when the number of traffic data that is an average speed equal to or lower than the serious traffic congestion determination speed is less than the predetermined data number (S113/NO), the traffic density/speed relational expression parameter learning unit 131 determines that the traffic density and the speed are equal to each other. Without calculating the parameters of the relational expression, the process for the vehicle detector 20 concerned is ended, and the processes from S111 onward are performed for the other vehicle detectors 20.

（３．１．２．時刻ｔにおける交通密度のパターンと、時刻ｔ＋１における交通密度との関係の学習（Ｓ１６０））
Ｓ１１０の交通密度と速度の関係式の学習処理の後、交通密度予測パターン学習部１３３は、時刻ｔにおける交通密度のパターンと、所定の時間幅だけ時間が経過した時刻ｔ＋１における交通密度との関係を学習する（Ｓ１６０）。以下に、Ｓ１６０の詳細を図７Ｃを参照して説明する。 (3.1.2. Learning of Relationship between Traffic Density Pattern at Time t and Traffic Density at Time t+1 (S160))
After the processing of learning the relational expression of traffic density and speed in S110, the traffic density prediction pattern learning unit 133 relates the traffic density pattern at time t and the traffic density at time t+1 when a predetermined time width has elapsed. Is learned (S160). The details of S160 will be described below with reference to FIG. 7C.

交通密度予測パターン学習部１３３は、プローブデータをプローブデータ記憶部１４５から取得する（Ｓ１６１）。交通密度予測パターン学習部１３３が取得するプローブデータは、予め設定された学習期間（例えば、前日１日）における対象路線のデータである。 The traffic density prediction pattern learning unit 133 acquires probe data from the probe data storage unit 145 (S161). The probe data acquired by the traffic density prediction pattern learning unit 133 is data of the target route in a preset learning period (for example, the day before the previous day).

次に、交通密度予測パターン学習部１３３は、交通密度・速度関係式パラメータ記憶部１４７から対象路線の交通密度・速度の関係式のパラメータを取得する（Ｓ１６３）。 Next, the traffic density prediction pattern learning unit 133 acquires the parameters of the traffic density/speed relational expression of the target line from the traffic density/speed relational expression parameter storage unit 147 (S163).

続いて、交通密度予測パターン学習部１３３は、取得したプローブデータについて、各時刻及び各キロポストにおける平均速度が、混雑流判定速度以下であるか否かを判定する（Ｓ１６５）。平均速度が混雑流判定速度以下である場合（Ｓ１６５／ＹＥＳ）、交通密度予測パターン学習部１３３は、交通密度・速度の関係式により、プローブデータが有する平均速度から交通密度を算出する（Ｓ１６７）。交通密度予測パターン学習部１３３は、図１０に模式的に示したように、交通密度・速度の関係式により、プローブデータの平均速度Ｖに対応した交通密度Ｋ１を算出する。平均速度が混雑流判定速度超である場合（Ｓ１６５／ＮＯ）、交通密度予測パターン学習部１３３は、トラカンデータ記憶部１４３から、対象の時刻における対象のキロポストより上流側の最も近い位置の車両検知器２０のトラカンデータを取得し、トラカンデータの交通量と、プローブデータの平均速度から、交通密度を算出する（Ｓ１６８）。Ｓ１６５の判定処理を行い、判定結果に応じて交通密度の算出方法を変更することで、より高い精度で、時刻ｔにおける交通密度のパターンと、所定の時間幅だけ時間が経過した時刻ｔ＋１における交通密度との関係を学習することが可能となる。 Subsequently, the traffic density prediction pattern learning unit 133 determines whether or not the average speed at each time and each kilometer post is less than or equal to the congestion flow determination speed for the acquired probe data (S165). When the average speed is equal to or lower than the congestion flow determination speed (S165/YES), the traffic density prediction pattern learning unit 133 calculates the traffic density from the average speed of the probe data according to the traffic density/speed relational expression (S167). .. The traffic density prediction pattern learning unit 133 calculates the traffic density K1 corresponding to the average speed V of the probe data from the relational expression of traffic density and speed, as schematically shown in FIG. When the average speed is higher than the congestion flow determination speed (S165/NO), the traffic density prediction pattern learning unit 133 detects the vehicle at the closest position on the upstream side of the target kilometer post at the target time from the trachan data storage unit 143. The traffic data of the device 20 is acquired, and the traffic density is calculated from the traffic volume of the traffic data and the average speed of the probe data (S168). By performing the determination process of S165 and changing the calculation method of the traffic density according to the determination result, the traffic density pattern at the time t and the traffic at the time t+1 when a predetermined time width has elapsed with higher accuracy. It becomes possible to learn the relationship with the density.

その後、交通密度予測パターン学習部１３３は、全ての時刻、キロポストについて交通密度を算出したか否かを判定する（Ｓ１６９）。交通密度予測パターン学習部１３３は、全ての時刻、キロポストについて交通密度を算出したと判定した場合（Ｓ１６９／ＹＥＳ）、時刻ｔ＋１における地点Ｐの交通密度を提示するために利用される距離範囲を算出する。まず、地点Ｐから上流側のパターン範囲を算出する（Ｓ１７１）。具体的には、対象の地点Ｐから上流に向かって、平均速度で道路を走行したと仮定した場合に、設定した時間幅に達するまでに走行したときに到達したキロポストを算出する。上記の算出により、例えば、図１１では、地点Ｐ−１０から地点Ｐ−１を上流側のパターン範囲としている。なお、上流側キロポストは、例えば上限を予め設定されてもよく、具体的には、対象地点Ｐから上流側１ｋｍを上流側パターン範囲としてもよい。 After that, the traffic density prediction pattern learning unit 133 determines whether or not the traffic density has been calculated for all times and kilometer posts (S169). When the traffic density prediction pattern learning unit 133 determines that the traffic density has been calculated for all times and kilometer posts (S169/YES), the traffic density prediction pattern learning unit 133 calculates the distance range used to present the traffic density at the point P at time t+1. To do. First, the pattern range on the upstream side from the point P is calculated (S171). Specifically, if it is assumed that the road has traveled at an average speed from the target point P toward the upstream, the kilometer post reached when the vehicle travels until the set time width is reached is calculated. According to the above calculation, for example, in FIG. 11, the point P-10 to the point P-1 are set as the upstream pattern range. Note that, for example, the upper limit of the upstream side kilopost may be set in advance, and specifically, 1 km upstream from the target point P may be set as the upstream pattern range.

一方、交通密度予測パターン学習部１３３は、全ての時刻、キロポストについて交通密度を算出したと判定しなかった場合（Ｓ１６９／ＮＯ）、Ｓ１６５〜Ｓ１６９の処理が全ての時刻、キロポストについて行われるまで繰り返される。 On the other hand, when the traffic density prediction pattern learning unit 133 does not determine that the traffic density has been calculated for all time points and kilometer posts (S169/NO), the processing of S165 to S169 is repeated until all time points and kilometer posts are performed. Be done.

次いで、地点Ｐから下流側のパターン範囲を算出する（Ｓ１７３）。例えば、交通密度の疎密状態が伝搬する速度である渋滞波伝搬速度を設定しておき、渋滞波伝搬速度で、所定の時間Ｔだけ走行したと仮定した場合の距離を算出し、算出された距離に許容距離を加算した距離に相当する下流側のキロポストを算出する。渋滞波伝搬速度は、例えば、１８ｋｍ／ｈとしてよく、許容距離を例えば、２００ｍとしてよい。上記の算出により、例えば、図１１では、地点Ｐ＋１から地点Ｐ＋５を下流側のパターン範囲としている。なお、渋滞波伝搬速度は、ユーザによって設定されてもよいし、機械学習によって、渋滞波伝搬速度と、交通流予測装置１０による予測結果との関係が学習され、学習結果に応じて高精度の交通流予測結果が得られるように設定されてもよい。 Next, the pattern range on the downstream side from the point P is calculated (S173). For example, a congestion wave propagation speed, which is a speed at which a dense or dense traffic density propagates, is set, and a distance is calculated assuming that the vehicle has traveled at the congestion wave propagation speed for a predetermined time T, and the calculated distance is calculated. Calculate the kilometer post on the downstream side corresponding to the distance obtained by adding the allowable distance to. The traffic wave propagation velocity may be, for example, 18 km/h, and the allowable distance may be, for example, 200 m. According to the above calculation, for example, in FIG. 11, the point P+1 to the point P+5 are set as the downstream pattern range. Note that the traffic jam propagation speed may be set by the user, or the relationship between the traffic jam propagation speed and the prediction result by the traffic flow prediction device 10 is learned by machine learning and highly accurate according to the learning result. It may be set so that the traffic flow prediction result is obtained.

続いて、交通密度予測パターン学習部１３３は、図１１に示したように、時刻ｔにおける、地点Ｐ−１０から地点Ｐ＋５までの交通密度で表される交通密度パターンと、地点Ｐの時刻ｔ＋１における交通密度を交通密度予測パターン記憶部１４９に記憶する（Ｓ１７５）。 Subsequently, the traffic density prediction pattern learning unit 133, as illustrated in FIG. 11, the traffic density pattern represented by the traffic density from the point P-10 to the point P+5 at time t, and the time t+1 at the point P. The traffic density is stored in the traffic density prediction pattern storage unit 149 (S175).

その後、交通密度予測パターン学習部１３３は、全ての時刻、キロポストについて、時刻ｔにおける交通密度のパターンと次時刻ｔ＋１における交通密度の関係を記憶したか否かを判定する（Ｓ１７７）。交通密度予測パターン学習部１３３は、全ての時刻、キロポストについて時刻ｔにおける交通密度のパターンと次時刻ｔ＋１における交通密度の関係を記憶したと判定した場合（Ｓ１７７／ＹＥＳ）、時刻ｔにおける交通密度のパターンと次時刻ｔ＋１における交通密度の関係の学習処理を終了する。交通密度予測パターン学習部１３３が、全ての時刻、キロポストについて時刻ｔにおける交通密度のパターンと次時刻ｔ＋１における交通密度の関係を記憶したと判定しなかった場合（Ｓ１７７／ＮＯ）、Ｓ１７１以降の処理が全ての時刻、キロポストについて行われるまで繰り返される。 After that, the traffic density prediction pattern learning unit 133 determines whether or not the relationship between the traffic density pattern at time t and the traffic density at the next time t+1 is stored for all times and kilometer posts (S177). When the traffic density prediction pattern learning unit 133 determines that the relationship between the traffic density pattern at the time t and the traffic density at the next time t+1 is stored for all times and kiloposts (S177/YES), the traffic density prediction time The learning process of the relationship between the pattern and the traffic density at the next time t+1 is completed. When the traffic density prediction pattern learning unit 133 does not determine that the relationship between the traffic density pattern at the time t and the traffic density at the next time t+1 has been stored for all times and kilometer posts (S177/NO), the processing after S171. Is repeated at all times for kiloposts.

図１１に示したように、記憶された交通密度予測パターンには、時刻ｔにおける地点Ｐ−１０〜地点Ｐ＋５までの交通密度と、時刻ｔ＋１における地点Ｐの交通密度が示されている。交通密度予測パターン記憶部１４９は、図１１に示したような、交通密度予測パターン学習部１３３によって学習された交通密度予測パターンを記憶する。ここまで、学習部１３０による学習処理の流れを説明した。 As shown in FIG. 11, the stored traffic density prediction pattern shows the traffic density from point P-10 to point P+5 at time t and the traffic density at point P at time t+1. The traffic density prediction pattern storage unit 149 stores the traffic density prediction pattern learned by the traffic density prediction pattern learning unit 133 as illustrated in FIG. 11. Up to this point, the flow of the learning process by the learning unit 130 has been described.

［３．２．予測処理（Ｓ２００）］
続いて、図１２を参照して、交通流予測部１２０による交通流予測処理の流れを説明する。 [3.2. Prediction process (S200)]
Next, the flow of traffic flow prediction processing by the traffic flow prediction unit 120 will be described with reference to FIG.

交通流予測部１２０は、学習処理の後に交通流の予測処理を行う（図６、Ｓ２００）。交通流予測部１２０は、設定された予測間隔（例えば１分間隔）で、各路線の交通流を予測する。 The traffic flow prediction unit 120 performs the traffic flow prediction process after the learning process (FIG. 6, S200). The traffic flow prediction unit 120 predicts the traffic flow of each route at a set prediction interval (for example, 1 minute interval).

まず、交通流予測部１２０は、トラカンデータ記憶部１４３から、設定した時刻以降、かつ、対象の路線の車両検知器に関するトラカンデータを取得する（Ｓ２０１）。 First, the traffic flow prediction unit 120 acquires the tractor data regarding the vehicle detector of the target route after the set time from the tractor data storage unit 143 (S201).

続いて、交通流予測部１２０は、プローブデータ記憶部１４５から、設定した時刻以降、かつ、対象の路線のプローブデータを取得する（Ｓ２０３）。交通流予測部１２０は、図１３に示したように、取得したプローブデータを基に、横軸をキロポストとし、縦軸を時刻として、車両の平均速度を濃淡で示した交通流図を作成する。図１３において、濃い色で示された領域は、平均速度が遅い領域であり、薄い色で示された領域ほど平均速度が速いことを示している。図１３に示した交通流図において、白色の部分は、データの欠測、又はプローブデータが取得されていない領域である。例えば、キロポストが４６９．００であり、時刻が２０：３２の座標に示された白色の領域は、プローブデータが取得されなかったことを示す。また、２０：４８以降の白色の領域は、まだプローブデータが取得されていないことを示している。なお、図１３に示したように、最新のプローブデータの時刻は、平均速度が遅い領域における各キロポストで異なっている。これは、プローブデータ収集システム３０の車載器３１がアンテナ３２を通過するまでに時間を要するため、アンテナ３２から上流側に離れたキロポストのデータがプローブデータ取得部１１３によって取得されるまでに時間を要するためである。 Subsequently, the traffic flow prediction unit 120 acquires probe data for the target route after the set time from the probe data storage unit 145 (S203). As shown in FIG. 13, the traffic flow prediction unit 120 creates a traffic flow chart based on the acquired probe data, in which the horizontal axis is kilometer posts and the vertical axis is time, and the average speed of the vehicle is shown in shades. .. In FIG. 13, a region shown in dark color is a region where the average speed is slow, and a region shown in light color shows that the average speed is faster. In the traffic flow chart shown in FIG. 13, a white portion is an area where data is missing or probe data is not acquired. For example, the kilometer post is 469.00, and the white area indicated by the coordinates at the time 20:32 indicates that the probe data has not been acquired. The white area after 20:48 indicates that probe data has not yet been acquired. Note that, as shown in FIG. 13, the latest probe data time differs for each kilometer post in the region where the average speed is slow. This is because it takes time for the vehicle-mounted device 31 of the probe data acquisition system 30 to pass through the antenna 32. Therefore, it takes time for the probe data acquisition unit 113 to acquire the data of the kilometer post that is located upstream from the antenna 32. This is because it costs.

続いて、交通流予測部１２０は、予測対象の時刻及びキロポストを設定し（Ｓ２０５）、設定された予測対象の時刻及びキロポストにおけるプローブデータが取得されたか否かを判定する（Ｓ２０７）。予測対象の時刻及びキロポストにおけるプローブデータがない場合（Ｓ２０７／ＹＥＳ）、交通流予測部１２０は、対象の時刻の直前の時刻において、交通密度パターン取得範囲を算出する（Ｓ２０９）。交通密度パターン取得範囲は、Ｓ１７１及びＳ１７３と同様にして算出される。 Subsequently, the traffic flow prediction unit 120 sets a prediction target time and kilometer post (S205), and determines whether probe data at the set prediction target time and kilometer post has been acquired (S207). When there is no probe data at the prediction target time and the kilometer post (S207/YES), the traffic flow prediction unit 120 calculates the traffic density pattern acquisition range at the time immediately before the target time (S209). The traffic density pattern acquisition range is calculated in the same manner as S171 and S173.

次いで、交通流予測部１２０は、Ｓ２０９にて算出された交通密度パターン取得範囲において、対象時刻の交通密度パターンに最も類似した交通密度予測パターンを、交通密度予測パターン記憶部１４９から取得する（Ｓ２１１）。取得された交通密度予測パターンにおける次時刻の交通密度を、予測対象の時刻及びキロポストにおける交通密度とする（Ｓ２１３）。なお、類似の程度の判断は、交通流予測部１２０が取得した、予測対象の時刻における交通密度パターンと、交通密度予測パターン記憶部１４９に記憶された交通密度予測パターンとを、平均二乗誤差等の方法で評価する。 Next, the traffic flow prediction unit 120 acquires, from the traffic density prediction pattern storage unit 149, a traffic density prediction pattern that is most similar to the traffic density pattern at the target time in the traffic density pattern acquisition range calculated in S209 (S211). ). The traffic density at the next time in the acquired traffic density prediction pattern is set as the traffic density at the prediction target time and kilometer post (S213). It should be noted that the determination of the degree of similarity is performed by using the mean square error, etc. of the traffic density pattern at the time of the prediction target acquired by the traffic flow prediction unit 120 and the traffic density prediction pattern stored in the traffic density prediction pattern storage unit 149. Method.

一方、Ｓ２０７において、予測対象の時刻及びキロポストにおけるプローブデータがある場合（Ｓ２０７／ＮＯ）、Ｓ２０５及びＳ２０７を順次繰り返す。 On the other hand, if there is probe data at the prediction target time and kilometer post in S207 (S207/NO), S205 and S207 are sequentially repeated.

Ｓ２１３において、予測対象の時刻及びキロポストにおける交通密度が設定された後、交通流予測部１２０は、交通密度と速度の関係式に設定された交通密度を代入し、予測対象の時刻及びキロポストにおける車両の速度を算出する（Ｓ２１５）。次いで、交通流予測部１２０は、算出された速度が混雑流判定速度より大きいか否かを判定する（Ｓ２１７）。算出された速度が混雑流判定速度より大きい場合（Ｓ２１７／ＹＥＳ）、対象のキロポストより上流で最も近く、混雑流判定速度より大きい速度を有するキロポストにおける速度を、予測対象の時刻及びキロポストにおける車両の速度とする（Ｓ２１９）。一方、算出された速度が混雑流判定速度以下の場合（Ｓ２１７／ＮＯ）、算出された速度を、予測対象の時刻及びキロポストにおける車両の速度とする（Ｓ２２０）。Ｓ２１７の判定処理を行い、判定結果に応じて、車両の速度として用いるデータを変更することで、より高い精度で、交通流の予測を行うことが可能となる。 In S213, after the prediction target time and the traffic density at the kilometer post are set, the traffic flow prediction unit 120 substitutes the traffic density set in the relational expression of the traffic density and the speed, and the prediction target time and the vehicle at the kilometer post. Is calculated (S215). Next, the traffic flow prediction unit 120 determines whether the calculated speed is higher than the congestion flow determination speed (S217). When the calculated speed is higher than the congestion flow determination speed (S217/YES), the speed at the kilometer post closest to the target kilometer post and having a speed higher than the congestion flow judgment speed is predicted to be the time of the prediction target and the vehicle at the kilometer post. The speed is set (S219). On the other hand, when the calculated speed is equal to or lower than the congestion flow determination speed (S217/NO), the calculated speed is set as the prediction target time and the vehicle speed at the kilometer post (S220). By performing the determination process of S217 and changing the data used as the speed of the vehicle according to the determination result, it is possible to predict the traffic flow with higher accuracy.

交通流予測部１２０は、全ての時刻、キロポストについて、速度を算出したか否かを判定する（Ｓ２１１）。交通流予測部１２０は、全ての時刻、キロポストについて速度を算出したと判定した場合（Ｓ２１１／ＹＥＳ）、予測処理を終了する。交通流予測部１２０は、全ての時刻、キロポストについて速度を算出したと判定しなかった場合（Ｓ２１１／ＮＯ）、Ｓ２０５以降の処理が全ての時刻、キロポストについて行われるまで繰り返される。 The traffic flow prediction unit 120 determines whether or not the speed has been calculated for all times and kilometer posts (S211). When the traffic flow prediction unit 120 determines that the speed has been calculated for all times and kilometer posts (S211/YES), the traffic flow prediction unit 120 ends the prediction process. When the traffic flow prediction unit 120 does not determine that the speed has been calculated for all times and kilometer posts (S211/NO), the processing from S205 is repeated until all times and kilometer posts are performed.

図１４に、交通流予測部１２０によって予測された速度を用いて作成された交通流図を示す。図１４に示すように、交通流予測部１２０は、時刻とともに、速度が小さい領域の末尾、言い換えると渋滞領域の末尾が前方に移動し、渋滞区間が短くなると予測していることがわかる。 FIG. 14 shows a traffic flow chart created using the speed predicted by the traffic flow prediction unit 120. As shown in FIG. 14, it can be seen that the traffic flow prediction unit 120 predicts that the end of the area with a low speed, that is, the end of the traffic jam area moves forward with time, and the traffic jam section shortens.

本実施形態によれば、トラカンデータから交通密度・速度の関係式のパラメータを学習し、プローブデータの平均速度から交通密度を算出して時刻ｔにおける交通密度パターンと時刻ｔ＋１における交通密度の関係を学習し、学習された交通密度・速度の関係式のパラメータ、及び時刻ｔにおける交通密度パターンと時刻ｔ＋１における交通密度の関係に基づいて、最新のトラカンデータとプローブデータから次時刻の地点幅の交通密度及び速度を予測することによって、より詳細に交通流を予測することが可能となる。 According to the present embodiment, the parameters of the relational expression of the traffic density/speed are learned from the traffic data, the traffic density is calculated from the average speed of the probe data, and the relationship between the traffic density pattern at time t and the traffic density at time t+1 is calculated. Based on the learned parameters of the relational expression of traffic density and speed, and the relationship between the traffic density pattern at time t and the traffic density at time t+1, the traffic of the spot width of the next time from the latest tractor data and probe data By predicting density and speed, it becomes possible to predict traffic flow in more detail.

＜４．変形例＞
以上、本発明の実施形態を説明した。以下では、本発明の実施形態の変形例を説明する。なお、以下に説明する変形例は、本発明の実施形態で説明した構成に代えて適用されてもよいし、本発明の実施形態で説明した構成に対して追加的に適用されてもよい。 <4. Modification>
The embodiments of the present invention have been described above. Below, the modification of embodiment of this invention is demonstrated. The modified examples described below may be applied instead of the configurations described in the embodiments of the present invention, or may be additionally applied to the configurations described in the embodiments of the present invention.

本発明の実施形態では、交通流予測装置に学習部が備えられており、当該学習部によって、交通密度・速度の関係式のパラメータ、及び時刻ｔにおける交通密度パターンと時刻ｔ＋１における交通密度の関係が学習される。しかしながら、学習部は、交通流予測装置に備えられなくてもよい。交通密度・速度の関係式のパラメータ、及び時刻ｔにおける交通密度パターンと時刻ｔ＋１における交通密度の関係は、別途備えられた学習装置によって学習されてもよい。この場合、交通流予測装置は、交通密度・速度の関係式のパラメータ、及び時刻ｔにおける交通密度パターンと時刻ｔ＋１における交通密度の関係を受信して、記憶部に記憶してもよい。そして、交通流予測部は、交通密度・速度の関係式のパラメータ、及び時刻ｔにおける交通密度パターンと時刻ｔ＋１における交通密度の関係を記憶部から取得して、交通流の予測に用いてもよい。 In the embodiment of the present invention, the traffic flow prediction apparatus is provided with a learning unit, and the learning unit uses the parameters of the relational expression of the traffic density/speed, and the relationship between the traffic density pattern at time t and the traffic density at time t+1. Is learned. However, the learning unit may not be included in the traffic flow prediction device. The parameters of the traffic density/speed relational expression and the relationship between the traffic density pattern at time t and the traffic density at time t+1 may be learned by a separately provided learning device. In this case, the traffic flow prediction apparatus may receive the parameters of the relational expression of the traffic density/speed, the relationship between the traffic density pattern at time t and the traffic density at time t+1, and store them in the storage unit. Then, the traffic flow prediction unit may acquire the parameters of the relational expression of the traffic density/speed and the relationship between the traffic density pattern at the time t and the traffic density at the time t+1 from the storage unit and use them for the prediction of the traffic flow. ..

＜５．ハードウェア構成＞
以上、本発明の実施形態について説明した。上述した精神状態判定、接続端末選定、映像処理及び音声処理などの情報処理は、ソフトウェアと、以下に説明する端末１００のハードウェアとの協働により実現される。 <5. Hardware configuration>
The embodiments of the present invention have been described above. Information processing such as mental state determination, connection terminal selection, video processing and audio processing described above is realized by cooperation between software and hardware of the terminal 100 described below.

図１５は、本発明に係る交通流予測装置のハードウェア構成の一例を示したブロック図である。本発明に係る交通流予測装置は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）９０１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）９０２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９０３、ホストバス９０４、ブリッジ９０５、外部バス９０６、インタフェース９０７、入力装置９０８、表示装置９０９、音声出力装置９１０、ストレージ装置（ＨＤＤ）９１１、ドライブ９１２、及び接続ポート９１３とを備える。 FIG. 15 is a block diagram showing an example of the hardware configuration of the traffic flow prediction device according to the present invention. The traffic flow prediction apparatus according to the present invention includes a CPU (Central Processing Unit) 901, a ROM (Read Only Memory) 902, a RAM (Random Access Memory) 903, a host bus 904, a bridge 905, an external bus 906, an interface 907, and an input device. 908, a display device 909, an audio output device 910, a storage device (HDD) 911, a drive 912, and a connection port 913.

ＣＰＵ９０１は、演算処理装置及び制御装置として機能し、各種プログラムに従って交通流予測装置１０の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。これらはＣＰＵバスなどから構成されるホストバス９０４により相互に接続されている。ＣＰＵ９０１、ＲＯＭ９０２及びＲＡＭ９０３とソフトウェアとの協働により、取得部１１０、交通流予測部１２０、及び学習部１３０の機能が実現されうる。 The CPU 901 functions as an arithmetic processing device and a control device, and controls the overall operation of the traffic flow prediction device 10 according to various programs. Further, the CPU 901 may be a microprocessor. The ROM 902 stores programs used by the CPU 901, calculation parameters, and the like. The RAM 903 temporarily stores a program used in the execution of the CPU 901, parameters that appropriately change in the execution, and the like. These are connected to each other by a host bus 904 including a CPU bus and the like. The functions of the acquisition unit 110, the traffic flow prediction unit 120, and the learning unit 130 can be realized by the cooperation of the CPU 901, the ROM 902, the RAM 903, and the software.

ホストバス９０４は、ブリッジ９０５を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス９０６に接続されている。なお、必ずしもホストバス９０４、ブリッジ９０５及び外部バス９０６を分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。 The host bus 904 is connected to an external bus 906 such as a PCI (Peripheral Component Interconnect/Interface) bus via a bridge 905. The host bus 904, the bridge 905, and the external bus 906 do not necessarily have to be separately configured, and these functions may be mounted on one bus.

入力装置９０８は、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、センサ、スイッチ及びレバーなどの入力手段と、当該入力手段による入力に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などから構成されうる。 The input device 908 includes input means such as a mouse, a keyboard, a touch panel, a button, a microphone, a sensor, a switch and a lever, and an input control circuit that generates an input signal based on the input by the input means and outputs the input signal to the CPU 901. Can be done.

表示装置９０９は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ装置、液晶ディスプレイ（ＬＣＤ）装置、プロジェクター装置、ＯＬＥＤ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）装置及びランプなどの表示装置を含む。音声出力装置９１０は、スピーカ及びヘッドホンなどの音声出力装置を含む。 The display device 909 includes a display device such as a CRT (Cathode Ray Tube) display device, a liquid crystal display (LCD) device, a projector device, an OLED (Organic Light Emitting Diode) device, and a lamp. The audio output device 910 includes an audio output device such as a speaker and headphones.

ストレージ装置９１１は、本発明に係る交通流予測装置の記憶部の一例として構成されたデータ記憶用の装置である。ストレージ装置９１１は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置及び記憶媒体に記録されたデータを削除する削除装置などを含んでもよい。ストレージ装置９１１は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔｒａｇｅ Ｄｒｉｖｅ）、あるいは同等の機能を有するメモリ等で構成される。このストレージ装置９１１は、ストレージを駆動し、ＣＰＵ９０１が実行するプログラムや各種データを記憶する。 The storage device 911 is a device for data storage configured as an example of a storage unit of the traffic flow prediction device according to the present invention. The storage device 911 may include a storage medium, a recording device that records data in the storage medium, a reading device that reads data from the storage medium, a deletion device that deletes data recorded in the storage medium, and the like. The storage device 911 includes, for example, an HDD (Hard Disk Drive), an SSD (Solid Storage Drive), or a memory having an equivalent function. The storage device 911 drives a storage and stores programs executed by the CPU 901 and various data.

ドライブ９１２は、記憶媒体用リーダライタである。ドライブ９１２は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記憶媒体に記録されている情報を読み出して、ＲＡＭ９０３またはストレージ装置９１１に出力する。また、ドライブ９１２は、リムーバブル記憶媒体に情報を書き込むこともできる。 The drive 912 is a reader/writer for a storage medium. The drive 912 reads out information recorded in a removable storage medium such as a mounted magnetic disk, optical disk, magneto-optical disk, or semiconductor memory, and outputs it to the RAM 903 or the storage device 911. The drive 912 can also write information to a removable storage medium.

接続ポート９１３は、例えば、ネットワークに接続するための通信デバイス等で構成された通信インタフェースである。また、接続ポート９１３は、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）対応端末であっても、有線による通信を行うワイヤー端末であってもよい。 The connection port 913 is, for example, a communication interface including a communication device or the like for connecting to a network. The connection port 913 may be a wireless LAN (Local Area Network) compatible terminal or a wire terminal that performs wired communication.

＜６．むすび＞
以上説明したように、本発明の実施形態によれば、より詳細な交通流の予測が可能となる。 <6. Conclusion>
As described above, according to the embodiment of the present invention, more detailed traffic flow prediction is possible.

なお、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。 Although the preferred embodiments of the present invention have been described in detail with reference to the accompanying drawings, the present invention is not limited to such examples. It is obvious that a person having ordinary knowledge in the technical field to which the present invention pertains can come up with various alterations or modifications within the scope of the technical idea described in the claims. Of course, it is understood that these also belong to the technical scope of the present invention.

例えば、本明細書の交通流予測装置の処理における各ステップは、必ずしも流れ図に記載された順序に沿って時系列に処理する必要はない。例えば、交通流予測装置の処理における各ステップは、流れ図として記載した順序と異なる順序で処理されても、並列的に処理されてもよい。 For example, the steps in the processing of the traffic flow prediction device of this specification do not necessarily have to be processed in time series in the order described in the flowchart. For example, each step in the processing of the traffic flow prediction device may be processed in an order different from the order described as the flowchart or in parallel.

さらに、交通流予測装置に内蔵されるＣＰＵ、ＲＯＭ及びＲＡＭなどのハードウェアに、上述した交通流予測装置の各構成と同等の機能を発揮させるためのコンピュータプログラムも作成可能である。また、当該コンピュータプログラムを記憶させた記憶媒体も提供される。 Further, it is possible to create a computer program for causing hardware such as a CPU, a ROM, and a RAM built in the traffic flow prediction device to exhibit the same functions as the respective configurations of the traffic flow prediction device described above. A storage medium storing the computer program is also provided.

１０ 交通流予測装置
２０ 車両検知器
３０ プローブデータ収集システム
３１ 車載器
３２ アンテナ
４０ ネットワーク
１００ 端末
１１０ 取得部
１１１ トラカンデータ取得部
１１３ プローブデータ取得部
１２０ 交通流予測部
１３０ 学習部
１３１ 交通密度・速度関係式パラメータ学習部
１３３ 交通密度予測パターン学習部
１４０ 記憶部
１４１ マスタデータ記憶部
１４３ トラカンデータ記憶部
１４５ プローブデータ記憶部
１４７ 交通密度・速度関係式パラメータ記憶部
１４９ 交通密度予測パターン記憶部
１５０ 通信部 10 traffic flow prediction device 20 vehicle detector 30 probe data collection system 31 vehicle-mounted device 32 antenna 40 network 100 terminal 110 acquisition unit 111 tracan data acquisition unit 113 probe data acquisition unit 120 traffic flow prediction unit 130 learning unit 131 traffic density/speed relationship Formula parameter learning unit 133 Traffic density prediction pattern learning unit 140 Storage unit 141 Master data storage unit 143 Trachan data storage unit 145 Probe data storage unit 147 Traffic density/speed relational expression parameter storage unit 149 Traffic density prediction pattern storage unit 150 Communication unit

Claims (8)

道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得する検知器情報取得部と、
前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得する車載器情報取得部と、
前記検知器情報及び前記車載器情報に基づいて学習された、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する交通流予測部と、を備える、交通流予測装置。 At least the vehicle number information, which is acquired at predetermined time intervals by the vehicle detectors installed at each of the plurality of points on the road and passes through the points where the vehicle detectors are installed, and the speed of the vehicle. Detector information including the detector information acquisition unit for acquiring from the vehicle detector,
From the vehicle-mounted device mounted on the vehicle traveling on the road, the vehicle-mounted device information acquisition unit that acquires the vehicle-mounted device information including at least the position information of the vehicle traveling on the road and the speed of the vehicle traveling on the road,
Traffic that predicts the traffic flow on the road based on the relational expression between the traffic density and the speed learned based on the detector information and the vehicle-mounted device information, and the relationship between the traffic density and the traffic density at the next time. A traffic flow prediction device comprising: a flow prediction unit. 前記交通流予測部は、交通流の予測対象地点から前記車載器情報に含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、前記交通密度と速度との関係式、及び、前記交通密度予測パターンと次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する、請求項１に記載の交通流予測装置。 The traffic flow prediction unit is a traffic density prediction pattern, which is a pattern of traffic density in a range defined according to the speed included in the vehicle-mounted device information from a traffic flow prediction target point, and a relational expression between the traffic density and speed, The traffic flow prediction apparatus according to claim 1, further comprising: predicting a traffic flow on the road based on the relationship between the traffic density prediction pattern and the traffic density at the next time. 前記検知器情報及び前記車載器情報に基づいて、前記交通密度と速度との関係式、及び前記交通密度予測パターンと次時刻の交通密度との関係を学習する学習部、を更に備える、請求項２に記載の交通流予測装置。 A learning unit for learning the relational expression between the traffic density and the speed, and the relation between the traffic density prediction pattern and the traffic density at the next time, based on the detector information and the vehicle-mounted device information. The traffic flow prediction device described in 2. 前記学習部は、前記検知器情報のうち、前記検知器情報に含まれる速度が第１閾値以下である情報に基づいて、前記交通密度を算出し、前記交通密度と速度との関係式を学習する、請求項３に記載の交通流予測装置。 Of the detector information, the learning unit calculates the traffic density based on information in which the speed included in the detector information is a first threshold value or less, and learns a relational expression between the traffic density and the speed. The traffic flow prediction apparatus according to claim 3, wherein 前記交通流予測部は、交通流の予測対象地点から前記車載器情報に含まれる速度に応じて定められる範囲の交通密度のパターンを交通密度予測パターンとし、
前記学習部は、前記車載器情報に含まれる速度に応じて定められる範囲を、予測対象地点から上流に向かって、前記車載器情報に含まれる速度で所定の時間だけ走行したときの位置から、前記予測対象地点から下流に向かって、所定の速度で所定の時間だけ走行したときの位置に所定の距離だけ延長した地点までの範囲として、前記交通密度予測パターンと次時刻の交通密度との関係を学習する、請求項３又は４に記載の交通流予測装置。 The traffic flow prediction unit, as a traffic density prediction pattern, a pattern of traffic density in a range defined according to the speed included in the vehicle-mounted device information from a traffic flow prediction target point,
The learning unit, a range determined according to the speed included in the vehicle-mounted device information, from the prediction target point upstream, from the position when traveling for a predetermined time at the speed included in the vehicle-mounted device information, The relationship between the traffic density prediction pattern and the traffic density at the next time, as a range from the prediction target point toward the downstream, to a point extended by a predetermined distance to the position when traveling at a predetermined speed for a predetermined time The traffic flow prediction apparatus according to claim 3, which learns. 前記交通密度と速度との関係式は、下記式（１）で表される、請求項１〜５のいずれか１項に記載の交通流予測装置。
Ｖ＝ａ×ｅｘｐ（−ｂ×Ｋ） 式（１）
ここで、Ｖは、平均速度（ｋｍ／ｈ）であり、Ｋは、交通密度（台／ｋｍ）であり、ａ及びｂは、交通密度・速度関係式パラメータである。 The traffic flow prediction device according to claim 1, wherein the relational expression between the traffic density and the speed is represented by the following expression (1).
V=a×exp(−b×K) Formula (1)
Here, V is an average speed (km/h), K is a traffic density (vehicle/km), and a and b are traffic density/speed relational expression parameters. 道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得することと、
前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得することと、
前記検知器情報及び前記車載器情報に基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測することと、を備える、交通流予測方法。 At least the vehicle number information, which is acquired at predetermined time intervals by the vehicle detectors installed at each of the plurality of points on the road and passes through the points where the vehicle detectors are installed, and the speed of the vehicle. Acquiring detector information including from the vehicle detector,
From the vehicle-mounted device mounted on the vehicle traveling on the road, acquiring vehicle-mounted device information including at least position information of the vehicle traveling on the road and speed of the vehicle traveling on the road;
Predicting the traffic flow on the road based on the relational expression between the traffic density and the speed, and the relationship between the traffic density and the traffic density at the next time, based on the detector information and the vehicle-mounted device information. Traffic flow forecasting method. コンピュータを、
道路の複数の地点のそれぞれに設置された車両検知器によって、所定の時間間隔で取得され、前記車両検知器が設置された地点を通過する車両の台数情報と、前記車両の速度と、を少なくとも含む検知器情報を、前記車両検知器から取得する検知器情報取得部、
前記道路を走行する車両に載せられた車載器から、前記道路を走行する車両の位置情報と、前記道路を走行する車両の速度とを少なくとも含む車載器情報を取得する車載器情報取得部、及び、
前記検知器情報及び前記車載器情報に基づいた、交通密度と速度との関係式、及び交通密度と次時刻の交通密度との関係に基づいて、前記道路における交通流を予測する交通流予測部、として機能させるための、プログラム。 Computer,
At least the vehicle number information, which is acquired at predetermined time intervals by the vehicle detectors installed at each of the plurality of points on the road and passes through the points where the vehicle detectors are installed, and the speed of the vehicle. Detector information including a detector information acquisition unit that acquires the detector information from the vehicle detector,
An in-vehicle device information acquisition unit that acquires in-vehicle device information including at least position information of a vehicle traveling on the road and speed of a vehicle traveling on the road, from an on-vehicle device mounted on a vehicle traveling on the road, and ,
A traffic flow prediction unit that predicts a traffic flow on the road based on the relational expression between the traffic density and the speed and the relationship between the traffic density and the traffic density at the next time, based on the detector information and the vehicle-mounted device information. A program for functioning as.
JP2018216584A 2018-11-19 2018-11-19 Traffic flow prediction device, traffic flow prediction method and program Active JP7172491B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018216584A JP7172491B2 (en) 2018-11-19 2018-11-19 Traffic flow prediction device, traffic flow prediction method and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018216584A JP7172491B2 (en) 2018-11-19 2018-11-19 Traffic flow prediction device, traffic flow prediction method and program

Publications (2)

Publication Number Publication Date
JP2020086647A true JP2020086647A (en) 2020-06-04
JP7172491B2 JP7172491B2 (en) 2022-11-16

Family

ID=70908101

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018216584A Active JP7172491B2 (en) 2018-11-19 2018-11-19 Traffic flow prediction device, traffic flow prediction method and program

Country Status (1)

Country Link
JP (1) JP7172491B2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115394083A (en) * 2022-08-29 2022-11-25 合肥工业大学 Expressway traffic jam prediction method based on deep learning

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0962979A (en) * 1995-08-25 1997-03-07 Toshiba Corp Traffic flow predicting device
JP2001084479A (en) * 1999-09-14 2001-03-30 Matsushita Electric Ind Co Ltd Method and device for forecasting traffic flow data
JP2011209818A (en) * 2010-03-29 2011-10-20 Denso It Laboratory Inc Traffic volume prediction device, traffic volume prediction method and program
WO2014188586A1 (en) * 2013-05-24 2014-11-27 株式会社日立製作所 Traffic volume estimation system
JP2018055455A (en) * 2016-09-29 2018-04-05 株式会社東芝 Road traffic state estimating system and road traffic state estimating method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0962979A (en) * 1995-08-25 1997-03-07 Toshiba Corp Traffic flow predicting device
JP2001084479A (en) * 1999-09-14 2001-03-30 Matsushita Electric Ind Co Ltd Method and device for forecasting traffic flow data
JP2011209818A (en) * 2010-03-29 2011-10-20 Denso It Laboratory Inc Traffic volume prediction device, traffic volume prediction method and program
WO2014188586A1 (en) * 2013-05-24 2014-11-27 株式会社日立製作所 Traffic volume estimation system
JP2018055455A (en) * 2016-09-29 2018-04-05 株式会社東芝 Road traffic state estimating system and road traffic state estimating method

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115394083A (en) * 2022-08-29 2022-11-25 合肥工业大学 Expressway traffic jam prediction method based on deep learning
CN115394083B (en) * 2022-08-29 2023-06-06 合肥工业大学 Highway traffic jam prediction method based on deep learning

Also Published As

Publication number Publication date
JP7172491B2 (en) 2022-11-16

Similar Documents

Publication Publication Date Title
EP2255347B1 (en) Travel pattern information obtaining device, travel pattern information obtaining method, travel pattern information obtaining program and computer readable medium
US7627414B2 (en) Road map management system
US20190004517A1 (en) Method and apparatus for generating automatic driving strategy
EP1970670A1 (en) Route-selection-supporting device and method
CN103325248A (en) Traffic information creating device and traffic information creating method
CN101405573A (en) Navigation apparatus and method for providing alarm for speed trap
CN104677367A (en) Path predication-based interest point searching method
CN103325268A (en) Traffic information creating device and traffic information creating method
US10745010B2 (en) Detecting anomalous vehicle behavior through automatic voting
EP4211601A1 (en) Mobile device and system for automated trip familiarity recognition and corresponding method thereof
JP2019028526A (en) Congestion prediction device
CN112885112A (en) Vehicle driving detection method, vehicle driving early warning method and device
JP6633372B2 (en) Route search device and route search method
JP7172491B2 (en) Traffic flow prediction device, traffic flow prediction method and program
US11105652B2 (en) Information processing apparatus and automatic driving track management system
US11315425B2 (en) History information storage apparatus, route calculation method, and influence range distribution system
EP3410362B1 (en) Method and apparatus for next token prediction based on previously observed tokens
JP2020193956A (en) On-vehicle device, driving support method, and driving support system
US20220207993A1 (en) Method, apparatus, and system for verifying a lane closure using probe data
US20090105936A1 (en) Route guidance apparatus, route guidance method, route guidance program and computer-readable recording medium
JP7424394B2 (en) Vehicle monitoring system, vehicle monitoring method, and vehicle monitoring device
JP2006023886A (en) Traffic information system
KR100478180B1 (en) Apparatus and method for detecting speed of cars
JP5930242B2 (en) Traffic information processing apparatus, processing method thereof, and program
JP6994016B2 (en) Route search device and route search method

Legal Events

Date Code Title Description
RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20190327

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190328

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210810

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220609

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220621

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220713

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221004

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221017

R150 Certificate of patent or registration of utility model

Ref document number: 7172491

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150