JP2022017876A

JP2022017876A - Traffic situation determination system, traffic situation determination method, computer program, and learning model

Info

Publication number: JP2022017876A
Application number: JP2020120699A
Authority: JP
Inventors: 誠千賀; Makoto Chiga; 博司中尾; Hiroshi Nakao; 稔也北原; Toshiya Kitahara; 喜久中辻; Yoshihisa Nakatsuji
Original assignee: Sumitomo Electric Industries Ltd; Sumitomo Electric System Solutions Co Ltd
Current assignee: Sumitomo Electric Industries Ltd; Sumitomo Electric System Solutions Co Ltd
Priority date: 2020-07-14
Filing date: 2020-07-14
Publication date: 2022-01-26

Abstract

To accurately detect an abnormal situation in traffic.SOLUTION: A traffic situation determination system includes a learning model that produces output data, which represents a traffic situation at a specific point, on the basis of input data representing the traffic situation at the specific point, and a situation determination unit that determines based on the input data and the output data whether a traffic abnormal situation has occurred. The learning model is an autoencoder including an input layer, one or more intermediate layers, and an output layer.SELECTED DRAWING: Figure 5

Description

本開示は、交通状態判定装置、交通状態判定方法、コンピュータプログラム、及び学習モデルに関する。 The present disclosure relates to a traffic condition determination device, a traffic condition determination method, a computer program, and a learning model.

特許文献１には、異常交通流（事故等の突発事象によって交通容量の低下した交通流）を検出する検出装置が開示されている。特許文献１に開示される検出装置は、現在までの交通状態量データに基づいて現時点から所定時間後の交通状態量を予測し、交通状態量の予測値に基づいて異常交通流判定用上下閾値を設定し、所定時間後において検出された実際の交通状態量が上下閾値間の範囲外にあるか否かを判定し、範囲外にあるときに交通流が異常であると判定する。 Patent Document 1 discloses a detection device for detecting an abnormal traffic flow (traffic flow whose traffic capacity is reduced due to a sudden event such as an accident). The detection device disclosed in Patent Document 1 predicts the traffic state amount after a predetermined time from the present time based on the traffic state amount data up to the present, and the upper and lower thresholds for determining an abnormal traffic flow based on the predicted value of the traffic state amount. Is set, and it is determined whether or not the actual traffic condition amount detected after a predetermined time is out of the range between the upper and lower thresholds, and when it is out of the range, it is determined that the traffic flow is abnormal.

特開平３－２０９５９９号公報Japanese Unexamined Patent Publication No. 3-209599

特許文献１に開示された検出装置では、現時点から所定時間後の交通状態量を正確に予測できなければ、異常交通流判定用の閾値を適切に設定することができず、異常交通流の検出精度が低下する。さらに、事故等の突発事象の内容及び程度、突発事象発生時点における交通量、突発事象発生箇所の道路形状等によって、突発事象発生後の交通流は変化する。上記のような突発事象に関する様々な状況に応じて、適切な閾値を設定することは困難である。 With the detection device disclosed in Patent Document 1, if the traffic condition amount after a predetermined time cannot be accurately predicted from the present time, the threshold value for determining an abnormal traffic flow cannot be set appropriately, and the detection of an abnormal traffic flow cannot be performed. The accuracy is reduced. Further, the traffic flow after the sudden event occurs changes depending on the content and degree of the sudden event such as an accident, the traffic volume at the time of the sudden event, the road shape of the place where the sudden event occurs, and the like. It is difficult to set an appropriate threshold value according to various situations related to the above-mentioned sudden events.

本開示の一態様に係る交通状態判定装置は、特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成する学習モデルと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定する状態判定部と、を備え、前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである。 The traffic condition determination device according to one aspect of the present disclosure includes a learning model that generates output data indicating a traffic condition at a specific point from input data indicating a traffic condition at a specific point, and the input data and the output data. The learning model is an autoencoder including an input layer, one or more intermediate layers, and an output layer. be.

本開示の一態様に係る交通状態判定方法は、学習モデルによって、特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成するステップと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、を含み、前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである。 The traffic condition determination method according to one aspect of the present disclosure includes a step of generating output data indicating a traffic condition at a specific point from input data indicating the traffic condition at a specific point by a learning model, and the input data and the input data. The learning model includes an auto-encoder including an input layer, one or more intermediate layers, and an output layer, including a step of determining whether or not an abnormal traffic condition has occurred based on the output data. Is.

本開示の一態様に係るコンピュータプログラムは、コンピュータに交通異常状態を検出させるためのコンピュータプログラムであって、前記コンピュータに、学習モデルによって、特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成するステップと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、を実行させ、前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである。 The computer program according to one aspect of the present disclosure is a computer program for causing a computer to detect an abnormal traffic state, and is the specific computer program from input data indicating a traffic state at a specific point by a learning model. A step of generating output data indicating a traffic state at a point and a step of determining whether or not an abnormal traffic state has occurred based on the input data and the output data are executed, and the learning model is used. An autoencoder that includes an input layer, one or more intermediate layers, and an output layer.

本開示の一態様に係る学習モデルは、オートエンコーダによって構成される学習モデルであって、特定の地点における交通状態を示す入力データを受け付ける入力層と、前記特定の地点における交通状態を示す出力データを生成する出力層と、前記入力層及び前記出力層の間に設けられる一又は複数の中間層と、を備える。 The learning model according to one aspect of the present disclosure is a learning model configured by an autoencoder, which is an input layer that receives input data indicating a traffic state at a specific point, and output data indicating the traffic state at the specific point. It is provided with an output layer for generating the above and one or a plurality of intermediate layers provided between the input layer and the output layer.

本開示は、上記のような特徴的な構成を備える交通状態判定装置として実現することができるだけでなく、交通状態判定装置における特徴的な処理をステップとする交通状態判定方法として実現することができる。本開示は、コンピュータを通信制御装置として機能させるコンピュータプログラムとして実現したり、交通状態判定装置又は他の装置が実行する機械学習によって生成される、交通状態判定用の学習モデルとして実現したりすることができる。さらに、本開示は、交通状態判定装置の一部又は全部を半導体集積回路として実現したり、交通状態判定装置を含む交通状態判定システムとして実現したりすることができる。 The present disclosure can be realized not only as a traffic condition determination device having a characteristic configuration as described above, but also as a traffic condition determination method in which characteristic processing in the traffic condition determination device is a step. .. The present disclosure is realized as a computer program that causes a computer to function as a communication control device, or as a learning model for traffic condition determination generated by machine learning executed by a traffic condition determination device or another device. Can be done. Further, the present disclosure can realize a part or all of the traffic condition determination device as a semiconductor integrated circuit, or can be realized as a traffic condition determination system including the traffic condition determination device.

本開示によれば、交通における異常状態を正確に検出することができる。 According to the present disclosure, it is possible to accurately detect an abnormal state in traffic.

交通信号制御システムの全体構成の一例を示す図である。It is a figure which shows an example of the whole structure of a traffic signal control system. 実施形態に係る交通状態判定装置の構成の一例を示すブロック図である。It is a block diagram which shows an example of the structure of the traffic condition determination device which concerns on embodiment. 実施形態に係る交通状態判定装置における学習モデルの種別を説明する図である。It is a figure explaining the type of the learning model in the traffic state determination apparatus which concerns on embodiment. 実施形態に係る学習モデルの構成の一例を示す模式図である。It is a schematic diagram which shows an example of the structure of the learning model which concerns on embodiment. 実施形態に係る交通状態判定装置の機能の一例を示す機能ブロック図である。It is a functional block diagram which shows an example of the function of the traffic state determination apparatus which concerns on embodiment. 同一地点における再構成誤差の時間推移を示すグラフである。It is a graph which shows the time transition of the reconstruction error at the same point. 実施形態に係る表示装置による表示画面の一例を示す図である。It is a figure which shows an example of the display screen by the display device which concerns on embodiment. 実施形態に係る機械学習の一例を示す模式図である。It is a schematic diagram which shows an example of the machine learning which concerns on embodiment. 実施形態に係る交通状態判定処理の手順を示すフローチャートである。It is a flowchart which shows the procedure of the traffic condition determination processing which concerns on embodiment. 実施形態に係る学習処理の手順を示すフローチャートである。It is a flowchart which shows the procedure of the learning process which concerns on embodiment.

＜本開示の実施形態の概要＞
以下、本開示の実施形態の概要を列記して説明する。 <Summary of Embodiments of the present disclosure>
Hereinafter, the outlines of the embodiments of the present disclosure will be described in a list.

（１）本実施形態に係る交通状態判定装置は、特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成する学習モデルと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定する状態判定部と、を備え、前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである。オートエンコーダは、入力データを次元削減（エンコード）し、入力データと同一の出力データを得るように復元（デコード）する。様々なトレーニングデータによって訓練された学習モデルに正常な交通状態における入力データを与えると、高精度に入力データを復元した出力データが生成される。突発事象が発生したときの交通異常状態を反映した入力データは、正常な交通状態における入力データとは異なる傾向を示す。学習モデルは、このような交通異常状態を反映した入力データを正確に復元せず、入力データとは異なる出力データを生成する。したがって、入力データと出力データとに基づいて、交通異常状態を正確に検出することができる。 (1) The traffic condition determination device according to the present embodiment has a learning model that generates output data indicating a traffic condition at a specific point from input data indicating a traffic condition at a specific point, and the input data and the output. The learning model includes an autoencoder including an input layer, one or more intermediate layers, and an output layer, comprising a state determination unit for determining whether or not an abnormal traffic condition has occurred based on data. Is. The autoencoder reduces (encodes) the dimensions of the input data and restores (decodes) it so that the same output data as the input data is obtained. When the input data in the normal traffic condition is given to the learning model trained by various training data, the output data obtained by restoring the input data with high accuracy is generated. The input data that reflects the abnormal traffic condition when a sudden event occurs tends to be different from the input data in the normal traffic condition. The learning model does not accurately restore the input data reflecting such an abnormal traffic state, and generates output data different from the input data. Therefore, the traffic abnormality state can be accurately detected based on the input data and the output data.

（２）前記入力データは、渋滞長、交通量、及び旅行時間を含み、前記入力層は、前記入力データにおける前記渋滞長を受け付ける第１入力ノード、前記入力データにおける前記交通量を受け付ける第２入力ノード、及び前記入力データにおける前記旅行時間を受け付ける第３入力ノードを含み、前記出力データは、渋滞長、交通量、及び旅行時間を含み、前記出力層は、前記出力データにおける前記渋滞長を出力する第１出力ノード、前記出力データにおける前記交通量を出力する第２出力ノード、及び前記出力データにおける前記旅行時間を出力する第３出力ノードを含んでもよい。渋滞長、交通量、及び旅行時間によって正確に交通状態を示すことができる。したがって、このような入力データを用いることによって交通異常状態を正確に検出することができる。 (2) The input data includes a congestion length, a traffic volume, and a travel time, and the input layer receives a first input node that accepts the congestion length in the input data, and a second that accepts the traffic volume in the input data. The input node includes an input node and a third input node that receives the travel time in the input data, the output data includes a congestion length, a traffic volume, and a travel time, and the output layer has the congestion length in the output data. It may include a first output node to output, a second output node to output the traffic volume in the output data, and a third output node to output the travel time in the output data. The traffic condition can be accurately indicated by the length of traffic, the traffic volume, and the travel time. Therefore, by using such input data, it is possible to accurately detect an abnormal traffic state.

（３）本実施形態に係る交通状態判定装置は、複数の時間帯のそれぞれに対応する複数の前記学習モデルと、前記特定の地点における交通状態を示す交通状態情報を、前記複数の時間帯に応じて分類する分類部と、を備え、前記分類部によって分類された前記交通状態情報に基づく前記入力データは、前記入力データが対応する時間帯と同一の時間帯に対応する前記学習モデルに入力されてもよい。朝及び夕方、夜間、昼間等の時間帯によって交通状態は異なる傾向を示す。したがって、時間帯毎に作成された学習モデルに、時間帯に応じて分類された入力データを与えることにより、交通異常状態を正確に検出することができる。 (3) The traffic condition determination device according to the present embodiment converts the plurality of learning models corresponding to each of the plurality of time zones and the traffic condition information indicating the traffic condition at the specific point into the plurality of time zones. The input data based on the traffic condition information classified by the classification unit is provided with a classification unit that classifies according to the classification unit, and is input to the learning model corresponding to the same time zone as the time zone to which the input data corresponds. May be done. Traffic conditions tend to differ depending on the time of day such as morning and evening, night, and daytime. Therefore, by giving input data classified according to the time zone to the learning model created for each time zone, it is possible to accurately detect the traffic abnormality state.

（４）前記複数の学習モデルは、複数の日種のそれぞれに対応し、前記分類部は、前記交通状態情報を、前記複数の日種に応じて分類してもよい。平日、土曜日、日曜日、祝日等の日種によって交通状態は異なる傾向を示す。したがって、日種毎に作成された学習モデルに、日種に応じて分類された入力データを与えることにより、交通異常状態を正確に検出することができる。 (4) The plurality of learning models correspond to each of the plurality of day types, and the classification unit may classify the traffic condition information according to the plurality of day types. Traffic conditions tend to differ depending on the type of day, such as weekdays, Saturdays, Sundays, and holidays. Therefore, by giving input data classified according to the day type to the learning model created for each day type, it is possible to accurately detect the traffic abnormality state.

（５）本実施形態に係る交通状態判定装置は、前記特定の地点における交通状態を示す交通状態情報を正規化し、前記入力データを生成する正規化部をさらに備えてもよい。これにより、交通状態情報を正規化することによって、入力データ間での不整合を抑制することができる。 (5) The traffic condition determination device according to the present embodiment may further include a normalization unit that normalizes the traffic condition information indicating the traffic condition at the specific point and generates the input data. As a result, inconsistency between the input data can be suppressed by normalizing the traffic condition information.

（６）前記状態判定部は、前記入力データと前記出力データとの差分を所定の閾値と比較することにより、前記交通異常状態が発生しているか否かを判定してもよい。正常な交通状態においては出力データが入力データとよく一致し、交通異常状態においては出力データが入力データと大きく異なる。したがって、入力データと出力データとの差分を所定の閾値と比較することで、容易且つ正確に交通異常状態を検出することができる。 (6) The state determination unit may determine whether or not the traffic abnormality state has occurred by comparing the difference between the input data and the output data with a predetermined threshold value. Under normal traffic conditions, the output data matches well with the input data, and under abnormal traffic conditions, the output data differs significantly from the input data. Therefore, by comparing the difference between the input data and the output data with a predetermined threshold value, it is possible to easily and accurately detect the traffic abnormality state.

（７）前記状態判定部は、前記差分が前記閾値を規定回数連続して超過した場合に、前記交通異常状態が発生していると判定してもよい。突発事象が発生すると、渋滞等の交通異常状態が継続する。このような交通異常状態は、短時間に解消されない場合がある。したがって、規定回数連続して差分が所定の閾値を超過するか否かを判定することにより、継続する交通異常状態を検出することができる。 (7) The state determination unit may determine that the traffic abnormality state has occurred when the difference exceeds the threshold value continuously for a predetermined number of times. When a sudden event occurs, traffic jams and other abnormal traffic conditions continue. Such an abnormal traffic condition may not be resolved in a short time. Therefore, it is possible to detect a continuous abnormal traffic state by determining whether or not the difference exceeds a predetermined threshold value continuously a predetermined number of times.

（８）本実施形態に係る交通状態判定装置は、前記状態判定部の判定結果に基づいて、前記交通異常状態の発生地点と、前記交通異常状態が発生していない地点とを区別した地図を表示する表示装置をさらに備えてもよい。これにより、ユーザが視覚によって交通異常状態の発生地点を確認することができる。 (8) The traffic condition determination device according to the present embodiment provides a map that distinguishes between the location where the traffic abnormality condition occurs and the location where the traffic abnormality condition does not occur, based on the determination result of the condition determination unit. A display device for displaying may be further provided. This allows the user to visually confirm the location of the abnormal traffic condition.

（９）前記学習モデルは、前記交通状態を示すトレーニングデータを前記入力層に与えられたときに、前記トレーニングデータに近似した情報を出力するための機械学習によって生成されてもよい。これにより、交通異常状態の検出に用いられる学習モデルを作成することができる。 (9) The learning model may be generated by machine learning for outputting information similar to the training data when the training data indicating the traffic state is given to the input layer. This makes it possible to create a learning model used for detecting abnormal traffic conditions.

（１０）本実施形態に係る交通状態判定方法は、学習モデルによって、特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成するステップと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、を含み、前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである。学習モデルは、正常な交通状態を反映した入力データを正確に復元する一方で、交通異常状態を反映した入力データを正確に復元しない。したがって、入力データと出力データとに基づいて、交通異常状態を正確に検出することができる。 (10) The traffic condition determination method according to the present embodiment includes a step of generating output data indicating a traffic condition at a specific point from input data indicating the traffic condition at a specific point by a learning model, and the input data. And the step of determining whether or not an abnormal traffic condition has occurred based on the output data, the learning model includes an input layer, one or more intermediate layers, and an auto including an output layer. It is an encoder. The learning model accurately restores the input data that reflects the normal traffic conditions, but does not accurately restore the input data that reflects the abnormal traffic conditions. Therefore, the traffic abnormality state can be accurately detected based on the input data and the output data.

（１１）本実施形態に係るコンピュータプログラムは、コンピュータに交通異常状態を検出させるためのコンピュータプログラムであって、前記コンピュータに、学習モデルによって、特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成するステップと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、を実行させ、前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである。学習モデルは、正常な交通状態を反映した入力データを正確に復元する一方で、交通異常状態を反映した入力データを正確に復元しない。したがって、入力データと出力データとに基づいて、交通異常状態を正確に検出することができる。 (11) The computer program according to the present embodiment is a computer program for causing a computer to detect an abnormal traffic state, and is specified by the computer from input data indicating a traffic state at a specific point by a learning model. A step of generating output data indicating the traffic state at the point of , An auto-encoder including an input layer, one or more intermediate layers, and an output layer. The learning model accurately restores the input data that reflects the normal traffic conditions, but does not accurately restore the input data that reflects the abnormal traffic conditions. Therefore, the traffic abnormality state can be accurately detected based on the input data and the output data.

（１２）本実施形態に係る学習モデルは、オートエンコーダによって構成される学習モデルであって、特定の地点における交通状態を示す入力データを受け付ける入力層と、前記特定の地点における交通状態を示す出力データを生成する出力層と、前記入力層及び前記出力層の間に設けられる一又は複数の中間層と、を備える。学習モデルは、正常な交通状態を反映した入力データを正確に復元する一方で、交通異常状態を反映した入力データを正確に復元しない。したがって、入力データと出力データとに基づいて、交通異常状態を正確に検出することができる。 (12) The learning model according to the present embodiment is a learning model configured by an autoencoder, and has an input layer that receives input data indicating a traffic state at a specific point and an output indicating the traffic state at the specific point. It includes an output layer for generating data and one or more intermediate layers provided between the input layer and the output layer. The learning model accurately restores the input data that reflects the normal traffic conditions, but does not accurately restore the input data that reflects the abnormal traffic conditions. Therefore, the traffic abnormality state can be accurately detected based on the input data and the output data.

＜本開示の実施形態の詳細＞
以下、図面を参照しつつ、本発明の実施形態の詳細を説明する。なお、以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。 <Details of Embodiments of the present disclosure>
Hereinafter, the details of the embodiment of the present invention will be described with reference to the drawings. In addition, at least a part of the embodiments described below may be arbitrarily combined.

［１．交通信号制御システム］
図１は、交通信号制御システムの全体構成の一例を示す図である。
図１中、交通信号制御システム１は、複数の信号灯器２、複数の交通信号制御機４、交通情報データベース６（以下、「データベース」を「ＤＢ」ともいう）、路側センサ８、及び交通状態判定装置１０を含む。 [1. Traffic signal control system]
FIG. 1 is a diagram showing an example of the overall configuration of a traffic signal control system.
In FIG. 1, the traffic signal control system 1 includes a plurality of signal lamps 2, a plurality of traffic signal controllers 4, a traffic information database 6 (hereinafter, “database” is also referred to as “DB”), a roadside sensor 8, and a traffic state. The determination device 10 is included.

図１中、信号灯器２及び交通信号制御機４は、複数の交差点Ｃｉ（ｉ＝１～１２）のそれぞれに設置されている。
なお、図１では、図示を簡略化するために、各交差点Ｃｉに信号灯器２を１つだけ示しているが、実際には互いに交差する道路の上り下り用として４つの信号灯器２が設置される。 In FIG. 1, the signal lamp 2 and the traffic signal controller 4 are installed at each of the plurality of intersections Ci (i = 1 to 12).
In FIG. 1, for simplification of the illustration, only one signal lamp 2 is shown at each intersection Ci, but in reality, four signal lamps 2 are installed for going up and down roads that intersect each other. To.

交通情報ＤＢ６及び交通状態判定装置１０は、交通管制センター等に設置される。
交通信号制御機４及び交通情報ＤＢ６は、ＬＴＥ（ＬｏｎｇＴｅｒｍＥｖｏｌｕｔｉｏｎ）等の移動通信システムによる無線通信が可能であり、互いに無線通信することで、相互に情報の授受が可能とされている。 The traffic information DB 6 and the traffic condition determination device 10 are installed in a traffic control center or the like.
The traffic signal controller 4 and the traffic information DB 6 are capable of wireless communication by a mobile communication system such as LTE (Long Term Evolution), and can exchange information with each other by wirelessly communicating with each other.

交通信号制御機４は、信号灯器２の灯色制御（信号制御）を行う。 The traffic signal controller 4 controls the light color (signal control) of the signal lamp device 2.

路側センサ８は、例えば、直下を走行する車両５を超音波感知する車両感知器や、インダクタンス変化で車両５を感知するループコイル、あるいはカメラの画像を画像処理して交通量や車両速度を計測する画像感知器等により構成される。
路側センサ８は、対象の交差点Ｃｉから延びる各方路の上流側に設置され、当該交差点Ｃｉに流入する車両台数（流入交通量）、車両速度、上流側の交差点からの旅行時間、渋滞長を計測する。旅行時間は、上流側の交差点において車両が検出された時刻から、対象の交差点Ｃｉにおいて当該車両が検出された時刻までの時間に基づいて計測される。渋滞長は、渋滞している車列の長さである。車両速度が所定値以下の車両が連続して感知された場合に渋滞が発生していると判断される。 The roadside sensor 8 measures, for example, a vehicle detector that ultrasonically detects a vehicle 5 traveling directly underneath, a loop coil that detects a vehicle 5 by an inductance change, or an image of a camera to process traffic volume and vehicle speed. It is composed of an image sensor and the like.
The roadside sensor 8 is installed on the upstream side of each road extending from the target intersection Ci, and measures the number of vehicles (inflow traffic volume) flowing into the intersection Ci, the vehicle speed, the travel time from the upstream intersection, and the congestion length. measure. The travel time is measured based on the time from the time when the vehicle is detected at the intersection on the upstream side to the time when the vehicle is detected at the target intersection Ci. The traffic jam length is the length of the congested convoy. When vehicles with a vehicle speed of a predetermined value or less are continuously detected, it is determined that congestion has occurred.

路側センサ８は、有線又は無線による通信回線を介して、対象の交差点Ｃｉに設置されている交通信号制御機４に接続されている。路側センサ８は、通信回線を通じて、計測結果を交通信号制御機４へ与える。計測結果は、交通信号制御機４によって信号灯器２の灯色制御に用いられる他、交通信号制御機４によって交通情報ＤＢ６へ転送される。
なお、計測結果には、交差点Ｃｉに流入する交通量、車両速度、旅行時間等が含まれる。路側センサ８は旅行時間及び渋滞長を計測しなくてもよい。例えば、交通管制センターに設置された装置（交通情報ＤＢ６等）が各路側センサ８による車両の検出時刻を取得し、旅行時間を算出してもよい。当該装置が、各路側センサ８によって検出された車両速度を取得し、渋滞の判定及び渋滞長の算出を行ってもよい。 The roadside sensor 8 is connected to the traffic signal controller 4 installed at the target intersection Ci via a wired or wireless communication line. The roadside sensor 8 gives the measurement result to the traffic signal controller 4 through the communication line. The measurement result is used for controlling the light color of the signal lamp 2 by the traffic signal controller 4, and is also transferred to the traffic information DB 6 by the traffic signal controller 4.
The measurement results include the traffic volume flowing into the intersection Ci, the vehicle speed, the travel time, and the like. The roadside sensor 8 does not have to measure the travel time and the congestion length. For example, a device (traffic information DB 6 or the like) installed in the traffic control center may acquire the detection time of the vehicle by each roadside sensor 8 and calculate the travel time. The device may acquire the vehicle speed detected by each roadside sensor 8 to determine congestion and calculate the congestion length.

交通情報ＤＢ６及び交通状態判定装置１０は、ＬＡＮ（Local Area Network）等によって互いに通信可能に接続される。交通情報ＤＢ６は、各交差点Ｃｉにおける交通状態を示す交通状態情報を記憶する。交通状態情報は、渋滞長、交通量、及び旅行時間を含む。 The traffic information DB 6 and the traffic condition determination device 10 are communicably connected to each other by a LAN (Local Area Network) or the like. The traffic information DB 6 stores traffic condition information indicating a traffic condition at each intersection Ci. Traffic condition information includes congestion length, traffic volume, and travel time.

交通状態判定装置１０は、交通情報ＤＢ６に記憶された交通状態情報に基づいて、交通異常状態を検出する。 The traffic condition determination device 10 detects an abnormal traffic condition based on the traffic condition information stored in the traffic information DB 6.

［２．交通状態判定装置の構成］
図２は、本実施形態に係る交通状態判定装置１０の構成の一例を示すブロック図である。 [2. Configuration of traffic condition judgment device]
FIG. 2 is a block diagram showing an example of the configuration of the traffic condition determination device 10 according to the present embodiment.

交通状態判定装置１０は、プロセッサ１０１と、不揮発性メモリ１０２と、揮発性メモリ１０３と、入出力インタフェース１０４とを備える。 The traffic state determination device 10 includes a processor 101, a non-volatile memory 102, a volatile memory 103, and an input / output interface 104.

揮発性メモリ１０３は、例えばＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性メモリである。不揮発性メモリ１０２は、例えばフラッシュメモリ、ハードディスク、ＲＯＭ（Read Only Memory）等の不揮発性メモリである。不揮発性メモリ１０２には、コンピュータプログラムである交通状態判定プログラム１０５及び交通状態判定プログラム１０５の実行に使用されるデータが格納される。交通状態判定装置１０の各機能は、交通状態判定プログラム１０５がプロセッサ１０１によって実行されることで発揮される。交通状態判定プログラム１０５は、フラッシュメモリ、ＲＯＭ、ＣＤ－ＲＯＭなどの記録媒体に記憶させることができる。 The volatile memory 103 is, for example, a volatile memory such as a SRAM (Static Random Access Memory) or a DRAM (Dynamic Random Access Memory). The non-volatile memory 102 is, for example, a non-volatile memory such as a flash memory, a hard disk, or a ROM (Read Only Memory). The non-volatile memory 102 stores data used for executing the traffic condition determination program 105 and the traffic condition determination program 105, which are computer programs. Each function of the traffic condition determination device 10 is exhibited by executing the traffic condition determination program 105 by the processor 101. The traffic condition determination program 105 can be stored in a recording medium such as a flash memory, a ROM, or a CD-ROM.

交通状態判定プログラム１０５は、複数の学習モデル１０６を含む。さらに、不揮発性メモリ１０２には、訓練プログラム１０７が記憶される。訓練プログラム１０７は、機械学習用のコンピュータプログラムであり、機械学習によって学習モデル１０６を構築することができる。 The traffic condition determination program 105 includes a plurality of learning models 106. Further, the training program 107 is stored in the non-volatile memory 102. The training program 107 is a computer program for machine learning, and a learning model 106 can be constructed by machine learning.

プロセッサ１０１は、例えばＣＰＵ（Central Processing Unit）である。ただし、プロセッサ１０１は、ＣＰＵに限られない。プロセッサ１０１は、ＧＰＵ（Graphics Processing Unit）であってもよい。具体的な一例では、プロセッサ１０１は、マルチコアＧＰＵである。プロセッサ１０１は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）、ゲートアレイ、ＦＰＧＡ（Field Programmable Gate Array）等のハードウェアロジック回路であってもよい。この場合、ハードウェアロジック回路は、交通状態判定プログラム１０５と同様の処理を実行可能に構成される。 The processor 101 is, for example, a CPU (Central Processing Unit). However, the processor 101 is not limited to the CPU. The processor 101 may be a GPU (Graphics Processing Unit). In a specific example, the processor 101 is a multi-core GPU. The processor 101 may be, for example, a hardware logic circuit such as an ASIC (Application Specific Integrated Circuit), a gate array, or an FPGA (Field Programmable Gate Array). In this case, the hardware logic circuit is configured to be able to execute the same processing as the traffic condition determination program 105.

入出力インタフェース１０４は、例えばイーサネットインタフェース（「イーサネット」は登録商標）を含み、交通情報ＤＢ６に接続されている。さらに入出力インタフェース１０４は、液晶ディスプレイ等の表示装置１０８に接続されており、映像信号を表示装置１０８に出力することができる。 The input / output interface 104 includes, for example, an Ethernet interface (“Ethernet” is a registered trademark) and is connected to the traffic information DB 6. Further, the input / output interface 104 is connected to a display device 108 such as a liquid crystal display, and can output a video signal to the display device 108.

［３．学習モデル］
学習モデル１０６は、プロセッサ１０１によって実行可能なコンピュータプログラムであり、交通異常状態の検出に用いられる。 [3. Learning model]
The learning model 106 is a computer program that can be executed by the processor 101 and is used for detecting an abnormal traffic state.

本実施形態に係る交通状態判定装置１０には、複数の学習モデル１０６が格納される。図３は、本実施形態に係る交通状態判定装置１０における学習モデルの種別を説明する図である。交通状態は、朝及び夕方、夜間、昼間等の時間帯によって交通状態は異なる傾向を示す。このような時間帯に応じた交通状態の傾向に対応するため、学習モデル１０６は、複数の時間帯毎に設けられる。具体的には、１時間の各時間帯に対応して学習モデル１０６が設けられる。平日、土曜日、日曜日・祝日等の日種によって交通状態は異なる傾向を示す。このような日種に応じた交通状態の傾向に対応するため、学習モデル１０６はさらに、複数の日種毎に設けられる。具体的には、平日、土曜日、及び日曜日・祝日の各日種に対応して学習モデル１０６が設けられる。つまり、平日の各時間帯に対応して１つずつの学習モデル１０６が設けられ、土曜日の各時間帯に対応して１つずつの学習モデル１０６が設けられ、日曜日及び祝日の各時間帯に対応して１つずつの学習モデル１０６が設けられる。 A plurality of learning models 106 are stored in the traffic condition determination device 10 according to the present embodiment. FIG. 3 is a diagram illustrating a type of learning model in the traffic condition determination device 10 according to the present embodiment. Traffic conditions tend to differ depending on the time of day such as morning and evening, night, and daytime. The learning model 106 is provided for each of a plurality of time zones in order to deal with the tendency of the traffic condition according to such a time zone. Specifically, the learning model 106 is provided corresponding to each time zone of one hour. Traffic conditions tend to differ depending on the type of day, such as weekdays, Saturdays, Sundays and holidays. In order to deal with such a tendency of traffic conditions according to the day type, the learning model 106 is further provided for each of a plurality of day types. Specifically, the learning model 106 is provided corresponding to each day type on weekdays, Saturdays, and Sundays and holidays. That is, one learning model 106 is provided for each time zone on weekdays, one learning model 106 is provided for each time zone on Saturday, and one learning model 106 is provided for each time zone on Sundays and holidays. Correspondingly, one learning model 106 is provided.

図４は、本実施形態に係る学習モデルの構成の一例を示す模式図である。学習モデル１０６は、ニューラルネットワークの１つであるオートエンコーダによって構成され、入力層１０６ＩＮと、中間層１０６ＭＩＤと、出力層１０６ＯＵＴとを含む。 FIG. 4 is a schematic diagram showing an example of the configuration of the learning model according to the present embodiment. The learning model 106 is configured by an autoencoder, which is one of the neural networks, and includes an input layer 106IN, an intermediate layer 106MID, and an output layer 106OUT.

入力層１０６ＩＮは、３つのノードＮ１１，Ｎ１２，Ｎ１３を含む。ノードＮ１１（第１入力ノード）は、渋滞長の入力を受け付ける。ノードＮ１２（第２入力ノード）は、交通量の入力を受け付ける。ノードＮ１３（第３入力ノード）は、旅行時間の入力を受け付ける。なお、入力層１０６ＩＮに含まれるノードの数は３に限られない。例えば、入力層１０６ＩＮは、４以上のノードを含んでもよい。この場合、渋滞長、交通量、及び旅行時間を受け付ける３つのノード以外のノードは、渋滞長、交通量、及び旅行時間以外の交通状態に関するデータを受け付けてもよい。 The input layer 106IN includes three nodes N11, N12, N13. The node N11 (first input node) accepts the input of the congestion length. The node N12 (second input node) accepts an input of traffic volume. The node N13 (third input node) accepts the input of the travel time. The number of nodes included in the input layer 106IN is not limited to three. For example, the input layer 106IN may include four or more nodes. In this case, a node other than the three nodes that accept the congestion length, the traffic volume, and the travel time may accept data on the traffic condition other than the congestion length, the traffic volume, and the travel time.

中間層１０６ＭＩＤは、一又は複数の処理層によって構成される。図４に示す例では、中間層１０６ＭＩＤは１層構造である。中間層１０６ＭＩＤは、１つのノードＮ２を含む。なお、中間層１０６ＭＩＤに含まれるノードの数は１に限られないが、入力層１０６ＩＮに含まれるノードの数よりも少ない。 The intermediate layer 106 MID is composed of one or a plurality of processing layers. In the example shown in FIG. 4, the intermediate layer 106 MID has a one-layer structure. The intermediate layer 106 MID includes one node N2. The number of nodes included in the intermediate layer 106 MID is not limited to 1, but is smaller than the number of nodes included in the input layer 106 IN.

出力層１０６ＯＵＴは、３つのノードＮ３１，Ｎ３２，Ｎ３３を含む。ノードＮ３１（第１出力ノード）は、渋滞長を出力する。ノードＮ３２（第２出力ノード）は、交通量を出力する。ノードＮ３３（第３出力ノード）は、旅行時間を出力する。なお、出力層１０６ＯＵＴに含まれるノードの数は３に限られないが、入力層１０６ＩＮのノード数と同じである。例えば、出力層１０６ＯＵＴは、４以上のノードを含んでもよい。この場合、渋滞長、交通量、及び旅行時間を出力する３つのノード以外のノードは、渋滞長、交通量、及び旅行時間以外の交通状態に関するデータを出力してもよい。 The output layer 106OUT includes three nodes N31, N32, N33. The node N31 (first output node) outputs the congestion length. The node N32 (second output node) outputs the traffic volume. The node N33 (third output node) outputs the travel time. The number of nodes included in the output layer 106OUT is not limited to 3, but is the same as the number of nodes in the input layer 106IN. For example, the output layer 106OUT may include four or more nodes. In this case, a node other than the three nodes that output the congestion length, the traffic volume, and the travel time may output data on the traffic condition other than the congestion length, the traffic volume, and the travel time.

出力層１０６ＯＵＴのノードＮ３１，Ｎ３２，Ｎ３３のそれぞれは、中間層１０６ＭＩＤのノードＮ２にエッジによって接続される。エッジには個別の重みが設定される。 Each of the nodes N31, N32, and N33 of the output layer 106OUT is connected to the node N2 of the intermediate layer 106 MID by an edge. Individual weights are set for the edges.

入力層１０６ＩＮのノードＮ１１，Ｎ１２，Ｎ１３のそれぞれに与えられたデータは、エッジの重みによって重み付けされ、中間層１０６ＭＩＤのノードＮ２に受け渡される。中間層１０６ＭＩＤのノードＮ２は、割り当てられた処理を与えられたデータに対して実行する。中間層１０６ＭＩＤのノードＮ２によって処理されたデータは、エッジの重みによって重み付けされ、出力層１０６ＯＵＴのノードＮ３１，Ｎ３２，Ｎ３３のそれぞれに受け渡される。出力層１０６ＯＵＴに含まれる各ノードＮ３１，Ｎ３２，Ｎ３３のデータは、渋滞長、交通量、及び旅行時間である。出力層１０６ＯＵＴのノードＮ３１，Ｎ３２，Ｎ３３から出力される出力データが、入力層１０６ＩＮのノードＮ１１，Ｎ１２，Ｎ１３に与えられる入力データと一致するように、各エッジの重みは設定される。 The data given to each of the nodes N11, N12, and N13 of the input layer 106IN is weighted by the weight of the edge and passed to the node N2 of the intermediate layer 106MID. Node N2 of the intermediate layer 106 MID executes the assigned processing on the given data. The data processed by the node N2 of the intermediate layer 106 MID is weighted by the edge weight and passed to each of the nodes N31, N32, N33 of the output layer 106OUT. The data of each node N31, N32, N33 included in the output layer 106OUT is the congestion length, the traffic volume, and the travel time. The weight of each edge is set so that the output data output from the nodes N31, N32, N33 of the output layer 106OUT matches the input data given to the nodes N11, N12, N13 of the input layer 106IN.

学習モデル１０６は、後述する訓練処理によって構築される。 The learning model 106 is constructed by the training process described later.

［４．交通状態判定装置の機能］
図５は、本実施形態に係る交通状態判定装置１０の機能の一例を示す機能ブロック図である。交通状態判定装置１０は、入力部１１１、分類部１１２、正規化部１１３、状態判定部１１４、及び映像信号出力部１１５の各機能を有する。 [4. Function of traffic condition judgment device]
FIG. 5 is a functional block diagram showing an example of the function of the traffic condition determination device 10 according to the present embodiment. The traffic state determination device 10 has each function of an input unit 111, a classification unit 112, a normalization unit 113, a state determination unit 114, and a video signal output unit 115.

交通情報ＤＢ６には、渋滞長、交通量、及び旅行時間を含む交通状態情報が蓄積される。入力部１１１は、交通情報ＤＢ６から最新の交通状態情報を受け付ける。交通状態情報には、例えば、当該情報が得られた（路側センサ８によって計測された）時刻が含まれる。 The traffic information DB 6 stores traffic condition information including the length of traffic jam, the traffic volume, and the travel time. The input unit 111 receives the latest traffic state information from the traffic information DB 6. The traffic condition information includes, for example, the time when the information was obtained (measured by the roadside sensor 8).

入力部１１１によって受け付けられた交通状態情報は、分類部１１２に与えられる。分類部１１２は、与えられた交通状態情報を、時間帯及び日種に応じて分類する。例えば、金曜日の８時４５分の時刻情報が含まれる交通状態情報は、日種：平日、時間帯：８時から９時に分類され、日曜日の２０時５分の時刻情報が含まれる交通状態情報は、日種：日曜日・祝日、時間帯：２０時から２１時に分類される。 The traffic condition information received by the input unit 111 is given to the classification unit 112. The classification unit 112 classifies the given traffic condition information according to the time zone and the day type. For example, the traffic condition information including the time information of 8:45 on Friday is classified into the day type: weekday, the time zone: 8:00 to 9:00, and the traffic condition information including the time information of 20:05 on Sunday. Is classified into day type: Sundays and holidays, time zone: 20:00 to 21:00.

分類部１１２によって分類された交通状態情報は、正規化部１１３に与えられる。正規化部１１３は、交通状態情報に含まれる渋滞長、交通量、及び旅行時間を正規化する。具体的には、正規化部１１３は、渋滞長、交通量、及び旅行時間のそれぞれのデータを、代表値で割ることによって無次元量化する。これによって、無次元量の渋滞長、交通量、及び旅行時間である入力データが生成される。 The traffic condition information classified by the classification unit 112 is given to the normalization unit 113. The normalization unit 113 normalizes the congestion length, the traffic volume, and the travel time included in the traffic condition information. Specifically, the normalization unit 113 divides each data of the congestion length, the traffic volume, and the travel time by the representative value to make it dimensionless. This produces input data that is a dimensionless amount of congestion length, traffic volume, and travel time.

生成された入力データ（渋滞長、交通量、及び旅行時間）は、分類部１１２によって交通状態情報（すなわち、入力データ）が分類された日種及び時間帯に対応する学習モデル１０６に入力される。例えば、日種：平日、時間帯：８時から９時に分類された入力データは、日種：平日、時間帯：８時から９時に対応する学習モデル１０６に与えられ、日種：日曜日・祝日、時間帯：２０時から２１時に分類された入力データは、日種：日曜日・祝日、時間帯：２０時から２１時に対応する学習モデル１０６に与えられる。 The generated input data (traffic jam length, traffic volume, and travel time) are input to the learning model 106 corresponding to the day type and time zone in which the traffic condition information (that is, the input data) is classified by the classification unit 112. .. For example, the input data classified by day type: weekday, time zone: 8:00 to 9:00 is given to the learning model 106 corresponding to day type: weekday, time zone: 8:00 to 9:00, and day type: Sunday / holiday. , Time zone: The input data classified from 20:00 to 21:00 is given to the learning model 106 corresponding to the day type: Sunday / holiday, and the time zone: 20:00 to 21:00.

学習モデル１０６は、入力データを次元圧縮し、さらに復元して出力データを生成する。正常な交通状態を示す入力データが学習モデル１０６に入力されると、入力データと概ね一致した出力データが生成される。異常な交通状態を示す入力データが学習モデル１０６に入力されると、入力データと異なる出力データが生成される。 The training model 106 dimensionally compresses the input data and further restores it to generate output data. When the input data indicating the normal traffic condition is input to the learning model 106, the output data that substantially matches the input data is generated. When input data indicating an abnormal traffic condition is input to the learning model 106, output data different from the input data is generated.

学習モデル１０６の入力データ及び出力データは、状態判定部１１４に与えられる。状態判定部１１４は、入力データ及び出力データに基づいて、交通異常状態が発生しているか否かを判定する。具体的には、状態判定部１１４は、入力データと出力データとの差分を閾値と比較することにより、交通異常状態が発生しているか否かを判定する。 The input data and the output data of the learning model 106 are given to the state determination unit 114. The state determination unit 114 determines whether or not a traffic abnormality state has occurred based on the input data and the output data. Specifically, the state determination unit 114 determines whether or not an abnormal traffic state has occurred by comparing the difference between the input data and the output data with the threshold value.

状態判定部１１４の機能について詳細に説明する。状態判定部１１４は、下式にしたがって再構成誤差を算出する。再構成誤差は、入力データと出力データとの差分の一例である。
再構成誤差＝｜入力渋滞長－出力渋滞長｜＋｜入力交通量－出力交通量｜＋｜入力旅行時間－出力旅行時間｜
ただし、入力渋滞長は入力データに含まれる渋滞長であり、出力渋滞長は出力データに含まれる渋滞長であり、入力交通量は入力データに含まれる交通量であり、出力交通量は出力データに含まれる交通量であり、入力旅行時間は入力データに含まれる旅行時間であり、出力旅行時間は出力データに含まれる旅行時間である。 The function of the state determination unit 114 will be described in detail. The state determination unit 114 calculates the reconstruction error according to the following equation. The reconstruction error is an example of the difference between the input data and the output data.
Reconstruction error = | Input congestion length-Output congestion length | + | Input traffic volume-Output traffic volume | + | Input travel time-Output travel time |
However, the input congestion length is the congestion length included in the input data, the output congestion length is the congestion length included in the output data, the input traffic volume is the traffic volume included in the input data, and the output traffic volume is the output data. The input travel time is the travel time included in the input data, and the output travel time is the travel time included in the output data.

状態判定部１１４は、算出された再構成誤差と閾値とを比較する。状態判定部１１４は、連続して再構成誤差が所定の閾値を超える回数（以下、「連続超過回数」という）をカウントし、連続超過回数が規定回数に達した場合、交通状態が異常と判定する。つまり、交通状態判定装置１０は、同一地点について交通状態情報の取得、分類、正規化、学習モデルによる出力データの生成、再構成誤差の算出及び再構成誤差と閾値との比較の一連の処理を複数回実施する。これらの複数回の処理サイクルにおいて、連続超過回数が規定回数以上となった場合、状態判定部１１４は交通状態を異常と判定する。状態判定部１１４は、連続超過回数が規定回数未満である場合、交通状態が正常と判定する。これにより、交通状態情報にノイズが含まれている場合に、交通状態が異常と誤判定されることを抑制することができる。 The state determination unit 114 compares the calculated reconstruction error with the threshold value. The state determination unit 114 continuously counts the number of times the reconstruction error exceeds a predetermined threshold value (hereinafter referred to as "consecutive excess number"), and when the continuous excess number reaches the specified number of times, the state determination unit 114 determines that the traffic condition is abnormal. do. That is, the traffic condition determination device 10 performs a series of processing of acquisition of traffic condition information, classification, normalization, generation of output data by a learning model, calculation of reconstruction error, and comparison between reconstruction error and threshold value for the same point. Perform multiple times. When the number of consecutive excesses exceeds the specified number of times in these a plurality of processing cycles, the state determination unit 114 determines that the traffic state is abnormal. When the number of consecutive excesses is less than the specified number of times, the state determination unit 114 determines that the traffic condition is normal. This makes it possible to prevent the traffic condition from being erroneously determined as abnormal when the traffic condition information contains noise.

図６は、同一地点における再構成誤差の時間推移を示すグラフである。図６において、縦軸は再構成誤差を、横軸は時間を示す。図中の実線のグラフは１１月１０日における再構成誤差の時間推移を示し、破線のグラフは１１月１７日における再構成誤差の時間推移を示す。１１月１０日においては、事故などに起因する異常な交通状態は発生していない。このため、再構成誤差は概ね一定の値に収まっている。１１月１７日の１５時から１６時３５分において事故が発生している。１１月１７日における再構成誤差は、５時付近、６時付近、１５時付近、及び２２時付近において大きな値となっている。しかし、５時付近、６時付近、及び２２時付近においては、再構成誤差が大きな値を取る時間が継続せず、再構成誤差の変動は短時間である。これらの再構成誤差の変動はノイズであり、異常な交通状態を示すものではない。これに対して、１５時付近においては継続して再構成誤差が大きな値を取っている。このような再構成誤差の変動を検出することにより、ノイズの影響を除去して正確に交通異常状態を検出することができる。本実施形態においては、再構成誤差が閾値を複数回連続して超えるか否かを判定することによって、再構成誤差が継続して大きな値を取ることを検出する。 FIG. 6 is a graph showing the time transition of the reconstruction error at the same point. In FIG. 6, the vertical axis represents the reconstruction error and the horizontal axis represents time. The solid line graph in the figure shows the time transition of the reconstruction error on November 10, and the broken line graph shows the time transition of the reconstruction error on November 17. On November 10, there were no abnormal traffic conditions caused by accidents. Therefore, the reconstruction error is within a substantially constant value. An accident occurred from 15:00 to 16:35 on November 17th. The reconstruction error on November 17 is a large value at around 5 o'clock, around 6 o'clock, around 15:00, and around 22:00. However, at around 5 o'clock, around 6 o'clock, and around 22:00, the time for the reconstruction error to take a large value does not continue, and the fluctuation of the reconstruction error is short. The fluctuations in these reconstruction errors are noise and do not indicate abnormal traffic conditions. On the other hand, around 15:00, the reconstruction error continues to take a large value. By detecting such fluctuations in the reconstruction error, it is possible to remove the influence of noise and accurately detect the traffic abnormality state. In the present embodiment, it is detected that the reconstruction error continuously takes a large value by determining whether or not the reconstruction error exceeds the threshold value a plurality of times in succession.

再び図５を参照する。映像信号出力部１１５は、状態判定部１１４による交通異常状態の検出結果を示す映像信号を出力する。映像信号は表示装置１０８に与えられ、交通異常状態の検出結果が表示装置１０８によって表示される。 See FIG. 5 again. The video signal output unit 115 outputs a video signal indicating the detection result of the traffic abnormality state by the state determination unit 114. The video signal is given to the display device 108, and the detection result of the traffic abnormality state is displayed by the display device 108.

図７は、本実施形態に係る表示装置による表示画面の一例を示す図である。表示装置１０８は、交通異常状態の発生地点と、交通異常状態が発生していない地点とを区別した地図（以下、「交通状態マップ」という）を表示する。図７に示す例において、交通状態マップは、３次元表示された地図と、円柱状のマークとを含む。マークは、円柱の底面の地点における交通状態を示す。正常な交通状態は緑色（図中白抜き）のマークで示され、交通異常状態は赤色（図中斜線付き）のマークで示される。このような交通状態マップを表示することで、ユーザが視覚によって交通異常状態が発生している地点を把握することができる。なお、図７に示す図は交通状態マップの一例であり、このような表示形式に限定されない。例えば、２次元地図の一又は複数の地点に交通状態を示すマークを付してもよい。交通状態に応じてマークを色分け（正常は緑、異常は赤等）したり、形を変えたり（正常は円、異常は四角形等）してもよい。交通状態をマークで示すのではなく、「正常」、「異常」などの文字で表してもよい。 FIG. 7 is a diagram showing an example of a display screen by the display device according to the present embodiment. The display device 108 displays a map (hereinafter, referred to as “traffic condition map”) that distinguishes between the points where the abnormal traffic condition has occurred and the points where the abnormal traffic condition has not occurred. In the example shown in FIG. 7, the traffic condition map includes a three-dimensionally displayed map and a columnar mark. The mark indicates the traffic condition at the point on the bottom of the cylinder. Normal traffic conditions are indicated by green marks (white in the figure), and abnormal traffic conditions are indicated by red marks (slashed in the figure). By displaying such a traffic condition map, the user can visually grasp the point where the traffic abnormality condition is occurring. The figure shown in FIG. 7 is an example of a traffic condition map, and is not limited to such a display format. For example, one or more points on the two-dimensional map may be marked to indicate traffic conditions. The marks may be color-coded (normal is green, abnormal is red, etc.) or changed in shape (normal is circle, abnormal is square, etc.) according to the traffic conditions. Instead of indicating the traffic condition with a mark, it may be expressed with characters such as "normal" and "abnormal".

［５．学習機能］
次に、学習モデル１０６を作成する学習機能について説明する。学習機能は、訓練プログラム１０７によって発揮される。 [5. Learning function]
Next, the learning function for creating the learning model 106 will be described. The learning function is exerted by the training program 107.

交通状態判定装置１０等の訓練プログラム１０７を実行する装置は、特定の日種の特定の時間帯における学習モデル１０６を作成するために、交通情報ＤＢ６から当該日種の当該時間帯における交通状態情報を多数受信する。例えばユーザが、取得された交通状態情報から、異常なデータを取り除く。すなわち取得された交通状態情報から、正常な交通状態を示すデータが選別される（スクリーニング）。 The device that executes the training program 107, such as the traffic condition determination device 10, uses the traffic information DB 6 to provide traffic condition information in the time zone of the relevant day type in order to create a learning model 106 in the specific time zone of the specific day type. Receive a large number. For example, the user removes abnormal data from the acquired traffic condition information. That is, data indicating a normal traffic condition is selected from the acquired traffic condition information (screening).

スクリーニング後の交通状態情報は正規化され、上記の入力データと同様のデータ形式のトレーニングデータを多数含むトレーニングデータセットが作成される。 The traffic condition information after screening is normalized, and a training data set containing a large number of training data in the same data format as the above input data is created.

トレーニングデータセットをオートエンコーダに入力することで、学習モデル１０６が作成される。すなわち、訓練プログラム１０７を実行する装置は、トレーニングデータセットを用いて機械学習を実行し、学習モデル１０６を構築（再構築）する。 The training model 106 is created by inputting the training data set to the autoencoder. That is, the device that executes the training program 107 executes machine learning using the training data set, and constructs (reconstructs) the learning model 106.

図８は、本実施形態に係る機械学習の一例を示す模式図である。訓練プログラム１０７を実行する装置は、オートエンコーダにトレーニングデータセットを与え、教師なし機械学習を実行する。教師なし機械学習では、トレーニングデータが入力としてオートエンコーダに与えられ、入力と等しい出力が得られるように重み（結合荷重）が調整される。このような機械学習は、複数のトレーニングデータを用いて繰り返し行われる。機械学習によって、オートエンコーダの結合荷重が設定され、学習モデル１０６が構築される。 FIG. 8 is a schematic diagram showing an example of machine learning according to the present embodiment. The device executing the training program 107 provides the autoencoder with a training data set to perform unsupervised machine learning. In unsupervised machine learning, training data is given to the autoencoder as input and the weights (coupling loads) are adjusted so that an output equal to the input is obtained. Such machine learning is repeated using a plurality of training data. By machine learning, the coupling load of the autoencoder is set and the learning model 106 is constructed.

［６．交通状態判定処理］
図９は、本実施形態に係る交通状態判定装置１０による交通状態判定処理の手順を示すフローチャートである。図９に示される交通状態判定処理は、学習モデル１０６のランタイムの処理である。 [6. Traffic condition judgment processing]
FIG. 9 is a flowchart showing a procedure of traffic condition determination processing by the traffic condition determination device 10 according to the present embodiment. The traffic condition determination process shown in FIG. 9 is a run-time process of the learning model 106.

交通状態判定処理が開始すると、プロセッサ１０１は、対象地点を選択する（ステップＳ１０１）。対象地点は、交通異常状態の検出対象とする地点であり、例えば交差点Ｃｉである。次に交通状態判定装置１０は、交通情報ＤＢ６から対象地点の交通状態情報を受信する（ステップＳ１０２）。 When the traffic condition determination process starts, the processor 101 selects a target point (step S101). The target point is a point for detecting an abnormal traffic state, for example, an intersection Ci. Next, the traffic condition determination device 10 receives the traffic condition information of the target point from the traffic information DB 6 (step S102).

プロセッサ１０１は、受信された交通状態情報を、日種及び時間帯によって分類する（ステップＳ１０３）。プロセッサ１０１は、分類された交通状態情報に含まれる要素（渋滞長、交通量、旅行時間）を正規化する（ステップＳ１０４）。これによって正規化された渋滞長、交通量、及び旅行時間を含む入力データが作成される。 The processor 101 classifies the received traffic condition information according to the day type and the time zone (step S103). The processor 101 normalizes the elements (traffic jam length, traffic volume, travel time) included in the classified traffic condition information (step S104). This creates input data including normalized congestion length, traffic volume, and travel time.

プロセッサ１０１は、交通状態情報が分類された日種及び時間帯に対応する学習モデルに、入力データを入力する（ステップＳ１０５）。学習モデル１０６は、入力モデルを次元削減（エンコード）し、さらに復元（デコード）して出力データを生成する。 The processor 101 inputs input data to the learning model corresponding to the day type and time zone in which the traffic condition information is classified (step S105). The training model 106 reduces (encodes) the dimensions of the input model and further restores (decodes) it to generate output data.

プロセッサ１０１は、入力データと出力データとの差分である再構成誤差を算出する（ステップＳ１０６）。さらにプロセッサ１０１は、再構成誤差と閾値とを比較し、再構成誤差が所定の閾値を超えるか否かを判定する（ステップＳ１０７）。ここでプロセッサ１０１は、連続して再構成誤差が所定の閾値を超えた回数をカウントする。例えば、プロセッサ１０１は、再構成誤差が所定の閾値を超えた場合は、カウンターの変数の値を１つインクリメントし、再構成誤差が所定の閾値以下である場合は、カウンターをリセットする。 The processor 101 calculates a reconstruction error which is a difference between the input data and the output data (step S106). Further, the processor 101 compares the reconstruction error with the threshold value, and determines whether or not the reconstruction error exceeds a predetermined threshold value (step S107). Here, the processor 101 continuously counts the number of times the reconstruction error exceeds a predetermined threshold value. For example, the processor 101 increments the value of the variable of the counter by one when the reconstruction error exceeds a predetermined threshold value, and resets the counter when the reconstruction error is equal to or less than the predetermined threshold value.

プロセッサ１０１は、連続超過回数が規定値以上であるか否かを判定する（ステップＳ１０８）。連続超過回数が規定値未満である場合（ステップＳ１０８においてＮＯ）、プロセッサ１０１は交通状態を正常と判定する（ステップＳ１０９）。連続超過回数が規定値以上である場合（ステップＳ１０８においてＹＥＳ）、プロセッサ１０１は交通状態を異常と判定する（ステップＳ１１０）。 The processor 101 determines whether or not the number of consecutive excesses is equal to or greater than a specified value (step S108). When the number of consecutive excesses is less than the specified value (NO in step S108), the processor 101 determines that the traffic condition is normal (step S109). When the number of consecutive excesses is equal to or greater than the specified value (YES in step S108), the processor 101 determines that the traffic condition is abnormal (step S110).

プロセッサ１０１は、交通状態の判定結果に基づいて、交通状態マップを作成する。なお、ここでいう「交通状態マップを作成する」とは、交通状態マップを映像で表示するためのデータを内部のメモリに作成することである。さらにプロセッサ１０１は、交通状態マップの映像信号を表示装置１０８に出力し、交通状態マップを表示装置１０８に表示させる（ステップＳ１１１）。以上で、交通状態判定処理が終了する。 The processor 101 creates a traffic condition map based on the determination result of the traffic condition. The term "creating a traffic condition map" here means creating data for displaying the traffic condition map as a video in the internal memory. Further, the processor 101 outputs the video signal of the traffic condition map to the display device 108, and displays the traffic condition map on the display device 108 (step S111). This completes the traffic condition determination process.

［７．学習処理］
図１０は、本実施形態に係る学習処理の手順を示すフローチャートである。図１０に示される学習処理は、学習モデル１０６のトレーニングタイムの処理である。 [7. Learning process]
FIG. 10 is a flowchart showing the procedure of the learning process according to the present embodiment. The learning process shown in FIG. 10 is the processing of the training time of the learning model 106.

学習処理が開始すると、交通状態判定装置１０は、過去の一定の日種及び一定の時間帯の交通状態情報を交通情報ＤＢ６から受信する（ステップＳ２０１）。例えば、平日の１５時から１６時の学習モデル１０６を作成する場合、交通状態判定装置１０は、過去の平日（月曜日、火曜日、水曜日、木曜日、及び金曜日）の１５時から１６時の交通状態情報を取得する。 When the learning process starts, the traffic condition determination device 10 receives traffic condition information of a certain past day type and a certain time zone from the traffic information DB 6 (step S201). For example, when creating a learning model 106 from 15:00 to 16:00 on weekdays, the traffic condition determination device 10 uses traffic condition information from 15:00 to 16:00 on past weekdays (Monday, Tuesday, Wednesday, Thursday, and Friday). To get.

プロセッサ１０１は、取得された交通状態情報の中から異常なデータを除去する（ステップＳ２０２）。さらに、プロセッサ１０１は、異常なデータが除去された交通状態情報に含まれる要素（渋滞長、交通量、旅行時間）を正規化する（ステップＳ２０３）。これによって正規化された渋滞長、交通量、及び旅行時間を含むトレーニングデータを多数含むトレーニングデータセットが作成される。 The processor 101 removes abnormal data from the acquired traffic condition information (step S202). Further, the processor 101 normalizes the elements (traffic jam length, traffic volume, travel time) included in the traffic condition information from which the abnormal data has been removed (step S203). This creates a training data set containing a large number of training data including normalized congestion length, traffic volume, and travel time.

プロセッサ１０１は、トレーニングデータセットをオートエンコーダに与え、機械学習を実行する（ステップＳ２０４）。これによって、学習モデル１０６が構築される。以上で、学習処理が終了する。 The processor 101 feeds the training data set to the autoencoder and executes machine learning (step S204). As a result, the learning model 106 is constructed. This completes the learning process.

［８．変形例］
上記の実施形態では、日種毎及び時間帯毎に学習モデル１０６を設けたが、これに限定されない。例えば、日種のみに応じて複数の学習モデル１０６を設けてもよいし、時間帯のみに応じて複数の学習モデル１０６を設けてもよい。さらに、全ての日種及び時間帯に対応する１つの学習モデル１０６によって、交通異常状態の検出が行われてもよい。 [8. Modification example]
In the above embodiment, the learning model 106 is provided for each day type and each time zone, but the learning model 106 is not limited to this. For example, a plurality of learning models 106 may be provided according to only the day type, or a plurality of learning models 106 may be provided according to only the time zone. Furthermore, the detection of abnormal traffic conditions may be performed by one learning model 106 corresponding to all day types and time zones.

交通状態判定装置１０が、交通状態判定処理と、学習処理とを実行する構成に限られない。例えば、学習処理は、交通状態判定装置１０とは異なる装置によって実行されてもよい。この場合、学習処理を実行した装置によって構築された学習モデル１０６又はその複製が、交通状態判定装置１０又は他の装置の不揮発性メモリに書き込まれてもよい。これにより、学習処理の実行環境を有しない装置に、学習モデル１０６を提供することができる。 The traffic condition determination device 10 is not limited to the configuration that executes the traffic condition determination process and the learning process. For example, the learning process may be executed by a device different from the traffic condition determination device 10. In this case, the learning model 106 or a copy thereof constructed by the device that executed the learning process may be written to the non-volatile memory of the traffic state determination device 10 or another device. Thereby, the learning model 106 can be provided to the device which does not have the execution environment of the learning process.

交通状態情報に含まれる渋滞長、交通量、及び旅行時間は、路側センサ８によって計測される構成としたが、これに限定されない。例えば、車両に設けられたセンサによって車速、車両の位置などを検出し、これらの検出データを含むプローブ情報を通信によって取得し、取得されたプローブ情報に基づいて、渋滞長、交通量、及び旅行時間等が算出されてもよい。 The congestion length, traffic volume, and travel time included in the traffic condition information are measured by the roadside sensor 8, but are not limited to this. For example, a sensor provided in the vehicle detects the vehicle speed, the position of the vehicle, etc., probe information including these detection data is acquired by communication, and based on the acquired probe information, congestion length, traffic volume, and travel Time and the like may be calculated.

［９．効果］
以上のように、交通状態判定装置１０は、学習モデル１０６と、状態判定部１１４とを備える。学習モデル１０６は、特定の地点における交通状態を示す入力データから、特定の地点における交通状態を示す出力データを生成する。状態判定部１１４は、入力データ及び出力データに基づいて、交通異常状態が発生しているか否かを判定する。学習モデル１０６は、入力層１０６ＩＮと、一又は複数の中間層１０６ＭＩＤと、出力層１０６ＯＵＴとを含むオートエンコーダである。オートエンコーダは、入力データを次元削減（エンコード）し、入力データと同一の出力データを得るように復元（デコード）する。様々なトレーニングデータによって訓練された学習モデル１０６に正常な交通状態における入力データを与えると、高精度に入力データを復元した出力データが生成される。突発事象が発生したときの交通異常状態を反映した入力データは、正常な交通状態における入力データとは異なる傾向を示す。学習モデル１０６は、このような交通異常状態を反映した入力データを正確に復元せず、入力データとは異なる出力データを生成する。したがって、入力データと出力データとに基づいて、交通異常状態を正確に検出することができる。 [9. effect]
As described above, the traffic state determination device 10 includes a learning model 106 and a state determination unit 114. The learning model 106 generates output data indicating the traffic condition at a specific point from the input data indicating the traffic condition at the specific point. The state determination unit 114 determines whether or not a traffic abnormality state has occurred based on the input data and the output data. The learning model 106 is an autoencoder that includes an input layer 106IN, one or more intermediate layers 106MIDs, and an output layer 106OUT. The autoencoder reduces (encodes) the dimensions of the input data and restores (decodes) it so that the same output data as the input data is obtained. When the input data in the normal traffic condition is given to the learning model 106 trained by various training data, the output data obtained by restoring the input data with high accuracy is generated. The input data that reflects the abnormal traffic condition when a sudden event occurs tends to be different from the input data in the normal traffic condition. The learning model 106 does not accurately restore the input data reflecting such an abnormal traffic state, and generates output data different from the input data. Therefore, the traffic abnormality state can be accurately detected based on the input data and the output data.

入力データは、渋滞長、交通量、及び旅行時間を含んでもよい。入力層１０６ＩＮは、入力データにおける渋滞長を受け付けるノードＮ１１、入力データにおける交通量を受け付けるノードＮ１２、及び入力データにおける旅行時間を受け付けるノードＮ１３を含んでもよい。出力データは、渋滞長、交通量、及び旅行時間を含んでもよい。出力層１０６ＯＵＴは、出力データにおける渋滞長を出力するノードＮ３１、出力データにおける交通量を出力するノードＮ３２、及び出力データにおける旅行時間を出力するノードＮ３３を含んでもよい。渋滞長、交通量、及び旅行時間によって正確に交通状態を示すことができる。したがって、このような入力データを用いることによって交通異常状態を正確に検出することができる。 The input data may include congestion length, traffic volume, and travel time. The input layer 106IN may include a node N11 that accepts the congestion length in the input data, a node N12 that accepts the traffic volume in the input data, and a node N13 that accepts the travel time in the input data. The output data may include congestion length, traffic volume, and travel time. The output layer 106OUT may include a node N31 that outputs the congestion length in the output data, a node N32 that outputs the traffic volume in the output data, and a node N33 that outputs the travel time in the output data. The traffic condition can be accurately indicated by the length of traffic, the traffic volume, and the travel time. Therefore, by using such input data, it is possible to accurately detect an abnormal traffic state.

交通状態判定装置１０は、複数の時間帯のそれぞれに対応する複数の学習モデル１０６と、分類部１１２とを備えてもよい。分類部１１２は、特定の地点における交通状態を示す交通状態情報を、複数の時間帯に応じて分類する。分類部によって分類された交通状態情報に基づく入力データは、入力データが対応する時間帯と同一の時間帯に対応する学習モデル１０６に入力されてもよい。朝及び夕方、夜間、昼間等の時間帯によって交通状態は異なる傾向を示す。したがって、時間帯毎に作成された学習モデル１０６に、時間帯に応じて分類された入力データを与えることにより、交通異常状態を正確に検出することができる。 The traffic condition determination device 10 may include a plurality of learning models 106 corresponding to each of the plurality of time zones, and a classification unit 112. The classification unit 112 classifies the traffic condition information indicating the traffic condition at a specific point according to a plurality of time zones. The input data based on the traffic condition information classified by the classification unit may be input to the learning model 106 corresponding to the same time zone as the time zone to which the input data corresponds. Traffic conditions tend to differ depending on the time of day such as morning and evening, night, and daytime. Therefore, by giving the input data classified according to the time zone to the learning model 106 created for each time zone, it is possible to accurately detect the traffic abnormality state.

複数の学習モデル１０６は、複数の日種のそれぞれに対応してもよい。分類部１１２は、交通状態情報を、複数の日種に応じて分類してもよい。平日、土曜日、日曜日、祝日等の日種によって交通状態は異なる傾向を示す。したがって、日種毎に作成された学習モデルに、日種に応じて分類された入力データを与えることにより、交通異常状態を正確に検出することができる。 The plurality of learning models 106 may correspond to each of the plurality of suryavansha. The classification unit 112 may classify the traffic condition information according to a plurality of day types. Traffic conditions tend to differ depending on the type of day, such as weekdays, Saturdays, Sundays, and holidays. Therefore, by giving input data classified according to the day type to the learning model created for each day type, it is possible to accurately detect the traffic abnormality state.

交通状態判定装置１０は、正規化部１１３をさらに備えてもよい。正規化部１１３は、特定の地点における交通状態を示す交通状態情報を正規化し、入力データを生成する。これにより、交通状態情報を正規化することによって、入力データ間での不整合を抑制することができる。 The traffic condition determination device 10 may further include a normalization unit 113. The normalization unit 113 normalizes the traffic state information indicating the traffic state at a specific point and generates input data. As a result, inconsistency between the input data can be suppressed by normalizing the traffic condition information.

状態判定部１１４は、入力データと出力データとの差分を閾値と比較することにより、交通異常状態が発生しているか否かを判定してもよい。正常な交通状態においては出力データが入力データとよく一致し、交通異常状態においては出力データが入力データと大きく異なる。したがって、入力データと出力データとの差分を閾値と比較することで、容易且つ正確に交通異常状態を検出することができる。 The state determination unit 114 may determine whether or not a traffic abnormality state has occurred by comparing the difference between the input data and the output data with the threshold value. Under normal traffic conditions, the output data matches well with the input data, and under abnormal traffic conditions, the output data differs significantly from the input data. Therefore, by comparing the difference between the input data and the output data with the threshold value, it is possible to easily and accurately detect the traffic abnormality state.

状態判定部１１４は、差分が所定の閾値を規定回数連続して超過した場合に、交通異常状態が発生していると判定してもよい。突発事象が発生すると、渋滞等の交通異常状態が継続する。このような交通異常状態は、短時間に解消されない場合がある。したがって、規定回数連続して差分が所定の閾値を超過するか否かを判定することにより、継続する交通異常状態を検出することができる。 The state determination unit 114 may determine that an abnormal traffic state has occurred when the difference exceeds a predetermined threshold value continuously for a predetermined number of times. When a sudden event occurs, traffic jams and other abnormal traffic conditions continue. Such an abnormal traffic condition may not be resolved in a short time. Therefore, it is possible to detect a continuous abnormal traffic state by determining whether or not the difference exceeds a predetermined threshold value continuously a predetermined number of times.

交通状態判定装置１０は、表示装置１０８をさらに備えてもよい。表示装置１０８は、状態判定部１１４の判定結果に基づいて、交通異常状態の発生地点と、交通異常状態が発生していない地点とを区別した地図を表示する。これにより、ユーザが視覚によって交通異常状態の発生地点を確認することができる。 The traffic condition determination device 10 may further include a display device 108. The display device 108 displays a map that distinguishes between the points where the abnormal traffic state has occurred and the points where the abnormal traffic state has not occurred, based on the determination result of the state determination unit 114. This allows the user to visually confirm the location of the abnormal traffic condition.

学習モデル１０６は、交通状態を示すトレーニングデータを入力層に与えられたときに、トレーニングデータに近似した情報を出力するための機械学習によって生成されてもよい。これにより、交通異常状態の検出に用いられる学習モデル１０６を作成することができる。 The learning model 106 may be generated by machine learning to output information similar to the training data when the training data indicating the traffic condition is given to the input layer. This makes it possible to create a learning model 106 used for detecting an abnormal traffic state.

［１０．補記］
今回開示された実施の形態はすべての点で例示であって、制限的ではない。本発明の権利範囲は、上述の実施形態ではなく特許請求の範囲によって示され、特許請求の範囲と均等の意味及びその範囲内でのすべての変更が含まれる。 [10. Supplement]
The embodiments disclosed this time are exemplary in all respects and are not restrictive. The scope of rights of the present invention is shown by the scope of claims, not the embodiments described above, and includes the meaning equivalent to the scope of claims and all modifications within the scope thereof.

１交通信号制御システム
２信号灯器
４交通信号制御機
５車両
６交通情報データベース
８路側センサ
１０交通状態判定装置
１０１プロセッサ
１０２不揮発性メモリ
１０３揮発性メモリ
１０４入出力インタフェース
１０５交通状態判定プログラム
１０６学習モデル
１０７訓練プログラム
１０８表示装置
１１１入力部
１１２分類部
１１３正規化部
１１４状態判定部
１１５映像信号出力部
Ｎ１１ノード（第１入力ノード）
Ｎ１２ノード（第２入力ノード）
Ｎ１３ノード（第３入力ノード）
Ｎ２ノード
Ｎ３１ノード（第１出力ノード）
Ｎ３２ノード（第２出力ノード）
Ｎ３３ノード（第３出力ノード）
1 Traffic signal control system 2 Signal lamp 4 Traffic signal controller 5 Vehicle 6 Traffic information database 8 Roadside sensor 10 Traffic condition judgment device 101 Processor 102 Non-volatile memory 103 Volatile memory 104 Input / output interface 105 Traffic condition judgment program 106 Learning model 107 Training program 108 Display device 111 Input unit 112 Classification unit 113 Normalization unit 114 Status determination unit 115 Video signal output unit N11 node (first input node)
N12 node (second input node)
N13 node (3rd input node)
N2 node N31 node (first output node)
N32 node (second output node)
N33 node (third output node)

Claims

特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成する学習モデルと、
前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定する状態判定部と、
を備え、
前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである、
交通状態判定装置。 A learning model that generates output data indicating the traffic condition at the specific point from the input data indicating the traffic condition at the specific point, and
A state determination unit that determines whether or not a traffic abnormality condition has occurred based on the input data and the output data, and a state determination unit.
Equipped with
The learning model is an autoencoder that includes an input layer, one or more intermediate layers, and an output layer.
Traffic condition judgment device.

前記入力データは、渋滞長、交通量、及び旅行時間を含み、
前記入力層は、前記入力データにおける前記渋滞長を受け付ける第１入力ノード、前記入力データにおける前記交通量を受け付ける第２入力ノード、及び前記入力データにおける前記旅行時間を受け付ける第３入力ノードを含み、
前記出力データは、渋滞長、交通量、及び旅行時間を含み、
前記出力層は、前記出力データにおける前記渋滞長を出力する第１出力ノード、前記出力データにおける前記交通量を出力する第２出力ノード、及び前記出力データにおける前記旅行時間を出力する第３出力ノードを含む、
請求項１に記載の交通状態判定装置。 The input data includes congestion length, traffic volume, and travel time.
The input layer includes a first input node that accepts the congestion length in the input data, a second input node that accepts the traffic volume in the input data, and a third input node that accepts the travel time in the input data.
The output data includes congestion length, traffic volume, and travel time.
The output layer is a first output node that outputs the congestion length in the output data, a second output node that outputs the traffic volume in the output data, and a third output node that outputs the travel time in the output data. including,
The traffic condition determination device according to claim 1.

複数の時間帯のそれぞれに対応する複数の前記学習モデルと、
前記特定の地点における交通状態を示す交通状態情報を、前記複数の時間帯に応じて分類する分類部と、
を備え、
前記分類部によって分類された前記交通状態情報に基づく前記入力データは、前記入力データが対応する時間帯と同一の時間帯に対応する前記学習モデルに入力される、
請求項１又は請求項２に記載の交通状態判定装置。 With the plurality of learning models corresponding to each of the plurality of time zones,
A classification unit that classifies traffic condition information indicating the traffic condition at the specific point according to the plurality of time zones.
Equipped with
The input data based on the traffic condition information classified by the classification unit is input to the learning model corresponding to the same time zone as the time zone to which the input data corresponds.
The traffic condition determination device according to claim 1 or 2.

前記複数の学習モデルは、複数の日種のそれぞれに対応し、
前記分類部は、前記交通状態情報を、前記複数の日種に応じて分類する、
請求項３に記載の交通状態判定装置。 The plurality of learning models correspond to each of the plurality of suryavansha.
The classification unit classifies the traffic condition information according to the plurality of suryavansha.
The traffic condition determination device according to claim 3.

前記特定の地点における交通状態を示す交通状態情報を正規化し、前記入力データを生成する正規化部をさらに備える、
請求項１から請求項４のいずれか１項に記載の交通状態判定装置。 Further provided with a normalization unit that normalizes the traffic condition information indicating the traffic condition at the specific point and generates the input data.
The traffic condition determination device according to any one of claims 1 to 4.

前記状態判定部は、前記入力データと前記出力データとの差分を所定の閾値と比較することにより、前記交通異常状態が発生しているか否かを判定する、
請求項１から請求項５のいずれか１項に記載の交通状態判定装置。 The state determination unit determines whether or not the traffic abnormality state has occurred by comparing the difference between the input data and the output data with a predetermined threshold value.
The traffic condition determination device according to any one of claims 1 to 5.

前記状態判定部は、前記差分が前記閾値を規定回数連続して超過した場合に、前記交通異常状態が発生していると判定する、
請求項６に記載の交通状態判定装置。 The state determination unit determines that the traffic abnormality state has occurred when the difference exceeds the threshold value continuously a predetermined number of times.
The traffic condition determination device according to claim 6.

前記状態判定部の判定結果に基づいて、前記交通異常状態の発生地点と、前記交通異常状態が発生していない地点とを区別した地図を表示する表示装置をさらに備える、
請求項１から請求項７のいずれか１項に記載の交通状態判定装置。 A display device for displaying a map that distinguishes between a point where the abnormal traffic state has occurred and a point where the abnormal traffic state has not occurred based on the determination result of the state determination unit is further provided.
The traffic condition determination device according to any one of claims 1 to 7.

前記学習モデルは、前記交通状態を示すトレーニングデータを前記入力層に与えられたときに、前記トレーニングデータに近似した情報を出力するための機械学習によって生成される、
請求項１から請求項８のいずれか１項に記載の交通状態判定装置。 The learning model is generated by machine learning to output information similar to the training data when the training data indicating the traffic state is given to the input layer.
The traffic condition determination device according to any one of claims 1 to 8.

学習モデルによって、特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成するステップと、
前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、
を含み、
前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである、
交通状態判定方法。 A step of generating output data indicating the traffic condition at the specific point from the input data indicating the traffic condition at the specific point by the learning model.
A step of determining whether or not an abnormal traffic condition has occurred based on the input data and the output data, and
Including
The learning model is an autoencoder that includes an input layer, one or more intermediate layers, and an output layer.
Traffic condition judgment method.

コンピュータに交通異常状態を検出させるためのコンピュータプログラムであって、
前記コンピュータに、
学習モデルによって、特定の地点における交通状態を示す入力データから、前記特定の地点における交通状態を示す出力データを生成するステップと、
前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、
を実行させ、
前記学習モデルは、入力層と、一又は複数の中間層と、出力層とを含むオートエンコーダである、
コンピュータプログラム。 A computer program that allows a computer to detect an abnormal traffic condition.
To the computer
A step of generating output data indicating the traffic condition at the specific point from the input data indicating the traffic condition at the specific point by the learning model.
A step of determining whether or not an abnormal traffic condition has occurred based on the input data and the output data, and
To execute,
The learning model is an autoencoder that includes an input layer, one or more intermediate layers, and an output layer.
Computer program.

オートエンコーダによって構成される学習モデルであって、
特定の地点における交通状態を示す入力データを受け付ける入力層と、
前記特定の地点における交通状態を示す出力データを生成する出力層と、
前記入力層及び前記出力層の間に設けられる一又は複数の中間層と、
を備える、
学習モデル。
It is a learning model composed of an autoencoder.
An input layer that accepts input data indicating traffic conditions at a specific point,
An output layer that generates output data indicating the traffic condition at the specific point, and
With one or more intermediate layers provided between the input layer and the output layer,
To prepare
Learning model.