JP2022017876A - 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 - Google Patents

Abstract

【課題】交通における異常状態を正確に検出する。【解決手段】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。【選択図】図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。

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。

特開平３－２０９５９９号公報

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。

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。

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。

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。

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。

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。

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。

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。 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。 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。 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。 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。 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。 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。 実施形態に係る機械学習の一例を示す模式図である。 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。 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。

＜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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

＜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。

［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。

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。

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（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）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。

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。

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。

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。

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。

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。

［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。

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。

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。

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。

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。

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。

［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。

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。

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。

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。

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。

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。

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。

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。

学習モデル１０６は、後述する訓練処理によって構築される。

［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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

［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。

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）。

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。

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。

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。

［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。

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）。

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。

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。

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。

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）。

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。

［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。

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。

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。

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。

［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。

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。

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。

［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。

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。

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。

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。

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。

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。

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。

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。

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。

［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。

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）

Claims (12)

1. 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。
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出力ノードを含む、
   請求項１に記載の交通状態判定装置。
3. 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。
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する、
   請求項３に記載の交通状態判定装置。
5. 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。
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。
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する、
   請求項６に記載の交通状態判定装置。
8. 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。
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。
10. 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。
11. 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。
12. 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。
    

Images