JP3212241B2 - 交通流予測装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、道路を有効利用す
るための交通管制システムに係り、特にニューラルネッ
トワークを用いて、渋滞の増加や減少傾向を予測する交
通流予測装置に関する。

【０００２】

【従来の技術】一般に、交通管制システムにおいては、
現在の交通状況及び予測交通状況等の情報をドライバー
にきめ細かく提供すると共に、ラッシュ時対応のランプ
閉鎖など交通予測に基づく交通管制の適正化を行なうこ
とが要求されている。現在、交通状況については、大き
く分けて渋滞表示方法及び所要時間表示方法の２通りの
方法で情報提供が行なわれている。

【０００３】渋滞表示方法は、車両感知器から得られる
交通流データに基づいて渋滞度を算出し、情報板に表示
するものである。すなわち、道路上に設置された車両感
知器から１分毎に区間速度Ｖ、区間オキュパンシＯｃｃ
を算出し、このデータを基に以下の条件により、まず渋
滞度を判定する。なお、Ｖ１、Ｖ２は渋滞度判定速度閾
値、Ｏｃｃ１は渋滞度判定オキュパンシ閾値である。 （条件１） Ｖ≦Ｖ１ 又は Ｏｃｃ≧Ｏｃｃ１ のと
きは、渋滞 （条件２） Ｖ１＜Ｖ≦Ｖ２ かつ Ｏｃｃ＜Ｏｃｃ１
のときは、混雑 （条件３） Ｖ２＜Ｖ かつ Ｏｃｃ＜Ｏｃｃ１ のと
きは、自由流 このようにして求めた渋滞度を、道路上の情報板に「Ａ
−Ｂ、事故、渋滞、△△ｋｍ」又は「Ａ出口、渋滞、注
意」などと表示し、文字による情報をドライバーに提供
したり、また、道路の線形を模式化した図形上に、自由
流の場合は無表示で、混雑の場合は黄色で、渋滞の場合
は赤色で、交通状況を図形上の色により情報提供したり
している。

【０００４】一方、所要時間表示方法は、ある位置から
他の位置までの所要時間を表示するもので、車両感知器
で検出されたデータから求めた区間データから現在の区
間旅行時間を求め、区間旅行時間の算術和により、情報
提供位置から特定の位置までの所要時間を算出し、例え
ば、「Ａ地点まで約△△分」のように表示するものであ
る。

【０００５】ここで、交通状況の予測に対しては、渋滞
が予想される地域の予測、現在ある渋滞が今後広がる傾
向にあるのか、それとも解消する傾向にあるのかの予
測、ある地点から他のある地点までの走行所要時間の予
測などが要求されており、その予測を行う方法として以
下のような方法が提案されている。

【０００６】例えば、高速道路の交通流は大きく分け
て、自由走行状態と渋滞走行状態との２種類があり、特
に渋滞時の交通流をうまく表現することが重要となる。
この渋滞時を含む交通流を比較的簡単なモデルで表現す
るものとして従来から提案されている方法に、状態方程
式モデル（交通密度を状態変数にとった微分方程式）で
シミュレートする方法がある。

【０００７】いま、図４に示すように、高速道路を各区
間に分割したときの区間ｉの交通密度Ｋi の時間変動を
考える。なお、交通流においては、速度、交通流を左右
する基本的なファクタが交通密度Ｋi となる。交通密度
Ｋi は時間ｔの関数Ｋi(t)で示され、所定の演算周期を
Δｔとしたとき、Ｋi(t+Δt)＝Ｋi(t)＋ΔＫｉ(t) で示
される。

【０００８】ここで、Δｔ［min ］間における交通密度
Ｋi(t)［台／ｍ］の変化量ΔＫｉ(t) ［台／ｍ］は、Δ
ｔ間に区間ｉに流入する車両台数と、Δｔ間に区間ｉか
ら流出する車両台数との差を区間ｉの長さＬｉ［ｍ］で
割ったものとなる。

【０００９】一般に、ある区間ｉに流入する交通量ＱIN
i-1,i ［台／min ］は、上流側区間ｉ＋１の交通密度Ｋ
i-1 と上流側区間の空間平均速度Ｖi-1 ［ｍ／min ］と
の積で表わされることから、次式が導かれる。

【００１０】 ΔＫi(t)＝（ＱINi-1,i ・Δｔ−ＱOUTi,i+1・Δｔ）／Ｌi …（１） ＱINi-1,i ＝Ｃi-1,i （Ｋi(t)）・Ｋi-1(t) ・Ｖi-1 （Ｋi-1(t)）・（1000/60 ） …（２） ＱOUTi,i+1＝Ｃi,i+1 （Ｋi+1(t)）・Ｋi(t) ・Ｖi （Ｋi(t)）・（1000/60 ） …（３） ここで、ＱINi-1,i は、区間ｉ−１から区間ｉへの流入
交通量［台／min ］、ＱOUTi,i+1は、区間ｉから区間ｉ
＋１への流出交通量［台／min ］であり、Ｖi（Ｋi
(t)）は、区間ｉにおける空間平均速度［Km／h ］であ
る。（２）式及び（３）式中の（1000/60 ）は、空間平
均速度の単位系を［Km／h ］から［ｍ／min］に変換し
たものである。また、Ｃi-1,i （Ｋi(t)）は、区間ｉ−
１から区間ｉへの流出量が抑えられる働きを持つ流出係
数である。この（１）式、（２）式、（３）式は、基本
式であり、区間ｉの上流端に合流がなく下流端に分岐が
ない場合のものを示している。

【００１１】（１）式において、（１）式の右辺第１項
は、Δｔ間に区間ｉに流入する車両台数に相当し、第２
項がΔｔ間に区間ｉから流出する車両台数に相当する。
次に、（２）式のＣi-1,i は、区間ｉ−１から区間ｉへ
の流出量が抑えられる働きを持つ流出係数であり、この
係数を導入することにより交通渋滞が上流側に拡がって
いく遡上現象を間接的に表現することが可能となる。Ｃ
i-1,i は経験的に次のような形で与えられる。

【００１２】 ０≦Ｋｉ(t) ≦Ｋcrのときは、Ｃi-1,i （Ｋi(t)）＝１ …（４） ここで、Ｋcrは臨界密度［台／ｍ］であり、例えば、Ｋ
cr＝０．０８［台／ｍ］である。

【００１３】Ｋcr＜Ｋi(t)のときは、 Ｃi-1,i （Ｋi(t)）＝（Ｌi-1 ／Ｌmax ） ・exp ［−α・｛（Ｋi(t)／Ｋcr）−１｝2 ］ …（５） ここで、αは経験的に与えられるパラメータ（α＝０．
４８）であり、Ｌmaxは最大区間長［ｍ］である。

【００１４】上式（２）式及び（３）式は、区間ｉ−１
から区間ｉへの流出を考えた場合、下流側区間ｉの区間
密度Ｋcr以下であれば、上流側区間ｉ−１の交通量がそ
のまま流出するが、交通密度Ｋi(t)がＫcrを越えると、
その越えた程度に応じて流出量が抑えられることを意味
する。

【００１５】また、上流側区間ｉ−１の区間長Ｌi-1 が
短いほど、その影響が上流側区間ｉ−１の全体に早く広
がるので、流出量が抑えられるということである。な
お、区間長Ｌは対象道路網中の最大区間長Ｌmax 割るこ
とによって標準化してある。

【００１６】上述の差分方程式を解く場合、ｔ[min]
は、区間長最小値Ｌmin ［ｍ］の１／１０００程度の[m
in] とすると適合度が良くなることが確かめられてい
る。

【００１７】また、交通密度〜速度曲線を示す空間平均
速度Ｖi （Ｋi(t)）については、例えば、次式を採用す
る。なお、この場合、各係数の値は、仮の値であり対象
となる道路によって異なることは勿論である。

【００１８】０≦Ｋi(t)≦Ｋcrのとき（Ｋcrは臨界密度
［台／ｍ］） Ｖi （Ｋi(t)）＝９１．０・｛１−５・Ｋi(t)｝ …（６） Ｋcr〈Ｋi(t)のとき Ｖi ｔ（Ｋi(t)）＝１６４．５・exp ｛１３．８・Ｋi(t)｝ …（７） 以上の説明は、区間ｉの上流端に合流がなく下流端に分
岐のない場合のものであるが、次に、区間ｉの下流端に
オフランプが接続されている場合について説明する。図
５のように区間ｉの下流端にオフランプが接続されてい
る場合には、前述の基本式（１）〜（３）のうち、式
（３）を次の式（８）ように変更する。

【００１９】 ＱOUTi,i+1＝Ｐi,i+1 ・Ｃi,i+1 （Ｋi+1(t)） ・Ｋi(t)・Ｖi （Ｋi(t)）・（1000/60 ） ＋（１−Ｐi,i+1 ）・Ｋi(t) ・Ｖi （Ｋi(t)）・（1000/60 ） …（８） ここで、Ｐi,i+1 は、区間ｉからオフランプへ流出せず
区間ｉ＋１へ推移する車両の割合を示しており、推移確
率と呼ばれる係数である。式（８）の右辺第１項は、区
間ｉから区間ｉ＋１への流出交通流［台／min ］、第２
項は区間ｉからオフランプへの流出を表している。

【００２０】次に、区間ｉの下流端が本線の分流点とな
っている場合には、前述の基本式（１）〜（３）のう
ち、式（３）を次の式（９）のように変更する。

【００２１】 ＱOUTi,i+1＝ΣＰi,j ・Ｃi,j ・（Ｋj(t)） ・Ｋi(t)・Ｖi （Ｋi(t)）・（1000/60 ） …（９） なお、Ｐi,j は区間ｉから区間ｊへ流出する割合を示す
推移確率であり、ΣＰi,j ＝１を満足するものとする。

【００２２】また、図６に示すように、区間ｉの上流端
にオンランプが接続している場合は、前述の基本式
（１）〜（３）のうち、式（２）を次のように変更す
る。

【００２３】 ＱINi-1,i ＝Ｕr,i(t)＋Ｃi-1,i （Ｋi(t)）・Ｐi-1,i （Ｋi-1(t)） ・Ｖi-1 （Ｋi-1(t)）・（1000/60 ） …（１０） ここで、Ｕr,i(t)はオンランプｒから区間i への流入交
通量［台／min ］であり、下記の式（１１）で示され
る。

【００２４】 Ｕr,i(t)＝（オンランプｒからの需要交通量）・Ｃr,i （Ｋi(t)）…（11） 次に、区間ｉの上流端が本線の合流点の場合には、前述
の基本式（１）〜（３）のうち、式（２）を次のように
変更する。

【００２５】 ＱINi-1,i ＝ΣＣj,i （Ｋi(t)）・Ｋj(t) ・Ｖj （Ｋj(t)）・（1000/60 ） …（１２） 例えば、図７に示すような簡易路線形状に適用すると、
上記状態方程式モデルは、図８に示す予測フローに従っ
て交通密度予測値を予測演算できる。

【００２６】図８において、定数データを読み込み（Ｓ
１）、初期設定時刻ｔとしてｔ0 を設定し（Ｓ２）、各
区間の交通密度の初期値Ｋi(t0) を設定し（Ｓ３）、各
区間の空間平均速度Ｖi(Ｋi(t)) の計算行い（Ｓ４）、
流出係数Ｃi-1,i(Ｋi(t)）の計算を行い（Ｓ５）、各区
間にオンランプより流入する交通量Ｕr,1(t)の計算を行
い（Ｓ６）、各区間間の推移確率Ｐi-1,i を設定し（Ｓ
７）、流入交通量ＱINi-1,i 、流出交通量ＱOUTi,i+1の
計算を行い（Ｓ８）、t 〜Δt 間における交通密度変化
量ΔＫi(t)の計算を行い（Ｓ９）、時刻t における交通
量密度ΔＫi(t+Δt)の計算を行う（Ｓ１０）。すなわ
ち、Ｋi(t+Δt)＝Ｋi(t)＋ΔＫｉ(t) の計算式で交通量
密度ΔＫi(t+Δt)を計算し（Ｓ１１）、所定の時刻tSTO
P になったか否かを判定し（Ｓ１２）、所定の時刻tSTO
P になっていない場合は、所定の時刻tSTOP になるま
で、周期Δt にてステップＳ４以降の演算を繰返し行う
（Ｓ１３）。

【００２７】このように、従来の交通流予測装置では、
式（１）を用いて流入交通量ＱINi-1,i と流出交通量Ｑ
OUTi,i+1から交通密度変化量ΔＫi(t)を求めた後、時刻
ｔ＋Δt における交通密度Ｋi(t+Δt)を求めるようにな
っている。

【００２８】

【発明が解決しようとする課題】ところが、従来の交通
流予測装置での現在交通状況の情報提供においては、現
在の渋滞の様子はわかるが、この渋滞が将来拡がる傾向
にあるのか、短くなる傾向にあるのかがわからない。

【００２９】また、予測交通状況については、従来の状
態方程式モデルにおいては、上記（６）式、( ７) 式に
示される交通密度〜速度特性（空間平均速度）Ｖi （Ｋ
i(t)）において、下流側の交通密度Ｋi+1(t)の影響を考
慮していないので、このままでは、高速道路に見られる
交通渋滞の下流側から上流側への遡上現象が表せない。

【００３０】そこで、（２）式及び（３）式などに見ら
れる区間ｉ−１から区間ｉへの流出量が抑えられる働き
を持つ流出係数Ｃi-1,i を導入することにより、交通渋
滞を表現しようとしているが、この流出係数Ｃi-1,i の
モデルは経験的に定めなければならない。したがって、
これが交通管制システム向けの交通流予測方法として
は、十分な精度が得られない主な原因となっている。

【００３１】本発明の目的は、交通の流れをシミュレー
トすることなく、入力データと出力データの関係を学習
させることにより、直接、より高精度に渋滞傾向を予測
することができる交通流予測装置を提供することであ
る。

【００３２】

【課題を解決するための手段】請求項１の発明は、道路
上を複数の区間に区切りその各区間内に設けられた車両
感知器からのデータに基づき各区間の交通流データを一
定周期で算出する交通流データ演算手段と、交通流デー
タ演算手段により求められた各区間における所定周期の
各交通流データを入力層に入力し各区間のうち予測対象
範囲における車両旅行時間変化の傾きの予測値を出力層
から出力する予測用ニューラルネットワークと、予測ニ
ューラルールネットワーク内の重み係数を予測対象範囲
における実証された実績旅行時間変化の傾きを教師信号
として学習させる学習用ニューラルネットワークと、予
測用ニューラルネットワークの出力層から出力される旅
行時間変化の傾きの予測値に基づいて渋滞の増加減少傾
向を判定する判定演算手段とを備えている。

【００３３】請求項２の発明は、請求項１の発明におい
て、交通流データは、予測対象範囲内にある複数の区間
オキュパンシ、予測対象範囲内にある複数の区間交通
量、予測対象範囲内にある複数の区間速度、予測対象範
囲の下流にある単又は複数の区間オキュパンシ、予測対
象範囲の下流にある単又は複数の区間交通量、予測対象
範囲の下流にある単又は複数の区間速度、区間速度及び
区間長から求められる区間旅行時間のいずれか、又はそ
の組合せとするようにしたものである。

【００３４】請求項３の発明は、請求項１の発明におい
て、学習用ニューラルネットワークは、予測対象範囲に
おける実証された実績旅行時間を、移動平均フィルタ又
は指数平滑フィルタを通して得られる旅行時間の傾きを
教師信号とするようにしたものである。

【００３５】請求項１の発明では、交通流データ演算手
段は、道路上の各区間内に設けられた車両感知器からの
データに基づき各区間の交通流データを一定周期で算出
し、予測用ニューラルネットワークは、交通流データ演
算手段により求められた各区間における所定周期の各交
通流データを入力層に入力し各区間のうち予測対象範囲
における車両旅行時間変化の傾きの予測値を出力層から
出力する。また、学習用ニューラルネットワークは、予
測ニューラルールネットワーク内の重み係数を予測対象
範囲における実証された実績旅行時間変化の傾きを教師
信号として学習させ、予測用ニューラルネットワーク内
の重み係数を修正する。そして、判定演算手段は、予測
用ニューラルネットワークの出力層から出力される旅行
時間変化の傾きの予測値に基づいて渋滞の増加減少傾向
を判定する。

【００３６】請求項２の発明では、請求項１の発明の作
用に加え、予測ニューラルールネットワーク及び学習用
ニューラルネットワークは、交通流データとして、予測
対象範囲内にある複数の区間オキュパンシ、予測対象範
囲内にある複数の区間交通量、予測対象範囲内にある複
数の区間速度、予測対象範囲の加流にある単又は複数の
区間オキュパンシ、予測対象範囲の下流にある単又は複
数の区間交通量、予測対象範囲の下流にある単又は複数
の区間速度、区間速度及び区間長から求められる区間旅
行時間のいずれか、又はその組合せを用いて演算をす
る。

【００３７】請求項３の発明では、請求項１の発明の作
用に加え、学習用ニューラルネットワークは、予測対象
範囲における実証された実績旅行時間を、移動平均フィ
ルタ又は指数平滑フィルタを通して実績旅行時間に含ま
れる振動の除去を行い、そこで得られる旅行時間の傾き
を教師信号として用いて演算をする。

【００３８】

【発明の実施の形態】以下、本発明の実施例を説明す
る。図１は、本発明における交通流予測装置の実施例を
示すブロック構成図である。交通データは、道路上の各
区間内に設けられた車両感知器１で検出され交通流デー
タ演算手段２に入力される。交通流データ演算手段２
は、道路上の各区間内に設けられた車両感知器からのデ
ータに基づき各区間の交通流データを一定周期で算出す
るもので、各区間ｉの交通量Ｑ［台／min ］を演算する
交通量演算手段３、各区間ｉのオキュパンシ［％］を演
算するオキュパンシ演算手段４、各区間ｉの速度［ｋｍ
／h ］を演算する速度演算手段５、及び各区間ｉの旅行
時間［ｓ］を演算する区間旅行時間演算手段６から構成
されている。

【００３９】予測用ニューラルネットワーク７は、交通
流データ演算手段２により求められた各区間における所
定周期の各交通流データを入力層に入力し、推定演算を
行い、各区間のうち予測対象範囲における車両旅行時間
変化の傾きの予測値を出力層から出力する。また、学習
用ニューラルネットワーク８は、予測ニューラルールネ
ットワーク７内の重み係数を修正するもので、予測対象
範囲における実証された実績旅行時間変化の傾きを教師
信号として学習させ、予測用ニューラルネットワーク内
の重み係数を修正する。すなわち、学習用ニューラルネ
ットワーク８には、教師信号平滑化演算手段９の出力信
号が教師信号として入力されている。教師信号平滑化演
算手段９は、過去の複数周期の予測対象範囲の実績旅行
時間を移動平均フィルタにかけ、傾きを平滑化して教師
信号を得るものである。

【００４０】そして、判定演算手段１０は、予測用ニュ
ーラルネットワーク７の出力層から出力される旅行時間
変化の傾きの予測値に基づいて渋滞の増加減少傾向を判
定する。

【００４１】ここで、オキュパンシ演算手段４は、各区
間ｉのオキュパンシ［％］、つまり通行車両が車両感知
器１を占有している時間的な割合を演算して求める機能
を有している。また、区間旅行時間演算手段６は、下記
の（１３）式に従って、各区間の旅行時間［ｓ］を演算
する機能を有している。

【００４２】 区間旅行時間[s] ＝ 区間長[m] ／（速度[ ｋｍ/h] ×1000[m/ ｋｍ]/3600[s/h] ） …（ １３） 一方、教師信号平滑化演算手段６は、過去の複数周期の
予測対象範囲の実績旅行時間を移動平均フィルタにか
け、傾きを平滑化する機能を有している。その移動平均
フィルタの特性を下記の（１４）式に示す。

【００４３】

【数１】

【００４４】判定演算手段９は、予測用ニューラルネッ
トワーク７の予測値を基に、渋滞の増加現象傾向を次の
ように判定する機能を有している。

【００４５】（１）Ｘ１＞α のとき → 増加傾向 （２）Ｘ１＜β のとき → 減少傾向 ただし、Ｘ１は予測用ニューラルネットワーク７の出力
（予測値）であり、α及びβは判定用閾値である。

【００４６】次に、予測用ニューラルネットワーク７
は、旅行時間の傾きの予測値を演算して求める機能を有
しており、学習用ニューラルネットワーク８は、予測用
ニューラルネットワーク７で用いる重み係数を学習して
更新する機能を有している。予測ニューラルールネット
ワーク７及び学習用ニューラルネットワーク８で用いら
れるニューラルネットは、人間の脳の神経細胞を工学的
に模擬した手法であり、最近その研究がすすめられてい
る。ニューラルネットは、人間の脳細胞にあたるニュー
ロンと脳細胞を結ぶ神経にあたるニューロン間結合とに
より構成されている。人間の脳細胞は学習により脳細胞
を結ぶ神経が発達するといわれているが、ニューラルネ
ットではそれをニューロン間結合の重みづけによって模
擬している。つまり学習によりニューロン間結合の重み
づけが決定されていく。また、ニューロンはいくつかの
層に分かれており、例えば、入力層、中間層、出力層に
分かれている。

【００４７】そして、入力層に現象を教示し、出力層に
判定結果を教示する。適度の回数の現象、判定結果の教
示を行うと、ニューロン間結合の重みづけが決定され
（学習）、ニューラルネットは学習されていない現象に
対しても、判定ができるようになる。これは、ニューラ
ルネットのパターン認識性や補間性と呼ばれる。一般
に、ニューラルネットの学習には時間がかかるが、一旦
学習が終了すると判定は高速となる。

【００４８】図２に予測用ニューラルネットワーク７の
構造を示し、図３に学習用ニューラルネットワーク８の
構造を示す。このようなニューラルネットワークの予測
学習方法は次のようにして導かれる。

【００４９】まず、予測用ニューラルネットワーク７及
び学習用ニューラルネットワーク８の説明における主な
変数を下記のように定義する。

【００５０】ｔ ：時間 ｎ ：入力層の素子数 ｍ ：中間層の素子数 ｓ ：出力層の素子数 Ｕi(t) ：入力層第ｉ素子への入力（ｉ＝１〜ｎ） Ｉi(t) ：入力層第ｉ素子からの出力（ｉ＝１〜ｎ） NetHj(t)：中間層第ｊ素子への入力 （ｉ＝１〜ｍ） Ｈj(t) ：中間層第ｊ素子からの出力（ｉ＝１〜ｍ） Net0i(t)：出力層第ｉ素子への入力 （ｉ＝１〜ｓ） Ｘi(t) ：出力層第ｉ素子からの出力（ｉ＝１〜ｓ） ａji ：入力層第ｉ素子出力端から中間層第ｊ素子入力
端への結合重み係数 ｂkj ：中間層第ｊ素子出力端から出力層第ｋ素子入力
端への結合重み係数 ｆH() ：中間層における入出力変換関数 ｆO() ：出力層における入出力変換関数 Ｅ ：誤差評価関数 Ｖi(t) ：出力層第ｉ素子からの出力に対する教師信号 Δａji ：重み係数ａjiの修正量 Δｂkj ：重み係数ｂkjの修正量 ε ：重み係数学習パラメータ α ：重み係数学習パラメータ δpj ：クロネッカのデルタ 以上の変数定義の基に、予測用ニューラルネットワーク
７及び学習用ニューラルネットワーク８における各層の
入出力は次のようになる。

【００５１】

【数２】

【００５２】また、学習用ニューラルネットワーク８に
おける学習方法は、以下のバック・プロパゲーション法
を用いている。

【００５３】学習用ニューラルネットワーク８の結合重
み係数学習の基準となる誤差評価関数Ｅを次の（Ａ６）
式に示すものとする。

【００５４】

【数３】

【００５５】そうすると、結合重み係数学習の基本式
は、下記の（Ａ７）式及び（Ａ８）式で示されるように
なる。

【００５６】 ａpq(t+ Δt)＝ａpq(t) ＋Δａpq(t) …（Ａ７） ｂpq(t+ Δt)＝ｂpq(t) ＋Δｂpq(t) …（Ａ８） そして、上式中の各重み係数修正量は、下記の（Ａ９）
式及び（Ａ１０）式で示される。

【００５７】 Δａpq(t) ＝−ε・（Ｅ／ａpq）＋αΔａpq(t- Δt) …（Ａ９） Δｂpq(t) ＝−ε・（Ｅ／ｂpq）＋αΔｂpq(t- Δt) …（Ａ１０） なお、（Ａ９）式及び（Ａ１０）式の第２項は、収束の
安定化を図るための項であり、通常、ε＝０．１、α＝
０．９に設定する場合が多い。

【００５８】上式を実際に計算する際には、誤差評価関
数Ｅの重み係数ｂpq及び重み係数ａpqに関する勾配、Ｅ
／ｂpq、及びＥ／ａpqが必要となるが、これは以下のよ
うにして求められる。

【００５９】

【数４】

【００６０】上式中のＨj(t)／ａpqについては（Ａ２）
式、（Ａ３）式を考慮すると、以下のようになる。

【００６１】 Ｈj(t)／ａpq＝ｆH'(NetHj(t))・(NetHj(t)/ａpq) ＝ｆH'(NetHj(t))・δpj・Ｕｑ(t- Δt) …（１５） 次に、本発明の実施例の作用を説明する。交通量演算手
段２は車両感知器１の出力を基に各区間の交通量［台／
min ］を演算し、速度演算手段４は各区間の速度［ｋｍ
／m ］を演算し、オキュパンシ演算手段３は各区間のオ
キュパンシ［％］を演算する。また、区間旅行時間演算
手段５は、速度演算手段４の出力を基に各区間の旅行時
間［ｓ］を演算し求める。

【００６２】そして、予測用ニューラルネットワーク７
により予測対象範囲における今後の旅行時間の傾きの予
測値を求める。すなわち、予測用ニューラルネットワー
ク７は、入力信号として、下記の（ａ）〜（ｇ）のうち
から、何れかあるいはこの組み合わせを正規化したもの
を採用し、上記（Ａ１）〜（Ａ５）式を演算して出力信
号として、予測対象における旅行時間の傾きの予測値Ｘ
1 を得る。 （ａ）予測対象範囲内にある複数の区間オキュパンシ （ｂ）予測対象範囲内にある複数の区間交通量 （ｃ）予測対象範囲内にある複数の区間速度 （ｄ）予測対象範囲の下流にある単／複数の区間オキュ
パンシ （ｅ）予測対象の下流にある単／複数の区間交通量 （ｆ）予測対象の下流にある単／複数の区間速度 （ｇ）上記区間速度、及び区間長から求められる区間旅
行時間 教師信号平滑化演算手段９は、過去の複数周期の実績旅
行時間を移動平均フィルタを通すことにより平滑化し、
教師信号となる旅行時間の傾きを演算し求める。

【００６３】一方、学習用ニューラルネットワーク８
は、入力信号として、下記の（ａ）〜（ｇ）のうちか
ら、何れかあるいはこの組み合わせを正規化したものを
採用し、これらの入力信号をニューラルネットワークに
入力したときのニューラルネットワーク出力Ｘ1 と、教
師信号平滑化演算手段６の出力として得られる旅行時間
の傾きＶ1 と、入力信号とを一組の学習用データ（Ｖ1
がＸ1 に対する教師信号となる）とし、前述の式（Ａ
１）〜（Ａ１４）の学習方法に従って重み係数の学習を
行なう。 （ａ）予測対象範囲内にある複数の区間オキュパンシ （ｂ）予測対象範囲内にある複数の区間交通量 （ｃ）予測対象範囲内にある複数の区間速度 （ｄ）予測対象範囲の下流にある単／複数の区間オキュ
パンシ （ｅ）予測対象の下流にある単／複数の区間交通量 （ｆ）予測対象の下流ある単／複数の区間速度 （ｇ）上記区間速度、及び区間長から求められる区間旅
行時間 渋滞傾向判定手段１０は、予測用ニューラルネットワー
ク７の出力として得られる旅行時間の傾きの予測値を基
に、渋滞の増加減少傾向の判定を行なう。

【００６４】以上の説明では、教師信号平滑化演算手段
９において、移動平均フィルタを用いたもので説明した
が、移動平均フィルタの代わりに指数平滑フィルタを用
いても良い。この場合も同様の効果を得ることができ
る。この場合のフィルタ特性を下記（１６）式に示す。

【００６５】 (n) ＝（１−α）・(n-1) ＋αｘ(n) …（１６） ただし、０＜α＜１とする。

【００６６】

【発明の効果】以上説明したように、本発明によれば、
ニューラルネットワークにより直接渋滞の増加減少傾向
を求めるので、従来のように交通流をシミュレートして
交通密度の予測値を求め、さらにこれを基に渋滞の予測
をする方法に比べ、以下の効果が得られる。

【００６７】計算量が少なくて済むので、計算時間の短
縮が図れる。そのため、オンライン上で予測するのには
非常に有効である。また、従来予測誤差の原因となって
いた流出係数を用いる必要がないので、精度の向上が図
れる。ニューラルネットワーク内の重み係数を旅行時間
の実績値を用いて逐次学習しているので、継続的に予測
精度の向上を図ることができる。

【００６８】また、教師信号は、旅行時間の実績値をフ
ィルタに通した平滑化により旅行時間の振動の除去を行
なうため、振動による誤予測を排除することができる。

【図面の簡単な説明】

【図１】本発明の実施例を示すブロック構成図。

【図２】本発明の予測用ニューラルネットワークのモデ
ル図。

【図３】本発明の学習用ニューラルネットワークのモデ
ル図。

【図４】交通流予測計算のために高速道路を区間分割し
た説明図。

【図５】高速道路の１つの区間の下流側にオフランプが
接続されている場合の高速道路の模式図。

【図６】高速道路の１つの区間の上流側にオンランプが
接続されている場合の高速道路の模式図。

【図７】高速道路の簡易路線の説明図。

【図８】従来の状態方程式モデルに基づく交通流予測演
算フローチャート。

【符号の説明】

１ 車両感知器 ２ 交通流データ演算手段 ３ 交通量演算手段 ４ オキュパンシ演算手段 ５ 速度演算手段 ６ 区間旅行時間演算手段 ７ 予測用ニューラルネットワーク ８ 学習用ニューラルネットワーク ９ 教師信号平滑化手段 １０ 判定演算手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者 大場 義和 東京都府中市東芝町１番地 株式会社東 芝 府中工場内 (72)発明者 山本 達也 東京都府中市東芝町１番地 株式会社東 芝 府中工場内 (72)発明者 野理 昌幸 東京都府中市東芝町１番地 株式会社東 芝 府中工場内 (56)参考文献 特開 平７−98794（ＪＰ，Ａ) 特開 平６−348992（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G08G 1/00 - 1/09

Claims (3)

(57)【特許請求の範囲】
1. 【請求項１】 道路上を複数の区間に区切りその各区間
   内に設けられた車両感知器からのデータに基づき各区間
   の交通流データを一定周期で算出する交通流データ演算
   手段と、前記交通流データ演算手段により求められた各
   区間における所定周期の各交通流データを入力層に入力
   し前記各区間のうち予測対象範囲における車両旅行時間
   変化の傾きの予測値を出力層から出力する予測用ニュー
   ラルネットワークと、前記予測ニューラルールネットワ
   ーク内の重み係数を前記予測対象範囲における実証され
   た実績旅行時間変化の傾きを教師信号として学習させる
   学習用ニューラルネットワークと、前記予測用ニューラ
   ルネットワークの出力層から出力される旅行時間変化の
   傾きの予測値に基づいて渋滞の増加減少傾向を判定する
   判定演算手段とを備えたことを特徴とする交通流予測装
   置。
2. 【請求項２】 前記交通流データは、前記予測対象範囲
   内にある複数の区間オキュパンシ、前記予測対象範囲内
   にある複数の区間交通量、前記予測対象範囲内にある複
   数の区間速度、前記予測対象範囲の下流にある単又は複
   数の区間オキュパンシ、前記予測対象範囲の下流にある
   単又は複数の区間交通量、前記予測対象範囲の下流にあ
   る単又は複数の区間速度、前記区間速度及び区間長から
   求められる区間旅行時間のいずれか、又はその組合せと
   することを特徴とする請求項１に記載の交通流予測装
   置。
3. 【請求項３】 前記学習用ニューラルネットワークは、
   予測対象範囲における実証された実績旅行時間を、移動
   平均フィルタ又は指数平滑フィルタを通して得られる旅
   行時間の傾きを教師信号とするようにしたことを特徴と
   する請求項１に記載の交通流予測装置。