JP3212241B2 - 交通流予測装置 - Google Patents
交通流予測装置Info
- Publication number
- JP3212241B2 JP3212241B2 JP23901795A JP23901795A JP3212241B2 JP 3212241 B2 JP3212241 B2 JP 3212241B2 JP 23901795 A JP23901795 A JP 23901795A JP 23901795 A JP23901795 A JP 23901795A JP 3212241 B2 JP3212241 B2 JP 3212241B2
- Authority
- JP
- Japan
- Prior art keywords
- section
- prediction
- traffic
- target range
- traffic flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
Description
【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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
[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。
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。
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。
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。
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。
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。
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。
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)。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
算フローチャート。
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)
- 【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。 - 【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。 - 【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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP23901795A JP3212241B2 (ja) | 1995-08-25 | 1995-08-25 | 交通流予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP23901795A JP3212241B2 (ja) | 1995-08-25 | 1995-08-25 | 交通流予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0962979A JPH0962979A (ja) | 1997-03-07 |
JP3212241B2 true JP3212241B2 (ja) | 2001-09-25 |
Family
ID=17038662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP23901795A Expired - Fee Related JP3212241B2 (ja) | 1995-08-25 | 1995-08-25 | 交通流予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3212241B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN111311905A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003217100A (ja) * | 2002-01-18 | 2003-07-31 | Toshiba Corp | 移動車両検出システム |
CN103839415B (zh) * | 2014-03-19 | 2016-08-24 | 重庆攸亮科技股份有限公司 | 基于路面图像特征识别的交通流量和占有率信息获取方法 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106297285B (zh) * | 2016-08-17 | 2018-09-21 | 重庆大学 | 基于动态权重的高速公路交通运行状态模糊综合评价方法 |
JP7251048B2 (ja) * | 2018-03-13 | 2023-04-04 | オムロン株式会社 | 渋滞予測装置 |
JP7172491B2 (ja) * | 2018-11-19 | 2022-11-16 | 沖電気工業株式会社 | 交通流予測装置、交通流予測方法及びプログラム |
JP6912829B2 (ja) * | 2019-04-25 | 2021-08-04 | 山内 和博 | 自動車及び自動車運転支援システム |
JP2020194361A (ja) * | 2019-05-28 | 2020-12-03 | パナソニックIpマネジメント株式会社 | 交通情報生成システム、交通情報生成装置、交通情報生成方法、交通情報生成プログラム、車両感知器および交通情報表示装置 |
CN111260122A (zh) * | 2020-01-13 | 2020-06-09 | 重庆首讯科技股份有限公司 | 一种高速公路上车流量预测方法及装置 |
CN111507530B (zh) * | 2020-04-17 | 2022-05-31 | 集美大学 | 基于分数阶动量梯度下降的rbf神经网络船舶交通流预测方法 |
CN115879016B (zh) * | 2023-02-20 | 2023-05-16 | 中南大学 | 共享单车出行潮汐时段的预测方法 |
CN115862338B (zh) * | 2023-03-01 | 2023-05-16 | 天津大学 | 一种机场交通流量预测方法、***、电子设备及介质 |
-
1995
- 1995-08-25 JP JP23901795A patent/JP3212241B2/ja not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN111311905A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
JPH0962979A (ja) | 1997-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3212241B2 (ja) | 交通流予測装置 | |
CN108399763B (zh) | 一种基于神经网络的交叉路***通信号灯控制算法 | |
Kumar et al. | Vehicular traffic noise modeling using artificial neural network approach | |
Liu et al. | Predicting urban arterial travel time with state-space neural networks and Kalman filters | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
JP3520330B2 (ja) | 交通流模擬装置による交通流予測制御システム | |
CN106373390B (zh) | 基于自适应神经模糊推理***的道路交通状态评价方法 | |
CN110675619B (zh) | 一种车辆行程能耗预测方法和装置 | |
Tong et al. | Neural network modeling of vehicle discharge headway at signalized intersection: model descriptions and results | |
JPH05250594A (ja) | 道路交通シミュレーションシステム | |
JP3099934B2 (ja) | 走行所要時間予測装置 | |
Mihaylova et al. | An unscented Kalman filter for freeway traffic estimation | |
CN108647832B (zh) | 一种基于神经网络的地铁运行间隔时间控制算法 | |
JP3157953B2 (ja) | 交通流予測装置 | |
Suzuki et al. | Dynamic estimation of origin-destination travel time and flow on a long freeway corridor: Neural Kalman filter | |
JP2000222669A (ja) | 交通流推定装置および交通流推定方法 | |
JPH10312497A (ja) | 交通状況予測装置 | |
JP3160438B2 (ja) | 交通流予測装置 | |
CN114863708B (zh) | 一种面向营运车辆的道路合流区路侧实时精准诱导方法 | |
JP3152858B2 (ja) | 交通流予測装置 | |
JPH1079096A (ja) | 経路選択支援情報提供装置 | |
Aashtiani et al. | Use of intersection delay functions to improve reliability of traffic assignment model | |
US20040267684A1 (en) | Method and system for determining a current first state of a first temporal sequence of respective first states of a dynamically modifiable system | |
CN113486568A (zh) | 基于环绕视觉的车辆控制动态模仿学习算法 | |
Pourmoallem et al. | A Neural-Kalman filtering method for estimating traffic states on freeways |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080719 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090719 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090719 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100719 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110719 Year of fee payment: 10 |
|
LAPS | Cancellation because of no payment of annual fees |