JP4932524B2 - 旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラム - Google Patents

Description

本発明は、旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラムに関し、特に、ＩＴＳ（Ｉｎｔｅｌｌｉｇｅｎｅｔ Ｔｒａｎｓｐｏｒｔ Ｓｙｓｔｅｍ）において特定区間の交通情報等として提供される旅行時間（所要時間）の予測装置及びその応用システムに関する。

ＩＴＳの分野では、経路誘導などを目的として車両の移動にかかる旅行時間や渋滞の発生等の交通状況を推定／予測する技術が各種知られている。特に、車載機を用いて車両自体を道路交通状況を取得するためのセンサーとして活用するプローブカーシステムの利用が始まっている。以下、上記技術に関連する文献を列挙する。

情報処理学会研究報告「高度交通システム」Ｎｏ．０１４−００９に掲載の熊谷らによる論文、”特徴空間射影を用いた交通情報予測手法”では、一日の旅行時間変動パターンを主成分分析によりいくつかのカテゴリーに分類し、予測対象日が属すべきカテゴリーを、その日種をあらわすラベル（曜日や天候など）に基づいて対応させる方法が提案されている。この方法は、半日から一日といった長期的なレンジの予測に適した手法である。また、この方法により予測可能な区間は、固定点観測が行える幹線道路等に限られると考えられる。

特開２０００−２３５６９２号公報記載の「旅行時間予測装置」では、旅行時間予測対象区間について時間帯毎の旅行時間累積分布における現在の区間旅行時間の順位を求め、該順位から予測順位を求め、旅行時間累積分布から該予測順位に相当する旅行時間を抽出する方法が開示されている。この方法による予測値は、現時点の順位に大きく依存するため、直近から一時間程度先までの予測に適した技術であると考えられる。固定点観測が行える道路区間ならば適用は可能だが、上記技術の特性上、高速道路に適した方法であるといえる。

特開２００３−３０３３９０号公報記載の「旅行時間予測方法、装置およびプログラム」では、蓄積した過去の旅行時間実績データから、現在の旅行時間推移パターンと類似する旅行時間推移パターンを検索し、当該旅行時間推移パターンにて、旅行時間を予測する方法を採用している。この方法により予測可能な区間も、固定点観測が行える幹線道路等に限られると考えられる。

また、本願出願人による特開２００６−１１５７２号公報記載の「交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法」では、プローブカーシステムから取得される時系列データと、過去の旅行時間実績に基づいて作成した旅行時間推移パターンとの差異を自己回帰モデル（Ａｕｔｏ Ｒｅｇｒｅｓｓｉｏｎモデル）によって解析して、旅行時間を予測する方法を提案している。この方法は、固定点観測ではなく、プローブカーシステムによるデータ取得を前提にしているため、原理的にはあらゆる道路区間に適用可能であるが、直近の旅行時間の予測に適した方法である。

特開２００４−１１８７００号公報記載の「走行所要時間予測装置」では、予測当日の交通データを利用した短期間の走行所要時間予測と、類似パターン検索による中長期間の走行所要時間予測とを組み合わせ、旅行時間を予測する装置が開示されている。同公報では、車両感知器、ＡＶＩ（Ａｕｔｏｍａｔｉｃ Ｖｅｈｉｃｌｅ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ：車両自動認識）システム、料金所等の固定センサから取得したデータを用いることを前提としており、これらセンサが設置されていない区間の予測を行うことは考えられていない。

特開２００５−２０８０３４号公報記載の「推定リンク旅行時間データのマッチング補正方法」では、数時間から１日間に関する区間の旅行時間データ（過去の統計データ）を、現況データに基づき変形して数十分から数時間先まで精度よく予測する手法が述べられている。この方法により予測可能な区間も、上記した各技術と同様、過去の統計データと現況データが得られる区間のみであり、全道路区間の予測については触れられていない。

特開２０００−２３５６９２号公報 特開２００３−３０３３９０号公報 特開２００６−１１５７２号公報 特開２００４−１１８７００号公報 特開２００５−２０８０３４号公報 情報処理学会 研究報告「高度交通システム」Ｎｏ．０１４−００９ 「特徴空間射影を用いた交通情報予測手法」 ５１−５７頁 熊谷正俊ほか ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ，ｖｏｌ．４４，Ｎｏ．４，ｐ．１４２４−１４３９ "Ａ ｄｅｃｉｓｉｏｎ−ｔｈｅｏｒｅｔｉｃ ｅｘｔｅｎｓｉｏｎ ｏｆ ｓｔｏｃｈａｓｔｉｃ ｃｏｍｐｌｅｘｉｔｙ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｌｅａｒｎｉｎｇ，"，Ｋ．Ｙａｍａｎｉｓｈｉ，１９９８年 第８回情報論的学習理論予稿集 「長期予測のための階層的状態空間モデル」，中田貴之，竹内純一，２００５年）

しかしながら、上記した各技術は、直近から一時間程度先までの予測、あるいは、半日から一日といった長期予測に適しているが、その中間程度の中期予測において良好な精度を発揮できないという問題点がある。

また例えば、特許文献５には、統計処理した統計リンク旅行時間を現況の交通状況と整合するように補正する方法が紹介されているが、その補正処理は、統計リンク旅行時間に現況との差異に応じた比率を乗ずるというものであり、例えば、渋滞時間が大きく早まった場合に、以降の旅行時間が極端に短くなってしまう等、必ずしも実態に沿うものとはなっていない。

本発明は、上記した事情に鑑みてなされたものであって、直近のデータから将来の予測するタイプの旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラムを提供することを目的とする。

本発明の第１の視点によれば、全リンク集合の中から予測対象として指定されたリンクと、予測対象の日時と、前記指定されたリンクに関して逐次入力される旅行時間時系列データと、を入力として、前記指定されたリンクと日時における予測旅行時間を出力する旅行時間予測装置であって、少なくとも日種別に各リンクの過去の時系列データを統計処理した旅行時間推移パターンを保持するデータベースから、前記指定されたリンク及び日種別に対応する旅行時間推移パターンを受け取り、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差に最近のデータほど重視するように働く重み付け係数を乗ずる重み付き誤差項と、所定のペナルティ係数が設定されたペナルティ項とを含む数式を用いて、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差が最も小さくなる旅行時間推移パターンの変換パラメータを算出し、該算出した変換パラメータによって前記旅行時間推移パターンを変換して得られる予測関数を用いて予測すること、を特徴とする旅行時間予測装置が提供される。

本発明の第２の視点によれば、全リンク集合の中から予測対象として指定されたリンクと、予測対象の日時と、前記指定されたリンクに関して逐次入力される旅行時間時系列データと、を入力として、前記指定されたリンクと日時における予測旅行時間を出力するコンピュータを用いた旅行時間の予測方法であって、前記コンピュータが、少なくとも日種別に各リンクの過去の時系列データを統計処理した旅行時間推移パターンを保持するデータベースから、前記指定されたリンク及び日種別に対応する旅行時間推移パターンを受け取るステップと、前記コンピュータが、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差に最近のデータほど重視するように働く重み付け係数を乗ずる重み付き誤差項と、所定のペナルティ係数が設定されたペナルティ項とを含む数式を用いて、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差が最も小さくなる旅行時間推移パターンの変換パラメータを算出するステップと、前記コンピュータが、前記算出した変換パラメータによって前記旅行時間推移パターンを変換して予測関数を得るステップと、前記コンピュータが、前記予測関数を用いて、前記指定されたリンクと日時における予測旅行時間を予測し出力するステップと、を含むこと、を特徴とする旅行時間の予測方法が提供される。

本発明の第３の視点によれば、全リンク集合の中から予測対象として指定されたリンクと、予測対象の日時と、前記指定されたリンクに関して逐次入力される旅行時間時系列データと、を入力として、前記指定されたリンクと日時における予測旅行時間を出力するコンピュータに実行させるプログラムであって、少なくとも日種別に各リンクの過去の時系列データを統計処理した旅行時間推移パターンを保持するデータベースから、前記指定されたリンク及び日種別に対応する旅行時間推移パターンを受け取る処理と、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差に最近のデータほど重視するように働く重み付け係数を乗ずる重み付き誤差項と、所定のペナルティ係数が設定されたペナルティ項とを含む数式を用いて、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差が最も小さくなる旅行時間推移パターンの変換パラメータを算出する処理と、前記算出した変換パラメータによって前記旅行時間推移パターンを変換して予測関数を得る処理と、前記予測関数を用いて、前記指定されたリンクと日時における予測旅行時間を予測し出力する処理と、を前記コンピュータに実行させるプログラムが提供される。

本発明の第４の視点によれば、上記した旅行時間予測装置と接続され、更に、所定の端末に対して、前記旅行時間予測装置より出力された予測旅行時間を含んだ交通情報を提供する手段を備えたこと、を特徴とする交通情報提供システムが提供される。

本発明によれば、任意の区間の移動に要する旅行時間を精度良く予測することが可能となる。

［第１の実施形態］
続いて、本発明を実施するための最良の形態について図面を参照して詳細に説明する。図１は、本発明の第１の実施形態に係る旅行時間予測システムの全体構成を表した図である。図１を参照すると、旅行時間リアルタイムデータ１０１と、旅行時間推移パターン蓄積データベース（以下、「旅行時間推移パターン蓄積ＤＢ」）１０４と、にアクセスし、予測値を出力する旅行時間予測装置１００の構成が示されている。

旅行時間リアルタイムデータ１０１は、プローブカーシステムのデータやＶＩＣＳ（Ｖｅｈｉｃｌｅ Ｉｎｆｏｒｍａｔｉｏｎ＆Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）（登録商標）等の情報源から道路区間単位（リンク）毎に形成した時系列データである。その詳細は後に詳述する。

旅行時間推移パターン蓄積ＤＢ１０４には、前記旅行時間リアルタイムデータ１０１等を用いて、各道路区間単位（リンク）につき、所定期間分の過去の各種指標値に関し、外れ値の除去、相関の分析等、必要な統計処理を行った旅行時間推移パターンが蓄積される。前記統計処理は、各時系列データの曜日やいわゆる五十日（ごとうび）、季節、天気等の日種別毎に、予め定められた時間単位毎に行われる。従って、旅行時間推移パターンは、２４時間分用意され、さまざまな状況に応じて適当なものを使用できるようになっている。前記時間単位は、予測精度とシステム全体の負荷に応じて決定され、例えば５分間毎、１５分間毎等が考えられる。この旅行時間推移パターンの詳細も後に詳述する。

旅行時間予測装置１００は、後に詳述する予測関数を用いた予測処理を行うパターン変換手段１０２及び予測値計算手段１０３とを備えて構成される。旅行時間予測装置１００は、ユーザからの要求に応じて、旅行時間リアルタイムデータ１０１や旅行時間推移パターン蓄積ＤＢ１０４に蓄積された旅行時間推移パターンを総合し、予測対象となる道路区間単位（リンク）に対する短期予測（５分や１５分後）、中期予測（短期以降数時間程度まで）、将来予測時間を求めて出力する。ここに、予測対象となる道路区間単位（リンク）は、基本的にユーザ側から指定して定められるもので、数十程度から数万程度までを対象とすることもできるものとする。

旅行時間予測装置１００は、高い予測精度を保ちながら予測に要する処理時間をできるだけ短くするため、中期予測処理に特徴を有している。以下、旅行時間予測装置１００の中期予測処理について説明する。

［旅行時間リアルタイムデータ（時系列データ）］
はじめに、中期予測処理にて用いる旅行時間リアルタイムデータ１０１について説明する。以下、リンクとは、例えば、交差点と交差点の間などで定義された、典型的には数十メートルから数百メートル程度の長さに及ぶ道路区間のことを指すものとする。これに対し、交差点等のリンクの端をノードと呼ぶ。

予測対象リンクがｄ個あると仮定し、時刻ｔにおける各リンクのリアルタイムデータを並べたベクトルをｘ_ｔ＝（ｘ_ｔ：１，ｘ_ｔ：２，・・・ｘ_ｔ：ｄ）∈Ｄ＝Ｘ_１×Ｘ_２×・・・×Ｘ_ｄで表す。ここに、Ｄをドメインと呼ぶ。

各ｘ_ｔ：ｉは、リンクｉの時刻ｔにおける旅行時間、車両台数、渋滞発生を示す指標、或いは、当該時点の天候等、交通状況に関わる各種属性の指標値を表すものとする。各ｘ_ｔ：ｉは、連続値であったり、離散値であったりする。

ここでｔは、便宜上整数値とする。ベクトル列｛ｘ_ｔ｝によって、予め定められた時間間隔の時系列データを構成するものとする。例えば、予め定められた時間間隔が５分であれば、ｘ_２はｘ_１の５分後のデータを表すこととなる。以下、ｘ_ｍ ^ｎ（ｍ≦ｎ）によって列ｘ_ｍ・・・ｘ_ｎを表し、特に、ｘ^ｎ＝ｘ_１ ^ｎとする。

［旅行時間推移パターン］
次に、旅行時間推移パターン蓄積ＤＢ１０４に格納されている旅行時間推移パターンについて説明する。時刻ｔにおける旅行時間推移パターンを、上記ｘ_ｔに倣い、ｗ_ｔとする。ここでは、ｗ_ｔは、時間帯毎に上記ｘ_ｔに対応する量の過去における平均値を記録したものとする。

ｗ_ｔは曜日や天候、祝日か否か等の日種に応じて異なるものなので、それぞれの日種別に構成する。従って、ｗ_ｔはｔが２４時間分進むともとの値に戻る周期性を持つものとする。

ｗ_ｔを構成する問題は（時間帯、日種）を旅行時間に対応させる回帰式を学習する問題であり、これを構成する具体的方法には様々なものが考えられる。一例として、日種や時間帯をどの程度詳細に分類すべきかの課題を、情報量規準による最適化問題として解決する方法を挙げることができる。

［中期予測］
続いて、上記旅行時間リアルタイムデータ（時系列データ）及び旅行時間推移パターンを用いて中期予測方法について詳細に説明する。

中期予測においては、旅行時間について、「渋滞開始時点が早まると、旅行時間の推移パターンがその分早まる。」、「ある時間にいつもより旅行時間が余分に掛かるとしばらくの間同様の傾向が残る。」といった性質があることが経験的に知られている。

このような変動は、中期予測のスコープである３０分から１、２時間といった期間によく当てはまる。本実施形態に係る旅行時間予測装置１００は、上記知見を定式化した予測手法を用いている。

以下簡単のため、道路区間単位（リンク）及び日種を一つ固定し、旅行時間リアルタイムデータ１０１と旅行時間推移パターンは、一属性「旅行時間」のみからなる一次元時系列データと仮定すると、旅行時間推移パターン蓄積ＤＢ１０４に格納された過去データより求まる時刻ｔにおける旅行時間をｆ（ｔ）と表すことができる。また、現時刻をｔ_０とする。このとき、ａ，ｂを変換パラメータとする予測関数
ｈ（ｔ｜ａ，ｂ）＝ａｆ（ｔ−ｂ）
で旅行時間を予測することができる。上記予測関数は、図２に示すように、リアルタイムデータとの誤差が少なくなるようｆ（ｔ）を定数倍（ａ倍）と平行移動（−ｂ）して得られる関数である。

但し、ａ，ｂには、旅行時間リアルタイムデータ１０１との誤差を最小化する下式で求められるａハット（ｔ_０）及びｂハット（ｔ_０）を用いるものとする（下式左辺の＾を付した文字をハットと称する。以下、同様）。

また、ａ，ｂを変換パラメータとする予測関数として、
ｈ（ｔ｜ａ，ｂ）＝ｆ（ｔ−ｂ）＋ａ
を用いて旅行時間を予測することができる。上記予測関数は、図３に示すように、リアルタイムデータとの誤差が少なくなるようｆ（ｔ）を垂直移動（＋ａ）と平行移動（−ｂ）して得られる関数である。

このときのａ，ｂも、旅行時間リアルタイムデータ１０１との誤差を最小化する下式で求められるａハット（ｔ_０）及びｂハット（ｔ_０）を用いるものとする。

上記数１、数２において、ｅｘｐ（−α（ｔ_０−ｕ））は、誤差（ｘ_ｕ−ｈ（ｕ｜ａ，ｂ））^２に乗ずる重み係数であり、最近のデータほど重視するように働く。すなわち、現時刻ｔ_０より１／αステップだけ過去に遡ると、重みは１／ｅ倍になるため、１ステップが５分である場合を考えると、５／α分の数倍程度過去のデータまでを使って変換することになる。

また、数１、数２の右辺第２項及び第３項のペナルティ項の係数ｗ_ａ及びｗ_ｂは、関数変換が過去のデータにどの程度影響されやすいかをコントロールするパラメータである。

こうした変数α，ｗ_ａ，ｗ_ｂは、いずれも学習の性質をコントロールするパラメータであり、ハイパーパラメータと呼ばれる。αの具体的な値としては、例えば１ステップが５分の場合では、５／α＊３＝１２０などと直感的に決めることができる。また、ｗ_ａ，ｗ_ｂは旅行時間の分散と同程度に決めればよい。

上記数１又は数２のような予測関数を用いて、現時刻をｔ_０からｓ時刻後の旅行時間は、次式により求めることができる。

また、上記したハイパーパラメータについては、情報量規準「予測的確率的コンプレキシティ」の考え方で最適化した値を用いることも可能である。測的確率的コンプレキシティの具体形は、次式で与えられる。但し、ここでは、２４時間から７８時間中に含まれる時系列データのレコード数をｍとしている。なお、「予測的確率的コンプレキシティ」についての詳細は、例えば、非特許文献２や非特許文献３に記載されている。

図４は、予測値計算手段１０３の計算結果を用いて確率的コンプレキシティを計算する確率的コンプレキシティ計算手段１０５を備えた旅行時間予測装置の構成を表した図である。該構成によれば、予測的確率的コンプレキシティを用いた変換パラメータの導出が可能となる。

図５は、本実施形態に係る旅行時間予測装置１００において実行される処理の流れを表したフローチャートである。図５を参照すると、まず、旅行時間予測装置１００は、時刻を現在時刻ｔ_ｓにセットする（ステップＳ１０１）。

続いて、旅行時間予測装置１００は、旅行時間リアルタイムデータ１０１及び指定されたリンク及び時間に対応する旅行時間推移パターンｗ_ｔを旅行時間推移パターン蓄積ＤＢ１０４から読み出し（ステップＳ１０２）、パターン変換手段１０２により、前記旅行時間推移パターン変換を指定する上記した変換パラメータを計算し、予測値計算手段１０３に出力する（ステップＳ１０３）。

続いて、旅行時間予測装置１００は、予測値計算手段１０３により、前記した変換パラメータを用いて変換して得られた予測関数を用いて、予測値ｘハット_ｔ＋ｎ，ｘハット_{ｔ＋ｎ＋１}，ｘハット_{ｔ＋ｎ＋２}，・・・を出力する（ステップＳ１０４）。

以上のように、本実施形態によれば、指定された予測対象リンクについて、過去のデータと現在の実測値とを誤差が少なくなるよう変換した予測関数を用いて、旅行時間を正確に見積もることが可能となる。

［第２の実施形態］
続いて、上記第１の実施形態に変更を加えた本発明の第２の実施形態について図面を参照して詳細に説明する。

時間軸に対して階段状の関数で表現された旅行時間パターンは、微分不可能であり、誤差が最小となる（ａ，ｂ）の組み合わせを見つけるためには（ａ，ｂ）の全組み合わせで計算を実行し最小となる組み合わせを選択する必要があり、計算量が膨大となる。

そこで、本実施形態では、上記した第１の実施形態の変換パラメータ計算処理（図５のステップＳ１０３参照）に変更を加え、限られたデータで微分を使わずに最適な解を得る方法を採ることにより、予測精度を保ちつつ計算時間の削減を図っている。

図６は、本実施形態に係る旅行時間予測装置１００において実行される処理の流れを表したフローチャートである。上記した第１の実施形態に係る旅行時間予測装置１００の処理との相違点は、変換パラメータ計算処理（ステップＳ１０３）にて、一定期間分の最新逐次入力データを用いている点（図６の「逐次入力、忘却」）と、確率勾配法により最適解が得られるようにした点（図６の「確率勾配法」）である。

以下、図７を参照して、変換パラメータ計算処理の詳細を説明する。図７を参照すると、まず、旅行時間予測装置１００は、旅行時間リアルタイムデータ１０１から過去一定期間（例えば、現在時刻ｔ_ｓの１０〜１５分前までの期間）に存在するｑ個のデータを読み込み（ステップＳ１０６）、読み込んだデータから次式で表現される関数Ｆを計算する（ステップＳ１０７）。

関数Ｆはデータの逐次入力を可能にするため、上記［数１］の誤差項及びペナルティ項である下記［数６］を近似的に変換したものである。この変換の特徴は、旅行時間推移パターンを定数倍（ａ倍）するのではなく、ｅｘｐ（ａ）倍している点である。

より具体的には、旅行時間予測装置１００は、下記のように初期変換パラメータ（ａ_１、ｂ_１）に仮の変動幅ｄ_１、ｅ_１を適用（加算・減算）／非適用とした以下の５パターンで関数Ｆを計算する。
（ａ_１， ｂ_１）
（ａ_１＋ｄ_１，ｂ_１）
（ａ_１， ｂ_１＋ｅ_１）
（ａ_１−ｄ_１，ｂ_１）
（ａ_１， ｂ_１−ｅ_１）

旅行時間予測装置１００は、上記５パターンの関数Ｆの計算結果から誤差の大きさに比例する確率に基づいて、次の９パターンの組み合わせの中から定数倍パラメータａ及び水平移動パラメータｂの組み合わせをランダムに選択し、選択した組み合わせを（ａ_２、ｂ_２）とする。
（ａ_１， ｂ_１）
（ａ_１＋ｄ_１，ｂ_１）
（ａ_１， ｂ_１＋ｅ_１）
（ａ_１−ｄ_１，ｂ_１）
（ａ_１， ｂ_１−ｅ_１）
（ａ_１＋ｄ_１，ｂ_１＋ｅ_１）
（ａ_１＋ｄ_１，ｂ_１−ｅ_１）
（ａ_１−ｄ_１，ｂ_１＋ｅ_１）
（ａ_１−ｄ_１，ｂ_１−ｅ_１）

旅行時間予測装置１００は、上記のように変動幅ｄ_ｎ、ｅ_ｎ（ｎ＝１〜ｍ）を適用した複数パターンの関数Ｆの計算と計算結果に基づく仮定数倍パラメータａ_ｎ及び仮水平移動パラメータｂ_ｎの選択（ｎ＝１〜ｍ）とをｍ回（ｍは、旅行時間予測装置１００の処理能力等に応じて予め設定される。）繰り返し（ステップＳ１０８）、最適な（ａ，ｂ）を絞り込む（ステップＳ１０９）。

このとき、変動幅ｄ_ｎ、ｅ_ｎ（ｎ＝１〜ｍ）は、ｄ_１≧ｄ_２≧・・・≧ｄ_ｍ、ｅ_１≧ｅ_２≧・・・≧ｅ_ｍとし、要求される旅行時間の予測精度に合わせ、計算回次ｍが増えるに従って次第に細かいステップとなるように設定される。

再度、予測処理をする場合は、図６のフローに従いｔ：＝ｔ＋１として更新して（ステップＳ１０５）、変換パラメータ計算（ステップＳ１０３）の処理が行われる。

次の時刻ｔ＋１における旅行時間リアルタイムデータの読み込み処理（ステップＳ１０６）においては、時刻ｔからｔ＋１の時間帯で更新されたデータのみを読み込み、そのデータを含む最新のｑ個のデータで関数Ｆの計算が行われる（ステップＳ１０７）。これにより、読み込むデータを削減し処理速度が向上される。

また、このように古いデータを使用せず（忘却して）最新のｑ個を逐次入力することで予測精度も保たれる。以上により、微分を使わずにまた、読み込みデータ数を減らすことで高速処理が実現される。

以上のとおり、本実施形態では、より少ない計算量で、広範囲の道路に対して旅行時間の予測が可能となり、スペースの制約で複数の高性能の処理装置を実装することが難しい車載機等への実装も容易となる。

［第３の実施形態］
続いて、上記第１の実施形態の構成に変更を加えた本発明の第３の実施形態について図面を参照して詳細に説明する。本実施形態に係る旅行時間予測装置は、上記第１の実施形態の構成に加えて、長期予測手段、短期予測手段といった複数の予測手段を備え、これらのうちから好適な予測手段を選択し、適切なサイクル（５分から１時間程度）にてリアルタイム予測する高速予測機能を備える。以下、上記第１の実施形態に対する追加・変更点を中心に詳細に説明する。

［複数の予測手段］
図８は、本実施形態に係る旅行時間予測装置１００の構成を表した図である。図８を参照すると、旅行時間予測装置１００は、上記した第１の実施形態のパターン変換手段１０２及び予測値計算手段１０３から構成される中期予測手段１１１に加えて、長期予測手段１１０と、短期予測手段１１２とを備えている。

・長期予測
長期予測手段１１０は、旅行時間リアルタイムデータ１０１を用いずに、旅行時間推移パターン蓄積ＤＢ１０４の蓄積データのみを用いた長期予測処理を行う手段である。これは、交通情報においては現在の状態が将来に及ぼす影響は高々数時間程度であり、それ以後の予測についてはリアルタイムデータを用いる意味が無いことによる。

・短期予測
短期予測手段１１２は、自己回帰モデル（ＡＲモデル＝Ａｕｔｏ Ｒｅｇｒｅｓｓｉｏｎモデル）に基づく短期予測処理を行う手段である。ここでは、短期予測は、過去一時間分程度の旅行時間リアルタイムデータ１０１を用いて、最大一時間程度先の予測を行うものとする。短期予測には様々な手法を用いることが可能であるが、本出願人による特許文献３に記載された方法を好ましく用いることができる。

後記する予測手段の選択に関連するため、自己回帰モデル（ＡＲモデル）を用いる特許文献３の方法の概要を以下に説明する。

ここで、旅行時間リアルタイムデータと旅行時間推移パターンとの差分ｙ_ｔ＝ｘ_ｔ−ｗ_ｔとする。ＡＲモデルは、旅行時間リアルタイムデータが発生する確率分布を規定する統計的モデルであり、

のように記述できる。

ここにε_ｔはノイズ項であり、一般には平均０の多次元正規分布であるとする。また、ａ_ｍはＡＲ係数と呼ばれる。このモデルを一つ指定するにはすべてのＡＲ係数とε_ｔの確率分布を規定する分散を指定すればよい。これらのパラメータをまとめてθと書く。θが指定されていれば、

によって過去データから直近の旅行時間を予測することができる。また、過去データに基づいてθを推定することが学習問題となり、あらかじめ多くのリンクについて学習をおこなっておく必要がある。

［予測処理の選択］
本実施形態に係る旅行時間予測装置１００は、前記３種類の予測手段及び取得されるリアルタイムデータを利用して、リンク毎での適正な予測手法を求め、有効な予測処理を行なう機能を有している。

まず、各予測の対象となる期間をあらかじめ定めておく。例えば、現時点ｔ_０とするとき、１≦ｔ≦ｔ_０＋６については短期予測の対象とし、ｔ_０＋７≦ｔ≦ｔ_０＋２５についてを中期予測の対象とし、それ以後は、旅行時間推移パターン蓄積ＤＢ１０４の値をそのまま出力する（長期予測）と定めておく。

時間間隔が５分であるとすると、上記規則は、現時刻から３０分後までは短期予測を行い、それ以降は１２０分後までは中期予測を行い、更に、それ以降は長期予測を行うことを意味している。

本実施形態に係る旅行時間予測装置１００は、その上で、上記短期予測及び中期予測対象時間について、短期予測及び中期予測を行うのか、旅行時間推移パターン蓄積ＤＢ１０４の値をそのまま使うのかの判定する。

短期予測についてＡＲモデルを用いる場合、予測を行うためには、ＡＲモデルの次数分だけ過去に遡ったリアルタイムデータが必要になる。例えばｍ次のＡＲモデルを用いる場合、ｔ_０−ｍ≦ｔ≦ｔ_０に相当する期間における旅行時間リアルタイムデータが必要である。

本実施形態に係る旅行時間予測装置１００は、この期間における旅行時間リアルタイムデータ１０１と旅行時間推移パターン蓄積ＤＢ１０４の値の差異が大きいときには、短期予測アルゴリズムを動作させ、そうでなければ旅行時間推移パターン蓄積ＤＢ１０４の値をそのまま用いて予測を行う。

例えば、以下の量があらかじめ定めた閾値Δ_Ｓより大きい場合には短期予測を行い、そうでない場合は行わないとすることができる。

ここで、Δ_Ｓの具体的値は、必要な旅行時間の精度で定めれば良い。例えば１分の精度が必要ならば１分と置くことで、必要な場合にのみ、上記短期予測による旅行時間を出力させることができる。

中期予測についても同様に、ｔ_０−１／α≦ｔ≦ｔ_０に相当する期間における旅行時間リアルタイムデータが必要となる。この場合も、上記数７のｍを１／αに置き換えて得られる量が、あらかじめ定めた値Δ_Ｍより大きいか否かで、中期予測の実行要否を判定することができる。Δ_Ｍも、上記Δ_Ｓと同様、必要な精度で定めればよいが、一般に中期予測の方が短期予測より高精度が期待できないため、Δ_Ｓの数倍程度を設定することが適当である（例えば、５分）。

上記のように、Δ_ＳとΔ_Ｍを適宜設定することにより、予測処理にかかる計算コストをコントロールすることが可能となる。

［予測処理のグループ化］
例えば、同一の道路上の連続した二つのリンクに関する旅行時間リアルタイムデータは、多くの場合非常に似通った統計的性質を持つことが期待できる。また、並行する二つの道路上のリンクについても同様である。特に、旅行時間リアルタイムデータと旅行時間推移パターンの差分を考えると、道路固有の性質が吸収され、より相関がはっきりすることが期待できる。そこで、本実施形態に係る旅行時間予測装置１００は、予めリンクの集合に対し、旅行時間推移パターン蓄積ＤＢ１０４の値に基づきクラスタリングを行い、似通った傾向を示すリンクをグループ化しておくものとする。

そこで、さらに各グループについて、一つ代表リンクを定める。中期予測についてはこの代表リンクのみについて、中期予測に用いる変換パラメータ（ａハット（ｔ_０），ｂハット（ｔ_０））を求めれば、該グループに属するリンクについて予測を行うことが可能となる。これは、現時点でのリアルタイムデータが得られないリンクに対しても予測が可能になる（これは、実質的に全国全部の道路を予測対象とすることを可能とする）という点と、計算時間を削減できるという点の２点で、特に中期予測において有利である。

このクラスタリングは、予測対象となる全リンクに対して行う必要があるが、地理的に遠く離れたリンク同士ではもともと相関が無いと考えられるため、ブロック化した地域内でのみ処理すればよい。例えば、旅行時間推移パターンをこれら地理的関係を考慮した階層構造（地域￥２次メッシュ￥リンクグループ￥リンク￥）にて保持することで、前記クラスタリングを容易化することができる。また、上記のように、旅行時間推移パターンを階層構造にて管理することは、負荷分散や拡張性の面でも有利である。

また、上記したクラスタリング処理は、基本的に前処理として一度行えばよく、リアルタイムに行う必要はない。具体的なクラスタリング手法としては、Ｗａｒｄ法、ｋ−ｍｅａｎｓ法等の古典的な手法（例えば、神嶌敏弘による”データマイニング分野のクラスタリング手法（１）−クラスタリングを使ってみよう！−’人工知能学会誌、ｖｏｌ．１８、ｎｏ．１、ｐｐ．５９−６５（２００３）を参照）や、Ｔ．Ｋｏｈｏｎｅｎによる書籍”Ｓｅｌｆ−ＯｒｇａｎｉｚｉｎｇＭａｐｓ，” Ｓｐｒｉｎｇｅｒ−Ｖｅｒｌａｇ，Ｂｅｒｌｉｎ，２００１）に提案されているＳＯＭ（Ｓｅｌｆ Ｏｒｇａｎｉｚｅｄ Ｍａｐ＝自己組織化マップ）等を用いることができる。

［予測処理のスケジューリング］
続いて、本実施形態に係る旅行時間予測装置１００の動作（予測処理のスケジューリング）について説明する。

図９、図１０は、本実施形態に係る旅行時間予測装置１００の動作（予測処理のスケジューリング）を表したフローチャートである。図９を参照すると、旅行時間予測装置１００は、予測対象リンクの集合と、予測対象時間に応じ、旅行時間推移パターン蓄積ＤＢ１０４から必要な旅行時間推移パターンをロードする（ステップＳ２０１）。

そして、旅行時間予測装置１００は、図９に表す予測情報の更新処理を定期的に実行する（ステップＳ２０２）。

図１０を参照すると、まず、旅行時間予測装置１００は、現在時刻までの旅行時間リアルタイムデータ、ステップＳ２０１にてロードした旅行時間推移パターン、予測対象時刻に基づき、短期予測、中期予測のそれぞれが必要かどうか判定する（ステップＳ２１１）。

旅行時間予測装置１００は、予測対象リンクが属するグループから代表リンクを選択する（ステップＳ２１２）。

旅行時間予測装置１００は、ステップＳ２１１で中期予測が必要と判定されていれば中期予測処理を実行する（ステップＳ２１３）。同様に、ステップＳ２１１で短期予測が必要と判定されていれば旅行時間予測装置１００は、短期予測処理を実行する（ステップＳ２１４）。

最後に、旅行時間予測装置１００は、それぞれの予測結果を総合し、予測対象リンクと予測対象時間に対応した旅行時間予測結果を出力する（ステップＳ２１５）。

以上のように、本実施形態では、上記［予測処理の選択］で述べたように、短期予測、中期予測、長期予測それぞれの長所を組み合わせたものとなっており、少ない計算量で、一定の精度が保証された予測結果を得ることが可能となっている。また、上記［予測処理のグループ化］で述べたように、コスト等の事情から実質的にリアルタイムデータを得ることが不可能なリンク（道路区間）を含んだ経路に係る予測もすることが可能となっている。

また、上記のようにして算出された精度の高い予測データは、旅客や物品を運送する個人ドライバー、運送業事業者、タクシー事業者、バス事業者等の各種運送業者において、経路選択や利用者への二次的な情報サービスを行う上での有用な情報となる。

上記した旅行時間予測装置１００により出力された旅行時間予測結果を提供する手段を備えた交通情報提供システムを用いて交通情報提供サービスを行うことが可能となる。これら情報コンテンツは、その有用性に鑑みて、一定の配信期間を定めた固定制や情報配信回数や配信サイズ等に応じた従量制といった任意の料金体系で有料配信とすることが可能である。また、あるいは、所定の広告と組み合せて配信することにより、システム運営費を当該広告主に負担させることとすれば、無料で配信することも可能である。

また更には、旅行時間予測結果のみならず、適宜注釈を付けて、上記変換パラメータも合せて配信することとしてもよい。

以上、本発明の好適な各実施形態について説明したが、これら実施形態は本願出願人が知りえた好適な実施形態を記載したものであり、本発明の要旨を逸脱しない範囲で、各種の変形を加えることが可能であることはいうまでもない。

本発明の第１の実施形態に係る旅行時間予測システムの全体構成を表した図である。 本発明の第１の実施形態に係る旅行時間予測システムにおける関数変換イメージ（定数倍と平行移動）を表した図である。 本発明の第１の実施形態に係る旅行時間予測システムにおける関数変換イメージ（垂直移動と平行移動）を表した図である。 本発明の第１の実施形態に確率的コンプレキシティ計算手段を加えた変形構成をを表した図である。 本発明の第１の実施形態に係る旅行時間予測装置において実行される処理の流れを表したフローチャートである。 本発明の第２の実施形態に係る旅行時間予測装置において実行される処理の流れを表したフローチャートである。 本発明の第２の実施形態に係る旅行時間予測装置における変換パラメータ計算処理の詳細を表したフローチャートである。 本発明の第３の実施形態に係る旅行時間予測システムの全体構成を表した図である。 本発明の第３の実施形態に係る旅行時間予測装置において実行される処理の流れを表したフローチャートである。 本発明の第３の実施形態に係る旅行時間予測装置において実行される処理の流れを表したフローチャートである。

符号の説明

１００ 旅行時間予測装置
１０１ 旅行時間リアルタイムデータ
１０２ パターン変換手段
１０３ 予測値計算手段
１０４ 旅行時間推移パターン蓄積ＤＢ
１０５ 確率的コンプレキシティ計算手段
１１０ 長期予測手段
１１１ 中期予測手段
１１２ 短期予測手段

Claims (14)

1. 全リンク集合の中から予測対象として指定されたリンクと、予測対象の日時と、前記指定されたリンクに関して逐次入力される旅行時間時系列データと、を入力として、前記指定されたリンクと日時における予測旅行時間を出力する旅行時間予測装置であって、
   少なくとも日種別に各リンクの過去の時系列データを統計処理した旅行時間推移パターンを保持するデータベースから、前記指定されたリンク及び日種別に対応する旅行時間推移パターンを受け取り、
   前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差に最近のデータほど重視するように働く重み付け係数を乗ずる重み付き誤差項と、所定のペナルティ係数が設定されたペナルティ項とを含む数式を用いて、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差が最も小さくなる旅行時間推移パターンの変換パラメータを算出し、
   該算出した変換パラメータによって前記旅行時間推移パターンを変換して得られる予測関数を用いて予測すること、
   を特徴とする旅行時間予測装置。
2. 前記重み付き誤差の重み係数とペナルティ項の大きさを予測的確率的コンプレキシティを小さくすることで最適化すること、
   を特徴とする請求項１に記載の旅行時間予測装置。
3. 前記変換パラメータとして、少なくとも前記旅行時間推移パターンの定数倍パラメータ及び水平移動パラメータを算出すること、
   を特徴とする請求項１または２に記載の旅行時間予測装置。
4. 前記変換パラメータとして、少なくとも前記旅行時間推移パターンの垂直移動パラメータ及び水平移動パラメータを算出すること、
   を特徴とする請求項１または２に記載の旅行時間予測装置。
5. 前記逐次入力される過去一定時間において観測された所定個数の旅行時間時系列データと、計算回次毎に小さくなるよう定められた仮変動幅を適用／非適用とした複数パターンの仮変換パラメータを用いて計算した予測値と、の誤差の出現確率に基づいて、前記仮変換パラメータの更新と前記誤差の計算を所定回数繰り返すことにより、前記旅行時間推移パターンの変換パラメータを決定すること、
   を特徴とする請求項１乃至４いずれか一に記載の旅行時間予測装置。
6. 更に、自己回帰モデルを利用し、所定時間先までの旅行時間の短期予測を行う短期予測手段を備え、
   前記短期予測手段の予測範囲を超える部分について、前記予測関数を用いた旅行時間の中期予測を行うこと、
   を特徴とする請求項１乃至４いずれか一に記載の旅行時間予測装置。
7. 前記短期予測と中期予測それぞれにおいて、前記逐次入力される旅行時間時系列データと、前記データベースに格納されている旅行時間推移パターンとが有意に異なるときのみ予測を実行すること、
   を特徴とする請求項６に記載の旅行時間予測装置。
8. 全リンク集合の中から予測対象として指定されたリンクと、予測対象の日時と、前記指定されたリンクに関して逐次入力される旅行時間時系列データと、を入力として、前記指定されたリンクと日時における予測旅行時間を出力する旅行時間予測装置であって、
   少なくとも日種別に各リンクの過去の時系列データを統計処理した旅行時間推移パターンを保持するデータベースから、前記指定されたリンク及び日種別に対応する旅行時間推移パターンを受け取り、
   全予測対象リンクについて予め定めるグループにグループ分けし、前記各グループ毎の代表リンクについて、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差が小さくなる旅行時間推移パターンの変換パラメータを算出しておき、
   前記代表リンクと同一のグループに属するリンクに対して前記変換パラメータの値を用いて、前記旅行時間推移パターンを変換して得られる予測関数を用いて予測すること、
   を特徴とする旅行時間予測装置。
9. 請求項１乃至８いずれか一に記載の旅行時間予測装置と接続され、
   更に、所定の端末に対して、前記旅行時間予測装置より出力された予測旅行時間を含んだ交通情報を提供する手段を備えたこと、
   を特徴とする交通情報提供システム。
10. 前記交通情報の配信期間を定めた固定制の課金手段を備えたこと、
    を特徴とする請求項９に記載の交通情報提供システム。
11. 前記交通情報の配信回数に応じた従量制の課金手段を備えたこと、
    を特徴とする請求項９に記載の交通情報提供システム。
12. 前記交通情報とともに、前記予測関数の変換に用いた前記変換パラメータの値を提供すること、
    を特徴とする請求項９乃至１１いずれか一に記載の交通情報提供システム。
13. 全リンク集合の中から予測対象として指定されたリンクと、予測対象の日時と、前記指定されたリンクに関して逐次入力される旅行時間時系列データと、を入力として、前記指定されたリンクと日時における予測旅行時間を出力するコンピュータを用いた旅行時間の予測方法であって、
    前記コンピュータが、少なくとも日種別に各リンクの過去の時系列データを統計処理した旅行時間推移パターンを保持するデータベースから、前記指定されたリンク及び日種別に対応する旅行時間推移パターンを受け取るステップと、
    前記コンピュータが、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差に最近のデータほど重視するように働く重み付け係数を乗ずる重み付き誤差項と、所定のペナルティ係数が設定されたペナルティ項とを含む数式を用いて、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差が最も小さくなる旅行時間推移パターンの変換パラメータを算出するステップと、
    前記コンピュータが、前記算出した変換パラメータによって前記旅行時間推移パターンを変換して予測関数を得るステップと、
    前記コンピュータが、前記予測関数を用いて、前記指定されたリンクと日時における予測旅行時間を予測し出力するステップと、を含むこと、
    を特徴とする旅行時間の予測方法。
14. 全リンク集合の中から予測対象として指定されたリンクと、予測対象の日時と、前記指定されたリンクに関して逐次入力される旅行時間時系列データと、を入力として、前記指定されたリンクと日時における予測旅行時間を出力するコンピュータに実行させるプログラムであって、
    少なくとも日種別に各リンクの過去の時系列データを統計処理した旅行時間推移パターンを保持するデータベースから、前記指定されたリンク及び日種別に対応する旅行時間推移パターンを受け取る処理と、
    前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差に最近のデータほど重視するように働く重み付け係数を乗ずる重み付き誤差項と、所定のペナルティ係数が設定されたペナルティ項とを含む数式を用いて、前記旅行時間推移パターンと前記逐次入力される旅行時間との誤差が最も小さくなる旅行時間推移パターンの変換パラメータを算出する処理と、
    前記算出した変換パラメータによって前記旅行時間推移パターンを変換して予測関数を得る処理と、
    前記予測関数を用いて、前記指定されたリンクと日時における予測旅行時間を予測し出力する処理と、を前記コンピュータに実行させるプログラム。

Images