JP6701663B2 - Operation support system, operation support method, and program - Google Patents
Operation support system, operation support method, and program Download PDFInfo
- Publication number
- JP6701663B2 JP6701663B2 JP2015200259A JP2015200259A JP6701663B2 JP 6701663 B2 JP6701663 B2 JP 6701663B2 JP 2015200259 A JP2015200259 A JP 2015200259A JP 2015200259 A JP2015200259 A JP 2015200259A JP 6701663 B2 JP6701663 B2 JP 6701663B2
- Authority
- JP
- Japan
- Prior art keywords
- point
- prediction
- traffic
- relationship
- time
- 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.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Description
本発明は、運用支援システム、運用支援方法、及び、プログラムに関する。 The present invention relates to an operation support system, an operation support method, and a program.
道路に設置されたセンサや車両に搭載されたセンサにより収集される交通データを用いて、道路の交通状態を広範囲、かつ、時間遅れなく把握することが可能になってきている。さらに、これら収集された交通データを分析することにより、将来の交通状態を予測する技術も多数提案されている。交通状態を予測できれば、車両の移動時間を高精度に見積ることができるため、道路利用者の満足度が向上することが期待される。 It has become possible to grasp the traffic condition of a road in a wide range and without a time delay by using traffic data collected by a sensor installed on the road or a sensor mounted on a vehicle. Furthermore, many technologies for predicting future traffic conditions have been proposed by analyzing these collected traffic data. If the traffic condition can be predicted, the travel time of the vehicle can be estimated with high accuracy, and it is expected that the satisfaction of road users will be improved.
このような交通状態の予測技術の一例として、特許文献１には、短期、中期、及び、長期の予測モデルを用いて、交通状態の変化を連続的、かつ、高精度に予測する技術が開示されている。特許文献１の技術では、曜日や、時間帯、天気、交通規制または交通事故の有無等の事象情報に基づいて、交通状態を予測できる。 As an example of such a traffic condition prediction technique, Patent Document 1 discloses a technique of predicting a change in traffic condition continuously and highly accurately by using a short-term, medium-term, and long-term prediction models. Has been done. The technology of Patent Document 1 can predict the traffic state based on the day of the week, time of day, weather, traffic regulation, or event information such as the presence or absence of a traffic accident.
また、特許文献２には、交通規制情報を特徴量として、比例ハザードモデルを用いて規制地点における規制継続時間を求めることにより、事故が発生した規制地点の交通状態を予測し、移動時間を見積る技術が開示されている。
Further, in
また、特許文献３には、交通流模擬装置を用いて、交通管制施策を実行した時の交通流を予測する技術が開示されている。 Further, Patent Document 3 discloses a technique of predicting a traffic flow when a traffic control measure is executed by using a traffic flow simulation device.
なお、関連技術として、特許文献４には、車両の積載荷物の状態に応じて２地点間の移動に係る所要時間を予測する技術が開示されている。また、非特許文献１、及び、非特許文献２には、データの同一のパターンや規則性を持つグループごとに予測モデルを生成する、異種混合学習技術が開示されている。
As a related technique, Patent Document 4 discloses a technique for predicting a time required for movement between two points according to the state of loaded luggage of a vehicle. Further, Non-Patent Document 1 and Non-Patent
上述の特許文献１、２に記載された技術では、交通状態に係る定常的な特徴量に基づいたモデルを用いて交通状態を予測する。このため、事故等の非定常的事象が発生した場合に、その影響を考慮して、交通状態を精度よく予測することが難しい。非定常的事象が発生した場合、交通状態に係る特徴量は、事象の深刻度や発生場所、車線封鎖のような事象に対する処理に要する時間等に依存する。このため、事象が発生した時の特徴量と過去に観測された特徴量が合致するかどうかを判定することは困難である。仮に、合致しない不適切な特徴量を用いた場合、交通状態の予測が大きく外れる可能性が高い。
In the techniques described in
また、上述の特許文献３に記載された技術でも、交通流を、交通管制シナリオに従ったシミュレーションにより予測するため、交通状態を精度よく予測することが難しい。特許文献３における交通流のシミュレーションでは、様々なパラメータ（運転者の目標速度、事故影響範囲等）が必要である。このため、パラメータごとの誤差の蓄積により、予測精度が劣化する。 Further, even with the technique described in the above-mentioned Patent Document 3, it is difficult to accurately predict the traffic state because the traffic flow is predicted by the simulation according to the traffic control scenario. In the traffic flow simulation in Patent Document 3, various parameters (driver's target speed, accident influence range, etc.) are required. Therefore, the accuracy of prediction deteriorates due to the accumulation of errors for each parameter.
さらに、特許文献１から３に記載された技術では、非定常的事象に対する処理が交通状態に及ぼす影響を提示することは開示されていない。このため、処理を行う道路管理者は、処理方法や処理時間といった処理シナリオに係る決定が、交通状態にどのような影響を及ぼすかを把握できず、処理シナリオに係る明確な意思決定ができない。 Furthermore, the technologies described in Patent Documents 1 to 3 do not disclose that the processing for a non-stationary event presents the influence on the traffic state. For this reason, the road administrator who performs the processing cannot grasp how the decision regarding the processing scenario such as the processing method and the processing time affects the traffic condition, and cannot make a clear decision regarding the processing scenario.
本発明の課題は、上述の課題を解決し、事故等の非定常的事象に対して車線封鎖等の処理が実行されている時に、当該処理の影響を正確に予測できる、運用支援システム、運用支援方法、及び、プログラムを提供することである。 An object of the present invention is to solve the above-mentioned problems, and when a process such as a lane blockage is being executed for an unsteady event such as an accident, the influence of the process can be accurately predicted. It is to provide a support method and a program.
本発明の一態様における運用支援システムは、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測する影響予測手段と、前記予測した影響が表示手段に表示されるように当該表示手段を制御する、表示制御手段と、を備える。 An operation support system according to an aspect of the present invention is a system in which a relation between different traffic states at each point when a process for a non-stationary event is being executed at any one of a plurality of points and one or more points. Based on the prediction model for predicting the traffic condition at an arbitrary point from the traffic condition, based on the impact prediction means for predicting the influence of the processing on the traffic condition at each point, the predicted impact is displayed on the display means. And a display control means for controlling the display means.
本発明の一態様における運用支援方法は、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測し、前記予測した影響が表示手段に表示されるように当該表示手段を制御する。 The operation support method according to an aspect of the present invention relates to a relationship between different traffic states at each point when a process for a non-stationary event is being executed at any one of a plurality of points, and at one or more points. Based on a prediction model for predicting the traffic condition at an arbitrary point from the traffic condition, and predicting the effect of the processing on the traffic condition at each point, the predicted effect is displayed on the display means. Control the display means.
本発明の一態様におけるプログラムは、コンピュータに、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測し、前記予測した影響が表示手段に表示されるように当該表示手段を制御する、処理を実行させる。 A program according to an aspect of the present invention causes a computer to perform a process for a non-stationary event at any one of a plurality of points, the relationship between different traffic states at each point, and one or more points. Based on a prediction model for predicting a traffic state at an arbitrary point from the traffic state at, based on the, to predict the impact of the processing on the traffic state at each point, the predicted impact is displayed on the display means. A process for controlling the display means is executed.
本発明の効果は、非定常的事象に対して処理が実行されている時に、当該処理の影響を正確に予測できることである。 The effect of the present invention is that when a process is executed for a non-stationary event, the influence of the process can be accurately predicted.
はじめに、本発明の実施の形態における、道路、交通状態、及び、非定常的事象に対して行われる処理シナリオについて説明する。 First, a processing scenario performed on roads, traffic conditions, and non-stationary events in the embodiment of the present invention will be described.
図７は、本発明の実施の形態における、道路の例を示す図である。図７に示すように、道路上には、監視対象の地点Ｘｉ（ｉ＝１、２、…、Ｎ；Ｎは監視対象の地点の数）が定義される。 FIG. 7 is a diagram showing an example of a road in the embodiment of the present invention. As shown in FIG. 7, points Xi to be monitored (i=1, 2,..., N; N is the number of points to be monitored) are defined on the road.
本発明の実施の形態では、図７のような道路を例として、動作を説明する。 In the embodiment of the present invention, the operation will be described by taking a road as shown in FIG. 7 as an example.
なお、図７では、簡単化のために道路を直線道路としたが、これに限らず、道路は、信号機を含む交差点を持つ道路、複数車線の道路、自動車専用道路など、他の構造の道路でもよい。また、道路は、都市内の道路でも、都市間を結ぶ幹線道路でもよい。 In addition, although the road is a straight road in FIG. 7 for simplification, the road is not limited to this, and the road has other structures such as a road having an intersection including a traffic light, a road having a plurality of lanes, and a motorway. But it's okay. Further, the road may be a road in a city or a main road connecting cities.
また、本発明の実施の形態では、道路上の各地点の交通状態の種別として、流度、走行速度（以下、単に速度とも記載）、及び、車両密度を用いる。流度は、単位時間あたりに地点を通過する車両の台数（通過台数）を示す。速度は、地点における複数の車両の速度の平均を示す。車両密度は、各車両が地点を含む所定の区間を空間的に占有している割合（空間占有度）、または、各車両が地点を時間的に占有している割合（時間占有度）を示す。空間占有度と時間占有度は、互いに変換可能である。本発明の実施の形態では、車両密度として、空間占有度を用いた場合を例に説明する。 Further, in the embodiment of the present invention, flow rate, traveling speed (hereinafter, also simply referred to as speed), and vehicle density are used as types of traffic conditions at each point on the road. The flow rate indicates the number of vehicles (passage number) that pass a point per unit time. The speed indicates the average of the speeds of a plurality of vehicles at the point. The vehicle density indicates a ratio in which each vehicle spatially occupies a predetermined section including a point (space occupancy), or a ratio in which each vehicle temporally occupies a point (time occupancy). . Space occupancy and time occupancy can be converted into each other. In the embodiment of the present invention, the case where the space occupancy is used as the vehicle density will be described as an example.
また、道路上で事故や緊急工事等の非定常的事象が発生すると、道路管理者等は、処理シナリオ（以下、単にシナリオとも記載）に従って、当該事象に対する処理を行う。 Further, when an unsteady event such as an accident or an emergency construction occurs on the road, the road administrator or the like processes the event according to a processing scenario (hereinafter, also simply referred to as a scenario).
図８は、本発明の実施の形態における、処理シナリオの例を示す図である。図８の例では、シナリオとして、非定常的事象が発生した地点で行われる車線封鎖、事象が発生した地点から上流（進行方向手前）の地点で行われる流入量規制、及び、事象が発生した地点から上流で行われる速度規制が定義されている。 FIG. 8 is a diagram showing an example of a processing scenario in the embodiment of the present invention. In the example of FIG. 8, as scenarios, a lane blockade is performed at a point where an unsteady event occurs, an inflow amount regulation is performed at a point upstream (before the traveling direction) from the point where the event occurs, and an event occurs. Speed limits are defined upstream from the point.
道路管理者等は、複数のシナリオの内のいずれかを選択して、非定常的事象が発生した地点、或いは、その上流地点等の周辺地点で実行し、運用支援システム１０により、その処理の影響を確認する。
The road administrator or the like selects any one of a plurality of scenarios and executes it at the point where the unsteady event has occurred, or at a peripheral point such as the upstream point, and the
次に、本発明の実施の形態の構成を説明する。 Next, the configuration of the embodiment of the present invention will be described.
図２は、本発明の実施の形態における、運用支援システム１０の構成を示すブロック図である。図２を参照すると、運用支援システム１０は、交通状態収集部１１、シナリオ受付部１２、影響予測部１３、表示制御部１４、交通状態記憶部１５、相関関係記憶部１６、及び、予測モデル記憶部１７を含む。
FIG. 2 is a block diagram showing the configuration of the
交通状態収集部１１は、道路上の各地点における交通状態の測定値を収集する。ここで、交通状態収集部１１は、例えば、各地点に固定的に配置されているセンサから、所定の収集間隔で、交通状態の測定値を収集する。また、交通状態収集部１１は、道路上を走行する車両の車載端末から、各地点における交通状態の測定値を収集してもよい。収集される交通状態は、非定常的事象が発生していない時（定常時）の交通状態、及び、非定常的事象が発生し、当該事象に対する処理が実行されている時（非定常時）の交通状態を含む。
The traffic
図９は、本発明の実施の形態における、交通状態の例を示す図である。図９の例では、交通状態として、各地点の流度、速度、及び、車両密度が収集されている。 FIG. 9 is a diagram showing an example of traffic conditions in the embodiment of the present invention. In the example of FIG. 9, the flow rate, speed, and vehicle density at each point are collected as traffic conditions.
シナリオ受付部１２は、道路管理者等から、シナリオ情報の入力を受け付ける。シナリオ情報は、非定常的事象に対して実行中の処理に係る情報である。
The
図１０は、本発明の実施の形態における、シナリオ情報の例を示す図である。 FIG. 10 is a diagram showing an example of scenario information according to the embodiment of the present invention.
図１０の例では、シナリオ情報は、処理が実行されている地点、当該処理の内容、当該処理の開始時刻、処理時間候補を含む。処理時間候補は、想定される、処理に要する時間の候補を示す。処理時間候補は、複数指定されていてもよい。 In the example of FIG. 10, the scenario information includes the point where the process is executed, the content of the process, the start time of the process, and the processing time candidate. The processing time candidate indicates an expected time required for processing. A plurality of processing time candidates may be designated.
影響予測部１３は、非定常的事象に対する処理の影響として、各地点の渋滞の発生有無や特定区間の所要時間を予測する。影響予測部１３は、性能劣化予測部１３１、交通状態予測部１３２、及び、所要時間予測部１３３を含む。
The
性能劣化予測部１３１は、非定常時の道路の性能の劣化を予測する。本発明の実施の形態では、道路の性能として、異なる種別の交通状態間の相関関係（車両密度と流度や速度との相関関係）、及び、相関関係から得られる、渋滞を判定するための閾値（車両密度の閾値）を用いる。以下、車両密度の閾値を、閾値密度とも記載する。性能劣化予測部１３１は、性能の劣化として、これら相関関係、及び、閾値密度の変化を予測する。
The performance
交通状態予測部１３２は、予測モデルを用いて、道路上の各地点における、将来時刻（予測対象時刻）の交通状態を予測する。
The traffic
予測モデルは、各地点における交通状態から任意の地点における予測対象時刻の交通状態を予測するためのモデルである。 The prediction model is a model for predicting the traffic state at a prediction target time at an arbitrary point from the traffic state at each point.
予測モデルは、各地点の交通状態の時系列をもとに、例えば、機械学習技術を用いて生成される。予測モデルは、非特許文献１、２に開示されている異種混合学習技術を用いて生成されてもよい。
The prediction model is generated by using, for example, a machine learning technique based on the time series of traffic conditions at each point. The prediction model may be generated using the heterogeneous learning technique disclosed in
本発明の第１の実施の形態では、予測モデルとして、数１式のような線形関数を用いる。 In the first embodiment of the present invention, a linear function such as Equation 1 is used as the prediction model.
ここで、Ｋｉ（ｔ）は、地点Ｘｉにおける、現在時刻ｔの車両密度である。また、Ｋｅｓｔ＿ｊ（ｔ＋Ｔ）は、地点Ｘｊ（ｊ＝１、２、…、Ｎ）における、予測対象時刻ｔ＋Ｔの車両密度の予測値である。αｉｊは、地点Ｘｉの車両密度Ｋｉ（ｔ）と地点Ｘｊの車両密度の車両密度Ｋｊ（ｔ＋Ｔ）との関係性の大きさを示す係数である。 Here, K i (t) is the vehicle density at the current time t at the point Xi. Further, K est — j (t+T) is a predicted value of the vehicle density at the prediction target time t+T at the point Xj (j=1, 2,..., N). α ij is a coefficient indicating the magnitude of the relationship between the vehicle density K i (t) at the point Xi and the vehicle density K j (t+T) at the point Xj.
図１１は、本発明の実施の形態における、予測モデルの例を示す図である。図１１の例では、各地点について、予測対象時間０．５時間後（Ｔ＝０．５ｈ（hour））、１．０時間後（Ｔ＝１．０ｈ）、１．５時間後（Ｔ＝１．５ｈ）、２．０時間後（Ｔ＝２．０ｈ）、…の予測モデルが生成されている。 FIG. 11 is a diagram showing an example of a prediction model in the embodiment of the present invention. In the example of FIG. 11, for each point, the prediction target time is 0.5 hours later (T=0.5h (hour)), 1.0 hour later (T=1.0h), and 1.5 hours later (T= The prediction model of 1.5h), 2.0 hours later (T=2.0h),... Has been generated.
なお、予測モデルとして、数１式のような線形関数に限らず、交通状態が説明変数である任意の関数が用いられてもよい。また、同じ予測地点に対して、複数の予測モデルが生成されてもよい。この場合、これらの予測モデルは、天候や、曜日、時間帯、路面状態、周辺イベントの有無等、予測対象時刻の状況ごとに使い分けられてもよい。 Note that the prediction model is not limited to the linear function such as Equation 1, and any function in which the traffic state is an explanatory variable may be used. Also, a plurality of prediction models may be generated for the same prediction point. In this case, these prediction models may be selectively used according to the situation of the prediction target time such as the weather, the day of the week, the time of day, the road surface condition, the presence or absence of a peripheral event.
交通状態予測部１３２は、さらに、予測モデルを用いて予測した交通状態と、性能劣化予測部１３１により算出された閾値密度と、を用いて、予測対象時刻の各地点における渋滞の発生有無を予測する。
The traffic
所要時間予測部１３３は、交通状態予測部１３２により予測された交通状態と、性能劣化予測部１３１により生成された相関関係と、を用いて、道路上の特定区間の所要時間を予測する。
The required
表示制御部１４は、道路管理者等へ渋滞や所要時間の予測結果を表示するように、出力デバイス１０４（以下、表示装置とも記載する）を制御する。
The
交通状態記憶部１５は、交通状態収集部１１により収集された、各地点の交通状態の測定値を記憶する。
The traffic
相関関係記憶部１６は、各地点について、車両密度と流度や速度との相関関係、及び、相関関係から得られる閾値密度を記憶する。相関関係記憶部１６は、定常時、及び、非定常時について、相関関係、及び、閾値密度を記憶する。
The
予測モデル記憶部１７は、各地点について、上述の予測モデルを記憶する。
The prediction
なお、運用支援システム１０は、ＣＰＵ（Central Processing Unit）とプログラムを記憶した記憶媒体を含み、プログラムにもとづく制御によって動作するコンピュータであってもよい。
The
図３は、本発明の実施の形態における、コンピュータにより実現された運用支援システム１０の構成を示すブロック図である。
FIG. 3 is a block diagram showing a configuration of the computer-implemented
この場合、運用支援システム１０は、ＣＰＵ１０１、ハードディスクやメモリ等の記憶デバイス１０２（記憶媒体）、キーボード等の入力デバイス１０３、ディスプレイ等の出力デバイス１０４、及び、他の装置等と通信を行う通信デバイス１０５を含む。ＣＰＵ１０１は、交通状態収集部１１、シナリオ受付部１２、影響予測部１３、及び、表示制御部１４を実現するためのプログラムを実行する。記憶デバイス１０２は、交通状態記憶部１５、相関関係記憶部１６、及び、予測モデル記憶部１７のデータを記憶する。入力デバイス１０３は、道路管理者等からのシナリオ情報の入力を行う。出力デバイス１０４は、道路管理者等へ渋滞や所要時間の予測結果の出力（表示）を行う。通信デバイス１０５は、他の装置等から交通状態を受信する。また、通信デバイス１０５が、他の装置等へ、渋滞や所要時間の予測結果を出力してもよい。
In this case, the
また、運用支援システム１０の各構成要素は、論理回路で実現されていてもよい。この場合、複数の構成要素が、１つの論理回路で実現されていてもよいし、それぞれ、複数の独立した論理回路で実現されていてもよい。
Further, each component of the
また、運用支援システム１０の各構成要素は、有線または無線で接続された複数の物理的な装置に分散的に配置されていてもよい。この場合、運用支援システム１０は、複数のコンピュータによる分散処理により実現されていてもよい。
Further, each component of the
また、運用支援システム１０による渋滞や所要時間の予測のサービスが、ＳａａＳ（Software as a Service）形式で、道路管理者等に提供されてもよい。
Further, the service of predicting traffic congestion and required time by the
次に、本発明の実施の形態の動作について説明する。 Next, the operation of the embodiment of the present invention will be described.
本発明の実施の形態では、交通状態である、流度、速度、及び、車両密度を、道路上の各地点の性能に係る指標として用いる。車両密度と流度の間、及び、車両密度と速度の間には、それぞれ、相関関係があることが知られている。 In the embodiment of the present invention, the flow rate, speed, and vehicle density, which are traffic conditions, are used as indicators relating to the performance of each point on the road. It is known that there is a correlation between vehicle density and flow rate, and between vehicle density and speed.
図１２は、本発明の実施の形態における、車両密度と流度の間の相関関係の例を示す図である。図１２に示すように、地点Ｘｉの車両密度が閾値密度ＫＴＨ＿ｉ以下の領域であれば、車両密度の増加に伴い、流度も増加する。この領域では、車両は円滑に走行できるため、自由流領域と呼ばれる。一方、車両密度が閾値密度ＫＴＨ＿ｉを超えると、車両密度の増加に伴い、流度は低下する。この領域では、車両が滞留するため、渋滞流領域と呼ばれる。 FIG. 12 is a diagram showing an example of a correlation between vehicle density and flow rate in the embodiment of the present invention. As shown in FIG. 12, if the vehicle density at the point Xi is in a region equal to or lower than the threshold density K TH_i , the flow rate increases as the vehicle density increases. In this region, the vehicle can travel smoothly and is therefore called a free flow region. On the other hand, when the vehicle density exceeds the threshold density K TH_i , the flow rate decreases as the vehicle density increases. In this area, vehicles are stagnant, so it is called a congested flow area.
また、図１３は、本発明の実施の形態における、車両密度と速度の間の相関関係の例を示す図である。図１３に示すように、車両密度が閾値密度ＫＴＨ＿ｉ以下の領域であれば、速度は、制限速度前後で一定である（自由流領域）。しかしながら、車両密度が閾値密度ＫＴＨ＿ｉを超えると、車両密度の増加に伴い、車両は自由に走行できなくなるため、速度は大きく低下する（渋滞流領域）。 FIG. 13 is a diagram showing an example of the correlation between vehicle density and speed in the embodiment of the present invention. As shown in FIG. 13, if the vehicle density is in the region of the threshold density K TH_i or less, the velocity is constant before and after the speed limit (free flow region). However, when the vehicle density exceeds the threshold density K TH_i , the vehicle cannot freely travel with the increase in the vehicle density, and thus the speed is greatly reduced (congested flow area).
道路上の各地点Ｘｉの性能は、このような相関関係や、相関関係から得られる閾値密度ＫＴＨ＿ｉで表すことができる。 The performance of each point Xi on the road can be represented by such a correlation or a threshold density K TH_i obtained from the correlation.
非定常的事象に対する処理が実行されている時（非定常時）は、当該処理が行われている地点における閾値密度は、車線の封鎖や通過する車両のわき見運転等による相関関係の変化により、非定常的事象が発生していない時（定常時）より劣化する。例えば、図１２、及び、図１３に示すように、非定常時の処理が行われている地点の閾値密度Ｋ’ＴＨ＿ｉは、定常時の閾値密度ＫＴＨ＿ｉより低下する。 When a process for a non-stationary event is being executed (non-steady state), the threshold density at the point where the process is being performed is It deteriorates more than when non-stationary events do not occur (steady state). For example, as shown in FIGS. 12 and 13, the threshold density K′ TH_i at the point where the non-steady-state processing is performed is lower than the steady-state threshold density K TH_i .
本発明の実施の形態では、このような非定常時の閾値密度Ｋ’ＴＨ＿ｉ、及び、相関関係を使って、渋滞の発生有無、及び、所要時間を精度よく予測する。 In the embodiment of the present invention, the presence/absence of congestion and the required time are accurately predicted by using the threshold density K′ TH_i and the correlation in such a non-steady state.
ここでは、各地点における交通状態の測定値をもとに、図１２、及び、図１３における、定常時の相関関係と閾値密度ＫＴＨ＿ｉが、予め、影響予測部１３、または、他の装置により生成され、相関関係記憶部１６に記憶されていると仮定する。
Here, based on the measured value of the traffic state at each point, the correlation in the steady state and the threshold density K TH_i in FIGS. 12 and 13 are set in advance by the
また、各地点における交通状態の測定値をもとに、図１１の予測モデルが、予め、影響予測部１３、または、他の装置により生成され、予測モデル記憶部１７に記憶されていると仮定する。
Further, it is assumed that the prediction model of FIG. 11 is generated in advance by the
以下、運用支援システム１０における、性能劣化予測処理、渋滞予測処理、及び、所要時間予測処理を説明する。
Hereinafter, the performance deterioration prediction process, the traffic jam prediction process, and the required time prediction process in the
＜性能劣化予測処理＞
はじめに、非定常時の道路の性能劣化を予測する処理である、性能劣化予測処理を説明する。
<Performance deterioration prediction processing>
First, a performance deterioration prediction process, which is a process of predicting road performance deterioration during a non-steady state, will be described.
ここでは、道路管理者等が、非定常的事象が発生した地点、或いは、当該地点の周辺地点において、処理シナリオの内のいずれかを選択して、実行していると仮定する。 Here, it is assumed that the road administrator or the like selects and executes one of the processing scenarios at the point where the unsteady event has occurred or at a point around the point.
図４は、本発明の実施の形態における、性能劣化予測処理を示すフローチャートである。 FIG. 4 is a flowchart showing a performance deterioration prediction process according to the embodiment of the present invention.
はじめに、影響予測部１３のシナリオ受付部１２は、道路管理者等から、非定常的事象に対して実行中の処理に係るシナリオ情報の入力を受け付ける（ステップＳ１１）。
First, the
例えば、地点Ｘ１０で発生した事故に対して、図８のシナリオから選択された「シナリオ１−１：１車線封鎖」が、図７の地点Ｘ１０で実行されていると仮定する。この場合、シナリオ受付部１２は、道路管理者等から、図１０のようなシナリオ情報の入力を受け付ける。
For example, it is assumed that the “scenario 1-1:1 lane blockade” selected from the scenario of FIG. 8 is executed at the point X10 of FIG. 7 for the accident that occurred at the point X10. In this case, the
性能劣化予測部１３１は、入力されたシナリオ情報で示される、処理を実行中の地点（以下、対象地点とも記載する）の、処理開始後の交通状態の測定値を、交通状態記憶部１５から取得する。そして、性能劣化予測部１３１は、取得した対象地点の交通状態の測定値をもとに、非定常時の相関関係（車両密度と流度の相関関係、及び、車両密度と速度の相関関係）を生成する（ステップＳ１２）。
The performance
性能劣化予測部１３１は、生成した非定常時の相関関係から、対象地点Ｘｉの非定常時の閾値密度Ｋ’ＴＨ＿ｉを算出する（ステップＳ１３）。性能劣化予測部１３１は、生成、算出した非定常時の相関関係、及び、閾値密度Ｋ’ＴＨ＿ｉを、地点Ｘｉと関連付けて、相関関係記憶部１６に保存する。
The performance
例えば、性能劣化予測部１３１は、図９の交通状態の測定値をもとに、地点Ｘ１０について、図１２、及び、図１３に示すような、非定常時の相関関係、閾値密度Ｋ’ＴＨ＿ｉを、生成、算出し、相関関係記憶部１６に保存する。
For example, the performance
なお、対象地点で渋滞が発生していない場合は、相関関係は上述の自由流領域にあるため、閾値密度を算出することができない。この場合、性能劣化予測部１３１は、交通状態の測定値から得られる最大密度で閾値密度を代替してもよい。
In addition, when there is no traffic congestion at the target point, the correlation is in the above-mentioned free flow region, and therefore the threshold density cannot be calculated. In this case, the performance
ステップＳ１３で算出された閾値密度は、非定常時の自由流領域の最大性能を表す。この最大性能に係る情報を、後述する渋滞予測処理、所要時間予測処理で用いることにより、非定常的事象により道路の性能が劣化しても、正確な渋滞予測、所要時間予測を実行できる。 The threshold density calculated in step S13 represents the maximum performance of the free flow region in the unsteady state. By using the information related to the maximum performance in the traffic jam prediction process and the required time prediction process, which will be described later, accurate traffic jam prediction and required time prediction can be executed even if the performance of the road deteriorates due to an unsteady event.
なお、相関関係、及び、閾値密度は常に変化する可能性がある。このため、性能劣化予測部１３１は、非定常的事象が継続し、対象地点において処理が行われている間、定期的に、ステップＳ１２、Ｓ１３を実行することにより、非定常時の相関関係、閾値密度の更新を繰り返す。
Note that the correlation and the threshold density may always change. Therefore, the performance
また、性能劣化予測部１３１は、道路管理者等から、例えば、対象地点Ｘｉの車線閉鎖数の変更等、対象地点Ｘｉにおける処理の変更が入力された場合も、ステップＳ１２、Ｓ１３を実行することにより、非定常時の相関関係、閾値密度Ｋ’ＴＨ＿ｉを更新する。
The performance
＜渋滞予測処理＞
次に、周辺の交通状態に基づいて各地点における渋滞の発生有無を予測する処理である、渋滞予測処理を説明する。
<Traffic prediction processing>
Next, a traffic jam prediction process, which is a process of predicting the occurrence or non-occurrence of traffic jam at each point based on the surrounding traffic condition, will be described.
図５は、本発明の実施の形態における、渋滞予測処理を示すフローチャートである。 FIG. 5 is a flowchart showing a traffic jam prediction process in the embodiment of the present invention.
はじめに、交通状態予測部１３２は、交通状態記憶部１５の交通状態、及び、予測モデル記憶部１７の予測モデルを用いて、対象地点を含む各地点Ｘｉにおける、予測対象時刻（Ｔ時間後）の車両密度Ｋｅｓｔ＿ｉ（ｔ＋Ｔ）を予測する（ステップＳ２１）。
First, the traffic
ここで、交通状態予測部１３２は、対象地点における処理が影響を及ぼす可能性がある全ての地点について、車両密度を予測する。また、交通状態予測部１３２は、複数の予測対象時刻について、車両密度を予測する。
Here, the traffic
例えば、交通状態予測部１３２は、図９の交通状態に含まれる現在の交通状態の測定値、及び、図１１の予測モデルを用いて、各地点における、０．５時間後、１．０時間後、１．５時間後、２．０時間後、…の車両密度を予測する。
For example, the traffic
交通状態予測部１３２は、交通状態予測部１３２により予測された各地点の車両密度Ｋｅｓｔ＿ｉ（ｔ＋Ｔ）を、相関関係記憶部１６に記憶された、当該地点の閾値密度（Ｋ’ＴＨ＿ｉ、または、ＫＴＨ＿ｉ）と比較する（ステップＳ２２）。
The traffic
ここで、交通状態予測部１３２は、処理を実行中の地点（対象地点）については、次のように、非定常時の閾値密度Ｋ’ＴＨ＿ｉと定常時の閾値密度ＫＴＨ＿ｉを使い分ける。すなわち、交通状態予測部１３２は、予測対象時刻が、非定常的事象に対する処理完了予定時刻以前の場合、非定常時の閾値密度Ｋ’ＴＨ＿ｉを用い、予測対象時刻が、非定常的事象に対する処理完了予定時刻より後の場合、定常時の閾値密度ＫＴＨ＿ｉを用いる。処理完了予定時刻は、シナリオ情報で示される処理の開始時刻に処理時間候補を加えることにより算出される。また、交通状態予測部１３２は、対象地点以外の地点については、定常時の閾値密度ＫＴＨ＿ｉを用いる。
Here, traffic
交通状態予測部１３２は、予測された車両密度が閾値密度（Ｋ’ＴＨ＿ｉ、または、ＫＴＨ＿ｉ）以上の場合（ステップＳ２２／Ｙ）、地点Ｘｉにおいて予測対象時刻（Ｔ時間後）に渋滞が発生すると判定する（ステップＳ２３）。また、交通状態予測部１３２は、予測された車両密度が閾値密度未満の場合（ステップＳ２２／Ｎ）、地点Ｘｉにおいて予測対象時刻（Ｔ時間後）に渋滞が発生しないと判定する（ステップＳ２４）。
When the predicted vehicle density is equal to or higher than the threshold density (K′ TH_i or K TH_i ) (step S22/Y), the traffic
なお、シナリオ情報において、処理時間候補が複数指定されている場合、交通状態予測部１３２は、複数の処理完了予定時刻の各々について、ステップＳ２２〜Ｓ２４の判定を行う。
When a plurality of processing time candidates are designated in the scenario information, the traffic
図１４は、本発明の実施の形態における、渋滞判定の例を示す図である。 FIG. 14 is a diagram showing an example of traffic congestion determination according to the embodiment of the present invention.
例えば、交通状態予測部１３２は、図１４に示すように、処理完了予定時刻が１．０時間後、１．５時間後、２．０時間後について、各地点における、予測対象時刻０．５時間後、１．０時間後、１．５時間後、２．０時間後、…の渋滞の発生有無を判定する。図１４において、斜線部は、非定常時の閾値密度Ｋ’ＴＨ＿ｉを用いて渋滞の有無が判定され、斜線部以外は、定常時の閾値密度ＫＴＨ＿ｉを用いて渋滞の有無が判定されたことを示す。
For example, as illustrated in FIG. 14, the traffic
表示制御部１４は、交通状態予測部１３２による渋滞の予測結果を、出力デバイス１０４（表示装置）に表示させる（ステップＳ２５）。
The
図１５は、本発明の実施の形態における、渋滞予測画面の例を示す図である。図１５の例では、複数の処理完了予定時刻の各々について、渋滞の長さの、予測対象時刻に対する推移が示されている。この場合、処理時間が長くなる（処理完了予定時間が遅くなる）に従って、渋滞が長くなる。 FIG. 15 is a diagram showing an example of a traffic jam prediction screen in the embodiment of the present invention. In the example of FIG. 15, the transition of the length of traffic jam with respect to the prediction target time is shown for each of the plurality of scheduled processing completion times. In this case, the congestion becomes longer as the processing time becomes longer (the scheduled processing completion time becomes later).
例えば、表示制御部１４は、図１４の渋滞判定結果をもとに、図１５の渋滞予測結果画面を出力デバイス１０４に表示させる。
For example, the
以降、ステップＳ２１〜Ｓ２５の処理が、非定常的事象が解消し、非定常的事象に対する処理が終了するまで繰り返し実行される。 After that, the processes of steps S21 to S25 are repeatedly executed until the non-stationary event is resolved and the process for the non-stationary event is completed.
道路管理者等は、図１５の渋滞予測結果画面を参照し、非定常的事象に対する処理の処理時間を短縮するために、現場の作業者の増員や作業の効率化を行う等の意思決定を行うことができる。また、道路管理者等は、車線封鎖数を変更する等、他のシナリオによる処理を試行し、当該他の処理に対して得られた渋滞予測結果画面を参照することにより、他の処理を継続する、或いは、前の処理に戻す等の意思決定を行うことができる。 The road administrator or the like refers to the traffic congestion prediction result screen of FIG. 15 and makes a decision such as increasing the number of workers on the site or improving the work efficiency in order to shorten the processing time of the processing for the non-stationary event. It can be carried out. In addition, the road administrator, etc. can continue the other processing by trying the processing according to other scenarios such as changing the number of lane blocks, and referring to the traffic jam prediction result screen obtained for the other processing. Alternatively, it is possible to make a decision such as returning to the previous processing.
なお、上述のステップＳ２１〜Ｓ２５の渋滞予測処理は、定常時にも、繰り返し実行されてよい。この場合、交通状態予測部１３２は、全ての地点について、定常時の閾値密度を用いて、渋滞の発生有無を判定する。
The traffic congestion prediction process of steps S21 to S25 described above may be repeatedly executed even in the steady state. In this case, the traffic
＜所要時間予測処理＞
次に、道路上の特定区間の所要時間を予測する処理である、所要時間予測処理を説明する。
<Required time prediction processing>
Next, a required time prediction process, which is a process of predicting the required time of a specific section on the road, will be described.
ここでは、所要時間を算出する区間（対象区間）の始点と終点が、予め、道路管理者等により指定されていると仮定する。所要時間を予測するための処理時間候補も、予め、道路管理者等により指定されていると仮定する。 Here, it is assumed that the start point and the end point of the section for calculating the required time (target section) are designated in advance by the road administrator or the like. It is assumed that the processing time candidates for predicting the required time are also designated in advance by the road administrator or the like.
図６は、本発明の実施の形態における、所要時間予測処理を示すフローチャートである。 FIG. 6 is a flowchart showing required time prediction processing in the embodiment of the present invention.
はじめに、所要時間予測部１３３は、対象区間上の始点を通過地点、現在時刻を予測対象時刻に設定する（ステップＳ３１）。
First, the required
所要時間予測部１３３は、ステップＳ２１で予測された車両密度の内、通過地点における予測対象時刻の車両密度を取得する（ステップＳ３２）。また、所要時間予測部１３３は、交通状態予測部１３２と同様に、予測モデルを用いて、通過地点における予測対象時刻の車両密度を予測してもよい。
The required
所要時間予測部１３３は、取得した車両密度をもとに、通過地点における、予測対象時刻の速度を算出する（ステップＳ３３）。
The required
ここで、所要時間予測部１３３は、相関関係記憶部１６に記憶された、通過地点における車両密度と速度の相関関係を用いて、速度を算出する。また、所要時間予測部１３３は、通過地点が処理を実行中の地点（対象地点）の場合、次のように、非定常時の相関関係と定常時の相関関係を使い分ける。すなわち、所要時間予測部１３３は、予測対象時刻が、非定常的事象の処理完了予定時間以前の場合、非定常時の相関関係を用い、予測対象時刻が非定常的事象の処理完了予定時間より後の場合、定常時の相関関係を用いて、速度を算出する。また、所要時間予測部１３３は、通過地点が対象地点以外の場合、定常時の相関関係を用いて、速度を算出する。
Here, the required
所要時間予測部１３３は、算出した速度を用いて、次の予測対象時刻に到達可能な地点を算出する（ステップＳ３４）。
The required
算出した地点が対象区間の終点より手前であれば（ステップＳ３５／Ｎ）、所要時間予測部１３３は、次の予測対象時刻を新たな予測対象時刻、算出した地点を新たな通過地点に設定し（ステップＳ３６）、ステップＳ３２からの処理を繰り返す。
If the calculated point is before the end point of the target section (step S35/N), the required
算出した地点が対象区間の終点以降であれば（ステップＳ３５／Ｙ）、所要時間予測部１３３は、ステップＳ３３で算出した速度を用いて、現在の通過地点と終点との間の所要時間を算出する。そして、所要時間予測部１３３は、各通過地点間の所要時間（予測対象時刻間の時間差）と、算出した現在の通過地点と終点との所要時間とを合計し、対象区間全体の総所要時間を算出する（ステップＳ３７）。
If the calculated point is after the end point of the target section (step S35/Y), the required
図１６は、本発明の実施の形態における、所要時間算出の例を示す図である。 FIG. 16 is a diagram showing an example of required time calculation in the embodiment of the present invention.
例えば、対象区間の始点、終点が、地点Ｘ１３、Ｘ７であり、処理時間１．０ｈ（処理完了予定時刻１．０ｈ後）に対して所要時間を算出すると仮定する。また、隣接する地点間の距離が２５ｋｍであると仮定する。この場合、交通状態予測部１３２は、図１６に示すように、現在時刻、０．５時間後、１．０時間後、１．５時間後の通過地点と速度を算出し、総所要時間を算出する。図１６において、斜線部は、非定常時の相関関係を用いて速度が算出され、斜線部以外は、定常時の相関関係を用いて速度が算出されたことを示す。
For example, it is assumed that the start point and the end point of the target section are points X13 and X7, and the required time is calculated for the processing time of 1.0 h (after the processing completion scheduled time of 1.0 h). Also, assume that the distance between adjacent points is 25 km. In this case, the traffic
表示制御部１４は、所要時間予測部１３３による所要時間の予測結果を、出力デバイス１０４（表示装置）に表示させる（ステップＳ３８）。
The
図１７は、本発明の実施の形態における、所要時間予測画面の例を示す図である。図１７の所要時間予測画面では、所要時間予測部１３３により算出された、予測対象時刻ごとの通過地点、及び、対象区間全体の総所要時間が示されている。さらに、所要時間予測画面において、通過時に渋滞の発生が予測されている地点が、強調して表示されてもよい。
FIG. 17 is a diagram showing an example of the required time prediction screen in the embodiment of the present invention. In the required time prediction screen of FIG. 17, the passing points calculated by the required
例えば、表示制御部１４は、図１６の所要時間算出結果をもとに、図１７の所要時間予測画面を出力デバイス１０４に表示させる。
For example, the
なお、表示制御部１４は、車載端末（カーナビゲーションシステム）や携帯端末、道路上に設置された案内板等の他の表示装置へ、所要時間の予測結果を送信し、表示させてもよい。この場合、車載端末や携帯端末は、運用支援システム１０から受信した特定区間の所要時間を考慮して、移動予定経路の所要時間を算出し、表示してもよい。
Note that the
以降、ステップＳ３１〜Ｓ３８の処理が、非定常的事象が解消し、非定常的事象に対する処理が終了するまで繰り返し実行される。 After that, the processes of steps S31 to S38 are repeatedly executed until the unsteady event is resolved and the process for the unsteady event is completed.
なお、ステップＳ３１〜Ｓ３８の所要時間予測処理は、定常時にも、繰り返し実行されてよい。この場合、所要時間予測部１３３は、全ての通過地点について、定常時の相関関係を用いて、予測対象時刻の速度を算出する。
Note that the required time prediction process of steps S31 to S38 may be repeatedly executed even in the steady state. In this case, the required
以上により、本発明の実施の形態の動作が完了する。 With the above, the operation of the embodiment of the present invention is completed.
次に、本発明の実施の形態の特徴的な構成を説明する。 Next, a characteristic configuration of the embodiment of the present invention will be described.
図１は、本発明の実施の形態の特徴的な構成を示すブロック図である。 FIG. 1 is a block diagram showing a characteristic configuration of an embodiment of the present invention.
図１を参照すると、運用支援システム１０は、影響予測部１３、及び、表示制御部１４を含む。影響予測部１３は、複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への処理が及ぼす影響を予測する。予測モデルは、１以上の地点における交通状態から任意の地点における交通状態を予測するモデルである。表示制御部１４は、予測した影響が表示手段に表示されるように当該表示手段を制御する。
Referring to FIG. 1, the
次に、本発明の実施の形態の効果を説明する。 Next, effects of the embodiment of the present invention will be described.
本発明の実施の形態によれば、事故等の非定常的事象に対して車線封鎖等の処理が実行されている時に、処理の影響を正確に予測できる。その理由は、運用支援システム１０が、非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、予測モデルと、に基づいて、各地点における交通状態への処理が及ぼす影響（渋滞の発生有無や所要時間）を予測するためである。これにより、非定常的事象に対する処理により劣化した道路の性能を考慮して、正確に、渋滞の発生有無の判定や所要時間の算出が行われる。道路管理者等は、このような正確な渋滞予測結果や所要時間の予測結果を参照し、非定常的事象に対する処理に係る意思決定を、容易に行うことができる。また、道路を利用する利用者も、正確な所要時間の予測結果を得ることができる。
According to the embodiment of the present invention, when a process such as a lane blockage is being executed for an unsteady event such as an accident, the influence of the process can be accurately predicted. The reason is that the
以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。 Although the present invention has been described with reference to the exemplary embodiments, the present invention is not limited to the above exemplary embodiments. Various modifications that can be understood by those skilled in the art can be made to the configuration and details of the present invention within the scope of the present invention.
１０ 運用支援システム
１０１ ＣＰＵ
１０２ 記憶デバイス
１０３ 入力デバイス
１０４ 出力デバイス
１０５ 通信デバイス
１１ 交通状態収集部
１２ シナリオ受付部
１３ 影響予測部
１３１ 性能劣化予測部
１３２ 交通状態予測部
１３３ 所要時間予測部
１４ 表示制御部
１５ 交通状態記憶部
１６ 相関関係記憶部
１７ 予測モデル記憶部
10
102
Claims (8)
前記予測した影響が表示手段に表示されるように当該表示手段を制御する、表示制御手段と、
を備え、
前記影響予測手段は、
各地点における異なる交通状態間の関係と、前記関係から得られる車両密度の閾値とを用いて、前記関係及び前記車両密度の閾値の変化を予測し、
前記予測モデルを用いて、各地点における予測対象時刻の交通状態を予測し、
予測した前記予測対象時刻の交通状態と前記車両密度の閾値とを用いて、前記予測対象時刻の各地点における交通状態への前記処理が及ぼす影響を予測する、
運用支援システム。 Predict the traffic condition at any point from the relationship between different traffic conditions at each point and the traffic condition at one or more points when processing a non-stationary event at any of multiple points Based on the prediction model, the impact prediction means for predicting the impact of the processing on the traffic condition at each point,
Display control means for controlling the display means so that the predicted influence is displayed on the display means;
Equipped with
The influence prediction means,
Using the relationship between different traffic conditions at each point and the threshold value of the vehicle density obtained from the relationship, predict the change in the relationship and the threshold value of the vehicle density,
Using the prediction model, predict the traffic state at the prediction target time at each point,
Wherein the traffic condition of the prediction target time predicted by using the vehicle density threshold, it predicts the treatment on impact on traffic conditions at each point of the prediction target time,
Operation support system.
請求項１に記載の運用支援システム。 The impact predicting means predicts, as the impact, whether or not congestion occurs at each point,
The operation support system according to claim 1.
複数の前記予測対象時刻ごとに、各地点における前記渋滞の発生有無を予測し、
前記予測対象時刻が前記処理の完了予定時刻以前の場合は、前記処理を実行している時の前記関係を用いて、前記渋滞の発生有無を予測し、
前記予測対象時刻が前記処理の完了予定時刻より後の場合は、前記処理を実行していない時の前記関係を用いて、前記渋滞の発生有無を予測する、
請求項２に記載の運用支援システム。 The influence prediction means,
For each of the plurality of prediction target times, predict the presence or absence of the congestion at each point,
If the prediction target time is before the scheduled completion time of the process, using the relationship at the time of executing the process, predict the presence or absence of the congestion,
When the prediction target time is after the scheduled completion time of the process, the presence or absence of the traffic jam is predicted using the relationship when the process is not executed,
The operation support system according to claim 2.
請求項２または３に記載の運用支援システム。 The impact predicting means predicts, for each of a plurality of scheduled completion times of the processing, whether or not the congestion occurs at each point,
The operation support system according to claim 2.
請求項１に記載の運用支援システム。 The influence predicting means predicts a required time between specific points as the influence,
The operation support system according to claim 1.
複数の前記予測対象時刻ごとに、前記特定の地点間の通過地点、及び、当該通過地点における走行速度の算出を行うことにより、当該特定の地点間の所要時間を予測し、
前記予測対象時刻が前記処理の完了予定時刻以前の場合は、前記処理を実行している時の前記関係を用いて、前記走行速度を算出し、
前記予測対象時刻が前記処理の完了予定時刻より後の場合は、前記処理を実行していない時の前記関係を用いて、前記走行速度を算出する、
請求項５に記載の運用支援システム。 The influence prediction means,
For each of the plurality of prediction target times, a transit point between the specific points, and by predicting the traveling speed at the transit point, predict the required time between the specific points,
When the prediction target time is before the scheduled completion time of the process, the traveling speed is calculated using the relationship when the process is executed,
If the prediction target time is after the scheduled completion time of the process, the traveling speed is calculated using the relationship when the process is not executed,
The operation support system according to claim 5.
前記予測した影響が表示手段に表示されるように当該表示手段を制御し、
各地点における交通状態への前記処理が及ぼす影響を予測する場合に、
各地点における異なる交通状態間の関係と、前記関係から得られる車両密度の閾値とを用いて、前記関係及び前記車両密度の閾値の変化を予測し、
前記予測モデルを用いて、各地点における予測対象時刻の交通状態を予測し、
予測した前記予測対象時刻の交通状態と前記車両密度の閾値とを用いて、前記予測対象時刻の各地点における交通状態への前記処理が及ぼす影響を予測する、
運用支援方法。 Predict the traffic condition at any point from the relationship between different traffic conditions at each point and the traffic condition at one or more points when processing a non-stationary event at any of multiple points Based on the prediction model, and predict the impact of the processing on traffic conditions at each point,
The controls the display means so as predicted effect is displayed on the display means,
When predicting the impact of the above processing on traffic conditions at each point,
Using a relationship between different traffic conditions at each point and a threshold value of the vehicle density obtained from the relationship, predict the change in the relationship and the threshold value of the vehicle density,
Using the prediction model, predict the traffic state at the prediction target time at each point,
Wherein the traffic condition of the prediction target time predicted by using the vehicle density threshold, it predicts the treatment on impact on traffic conditions at each point of the prediction target time,
Operation support method.
複数地点の内のいずれかの地点において非定常的事象に対する処理を実行している時の各地点における異なる交通状態間の関係と、１以上の地点における交通状態から任意の地点における交通状態を予測する予測モデルと、に基づいて、各地点における交通状態への前記処理が及ぼす影響を予測し、
前記予測した影響が表示手段に表示されるように当該表示手段を制御し、
各地点における交通状態への前記処理が及ぼす影響を予測する場合に、
各地点における異なる交通状態間の関係と、前記関係から得られる車両密度の閾値とを用いて、前記関係及び前記車両密度の閾値の変化を予測し、
前記予測モデルを用いて、各地点における予測対象時刻の交通状態を予測し、
予測した前記予測対象時刻の交通状態と前記車両密度の閾値とを用いて、前記予測対象時刻の各地点における交通状態への前記処理が及ぼす影響を予測する、
処理を実行させるプログラム。 On the computer,
Predict the traffic condition at any point from the relationship between different traffic conditions at each point and the traffic condition at one or more points when processing a non-stationary event at any of multiple points Based on the prediction model, and predict the impact of the processing on traffic conditions at each point,
The controls the display means so as predicted effect is displayed on the display means,
When predicting the impact of the above processing on traffic conditions at each point,
Using the relationship between different traffic conditions at each point and the threshold value of the vehicle density obtained from the relationship, predict the change in the relationship and the threshold value of the vehicle density,
Using the prediction model, predict the traffic state at the prediction target time at each point,
Wherein the traffic condition of the prediction target time predicted by using the vehicle density threshold, it predicts the treatment on impact on traffic conditions at each point of the prediction target time,
A program that executes a process.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015200259A JP6701663B2 (en) | 2015-10-08 | 2015-10-08 | Operation support system, operation support method, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015200259A JP6701663B2 (en) | 2015-10-08 | 2015-10-08 | Operation support system, operation support method, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017073027A JP2017073027A (en) | 2017-04-13 |
| JP6701663B2 true JP6701663B2 (en) | 2020-05-27 |
Family
ID=58538737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015200259A Active JP6701663B2 (en) | 2015-10-08 | 2015-10-08 | Operation support system, operation support method, and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6701663B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018216051A1 (en) * | 2017-05-22 | 2018-11-29 | 日本電気株式会社 | Estimation device, estimation method, and program recording medium |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3485774B2 (en) * | 1997-11-07 | 2004-01-13 | 株式会社豊田中央研究所 | Traffic flow simulation system |
| JP3473478B2 (en) * | 1999-03-08 | 2003-12-02 | 住友電気工業株式会社 | Inflow ramp control device and inflow ramp control method |
| JP4533215B2 (en) * | 2005-03-31 | 2010-09-01 | 株式会社豊田中央研究所 | Traffic situation prediction apparatus, method and program |
| JP2007219633A (en) * | 2006-02-14 | 2007-08-30 | Sumitomo Electric System Solutions Co Ltd | Travel time prediction device and method |
| JP4950596B2 (en) * | 2006-08-18 | 2012-06-13 | クラリオン株式会社 | Predicted traffic information generation method, predicted traffic information generation device, and traffic information display terminal |
| JP6045846B2 (en) * | 2012-08-08 | 2016-12-14 | 株式会社東芝 | Traffic accident occurrence prediction device, method and program |
| US9582999B2 (en) * | 2013-10-31 | 2017-02-28 | Here Global B.V. | Traffic volume estimation |
-
2015
- 2015-10-08 JP JP2015200259A patent/JP6701663B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017073027A (en) | 2017-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11222532B2 (en) | Traffic control support system, traffic control support method, and program recording medium | |
| JP5374067B2 (en) | Traffic condition simulation apparatus and program | |
| JP6063237B2 (en) | Traffic jam prediction device, traffic jam prediction system, traffic jam prediction method, and program | |
| CN102521989B (en) | Dynamic-data-driven highway-exit flow-quantity predicting method | |
| WO2017033215A1 (en) | Traffic-congestion prevention system, traffic-congestion prevention method, and recording medium | |
| JP5901838B2 (en) | How to predict future travel time on a link | |
| US8892343B2 (en) | Determining a spatiotemporal impact of a planned event on traffic | |
| JP6777082B2 (en) | Congestion prediction system, congestion prediction method, and program | |
| US20140100766A1 (en) | Traffic data prediction device, traffic data prediction method and computer program | |
| Stipancic et al. | Impact of congestion and traffic flow on crash frequency and severity: application of smartphone-collected GPS travel data | |
| WO2018097047A1 (en) | Traffic control system, traffic information output device, traffic control method, and recording medium | |
| JP6803205B2 (en) | Devices, programs and methods for estimating traffic volume based on the movement position range group including the target route | |
| JP2020135231A (en) | Traffic demand prediction device and traffic demand prediction system | |
| Osorio et al. | Reducing gridlock probabilities via simulation-based signal control | |
| GB2518784A (en) | Apparatus and method for managing traffic | |
| JP6701663B2 (en) | Operation support system, operation support method, and program | |
| JP6899528B2 (en) | Traffic management equipment, traffic management system and traffic management method | |
| JP4240309B2 (en) | Travel time providing method, apparatus and program | |
| Chen et al. | Comparison of variability of individual vehicle delay and average control delay at signalized intersections | |
| Rempe et al. | Fusing probe speed and flow data for robust short-term congestion front forecasts | |
| JP2005063034A (en) | Device and method for forecasting traffic information, and program | |
| JP3975004B2 (en) | Traffic flow data prediction apparatus and traffic flow data prediction method | |
| JP4533215B2 (en) | Traffic situation prediction apparatus, method and program | |
| Eikenbroek | Integrated traffic control with variable speed limits and coordinated ramp metering based on traffic stability | |
| Zhao et al. | A Tradeoff Study of Real-time Traffic Prediction Approaches for Intelligent Transportation System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180914 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190815 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190827 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191004 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200407 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200420 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6701663 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |