JP7204525B2

JP7204525B2 - 交通管制装置、および、交通管制方法

Info

Publication number: JP7204525B2
Application number: JP2019032562A
Authority: JP
Inventors: 裕亮下川; 智彦谷本; 義和大場; 晋次伊東
Original assignee: Toshiba Corp; Toshiba Infrastructure Systems and Solutions Corp
Current assignee: Toshiba Corp; Toshiba Infrastructure Systems and Solutions Corp
Priority date: 2019-02-26
Filing date: 2019-02-26
Publication date: 2023-01-16
Anticipated expiration: 2039-02-26
Also published as: JP2020135801A

Description

本発明の実施形態は、交通管制装置、および、交通管制方法に関する。

従来から、高速道路等の道路について過去の交通状況データを教師データとして機械学習を行って事故予測を行う技術がある。

特開２００９－１９３２１２号公報国際公開第２０１８／１８０６８８号特開２００８－２０９３４５号公報特開２０１２－１９４７１８号公報

しかしながら、上述の従来技術では、事故予測結果が実際に妥当であったか否かを判断するための有効な方法が無い。

そこで、本実施形態の課題は、道路についての機械学習による事故予測結果が妥当であったか否かの判断を支援することができる交通管制装置、および、交通管制方法を提供することである。

実施形態における交通管制装置は、道路における過去の車両の交通状況を示す過去交通状況データ、および、過去の車両の事故を示す過去事故データと、機械学習アルゴリズムと、に基いて事故予測の学習モデルを生成する機械学習部と、前記道路について、道路情報収集端末から、現在の車両の交通状況を示す交通状況データを取得する取得部と、前記学習モデルと、前記交通状況データと、に基いて、前記道路の区間ごとに、交通事故の発生しやすさを示す事故発生度を算出する算出部と、前記算出部で算出した前記事故発生度と、前記取得部で取得した現在の車両の交通状況を示す前記交通状況データとを比較して、その類似度を示す比較結果を出力する比較部と、を備える。

図１は、実施形態における交通情報管理システムの全体構成図である。図２は、実施形態における事故発生度図示化情報の一例を模式的に示した図である。図３は、実施形態における交通状況図示化情報の一例を模式的に示した図である。図４は、実施形態の交通管制装置による処理の一例を示したフローチャートである。

以下、図面を参照しながら、本発明の実施形態の交通情報管理システムについて説明する。
図１は、実施形態における交通情報管理システムＳの全体構成図である。なお、本実施形態においては、道路として高速道路の場合を例にとる。交通情報管理システムＳは、交通管制装置１と、交通管制室９における表示部９１、端末装置９２等と、を備えている。なお、交通管制装置１は、例えば、情報交換サーバや中央処理装置等の複数のコンピュータ装置によって実現されるが、本実施形態では、説明を簡潔にするために、１台のコンピュータ装置によって構成されているものとして説明する。

交通情報管理システムＳとは、高速道路における渋滞の度合い、種類（例えば、自然渋滞、事故渋滞、工事渋滞、見物渋滞等）や交通事故等を含む交通状況を認識し、その交通状況に応じた通行規制等の処置や、高速道路の利用者等に注意喚起等の情報を提供するシステムである。

交通管制装置１は、情報収集手段（道路情報収集端末）として、車両感知器２、監視カメラ３、非常電話４、携帯電話５Ａ、スマートフォン５Ｂ等の移動情報端末５、あるいは、一般車６の車載装置を用いる。なお、情報収集手段は、これらのほかに、降水検知器等の別の装置を含んでいてもよい。

車両感知器２は、高速道路の路側に設置され、交通量［台／ｈ］、平均速度［ｋｍ／ｈ］、車両密度［台／ｋｍ］、占有率（オキュパンシー）［％］などの情報（交通状況データ）を収集する感知器であり、感知した情報を交通管制装置１に送信する。

監視カメラ３は、高速道路の路側に設置され、高速道路を撮影するカメラであり、撮影した映像を交通管制装置１に送信する。

非常電話４は、高速道路の本線上、トンネル内、インターチェンジ、サービスエリア、パーキングエリア、バスストップ、非常駐車帯等に設けられている。交通事故や車両故障等の発生時には、利用者は、非常電話４を利用して、交通管制室９のオペレータと通話することができる。

移動情報端末５は、高速道路の利用者により携帯される。交通事故や車両故障等の発生時には、利用者は、移動情報端末５を利用して、交通管制室９のオペレータと通話することができる。また、移動情報端末５は、交通管制装置１と各種情報（交通状況、事故情報等）を送受信することができる。

一般車６の車載装置は、プローブ情報（車両の位置、速度、加速度、ハンドル操作、ブレーキ動作等の情報）を交通管制装置１に送信する。

交通管制装置１は、処理部１１、記憶部１２、入力部１３、および、表示部１４を備える。なお、交通管制装置１は、外部の装置や機器との通信のための通信部も有しているが、説明を簡潔にするために通信部の図示および説明を省略する。

処理部１１は、例えば、ＭＰＵ（Micro Processing Unit）と、ＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を備える。

ＭＰＵは、交通管制装置１の動作を統括的に制御する。ＲＯＭは、各種プログラムやデータを記憶する記憶媒体である。ＲＡＭは、各種プログラムを一時的に記憶したり、各種データを書き換えたりするための記憶媒体である。

そして、ＭＰＵは、ＲＡＭをワークエリア（作業領域）としてＲＯＭ、記憶部１２等に格納されたプログラムを実行する。処理部１１の詳細については後述する。

記憶部１２は、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの記憶装置である。記憶部１２は、道路情報、機械学習情報、取得情報、事故発生度図示化情報、交通状況図示化情報等を記憶する。

道路情報は、高速道路に関する情報であり、例えば、区間、車線数、インターチェンジ、パーキングエリアの場所等の情報である。

機械学習情報は、事故予測や渋滞予測の機械学習に関する情報であり、例えば、道路の過去交通状況データ、事故予測や渋滞予測の機械学習アルゴリズム、事故予測や渋滞予測の学習モデル等である。

取得情報は、車両感知器２、監視カメラ３、非常電話４、移動情報端末５、一般車６の車載器等から取得した情報である。

事故発生度図示化情報と交通状況図示化情報については後述する。

入力部１３は、交通管制装置１に対するユーザの操作を受け付ける入力装置であり、例えば、キーボード、マウス等である。

表示部１４は、液晶表示装置（ＬＣＤ（Liquid Crystal Display））、有機ＥＬ（Electro-Luminescence）表示装置等により実現される。

処理部１１は、機械学習部１１１、算出部１１２、取得部１１３、生成部１１４、比較部１１５、表示制御部１１６を備える。

機械学習部１１１は、道路について、過去交通状況データと事故予測の機械学習アルゴリズムに基いて事故予測の学習モデル（例えば特許６０４５８４６号公報に記載の自己組織化マップによる学習モデル）を生成する。また、機械学習部１１１は、渋滞予測の機械学習アルゴリズムに基いて渋滞予測の学習モデルを生成する。

算出部１１２は、事故予測の学習モデルと交通状況データに基いて、道路の区間ごとに、交通事故の発生しやすさを示す事故発生度を算出する。また、算出部１１２は、渋滞予測の学習モデル等に基いて、道路の区間ごとに予測される渋滞の度合いを示す渋滞度を算出する。

取得部１１３は、道路について、車両感知器２等の情報収集手段から交通状況データを取得する。

生成部１１４は、道路の区間ごとの事故発生度を図示化した情報である事故発生度図示化情報を生成する。以下、図２を参照して、事故発生度図示化情報について説明する。

図２は、実施形態における事故発生度図示化情報の一例を模式的に示した図である。図２に示す事故発生度図示化情報は、道路の区間（位置）と時間を交差する二軸として、事故発生度の大きさを表した情報である。具体的には、縦軸は時間（分）（時間の進行方向は下方）で、横軸は道路の区間（位置。例えばキロポスト）である。横軸方向には、詳細な図示を省略するが、Ａ地点とＢ地点の間の数～数十の区間（１区間は例えば２ｋｍ程度）が含まれている。また、車両の進行方向は、図２の右から左への方向である。

領域Ｍ１～Ｍ３は、算出部１１２によって事故発生度「中」と算出された領域である。また、領域Ｌ１、Ｌ２は、算出部１１２によって事故発生度「大」と算出された領域である。

図１に戻って、生成部１１４は、交通状況データに基いて交通状況を図示化した情報である交通状況図示化情報を生成する。以下、図３を参照して、交通状況図示化情報について説明する。

図３は、実施形態における交通状況図示化情報の一例を模式的に示した図である。図３に示す交通状況図示化情報は、道路の区間と時間を交差する二軸として、少なくとも車両の渋滞の度合いを表した情報である。縦軸と横軸は、図２と同様である。

領域Ｎ１～Ｎ４は、自然渋滞の領域である。領域Ａ１～Ａ３は、事故渋滞の領域である。領域Ｃ１は、工事渋滞の領域である。領域Ｓ１は、見物渋滞の領域である。

そして、図２の事故発生度図示化情報と図３の交通状況図示化情報は、正の相関がある状態が正しいと考えられる。つまり、図２で事故発生度が「中」や「大」になっている領域と図３で各種渋滞が発生している領域の重複部分が大きいのが正しいと考えられる。理由は、高速道路では、渋滞発生と事故発生に正の相関があることが統計的にわかっているからである。

したがって、図２の事故発生度図示化情報と図３の交通状況図示化情報を比較することで、事故予測の学習モデルによる事故予測結果が実際に妥当であったか否かの判断を支援することができる。例えば、比較部１１５は、事故発生度図示化情報と交通状況図示化情報を比較して比較結果を出力する。なお、比較結果を出力するとは、例えば、比較結果を表示したり、比較結果を記憶したり、比較結果に応じて他の処理（再機械学習等）を指示したりすることを含む。

また、例えば、比較部１１５は、事故発生度図示化情報と交通状況図示化情報の類似度が所定の閾値以上か否かを判定する。そして、機械学習部１１１は、比較結果に応じて（類似度が所定の閾値未満である場合）、過去交通状況データよりも新しい過去交通状況データに基いて学習モデルを再生成する。

また、比較部１１５は、事故発生度図示化情報と交通状況図示化情報の類似度が所定の閾値以上か否かを判定する際に、例えば、所定の領域サイズ単位（例えば道路の区間ごとの５分ごとに対応するセルの単位）での情報の対応を判定する第１判定法と、パターンマッチングによって判定する第２判定法と、のいずれかを行う。

第１判定法では、例えば、事故発生度図示化情報と交通状況図示化情報をセル単位で比較して重複率が所定の比率閾値以上であるときに、事故予測の学習モデルの再生成は不要と判定すればよい。

また、第２判定法では、例えば、事故発生度図示化情報と交通状況図示化情報を画像処理のパターンマッチングで比較して類似度が所定の類似度閾値以上であるときに、事故予測の学習モデルの再生成は不要と判定すればよい。

なお、比較部１１５は、事故発生度図示化情報と交通状況図示化情報の類似度を判定する場合に、事故発生度図示化情報における事故発生度の「中」と「大」で重み付けを行ってもよい。その場合、例えば、事故発生度の「大」の重みを事故発生度の「中」よりも重くすればよい。また、比較部１１５は、交通状況図示化情報における渋滞の種類によって重み付けを行ってもよい。その場合、例えば、事故渋滞の重みを他の渋滞よりも重くすればよい。

図１に戻って、表示制御部１１６は、各種情報を表示部１４に表示させる。例えば、表示制御部１１６は、図２の事故発生度図示化情報と図３の交通状況図示化情報を表示部１４に並べて表示させる。そうすれば、それを見たユーザは、両者の類似度を視覚的に判断することができる。また、表示制御部１１６は、そのときに、併せて、両者の比較結果（類似度等）を並べて表示してもよい。

また、生成部１１４は、交通状況データ等に基いて、道路の区間や地点ごとの提供情報（交通情報、注意喚起情報、迂回路情報等）を生成する。

送信制御部１１７は、各種情報を外部装置に送信する。例えば、送信制御部１１７は、生成部１１４によって生成された提供情報を一般車６の車載器や移動情報端末５や高速道路の情報板等に送信して表示させる。

次に、図４を参照して、交通管制装置１による処理について説明する。図４は、実施形態の交通管制装置１による処理の一例を示したフローチャートである。なお、この処理を実行する前に、すでに事故予測に学習モデルが生成されているものとする。

ステップＳ１において、取得部１１３は、道路について、車両感知器２等の情報収集手段から交通状況データを取得する。

次に、ステップＳ２において、算出部１１２は、事故予測の学習モデルと交通状況データに基いて、道路の区間ごとに事故発生度を算出する。

次に、ステップＳ３において、処理部１１は、再機械学習の要否の判定のタイミング（例えば毎月、毎週、毎日等の一定タイミング）が到来したか否かを判定し、Ｙｅｓの場合はステップＳ４に進み、Ｎｏの場合はステップＳ８に進む。

ステップＳ４において、生成部１１４は、事故発生度図示化情報（図２）を生成する。

次に、ステップＳ５において、生成部１１４は、交通状況図示化情報（図３）を生成する。

次に、ステップＳ６において、比較部１１５は、事故発生度図示化情報と交通状況図示化情報の類似度が所定の閾値以上か否かを、上述の第１判定法と第２判定法のいずれかによって判定し、Ｙｅｓの場合はステップＳ８に進み、Ｎｏの場合はステップＳ７に進む。

ステップＳ７において、機械学習部１１１は、再機械学習を行う。つまり、機械学習部１１１は、新しい過去交通状況データを用いて事故予測の学習モデルを再生成する。ステップＳ７の後、処理を終了する。

ステップＳ８において、生成部１１４は、交通状況データ等に基いて、道路の区間や地点ごとの提供情報（交通情報、注意喚起情報、迂回路情報等）を生成し、送信制御部１１７は、その提供情報を一般車６の車載器や移動情報端末５や高速道路の情報板等に送信して表示させる。ステップＳ８の後、処理を終了する。このような一連の処理を、例えば数分おきに行う。

このように、本実施形態の交通管制装置１によれば、事故発生度図示化情報（図２）と交通状況図示化情報（図３）を比較することで、道路についての機械学習による事故予測結果が妥当であったか否かの判断を支援することができる。

また、事故発生度図示化情報と交通状況図示化情報の類似度が所定の閾値未満である場合、事故予測の再機械学習を行うことで、事故予測の機械学習の精度を向上させることができる。

また、事故発生度図示化情報と交通状況図示化情報について、両者とも道路の区間と時間を交差する二軸とし、前者が事故発生度の大きさを表した情報であり、後者が車両の渋滞の度合いを表した情報であるものとすることで、両者を互いに対応した情報とすることができる。

また、両者の比較に、上述の第１判定法と第２判定法のいずれかを用いることで、実効ある判定を行うことができる。

また、両者を表示部１４に並べて表示させることで、それを見たユーザは、両者の類似度を視覚的に判断することができる。

また、事故予測の再機械学習のタイミングを的確に決定することができる。例えば、道路の構造（車線数等）に変化があった場合、交通状況にも変化があって再機械学習が必要になるときがある。その際に、両者の類似度が低下し、図４のステップＳ６でＮｏと判定することによって、適切なタイミングで再機械学習を行うことができる。また、その際、新しい過去交通状況データに基いて再機械学習を行うことによって、道路の構造の変化による影響を学習モデルに反映させることができる。

なお、上述の説明では、説明をわかりやすくするために、比較部１１５が、事故発生度図示化情報と交通状況図示化情報を比較するものとした。しかし、これに限定されず、比較部１１５は、同様の趣旨で、事故発生度と交通状況データを比較して比較結果を出力するものとしてもよい。

なお、従来技術では、機械学習による事故予測結果について、例えば、シミュレータを用いて妥当性を判断する手法がある。しかし、この手法では、シミュレータに関するパラメータの設定値選択が難しく、高精度な判断を行うことが難しい。一方、本実施形態の交通管制装置１によれば、そのようなパラメータの設定値選択等の手間は不要で、高精度な判断を容易に行うことができる。

以上、本発明の実施形態を説明したが、上記実施形態はあくまで例であって、発明の範囲を限定することは意図していない。上記実施形態は、様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。上記実施形態は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

例えば、上述の実施形態では、比較結果として類似度が所定の閾値未満の場合、自動的に再機械学習を行うものとしたが、これに限定されない。例えば、事故発生度図示化情報と交通状況図示化情報を並べて表示部１４に表示し、ユーザは、目視で両者の類似度を判断し、類似度が低いと判断したときは再機械学習の実行を指示する入力を行い、それによって再機械学習を実行するようにしてもよい。

また、対象となる道路は、高速道路に限定されず、一般道等の他の道路であってもよい。

また、事故予測の機械学習を行う場合に、過去の事故データから渋滞と無関係の事故データを除いたものを教師データとして使用してもよい。

なお、上述の実施形態では、事故予測の機械学習の方法として、自己組織化マップを用いた方法を例示した。しかしながら、事故予測の機械学習の方法としては、自己組織化マップを用いた方法以外にも、種々の方法が考えられる。例えば、比較的簡単な方法として、事故発生時の過去交通状況データを保持（蓄積）して現在交通状況データと単純に比較する方法や、事故発生時の過去交通状況データの組合せを統計処理でクラスタリングし、事故発生時に類似したケースの交通状況データを生成する方法などが考えられる。また、他の方法として、例えばペイジアンネットワークなどの他の多変量解析を利用した方法も考えられる。

１…交通管制装置、２…車両感知器、３…監視カメラ、４…非常電話、５…移動情報端末、６…一般車、９…交通管制室、１１…処理部、１２…記憶部、１３…入力部、１４…表示部、９１…表示部、９２…端末装置、１１１…機械学習部、１１２…算出部、１１３…取得部、１１４…生成部、１１５…比較部、１１６…表示制御部

Claims

道路における過去の車両の交通状況を示す過去交通状況データ、および、過去の車両の事故を示す過去事故データと、機械学習アルゴリズムと、に基いて事故予測の学習モデルを生成する機械学習部と、
前記道路について、道路情報収集端末から、現在の車両の交通状況を示す交通状況データを取得する取得部と、
前記学習モデルと、前記交通状況データと、に基いて、前記道路の区間ごとに、交通事故の発生しやすさを示す事故発生度を算出する算出部と、
前記算出部で算出した前記事故発生度と、前記取得部で取得した現在の車両の交通状況を示す前記交通状況データとを比較して、その類似度を示す比較結果を出力する比較部と、
を備える交通管制装置。
前記過去交通状況データおよび前記交通状況データは、車両の交通量、平均速度、車両密度、占有率のデータのうち少なくとも１つ以上を含む、
請求項１に記載の交通管制装置。
前記機械学習部は、前記比較部の比較結果の類似度が所定の閾値よりも低い場合、前記過去交通状況データおよび前記過去事故データよりも新しい過去交通状況データおよび過去事故データに基いて前記学習モデルを再生成する、
請求項１に記載の交通管制装置。
前記道路の区間ごとの前記事故発生度を図示化した情報である事故発生度図示化情報を生成するとともに、前記交通状況データに基いて交通状況を図示化した情報である交通状況図示化情報を生成する生成部を、さらに備え、
前記比較部は、前記事故発生度図示化情報と前記交通状況図示化情報を比較して類似度を前記比較結果として出力する、
請求項１に記載の交通管制装置。
前記事故発生度図示化情報は、前記道路の区間と時間を交差する二軸として、前記事故発生度の大きさを表した情報であり、
前記交通状況図示化情報は、前記道路の区間と時間を交差する二軸として、少なくとも車両の渋滞の度合いを表した情報である、
請求項４に記載の交通管制装置。
前記比較部は、前記事故発生度図示化情報と前記交通状況図示化情報を比較する際に、所定の領域サイズ単位での情報の対応を判定する第１判定法と、パターンマッチングによって判定する第２判定法と、のいずれかを行う、
請求項５に記載の交通管制装置。
前記事故発生度図示化情報と前記交通状況図示化情報を表示部に並べて表示する制御を行う表示制御部を、さらに備える、
請求項４に記載の交通管制装置。
機械学習部が、道路における過去の車両の交通状況を示す過去交通状況データ、および、過去の車両の事故を示す過去事故データと、機械学習アルゴリズムと、に基いて事故予測の学習モデルを生成する機械学習ステップと、
取得部が、前記道路について、道路情報収集端末から、現在の車両の交通状況を示す交通状況データを取得する取得ステップと、
算出部が、前記学習モデルと、前記交通状況データと、に基いて、前記道路の区間ごとに、交通事故の発生しやすさを示す事故発生度を算出する算出ステップと、
比較部が、前記算出部で算出した前記事故発生度と現在の車両の交通状況を示す前記交通状況データとを比較して、その類似度を示す比較結果を出力する比較ステップと、
を含む交通管制方法。