JP7267874B2 - 交通流推定装置、交通流推定方法、およびプログラム - Google Patents

Description

本発明は、交通流推定装置、交通流推定方法、およびプログラムに関する。

車両の現在位置と加速度の変化に基づいて、交通渋滞が発生する予兆を検知する技術が知られている（例えば、特許文献１参照）。

特開２０１６－２０１０５９号公報

しかしながら、従来の技術では、ＧＮＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）を利用して測定した車両の位置を用いて交通渋滞の予兆を検知している。このため、従来の技術では、車両の位置を測定する際に生じた測定誤差が交通渋滞の予測精度に影響を与えやすく、また、位置情報を送信する際に生じた遅延が交通渋滞の予測精度に影響を与えやすい傾向にあった。この結果、従来の技術では、交通流推定を精度よく推定できない場合があった。

本発明は、上記の問題点に鑑みてなされたものであって、交通流推定を精度よく推定することができる交通流推定装置、交通流推定方法、およびプログラムを提供することを目的とする。

（１）上記目的を達成するため、本発明の一態様に係る交通流推定装置は、交通流推定装置であって、当該交通流推定装置の前方の車両数を検出する車両数検出部と、前記前方の車両数から交通流を推定する交通流推定部と、を備え、前記交通流推定部は、第１の所定期間における前記前方の車両数の時系列を車両数時系列として取得する取得部と、前記第１の所定期間における車両数時系列の評価指標を算出する評価指標算出部と、前記評価指標に基づいて前記前方の車両の前記交通流を判定する渋滞状態判定部と、前記前方の車両の前記交通流に基づいて、当該交通流推定装置の後方の車両に対して走行に関する指示を報知する交通流制御部と、を備える。

（２）また、本発明の一態様に係る交通流推定装置において、前記評価指標は、前記第１の所定期間より長い第２の所定期間において、時間に対する検出された前記前方の車両数の変化の回帰係数を複数用いて算出されるようにしてもよい。

（３）また、本発明の一態様に係る交通流推定装置において、前記評価指標は、複数の前記回帰係数の平均値として算出されるようにしてもよい。

（４）また、本発明の一態様に係る交通流推定装置において、前記交通流推定部は、前記評価指標が第１しきい値以上の場合に、前記交通流が渋滞開始の状態であると判別すると共に、前記交通流制御部が渋滞抑制関連通知として車間時間を長くする車間時間制御指示を前記後方の車両に送信するようにしてもよい。

（５）また、本発明の一態様に係る交通流推定装置において、前記交通流推定部は、前記評価指標が前記第１しきい値以下である第２しきい値以上の場合に、前記交通流が渋滞臨界の状態であると判別すると共に、前記交通流制御部が渋滞抑制関連通知として車間時間を短くする前記車間時間制御指示を前記後方の車両に送信するようにしてもよい。

（６）また、本発明の一態様に係る交通流推定装置において、前記交通流推定部は、前記渋滞開始の状態であると判別した後、前記渋滞開始の状態より前記評価指標が減少し且つ前記渋滞開始の状態における渋滞の長さである渋滞長に変化が無い場合、および前記渋滞開始の状態より前記評価指標が増加し且つ前記渋滞開始の状態より前記渋滞長が伸びた場合のうちすくなくとも１つの場合に、車間時間を短くする前記車間時間制御指示を前記後方の車両に送信するようにしてもよい。

（７）また、本発明の一態様に係る交通流推定装置において、前記交通流推定部は、前記渋滞開始の状態であると判別した後、前記渋滞開始の状態より前記評価指標が増加し且つ前記渋滞開始の状態における渋滞の長さである渋滞長に変化が無い場合、および前記渋滞開始の状態より前記評価指標が減少し且つ前記渋滞開始の状態より渋滞の長さである渋滞長が伸びた場合のうちすくなくとも１つの場合に、車間時間を長くする前記車間時間制御指示を前記後方の車両に送信するようにしてもよい。

（８）また、本発明の一態様に係る交通流推定装置において、前記車両数検出部は、
当該交通流推定装置の前方を撮影する撮影部と、
前記撮影された画像に対して画像処理を行う画像処理部と、を更に備え、
前記撮影した画像に含まれている前方車両の数を車両数として検出するようにしてもよい。

（９）また、本発明の一態様に係る交通流推定装置において、前記車両数検出部は、学習用データセットによって学習した学習モデルを備え、前記学習モデルは、ニューラルネットワークモデルであり、前記学習用データセットは、車両が写る画像情報である入力データと、画像情報に写る車両の位置座標である出力データとが対応付けられたものであり、前記学習モデルは、前方画像を入力することで、前方画像に写る前方車両の位置座標を推定し、前記車両数検出部は、推定された座標位置に基づいて車両数として検出するようにしてもよい。

（１０）また、本発明の一態様に係る交通流推定装置において、前記画像処理部は、前記撮影された画像に対して前記学習モデルを用いて、境界付けられた車両の領域であるバンディングボックスの座標位置を求めるようにしてもよい。

（１１）上記目的を達成するため、本発明の一態様に係る交通流推定方法は、交通流推定装置における交通流推定方法であって、当該交通流推定装置の前方の車両数を検出し、前記前方の車両数から交通流を推定し、第１の所定期間における前記前方の車両数の時系列を車両数時系列として取得し、前記第１の所定期間における車両数時系列の評価指標を算出し、前記評価指標に基づいて前記前方の車両の渋滞状態を判定し、前記前方の車両の渋滞状態に基づいて、当該交通流推定装置の後方の車両に対して走行に関する指示を報知する。

（１２）上記目的を達成するため、本発明の一態様に係るプログラムは、交通流推定装置のコンピュータに、当該交通流推定装置の前方の車両数を検出させ、前記前方の車両数から交通流を推定させ、第１の所定期間における前記前方の車両数の時系列を車両数時系列として取得させ、前記第１の所定期間における車両数時系列の評価指標を算出させ、前記評価指標に基づいて前記前方の車両の渋滞状態を判定させ、前記前方の車両の渋滞状態に基づいて、当該交通流推定装置の後方の車両に対して走行に関する指示を報知させる。

上述した（１）、（１１）または（１２）によれば、車両数の時系列の評価指標に基づいて交通流を推定するようにしたので、交通流推定を精度よく推定することができる。
また、上述した（２）、（３）によれば、交通流推定に必要な評価指標を適切に算出することができる。
また、上述した（４）によれば、交通流が渋滞開始の状態であると判別した場合に、車間時間を長くする車間時間制御指示を後方の車両に送信することで、渋滞を抑制することができる。
また、上述した（５）によれば、交通流が渋滞臨界の状態であると判別した場合に、車間時間を短くする車間時間制御指示を後方の車両に送信することで、渋滞を抑制することができる。
また、上述した（６）、（７）によれば、交通流が渋滞開始の状態から変化した場合であっても、車間時間を短くするまたは長くする車間時間制御指示を後方の車両に送信することで、渋滞を抑制することができる。
また、上述した（８）～（１０）によれば、撮影した画像と学習モデルに基づいて適切に車両数を検出することができる。

実施形態に係る交通流推定装置の動作の概略を示す図である。 実施形態に係る交通流推定装置の構成例を示すブロック図である。 推論モデルＭＤＬの一例を示す図である。 実施形態に係るバンディングボックスＢＢが抽出された画像の一例を示す図である。 複数のレーン（車線）において自車両よりも前方に複数の車両が撮影された場合に抽出されたバンディングボックスＢＢの例を示す図である。 走行時間に対する車両検出数を示す図である。 図６の渋滞臨界（Ｆ）、渋滞開始（Ｇ）および渋滞延伸（Ｈ）それぞれの車両検出台数［台］に対する渋滞長［ｍ］である。 図６の渋滞臨界（Ｆ）、渋滞開始（Ｇ）および渋滞延伸（Ｈ）それぞれの車両回帰係数に対する渋滞長［ｍ］である。 車両の走行中に渋滞が発生した際の走行時間と車両検出数の関係例を示す図である。 走行時間に対する車両検出数とレーンチェンジ回数の関係を示す図である。 レーンチェンジ時間の頻度状況をヒストグラムで示した図である。 レーンチェンジ時間の差分を、レーンチェンジ頻度とバンディングボックス面積ゆらぎ角度で分類した結果を示す図である。 バンディングボックス面積ゆらぎ角度を説明するための図である。 １／ｆ角度の時間変化を表す図である。 マルチレーンにおけるシミュレーション結果を示す図である。 実施形態に係る交通流推定方法の一例を示す図である。 実施形態に係る交通流推定方法の一例を示す図である。 実施形態に係る交通流推定装置が行う処理手順例のフローチャートである。 実施形態に係る車両検出処理のフローチャートである。 実施形態に係る交通流推定処理のフローチャートである。 実施形態に係る走行制御処理のフローチャートである。 実施形態に係る車間時間制御指示の送信方法例を示す図である。 実施形態に係る走行制御、報知の他の例を説明するための図である。 実施形態に係る渋滞臨界を検出した際に後方の車両が車間時間を短くした場合のＱＶマップの例を示す図である。 実施形態に係る渋滞臨界を検出した際に後方の車両が車間時間を短くしなかった場合のＱＶマップの例を示す図である。

以下、本発明の実施の形態について図面を参照しながら説明する。なお、以下の説明に用いる図面では、各部材を認識可能な大きさとするため、各部材の縮尺を適宜変更している。なお、以下の説明において、車両は、例えば、二輪や三輪、四輪等の車両である。これらの車両の駆動源は、ディーゼルエンジンやガソリンエンジン等の内燃機関、電動機、或いはこれらの組み合わせであってよい。電動機は、内燃機関に連結された発電機による発電電力、或いは二次電池や燃料電池の放電電力を使用して動作する。

図１は、本実施形態に係る交通流推定装置１０の動作の概略を示す図である。図１に示すように、交通流推定装置１０は車両２０に搭載されている。車両２０は、道路を走行しながら車両２０の走行方向に対して前方を走行する車両３０ａ～３０ｃの有無と台数を検出する。符号ｇ１は、交通流推定装置１０が前方の車両を検出する際に撮影する画角の例である。なお、本実施形態において、車両２０は複数のレーン（マルチレーン）を走行しているとする。なお、車両の有無と台数の検出方法については後述する。

交通流推定装置１０は、車両検出結果に基づいて交通流を推定する。なお、交通流とは、前方を走行する車両が集合する状態（集合状態）である。本実施形態では、車両の集合状態として、渋滞臨界、渋滞開始、渋滞延伸の３段階として扱う。渋滞臨界とは、まだ渋滞が発生していないが、渋滞が発生することが予測される状態である。また、渋滞予兆とは渋滞臨界の初期と定義される渋滞開始とは、渋滞が始まった状態である。渋滞延伸とは、渋滞が起きていて継続している状態である。交通流推定装置１０は、推定した結果に応じて、交通流推定装置１０が搭載されている車両２０の走行を制御するように車両２０に指示を出力する。また、交通流推定装置１０は、推定した結果に応じて、車両２０の走行方向に対して後方を走行している車両４０ａ～４０ｂに走行に関する車間時間制御指示を送信する。符号ｇ２、ｇ３は、交通流推定装置１０が後続車両に送信する車間時間制御指示である。なお、交通流を推定方法、自車両の制御指示、後続車両へ車間時間制御指示については後述する。

＜交通流推定装置１０の構成と動作＞
図２は、本実施形態に係る交通流推定装置１０の構成例を示すブロック図である。図２に示すように、交通流推定装置１０は、車両検出部１１、交通流推定部１２、出力部１３、通信部１４、および記憶部１５を備える。また、車両検出部１１は、撮影部１１１、画像処理部１１２、および検出部１１３を備える。交通流推定部１２は、時系列取得部１２１、評価指標算出部１２２、渋滞状態判定部１２３、および交通流制御部１２４を備える。なお、交通流推定装置１０は、利用者の操作した操作結果を検出する操作部１６を備えていてもよい。

車両検出部１１は、交通流推定装置１０が搭載されている車両２０（図１）の前方を撮影し、撮影した画像に基づいて、車両の有無と台数の検出を行う。車両検出部１１は、検出した検出結果を交通流推定部１２に出力する。

撮影部１１１は、例えばＣＣＤ（Ｃｈａｒｇｅ Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ）撮影装置、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）撮影装置等である。撮影部１１１は、交通流推定装置１０が搭載されている車両２０の前方を撮影し、撮影した画像を画像処理部１１２に出力する。なお、撮影部１１１は、車両２０（図１）内に取り付けられていてもよく、車両２０外に取り付けられていてもよい。

画像処理部１１２は、撮影部１１１が出力する画像に対して所定の画像処理を行う。所定の画像処理とは、例えば二値化、エッジ検出、特徴両抽出、クラスタリング処理等の少なくとも１つを含む。画像処理部１１２は、記憶部１５が記憶する推論モデルデータを用いて、撮影された画像から境界付けられた車両の領域（以下、バンディングボックスＢＢ（Ｂｏｕｎｄｉｎｇ Ｂｏｘ）と称する）を抽出する。画像処理部１１２は、処理結果を検出部１１３に出力する。処理結果には、例えばバンディングボックスＢＢの座標が含まれている。

検出部１１３は、画像処理部１１２が出力する処理結果に基づいて、車両の有無と台数の検出を行う。なお、検出部１１３は、バンディングボックスＢＢの座標に基づいて、バンディングボックスＢＢの個数（車両の台数）を第１所定期間Ｔ１毎に検出する。検出部１１３は、検出した検出結果である車両検出数を交通流推定部１２に出力する。

交通流推定部１２は、車両検出部１１の検出部１１３が出力する検出結果に基づいて交通流を推定する。交通流推定部１２は、推定結果に基づいて交通流推定装置１０が搭載されている自車両の車間時間制御指示を生成して、生成した車間時間制御指示を出力部１３に出力する。交通流推定部１２は、推定結果に基づいて自車両の後方を走行する車両に対する渋滞抑制関連通知として車間時間制御指示を生成して、生成した車間時間制御指示を通信部１４に出力する。

時系列取得部１２１は、検出部１１３が出力する検出結果を、時系列で車両数（車両数時系列という）を取得する。

評価指標算出部１２２は、第２所定期間Ｔ２における車両数時系列の回帰係数を算出する。なお、第２所定期間Ｔ２は、第１所定期間Ｔ１より長い期間である。評価指標算出部１２２は、第３所定期間Ｔ３における回帰係数の平均値を算出する。なお、第３所定期間Ｔ３は、第２所定期間Ｔ２より長い期間である。評価指標算出部１２２は、算出した第３所定期間Ｔ３における回帰係数の平均値を評価指標として渋滞状態判定部１２３に出力する。

渋滞状態判定部１２３は、評価指標算出部１２２が出力する評価指標（第４所定期間Ｔ４における回帰係数の平均値）と、記憶部１５が記憶するしきい値（第１しきい値、第２しきい値）とを比較して、自車両の前方を走行する車両の交通流を推定し、推定した交通流を示す情報を交通流制御部１２４に出力する。なお、交通流の推定方法については後述する。

交通流制御部１２４は、渋滞状態判定部１２３が出力する交通流を示す情報に基づいて、交通流推定装置１０が搭載されている自車両に対する車間時間制御指示を生成し、生成した車間時間制御指示を出力部１３に出力する。交通流制御部１２４は、渋滞状態判定部１２３が出力する交通流に基づいて、自車両の後方を走行する車両に対する車間時間制御指示を生成し、生成した車間時間制御指示を通信部１４に出力する。

出力部１３は、交通流推定部１２が出力する車間時間制御指示を、交通流推定装置１０が搭載されている車両２０の制御部（例えばＥＣＵ（エンジン・コントロール・ユニット））に出力する。なお、交通流推定装置１０が搭載されている車両２０の制御部と、出力部１３とは、例えばＣＡＮ等の車載ネットワークで接続されている。

通信部１４は、交通流推定部１２が出力する車間時間制御指示を、交通流推定装置１０が搭載されている車両２０の後方を走行する車両に送信する。なお、交通流推定装置１０が搭載されている車両２０の後方を走行する車両と、通信部１４とは、ネットワークを介して接続されている。

記憶部１５は、第１しきい値と第２しきい値を記憶する。記憶部１５は、第１所定期間Ｔ１、第２所定期間Ｔ２、第３所定期間Ｔ３、および第４所定期間Ｔ４を記憶する。記憶部１５は、推論モデルデータを記憶する。推論モデルデータは、例えば、画像からバンディングボックスＢＢを抽出するための推論モデルＭＤＬを定義した情報（プログラムまたはデータ構造）である。また、記憶部１５は、車両検出部１１が処理に用いるプログラムやしきい値等の情報、交通流推定部１２が処理に用いるプログラムやしきい値等の情報を記憶する。なお、推論モデルデータは、交通流推定部１２が記憶していてもよい。または、推論モデルデータは、ネットワーク経由でサーバ等が記憶していてもよい。

＜推論モデルデータ＞
次に、推論モデルデータを説明する。図３は、推論モデルＭＤＬの一例を示す図である。図３に示すように、推論モデルＭＤＬは、画像が入力されると、画像におけるバンディングボックスＢＢの座標を出力するように学習されたモデルである。

推論モデルＭＤＬは、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）などを含むＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ｓ））を利用して実現されてよい。また、推論モデルＭＤＬは、ＤＮＮに限られず、ロジスティック回帰やＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ｋ－ＮＮ（ｋ－Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ ａｌｇｏｒｉｔｈｍ）、決定木、単純ベイズ分類器、ランダムフォレストといった他のモデルによって実現されてもよい。

推論モデルＭＤＬがＣＮＮなどのＤＮＮによって実現される場合、推論モデルデータには、例えば、推論モデルＭＤＬに含まれる各ＤＮＮを構成する入力層、一以上の隠れ層（中間層）、出力層の其々に含まれるニューロン（ユニットあるいはノード）が互いにどのように結合されるのかという結合情報や、結合されたニューロン間で入出力されるデータに付与される結合係数がいくつであるのかという重み情報などが含まれる。

結合情報は、例えば、各層に含まれるニューロン数や、各ニューロンの結合先のニューロンの種類を指定する情報、各ニューロンを実現する活性化関数、隠れ層のニューロン間に設けられたゲートなどの情報を含む。ニューロンを実現する活性化関数は、例えば、入力符号に応じて動作を切り替える関数（ＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ）関数やＥＬＵ（Ｅｘｐｏｎｅｎｔｉａｌ Ｌｉｎｅａｒ Ｕｎｉｔｓ）関数など）であってもよいし、シグモイド関数や、ステップ関数、ハイパポリックタンジェント関数であってもよいし、恒等関数であってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ニューロン間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、活性化関数のパラメータであり、例えば、ニューラルネットワークの隠れ層において、ある層のニューロンから、より深い層のニューロンにデータが出力される際に、出力データに対して付与される重みを含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。

記憶部１５が記憶する推論モデルデータは、学習用データセットによって学習した学習モデルを備える。学習モデルは、ニューラルネットワークモデルである。学習用データセットは、車両が写る画像情報である入力データと、画像情報に写る車両の位置座標である出力データとが対応付けられたものである。学習モデルは、前方画像を入力することで、前方画像に写る前方車両の位置座標を推定する。検出部１１３は、推定された座標位置の数を、車両数として検出する。

＜車両検出部１１が行う処理＞
次に、車両検出部１１が行う処理を説明する。図４は、本実施形態に係るバンディングボックスＢＢが抽出された画像の一例を示す図である。符号Ｌ１は、自車両２０（図１）が走行する自車線を表している。符号Ｌ２は、自車線Ｌ１の進行方向右側に隣接した隣接車線を表している。符号Ｌ３は、自車線Ｌ１の進行方向左側に隣接した隣接車線を表している。符号ＬＭ１は、自車線Ｌ１と右側の隣接車線Ｌ２との間を区画する区画線を表している。符号ＬＭ２は、自車線Ｌ１と左側の隣接車線Ｌ３との間を区画する区画線を表している。符号ｇ１１は、交通流推定装置１０が搭載されている車両２０の前方を走行している車両の画像である。

図４において自車線Ｌ１において自車両２０（図２）よりも前方に先行車が存在している。画像処理部１１２（図２）は、撮影した画像から、先行車のリア（後面）の領域をバンディングボックスＢＢとして抽出する。

図５は、複数のレーン（車線）において自車両２０よりも前方に複数の車両が撮影された場合に抽出されたバンディングボックスＢＢの例を示す図である。図５において、符号ｇ２１～ｇ２４それぞれはバンディングボックスＢＢである。検出部１１３は、バンディングボックスＢＢの数を数えることで車両の台数を検出する。車両台数が０の場合は、交通流推定装置１０が搭載されている車両２０の前方を走行している車両が無い状態である。

＜車両の状態＞
次に、車両の状態を説明する。図６は、走行時間に対する車両検出数を示す図である。図６において符号ｇ１０１が示す領域の図は、車両の状態が渋滞臨界（Ｆ）の走行時間に対する車両検出数を示す図である。符号ｇ１０２が示す領域の図は、車両の状態が渋滞開始（Ｇ）の走行時間に対する車両検出数を示す図である。符号ｇ１０３が示す領域の図は、車両の状態が渋滞延伸（Ｈ）の走行時間に対する車両検出数を示す図である。なお、符号６において、横軸は走行時間［分］であり、縦軸は車両検出数［台］である。また、図６は、シミュレーションした結果である。なお、車両検出数は、バンディングボックスＢＢの数をカウントした結果である。

図６の符号ｇ１０１において、走行時間（ｘ）に対する車両検出数（ｙ）に対して一次近似した結果は、ｙ＝０．０７ｘ＋２．５３であった。
符号ｇ１０２において、走行時間（ｘ）に対する車両検出数（ｙ）に対して一次近似した結果は、ｙ＝０．９１ｘ＋０．４であった。
符号ｇ１０３において、走行時間（ｘ）に対する車両検出数（ｙ）に対して一次近似した結果は、ｙ＝０．４１ｘ＋２．２であった。
なお、回帰係数は、例えば最小二乗法によって算出するようにしてもよい。

図７は、図６の渋滞臨界（Ｆ）、渋滞開始（Ｇ）および渋滞延伸（Ｈ）それぞれの車両検出台数［台］に対する渋滞長［ｍ］である。符号ｇ１１１は渋滞臨界（Ｆ）であり、符号ｇ１１２は渋滞開始（Ｇ）であり、符号ｇ１１３は渋滞延伸（Ｈ）である。なお、渋滞長とは、道路上において、所定の速度以下の車両が所定間隔で存在する長さである。

図７に示すように、車両検出数と渋滞長の関係は、渋滞臨界（Ｆ）から渋滞開始（Ｇ）への遷移、渋滞開始（Ｇ）から渋滞延伸（Ｈ）への遷移において、車両検出数も渋滞長も増加する。

図８は、図６の渋滞臨界（Ｆ）、渋滞開始（Ｇ）および渋滞延伸（Ｈ）それぞれの車両回帰係数に対する渋滞長［ｍ］である。符号ｇ１２１は渋滞臨界（Ｆ）であり、符号ｇ１２２は渋滞開始（Ｇ）であり、符号ｇ１２３は渋滞延伸（Ｈ）である。また、符号ｇ１３１は渋滞臨界（Ｆ）から渋滞開始（Ｇ）への遷移を表し、符号ｇ１３２は渋滞開始（Ｇ）から渋滞延伸（Ｈ）への遷移を表す。

図８に示すように、回帰係数と渋滞長の関係は、渋滞臨界（Ｆ）から渋滞開始（Ｇ）への遷移において、回帰係数の値が０．０７から０．９１に増加し、渋滞長が約０ｍから約３００ｍに増加する。また、回帰係数と渋滞長の関係は、渋滞開始（Ｇ）から渋滞延伸（Ｈ）への遷移において、回帰係数の値が０．９１から０．４１に減少し、渋滞長が約３００ｍから約１４００ｍに増加する。このように、回帰係数は、渋滞臨界（Ｆ）から渋滞開始（Ｇ）への遷移において大きく増加し（図６の例では１３倍）、渋滞開始（Ｇ）から渋滞延伸（Ｈ）への遷移において大きく減少（図６の例では半減以上）する。

図９は、車両の走行中に渋滞が発生した際の走行時間と車両検出数の関係例を示す図である。図９において横軸は走行時間であり、縦軸は車両検出数［台］である。符号ｇ２０１は、交通流推定装置１０を搭載する自車両と、その車両の後方を走行する車両に対して、車間時間制御指示を行わなかった場合の走行時間と車両検出数の関係例のイメージである。符号ｇ２１１は、交通流推定装置１０を搭載する自車両と、その車両の後方を走行する車両に対して、車間時間制御指示を行った場合の走行時間と車両検出数の関係例のイメージである。

＜レーンチェンジの影響の検討＞
次に、レーンチェンジの影響について検討した検討結果を説明する。
図９の符号ｇ２０３において、時刻ｔ１１～ｔ１２の期間は、渋滞予兆期間である。この期間では、後述するように、走行する車両によるレーンチェンジ頻度が高い。
また、符号ｇ２０３で示した期間は、渋滞が始まり、走行している車両の速度が減速され、その結果レーンチェンジもほとんど発生しなくなる。また、符号ｇ２０３で示した期間は、車間距離も短くなる。渋滞は徐々に発生、進行し、渋滞発生後は渋滞の長さが伸びていく。

これに対して、本実施形態では、渋滞が予測された場合、図９の符号ｇ２１１のように走行時間に対する車両検出数が変化するように、走行速度を減速させ車間距離を変更するように自車両および後方を走行する車両の走行を制御する。このように、本実施形態では、車両を減速させ車間距離を変更するように制御することで、レーンチェンジを制御して渋滞の発生を軽減させる。

図１０は、走行時間に対する車両検出数とレーンチェンジ回数の関係を示す図である。なお、図１０の結果は、シミュレーション結果である。また、横軸は走行時間［分］であり、符号ｇ２５１に対する縦軸は車両検出数［台］であり、符号ｇ２５２に対する縦軸はレーンチェンジ回数［回］である。符号ｇ２５３は、高速道路において車両の速度が６０［ｋｍ／ｈ］以上である走行時間を示している。また、符号ｇ２５４は、符号ｇ２５１を一次近似した結果である。

図１０に示す例では、例えば時刻２～４分の期間、レーンチェンジの頻度が高い。これに対して、時刻４～８分のレーンチェンジの頻度は、時刻２～４分の期間のレーンチェンジの頻度より低い。このようなシミュレーションを行った結果では、渋滞臨界における交通流れでのレーンチェンジ頻度が高くなる傾向が観測された。

図１１は、レーンチェンジ時間の頻度状況をヒストグラムで示した図である。横軸はΔＬＣＴ［ｓｅｃ］であり、縦軸は頻度［回数］である。なお、ΔＬＣＴとは、レーンチェンジ時間である。図１１に示すように、レーンチェンジ時間が短い方が、レーンチェンジ時間が長い方より頻度が高かった。また、他の状況でもシミュレーションを行った結果、渋滞発生前や渋滞延伸前の交通流れでは、レーンチェンジ頻度が高くなることが確認された。

次に、レーンチェンジ時間の差分を、レーンチェンジ頻度［回数］とバンディングボックス面積ゆらぎ角度［ＤＥＧ］で分類した結果を説明する。なお、レーンチェンジ時間の差分とは、１台の車両がレーンチェンジ後から、その他の車両がレーンチェンジを行った時刻までの差分である。

図１２は、レーンチェンジ時間の差分を、レーンチェンジ頻度とバンディングボックス面積ゆらぎ角度で分類した結果を示す図である。符号ｇ３０１は、レーンチェンジ時間の差分が１分以下と以上を、レーンチェンジ頻度で分類した結果である。縦軸はレーンチェンジ頻度［回数］である。符号ｇ３１１は、レーンチェンジ時間の差分が１分以下と以上を、バンディングボックス面積ゆらぎ角度で分類した結果である。縦軸はバンディングボックス面積ゆらぎ角度［ＤＥＧ］である。

図１２の符号ｇ３０１に示したように、レーンチェンジ時間の差分が１分以内の場合は、レーンチェンジ回数の頻度が高い。このとき相対的に車両の走行速度が高く、バンディングボックス面積ゆらぎ角度が大きい。

ここで、バンディングボックス面積ゆらぎ角度について説明する。
図１３は、バンディングボックス面積ゆらぎ角度を説明するための図である。図１３において符号ｇ２７１が示す領域のグラフは、ディープラーニングネットワークから訓練されたバンディングボックス面積の時間変化の例である。符号ｇ２７１が示す領域のグラフにおいて、横軸は時刻（秒）であり、縦軸はバンディングボックス面積（ピクセル）である。また、符号ｇ２７２が示すグラフは、バンディングボックス面積の時系列に対するパワースペクトルである。符号ｇ２７２が示すグラフにおいて、横軸は周波数（Ｈｚ）であり、縦軸はパワースペクトル（ｄＢ）である。また、符号ｇ２７３は、回帰直線である。

例えば、カオス的パターンにおいて角度は、例えば低周波数の変動として見られ、パワースペクトルにおける１／ｆ（ピンクノイズ）変動として計算される。このため、１／ｆ角は、パワースペクトルと１／ｆゆらぎから求めることができる。
図１４は、１／ｆ角度の時間変化を表す図である。図１４において、横軸は時刻（秒）であり、縦軸は１／ｆ角度（度）である。また、符号ｇ２８１は、回帰直線である。この回帰直線の傾きが、バンディングボックス面積ゆらぎ角度である。

次に、マルチレーンにおけるシミュレーション結果を説明する。図１５は、マルチレーンにおけるシミュレーション結果を示す図である。図１５において横軸は第２所定期間におけるＱの合計値であり、縦軸は車両の速度Ｖ［ｋｍ／ｈ］である。また、符号ｇ３５１は、第２所定期間における車両数Ｑと車両の速度Ｖの傾向を示す曲線である。符号ｇ３５２は、渋滞が発生から渋滞延伸までを示している。なお、本実施形態において、渋滞とは、例えば高速道路の場合、時速が４０（ｋｍ／ｈ）以下になった状態である。
図１３のように、シミュレーション結果において、渋滞臨界では、レーンチェンジを減らすために後方の車両の速度を減速させることで、渋滞量（符号ｇ３５２に示した低速域の車群値）が減少する傾向を示唆する結果を得た。

＜交通流推定方法＞
次に、交通流推定方法の一例を、図１４と図１５を用いて説明する。
図１４は、本実施形態に係る交通流推定方法の一例を示す図である。図１４において、横軸は時刻［秒］、縦軸は車両検出数の回帰係数である。
時系列取得部１２１は、検出部１１３が検出した車両検出数を時系列で取得する。次に、評価指標算出部１２２は、取得した車両検出数に対して、第２所定期間Ｔ２毎に回帰係数を算出する。次に、評価指標算出部１２２は、第３所定期間Ｔ３毎に回帰係数の平均値を算出する。なお、第３所定期間Ｔ３は、例えば第２所定期間Ｔ２がｎ（ｎは２以上の整数）コマの期間である。

図１５は、本実施形態に係る交通流推定方法の一例を示す図である。図１５において、横軸は時刻［秒］、縦軸は車両検出数の回帰係数の平均値である。
渋滞状態判定部１２３は、第３所定期間Ｔ３毎の回帰係数の平均値が、第４所定期間Ｔ４継続してしきい値を超えたか否かを判別する。図１５に示す例では、第４所定期間Ｔ４は、第３所定期間Ｔ３の３つの期間である。
渋滞状態判定部１２３は、回帰係数の平均値が、第４所定期間Ｔ４継続してしきい値を超えた場合、交通流を分類する。具体的には、渋滞状態判定部１２３は、回帰係数の平均値が、第４所定期間Ｔ４継続して第１しきい値を超えた場合、交通流を渋滞開始～渋滞延伸の状態であると判別する。また、渋滞状態判定部１２３は、回帰係数の平均値が、第４所定期間Ｔ４継続して第２しきい値を超えた場合、交通流を渋滞臨界～渋滞開始の状態であると判別する。なお、第１しきい値は、第２しきい値より大きな値である。

＜処理手順＞
次に、交通流推定装置１０が行う処理手順例を説明する。図１６は、本実施形態に係る交通流推定装置１０が行う処理手順例のフローチャートである。

（ステップＳ１１）車両検出部１１は、交通流推定装置１０が搭載されている自車両の前方を撮影し、撮影した画像に対して画像処理を行って車両を検出する。

（ステップＳ１２）交通流推定部１２は、車両検出部１１が検出した結果と、記憶部１５が記憶するしきい値に基づいて、交通流を推定、分類する。

（ステップＳ１３）交通流推定部１２は、推定、分類した結果に基づいて、自車両と、自車両の後方を走行する車両に対する車間時間制御指示を生成する。続けて、交通流推定部１２は、生成した自車両に対する車間時間制御指示を自車両に出力する。続けて、交通流推定部１２は、生成した自車両の後方を走行する車両に対する車間時間制御指示を、自車両の後方を走行する車両に送信する。

＜車両検出処理＞
次に、ステップＳ１１（図１６）の車両検出処理について、さらに説明する。図１７は、本実施形態に係る車両検出処理のフローチャートである。

（ステップＳ１０１）撮影部１１１は、交通流推定装置１０が搭載されている自車両の前方を撮影する。

（ステップＳ１０２）画像処理部１１２は、記憶部１５が記憶する推論モデルデータを用いて、撮影された画像からバンディングボックスＢＢを抽出する。

（ステップＳ１０３）検出部１１３は、バンディングボックスＢＢの座標に基づいて、第１所定期間Ｔ１毎のバンディングボックスＢＢの個数（車両の台数）を検出する。

＜交通流推定処理＞
次に、ステップＳ１２（図１６）の交通流推定処理について、さらに説明する。図１８は、本実施形態に係る交通流推定処理のフローチャートである。

（ステップＳ２０１）評価指標算出部１２２は、取得した車両検出数に対して、第２所定期間Ｔ２の期間毎に回帰係数を算出する。

（ステップＳ２０２）評価指標算出部１２２は、第３所定期間Ｔ３毎に回帰係数の平均値を評価指標として算出する。

（ステップＳ２０３）渋滞状態判定部１２３は、第４所定期間Ｔ４、評価指標（回帰係数の平均値）が第１しきい値を超えていないか判別する。渋滞状態判定部１２３は、第４所定期間Ｔ４、評価指標が第１しきい値を超えていないと判別した場合（ステップＳ２０３；超えていない）、ステップＳ２０５の処理に進める。渋滞状態判定部１２３は、第４所定期間Ｔ４、評価指標が第１しきい値を超えていると判別した場合（ステップＳ２０３；超えている）、ステップＳ２０４の処理に進める。

（ステップＳ２０４）渋滞状態判定部１２３は、交通流を渋滞開始～渋滞延伸の状態であると判別する。処理後、渋滞状態判定部１２３は、交通流推定処理を終了する。

（ステップＳ２０５）渋滞状態判定部１２３は、第４所定期間Ｔ４、回帰係数の平均値が第２しきい値を超えていないか判別する。渋滞状態判定部１２３は、第４所定期間Ｔ４、回帰係数の平均値が第２しきい値を超えていないと判別した場合（ステップＳ２０５；超えていない）、ステップＳ２０７の処理に進める。渋滞状態判定部１２３は、第４所定期間Ｔ４、回帰係数の平均値が第２しきい値を超えていると判別した場合（ステップＳ２０５；超えている）、ステップＳ２０６の処理に進める。

（ステップＳ２０６）渋滞状態判定部１２３は、交通流を渋滞臨界～渋滞開始の状態であると判別する。処理後、渋滞状態判定部１２３は、交通流推定処理を終了する。

（ステップＳ２０７）渋滞状態判定部１２３は、交通流を自然流の状態（渋滞臨界に未達の状態）であると判別する。処理後、渋滞状態判定部１２３は、交通流推定処理を終了する。

本実施形態では、上述した手順によって評価指標（回帰係数の平均値）を求めるため、交通流推定に必要な評価指標を適切に算出することができる。

＜走行制御処理＞
次に、ステップＳ１３（図１６）の走行制御処理について、さらに説明する。図１９は、本実施形態に係る走行制御処理のフローチャートである。

（ステップＳ３０１）交通流制御部１２４は、交通流が渋滞臨界の状態であるか否か判別する。交通流制御部１２４は、交通流が渋滞臨界の状態であると判別した場合（ステップＳ３０１；ＹＥＳ）、ステップＳ３０２の処理に進める。交通流制御部１２４は、交通流が渋滞臨界の状態ではないと判別した場合（ステップＳ３０１；ＮＯ）、ステップＳ３０３の処理に進める。なお、交通流制御部１２４は、渋滞状態判定部１２３が通流を渋滞臨界～渋滞開始の状態であると判別した場合、交通流が渋滞臨界の状態であると判別する。

（ステップＳ３０２）交通流制御部１２４は、車速を下げる、車間時間（もしくは車間距離）を現在の状態より短くする車間時間制御指示を生成し、生成した車間時間制御指示を通信部１４に出力する。なお、交通流が渋滞臨界の状態では、まだ渋滞が発生していず、渋滞が発生しそうな状態である。このため、交通流制御部１２４は、後方の車両に対して、車速を下げさせ、車間時間もしくは車間距離を短くさせることでレーンチェンジを防ぐことで、渋滞の発生を防ぐように制御する。処理後、交通流制御部１２４は、走行制御処理を終了する。

（ステップＳ３０３）交通流制御部１２４は、交通流が渋滞発生の状態であるか否か判別する。交通流制御部１２４は、交通流が渋滞発生の状態であると判別した場合（ステップＳ３０３；ＹＥＳ）、ステップＳ３０４の処理に進める。交通流制御部１２４は、交通流が渋滞発生の状態ではないと判別した場合（ステップＳ３０３；ＮＯ）、処理を終了する。なお、交通流制御部１２４は、渋滞状態判定部１２３が通流を渋滞開始～渋滞延伸びの状態であると判別した場合、交通流が渋滞開始であると判別する。

（ステップＳ３０４）交通流制御部１２４は、車間時間（もしくは車間距離）を現在の状態より長くする車間時間制御指示を生成し、生成した車間時間制御指示を通信部１４に出力する。なお、交通流が渋滞開始の状態では、すでに渋滞が発生している状態であり、渋滞臨界の後期（渋滞臨界後期）である。このため、交通流制御部１２４は、渋滞の長さが延伸するのを防ぐために後方の車両に対して、車間時間もしくは車間距離を長くさせて渋滞に加わらないようにすることで、渋滞開始から渋滞延伸に遷移することを防ぐように制御する。処理後、交通流制御部１２４は、走行制御処理を終了する。

なお、交通流推定装置１０が搭載されている自車両は、交通流推定装置１０が出力する車間時間制御指示に基づいて、自車両と他車両との車間時間もしくは車間距離を制御する。

＜車間時間制御指示の送信＞
次に、車間時間制御指示の送信方法例を説明する。図２０は、本実施形態に係る車間時間制御指示の送信方法例を示す図である。車両２０は、交通流推定装置１０を搭載している車両である。車両３０は、車両２０の走行方向に対して前方を走行する車両である。車両４０は、車両２０の走行方向に対して後方を走行する車両である。

交通流推定装置１０は、上述した方法によって渋滞予兆を行う。交通流が渋滞臨界初期の状態であると判別された場合（渋滞予兆を検出した場合）、交通流推定装置１０は、ネットワークＮＷを介して後方を走行する車両４０に、前方で渋滞が予兆される状態であることを報知する情報を含む走行情報を送信する。次に、交通流推定装置１０は、後方を走行する車両４０に、車間時間もしくは車間距離を短くする指示を含む走行情報を送信する。これにより、本実施形態では、後方の車両の走行を、車間時間もしくは車間距離が短くなるように制御することで、レーンチェンジを抑制抑止することができる。この結果、本実施形態によれば、渋滞臨界から渋滞開始に遷移することを抑制抑止することができる。
また、渋滞臨界後期の状態であると判別された場合、交通流推定装置１０は、車間時間もしくは車間距離を長くする指示を含む走行情報を送信する。これにより、本実施形態では、後方の車両の走行を、車間時間もしくは車間距離が長くなるように制御することで、レーンチェンジを抑制しない。

なお、上述した例では、交通流が渋滞臨界の状態であると判別された場合を説明したが、交通流が渋滞開始の状態であると判別された場合、交通流推定装置１０は、後方を走行する車両４０に、車間時間を長くする指示を含む走行情報を送信する。

＜走行制御、報知の他の例＞
次に、走行制御、報知の他の例を説明する。図２１は、本実施形態に係る走行制御、報知の他の例を説明するための図である。図２１において、符号ｇ１２１～ｇ１２３、ｇ１３１、ｇ１３２は、図８と同様である。さらに、符号ｇ６０１～ｇ６０４それぞれは、回帰係数と渋滞長との組み合わせである。また、横軸は回帰係数、縦軸は渋滞長［ｍ］である。

図２１に示した状態毎に、走行制御の指示内容が異なる。
符号ｇ６０１の状態は、渋滞開始状態（ｇ１２２）から渋滞長に変化無く回帰係数（含む回帰係数の平均値）が増加した状態である。
符号ｇ６０２の状態は、渋滞開始状態（ｇ１２２）から渋滞長に変化無く回帰係数（含む回帰係数の平均値）が減少した状態である。
符号ｇ６０３の状態は、渋滞開始（ｇ１２２）から渋滞長が伸び、かつ回帰係数（含む回帰係数の平均値）が減少した状態である。
符号ｇ６０４の状態は、渋滞開始状態（ｇ１２２）から渋滞長が伸び、かつ回帰係数（含む回帰係数の平均値）が増加した状態である。

符号ｇ６０１、ｇ６０３それぞれの状態の場合、交通流推定部１２は、後方の車両に対して車間距離を長くさせ、レーンチェンジの実施率を高くするように走行制御することが好ましい。
符号ｇ６０２、ｇ６０４それぞれの状態の場合、交通流推定部１２は、後方の車両に対して車間距離を短くさせ、レーンチェンジの実施率を低くするように走行制御することが好ましい。

または、符号ｇ６０３、ｇ６０４それぞれの状態の場合、交通流推定部１２は、後方の車両に対して、例えば休憩を促したりサービスステーション等に誘導する（例えばガソリンの給油を促す）情報を、後方の車両に送信するようにしてもよい。

符号ｇ６１１は、渋滞開始から渋滞臨界に遷移する状態を示している。符号ｇ６１１の状態の場合、交通流推定部１２は、例えば「渋滞予兆が解消しました！」等の渋滞予兆が解消したことを示す情報を、後方の車両に送信するようにしてもよい。

符号ｇ６１２は、渋滞開始から渋滞延伸に遷移する状態を示している。符号ｇ６１２の状態の場合、交通流推定部１２は、例えば「渋滞延伸が発生しました！」等の渋滞が発生し、渋滞の長さが延伸したことを示す情報を、後方の車両に送信するようにしてもよい。

＜検証結果＞
次に、渋滞臨界を検出した際、後方を走行する車両が減速した場合と減速しなかった場合をシミュレーションした結果を説明する。なお、シミュレーション条件は、交通流推定装置１０を搭載する自車両の交通流推定装置１０の前方を走行する車両数が所定台以上である。また、後方の車両の速度は７０～１００（ｋｍ／ｈ）である。

図２２は、本実施形態に係る渋滞臨界を検出した際に後方の車両が車間距離を短くした場合のＱＶマップの例を示す図である。図２２において、横軸は車両数Ｑ（台／第３所定期間）（交通量）であり、縦軸は速度（ｋｍ／ｈ）である。
図２２に示すように、車間距離を現在の状態より短くした場合は、速度が５０～７０（ｋｍ／ｈ）に検出される車両数の群が形成され、図１３の符号ｇ３５２のような低速域（例えば５０（ｋｍ／ｈ）以下）の車両群が発生していない。すなわち、車間距離を短くした場合は、渋滞が発生していないことを意味している。

図２３は、比較対象の渋滞臨界を検出した際に後方の車両が車間距離を短くしなかった場合のＱＶマップの例を示す図である。図２３において、横軸と縦軸は図２２と同じである。
図２３に示すように、車間距離を現在の状態より短くしなかった場合は、速度が２０～８０（ｋｍ／ｈ）に検出される車両数の群が形成され、図１３の符号ｇ３５２のような低速域（例えば５０（ｋｍ／ｈ）以下）の車両群が発生している。すなわち、車間距離を短くしなかった場合は、渋滞が発生していることを意味している。

図２３、図２３に示した検証結果より、本実施形態のように、渋滞臨界初期を検出した際に後方の車両が車間距離もしくは車間時間を短くさせる制御を行った場合は、渋滞予兆を制御できる。

以上のように、本実施形態では、撮影した画像と学習モデルに基づいて、前方の車両数を検出するようにした。また本実施形態では、検出した前方の車両数の時系列の変化を回帰係数として算出し、算出した回帰係数の平均値を評価指標として算出するようにした。また、本実施形態では、算出した評価指標を用いて交通流を推定するようにした。

これにより、本実施形態によれば、交通流を精度良く推定できる。また、本実施形態によれば、渋滞臨界の初期では、車間距離もしくは車間時間を短くする指示、または、渋滞臨界の後期では、車間距離もしくは車間時間を長くする指示を送信することで、渋滞発生や延伸を抑制することができる。また、本実施形態によれば、渋滞予測した結果に基づいて、後方の車両に車間時間を短くする指示または長くする指示を送信することで、渋滞発生や延伸を抑制することができる。

なお、本発明における交通流推定装置１０の機能の全てまたは一部を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより交通流推定装置１０が行う処理の全てまたは一部を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。

また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形および置換を加えることができる。

１０…交通流推定装置、１１…車両検出部、１２…交通流推定部、１３…出力部、１４…通信部、１５…記憶部、１１１…撮影部、１１２…画像処理部、１１３…検出部、１２１…時系列取得部、１２２…評価指標算出部、１２３…渋滞状態判定部、１２４…交通量制御部、２０，３０，４０…車両

Claims (11)

1. 交通流推定装置であって、
   当該交通流推定装置の前方の車両数を検出する車両数検出部と、
   前記前方の車両数から交通流を推定する交通流推定部と、を備え、
   前記交通流推定部は、
   第１の所定期間における前記前方の車両数の時系列を車両数時系列として取得する取得部と、
   前記第１の所定期間における車両数時系列の評価指標を算出する評価指標算出部と、
   前記評価指標に基づいて前記前方の車両の前記交通流を判定する渋滞状態判定部と、
   前記前方の車両の前記交通流に基づいて、当該交通流推定装置の後方の車両に対して走行に関する指示を報知する交通流制御部と、
   を備え、
   前記評価指標は、前記第１の所定期間より長い第２の所定期間において、時間に対する検出された前記前方の車両数の変化の回帰係数を複数用いて算出される、交通流推定装置。
2. 前記評価指標は、
   複数の前記回帰係数の平均値として算出される、
   請求項１に記載の交通流推定装置。
3. 前記交通流推定部は、
   前記評価指標が第１しきい値以上の場合に、前記交通流が渋滞開始の状態であると判別すると共に、前記交通流制御部が渋滞抑制関連通知として車間時間を長くする車間時間制御指示を前記後方の車両に送信する、
   請求項１または請求項２に記載の交通流推定装置。
4. 前記交通流推定部は、
   前記評価指標が前記第１しきい値以下である第２しきい値以上の場合に、前記交通流が渋滞臨界の状態であると判別すると共に、前記交通流制御部が渋滞抑制関連通知として車間時間を短くする前記車間時間制御指示を前記後方の車両に送信する、
   請求項３に記載の交通流推定装置。
5. 前記交通流推定部は、
   前記渋滞開始の状態であると判別した後、前記渋滞開始の状態より前記評価指標が減少し且つ前記渋滞開始の状態における渋滞の長さである渋滞長に変化が無い場合、および前記渋滞開始の状態より前記評価指標が増加し且つ前記渋滞開始の状態より前記渋滞長が伸びた場合のうちすくなくとも１つの場合に、車間時間を短くする前記車間時間制御指示を前記後方の車両に送信する、
   請求項３に記載の交通流推定装置。
6. 前記交通流推定部は、
   前記渋滞開始の状態であると判別した後、前記渋滞開始の状態より前記評価指標が増加し且つ前記渋滞開始の状態における渋滞の長さである渋滞長に変化が無い場合、および前記渋滞開始の状態より前記評価指標が減少し且つ前記渋滞開始の状態より渋滞の長さである渋滞長が伸びた場合のうちすくなくとも１つの場合に、車間時間を長くする前記車間時間制御指示を前記後方の車両に送信する、
   請求項３に記載の交通流推定装置。
7. 前記車両数検出部は、
   当該交通流推定装置の前方を撮影する撮影部と、
   前記撮影された画像に対して画像処理を行う画像処理部と、を更に備え、
   前記撮影した画像に含まれている前方車両の数を車両数として検出する、
   請求項１から請求項６のいずれか１項に記載の交通流推定装置。
8. 前記車両数検出部は、学習用データセットによって学習した学習モデルを備え、
   前記学習モデルは、ニューラルネットワークモデルであり、
   前記学習用データセットは、車両が写る画像情報である入力データと、画像情報に写る車両の位置座標である出力データとが対応付けられたものであり、
   前記学習モデルは、前方画像を入力することで、前方画像に写る前方車両の位置座標を推定し、
   前記車両数検出部は、推定された座標位置に基づいて車両数として検出する、
   請求項７に記載の交通流推定装置。
9. 前記画像処理部は、前記撮影された画像に対して前記学習モデルを用いて、境界付けられた車両の領域であるバンディングボックスの座標位置を求め、
   求めた前記バンディングボックスの座標位置に基づいて、前記車両数を検出する、
   請求項８に記載の交通流推定装置。
10. 交通流推定装置における交通流推定方法であって、
    車両数検出部が、当該交通流推定装置の前方の車両数を検出し、
    交通流推定部が、前記前方の車両数から交通流を推定し、
    取得部が、第１の所定期間における前記前方の車両数の時系列を車両数時系列として取得し、
    評価指標算出部が、前記第１の所定期間における車両数時系列の評価指標を算出し、
    渋滞状態判定部が、前記評価指標に基づいて前記前方の車両の渋滞状態を判定し、
    交通流制御部が、前記前方の車両の渋滞状態に基づいて、当該交通流推定装置の後方の車両に対して走行に関する指示を報知し、
    前記評価指標は、前記第１の所定期間より長い第２の所定期間において、時間に対する検出された前記前方の車両数の変化の回帰係数を複数用いて算出される、
    交通流推定方法。
11. 交通流推定装置のコンピュータに、
    当該交通流推定装置の前方の車両数を検出させ、
    前記前方の車両数から交通流を推定させ、
    第１の所定期間における前記前方の車両数の時系列を車両数時系列として取得させ、
    前記第１の所定期間における車両数時系列の評価指標を算出させ、
    前記評価指標に基づいて前記前方の車両の渋滞状態を判定させ、
    前記前方の車両の渋滞状態に基づいて、当該交通流推定装置の後方の車両に対して走行に関する指示を報知させ、
    前記評価指標は、前記第１の所定期間より長い第２の所定期間において、時間に対する検出された前記前方の車両数の変化の回帰係数を複数用いて算出される、
    プログラム。

Images