JP7391669B2

JP7391669B2 - Traffic situation prediction device and traffic situation prediction method

Info

Publication number: JP7391669B2
Application number: JP2020000718A
Authority: JP
Inventors: 昌雄山城; 理恵子大塚
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2020-01-07
Filing date: 2020-01-07
Publication date: 2023-12-05
Anticipated expiration: 2040-01-07
Also published as: JP2021111002A

Description

本発明は、交通状況予測装置及び交通状況予測方法に関する。 The present invention relates to a traffic situation prediction device and a traffic situation prediction method.

プローブ（ＧＰＳ）を搭載した車両や携帯端末の普及により、位置情報を活用して道路混雑や遅延の発生を予測し、公共交通の発着時間を予測することが可能となっている。
例えば、特許文献１では、プローブデータから取得したプローブ速度から交通量を推測し、公共交通（バス）の発着遅延を予測している。 With the spread of vehicles and mobile terminals equipped with GPS probes, it has become possible to use location information to predict road congestion and delays, as well as the arrival and departure times of public transportation.
For example, in Patent Document 1, traffic volume is estimated from probe speed acquired from probe data, and delays in arrival and departure of public transportation (buses) are predicted.

また、特許文献２では、人が有する携帯端末から得られた位置情報とセンタ装置との通信遅延を加味し、通信に伴って発生する遅延時間に基づいて現在位置情報の誤差を補正してリアルタイムな位置情報を予測している。 In addition, in Patent Document 2, the communication delay between the location information obtained from a mobile terminal owned by a person and a center device is taken into consideration, and the error in the current location information is corrected based on the delay time that occurs with communication. It predicts location information.

ＷＯ２０１６－１７４７４５号公報WO2016-174745 publication 特開２００９－８５７６１号公報JP2009-85761A

しかし、特許文献１では、現在バスが道路のどの位置にいるのかについては、常にデータを取得できることを前提としている。例えば、５分に１回だけしか位置情報を取得できないといった制約下において、取得した位置情報からどのように現在位置や遅延発生を予測するかについては言及されていない。 However, Patent Document 1 assumes that data can always be obtained regarding where the bus is currently located on the road. For example, there is no mention of how to predict the current position or the occurrence of a delay from the acquired position information under the constraint that position information can only be acquired once every 5 minutes.

また、特許文献２では、全ての人が携帯端末を所持しているとは限らず、所持していても常に位置情報を発信しているとも限らない。よって、ＧＰＳのみで都市全体の人の流れを把握することは難しい。このように、特許文献２では、携帯端末以外の情報からリアルタイムに人の位置を予測することについての言及はなく、その他のデータソースに活用できる手法とは言い難い。 Further, in Patent Document 2, not all people have a mobile terminal, and even if they have a mobile terminal, they do not always transmit location information. Therefore, it is difficult to grasp the flow of people throughout a city using only GPS. As described above, Patent Document 2 does not mention predicting a person's position in real time from information other than a mobile terminal, and it is hard to say that this is a method that can be used for other data sources.

本発明の目的は、交通状況予測装置において、交通状況をリアルタイムかつより正確に把握することにある。 An object of the present invention is to provide a traffic situation prediction device that can more accurately grasp traffic situations in real time.

本発明の一態様の交通状況予測装置は、収集データ特性テーブルと個体観測情報推計部と個***置予測部とを有し、移動体の交通状況を予測する交通状況予測装置であって、前記収集データ特性テーブルは、前記交通状況予測装置に入力された位置情報収集データが集計データか個体データかを示す集計単位情報を前記移動体ごとに格納し、前記個体観測情報推計部は、前記集計単位情報に基づいて、前記位置情報収集データが前記集計データか前記個体データかを判定し、前記判定の結果、前記位置情報収集データが前記集計データの場合、前記集計データを前記個体データに置換して前記移動体毎に個体観測情報を生成し、前記個***置予測部は、前記個体観測情報に基づいて、予測対象時刻における前記移動体の位置を予測して個***置予測結果を出力することを特徴とする。 A traffic situation prediction device according to one aspect of the present invention is a traffic situation prediction device that has a collected data characteristic table, an individual observation information estimation unit, and an individual position prediction unit, and predicts the traffic situation of a mobile object, The data characteristic table stores aggregation unit information indicating whether the location information collection data inputted to the traffic situation prediction device is aggregate data or individual data for each of the moving objects, and the individual observation information estimation unit stores Based on the information, it is determined whether the location information collection data is the aggregate data or the individual data, and as a result of the determination, if the location information collection data is the aggregate data, the aggregate data is replaced with the individual data. to generate individual observation information for each of the moving objects, and the individual position prediction unit predicts the position of the moving object at a prediction target time based on the individual observation information and outputs an individual position prediction result. Features.

本発明の一態様の交通状況予測方法は、移動体の交通状況を予測する交通状況予測方法であって、前記交通状況予測装置に入力された位置情報収集データが集計データか個体データかを示す集計単位情報を前記移動体ごとに格納し、前記集計単位情報に基づいて、前記位置情報収集データが前記集計データか前記個体データかを判定し、前記判定の結果、前記位置情報収集データが前記集計データの場合、前記集計データを前記個体データに置換して前記移動体毎に個体観測情報を生成し、前記個体観測情報に基づいて、予測対象時刻における前記移動体の位置を予測して個***置予測結果を出力することを特徴とする。 A traffic situation prediction method according to one aspect of the present invention is a traffic situation prediction method for predicting a traffic situation of a mobile object, and the method indicates whether the location information collection data input to the traffic situation prediction device is aggregate data or individual data. Aggregation unit information is stored for each mobile object, and based on the aggregation unit information, it is determined whether the location information collection data is the aggregate data or the individual data, and as a result of the determination, the location information collection data is In the case of aggregated data, the aggregated data is replaced with the individual data to generate individual observation information for each moving object, and based on the individual observation information, the position of the moving object at the prediction target time is predicted and the individual It is characterized by outputting position prediction results.

本発明の一態様によれば、交通状況予測装置において、交通状況をリアルタイムかつより正確に把握することができる。 According to one aspect of the present invention, the traffic situation prediction device can grasp the traffic situation in real time and more accurately.

実施例の交通状況予測装置の構成を示す図である。FIG. 1 is a diagram showing the configuration of a traffic situation prediction device according to an embodiment. 位置情報収集データの一例を示す図である。FIG. 3 is a diagram showing an example of location information collection data. 収集データ特性テーブルの一例を示す図である。It is a figure which shows an example of a collected data characteristic table. 個体観測情報推計部のフローチャートである。It is a flowchart of an individual observation information estimation part. １次データ取得時刻推計部のフローチャートである。It is a flowchart of a primary data acquisition time estimating part. 個体観測情報推計結果の一例を示す図である。It is a figure showing an example of an individual observation information estimation result. 時刻表情報の一例を示す図である。It is a figure showing an example of timetable information. （ａ）は緯度経度マスタの一例を示す図であり、（ｂ）は目的地情報の一例を示す図である。(a) is a diagram showing an example of a latitude/longitude master, and (b) is a diagram showing an example of destination information. 個***置予測判断部のフローチャートである。It is a flowchart of an individual position prediction judgment part. 予測判断結果の一例を示す図である。It is a figure showing an example of a prediction judgment result. 移動先予測モデルの一例を示す図である。It is a figure showing an example of a movement destination prediction model. 個***置予測部のフローチャートである。It is a flowchart of an individual position prediction part. 個***置予測結果の一例を示す図である。It is a figure showing an example of an individual position prediction result. 交通情報予測画面の第一の例を示す図である。FIG. 3 is a diagram showing a first example of a traffic information prediction screen. 交通情報予測画面の第二の例を示す図である。It is a figure which shows the second example of a traffic information prediction screen.

以下、図面を用いて実施例について説明する。 Examples will be described below with reference to the drawings.

（交通状況予測装置）
図１を参照して、実施例の交通状況予測装置１の構成について説明する。
交通状況予測装置１は、一般的なコンピュータである。交通状況予測装置１は、中央制御装置１１、キーボード、マウス等の入力装置１２、ディスプレイ等の出力装置１３、通信装置１４、主記憶装置１５及び補助記憶装置１６を有する。これらはバスによって相互に接続されている。 (Traffic situation prediction device)
With reference to FIG. 1, the configuration of a traffic situation prediction device 1 according to an embodiment will be described.
The traffic situation prediction device 1 is a general computer. The traffic situation prediction device 1 includes a central control device 11, an input device 12 such as a keyboard and a mouse, an output device 13 such as a display, a communication device 14, a main storage device 15, and an auxiliary storage device 16. These are interconnected by a bus.

主記憶装置１５における、個体観測情報推計部２１、１次データ取得時刻推計部２２、個***置予測手法判断部２３及び個***置予測部２４は、プログラムである。以降、“○○部は”と主体を記した場合は、中央制御装置１１が、補助記憶装置１６から各プログラムを読み出し、主記憶装置１５にロードしたうえで、各プログラムの機能（詳細後記）を実現するものとする。 The individual observation information estimating section 21, the primary data acquisition time estimating section 22, the individual position prediction method determining section 23, and the individual position predicting section 24 in the main storage device 15 are programs. Hereinafter, when the subject is written as "○○ part", the central control unit 11 reads each program from the auxiliary storage device 16, loads it into the main storage device 15, and then displays the function of each program (details will be described later). shall be realized.

補助記憶装置１６は、位置情報収集データ３１、収集データ特性テーブル３２、個体観測情報推計結果３３、時刻表情報３４、目的地情報３５、予測判断結果３６、移動先予測モデル３７、緯度経度マスタ３８及び個***置予測結果３９を記憶する。交通状況予測装置１は、ネットワーク４を介して、外部システム２及び外部サーバ３と通信可能である。ここで、外部システム２とは、例えば運行管理システムであり、リアルタイムに時刻表情報を取得しても良い。また、運行管理システム側へ個***置予測結果３９を配信し、都市全体のリアルタイム交通情報を鉄道やバスの運行管理に活用しても良い。外部サーバ３とは、例えば、ＧＰＳデータ収集サーバであり、ネットワーク４を介して位置情報データを取得しても良い。 The auxiliary storage device 16 stores location information collection data 31, collected data characteristic table 32, individual observation information estimation results 33, timetable information 34, destination information 35, prediction judgment results 36, destination prediction model 37, latitude and longitude master 38. and the individual position prediction result 39 are stored. The traffic situation prediction device 1 can communicate with an external system 2 and an external server 3 via a network 4. Here, the external system 2 is, for example, a traffic management system, and may acquire timetable information in real time. Alternatively, the individual position prediction results 39 may be distributed to the traffic management system, and real-time traffic information for the entire city may be utilized for railway and bus operation management. The external server 3 is, for example, a GPS data collection server, and may acquire position information data via the network 4.

（位置情報収集データ）
図２を参照して、位置情報収集データ３１を説明する。
位置情報収集データ３１においては、データ取得時刻欄１０１には、交通状況予測装置１にデータが入力された時点の時刻が、取得データ情報欄１０２には、位置情報を含む移動体の計測情報が記憶されている。 (location information collection data)
With reference to FIG. 2, the location information collection data 31 will be explained.
In the location information collection data 31, the data acquisition time field 101 shows the time when the data was input to the traffic situation prediction device 1, and the acquired data information field 102 shows the measurement information of the moving object including the location information. remembered.

例えば、（ｂ）の収集データＢ１０３は、車両の位置情報を取得した結果であり、１０時１分に車両ＩＤ：００１の緯度経度を取得し（１０４）、１０時２分に車両ＩＤ：００２の緯度経度を取得している（１０５）。（ｄ）の収集データＤ１０６は、ある地点の交通量を取得したデータである。１０時２５分に５人の交通量を取得し（１０７）、１０時４０分に１０人の交通量を取得している（１０８）。 For example, collected data B103 in (b) is the result of acquiring vehicle position information, and the latitude and longitude of vehicle ID: 001 are acquired at 10:01 (104), and the latitude and longitude of vehicle ID: 002 are acquired at 10:02. The latitude and longitude of is acquired (105). The collected data D106 in (d) is data obtained by acquiring the traffic volume at a certain point. The traffic volume of 5 people is acquired at 10:25 (107), and the traffic volume of 10 people is acquired at 10:40 (108).

（収集データ特性テーブル）
図３を参照して、収集データ特性テーブル３２を説明する。
収集データ特性テーブル３２は、交通状況予測装置１に入力される位置情報収集データ３１がどのような属性や特性を持っているかの情報を記憶している。具体的に、項番欄２０１には項番が記憶されている。収集データ名欄２０２には収集データ名が記憶されている。事業者名欄２０３には収集データを取り扱っている事業者名が記憶されている。移動体欄２０４には列車、バス、人、タクシー、車などの移動体名が記憶されている。集計単位情報欄２０５には収集データが個体観測データなのか、集計結果なのかの情報が記憶されている。 (Collected data characteristics table)
The collected data characteristic table 32 will be explained with reference to FIG.
The collected data characteristic table 32 stores information about what kind of attributes and characteristics the positional information collected data 31 input to the traffic situation prediction device 1 has. Specifically, the item number column 201 stores item numbers. The collected data name column 202 stores collected data names. The business name column 203 stores the name of a business that handles the collected data. The moving object column 204 stores names of moving objects such as trains, buses, people, taxis, and cars. The aggregation unit information column 205 stores information as to whether the collected data is individual observation data or the aggregation result.

データソース欄２０６にはＧＰＳ、カメラ、その他のセンサなどの収集データの取得手段が記憶されている。データ区分欄２０７には収集データが１次データなのか、あるいはｎ次データのかの情報が記憶されている。１次データ時刻情報欄２０８には収集データの取得データ欄１０１に１次データの時刻情報が含まれているかどうかの情報が記憶されている。 The data source column 206 stores collection data acquisition means such as GPS, cameras, and other sensors. The data classification field 207 stores information as to whether the collected data is primary data or n-th data. The primary data time information column 208 stores information as to whether or not the acquired data column 101 of the collected data includes time information of the primary data.

集計時間粒度欄２０９には収集データの時間レンジの粒度が記憶されている。データ取得頻度欄２１０には収集データの取得頻度が記憶されている。ｎ次データ生成までの処理時間欄２１１には、移動***置情報の観測後、そのデータが外部システムによって集計及び加工され、交通状況予測装置１に入力されるまでに要する時間が記憶されている。なお、ｎ次データ生成までの処理時間欄２１１には、処理に要した時間の他に通信遅延なども含めても良い。 The aggregation time granularity column 209 stores the granularity of the time range of collected data. The data acquisition frequency column 210 stores the acquisition frequency of collected data. The processing time column 211 until n-th data generation stores the time required for the data to be aggregated and processed by an external system and input to the traffic situation prediction device 1 after the mobile object position information is observed. . Note that the processing time column 211 until n-th data generation may include communication delays and the like in addition to the time required for processing.

（個体観測情報推計部）
図４を参照して、個体観測情報推計の手順を説明する。
ここで、実施例における”個体”とは、移動体単体のことであり、例えば、人であれば、個体観測情報推計部２１は、個人単位の観測時刻と観測位置を推計する。 (Individual Observation Information Estimation Department)
The procedure for estimating individual observation information will be explained with reference to FIG.
Here, the "individual" in the embodiment refers to a single moving object. For example, in the case of a person, the individual observation information estimating unit 21 estimates the observation time and observation position for each individual.

ステップＳ２０１において、個体観測情報推計部２１は、位置情報収集データ３１を取得する。ステップＳ２０２において、個体観測情報推計部２１は、収集データ特性テーブル３２から集計単位情報２０５を取得する。 In step S201, the individual observation information estimation unit 21 acquires the location information collection data 31. In step S202, the individual observation information estimation unit 21 obtains the aggregation unit information 205 from the collected data characteristic table 32.

ステップＳ２０３において、個体観測情報推計部２１は、収集データ名２０２に紐づいた集計単位情報２０５を用いて、各収集データが集計データなのか単体データなのかを判定する。もし、集計データであった場合、ステップＳ２０４において、個体観測情報推計部２１は、収集データ特性テーブル３２の集計時間粒度２０９を基に個々の個体観測情報を生成する。 In step S203, the individual observation information estimating unit 21 uses the aggregation unit information 205 linked to the collected data name 202 to determine whether each piece of collected data is aggregated data or individual data. If it is aggregate data, the individual observation information estimation unit 21 generates individual observation information based on the aggregate time granularity 209 of the collected data characteristic table 32 in step S204.

以下、具体的な例を挙げ、個体観測情報の生成方法を説明する。例えば、位置情報収集データＺが緯度経度（Ｘ，Ｙ）の定点カメラ計測された１０時～１０時５分までの集計データであり、計６人であったとする。その際、ステップＳ２０３では１０時、１０時１分、１０時２分、１０時３分、１０時４分、１０時５分に（Ｘ，Ｙ）での人の通過（計６名）が発生したと推計する。これにより集計データであっても単体データに置換することができる。上記の例では時間レンジ内で等分散して人が通過したとしているが、時間レンジの中で疎密なデータとしても良い。 Hereinafter, a method for generating individual observation information will be explained using a specific example. For example, assume that the location information collection data Z is aggregated data measured by a fixed point camera at latitude and longitude (X, Y) from 10:00 to 10:05, and there are a total of six people. At that time, in step S203, people passing by (X, Y) (6 people in total) at 10:00, 10:01, 10:02, 10:3, 10:04, and 10:05 are detected. It is estimated that this occurred. This allows even aggregate data to be replaced with single data. In the above example, it is assumed that people passed by evenly distributed within the time range, but it may be data that is sparse and dense within the time range.

ステップＳ２０５において、個体観測情報推計部２１は、結果を個体観測情報推計結果３３に保存する。個体観測情報推計を行うことにより、全ての収集データは個体データとして扱うことが可能となる。 In step S205, the individual observation information estimation unit 21 stores the result in the individual observation information estimation result 33. By estimating individual observation information, all collected data can be treated as individual data.

（１次データ取得時刻推計部）
図５を参照して、１次データ取得時刻推計の手順を説明する。
ここで、実施例における”１次データ取得時刻”とは、移動***置を観測した時点のタイムスタンプを示す。様々な収集データにおいて、必ずしも移動***置を取得した時点のタイムスタンプが存在するとは限らない。また、収集されたデータは複数のシステムを介した上で本実施形態に入力される場合も考えられ、その際、システムを経由することによる通信遅延を加味した予測を行う必要がある。 (Primary data acquisition time estimation department)
The procedure for estimating the primary data acquisition time will be described with reference to FIG. 5.
Here, the "primary data acquisition time" in the embodiment indicates a timestamp at the time when the position of the mobile object was observed. In various collected data, there is not necessarily a timestamp at the time when the location of the mobile object was acquired. Furthermore, the collected data may be input to the present embodiment via multiple systems, and in this case, it is necessary to make predictions that take into account communication delays due to passing through the systems.

ステップＳ３０１において、１次データ取得時刻推計部２２は、個体観測情報推計結果を取得する。なお、Ｓ３０１の時点の結果では、取得時刻と合わせた個体データが格納されている状態となっている。個体観測情報推計結果の詳細は後述する。 In step S301, the primary data acquisition time estimating unit 22 acquires the individual observation information estimation result. Note that the result at S301 is that individual data combined with the acquisition time is stored. Details of the individual observation information estimation results will be described later.

ステップＳ３０２において、１次データ取得時刻推計部２２は、収集データ特性テーブル３２からデータ区部２０７を取得する。 In step S302, the primary data acquisition time estimating unit 22 acquires the data section 207 from the collected data characteristic table 32.

ステップＳ３０３において、１次データ取得時刻推計部２１は、各収集データが１次データであるかどうかを判定する。１次データではなかった場合、ステップＳ３０４において、１次データ取得時刻推計部２２は、収集データ特性テーブル３２のｎ次データ生成までの処理時間２１１を基に個々の１次データ取得時刻を推定する。 In step S303, the primary data acquisition time estimation unit 21 determines whether each piece of collected data is primary data. If it is not primary data, in step S304, the primary data acquisition time estimating unit 22 estimates the individual primary data acquisition time based on the processing time 211 until nth data generation in the collected data characteristics table 32. .

以下、具体的な例を挙げて１次データ取得時刻の推定方法を説明する。項番２の取集データＢ（２１２）は、データ区分２０７より、２次データ、すなわち、観測データである１次データから何らかの処理を経た後の結果であることが分かる。収集データＢに関し、実際の観測時刻を推計するためには、その処理に要した時間を差し引く必要がある。ｎ次データ生成までの処理時間２１１を参照すると、２次データである収集データＢの作成に要した時間（通信遅延も含む）は１分であることが分かる。 Hereinafter, a method for estimating the primary data acquisition time will be explained using a specific example. It can be seen from the data classification 207 that the collected data B (212) of item number 2 is secondary data, that is, the result of some processing performed on primary data that is observation data. Regarding collected data B, in order to estimate the actual observation time, it is necessary to subtract the time required for the processing. Referring to the processing time 211 until n-th data generation, it can be seen that the time required to create collected data B, which is secondary data (including communication delay), is 1 minute.

これより、収集データＢに関しては、取得時刻から１分前の時刻が実際の観測時刻であると推測できる。ｎ次データ生成までの処理時間２１１に関しては、データサイズの問題や通信環境の問題で定数とできない可能性もある。そのため、ｎ次データ生成までの処理時間２１１に外部パラメータを加えた計算式を定義しても良い。 From this, it can be inferred that for the collected data B, the time one minute before the acquisition time is the actual observation time. Regarding the processing time 211 until n-th data generation, there is a possibility that it cannot be set as a constant due to data size problems or communication environment problems. Therefore, a calculation formula may be defined in which an external parameter is added to the processing time 211 until the n-th data is generated.

ステップＳ３０５において、１次データ取得時刻推計部２１は、個体観測情報推計結果に１次データ取得時刻として、取得時刻あるいはステップＳ３０４で推計した推計観測時刻を追加する。 In step S305, the primary data acquisition time estimating unit 21 adds the acquisition time or the estimated observation time estimated in step S304 as the primary data acquisition time to the individual observation information estimation result.

（個体観測情報推計結果）
図６を参照して、個体観測情報推計結果３３を説明する。
個体観測情報推計結果３３においては、個体ＩＤ欄３０１には個体ＩＤが記憶されている。移動体欄３０２には列車、バス、人、タクシー、車などの移動体名が記憶されている。データソース欄３０３にはＧＰＳ、カメラ、その他のセンサーなどのデータ取得手段が記憶されている。緯度欄３０４には移動体の緯度情報が記憶されている。経度欄３０５には移動体の経度情報が記憶されている。取得時刻欄３０６には個体観測情報推計部２１で推計された各移動体の取得時刻が記憶されている。推計観測時刻欄３０７には１次データ取得時刻推計部２２で推計された各移動体の観測予測時刻が記憶されている。 (Individual observation information estimation results)
The individual observation information estimation result 33 will be explained with reference to FIG.
In the individual observation information estimation result 33, the individual ID is stored in the individual ID column 301. The moving object column 302 stores names of moving objects such as trains, buses, people, taxis, and cars. Data source column 303 stores data acquisition means such as GPS, cameras, and other sensors. The latitude column 304 stores latitude information of the mobile object. The longitude column 305 stores longitude information of the moving object. The acquisition time column 306 stores the acquisition time of each moving body estimated by the individual observation information estimation unit 21. The estimated observation time column 307 stores the predicted observation time of each moving object estimated by the primary data acquisition time estimator 22.

（時刻表情報）
図７を参照して、時刻表情報３４を説明する。
時刻表情報３４おいては、始点終点情報４０１と走行時間情報４０２が記憶されている。始点終点情報４０１では、事業者名欄４０３には事業者名が記憶されている。移動体欄４０４には移動体名が記憶されている。始発欄４０５には始発駅、始発停留所名が記憶されている。終点欄４０６には終点駅、終点停留所名が記憶されている。始発時刻欄４０７には始発時刻の一覧が記憶されている。走行時分情報４０２では、事業者名欄４０８には事業者名が記憶されている。移動体欄４０９には移動体名が記憶されている。区間欄４１０には走行区間あるいは停車駅・停留所名が記憶されている。所要時間欄４１１には移動時間あるいは停車時間が記憶されている。緯度経度マスタ名称欄４１２には緯度経路マスタ３５から緯度経度情報を参照するための名称が記憶されている。 (timetable information)
The timetable information 34 will be explained with reference to FIG.
In the timetable information 34, start point/end point information 401 and traveling time information 402 are stored. In the start point/end point information 401, a company name is stored in a company name column 403. A moving object column 404 stores moving object names. The first train column 405 stores the names of the first train station and the first stop. The terminal station and stop name are stored in the terminal column 406. The first train time column 407 stores a list of first train times. In the travel time information 402, a business name is stored in a business name column 408. A moving object column 409 stores moving object names. The section column 410 stores the running section or the name of the station or stop. The travel time or stopping time is stored in the required time column 411. The latitude and longitude master name column 412 stores names for referring to latitude and longitude information from the latitude and longitude route master 35.

（緯度経度マスタ）
図８（ａ）を参照して、緯度経度マスタ３５を説明する。
緯度経度マスタ３５においては、名称欄５０１に地点名あるいは経路名が記憶されている。番号欄５０２には各名称の緯度経路データ数に対応した連番（地点名であれば必ず１点、経路名であれば複数点の線分データ）が記憶されている。緯度欄５０３には緯度情報が記憶されている。経度欄５０４には経度情報が記憶されている。 (Latitude and longitude master)
The latitude and longitude master 35 will be explained with reference to FIG. 8(a).
In the latitude and longitude master 35, a name column 501 stores a point name or a route name. The number column 502 stores a serial number corresponding to the number of latitude route data for each name (line segment data of one point if it is a point name, and multiple points if it is a route name). Latitude information is stored in the latitude column 503. Longitude information is stored in the longitude column 504.

（目的地情報）
図８（ｂ）を参照して、目的地情報３６を説明する。
目的地情報３６においては、事業者名欄５０５には事業者名が記憶されている。移動体欄６０６には移動体名が記憶されている。個体ＩＤ欄５０７に個体ＩＤが記憶されている。目的地欄５０８には目的地情報が記憶されている。経路欄５０９には経路情報が記憶されている。 (destination information)
The destination information 36 will be explained with reference to FIG. 8(b).
In the destination information 36, a business name column 505 stores a business name. A moving object column 606 stores moving object names. The individual ID is stored in the individual ID column 507. Destination information is stored in the destination column 508. Route information is stored in route column 509.

目的地情報３６は各個体ＩＤについて、目的地が設定されていた場合のみデータを取得する。経路欄５０９は目的地に加えて移動経路が設定されている場合のみデータを取得し、データがない場合は、例えば”－“としておく。目的地情報は必ずしも必要ではなく、時刻表に合わせて移動する移動体や目的地不明の移動体については目的地情報を保有しない。 Destination information 36 acquires data only when a destination is set for each individual ID. In the route column 509, data is acquired only when a travel route is set in addition to the destination, and if there is no data, it is set as "-", for example. Destination information is not necessarily required, and destination information is not held for moving objects that move according to a timetable or for moving objects whose destination is unknown.

（個***置予測手法判定部）
図９を参照して、個***置予測手法判定の手順を説明する。
個***置予測を行うためには対象となる移動体が時刻表に基づいて移動しているのか、あるいは決められた目的地に対して移動しているのか、それとも目的地不明なのかを把握する必要がある。個***置予測手法判定部２３では、それらの情報を取得し、どういった予測が必要かを判定する。 (Individual position prediction method determination unit)
The procedure for determining the individual position prediction method will be described with reference to FIG.
In order to predict the location of an individual, it is necessary to understand whether the target moving object is moving based on a timetable, moving to a fixed destination, or whether the destination is unknown. There is. The individual position prediction method determination unit 23 acquires this information and determines what kind of prediction is required.

ステップＳ４０１において、個***置予測手法判定部２３は、個体観測情報推計結果から各個体の個体ＩＤおよび移動体情報を取得する。ステップＳ４０２において、個***置予測手法判定部２３は、取得した移動体情報に紐づいた時刻表情報が存在するかどうかを参照し、時刻表情報３４が存在すれば“有”、なければ“無”と判定する。もし、時刻表情報が“有”だった場合、目的地予測や経路予測は不要のため、ステップＳ４０３を省略しても良い。 In step S401, the individual position prediction method determination unit 23 acquires the individual ID and moving body information of each individual from the individual observation information estimation result. In step S402, the individual position prediction method determination unit 23 refers to whether or not timetable information linked to the acquired moving object information exists, and if the timetable information 34 exists, it is "Yes", otherwise it is "No". ” is determined. If the timetable information is "Yes", destination prediction and route prediction are unnecessary, and step S403 may be omitted.

ステップＳ４０３において、個***置予測手法判定部２３は、取得した個体ＩＤに紐づいた目的地情報３６が存在するかどうかを参照し、目的地情報３６が存在すれば目的地予測を“不要”とし、存在しなければ“要”とする。更に、目的地情報３６の中で経路欄５０９に経路情報が入力されていれば（”－”ではない場合）、経路予測を“不要”とし、経路情報が入力されていなければ（“－”の場合）、経路予測を“要”とする。ステップＳ４０４において、個***置予測手法判定部２３は、予測判断結果を出力する。 In step S403, the individual position prediction method determination unit 23 refers to whether destination information 36 linked to the acquired individual ID exists, and if destination information 36 exists, determines that destination prediction is "unnecessary". , if it does not exist, mark it as “required”. Furthermore, if route information is entered in the route field 509 in the destination information 36 (not "-"), route prediction is set to "unnecessary", and if route information is not entered ("-") ), route prediction is “essential”. In step S404, the individual position prediction method determination unit 23 outputs the prediction determination result.

（予測判断結果）
図１０を参照して、予測判断結果３７を説明する。
予測判断結果３７においては、個体ＩＤ欄６０１には個体ＩＤが記憶されている。移動体欄６０２には移動体名が記憶されている。時刻表有無欄６０３には各個体ＩＤに対する時刻表情報３４の有無が記憶されている。目的地予測欄６０４には目的地予測が必要か否かの判断結果が記憶されている。経路予測欄６０５には経路予測が必要か否かの判断結果が記憶されている。 (Predicted judgment result)
The prediction judgment result 37 will be explained with reference to FIG.
In the prediction judgment result 37, the individual ID is stored in the individual ID column 601. A moving object column 602 stores moving object names. The timetable presence/absence column 603 stores the presence/absence of timetable information 34 for each individual ID. The destination prediction column 604 stores the determination result as to whether or not destination prediction is necessary. The route prediction column 605 stores the determination result as to whether or not route prediction is necessary.

（移動先予測モデル）
図１１を参照して、移動先予測モデル３８を説明する。
移動先予測モデル３８では、ある地点（エリア）にいた移動体（人、車両など）がどこに移動するかについて確率的に予測したモデルである。移動先予測モデル３８においては、移動体欄６０１に移動体名が記憶されている。移動元欄６０２に移動元の地点名（エリア名）が記憶されている。時間帯欄６０３に時間帯情報が記憶されている。移動先欄６０４に移動先地点名（エリア名）が記憶されている。経路欄６０５に経路情報が記憶されている。滞在・移動時間欄６０６に滞在時間あるいは移動時間が記憶されている。移動確率欄６０７に移動元から移動先に移動する確率が記憶されている。 (Destination prediction model)
The destination prediction model 38 will be explained with reference to FIG. 11.
The destination prediction model 38 is a model that probabilistically predicts where a moving object (person, vehicle, etc.) at a certain point (area) will move. In the movement destination prediction model 38, a moving object name is stored in a moving object column 601. The movement source column 602 stores the movement source point name (area name). Time zone information is stored in the time zone column 603. A destination column 604 stores a destination point name (area name). Route information is stored in route column 605. The stay time or travel time is stored in the stay/travel time column 606. The movement probability column 607 stores the probability of moving from the movement source to the movement destination.

以下、移動体：人Ａ、移動元：エリアＡ、時間帯：６時（６０８）を例とし、具体的にモデルの説明を行う。（６０８）で示す５行のデータはエリアＡに滞在する６時台の人が次にどのエリアに移動するかを予測するモデルである。上からエリアＡからエリアＡに移動、すなわちエリアＡに１０分間留まる人が１０％、１５分留まる人が１０％、エリアＡからエリアＢに経路００１を経由して移動する人が３０％、経路００２を経由する人が４０％、エリアＡからエリアＣに経路００３を経由して移動する人が１０％となる。これらを合計すると、０．１＋０．１＋０．３＋０．４＋０．１＝１．０となり、６時台にエリアＡで観測された人が確率的にどこに分散移動するかを予測することができる。これらのデータは例えば、ＧＰＳの実績データを蓄積し、各移動体の移動確率を算出することで、モデル化することが可能である。 Hereinafter, the model will be specifically explained using a moving object: person A, a moving source: area A, and a time zone: 6 o'clock (608) as an example. The five rows of data indicated by (608) are a model for predicting which area a person staying in area A around 6 o'clock will move to next. From the top, 10% of people move from area A to area A, that is, 10% of people stay in area A for 10 minutes, 10% of people stay for 15 minutes, 30% of people move from area A to area B via route 001, 40% of people travel via route 002, and 10% travel from area A to area C via route 003. The sum of these results is 0.1+0.1+0.3+0.4+0.1=1.0, and it is possible to predict where a person observed in area A at 6 o'clock will probabilistically move to. These data can be modeled by, for example, accumulating GPS performance data and calculating the movement probability of each moving object.

（個***置予測部）
図１２を参照して、個***置予測部の手順を説明する。
ステップＳ５０１において、個***置予測部２４は、予測対象時刻を入力する。予測対象時刻は、例えば現在時刻を入力するあるいは任意の未来の時刻を入力しても良い。 (Individual position prediction unit)
The procedure of the individual position prediction unit will be explained with reference to FIG.
In step S501, the individual position prediction unit 24 inputs a prediction target time. As the prediction target time, for example, the current time or any future time may be input.

ステップＳ５０２において、個***置予測部２４は、個体観測情報推計結果を取得する。ステップＳ５０３において、個***置予測部２４は、各個体ＩＤに紐づく予測判断結果を取得する。ステップＳ５０４において、個***置予測部２４は、時刻表データの有無を確認する。もし、時刻表データが存在する場合、ステップＳ５０５において、個***置予測部２４は、時刻表情報３４を参照し、予測対象時刻における移動***置を予測する。 In step S502, the individual position prediction unit 24 acquires the individual observation information estimation result. In step S503, the individual position prediction unit 24 obtains prediction determination results associated with each individual ID. In step S504, the individual position prediction unit 24 checks the presence or absence of timetable data. If timetable data exists, in step S505, the individual position prediction unit 24 refers to the timetable information 34 and predicts the position of the moving object at the prediction target time.

以下、時刻表情報３４を用いた移動***置予測方法について、具体的に説明する。例えば、列車であれば時刻表を持つ列車であれば、次に到着する駅は自明となっている。より具体的には、時刻表３４の列車Ａであれば始発は駅Ａであり、次の行先は駅Ｂであることが自明である。また、駅Ａから駅Ｂへの移動に要する時間は２．５分であることが所要時間４１１により分かる。これより、仮に駅Ａで１０時に列車Ａが観測され、予測対象時刻として１０時２分３０秒後の予測を行う場合、列車Ａの位置は２．５分後の移動先である駅Ｂにいることが予測できる。 Hereinafter, a method for predicting the position of a mobile object using the timetable information 34 will be specifically explained. For example, if a train has a timetable, the next station it will arrive at is obvious. More specifically, if it is train A in the timetable 34, it is obvious that the first train is station A and the next destination is station B. Further, it can be seen from the required time 411 that the time required to travel from station A to station B is 2.5 minutes. From this, if train A is observed at station A at 10 o'clock and the prediction target time is 10:02:30, then train A's position will be at station B, which is the destination 2.5 minutes later. It can be predicted that there will be.

ここで、個体観測情報推計結果３３で観測している情報は、緯度３０４と経度３０４となっている。そのため、観測された緯度経度が時刻表におけるどの位置に該当するのかを把握する必要がある。より具体的には、緯度経度マスタ３５の緯度経度情報と観測された緯度経度情報を比較し、最も緯度経度が違い名称５０１を観測地点とする必要がある。時刻表を有する移動体の予測に関し、仮に予測対象の列車が終点駅に到達していた場合、これ以上列車位置の予測は行わないと判断することも可能である。 Here, the information observed in the individual observation information estimation result 33 is latitude 304 and longitude 304. Therefore, it is necessary to know to which position on the timetable the observed latitude and longitude correspond. More specifically, it is necessary to compare the latitude and longitude information in the latitude and longitude master 35 with the observed latitude and longitude information, and select the name 501 with the greatest difference in latitude and longitude as the observation point. Regarding the prediction of a moving object having a timetable, if the train to be predicted has reached the terminal station, it may be determined that the train position will not be predicted any further.

図１２に戻り、説明を続ける。もし、時刻表データが存在しない移動体の場合、ステップＳ５０６において、目的地情報３６および移動先予測モデル３８を用いて予測対象時刻における移動***置を予測する。 Returning to FIG. 12, the explanation will be continued. If the moving object does not have timetable data, the destination information 36 and destination prediction model 38 are used to predict the moving object's position at the prediction target time in step S506.

以下、目的地情報３６および移動先予測モデル３８を用いた移動***置予測方法について、具体的に説明する。予測判断結果３７において目的地予測が“不要”であり、経路予測が“要”である場合、移動先予測モデル３８を用いて経路を予測する必要がある。仮に、移動体が人Ａであり、時間帯が６時台、移動元がエリアＡ、目的地（移動先）がエリアＢであるとする。 Hereinafter, a method for predicting the position of a mobile object using the destination information 36 and the destination prediction model 38 will be specifically described. If the prediction judgment result 37 indicates that the destination prediction is "unnecessary" and the route prediction is "required", it is necessary to predict the route using the destination prediction model 38. Assume that the moving object is person A, the time zone is around 6 o'clock, the source is area A, and the destination (destination) is area B.

この情報を基に、移動先予測モデル３８を参照すると、経路候補として経路００１と経路００２が該当する。それぞれ移動確率６０７は０．３と０．４となっており、経路００１を使う確率が０．３／０．７、経路００２を使う確率が０．４／０．７となり、仮に該当の移動体が７人存在したとすれば、３名人を経路００１を利用してエリアＢに向かう、４名を経路００２を利用してエリアＢに向かうと予測しても良い。このとき、例えば、予測対象時刻が１分後であった場合、７人全てが経路００１および経路００２の線分上に存在すると予測できる。 When the destination prediction model 38 is referred to based on this information, route 001 and route 002 correspond as route candidates. The movement probabilities 607 are 0.3 and 0.4, respectively, and the probability of using route 001 is 0.3/0.7 and the probability of using route 002 is 0.4/0.7. If there are seven people, it may be predicted that three people will head to area B using route 001, and four people will head to area B using route 002. At this time, for example, if the prediction target time is one minute later, it can be predicted that all seven people will be on the line segment of route 001 and route 002.

より具体的には、経路００１の移動時間は４分であり、経路００２の移動時間が６分であることから、経路００１においては、経路上の１／４地点、経路００２においては形状の１／６地点であると予測できる。もし、予測対象時刻が移動時間を超えた場合（上記の場合、６分を超えるとエリアＢにすべての移動体が到達する）、到達した移動先を移動元に置き換え、同様に次の移動先の予測を行うことで、何分先であっても移動体の位置を予測することが可能となる。 More specifically, since the travel time for route 001 is 4 minutes and the travel time for route 002 is 6 minutes, route 001 has a 1/4 point on the route, and route 002 has a 1/4 point on the route. /6 points can be predicted. If the predicted time exceeds the travel time (in the above case, all moving objects will arrive at area B after 6 minutes), replace the arrived destination with the source and move to the next destination in the same way. By making predictions, it becomes possible to predict the position of a moving object no matter how many minutes in advance.

予測判断結果３７において、目的地予測が“要”であり、経路予測も“要”である場合、移動先予測モデル３８を用いて移動先と経路の双方を予測する必要がある。仮に、移動体が人Ａであり、時間帯が６時台、移動元がエリアＡであった場合、移動先および経路の候補としては、（６０８）で示す５行のデータとなる。 In the prediction judgment result 37, if the destination prediction is "required" and the route prediction is also "required", it is necessary to use the destination prediction model 38 to predict both the destination and the route. For example, if the moving object is person A, the time zone is around 6 o'clock, and the movement source is area A, the movement destination and route candidates are five rows of data shown in (608).

上からエリアＡからエリアＡに移動、すなわちエリアＡに１０分間留まる人が１０％、１５分留まる人が１０％、エリアＡからエリアＢに経路００１を経由して移動する人が３０％、経路００２を経由する人が４０％、エリアＡからエリアＣに経路００３を経由して移動する人が１０％である。これら移動確率を用いることで移動体の位置を予測することが可能となる（予測手法は、目的地予測が“不要”であり、経路予測が“要”である場合と同様のため省略する）。
上記、予測した結果は、ステップＳ５０７において、個***置予測結果に保存する。 From the top, 10% of people move from area A to area A, that is, 10% of people stay in area A for 10 minutes, 10% of people stay for 15 minutes, 30% of people move from area A to area B via route 001, 40% of people travel via route 002, and 10% travel from area A to area C via route 003. By using these movement probabilities, it is possible to predict the position of a moving object (the prediction method is omitted because it is the same as the case where destination prediction is “unnecessary” and route prediction is “essential”) .
The above predicted result is saved as an individual position prediction result in step S507.

（個***置予測結果）
図１３を参照して、個***置予測結果３９を説明する。
個***置予測結果３９においては、個体ＩＤ欄７０１には個体ＩＤが記憶されている。移動体欄７０２には移動体名が記憶されている。推計観測時刻欄７０３には推計観測時刻が記憶されている。緯度欄７０４には観測した移動体の緯度が記憶されている。経度欄７０５には観測した移動体の経度が記憶されている。データソース欄７０６にはデータソース名が記憶されている。予測対象時刻欄７０７には予測対象時刻が記憶されている。時刻差分欄７０８には推計観測時刻と予測対象時刻の時刻差分が記憶されている。予測緯度欄７０９には個***置予測部２４で予測した移動体の緯度が記憶されている。予測経度欄７１０には個***置予測部２４で予測した移動体の緯度が記憶されている。 (Individual position prediction result)
The individual position prediction result 39 will be explained with reference to FIG. 13.
In the individual position prediction result 39, an individual ID is stored in an individual ID column 701. A moving object column 702 stores moving object names. The estimated observation time column 703 stores estimated observation times. The latitude column 704 stores the latitude of the observed mobile object. The longitude column 705 stores the longitude of the observed moving object. The data source column 706 stores data source names. The prediction target time column 707 stores prediction target times. The time difference column 708 stores the time difference between the estimated observation time and the prediction target time. The predicted latitude column 709 stores the latitude of the moving body predicted by the individual position prediction unit 24. The predicted longitude column 710 stores the latitude of the moving body predicted by the individual position prediction unit 24.

（システム画面）
交通状況予測装置１は、ユーザー、例えば交通情報監視者が都市の交通状況を把握するための画面等を有する。以下に具体的な画面の一例を示して説明する。 (System screen)
The traffic situation prediction device 1 has a screen and the like for a user, for example, a traffic information monitor, to grasp the traffic situation in the city. An example of a specific screen will be shown and explained below.

（システム画面：交通情報予測画面）
図１４を参照して、交通情報予測画面の第１の例（８０）を説明する。
交通情報予測画面８０は、個体観測情報推計結果３３の表示（８０１）と個***置予測結果３９の表示（８０２）を行っている例である。個体観測情報推計結果３３の表示（８０１）では、各収集データの取得座標に合わせて地図上に円形のマークを表示させている（例えば、収集データであれば収集データ量に合わせた円のサイズ、個体データであれば小型の円とするなど）。 (System screen: Traffic information prediction screen)
A first example (80) of the traffic information prediction screen will be described with reference to FIG. 14.
The traffic information prediction screen 80 is an example in which the individual observation information estimation result 33 is displayed (801) and the individual position prediction result 39 is displayed (802). In the display of the individual observation information estimation results 33 (801), a circular mark is displayed on the map according to the acquisition coordinates of each collected data (for example, in the case of collected data, the size of the circle according to the amount of collected data is displayed) , if it is individual data, use a small circle, etc.).

個体観測情報推計結果３３の表示（８０１）では、収集データＤが選択されている状態となっており（逆三角のマークが選択位置）、収集データＤの個体ＩＤ一覧や、移動体および推計観測時刻が表示されている（８０３）。個***置予測結果３９の表示（８０２）では、集計データも全て個体データに置き換えて位置情報を予測した結果を表示させており、予測対象時刻を１０時２５分に設定している例である。個***置予測結果３９の表示（８０２）では、移動体：ｄ－００１が選択されている状態となっており（逆三角のマークが選択位置）、移動体：ｄ－００１が“カメラ”によって取得された“人”の情報であり、最終観測時刻が１０時であり、１０時２５分時点の予測結果を予測していることが表示されている（８０５）。 In the display of individual observation information estimation results 33 (801), collected data D is selected (the inverted triangle mark is the selected position), and a list of individual IDs of collected data D, mobile objects, and estimated observations are displayed. The time is displayed (803). In the display of the individual position prediction result 39 (802), the results of position information prediction are displayed with all the aggregated data replaced with individual data, and the prediction target time is set to 10:25. In the display of the individual position prediction result 39 (802), the moving object: d-001 is selected (the inverted triangle mark is the selected position), and the moving object: d-001 is acquired by the "camera". It is displayed that the last observation time is 10:00, and the prediction result at 10:25 is predicted (805).

図１５を参照して、交通情報予測画面の第２の例（８１）を説明する。
交通情報予測画面８１は、個体観測情報推計結果３３の表示（９０１）と、表示対象とする移動体およびデータソースの選択画面（９０２）の表示を行っている例である。表示対象とする移動体およびデータソースの選択画面（９０２）では、人、列車などの表示させたい移動体の選択と、ＧＰＳ、カメラなどの表示させたいデータソースをチェックボックスによって選択できるようにしている（チェックされたもののみ表示させるなど）。また、オプションとして移動体の重複削除（９０３）や移動体の発生予測（９０４）を実行も行うことができる。こちらの方法に関しては拡張機能として後述する。 A second example (81) of the traffic information prediction screen will be described with reference to FIG. 15.
The traffic information prediction screen 81 is an example in which the individual observation information estimation result 33 is displayed (901) and a selection screen (902) for selecting a moving object and a data source to be displayed is displayed. On the screen for selecting moving objects and data sources to be displayed (902), you can select moving objects to be displayed, such as people and trains, and data sources to be displayed, such as GPS and cameras, using check boxes. (e.g. display only checked items). Additionally, as an option, deletion of duplicate moving objects (903) and prediction of the occurrence of moving objects (904) can also be performed. This method will be described later as an extended function.

移動体選択のドロップダウンボックス９０５では、移動体：ａ－００１が選択される状態となっており（地図上の逆三角のマークが選択された移動体）、移動体：ａ－００１の出発・目的地の表示（例えば、出発は最初に観測された位置、目的地は目的地情報として与えられた目的地、あるいは移動先として予測した地点）や移動経路の表示（目的地情報として与えられた経路、あるいは予測した経路）の表示を行うことができる。 In the mobile object selection drop-down box 905, the mobile object: a-001 is selected (the inverted triangle mark on the map is the selected mobile object), and the departure/departure of the mobile object: a-001 is selected. Display of the destination (for example, departure is the first observed position, destination is the destination given as destination information, or the predicted destination) and movement route (for example, the departure is the first observed position, route or predicted route).

（拡張機能１：移動体の重複削除）
実施例では、様々なデータソースを入力とし、移動***置の予測を行っている。そのため、同じ移動体が別々の場所で重複して観測される可能性が考えられる。例えばエリアＡとエリアＢに観測装置があった場合、エリアＡからエリアＢに移動する移動体はエリアＡとエリアＢで時間的差異をもって観測されてしまう。つまり、観測された移動体が新規に出現した移動体なのか、観測済の別エリアから移動してきた移動体なのかは観測された時点では判別できない。また、別々のデータソースで同じ移動体を重複して取得してしまう可能も考えられる。 (Extended function 1: Delete duplicates of moving objects)
In the embodiment, the mobile object position is predicted using various data sources as input. Therefore, it is possible that the same moving object may be observed multiple times in different locations. For example, if there are observation devices in area A and area B, a moving object moving from area A to area B will be observed in area A and area B with a time difference. In other words, it cannot be determined at the time of observation whether the observed moving object is a newly appearing moving object or a moving object that has moved from another area where it has already been observed. It is also conceivable that the same mobile object may be obtained twice using different data sources.

そこで、エリアＢでの予測された移動体数とエリアＢで実測された移動体数の差分を抽出し、差分が新規に発生した移動体と判定することで重複を削除する。より具体的には、例えば１０時２５分にエリアＢに位置する人の総数（他エリアから移動してきた人）が１０人と予測された場合、その後、実測された１０時２５分のエリアＢの移動体総数と比較し、仮に実測でも１０人であり、予測と実測が一致した場合、エリアＢでは新規の移動体発生はないとし、１０時２５分時点での移動体の移動先予測は行わない。仮に実測が１１名であった場合、１人は新規発生と推測されるため、例えば、集計データであれば１名のみを新規追加し、移動先を予測する。仮に実測が９名であった場合、移動体１人は移動を終了した可能性が考えられる。そのため、予測する移動体を１名削減した上で予測を継続しても良い。 Therefore, the difference between the predicted number of moving objects in area B and the actually measured number of moving objects in area B is extracted, and by determining that the difference is a newly generated moving object, duplicates are deleted. More specifically, for example, if the total number of people (people who moved from other areas) in Area B at 10:25 is predicted to be 10, then the actual number of people in Area B at 10:25 is predicted to be 10. Compared to the total number of moving objects, if the actual measurement is 10 people, and the prediction and actual measurement match, it is assumed that there will be no new moving objects in area B, and the predicted destination of the moving objects as of 10:25 is Not performed. If the actual count is 11 people, it is assumed that one person is a new occurrence, so for example, if it is aggregated data, only one person will be newly added and the destination will be predicted. If the actual number of people was 9, it is possible that one person in the moving object had finished moving. Therefore, the prediction may be continued after reducing the number of moving objects to be predicted by one.

（拡張機能２：移動体の新規発生予測）
実施例では、観測された移動体に対し、現在あるいは将来の位置情報を予測している。しかしながら、未観測の移動体についても、将来において新規観測できる可能性が考えられる。特に時刻表を有する移動体の場合、未観測の状態であっても予測対象時刻が始発時刻を過ぎていた場合は、新規の移動体として観測を予測することができる。具体的には時刻表情報３４の始発時刻４０７を参照し、各移動体の最終観測時刻から予測対象時刻の間に始発する移動体がないかを確認し、存在していた場合は新規発生する移動体として予測結果に加えても良い。 (Extended function 2: Prediction of new occurrence of moving objects)
In the embodiment, current or future position information is predicted for an observed moving object. However, it is possible that new observations of unobserved moving objects may be made in the future. In particular, in the case of a moving object that has a timetable, even if it has not been observed yet, if the prediction target time has passed the starting time, observation can be predicted as a new moving object. Specifically, the first departure time 407 of the timetable information 34 is referred to, and it is checked whether there is a first departure of a mobile object between the last observation time of each mobile object and the prediction target time, and if there is, a new departure is made. It may be added to the prediction results as a moving object.

また、時刻表を保有しない移動体であっても、移動体発生の統計データを作成し（例えば、エリアＡでは１０時に人が５人新規に発生など）、時間帯ごとに発生する新規移動体として予測結果に加えても良い。 In addition, even for mobile bodies that do not have a timetable, statistical data on the occurrence of mobile bodies can be created (for example, 5 new people appear in area A at 10 o'clock), and new mobile bodies generated in each time period can be created. It may be added to the prediction results as

上記実施例によれば、様々なデータ取得環境下において、複数のデータソースを統合して都市の交通状況をリアルタイムかつより正確に把握することができる。 According to the embodiments described above, it is possible to integrate a plurality of data sources under various data acquisition environments to more accurately grasp the traffic situation in a city in real time.

また、取得データの通信遅延や更新間隔を加味し、データソースとしてＧＰＳ情報の他に、監視カメラ情報、改札データ、赤外線センサによるカウンティングデータなど様々なソースからリアルタイムな車両や人の位置を予測することができる。つまり、様々なデータ取得環境下において、複数のデータソースを統合して都市の交通状況をリアルタイムかつより正確に把握することができる。 In addition, taking into account the communication delay and update interval of the acquired data, the real-time location of vehicles and people is predicted from various data sources such as GPS information, surveillance camera information, ticket gate data, and counting data from infrared sensors. be able to. In other words, it is possible to integrate multiple data sources under various data acquisition environments to understand urban traffic conditions in real time and more accurately.

なお、本発明は前記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施例は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。 Note that the present invention is not limited to the embodiments described above, and includes various modifications. For example, the embodiments described above are described in detail to explain the present invention in an easy-to-understand manner, and the present invention is not necessarily limited to having all the configurations described. Furthermore, it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment, and it is also possible to add the configuration of another embodiment to the configuration of one embodiment. Further, it is possible to add, delete, or replace a part of the configuration of each embodiment with other configurations.

また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウエアで実現してもよい。また、前記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウエアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。 Further, each of the above-mentioned configurations, functions, processing units, processing means, etc. may be partially or entirely realized in hardware by designing, for example, an integrated circuit. Furthermore, each of the configurations, functions, etc. described above may be realized by software by a processor interpreting and executing programs for realizing the respective functions. Information such as programs, tables, files, etc. that implement each function can be stored in a memory, a recording device such as a hard disk, an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD.

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆どすべての構成が相互に接続されていると考えてもよい。 In addition, control lines and information lines are shown that are considered necessary for explanation, and not all control lines and information lines are necessarily shown in the product. In reality, almost all configurations may be considered interconnected.

１交通状況予測装置
２外部システム
３外部サーバ
４ネットワーク
１１中央制御装置（制御部）
１２入力装置
１３出力装置
１４通信装置
１５主記憶装置
１６補助記憶装置
２１個体観測情報推計部
２２１次データ取得時刻推計部
２３個***置予測判断部
２４個***置予測部
３１位置情報収集データ
３２収集データ特性テーブル
３３個体観測情報推計結果
３４時刻表情報
３５緯度経度マスタ
３６目的地情報
３７予測判断結果
３８移動先予測モデル
３９個***置予測結果
８０交通情報予測画面
８１交通情報予測画面 1 Traffic situation prediction device 2 External system 3 External server 4 Network 11 Central control device (control unit)
12 Input device 13 Output device 14 Communication device 15 Main storage device 16 Auxiliary storage device 21 Individual observation information estimation section 22 Primary data acquisition time estimation section 23 Individual position prediction judgment section 24 Individual position prediction section 31 Location information collection data 32 Collected data Characteristic table 33 Individual observation information estimation result 34 Timetable information 35 Latitude and longitude master 36 Destination information 37 Prediction judgment result 38 Destination prediction model 39 Individual position prediction result 80 Traffic information prediction screen 81 Traffic information prediction screen

Claims

収集データ特性テーブルと個体観測情報推計部と個***置予測部とを有し、移動体の交通状況を予測する交通状況予測装置であって、
前記収集データ特性テーブルは、
前記交通状況予測装置に入力された位置情報収集データが集計データか個体データかを示す集計単位情報を前記移動体の種別毎に格納し、
前記個体観測情報推計部は、
前記集計単位情報に基づいて、前記位置情報収集データが前記集計データか前記個体データかを判定し、
前記判定の結果、前記位置情報収集データが前記集計データの場合、前記集計データを前記個体データに置換して個別の前記移動体毎に個体観測情報を生成し、
前記判定の結果、前記位置情報収集データが前記個体データの場合、個別の前記移動体毎に前記個体観測情報を生成し、
前記個***置予測部は、
前記個体観測情報に基づいて、予測対象時刻における前記移動体の位置を予測して個***置予測結果を出力し、
前記集計データは、所定の集計時間内に取得された前記移動体の交通量に関する収集データであり、
前記個体データは、所定の時間に取得された前記移動体単体に関する収集データであり、
前記収集データ特性テーブルは、
前記位置情報収集データの時間レンジの粒度を示す集計時間粒度情報を更に格納し、
前記個体観測情報推計部は、
前記集計時間粒度情報に基づいて、前記集計データを前記移動体の前記交通量に対応した個数の前記個体データに置換して前記個体観測情報を生成することを特徴とする交通状況予測装置。 A traffic situation prediction device that has a collected data characteristic table, an individual observation information estimation unit, and an individual position prediction unit, and predicts the traffic situation of a moving object,
The collected data characteristic table is
storing aggregation unit information indicating whether the location information collection data input to the traffic situation prediction device is aggregate data or individual data for each type of the mobile object ;
The individual observation information estimation department is
Based on the aggregation unit information, determine whether the location information collection data is the aggregate data or the individual data;
As a result of the determination, if the location information collection data is the aggregated data, replace the aggregated data with the individual data to generate individual observation information for each individual mobile object ,
As a result of the determination, if the location information collection data is the individual data, generating the individual observation information for each individual mobile object;
The individual position prediction unit includes:
predicting the position of the mobile object at the prediction target time based on the individual observation information and outputting an individual position prediction result;
The aggregated data is collected data regarding the traffic volume of the mobile body acquired within a predetermined aggregated time,
The individual data is collected data regarding the single mobile object acquired at a predetermined time,
The collected data characteristic table is
further storing aggregated time granularity information indicating the granularity of the time range of the location information collection data;
The individual observation information estimation department is
The traffic situation prediction device is characterized in that the individual observation information is generated by replacing the aggregate data with a number of the individual data corresponding to the traffic volume of the mobile object based on the aggregate time granularity information.

前記個***置予測部は、
前記移動体に関する時刻表情報があるかを判定し、
前記判定の結果、前記時刻表情報がある場合は、前記時刻表情報を参照して、前記予測対象時刻における前記移動体の位置を予測し、
前記判定の結果、前記時刻表情報がない場合は、目的地を示す目的地情報と、所定の時刻に所定の移動元で観測された前記移動体が確率的に分散移動する移動先を予測する移動先予測モデルとを用いて、前記予測対象時刻における前記移動体の位置を予測することを特徴とする請求項１に記載の交通状況予測装置。 The individual position prediction unit includes:
Determining whether there is timetable information regarding the mobile object,
As a result of the determination, if the timetable information is present, refer to the timetable information to predict the position of the mobile object at the prediction target time ;
As a result of the determination, if the timetable information is not available, destination information indicating the destination and a destination to which the mobile object observed at a predetermined time and a predetermined movement source will probabilistically disperse and move are predicted. The traffic situation prediction device according to claim 1, wherein the position of the mobile object at the prediction target time is predicted using a destination prediction model.

個***置予測判断部を更に有し、
前記個***置予測判断部は、
前記個体観測情報から前記移動体毎の移動体情報を取得し、
前記移動体情報に紐づいた前記時刻表情報の有無と、前記移動体情報に紐づいた前記目的地の目的地予測の有無を予測判断結果として出力し、
前記個***置予測部は、
前記予測判断結果を参照して、前記予測対象時刻における前記移動体の位置を予測することを特徴とする請求項２に記載の交通状況予測装置。 further comprising an individual position prediction determination section,
The individual position prediction determination unit includes:
Obtaining moving object information for each of the moving objects from the individual observation information,
outputting the presence or absence of the timetable information linked to the mobile object information and the presence or absence of a destination prediction of the destination linked to the mobile object information as a prediction determination result;
The individual position prediction unit includes:
The traffic situation prediction device according to claim 2, characterized in that the position of the mobile object at the prediction target time is predicted by referring to the prediction determination result.

前記個***置予測部は、
前記移動体の位置の予測結果として、前記移動体毎に、推計観測時刻、前記予測対象時刻、前記推計観測時刻と前記予測対象時刻の時刻差分、前記移動体の予測緯度及び予前記移動体の予測経度を表す前記個***置予測結果を出力することを特徴とする請求項１に記載の交通状況予測装置。 The individual position prediction unit includes:
As a prediction result of the position of the mobile object, for each mobile object, the estimated observation time, the prediction target time, the time difference between the estimated observation time and the prediction target time, the predicted latitude of the mobile object, and the prediction target time of the mobile object. The traffic situation prediction device according to claim 1, wherein the traffic situation prediction device outputs the individual position prediction result representing a predicted longitude.

１次データ取得時刻推計部を更に有し、
前記収集データ特性テーブルは、
前記位置情報収集データが１次データかｎ次データかを示すデータ区分情報と、前記ｎ次データを生成するまでの処理時間を示す処理時間情報とを更に格納し、
前記１次データ取得時刻推計部は、
前記データ区分情報に基づいて、前記位置情報収集データが前記１次データか前記ｎ次データかを判定し、
前記判定の結果、前記位置情報収集データが前記ｎ次データの場合、前記処理時間情報に基づいて、前記１次データの取得時刻を推計観測時刻として推定して前記個体観測情報を生成することを特徴とする請求項１に記載の交通状況予測装置。 It further includes a primary data acquisition time estimation section,
The collected data characteristic table is
further storing data classification information indicating whether the location information collection data is primary data or n-order data, and processing time information indicating a processing time until generating the n-order data;
The primary data acquisition time estimating unit is
determining whether the location information collection data is the primary data or the n-order data based on the data classification information ;
As a result of the determination, if the location information collection data is the n-order data, the individual observation information is generated by estimating the acquisition time of the primary data as the estimated observation time based on the processing time information. The traffic situation prediction device according to claim 1.

前記移動体の前記交通状況を把握するための交通情報予測画面を表示する出力装置を更に有し、
前記交通情報予測画面は、
前記個体観測情報と前記個***置予測結果とを表示することを特徴とする請求項１に記載の交通状況予測装置。 further comprising an output device that displays a traffic information prediction screen for understanding the traffic situation of the mobile object,
The traffic information prediction screen is
The traffic situation prediction device according to claim 1, characterized in that said individual observation information and said individual position prediction result are displayed.

前記交通情報予測画面は、
前記個***置予測結果として、前記移動体の出発地点、目的地及び移動経路を表示することを特徴とする請求項６に記載の交通状況予測装置。 The traffic information prediction screen is
7. The traffic situation prediction device according to claim 6, wherein the starting point, destination, and travel route of the moving body are displayed as the individual position prediction result.

入力装置を更に有し、
前記交通情報予測画面は、
表示対象とする前記移動体の選択画面を表示し、
前記入力装置により前記選択画面を介して前記移動体の選択を行うことを特徴とする請求項６に記載の交通状況予測装置。 further comprising an input device;
The traffic information prediction screen is
displaying a selection screen for the mobile object to be displayed;
The traffic situation prediction device according to claim 6, wherein the mobile object is selected via the selection screen using the input device.

移動体の交通状況を予測する交通状況予測方法であって、
交通状況予測装置に入力された位置情報収集データが集計データか個体データかを示す集計単位情報を前記移動体の種別毎に格納し、
前記集計単位情報に基づいて、前記位置情報収集データが前記集計データか前記個体データかを判定し、
前記判定の結果、前記位置情報収集データが前記集計データの場合、前記集計データを前記個体データに置換して個別の前記移動体毎に個体観測情報を生成し、
前記判定の結果、前記位置情報収集データが前記個体データの場合、個別の前記移動体毎に前記個体観測情報を生成し、
前記個体観測情報に基づいて、予測対象時刻における前記移動体の位置を予測して個***置予測結果を出力し、
前記集計データは、所定の集計時間内に取得された前記移動体の交通量に関する収集データであり、
前記個体データは、所定の時間に取得された前記移動体単体に関する収集データであり、
前記位置情報収集データの時間レンジの粒度を示す集計時間粒度情報を更に格納し、
前記集計時間粒度情報に基づいて、前記集計データを前記移動体の前記交通量に対応した個数の前記個体データに置換して前記個体観測情報を生成することを特徴とする交通状況予測方法。 A traffic situation prediction method for predicting the traffic situation of a mobile object,
storing aggregation unit information indicating whether the location information collection data input to the traffic situation prediction device is aggregate data or individual data for each type of the mobile object ;
Based on the aggregation unit information, determine whether the location information collection data is the aggregate data or the individual data;
As a result of the determination, if the location information collection data is the aggregated data, replace the aggregated data with the individual data to generate individual observation information for each individual mobile object ,
As a result of the determination, if the location information collection data is the individual data, generating the individual observation information for each individual mobile object;
predicting the position of the mobile object at the prediction target time based on the individual observation information and outputting an individual position prediction result;
The aggregated data is collected data regarding the traffic volume of the mobile body acquired within a predetermined aggregated time,
The individual data is collected data regarding the single mobile object acquired at a predetermined time,
further storing aggregated time granularity information indicating the granularity of the time range of the location information collection data;
A traffic situation prediction method, characterized in that the individual observation information is generated by replacing the aggregate data with a number of the individual data corresponding to the traffic volume of the mobile object, based on the aggregate time granularity information.

前記移動体に関する時刻表情報があるかを判定し、
前記判定の結果、前記時刻表情報がある場合は、前記時刻表情報を参照して、前記予測対象時刻における前記移動体の位置を予測し、
前記判定の結果、前記時刻表情報がない場合は、目的地を示す目的地情報と、所定の時刻に所定の移動元で観測された前記移動体が確率的に分散移動する移動先を予測する移動先予測モデルとを用いて、前記予測対象時刻における前記移動体の位置を予測することを特徴とする請求項９に記載の交通状況予測方法。 Determining whether there is timetable information regarding the mobile object,
As a result of the determination, if the timetable information is present, refer to the timetable information to predict the position of the mobile object at the prediction target time ;
As a result of the determination, if the timetable information is not available, destination information indicating the destination and a destination to which the mobile object observed at a predetermined time and a predetermined movement source will probabilistically disperse and move are predicted. 10. The traffic situation prediction method according to claim 9, wherein the position of the mobile object at the prediction target time is predicted using a destination prediction model.

前記個体観測情報から前記移動体毎の移動体情報を取得し、
前記移動体情報に紐づいた前記時刻表情報の有無と前記移動体情報に紐づいた前記目的地の目的地予測の有無を予測判断結果として出力し、
前記予測判断結果を参照して、前記予測対象時刻における前記移動体の位置を予測することを特徴とする請求項１０に記載の交通状況予測方法。 Obtaining moving object information for each of the moving objects from the individual observation information,
outputting the presence or absence of the timetable information linked to the mobile object information and the presence or absence of a destination prediction of the destination linked to the mobile object information as a prediction determination result;
11. The traffic situation prediction method according to claim 10, wherein the position of the mobile object at the prediction target time is predicted by referring to the prediction determination result.

前記移動体の位置の予測結果として、前記移動体毎に、推計観測時刻、前記予測対象時刻、前記推計観測時刻と前記予測対象時刻の時刻差分、前記移動体の予測緯度及び予前記移動体の予測経度を表す前記個***置予測結果を出力することを特徴とする請求項９に記載の交通状況予測方法。 As a prediction result of the position of the mobile object, for each mobile object, the estimated observation time, the prediction target time, the time difference between the estimated observation time and the prediction target time, the predicted latitude of the mobile object, and the prediction target time of the mobile object. 10. The traffic situation prediction method according to claim 9, further comprising outputting the individual position prediction result representing a predicted longitude.

前記位置情報収集データが１次データかｎ次データかを示すデータ区分情報と、前記ｎ次データを生成するまでの処理時間を示す処理時間情報とを更に格納し、
前記データ区分情報に基づいて、前記位置情報収集データが前記１次データか前記ｎ次データかを判定し、
前記判定の結果、前記位置情報収集データが前記ｎ次データの場合、前記処理時間情報に基づいて、前記１次データの取得時刻を推計観測時刻として推定して前記個体観測情報を生成することを特徴とする請求項９に記載の交通状況予測方法。 further storing data classification information indicating whether the location information collection data is primary data or n-order data, and processing time information indicating a processing time until generating the n-order data;
determining whether the location information collection data is the primary data or the n-order data based on the data classification information ;
As a result of the determination, if the location information collection data is the n-order data, the individual observation information is generated by estimating the acquisition time of the primary data as the estimated observation time based on the processing time information. The traffic situation prediction method according to claim 9.

前記個体観測情報と前記個***置予測結果とを交通情報予測画面に表示することを特徴とする請求項９に記載の交通状況予測方法。 The traffic situation prediction method according to claim 9, characterized in that the individual observation information and the individual position prediction result are displayed on a traffic information prediction screen.