JPH07254099A - 道路交通における突発事象検出装置 - Google Patents

Abstract

(57)【要約】 【目的】 道路交通において事故や故障車等の突発事象
を精度よく検出する。 【構成】 車両が通行する道路１０の複数に分割された
各区間１２における車両の道路通行に関する交通流デー
タ１３を一定周期Ｔで検出する交通流データ検出手段１
４と、交通流データ検出手段１３で検出された連続する
複数区間１２における連続する複数周期Ｔにおける各交
通流情データ１３が入力層を構成する各入力ユニットに
入力され、出力層を構成する出力ユニットから測定対象
区間１２ａにおける車両通行に関する突発事象の発生有
無情報１５を出力するニューラルネットワーク１６と、
出力ユニットから出力され発生有無情報１５に対応する
測定対象区間１２ａにおける実証された実績発生有無情
報１７を教示情報１８としてニューラルネットワーク１
６を学習させるニューラルネットワーク学習手段１９と
を備えている。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は道路を有効利用するため
の交通管制システムに係わり、特にニューラルネットワ
ークを用いて、交通事故や故障車等の突発事象を客観的
に検出する道路交通における突発事象検出装置に関す
る。

【０００２】

【従来の技術】幹線道路や高速道路における車両の走行
状態を監視制御する交通監視システムにおいては、監視
対象の道路を複数の区間に分割して各区間に該当区間を
通行する車両の平均的な速度や単位時間に該当区間を通
過する車両数を示す交通量を検出する車両検知器を配設
している。

【０００３】そして、道路の管理センターに配設された
監視装置でもって各区間に設置された車両検知器からの
各速度（区間速度）及び区間交通量を監視表示し、監視
員は自然渋滞や事故や故障車の発生を監視している。そ
して、これらを発見すると、道路交通情報として報道機
関に通報したり、道路の複数箇所に設けられた電光表示
板に表示して運転者の注意を喚起させる。

【０００４】また、事故や故障車等の突発事象が発生し
て道路が塞がれた場合、又は通行車線が制限される場合
は、その情報をいち早く各運転者に知らせるのみなら
ず、該当区間における通行車両に対する片側車線規制を
実施したり、高速道路の場合は、隣接するインターにお
いて進入規制を実施する必要がある。

【０００５】一方、自然渋滞の場合は、運転者が自然渋
滞が生じていることを承知しておれば、車線規制とかイ
ンターにおける進入規制を特に実施する必要ない。した
がって、監視者としては、渋滞を検出した場合、その渋
滞が自然渋滞に起因するものか、前述した事故や故障車
等の突発事象に起因するものかを判断して、その種類に
対応する処理を実行する必要がある。

【０００６】この事故や故障車等の突発事象を管理セン
ターで検出する突発事象検出装置は例えば図６に示すよ
うに構成されている。道路１の各区間１ａにそれぞれ該
当区間１ａを通行する各車両の平均速度Ｖと該当区間１
ａを通過する車両の数を示す交通量Ｑを一定周期Ｔ毎に
測定する車両検知器２が設置されている。各車両検知器
２で測定された各区間１ａにおける各周期Ｔ毎の速度Ｖ
及び交通量Ｑは管理センターに配設された監視システム
内に組込まれた突発事象検出装置３内へ伝送される。

【０００７】この突発事象検出装置３は一種のコンピュ
ータで構成されており、内部に判定値メモリ４，測定値
バッファ５，判定処理部６，フラグメモリ７及び出力部
８が設けられている。

【０００８】そして、突発事象検出装置３は一定周期Ｔ
毎に入力される各区間１ａの区間速度Ｖ及び区間交通量
Ｑを読取って、これらの値から各区間１ａに事故，故障
車等の突発事象が発生したか否かを判定して出力部８に
表示する。

【０００９】判定値メモリ４内には、指定された測定対
象区間９において渋滞が生じていると判断できる速度を
示す渋滞判定速度Ｖpf，同じく渋滞が生じていると判断
できる交通量を示す渋滞判定交通量Ｑpf，前述した突発
事象に起因する渋滞であると判断できる交通量を示す突
発渋滞発生判定交通量Ｑpj，一定時間における速度変化
が突発事象が発生した結果であると判断できる速度変化
量を示す速度変化判定値Ｖpt，下流側区間１０との間の
速度差が突発事象が発生した結果であると判断できる速
度差を示す速度差判定値Ｖpl等が予め設定されている。

【００１０】また、測定値バッファ３内には、前記各区
間１ａのうち今回、突発事象が発生したか否かを測定
（判定）する測定対象区間９における、現時点（今回の
周期Ｔ）で読取った現在（今回）速度Ｖp,t 、１周期前
に読取った前回速度Ｖp,t-1 ，２周期前に読取った前々
回速度Ｖp,r-2 ，現在交通量Ｑp ，移動平均速度Ｖp3
1，現在周期で読取った下流側区間１０の下流区間速度
Ｖp+1,t が記憶される。

【００１１】なお、移動平均速度Ｖp31 は測定対象区間
９における今回周期．１周期前．２周期前の各速度Ｖp,
t 、Ｖp,t-1 ，Ｖp,r-2 を平均した速度である。この測
定バッファ５の記憶内容は１周期Ｔが経過する毎に新規
のデータに更新される。また、測定対象区間９が次の区
間１ａに移動した場合においても、更新される。

【００１２】フラグメモリ７内には、該当測定区間９に
おける一つ前の周期の状態を示す７種類のフラグが必要
に応じて設定される。フラグ０は「自然流」を示し、フ
ラグ１は「突発渋滞要注意」、フラグ２は「突発渋滞検
出初発」、フラグ３は「自然渋滞継続中」、フラグ４は
「自然渋滞初発」、フラグ５は「突発渋滞検出」、そし
て、フラグ６は「突発渋滞確認」である。

【００１３】そして、「突発渋滞検出」及び「突発渋滞
確認」の各ブラグ５，６が設定されると、測定対象区間
９に突発事象が発生したと見なして、出力部８に突発事
象発生情報及び測定対象区間を表示出力する。

【００１４】今、現在周期Ｔにおいて、測定対象区間９
及び下流側区間１０から各速度Ｖp,t ，Ｖp+1,t が入力
され、また、測定対象区間９から現在交通量Ｑp が入力
されると、測定値バッファ５の各速度，交通量が更新さ
れる。そして、判定処理部６は図７及び図８に示す流れ
図に従って該当測定区間９における突発事象の発生有無
を判断する。

【００１５】図７の流れ図が開始されると、測定対象区
間９の現在速度Ｖp,t が渋滞判定速度Ｖpfより早い場合
は（ステップＳＴ１）、渋滞が全く発生しておらず、
「自然流」のフラグ１をフラグメモリ７に設定する（Ｓ
Ｔ２）。そして、今回の周期Ｔにおける判定処理を終了
する。現在速度Ｖp,t が渋滞判定速度Ｖpfより遅い場合
は、前回周期にてフラグメモリ７に設定されているフラ
グを調べる（ＳＴ３）。

【００１６】「自然流」フラグ０，「突発渋滞要注意」
フラグ１又は「突発渋滞検出初発」フラグ２が設定され
ていた場合は、現在交通量Ｑp が渋滞交通量Ｑpfより多
いか否かを調べる（ＳＴ４）。多い場合は「自然渋滞初
発」フラグ４を設定する（ＳＴ５）。そして今回の判定
処理を終了する。

【００１７】少ない場合は、移動平均速度Ｖp31 と現在
速度Ｖp,t との差速度が速度変化判定値Ｖptより大きい
か否かを判定する（ＳＴ６）。小さい場合は、「突発事
態要注意」フラグ１を設定する（ＳＴ７）。そして今回
の判定処理を終了する。

【００１８】差速度が大きい場合は、「突発渋滞検出初
発」フラグ２を設定し（ＳＴ８）、図８に示す二次検出
処理を実行する（ＳＴ９）。また、ＳＴ３において、前
回周期のフラグメモリ７に「突発渋滞検出」フラグ５又
は「突発渋滞確認」フラグ６が設定されていた場合は、
「突発渋滞検出」フラグ５を設定する（ＳＴ１２）。そ
して、ＳＴ９にて二次検出処理を実行する。

【００１９】さらに、ＳＴ３において、前回周期のフラ
グメモリ７に「自然渋滞継続中」フラグ３又は「自然渋
滞初発」フラグ４が設定されていた場合は、ＳＴ１０に
おいて、現在交通量Ｑp が突発渋滞発生判定交通量Ｑpj
より多いか否かを調べる。多い場合は、「自然渋滞継続
中」フラグ３を設定し（ＳＴ１１）、今回の判定処理を
終了する。また、少ない場合は、「突発渋滞検出初発」
フラグ２を設定し（ＳＴ８）、図８に示す二次検出処理
を実行する（ＳＴ９）。

【００２０】図８の二次検出処理が開始されると、フラ
グメモリ７に既に「突発渋滞検出」フラグ５が設定され
ていた場合は（ＳＴ１３）、「突発渋滞検出」フラグ５
を設定する（ＳＴ１４）。そして、現在速度Ｖp,t と下
流区間速度Ｖp+1,t との差速度が速度差判定値Ｖplより
大きい場合は、「突発渋滞確認」ブラグ６を設定する。
また、差が小さい場合は、再度この二次検出処理を実行
する（ＳＴ１８）。

【００２１】さらに、フラグメモリ７に既に「突発渋滞
検出初発」フラグ２が設定されていた場合は（ＳＴ１
３）、過去３回の周期のうちで２回同一フラグ２が設定
されていた場合のみ（ＳＴ１７）、ＳＴ１４へ進む。２
回未満の場合は、再度二次検出処理を行う（ＳＴ１
８）。

【００２２】このような突発事象検出装置においては、
測定対象区間９における現在速度Ｖp,t 、移動平均速度
Ｖp31 ，現在交通量Ｑp 、及び下流側区間１０における
現在速度Ｖp+1,t と予め判定値メモリ４に設定した各判
定値とを比較対照することによって、事故や故障車等の
突発事象に起因する突発渋滞を自然渋滞と区別して把握
できる。よって、監視員は管理センターに居ながら突発
事象を発見でき、しかるべき交通規制を最適タイミング
で実施できる。

【００２３】

【発明が解決しようとする課題】しかしながら、上述し
た突発事象検出装置においても、まだ解消すべき次のよ
うな課題があった。すなわち、フフラグメモリ７に設定
される「自然流」フラグ１，突発渋滞要注意フラグ２，
…，突発渋滞確認フラグ６等の各フラグが設定される条
件、すなわち、突発事象が発生したと判断する条件は、
すべて判定値メモリ４内に設定された各判定値で判断す
る。

【００２４】この各判定値はすべて監視員又は技術者が
長年の経験と勘に基づいて得られた人為的な値である。
したがって、設定する人の個人差があり、必ずしも正確
な値であるとはいえない。その結果、誤った判断が出力
される場合もある。

【００２５】さらに、判定値メモリ４内に設定された各
値は固定値である。しかし、実際の道路においては、た
とえ高速道路等の信号や交差点が無い比較的均一な形状
の道路であったとしても、上り坂の頂上付近では自然渋
滞が局所的に発生しやすい。これは、運転者が上り坂に
差し掛かりアクセルを踏込む必要があるのに、同一アク
セル状態のままとしたために、速度が自然と低下するこ
とに気付かないからである。さらに、トンネルの入口付
近においても局所的に自然渋滞が発生しやすい。これ
は、視界が急に暗くなるので、運転者が本能的にアクセ
ルを緩めるからである。また、上り坂の手前と上り坂の
上方位置においては、渋滞ではないのに、大きな速度差
が発生する。

【００２６】したがって、通常の自然渋滞を突発事象に
起因する突発渋滞と判断したり、全く渋滞が発生してい
ないのに、突破渋滞要注意と判断する懸念がある。この
ような事態を未然に防止するためには、各区間毎に該当
区間の道路状態に応じた判定値を判定値メモリ４内に設
定する必要がある。このように各区間毎に異なる最適判
定値を監視員や技術者が勘と経験でもって設定すること
は非常に困難である。

【００２７】本発明はこのような事情に鑑みてなされた
ものであり、道路における各区間の一定周期毎の区間速
度や区間交通量等の複数種類の交通流データを検出し
て、この条件が異なる複数種類の交通流データからニュ
ーラルネットワーク手法を用いて測定対象区間における
突発事象の発生有無を判断することによって、多数の判
定値を人為的に設定することなく、自動学習によって、
突発事象のみを正確に検出できる道路交通における突発
事象検出装置を提供することを目的とする。

【００２８】

【課題を解決するための手段】上記課題を解消するため
に本発明の請求項１の突発事象検出装置においては、図
１に示すように、車両が通行する道路１０の複数に分割
された各区間１２における車両の道路通行に関する交通
流データ１３を一定周期Ｔで検出する交通流データ検出
手段１４と、交通流データ検出手段１３で検出された連
続する複数区間１２における連続する複数周期Ｔにおけ
る各交通流情データ１３が入力層を構成する各入力ユニ
ットに入力され、出力層を構成する出力ユニットから測
定対象区間１２ａにおける車両通行に関する突発事象の
発生有無情報１５を出力するニューラルネットワーク１
６と、出力ユニットから出力され発生有無情報１５に対
応する測定対象区間１２ａにおける実証された実績発生
有無情報１７を教示情報１８としてニューラルネットワ
ーク１６を学習させるニューラルネットワーク学習手段
１９とを備えている。

【００２９】また、請求項２の発明においては、請求項
１の突発事象検出装置における交通流データ１３を、各
区間１２における車両速度を示す区間速度Ｖp と各周期
Ｔに該当区間１２を通過する車両数を示す区間交通量Ｑ
とで構成している。

【００３０】さらに、請求項３においては、上述した交
通流データ検出手段１４を、道路の各区間に配設され、
この各区間における区間速度及び区間交通量を一定周期
で検出する複数の車両検出手段で構成している。

【００３１】請求項４に係わる突発事象検出装置におい
ては、車両が通行する道路の複数に分割された各区間に
おける車両の区間速度及び区間交通量を一定周期で検出
する複数の車両検出手段と、各車両検出手段から出力さ
れた各区間速度及び各区間交通量のうちの測定対象区間
を含む連続する複数区間における連続する複数周期にお
ける各区間速度及び各区間交通量が入力層を構成する各
入力ユニットに入力され、出力層を構成する出力ユニッ
トから測定対象区間における車両通行に関する突発事象
の発生有無情報を出力する複数のニューラルネットワー
クと、複数のニューラルネットワークの各出力ユニット
から出力された発生有無情報に対応する各測定対象区間
における実証された各実績発生有無情報をそれぞれ教示
情報として対応するニューラルネットワークを学習させ
る複数のニューラルネットワーク学習手段とを備えてい
る。

【００３２】さらに、請求項５の発明においては、上記
請求項４における各ニユーラルネットワークの各入力ユ
ニットの入力データとして、測定対象区間の現在周期に
おける区間速度と、該当測定対象区間の現在周期におけ
る区間交通量と、該当測定対象区間の下流側区間の現在
周期における区間速度と、該当測定対象区間の下流側区
間の現在周期における区間交通量と、該当測定対象区間
の一つ前の周期における区間速度と、該当測定対象区間
の一つ前の周期における区間交通量と、該当測定対象区
間の下流側区間の一つ前の周期における区間速度と、該
当測定対象区間の下流側区間の一つ前の周期における区
間交通量とを採用している。

【００３３】請求項６に係わる突発事象検出装置におい
ては、車両が通行する道路の複数に分割された各区間に
おける車両の区間速度及び区間交通量を一定周期で検出
する複数の車両検出手段と、各車両検出手段から出力さ
れた連続する複数周期における各区間速度及び各区間交
通量が入力層を構成する各入力ユニットに入力され、出
力層を構成する各出力ユニットから各区間ににおける車
両通行に関する突発事象の発生有無情報を出力する１つ
のニューラルネットワークと、各出力ユニットから出力
され各区間の発生有無情報に対応する各区間における実
証された各実績発生有無情報をそれぞれ教示情報として
ニューラルネットワークを学習させるニューラルネット
ワーク学習手段とを備えている。

【００３４】さらに、請求項７の発明においては、上記
請求項６におけるニユーラルネットワークの各入力ユニ
ットの入力データとして、各区間の現在周期における区
間速度と、各区間の現在周期における区間交通量と、各
区間の一つ前の周期における区間速度と、各区間の一つ
前の周期における区間交通量とを採用している。

【００３５】

【作用】このように構成された請求項１に関する突発事
象検出装置においては、交通流データ検出手段によっ
て、道路を構成する各区間１２における車両の道路通行
に関する交通流データが一定周期Ｔ毎に検出される。

【００３６】この検出された各区間，各周期Ｔにおける
各交通流データ、すなわち、測定対象区間を含む複数区
間における現在周期を含む過去からの複数周期における
それぞれ測定条件が異なる複数種類の交通流データが得
られる。したがって、これらの複数種類の交通流データ
を用いて事故や故障車等の突発事象が測定対象区間に生
じたか否かを判断すればよい。

【００３７】この判断の手段として、本発明においては
ニューラルネットワーク手法を用いている。具体的に
は、上述した各測定条件における各交通流データをニュ
ーラルネットワークの入力層の各入力ユニットに入力
し、出力層の出力ユニットから該当測定対象区間におけ
る突発事象の発生有無情報を得ている。

【００３８】もちろん、ニユーラルネットワークにおい
ては、入力層の各入力ユニットと中間層の各中間ユニッ
トとを結ぶ各重み係数、及び中間層の各中間ユニットと
出力層の出力ユニットとを結ぶ各重み係数が正しい値に
設定されている必要がある。

【００３９】そこで、本発明においては、後から該当測
定対象区間において実際に事故や故障車等の突発事象が
発生したか否かの実績発生有無情報を得て、これを教示
情報としてニューラルネットワークに印加して、ニュー
ラルネットワークを学習させる。具体的には上述した各
重み係数をその都度修正していく。

【００４０】この実績発生有無情報は監視者にとって簡
単に把握できるので、特に監視者や技術者に大きな負担
を強いることはない。すなわち、従来装置のように多数
の判定値を設定する必要はない。

【００４１】請求項２においては、交通流データとして
区間速度Ｖと区間交通量Ｑを採用している。また、請求
項３においては、分割した各区間毎に区間速度Ｖと区間
交通量Ｑを検出する車両検出手段を設置している。

【００４２】また、請求項４においては、各区間毎にニ
ューラルネットワークを設けている。請求項６において
は、道路全体として１台のニューラルネットワークを設
けている。

【００４３】最終的に道路を構成する各区間毎に事故や
故障車等の突発事象の発生有無情報が得られればよい。
したがって、各区間毎の発生有無情報を１台のニューラ
ルネットワークで実現させるか、各区間毎に独立した複
数台のニューラルネットワークで実現するかは、ニュー
ラルネットワークの処理能力や正しい出力が得られるま
での学習能力に応じて適宜選択すればよい。

【００４４】１台のニューラルネットワークで実現する
場合は、測定対象区間が全区間となり、全ての区間にお
ける複数周期における区間速度Ｖと区間交通量Ｑを入力
する必要がある。

【００４５】また、各区間毎の複数台のニューラルネッ
トワークで実現する場合は、測定対象区間は１区間とな
り、該当測定対象区間を含む予め定められた複数区間の
複数周期における区間速度Ｖと区間交通量Ｑを入力する
のみでよい。

【００４６】ニューラルネットワークの入力層の各入力
ユニットにどのようなデータを入力するかは、出力され
る測定対象区間の突発事象の発生有無情報の精度や学習
する場合における学習効率に重要な影響を与える。

【００４７】そこで、請求項５に示すように交通流デー
タの種類を特定することによって、複数台のニューラル
ネットワークを用いた場合における最良の結果を得てい
る。また、請求項７に示すように各データ種類を特定す
ることによって、１台のニューラルネットワークを用い
た場合における最良の結果を得ている。

【００４８】

【実施例】以下本発明の一実施例を図面を用いて説明す
る。図３は複数台のニューラルネットワークを用いて構
成した道路交通における突発事象検出装置の概略構成を
示すブロック図である。

【００４９】監視対象の道路２１は複数の区間２２に分
割されている。そして、各区間２２にはそれぞれ専用の
車両検出手段としての車両検知器２３が配設されてい
る。なお、説明を簡単にするために、この道路２１は上
り車線と下り車線とが分離された高速道路であり、各車
両検知器２３は図中矢印で示す方向に車両が走行する一
方の車線における車両の流れを検知するとする。

【００５０】各車両検知器２３は、例えば１分等の一定
周期Ｔ毎に、自己が管轄する区間２２を走行する各車両
の平均速度で示す区間速度Ｖp,t 及び該当区間２２を通
過する車両数で示す区間交通量Ｑp,t を検出する。

【００５１】なお、区間速度Ｖp,t 及び区間交通量Ｑp,
t のサフィクス［ｐ］は区間２２を特定する区間番号を
示し、サフィクス［ｔ］は測定された周期を示す。例え
ば、Ｖp,t 、Ｑp,t は測定対象区間２２ａにおける現在
（今回）の周期Ｔで測定された区間速度及び区間交通量
を示す。また、Ｖp+1,t-1 、Ｑp+1,t-1 は測定対象区間
２２ａの下流側に隣接する下流側区間２２ｂにおける一
つ前の周期Ｔで測定した区間速度及び区間交通量を示
す。

【００５２】さらに、各車両検知器２３内には監視カメ
ラが組込まれており、自己に対応する各区間２２の車両
の走行状況の画像を取込み、該当区間２２に対応するネ
ットワーク学習装置２５へ送出する。

【００５３】各車両検知器２３は、１分の周期Ｔ毎に測
定した区間速度Ｖp,t ，区間交通量Ｑp,t を２周期に亘
って記憶保持する測定バッファを備えており、次の周期
が開始されると、今回周期Ｔで測定した区間速度Ｖp,t
，区間交通量Ｑp,t と、前回の周期Ｔで測定した区間
速度Ｖp,t-1 ，区間交通量Ｑp,t-1 とを自己の測定対象
区間２２ａに対応するニューラルネットワーク２４へ送
出する。

【００５４】同時に、車両検知器２３は次の周期Ｔが開
始されると、測定バッファに記憶された上述した４種類
の測定データ、すなわち４種類の交通流データＫｐを自
己の測定対象区間２２ａの上流側に隣接する上流側区間
２２ｃに対応するニューラルネットワーク２４に対し
て、各区間速度Ｖp+1,t ，Ｖp+1,t-1 及び各区間交通量
Ｑp+1,t ，Ｑp+1,t-1 として送出する。

【００５５】したがって、今回、測定対象区間２２ａに
対応するニューラルネットワーク２４には、測定対象区
間２２ａの車両検知器２３及び下流側区間２２ｂの車両
検知器２３から下記に示す合計８つの交通流データＫp
が入力される。

【００５６】 測定対象区間２２ａの現在周期における区間速度Ｖp,t 測定対象区間２２ａの現在周期における区間交通量Ｑp,
t 下流側区間２２ｂの現在周期における区間速度Ｖp+1,t 下流側区間２２ｂの現在周期における区間交通量Ｑp+1,
t 測定対象区間２２ａの一つ前の周期における区間速度Ｖ
p,t-1 測定対象区間２２ａの一つ前の周期における区間交通量
Ｑp,t-1 下流側区間２２ｂの一つ前の周期における区間速度Ｖp+
1,t-1 下流側区間２２ｂの一つ前の周期における区間交通量Ｑ
p+1,t-1 図４は各ニユーラルネットワーク２４の概略構成を示す
ブロック図である。

【００５７】図示するように、ニユーラルネットワーク
２４は、ｈ個の入力ユニット２６ａからなる入力層２６
と、ｍ個の中間ユニット２７ａからなる中間層２７と、
ｎ個の出力ユニット２８ａからなる出力層２８とで構成
されている。

【００５８】なお、図４においては、出力ユニット２８
ａが１つの場合（ｎ＝１）が図示されている。また、実
施例装置においては、入力ユニット２６ａの設置数は上
述した各交通流データＫp 対応する８個である（ｈ＝
８）。したがって、上述した各交通流データＫp は１番
から８番までの各入力ユニット２６ａに入力される。

【００５９】各入力ユニット２６ａへ各交通流データＫ
p を直接入力するのではなくて、各交通流データＫp を
０〜１の値に正規化して入力する。すなわち、各入力ユ
ニット２６ａへの入力値ｕ1(t)，…，ｕi(t)，…，ｕh
(t)は全部の区間２２に亘って予想される最大値（定
数）を各交通流データＫp 値で除算した値である。各入
力値ｕi(t)における時刻ｔは前述した各周期Ｔの時系列
変化を示す。実施例においては、周期Ｔは１分であるの
で時刻ｔの単位は分(min) である。

【００６０】各交通流データＫp を正規化した８つの入
力値ｕ1(t)〜ｕh(t)を入力パターンと呼ぶ。入力層２６
を構成する各入力ユニット２６ａはそれ自体で何等演算
機能を有していない。すなわち各入力ユニット２６ａの
動作を示す各関数ｆA は全て１である。したがって、各
入力ユニット２６ａから出力される各関数値ｆA1(t) ，
…，fAi(t)，…，ｆAh(t) は、(1) 式に示すように、各
入力値ｕ1(t)，…，ｕi(t)，…，ｕh(t)に等しい。

【００６１】 fAi(t)＝ｕi(t) …(1) 入力層２６の各入力ユニット２６ａと中間層２７の各中
間ユニット２７ａとはそれぞれ固有の重み係数で接続さ
れている。例えば、ｉ番目の入力ユニット２６ａとｊ番
目のち中間ユニット２７ａとは両者に固有の重み係数ａ
ijで接続されている。

【００６２】入力層２６を構成する各入力ユニット２６
ａから出力された各関数値ｆA1(t)，…，fAi(t)，…，
ｆAh(t) は中間層２７の各中間ユニット２７ａへそれぞ
れに対応した重み係数ａi1，…，ａij，…，ａhmが乗算
された乗算値［fAi(t)・ａij］として送信される。

【００６３】中間層２７を構成するｍ個の各中間ユニッ
ト２７ａには入力ユニット２６ａの設置数ｈ分の乗算値
［fAi(t)・ａij（＝ｕi(t)・ａij）］を加算した値ｘ
(t) が入力される。すなわちｊ番目の中間ユニット２７
ａには

【００６４】

【数１】 が入力される。

【００６５】各中間ユニット２７ａの動作を示す関数ｆ
B は、例えば図２に示す特性を有するシグモイド関数ｆ
(x) である。 ｆ(x) ＝１／［１＋exp(-x) ］ …(3) このシグモイド関数ｆ(x) は、図示するように、単調増
加関数であり微分可能で、かつ以下の条件を満たす。

【００６６】｜ｆ(x) ｜＜α α：有限値（図
２の場合α＝１） したがって、ｍ個の各中間ユニット２７ａから出力され
る各関数値ｆB1(t) ，…，ｆBj(t) ，…，ｆBm(t) は、
(2) 式で得られた入力値ｘj(t)を(3) 式のシグモイド関
数ｆ(x) に代入した値となる。

【００６７】中間層２７のｍ個の各中間ユニット２７ａ
は出力層２８のｎ個（ｎ＝１）の出力ユニット２８ａに
それぞれ固有の重み係数で接続されている。例えば、ｊ
番目の中間ユニット２７ａとｋ番目の出力ユニット２８
ａとは両者に固有の重み係数ｃjkで接続されている。

【００６８】ｍ個の各中間ユニット２７ａから出力され
た各関数値ｆB1(t) ，…，fBj(t)，…，ｆBm(t) は出力
層２８の出力ユニット２８ａへそれぞれ対応した重み係
数ｃ1k，…，ｃjk，…，ｃmkが乗算された乗算値［fBj
(t)・ｃjm］として送信される。

【００６９】出力層２８を構成するｎ個（ｎ＝１）の各
中間ユニット２８ａには中間ユニット２７ａの設置数ｍ
分の乗算値［fBj(t)・ｃjk］を加算した値ｘ0(t)が入力
される。すなわちｋ番目の出力ユニット２８ａには

【００７０】

【数２】 が入力される。

【００７１】出力ユニット２８ａの動作を示す関数ｆC
も、前述した図２に示す特性を有するシグモイド関数ｆ
(x) である。したがって、ｎ個（ｎ＝１）の出力ユニッ
ト２８ａから出力される０から１までの値を有する１つ
の関数値ｆck(t) はこのニューラルネットワーク２４の
出力値、すなわち、道路２１の測定対象区間２２ａにお
ける時刻ｔにおける突発事象の発生有無情報Ｘk(t)とな
る。

【００７２】この出力ユニット２８ａから出力される各
時刻ｔ（各周期Ｔ）における各発生有無情報Ｘk(t)は、
図２に示すシグモイド関数ｆ(x) の値であるので、
［１］または［０］に近い値となる。すなわち、［１］
の場合が突発事象発生有りを示し、［０］の場合が突発
事象発生無しを示す。

【００７３】次に、図３に示す各ニューラルネットワー
ク２４を学習させる各ニューラルネットワーク学習装置
２５の動作を説明する。各ニューラルネットワーク学習
装置２５は各車両検知器２３から受信した各区間２２の
車両の通行情況の画像を受信してモニタ表示する。監視
センターの監視員又は技術者は、常時モニタ画面を監視
し、事故や故障車等の突発事象がモニタ画面に表示され
ると、この画面を確認して、発生時刻ｔと発生区間ｐと
からなる実績発生有無情報Ｙp,t を確認した時点で発生
区間２２に対応するニューラルネットワーク学習装置２
５へ入力操作する。又は、一定期間発生情報をノート等
に記録しておき、毎日の監視業務終了後又は監視業務開
始前にまとめて、対応するニューラルネットワーク学習
装置２５へ入力操作する。

【００７４】なお、実績発生有無情報Ｙp,t は、突発事
象が発生している場合は［１］で、発生していない場合
は［０］である二値化データである。ｐ番目の区間２２
に対応するニューラルネットワーク学習装置２５は外部
から学習指令が入力されると、先ず、誤差評価関数Ｅを
次の(5) 式で求める。

【００７５】 Ｅ＝［Ｘp(t)−Ｙp(t)］² ／２ …(5) なお、実績発生有無情報Ｙp(t)は、監視員又は技術者が
操作入力したｐ番目の区間２２の各実績発生有無情報Ｙ
p,t に基づいて、各時刻ｔを変数として、各出力ユニッ
ト２８ａから出力された各有無詳報情Ｘk(t)（＝Ｘp
(t)）に対応する測定対象区間２２の［１］又は［０］
の値である。

【００７６】一般にニューラルネットワークにおける学
習とは、誤差評価関数Ｅが最小値になるように、前述し
た各ユニット相互間の各重み係数ａij，ｃjkの値を決定
することである。そこで、使用中の各重み係数ａij，ｃ
jkの各修正量Δａij(t) ，Δｃjk(t) は前記誤差評価関
数Ｅを偏微分することによって(6) 式で求まる。

【００７７】

【数３】

【００７８】なお、時間Δｔは、実施例においては、前
述した一定周期Ｔ（＝１分）に相当する。また、(6) 式
における第２項は、学習の収束の安定化を図るための項
であり、ε，αは重み係数に対する各学習パラメータで
ある。すなわち、各パラメータε，αの値が過度に大き
いと、発散してしまって、一定周期Ｔ毎に得られる突発
事象の発生有無情報Ｘp,t が変化する懸念がある。逆
に、過度に小さい値であれぱ、このニューラルネットワ
ーク２４で得られる突発事象の発生有無情報の精度が向
上するまで長時間を要することになる。

【００７９】したがって、最適値を設定する必要があ
る。さて、(6) 式にて、各重み係数ａij，ｃjkの各修正
量Δａij(t) ，Δｃjk(t)が算出されると、現在使用中
の各重み係数ａij(t) ，ｃjk(t) を次の周期Ｔ（時刻ｔ
＋Δｔ）において(7) 式で示す各重み係数ａij(t＋Δ
t)，ｃjk(t＋Δt)へ修正する。

【００８０】 ａij(t＋Δt)＝ａij(t) ＋Δａij(t) ｃjk(t＋Δt)＝ｃjk(t) ＋Δｃjk(t) …(7) したがって、複数周期分の実績発生有無情報Ｙp,t をニ
ューラルネットワーク学習装置２５へ操作入力すると、
このニューラルネットワーク学習装置２５は、前述した
(5) 式から(7) 式までの各演算処理を前記複数周期回数
分繰り返し実行することによって、より誤差評価関数Ｅ
が小さくなり、検出精度が向上する。

【００８１】そして、図３に示す突破事象検出装置にお
いては、全ての区間２２において、該当区間２２に対応
する各ニューラルネットワーク２４が該当区間２２ａに
突発事象の発生有無情報Ｘp を出力する。したがって、
監視センターに常駐している監視員は道路２１のどの区
間２２に突発事象が発生したとしても確実に把握でき
る。

【００８２】このように構成された突発事象発生検出装
置を新たに据え付けた場合において、監視センターに常
駐している監視員又は技術者は、各ニューラルネットワ
ーク２４が突発事象の発生有りを出力した発生区間ｐ及
び発生時刻ｔに対応する実際の区間ｐ及び時刻ｔの通行
状態を判断して、［１］又は［０］の実績発生有無情報
を採取して、この実績発生有無情報をニューラルネット
ワーク学習装置２５へ操作入力する。この操作入力の作
業を、例えば１週間又は１月間に亘って実施すれば、学
習効果が働き、各ニューラルネットワーク２４から出力
される突発事象の発生有無情報Ｘp,t が例えば後から監
視員が確認した実際の突発事象発生有無情報Ｙp,t に一
致するようになる。

【００８３】また、長期間に亘って装置を稼働させる
と、より一層、突発事象発生の検出精度を向上できる。
したがって、図６に示す従来装置のように、監視員や技
術者が判定値メモリ４に各判定値を設定るす必要ない。
当然、各区間２２毎に異なる値の各判定値を設定する必
要ない。よって、監視員や技術者の負担が軽減するのみ
ならず、設定者による個人差や人為的な設定ミスを未然
に防止できる。

【００８４】図５は本発明の他の実施例に係わる１台の
ニューラルネットワークを用いた突発事象選出装置の概
略構成を示す模式図である。図３に示す実施例装置と同
一部分には同一符号が付してある。したがって、重複す
る部分の詳細説明は省略されている。

【００８５】図３の実施例と同様に道路２１のｎ個に分
割された各区間２２には、該当区間２２を通行する車両
の区間速度Ｖp,t 及び区間交通量Ｑp,t を一定周期Ｔ毎
に検出する車両検出器２３ａが配設されている。また、
各車両検知器２３ａ内には監視カメラが組込まれてお
り、自己に対応する区間２２における車両の走行状況の
画像を取込み、１台のネットワーク学習装置２５ａへ送
出する。

【００８６】各車両検知器２３ａは１分の周期Ｔ毎に測
定した区間速度Ｖp,t ，区間交通量Ｑp,t を２周期に亘
って記憶保持する測定バッファを備えており、次の周期
が開始されると、今回周期Ｔで測定した区間速度Ｖp,t
，区間交通量Ｑp,t と、前回の周期Ｔで測定した区間
速度Ｖp,t-1 ，区間交通量Ｑp,t-1 とをニューラルネッ
トワーク２４ａへ送出する。

【００８７】したがって、ニューラルネットワーク２４
ａには、新規の周期Ｔが到来する毎に、道路２１の全て
の区間２２の車両検知器２３から下記に示す合計（４×
ｎ）種類の交通流データＫp が入力される。

【００８８】各区間２２の現在周期における区間速度Ｖ
1,t …Ｖp,t …Ｖn,t 各区間２２の現在周期における区間交通量Ｑ1,t …Ｑp,
t …Ｑn,t 各区間２２の一つ前の周期における区間速度Ｖ1,t-1 …
Ｖp,t-1 …Ｖn,t-1 前記各区間の一つ前の周期における区間交通量Ｑ1,t-1
…Ｑp,t-1 …Ｑn,t-1 この実施例のニューラルネットワーク２４ａは、図４に
示した先の実施例のニューラルネットワーク２４におい
て、入力層２６を（４×ｎ）個の入力ユニット２６ａで
構成している（ｈ＝４×ｎ）。中間層２７は先の実施例
と同様にｍ個の中間ユニット２７ａで構成されている。
さらに、出力層２８は点線で示すようにｎ個の出力ユニ
ット２８ａで構成されている。

【００８９】そして、（４×ｎ）個の各入力ユニット２
６ａには、上述した（４×ｎ）種類の各交通流データＫ
p が正規化されて入力される。また、ｎ個の各出力ユニ
ット２８ａから前述した(3) 式で示されるシグモイド関
数ｆ(x) で算出される各関数値ｆC1(t) ，…，ｆCk(t)
，…，ｆCn(t) が出力される。この各出力ユニット２
８ａから出力される各関数値ｆC1(t) ，…，ｆCk(t) ，
…，ｆCn(t) が１番目からｎ番目の各区間２２に対応す
る突発事象発生の各発生有無情報Ｘ1 ，…，Ｘp，…，
Ｘn となる。

【００９０】したがって、この実施例装置においては、
１台のニューラルネットワーク２４ａでもって、ｎ分割
された各区間２２における突発事象の［１］または
［０］に近似された各発生有無情報Ｘ1(t)…Ｘn(t)を把
握できる。

【００９１】次に、このように構成されたｎ個の出力ユ
ニット２８ａを有した１台のニューラルネットワーク２
４ａを学習させるニューラルネットワーク学習装置２５
ａの動作を説明する。

【００９２】監視センターに常駐している監視者または
技術者は先の実施例装置と同様に、ニューラルネットワ
ーク学習装置２５ａのモニタ画面を観察して、実際に突
発事象が発生した発生区間ｐと発生時刻ｔとを確認し
て、これらの値を［１］又は［０］の実績発生有無情報
Ｙp,t としてニューラルネットワーク学習装置２５ａへ
操作入力する。

【００９３】ニューラルネットワーク学習装置２５ａは
入力した時刻ｔにおけるｎ個の発生有無情報Ｘ1(t)，
…，Ｘ1(t)，…，Ｘn(t)を用いて次の(8) 式で誤差評価
関数Ｅを求める。

【００９４】

【数４】

【００９５】次に、誤差評価関数Ｅが最小値になるよう
に、前述した各ユニット相互間の各重み係数ａij，ｃjk
の値を決定する。このために。前述と同様に、使用中の
各重み係数ａij，ｃjkの各修正量Δａij(t) ，Δｃjk
(t) を前記誤差評価関数Ｅを偏微分することによって
(9) 式で求める

【００９６】

【数５】

【００９７】そして、最終に、次の周期Ｔ（時刻ｔ＋Δ
T ）における、修正後の各重み係数ａij(t＋Δt)，ｃjk
(t＋Δt)を(10)式で算出する。 ａij(t＋Δt)＝ａij(t) ＋Δａij(t) ｃjk(t＋Δt)＝ｃjk(t) ＋Δｃjk(t) …(10) したがって、前述した実施例のニューラルネットワーク
学習装置２５ａと同様に、ニューラルネットワーク２４
ａの各重み係数ａij，ｃjkが、出力される各発生有無情
報Ｘ1(t)…Ｘn(t)が実績値に一致する方向に修正され
る。

【００９８】よって、先に説明した突発事象発生検出装
置とほぼ同様の効果を得ることが可能である。さらに、
この実施例装置においては、１台のニューラルネットワ
ーク２４ａで全ての区間２２における突発事象の発生有
無情報Ｘ1(t)…Ｘn(t)が得られるので、演算処理能力の
大きいコンピュータを使用する場合は、前述した実施例
装置に比較して構成を大幅に簡素化できる。

【００９９】なお、本発明は上述した各実施例に限定さ
れるものではない。図３に示す実施例装置においては、
各ニューラルネットワーク２４には前述した８種類の交
通流データＫp を入力するようにしたが、この交通流デ
ータＫp の種類数及び項目は特に限定するものではな
い。例えば、測定対象区間２２ａの上流側区間２２ｃで
検出され区間速度Ｖp-1,t 及び区間交通量Ｑp-1,t も入
力してもよい。すなわち、出力される測定対象区間２２
ａの突発事象の発生有無情報Ｘk(t)が実績有無情報Ｙp,
t に精度よく一致する交通流データＫp を選択すればよ
い。

【０１００】

【発明の効果】以上説明したように本発明の道路交通に
おける突発事象検出装置においては、道路における各区
間の一定周期毎の区間速度や区間交通量等の複数の交通
流データを検出して、この条件が異なる複数種類の交通
流データからニューラルネットワーク手法を用いて測定
対象区間における突発事象の発生有無を検出している。
したがって、突発事象発生を判断するための多数の判定
値を人為的に設定する必要ないので、設定者の個人差や
誤設定が生じることはなく、突発事象の発生有無の検出
精度を向上できる。さらに、道路における上り坂，下り
坂、カーブ，トンネル等の道路状況も検出結果に自動的
に織り込まれるので、理想的な突発事象検出が可能とな
る。

【図面の簡単な説明】

【図１】 本発明の概略構成を示す機能ブロック図

【図２】 本発明の一実施例に係わる突発事象検出装置
のニューラルネットワークに採用されるシグモイド関数
を示す図

【図３】 同実施例装置の概略構成を示すブロック図

【図４】 同実施例装置に組込まれたニューラルネット
ワークを示す概略構成図

【図５】 本発明の他の実施例に係わる突発事象検出装
置の概略構成を示すブロック図

【図６】 従来の突発事象検出装置の概略構成を示すブ
ロック図

【図７】 同従来装置の動作を示す流れ図

【図８】 同じく同従来装置の動作を示す流れ図

【符号の説明】

２１…道路、２２…区間、２２ａ…測定対象区間、２２
ｂ…下流側区間、２３，２３ａ…車両検知器、２４，２
４ａ…ニューラルネットワーク、２５，２５ａ…ニュー
ラルネットワーク学習装置、２６…入力層、２６ａ…入
力ユニット、２７…中間層、２７ａ…中間ユニット、２
８…出力層、２８ａ…出力ユニット。

Claims (7)

【特許請求の範囲】
1. 【請求項１】 車両が通行する道路の複数に分割された
   各区間における前記車両の道路通行に関する交通流デー
   タを一定周期で検出する交通流データ検出手段と、 この交通流データ検出手段で検出された連続する複数区
   間における連続する複数周期における各交通流情データ
   が入力層を構成する各入力ユニットに入力され、出力層
   を構成する出力ユニットから測定対象区間における車両
   通行に関する突発事象の発生有無情報を出力するニュー
   ラルネットワークと、 前記出力ユニットから出力され発生有無情報に対応する
   前記測定対象区間における実証された実績発生有無情報
   を教示情報として前記ニューラルネットワークを学習さ
   せるニューラルネットワーク学習手段とを備えた道路交
   通における突発事象検出装置。
2. 【請求項２】 前記交通流データは前記各区間における
   車両速度を示す区間速度と前記各周期に該当区間を通過
   する車両数を示す区間交通量とで構成されたことを特徴
   とする請求項１記載の道路交通における突発事象検出装
   置。
3. 【請求項３】 前記交通流データ検出手段は、前記道路
   の各区間に配設され、この各区間における区間速度及び
   区間交通量を一定周期で検出する複数の車両検出手段で
   構成されたことを特徴とす請求項２記載の道路交通にお
   ける突発事象検出装置。
4. 【請求項４】 車両が通行する道路の複数に分割された
   各区間における前記車両の区間速度及び区間交通量を一
   定周期で検出する複数の車両検出手段と、 この各車両検出手段から出力された各区間速度及び各区
   間交通量のうちの測定対象区間を含む連続する複数区間
   における連続する複数周期における各区間速度及び各区
   間交通量が入力層を構成する各入力ユニットに入力さ
   れ、出力層を構成する出力ユニットから前記測定対象区
   間における車両通行に関する突発事象の発生有無情報を
   出力する複数のニューラルネットワークと、 前記複数のニューラルネットワークの各出力ユニットか
   ら出力された発生有無情報に対応する各測定対象区間に
   おける実証された各実績発生有無情報をそれぞれ教示情
   報として対応するニューラルネットワークを学習させる
   複数のニューラルネットワーク学習手段とを備えた道路
   交通における突発事象検出装置。
5. 【請求項５】 前記各ニユーラルネットワークの各入力
   ユニットには、 該当ニユーラルネットワークの測定対象区間の現在周期
   における区間速度と、 前記該当測定対象区間の現在周期における区間交通量
   と、 前記該当測定対象区間の下流側区間の現在周期における
   区間速度と、 前記該当測定対象区間の下流側区間の現在周期における
   区間交通量と、 前記該当測定対象区間の一つ前の周期における区間速度
   と、 前記該当測定対象区間の一つ前の周期における区間交通
   量と、 前記該当測定対象区間の下流側区間の一つ前の周期にお
   ける区間速度と、 前記該当測定対象区間の下流側区間の一つ前の周期にお
   ける区間交通量とが入力されることを特徴とする請求項
   ４記載の道路交通における突発事象検出装置。
6. 【請求項６】 車両が通行する道路の複数に分割された
   各区間における前記車両の区間速度及び区間交通量を一
   定周期で検出する複数の車両検出手段と、 この各車両検出手段から出力された連続する複数周期に
   おける各区間速度及び各区間交通量が入力層を構成する
   各入力ユニットに入力され、出力層を構成する各出力ユ
   ニットから前記各区間ににおける車両通行に関する突発
   事象の発生有無情報を出力する１つのニューラルネット
   ワークと、 前記各出力ユニットから出力され各区間の発生有無情報
   に対応する各区間における実証された各実績発生有無情
   報をそれぞれ教示情報として前記ニューラルネットワー
   クを学習させるニューラルネットワーク学習手段とを備
   えた道路交通における突発事象検出装置。
7. 【請求項７】 前記ニユーラルネットワークの各入力ユ
   ニットには、 前記各区間の現在周期における区間速度と、 前記各区間の現在周期における区間交通量と、 前記各区間の一つ前の周期における区間速度と、 前記各区間の一つ前の周期における区間交通量とが入力
   されることを特徴とする請求項６記載の道路交通におけ
   る突発事象検出装置。