JPH076290A - 交通流予測装置 - Google Patents
交通流予測装置Info
- Publication number
- JPH076290A JPH076290A JP5149442A JP14944293A JPH076290A JP H076290 A JPH076290 A JP H076290A JP 5149442 A JP5149442 A JP 5149442A JP 14944293 A JP14944293 A JP 14944293A JP H076290 A JPH076290 A JP H076290A
- Authority
- JP
- Japan
- Prior art keywords
- section
- traffic
- traffic density
- neural network
- spatial average
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
(57)【要約】
【目的】 予測誤差の原因となっている流出係数を用い
ることなく、交通渋滞が下流側から上流側へ伝播する際
の交通密度を精度良く求める。 【構成】 車両感知器１からのデータに基づいて、交通
量演算手段４，５において各セクションの交通密度およ
び空間平均速度が求められる。ニューラルネットワーク
７において、あるセクションの交通密度と当該セクショ
ンより１つ下流側のセクションの交通密度に基づいて、
当該セクションの空間平均速度が予測される。このニュ
ーラルネットワーク７は、各種実績値を基にニューラル
ネットワーク学習手段８により学習が行なわれるが、交
通流予測手段６において、空間平均速度予測値に基づい
て交通密度予測値が求められる。
ることなく、交通渋滞が下流側から上流側へ伝播する際
の交通密度を精度良く求める。 【構成】 車両感知器１からのデータに基づいて、交通
量演算手段４，５において各セクションの交通密度およ
び空間平均速度が求められる。ニューラルネットワーク
７において、あるセクションの交通密度と当該セクショ
ンより１つ下流側のセクションの交通密度に基づいて、
当該セクションの空間平均速度が予測される。このニュ
ーラルネットワーク７は、各種実績値を基にニューラル
ネットワーク学習手段８により学習が行なわれるが、交
通流予測手段６において、空間平均速度予測値に基づい
て交通密度予測値が求められる。
Description
【０００１】
【産業上の利用分野】本発明は例えば高速道路で用いら
れる交通流予測装置に係わり、とりわけ交通流を精度良
く予測することができる交通流予測装置に関する。
れる交通流予測装置に係わり、とりわけ交通流を精度良
く予測することができる交通流予測装置に関する。
【０００２】
【従来の技術】高速道路における交通管制システムにお
いては、通行車両のドライバーに対して、渋滞が予想
される区域、予想される渋滞長、今後渋滞が広がる
傾向にあるのかそれとも解消する傾向にあるのか、渋
滞解消までに要する時間、どの程度の速度で通行する
ことが可能なのか、ある地点からある地点までの走行
所要時間、などの各種予測情報をきめ細かく提供すると
ともに、ラッシュ時にランプ閉鎖を行なうなど、交通流
量予測値に基づいて交通管制の適正化を図ることが要求
されている。
いては、通行車両のドライバーに対して、渋滞が予想
される区域、予想される渋滞長、今後渋滞が広がる
傾向にあるのかそれとも解消する傾向にあるのか、渋
滞解消までに要する時間、どの程度の速度で通行する
ことが可能なのか、ある地点からある地点までの走行
所要時間、などの各種予測情報をきめ細かく提供すると
ともに、ラッシュ時にランプ閉鎖を行なうなど、交通流
量予測値に基づいて交通管制の適正化を図ることが要求
されている。
【０００３】従来、高速道路上の通行車両の流れ（交通
流）の予測方法としては以下のような方法が提案されて
いる。まず高速道路の交通流には、大きく分けて、自由
走行状態（渋滞の無い状態）、および渋滞走行状態の２
種類の状態がある。このうち、渋滞時の交通流をうまく
予測できるかがポイントとなる。この渋滞時を含む交通
流を比較的簡単なモデルでうまく予測できるものとして
従来から提案されている方法が、状態方程式モデル（交
通密度を状態変数にとった微分形の方程式）である。
流）の予測方法としては以下のような方法が提案されて
いる。まず高速道路の交通流には、大きく分けて、自由
走行状態（渋滞の無い状態）、および渋滞走行状態の２
種類の状態がある。このうち、渋滞時の交通流をうまく
予測できるかがポイントとなる。この渋滞時を含む交通
流を比較的簡単なモデルでうまく予測できるものとして
従来から提案されている方法が、状態方程式モデル（交
通密度を状態変数にとった微分形の方程式）である。
【０００４】高速道路を図４のように複数のセクション
に分割したとき、セクションｉの交通密度ｋi の時間変
動を考える。交通流を検討する際、速度、交通量を左右
する基本的なファクタが交通密度となる。
に分割したとき、セクションｉの交通密度ｋi の時間変
動を考える。交通流を検討する際、速度、交通量を左右
する基本的なファクタが交通密度となる。
【０００５】Δｔ［min ］間における交通密度ｋ
i （ｔ）の変化量Δｋi （ｔ）［台／ｍ］は、（ａ）Δ
ｔの間にセクションｉに流入する車両台数［台］と、
（ｂ）Δｔの間にセクションｉから流出する車両台数
［台］との差をセクションｉの長さで割ったものとな
る。
i （ｔ）の変化量Δｋi （ｔ）［台／ｍ］は、（ａ）Δ
ｔの間にセクションｉに流入する車両台数［台］と、
（ｂ）Δｔの間にセクションｉから流出する車両台数
［台］との差をセクションｉの長さで割ったものとな
る。
【０００６】一般に、あるセクションに流入する交通量
［台／min ］は、上流側セクションの交通密度［台／
ｍ］と上流側セクションの空間平均速度［ｍ／min ］と
の積で表されることから、次式が導かれる。
［台／min ］は、上流側セクションの交通密度［台／
ｍ］と上流側セクションの空間平均速度［ｍ／min ］と
の積で表されることから、次式が導かれる。
【０００７】基本式（セクションｉの上流端の合流、下
流端の分岐が無い場合） Δｋi (t) ＝（Δｔ／Ｌi ） ・（ＱＩＮi-1,i −ＱＵＵＴi,i+1 ） （１） ＱＩＮi-1,i ＝Ｃi-1,i （ｋi (t))・ｋi-1 (t) ・Ｖi-1 （ｋi-1 (t)）・（1000/60) （２） ＱＯＵＴi,i+1 ＝Ｃi,i+1 （ｋi+1 (t))・ｋi (t) ・Ｖi （ｋi (t))・（1000/60) （３） （１）〜（３）式において、ｋi （ｔ）はセクションｉ
の交通密度［台／ｍ］、Δｋi （ｔ）はセクションｉの
交通密度のΔｔ［min ］間の変化量［台／ｍ］、ＱＩＮ
i-1,i はセクションｉ−１からセクションｉへの流入交
通量［台／min］、ＱＯＵＴi,i+1 はセクションｉから
セクションｉ＋１への流出交通量［台／min ］、Ｌi は
セクションｉの長さ［ｍ］、Ｖi （ｋi （ｔ））はセク
ションｉにおける空間平均速度［km／ｈ］でｋi （ｔ）
の関数として与えられる。
流端の分岐が無い場合） Δｋi (t) ＝（Δｔ／Ｌi ） ・（ＱＩＮi-1,i −ＱＵＵＴi,i+1 ） （１） ＱＩＮi-1,i ＝Ｃi-1,i （ｋi (t))・ｋi-1 (t) ・Ｖi-1 （ｋi-1 (t)）・（1000/60) （２） ＱＯＵＴi,i+1 ＝Ｃi,i+1 （ｋi+1 (t))・ｋi (t) ・Ｖi （ｋi (t))・（1000/60) （３） （１）〜（３）式において、ｋi （ｔ）はセクションｉ
の交通密度［台／ｍ］、Δｋi （ｔ）はセクションｉの
交通密度のΔｔ［min ］間の変化量［台／ｍ］、ＱＩＮ
i-1,i はセクションｉ−１からセクションｉへの流入交
通量［台／min］、ＱＯＵＴi,i+1 はセクションｉから
セクションｉ＋１への流出交通量［台／min ］、Ｌi は
セクションｉの長さ［ｍ］、Ｖi （ｋi （ｔ））はセク
ションｉにおける空間平均速度［km／ｈ］でｋi （ｔ）
の関数として与えられる。
【０００８】（１）式の第１項が上記（ａ）に、第２項
が上記（ｂ）に相当する。Ｃi-1,iはセクションｉ−１
からセクションｉへの流出量が抑えられる働きを持つ流
出係数であり、この係数を導入することにより交通渋滞
が上流側に広がっていく遡上現象を間接的に表現するこ
とが可能となる。流出係数Ｃi-1,i は経験的に次のよう
な形で与えられる。
が上記（ｂ）に相当する。Ｃi-1,iはセクションｉ−１
からセクションｉへの流出量が抑えられる働きを持つ流
出係数であり、この係数を導入することにより交通渋滞
が上流側に広がっていく遡上現象を間接的に表現するこ
とが可能となる。流出係数Ｃi-1,i は経験的に次のよう
な形で与えられる。
【０００９】・０≦ｋi （ｔ）≦Ｋcrのとき（Ｋcrは臨
界密度［台／ｍ］、例えばＫcr＝０．０８［台／
ｍ］）、 Ｃi-1,i （ｋi (t))＝１ （４） ・Ｋcr＜ｋi （ｔ）のとき、 Ｃi-1,i （ｋi (t))＝（Ｌi-1 ／Ｌmax)・ｅｐｘ［−α ・｛（ｋi (t) ／Ｋcr）−１｝2 ］ （５） （５）式において、αは経験的に与えられるパラメータ
（α＝０．４８）であり、Ｌmax は最大区間長［ｍ］で
ある。
界密度［台／ｍ］、例えばＫcr＝０．０８［台／
ｍ］）、 Ｃi-1,i （ｋi (t))＝１ （４） ・Ｋcr＜ｋi （ｔ）のとき、 Ｃi-1,i （ｋi (t))＝（Ｌi-1 ／Ｌmax)・ｅｐｘ［−α ・｛（ｋi (t) ／Ｋcr）−１｝2 ］ （５） （５）式において、αは経験的に与えられるパラメータ
（α＝０．４８）であり、Ｌmax は最大区間長［ｍ］で
ある。
【００１０】（２）、（３）式は、セクションｉ−１か
らセクションｉへの流出を考えた場合、下流側セクショ
ンｉの区間密度ｋi （ｔ）が臨界密度Ｋcr以下であれ
ば、上流側セクションの交通量がそのまま流出するが、
ｋi （ｔ）がＫcrを越えると、その越えた程度に応じて
流出量が抑えられることを意味する。また上流側セクシ
ョンｉ−１の区間長Ｌi-1 が短いほど、その影響が上流
側セクション全体に早く拡がるので、流出量が抑えられ
るということである。なお、区間長は対象道路網中の最
大区間長Ｌmax で割ることによって標準化してある。
らセクションｉへの流出を考えた場合、下流側セクショ
ンｉの区間密度ｋi （ｔ）が臨界密度Ｋcr以下であれ
ば、上流側セクションの交通量がそのまま流出するが、
ｋi （ｔ）がＫcrを越えると、その越えた程度に応じて
流出量が抑えられることを意味する。また上流側セクシ
ョンｉ−１の区間長Ｌi-1 が短いほど、その影響が上流
側セクション全体に早く拡がるので、流出量が抑えられ
るということである。なお、区間長は対象道路網中の最
大区間長Ｌmax で割ることによって標準化してある。
【００１１】上述の差分方程式を解く場合、Δｔ［min
］は区間長最小値Ｌmin ［ｍ］×１０-3程度とすると
適合度が良くなることが確かめられている。
］は区間長最小値Ｌmin ［ｍ］×１０-3程度とすると
適合度が良くなることが確かめられている。
【００１２】また、交通密度〜速度曲線Ｖi （ｋ
i （ｔ））については、例えば次式を採用する。
i （ｔ））については、例えば次式を採用する。
【００１３】・０≦ｋi （ｔ）≦Ｋcrのとき（Ｋcrは臨
界密度［台／ｍ］）、 Ｖi （ｋi (t))＝９１．０・｛１−５・ｋi (t)} （６） ・Ｋcr＜ｋi （ｔ）のとき、 Ｖi （ｋi (t))＝１６４．５・ｅｘｐ｛−１３．８・ｋi (t)} （７） （６）、（７）式において各係数の値は、仮の値であり
対象となる道路によって異なる。
界密度［台／ｍ］）、 Ｖi （ｋi (t))＝９１．０・｛１−５・ｋi (t)} （６） ・Ｋcr＜ｋi （ｔ）のとき、 Ｖi （ｋi (t))＝１６４．５・ｅｘｐ｛−１３．８・ｋi (t)} （７） （６）、（７）式において各係数の値は、仮の値であり
対象となる道路によって異なる。
【００１４】セクションｉの下流端にオフランプが接続
している場合 図５に示すようにセクションｉの下流端にオフランプが
接続している場合には、前述の基本式（１）〜（３）式
のうち、（３）式は次のように変更される。
している場合 図５に示すようにセクションｉの下流端にオフランプが
接続している場合には、前述の基本式（１）〜（３）式
のうち、（３）式は次のように変更される。
【００１５】 ＱＯＵＴi,i+1 ＝Ｐi,i+1 ・Ｃi,i+1 （ｋi+1 (t))・ｋi (t) ・Ｖi （ｋi (t))・（1000/60)＋（１−Ｐi,i+1 ） ・ｋi (t) ・Ｖi （ｋi (t))・（1000/60) （８） ここでＰi,i+1 はセクションｉからオフランプへ流出せ
ず、セクションｉ＋１へ推移する車両の割合を示してお
り、推移確率と呼ばれる係数である。
ず、セクションｉ＋１へ推移する車両の割合を示してお
り、推移確率と呼ばれる係数である。
【００１６】（８）式の第１項はセクションｉからセク
ションｉ＋１への流出交通量［台／min ］、第２項はセ
クションｉからオフランプへの流出を表している。
ションｉ＋１への流出交通量［台／min ］、第２項はセ
クションｉからオフランプへの流出を表している。
【００１７】セクションｉの下流端が本線の分流点の場
合 セクションｉの下流端が本線の分流点の場合には、前述
の基本式（１）〜（３）式のうち、（３）式は次のよう
に変更される。
合 セクションｉの下流端が本線の分流点の場合には、前述
の基本式（１）〜（３）式のうち、（３）式は次のよう
に変更される。
【００１８】 なお（９）式において、Ｐi,j はセクションｉからセク
ションｊへ流出する割
ションｊへ流出する割
【００１９】セクションｉの上流端にオンランプが接続
している場合 図６に示すようにセクションｉの上流端にオンランプが
接続している場合には、前述の基本式（１）〜（３）式
のうち、（２）式は次のように変更される。
している場合 図６に示すようにセクションｉの上流端にオンランプが
接続している場合には、前述の基本式（１）〜（３）式
のうち、（２）式は次のように変更される。
【００２０】ＱＩＮi-1,i ＝Ｕr,i (t) ＋Ｃi-1,i （ｋi (t))・Ｐi-1,i ・ｋi-1 (t) ・Ｖi-1 （ｋi-1 (t))・（1000/60) （10） ここで、Ｕr,i （ｔ）はオンランプｒからセクションｉ
への流入交通量［台／min ］であり、 Ｕr,i (t) ＝（オンランプｒからの需要交通量） ・Ｃr,i （ｋi (t)) （11） によって与えるものとしている。
への流入交通量［台／min ］であり、 Ｕr,i (t) ＝（オンランプｒからの需要交通量） ・Ｃr,i （ｋi (t)) （11） によって与えるものとしている。
【００２１】セクションｉの上流端が本線の合流点の場
合 セクションｉの上流端が本線の合流点の場合には、前述
の基本式（１）〜（３）式のうち、（２）式は次のよう
に変更される。
合 セクションｉの上流端が本線の合流点の場合には、前述
の基本式（１）〜（３）式のうち、（２）式は次のよう
に変更される。
【００２２】 例えば、図７に示すような簡易路線形状を考えると、上
述の状態方程式モデルは、図８に示すフローチャートに
よって交通密度予測値を予測演算できる。すなわち、
（１）式を用いて流入交通量ＱＩＮi-1,i と流出交通量
ＱＯＵＴi,i+1 から交通密度変化量Δｋi （ｔ）を求め
た後、時刻ｔ＋Δｔにおける交通密度ｋi（ｔ＋Δｔ）
を求める。
述の状態方程式モデルは、図８に示すフローチャートに
よって交通密度予測値を予測演算できる。すなわち、
（１）式を用いて流入交通量ＱＩＮi-1,i と流出交通量
ＱＯＵＴi,i+1 から交通密度変化量Δｋi （ｔ）を求め
た後、時刻ｔ＋Δｔにおける交通密度ｋi（ｔ＋Δｔ）
を求める。
【００２３】
【発明が解決しようとする課題】ところで上述のように
従来の状態方程式モデルにおいては、交通密度〜速度曲
線Ｖi （ｋi （ｔ））の式（６）、（７）において、下
流側のセクションの交通密度ｋi+1 （ｔ）の影響を考慮
していないために、このままでは、高速道路に見られる
交通渋滞の下流側から上流側への遡上現象を表すことが
できない。そこで（２）、（３）式に示すようにセクシ
ョンｉ−１からセクションｉへの流出量が抑えられる働
きを持つ流出係数Ｃi-1,i を導入することにより流入交
通量および流出交通量を表しているが、この流出係数の
モデルを経験的に定めなければならない。またこの流出
係数の経験値を定めることはむずかしく、これが従来の
交通流予測方法では充分な予測精度が得られない主な要
因となっている。
従来の状態方程式モデルにおいては、交通密度〜速度曲
線Ｖi （ｋi （ｔ））の式（６）、（７）において、下
流側のセクションの交通密度ｋi+1 （ｔ）の影響を考慮
していないために、このままでは、高速道路に見られる
交通渋滞の下流側から上流側への遡上現象を表すことが
できない。そこで（２）、（３）式に示すようにセクシ
ョンｉ−１からセクションｉへの流出量が抑えられる働
きを持つ流出係数Ｃi-1,i を導入することにより流入交
通量および流出交通量を表しているが、この流出係数の
モデルを経験的に定めなければならない。またこの流出
係数の経験値を定めることはむずかしく、これが従来の
交通流予測方法では充分な予測精度が得られない主な要
因となっている。
【００２４】本発明は、このような点を考慮してなされ
たものであり、流出係数を定めることなく、精度良く交
通流予測を行なうことができる交通流予測装置を提供す
ることを目的とする。
たものであり、流出係数を定めることなく、精度良く交
通流予測を行なうことができる交通流予測装置を提供す
ることを目的とする。
【００２５】
【課題を解決するための手段】請求項１記載の発明は、
道路上の各セクションに設けられた車両感知器からのデ
ータに基づいて、各セクションの交通密度および空間平
均速度を求める交通量演算手段と、あるセクションの交
通密度と当該セクションより１つ下流側のセクションの
交通密度とを入力信号とし、当該セクションの空間平均
速度予測値を出力信号とする第１ニューラルネットワー
クと、当該セクションの交通密度実績値と当該セクショ
ンより１つ下流側のセクションの交通密度実績値とを入
力信号とし、当該セクションの空間平均速度実績値を出
力信号とする学習用データにより、第１ニューラルネッ
トワークの学習を行なう第１ニューラルネットワーク学
習手段と、第１ニューラルネットワークにより求めた空
間平均速度予測値に基づいて交通密度予測値を求める交
通流予測手段と、を備えたことを特徴とする交通流予測
装置である。
道路上の各セクションに設けられた車両感知器からのデ
ータに基づいて、各セクションの交通密度および空間平
均速度を求める交通量演算手段と、あるセクションの交
通密度と当該セクションより１つ下流側のセクションの
交通密度とを入力信号とし、当該セクションの空間平均
速度予測値を出力信号とする第１ニューラルネットワー
クと、当該セクションの交通密度実績値と当該セクショ
ンより１つ下流側のセクションの交通密度実績値とを入
力信号とし、当該セクションの空間平均速度実績値を出
力信号とする学習用データにより、第１ニューラルネッ
トワークの学習を行なう第１ニューラルネットワーク学
習手段と、第１ニューラルネットワークにより求めた空
間平均速度予測値に基づいて交通密度予測値を求める交
通流予測手段と、を備えたことを特徴とする交通流予測
装置である。
【００２６】請求項２記載の発明は、道路上の各セクシ
ョンに設けられた車両感知器からのデータに基づいて、
各セクションの交通密度および空間平均速度を求める交
通量演算手段と、あるセクションの交通密度と当該セク
ションより１つ上流側のセクションの交通密度と当該セ
クションより１つ下流側のセクションの交通密度とを入
力信号とし、当該セクションの空間平均速度予測値を出
力信号とする第２ニューラルネットワークと、当該セク
ションの交通量密度実績値と当該セクションより１つ上
流側のセクションの交通密度実績値と当該セクションよ
り１つ下流側のセクションの交通密度実績値とを入力信
号とし、当該セクションの空間平均速度実績値を出力信
号とする学習用データにより、第２ニューラルネットワ
ークの学習を行なう第２ニューラルネットワーク学習手
段と、第２ニューラルネットワークにより求めた空間平
均速度予測値に基づいて交通密度予測値を求める交通流
予測手段と、を備えたことを特徴とする交通流予測装置
である。
ョンに設けられた車両感知器からのデータに基づいて、
各セクションの交通密度および空間平均速度を求める交
通量演算手段と、あるセクションの交通密度と当該セク
ションより１つ上流側のセクションの交通密度と当該セ
クションより１つ下流側のセクションの交通密度とを入
力信号とし、当該セクションの空間平均速度予測値を出
力信号とする第２ニューラルネットワークと、当該セク
ションの交通量密度実績値と当該セクションより１つ上
流側のセクションの交通密度実績値と当該セクションよ
り１つ下流側のセクションの交通密度実績値とを入力信
号とし、当該セクションの空間平均速度実績値を出力信
号とする学習用データにより、第２ニューラルネットワ
ークの学習を行なう第２ニューラルネットワーク学習手
段と、第２ニューラルネットワークにより求めた空間平
均速度予測値に基づいて交通密度予測値を求める交通流
予測手段と、を備えたことを特徴とする交通流予測装置
である。
【００２７】
【作用】請求項１記載の発明によれば、交通演算手段に
よって各セクションの交通密度および空間平均速度が求
められ、第１ニューラルネットワークにおいて、あるセ
クションの交通密度と、１つ下流側のセクションの交通
密度とから当該セクションの空間平均速度予測値が求め
られる。第１ニューラルネットワーク学習手段は、当該
セクションの交通密度実績値と１つ下流側のセクション
の交通密度実績値とを入力信号とし、当該セクションの
空間平均速度実績値を出力信号とする学習用データによ
り第１ニューラルネットワークの学習を行なう。交通流
予測手段において、第１ニューラルネットワークにより
求めた空間平均速度予測値に基づいて交通密度予測値を
求める。
よって各セクションの交通密度および空間平均速度が求
められ、第１ニューラルネットワークにおいて、あるセ
クションの交通密度と、１つ下流側のセクションの交通
密度とから当該セクションの空間平均速度予測値が求め
られる。第１ニューラルネットワーク学習手段は、当該
セクションの交通密度実績値と１つ下流側のセクション
の交通密度実績値とを入力信号とし、当該セクションの
空間平均速度実績値を出力信号とする学習用データによ
り第１ニューラルネットワークの学習を行なう。交通流
予測手段において、第１ニューラルネットワークにより
求めた空間平均速度予測値に基づいて交通密度予測値を
求める。
【００２８】請求項２記載の発明によれば、交通演算手
段によって各セクションの交通密度および空間平均速度
が求められ、第２ニューラルネットワークにおいて、あ
るセクションの交通密度と、１つ上流側のセクションの
交通密度と、１つ下流側のセクションの交通密度とから
当該セクションの空間平均速度予測値が求められる。第
２ニューラルネットワーク学習手段は当該セクションの
交通密度実績値と１つ上流側のセクションの交通密度実
績値と１つ下流側のセクションの交通密度実績値とを入
力信号とし、当該セクションの空間平均速度実績値を出
力信号とする学習用データにより第２ニューラルネット
ワークの学習を行なう。交通流予測手段において、第２
ニューラルネットワークにより求めた空間平均速度予測
値に基づいて交通密度予測値を求める。
段によって各セクションの交通密度および空間平均速度
が求められ、第２ニューラルネットワークにおいて、あ
るセクションの交通密度と、１つ上流側のセクションの
交通密度と、１つ下流側のセクションの交通密度とから
当該セクションの空間平均速度予測値が求められる。第
２ニューラルネットワーク学習手段は当該セクションの
交通密度実績値と１つ上流側のセクションの交通密度実
績値と１つ下流側のセクションの交通密度実績値とを入
力信号とし、当該セクションの空間平均速度実績値を出
力信号とする学習用データにより第２ニューラルネット
ワークの学習を行なう。交通流予測手段において、第２
ニューラルネットワークにより求めた空間平均速度予測
値に基づいて交通密度予測値を求める。
【００２９】
【実施例】以下、図面を参照して本発明の実施例につい
て説明する。図１乃至図３は本発明による交通流予測装
置の一実施例を示す図である。
て説明する。図１乃至図３は本発明による交通流予測装
置の一実施例を示す図である。
【００３０】図１は、本発明の一実施例を示す機能ブロ
ック図である。図１において、交通流予測装置は、道路
上の各セクションに設置され通過する車両の検知を行な
う車両感知器１と、車両感知器１からの信号により交通
量を演算する交通量演算手段２と、車両感知器１と交通
量演算手段２からの信号によりオキュパンシを求めるオ
キュパンシ演算手段３と、交通量演算手段２およびオキ
ュパンシ演算手段３からの信号により空間平均速度を求
める空間平均速度演算手段４と、オキュパンシ演算手段
３からの信号により交通密度を求める交通密度演算手段
５とを備えている。そして空間平均速度演算手段４およ
び交通密度演算手段５により、道路上の各セクションの
空間平均速度および交通密度が演算される。また、これ
らの演算結果をもとに、交通流予測手段６、ニューラル
ネットワーク７およびニューラルネットワーク学習手段
８により、各セクションの空間平均速度および交通密度
の予測値が得られるようになっている。
ック図である。図１において、交通流予測装置は、道路
上の各セクションに設置され通過する車両の検知を行な
う車両感知器１と、車両感知器１からの信号により交通
量を演算する交通量演算手段２と、車両感知器１と交通
量演算手段２からの信号によりオキュパンシを求めるオ
キュパンシ演算手段３と、交通量演算手段２およびオキ
ュパンシ演算手段３からの信号により空間平均速度を求
める空間平均速度演算手段４と、オキュパンシ演算手段
３からの信号により交通密度を求める交通密度演算手段
５とを備えている。そして空間平均速度演算手段４およ
び交通密度演算手段５により、道路上の各セクションの
空間平均速度および交通密度が演算される。また、これ
らの演算結果をもとに、交通流予測手段６、ニューラル
ネットワーク７およびニューラルネットワーク学習手段
８により、各セクションの空間平均速度および交通密度
の予測値が得られるようになっている。
【００３１】次にこのような構成からなる本実施例の作
用を説明する。車両感知器１の出力をもとに、交通量演
算手段２により各セクションの交通量［台／min ］が演
算され、同様にオキュパンシ演算手段３により各セクシ
ョンのオキュパンシ［％］が演算される。そして、これ
らの演算結果をもとに、空間平均速度演算手段４では、 に従って、各セクションの空間平均速度［km／ｈ］が演
算される。
用を説明する。車両感知器１の出力をもとに、交通量演
算手段２により各セクションの交通量［台／min ］が演
算され、同様にオキュパンシ演算手段３により各セクシ
ョンのオキュパンシ［％］が演算される。そして、これ
らの演算結果をもとに、空間平均速度演算手段４では、 に従って、各セクションの空間平均速度［km／ｈ］が演
算される。
【００３２】また交通密度演算手段５においては、 に従って、各セクションの交通密度［台／ｍ］が演算さ
れる。
れる。
【００３３】さらに交通流予測手段６およびニューラル
ネットワーク７では、（１４）式で得られた各セクショ
ンの交通密度ｋi （ｔ）［台／ｍ］を初期条件として、
今後の各セクションｉ（ｉ＝１〜ｎ）おける空間平均速
度Ｖi ［km／ｈ］の推移、 Ｖi (t) ，Ｖi （t+Δｔ），Ｖi （t+２・Δｔ），……
… （ｉ＝１〜ｎ） および、交通密度ｋi の推移、 ｋi （t+Δｔ），ｋi （t+２・Δｔ），ｋi （t+３・Δ
ｔ），……… （ｉ＝１〜ｎ） が予測される。
ネットワーク７では、（１４）式で得られた各セクショ
ンの交通密度ｋi （ｔ）［台／ｍ］を初期条件として、
今後の各セクションｉ（ｉ＝１〜ｎ）おける空間平均速
度Ｖi ［km／ｈ］の推移、 Ｖi (t) ，Ｖi （t+Δｔ），Ｖi （t+２・Δｔ），……
… （ｉ＝１〜ｎ） および、交通密度ｋi の推移、 ｋi （t+Δｔ），ｋi （t+２・Δｔ），ｋi （t+３・Δ
ｔ），……… （ｉ＝１〜ｎ） が予測される。
【００３４】図２に交通流予測手段６およびニューラル
ネットワーク７で行なわれる演算処理フローチャートを
示す。図２は従来の図８に相当するものであるが、下記
の点で図８のフローチャートと異なる。
ネットワーク７で行なわれる演算処理フローチャートを
示す。図２は従来の図８に相当するものであるが、下記
の点で図８のフローチャートと異なる。
【００３５】すなわち、図２に示すフローチャートでは
セクションｉ−１からセクションｉへの流出量が抑えら
れる働きを持つ流出係数Ｃi-1,i を用いておらず、また
各セクションの空間平均速度Ｖi の予測に際しては、従
来の（６）、（７）式のような当該セクションの交通密
度のみの関数としたモデル式を用いることなく、ニュー
ラルネットワーク７により求める。
セクションｉ−１からセクションｉへの流出量が抑えら
れる働きを持つ流出係数Ｃi-1,i を用いておらず、また
各セクションの空間平均速度Ｖi の予測に際しては、従
来の（６）、（７）式のような当該セクションの交通密
度のみの関数としたモデル式を用いることなく、ニュー
ラルネットワーク７により求める。
【００３６】また図３は図２の太線部の演算の際用いる
ニューラルネットワーク７の構造の例を示している。
ニューラルネットワーク７の構造の例を示している。
【００３７】まずニューラルネットワーク７の作用を以
下に説明する。
下に説明する。
【００３８】中間層の出力Ｙj は次式にて演算される。 Ｙj ＝Ｆj （ＵYj） （ｊ＝１，２，…，Ｎ） （Ｎ．１）
【００３９】 ここで、 Ｙj ：図３の中間層の第ｊ素子の出力 Ｗji：図３の入力層の第ｉ素子と中間層の第ｊ素子との
間の重み係数 Ｘi ：図３の入力層の第ｉ素子の出力（入力層は入力と
出力とが同じ） Ｆ：各素子の入出力特性を表す関数 である。
間の重み係数 Ｘi ：図３の入力層の第ｉ素子の出力（入力層は入力と
出力とが同じ） Ｆ：各素子の入出力特性を表す関数 である。
【００４０】次に、出力層の出力Ｚを次式により演算す
る。
る。
【００４１】 ここで、 Ｚk ：出力層の第ｋ素子の出力 Ｗkj：中間層第ｊ素子と出力層第ｊ素子との間の重み係
数 である。
数 である。
【００４２】また、関数Ｆとしては、例えば次式に示す
シグモイド関数を採用する。
シグモイド関数を採用する。
【００４３】 Ｆ（Ｕ）＝１／（１＋ｅ-u）−０．５ （Ｎ．５） 上記（Ｎ．１）〜（Ｎ．５）式の演算が図３のニューラ
ルネットワーク７の内部で行なわれる。
ルネットワーク７の内部で行なわれる。
【００４４】さらにニューラルネットワーク学習手段８
では、図３に示すニューラルネットワーク７の内部の重
み係数Ｗkj，Ｗjiの学習が行なわれるが、学習方法とし
ては以下に示すバック・プロパゲーション法（ＢＰ法）
が用いられる。
では、図３に示すニューラルネットワーク７の内部の重
み係数Ｗkj，Ｗjiの学習が行なわれるが、学習方法とし
ては以下に示すバック・プロパゲーション法（ＢＰ法）
が用いられる。
【００４５】まず、教師信号Ｖk と信号Ｚk との誤差関
数を（Ｎ．６）式で定義する。
数を（Ｎ．６）式で定義する。
【００４６】 バックプロパゲーションとは、この誤差関数が最小値に
近づくように重み係数を修正していく手法であり、重み
係数の修正量ΔＷkj，ΔＷjiは次式で演算される。
近づくように重み係数を修正していく手法であり、重み
係数の修正量ΔＷkj，ΔＷjiは次式で演算される。
【００４７】
【数１】 上式において、εは１回に行なう修正の大きさを決める
パラメータである。（Ｎ．７）式および（Ｎ．８）式の
偏微分項を展開して整理すると、重み係数の修正量は次
のように表される。
パラメータである。（Ｎ．７）式および（Ｎ．８）式の
偏微分項を展開して整理すると、重み係数の修正量は次
のように表される。
【００４８】
【数２】 また、学習の際の収束の安定化および収束速度の向上を
図るために、（Ｎ．９）式、（Ｎ．１０）式の代わりに
次式を採用する方法も有効である。
図るために、（Ｎ．９）式、（Ｎ．１０）式の代わりに
次式を採用する方法も有効である。
【００４９】 ΔＷkj(m) ＝−ε・λk ・Ｙj ＋α・ΔＷkj(m-1) （Ｎ．13） ΔＷji(m) ＝−ε・μj ・Ｘi ＋α・ΔＷji(m-1) （Ｎ．14） （０＜α＜１） ここでαは学習を安定させるためのパラメータであり、
ｍは学習の回数を表す。
ｍは学習の回数を表す。
【００５０】次に（Ｎ．９）〜（Ｎ．１２）式の導出方
法について説明する。
法について説明する。
【００５１】
【数３】
【００５２】
【数４】 となる。
【００５３】以上が、図１に示すニューラルネットワー
ク７およびニューラルネットワーク学習手段８の内部の
処理内容である。
ク７およびニューラルネットワーク学習手段８の内部の
処理内容である。
【００５４】本発明では、図２の太線部の演算におい
て、あるセクションｉの空間平均速度の予測値Ｖ
i （τ）をニューラルネットワーク７により求める。こ
の場合、図３のニューラルネットワーク７の入力信号と
して、 Ｘ1 ＝セクションｉの交通密度ｋi （τ） （15） Ｘ2 ＝セクションｉの１つ下流側セクションｉ＋１ の交通密度ｋi+1 （τ） （16） を採用し、ニューラルネットワークの出力信号として、 Ｚ1 ＝セクションｉの空間平均速度予測値Ｖi （τ） （17） を（Ｎ．１）式〜（Ｎ．５）式により計算する。
て、あるセクションｉの空間平均速度の予測値Ｖ
i （τ）をニューラルネットワーク７により求める。こ
の場合、図３のニューラルネットワーク７の入力信号と
して、 Ｘ1 ＝セクションｉの交通密度ｋi （τ） （15） Ｘ2 ＝セクションｉの１つ下流側セクションｉ＋１ の交通密度ｋi+1 （τ） （16） を採用し、ニューラルネットワークの出力信号として、 Ｚ1 ＝セクションｉの空間平均速度予測値Ｖi （τ） （17） を（Ｎ．１）式〜（Ｎ．５）式により計算する。
【００５５】そして、ニューラルネットワーク学習手段
８では、 Ｘ1 ＝交通密度演算手段５の出力として得られるある 時刻ｔにおけるセクションｉの交通密度実績値 （18） Ｘ2 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ＋１の交通密度実績値 （19） Ｚ1 ＝(18)、（19）式のＸ1 ，Ｘ2 をニューラルネットワーク の入力信号としたときのニューラルネットワーク出力 （20） Ｖ1 ＝空間平均速度演算手段４の出力として得られるある 時刻ｔにおけるセクションｉの空間平均速度実績値 （21） を一組の学習用データとし、前述の（Ｎ．９）式〜
（Ｎ．１４）式に従って、ニューラルネットワーク内の
重み係数の学習を行なう。この場合Ｖ1 がＺ1 に対する
教師信号となる。そして各セクションについて、各時刻
毎に上述の（１８）〜（２１）式の学習用データの組を
作成し、学習を行なっていく。
８では、 Ｘ1 ＝交通密度演算手段５の出力として得られるある 時刻ｔにおけるセクションｉの交通密度実績値 （18） Ｘ2 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ＋１の交通密度実績値 （19） Ｚ1 ＝(18)、（19）式のＸ1 ，Ｘ2 をニューラルネットワーク の入力信号としたときのニューラルネットワーク出力 （20） Ｖ1 ＝空間平均速度演算手段４の出力として得られるある 時刻ｔにおけるセクションｉの空間平均速度実績値 （21） を一組の学習用データとし、前述の（Ｎ．９）式〜
（Ｎ．１４）式に従って、ニューラルネットワーク内の
重み係数の学習を行なう。この場合Ｖ1 がＺ1 に対する
教師信号となる。そして各セクションについて、各時刻
毎に上述の（１８）〜（２１）式の学習用データの組を
作成し、学習を行なっていく。
【００５６】このようにして、ニューラルネットワーク
７において、セクションｉの交通密度ｋi （τ）とセク
ションｉの１つ下流側のセクションｉ＋１の交通密度ｋ
i+1（τ）を入力信号として、セクションｉの空間平均
速度予測値Ｖi （τ）を求める。
７において、セクションｉの交通密度ｋi （τ）とセク
ションｉの１つ下流側のセクションｉ＋１の交通密度ｋ
i+1（τ）を入力信号として、セクションｉの空間平均
速度予測値Ｖi （τ）を求める。
【００５７】次に交通流予測手段６において、ニューラ
ルネットワーク７で求めた空間平均速度予測値Ｖ
i （τ）に基づいて、交通密度予測値ｋi （τ＋Δｔ）
を求める（図２参照）。
ルネットワーク７で求めた空間平均速度予測値Ｖ
i （τ）に基づいて、交通密度予測値ｋi （τ＋Δｔ）
を求める（図２参照）。
【００５８】すなわち、図２に示すように、まず各セク
ションにオンランプより流入する交通量Ｕr,i （τ）が Ｕr,i （τ）＝Ｐi-1,i ・ｋi-1 （τ）・Ｖi-1 （10′） により求められる。
ションにオンランプより流入する交通量Ｕr,i （τ）が Ｕr,i （τ）＝Ｐi-1,i ・ｋi-1 （τ）・Ｖi-1 （10′） により求められる。
【００５９】次に各セクション間の推移確率Ｐi-1,i が
設定される。
設定される。
【００６０】その後、流入交通量ＱＩＮi-1,i と流出交
通量ＱＯＵＴi,i+1 が、 ＱＩＮi-1,i ＝ｋi-1 （τ）・Ｖi-1 （τ）×(1000/60) （２′） ＱＯＵＴi,i+1 ＝ｋi （τ）・Ｖi （τ）×(1000/60) （３′） により求められる。
通量ＱＯＵＴi,i+1 が、 ＱＩＮi-1,i ＝ｋi-1 （τ）・Ｖi-1 （τ）×(1000/60) （２′） ＱＯＵＴi,i+1 ＝ｋi （τ）・Ｖi （τ）×(1000/60) （３′） により求められる。
【００６１】次に（１）式を用いて、流入交通量ＱＩＮ
i-1,i と流出交通量ＱＯＵＴi,i+1から交通密度変化量
Δｋi （ｔ）が求められる。続いて、時刻τ＋Δτにお
ける交通密度予測値ｋi （τ＋Δτ）が求められる。
i-1,i と流出交通量ＱＯＵＴi,i+1から交通密度変化量
Δｋi （ｔ）が求められる。続いて、時刻τ＋Δτにお
ける交通密度予測値ｋi （τ＋Δτ）が求められる。
【００６２】以上説明したように、本実施例によれば、
あるセクションの空間平均速度を、当該セクションの交
通密度と当該セクション下流側の交通密度との両者を考
慮して予測しているために、交通密度を予測する際、従
来経験的に定めていたセクション間の流出係数といった
考え方が不要となる。このため交通密度の予測精度が向
上する。また、空間平均速度の予測を行なう際に、従来
のような予め定められた関数式ではなくニューラルネッ
トワークのモデルを用いているので、実際に計測される
データを用いて、逐次学習を行なっていくことにより、
継続的にモデル精度の向上を図ることができる。
あるセクションの空間平均速度を、当該セクションの交
通密度と当該セクション下流側の交通密度との両者を考
慮して予測しているために、交通密度を予測する際、従
来経験的に定めていたセクション間の流出係数といった
考え方が不要となる。このため交通密度の予測精度が向
上する。また、空間平均速度の予測を行なう際に、従来
のような予め定められた関数式ではなくニューラルネッ
トワークのモデルを用いているので、実際に計測される
データを用いて、逐次学習を行なっていくことにより、
継続的にモデル精度の向上を図ることができる。
【００６３】なお、上記実施例においては、あるセクシ
ョンの空間平均速度を予測する際に、当該セクションの
交通密度と当該セクション下流側の交通密度とを考慮し
ていたが、当該セクション上流側の交通密度を更に取り
入れてもよい。この場合は、図２に示す太線部の演算に
おいて、あるセクションｉの空間平均速度Ｖi （τ）を
ニューラルネットワークにより求める際、ニューラルネ
ットワーク７の入力信号として、 Ｘ1 ＝セクションｉの交通密度ｋi （τ） （15） Ｘ2 ＝セクションｉの下流側セクションｉ＋１ の交通密度ｋi+1 （τ） （16） Ｘ3 ＝セクションｉの上流側セクションｉ−１ の交通密度ｋi-1 （τ） （16A) が採用される。
ョンの空間平均速度を予測する際に、当該セクションの
交通密度と当該セクション下流側の交通密度とを考慮し
ていたが、当該セクション上流側の交通密度を更に取り
入れてもよい。この場合は、図２に示す太線部の演算に
おいて、あるセクションｉの空間平均速度Ｖi （τ）を
ニューラルネットワークにより求める際、ニューラルネ
ットワーク７の入力信号として、 Ｘ1 ＝セクションｉの交通密度ｋi （τ） （15） Ｘ2 ＝セクションｉの下流側セクションｉ＋１ の交通密度ｋi+1 （τ） （16） Ｘ3 ＝セクションｉの上流側セクションｉ−１ の交通密度ｋi-1 （τ） （16A) が採用される。
【００６４】またニューラルネットワークの出力信号と
して、 Ｚ1 ＝セクションｉの空間平均速度Ｖi （τ） （17A) が（Ｎ．１）式〜（Ｎ．５）式により求められる。
して、 Ｚ1 ＝セクションｉの空間平均速度Ｖi （τ） （17A) が（Ｎ．１）式〜（Ｎ．５）式により求められる。
【００６５】そして、ニューラルネットワーク学習手段
８では、 Ｘ1 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉの交通密度実績値 （18） Ｘ2 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ＋１の交通密度実績値 （19） Ｘ3 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ−１の交通密度実績値 （19A) Ｚ1 ＝(18)、(19)、(19A）式のＸ1 ，Ｘ2 ，Ｘ3 をニュー ラルネットワークの入力信号としたときのニューラ ルネットワーク出力 （20A) Ｖ1 ＝空間平均速度演算手段４の出力として得られるある 時刻ｔにおけるセクションｉの空間平均速度実績値 （21） を一組の学習用データ（Ｖ1 がＺ1 に対する教師信号と
なる）とし、前述の（Ｎ．９）式〜（Ｎ．１４）式に従
って、ニューラルネットワーク内の重み係数の学習を行
なっていく。
８では、 Ｘ1 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉの交通密度実績値 （18） Ｘ2 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ＋１の交通密度実績値 （19） Ｘ3 ＝交通密度演算手段５の出力として得られるある時刻 ｔにおけるセクションｉ−１の交通密度実績値 （19A) Ｚ1 ＝(18)、(19)、(19A）式のＸ1 ，Ｘ2 ，Ｘ3 をニュー ラルネットワークの入力信号としたときのニューラ ルネットワーク出力 （20A) Ｖ1 ＝空間平均速度演算手段４の出力として得られるある 時刻ｔにおけるセクションｉの空間平均速度実績値 （21） を一組の学習用データ（Ｖ1 がＺ1 に対する教師信号と
なる）とし、前述の（Ｎ．９）式〜（Ｎ．１４）式に従
って、ニューラルネットワーク内の重み係数の学習を行
なっていく。
【００６６】さらに上記実施例においては、図３に示す
ニューラルネットワーク７を各セクションに共通のもの
として取り扱っているが、オンランプ、オフランプ、分
岐、合流の有無さらには道路幅、車線数など路線形状が
他と異なる部分のセクションおよびその近傍のセクショ
ンに関しては、そのセクション専用のニューラルネット
ワーク７を設けてもよい。
ニューラルネットワーク７を各セクションに共通のもの
として取り扱っているが、オンランプ、オフランプ、分
岐、合流の有無さらには道路幅、車線数など路線形状が
他と異なる部分のセクションおよびその近傍のセクショ
ンに関しては、そのセクション専用のニューラルネット
ワーク７を設けてもよい。
【００６７】
【発明の効果】以上説明したように本発明によれば、ま
ず道路上のあるセクションの空間平均速度の予測値を、
当該セクションおよびその隣接するセクションの交通密
度に基づいてニューラルネットワークにより求め、次に
この空間平均速度から交通流予測手段により交通密度予
測値を求めるので、従来予測誤差の原因となっていた流
出係数を用いる必要がない。このため交通渋滞が下流側
から上流側へ伝播する場合であっても交通密度を高精度
で予測することができる。また、空間平均速度を予測す
るニューラルネットワーク内の重み係数を交通密度およ
び空間平均速度の実績値を用いて学習しているので、ニ
ューラルネットワーク内で実情に沿した予測モデルを構
築することができる。
ず道路上のあるセクションの空間平均速度の予測値を、
当該セクションおよびその隣接するセクションの交通密
度に基づいてニューラルネットワークにより求め、次に
この空間平均速度から交通流予測手段により交通密度予
測値を求めるので、従来予測誤差の原因となっていた流
出係数を用いる必要がない。このため交通渋滞が下流側
から上流側へ伝播する場合であっても交通密度を高精度
で予測することができる。また、空間平均速度を予測す
るニューラルネットワーク内の重み係数を交通密度およ
び空間平均速度の実績値を用いて学習しているので、ニ
ューラルネットワーク内で実情に沿した予測モデルを構
築することができる。
【図１】本発明の機能構成を示すブロック図。
【図２】交通流予測手段およびニューラルネットワーク
における演算フローチャート。
における演算フローチャート。
【図３】ニューラルネットワークの一般的な構成図。
【図４】高速道路をセクション分割した模式図。
【図５】セクションｉの下流端にオフランプが接続して
いる場合の高速道路の模式図。
いる場合の高速道路の模式図。
【図６】セクションｉの上流端にオンランプが接続して
いる場合の高速道路の模式図。
いる場合の高速道路の模式図。
【図７】高速道路の簡易路線図。
【図８】従来の状態方程式モデルに基づく交通流予測演
算フローチャート。
算フローチャート。
１ 車両感知器 ２ 交通量演算手段 ３ オキュパンシ演算手段 ４ 空間平均速度演算手段 ５ 交通密度演算手段 ６ 交通流予測手段 ７ ニューラルネットワーク ８ ニューラルネットワーク学習手段
Claims (2)
- 【請求項１】道路上の各セクションに設けられた車両感
知器からのデータに基づいて、各セクションの交通密度
および空間平均速度を求める交通量演算手段と、 あるセクションの交通密度と当該セクションより１つ下
流側のセクションの交通密度とを入力信号とし、当該セ
クションの空間平均速度予測値を出力信号とする第１ニ
ューラルネットワークと、 当該セクションの交通密度実績値と当該セクションより
１つ下流側のセクションの交通密度実績値とを入力信号
とし、当該セクションの空間平均速度実績値を出力信号
とする学習用データにより、第１ニューラルネットワー
クの学習を行なう第１ニューラルネットワーク学習手段
と、 第１ニューラルネットワークにより求めた空間平均速度
予測値に基づいて交通密度予測値を求める交通流予測手
段と、 を備えたことを特徴とする交通流予測装置。 - 【請求項２】道路上の各セクションに設けられた車両感
知器からのデータに基づいて、各セクションの交通密度
および空間平均速度を求める交通量演算手段と、 あるセクションの交通密度と当該セクションより１つ上
流側のセクションの交通密度と当該セクションより１つ
下流側のセクションの交通密度とを入力信号とし、当該
セクションの空間平均速度予測値を出力信号とする第２
ニューラルネットワークと、 当該セクションの交通量密度実績値と当該セクションよ
り１つ上流側のセクションの交通密度実績値と当該セク
ションより１つ下流側のセクションの交通密度実績値と
を入力信号とし、当該セクションの空間平均速度実績値
を出力信号とする学習用データにより、第２ニューラル
ネットワークの学習を行なう第２ニューラルネットワー
ク学習手段と、 第２ニューラルネットワークにより求めた空間平均速度
予測値に基づいて交通密度予測値を求める交通流予測手
段と、 を備えたことを特徴とする交通流予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14944293A JP3157953B2 (ja) | 1993-06-21 | 1993-06-21 | 交通流予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14944293A JP3157953B2 (ja) | 1993-06-21 | 1993-06-21 | 交通流予測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH076290A true JPH076290A (ja) | 1995-01-10 |
| JP3157953B2 JP3157953B2 (ja) | 2001-04-23 |
Family
ID=15475211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP14944293A Expired - Fee Related JP3157953B2 (ja) | 1993-06-21 | 1993-06-21 | 交通流予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3157953B2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08207624A (ja) * | 1995-01-31 | 1996-08-13 | Mazda Motor Corp | 走行環境の判断方法及び判断装置 |
| JPH10324175A (ja) * | 1997-05-23 | 1998-12-08 | Toyota Central Res & Dev Lab Inc | 運転指向推定装置 |
| KR20010028048A (ko) * | 1999-09-17 | 2001-04-06 | 박종섭 | 고속 데이터 전송을 위한 티씨이 자원 할당 방식 |
| JP2007219990A (ja) * | 2006-02-20 | 2007-08-30 | Denso It Laboratory Inc | 渋滞予測情報生成装置、渋滞予測情報生成方法、及び経路探索システム |
| JP2015513720A (ja) * | 2012-02-09 | 2015-05-14 | ユーリエビッチ マツル，イゴール | 自動化した車両駐車管理方法 |
| WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693633B (zh) * | 2012-06-07 | 2014-03-12 | 浙江大学 | 一种短时交通流加权组合预测方法 |
-
1993
- 1993-06-21 JP JP14944293A patent/JP3157953B2/ja not_active Expired - Fee Related
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08207624A (ja) * | 1995-01-31 | 1996-08-13 | Mazda Motor Corp | 走行環境の判断方法及び判断装置 |
| JPH10324175A (ja) * | 1997-05-23 | 1998-12-08 | Toyota Central Res & Dev Lab Inc | 運転指向推定装置 |
| KR20010028048A (ko) * | 1999-09-17 | 2001-04-06 | 박종섭 | 고속 데이터 전송을 위한 티씨이 자원 할당 방식 |
| JP2007219990A (ja) * | 2006-02-20 | 2007-08-30 | Denso It Laboratory Inc | 渋滞予測情報生成装置、渋滞予測情報生成方法、及び経路探索システム |
| JP4729411B2 (ja) * | 2006-02-20 | 2011-07-20 | 株式会社デンソーアイティーラボラトリ | 渋滞予測情報生成装置、渋滞予測情報生成方法、及び経路探索システム |
| JP2015513720A (ja) * | 2012-02-09 | 2015-05-14 | ユーリエビッチ マツル，イゴール | 自動化した車両駐車管理方法 |
| WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3157953B2 (ja) | 2001-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0670066B1 (en) | Prediction method of traffic parameters | |
| Skabardonis et al. | Improved speed-flow relationships for planning applications | |
| Lebacque et al. | Introducing buses into first-order macroscopic traffic flow models | |
| JP3485774B2 (ja) | 交通流シミュレーションシステム | |
| JP3520330B2 (ja) | 交通流模擬装置による交通流予測制御システム | |
| JPH05250594A (ja) | 道路交通シミュレーションシステム | |
| JP3212241B2 (ja) | 交通流予測装置 | |
| JPH0877485A (ja) | 走行所要時間予測装置 | |
| KR100772511B1 (ko) | 교통 예측을 기반으로 하는 최단 경로 검색 방법 및 그장치 | |
| JPH11328571A (ja) | 交通路網上の交通状況を求める方法及び装置 | |
| JPH076290A (ja) | 交通流予測装置 | |
| KR102199369B1 (ko) | 도로 교통 혼잡도 예측 및 모의 방법 | |
| García-Chan et al. | Bilevel optimal control of urban traffic-related air pollution by means of Stackelberg strategies | |
| Hou et al. | Development of travel time functions for disrupted urban arterials with microscopic traffic simulation | |
| JP4276931B2 (ja) | Ｏｄデータ推定方法 | |
| Suzuki et al. | Dynamic estimation of origin-destination travel time and flow on a long freeway corridor: Neural Kalman filter | |
| JP4038970B2 (ja) | リンク発生交通量算出方法及びｏｄ交通量の推定方法並びに装置 | |
| JP3160438B2 (ja) | 交通流予測装置 | |
| Cremer | On the calculation of individual travel times by macroscopic models | |
| JP2000285362A (ja) | ナビゲーション装置 | |
| JP3152858B2 (ja) | 交通流予測装置 | |
| Aashtiani et al. | Use of intersection delay functions to improve reliability of traffic assignment model | |
| JP2004127104A (ja) | 交通情報予測システム、及びプログラム | |
| JPH06131589A (ja) | 交通状況検出方法 | |
| JP3343001B2 (ja) | 道路状況表示装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |