JPH0962979A - Traffic flow predicting device - Google Patents
Traffic flow predicting deviceInfo
- Publication number
- JPH0962979A JPH0962979A JP23901795A JP23901795A JPH0962979A JP H0962979 A JPH0962979 A JP H0962979A JP 23901795 A JP23901795 A JP 23901795A JP 23901795 A JP23901795 A JP 23901795A JP H0962979 A JPH0962979 A JP H0962979A
- Authority
- JP
- Japan
- Prior art keywords
- section
- prediction
- neural network
- traffic
- travel time
- 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
Description
【０００１】[0001]
【発明の属する技術分野】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り、特にニューラルネッ
トワークを用いて、渋滞の増加や減少傾向を予測する交
通流予測装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a traffic control system for making effective use of roads, and more particularly to a traffic flow prediction apparatus for predicting an increase or decrease tendency of traffic congestion by using a neural network.
【０００２】[0002]
【従来の技術】一般に、交通管制システムにおいては、
現在の交通状況及び予測交通状況等の情報をドライバー
にきめ細かく提供すると共に、ラッシュ時対応のランプ
閉鎖など交通予測に基づく交通管制の適正化を行なうこ
とが要求されている。現在、交通状況については、大き
く分けて渋滞表示方法及び所要時間表示方法の２通りの
方法で情報提供が行なわれている。2. Description of the Related Art Generally, in a traffic control system,
It is required to provide the driver with detailed information on the current traffic conditions and predicted traffic conditions, and to optimize traffic control based on traffic predictions, such as closing the ramp during rush hours. Currently, traffic conditions are roughly provided by two methods, a traffic jam display method and a required time display method.
【０００３】渋滞表示方法は、車両感知器から得られる
交通流データに基づいて渋滞度を算出し、情報板に表示
するものである。すなわち、道路上に設置された車両感
知器から１分毎に区間速度Ｖ、区間オキュパンシＯｃｃ
を算出し、このデータを基に以下の条件により、まず渋
滞度を判定する。なお、Ｖ１、Ｖ２は渋滞度判定速度閾
値、Ｏｃｃ１は渋滞度判定オキュパンシ閾値である。 （条件１） Ｖ≦Ｖ１ 又は Ｏｃｃ≧Ｏｃｃ１ のと
きは、渋滞 （条件２） Ｖ１＜Ｖ≦Ｖ２ かつ Ｏｃｃ＜Ｏｃｃ１
のときは、混雑 （条件３） Ｖ２＜Ｖ かつ Ｏｃｃ＜Ｏｃｃ１ のと
きは、自由流 このようにして求めた渋滞度を、道路上の情報板に「Ａ
−Ｂ、事故、渋滞、△△ｋｍ」又は「Ａ出口、渋滞、注
意」などと表示し、文字による情報をドライバーに提供
したり、また、道路の線形を模式化した図形上に、自由
流の場合は無表示で、混雑の場合は黄色で、渋滞の場合
は赤色で、交通状況を図形上の色により情報提供したり
している。The traffic jam display method is to calculate the traffic jam level on the basis of traffic flow data obtained from a vehicle detector and display it on an information board. That is, from the vehicle detector installed on the road, the section speed V and the section occupancy Occ every 1 minute.
Based on this data, the degree of congestion is first determined under the following conditions. V1 and V2 are congestion degree determination speed thresholds, and Occ1 is a congestion degree determination occupancy threshold. (Condition 1) Congestion when V ≦ V1 or Occ ≧ Occ1 (Condition 2) V1 <V ≦ V2 and Occ <Occ1
When it is, congestion (Condition 3) Free flow when V2 <V and Occ <Occ1.
-B, accident, traffic jam, △△ km "or" A exit, traffic jam, caution "etc. are provided to the driver to provide information in text, and the free line is displayed on the diagram that schematically shows the alignment of the road. In case of No, it is not displayed, in case of congestion it is in yellow, in case of congestion it is in red, and traffic information is provided by the color on the figure.
【０００４】一方、所要時間表示方法は、ある位置から
他の位置までの所要時間を表示するもので、車両感知器
で検出されたデータから求めた区間データから現在の区
間旅行時間を求め、区間旅行時間の算術和により、情報
提供位置から特定の位置までの所要時間を算出し、例え
ば、「Ａ地点まで約△△分」のように表示するものであ
る。On the other hand, the required time display method displays the required time from a certain position to another position. The present section travel time is obtained from the section data obtained from the data detected by the vehicle detector, The required time from the information providing position to the specific position is calculated based on the arithmetic sum of the travel times, and is displayed as, for example, “about ΔΔ minutes to point A”.
【０００５】ここで、交通状況の予測に対しては、渋滞
が予想される地域の予測、現在ある渋滞が今後広がる傾
向にあるのか、それとも解消する傾向にあるのかの予
測、ある地点から他のある地点までの走行所要時間の予
測などが要求されており、その予測を行う方法として以
下のような方法が提案されている。[0005] Here, as for the traffic condition prediction, prediction of an area where traffic congestion is expected, prediction of whether the existing traffic congestion tends to spread in the future, or a tendency to resolve the traffic congestion, from a certain point to another Prediction of the travel time required to reach a certain point is required, and the following method has been proposed as a method for making the prediction.
【０００６】例えば、高速道路の交通流は大きく分け
て、自由走行状態と渋滞走行状態との２種類があり、特
に渋滞時の交通流をうまく表現することが重要となる。
この渋滞時を含む交通流を比較的簡単なモデルで表現す
るものとして従来から提案されている方法に、状態方程
式モデル（交通密度を状態変数にとった微分方程式）で
シミュレートする方法がある。[0006] For example, there are two types of traffic flow on an expressway, a free running state and a congested running state, and it is particularly important to properly express the traffic flow during a traffic jam.
A method that has been conventionally proposed as a method of expressing a traffic flow including a traffic jam with a relatively simple model is a method of simulating with a state equation model (differential equation in which the traffic density is a state variable).
【０００７】いま、図４に示すように、高速道路を各区
間に分割したときの区間ｉの交通密度Ｋi の時間変動を
考える。なお、交通流においては、速度、交通流を左右
する基本的なファクタが交通密度Ｋi となる。交通密度
Ｋi は時間ｔの関数Ｋi(t)で示され、所定の演算周期を
Δｔとしたとき、Ｋi(t+Δt)＝Ｋi(t)＋ΔＫｉ(t) で示
される。Now, let us consider the time variation of the traffic density Ki of the section i when the expressway is divided into sections as shown in FIG. In the traffic flow, the basic factor that influences the speed and the traffic flow is the traffic density Ki. The traffic density Ki is represented by a function Ki (t) of time t, and is represented by Ki (t + Δt) = Ki (t) + ΔKi (t), where Δt is a predetermined calculation period.
【０００８】ここで、Δｔ［min ］間における交通密度
Ｋi(t)［台／ｍ］の変化量ΔＫｉ(t) ［台／ｍ］は、Δ
ｔ間に区間ｉに流入する車両台数と、Δｔ間に区間ｉか
ら流出する車両台数との差を区間ｉの長さＬｉ［ｍ］で
割ったものとなる。Here, the change amount ΔKi (t) [vehicles / m] of the traffic density Ki (t) [vehicles / m] during Δt [min] is Δ
The difference between the number of vehicles flowing into the section i during t and the number of vehicles flowing out from the section i during Δt is divided by the length Li [m] of the section i.
【０００９】一般に、ある区間ｉに流入する交通量ＱIN
i-1,i ［台／min ］は、上流側区間ｉ＋１の交通密度Ｋ
i-1 と上流側区間の空間平均速度Ｖi-1 ［ｍ／min ］と
の積で表わされることから、次式が導かれる。Generally, the traffic volume QIN flowing into a certain section i
i-1, i [vehicles / min] is the traffic density K of the upstream section i + 1
The following equation is derived from the product of i-1 and the spatial average velocity Vi-1 [m / min] of the upstream section.
【００１０】 ΔＫi(t)＝（ＱINi-1,i ・Δｔ−ＱOUTi,i+1・Δｔ）／Ｌi …（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） ここで、ＱINi-1,i は、区間ｉ−１から区間ｉへの流入
交通量［台／min ］、ＱOUTi,i+1は、区間ｉから区間ｉ
＋１への流出交通量［台／min ］であり、Ｖi（Ｋi
(t)）は、区間ｉにおける空間平均速度［Km／h ］であ
る。（２）式及び（３）式中の（1000/60 ）は、空間平
均速度の単位系を［Km／h ］から［ｍ／min］に変換し
たものである。また、Ｃi-1,i （Ｋi(t)）は、区間ｉ−
１から区間ｉへの流出量が抑えられる働きを持つ流出係
数である。この（１）式、（２）式、（３）式は、基本
式であり、区間ｉの上流端に合流がなく下流端に分岐が
ない場合のものを示している。ΔKi (t) = (QINi-1, i · Δt−QOUTi, i + 1 · Δt) / Li (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) where QINi-1, i is the inflow traffic volume [unit / min] from section i-1 to section i, QOUTi, i +1 is from section i to section i
Traffic flow [vehicles / min] to +1 and Vi (Ki
(t)) is the spatial average velocity [Km / h] in the section i. (1000/60) in the equations (2) and (3) is the unit system of the spatial average velocity converted from [Km / h] to [m / min]. Also, Ci-1, i (Ki (t)) is the interval i-
This is an outflow coefficient that has the function of suppressing the outflow from 1 to the section i. The equations (1), (2), and (3) are basic equations and show cases where there is no merging at the upstream end of the section i and there is no branching at the downstream end.
【００１１】（１）式において、（１）式の右辺第１項
は、Δｔ間に区間ｉに流入する車両台数に相当し、第２
項がΔｔ間に区間ｉから流出する車両台数に相当する。
次に、（２）式のＣi-1,i は、区間ｉ−１から区間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拡がって
いく遡上現象を間接的に表現することが可能となる。Ｃ
i-1,i は経験的に次のような形で与えられる。In the equation (1), the first term on the right side of the equation (1) corresponds to the number of vehicles flowing into the section i during Δt, and the second term
The term corresponds to the number of vehicles flowing out of the section i during Δt.
Next, Ci-1, i in equation (2) is an outflow coefficient that has the function of suppressing the outflow from section i-1 to section i. By introducing this coefficient, traffic congestion will increase to the upstream side. It is possible to indirectly represent the expanding run-up phenomenon. C
i-1 and i are empirically given as follows.
【００１２】 ０≦Ｋｉ(t) ≦Ｋcrのときは、Ｃi-1,i （Ｋi(t)）＝１ …（４） ここで、Ｋcrは臨界密度［台／ｍ］であり、例えば、Ｋ
cr＝０．０８［台／ｍ］である。When 0 ≦ Ki (t) ≦ Kcr, Ci-1, i (Ki (t)) = 1 (4) where Kcr is a critical density [unit / m], for example, Kcr
cr = 0.08 [unit / m].
【００１３】Ｋcr＜Ｋi(t)のときは、 Ｃi-1,i （Ｋi(t)）＝（Ｌi-1 ／Ｌmax ） ・exp ［−α・｛（Ｋi(t)／Ｋcr）−１｝2 ］ …（５） ここで、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。When Kcr <Ki (t), Ci-1, i (Ki (t)) = (Li-1 / Lmax) .exp [-. Alpha..multidot. {(Ki (t) / Kcr) -1} 2] (5) where α is an empirically given parameter (α = 0.
48), and Lmax is the maximum section length [m].
【００１４】上式（２）式及び（３）式は、区間ｉ−１
から区間ｉへの流出を考えた場合、下流側区間ｉの区間
密度Ｋcr以下であれば、上流側区間ｉ−１の交通量がそ
のまま流出するが、交通密度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。The above equations (2) and (3) are expressed by the interval i-1.
When the outflow from the section i to the section i is considered, if the section density Kcr of the downstream section i is less than or equal to Kcr, the traffic volume of the upstream section i-1 flows out as it is, but if the traffic density Ki (t) exceeds Kcr. ,
It means that the amount of outflow can be suppressed according to the degree of exceeding.
【００１５】また、上流側区間ｉ−１の区間長Ｌi-1 が
短いほど、その影響が上流側区間ｉ−１の全体に早く広
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Ｌは対象道路網中の最大区間長Ｌmax 割るこ
とによって標準化してある。Further, as the section length Li-1 of the upstream section i-1 is shorter, the influence spreads more quickly over the entire upstream section i-1, so that the outflow amount can be suppressed. The section length L is standardized by dividing the maximum section length Lmax in the target road network.
【００１６】上述の差分方程式を解く場合、ｔ[min]
は、区間長最小値Ｌmin ［ｍ］の１／１０００程度の[m
in] とすると適合度が良くなることが確かめられてい
る。When solving the above difference equation, t [min]
Is about 1/1000 of the minimum section length Lmin [m] [m
It has been confirmed that the conformity is improved by setting [in].
【００１７】また、交通密度〜速度曲線を示す空間平均
速度Ｖi （Ｋi(t)）については、例えば、次式を採用す
る。なお、この場合、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ことは勿論である。For the spatial average speed Vi (Ki (t)) showing the traffic density-speed curve, for example, the following equation is adopted. In this case, it goes without saying that the value of each coefficient is a temporary value and varies depending on the target road.
【００１８】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 ｔ（Ｋi(t)）＝１６４．５・exp ｛１３．８・Ｋi(t)｝ …（７） 以上の説明は、区間ｉの上流端に合流がなく下流端に分
岐のない場合のものであるが、次に、区間ｉの下流端に
オフランプが接続されている場合について説明する。図
５のように区間ｉの下流端にオフランプが接続されてい
る場合には、前述の基本式（１）〜（３）のうち、式
（３）を次の式（８）ように変更する。When 0 ≦ Ki (t) ≦ Kcr (Kcr is a critical density [unit / m]) Vi (Ki (t)) = 91.0 · {1-5 · Ki (t)} (6) When Kcr <Ki (t) Vit (Ki (t)) = 164.5 · exp {13.8 · Ki (t)} (7) The above explanation shows that there is no merging at the upstream end of section i. Although there is no branch at the downstream end, the case where the off-ramp is connected to the downstream end of the section i will be described next. When the off-ramp is connected to the downstream end of the section i as shown in FIG. 5, the equation (3) in the basic equations (1) to (3) is changed to the following equation (8). To do.
【００１９】 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、区間ｉからオフランプへ流出せず
区間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。式（８）の右辺第１項は、区
間ｉから区間ｉ＋１への流出交通流［台／min ］、第２
項は区間ｉからオフランプへの流出を表している。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) where Pi, i + 1 is a section that does not flow from section i to off-ramp It shows the proportion of vehicles that transition to i + 1 and is a coefficient called transition probability. The first term on the right side of the equation (8) is the outflow traffic flow [unit / min] from the section i to the section i + 1, the second
The term represents the outflow from section i to off-ramp.
【００２０】次に、区間ｉの下流端が本線の分流点とな
っている場合には、前述の基本式（１）〜（３）のう
ち、式（３）を次の式（９）のように変更する。Next, when the downstream end of the section i is the shunting point of the main line, the equation (3) in the above-mentioned basic equations (1) to (3) is converted into the following equation (9). To change.
【００２１】 ＱOUTi,i+1＝ΣＰi,j ・Ｃi,j ・（Ｋj(t)） ・Ｋi(t)・Ｖi （Ｋi(t)）・（1000/60 ） …（９） なお、Ｐi,j は区間ｉから区間ｊへ流出する割合を示す
推移確率であり、ΣＰi,j ＝１を満足するものとする。QOUTi, i + 1 = ΣPi, j * Ci, j * (Kj (t)) * Ki (t) * Vi (Ki (t)) * (1000/60) (9) Note that Pi, j is a transition probability indicating the rate of outflow from section i to section j, and it is assumed that ΣP i, j = 1 is satisfied.
【００２２】また、図６に示すように、区間ｉの上流端
にオンランプが接続している場合は、前述の基本式
（１）〜（３）のうち、式（２）を次のように変更す
る。Further, as shown in FIG. 6, when the on-ramp is connected to the upstream end of the section i, the equation (2) among the above-mentioned basic equations (1) to (3) is changed as follows. change.
【００２３】 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から区間i への流入交
通量［台／min ］であり、下記の式（１１）で示され
る。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) where Ur, i (t) is the inflow traffic [vehicles / min] from the on-ramp r to the section i, and is expressed by the following equation (11).
【００２４】 Ｕr,i(t)＝（オンランプｒからの需要交通量）・Ｃr,i （Ｋi(t)）…（11） 次に、区間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）のうち、式（２）を次のように
変更する。Ur, i (t) = (demand traffic from on-ramp r) · Cr, i (Ki (t)) (11) Next, when the upstream end of section i is the confluence of the main lines Of the basic equations (1) to (3), the equation (2) is changed as follows.
【００２５】 ＱINi-1,i ＝ΣＣj,i （Ｋi(t)）・Ｋj(t) ・Ｖj （Ｋj(t)）・（1000/60 ） …（１２） 例えば、図７に示すような簡易路線形状に適用すると、
上記状態方程式モデルは、図８に示す予測フローに従っ
て交通密度予測値を予測演算できる。QINi-1, i = ΣCj, i (Ki (t)). Kj (t) .Vj (Kj (t)). (1000/60) (12) For example, as shown in FIG. When applied to the line shape,
The above state equation model can predictively calculate the traffic density predicted value according to the prediction flow shown in FIG.
【００２６】図８において、定数データを読み込み（Ｓ
１）、初期設定時刻ｔとしてｔ0 を設定し（Ｓ２）、各
区間の交通密度の初期値Ｋi(t0) を設定し（Ｓ３）、各
区間の空間平均速度Ｖi(Ｋi(t)) の計算行い（Ｓ４）、
流出係数Ｃi-1,i(Ｋi(t)）の計算を行い（Ｓ５）、各区
間にオンランプより流入する交通量Ｕr,1(t)の計算を行
い（Ｓ６）、各区間間の推移確率Ｐi-1,i を設定し（Ｓ
７）、流入交通量ＱINi-1,i 、流出交通量ＱOUTi,i+1の
計算を行い（Ｓ８）、t 〜Δt 間における交通密度変化
量ΔＫi(t)の計算を行い（Ｓ９）、時刻t における交通
量密度ΔＫi(t+Δt)の計算を行う（Ｓ１０）。すなわ
ち、Ｋi(t+Δt)＝Ｋi(t)＋ΔＫｉ(t) の計算式で交通量
密度ΔＫi(t+Δt)を計算し（Ｓ１１）、所定の時刻tSTO
P になったか否かを判定し（Ｓ１２）、所定の時刻tSTO
P になっていない場合は、所定の時刻tSTOP になるま
で、周期Δt にてステップＳ４以降の演算を繰返し行う
（Ｓ１３）。In FIG. 8, constant data is read (S
1), t0 is set as the initial setting time t (S2), the initial value Ki (t0) of the traffic density of each section is set (S3), and the spatial average velocity Vi (Ki (t)) of each section is calculated. Do (S4),
The outflow coefficient Ci-1, i (Ki (t)) is calculated (S5), and the traffic volume Ur, 1 (t) flowing into each section from on-ramp is calculated (S6), and the transition probability between sections is calculated. Set Pi-1, i (S
7), inflow traffic QINi-1, i and outflow traffic QOUTi, i + 1 are calculated (S8), and traffic density change ΔKi (t) between t and Δt is calculated (S9), and the time is calculated. The traffic density ΔKi (t + Δt) at t is calculated (S10). That is, the traffic volume density ΔKi (t + Δt) is calculated by the calculation formula of Ki (t + Δt) = Ki (t) + ΔKi (t) (S11), and the predetermined time tSTO
It is determined whether or not P is reached (S12), and the predetermined time tSTO
If it is not P, the calculation after step S4 is repeated at the cycle Δt until the predetermined time tSTOP is reached (S13).
【００２７】このように、従来の交通流予測装置では、
式（１）を用いて流入交通量ＱINi-1,i と流出交通量Ｑ
OUTi,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)を求めるようにな
っている。As described above, in the conventional traffic flow predicting apparatus,
Inflow traffic QINi-1, i and outflow traffic Q using equation (1)
After obtaining the traffic density change amount ΔKi (t) from OUTi, i + 1, the traffic density Ki (t + Δt) at time t + Δt is obtained.
【００２８】[0028]
【発明が解決しようとする課題】ところが、従来の交通
流予測装置での現在交通状況の情報提供においては、現
在の渋滞の様子はわかるが、この渋滞が将来拡がる傾向
にあるのか、短くなる傾向にあるのかがわからない。However, in the provision of information on the current traffic condition by the conventional traffic flow predicting device, the state of the current traffic congestion can be understood, but the traffic congestion tends to spread in the future or tends to become shorter. I don't know what it is.
【００２９】また、予測交通状況については、従来の状
態方程式モデルにおいては、上記（６）式、( ７) 式に
示される交通密度〜速度特性（空間平均速度）Ｖi （Ｋ
i(t)）において、下流側の交通密度Ｋi+1(t)の影響を考
慮していないので、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が表せない。Regarding the predicted traffic condition, in the conventional state equation model, the traffic density-speed characteristics (spatial average speed) Vi (K) shown in the above equations (6) and (7).
i (t)) does not consider the influence of the traffic density Ki + 1 (t) on the downstream side. Therefore, if it remains as it is, the run-up phenomenon from the downstream side to the upstream side of the traffic congestion seen on the highway can be expressed. Absent.
【００３０】そこで、（２）式及び（３）式などに見ら
れる区間ｉ−１から区間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、交通渋
滞を表現しようとしているが、この流出係数Ｃi-1,i の
モデルは経験的に定めなければならない。したがって、
これが交通管制システム向けの交通流予測方法として
は、十分な精度が得られない主な原因となっている。Therefore, by introducing an outflow coefficient Ci-1, i which has a function of suppressing the outflow amount from the section i-1 to the section i shown in the equations (2) and (3), traffic congestion However, the model of this runoff coefficient Ci-1, i must be determined empirically. Therefore,
This is the main reason why sufficient accuracy cannot be obtained as a traffic flow prediction method for traffic control systems.
【００３１】本発明の目的は、交通の流れをシミュレー
トすることなく、入力データと出力データの関係を学習
させることにより、直接、より高精度に渋滞傾向を予測
することができる交通流予測装置を提供することであ
る。An object of the present invention is to learn a relationship between input data and output data without simulating a traffic flow, thereby directly and more accurately predicting a traffic congestion tendency. Is to provide.
【００３２】[0032]
【課題を解決するための手段】請求項１の発明は、道路
上を複数の区間に区切りその各区間内に設けられた車両
感知器からのデータに基づき各区間の交通流データを一
定周期で算出する交通流データ演算手段と、交通流デー
タ演算手段により求められた各区間における所定周期の
各交通流データを入力層に入力し各区間のうち予測対象
範囲における車両旅行時間変化の傾きの予測値を出力層
から出力する予測用ニューラルネットワークと、予測ニ
ューラルールネットワーク内の重み係数を予測対象範囲
における実証された実績旅行時間変化の傾きを教師信号
として学習させる学習用ニューラルネットワークと、予
測用ニューラルネットワークの出力層から出力される旅
行時間変化の傾きの予測値に基づいて渋滞の増加減少傾
向を判定する判定演算手段とを備えている。According to a first aspect of the present invention, a road is divided into a plurality of sections, and the traffic flow data of each section is periodically set based on data from a vehicle detector provided in each section. Traffic flow data calculation means for calculating and traffic flow data of a predetermined cycle in each section obtained by the traffic flow data calculation means are input to the input layer to predict the slope of the vehicle travel time change in the prediction target range of each section. A prediction neural network that outputs values from the output layer, a learning neural network that learns the weighting coefficient in the prediction neural network as a teacher signal of the slope of the proven actual travel time change in the prediction target range, and a prediction neural network Judgment to judge the increase / decrease tendency of traffic congestion based on the predicted value of the travel time change output from the output layer of the network And a calculation means.
【００３３】請求項２の発明は、請求項１の発明におい
て、交通流データは、予測対象範囲内にある複数の区間
オキュパンシ、予測対象範囲内にある複数の区間交通
量、予測対象範囲内にある複数の区間速度、予測対象範
囲の下流にある単又は複数の区間オキュパンシ、予測対
象範囲の下流にある単又は複数の区間交通量、予測対象
範囲の下流にある単又は複数の区間速度、区間速度及び
区間長から求められる区間旅行時間のいずれか、又はそ
の組合せとするようにしたものである。According to the invention of claim 2, in the invention of claim 1, the traffic flow data includes a plurality of section occupancy within a prediction target range, a plurality of section traffic volumes within the prediction target range, and a plurality of section traffic within the prediction target range. A certain multiple section speed, single or multiple section occupancy downstream of the prediction target range, single or multiple section traffic volume downstream of the prediction target range, single or multiple section speed downstream of the prediction target range, section Any one of the section travel times obtained from the speed and the section length, or a combination thereof is used.
【００３４】請求項３の発明は、請求項１の発明におい
て、学習用ニューラルネットワークは、予測対象範囲に
おける実証された実績旅行時間を、移動平均フィルタ又
は指数平滑フィルタを通して得られる旅行時間の傾きを
教師信号とするようにしたものである。According to a third aspect of the present invention, in the first aspect of the present invention, the learning neural network uses the proven actual travel time in the prediction target range as a slope of the travel time obtained through a moving average filter or an exponential smoothing filter. The signal is used as a teacher signal.
【００３５】請求項１の発明では、交通流データ演算手
段は、道路上の各区間内に設けられた車両感知器からの
データに基づき各区間の交通流データを一定周期で算出
し、予測用ニューラルネットワークは、交通流データ演
算手段により求められた各区間における所定周期の各交
通流データを入力層に入力し各区間のうち予測対象範囲
における車両旅行時間変化の傾きの予測値を出力層から
出力する。また、学習用ニューラルネットワークは、予
測ニューラルールネットワーク内の重み係数を予測対象
範囲における実証された実績旅行時間変化の傾きを教師
信号として学習させ、予測用ニューラルネットワーク内
の重み係数を修正する。そして、判定演算手段は、予測
用ニューラルネットワークの出力層から出力される旅行
時間変化の傾きの予測値に基づいて渋滞の増加減少傾向
を判定する。According to the invention of claim 1, the traffic flow data calculating means calculates the traffic flow data of each section at a constant cycle based on the data from the vehicle detectors provided in each section of the road, for prediction. The neural network inputs each traffic flow data of a predetermined cycle in each section obtained by the traffic flow data calculating means to an input layer, and outputs a predicted value of a slope of vehicle travel time change in a prediction target range in each section from an output layer. Output. Further, the learning neural network learns the weighting coefficient in the prediction neural network as the teacher signal of the slope of the proven actual travel time change in the prediction target range, and corrects the weighting coefficient in the prediction neural network. Then, the determination calculation means determines the increase / decrease tendency of traffic congestion based on the predicted value of the travel time change inclination output from the output layer of the prediction neural network.
【００３６】請求項２の発明では、請求項１の発明の作
用に加え、予測ニューラルールネットワーク及び学習用
ニューラルネットワークは、交通流データとして、予測
対象範囲内にある複数の区間オキュパンシ、予測対象範
囲内にある複数の区間交通量、予測対象範囲内にある複
数の区間速度、予測対象範囲の加流にある単又は複数の
区間オキュパンシ、予測対象範囲の下流にある単又は複
数の区間交通量、予測対象範囲の下流にある単又は複数
の区間速度、区間速度及び区間長から求められる区間旅
行時間のいずれか、又はその組合せを用いて演算をす
る。According to the invention of claim 2, in addition to the operation of the invention of claim 1, the predictive neural network and the learning neural network have a plurality of segment occupancy within the prediction target range and the prediction target range as traffic flow data. Multiple section traffic volume within, multiple section speeds within the prediction target range, single or multiple section occupancy in the adjoining prediction target range, single or multiple section traffic volume downstream of the prediction target range, The calculation is performed using one or a plurality of section speeds downstream of the prediction target range, one of the section travel times obtained from the section speed and the section length, or a combination thereof.
【００３７】請求項３の発明では、請求項１の発明の作
用に加え、学習用ニューラルネットワークは、予測対象
範囲における実証された実績旅行時間を、移動平均フィ
ルタ又は指数平滑フィルタを通して実績旅行時間に含ま
れる振動の除去を行い、そこで得られる旅行時間の傾き
を教師信号として用いて演算をする。According to the invention of claim 3, in addition to the operation of the invention of claim 1, the learning neural network converts the proven actual travel time in the prediction target range into the actual travel time through the moving average filter or the exponential smoothing filter. The included vibration is removed, and the inclination of the travel time obtained there is used as a teacher signal for calculation.
【００３８】[0038]
【発明の実施の形態】以下、本発明の実施例を説明す
る。図１は、本発明における交通流予測装置の実施例を
示すブロック構成図である。交通データは、道路上の各
区間内に設けられた車両感知器１で検出され交通流デー
タ演算手段２に入力される。交通流データ演算手段２
は、道路上の各区間内に設けられた車両感知器からのデ
ータに基づき各区間の交通流データを一定周期で算出す
るもので、各区間ｉの交通量Ｑ［台／min ］を演算する
交通量演算手段３、各区間ｉのオキュパンシ［％］を演
算するオキュパンシ演算手段４、各区間ｉの速度［ｋｍ
／h ］を演算する速度演算手段５、及び各区間ｉの旅行
時間［ｓ］を演算する区間旅行時間演算手段６から構成
されている。BEST MODE FOR CARRYING OUT THE INVENTION Embodiments of the present invention will be described below. FIG. 1 is a block diagram showing an embodiment of a traffic flow prediction apparatus according to the present invention. The traffic data is detected by the vehicle detector 1 provided in each section on the road and input to the traffic flow data calculation means 2. Traffic flow data calculation means 2
Is to calculate traffic flow data of each section at a constant cycle based on data from a vehicle detector provided in each section of the road, and calculate a traffic volume Q [vehicles / min] of each section i. Traffic amount calculating means 3, occupancy calculating means 4 for calculating occupancy [%] of each section i, speed [km] of each section i
/ H], and a section travel time calculator 6 for calculating the travel time [s] of each section i.
【００３９】予測用ニューラルネットワーク７は、交通
流データ演算手段２により求められた各区間における所
定周期の各交通流データを入力層に入力し、推定演算を
行い、各区間のうち予測対象範囲における車両旅行時間
変化の傾きの予測値を出力層から出力する。また、学習
用ニューラルネットワーク８は、予測ニューラルールネ
ットワーク７内の重み係数を修正するもので、予測対象
範囲における実証された実績旅行時間変化の傾きを教師
信号として学習させ、予測用ニューラルネットワーク内
の重み係数を修正する。すなわち、学習用ニューラルネ
ットワーク８には、教師信号平滑化演算手段９の出力信
号が教師信号として入力されている。教師信号平滑化演
算手段９は、過去の複数周期の予測対象範囲の実績旅行
時間を移動平均フィルタにかけ、傾きを平滑化して教師
信号を得るものである。The prediction neural network 7 inputs each traffic flow data of a predetermined cycle in each section obtained by the traffic flow data calculating means 2 into an input layer, performs an estimation calculation, and in the prediction target range in each section. The predicted value of the slope of the vehicle travel time change is output from the output layer. Further, the learning neural network 8 corrects the weighting coefficient in the prediction neural network 7, learns the slope of the proven actual travel time change in the prediction target range as a teacher signal, and Correct the weighting factor. That is, the output signal of the teacher signal smoothing calculation means 9 is input to the learning neural network 8 as a teacher signal. The teacher signal smoothing calculation means 9 obtains a teacher signal by smoothing the slope by applying the moving average filter to the actual travel times in the prediction target ranges of the past plural cycles.
【００４０】そして、判定演算手段１０は、予測用ニュ
ーラルネットワーク７の出力層から出力される旅行時間
変化の傾きの予測値に基づいて渋滞の増加減少傾向を判
定する。Then, the judgment calculation means 10 judges the increase / decrease tendency of the traffic congestion based on the predicted value of the inclination of the travel time change outputted from the output layer of the prediction neural network 7.
【００４１】ここで、オキュパンシ演算手段４は、各区
間ｉのオキュパンシ［％］、つまり通行車両が車両感知
器１を占有している時間的な割合を演算して求める機能
を有している。また、区間旅行時間演算手段６は、下記
の（１３）式に従って、各区間の旅行時間［ｓ］を演算
する機能を有している。Here, the occupancy calculation means 4 has a function of calculating and obtaining the occupancy [%] of each section i, that is, the temporal ratio of the passing vehicle occupying the vehicle detector 1. In addition, the section travel time calculation means 6 has a function of calculating the travel time [s] of each section according to the following equation (13).
【００４２】 区間旅行時間[s] ＝ 区間長[m] ／（速度[ ｋｍ/h] ×1000[m/ ｋｍ]/3600[s/h] ） …（ １３） 一方、教師信号平滑化演算手段６は、過去の複数周期の
予測対象範囲の実績旅行時間を移動平均フィルタにか
け、傾きを平滑化する機能を有している。その移動平均
フィルタの特性を下記の（１４）式に示す。Section travel time [s] = section length [m] / (speed [km / h] × 1000 [m / km] / 3600 [s / h]) (13) On the other hand, teacher signal smoothing calculation means Reference numeral 6 has a function of smoothing the slope by applying the moving average filter to the actual travel times in the prediction target ranges of the past plural cycles. The characteristic of the moving average filter is shown in the following equation (14).
【００４３】[0043]
【数１】 [Equation 1]
【００４４】判定演算手段９は、予測用ニューラルネッ
トワーク７の予測値を基に、渋滞の増加現象傾向を次の
ように判定する機能を有している。The judgment calculation means 9 has the function of judging the tendency of the increasing phenomenon of traffic congestion based on the predicted value of the prediction neural network 7 as follows.
【００４５】（１）Ｘ１＞α のとき → 増加傾向 （２）Ｘ１＜β のとき → 減少傾向 ただし、Ｘ１は予測用ニューラルネットワーク７の出力
（予測値）であり、α及びβは判定用閾値である。(1) When X1> α → Increasing tendency (2) When X1 <β → Decreasing tendency However, X1 is the output (prediction value) of the prediction neural network 7, and α and β are the judgment threshold values. Is.
【００４６】次に、予測用ニューラルネットワーク７
は、旅行時間の傾きの予測値を演算して求める機能を有
しており、学習用ニューラルネットワーク８は、予測用
ニューラルネットワーク７で用いる重み係数を学習して
更新する機能を有している。予測ニューラルールネット
ワーク７及び学習用ニューラルネットワーク８で用いら
れるニューラルネットは、人間の脳の神経細胞を工学的
に模擬した手法であり、最近その研究がすすめられてい
る。ニューラルネットは、人間の脳細胞にあたるニュー
ロンと脳細胞を結ぶ神経にあたるニューロン間結合とに
より構成されている。人間の脳細胞は学習により脳細胞
を結ぶ神経が発達するといわれているが、ニューラルネ
ットではそれをニューロン間結合の重みづけによって模
擬している。つまり学習によりニューロン間結合の重み
づけが決定されていく。また、ニューロンはいくつかの
層に分かれており、例えば、入力層、中間層、出力層に
分かれている。Next, the prediction neural network 7
Has a function of calculating and obtaining a predicted value of the travel time gradient, and the learning neural network 8 has a function of learning and updating the weighting coefficient used in the prediction neural network 7. The neural network used in the prediction neural network 7 and the learning neural network 8 is a method of engineeringly simulating the nerve cells of the human brain, and its research has recently been promoted. The neural network is composed of neurons that correspond to human brain cells and inter-neuron connections that correspond to nerves that connect the brain cells. Human brain cells are said to develop nerves that connect the brain cells through learning, but neural networks simulate this by weighting the connections between neurons. That is, the weighting of the coupling between neurons is determined by learning. Further, the neuron is divided into several layers, for example, an input layer, an intermediate layer, and an output layer.
【００４７】そして、入力層に現象を教示し、出力層に
判定結果を教示する。適度の回数の現象、判定結果の教
示を行うと、ニューロン間結合の重みづけが決定され
（学習）、ニューラルネットは学習されていない現象に
対しても、判定ができるようになる。これは、ニューラ
ルネットのパターン認識性や補間性と呼ばれる。一般
に、ニューラルネットの学習には時間がかかるが、一旦
学習が終了すると判定は高速となる。Then, the phenomenon is taught to the input layer and the judgment result is taught to the output layer. When the phenomenon and the judgment result are taught a proper number of times, the weighting of the coupling between neurons is determined (learning), and the neural network can judge even the unlearned phenomenon. This is called the pattern recognition property or interpolation property of the neural network. Generally, learning a neural network takes time, but once learning is completed, the determination becomes fast.
【００４８】図２に予測用ニューラルネットワーク７の
構造を示し、図３に学習用ニューラルネットワーク８の
構造を示す。このようなニューラルネットワークの予測
学習方法は次のようにして導かれる。FIG. 2 shows the structure of the prediction neural network 7, and FIG. 3 shows the structure of the learning neural network 8. The prediction learning method for such a neural network is derived as follows.
【００４９】まず、予測用ニューラルネットワーク７及
び学習用ニューラルネットワーク８の説明における主な
変数を下記のように定義する。First, main variables in the description of the prediction neural network 7 and the learning neural network 8 are defined as follows.
【００５０】ｔ ：時間 ｎ ：入力層の素子数 ｍ ：中間層の素子数 ｓ ：出力層の素子数 Ｕi(t) ：入力層第ｉ素子への入力（ｉ＝１〜ｎ） Ｉi(t) ：入力層第ｉ素子からの出力（ｉ＝１〜ｎ） NetHj(t)：中間層第ｊ素子への入力 （ｉ＝１〜ｍ） Ｈj(t) ：中間層第ｊ素子からの出力（ｉ＝１〜ｍ） Net0i(t)：出力層第ｉ素子への入力 （ｉ＝１〜ｓ） Ｘi(t) ：出力層第ｉ素子からの出力（ｉ＝１〜ｓ） ａji ：入力層第ｉ素子出力端から中間層第ｊ素子入力
端への結合重み係数 ｂkj ：中間層第ｊ素子出力端から出力層第ｋ素子入力
端への結合重み係数 ｆH() ：中間層における入出力変換関数 ｆO() ：出力層における入出力変換関数 Ｅ ：誤差評価関数 Ｖi(t) ：出力層第ｉ素子からの出力に対する教師信号 Δａji ：重み係数ａjiの修正量 Δｂkj ：重み係数ｂkjの修正量 ε ：重み係数学習パラメータ α ：重み係数学習パラメータ δpj ：クロネッカのデルタ 以上の変数定義の基に、予測用ニューラルネットワーク
７及び学習用ニューラルネットワーク８における各層の
入出力は次のようになる。T: time n: number of elements in input layer m: number of elements in intermediate layer s: number of elements in output layer Ui (t): input to i-th element of input layer (i = 1 to n) Ii (t ): Output from the i-th element of the input layer (i = 1 to n) NetHj (t): Input to the j-th element of the intermediate layer (i = 1 to m) Hj (t): Output from the j-th element of the intermediate layer (I = 1 to m) Net0i (t): Input to output layer i-th element (i = 1 to s) Xi (t): Output layer i-th element (i = 1 to s) aji: Input Coupling weight coefficient from the i-th element output terminal of the layer to the j-th element input terminal of the intermediate layer bkj: Coupling weight coefficient from the j-th element output terminal of the intermediate layer to the k-th element input terminal of the output layer fH (): Input / output in the intermediate layer Conversion function fO (): Input / output conversion function in output layer E: Error evaluation function Vi (t): Teacher signal for output from output layer i-th element Δaji: Correction amount of weighting coefficient aji Δbkj: Weighting coefficient bkj Correction amount epsilon: weight coefficient learning parameters alpha: weighting coefficient learning parameters Derutapj: under the Kronecker delta more variable definitions, each of the input and output in the prediction neural network 7 and a learning neural network 8 is as follows.
【００５１】[0051]
【数２】 [Equation 2]
【００５２】また、学習用ニューラルネットワーク８に
おける学習方法は、以下のバック・プロパゲーション法
を用いている。The following back propagation method is used as the learning method in the learning neural network 8.
【００５３】学習用ニューラルネットワーク８の結合重
み係数学習の基準となる誤差評価関数Ｅを次の（Ａ６）
式に示すものとする。The error evaluation function E, which serves as a reference for learning the connection weighting coefficient of the learning neural network 8, is given by the following (A6).
It is shown in the formula.
【００５４】[0054]
【数３】 (Equation 3)
【００５５】そうすると、結合重み係数学習の基本式
は、下記の（Ａ７）式及び（Ａ８）式で示されるように
なる。Then, the basic equations for learning the connection weighting coefficients are as shown in the following equations (A7) and (A8).
【００５６】 ａpq(t+ Δt)＝ａpq(t) ＋Δａpq(t) …（Ａ７） ｂpq(t+ Δt)＝ｂpq(t) ＋Δｂpq(t) …（Ａ８） そして、上式中の各重み係数修正量は、下記の（Ａ９）
式及び（Ａ１０）式で示される。Apq (t + Δt) = apq (t) + Δapq (t) (A7) bpq (t + Δt) = bpq (t) + Δbpq (t) (A8) Then, the weight coefficient correction amount in the above equation Is the following (A9)
It is shown by the formula and the formula (A10).
【００５７】 Δａpq(t) ＝−ε・（Ｅ／ａpq）＋αΔａpq(t- Δt) …（Ａ９） Δｂpq(t) ＝−ε・（Ｅ／ｂpq）＋αΔｂpq(t- Δt) …（Ａ１０） なお、（Ａ９）式及び（Ａ１０）式の第２項は、収束の
安定化を図るための項であり、通常、ε＝０．１、α＝
０．９に設定する場合が多い。Δapq (t) = − ε · (E / apq) + αΔapq (t−Δt) (A9) Δbpq (t) = − ε · (E / bpq) + αΔbpq (t-Δt) (A10) , (A9) and (A10) are the second terms for stabilizing the convergence, and usually ε = 0.1 and α =
It is often set to 0.9.
【００５８】上式を実際に計算する際には、誤差評価関
数Ｅの重み係数ｂpq及び重み係数ａpqに関する勾配、Ｅ
／ｂpq、及びＥ／ａpqが必要となるが、これは以下のよ
うにして求められる。When the above equation is actually calculated, the gradient of the weighting coefficient bpq and the weighting coefficient apq of the error evaluation function E, E
/ Bpq and E / apq are required, which are obtained as follows.
【００５９】[0059]
【数４】 (Equation 4)
【００６０】上式中のＨj(t)／ａpqについては（Ａ２）
式、（Ａ３）式を考慮すると、以下のようになる。For Hj (t) / apq in the above equation, (A2)
Considering the formula and the formula (A3), the following is obtained.
【００６１】 Ｈj(t)／ａpq＝ｆH'(NetHj(t))・(NetHj(t)/ａpq) ＝ｆH'(NetHj(t))・δpj・Ｕｑ(t- Δt) …（１５） 次に、本発明の実施例の作用を説明する。交通量演算手
段２は車両感知器１の出力を基に各区間の交通量［台／
min ］を演算し、速度演算手段４は各区間の速度［ｋｍ
／m ］を演算し、オキュパンシ演算手段３は各区間のオ
キュパンシ［％］を演算する。また、区間旅行時間演算
手段５は、速度演算手段４の出力を基に各区間の旅行時
間［ｓ］を演算し求める。Hj (t) / apq = fH ′ (NetHj (t)) · (NetHj (t) / apq) = fH ′ (NetHj (t)) · δpj · Uq (t-Δt) (15) Next The operation of the embodiment of the present invention will be described below. Based on the output of the vehicle detector 1, the traffic volume calculation means 2 calculates the traffic volume of each section [vehicles /
min], and the speed calculation means 4 calculates the speed [km] of each section.
/ M 2] and the occupancy calculating means 3 calculates the occupancy [%] of each section. Further, the section travel time calculation unit 5 calculates and calculates the travel time [s] of each section based on the output of the speed calculation unit 4.
【００６２】そして、予測用ニューラルネットワーク７
により予測対象範囲における今後の旅行時間の傾きの予
測値を求める。すなわち、予測用ニューラルネットワー
ク７は、入力信号として、下記の（ａ）〜（ｇ）のうち
から、何れかあるいはこの組み合わせを正規化したもの
を採用し、上記（Ａ１）〜（Ａ５）式を演算して出力信
号として、予測対象における旅行時間の傾きの予測値Ｘ
1 を得る。 （ａ）予測対象範囲内にある複数の区間オキュパンシ （ｂ）予測対象範囲内にある複数の区間交通量 （ｃ）予測対象範囲内にある複数の区間速度 （ｄ）予測対象範囲の下流にある単／複数の区間オキュ
パンシ （ｅ）予測対象の下流にある単／複数の区間交通量 （ｆ）予測対象の下流にある単／複数の区間速度 （ｇ）上記区間速度、及び区間長から求められる区間旅
行時間 教師信号平滑化演算手段９は、過去の複数周期の実績旅
行時間を移動平均フィルタを通すことにより平滑化し、
教師信号となる旅行時間の傾きを演算し求める。Then, the prediction neural network 7
The predicted value of the slope of the future travel time in the prediction target range is calculated by. That is, the prediction neural network 7 adopts, as an input signal, one of the following (a) to (g) or a normalized version of this combination, and uses the above equations (A1) to (A5). Predicted value X of travel time gradient in the prediction target as an output signal calculated
Get one. (A) Multiple section occupancy within the prediction target range (b) Multiple section traffic volumes within the prediction target range (c) Multiple section velocities within the prediction target range (d) Downstream of the prediction target range Single / plural section occupancy (e) Single / plural section traffic volume downstream of the prediction target (f) Single / plural section speed downstream of the prediction target (g) Calculated from the section speed and section length The section travel time teacher signal smoothing calculation means 9 smoothes past travel times of a plurality of cycles by passing the moving average filter,
Calculate and obtain the slope of the travel time that is the teacher signal.
【００６３】一方、学習用ニューラルネットワーク８
は、入力信号として、下記の（ａ）〜（ｇ）のうちか
ら、何れかあるいはこの組み合わせを正規化したものを
採用し、これらの入力信号をニューラルネットワークに
入力したときのニューラルネットワーク出力Ｘ1 と、教
師信号平滑化演算手段６の出力として得られる旅行時間
の傾きＶ1 と、入力信号とを一組の学習用データ（Ｖ1
がＸ1 に対する教師信号となる）とし、前述の式（Ａ
１）〜（Ａ１４）の学習方法に従って重み係数の学習を
行なう。 （ａ）予測対象範囲内にある複数の区間オキュパンシ （ｂ）予測対象範囲内にある複数の区間交通量 （ｃ）予測対象範囲内にある複数の区間速度 （ｄ）予測対象範囲の下流にある単／複数の区間オキュ
パンシ （ｅ）予測対象の下流にある単／複数の区間交通量 （ｆ）予測対象の下流ある単／複数の区間速度 （ｇ）上記区間速度、及び区間長から求められる区間旅
行時間 渋滞傾向判定手段１０は、予測用ニューラルネットワー
ク７の出力として得られる旅行時間の傾きの予測値を基
に、渋滞の増加減少傾向の判定を行なう。On the other hand, the learning neural network 8
Adopts any one of the following (a) to (g) or a normalized version of this combination as the input signal, and outputs the neural network output X1 when these input signals are input to the neural network. , A travel time gradient V1 obtained as an output of the teacher signal smoothing calculation means 6 and an input signal as a set of learning data (V1
Is a teacher signal for X1), and the above equation (A
The weighting coefficient is learned according to the learning methods 1) to (A14). (A) Multiple section occupancy within the prediction target range (b) Multiple section traffic volumes within the prediction target range (c) Multiple section velocities within the prediction target range (d) Downstream of the prediction target range Single / plural section occupancy (e) Single / plural section traffic volume downstream of the prediction target (f) Single / plural section speed downstream of the prediction target (g) Section obtained from the section speed and section length The travel time traffic congestion tendency determination means 10 determines the traffic congestion increase / decrease tendency based on the predicted value of the travel time slope obtained as the output of the prediction neural network 7.
【００６４】以上の説明では、教師信号平滑化演算手段
９において、移動平均フィルタを用いたもので説明した
が、移動平均フィルタの代わりに指数平滑フィルタを用
いても良い。この場合も同様の効果を得ることができ
る。この場合のフィルタ特性を下記（１６）式に示す。In the above description, the teacher signal smoothing calculation means 9 uses the moving average filter, but an exponential smoothing filter may be used instead of the moving average filter. In this case, the same effect can be obtained. The filter characteristic in this case is shown in the following equation (16).
【００６５】 (n) ＝（１−α）・(n-1) ＋αｘ(n) …（１６） ただし、０＜α＜１とする。(N) = (1−α) · (n−1) + αx (n) (16) However, 0 <α <1.
【００６６】[0066]
【発明の効果】以上説明したように、本発明によれば、
ニューラルネットワークにより直接渋滞の増加減少傾向
を求めるので、従来のように交通流をシミュレートして
交通密度の予測値を求め、さらにこれを基に渋滞の予測
をする方法に比べ、以下の効果が得られる。As described above, according to the present invention,
Since the increase / decrease tendency of traffic congestion is directly obtained by the neural network, the following effects are obtained compared to the conventional method of simulating traffic flow to obtain a predicted value of traffic density and further predicting traffic congestion based on this. can get.
【００６７】計算量が少なくて済むので、計算時間の短
縮が図れる。そのため、オンライン上で予測するのには
非常に有効である。また、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ので、精度の向上が図
れる。ニューラルネットワーク内の重み係数を旅行時間
の実績値を用いて逐次学習しているので、継続的に予測
精度の向上を図ることができる。Since the amount of calculation is small, the calculation time can be shortened. Therefore, it is very effective to make an online prediction. Further, since it is not necessary to use the outflow coefficient which has conventionally been the cause of the prediction error, the accuracy can be improved. Since the weighting coefficient in the neural network is successively learned using the actual value of the travel time, the prediction accuracy can be continuously improved.
【００６８】また、教師信号は、旅行時間の実績値をフ
ィルタに通した平滑化により旅行時間の振動の除去を行
なうため、振動による誤予測を排除することができる。Further, since the teacher signal removes the vibration of the travel time by smoothing the actual value of the travel time through the filter, the false prediction due to the vibration can be eliminated.
【図面の簡単な説明】[Brief description of drawings]
【図１】本発明の実施例を示すブロック構成図。FIG. 1 is a block diagram showing an embodiment of the present invention.
【図２】本発明の予測用ニューラルネットワークのモデ
ル図。FIG. 2 is a model diagram of a prediction neural network of the present invention.
【図３】本発明の学習用ニューラルネットワークのモデ
ル図。FIG. 3 is a model diagram of a learning neural network of the present invention.
【図４】交通流予測計算のために高速道路を区間分割し
た説明図。FIG. 4 is an explanatory diagram in which an expressway is segmented for traffic flow prediction calculation.
【図５】高速道路の１つの区間の下流側にオフランプが
接続されている場合の高速道路の模式図。FIG. 5 is a schematic diagram of an expressway when an off-ramp is connected to the downstream side of one section of the expressway.
【図６】高速道路の１つの区間の上流側にオンランプが
接続されている場合の高速道路の模式図。FIG. 6 is a schematic diagram of a highway when an on-ramp is connected to the upstream side of one section of the highway.
【図７】高速道路の簡易路線の説明図。FIG. 7 is an explanatory diagram of a simple route of a highway.
【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。FIG. 8 is a traffic flow prediction calculation flowchart based on a conventional state equation model.
１ 車両感知器 ２ 交通流データ演算手段 ３ 交通量演算手段 ４ オキュパンシ演算手段 ５ 速度演算手段 ６ 区間旅行時間演算手段 ７ 予測用ニューラルネットワーク ８ 学習用ニューラルネットワーク ９ 教師信号平滑化手段 １０ 判定演算手段 DESCRIPTION OF SYMBOLS 1 Vehicle detector 2 Traffic flow data calculation means 3 Traffic volume calculation means 4 Occupancy calculation means 5 Speed calculation means 6 Section travel time calculation means 7 Prediction neural network 8 Learning neural network 9 Teacher signal smoothing means 10 Judgment calculation means
───────────────────────────────────────────────────── フロントページの続き (72)発明者 大場 義和 東京都府中市東芝町１番地 株式会社東芝 府中工場内 (72)発明者 山本 達也 東京都府中市東芝町１番地 株式会社東芝 府中工場内 (72)発明者 野理 昌幸 東京都府中市東芝町１番地 株式会社東芝 府中工場内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Yoshikazu Oba No. 1 in Toshiba Fuchu factory, Fuchu, Tokyo (72) Inventor Tatsuya Yamamoto No. 1 in Toshiba Fuchu, Tokyo, Fuchu factory ( 72) Inventor Masayuki Nori No. 1 Toshiba-cho, Fuchu-shi, Tokyo Inside Toshiba Fuchu factory
Claims (3)
内に設けられた車両感知器からのデータに基づき各区間
の交通流データを一定周期で算出する交通流データ演算
手段と、前記交通流データ演算手段により求められた各
区間における所定周期の各交通流データを入力層に入力
し前記各区間のうち予測対象範囲における車両旅行時間
変化の傾きの予測値を出力層から出力する予測用ニュー
ラルネットワークと、前記予測ニューラルールネットワ
ーク内の重み係数を前記予測対象範囲における実証され
た実績旅行時間変化の傾きを教師信号として学習させる
学習用ニューラルネットワークと、前記予測用ニューラ
ルネットワークの出力層から出力される旅行時間変化の
傾きの予測値に基づいて渋滞の増加減少傾向を判定する
判定演算手段とを備えたことを特徴とする交通流予測装
置。1. A traffic flow data calculating means for dividing a road into a plurality of sections and calculating traffic flow data of each section at a constant cycle based on data from a vehicle detector provided in each section, and the traffic. For prediction, each traffic flow data of a predetermined cycle in each section obtained by the flow data calculation means is input to the input layer, and the predicted value of the slope of the vehicle travel time change in the prediction target range in each section is output from the output layer. Output from the neural network, a learning neural network for learning the weighting coefficient in the prediction neural network as the teacher signal of the slope of the proven actual travel time change in the prediction target range, and the output layer of the prediction neural network And a judgment calculation means for judging an increasing / decreasing tendency of congestion based on the predicted value of the travel time change inclination Traffic flow prediction device characterized by the above.
内にある複数の区間オキュパンシ、前記予測対象範囲内
にある複数の区間交通量、前記予測対象範囲内にある複
数の区間速度、前記予測対象範囲の下流にある単又は複
数の区間オキュパンシ、前記予測対象範囲の下流にある
単又は複数の区間交通量、前記予測対象範囲の下流にあ
る単又は複数の区間速度、前記区間速度及び区間長から
求められる区間旅行時間のいずれか、又はその組合せと
することを特徴とする請求項１に記載の交通流予測装
置。2. The traffic flow data includes a plurality of section occupancy within the prediction target range, a plurality of section traffic volumes within the prediction target range, a plurality of section velocities within the prediction target range, and the prediction. Single or multiple section occupancy downstream of the target range, single or multiple section traffic volume downstream of the prediction target range, single or multiple section speeds downstream of the prediction target range, the section speed and section length The traffic flow prediction apparatus according to claim 1, wherein the section travel time is calculated from any one of them or a combination thereof.
予測対象範囲における実証された実績旅行時間を、移動
平均フィルタ又は指数平滑フィルタを通して得られる旅
行時間の傾きを教師信号とするようにしたことを特徴と
する請求項１に記載の交通流予測装置。3. The learning neural network comprises:
The traffic flow prediction apparatus according to claim 1, wherein the demonstrated actual travel time in the prediction target range is set as a teacher signal based on a slope of the travel time obtained through a moving average filter or an exponential smoothing filter.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23901795A JP3212241B2 (en) | 1995-08-25 | 1995-08-25 | Traffic flow prediction device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23901795A JP3212241B2 (en) | 1995-08-25 | 1995-08-25 | Traffic flow prediction device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0962979A true JPH0962979A (en) | 1997-03-07 |
| JP3212241B2 JP3212241B2 (en) | 2001-09-25 |
Family
ID=17038662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23901795A Expired - Fee Related JP3212241B2 (en) | 1995-08-25 | 1995-08-25 | Traffic flow prediction device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3212241B2 (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003217100A (en) * | 2002-01-18 | 2003-07-31 | Toshiba Corp | Moving vehicle detecting system |
| CN103839415A (en) * | 2014-03-19 | 2014-06-04 | 重庆攸亮科技有限公司 | Traffic flow and occupation ratio information acquisition method based on road surface image feature identification |
| CN106096767A (en) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | A kind of link travel time prediction method based on LSTM |
| CN106297285A (en) * | 2016-08-17 | 2017-01-04 | 重庆大学 | Freeway traffic running status fuzzy synthetic appraisement method based on changeable weight |
| JP2019159831A (en) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | Congestion prediction device |
| JP2020086647A (en) * | 2018-11-19 | 2020-06-04 | 沖電気工業株式会社 | Traffic flow prediction device, traffic flow prediction method, and program |
| CN111260122A (en) * | 2020-01-13 | 2020-06-09 | 重庆首讯科技股份有限公司 | Method and device for predicting traffic flow on expressway |
| CN111507530A (en) * | 2020-04-17 | 2020-08-07 | 集美大学 | RBF neural network ship traffic flow prediction method based on fractional order momentum gradient descent |
| JP2020180870A (en) * | 2019-04-25 | 2020-11-05 | 山内 和博 | Automobile and automobile driving support system |
| JP2020194361A (en) * | 2019-05-28 | 2020-12-03 | パナソニックＩｐマネジメント株式会社 | Traffic information generation system, traffic information generation device, traffic information generation method, traffic information generation program, vehicle detector, and traffic information display device |
| CN115862338A (en) * | 2023-03-01 | 2023-03-28 | 天津大学 | Airport traffic flow prediction method, system, electronic device and medium |
| CN115879016A (en) * | 2023-02-20 | 2023-03-31 | 中南大学 | Prediction method for shared bicycle trip tide time interval |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134351B (en) * | 2014-08-14 | 2016-08-03 | 中国科学院自动化研究所 | A kind of Short-time Traffic Flow Forecasting Methods |
| CN111311905A (en) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | Particle swarm optimization wavelet neural network-based expressway travel time prediction method |
-
1995
- 1995-08-25 JP JP23901795A patent/JP3212241B2/en not_active Expired - Fee Related
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003217100A (en) * | 2002-01-18 | 2003-07-31 | Toshiba Corp | Moving vehicle detecting system |
| CN103839415A (en) * | 2014-03-19 | 2014-06-04 | 重庆攸亮科技有限公司 | Traffic flow and occupation ratio information acquisition method based on road surface image feature identification |
| CN103839415B (en) * | 2014-03-19 | 2016-08-24 | 重庆攸亮科技股份有限公司 | Traffic flow based on pavement image feature identification and occupation rate information getting method |
| CN106096767A (en) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | A kind of link travel time prediction method based on LSTM |
| CN106297285A (en) * | 2016-08-17 | 2017-01-04 | 重庆大学 | Freeway traffic running status fuzzy synthetic appraisement method based on changeable weight |
| CN106297285B (en) * | 2016-08-17 | 2018-09-21 | 重庆大学 | Freeway traffic operating status fuzzy synthetic appraisement method based on changeable weight |
| JP2019159831A (en) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | Congestion prediction device |
| JP2020086647A (en) * | 2018-11-19 | 2020-06-04 | 沖電気工業株式会社 | Traffic flow prediction device, traffic flow prediction method, and program |
| JP2020180870A (en) * | 2019-04-25 | 2020-11-05 | 山内 和博 | Automobile and automobile driving support system |
| JP2020194361A (en) * | 2019-05-28 | 2020-12-03 | パナソニックＩｐマネジメント株式会社 | Traffic information generation system, traffic information generation device, traffic information generation method, traffic information generation program, vehicle detector, and traffic information display device |
| CN111260122A (en) * | 2020-01-13 | 2020-06-09 | 重庆首讯科技股份有限公司 | Method and device for predicting traffic flow on expressway |
| CN111507530A (en) * | 2020-04-17 | 2020-08-07 | 集美大学 | RBF neural network ship traffic flow prediction method based on fractional order momentum gradient descent |
| CN111507530B (en) * | 2020-04-17 | 2022-05-31 | 集美大学 | RBF neural network ship traffic flow prediction method based on fractional order momentum gradient descent |
| CN115879016A (en) * | 2023-02-20 | 2023-03-31 | 中南大学 | Prediction method for shared bicycle trip tide time interval |
| CN115862338A (en) * | 2023-03-01 | 2023-03-28 | 天津大学 | Airport traffic flow prediction method, system, electronic device and medium |
| CN115862338B (en) * | 2023-03-01 | 2023-05-16 | 天津大学 | Airport traffic flow prediction method, airport traffic flow prediction system, electronic equipment and medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3212241B2 (en) | 2001-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108399763B (en) | Intersection traffic signal lamp control algorithm based on neural network | |
| JP3212241B2 (en) | Traffic flow prediction device | |
| Lebacque et al. | Introducing buses into first-order macroscopic traffic flow models | |
| JP3520330B2 (en) | Traffic flow prediction control system using traffic flow simulator | |
| CN112687106B (en) | Path optimization method based on traffic road network dynamic and static comprehensive model | |
| JPH05250594A (en) | Road traffic simulation system | |
| Mihaylova et al. | An unscented Kalman filter for freeway traffic estimation | |
| JPH0877485A (en) | Predicting device for required travel time | |
| CN108647832B (en) | Subway operation interval time control algorithm based on neural network | |
| Matsui et al. | Travel time prediction for freeway traffic information by neural network driven fuzzy reasoning | |
| JP3157953B2 (en) | Traffic flow prediction device | |
| JP2000222669A (en) | Traffic flow estimating device and traffic flow estimating method | |
| JP3160438B2 (en) | Traffic flow prediction device | |
| Suzuki et al. | Dynamic estimation of origin-destination travel time and flow on a long freeway corridor: Neural Kalman filter | |
| JPH10312497A (en) | Device for predicting traffic condition | |
| JP3152858B2 (en) | Traffic flow prediction device | |
| JPH0714093A (en) | Traffic signal controlling method | |
| CN111540205B (en) | Urban traffic network containment control method | |
| Bellemans et al. | Model predictive control for ramp metering combined with extended Kalman filter-based traffic state estimation | |
| JP6314037B2 (en) | Travel time estimation system and travel time estimation method | |
| CN113486568A (en) | Vehicle control dynamic simulation learning algorithm based on surround vision | |
| JPH0540896A (en) | Measuring device for degree of traffic jam | |
| Pourmoallem et al. | A Neural-Kalman filtering method for estimating traffic states on freeways | |
| KR102082341B1 (en) | Traffic state prediction system based on bayesian network and operating method thereof | |
| Mirbaha et al. | Analyzing microscopic behavioral between two phases of follower and leader in traffic oscillation with developing artificial neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080719 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090719 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090719 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 9 Free format text: PAYMENT UNTIL: 20100719 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 10 Free format text: PAYMENT UNTIL: 20110719 |
|
| LAPS | Cancellation because of no payment of annual fees |