JPH1083496A - 旅行時間予測装置 - Google Patents
旅行時間予測装置Info
- Publication number
- JPH1083496A JPH1083496A JP23801796A JP23801796A JPH1083496A JP H1083496 A JPH1083496 A JP H1083496A JP 23801796 A JP23801796 A JP 23801796A JP 23801796 A JP23801796 A JP 23801796A JP H1083496 A JPH1083496 A JP H1083496A
- Authority
- JP
- Japan
- Prior art keywords
- travel time
- information
- unit
- vehicle
- measured
- 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.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
(57)【要約】
【課題】 従来の旅行時間算出装置では過去に収集され
た道路の交通情報をもとに過去の旅行時間を算出してい
るために、現在道路を通過しようとする車両に対して現
在の旅行時間を提供することができない。 【解決手段】 交通情報および旅行時間を蓄積してお
き、各時刻の交通情報を入力としその各時刻に道路区間
始端を通過した車両の旅行時間を出力とするニューラル
ネットワークモデルを蓄積データから学習を行い、現在
時刻の交通情報からニューラルネットワークで交通状況
をパターン認識し旅行時間の予測を行う。
た道路の交通情報をもとに過去の旅行時間を算出してい
るために、現在道路を通過しようとする車両に対して現
在の旅行時間を提供することができない。 【解決手段】 交通情報および旅行時間を蓄積してお
き、各時刻の交通情報を入力としその各時刻に道路区間
始端を通過した車両の旅行時間を出力とするニューラル
ネットワークモデルを蓄積データから学習を行い、現在
時刻の交通情報からニューラルネットワークで交通状況
をパターン認識し旅行時間の予測を行う。
Description
【０００１】
【発明の属する技術分野】この発明は、２地点間の道路
を走行する車両の旅行時間を予測する旅行時間予測装置
に関するものである。
を走行する車両の旅行時間を予測する旅行時間予測装置
に関するものである。
【０００２】
【従来の技術】道路区間の旅行時間を算出する代表的な
従来手法は、次の２種類に分類される。図８は従来の旅
行時間算出装置を示すもので、道路区間の始点と終点に
例えば画像処理による車両番号読み取り装置（車両に、
車両番号を示すＩＤ信号発生器を設け、このＩＤ信号発
生器のＩＤ信号を読取る装置でも良い。）３を設置し始
点と終点における車両の番号をマッチングして、同一番
号の車番を抽出し、式１より旅行時間を算出する。 Ｔ＝Ｔｅ−Ｔｓ ・・・・・・・・・・・・・・・ （１） Ｔ：旅行時間 Ｔｓ：始点通過時刻 Ｔｅ：終点通過時刻
従来手法は、次の２種類に分類される。図８は従来の旅
行時間算出装置を示すもので、道路区間の始点と終点に
例えば画像処理による車両番号読み取り装置（車両に、
車両番号を示すＩＤ信号発生器を設け、このＩＤ信号発
生器のＩＤ信号を読取る装置でも良い。）３を設置し始
点と終点における車両の番号をマッチングして、同一番
号の車番を抽出し、式１より旅行時間を算出する。 Ｔ＝Ｔｅ−Ｔｓ ・・・・・・・・・・・・・・・ （１） Ｔ：旅行時間 Ｔｓ：始点通過時刻 Ｔｅ：終点通過時刻
【０００３】図９は別の従来の旅行時間算出装置を示す
ものであり、旅行時間を算出する道路区間中の小区間ｉ
に設置された在車検知型車両感知器１からの計測情報で
ある５分間当たりの交通量Ｑｉと車両が感知器１の下に
存在する時間である５分間あたりの占有時間Ｏｉから式
２より車両の通過速度は算出される。 Ｖｉ＝Ｉ・Ｑｉ／Ｏｉ ・・・・・・・・・・・・ （２） Ｖｉ：小区間ｉの地点速度 Ｉ：平均車長 Ｑｉ：小区間ｉの５分間交通量 Ｏｉ：小区間ｉの５分間占有時間
ものであり、旅行時間を算出する道路区間中の小区間ｉ
に設置された在車検知型車両感知器１からの計測情報で
ある５分間当たりの交通量Ｑｉと車両が感知器１の下に
存在する時間である５分間あたりの占有時間Ｏｉから式
２より車両の通過速度は算出される。 Ｖｉ＝Ｉ・Ｑｉ／Ｏｉ ・・・・・・・・・・・・ （２） Ｖｉ：小区間ｉの地点速度 Ｉ：平均車長 Ｑｉ：小区間ｉの５分間交通量 Ｏｉ：小区間ｉの５分間占有時間
【０００４】小区間ｉの旅行時間は式３により算出され
る。 ｔｉ＝Ｌｉ／Ｖｉ ・・・・・・・・・・・・・・ （３） ｔｉ：小区間ｉの旅行時間 Ｌｉ：小区間ｉの小区間長
る。 ｔｉ＝Ｌｉ／Ｖｉ ・・・・・・・・・・・・・・ （３） ｔｉ：小区間ｉの旅行時間 Ｌｉ：小区間ｉの小区間長
【０００５】さらに小区間をまとめた道路区間の旅行時
間は式４により算出される。 Ｔ＝Σｔｉ ・・・・・・・・・・・・・・・・・ （４） Ｔ：道路区間旅行時間
間は式４により算出される。 Ｔ＝Σｔｉ ・・・・・・・・・・・・・・・・・ （４） Ｔ：道路区間旅行時間
【０００６】
【発明が解決しようとする課題】上記の従来の装置で
は、算出される旅行時間は区間を通過した車両から計測
される過去の実測値であり、これから始点を通過しよう
とするドライバーに提供しても、現時点の値ではないた
めに、情報提供という立場からは意味を持たない欠点が
あった。
は、算出される旅行時間は区間を通過した車両から計測
される過去の実測値であり、これから始点を通過しよう
とするドライバーに提供しても、現時点の値ではないた
めに、情報提供という立場からは意味を持たない欠点が
あった。
【０００７】この発明はかかる問題を解決するためにな
されたもので、現時時点における交通状況から旅行時間
を予測することを目的とする。
されたもので、現時時点における交通状況から旅行時間
を予測することを目的とする。
【０００８】
【課題を解決するための手段】この発明による旅行時間
予測装置は、車両感知器情報収集部で収集され感知器情
報蓄積部に蓄積された在車検知型車両感知器の交通量情
報および占有時間情報と、旅行時間計測部で収集され計
測旅行時間蓄積部に蓄積された計測旅行時間とから、旅
行時間学習部で感知器情報を入力とし計測旅行時間を出
力とするニューラルネットワークの重み係数を算出し、
旅行時間予測部で車両感知器情報収集部で収集された交
通量情報と占有時間情報を入力とし上記重み係数を用い
たニューラルネットワークモデルにより旅行時間を予測
することができる。
予測装置は、車両感知器情報収集部で収集され感知器情
報蓄積部に蓄積された在車検知型車両感知器の交通量情
報および占有時間情報と、旅行時間計測部で収集され計
測旅行時間蓄積部に蓄積された計測旅行時間とから、旅
行時間学習部で感知器情報を入力とし計測旅行時間を出
力とするニューラルネットワークの重み係数を算出し、
旅行時間予測部で車両感知器情報収集部で収集された交
通量情報と占有時間情報を入力とし上記重み係数を用い
たニューラルネットワークモデルにより旅行時間を予測
することができる。
【０００９】この発明による旅行時間予測装置は、車両
感知器情報収集部で収集され感知器情報変換部で速度情
報に変換され感知器情報蓄積部で蓄積された在車検知型
車両感知器および速度計測型車両感知器の速度情報と、
旅行時間計測部出収集され計測旅行時間蓄積部で蓄積さ
れた計測旅行時間から、旅行時間学習部で感知器情報を
入力とし計測旅行時間を出力とするニューラルネットワ
ークの重み係数を算出し、旅行時間予測部で感知器情報
変換部からの感知器速度情報を入力とし上記重み係数を
用いたニューラルネットワークモデルにより在車検知型
車両感知器と速度計測型車両感知器が混在する道路区間
において旅行時間を予測することができる。
感知器情報収集部で収集され感知器情報変換部で速度情
報に変換され感知器情報蓄積部で蓄積された在車検知型
車両感知器および速度計測型車両感知器の速度情報と、
旅行時間計測部出収集され計測旅行時間蓄積部で蓄積さ
れた計測旅行時間から、旅行時間学習部で感知器情報を
入力とし計測旅行時間を出力とするニューラルネットワ
ークの重み係数を算出し、旅行時間予測部で感知器情報
変換部からの感知器速度情報を入力とし上記重み係数を
用いたニューラルネットワークモデルにより在車検知型
車両感知器と速度計測型車両感知器が混在する道路区間
において旅行時間を予測することができる。
【００１０】この発明による旅行時間予測装置は、車両
感知器情報収集部で収集され感知器情報蓄積部で蓄積さ
れた在車検知型車両感知器の交通量情報および占有時間
情報と、旅行時間計測部出収集され計測旅行時間蓄積部
で蓄積された計測旅行時間とから、旅行時間学習部で感
知器情報を入力とし計測旅行時間を出力とするニューラ
ルネットワークの重み係数を算出し、旅行時間予測部で
上記感知器情報蓄積部に蓄積された時系列交通量情報と
時系列占有時間情報を入力とし上記重み係数を用いたニ
ューラルネットワークモデルにより旅行時間を予測する
ことができる。
感知器情報収集部で収集され感知器情報蓄積部で蓄積さ
れた在車検知型車両感知器の交通量情報および占有時間
情報と、旅行時間計測部出収集され計測旅行時間蓄積部
で蓄積された計測旅行時間とから、旅行時間学習部で感
知器情報を入力とし計測旅行時間を出力とするニューラ
ルネットワークの重み係数を算出し、旅行時間予測部で
上記感知器情報蓄積部に蓄積された時系列交通量情報と
時系列占有時間情報を入力とし上記重み係数を用いたニ
ューラルネットワークモデルにより旅行時間を予測する
ことができる。
【００１１】この発明による旅行時間予測装置は、車両
感知器情報収集部で収集され感知器情報変換部で速度情
報に変換され感知器情報蓄積部で蓄積された在車検知型
車両感知器および速度計測型車両感知器の速度情報と、
旅行時間計測部で収集され計測旅行時間蓄積部で蓄積さ
れた計測旅行時間から、旅行時間学習部で感知器情報を
入力とし計測旅行時間を出力とするニューラルネットワ
ークの重み係数を算出し、旅行時間予測部で上記感知器
情報蓄積部に蓄積された時系列速度情報を入力とし上記
重み係数を用いたニューラルネットワークモデルにより
在車検知型車両感知器と速度計測型車両感知器が混在す
る道路区間において旅行時間を予測することができる。
感知器情報収集部で収集され感知器情報変換部で速度情
報に変換され感知器情報蓄積部で蓄積された在車検知型
車両感知器および速度計測型車両感知器の速度情報と、
旅行時間計測部で収集され計測旅行時間蓄積部で蓄積さ
れた計測旅行時間から、旅行時間学習部で感知器情報を
入力とし計測旅行時間を出力とするニューラルネットワ
ークの重み係数を算出し、旅行時間予測部で上記感知器
情報蓄積部に蓄積された時系列速度情報を入力とし上記
重み係数を用いたニューラルネットワークモデルにより
在車検知型車両感知器と速度計測型車両感知器が混在す
る道路区間において旅行時間を予測することができる。
【００１２】この発明による旅行時間予測装置は、旅行
時間計測部で収集され計測旅行時間蓄積部で蓄積された
時系列計測旅行時間から、旅行時間学習部で上記時系列
計測旅行時間を入力とし旅行時間を出力とするニューラ
ルネットワークの重み係数を算出し、旅行時間予測部で
上記計測旅行時間蓄積部に蓄積された時系列計測旅行時
間情報を入力とし上記重み係数を用いたニューラルネッ
トワークモデルにより旅行時間を予測することができ
る。
時間計測部で収集され計測旅行時間蓄積部で蓄積された
時系列計測旅行時間から、旅行時間学習部で上記時系列
計測旅行時間を入力とし旅行時間を出力とするニューラ
ルネットワークの重み係数を算出し、旅行時間予測部で
上記計測旅行時間蓄積部に蓄積された時系列計測旅行時
間情報を入力とし上記重み係数を用いたニューラルネッ
トワークモデルにより旅行時間を予測することができ
る。
【００１３】
実施の形態１．図１はこの発明の実施形態１を示す旅行
時間予測装置のブロック図であり、図において、１は道
路、２は通過車両の交通量と占有時間を計測する在車検
知型車両感知器、３は通過車両のナンバー（例えばナン
バープレートのナンバー）を読み取る車両番号読み取り
装置、４は在車型感知器２からの交通量と占有時間を収
集する車両感知器情報収集部、５は車両感知器情報収集
部４からの交通量と占有時間を時間毎に蓄積する感知器
情報蓄積部、６は２地点に設置された車両番号読み取り
装置３からのナンバープレートのマッチングにより旅行
時間を計測する旅行時間計測部、７は旅行時間計測部６
からの計測時間情報を時間毎に蓄積する計測旅行時間蓄
積部、８は感知器情報を入力とし旅行時間を出力とする
ニューラルネットワークモデルの重み係数を算出する旅
行時間学習部、９は車両感知器情報収集部４からの交通
量と占有時間を入力とし旅行時間を予測する旅行時間予
測部である。また図２は図１の旅行時間学習部８と旅行
時間予測部９で使用するニューラルネットワークモデル
図である。
時間予測装置のブロック図であり、図において、１は道
路、２は通過車両の交通量と占有時間を計測する在車検
知型車両感知器、３は通過車両のナンバー（例えばナン
バープレートのナンバー）を読み取る車両番号読み取り
装置、４は在車型感知器２からの交通量と占有時間を収
集する車両感知器情報収集部、５は車両感知器情報収集
部４からの交通量と占有時間を時間毎に蓄積する感知器
情報蓄積部、６は２地点に設置された車両番号読み取り
装置３からのナンバープレートのマッチングにより旅行
時間を計測する旅行時間計測部、７は旅行時間計測部６
からの計測時間情報を時間毎に蓄積する計測旅行時間蓄
積部、８は感知器情報を入力とし旅行時間を出力とする
ニューラルネットワークモデルの重み係数を算出する旅
行時間学習部、９は車両感知器情報収集部４からの交通
量と占有時間を入力とし旅行時間を予測する旅行時間予
測部である。また図２は図１の旅行時間学習部８と旅行
時間予測部９で使用するニューラルネットワークモデル
図である。
【００１４】次にこの発明の形態１の処理について説明
する。図１に示されるように、道路１の各地点ｉ（ｉ＝
１、２、・・・、ｎ）に設置された在車検知型車両感知
器２が５分毎時刻ｔに交通量Ｑｔｉと占有時間Ｏｔｉを
計測し、車両感知器情報収集部４で収集され、感知器情
報蓄積部５に蓄積される。道路１に設置された車両番号
読み取り装置３から通過車両のナンバープレートと通過
時刻が旅行時間計測部６に入力され式１により旅行時間
が算出される。算出された旅行時間が計測旅行時間蓄積
部７に入力され始点通過時刻における旅行時間として蓄
積される。
する。図１に示されるように、道路１の各地点ｉ（ｉ＝
１、２、・・・、ｎ）に設置された在車検知型車両感知
器２が５分毎時刻ｔに交通量Ｑｔｉと占有時間Ｏｔｉを
計測し、車両感知器情報収集部４で収集され、感知器情
報蓄積部５に蓄積される。道路１に設置された車両番号
読み取り装置３から通過車両のナンバープレートと通過
時刻が旅行時間計測部６に入力され式１により旅行時間
が算出される。算出された旅行時間が計測旅行時間蓄積
部７に入力され始点通過時刻における旅行時間として蓄
積される。
【００１５】感知器情報蓄積部５から交通量と占有時間
を入力とし、計測旅行時間蓄積部７から旅行時間を出力
とする図２のニューラルネットワークモデルの重み係数
を旅行時間学習部８で算出する。図２でニューラルネッ
トワークの重み係数算出はバックプロパゲーションによ
り行う。重み係数調整用学習データは入力と出力のセッ
トであり、入力は道路の旅行時間計測区間内に複数設置
された車両感知器の時間毎の交通量と占有時間の組Ｘｔ
で式５で表され、学習用教師出力は図３に示されるよう
に時刻ｔにおける Ｘｔ＝（Ｑｔ１、Ｏｔ１、Ｑｔ２、Ｏｔ２、・・・、Ｑｔｎ、Ｏｔｎ） ・・・・・・ （５） Ｑｔｉ：時刻ｔにおける感知器ｉの５分間交通量 Ｏｔｉ：時刻ｔにおける感知器ｉの５分間占有時間 計測旅行時間をニューラルネットワークの出力を対応さ
せたＹｔである。図２の入力層の各ユニットの出力はＸ
ｔの要素を入力としシグモイド関数式６をもとに式７で
表される。 ｆ（ｘ）＝１／（１＋ｅ-x） ・・・・・・・・・ （６） ｕ1i＝ｆ（ｘ1i） ・・・・・・・・・・・・・・ （７） ｘ1i：入力層ｉユニットの入力値 ｕ1i：入力層ｉユニットの出力値
を入力とし、計測旅行時間蓄積部７から旅行時間を出力
とする図２のニューラルネットワークモデルの重み係数
を旅行時間学習部８で算出する。図２でニューラルネッ
トワークの重み係数算出はバックプロパゲーションによ
り行う。重み係数調整用学習データは入力と出力のセッ
トであり、入力は道路の旅行時間計測区間内に複数設置
された車両感知器の時間毎の交通量と占有時間の組Ｘｔ
で式５で表され、学習用教師出力は図３に示されるよう
に時刻ｔにおける Ｘｔ＝（Ｑｔ１、Ｏｔ１、Ｑｔ２、Ｏｔ２、・・・、Ｑｔｎ、Ｏｔｎ） ・・・・・・ （５） Ｑｔｉ：時刻ｔにおける感知器ｉの５分間交通量 Ｏｔｉ：時刻ｔにおける感知器ｉの５分間占有時間 計測旅行時間をニューラルネットワークの出力を対応さ
せたＹｔである。図２の入力層の各ユニットの出力はＸ
ｔの要素を入力としシグモイド関数式６をもとに式７で
表される。 ｆ（ｘ）＝１／（１＋ｅ-x） ・・・・・・・・・ （６） ｕ1i＝ｆ（ｘ1i） ・・・・・・・・・・・・・・ （７） ｘ1i：入力層ｉユニットの入力値 ｕ1i：入力層ｉユニットの出力値
【００１６】中間層のユニットの出力は式８で表され
る。 ｕ2i＝ｆ（Σｗ1ij ｕ1j） ・・・・・・・・・・ （８） ｗ1ij ：入力層ｊユニットと中間層ｉユニットの結合の
重み係数 ｕ1j：入力層ｊユニットの出力値 ｕ2i：中間層ｉ番目ユニットの出力値
る。 ｕ2i＝ｆ（Σｗ1ij ｕ1j） ・・・・・・・・・・ （８） ｗ1ij ：入力層ｊユニットと中間層ｉユニットの結合の
重み係数 ｕ1j：入力層ｊユニットの出力値 ｕ2i：中間層ｉ番目ユニットの出力値
【００１７】出力層のユニットの出力は式９で表され
る。 ｕ3i＝ｆ（Σｗ2ij ｕ2j） ・・・・・・・・・・ （９） ｗ2ij ：中間層ｊユニットと出力層ｉユニットの結合の
重み係数 ｕ2j：中間層ｊユニットの出力値 ｕ3i：出力層ｉユニットの出力値
る。 ｕ3i＝ｆ（Σｗ2ij ｕ2j） ・・・・・・・・・・ （９） ｗ2ij ：中間層ｊユニットと出力層ｉユニットの結合の
重み係数 ｕ2j：中間層ｊユニットの出力値 ｕ3i：出力層ｉユニットの出力値
【００１８】出力層の出力結果と学習用教師データのＹ
ｔの誤差式１０から各層間の結合の δi ＝ｙi −ｕ3i ・・・・・・・・・・・・・・・ （１０） ｙi ：出力層ｉユニットの教師値 ｕ3i：出力層ｉユニットの出力値 δi ：出力層ｉユニットの誤差 重みｗkij を式１１、式１２により修正する。 ｗ2ij new＝ｗ2ij old−αδi ｆ’（Ｉ2j）ｆ（Ｉ2j）・・（１１） ｗ1ij new＝ｗ1ij old−αΣｗ2ij δi ｆ’（Ｉ1j）ｆ（Ｉ1j）・・（１２） ｗ2ij old：修正前中間層ｊユニットと出力層ｉユニット
の結合の重み係数 ｗ2ij new：修正後中間層ｊユニットと出力層ｉユニット
の結合の重み係数 ｗ1ij old：修正前入力層ｊユニットと中間層ｉユニット
の結合の重み係数 ｗ1ij new：修正後入力層ｊユニットと中間層ｉユニット
の結合の重み係数 α：学習係数 Ｉ2j：中間層ｊユニットの入力値 Ｉ1j：入力層ｊユニットの入力値 時刻ｔを変化させ教師用パターンセットを複数用意して
ニューラルネットワークの重み係数を調整し、全ての教
師用パターンセットに対する誤差が小さくなるまで繰り
返す。
ｔの誤差式１０から各層間の結合の δi ＝ｙi −ｕ3i ・・・・・・・・・・・・・・・ （１０） ｙi ：出力層ｉユニットの教師値 ｕ3i：出力層ｉユニットの出力値 δi ：出力層ｉユニットの誤差 重みｗkij を式１１、式１２により修正する。 ｗ2ij new＝ｗ2ij old−αδi ｆ’（Ｉ2j）ｆ（Ｉ2j）・・（１１） ｗ1ij new＝ｗ1ij old−αΣｗ2ij δi ｆ’（Ｉ1j）ｆ（Ｉ1j）・・（１２） ｗ2ij old：修正前中間層ｊユニットと出力層ｉユニット
の結合の重み係数 ｗ2ij new：修正後中間層ｊユニットと出力層ｉユニット
の結合の重み係数 ｗ1ij old：修正前入力層ｊユニットと中間層ｉユニット
の結合の重み係数 ｗ1ij new：修正後入力層ｊユニットと中間層ｉユニット
の結合の重み係数 α：学習係数 Ｉ2j：中間層ｊユニットの入力値 Ｉ1j：入力層ｊユニットの入力値 時刻ｔを変化させ教師用パターンセットを複数用意して
ニューラルネットワークの重み係数を調整し、全ての教
師用パターンセットに対する誤差が小さくなるまで繰り
返す。
【００１９】図１の旅行時間学習部８で求められた重み
係数を用いて感知器情報収集部４からの現在の感知器の
交通量情報と占有時間情報を入力とし旅行時間予測部９
のニューラルネットワークモデルを利用し式７、式８、
式９で求められる出力をもとに図３の出力と旅行時間の
関係から旅行時間を求める。
係数を用いて感知器情報収集部４からの現在の感知器の
交通量情報と占有時間情報を入力とし旅行時間予測部９
のニューラルネットワークモデルを利用し式７、式８、
式９で求められる出力をもとに図３の出力と旅行時間の
関係から旅行時間を求める。
【００２０】実施の形態２．図４はこの発明の実施の形
態２を示す旅行時間予測装置のブロック図であり、図に
おいて、１は道路、２は在車検知型車両感知器、３は車
両番号読み取り装置、１２は通過車両の速度を計測する
速度計測型車両感知器、４は在車検知型車両感知器２か
らの交通量情報と占有時間情報を速度計測型車両感知器
１０からの速度情報を収集する車両感知器情報収集部、
１１は車両感知器情報収集部４からの在車検知型車両感
知器の交通量情報と占有時間情報を速度情報に変換する
感知器情報変換部、５は感知器情報変換部からの速度情
報を時間毎に蓄積する感知器情報蓄積部、６は旅行時間
計測部、７は計測旅行時間蓄積部、８は感知器の速度情
報を入力とし旅行時間を出力とするニューラルネットワ
ークモデルの重み係数を算出する旅行時間学習部、９は
車両感知器情報変換部１１からの速度情報を入力とし旅
行時間を予測する旅行時間予測部である。
態２を示す旅行時間予測装置のブロック図であり、図に
おいて、１は道路、２は在車検知型車両感知器、３は車
両番号読み取り装置、１２は通過車両の速度を計測する
速度計測型車両感知器、４は在車検知型車両感知器２か
らの交通量情報と占有時間情報を速度計測型車両感知器
１０からの速度情報を収集する車両感知器情報収集部、
１１は車両感知器情報収集部４からの在車検知型車両感
知器の交通量情報と占有時間情報を速度情報に変換する
感知器情報変換部、５は感知器情報変換部からの速度情
報を時間毎に蓄積する感知器情報蓄積部、６は旅行時間
計測部、７は計測旅行時間蓄積部、８は感知器の速度情
報を入力とし旅行時間を出力とするニューラルネットワ
ークモデルの重み係数を算出する旅行時間学習部、９は
車両感知器情報変換部１１からの速度情報を入力とし旅
行時間を予測する旅行時間予測部である。
【００２１】図４において車両感知器情報収集部４で収
集される在車検知型車両感知器情報と速度型感知器情報
では情報の種類が異なるので感知器情報変換部１１で在
車検知型車両感知器の交通量情報と占有時間情報を式２
で速度情報に変換し、感知器情報蓄積部５に蓄積する。
感知器情報蓄積部からの道路区間内の車両感知器の時刻
ｔにおける速度情報Ｖｔ式１３を入力とし、計測旅行時
間蓄積部７からの同時 Ｖｔ＝（Ｖｔ１、Ｖｔ２、Ｖｔ３、・・・、Ｖｔｎ） ・・・ （１３） Ｖｔｉ：時刻ｔにおける感知器ｉの５分間平均速度 刻ｔにおける計測旅行時間をもとにして図３に表される
ニューラルネットワークモデルの出力を出力の教師信号
とし実施の形態１と同様にしてバックプロパゲーション
により重み係数が旅行時間学習部８で調整される。これ
を時刻ｔを変化させ複数の学習パターンを用意し学習を
繰り返す。感知器情報変換部１１からの現在の感知器設
置地点の速度情報Ｖを入力とし旅行時間学習部８からの
重み係数を用いて図２のニューラルネットワークモデル
の出力と図３の出力と旅行時間の関係から旅行時間を求
める。
集される在車検知型車両感知器情報と速度型感知器情報
では情報の種類が異なるので感知器情報変換部１１で在
車検知型車両感知器の交通量情報と占有時間情報を式２
で速度情報に変換し、感知器情報蓄積部５に蓄積する。
感知器情報蓄積部からの道路区間内の車両感知器の時刻
ｔにおける速度情報Ｖｔ式１３を入力とし、計測旅行時
間蓄積部７からの同時 Ｖｔ＝（Ｖｔ１、Ｖｔ２、Ｖｔ３、・・・、Ｖｔｎ） ・・・ （１３） Ｖｔｉ：時刻ｔにおける感知器ｉの５分間平均速度 刻ｔにおける計測旅行時間をもとにして図３に表される
ニューラルネットワークモデルの出力を出力の教師信号
とし実施の形態１と同様にしてバックプロパゲーション
により重み係数が旅行時間学習部８で調整される。これ
を時刻ｔを変化させ複数の学習パターンを用意し学習を
繰り返す。感知器情報変換部１１からの現在の感知器設
置地点の速度情報Ｖを入力とし旅行時間学習部８からの
重み係数を用いて図２のニューラルネットワークモデル
の出力と図３の出力と旅行時間の関係から旅行時間を求
める。
【００２２】実施の形態３．図５はこの発明の実施形態
３を示す旅行時間予測装置のブロック図であり、図にお
いて１は道路、２は在車検知型車両感知器、３は車両番
号読み取り装置、４は車両感知器情報収集部、５は感知
器情報蓄積部、６は旅行時間計測部、７は計測旅行時間
蓄積部、８は感知器時系列情報を入力とし旅行時間を出
力とするニューラルネットワークモデルの重み係数を算
出する旅行時間学習部、９は感知器情報蓄積部４からの
時系列交通量と時系列占有時間を入力とし旅行時間を予
測する旅行時間予測部である。
３を示す旅行時間予測装置のブロック図であり、図にお
いて１は道路、２は在車検知型車両感知器、３は車両番
号読み取り装置、４は車両感知器情報収集部、５は感知
器情報蓄積部、６は旅行時間計測部、７は計測旅行時間
蓄積部、８は感知器時系列情報を入力とし旅行時間を出
力とするニューラルネットワークモデルの重み係数を算
出する旅行時間学習部、９は感知器情報蓄積部４からの
時系列交通量と時系列占有時間を入力とし旅行時間を予
測する旅行時間予測部である。
【００２３】在車検知型車両感知器２の交通量と占有時
間が車両感知器情報収集部４で収集され感知器情報蓄積
部５に時間毎に蓄積される。旅行時間計測部６で計測さ
れた旅行時間が計測旅行時間蓄積部７に蓄積される。感
知器情報蓄積部５からの時刻ｔから時刻ｔ−ｍまでの時
系列交通量と時系列占有時間Ｘｔｍ式１４を入力とし Ｘｔｍ＝（Ｑｔ１、Ｏｔ１、Ｑｔ２、Ｏｔ２、・・・、Ｑｔｎ、Ｏｔｎ、 Ｑｔ−１１、Ｏｔ−１１、Ｑｔ−１２、Ｏｔ−１２、・・・、Ｑｔ −１ｎ、Ｏｔ−１ｎ、 ・ ・ Ｑｔ−ｍ１、Ｏｔ−ｍ１、Ｑｔ−ｍ２、Ｏｔ−ｍ２、・・・、Ｑｔ −ｍｎ、Ｏｔ−ｍｎ） ・・・・・・ （１４） Ｑｔ−ｊｉ：時刻ｔ−ｊにおける感知器ｉの５分間交通
量 Ｏｔ−ｊｉ：時刻ｔ−ｊにおける感知器ｉの５分間占有
時間 計測旅行時間蓄積部からの時刻ｔの旅行時間から図３の
旅行時間とニューラルネットワークの出力とし実施の形
態１同様にバックプロパゲーションにより旅行時間学習
部８で重み係数を調整する。これを時刻ｔを変化させ複
数の学習パターンを用意し学習を繰り返す。旅行時間学
習部８で求められた重み係数を用いて感知器情報蓄積部
からの現在からｍ番目まで前の５分間交通量と５分間占
有時間を入力とし旅行時間予測部９のニューラルネット
ワークモデルを利用し式７、式８、式９で求められる出
力から図３の出力と旅行時間の関係から旅行時間を求め
る。
間が車両感知器情報収集部４で収集され感知器情報蓄積
部５に時間毎に蓄積される。旅行時間計測部６で計測さ
れた旅行時間が計測旅行時間蓄積部７に蓄積される。感
知器情報蓄積部５からの時刻ｔから時刻ｔ−ｍまでの時
系列交通量と時系列占有時間Ｘｔｍ式１４を入力とし Ｘｔｍ＝（Ｑｔ１、Ｏｔ１、Ｑｔ２、Ｏｔ２、・・・、Ｑｔｎ、Ｏｔｎ、 Ｑｔ−１１、Ｏｔ−１１、Ｑｔ−１２、Ｏｔ−１２、・・・、Ｑｔ −１ｎ、Ｏｔ−１ｎ、 ・ ・ Ｑｔ−ｍ１、Ｏｔ−ｍ１、Ｑｔ−ｍ２、Ｏｔ−ｍ２、・・・、Ｑｔ −ｍｎ、Ｏｔ−ｍｎ） ・・・・・・ （１４） Ｑｔ−ｊｉ：時刻ｔ−ｊにおける感知器ｉの５分間交通
量 Ｏｔ−ｊｉ：時刻ｔ−ｊにおける感知器ｉの５分間占有
時間 計測旅行時間蓄積部からの時刻ｔの旅行時間から図３の
旅行時間とニューラルネットワークの出力とし実施の形
態１同様にバックプロパゲーションにより旅行時間学習
部８で重み係数を調整する。これを時刻ｔを変化させ複
数の学習パターンを用意し学習を繰り返す。旅行時間学
習部８で求められた重み係数を用いて感知器情報蓄積部
からの現在からｍ番目まで前の５分間交通量と５分間占
有時間を入力とし旅行時間予測部９のニューラルネット
ワークモデルを利用し式７、式８、式９で求められる出
力から図３の出力と旅行時間の関係から旅行時間を求め
る。
【００２４】実施の形態４．図６はこの発明の実施の形
態４を示す旅行時間予測装置のブロック図であり、図に
おいて、１は道路、２は在車検知型車両感知器、３は車
両番号読み取り装置、１２は速度計測型車両感知器、４
は車両感知器情報収集部、１１は感知器情報変換部、５
は感知器情報蓄積部、６は旅行時間計測部、７は計測旅
行時間蓄積部、８は感知器情報蓄積部からの時系列感知
器情報を入力とし旅行時間を出力とするニューラルネッ
トワークモデルの重み係数を算出する旅行時間学習部、
９は旅行時間学習部８からの重み係数を用いて車両感知
器情報変換部１１からの速度情報を入力とし旅行時間を
予測する旅行時間予測部である。
態４を示す旅行時間予測装置のブロック図であり、図に
おいて、１は道路、２は在車検知型車両感知器、３は車
両番号読み取り装置、１２は速度計測型車両感知器、４
は車両感知器情報収集部、１１は感知器情報変換部、５
は感知器情報蓄積部、６は旅行時間計測部、７は計測旅
行時間蓄積部、８は感知器情報蓄積部からの時系列感知
器情報を入力とし旅行時間を出力とするニューラルネッ
トワークモデルの重み係数を算出する旅行時間学習部、
９は旅行時間学習部８からの重み係数を用いて車両感知
器情報変換部１１からの速度情報を入力とし旅行時間を
予測する旅行時間予測部である。
【００２５】在車検知型車両感知器２の交通量と占有時
間および速度計測型車両感知器の速度情報が車両感知器
情報収集部４で収集され、在車検知型車両感知器情報２
の交通量と占有時間を感知器情報変換部１１で式２より
速度情報に変換され、感知器情報蓄積部５で時間毎に蓄
積される。旅行時間計測部６で計測された旅行時間が計
測旅行時間蓄積部７に蓄積される。感知器情報蓄積部５
からの時刻ｔから時刻ｔ−ｍまでの時系列速度情報Ｖｔ
ｍ式１５を入力とし計測旅行時間蓄積部からの時刻ｔの
旅行時間から図３の Ｖｔｍ＝（Ｖｔ１、Ｖｔ２、Ｖｔ３、・・・、Ｖｔｎ、 Ｖｔ−１１、Ｖｔ−１２、Ｖｔ−１３、・・・、Ｖｔ−１ｎ、 ・ ・ Ｖｔ−ｍ１、Ｖｔ−ｍ２、Ｖｔ−ｍ３、・・・、Ｖｔ−ｍｎ） ・・・・・・ （１５） Ｖｔ−ｊｉ：時刻ｔ−ｊにおける感知器ｉの５分間平均
速度 旅行時間とニューラルネットワークの出力とし請求項１
同様にバックプロパゲーションにより旅行時間学習部８
で重み係数を調整する。これを時刻ｔを変化させること
により複数の学習パターンを用意し学習を繰り返す。旅
行時間学習部８で求められた重み係数を用いて感知器情
報蓄積部１１からの現在からｍ番目まで前の速度情報を
入力とし旅行時間予測部９のニューラルネットワークモ
デルを利用し式７、式８、式９で求められる出力をもと
に図３の出力と旅行時間の関係から旅行時間を求める。
間および速度計測型車両感知器の速度情報が車両感知器
情報収集部４で収集され、在車検知型車両感知器情報２
の交通量と占有時間を感知器情報変換部１１で式２より
速度情報に変換され、感知器情報蓄積部５で時間毎に蓄
積される。旅行時間計測部６で計測された旅行時間が計
測旅行時間蓄積部７に蓄積される。感知器情報蓄積部５
からの時刻ｔから時刻ｔ−ｍまでの時系列速度情報Ｖｔ
ｍ式１５を入力とし計測旅行時間蓄積部からの時刻ｔの
旅行時間から図３の Ｖｔｍ＝（Ｖｔ１、Ｖｔ２、Ｖｔ３、・・・、Ｖｔｎ、 Ｖｔ−１１、Ｖｔ−１２、Ｖｔ−１３、・・・、Ｖｔ−１ｎ、 ・ ・ Ｖｔ−ｍ１、Ｖｔ−ｍ２、Ｖｔ−ｍ３、・・・、Ｖｔ−ｍｎ） ・・・・・・ （１５） Ｖｔ−ｊｉ：時刻ｔ−ｊにおける感知器ｉの５分間平均
速度 旅行時間とニューラルネットワークの出力とし請求項１
同様にバックプロパゲーションにより旅行時間学習部８
で重み係数を調整する。これを時刻ｔを変化させること
により複数の学習パターンを用意し学習を繰り返す。旅
行時間学習部８で求められた重み係数を用いて感知器情
報蓄積部１１からの現在からｍ番目まで前の速度情報を
入力とし旅行時間予測部９のニューラルネットワークモ
デルを利用し式７、式８、式９で求められる出力をもと
に図３の出力と旅行時間の関係から旅行時間を求める。
【００２６】実施の形態５．この発明の実施形態５を示
す旅行時間予測装置のブロック図であり、図において１
は道路、３は車両番号読み取り装置、６は旅行時間計測
部、７は計測旅行時間蓄積部、８は計測旅行時間時系列
情報を入力とし旅行時間を出力とするニューラルネット
ワークモデルの重み係数を算出する旅行時間学習部、９
は計測旅行時間蓄積部からの時系列旅行時間情報を入力
とし旅行時間を予測する旅行時間予測部である。
す旅行時間予測装置のブロック図であり、図において１
は道路、３は車両番号読み取り装置、６は旅行時間計測
部、７は計測旅行時間蓄積部、８は計測旅行時間時系列
情報を入力とし旅行時間を出力とするニューラルネット
ワークモデルの重み係数を算出する旅行時間学習部、９
は計測旅行時間蓄積部からの時系列旅行時間情報を入力
とし旅行時間を予測する旅行時間予測部である。
【００２７】旅行時間計測部６で計測された旅行時間が
計測旅行時間蓄積部７に蓄積される。計測旅行時間蓄積
部７からの時刻ｔから時刻ｔ−ｍまでの計測旅行時間Ｔ
ｔ式１６を入力とし計測旅行時間蓄積部７からの時刻ｔ
の旅行時間から図３の旅行時 Ｔｔ＝（Ｔｔ、Ｔｔ−１、・・・、Ｔｔ−ｎ） ・・・（１６） Ｔｔ−ｉ：時刻ｔ−ｉにおける計測旅行時間 間とニューラルネットワークの出力とし請求項１同様に
バックプロパゲーションにより旅行時間学習部８で重み
係数を調整する。これを時刻ｔを変化させ複数の学習パ
ターンを用意し学習を繰り返す。旅行時間学習部８で求
められた重み係数を用いて計測旅行時間蓄積部７からの
現在からｍ番目まで前の旅行時間情報を入力とし旅行時
間予測部９のニューラルネットワークモデルを利用し式
７、式８、式９で求められる出力から図３の出力と旅行
時間の関係から旅行時間を求める。
計測旅行時間蓄積部７に蓄積される。計測旅行時間蓄積
部７からの時刻ｔから時刻ｔ−ｍまでの計測旅行時間Ｔ
ｔ式１６を入力とし計測旅行時間蓄積部７からの時刻ｔ
の旅行時間から図３の旅行時 Ｔｔ＝（Ｔｔ、Ｔｔ−１、・・・、Ｔｔ−ｎ） ・・・（１６） Ｔｔ−ｉ：時刻ｔ−ｉにおける計測旅行時間 間とニューラルネットワークの出力とし請求項１同様に
バックプロパゲーションにより旅行時間学習部８で重み
係数を調整する。これを時刻ｔを変化させ複数の学習パ
ターンを用意し学習を繰り返す。旅行時間学習部８で求
められた重み係数を用いて計測旅行時間蓄積部７からの
現在からｍ番目まで前の旅行時間情報を入力とし旅行時
間予測部９のニューラルネットワークモデルを利用し式
７、式８、式９で求められる出力から図３の出力と旅行
時間の関係から旅行時間を求める。
【００２８】
【発明の効果】この発明によれば、在車検知型車両感知
器から得られる情報をもとに、ニューラルネットワーク
モデルを用いて、道路の特定区間の旅行時間を予測する
ことができる。
器から得られる情報をもとに、ニューラルネットワーク
モデルを用いて、道路の特定区間の旅行時間を予測する
ことができる。
【００２９】この発明によれば、在車検知型車両感知器
および速度計測型車両感知器の情報をもとに、ニューラ
ルネットワークモデルを用いて、在車検知型車両感知器
と速度計測型車両感知器道路の異なる種類の車両感知器
が設置された特定区間の旅行時間を予測することができ
る。
および速度計測型車両感知器の情報をもとに、ニューラ
ルネットワークモデルを用いて、在車検知型車両感知器
と速度計測型車両感知器道路の異なる種類の車両感知器
が設置された特定区間の旅行時間を予測することができ
る。
【００３０】この発明によれば、在車検知型車両感知器
から得られる時系列情報をもとに、ニューラルネットワ
ークモデルを用いて、道路の特定区間の交通状況の時間
的変化を考慮した旅行時間を予測することができる。
から得られる時系列情報をもとに、ニューラルネットワ
ークモデルを用いて、道路の特定区間の交通状況の時間
的変化を考慮した旅行時間を予測することができる。
【００３１】この発明によれば、在車検知型車両感知器
および速度計測型車両感知器の時系列情報をもとに、ニ
ューラルネットワークモデルを用いて、在車検知型車両
感知器と速度計測型車両感知器道路の異なる種類の車両
感知器が設置された特定区間の交通状況の時間的変化を
考慮した旅行時間を予測することができる。
および速度計測型車両感知器の時系列情報をもとに、ニ
ューラルネットワークモデルを用いて、在車検知型車両
感知器と速度計測型車両感知器道路の異なる種類の車両
感知器が設置された特定区間の交通状況の時間的変化を
考慮した旅行時間を予測することができる。
【００３２】この発明によれば、旅行時間計測装置の旅
行時間情報をもとに、ニューラルネットワークモデルを
用いて、車両感知器の設置されていない特定区間の旅行
時間を予測することができる。
行時間情報をもとに、ニューラルネットワークモデルを
用いて、車両感知器の設置されていない特定区間の旅行
時間を予測することができる。
【図１】 この発明による旅行時間予測装置の実施の形
態１を示すブロック図である。
態１を示すブロック図である。
【図２】 旅行時間予測用のニューラルネットワークの
モデル図である。
モデル図である。
【図３】 旅行時間に対応したニューラルネットワーク
の出力の図である。
の出力の図である。
【図４】 この発明による旅行時間予測装置の実施の形
態２を示すブロック図である。
態２を示すブロック図である。
【図５】 この発明による旅行時間予測装置の実施の形
態３を示すブロック図である。
態３を示すブロック図である。
【図６】 この発明による旅行時間予測装置の実施の形
態４を示すブロック図である。
態４を示すブロック図である。
【図７】 この発明による旅行時間予測装置の実施の形
態５を示すブロック図である。
態５を示すブロック図である。
【図８】 従来の旅行時間算出装置のブロック図であ
る。
る。
【図９】 別の従来の旅行時間算出装置のブロック図で
ある。
ある。
１ 道路、２ 在車検知型車両感知器、３ 車両番号読
み取り装置、４ 車両感知器情報収集部、５ 感知器情
報蓄積部、６ 旅行時間計測部、７ 計測旅行時間蓄積
部、８ 旅行時間学習部、９ 旅行時間予測部、１０
速度測定型車両感知器、１１ 感知器情報変換部。
み取り装置、４ 車両感知器情報収集部、５ 感知器情
報蓄積部、６ 旅行時間計測部、７ 計測旅行時間蓄積
部、８ 旅行時間学習部、９ 旅行時間予測部、１０
速度測定型車両感知器、１１ 感知器情報変換部。
Claims (5)
- 【請求項１】 特定区間の道路に複数設置され、各車両
が通過するのに要する時間である占有時間および通過車
両交通量を各地点毎に計測する在車検知型車両感知器か
らの情報を収集する車両感知器情報収集部と、上記情報
を時間毎に蓄積する感知器情報蓄積部と、上記車両感知
器設置区間の始点終点に設置された通過車両のナンバー
を読み取る車両番号読み取り装置の情報から同一車両を
認識し区間内旅行時間を計測する旅行時間計測部と、上
記旅行時間計測部で計測された計測旅行時間情報を蓄積
する計測旅行時間蓄積部と、上記蓄積感知器情報と上記
蓄積計測旅行時間情報から旅行時間予測用ニューラルネ
ットワークの重み係数を算出する旅行時間学習部と、上
記車両感知器情報収集部で収集された車両感知器情報と
旅行時間学習部で算出された重み係数とから旅行時間を
予測する旅行時間予測部とを備える旅行時間予測装置。 - 【請求項２】 特定区間の道路に複数設置された在車検
知型車両感知器からの情報と車両の走行速度を計測する
速度計測型車両感知器からの情報を収集する車両感知器
情報収集部と、上記在車検知型車両感知器情報を速度計
測型車両感知器と同一の速度情報に変換する車両感知器
情報変換部と、上記感知器情報変換部からの情報を蓄積
する感知器情報蓄積部と、上記車両感知器設置区間の車
両番号読み取り装置からの情報で旅行時間を計測する旅
行時間計測部と、上記旅行時間計測部で計測された計測
旅行時間情報を蓄積する計測旅行時間蓄積部と、上記蓄
積感知器情報と上記蓄積計測旅行時間情報から旅行時間
予測用ニューラルネットワークの重み係数を算出する旅
行時間学習部と、上記車両感知器情報収集部で収集され
た車両感知器情報と旅行時間学習部で算出された重み係
数とから旅行時間を予測する旅行時間予測部とを備える
旅行時間予測装置。 - 【請求項３】 特定区間の道路に複数設置された在車検
知型車両感知器からの情報を収集する車両感知器情報収
集部と、上記情報を蓄積する感知器情報蓄積部と、上記
車両感知器設置区間の車両番号読み取り装置からの情報
で旅行時間を計測する旅行時間計測部と、上記旅行時間
計測部で計測された計測旅行時間情報を蓄積する計測旅
行時間蓄積部と、上記蓄積感知器情報と上記蓄積計測旅
行時間情報から旅行時間予測用ニューラルネットワーク
の重み係数を算出する旅行時間学習部と、上記感知器情
報蓄積部に蓄積された車両感知器時系列情報と旅行時間
学習部で算出された重み係数から旅行時間を予測する旅
行時間予測部とを備える旅行時間予測装置。 - 【請求項４】 特定区間の道路に複数設置された在車検
知型車両感知器からの情報と速度計測型車両感知器から
の情報を収集する車両感知器情報収集部と、上記在車検
知型車両感知器情報を速度計測型車両感知器と同一の速
度情報に変換する車両感知器情報変換部と、上記感知器
情報変換部からの情報を蓄積する感知器情報蓄積部と、
上記車両感知器設置区間の車両番号読み取り装置からの
情報で旅行時間を計測する旅行時間計測部と、上記旅行
時間計測部で計測された計測旅行時間情報を蓄積する計
測旅行時間蓄積部と、上記蓄積感知器情報と上記蓄積計
測旅行時間情報から旅行時間予測用ニューラルネットワ
ークの重み係数を算出する旅行時間学習部と、上記感知
器情報蓄積部に蓄積された車両感知器時系列情報と旅行
時間学習部で算出された重み係数から旅行時間を予測す
る旅行時間予測部とを備える旅行時間予測装置。 - 【請求項５】 特定区間の道路に設置された車両番号読
み取り装置からの情報で区間内旅行時間を計測する旅行
時間計測部と、上記旅行時間計測部で計測された計測旅
行時間情報を蓄積する計測旅行時間蓄積部と、上記蓄積
計測旅行時間時系列情報から旅行時間予測用ニューラル
ネットワークの重み係数を算出する旅行時間学習部と、
上記計測旅行時間蓄積部の旅行時間時系列情報と上記旅
行時間旅行時間学習部で算出された重み係数から旅行時
間を予測する旅行時間予測部とを備える旅行時間予測装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23801796A JPH1083496A (ja) | 1996-09-09 | 1996-09-09 | 旅行時間予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23801796A JPH1083496A (ja) | 1996-09-09 | 1996-09-09 | 旅行時間予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH1083496A true JPH1083496A (ja) | 1998-03-31 |
Family
ID=17023927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23801796A Pending JPH1083496A (ja) | 1996-09-09 | 1996-09-09 | 旅行時間予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH1083496A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020194361A (ja) * | 2019-05-28 | 2020-12-03 | パナソニックＩｐマネジメント株式会社 | 交通情報生成システム、交通情報生成装置、交通情報生成方法、交通情報生成プログラム、車両感知器および交通情報表示装置 |
| JP2021131731A (ja) * | 2020-02-19 | 2021-09-09 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置 |
-
1996
- 1996-09-09 JP JP23801796A patent/JPH1083496A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020194361A (ja) * | 2019-05-28 | 2020-12-03 | パナソニックＩｐマネジメント株式会社 | 交通情報生成システム、交通情報生成装置、交通情報生成方法、交通情報生成プログラム、車両感知器および交通情報表示装置 |
| JP2021131731A (ja) * | 2020-02-19 | 2021-09-09 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110361505A (zh) | 一种车外大气污染环境下列车乘员健康预警***及其方法 | |
| CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
| CN113380052B (zh) | 基于etc数据的驶入服务区车流量预测方法及装置 | |
| Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
| CN116935654A (zh) | 一种基于数据分配值的智慧城市数据分析方法及*** | |
| JP2001084479A (ja) | 交通流データ予測装置及び交通流データ予測方法 | |
| JP3099934B2 (ja) | 走行所要時間予測装置 | |
| Chen et al. | Practical travel time prediction algorithms based on neural network and data fusion for urban expressway | |
| JP3399401B2 (ja) | 交通情報管理装置および交通情報管理方法 | |
| JPH1083496A (ja) | 旅行時間予測装置 | |
| JP3960243B2 (ja) | リンク旅行時間推定方法及び装置 | |
| JP4240309B2 (ja) | 旅行時間提供方法、装置及びプログラム | |
| JP2003016569A (ja) | Ｏｄ交通量決定装置及び方法 | |
| JPH10312497A (ja) | 交通状況予測装置 | |
| JP2003303390A (ja) | 旅行時間予測方法、装置及びプログラム | |
| Lu | An adaptive system for predicting freeway travel times | |
| JPH1079096A (ja) | 経路選択支援情報提供装置 | |
| Bae | Dynamic estimation of travel time on arterial roads by using automatic vehicle location (AVL) bus as a vehicle probe | |
| JP3904629B2 (ja) | 旅行時間予測装置及び旅行時間予測方法 | |
| JP3160438B2 (ja) | 交通流予測装置 | |
| JP3355887B2 (ja) | 旅行時間予測方法および旅行時間予測装置 | |
| KR100510237B1 (ko) | 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법 | |
| Kasai et al. | Refinement of pattern-matching method for travel time prediction | |
| JP2000322682A (ja) | 交通流予測システム、交通流予測装置及び交通流予測方法 | |
| JP3399385B2 (ja) | 交通情報管理装置および交通情報管理方法 |