Nothing Special   »   [go: up one dir, main page]

WO2013128486A1 - 交通量予測システム - Google Patents

交通量予測システム Download PDF

Info

Publication number
WO2013128486A1
WO2013128486A1 PCT/JP2012/001362 JP2012001362W WO2013128486A1 WO 2013128486 A1 WO2013128486 A1 WO 2013128486A1 JP 2012001362 W JP2012001362 W JP 2012001362W WO 2013128486 A1 WO2013128486 A1 WO 2013128486A1
Authority
WO
WIPO (PCT)
Prior art keywords
road
cluster
probe data
speed
traffic volume
Prior art date
Application number
PCT/JP2012/001362
Other languages
English (en)
French (fr)
Inventor
智昭 蛭田
奥出　真理子
Original Assignee
株式会社 日立製作所
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社 日立製作所 filed Critical 株式会社 日立製作所
Priority to JP2014501822A priority Critical patent/JP5802823B2/ja
Priority to PCT/JP2012/001362 priority patent/WO2013128486A1/ja
Publication of WO2013128486A1 publication Critical patent/WO2013128486A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Definitions

  • the present invention relates to a system for predicting traffic volume on a road, and more particularly to a system for predicting traffic volume using information on a vehicle traveling on a road.
  • Patent Document 1 discloses an invention for obtaining the traffic volume of a road section based on the traveling history of a vehicle collected using a probe car. In order to accurately obtain the traffic volume of the road section from the travel history of the probe car, it is necessary to create in advance a relationship between the travel speed of the vehicle and the traffic volume for each road. In order to create a relationship between the vehicle travel speed and the traffic volume, the actual traffic volume and the vehicle travel speed must be measured simultaneously.
  • Patent Document 1 since it is very expensive to measure the actual traffic volume and the vehicle speed at the same time for all roads, in Patent Document 1, the relationship between the speed of the road section and the traffic volume is expressed as a high speed. It is described that the actual traffic volume and the traveling speed of the vehicle are approximated for each road type by creating for each road type such as a road and a national road. Since the traffic volume and the vehicle speed need only be measured at the same time for each road type, the cost of traffic volume survey can be reduced.
  • the traffic volume prediction system of the present invention estimates road characteristics such as free speed, critical speed, saturation density, and critical density from probe data, classifies the road characteristics into clusters corresponding to the probe data, and configures each cluster.
  • a travel pattern for each cluster is created based on the speed and acceleration of the probe data.
  • the travel pattern generated from the probe data is compared with the travel pattern for each cluster, The road characteristics of a high cluster are acquired, and the traffic volume of the road where the probe data is collected is predicted using the acquired road characteristics.
  • the travel pattern of the probe data is obtained, and the traffic volume is predicted from the road characteristics of a similar group among the road characteristics classified in advance.
  • the amount can be predicted.
  • FIG. 1 shows the overall configuration of a traffic volume prediction system according to an embodiment of the present invention.
  • the traffic volume prediction system 100 includes a traffic volume storage device 110, a probe data storage device 120, a road characteristic estimation device 130, a classification device 140, a travel pattern creation device 150, a storage device 160, a reception device 170, a road characteristic search device 180, a traffic An amount prediction device 190 and a transmission device 200 are provided.
  • the traffic volume storage device 110 is a storage device such as a hard disk or a flash memory, and stores traffic volume information.
  • the traffic volume information is used for estimation of road characteristics by the road characteristic estimation device 130.
  • the probe data storage device 120 is a storage device such as a hard disk or a flash memory, and stores probe data.
  • the probe data includes a vehicle identification ID (hereinafter referred to as vehicle ID), a road identification ID (hereinafter referred to as road ID), position information, time information, speed information, and the like.
  • vehicle ID vehicle identification ID
  • road ID road identification ID
  • the vehicle uplinks the vehicle ID, position information, time information, and speed information to a probe center (not shown) via a communication device such as a mobile phone or a radio.
  • a probe car Such a vehicle is called a probe car.
  • the probe center identifies the road on which each vehicle has traveled using the position information, time information, and map information collected from each vehicle.
  • the probe data stored in the probe data storage device 120 and the probe data received by the receiving device 170 are data processed by this probe center.
  • the probe data storage device 120 is used for estimation of road characteristics by the road characteristic estimation device 130 and travel pattern creation by the travel pattern creation device 150.
  • the road characteristic estimation device 130 estimates road characteristic data, which is a parameter of a relational expression of speed and traffic density, for each road section using the traffic volume information of the traffic volume storage device 110 and the speed information of the probe data storage device 120. To do. This road characteristic data is used when the traffic volume is predicted. The road characteristic data is provided to the classification device 140.
  • the classification device 140 clusters the road characteristic data from the road characteristic estimation device 130, and creates representative road characteristic data of the generated cluster and road ID information constituting the cluster.
  • the representative road characteristic data is road characteristic data which is a representative value of each cluster obtained from a plurality of clustered road characteristic data. This representative road characteristic data is stored in the storage device 160. Further, the road ID information associated with the road characteristic data constituting the cluster is stored in the storage device 160 and provided to the travel pattern creation device 150.
  • the travel pattern creation device 150 generates travel pattern data for each cluster using the road ID information constituting the clusters of the classification device 140 and the probe data of the probe data storage device 120. The generated traveling pattern data is written in the storage device 160.
  • the storage device 160 is a storage device such as a hard disk or a flash memory, and stores road ID information constituting the cluster created by the classification device 140, representative road characteristic data of the cluster, and travel pattern data created by the travel pattern creation device 150. ing.
  • the receiving device 170 is a device that receives probe data from the probe center.
  • the format of probe data to be received is the same as the format of probe data stored in the probe data storage device 120.
  • the received probe data is stored in the probe data storage device 120 and provided to the road characteristic search device 180 and the traffic volume prediction device 190.
  • the road characteristic search device 180 creates travel pattern data based on the probe data from the receiving device 170, and searches the storage device 160 for clusters having travel pattern data highly similar to the travel pattern data. Then, the representative road characteristic data of the corresponding cluster is provided to the traffic prediction device 190.
  • the traffic volume prediction device 190 uses the representative road characteristic data provided from the road characteristic search device 180 and the travel speed data of the probe data received by the reception device 170 to predict the traffic volume.
  • the predicted traffic volume is provided to the transmission device 200.
  • the transmission device 200 transmits the traffic volume data of the traffic volume prediction device 190 to the in-vehicle terminal or other center system.
  • the road characteristic estimation device 130, the classification device 140, the travel pattern creation device 150, the road characteristic search device 180, and the traffic volume prediction device 190 are all microprocessors (not shown) mounted in the traffic volume prediction system 100, This is realized by software executed by a RAM, a ROM, or the like.
  • FIG. 2 shows an example of the format of the traffic volume data transmitted from the transmission device 200.
  • the traffic volume data includes a road ID 21, a start time 22 and an end time 23 of a time zone in which the traffic volume is measured, and a traffic volume 24 between the start time and the end time.
  • This traffic volume is the number of vehicles passing the road in a specific time zone.
  • the traffic volume storage device 110 stores road traffic volume data. However, not all road traffic data is stored, but only information on roads whose traffic volume has been measured, such as road traffic census, is stored. This traffic volume measurement includes a method in which an observer counts the number of passing vehicles, and a method in which a road traffic infrastructure sensor mechanically counts the number of passing vehicles.
  • the data format of the traffic volume storage device 110 is the same as that in FIG.
  • the probe data storage device 120 stores probe data for a certain period.
  • FIG. 3 is an example of the data format of the probe data storage device 120.
  • the probe data stored in the probe data storage device 120 includes a road ID 31 for identifying a road from which probe data has been collected, a vehicle ID 32 for identifying a vehicle from which probe data has been collected, and an inflow that is the time when the vehicle has entered the road. It consists of a time 33 and an outflow time 34 which is the time when the vehicle has flowed out of the road, an average speed 35 when the vehicle has passed the road, and detailed data 36.
  • Detailed data 36 in the probe data storage device 120 includes data recording start time 37 that starts at regular time intervals, vehicle traveling direction speed 38, vehicle traveling direction acceleration 39, vehicle lateral speed 40, vehicle It consists of each data of the lateral acceleration 41.
  • the traveling direction speed 38 is information obtained by differentiating the vehicle speed pulse information of the probe car and the position information with respect to time.
  • the traveling direction acceleration 39 is information obtained by further differentiating the information of the acceleration sensor of the probe car and the speed data with respect to time.
  • the lateral speed 40 is information on the moving speed of the vehicle in the lateral direction obtained by differentiating the probe car sensor and position information.
  • the lateral acceleration 41 is acceleration information at the time of the moving speed in the lateral direction of the vehicle, which is obtained by differentiating information from the acceleration sensor of the probe car and speed data.
  • the lateral direction is a direction parallel to the ground and perpendicular to the traveling direction of the vehicle.
  • the traffic volume Q (unit: vehicle / h) of the road is the traffic density k (unit: vehicle / km), which is the number of vehicles existing within a certain distance at a certain moment, and the average speed v of the vehicle passing through the certain distance. It is calculated by (Equation 1) from (unit: km / h).
  • v c ⁇ log (kj / k) (Formula 3)
  • log () is a logarithm
  • c is a constant
  • kj is a saturation density that is a traffic density when the speed is zero.
  • the processing flow of the road characteristic estimation device 130 is shown in FIG.
  • the road characteristic estimation device 130 processes a plurality of probe data stored in the probe data storage device 120 at a regular cycle such as one month or one year. Each step will be described in detail below.
  • step S10 a loop that repeats the processing from steps S20 to S40 for all roads stored in the probe data storage device 120 is started.
  • step S20 it is determined whether the traffic volume storage device 110 has the traffic volume data of the road ID to be processed. If there is traffic data (S20: Yes), the process proceeds to step S30. If there is no traffic data (S20: No), the process proceeds to step S40.
  • step S30 using the traffic volume data and the probe data read from the traffic volume storage device 110, the road characteristics of the road ID to be processed are estimated using the traffic volume data as teaching data.
  • the parameter of (Expression 2) which is a road characteristic, is set so that the difference between the estimated traffic estimated using (Expression 1) and (Expression 2) and the traffic as teaching data is minimized.
  • the probe data collected from the start time 22 to the end time 23 of the traffic data with the matching road ID 21 is acquired from the probe data storage device 120.
  • FIG. 5 is a graph in which the horizontal axis represents the average speed of probe data and the vertical axis represents traffic density.
  • the traffic density which is the vertical axis of this graph, can be calculated by dividing the value of the traffic volume read from the traffic volume storage device 110 by the speed of the probe data according to (Equation 1).
  • One sample point 51 in the graph of FIG. 5 is a point where the speed of the probe data and the traffic density at the time of the speed (start time of the probe data storage device 120) are plotted.
  • One point can be plotted on the graph of FIG. 5 for one probe data.
  • the underwood model formula (Formula 2) is applied to the plotted points so that the error of the free speed vf and the critical density k0 is minimized by using the data of a plurality of sample points 51. Find the curve set to. This is the curve 52 of FIG. In this way, the free speed vf and the critical density k0, which are parameters of the model formula, are obtained for the road ID to be processed. This parameter becomes the road characteristic of this road.
  • step S40 of FIG. 4 since the traffic volume storage device 110 has no traffic volume data as teaching data for the target road, the road characteristics are estimated using only the probe data.
  • the free speed vf is set to the maximum value or the 90th percentile value among the speeds of the probe data that has traveled on the processing target road ID.
  • a predetermined value is used. For example, in the case of Japan, since the critical density is empirically known to be 40 to 60 vehicles / km per lane, a value of 50 vehicles / km, which is the median value, is used.
  • step S40 the process proceeds to step S50 without creating road characteristics in step S40, and the process of step S40 is terminated. To do. In this case, since the road characteristic cannot be estimated from the probe data, only the value estimated in step S30 is used as the road characteristic.
  • Step S50 in FIG. 4 determines whether or not the processing has been completed for all the roads, and if the processing is completed, the processing flow ends. If the processing has not been completed for all roads, the process returns to step S20.
  • the classification device 140 creates a cluster by clustering the road characteristic data of all roads estimated by the road characteristic estimation device 130.
  • FIG. 6 shows a conceptual diagram of the cluster.
  • FIG. 6A shows the result of mapping a road having these two parameters as road characteristics on a biaxial graph of the free speed vf and the critical density k0.
  • One sample point 61 represents data of the free velocity vf and the critical density k0, and is a parameter obtained from the model equation of the curve 52 in FIG. That is, one road characteristic data can be calculated for one road, and this road characteristic data is plotted as one point on FIG.
  • FIG. 6B shows a result of clustering these points into the cluster 62 by an existing method.
  • Clustering is calculated so that roads with similar values are classified into the same cluster among road characteristic data of all roads, and roads with different values are classified into different clusters. This calculation ends when the number of clusters reaches a certain number.
  • Each cluster calculates the barycentric position (for example, average value) of the road characteristic to which it belongs. This center-of-gravity position is used as the representative road characteristic of the cluster.
  • the classification device 140 is not limited to two road characteristics (free speed vf and critical density k0).
  • Cluster ID an identification ID (hereinafter referred to as cluster ID). Further, the road ID of the road from which the probe data corresponding to the road characteristics belonging to the cluster is collected is stored in the storage device 160. Further, the vehicle ID of the probe car that has collected the probe data corresponding to the road characteristics belonging to the cluster is stored in a temporary storage area for use by the travel pattern creation device 150.
  • the traveling pattern is defined by a distribution of acceleration in the traveling direction with respect to a speed in the traveling direction and a distribution of acceleration in the lateral direction with respect to the speed in the traveling direction.
  • the distribution of acceleration in the traveling direction with respect to the speed in the traveling direction is defined as a first traveling pattern
  • the distribution of acceleration in the lateral direction with respect to the speed in the traveling direction is defined as a second traveling pattern.
  • the lateral direction is a direction parallel to the ground and perpendicular to the traveling direction of the vehicle as described above.
  • FIG. 7A shows a wide road 71 (hereinafter referred to as a wide road) in which a probe car 72 runs while avoiding other vehicles such as a bicycle, a motorcycle, or a vehicle running at a lower speed than itself.
  • a wide road shows the first traveling pattern on the wide road
  • FIG. 7C shows the second traveling pattern
  • the horizontal axis represents the speed in the traveling direction of the vehicle
  • the vertical axis represents the vehicle traveling direction.
  • the acceleration in the traveling direction is shown.
  • the acceleration distribution with respect to the speed in the traveling direction is divided into a high frequency region 73 (high frequency region) and a low frequency region 74 (low frequency region). It is shown separately.
  • the vehicle can move freely in the lateral direction and can travel while avoiding other vehicles. For this reason, as shown in FIG. 7B, the acceleration in the traveling direction is widely distributed in the high speed region of the traveling direction, but is congested in the low speed region of the traveling direction speed. Narrow distribution. On the other hand, since the vehicle moves relatively in the lateral direction to avoid other vehicles, the lateral acceleration is widely distributed regardless of the speed range of the traveling direction as shown in FIG. 7C. .
  • FIG. 8A shows a situation in which the probe car 82 cannot avoid other vehicles on a road 81 having a narrow road width (hereinafter referred to as a narrow road) and travels continuously with a preceding vehicle.
  • FIG. 8B shows the first traveling pattern on this narrow road
  • FIG. 8C shows the second traveling pattern.
  • the distribution of acceleration with respect to the speed in the traveling direction. are divided into a high frequency region 83 (high frequency region) and a low frequency region 84 (low frequency region).
  • the acceleration in the traveling direction and the acceleration in the lateral direction are narrowly distributed regardless of the speed range of the traveling direction.
  • the travel pattern creation device 150 creates the first travel pattern and the second travel pattern for each cluster classified by the classification device 140.
  • the processing flow of the travel pattern creation device 150 is shown in FIG.
  • the travel pattern creation device 150 processes all clusters clustered by the classification device 140 in the loop processing (steps S110 to S140) from step S100 to step S150. And by the loop process from step S110 to S130, all the probe data which comprise the cluster of a process target are processed by step S120, and a travel pattern is produced.
  • the vehicle ID of the probe car that has collected the probe data corresponding to the road characteristics belonging to the same cluster when the cluster constituting the processing target is generated is created by the classification device 140 as described above, and is stored in the temporary storage area. Is saved.
  • Information on road IDs of roads for which probe data corresponding to road characteristics belonging to the cluster to be processed is collected is stored in the storage device 160. Probe data corresponding to these vehicle IDs and road IDs are extracted from the probe data storage device 120. And a driving
  • step S120 the detailed data 36 of the probe data to be processed is acquired, and the first travel pattern and the second travel pattern of each probe data are created.
  • Each traveling pattern is data representing the relationship of the traveling direction acceleration / lateral direction acceleration with respect to the traveling direction speed, and is created using a table as shown in FIG.
  • the table of FIG. 10 includes a column 101 divided for each velocity band and a row 102 divided for each acceleration region.
  • a column of “0 to 10” represents a speed range of 0 to 10 km / h.
  • the row “ ⁇ 3 to 3” represents an acceleration range of ⁇ 3 to 3 m / s 2 .
  • step S120 from the detailed data 36 of each probe data, a cell in the velocity region and acceleration region corresponding to the value of the traveling direction velocity 38, the traveling direction acceleration 39 and the lateral acceleration 41 is found, and the value of the corresponding cell is found. Repeat the process of adding 1 to. As a result, the larger the cell value, the more frequently the speed region / acceleration region is represented.
  • step S130 it is determined whether or not all the probe data constituting the cluster to be processed has been processed, and when the processing is completed for all the probe data in one cluster, the process proceeds to step S140. If the process has not been completed, step S120 is repeated.
  • step S140 the running pattern of the cluster to be processed created in step S120 is normalized. Since the number of probe data constituting a cluster differs depending on the cluster, normalization is performed so that all clusters can be compared.
  • the value of the cell in the i-th row and j-th column in the travel pattern table shown in FIG. 10 is Sij.
  • Rij is expressed as (Equation 5).
  • Rij Sij / ⁇ Sij (Formula 5)
  • the denominator ⁇ Sij in (Equation 5) is the sum of the values of all cells. In this way, the cell values are normalized so that the sum of all the cells becomes 1.
  • the normalized first travel pattern and second travel pattern are stored in the storage device 160 in association with the corresponding cluster ID.
  • step S150 it is determined whether all clusters clustered by the classification device 140 have been processed. When the process is completed for all clusters, the process of the travel pattern creation device 150 is terminated. However, if there are still clusters that have not been processed, the process returns to step S100.
  • FIG. 11 is a diagram showing a data format of the storage device 160.
  • Data in the storage device 160 includes a cluster ID 111 classified by the classification device 140, a representative road characteristic 112 of the cluster, a road ID 113 constituting the cluster, a first travel pattern 114, and a second travel pattern 115.
  • the representative road characteristic 112 is composed of a free speed vf and a critical density k0 when the underwood model formula is used in the road characteristic estimation device 130, but a different road is used when another model formula is used.
  • the characteristics are stored.
  • the first travel pattern 114 and the second travel pattern 115 are recorded in the same data format as that in FIG. 10 and the first travel pattern and the second travel pattern created by the travel pattern creation device 150 are stored.
  • the representative road characteristic 112 is composed of a free speed vf and a critical density k0 when the underwood model formula is used in the road characteristic estimation device 130, but a different road is used when another model formula is used.
  • the characteristics are stored.
  • the road characteristic search device 180 uses the probe data received by the reception device 170 to search the storage device 160 for clusters close to the road characteristic of the road from which the probe data was collected.
  • FIG. 12 shows a processing flow of the road characteristic search device 180.
  • the processing of FIG. 12 is executed for the number of probe data.
  • step S200 of FIG. 12 there is data in which the road ID that matches the road ID of the traveled road included in the probe data from the receiving device 170 is included in the road ID list of the road ID 113 from the storage device 160. It is determined whether or not. If there is a match, the information of the representative road characteristic 112 of the cluster whose matching road ID is included in the road ID list of the road ID 113 is acquired, and the process is terminated. If they do not match, the process proceeds to step S210 to search for clusters from the travel pattern of the probe data.
  • step S210 a first travel pattern and a second travel pattern of the probe data from the receiving device 170 are created.
  • the specific processing content is the same as step S120 in FIG.
  • step S220 the first travel pattern and the second travel pattern of the probe data created in step S210 are normalized.
  • the specific processing content is the same as step S140 in FIG. By normalizing, it can be compared with the running pattern of each cluster stored in the storage device 160.
  • step S230 a travel pattern having high similarity is extracted from the travel pattern created from the probe data created in step S220 and the travel pattern 114 of each cluster in the storage device 160, and road characteristics of the cluster are acquired.
  • the similarity is evaluated by an expression shown in (Expression 6).
  • the cell value of the i-th row and j-th column in the first travel pattern normalized by the probe data is P1ij
  • the cell value of the i-th row and j-th column is R1kij in the first travel pattern of the cluster ID “k”.
  • the evaluation value of the first travel pattern of the cluster ID “k” is set to W1k.
  • the traffic volume prediction device 190 predicts the traffic volume on a road basis using the average speed 35 of the probe data of the reception device 170 and the information of the representative road characteristics 112 acquired from the road characteristic search device 180.
  • the model set by the road characteristic estimation device 130 is used.
  • the traffic density k is calculated from (Formula 2) using the average speed v of the probe data and the road characteristic data (free speed vf, critical density k0) of the representative road characteristics 112. Is estimated.
  • the traffic volume is predicted from (Equation 1) using the estimated traffic density k and the average speed v of the probe data.
  • the predicted traffic volume data and road ID information are provided to the transmission device 200.
  • the traffic volume prediction system 100 can use the road characteristics of similar groups by using the driving pattern of the probe data, so that the traffic can be accurately detected without incurring a large cost.
  • the amount can be predicted.
  • a traffic volume prediction system according to a modification of the embodiment of the present invention will be described.
  • road-based speed data collected from traffic infrastructure sensors or the like is received, road characteristics are searched using this speed data, and traffic volume is predicted.
  • FIG. 13 shows the configuration of a traffic volume prediction system according to a modification of this embodiment.
  • the traffic volume prediction system 300 in FIG. 13 includes a traffic volume storage device 110, a probe data storage device 120, a road characteristic estimation device 130, a classification device 140, a travel pattern creation device 150, a storage device 160, a reception device 210, and a road information storage device. 220, a road characteristic search device 230, a traffic volume prediction device 190, and a transmission device 200.
  • the receiving device 210 is a device that receives speed data for each road in addition to probe data from an external server.
  • An example of the format of the received speed data is shown in FIG.
  • the speed data includes the road ID 141 of the road from which the data was collected, the time 142 at which the data was collected, and the collected speed 143 data.
  • the received speed data is provided to the road characteristic search device 230 and the traffic volume prediction device 190.
  • the road information storage device 220 is a storage device such as a hard disk or a flash memory, stores road attribute information, and is referred to by the road characteristic search device 230.
  • An example of the data format of the road information storage device 220 is shown in FIG.
  • the road information storage device 220 stores the number of lanes 152 and the road width 153 of the road corresponding to the road ID 151 as road attribute information.
  • the road attribute information is detailed information about the road such as the number of lanes and the road width, but is not limited to the number of lanes and the road width.
  • the road characteristic search device 230 is realized by a microprocessor (not shown) installed in the traffic volume prediction system 300, software executed by a RAM, a ROM, or the like.
  • the road characteristic search device 230 uses the road ID that has collected the speed data from the reception device 210, the road ID that constitutes each cluster stored in the storage device 160, and the road information in the road information storage device 220. The cluster similar to the road ID of the speed data is searched.
  • step S300 whether or not the storage device 160 has data included in the road ID list in which the road ID matching the road ID included in the speed data from the receiving device 210 is recorded in the road ID 113 is determined. Determine whether. If there is data having a road ID list including the matching road ID (S300: Yes), the information of the cluster ID 111 and the representative road characteristic 112 of the data is acquired, and the process is terminated. If there is no data having a road ID list including the matching road ID (S300: No), the process proceeds to step S310 to search for clusters corresponding to similar roads from the road attribute information. In step S ⁇ b> 310, road attribute information of a road ID that matches the road ID of the speed data from the receiving device 210 is acquired from the road information storage device 220.
  • step S320 a cluster having high similarity is extracted from all the clusters in the storage device 160, and road characteristics of the cluster are acquired. Specifically, for all the clusters in the storage device 160, the road attribute information of the matching road ID is obtained from the road information storage device 220 using the road IDs included in the road ID list of the road ID 113 of each cluster. get. Next, among the roads included in the cluster, a road having a high similarity to the road attribute of the road of the speed data from the receiving device 210 is searched to find a cluster having the highest similarity. Finally, the road characteristics of the cluster determined to have high similarity are acquired from the storage device 160.
  • the road attribute information of the road of the speed data from the receiving device 210 is the number of lanes and the road width as shown in FIG.
  • Evaluation value of the cluster when the number of lanes of the i-th road constituting the cluster is A (i), the road width is B (i), the number of lanes of the road attribute information to be evaluated is C, and the road width is D E is calculated by the following (Equation 8).
  • the traffic volume prediction system 300 can use the attribute information of the road on which the probe car has traveled to use the road characteristics of a similar group, so the traffic volume can be predicted with high accuracy without incurring a large expense. It becomes like.
  • Traffic prediction system 110 Traffic storage device 120 Probe data storage device 130 Road characteristic estimation device 140 Classification device 150 Travel pattern creation device 160 Storage device 170, 210 Reception device 180, 230 Road characteristic search device 190 Traffic prediction device 200 Transmitter 220 Road Information Storage Device

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

　プローブデータから道路の交通量を予測する交通量予測システムでは、道路種別だけで、速度と交通量の関係を定義することは難しいため、求める交通量の精度に限界がある。　プローブデータから自由速度、臨界速度、飽和密度、臨界密度などの道路特性を推定し、この道路特性からプローブデータに対応したクラスタに分類し、各クラスタを構成するプローブデータの速度と加速度を元に、クラスタ毎の走行パターンを作成する。次に、プローブデータを受信した時、そのプローブデータの道路がいずれかのクラスタに属していない場合には、プローブデータから生成した走行パターンと、クラスタ毎の走行パターンを比較して、類似性の高いクラスタの道路特性を取得し、取得した道路特性を使って、プローブデータが収集された道路の交通量を予測する。

Description

交通量予測システム
　本発明は、道路の交通量を予測するシステムに関し、特に道路を走行した車両の情報を用いて交通量を予測するシステムに関する。
　日本では、交通量を計測する取り組みとして、５年に１回の間隔で、道路の交通量を人手で測定する道路交通センサスの一般交通量調査が知られている。海外でも同様に、交通量調査は人手で行われている。この様な交通量調査は、多くの作業者と時間を使うため、大きな費用を必要とする。そのため、交通量調査の頻度を上げることは難しい。
　そこで、特開２００９－１４０００７号公報（特許文献１）には、プローブカーを使って収集した車両の走行履歴を元に、道路区間の交通量を求める発明が開示されている。プローブカーの走行履歴から道路区間の交通量を正確に求めるためには、道路単位に車両の走行速度と交通量の関係を予め作成しておく必要がある。そして車両の走行速度と交通量の関係を作成するためには、実際の交通量と車両の走行速度を同時に測定しなければならない。
　しかし、全ての道路に対して、実際の交通量と車両の速度を同時に測定するのは、大きな費用を必要とすることから、特許文献１では、道路区間の速度と交通量の関係を、高速道路、国道といった道路種別毎に作成することで、道路種別毎に実際の交通量と車両の走行速度を近似することが記載されている。このように道路種別毎に、交通量と車両の速度を同時に測定すればよいため、交通量調査の費用を抑えることができる。
特開２００９－１４０００７号公報
　しかし、道路種別だけで、速度と交通量の関係を定義することは難しい。これは、車線数や信号機の数、バス専用レーンの有無、路上駐車台数など、同じ道路種別の道路でも道路の環境が異なるためである。このため、道路種別毎に実際の交通量と車両の走行速度を求めて交通量を予測した場合、その精度に限界がある。
　本発明の交通量予測システムは、プローブデータから自由速度、臨界速度、飽和密度、臨界密度などの道路特性を推定し、この道路特性からプローブデータに対応したクラスタに分類し、各クラスタを構成するプローブデータの速度と加速度を元に、クラスタ毎の走行パターンを作成する。次に、プローブデータを受信した時、そのプローブデータの道路がいずれかのクラスタに属していない場合には、プローブデータから生成した走行パターンと、クラスタ毎の走行パターンを比較して、類似性の高いクラスタの道路特性を取得し、取得した道路特性を使って、プローブデータが収集された道路の交通量を予測する。
　本発明によれば、プローブデータの走行パターンを求めて、予め分類しておいた道路特性のうち類似したグループの道路特性から交通量を予測するため、実際の道路環境を反映して精度良く交通量を予測することができる。
本発明の実施の形態に係る交通量予測システムの全体構成を示すブロック図である。 送信装置２００から送信される交通量データのフォーマットを示す図である。 プローブデータ記憶装置のデータフォーマットを示す図である。 道路特性推定装置の処理フローを示す図である。 平均速度と交通密度の関係を示す図である。 道路特性のクラスタリングの概念図を示す図である。 幅広道路の走行パターンの例を示す図である。 幅狭道路の走行パターンの例を示す図である。 走行パターン作成装置の処理フローを示す図である。 走行パターンのテーブルを示す図である。 記憶装置のデータフォーマットを示す図である。 道路特性検索装置の処理フローを示す図である。 本発明の実施の形態の変形に係る交通量予測システムの全体構成を示すブロック図である。 受信装置で受信する速度データのデータフォーマットを示す図である。 道路情報記憶装置のデータフォーマットを示す図である。 道路特性検索装置の処理フローを示す図である。
　本発明に係る交通量予測システムの実施の形態について、図面を参照して説明する。
　本発明の実施の形態に係る交通量予測システムの全体構成を図１に示す。交通量予測システム１００は、交通量記憶装置１１０、プローブデータ記憶装置１２０、道路特性推定装置１３０、分類装置１４０、走行パターン作成装置１５０、記憶装置１６０、受信装置１７０、道路特性検索装置１８０、交通量予測装置１９０、送信装置２００を備えて構成される。
　交通量記憶装置１１０は、ハードディスク、フラッシュメモリ等の記憶装置で、交通量情報を記憶している。交通量情報は、道路特性推定装置１３０による道路特性の推定に利用される。プローブデータ記憶装置１２０は、ハードディスク、フラッシュメモリ等の記憶装置で、プローブデータを記憶している。プローブデータは、車両の識別ＩＤ（以下、車両ＩＤ）、車両の走行する道路の識別ＩＤ（以下、道路ＩＤ）、位置情報、時刻情報、速度情報などで構成される。車両は、携帯電話、無線などの通信機器を介して、車両ＩＤ、位置情報、時刻情報、速度情報を図示されていないプローブセンタにアップリンクする。この様な車両はプローブカーと呼ばれている。
　プローブセンタは、各車両から収集した位置情報と時刻情報と地図情報を使って、各車両が走行した道路を特定する。プローブデータ記憶装置１２０に記憶されているプローブデータと、受信装置１７０で受信するプローブデータは、このプローブセンタで処理されたデータである。プローブデータ記憶装置１２０は、道路特性推定装置１３０の道路特性の推定と、走行パターン作成装置１５０の走行パターン作成に利用される。
　道路特性推定装置１３０は、交通量記憶装置１１０の交通量情報とプローブデータ記憶装置１２０の速度情報を使って、道路区間単位に、速度と交通密度の関係式のパラメータである道路特性データを推定する。この道路特性データは、交通量を予測する際に使用される。道路特性データは、分類装置１４０へ提供される。
　分類装置１４０は、道路特性推定装置１３０からの道路特性データをクラスタリングして、生成されたクラスタの代表道路特性データとクラスタを構成する道路ＩＤ情報を作成する。代表道路特性データは、クラスタリングされた複数の道路特性データから求めた各クラスタの代表値とする道路特性データである。この代表道路特性データは、記憶装置１６０に格納される。また、クラスタを構成する道路特性データと対応付けられている道路ＩＤ情報は、記憶装置１６０に格納されるとともに、走行パターン作成装置１５０へ提供される。
　走行パターン作成装置１５０は、分類装置１４０のクラスタを構成する道路ＩＤ情報と、プローブデータ記憶装置１２０のプローブデータを使って、各クラスタの走行パターンデータを生成する。生成した走行パターンデータは、記憶装置１６０に書き込む。
　記憶装置１６０は、ハードディスク、フラッシュメモリ等の記憶装置で、分類装置１４０で作成したクラスタを構成する道路ＩＤ情報、クラスタの代表道路特性データ、走行パターン作成装置１５０で作成した走行パターンデータを記憶している。
　受信装置１７０は、プローブセンタからのプローブデータを受信する装置である。受信するプローブデータのフォーマットは、プローブデータ記憶装置１２０に格納されるプローブデータのフォーマットと同様である。受信したプローブデータは、プローブデータ記憶装置１２０に蓄積される他、道路特性検索装置１８０や交通量予測装置１９０へ提供される。
　道路特性検索装置１８０は、受信装置１７０からのプローブデータにより走行パターンデータを作成し、記憶装置１６０から、この走行パターンデータと類似性の高い走行パターンデータを持つクラスタを検索する。そして該当するクラスタの代表道路特性データが、交通量予測装置１９０へ提供される。
　交通量予測装置１９０は、道路特性検索装置１８０から提供された代表道路特性データと、受信装置１７０が受信したプローブデータの走行速度のデータを使用して、交通量を予測する。予測した交通量は送信装置２００へ提供される。この送信装置２００は、交通量予測装置１９０の交通量データを、車載端末や、他のセンターシステムに送信する。
　これらの道路特性推定装置１３０、分類装置１４０、走行パターン作成装置１５０、道路特性検索装置１８０、交通量予測装置１９０は、いずれも交通量予測システム１００に搭載されている不図示のマイクロプロセッサや、ＲＡＭ、ＲＯＭなどによって実行されるソフトウェアにより実現される。
　図２に送信装置２００から送信される交通量データのフォーマットの例を示す。交通量データは、道路ＩＤ２１、交通量を計測した時間帯の開始時刻２２と終了時刻２３、そしてこの開始時刻から終了時刻までの間の交通量２４で構成される。この交通量は、特定の時間帯に道路を通過する車両の台数である。
　次に、交通量記憶装置１１０の詳細を説明する。この交通量記憶装置１１０には、道路の交通量データが格納されている。しかし、全ての道路の交通量データを格納されているわけではなく、道路交通センサスなどの様にして交通量が計測された道路の情報のみ格納されている。この交通量の計測には、観測者が車両の通過台数をカウントする方法や、道路交通インフラのセンサが機械的に車両の通過台数をカウントする方法がある。交通量記憶装置１１０のデータフォーマットは、図２と同じである。
　次に、プローブデータ記憶装置１２０の詳細を説明する。プローブデータ記憶装置１２０には、一定期間のプローブデータが格納されている。図３は、プローブデータ記憶装置１２０のデータフォーマットの例である。
　プローブデータ記憶装置１２０のプローブデータは、プローブデータが収集された道路を識別するための道路ＩＤ３１、プローブデータを収集した車両を識別するための車両ＩＤ３２、車両がその道路へ進入した時刻である流入時刻３３とその道路から流出した時刻である流出時刻３４、車両が道路を通過した時の平均速度３５、そして詳細データ３６で構成される。
　プローブデータ記憶装置１２０の詳細データ３６は、一定の時間間隔で開始されるデータの記録の開始時刻３７、車両の進行方向速度３８、車両の進行方向加速度３９、車両の横方向速度４０、車両の横方向加速度４１の各データで構成される。進行方向速度３８は、プローブカーの車速パルスの情報や、位置情報を時間で微分して求められる情報である。進行方向加速度３９は、プローブカーの加速度センサの情報や、速度データを更に時間で微分して求められる情報である。横方向速度４０は、プローブカーのセンサや位置情報を微分して求められる車両の横方向への移動速度の情報である。横方向加速度４１は、プローブカーの加速度センサの情報や、速度データを微分して求められる、車両の横方向への移動速度の際の加速度情報である。ここで横方向とは、地面と平行で、車両の進行方向と垂直に交わる方向である。
　次に、道路特性推定装置１３０の詳細を説明する。道路の交通量Ｑ（単位：台／ｈ）は、ある瞬間の一定距離内に存在する車両の台数である交通密度ｋ（単位：台／km）とその一定距離を通過する車両の平均速度ｖ（単位：km／ｈ）から（式１）で計算される。
　　Ｑ＝ｋ×ｖ　　　　　　　　　　　　　　　　　　 …（式１）
　この交通密度ｋは計測が難しいため、交通モデルから平均速度ｖを元に求めることにする。平均速度ｖと交通密度ｋの関係には、さまざまなモデルが提案されており、例えばアンダーウッドのモデル式は次の（式２）で表される。
　　ｖ＝ｖｆ×ｅｘｐ（－ｋ／ｋ０）　　　　　　　　 …（式２）
　ｅｘｐ（　）は指数関数を表し、ｖｆは交通密度が０の時の速度である自由速度、ｋ０は、交通量が最大となる時の交通密度である臨界密度を表す。また、グリーンバーグのモデル式は次の（式３）で表される。
　　ｖ＝ｃ×ｌｏｇ（ｋｊ／ｋ）　　　　　　　　　　 …（式３）
　ここでｌｏｇ（　）は対数、ｃは定数、ｋｊは、速度が０の時の交通密度である飽和密度である。
　また、速度ｖと交通密度ｋの関係を指数関数で表現すると、例えばａ、ｂを定数とした（式４）の様に表される。
　　ｖ＝ａ×ｅｘｐ（ｂ×ｋ）　　　　　　　　　　　 …（式４）
　このように、平均速度ｖと交通密度ｋの関係は、モデルとそのパラメータで表現できる。このパラメータは、（式２）のアンダーウッドのモデルでは自由速度ｖｆ、臨界密度ｋ０、（式３）のグリーンバーグのモデルでは定数ｃ、飽和密度ｋｊ、またこれを指数関数で表した（式４）では、定数ａ、ｂである。これらのパラメータを道路特性と呼ぶ。道路特性推定装置１３０は、これらのパラメータを推定する。以下では、アンダーウッドのモデル式を使用するものとして説明を行う。だだし、交通密度ｋと平均速度ｖの関係式は、アンダーウッドのモデル式に限定されるものではない。
　道路特性推定装置１３０の処理フローを図４に示す。道路特性推定装置１３０では、プローブデータ記憶装置１２０に蓄積した複数のプローブデータを１ヶ月、１年などの定期的な周期で処理する。以下それぞれのステップについて詳細に説明する。
　まずステップＳ１０では、プローブデータ記憶装置１２０に記憶されている全ての道路についてステップＳ２０からＳ４０までの処理を繰り返すループが開始される。ステップＳ２０は、交通量記憶装置１１０に処理対象の道路ＩＤの交通量データがあるかを判定する。交通量データがある場合（Ｓ２０：Ｙｅｓ）は、ステップＳ３０へ進む。交通量データが無い場合（Ｓ２０：Ｎｏ）は、ステップＳ４０へ進む。
　ステップＳ３０では、交通量記憶装置１１０から読み出した交通量データとプローブデータを使い、交通量データを教示データとして、処理対象の道路ＩＤの道路特性を推定する。この推定処理では、（式１）と（式２）を使って推定した推定交通量と、教示データである交通量との差が最小になる様に、道路特性である（式２）のパラメータを決定する。そこで道路ＩＤ２１が一致する交通量データの開始時刻２２から終了時刻２３までに収集されたプローブデータをプローブデータ記憶装置１２０から取得する。図５に、横軸にプローブデータの平均速度、縦軸に交通密度を示したグラフを示す。このグラフの縦軸である交通密度は、（式１）により、交通量記憶装置１１０から読み出した交通量の値をプローブデータの速度で割ることで計算できる。図５のグラフにおける１つのサンプル点５１は、プローブデータの速度とその速度の時刻（プローブデータ記憶装置１２０の開始時刻）の交通密度をプロットした点である。１つのプローブデータにつき、図５のグラフ上に１つの点がプロットできる。
　次にプロットした点に対し、アンダーウッドのモデル式である（式２）を適用して、複数個のサンプル点５１のデータを使って、自由速度ｖｆと臨界密度ｋ０を誤差が最小になる様に設定した曲線を求める。これが図５の曲線５２である。このようにして、処理対象の道路ＩＤについて、モデル式のパラメータである自由速度ｖｆと臨界密度ｋ０を求める。このパラメータがこの道路の道路特性となる。
　図４のステップＳ４０では、対象となる道路について教示データとする交通量データが交通量記憶装置１１０に無いため、プローブデータのみを使って道路特性を推定する。例えばこの場合、自由速度ｖｆは、処理対象の道路ＩＤを走行したプローブデータの速度の中で最大値、又は９０パーセンタイルの値とする。しかし、臨界密度ｋ０は、プローブデータのみでは推定することが難しいため、予め定めた値を使うことにする。例えば、日本の場合、臨界密度は１車線あたり４０～６０台／kmであることが経験的に知られていることから、その中央値となる５０台／kmの値を用いることとする。
　また交通密度と平均速度の関係が（式４）の様な指数関数であるとした場合も、道路特性を表す定数ａ、ｂはプローブデータのみから求めることができない。このため、交通密度と平均速度の関係を、（式４）の様な関数で仮定している場合は、ステップＳ４０では道路特性を作成することなく、ステップＳ５０へ進み、ステップＳ４０の処理を終了する。この場合、プローブデータから道路特性が推定できないため、道路特性はステップＳ３０で推定された値だけが使用されることになる。
　図４のステップＳ５０は、全ての道路について処理を完了したか否かを判定し、処理を完了した場合は処理フローを終了する。全ての道路について処理を完了していない場合は、ステップＳ２０へ戻る。
　次に、分類装置１４０の詳細を説明する。分類装置１４０は、道路特性推定装置１３０で推定した全ての道路の道路特性データをクラスタリングして、クラスタを作成する。図６にクラスタの概念図を示す。図６（ａ）は、自由速度ｖｆと臨界密度ｋ０の２軸のグラフに、この２つのパラメータを道路特性とする道路をマッピングした結果である。１つのサンプル点６１は、自由速度ｖｆと臨界密度ｋ０のデータを表しており、図５の曲線５２のモデル式から求めたパラメータである。つまり、１つの道路につき、１つの道路特性データが計算でき、この道路特性データを図６（ａ）上に１つの点としてプロットする。図６（ｂ）は、これらの点を既存の方法でクラスタ６２にクラスタリングした結果を示している。クラスタリングは、全ての道路の道路特性データの中で、値が近い道路を同じクラスタに分類し、値が離れている道路は異なるクラスタに分類するように計算する。この計算は、クラスタ数が一定数になったら終了する。各クラスタは、属する道路特性の重心位置（例えば平均値）を計算する。この重心位置をクラスタの代表道路特性とする。
　分類装置１４０は、２つの道路特性（自由速度ｖｆと臨界密度ｋ０）に限定されるものではない。アンダーウッドのモデル式では、道路特性が自由速度ｖｆと臨界密度ｋ０の２つであるため、道路特性をクラスタリングする際には、道路特性が図６の様な２次元のグラフにプロットされるが、もし３つの道路特性を扱うモデル式を用いる場合、道路特性は３次元のグラフで表されることになる。
　分類装置１４０で計算したクラスタに関する情報は、記憶装置１６０に格納される。各クラスタには識別のためのＩＤ（以下、クラスタＩＤ）が付与される。また、クラスタに属する道路特性に対応するプローブデータが収集された道路の道路ＩＤが、記憶装置１６０に格納される。更に、クラスタに属する道路特性に対応するプローブデータを収集したプローブカーの車両ＩＤを、走行パターン作成装置１５０で使用するため、一時的な記憶領域に格納する。
　次に、走行パターン作成装置１５０の詳細を説明する。図７と図８に速度パターンの概念図を示す。走行パターンは、進行方向の速度に対する進行方向の加速度の分布と、進行方向の速度に対する横方向の加速度の分布で定義される。以下では、進行方向の速度に対する進行方向の加速度の分布を第１の走行パターン、進行方向の速度に対する横方向の加速度の分布を第２の走行パターンと定義する。ここで横方向とは、前述のように、地面と平行で、車両の進行方向と垂直に交わる方向のことである。
　図７（ａ）は、道路幅が広い道路７１（以下、幅広道路）で、プローブカー７２が、自転車やバイク、あるいは自分より低速で走行する車両などの他の車両を回避しながら走行していく状況を表している。図７（ｂ）は、この幅広道路における第１の走行パターン、図７（ｃ）は第２の走行パターンを表したものであり、横軸が車両の進行方向の速度、縦軸が車両の進行方向の加速度を示している。図７（ｂ）では走行パターンの説明を分かりやすくするために、進行方向の速度に対する加速度の分布を、頻度の高い領域７３（高頻度領域）と、頻度の低い領域７４（低頻度領域）に分けて表している。
　図７に示した幅広道路の様な場合には、車両が横方向に自由に移動でき、他の車両を回避しながら走行することができる。このため、図７（ｂ）の様に、進行方向の加速度は、進行方向の速度の高速度域では、幅広く分布するのに対し、進行方向の速度の低速度域では、渋滞しているため、狭く分布する。一方、他の車両を回避するため車両は横方向に比較的大きく移動することから、図７（ｃ）の様に横方向の加速度は、進行方向の速度の速度域に寄らず、幅広く分布する。
　図８（ａ）は、道路幅が狭い道路８１（以下、幅狭道路）で、プローブカー８２が他の車両を回避できず、先行する車両と連なって走行していく状況を表している。図８（ｂ）は、この幅狭道路における第１の走行パターン、図８（ｃ）は、第２の走行パターンを表したものであり、図７と同様、進行方向の速度に対する加速度の分布を、頻度の高い領域８３（高頻度領域）と、頻度の低い領域８４（低頻度領域）に分けて表している。図８に示す様な幅狭道路では、車両が横方向に自由に移動できないため、進行方向の加速度と横方向の加速度は、進行方向の速度の速度域に寄らず、狭く分布する。
　このように道路によって走行パターンが異なり、走行パターン作成装置１５０では、分類装置１４０で分類したクラスタ毎に、第１の走行パターンと第２の走行パターンを作成する。
　走行パターン作成装置１５０の処理フローを図９に示す。走行パターン作成装置１５０では、ステップＳ１００からステップＳ１５０までのループ処理（ステップＳ１１０～ステップＳ１４０）の中で、分類装置１４０でクラスタリングした全クラスタを処理する。そしてステップＳ１１０からＳ１３０までのループ処理によって、処理対象のクラスタを構成する全てのプローブデータをステップＳ１２０で処理して走行パターンを作成する。この処理対象のクラスタを構成する生成した際に、同じクラスタに属する道路特性に対応するプローブデータを収集したプローブカーの車両ＩＤの情報は、前述の通り、分類装置１４０で作成し、一時記憶領域に保存されている。また処理対象のクラスタに属する道路特性に対応したプローブデータが収集された道路の道路ＩＤの情報は、記憶装置１６０に保存されている。プローブデータ記憶装置１２０から、これらの車両ＩＤと道路ＩＤに該当するプローブデータを抽出する。そして抽出したプローブデータに対してステップＳ１２０の処理を繰り返すことで走行パターンを生成する。
　ステップＳ１２０では、処理対象とするプローブデータの詳細データ３６を取得して、各プローブデータの第１の走行パターンと第２の走行パターンの各走行パターンを作成する。各走行パターンは、進行方向速度に対する進行方向加速度／横方向加速度の関係を表すデータであり、図１０に示す様なテーブルを用いて作成する。図１０のテーブルは、速度帯域毎に分割された列１０１と、加速度域毎に区分された行１０２からなる。このテーブルの列１０１では、例えば「０～１０」の列が、０～１０km／ｈの速度域を表している。また行１０２では、例えば「－３～３」の行は、－３～３ｍ／ｓ2の加速度域を表している。そしてテーブルのセル１０３には、始めは初期値として全て‘０’が入力されているものとする。ステップＳ１２０では、各プローブデータの詳細データ３６から、その進行方向速度３８の値と進行方向加速度３９及び横方向加速度４１の値に該当する速度域、加速度域のセルを見つけ、該当するセルの値に１加える処理を繰り返す。これによりセルの値が大きい程、頻度の高い速度域・加速度域であることを表すことになる。
　ステップＳ１３０は、処理対象のクラスタを構成するプローブデータを全て処理したか否かを判定し、１つのクラスタにおける全てのプローブデータについて処理が完了したらステップＳ１４０へ進む。また処理を完了していない場合には、ステップＳ１２０を繰り返す。
　次にステップＳ１４０では、ステップＳ１２０で作成した処理対象のクラスタの走行パターンを正規化する。クラスタを構成するプローブデータの数は、クラスタによって異なるため、正規化することで、全てのクラスタを比較できるようにする。図１０に示した走行パターンのテーブルにおけるｉ行目ｊ列目のセルの値をＳｉｊとする。そしてこのセルの正規化後の値をＲｉｊとした時、Ｒｉｊは（式５）の様に表される。
　　Ｒｉｊ＝Ｓｉｊ／ΣΣＳｉｊ　　　　　　　　　　 …（式５）
　この（式５）の分母ΣΣＳｉｊは、全てのセルの値の総和である。このように全てのセルの総和が１となるように、セルの値を正規化する。正規化した第１の走行パターンと第２の走行パターンは、対応するクラスタＩＤと関連付けられて記憶装置１６０に格納される。
　そして最後にステップＳ１５０で、分類装置１４０によりクラスタリングした全クラスタを処理したか否かを判定する。全てのクラスタについて処理を完了した場合は、走行パターン作成装置１５０の処理を終了する。しかしまだ処理を完了していないクラスタが残っている場合には、ステップＳ１００へ戻る。
　次に、記憶装置１６０の構成を説明する。図１１は、記憶装置１６０のデータフォーマットを示した図である。記憶装置１６０のデータは、分類装置１４０で分類したクラスタＩＤ１１１、クラスタの代表道路特性１１２、クラスタを構成する道路ＩＤ１１３、第１の走行パターン１１４、第２の走行パターン１１５で構成される。代表道路特性１１２は、道路特性推定装置１３０でアンダーウッドのモデル式を使った場合は、自由速度ｖｆと臨界密度ｋ０で構成されているが、他のモデル式を使用する場合には、異なる道路特性が格納される。第１の走行パターン１１４、第２の走行パターン１１５には、それぞれ図１０と同じデータフォーマットで記録され、走行パターン作成装置１５０で作成された第１の走行パターン、第２の走行パターンが格納される。
　次に、道路特性検索装置１８０を説明する。道路特性検索装置１８０は、受信装置１７０で受信したプローブデータを使って、そのプローブデータを収集した道路の道路特性に近いクラスタを記憶装置１６０から検索する。
　この道路特性検索装置１８０の処理フローを図１２に示す。一定期間内に受信装置１７０で受信したプローブデータが複数個ある場合は、プローブデータの数だけ図１２の処理を実行する。図１２のステップＳ２００では、受信装置１７０からのプローブデータに含まれる走行した道路の道路ＩＤと一致する道路ＩＤが、記憶装置１６０から道路ＩＤ１１３の道路ＩＤリストの中に含まれているデータがあるか否かを判定する。一致するものがある場合、一致する道路ＩＤが道路ＩＤ１１３の道路ＩＤリストの中に含まれているクラスタの代表道路特性１１２の情報を取得して、処理を終了する。一致しない場合、プローブデータの走行パターンからクラスタを検索するために、ステップＳ２１０へ進む。
　ステップＳ２１０では、受信装置１７０からのプローブデータの第１の走行パターンと第２の走行パターンを作成する。具体的な処理内容は、図９のステップＳ１２０と同じである。次にステップＳ２２０では、ステップＳ２１０で作成したプローブデータの第１の走行パターンと第２の走行パターンを正規化する。具体的な処理内容は、図９のステップＳ１４０と同じである。正規化することで、記憶装置１６０に格納されている各クラスタの走行パターンと比較することができる。
　ステップＳ２３０では、ステップＳ２２０で作成したプローブデータから作成した走行パターンと、記憶装置１６０の各クラスタの走行パターン１１４から類似性の高い走行パターンを抽出し、そのクラスタの道路特性を取得する。第１の走行パターンは、（式６）に示す式で類似性を評価する。プローブデータの正規化した第１の走行パターンでｉ行目ｊ列目のセルの値をＰ１ｉｊ、クラスタＩＤ「ｋ」の第１の走行パターンでｉ行目ｊ列目のセルの値をＲ１ｋｉｊとする。この時クラスタＩＤ「ｋ」の第１の走行パターンの評価値をＷ１ｋとする。
　　Ｗ１ｋ＝ΣΣ｜Ｐ１ｉｊ－Ｒ１ｋｉｊ｜2　　　　　…（式６）
　また、第２の走行パターンは、（式７）に示す式で類似性を評価する。プローブデータの正規化した第２の走行パターンでｉ行目ｊ列目のセルの値をＰ２ｉｊ、クラスタＩＤ「ｋ」の第２の走行パターンでｉ行目ｊ列目のセルの値をＲ２ｋｉｊとする。この時クラスタＩＤ「ｋ」の第２の走行パターンの評価値をＷ２ｋとする。
　　Ｗ２ｋ＝ΣΣ｜Ｐ２ｉｊ－Ｒ２ｋｉｊ｜2　　　　　…（式７）
　この時評価値の和（Ｗ１ｋ＋Ｗ２ｋ）が最も小さいクラスタを、プローブデータの走行した道路が属するクラスタとして、その代表道路特性１１２の情報を取得する。
　次に、交通量予測装置１９０を説明する。交通量予測装置１９０は、受信装置１７０のプローブデータの平均速度３５と、道路特性検索装置１８０から取得した代表道路特性１１２の情報を使って、道路単位に交通量を予測する。この時、道路特性推定装置１３０で設定したモデルを使用する。例えばアンダーウッドのモデル式を使用した場合、プローブデータの平均速度ｖと、代表道路特性１１２の道路特性データ（自由速度ｖｆ、臨界密度ｋ０）を使用して、（式２）から、交通密度ｋを推定する。次に、推定した交通密度ｋとプローブデータの平均速度ｖを使用して、（式１）から交通量を予測する。予測した交通量データと道路ＩＤの情報は送信装置２００へ提供する。
　以上で説明した実施の形態によれば、交通量予測システム１００は、プローブデータの走行パターンを使用して、類似したグループの道路特性を使用できるため、大きな費用をかけずに、高精度に交通量を予測することができる様になる。
　次に、本発明の実施の形態の変形に係る交通量予測システムについて説明する。この実施形態の変形では、交通インフラのセンサなどから収集した道路単位の速度データを受信し、この速度データを用いて道路特性を検索し、交通量を予測する。
　この実施の形態の変形に係る交通量予測システムの構成を図１３に示す。図１３の交通量予測システム３００は、交通量記憶装置１１０、プローブデータ記憶装置１２０、道路特性推定装置１３０、分類装置１４０、走行パターン作成装置１５０、記憶装置１６０、受信装置２１０、道路情報記憶装置２２０、道路特性検索装置２３０、交通量予測装置１９０、送信装置２００で構成される。
　受信装置２１０は、外部のサーバーからプローブデータの他に道路単位の速度データを受信する装置である。受信する速度データのフォーマットの例を図１４に示す。速度データは、データを収集した道路の道路ＩＤ１４１、データを収集した時刻１４２、そして収集した速度１４３の各データからなる。受信した速度データは、道路特性検索装置２３０と交通量予測装置１９０へ提供される。
　道路情報記憶装置２２０は、ハードディスク、フラッシュメモリ等の記憶装置で、道路の属性情報を記憶しており、道路特性検索装置２３０から参照される。道路情報記憶装置２２０のデータフォーマットの例を図１５に示す。道路情報記憶装置２２０には道路の属性情報として、道路ＩＤ１５１に対応した道路の、車線数１５２、道路幅１５３が格納される。なお、道路の属性情報とは、車線数、道路幅など道路に関する詳細情報であるが、車線数、道路幅に限定されるものではない。
　道路特性検索装置２３０は、交通量予測システム３００に搭載されている不図示のマイクロプロセッサや、ＲＡＭ、ＲＯＭなどによって実行されるソフトウェアにより実現される。道路特性検索装置２３０は、受信装置２１０からの速度データを収集した道路ＩＤと、記憶装置１６０に格納している各クラスタを構成する道路ＩＤと、道路情報記憶装置２２０の道路情報を利用して、速度データの道路ＩＤと類似するクラスタを検索する。
　道路特性検索装置２３０の処理フローを図１６に示す。まずステップＳ３００では、受信装置２１０からの速度データに含まれている道路ＩＤと一致する道路ＩＤが、道路ＩＤ１１３に記録されている道路ＩＤリストの中に含まれるデータが記憶装置１６０にあるか否かを判定する。一致する道路ＩＤを含む道路ＩＤリストを持ったデータが存在する場合（Ｓ３００：Ｙｅｓ）、そのデータのクラスタＩＤ１１１と代表道路特性１１２の情報を取得して、処理を終了する。一致する道路ＩＤを含む道路ＩＤリストを持ったデータが存在しない場合（Ｓ３００：Ｎｏ）、道路の属性情報から類似する道路に対応したクラスタを検索するために、ステップＳ３１０へ進む。ステップＳ３１０では、受信装置２１０からの速度データの道路ＩＤと一致する道路ＩＤの道路属性情報を道路情報記憶装置２２０から取得する。
　ステップＳ３２０では、記憶装置１６０の全クラスタの中から類似性の高いクラスタを抽出し、そのクラスタの道路特性を取得する。具体的には、始めに記憶装置１６０の全てのクラスタについて、各クラスタの道路ＩＤ１１３の道路ＩＤリストに含まれる道路ＩＤを使って、道路情報記憶装置２２０から、一致する道路ＩＤの道路属性情報を取得する。次に、クラスタに含まれる道路の中で、受信装置２１０からの速度データの道路の道路属性と類似性の高い道路を検索して、類似性の最も高いクラスタを見つける。最後に、類似性が高いと判定されたクラスタの道路特性を記憶装置１６０から取得する。
　道路属性に関するクラスタの類似性の評価方法を説明する。ここでは、受信装置２１０からの速度データの道路の道路属性情報を、図１５に示す様な車線数と道路幅とする。クラスタを構成するｉ番目の道路の車線数をＡ（ｉ）、道路幅をＢ（ｉ）、評価処理対象の道路属性情報の車線数をＣ、道路幅をＤとした時のクラスタの評価値Ｅを、以下の（式８）により計算する。
　　Ｅ＝Σ（｜Ａ(ｉ)－Ｃ｜2＋｜Ｂ(ｉ)－Ｄ｜2）　　 …（式８）
　（式８）では、クラスタを構成する全道路について、評価対象道路の車線数と道路幅を比較している。評価対象道路の車線数と道路幅の差分を、クラスタを構成する道路数足しているため、評価値Ｅが小さいクラスタほど、類似性が高くなる。また、道路属性にバスレーンの有無など、数値化できない情報が含まれる場合は、道路属性が同じ場合は１、異なる場合は０として計算する。
　これにより、交通量予測システム３００では、プローブカーが走行した道路の属性情報を使用して、類似したグループの道路特性を使用できるため、大きな費用をかけずに、高精度に交通量を予測できる様になる。
１００、３００　交通量予測システム
１１０　交通量記憶装置
１２０　プローブデータ記憶装置
１３０　道路特性推定装置
１４０　分類装置
１５０　走行パターン作成装置
１６０　記憶装置
１７０、２１０　受信装置
１８０、２３０　道路特性検索装置
１９０　交通量予測装置
２００　送信装置
２２０　道路情報記憶装置

Claims (4)

  1. 　プローブデータを使って交通量を予測する交通量予測システムであって、
    　プローブデータから、交通量を表すモデル式で用いられる自由速度、臨界速度、飽和密度、臨界密度のいずれか一つを含む道路特性を推定する道路特性推定装置と、
    　推定した前記道路特性を互いに類似する道路特性毎に分類したクラスタを生成する分類装置と、
    　前記クラスタを構成する道路特性の推定に用いた前記プローブデータの速度とその速度変化量により各クラスタについてそのクラスタに属する道路における車両の走行パターンを作成する走行パターン作成装置と、
    　前記クラスタに属していない道路のプローブデータについて当該プローブデータから作成した車両の走行パターンと、前記走行パターン作成装置により作成したクラスタにおける走行パターンを比較して類似性の高い走行パターンのクラスタの道路特性を取得する道路特性取得装置と、
    　前記道路特性取得装置で取得した道路特性を元に前記モデル式から前記道路の交通量を予測する交通量予測装置と、
    を備えることを特徴とする交通量予測システム。
  2. 　請求項１に記載の交通量予測システムにおいて、前記道路特性推定装置は、蓄積した前記プローブデータを統計処理して求めた車両の速度を使って前記モデル式の道路特性を推定することを特徴とする交通量予測システム。
  3. 　請求項２に記載の交通量予測システムにおいて、前記走行パターン作成装置は、走行パターンとして、車両の速度と進行方向の速度変化量の関係と、車両の速度と進行方向に対する横方向の速度変化量の関係について前記プローブデータの頻度を求めることを特徴とする交通量予測システム。
  4. 　請求項２の道路特性取得装置は、前記クラスタに属していない道路で、かつプローブデータの無い道路の場合、前記クラスタに属している道路の属性情報の内、車線数と道路幅が一致する道路数が多いクラスタの道路特性を、当該道路の道路特性として取得することを特徴とする交通量予測システム。
PCT/JP2012/001362 2012-02-29 2012-02-29 交通量予測システム WO2013128486A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2014501822A JP5802823B2 (ja) 2012-02-29 2012-02-29 交通量予測システム
PCT/JP2012/001362 WO2013128486A1 (ja) 2012-02-29 2012-02-29 交通量予測システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2012/001362 WO2013128486A1 (ja) 2012-02-29 2012-02-29 交通量予測システム

Publications (1)

Publication Number Publication Date
WO2013128486A1 true WO2013128486A1 (ja) 2013-09-06

Family

ID=49081755

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/001362 WO2013128486A1 (ja) 2012-02-29 2012-02-29 交通量予測システム

Country Status (2)

Country Link
JP (1) JP5802823B2 (ja)
WO (1) WO2013128486A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951976A (zh) * 2016-10-12 2017-07-14 华南理工大学 一种基于模式分类的公交客流预测方法
CN110264725A (zh) * 2019-07-31 2019-09-20 北京世纪高通科技有限公司 路段流量的确定方法及装置
CN111739322A (zh) * 2019-05-09 2020-10-02 腾讯大地通途（北京）科技有限公司 数据处理方法及其装置
CN111882114A (zh) * 2020-07-01 2020-11-03 长安大学 一种短时交通流量预测模型构建方法及预测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107146414B (zh) * 2017-06-28 2020-02-07 江苏智通交通科技有限公司 基于车辆识别的路网通行能力提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06266993A (ja) * 1993-03-11 1994-09-22 Hitachi Ltd 道路交通制御装置
JP2000259976A (ja) * 1999-03-08 2000-09-22 Sumitomo Electric Ind Ltd 流入ランプ制御装置および流入ランプ制御方法
JP2007164339A (ja) * 2005-12-12 2007-06-28 Toyota Central Res & Dev Lab Inc 計算処理プログラム、計算処理装置、及び計算処理方法
JP2009237963A (ja) * 2008-03-27 2009-10-15 Aisin Aw Co Ltd 走行パターン情報取得装置、走行パターン情報取得方法および走行パターン情報取得プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06266993A (ja) * 1993-03-11 1994-09-22 Hitachi Ltd 道路交通制御装置
JP2000259976A (ja) * 1999-03-08 2000-09-22 Sumitomo Electric Ind Ltd 流入ランプ制御装置および流入ランプ制御方法
JP2007164339A (ja) * 2005-12-12 2007-06-28 Toyota Central Res & Dev Lab Inc 計算処理プログラム、計算処理装置、及び計算処理方法
JP2009237963A (ja) * 2008-03-27 2009-10-15 Aisin Aw Co Ltd 走行パターン情報取得装置、走行パターン情報取得方法および走行パターン情報取得プログラム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951976A (zh) * 2016-10-12 2017-07-14 华南理工大学 一种基于模式分类的公交客流预测方法
CN111739322A (zh) * 2019-05-09 2020-10-02 腾讯大地通途（北京）科技有限公司 数据处理方法及其装置
CN111739322B (zh) * 2019-05-09 2021-11-05 腾讯大地通途（北京）科技有限公司 数据处理方法及其装置
CN110264725A (zh) * 2019-07-31 2019-09-20 北京世纪高通科技有限公司 路段流量的确定方法及装置
CN111882114A (zh) * 2020-07-01 2020-11-03 长安大学 一种短时交通流量预测模型构建方法及预测方法
CN111882114B (zh) * 2020-07-01 2023-10-31 长安大学 一种短时交通流量预测模型构建方法及预测方法

Also Published As

Publication number Publication date
JPWO2013128486A1 (ja) 2015-07-30
JP5802823B2 (ja) 2015-11-04

Similar Documents

Publication Publication Date Title
US10838423B2 (en) Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits
KR101664716B1 (ko) Ｃａｃｃ 시스템의 속도 제어 장치 및 그 방법
CN105359200B (zh) 用于处理车辆的测量数据以用于确定开始寻找停车位的方法
WO2020018394A1 (en) Vehicle-data analytics
US10521749B2 (en) Risk information processing method and server device
JP5802823B2 (ja) 交通量予測システム
WO2017123665A1 (en) Driver behavior monitoring
US20210024058A1 (en) Evaluating the safety performance of vehicles
Fox et al. Crowdsourcing undersampled vehicular sensor data for pothole detection
CN107111938B (zh) 用于确定拥堵末端位置的服务器、系统和方法
JP7051424B2 (ja) 異常検出装置
US20210142659A1 (en) Method and system for monitoring a roadway segment
US9412212B2 (en) Unexpectedness prediction sensitivity determination apparatus
JP5378002B2 (ja) 車両動作推定装置、車両動作推定方法および車両動作推定プログラム
WO2014188586A1 (ja) 交通量推定システム
CN111488417A (zh) 信息处理方法、系统、装置、设备及计算机存储介质
JP2014066655A (ja) 経路探索装置及び経路探索方法
GB2590730A (en) Automatically tracking a trajectory of a vehicle
CN103868516A (zh) 用于确定道路基础设施的位置和/或类型的方法和装置
US11770685B2 (en) Systems for predicting and classifying location data based on machine learning
JP4572944B2 (ja) 運転支援装置、運転支援方法および運転支援プログラム
JP2012256241A (ja) 進路評価装置及び進路評価方法
CN110696828B (zh) 前向目标选择方法、装置及车载设备
CN115903615B (zh) 车辆集群行驶的可靠性确定方法与装置、服务器
EP4361819B1 (en) Methods and apparatuses for closed-loop evaluation for autonomous vehicles

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12870297

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2014501822

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12870297

Country of ref document: EP

Kind code of ref document: A1