特開 2024-143006 情報処理装置、情報処理方法およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024143006

(43)【公開日】2024-10-11

(54)【発明の名称】情報処理装置、情報処理方法およびプログラム

(51)【国際特許分類】

   G08G 1/00 20060101AFI20241003BHJP

   G08G 1/01 20060101ALI20241003BHJP

【ＦＩ】

G08G1/00 C

G08G1/01 A

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023055456

(22)【出願日】2023-03-30

(71)【出願人】

【識別番号】000000295

【氏名又は名称】沖電気工業株式会社

(74)【代理人】

【識別番号】100140958

【弁理士】

【氏名又は名称】伊藤 学

(74)【代理人】

【識別番号】100137888

【弁理士】

【氏名又は名称】大山 夏子

(74)【代理人】

【識別番号】100190942

【弁理士】

【氏名又は名称】風間 竜司

(72)【発明者】

【氏名】中村 龍馬

(72)【発明者】

【氏名】松平 正樹

(72)【発明者】

【氏名】岡野 謙悟

(72)【発明者】

【氏名】二見 晃仁

【テーマコード（参考）】

5H181

【Ｆターム（参考）】

5H181AA01

5H181BB04

5H181DD01

5H181EE03

5H181MC04

5H181MC12

5H181MC25

5H181MC27

(57)【要約】

【課題】精度よく交通流を予測することを可能とする技術が提供されることが望まれる。
【解決手段】第１の時刻を基準として取得される第１の時間分の交通密度に基づく複数の第１の平均交通密度を算出し、前記複数の第１の平均交通密度における前記複数の第１の平均交通密度それぞれのパーセンタイル値を算出するとともに、前記第１の時刻における複数の第１の交通密度に基づいて、前記複数の第１の交通密度における前記複数の第１の交通密度それぞれのパーセンタイル値を算出する学習部と、第２の時刻を基準として取得される第２の時間分の交通密度に基づいて、第２の平均交通密度を算出し、前記第２の平均交通密度と、前記複数の第１の平均交通密度と、前記複数の第１の平均交通密度それぞれのパーセンタイル値と、前記第１の交通密度のパーセンタイル値とに基づいて、前記第２の時刻より後の時刻の交通密度を予測する予測部と、を備える、情報処理装置。
【選択図】図１

【特許請求の範囲】

【請求項1】

第１の時刻を基準として取得される第１の時間分の交通密度に基づく複数の第１の平均交通密度を算出し、前記複数の第１の平均交通密度における前記複数の第１の平均交通密度それぞれのパーセンタイル値を算出するとともに、前記第１の時刻における複数の第１の交通密度に基づいて、前記複数の第１の交通密度における前記複数の第１の交通密度それぞれのパーセンタイル値を算出する学習部と、
第２の時刻を基準として取得される第２の時間分の交通密度に基づいて、第２の平均交通密度を算出し、前記第２の平均交通密度と、前記複数の第１の平均交通密度と、前記複数の第１の平均交通密度それぞれのパーセンタイル値と、前記複数の第１の交通密度それぞれのパーセンタイル値とに基づいて、前記第２の時刻より後の時刻の交通密度を予測する予測部と、
を備える、情報処理装置。

【請求項2】

前記予測部は、
交通密度の算出に用いられる速度の取得タイミングの最大遅延時間を算出し、前記第２の時刻から前記最大遅延時間だけ過去に遡った時刻を基準時刻とし、前記基準時刻に応じた処理対象時間幅の平均交通密度を前記第２の平均交通密度として算出する、
請求項１に記載の情報処理装置。

【請求項3】

前記予測部は、
交通密度の算出に用いられる速度が取得されていない道路上のセルおよび時刻である遅延部分が存在する場合に、前記複数の第１の交通密度における前記遅延部分のパーセンタイル値を算出し、
前記遅延部分のパーセンタイル値に対応付けられた暫定的な予測交通密度を取得し、
前記暫定的な予測交通密度と、前記遅延部分以外の部分における前記第１の交通密度とに基づいて、前記第２の平均交通密度を算出する、
請求項１に記載の情報処理装置。

【請求項4】

前記予測部は、
前記第１の時刻から過去に遡りながら、交通密度の算出に用いられる速度が取得された所定の数分の時刻を道路上のセルごとにデータ遅延の無い時刻として検出し、データ遅延の無い時刻に対応する交通密度に基づいて、前記第２の平均交通密度を算出する、
請求項１に記載の情報処理装置。

【請求項5】

前記学習部は、
同一の種類の日に属する計測時刻に対応付けられた前記複数の第１の平均交通密度を算出する、
請求項１に記載の情報処理装置。

【請求項6】

前記学習部は、
同一の種類の日に属する計測時刻に対応付けられた前記複数の第１の交通密度を取得する、
請求項１に記載の情報処理装置。

【請求項7】

第１の時刻を基準として取得される第１の時間分の交通密度に基づく複数の第１の平均交通密度を算出し、前記複数の第１の平均交通密度における前記複数の第１の平均交通密度それぞれのパーセンタイル値を算出するとともに、前記第１の時刻における複数の第１の交通密度に基づいて、前記複数の第１の交通密度における前記複数の第１の交通密度それぞれのパーセンタイル値を算出することと、
第２の時刻を基準として取得される第２の時間分の交通密度に基づいて、第２の平均交通密度を算出し、前記第２の平均交通密度と、前記複数の第１の平均交通密度と、前記複数の第１の平均交通密度それぞれのパーセンタイル値と、前記複数の第１の交通密度それぞれのパーセンタイル値とに基づいて、前記第２の時刻より後の時刻の交通密度を予測することと、
を備える、コンピュータにより実行される情報処理方法。

【請求項8】

コンピュータを、
第１の時刻を基準として取得される第１の時間分の交通密度に基づく複数の第１の平均交通密度を算出し、前記複数の第１の平均交通密度における前記複数の第１の平均交通密度それぞれのパーセンタイル値を算出するとともに、前記第１の時刻における複数の第１の交通密度に基づいて、前記複数の第１の交通密度における前記複数の第１の交通密度それぞれのパーセンタイル値を算出する学習部と、
第２の時刻を基準として取得される第２の時間分の交通密度に基づいて、第２の平均交通密度を算出し、前記第２の平均交通密度と、前記複数の第１の平均交通密度と、前記複数の第１の平均交通密度それぞれのパーセンタイル値と、前記複数の第１の交通密度それぞれのパーセンタイル値とに基づいて、前記第２の時刻より後の時刻の交通密度を予測する予測部と、
を備える情報処理装置として機能させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法およびプログラムに関する。

【背景技術】

【0002】

近年、センサによって収集されたセンサデータに基づいて交通流をシミュレーションする技術として様々な技術が知られている。

【0003】

例えば、特許文献１には、予測を行なう現時点から一定時間過去に遡った時点までの時間帯と、経路上の小区間とからなる時空間の交通流データ分布を求め、さらに、過去における時空間の交通流データ分布を求める方法が示されている（例えば、段落００３２－００３８など）。そして、この二つの交通流データ分布のマッチングによって、過去における類似の交通状況の時点を抽出し、当経路上の小区間を順次たどりながら旅行時間を累積し、当経路の過去における将来時点での経路推定旅行時間を求める方法が示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００７－１１５９６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、特許文献１に記載された技術では、小区間ごとにリアルタイムに計測して得られた交通流データをもとにしており、小区間の距離を短くすれば、計測するためのセンサを数多く設置しなければならないという問題点があった。

【0006】

また、特許文献１に記載された技術は、小区間の距離を長くすれば、設置したセンサが小区間の交通流を代表することになるため、小区間内で変化する交通流に対応できないという問題点があった。

【0007】

一方、ＥＴＣ（Ｅｌｅｃｔｒｏｎｉｃ Ｔｏｌｌ Ｃｏｌｌｅｃｔｉｏｎ Ｓｙｓｔｅｍ）２．０のような道路上に設置したアンテナと車両に搭載された車載器が通信し走行履歴を取得する方式では、アンテナから離れた地点からの交通流データの取得に遅延が生じるという問題点があった。

【0008】

そこで、精度よく交通流を予測することを可能とする技術が提供されることが望まれる。例えば、アンテナから離れた地点の交通流データの取得に遅延が生じる場合であっても精度よく交通流を予測することを可能とする技術が提供されることが望まれる。

【課題を解決するための手段】

【0009】

上記課題を解決するために、本発明のある観点によれば、第１の時刻を基準として取得される第１の時間分の交通密度に基づく複数の第１の平均交通密度を算出し、前記複数の第１の平均交通密度における前記複数の第１の平均交通密度それぞれのパーセンタイル値を算出するとともに、前記第１の時刻における複数の第１の交通密度に基づいて、前記複数の第１の交通密度における前記複数の第１の交通密度それぞれのパーセンタイル値を算出する学習部と、第２の時刻を基準として取得される第２の時間分の交通密度に基づいて、第２の平均交通密度を算出し、前記第２の平均交通密度と、前記複数の第１の平均交通密度と、前記複数の第１の平均交通密度それぞれのパーセンタイル値と、前記第１の交通密度のパーセンタイル値とに基づいて、前記第２の時刻より後の時刻の交通密度を予測する予測部と、を備える、情報処理装置が提供される。
前記学習部は、機械学習により前記複数の第１の平均交通密度それぞれのパーセンタイル値および前記複数の第１の交通密度それぞれのパーセンタイル値を算出してもよい。

【0010】

前記予測部は、交通密度の算出に用いられる速度の取得タイミングの最大遅延時間を算出し、前記第２の時刻から前記最大遅延時間だけ過去に遡った時刻を基準時刻とし、前記基準時刻に応じた処理対象時間幅の平均交通密度を前記第２の平均交通密度として算出してもよい。

【0011】

前記予測部は、交通密度の算出に用いられる速度が取得されていない道路上のセルおよび時刻である遅延部分が存在する場合に、前記複数の第１の交通密度における前記遅延部分のパーセンタイル値を算出し、前記遅延部分のパーセンタイル値に対応付けられた暫定的な予測交通密度を取得し、前記暫定的な予測交通密度と、前記遅延部分以外の部分における前記第１の交通密度とに基づいて、前記第２の平均交通密度を算出してもよい。

【0012】

前記予測部は、前記第１の時刻から過去に遡りながら、交通密度の算出に用いられる速度が取得された所定の数分の時刻を道路上のセルごとにデータ遅延の無い時刻として検出し、データ遅延の無い時刻に対応する交通密度に基づいて、前記第２の平均交通密度を算出してもよい。

【0013】

前記学習部は、同一の種類の日に属する計測時刻に対応付けられた前記複数の第１の平均交通密度を算出してもよい。

【0014】

前記学習部は、同一の種類の日に属する計測時刻に対応付けられた前記複数の第１の交通密度を取得してもよい。

【0015】

また、上記課題を解決するために本発明の別の観点によれば、第１の時刻を基準として取得される第１の時間分の交通密度に基づく複数の第１の平均交通密度を算出し、前記複数の第１の平均交通密度における前記複数の第１の平均交通密度それぞれのパーセンタイル値を算出するとともに、前記第１の時刻における複数の第１の交通密度に基づいて、前記複数の第１の交通密度における前記複数の第１の交通密度それぞれのパーセンタイル値を算出することと、第２の時刻を基準として取得される第２の時間分の交通密度に基づいて、第２の平均交通密度を算出し、前記第２の平均交通密度と、前記複数の第１の平均交通密度と、前記複数の第１の平均交通密度それぞれのパーセンタイル値と、前記第１の交通密度のパーセンタイル値とに基づいて、前記第２の時刻より後の時刻の交通密度を予測することと、を備える、コンピュータにより実行される情報処理方法が提供される。

【0016】

また、上記課題を解決するために本発明の別の観点によれば、コンピュータを、第１の時刻を基準として取得される第１の時間分の交通密度に基づく複数の第１の平均交通密度を算出し、前記複数の第１の平均交通密度における前記複数の第１の平均交通密度それぞれのパーセンタイル値を算出するとともに、前記第１の時刻における複数の第１の交通密度に基づいて、前記複数の第１の交通密度における前記複数の第１の交通密度それぞれのパーセンタイル値を算出する学習部と、第２の時刻を基準として取得される第２の時間分の交通密度に基づいて、第２の平均交通密度を算出し、前記第２の平均交通密度と、前記複数の第１の平均交通密度と、前記複数の第１の平均交通密度それぞれのパーセンタイル値と、前記第１の交通密度のパーセンタイル値とに基づいて、前記第２の時刻より後の時刻の交通密度を予測する予測部と、を備える情報処理装置として機能させるプログラムが提供される。

【発明の効果】

【0017】

以上説明したように本発明によれば、精度よく交通流を予測することを可能とする技術が提供される。

【図面の簡単な説明】

【0018】

【図1】本発明の第１の実施形態に係る交通流予測装置１の機能構成例を示す図である。

【図2】フリーフローデータ記憶部１２３によって記憶されるフリーフローデータの例を示す図である。

【図3】プローブデータ記憶部１２２によって記憶されるプローブデータの例を示す図である。

【図4】交通密度（Ｋ）と速度（Ｖ）との組とＫＶ関係式とを示す図である。

【図5】ＫＶパラメータ作成部１４１によって実行されるＫＶパラメータ作成処理の例を示すフローチャートである。

【図6】推定地点に到達した車両の計測地点における通過時刻の算出例を説明するための図である。

【図7】計測地点における交通量から推定地点における交通量を算出する例を説明するための図である。

【図8】交通密度算出部１４２によって実行される交通密度算出処理の例を示すフローチャートである。

【図9】学習部１４３による機械学習の動作の例を示すフローチャートである。

【図10】予測部１４４によってプローブデータ記憶部１２２からリアルタイムに取得される速度の例を示す図である。

【図11】本発明の第１の実施形態に係る予測部１４４による交通流の予測動作の例を示すフローチャートである。

【図12】本発明の第１の実施形態に係る処理対象時間幅の例を示す図である。

【図13】本発明の第１の実施形態の変形例に係る予測部１４４による交通流の予測動作の例を示すフローチャートである。

【図14】本発明の第２の実施形態の変形例に係る予測部１４４による交通流の予測動作の例を示すフローチャートである。

【図15】本発明の第２の実施形態に係るデータ遅延の無い通過時刻の例を示す図である。

【図16】本発明の実施形態に係る交通流予測装置１の例としての情報処理装置９００のハードウェア構成を示す図である。

【発明を実施するための形態】

【0019】

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

【0020】

（１．第１の実施形態の詳細）
まず、本発明の第１の実施形態の詳細について説明する。

【0021】

（１－１．交通流予測装置の構成）
まず、本発明の第１の実施形態に係る交通流予測装置１の構成例について説明する。図１は、本発明の第１の実施形態に係る交通流予測装置１の機能構成例を示す図である。

【0022】

図１を参照すると、道路上を走行する車両の例として、車両Ｍ１～Ｍ３が示されている。さらに、図１を参照すると、奥側の車線を、車両Ｍ１と車両Ｍ２とが走行しており（車両Ｍ２に続いて車両Ｍ１が走行しており）、手前側の車線を、奥側の車線の車両Ｍ１および車両Ｍ２とは逆向きに車両Ｍ３が走行している。このように、本発明の第１の実施形態では、道路が複数車線によって構成される場合を主に想定するが、道路は１つの車線によって構成されていてもよい。車両Ｍ１～Ｍ３それぞれは、車載器を搭載している。なお、車線は、「レーン」とも換言され得る。

【0023】

本発明の第１の実施形態に係る交通流予測装置１は、走行履歴データ記憶部１２１と、プローブデータ記憶部１２２と、フリーフローデータ記憶部１２３と、交通量データ記憶部１２４と、ＫＶパラメータ記憶部１２５と、学習モデル記憶部１２６と、交通密度データ記憶部１２７とを備える。また、本発明の第１の実施形態に係る交通流予測装置１は、統計処理部１３１と、交通量算出部１３３と、処理部１４０とを備える。処理部１４０は、ＫＶパラメータ作成部１４１と、交通密度算出部１４２と、学習部１４３と、予測部１４４とを備える。

【0024】

走行履歴データ記憶部１２１には、プローブアンテナ１１２が接続されており、フリーフローデータ記憶部１２３には、フリーフローアンテナ１１４が接続されている。

【0025】

統計処理部１３１と、交通量算出部１３３と、処理部１４０とは、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの演算装置を含み、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）により記憶されているプログラムが演算装置によりＲＡＭに展開されて実行されることにより、その機能が実現され得る。このとき、当該プログラムを記録した、コンピュータに読み取り可能な記録媒体も提供され得る。

【0026】

あるいは、統計処理部１３１と、交通量算出部１３３と、処理部１４０とは、専用のハードウェアにより構成されていてもよいし、複数のハードウェアの組み合わせにより構成されてもよい。演算装置による演算に必要なデータは、図示しない記憶部によって適宜記憶される。

【0027】

走行履歴データ記憶部１２１と、プローブデータ記憶部１２２と、フリーフローデータ記憶部１２３と、交通量データ記憶部１２４と、ＫＶパラメータ記憶部１２５と、学習モデル記憶部１２６と、交通密度データ記憶部１２７とは、図示しない記憶部によって実現される。かかる記憶部は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ハードディスクドライブまたはフラッシュメモリなどのメモリによって構成されてよい。

【0028】

（フリーフローアンテナ１１４）
フリーフローアンテナ１１４は、道路上の各位置を走行する車両の検出を行う車両検出部の一例として機能する。すなわち、本発明の第１の実施形態では、車両検出部が、フリーフローアンテナ１１４を含む場合を主に想定する。これによって、既に構築されているＥＴＣ（Ｅｌｅｃｔｒｏｎｉｃ Ｔｏｌｌ Ｃｏｌｌｅｃｔｉｏｎ）システムのＥＴＣフリーフローアンテナが車両検出部として用いられ得るため、新たに車両検出部を設ける必要がない。しかし、フリーフローアンテナ１１４の代わりに、他の車両検出部（例えば、車両感知器、赤外線センサまたは超音波センサなど）が用いられてもよい。

【0029】

より詳細には、フリーフローアンテナ１１４は、車両に搭載された車載器との間の通信によって車両から車両の識別情報（車両ＩＤ）を受信することによって車両をリアルタイムに検出する。本発明の第１の実施形態では、車載器の例として、ＥＴＣ車載器が用いられる場合を主に想定する。なお、フリーフローアンテナ１１４は、複数のバージョンのＥＴＣ車載器に対応している場合が想定される一方、後に説明するプローブアンテナ１１２は、特定のバージョンのＥＴＣ車載器にしか対応していない場合が想定される。すなわち、フリーフローアンテナ１１４は、プローブアンテナ１１２よりも、より多くの車両を検出し得る。

【0030】

なお、フリーフローアンテナ１１４によって車両が検出される道路上の「各位置」は、車両検出部によって検出可能な車両の位置であれば、特に限定されない。以下では、フリーフローアンテナ１１４によって車両が検出され得る道路上の各位置を、単に「フリーフローアンテナ位置」と言う場合がある。

【0031】

フリーフローアンテナ１１４は、車両に搭載された車載器との間の通信によって車両ＩＤを受信することによって車両をリアルタイムに検出すると、車両の検出結果（以下、「フリーフローデータ」とも言う。）をフリーフローデータ記憶部１２３にリアルタイムに出力する。そして、フリーフローアンテナ１１４からフリーフローデータ記憶部１２３にリアルタイムに出力された車両の検出結果は、交通量算出部１３３によって、リアルタイムに利用され得る。

【0032】

ここで、「リアルタイム」は、フリーフローアンテナ位置に車両が到達してから道路上の交通状態が変化してしまう前までの短時間のいずれかのタイミングを意味し得る。このタイミングに車両が検出されれば、道路上の交通状態が変化してしまう前に、車両が検出された時点の交通状態に応じた何らかの措置が講じられ得る。

【0033】

図２は、フリーフローデータ記憶部１２３によって記憶されるフリーフローデータの例を示す図である。図２に示されるように、フリーフローデータは、「車両ＩＤ」と「通過時刻」とが対応付けられてなる。「車両ＩＤ」は、フリーフローアンテナ１１４と車両に搭載された車載器との間の通信によって車両から受信された車両の識別情報である。「通過時刻」は、フリーフローアンテナ１１４によって車両から車両ＩＤが受信された時刻であり、フリーフローアンテナ位置を車両が通過した時刻に相当し得る。

【0034】

（交通量算出部１３３）
交通量算出部１３３は、フリーフローアンテナ位置を走行する車両の検出結果（フリーフローデータ）をフリーフローデータ記憶部１２３（図２）から取得する。そして、交通量算出部１３３は、フリーフローデータ（車両ＩＤおよび通過時刻）に基づいて、あらかじめ設定された単位時間あたりにフリーフローアンテナ位置を通過した車両の数（フリーフローアンテナ１１４によって単位時間あたりに検出された車両ＩＤの数）を、フリーフローアンテナ位置の交通量として算出する。交通量算出部１３３による交通量の算出は、単位時間ごとに繰り返し行われればよい。

【0035】

なお、フリーフローアンテナ位置を通過した全部の車両に、フリーフローアンテナ１１４と通信可能な車載器が搭載されているとは限らない。すなわち、フリーフローアンテナ１１４によってフリーフローアンテナ位置を通過した全部の車両が検出されるとは限らない。したがって、フリーフローアンテナ１１４と通信可能な車載器が搭載された車両の、（フリーフローアンテナ１１４と通信可能な車載器が搭載されていない車両を含んだ）車両全体に対する割合を「車載器搭載割合」としてあらかじめ設定し、フリーフローアンテナ１１４によって検出された車両の数を「検出車両数」とした場合、交通量算出部１３３は、下記の式（１）によって、フリーフローアンテナ位置の交通量をより高精度に推定するのが望ましい。

【0036】

（交通量の推定値）＝（検出車両数）÷（車載器搭載割合）・・・（１）

【0037】

しかし、フリーフローアンテナ１１４と通信可能な車載器が十分に普及している場合などには、かかる推定は省略されてもよい。交通量算出部１３３によって推定された交通量とその交通量に対応する時間の終端である計測時刻とその交通量に対応するフリーフローアンテナ位置とは、各フリーフローアンテナ位置に対応する交通量データとして交通量が推定される度に交通量データ記憶部１２４に出力される。

【0038】

（プローブアンテナ１１２）
プローブアンテナ１１２は、車両の走行履歴データを取得する走行履歴データ取得部の一例として機能する。すなわち、本発明の第１の実施形態では、走行履歴データ取得部が、プローブアンテナ１１２を含む場合を主に想定する。これによって、既に構築されているＥＴＣシステムのＥＴＣプローブアンテナが走行履歴データ取得部として用いられ得るため、新たに走行履歴データ取得部を設ける必要がない。しかし、プローブアンテナ１１２の代わりに、他の走行履歴データ取得部（例えば、携帯基地局など）が用いられてもよい。

【0039】

より詳細に、プローブアンテナ１１２は、車両に搭載された車載器との間の通信によって車両から走行履歴データを取得すると、取得した走行履歴データを走行履歴データ記憶部１２１に出力する。そして、プローブアンテナ１１２から走行履歴データ記憶部１２１に出力された走行履歴データは、統計処理部１３１によって利用され得る。

【0040】

なお、走行履歴データは、走行履歴地点幅（例えば、１００ｍ）ごとに規定された道路上の区間（キロポスト間）ごと、かつ、走行履歴時間幅（例えば、１分間）ごとに走行した各車両の速度と、プローブアンテナ１１２によって速度が収集された時刻である収集時刻とを含む。

【0041】

（統計処理部１３１）
統計処理部１３１は、走行履歴データ記憶部１２１から走行履歴データを取得し、走行履歴データに対して統計処理を施し、統計処理後の走行履歴データをプローブデータとしてプローブデータ記憶部１２２に出力する。そして、統計処理部１３１からプローブデータ記憶部１２２に出力されたプローブデータは、ＫＶパラメータ作成部１４１によって利用され得る。

【0042】

例えば、統計処理部１３１は、道路上の区間（キロポスト間）ごと、かつ、走行履歴時間幅ごとに、走行した１または複数の車両の速度に対して所定の統計処理（例えば、平均化処理など）を施す。これによって、道路上の各区間における走行履歴時間幅ごとの車両速度の統計量が得られる。なお、平均化処理の例としては、調和平均を取る処理などが挙げられる。

【0043】

図３は、プローブデータ記憶部１２２によって記憶されるプローブデータの例を示す図である。図３に示されるように、プローブデータは、「通過時刻」と「キロポスト」と「速度」と「収集時刻」とが対応付けられてなる。

【0044】

「通過時刻」は、道路の起点からの距離標（キロポスト）を車両が通過した時間の終端時刻である。例えば、「通過時刻：２０１９年０１月０１日１０時２４分」は、距離標（キロポスト）を車両が通過した時間の終端時刻が「２０１９年０１月０１日１０時２４分」であることを示す。「キロポスト」は、道路の起点からの距離標である。

【0045】

「速度」は、道路上の各区間（キロポスト間）を走行履歴時間幅（通過時刻間）ごとに走行した１または複数の車両速度の統計量（例えば、平均速度）である。例えば、「速度：８０ｋｍ／ｈ」は、「キロポスト：１００」から「キロポスト：１００．１」までを、「通過時刻：２０１９年０１月０１日１０時２３分」から「２０１９年０１月０１日１０時２４分」までに走行した１または複数の車両の速度の統計量である。

【0046】

「収集時刻」は、プローブアンテナ１１２によって車両の速度が収集された時刻である。

【0047】

（ＫＶパラメータ作成部１４１）
ＫＶパラメータ作成部１４１は、プローブデータ記憶部１２２からフリーフローアンテナ位置ごとの所定期間分の速度および通過時刻を取得する。さらに、ＫＶパラメータ作成部１４１は、交通量データ記憶部１２４からフリーフローアンテナ位置ごとの所定期間分の交通量データ（交通量および計測時刻）を取得する。

【0048】

ＫＶパラメータ作成部１４１は、所定期間分の交通量および計測時刻と、当該所定期間分の速度および通過時刻とに基づいて、機械学習により交通密度（Ｋ）と速度（Ｖ）との対応関係（以下の例では、近似式）を示すパラメータをフリーフローアンテナ位置ごとに作成する。

【0049】

より詳細には、ＫＶパラメータ作成部１４１は、同一の時刻および同一のフリーフローアンテナ位置に対応する交通量（Ｑ）と速度（Ｖ）とを対応付ける。そして、ＫＶパラメータ作成部１４１は、下記の式（２）によって、対応付けられた交通量（Ｑ）および速度（Ｖ）ごとに、交通密度（Ｋ）を算出する。

【0050】

Ｋ＝Ｑ×１／（Ｖ×６０）・・・（２）

【0051】

ただし、Ｋは、交通密度（台／ｋｍ）を示し、Ｑは、交通量（台／分）を示し、Ｖは、速度（ｋｍ／時間）を示す。ＫＶパラメータ作成部１４１は、対応する交通密度（Ｋ）と速度（Ｖ）との組を所定の関係で近似し、近似によって得られた近似式（ＫＶ関係式）のパラメータをＫＶパラメータとして作成する。

【0052】

ここでは、ＫＶパラメータ作成部１４１は、渋滞流に対応する近似式のパラメータを作成する場合を想定する。より詳細に、ＫＶパラメータ作成部１４１は、混雑流判定速度（例えば、高速道では５５ｋｍ／ｈなど）以下の速度（Ｖ）とその速度（Ｖ）に対応する交通密度（Ｋ）との組を所定の関係で近似することによって、渋滞流に対応するＫＶ関係式のパラメータを作成する場合を想定する。例えば、渋滞流に対応するＫＶ関係式は、下記の式（３）によって表現される指数関数であってよい。

【0053】

Ｖ＝ａ×ｅｘｐ（－ｂ×Ｋ）・・・（３）

【0054】

ただし、Ｋは、交通密度（台／ｋｍ）を示し、Ｖは、速度（ｋｍ／時間）を示し、ａおよびｂは、ＫＶパラメータである。なお、本明細書において、混雑流は、渋滞流に包含される概念として使用されており、渋滞流の中でも速度がある値より大きい状態を意味し得る。

【0055】

図４は、交通密度（Ｋ）と速度（Ｖ）との組とＫＶ関係式とを示す図である。図４に示された例において、横軸は、交通密度（Ｋ）を示しており、縦軸は、速度（Ｖ）を示している。かかるＫＶ図において、交通密度（Ｋ）と速度（Ｖ）とが対応付けられた各組が、各点としてプロットされている。また、図４を参照すると、これらの組を近似して得られるＫＶ関係式を示す指数関数が示されている。

【0056】

ＫＶパラメータ作成部１４１は、作成したＫＶパラメータを、ＫＶパラメータ記憶部１２５に保存する。なお、典型的には、所定期間は、１カ月であってよい。しかし、所定期間は、１カ月に限定されない。例えば、所定期間は、１日であってもよい。

【0057】

図５は、ＫＶパラメータ作成部１４１によって実行されるＫＶパラメータ作成処理の例を示すフローチャートである。まず、ＫＶパラメータ作成部１４１は、プローブデータ記憶部１２２からフリーフローアンテナ位置ごとの所定期間分の速度および通過時刻を取得する（Ｓ１１）。また、ＫＶパラメータ作成部１４１は、交通量データ記憶部１２４からフリーフローアンテナ位置ごとの所定期間分の交通量データ（交通量および計測時刻）を取得する（Ｓ１２）。

【0058】

ＫＶパラメータ作成部１４１は、同一の時刻および同一のフリーフローアンテナ位置に対応する交通量（Ｑ）と速度（Ｖ）とを対応付ける。そして、ＫＶパラメータ作成部１４１は、対応付けられた交通量（Ｑ）および速度（Ｖ）ごとに、交通密度（Ｋ）を算出する（Ｓ１３）。

【0059】

ＫＶパラメータ作成部１４１は、交通密度（Ｋ）と速度（Ｖ）との関係を示すＫＶ関係式のパラメータを機械学習により作成する（Ｓ１４）。より詳細に、ＫＶパラメータ作成部１４１は、対応する交通密度（Ｋ）と速度（Ｖ）との組を所定の関係（例えば、指数関数など）で近似し、近似によって得られたＫＶ関係式のパラメータをＫＶパラメータとして作成する。ここでは、ＫＶパラメータ作成部１４１は、渋滞流に対応する近似式のパラメータを作成する場合を想定する。

【0060】

ＫＶパラメータ作成部１４１は、作成したＫＶパラメータを、ＫＶパラメータ記憶部１２５に保存する（Ｓ１５）。

【0061】

（交通密度算出部１４２）
交通密度算出部１４２は、あらかじめ設定されたシミュレーション実行時間間隔（例えば、５分間隔など）に、現在時刻から所定の設定時間前（例えば、１時間前など）までにおける、区間ごとの速度および通過時刻をプローブデータ記憶部１２２から取得する。また、交通密度算出部１４２は、シミュレーション実行時間間隔に、現在時刻から所定の設定時間前までにおける、フリーフローアンテナ位置ごとの交通量データ（交通量および計測時刻）を交通量データ記憶部１２４から取得する。

【0062】

交通密度算出部１４２は、少なくとも各区間における速度に基づいて、各区間における交通密度を算出する。ここで、各区間における交通密度は、具体的にどのようにして算出されてもよい。

【0063】

例えば、交通密度算出部１４２は、ＫＶパラメータ記憶部１２５からＫＶパラメータを取得し、道路上のある対象区間における交通密度を、その対象区間における速度と、ＫＶパラメータによって規定されるＫＶ関係式とに基づいて算出してもよい。

【0064】

より詳細に、交通密度算出部１４２は、渋滞流である区間、すなわち、速度が混雑流判定速度（閾値）以下である対象区間における交通密度を、その対象区間における速度とＫＶ関係式とに基づいて算出してもよい。

【0065】

また、交通密度算出部１４２は、道路上のある対象区間に応じた地点を推定地点とし、対象区間における交通密度を、推定地点における交通量および対象区間における速度に基づいて算出してもよい。例えば、推定地点は、対象区間の起点などであってよい。

【0066】

より詳細に、交通密度算出部１４２は、速度が混雑流判定速度を上回る対象区間における交通密度を、推定地点における交通量および対象区間における速度に基づいて算出してもよい。例えば、交通密度算出部１４２は、推定地点における交通量を、交通量算出部１３３によって算出された計測地点における交通量と、計測地点からその対象区間までの区間ごとの速度とに基づいて算出し得る。例えば、計測地点は、対象区間から上流のフリーフローアンテナ位置（例えば、対象区間から最も近い上流のフリーフローアンテナ位置など）であってよい。

【0067】

図６および図７を参照しながら、推定地点における交通量および対象区間における速度に基づいて対象区間における交通密度を算出する手法の例について説明する。

【0068】

図６は、推定地点に到達した車両の計測地点における通過時刻の算出例を説明するための図である。図６に示された例において、横軸は、道路上における距離（右方向が道路の下流方向）を示し、縦軸は、時刻（下方向が時間の経過方向）を示す。走行履歴データにおける区間（キロポスト間）および単位時間（すなわち、通過時刻から当該通過時刻の直前の通過時刻までの時間）に対応する速度が、その区間および単位時間に対応する矩形（時空間範囲）内の色の濃さによって示されている。この例では、矩形内の色が濃いほど速度が低くなっている。

【0069】

交通密度算出部１４２は、それぞれの区間および単位時間に対応する速度に基づいて、推定地点および推定地点における時刻から、上流および過去に向かって計測地点までの軌跡を算出する。より詳細に、交通密度算出部１４２は、推定地点および推定地点における時刻から、それぞれの区間および単位時間に対応する速度に応じた傾きの直線によって矩形内を移動し、矩形の境界においては隣接し合う矩形間を移動するように軌跡を算出する。

【0070】

これによって、交通密度算出部１４２は、軌跡が到達した計測地点における時刻を、計測地点における通過時刻として得ることができる。図６を参照すると、２台の車両の軌跡が描かれている。ここで、２台の車両の推定地点への到達時刻間における交通量と、その２台の車両の計測地点における通過時刻間における交通量とは一致すると見なされ得る。

【0071】

図７は、計測地点における交通量から推定地点における交通量を算出する例を説明するための図である。図７を参照すると、推定地点への到達時刻間における交通量Ｑと、計測地点における通過時刻間における交通量Ｑとが示されている。ここで、計測地点における通過時刻間における交通量は、交通量データ記憶部１２４に保存されている。したがって、交通密度算出部１４２は、交通量データ記憶部１２４から計測地点における通過時刻間における交通量Ｑを取得し得る。

【0072】

交通密度算出部１４２は、計測地点における通過時刻間における交通量Ｑから、推定地点への到達時刻差と計測地点における通過時刻差との比によって、推定地点における交通量を算出し得る。例えば、計測地点における通過時刻差をｔ１とし、推定地点への到達時刻差をｔ２とすると、交通密度算出部１４２は、計測地点における通過時刻間における交通量Ｑに対して、ｔ１／ｔ２を乗じることによって、推定地点における交通量を算出し得る。以下では、このように計測地点における交通量から推定地点における交通量を算出する手法を「車両追跡」による交通量算出手法とも言う。

【0073】

図８は、交通密度算出部１４２によって実行される交通密度算出処理の例を示すフローチャートである。まず、交通密度算出部１４２は、あらかじめ設定されたシミュレーション実行時間間隔に、現在時刻から所定の設定時間前までにおける、区間ごとの速度および通過時刻をプローブデータ記憶部１２２から取得する（Ｓ２１）。

【0074】

また、交通密度算出部１４２は、シミュレーション実行時間間隔に、現在時刻から所定の設定時間前までにおける、フリーフローアンテナ位置ごとの交通量データ（交通量および計測時刻）を交通量データ記憶部１２４から取得する（Ｓ２２）。交通密度算出部１４２は、対象区間の速度が渋滞流の速度、すなわち、混雑流判定速度以下の速度であるかを判定する（Ｓ２３）。

【0075】

交通密度算出部１４２は、対象区間の速度が渋滞流の速度（すなわち、混雑流判定速度以下である速度）である場合（Ｓ２３において「ＹＥＳ」）、その対象区間における速度とＫＶ関係式とに基づいてその対象区間における交通密度を算出する（Ｓ２４）。

【0076】

一方、交通密度算出部１４２は、対象区間の速度が自由流の速度（すなわち、混雑流判定速度を上回る速度）である場合（Ｓ２３において「ＮＯ」）、車両追跡により計測地点における交通量を算出し、算出した計測地点における交通量と、計測地点からその対象区間までの区間ごとの速度とに基づいて、その対象区間における交通密度を算出する（Ｓ２５）。交通密度算出部１４２は、交通量の計測時刻と区間と交通密度とが対応付けられた交通密度データを、交通密度データ記憶部１２７に出力する。

【0077】

（学習部１４３）
図９は、学習部１４３による機械学習の動作の例を示すフローチャートである。図９を参照しながら、学習部１４３による機械学習の動作の例について説明する。

【0078】

まず、学習部１４３は、あらかじめ設定された学習時刻に現在時刻（第１の時刻）が達すると、交通密度データ記憶部１２７から、現在時刻を基準とした所定の対象時間分（第１の時間分）の交通密度データを、新規の交通密度データとして取得する（Ｓ３１）。新規の交通密度データは、まだ学習に用いられていない交通密度データである。なお、基準となる第１の時刻は、現在時刻でなくてもよい。基準となる第１の時刻は、過去の時刻であってもよい。

【0079】

例えば、学習時刻は、毎週月曜日の２時であってもよい。このとき、所定の対象時間は、１週間であってよい。しかし、学習時刻および所定の対象時間それぞれの具体的な値は限定されない。また、以下では、現在時刻を基準とした所定の対象時間が、現在時刻から所定の対象時間だけ遡った時刻を開始時点とし、現在時刻を終了時点とした時間である場合を主に想定する。しかし、現在時刻を基準とした所定の対象時間は、かかる時間に限定されない。

【0080】

学習部１４３は、交通密度データ記憶部１２７から取得した新規の交通密度データに基づいて、あらかじめ設定された二つの地点間ごとのあらかじめ設定された処理対象時間幅の平均交通密度（第１の平均交通密度）を、あらかじめ設定された処理時間間隔で算出する（Ｓ３２）。学習部１４３は、地点間と計測時刻と平均交通密度とを対応付けて学習モデル記憶部１２６に記憶させる。

【0081】

例えば、地点間は、二つのインターチェンジ間であってもよい。しかし、二つの地点間は、かかる例に限定されない。また、処理対象時間幅は、計測時刻から所定の時間幅（例えば、３０分など）だけ遡った時刻から計測時刻までの時間幅であってもよい。しかし、処理対象時間幅は、かかる例に限定されない。また、処理時間間隔は、５分間隔であってもよい。しかし、処理時間間隔は、かかる例に限定されない。

【0082】

学習部１４３は、地点間が同一、かつ、計測時刻が同一、かつ、計測時刻が属する日の種類が同一である平均交通密度が同じグループになるように平均交通密度を分類する。日の種類は、曜日であってもよいし、曜日属性（例えば、平日、休前日、３連休初日など）であってもよい。そして、学習部１４３は、グループごとに、平均交通密度の全体に対する各々の平均交通密度のパーセンタイル値（以下、「平均交通密度学習パーセンタイル値」とも言う。）を算出する（Ｓ３４）。

【0083】

より具体的に、学習部１４３は、グループごとに、平均交通密度の全体を平均交通密度の小さい順に並び替える。そして、学習部１４３は、グループごとに、各々の平均交通密度に対して、平均交通密度の小さい順に平均交通密度学習パーセンタイル値を割り当てる。例えば、最も小さい平均交通密度に対しては、０パーセンタイル値、最も大きい平均交通密度に対しては、１００パーセンタイル値、中央値を取る平均交通密度に対しては、５０パーセンタイル値が割り当てられる。

【0084】

学習部１４３は、地点間と計測時刻と平均交通密度とに平均交通密度学習パーセンタイル値を対応付けて、学習モデル記憶部１２６に記憶させる（Ｓ３５）。

【0085】

さらに、学習部１４３は、交通密度データ記憶部１２７から取得した新規の交通密度データに基づいて、各々の交通密度（第１の交通密度）を、道路を構成するブロック（以下、「セル」とも言う。）が同一、かつ、計測時刻が属する日の種類が同一である交通密度が同じグループになるように分類する。そして、学習部１４３は、グループごとに、交通密度の全体に対する各々の交通密度のパーセンタイル値（以下、「メッシュ交通密度学習パーセンタイル値」とも言う。）を算出する（Ｓ３６）。

【0086】

ここで、セルの幅は、シミュレーション実行セル幅に規定されている。一方、区間の幅は、走行履歴地点幅に規定されている。セルの幅は、区間の幅と同じであってもよいし、区間の幅と異なっていてもよい。例えば、区間の幅が１００ｍであるのに対し、セルの幅は５００ｍなどであってもよい。

【0087】

学習部１４３は、地点間と計測時刻と平均交通密度と平均交通密度学習パーセンタイル値とに、セルとメッシュ交通密度学習パーセンタイル値とを対応付けて、学習モデル記憶部１２６に記憶させる。なお、地点間と計測時刻と平均交通密度と平均交通密度学習パーセンタイル値とメッシュ交通密度学習パーセンタイル値とが対応付けられたデータは、学習モデルに該当し得る。

【0088】

（予測部１４４）
予測部１４４の機能について説明する前に、図１０を参照しながら、予測部１４４による速度の取得タイミングの遅延について説明する。

【0089】

図１０は、予測部１４４によってプローブデータ記憶部１２２からリアルタイムに取得される速度の例を示す図である。図１０を参照すると、予測部１４４によってプローブデータ記憶部１２２に基づいてリアルタイムに取得される速度が、道路の起点からの距離と通過時刻とに対応付けられている。

【0090】

図１０に示された例において、道路の起点からの距離は、シミュレーション実行セル幅（図１０に示された例では、５００ｍ）ごとに仕切られている。このように道路の起点からの距離が仕切られることにより、道路を構成する複数のブロックそれぞれがセルとして生成される。また、図１０に示された例において、通過時刻がシミュレーション実行時間間隔（図１０に示された例では、５分間隔）ごとに仕切られている。

【0091】

このように道路の起点からの距離および経過時刻が仕切られることにより、シミュレーション実行セル幅およびシミュレーション実行時間間隔の矩形（以下、「メッシュ」とも言う。）が複数生成される。

【0092】

道路の起点には、車両の走行履歴データを取得するプローブアンテナ１１２が存在する。したがって、道路の起点から近いセルの速度は、予測部１４４によってほぼリアルタイムに取得され得る。一方、道路の起点から遠いセルの速度の予測部１４４による取得タイミングには、遅延が生じてしまう。図１０に示された例では、リアルタイムに速度が取得されていないメッシュが白色で示されている。

【0093】

図１１は、本発明の第１の実施形態に係る予測部１４４による交通流の予測動作の例を示すフローチャートである。図１１を参照しながら、本発明の第１の実施形態に係る予測部１４４による交通流の予測動作の例について説明する。

【0094】

まず、予測部１４４は、プローブデータ記憶部１２２から、現在時刻（第２の時刻）を基準とした所定の対象時間分（第２の時間分）のプローブデータを、最新のプローブデータとして取得する。さらに、予測部１４４は、交通量データ記憶部１２４から、現在時刻を基準とした所定の対象時間分の交通量データを、最新の交通量データとして取得する（Ｓ４１）。なお、基準となる第２の時刻は、現在時刻でなくてもよい。基準となる第２の時刻は、過去の時刻であってもよい。

【0095】

例えば、所定の対象時間は、１時間であってよい。しかし、所定の対象時間それぞれの具体的な値は限定されない。また、以下では、現在時刻を基準とした所定の対象時間が、現在時刻から所定の対象時間だけ遡った時刻を開始時点とし、現在時刻を終了時点とした時間である場合を主に想定する。しかし、現在時刻を基準とした所定の対象時間は、かかる時間に限定されない。

【0096】

続いて、予測部１４４は、取得した最新のプローブデータおよび最新の交通量データに基づいて、あらかじめ設定された二つの地点間ごとの各セルの交通密度を算出する（Ｓ４２）。なお、ここでの交通密度の算出に対しても、図８を参照しながら説明した、交通密度を算出する手法が適用され得る。

【0097】

続いて、予測部１４４は、現在時刻を基準とした所定の対象時間分の交通密度に基づいて、地点間ごとのあらかじめ設定された処理対象時間幅の平均交通密度（第２の平均交通密度）を算出する。本発明の第１の実施形態においては、予測部１４４は、地点間ごとに速度の取得タイミングの最大遅延時間を算出する。そして、予測部１４４は、現在時刻から最大遅延時間だけ過去に遡った時刻を基準時刻とし、基準時刻に応じた処理対象時間幅の平均交通密度を算出する（Ｓ４３）。

【0098】

例えば、処理対象時間幅は、基準時刻から所定の時間幅（例えば、３０分など）だけ遡った時刻から基準時刻までの時間幅であってもよい。しかし、処理対象時間幅は、かかる例に限定されない。

【0099】

図１２は、本発明の第１の実施形態に係る処理対象時間幅の例を示す図である。図１２を参照すると、処理枠Ｆ１１は、現在時刻（１６時２分３０秒）から所定の時間幅（６メッシュ分）だけ遡った時刻から現在時刻までの時間幅が処理対象時間幅として設定された場合における交通密度の平均化単位である。しかし、枠Ｆ１１の内部には、白色のメッシュがあり、リアルタイムに速度が取得されていないメッシュが存在する。そのため、この枠Ｆ１１の内部の交通密度を平均化しても、高精度に交通流が予測され得ない。

【0100】

そこで、予測部１４４は、現在時刻までに連続して最も長く速度が取得されていない最大遅延時間を、５メッシュ分と判定し、現在時刻（１６時２分３０秒）から最大遅延時間である５メッシュ分だけ過去に遡った時刻を基準時刻（１５時３７分３０秒）とし、基準時刻から所定の時間幅（６メッシュ分）だけ遡った時刻（１５時７分３０秒）から基準時刻（１５時３７分３０秒）までの時間幅を処理対象時間幅に変更してもよい。枠Ｆ１２は、変更後の処理対象時間幅である。

【0101】

続いて、予測部１４４は、算出した平均交通密度と、学習モデル記憶部１２６によって記憶された、平均交通密度と、平均交通密度学習パーセンタイル値と、メッシュ交通密度学習パーセンタイル値とに基づいて、現在時刻より後の時刻の交通密度を予測する。

【0102】

例えば、予測部１４４は、現在時刻から最大遅延時間だけ過去に遡った基準時刻と一致する計測時刻に対応付けられ、平均交通密度を算出した地点間と同一の地点間に対応付けられた平均交通密度を、学習モデル記憶部１２６から取得する。

【0103】

あるいは、予測部１４４は、現在時刻から最大遅延時間だけ過去に遡った基準時刻と一致する計測時刻に対応付けられ、かつ、現在時刻が属する日の種類と同一の種類の日に属する計測時刻にさらに対応付けられた平均交通密度を、学習モデル記憶部１２６から取得してもよい。

【0104】

そして、予測部１４４は、算出した平均交通密度と、取得した平均交通密度とに基づく予測パーセンタイル値を得る（Ｓ４４）。

【0105】

より具体的に、予測部１４４は、算出した平均交通密度に最も近い、取得した平均交通密度に対応付けられた平均交通密度学習パーセンタイル値を、予測パーセンタイル値として特定してもよい。

【0106】

あるいは、予測部１４４は、算出した平均交通密度よりも大きく、かつ、算出した平均交通密度に最も近い、取得した平均交通密度を上側の平均交通密度として算出してもよい。さらに、予測部１４４は、算出した平均交通密度よりも小さく、かつ、算出した平均交通密度に最も近い、取得した平均交通密度を下側の平均交通密度として算出してもよい。そして、予測部１４４は、上側の平均交通密度と下側の平均交通密度とに基づく線形補間により予測パーセンタイル値を算出してもよい。

【0107】

予測部１４４は、現在時刻から所定の設定時間後（例えば、２時間後など）までの、平均交通密度を算出した地点間と同一の地点間に対応付けられた、計測時刻とセルとメッシュ交通密度学習パーセンタイル値とを、学習モデル記憶部１２６から取得する。

【0108】

あるいは、予測部１４４は、現在時刻から所定の設定時間後（例えば、２時間後など）までの、平均交通密度を算出した地点間と同一の地点間に対応付けられ、かつ、現在時刻が属する日の種類と同一の種類の日に属する計測時刻に対応付けられた、計測時刻とセルとメッシュ交通密度学習パーセンタイル値とを、学習モデル記憶部１２６から取得してもよい。

【0109】

予測部１４４は、学習モデル記憶部１２６から取得した、計測時刻とセルとメッシュ交通密度学習パーセンタイル値とに基づいて、予測パーセンタイル値に応じたメッシュ交通密度学習パーセンタイル値を、シミュレーション実行セル幅のセルごとに、シミュレーション実行時間間隔で得る。

【0110】

例えば、予測部１４４は、予測パーセンタイル値に最も近いメッシュ交通密度学習パーセンタイル値を得てもよい。

【0111】

あるいは、予測部１４４は、予測パーセンタイル値よりも大きく、かつ、予測パーセンタイル値に最も近いメッシュ交通密度学習パーセンタイル値を、上側のメッシュ交通密度学習パーセンタイル値として算出してもよい。さらに、予測部１４４は、予測パーセンタイル値よりも小さく、かつ、予測パーセンタイル値に最も近いメッシュ交通密度学習パーセンタイル値を、下側のメッシュ交通密度学習パーセンタイル値として算出してもよい。そして、予測部１４４は、上側の平均交通密度と下側の平均交通密度とに基づく線形補間または調和平均による線形補間により予測パーセンタイル値を算出してもよい。

【0112】

予測部１４４は、このようにして得たメッシュ交通密度学習パーセンタイル値に対応付けられた交通密度を、シミュレーション実行セル幅のセルごと、かつ、シミュレーション実行時間間隔の予測交通密度として得る。

【0113】

また、予測部１４４は、予測交通密度に対応する予測速度を、シミュレーション実行セル幅のセルごと、かつ、シミュレーション実行時間間隔で算出し得る（Ｓ４５）。例えば、予測部１４４は、予測交通密度に対応する予測速度を、上記の式（３）によって示されるＫＶ関係式により算出してもよい。

【0114】

さらに、予測部１４４は、公知の技術（例えば、特許文献１など）に記載されている経路推定旅行時間を算出する手法などを用いて、現在時刻より後の時刻における地点間の所要時間を算出してもよい。

【0115】

（１－２．第１の実施形態の変形例）
続いて、本発明の第１の実施形態の変形例について説明する。本発明の第１の実施形態の変形例は、本発明の第１の実施形態と比較して、予測部１４４が有する機能が異なる。したがって、以下では、本発明の第１の実施形態の変形例に係る予測部１４４について説明する。

【0116】

（予測部１４４）
図１３は、本発明の第１の実施形態の変形例に係る予測部１４４による交通流の予測動作の例を示すフローチャートである。図１３を参照しながら、本発明の第１の実施形態の変形例に係る予測部１４４による交通流の予測動作の例について説明する。

【0117】

図１３に示されるように、本発明の第１の実施形態の変形例においても、予測部１４４によって、Ｓ４１～Ｓ４４が実行される。これらのＳ４１～Ｓ４４は、本発明の第１の実施形態に係るＳ４１～Ｓ４４（図１１）と同様に実行される。

【0118】

続いて、予測部１４４は、現在時刻から所定の設定時間後（例えば、２時間後など）までの、平均交通密度を算出した地点間と同一の地点間に対応付けられた、計測時刻とセルとメッシュ交通密度学習パーセンタイル値とを、学習モデル記憶部１２６から取得する。

【0119】

あるいは、予測部１４４は、現在時刻から所定の設定時間後（例えば、２時間後など）までの、平均交通密度を算出した地点間と同一の地点間に対応付けられ、かつ、現在時刻が属する日の種類と同一の種類の日に属する計測時刻に対応付けられた、計測時刻とセルとメッシュ交通密度学習パーセンタイル値とを、学習モデル記憶部１２６から取得してもよい。

【0120】

本発明の第１の実施形態に係る変形例において、予測部１４４は、プローブデータ記憶部１２２に記憶されたプローブデータに基づいて、速度が取得されていないメッシュ（セルおよび通過時刻）を特定し、速度が取得されていないメッシュ（セルおよび通過時刻）と一致するセルおよび計測時刻における、予測パーセンタイル値に応じたメッシュ交通密度学習パーセンタイル値を得る。以下では、速度が取得されていないメッシュ（セルおよび通過時刻）と一致するセルおよび計測時刻を「遅延部分」とも言う。

【0121】

予測部１４４は、遅延部分のメッシュ交通密度学習パーセンタイル値に対応付けられた交通密度を、暫定的な予測交通密度として得る（Ｓ５１）。

【0122】

そして、予測部１４４は、遅延部分については暫定的な予測交通密度を用い、遅延部分以外の部分については交通密度データ記憶部１２７から取得された交通密度を用いて、現在時刻を基準時刻とし、基準時刻に応じた処理対象時間幅の平均交通密度を算出する。処理対象時間幅は、基準時刻から所定の時間幅（例えば、３０分など）だけ遡った時刻から基準時刻までの時間幅であってもよい。

【0123】

予測部１４４は、基準時刻と一致する計測時刻に対応付けられ、平均交通密度を算出した地点間と同一の地点間に対応付けられた平均交通密度を、学習モデル記憶部１２６から取得する。

【0124】

あるいは、予測部１４４は、基準時刻と一致する計測時刻に対応付けられ、かつ、現在時刻が属する日の種類と同一の種類の日に属する計測時刻にさらに対応付けられた平均交通密度を、学習モデル記憶部１２６から取得してもよい。

【0125】

そして、予測部１４４は、算出した平均交通密度と、取得した平均交通密度とに基づいて、予測パーセンタイル値を再度算出する（Ｓ５２）。

【0126】

予測部１４４は、このようにして得たメッシュ交通密度学習パーセンタイル値に対応付けられた交通密度を、シミュレーション実行セル幅のセルごと、かつ、シミュレーション実行時間間隔の予測交通密度として得る。そして、予測部１４４は、予測交通密度に対応する予測速度を、シミュレーション実行セル幅のセルごと、かつ、シミュレーション実行時間間隔で算出し得る（Ｓ５３）。

【0127】

以上、本発明の第１の実施形態の変形例について説明した。

【0128】

（１－３．効果）
以上に説明したように、本発明の第１の実施形態およびその変形例によれば、走行履歴データと交通量データとから交通密度が算出され、あらかじめ設定された処理対象時間幅および地点間の平均交通密度が算出される。また、過去の交通密度および過去の平均交通密度から学習パーセンタイル値が算出され、リアルタイムに取得した最新データから平均交通密度が算出される。さらに、算出された平均交通密度と過去の平均交通密度とから予測パーセンタイル値が算出され、予測パーセンタイル値から速度が予測される。

【0129】

これにより、ＥＴＣ２．０のような遅延を伴う交通流データを利用しても高い精度で交通流を予測できるという効果が得られる。

【0130】

以上、本発明の実施形態に係る交通流予測装置１およびその変形例が奏する効果について説明した。

【0131】

（２．第２の実施形態の詳細）
続いて、本発明の第２の実施形態の詳細について説明する。

【0132】

（２－１．交通流予測装置の構成）
本発明の第２の実施形態は、本発明の第１の実施形態と比較して、予測部１４４が有する機能が異なる。したがって、以下では、本発明の第２の実施形態に係る予測部１４４について説明する。

【0133】

（予測部１４４）
図１４は、本発明の第２の実施形態の変形例に係る予測部１４４による交通流の予測動作の例を示すフローチャートである。図１４を参照しながら、本発明の第２の実施形態に係る予測部１４４による交通流の予測動作の例について説明する。

【0134】

図１４に示されるように、本発明の第２の実施形態においても、予測部１４４によって、Ｓ４１～Ｓ４２が実行される。これらのＳ４１～Ｓ４２は、本発明の第１の実施形態に係るＳ４１～Ｓ４２（図１１）と同様に実行される。

【0135】

続いて、予測部１４４は、現在時刻を基準とした所定の対象時間分の交通密度に基づいて、地点間ごとのあらかじめ設定された処理対象時間幅の平均交通密度（第２の平均交通密度）を算出する。本発明の第２の実施形態においては、予測部１４４は、地点間ごとに各セルについて現在時刻から過去に遡りながら、速度が取得された所定の数分（例えば、６メッシュ分）の通過時刻を、データ遅延の無い通過時刻として検出する。そして、予測部１４４は、各セルにおけるデータ遅延の無い通過時刻に対応する交通密度に基づいて、地点間ごとの平均交通密度を算出する（Ｓ６１）。

【0136】

図１５は、本発明の第２の実施形態に係るデータ遅延の無い通過時刻の例を示す図である。図１５を参照すると、処理枠Ｆ２１は、地点間ごとに各セルについて現在時刻（１６時５分）から過去に遡りながら、速度が取得されていない白色のメッシュを除いた所定の数分（例えば、６メッシュ分）のメッシュの範囲である。この範囲が、データ遅延の無いメッシュの集合であり、交通密度の平均化単位とされる。

【0137】

図１４に示されるように、本発明の第２の実施形態においても、予測部１４４によって、Ｓ４４～Ｓ４５が実行される。これらのＳ４４～Ｓ４５は、本発明の第１の実施形態に係るＳ４４～Ｓ４５（図１１）と同様に実行される。

【0138】

以上、本発明の第２の実施形態について説明した。

【0139】

（２－２．効果）
以上に説明したように、本発明の第２の実施形態によれば、本発明の第１の実施形態と同様の効果が奏される。さらに、本発明の第２の実施形態によれば、データ遅延の有る通過時刻が除外され、データ遅延の無い通過時刻に対応する交通密度に基づいて平均交通密度が算出されるため、より短時間で交通流を予測できるという効果が奏される。

【0140】

（３．ハードウェア構成例）
続いて、本発明の実施形態に係る交通流予測装置１のハードウェア構成例について説明する。

【0141】

以下では、本発明の実施形態に係る交通流予測装置１のハードウェア構成例として、情報処理装置９００のハードウェア構成例について説明する。なお、以下に説明する情報処理装置９００のハードウェア構成例は、交通流予測装置１のハードウェア構成の一例に過ぎない。したがって、交通流予測装置１のハードウェア構成は、以下に説明する情報処理装置９００のハードウェア構成から不要な構成が削除されてもよいし、新たな構成が追加されてもよい。

【0142】

図１６は、本発明の実施形態に係る交通流予測装置１の例としての情報処理装置９００のハードウェア構成を示す図である。情報処理装置９００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）９０１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）９０２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９０３と、ホストバス９０４と、ブリッジ９０５と、外部バス９０６と、インタフェース９０７と、入力装置９０８と、出力装置９０９と、ストレージ装置９１０と、通信装置９１１と、を備える。

【0143】

ＣＰＵ９０１は、演算処理装置および制御装置として機能し、各種プログラムに従って情報処理装置９００内の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。これらはＣＰＵバス等から構成されるホストバス９０４により相互に接続されている。

【0144】

ホストバス９０４は、ブリッジ９０５を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バス等の外部バス９０６に接続されている。なお、必ずしもホストバス９０４、ブリッジ９０５および外部バス９０６を分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。

【0145】

入力装置９０８は、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチおよびレバー等ユーザが情報を入力するための入力手段と、ユーザによる入力に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路等から構成されている。情報処理装置９００を操作するユーザは、この入力装置９０８を操作することにより、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりすることができる。

【0146】

出力装置９０９は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ装置、液晶ディスプレイ（ＬＣＤ）装置、ＯＬＥＤ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）装置、ランプ等の表示装置およびスピーカ等の音声出力装置を含む。

【0147】

ストレージ装置９１０は、データ格納用の装置である。ストレージ装置９１０は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置および記憶媒体に記録されたデータを削除する削除装置等を含んでもよい。ストレージ装置９１０は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）で構成される。このストレージ装置９１０は、ハードディスクを駆動し、ＣＰＵ９０１が実行するプログラムや各種データを格納する。

【0148】

通信装置９１１は、例えば、ネットワークに接続するための通信デバイス等で構成された通信インタフェースである。また、通信装置９１１は、無線通信または有線通信のどちらに対応してもよい。

【0149】

以上、本発明の実施形態に係る交通流予測装置１のハードウェア構成例について説明した。

【0150】

（４．まとめ）
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

【符号の説明】

【0151】

１ 交通流予測装置
１１２ プローブアンテナ
１１４ フリーフローアンテナ
１２１ 走行履歴データ記憶部
１２２ プローブデータ記憶部
１２３ フリーフローデータ記憶部
１２４ 交通量データ記憶部
１２５ ＫＶパラメータ記憶部
１２６ 学習モデル記憶部
１２７ 交通密度データ記憶部
１２８ 予測交通量データ記憶部
１３１ 統計処理部
１３３ 交通量算出部
１４０ 処理部
１４１ ＫＶパラメータ作成部
１４２ 交通密度算出部
１４３ 学習部
１４４ 予測部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】