ホーム > 特許ランキング > 株式会社トヨタマップマスター
知財求人 - 知財ポータルサイト「IP Force」
特許7577451エリア状況の推定方法及びその学習方法、並びにエリア状況の推定装置及びその学習装置
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-10-25
(45)【発行日】2024-11-05
(54)【発明の名称】エリア状況の推定方法及びその学習方法、並びにエリア状況の推定装置及びその学習装置
(51)【国際特許分類】
G08G 1/01 20060101AFI20241028BHJP
G08G 1/13 20060101ALI20241028BHJP
【ＦＩ】
G08G1/01 E
G08G1/13
【請求項の数】
5
(21)【出願番号】P 2020038176
(22)【出願日】2020-03-05
(65)【公開番号】P2021140498
(43)【公開日】2021-09-16
【審査請求日】2023-01-25
(73)【特許権者】
【識別番号】501271479
【氏名又は名称】株式会社トヨタマップマスター
(74)【代理人】
【識別番号】100095577
【弁理士】
【氏名又は名称】小西 富雅
(74)【代理人】
【識別番号】100100424
【弁理士】
【氏名又は名称】中村 知公
(72)【発明者】
【氏名】田中 未来
【審査官】西畑 智道
(56)【参考文献】
【文献】特開２０１１－１１３１１７（ＪＰ，Ａ）
【文献】特開２０１０－１９１６１４（ＪＰ，Ａ）
【文献】特開２００８－２５０４９３（ＪＰ，Ａ）
【文献】特開２０１３－２０６３２５（ＪＰ，Ａ）
【文献】特開２００２－２５１６９８（ＪＰ，Ａ）
【文献】特開２０１９－０２８４８９（ＪＰ，Ａ）
【文献】特開２０１８－１８０９０６（ＪＰ，Ａ）
【文献】特開２０１８－０２８８３５（ＪＰ，Ａ）
【文献】特開２０１５－２２２５３７（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０８Ｇ １／００－９９／００
Ｇ０１Ｃ ２１／００－２１／３６
Ｇ０１Ｃ ２３／００－２５／００
(57)【特許請求の範囲】
【請求項1】
エリアの状況を推定する方法であって、モデルエリアに存在する複数のプローブカーのそれぞれのプローブデータ又は車両インナーデータを含む車両データのセットと、モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成し、
学習機能を備える状況推定部へ前記教師データを入力し、前記車両データのセットと前記状況データとの関係を学習させ、
学習済の状況推定部へ、状況未知の前記モデルエリアとは異なる任意の推定対象エリアにおける車両データのセットを入力し、該入力時の前記推定対象エリアの状況を推定する、エリア状況の推定方法において、
前記状況データはエリアにある道路の路側帯の混雑状況を定義する混雑データ又は非混雑状況を定義する非混雑データであり、
前記車両データは、停車前の前記プローブカーの走行履歴のパターン、及び／又は目的地と停車位置との距離を含む、エリア状況の推定方法。
【請求項2】
前記モデルエリアの状況の収集は、前記車両データの収集時に実行される請求項１に記載の方法。
【請求項3】
前記モデルエリアの状況の収集は、前記車両データの収集後に実行される請求項１に記載の方法。
【請求項4】
前記走行履歴のパターンは、速度変化、座標変化、方向変化の少なくとも一つを含む請求項１に記載の方法。
【請求項5】
エリアの状況を推定する推定装置であって、学習部と運用部とを備え、前記学習部は、
モデルエリアに存在する複数のプローブカーのそれぞれのプローブデータ又は車両インナーデータを含む車両データのセットと、モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成する教師データ生成部と、
学習機能を備える状況推定部であって、前記教師データが入力され、前記車両データのセットと前記状況データとの関係を学習する状況推定部と、とを備え、
前記運用部は、
学習済の前記状況推定部へ、状況未知の前記モデルエリアとは異なる任意の推定対象エリアにおける車両データのセットを入力して、該入力時の前記推定対象エリアの状況を推定する、エリア状況の推定装置において、
前記状況データはエリアにある道路の路側帯の混雑状況を定義する混雑データ又は非混雑状況を定義する非混雑データであり、
前記車両データは、停車前の前記プローブカーの走行履歴のパターン、及び／又は目的地と停車位置との距離を含む、エリア状況の推定装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明はエリア状況の推定方法及びその学習方法、並びにエリア状況の推定装置及びその学習装置に関する。この発明が対象とするエリア状況の推定方法は、例えば車両用のナビゲーション装置に適用される地図上の所望エリアに存在する車両の状況を、ＡＩ技術を用いて、推定する方法に関する。
【背景技術】
【0002】
ナビゲーション装置に適用される便利な機能として目的地が存在するエリアにおける車両の状況を推定することがある。このようなエリア状況推定の一例として駐車場の空満状況の推定がある。駐車場の空満状況は、駐車場に備えられるセンサの他、駐車待時間や駐車待車両の車列長さなどから推定されて、ナビゲーション装置に反映される。
他方、例えば駅前においては、車両を駐車場に収めるまでもなく、短い間、駅近くの道路の路側帯に車両を停車させたい場合がある。
駐車場の場合に照らしていえば、所定のエリアにある道路の路側帯の空満状況（混雑状況）の推定機能がナビゲーション装置に備えられればうれしい。
本願発明に関連する技術を開示する先行技術文献として特許文献１～３を参照されたい。
他方、例えば駅前においては、車両を駐車場に収めるまでもなく、短い間、駅近くの道路の路側帯に車両を停車させたい場合がある。
駐車場の場合に照らしていえば、所定のエリアにある道路の路側帯の空満状況（混雑状況）の推定機能がナビゲーション装置に備えられればうれしい。
本願発明に関連する技術を開示する先行技術文献として特許文献１～３を参照されたい。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１６－０９５６６３号公報
【文献】特開２０１３－０６８５２１号公報
【文献】特開２００７－１４９０５４号公報
【発明の開示】
【発明が解決しようとする課題】
【0004】
路側帯での停車は短時間しか認められないので、停車しようとする車両と発車しようとする車両との動作が頻繁に発生する。したがって、長い時間の停車（駐車）を前提とする駐車場での混雑状況を推定する方法はそのまま適用することができない。
本発明者の検討によれば、路側帯の混雑状況を推定する技術を開示乃至示唆する先行文献は何ら見当たらなかった。
本発明者の検討によれば、路側帯の混雑状況を推定する技術を開示乃至示唆する先行文献は何ら見当たらなかった。
【課題を解決するための手段】
【0005】
本発明者は上記課題を解決すべく鋭意検討を重ねてきたところ、モデルとなるエリアにおいて、混雑状況の路側帯へ同時期に停車した車両（プローブカー）と非混雑状況の路側帯へ同時期に停車した車両とでは、停車までの走行履歴のパターンに違いがあるのではないかと考えた。
例えば、混雑時には停車希望の路側帯位置に他の車両が停車している場合が多い、その結果、停車希望の路側帯位置へ停車するまでに、その車両は特徴的な走行履歴のパターンを示す。特徴的な走行履歴パターンとして、停車希望の路側帯位置の周囲を巡回することがある。ここに、巡回とは、停車希望の路側帯位置を一旦通り過ぎて、左右折、Ｕターン、及び／又は後進等を行って、当該停車希望の路側帯位置へ再度アプローチすることをいう。停車希望の路側帯位置（目的地）への停車が叶わずに、当該位置から離れた位置に車両を停車せざるを得ない場合もある。
例えば、混雑時には停車希望の路側帯位置に他の車両が停車している場合が多い、その結果、停車希望の路側帯位置へ停車するまでに、その車両は特徴的な走行履歴のパターンを示す。特徴的な走行履歴パターンとして、停車希望の路側帯位置の周囲を巡回することがある。ここに、巡回とは、停車希望の路側帯位置を一旦通り過ぎて、左右折、Ｕターン、及び／又は後進等を行って、当該停車希望の路側帯位置へ再度アプローチすることをいう。停車希望の路側帯位置（目的地）への停車が叶わずに、当該位置から離れた位置に車両を停車せざるを得ない場合もある。
【0006】
他方、非混雑状況において、車両の運転者は何らストレスなく、その車両を停車希望の路側帯位置に停車させられる。換言すれば、停車までの走行履歴パターンでは上記巡回が生じることがなく、目的地から離れた路側帯に停車することもない。
以上の知見より、本発明者は以下に説明する本願発明に想到した。
なお、上記の説明では、エリアの状況としてエリアにある道路の路側帯の混雑状況を例に採り上げているが、エリアの状況を推定する方法として本願発明は一般化できる。本願発明の推定方法は特定のエリアにおける車両の状況が頻繁に変化する場合に好適である。かかる場合の例として、上記の路側帯での混雑状況を推定する他、集中豪雨に見舞われたエリアにおける車両の動きがある。
以上の知見より、本発明者は以下に説明する本願発明に想到した。
なお、上記の説明では、エリアの状況としてエリアにある道路の路側帯の混雑状況を例に採り上げているが、エリアの状況を推定する方法として本願発明は一般化できる。本願発明の推定方法は特定のエリアにおける車両の状況が頻繁に変化する場合に好適である。かかる場合の例として、上記の路側帯での混雑状況を推定する他、集中豪雨に見舞われたエリアにおける車両の動きがある。
【0007】
この発明の第１の局面は次のように規定される。即ち、
エリアの状況を推定する方法であって、
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成し、
学習機能を備える状況推定部へ前記教師データを入力し、前記車両データのセットと前記状況データとの関係を学習させ、
学習済の状況推定部へ、状況未知の推定対象エリアにおける車両データのセットを入力し、前記推定対象エリアの状況を推定する、エリア状況の推定方法。
エリアの状況を推定する方法であって、
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成し、
学習機能を備える状況推定部へ前記教師データを入力し、前記車両データのセットと前記状況データとの関係を学習させ、
学習済の状況推定部へ、状況未知の推定対象エリアにおける車両データのセットを入力し、前記推定対象エリアの状況を推定する、エリア状況の推定方法。
【0008】
このように規定される第１の局面の推定方法によれば、エリアの状況を推定するに際し、エリアに存在する複数のプローブカーの車両データを用いる。ここに車両データとは、プローブカーが保存し又は生成する車両に関する一切のデータを指し、例えば、プローブデータや車両インナーデータがある。プローブデータはプローブカーの走行履歴を示すための位置情報（ｘ、ｙ）とその取得時間ｔとから専ら構成される。車両インナーデータは車両が備えるセンサ、コントロールユニットその他から出力される当該車両の各種状態に関するデータであって、当該車両に搭載されたネットワーク上でＣＡＮ（Controller Area Network）をはじめとした各種通信プロトコルにより伝送可能なデータをいう。
【0009】
この発明では、モデルエリアを定めて、当該モデルエリアに存在する複数のプローブカーのそれぞれの車両データとこのモデルエリアの状況を定義する状況データとを教師データとする。教師データを収集してこれを状況推定部へ入力する。この状況推定部は学習機能（ディープラーニング等の機械学習機能）を備える。即ち、ＡＩ処理の学習モードを実行する。
この学習モードにより、車両データのセットとモデルエリアの状況を特定する状況データとの関係が学習される。例えば、車両データのセットとして、任意に指定した時間帯における、モデルエリアの路側帯に駐車していたプローブカーの走行軌跡のセットを採用できる。モデルエリアの状況、例えばモデルエリアにある道路の路側帯が混雑状況であるか非混雑状況であるか、を特定する状況データとして「混雑データ」と「非混雑データ」とを採用することができる。この場合、混雑状況であるか非混雑状況であるかは、指定された時間帯におけるモデルエリアの現状視察若しくはその撮影画像に基づき人が判断する。また、撮影画像を画像処理してその判断をコンピュータ装置にさせることもできる。
この学習モードにより、車両データのセットとモデルエリアの状況を特定する状況データとの関係が学習される。例えば、車両データのセットとして、任意に指定した時間帯における、モデルエリアの路側帯に駐車していたプローブカーの走行軌跡のセットを採用できる。モデルエリアの状況、例えばモデルエリアにある道路の路側帯が混雑状況であるか非混雑状況であるか、を特定する状況データとして「混雑データ」と「非混雑データ」とを採用することができる。この場合、混雑状況であるか非混雑状況であるかは、指定された時間帯におけるモデルエリアの現状視察若しくはその撮影画像に基づき人が判断する。また、撮影画像を画像処理してその判断をコンピュータ装置にさせることもできる。
【0010】
運用モードでは、状況未知の推定対象エリアにおける車両データのセットを学習済の状況推定部へ入力する。状況推定部は入力された車両データのセットに基づき、推定対象エリアの状況を特定する状況データを出力する。この状況データから推定対象エリアの状況が推定される。このとき、モデルエリアにおいて複数のプローブカーを選択したルールと同じルールを用いて推定対象エリアにおいても複数のプローブカーが選択されてそれらの車両データが学習済の状況推定部へ入力されるものとする。
【0011】
この発明の第２の局面は次のように規定される。即ち、
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、前記モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成し、
学習機能を備える状況推定部へ該教師データを入力し、前記車両データのセットと前記状況データとの関係を学習させる、エリア状況の推定方法用の学習方法。
この発明の第２の局面は、第１の局面における学習モードを規定する。当該第２の局面で規定する学習方法を実行することにより、学習済の状況推定部が得られる。
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、前記モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成し、
学習機能を備える状況推定部へ該教師データを入力し、前記車両データのセットと前記状況データとの関係を学習させる、エリア状況の推定方法用の学習方法。
この発明の第２の局面は、第１の局面における学習モードを規定する。当該第２の局面で規定する学習方法を実行することにより、学習済の状況推定部が得られる。
【0012】
この発明の第３の局面は次のように規定される。即ち、
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、前記モデルエリアの状況を定義する状況データとからなる教師データを入力して、前記車両データのセットと前記状況データとの関係を学習させた、学習済の状況推定部を準備し、
該学習済の状況推定部へ、状況未知の推定対象エリアにおける車両データのセットを入力し、前記推定対象エリアの状況を推定する、エリア状況の推定方法。
この発明の第２の局面で規定する学習済の状況推定部を用いることにより、状況未知の推定対象エリアの状況を推定可能となる。
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、前記モデルエリアの状況を定義する状況データとからなる教師データを入力して、前記車両データのセットと前記状況データとの関係を学習させた、学習済の状況推定部を準備し、
該学習済の状況推定部へ、状況未知の推定対象エリアにおける車両データのセットを入力し、前記推定対象エリアの状況を推定する、エリア状況の推定方法。
この発明の第２の局面で規定する学習済の状況推定部を用いることにより、状況未知の推定対象エリアの状況を推定可能となる。
【0013】
この発明の第４の局面は次のように規定される。即ち
第１の局面において、前記モデルエリアの状況の収集は、前記車両データの収集時に実行される。
このように規定される第４の局面の推定方法によれば、モデルエリアの状況を特定する状況データと車両データとが同じ時間帯に得られるものとなるので、両者の関係が密接である。よって、状況の推定に高い精度が得られる。
第１の局面において、前記モデルエリアの状況の収集は、前記車両データの収集時に実行される。
このように規定される第４の局面の推定方法によれば、モデルエリアの状況を特定する状況データと車両データとが同じ時間帯に得られるものとなるので、両者の関係が密接である。よって、状況の推定に高い精度が得られる。
【0014】
この発明の第５の局面は次のように規定される。即ち
第１の局面において、前記モデルエリアの状況の収集は、前記車両データの収集後に実行される。
このように規定される第５の局面の推定方法によれば、車両データに基づきその後に発生するエリアの状況を推定可能となる。例えば、目的地に到着する直前にこの発明の推定方法を実行することで、到着時における目的地の状況の推定が可能となる。ここに、目的地における車両データを収集する時間帯は、目的地に到着する直前の所定の時刻（例えば、状況推定を起動した時刻）から所定の時間を遡ったものとする。そして、かかる時間帯に得られた車両データに基づいて目的地到着時の目的地の状況が推定される。
第１の局面において、前記モデルエリアの状況の収集は、前記車両データの収集後に実行される。
このように規定される第５の局面の推定方法によれば、車両データに基づきその後に発生するエリアの状況を推定可能となる。例えば、目的地に到着する直前にこの発明の推定方法を実行することで、到着時における目的地の状況の推定が可能となる。ここに、目的地における車両データを収集する時間帯は、目的地に到着する直前の所定の時刻（例えば、状況推定を起動した時刻）から所定の時間を遡ったものとする。そして、かかる時間帯に得られた車両データに基づいて目的地到着時の目的地の状況が推定される。
【0015】
この発明の第６の局面は次のように規定される。即ち、
第１の局面において、前記状況データはエリアにある道路の路側帯の混雑状況を定義する混雑データ又は非混雑状況を定義する非混雑データであり、
前記車両データは、停車前の前記プローブカーの走行履歴のパターン、及び／又は目的地と停車位置との距離を含む。
このように規定される第６の局面に規定の推定方法によれば、エリアにある道路の路側帯の混雑状況の推定が可能となる。
第１の局面において、前記状況データはエリアにある道路の路側帯の混雑状況を定義する混雑データ又は非混雑状況を定義する非混雑データであり、
前記車両データは、停車前の前記プローブカーの走行履歴のパターン、及び／又は目的地と停車位置との距離を含む。
このように規定される第６の局面に規定の推定方法によれば、エリアにある道路の路側帯の混雑状況の推定が可能となる。
【0016】
この発明の第７の局面は次のように規定される。即ち、
第６の局面に規定の推定方法において、前記走行履歴のパターンは、速度変化、座標変化、方向変化の少なくとも一つを含む。
このように規定される第７の局面に規定の推定方法によれば、車両データとして取得容易な走行状態データが選択されるので、その実行が容易になる。
第６の局面に規定の推定方法において、前記走行履歴のパターンは、速度変化、座標変化、方向変化の少なくとも一つを含む。
このように規定される第７の局面に規定の推定方法によれば、車両データとして取得容易な走行状態データが選択されるので、その実行が容易になる。
【0017】
この発明の第８の局面は次のように規定される。即ち、
エリアの状況を推定する推定装置であって、学習部と運用部とを備え、
前記学習部は、
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成する教師データ生成部と、
学習機能を備える状況推定部であって、前記教師データが入力され、前記車両データのセットと前記状況データとの関係を学習する状況推定部と、とを備え、
前記運用部は、
学習済の前記状況推定部へ、状況未知の推定対象エリアにおける車両データのセットを入力して、前記推定対象エリアの状況を推定する、エリア状況の推定装置。
このように規定される第８の局面の装置によれば、第１の局面と同様の効果が得られる。
エリアの状況を推定する推定装置であって、学習部と運用部とを備え、
前記学習部は、
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成する教師データ生成部と、
学習機能を備える状況推定部であって、前記教師データが入力され、前記車両データのセットと前記状況データとの関係を学習する状況推定部と、とを備え、
前記運用部は、
学習済の前記状況推定部へ、状況未知の推定対象エリアにおける車両データのセットを入力して、前記推定対象エリアの状況を推定する、エリア状況の推定装置。
このように規定される第８の局面の装置によれば、第１の局面と同様の効果が得られる。
【0018】
この発明の第９の局面は次のように規定される。即ち、
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、前記モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成する教師データ生成部と、
学習機能を備える状況推定部であって、前記教師データが入力され、前記車両データのセットと前記状況データとの関係を学習する、エリア状況の推定方法用の学習装置。
このように規定される第９の局面の装置によれば、第２の局面と同様の効果が得られる。
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、前記モデルエリアの状況とを収集し、前記車両データのセットと前記モデルエリアの状況を定義する状況データとを含む教師データを生成する教師データ生成部と、
学習機能を備える状況推定部であって、前記教師データが入力され、前記車両データのセットと前記状況データとの関係を学習する、エリア状況の推定方法用の学習装置。
このように規定される第９の局面の装置によれば、第２の局面と同様の効果が得られる。
【0019】
この発明の第１０の局面は次のように規定される。即ち、
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、前記モデルエリアの状況を定義する状況データとからなる教師データを入力して、前記車両データのセットと前記状況データとの関係を学習させた、学習済の状況推定部を備え、
該学習済の状況推定部へ、状況未知の推定対象エリアにおける車両データのセットを入力して、前記推定対象エリアの状況を推定する、エリア状況の推定装置。
このように規定される第１０の局面の装置によれば、第３の局面と同様の効果が得られる。
モデルエリアに存在する複数のプローブカーのそれぞれの車両データのセットと、前記モデルエリアの状況を定義する状況データとからなる教師データを入力して、前記車両データのセットと前記状況データとの関係を学習させた、学習済の状況推定部を備え、
該学習済の状況推定部へ、状況未知の推定対象エリアにおける車両データのセットを入力して、前記推定対象エリアの状況を推定する、エリア状況の推定装置。
このように規定される第１０の局面の装置によれば、第３の局面と同様の効果が得られる。
【0020】
この発明の第１１の局面は次のように規定される。即ち、
前記モデルエリアの状況の収集は、前記車両データの収集時に実行される第８～１０の局面の何れかに記載の装置。
このように規定される第１１の局面の装置によれば、第４の局面と同様の効果が得られる。
前記モデルエリアの状況の収集は、前記車両データの収集時に実行される第８～１０の局面の何れかに記載の装置。
このように規定される第１１の局面の装置によれば、第４の局面と同様の効果が得られる。
【0021】
この発明の第１２の局面は次のように規定される。即ち、
前記モデルエリアの状況の収集は、前記車両データの収集後に実行される第８～１０の何れかの局面に記載の装置。
このように規定される第１２の局面の装置によれば、第５の局面と同様の効果が得られる。
前記モデルエリアの状況の収集は、前記車両データの収集後に実行される第８～１０の何れかの局面に記載の装置。
このように規定される第１２の局面の装置によれば、第５の局面と同様の効果が得られる。
【0022】
この発明の第１３の局面は次のように規定される。即ち、
前記状況データはエリアにある道路の路側帯の混雑状況を定義する混雑データ又は非混雑状況を定義する非混雑データであり、
前記車両データは、停車前の前記プローブカーの走行履歴のパターン、及び／又は目的地と停車位置との距離を含む、第８～１０のいずれかの局面に記載の装置。
このように規定される第１３の局面の装置によれば、第の局面６と同様の効果が得られる。このように規定される第８の局面の装置によれば、第の局面と同様の効果が得られる。
前記状況データはエリアにある道路の路側帯の混雑状況を定義する混雑データ又は非混雑状況を定義する非混雑データであり、
前記車両データは、停車前の前記プローブカーの走行履歴のパターン、及び／又は目的地と停車位置との距離を含む、第８～１０のいずれかの局面に記載の装置。
このように規定される第１３の局面の装置によれば、第の局面６と同様の効果が得られる。このように規定される第８の局面の装置によれば、第の局面と同様の効果が得られる。
【0023】
この発明の第の局面は次のように規定される。即ち、
前記走行履歴のパターンは、速度変化、座標変化、方向変化の少なくとも一つを含む第１３の局面に記載の装置。
このように規定される第１４の局面の装置によれば、第７の局面と同様の効果が得られる。
前記走行履歴のパターンは、速度変化、座標変化、方向変化の少なくとも一つを含む第１３の局面に記載の装置。
このように規定される第１４の局面の装置によれば、第７の局面と同様の効果が得られる。
【図面の簡単な説明】
【0024】
【発明を実施するための形態】
【0025】
図１はこの発明の実施形態の教師データ作成装置１を示すブロック図である。
この教師データ作成装置１は、車両データ保存部２、プローブカー抽出部３、車両データセット作成部４、エリア状況入力部５、教師データ作成部６、出力部７及び教師データ保存部８から構成される。
車両データ保存部２には、プローブカーから収集された車両データが保存される。車両データにはプローブデータと車両インナーデータとが含まれる。
この教師データ作成装置１は、車両データ保存部２、プローブカー抽出部３、車両データセット作成部４、エリア状況入力部５、教師データ作成部６、出力部７及び教師データ保存部８から構成される。
車両データ保存部２には、プローブカーから収集された車両データが保存される。車両データにはプローブデータと車両インナーデータとが含まれる。
【0026】
プローブカー抽出部３は、図２に破線で示すモデルエリアＭＡに含まれる道路（以下「モデル道路」ということがある）の路側帯において指定した時間帯に駐車していたプローブカーを抽出する。なお、モデルエリアＭＡは任意に選択できるが、例えば図２に示すとおり、駅を中心とした所定の領域をもってモデルエリアＭＡとすることができる。時間帯は例えば１０分間として、任意の時刻Ｔ０においてモデル道路の路側帯に停車していたプローブカーを抽出する。抽出されたプローブカーの数、即ち、時刻Ｔ０にモデル道路の路側帯に停車していたプローブカーの数が１０に満たないとき、１分ごとに合計１０回まで時間を遡り、すでに抽出したプローブカー以外に駐車していたプローブカーを抽出する。時間を遡る途中で抽出したプローブカーの合計数が１０に達したときは更なるプローブカーの抽出は止める。抽出したプローブカーの総数が１０に満たなくても、時刻Ｔ０から１０分間遡った時刻（Ｔ0-１0）において抽出を止める。
【0027】
このようにして抽出された各プローブカーにつき、それが停車する前の車両データを車両データ保存部２から読み出す。
この車両データとして、停車前に車両が停車位置の周囲を巡回していたか否かを示す走行履歴のパターンを採用することができる。走行履歴のパターンとして、例えば、停車前５分間の走行軌跡（座標変化）をプローブデータから形成する。当該走行軌跡が停車位置に重なっていれば、そのプローブカーは巡回していたと考えられる。その他、例えば停車前５分間における速度変化や方向変化の頻度もプローブカーの巡回を示唆するデータとなる。速度変化や方向変化はプローブデータの他ない車両インナーデータを利用することもできる。
この車両データとして、停車前に車両が停車位置の周囲を巡回していたか否かを示す走行履歴のパターンを採用することができる。走行履歴のパターンとして、例えば、停車前５分間の走行軌跡（座標変化）をプローブデータから形成する。当該走行軌跡が停車位置に重なっていれば、そのプローブカーは巡回していたと考えられる。その他、例えば停車前５分間における速度変化や方向変化の頻度もプローブカーの巡回を示唆するデータとなる。速度変化や方向変化はプローブデータの他ない車両インナーデータを利用することもできる。
【0028】
プローブカーを抽出した時間帯におけるモデルエリアの道路の路側帯が混雑状況であるか若しくは非混雑状況であるかを特定する状況データ（混雑データ、非混雑データ）を、エリア状況入力部５を介して、ヒトがマニュアルで入力する。混雑・非混雑の判断は現場において行うこともできるし、駅前通り（道路）について指定時間帯に撮影された画像からその判断を行うこともできる。
この発明の他の態様では、プローブカーを抽出した時間帯の後の時間帯の路側帯の状況が採用される。
教師データ作成部７はエリア状況入力部５を介して入力された混雑データ若しくは非混雑データに対して、当該取得時間帯に出した各プローブカーの車両データのセットを組み合わせて、教師データとする。
この発明の他の態様では、プローブカーを抽出した時間帯の後の時間帯の路側帯の状況が採用される。
教師データ作成部７はエリア状況入力部５を介して入力された混雑データ若しくは非混雑データに対して、当該取得時間帯に出した各プローブカーの車両データのセットを組み合わせて、教師データとする。
【0029】
教師データの例を表１に示す。
【表1】
【0030】
表１において、プローブカーがモデルエリアＭＡ内の路側帯に停車していたときは、車両データの「エリア内に停車」の欄に「１」が付される。かかるプローブカーが存在しないときは、「１」の付されたプローブカー以降のプローブカーの該当する欄に「０」が付される。なお、当該「０」の付されたプローブカーの他の車両データにも「０」が付される。
プローブカーの迂回の有無を判定するため、停車位置に走行軌跡が重複していた場合に「走行軌跡が重複」の欄に「１」が付され、重複していない場合には「０」が付される。同様に走行軌跡に５回を超える方向転回がみられるときは「方向転回＞５」の欄に「１」が付され、方向転回の回数が５以下のときは「０」が付される。
プローブカーの迂回の有無を判定するため、停車位置に走行軌跡が重複していた場合に「走行軌跡が重複」の欄に「１」が付され、重複していない場合には「０」が付される。同様に走行軌跡に５回を超える方向転回がみられるときは「方向転回＞５」の欄に「１」が付され、方向転回の回数が５以下のときは「０」が付される。
【0031】
停車位置から駅までの距離に基づき混雑状況であるか非混雑状況であるかを判定するため、プローブカーのナビゲーション装置が駅を目的地としているとき「駅が目的地」の欄に「１」が付され、駅が目的地に設定されていないときは「０」が付される。また、停車位置から駅までの距離が５０ｍ以上のときは「５０ｍ以上」の欄に「１」が付され、５０ｍ未満のときは「０」が付される。駅を目的地としているにも関わらず停車位置から駅までの距離が５０ｍ以上のとき、駅前の道路は混雑状況と推定される。
【0032】
図２に示す状況は「混雑１」として表１に記される。
図３に示す状況は「非混雑１」として表１に記される。この例では、指定した時間帯において３台のプローブカーのみが停車しており、駅前道路の路側帯に常に空きがあったことがわかる。なお、抽出されなかった４台目以降の各車両データは０である。
図４に示す状況は「非混雑２」として表１に示される。ここに、混雑１（図２）と非混雑２（図４）とでは、プローブカー１～５の車両データは等しい。ただし、非混雑２のプローブカー６～１０は、何ら巡回することなく、停車が出来ている。これは、先の停車車両が路側帯から離脱してすぐに空きのスペースが見つかったことを意味する。換言すれば、駅前道路には常に停車車両が存在し、一見すると、混雑状況に見えるが、現実には車両の出入りが頻繁に行われているので、後から到着した車両は何らストレスなく停車可能であること、即ち、非混雑状況であることを意味する。
図３に示す状況は「非混雑１」として表１に記される。この例では、指定した時間帯において３台のプローブカーのみが停車しており、駅前道路の路側帯に常に空きがあったことがわかる。なお、抽出されなかった４台目以降の各車両データは０である。
図４に示す状況は「非混雑２」として表１に示される。ここに、混雑１（図２）と非混雑２（図４）とでは、プローブカー１～５の車両データは等しい。ただし、非混雑２のプローブカー６～１０は、何ら巡回することなく、停車が出来ている。これは、先の停車車両が路側帯から離脱してすぐに空きのスペースが見つかったことを意味する。換言すれば、駅前道路には常に停車車両が存在し、一見すると、混雑状況に見えるが、現実には車両の出入りが頻繁に行われているので、後から到着した車両は何らストレスなく停車可能であること、即ち、非混雑状況であることを意味する。
【0033】
図２～図４に示すモデルエリアにつき、長期間かけて表１に示すデータセット（教師データ）を取得する。
教師データの数がＡＩ処理に適した数に達したら、この教師データを図５に示す学習装置１００へ入力する。
この学習装置１００は教師データ保存部８と状況推定部１５とを備えてなる。教師データ保存部８には、車両データセット保存領域８Ａとエリア状況保存領域８Ｂとが備えられる。
教師データ保存部８に保存された教師データが状況推定部１５に入力されると、状況推定部１５はＡＩプログラムに基づいて機械学習を行い、その結果、車両データセットと状況データとが所定の関係に関係付けられる。
教師データの数がＡＩ処理に適した数に達したら、この教師データを図５に示す学習装置１００へ入力する。
この学習装置１００は教師データ保存部８と状況推定部１５とを備えてなる。教師データ保存部８には、車両データセット保存領域８Ａとエリア状況保存領域８Ｂとが備えられる。
教師データ保存部８に保存された教師データが状況推定部１５に入力されると、状況推定部１５はＡＩプログラムに基づいて機械学習を行い、その結果、車両データセットと状況データとが所定の関係に関係付けられる。
【0034】
状況未知の推定対象エリアについてプローブカーの車両データを収集し、推定装置２００のメモリ部２３の車両データセット保存領域２３Ａに保存する。かかる車両データのセットを学習済の状況推定部１５へ入力すると、当該車両データのセットに対応する状況データが、例えばその確率とともに出力部１７から出力される。状況データが混雑データであったとき、推定対象エリアにある道路の路側帯は混雑状況であると推定される。
【0035】
次に、この発明の推定装置の動作について図７以降のフローチャートを参照しながら説明する。
＜学習モード＞
図７のステップ１において、ナビゲーション装置で用いられる地図データ上にモデルエリアＭＡを特定する。ステップ２では、モデルエリアＭＡに含まれる停車可能な道路（モデル道路）を抽出する。
ステップ３では、任意の時間Ｔ０を指定する。これにより時間Ｔ０から１０分間遡った時間帯（Ｔ-１０～Ｔ０）が指定される。
ステップ４では、ステップ３で指定された時間帯においてモデルエリアＭＡの状況（混雑状況であったか非混雑状況であったか）が特定されて状況データ（混雑データ又は非混雑データ）が作成される。モデルエリアの状況はエリア状況入力部５からのデータ入力により特定され、教師データ作成部で状況データ化される。
なお、ステップ３で指定した時間帯の後の時間帯でモデルエリアＭＡの状況を特定し、それで状況データを作成することもできる。
＜学習モード＞
図７のステップ１において、ナビゲーション装置で用いられる地図データ上にモデルエリアＭＡを特定する。ステップ２では、モデルエリアＭＡに含まれる停車可能な道路（モデル道路）を抽出する。
ステップ３では、任意の時間Ｔ０を指定する。これにより時間Ｔ０から１０分間遡った時間帯（Ｔ-１０～Ｔ０）が指定される。
ステップ４では、ステップ３で指定された時間帯においてモデルエリアＭＡの状況（混雑状況であったか非混雑状況であったか）が特定されて状況データ（混雑データ又は非混雑データ）が作成される。モデルエリアの状況はエリア状況入力部５からのデータ入力により特定され、教師データ作成部で状況データ化される。
なお、ステップ３で指定した時間帯の後の時間帯でモデルエリアＭＡの状況を特定し、それで状況データを作成することもできる。
【0036】
ステップ５では、指定した時間帯内においてモデル道路の路側帯に停車していたプローブカーを抽出する。より詳しくは、図８に示す動作を実行する。
即ち、ステップ５１において、指定した時刻Ｔ０においてモデル道路の路側帯に停車しているプローブカーを駅に近い順に抽出する。抽出したプローブカーの総数が１０台に達したときは（ステップ５２＝ＹＥＳ）、ステップ５７に進んで抽出したプローブカーを保存する。抽出したプローブカーの総数が１０台に満たないときは（ステップ５２＝ＮＯ）、ステップ５３に進む。
即ち、ステップ５１において、指定した時刻Ｔ０においてモデル道路の路側帯に停車しているプローブカーを駅に近い順に抽出する。抽出したプローブカーの総数が１０台に達したときは（ステップ５２＝ＹＥＳ）、ステップ５７に進んで抽出したプローブカーを保存する。抽出したプローブカーの総数が１０台に満たないときは（ステップ５２＝ＮＯ）、ステップ５３に進む。
【0037】
ステップ５３では、指定した時刻Ｔ０より１分前においてモデル道路の路側帯に駐車しているプローブカーであって、未だ抽出されていないものを駅から近い順に抽出する。ステップ５１とステップ５３とで抽出したプローブカーの総数が１０台に達したときは（ステップ５４＝ＹＥＳ）、ステップ５７に進む。当該総数が１０に満たないときはステップ５５に進み、以後、１分前毎に、１０分前まで同様の動作を繰り返す（ステップ５５＝ＮＯ）。１０分間遡っても抽出した総数が１０台に達しないときでもテップ５７に進む（ステップ５５＝ＹＥＳ）。
【0038】
図７に戻り、ステップ６では、ステップ５７において保存されたプローブカーの走行履歴パターンを特定して、車両データを特定する。より詳しくは、図９に示す動作を実行する。
即ち、ステップ６１において最初に抽出したプローブカーＮｏ．１の停車位置ＳＸ１，Ｙ１と停車時刻ＴＳ１を特定する。この停止時刻ＴＳ１はプローブカー毎に異なっており、指定時間帯（Ｔ-１０～Ｔ０）より前の時刻となる場合もある。
ステップ６２では、プローブカーＮｏ．１につき、車両データ保存部２に保存されているデータを参照して、その停止時刻ＴＳ１から５分間遡る走行軌跡を作成する。
このように作成された走行軌跡が停車位置ＳＸ１，Ｙ１を通過していたとき（ステップ６３＝ＹＥＳ）、車両データとして表１の［走行軌跡が重複］の欄に「１」を付し（ステップ６３１）、そうでないときは同欄に「０」を付す（ステップ６３２）。
ステップ６４では作成された走行軌跡を参照して、方向転回が５回を超えているとき（ステップ６４＝ＹＥＳ）、車両データとして表１の［方向転回＞５］の欄に「１」を付し（ステップ６４１）、そうでないときは同欄に「０」を付す（ステップ６４２）。
即ち、ステップ６１において最初に抽出したプローブカーＮｏ．１の停車位置ＳＸ１，Ｙ１と停車時刻ＴＳ１を特定する。この停止時刻ＴＳ１はプローブカー毎に異なっており、指定時間帯（Ｔ-１０～Ｔ０）より前の時刻となる場合もある。
ステップ６２では、プローブカーＮｏ．１につき、車両データ保存部２に保存されているデータを参照して、その停止時刻ＴＳ１から５分間遡る走行軌跡を作成する。
このように作成された走行軌跡が停車位置ＳＸ１，Ｙ１を通過していたとき（ステップ６３＝ＹＥＳ）、車両データとして表１の［走行軌跡が重複］の欄に「１」を付し（ステップ６３１）、そうでないときは同欄に「０」を付す（ステップ６３２）。
ステップ６４では作成された走行軌跡を参照して、方向転回が５回を超えているとき（ステップ６４＝ＹＥＳ）、車両データとして表１の［方向転回＞５］の欄に「１」を付し（ステップ６４１）、そうでないときは同欄に「０」を付す（ステップ６４２）。
【0039】
ステップ６５ではプローブカーＮｏ．１のナビゲーション装置が駅を目的地として設定していたか否かを確認し、駅を目的地に設定されたとき（ステップ６５＝ＹＥＳ）、車両データとして表１の［駅が目的地］の欄に「１」を付し（ステップ６５１）、そうでないときは同欄に「０」を付す（ステップ６５２）。
ステップ６６ではプローブカーＮｏ．１の停止位置ＳＸ１，Ｙ１から駅（中心地点）までの距離を演算し、その距離が５０ｍ以上離れていたとき（ステップ６６＝ＹＥＳ）、車両データとして表１の［５０ｍ以上］の欄に「１」を付し（ステップ６６１）、そうでないときは同欄に「０」を付す（ステップ６６２）。
かかる処理を抽出されたすべてのプローブカーに対して実行する。
ステップ６６ではプローブカーＮｏ．１の停止位置ＳＸ１，Ｙ１から駅（中心地点）までの距離を演算し、その距離が５０ｍ以上離れていたとき（ステップ６６＝ＹＥＳ）、車両データとして表１の［５０ｍ以上］の欄に「１」を付し（ステップ６６１）、そうでないときは同欄に「０」を付す（ステップ６６２）。
かかる処理を抽出されたすべてのプローブカーに対して実行する。
【0040】
図７に戻り、上記ステップ６において車両データのセット（１０個）とステップ４において状況データ（混雑データ、非混雑データ）とが作成されたことがわかる。当該車両データのセットと状況データとを組み合わせて、表１に示す教師データが作成される（ステップ７）。
この教師データは、図５に示す学習装置１００の教師データ保存部８に一旦保存される。保存された教師データに対し、汎用的な前処理（例えば、データの水増しやダミーデータの追加など）を行って、これをＡＩプログラムの組み込まれた状況推定部１５へ入力する。状況推定部１５は機械学習を実行して車両データのセットと状況データとの関係を学習する。
この教師データは、図５に示す学習装置１００の教師データ保存部８に一旦保存される。保存された教師データに対し、汎用的な前処理（例えば、データの水増しやダミーデータの追加など）を行って、これをＡＩプログラムの組み込まれた状況推定部１５へ入力する。状況推定部１５は機械学習を実行して車両データのセットと状況データとの関係を学習する。
【0041】
＜運用モード＞
次に、学習済の状況推定部１５を用いる運用モードについて説明する。ここに、学習済の状況推定部１５は、当該学習を実行したそのものを用いてもよいし、または、学習済のプログラム内容のコピープログラムをインストールした、物理的に異なる状況推定部１５を用いてもよい。
自動車を使って家族を駅へ送迎する際、駅前の道路の路側帯に簡単に停車できるか否かを知りたい場合がある。この例の運用モードでは、最寄りの駅への送迎に際し、出発時若しくはその運転中に当該最寄り駅近くの道路へ簡単に停車できるか否か、即ち、当該道路の混雑状況を推定する際に適用される。ナビゲーション装置が当該推定機能を備えており、最寄り駅を目的地として当該機能をオンとしたとき、最寄り駅に到着したときの最寄り駅前道路の混雑状況が推定され、ナビゲーション装置に表示されるものとする。
次に、学習済の状況推定部１５を用いる運用モードについて説明する。ここに、学習済の状況推定部１５は、当該学習を実行したそのものを用いてもよいし、または、学習済のプログラム内容のコピープログラムをインストールした、物理的に異なる状況推定部１５を用いてもよい。
自動車を使って家族を駅へ送迎する際、駅前の道路の路側帯に簡単に停車できるか否かを知りたい場合がある。この例の運用モードでは、最寄りの駅への送迎に際し、出発時若しくはその運転中に当該最寄り駅近くの道路へ簡単に停車できるか否か、即ち、当該道路の混雑状況を推定する際に適用される。ナビゲーション装置が当該推定機能を備えており、最寄り駅を目的地として当該機能をオンとしたとき、最寄り駅に到着したときの最寄り駅前道路の混雑状況が推定され、ナビゲーション装置に表示されるものとする。
【0042】
図１０のフローチャートにおいて、ステップ１０１で目的地を推定すると、推定装置２００（図６参照）は、目的地の周囲に推定対象エリアを設定する。設定の方法は特に限定されないが、目的地を中心として、所定の距離（例えば１００ｍ）の範囲であったり、目的地に接する道路と交差する道路（一次交差道路）、更には交差する道路（一次交差道路）に更に交差する道路（二次交差道路）において、目的地から所定の距離（例えば１００ｍ）にある範囲であったりする。
ステップ１０２では、推定対象エリア内にある自動車が停車可能な道路を抽出する。
ステップ１０２では、推定対象エリア内にある自動車が停車可能な道路を抽出する。
【0043】
ステップ１０３では推定機能をＯＮとした現在時刻より１０分前までの時間帯を指定する。
ステップ１０５では、車両データ保存部２に保存されている保存データを参照して、推定機能を起動させた現在時刻Ｔｍから１０分前まで時間帯（Ｔ-10～ｍ）に当該推定対象エリアに停車していたプローブカーを抽出する。抽出のルールを図１１のフローチャートに示した。このフローチャートによる処理は図８のフローチャートによるものと実質等しいのでその説明を省略する。
ステップ１０６では、抽出したプローブカーの走行履歴パターンから車両データを特定する。特定の仕方を図１２のフローチャートに示した。このフローチャートによる処理（表１の作成ルール）は図９のフローチャートに示したものと実質等しいのでその説明を省略する。
ステップ１０５では、車両データ保存部２に保存されている保存データを参照して、推定機能を起動させた現在時刻Ｔｍから１０分前まで時間帯（Ｔ-10～ｍ）に当該推定対象エリアに停車していたプローブカーを抽出する。抽出のルールを図１１のフローチャートに示した。このフローチャートによる処理は図８のフローチャートによるものと実質等しいのでその説明を省略する。
ステップ１０６では、抽出したプローブカーの走行履歴パターンから車両データを特定する。特定の仕方を図１２のフローチャートに示した。このフローチャートによる処理（表１の作成ルール）は図９のフローチャートに示したものと実質等しいのでその説明を省略する。
【0044】
ステップ１０６で車両データのセットが作成されるので、これを学習済の状況推定部１５へ入力する。学習済の状況推定部１５は入力された車両データのセットに基づき、状況データ、即ち混雑データ、若しくは非混雑データをその確率とともに出力する。
混雑データ若しくは非混雑データから、目的地である最寄り駅前道路に停車し易いか、停車が困難かを運転手が判断可能である。
この例では、推定機能をオンした時点における目的地の状況が推定されている。混雑状況であるか若しくは非混雑状況であるかは、その状態が急激に変化するものではないので、目的地到着予定時刻より前の時点での推定結果が有効に利用できるものと考えられる。
勿論、プローブカーを抽出した時間帯より後の時間帯におけるモデルエリアの状況を教師データにおける状況データとしておけば、推定機能をオンした時点から後の時間帯、即ち目的地に到着する時間帯の状況の推定がなされるものとなる。
プローブカーを抽出した時間帯より後の時間帯の状況を推定する場合、プローブカーから得られる車両データに、時間的な順序を設けることが好ましい。なお、表１の例では、１分毎にプローブカーを再抽出し、後から抽出されたプローブカーは前に抽出されたプローブカーの後の番号（Ｎｏ．）が付されるものとしている。
混雑データ若しくは非混雑データから、目的地である最寄り駅前道路に停車し易いか、停車が困難かを運転手が判断可能である。
この例では、推定機能をオンした時点における目的地の状況が推定されている。混雑状況であるか若しくは非混雑状況であるかは、その状態が急激に変化するものではないので、目的地到着予定時刻より前の時点での推定結果が有効に利用できるものと考えられる。
勿論、プローブカーを抽出した時間帯より後の時間帯におけるモデルエリアの状況を教師データにおける状況データとしておけば、推定機能をオンした時点から後の時間帯、即ち目的地に到着する時間帯の状況の推定がなされるものとなる。
プローブカーを抽出した時間帯より後の時間帯の状況を推定する場合、プローブカーから得られる車両データに、時間的な順序を設けることが好ましい。なお、表１の例では、１分毎にプローブカーを再抽出し、後から抽出されたプローブカーは前に抽出されたプローブカーの後の番号（Ｎｏ．）が付されるものとしている。
【0045】
図１３にエリア状況の推定装置のハード構成を示す。
演算部３００はＣＰＵ３０１、ＲＯＭ３０３及びＲＡＭ３０５を備え、システム全体の制御をつかさどる。それとともに、プローブカー抽出部３、車両データセット作成部４、教師データ作成部６、状況推定部１５及び推定対象特定部２０１として機能する。ＲＯＭ３０３は、演算部３００を制御する制御プログラム等が格納された不揮発性メモリである。ＲＡＭ３０５は、キーボード等の入力装置３３０を介して利用者により予め設定された各種設定値を読み出し可能に格納したり、ＣＰＵ３０１に対してワーキングエリアを提供したりする。入力装置３３０はエリア状況入力部５として機能する。演算部３００を制御する制御プログラムはＲＯＭ３０３に限らずＲＡＭ３０５や第１、第２記憶装置３４０及び３５０に格納されていてもよい。
演算部３００はＣＰＵ３０１、ＲＯＭ３０３及びＲＡＭ３０５を備え、システム全体の制御をつかさどる。それとともに、プローブカー抽出部３、車両データセット作成部４、教師データ作成部６、状況推定部１５及び推定対象特定部２０１として機能する。ＲＯＭ３０３は、演算部３００を制御する制御プログラム等が格納された不揮発性メモリである。ＲＡＭ３０５は、キーボード等の入力装置３３０を介して利用者により予め設定された各種設定値を読み出し可能に格納したり、ＣＰＵ３０１に対してワーキングエリアを提供したりする。入力装置３３０はエリア状況入力部５として機能する。演算部３００を制御する制御プログラムはＲＯＭ３０３に限らずＲＡＭ３０５や第１、第２記憶装置３４０及び３５０に格納されていてもよい。
【0046】
第１記憶装置３４０は車両データ保存部２として機能する。車両データ保存部２として、プローブカーを制御するセンターのサーバを利用することができる。
第２記憶装置３５０は教師データ保存部８のメモリ部３２として機能する。
第１、第２記憶装置はハードメモリやフラッシュメモリなど、サーバシステムのメモリ装置の一部の領域を利用することが好ましい。
第２記憶装置３５０は教師データ保存部８のメモリ部３２として機能する。
第１、第２記憶装置はハードメモリやフラッシュメモリなど、サーバシステムのメモリ装置の一部の領域を利用することが好ましい。
【0047】
データを一時的に保存する、いわゆるバッファメモリには、演算部のＲＡＭの一部領域を利用できる。
出力装置３２０はディスプレイや音声出力装置であり、入力装置３３０は音声入力部や、ディスプレイに重ねて配置されるタッチパネル式のキーボートやマウスなどが該当する。
通信インターフェース３６０を介して、プローブカーと通信可能となる。
コンピュータを構成する各装置はシステムバス３７０で連結されている。
出力装置３２０はディスプレイや音声出力装置であり、入力装置３３０は音声入力部や、ディスプレイに重ねて配置されるタッチパネル式のキーボートやマウスなどが該当する。
通信インターフェース３６０を介して、プローブカーと通信可能となる。
コンピュータを構成する各装置はシステムバス３７０で連結されている。
【0048】
本発明は、上記実施形態、実施例、変形例の説明に何ら限定されるものではない。特許請求の範囲の記載を逸脱せず、当業者が容易に想到できる範囲で種々の変形態様もこの発明に含まれる。
【符号の説明】
【0049】
１ 教師データ作成装置
１５ 状況推定部
１００ 学習装置
２００ 推定装置
ＭＡ モデルエリア
１５ 状況推定部
１００ 学習装置
２００ 推定装置
ＭＡ モデルエリア
【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】
