ホーム > 特許ランキング > トヨタ自動車株式会社
(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】2024-11-11
(45)【発行日】2024-11-19
(54)【発明の名称】渋滞予測装置
(51)【国際特許分類】
G08G 1/00 20060101AFI20241112BHJP
【ＦＩ】
G08G1/00 C
【請求項の数】
2
(21)【出願番号】P 2022002614
(22)【出願日】2022-01-11
(65)【公開番号】P2023102189
(43)【公開日】2023-07-24
【審査請求日】2023-11-23
(73)【特許権者】
【識別番号】000003207
【氏名又は名称】トヨタ自動車株式会社
(74)【代理人】
【識別番号】110001519
【氏名又は名称】弁理士法人太陽国際特許事務所
(72)【発明者】
【氏名】塩見 歩
(72)【発明者】
【氏名】宮川 篤史
(72)【発明者】
【氏名】竹内 博貴
(72)【発明者】
【氏名】河合 俊幸
(72)【発明者】
【氏名】深谷 良介
(72)【発明者】
【氏名】鴇田 裕幸
(72)【発明者】
【氏名】池ノ上 裕介
(72)【発明者】
【氏名】阪 直幸
(72)【発明者】
【氏名】加藤 司
(72)【発明者】
【氏名】吉川 勝久
(72)【発明者】
【氏名】山村 周玄
(72)【発明者】
【氏名】赤石 誉幸
【審査官】▲高▼木 真顕
(56)【参考文献】
【文献】特開２０２１－１８２３３２（ＪＰ，Ａ）
【文献】特開２００９－２５１９６９（ＪＰ，Ａ）
【文献】特開２０１９－１６９０２８（ＪＰ，Ａ）
【文献】特開２０２１－０１８６９７（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１４／０２７８０３１（ＵＳ，Ａ１）
【文献】特開２０１４－２３５４８７（ＪＰ，Ａ）
【文献】特開２０１９－２１１３２３（ＪＰ，Ａ）
【文献】特開２０１６－１５７３７２（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０８Ｇ １／００ － ９９／００
Ｇ０１Ｃ ２１／００ － ２１／３６
Ｇ０９Ｂ ２９／００ － ２９／１４
Ｇ０６Ｑ １０／００ － １０／３０
Ｇ０６Ｑ ３０／００ － ３０／０８
Ｇ０６Ｑ ５０／００ － ５０／２０
Ｇ０６Ｑ ５０／２６ － ９９／００
Ｇ１６Ｚ ９９／００
Ｈ０４Ｂ ７／２４ － ７／２６
Ｈ０４Ｗ ４／００ － ９９／００
(57)【特許請求の範囲】
【請求項1】
車両に乗車するユーザを含む、予め定められた期間毎に施設から出発したユーザの人数を示す人数情報、及び前記施設の周辺を走行した車両に関する車両情報を取得し、前記車両情報を用いて、前記予め定められた期間における前記施設の周辺に位置する道路における渋滞の有無を示す渋滞状況を判定し、
前記人数情報、及び前記渋滞状況を用いて、機械学習モデルに道路の渋滞を予測するための機械学習を実行する、処理をコンピュータが実行する機械学習方法によって生成された、車両に乗車するユーザを含む、前記予め定められた期間毎の前記施設から出発すると推定されたユーザの人数を示す推定人数情報を用いて、前記施設の周辺に位置する道路における前記予め定められた期間毎の前記渋滞状況を予測する前記機械学習モデルを記憶したメモリと、
プロセッサと、を備え、
前記プロセッサは、
前記渋滞状況の予測を行う対象期間における前記推定人数情報を推定し、
前記推定人数情報を前記機械学習モデルに入力して、前記対象期間における前記渋滞状況を予測し、
予測した前記対象期間における前記渋滞状況を示す予測提示画面において、地図によって前記渋滞状況を予測する道路と、前記対象期間における前記予め定められた期間毎の前記渋滞状況の予測結果と、前記対象期間の過去の同一曜日における前記予め定められた期間毎の渋滞情報とを一画面で提示する、
渋滞予測装置。
【請求項2】
前記プロセッサは、
前記予測提示画面に、前記予め定められた期間毎の時刻を示す文字列と、前記文字列に示される時刻毎の渋滞の有無を色の相違で示す矩形マークとを提示し、
前記文字列に示される各時刻の延長線上に、前記渋滞状況の予測結果として前記対象期間における渋滞の有無を示す矩形マークと、前記渋滞情報として前記過去の同一曜日における渋滞の有無を示す矩形マークとを配置する、
請求項１に記載の渋滞予測装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、道路の混雑状況を予測する渋滞予測装置に関する。
【背景技術】
【0002】
特許文献１には、車両から車両の位置情報、及び個別情報を収集し、収集した位置情報及び個別情報に基づいて、車両の移動経路に対する現在及び将来の交通量を予測する道路交通サーバについて開示されている。道路交通サーバは、複数の車両、及び車両に搭乗しているユーザが所有する端末から取得する情報に基づいて、現在及び数時間先の未来の交通量を予測してユーザに提示する。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１４－１９１５７８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
交通渋滞は、大きな社会問題であり、優れた渋滞予測手法が求められる。従来技術では、現に道路を走行している複数の車両から取得した情報に基づいて、動的に変化する渋滞状況を予測している。しかしながら、動的に変化する直近の未来（例えば、数時間後）までの渋滞状況を予測可能とするに留まり、例えば、数日先等の長期間の渋滞状況が予測できるとは限らなかった。
【0005】
本発明は、長期間の道路状況が予測できる渋滞予測装置を提供することを目的とする。
【課題を解決するための手段】
【0006】
請求項１に記載の渋滞予測装置は、車両に乗車するユーザを含む、予め定められた期間毎に施設から出発したユーザの人数を示す人数情報、及び前記施設の周辺を走行した車両に関する車両情報を取得し、前記車両情報を用いて、前記予め定められた期間における前記施設の周辺に位置する道路における渋滞の有無を示す渋滞状況を判定し、前記人数情報、及び前記渋滞状況を用いて、機械学習モデルに道路の渋滞を予測するための機械学習を実行する、処理をコンピュータが実行する機械学習方法によって生成された、車両に乗車するユーザを含む、前記予め定められた期間毎の前記施設から出発すると推定されたユーザの人数を示す推定人数情報を用いて、前記施設の周辺に位置する道路における前記予め定められた期間毎の前記渋滞状況を予測する前記機械学習モデルを記憶したメモリと、プロセッサと、を備え、前記プロセッサは、前記渋滞状況の予測を行う対象期間における前記推定人数情報を推定し、前記推定人数情報を前記機械学習モデルに入力して、前記対象期間における前記渋滞状況を予測し、予測した前記対象期間における前記渋滞状況を示す予測提示画面において、地図によって前記渋滞状況を予測する道路と、前記対象期間における前記予め定められた期間毎の前記渋滞状況の予測結果と、前記対象期間の過去の同一曜日における前記予め定められた期間毎の渋滞情報とを一画面で提示する。
【0007】
請求項１に記載の渋滞予測装置は、施設から出発するユーザの人数を示す人数情報、及び当該施設の周辺に位置する道路を走行する車両の車両情報を取得する。渋滞予測装置は、車両情報から施設の周辺に位置する道路の渋滞情報を判定し、取得した人数情報と、判定した渋滞情報と、の関係性を機械学習モデルに機械学習させる。ここで、施設とは、会社及び商業施設等であり、施設を出発するユーザとは、会社から退勤するユーザ、及び施設から退場して帰宅するユーザ等である。これにより、長期間の道路状況が予測できる。
また、請求項１に記載の渋滞予測装置によれば、渋滞状況を予測する処理において、ユーザの負荷を軽減することができる。
請求項２に記載の渋滞予測装置は、請求項１に記載の渋滞予測装置において、前記プロセッサは、前記予測提示画面に、前記予め定められた期間毎の時刻を示す文字列と、前記文字列に示される時刻毎の渋滞の有無を色の相違で示す矩形マークとを提示し、前記文字列に示される各時刻の延長線上に、前記渋滞状況の予測結果として前記対象期間における渋滞の有無を示す矩形マークと、前記渋滞情報として前記過去の同一曜日における渋滞の有無を示す矩形マークとを配置する。
また、請求項１に記載の渋滞予測装置によれば、渋滞状況を予測する処理において、ユーザの負荷を軽減することができる。
請求項２に記載の渋滞予測装置は、請求項１に記載の渋滞予測装置において、前記プロセッサは、前記予測提示画面に、前記予め定められた期間毎の時刻を示す文字列と、前記文字列に示される時刻毎の渋滞の有無を色の相違で示す矩形マークとを提示し、前記文字列に示される各時刻の延長線上に、前記渋滞状況の予測結果として前記対象期間における渋滞の有無を示す矩形マークと、前記渋滞情報として前記過去の同一曜日における渋滞の有無を示す矩形マークとを配置する。
【0008】
他の態様の機械学習方法は、前記人数情報は、渋滞状況を判定する期間よりも以前の期間に係るユーザの人数を含む。
【0009】
他の態様の機械学習方法によれば、渋滞状況は、施設を出発してから道路に到達するまでの時間が大きく寄与しており、渋滞状況により影響を与える要因を考慮して予測することができる。
【0010】
他の態様の機械学習方法は、前記車両情報は、前記車両の位置に関する位置情報、及び車両の速度に関する速度情報を含み、前記位置情報、及び前記速度情報を用いて、前記渋滞状況を判定する。
【0011】
他の態様の機械学習方法によれば、悪天候及び夜間等の時間帯等に影響されずに、渋滞状況を判定できる。
【0012】
他の態様の機械学習方法は、前記位置情報、及び前記速度情報を用いて、予め定められた区間を通過するのに要した所要時間を導出し、前記所要時間が閾値以上の区間が、予め定められた区間の数だけ連続して存在する場合、前記渋滞状況は、渋滞であると判定される。
【0013】
他の態様の機械学習方法によれば、渋滞を示す基準を明確にして、より精度よく渋滞状況を判定できる。
【0014】
他の態様の機械学習方法は、前記機械学習モデルは、ランダムフォレストを用いたモデルである。
【0015】
他の態様の機械学習方法によれば、他の機械学習モデルと比較して、より精度よく渋滞状況を予測できる。
【0020】
他の態様の渋滞予測装置は、請求項１に記載の渋滞予測装置において、前記施設を訪問した過去のユーザの人数を用いて、前記対象期間における前記推定人数情報を推定する。
【0021】
他の態様の渋滞予測装置によれば、過去の訪問人数から、対象期間に係る日に施設を訪問する訪問人数を推定し、推定した訪問人数から対象期間における施設を出発する人数情報を推定することができる。すなわち、将来における訪問人数を推定して渋滞情報を予測することができる。
【0022】
他の態様の渋滞予測装置は、請求項１に記載の渋滞予測装置において、推定した対象期間毎の前記渋滞状況を提示する。
【0023】
他の態様の渋滞予測装置によれば、ユーザに予測した渋滞状況を認識させることができる。
【発明の効果】
【0024】
本発明によれば、長期間の道路状況が予測できる。
【図面の簡単な説明】
【0025】
【図1】本実施形態に係る渋滞予測システムの概略構成を示す図である。
【図2】本実施形態に係る車両のハードウェア構成を示すブロック図である。
【図3】本実施形態に係る車載器の機能構成を示すブロック図である。
【図4】本実施形態に係るセンタサーバのハードウェア構成を示すブロック図である。
【図5】本実施形態に係るセンタサーバの機能構成を示すブロック図である。
【図6】本実施形態に係る渋滞状況の推定の説明に供する区間毎及び時間帯毎の車両が通過するのに要する平均所要時間を示す図である。
【図7】本実施形態に係る学習データの構成を示す図である。
【図8】本実施形態に係る設定データの構成を示す図である。
【図9】本実施形態に係る退勤人数の推定の説明に供する日付毎、及び時間帯毎の退勤人数の割合の一例を示すグラフである。
【図10】本実施形態に係る予測結果を表示する画面を示す模式図である。
【図11】本実施形態に係る機械学習モデルを生成する処理におけるデータの流れを示すデータフロー図である。
【図12】本実施形態に係る渋滞状況を予測する処理におけるデータの流れを示すデータフロー図である。
【図13】本実施形態のセンタサーバにおいて実行される機械学習モデルの生成処理の流れを示すフローチャートである。
【図14】本実施形態のセンタサーバにおいて実行される渋滞状況の予測処理の流れを示すフローチャートである。
【発明を実施するための形態】
【0026】
本発明の車載器を搭載した車両と、渋滞予測装置としてのセンタサーバと、天候を示す天候情報、及び勤怠の実績を示す勤怠実績情報を提示する情報提供サーバと、を含む渋滞予測システムについて説明する。渋滞予測システムは、車両を用いて通勤している従業員を含む施設に出勤している従業員の出勤人数、及び予め定められた期間（時間帯）毎の施設から退勤した退勤人数を用いて、当該施設の周辺に位置する道路の渋滞状況を予め定められた期間（時間帯）毎に予測する処理を行う。
【0027】
ここで、本実施形態に係る施設から退勤した退勤人数は、「施設から出発した人数情報」の一例である。また、本実施形態に係る「出勤」は、「訪問」の一例である。なお、本実施形態に係る施設は、企業が所有する社屋である形態について説明する。しかし、これに限定されない。施設は、例えば、複数の店舗が集まる商業施設、及び遊園地等のレジャー施設であってもよい。この場合、本実施形態に係る渋滞予測システムは、商業施設、及びレジャー施設の来場者数、及び予め定められた期間（時間帯）毎の退場人数から、商業施設、及びレジャー施設の周辺に位置する道路の渋滞状況を予め定められた期間（時間帯）毎に予測する。なお、以下では、道路状況を予測する予め定められた期間を「時間帯」という。また、本実施形態に係る「周辺に位置する道路」とは、施設に直接的、又は間接的に接続された道路であって、施設から予め定められた距離の範囲内に位置する道路である。
【0028】
（全体構成）
図１に示されるように、本発明の実施形態の渋滞予測システム１０は、車両１２と、センタサーバ３０と、情報提供サーバ４０と、を含んで構成されている。また、車両１２には、車載装置としての車載器２０が搭載されており、車載器２０は、ネットワークＮを通じて相互にセンタサーバ３０に接続されている。
図１に示されるように、本発明の実施形態の渋滞予測システム１０は、車両１２と、センタサーバ３０と、情報提供サーバ４０と、を含んで構成されている。また、車両１２には、車載装置としての車載器２０が搭載されており、車載器２０は、ネットワークＮを通じて相互にセンタサーバ３０に接続されている。
【0029】
車載器２０は、車両１２の位置を示す位置情報、及び車両１２が走行している速度を示す速度情報を含む車両に関する車両情報を収集して、センタサーバ３０に送信する装置である。
【0030】
センタサーバ３０は、例えば、車両１２を製造する製造元や当該製造元系列のカーディーラーに設置されている。センタサーバ３０は、車載器２０から車両情報を取得し、施設の周辺に位置する道路を走行している車両１２の車両情報を用いて、当該道路における渋滞の有無を示す渋滞状況を判定する。
【0031】
また、センタサーバ３０は、後述する情報提供サーバ４０から天候及び降水量を含む天候情報と、会社等の施設に出勤した従業員の出勤人数、及び時間帯毎の退勤人数を含む勤怠実績情報と、を取得する。センタサーバ３０は、取得した天候情報、及び勤怠情報を用いて、施設の周辺に位置する道路の渋滞状況を時間帯毎に予測する。
【0032】
情報提供サーバ４０は、センタサーバ３０に天候情報、及び勤怠実績情報を提供するサーバである。なお、本実施形態に係る天候情報は、過去の気象観測結果と、渋滞を予測する日等の将来の天候の予報と、を含んでいる。また、勤怠実績情報は、勤怠の実績として、過去の出勤人数、及び過去の退勤人数を含んでいる。
【0033】
（車両）
図２に示されるように、本実施形態に係る車両１２は、車載器２０と、複数のＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）２２と、を含んで構成されている。
図２に示されるように、本実施形態に係る車両１２は、車載器２０と、複数のＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）２２と、を含んで構成されている。
【0034】
車載器２０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２０Ａ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２０Ｂ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２０Ｃ、車内通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）２０Ｄ、無線通信Ｉ／Ｆ２０Ｅ、及び入出力Ｉ／Ｆ２０Ｆを含んで構成されている。ＣＰＵ２０Ａ、ＲＯＭ２０Ｂ、ＲＡＭ２０Ｃ、車内通信Ｉ／Ｆ２０Ｄ、無線通信Ｉ／Ｆ２０Ｅ、入出力Ｉ／Ｆ２０Ｆは、内部バス２０Ｇを介して相互に通信可能に接続されている。
【0035】
ＣＰＵ２０Ａは、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ２０Ａは、ＲＯＭ２０Ｂからプログラムを読み出し、ＲＡＭ２０Ｃを作業領域としてプログラムを実行する。
【0036】
ＲＯＭ２０Ｂは、各種プログラム及び各種データを記録している。本実施形態のＲＯＭ２０Ｂには、収集プログラム１００が記録されている。収集プログラム１００の実行に伴い、車載器２０は、図示しない車載機器及びセンサから各々のデータを収集して、センタサーバ３０に送信する処理を実行する。ＲＡＭ２０Ｃは、作業領域として一時的にプログラム又はデータを記録する。
【0037】
車内通信Ｉ／Ｆ２０Ｄは、各ＥＣＵ２２と接続するためのインタフェースである。当該インタフェースは、ＣＡＮプロトコルによる通信規格が用いられる。車内通信Ｉ／Ｆ２０Ｄは、外部バス２０Ｈに対して接続されている。
【0038】
無線通信Ｉ／Ｆ２０Ｅは、センタサーバ３０と通信するための無線通信モジュールである。当該無線通信モジュールは、例えば、５Ｇ、ＬＴＥ、Ｗｉ－Ｆｉ（登録商標）等の通信規格が用いられる。無線通信Ｉ／Ｆ２０Ｅは、ネットワークＮに対して接続されている。
【0039】
入出力Ｉ／Ｆ２０Ｆは、車両１２に搭載されるマイク２４、スピーカ２５、モニタ２６、カメラ２７、ＧＰＳ装置２８、及び入力部２９と通信するためのインタフェースである。なお、マイク２４、スピーカ２５、モニタ２６、カメラ２７、ＧＰＳ装置２８、及び入力部２９は、内部バス２０Ｇに対して直接接続されていてもよい。
【0040】
ＥＣＵ２２は、車両１２に搭載された図示しない車載機器及びセンサを制御するための電子制御モジュールである。ＥＣＵ２２は、例えば、ＡＤＡＳ（Ａｄｖａｎｃｅｄ Ｄｒｉｖｅｒ Ａｓｓｉｓｔａｎｃｅ Ｓｙｓｔｅｍ）－ＥＣＵ、ステアリングＥＣＵ、及びエンジンＥＣＵ等である。本実施形態に係るＥＣＵ２２は、図示しない車速センサから車両１２の速度を検出する。
【0041】
マイク２４は、インストルメントパネル、センタコンソール、フロントピラー、及びダッシュボード等に設けられ、車両１２の乗員が発した音声を集音する装置である。
【0042】
スピーカ２５は、インストルメントパネル、センタコンソール、フロントピラー、又はダッシュボード等に設けられ、音声を出力するための装置である。
【0043】
モニタ２６は、車両１２のインストルメントパネル、ダッシュボード等に設けられ、種々の情報を表示するための液晶モニタである。また、本実施形態のモニタ２６は、センタサーバから受信した交換対象を示す画像及びテキストが表示される。
【0044】
カメラ２７は、フロントウィンドウの上部やルームミラーに隣接して設けられ、車両１２に乗車している乗員の様子を撮像するための撮像装置である。
【0045】
ＧＰＳ装置２８は車両１２の現在地を測定する装置である。ＧＰＳ装置２８は、ＧＰＳ衛星からの信号を受信する図示しないアンテナを含んでいる。なお、ＧＰＳ装置２８は、図示しないカーナビゲーションシステムを経由して車載器２０に接続されていてもよい。
【0046】
入力部２９は、車両１２の搭乗者による入力を受け付けるタッチパネル、及びボタン等である。
【0047】
図３に示されるように、本実施形態の車載器２０では、ＣＰＵ２０Ａが、収集プログラム１００を実行することで、収集部２００、及び出力部２１０として機能する。
【0048】
収集部２００は、ＥＣＵ２２からセンサが検出した速度情報と、ＧＰＳ装置２８によって取得された位置情報と、を車両情報として収集する機能を有している。
【0049】
出力部２１０は、収集した車両情報をセンタサーバ３０に出力する機能を有している。
【0050】
（センタサーバ）
図４に示されるように、センタサーバ３０は、ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、ストレージ３０Ｄ、及び通信Ｉ／Ｆ３０Ｅを含んで構成されている。ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、ストレージ３０Ｄ、及び通信Ｉ／Ｆ３０Ｅは、内部バス３０Ｆを介して相互に通信可能に接続されている。ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、及び通信Ｉ／Ｆ３０Ｅの機能は、上述した車載器２０のＣＰＵ２０Ａ、ＲＯＭ２０Ｂ、ＲＡＭ２０Ｃ、及び無線通信Ｉ／Ｆ２０Ｅと同じである。なお、通信Ｉ／Ｆ３０Ｅは有線による通信を行ってもよい。
図４に示されるように、センタサーバ３０は、ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、ストレージ３０Ｄ、及び通信Ｉ／Ｆ３０Ｅを含んで構成されている。ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、ストレージ３０Ｄ、及び通信Ｉ／Ｆ３０Ｅは、内部バス３０Ｆを介して相互に通信可能に接続されている。ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、及び通信Ｉ／Ｆ３０Ｅの機能は、上述した車載器２０のＣＰＵ２０Ａ、ＲＯＭ２０Ｂ、ＲＡＭ２０Ｃ、及び無線通信Ｉ／Ｆ２０Ｅと同じである。なお、通信Ｉ／Ｆ３０Ｅは有線による通信を行ってもよい。
【0051】
メモリとしてのストレージ３０Ｄは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、各種プログラム及び各種データを記憶している。本実施形態のストレージ３０Ｄには、予測プログラム１１０、車両情報ＤＢ（データベース）１２０、勤怠実績情報ＤＢ１３０、天候情報ＤＢ１４０、及び学習済モデル１５０が記憶されている。なお、ＲＯＭ３０Ｂが予測プログラム１１０、車両情報ＤＢ１２０、勤怠実績情報ＤＢ１３０、天候情報ＤＢ１４０、及び学習済モデル１５０を記憶してもよい。
【0052】
プログラムとしての予測プログラム１１０は、センタサーバ３０を制御するためのプログラムである。予測プログラム１１０の実行に伴い、センタサーバ３０は、車載器２０から車両情報を取得し、情報提供サーバ４０から勤怠実績情報、及び天候情報を取得する。センタサーバ３０は、取得した車両情報、勤怠実績情報、及び天候情報を用いて、後述する学習済モデル１５０を生成し、渋滞状況の予測を行う。
【0053】
車両情報ＤＢ１２０は、複数の車両１２から取得した車両情報を記憶している。勤怠実績情報ＤＢ１３０は、情報提供サーバ４０から取得した勤怠実績情報を記憶している。天候情報ＤＢ１４０は、情報提供サーバ４０から取得した観測結果及び予報を含む天候情報を記憶している。
【0054】
学習済モデル１５０は、車両情報、勤怠実績情報、及び天候情報を機械学習した学習済みモデルである。学習済モデル１５０は、予測を行う予測対象の日における出勤人数、時間帯毎の退勤人数、及び天候情報を用いて、時間帯毎の渋滞状況を予測する。ここで、学習済モデル１５０は、ランダムフォレストを用いて渋滞状況を予測する。ランダムフォレストは、相互に相関の低い決定木群を複数作成し、それらの予測結果を統合及び平均させることで予測結果を導出する。ランダムフォレストの制御パラメータとしては、選択する説明変数の数、決定木の分岐数、決定木内の問に設定される閾値などがある。なお、本実施形態に係る学習済モデル１５０は、ランダムフォレストを用いる形態について説明した。しかし、これに限定されない。学習済モデル１５０は、ニューラルネットワークであってもよいし、サポートベクターマシーンであってもよい。
【0055】
次に、図５を参照して、センタサーバの機能について説明する。一例として図５に示されるように、本実施形態のセンタサーバ３０では、ＣＰＵ３０Ａが、予測プログラム１１０を実行することで、取得部３００、判定部３１０、設定部３２０、学習部３３０、記憶部３４０、推定部３５０、予測部３６０、及び提示部３７０として機能する。
【0056】
取得部３００は、車両１２の車載器２０から送信された車両情報、及び情報提供サーバ４０から送信された天候情報、及び勤怠実績情報を取得する機能を有している。
【0057】
判定部３１０は、取得した車両情報を用いて、施設の周辺に位置する道路における渋滞の有無を示す渋滞状況を判定する。具体的には、判定部３１０は、施設の周辺に位置する交差点から所定の距離（例えば、５０ｍ）毎に区間を区切り、車両情報を用いて、車両１２が当該区間を通過するのに要した所要時間を導出する。判定部３１０は、各々の時間帯毎に、各々の区間を通過した車両１２の平均の所要時間（以下、「平均所要時間」という。）を導出し、平均所要時間が閾値を超えている区間、かつ連続している区間の数を検出する。判定部３１０は、各々の時間帯において、検出した連続した区間の数が、予め定められた閾値以上である（平均所要時間が閾値を超えた区間が、予め定められた距離以上である）場合、渋滞状況として、渋滞が発生していると判定する。
【0058】
一例として示す図６は、時間帯毎、及び予め定められた区間における平均所要時間を示している。例えば、図６に示すように、判定部３１０は、時間帯毎に各々の区間の平均所要時間を導出する。判定部３１０は、平均所要時間が４．０秒以上である区間を検出する。ここで、図６において、網掛けが付されている箇所は、判定部が検出した区間であることを示している。
【0059】
判定部３１０は、各々の時間帯において、検出した区間が８区間（４００ｍ）以上連続している場合、当該時間帯で渋滞が生じていると判定する。例えば、判定部３１０は、図６に示すように、時間帯ｅ（１７時から１７時１５分）において、平均所要時間が４．０秒以上であるＡ区間からＩ区間を検出し、検出した区間が９区間で連続しているため、時間帯ｅで渋滞が生じていたと判定する。
【0060】
なお、一例として図６に示す区間を設定する際の基点（０ｍ地点）は、例えば、交差点等である。しかし、これに限定されない。渋滞が発生する要因がある箇所であれば、如何なる箇所を基点（０ｍ地点）としてもよい。例えば、車線数及び道路幅が減少する箇所であってもよいし、工事が行われている箇所であってもよいし、事故が発生している箇所であってもよいし、登坂等の加速度が減少する箇所であってもよい。
【0061】
【0062】
図７に示すように、学習データは、天候情報、勤怠実績情報、及び判定結果を含んで設定されている。学習データは、天候情報として日付、時間帯、カレンダ、天候、及び降水量を含んでおり、勤怠実績情報として従業員の出勤率、退勤人数、１期間前の退勤人数、２期間前の退勤人数、及び３期間前の退勤人数を含んでおり、判定結果として渋滞状況を含んでいる。ここで、日付は、データを取得した対象の日にちであり、時間帯は、データを取得した対象の時間帯であり、カレンダは、旬、平日、及び休日等の対象の日付の特徴を示す情報である。また、天候は、対象の日付における天気の情報であり、降水量は、対象の日付において降った雨の量である。また、出勤率は、施設における全従業員の人数に対する対象の日付に出勤した従業員の出勤人数の割合であり、退勤人数は、各々の時間帯における施設から退勤した従業員の人数である。また、時間帯ｄの場合において、１期間前の退勤人数は、例えば、時間帯ｃの退勤人数であり、２期間前の退勤人数は、２期間前の時間帯ｂの退勤人数であり、３期間前の退勤人数は、３期間前の時間帯ａの退勤人数である。換言すると、設定部３２０は、学習データとして、一の期間の退勤人数を、１期間先の「１期間前の退勤人数」、２期間先の「２期間前の退勤人数」、及び３期間先の「３期間前の退勤人数」の各々に設定する。これにより、学習データは、渋滞予測を行う時間帯より以前の時間帯の退勤人数を含み、従業員が退勤してから予測対象の道路に到達するまでに要する時間を考慮して、渋滞状況の予測が可能となる。
【0063】
また、設定部３２０は、天候情報、及び後述する推定部３５０によって推定された推定結果を用いて、渋滞の予測を行うための設定データを設定する。一例として図８に示すように、設定データは、天候情報、及び推定結果を含んで設定されている。設定データは、天候情報として、日付、時間帯、カレンダ、天候、及び降水量を含んでおり、推定結果として、後述する推定部３５０によって推定された従業員の推定出勤率、推定退勤人数、１期間前の退勤人数、２期間前の退勤人数、及び３期間前の退勤人数を含んでいる。ここで、本実施形態に係る推定退勤人数は、「推定人数情報」の一例である。
【0064】
図５に示す学習部３３０は、図７に示す学習データを用いて、渋滞を予測するための機械学習を実行して学習済モデル１５０を生成する。具体的には、学習部３３０は、学習データに含まれる天候情報、及び勤怠実績情報を入力データとし、学習データに含まれる渋滞状況を教師データとして機械学習を実行する。
【0065】
記憶部３４０は、学習部３３０によって生成された学習済モデル１５０を記憶する。また、記憶部３４０は、取得部３００によって取得された車両情報、勤怠実績情報、及び天候情報をそれぞれ車両情報ＤＢ１２０、勤怠実績情報ＤＢ１３０、及び天候情報ＤＢ１４０に記憶する。
【0066】
推定部３５０は、勤怠実績情報ＤＢ１３０に記憶されている過去の勤怠実績情報を用いて統計を行い、予測対象の日において、施設に出勤する従業員の人数を推定する。具体的には、推定部３５０は、過去の勤怠実績情報を用いて、過去４週間の同一の曜日に出勤した従業員の人数（例えば、水曜日に出勤した人数）の移動平均の平均値から、予測対象の日に出勤する従業員の人数（以下、「推定人数」という）を導出する。推定部３５０は、導出した推定人数を用いて、全従業員に対する推定人数の割合（以下、「推定出勤率」）を推定する。
【0067】
また、推定部３５０は、一例として図９に示すように、過去の勤怠実績情報を用いて統計を行い、日付毎、及び時間帯毎に、出勤した従業員の人数に対する退勤した従業員の人数の割合を導出する。推定部３５０は、導出した退勤した従業員の割合、及び推定した推定人数を用いて、予測対象の日において、各々の時間帯に退勤する人数（以下、「推定退勤人数」という。）を推定する。
【0068】
予測部３６０は、図８に示す設定データを用いて、予測対象の日における各々の時間帯の渋滞状況を予測する。具体的には、予測部３６０は、学習済モデル１５０に設定データを入力することによって、予測対象の日における各々の時間帯の渋滞状況を予測する。
【0069】
提示部３７０は、予測部３６０によって予測された予測結果を提示する。具体的には、提示部３７０は、図１０に示す予測提示画面４００を提示する。一例として図１０に示す予測提示画面４００は、対象道路提示領域４１０、予測結果提示領域４２０、及び観測結果提示領域４３０を含んでいる。対象道路提示領域４１０は、地図等によって渋滞状況を予測する道路を提示し、予測結果提示領域４２０は、予測部３６０によって予測された各々の時間帯毎の予測結果を提示する。観測結果提示領域４３０は、１週間前、２週間前、及び３週間前の同一曜日（例えば、水曜日）における時間帯毎の渋滞状況の判定結果を提示する。
【0070】
渋滞予測システム１０の作用を説明する前に、図１１及び図１２を参照して、渋滞予測装置としてのセンタサーバ３０において、学習済モデル１５０を生成する学習フェーズ、及び渋滞を予測する予測フェーズのデータの流れについて説明する。図１１は、センタサーバ３０において、学習済モデル１５０を生成する学習フェーズのデータの流れの一例を示すデータフロー図である。
【0071】
まず、図１１を参照して、学習フェーズのデータの流れについて説明する。図１１に示すように、取得部３００は、車両情報ＤＢ１２０、勤怠実績情報ＤＢ１３０、及び天候情報ＤＢ１４０から車両情報、勤怠実績情報、及び天候情報を取得する。取得部３００は、車両情報を判定部３１０に入力し、勤怠実績情報、及び天候情報を設定部３２０に入力する。
【0072】
判定部３１０は、図６に示すように、車両情報を用いて、予め定められた区間毎、及び時間帯毎の平均所要時間を検出し、判定結果５００として渋滞状況を判定する。判定部３１０は、判定した渋滞状況を設定部３２０に入力する。
【0073】
設定部３２０は、入力された勤怠実績情報、天候情報、及び渋滞状況を用いて、学習データ５１０を設定し、学習部３３０に入力する。ここで、設定部３２０は、勤怠実績情報に含まれている退勤人数を用いて、１期間前の退勤人数、２期間前の退勤人数、及び３期間前の退勤人数をそれぞれ学習データ５１０に設定する。また、設定部３２０は、学習データ５１０から訓練データと、テストデータと、に分割して設定する。
【0074】
学習部３３０は、入力された学習データ５１０を用いて機械学習を実行し、学習済モデル１５０を生成して、記憶部３４０に入力する。ここで、学習部３３０は、学習データ５１０のうち、訓練データを用いて学習済モデル１５０を生成し、テストデータを用いて生成した学習済モデル１５０の評価を行う。
【0075】
記憶部３４０は、入力された学習済モデル１５０をストレージ３０Ｄに記憶する。
【0076】
次に、図１２を参照して、予測フェーズのデータの流れについて説明する。図１２に示すように、取得部３００は、勤怠実績情報ＤＢ１３０、及び天候情報ＤＢ１４０から勤怠実績情報、及び天候情報を取得する。取得部３００は、勤怠実績情報を推定部３５０に入力し、天候情報を設定部３２０に入力する。
【0077】
推定部３５０は、入力された勤怠実績情報を用いて統計を行い、予測対象の日における推定出勤率、及び各々の時間帯における推定退勤人数を推定する。推定部３５０は、推定結果５３０として、推定した推定出勤率、及び推定退勤人数を設定部３２０に入力する。
【0078】
設定部３２０は、入力された推定出勤率、推定退勤人数、及び天候情報を用いて、設定データ５４０を設定し、予測部３６０に入力する。ここで、設定部３２０は、推定退勤人数を用いて、１期間前の退勤人数、２期間前の退勤人数、及び３期間前の退勤人数をそれぞれ設定データ５４０に設定する。
【0079】
予測部３６０は、ストレージ３０Ｄに記憶されている学習済モデル１５０を用いて、入力された設定データ５４０に基づいた渋滞状況を予測し、予測結果５５０を提示部３７０に入力する。
【0080】
提示部３７０は、入力された予測結果５５０を用いて、予測提示画面４００を提示する。ここで、提示部３７０は、車両情報を取得して、過去の同一曜日における時間帯毎の渋滞情報を予測結果５５０と共に提示する。なお、提示部３７０は、ユーザから予測結果５５０を提示する指示を受け付けた場合、予測結果５５０として、予測提示画面４００をユーザが操作する端末に送信して提示する。
【0081】
（制御の流れ）
本実施形態の渋滞予測システム１０で実行される処理の流れについて、図１３及び図１４のフローチャートを用いて説明する。センタサーバ３０における各処理は、センタサーバ３０のＣＰＵ３０Ａが、取得部３００、判定部３１０、設定部３２０、学習部３３０、記憶部３４０、推定部３５０、予測部３６０、及び提示部３７０として機能することにより実行される。図１３に示す生成処理は、例えば、学習済モデル１５０を生成する処理を実行する指示が入力された場合、実行される。
本実施形態の渋滞予測システム１０で実行される処理の流れについて、図１３及び図１４のフローチャートを用いて説明する。センタサーバ３０における各処理は、センタサーバ３０のＣＰＵ３０Ａが、取得部３００、判定部３１０、設定部３２０、学習部３３０、記憶部３４０、推定部３５０、予測部３６０、及び提示部３７０として機能することにより実行される。図１３に示す生成処理は、例えば、学習済モデル１５０を生成する処理を実行する指示が入力された場合、実行される。
【0082】
ステップＳ１０１において、ＣＰＵ３０Ａは、車両情報、勤怠実績情報、及び天候情報を取得する。
【0083】
ステップＳ１０２において、ＣＰＵ３０Ａは、車両情報を用いて、渋滞状況を判定する。
【0084】
ステップＳ１０３において、ＣＰＵ３０Ａは、勤怠実績情報、天候情報、及び渋滞状況を用いて、学習データを設定する。
【0085】
ステップＳ１０４において、ＣＰＵ３０Ａは、学習データのうち、訓練データを用いて機械学習を実行する。
【0086】
ステップＳ１０５において、ＣＰＵ３０Ａは、機械学習を実行した結果として、学習済モデル１５０を生成する。
【0087】
ステップＳ１０６において、ＣＰＵ３０Ａは、学習データのうち、テストデータを用いて、生成した学習済モデル１５０の評価を行う。ここで、評価結果として、学習済モデル１５０による渋滞状況の予測と、テストデータに含まれる渋滞状況と、の適合率を導出する。
【0088】
ステップＳ１０７において、ＣＰＵ３０Ａは、評価結果として導出した適合率が閾値を超えたか否かの判定を行う。適合率が閾値を超えている場合（ステップＳ１０７：ＹＥＳ）、ＣＰＵ３０Ａは、ステップＳ１０８に移行する。一方、適合率が閾値を超えていない（適合率が閾値以下である）場合（ステップＳ１０７：ＮＯ）、ＣＰＵ３０Ａは、ステップＳ１０４に移行して、再び機械学習を実行する。
【0089】
ステップＳ１０８において、ＣＰＵ３０Ａは、生成した学習済モデル１５０をストレージ３０Ｄに記憶する。
【0090】
次に、図１４を参照して、本実施形態のセンタサーバ３０において実行される渋滞を予測する処理の流れについて説明する。
【0091】
ステップＳ２０１において、ＣＰＵ３０Ａは、勤怠実績情報、及び天候情報を取得する。
【0092】
ステップＳ２０２において、ＣＰＵ３０Ａは、取得した勤怠実績情報を用いて、推定結果として、推定出勤率、及び推定退勤人数を推定する。
【0093】
ステップＳ２０３において、ＣＰＵ３０Ａは、推定結果、及び天候情報を用いて、設定データを設定する。
【0094】
ステップＳ２０４において、ＣＰＵ３０Ａは、予測結果として、設定データを用いて渋滞状況を予測する。
【0095】
ステップＳ２０５において、ＣＰＵ３０Ａは、予測対象の日において、全ての時間帯の渋滞状況を予測したか否かの判定を行う。全ての時間帯の渋滞状況を予測した場合（ステップＳ２０５：ＹＥＳ）、ＣＰＵ３０Ａは、ステップＳ２０６に移行する。一方、全ての時間帯の渋滞状況を予測していない（渋滞状況を予測していない時間帯がある）場合（ステップＳ２０５：ＮＯ）、ＣＰＵ３０Ａは、ステップＳ２０４に移行して、予測していない時間帯における渋滞状況を予測する。
【0096】
ステップＳ２０６において、ＣＰＵ３０Ａは、予測結果として、予測した渋滞状況を予測提示画面４００に提示する。
【0097】
ステップＳ２０７において、ＣＰＵ３０Ａは、予測する処理を終了するか否かを判定する。処理を終了する場合（ステップＳ２０７：ＹＥＳ）、ＣＰＵ３０Ａは、予測する処理を終了する。一方、処理を終了しない場合（ステップＳ２０７：ＮＯ）、ＣＰＵ３０Ａは、ステップＳ２０１に移行して、勤怠実績情報、及び天候情報を取得する。
【0098】
（実施形態のまとめ）
本実施形態のセンタサーバ３０は、車両１２から取得した車両情報から施設の周辺に位置する道路の渋滞状況を判定し、天候情報、勤怠実績情報、及び渋滞状況を機械学習した学習済モデル１５０を生成する。センタサーバ３０は、勤怠実績情報から推定した予測対象の日における推定出勤率、及び時間帯毎の推定退勤人数を推定し、学習済モデル１５０を用いて、予測対象の日における時間帯毎の渋滞状況を予測する。
本実施形態のセンタサーバ３０は、車両１２から取得した車両情報から施設の周辺に位置する道路の渋滞状況を判定し、天候情報、勤怠実績情報、及び渋滞状況を機械学習した学習済モデル１５０を生成する。センタサーバ３０は、勤怠実績情報から推定した予測対象の日における推定出勤率、及び時間帯毎の推定退勤人数を推定し、学習済モデル１５０を用いて、予測対象の日における時間帯毎の渋滞状況を予測する。
【0099】
以上、本実施形態によれば、長期間の道路状況が予測できる。
【0100】
［備考］
なお、上記実施形態では、提示部３７０が車両情報を取得して渋滞状況の判定を行い、判定結果を、過去の同一曜日における時間帯毎の渋滞情報を予測結果と共に提示する形態について説明した。しかし、これに限定されない。例えば、提示部３７０は、判定部３１０が判定した判定結果を取得して予測結果と共に提示してもよい。
なお、上記実施形態では、提示部３７０が車両情報を取得して渋滞状況の判定を行い、判定結果を、過去の同一曜日における時間帯毎の渋滞情報を予測結果と共に提示する形態について説明した。しかし、これに限定されない。例えば、提示部３７０は、判定部３１０が判定した判定結果を取得して予測結果と共に提示してもよい。
【0101】
また、上記実施形態でＣＰＵ２０Ａ、及びＣＰＵ３０Ａがソフトウェア（プログラム）を読み込んで実行した各種処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、上述した各処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
【0102】
また、上記実施形態において、各プログラムはコンピュータが読み取り可能な非一時的記録媒体に予め記憶（インストール）されている態様で説明した。例えば、センタサーバ３０における予測プログラム１１０はＲＯＭ３０Ｂに予め記憶されている。しかしこれに限らず、各プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
【0103】
上記実施形態で説明した処理の流れは、一例であり、主旨を逸脱しない範囲内において不要なステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよい。
【符号の説明】
【0104】
１２ 車両
３０ センタサーバ
３０Ａ ＣＰＵ（プロセッサ）
１２０ 車両情報ＤＢ（車両情報）
１３０ 勤怠実績情報ＤＢ（人数情報）
１５０ 学習済モデル（機械学習モデル）
３０ センタサーバ
３０Ａ ＣＰＵ（プロセッサ）
１２０ 車両情報ＤＢ（車両情報）
１３０ 勤怠実績情報ＤＢ（人数情報）
１５０ 学習済モデル（機械学習モデル）
【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】
