JP2018180907A - 交通予測プログラム、交通予測装置、及び交通予測方法 - Google Patents

Abstract

【課題】目的地までの交通量を予測できる交通予測プログラムの提供。【解決手段】車両が所定の地点に到着し得る時間帯における特定の地点から前記所定の地点までの交通量の予測の出力要求を受け付けると、前記予測の出力要求を受け付けた時間よりも過去の時間帯の走行履歴データ群に基づき、前記車両が前記所定の地点に到着し得る時間帯における前記所定の地点までの交通量を予測する、処理をコンピュータに実行させる交通予測プログラムである。【選択図】図１４

Description

本発明は、交通予測プログラム、交通予測装置、及び交通予測方法に関する。

長時間の車両の運転時に休憩するか否かを判断するため、例えば、高速道路の交通状況などを把握することは交通安全の面で重要である。
このため、例えば、道路上における自動車の混雑状態を検出する混雑状態検出システムが提案されている（例えば、特許文献１等参照）。

特開２００５−１３５２３４号公報

しかしながら、特許文献１に記載の技術では、リアルタイムでの自動車の混雑状態を検出できるが、予測が困難であるという問題がある。

一つの側面では、目的地までの交通量を予測できる交通予測プログラム、交通予測装置、及び交通予測方法を提供することを目的とする。

一つの実施態様では、交通予測プログラムは、車両が所定の地点に到着し得る時間帯における特定の地点から前記所定の地点までの交通量の予測の出力要求を受け付けると、前記予測の出力要求を受け付けた時間よりも過去の時間帯の走行履歴データ群に基づき、前記車両が前記所定の地点に到着し得る時間帯における前記所定の地点までの交通量を予測する、処理をコンピュータに実行させる。

一つの側面では、目的地までの交通量を予測できる交通予測プログラム、交通予測装置、及び交通予測方法を提供することができる。

図１は、本発明の交通予測装置を有するシステムの一例を示す図である。 図２は、ある車両の現在地である地点αを経由し、各出発地から各目的地に向かう車両の流れの一例を示す説明図である。 図３は、「予測する当日の走行履歴データ群」において、現在地である地点αを通過した時間ｔ_０を基準としたときの車両の流れの一例を示す説明図である。 図４は、「予測する当日より過去の走行履歴データ群」において、現在地である地点αを通過した時間ｔ_０を基準としたときの車両の流れの一例を示す説明図である。 図５は、「予測する当日より過去の走行履歴データ群」から、「予測する当日の走行履歴データ群」に類似した走行履歴データ群を抽出する一例を示す説明図である。 図６は、交通予測装置の機能構成の一例を示す説明図である。 図７は、通信部が受信する走行履歴データの一例を示す図である。 図８は、記憶部に格納される走行履歴データの一例を示す図である。 図９は、記憶部に格納される経路データの一例を示す図である。 図１０は、出発地の分布を含む地図画像の一例を示す説明図である。 図１１は、交通予測装置のハードウェア構成の一例を示す説明図である。 図１２は、プラットフォーム解析処理から通知処理までの流れの一例を示すフローチャートである。 図１３は、予測した結果を情報表示装置が表示する一例を示す図である。 図１４は、交通予測装置が目的地までの混雑率を予測する流れの一例を示すフローチャートである。 図１５は、ある車両の現在地である地点αを経由し、各出発地から各目的地に向かう車両の流れの他の一例を示す説明図である。 図１６は、予測した結果を情報表示装置が表示する他の一例を示す図である。

以下、本発明の一実施例を説明するが、本発明は、この実施例に何ら限定されるものではない。

図１は、本発明の交通予測装置１００を有するシステム１０の一例を示す図である。
システム１０は、例えば、高速道路における所定の地点までの交通量を交通予測装置１００が予測し、予測した所定の地点までの交通量を当該高速道路の利用者あるいは道路管理者に対して表示するものである。

図１に示すように、システム１０は、交通予測装置１００と、道路に沿って設置されている情報表示装置２００と、車両４００ａ、４００ｂ、４００ｃ、・・・にそれぞれ搭載されている端末装置３００ａ、３００ｂ、３００ｃ、・・・と、を有する。

端末装置３００ａ、３００ｂ、３００ｃ、・・・は、ネットワーク５００を介して交通予測装置１００と通信可能に接続されている。また、交通予測装置１００は、情報表示装置２００と通信可能に接続されている。
なお、端末装置３００ａ、３００ｂ、３００ｃ、・・・は、装置の構成がそれぞれ同様であることから、以下では「端末装置３００」と称してまとめて説明する。また、車両４００ａ、４００ｂ、４００ｃ、・・・は、区別する必要がないときは単に「車両」と称することもある。

端末装置３００は、例えば、トラックなどの商用車に搭載されているデジタルタコグラフ、乗用車に搭載されているカーナビゲーションシステムの車載装置であり、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）ユニット、速度センサなどを有する。端末装置３００は、これらの速度センサなどにより、位置データ、速度データなどを時刻データと紐付けた走行履歴データを取得し、取得した走行履歴データを交通予測装置１００に送信する。
なお、交通予測装置１００は、端末装置３００から走行履歴データを受信するとしたが、これに限ることなく、例えば、ＥＴＣ（Ｅｌｅｃｔｒｏｎｉｃ Ｔｏｌｌ Ｃｏｌｌｅｃｔｉｏｎ Ｓｙｓｔｅｍ、電子料金収受システム）などにより取得される走行履歴データを受信するようにしてもよい。

交通予測装置１００は、各端末装置３００からそれぞれ送信される走行履歴データを走行履歴データ群として記憶部に格納し、格納した走行履歴データ群に基づいて所定の地点までの交通量を予測する。
具体的には、交通予測装置１００は、車両が所定の地点に到着し得る時間帯における所定の地点までの交通量の予測の出力要求を受け付けると、走行履歴データに基づき、所定の地点までの交通量を予測する。

ここで、車両とは、例えば、乗用車や商用車などが挙げられる。
所定の地点とは、適宜指定でき、例えば、高速道路のインターチェンジなどの目的地が挙げられる。
特定の地点とは、ユーザの指示に応じて適宜選択され、例えば、交通量の予測の出力要求を送信した地点などが挙げられる。本実施例において、特定の地点は地点αとする。
所定の地点に到着し得る時間帯とは、車両の現在地から当該所定の地点までの距離と、車両の平均速度とにより算出される一定時間の範囲を意味し、範囲の長さは適宜選択することができる。
所定の地点までの交通量の出力要求の送信元は、本実施例では各端末装置３００であるが、これに限ることなく、例えば、運転者や道路管理者が所有する、スマートフォンなどの携帯端末装置、パソコンなどの情報処理装置などが挙げられる。

情報表示装置２００は、本実施例では、予測の出力要求を受け付けた地点より予測進路方向側で、当該所定の地点により所定の距離の手前に設置されている電光掲示板である。情報表示装置２００は、車両の運転者に対し、交通予測装置１００が予測した当該所定の地点までの交通量を表示する。これにより、車両の運転者は、どこの駐車施設で休憩するかの判断がしやすくなるため、運転者の疲れによる事故を低減できる。

情報表示装置２００による表示方法は、本実施例では、所定の地点までの所要時間で表す。
なお、本実施例では、情報表示装置２００が所定の地点までの所要時間を表示するとしたが、これに限ることなく、例えば、デジタルタコグラフやカーナビゲーションシステムの車載装置のディスプレイが所定の地点までの所要時間を表示するようにしてもよい。また、情報表示装置２００や、デジタルタコグラフやカーナビゲーションシステムの車載装置のディスプレイが、後述する図１０に示すような地図画像を表示するようにしてもよい。さらに、道路管理者の情報処理装置のディスプレイに表示した図１０に示すような地図画像に基づき、情報表示装置２００が、道路管理者が表示すべきと判断した情報を表示するようにしてもよい。

情報表示装置２００は、所定の地点より所定の距離の手前に設置され、車両の運転者に対し、交通予測装置１００が予測した交通量が最も多い方面の交通量を表示する。これにより、車両の運転者は、迂回するか、どこの駐車施設で休憩するかの判断をしやすくなる。
また、本実施例では、情報表示装置２００は、所定の地点より所定の距離の手前に設置されているとして説明したが、これに限ることなく、例えば、情報表示装置２００はＳＡ内に設置されてもよい。情報表示装置２００がＳＡ内に設置されている場合、混雑に巻き込まれてしまわれないように、ＳＡから速やかに移動するように誘導することで混雑を防止することができる。

以下、交通予測装置１００が高速道路の目的地までの交通量を予測する処理を例にして、図２〜図６を参照しながら具体的に説明する。

図２は、ある車両の現在地である地点αを経由し、各出発地Ａ、Ｂ、Ｃから各目的地Ｃ、Ｄ、Ｅに向かう車両の流れの一例を示す説明図である。図２中の出発地又は目的地を示す楕円状のマークの濃淡は、当該出発地又は目的地を出発地又は目的地として走行する車両数を示しており、いずれも濃度が高いと車両数が多く、濃度が低いと車両数が少ないことを示している。

図３は、「予測する当日の走行履歴データ群」において、現在地である地点αを通過した時間ｔ_０を基準としたときの車両の流れの一例を示す説明図であり、出発地Ａ、Ｂ、Ｃをそれぞれ出発した車群が刻々と移動する様子を示している。図３中、縦軸は現在地である地点αからの距離であり、進行方向を正としている。また、横軸は午前９時を基準とする時間軸である。
図３の「予測する当日の走行履歴データ群」において、午前９時に車両が地点αを通過したときに、交通予測装置１００は、当該車両の端末装置３００から、車両が目的地に到着し得る時間帯における目的地までの交通量の予測の出力要求を受け付ける。
本実施例では、平均速度７０ｋｍ／ｈで走行する車両が地点αを通過し、予定進路上に存在する目的地が１４０ｋｍ先（２Ｌ＝１４０ｋｍ）に存在するため、車両が目的地に到着し得る時間は午前１１時となる。また、到着し得る時間帯としては、本実施例では、目的地に到着し得る時間の前後３０分間とし、例えば、車両が目的地に到着し得る時間が午前１１時であれば、午前１０時３０分から午前１１時３０分までの時間帯とする。

次に、目的地までの交通量の予測の出力要求を受け付けた交通予測装置１００は、「予測する当日より過去の走行履歴データ群」から、目的地に到着し得る時間帯に対応する時間帯に目的地に到着した車両を抽出する。
図４は、「予測する当日より過去の走行履歴データ群」において、現在地である地点αを通過した時間ｔ_０を基準としたときの車両の流れの一例を示す説明図である。図４中、縦軸は現在地である地点αからの距離であり、進行方向を正としている。また、横軸は午前９時を基準とする時間軸である。
ここでは、交通予測装置１００は、図４の「予測する当日より過去の走行履歴データ群」から、午前１０時３０分〜午前１１時３０分の時間帯で目的地に到着した車両を抽出する。
目的地に到着した車両の抽出は、本実施例では、走行履歴データに含まれる車両の位置データに基づいて判定する。

そして、交通予測装置１００は、抽出した車両の走行履歴データに基づき、車両が目的地に到着し得る時間帯における目的地までの交通量を予測する。即ち、交通予測装置１００は、午前１０時３０分〜午前１１時３０分の時間帯で目的地に到着した車両が、何時に何処から出発した車両であるかについて、「予測する当日より過去の走行履歴データ群」に基づき、目的地までの交通量を予測する。
図５は、「予測する当日より過去の走行履歴データ群」から、「予測する当日の走行履歴データ群」に類似した走行履歴データ群を抽出する一例を示す説明図である。
図５に示すように、交通予測装置１００は、目的地までの交通量を予測するために、予測の出力要求を受け付ける以前の出発し得る時間帯における「予測する当日の走行履歴データ群」に類似した、同時間帯の「予測する当日より過去の走行履歴データ群」を抽出する。
また、「予測する当日の走行履歴データ群」に最も類似した、同時間帯の「予測する当日より過去の走行履歴データ群」を迅速に抽出する方法としては、例えば、走行履歴データのデータ項目の値が近いものから抽出する方法が挙げられる。データ項目は後述するが、曜日、祝日か否か、天候などが優先的に挙げられる。

次に、交通予測装置１００の機能構成及びハードウェア構成について説明する。

（交通予測装置）
＜交通予測装置の機能構成＞
図６は、交通予測装置１００の機能構成の一例を示す説明図である。
図６に示すように、交通予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０と、を有する。なお、制御部１３０は、目的地までの交通量を予測するための学習済み人工知能を有する。

通信部１１０は、制御部１３０の指示に基づき、各車両に搭載される端末装置３００から走行履歴データを受信し、記憶部１２０に格納する。
また、通信部１１０は、端末装置３００から送信された、車両が目的地に到着し得る時間帯における目的地までの交通量の予測の出力要求を受け付ける。

記憶部１２０は、走行履歴データベース（以下、「走行履歴ＤＢ」と称することもある）１２１を有する。通信部１１０が受信した走行履歴データは、走行履歴ＤＢ１２１に格納される。また、記憶部１２０は、トリップデータと、経路データと、を格納する。

図７は、通信部１１０が受信する走行履歴データの一例を示す図である。
図７に示すように、走行履歴データは、本実施例では「車両ＩＤ、トリップＩＤ、位置（経度、緯度）、速度、出発日時、出発地（経度、緯度）、到着日時、目的地（経度、緯度）、移動距離、所要時間」のデータ項目を含む。

「車両ＩＤ」のデータ項目は、端末装置３００が搭載されている当該車両を識別するためのデータであり、予め設定される。
「トリップＩＤ」のデータ項目は、目的をもってある出発地からある目的地へ移動する単位であるトリップを識別するために用いられる。
「日時」及び「位置（経度、緯度）」のデータ項目は、端末装置３００に搭載されているＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）ユニットにより取得される。
「速度」のデータ項目は、ＧＰＳユニットと同期させ、端末装置３００が有する速度センサを用いて車両の車軸から取得される。
「出発日時」及び「出発地（経度、緯度）」のデータ項目は、当該トリップの出発日時及び出発地の経度緯度である。
「到着日時」及び「目的地（経度、緯度）」のデータ項目は、当該トリップの到着日時及び目的地の経度緯度である。
「移動距離」のデータ項目は、出発地から現在地までの移動距離である。
「所要時間」のデータ項目は、出発地から現在地までの所要時間である。

図８は、記憶部１２０に格納される走行履歴データの一例を示す図である。
図８に示すように、本実施例では図７に示した走行履歴データのデータ項目に加え、「曜日、祝日、天候」のデータ項目を含む。
走行履歴データに曜日、祝日、及び天候の少なくともいずれかのデータ項目を含むことにより、交通予測装置１００は、例えば、予測する当日が連休初日の晴れの日の場合、走行履歴データ群から過去の連休初日の晴れの日の走行履歴データを抽出することができる。このため、交通予測装置１００は、予測する当日の環境に類似する走行履歴データを抽出できることから、ＳＡ３の混雑率を予測する精度を向上させることができる。

「曜日、祝日」のデータ項目は、交通予測装置１００が「日時」のデータを参照し、記憶部１２０の図示しない「曜日、祝日」のデータベースから取得し、端末装置３００から送信されたデータ項目に紐付けて記憶されている。
「天候」のデータ項目は、交通予測装置１００が「日時」及び「位置（経度、緯度）」のデータを参照して、ネットワーク５００を介して各地の天気データを有するサーバ装置から取得し、端末装置３００から送信されたデータ項目に紐付けて記憶されている。
なお、本実施例では、「曜日、祝日、天候」のデータ項目を交通予測装置１００により走行履歴データに紐付けるようにしたが、これに限ることなく、端末装置３００が「曜日、祝日、天候」のデータ項目を取得して走行履歴データに紐付けるようにしてもよい。

図９は、記憶部１２０に格納される経路データの一例を示す図である。
図９に示すように、経路データは、本実施例では「車両ＩＤ、トリップＩＤ、リンクＩＤ（経度、緯度）、リンク入日時、リンク所要時間、リンク平均速度」のデータ項目を含む。「車両ＩＤ、トリップＩＤ」のデータ項目については、前述の「車両ＩＤ、トリップＩＤ」と同様であるため説明を省略する。

「リンクＩＤ（経度、緯度）」のデータ項目は、所定の道路区間を識別するための識別子である。また、所定の道路区間とは、例えば、所定のＳＡから所定のジャンクションまでの道路区間を意味する。
「リンク入日時」のデータ項目は、車両が当該リンクＩＤに対応する道路区間に入った日時である。
「リンク所要時間」のデータ項目は、車両が当該リンクＩＤに対応する道路区間を通行した時間である。
「リンク平均速度」のデータ項目は、当該リンクＩＤに対応する道路区間を通行したときの車両の平均速度である。

＜＜制御部＞＞
制御部１３０は、抽出部１３１と、画像生成部１３２と、算出部１３３と、学習部１３４と、推論部１３５と、を有する。なお、学習部１３４及び推論部１３５を組合せた機能を人工知能と称することがある。詳細は後述するが、本実施例では、制御部１３０は、学習済みの人工知能の画像認識機能を用いて、予測する当日の午前９時に地点αを通過した車両の出発地の分布を示す第１の画像から、目的地までの交通量の推論により予測する。

抽出部１３１は、車両の走行履歴データ群から、目的地に到着し得る時間帯に対応する時間帯に目的地に到着した車両を抽出する。

画像生成部１３２は、予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データに基づき、車両の出発地の分布を示す第１の画像を生成する。これは、走行している車両の各端末装置３００から交通予測装置１００に走行履歴データが格納されるまで、電波受信状態による通信速度や装置の処理速度などのばらつきにより時間がかかるためである。即ち、所定の時間間隔を空けることにより、交通予測装置１００は、より多くの走行履歴データが集まった走行履歴データ群に基づいて第１の画像を生成できるため、目的地までの交通量を予測する精度を向上させることができる。本実施例では、所定の時間間隔を３０分間としているため、図４に示すように、交通予測装置１００は、予測の出力要求を受け付けた午前９時から３０分間空けて遡った午前８時３０分以前の走行履歴データ群に基づき、第１の画像を生成する。

図１０は、出発地の分布を含む地図画像の一例を示す説明図であり、地点αを午前９時に通過した車両の出発地、目的地、及び経路を示す。図１０中の出発地又は目的地は市区町村ごとに塗りつぶされて表示されている。塗りつぶしの濃淡は、当該出発地又は目的地を出発地又は目的地として走行する車両数を示しており、いずれも濃度が高いと車両数が多く、濃度が低いと車両数が少ないことを示している。また、目的地とされた市区町村は、外周を縁取られて表示されている。経路の濃淡は、当該経路の交通量を示しており、濃度が高いと当該経路の交通量が多く、濃度が低いと当該経路の交通量が少ないことを示している。
第１の画像は、図１０の出発地の分布のみを表示したものである。

また、画像生成部１３２は、予測する当日より過去の走行履歴データ群であって、抽出部１３１が抽出した車両の走行履歴データに基づき、正時ごとに生成した第２の画像の集合である第２の画像群を、教師画像データ群として記憶部１２０に格納する。なお、正時とは、分や秒の端数のつかない時刻を意味する。

算出部１３３は、各第２の画像に対応する目的地までの交通量を算出し、各第２の画像と紐付けて教師正解データ群として記憶部１２０に格納する。

また、算出部１３３は、以下のプラットフォーム処理において、予測する当日より過去の走行履歴データに基づき、各算出処理を行う。
（１）地点αに関わるデータとして、地点αにおける予測の出力要求を受け付けた時間ｔ_０の前後３０分間の交通量を算出する。
（２）目的地に関わるデータとして、目的地の手前近傍における連続走行時間、目的地に到着した車両数、目的地に到着した車両の平均所要時間、及び目的地までの交通量を算出する。
（３）地点α〜目的地間の走行に関わるデータとして、地点α〜目的地間の交通量、及び地点α〜目的地間の平均所要時間を算出する。
（４）出発地及び目的地に関わるデータとして、地点αにおける予測の出力要求を受け付けた時間ｔ_０の前後３０分間に地点αを通過する車両の出発地ゾーン情報及びゾーン別交通量、出発地〜地点α間の平均所要時間、地点α〜目的地間の平均所要時間を算出する。

学習部１３４は、教師画像データ群と教師正解データ群との関係からディープラーニングの手法を用いて、第１の画像から目的地までの交通量を推論できるように学習済み重みを得る。

推論部１３５は、学習部１３４が得た学習済み重みを用いて、生成した画像の特徴の類否を行い、予測の根拠となる過去の走行履歴データを抽出して目的地までの交通量を予測する。
画像の特徴の類否は、予測する当日の走行履歴データ群に基づいて生成した第１の画像を基準として、予測する当日より過去の走行履歴データ群に基づいて正時ごとに生成した第２の画像群の第２の画像とそれぞれ比較することにより判定する。
これにより、交通予測装置１００は、学習済みの人工知能を用いることにより、目的地までの交通量を精度良く予測することができる。

なお、本実施例では、交通予測装置１００は、学習済みの人工知能の画像認識機能を用いて目的地までの交通量を予測するようにしたが、これに限ることなく、例えば、標準偏差などの数値を用いた手法により予測するようにしてもよい。

＜交通予測装置のハードウェア構成＞
図１１は、交通予測装置１００のハードウェア構成の一例を示す説明図である。
図１１に示すように、交通予測装置１００は以下の各部を有する。各部は、バス１８９を介してそれぞれ通信可能に接続されている。

ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１８１は、制御部１３０の各部が行う処理を実行する。ソフトウェアを実行するプロセッサはハードウェアである。

ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１８２は、記憶部１２０に記憶された各種プログラムが制御部１３０により実行される際に展開される作業範囲として機能する。
ＲＡＭ１８２としては、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などが挙げられる。

ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１８３は、画像データを処理する際に必要な計算処理を実行する。

ＶＲＡＭ（Ｖｉｄｅｏ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１８４は、モニタ等のディスプレイに画像を表示するために必要なデータを保持するためのメモリ領域であり、グラフィックスメモリ又はビデオメモリとも称する。ＶＲＡＭ１８４は、専用のデュアルポートのものもあれば、ＤＲＡＭやＳＲＡＭを利用したものもある。

入力装置１８５は、交通予測装置１００に対する各種要求を受け付けることができれば特に制限はなく、適宜公知のものを用いることができ、例えば、キーボード、マウス、タッチパネル、マイクなどが挙げられる。

出力装置１８６は、特に制限はなく、適宜公知のものを用いることができ、例えば、ディスプレイ、スピーカーなどが挙げられる。

通信インターフェイス１８７は、特に制限はなく、適宜公知のものを用いることができ、例えば、無線又は有線を用いた通信デバイスなどが挙げられる。

主記憶装置１８８は、交通予測プログラムを記憶し、ＣＰＵ１８１及び／又はＧＰＵ１８３が当該プログラムを読み出して実行することにより、抽出部１３１、画像生成部１３２、算出部１３３、学習部１３４、及び推論部１３５として動作する。また、主記憶装置１８８は、交通予測プログラムのほか、各種プログラムを制御部１３０が実行するために必要な各種プログラム、データ等を記憶する。具体的には、主記憶装置１８８は、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ／Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）、ＥＦＩ（Ｅｘｔｅｎｓｉｂｌｅ Ｆｉｒｍｗａｒｅ Ｉｎｔｅｒｆａｃｅ）等のブートプログラムなどを記憶する。
主記憶装置１８８としては、各種情報を記憶できれば特に制限はなく、目的に応じて適宜選択することができ、例えば、ソリッドステートドライブ、ハードディスクドライブなどが挙げられる。また、主記憶装置１８８は、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）ドライブ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）ドライブ、ＢＤ（Ｂｌｕ−ｒａｙ（登録商標） Ｄｉｓｃ）ドライブなどの可搬記憶装置であってもよい。さらに、主記憶装置１８８は、ネットワーク上のコンピュータ群であるクラウドの一部であってもよい。

図１２は、プラットフォーム解析処理から通知処理までの流れの一例を示すフローチャートである。交通予測装置１００が有する人工知能が、ディープラーニングの手法により目的地までの交通量を予測するフローを、図１２に示すフローチャートにしたがって説明する。

ステップＳ１０１では、算出部１３３は、プラットフォーム解析処理を行うと処理をＳ１０２に移行させる。
プラットフォーム解析処理では、予測する当日より過去の走行履歴データに基づき、全国の主要通過地点について前月までの毎正時において、以下の（１）〜（４）の処理を行う。
（１）地点αに関わるデータとして、地点αにおける予測の出力要求を受け付けた時間ｔ_０の前後３０分間の交通量を算出する。
（２）目的地に関わるデータとして、目的地の手前近傍における連続走行時間、目的地に到着した車両数、目的地に到着した車両の平均到着時間、及び目的地までの交通量を算出する。
（３）地点α〜目的地間の走行に関わるデータとして、地点α〜目的地間の交通量、及び地点α〜目的地間の平均所要時間を算出する。
（４）出発地及び目的地に関わるデータとして、地点αにおける予測の出力要求を受け付けた時間ｔ_０の前後３０分間に地点αを通過する車両の出発地ゾーン情報及びゾーン別交通量、出発地〜地点α間の平均所要時間、地点α〜目的地間の平均所要時間を算出する。

ステップＳ１０２では、画像生成部１３２は、画像生成処理を行うと処理をＳ１０３に移行させる。
画像生成処理では、本実施例では、予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データ群に基づき、１時間ごとに車両の出発地の分布を示す第１の画像を生成する。
また、画像生成部１３２は、抽出部１３１が抽出した車両の走行履歴データに基づき、正時ごとの、車両の出発地の分布を示す第２の画像を生成した第２の画像群を教師画像データ群として格納する。
さらに、算出部１３３は、各第２の画像に対応する目的地までの交通量を算出し、各第２の画像と紐付けて教師正解データ群として記憶部１２０に記憶させる。

ステップＳ１０３では、学習部１３４は、学習処理を行うと処理をＳ１０４に移行させる。
学習処理では、学習部１３４は、教師画像データ群と教師正解データ群との関係からディープラーニングの手法を用いて、第１の画像から目的地までの交通量を推論できるように学習済み重みを得る。

ステップＳ１０４では、推論部１３５は、推論処理を行うと処理をＳ１０５に移行させる。
推論処理では、推論部１３５は、学習部１３４が得た学習済み重みを用いて、生成した画像の特徴の類否を行い、予測の根拠となる過去の走行履歴データを抽出して目的地までの交通量を予測する。

ステップＳ１０５では、交通予測装置１００は、情報表示装置２００に対して通知処理を行うと本処理を終了させる。
通知処理では、交通予測装置１００は、情報表示装置２００に、予測した当該目的地までの交通量を送信する。情報表示装置２００は、車両の運転者に対し、図１３に示すように、交通予測装置１００が予測した当該目的地までの所要時間を表示する。

図１４は、交通予測装置１００が目的地までの所要時間を予測する流れの一例を示すフローチャートである。交通予測装置１００が目的地までの所要時間を予測するフローを、図１４に示すフローチャートにしたがって説明する。

ステップＳ２０１では、交通予測装置１００は、当該車両の端末装置３００から、車両が目的地に到着し得る時間帯における目的地までの所要時間の予測の出力要求を受け付けると処理をＳ２０２に移行させる。

ステップＳ２０２では、交通予測装置１００は、走行履歴データに基づき、車両が目的地に到着し得る時間帯における目的地までの所要時間を予測すると本処理を終了させる。

以上説明したように、交通予測装置は、車両が所定の地点に到着し得る時間帯における所定の地点までの所要時間の予測の出力要求を受け付けると、受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯の走行履歴データ群に基づき、所要時間を予測できる。

なお、図１５に示すように、車両が地点αを午後９時に通過したときにＦ方面への交通量が多くなると予測された場合、図１６に示すように、車両がＦに到着し得る時間帯におけるＦ方面への所要時間を表示するようにしてもよい。

以上の実施形態に関し、更に以下の付記を開示する。
（付記１）
車両が所定の地点に到着し得る時間帯における特定の地点から前記所定の地点までの交通量の予測の出力要求を受け付けると、
前記予測の出力要求を受け付けた時間よりも過去の時間帯の走行履歴データ群に基づき、前記車両が前記所定の地点に到着し得る時間帯における前記所定の地点までの交通量を予測する、
処理をコンピュータに実行させることを特徴とする交通予測プログラム。
（付記２）
前記予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の前記走行履歴データ群に基づき、所定の時間ごとに生成した前記車両の出発地の分布を示す画像の特徴の類否から、予測の根拠となる過去の前記走行履歴データを抽出する付記１に記載の交通予測プログラム。
（付記３）
前記所定の地点までの交通量の予測結果を、予測進路上における前記所定の地点より所定の距離の手前で表示する付記１又は２に記載の交通予測プログラム。
（付記４）
前記走行履歴データが、曜日、祝日及び天候の少なくともいずれかのデータを含む付記１から３のいずれか一項に記載の交通予測プログラム。
（付記５）
車両が所定の地点に到着し得る時間帯における前記所定の地点までの交通量の予測の出力要求を受け付けると、
前記予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データ群に基づき、前記車両が前記所定の地点に到着し得る時間帯における前記所定の地点までの交通量を予測する、
処理を実行する制御部を有することを特徴とする交通予測装置。
（付記６）
車両が所定の地点に到着し得る時間帯における前記所定の地点までの交通量の予測の出力要求を受け付けると、
前記予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データ群に基づき、前記車両が前記所定の地点に到着し得る時間帯における前記所定の地点までの交通量を予測する、
処理をコンピュータが実行することを特徴とする交通予測方法。

１０ システム
１００ 交通予測装置
１３０ 制御部
２００ 情報表示装置
３００ 端末装置
４００ 車両

Claims (6)

1. 車両が所定の地点に到着し得る時間帯における特定の地点から前記所定の地点までの交通量の予測の出力要求を受け付けると、
   前記予測の出力要求を受け付けた時間よりも過去の時間帯の走行履歴データ群に基づき、前記車両が前記所定の地点に到着し得る時間帯における前記所定の地点までの交通量を予測する、
   処理をコンピュータに実行させることを特徴とする交通予測プログラム。
2. 前記予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の前記走行履歴データ群に基づき、所定の時間ごとに生成した前記車両の出発地の分布を示す画像の特徴の類否から、予測の根拠となる過去の前記走行履歴データを抽出する請求項１に記載の交通予測プログラム。
3. 前記所定の地点までの交通量の予測結果を、予測進路上における前記所定の地点より所定の距離の手前で表示する請求項１又は２に記載の交通予測プログラム。
4. 前記走行履歴データが、曜日、祝日及び天候の少なくともいずれかのデータを含む請求項１から３のいずれか一項に記載の交通予測プログラム。
5. 車両が所定の地点に到着し得る時間帯における前記所定の地点までの交通量の予測の出力要求を受け付けると、
   前記予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データ群に基づき、前記車両が前記所定の地点に到着し得る時間帯における前記所定の地点までの交通量を予測する、
   処理を実行する制御部を有することを特徴とする交通予測装置。
6. 車両が所定の地点に到着し得る時間帯における前記所定の地点までの交通量の予測の出力要求を受け付けると、
   前記予測の出力要求を受け付けた時間よりも所定の時間間隔を空けて遡った過去の時間帯に対応する時間帯の走行履歴データ群に基づき、前記車両が前記所定の地点に到着し得る時間帯における前記所定の地点までの交通量を予測する、
   処理をコンピュータが実行することを特徴とする交通予測方法。