JP7577451B2 - Area condition estimation method and learning method thereof, and area condition estimation device and learning device thereof - Google Patents
Area condition estimation method and learning method thereof, and area condition estimation device and learning device thereofDownload PDFInfo
- Publication number
- JP7577451B2 JP7577451B2JP2020038176AJP2020038176AJP7577451B2JP 7577451 B2JP7577451 B2JP 7577451B2JP 2020038176 AJP2020038176 AJP 2020038176AJP 2020038176 AJP2020038176 AJP 2020038176AJP 7577451 B2JP7577451 B2JP 7577451B2
- Authority
- JP
- Japan
- Prior art keywords
- situation
- data
- area
- vehicle
- estimation
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000000034methodMethods0.000titleclaimsdescription42
- 239000000523sampleSubstances0.000claimsdescription83
- 230000006870functionEffects0.000claimsdescription20
- 238000012549trainingMethods0.000claimsdescription11
- 238000013500data storageMethods0.000description13
- 238000010586diagramMethods0.000description7
- 238000000605extractionMethods0.000description6
- 238000004364calculation methodMethods0.000description4
- 238000004891communicationMethods0.000description3
- 238000010801machine learningMethods0.000description3
- 238000012545processingMethods0.000description2
- 238000013135deep learningMethods0.000description1
- 238000005516engineering processMethods0.000description1
- 239000000284extractSubstances0.000description1
- 238000007689inspectionMethods0.000description1
- 238000011835investigationMethods0.000description1
- 238000007781pre-processingMethods0.000description1
- 238000011160researchMethods0.000description1
Landscapes
- Traffic Control Systems (AREA)
Description
Translated fromJapanese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。The present invention relates to an area situation estimation method and learning method thereof, and an area situation estimation device and learning device thereof. The area situation estimation method to which this invention pertains relates to a method of estimating the situation of a vehicle present in a desired area on a map, for example, which is applied to a navigation device for a vehicle, using AI technology.
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。 A useful function applied to navigation devices is to estimate the status of vehicles in an area where a destination is located. One example of such area status estimation is estimating the vacancy status of a parking lot. The vacancy status of a parking lot is estimated from sensors installed in the parking lot, as well as from waiting time for parking and the length of the queue of vehicles waiting to park, and is reflected in the navigation device.
On the other hand, for example, in front of a station, a driver may wish to park the vehicle on the side of a road near the station for a short period of time without having to park the vehicle in a parking lot.
In the case of parking lots, it would be nice if navigation devices were equipped with a function to estimate the vacancy status (congestion status) of roadside strips in a given area.
Please refer to Patent Documents 1 to 3 as prior art documents disclosing techniques related to the present invention.
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。 Since vehicles are only allowed to stop on the side of the road for a short time, there is a lot of movement between vehicles trying to stop and vehicles trying to leave. Therefore, a method for estimating the congestion situation in a parking lot, which assumes long periods of stopping (parking), cannot be applied as is.
According to the inventor's investigations, no prior art documents were found that disclose or suggest a technique for estimating the congestion status of a roadside strip.
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。 The inventors have conducted intensive research to solve the above-mentioned problem, and have come to the conclusion that in a model area, there may be a difference in the patterns of driving history leading up to the stopping of vehicles (probe cars) that stop at the same time on a congested roadside and vehicles that stop at the same time on a non-congested roadside.
For example, during peak times, other vehicles are often parked at the desired shoulder location, and as a result, the vehicle exhibits a characteristic driving history pattern before stopping at the desired shoulder location. One characteristic driving history pattern is circling around the desired shoulder location. Here, circling refers to passing the desired shoulder location once, turning left or right, making a U-turn, and/or reversing, and then approaching the desired shoulder location again. There are also cases where the vehicle is unable to stop at the desired shoulder location (destination) and is forced to stop the vehicle at a location away from the desired location.
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。 On the other hand, in a non-congested situation, the driver of the vehicle can stop the vehicle at the desired shoulder position without any stress. In other words, the driving history pattern up to the stop does not cause the above-mentioned round trip, and the vehicle does not stop at the shoulder far from the destination.
Based on the above findings, the present inventors have arrived at the present invention described below.
In the above description, the congestion status of the roadside of a road in an area is taken as an example of the status of an area, but the present invention can be generalized as a method for estimating the status of an area. The estimation method of the present invention is suitable for cases where the status of vehicles in a specific area changes frequently. Examples of such cases include the estimation of the congestion status of the roadside as described above, as well as the movement of vehicles in an area hit by heavy rain.
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。 The first aspect of the present invention is defined as follows:
A method for estimating a condition of an area, comprising:
Collecting a set of vehicle data for each of a plurality of probe cars present in a model area and a situation of the model area, and generating teacher data including the set of vehicle data and situation data defining the situation of the model area;
inputting the teacher data into a situation estimation unit having a learning function, and causing the situation estimation unit to learn a relationship between the set of vehicle data and the situation data;
A method for estimating an area situation, comprising inputting a set of vehicle data in an estimation target area in which the situation is unknown to a trained situation estimation unit, and estimating the situation of the estimation target area.
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。According to the estimation method of the first aspect thus defined, when estimating the situation of an area, vehicle data of multiple probe cars present in the area is used. Here, vehicle data refers to all data related to the vehicle stored or generated by the probe car, such as probe data and vehicle inner data. Probe data is composed exclusively of position information (x, y) indicating the driving history of the probe car and its acquisition time t. Vehicle inner data is data related to various conditions of the vehicle output from sensors, control units, and other devices equipped on the vehicle, and refers to data that can be transmitted over a network installed in the vehicle using various communication protocols including CAN (Controller Area Network).
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。 In this invention, a model area is defined, and the vehicle data of each of the multiple probe cars present in the model area and the situation data defining the situation of the model area are used as teacher data. The teacher data is collected and input to a situation estimation unit. This situation estimation unit has a learning function (machine learning function such as deep learning). That is, the learning mode of AI processing is executed.
This learning mode allows learning of the relationship between the set of vehicle data and the situation data that specifies the situation of the model area. For example, a set of travel trajectories of a probe car parked on a side strip in the model area during an arbitrarily specified time period can be used as the set of vehicle data. "Congestion data" and "non-congestion data" can be used as situation data that specifies the situation of the model area, for example, whether the side strip of a road in the model area is congested or not congested. In this case, whether the situation is congested or not is judged by a person based on an inspection of the current situation of the model area during a specified time period or on a photographed image thereof. Also, the photographed image can be processed and the judgment can be made by a computer device.
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。In the operational mode, a set of vehicle data in the estimation target area, whose situation is unknown, is input to the learned situation estimation unit. Based on the input set of vehicle data, the situation estimation unit outputs situation data that identifies the situation in the estimation target area. The situation in the estimation target area is estimated from this situation data. At this time, multiple probe cars are selected in the estimation target area using the same rules as those used to select multiple probe cars in the model area, and the vehicle data for these is input to the learned situation estimation unit.
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。 The second aspect of the present invention is defined as follows:
Collecting a set of vehicle data for each of a plurality of probe cars present in a model area and a situation in the model area, and generating teacher data including the set of vehicle data and situation data defining the situation in the model area;
A learning method for estimating an area situation, comprising inputting the teacher data to a situation estimation unit having a learning function, and causing the unit to learn the relationship between the set of vehicle data and the situation data.
A second aspect of the present invention defines a learning mode in the first aspect. By executing the learning method defined in the second aspect, a trained situation estimation unit is obtained.
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。 The third aspect of the present invention is defined as follows:
preparing a trained situation estimation unit which is input with training data consisting of a set of vehicle data of each of a plurality of probe cars present in a model area and situation data defining a situation in the model area, and which is made to train a relationship between the set of vehicle data and the situation data;
A method for estimating an area situation, comprising inputting a set of vehicle data in an estimation target area in which the situation is unknown to the learned situation estimation unit, and estimating the situation of the estimation target area.
By using the trained situation estimation unit defined in the second aspect of the present invention, it becomes possible to estimate the situation of an estimation target area where the situation is unknown.
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。 A fourth aspect of the present invention is defined as follows: In the first aspect, the collection of the model area conditions is executed when the vehicle data is collected.
According to the estimation method of the fourth aspect defined as above, the situation data for specifying the situation of the model area and the vehicle data are obtained in the same time period, so that the relationship between the two is close, and therefore, the situation can be estimated with high accuracy.
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。 A fifth aspect of the present invention is defined as follows: In the first aspect, the collection of the model area conditions is performed after the collection of the vehicle data.
According to the estimation method of the fifth aspect thus defined, it is possible to estimate the situation of the area that will occur later based on the vehicle data. For example, by executing the estimation method of the present invention immediately before arriving at the destination, it is possible to estimate the situation of the destination at the time of arrival. Here, the time period during which vehicle data is collected at the destination is a predetermined time period going back from a predetermined time immediately before arriving at the destination (e.g., the time when the situation estimation is started). Then, the situation of the destination at the time of arrival at the destination is estimated based on the vehicle data obtained during this time period.
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。 The sixth aspect of the present invention is defined as follows:
In a first aspect, the situation data is congestion data defining a congestion state of a side strip of a road in an area or non-congestion data defining a non-congestion state of the side strip of a road in an area,
The vehicle data includes a driving history pattern of the probe car before the probe car is stopped, and/or a distance between a destination and a stopping position.
According to the estimation method defined in the sixth aspect thus defined, it is possible to estimate the congestion state of the side strip of a road in an area.
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。 The seventh aspect of the present invention is defined as follows:
In the estimation method defined in a sixth aspect, the pattern of the travel history includes at least one of a speed change, a coordinate change, and a direction change.
According to the estimation method defined in the seventh aspect thus defined, driving condition data that is easy to acquire is selected as the vehicle data, and therefore the method is easy to implement.
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。 The eighth aspect of the present invention is defined as follows:
An estimation device for estimating an area situation, comprising: a learning unit; and an operation unit,
The learning unit is
a training data generating unit that collects a set of vehicle data of each of a plurality of probe cars present in a model area and a situation of the model area, and generates training data including the set of vehicle data and situation data that defines the situation of the model area;
a situation estimation unit having a learning function, the situation estimation unit receiving the teacher data and learning a relationship between the set of vehicle data and the situation data;
The operation unit includes:
An area situation estimation device that inputs a set of vehicle data in an estimation target area in which a situation is unknown to the learned situation estimation unit, and estimates the situation of the estimation target area.
According to the device of the eighth aspect thus defined, the same effects as those of the first aspect can be obtained.
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。 The ninth aspect of the present invention is defined as follows:
a training data generating unit that collects a set of vehicle data of each of a plurality of probe cars present in a model area and a situation of the model area, and generates training data including the set of vehicle data and situation data that defines the situation of the model area;
A learning device for an area situation estimation method, the learning device including a situation estimation unit having a learning function, receiving the teacher data and learning the relationship between the set of vehicle data and the situation data.
According to the device of the ninth aspect thus defined, the same effects as those of the second aspect can be obtained.
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。 The tenth aspect of the present invention is defined as follows:
a trained situation estimation unit that receives training data including a set of vehicle data of each of a plurality of probe cars present in a model area and situation data that defines a situation in the model area, and trains the trained situation estimation unit to learn a relationship between the set of vehicle data and the situation data;
An area situation estimation device that inputs a set of vehicle data in an estimation target area in which the situation is unknown to the learned situation estimation unit, and estimates the situation of the estimation target area.
According to the device of the tenth aspect thus defined, the same effects as those of the third aspect can be obtained.
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。 The eleventh aspect of the present invention is defined as follows:
The apparatus according to any one of the eighth to tenth aspects, wherein the collection of the model area conditions is performed when the vehicle data is collected.
According to the device of the eleventh aspect thus defined, the same effects as those of the fourth aspect can be obtained.
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。 The twelfth aspect of the present invention is defined as follows:
The apparatus according to any one of the eighth to tenth aspects, wherein the collection of the model area conditions is performed after the collection of the vehicle data.
According to the device of the twelfth aspect thus defined, the same effects as those of the fifth aspect can be obtained.
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。 The thirteenth aspect of the present invention is defined as follows:
The situation data is congestion data defining a congestion state of a side strip of a road in an area or non-congestion data defining a non-congestion state of the side strip of a road in the area,
The device according to any one of the eighth to tenth aspects, wherein the vehicle data includes a driving history pattern of the probe car before stopping, and/or a distance between a destination and a stopping position.
According to the device of the thirteenth aspect defined in this manner, it is possible to obtain the same effect as that of the sixth aspect. According to the device of the eighth aspect defined in this manner, it is possible to obtain the same effect as that of the sixth aspect.
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。 The third aspect of the present invention is defined as follows:
The device according to a thirteenth aspect, wherein the driving history pattern includes at least one of a speed change, a coordinate change, and a direction change.
According to the device of the fourteenth aspect thus defined, the same effects as those of the seventh aspect can be obtained.
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。 FIG. 1 is a block diagram showing a teacher data creation device 1 according to an embodiment of the present invention.
This teacher data creation device 1 is composed of a vehicle data storage unit 2, a probe car extraction unit 3, a vehicle data set creation unit 4, an area condition input unit 5, a teacher data creation unit 6, an output unit 7 and a teacher data storage unit 8.
Vehicle data collected from probe cars is stored in the vehicle data storage unit 2. The vehicle data includes probe data and vehicle inner data.
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。 The probe car extraction unit 3 extracts probe cars parked in a designated time period on the side of a road included in the model area MA (hereinafter sometimes referred to as a "model road") shown by a dashed line in FIG. 2. The model area MA can be selected arbitrarily, but for example, as shown in FIG. 2, a predetermined area centered on a station can be used as the model area MA. The time period is, for example, 10 minutes, and probe cars parked in the side of a model road at any timeT0 are extracted. When the number of extracted probe cars, that is, the number of probe cars parked in the side of a model road at timeT0 , is less than 10, the time is traced back in time up to a total of 10 times every minute, and probe cars parked other than the probe cars already extracted are extracted. When the total number of probe cars extracted during the trace back in time reaches 10, further extraction of probe cars is stopped. Even if the total number of extracted probe cars is less than 10, extraction is stopped at a time (T0-10 ) 10 minutes back from timeT0 .
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。 For each of the probe cars extracted in this manner, the vehicle data before the probe car stopped is read from the vehicle data storage unit 2.
As this vehicle data, a driving history pattern indicating whether or not the vehicle was circulating around the stop position before stopping can be adopted. As a driving history pattern, for example, a driving trajectory (coordinate change) for five minutes before the stop is formed from the probe data. If the driving trajectory overlaps with the stop position, it is considered that the probe car was circulating. In addition, for example, the frequency of speed changes and direction changes in the five minutes before stopping can also be data suggesting the circulating of the probe car. For speed changes and direction changes, vehicle inner data other than the probe data can also be used.
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。 Situation data (congested data, non-congested data) specifying whether the side strip of the road in the model area is congested or not congested in the time period when the probe car is extracted is manually input by a person via the area situation input unit 5. The judgment of congested/not congested can be made on-site, or can be made from an image of the street (road) in front of the station taken in a specified time period.
In another embodiment of the present invention, the condition of the roadside strip in the time period following the time period in which the probe car was extracted is used.
The teacher data creation unit 7 combines the congestion data or non-congestion data input via the area condition input unit 5 with a set of vehicle data of each probe car issued during the acquisition time period, to generate teacher data.
教師データの例を表１に示す。
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。 In Table 1, when a probe car is stopped on a shoulder in the model area MA, a "1" is added to the "Stopped in area" column of the vehicle data. When such a probe car does not exist, a "0" is added to the corresponding column of the probe car after the probe car with "1". In addition, "0" is also added to the vehicle data of the probe car with "0" added.
In order to determine whether the probe car has made a detour, if the driving trajectory overlaps with the stopping position, a "1" is entered in the "Double driving trajectory" column, and if there is no overlap, a "0" is entered. Similarly, if the driving trajectory has more than five turns, a "1" is entered in the "Turns >5" column, and if the number of turns is five or less, a "0" is entered.
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。To determine whether a situation is congested or not based on the distance from the stopping position to the station, if the probe car's navigation device sets the station as the destination, a "1" is entered in the "Station is destination" column, and if the station is not set as the destination, a "0" is entered. In addition, if the distance from the stopping position to the station is 50 m or more, a "1" is entered in the "50 m or more" column, and if it is less than 50 m, a "0" is entered. If the distance from the stopping position to the station is 50 m or more even though the station is set as the destination, the road in front of the station is estimated to be congested.
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。 The situation shown in FIG. 2 is noted in Table 1 as "Crowded 1."
The situation shown in Figure 3 is recorded in Table 1 as "non-congested 1". In this example, only three probe cars were parked during the specified time period, and it can be seen that the shoulder of the road in front of the station was always empty. Note that the data for the fourth and subsequent vehicles that were not extracted is 0.
The situation shown in FIG. 4 is shown in Table 1 as "non-congestion 2." Here, the vehicle data of probe cars 1 to 5 is the same for congestion 1 (FIG. 2) and non-congestion 2 (FIG. 4). However, probe cars 6 to 10 in non-congestion 2 are able to stop without making any rounds. This means that an empty space was found immediately after the previous stopped vehicle left the shoulder. In other words, there are always stopped vehicles on the road in front of the station, and at first glance it looks like a congested situation, but in reality vehicles are frequently entering and exiting, so vehicles arriving later can stop without any stress, which means that it is a non-congested situation.
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。 For the model area shown in Figures 2 to 4, a data set (teaching data) shown in Table 1 is acquired over a long period of time.
When the number of training data reaches a number suitable for AI processing, this training data is input to the learning device 100 shown in FIG. 5.
This learning device 100 includes a teacher data storage unit 8 and a situation estimation unit 15. The teacher data storage unit 8 includes a vehicle data set storage area 8A and an area situation storage area 8B.
When the teacher data stored in the teacher data storage unit 8 is input to the situation estimation unit 15, the situation estimation unit 15 performs machine learning based on an AI program, and as a result, the vehicle data set and the situation data are associated in a predetermined relationship.
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。Vehicle data from probe cars is collected for the estimation target area with unknown conditions, and is stored in the vehicle data set storage area 23A of the memory unit 23 of the estimation device 200. When such a set of vehicle data is input to the trained situation estimation unit 15, situation data corresponding to the set of vehicle data is output from the output unit 17 together with, for example, its probability. When the situation data is congestion data, it is estimated that the side strips of roads in the estimation target area are in a congested state.
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。 Next, the operation of the estimation device of the present invention will be described with reference to the flowcharts in FIG.
<Learning mode>
7, a model area MA is specified on map data used by the navigation device in step 1. In step 2, roads (model roads) included in the model area MA where a vehicle can stop are extracted.
In step 3, an arbitrary timeT0 is specified, which specifies a time period going back 10 minutes from timeT0 (T-10 to T0 ).
In step 4, the situation of the model area MA during the time period specified in step 3 (whether it was congested or not) is identified, and situation data (congested data or not congested data) is created. The situation of the model area is identified by data input from the area situation input unit 5, and is converted into situation data by the teacher data creation unit.
It is also possible to identify the situation in the model area MA in the time period following the time period specified in step 3, and create situation data based on that.
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。 In step 5, the probe cars parked on the side strip of the model road during the specified time period are extracted. More specifically, the operation shown in FIG.
That is, in step 51, the probe cars parked on the shoulder of the model road at the specified timeT0 are extracted in order of proximity to the station. When the total number of extracted probe cars reaches 10 (step 52 = YES), the process proceeds to step 57 and the extracted probe cars are stored. When the total number of extracted probe cars is less than 10 (step 52 = NO), the process proceeds to step 53.
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）。 In step 53, probe cars parked on the shoulder of the model road one minute before the specified timeT0 that have not yet been extracted are extracted in order of proximity to the station. When the total number of probe cars extracted in steps 51 and 53 reaches 10 (step 54 = YES), the process proceeds to step 57. When the total number is less than 10, the process proceeds to step 55, and thereafter, the same operation is repeated every minute up to 10 minutes (step 55 = NO). Even if the total number extracted does not reach 10 even after going back 10 minutes, the process proceeds to step 57 (step 55 = YES).
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）。 7, in step 6, the traveling history pattern of the probe car stored in step 57 is identified to identify the vehicle data. More specifically, the operation shown in FIG. 9 is executed.
That is, the stop position SX1, Y1 and stop time TS1 of the probe car No. 1 that was first extracted in step 61 are identified. This stop time TS1 differs for each probe car, and may be a time before the designated time period (T-10 to T0 ).
In step 62, the data stored in the vehicle data storage unit 2 is referenced for the probe car No. 1, and a travel track going back five minutes from the stop timeTS1 is created.
If the travel trajectory created in this manner passes through the stopping position S, X1, Y1 (step 63 = YES), a "1" is entered in the [Travel trajectory overlap] column of Table 1 as vehicle data (step 631); otherwise, a "0" is entered in the same column (step 632).
In step 64, the created driving trajectory is referenced, and if the number of direction turns exceeds five (step 64 = YES), a "1" is entered in the [Direction Turns > 5] column in Table 1 as vehicle data (step 641), and if not, a "0" is entered in the same column (step 642).
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。 In step 65, it is confirmed whether or not the navigation device of the probe car No. 1 has set the station as the destination, and if the station has been set as the destination (step 65 = YES), a "1" is entered in the "Station is destination" column of Table 1 as the vehicle data (step 651), and if not, a "0" is entered in the same column (step 652).
In step 66, the distance from the stopping position S-X1,Y1 of probe car No. 1 to the station (center point) is calculated, and if the distance is 50 m or more (step 66 = YES), a "1" is entered in the [50 m or more] column of Table 1 as vehicle data (step 661), and if not, a "0" is entered in the same column (step 662).
This process is carried out for all the extracted probe cars.
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。 7, it can be seen that the set of vehicle data (10 items) was created in step 6, and the situation data (congested data, non-congested data) was created in step 4. The set of vehicle data and the situation data are combined to create the teacher data shown in Table 1 (step 7).
This teacher data is temporarily stored in the teacher data storage unit 8 of the learning device 100 shown in Fig. 5. The stored teacher data is subjected to general-purpose pre-processing (e.g., data padding, addition of dummy data, etc.) and input to the situation estimation unit 15 incorporating an AI program. The situation estimation unit 15 executes machine learning to learn the relationship between the set of vehicle data and the situation data.
＜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。 <Operation mode>
Next, a description will be given of an operation mode that uses the trained situation estimation unit 15. Here, the trained situation estimation unit 15 may be the one that has executed the learning, or may be a physically different situation estimation unit 15 in which a copy program of the trained program contents is installed.
When driving a car to take a family member to a station, there is a case where the driver wants to know whether the car can easily stop on the side of the road in front of the station. In this example operation mode, the driver is asked whether the car can easily stop on the road near the nearest station when driving to the nearest station or when estimating the congestion status of the road. When the navigation device has the estimation function and the function is turned on with the nearest station as the destination, the congestion status of the road in front of the nearest station when the driver arrives at the nearest station is estimated and displayed on the navigation device.
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。 In the flowchart of Fig. 10, when the destination is estimated in step 101, the estimation device 200 (see Fig. 6) sets an estimation target area around the destination. The setting method is not particularly limited, but may be a range of a predetermined distance (e.g., 100 m) from the destination centered on the destination, or a range of a road (primary intersecting road) that intersects with a road adjacent to the destination, or a road (secondary intersecting road) that further intersects with the intersecting road (primary intersecting road) at a predetermined distance (e.g., 100 m) from the destination.
In step 102, roads within the estimated target area where automobiles can stop are extracted.
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。 In step 103, a time period up to 10 minutes before the current time when the estimation function was turned on is specified.
In step 105, the data stored in the vehicle data storage unit 2 is referenced to extract probe cars that have been parked in the estimation target area during the time period (T-10 to m ) from the current timeTm at which the estimation function is started up to 10 minutes before. The rules for extraction are shown in the flowchart of Figure 11. The process according to this flowchart is substantially the same as that according to the flowchart of Figure 8, so a description thereof will be omitted.
In step 106, vehicle data is identified from the extracted driving history pattern of the probe car. The method of identification is shown in the flowchart of Fig. 12. The process according to this flowchart (the creation rules of Table 1) is substantially the same as that shown in the flowchart of Fig. 9, so a description thereof will be omitted.
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。 A set of vehicle data is created in step 106, which is input to the learned situation estimation unit 15. Based on the input set of vehicle data, the learned situation estimation unit 15 outputs situation data, i.e., congestion data or non-congestion data, together with its probability.
Based on the congestion data or non-congestion data, the driver can determine whether it will be easy or difficult to stop on the road in front of the nearest station, which is the destination.
In this example, the situation at the destination at the time when the estimation function was turned on is estimated. Since the situation does not change suddenly whether it is congested or not, it is considered that the estimation result at a time before the scheduled arrival time at the destination can be effectively used.
Of course, if the situation in the model area in the time period after the time period when the probe car was extracted is stored as situation data in the teacher data, an estimate can be made of the situation in the time period after the time when the estimation function was turned on, i.e., the time period when the vehicle arrives at the destination.
When estimating the situation in a time period after the time period in which the probe car was extracted, it is preferable to provide a time sequence for the vehicle data obtained from the probe car. In the example of Table 1, the probe car is re-extracted every minute, and the later extracted probe car is assigned the number (No.) after the previously extracted probe car.
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。 FIG. 13 shows the hardware configuration of the area condition estimation device.
The calculation unit 300 includes a CPU 301, a ROM 303, and a RAM 305, and controls the entire system. It also functions as a probe car extraction unit 3, a vehicle data set creation unit 4, a teacher data creation unit 6, a situation estimation unit 15, and an estimation target identification unit 201. The ROM 303 is a non-volatile memory in which a control program for controlling the calculation unit 300 and the like are stored. The RAM 305 readably stores various setting values previously set by a user via an input device 330 such as a keyboard, and provides a working area for the CPU 301. The input device 330 functions as an area situation input unit 5. The control program for controlling the calculation unit 300 may be stored not only in the ROM 303, but also in the RAM 305 or the first and second storage devices 340 and 350.
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。 The first storage device 340 functions as the vehicle data storage unit 2. As the vehicle data storage unit 2, a server at a center that controls the probe cars can be used.
The second storage device 350 functions as the memory unit 32 of the teacher data storage unit 8 .
It is preferable that the first and second storage devices utilize a partial area of a memory device of the server system, such as a hard memory or a flash memory.
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。 A part of the RAM of the calculation unit can be used as a so-called buffer memory for temporarily storing data.
The output device 320 is a display and an audio output device, and the input device 330 is an audio input section, a touch panel keyboard or a mouse arranged over a display, or the like.
Communication with the probe car is possible via the communication interface 360 .
The devices constituting the computer are connected via a system bus 370 .
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。The present invention is not limited in any way to the above-mentioned embodiments, examples, and modified examples. Various modified forms that do not deviate from the scope of the claims and that can be easily conceived by a person skilled in the art are also included in this invention.
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1 Teacher data creation device 15 Situation estimation unit 100 Learning device 200 Estimation device MA Model area
Claims (5)
Translated fromJapanese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。 A method for estimating a condition of an area, comprising:
Collect a set of vehicle data including probe data or vehicle inner data of each of a plurality of probe cars present in a model area and a situation of the model area, and generate teacher data including the set of vehicle data and situation data that defines the situation of the model area;
inputting the teacher data into a situation estimation unit having a learning function, and causing the situation estimation unit to learn a relationship between the set of vehicle data and the situation data;
A method for estimating an area situation, comprising: inputting a set of vehicle data in an arbitrary estimation target area, the arbitrary estimation target area being different from the model area, the situation of which is unknown, to a trained situation estimation unit; and estimating a situation of the estimation target area at the time of the input,
The situation data is congestion data defining a congestion state of a side strip of a road in an area or non-congestion data defining a non-congestion state of the side strip of a road in the area,
A method for estimating area conditions, wherein the vehicle data includes a driving history pattern of the probe car before stopping, and/or a distance between a destination and a stopping position .
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。 An estimation device for estimating an area situation, comprising: a learning unit; and an operation unit,
The learning unit is
a training data generating unit that collects a set of vehicle data including probe data or vehicle inner data of each of a plurality of probe cars present in a model area and a situation of the model area, and generates training data including the set of vehicle data and situation data that defines the situation of the model area;
a situation estimation unit having a learning function, the situation estimation unit receiving the teacher data and learning a relationship between the set of vehicle data and the situation data;
The operation unit includes:
1. An area situation estimation device, comprising: an input unit that has already learned a set of vehicle data in an arbitrary estimation target area different from the model area, the situation of which is unknown;and an area situation estimation unit that estimates a situation of the estimation target area at the time of the input;
The situation data is congestion data defining a congestion state of a side strip of a road in an area or non-congestion data defining a non-congestion state of the side strip of a road in the area,
An area condition estimation device, wherein the vehicle data includes the driving history pattern of the probe car before stopping, and/or the distance between the destination and the stopping position .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020038176AJP7577451B2 (en) | 2020-03-05 | 2020-03-05 | Area condition estimation method and learning method thereof, and area condition estimation device and learning device thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020038176AJP7577451B2 (en) | 2020-03-05 | 2020-03-05 | Area condition estimation method and learning method thereof, and area condition estimation device and learning device thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021140498A JP2021140498A (en) | 2021-09-16 |
| JP7577451B2true JP7577451B2 (en) | 2024-11-05 |
Family
ID=77668719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020038176AActiveJP7577451B2 (en) | 2020-03-05 | 2020-03-05 | Area condition estimation method and learning method thereof, and area condition estimation device and learning device thereof |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7577451B2 (en) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002251698A (en) | 2001-02-23 | 2002-09-06 | Hitachi Ltd | Traffic situation estimation method and traffic situation estimation / provision system using probe information |
| JP2008250493A (en) | 2007-03-29 | 2008-10-16 | Aisin Aw Co Ltd | System for estimating traffic jam status |
| JP2010191614A (en) | 2009-02-17 | 2010-09-02 | Sumitomo Electric Ind Ltd | Traffic information estimation system, estimation method, provision system and computer program |
| JP2011113117A (en) | 2009-11-24 | 2011-06-09 | Sumitomo Electric Ind Ltd | Device, computer program and method for estimating traffic information |
| JP2013206325A (en) | 2012-03-29 | 2013-10-07 | Sumitomo Electric Ind Ltd | Traffic information prediction device, traffic information prediction method and computer program |
| JP2015222537A (en) | 2014-05-23 | 2015-12-10 | 日産自動車株式会社 | Road traffic demand forecasting apparatus and road traffic demand forecasting method |
| JP2018028835A (en) | 2016-08-19 | 2018-02-22 | アイシン・エィ・ダブリュ株式会社 | Parking lot congestion degree estimation system, parking lot congestion degree estimation server, and parking lot congestion degree estimation program |
| JP2018180906A (en) | 2017-04-12 | 2018-11-15 | 富士通株式会社 | Congestion prediction program, congestion prediction apparatus, and congestion prediction method |
| JP2019028489A (en) | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | Prediction apparatus, prediction method, prediction program, learning data and model |
- 2020
- 2020-03-05JPJP2020038176Apatent/JP7577451B2/enactiveActive
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002251698A (en) | 2001-02-23 | 2002-09-06 | Hitachi Ltd | Traffic situation estimation method and traffic situation estimation / provision system using probe information |
| JP2008250493A (en) | 2007-03-29 | 2008-10-16 | Aisin Aw Co Ltd | System for estimating traffic jam status |
| JP2010191614A (en) | 2009-02-17 | 2010-09-02 | Sumitomo Electric Ind Ltd | Traffic information estimation system, estimation method, provision system and computer program |
| JP2011113117A (en) | 2009-11-24 | 2011-06-09 | Sumitomo Electric Ind Ltd | Device, computer program and method for estimating traffic information |
| JP2013206325A (en) | 2012-03-29 | 2013-10-07 | Sumitomo Electric Ind Ltd | Traffic information prediction device, traffic information prediction method and computer program |
| JP2015222537A (en) | 2014-05-23 | 2015-12-10 | 日産自動車株式会社 | Road traffic demand forecasting apparatus and road traffic demand forecasting method |
| JP2018028835A (en) | 2016-08-19 | 2018-02-22 | アイシン・エィ・ダブリュ株式会社 | Parking lot congestion degree estimation system, parking lot congestion degree estimation server, and parking lot congestion degree estimation program |
| JP2018180906A (en) | 2017-04-12 | 2018-11-15 | 富士通株式会社 | Congestion prediction program, congestion prediction apparatus, and congestion prediction method |
| JP2019028489A (en) | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | Prediction apparatus, prediction method, prediction program, learning data and model |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021140498A (en) | 2021-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109345020B (en) | Non-signalized intersection vehicle driving behavior prediction method under complete information | |
| CN110268457B (en) | Method for determining a collective maneuver of at least two vehicles, computer program product, computer-readable medium, controller and vehicle comprising the controller | |
| CN109919347B (en) | Road condition generation method, related device and equipment | |
| EP3159235B1 (en) | Method and system for assisting a driver of a vehicle in driving the vehicle and computer program | |
| CN110077397B (en) | Intelligent vehicle obstacle avoidance trajectory planning method and device | |
| JP6800575B2 (en) | Methods and systems to assist drivers in their own vehicles | |
| DE112019004832T5 (en) | Operating a vehicle using motion planning with machine learning | |
| CN108255170A (en) | The method for dynamically adjusting the speed control rate of automatic driving vehicle | |
| DE112018001277T5 (en) | INFORMATION PROCESSING DEVICE AND INFORMATION PROCESSING METHOD | |
| WO2022166239A1 (en) | Vehicle travel scheme planning method and apparatus, and storage medium | |
| JP6936192B2 (en) | Congestion state identification method, congestion state identification device and computer program | |
| CN104537209A (en) | Method for judging vehicle running road types based on hidden Markov model | |
| CN109844670A (en) | Method and vehicle for operating a motor vehicle in a navigation environment | |
| US20220223047A1 (en) | Computer-implemented method for determining similarity values of traffic scenarios | |
| DE102017216202A1 (en) | Method of predicting an optimal lane on a multi-lane road | |
| CN109703569A (en) | An information processing method, device and storage medium | |
| CN112989222A (en) | Position determination method and device and electronic equipment | |
| WO2018077647A1 (en) | Method and system for the external control of an autonomous vehicle | |
| CN113424209A (en) | Trajectory prediction using deep learning multi-predictor fusion and bayesian optimization | |
| CN111915893B (en) | Road bottleneck point identification method and device, electronic equipment and storage medium | |
| CN115583247A (en) | Method and assistance system for determining a currently drivable trajectory of a motor vehicle | |
| JP2010191737A (en) | Vehicle motion estimation device, vehicle motion estimation method, and vehicle motion estimation program | |
| DE102024135042A1 (en) | System and method for traffic data analysis and traffic information | |
| JP2025512159A (en) | Method and device for determining vehicle traffic efficiency, vehicle | |
| JP7577451B2 (en) | Area condition estimation method and learning method thereof, and area condition estimation device and learning device thereof |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination | Free format text:JAPANESE INTERMEDIATE CODE: A621 Effective date:20230125 | |
| A131 | Notification of reasons for refusal | Free format text:JAPANESE INTERMEDIATE CODE: A131 Effective date:20231010 | |
| A977 | Report on retrieval | Free format text:JAPANESE INTERMEDIATE CODE: A971007 Effective date:20231011 | |
| A521 | Request for written amendment filed | Free format text:JAPANESE INTERMEDIATE CODE: A523 Effective date:20231128 | |
| A131 | Notification of reasons for refusal | Free format text:JAPANESE INTERMEDIATE CODE: A131 Effective date:20240326 | |
| A521 | Request for written amendment filed | Free format text:JAPANESE INTERMEDIATE CODE: A523 Effective date:20240404 | |
| A131 | Notification of reasons for refusal | Free format text:JAPANESE INTERMEDIATE CODE: A131 Effective date:20240807 | |
| A601 | Written request for extension of time | Free format text:JAPANESE INTERMEDIATE CODE: A601 Effective date:20240910 | |
| A521 | Request for written amendment filed | Free format text:JAPANESE INTERMEDIATE CODE: A523 Effective date:20241002 | |
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) | Free format text:JAPANESE INTERMEDIATE CODE: A01 Effective date:20241016 | |
| A61 | First payment of annual fees (during grant procedure) | Free format text:JAPANESE INTERMEDIATE CODE: A61 Effective date:20241023 | |
| R150 | Certificate of patent or registration of utility model | Ref document number:7577451 Country of ref document:JP Free format text:JAPANESE INTERMEDIATE CODE: R150 |