JP3628616B2

JP3628616B2 - Traffic situation prediction method, apparatus, traffic situation prediction program, and recording medium recording the program

Info

Publication number: JP3628616B2
Application number: JP2001020433A
Authority: JP
Inventors: 仁士毛利; 明浩金澤; 研一市河; 知彦有川
Original assignee: Nippon Telegraph and Telephone Corp; NTT Inc USA
Current assignee: NTT Inc; NTT Inc USA
Priority date: 2001-01-29
Filing date: 2001-01-29
Publication date: 2005-03-16
Anticipated expiration: 2021-01-29
Also published as: JP2002222484A

Description

【０００１】
【発明の属する技術分野】
本発明は、現在の交通状況をもとに将来の交通状況を予測する交通状況予測方法および装置に関するものである。
【０００２】
【従来の技術】
従来の交通状況予測方法では、連続量である交通量、旅行時間（所要時間）等に対し、その時系列データを取得し、その時系列変化を種々の曲線に当てはめて学習させ、学習した曲線に基づき予測していた。
【０００３】
これらの手法は、基本的に入力、出力とも連続量である場合を対象としており、渋滞レベルデータなどの不連続量や、祝祭日、五十日などの非数値要因に対してはそのままでは使用できない、という問題があった。ここで、渋滞レベルデータとは、ある道路に対し、どの部分がどの程度渋滞しているかを表すもので、例えば「渋滞」、「混雑」、「非渋滞」などの渋滞を表すレベルで表現される。
【０００４】
前記問題を解決する一手法として、特願平１１―３７０１８がある。特願平１１―３７０１８の手法は、交通状況を説明する非数値要因を数値化することによって問題を解決するものである。
【０００５】
しかしこの手法は、非数値要因を一度数値化するため、処理の手間がかかってしまい交通状況を予測するまでの時間が遅くなる、数値化の際に本来の意味が失われてしまう、といった問題があった。
【０００６】
【発明が解決しようとする課題】
渋滞状況を決定する要因として、祝祭日、五十日などの非数値的、非周期的要因が問題となることは多い。例えばオフィス街においては平日は非常に渋滞し、祝祭日はあまり渋滞しないことはよく知られている。また、渋滞状況を表す量としても、渋滞レベルなどの非連続量が使われることがある。渋滞レベルとは、どの程度渋滞しているかを表す量で、一般にはその場所を通過する車両の平均速度を２〜３段階に離散化して使用される場合が多い。例えば、ＡＴＩＳ（ＡｄｖａｎｃｅｄＴｒａｆｆｉｃＩｎｆｏｒｍａｔｉｏｎＳｅｒｖｉｃｅ）、ＶＩＣＳ（ＶｅｈｉｃｌｅＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＳｅｒｖｉｃｅ）などがカーナビ等に提供する情報には、この渋滞レベル情報が含まれている。
【０００７】
このように、交通渋滞状況を予測する際には、その説明変数、非説明変数ともに非連続、あるいは非数値量が問題となる場合が多い。
【０００８】
しかし、上述のように、従来の方法では非連続、非数値量を直接使用できないため、そもそも予測が不可能だったり、予測精度の低下などを招いていた。また、非連続、非数値量を一旦数値化してから予測を行っていたため、処理時間の増大、数値化による情報量の欠落による予測精度の低下などを招いていた。
【０００９】
本発明の目的は、正確で処理時間の短い交通状況予測方法、装置、交通状況予測プログラム、および該プログラムを記録した記録媒体を提供することにある。
【００１０】
【課題を解決するための手段】
上記目的を達成するために、本発明は、節点が交通状況を決定する属性のテストに対応し、葉が予測値である決定木を構築するための交通データを収集し、該交通データから、交通渋滞を説明する要因になると考えられる各属性の観測値である条件部と、該条件部の観測値が得られてからある時間後の交通渋滞レベルである結果部からなるトレーニングデータを予測対象道路全てに対して道路ごとおよび何分先を予測するかという予測時間毎に作成し、作成されたトレーニングデータを用いて、予測対象道路全てに対して道路ごとおよび何分先を予測するかという予測時間毎に決定木を構築し、予測に必要な交通データを収集し、構築された決定木を、前記の収集された、予測に必要な交通データでたどって交通情報の予測値を得るものである。
【００１１】
交通状況を予測する決定木を構築することで非数値、非連続な、交通状況を説明する要因をそのまま高速に扱うことが可能となり、交通状況を高速、かつ正確に予測することができる。
【００１２】
【発明の実施の形態】
次に、本発明の実施の形態について図面を参照して説明する。
【００１３】
図１は本発明の一実施形態の交通状況予測装置のブロック図、図２はその全体の処理を示すフローチャートである。
【００１４】
なお、本発明の前提として、サービス対象道路の交通渋滞レベルデータ等の各種交通情報は、ＡＴＩＳ、ＶＩＣＳ等の交通情報センタ等を通じて収集することが可能であるとする。
【００１５】
また、本実施形態では、交通状況予測方法の一例として、交通渋滞レベルデータを予測する場合について示す。交通渋滞レベルは、ある道路に対し数十〜数百メートルおきに置かれた測定点で測定され、渋滞なし（０）、混雑（１）、渋滞（２）の３つのレベルを持つこととする。すなわち、ある道路の渋滞状況は、０，１，２の羅列で表現でき、例えば、“００１１２２００”のようになる。これは１つの道路の８個所の測定点の渋滞レベルを示している。
【００１６】
まず、交通渋滞レベル予測に用いる決定木について述べる。前記決定木とは、例えば図３のように、１つの節点が１つの属性のテストに対応し、前記節点の子節点が前記属性の取り得る値に対応し、葉が予測値である木構造のことである。決定木は、予測対象道路全てに対し、道路ごとおよび何分先を予測するかという予測時間毎に作成する。予測する際には、このような決定木を根節点から順にたどっていくことで予測値を決定する。図３の例において、例えば、月曜日の１２：００における予測値を算出する場合を以下に示す。まず、根節点３０１において曜日の属性値がテストされ、月曜日であるから、次の節点３０２に進む。節点３０２において時刻の属性値がテストされ、葉３０３に進み、予測値“００１１２２００”が決定される。このように、決定木を用いて交通状況を予測する場合は一度決定木を構築した後ならば、非常に高速な予測が可能となる。
【００１７】
まず、ステップ２０１において、決定木構築用データ収集部１０１はＡＴＩＳ、ＶＩＣＳ等の交通情報センタ（図示せず）を通じて交通状況を決定する要因なると思われるデータを収集し、予測対象道路全てに対して、決定木を構築するためのトレーニングデータ４０１を作成し、記憶部１０５に保存する。
【００１８】
決定木を構築するためのトレーニングデータ４０１は、道路ごと、および何分先を予測するかという予測先時間毎に作成する。トレーニングデータ４０１は、図４のように、条件部４１０と結果部４２０に分けられる。条件部４１０とは、交通渋滞を説明する要因となると考えられる各属性の観測値である。例えば、説明要因として曜日、時刻、過去の渋滞状況という属性を採用する場合は、図４のようになる。また、結果部４２０とは、その結果ｎ分後の交通レベルがどのようになったかを示す値である。図４のようなトレーニングデータ４０１をある学習期間（決定木を構築する期間）分だけ作成する。
【００１９】
次に、ステップ２０２において、決定木構築部１０２により決定木を構築し、記憶部１０５に保存する。決定木を構築する手法はいくつか考えられるが、ここでは例として情報エントロピーに基づく構築手法を用いることとする。この構築手法は、例えば、Ｊ．Ｒｏｓｓｑｕｉｎｌａｎ， “Ｃ４．５：ＰｒｏｇｒａｍｓｆｏｒＭａｃｈｉｎｅＬｅａｒｎｉｎｇ（ＭｏｒｇａｎＫａｕｆｍａｎｎＳｅｒｉｅｓｉｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ）”，ＭｏｒｇａｎｎＫａｕｆｍａｎｎＰｕｂｌｉｓｈｅｒｓ．に記載されている。具体的手法を以下に示す。
【００２０】
まず、デフォルトの予測値として、トレーニングデータ４０１の結果部４０２全体における最頻値を予め計算する。次に、決定木を根節点から順に再帰的に作成していく（決定木作成アルゴリズムを再帰呼び出しする）。作成アルゴリズムの一例をに示す。以下、与えられたトレーニングデータ４０１の集合をＴとし、｜Ｔ｜はトレーニングデータ集合Ｔの総数とする。また、根節点においては全てのトレーニングデータ集合Ｔが与えられるものとする。
【００２１】
決定木作成アルゴリズム：
ある節点に注目しているものとして、
１．与えられたトレーニングデータ集合Ｔが空ならば当該節点をデフォルト値を与える葉とする。
２．与えられたトレーニングデータ集合Ｔの結果部４２０が全て同じ値ならば、当該節点をその値を与える葉とする。
３．属性が全てテスト済み、すなわち根から順にテストすべき属性が決まっていき、全ての属性をテストし終わったならば、当該節点を与えられたトレーニングデータ集合のＴの結果部４２０の最頻値を与える葉とする。
４．上記のいずれでもないならば、情報ゲインが最も大きくなるように、当該節点でテストすべき属性を決定する。その後、決定した属性の取り得る値に対応する子節点をそれぞれ作成し、トレーニングデータ集合Ｔを属性Ｘの値にしたがいＴ_ｉ，（ｉ＝１，・・・・，ｋ）に分割して各子節点に与え、各子節点において決定木作成アルゴリズムを実行する。
【００２２】
ここで４．の情報ゲインの算出方法に関して詳細に示す。情報ゲインとは、与えられたトレーニングデータ集合Ｔ全体における情報エントロピーと、ある属性Ｘをテストすると仮定した場合の情報エントロピーとの差分であり、以下のように定義される。
【００２３】
【数１】

【００２４】
ここで、ｉｎｆｏ（Ｔ）は与えられたトレーニングデータ集合Ｔにおける情報エントロピーを表し、
【００２５】
【数２】

【００２６】
で与えられる。ｎはトレーニングデータ集合Ｔの結果部４２０が取り得る値の種類数、Ｔｃは結果部４２０の値がｃ番目の値となるトレーニングデータ集合Ｔである。また、ｉｎｆｏ_ｘ（Ｔ）は、当該節点においてある属性Ｘをテストしたと仮定した場合の情報エントロピーを表す。
【００２７】
属性Ｘのテスト後は、トレーニングデータ集合Ｔが属性Ｘの値によって分割されるので、エントロピーは
【００２８】
【数３】

【００２９】
で与えられる。ここで、ｋは属性Ｘが取り得る値の種類数、Ｔ_ｉは属性Ｘの値がｉ番目の値であるトレーニングデータ集合Ｔである。
【００３０】
上記のようにして情報ゲインが算出される。情報ゲインは属性Ｘのテストによってトレーニングデータ集合Ｔがいかにうまく分割されたかを示すものであり、情報ゲインが最も大きくなる属性Ｘを選択していくことで、予測精度の高い決定木を構築していくことが可能となる。
【００３１】
次に、ステップ２０３において、予測用交通データ収集部１０３により予測に必要な交通データ、つまり決定木構築用データ４０１の条件部４１０に相当する部分の現在の値を収集し、記憶部１０５に保存する。
【００３２】
最後に、ステップ２０４において、交通状況予測部１０４により記憶部１０５に記憶されている決定木を用いて、決定木に関する説明の箇所で述べたようにして交通状況の予測を行う。
【００３３】
ところで、本実施形態では決定木の構築方法として情報ゲインを用いる手法を述べたが、他にも情報ゲインと分割情報量との比を用いる手法、一度構築した決定木を予測誤り率が減少するよう枝刈する手法等も考えられ、決定木を構築する手法は本実施形態に限定されない。
【００３４】
また、本実施形態では、説明要因とし曜日、時刻、過去の渋滞状況を採用した場合について述べたが、他にも月、五十日、天候等も考えられ、説明要因として何を採用するかは本実施形態に限定されない。
【００３５】
さらに、本実施形態では、交通状況として交通渋滞レベルデータを予測したが、この他にも旅行時間、交通量なども考えられ、交通状況として何を予測するかは本実施形態に限定されない。
【００３６】
図５は本発明の他の実施形態の交通情報予測装置の構成図である。
【００３７】
通信装置５０１は、ＡＴＩＳ、ＶＩＣＳ等の交通情報センタから、交通状況を決定する要因になると思われるデータを受信する。記憶装置５０２は、収集したデータ、構築された決定木等の各種データおよびプログラムを記憶する。表示装置５０３は得られた交通情報予測値等を表示する。記録媒体５０４は、フロッピィ・ディスク、ＣＤ―ＲＯＭ、光磁気ディスク、ＤＶＤ等で、図２の各ステップからなる交通状況予測プログラムが格納されている。データ装置５０５はＣＰＵ、各種インタフェースを含み、記録媒体５０４から交通状況予測プログラムを読み込み、これを実行する。
【００３８】
【発明の効果】
以上説明したように、本発明によれば、交通状況を予測する決定木を構築、利用することで、非数値、非連続な、交通状況を説明する要因から、高速かつ正確に交通状況を予測できる。
【図面の簡単な説明】
【図１】本発明の一実施形態の交通状況予測装置の構成図である。
【図２】図１の交通状況予測装置の処理の流れを示すフローチャートである。
【図３】決定木の一例を示す図である。
【図４】トレーニングデータの一例を示す図である。
【図５】本発明の他の実施形態の交通状況予測装置の構成図である。
【符号の説明】
１０１決定木構築用データ収集部
１０２決定木構築部
１０３予測用交通データ収集部
１０４交通状況予測部
１０５記憶部
２０１〜２０４ステップ
３０１根節点
３０２節点
３０３，３０４葉
４０１トレーニングデータ
４１０条件部
４２０結果部
５０１通信装置
５０２記憶装置
５０３表示装置
５０４記録媒体
５０５データ処理装置[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a traffic situation prediction method and apparatus for predicting a future traffic situation based on a current traffic situation.
[0002]
[Prior art]
In the conventional traffic situation prediction method, time series data is acquired for continuous traffic volume, travel time (time required), etc., and the time series changes are learned by applying them to various curves, and based on the learned curves. I was predicting.
[0003]
These methods are basically intended for cases where both input and output are continuous, and cannot be used as they are for non-numeric factors such as congestion level data, holidays, and fifty days. There was a problem. Here, the congestion level data indicates how much traffic is on a certain road, and is expressed by a level indicating congestion such as “congestion”, “congestion”, “non-congestion”, for example. The
[0004]
There is Japanese Patent Application No. 11-37018 as a method for solving the above problem. The method of Japanese Patent Application No. 11-37018 solves the problem by quantifying non-numeric factors that explain traffic conditions.
[0005]
However, because this method quantifies non-numeric factors once, it takes time to process and delays the time to predict traffic conditions, and the original meaning is lost when quantifying was there.
[0006]
[Problems to be solved by the invention]
Non-numerical and non-periodic factors such as national holidays and fifty days are often a problem as factors determining traffic congestion. For example, in an office district, it is well known that there is very heavy traffic on weekdays and less traffic on public holidays. In addition, a non-continuous amount such as a traffic congestion level may be used as an amount representing a traffic congestion situation. The traffic level is an amount that indicates how much traffic is congested. Generally, it is often used by discretizing the average speed of a vehicle passing through the place in two to three stages. For example, information provided by the ATIS (Advanced Traffic Information Service), VICS (Vehicle Information and Communication Service), and the like to the car navigation system includes the traffic level information.
[0007]
Thus, when predicting a traffic jam situation, both explanatory variables and non-explanatory variables are often discontinuous or non-numeric values are problematic.
[0008]
However, as described above, the conventional method cannot directly use non-continuous and non-numerical quantities, so that prediction is impossible in the first place, and the prediction accuracy is lowered. In addition, since the prediction is performed after the non-continuous and non-numerical amounts are once digitized, the processing time is increased, and the prediction accuracy is reduced due to lack of information amount due to the digitization.
[0009]
An object of the present invention is to provide a traffic situation prediction method and apparatus, a traffic situation prediction program, and a recording medium on which the program is recorded, which is accurate and has a short processing time.
[0010]
[Means for Solving the Problems]
In order to achieve the above object, the present invention collects traffic data for constructing a decision tree in which nodes correspond to tests of attributes that determine traffic conditions and leaves are predicted values, and from the traffic data , Training data consisting of a condition part that is an observed value of each attribute that is considered to be a factor that explains traffic congestion, and a result part that is a traffic congestion level a certain time after the observed value of the condition part is obtained Created for every road and every minute of prediction time to predict for all roads, and using the training data created to predict every road and how many minutes ahead for all prediction target roads A decision tree is constructed at each prediction time, traffic data necessary for the prediction is collected, and the constructed decision tree is traced with the collected traffic data necessary for the prediction to obtain a predicted value of traffic information. In .
[0011]
By constructing a decision tree for predicting traffic conditions, it becomes possible to handle non-numeric, non-continuous factors that explain traffic conditions at high speed as they are, and to predict traffic conditions at high speed and accurately.
[0012]
DETAILED DESCRIPTION OF THE INVENTION
Next, embodiments of the present invention will be described with reference to the drawings.
[0013]
FIG. 1 is a block diagram of a traffic situation prediction apparatus according to an embodiment of the present invention, and FIG. 2 is a flowchart showing the overall processing.
[0014]
As a premise of the present invention, it is assumed that various types of traffic information such as traffic congestion level data of service target roads can be collected through a traffic information center such as ATIS or VICS.
[0015]
In this embodiment, as an example of a traffic situation prediction method, a case where traffic congestion level data is predicted is shown. The traffic congestion level is measured at measuring points placed every tens to hundreds of meters on a road, and has three levels: no congestion (0), congestion (1), and congestion (2). . In other words, the traffic situation on a certain road can be expressed as a list of 0, 1, and 2, for example, “00112200”. This indicates the congestion level at eight measurement points on one road.
[0016]
First, the decision tree used for traffic congestion level prediction is described. For example, as shown in FIG. 3, the decision tree is a tree structure in which one node corresponds to a test of one attribute, a child node of the node corresponds to a value that the attribute can take, and a leaf is a predicted value. That is. The decision tree is created for each prediction time for each road and for how many minutes ahead for all prediction target roads. When predicting, a predicted value is determined by following such a decision tree in order from the root node. In the example of FIG. 3, for example, a case where the predicted value at 12:00 on Monday is calculated is shown below. First, the attribute value of the day of the week is tested at the root node 301, and since it is Monday, the process proceeds to the next node 302. The attribute value of the time is tested at the node 302, and the process proceeds to the leaf 303 to determine the predicted value “00112200”. As described above, when a traffic situation is predicted using a decision tree, a very high-speed prediction is possible once the decision tree is constructed.
[0017]
First, in step 201, the decision tree construction data collection unit 101 collects data that is considered to be a factor for determining traffic conditions through a traffic information center (not shown) such as ATIS, VICS, and the like for all prediction target roads. The training data 401 for constructing the decision tree is created and stored in the storage unit 105.
[0018]
Training data 401 for constructing a decision tree is created for each road and every prediction destination time for how many minutes ahead. The training data 401 is divided into a condition part 410 and a result part 420 as shown in FIG. The condition part 410 is an observed value of each attribute that is considered to be a factor explaining the traffic jam. For example, when attributes such as day of the week, time, and past traffic situation are adopted as explanatory factors, the attributes are as shown in FIG. Moreover, the result part 420 is a value which shows what the traffic level after n minutes became as a result. Training data 401 as shown in FIG. 4 is created for a certain learning period (a period for building a decision tree).
[0019]
In step 202, the decision tree construction unit 102 constructs a decision tree and stores it in the storage unit 105. There are several methods for constructing a decision tree. Here, a construction method based on information entropy is used as an example. This construction method is described in, for example, J. Rossquinlan, “C4.5: Programs for Machine Learning (Morgan Kaufmann Series in Machine Learning)”, Morgan Kaufmann Publishers. It is described in. The specific method is shown below.
[0020]
First, the mode value in the entire result part 402 of the training data 401 is calculated in advance as a default predicted value. Next, the decision tree is recursively created in order from the root node (the decision tree creation algorithm is recursively called). An example of the creation algorithm is shown below. Hereinafter, the set of given training data 401 is T, and | T | is the total number of training data sets T. It is assumed that all training data sets T are given at the root nodes.
[0021]
Decision tree creation algorithm:
As one that pays attention to a certain node,
1. If the given training data set T is empty, the node is set as a leaf giving a default value.
2. If all the result parts 420 of the given training data set T have the same value, the node is set as a leaf giving that value.
3. When all the attributes have been tested, that is, the attributes to be tested are determined in order from the root, and when all the attributes have been tested, the mode value of the result section 420 of the training data set given the node is set to the mode value. Give leaves.
4). If none of the above, the attribute to be tested at the node is determined so that the information gain is maximized. Thereafter, the determined attributes of possible child node corresponding to the value created respectively, each by dividing the training data set T T _i according to the value of attribute _{X, (i = 1, ····} , k) the Given to child nodes, the decision tree creation algorithm is executed at each child node.
[0022]
Here, 4. The information gain calculation method will be described in detail. The information gain is a difference between information entropy in a given training data set T as a whole and information entropy when a certain attribute X is assumed to be tested, and is defined as follows.
[0023]
[Expression 1]

[0024]
Where info (T) represents the information entropy in a given training data set T,
[0025]
[Expression 2]

[0026]
Given in. n is the number of types of values that the result section 420 of the training data set T can take, and Tc is the training data set T in which the value of the result section 420 is the c-th value. Info _x (T) represents information entropy when it is assumed that an attribute X is tested at the node.
[0027]
After testing attribute X, the training data set T is divided by the value of attribute X, so the entropy is
[Equation 3]

[0029]
Given in. Here, k is the number of types of attribute X the possible values, T _i is the training data set T is a value i-th value of the attribute X.
[0030]
The information gain is calculated as described above. The information gain indicates how well the training data set T is divided by the attribute X test. By selecting the attribute X having the largest information gain, a decision tree with high prediction accuracy is constructed. It is possible to go.
[0031]
Next, in step 203, the traffic data necessary for the prediction is collected by the traffic data collection unit for prediction 103, that is, the current value of the portion corresponding to the condition unit 410 of the decision tree construction data 401 is collected and stored in the storage unit 105. To do.
[0032]
Finally, in step 204, using the decision tree stored in the storage unit 105 by the traffic situation prediction unit 104, the traffic situation is predicted as described in the description of the decision tree.
[0033]
By the way, in this embodiment, the method using the information gain is described as the decision tree construction method. However, the prediction error rate of the decision tree once constructed is also reduced by the method using the ratio between the information gain and the divided information amount. A method of pruning is also conceivable, and the method of constructing a decision tree is not limited to this embodiment.
[0034]
In this embodiment, the case where the day of the week, the time, and the past traffic situation are adopted as explanatory factors has been described, but the month, fifty days, weather, etc. are also considered, and what is adopted as the explanatory factor? Is not limited to this embodiment.
[0035]
Furthermore, in the present embodiment, traffic congestion level data is predicted as the traffic situation, but travel time, traffic volume, and the like can be considered in addition to this, and what is predicted as the traffic situation is not limited to the present embodiment.
[0036]
FIG. 5 is a configuration diagram of a traffic information prediction apparatus according to another embodiment of the present invention.
[0037]
The communication device 501 receives data that is considered to be a factor that determines traffic conditions from a traffic information center such as ATIS or VICS. The storage device 502 stores collected data, various data such as a built decision tree, and a program. The display device 503 displays the obtained traffic information predicted value and the like. The recording medium 504 is a floppy disk, CD-ROM, magneto-optical disk, DVD, or the like, and stores a traffic situation prediction program comprising the steps of FIG. The data device 505 includes a CPU and various interfaces, reads a traffic situation prediction program from the recording medium 504, and executes it.
[0038]
【The invention's effect】
As described above, according to the present invention, by constructing and using a decision tree for predicting traffic conditions, it is possible to predict traffic conditions quickly and accurately from non-numeric, non-continuous factors that explain traffic conditions. it can.
[Brief description of the drawings]
FIG. 1 is a configuration diagram of a traffic condition prediction apparatus according to an embodiment of the present invention.
FIG. 2 is a flowchart showing a processing flow of the traffic situation prediction apparatus of FIG. 1;
FIG. 3 is a diagram illustrating an example of a decision tree.
FIG. 4 is a diagram illustrating an example of training data.
FIG. 5 is a configuration diagram of a traffic situation prediction apparatus according to another embodiment of the present invention.
[Explanation of symbols]
101 decision tree construction data collection unit 102 decision tree construction unit 103 prediction traffic data collection unit 104 traffic state prediction unit 105 storage unit 201-204 step 301 root node 302

node

303, 304 leaf 401 training data 410 condition unit 420 result unit 501 Communication device 502 Storage device 503 Display device 504 Recording medium 505 Data processing device

Claims

A traffic situation prediction method for predicting future traffic conditions based on current traffic conditions,
Each attribute that is considered to be a factor explaining traffic congestion from the traffic data collected for constructing a decision tree whose nodes correspond to the attribute test that determines the traffic situation and leaves are predicted values Training data consisting of a condition part that is an observed value of the current value and a result part that is a traffic congestion level after a certain time after the observed value of the condition part is obtained. A step for each prediction time to predict ,
Using the created training data, building a decision tree for each prediction time for every road and how many minutes ahead for all prediction target roads ;
Collecting traffic data needed for forecasting;
A traffic condition prediction method comprising: tracing the constructed decision tree with the collected traffic data necessary for prediction to obtain a predicted value of traffic information.

The step of constructing the decision tree uses a method based on information entropy, in which a difference between information entropy in a given training data set and information entropy when an attribute is assumed to be tested is an information gain, the information gain to build a decision tree to continue to select the most larger attributes, traffic situation prediction method according to claim 1, wherein.

A traffic condition prediction device that predicts future traffic conditions based on current traffic conditions,
Each attribute that is considered to be a factor explaining traffic congestion from the traffic data collected for constructing a decision tree whose nodes correspond to the attribute test that determines the traffic situation and leaves are predicted values Training data consisting of a condition part that is an observed value of the current value and a result part that is a traffic congestion level after a certain time after the observed value of the condition part is obtained. Decision tree construction data collection means to be created for each prediction time of whether to predict ;
A decision tree construction means for constructing a decision tree for each prediction time such as for every road and for how many minutes ahead for all prediction target roads using the created training data;
A data collection means for prediction for collecting traffic data necessary for the prediction;
Storage means for storing the created training data, the constructed decision tree, and the collected traffic data for prediction;
A traffic condition prediction apparatus comprising: a traffic information prediction unit that obtains a predicted value of traffic information by tracing the constructed decision tree with the collected traffic data necessary for prediction.

The decision tree construction means uses a method based on information entropy, which uses an information gain as a difference between information entropy in a given training data set as a whole and information entropy when an attribute is assumed to be tested. The traffic condition prediction apparatus according to claim 3 , wherein a decision tree is constructed by selecting an attribute having the largest gain.

Traffic situation prediction program order to execute the traffic situation prediction method according to the computer to claim 1 or 2.

The recording medium which recorded the traffic condition prediction program for making a computer perform the traffic condition prediction method of Claim 1 or 2 .