JP7635640B2

JP7635640B2 - 交通状態検出装置、交通状態検出方法およびプログラム

Info

Publication number: JP7635640B2
Application number: JP2021092191A
Authority: JP
Inventors: 正樹松平
Original assignee: Oki Electric Industry Co Ltd
Current assignee: Oki Electric Industry Co Ltd
Priority date: 2021-06-01
Filing date: 2021-06-01
Publication date: 2025-02-26
Anticipated expiration: 2041-06-01
Also published as: JP2022184382A

Description

本発明は、交通状態検出装置、交通状態検出方法およびプログラムに関する。

近年、道路上の交通状態を検出する手法として様々な手法が知られている。例えば、カメラによって撮像された画像に基づいて、交通状態を検出する技術が開示されている（例えば、特許文献１参照）。また、２つのフリーフローアンテナを利用して、交通状態を検出する技術が開示されている（例えば、特許文献２参照）。

さらに、トラフィックカウンタによって計測された交通量および車両速度と、プローブアンテナによって検出された車両の位置情報および車両速度とに基づいて、道路上のすべての地点における交通状態を検出する技術が開示されている（例えば、特許文献３参照）。

特許第６０６００５８号公報特許第５０１７１７０号公報特開２０２０－８６６４７号公報

しかしながら、必要なコストを抑えつつ、高精度かつ高精細に車両速度を計測することを可能とする技術が提供されることが望まれる。

上記問題を解決するために、本発明のある観点によれば、道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出する交通量算出部と、前記所定位置に対応する第１の交通量の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布を第１の統計分布で近似して第１のパラメータを算出し、前記第１のパラメータと前記第１の頻度分布のばらつきに関するデータと、あらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出する交通量分布判定部と、前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得る交通流判定部と、前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定する速度判定部と、を備える、交通状態検出装置が提供される。

前記交通量分布判定部は、自由流における前記所定位置に対応する第２の交通量の第２の頻度分布を算出し、前記第２の頻度分布を前記第１の統計分布で近似して第２のパラメータを算出し、前記第２のパラメータに基づいて自由流に対応する基準パラメータを算出してもよい。

前記交通量分布判定部は、前記第２のパラメータと前記第２の頻度分布のばらつきに関するデータとの対応関係の頻度分布を第２の統計分布で近似して前記自由流に対応する基準パラメータを算出してもよい。

前記交通量分布判定部は、渋滞流における前記所定位置に対応する第３の交通量の第３の頻度分布を算出し、前記第３の頻度分布を前記第１の統計分布で近似して第３のパラメータを算出し、前記第３のパラメータに基づいて渋滞流に対応する基準パラメータを算出してもよい。

前記交通量分布判定部は、前記第３のパラメータと前記第３の頻度分布のばらつきに関するデータとの対応関係の頻度分布を第３の統計分布で近似して前記渋滞流に対応する基準パラメータを算出してもよい。

前記交通量分布判定部は、自由流における前記所定位置に対応する第２の交通量の第２の頻度分布を算出し、前記第２の頻度分布を前記第１の統計分布で近似して第２のパラメータを算出し、渋滞流における前記所定位置に対応する第３の交通量の第３の頻度分布を算出し、前記第３の頻度分布を前記第１の統計分布で近似して第３のパラメータを算出し、前記第２のパラメータと前記第２の頻度分布のばらつきに関するデータとを含んだ学習データと自由流を示す教師ラベルとの組み合わせと、前記第３のパラメータと前記第３の頻度分布のばらつきに関するデータとを含んだ学習データと渋滞流を示す教師ラベルとの組み合わせとに基づいて、前記基準パラメータを算出してもよい。
このときの基準パラメータは、学習データと教師ラベルとの組み合わせに基づく学習処理によって生成される学習モデルのパラメータであり得る。

また、本発明の別の観点によれば、道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出する交通量算出部と、車両速度が車載器に記録されてから車両速度取得部によって取得されるまでの第１の遅延時間の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布とあらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出する遅延時間判定部と、前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得る交通流判定部と、前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定する速度判定部と、を備える、交通状態検出装置が提供される。

前記遅延時間判定部は、自由流における第２の遅延時間の所定時間ごとの第２の頻度分布を算出し、前記第２の頻度分布を第１の統計分布で近似して自由流に対応する基準パラメータを算出してもよい。

前記遅延時間判定部は、渋滞流における第３の遅延時間の所定時間ごとの第３の頻度分布を算出し、前記第３の頻度分布を第１の統計分布で近似して渋滞流に対応する基準パラメータを算出してもよい。

前記車両速度取得部は、プローブアンテナを含んでもよい。

前記車両検出部は、前記車両をリアルタイムに検出してもよい。

前記車両検出部は、フリーフローアンテナを含んでもよい。

また、本発明の別の観点によれば、コンピュータが、道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出することと、前記所定位置に対応する第１の交通量の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布を第１の統計分布で近似して第１のパラメータを算出し、前記第１のパラメータと前記第１の頻度分布のばらつきに関するデータと、あらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出することと、前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得ることと、前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定することと、を備える、交通状態検出方法が提供される。

また、本発明の別の観点によれば、コンピュータが、道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出することと、車両速度が車載器に記録されてから車両速度取得部によって取得されるまでの第１の遅延時間の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布とあらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出することと、前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得ることと、前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定することと、を備える、交通状態検出方法が提供される。

また、本発明の別の観点によれば、コンピュータを、道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出する交通量算出部と、前記所定位置に対応する第１の交通量の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布を第１の統計分布で近似して第１のパラメータを算出し、前記第１のパラメータと前記第１の頻度分布のばらつきに関するデータと、あらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出する交通量分布判定部と、前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得る交通流判定部と、前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定する速度判定部と、を備える交通状態検出装置として機能させるプログラムが提供される。

また、本発明の別の観点によれば、コンピュータを、道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出する交通量算出部と、車両速度が車載器に記録されてから車両速度取得部によって取得されるまでの第１の遅延時間の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布とあらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出する遅延時間判定部と、前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得る交通流判定部と、前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定する速度判定部と、を備える交通状態検出装置として機能させるプログラムが提供される。

以上説明したように本発明によれば、必要なコストを抑えつつ、高精度かつ高精細に車両速度を計測することを可能とする技術が提供される。

交通状態が自由流である場合において車両が検知される間隔（車両検知間隔）と確率密度との関係を示す図である。交通状態が渋滞流である位置において車両が検知される間隔（車両検知間隔）と確率密度との関係を示す図である。車両検知間隔と確率密度との対応関係を指数分布に近似して得られるパラメータの頻度分布を交通状態が自由流である場合と渋滞流である場合とにおいて比較して示す図である。車両検知間隔と確率密度との対応関係を指数分布に近似して得られるパラメータと近似誤差との対応関係を交通状態が自由流である場合と渋滞流である場合とにおいて比較して示す図である。本発明の実施形態に係る交通状態検出装置の機能構成例を示す図である。フリーフローデータ記憶部によって記憶されるフリーフローデータの例を示す図である。プローブデータ記憶部によって記憶されるプローブデータの例を示す図である。交通量算出部によって実行される交通量算出処理の例を示すフローチャートである。ＱＶデータによって示されるＱＶ図の例を示す図である。ＱＶデータ作成部によって実行されるＱＶデータ作成処理の例を示すフローチャートである。速度算出部によって実行される判定基準パラメータの生成処理の例を示すフローチャートである。時間間隔の終了時刻における交通量と交通量差分との対応関係を交通流状態の変化ごとに示した図である。統計分布に係るパラメータと標準偏差比との対応関係を示す図である。フリーフローアンテナ前における各時刻におけるプローブ遅延時間（秒）の例を示す図である。プローブ遅延時間の所定時間ごとの頻度分布を示す図である。速度算出部によって実行される速度算出処理の例を示すフローチャートである。本発明の実施形態に係る交通状態検出装置の例としての情報処理装置のハードウェア構成を示す図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

また、本明細書および図面において、実質的に同一の機能構成を有する複数の構成要素を、同一の符号の後に異なる数字を付して区別する場合がある。ただし、実質的に同一の機能構成を有する複数の構成要素等の各々を特に区別する必要がない場合、同一符号のみを付する。また、異なる実施形態の類似する構成要素については、同一の符号の後に異なるアルファベットを付して区別する場合がある。ただし、異なる実施形態の類似する構成要素等の各々を特に区別する必要がない場合、同一符号のみを付する。

（０．概要）
まず、本発明の実施形態の概要について説明する。

近年、道路上の交通状態を検出する手法として様々な手法が知られている。例えば、カメラによって撮像された画像に基づいて、交通状態を検出する第１の既存技術が開示されている（例えば、特許文献１参照）。しかし、第１の既存技術は、特定の外部環境（例えば、雨天、夜間、西日など）に対する適用が難しいため、第１の既存技術では、車両速度を高精度に得ることが困難である。

また、２つのフリーフローアンテナを利用して、交通状態を検出する第２の既存技術が開示されている（例えば、特許文献２参照）。しかし、第２の既存技術は、２つのフリーフローアンテナ間における車両の平均速度しか推定することができないため、第２の既存技術では、車両速度を高精細に得ることが困難である。

さらに、トラフィックカウンタによって計測された交通量および車両速度と、プローブアンテナによって検出された車両の位置情報および車両速度とに基づいて、道路上のすべての地点における交通状態を検出する第３の既存技術が開示されている（例えば、特許文献３参照）。しかし、第３の既存技術は、交通量および車両速度の計測にトラフィックカウンタを利用するため、トラフィックカウンタの設置および保守に要する費用が高額になってしまう。

これに対し、本発明の実施形態に係る技術は、トラフィックカウンタの代わりに、フリーフローアンテナによって交通量および車両速度を検出する。そのため、本発明の実施形態に係る技術では、トラフィックカウンタの設置および保守に要する費用が掛からずに済むため、必要なコストが抑えられる。

また、フリーフローアンテナによって検出された車両の時間間隔の統計情報を使用して車両速度を算出する第４の既存技術が存在する。一般にプローブアンテナは、車載器から車両速度を取得することが可能であるが、車載器に車両速度が記録されてからプローブアンテナによって車両速度が取得されるまでに大幅な時間（遅延時間）を要してしまう地点があり得る。第４の既存技術は、プローブアンテナとフリーフローアンテナの双方が設置された道路（例えば、高速道など）において、フリーフローアンテナによる車両の検出結果に基づいて車両速度を推定する技術である。

しかし、第４の既存技術には、改善すべき点が存在する。以下では、図１～図４を参照しながら、第４の既存技術の改善すべき点について説明する。

図１は、交通状態が自由流である場合において車両が検知される間隔（車両検知間隔）と確率密度との関係を示す図である。図１を参照すると、交通状態が自由流である場合における車両検知間隔と確率密度との対応関係が、横軸ｘを車両検知間隔とし、縦軸ｙを確率密度として示されている。第４の既存技術は、この交通状態が自由流である場合における車両検知間隔ｘと確率密度ｙとの対応関係を、指数分布ｙ＝λ＊ｅｘｐ（－λ×ｘ）に近似してパラメータλと近似誤差とを算出する。

図２は、交通状態が渋滞流である位置において車両が検知される間隔（車両検知間隔）と確率密度との関係を示す図である。図２を参照すると、交通状態が渋滞流である位置における車両検知間隔と確率密度との対応関係が、横軸ｘを車両検知間隔とし、縦軸ｙを確率密度として示されている。第４の既存技術は、この交通状態が渋滞流である位置における車両検知間隔ｘと確率密度ｙとの対応関係を、指数分布ｙ＝λ＊ｅｘｐ（－λ×ｘ）に近似してパラメータλと近似誤差とを算出する。

図３は、車両検知間隔と確率密度との対応関係を指数分布に近似して得られるパラメータの頻度分布を交通状態が自由流である場合と渋滞流である場合とにおいて比較して示す図である。図３を参照すると、交通状態が自由流である場合と交通状態が渋滞流である場合とでは、パラメータλの頻度分布に重なりが生じてしまっている。したがって、パラメータλの頻度分布からは、交通状態が自由流であるか渋滞流であるかを判定するのが困難な場合がある。

図４は、車両検知間隔と確率密度との対応関係を指数分布に近似して得られるパラメータと近似誤差との対応関係を交通状態が自由流である場合と渋滞流である場合とにおいて比較して示す図である。図４を参照すると、交通状態が自由流である場合と交通状態が渋滞流である場合とでは、パラメータλと近似誤差との対応関係に重なりが生じてしまっている。したがって、パラメータλと近似誤差との対応関係からは、交通状態が自由流であるか渋滞流であるかを判定するのが困難な場合がある。

特に、交通量が多く車両検知時刻の分解能が低い場合には、交通状態が自由流であるか渋滞流であるかを判定するのが困難となりやすい。そして、交通状態が自由流であるか渋滞流であるかを判定するのが困難である場合には、車両速度を高精度に推定することが困難である。

一例として、本発明の実施形態に係る技術は、学習段階において、蓄積されているフリーフローデータから得られる、交通量の所定時間ごとの頻度分布の平均およびばらつきに基づいて、機械学習により判定基準パラメータを生成する。そして、本発明の実施形態に係る技術は、推論段階において、生成した判定基準パラメータと取得したフリーフローデータに基づく判定パラメータとに基づいて、交通状態が自由流であるか渋滞流であるかを判定する。

他の一例として、本発明の実施形態に係る技術は、学習段階において、蓄積されているプローブデータの遅延時間に基づいて、機械学習により判定基準パラメータを生成する。そして、本発明の実施形態に係る技術は、推論段階において、生成した判定基準パラメータと取得したプローブデータに基づく遅延時間とに基づいて、交通状態が自由流であるか渋滞流であるかを判定する。

本発明の実施形態に係る技術によれば、交通状態が自由流であるか渋滞流であるかがより高精度に推定され得る。これによって、本発明の実施形態に係る技術によれば、車両速度がより高精度に推定され得る。

以上、本発明の実施形態の概要について説明した。

（１．実施形態の詳細）
まず、本発明の実施形態の詳細について説明する。

（１－１．交通状態検出装置の構成）
まず、本発明の実施形態に係る交通状態検出装置１の構成例について説明する。図５は、本発明の実施形態に係る交通状態検出装置１の機能構成例を示す図である。

図５を参照すると、道路上を走行する車両の例として、車両Ｍ１～Ｍ３が示されている。さらに、図５を参照すると、奥側のレーンを、車両Ｍ１と車両Ｍ２とが走行しており（車両Ｍ２に続いて車両Ｍ１が走行しており）、手前側のレーンを、奥側のレーンの車両Ｍ１および車両Ｍ２とは逆向きに車両Ｍ３が走行している。このように、本発明の実施形態では、道路が複数レーンによって構成される場合を主に想定するが、道路は１つのレーンによって構成されていてもよい。

本発明の実施形態に係る交通状態検出装置１は、プローブデータ記憶部１２１と、フリーフローデータ記憶部１２２と、ＱＶデータ記憶部１２３と、パラメータ記憶部１２４と、ＱＶデータ作成部１３０と、交通量算出部１４０と、速度算出部１５０と、交通状態検知部１７０とを備える。プローブデータ記憶部１２１には、プローブアンテナ１１２が接続されており、フリーフローデータ記憶部１２２には、フリーフローアンテナ１１４が接続されている。

ＱＶデータ作成部１３０と交通量算出部１４０と速度算出部１５０と交通状態検知部１７０とは、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）またはＧＰＵ（ＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）などの演算装置を含み、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）により記憶されているプログラムが演算装置によりＲＡＭに展開されて実行されることにより、その機能が実現され得る。このとき、当該プログラムを記録した、コンピュータに読み取り可能な記録媒体も提供され得る。

あるいは、ＱＶデータ作成部１３０と交通量算出部１４０と速度算出部１５０と交通状態検知部１７０とは、専用のハードウェアにより構成されていてもよいし、複数のハードウェアの組み合わせにより構成されてもよい。演算装置による演算に必要なデータは、図示しない記憶部によって適宜記憶される。

プローブデータ記憶部１２１とフリーフローデータ記憶部１２２とＱＶデータ記憶部１２３とパラメータ記憶部１２４とは、図示しない記憶部によって記憶される。かかる記憶部は、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）、ハードディスクドライブまたはフラッシュメモリなどのメモリによって構成されてよい。

（フリーフローアンテナ１１４）
フリーフローアンテナ１１４は、道路上の所定位置を走行する車両の検出を行う車両検出部の一例として機能する。すなわち、本発明の実施形態では、車両検出部が、フリーフローアンテナ１１４を含む場合を主に想定する。これによって、既に構築されているＥＴＣ（ＥｌｅｃｔｒｏｎｉｃＴｏｌｌＣｏｌｌｅｃｔｉｏｎ）システムのＥＴＣフリーフローアンテナが車両検出部として用いられ得るため、新たに車両検出部を設ける必要がない。しかし、フリーフローアンテナ１１４の代わりに、他の車両検出部（例えば、赤外線センサまたは超音波センサなど）が用いられてもよい。

より詳細には、フリーフローアンテナ１１４は、車両に搭載された車載器との間の通信によって車両から車両の識別情報（車両ＩＤ）を受信することによって車両をリアルタイムに検出する。本発明の実施形態では、車載器の例として、ＥＴＣ車載器が用いられる場合を主に想定する。なお、フリーフローアンテナ１１４は、複数のバージョンのＥＴＣ車載器に対応している場合が想定される一方、後に説明するプローブアンテナ１１２は、特定のバージョンのＥＴＣ車載器にしか対応していない場合が想定される。すなわち、フリーフローアンテナ１１４は、プローブアンテナ１１２よりも、より多くの車両を検出し得る。

なお、道路上の「所定位置」は、車両検出部によって検出可能な車両の位置であれば、特に限定されない。以下では、フリーフローアンテナ１１４によって検出され得る車両の位置（所定位置）を、単に「フリーフローアンテナ前」と言う場合がある。しかし、フリーフローアンテナ１１４によって検出され得る車両の位置は、フリーフローアンテナの前からずれた位置であってもよい。

フリーフローアンテナ１１４は、車両に搭載された車載器との間の通信によって車両ＩＤを受信することによって車両をリアルタイムに検出すると、車両の検出結果（以下、「フリーフローデータ」とも言う。）をフリーフローデータ記憶部１２２にリアルタイムに出力する。そして、フリーフローアンテナ１１４からフリーフローデータ記憶部１２２にリアルタイムに出力された車両の検出結果は、交通量算出部１４０および速度算出部１５０によって、リアルタイムに利用され得る。

ここで、「リアルタイム」は、フリーフローアンテナ前に車両が到達してから道路上の交通状態が変化してしまう前までの短時間のいずれかのタイミングを意味し得る。このタイミングに車両が検出されれば、道路上の交通状態が変化してしまう前に、車両が検出された時点の交通状態に応じた何らかの措置が講じられ得る。

図６は、フリーフローデータ記憶部１２２によって記憶されるフリーフローデータの例を示す図である。図６に示されるように、フリーフローデータは、「車両ＩＤ」と「通過時刻」とが対応付けられてなる。「車両ＩＤ」は、フリーフローアンテナ１１４と車両に搭載された車載器との間の通信によって車両から受信された車両の識別情報である。「通過時刻」は、フリーフローアンテナ１１４によって車両から車両ＩＤが受信された時刻であり、フリーフローアンテナ前を車両が通過した時刻（車両検知時刻）に相当し得る。

（プローブアンテナ１１２）
プローブアンテナ１１２は、車両速度を取得する車両速度取得部の一例として機能する。すなわち、本発明の実施形態では、車両速度取得部が、プローブアンテナ１１２を含む場合を主に想定する。これによって、既に構築されているＥＴＣシステムのＥＴＣプローブアンテナが車両速度取得部として用いられ得るため、新たに車両速度取得部を設ける必要がない。しかし、プローブアンテナ１１２の代わりに、他の車両速度取得部が用いられてもよい。

より詳細に、プローブアンテナ１１２は、車両に搭載された車載器との間の通信によって車両から車両速度を取得すると、取得した車両速度をプローブデータ記憶部１２１に出力する。そして、プローブアンテナ１１２からプローブデータ記憶部１２１に出力された車両速度は、ＱＶデータ作成部１３０によって利用され得る。

図７は、プローブデータ記憶部１２１によって記憶されるプローブデータの例を示す図である。図７に示されるように、プローブデータは、「通過時刻」と「キロポスト」と「車両速度」と「収集時刻」とが対応付けられてなる。「通過時刻」は、道路の起点からの距離標（キロポスト）を車両が通過した時刻である。「キロポスト」は、道路の起点からの距離標である。「車両速度」は、道路の起点からの距離標（キロポスト）の前を通過する車両の速度（例えば、平均速度）である。「収集時刻」は、プローブアンテナ１１２によって車両速度が収集された時刻である。

（交通量算出部１４０）
図５に戻って説明を続ける。交通量算出部１４０は、フリーフローアンテナ前を走行する車両の検出結果（フリーフローデータ）をフリーフローデータ記憶部１２２（図６）から取得する。そして、交通量算出部１４０は、フリーフローデータ（車両ＩＤおよび通過時刻）に基づいて、フリーフローアンテナ前を、あらかじめ設定された単位時間あたりに通過した車両の数（フリーフローアンテナ１１４によって単位時間あたりに検出された車両ＩＤの数）を、フリーフローアンテナ前の交通量として算出する。交通量算出部１４０による交通量の算出は、単位時間ごとに繰り返し行われればよい。

なお、フリーフローアンテナ前を通過した全部の車両に、フリーフローアンテナ１１４と通信可能な車載器が搭載されているとは限らない。すなわち、フリーフローアンテナ１１４によってフリーフローアンテナ前を通過した全部の車両が検出されるとは限らない。したがって、フリーフローアンテナ１１４と通信可能な車載器が搭載された車両の、（フリーフローアンテナ１１４と通信可能な車載器が搭載されていない車両を含んだ）車両全体に対する割合を「車載器搭載割合」としてあらかじめ設定し、フリーフローアンテナ１１４によって検出された車両の数を「検出車両数」とした場合、交通量算出部１４０は、下記の式（１）によって、フリーフローアンテナ前の交通量をより高精度に推定するのが望ましい。

（交通量の推定値）＝（検出車両数）÷（車載器搭載割合）・・・（１）

しかし、フリーフローアンテナ１１４と通信可能な車載器が十分に普及している場合などには、かかる推定は省略されてもよい。交通量算出部１４０によって推定された交通量は、推定される度に速度算出部１５０に出力される。また、交通量算出部１４０によって推定された交通量とその交通量に対応する単位時間とは、所定期間ごとにＱＶデータ作成部１３０に所定期間分だけ出力される。

なお、典型的には、所定期間は、１日であってよい。その場合には、１日に１回だけ最新の１日分の交通量がＱＶデータ作成部１３０に出力されればよい。しかし、所定期間は、１日に限定されない。例えば、所定期間は、１か月であってもよい。また、最新の交通量に限らず、過去の交通量（例えば、１年前の１日分の交通量など）がＱＶデータ作成部１３０に出力されてもよい。

図８は、交通量算出部１４０によって実行される交通量算出処理の例を示すフローチャートである。まず、フリーフローアンテナ１１４は、車両に搭載された車載器との間の通信によって車両から車両の識別情報（車両ＩＤ）を受信することによって車両をリアルタイムに検出する。車両の検出結果（フリーフローデータ）をフリーフローデータ記憶部１２２にリアルタイムに出力する。

交通量算出部１４０は、フリーフローアンテナ前を走行する車両の検出結果（フリーフローデータ）をフリーフローデータ記憶部１２２（図６）から取得する（Ｓ１１）。そして、交通量算出部１４０は、フリーフローデータ（車両ＩＤおよび通過時刻）に基づいて、フリーフローアンテナ前を、あらかじめ設定された単位時間あたりに通過した車両の数（検出車両数）を、フリーフローアンテナ前の交通量として算出する（Ｓ１２）。交通量算出部１４０は、検出車両数と車載器搭載割合とに基づいて、フリーフローアンテナ前の交通量を推定する（Ｓ１３）。

なお、交通量算出部１４０によって推定された交通量は、推定される度に速度算出部１５０に出力される。また、交通量算出部１４０によって推定された交通量とその交通量に対応する単位時間とは、所定期間ごとにＱＶデータ作成部１３０に所定期間分だけ出力される。

（ＱＶデータ作成部１３０）
ＱＶデータ作成部１３０は、交通量算出部１４０から出力されたフリーフローアンテナ前の所定期間分の交通量と単位時間とを取得すると、プローブデータ記憶部１２１から当該所定期間に対応するフリーフローアンテナ前の車両速度（すなわち、フリーフローアンテナ位置の「キロポスト」に対応する車両速度）と通過時刻とを取得する。ＱＶデータ作成部１３０は、フリーフローアンテナ前の所定期間分の交通量と単位時間と、当該所定期間に対応するフリーフローアンテナ前の車両速度と通過時刻とに基づいて、機械学習により交通量と車両速度との対応関係（以下の例では、近似式）を作成する対応関係作成部の一例として機能する。

より詳細には、ＱＶデータ作成部１３０は、単位時間に対応する交通量と、その単位時間に収まる通過時刻に対応する車両速度とを対応付ける。ＱＶデータ作成部１３０は、交通量と車両速度との対応付けを、交通量算出部１４０から出力された全部の単位時間について行うことによって、交通量（Ｑ）と車両速度（Ｖ）との対応図（ＱＶ図）を作成する。ＱＶデータ作成部１３０は、作成したＱＶ図を、ＱＶデータ記憶部１２３に保存する。

図９は、ＱＶデータによって示されるＱＶ図の例を示す図である。図９に示されたＱＶ図において、横軸は、交通量（Ｑ）を示しており、縦軸は、車両速度（Ｖ）を示している。かかるＱＶ図において、交通量および車両速度が対応付けられた各結果が、各点としてプロットされている。ここで、ＱＶ図においては、交通量が所定の交通量よりも少ない場合、交通量が１つに定まったとしても、その交通量に対応する交通流状態としては、（車両速度が境界速度よりも低い）渋滞流と、（車両速度が境界速度よりも高い）自由流との二通りが想定され得る。

そこで、ＱＶデータ作成部１３０は、ＱＶデータに基づいて、交通量と車両速度との対応関係の例として、渋滞流に対応する近似式と、自由流に対応する近似式とを作成する。ＱＶデータ作成部１３０は、渋滞流に対応する近似式と、自由流に対応する近似式とを、ＱＶデータ記憶部１２３に保存する。例えば、渋滞流に対応する近似式、および、自由流に対応する近似式の作成は、機械学習によって学習され得る。

渋滞流に対応する近似式は、どのような式であってもよいが、一例として、下記の式（２）に示されるように、二次関数によって表現され得る。ただし、式（２）において、Ｖは、車両速度であり、Ｑは、交通量である。より詳細に、ＱＶデータ作成部１３０は、式（２）に表現された関数が、ＱＶ図にプロットされた各点（ただし、車両速度Ｖが境界速度よりも低い領域（境界線よりも下側）の点の全部または一部）に近似するように、パラメータａとｂとを求めることによって、渋滞流に対応する近似式を得る。

Ｖ＝ａＱ^２＋ｂ・・・（２）

一方、自由流に対応する近似式も、どのような式であってもよいが、一例として、下記の式（３）に示されるように、一次関数によって表現され得る。より詳細に、ＱＶデータ作成部１３０は、式（３）に表現された関数が、ＱＶ図にプロットされた各点（ただし、車両速度Ｖが境界速度よりも高い領域（境界線よりも上側）の点の全部または一部）に近似するように、パラメータｃとｄとを求めることによって、自由流に対応する近似式を得る。

Ｖ＝ｃＱ＋ｄ・・・（３）

ＱＶデータ作成部１３０は、ＱＶデータをＱＶデータ記憶部１２３に保存するとともに、渋滞流に対応する近似式のパラメータａ、ｂと、自由流に対応する近似式のパラメータｃ、ｄとをパラメータ記憶部１２４に保存する。

なお、ＱＶ図の形状は、路線、道路形状、車両が走行するレーン数などによって異なる可能性がある。そのため、あらゆる場所に共通のＱＶデータではなく、上記したように、場所ごとに別々のＱＶデータが作成されるのが望ましい（各フリーフローアンテナに対応するＱＶデータが別々に作成されるのが望ましい）。また、図９に示されるように、交通量が最も多い場合における車両速度（すなわち、「最大交通量」に対応する車両速度）は、一般に自由流と渋滞流との境界速度に一意に定まる。

さらに、フリーフローアンテナ前の所定期間分の交通量と当該所定期間に対応するフリーフローアンテナ前の車両速度との全部が、交通量と車両速度との対応関係の作成に用いられなくてもよい。例えば、ある所定期間全体を通して、渋滞流が存在しなかった場合には、交通量と車両速度との有用な対応関係が得られないことが想定される。

したがって、ＱＶデータ作成部１３０は、所定期間の「車両速度」の中に、所定の速度以下の車両速度（例えば、時速４０ｋｍ以下の車両速度）、または、所定の継続時間（例えば、数分）を超えて継続した所定の速度以下の車両速度が含まれない場合、交通量（Ｑ）と車両速度（Ｖ）との対応関係を作成するためのデータから、当該所定期間の交通量および車両速度を除外してもよい。これによって、より有用な対応関係が作成され得る。

また、上記したように、フリーフローアンテナ１１４は、複数のレーンそれぞれを走行する車両を一括して検出することが可能である。したがって、複数のレーンの一部しか車両が走行できない所定の事象（例えば、道路工事または事故など）が生じている場合には、フリーフローアンテナ１１４によって検出される車両の数が減少してしまうことが想定される。したがって、ＱＶデータ作成部１３０は、車両が走行可能なレーンの数ごとに、交通量と車両速度との対応関係を作成するのが望ましい。例えば、ＱＶデータ作成部１３０は、複数のレーンの一部しか車両が走行できない所定の事象が生じている場合には、事象発生用に対応関係を作成するのが望ましい。

図１０は、ＱＶデータ作成部１３０によって実行されるＱＶデータ作成処理の例を示すフローチャートである。まず、ＱＶデータ作成部１３０は、交通量算出部１４０から出力されたフリーフローアンテナ前の所定期間分の交通量と単位時間とを取得すると、プローブデータ記憶部１２１から当該所定期間に対応するフリーフローアンテナ前の車両速度と通過時刻とを取得する（Ｓ２１）。

ＱＶデータ作成部１３０は、単位時間に対応する交通量と、その単位時間に収まる通過時刻に対応する車両速度とを対応付ける。ＱＶデータ作成部１３０は、交通量と車両速度との対応付けを、交通量算出部１４０から出力された全部の単位時間について行うことによって、交通量（Ｑ）と車両速度（Ｖ）との対応関係（ＱＶデータ）を作成する（Ｓ２２）。そして、ＱＶデータ作成部１３０は、作成したＱＶデータに基づいて、機械学習により、渋滞流に対応する近似式と、自由流に対応する近似式とを作成する（Ｓ２３）。

ＱＶデータ作成部１３０は、ＱＶデータをＱＶデータ記憶部１２３に保存するとともに、渋滞流に対応する近似式のパラメータａ、ｂと、自由流に対応する近似式のパラメータｃ、ｄとをＱＶデータ記憶部１２３に保存する（Ｓ２４）。

＜学習段階（判定基準パラメータ生成）＞
続いて、交通状態検出装置１は、学習段階の実行によって、交通流状態が渋滞流であるか自由流であるかを判定するための基準となる判定基準パラメータを生成する。かかる判定基準パラメータの生成は、あらかじめ設定された日時に実行され得る。

図１１は、速度算出部１５０によって実行される判定基準パラメータの生成処理の例を示すフローチャートである。まず、速度算出部１５０は、ＱＶデータ記憶部１２３から、設定期間分のＱＶデータを取得する（Ｓ３１）。なお、設定期間は、１か月などであってよいが、設定期間は特に限定されない。さらに、速度算出部１５０は、フリーフローデータ記憶部１２２から、設定期間分のフリーフローデータを取得する（Ｓ３２）。

続いて、統計情報解析部１６０は、速度算出部１５０によって取得されたＱＶデータおよびフリーフローデータに基づいて、学習処理によって判定基準パラメータを生成する。

一例として、統計情報解析部１６０は、交通量時系列変化判定部１５１と、車両検知間隔判定部１５２と、交通量分布判定部１５３と、プローブ遅延時間判定部１５４とを備えている。そして、交通量時系列変化判定部１５１は、交通量時系列変化による判定に従って判定基準パラメータを生成し（Ｓ３３）、車両検知間隔判定部１５２は、車両検知間隔による判定に従って判定基準パラメータを生成し（Ｓ３４）、交通量分布判定部１５３は、交通量分布による判定に従って判定基準パラメータを生成し（Ｓ３５）、プローブ遅延時間判定部１５４は、プローブ遅延時間による判定に従って判定基準パラメータを生成する（Ｓ３６）。

しかし、これら４つのブロックの全部によってそれぞれの判定基準パラメータが生成されなくてもよい。例えば、これら４つのブロックの一部（例えば、１つ、２つまたは３つのブロック）によってそれぞれの判定基準パラメータが生成されてもよい。以下では、図１２～図１５を参照しながら、これら４つのブロックそれぞれによる判定基準パラメータの生成について詳細に説明する。

（交通量時系列変化による判定Ｓ３３）
交通量時系列変化判定部１５１は、所定期間分のフリーフローデータに基づいて、あらかじめ設定された時間間隔（例えば、１０分など）の開始時刻および終了時刻それぞれの交通量を抽出する。さらに、交通量時系列変化判定部１５１は、所定期間分のＱＶデータに基づいて、開始時刻および終了時刻それぞれの交通流状態が（車両速度が境界速度よりも低い）渋滞流であるか（車両速度が境界速度よりも高い）自由流であるかを判定する。

さらに、交通量時系列変化判定部１５１は、開始時刻の交通量と終了時刻の交通量との差分を交通量差分として算出する。交通量時系列変化判定部１５１は、開始時刻から終了時刻にかけて、交通流状態が自由流のままであるか、交通流状態が渋滞流のままであるか、交通流状態が自由流から渋滞流に切り替わるか、渋滞流から自由流に切り替わるかを判定する。

図１２は、時間間隔の終了時刻における交通量と交通量差分との対応関係を交通流状態の変化ごとに示した図である。図１２に示された例において、横軸は、時間間隔の終了時刻における交通量を示しており、縦軸は、交通量差分を示している。「○：白抜き丸」は、交通流状態が自由流のままである場合の対応関係を示す。「●：黒丸」は、交通流状態が渋滞流のままである場合の対応関係を示す。「▲：黒三角」は、交通流状態が渋滞流から自由流に切り替わる場合の対応関係を示す。「■：黒四角」は、交通流状態が自由流から渋滞流に切り替わる場合の対応関係を示す。

交通量時系列変化判定部１５１は、交通流状態が自由流のままである場合、交通流状態が渋滞流のままである場合、交通流状態が渋滞流から自由流に切り替わる場合、および、交通流状態が自由流から渋滞流に切り替わる場合それぞれについて、時間間隔の終了時刻における交通量（以下、単に「交通量」とも言う。）と交通量差分との対応関係に基づいて、機械学習により判定基準パラメータを算出する。

例えば、交通量時系列変化判定部１５１は、これらの場合それぞれについて、交通量と交通量差分との対応関係を所定の統計分布（例えば、２次元正規分布など）で近似してもよい。これによって、交通量時系列変化判定部１５１は、これらの場合それぞれのパラメータ（例えば、平均値μ、標準偏差σなど）を判定基準パラメータとして算出してもよい。

あるいは、交通量時系列変化判定部１５１は、これらの場合それぞれを示すラベルを教師ラベルとし、交通量と交通量差分との対応関係を学習データとして、教師ラベルと学習データとの組み合わせに基づく学習処理を、何らかの機械学習アルゴリズムに実行させてもよい。例えば、機械学習アルゴリズムは、ＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）または他の機械学習アルゴリズムであってもよい。これによって、交通量時系列変化判定部１５１は、学習済みモデルのパラメータを判定基準パラメータとして算出してもよい。

交通量時系列変化判定部１５１は、このようにして算出した判定基準パラメータを、交通量時系列変化による判定のための判定基準パラメータとして、パラメータ記憶部１２４に保存する。

（車両検知間隔による判定Ｓ３４）
車両検知間隔判定部１５２は、所定期間分のフリーフローデータに基づいて、車両が検知される間隔（車両検知間隔）を算出する。なお、交通状態が自由流である場合における車両検知間隔と確率密度との関係は、図１に示した通りである。また、交通状態が渋滞流である位置における車両検知間隔と確率密度との関係は、図２に示した通りである。

車両検知間隔判定部１５２は、交通状態が自由流である場合における車両検知間隔の所定時間ごとの頻度分布を算出する。車両検知間隔判定部１５２は、交通状態が自由流である場合における車両検知間隔の所定時間ごとの頻度分布を１変数統計分布（例えば、指数分布など）で近似して、パラメータλおよび近似誤差を算出する。

同様にして、車両検知間隔判定部１５２は、交通状態が渋滞流である場合における車両検知間隔の所定時間ごとの頻度分布を算出する。車両検知間隔判定部１５２は、交通状態が渋滞流である場合における車両検知間隔の所定時間ごとの頻度分布を１変数統計分布（例えば、指数分布など）で近似して、パラメータλおよび近似誤差を算出する。

なお、交通状態が自由流である場合および渋滞流である場合それぞれにおいて算出されたパラメータλの頻度分布は、図３に示した通りである。さらに、交通状態が自由流である場合および渋滞流である場合それぞれにおいて算出されたパラメータλと近似誤差との対応関係は、図４に示した通りである。

車両検知間隔判定部１５２は、交通流状態が自由流である場合、および、交通流状態が渋滞流である場合それぞれについて、算出したパラメータλと近似誤差との対応関係に基づいて、機械学習により判定基準パラメータを算出する。

例えば、車両検知間隔判定部１５２は、これらの場合それぞれについて、パラメータλと近似誤差との対応関係を所定の統計分布（例えば、２次元正規分布など）で近似してもよい。これによって、車両検知間隔判定部１５２は、これらの場合それぞれのパラメータ（例えば、平均値μ、標準偏差σなど）を判定基準パラメータとして算出してもよい。

あるいは、車両検知間隔判定部１５２は、これらの場合それぞれを示すラベルを教師ラベルとし、パラメータλと近似誤差との対応関係を学習データとして、教師ラベルと学習データとの組み合わせに基づく学習処理を、何らかの機械学習アルゴリズムに実行させてもよい。例えば、機械学習アルゴリズムは、ＳＶＭまたは他の機械学習アルゴリズムであってもよい。これによって、車両検知間隔判定部１５２は、学習済みモデルのパラメータを判定基準パラメータとして算出してもよい。

車両検知間隔判定部１５２は、このようにして算出した判定基準パラメータを、車両検知間隔による判定のための判定基準パラメータとして、パラメータ記憶部１２４に保存する。

（交通量分布による判定Ｓ３５）
交通量分布判定部１５３は、所定期間分のフリーフローデータに基づいて、交通量のあらかじめ設定された所定時間ごとの頻度分布を算出する。そして、交通量分布判定部１５３は、算出した頻度分布を所定の統計分布（例えば、ポアソン分布など）で近似してパラメータλを算出する。また、交通量分布判定部１５３は、頻度分布のばらつきに関するデータを算出する。

ここでは、頻度分布のばらつきに関するデータの例として、統計分布の標準偏差に対する頻度分布の標準偏差の比（標準偏差比）が用いられる場合を主に想定する。しかし、頻度分布のばらつきに関するデータは、頻度分布の標準偏差であってもよいし、頻度分布の分散であってもよいし、統計分布の分散に対する頻度分布の分散の比であってもよいし、頻度分布のばらつきを示す他のデータであってもよい。

図１３は、統計分布に係るパラメータλと標準偏差比との対応関係を示す図である。図１３に示された例において、横軸は、統計分布（ここでは、ポアソン分布）に係るパラメータλを示しており、縦軸は、標準偏差比を示している。「○：白抜き丸」は、交通流状態が自由流である場合の対応関係を示す。「●：黒丸」は、交通流状態が渋滞流である場合の対応関係を示す。「▲：黒三角」は、交通流状態が混雑流である場合の対応関係を示す。交通流状態が自由流である場合と交通流状態が渋滞流である場合とが、図１３に示された例では、概ね分離されていることが把握される。

交通量分布判定部１５３は、交通流状態が自由流である場合および交通流状態が渋滞流である場合それぞれについて、統計分布に係るパラメータλに基づいて、機械学習により判定基準パラメータを算出する。より詳細に、交通量分布判定部１５３は、交通流状態が自由流である場合および交通流状態が渋滞流である場合それぞれについて、統計分布に係るパラメータλと標準偏差比との対応関係に基づいて、機械学習により判定基準パラメータを算出する。

例えば、交通量分布判定部１５３は、交通流状態が自由流である場合および交通流状態が渋滞流である場合それぞれについて、統計分布に係るパラメータλと標準偏差比との対応関係を所定の統計分布（例えば、２次元正規分布など）で近似してもよい。これによって、交通量分布判定部１５３は、これらの場合それぞれのパラメータ（例えば、平均値μ、標準偏差σなど）を判定基準パラメータとして算出してもよい。

あるいは、交通量分布判定部１５３は、これらの場合それぞれを示すラベルを教師ラベルとし、統計分布に係るパラメータλと標準偏差比との対応関係を学習データとして、教師ラベルと学習データとの組み合わせに基づく学習処理を、何らかの機械学習アルゴリズムに実行させてもよい。例えば、機械学習アルゴリズムは、ＳＶＭまたは他の機械学習アルゴリズムであってもよい。これによって、交通量分布判定部１５３は、学習済みモデルのパラメータを判定基準パラメータとして算出してもよい。

交通量分布判定部１５３は、このようにして算出した判定基準パラメータを、交通量分布による判定のための判定基準パラメータとして、パラメータ記憶部１２４に保存する。

（プローブ遅延時間による判定Ｓ３６）
プローブ遅延時間判定部１５４は、プローブデータ記憶部１２１から所定期間分のプローブデータを取得する。ここで、上記したように、車載器に車両速度が記録されてからプローブアンテナ１１２によって車両速度が取得されるまでに時間（プローブ遅延時間）が生じ得る。そのため、プローブアンテナ１１２によっては、数分から数十分前にフリーフローアンテナ前を通過した車両速度しか取得されない場合がある。

かかる遅延は、フリーフローアンテナから次のプローブアンテナ（すなわち、下流のプローブアンテナ）までの交通状況によって異なり得る。例えば、交通流状態が自由流である場合には、プローブ遅延時間が数分程度掛かる場合があり、交通流状態が渋滞流である場合には、プローブ遅延時間が数十分掛かる場合がある。プローブ遅延時間判定部１５４は、取得したプローブデータに基づいて、通過時刻と収集時刻との差分をプローブ遅延時間として算出する。

図１４は、フリーフローアンテナ前における各時刻におけるプローブ遅延時間（秒）の例を示す図である。図１４を参照すると、１４時前後まではプローブ遅延時間は概ね１５０～２００秒前後で推移していることが把握される。その後にプローブ遅延時間が増加し、交通流状態が渋滞流である場合には、プローブ遅延時間が概ね５００秒を超えていることが把握される。また、２０時過ぎに交通流状態が渋滞流から自由流に切り替わり、プローブ遅延時間が減少し、再び１５０～２００秒前後に戻っていることが把握される。

そして、プローブ遅延時間判定部１５４は、算出したプローブ遅延時間に基づいて、プローブ遅延時間のあらかじめ設定された所定時間ごとの頻度分布を算出する。

図１５は、プローブ遅延時間の所定時間ごとの頻度分布を示す図である。図１５を参照すると、交通流状態が自由流である場合におけるプローブ遅延時間の所定時間ごとの頻度分布がヒストグラム（薄いハッチング）によって示されている。一方、交通流状態が渋滞流である場合におけるプローブ遅延時間の所定時間ごとの頻度分布がヒストグラム（濃いハッチング）によって示されている。

プローブ遅延時間判定部１５４は、交通流状態が自由流である場合および交通流状態が渋滞流である場合それぞれについて、算出した頻度分布に基づく機械学習により判定基準パラメータを算出する。より詳細に、プローブ遅延時間判定部１５４は、これらの場合それぞれについて、頻度分布を所定の統計分布（例えば、正規分布またはガンマ分布など）で近似してパラメータ（例えば、平均値μおよび標準偏差σ、または、形状パラメータｋおよび尺度パラメータθなど）を算出する。

プローブ遅延時間判定部１５４は、このようにして算出した判定基準パラメータを、プローブ遅延時間による判定のための判定基準パラメータとして、パラメータ記憶部１２４に保存する。

＜推論段階（速度算出）＞
続いて、交通状態検出装置１は、推論段階の実行によって、対象データを生成し、生成した対象データと、あらかじめ生成された判定基準パラメータとに基づいて、車両速度を算出する。かかる車両速度の算出は、リアルタイムに実行され得る。

図１６は、速度算出部１５０によって実行される速度算出処理の例を示すフローチャートである。まず、交通量算出部１４０は、フリーフローデータ記憶部１２２から直近の単位時間分のフリーフローデータを取得し、直近の単位時間分のフリーフローデータに基づいて交通量を算出し、算出した交通量を速度算出部１５０に出力する（Ｓ４１）。さらに、速度算出部１５０は、交通量算出部１４０から交通量を取得し、パラメータ記憶部１２４から、判定基準パラメータを取得する（Ｓ４２）。

続いて、統計情報解析部１６０は、速度算出部１５０によって取得された交通量および判定基準パラメータに基づいて、推論処理によって交通流状態が自由流である場合および渋滞流である場合それぞれの確率を算出する。

一例として、交通量時系列変化判定部１５１は、交通量時系列変化による判定に従って各場合における確率を算出し（Ｓ４３）、車両検知間隔判定部１５２は、車両検知間隔による判定に従って各場合における確率を算出し（Ｓ４４）、交通量分布判定部１５３は、交通量分布による判定に従って各場合における確率を算出し（Ｓ４５）、プローブ遅延時間判定部１５４は、プローブ遅延時間による判定に従って各場合における確率を算出する（Ｓ４６）。

しかし、これら４つのブロックの全部によってそれぞれの確率が算出されなくてもよい。例えば、これら４つのブロックの一部（例えば、１つ、２つまたは３つのブロック）によってそれぞれの確率が算出されてもよい。以下では、これら４つのブロックそれぞれによる確率の算出について詳細に説明する。

（交通量時系列変化による判定Ｓ４３）
交通量時系列変化判定部１５１は、直近の所定期間分のフリーフローデータに基づいて、あらかじめ設定された時間間隔（例えば、１０分など）の開始時刻および終了時刻それぞれの交通量を抽出する。さらに、交通量時系列変化判定部１５１は、開始時刻の交通量と終了時刻の交通量との差分を交通量差分として算出する。

交通量時系列変化判定部１５１は、算出した交通量および交通量差分と判定基準パラメータとに基づいて、交通流状態が渋滞流である確率と、交通流状態が自由流である確率とを算出する。

より詳細に、交通量時系列変化判定部１５１は、算出した交通量および交通量差分と、交通流状態が渋滞流のままである場合の判定基準パラメータとに基づいて、交通流状態が渋滞流のままである確率を算出する。さらに、交通量時系列変化判定部１５１は、算出した交通量および交通量差分と、交通流状態が自由流から渋滞流に切り替わる場合の判定基準パラメータとに基づいて、交通流状態が自由流から渋滞流に切り替わる確率を算出する。

交通量時系列変化判定部１５１は、交通流状態が渋滞流のままである確率と交通流状態が自由流から渋滞流に切り替わる確率との足し算によって、交通流状態が渋滞流である確率を算出し得る。例えば、交通流状態が渋滞流のままである確率が２０％であり、交通流状態が自由流から渋滞流に切り替わる確率が５０％である場合には、交通流状態が渋滞流である確率は７０％と算出され得る。

また、交通量時系列変化判定部１５１は、算出した交通量および交通量差分と、交通流状態が自由流のままである場合の判定基準パラメータとに基づいて、交通流状態が自由流のままである確率を算出する。さらに、交通量時系列変化判定部１５１は、算出した交通量および交通量差分と、交通流状態が渋滞流から自由流に切り替わる場合の判定基準パラメータとに基づいて、交通流状態が渋滞流から自由流に切り替わる確率を算出する。

交通量時系列変化判定部１５１は、交通流状態が自由流のままである確率と交通流状態が渋滞流から自由流に切り替わる確率との足し算によって、交通流状態が自由流である確率を算出し得る。例えば、交通流状態が自由流のままである確率が３０％であり、交通流状態が渋滞流から自由流に切り替わる確率が０％である場合には、交通流状態が自由流である確率は３０％と算出され得る。

例えば、交通量時系列変化判定部１５１は、交通流状態が渋滞流のままである場合の判定基準パラメータが統計分布（例えば、２次元正規分布など）に係るパラメータである場合、判定基準パラメータによって定まる統計分布の確率密度関数の所定区間の積分値によって、交通流状態が渋滞流のままである確率を算出してもよい。一例として、所定区間は、算出した交通量をｘ０とし、交通量差分をｙ０とした場合、判定基準パラメータによって定まる標準正規分布においてｘ＝０からの距離が２次元座標（ｘ０，ｙ０）よりも遠い区間であってよい。

なお、交通流状態が自由流から渋滞流に切り替わる確率、交通流状態が自由流のままである確率、交通流状態が渋滞流から自由流に切り替わる確率も同様にして算出されてよい。

あるいは、交通量時系列変化判定部１５１は、算出した交通量および交通量差分を学習済みモデルに入力し、交通量および交通量差分と学習済みモデルのパラメータ（判定基準パラメータ）とに基づいて、交通流状態が渋滞流のままである確率、交通流状態が自由流から渋滞流に切り替わる確率、交通流状態が自由流のままである確率、および、交通流状態が渋滞流から自由流に切り替わる確率を学習済みモデルから出力させてもよい。

（車両検知間隔による判定Ｓ４４）
車両検知間隔判定部１５２は、直近の所定期間分のフリーフローデータに基づいて、車両が検知される間隔（車両検知間隔）を算出する。そして、車両検知間隔判定部１５２は、車両検知間隔の所定時間ごとの頻度分布を算出する。車両検知間隔判定部１５２は、車両検知間隔の所定時間ごとの頻度分布を１変数統計分布（例えば、指数分布など）で近似して、パラメータλおよび近似誤差を算出する。

車両検知間隔判定部１５２は、パラメータλおよび近似誤差と判定基準パラメータとに基づいて、交通流状態が渋滞流である確率と、交通流状態が自由流である確率とを算出する。

より詳細に、車両検知間隔判定部１５２は、算出したパラメータλおよび近似誤差と、交通流状態が渋滞流である場合の判定基準パラメータとに基づいて、交通流状態が渋滞流である確率を算出する。例えば、交通流状態が渋滞流である確率は、５０％と算出され得る。

また、車両検知間隔判定部１５２は、算出したパラメータλおよび近似誤差と、交通流状態が自由流である場合の判定基準パラメータとに基づいて、交通流状態が自由流である確率を算出する。例えば、交通流状態が自由流である確率は、５０％と算出され得る。

例えば、交通量時系列変化による判定Ｓ４３と同様に、車両検知間隔判定部１５２は、交通流状態が渋滞流である場合の判定基準パラメータが統計分布（例えば、２次元正規分布など）に係るパラメータである場合、判定基準パラメータによって定まる統計分布の確率密度関数の所定区間の積分値によって、交通流状態が渋滞流である確率を算出してもよい。なお、交通流状態が自由流である確率も同様にして算出されてよい。

あるいは、車両検知間隔判定部１５２は、算出したパラメータλおよび近似誤差を学習済みモデルに入力し、パラメータλおよび近似誤差と学習済みモデルのパラメータ（判定基準パラメータ）とに基づいて、交通流状態が渋滞流である確率、および、交通流状態が自由流である確率を学習済みモデルから出力させてもよい。

（交通量分布による判定Ｓ４５）
交通量分布判定部１５３は、直近の所定期間分のフリーフローデータに基づいて、交通量のあらかじめ設定された所定時間ごとの頻度分布を算出する。そして、交通量分布判定部１５３は、算出した頻度分布を所定の統計分布（例えば、ポアソン分布など）で近似してパラメータλを算出する。また、交通量分布判定部１５３は、頻度分布のばらつきに関するデータを算出する。

ここでは、頻度分布のばらつきに関するデータの例として、統計分布の標準偏差に対する頻度分布の標準偏差の比（標準偏差比）が用いられる場合を主に想定する。しかし、上記したように、頻度分布のばらつきに関するデータは、頻度分布の標準偏差であってもよいし、頻度分布の分散であってもよいし、統計分布の分散に対する頻度分布の分散の比であってもよいし、頻度分布のばらつきを示す他のデータであってもよい。

交通量分布判定部１５３は、算出したパラメータλおよび標準偏差比と判定基準パラメータとに基づいて、交通流状態が渋滞流である確率と、交通流状態が自由流である確率とを算出する。

より詳細に、交通量分布判定部１５３は、算出したパラメータλおよび標準偏差比と、交通流状態が渋滞流である場合の判定基準パラメータとに基づいて、交通流状態が渋滞流である確率を算出する。例えば、交通流状態が渋滞流である確率は、６０％と算出され得る。

また、交通量分布判定部１５３は、算出したパラメータλおよび標準偏差比と、交通流状態が自由流である場合の判定基準パラメータとに基づいて、交通流状態が自由流である確率を算出する。例えば、交通流状態が自由流である確率は、４０％と算出され得る。

例えば、交通量時系列変化による判定Ｓ４３と同様に、交通量分布判定部１５３は、交通流状態が渋滞流である場合の判定基準パラメータが統計分布（例えば、２次元正規分布など）に係るパラメータである場合、判定基準パラメータによって定まる統計分布の確率密度関数の所定区間の積分値によって、交通流状態が渋滞流である確率を算出してもよい。なお、交通流状態が自由流である確率も同様にして算出されてよい。

あるいは、車両検知間隔判定部１５２は、算出したパラメータλおよび標準偏差比を学習済みモデルに入力し、パラメータλおよび標準偏差比と学習済みモデルのパラメータ（判定基準パラメータ）とに基づいて、交通流状態が渋滞流である確率、および、交通流状態が自由流である確率を学習済みモデルから出力させてもよい。

（プローブ遅延時間による判定Ｓ４６）
プローブ遅延時間判定部１５４は、プローブデータ記憶部１２１から所定期間分のプローブデータを取得する。プローブ遅延時間判定部１５４は、取得したプローブデータに基づいて、通過時刻と収集時刻との差分をプローブ遅延時間として算出する。そして、プローブ遅延時間判定部１５４は、算出したプローブ遅延時間に基づいて、プローブ遅延時間のあらかじめ設定された所定時間ごとの頻度分布を算出する。

プローブ遅延時間判定部１５４は、プローブ遅延時間の所定時間ごとの頻度分布と判定基準パラメータとに基づいて、交通流状態が渋滞流である確率と、交通流状態が自由流である確率とを算出する。

より詳細に、プローブ遅延時間判定部１５４は、算出したプローブ遅延時間の所定時間ごとの頻度分布と、交通流状態が渋滞流である場合の判定基準パラメータとに基づいて、交通流状態が渋滞流である確率を算出する。例えば、交通流状態が渋滞流である確率は、８０％と算出され得る。

また、プローブ遅延時間判定部１５４は、算出したプローブ遅延時間の所定時間ごとの頻度分布と、交通流状態が自由流である場合の判定基準パラメータとに基づいて、交通流状態が自由流である確率を算出する。例えば、交通流状態が自由流である確率は、２０％と算出され得る。

例えば、交通量時系列変化による判定Ｓ４３と同様に、プローブ遅延時間判定部１５４は、交通流状態が渋滞流である場合の判定基準パラメータが統計分布（例えば、２次元正規分布など）に係るパラメータである場合、判定基準パラメータによって定まる統計分布の確率密度関数の所定区間の積分値によって、交通流状態が渋滞流である確率を算出してもよい。なお、交通流状態が自由流である確率も同様にして算出されてよい。

あるいは、プローブ遅延時間判定部１５４は、算出したプローブ遅延時間の所定時間ごとの頻度分布を学習済みモデルに入力し、プローブ遅延時間の所定時間ごとの頻度分布と学習済みモデルのパラメータ（判定基準パラメータ）とに基づいて、交通流状態が渋滞流である確率、および、交通流状態が自由流である確率を学習済みモデルから出力させてもよい。

（交通流状態の判定Ｓ４７）
交通流判定部１５５は、交通量時系列変化による判定Ｓ４３、車両検知間隔による判定Ｓ４４、交通量分布による判定Ｓ４５、および、プローブ遅延時間による判定Ｓ４６の各判定結果に基づいて、交通流状態が自由流であるか渋滞流であるかを総合的に判定する（Ｓ４７）。例えば、交通流判定部１５５は、交通流状態が自由流である総合的な確率を算出するとともに、交通流状態が渋滞流である総合的な確率を算出し、総合的な確率がより大きい交通流状態を総合的な判定結果としてよい。

総合的な確率は、どのように算出されてもよい。例えば、各判定結果における交通流状態が渋滞流である確率の同時生起確率、平均（例えば、相加平均、加重平均または相乗平均など）によって、交通流状態が渋滞流である総合的な確率が算出されてもよい。同様に、各判定結果における交通流状態が自由流である確率の同時生起確率、平均（例えば、相加平均、加重平均または相乗平均など）によって、交通流状態が自由流である総合的な確率が算出されてもよい。

例えば、各判定結果における交通流状態が渋滞流である確率の相乗平均によって、交通流状態が渋滞流である総合的な確率が６４％と算出され得る。また、各判定結果における交通流状態が自由流である確率の相乗平均によって、交通流状態が自由流である総合的な確率が３３％と算出され得る。

なお、交通流状態が渋滞流である確率および交通流状態が自由流である確率それぞれが１種類ずつである場合には、総合的な確率の算出は特に行われなくてよい。すなわち、交通流判定部１５５は、交通流状態が渋滞流である確率と、交通流状態が自由流である確率とに基づいて、交通流状態の判定結果を得ればよい。より詳細に、交通流判定部１５５は、交通流状態が渋滞流である確率、および、交通流状態が自由流である確率のうち、確率がより大きい交通流状態を判定結果としてよい。

（車両速度の判定Ｓ４８）
速度判定部１５６は、交通流判定部１５５によって得られた交通流状態の判定結果と、交通量算出部１４０によって算出されたフリーフローアンテナ前の交通量と、あらかじめ用意されたＱＶパラメータとに基づいて、フリーフローアンテナ前の車両速度を判定する（Ｓ４８）。より詳細に、ＱＶパラメータは、上記した渋滞流に対応する近似式のパラメータａ、ｂ、または、自由流に対応する近似式のパラメータｃ、ｄに該当し得る。

例えば、速度判定部１５６は、交通流状態が渋滞流であると判定された場合には、上記の式（２）に、交通量算出部１４０によって算出されたフリーフローアンテナ前の交通量を代入して、フリーフローアンテナ前の車両速度を判定すればよい。一方、速度判定部１５６は、交通流状態が自由流であると判定された場合には、上記の式（３）に、交通量算出部１４０によって算出されたフリーフローアンテナ前の交通量を代入して、フリーフローアンテナ前の車両速度を判定すればよい。

（交通状態の検知）
交通状態検知部１７０は、交通量算出部１４０によって算出された交通量と、速度判定部１５６によって判定され車両速度とに基づいて、フリーフローアンテナ設置地点の交通状態を検出する。また、交通状態検知部１７０は、フリーフローアンテナ設置地点の交通量と車両速度とに基づいて、特許文献３に開示される方法により、プローブデータの遅延部分を推定し、フリーフローアンテナ設置地点、プローブアンテナ設置地点だけでなく、道路上のすべての地点の交通状態を推定することが可能である。

以上、本発明の実施形態に係る交通状態検出装置１の構成例について説明した。

（１－２．効果）
以上に説明したように、本発明の実施形態に係る技術は、学習段階において、蓄積されているフリーフローデータから得られる、交通量の所定時間ごとの頻度分布の平均およびばらつきに基づいて、機械学習により判定基準パラメータを生成する。そして、本発明の実施形態に係る技術は、推論段階において、生成した判定基準パラメータと取得したフリーフローデータに基づく判定パラメータとに基づいて、交通状態が自由流であるか渋滞流であるかを判定する。

また、本発明の実施形態に係る技術によれば、道路上のより多くの地点の交通状態を推定することが可能であるため、車両速度を高精細に得ることが困難である。

また、本発明の実施形態に係る技術は、特定の外部環境（例えば、雨天、夜間、西日など）に対する適用が可能となるため、本発明の実施形態に係る技術によれば、車両速度がより高精度に推定され得る。

さらに、本発明の実施形態に係る技術は、トラフィックカウンタの代わりに、フリーフローアンテナ１１４によって交通量および車両速度を検出する。そのため、本発明の実施形態に係る技術では、トラフィックカウンタの設置および保守に要する費用が掛からずに済むため、必要なコストが抑えられる。

また、本発明の実施形態によれば、フリーフローアンテナ１１４は、車両をリアルタイムに検出することができる。すなわち、本発明の実施形態によれば、フリーフローアンテナ１１４によってリアルタイムに得られる車両の検出結果に基づいて、車両速度が算出されるため、リアルタイムに車両速度が算出され得る。なお、プローブアンテナ１１２によっても車両速度が得られるが、プローブアンテナ１１２によっては、車両速度がリアルタイムには得られない。

さらに、フリーフローアンテナ１１４は、複数のバージョンのＥＴＣ車載器に対応している場合が想定されるため、本発明の実施形態によれば、フリーフローアンテナ１１４による車両の検出結果に基づいて、より多くの車両速度が算出され得る。一方、プローブアンテナ１１２は、特定のバージョンのＥＴＣ車載器にしか対応していない場合が想定されるため、プローブアンテナ１１２によっては、より少ない車両速度しか取得され得ない。

以上、本発明の実施形態に係る技術が奏する効果について説明した。

（２．ハードウェア構成例）
続いて、本発明の実施形態に係る交通状態検出装置１のハードウェア構成例について説明する。

以下では、本発明の実施形態に係る交通状態検出装置１のハードウェア構成例として、情報処理装置９００のハードウェア構成例について説明する。なお、以下に説明する情報処理装置９００のハードウェア構成例は、交通状態検出装置１のハードウェア構成の一例に過ぎない。したがって、交通状態検出装置１のハードウェア構成は、以下に説明する情報処理装置９００のハードウェア構成から不要な構成が削除されてもよいし、新たな構成が追加されてもよい。

図１７は、本発明の実施形態に係る交通状態検出装置１の例としての情報処理装置９００のハードウェア構成を示す図である。情報処理装置９００は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）９０１と、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）９０２と、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）９０３と、ホストバス９０４と、ブリッジ９０５と、外部バス９０６と、インタフェース９０７と、入力装置９０８と、出力装置９０９と、ストレージ装置９１０と、通信装置９１１と、を備える。

ＣＰＵ９０１は、演算処理装置および制御装置として機能し、各種プログラムに従って情報処理装置９００内の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。これらはＣＰＵバス等から構成されるホストバス９０４により相互に接続されている。

ホストバス９０４は、ブリッジ９０５を介して、ＰＣＩ（ＰｅｒｉｐｈｅｒａｌＣｏｍｐｏｎｅｎｔＩｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バス等の外部バス９０６に接続されている。なお、必ずしもホストバス９０４、ブリッジ９０５および外部バス９０６を分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。

入力装置９０８は、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチおよびレバー等ユーザが情報を入力するための入力手段と、ユーザによる入力に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路等から構成されている。情報処理装置９００を操作するユーザは、この入力装置９０８を操作することにより、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりすることができる。

出力装置９０９は、例えば、ＣＲＴ（ＣａｔｈｏｄｅＲａｙＴｕｂｅ）ディスプレイ装置、液晶ディスプレイ（ＬＣＤ）装置、ＯＬＥＤ（ＯｒｇａｎｉｃＬｉｇｈｔＥｍｉｔｔｉｎｇＤｉｏｄｅ）装置、ランプ等の表示装置およびスピーカ等の音声出力装置を含む。

ストレージ装置９１０は、データ格納用の装置である。ストレージ装置９１０は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置および記憶媒体に記録されたデータを削除する削除装置等を含んでもよい。ストレージ装置９１０は、例えば、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）で構成される。このストレージ装置９１０は、ハードディスクを駆動し、ＣＰＵ９０１が実行するプログラムや各種データを格納する。

通信装置９１１は、例えば、ネットワークに接続するための通信デバイス等で構成された通信インタフェースである。また、通信装置９１１は、無線通信または有線通信のどちらに対応してもよい。

以上、本発明の実施形態に係る交通状態検出装置１のハードウェア構成例について説明した。

（３．まとめ）
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

１交通状態検出装置
１１２プローブアンテナ
１１４フリーフローアンテナ
１２１プローブデータ記憶部
１２２フリーフローデータ記憶部
１２３ＱＶデータ記憶部
１２４パラメータ記憶部
１３０ＱＶデータ作成部
１４０交通量算出部
１５０速度算出部
１５１交通量時系列変化判定部
１５２車両検知間隔判定部
１５３交通量分布判定部
１５４プローブ遅延時間判定部
１５５交通流判定部
１５６速度判定部
１６０統計情報解析部
１７０交通状態検知部

Claims

道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出する交通量算出部と、
前記所定位置に対応する第１の交通量の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布を第１の統計分布で近似して第１のパラメータを算出し、前記第１のパラメータと前記第１の頻度分布のばらつきに関するデータと、あらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出する交通量分布判定部と、
前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得る交通流判定部と、
前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定する速度判定部と、
を備える、交通状態検出装置。
前記交通量分布判定部は、自由流における前記所定位置に対応する第２の交通量の第２の頻度分布を算出し、前記第２の頻度分布を前記第１の統計分布で近似して第２のパラメータを算出し、前記第２のパラメータに基づいて自由流に対応する基準パラメータを算出する、
請求項１に記載の交通状態検出装置。
前記交通量分布判定部は、前記第２のパラメータと前記第２の頻度分布のばらつきに関するデータとの対応関係の頻度分布を第２の統計分布で近似して前記自由流に対応する基準パラメータを算出する、
請求項２に記載の交通状態検出装置。
前記交通量分布判定部は、渋滞流における前記所定位置に対応する第３の交通量の第３の頻度分布を算出し、前記第３の頻度分布を前記第１の統計分布で近似して第３のパラメータを算出し、前記第３のパラメータに基づいて渋滞流に対応する基準パラメータを算出する、
請求項１～３のいずれか一項に記載の交通状態検出装置。
前記交通量分布判定部は、前記第３のパラメータと前記第３の頻度分布のばらつきに関するデータとの対応関係の頻度分布を第３の統計分布で近似して前記渋滞流に対応する基準パラメータを算出する、
請求項４に記載の交通状態検出装置。
前記交通量分布判定部は、
自由流における前記所定位置に対応する第２の交通量の第２の頻度分布を算出し、前記第２の頻度分布を前記第１の統計分布で近似して第２のパラメータを算出し、
渋滞流における前記所定位置に対応する第３の交通量の第３の頻度分布を算出し、前記第３の頻度分布を前記第１の統計分布で近似して第３のパラメータを算出し、
前記第２のパラメータと前記第２の頻度分布のばらつきに関するデータとを含んだ学習データと自由流を示す教師ラベルとの組み合わせと、前記第３のパラメータと前記第３の頻度分布のばらつきに関するデータとを含んだ学習データと渋滞流を示す教師ラベルとの組み合わせとに基づいて、前記基準パラメータを算出する、
請求項１に記載の交通状態検出装置。
道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出する交通量算出部と、
車両速度が車載器に記録されてから車両速度取得部によって取得されるまでの第１の遅延時間の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布とあらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出する遅延時間判定部と、
前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得る交通流判定部と、
前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定する速度判定部と、
を備える、交通状態検出装置。
前記遅延時間判定部は、自由流における第２の遅延時間の所定時間ごとの第２の頻度分布を算出し、前記第２の頻度分布を第１の統計分布で近似して自由流に対応する基準パラメータを算出する、
請求項７に記載の交通状態検出装置。
前記遅延時間判定部は、渋滞流における第３の遅延時間の所定時間ごとの第３の頻度分布を算出し、前記第３の頻度分布を第１の統計分布で近似して渋滞流に対応する基準パラメータを算出する、
請求項７または８に記載の交通状態検出装置。
前記車両速度取得部は、プローブアンテナを含む、
請求項７～９のいずれか一項に記載の交通状態検出装置。
前記車両検出部は、前記車両をリアルタイムに検出する、
請求項１～１０のいずれか一項に記載の交通状態検出装置。
前記車両検出部は、フリーフローアンテナを含む、
請求項１１に記載の交通状態検出装置。
コンピュータが、
道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出することと、
前記所定位置に対応する第１の交通量の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布を第１の統計分布で近似して第１のパラメータを算出し、前記第１のパラメータと前記第１の頻度分布のばらつきに関するデータと、あらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出することと、
前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得ることと、
前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定することと、
を備える、交通状態検出方法。
コンピュータが、
道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出することと、
車両速度が車載器に記録されてから車両速度取得部によって取得されるまでの第１の遅延時間の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布とあらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出することと、
前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得ることと、
前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定することと、
を備える、交通状態検出方法。
コンピュータを、
道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出する交通量算出部と、
前記所定位置に対応する第１の交通量の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布を第１の統計分布で近似して第１のパラメータを算出し、前記第１のパラメータと前記第１の頻度分布のばらつきに関するデータと、あらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出する交通量分布判定部と、
前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得る交通流判定部と、
前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定する速度判定部と、
を備える交通状態検出装置として機能させるプログラム。
コンピュータを、
道路上の所定位置を走行する車両の検出結果を車両検出部から取得し、前記車両の検出結果に基づいて、前記所定位置に対応する交通量を算出する交通量算出部と、
車両速度が車載器に記録されてから車両速度取得部によって取得されるまでの第１の遅延時間の所定時間ごとの第１の頻度分布を算出し、前記第１の頻度分布とあらかじめ機械学習によって算出された基準パラメータとに基づいて、前記道路上の交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とを算出する遅延時間判定部と、
前記交通流状態が渋滞流である確率と、前記交通流状態が自由流である確率とに基づいて、前記交通流状態の判定結果を得る交通流判定部と、
前記交通流状態の判定結果と、前記所定位置に対応する交通量と、あらかじめ用意された交通量と車両速度との対応関係とに基づいて、前記所定位置に対応する車両速度を判定する速度判定部と、
を備える交通状態検出装置として機能させるプログラム。