JP7848866B2 - 情報処理装置、情報処理プログラム、及び情報処理方法 - Google Patents

Description

本開示は、需要変化によって突発的に発生する渋滞の延伸長を予測する情報処理装置、情報処理プログラム、及び情報処理方法に関する。

道路渋滞の発生場所、発生時間、及び渋滞長を予測して、予測情報をユーザに提供する渋滞予測サービスが知られている（例えば非特許文献１）。

ユーザが渋滞予測サービスに日時を入力すると、例えば図１９に示すような道路地図が画面に表示され、入力された日時において渋滞の発生が予測される区間が例えば矢印５０によって道路地図上に表示される。

更に、ユーザが矢印５０に対応して表示される詳細アイコン５１を選択すると、例えば図２０に示すような渋滞詳細画面５２が表示される。渋滞詳細画面５２には、渋滞区間、渋滞発生時間帯、渋滞のボトルネックとなっている場所、ピーク時の渋滞長、及び渋滞通過に要する時間等が表示される。

＜非特許文献１＞
東日本高速道路株式会社、株式会社ゼンリンデータコム、“ドライブトラフィック”
＜URL: https://www.drivetraffic.jp/.＞

こうした渋滞予測サービスでは、過去に確認された定常的（例えば１年以上）に発生する交通量増加の実績値に基づいて交通渋滞の発生を予測している。したがって、例えばドライブスルーの利用回数増加やホームセンターの訪問需要の高まりのように、コロナ禍による行動様式の変化によって新たに発生するようになった渋滞については、予測に用いることができる交通量増加の実績値の数が限られるという問題が発生する。

したがって、従来の渋滞予測サービスでは、需要の変化に伴ってこれまで定常的に渋滞が発生していなかった場所で新たな渋滞が発生すると（以降、「突発渋滞」という）、渋滞が発生し始めた段階で今後どの程度まで延伸するのか予測することは困難である。

一方で、道路に設置したカメラで撮影した渋滞画像から突発渋滞の状況を取得することも可能であるが、突発渋滞はどこで発生するか予め予測できないため、様々な場所にカメラを設置する必要があり渋滞予測コストの増加につながる。しかも、渋滞画像から突発渋滞の状況を取得した場合、必然的に渋滞が発生した後の状況を取得することになるため、渋滞画像から突発渋滞の状況を取得する方法は、事前に渋滞発生の可能性を通知する渋滞予測情報よりユーザへの情報の提供時期が遅れることになる。したがって、渋滞画像に頼らず、過去の突発渋滞に関する観測データ（以降、「学習データ」という）から突発渋滞の発生に関する予測を行うことが好ましい。本明細書内に記載した検証ではこの突発渋滞に関する観測データとして公益財団法人日本道路交通情報センター（ＪＡＲＴＩＣ）から取得した情報を用いた。

以上の内容に鑑み、従来の渋滞予測サービスで渋滞予測に利用できるほど学習データが得られていない突発渋滞が発生したとしても、突発渋滞の延伸長を予測することができる情報処理装置、情報処理プログラム、及び情報処理方法を提供することを目的とする。

本開示の第１態様は、情報処理装置であって、渋滞の始点位置及び渋滞の終点位置を含む学習データによって表される各々の渋滞区間を、前記始点位置及び前記終点位置によって表される渋滞方向毎に分類する分類部と、前記分類部で渋滞方向毎に分類された各々の渋滞区間に対して、前記始点位置と前記終点位置が予め定めた範囲内にあるような隣り合う渋滞区間をひと続きの統合渋滞区間として連結する処理を、前記予め定めた範囲内に前記隣り合う渋滞区間の前記始点位置又は前記終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間までが前記統合渋滞区間を構成する渋滞区間かを判定する判定部と、前記判定部で判定された前記統合渋滞区間を、同じ渋滞を表す前記統合渋滞区間毎に取得し、同じ渋滞を表す前記統合渋滞区間毎に、前記統合渋滞区間を、渋滞の発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎に区分された各判定区分に従って分類し、前記統合渋滞区間の延伸規模を同じ渋滞を表す統合渋滞区間毎、かつ、前記判定区分毎に設定する設定部と、を備える。

本開示の第２態様は、情報処理装置であって、発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎の各判定区分に分類された連続する同じ渋滞区間毎の延伸長から得られた渋滞区間毎、かつ、前記判定区分毎の延伸規模を用いて、指定された渋滞区間の延伸規模に偏りがあるか否かを前記判定区分毎に特定し、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択する選択部と、前記選択部で選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測する予測部と、を備える。

本開示の第３態様は、情報処理プログラムであって、コンピュータを、情報処理装置の各部として機能させる。

本開示の第４態様は、分類部、判定部、設定部、選択部及び予測部を含む情報処理装置における情報処理方法であって、前記分類部が、渋滞の始点位置及び渋滞の終点位置を含む学習データによって表される各々の渋滞区間を、前記始点位置及び前記終点位置によって表される渋滞方向毎に分類する分類ステップと、前記判定部が、渋滞方向毎に分類された各々の渋滞区間に対して、前記始点位置と前記終点位置が予め定めた範囲内にあるような隣り合う渋滞区間をひと続きの統合渋滞区間として連結する処理を、前記予め定めた範囲内に前記隣り合う渋滞区間の前記始点位置又は前記終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間までが前記統合渋滞区間を構成する渋滞区間かを判定する判定ステップと、前記設定部が、同じ渋滞を表す前記統合渋滞区間毎に、前記統合渋滞区間を、渋滞の発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎に区分された各判定区分に従って分類し、前記統合渋滞区間の延伸規模を同じ渋滞を表す統合渋滞区間毎、かつ、前記判定区分毎に設定する設定ステップと、前記選択部が、前記延伸規模を用いて、指定された渋滞区間の延伸規模に前記判定区分内での偏りがあるか否かを特定し、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択する選択ステップと、前記予測部が、選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測する予測ステップと、を含む。

本開示の情報処理装置、情報処理プログラム、及び情報処理方法によれば、従来の渋滞予測サービスで渋滞予測に利用できるほど学習データが得られていない突発渋滞が発生したとしても、突発渋滞の延伸長を予測することができる、という効果を有する。

情報処理装置の機能構成例を示す図である。 渋滞区間の一例を示す図である。 渋滞区間の連結過程例を示す図である。 分岐した渋滞区間の一例を示す図である。 曜日時間帯区分表の一例を示す図である。 就労時間帯区分表の一例を示す図である。 延伸規模判定表の一例を示す図である。 コンピュータの電気系統の要部構成例を示す図である。 予測処理の流れの一例を示すフローチャートである。 渋滞区間判定処理の流れの一例を示すフローチャートである。 延伸長予測処理の流れの一例を示すフローチャートである。 渋滞方向毎に分類した渋滞区間の延伸傾向の偏り例を示す図である。 学習データの使用割合を変化させた場合における、判定区分の組み合わせ毎のＲＭＳＥの一例を示す図である。 最も延伸長の予測精度が低かった渋滞区間に関する分析例を示す図である。 最も延伸長の予測精度が高かった渋滞区間に関する分析例を示す図である。 延伸長が“０”ではないが、相対的に延伸長の予測精度が高かった渋滞区間に関する分析例を示す図である。 道路が入り組んだ地区における渋滞区間の一例を示す図である。 道路が入り組んだ地区に関して、学習データの使用割合を変化させた場合における、判定区分の組み合わせ毎のＲＭＳＥの一例を示す図である。 既存の渋滞予測サービスにおける渋滞表示例を示す図である。 既存の渋滞予測サービスにおける渋滞詳細画面例を示す図である。

以下、本実施の形態について図面を参照しながら説明する。なお、同じ構成要素及び同じ処理には全図面を通して同じ符号を付与し、重複する説明を省略する。

図１は、本開示に係る情報処理装置１０の機能構成例を示す図である。情報処理装置１０は、時系列に沿って記録された過去の渋滞情報から今後の渋滞区間３の延伸長を予測する装置である。

渋滞情報は、予め定めた期間に亘り、例えば５分毎といった予め定めた間隔毎にその時点において発生している各々の渋滞の発生状況を時系列に沿って記録した情報である。各々の渋滞に対応する渋滞情報には、少なくとも渋滞の発生状況を記録した日時のように渋滞情報の時系列を表す時系列情報、渋滞の始点位置、及び渋滞の終点位置が含まれる。換言すれば、渋滞の発生状況を記録した情報には、例えば渋滞長といった他の情報も存在するが、本実施の形態における渋滞情報には、時系列情報、渋滞の始点位置、及び渋滞の終点位置さえ含まれていればよい。

同じ日時に記録された渋滞情報には、同じ時系列情報が含まれる。渋滞の始点位置及び終点位置は、例えば緯度及び経度を用いた二次元座標値によって表される。

情報処理装置１０は、こうした渋滞情報を用いて今後の渋滞区間３の延伸長を予測することから、以降では、時系列に沿った各々の渋滞情報を「学習データ」ということにする。

なお、本実施の形態における渋滞区間３の延伸長とは、特定の学習データによって表される渋滞区間３の渋滞長と、当該学習データと時系列に沿って隣り合う、同じ渋滞発生地点において記録された直前の学習データによって表される渋滞区間３の渋滞長との増減絶対値のことをいう。すなわち、学習データの記録間隔が５分毎であれば、５分前の渋滞区間３に対する渋滞長の増減絶対値が渋滞区間３の延伸長ということになる。

こうした情報処理装置１０は、図１に示すように渋滞分類部１１、渋滞同一性判定部１２、延伸規模設定部１３、区分選択部１４、及び延伸長予測部１５の各機能部と記憶装置１６を含む。

渋滞分類部１１は、学習データに含まれる渋滞の始点位置及び終点位置を参照して、学習データによって表される各々の渋滞区間３を渋滞方向毎に分類する。すなわち、渋滞分類部１１は、各々の学習データを渋滞方向毎に分類する分類部の一例である。

分類する渋滞方向に制約はないが、本実施の形態では一例として、学習データによって表される渋滞区間３を、西から東に向かう方向、東から西に向かう方向、南から北に向かう方向、及び北から南に向かう方向の４方向に分類する。したがって、同じ道路であっても上りと下りがあるように、反対車線同士で発生する渋滞区間３は、例えば西から東に向かう方向と東から西に向かう方向といった異なる方向に分類される。

渋滞分類部１１は、渋滞方向毎に分類した学習データを方向別学習データ情報１６Ａとして記憶装置１６に記憶する。

一方、断続的に渋滞が発生している場合、全体としてみれば１つの渋滞を形成している渋滞区間３が、細切れに分断された複数の渋滞区間３として認識されている場合がある。このような場合、各々の渋滞区間３を独立した渋滞区間３として取り扱うのではなく、ひと続きの渋滞区間３を構成する渋滞区間３の断片として取り扱うことが好ましい。

したがって、渋滞同一性判定部１２は、方向別学習データ情報１６Ａから渋滞方向毎に分類された学習データを取得し、何れの渋滞区間３までがひと続きの渋滞区間３かを判定する。このように複数の渋滞区間３によって表されるひと続きの渋滞区間３を「統合渋滞区間５」という。以降では、統合渋滞区間５を「渋滞区間５」と表す。渋滞区間５の範囲を判定する渋滞同一性判定部１２は、判定部の一例である。

渋滞同一性判定部１２は、方向別学習データ情報１６Ａから渋滞方向毎に分類された学習データを取得し、各々の学習データに含まれる渋滞の始点位置と終点位置をジオハッシュ１に変換する。

ジオハッシュ１とは予め定めた範囲の一例であり、地球上の各地域を緯度及び経度に基づいて分割した各々の分割領域のことをいう。各々のジオハッシュ１はそれぞれ異なる複数桁の記号で表され、ジオハッシュ１を表す桁数が増加するにつれて、ジオハッシュ１が表す領域の範囲が狭くなり、ジオハッシュ１の精度が高くなる。

図２は、渋滞区間３で表される渋滞の始点位置と終点位置を地図上に表示した表示例を示す図である。図２の例では、学習データに含まれる渋滞の端点、すなわち、渋滞の始点位置と終点位置が、それぞれ“ｘｎ７６ｑ４１”という記号で表されるジオハッシュ１Ａと、“ｘｎ７６ｑ２ｃ”という記号で表されるジオハッシュ１Ｂに変換された様子を表している。なお、ジオハッシュ１Ａとジオハッシュ１Ｂのように、各々のジオハッシュ１を区別して説明する場合、ジオハッシュ１の末尾にアルファベットを付加して区別する。

渋滞同一性判定部１２は、まだ渋滞区間５を構成する渋滞区間３であるか否かを判定していない学習データを選択する。渋滞同一性判定部１２は、選択した学習データによって表される渋滞区間３（「選択した渋滞区間３」という）の始点位置に対応するジオハッシュ１（「始点ジオハッシュ１」という）を渋滞の終点位置に対応するジオハッシュ１（「終点ジオハッシュ１」という）として持つような別の渋滞区間３を、選択した渋滞区間３に連結する処理を行う。すなわち、渋滞同一性判定部１２は、選択した渋滞区間３の始点ジオハッシュ１を終点ジオハッシュ１に持つような別の渋滞区間３を、選択した渋滞区間３に連結する処理を行う。その上で、渋滞同一性判定部１２は、連結した渋滞区間３を新たに選択した渋滞区間３として、選択した渋滞区間３の始点ジオハッシュ１を終点ジオハッシュ１にもつ別の渋滞区間３がなくなるまで渋滞区間３を連結する処理を再帰的に繰り返す。

また、渋滞同一性判定部１２は、選択した渋滞区間３の終点ジオハッシュ１を開始地点として、選択した渋滞区間３の終点ジオハッシュ１を始点ジオハッシュに持つ別の渋滞区間３を、選択した渋滞区間３に連結する処理を行う。その上で、渋滞同一性判定部１２は、連結した渋滞区間３を新たに選択した渋滞区間３として、選択した渋滞区間３の終点ジオハッシュ１を始点ジオハッシュ１にもつ別の渋滞区間３がなくなるまで渋滞区間３を連結する処理を再帰的に繰り返す。

以上の処理を同じ渋滞方向に分類された各々の学習データ間で行うことで、渋滞区間５が生成される。

図３は、地図上に表示した渋滞区間３の連結過程例を示す図である。図３の例では、渋滞区間３Ａに対して、渋滞区間３Ａの終点ジオハッシュ１である“ｘｎ７６ｖ２３”の記号で表されるジオハッシュ１Ｃを始点ジオハッシュ１に持つ渋滞区間３Ｂと、渋滞区間３Ｂの終点ジオハッシュ１である“ｘｎ７６ｖ０ｐ”の記号で表されるジオハッシュ１Ｄを始点ジオハッシュ１に持つ渋滞区間３Ｃと、渋滞区間３Ａの始点ジオハッシュ１である“ｘｎ７６ｖ２７”の記号で表されるジオハッシュ１Ｆを終点ジオハッシュ１に持つ渋滞区間３Ｄとが連結されることで、“ｘｎ７６ｖ８ｂ”の記号で表されるジオハッシュ１Ｇを始点ジオハッシュ１とし、“ｘｎ７６ｔｐｖ”の記号で表されるジオハッシュ１Ｅを終点ジオハッシュ１とする渋滞区間５が生成される過程を示している。

なお、図３の例では、連結する渋滞区間３同士の一方の渋滞区間３が表す渋滞の始点位置と他方の渋滞区間３が表す渋滞の終点位置が重複する例を示している。これに対して、一方の渋滞区間３が表す渋滞の始点位置と他方の渋滞区間３が表す終点位置が離れていたとしても、各々の始点位置と終点位置が同じジオハッシュ１に含まれていれば、隣り合う渋滞区間３同士を連結してもよいことは言うまでもない。また、新たに連結する渋滞区間３が表す渋滞の始点位置が他方の渋滞区間３が表す渋滞の終点位置と同じジオハッシュ１に含まれていなかったとしても、それまでの連結操作の中でひと続きの渋滞区間３とみなして連結した何れかの渋滞区間３のジオハッシュ１に含まれていれば、当該渋滞区間３を連結してもよい。

すなわち、渋滞同一性判定部１２は、渋滞方向毎に分類された各々の渋滞区間３に対して、渋滞の始点位置と渋滞の終点位置が予め定めた範囲内にあるような隣り合う渋滞区間３をひと続きの渋滞区間３として連結する処理を、予め定めた範囲内に隣り合う渋滞区間３の始点位置又は終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間３までがひと続きの渋滞を表す渋滞区間３かを判定する。

一方、図４は、地図上に表示した渋滞区間５の一例を示す図である。例えば道路が密集した都心部では、図４に示すように、渋滞区間５が１本の線で表されずに、道路の分岐点に相当する地点Ｐ３で渋滞区間５が分岐して複数の線で表されることがある。道路に分岐点が存在するということは、分岐点から分かれる一方の道路は他の道路とは別の道路として管理されていることを意味する。

したがって、分岐する渋滞区間５は、分岐点を境にして異なる渋滞区間５として取り扱うことが好ましい。

具体的には、図４に示す渋滞区間５の場合、地点Ｐ１と地点Ｐ４をつなぐ渋滞区間５Ａと、地点Ｐ３と地点Ｐ５をつなぐ渋滞区間５Ｂとに分けて取り扱うことが好ましい。

そのために、図１に示す渋滞同一性判定部１２は分割部１２Ａを含んでいる。分割部１２Ａは、渋滞区間５を構成する隣り合う渋滞区間３の方位角を用いて渋滞区間５を分割する。渋滞区間３の方位角とは、北方向を０度、東方向を９０度、南方向を１８０度、及び西方向を２７０度とした場合における渋滞区間３の進行方向を角度で表した値である。

分割部１２Ａは、渋滞区間５を構成する隣り合う渋滞区間３毎に各々の渋滞区間３の方位角の差分、すなわち、方位角差を算出する。渋滞区間３の方位角差が予め定めた角度以上である場合、分割部１２Ａは、隣り合う渋滞区間３はそれぞれ異なる渋滞区間５を構成している渋滞区間３であると判定し、当該渋滞区間３同士の連結点で渋滞区間５を分割する。

図４に示した渋滞区間５において、地点Ｐ２で隣り合う一方の渋滞区間３の方位角が２８．５４度であり、他方の渋滞区間３の方位角が５８．４９度である場合、渋滞区間３の方位角差は２９．９５度となる。また、地点Ｐ３で隣り合う一方の渋滞区間３の方位角が１８．０７度であり、他方の渋滞区間３の方位角が８１．７９度である場合、渋滞区間３の方位角差は６３．７２度となる。

したがって、渋滞区間３の方位角差の閾値を例えば４０度に設定しておけば、地点Ｐ２で隣り合う渋滞区間３はひと続きの渋滞区間５を構成しており、地点Ｐ３で隣り合う渋滞区間３は異なる渋滞区間５を構成していることが判明する。このようにして分割部１２Ａは、渋滞区間５を渋滞区間５Ａと渋滞区間５Ｂにそれぞれ分割する。なお、渋滞区間３の方位角差の閾値は一例であり、道路状況に応じて設定される。

すなわち、分割部１２Ａは、渋滞区間５を構成する隣り合う渋滞区間３の方位角の差分が予め定めた角度以上である場合、方位角の差分が予め定めた角度以上となる隣り合う渋滞区間３の連結点で、渋滞区間５を異なる２つの渋滞区間５に分割する。

このように、渋滞同一性判定部１２は分割部１２Ａと連携して、渋滞方向毎に分類された学習データに対して渋滞区間５の範囲を判定し、時系列に沿った渋滞区間５の変化から、渋滞区間５毎に延伸長を算出する。なお、渋滞区間５の延伸長は予め定めた単位、例えば１０ｍ単位で表される。

渋滞同一性判定部１２は、上記のように判定した渋滞区間５を、渋滞方向毎に分類された各々の時系列における学習データに対して実行する。その上で、渋滞同一性判定部１２は、同じ渋滞とみなすことができる渋滞区間５毎に渋滞区間５を分類し、各々の渋滞区間５に対して時系列情報と延伸長とを対応付けた情報を渋滞区間情報１６Ｂとして記憶装置１６に記憶する。なお、同じ渋滞であるか否かは、例えば同じジオハッシュ１が起点となって連結された渋滞区間５であるか否かによって判定可能である。以降では、同じジオハッシュ１が起点となって連結された渋滞区間５の集合を「同じ渋滞区間５」ということにする。

延伸規模設定部１３は、渋滞区間情報１６Ｂから同じ渋滞区間５毎に渋滞区間５を取得する。

延伸規模設定部１３は、各々の渋滞区間５における延伸傾向を取得するために、同じ渋滞区間５毎に、各々の渋滞区間５を渋滞の発生時期に従って予め定められた判定区分に分類する。判定区分とは、そこに属する渋滞区間５の延伸傾向に有意差、すなわち、偏りが見られるか否かを判定するために設ける区分であり、例えばユーザによって予め設定される。

本実施の形態では一例として、渋滞区間５を曜日区分、就労区分、及び時間帯区分の各判定区分に分類するが、その他の判定区分、例えば日付が５日及び１０日というように５の倍数になっている日とそれ以外の日で分類するような判定区分に分類してもよい。また、月毎や春夏秋冬の季節毎、及び年毎の判定区分に分類してもよい。渋滞区間５を季節毎に分類することにより、例えば２年前から春だけに発生し始めた花見客による突発渋滞のような季節性のある渋滞区間５の延伸長を予測することが容易になる。

曜日区分とは、各々の渋滞区間５が日曜から土曜までの７つの曜日の何れの曜日で発生した渋滞区間５であるかを示すための区分であり、時間帯区分とは、各々の渋滞区間５が１日を１時間毎に分割した２４個の時間帯の何れの時間帯で発生した渋滞区間５であるかを示すための区分である。また、就労区分とは、各々の渋滞区間５が平日に発生した渋滞区間であるか、それとも休日に発生した渋滞区間５であるかを示すための区分である。

そのため、延伸規模設定部１３は、曜日区分と時間帯区分の組み合わせによって区分された曜日時間帯区分表１９Ａを用いて、同じ渋滞区間５毎に、各々の渋滞区間５を１６８区分存在する曜日時間帯区分表１９Ａの何れかの区分に分類する。

図５は、曜日時間帯区分表１９Ａの一例を示す図である。例えば金曜日の７：００以降から８：００未満に発生した渋滞区間５であれば、“Ｆ７”で表される区分に分類される。

曜日時間帯区分表１９Ａを参照すれば、曜日区分毎及び時間帯区分毎に分類された渋滞区間５が得られることになる。なお、図５に示す曜日時間帯区分表１９Ａでは１日を１時間単位に分割したが、例えば２時間単位等、他の単位に分割してもよいことは言うまでもない。

また、延伸規模設定部１３は、就労区分と時間帯区分の組み合わせによって区分された就労時間帯区分表１９Ｂを用いて、同じ渋滞区間５毎に、各々の渋滞区間５を４８区分存在する就労時間帯区分表１９Ｂの何れかの区分に分類する。

図６は、就労時間帯区分表１９Ｂの一例を示す図である。例えば、休日の１４：００以降から１５：００未満に発生した渋滞区間５であれば、“Ｈ１４”で表される区分に分類される。人によって休日は異なるが、本実施の形態では土曜、日曜、及び祝日を休日と定義し、休日以外の日を平日と定義している。

就労時間帯区分表１９Ｂを参照すれば、時間帯区分毎及び就労区分毎に分類された渋滞区間５が得られることになる。なお、時間帯区分毎に分類された渋滞区間５は曜日時間帯区分表１９Ａからも得ることができるため、図６に示した就労時間帯区分表１９Ｂのように、必ずしも就労区分を時間帯毎に区分する必要はなく、単に平日か休日かの２つに区分してもよい。

このように、延伸規模設定部１３は、同じ渋滞区間５毎に、各々の渋滞区間５を判定区分に分類した情報を区分別渋滞区間情報１６Ｃとして記憶装置１６に記憶する。すなわち、区分別渋滞区間情報１６Ｃは同じ渋滞区間５毎に存在する。なお、説明の便宜上、曜日時間帯区分表１９Ａ及び就労時間帯区分表１９Ｂを総称して「区分表１９」ということがある。

一方、延伸規模設定部１３は、各々の判定区分において、同じ渋滞区間５のうち、時系列が連続する渋滞区間５毎に、渋滞区間５の延伸長を昇順又は降順に並べ、並びの中央に位置する延伸長、すなわち、延伸長の中央値を特定する。時系列が連続する渋滞区間５とは、渋滞が発生してから消滅するまでの範囲に含まれる渋滞区間５のことを指し、時系列が連続する渋滞区間５を、以降では「連続する渋滞区間５」という。

その上で、延伸規模設定部１３は、判定区分毎に延伸長の中央値の全区間平均と延伸長の中央値の標準偏差を算出し、判定区分毎に延伸規模判定表４を生成する。延伸規模判定表４とは、対応する判定区分に分類された渋滞区間５の延伸規模を判定するための表である。

図７は、延伸規模判定表４の一例を示す図である。延伸規模判定表４では延伸規模毎に判定基準が規定されている。図７に示す延伸規模判定表４の例の場合、渋滞区間５の延伸長が（延伸長中央値の全区間平均＋標準偏差）以上であれば、延伸規模が「大」に設定され、渋滞区間５の延伸長が（延伸長中央値の全区間平均－標準偏差）以上（延伸長中央値の全区間平均＋標準偏差）未満であれば、延伸規模が「中」に設定される。また、渋滞区間５の延伸長が０以上（延伸長中央値の全区間平均－標準偏差）未満であれば、延伸規模が「小」に設定される。なお、図７における「中央値の平均」とは延伸長中央値の全区間平均のことを表している。本実施の形態では、渋滞区間５の延伸規模を「大」、「中」、及び「小」の３段階に設定したが、例えば５段階や２段階というように他の粒度を設定してもよいことは言うまでもない。

渋滞区間５の延伸長は１０ｍ単位で表されるため、延伸規模設定部１３は、（延伸長中央値の全区間平均－標準偏差）及び（延伸長中央値の全区間平均＋標準偏差）を表す各々の値の１の位は切り上げる処理を行って、判定基準となる延伸長が１０ｍ単位で表されるようにする。また、（延伸長中央値の全区間平均－標準偏差）の値が０以下になった場合は、（延伸長中央値の全区間平均－標準偏差）の値を“１０”に設定する。

延伸規模設定部１３は、判定区分に分類された各々の渋滞区間５の延伸長と、当該判定区分に対応する延伸規模判定表４を比較して、渋滞区間５毎に延伸規模を特定し、最も数の多い延伸規模を当該判定区分における渋滞区間５の延伸規模に設定する。

具体的には、延伸規模設定部１３は、曜日毎や時間帯毎に発生した各々の渋滞区間５の延伸長の延伸規模を、延伸規模判定表４を参照しながら「大」、「中」、「小」の何れかに分類して「大」、「中」、「小」毎の分類件数を集計した上で、当該判定区分における延伸規模を分類件数の多数決によって「大」、「中」、「小」の何れかに決定する。最も分類件数が多かった延伸規模が２つあることもあるが、例えば月曜日における渋滞区間５の延伸規模が「小」に分類された件数と「中」に分類された件数が同率１位で共に１０件だった場合は、月曜日における渋滞区間５の延伸規模は「中」とする。「小」に分類された件数と「大」に分類された件数が同率１位だった場合は、月曜日における渋滞区間５の延伸規模を「中」とし、「中」に分類された件数と「大」に分類された件数が同率１位だった場合は、月曜日における渋滞区間５の延伸規模を「大」とする。

すなわち、延伸規模設定部１３は、渋滞区間５毎、かつ、判定区分毎に渋滞区間５の延伸規模を設定する。延伸規模設定部１３は、渋滞区間５毎、かつ、判定区分毎に設定した渋滞区間５の延伸規模を延伸規模情報１６Ｄとして記憶装置１６に記憶する。

このように、渋滞区間５毎、かつ、判定区分毎に渋滞区間５の延伸規模を設定する延伸規模設定部１３は、設定部の一例である。

区分選択部１４は、延伸長の予測対象となる渋滞区間５及び日時を含む予測依頼情報を受け付けると、延伸規模設定部１３が設定した延伸規模情報１６Ｄを用いて、予測依頼情報によって指定された渋滞区間５、すなわち、延伸長の予測対象である渋滞区間５の延伸規模に、判定区分内での偏りがあるか否かを特定する。具体的には、区分選択部１４は、指定された渋滞区間５の延伸規模に関して、曜日別、時間帯別、及び就労属性別の各判定区分の少なくとも１つに偏りが存在するか否かを特定する。

少なくとも１つの判定区分に偏りが存在する場合、区分選択部１４は、延伸規模の偏りが存在する判定区分の組み合わせに応じて、渋滞区間５の延伸長の予測に用いる判定区分を選択する。

例えば曜日区分に偏りが存在する場合、区分選択部１４は曜日区分を選択し、就労区分に偏りが存在する場合、区分選択部１４は就労区分を選択し、時間帯区分に偏りが存在する場合、区分選択部１４は時間帯区分を選択する。また、例えば曜日区分と時間帯区分に偏りが存在する場合、区分選択部１４は曜日区分と時間帯区分を選択し、就労区分と時間帯区分に偏りが存在する場合、区分選択部１４は就労区分と時間帯区分を選択する。なお、曜日区分と就労区分は共に曜日に基づいた区分であるため、曜日区分と就労区分に偏りが存在する場合、偏りの度合いが強い方の区分にのみ偏りがあるとみなせばよい。曜日区分と就労区分で偏りが同じ場合には就労区分の方を優先する。これにより、予測に使うデータ数を多くして渋滞区間５の延伸長の予測精度を向上させることが可能になる。

後述するように、区分選択部１４によって選択された判定区分は、予測依頼情報によって指定された渋滞区間５の延伸長の予測に用いられる。

すなわち、区分選択部１４は、発生時期が曜日毎、就労属性毎、及び時間帯毎の各判定区分に分類された連続する同じ渋滞区間５毎の延伸長の中央値の全区間平均と標準偏差から得られた渋滞区間毎、かつ、判定区分毎の延伸規模を用いて、指定された渋滞区間５の延伸規模に判定区分内での偏りがあるか否かを特定し、指定された渋滞区間５の延伸規模に判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する判定区分の組み合わせに応じて、渋滞区間５の延伸長の予測に用いる判定区分を選択する。

このように、渋滞区間５の延伸長の予測に用いる判定区分を選択する区分選択部１４は、選択部の一例である。

延伸長予測部１５は、区分選択部１４で選択された判定区分に従って分類されている指定された渋滞区間５に対応した各々の延伸長を区分別渋滞区間情報１６Ｃから取得し、指定された渋滞区間５の指定された日時における延伸長を予測する。

例えば区分選択部１４で選択された判定区分が曜日区分であり、予測依頼情報によって指定された日時が月曜日であったとする。この場合、延伸長予測部１５は、区分別渋滞区間情報１６Ｃを構成する指定された渋滞区間５の曜日時間帯区分表１９Ａを参照し、月曜に分類されているすべての渋滞区間５の延伸長の平均を、指定された渋滞区間５における延伸長の予測値として出力する。図５に示した曜日時間帯区分表１９Ａの例の場合、“Ｍ０”から“Ｍ２３”の区分にそれぞれ分類されている渋滞区間５の延伸長の平均値が、予測依頼情報によって指定された渋滞区間５における延伸長の予測値となる。

また、例えば区分選択部１４で選択された判定区分が時間帯区分であり、予測依頼情報によって指定された日時が１８：００以降から１９：００未満の時間帯に対応する日時であったとする。この場合、延伸長予測部１５は、区分別渋滞区間情報１６Ｃを構成する指定された渋滞区間５の曜日時間帯区分表１９Ａを参照し、１８：００以降から１９：００未満の時間帯に分類されているすべての渋滞区間５の延伸長の平均を、指定された渋滞区間５における延伸長の予測値として出力する。図５に示した曜日時間帯区分表１９Ａの例の場合、“Ｍ１８”、“Ｔｕ１８”、“Ｗ１８”、“Ｔｈ１８”、“Ｆ１８”、“Ｓａ１８”、及び“Ｓｕ１８”の区分にそれぞれ分類されている渋滞区間５の延伸長の平均値が、予測依頼情報によって指定された渋滞区間５における延伸長の予測値となる。

また、例えば区分選択部１４で選択された判定区分が曜日区分と時間帯区分であり、予測依頼情報によって指定された日時が月曜日の１８：００以降から１９：００未満の時間帯に対応する日時であったとする。この場合、延伸長予測部１５は、区分別渋滞区間情報１６Ｃを構成する指定された渋滞区間５の曜日時間帯区分表１９Ａを参照し、月曜日の１８：００以降から１９：００未満の時間帯に分類されているすべての渋滞区間５の延伸長の平均を、指定された渋滞区間５における延伸長の予測値として出力する。図５に示した曜日時間帯区分表１９Ａの例の場合、“Ｍ１８”の区分に分類されている渋滞区間５の延伸長の平均値が、予測依頼情報によって指定された渋滞区間５における延伸長の予測値となる。

このように、予測依頼情報によって指定された渋滞区間５の延伸長を予測する延伸長予測部１５は、予測部の一例である。

本実施の形態では、情報処理装置１０が記憶装置１６を含む形態について説明したが、情報処理装置１０は必ずしも記憶装置１６を含まなくてもよい。この場合、情報処理装置１０は、例えば後述する通信ユニット２７を経由して、通信回線に接続された記憶装置１６との間で各種情報の記憶及び取得を行えばよい。また、情報処理装置１０を、渋滞分類部１１、渋滞同一性判定部１２、及び延伸規模設定部１３を含む第１装置と、区分選択部１４及び延伸長予測部１５を含む第２装置に分離してもよい。第１装置は、学習データを入力として区分別渋滞区間情報１６Ｃ及び延伸規模情報１６Ｄを出力する情報処理装置１０の一例であり、第２装置は、区分別渋滞区間情報１６Ｃ、延伸規模情報１６Ｄ、及び予測依頼情報を入力として、予測依頼情報によって指定された渋滞区間５における延伸長の予測値を出力する情報処理装置１０の一例である。

なお、上記に示した例では、渋滞区間５における延伸長を予測したが、渋滞区間５の渋滞長そのものを予測することにも応用することができる。渋滞長を予測すれば、過去の渋滞情報を参照しなくても渋滞区間５の発生を車両の運転者に通知することが可能になる。

こうした機能を有する情報処理装置１０は、例えばコンピュータ２０を用いて構成される。図８は、情報処理装置１０に適用されるコンピュータ２０の電気系統の要部構成例を示す図である。

コンピュータ２０は、図１に示した情報処理装置１０の各機能部における処理を担うＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２１を含む。また、コンピュータ２０は、コンピュータ２０を情報処理装置１０として機能させる情報処理プログラムを記憶するＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２２、及びＣＰＵ２１の一時的な作業領域として使用されるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２３を含む。更に、コンピュータ２０は、不揮発性メモリ２４、及び入出力インターフェース（Ｉ／Ｏ）２５を備える。ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、不揮発性メモリ２４、及びＩ／Ｏ２５はバス２６によって各々接続される。

不揮発性メモリ２４は、不揮発性メモリ２４に供給される電力が遮断されても、記憶した情報が維持される記憶装置１６の一例であり、例えば半導体メモリが用いられるがハードディスクを用いてもよい。不揮発性メモリ２４はコンピュータ２０に必ずしも含まれなくてもよく、例えばコンピュータ２０に着脱可能な可搬型の不揮発性メモリ２４を利用してもよい。

不揮発性メモリ２４には、例えば方向別学習データ情報１６Ａ、渋滞区間情報１６Ｂ、区分別渋滞区間情報１６Ｃ、及び延伸規模情報１６Ｄが記憶される。

Ｉ／Ｏ２５には、例えば通信ユニット２７、入力ユニット２８、及び表示ユニット２９が接続される。

通信ユニット２７は、例えばインターネット及びＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）のような通信回線に接続され、同じく通信回線に接続される外部装置（図示省略）との間でデータ通信を行う通信プロトコルを備える。ＣＰＵ２１は、例えば学習データを通信ユニット２７に接続された通信回線を通じて外部装置から受信する。なお、通信ユニット２７に接続される通信回線は有線及び無線の何れであってもよい。

入力ユニット２８は、ユーザの指示を受け付け、受け付けた指示の内容をＣＰＵ２１に通知する装置であり、例えばボタン、タッチパネル、キーボード、及びマウスが用いられる。

表示ユニット２９は、ＣＰＵ２１によって処理された情報を視覚的に表示する装置の一例であり、例えば液晶ディスプレイ、又は有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイが用いられる。

情報処理装置１０がユーザの指示を通信回線経由で外部装置から受け付け、指示に従って処理した情報を通信回線経由で外部装置に送信する場合、入力ユニット２８及び表示ユニット２９が必ずしもＩ／Ｏ２５に接続されている必要はない。

次に、本開示の情報処理装置１０の作用について説明する。

図９は、情報処理装置１０のＣＰＵ２１によって実行される予測処理の流れの一例を示すフローチャートである。

予測処理を規定する情報処理プログラムは、例えば情報処理装置１０のＲＯＭ２２に予め記憶されている。情報処理装置１０のＣＰＵ２１は、ＲＯＭ２２に記憶される情報処理プログラムを読み込んで予測処理を実行する。不揮発性メモリ２４には、予め学習データが記憶されているものとする。

図９のステップＳ１０において、ＣＰＵ２１は、学習データから渋滞区間３を判定し、渋滞区間情報１６Ｂを生成する渋滞区間判定処理を実行する。

次にステップＳ２０において、ＣＰＵ２１は、ステップＳ１０で生成された渋滞区間情報１６Ｂを用いて、予測依頼情報によって指定された渋滞区間３の指定された日時における延伸長を予測する延伸長予測処理を実行して、図９に示す予測処理を終了する。

図１０は、図９に示した予測処理のステップＳ１０で実行される渋滞区間判定処理の流れの一例を示すフローチャートである。

図１０のステップＳ１００において、ＣＰＵ２１は、不揮発性メモリ２４から学習データを取得し、取得した各々の学習データを渋滞方向毎に分類する。これにより、方向別学習データ情報１６Ａが生成される。

ステップＳ１１０において、ＣＰＵ２１は、学習データの分類先となった何れか１つの渋滞方向を選択する。ステップＳ１１０で選択した渋滞方向を選択渋滞方向という。

ステップＳ１２０において、ＣＰＵ２１は、選択渋滞方向に分類されている未選択の学習データのうち、最も古い時系列情報が含まれる学習データを方向別学習データ情報１６Ａから選択する。同じ日時を表す時系列情報を含んだ学習データが複数存在する場合には、学習データが複数選択されることになる。ステップＳ１２０で選択した学習データを選択学習データという。

ステップＳ１３０において、ＣＰＵ２１は、選択学習データに含まれる渋滞の始点位置と終点位置をジオハッシュ１に変換する。

ステップＳ１４０において、ＣＰＵ２１は、ステップＳ１３０で変換されたジオハッシュ１を用いて各々の選択学習データによって表される何れの渋滞区間３がひと続きの渋滞区間３を構成している渋滞区間５かを判定し、渋滞区間５を生成する。

ステップＳ１５０において、ＣＰＵ２１は、渋滞区間５毎に渋滞区間５の長さを算出し、同じ渋滞とみなすことができる渋滞区間５毎に渋滞区間５を分類し、同じ渋滞区間５毎に渋滞区間５の長さを直前の時系列において観測された渋滞区間５の長さと比較することで、同じ渋滞区間５に含まれる各々の渋滞区間５の延伸長を算出する。ＣＰＵ２１は、各々の渋滞区間５に対して、選択学習データに含まれる時系列情報と算出した延伸長とを対応付ける。

なお、渋滞区間５の長さは、例えば予め不揮発性メモリ２４に記憶されている地図データを参照し、渋滞区間５の始点位置と終点位置をそれぞれ端点とする道路に沿った距離を算出することで得られる。また、生成した渋滞区間５に対して、直前の時系列で観測された渋滞区間５が存在しない場合、ＣＰＵ２１は、延伸長を“０”に設定すればよい。

ステップＳ１６０において、ＣＰＵ２１は、選択渋滞方向に分類された学習データの中に未選択の学習データが存在するか否かを判定し、未選択の学習データが存在する場合にはステップＳ１２０に移行してステップＳ１２０～Ｓ１６０を繰り返し実行する。これにより、選択渋滞方向に分類された学習データが時系列順に選択されることになり、選択渋滞方向における渋滞区間５毎に時系列情報と延伸長が対応付けられる。

一方、ステップＳ１６０の判定処理で未選択の学習データが存在しないと判定された場合、ステップＳ１７０に移行する。

ステップＳ１７０において、ＣＰＵ２１は、学習データが分類された渋滞方向の中に未選択の渋滞方向が存在するか否かを判定し、未選択の渋滞方向が存在する場合にはステップＳ１１０に移行してステップＳ１１０～Ｓ１７０を繰り返し実行する。これにより、すべての渋滞方向の渋滞区間５毎に時系列情報と延伸長が対応付けられ、渋滞区間情報１６Ｂが生成される。

以上により、図１０に示す渋滞区間判定処理を終了する。

一方、図１１は、図９に示した予測処理のステップＳ２０で実行される延伸長予測処理の流れの一例を示すフローチャートである。

図１１のステップＳ２００において、ＣＰＵ２１は、渋滞区間情報１６Ｂから同じ渋滞区間５を選択する。ステップＳ２００で選択した渋滞区間５を選択渋滞区間５という。

ステップＳ２１０において、ＣＰＵ２１は、選択渋滞区間５を区分表１９に従って分類し、区分別渋滞区間情報１６Ｃを生成する。

ステップＳ２２０において、ＣＰＵ２１は、判定区分に分類された渋滞区間５の延伸長から算出された延伸長の中央値の全区間平均と延伸長の中央値の標準偏差を用いて、判定区分毎に延伸規模判定表４を生成する。

ステップＳ２３０において、ＣＰＵ２１は、各々の判定区分に分類された渋滞区間５のうち、連続する渋滞区間５毎の延伸長と、連続する渋滞区間５の分類先の判定区分における延伸規模判定表４を比較し、連続する渋滞区間５の延伸長が何れの延伸規模に分類されるか判定する。その上で、ＣＰＵ２１は、最も多くの延伸長が分類された延伸規模を当該判定区分における渋滞区間５の延伸規模に設定する。なお、最も多くの延伸長が分類された延伸規模が複数存在する場合、ＣＰＵ２１は、予め定めたルールに基づいて判定区分における渋滞区間５の延伸規模を設定する。例えば延伸規模の分類件数が「小」と「中」、又は「中」と「大」で同率１位だった場合は、延伸規模が大きい方を採用し、延伸規模の分類件数が「大」と「小」で同率１位だった場合は、「大」と「小」の間の延伸規模である「中」を採用する。すなわち、ＣＰＵ２１は、選択渋滞区間５に対して、渋滞区間５の延伸規模を判定区分毎に設定する。

ステップＳ２４０において、ＣＰＵ２１は、渋滞区間情報１６Ｂの中に未選択の渋滞区間５が存在するか否かを判定し、未選択の渋滞区間５が存在する場合にはステップＳ２００に移行してステップＳ２００～Ｓ２４０を繰り返し実行する。これにより、学習データに基づいた渋滞区間５毎、かつ、判定区分毎における渋滞区間５の延伸規模が得られる。

ステップＳ２５０において、ＣＰＵ２１は、延伸長の予測対象である渋滞区間５、すなわち、予測対象渋滞区間６の延伸規模に偏りがあるか否かを判定区分毎に特定する。

具体的には、ＣＰＵ２１は、判定区分における予測対象渋滞区間６の延伸規模がすべて同じであれば偏りが存在しないと判定し、少なくとも１つの延伸規模が他の延伸規模と異なれば、偏りが存在すると判定する。なお、判定区分における偏りの有無の判定はこれに限らず、他の方法によって判定してもよいことは言うまでもない。

ステップＳ２６０において、ＣＰＵ２１は、ステップＳ２５０で偏りが存在すると判定した判定区分の組み合わせを選択する。なお、偏りが存在する判定区分がなければ、ＣＰＵ２１は何れの判定区分も選択しない。この場合、全曜日及び全時間帯における渋滞区間５を参照して渋滞区間５の延伸長を予測することとなる。

ＣＰＵ２１は、選択した判定区分において、予測対象渋滞区間６の指定された日時に対応する区分に分類されているすべての渋滞区間５の延伸長の平均を、予測対象渋滞区間６の指定された日時における延伸長として予測する。その上で、ＣＰＵ２１は、予測した延伸長を出力する。

ユーザが情報処理装置１０で予測された延伸長を認識することができる形態であれば、ＣＰＵ２１は、予測した延伸長をどのような形態で出力してもよい。例えばＣＰＵ２１は、表示ユニット２９に予測した延伸長を表示してもよく、通信ユニット２７を経由して通信回線に接続された外部装置に予測した延伸長を送信してもよい。また、ＣＰＵ２１は、用紙に予測した延伸長を印刷してもよく、不揮発性メモリ２４に予測した延伸長を記憶してもよい。予測した延伸長が一定以上になる場合は、道路案内ナビゲーションにおける案内ルートを、渋滞区間５を迂回する迂回経路に変更するような活用も考えられる。

以上により、図１１に示す延伸長予測処理を終了すると同時に、図９に示した予測処理を終了する。

＜検証結果＞
次に、本実施の形態に係る情報処理装置１０を用いて予測した渋滞区間５の延伸長の検証結果を示す。

本検証を行うため、予め定めた検証地区Ａにおける２０１９年１０月から２０２１年２月までの学習データを公益財団法人日本道路交通情報センター（ＪＡＲＴＩＣ）の渋滞情報から収集し、学習データの数を変えて生成した各々の延伸規模情報１６Ｄを用いて予測した渋滞区間５の延伸長と、実際の渋滞区間５の延伸長との比較を行った。図１４、図１５、図１６、及び図１７で地図上に図示した渋滞区間５は公益財団法人日本道路交通情報センター（ＪＡＲＴＩＣ）から取得した渋滞情報を用いて学習した学習結果である。

具体的には、延伸規模情報１６Ｄを用いて予測した渋滞区間５の延伸長、すなわち、渋滞区間５の予測延伸長と、実際の渋滞区間５の延伸長、すなわち、渋滞区間５の実延伸長とのＲＭＳＥを算出して、情報処理装置１０における渋滞区間５の予測精度を評価した。

ＲＭＳＥとは“Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ”の略称である。ＲＭＳＥは、渋滞区間５の予測延伸長と渋滞区間５の実延伸長との差分の二乗平均平方根で表される精度評価指標の一例であり、（１）式によって算出される。

（１）式において、“ｎ”は渋滞区間５の予測延伸長数、“ｋ”は予測延伸長数のインデックス、“ｆ_ｋ”はｋ番目の予測延伸長、及び“ｙ_ｋ”はｋ番目の実延伸長を表す。

（１）式からわかるように、ＲＭＳＥは、値が０に近づくにつれて予測精度が高いことを表す精度評価指標である。

情報処理装置１０が検証地区Ａの渋滞情報を表す学習データを渋滞方向別に分類し８桁のジオハッシュ１を用いて渋滞区間５を判定したところ、６３個の渋滞区間５に分類された。

図１２は、６３個の渋滞区間５を渋滞方向別にまとめ、延伸傾向に偏りが存在する渋滞区間５の数の一例を判定区分毎に示した図である。

図１２における各欄の数値の分母は、行方向に対応した渋滞方向に分類された渋滞区間５の数を表し、数値の分子は、各々の渋滞方向において、列方向に対応した判定区分に偏りがみられる渋滞区間５の数を表している。

また、図１３は、学習データの使用割合を１０％から１００％まで１０％間隔で変化させながら渋滞区間５の延伸長を予測した場合における、延伸傾向の偏りを考慮した判定区分の組み合わせ毎のＲＭＳＥの一例を示す図である。なお、渋滞区間５の延伸長をすべて“０”に設定した場合のＲＭＳＥは“１６３．７２４５”であった。なお、ＲＭＳＥの単位はメートルである。

図１３に示すＲＭＳＥの例によれば、渋滞区間５の延伸長の予測に用いる学習データの使用割合が全学習データのうち古い方から１０％から４０％までの範囲では、延伸傾向の偏りを考慮せずに渋滞区間５の延伸長を予測するよりも、延伸傾向の偏りを考慮して渋滞区間５の延伸長を予測した方が延伸長の予測精度が高くなる傾向が見られる。すなわち、渋滞区間５の延伸長の予測に用いる学習データの数が少なくなるにつれて、延伸傾向の偏りを考慮して渋滞区間５の延伸長を予測した方が延伸長の予測精度が高くなることが示されている。

次に、６３個に分類された渋滞区間５のうち、相対的にＲＭＳＥが低い渋滞区間５、すなわち、低予測精度の渋滞区間５の特徴と、相対的にＲＭＳＥが高い渋滞区間５、すなわち、高予測精度の渋滞区間５の特徴について分析する。

図１４は、６３個に分類された渋滞区間５のうち、最も延伸長の予測精度が低かった渋滞区間５に関する分析例を示す図である。

図１４に示す分析対象の渋滞区間５は、東から西に向かう渋滞区間５であり、“ｘｎ７６ｓ７６ｇ”のジオハッシュ１に含まれる渋滞区間５であった。また、図１４に示す分析対象の渋滞区間５における延伸規模毎の渋滞発生数は、「小」が５０件、「中」が２４件、及び「大」が１０５件であり、ＲＭＳＥは“３９９．４”となった。

図１４における分析対象の渋滞区間５では、１０００ｍを超える延伸長が１８：００以降から２１：００未満の時間帯で発生したことにより、曜日毎及び時間帯毎の延伸傾向の偏りを考慮した場合における渋滞区間５の予測延伸長の誤差が相対的に大きくなり、ＲＭＳＥが高くなったものと考えられる。すなわち、他の渋滞区間５に比べて１０００ｍを超える延伸長を有する渋滞が発生しやすい渋滞区間５では、延伸長の予測精度が低下する傾向が見られる。

図１５は、６３個に分類された渋滞区間５のうち、最も延伸長の予測精度が高かった渋滞区間５に関する分析例を示す図である。

図１５に示す分析対象の渋滞区間５は、北から南に向かう渋滞区間５であり、“ｘｎ７６ｓｖｅｆ”のジオハッシュ１に含まれる渋滞区間５であった。また、図１５に示す分析対象の渋滞区間５における延伸規模毎の渋滞発生数は、「小」が８９件、「中」が０件、及び「大」が０件であり、ＲＭＳＥは“０．０”となった。

図１５における分析対象の渋滞区間５では、渋滞発生数が８９件しかなく、図１４に示した分析対象の渋滞区間５の渋滞発生数に比べて半分以下である。しかも、図１５における分析対象の渋滞区間５の延伸長は何れも“０”であり、渋滞区間５の延伸規模は全て「小」に分類された。すなわち、渋滞発生数が少なく、かつ、渋滞区間５の延伸長が“０”に近づく渋滞区間５であるほど、延伸長の予測精度が高くなる傾向が見られる。

一方、渋滞区間５の中には、渋滞区間５の延伸長が“０”ではないが、他の渋滞区間５に比べて延伸長の予測精度が高くなる渋滞区間５が存在する。

図１６は、このような渋滞区間５に関する分析例を示す図である。図１６に示す分析対象の渋滞区間５は、西から東に向かう渋滞区間５であり、“ｘｎ７６ｕｂｇｙ”のジオハッシュ１に含まれる渋滞区間５であった。また、図１６に示す分析対象の渋滞区間５における延伸規模毎の渋滞発生数は、「小」が４９６件、「中」が１６０８件、及び「大」が１１４３件であり、ＲＭＳＥは“７９．４”となった。

図１６における分析対象の渋滞区間５では、渋滞が平日の８：００以降から１８：００未満の時間帯に発生しており、渋滞発生数が図１４及び図１５に示した各々の分析対象の渋滞区間５より多く、延伸規模が「中」の渋滞区間５が最も多いという延伸傾向が見られた。すなわち、延伸規模が「中」に分類される渋滞が発生しやすく、延伸が発生する時間帯や曜日に偏りがあるため、渋滞区間５では、延伸長の予測精度が高くなる傾向が見られたと考えられる。

なお、図１６に示す渋滞区間５は道路を表す点線７に沿って表示されることが好ましいが、学習データに含まれる渋滞区間３の開始位置及び終点位置の誤差によって、渋滞区間５が点線７からずれて表示されている。

ここまで、検証地区Ａにおいて予測した渋滞区間５の延伸長の検証結果について説明した。次に、検証地区Ａとは異なる検証地区Ｂにおいて予測した渋滞区間５の延伸長の検証結果について説明する。

検証地区Ｂにおける学習データの収集期間は、検証地区Ａにおける学習データの収集期間と同じであるが、同期間に収集された検証地区Ｂにおける学習データの数は、検証地区Ａにおける学習データの数の約６．７倍であった。また、検証地区Ｂは、検証地区Ａよりも道路が入り組んだ地区である。

情報処理装置１０が検証地区Ｂの渋滞情報を表す学習データを渋滞方向別に分類し８桁のジオハッシュ１を用いて渋滞区間５を判定したところ、２０４個の渋滞区間５に分類された。しかしながら、分類された２０４個の渋滞区間５のうち、２５個に分岐点が存在した。

図１７は、検証地区Ｂにおける渋滞区間５の一例を示す図である。図１７に示す渋滞区間５は、分岐点に相当する地点Ｐ６、Ｐ７及びＰ８を含む。

地点Ｐ６で隣り合う一方の渋滞区間３の方位角が１５．２１度であり、他方の渋滞区間３の方位角が７４．７６度である場合、渋滞区間３の方位角差は５９．５５度となる。地点Ｐ７で隣り合う一方の渋滞区間３の方位角が６２．２８度であり、他方の渋滞区間３の方位角が６．６４度である場合、渋滞区間３の方位角差は５５．６４度となる。また地点Ｐ８で隣り合う一方の渋滞区間３の方位角が６．６４度であり、他方の渋滞区間３の方位角が８０．０６度である場合、渋滞区間３の方位角差は７３．４２度となる。

したがって、渋滞区間３の方位角差の閾値が例えば４０度に設定されている場合、図１７に示す渋滞区間５は３つの渋滞区間５に分割される。

なお、渋滞区間３の方位角差の閾値は、例えば異なる渋滞区間５を構成している渋滞区間３同士の方位角差のうち、最小の方位角差よりも小さい角度に設定すればよい。

渋滞区間５の分割によって、検証地区Ｂにおける渋滞区間５は２３５個の渋滞区間５に分類された。

図１８は、学習データの使用割合を古い方から１０％から１００％まで１０％間隔で変化させながら渋滞区間５の延伸長を予測した場合における、延伸傾向の偏りを考慮した判定区分の組み合わせ毎のＲＭＳＥの一例を示す図である。なお、渋滞区間５の延伸長をすべて“０”に設定した場合のＲＭＳＥは“１７９．８０４８”であった。

図１８に示すＲＭＳＥの例によれば、渋滞区間５の延伸長の予測に用いる学習データの使用割合が全学習データのうち古い方から１０％の場合、延伸傾向の偏りを考慮せずに渋滞区間５の延伸長を予測するよりも、延伸傾向の偏りを考慮して渋滞区間５の延伸長を予測した方が延伸長の予測精度が高くなることが示されている。

なお、図１３に示した検証地区ＡにおけるＲＭＳＥの例では、渋滞区間５の延伸長の予測に用いる学習データの使用割合が全学習データのうち古い方から１０％から４０％までの範囲で、延伸傾向の偏りを考慮せずに渋滞区間５の延伸長を予測するよりも、延伸傾向の偏りを考慮して渋滞区間５の延伸長を予測した方が延伸長の予測精度が高くなる傾向を示した。これは、検証地区Ｂで収集された学習データの数が、検証地区Ａで収集された学習データの数よりも多いことに由来する現象である。

すなわち、渋滞区間５の延伸長の予測に用いる学習データの数が少ないほど、延伸傾向の偏りを考慮して渋滞区間５の延伸長を予測した方が延伸長の予測精度が高くなるという検証地区Ａにおける検証結果と同じ傾向が検証地区Ｂの検証結果にも現れている。

以上、情報処理装置１０の一形態について説明したが、開示した情報処理装置１０の形態は一例であり、情報処理装置１０の形態は本実施の形態に記載の範囲に限定されない。本開示の要旨を逸脱しない範囲で本実施の形態に多様な変更又は改良を加えることができ、当該変更又は改良を加えた形態も開示の技術的範囲に含まれる。例えば、本開示の要旨を逸脱しない範囲で、図１０に示した渋滞区間判定処理及び図１１に示した延伸長予測処理を含む予測処理の順序を変更してもよい。

また、本開示では、一例として予測処理をソフトウェアで実現する形態について説明した。しかしながら、図１０及び図１１に示したフローチャートと同等の処理を、例えばＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）に実装し、ハードウェアで処理させるようにしてもよい。この場合、予測処理をソフトウェアで実現する場合と比較して処理の高速化が図られる。

このように、情報処理装置１０のＣＰＵ２１を例えばＡＳＩＣ、ＦＰＧＡ、ＰＬＤ、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、及びＦＰＵ（Ｆｌｏａｔｉｎｇ Ｐｏｉｎｔ Ｕｎｉｔ）といった特定の処理に特化した専用のプロセッサに置き換えてもよい。

予測処理は１つのＣＰＵ２１によって実現される形態の他、複数のＣＰＵ２１、又はＣＰＵ２１とＦＰＧＡとの組み合わせというように、同種又は異種の２つ以上のプロセッサの組み合わせで実行してもよい。

更に、予測処理は、例えばインターネットで接続された物理的に離れた場所に存在するプロセッサの協働によって実現されるものであってもよい。

また、本実施の形態では、情報処理装置１０のＲＯＭ２２に情報処理プログラムが記憶されている例について説明したが、情報処理プログラムの記憶先はＲＯＭ２２に限定されない。本開示の情報処理プログラムは、コンピュータ２０で読み取り可能な記憶媒体に記録された形態で提供することも可能である。例えば情報処理プログラムをＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）及びＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）のような光ディスクに記録した形態で提供してもよい。また、情報処理プログラムを、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ及びメモリカードのような可搬型の半導体メモリに記録した形態で提供してもよい。

ＲＯＭ２２、不揮発性メモリ２４、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢ、及びメモリカードは非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体の一例である。

更に、情報処理装置１０は、通信ユニット２７を通じて外部装置から情報処理プログラムをダウンロードし、ダウンロードした情報処理プログラムを、例えば不揮発性メモリ２４に記憶してもよい。この場合、情報処理装置１０は、外部装置からダウンロードした情報処理プログラムを読み込んで予測処理を実行する。

本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

上記に示した実施の形態に関し、更に以下の付記を開示する。

（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
渋滞の始点位置及び渋滞の終点位置を含む学習データによって表される各々の渋滞区間を、前記始点位置及び前記終点位置によって表される渋滞方向毎に分類し、
渋滞方向毎に分類された各々の渋滞区間に対して、前記始点位置と前記終点位置が予め定めた範囲内にあるような隣り合う渋滞区間をひと続きの統合渋滞区間として連結する処理を、前記予め定めた範囲内に前記隣り合う渋滞区間の前記始点位置又は前記終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間までが前記統合渋滞区間を構成する渋滞区間かを判定し、
前記統合渋滞区間を、同じ渋滞を表す前記統合渋滞区間毎に取得し、同じ渋滞を表す前記統合渋滞区間毎に、前記統合渋滞区間を、渋滞の発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎に区分された各判定区分に従って分類し、前記統合渋滞区間の延伸規模を同じ渋滞を表す統合渋滞区間毎、かつ、前記判定区分毎に設定するように構成されている情報処理装置。

（付記項２）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎の各判定区分に分類された連続する同じ渋滞区間毎の延伸長から得られた渋滞区間毎、かつ、前記判定区分毎の延伸規模を用いて、指定された渋滞区間の延伸規模に偏りがあるか否かを前記判定区分毎に特定し、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択し、
選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測するように構成されている情報処理装置。

（付記項３）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
渋滞の始点位置及び渋滞の終点位置を含む学習データによって表される各々の渋滞区間を、前記始点位置及び前記終点位置によって表される渋滞方向毎に分類し、
渋滞方向毎に分類された各々の渋滞区間に対して、前記始点位置と前記終点位置が予め定めた範囲内にあるような隣り合う渋滞区間をひと続きの統合渋滞区間として連結する処理を、前記予め定めた範囲内に前記隣り合う渋滞区間の前記始点位置又は前記終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間までが前記統合渋滞区間を構成する渋滞区間かを判定し、
前記統合渋滞区間を、同じ渋滞を表す前記統合渋滞区間毎に取得し、同じ渋滞を表す前記統合渋滞区間毎に、前記統合渋滞区間を、渋滞の発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎に区分された各判定区分に従って分類し、前記統合渋滞区間の延伸規模を同じ渋滞を表す統合渋滞区間毎、かつ、前記判定区分毎に設定し、
前記延伸規模を用いて、指定された渋滞区間の延伸規模に前記判定区分内での偏りがあるか否かを特定して、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択し、
選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測するように構成されている情報処理装置。

（付記項４）
コンピュータに、
渋滞の始点位置及び渋滞の終点位置を含む学習データによって表される各々の渋滞区間を、前記始点位置及び前記終点位置によって表される渋滞方向毎に分類し、
渋滞方向毎に分類された各々の渋滞区間に対して、前記始点位置と前記終点位置が予め定めた範囲内にあるような隣り合う渋滞区間をひと続きの統合渋滞区間として連結する処理を、前記予め定めた範囲内に前記隣り合う渋滞区間の前記始点位置又は前記終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間までが前記統合渋滞区間を構成する渋滞区間かを判定し、
前記統合渋滞区間を、同じ渋滞を表す前記統合渋滞区間毎に取得し、同じ渋滞を表す前記統合渋滞区間毎に、前記統合渋滞区間を、渋滞の発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎に区分された各判定区分に従って分類し、前記統合渋滞区間の延伸規模を同じ渋滞を表す統合渋滞区間毎、かつ、前記判定区分毎に設定する処理を実行させるための情報処理プログラム。

（付記項５）
コンピュータに、
発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎の各判定区分に分類された連続する同じ渋滞区間毎の延伸長から得られた渋滞区間毎、かつ、前記判定区分毎の延伸規模を用いて、指定された渋滞区間の延伸規模に偏りがあるか否かを前記判定区分毎に特定し、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択し、
選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測する処理を実行させるための情報処理プログラム。

（付記項６）
予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記予測処理が、
渋滞の始点位置及び渋滞の終点位置を含む学習データによって表される各々の渋滞区間を、前記始点位置及び前記終点位置によって表される渋滞方向毎に分類する分類ステップと、
渋滞方向毎に分類された各々の渋滞区間に対して、前記始点位置と前記終点位置が予め定めた範囲内にあるような隣り合う渋滞区間をひと続きの統合渋滞区間として連結する処理を、前記予め定めた範囲内に前記隣り合う渋滞区間の前記始点位置又は前記終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間までが前記統合渋滞区間を構成する渋滞区間かを判定する判定ステップと、
同じ渋滞を表す前記統合渋滞区間毎に、前記統合渋滞区間を、渋滞の発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎に区分された各判定区分に従って分類し、前記統合渋滞区間の延伸規模を同じ渋滞を表す統合渋滞区間毎、かつ、前記判定区分毎に設定する設定ステップと、
前記延伸規模を用いて、指定された渋滞区間の延伸規模に前記判定区分内での偏りがあるか否かを特定し、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択する選択ステップと、
選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測する予測ステップと、
を含む非一時的記憶媒体。

Claims (6)

1. 渋滞方向毎に分類された各々の渋滞区間に対して、渋滞の始点位置と終点位置が予め定めた範囲内にあるような断続的に発生している各々の渋滞区間をひと続きの統合渋滞区間として連結する処理を、前記予め定めた範囲内に渋滞区間の前記始点位置又は前記終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間までが前記統合渋滞区間を構成する渋滞区間かを判定する判定部と、
   同じ渋滞を表す前記統合渋滞区間毎に、前記統合渋滞区間を、渋滞の発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎に区分された各判定区分に従って分類し、前記統合渋滞区間の延伸規模を同じ渋滞を表す統合渋滞区間毎、かつ、前記判定区分毎に設定する設定部と、
   前記延伸規模を用いて、指定された渋滞区間の延伸規模に前記判定区分内での偏りがあるか否かを特定し、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択する選択部と、
   選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測する予測部と、
   を備えた情報処理装置。
2. 発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎の各判定区分に分類された連続する同じ渋滞区間毎の延伸長から得られた渋滞区間毎、かつ、前記判定区分毎の延伸規模を用いて、指定された渋滞区間の延伸規模に偏りがあるか否かを前記判定区分毎に特定し、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択する選択部と、
   前記選択部で選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測する予測部と、
   を備えた情報処理装置。
3. 前記予測部は、前記指定された渋滞区間の延伸規模に偏りが存在するすべての前記判定
   区分の組み合わせのうち、前記指定された日時に対応した前記判定区分の組み合わせに含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の前記指定された日時における延伸長を予測する
   請求項２に記載の情報処理装置。
4. 前記判定部は、前記統合渋滞区間の始点の位置を道路上の特定の位置に限定することなく前記統合渋滞区間を構成する渋滞区間の判定を行う
   請求項１に記載の情報処理装置。
5. コンピュータを、請求項１～請求項４の何れか１項に記載の情報処理装置の各部として機能させるための情報処理プログラム。
6. 分類部、判定部、設定部、選択部及び予測部を含む情報処理装置における情報処理方法であって、
   前記分類部が、渋滞の始点位置及び渋滞の終点位置を含む学習データによって表される各々の渋滞区間を、前記始点位置及び前記終点位置によって表される渋滞方向毎に分類する分類ステップと、
   前記判定部が、渋滞方向毎に分類された各々の渋滞区間に対して、前記始点位置と前記終点位置が予め定めた範囲内にあるような渋滞区間をひと続きの統合渋滞区間として連結する処理を、前記予め定めた範囲内に渋滞区間の前記始点位置又は前記終点位置がなくなるまで再帰的に繰り返すことで、何れの渋滞区間までが前記統合渋滞区間を構成する渋滞区間かを判定する判定ステップと、
   前記設定部が、同じ渋滞を表す前記統合渋滞区間毎に、前記統合渋滞区間を、渋滞の発生時期が曜日毎、平日か休日かを表す就労属性毎、及び時間帯毎に区分された各判定区分に従って分類し、前記統合渋滞区間の延伸規模を同じ渋滞を表す統合渋滞区間毎、かつ、前記判定区分毎に設定する設定ステップと、
   前記選択部が、前記延伸規模を用いて、指定された渋滞区間の延伸規模に前記判定区分内での偏りがあるか否かを特定し、前記指定された渋滞区間の延伸規模に前記判定区分内での偏りが存在する場合には、延伸規模の偏りが存在する前記判定区分の組み合わせに応じて、渋滞区間の延伸長の予測に用いる前記判定区分を選択する選択ステップと、
   前記予測部が、選択された前記判定区分に含まれる前記指定された渋滞区間の延伸長を用いて、前記指定された渋滞区間の指定された日時における延伸長を予測する予測ステップと、
   を含む情報処理方法。