文献

J-GLOBAL ID：202002270337398817   整理番号：20A0697273

車速制御による渋滞緩和への応用に向けた複数地点での交通量時系列予測手法の基礎評価

Preliminary study on time series forecasting of road traffic at multiple locations for applying to traffic congestion mitigation with adaptive vehicle speed control

著者 (3件)： 渡邊聖 (芝浦工大 大学院理工学研究科) ,  相浦龍青 (芝浦工大 工) ,  森野博章 (芝浦工大 大学院理工学研究科)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 119  号： 406(SeMI2019 99-118)(Web)  ページ： 43-44 (WEB ONLY)  発行年： 2020年01月23日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 短報  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 我々は高速道路のサグ部に代表される自然渋滞が発生しやすい箇所において,渋滞車群の手前を走行する車両が適切な速度制御を行うことで渋滞を早期に解消する手法を提案している.本手法では何らかの手段で渋滞車群の発生をなるべく早期に検出することが重要となる.これを踏まえて本研究では,同一道路の比較的距離の近い(~1km程度)複数の地点で車両平均速度を測定できる環境を仮定し,複数の地点の測定データをリアルタイムでサーバに収集し時系列予測を行うことで,最も上流に位置する地点で発生する渋滞時刻を高い精度で予測する手法について基礎的な検討を行った結果を報告する.複数の時系列データを扱う予測手法として,自己回帰モデルの一つであるVAR(Vector Auto-regression model)を利用する方法と多変量LSTM(Long Short Time Memory)を用いる方法を評価した.実際の高速道路走行車両データを使った交通流シミュレーションにより得られた速度データを対象として評価した結果,両手法ともほぼ同じ予測精度を実現できること,一つの時系列データ(この場合,予測対象の地点の過去の時系列データ)のみからARモデルや一変量LSTMを用いて予測する場合と比べて予測精度が向上することをそれぞれ確認した.(著者抄録)

シソーラス用語： *速度制御 ,  *状態 ,  *交通量 ,  *予測 ,  高速道路 ,  自己回帰モデル ,  多変数系 ,  ニューラルネットワーク ,  データ ,  精度
準シソーラス用語： *渋滞緩和 ,  *時系列予測 ,  VARモデル ,  多変量 ,  LSTM ,  時系列データ ,  予測精度

分類 (1件)： 交通管制・規制  (TB01032S)

タイトルに関連する用語 (8件)： 車速制御 ,  渋滞緩和 ,  応用 ,  交通量 ,  時系列予測 ,  手法 ,  基礎 ,  評価