スライド 1

Size: px

Start display at page:

Download "スライド 1"

しげのぶなぐも
5 years ago
Views:

1 移動体観測を活用した交通 NW のリアルタイムマネジメントに向けて : プローブカーデータを用いた動的 OD 交通量のリアルタイム推定名古屋大学山本俊行

2 背景 : マルチモード経路案内システム PRONAVI 2

3 プローブカーデータの概要プローブカー : タクシー 157 台蓄積用データ収集期間 : 22 年 1 月 ~3 月,1 月 ~23 年 3 月データ送信はイベントベース : 車両発進停止 3m 走行蓄積 DB 各リンクごとの時刻別平均旅行時間リンク A リンク B リンク C h:mm~h:mm h:mm ~h:mm h:mm ~h:mm

4 技術的特長 2 蓄積情報とリアルタイム情報の融合リアルタイムプローブデータによる更新 5 分毎に更新されるリアルタイムプローブデータ ( リンク旅行時間 ) ARモデルにより以降のリンク旅行時間を予測 3 分前までのリアルタイムデータを基に直近 3 分を予測旅行時間リアルタイム旅行時間リアルタイム予測旅行時間旅行時間テーブル予測時間時刻 4

5 目標 : 中期所要時間予測ある日の朝のプローブデータを蓄積した日々のプローブデータと比較することで, ある日の午後のリンク所要時間を予測できるか? 日々のプローブデータ OD 推計ある日の朝のプローブデータ OD 推計データマイニング的手法だけ ( 何の先験的知識も用いない ) より, 理論的モデル ( 交通工学的知識の活用 ) を組み入れた方が予測精度が向上するか? 日々の動的 OD 交通量ある日の朝の動的 OD 交通量最も近い動的 OD 交通量を見つける日々の動的 OD 交通量の変動に関する知見自体も面白い? ある日の昼の所要時間予測 5

6 目的 : プローブカーデータを用いた動的 OD 交通量のリアルタイム推定従来の研究 : プローブカーデータから, 経路選択確率を用いる問題点 : 目的地に到着するまで使えないタクシー等は母集団を代表しないプローブデータからリンク所要時間を用いる 6

7 リンク所要時間をリンク交通量に変換 k-v 曲線 ( リンク交通量とリンク旅行速度の関係 ) 追従理論における非線形モデル (Gazis ら ) から導出 v = f ( k) = v f exp α k C n 1 1 v v f α,n k C : 旅行速度 : 自由走行時の旅行速度 : 定数 : 交通密度 : 設計交通容量名古屋市で収集されたプローブカーデータ ( 旅行速度 ) とトラカンデータ ( 交通量 ) より n v,, を推定 f α 速度 v(km/h) v (km/h) 観測旅行速度推定リンクコスト関数 k/c ポイント : 同一の交通量でも個々の車両の速度はバラツク 7

8 ポイント : 同一の交通量でも個々の車両の速度はバラツク観測の信頼性を考慮した OD 交通量推定 vi = v + e = f ( k) = v f exp α vi: 個々の車両の速度 v: 平均速度 e: 個々の車両の速度のばらつき v リンク所要時間からリンク交通量への変換方法 k C n 1 第 1 手法 : 個々の車両のばらつきを考慮しない第 2 手法 : ばらつきは一定の分散を持つ正規分布にしたがう第 3 手法 : ばらつきは速度が速いほど分散が大きい 8

9 リンクコスト関数の推定結果 1) 高速道路 (Drake 式に近い ) v = ( v v =.922 exp.443 ) exp. max 282 k C.94 v (km/h) 速度 v(km/h) 1 2) 一般多車線道路 (Underwood 式に近い ) 3) 一般 2 車線道路 (Underwood 式に近い ) k C 2.37 k-v 曲線 ( 一般多車線道路の場合 ) 観測旅行速度推定リンクコスト関数 v =.81 exp.2 k C k/c 9

10 第 1 手法 : プローブカーの旅行速度のみからリンク交通量を推定速度 v プローブカー ˆv 1 ˆv 2 q q2 = k2 ˆv 1 = k1 ˆv 1 q i = k i vˆ i 2 q の平均推定リンク交通量 vˆi k1 k 2 ki 交通密度 k 抽出されたサンプル数 : 観測データの信頼性を表す指標 1

11 第 2 手法 : ベイズの定理より, プローブカー観測時におけるリンクの速度分布を考慮速度観測データに基づく旅行速度の事前分布 N 2 ( µ,σ ) 観測旅行速度推定リンクコスト関数観測された速度が従う分布: 標本分布 N ベイズの定理速度の事後分布 µ N 2 ( µ,σ 1 1 ) + ( vˆ ) P v i ( vi ) P( vˆ vi ) ( v ) P( vˆ v ) 2 ( µ,σ ) 2 2 σ µ nσ µ = 2 2, σ 1 = σ + nσ σ + nσ = v i P P i i k-v 曲線と乱数シミュレーションより交通密度の分布を求め, 推定リンク交通量の事後分布を計算 ˆv 1 vˆi 平均 : 推定リンク交通量標準偏差 : 信頼性を表す指標交通密度 11

12 第 3 手法 : ベイズの定理より, プローブカー観測時におけるリンクの交通密度分布を考慮速度が大きいときほど, 観測される速度のデータのばらつきが観測旅行速度大きくなると仮定し,k-v 曲線を推定交通密度が ki である確率とその時 vˆ 観測データに基づく i が観測推定リンクコスト関数交通密度 k の分布を考慮される確率を計算 P( ki ) P ( ) ( vˆ ki ) ベイズの定理 P ki vˆ = P k P vˆ k 速度 ˆv 1 vˆi ( ˆ k ) P v 1 1 P( vˆ i k 1 ) P( vˆ 1 k i ) ( ) P vˆ i k i k 交通密度の事後分布 k i ( ) ( ) k-v 曲線と乱数シミュレーションより速度の分布を求め, 推定リンク交通量の事後分布を計算平均 : 推定リンク交通量標準偏差 : 信頼性を表す指標 i i k1 P( k 1 ) P( k i ) ki 交通密度 12

13 動的 OD 交通量の推定方法 -Willumsen(1984), 加藤ら (23) を改良 - 初期 OD 交通量シミュレーションリンク利用率 : ある時刻 hr に起点 i を出発して終点 jに向かう交通量のうち時刻 hにリンク l を通過した割合リンク利用率 OD 交通量観測リンク交通量プローブ情報の信頼性各 OD 交通量の修正量を計算推定 OD 交通量 13

14 プローブ情報の信頼性の考慮 Adj( i, j, ts) = l, t ErrLink( l, i, j, t, ts) l, t δ TSimQ δ TSimQ ObsQ( l, t) 1 ProbeQ _ sd( l, t) ObsQ( l, t) 1 ProbeQ _ sd( l, t) Adj:OD(i,j) の時間帯 ts に出発した交通量の補正量 ErrLink: リンク l の観測リンク交通量と再現リンク交通量の差分を OD 別出発時間帯別交通量で重み付けしたもの ObsQ: 観測リンク交通量 ProbeQ_sd: プローブ情報の信頼性 14

15 動的交通シミュレータの開発 1 メソシミュレータ : 複数の車両から構成される車両群を一つのパケットパケットサイズ :1( 台 / パケット ) ドライバーの経路選択行動 : ロジットモデル Dial 法 + モンテカルロシミュレーション累積台数累積流入台数ポイントキューだが流入可能交通量を設定し, 渋滞延長を考慮 f (x) T 累積流出台数 x t 時刻累積交通量曲線 15

16 動的交通シミュレータの開発 2 吉祥寺 BM データ対象エリア : 吉祥寺三鷹エリア ( 約 2km 1km) 対象時間帯 : 約 2 時間 ( 平成 8 年 1 月 3 日 ( 水 ) 7:5~1:) ネットワーク :138リンク 57ノード ( セントロイド数 27 観測リンク数 7) 真の OD 交通量 (1 分間隔 ) 観測リンク交通量 (1 分間隔 ) 16 相関係数 :.82 RMS 誤差 :15.1( 台 ) 再現リンク交通量 (veh/1min.) 観測リンク交通量 (veh/1min.) 16

17 速度情報からの交通量推定手法の開発 4 リンク交通量の推定精度 - 第 1 手法 - プローブ推定リンク交通量 (veh/1min.) R=.575 RMSE= 3.5( 台 ) 再現リンク交通量 (veh/1min.) 2 車線 4 車線プローブ推定リンク交通量 (veh/1min.) サンプル 1~ サンプル 1~ サンプル 2~ サンプル 3~ 再現リンク交通量 (veh/1min.) 5 で除した値が概ねサンプル数サンプル数が大きいほど推定リンク交通量は 45 度線に近づく傾向サンプル数で推定精度をある程度表現可能 17

速度情報からの交通量推定手法の開発 5 リンク交通量の推定精度 - 第 2 手法 - プローブ推定リンク交通量 (veh/1min.) 25 2 15 1 5 R=.486 RMSE= 34.8( 台 ) 5 1 15 2 25 再現リンク交通量 (veh/1min.

18 速度情報からの交通量推定手法の開発 5 リンク交通量の推定精度 - 第 2 手法 - プローブ推定リンク交通量 (veh/1min.) R=.486 RMSE= 34.8( 台 ) 再現リンク交通量 (veh/1min.) 2 車線 4 車線プローブ推定リンク交通量 (veh/1min.) 標準偏差 ~ 標準偏差 2~ 再現リンク交通量 (veh/1min.) 5 で除した値が概ねサンプル数サンプル数 : 少ないばらつき : 大きい標準偏差が大きい推定リンク交通量ほど 45 度線から離れる傾向標準偏差で推定精度をある程度表現可能 18

19 速度情報からの交通量推定手法の開発 6 リンク交通量の推定精度 - 第 3 手法 - プローブ推定リンク交通量 (veh/1min.) R=.57 RMSE= 31.8( 台 ) 再現リンク交通量 (veh/1min.) 2 車線 4 車線プローブ推定リンク交通量 (veh/1min.) 標準偏差 ~ 標準偏差 2~ 再現リンク交通量 (veh/1min.) 5 で除した値が概ねサンプル数サンプル数 : 少ないばらつき : 大きい標準偏差が大きい推定リンク交通量ほど 45 度線から離れる傾向標準偏差で推定精度をある程度表現可能 19

20 真 OD 交通量との相関係数プローブカーデータを用いた動的 OD 交通量の推定 2 動的 OD 交通量の推定結果 -OD 交通量手法 case1 case2 case3 case4 case5 case6 観測リンク交通量の重み付け case1 第 1 手法なし case2 第 1 手法通過台数 case3 第 2 手法なし case4 第 2 手法 1/ 標準偏差 case5 第 3 手法なし case6 第 3 手法 1/ 標準偏差 case1: 最も相関が良い標準偏差で重み付けを行う方が精度が良い通過台数は重み付けの方法が適切でない標準偏差で重み付けしたケースで比較すると第 3 手法の精度が良い 2

再現リンク交通量との相関係数プローブカーデータを用いた動的 OD 交通量の推定 3 動的 OD 交通量の推定結果 - リンク交通量 -.9.88.86.84.

21 再現リンク交通量との相関係数プローブカーデータを用いた動的 OD 交通量の推定 3 動的 OD 交通量の推定結果 - リンク交通量手法 case1 case2 case3 case4 case5 case6 観測リンク交通量の重み付け case1 第 1 手法なし case2 第 1 手法通過台数 case3 第 2 手法なし case4 第 2 手法 1/ 標準偏差 case5 第 3 手法なし case6 第 3 手法 1/ 標準偏差 case6: 最も相関が良い標準偏差で重み付けを行う方が精度が良い通過台数は重み付けの方法が適切でない標準偏差で重み付けしたケースで比較すると第 3 手法の精度が良い 21

22 結論と今後の課題結論プローブカーから旅行時間情報を取得し,OD 交通量を推定する手法を開発ベイズの定理を用いてプローブカーから取得されるデータの信頼性を考慮すると, その信頼性を考慮しない場合より高い現況再現性が得られる今後の課題より理論的な整合性の高いエントロピー最大化法への適用大規模ネットワークに適用しプローブカーデータを利用した動的な OD 交通量推定の検証 22

23 23 拡張型エントロピー最大化法 (Willumsen, 1984) 総 OD 交通量は一定変動需要型の式に出来る? 全ての車両の選択確率は同じ個人間異質性を考慮できる? リンク交通量の信頼性を表す r をリンク別にできる? 第 2 項を平均リンク交通量が v の時, プローブカーの個々のリンク所要時間が観測される確率を表す式で置き換えられる? ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) r h v h a h a a a h a a h q w h w h r w r w w h r w a r w r r h v h v h v v h q h q h q q P =,,,,,, ˆ ˆ!! ˆ ˆ!!

4 段階推定法とは予測に使うモデルの紹介 4 段階推定法の課題 2

4 段階推定法とは予測に使うモデルの紹介 4 段階推定法の課題 2 4 段階推定法羽藤研 4 芝原貴史 1 4 段階推定法とは予測に使うモデルの紹介 4 段階推定法の課題 2 4 段階推定法とは交通需要予測の実用的な予測手法 1950 年代のアメリカで開発シカゴで高速道路の需要予測に利用日本では 1967 年の広島都市圏での適用が初その後 1968 年の東京都市圏など人口 30 万人以上の 56 都市圏に適用 3 ゾーニングゾーニングとネットワークゾーン間のトリップはゾーン内の中心点