| 講演名 | 2020-01-31 ［ポスター講演］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 渡邊 聖(芝浦工大), 相浦 龍青(芝浦工大), 森野 博章(芝浦工大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 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． |
| 抄録(英) | We previously proposed a method to solve a traffic jam early by carrying out an appropriate speed control of a vehicle running behind congested vehicle platoon at a place where natural traffic congestion is likely to occur, such as the highway sag. In this method, it is important to detect the occurrence of congested vehicle platoon as early as possible by some means. In this paper, we report a basic study on a method to predict the congestion time at a location in real time by time series forecasting using velocity data collected at two locations including the target location and its downstream one. Here, we assume distance between two locations is relatively small (Approximately 1 km). As a prediction technique to deal with multiple time series data, we focus on VAR (Vector Auto-regression model) which is one of the autoregressive models and multivariate LSTM (Long Short Time Memory). Evaluation results using velocity data obtained by traffic flow simulation with actual highway vehicle data show that both methods achieve the same level of prediction accuracy, and that the prediction accuracy is improved in comparison with the case of predicting only from one time series data (In this case, the past time series data of the point to be predicted) using AR model and univariate LSTM. |
| キーワード(和) | サグ部 / 時系列予測 / 機械学習 / VAR / LSTM |
| キーワード(英) | Sag sections / Time series prediction / Machine Learning / VAR / LSTM |
| 資料番号 | SeMI2019-107 |
| 発行日 | 2020-01-23 (SeMI) |
| 研究会情報 | |
| 研究会 | SeMI |
|---|---|
| 開催期間 | 2020/1/30(から2日開催) |
| 開催地（和） | ことひら温泉琴参閣 |
| 開催地（英） | |
| テーマ（和） | センシング，モビリティ，モバイル・ユビキタスコンピューティング，センサ・アドホック・モバイルネットワーク，アプリケーション，一般 |
| テーマ（英） | |
| 委員長氏名（和） | 石原 進(静岡大) |
| 委員長氏名（英） | Susumu Ishihara(Shizuoka Univ.) |
| 副委員長氏名（和） | 門田 和也(日立) / 山本 高至(京大) |
| 副委員長氏名（英） | Kazuya Monden(Hitachi) / Koji Yamamoto(Kyoto Univ.) |
| 幹事氏名（和） | 西尾 理志(京大) / 齊藤 隆仁(NTTドコモ) / 五十嵐 悠一(日立) |
| 幹事氏名（英） | Takayuki Nishio(Kyoto Univ.) / Takato Saitou(NTT DOCOMO) / Yuichi Igarashi(Hitachi) |
| 幹事補佐氏名（和） | 内山 彰(阪大) / 金井 謙治(早大) / 橋本 匡史(阪大) |
| 幹事補佐氏名（英） | Akira Uchiyama(Osaka Univ.) / Kenji Kanai(Waseda Univ.) / Masafumi Hashimoto(Osaka Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Sensor Network and Mobile Intelligence |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | ［ポスター講演］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 |
| サブタイトル（和） | |
| タイトル（英） | [Poster Presentation] Preliminary study on time series forecasting of road traffic at multiple locations for applying to traffic congestion mitigation with adaptive vehicle speed control |
| サブタイトル（和） | |
| キーワード(1)（和/英） | サグ部 / Sag sections |
| キーワード(2)（和/英） | 時系列予測 / Time series prediction |
| キーワード(3)（和/英） | 機械学習 / Machine Learning |
| キーワード(4)（和/英） | VAR / VAR |
| キーワード(5)（和/英） | LSTM / LSTM |
| 第 1 著者 氏名（和/英） | 渡邊 聖 / Satoshi Watanabe |
| 第 1 著者 所属（和/英） | 芝浦工業大学大学院理工学研究科(略称：芝浦工大) Shibaura Institute of Technology(略称：SIT) |
| 第 2 著者 氏名（和/英） | 相浦 龍青 / Ryusei Aiura |
| 第 2 著者 所属（和/英） | 芝浦工業大学工学部(略称：芝浦工大) Shibaura Institute of Technology(略称：SIT) |
| 第 3 著者 氏名（和/英） | 森野 博章 / Hiroaki Morino |
| 第 3 著者 所属（和/英） | 芝浦工業大学大学院理工学研究科(略称：芝浦工大) Shibaura Institute of Technology(略称：SIT) |
| 発表年月日 | 2020-01-31 |
| 資料番号 | SeMI2019-107 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | SeMI-406 |
| ページ範囲 | pp.43-44(SeMI), |
| ページ数 | 2 |
| 発行日 | 2020-01-23 (SeMI) |