2017 Fiscal Year Annual Research Report
ITSに対応した新しい交通ネットワーク分析手法の研究
| Project/Area Number |
17H03323
|
|---|
| Research Institution | Gifu University |
|---|
Principal Investigator |
宮城 俊彦 岐阜大学, 工学部, 教授 (20092968)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
倉内 文孝 岐阜大学, 工学部, 准教授 (10263104)
應 江黔 岐阜大学, 地域科学部, 教授 (30242738)
高木 朗義 岐阜大学, 工学部, 教授 (30322134)
杉浦 聡志 岐阜大学, 工学部, 助教 (30648051)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 経路選択行動 / ゲーム理論 / 動的交通量配分 / 交通流特性 / 強化学習 / 深層学習 / 自動走行支援システム / 便益計測 |
|---|
| Outline of Annual Research Achievements |
次の3つの研究課題ごとに成果を概要する。１．漸近的最適応答(ABR)アルゴリズムの実用化、２．交通流特性把握への新しいアプローチ、 ３．自動走行支援システムの便益評価。
１. ABRアルゴリズムについては、理論的にはMintyの変分不等式との関係を見直し、収束判定を行ったこと。また、実用化の点ではPython-SUMOにABRアルゴリズムの組み込むとともに交通情報更新サイクルがシミュレーションの収束に与える影響分析を行った。更新サイクルが短いほど、正確な交通情報を与えるので収束精度の向上につながるのは当然の結果であるが、情報更新サイクルの短縮はコストアップと情報の信頼性の低下を招く。すなわち、情報伝達には両者のトレードオフが存在することが明らかにした。
２．当初予定していた個別車両の走行軌跡データを得ることができなかったので、それらが得られることを前提にした深層学習アルゴリズム開発と集計データをベースにした交通流特性分析を行った。前者に関しては長・短期記憶アルゴリズムが有効なことを見いだし、テスト分析を完了した。後者については、マルチモードネットワークにおいて、異なる交通手段選択割合の下でMATSimを用いネットワークパフォーマンスと慣性ループの大きさとの関係性を考察した。その結果、混雑の不均一性および平均移動時間は慣性ループの幅と強い関係性があるが、高さとは弱い関係性しか持たないことが明らかとなった。
３．自動走行システムが与える便益をアンケートに基づき、特に、個人属性の違いが与える影響に注目し、選択型コンジョイント分析によりWTPの算出を試みた。主な結論は、自動走行システムを相対的に選好するのは、60歳以上の高齢者、男性、運転が得意と感じている人であった。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
（１）漸近的最適応答(ABR)アルゴリズムの実用化、（２）交通流特性把握への新しいアプローチ、（３）自動走行支援システムの便益評価 の各々について現在までの達成度は次のようである。
（１）アルゴリズムの実用化に関しては順調であるが、課題は収束の効率性であり、その向上が実用化への大きな課題として残された。また、交通情報の提供に関しては、次の研究目的（２）と関連する部分があり、自動走行支援システムを念頭に置いたシミュレーションモデル開発という点では予定より遅れている。
（2）については個別車両の追跡データの入手が遅れており、その意味では当初計画の目標を達成できていない。現時点では簡単なテストデータを用いた簡便な深層学習モデルに留まっている。
（３）の自動走行支援システムの選好分析に関しては、結果に関してその原因を推測することはできたが、サンプル数が少なく、質問項目も比較的少なめにしているので、複雑な心理的因果関係を定量的に把握するまでには至っておらず、アンケート規模を拡大し、深層学習などの構造分析手法を取り入れる必要がある．
|
| Strategy for Future Research Activity |
RBAアルゴリズムの実用化に関し、情報提供サイクルの長短と情報の信頼性向上のトレードオフ問題を解決する１つの手法として，楽観主義原理に基づく上位信頼区間バンド法が有効と考えている。すなわち，不確実な環境下では楽観的な見積もりで行動選択した方が，間違いも修正される可能性が高くなるという考え方である。また，収束性の向上には深層強化学習の応用を考えている。すなわち、ネットワークの状態の評価関数のパラメータを走行経験をデータとして深層学習で決定するアルゴリズム開発である。一旦，、学習されたパラメータをもつ評価関数の利用は強化学習の効率を大きく改善できることが予想される。また、交通流特性分析に関しては、現在のところ，高速道路のトラカンデータは得ているので、このデータを用いた走行速度予測に関する深層学習モデルを開発する。このモデルは，ABRアルゴリズムの実ネットワークへの適用に関連しており、交通管制センターからの情報的提供をどのような仕組みで行うかという問題に関連している。個別車両の追跡データが得られた時点で、車両追従モデルに基づく車両走行軌跡予測モデルに着手する。このテーマは交通管制センターからの情報提供を受けない個別車両が車両掲載のセンサーより得られるデータを利用して到達時間を予測する、いわゆるnaiveドライバーアルゴリズムと関連している。自動走行システムの便益評価については、２９年度のアンケートを改良したアンケートを実施し、サンプル数、質問項目数を拡大するとともに深層学習を用いた構造分析を実施し、因果構造を定量的に把握できるモデル構築を目指す。
|
