2021 Fiscal Year Research-status Report
Mitigation of highway traffic congestion using short-term traffic flow prediction from car probe information and velocity control
| Project/Area Number |
19K11930
|
|---|
| Research Institution | Shibaura Institute of Technology |
|---|
Principal Investigator |
森野 博章 芝浦工業大学, 工学部, 教授 (50338654)
|
|---|
| Project Period (FY) |
2019-04-01 – 2023-03-31
|
| Keywords | 車両間通信 |
|---|
| Outline of Annual Research Achievements |
高速道路を走行する自動運転車の一部がプローブカーとなり一定周期ごとに自車の車両速度をサーバにアップし，サーバがそれをもとに車両速度の時系列予測を行って，予測される速度がある閾値を下回った場合に渋滞を検知し渋滞箇所の後方を走る車両が減速制御を行うことで渋滞を軽減する手法を提案した．時系列予測のアルゴリズムには機械学習のLSTMを用いた．プローブカーとなる車両の割合として最大でも走行する車両の3割程度を想定する．時系列予測で用いるデータとして，予測対象の車両単体の速度のみを用いる基本手法に加え，予測対象の車両の前方(車頭時間にしてTd[秒]だけ前方)を走行する車両の速度を合わせて用いる手法も評価した．これを拡張してTdの値をn個設定し，n種類の「前方」の車両の速度を合わせて用いる手法についても評価を行った．
時系列予測の誤差については，予測対象の車両単体の速度のみを用いる(n=0)の場合と比較してn=1では誤差が低減し，n>=2ではn=1の場合から誤差が変化しないこと，さらにTdの値は時系列予測で何秒先の速度を予測するかの値に等しく設定する（すなわち30秒先の速度を予測する場合はTd=30秒とする)場合に最も誤差が小さいことを確認した．
さらに交通流シミュレーションにより減速制御の評価を行った結果，従来の減速制御（ある車両の現在速度が閾値を下回った時点で制御を開始する）と比較し，今回の提案方式のn=1では全車両の平均速度の分布の標準偏差を1/3程度に低減でき，渋滞時に40km/h以下で走行する車両の割合を従来の10%から3%まで低減できることを明らかにした．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
プローブカーから収集されたデータを用いLSTMによる時系列予測で従来より精度の高い渋滞予測が可能になること，これを用いて渋滞緩和制御の開始時刻を決定することで従来のアプローチと比較し速度特性を改善できること，以上の2点について当初の計画に沿った成果が得られている．自動運転車両と手動運転車両の混在環境において本手法が効果を発揮する自動運転車両の比率の条件についても確認された．
機械学習の教師データと認識対象のデータで環境条件が異なる場合の時系列予測の精度評価，感度分析が次の課題であるが，これについては未達成である．
|
| Strategy for Future Research Activity |
進捗状況の欄でも述べたが，時系列予測において機械学習の訓練データと認識対象のデータの間で車両全体に占めるプローブカーの割合などの条件が異なる場合，時系列予測の精度がどこまで低下するのかを評価する．同様に，その条件で時系列予測を用いて速度制御の開始時刻を決定する場合に，制御による速度特性改善効果がどのように変化するかを評価する．
さらに，本手法を高速道路だけではなく，格子状の一般道路での渋滞に適用した場合の特性を評価する．
|
| Causes of Carryover |
コロナ禍の影響で研究期間を1年延長したため．次年度は物品の購入に用いる．
|
