权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Demand Responded Toll for Urban Expressway with Deep Learning Model

利用深度学习模型实现城市快速路按需收费

基本信息

批准号：
22K04358
负责人：
秋山孝正
金额：
$ 2.25万
依托单位：
Kansai University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

本研究では、まず都市高速道路料金設定に関する道路交通流解析を行う「深層学習モデル」を構築した。通常の道路交通流解析を行う場合に、現実規模の都市道路網に対して、(1)都市高速道路の料金設定（対距離料金関数）・OD交通量を設定する、(2)等価な数理計画問題である利用者均衡配分（UE）の算定結果（リンク交通量）を求める、(3)都市道路網道路交通流パターンから経済便益（社会的不便益の減少）の評価指標を算定するということから、比較的計算労力の大きい「道路交通流解析」を実行する必要がある。すなわち、都市道路網構成（ネットワークデータ）と道路区間特性（リンク属性データ）が設定された際に、道路交通流（リンク交通量）を算定する方法である。本研究では、これら特定のネットワーク・リンク属性データが既知である場合の一連の計算手順を、非線形関係として学習した「深層学習モデル」を構築した。すなわち、高度な非線形計画問題の解法手順を入力パターン（OD交通量、都市高速道路料金設定）と出力パターン（代表的経済評価値）の教師データ（ビックデータ）を蓄積した。つぎに、畳み込みニューラルネットワーク（CNN）による「深層学習モデル」を構成して知識獲得を実行した。この結果、料金設定に伴う経済効果を算定する「道路交通流解析モデル」を構築した。すなわち、非線形数理計画を用いた解析手順を簡便化でき、都市高速道路料金に起因する都市道路網に対する交通調整効果を算定した。たとえば、都市高速道路の社会的最適な対距離料金（全路線一律）のパラメータを「深層学習モデル」の評価値に基づいて算定することができた。

This study is based on the urban highway material setting, road traffic flow analysis, and construction of "deep learning method". Ordinary road traffic flow analysis and travel situations, current-scale urban road network design, (1) urban expressway material cost setting (対Calculation of user equilibrium allocation (UE) based on mathematical planning problems such as distance (cost) and OD traffic volume settings (2) etc. (Reduction of social inconvenience) The evaluation index is a calculation method and a comparative calculation method is a large calculation method. "Road traffic flow analysis" is a necessary method.すなわち, urban road network structure (ネットワークデータ) and road section characteristics (リンク attribute This is a method for setting and calculating road traffic flow (traffic volume). In this study, the specific properties of the specific properties of this research are known and used in situations. Continuous calculation is smooth, non-linear relationship is learned and "deep learning is constructed".すなわち、Highly non-linear planning problem solution manual を入力パターン (OD traffic volume, urban highway data Gold setting) and と出力パターン (representative of 経済価夤) and の teacher データ (ビックデータ) を accumulates した.つぎに、畳み込みニューラルネットワーク（CNN）による「Deep Learningモデル」をConstitutionしてKnowledge acquisitionを実行した. The results and cost settings are calculated and constructed using "Road Traffic Flow Analysis".すなわち, non-linear mathematical planning is used to analyze and simplify でき, urban highway material cost is caused by urban road network and traffic adjustment effect is calculated.たとえば、Urban highways and socially optimal distance rates (the same for all routes) のパラメータを「Deep Learning モデル」のreview価値に记づいてcalculationすることができた.