JPH0415800A - 駐車状況測定方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔概　要〕 駐車場を複数のブロックに区分し、その中の特定ブロッ
クを代表エリアとして、その代表エリアにおける駐車状
況から駐車場全体の駐車状況を測定する駐車状況測定方
法に関し、 複数の入力に対して、非線形処理を施し、複数の出力を
得るノードから構成され、この各々のノードにおける少
なくとも１つ以上の入力に重み付け加算を施すことで、
そのノード自身の入力に変換し、この入力に対し、別の
ノードへ伝播するための出力を生じる機能を持つととも
に、これらノードから生じる最終出力結果が所望の出力
となるように、前記重みを制御可能とした情報処理部に
、駐車場の代表エリアの駐車状況の他に少なくとも１個
の駐車状況に関する情報を入力するとともに、実際の駐
車状況に関する情報を正解事象として前記情報処理部に
学習を行わせ、駐車状況測定時は、駐車場の代表エリア
の駐車状況及び前記駐車状況に関する情報を前記情報処
理部に入力することにより、前記情報処理部より、駐車
場全体の駐車状況に関する情報を出力させることを特勺
とする。

（産業上の利用分野〕 本発明は、駐車場を複数のブロックに区分し、その中の
特定ブロックにおける駐車状況から駐車場全体の駐車状
況を測定する駐車状況測定方法に関する。

〔従来の技術〕

高速自動車道路では、適当な間隔を置いて休憩施設を設
けて車利用者に対するサービスの向上を図っている。例
えば、東名高速道路では、サービスエリアは約５０に１
＋１に１箇所、パーキングエリアは約１５廟に１箇所の
割合で設置されている。

しかしながら、最近の事変通量の増大に伴い、このよう
な休憩施設の混雑が問題化するようになってきた。この
ため、休憩施設の駐車状況を的確に把握し、その駐車状
況に関する情報を利用者に知らせるとともに、空いてい
る駐車箇所に利用者の車を誘導することにより、駐車場
に対する車の出入りをスムーズにして駐車場における混
雑を緩和することが要求されている。

しかしながら、休憩施設の駐車場の規模は一般に大きく
、個々の駐車箇所における駐車の有無を検出して全体の
駐車状況を把握することは、費用及び管理の面から実現
困難である。

一方、駐車場を第８図に示すように複数のブロック（Ｎ
α１〜Ｎｏ、　６　）に区分すると、その中の特定のブ
ロックにおける駐車率（そのブロックの最大駐車台数と
実際の駐車台数の比）と全体の駐車場の駐車率との間に
高い相関関係のあることが知られている（例えば、「高
速道路と自動車」第３２巻、第１号、第３７〜４９頁参
照）。

この特定ブロックの位置、大きさは、一般に各休憩施設
の駐車場毎にって異なるので、各駐車場毎に統計的な観
測によって求められる。

この特定ブロック（図の場合はブロックＮｏ、　６　）
の駐車状況を、例えば図示のようにテレビカメラで観測
して画像処理することにより、駐車場全体の駐車状況を
推測することができる。

〔発明が解決しようとする課題〕

従来の駐車状況測定方法は、前述のように、駐車場を複
数のブロックに区分し、その中の特定ブロックの駐車率
を測定することにより、駐車場全体の駐車率を推測して
いた。

しかしながら、特定ブロックの駐車率と駐車場全体の駐
車率との間に高い相関があるのは、あくまでも確率的に
いえることであり、実際の特定ブロックの駐車率と駐車
場全体の駐車率との間にはばらつきが存在するので、測
定精度及び信顧性の点で未だ充分とは言えなかった。

本発明は、複数の入力に対して、非線形処理を施し、複
数の出力を得るノードから構成され、この各々のノード
における少なくとも１つ以上の入力に重み付け加算を施
すことで、そのノード自身の入力に変換し、この入力に
対し、別のノードへ伝播するだめの出力を生じる機能を
持つとともに、これらノードから生じる最終出力結果が
所望の出力となるように、前記重みを制御可能とした情
報処理部を利用することより、特定ブロックの駐車状況
から駐車場全体の駐車状況を高い精度をもって測定でき
るように改良した駐車状況測定方法を提供することを目
的とする。

［課題を解決するための手段］ 駐車場には、前述のように、その駐車場全体の駐車率と
相関性の高い駐車率を示す特定ブロックが存在するが、
このことは、いろいろな駐車場には、ある程度゛＜せ”
′のようなものがあることを示していると考えられる。

しかしながら、このパ＜せ′”を見つけるにあたっては
、いろいろな観点でデータを検討し、その共通性を導き
出すことが必要である。

本発明は、複数の入力に対して、非線形処理を施し、複
数の出力を得るノードから構成され、この各々のノード
における少なくとも１つ以上の入力に重み付け加算を施
すことで、そのノード自身の入力に変換し、この入力に
対し、別のノードへ伝播するための出力を生じる機能を
持つとともに、これらノードから生じる最終出力結果が
所望の出力となるように、前記重みを制御可能とした情
報処理部を用いることにより、前記駐車場の″＜廿パを
学習できることを見いだしたことに基づいてなされたも
のである。

更に、特定ブロックの駐車状況の他に、他の駐車状況に
関する情報（例えば入車状況及び出車状況）を入力情報
とすることが、駐車場の″＜せ゛を良好に検出できると
ともに、その修正及び高精度の駐車状況の測定に有効で
あることを見いだしたことに基づいてなされたものであ
る。

以下、前述の課題を解決するために本発明が採用した手
段を、第１図を参照して説明する。第１図は、本発明の
原理を示したものである。

第１図（ａ）は全体の駐車状況測定システムを示し、同
図（ｂ）は同システムの構成を各処理装置を中心に書き
直したものである。

駐車状況処理測定装置１０において、１１は情報処理部
であり、複数の入力に対して、非線形処理を施し、複数
の出力を得るノードから構成され、この各々のノードに
おける少なくとも１つ以トの入力に重み付け加算を施す
ことで、そのノード自身の入力に変換し、この入力に対
し、別のノードへ伝播するための出力を生じる機能を持
つとともに、これらノードから生じる最終出力結果が所
望の出力となるように、前記重みを制御可能としたもの
である。このような機能を有する情報処理部１１として
、例えば、ノードとしてニューロンを用いて構成したニ
ューラルネットワークがある。

０１〜Ｏｎは、情報処理部１１の算出した駐車状況を示
す各出力である。また、Ｔ、−Ｔｎ等は情報処理部１１
に学習させるための正解事象であり、学習動作時に情報
処理部１１の出力０１〜Ｏｎに対応して入力される。

１２は表示部であり、情報処理部１１の出力する駐車状
況に関する各種情報を表示する。

２０は駐車場であり、２１．〜２１ｎは駐車場２０をｎ
個に区分した各ブロックである。ブロック２１．〜２Ｉ
ｎ中の１個又は複数の特定のブロックが代表エリアに選
定される。各代表エリアは、その代表エリアの駐車状況
が、駐車場２０全体の駐車状況と高い相関を有するよう
に、統計的な観測に基づいて選定される。

２２は入車状況測定装置であり、駐車場２０の入車状況
を測定する。入車状況として、例えば、単位時間に駐車
場に入車する車台数を指示する入車率が用いられる。入
車率は、その駐車場における単位時間当たりの最大入車
台数と実際の単位時間当たりの入車台数との比である。

２３は出車率測定装置であり、駐車場２０の出車率を測
定する。出車率は、その駐車場における単位時間当たり
の最大出車台数と実際の単位時間当たりの出車台数との
比である。

２４は代表エリア駐車状況測定装置であり、駐車場の代
表エリア（例えば、ブロック２１１及び２１□）の駐車
状況を測定する。駐車状況として、例えばその代表エリ
アの駐車率が測定される。駐車率は、代表エリアの最大
駐車台数と実際の駐車台数の比である。なお、代表エリ
アの数は、前述のように１個又は複数である。

本発明は、第１図に示した駐車状況測定システムによっ
て実施されるものであって、以下のように構成される。

すなわち、 駐車場２０を複数のブロック２１□〜２Ｉｎに区分し、
その中の特定ブロックを代表エリアとして、その代表エ
リアにおける駐車状況から駐車場全体の駐車状況を測定
する駐車状況測定方法において、 （ａ）　　複数の入力に対して、非線形処理を施し、複
数の出力を得るノードから構成され、この各々のノード
における少なくとも１つ以上の入力に重み付け加算を施
すことで、そのノード自身の入力に変換し、この入力に
対し、別のノードへ伝播するための出力を生じる機能を
持つとともに、これらノードから生じる最終出力結果が
所望の出力となるように、前記重みを制御可能とした情
報処理部１１に、駐車場２０の代表エリアの駐車状況の
他に少なくとも１個の駐車状況に関する情報を入力する
とともに、実際の駐車状況に関する情報を正解事象とし
て前記情報処理部１１に学習を行わせ、 （ｂ）　　駐車状況測定時は、駐車場２０の代表エリア
の駐車状況及び前記駐車状況に関する情報を前記情報処
理部１１に入力することにより、前記情報処理部１１よ
り、駐車場全体の駐車状況に関する情報を出力させるよ
うに構成される。

［作　用］ 本発明の作用を学習動作と駐車状況測定動作に分けて説
明し、次いで、本発明の動作理論について説明する。ま
た、駐車状況に関する少なくとも１個の入力情報として
、入車率及び出車率を入力するものとする。

（Ａ）学習動作 学習動作を行うときは、入車状況測定装置２２は駐車場
２０の入車状況を測定し、出車状況測定装置２３は駐車
場２０の出車状況を測定し、代表エリア駐車状況測定装
置２４は、代表エリア（例えば、ブロック２１．．２１
□）におＣＪる駐車状況を測定して、情報処理部１１に
それぞれ入力する。

更に、実際の駐車場全体の駐車状況に関する情報を正解
事象Ｔ、〜Ｔｎとして情報処理部１１に入力する。

情報処理部１１は、入車状況測定装置２２からの入車状
況、出車状況測定装置２３からの出車状況及び代表エリ
ア駐車状況測定装置２４からの当該代表エリアの駐車状
況に関する各情報に基づいて出力を算出し、その出力０
１〜Ｏｎと対応する正解事象Ｔ１〜Ｔｎとの誤差が少な
くなるように各ノード間の各重み係数の値を修正する。

このような学習を複数回繰り返すことにより、情報処理
部１１はその学習機能と自己組織機能により、入車状況
測定装置２２からの入車状況、出車状況測定装置２３か
らの出車状況及び代表エリア駐車状況測定装置２４から
の代表エリアの駐車状況に関する各情報に基づく算出出
力０１〜Ｏｎと対応する正解事象Ｔ１〜Ｔｎとの誤差が
最小となるように各ノード間の重み係数の値を自動的に
修正する。（この学習動作及びその学習効果の具体例に
ついては、実施例の項で説明する。）（Ｂ）駐車状況の
測定 駐車状況測定時は、入車状況測定装置２２は駐車場２０
の入車状況を測定し、出車状況測定装置２３は駐車場２
０の出車状況を測定し、代表エリア駐車状況測定装置２
４は代表エリア（ブロック２１、．２１□）における駐
車状況を測定して、情報処理部１１に入力する。

これらの各測定値が入力されると、情報処理部１１は、
これらの各測定値に基づいて計算し、駐車場全体の駐車
状況に関する情報を出力する。駐車場全体の駐車状況に
関する出力として、例えば、満車、空車及びその中間の
駐車状態等を指示する情報がある。

以上のように、情報処理部１１を用いて、その学習機能
及び自己組織機能によυ入／出車等の情報及び代表エリ
アの各状況に関する情報と駐車場全体の実際の駐車状況
に関する正解事象に基づいて学習させるようにしている
ので、従来の代表工リアだけを入力情報とした場合に比
べて、入／出車等の情報及び代表エリアの各状況に関す
る情報から、駐車場全体の駐車状況を高い精度をもって
測定することができる。

また、代表エリアの駐車状況の他に入／出車率等の駐車
状況に関する情報を入力情報とするようにしたので、代
表エリアだけを入力情報とした場合に比べて学習効果を
向上させることができる。

（Ｃ）本発明の動作理論 本発明の動作理論を、第２図〜第５図を参照して説明す
る。第２図は情報処理部１１の基本モデルの説明図、第
３図はノードの応答特性の説明図、第４図は情報処理部
１１の具体的モデルの説明図であり、第５図は情報処理
部１１の学習方式の説明図である。

情報処理部１１の基本モデルは第２図に示す構成を有し
、入力１１〜Ｉ４　（一般に複数）は、各入力に対する
重みＷ１〜Ｗ４が加わってノート′に入力される。

ノードは、この各重み付き人力Ｉ、〜Ｉ４を加え合わせ
、その和Ｘ　（−Ｗ、Ｉ、＋Ｗ＋　　１．＋Ｗｚ　　■
ｚ　＋Ｗ３　Ｉ３　＋Ｗａ　　１４）に関して、第３図
に示すような応答関数をもとに、出力Ｏを算出する。

第３図は、ノードの応答関数の一例を示したもので、シ
グモイド関数と呼ばれ、次式であられされる。

ｆ（ｘ）　　−１／　（１＋ｅ　ｘｐ　　（−２Ｘ／ｕ
ｏ　）　）継軸はノードの発火確率の値を表し、ｕｏは
シグモイド関数の傾きを決定する正のパラメータであり
、統計力学の温度に対応するパラメータである。このＵ
。の大小により、シグモイド関数の特性は、図示のよう
に変化する。

一般の情報処理部１１は、第４回に示すように、ノート
の多層構造になっている。同図（ａ）は２層ノードネッ
トを示し、同図（ｂ）は３層ノードネットを示す。

同図（ａ）の２層ノードネットにおいて、■は入力層で
あり、人力１１〜Ｉ４に対応する複数のノードｉ、〜ｉ
イで構成される。Ｋは出力層であり、複数のノードに１
〜に、で構成される。なお、各層のノードの数は、図示
の数に限定されるものではなく一般に複数である。

入力層Ｉの各ノードｉｌ〜ｉ４は、外部がらの刺激（入
力Ｘ、〜Ｘイ）を出力層にの各ノードに１〜に４に伝達
する。Ｗｉｋは入力層Ｉの任意のノードｉと出力層にの
任意のノードにとの結合度を指示する重み係数である。

これにより、出力層にの各ノードに、〜に３は入力層Ｊ
からの各入力を総合して、非線形ムこ規格化して外部に
出力する。

第４図（ｂ）の３層ノードネットにおいて、Ｉは入力層
であり、入力Ｉ、〜Ｉ４に対応する複数のノードｉＩ〜
ｉ４で構成される。Ｊは中間層であり、複数のノードで
構成される。Ｋは出力層であり、複数のノードに１〜に
３で構成される。なお、各層のノードの数は、図示の数
に限定されるものではなく一般に複数である。

入力層■の各ノード１□〜ｉ、は、外部がらの刺激（入
力Ｘ、〜Ｘ４）を中間層ｊの各ノードｊ〜ｊ４に伝達す
る。Ｗ　ｉ　ｊは入力層■の任意のノードｉと中間層Ｊ
の任意のノードｊとの結合度を指示する重み係数である
。

中間層Ｊの各ノーＦ　Ｊ＋　〜ｊ４は、入力層Ｉがらの
入力を非線形変換して、出力層Ｋに伝達する。

Ｗｊｋは中間ＮＪの任意のノードｊと出力層にの任意の
ノードにとの結合度を指示する重み係数である。

これにより、出力層にの各ノードに１〜に３は中間層Ｊ
からの各入力を総合し、非線形に規格化して外部に出力
する。

中間層Ｊは、最初は単なる変換層として機能する。しか
しながら、学習過程が進むとともに、次に説明するごと
くその学習パターンに適合するように、重み係数が修正
され自己組織化が行われるようになる。

中間層ｊの数は１個に平定されるものでなく、一般に複
数段けることができる。中間層ｊの数が入力数よりも多
いと、伝達過程で情報量が増大して、きめ細かな学習が
可能になる。なお、中間層Ｊの数が入力数よりも少ない
と、伝達過程で情報量が圧縮されるので、圧縮手法の一
つと考えられる（中間層Ｊのノードの個数については、
実施例の項で更に説明する）。

次に、情報処理部１１の学習動作について説明する。情
報処理部１１の学習機能モデルは各種あるが、ここでは
、ハックプロパゲーション法を用いた学習機能モデルを
例にとって説明する。

ハックプロパゲーション法は、望ましい出力を指示する
正解事象と情報処理部１１の出力との誤差が極小となる
ように、すなわち実際の出力が望ましい出力に可能な限
り近づくように、情報処理部１１の各層間の結合の重み
係数の値を学習により修正していく方法である。バンク
プロパゲーション法においては、重み係数の修正学習は
、信号の伝播とは逆に、出力層から入力層側に向かって
進行する。

以下、情報処理部１１の学習動作を、第５図に示す２層
ノードネットを例に採って説明する。

第５図において、■は入力層であり、入力１１〜Ｉｉに
対応する複数のノード１１〜ｉｉで構成される。Ｋは出
力層であり、複数のノードに１〜ｋｊ　で構成される。

Ｗｉｋは入力層■の任意のノードｉと出力層にの任意の
ノードにとの結合度を指示する重み係数である。Ｔｊは
出力層にのノードｋｊに対する正解事象である。

いま、出力層にのノードｋｊの出力をＯｊとすると、出
力Ｏｊは、入力層■の入力Ｉ」と重み計数Ｗｉｊとの荷
重和を応答関数により変換したものとする。

出力０ｊ＝ｊ（Σ（ｌｉ　Ｗｉｊ）十θｊ　）　　　−
−−−−（１）ここで、Ｏｊはオフセット量を示す。

いま、応答関数として、第３図のシグモイド関数を用い
る。シグモイド関数を再記すると、次の（２）式で示さ
れる。

ｆ（ｘ））　−１／　（１＋ｅ　ｘｐ　（−２Ｘ／ｕｏ
　）　］　−［２）このシグモイド関数の微分は、次の
（３）式で表される。

ｒ　’　（ｘ）−（２／　ｕ、　）　　（１＋　ｅｘｐ
　　（−２Ｘ／ｕｏ））２　ｅｘｐ　　（２Ｘ／ｕｏ　
）−（２／ｕｏ　）ｆ（ｘ）　２　（１／ｆ（χ）−１
）＝　（２／　ｌＪｏ　）　ｆ（ｘ）（１ｆ（ｘ））　
　−−−−（３）次に、出力Ｏｊと正解事象Ｔｊとの誤
差を最小化するように重み係数Ｗｉｊを学習させること
について説明する。

出力０」と正解事象Ｔｊとの誤差Ｅｊは、出力Ｏｊと正
解事象Ｔｊとの差の自乗値として、次の（４）式で表さ
れる。

誤差Ｅｊ　−（Ｔｊ　−Ｏｊ　）　”　　　　　　　−
−−−−−（４）この誤差Ｅｊの重み係数Ｗ　ｉ　ｊに
対する変化量は、次のようにして求められる。

θＥｊ／θ−１ｊ−θＥｊ／δＯｊ・θ（ｌｊ／θＷｉ
ｊ　−（５）ａＥｊ／θ０ｊ−−（Ｔｊ　−Ｏｊ　）　
　　　　−−−−−−−−（６）ここで、（１）式にお
ける荷重和Ｓｊを、Ｓｊ−Σ（Ｉｉ　ＷｉＤ＋θｊ　　
　　　　−一−−−−−−（７）と置くと、（］）式は
次の（８）式で表すことができる。

Ｏｊ　＝　ｆ　（Ｓｊ　）　　　　　　　　　　　−−
−−−−−−−（８）また、（５）式におけるａＯｊ　
／　ａ　Ｗｉｊ　は、次の（９）弐のように表すことが
できる。

ａＯｊ　／　θＷｉｊ　　＝　ａＯｊ　／　ａｓｊ−ａ
ｓｊ　／　ａＷｉｊ＝ｆ’（Ｓｊ）　　・Ｉｊ　　−−
−−−−−−−（９）更にこの（９）式は、（３）式よ
り次の００）式のようになる。

θＯｊ／θＷｉｊ　　＝　（２／ｕｏ　）　　ｆ（Ｓｊ
）　　（１ｆ　（Ｓｊ　）　ｌ　Ｉｊ　　　　−−−−
−（１０）この００）式は、（８）式より次の（）１）
式のように書き換えられる。

θＯｊ／θＷｉｊ　　−（２／　ｕｏ　）　Ｏｊ　（１
−０ｊ）　Ｊｊ（ＩＩ）以上の（５）、（６）及び（１
１）式より、（５）式は次の０２）弐のように書き換え
られる。

θＥｊ／　　θＷｉｊ　　　＝　　−（２／ｕｏ　　　
）　　　　（Ｔｊ　　−Ｏｊ）　　Ｏｊ（１−Ｏｊ　）
　ｌｊ　　　　　−−０２）この結果から、重み係数Ｗ
　ｉ　ｊにより誤差Ｅｊを減少させるためには、０２）
弐の微分量をマイナスへ動かせばよいことになる。よっ
て、重め係数ｗｌｊの微小修正量△Ｗｉｊは、次の０３
）弐で表される。

ΔＶｖ’ｉｊ＝　　ｃｒ（θＥｊ／δＷｉｊ　）　　　
　　−（１３）この０３）弐にθ２）式を代入すると、
△ｗ１ｊは次の（１４）弐で表される。

ΔＷｉｊ＝αη（Ｔｊ−Ｏｊ）　Ｏｊ　（１−０ｊ）　
Ｉｊ　　−０４）ここで、η−２／ｕ、（（頃きパラメ
ータ）したがって、重み係数Ｗｉｊの学習は、Ｗｉｊ（
学習後）　−Ｗｉｊ　（学習前）＋ΔＷｉｊによって行
われる。

更に、オフセットθｊについても、入力が常に１となる
結合係数として考えれば、０２）式より、θＥｊ／θθ
ｊ　＝　−（２／ｕｏ　）　　（Ｔｊ−Ｏｊ）　０ｊ（
１−Ｏｊ）ＸＩ 故に、 Δθｊ−−β（θＥｊ／θθｊ） ＝−βη（Ｔｊ　　Ｏｊ）　Ｏｊ　（１−０ｊ）　−０
５）情報処理部１１では、これらの（＋４）及び０９式
をもとに誤差Ｅｊが最小となるように重み係数Ｗｉｊの
学習が行われ、各ノード間の結合度が修正されて自己組
織化が行われる。

なお、以上の動作理論で示した量の中でパラメータとな
り得る量は、α、β及びηである。この中α及びβは、
０４）及び０５）弐から分かるように、学習効率を示し
、η（−２／ｕｏ　　：傾きパラメータ）は、応答関数
の特性を左右するパラメータである。

以上２層ノードネ、トの場合の学習動作理論について説
明したが、３層以上のノードネットの学習も同様な理論
に従って行われる。

〔実施例〕

本発明の一実施例を、第６図及び第７図を参照して説明
する。第６図（ａ）は全体の駐車状況測定システムを示
し、同図（ｂ）は同システムの構成を各処理装置を中心
に書き直したものであり、第１図の（ａ）及び（ｂ）に
対応するものである。第７図は同実施例の学習効果の説
明図である。

（Ａ）駐車状況測定システムの構成 第６図において、駐車状況測定処理装置１０、情報処理
部１１、表示部１２、駐車場２０、駐車ブロック２１１
〜２１ｎ、入車状況測定装置２２、出車状況測定装置２
３、代表ブｏ　７り駐車状況測定装置２４、出力Ｏｊ、
正解事象Ｔｊについて↓ま、第１図で説明したとおりで
ある。

本実施例では、入車状況測定装置２２ば、駐車場の単位
時間当たりの入車台数を計数し、この入車台数に基づい
て入車率を測定するものとする。

入車率は、単位時間に駐車場に入車する車台数と単位時
間の最大入車台数との比である。

出車状況測定装置２３は、駐車場の単位時間当たりの出
車台数を計数し、この出車台数に基づいて出車率を測定
するものとする。出車率は単位時間に駐車場より出車す
る車台数と単位時間の最大出車台数との比である。

この単位時間、最大入車台数及び最大出車台数は測定対
象とする駐車場によって統計的な観測に基づいて適宜設
定されるが、本実施例では、単位時間を１０分間とし、
最大入車台数及び最大出車台数はともに５０台であると
する。また、駐車場全体の最大駐車台数は１５１台であ
るとする。

入車率が出車率より大きいときは、駐車場２０が満車状
態になる比率が多（なり、逆に入車率が出車率より小さ
いときは、駐車場２０が空車状態になる比率が多くなる
ので、入車率及び出車率を入力データとすることにより
、学習効果及び駐車状況の測定精度を向上させることが
できる。

一方、代表エリア駐車状況測定装置２４は、２個の代表
エリア（１及び２とする）についての各駐車率を測定す
るものとする。２個の代表エリア１および２は、測定さ
れる駐車状況と実際の駐車状況とが高い相関関係となる
ように統計的な観測結果に基づいて選定される。本実施
例では、駐車場全体の駐車率とできるだけ高い相関を有
するブロックが代表エリア１として選定される。

また、そのブロックが満車にならない限り他のブロック
も満車にならないと考えられるブロック（このようなブ
ロックとして、例えば売店や休憩所に近いブ０７りがあ
る）が代表エリア２として選定される。

このような２個の代表ブロック１及び２を選定して学習
することにより、学習効果を高めるとともに、実際の駐
車状況と良く合致する測定結果を得ることができる。

更に本実施例では、情報処理部１１は、そのノードとし
てニューロンを使用したニューラル２・ノトワークによ
り構成されるものとする。このニューラルネットワーク
の構成は各種あるが、本実施例では、情報処理部１１を
構成するニューラルネットワークは、第４図（ｂ）で示
した３層のノードネットに対応する３層ニューラルネッ
トで構成されるものとする。

すなわち、１１１は入力層であり、入力■１〜Ｉ４すな
わち、入車率、出車率、代表工ＩＪア１及び２の駐車率
に関する各人力Ｉに対応する複数のニューロン１１〜ｉ
４で構成される。

なお、ニューロンの符号は、対応するノードと同し１１
〜ｉ４で示されているが、このことは、以下に説明する
各ノードに対応するニューロンについても同様である。

１１２はは中間層であり、本実施例では４個のニューロ
ンｊ１〜ｊ４で構成される。Ｋは出力層であり、出力０
．〜０３に対応する３個のニューロンに、〜に３で構成
される。中間層１１２のニューロンの個数は４個に限定
されるものではないが、４個とした理由については次の
（Ｂ）項で説明する。

入力層１１１の各ニューロンｊ、〜ｉ４は、外部からの
入力ｘ、〜χ４を中間層１１２の各ニューロンｊ１〜ｊ
４に伝達する。Ｗｉｊは入力層■の任意のニューロンｉ
と中間層Ｊの任意のニューロンｊとの結合度を指示する
重み係数である。

中間層１１２の各ニューコンｊ１〜ｊ４は、入力層１１
１からの入力を非線形変換し出力層１１３に伝達する。

Ｗｊｋは中間層Ｊの任意のニューロンｊと出力層にの任
意のニューロンにとの結合度を指示する重み係数である
。

Ｔ、　、Ｔ２及びＴ３は、出力層１１３の出力Ｏ７，０
□及び０３に対する各正解事象である。

出力０１，０□及び０３として、本実施例では満車率、
中間駐車率及び空車率が出力される。満車率は、駐車場
に駐車中の全体の車台数と駐車場全体の最大駐車台数と
の比が約８０％（車台数で１１９台）以上であるときの
比率であり、空車率は約４０％（車台数で５９台）以下
のときの比率であり、中間駐車率はその中間の比率であ
る。本実施例では駐車場の最大駐車台数は１５１台であ
るので、１１９台以上駐車されると満車と判定され、５
９台以下のときは空車状態と判定され、その中間は中間
状態と判定される。

１１４は学習ループであり、バックプロパゲーション法
により、入力層１１１と中間層１１２間の重み係数Ｗｉ
ｊ及び中間層１１２と出力層１１３間の重み係数Ｗｊｋ
の値を修正する。

次に、表示部１２において、１２１は満車表示器であり
、情報処理部１１を構成するニューラルネットワークの
出力する満車率が表示される。１２２は中間表示器であ
り、ニューラルネットワークの出力する中間駐車率が表
示される。１２３は空車表示器であり、ニューラルネッ
トワークの出力する空車率が表示される。

（Ｂ）実施例の動作 第６図の駐車状況測定システムの動作を、学習動作と駐
車状況測定動作に分けて説明する。

（ａ）学習動作 学習動作を行うときは、入車状況測定装置２２は駐車場
２０の単位時間当たりの入車台数を計数し、この入車台
数に基づいて入車率を測定する。

出車状況測定装置２３は駐車場の単位時間当たりの出車
台数を計数し、この出車台数に基づいて出車率を測定す
る。

一方、代表エリア駐車状況測定装置２４は、代表ブロッ
ク１及び２における駐車状況として、各ブロックの駐車
率を測定して、情報処理部１１を構成するニューラルネ
ットワークにそれぞれ入力する。駐車率は、例えば、そ
の代表エリアの駐車状況をテレビカメラで撮影し、その
イメージデータを画像処理する公知の方法で求めること
ができる。

更に、実際の駐車場全体の駐車状況に関する情報が、正
解事象として情報処理部１１を構成するニューラルネッ
トワークに入力される。本実施例では、満車率を発止す
る出力ＯＩには実際の満車状態を指示する正解事象Ｔ、
が入力され、中間駐車重を発生する出力０゜には実際の
中間駐車状態を指示する正解事象Ｔ２が入力され、空車
率を発生する出力０３には実際の空車状態を指示する正
解事象Ｔ３が入力される。

情報処理部１１のニューラルネットワークは、入車状況
測定装置２２からの入車率、出車状況測定装置２３から
の出車率及び代表エリア駐車状況測定装置２４からの代
表エリア１及び２の駐車率に関する各測定値に基づいて
、前記作用の項で説明したハックプロパゲーション法に
より学習する。

これにより、その出力０１〜０３と対応する各正解事象
Ｔ、〜Ｔ３との誤差が少なくなるように入力層１１１、
中間層１１２及び出力層１１３間の各重み係数Ｗ　ｉ　
ｊ及びＷｊｋの値が修正される。

このような学習を多数回繰り返すことにより、ニューラ
ルネットワーク１１はその学習機能と自己組織機能によ
り、入車状況測定装置２２からの入車率、出車状況測定
装置２３からの出車率及び代表エリア駐車状況測定装置
２４からの代表エリア１及び２の駐車率に関する各測定
値に基づく出力０１〜０３と対応する正解事象Ｔ１〜Ｔ
、との誤差が最小となるように、入力層１１１、中間層
１１２及び出力層１１３間の各重み係数Ｗ　ｉ　ｊ及び
Ｗｊｋの値が自動的に修正される。

第７図は、このような学習により、ニューラルネットワ
ークで構成された情報処理部１１の出力０と正解事象Ｔ
との自乗誤差が、学習回数によりどの様に減少するかの
実測データを示したものである。横軸は学習回数を示し
、縦軸の誤差率は出力Ｏと正解事象Ｔとの自乗誤差（先
に（Ｃ）項で説明した情報処理部１１の動作理論の（４
）式参照）を示し、パラメータの中間層のニューロン数
は中間層１１２を構成するニューロンの数を示す。

なお、出力Ｏと正解事象Ｔとの自乗誤差は、出力Ｏ２〜
０３と対応する正解事象Ｔ１〜Ｔ３の自乗誤差の和を示
したものである。

この実測データから分かるように、学習回数を数百回以
上にすることにより、誤差率を極めて低い値に安定化す
ることができる。また、中間層１１２を構成するニュー
ロン数を４個以上に増やしても、誤差率の改善にはあま
り効果がないことが分かる。したがって、中間層１１２
を４個のニューロンで構成するようにすれば、誤差率を
充分に低減できるとともに、ニューラルネットワークす
なわち情報処理部１１の構成を簡単化することができる
。

（ｂ）駐車状況の測定 駐車状況測定時は、入車状況測定装置２２は駐車場２０
の単位時間当たりの入車台数を計数し、この入車台数に
基づいて入車率を測定する。

出車状況測定装置２３は駐車場２０の単位時間当たりの
出車台数を計数し、この出車台数に基づいて出車率を測
定する。

一方、代表エリア駐車状況測定装置２４は、代表エリア
１及び２における駐車状況として、各エリアの駐車率を
測定して、情報処理部１１のニューラルネットワークに
それぞれ入力する。

情報処理部１１のニューラルネットワークは、入車状況
測定装置２２からの入車率、出車状況測定装置２３から
の出車率及び代表エリア駐車状況測定装置２４からの代
表エリア１及び２の駐車率に関する各測定値に基づいて
、駐車場全体の駐車状況を算出して出力する。これによ
り、出力００２及び０３として、満車率、中間駐車率及
び空車率がそれぞれ出力される。

表示部１２は、情報処理部１１のニューラルネットワー
クからの各出力０１〜０３を受けると、満車表示器１２
１にニューラルネットワークの出力する満車率を表示さ
せ、中間表示器１２２にニューラルネットワークの出力
する中間駐車率を表示させ、空車表示器１２３にニュー
ラルネットワークの出力する空車率を表示させる。

表１−１及び表１−２は、このようにして算出された満
車率、中間駐車率及び空車率と実際に測定された満車率
、中間駐車率及び空車率とを、単位時間（１０分間）間
隔をおいて４６回算出及び測定したものについて、その
結果を表にして示したものである。

表１−１及び表１−２において、最左欄は測定回数の番
号（１〜４６）を示し、「時間帯」欄は各単位時間間隔
の測定時間帯（１０分間）の開始時間を示す。

「入車台数」及び「出車台数」欄は、各測定時間帯にお
ける駐車場に入車及び出車した車台数を示す。

「代表エリア１駐車台数」及び「代表エリア２駐車台数
」欄は、各測定時間帯内の測定時点における各代表エリ
ア１及び２の駐車台数を示す。

「全体駐車台数（駐車率）」欄は、各測定時間帯内の測
定時点における駐車場全体の駐車台数を示し、括弧内は
駐車場全体の駐車率を示す。

「実測判定」欄は、実際に測定された、駐車場全体の満
車、中間駐車（中間で示す）及び空車の各状態を示す。

駐車率が８０％以上であるときは、満車率、中間駐車率
及び空車率は１．０．０であり、また駐車率が４０％以
下のときはＯｌｏ、１であり、両者の中間の駐車率のと
きはＯｌｌ、０である。

この実測判定の駐車率が各測定の出力Ｏｊ　　（次に述
べる検証判定の各駐車率）に対する正解事象Ｔｊ　とし
て取り扱われる。

「検証判定」欄は、ニューラルネントワーク１１で算出
された満車、中間駐車（中間で示す）及び空車の各状態
の各比率を示す。

最後の「検証判定の評価」欄は、検証判定結果に基づく
駐車状況対する評価を表す。

表１−１及び１−２の「全体駐車台数（駐車率）」、「
実測判定」、「検証判定」及び「検証判定の評価」の各
欄を参照すれば、ニューラルネットワーク１１で算出さ
れた満車、中間駐車及び空車の各状態は、いずれも実際
の満車、中間駐車及び空車の各状態とよく合致している
ということができる。

以上、情報処理部１１を３層ニューラルネットからなる
ニューラルネットワークで構成した場合の本発明の実施
例について説明したが、本発明はこの実施例に限定され
るものではなく、３層以外の構成のニューラルネットワ
ークを使用するようにしてもよい。

また、代表エリアの個数は、２個以外の個数とすること
ができる。１個の場合は、代表エリア１に当たるものが
代表エリアとして選定される。３個の場合は、代表エリ
ア１及び２に加えて、例えばそのブロックか空車になら
ない彫り他のブロックも空車にならないと考えられるブ
ロックが、代表エリア３として選定される。

また、入車率又は出車率のいずれか単独でも、その大小
と駐車場の駐車率の大小との相関関係が有るので、代表
エリアの駐車率の他の入力情報として、入車率又は出車
率のいずれか一方を用いるようにしてもよい。

［効　果］ 以上説明したように、本発明によれば、次の諸効果が得
られる。

（１）　　ニューラルネットワーク等で構成される情報
処理部を用いて、その学習機能及び自己鉗織機能により
入／出車等の情報及び代表エリアの各状況に関する情報
と駐車場全体の実際の駐車状況に関する正解事象に基づ
いて学習させるようにしているので、従来の代表エリア
だけを入力情報とした場合に比べて、入／出車等の情報
及び代表エリアの各状況に関する情報から、駐車場全体
の駐車状況を高い精慶をもってｔ、１１定することがで
きる。

（２）代表エリアの駐車状況の他に入／出車率等の駐車
状況に関する情報を入力情報とするようにしたので、代
表エリアだけを入力データとした場合に比べて学習効果
を向上させることができる。

【図面の簡単な説明】

第１図は本発明の原理図、 第２図は本発明で使用される情報処理部の基本モデルの
説明図、 第３図は情報処理部を構成するノード応答特性の説明図
、 第４図は情報処理部の具体的モデルの説明図、第５図は
情報処理部の学習方式の説明図、第６図は本発明の一実
施例の実施に使用する駐車状況測定システムの説明図、 第７図は同実施例の学習効果の説明図、第８図は従来の
駐車状況測定システムの説明図である。 １２・・・表示部、２０・・・駐車場、２１．〜２１ｎ
・・・駐車プロ、り、２２・・・入車状況測定装置、２
３・・・出車状況測定装置、２４・・・代表エリア駐車
状況測定装置。

Claims (2)

【特許請求の範囲】
1. （１）駐車場（２０）を複数のブロック（２１＿１〜２
   １＿ｎ）に区分し、その中の特定ブロックを代表エリア
   として、その代表エリアにおける駐車状況から駐車場全
   体の駐車状況を測定する駐車状況測定方法において、 （ａ）複数の入力に対して、非線形処理を施し、複数の
   出力を得るノードから構成され、この各々のノードにお
   ける少なくとも１つ以上の入力に重み付け加算を施すこ
   とで、そのノード自身の入力に変換し、この入力に対し
   、別のノードへ伝播するための出力を生じる機能を持つ
   とともに、これらノードからから生じる最終出力結果が
   所望の出力となるように、前記重みを制御可能とした情
   報処理部（１１）に、駐車場（２０）の代表エリアの駐
   車状況の他に少なくとも１個の駐車状況に関する情報を
   入力するとともに、実際の駐車状況に関する情報を正解
   事象として前記情報処理部（１１）に学習を行わせ、 （ｂ）駐車状況測定時は、駐車場（２０）の代表エリア
   の駐車状況及び前記駐車状況に関する情報を前記情報処
   理部（１１）に入力することにより、前記情報処理部（
   １１）より、駐車場全体の駐車状況に関する情報を出力
   させる、 ことを特徴とする駐車状況測定方法。
2. （２）前記代表エリアが少なくとも２個であり、前記少
   なくとも１個の駐車状況に関する入力情報が、入車状況
   及び出車状況に関する情報であることを特徴とする請求
   項（１）記載の駐車状況測定方法。