JPH0754560B2 - 駐車状況測定方法 - Google Patents

Description

【発明の詳細な説明】 〔概 要〕 駐車場の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
徴とする。

〔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50kmに１
箇所、パーキングエリアは約15kmに１箇所の割合で設置
されている。

しかしながら、最近の車交通量の増大に伴い、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
o.1〜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
定精度及び信頼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“くせ”
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“くせ”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
について、ノードの入力の少なくとも１つ以上の入力に
重み付け処理を施すことで当該ノードに直接加えられる
入力に変換し、この変換された入力に対して当該ノード
による非線形処理を施すことにより、他のノードへ伝播
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“くせ”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“くせ”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つい
て、ノードの入力の少なくとも１つ以上の入力に重み付
け処理を施すことで当該ノードに直接加えられる入力に
変換し、この変換された入力に対して当該ノードによる
非線形処理を施すことにより、他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。

O₁〜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、T₁〜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O₁〜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、21₁〜21n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21₁〜21n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。

前記測定対象となるエリアの単位時間における最大入車
台数及び最大出車台数は、統計的な観測に基づいて適宜
設定される。すなわち、そのエリアの入車及び出車状況
をテレビカメラで撮影し、そのイメージデータを画像処
理する公知の方法により、測定対象となるエリアに実際
に入車した単位時間当たりの最大入車台数及び最大出車
台数が測定される。実際上は、この最大入車台数と最大
出車台数とは一致することが多く、そのエリアの最大駐
車台数に近い値になる。

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21₂）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21₁〜21n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
ついて、ノードの入力の少なくとも１つ以上の入力に重
み付け処理を施すことで当該ノードに直接加えられる入
力に変換し、この変換された入力に対して当該ノードに
よる非線形処理を施すことにより、他のノードへ伝播す
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入力し、この正解事
象の情報に合致する出力が得られるように前記情報処理
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（1
1）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21₁,21₂）における駐車
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T₁〜Tnとして情報処理部11に入力する。この実際の
駐車状況に関する情報は、例えば、従来の技術の項で説
明したと同様な方法、すなわち、測定対象となっている
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により求めるこ
とができる。

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O₁〜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O₁〜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（ブロック21₁,21₂）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I₁〜I₄（一般に複数）は、各入力に対する重みW₁〜
W₄が加わってノードに入力される。

ノードは、この各重み付き入力I₁〜I₄を加え合わせ、そ
の和Ｘ（＝＋W₁ I₁＋W₂ I₂＋W₃ I₃＋W₄ I₄）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、次式であらわされる。

ｆ（ｘ）＝1/｛１＋exp（−2X/u₀）｝ 縦軸は入力に対する正規化されたノードの出力を表し、
u₀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u₀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図に示すように、ノードの
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、Ｉは入力層で
あり、入力I₁〜I₄に対応する複数のノードi₁〜i₄で構成
される。Ｋは出力層であり、複数のノードk₁〜k₃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i₁〜i₄は、外部からの刺激（入力x₁
〜x₄）を出力層Ｋの各ノードk₁〜k₄に伝達する。Wikは
入力層Ｉの任意のノードｉと出力層Ｋの任意のノードｋ
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Ｋの各ノードk₁〜k₃は入力層Ｉから
の各入力を総合して、非線形に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I₁〜I₄に対応する複数のノードi₁〜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k₁〜k₃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Ｉの各ノードi₁〜i₄は、外部からの刺激（入力x₁〜
x₄）を中間層Ｊの各ノードj₁〜j₄に伝達する。Wijは入
力層Ｉ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の各ノードj₁〜j₄は、入力層Ｉからの入力を非
線形変換して、出力層Ｋに伝達する。Wjkは中間層Ｊの
任意のノードｊと出力層Ｋの任意のノードｋ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Ｋの各ノードk₁〜k₃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個に限定されるものでなく、一般に複
数設けることができる。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、バ
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。

バ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。バックプロ
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、Ｉは入力層であり、入力I₁〜Iiに対応
する複数のノードi₁〜iiで構成される。Ｋは出力層であ
り、複数のノードk₁〜kjで構成される。Wikは入力層Ｉ
の任意のノードｉと出力層Ｋの任意のノードｋとの結合
度を指示する重み係数である。Tjは出力層Ｋのノードkj
に対する正解事象である。

いま、出力層Ｋのノードkjの出力を0jとすると、出力0j
は、入力層Ｉの入力Ij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。

ここで、Θｊ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＋exp（−2X/u₀）｝ ……（２） このシグモイド関数の微分は、次の（３）式で表され
る。

ｆ′（ｘ） ＝（2/u₀）｛１＋exp（−2X/u₀）｝²exp（−2X/u₀） ＝（2/u₀）ｆ（ｘ）^２（1/f（ｘ）−１） ＝（2/u₀）ｆ（ｘ）（１−ｆ（ｘ）） ……（３） 次に、出力0j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0jと正解事象Tjとの誤差Ejは、出力0j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−0j）^２ ……（４） この誤差Ejの重み係数Wijに対する変化量は、次のよう
にして求められる。

∂Ej/∂Wij＝∂Ej/∂0j・∂0j/∂Wij ……（５） ∂Ej/∂0j＝−（Tj−0j） ……（６） ここで、（１）式における荷重和Sjを、 と置くと、（１）式は次の（８）式で表すことができ
る。

0j＝ｆ（Sj） ……（８） また、（５）式における∂0j/∂Wijは、次の（９）式の
ように表すことができる。

∂0j/∂Wij＝∂0j/∂Sj・∂Sj/∂Wij ＝ｆ′（Sj）・Ij ……（９） 更にこの（９）式は、（３）式より次の（10）式のよう
になる。

∂0j/∂Wij＝（2/u₀）ｆ（Sj）｛１−ｆ（Sj）｝Ij……
（10） この（10）式は、（８）式より次の（11）式のように書
き換えられる。

∂0j/∂Wij＝（2/u₀）0j（１−0j）Ij ……（11） 以上の（５）、（６）及び（11）式より、（５）式は次
の（12）式のように書き換えられる。

∂Ej/∂Wij＝−（2/u₀）（Tj−0j）0j（１−0j）Ij……
（12） この結果から、重み係数Wijにより誤差Ejを減少させる
ためには、（12）式の微分量をマイナスへ動かせばよい
ことになる。よって、重み係数Wijの微小修正量ΔWij
は、次の（13）式で表される。

ΔWij＝−α（∂Ej/∂Wij） ……（13） この（13）式に（12）式を代入すると、ΔWijは次の（1
4）式で表される。

ΔWij＝αη（Tj−0j）0j（１−0j）Ij ……（14） ここで、η＝2/u₀（傾きパラメータ） 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、（12）式より、 ∂Ej/∂Θｊ＝−（2/u₀）（Tj−0j）0j （１−0j）×１ 故に、 ΔΘｊ＝−β（∂Ej/∂Θｊ） ＝−βη（Tj−0j）0j（１−0j） ……（15） 情報処理部11では、これらの（14）及び（15）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、
（14）及び（15）式から分かるように、学習効率を示
し、η（＝2/u₀: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層ノードネッ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23、代表ブロック駐
車状況測定装置24、出力0j、正解事象Tjについては、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は、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
になる比率が多くなり、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数となるよ
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ロックがあ
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ネットワークにより構
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I₁〜I₄すなわち、
入車率、出車率、代表エリア１及び２の駐車率に関する
各入力Ｉに対応する複数のニューロンi₁〜i₄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じi₁〜
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j
₁〜j₄で構成される。Ｋは出力層であり、出力O₁〜O₃に
対応する３個のニューロンk₁〜k₃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i₁〜i₄は、外部からの入力x₁
〜x₄を中間層112の各ニューロンj₁〜j₄に伝達する。Wij
は入力層Ｉ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の各ニューロンj₁〜j₄は、入力層111からの入
力を非線形変換し出力層113に伝達する。Wijは中間層Ｊ
の任意のニューロンｊと出力層Ｋの任意のニューロンｋ
との結合度を指示する重み係数である。

T₁、T₂及びT₃は、出力層113の出力O₁、O₂及びO₃に対す
る各正解事象である。

出力O₁,O₂及びO₃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、59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Wij及び中間
層112と出力層113間の重み係数Wij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、満車率を発生する
出力O₁には実際の満車状態を指示する正解事象T₁が入力
され、中間駐車率を発生する出力O₂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O₃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
用の項で説明したバ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O₁〜O₃と対応する各正解事
象T₁〜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Wij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O₁〜O₃と対応する正解事象T₁〜T₃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Wij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Ｏ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O₁〜O₃
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
O₁,O₂及びO₃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O₁〜O₃を受けると、満車表示器121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０、０、１であり、両者の中間の駐車率のときは
０、１、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、ニューラルネットワーク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が空車になら
ない限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組織機能により入
／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
駐車状況を高い精度をもって測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。 第１図及び第６図において、 10……駐車状況測定処理装置、11……情報処理部、12…
…表示部、20……駐車場、21₁〜21n……駐車ブロック、
22……入車状況測定装置、23……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. 【請求項１】駐車場（20）を複数のブロック（21₁〜21
   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
   ついて、ノードの入力の少なくとも１つ以上の入力に重
   み付け処理を施すことで当該ノードに直接加えられる入
   力に変換し、この変換された入力に対して当該ノードに
   よる非線形処理を施すことにより、他のノードへ伝播す
   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入力し、この正解事
   象の情報に合致する出力が得られるように前記情報処理
   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（1
   1）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. 【請求項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
   車状況又は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。